智能控制理论和方法_07典型神经网络绪论.pptx

图7-1中 为神经元的内部状态， 为阈值， 为输入信号， , 表示从单元 到单元 的连接权系数， 为外部输入信号。 7.1 单神经元网络 第7章 典型神经网络 图7-1 单神经元模型 通常情况下，取 即 单神经元模型可描述为： 常用的神经元非线性特性有以下3种： （1）阈值型 图7-2 阈值型函数 （2）分段线性型 图7-3 分段线性函数 （3）Sigmoid函数型 图7-4 Sigmoid函数 7.2 BP神经网络 1986年，Rumelhart等提出了误差反向传播神经网络，简称BP网络（Back Propagation），该网络是一种单向传播的多层前向网络。 误差反向传播的BP算法简称BP算法，其基本思想是梯度下降法。它采用梯度搜索技术，以期使网络的实际输出值与期望输出值的误差均方值为最小。 7.2.1 BP网络特点 （1）是一种多层网络，包括输入层、隐含层和输出层； （2）层与层之间采用全互连方式，同一层神经元之间不连接； （3）权值通过δ学习算法进行调节； （4）神经元激发函数为S函数； （5）学习算法由正向传播和反向传播组成； （6）层与层的连接是单向的，信息的传播是双向的。 7.2.2 BP网络结构 含一个隐含层的BP网络结构如图7-5所示，图中 i为输入层神经元， j为隐层神经元，k为输出层神经元。 图7-5 BP神经网络结构 7.2.3 BP网络的逼近 BP网络逼近的结构如图7-6所示，图中k为网络的迭代步骤，u(k)和y(k)为逼近器的输入。BP为网络逼近器，y(k)为被控对象实际输出，yn(k)为BP的输出。将系统输出y(k)及输入u(k)的值作为逼近器BP的输入，将系统输出与网络输出的误差作为逼近器的调整信号。 图7-6 BP神经网络逼近 用于逼近的BP网络如图7-7所示。 图7-7 用于逼近的BP网络 BP算法的学习过程由正向传播和反向传播组成。在正向传播过程中，输入信息从输入层经隐层逐层处理，并传向输出层，每层神经元（节点）的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输出，则转至反向传播，将误差信号（理想输出与实际输出之差）按连接通路反向计算，由梯度下降法调整各层神经元的权值，使误差信号减小。 （1）前向传播：计算网络的输出。 隐层神经元的输入为所有输入的加权之和： 隐层神经元的输出采用S函数激发： 则 输出层神经元的输出： 网络输出与理想输出误差为： 误差性能指标函数为： （2）反向传播：采用δ学习算法，调整各层间的权 值。 根据梯度下降法，权值的学习算法如下： 输出层及隐层的连接权值学习算法为： k+1时刻网络的权值为： 隐层及输入层连接权值学习算法为： 其中 k+1时刻网络的权值为： 如果考虑上次权值对本次权值变化的影响，需要加入动量因子 ，此时的权值为： 其中, 为动量因子, 。 阵(即为对象的输出对控制输入的灵敏度信息)算法为： 其中取 7.2.4 BP网络的优缺点 BP网络的优点为： （1）只要有足够多的隐层和隐层节点，BP网络可以逼近任意的非线性映射关系； （2）BP网络的学习算法属于全局逼近算法，具有较强的泛化能力。 （3）BP网络输入输出之间的关联信息分布地存储在网络的连接权中，个别神经元的损坏只对输入输出关系有较小的影响，因而BP网络具有较好的容错性。 BP网络的主要缺点为： （1）待寻优的参数多，收敛速度慢； （2）目标函数存在多个极值点，按梯度下降法进行学习，很容易陷入局部极小值； （3）难以确定隐层及隐层节点的数目。目前，如何根据特定的问题来确定具体的网络结构尚无很好的方法，仍需根据经验来试凑。 由于BP网络具有很好的逼近非线性映射的能力，该网络在模式识别、图像处理、系统辨识、函数拟合、优化计算、最优预测和自适应控制等领域有着较为广泛的应用。 由于BP网络具有很好的逼近特性和泛化能力，可用于神经网络控制器的设计。但由于BP网络收敛速度慢，难以适应实时控制的要求。 7.2.5 BP网络逼近仿真实例 使用BP网络逼近对象： BP网络逼近程序见chap7_1.m BP网络逼近效果 BP网络逼近误差 Jacobian 信息的辨识 7.2.6 BP网络模式识别 由于神经网络具有自学习、自组织和并行处理等特征，并具有很强的容错能力和联想能力，因此，神经网络具有模式识别的能力。