智能控制(第三版)chap7-典型神经网络2试题.ppt

第7章 典型神经网络 7.1 单神经元模型 武汉科技大学 信息科学与工程学院 图7-1 单神经元模型 ui为神经元的内部状态，si为外部输入信号。 通常情况下，取 即 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 图7-5 BP神经网络结构 7.2 BP神经网络 7.2.1 BP网络特点 （1）是一种多层网络，通常包括输入层、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）神经元激活函数为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 包括一个隐含层的BP网络结构如下图，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。 7.2.3 BP网络的逼近 BP网络对目标进行逼近的结构如图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。 将系统输出y k 及输入u k 的值作为BP网络逼近器的输入，将系统真实输出与网络预测输出的误差作为逼近器的调整信号。 图7-6 BP网络逼近器 用于逼近的BP网络结构： BP网络的学习过程由正向传播和反向传播组成。 信息正向传播（前向传播）:输入信息从输入层经隐层逐层处理，并传向输出层。 信息反向传播：误差信号自输出层开始按联接通路反向计算，由梯度下降法调整各层的权值，使误差信号减小。 （1）前向传播：计算BP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： 输出层与隐层之间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： k+1时刻网络的权值为： 其中 如果考虑上次权值修改量对本次权值变化的影响，可加入动量因子a，此时的权值为： Jacobian阵 即为对象的输出对控制输入的灵敏度信息 可由神经网络辨识得到，其算法为： 根据前面网络结构知：x1 u k . 7.2.4 BP网络的优缺点 BP网络的优点为： 可以逼近任意的非线性映射关系； 是全局逼近算法，具有较强的泛化能力。 具有较好的容错性。 BP网络的主要缺点为： 收敛速度慢； 容易陷入局部极小值； 难以确定隐层及隐层节点的数目。 7.2.5 BP网络逼近仿真实例 神经网络结构：2-6-1 仿真程序见chap7_1.m 使用BP网络逼近对象： %BP identification clear all;close all; xite 0.50; alfa 0.05; w2 rands 6,1 ; w2_1 w2; w2_2 w2_1; w1 rands 2,6 ; w1_1 w1;w1_2 w1; dw1 0*w1; %增量 x [0,0]; u_1 0; %u k-1 y_1 0; %y k-1 I [0,0,0,0,0,0]; %隐层 Iout [0,0,0,0,0,0]; FI [0,0,0,0,0,0]; ts 0.001; %采样周期 for k 1:1:1000 time k k*ts; u k 0.50*sin 3*2*pi*k*ts ; y k u_1^3+y_1/ 1+y_1^2 ; for j 1:1:6 I j x*w1 :,j ; Iout j 1/ 1+exp -I j ; end yn k w2‘*Iout; %网络输出 e k y k -yn k ; %误差 w2 w2_1+ xite*e k *Iout+alfa* w2_1-w2_2 ; for j 1:1:6 FI j exp -I j / 1+exp -I j ^2; end for i 1:1:2 for j 1:1:6 dw1 i,j xite*e k *FI j *w2 j *x i ; end end w1 w1_1+dw1+alfa* w1_1-w1_2 ; yu 0; for j 1:1:6 %Jacobian yu yu+w2 j *w1 1,j *FI j ; end dyu k yu; x 1 u k ; x 2 y k ; w1_2 w1_1;w1_1 w1; w2_2 w2_1;w2_1 w2; u_1 u k ; y_1 y k ; end 7.2.6 BP网络模式识别 自学 径