人工神經网络在结构控制中de的应用.docVIP

第三章 人工神经网络在结构控制中的应用 - PAGE 35 - 第三章 人工神经网络在结构控制中的应用 3.1 引言 神经网络理论是人工智能的一个前沿研究领域，已成功地应用于许多方面。它是模拟人脑活动的一种信息处理方法。神经网络是由大量神经元相互连接而成的复杂网络系统，它是高度非线性动力学系统，虽然单个神经元的结构和功能极其简单和有限，但网络的动态行为是极为复杂丰富的，从而可以模拟实际物理现象。 反向误差传播(Back Error Propagation简称BP)网络模型作为人工神经网络的一种，是目前比较成熟且应用较为广泛的一种神经网络模型。它把一组训练样本输出问题转变成一个非线性映射问题，可以以任意精度逼近任何非线性函数。 本章简要介绍了人工神经网络的基本概念与特点、其基本结构与模型，着重讨论了多层前馈网络与BP算法，以及在进行BP网络设计时需要考虑的几个方面，并对人工神经网络在结构非线性控制及结构辨识中的应用做了简要的总结。 3.2 人工神经网络概述[77~81] “人工神经网络”(ARTIFICIAL NEURAL NETWORK，简称A.N.N.)是在对人脑组织结构和运行机智的认识理解基础之上模拟其结构和智能行为的一种工程系统。通过模仿脑神经系统的组织结构以及某些活动机理，人工神经网络可呈现出人脑的许多特征，并具有人脑的一些基本功能。 3.2.1 神经网络的基本特征 神经网络的特征规纳为结构特征和能力特征： (1) 结构特征—并行处理、分布式存储与容错性 人工神经网络是由大量简单处理元件相互连接构成的高度并行的非线性系统，具有大规模并行性处理特征。虽然每个处理单元的功能十分简单，但大量简单处理单元的并行活动使网络呈现出丰富并具有较快的速度。结构的并行性使神经网络的信息存储必然采用分布式方式，即信息不是存储在网络的某个局部，而是分布在网络所有的连接权中。一个神经网络可存储多种信息，其中每个神经元的连接权中存储的是多种信息的一部分。当需要获得已存储的知识时，神经网络在输入信息激励下采用“联想”的方法进行回忆，因而具有联想记忆功能。神经网络内在的并行性与分布性表现在其信息的存储与处理都是空间上的分布、时间上的并行的。这两个特点必然使神经网络在两个方面表现出良好的容错性：一方面，由于信息的分布式存储，当网络中部分神经元损坏时不会对系统的整体性能造成影响；另一方面，当输入模糊、残缺或变形的信息时，神经网络能通过联想恢复完整的记忆，从而实现对不完整输入信息的正确识别。 (2) 能力特征—自学习、自组织与自适应性 自适应性是指一个系统能改变自身的性能以适应环境变化的能力，它是神经网络的一个重要特征。自适应性包含自学习与自组织两层含义。神经网络的自学习是指当外界环境发生变化时，经过一段的训练或感知，神经网络能通过自动调整网络结构参数，使得对于给定输入能产生期望的输出，训练是神经网络学习的途径，因此经常将学习与训练两个词混用。神经系统能在外部刺激下按一定规则调整神经元之间的突触连接，逐渐构建起神经网络，这一构建过程称为网络的自组。神经网络的自组织能力与自适应性相关，自适应性是通过自组织实现的。 3.2.2 神经网络的基本结构及模型 生物学的研究发现，人的大脑大约有10的十次方个神经细胞，每个细胞约有10的四次方通路与其它细胞相连，并且通过突触(一个神经细胞和另一个神经细胞相联系的结构部分)交换信息，整个大脑构成了一个纵横交错的极其复杂的非线性网络结构。ANN就是抽象、简化与模拟上述大脑生物结构的计算模型，又称为连结主义或并行分布处理(PDP)模型。ANN由大量功能简单而具有自适应能力的信息处理单元-人工神经元(以下简称为神经元，它可以是电子元件、光学元件)按照大规模并行的方式，通过一定的拓扑结构连接而成。神经元是对人脑神经细胞功能的抽象、简化与模拟。模拟生物神经元的人工神经元的结构如图3-1所示。  图3-1 人工神经元示意图 图3-1 人工神经元示意图 图3-1中，x 1,x 2，…，xm是神经元的输入，它可以是来自外界的信息，也可能是另一个神经元的输出；yj为单个输出；w 1j,w2j,…，wmj是输出大神经元的权值，它表示神经元的连接强度，由神经网络的学习过程学习决定；? j为阈值神经元的内部阀值(门限值)；f()是神经元的激活函数（或称为转移函数），其作用是控制输入对输出的激活作用，对输入、输出进行函数变换，把可能的无限域变换到给定的范围输出，以模拟生物神经元的转移特性, 传递函数f()可以选择线性函数，但通常选用非线性函数.由图3-1可见，简单神经元主要由权值、门限值和非线性函数的形式来定义，它通过对多个输入值加权和施加非线性函数变换而得到输出。 目前多数人工神经网络的构造大体都采用如下的一些原则：