智能控制第二次大作业y--2014神经网络控制作业.doc

智能控制第二次大作业 ——神经网络控制作业 学号：SY1403 姓名： 日期：2014年12月31日 1、以一个三层BP网络（输入层、隐层和输出层的结点数分别为n1、n2和n3）为例，给出BP算法的学习（训练）流程，包括主要步骤的详细计算公式。设给定P组输入输出样本 。 （10分） 对向量数组X、d,赋值，用公式(1)、(2)计算Y和O中各分量。 (1) (2) 计算网络输出误差，设共有p对训练样本，网络对应不同的样本具有不同的误差 (3) 可将全部样本输出误差的平方进行累加再开方作为总输出误差，也可用诸误差中的最大值EMAX代表网络中的总输出误差，使用中更多采用均方根误差作为网络的总误差，军方误差表达式如公式(4)所示。 (4) 计算各层误差信号，应用公式(5)和(6)计算。 (5) (6) 调整各层权值，应用公式(7)和(8)计算W、V中各分量。 (7) (8) 检查是否对所有样本完成一次训练，若Pq，计数器p，q增1，返回步骤1），否则转向7)。 检查网络总误差是否达到精度要求，例如，当用EHME作为网络总误差时，若满足EHMEEmin，训练结束，否则E置0，p置1，返回步骤2)。 紧密结合自己的专业背景、科研方向或解决问题的经历，说明人工神经网络在你所关注的专业问题上应用的可行性。要求说明：自己的科研或专业背景，所关注的问题，与人工神经网络有什么关联，应用人工神经网络的可行性，问题的解决思路，比传统解决方法的优势。（30分） 本人研究生方向为导航、制导与控制，具体为路径规划方向。在路径规划方面比较多的算法是A*算法、遗传算法，蚁群算法，概率地图算法以及多种算法之间的融合与改进算法等，它们各有所长，也各有局限性。 神经网络算法是人工智能领域中的一种非常优秀的算法，它主要模拟动物神经网络行为，进行分布式并行信息处理，它由于其特有的大规模并行结构、信息的分布式存储和并行处理特点，使其具有良好的自适应性、自组织性和容错性，较强的学习、记忆、联想和识别功能等，已经在信号处理、模糊识别、目标跟踪、机器人控制、专家系统、组合优化和预测系统等众多领域获得了广泛的应用。同样在路径搜索中得到应用（如已经采用HP神经网络问题解决了TSP旅行商问题中）。但它在路径规划中的应用却并不成功，因为路径规划中复杂多变的环境很难用数学公式进行描述，如果用神经网络去预测学习样本分布空间以外的点，其效果必然是非常差，尽管神经网络具有优秀的学习能力，但是泛化能力差是其致命缺点，但因其学习能力强鲁棒性好，它与其他算法的结合应用已经成为路径规划领域研究的热点[1]。多目标进化算法（Mutiple?Objective?Evolutionary?Algorithms）具有搜索能力强、鲁棒性和通用性好等特点，非常使用于处理存在多个相互冲突目标、搜索空间规模较大且高度复杂的优化问题。 例如采用遗传算法与BP神经网络算法相结合来对机器人进行路径规划。BP算法采用的是梯度下降法，全局搜索能力差，局部搜索能力强，而遗传算法是一种全局寻优算法，全局搜索能力较强，局部搜索能力差，为了克服两种算法各自的缺点，发挥两种算法的长处，所以将这两种算法结合起来，达到优势互补的作用[2]。具体做法是：在有障碍物的二维坏境中，可以将障碍物简化为长方形，利用四个不等式就可以把障碍物表达出来，通过判断一个点的坐标是否满足不等式的要求即可知道该点是否位于障碍物内部。这就可以利用三层神经网络结构来对障碍物进行描述，输入层的两个节点分别表示给定路径点的横坐标和纵坐标，顶层节点的输出为障碍物的碰撞罚函数（碰撞罚函数是对路径点与障碍物碰撞程度的量化）；中间层节点的阈值为不等式中的常数项。中间层到顶层的连接权系数均为1，输入层到中间层的连接权系数为不等式中变量x,y的系数，顶层节点的阈值取为不等式的个数减去0.5后的系数[3]把障碍物环境用神经网络结构表示出来后，用遗传算法进行搜索，最终得出最优路径。 使用BP神经网络实现计算的主要思想是：输入学习样本，使用反向传播算法对网络的权值和阀值进行反复的调整训练，使输出的向量与期望向量尽可能地接近，当网络输出层的误差平方和小于指定的误差时训练完成，保存网络的权值和偏差