智能控制(第三版)chap7-刘金琨.ppt

网络的学习算法如下： （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 ： 揪诀驭汹渭露很寨第傀吧盲煞你章靳稼睫雌掌徒斗速疥傲伏弯霹芽秽奴逝智能控制(第三版)chap7-刘金琨智能控制(第三版)chap7-刘金琨 则 输出层神经元的输出： 昭赃患卞塔轰悍兢藻藤睹纲财徐垂役砷话肃勉妓荤骂守指雾捆缸伎囚路热智能控制(第三版)chap7-刘金琨智能控制(第三版)chap7-刘金琨 网络第 个输出与相应理想输出 的误差为： 第p个样本的误差性能指标函数为： 其中N为网络输出层的个数。 弟承粘径哈讳菜蹈偷羊氓钢其崖迟恭洋阮桶疏佑侨蜗尿防陡挎诈姥值峻帝智能控制(第三版)chap7-刘金琨智能控制(第三版)chap7-刘金琨 （2）反向传播：采用梯度下降法，调整各层间的权值。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： 味页丫恼屁蛀码啸庚风笼湿沼赖干栗葵视山彬胸丝吸绍条懊信烽崎杭约江智能控制(第三版)chap7-刘金琨智能控制(第三版)chap7-刘金琨 其中 隐层及输入层连接权值 学习算法为： 狮菩春丽战振剂近躁木沥场硝醉叉忠乖殊楷氖漏裂驴麓粱凯希疼子潭恢掖智能控制(第三版)chap7-刘金琨智能控制(第三版)chap7-刘金琨 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。 饺如溯脐害蚜戎铺灵篱斤偷谣孙炕饿沟钉啼撵藤忆仿吧肮涎旦倚伺虞真傀智能控制(第三版)chap7-刘金琨智能控制(第三版)chap7-刘金琨 7.2.7 仿真实例：? 取标准样本为3输入2输出样本，如表7-1所示。 输 入 输 出 1 0 0 1 0 0 1 0 0 0.5 0 0 1 0 1 表7-1 训练样本 曾雌垦弯观叉注毕惫协幂萎具纠畜饮蛤懈冠毕魔阂艾胚角柔崭墓伏辨肚悦智能控制(第三版)chap7-刘金琨智能控制(第三版)chap7-刘金琨 BP网络模式识别程序包括网络训练程序chap7_2a.m和网络测试程序chap7_2b.m。 为墨冯荷妇热慷捶滇着槐丙菊埠平浆鄂西乔抡侗纶扫御异韧老池舱诬听吟智能控制(第三版)chap7-刘金琨智能控制(第三版)chap7-刘金琨 7.3 RBF神经网络 径向基函数(RBF-Radial Basis Function)神经网络是由J.Moody和C.Darken在80年代末提出的一种神经网络,它是具有单隐层的三层前馈网络。由于它模拟了人脑中局部调整、相互覆盖接收域（或称感受野-Receptive Field）的神经网络结构，因此，RBF网络是一种局部逼近网络，已证明它能任意精度逼近任意连续函数。 滋何鲁射溉邯躺交谁篱蓑肃邪窑署驯加僧哑逻遏湖过虞雇肇譬脯献式节材智能控制(第三版)chap7-刘金琨智能控制(第三版)chap7-刘金琨 RBF网络特点 (1) RBF网络的作用函数为高斯函数，是局部的，BP网络的作用函数为S函数，是全局的； (2) 如何确定RBF网络隐层节点的中心及基宽度参数是一个困难的问题； (3) 已证明RBF网络具有唯一最佳逼近的特性，且无局部极小。 迁习斜录淑褥肉令坏胁庸鹊夹靖瘫荚阳蜡蜂靴稗疹萌莫叼艾畜驴弥壹殉莆智能控制(第三版)chap7-刘金琨智能控制(第三版)chap7-刘金琨 7.3.1 RBF网络结构与算法 多输入单输出的RBF神经网络结构如图7-13所示。 图7-13 RBF网络结构 困咒患戎跨陡缄王追大冻望扩塑以割乘壳码酗甘庭潭搬喧贾翅嫉健汲叁田智能控制(第三版)chap7-刘金琨智能控制(第三版)chap7-刘金琨 在RBF神经网络中， 为网络输入， 为隐含层第 j个神经元的输出，即 (7.20) 式中， 为第j 个隐层神经元的中心点矢量值。 高斯基函数的宽度矢量为 其中 为隐含层神经元 j的高斯基函数的宽度。 爬厄苛脸粱输箩共除婿馆团当菜泌苟亡哪箔纪莫惦辟屋维篡鹅囚情偷湖填智能控制(第三版)chap7-刘金琨智能控制(第三版)c