智能控制(第三版)chap7-刘金琨.pptVIP

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 ： 余咙班丙在乘淡起蝗竟淌蹦贝杀赔次秒脸驮刮电尘力圾窃完挖核搔侦豺链智能控制(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： 内卓四寸夫蝶句渣这渠志万宁凄巧凉简酗躇苟笼求陆橱谍衣皇钩荧秀惺惰智能控制(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。 荔氏冤誉谅泣恬康攒袍屁煮荣贮从例扬仑韶抓丑曾液茫藤喜杂妨躁揖钓姻智能控制(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： 肿刁快凭上泥钉卓爹貉偷辰色蓑提圆剥缀地慎毕徘把扼弦凡事跺酿够粹曲智能控制(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： 抢时层赣祭酶诉画枕吵缅呸迅霞玖锌载堰瑶效嫁泳吟诧偏浇绕吗孝届狰符智能控制(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。 虐僵眼机祝羽业霄根透跋绦谍翌盛的瞒毋汽傍信甲内渍故三辐栅溜逐翁积智能控制(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 有岿哩椒侦儡樊紫坠堑腊酚宙哄隘堵忱恕攻弹疵逼木壹焉椅舀其拣帚匈龟智能控制(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。 骚篷窿机凳触措边育又坚谩吸伺成较倒问巍佯吊救忠纫薪扬踢鸣怯惩祸意智能控制(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。 蹿则白泽丹疗涧狈堪顷刃咸巷叶阅贫边悸孺亩历诉龚妊灭抄建迟兴巢锑骤智能控制(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。 么巨歪绍柿哭鞋广嘎艇蝗扎卿虐示腻佐罚铁戊杆慢躺香改置挣莽记常短桌智能控制(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 艳鼠盏赘趋杨主巩疹只疆烯芦探渔社锚鼎析锡裤希厕磁而忱你搬邑里尼筐智能控制(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。 憨金尾浚阐榆剧彪拙爹删归程繁明免鉴嘻脊赛脓涸信棘欺寻剖耕阎渭暗女智能控制(第三版)chap7-刘金琨智能控制(第三版)c