第五章神经网络控制.ppt.ppt

第五章 神经网络控制 5.1 概述 神经网络的基本属性 神经网络与计算机相比的特点 神经网络在控制系统中的作用 神经网络在控制系统中的作用 5.2 神经网络的基本概念 5.2.1 神经网络的基本原理 5.2.2 神经元模型 5.2.3 神经网络模型 5.2.4 神经网络的学习方法 Hebb学习规则（无教师） Delta学习规则（有教师） Delta学习规则（有教师） 5.3 前馈网络 5.3.1 感知器（perceptron） 5.3.2 BP网络（Back-Propagation） 5.3.3 RBF网络 RBF网络 5.4 反馈网络 5.4.1 Hopfield 网络 异步方式 同步方式 5.4.2 Boltzmann机网络 Boltzmann机网络的结构 5.4.3 自组织特征映射网络 5.5 神经网络控制 5.5.1 参数估计自适应控制系统 5.5.2 前馈控制系统 5.6 NN与GA的系统思维特性 同步方式对连接权的要求更高，若不满足非负定对称阵的要求，则网络可能出现自持振荡，即极限环。 异步工作方式比同步方式有更好的稳定性，实用时多采用异步工作方式。其缺点是，失去了神经网络并行处理的优点。 神经网络是由大量神经元组成的动力学系统。从统计观点分析，可寻找网络系统中某神经元状态的概率分布，分布的形式与网络结构有关，其参数则是权系数。 G.E.Hinton等人借助统计物理学方法提出了Bolzmann模型，Boltzmann机可用于模式分类、预测、组合优化及规划等方面。 Boltzmann机网络是一个相互连接的神经网络模型（简称BM网络）如下图，具有对称的连接权系数，即?ij=?ji，且?ii= 0。 ui uo Boltzmann机的一种连接模式 每个神经元都根据自己的能量差ΔEi随机地改变自己或为1或为0的状态，即当神经元的输入加权和发生变化时，神经元的状态随之改变。 各单元之间状态的更新是异步的，可用概率来描述。神经元i的输出为1的概率为 神经元i的输出为0时的概率 Boltzmann机的运行分为两个阶段： 第一阶段是学习和训练阶段，即根据学习样本对网络进行训练，将知识分布地存储于网络的连接权中。 第二阶段是工作阶段，即根据输入运行网络得到合适的输出，这实质上是按照某种机制将知识提取出来。 Kohonen网络是一种无教师学习的神经网络，它可以自动地向环境学习，主要用于语言识别、图像压缩、机器人控制、优化问题等领域。这种网络是基于生理学和脑科学研究成果提出来的。 各神经元的连接权值具有一定的分布特性，最近邻的神经元互相激励，而较远的神经元则相互抑制，更远的则具有较弱的激励作用。在受到外界刺激时，在外界最强的地方形成一个气泡，其中的神经元向量会自动调节，直到与输入向量的某一最大主分量相重合为止。 脑有52个分区 自组织特征映射网络是一种具有侧向联想能力的神经网络，其输出节点呈二维阵列分布，如下图。每个输入节点与输出节点之间由可变权值连接。通过某种规则，不断地调整权值，直到在稳定时每一领域的所有节点对某种输入具有类似的输出，并且这种聚类的概率分布与输入模式的分布相近。 输出节点 权向量输入节点 自组织特征映射神经网络 5.5.1 参数估计自适应控制系统 5.5.2 前馈控制系统 若总结点（神经元）数为N，则每个节点有N个输入和一个输出，即所有节点都是一样的，它们之间都可以相互连接。 Hopfield神经网络是典型的反馈型网络。 （2）反馈型神经网络（Feedback NN） 反馈型神经网络 体现神经网络智能特征的主要标志，使神经网络具有自适应、自组织和自学习的能力。 目前神经网络的学习方法有多种，按有无导师来分类，可分为有教师学习，无教师学习和再励学习等几大类。 要使神经网络具有学习能力，就是使神经网络的知识结构变化，目前主要是指通过一定的学习算法实现对权值的调整，使其达到具有记忆、识别、分类、信息处理和问题优化求解等功能。 一种联想式学习方法。两个神经元同时处于激发状态时，它们之间的连接强度将得到加强。 设误差准则函数如下： 则学习的基本思想是沿着E的负梯度方向不断修正W值，直到E达到最小。 5.3.1 感知器 5.3.2 B