12.神经网络预测讲解.pptVIP

12、神经网络预测法 人工神经网络Artificial Neural Netwroks -----ANN ;1. 引 言;2. 人工神经网络概述 ;神经网络原理 神经生理学和神经解剖学的研究表明，人脑极其复杂，由一千多亿个神经元交织在一起的网状结构构成，其中大脑皮层约140亿个神经元，小脑皮层约1000亿个神经元。 人脑能完成智能、思维等高级活动，为了能利用数学模型来模拟人脑的活动，导致了神经网络的研究。 神经系统的基本构造是神经元(神经细胞)，它是处理人体内各部分之间相互信息传递的基本单元。 每个神经元都由一个细胞体，一个连接其他神经元的轴突和一些向外伸出的其它较短分支—树突组成。;; 神经元由四部分构成： （1）细胞体（主体部分）：包括细胞质、细胞膜和细胞核； （2）树突：用于为细胞体传入信息； （3）轴突：为细胞体传出信息，其末端是轴突末梢，含传递信息的化学物质； （4）突触：是神经元之间的接口（104~105个/每个神经元）。 通过树突和轴突，神经元之间实现了信息的传递。;神经元具有如下功能： (1)?兴奋与抑制：如果传入神经元的冲动经整和后使细胞膜电位升高，超过动作电位的阈值时即为兴奋状态，产生神经冲动，由轴突经神经末梢传出。如果传入神经元的冲动经整和后使细胞膜电位降低，低于动作电位的阈值时即为抑制状态，不产生神经冲动。 (2) 学习与遗忘：由于神经元结构的可塑性，突触的传递作用可增强和减弱，因此神经元具有学习与遗忘的功能。;决定神经网络模型性能三大要素为： (1)?神经元（信息处理单元）的特性； (2)?神经元之间相互连接的形式—拓扑结构； (3)?为适应环境而改善性能的学习规则。;神经网络的分类 目前神经网络模型的种类相当丰富，已有近40余种神经网络模型。 典型的神经网络有多层前向传播网络 （BOP网络）、Hopfield网络、CMAC小脑模型、ART网络、BAM双向联想记忆网络、SOM自组织网络、Blotzman机网络和Madaline网络等。; 根据神经网络的连接方式，神经网络可分为三种形式： （1）前向网络 如图所示，神经元分层排列，组成输入层、隐含层和输出层。每一层的神经元只接受前一层神经元的输入。输入模式经过各层的顺次变换后，由输出层输出。在各神经元之间不存在反馈。感知器和误差反向传播网络采用前向网络形式。;（2）反馈网络 该网络结构在输出层到输入层存在反馈，即每一个输入节点都有可能接受来自外部的输入和来自输出神经元的反馈。这种神经网络是一种反馈动力学系统，它需要工作一段时间才能达到稳定。 Hopfield神经网络是反馈网络中最简单且应用最广泛的模型，它具有联想记忆的功能，如果将Lyapunov函数定义为寻优函数，Hopfield神经网络还可以解决寻优问题。;;图 自组织神经网络;神经网络学习算法 神经网络学习算法是神经网络智能特性的重要标志，神经网络通过学习算法，实现了自适应、自组织和自学习的能力。 目前神经网络的学习算法有多种，按有无导师分类，可分为有导师学习（Supervised Learning）、无导师学习（Unsupervised Learning）和再励学习（Reinforcement Learning）等几大类。 在有导师的学习方式中，网络的输出和期望的输出（即教师信号）进行比较，然后根据两者之间的差异调整网络的权值，最终使差异变小。 在无导师的学习方式中，输入模式进入网络后，网络按照一预先设定的规则（如竞争规则）自动调整权值，使网络最终具有模式分类等功能。 再励学习是介于上述两者之间的一种学习方式。;图 有导师指导的神经网络学习;图 无导师指导的神经网络学习;;神经网络控制的研究领域 ;3 神经网络与其他算法相结合 将神经网络与专家系统、模糊逻辑、遗传算法等相结合，可设计新型智能控制系统。 4 优化计算 在常规的控制系统中，常遇到求解约束优化问题，神经网络为这类问题的解决提供了有效的途径。 目前，神经网络控制已经在多种控制结构中得到应用，如PID控制、模型参考自适应控制、前馈反馈控制、内模控制、预测控制、模糊控制等。;神经网络研究的发展;人工神经网络研究的局限性; 目前，在人工神经网络的实际应用中，绝大部分的神经网络模型是采用BP网络和它的变化形式。BP网络主要用于： ◆ 函数逼近 ◆ 模式识别 ◆ 分类 ◆ 数据压缩; 学习过程由信号的正向传播与反向传播两个过程组成。正向传播