第6沼肼 先进控制技术2.ppt

第六章 先进控制技术; 6.1 模糊控制技术 6.2 神经网络控制技术 6.3 专家控制技术 6.4 预测控制技术 6.5 其它先进控制技术;6.2 神经网络控制技术 ;一、神经网络的产生与发展二、神经网络的特性与功能;一、神经网络的产生与发展; 神经网络系统理论与技术发展大体分三方面： 1. 硬件技术 目前一些先进国家已实现了1000多个神经元的神经网络系统。 2. 神经网络系统理论;人工神经网络定义;二、神经网络的基本特性与功能;2. 神经网络的功能 联想记忆功能 非线性映射功能 分类与识别功能 优化计算功能 知识处理功能;联想记忆功能;非线性映射功能;分类与识别功能;优化计算功能;知识处理功能;一、生物神经元及其信息处理二、人工神经元模型及人工神经网络模型三、多层感知器与BP算法四、 Hopfield网络;一、生物神经元及其信息处理; 人类大脑大约包含有1.4?1011个神经元，每个神经元与大约103～105个其它神经元相连接，构成一个极为庞大而复杂的网络，即生物神经网络。;1. 生物神经元的结构;Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile 5.2.0.0. Copyright 2004-2011 Aspose Pty Ltd.;Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile 5.2.0.0. Copyright 2004-2011 Aspose Pty Ltd.;2. 生物神经元的信息处理机理;;（2）信息的传递与接收;（3）信息的整合;3. 生物神经网络;二、人工神经元模型及人工神经网络模型; 神经元及其突触是神经网络的基本器件。因此，模拟生物神经网络应首先模拟生物神经元。在人工神经网络中，神经元常被称为“处理单元”。有时从网络的观点出发常把它称为“节点”。人工神经元是对生物神经元的一种形式化描述。;;（1）神经元的数学模型;（2）神经元的转移函数;2）非线性转移函数;;3）分段线性转移函数;（1）前向网络（层次型结构）;（2）（反馈网络）输出层到输入层有连接;（3）（相互结合型网络）全互连型结构;（4）（混合型网络）层内有连接的层次型结构; 神经网络能够通过对样本的学习训练，不断改变网络的连接权值以及拓扑结构，以使网络的输出不断地接近期望的输出。这一过程称为神经网络的学习或训练，其本质是可变权值的动态调整。;神经网络的主要学习算法 有师学习 有师学习算法能够根据期望的和实际的网络输出（对应于给定输入）间的差来调整神经元间连接的强度或权。 无师学习 无师学习算法不需要知道期望输出。 强化学习 强化学习算法采用一个“评论员”来评价与给定输入相对应的神经网络输出的优度（质量因数）;三、多层感知器与BP算法;设输入向量X=(x1 ,x2)T;w1jx1+w2jx2-Tj=0;设输入向量X=(x1, x2, x3)T;w1jx1+w2jx2+w3j –Tj=0;设输入向量X=(x1，x2,…，xn)T;（1）基于BP算法的多层前馈网络模型;BP网络的示意图;输入向量： X=(x1,x2,…,xi,…,xn)T 隐层输出向量： Y=(y1,y2,…,yj,…,ym)T 输出层输出向量： O=(o1,o2,…,ok,…,ol)T 期望输出向量：d=(d1, d2,…,dk,…,dl)T 输入层到隐层之间的权值矩阵：V=(V1,V2,…,Vj,…,Vm) 隐层到输出层之间的权值矩阵用：W=(W1,W2,…,Wk,…,Wl);对于输出层：;输出误差E定义为：;（2）BP学习算法的权值调整思路;权值调整思路:;（3）BP学习算法的计算步骤 1) 初始化 置所有权值为较小的随机数 2) 提供训练集 3) 计算实际输出 计算隐含层、输出层各神经元输出 4) 计算目标值与实际输出的偏差E 5) 计算 6) 计算 7) 返回“2）”重复计算，直到误差满足要求为止 ;Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile 5.2.0.0. Copyright 2004-2011 Aspose Pty Ltd.;（4）标准BP算法的改进;1) 增加动量项;3) 引入陡度因子;四、Hopfiel