智能控制第3章人工神经元网络控制论-网络模型.pptVIP

网络模型 算例 A=B=D=500， C=200， RakCak=1, O0=0.02 微分方程的初值选为： Oak=O00+δOak 其中： O00为常数项，满足在t=0时， 以利于收敛； δOak是扰动项，其取值范围为： -0.1O0≤??Oak≤0.1O0 优化结果 3.3.3 回归（Recurrent）神经网络 与Hopfield神经网络非常相似。 保留了部分前向传播网络的特性又具备部分Hopfield网络的动态联想记忆能力。 Pineda在1987年首先将传统的BP学习算法引入到回归神经网络中来，并提出回归反向传播算法。 离散型回归神经网络(DTRNN) 神经元模型： 其中： N是神经网络的输出节点数， M是输入矢量X的维数 网络结构 学习方法1 展成多层前向网络 学习方法2 迭代学习算法 梯度下降法实现 流程 权系数矩阵W初始化,置k=1; 取下一组训练样本集，置 所有状态为零，所有 迭代： * 3.3.1 带时滞的多层感知器网络 有两种实现： 无输出反馈 有输出反馈 带时滞的多层感知器网络1 图3-20 时滞神经网络结构 带时滞的多层感知器网络2 图3-21 带反馈时滞神经网络结构 3.3.2 Hopfield神经网络