神经元控制.pptVIP

神经元网络控制 第一章 概论 人工神经网络的特点 人工神经网络 是由人工神经元互联组成的网络，从微观结构和功能上对人脑的抽象、简化，是模拟人类智能的一条重要途径。 人工神经网络 反映了人脑功能的若干基本特征，如，并行信息处理、学习、联想、模式分类、记忆等。 神经网络控制取得的进展 神经网络用于控制领域，取得了如下进展。 1. 神经网络系统辩识：重点在于非线性系统的建模与辨识。 2. 神经网络控制：对不确定、不确知系统及扰动进行有效的控制，使控制系统达到所要求的特性。 3. 神经网络与其它算法结合：与专家系统、模糊逻辑、遗传算法等相结合，为系统提供非参数模型、控制器模型。 4. 优化计算 5. 控制系统的故障诊断 本课程介绍前三个方面的问题 神经网络控制属于智能控制 由于神经网络具有模拟人的部分智能的特性，因此， 神经网络控制 是具有学习能力的，对环境的变化具有自适应性，成为基本上不依赖于模型的一类控制。 神经网络控制 主要解决非线性系统的控制问题。 能学习、自适应性、非线性控制是神经网络控制的特点。 神经网络控制属于智能控制 第二章 神经网络理论基础 引 言 2.1生物神经元和人工神经元模型 2.1生物神经元和人工神经元模型 一 生物神经元的结构 二、 神经元功能 三、人工神经元模型 MP模型 MP模型 其他形式的作用函数 不同的作用函数，可构成不同的神经元模型 3．对称型阶跃函数 非线性激励函数 S型(Sigmoid)函数的特点 2.2 人工神经网络 一、神经网络连接结构 单层神经元网络连接结构 输入、权值、输出矩阵 多层神经元网络结构 二、神经网络的信息处理和存储 神经网络与传统计算机的比较 三、神经网络的学习和训练 神经网络的学习方法之一 神经网络的学习方法之二、三 四、神经网络学习算法基础 两种基本的学习算法 神经网络的计算过程 五、神经网络的类型 六、人工神经网络与自动控制 人工神经网络在控制系统中的应用 人工神经网络的主要应用领域 2.3 多层前馈网络与BP学习算法 一、BP学习算法的基本思想 二、BP学习算法框图 三、BP学习算法步骤⑴ 三、BP学习算法步骤⑵ 三、BP学习算法步骤⑶ 三、BP学习算法步骤⑷ 四、BP学习算法有关的几个问题 四、BP学习算法有关的几个问题 四、BP学习算法有关的几个问题 四、BP学习算法有关的几个问题 EBP学习算法示意图⑴ EBP学习算法示意图⑵ 五、BP网络的设计 网络的层数 隐含层的神经元数 初始权值的选取 学习速率 EBP算法学习速率的调整 期望误差的选取 六、基于MATLAB的BP网络程序设计 ⒈网络结构设计 ⒉程序设计⑴ ⒉程序设计⑵ ⒉程序设计⑶ ⒊讨论 ⑴隐节点数n1及训练参数tp ⑵隐结点数对训练误差的影响 ⑶学习率对训练速度及稳定性的影响 ⑷过度拟合与泛化能力 Widrow-Hoff(威德罗-霍夫)规则,又称作Delta规则 若定义 则有 修正量与目标活跃值和实际的活跃值之差(或称Delta)成正比 Grossberg规则—相近学习规则 Delta规则可由二次误差函数的梯度法导出，故Delta规则实际上是一种梯度方法。 用于ART、SOFM等自组织竞争型网络的学习 无论是在训练（慢过程）学习中，还是在快过程识别中，神经元的计算过程都是一样的。神经元从环境中或是从其它神经元接收信息，利用传播规则将这些接收到的信息融合成一总的输入值，这一输入值和神经元原来的活跃值在活跃规则的作用下形成神经元新的活跃状态，输出函数根据神经元新的活跃状态产生神经元的输出；这一输出值又传送给网络中的其它神经元。系统的计算实际上是信息在神经网络中沿神经元之间的连接流动并通过神经元作相应的处理而完成的。这个过程也就是一个信息传递和神经元状态变换的过程。 神经网络可以分成以下四种类型 前向型 反馈型 随机型 竞争型 BP前向神经网络是中广为应用的一种网络，其原理及算法也是某些其他网络的基础。还有辐射基函数(RBF)神经网络。 Hopfield神经网络用于非线性动力学问题分析。已在联想记忆和优化计算中得到成功的应用。 具有随机性质的模拟退火(SA)算法解决了优化计算过程陷于局部极小的问题，并已在神经网络的学习及优化计算中得到成功的应用。 竞争型网络的特点是能识别环境的特征,并自动聚类。广泛用于自动控制、故障诊断等各类模式识别中。 人工神经网络对自动控制具有多种有吸引力的特点，主要有： ⑴它能以任意精度逼近任意连续非线性函数。 ⑵对复杂不确定问题具有自适应和自学习能力。 ⑶它的信息处理的并行机制可以解决控制系统中大规模实时计算问题，而且并行机制中的冗余性