安徽建筑大学。智能控制管控。第四章.pptVIP

第4章 神经控制;主要内容：;1、神经网络原理; 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。; 从生物控制论的观点来看，神经元作为控制和信息处理的基本单元，具有下列一些重要的功能与特性：; 人工神经网络（Neural Network）是模拟人脑思维方式的数学模型。; 神经网络的发展历程经过4个阶段。 （1）启蒙期（1890-1969年） 1890年，W.James发表专著《心理学》，讨论了 脑的结构和功能。 1943年，心理学家W.S.McCulloch和数学家W.Pitts提出了M-P模型（第一个神经网络模型）。 1949年，心理学家Hebb实现了Hebb学习法则。 1958年，E.Rosenblatt提出了著名的感知机模型（Perceptron）。 1962年，Widrow和Hoff提出了自适应线性神经网络。 ;;3、人工神经元模型;其输入、输出关系可描述为 其中， 是从其他神经元传来的输入信号； 表示从神经元j到神经元i的连接权值； 为阈值； 称为激发函数或作用函数（一般具有非线性特性）;常用的神经元非线性特性有以下三种： （1）阈值型 阈值型函数;（2）分段线性型;（3）Sigmoid函数型;4、人工神经网络的分类;（1）前馈型神经网络;（2）反馈型神经网络 ;(3) 自组织网络 Kohonen网络是最典型的自组织网络。当神经网络在接受外界输入时，网络将会分成不同的区域，不同区域具有不同的响应特征，即不同的神经元以最佳方式响应不同性质的信号激励，实际上是一种非线性映射。这种映射是通过无监督的自适应过程完成的，所以也称为自组织特征图。;1、有监督学习方式; 无导师信号提供给网络，神经网络仅仅根据其输入调整连接权系数和阈值，此时，网络的学习评价标准隐含于内部。其结构见下图。这种学习方式主要完成聚类操作。 ;神经网络中常用的几种最基本的学习方法 ;（2）Delta（δ）学习规则 δ规则实现了E中的梯度下降，因此使误差函数达到最小值。但δ学习规则只适用于线性可分函数，无法用于多层网络。BP网络的学习算法称为BP算法，是??δ规则基础上发展起来的，可在多网络上有效地学习。 （3）概率式学习 从统计力学、分子热力学和概率论中关于系统稳态能量的标准出发，进行神经网络学习的方式称概率式学习。它是基于模拟退火的统计优化方法，因此又称模拟退火算法。 ;6、典型的神经网络 ;BP网络特点 （1）是一种多层网络，包括输入层、隐含层和输出层； （2）层与层之间采用全互连方式，同一层神经元之间不连接； （3）权值通过δ学习算法进行调节； （4）神经元激发函数为S函数； （5）学习算法由正向传播和反向传播组成； （6）层与层的连接是单向的，信息的传播史双向的。 ; BP网络具有很好的逼近非线性映射的能力，该网络在模式识别、图像处理、系统辨识、函数拟合、优化计算、最优预测和自适应控制等领域有着较为广泛的应用。 由于BP网络具有很好的逼近特性和泛化能力，可用于神经网络控制器的设计。但由于BP网络收敛速度慢，难以适应实时控制的要求。 ;（2）RBF神经网络 径向基函数(RBF-Radial Basis Function) 具有单隐层的三层前馈网络。由于它模拟了人脑中局部调整、相互覆盖接收域（或称感受野-Receptive Field）的神经网络结构，因此，RBF网络是一种局部逼近网络，已证明它能任意精度逼近任意连续函数。;RBF网络结构 RBF网络是一种三层前向网络，由于输入到输出的映射是非线性的，而隐含层空间到输出空间的映射是线性的，从而可以大大加快学习速度并避免局部极小问题。;RBF网络特点 (1) RBF网络的作用函数为高斯函数，是局部的，BP网络的作用函数为S函数，是全局的； (2) 如何确定RBF网络隐层节点的中心及基宽度参数是一个困难的问题； (3) 已证明RBF网络具有唯一最佳逼近的特性，且无局部极小。;7、神经控制的基本原理;神经网络在控制中主要起以下作用： (1)在基于精确模型的各种控制结构中充当对象的模型； (2)在反馈控制系统中直接充当控制器的作用； (3)在传统控制系统中起优化计算作用； (4)在与其它智能控制方法和优化算法相融合中, 为其提供对象模型、优化参数、推理模型及故障诊断等。 ;