第五章1神经网络在模糊控制系统中的应用介绍.pptVIP

第5章 神经网络在模糊控制系统中的应用;神经元是以生物神经系统的神经细胞为基础的生物模型，在人们对生物神经系统进行研究和探讨人工智能的机制时，把神经原数学化，从而产生了神经元数学模型。 神经网络模型是一个高度非线性动力学系统，具有并行分布处理、存储及学习能力、高度鲁棒性和容错能力，能充分逼近复杂的非线性关系。因此，用神经网络可以表达物理世界的各种复杂现象。;5.1 神经网络;1949年，心理学家Hebb通过对大脑神经细胞学习和条件反射的观察研究，提出了改变神经元连接强度的Hebb规则。 1957年，Rosenblatt提出了感知器Perceptron模型，试图模拟人脑的感知学习能力，并提出了引入隐层处理单元的三层感知器的概念。 1960年，Widrow和Hoff提出了自适应线性元件Adaline模型及一种有效的学习方法Widrow-Hoff规则。;神经网络从仿生学角度模拟人脑神经系统的运作方式，使机器具有人脑那样的感知、学习和推理能力。 1982年，美国加州工学院的物理学家Hopfield教授提出了HNN模型，使神经网络的研究有了突破性的进展。 它通过引入“能量函数”的概念，给出了网络的稳定性判据。 此外，HNN的电子电路实现为神经计算机研究点定了基础，同时，开拓了神经网络用于联想记忆和优化计算的新途径。;Feldman和Boltzmann提出了连接网络模型，指出了传统的人工智能“计算”和生物“计算”的不同点，给出了并行分布计算的处理原则； Hinton和Sejnowskii借助统计物理学的概念和方法，提出了Boltzmann机神经网络模型，并采用模拟退火技术进行网络的训练，保证了整个网络系统处于全局稳定点。;模拟退火算法来源于固体退火原理，将固体加温至充分高，再让其徐徐冷却，加温时，固体内部粒子随温升变为无序状，内能增大，而徐徐冷却时粒子渐趋有序，在每个温度都达到平衡态，最后在常温时达到基态，内能减为最小。 ;用固体退火模拟组合优化问题，将内能E模拟为目标函数值f，温度T演化成控制参数t，即得到解组合优化问题的模拟退火算法：由初始解i和控制参数初值t开始，对当前解重复“产生新解→计算目标函数差→接受或舍弃”的迭代，并逐步衰减t值，算法终止时的当前解即为所得近似最优解，这是基于蒙特卡罗迭代求解法的一种启发式随机搜索过程。 ;TSP问题的示意图;一个最容易想到的方法排列组合把所有的路径，并逐一比较，选出最小的路径。 该方法理论上可行，但路径的个数与城市的个数成指数增长，当城市个数较大时，该方法的求解时间甚至是不可能完成的。 以每秒1亿次的计算速度来估算，如果TSP问题包含20个城市时，求解时间长达350年；如果要处理30个城市，则求解时间更长达1+10e16年。;求解TSP的模拟退火算法模型可描述如下: 解空间：遍访每个城市恰好一次的所有路径; 　　 目标函数：访问所有城市的路径总长度; 　　 最优路径为目标函数为最小值时对应的路径。 　　 新路径的产生：随机产生1和n之间的两相异数k和m，不妨假设km，则将原路径　(w1,w2,…,wk,wk+1,…,wm,wm+1,…,wn) 变为新路径：(w1,w2,…,wm,wk+1,…,wk,wm+1,…,wn) ;Rumelhart和McClelland以及它们领导的PDP小组致力于认知微观结构的探索，提出了PDP（Parallel ?Distribated ?Processing）理论，同时发展了多层网络的BP学习算法，将神经网络的研究推向了高潮。 PDP模式是一种认知心理的平行分布式模式，接近人类思维推论模式。人脑中知识的表达采用分布式表达结构，人脑的控制实行分布式的控制方式。相互作用、相互限制是PDP模式的基本思想，平行分布是PDP模式的基本构架。 ;这一时期，随着大量开拓性研究工作的深入，研究者们提出了数十种网络结构和学习算法，硬件实现的研究工作也在积极开展。 20世纪90年代以来，神经网络的研究进入了一个空前高涨时期，多数研究集中在网络结构、学习算法和实际应用三个方面，已经广泛地应用于控制领域，尤其是非线性系统领域。神经网络在系统中的应用主要是用作神经网络建模和神经网络控制。;5.1.2 神经元和神经网络;图5.1 生物神经元模型;2)人工神经元模型 神经元模型是模拟生物神经元的结构和功能的数学化模型，一般是一个多输入单输出的信息处理单元。 典型人工神经元模型如图5.2所示。;图5.2 人工神经元模型;该神经元的数学模型表达式为： 对于激发函数f(·)有多种形式，其中常用的有如下3种：;图5.3 常用激发函数;(2)人工神经网络 人工神经网络是生物神经网络的一种模拟近似。以下介绍几种典型的人工神经网络及其在模糊控制方面的应用。 1)神经网络模型 通常可