模糊控制技术第8章神经模糊控制.ppt

　　　　　　8.1 神经网络基础8.1.1 神经元　　神经网络的基本组成单元是神经元，数学上的神经元模型和生物学上的神经细胞是对应的。或者说，人工神经网络理论用神经元这种抽象的数学模型来描述客观世界的生物细胞。　　很明显，生物的神经细胞是神经网络理论诞生和形成的物质基础和源泉。这样，神经元的数学描述就必须以生物神经细胞的客观行为特性为依据。因此，了解生物神经细胞的行为特性是必要的。 　　神经网络的拓扑结构也是以生物学中神经细胞互连的方式为依据的。 神经元是神经网络的基本元素，只有了解神经元，才能认识神经网络的本质。下面介绍神经元的生物学内容、信息的处理与传递方式、工作功能及其数学模型。 　　1. 神经元的生物学内容　　在人体内，神经元的结构形式并非是完全相同的。但是，无论其结构形式如何，神经元都是由一些基本的成分组成的。生物神经元如图8.1所示。从图中可以看出，神经元由细胞体、树突和轴突三部分组成。 　　1) 细胞体 　　细胞体是由很多分子形成的综合体，内部含有一个细胞核、核糖体、原生质网状结构等，它是神经元活动的能量供应地，在这里进行新陈代谢等各种生化过程。　　2) 树突　　细胞体的伸延部分产生的分枝称为树突，树突是接受从其他神经元传入信息的入口。 　　3) 轴突　　细胞体突起的最长的外伸管状纤维称为轴突。轴突最长可达1 m以上。轴突是把神经元兴奋的信息传到其他神经元的出口。突触是一个神经元与另一个神经元之间相联系并进行信息传送的结构。突触的存在说明，两个神经元的细胞质并不是直接连通的，两者彼此联系是通过突触这种结构接口的。有时，也把突触看做是神经元之间的连接。一个轴突的输出可能会传递给成百上千个下一级神经元，因此单个神经元可以看做是一个多输入单输出信息处理单元。 　　2. 神经元的数学模型　　从神经元的特性和功能可以知道，神经元是一个多输入单输出的信息处理单元，而且，它对信息的处理是非线性的。根据神经元的特性和功能，可以把神经元抽象为一个简单的数学模型。工程上用的人工神经元模型如图8.2所示。　　在图8.2中，x1，x2，…，xn 是神经元的输入，即是来自前级n个神经元的轴突的信息； θi是i神经元的阈值；wi1，wi2，…，win 分别是神经元i对输入x1，x2，…，xn的权系数，也即突触的传递效率； yi是神经元i的输出； f[·]是激发函数，它决定i神经元受到输入x1，x2，…，xn的共同刺激达到阈值时以何种方式输出。 　　从图8.2的神经元模型可以得到神经元的数学模型表达式： 显然，对于阶跃型激发函数有 　　对于阶跃型激发函数，它的输出是单位脉冲，故而这种激发函数的神经元称离散输出模型。对于线性型激发函数，它的输出是与输入的激发总量成正比的，故这种神经元称线性连续型模型。对于用S型激发函数，它的输出是非线性的，故这种神经元称为非线性连续型模型。　　上面所叙述的是最广泛应用而且人们最熟悉的神经元数学模型，也是历史最长的神经元模型。近年来，随着神经网络理论的发展，出现了不少新的神经元数学模型，包括逻辑神经元模型、模糊神经元模型等，它们也渐渐地受到人们的关注和重视。 8.1.2 人工神经网络　　神经元和神经网络的关系是元素与整体的关系。神经元的结构很简单，工作机理也不深奥。但是用神经元组成的神经网络就非常复杂，其功能也十分奥妙。神经元通过不同的方式连接和传递信息，能形成多种多样的神经网络结构，创造出令人赞叹的神奇功能。　　1. 神经网络　　神经网络就是由许多神经元互连在一起所组成的神经结构。把神经元之间相互作用的关系进行数学模型化就可以得到神经网络模型。神经网络在目前已有几十种不同的模型。人们从不同的角度对神经网络进行分类，通常可按5个原则进行神经网络的归类。 　　按照网络的结构区分，有前向网络和反馈网络；按照学习方式区分，则有有教师学习网络和无教师学习网络；按照网络性能区分，有连续型网络和离散型网络，随机型网络和确定型网络；按照突触性质区分，有一阶线性关联网络和高阶非线性关联网络；按对生物神经系统的层次模拟区分，则有神经元层次模型、组合式模型、网络层次模型、神经系统层次模型和智能型模型。　　通常，人们较多地考虑神经网络的互连结构。一般而言，神经网络有前向网络、反馈网络、网状结构网络及混合型网络等4种互连结构，如图8.4、图8.5、图8.6及图8.7所示。 　　(1) 前向网络(前馈网络)。前向网络通常包含许多层，图8.4所示为三层网。其特点是只有前后两层之间神经元相连接，各神经元之间没有反馈。每个神经元可以从前一层接收到多个输入，并只有一个输出送给下一层各神经元。　　(2) 反馈网络。反馈网络输出层到输入层有反馈，即每一个节点同时接收外来输入和来自其他节点的反馈输入，其中