第8篇 章 高级神经网络 智能控制第二版PPT.ppt

第8章 高级神经网络;8.1 模糊RBF网络 在模糊系统中，模糊集、隶属度函数和模糊规则的设计是建立在经验知识基础上的。这种设计方法存在很大的主观性。将学习机制引到模糊系统中，使模糊系统能够通过不断学习来修改和完善隶属函数和模糊规则，是模糊系统的发展方向。 ; 模糊系统与模糊神经网络既有联系又有区别，其联系表现为模糊神经网络在本质上是模糊系统的实现，其区别表现为模糊神经网络又具有神经网络的特性。 神经网络与模糊系统的比较见表8-1。模糊神经网络充分地利用了神经网络和模糊系统各自的优点，因而受到了重视。 ;? ; 将神经网络的学习能力引到模糊系统中，将模糊系统的模糊化处理、模糊推理、精确化计算通过分布式的神经网络来表示是实现模糊系统自组织、自学习的重要途径。在模糊神经网络中，神经网络的输入、输出节点用来表示模糊系统的输入、输出信号，神经网络的隐含节点用来表示隶属函数和模糊规则，利用神经网络的并行处理能力使得模糊系统的推理能力大大提高。 ; 输出层(o); 模糊RBF网络中信号传播及各层的功能表示如下： 第一层：输入层 该层的各个节点直接与输入量的各个分量连接，将输入量传到下一层。对该层的每个节点i的输入输出表示为：;第二层：隶属函数层，即模糊化层 该层的每个节点具有隶属函数的功能，采用高斯函数作为隶属函数。对第j个节点： 其中 和 分别是第i个输入变量的第j个模糊集合高斯函数的均值和标准差。;第三层：规则层，即模糊推理层 该层通过与模糊化层的连接来完成模糊规则的匹配，各个节点之间实现模糊运算，即通过各个模糊节点的组合得到相应的点火强度。每个节点j的输出为该节点所有输入信号的乘积，即;, ; 在此模糊神经网络中，可调参数有三类：一类为规则的权系数 ；第二类和第三类为高斯函数的均值 和标准差 ，即输入隶属函数的参数。 8.1.2 基于模糊RBF网络的逼近算法 采用模糊RBF网络逼近对象，取网络结构为2-4-1，如图8-2所示。 ;图8-2 模糊RBF神经网络逼近; 取 ， 和 分别表示网络输出和理想输??。网络的输入为u(k)和y(k)，网络的输出为 ，则网络逼近误差为： 采用梯度下降法来修正可调参数，定义目标函数为： ; 网络的学习算法如下： 输出层的权值通过如下方式来调整:;输入隶属函数参数修正算法为： ;隶属函数参数学习算法为： ;8.1.3 仿真实例;8.2 Pi-Sigma神经网络? 神经模糊建模是近年来基于模糊集理论发展起来的一种新的方法。 模糊建模技术缺点是过分地依赖隶属函数的准确性。采用高木-关野模糊系统，用一种混合型的pi-sigma神经网络，可以建立一种自适应能力很强的模糊模型。这种模型不但实现了模糊模型的自动更新，而且能不断修正各模糊子集的隶属函数，使模糊建模更具合理性。;? 8.2.1???高木-关野模糊系统 在高木-关野模糊系统中，高木和关野用以下“ ”规则的形式来定义模糊系统的规则： ; 对于输入向量，高木-关野模糊系统的各规则输出 等于各 的加权平均： ;8.2.2 混合型pi-sigma神经网络 ? 常规的前向型神经网络含有求和节点，这给处理某些复杂问题带来了困难。一种基于混合型pi-sigma神经网络模型如图8-5所示，在该网络中，输入神经元有4个，S、P和·分别表示相加、相乘和相乘运算。;图8-5 具有4个输入的混合型pi-sigma神经网络; 显然，这种结构的神经网络属于高木-关野模糊系统。采用该网络实现的模糊系统可方便地在线修正隶属函数和参数，适合于复杂系统的模糊预测和控制。 为方便神经网络的学习，各模糊子集的隶属函数均取高斯型，即： ;混合型pi-sigma神经网络学习算法： 假设网络的期望输出为 定义代价函数： ;其中 ;对 有： ;;其中α、β为学习速率。 ;8.2.3 仿真实例 使用混合型pi-sigma神经网络逼近对象： ;8.3 小脑模型神经网络 8.3.?1 CMAC概述 ? 小脑模型神经网络（CMAC-Cerebellar Model Articulation Controller）是一种表达复杂非线性函数的表格查询型自适应神经网络，该网络可通过学习算法改变表格的内容，具有信息分类存储的能力。 ; CMAC已被公认为是一类联想记