智能控制_05神经网络1.pptVIP

智能控制系统 天津大学电气与自动化工程学院 1. 神经网络的基本概念 基于人工神经网络的控制简称神经控制。神经网络是由大量人工神经元广泛互联而成的网络，具有很强的自适应性和学习能力、非线性映射能力、鲁棒性和容错能力。 1.1 生物神经元模型 人脑大约包含1012个神经元，分成约1000种类型，每个神经元大约与102～104个其他神经元相连接，形成极为错综复杂而又灵活多变的神经网络。 1. 神经网络的基本概念 神经元的功能与特性 时空整合功能：对不同时间不同突触的输入进行整合 兴奋与抑制状态：输入——膜电位—— 输出 脉冲与电位转换 ：数模转换 神经纤维传导速度：1-150m/s 突触延时和不应期:突触的不应期 学习、遗忘和疲劳：突触的传递作用可增强、减弱或饱和 1. 神经网络的基本概念 1.2 人工神经元模型 人工神经元是对生物神经元的一种模拟与简化，是一个多输入、单输出的非线性元件。 人工神经元输入、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。 为了方便起见，常把 看成是恒等于1的输入 的权值，则人工神经元的模型可以写为： 其中 输出激发函数 又称为变换函数，它决定神经元（节点）的输出。该输出为1或0，取决于其输入之和大于或小于内部阈值, 一般具有非线性特性。 1. 神经网络的基本概念 1. 神经网络的基本概念 1.3 人工神经网络模型 利用人工神经元可以构成各种不同拓扑结构的神经网络，它是生物神经网络的一种模拟和近似。目前已有数十种不同的神经网络模型，其中前馈型网络和反馈型网络是两种典型的结构模型。 前馈型神经网络，又称前向网络（Feedforward NN）。神经元分层排列，有输入层、隐层（亦称中间层，可有若干层）和输出层，每一层的神经元只接受前一层神经元的输入。 Hebb学习规则 两个神经元同时处于激发状态时，它们之间的连接强度将得到加强，这一论述的数学描述被称为Hebb学习规则 。 Hebb学习规则是一种无教师的学习方法。 1. 神经网络的基本概念 Delta（）学习规则 定义误差准则函数 其中 代表期望的输出（教师信号）； 是网络的实际输出, 连接权阵的更新规则为 1. 神经网络的基本概念 学习规则是一种有教师的学习方法。 BP算法是在δ规则基础上发展起来的。 概率式学习 竞争式学习 2.前向网络及其主要算法 2.1 感知器（Perceptron） 特点: 单层神经元。主要用于模式分类。 结构：输入向量 ， 为网络输出。 2.前向网络及其主要算法 分类：当输入向量属于某一类时，该类对应的输出量yp=1，其余输出量yq(q=1…p-1，p+1…m)= -1 分类是由单个神经元完成的，可以研究其中一个： 2.前向网络及其主要算法 学习算法 随机给定一组初始权值 ，这里 表示在k时刻连接第i个输入量 的权值 。 给定一组输入样本 和期望输出量d(当输入量属于某一类 ，其他类则 ) 计算感知器实际输出 2.前向网络及其主要算法 修正权值 学习速率 太大易震荡，太小则学习太慢。 继续重复学习过程，直到权值稳定为止。 选取另外一组样本继续学习，直到对所有样本都稳定为止。 天津大学自动化学院 * 五 神经网络的基本概念 1 前向网络及其主要算法 2 反馈网络 3 神经网络模型辨识 4 第三章 神经网络控制 神经网络控制 5 1. 神经网络的基本概念 树突：接受信息 轴突：发送信息 神经元：控制和信息处理的基本单元 图3-1 生物神经元结构 图3-2 人工神经元结构模型 1. 神经网络的基本概念 1. 神经网络的基本概念 图3-3 常见的激发函数 阈值型函数 阈值型函数 饱和型函数 双曲函数 S型函数 高斯函数 图3-4 前馈型神经网络结构 前馈网络是一种强有力的学习系统，其结构简单而易 于编程； 前馈网络是静态非线性映射，通过简单非线性处理单 元的复合映射，可获得复杂的非线性处理能力。