模煳控制第五章 神经网络在模糊控制系统中应用.pptVIP

图5.7 规则节点合并示例 (5.20) (5.21) (5.22) (5.23) (5.24) 系统输出误差反向传播到上一层的广义误差δ(5)为： (5.25) 如果输出语言变量有m个，则 (5.28) (5.26) (5.27) * * 模糊控制技术 第5章 神经网络在模糊控制系统中的应用 5.1 神经网络 5.1.1 人工神经网络的起源和发展 5.1.2 神经元和神经网络 神经元模型 生物神经元模型 图5.1 生物神经元模型 人工神经元模型 图5.2 人工神经元模型 图5.3 常用激发函数 人工神经网络 神经网络模型 通常可按以下5个原则进行神经网络的归类： 按照网络的结构区分，则有前向网络和反馈网络。 按照学习方式区分，则有有教师学习和无教师学习网络。 按照网络性能区分，则有连续型和离散型网络，随机型和确定型网络。 按照突触性质区分，则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。 前向网络 反馈网络 相互结合型网络 混合型网络 神经网络学习算法 神经网络学习算法分为两大类：有教师学习和无教师学习。 图5.4 神经网络结构示意图 5.1.3 人工神经网络的特点及类型 人工神经网络的特点 非线性 非局域性 非定常性 非凸性 具有泛化功能 具有自适应功能 高度并行处理 人工神经网络的类型 Hopfield网络 BP网络 Blotzman机 ART网络 5.1.4 典型的人工神经网络 Hopfield网络 离散型Hopfield网络 连续型Hopfield网络 BP多层神经网络 函数逼近 模式识别 分类 数据压缩 图5.5 多层网络及BP算法 BP算法的原理 设有一个m层的神经网络，并在输入层加有样本X，设第k层的i神经元的输入总和表示为 、输出 ；从第k -1层的第 j 个神经元到第k层的第i个神经元的权系数为ωij，各个神经元的激发函数为 f ，则各个变量的关系可用下面有关的数学式表示： (5.1) (5.2) ①正向传播 ②反向传播 2)BP算法的数学表达 多层网络的训练方法是把一个样本加到输入层，并根据向前传播的规则： (5.3) (5.4) 把 和期望输出yj进行比较，如果两者不等，则产生误差信号e，接着则按下面的公式反向传播修改权系数： 3)BP算法的执行步骤 ①对权系数ωij置初值 (5.5) (5.6) ②输入一个样本X=(x1，x2，…，xn，1)以及对应期望输出Y=(y1， y2， …，yn)。 ③计算各层的输出 (5.7) (5.8) (5.9) (5.10) (5.11) (5.12) 当求出了各层各个权系数之后，可按给定品质指标判别是否满足要求。如果满足要求，则算法结束；如果未满足要求，则返回③执行。 BP网络的设计 设计BP网络时，一般应从以下几方面考虑： ①网络的层数 ②隐层的神经元数 ③初始权值的选取 ④学习速率 ⑤期望误差的选取 5.2 模糊神经网络 5.2.1 神经网络与模糊逻辑 5.2.2 模糊神经网络 模糊神经网络的结构 神经元的激发函数是神经元输入函数响应 f的函数，即 (5.13) 图5.6 模糊神经网络的结构图 为了满足模糊控制的要求，对每一层的神经元函数应有不同的定义： 第一层，这一层的节点只是将输入变量值直接传送到下一层。所以 第二层，如果采用一个神经元节点来实现语言值的隶属度函数变换，则这个节点的输出就可以定义为隶属度函数的输出，如钟型函数就是一个很好的隶属度函数。 第三层，这一层的功能是完成模糊逻辑推理条件部的匹配工作。因此，由最大、最小推理规则可知，规则节点实现的功能是模糊“与”运算，即 第四层，在这一层上的节点有两种操作模式：一种是实现信号从上到下的传输模式；另一种是实现信号从下到上的传输模式。 第五层，在这一层中有两类节点：一类节点执行从上到下的信号传输方式，实现了把训练数据反馈到神经网络中去的目的，对于这类节点，其神经元节点函数定义为： 下列函数可以用来模拟重心法的解模糊运算： 模糊神经网络的学习方法 为此必须首先确定和提供： 初始模糊神经网络结构； 输入、输出样本训练数据； 输入、输出语言变量的模糊分区(如每一输入输出变量语言值的多少等)。 自组织学习阶段 Kohonen自组织学习算法计算隶属度函数中心值mi的公式为： 此语言变量语言值所对应的宽度σi的计算通过下列目标函数的极小值来获取的，即 (5.14) (5.15) (5.16) 自组织学习法只是找到语言变量的初始分类估计值，一般采用一阶最近邻域法求取： (5.