单神经元自应控制.pptVIP

单神经元自适应控制器的设计 研究目的: 神经网络具有自适应和自学习能力,单神经元的权值系数可以进行在 线的修正,通过不断的调整权值系数从使其达到最优值,以达到改善控制 系统的控制性能的目的。 本文通过对单神经元自适应PD控制器作了仿真研究,观其神经网络 对PD控制的优点和神经网络控制的自适应特点。 神经网络的理论基础: 单层感知器如左图 y 感知器的输出 W 式中的1是感知器的第个输入,41=0.=-(阈值) 单层感知的值权可以通过学习进行调整,学习采用有教师的算法,算法步骤如下: 1)设定权系初值w/(O)(=0.L,2…m)为较小的随机非零值 2)给定输入/输出样本对,即教师信号up/dp(p-12,…,L)。 )dn=+1(un∈A)dn=-l(an∈B) 其中的4p=1 3)则感知器的输出为: y,(1)=f(w(t)n) 4)权值调整 wi (t+)=w, ()+nld -y (t)kip 式中,t:第t次调整权值,η学习速率,αη=1,用于控制权值调整速度 5)若y2()=d,学习结束,否则返回(3) 学习结束后网络将样本模式以连接权和阈值的形式分布记忆储存于网络中。 神经网络的学习规则 学习规则是修正神经元之间的连接强度或加权系数的算法,使获得的知识结构适应 周围环境的变化,学习过程由学习期和工作期两部分组成。学习规则可以分为:无 监督学习和有监督学习。 有