神经网络电气与电子测量技术.pdf

神经网络 （一）实验原理 1、单神经元 单个人工神经元的模型结构如图所示，它是一个多输入、单输出的非线性信 息处理单元。 图1 神经元的基本结构 其中，xi(i 1,2, , n) ：从其他神经元传来的输入信号； wi ：从其他神经元到该神经元的连接权值； θi ：神经元的激活 （兴奋）阈值； y i ：神经元 的输出，它可以与其他多个神经元通过权连接； 神经元的输出变换函数，一般为非线性画数，也称为激励函数或响应 f(·) ： 函数。 显然，单神经元模型是一个多输入单输出的非线性阈值器件，其输入、输出 数学表达式可用下式描述； y f (X ) n X wixi  i 1 由此可看出，神经网络的数学模型的基本运算可归结为以下四步； 1 （）权值学习：对每个输入信号进行程度不等的加权计算； 2 （）阈值处理：对每个神经元输入进行程度不等的偏置处理； 3 （）求和运算：进行全部输入信号的组合效果的求和计算； （4 ）映射函数：通过激励函数f () 计算输出结果。 2 、单神经元的PID 控制器设计 神经元作为构成神经网络的基本单元，具有自学习和自适应的能力，而且结 构简单易于计算。传统的PID 调节器也具有结构简单、调整方便和参数整定与 工程指标联系密切等特点。将两者结合，便可以在一定程度上解决传统PID 调 节器不易在线实时整定参数和难于对一些复杂过程和参数慢时变系统进行有效 控制的不足。用神经元实现的自适应PID 控制器结构框图如图所示。 图2 基于单个神经元的PID 控制器框图 r(k) y(k) 图中转换器的输入为设定值 和输出 ，转换器的输出为神经元学习所 需要的状态量 x x x K ， ， 为神经元的比例系数。 1 2 3 。 使用改进的Hebb 学习规则的控制算法及学习算法为： 3 u (k) u(k1) K w 0 (k)xi(k)  i i 1 3 0 w (k) wi(k) / wi(k) i i 1 w 1(k) w1(k1) Pe(k)u(k)[e(k) e(k)] w 2 (k) w2 (k1) Ie(k)u(k)[e(k) e(k)] w 3(k) w3(k1) De(k)u(k)[e(k) e(k)] 式中 x1(k) e(k) x2 (k) e(k) e(k) e(k1) 2 x3(k)  e(k) e(k) 2e(k1) e(k2) 对积分I 、比例P 和微分D 分别采用了不同的学习速率 、 、 ，以使 I P D 对不同的权系数分别进行调整。 3 BP 、 神经网络 BP 算法的基本思想是网络学习过程由信号的正向传播和误差的反向传播两 个过程组成。正向传播时，输入样本从输入层传入，经隐层处理