第八章神经网络控制2.pdf

Experimental Course Of Automatic Control Theory **大学 **学院 ** University 实验八：神经网络控制算法实验 第二部分：神经网络控制算法的原理与计算方法 主讲内容 1 BP神经网络的结构与原理 2 BP-PID控制的原理及计算方法 一、BP神经网络的结构与原理 1、BP算法的原理 隐含层 输入层 输出层 BP 算法即反向传播算法 ，是用于前向多层网络 （前馈型 ）的学习算法。它也是一种三层静态前向 x 网络 ，其拓扑结构如右图所示： y 它含有输入层、输出层、隐含层。改变隐含层 的权系数 ，可以改变整个多层神经网络的性能。 权值 设有一个 m 层的神经网络 （假设第 m 层是输出层 ），并在输入层加有样本 X ；设第k 层的 第 i 个神经元的输入总和表示为 Uk ，输出 X k ；从第k-1 层的第 j 个神经元到第 k 层的第 i 个 i i 神经元的权值系数为 W ，各个神经元的激发函数为 f ，则各个变量的关系可用下面数学式表示： ij k k ( ) X i f Ui BP反向传播算法分二步进行 ，即正向传播和反向传播 ，这两个部分的工作过程如下： （1 ）正向传播 输入的样本从输入层经过隐层一层一层进行处理，通过所有的隐含层之后，则传向输 出层；在逐层处理的过程中，每一层神经元的状态只对下一层神经元的状态产生影响。在 输出层把实际输出和期望输出进行比较，如果实际输出不等于期望输出，则进入反向传播 过程。 （2 ）反向传播 反向传播时，把误差信号按原来正向传播的通路反向传回，并对每个隐含层的各个神 经元的权值系数进行修改 ，目的使误差信号趋向最小。 2、BP算法的数学表达 BP 算法的实质是求取误差函数的最小值问题。这种算法采用非线性规划中的最速 下降方法 ，按误差函数的负梯度方向修改权系数。 首先定义输出层的误差函数 e ： 1 2 e (X m −Y ) i i 2 i 其中，Y 是输出单元的期望输出值， m 是实际输出值。 X