神经网络ppt课件.pptxVIP

1;; 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;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; 1.3 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。 ; 图3-4 前馈型神经网络结构; 图3-5 反馈型神经网络结构; 反馈神经网络是一种反馈动力学系统，它需要工作一段时间才能达到稳定。 Hopfield神经网络是反馈网络中最简单且应用广泛的模型，它具有联想记忆的功能。 ;1. 神经网络的基本概念;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。;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??, 连接权阵的更新规则为 ; 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 遗传算法，DE算法 等等。 ;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。; 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：; 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 ;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。;; 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; 1.3 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。 ; 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 遗传算法，DE算法 等等。 ; 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