神经网络与神经网络控制.pptxVIP

机电系统智能控制;推荐课后阅读资料;3;4;6;7;9;10;11;12;13;神经元处理活性的理想模式;15;16;17; 从学习的观点来看，前馈网络是一种强有力的学习系统，其结构简单而易于编程；从系统的观点看，前馈网络是一静态非线性映射，通过简单非线性处理单元的复合映射，可获得复杂的非线性处理能力。但从计算的观点看，缺乏丰富的动力学行为。大部分前馈网络都是学习网络，它们的分类能力和模式识别能力一般都强于反馈网络，典型的前馈网络有感知器网络、BP 网络等。 ;19;20; 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（Content一Addressible Memory，CAM）的功能，同时Hopfield神经网络还可以用来解决快速寻优问题。;22; 在有教师的学习方式中，网络的输出和期望的输出（即教师信号）进行比较，然后根据两者之间的差异调整网络的权值，最终使差异变小。在无教师的学习方式中，输入模式进入网络后，网络按照一预先设定的规则（如竞争规则）自动调整权值，使网络最终具有模式分类等功能。再励学习是介于上述两者之间的一种学习方式。 ;24;25;26;27;28;29;单层感知器--与运算;31;32;33; BP算法的学习过程由正向传播和反向传播组成。在正向传播过程中，输入信息从输入层经隐含层逐层处理，并传向输出层，每层神经元（节点）的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输出，则转入反向传播，将误差信号沿原来的连接通路返回，通过修改各层神经元的权值，使输出误差信号最小。;激活函数 必须处处可导 一般都使用S型函数 使用S型激发函数时BP网络输入与输出关系 输入 输出 ;输出的导数 ;BP网络的标准学习算法;学习的类型：有导师学习 核心思想： 将输出误差以某种形式通过隐层向输入层逐层反传 学习的过程： 信号的正向传播 误差的反向传播;BP网络的标准学习算法-学习过程;BP网络的标准学习算法 ;BP网络的标准学习算法;BP网络的标准学习算法;BP网络的标准学习算法;BP网络的标准学习算法;BP网络的标准学习算法;BP网络的标准学习算法;BP网络的标准学习算法;BP网络的标准学习算法;BP网络的标准学习算法;BP网络的标准学习算法;BP网络的标准学习算法;BP神经网络的特点;53;54;在设计BP网络时，应考虑的问题是： 1) 网络的层数。增加层数可降低误差，但会使网络复杂化，增加网络的训练时间。一般采用增加隐层中神经元数目的方法来提高精度，其训练效果也更容易观察和调整。;2) 隐层神经元数。理论上没有明确规定，通常是通过对不同节点数进行训练对比，然后加上适当余量。;4) 学习速率。为保证系统稳定性，学习速率一般取0.01-0.8。;小 结;单个神经元的神经网络;神经网络的工作原理;神经元间连接权值的含义;感知器的局限;逻辑异或问题—线性不可分;逻辑异或问题—线性不可分;BP网络学习算法;BP神经网络求解异或问题网络结构;BP神经网络求解异或问题的权值调整;BP神经网络求解异或问题的权值调整;BP神经网络求解异或问题的权值调整;BP神经网络求解异或问题的权值调整;BP神经网络求解异或问题的权值调整;72;73; 5) 新加入的样本要影响已学习成功的网络，而且刻画每个输入样本的特征的数目也必须相同； 6) 网络的预测能力（也称泛化能力、推广能力）与训练能力（也称逼近能力、学习能力）的矛盾。 ;75; 当前一次的校正量过调时，惯性项与d的符号相反，使本次实际校正量减小；当前一次的校正量欠调时，惯性项与d的符号相同，使本次实际校正量增加。;5.2.3 BP网络学习算法的改进;2）S函数输出限幅算法; 为此，限制S函数的输出，是加快网络校正的有效方法。当S的实际输出小于某数如0.01或大于某数如0.99时，将其输出值直接取为0.01或0.99。保证每次学习都能进行有效的校正，从而加快收敛过程。;3）累积误差校正算法：;5.2.3 BP网络学习算法的改进;4) 采用动态步长； 与其他全局搜索算法相结合； 限制连接权的取值范围，避免学习过程的振荡； 7) 模拟退火算法等。;83;84;85;86;87;88;89;90;91;92;93;94;95;96;97;98;5). 前向计算NN的各层神经元的输入和输出，NN输出层的输出即为PID控制器的三个可调参数KP(k),KI(k),KD(k)； 6). 计算PID控制器的控制输出u(k)，参与控制和计算； 7). 计算 和