神经网络控制.pptxVIP

神经网络控制;神经网络（neural networks，NN）;人工神经网络：由许多处理单元，又称神经元，按照一定的拓扑结构相互连接而成的一种具有并行计算能力的网络系统。 特点： 神经网络系统以大规模模拟并行处理为主，而不以串行离散数学符号处理为基础； 神经网络系统具有较强的鲁棒性和容错性，能够进行联想、概括、类比和推广，任何局部的损伤不会影响整体结果； 神经网络系统具有较强的自学习能力，系统可以通过不断的学习，不断地补充和完善自己的知识，这是传统的人工智能专家系统所没有的能力。;神经网络的基本特征与功能; 神经网络的基本特征与功能;非线性映射功能;分类与识别功能;优化计算功能;知识处理功能;发展历史;发展历史;发展历史;发展历史; 神经网络控制的研究领域 ; 人类大脑大约包含有1.4?1011个神经元，每个神经元与大约103～105个其它神经元相连接，构成一个极为庞大而复杂的网络，即生物神经网络。; 神经生理学和神经解剖学的研究结果表明，神经元(Neuron)是脑组织的基本单元，是人脑信息处理系统的最小单元。; 生物神经元在结构上由 细胞体(Cell body) 树突(Dendrite) 轴突(Axon) 突触(Synapse) 四部分组成。用来完成神经元间信息的接收、传递和处理。;信息转换发生在突触上;生物神经元的信息处理机理;生物神经元的信息处理机理;生物神经元的信息处理机理;生物神经网络;人工神经元是生物神经元的数学抽象;人工神经元;人工神经元;人工神经网络;MP模型 ;第28页/共159页;其他形式的作用函数 ;2．阶跃函数; 神经网络的数理模型;知识表达;神经网络的设计过程;学习过程;神经网络的不同分类;前馈型（ 前向型） ;;;有导师的学习（监督学习）;有导师的学习（监督学习）;无导师的学习（无监督、或称自组织）;无导师的学习（无监督、或称自组织）;再励学习（强化学习）;学习——修改权重;误差调整学习;调整 ? —— 学习率， 0 这个学习过程就类似于一个闭环反馈过程。 学习过程的稳定性取决于学习率?的选择： 小的学习率可以使得系统收敛于一个??定的解； 大的学习率可以加速学习的过程。;Hebbian学习;竞争学习;Boltzmann学习;该机制运作如下： 在学习过程中的某步，随机选择一个神经元，比如神经元 j； 计算在温度T的前提下，神经元 j 从状态 sj 转到 -sj 的概率 这里，?Ei 是能量变换；T是伪温度，不是物理学意义上的温度。 ;感知器;感知器的功能; 学习算法步骤 ; 学习算法步骤 ;例子：;单层感知器特点 ;【例】线性可分集合;（2） 三维空间上的两类模式，见表。; （3） 可引伸到n3维空间上的线性可分集合，一定可找到一超平面，将输入模式分为两类。由n输入/单输出的单层感知器实现。;多层感知器;三层感知器解决异或（XOR）问题; 三层感知器可识别任一凸多边形或无界的凸区域。 更多层感知器网络，可识别更为复杂的图形。;多层前馈网络与BP学习算法;BP学习算法;正向传播计算;S型函数;多层感知器的权值学习;误差准则;反向传播计算;反向传播的推导;反向传播的推导;反向传播的推导;;;第一种：输出单元权值调整;第二种：隐单元权值调整;第二种：隐单元权值调整;第二种：隐单元权值调整;学习算法步骤： ;; ;BP学习算法的程序框图;;;有关的几个问题;第86页/共159页; （5） 改进的BP算法 梯度下降法的不足，是BP算法收敛速度慢的原因，有改进的BP算法克服其不足，如： ;第88页/共159页;;;第91页/共159页;;BP网络训练实例;BP神经网络在模式识别中的应用; 例 输入输出样本： 测试数据： ;; 测试结果表明：除了8以外，所有被测的数字都能够被正确地识别。 对于数字8，神经网络的第6个结点的输出值为0.53，第8个结点的输出值为0.41，表明第8个样本是模糊的，可能是数字6，也可能是数字8，但也不完全确信是两者之一。 ;神经网络控制;神经网络控制的优越性;神经网络控制器的类型;神经网络控制器的类型;神经网络控制器的类型;神经网络控制器的类型;神经网络控制器的类型;神经网络控制器的类型;神经网络控制器的类型;神经网络控制器的类型;神经网络控制器的类型;神经网络控制器的类型;神经网络控制器的类型;神经网络控制器的类型;神经网络控制器的类型;神经网络控制器的类型;神经网络控制器的类型;神经网络控制器的类型;