人工智能控制技术 第2章 神经网络控制.ppt

自适应控制器设计采用RBF神经网络来实现对未知非线性函数f(x)的逼近RBF神经网络定义为：RBF神经网络的输出为：控制律为：设计神经网络自适应律（学习规则）为：即可实现神经网络自适应控制。稳定性分析可知系统新表达式为：取：则：最优权值为：定义模型逼近误差为：将系统的表达式改写为：稳定性分析稳定性分析稳定性分析仿真实验单级倒立摆系统结构图仿真实验摆角及摆速的跟踪课后习题神经网络的发展分为几个阶段？典型的神经网络包括哪几种类型？BP神经网络有哪些优缺点？单神经元网络Sigmoid函数型神经元：Sigmoid函数型神经元的表达式为：Sigmoid函数型神经元的函数图像为：BP神经网络BP（BackPropagation）神经网络在1986年由鲁梅尔哈特（Rumelhart）和麦克利兰（McCelland）为首的科研小组提出，是一种误差反向传播算法训练的多层前馈网络。BP（BackPropagation）神经网络整个学习过程分为信号的正向传播和误差的反向传播两个部分，在正向传播过程中，样本从输入层进入网络，经隐层逐层传递至输出层，根据输入样本的权重值等参数，计算实际输出值与期望值之间的损失值，若损失值超出给定的范围，则启动反向传播的过程；在反向传播过程中，将输出通过隐层向输入层逐层进行反传计算，并将误差平分给各层的所有单元，从而获得各层单元的误差信号，并将其作为修正各单元权值的依据。用梯度下降法完成这一步工作后，将各层神经元的权值和阈值调整到合适数值，使误差信号降至最低。BP神经网络BP网络是一种多层网络，含有输入层、隐含层和输出层，层与层之间采用全互连方式，其连接是单向的，但信息的传播是双向的，同一层内的神经元之间没有相互连接。典型的BP网络结构图如图所示。信息由输入层进入网络，在隐层完成处理后，被传递到输出层，每层神经元的状态只影响下一层神经元的状态。BP网络能学习和存储大量的输入―输出模式映射关系，无需事先对相应的数学方程进行描述，是目前应用最广泛的神经网络模型之一。典型BP网络结构BP神经网络BP神经网络优点1.可以通过大量的训练，拟合出数据输入输出的非线性映射关系。2.当输入信息为训练过程中没有出现过的非样本数据时，网络也能完成由输入到输出的正确映射，因此具有良好的泛化能力。3.反映正确输入输出规律的信息来自全样本，个别样本的误差对整体影响不大，具有良好的容错能力。4.在宽频带、小信噪比、信号模式较少的情况下，BP神经网络可以较好地实现信号识别和信噪分离。BP神经网络缺点1.待寻优参数较多，训练时间较长。2.作为一种局部搜索的优化方法，利用BP神经网络求解复杂非线性函数的全局极值时，在训练过程中易陷入局部极值。3.在学习新样本时有遗忘旧样本的趋势。BP神经网络理论上可以利用三层及以上的BP神经网络逼近任何一个非线性函数，但如果选取层数较多或隐含层节点数较多，由于其全局逼近的特性，收敛速度较慢，且易于陷入局部极小值，难以满足高度实时性的控制要求。RBF神经网络径向基函数神经网络：与BP神经网络相比，径向基函数神经网络具有更强的学习能力和收敛速度，同时能够克服局部极小值问题，在结构上是一种具有单隐含层的3层前馈网络。其中第一层为输入层，由信号源节点组成；第二层为隐含层，内部神经元的径向基函数是中心点径向对称且衰减的非负线性函数；第三层为输出层，具有传输信号作用。RBF神经网络RBF神经网络的核心思想是通过径向基函数作为隐含层单元的“基”来构成隐含层空间，无需通过权连接将输入矢量直接映射到隐含层空间，利用合适地中心点来确定映射关系。隐含层的作用是将低维的输入数据变换到高维空间内，使得在低维度线性不可分的情况在高维度达到线性可分要求。网络的输出是隐含层输出的线性加权和，此处的权即为网络可调参数。这样，网络由输入到输出的映射是非线性的，而网络输出对权值而言却又是线性的，仅对权值进行调整的优点是能够节省运算时间，但也降低了网络地非线性能力。其网络结构如图所示。RBF神经网络结构RBF神经网络RBF神经网络BP神经网络和RBF神经网络在结构上都是非线性多层前向网络，都是通用逼近器，RBF神经网络的激活函数为高斯函数，采用输入向量与中心向量的距离（如欧式距离）作为自变量，网络内输入层到隐含层单元之间实行直接连接，隐含层到输出层之间实行权连接，神经元的输入离径向基函数中心越远，其激活程度就越低。RBF网络可以以任意精度逼近非线性函数，且不存在局部极值问题，具有较快的收敛速度。HOPFIELD神经网络在某些方面前馈神经网络模型的能力具有一定的局限性，为了提高神经网络的计算能力，反馈型神经网络被提出。与前