神经网络控制课件.pptVIP

2．多層前向BP網路的問題：1).BP演算法的學習速度很慢2).網路訓練失敗的可能性較大3).難以解決應用問題的實例規模和網路規模間的矛盾4).網路結構的選擇尚無一種統一而完整的理論指導，一般只能由經驗選定5).新加入的樣本要影響已學習成功的網路，而且刻畫每個輸入樣本的特徵的數目也必須相同6).網路的預測能力（也稱泛化能力、推廣能力）與訓練能力（也稱逼近能力、學習能力）的矛盾*3．BP網路學習演算法的改進1).增加“慣性項2).採用動態步長3).與其他全局搜索演算法相結合4).模擬退火演算法目前在神經網路的學習中，基於梯度的演算法都不能從理論上保證收斂結果是全局最優的。*6.2.4神經網路的訓練可以任意逼近一個緊集上的任意函數這一特點是神經網路廣泛應用的理論基礎。但是，在實際應用中，目前尚未找到較好的網路構造方法，確定網路的結構和權值參數，來描述給定的映射或逼近一個未知的映射，只能通過學習來得到滿足要求的網路模型。*神經網路訓練的具體步驟如下1．獲取訓練樣本集獲取訓練樣本集合是訓練神經網路的第一步，也是十分重要和關鍵的一步。它包括訓練數據的收集、分析、選擇和預處理等2．選擇網路類型與結構神經網路的類型很多，需要根據任務的性質和要求來選擇合適的網路類型。3．訓練與測試最後一步是利用獲取的訓練樣本對網路進行反復訓練，直至得到合適的映射結果。*6.3回饋神經網路回饋網路(RecurrentNetwork)，又稱自聯想記憶網路，其目的是為了設計一個網路，儲存一組平衡點，使得當給網路一組初始值時，網路通過自行運行而最終收斂到這個設計的平衡點上。回饋網路能夠表現出非線性動力學系統的動態特性。它所具有的主要特性為以下兩點：第一、網路系統具有若干個穩定狀態。當網路從某一初始狀態開始運動，網路系統總可以收斂到某一個穩定的平衡狀態；第二，系統穩定的平衡狀態可以通過設計網路的權值而被存儲到網路中。*6.3.1離散Hopfield網路1.網路的結構和工作方式離散Hopfield網路是一個單層網路，有個神經元節點，每個神經元的輸出均接到其他神經元的輸入。各節點沒有自回饋，每個節點都附有一個閥值。每個節點都可處於一種可能的狀態（1或－1），即當該神經元所受的刺激超過其閥值時，神經元就處於一種狀態（比如1），否則神經元就始終處於另一狀態（比如－1）。**整個網路有兩種工作方式：即非同步方式和同步方式。1).非同步方式2).同步方式2.穩定性和吸引子3.連接權的設計4.聯想記憶*6.3.2連續Hopfield網路連續Hopfield網路也是單層的回饋網路。其實質上是一個連續的非線性動力學系統，它可以用一組非線性微分方程來描述。當給定初始狀態，通過求解非線性微分方程組即可求得網路狀態的運行軌跡。若系統是穩定的，則它最終可收斂到一個穩定狀態。*6.3.3Boltzmann機Boltzmann機網路結構和工作方式Boltzmann機網路是一個相互連接的神經網路模型，具有對稱的連接權係數，及wij＝wji且wii=0。網路由可見單元（VisibleUnit）和隱單元（HiddenUnit）構成。可見單元由輸入、輸出部分組成。每個單元節點只取1或0兩種狀態。1代表接通或接受，0表示斷開或拒絕。當神經元的輸入加權和發生變化時，神經元的狀態隨之更新。各單元之間狀態的更新是非同步的。*神經網路控制*6.1.1生物神經元模型人腦大約包含1012個神經元，分成約1000種類型，每個神經元大約與102～104個其他神經元相連接，形成極為錯綜複雜而又靈活多變的神經網路。每個神經元雖然都十分簡單，但是如此大量的神經元之間、如此複雜的連接卻可以演化出豐富多彩的行為方式。同時，如此大量的神經元與外部感受器之間的多種多樣的連接方式也蘊含了變化莫測的反應方式。**從生物控制論的觀點來看，神經元作為控制和資訊處理的基本單元，具有下列一些重要的功能與特性：時空整合功能興奮與抑制狀態脈衝與電位轉換神經纖維傳導速度突觸延時和不應期學習、遺忘和疲勞*6.1.2人工神經元模型人工神經元是對生物神經元的一種模擬與簡化。它是神經網路的基本處理單元。如圖所示為一種簡化的人工神經元結構。它是一個多輸入、單輸出的非線性元件。**其輸入、輸出關係可描述為其中，是從其他神經元傳來的輸入信號；表示從神