最新[工学]控制理论第14章神经网络控制及其应用-药学医学精品资料.ppt

《最新[工学]控制理论第14章神经网络控制及其应用-药学医学精品资料.ppt》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、进入夏天，少不了一个热字当头，电扇空调陆续登场，每逢此时，总会想起那一把蒲扇。蒲扇，是记忆中的农村，夏季经常用的一件物品。　　记忆中的故乡，每逢进入夏天，集市上最常见的便是蒲扇、凉席，不论男女老少，个个手持一把，忽闪忽闪个不停，嘴里叨叨着“怎么这么热”，于是三五成群，聚在大树下，或站着，或随即坐在石头上，手持那把扇子，边唠嗑边乘凉。孩子们却在周围跑跑跳跳，热得满头大汗，不时听到“强子，别跑了，快来我给你扇扇”。孩子们才不听这一套，跑个没完，直到累气喘吁吁，这才一跑一踮地围过了，这时母亲总是，好似生气的样子，边扇边训，“你看热的，

2、跑什么？”此时这把蒲扇，是那么凉快，那么的温馨幸福，有母亲的味道！　　蒲扇是中国传统工艺品，在我国已有三千年多年的历史。取材于棕榈树，制作简单，方便携带，且蒲扇的表面光滑，因而，古人常会在上面作画。古有棕扇、葵扇、蒲扇、蕉扇诸名，实即今日的蒲扇，江浙称之为芭蕉扇。六七十年代，人们最常用的就是这种，似圆非圆，轻巧又便宜的蒲扇。　　蒲扇流传至今，我的记忆中，它跨越了半个世纪，也走过了我们的半个人生的轨迹，携带着特有的念想，一年年，一天天，流向长长的时间隧道，袅最新[工学]控制理论第14章神经网络控制及其应用-药学医学精品资料第14章

3、神经网络控制及其应用1.神经网络控制产生的背景自动控制面临着两个方面的技术问题（1）控制对象越来越复杂，存在着多种不确定（随机性）和难以确切描述的非线性。（2）对控制系统的要求越来越高，迫切要求提高控制系统的智能化水平，即系统具有逻辑思维和推理判断的能力。神经网络为处理和解决上述问题提供了一条新的途径（1）神经网络源于对脑神经的模拟，所以具有很强的适应于复杂环境和多目标控制要求的自学习能力。（2）具有以任意精度逼近任意非线性连续函数的特性。2.神经网络的应用航空:高性能飞行器自动驾驶、飞行路径模拟、飞行部件模拟、飞行部件故障检测

4、…汽车:汽车自动导航仪…国防:武器操纵、目标跟踪、面部识别、雷达和图像信号处理、新型传感器、声纳…制造：生产流程控制、过程和机器诊断、机器性能分析、化工流程动态建模、项目投标…机器人：轨道控制、操作手控制、视觉系统…语音：语音识别、语音压缩…还有金融、保险、银行、医疗、交通、电讯、电子、石油天然气、有价证券、娱乐等行业。5.神经网络模型的组成5.1．神经网络连接的结构形式输出层输入层隐含层神经元yny2y1XnX2X1图6前向网络神经元网络中神经元是分层排列，每个神经元只与前一层的神经元相连接，分为输入层，隐含层（一层或多层）和

5、输出层。（1）前向网络（2）反馈前向网络网络本身是前向型，但从输出到输入有反馈。yny2y1XnX2X1图7反馈前向网络图8互连网络（3）互连网络任意两个神经元之间都可能有连接，因此输入信号要在神经元之间反复往返传递。5.2．BP网络的结构BP网络是一单向传播的多层前向网络，其结构图如图6所示BP网络可看成是一从输入到输出的高度非线性映射网络。（1）输入层神经元数（2）隐含层神经元数（3）隐含层数的确定（4）输出层神经元数的确定BP网络各层的神经元数（即节点数）及隐含层层数的确定如下：6.神经网络的学习当神经网络的结构确定之后，

6、关键问题是设计一个学习速度快，收敛性好的学习算法。要求网络本身必须具有学习功能，即能够从示教模式的学习中逐渐调整权值和阈值，使网络整体具有近似函数或处理信息的功能。（1）有教师学习（2）无教师学习6.1．网络学习方式广泛应用的有教师学习的算法——BP（BackPropagation）算法BP算法即是误差反向传播算法，该方法已成为神经网络学习中最常用的方法之一。BP算法一般是应用梯度下降原理，样本输入信号在神经网络中正向传播，应用了多层前向神经网络具有的以任意精度逼近非线性函数的能力。而网络输出与样本给定输出值之差（误差）在网络中

7、是反向传播，用于网络的权值的训练。输出层LC隐含层LB输入层LAWpqWiqWijW1qW1jVnpVniVn1VhpVhiVh1V1pV1iW11V11a1ahanb1bibpc1cjcq图9基本BP网络的拓扑结构5.2．网络的计算对BP控制网络进行训练时，首先要提供训练样本，样本可以形式化为样本对或称模式对()其中Ak为第k个样本的输入模式()Ck为希望输出模式()它们分别对应于LA层的n个神经元和Lc层的q个神经元。当网络的实际输出与希望输出一致时，学习过程结束。否则学习系统将根据实际输出和希望输出之间的误差，通过调整连接

8、权值使网络的实际输出趋向于希望输出。BP网络样本输入学习算法程序框图如图10所示。并以图11三层（LA，LB，LC）BP神经网络为例进行学习过程的演示。结束输入学习样本求隐含层、输出层神经元的输出计算实际输出值与目标值的误差误差满足要求？反向计算调整权值和阈值Y