基于BP神经网络的燃烧控制系统.doc

基于BP神经网络的燃烧控制系统.doc

ID:55690485

大小:1.03 MB

页数:21页

时间:2020-05-25

基于BP神经网络的燃烧控制系统.doc_第1页
基于BP神经网络的燃烧控制系统.doc_第2页
基于BP神经网络的燃烧控制系统.doc_第3页
基于BP神经网络的燃烧控制系统.doc_第4页
基于BP神经网络的燃烧控制系统.doc_第5页
资源描述:

《基于BP神经网络的燃烧控制系统.doc》由会员上传分享,免费在线阅读,更多相关内容在应用文档-天天文库

1、基于BP神经网络的燃烧控制系统4.1神经网络4.1.1神经网络简介神经网络(ArtificialNeuralNetworks,简称NN)是模仿人脑工作方式而设计的一种机器,它可用电子元件实现,也可用软件在计算机上实现。NN也可以说是一种具有大量连接的并行分布式处理器,由处理单元和有向连接组成,通过对输入施加作用获取输出。神经网络具有通过学习获取知识并解决问题的能力,其知识存储在连接权中。神经网络自1943年被提出以后大致经历了四个发展阶段。从1943年到60年代,在这一阶段提出了多种网络模型和相关算法;60年代末至7

2、0年代,由于电子线路交叉极限的困难难以克服,使神经元的数量受到限制,导致神经网络的发展进入低潮,相关研究工作进展缓慢。80年代到90年代初期,由于Hopfield神经网络模型的提出,以及能量函数和稳定性等概念的产生使神经网络又获得了新的发展,相关的模型、算法和应用问题被提出。90年代以后,神经网络在经历了80年代末到90年代初的高潮后,硬件技术、应用范围与理论水平都有了很大的进展,开始进入了稳健发展时期。4.1.2神经网络模型神经网络是由大量神经元按一定的结构连接而成,来完成不同信息(包括智能信息)处理任务的非线性系

3、统。不同神经元之间通过各自的突触权值来表示不同的连接关系。在学习的过程中不断调整突触权值,使网络实际输出不断逼近期望输出。图4-1是基本的神经元模型,其中X1...Xn是神经元的输入,W1…Wn是输入连接权值,T是神经元的阈值(也称偏执量)。神经元由三个基本要素构成:图4-1神经元模型(1)连接权,用来表示连接强度,权值为正表示激励,为负表示抑制;(2)求和单元,用于求取输入变量的加权和;(3)非线性激励函数,也称活化函数,用来实现函数映射并限制神经元输出幅度。活化函数可以是线性也可以是非线性,不同的活化函数可以构成

4、不同的模型。常用的活化函数类型有线性函数(比例函数)、硬限函数、饱和线性函数(分段函数)、S形函数等。以上作用关系可以用数学表达式表达如下:(4-1)若把阈值T表示为输入X0,即X0=T,W0=-1,则神经元接收的信息总和为(4-2)输出为(4-3)式中,为转移函数。几种转移函数简述如下:(1)单极性阈值型转移函数(如图4-2(a)所示)(4-4)具有这一作用方式的神经元称为阈值型神经元,这是神经元中最简单的一种,经典的M—P模型就属于这一类。(2)双极性阈值型转移函数(如图4-2(b)所示)(4-5)这是神经元中最

5、常用的一种,许多处理离散信号的神经网络采用符号函数作为转移函数。(3)单极性Sigmoid型转移函数,简称单极性S型函数(如图4-2(c)所示)(4-6)(4)双极性Sigmoid型转移函数,简称双极性S型函数(如图4-2(d)所示)(4-7)单极性和双极性S型函数特点是函数本身及其导数都是连续的,因而在处理上十分方便。(5)分段线性转移函数(如图4-2(e)所示)(4-8)该函数的特点是神经元的输入与输出在一定区间内满足线性关系,实现上比较简单,也称伪线性函数。(6)概率型转移函数采用概率型转移函数的神经元模型其输

6、入与输出之间的关系是不确定的,需用一个随机函数来描述其输出状态为1或为0的概率。设神经元输出为1的概率为:(4-9)式中,T称为温度参数。由于采用该转移函数的神经元输出状态分布于热力学中的波尔兹曼分布类似,因此这种神经元模型也称为热力学模型。(a)(b)(c)(d)(e)a)单极性阈值型转移函数;b)双极性阈值型转移函数;c)单极性Sigmoid型转移函数;d)双极性Sigmoid型转移函数;e)分段线性转移函数图4-2转移函数图形4.1.3神经网络结构和工作方式从网络的连接方式上看,神经网络有两种拓扑结构。1、前馈

7、型神经网络神经元接受前层神经元的输出并输入到下一层,神经元之间的连接只存在输入层—隐含层、隐含层—隐含层、隐含层—输出层之间,同一层神经元不存在互连,每层神经元的输入仅来自于前一层神经元的输出,即层间的信号流是单向的。节点分为三类:输入节点、输出节点和隐含节点,分别位于输入层、输出层和隐含层,输入层和输出层与外界相连,中间层称为隐含层。前馈型网络结构如图4-3所示。图4-3一层隐含层的前馈型网络2、反馈型神经网络反馈型网络模型是具有反馈功能的递归网络结构,网络中的任何两个神经元均有可能互连,信号流可以是双向且反复往返

8、传输,直到输入—输出信息趋于平衡。整个网络中至少存在一个闭环回路。图4-4所示为一个完全连接的反馈型网络。图4-4单层全连接反馈型网络神经网络的工作过程分为两个阶段:学习期和工作期。网络在学习期通过学习完成网络连接权值的调整,学习完成后进入工作期,依据固定的连接权值计算某个输入作用下对应的输出。根据作用效果,前馈网络是函数映射,用于模式识别和函

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。