智能控制导论蔡志兴版教学课件.ppt

《智能控制导论蔡志兴版教学课件.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、智能控制导论国家精品课程配套教材蔡自兴15.1人工神经网络的初步知识5.2神经控制的结构方案5.3神经控制器的设计5.4小结第五章神经控制25.1人工神经网络的初步知识5.1.1神经元及其特性神经元模型连接机制结构的基本处理单元与神经生理学类比往往称为神经元每个构造起网络的神经元模型模拟一个生物神经元-1…中间状态由输入信号的权和表示神经元单元由多个输入3生物神经元的结构神经细胞是构成神经系统的基本单元，称之为生物神经元，简称神经元。神经元主要由三部分构成：（1）细胞体;（2）轴突;（3）树突;4强调突触是神经元之间相互连接的接口部分，即一个神经元

2、的神经末梢与另一个神经元的树突相接触的交界面，位于神经元的神经末梢尾端。突触是轴突的终端。神经元是构成神经网络的最基本单元（构件）。人工神经元模型应该具有生物神经元的六个基本特性5人工神经元的工作过程对于某个处理单元（神经元）来说，假设来自其他处理单元（神经元）i的信息为Xi，它们与本处理单元的互相作用强度即连接权值为Wi,i=0,1,…,n-1,处理单元的内部阈值为θ。那么本处理单元（神经元）的输入为而处理单元的输出为（9.1.2）式中，xi为第i个元素的输入，wi为第i个处理单元与本处理单元的互联权重。f称为激发函数或作用函数，它决定节点（神经

3、元）的输出。6(a)阈值型(b)分段线性型(c)Sigmoid函数型(d)双曲正切型这里，激发函数一般具有非线性特性,常用的非线性激发函数如图所示称为激活值神经网络的基本概念及组成特性75.1.2神经网络与智能控制神经网络特性并行分布处理非线性映射通过训练进行学习适应与集成硬件实现神经网络用于智能控制系统的潜力神经网络因其学习和适应、自组织函数逼近和大规模并行处理等能力85.1.3人工神经网络的基本类型和学习算法人工神经网络的基本特性和结构人工神经网络由神经元模型构成具有并行分布结构每个神经元具有单一输出，能够与其它神经元连接存在许多输出连接方法，

4、每种对应一个连接权系数人工神经网络是一种具有下列特性的有向图对于每个节点i存在一个状态变量xi从节点j至节点i，存在一个连接权系统数wij对于每个节点i，存在一个阈值θi对于每个节点i，定义一个变换函数对于最一般的情况，此函数取形式9人工神经网络基本分为两类即递归（反馈）网络前馈网络v1v2vn输入输出…输入层隐层输出层反向传播3x2x1x'3x'2x'1x11w1x2x3xny1y1mw递归网络前馈网络………5.1.3人工神经网络的基本类型和学习算法10一个简单的前向传播网络11人工神经网络的主要学习算法有师学习有师学习算法能够根据期望的和实际的

5、网络输出（对应于给定输入）间的差来调整神经元间连接的强度或权。无师学习无师学习算法不需要知道期望输出。强化学习强化学习算法采用一个“评论员”来评价与给定输入相对应的神经网络输出的优度（质量因数）5.1.3人工神经网络的基本类型和学习算法125.1.4人工神经网络的典型模型自适应谐振理论（ART）双向联想存储器（BAM）Boltzmann机（BM）反向传播（BP）网络对流传播网络(CPN)Hopfield网Madaline算法认知机（Neocognition）感知器（Perception）自组织映射网（SOM）13自适应谐振理论环境变化网络的可塑性分

6、析新添样本训练合并重新训练应用新环境下的应用样本集网络的可塑性需要的4项功能样本的分类功能分类的识别功能比较功能类的建立功能14基本的双联存储器结构W第1层输入向量第2层输出向量WTx1xnymy1……………智力链从一件事想到另一件事，“唤回失去的记忆”。自相联异相联双联存储器（BidirectionalAssociativeMemory—BAM）。15Boltzmann机的训练Boltzmann机是多级循环网络，是Hopfield网的一种扩展。神经元ANi实际输出状态oi=1的概率为：T趋近于0时，神经元的状态不再具有随机性，Boltzmann机

7、退化成一般Hopfield网。16由于在反馈网络中，网络的输出要反复地作为输入再送入网络中，这就使得网络具有了动态性，网络的状态在不断的改变之中，因而就提出了网络的稳定性问题。所谓一个网络是稳定的是指从某一时刻开始，网络的状态不再改变。设用X(t)表示网络在时刻t的状态，如果从t=０的任一初态X(0)开始，存在一个有限的时刻t，使得从此时刻开始神经网络的状态不再发生变化，即就称此网络是稳定的。Hopfield模型及其学习算法17简单的反馈神经网络图183.2感知器的学习算法感知器的学习是有导师学习感知器的训练算法的基本原理来源于著名的Hebb学习律

8、基本思想：逐步地将样本集中的样本输入到网络中,根据输出结果和理想输出之间的差别来调整网络中的权矩阵195.1.5基于神经网