模煳控制课件第五章 神经网络在模糊控制系统中的应用.ppt

《模煳控制课件第五章 神经网络在模糊控制系统中的应用.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、模糊控制技术第5章神经网络在模糊控制系统中的应用5.1神经网络5.1.1人工神经网络的起源和发展5.1.2神经元和神经网络神经元模型生物神经元模型图5.1生物神经元模型人工神经元模型图5.2人工神经元模型图5.3常用激发函数人工神经网络神经网络模型通常可按以下5个原则进行神经网络的归类：按照网络的结构区分，则有前向网络和反馈网络。按照学习方式区分，则有有教师学习和无教师学习网络。按照网络性能区分，则有连续型和离散型网络，随机型和确定型网络。按照突触性质区分，则有一阶线性关联网络和高阶非线性关联网络。按对生物神经系统的层次模拟区分，则有

2、神经元层次模型、组合式模型、网络层次模型、神经系统层次模型和智能型模型。前向网络反馈网络相互结合型网络混合型网络神经网络学习算法神经网络学习算法分为两大类：有教师学习和无教师学习。图5.4神经网络结构示意图5.1.3人工神经网络的特点及类型人工神经网络的特点非线性非局域性非定常性非凸性具有泛化功能具有自适应功能高度并行处理人工神经网络的类型Hopfield网络BP网络Blotzman机ART网络5.1.4典型的人工神经网络Hopfield网络离散型Hopfield网络连续型Hopfield网络BP多层神经网络函数逼近模式识别分类数据压

3、缩图5.5多层网络及BP算法BP算法的原理设有一个m层的神经网络，并在输入层加有样本X，设第k层的i神经元的输入总和表示为、输出；从第k-1层的第j个神经元到第k层的第i个神经元的权系数为ωij，各个神经元的激发函数为f，则各个变量的关系可用下面有关的数学式表示：(5.1)(5.2)①正向传播②反向传播2)BP算法的数学表达多层网络的训练方法是把一个样本加到输入层，并根据向前传播的规则：(5.3)(5.4)把和期望输出yj进行比较，如果两者不等，则产生误差信号e，接着则按下面的公式反向传播修改权系数：3)BP算法的执行步骤①对权系数ω

4、ij置初值(5.5)(5.6)②输入一个样本X=(x1，x2，…，xn，1)以及对应期望输出Y=(y1，y2，…，yn)。③计算各层的输出(5.7)(5.8)(5.9)(5.10)(5.11)(5.12)当求出了各层各个权系数之后，可按给定品质指标判别是否满足要求。如果满足要求，则算法结束；如果未满足要求，则返回③执行。BP网络的设计设计BP网络时，一般应从以下几方面考虑：①网络的层数②隐层的神经元数③初始权值的选取④学习速率⑤期望误差的选取5.2模糊神经网络5.2.1神经网络与模糊逻辑5.2.2模糊神经网络模糊神经网络的结构神经元的

5、激发函数是神经元输入函数响应f的函数，即(5.13)图5.6模糊神经网络的结构图为了满足模糊控制的要求，对每一层的神经元函数应有不同的定义：第一层，这一层的节点只是将输入变量值直接传送到下一层。所以第二层，如果采用一个神经元节点来实现语言值的隶属度函数变换，则这个节点的输出就可以定义为隶属度函数的输出，如钟型函数就是一个很好的隶属度函数。第三层，这一层的功能是完成模糊逻辑推理条件部的匹配工作。因此，由最大、最小推理规则可知，规则节点实现的功能是模糊“与”运算，即第四层，在这一层上的节点有两种操作模式：一种是实现信号从上到下的传输模式；

6、另一种是实现信号从下到上的传输模式。第五层，在这一层中有两类节点：一类节点执行从上到下的信号传输方式，实现了把训练数据反馈到神经网络中去的目的，对于这类节点，其神经元节点函数定义为：下列函数可以用来模拟重心法的解模糊运算：模糊神经网络的学习方法为此必须首先确定和提供：初始模糊神经网络结构；输入、输出样本训练数据；输入、输出语言变量的模糊分区(如每一输入输出变量语言值的多少等)。自组织学习阶段Kohonen自组织学习算法计算隶属度函数中心值mi的公式为：此语言变量语言值所对应的宽度σi的计算通过下列目标函数的极小值来获取的，即(5.14

7、)(5.15)(5.16)自组织学习法只是找到语言变量的初始分类估计值，一般采用一阶最近邻域法求取：(5.18)(5.18)(5.17)(5.19)为了简化神经网络的结构，可以再通过规则结合的办法来减少系统总的规则数，如果：该组节点具有完全相同的结论部；在该组规则节点中某些条件部是相同的；该组规则节点的其他条件输入项包含了所有其他输入语言变量的某一语言值节点的输出。有教师指导下的学习阶段图5.7规则节点合并示例(5.20)(5.21)(5.22)(5.23)(5.24)系统输出误差反向传播到上一层的广义误差δ(5)为：(5.25)如果

8、输出语言变量有m个，则(5.28)(5.26)(5.27)第二层输入语言变量各语言值隶属度函数中心值的学习公式为：输入语言变量各语言值隶属度函数宽度值的学习公式为：(5.29)图5.8模糊神经网络混合学习的流程图5.3基