工业自动化技术讲稿5(人工神经网络与神经网络控制)ppt课件.ppt

《工业自动化技术讲稿5(人工神经网络与神经网络控制)ppt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、人工神经网络与神经网络控制陆宝春2005年11月人工神经网络与神经网络控制1人工神经网络概述2人工神经网络发展3人工神经网络模型4神经网络的工作方式及其特点5神经网络的设计开发过程6人工神经网络的应用7神经网络控制8净水厂最佳投药量的神经网络控制系统9神经网络控制中有待解决的问题10人工神经网络的发展方向1人工神经网络概述现代计算机有很强的数值计算、逻辑运算和信息处理能力，极大地扩展了人的脑力，但它对模式识别、感知等问题的能力却远不如人，特别是它只能按照事先编好的程序机械的执行，缺乏向环境学习，适应环境的能力。

2、人脑的工作方式与计算机是不同的。人脑是由大量基本单元（即神经元）经过复杂的互相连接而成的一种高度复杂的、非线形的、并行处理的信息处理系统。1人工神经网络概述人们以模仿人脑神经网络的信息表示、存储和处理机制为基础，设计全新的计算机处理结构模型，这也就促进了人工神经网络（artificialneuralnetworks简称NN）的研究与应用。人工神经网络就是由多个简单的并行工作的处理单元彼此以某种方式互连组成的系统。它模拟人类大量脑细胞的高度连接，当有输入信号将神经元激活时，经过神经回路产生输出。2人工神经网络发展

3、启蒙时期低潮时期复兴时期新时期（1）启蒙时期1890年，心理学家W.Jams关于人脑结构与功能的研究。1943年，生理学家W.S.McCulloch和数学家W.A.Pitts提出了神经元M-P模型。1958年，计算机学家FrankRosenblatt提出了“感知器”（Perceptron）。（2）低潮时期1969年，人工智能的创始人M.Minsky和S.Paper发表了《感知器》一书。书中指出，简单的神经网络只能运用于线性问题的求解，能够求解非线性问题的网络应具有隐层，而从理论上不能证明将感知器模型扩展到多层网

4、络是有意义的。这一悲观论点极大地影响了人工神经网络的研究，开始了神经网络发展史上长达10年的低潮时期。（3）复兴时期1982年，物理学家John.J.Hopfield提出了Hopfield网络；1986年，贝尔实验室利用Hopfield理论在硅片上制成了硬件神经计算机网络；1988年，《并行分布式处理》一书发展了多层感知机的反向传播训练方法。（4）新时期1987年，首届国际神经网络学术会议召开，标志着世界范围内掀起神经网络开发研究的热潮。神经网理论已成为涉及神经生理科学、认识科学、数理科学、心理学、信息科学、计

5、算机科学、微电子学、光学、生物电子学等多学科交叉、综合的前沿科学。许多国家在神经网络计算机的硬件实现方面也取得了一些成绩。3人工神经网络模型神经元输入输出关系：3人工神经网络模型人工神经网络是由多个神经元构成的一个并行和分布式信息处理网络结构。神经网络模型的种类繁多，有前馈神经网络、反馈神经网络、自组织神经网络、模糊神经网络等。（1）前馈神经网络这是现行控制方案中采用的最多的神经网络网型。前馈神经网络又包括BP、PID神经元、RBF径向基函数神经网络。（2）模糊神经网络模糊神经网络控制技术是神经网络集成控制技术

6、的精华，现在已成为一个研究热点。4神经网络的工作方式及其特点神经元的连接权值通过学习来修改连接权值不变，由网络输入得到相应的输出学习期工作期（1）人工神经网络学习人工神经网络学习就是通过对样本的学习训练，不断改变网络连接权值和扩扑结构以使网络的输出不断的接近期望的输出，其实质就是连接权值的动态调整。神经网络的学习算法很多，如BP算法。（2）训练神经网络的基本步骤包括原始数据的收集、数据分析、变量选择以及数据的预处理等如选择BP网，就要确定网络的结构和参数，如：层数，每层结点数、初始权值其目的在于找到蕴涵在样本数

7、据中的输入和输出间的本质关系，从而对未经训练的输入也能找到合适的输出，即具备泛化能力。产生数据样本集确定网型与结构训练和测试（3）神经网络特点自适应性泛化功能非线性映射功能高度并行处理信息这些特点显示了神经网络在解决高度非线性和严重不确定性系统的控制方面具有很大潜力。将神经网络引入控制系统是控制学科发展的必然趋势。5神经网络的设计开发过程神经网络结构描述系统需求分析产生网络可执行代码训练和测试网络将神经网络并入系统选择训练和测试数据抽取数据特征和预处理6人工神经网络的应用模式识别如癌细胞识别、油气藏检测、电力变

8、压器故障检测等。控制与优化如温度控制、液压位置伺服系统控制、机器人运动控制等。金融预测及管理如股票市场预测、保险业风险评估。通信如路由选择。7神经网络控制20世纪80年代以来，工业生产向着大型、连续、综合化方向发展，控制系统也变的越来越复杂。自动控制工作面临着两大挑战，一是控制对象越来越复杂存在多种不确定性以及难以确切描述的非线性特征；二是控制任务要求越来越高，往往是多层次多目标的控制