【正文】 領(lǐng)域也有廣泛的應(yīng)用。 畢業(yè)設(shè)計(jì)與要求 及基本思路 針對(duì)經(jīng)典控制理論及現(xiàn)代控制理論在 電力電子裝置故障檢測(cè) 的局限性，研究①神經(jīng)網(wǎng)絡(luò)控制的可行性及優(yōu)勢(shì)；②神經(jīng)網(wǎng)絡(luò)控制方案的實(shí)現(xiàn)方法；③ BP 神經(jīng)網(wǎng)絡(luò) 控制方法及其改進(jìn)；④神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)的 MATLAB 仿真方法；⑤ 神經(jīng)網(wǎng)絡(luò)的電力電子裝置故障檢測(cè) 。 為實(shí)現(xiàn)史密斯預(yù)估補(bǔ)償控制，需要求取補(bǔ)償器的數(shù)學(xué)模型。由于實(shí)驗(yàn)測(cè)試數(shù)據(jù)或處理不當(dāng)均會(huì)引起模型與對(duì)象特征不一致，這時(shí)閉環(huán)系統(tǒng)特征方程還會(huì)存在純滯后項(xiàng)。因此，嚴(yán)格的說，預(yù)估補(bǔ)償器不能完全補(bǔ)償純滯后。當(dāng)兩者嚴(yán)重不一致時(shí)，甚至?xí)鹣到y(tǒng)穩(wěn)定性變得更差，這也是史密斯預(yù)估補(bǔ)償控制的一個(gè)缺點(diǎn)。 第 2 章 模糊神經(jīng)網(wǎng)絡(luò)控制 6 人工神經(jīng)元模型 人腦約由 1011個(gè)神經(jīng)元組成，神經(jīng)元之間的聯(lián)系多過 1014~1015，每個(gè)神經(jīng)元由兩部分 構(gòu)成：神經(jīng)細(xì)胞體及突起（樹突和軸突）。神經(jīng)細(xì)胞通過突觸復(fù)雜的結(jié)合著，形成了大腦的復(fù)雜的神經(jīng)網(wǎng)絡(luò)系統(tǒng)。 人工神經(jīng)元是一個(gè)多輸入、單輸出的非線性元件，它有三個(gè)基本要素： （ 1）一組連接權(quán)（對(duì)應(yīng)生物神經(jīng)元的突觸），連接強(qiáng)度由各連接權(quán)上的權(quán)值表示，權(quán)值為正表示激勵(lì)，為負(fù)表示抑制。 （ 2）一個(gè)求和單元，用于求取各輸入信息的加權(quán)和（線性組合）。 （ 3）一個(gè)非線性傳遞函數(shù)，起非線性映射作用并限制神經(jīng)元輸出幅度在一定的范圍內(nèi)（一般限制在 [0， 1]或 [1， +1]之間）。 另外還有一個(gè)閥值 ?（或偏置 b=?） .神經(jīng)元模型如圖 所示： 圖 人工神經(jīng)元模型 其輸入、輸出關(guān)系可描述為 : ???????? ?? )(1jjjiniijjxfyθxWX () 式中 ),2,1( nixi ?? 是從其它神經(jīng)元傳過來的輸入信號(hào)； jθ 是閥值； ijW 是表示從神經(jīng)元 i 到神經(jīng)元 j 的連接權(quán)值； f() 為傳遞函數(shù)。有時(shí)為了方便 ，將 jX 統(tǒng)一表達(dá)成??? ni iijj xWX 0 ，式中 jW0 = jθ ， 10?X 。 傳遞函數(shù) f(x)可為線性函數(shù)，或 S 狀的非線性函數(shù)，或具有任意階導(dǎo)數(shù)的非線性函數(shù)，常用的非線性函數(shù)有閥值函數(shù)、雙向閥值函數(shù)、 S 型函數(shù)、雙曲正切函數(shù)、高斯函數(shù)等。 當(dāng) f(x)為階躍函數(shù)，且不考慮輸入、輸出之間的延時(shí)，只處理 0 和 1 二值信息時(shí)，這種閥值單元模型稱為 MP 模型，是美國心理學(xué)家 McCulloch 和數(shù)學(xué)家 Pitts 在 1943 年提出的。 ? … 1X 2X Xn jW1W1j jW2W2j njWnj Uk )(?f jy j? 7 人工神經(jīng)網(wǎng)絡(luò) 結(jié)構(gòu) 人工神經(jīng)網(wǎng)絡(luò)是由大量的神經(jīng)元互連而成的網(wǎng)絡(luò)，按其拓?fù)浣Y(jié)構(gòu)來分，可以分成兩大類：層次網(wǎng)絡(luò)模型，互連網(wǎng)絡(luò)模型。 層次網(wǎng)絡(luò)模型 神經(jīng)元分成若干層順序連接，在輸入層上加入輸入（刺激）信息，通過中間各層，加權(quán)后傳遞到輸出層后輸出（圖 (a)） ，其中有的在同一層中的各神經(jīng)元相互有連接（圖 (b)） ，有的從輸出層到輸入層有反饋（圖 (c)） 。 互連網(wǎng)絡(luò)模型 在這類模型中，任意兩個(gè)神經(jīng)元之間都有相互連接的關(guān)系。在連接中，有的神經(jīng)元之間是雙向的，有的是單向的，按實(shí)際情況決定。 若按連接方式，也可以分為：前饋型網(wǎng)絡(luò)和反饋型網(wǎng)絡(luò)。前饋型網(wǎng)絡(luò)的第 I層的輸入只能與第 I1 層輸出相連，輸入和輸出節(jié)點(diǎn)和外界相連，而其它中間層則為隱層。反饋型網(wǎng)絡(luò)的所有節(jié)點(diǎn)都是計(jì)算單元，同時(shí)可接受輸入并向外 。 若按連接方式，也可以分為：前饋型網(wǎng)絡(luò)和反饋型網(wǎng)絡(luò)。 前饋型網(wǎng)絡(luò)的第 I層的輸入只能與第 I1 層輸出相連，輸入和輸出節(jié)點(diǎn)和外界相連，而其它中間層則為隱層。反饋型網(wǎng)絡(luò)的所有節(jié)點(diǎn)都是計(jì)算單元，同時(shí)可接受輸入并向外界輸出，其中每個(gè)連接線都是雙向的。從作用效果看，前饋型網(wǎng)絡(luò)主要是函數(shù)映射，可用于模式識(shí)別和函數(shù)逼近。按對(duì)能量函數(shù)的所有極小點(diǎn)的利用情況，可將反饋網(wǎng)絡(luò)分成兩類：一類是能量函數(shù)的所有極小點(diǎn)都起作用，主要用做各種聯(lián)想存儲(chǔ)器；另一類只利用全局極小點(diǎn)，它主要用于求解優(yōu)化問題 [9]。 若按神經(jīng)網(wǎng)絡(luò)的功能分類，目前常用的有如下分類： … … … … … … … … … 圖 (a) 圖 (b) 圖 (c) 神經(jīng)網(wǎng)絡(luò)分類 雙值輸入 有教師 Hamming 網(wǎng)絡(luò) Hopfield 網(wǎng)絡(luò) 連續(xù)輸入 無教師 —— Kohonen 網(wǎng)絡(luò) 有教師 單層感知器 無教師 —— Grossterg 網(wǎng)絡(luò)， Carpenter 網(wǎng)絡(luò) 8 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方法 學(xué)習(xí)和記憶是人類智能器官的最主要的功能，模擬人腦神經(jīng)系統(tǒng)的學(xué)習(xí)功能是人工神經(jīng)網(wǎng)絡(luò)的核心任務(wù)。由人工神經(jīng)元相連結(jié)的神經(jīng)網(wǎng)絡(luò)系統(tǒng)的全部“知識(shí)”，主要體現(xiàn)為網(wǎng)絡(luò)中全部神經(jīng)元之間的連結(jié)權(quán)值，調(diào)整權(quán)值也就相當(dāng)于人類的學(xué)習(xí)過程。 學(xué)習(xí)方式 神經(jīng)網(wǎng)絡(luò)性能的改善是按某種預(yù)定的度量通過調(diào)節(jié)自身參數(shù)（如權(quán)值）隨時(shí)間逐步達(dá)到的，學(xué)習(xí)方式按環(huán)境提供信息量的多少分為三種： (1)無教師學(xué)習(xí) 如圖 (a)所示，無教師學(xué)習(xí)完全按照環(huán)境提供數(shù)據(jù)的某些統(tǒng)計(jì)規(guī)律來調(diào)節(jié)自身參數(shù)或結(jié)構(gòu)，以表示外部輸入的某些固有特性。 (2)有教師學(xué)習(xí) 如圖 (b)所示，這種學(xué)習(xí)方式需要外界存在一個(gè)“教師”對(duì)給定輸入提供應(yīng)有的輸出（即訓(xùn)練樣本集），神經(jīng)網(wǎng)絡(luò)根據(jù)實(shí)際輸出和預(yù)定輸出的差值來調(diào)整系統(tǒng)參數(shù)。 (3)強(qiáng)化學(xué)習(xí) 如圖 (c)所示，該方式介于上述兩種情況之間，外部環(huán)境對(duì)系統(tǒng)輸出結(jié)果只給出評(píng)價(jià)信息，學(xué)習(xí)系統(tǒng)通過強(qiáng)化那些受到好的評(píng)價(jià)的動(dòng)作來改善自身的性能。 學(xué)習(xí)規(guī)則 環(huán)境 教師 學(xué)習(xí)系統(tǒng) ∑ 應(yīng)有 響應(yīng) 實(shí)際 響應(yīng) 誤差信號(hào) 環(huán)境 學(xué)習(xí)系統(tǒng) 輸入 動(dòng)作 環(huán)境 學(xué)習(xí) 系統(tǒng) 評(píng)價(jià) 輸出 圖 (a) 圖 (b) 圖 (c) 9 神經(jīng)網(wǎng) 絡(luò)是通過一定的規(guī)則 ,根據(jù)神經(jīng)元的輸入狀態(tài)（或活性度）、當(dāng)時(shí)的連接權(quán)及有無教師示教的信息來調(diào)整權(quán)值的，這個(gè)規(guī)則就稱為學(xué)習(xí)規(guī)則。常用的學(xué)習(xí)規(guī)則有以下幾種： （ 1）聯(lián)想式學(xué)習(xí) —— Hebb 規(guī)則 心理學(xué)家 Hebb 在 1949 年提出突觸聯(lián)系的神經(jīng)群體理論，他指出，突觸前后兩個(gè)同時(shí)興奮（即活性度高，或稱處于激發(fā)狀態(tài)）的神經(jīng)元之間的連接強(qiáng)度（權(quán)值）將增強(qiáng)，雖然他本人沒有給出數(shù)學(xué)表達(dá)式，但后來許多研究者用不同的數(shù)學(xué)公式來表示這一基本思想。 Hebb 提出的這一原則被稱為 Hebb 規(guī)則。 圖 表示了兩個(gè)相連的神經(jīng)元之間的信號(hào)聯(lián)系 ，從神經(jīng)元 ui 到神經(jīng)元 uj 之間的聯(lián)結(jié)權(quán)值為 ijW ； uj 與 ui 被“激活”的程度 )(taj 、 )(tai 稱為活性度； uj 與 ui 的輸出分別為 jy與 iy ；教師的示教信號(hào)為 )(ttj 。 輸出 iy 、 jy 與活性度 )(tai 、 )(taj 有關(guān)，滿足如下關(guān)系： ??? ?? ))(()( ))(()( tafty taftyjjjiii ???????????? ?? ?? ? ? ?? ??? （ ） 其中 if 、 jf 是傳遞函數(shù)。 對(duì)于神經(jīng)元 ju 而言，其輸入（即 iu 的輸出） )(tyj 可以理解為學(xué)習(xí)的內(nèi)容，連接權(quán)值ijW 可以理解為學(xué)習(xí)的基礎(chǔ)， )(ttj 是教師的指導(dǎo)內(nèi)容， ju 的活性度 )(taj 可以理解為學(xué)習(xí)的“積極性”。易知學(xué)習(xí)的方式和結(jié)構(gòu)與上述四個(gè)要素有關(guān)。在人工神經(jīng)網(wǎng)絡(luò)中，每一次學(xué)習(xí)，意味著一次權(quán)值 ijW 的調(diào)整，因此權(quán)值變化 Δ ijW 可以用下列函數(shù)式表示： ]),([)](),([ ijijjij WtyHtttaGW ??? ???????? ???? （ ） 采用不同的函數(shù) G 和 H，就有不同的學(xué)習(xí)規(guī)則。例如上述神經(jīng)元 ju 無教師示教信號(hào)時(shí)， H 函 數(shù)僅與 iy 成正比，則上式改成簡單形式： )()( tytaW ijij ??? ?? ??? ????????????? ???? （ ） 式中 ?是學(xué)習(xí)率常數(shù)（ ? 0）。 上式表明，對(duì)一個(gè)神經(jīng)元 ju 而言，若該神經(jīng)元有較大的活性度或有較大的輸入（即)(tai iu )(taj ju )(tyj 教師示教信號(hào) )(ttj )(tyj ijW 圖 Hebb學(xué)習(xí)規(guī)則 10 )(tyi ）時(shí)，他們之間的聯(lián)結(jié)權(quán)值會(huì)變大。 （ 2）誤差傳 播式學(xué)習(xí) —— Delta 學(xué)習(xí)法則 此時(shí)，式 中的函數(shù) G 采用下列形式： ))()(())(),(( 1 tatttttaG jjjj ?? ???????????????? ???? （ ） 式中 1? 為正數(shù)，把差值 ))()(( tatt jj ? 稱為 ? 。 函數(shù) H 仍與神經(jīng)元 ui 的輸出 )(tyi 成正比： )()),(( 2 tyWtyH iiji ?? ????? ?????????????? ???? （ ） 式中 2? 為正數(shù)。 根據(jù) Hebb 學(xué)習(xí)規(guī)則可得 )),(())(),(( ijijjij WtyHtttaGW ??? )())()(( 21 tytatt ijj ?? ?? )())()( tytatt ijj ??? ? ???????????????? ???? （ ） 式中 ?為學(xué)習(xí)率常數(shù)（ ? 0）。 在 式（ ） 中，如將教師示教信號(hào) )(ttj 作為期望輸出 jd ，而把 )(taj 理解為實(shí)際輸出jy ，則該式變?yōu)椋? )()() tytyydW iijjij ??? ????? ??????????????? ???? （ ） 式中 jj yd??? 為期望輸出與實(shí)際輸出的差值。稱式（ ） 為 ? 規(guī)則，又稱誤差修正規(guī)則。根據(jù)這個(gè)規(guī)則可以設(shè)計(jì)一個(gè)算法，即通過反復(fù)迭代運(yùn)算， 直至求出最佳的 ijW 值，使 ? 達(dá)到最小。這個(gè)規(guī)則就是 BP（反向傳播）網(wǎng)絡(luò)的算法基礎(chǔ)。 從上述簡化過程可知，在選用簡化的 G 函數(shù)時(shí)，我們實(shí)際上令 )(tay jj ? ，也就是用了線性可分函數(shù)。故式（ ） 不適合用于采用式（ ）的非線性函數(shù)的情況，此時(shí)就需要采用廣義的 ? 規(guī)則。 不同狀態(tài)時(shí)實(shí)現(xiàn)聯(lián)結(jié)的概率來調(diào)整其間的權(quán)值： )( ?? ?? ijijij ppW ? 。式中 ? 為學(xué)習(xí)率，?ijp 、 ?ijp 分別是神經(jīng)元 i 和 j 在輸入、輸出固定狀態(tài)及系統(tǒng)為自由狀態(tài)時(shí)實(shí)現(xiàn)聯(lián)結(jié)的概率。調(diào)整的原則是：當(dāng) ?ijp ?ijp 時(shí)增加權(quán)值，否則減小權(quán)值。 （ 3） 競(jìng)爭式學(xué)習(xí) 這種學(xué)習(xí)是無教師示教學(xué)習(xí)，網(wǎng)絡(luò)分成不 同的層，網(wǎng)絡(luò)中的神經(jīng)元之間分成興奮性聯(lián)結(jié)和抑制性聯(lián)結(jié)。在不同性的聯(lián)結(jié)機(jī)制中引入競(jìng)爭。競(jìng)爭的實(shí)質(zhì)是看哪個(gè)神經(jīng)元受到的刺激最大，由此來調(diào)整權(quán)值： )( ijkikij WnCW ??? ? （ ） 式中 ?是學(xué)習(xí)率， ikC 是外部刺激 k 系列中第 i 項(xiàng)刺激成分， kn 是刺激 k 激勵(lì)輸入單 11 元的總數(shù)。 在競(jìng)爭中，與輸入單元間聯(lián)結(jié)權(quán)值變化最大的為優(yōu)勝者，優(yōu)勝者的聯(lián)結(jié)權(quán)值按式（ ） 改變，而失敗的單元，其 ijW? 為零。 學(xué)習(xí)與自適應(yīng) 當(dāng)學(xué)習(xí)系統(tǒng)所處環(huán)境平穩(wěn)時(shí)（統(tǒng)計(jì)特性不隨時(shí)間變化），從理論上講通過監(jiān)督學(xué)習(xí)可以學(xué)到環(huán)境的統(tǒng)計(jì)特征，這些統(tǒng)計(jì)特征可被學(xué)習(xí)系統(tǒng)（神經(jīng)網(wǎng)絡(luò)）作為經(jīng)驗(yàn)記住。如果環(huán)境是非平穩(wěn)的（統(tǒng)計(jì)特征隨時(shí)間變化），通常的監(jiān)督學(xué)習(xí)沒有能力跟蹤這種變化，為解決此問題，需要網(wǎng)絡(luò) 有一定的自適應(yīng)能力，此時(shí)對(duì)每一不同輸入都作為一個(gè)新的例子對(duì)待。 模型被當(dāng)作一個(gè)預(yù)估器，基于前一時(shí)刻輸入 )1( ?nx 和模型在 )1( ?n 時(shí)刻的參數(shù)，它估計(jì) n 時(shí)刻的輸出 )(?nx ，再將 )(?nx 與實(shí)際值 )(nx （作為應(yīng)有的正確答案）比較，若其差值 0)( ?ne ，則 不修正模型參數(shù) [6]。 前向神經(jīng)網(wǎng)絡(luò) 前向神經(jīng)網(wǎng)絡(luò)中的神經(jīng)元是分層排列的，每個(gè)神經(jīng)