付冬梅信息工程學院自動化系20xx-10-29-wenkub
2022-08-15 14:54:06 本頁面
【正文】 達到良好的 “ 匹配 ” ，以削弱不確定性的影響。 緒論 2）人工神經(jīng)網(wǎng)絡控制的系統(tǒng)的特點和弱點 : 一般神經(jīng)網(wǎng)絡的弱點，包括以下問題： ⑴ 一般神經(jīng)元網(wǎng)絡的學習和訓練時間很長。 ⑸ 傳統(tǒng)的多層前向神經(jīng)網(wǎng)絡的神經(jīng)元僅具有靜態(tài)輸入輸出特性，用它構(gòu)成控制系統(tǒng)時必須附加其它動態(tài)部件。 缺點： a:仍是選擇 PID參數(shù)的方法。 ? PIDNN可同時適用于 SISO以及 MIMO控制系統(tǒng)。 PID神經(jīng)元網(wǎng)絡 SPIDNN的結(jié)構(gòu)形式 r v1 11u 1x22u 2x11w12w13w21w2223wr1 1t?1u? 1x ?2 ??u ??x ??r13 ?3u ? 3x ?2 ??u ??x ??1w ??2w ??3w ??r y PID神經(jīng)元網(wǎng)絡 SPIDNN的前向計算模型 SPIDNN的前向算法根據(jù)網(wǎng)絡的兩個輸入值，按網(wǎng)絡當前權(quán)重值和各層狀態(tài)函數(shù)和輸出函數(shù)形成網(wǎng)絡的輸出。 PID神經(jīng)元網(wǎng)絡 2) 隱含層 隱含層是神經(jīng)元網(wǎng)絡中最重要的層次， SPIDNN的隱含層有三個神經(jīng)元，分別為比例元、積分元和微分元，它們各自的輸入總值均為 : 239。1 kn etku ?積分元的狀態(tài)為 : （ ） 39。 39。 39。 39。 （ ） （ ） PID神經(jīng)網(wǎng)絡的反傳算法 SPIDNN的理想輸出矢量的集合為： ? ?39。12, , , ,pV v v v?式中 ? ?39。( 1 ) , ( 2 ) , , ( )p p p pv v v v l? SPIDNN訓練和學習的目的是使網(wǎng)絡實際輸出和理想輸出的對應時間序列的偏差平方均值為最小： 239。( 1 ) ( )j j jjEw n w nw??? ? ?? 39。39。39。39。 39。39。39。 ( 1)j k ? 對于神經(jīng)元網(wǎng)絡權(quán)重值的收斂，收斂方向是最重要的，收斂速度還可以通過其他因子調(diào)節(jié)。 39。 39。39。39。39。1( ) ( 1 )1 ( ) s g n ( )( ) ( 1 )l jjjiki j j ju k u kE k w x kw l n e t k n e t k????? ? ? ? ? ??? ? ?令 39。39。目前對傳統(tǒng)神經(jīng)元網(wǎng)絡連接權(quán)重初值的選取尚無固定的準則，一般只能取隨機數(shù)，這將導致出現(xiàn)以下兩個問題。如果網(wǎng)絡連接權(quán)重初值取隨機數(shù)，按此初值工作的神經(jīng)元網(wǎng)絡控制器很難保證系統(tǒng)初始工作的穩(wěn)定性。 PID網(wǎng)絡初值權(quán)重的選取和等價系統(tǒng) 2） SPIDNN的連接權(quán)重初值選取和等價系統(tǒng) PIDNN連接權(quán)重初值的選取原則是參照 PID控制器的特點確定的。2 IwK? DKw ?39。 pKw ?39。這種情況下，即使此神經(jīng)元網(wǎng)絡的學習算法是收斂的也無濟于事，沒有實用價值。同時，對于采用反傳算法的網(wǎng)絡，隨即的起點將導致收斂陷入局部最小點。( ) ( 1 )( ) ( ) sg n( ) ( 1 )jjjjju k u kk k wn e t k n e t k????? ? ???則式（ ）可簡化為 : 11 ( ) ( )likijE k x kwl ??? ? ? ???() () () () P
語文相關推薦
鄂ICP備17016276號-1