高級神經(jīng)網(wǎng)絡(luò)ppt課件(編輯修改稿)
2025-02-01 21:57 本頁面
【文章內(nèi)容簡介】 yyEcyyEcE????????????????? ??? ?? ?? ? ijiijjmiimiiimiiind bcxyyyy ??????????????????????? 22111? ?? ?? ?? ?? ? ?????????????????????????????????????????????2221111ijijjimiimiiimiiindijiinnijnnijbcxyyyybyyEbyyEbE??????? ?? ?? ? ? ? 222111 ijiijjmiimiiimiiind bcxyyyy ?????????????????????? ? ? ? ? ? ? ? ? ???????????????????????? ????? ??????211121miiijiijjmiiimiiindijij bcxyyyykckc ?????其中 α 、 β 為學(xué)習(xí)速率 ? ? ? ? ? ? ? ? ? ? ? ??????????????????????? ????? ??????2122111miiijiijjmiiimiiindijij bcxyyyykbkb ????? 仿真實(shí)例 使用混合型 pisigma神經(jīng)網(wǎng)絡(luò)逼近對象： 23)1(1)1()()(?????kykykuky混合型 pisigma神經(jīng)網(wǎng)絡(luò)逼近程序見 小腦模型神經(jīng)網(wǎng)絡(luò) . 1 CMAC概述 小腦模型神經(jīng)網(wǎng)絡(luò) （ CMACCerebellar Model Articulation Controller） 是一種表達(dá)復(fù)雜非線性函數(shù)的表格查詢型自適應(yīng)神經(jīng)網(wǎng)絡(luò) ， 該網(wǎng)絡(luò)可通過學(xué)習(xí)算法改變表格的內(nèi)容， 具有信息分類存儲的能力 。 CMAC比其它神經(jīng)網(wǎng)絡(luò)的優(yōu)越性體現(xiàn)在 ? 小腦模型是基于局部學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò) ， 它把信息存儲在局部結(jié)構(gòu)上 ， 使每次修正的權(quán)極少 ， 在保證函數(shù)非線性逼近性能的前提下 ， 學(xué)習(xí)速度快 ， 適合于實(shí)時(shí)控制 ? 具有一定的泛化能力 ， 即所謂相近輸入產(chǎn)生相近輸出 ，不同輸入給出不同輸出 ?具有連續(xù)（模擬）輸入輸出能力 ?采用尋址編程方式，在利用串行計(jì)算機(jī)仿真時(shí)，它將使響應(yīng)速度加快 ? CMAC函數(shù)非線性逼近器對學(xué)習(xí)數(shù)據(jù)出現(xiàn)的次序不敏感 由于 CMAC所具有的上述優(yōu)越性能 ， 使它比一般神經(jīng)網(wǎng)絡(luò)具有更好的非線性逼近能力 ， 更適合于復(fù)雜動態(tài)環(huán)境下非線性實(shí)時(shí)控制的要求 ， CMAC神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖 88所示 圖 88 CMAC神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 一種典型 CMAC算法 CMAC網(wǎng)絡(luò)由輸入層 ， 中間層和輸出層組成 。在輸入層與中間層 、 中間層與輸出層之間分別為由設(shè)計(jì)者預(yù)先確定的輸入層非線性映射和輸出層權(quán)值自適應(yīng)性線性映射 。 CMAC神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)主要包括輸入空間的化分 、 輸入層至輸出層非線性映射的實(shí)現(xiàn)及輸出層權(quán)值學(xué)習(xí)算法 。 CMAC是前饋網(wǎng)絡(luò) ， 輸入輸出之間的非線性關(guān)系由以下兩個(gè)基本映射實(shí)現(xiàn) 。 （ 1） 概念映射 （ U?AC） 概念映射是從輸入空間 U至概念存儲器 AC的映射 。 設(shè)輸入空間向量為 ，量化編碼為 ， 輸入空間映射至 AC中 c個(gè)存儲單元 （ c為二進(jìn)制非零單元的數(shù)目 ） 。 Tnp2p1pp ]u,u,[uu ??][ pu采用下式表示映射后的向量： Rp=S([up])=[s1(up),s2(up),…,s c(up)]T 式中 sj([up])=1 , j=1,2,…,c 映射原則為： 在輸入空間鄰近的兩個(gè)點(diǎn)，在 AC中有部分的重疊單元被激勵(lì)。距離越近，重疊越多；距離越遠(yuǎn)的點(diǎn)，在 AC中不重疊，這稱為局域泛化， c為泛化常數(shù)。 （ 2）實(shí)際映射 （ AC AP） 實(shí)際映射是由概念存儲器 AC中的 c個(gè)單元 ， 用雜散編碼技術(shù)映射至實(shí)際存儲器 AP的 c個(gè)單元 ， c個(gè)單元中存放著相應(yīng)權(quán)值 。 網(wǎng)絡(luò)的輸出為 AP中 c個(gè)單元的權(quán)值的和 只考慮單輸出： 即 ? ????cjpjjn uswy1)(???cjjn wy1 CMAC采用的學(xué)習(xí)算法如下 ： 采用 δ 學(xué)習(xí)規(guī)則調(diào)整權(quán)值，權(quán)值調(diào)整指標(biāo)為 2)(21 tecE ?)()()( tytrte ??由梯度下降法，權(quán)值按下式調(diào)整： 其中 ctewyctytrwEtwj)())()(()( ??? ??????????))2()1(()(1)(t( t ) ?????
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號-1