先進(jìn)控制策略ppt課件-資料下載頁
2025-01-12 10:25本頁面
【正文】 知器和 BP網(wǎng)絡(luò) 2022/2/9 54 1 1 2 2 0nnw x w x w x ?? ? ? ? ?1( ) ( ( ) ) 。n iiiy k S g n w x k ?????( 1 ) ( ) ( ( ) ( ) ) ( )( 1 ) ( ) ( ( ) ( ) )i i iw k w k t k y k x kk k t k y k?? ? ?? ? ? ?? ? ? ?12( ) { , , , }Nx k x x x?感知機可以對 Rn內(nèi)的點進(jìn)行二元分類。在超平面 通過調(diào)整權(quán)值 w1,w2,… wn和 θ ，可以得到不同的二元分類器。 下面給出感知器的一種學(xué)習(xí)算法： (1)隨機地給出一組初始權(quán)值 w1,w2,… wn和閾值 θ ； (2)在時刻 k ,選取樣本 (3)計算實際輸出： (4)按下式修正權(quán)值和閾值： 其中， t(k)是 x(k)的目標(biāo)輸出， η 為學(xué)習(xí)率，一般約為 。 (5)返回到第 (2)步，直到對所有樣本 w和 θ 不再改變時結(jié)束，也就意味著實際輸出與理想輸出是一致的，沒有誤差。 2022/2/9 55 例 采用單一感知器神經(jīng)元解決一個簡單的分類問題：將四個輸入矢量分為兩類，其中兩個矢量對應(yīng)的目標(biāo)值為 1，另兩個矢量對應(yīng)的目標(biāo)值為 0，已知 輸入矢量： 0 . 5 0 . 5 0 . 3 0 . 00 . 5 0 . 5 0 . 5 1 . 0P ????? ????目標(biāo)分類矢量： T=[1 1 0 0] 2022/2/9 56 誤差反向傳播神經(jīng)網(wǎng)絡(luò)，簡稱 BP網(wǎng)絡(luò)（ Back propagation），是一種單向傳播的多層前向網(wǎng)絡(luò)。其連接權(quán)的調(diào)整采用的是誤差反向傳播學(xué)習(xí)算法，簡稱 BP算法。 只要有足夠多的隱層和隱層節(jié)點， BP網(wǎng)絡(luò)能夠?qū)崿F(xiàn)任意復(fù)雜的輸入輸出的非線性映射。其輸入輸出之間的關(guān)聯(lián)信息分布地存儲于各連接權(quán)中。 BP網(wǎng)絡(luò)的學(xué)習(xí)算法屬于全局逼近方法，因此具有較好的泛化能力。 BP網(wǎng)絡(luò)在模式識別、圖像處理、系統(tǒng)辨識、優(yōu)化計算和自適應(yīng)控制等方面有著廣泛的應(yīng)用。 3. BP神經(jīng)網(wǎng)絡(luò) 2022/2/9 57 （ a）前饋神經(jīng)網(wǎng)絡(luò) j p p1 xp1 x pn t pk t pm Op1 O pn Op2 wj1 wjn 輸入層 隱層 輸出層 信息流 hjpS hpjO pm 2022/2/9 58 00( ) ( ) , ( ) ( )nLj i j i h k j k j yijO f w x f s y f w O f s??? ? ? ???00,nLh i j i y j k jijs w x s w O??????211 ()2mkkkE t y??? ????21 1 11 ()2N N mkkkE E t y?????? ? ?? ? ?? ? ?2022/2/9 59 2022/2/9 60 2022/2/9 61 例 應(yīng)用兩層 BP網(wǎng)絡(luò)來完成函數(shù)逼近的任務(wù)，其中隱層的神經(jīng)元個數(shù)選為 5。網(wǎng)絡(luò)結(jié)構(gòu)如下圖所示。 兩層 BP網(wǎng)絡(luò) 2022/2/9 62 解：首先定義輸入樣本和目標(biāo)矢量 P=1::1。 T=[ . –.0729 .3771 .6405 .6600 .4609 … .1336 .0988 … .3072 .3960 .3449 .1816 ]。 上述數(shù)據(jù)的圖形如下圖所示。 利用函數(shù) newff建立一個 bp神經(jīng)網(wǎng)絡(luò)，然后利用函數(shù)train對網(wǎng)絡(luò)進(jìn)行訓(xùn)練。 樣本數(shù)據(jù)對 2022/2/9 63 訓(xùn)練結(jié)果和誤差 2022/2/9 64 相應(yīng)的 Matlab程序如下： P = 1:.1:1。 T = [ .3771 .6405 .6600 .4609 ... .1336 .0988 ... .3072 .3960 .3449 .1816 ]。 plot(P,T,39。+39。)。 =newff(minmax(P),[5 1],{39。tansig39。 39。purelin39。},39。traingd39。,39。learngd39。,39。sse39。)。 =1000。 =10。 =。 =。 = train(,P,T)。 Y= sim(,P)。 figure plot(P,T,39。+39。,P,Y) 2022/2/9 65 神經(jīng)網(wǎng)絡(luò)的應(yīng)用 1. 神經(jīng)網(wǎng)絡(luò)監(jiān)督控制 2. 神經(jīng)網(wǎng)絡(luò)直接逆控制 3. 神經(jīng)網(wǎng)絡(luò)自適應(yīng)控制 4. 神經(jīng)網(wǎng)絡(luò)內(nèi)?？刂? 5. 神經(jīng)網(wǎng)絡(luò)自適應(yīng)評價控制 2022/2/9 66 最優(yōu)控制 自適應(yīng)控制 魯棒控制 預(yù)測控制 非線性控制理論的發(fā)展 2022/2/9 67 2022/2/9 68 2022/2/9 69 2022/2/9 70
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號-1