21單神經(jīng)元網(wǎng)絡(luò)-資料下載頁
2024-10-18 08:09本頁面
【導(dǎo)讀】表示從單元到單元的連接權(quán)系數(shù)，為外部輸入信號。兩個(gè)待調(diào)整的權(quán)值W1和W2. 樣本集分別屬于2類。1)隨機(jī)給定一組連接權(quán)ωi,i=0，1，2。K=0，表示初始值。4)在樣本集中另選一個(gè)樣本，并置k+1?表示此時(shí)的d已能正確分類，能力非常有限，不能處理XOR問題。所以在1969年，Minsky和Papert發(fā)表了名為。知器的功能非常有限，使得隨后的研究處于低潮。神經(jīng)網(wǎng)絡(luò)，簡稱BP網(wǎng)絡(luò)，該網(wǎng)絡(luò)是一種單向傳播的多層前向網(wǎng)絡(luò)?；舅枷胧翘荻认陆捣?。它采用梯度搜索技術(shù)，權(quán)值通過δ學(xué)習(xí)算法進(jìn)行調(diào)節(jié)；神經(jīng)元激發(fā)函數(shù)為S函數(shù)；含一個(gè)隱含層的BP網(wǎng)絡(luò)結(jié)構(gòu)如圖7-5所示，為輸出層神經(jīng)元。BP為網(wǎng)絡(luò)逼近器，y為被控對象實(shí)際。圖2-7用于逼近的BP網(wǎng)絡(luò)。BP算法的學(xué)習(xí)過程由正向傳播和反向。如果在輸出層不能得到期望的輸。出與實(shí)際輸出之差）按聯(lián)接通路反向計(jì)算，
【正文】 1211)()()()((k )ux ?1其中 , 為學(xué)習(xí)速率， 為動(dòng)量因子。 ? ?23)1(1)1()()(?????kykykuky使用 RBF網(wǎng)絡(luò)逼近下列對象： ? RBF網(wǎng)絡(luò)逼近程序見 。 RBF網(wǎng)絡(luò)逼近仿真實(shí)例 回歸神經(jīng)網(wǎng)絡(luò) 對角回歸型神經(jīng)網(wǎng)絡(luò) （ DRNN： Diagonal Recurrent Neural Network） 是具有反饋的動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò) ， 該網(wǎng)絡(luò)能夠更直接更生動(dòng)地反映系統(tǒng)的動(dòng)態(tài)特性 ， 它在 BP網(wǎng)絡(luò)基本結(jié)構(gòu)的基礎(chǔ)上 ， 通過存儲內(nèi)部狀態(tài)使其具備映射動(dòng)態(tài)特征的功能 ， 從而使系統(tǒng)具有適應(yīng)時(shí)變特性的能力， DRNN網(wǎng)絡(luò)代表了神經(jīng)網(wǎng)絡(luò)建模和控制的方向 。 DRNN網(wǎng)絡(luò)結(jié)構(gòu) DRNN網(wǎng)絡(luò)是一種三層前向網(wǎng)絡(luò) ， 其隱含層為回歸層 。 正向傳播是輸入信號從輸入層經(jīng)隱層傳向輸出層 ， 若輸出層得到了期望的輸出 ， 則學(xué)習(xí)算法結(jié)束；否則 ， 轉(zhuǎn)至反向傳播 。 反向傳播就是將誤差信號 （ 理想輸出與實(shí)際輸出之差） 按聯(lián)接通路反向計(jì)算 ， 由梯度下降法調(diào)整各層神經(jīng)元的權(quán)值和閾值 ， 使誤差信號減小 。 DRNN網(wǎng)絡(luò)結(jié)構(gòu)如圖 718所示 。 圖 718 DRNN神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 在該網(wǎng)絡(luò)中 , 設(shè) 為網(wǎng)絡(luò)輸入向量 , 為輸入層第 i個(gè)神經(jīng)元的輸入 ， 網(wǎng)絡(luò)回歸層第 j 個(gè)神經(jīng)元的輸出為 , 為第 個(gè)回歸神經(jīng)元輸入總和 , 為 S函數(shù) ， 為 DRNN網(wǎng)絡(luò)的輸出 。 ? ?nIIII ?, 21?(t)iI(k)jX (k)jSj(.)f (k)O 和 為網(wǎng)絡(luò)回歸層和輸出層的權(quán)值向量 , 為網(wǎng)絡(luò)輸入層的權(quán)值向量 。 DW OWIW DRNN網(wǎng)絡(luò)的逼近 DRNN網(wǎng)絡(luò)逼近的結(jié)構(gòu)如圖 719所示，圖中 k為網(wǎng)絡(luò)的迭代步驟， u(k)和 y(k)為辨識器的輸入。 DRNN為網(wǎng)絡(luò)辨識器。 y(k)為被控對象實(shí)際輸出， ym(k)為 DRNN的輸出。將系統(tǒng)輸出 y(k)及輸入 u(k)的值作為辨識器DRNN的輸入，將系統(tǒng)輸出與網(wǎng)絡(luò)輸出的誤差作為辨識器的調(diào)整信號。 圖 719 DRNN神經(jīng)網(wǎng)絡(luò)逼近 網(wǎng)絡(luò)輸出層的輸出為 網(wǎng)絡(luò)回歸層的輸出為 網(wǎng)絡(luò)回歸層的輸入為 )()()( kXwkOkyjjojm ???))(()( kSfkX jj ?))(()1()( kIwkXwkS iIijijojj ????逼近誤差為： 性能指標(biāo)函數(shù)為： 學(xué)習(xí)算法采用梯度下降法 2( k )21 ekE ?)()()()( kykyte m??)()()()()( kXkewykewkEkwjojmojoj ?????????))2()1(()( ??????? kwkwkwηww ojojojoojoj ?1)(k( k ))()()()()()()()( kQwkewXX kykew kykew kEkw ijojIijjjmIijmIijIij ??????????????))2()1(()( ??????? kwkwkwηww IijIijIijIIijIij ?1)(k( k ))()()()()( kPwtewXXykew kEkw jojDjjjmDjDj ???????????))2()1(()( ??????? kwkwkwηww DjDjDjDDjDj ?1)(k( k )其中回歸層神經(jīng)元取雙函數(shù)為 xxxf ?????e1e1)()1()()( 39。 ????? kXSfwXkP jjDjjj)()()( 39。 kISfwXkQijIijjij ????其中 ， 分別為輸入層 、 回歸層和輸出層的學(xué)習(xí)速率 ， 為慣性系數(shù) 。 Io , D ???? DRNN網(wǎng)絡(luò)逼近仿真實(shí)例 使用 DRNN網(wǎng)絡(luò)逼近下列對象： 23)1(1)1()()(?????kykykukyDRNN網(wǎng)絡(luò)逼近程序見 。
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號-1