21單神經(jīng)元網(wǎng)絡-資料下載頁
2025-10-09 08:09本頁面
【導讀】表示從單元到單元的連接權系數(shù)，為外部輸入信號。兩個待調(diào)整的權值W1和W2. 樣本集分別屬于2類。1)隨機給定一組連接權ωi,i=0，1，2。K=0，表示初始值。4)在樣本集中另選一個樣本，并置k+1?表示此時的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，簡稱BP網(wǎng)絡，該網(wǎng)絡是一種單向傳播的多層前向網(wǎng)絡。基本思想是梯度下降法。它采用梯度搜索技術，權值通過δ學習算法進行調(diào)節(jié)；神經(jīng)元激發(fā)函數(shù)為S函數(shù)；含一個隱含層的BP網(wǎng)絡結(jié)構如圖7-5所示，為輸出層神經(jīng)元。BP為網(wǎng)絡逼近器，y為被控對象實際。圖2-7用于逼近的BP網(wǎng)絡。BP算法的學習過程由正向傳播和反向。如果在輸出層不能得到期望的輸。出與實際輸出之差）按聯(lián)接通路反向計算，
【正文】 1211)()()()((k )ux ?1其中 , 為學習速率， 為動量因子。 ? ?23)1(1)1()()(?????kykykuky使用 RBF網(wǎng)絡逼近下列對象： ? RBF網(wǎng)絡逼近程序見 。 RBF網(wǎng)絡逼近仿真實例 回歸神經(jīng)網(wǎng)絡 對角回歸型神經(jīng)網(wǎng)絡 （ DRNN： Diagonal Recurrent Neural Network） 是具有反饋的動態(tài)神經(jīng)網(wǎng)絡 ， 該網(wǎng)絡能夠更直接更生動地反映系統(tǒng)的動態(tài)特性 ， 它在 BP網(wǎng)絡基本結(jié)構的基礎上 ， 通過存儲內(nèi)部狀態(tài)使其具備映射動態(tài)特征的功能 ， 從而使系統(tǒng)具有適應時變特性的能力， DRNN網(wǎng)絡代表了神經(jīng)網(wǎng)絡建模和控制的方向 。 DRNN網(wǎng)絡結(jié)構 DRNN網(wǎng)絡是一種三層前向網(wǎng)絡 ， 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 ， 則學習算法結(jié)束；否則 ， 轉(zhuǎn)至反向傳播 。 反向傳播就是將誤差信號 （ 理想輸出與實際輸出之差） 按聯(lián)接通路反向計算 ， 由梯度下降法調(diào)整各層神經(jīng)元的權值和閾值 ， 使誤差信號減小 。 DRNN網(wǎng)絡結(jié)構如圖 718所示 。 圖 718 DRNN神經(jīng)網(wǎng)絡結(jié)構 在該網(wǎng)絡中 , 設 為網(wǎng)絡輸入向量 , 為輸入層第 i個神經(jīng)元的輸入 ， 網(wǎng)絡回歸層第 j 個神經(jīng)元的輸出為 , 為第 個回歸神經(jīng)元輸入總和 , 為 S函數(shù) ， 為 DRNN網(wǎng)絡的輸出 。 ? ?nIIII ?, 21?(t)iI(k)jX (k)jSj(.)f (k)O 和 為網(wǎng)絡回歸層和輸出層的權值向量 , 為網(wǎng)絡輸入層的權值向量 。 DW OWIW DRNN網(wǎng)絡的逼近 DRNN網(wǎng)絡逼近的結(jié)構如圖 719所示，圖中 k為網(wǎng)絡的迭代步驟， u(k)和 y(k)為辨識器的輸入。 DRNN為網(wǎng)絡辨識器。 y(k)為被控對象實際輸出， 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)絡逼近 網(wǎng)絡輸出層的輸出為 網(wǎng)絡回歸層的輸出為 網(wǎng)絡回歸層的輸入為 )()()( kXwkOkyjjojm ???))(()( kSfkX jj ?))(()1()( kIwkXwkS iIijijojj ????逼近誤差為： 性能指標函數(shù)為： 學習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習速率 ， 為慣性系數(shù) 。 Io , D ???? DRNN網(wǎng)絡逼近仿真實例 使用 DRNN網(wǎng)絡逼近下列對象： 23)1(1)1()()(?????kykykukyDRNN網(wǎng)絡逼近程序見 。
教學課件相關推薦
鄂ICP備17016276號-1