物理]智能控制第5章神經(jīng)網(wǎng)絡(luò)理論基礎(chǔ)(參考版)
2025-01-07 13:34本頁面
【正文】 。 ?5．基于神經(jīng)網(wǎng)絡(luò)的預(yù)測 神經(jīng)網(wǎng)絡(luò)在非線性系統(tǒng)預(yù)測這方面顯示出了明顯的優(yōu)越性?？梢哉f，將模糊控制和神經(jīng)網(wǎng)絡(luò)兩者結(jié)合組成的神經(jīng)網(wǎng)絡(luò)模糊控制技術(shù)是控制理論研究者們關(guān)注的焦點(diǎn)之一。它的基本設(shè)計(jì)思想就是借助人工操作的經(jīng)驗(yàn)，通過合成關(guān)系，把輸入的模糊量和關(guān)系矩陣合成，推導(dǎo)出控制量。 ?2．基于神經(jīng)網(wǎng)絡(luò)的故障診斷 神經(jīng)網(wǎng)絡(luò)技術(shù)的出現(xiàn)，為故障診斷問題提供了一種新的解決途徑，特別是對(duì)于在實(shí)際中難以建立數(shù)學(xué)模型的復(fù)雜系統(tǒng)，神經(jīng)網(wǎng)絡(luò)更顯示出其獨(dú)特的作用。 )( ijjij wxw ??? ? 神經(jīng)網(wǎng)絡(luò)特征及要素 特征： ?能逼近任意非線性函數(shù) ?信息的并行分布式處理與存儲(chǔ) ?可以多輸入、多輸出 ?便于用超大規(guī)模集成電路、光學(xué)集成電路系統(tǒng)和計(jì)算機(jī)實(shí)現(xiàn) ?能進(jìn)行學(xué)習(xí)，以適應(yīng)環(huán)境的變化 三要素 ?神經(jīng)元的特性 ?神經(jīng)元之間相互連接的拓?fù)浣Y(jié)構(gòu) ?為適應(yīng)環(huán)境而改善性能的學(xué)習(xí)規(guī)則 神經(jīng)網(wǎng)絡(luò)研究領(lǐng)域 系統(tǒng)辨識(shí) 神經(jīng)網(wǎng)絡(luò)控制器 與其他算法結(jié)合設(shè)計(jì)新型控制系統(tǒng) 優(yōu)化計(jì)算 ?．神經(jīng)網(wǎng)絡(luò)在目前的應(yīng)用領(lǐng)域 1．控制理論及其應(yīng)用設(shè)計(jì) 神經(jīng)網(wǎng)絡(luò)用于控制系統(tǒng)設(shè)計(jì)主要是針對(duì)系統(tǒng)的非線形、不確定性和復(fù)雜性進(jìn)行的。 ? ? ? ? jiijij IIkk ??? ?? 1是用已知樣本作為教師對(duì)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí) 。 如果兩個(gè)神經(jīng)元同時(shí)興奮 (即同時(shí)被激活 )，則它們之間的突觸連接加強(qiáng)。 人工神經(jīng)網(wǎng)絡(luò)連接權(quán)的確定通常有： 有導(dǎo)師學(xué)習(xí)、無導(dǎo)師學(xué)習(xí)和再勵(lì)學(xué)習(xí) 常用的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方式： （ 1）有導(dǎo)師學(xué)習(xí) 監(jiān)督學(xué)習(xí) Supervised Learning — 例如 BP — 有明確的“教師”信號(hào) 神經(jīng)網(wǎng)絡(luò) 比較 輸入 實(shí)際輸出 期望輸出 （ 2）無導(dǎo)師學(xué)習(xí) 無監(jiān)督學(xué)習(xí) Unsupervised Learning — 沒有任何“教師”信號(hào) — 只是通過輸入數(shù)據(jù)的內(nèi)部信息 相當(dāng)自組織這類方法。 神經(jīng)網(wǎng)絡(luò)的權(quán)值并非固定不變，相反這些權(quán)值可以根據(jù)經(jīng)驗(yàn)或?qū)W習(xí)來改變。所謂“訓(xùn)練”，就是讓它學(xué)會(huì)要做的事情，通過學(xué)習(xí)，把這些知識(shí)記憶在網(wǎng)絡(luò)的權(quán)值中。 2．反饋網(wǎng)絡(luò) 從輸出到輸入有反饋，反饋動(dòng)力學(xué)系統(tǒng)，需要工作一段時(shí)間才穩(wěn)定，具有聯(lián)想記憶功能 3．自組織網(wǎng)絡(luò) 神經(jīng)網(wǎng)絡(luò)接受外界輸入時(shí)，網(wǎng)絡(luò)會(huì)分成不同區(qū)域，不同區(qū)域具有不同的響應(yīng)特性，即不同的神經(jīng)元以最佳方式響應(yīng)不同性質(zhì)的信號(hào)激勵(lì)，形成一種非線性映射，通過無監(jiān)督的自適應(yīng)過程完成（聚類） 圖 神經(jīng)網(wǎng)絡(luò)的典型結(jié)構(gòu) 人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí) 算法 神經(jīng)網(wǎng)絡(luò)最有用的特征之一是它具有自學(xué)習(xí)功能。 人工神經(jīng)網(wǎng)絡(luò)的分類 神經(jīng)元的模型確定之后，一個(gè)神經(jīng)網(wǎng)絡(luò)的特性及能力主要取決于網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)及學(xué)習(xí)方法。 (2)由于在上述模型中用一個(gè)等效的模擬電壓來模擬生物神經(jīng)元的脈沖密度，所以在模型中只有空間累加而沒有時(shí)間累加(可以認(rèn)為時(shí)間累加已隱含在等效的模擬電壓之中 )。 圖 人工神經(jīng)元模型 響應(yīng)函數(shù)（激活函數(shù)）的基本作用： 控制輸入對(duì)輸出的激活作用； 對(duì)輸入、輸出進(jìn)行函數(shù)轉(zhuǎn)換； 將可能無限域的輸入變換成指定的有限范圍內(nèi)的輸出。 目前已有 40多種模型 人腦神經(jīng)網(wǎng)絡(luò)信息處理的特點(diǎn) 1．分布存儲(chǔ)與冗余性 2．并行處理 3．信息處理與存儲(chǔ)合一 4．可塑性與自組織性 5．魯棒性 人工神經(jīng)元模型 歸納一下生物神經(jīng)元傳遞信息的過程 ： 生物神經(jīng)元是一個(gè)多輸入 、 單輸出單元 。 ?人工神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)和自適應(yīng)的能力，可以通過預(yù)先提供的一批相互對(duì)應(yīng)的輸入－輸出數(shù)據(jù)，分析掌握兩者之間潛在的規(guī)律，最終根據(jù)這些規(guī)律，用新的輸入數(shù)據(jù)來推算輸出結(jié)果，這種學(xué)習(xí)分析的過程被稱為“訓(xùn)練”。 人工神經(jīng)元－－信息處理單元 人工神經(jīng)元－－信息處理單元 ?信息輸入 ?信息輸入 人工神經(jīng)元－－信息處理單元 ? )( ixf ? i? ?信息 傳播 與 處理： 積與和 人工神經(jīng)元－－信息處理單元
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號(hào)-1