【正文】 （ 216） 采用 Hebb 學習和有監(jiān)督的 Delta 學習相結(jié)合的學習策略，使神經(jīng)元通過關聯(lián)搜索對未知的外界作出反應，即在教師信號 ))()( kokd jj ? 的指導下，對環(huán)境信號進行相關學習和自組織，使相應的輸出增強或削弱。以 io 表示單元 i 的激活值， jo 表示單元的激活值， ijw 表示單元 i 到單元 j 的激活值，則 Hebb 學習規(guī)則可用下式表示： )()()()1( kokokwkww ijijijij ?????? （ 214） 其中， ? 為學習速率，該公式表明兩神經(jīng)元之間連接權的變化量與它們的激活值相關。其學習過程表現(xiàn)為：給系統(tǒng)提供動態(tài)輸入信號，以使各個單元以某種方式競爭，獲勝的神經(jīng)元本身或相鄰域得到增強，其他神經(jīng)元進一步抑制，從而將信號空間劃分為有用的多個區(qū)域 [13]。 有監(jiān)督學習就是通過外部教師信號進行學習，即要求同時給出輸入和正確的期望輸出的模式對，當實際輸出結(jié)果與期望輸出有誤差時，網(wǎng)絡將通過自動機制調(diào)節(jié)相應的連接強度，使之向減少誤差的方向改變，經(jīng)過多次反復訓練，最后與正 確的結(jié)果相符合。 神經(jīng)網(wǎng)絡學習規(guī)則 神經(jīng)網(wǎng)絡的學習規(guī)則即調(diào)整神經(jīng)網(wǎng)絡連接權值的規(guī)則。 江蘇科技大學 本科畢業(yè)設計（論文） 10 圖 27 BP 網(wǎng)絡梯度下降學習算法 BP 學習算法流程總結(jié)如下圖 ： 開 始連 接 權 值 及 閥 值 初 始 化將 學 習 模 式 對 提 供 給 網(wǎng) 絡計 算 隱 含 層 各 個 單 元 的 凈 輸入 和 輸 出計 算 輸 出 層 各 個 單 元 的 凈 輸入 和 輸 出計 算 輸 出 層 各 個 單 元 的 一 般化 誤 差計 算 隱 含 層 各 個 單 元 的 一 般化 誤 差調(diào) 整 隱 含 層 至 輸 出 層 之 間 的 連 接 權 值 及 輸出 層 各 個 單 元 的 閥 值調(diào) 整 輸 入 層 至 隱 含 層 之 間 的 連 接 權 值 及 隱含 層 各 個 單 元 的 閥 值更 新 學 習 模 式 對全 部 學 習 模 式 訓 練 完 畢更 新 學 習 次 數(shù)誤 差 小 于 限 定 最 大 誤 差 要 求或 學 習 次 數(shù) 大 于 最 大 值學 習 結(jié) 束 NYNY 圖 28 BP 學習算法流程圖 BP 網(wǎng)絡的學習算法的步驟歸納如下： (1)從訓練樣本集中取某一樣本，把它的輸入信息輸入到網(wǎng)絡中； 江蘇科技大學 本科畢業(yè)設計（論文） 11 (2)由網(wǎng)絡正向計算出各節(jié)點的輸出； (3)計算網(wǎng)絡的實際輸出與期望輸出的誤差； (4)從輸出層起始反向計算到第一個隱層，按一定原則向減小誤差方向調(diào)整網(wǎng)絡的各個連接權值； (5)對訓練樣本集合中的每一個樣本重復以上步驟，直到對整個訓練樣本集合的誤差達到要求為止。 示意圖如圖 27 所示，梯度下降學習算法總是在尋找坡度最大的地段向下滑行，當它處于 D 位置時，沿最大坡度路線下降，到達局部最小點而 G 停止滑行。 因此，各神經(jīng)元的輸出應為 )))(e xp(1/(1ji ijij owo ?? ???? （ 211） )))(e xp(1/(1 ki jjik owko ?? ???? （ 212） BP 網(wǎng)絡學習中的誤差反向傳播過程是通過使一個目標函數(shù) (實際輸出與希望輸出之間的誤差平方和 )最小化完成的，可以利用梯度下降法導出計算公式 [10]。隱含層可以是一層，也可以是多層（圖示為單隱含層），前層至后層節(jié)點通過權連接 。 BP 神經(jīng)網(wǎng)絡是人工神經(jīng)網(wǎng)絡的一種，它不僅具有人工神經(jīng)網(wǎng)絡的特點，而且有自己的 BP 算法。若隱層節(jié)點 (單元 )不可任意設置，則用三層 S 型非線性特性節(jié)點的網(wǎng)絡，可以一致逼近緊集上的連續(xù)函數(shù)或按 2L 范數(shù)逼近緊集上的平方可積函數(shù) [8]。 ② 多層感知器 在輸入和輸出層間加一層或多層隱含層，即構成多層感知器，又稱多層前饋神經(jīng)網(wǎng)絡。 ① 單層感知器模型 單層感知器模型是一個具有單層處理單元的神經(jīng)網(wǎng)絡，如圖 24 所示，非線性作用函數(shù) )(xf 是對稱型階躍函數(shù)。 最早由 Rosenblatt 提出的感知器模型為單層感知器，僅有輸入層和輸出層構成。 )W 2 W nuf ( (f 將 u 變換到指定范圍內(nèi)?；瘮?shù) )(f 分別表示神經(jīng)元的基函數(shù)和激活函數(shù)。 )圖 23 所示為一個具有 n 個 輸入的通用的神經(jīng)元模型。 MP 神經(jīng)元模型是人工神經(jīng)元模型的基礎，也是神經(jīng)網(wǎng)絡理論的基礎。 ∑ ? i W n x 2 . .u iy i F ( u i )w 1 x 1 w 2x n 圖 22 MP 模型示意圖 其中 ： iy ， 神經(jīng)元的輸出信號，可與其它多個神經(jīng)元連接； 江蘇科技大學 本科畢業(yè)設計（論文） 6 ix ， 神經(jīng)元的輸入信號； iw ：神經(jīng) 元的連接權值； i? ：神經(jīng)元的閥值： )(iuf ：神經(jīng)元的非線性作用函數(shù)。 基于這個思想， McCulloch和 Pitts 在神經(jīng)元模型中引入了硬極限函數(shù)，該函數(shù)形式后來被其他神經(jīng)網(wǎng)絡 (多層感知器、離散 Hopfield 網(wǎng)絡 )所采用 [6]。 神經(jīng)網(wǎng)絡原理 MP 模型 人工神經(jīng)網(wǎng)絡的首個數(shù)學模型是由 McCulloch和 Pitts 建立的。局部互連是指互連是局部的，有些神經(jīng)元之間沒有連接關系。 ④互連網(wǎng)絡 互連網(wǎng)絡有局部互連和全互連兩種。 ③前向內(nèi)層互聯(lián)網(wǎng)絡 從 外部看仍是前饋網(wǎng)絡，但在同一層內(nèi)存再互相之間的連接，以實現(xiàn)同層內(nèi)神經(jīng)元之間的橫向抑制或興奮機制。 ②反饋網(wǎng)絡 其本身是前饋網(wǎng)絡，但從輸出到輸入有反饋回路，因此稱之為反饋網(wǎng)絡。 前饋網(wǎng)絡是人工神經(jīng)網(wǎng)絡中應用最為廣泛和成熟的網(wǎng)絡類型。 人工神經(jīng)網(wǎng)絡的類型 根據(jù)不同的網(wǎng)絡連接方式，人工神經(jīng)網(wǎng)絡可以分為以下幾種結(jié)構： ①前饋網(wǎng)絡 網(wǎng)絡中的神經(jīng)元分層排列，每個神經(jīng)元只和上一層的神經(jīng)元連接。通過轉(zhuǎn)換函數(shù)實現(xiàn)輸入信號到輸出信號的映射，稱為激活函數(shù)。 ) , nx 為神經(jīng)元輸入信號， kw1 , kw2 , ∑ f ( 人工神經(jīng)元是對生物神經(jīng)元結(jié)構和功能的模擬，是對生物神經(jīng)元的形式化描述，是對生物生物神經(jīng)元的信息處理過程的抽象。 正因為神經(jīng)網(wǎng)絡是一種模仿生物神經(jīng)系統(tǒng)構成的新的信息處理模型，并且具有獨特的結(jié)構，所以人們期望它能解決一些用傳統(tǒng)方法難以解決的問題。 神經(jīng)網(wǎng)絡具有一些顯著的特點：如具有非線性映射能力，不需要精 確的數(shù)學模型，擅長從輸入輸出數(shù)據(jù)中學習有用知識，容易實現(xiàn)并行計算等。兩者比較，可以看出 BP 神經(jīng)網(wǎng)絡 PID 控制器的控制效果良好，具有更強的信息處理能力、自適應和魯棒性，實踐上具有重要意義。 第四章 BP 神經(jīng)網(wǎng)絡 PID 控制器在鍋爐蒸汽壓力中的應用，對船用鍋爐主蒸汽壓力調(diào)節(jié)對象，利用 BP 神經(jīng)網(wǎng)絡 PID 控制器 實現(xiàn) 對它的壓力進行調(diào)節(jié)控制 。 第三章 神經(jīng)網(wǎng)絡 PID 控制器的設計，本章介紹了傳統(tǒng)的 PID 控制器的原理和特點，指出傳統(tǒng) PID 控制器在工業(yè)過程控制存在的不足。 第一章 緒論，本章介紹了本課題的選題背景，概述了人工神經(jīng)網(wǎng)絡的發(fā)展歷史及主要應用現(xiàn)狀。 通過對比仿真結(jié)果，可以看出 BP 神經(jīng)網(wǎng)絡 PID 控制器明顯具有更強的信息處理能力、自適應性和魯棒性。 船用鍋爐主蒸汽壓力調(diào)節(jié)對象含有大慣性、大滯后環(huán)節(jié)，常規(guī) PID 控制方法不具備江蘇科技大學 本科畢業(yè)設計（論文） 3 自適應能力，因此很難滿足實際的控制要求。 除上述幾個應用領域之外，神經(jīng)網(wǎng)絡在娛樂、零售分析、信用分析、航空航天等方面也有廣泛的應用前景。 Grossberg/Kupersteirl 的視覺運動控制神經(jīng)網(wǎng)絡，能夠執(zhí)行傳感器表面的一個圖像傳感器的反饋控制和圖像平面的非線性關系的計算，并能把圖像傳感器瞄準到正在運動的指定客體上。 概括地說，神經(jīng)網(wǎng)絡在信號處理領域主要應用于自適應信號處理 (自適應濾波、時間序列預測、譜估計、陣列處理、消除噪聲、檢測等 )、非線性信號處理 (非線性濾波、非線性預測、非線性譜估計、非線性編碼、調(diào)制、解調(diào)、中值處理等 )。神經(jīng)網(wǎng)絡可以根據(jù)運輸網(wǎng)或通信網(wǎng)中當前及以前的貨物及信息情況，最佳地調(diào)度網(wǎng)中的貨物源和信息源 ，達到貨物和信息在網(wǎng)中的傳遞最為經(jīng)濟的目的。 （ 3） 運輸及通信：運輸與通信問題在國民經(jīng)濟中有著極為重要的現(xiàn)實意義。 （ 2） 市場管理：不同種神經(jīng)網(wǎng)絡的數(shù)據(jù)處理能力是不同的。目前，該算法已經(jīng)成為影響最大的一種人工神經(jīng)網(wǎng)絡學習方法。 1986 年，美國的 和 及其領導的研究小組發(fā)表了《并行分布式處理》一書的前兩卷，對人工神經(jīng)網(wǎng)絡研究高潮的到來起到了推波助瀾的作用。神經(jīng)網(wǎng)絡在兩個方面與人腦相似： （ 1） 神經(jīng)網(wǎng)絡獲取的知識是從外界環(huán)境中學習得來的； （ 2） 互聯(lián)神經(jīng)元的連接強度，即突觸權值，用于存儲獲取的知識。它是在現(xiàn)代神經(jīng)科學研究成果上提出來的，始于 19 世紀末期，反映了人腦的若干基本特征，是模擬人工智能的一條重要途徑 [3]。結(jié)合 MATLAB軟件及 Simulink模塊 ， 能夠 很好地完成了仿真設計及應用要求 [2]。只有尋找具有典型特性的實際研究對象，積極將相關知識投身于實踐，才能夠更好的促進學習，更好地將理論成果轉(zhuǎn)化為高效的應用技術。因此要了解其運行的動態(tài)特性，研究船舶蒸汽動力系統(tǒng)的動態(tài)模型就十分必要。 船舶蒸汽動力系統(tǒng)是一個系統(tǒng)復雜、設備眾多的能量轉(zhuǎn)換系統(tǒng)。 然而學術研究成果與實際的生產(chǎn)應用技術水平并不是同步的，某些方面甚至相差幾十年。 PID 江蘇科技大學 本科畢業(yè)設計（論文） III 目 錄 第 1 章 緒論 ................................................................................................ 1 選題的背景 ................................................................................................................. 1 人工神經(jīng)網(wǎng)絡的研究內(nèi)容 ......................................................................................... 1 論文內(nèi)容安排 ............................................................................................................. 2 第 2 章 神經(jīng)網(wǎng)絡概述 ............................................................................... 4 引言 ............................................................................................................................. 4 人工神經(jīng)網(wǎng)絡的基本理論 ......................................................................................... 4 人工神經(jīng)元的形式化描述 ................................................................................... 4 人工神經(jīng)網(wǎng)絡的類型 ........................................................................................... 5 神經(jīng)網(wǎng)絡原理 ............................................................................................................. 5 MP 模型 ................................................................................................................. 5 一般的神經(jīng)元模型 ............................................................................................... 6 感知器模型 ..........................