智能控制第7章典型神經(jīng)網(wǎng)絡(luò)-在線瀏覽
2025-02-23 05:19本頁面
【正文】 jjjk xwx39。 根據(jù)梯度下降法 ， 權(quán)值的學(xué)習(xí)算法如下： 輸出層及隱層的連接權(quán)值學(xué)習(xí)算法為： k+1時(shí)刻網(wǎng)絡(luò)的權(quán)值為： 39。39。239。ijijij wkwkw ???? )()1( 如果考慮上次權(quán)值對(duì)本次權(quán)值變化的影響， 需要加入動(dòng)量因子 ， 此時(shí)的權(quán)值為： 其中 , 為學(xué)習(xí)速率 ， 為動(dòng)量因子 。39。39。 （ 3） BP網(wǎng)絡(luò)輸入輸出之間的關(guān)聯(lián)信息分布地存儲(chǔ)在網(wǎng)絡(luò)的連接權(quán)中 ， 個(gè)別神經(jīng)元的損壞只對(duì)輸入輸出關(guān)系有較小的影響 ， 因而 BP網(wǎng)絡(luò)具有較好的容錯(cuò)性 。 目前 ，如何根據(jù)特定的問題來確定具體的網(wǎng)絡(luò)結(jié)構(gòu)尚無很好的方法 ， 仍需根據(jù)經(jīng)驗(yàn)來試湊 。 ? 由于 BP網(wǎng)絡(luò)具有很好的逼近特性和泛化能力 ，可用于神經(jīng)網(wǎng)絡(luò)控制器的設(shè)計(jì) 。 BP網(wǎng)絡(luò)逼近仿真實(shí)例 使用 BP網(wǎng)絡(luò)逼近對(duì)象： BP網(wǎng)絡(luò)逼近程序見 23)1(1)1()()(?????kykykuky BP網(wǎng)絡(luò)模式識(shí)別 ? 由于神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)、自組織和并行處理等特征，并具有很強(qiáng)的容錯(cuò)能力和聯(lián)想能力，因此，神經(jīng)網(wǎng)絡(luò)具有模式識(shí)別的能力。 當(dāng)訓(xùn)練滿足要求后 ， 得到的神經(jīng)網(wǎng)絡(luò)權(quán)值構(gòu)成了模式識(shí)別的知識(shí)庫(kù) ， 利用神經(jīng)網(wǎng)絡(luò)并行推理算法對(duì)所需要的輸入模式進(jìn)行識(shí)別 。 當(dāng)待識(shí)別的輸入模式與訓(xùn)練樣本中所有輸入模式都不完全相同時(shí) ， 則可得到與其相近樣本相對(duì)應(yīng)的輸出模式 。 BP網(wǎng)絡(luò)的訓(xùn)練過程如下：正向傳播是輸入信號(hào)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 以第 p個(gè)樣本為例 ， 用于訓(xùn)練的 BP網(wǎng)絡(luò)結(jié)構(gòu)如圖 711所示 。 隱層神經(jīng)元的輸入為所有輸入的加權(quán)之和： 隱層神經(jīng)元的輸出 采用 S函數(shù)激發(fā) ： ??iiijj xwx39。)1( 39。39。 網(wǎng)絡(luò)第 個(gè)輸出與相應(yīng)理想輸出 的誤差為： 第 p個(gè)樣本的誤差性能指標(biāo)函數(shù)為： 其中 N為網(wǎng)絡(luò)輸出層的個(gè)數(shù) 。 權(quán)值的學(xué)習(xí)算法如下： 輸出層及隱層的連接權(quán)值 學(xué)習(xí)算法為： jlw39。39。39。ijijij wkwkw ???? )()1( 如果考慮上次權(quán)值對(duì)本次權(quán)值變化的影響，需要加入動(dòng)量因子 ，此時(shí)的權(quán)值為： ?? ? ? ? ? ? ? ?? ?11 ??????? kwkwwkwkw jljljljljl ?))1()(()()1( ??????? twtwwtwtw ijijijijij ?其中 為學(xué)習(xí)速率， 為動(dòng)量因子。 輸 入 輸 出 1 0 0 1 0 0 1 0 0 0.5 0 0 1 0 1 表 71 訓(xùn)練樣本 BP網(wǎng)絡(luò)模式識(shí)別程序包括網(wǎng)絡(luò)訓(xùn)練程序 。 由于它模擬了人腦中局部調(diào)整 、 相互覆蓋接收域 （ 或稱感受野 Receptive Field） 的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) ， 因此 ， RBF網(wǎng)絡(luò)是一種局部逼近網(wǎng)絡(luò) ， 已證明它能任意精度逼近任意連續(xù)函數(shù) 。 RBF網(wǎng)絡(luò)結(jié)構(gòu) RBF網(wǎng)絡(luò)是一種三層前向網(wǎng)絡(luò)，由于輸入到輸出的映射是非線性的，而隱含層空間到輸出空間的映射是線性的，從而可以大大加快學(xué)習(xí)速度并避免局部極小問題。 圖 714 RBF神經(jīng)網(wǎng)絡(luò)逼近 在 RBF網(wǎng)絡(luò)結(jié)構(gòu)中 ， 為網(wǎng)絡(luò)的輸入向量 。網(wǎng)絡(luò)的權(quán)向量為： k時(shí)刻 網(wǎng)絡(luò)的輸出為： 設(shè)理想輸出為 y(k)， 則性能指標(biāo)函數(shù)為： T21
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號(hào)-1