1、基于神经元网络的智能控制,神经元网络的特点：,1）非线性 2）分布处理 3）学习并行和自适应 4）数据融合 5）适用于多变量系统 6）便于硬件实现,神经网络的发展历史,始于19世纪末20世纪初，源于物理学、心理学和神经生理学的跨学科研究。 现代研究：20世纪40年代。从原理上证明了人工神经网络可以计算任何算术相逻辑函数。可以认为是神经网络领域研究工作的开始。 人工神经网络第一个实际应用出现在20世纪50年代后期，Frank Rosenblatt提出了感知机网络和联想学习规则。 在60年代，由于缺乏新思想和用于实验的高性能计算机，曾一度动摇了人们对神经网络的研究兴趣。 到了80年代，随着个人计算
2、机和工作站计算能力的急剧增强和广泛应用，以及不断引入新的概念，克服了摆在神经网络研究面前的障碍，人们对神经网络的研究热情空前高涨。,有两个新概念对神经网络的复兴具有重大的意义： 其一：用统计机理解释某些类型的递归网络的操作，这类网络可作为联想存储器； 其二：在20世纪80年代，几个不同的研究者分别开发出了用于训练多层感知器的反传算法。,神经网络的应用,航空：高性能飞行器自动驾驶仪，飞行路径模拟，飞机控制系统，自动驾驶优化；器，飞行部件模拟，飞行器部件故障检测器 汽车：汽车自动导航系统，担保行为分析器 银行：支票和其他公文阅读器，信贷申请的评估器 国防：武器操纵，目标跟踪，目标辨识，面部识别、新
3、型的传感器，声纳雷达和图像信号处理(包括数据压缩、特征提取、噪声抑制、信号图像的识别),电子： 娱乐： 金融： 保险： 制造： 医疗：,石油、天然气： 机器人： 有价证券： 电信： 交通：,生物学的启示,人工神经网络却没有人脑那么复杂，但它们之间有两个关键相似之：首先，两个网络的构成都是可计算单元的高度互连(虽然人工神经元比生物神经元简单得多)。其次，处理单元之间的连接决定了网络的功能。,神经元网络的简化模型,ai1,ai2,a in,bi1,bi2,bim,wi,y1,y2,y n,u1,uk,um,1,vi,x i,y i,神经元网络的一般模型框架,1）加法器 2）线性动态系统（SISO）
4、 3）静态非线性系统,式中 aij 和bik 为权系数，i,j =1,2,n, k= 1,2,m. n 个加法器可以写成向量形式：, N维列向量, N维列向量（单元输出）,NN维矩阵,NM维矩阵, M维列向量（外部输入）, M维常向量, 线性动态系统,典型的有：,静态非线性系统 典型的有：,g(x),g(x),g(x),x,x,x,阈值函数,阈值函数,Sigmoid函数,（双极型）,Sigmoid,u1,ui,i,u1,ui,i,y i,y i,Adline(自适应线性网）,单层感知器(Perceptron),不同的部件可以组成不同的网络,K,ui,y j,yi,离散Hopfield网,y1,
5、y2,y3,y4,u1,u2,u3,u4,yj,yi,ui,xi,连续的Hopfield网,按学习的方法神经元网络可分成二类：1）有监督的学习网络：感知器误差反传网络（BP）小脑模型连接控制器（CMAC）模块（组合）网络增强学习网络, 有监督的神经网络,1）感知器网络,感知器是前馈(正向传输)网络,所有节点都是线性的., , , ,x1,x2,xn,b1,b2,bm,权向量W,2）无监督学习网络竞争学习和Kohonen网络Hopfield网络双向联想存贮器（BAM）Boltzman机,输入与输出的关系：,权矩阵可以按下式求解：,学习规则：,代表输入与输出的差别。,是学习因子,这学习规则即是著名
6、的 学习规则。,随着学习迭代次数k的增加， 保证网络的收敛。, 反传（BP）网络,误差反传（学习算法）,（BP）网络与感知器的主要差别在于：（BP）网络的节点 是非线性的。采用广义 学习规则。, 反传（BP）网络的结构图一个输入层，一个输出层，多个隐层。,j,p,p1,xp1,x pn,t pk,t pm,Op1,O pn,Op2,隐层,wj1,wjn,输入层,隐层,输出层,信息流, , ,pm,隐层节点j输出和输入节点p的关系：,输出节点k和隐层输出节点p的关系：,学习过程：,定义输出误差,学习的目的是要使以下定义的误差平方和最小：,因此，要求以下的偏导，,最后得到二个权值改变的重要公式：,
7、初始化,加输入和期望输出,计算隐层和输出层的输出,迭代次数加1,调节输出层和隐层的连接权值,改变训练样板,训练样终止？,迭代终止？,BP算法的基本流程,No,No,y,y,重要结论,具有至少一个隐层的多层前馈网络，如果隐层单元足够多，那么，利用扁平激励函数和线性多项式集成函数，可以对任意感兴趣的函数逼成到任意精度。,扁平激励函数定义：f : R 0,1 或-1,1是非减函数,扁平激励函数的参数.,理论证明:多层前馈网络是一种通用逼近器,讨论,隐层的数目和节点的数目,何谓合适? 是否收敛到全局最优?(涉及多维误差曲面的不确定性) 3)收敛的速度问题。(涉及隐层节点输出的相互耦合和梯度下降法本身的
8、缺点）,作业,阅读：Martin T. Haguan等著，戴葵等译.神经网络设计. 机械工业出版社，北京：2002.9：第11章、第12章有关BP算法的内容,学习：就是修改神经网络的权值和偏置值的方法和过程(也称这种过程是训练算法) 学习的目的：为了训练网络来完成某些工作 学习的分类： 有监督学习： 竞争学习： 无监督学习：,学习规则由一组描述网络行为的实例集合(训练集)给出：p1,t1、 p2,t2 、。pq,tq，其中，pq为网络的输入，tq为相应的正确(目标)输出。当输入作用到网络时，网络的实际输出与目标相比较，然后学习规则调整网络的权值和偏置值，从而使网络的实际输出越来越接近于目标输出。,增强学习与有监督的学习类似，只是它并不像有监督的学习一样为每一个输 入提供相应的目标输出，而是仅仅给出一个级别，这个级别(或评分)是对网络在某些输入序列上的性能测度。当前这种类型的学习要比有监督的学习少见。看起来它最为适合控制系统应用领域。,在无监督的学习中，仅仅根据网络的输入调整网络的权值和偏置值，它没有目标输出，乍一看这种学习似乎并不可行：不知道网络的目的是什么，还能够训练网络吗?实际上，大多数这种类型的算法都是要完成某种聚类操作，学会将输入模式分为有限的几种类型，这种功能特别适合于诸如向量量化等应用问题。,返回,
