智能控制導(dǎo)論 蔡志興版 教學(xué)5課件

智能控制導(dǎo)論國家精品課程配套教材15.1人工神經(jīng)網(wǎng)絡(luò)的初步知識5.2神經(jīng)控制的結(jié)構(gòu)方案5.3神經(jīng)控制器的設(shè)計5.4小結(jié)第五章神經(jīng)控制25.1人工神經(jīng)網(wǎng)絡(luò)的初步知識5.1.1神經(jīng)元及其特性神經(jīng)元模型連接機制結(jié)構(gòu)的基本處理單元與神經(jīng)生理學(xué)類比往往稱為神經(jīng)元每個構(gòu)造起網(wǎng)絡(luò)的神經(jīng)元模型模擬一個生物神經(jīng)元

-1…中間狀態(tài)由輸入信號的權(quán)和表示神經(jīng)元單元由多個輸入3強調(diào)突觸是神經(jīng)元之間相互連接的接口部分，即一個神經(jīng)元的神經(jīng)末梢與另一個神經(jīng)元的樹突相接觸的交界面，位于神經(jīng)元的神經(jīng)末梢尾端。突觸是軸突的終端。神經(jīng)元是構(gòu)成神經(jīng)網(wǎng)絡(luò)的最基本單元（構(gòu)件）。人工神經(jīng)元模型應(yīng)該具有生物神經(jīng)元的六個基本特性5人工神經(jīng)元的工作過程

對于某個處理單元（神經(jīng)元）來說，假設(shè)來自其他處理單元（神經(jīng)元）i的信息為Xi，它們與本處理單元的互相作用強度即連接權(quán)值為Wi,i=0,1,…,n-1,處理單元的內(nèi)部閾值為θ。那么本處理單元（神經(jīng)元）的輸入為而處理單元的輸出為（9.1.2）式中，xi為第i個元素的輸入，wi為第i個處理單元與本處理單元的互聯(lián)權(quán)重。f稱為激發(fā)函數(shù)或作用函數(shù)，它決定節(jié)點（神經(jīng)元）的輸出。6(a)閾值型(b)分段線性型(c)Sigmoid函數(shù)型(d)雙曲正切型這里，激發(fā)函數(shù)一般具有非線性特性,常用的非線性激發(fā)函數(shù)如圖所示稱為激活值神經(jīng)網(wǎng)絡(luò)的基本概念及組成特性75.1.2神經(jīng)網(wǎng)絡(luò)與智能控制神經(jīng)網(wǎng)絡(luò)特性

并行分布處理非線性映射通過訓(xùn)練進行學(xué)習(xí)適應(yīng)與集成硬件實現(xiàn)神經(jīng)網(wǎng)絡(luò)用于智能控制系統(tǒng)的潛力神經(jīng)網(wǎng)絡(luò)因其學(xué)習(xí)和適應(yīng)、自組織函數(shù)逼近和大規(guī)模并行處理等能力8人工神經(jīng)網(wǎng)絡(luò)基本分為兩類即遞歸（反饋）網(wǎng)絡(luò)前饋網(wǎng)絡(luò)

v1v2vn輸入

輸出…輸入層隱層輸出層反向傳播3x2x1x'3x'2x'1x11w1x2x3xny1y1mw遞歸網(wǎng)絡(luò)前饋網(wǎng)絡(luò)………5.1.3人工神經(jīng)網(wǎng)絡(luò)的基本類型和學(xué)習(xí)算法10人工神經(jīng)網(wǎng)絡(luò)的主要學(xué)習(xí)算法

有師學(xué)習(xí)

有師學(xué)習(xí)算法能夠根據(jù)期望的和實際的網(wǎng)絡(luò)輸出（對應(yīng)于給定輸入）間的差來調(diào)整神經(jīng)元間連接的強度或權(quán)。無師學(xué)習(xí)

無師學(xué)習(xí)算法不需要知道期望輸出。強化學(xué)習(xí)強化學(xué)習(xí)算法采用一個“評論員”來評價與給定輸入相對應(yīng)的神經(jīng)網(wǎng)絡(luò)輸出的優(yōu)度（質(zhì)量因數(shù)）5.1.3人工神經(jīng)網(wǎng)絡(luò)的基本類型和學(xué)習(xí)算法12自適應(yīng)諧振理論環(huán)境變化網(wǎng)絡(luò)的可塑性分析新添樣本訓(xùn)練合并重新訓(xùn)練應(yīng)用新環(huán)境下的應(yīng)用樣本集網(wǎng)絡(luò)的可塑性需要的4項功能樣本的分類功能分類的識別功能比較功能類的建立功能14基本的雙聯(lián)存儲器結(jié)構(gòu)

W第1層輸入向量第2層輸出向量WTx1xnymy1……………智力鏈從一件事想到另一件事，“喚回失去的記憶”。自相聯(lián)異相聯(lián)雙聯(lián)存儲器（BidirectionalAssociativeMemory—BAM）。15Boltzmann機的訓(xùn)練

Boltzmann機是多級循環(huán)網(wǎng)絡(luò)，是Hopfield網(wǎng)的一種擴展。神經(jīng)元ANi實際輸出狀態(tài)oi=1的概率為：

T趨近于0時，神經(jīng)元的狀態(tài)不再具有隨機性，Boltzmann機退化成一般Hopfield網(wǎng)。16

由于在反饋網(wǎng)絡(luò)中，網(wǎng)絡(luò)的輸出要反復(fù)地作為輸入再送入網(wǎng)絡(luò)中，這就使得網(wǎng)絡(luò)具有了動態(tài)性，網(wǎng)絡(luò)的狀態(tài)在不斷的改變之中，因而就提出了網(wǎng)絡(luò)的穩(wěn)定性問題。所謂一個網(wǎng)絡(luò)是穩(wěn)定的是指從某一時刻開始，網(wǎng)絡(luò)的狀態(tài)不再改變。設(shè)用X(t)表示網(wǎng)絡(luò)在時刻t的狀態(tài)，如果從t=０的任一初態(tài)X(0)開始，存在一個有限的時刻t，使得從此時刻開始神經(jīng)網(wǎng)絡(luò)的狀態(tài)不再發(fā)生變化，即

就稱此網(wǎng)絡(luò)是穩(wěn)定的。Hopfield模型及其學(xué)習(xí)算法17簡單的反饋神經(jīng)網(wǎng)絡(luò)圖185.1.5基于神經(jīng)網(wǎng)絡(luò)的知識表示和推理基于神經(jīng)網(wǎng)絡(luò)的知識表示傳統(tǒng)的人工智能系統(tǒng)中所用的是知識的顯示表示,而神經(jīng)網(wǎng)絡(luò)中的知識表示是一種隱式表示.隱式表示,知識并不像在生產(chǎn)式系統(tǒng)中那樣獨立地表示,而是將某一問題的若干知識在同一網(wǎng)絡(luò)表示基于神經(jīng)網(wǎng)絡(luò)的推理基于神經(jīng)網(wǎng)絡(luò)的推理是通過網(wǎng)絡(luò)計算實現(xiàn)的.把用戶提供的初始證據(jù)用作網(wǎng)絡(luò)的輸入,通過網(wǎng)絡(luò)計算最終得到輸出結(jié)果醫(yī)療診斷實例和異或模型正向網(wǎng)絡(luò)推理步驟及其特性205.2神經(jīng)控制的結(jié)構(gòu)方案5.2.1NN學(xué)習(xí)控制基于神經(jīng)網(wǎng)絡(luò)的監(jiān)督式控制實現(xiàn)NN監(jiān)督式控制的步驟通過傳感器和傳感信息處理，調(diào)用必要的和有用的控制信息構(gòu)造神經(jīng)網(wǎng)絡(luò)，選擇NN類型、結(jié)構(gòu)參數(shù)和學(xué)習(xí)算法等訓(xùn)練NN控制器，實現(xiàn)輸入和輸出間的映射，以便進行控制NNC受控對象監(jiān)督程序r(t)+-e(t)u(t)+-選擇器y(t)215.2.2NN內(nèi)模控制基于NN的內(nèi)?？刂频慕Y(jié)構(gòu)圖示于下圖其中，系統(tǒng)模型（NN2）與實際系統(tǒng)并行設(shè)置反饋信號由系統(tǒng)輸出與模型輸出間的差得到由NN1（在正向控制通道上一個具有逆模型的NN控制器）進行處理；NN1控制器應(yīng)當(dāng)與系統(tǒng)的逆有關(guān)濾波器

NN1裝置NN2r(t)e(t)u(t)ym(t)d++--235.2.3NN自適應(yīng)控制NN自校正控制（STC）直接自校正控制、間接自校正控制NN參考自適應(yīng)控制（MRAC）NN直接參考自適應(yīng)控制、NN間接參考自適應(yīng)控制常規(guī)控制器裝置NN辨識器r(t)e(t)u(t)y(t)dNNC參考模型裝置r(t)e(t)u(t)ec(t)ym(t)y(t)d+-+-NN直接參考自適應(yīng)控制間接自校正控制245.3神經(jīng)控制器的設(shè)計控制器結(jié)構(gòu)和工作原理FCFIENNC對象+-eufu++unufyr5.3神經(jīng)控制器的設(shè)計26神經(jīng)控制器及訓(xùn)練輸入層

輸出層中間層5.3神經(jīng)控制