教学PPT神经网络控制.ppt
《教学PPT神经网络控制.ppt》由会员分享,可在线阅读,更多相关《教学PPT神经网络控制.ppt(37页珍藏版)》请在三一文库上搜索。
1、第三章 神经网络控制,(Neural Network Control),人工神经元模型 神经元的学习方法 神经元网络 神经网络控制 应用实例,3.1 人工神经元模型,一、神经元模型(The Neuron) 生物神经元是脑组织的基本单元,人脑约1011个神经元。 二、人工神经元: 利用物理器件(电子、光电)、软件在计算机上仿真,模拟生物结构功能。 对生物神经元的一种模拟与简化。它是神经网络的基本处理单元。,wji:连接权系数 i:内部阈值 f() :输出变换函数, 具有非线性特性, f 的确定: 根据应用 wi 的确定: 通过学习,它是一个多输入、单输出的非线性元件。,三、神经元结构模型,输出变
2、换函数的常见类型:,控制中常用 ,, 比例函数, S 状函数, 双曲函数, 符号函数,二、学习规则: wi(k+1) = wi(k) + ivi(k) , i = 1, 2, ., n k 第 k 次学习 i 学习速率 (i 0) vi(k) 学习信号(通常为误差的函数),一、学习的意义: 通过调整权值 wi ,使神经元具有期望的输入输出模式。,3.2 神经元的学习方法,三、学习方法梯度下降法:,特点: 沿梯度方向下降一定能到达 J 的极小点; 学习的快慢取决于学习速率i 的选取; 缺点是可能陷入局部最小点。,简单例: 设 y = w1x1 (即 = 0 , f(s) = s) w1 的初值
3、w1(0) = 0,取性能指标为 J = e2(k)2 = 2 y(k) 2 2 = 2 w1(k) 2 2,则有,用梯度下降法, 使 x1 = 1 时, y = 2,表 3-1 =0.5 时的学习结果 ( 学习速率较小 ),表 3-2 =1.5 时的学习结果 ( 学习速率较大 ),表 3-3 =2 时的学习结果 ( 学习速率过大 ),表 3-4 =3 时的学习结果 ( 学习速率过大 ),结论: 过小收敛慢;过大则振荡甚至可能发散。 对于该例,=1 时的学习次数最少( 一次结束),目的:通过学习,使神经网络具有 期望 的输入输出模式 两个关键: 网络结构 , 学习方法 常用结构: 前馈网,反馈
4、网等,3.3 神经元网络,一、BP神经网络 (误差反向传播神经网络: Back Propagation ),著名的BP网络 = 前馈网 + BP算法,1.BP神经网络特点 (1)是一种多层网络,包括输入层、隐含层和输出层; (2)层与层之间采用全互连方式,同一层神经元之间不连接; (3)权值通过学习算法进行调节; (4)神经元激发函数为S函数; (5)学习算法由正向传播和反向传播组成; (6)层与层的连接是单向的,信息的传播是双向的。,2.BP网络的逼近(BP算法),梯度 下降法,由输出层向输入层反向计算每一层的连接权值,BP算法,(1)前向传播:计算网络的输出。,隐层神经元的输入为所有输入的
5、加权之和:,隐层神经元的输出采用S函数激发:,则,输出层神经元的输出:,网络输出与理想输出误差为:,误差性能指标函数为:,(2)反向传播:采用学习算法,调整各层间的权值。,根据梯度下降法,权值的学习算法如下:,输出层及隐层的连接权值学习算法为:,k+1时刻网络的权值为:,隐层及输入层连接权值学习算法为:,其中,k+1时刻网络的权值为:,如果考虑上次权值对本次权值变化的影响,需要加入动量因子,此时的权值为:,其中,,为学习速率,,为动量因子。,阵(即为对象的输出对控制输入的灵敏度信息)算法为: 其中取,由给定的输入样本计算网络输出,并与输出样本进行比较(输出误差);由输出误差依次反向计算每一层的
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 教学 PPT 神经网络 控制
链接地址:https://www.31doc.com/p-3833720.html