神经网络与人工神经网络控制综述

神经网络与人工神经网络控制综述

摘要：本文阐述了人工神经网络和神经网络控制的基本概念、特点以及两者之间的关系，着重介绍了人工神经网络的工作原理和神经网络控制技术的应用，并对该技术的发展趋势做出了预测。

关键词：神经元；人工神经网络；神经网络控制；应用

Abstract:It expounds the basic concepts, characteristics of the artificial neural network and neural network control and the relationship between them, and the basic principle of artificial neural networks and applications of neural network control technology are emphatically introduced, then the development trend of the technology has been forecasted.

Keyword: Nerve Cell; Artificial Neural Networks; Neural Network Control; Application 1 人工神经网络与神经网络控制的基本概念和特点

人工神经网络是由大量处理单元互联组成的非线性、自适应信息处理系统。它是在现代神经科学研究成果的基础上提出的，试图通过模拟大脑神经网络处理、记忆信息的方式进行信息处理。基于人工神经网络的控制（ANN—based Control）简称神经网络控制（Neural Control）。[1]

1.1人工神经网络

1.1.1 生物神经元模型

自20世纪40年代，随着神经解剖学、神经生理学以及神经元的电生理过程等的研究取得突破性进展，人们对人脑的结构、组成及最基本工作单元有了越来越充分的认识。

人脑大约包含1012个神经元，分成约1000 种类型，每个神经元大约与102～104个

其他神经元相连接，形成极为错综复杂而又灵活多变的神经网络。每个神经元虽然都十分简单，但是如此大量的神经元之间、如此复杂的连接却可以演化出丰富多彩的行为方式。同时，如此大量的神经元与外部感受器之间的多种多样的连接方式也蕴含了变化莫测的反应方式。一个神经元结构的模型示意图如图一所示。

图一神经元结构的模型示意图

由图一看出，神经元由胞体、树突和轴突构成。胞体是神经元的代谢中心，它本身又由细胞核、内质网和高尔基体组成。内质网是合成膜和蛋白质的基础，高尔基体主要作用是加工合成物及分泌糖类物质，胞体一般生长有许多树状突起，称为树突，它是神经元的主要接受器。胞体还延伸出一条管状纤维组织，称为轴突。轴突外面可能包有一层厚的绝缘组织，称为髓鞘（梅林鞘），髋鞘规则地分为许多短段，段与段之间的部位称为郎飞节（Ranvier节）。

轴突的作用主要是传导信息，传导的方向是由轴突的起点传向末端。通常，轴突的末端分出许多末梢，它们同后一个神经元的树突构成一种称为突触的机构。其中，前一个神经元的轴突末梢称为突触的前膜，后一个神经元的树突称为突触的后膜；前膜和后膜两者之间的窄缝空间称为突触的间隙，前一个神经元的信息由其轴突传到末梢之后，通过突触对后面各个神经元产生影响。[2~4]

神经元作为控制和信息处理的基本单元，具有下列一些重要的功能和特性:

1）空间整合功能：神经元对于同一时间通过不同突触传入的神经冲动具有空间整合功能，两种功能相互结合，具有时空整合的输入信息处理功能。

2）兴奋与抑制状态：神经元具有两种常规工作状态。

兴奋：当传入冲动的时空整合结果使得细胞膜电位升高，并超过被称为动作电位

的阀值时，细胞进入兴奋状态，产生神经冲动，由轴突输出，用“1”表示。

抑制：当输入没有达到阀值时，细胞进入抑制状态，无神经冲动输出，用“0"表示。

3）学习、遗忘和疲劳：由于结构可塑性，突触的传递作用有增强，减弱和饱和，所以细胞具有相应的学习功能，遗忘或疲劳效应(饱和效应)。

以上的这些特性是神经元功能中比较突出的一部分，也是本论文的模型中主要涉及的功能。我们可以发现，神经元并不是简单的双稳态逻辑元件，而是超级的微型生物信息处理机和控制机。[5]

1.1.2 人工神经元模型

人工神经元是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。图二所示为一种简化的人工神经元结构。它是一个多输入、单输出的非线性元件。

图二 人工神经元结构

其输入、输出关系为：

1n

i ij j i j I w x θ-==∑ ()i i y f I =

其中，(1,2,3,j x j =…，n)是从其他神经元传来的输入信号；

ij w 表示从神经元j 到神经元i 的连接权值；i θ为阈值；f (•)称为激发函数或作用函数。

方便起见，常把-i θ也看成是恒等于1 的输0x 的权值，因此上式可写成：

0n

i ij j j I w x ==∑ 其中：0i i w θ=-，01x =。

输出激发函数 f (•)又称为变换函数，它决定神经元（节点）的输出。该输出为1 或0，取决于其输入之和大于或小于内部阈值i θ。f (•)函数一般具有非线性特性。[6~7]

1.1.3 人工神经网络模型

人工神经网络是以工程技术手段来模拟人脑神经网络的结构与特征的系统。利用人工神经元可以构成各种不同拓扑结构的神经网络，它是生物神经网络的一种模拟和近似。目前已有数十种不同的神经网络模型，其中前馈型网络和反馈型网络是两种典型的结构模型。

1）前馈型神经网络

前馈型神经网络，又称前向网络（Feed forward NN ）。如图三所示，神经元分层排列，有输入层、隐层（亦称中间层，可有若干层）和输出层，每一层的神经元只接受前一层神经元的输入。

图三 前馈型神经网络

从学习的观点来看，前馈网络是一种强有力的学习系统，其结构简单而易于编程；从系统的观点看，前馈网络是一静态非线性映射，通过简单非线性处理单元的复合映射，可获得复杂的非线性处理能力。但从计算的观点看，缺乏丰富的动力学行为。

大部分前馈网络都是学习网络，它们的分类能力和模式识别能力一般都强于反馈网