神经网络控制及其应用

( 0)
wk.baidu.com
0 x 图5 S状函数
4 神经网络模型的组成
4.1．神经网络连接的结构形式
（1）前向网络
神经元网络中神经元是分层排列，每个神经元 只与前一层的神经元相连接，分为输入层，隐 含层（一层或多层）和输出层。
神经元 X1 y1
X2
y2
Xn
输 入 层
隐含层 图6 前向网络
输 出 层
yn
（2）反馈前向网络
（1）神经网络源于对脑神经的模拟，所以具有很强的适应 于复杂环境和多目标控制要求的自学习能力。 （2）具有以任意精度逼近任意非线性连续函数的特性。
神经网络的应用
航空:高性能飞行器自动驾驶、飞行路径模拟、 飞行部件模拟、飞行部件故障检测… 汽车:汽车自动导航仪… 国防:武器操纵、目标跟踪、面部识别、雷达 制造：生产流程控制、过程和机器诊断、机 和图像信号处理、新型传感器、声纳 … 器性能分析、化工流程动态建模、项目投 机器人：轨道控制、操作手控制、视觉系 标 … 统… 语音：语音识别、语音压缩… 还有金融、保险、银行、医疗、交通、电讯、 电子、石油天然气、有价证券、娱乐等行业。
神经网络控制及其应用
1 神经网络控制产生的背景 自动控制面临着两个方面的技术问题
（1）控制对象越来越复杂，存在着多种不确定（随机性） 和难以确切描述的非线性。 （2）对控制系统的要求越来越高，迫切要求提高控 制系 统的智能化水平，即系统具有逻辑思维和推理判断的能力。
神经网络为处理和解决上述问题提供了一条新的途径
BP网络各层的神经元数（即节点数）及隐含层层 数的确定如下：
（1）输入层神经元数 （2）隐含层神经元数 （3）隐含层数的确定 （4）输出层神经元数的确定
5 神经网络的学习
当神经网络的结构确定之后，关键问题是设计 一个学习速度快，收敛性好的学习算法。 要求网络本身必须具有学习功能，即能够从示 教模式的学习中逐渐调整权值，使网络整体具有近 似函数或处理信息的功能。 5.1．网络学习方式 （1）有教师学习 （2）无教师学习
时变系统是指其方程的系数是时间的函数，如宇 宙飞船的控制系统，因为飞船的然联消耗和引力的变 化都是时间的函数。
(t ) bxy (t ) cy ( x) ax y
2
系统是由相互联系、相互依赖、相互制约和相互 作用的若干部分组成，具有某种特定功能的有机整体。 控制系统是由相互联系、相互依赖、相互制约和 相互作用的若干部分组成，具有某种控制功能的有机 整体。
实际是自动控制理论在机械制造领域的应用的一部分，最为 热门和广泛应用的一部分
基本概念
自动控制是在没有人直接参与的情况下，通过控制系统是被控对 象自动地按照预定规律运行的控制过程。 自动控制系统是由相互联系、相互依赖、相互作用的若干部分组 成，具有控制功能的有机整体。 被控对象是指工作状态需要给以控制的装置、设备和过程。 给定量也称控制量，表征被控量的希望运行规律，也是系统的输 入量。 扰动量也称干扰量，是引起被控量偏离预定运行规律的量。 从控制理论上而不是控制方法上说控制理论主要分两大类经典控 制理论和现代控制理论。 经典控制理论是以传递函数为理论基础，解决单输入、单输出的 线性控制系统的分析与设计问题。 现代控制理论主要是以状态方程或模糊数学、神经网络等为理论 基础，解决多输入多输出的非线性时变控制系统的分析与设计问题。
Wij —表示从神经元i到神经元j的连接权值；
f( )
—称为激励函数（也有称为响应函数或传输函数）。
权值表示相邻的神经元相互连接的程度 阈值即决定神经元的兴奋与否，决定兴奋与抑制 激励函数可为线性函数也可为非线性函数。它是 用来实现输入对输出函数关系的静态映射，它决 定了神经元的单元特性。
常用的神经元非线性函数 f ( x)
自动控制系统的分类
按系统组成的物理性质分 电气控制系统；机械控制系统；流体控制系统；电气—流体控制系统 按系统的数学模型（微分方程）的性质分 线性定常系统； 线性系统 非线性系统 线性时变系统； 按给定量的变化规律分 恒值控制系统；程序控制系统；随动控制系统 按输入、输出信号连续性分 连续系统；离散系统 按控制量参数的性质分 速度控制；位置控制；力和力矩控制；混合变量控制等系统 按系统有无反馈信号分 开环系统；闭环系统
3 生物学的启示
树 突 细胞体 突触 树 突 轴突 树突
轴突
细胞体
4 人工神经元
X1 X2 Xn i=1,2…n
图1 生物神经元的简图
w ij
yj ∑ f
输入
I i Wij xi j
i 1
n
Qj j=1,2…m
输出
y j f (Ii )
图2 单神经元结构图
为简便起见，也可把网络的阈值以连接数值的形式表示 n 出来，即令，则 I i Wij xi i 0 式中 x i —为其它神经元传至本神经元的输入信号， i 1, 2, , n j —神经元j的阈值，此阈值决定了该神经元的兴奋与否；
f(x)
（1）阶跃函数
1 f ( x) 0
x0 x0
1 x 0 图3 阶跃函数 f(x) 1 x
1 （2）Sgn函数 sgn( x) 1
x0 x0
-1
图4 sgn函数
1 （3）S状函数 f ( x) 1 exp( x)
f(x) 1
β=5 β=1 β=0.2
网络本身是前向型，但从输出到输入有反馈。
X1 X2 Xn 图7 反馈前向网络 y1 y2 yn
图8 互连网络
（3）互连网络
任意两个神经元之间都可能有连接，因此输入信号 要在神经元之间反复往返传递。
4.2．BP网络的结构 BP网络是一单向传播的多层前向网络，其结构图 如图6所示BP网络可看成是一从输入到输出的高度 非线性映射网络。
广泛应用的有教师学习的算法——BP （Back Propagation）算法
BP算法即是误差反向传播算法，该方法已成为神经网络学习中最常用的方法之一。 BP算法一般是应用梯度下降原理，样本输入信号在神经网络中正向传播，应用了多 层前向神经网络具有的以任意精度逼近非线性函数的能力。而网络输出与样本给定 输出值之差（误差）在网络中是反向传播，用于网络的权值的训练。