智能控制(第三版)chap9-神经网络控制

根据前面网络结构知：x1=u(k).
武汉科技大学 信息科学与工程学院
18
7.2.4 BP网络的优缺点
BP网络的优点为： ①可以逼近任意的非线性映射关系； ②是全局逼近算法，具有较强的泛化能力。 ③具有较好的容错性。 BP网络的主要缺点为： ①收敛速度慢；
②容易陷入局部极小值；
③难以确定隐层及隐层节点的数目。 武汉科技大学 信息科学与工程学院
2
武汉科技大学 信息科学与工程学院
常用的神经元非线性特性有以下3种： （1）阈值型
1 f ( Neti ) 0 Neti 0 Neti 0
图7-2 阈值型函数 武汉科技大学 信息科学与工程学院
3
（2）分段线性型
0 f ( Neti ) kNeti f max Neti Neti 0 Neti 0 Neti Netil Neti Netil
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δ 学习算法进行调节； （4）神经元激活函数为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。
武汉科技大学 信息科学与工程学院
7
7.2.2 BP网络结构
包括一个隐含层的BP网络结构如下图，图中i为输
使用高斯函数作为激活函数，网络具有唯一最佳逼
近的特性，无局部极小。
武汉科技大学 信息科学与工程学院
24
7.3.1 RBF网络结构与算法
多输入单输出的RBF神经网络结构如图7-13所示。
图7-13 RBF网络结构 武汉科技大学 信息科学与工程学院
25
在RBF神经网络中，x=[x1 x2 … xn]T为网络输入， hj为隐含层第 j个神经元的输出，即

f ( x, , c ) e
( x c ) 2 2 2
gaussmf(x, [σ , c])
(2) 广义钟型隶属函数 广义钟型隶属函数由三个参数a，b，c确定：
f ( x, a, b, c)
1 xc 1 a
2b
其中参数a和b通常为正，参数c用于确定曲线的中心。 Matlab表示为
C A ( 王五 )=1 。这样就反映不出三者的差异。假若
采用模糊子集的概念，选取 [0 ， 1] 区间上的隶属度 来表示它们属于 “ 学习好 ” 模糊子集 A 的程度，就能 够反映出三人的差异。 采用隶属函数 A ( x) x / 100 ，由三人的成绩 可知三人“学习好”的隶属度为 ( 张三 )=0.95， A
0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 0 20 40 60 X Years 80 100 120
图 “年轻”的隶属函数曲线
二、模糊集合的运算 1 模糊集合的基本运算 由于模糊集是用隶书函数来表征的，因此两 个子集之间的运算实际上就是逐点对隶属度作 相应的运算。 （1）空集 模糊集合的空集为普通集，它的隶属度为0， 即
0 x 25 1.0 2 1 Y ( x ) x 25 25 x 100 1 5
通过Matlab仿真对上述隶属函数作图，隶 属函数曲线如图所示。
1 0.9 0.8
Degree of membership
求A∪B，A∩B 则
0.9 0.2 0.8 0.6 A B u1 u2 u3 u4
0 .3 0 .1 0 .4 0 .5 A B u1 u2 u3 u4
例3.4 试证普通集合中的互补律在模糊集 合中不成立，即 A (u ) A (u ) 1，

M—P模型的提出兴起了对神经网络的研究。
(2) 1949年心理学家D．O．Hebb提出神经元之间突触联系强度可变 的假设。他认为学习过程是在突触上发生的，突触的联系强度随其前 后神经元的活动而变化。根据这一假设提出的学习率为神经网络的学 习算法奠定了基础。
(3) 1958年，Rosenblatt提出感知机，第一次把神经网络的研究付 诸工程实践。这是一种学习和自组织的心理学模型，它基本上符合 神经生理学的知识，模型的学习环境是有噪声的，网络构造中存在 随机连接，这符合动物学习的自然环境。这种类型的机器显然有可 能应用于模式识别、联想记忆等方面。
3．兴盛阶段
再次兴起的原因：
（1）计算机不具备学习能力。在处理能明确定义的问题或运用能明 确定义的概念作为知识时，计算机比较容易对它们进行处理，但是对 一些知识背景不清楚、推理规则不明确、环境信息十分复杂的知识处 理或是算法难以提取的信息处理任务往往感到很困难。 （2）日本第五代机计划远未达到预想水平，也倾向使人觉得有必要 进一步弄清人们习以为常的认知功能是如何进行的．这些认知功能包 括视、听觉感知，学习记忆，运动控制等．从而使人们认识到不能拘 泥一格而必须开拓新的思路，探索新的人类智能实现途径。这时原来 已出现过的，与人脑的生理组织更为接近的神经网络模型就自然成为 理想的候选模型。
兴盛阶段的标志：
（1）近些年来．许多科学家提出了许多种具备不同信息处理能力的神 经网络模型，至今为止。约已开发出了三十多种。神经网络也 被应用到了许多信息处理领域，如模式别、自动控制、信号处理、辅助 决策、人工智能等等。 （2）神经计算机的研究也为神经网络的理论研究和应用研究促供了 强有力的支持，各大学、科研团体和公司开发了许多神经网络模拟软 件包、各种型号的电子神经计算机以及许多神经网络芯片。 （3）1987年6月在美国加州举行了第一届神经网络国际会议，并成立 了国际神经网络学会，以后每年召开两次国际联合神经网络大会 (IJCNN)。 1990年12月在北京召开了我国首届神经网络学术大会，在南 京召开的1991中国神经网络学术大会上成上了中国神经网络学会。当前 发行了两种专门介绍神经网络研究的刊物，《IEEE Transaction on Neural Network》和《Neural Network》

图9-6为神经网络内模控制，被控对象的正向模型及 控制器均由神经网络来实现。
yd t +
-
et 滤波器
神经网络 控制器
NN1
d
ut
yt
对象
神经网络 ym t
+
正向模型
-
NN2
图7-6 神经网络内模控制
7.2.5 神经网络预测控制
预测控制又称为基于模型的控制，是70年代后期发 展起来的新型计算机控制方法，该方法的特征是预测 模型、滚动优化和反馈校正。
显然，神经网络直接逆控制的可用性在相当程度上 取决于逆模型的准确精度。由于缺乏反馈，简单连接 的直接逆控制缺乏鲁棒性。为此，一般应使其具有在 线学习能力，即作为逆模型的神经网络连接权能够在 线调整。
图9-2为神经网络直接逆控制的两种结构方案。 在图9-2(a)中，NN1和NN2为具有完全相同的网络结 构，并采用相同的学习算法，分别实现对象的逆。 在图9-2(b)中，神经网络NN通过评价函数进行学习， 实现对象的逆控制。
+
et 常规
控制器
ut
对象
yt
-
图7-3 神经网络间接自校正控制
2. 神经网络模型参考自适应控制 分为直接模型参考自适应控制和间接模型
参考自适应控制两种。 （1）直接模型参考自适应控制 如图9-4所示。神经网络控制器的作用是使
被控对象与参考模型输出之差为最小。但该方 法需要知道对象的 Jacobian 信息 y 。
现，即在学习算法中加入监督项zk ，则神经网络权
值学习算法为：
w1 (k) w1 (k 1) z(k)u(k)x1 (k) w2 (k) w2 (k 1) z(k)u(k)x2 (k) w3 (k) w3 (k 1) z(k)u(k)x3e(k)