第5章练习1.人工神经网络的常用学习算法有哪些？答：1）Hebb学习规则；2）2)δ学习规则；3）概率式学习4）竞争式学习。2.前馈神经网络和反馈神经网络各有什么特点？答：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；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。典型的前馈网络有感知器和BP网络等。反馈型神经网络(FeedbackNeuralNetwork)的结构若总节点(神经元)数为n。则每个节点有n个输入和1个输出，也就是说，所有节点都是一样的，它们之间都可相互连接。Hopfield神经网络是反馈神经网络中最简单且应用广泛的模型，它具有联想记忆的功能；Hopfield神经网络还可以用来解决快速寻优问题。试给出推导BP学习算法的计算步骤。答：BP学习算法由正向传播与反向传播组成,反向传播误差需要调整权值，其算法如下(1)隐含层至输出层权值调整算法；(2)输入层至隐含层权值调整算法。给出基于标准模型的模糊神经网络结构并推导其学习算法。答：其学习算法:下面具体给出每一层的节点函数。第一层：输入等于输出；xi,i=1,2,...,n;第二层：各输入分量模糊分割zij，输出是模糊隶属函数；第三层：对模糊规则前件的匹配，适用度计算；或第四层：模糊规则适用度的归一化；第五层：各规则的加权和输出。令误差函数式中，ti和yi分别表示期望输出和实际输出。第6章练习1.试推导单神经元PID控制算法。答：设r(k)为给定量，被控对象的输出为y(k)，经转换器转换成为神经元学习和控制所需要状态量x1,x2,x3，它们分别是图中,K>0为统神经元的比例系数。神经元产生的控制信号为2.任选两种神经网络，逼近一个非线性函数，用MATLAB进行编程，并比较两种神经网络的逼近误差。3.设被控过程的数学模型为用BP神经网络的PID控制器对其进行控制，给出系统结构，设计过程和MATLAB仿真结果。转换器对象K∑Z-1+-r(k)x1e(k)∆u(k)u(k)x2++y(k)x3被控对象为：输入为一方波信号：，采样时间为1ms，采用有监督的Hebb学习规则实现权值的学习，初始权值取W=[w1w2w3]=[0.10.10.1]，η=0.4，K=0.12。用Matlab编写仿真程序clearall;closeall;x=[0,0,0]’;xite=0.4;//η=0.4//w11=0.1;//初始权值取W=[w1w2w3]=[0.10.10.1]//w21=0.1;w31=0.1;e1=0;e2=0;y1=0;y2=0;u1=0;u2=0;K=0.12;ts=0.001;//单位时间//fork=1:1:1000//时间步长//time(k)=k*ts;//控制时间函数//r(k)=0.5*sign(sin(4*pi*k*ts));//输入//y(k)=-0.368*y1+0.264*y2+0.688*u1+0.632*u2;//被控对象//e(k)=r(k)-y(k);//误差函数//w1(k)=w11+xite*e(k)*u1*x(1);w2(k)=w21+xite*e(k)*u1*x(2);w3(k)=w31+xite*e(k)*u1*x(3);x(1)=e(k)-e1;x(2)=e(k);x(3)=e(k)-2*e1+e2;w=[w1(k),w2(k),w3(k)];u(k)=u1+K*w*x;e2=e1;e1=e(k);u2=u1;u1=u(k);y2=y1;y1=y(k);w11=w1(k);w21=w2(k);w31=w3(k);endfigure(1);plot(time,r,’b’,time,y,’r’);xlabel(‘time(s)’);ylabel(‘Positiontracking’);figure(2);plot(time,e);xlabel(‘time(s)’);ylabel(‘error’);figure(3);plot(time,w1);xlabel(‘time(s)’);ylabel(‘w1’);figure(4);plot(time,w2);xlabel(‘time(s)’);ylabel(‘w2’);figure(5);plot(time,w3);xlabel(‘time(s)’);ylabel(‘w3’);参考实例：神经网络PID控制PID控制要取得较好的控制效果，就必须通过调整好比例、积分和微分三种控制作用，形成控制系统中既相互配