神经网络控制人工神经元网络模型与控制第一节引言神经元网络的特点：人工神经网络人脑大约包含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。从生物控制论的观点来看，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与特性：图中为神经元内部状态；为阀值；为输入信号，j=1，2，3,…….n;表示从单元到单元的连接系数，为外部输入信号。（4）、Tan函数型根据联结方式分：（1）、前向网络——神经元分层排列，组成输入层、隐含层和输出层。每层只能够接受前一层神经元的输入。（2）、反馈网络——在输入层到输出层存在反馈。（3）、相互结合型网络——相互结合网络属于网络结构。任意两个神经元之间可能有连接。（4）、混合型网络——层次形型网络和网状结构网络的一种结合。三、神经网络的学习算法第二节前向神经网络模型二、单层神经网络结构四、多层传播网络学习算法一般说，前向神经网络是通过期望输出与实际输出之间的误差平方的极小来进行权阵的学习和训练。通常一个周期一个周期进行训练，一个周期对所有的样本集，完成后下一个周期对此样本集进行重复训练，直到性能指标E满足要求为止。根据L层网络结构可知，网络输出为：要使E安梯度下降，就必须按下式进行权值的调整BP学习算法步骤：3）、计算误差实际上，对训练过程有较大影响的有：权系数的初值、学习方式、激励函数、学习速率等例3-1如图3-15所示的多层前向传播神经网络结构。假设对于期望的输入。网络权系数的初始值见图，试用BP算法训练此网络。这里神经元激励函数为，学习步长为3）、判断神经网络逼近误差要求或者迭代学习到最大容许值否？5）连接权系数更新例3-2利用多层前向传播神经网络来逼近非线性函数第三节动态神经网络模型1、带时滞的多层感知器网络3、Hopfield网络1、二值型Hopfield网络对于n个节点的离散Hopfield网络有个可能的状态。同理可得：能量函数：第四节神经网络PID控制3.4.1基于BP神经网络控制参数自学习PID控制基于BP神经网络的PID控制算法可归纳如下：1).事先选定BP神经网络NN的结构，即选定输入层节点数M和隐含层节点数Q，并给出权系数的初值w(2)ij(0),w(3)li(0)，选定学习速率η和平滑因子α，k=1；2).采样得到r(k)和y(k)，计算e(k)=z(k)=r(k)-y(k)；3).对r(i),y(i),u(i-1),e(i)进行归一化处理，作为NN的输入；4).前向计算NN的各层神经元的输入和输出，NN输出层的输出即为PID控制器的三个可调参数KP(k),KI(k),KD(k)；5).计算PID控制器的控制输出u(k)，参与控制和计算；6).计算修正输出层的权系数w(3)li(k)；7).计算修正隐含层的权系数w(2)ij(k)；8).置k=k+1，返回到“2）”。3.4.2改进型BP神经网络控制参数自学习PID控制1．采用线性预测模型的BP神经网络PID控制器采用线性预测模型的BP神经网络PID控制系统算法归纳如下：1).事先选定BP神经网络NN的结构，即选定输入层节点数M和隐含层节点数Q，并给出权系数的初值w(2)ij(0),w(3)li(0)，选定学习速率η和平滑因子α，k=1；2).用线性系统辨识法估计出参数矢量θ(k)，从而形成一步预报模型式；3).采样得到r(k)和y(k)，计算e(k)=z(k)=r(k)-y(k)；4).对r(i),y(i),u(i-1),e(i)进行归一化处理，作为NN的输入；5).前向计算NN的各层神经元的输入和输出，NN输出层的输出即为PID控制器的三个可调参数KP(k),KI(k),KD(k)；6).计算PID控制器的控制输出u(k)，参与控制和计算；7).计算和；8).计算修正输出层的权系数w(3)li(k)；9).计算修正隐含层的权系数w(2)ij(k)；10).置k=k+1，返回到“2）”。2．采用非线性预测模型的BP神经网络PID控制器基于BP神经网络的PID控制算法可归纳如下：1).事先选定BP神经网络NN的结构，即选定输入层节点数M和隐含层节点数Q，并给出权系数的初值w(2)ij(0),w(3)li(0)，选定学习速率η和平滑因子α，k=1；2).采样得到r(k)和y(k)，计算e(k)=z(k)=r(k)-y(k)；3).对r(i),y(i),u(i-1),e(i)进行归一化处理，作为NN的