会计学神经网络的基本原理和结构(jiégòu)神经网络的基本(jīběn)模型⑵有反馈(fǎnkuì)的前向网络：典型的网络有Hopfield神经网络人工神经网络的基本(jīběn)结构类型神经网络的学习(xuéxí)方法监督(jiāndū)学习非监督(jiāndū)学习与再励学习学习规则(guīzé)(learningrule)：Hebb学习算法误差纠正学习算法概率式学习竞争学习算法Hebb学习(xuéxí)14误差(wùchā)纠正学习概率(gàilǜ)式学习竞争(jìngzhēng)学习前馈神经网络(feedforwardNN)：各神经元接受前级输入，并输出到下一级，无反馈，可用一有向无环图表示。图中结点为神经元（PE）：多输入单输出，输出馈送多个其他结点。前馈网络通常(tōngcháng)分为不同的层(layer)，第i层的输入只与第i-1层的输出联结。可见层：输入层(inputlayer)和输出层(outputlayer)隐层(hiddenlayer)：中间层感知器是1957年美国学者(xuézhě)Rosenblatt提出的一种用于模式分类的神经网络模型。感知器是由阈值元件组成且具有单层计算单元的神经网络，具有学习功能。感知器是最简单的前馈网络，它主要用于模式分类，也可用在基于模式分类的学习控制和多模态控制中，其基本思想是将一些类似于生物神经元的处理元件构成一个单层的计算网络感知器感知器学习(xuéxí)算法多层感知器多层感知器的一致(yīzhì)逼近性问题：多层感知器的中间隐层不直接与外界连接，其误差无法直接计算。反向传播(Backpropagation)算法：从后向前（反向）逐层“传播”输出层的误差，以间接算出隐层误差。分两个阶段(jiēduàn)：正向过程：从输入层经隐层逐层正向计算各单元的输出。反向过程：由输出层误差逐层反向计算隐层各单元的误差，并用此误差修正当前层的权值。2.4.2BP网络的标准(biāozhǔn)学习算法BP网络的标准学习算法(suànfǎ)-算法(suànfǎ)思想BP网络(wǎngluò)的标准学习算法-学习过程2.4.2BP网络(wǎngluò)的标准学习算法BP网络的标准(biāozhǔn)学习算法BP网络的标准学习(xuéxí)算法2.4.2BP网络的标准学习(xuéxí)算法BP网络(wǎngluò)的标准学习算法BP网络的标准学习(xuéxí)算法BP网络的标准学习(xuéxí)算法BP网络的标准(biāozhǔn)学习算法反馈(fǎnkuì)网络离散(lísàn)Hopfield网络反馈(fǎnkuì)网络反馈(fǎnkuì)网络神经网络控制(kòngzhì)图神经网络控制(kòngzhì)方框图基于(jīyú)BP神经网络控制参数自学习PID控制/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(xuéxí)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）”。改进型BP神经网络控制参数自学习(xuéxí)PID控制采用(cǎiyòng)线性预测模型的BP神经网络PID控制器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(cānshù)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(cānshù)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）”。采用非线性预测(yùcè)模型的BP神经网络PID控制器1)事先选定BP神经网络