智能控制导论-蔡志兴版-教学课件5

1智能控制导论国家精品课程配套教材蔡自兴25.1人工神经网络的初步知识5.2神经控制的结构方案5.3神经控制器的设计5.4小结第五章神经控制35.1人工神经网络的初步知识5.1.1神经元及其特性神经元模型连接机制结构的基本处理单元与神经生理学类比往往称为神经元每个构造起网络的神经元模型模拟一个生物神经元1()njjiijiytfwx()f-11x1jw2x2jw…nxjnwjy中间状态由输入信号的权和表示神经元单元由多个输入4生物神经元的结构神经细胞是构成神经系统的基本单元，称之为生物神经元，简称神经元。神经元主要由三部分构成：（1）细胞体;（2）轴突;（3）树突;5强调突触是神经元之间相互连接的接口部分，即一个神经元的神经末梢与另一个神经元的树突相接触的交界面，位于神经元的神经末梢尾端。突触是轴突的终端。神经元是构成神经网络的最基本单元（构件）。人工神经元模型应该具有生物神经元的六个基本特性6人工神经元的工作过程对于某个处理单元（神经元）来说，假设来自其他处理单元（神经元）i的信息为Xi，它们与本处理单元的互相作用强度即连接权值为Wi,i=0,1,…,n-1,处理单元的内部阈值为θ。那么本处理单元（神经元）的输入为10niiixw而处理单元的输出为)xw(fy1n0iii（9.1.2）式中，xi为第i个元素的输入，wi为第i个处理单元与本处理单元的互联权重。f称为激发函数或作用函数，它决定节点（神经元）的输出。7(a)阈值型(b)分段线性型(c)Sigmoid函数型(d)双曲正切型1n0iiixw＝这里，激发函数一般具有非线性特性,常用的非线性激发函数如图所示称为激活值神经网络的基本概念及组成特性85.1.2神经网络与智能控制神经网络特性并行分布处理非线性映射通过训练进行学习适应与集成硬件实现神经网络用于智能控制系统的潜力神经网络因其学习和适应、自组织函数逼近和大规模并行处理等能力95.1.3人工神经网络的基本类型和学习算法人工神经网络的基本特性和结构人工神经网络由神经元模型构成具有并行分布结构每个神经元具有单一输出，能够与其它神经元连接存在许多输出连接方法，每种对应一个连接权系数人工神经网络是一种具有下列特性的有向图对于每个节点i存在一个状态变量xi从节点j至节点i，存在一个连接权系统数wij对于每个节点i，存在一个阈值θi对于每个节点i，定义一个变换函数对于最一般的情况，此函数取形式(,,),iijiifxwij()iijjijfwx10人工神经网络基本分为两类即递归（反馈）网络前馈网络v1v2vn输入输出…输入层隐层输出层反向传播3x2x1x'3x'2x'1x11w1x2x3xny1y1mw递归网络前馈网络………5.1.3人工神经网络的基本类型和学习算法11一个简单的前向传播网络12人工神经网络的主要学习算法有师学习有师学习算法能够根据期望的和实际的网络输出（对应于给定输入）间的差来调整神经元间连接的强度或权。无师学习无师学习算法不需要知道期望输出。强化学习强化学习算法采用一个“评论员”来评价与给定输入相对应的神经网络输出的优度（质量因数）5.1.3人工神经网络的基本类型和学习算法135.1.4人工神经网络的典型模型自适应谐振理论（ART）双向联想存储器（BAM）Boltzmann机（BM）反向传播（BP）网络对流传播网络(CPN)Hopfield网Madaline算法认知机（Neocognition）感知器（Perception）自组织映射网（SOM）14自适应谐振理论环境变化网络的可塑性分析新添样本训练合并重新训练应用新环境下的应用样本集•网络的可塑性需要的4项功能样本的分类功能分类的识别功能比较功能类的建立功能15基本的双联存储器结构W第1层输入向量第2层输出向量WTx1xnymy1……………智力链从一件事想到另一件事，“唤回失去的记忆”。自相联异相联双联存储器（BidirectionalAssociativeMemory—BAM）。16Boltzmann机的训练Boltzmann机是多级循环网络，是Hopfield网的一种扩展。神经元ANi实际输出状态oi=1的概率为：)exp(11Tnetpiii•T趋近于0时，神经元的状态不再具有随机性，Boltzmann机退化成一般Hopfield网。17由于在反馈网络中，网络的输出要反复地作为输入再送入网络中，这就使得网络具有了动态性，网络的状态在不断的改变之中，因而就提出了网络的稳定性问题。所谓一个网络是稳定的是指从某一时刻开始，网络的状态不再改变。设用X(t)表示网络在时刻t的状态，如果从t=０的任一初态X(0)开始，存在一个有限的时刻t，使得从此时刻开始神经网络的状态不再发生变化，即就称此网络是稳定的。)t(X)tt(X0tHopfield模型及其学习算法18简单的反馈神经网络图193.2感知器的学习算法感知器的学习是有导师学习感知器的训练算法的基本原理来源于著名的Hebb学习律基本思想：逐步地将样本集中的样本输入到网络中,根据输出结果和理想输出之间的差别来调整网络中的权矩阵205.1.5基于神经网络的知识表示和推理基于神经网络的知识表示传统的人工智能系统中所用的是知识的显示表示,而神经网络中的知识表示是一种隐式表示.隐式表示,知识并不像在生产式系统中那样独立地表示,而是将某一问题的若干知识在同一网络表示基于神经网络的推理基于神经网络的推理是通过网络计算实现的.把用户提供的初始证据用作网络的输入,通过网络计算最终得到输出结果医疗诊断实例和异或模型正向网络推理步骤及其特性215.2神经控制的结构方案5.2.1NN学习控制基于神经网络的监督式控制实现NN监督式控制的步骤通过传感器和传感信息处理，调用必要的和有用的控制信息构造神经网络，选择NN类型、结构参数和学习算法等训练NN控制器，实现输入和输出间的映射，以便进行控制NNC受控对象监督程序r(t)+-e(t)u(t)+-选择器y(t)225.2.2NN直接逆模控制原理与特点这种控制采用受控系统的一个逆模型，它与受控系统串接以便使系统在期望响应（网络输入）与受控系统输出间得到一个相同的映射由于不存在反馈，本法鲁棒性不足；逆模型参数可通过在线学习调整，以期把受控系统的鲁棒性提高至一定程度NN直接逆控制的两种结构方案NN1R(t)NN2e(t)u(t)+-y(t)对象NNEFr(t)e(t)u(t)y(t)对象235.2.2NN内模控制基于NN的内模控制的结构图示于下图其中，系统模型（NN2）与实际系统并行设置反馈信号由系统输出与模型输出间的差得到由NN1（在正向控制通道上一个具有逆模型的NN控制器）进行处理；NN1控制器应当与系统的逆有关滤波器NN1装置NN2r(t)e(t)u(t)ym(t)d++--245.2.3NN自适应控制NN自校正控制（STC）直接自校正控制、间接自校正控制NN参考自适应控制（MRAC）NN直接参考自适应控制、NN间接参考自适应控制g常规控制器装置NN辨识器r(t)e(t)u(t)y(t)dfNNC参考模型装置r(t)e(t)u(t)ec(t)ym(t)y(t)d+-+-NN直接参考自适应控制间接自校正控制255.3神经控制器的设计神经控制器的设计一般应过以下内容建立受控对象的数学计算模型或知识表示模型选择神经网络及其算法,进行初步辨识与训练设计神经控制器,包括控制器结构、功能与推理控制系统仿镇实验，并通过实验结果改进设计265.3神经控制器的设计控制器结构和工作原理FCFIENNC对象+-eufu++unufyr5.3神经控制器的设计27神经控制器及训练输入层输出层中间层5.3神经控制器的设计图5.14NNC模型结构285.4小结本章首先简介人工神经网络及其结构和实例然后以控制工程师熟悉的语言和图示介绍神经控制器的各种基本结构方案，包括基于神经网络的学习控制器基于神经网络的直接逆控制器基于神经网络的自适应控制器基于神经网络的内模控制器