文档介绍：第七章  神经控制系统
教学内容
    本章介绍人工神经网络(Artificial works, ANN) 的起源、特性、结构和模型;人工神经网络的示例和算法,神经控制的结构方案,模糊逻辑、专家系统和神经网络在控制中的集成。
教学重点
    人工神经网络的结构、模型和算法,以及模糊逻辑、专家系统和神经网络在控制中的集成。
教学难点
    人工神经网络的结构、算法和推理。
教学方法
    课堂教学为主。适当提问,加深学生对概念的理解。注意结合学生已学的内容。及时提问、收集学生学习情况,多使用具体实例来加以说明,注意难易结合,将课程讲述得较为浅显易懂。
教学要求
    通过对本章的学习,使学生掌握人工神经网络的结构、模型和算法,了解人工神经网络的特性,模糊逻辑、专家系统及神经网络在控制中的集成等
  神经网络简介
教学内容    本节将介绍人工神经网络研究的起源和ANN的特性,并讨论ANN与控制的关系。
教学重点    ANN的特性,ANN与控制的关系。
教学难点    ANN的特性。
教学方法    课堂教学为主。适当提问,收集学生学习情况。
教学要求    了解人工神经网络的由来和特性,了解ANN与控制的关系。
  人工神经网络研究的起源
    McCulloch和Pitts曾于1943年提出一种叫做“似脑机器”(mindlike machine) 的思想,这种机器可由基于生物神经元特性的互连模型来制造;这就是神经网络的概念。
    60年代初期,Widrow等提出的Adaline(adaptive linear element,即自适应线性元) 以及Steinbuch等提出的学习矩阵。然而,不久之后Minsky和Papert从数学上证明了感知器不能实现复杂逻辑功能。
    70年代,Grossberg 和 Kohonen以生物学和心理学证据为基础,Grossberg提出几种具有新颖特性的非线性动态系统结构。
    80年代中叶,作为一种前馈神经网络的学习算法,Parker和Rumelhart等重新发现了反回传播算法。
    近年来,神经网络已在从家用电器到工业对象的广泛领域找到它的用武之地。
  用于控制的人工神经网络
    人工神经网络的下列特性对控制是至关重要的:
    (1) 并行分布处理
    (2) 非线性映射
    (3) 通过训练进行学习
    (4) 适应与集成
    (5) 硬件实现
  人工神经网络的结构类型
教学内容    本节将介绍人工神经网络的结构、神经元及其特性,人工神经网络的基本类型及其典型的模型。
教学重点    神经网络的基本单元及其特性,ANN的基本类型、典型模型等。
教学难点    神经网络的基本单元及其特性。
教学方法    课堂教学为主,并适当提问、收集学生学习情况。
教学要求    掌握人工神经网络的神经元及其特性,了解ANN的基本类型。
  神经元及其特性
    和神经生理学类似,连接机制结构的基本处理单元称为神经元。每个构造起网络的神经元模型模拟一个生物神经元,。
  神经元模型
    该神经元单元由多个输入,i=1, 2, ..., n和一个输出y组成。中间状态由输入信号的权和表示,其输出为:
                              ()
    式中,为神经元单元的偏置(阈值) ,为连接权系数(对于激发状态,取正值,对于抑制状态,取负值) ,n为输入信号数目,为神经元输出,t为时间,f(_)为输出变换函数,有时叫做激发或激励函数,往往采用0和1二值函数或S形函数。
提问  神经网络有哪几种激励函数?
  人工神经网络的基本类型
    人工神经网络的结构基本上分为两类,即递归(反馈) 网络和前馈网络,简介如下。
    (1) 递归网络
    在递归网络中,多个神经元互连以组织一个互连神经网络,。有些神经元的输出被反馈至同层或前层神经元,递归网络又叫做反馈网络。Hopfield网络,Elmman网络和Jordan网络是递归网络有代表性的例子。
 递归(反馈) 网络