文档介绍：神经网络控制
人工神经元网络模型与控制
引言
前向神经网络模型
动态神经网络模型
神经网络PID控制
小结
第一节引言
模糊控制解决了人类语言的描述和推理问题，为模拟人脑的感知推理等智能行为迈了一大步。但是在数据处理、自为广义误差
则
要使E安梯度下降，就必须按下式进行权值的调整
式中：上标变量表示第r个隐含层，r=1,2,……,L；为第r-1层第i个单元到第r层的第j单元的连接系数；为学****步长。
因为
若r=L为输出单元层，则：
若为输出单元层，则：
BP学****算法步骤：
给定P组样本（X1,T1;X2,T2;……,Xp,Tp)。其中Xi为ni维输入矢量，T维n0维期望的输出矢量I=1,2,…..,p。假如矢量y和0分别表示网络的输出层和隐含层的输出矢量。则训练过程为：
1）、选，作为最大容许误差，并将权系数，初始化成某小的随机权矩阵。
2）、训练开始，
计算出各隐含层神经元的激励输出；
计算各输出层神经的激励输出：
按
按
3）、计算误差
4）、按下式计算广义误差
按下式计算广义误差
5）、调整权阵系数
6）、
7）、
实际上，对训练过程有较大影响的有：权系数的初值、学****方式、激励函数、学****速率等
（1）、权系数的初值权系数通常初始化成小的初始值，尽可能覆盖整个权阵的空间域，避免出现初始阵系数相同的情况。
（2）、学****方式学****方式不同，训练的效果也不同
（3）、激励函数激励函数的选择对训练有较大的影响。
（4）、学****速率一般来说，学****速率越快，收敛越快，但容易产生震荡；学****速率越小，收敛越慢。
BP学****算法本质上是属于一次收敛的学****算法。所以BP算法不可避免存在局部极小问题，且学****速度很慢，在极点附近出现震荡现象，而且不能够平滑趋于最优解。为了减小这种现象，一般采用平滑的权值更新公式，即：
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****步长为
图3-15 神经网络结构图
x1
x2
1
1
2
0
3
-2
-1
o1
o2
1
1
0
-2
1
-2
3
y1
y2
解：1）、输入最大容许逼近误差值和最大迭代学****次数
设初始迭代学****次数
2）、计算当前输入状态下、当前网络的连接权系数下的神经网络输出。
3）、判断神经网络逼近误差要求或者迭代学****到最大容许值否？
若上述不等式中有一个满足,)。
4）、计算广义误差。
5）连接权系数更新
iterate=iterate+1;继续迭代计算直至满足终止条件为止。
例3-2 利用多层前向传播神经网络来逼近非线性函数
解：
x
x
y
y
从图中可以看到，增加隐含层的数目并不一定意味着能够改善逼近精度
第三节动态神经网络模型
前向传播网络的特点：1、结构简单、易于编程；2、是一种静态非线性映射，不注重非线性动态性能的研究，缺乏丰富的动力学行为；
反馈型神经网络：具有丰富的非线性动力学特性，如稳定性、极限环、奇异吸引子（混沌现象）
反馈动力学神经网络系统具有以下特性：
1、系统有若干稳定状态，如果从某一初始状态开始运动，系统总可以进入某一稳定状态。（将神经网络稳定状态当作记忆，实际上神经网络由任一初始状态向稳态的演化过程，实质上寻找记忆的过程。稳定是神经网络的
一个重要特性，能量函数是判断网络稳定性的基本概念。
2、系统的稳定状态可以通过改变相连单元的权值而产生。
网络稳定性？
定义4-1 神经网络从任一初始状态 X(0)开始运动，若存在某一有限的时刻，从以后神经网络的状态不再发生变化，即，则称网络稳定。处于稳定时刻的网络状态叫稳定状态，又称定点吸引子。
神经动力学系统具有以下一些共性：
（1）、非常大的自由度仿真