《智能控制系統(tǒng) -神經(jīng)網(wǎng)絡(luò)》由會(huì)員分享，可在線閱讀，更多相關(guān)《智能控制系統(tǒng) -神經(jīng)網(wǎng)絡(luò)（57頁(yè)珍藏版）》請(qǐng)?jiān)谘b配圖網(wǎng)上搜索。

1、第五章 神經(jīng)網(wǎng)絡(luò)控制,,5.2 前向網(wǎng)絡(luò)及其算法,,,5.1 神經(jīng)網(wǎng)絡(luò)的基本原理及結(jié)構(gòu),,,,5.3 反饋網(wǎng)絡(luò),,,5.4 神經(jīng)網(wǎng)絡(luò)控制,,神經(jīng)網(wǎng)絡(luò)的基本原理和結(jié)構(gòu),神經(jīng)元是由細(xì)胞體、樹(shù)突和軸突組成,圖 生物神經(jīng)元模型,5.1,神經(jīng)網(wǎng)絡(luò)的基本模型,,,人工神經(jīng)網(wǎng)絡(luò)是對(duì)生物神經(jīng)元的一種模擬和簡(jiǎn)化，是神經(jīng)網(wǎng)絡(luò)的基本處理單元。,,神經(jīng)元輸出特性函數(shù)常選用的類(lèi)型有：,,前向網(wǎng)絡(luò) ；有反饋的前向網(wǎng)絡(luò) ；層內(nèi)有互聯(lián)的前向 網(wǎng)絡(luò) ；互聯(lián)網(wǎng)絡(luò),1）前向網(wǎng)絡(luò):典型的網(wǎng)絡(luò)有：感知器網(wǎng)絡(luò)、BP網(wǎng)絡(luò)等。,特點(diǎn)： 前向網(wǎng)絡(luò)具有較強(qiáng)的學(xué)習(xí)能力，結(jié)構(gòu)簡(jiǎn)單，易于編程。 前饋網(wǎng)絡(luò)是靜態(tài)非線性映射，通過(guò)簡(jiǎn)單非線性處理單元的復(fù)合映

2、射，可獲得復(fù)雜的非線性處理能力。 從計(jì)算觀點(diǎn)，缺乏豐富的動(dòng)力學(xué)行為,有反饋的前向網(wǎng)絡(luò)：典型的網(wǎng)絡(luò)有Hopfield神經(jīng)網(wǎng)絡(luò),特點(diǎn)： 若總節(jié)點(diǎn)(神經(jīng)元)數(shù)為N，則每個(gè)節(jié)點(diǎn)有N個(gè)輸入和一個(gè)輸出。每個(gè)節(jié)點(diǎn)都是一樣，互相連接。 反饋型網(wǎng)絡(luò)是反饋動(dòng)力學(xué)系統(tǒng)，需要工作一段時(shí)間后才能達(dá)到穩(wěn)定。 Hopfield神經(jīng)網(wǎng)絡(luò)是反饋型網(wǎng)絡(luò)中最簡(jiǎn)單應(yīng)用最廣的模型，具有聯(lián)想記憶功能。,人工神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)類(lèi)型,人工神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)類(lèi)型,神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法,從環(huán)境中獲取知識(shí)并改進(jìn)自身性能，主要指調(diào)節(jié)網(wǎng)絡(luò)參數(shù)使網(wǎng)絡(luò)達(dá)到某種度量，又稱(chēng)為網(wǎng)絡(luò)的訓(xùn)練 學(xué)習(xí)方式： 監(jiān)督學(xué)習(xí) 非監(jiān)督學(xué)習(xí) 再勵(lì)學(xué)習(xí)(強(qiáng)化學(xué)習(xí)）,監(jiān)督學(xué)習(xí),對(duì)訓(xùn)

3、練樣本集中的每一組輸入能提供一組目標(biāo)輸出。 網(wǎng)絡(luò)根據(jù)目標(biāo)輸出與實(shí)際輸出的誤差信號(hào)來(lái)調(diào)節(jié)網(wǎng)絡(luò)參數(shù)。,教師,神經(jīng)網(wǎng)絡(luò),比較,環(huán)境,實(shí)際輸出,輸入,期望輸出,誤差信號(hào),p(n),t(n),a(n),e(n),非監(jiān)督學(xué)習(xí)與再勵(lì)學(xué)習(xí),非監(jiān)督學(xué)習(xí)：不存在教師，網(wǎng)絡(luò)根據(jù)外部數(shù)據(jù)的統(tǒng)計(jì)規(guī)律來(lái)調(diào)節(jié)系統(tǒng)參數(shù)，以使網(wǎng)絡(luò)輸出能反映數(shù)據(jù)的某種特性 再勵(lì)學(xué)習(xí)：外部環(huán)境對(duì)網(wǎng)絡(luò)輸出只給出評(píng)價(jià)信息而非正確答案，網(wǎng)絡(luò)通過(guò)強(qiáng)化受獎(jiǎng)勵(lì)的動(dòng)作來(lái)改善自身的性能,學(xué)習(xí)規(guī)則(learning rule)： Hebb學(xué)習(xí)算法 誤差糾正學(xué)習(xí)算法 概率式學(xué)習(xí) 競(jìng)爭(zhēng)學(xué)習(xí)算法,神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法,Hebb學(xué)習(xí),Hebb學(xué)習(xí)規(guī)則：無(wú)教師學(xué)習(xí)方法,He

4、bb學(xué)習(xí)規(guī)則的物理解釋?zhuān)簝蓚€(gè)神經(jīng)元同時(shí)處于激發(fā)狀態(tài)時(shí)，相應(yīng)的權(quán)值得到加強(qiáng)。,14,誤差糾正學(xué)習(xí)（學(xué)習(xí)規(guī)則）,對(duì)于輸出層第k個(gè)神經(jīng)元的實(shí)際輸出: ak(n)目標(biāo)輸出: tk(n) 誤差信號(hào): ek(n) = tk(n) - ak(n)目標(biāo)函數(shù)為基于誤差信號(hào)ek(n)的函數(shù)，如誤差平方和判據(jù)(sum squared error, SSE)，或均方誤差判據(jù)(mean squared error, MSE),誤差糾正學(xué)習(xí),用梯度下降法求解,對(duì)于感知器和線性網(wǎng)絡(luò)：,delta學(xué)習(xí)規(guī)則,對(duì)于多層感知器網(wǎng)絡(luò)：擴(kuò)展的delta學(xué)習(xí)規(guī)則，bp算法,概率式學(xué)習(xí),學(xué)習(xí)規(guī)則：,競(jìng)爭(zhēng)學(xué)習(xí),輸出神經(jīng)元之間有側(cè)向抑制性連接

5、，較強(qiáng)單元獲勝并抑制其他單元，獨(dú)處激活狀態(tài)。（Winner takes all, WTA）,前饋神經(jīng)網(wǎng)絡(luò)(feed forward NN)：各神經(jīng)元接受前級(jí)輸入，并輸出到下一級(jí)，無(wú)反饋，可用一有向無(wú)環(huán)圖表示。 圖中結(jié)點(diǎn)為神經(jīng)元（PE）：多輸入單輸出，輸出饋送多個(gè)其他結(jié)點(diǎn)。 前饋網(wǎng)絡(luò)通常分為不同的層(layer)，第i層的輸入只與第i-1層的輸出聯(lián)結(jié)。 可見(jiàn)層：輸入層(input layer)和輸出層(output layer) 隱層(hidden layer) ：中間層,5.2,前向網(wǎng)絡(luò)及其算法,感知器是1957年美國(guó)學(xué)者Rosenblatt提出的一種用于模式分類(lèi)的神經(jīng)網(wǎng)絡(luò)模型。 感知器是由閾

6、值元件組成且具有單層計(jì)算單元的神經(jīng)網(wǎng)絡(luò)，具有學(xué)習(xí)功能。 感知器是最簡(jiǎn)單的前饋網(wǎng)絡(luò)，它主要用于模式分類(lèi)，也可用在基于模式分類(lèi)的學(xué)習(xí)控制和多模態(tài)控制中，其基本思想是將一些類(lèi)似于生物神經(jīng)元的處理元件構(gòu)成一個(gè)單層的計(jì)算網(wǎng)絡(luò),,感知器,圖 單層感知器網(wǎng)絡(luò),圖 單個(gè)神經(jīng)元的感知器,感知器的輸入輸出關(guān)系：,當(dāng)輸入的加權(quán)和大于或等于閾值，輸出為1，否則為-1（或?yàn)?）。,感知器學(xué)習(xí)算法,感知器學(xué)習(xí)算法：誤差修正學(xué)習(xí),對(duì)應(yīng)于線性判別函數(shù) 對(duì)線性可分問(wèn)題算法收斂， 對(duì)線性不可分的數(shù)據(jù)算法不收斂,多層感知器,多層感知器: Multi-Layer Perceptron, MLP Architecture：,多層感知器

7、的一致逼近性,邏輯功能：?jiǎn)蝹€(gè)閾值神經(jīng)元可以實(shí)現(xiàn)任意多輸入的與、或及與非、或非邏輯門(mén)。 任何邏輯函數(shù)可由兩層前饋網(wǎng)絡(luò)實(shí)現(xiàn) 當(dāng)神經(jīng)元的輸出函數(shù)為Sigmoid等函數(shù)時(shí)，兩層前饋網(wǎng)絡(luò)可以逼近任意的多元非線性函數(shù) MLP的適用范圍大大超過(guò)單層網(wǎng)絡(luò)。,問(wèn)題：多層感知器的中間隱層不直接與外界連接，其誤差無(wú)法直接計(jì)算。 反向傳播(Backpropagation)算法：從后向前（反向）逐層“傳播”輸出層的誤差，以間接算出隱層誤差。分兩個(gè)階段： 正向過(guò)程：從輸入層經(jīng)隱層逐層正向計(jì)算各單元的輸出。 反向過(guò)程：由輸出層誤差逐層反向計(jì)算隱層各單元的誤差，并用此誤差修正當(dāng)前層的權(quán)值。,,圖 BP網(wǎng)絡(luò)結(jié)構(gòu),2.4.2 B

8、P網(wǎng)絡(luò)的標(biāo)準(zhǔn)學(xué)習(xí)算法,學(xué)習(xí)的過(guò)程： 神經(jīng)網(wǎng)絡(luò)在外界輸入樣本的刺激下不斷改變網(wǎng)絡(luò)的連接權(quán)值,以使網(wǎng)絡(luò)的輸出不斷地接近期望的輸出。 學(xué)習(xí)的本質(zhì)： 對(duì)各連接權(quán)值的動(dòng)態(tài)調(diào)整 學(xué)習(xí)規(guī)則： 權(quán)值調(diào)整規(guī)則，即在學(xué)習(xí)過(guò)程中網(wǎng)絡(luò)中各神經(jīng)元的連接權(quán)變化所依據(jù)的一定的調(diào)整規(guī)則。,BP網(wǎng)絡(luò)的標(biāo)準(zhǔn)學(xué)習(xí)算法-算法思想,學(xué)習(xí)的類(lèi)型：有導(dǎo)師學(xué)習(xí) 核心思想： 將輸出誤差以某種形式通過(guò)隱層向輸入層逐層反傳 學(xué)習(xí)的過(guò)程： 信號(hào)的正向傳播 誤差的反向傳播,將誤差分?jǐn)偨o各層的所有單元各層單元的誤差信號(hào),修正各單元權(quán)值,,,,BP網(wǎng)絡(luò)的標(biāo)準(zhǔn)學(xué)習(xí)算法-學(xué)習(xí)過(guò)程,正向傳播： 輸入樣本輸入層各隱層輸出層 判斷是否轉(zhuǎn)入反向傳播階段： 若輸出

9、層的實(shí)際輸出與期望的輸出（教師信號(hào)）不符 誤差反傳 誤差以某種形式在各層表示修正各層單元的權(quán)值,,,,,,網(wǎng)絡(luò)輸出的誤差減少到可接受的程度 進(jìn)行到預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止,2.4.2 BP網(wǎng)絡(luò)的標(biāo)準(zhǔn)學(xué)習(xí)算法,網(wǎng)絡(luò)結(jié)構(gòu) 輸入層有n個(gè)神經(jīng)元，隱含層有p個(gè)神經(jīng)元, 輸出層有q個(gè)神經(jīng)元 變量定義 輸入向量; 隱含層輸入向量； 隱含層輸出向量; 輸出層輸入向量; 輸出層輸出向量; 期望輸出向量;,BP網(wǎng)絡(luò)的標(biāo)準(zhǔn)學(xué)習(xí)算法,輸入層與中間層的連接權(quán)值: 隱含層與輸出層的連接權(quán)值: 隱含層各神經(jīng)元的閾值: 輸出層各神經(jīng)元的閾值: 樣本數(shù)據(jù)個(gè)數(shù): 激活函數(shù): 誤差函數(shù)：,,,,,,,,BP網(wǎng)絡(luò)的標(biāo)準(zhǔn)學(xué)習(xí)算法,第一步

10、，網(wǎng)絡(luò)初始化 給各連接權(quán)值分別賦一個(gè)區(qū)間（-1，1）內(nèi)的隨機(jī)數(shù)，設(shè)定誤差函數(shù)e，給定計(jì)算精度值 和最大學(xué)習(xí)次數(shù)M。 第二步,隨機(jī)選取第 k個(gè)輸入樣本及對(duì)應(yīng)期望輸出,2.4.2 BP網(wǎng)絡(luò)的標(biāo)準(zhǔn)學(xué)習(xí)算法,第三步，計(jì)算隱含層各神經(jīng)元的輸入和輸出,BP網(wǎng)絡(luò)的標(biāo)準(zhǔn)學(xué)習(xí)算法,第四步，利用網(wǎng)絡(luò)期望輸出和實(shí)際輸出，計(jì)算誤差函數(shù)對(duì)輸出層的各神經(jīng)元的偏導(dǎo)數(shù) 。,BP網(wǎng)絡(luò)的標(biāo)準(zhǔn)學(xué)習(xí)算法,第六步，利用輸出層各神經(jīng)元的 和隱含層各神經(jīng)元的輸出來(lái)修正連接權(quán)值 。,BP網(wǎng)絡(luò)的標(biāo)準(zhǔn)學(xué)習(xí)算法,第七步，利用隱含層各神經(jīng)元的 和輸入層各神經(jīng)元的輸入修正連接權(quán)。,BP網(wǎng)絡(luò)的標(biāo)準(zhǔn)學(xué)習(xí)算法,第八步，計(jì)算全局誤差 第九步，判斷網(wǎng)絡(luò)

11、誤差是否滿(mǎn)足要求。當(dāng)誤差達(dá)到預(yù)設(shè)精度或?qū)W習(xí)次數(shù)大于設(shè)定的最大次數(shù)，則結(jié)束算法。否則，選取下一個(gè)學(xué)習(xí)樣本及對(duì)應(yīng)的期望輸出，返回到第三步，進(jìn)入下一輪學(xué)習(xí)。,,,,BP算法尚存在以下一些缺點(diǎn) 由于采用非線性梯度優(yōu)化算法，易形成局部極小而得不到整體最優(yōu)； 優(yōu)化算法次數(shù)甚多使得學(xué)習(xí)效率低，收斂速度很慢； BP網(wǎng)絡(luò)是前向網(wǎng)絡(luò)，無(wú)反饋連接，影響信息交換速度和效率； 網(wǎng)絡(luò)輸入節(jié)點(diǎn)、輸出節(jié)點(diǎn)由問(wèn)題而定，但隱節(jié)點(diǎn)的選取根據(jù)經(jīng)驗(yàn)，缺乏理論指導(dǎo)； 在訓(xùn)練中學(xué)習(xí)新樣本有遺忘舊樣本的趨勢(shì)，且要求每個(gè)樣本的特征數(shù)目要相同。 三種改進(jìn)算法 ：引入動(dòng)量項(xiàng) 變尺度法 變步長(zhǎng)法,反饋網(wǎng)絡(luò),是一種全連結(jié)加權(quán)無(wú)向圖，可分為離散型

12、和連續(xù) 性?xún)煞N,5.3,離散Hopfield網(wǎng)絡(luò),離散型網(wǎng)絡(luò)：?jiǎn)螌泳W(wǎng)絡(luò)，有n各神經(jīng)元節(jié)點(diǎn)，每個(gè)神 經(jīng)元輸出連接到其他神經(jīng)元輸入，各節(jié)點(diǎn)沒(méi)有自反饋 每個(gè)節(jié)點(diǎn)有一個(gè)閾值，ij是神經(jīng)元間的連接權(quán)值，每 個(gè)神經(jīng)元處于狀態(tài)1（刺激值超過(guò)閾值）或-1。 工作方式有兩種： 異步方式：每次只有一個(gè)神經(jīng)元節(jié)點(diǎn)進(jìn)行狀態(tài)調(diào)整，其 他節(jié)點(diǎn)的狀態(tài)保持不變 同步方式：所有神經(jīng)元節(jié)點(diǎn)同時(shí)調(diào)整 離散Hopfield網(wǎng)絡(luò)實(shí)質(zhì)是一個(gè)離散的非線性動(dòng)力學(xué)系 統(tǒng)。系統(tǒng)如果穩(wěn)定，則可以從一種初態(tài)收斂到一個(gè)穩(wěn)定 狀態(tài)；若系統(tǒng)不穩(wěn)定，系統(tǒng)不可能出現(xiàn)無(wú)限發(fā)散。,,反饋網(wǎng)絡(luò),具有對(duì)稱(chēng)的連接權(quán)值,5.3,,用于分類(lèi)問(wèn)題的BM網(wǎng)絡(luò)，不含隱單元

13、,,BM網(wǎng)絡(luò)運(yùn)行分為兩個(gè)階段： 1）學(xué)習(xí)和訓(xùn)練階段，根據(jù)學(xué)習(xí)樣本對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，將知識(shí)分布地存儲(chǔ)于網(wǎng)絡(luò)的連接權(quán)中； 2）工作階段，根據(jù)輸入運(yùn)行網(wǎng)絡(luò)得到合適的輸出，這實(shí)質(zhì)是按照某種機(jī)制將知識(shí)提取出來(lái)。,反饋網(wǎng)絡(luò),神經(jīng)網(wǎng)絡(luò)在接受外界輸入時(shí)，將會(huì)分成不同的區(qū) 域，不同區(qū)域?qū)Σ煌Ｊ骄哂胁煌捻憫?yīng)特征。 各神經(jīng)元放入連接權(quán)值具有一定的分布特性，最 鄰近的神經(jīng)元互相激勵(lì)，而較遠(yuǎn)的神經(jīng)元?jiǎng)t互相 抑制，再遠(yuǎn)的又具有較弱的激勵(lì)作用。在受外界 刺激時(shí)，最強(qiáng)的地方形成一個(gè)氣泡，稱(chēng)其為墨西哥帽。,5.3,,自組織特征映射網(wǎng)絡(luò)具有側(cè)向聯(lián)想力，如圖右。輸出節(jié)點(diǎn)呈二維陣列分布。輸出節(jié)點(diǎn)與其鄰域或其他節(jié)點(diǎn)廣泛連接，互相激勵(lì)

14、。每個(gè)輸入節(jié)點(diǎn)與輸出節(jié)點(diǎn)之間由可變權(quán)值連接。通過(guò)某種規(guī)則，不斷調(diào)整權(quán)值，使得在穩(wěn)定是每個(gè)領(lǐng)域的所有節(jié)點(diǎn)對(duì)某種輸入具有類(lèi)似的輸出，并且聚類(lèi)的概率分布與輸入模式的概率分布相接近。,神經(jīng)網(wǎng)絡(luò)控制,神經(jīng)網(wǎng)絡(luò)在控制中的作用 在傳統(tǒng)的控制系統(tǒng)中用以動(dòng)態(tài)系統(tǒng)建模，充當(dāng)對(duì)象模型； 在反饋控制系統(tǒng)中直接充當(dāng)控制器的作用； 在傳統(tǒng)控制系統(tǒng)中起優(yōu)化計(jì)算作用； 與其他智能控制方法如模糊邏輯、遺傳算法、專(zhuān)家控制等相融合,5.4,圖 神經(jīng)網(wǎng)絡(luò)控制方框圖,神經(jīng)元自適應(yīng)PID控制,基于BP神經(jīng)網(wǎng)絡(luò)控制參數(shù)自學(xué)習(xí)PID控制,BP神經(jīng)網(wǎng)絡(luò)具有逼近任意非線性函數(shù)的能力，而且結(jié)構(gòu)和學(xué)習(xí)算法簡(jiǎn)單明確。通過(guò)神經(jīng)網(wǎng)絡(luò)自身的學(xué)習(xí)，可以找到某

15、一最優(yōu)控制律下的P，I，D參數(shù)?；贐P神經(jīng)網(wǎng)絡(luò)的PD控制系統(tǒng)結(jié)構(gòu)如圖所示，控制器由兩個(gè)部分組成：經(jīng)典的PID控制器：直接對(duì)被控對(duì)象進(jìn)行閉環(huán)控制，并且KP,KI,KD三個(gè)參數(shù)為在線整定；神經(jīng)網(wǎng)絡(luò)NN：根據(jù)系統(tǒng)的運(yùn)行狀態(tài)，調(diào)節(jié)PID控制器的參數(shù)，以期達(dá)到某種性能指標(biāo)的最優(yōu)化。即使輸出層神經(jīng)元的輸出狀態(tài)對(duì)應(yīng)于PID控制器的三個(gè)可調(diào)參數(shù)KP,KI,KD，通過(guò)神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)、調(diào)整權(quán)系數(shù)，從而使其穩(wěn)定狀態(tài)對(duì)應(yīng)于某種最優(yōu)控制律下的PID控制器參數(shù)。,1)事先選定BP神經(jīng)網(wǎng)絡(luò)NN的結(jié)構(gòu)，即選定輸入層節(jié)點(diǎn)數(shù)M 和隱含層節(jié)點(diǎn)數(shù)Q，并給出權(quán)系數(shù)的初值w(2)ij(0), w(3)li(0)，選定學(xué)習(xí)速率和

16、平滑因子，k=1； 2)采樣得到r(k)和y(k)，計(jì)算e(k)=z(k)=r(k)-y(k)； 3)對(duì)r(i),y(i),u(i-1),e(i)進(jìn)行歸一化處理，作為NN的 輸入； 4)前向計(jì)算NN的各層神經(jīng)元的輸入和輸出，NN輸出層的輸 出即為PID控制器的三個(gè)可調(diào)參數(shù)KP(k),KI(k),KD(k)； 5)計(jì)算PID控制器的控制輸出u(k)，參與控制和計(jì)算； 6)計(jì)算修正輸出層的權(quán)系數(shù)w(3)li(k)； 7)計(jì)算修正隱含層的權(quán)系數(shù)w(2)ij(k)； 8)置k=k+1，返回到“2）”。,基于BP神經(jīng)網(wǎng)絡(luò)的PID控制算法,改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)控制參數(shù)自學(xué)習(xí)PID控制,將神經(jīng)網(wǎng)絡(luò)

17、用于控制器的設(shè)計(jì)或直接學(xué)習(xí)計(jì)算控制器的輸出（控制量），一般都要用到系統(tǒng)的預(yù)測(cè)輸出值或其變化量來(lái)計(jì)算權(quán)系數(shù)的修正量。但實(shí)際上，系統(tǒng)的預(yù)測(cè)輸出值是不易直接測(cè)得的，通常的做法是建立被控對(duì)象的預(yù)測(cè)數(shù)學(xué)模型，用該模型所計(jì)算的預(yù)測(cè)輸出來(lái)取代預(yù)測(cè)處的實(shí)測(cè)值，以提高控制效果。,采用線性預(yù)測(cè)模型的BP神經(jīng)網(wǎng)絡(luò)PID控制器,1) 事先選定BP神經(jīng)網(wǎng)絡(luò)NN的結(jié)構(gòu)，即選定輸入層節(jié)點(diǎn)數(shù)M和隱含層節(jié)點(diǎn)數(shù)Q，并給出權(quán)系數(shù)的初值w(2)ij(0), w(3)li(0)，選定學(xué)習(xí)速率和平滑因子，k=1； 2) 用線性系統(tǒng)辨識(shí)法估計(jì)出參數(shù)矢量(k)，從而形成一步預(yù)報(bào)模型式； 3) 采樣得到r(k)和y(k)，計(jì)算e(k)=z

18、(k)=r(k)-y(k)； 4) 對(duì)r(i),y(i),u(i-1),e(i)進(jìn)行歸一化處理，作為NN的輸入； 5) 前向計(jì)算NN的各層神經(jīng)元的輸入和輸出，NN輸出層的輸出即為PID控制器的三個(gè)可調(diào)參數(shù)KP(k),KI(k),KD(k)； 6) 計(jì)算PID控制器的控制輸出u(k)，參與控制和計(jì)算； 7)計(jì)算 和 ； 8) 計(jì)算修正輸出層的權(quán)系數(shù)w(3)li(k)； 9) 計(jì)算修正隱含層的權(quán)系數(shù)w(2)ij(k)； 10) 置k=k+1，返回到“2）”。,,,線性預(yù)測(cè)模型的BP神經(jīng)網(wǎng)絡(luò)PID控制系統(tǒng)算法,采用非線性預(yù)測(cè)模型的BP神經(jīng)網(wǎng)絡(luò)PID控制器,1) 事先選定

19、BP神經(jīng)網(wǎng)絡(luò)NN的結(jié)構(gòu)，即選定輸入層節(jié)點(diǎn)數(shù)M和隱含層節(jié)點(diǎn)數(shù)Q，并給出權(quán)系數(shù)的初值w(2)ij(0), w(3)li(0)，選定學(xué)習(xí)速率和平滑因子，k=1； 2) 采樣得到r(k)和y(k)，計(jì)算e(k)=z(k)=r(k)-y(k)； 3) 對(duì)r(i),y(i),u(i-1),e(i)進(jìn)行歸一化處理，作為NN的輸入； 4) 前向計(jì)算NN的各層神經(jīng)元的輸入和輸出，NN輸出層的輸出即為PID控制器的三個(gè)可調(diào)參數(shù)KP(k),KI(k),KD(k)； 5) 計(jì)算PID控制器的控制輸出u(k)，參與控制和計(jì)算； 6)前向計(jì)算NNM的各層神經(jīng)元的輸入和輸出，NNM的輸出為 ，計(jì)算修正隱含層和輸出層的權(quán)系數(shù)； 7)計(jì)算 ； 8)計(jì)算修正輸出層的權(quán)系數(shù)w(3)li(k)； 9)計(jì)算修正隱含層的權(quán)系數(shù)w(2)ij(k)； 10)置k=k+1，返回到“2）”。,,,基于BP神經(jīng)網(wǎng)絡(luò)的PID控制算法,作業(yè),基于VC(或VB)是編程實(shí)現(xiàn)BP網(wǎng)絡(luò)，并利用該 程序?qū)崿F(xiàn)簡(jiǎn)單圖形分類(lèi)器,