第5章神经网络控制 基于人工神经网络( Artificial Neural Network)的控制(ANN- based Control)简称神经控制( Neural Control)。神经网络是由大量人工神经元(处理单元)按照一定的拓扑结构相互连接而成的一种具有并行计 算能力的网络系统。它是在现代神经生物学和认识科学对人类信息处理研究的基础上提出来的,具有很强 的自适应和学习能力、非线性映射能力、鲁棒性和容错能力。充分将这些神经网络特性应用于控制领域, 可使控制系统的智能化向前迈进一大步。 神经网络的基本属性 1)非线性 2)非局域性 3)非定常性 4)非凸性 人工神经网络在控制系统中的作用 1)基于模型的各种控制结构; 2)用作控制器 3)在控制系统中起优化计算的作用。 51概述 511人工神经网络的发展与应用 1.人工神经网络发展的回顾 般认为,最早用数学模型对神经系统中的神经元进行理论建模的是美国心理学家麦卡洛克 ( W. McCulloch)和数学家皮茨( W. Pitts)。他们于1943年建立了MP神经元模型。MP神经元模型首次简 单的数学模型模仿出生物神经元活动功能,并揭示了通过神经元的相互连接和简单的数学计算,可以进行 相当复杂的逻辑运算这一令人兴奋的事实。 1957年,美国计算机学家罗森布拉特( F Rosenblatt)提出了著名的感知器( Perceptron)模型。它是 个具有连续可调权值矢量的MP神经网络模型,经过训练可达到对一定输入矢量模式进行识别的目的 1959年,当时的另外两位美国工程师威德罗( B Widrow)和霍夫(MHof)提出了自适应线性元件 ( Adaptive linear element,简称 Adaline)。它是感知器的变化形式,尤其在权失量的算法上进行了改进,提高 了训练收敛速度和精度。成为第一个用于解决实际问题的人工神经网络。 美国学者霍普菲尔德( J Hopfield)对人工神经网络研究的复苏起到了关键性的作用。1982年,他提出 了霍普菲尔的网络模型,将能量函数引入到对称反馈网络中,是网络稳定性有了明显的判据,并利用提出 的网络的神经计算能力来解决条件优化问题。另一个突破性的研究成果是儒默哈特( DE Rumelhart)等人 在1986年提出的解决多层神经网络权值修正的算法——误差反向传播法,简称BP算法,找到了解决明斯 基和帕伯特提出的问题的办法,从而给人工神经网络增添了活力 2.人工神经网络的应用 1)模式信息处理和模式识别; 2)最优化问题计算; 3)复杂控制 4)通信。 PDF文件使用" pdffactory Pro"试用版本创建ww, fineprint,com,cn第 5 章 神经网络控制 基于人工神经网络（Artificial Neural Network）的控制（ANN－based Control）简称神经控制（Neural Control）。神经网络是由大量人工神经元（处理单元）按照一定的拓扑结构相互连接而成的一种具有并行计 算能力的网络系统。它是在现代神经生物学和认识科学对人类信息处理研究的基础上提出来的，具有很强 的自适应和学习能力、非线性映射能力、鲁棒性和容错能力。充分将这些神经网络特性应用于控制领域， 可使控制系统的智能化向前迈进一大步。 神经网络的基本属性： 1) 非线性 2) 非局域性 3) 非定常性 4) 非凸性 人工神经网络在控制系统中的作用： 1) 基于模型的各种控制结构； 2) 用作控制器； 3) 在控制系统中起优化计算的作用。 5.1 概述 5.1.1 人工神经网络的发展与应用 1. 人工神经网络发展的回顾 一般认为，最早用数学模型对神经系统中的神经元进行理论建模的是美国心理学家麦卡洛克 （W.McCulloch）和数学家皮茨（W.Pitts）。他们于 1943 年建立了 MP 神经元模型。MP 神经元模型首次简 单的数学模型模仿出生物神经元活动功能，并揭示了通过神经元的相互连接和简单的数学计算，可以进行 相当复杂的逻辑运算这一令人兴奋的事实。 1957 年，美国计算机学家罗森布拉特（F.Rosenblatt）提出了著名的感知器（Perceptron）模型。它是一 个具有连续可调权值矢量的 MP 神经网络模型，经过训练可达到对一定输入矢量模式进行识别的目的。 1959 年，当时的另外两位美国工程师威德罗（B.Widrow）和霍夫（M.Hoff）提出了自适应线性元件 （Adaptive linear element,简称 Adaline）。它是感知器的变化形式，尤其在权失量的算法上进行了改进，提高 了训练收敛速度和精度。成为第一个用于解决实际问题的人工神经网络。 美国学者霍普菲尔德（J.Hopfield）对人工神经网络研究的复苏起到了关键性的作用。1982 年，他提出 了霍普菲尔的网络模型，将能量函数引入到对称反馈网络中，是网络稳定性有了明显的判据，并利用提出 的网络的神经计算能力来解决条件优化问题。另一个突破性的研究成果是儒默哈特（D.E.Rumelhart）等人 在 1986 年提出的解决多层神经网络权值修正的算法——误差反向传播法，简称 BP 算法，找到了解决明斯 基和帕伯特提出的问题的办法，从而给人工神经网络增添了活力。 2. 人工神经网络的应用 1) 模式信息处理和模式识别； 2) 最优化问题计算； 3) 复杂控制； 4) 通信。 PDF 文件使用 "pdfFactory Pro" 试用版本创建 www.fineprint.com.cn