神经网络基本介绍.ppt

《神经网络基本介绍.ppt》由会员分享，可在线阅读，更多相关《神经网络基本介绍.ppt（24页珍藏版）》请在三一办公上搜索。

1、第6章 神经网络辨识及其应用,神经网络辨识的特点,不要求建立实际系统的辨识格式，即可省去系统结构建模这一步骤;可以对本质非线性系统进行辨识;辨识的收敛速度不依赖于待辨识系统的维数，只于神经网络本身及其所采用的学习算法有关;在参数辨识中，神经网络的连接权值可以对应于模型参数，通过权值的调节可使网络输出逼近于系统输出;神经网络作为实际系统的辨识模型，实际上也是系统的一个物理实现，可以用于在线控制;,神经网络是一种黑箱建模工具。,人工神经网络（简称神经网络，Neural Network）是模拟人脑思维方式的数学模型。神经网络是在现代生物学研究人脑组织成果的基础上提出的，用来模拟人类大脑神经网络的结构

2、和行为。神经网络反映了人脑功能的基本特征，如并行信息处理、学习、联想、模式分类、记忆等。,6.1 神经网络介绍,20世纪80年代以来，人工神经网络（ANN，Artificial Neural Network）研究所取得的突破性进展。神经网络辨识是采用神经网络进行逼近或建模，神经网络辨识为解决复杂的非线性、不确定、未知系统的控制问题开辟了新途径。,神经网络的发展历程经过4个阶段。1、启蒙期（1890-1969年）1890年，W.James发表专著心理学，讨论了脑的结构和功能。1943年，心理学家和数学家W.Pitts提出了描述脑神经细胞动作的数学模型，即M-P模型（第一个神经网络模型）。,神经网

3、络发展历史,1949年，心理学家Hebb实现了对脑细胞之间相互影响的数学描述，从心理学的角度提出了至今仍对神经网络理论有着重要影响的Hebb学习法则。1958年，E.Rosenblatt提出了描述信息在人脑中贮存和记忆的数学模型，即著名的感知机模型（Perceptron）。,1962年，Widrow和Hoff提出了自适应线性神经网络，即Adaline网络，并提出了网络学习新知识的方法，即Widrow和Hoff学习规则（即学习规则），并用电路进行了硬件设计。2、低潮期（1969-1982）受当时神经网络理论研究水平的限制及冯诺依曼式计算机发展的冲击等因素的影响，神经网络的研究陷入低谷。,在美、日

4、等国有少数学者继续着神经网络模型和学习算法的研究，提出了许多有意义的理论和方法。例如，1969年，S.Groisberg和A.Carpentet提出了至今为止最复杂的ART网络，该网络可以对任意复杂的二维模式进行自组织、自稳定和大规模并行处理。1972年，Kohonen提出了自组织映射的SOM模型。3 复兴期（1982-1986）,1982年，物理学家Hoppield提出了Hoppield神经网络模型，该模型通过引入能量函数，实现了问题优化求解，1984年他用此模型成功地解决了旅行商路径优化问题(TSP)。1986年，在Rumelhart和McCelland等出版Parallel Distri

5、buted Processing一书，提出了一种著名的多层神经网络模型，即BP网络。该网络是迄今为止应用最普遍的神经网络。,4 新连接机制时期（1986-现在）神经网络从理论走向应用领域，出现了神经网络芯片和神经计算机。神经网络主要应用领域有：模式识别与图象处理（语音、指纹、故障检测和图象压缩等）、控制与优化、系统辨识、预测与管理（市场预测、风险分析）、通信等。,神经网络原理 神经生理学和神经解剖学的研究表明，人脑极其复杂，由一千多亿个神经元交织在一起的网状结构构成，其中大脑皮层约140亿个神经元，小脑皮层约1000亿个神经元。人脑能完成智能、思维等高级活动，为了能利用数学模型来模拟人脑的活动

6、，导致了神经网络的研究。,神经系统的基本构造是神经元(神经细胞)，它是处理人体内各部分之间相互信息传递的基本单元。每个神经元都由一个细胞体，一个连接其他神经元的轴突和一些向外伸出的其它较短分支树突组成。轴突功能是将本神经元的输出信号(兴奋)传递给别的神经元，其末端的许多神经末梢使得兴奋可以同时传送给多个神经元。,树突的功能是接受来自其它神经元的兴奋。神经元细胞体将接收到的所有信号进行简单地处理后，由轴突输出。神经元的轴突与另外神经元神经末梢相连的部分称为突触。,图 单个神经元的解剖图,神经元由三部分构成：（1）细胞体（主体部分）：包括细胞质、细胞膜和细胞核；（2）树突：用于为细胞体传入信息；（

7、3）轴突：为细胞体传出信息，其末端是轴突末梢，含传递信息的化学物质；（4）突触：是神经元之间的接口（104105个/每个神经元）。通过树突和轴突，神经元之间实现了信息的传递。,图1 单神经元结构模型,图中 为神经元的内部状态，为阈值，为输入信号，为表示从单元 到单元 的连接权系数，为外部输入信号。,上图中所示的模型可描述为：,，即,通常情况下，取,常用的神经元非线性特性有以下三种：阈值型、分段线性型和函数型。,神经元具有如下功能：(1)兴奋与抑制：如果传入神经元的冲动经整和后使细胞膜电位升高，超过动作电位的阈值时即为兴奋状态，产生神经冲动，由轴突经神经末梢传出。如果传入神经元的冲动经整和后使细

8、胞膜电位降低，低于动作电位的阈值时即为抑制状态，不产生神经冲动。,(2)学习与遗忘：由于神经元结构的可塑性，突触的传递作用可增强和减弱，因此神经元具有学习与遗忘的功能。决定神经网络模型性能三大要素为：(1)神经元（信息处理单元）的特性；(2)神经元之间相互连接的形式拓扑结构；(3)为适应环境而改善性能的学习规则。,Delta（）学习规则（梯度下降法）误差准则函数：,神经网络特征（1）能逼近任意连续的非线性函数；（2）信息的并行分布式处理与存储；（3）可以多输入、多输出；（4）便于用超大规模集成电路（VISI）或光学集成电路系统实现，或用现有的计算机技术实现；（5）能进行学习，以适应环境的变化。,神经网络控制的研究领域,（1）基于神经网络的系统辨识 将神经网络作为被辨识系统的模型，可在已知常规模型结构的情况下，估计模型的参数。利用神经网络的线性、非线性特性，可建立线性、非线性系统的静态、动态、逆动态及预测模型，实现非线性系统的建模。,(2)神经网络控制器 神经网络作为实时控制系统的控制器，对不确定、不确知系统及扰动进行有效的控制，使控制系统达到所要求的动态、静态特性。(3)神经网络与其他算法相结合 将神经网络与专家系统、模糊逻辑、遗传算法等相结合，可设计新型智能控制系统。,(4)优化计算 在常规的控制系统中，常遇到求解约束优化问题，神经网络为这类问题的解决提供了有效的途径。,