郑州大学电气工程学院：《智能控制》课程教学资源（PPT课件）Chapter 06 神经网络控制

第6章神经网络控制

1 第6章 神经网络控制

6概述 6.1.1生物神经元模型 6.12人工神经元模型 6.1.3人工神经网络模型 6.14神经网络的学习方法

2 6.1 概述 6.1.1生物神经元模型 6.1.2 人工神经元模型 6.1.3 人工神经网络模型 6.1.4 神经网络的学习方法

6.1.1生物神经元模型 人脑大约包含1012个神经元,分成约1000种类 型,每个神经元大约与102~104个其他神经元 相连接,形成极为错综复杂而又灵活多变的神 经网络。每个神经元虽然都十分简单,但是如 此大量的神经元之间、如此复杂的连接却可以 演化出丰富多彩的行为方式。同时,如此大量 的神经元与外部感受器之间的多种多样的连接 方式也蕴含了变化莫测的反应方式 3

3 6.1.1生物神经元模型 人脑大约包含1012个神经元，分成约1000种类 型，每个神经元大约与102～104个其他神经元 相连接，形成极为错综复杂而又灵活多变的神 经网络。每个神经元虽然都十分简单，但是如 此大量的神经元之间、如此复杂的连接却可以 演化出丰富多彩的行为方式。同时，如此大量 的神经元与外部感受器之间的多种多样的连接 方式也蕴含了变化莫测的反应方式

树突 胞体 郎飞节 梅林鞘 轴突 突触 4

4

从生物控制论的观点来看,神经元作 为控制和信息处理的基本单元,具有下列 一些重要的功能与特性: 时空整合功能 ■兴奋与抑制状态 ■脉冲与电位转换 ■神经纤维传导速度 ■突触延时和不应期 ■学习、遗忘和疲劳

5 从生物控制论的观点来看，神经元作 为控制和信息处理的基本单元，具有下列 一些重要的功能与特性： ◼ 时空整合功能 ◼ 兴奋与抑制状态 ◼ 脉冲与电位转换 ◼ 神经纤维传导速度 ◼ 突触延时和不应期 ◼ 学习、遗忘和疲劳

6.1.2人工神经元模型 人工神经元是对生物神经元的一种模拟 与简化。它是神经网络的基本处理单元。 如图所示为一种简化的人工神经元结构 它是一个多输入、单输出的非线性元件

6 6.1.2 人工神经元模型 ◼ 人工神经元是对生物神经元的一种模拟 与简化。它是神经网络的基本处理单元。 如图所示为一种简化的人工神经元结构。 它是一个多输入、单输出的非线性元件

w2i ∑|f 7

7

其输入、输出关系可描述为 1=∑x- y,= fai ■其中,x(=12…1m)是从其他神经元传来的 输入信号:W表示从神经元到神经元i的 连接权值;,为阈值;f(·)称为激发函数 或作用函数

8 ◼ 其输入、输出关系可描述为 ◼ 其中， 是从其他神经元传来的 输入信号； 表示从神经元j到神经元i的 连接权值； 为阈值； 称为激发函数 或作用函数。 = = − n j i wijxj i I 1  ( ) i i y = f I x ( j 1,2, , n) j =  wij  i f (•)

输出激发函数f(°)又称为变换函数,它决定 神经元(节点)的输出。该输出为1或0, 取决于其输入之和大于或小于内部阈值 函数 鳗有非线性特性。下图表示 了几种常见的激发函数。 1.阈值型函数(见图(a),(b)) 2.饱和型函数(见图(c)) 3.双曲函数(见图(d) 4.S型函数(见(e) 5.高斯函数(见图(f))

9 输出激发函数 又称为变换函数，它决定 神经元（节点）的输出。该输出为1或0， 取决于其输入之和大于或小于内部阈值 。 函数 一般具有非线性特性。下图表示 了几种常见的激发函数。 1. 阈值型函数（见图（a），（b）） 2. 饱和型函数（见图（c）） 3. 双曲函数（见图（d）） 4. S型函数（见（e）） 5. 高斯函数（见图（f）） f (•)  i f (•)

f(a) (b) f(x)p=5.0 f(r) 0.5a=1 0 (e) 10

10