|
1.2 人工神经网络概述 神经网络、模糊逻辑和进化计算是人工智能目前最新的理论基础；在国际上受到人们的高度关注i也是现在各国学者热衷于研究的前沿课题。人们对这三种新理论的兴趣、不是因为它们的时髦，或者在于它们奇特；而是在于它们在人工智能的实现过程中有着十分重要的应用价值。不少学者不约而同地认为：未来不久的前沿核心技术将是模物逻辑和神经网络结合的新技术——神经模糊技术。 内容来自论文无忧网 www.paper51.com 神经网络是基于人类神经网络解剖的基础上的；它描述的是人类神经刚络传递、处理信息的微观过程。并且，企图从这种微观过程来模仿人的智能，探索人的智慧形成、表现形式。 内容来自论文无忧网 www.paper51.com 模糊逻辑则基于人类模糊思维这一抽象机理上；它描述的是人类模糊思维的方式、方法相关的宏观过程。同时，期望在这个宏观过程中掘挖人的智能形态，以及模拟人的智能作用。模糊逻辑是用人类的语言语句表述的，因此，它较为直观，也易于为人所理解。模糊数学为模糊逻辑的研究和开发提供了数学基础。用模糊逻辑去研究人的智能是一个重要的途径。模糊控制是模糊逻辑应用最多最广泛的一个领域。由于模糊控制器是一种非线性的拌制器，其控制机制是用以条件语句表述的控制规则来刻划的；所以，它带有明显人类智能思维的特征。把模糊控制看成是一种智能控制是十分恰当的。模糊控制也存在一个缺陷，这就是没有一种良好的学习架构和方法。这就需要寻找相应的补救办法。 内容来自论文无忧网 www.paper51.com 1.2.1神经网络的学习机理和机构 paper51.com 在神经网络中，对外部环境提供的模式样本进行学习训练，并能存储这种模式，则称为感知器；对外部环境有适应能力，能自动提取外部环境变化特征，则称为认知器。 paper51.com 神经网络在学习中，一般分为有教师和无教师学习两种。感知器采用有教师信号进行学习，而认知器则采用无教师信号学习的。在主要神经网络如BP网络，Hopfield网络，ART网络和Kohonen网络中；BP网络和Hopfield网络是需要教师信号才能进行学习的；而ART网络和Kohonen网络则无需教师信号就可以学习。所谓教师信号，就是在神经网络学习中由外部提供的模式样本信号。 内容来自www.paper51.com ⑴感知器的学习结构 copyright paper51.com 感知器的学习是神经网络最典型的学习。 http://www.paper51.com 目前，在控制上应用的是多层前馈网络，这是一种感知器模型，学习算法是BP法，故是有教师学习算法。 内容来自www.paper51.com
一个有教师的学习系统可以用图1-2-1-1表示。这种学习系统分成三个部分：输入部，训练部和输出部。 内容来自论文无忧网 www.paper51.com copyright paper51.com 图1-2-1-1 神经网络学习系统框图 copyright paper51.com 输入部接收外来的输入样本X，由训练部进行网络的权系数W调整，然后由输出部输出结果。在这个过程中，期望的输出信号可以作为教师信号输入，由该教师信号与实际输出进行比较，产生的误差去控制修改权系数W。 copyright paper51.com 学习机构可用图1-2-1-2所示的结构表示。 内容来自论文无忧网 www.paper51.com 在图中，X1，X2，…，Xn，是输入样本信号，W1，W2，…，Wn是权系数。输入样本信号Xi可以取离散值“0”或“1”。输入样本信号通过权系数作用，在u产生输出结果 ∑WiXi，即有： copyright paper51.com u=∑WiXi= W1 X1+ W2X2+…+WnXn 内容来自论文无忧网 www.paper51.com 再把期望输出信号Y(t)和u进行比较，从而产生误差信号e。即权值调整机构根据误差e去对学习系统的权系数进行修改，修改方向应使误差e变小，不断进行下去，使到误差e为零，这时实际输出值u和期望输出值Y(t)完全一样，则学习过程结束。 http://www.paper51.com
copyright paper51.com 图1-2-1-2 学习机构 http://www.paper51.com 神经网络的学习一般需要多次重复训练，使误差值逐渐向零趋近，最后到达零。则这时才会使输出与期望一致。故而神经网络的学习是消耗一定时期的，有的学习过程要重复很多次，甚至达万次级。原因在于神经网络的权系数W有很多分量W1，W2，…Wn；也即是一个多参数修改系统。系统的参数的调整就必定耗时耗量。目前，提高神经网络的学习速度，减少学习重复次数是十分重要的研究课题，也是实时控制中的关键问题。 内容来自www.paper51.com ⑵感知器的学习算法 http://www.paper51.com
感知器是有单层计算单元的神经网络，由线性元件及阀值元件组成。感知器如图1-2-1-3所示。 http://www.paper51.com
copyright paper51.com 1-2-1-3 感知器结构 paper51.com 感知器学习算法步骤如下： paper51.com
① 系数w置初值 paper51.com 对权系数w＝(W1，W2，…，Wn，Wn+1)的各个分量置一个较小的零随机值，但Wn+1＝—g。并记为Wl(0)，W2(0)，…，Wn(0)，同时有Wn+1(0)＝—θ。这里Wi(t)为t时刻从第i个输入上的权系数，i＝1，2，…，n。Wn+1(t)为t时刻时的阀值。 copyright paper51.com ② 输入一样本X＝(X1，X2，…，Xn+1)以及它的期望输出d。 内容来自www.paper51.com 期望输出值d在样本的类属不同时取值不同。如果x是A类，则取d＝1,如果x是B类，则取-1。期望输出d也即是教师信号。 copyright paper51.com ② 计算实际输出值Y http://www.paper51.com
paper51.com
i=1 内容来自www.paper51.com Y(t)=f[∑ 内容来自www.paper51.com |