基于神经元网络的智能控制 神经元网络的特点: 1)非线性 2)分布处理 3)学习并行和自适应 4)数据融合 5)适用于多变量系统 6)便于硬件实现
基于神经元网络的智能控制 神经元网络的特点： 1）非线性 2）分布处理 3）学习并行和自适应 4）数据融合 5）适用于多变量系统 6）便于硬件实现
○神经元网络的简化模型 y()=f∑x()-0
●神经元网络的简化模型 = − = n i i i y t f w x t 1 ( ) ( ) y x1 x2 x n w1 w2 w n · · ·
●神经元网络的一般模型框架 a y 线性系统 非线性函数 1)加法器 )线性动态系统(SISO 3)静态非线性系统 v()=∑any()+b ikk (t)+w k=1
线性系统 非线性函数 ai1 ai2 a in bi1 bi2 bim wi y1 y2 y n u1 uk um 1 vi x i y i = = = + + m k i ik k i n j vi t aij y t b u t w 1 1 ( ) ( ) ( ) ●神经元网络的一般模型框架 1）加法器 2）线性动态系统（SISO） 3）静态非线性系统 ︰ ︰
式中a;和bk为权系数,订=12n k=1,2 …m.n个加法器可以写成向量形式 v(t=Ay(t)+ Bu(t)+w N维列向量 AN×N维矩阵 N维列向量(单元输出) B—N×M维矩阵 M维列向量(外部输入) M维常向量
式中 aij 和bik 为权系数，i,j =1,2,…,n, k= 1,2,…m. n 个加法器可以写成向量形式： v(t) = Ay(t) + Bu(t) + w w u B y A v —— N维列向量 —— N维列向量（单元输出） ——N×N维矩阵 ——N×M维矩阵 —— M维列向量（外部输入） —— M维常向量
▲线性动态系统 传递函数形式:x(s)=H(s)v(s) 按时域式:x=h()()dC 典型的有:H) h(t==e 1+sT ▲静态非线性系统典型的有 g(x) X)+ 阈值函数 阈值函数 Sigmoid函数
▲ 线性动态系统 x (s) H(s)v (s) 传递函数形式： i = i x h(t t')v (t')d t' i l i − 按时域形式： = − 典型的有： t T e T h t sT H s 1 / , ( ) 1 1 ( ) − = + = ▲静态非线性系统 典型的有： g(x) g(x) g(x) x x x 阈值函数 阈值函数 Sigmoid函数