(5)竞争式学习 竞争式学习属于无教师学习方式。这种学习方式是 利用不同层间的神经元发生兴奋性联接，以及同一层 内距离很近的神经元间发生同样的兴奋性联接，而距 离较远的神经元产生抑制性联接。在这种连接机制中 引入竞争机制的学习方式称为竞争式学习。其本质在 于神经元网络中高层次的神经元对低层次的神经元的 输入模式进行识别。 21
21 （5）竞争式学习 竞争式学习属于无教师学习方式。这种学习方式是 利用不同层间的神经元发生兴奋性联接，以及同一层 内距离很近的神经元间发生同样的兴奋性联接，而距 离较远的神经元产生抑制性联接。在这种连接机制中 引入竞争机制的学习方式称为竞争式学习。其本质在 于神经元网络中高层次的神经元对低层次的神经元的 输入模式进行识别
(5)竞争式学习 竞争式机制的思想源于人的大脑的自组织能力，所以 将这神经网络称为自组织神经网络（自适应共振网络 模型(AdaptiveResonanceTheory,ART)。自组织神经网 络要求是识别与输入最匹配的节点，定义距离 d,=∑(4，-w)2 为接近距离测度， 具有最短距离的节点选作胜者。它的权值向量经修 正；△w,=a(4,-w,),i∈N。Aw,=0,i廷N。,使该节点对 输入更敏感，其中V。是N个输入变量中距离半径较小 或接近于0的部分。 22
22 （5）竞争式学习 竞争式机制的思想源于人的大脑的自组织能力，所以 将这神经网络称为自组织神经网络（自适应共振网络 模型(AdaptiveResonanceTheory,ART)。自组织神经网 络要求是识别与输入最匹配的节点，定义距离 为接近距离测度， 具有最短距离的节点选作胜者。它的权值向量经修 正； ,使该节点对 输入更敏感，其中 是N个输入变量中距离半径较小 或接近于0的部分。 2 1 0 ( ) − = = − N i d j ui wij i j i i j Nc w = a(u − w ), i ij Nc w = 0, i Nc
6.1.5神经元网络特点 神经元网络作为一种新技术迅速发展，并越来越多地用于复杂 系统的辨识和控制领域，是因为与传统的辨识和控制技术相比， 神经网络具有以下主要特性： ①非线性特性神经元网络在理论上可以趋近任何非线性的映射。 对于非线性复杂系统的建模、预测，神经元网络比其它方法更 实用与经济。 ②平行分布处理神经网络具有高度平行的结构，这使其本身可 平行实现。故较其它常规方法有更大程度的容错能力。 ③硬件实现神经网络不仅可以平行实现，而且一些制造厂家已 23
23 6.1.5神经元网络特点 神经元网络作为一种新技术迅速发展，并越来越多地用于复杂 系统的辨识和控制领域，是因为与传统的辨识和控制技术相比， 神经网络具有以下主要特性： ①非线性特性神经元网络在理论上可以趋近任何非线性的映射。 对于非线性复杂系统的建模、预测，神经元网络比其它方法更 实用与经济。 ②平行分布处理神经网络具有高度平行的结构，这使其本身可 平行实现。故较其它常规方法有更大程度的容错能力。 ③硬件实现神经网络不仅可以平行实现，而且一些制造厂家已
经用专用的VLSI硬件来制作神经网络。 ④学习和自适应性利用系统实际统计数据，可以对网络 进行训练。受适当训练的网络有能力泛化，即当输入出 现训练中未提供的数据时，网络也有能力进行辨识。神 经网络还可以在线训练。 ⑤数据融合网络可以同时对定性定量的数据进行操作。 在这方面，网络正好是传统工程（定量数据)和人工智 能领域（符号数据）信息处理技术之间的桥梁。 ⑥多变量系统神经网络能处理多输入信号，且可以具有 多个输出，故适用于多变量系统。 24
24 经用专用的VLSI硬件来制作神经网络。 ④学习和自适应性利用系统实际统计数据，可以对网络 进行训练。受适当训练的网络有能力泛化，即当输入出 现训练中未提供的数据时，网络也有能力进行辨识。神 经网络还可以在线训练。 ⑤数据融合网络可以同时对定性定量的数据进行操作。 在这方面，网络正好是传统工程（定量数据）和人工智 能领域（符号数据）信息处理技术之间的桥梁。 ⑥多变量系统神经网络能处理多输入信号，且可以具有 多个输出，故适用于多变量系统
6.2神经网络模型辨识中常用结构 模型辨识中有正向建模和逆向建模的结构，正向建模中分为 串-并辨识的结构及并联辨识结构；逆向建模又分为直接逆向 辨识结构和特殊逆向辨识结构。为了在模型辨识中能选准结 构，下面分析它们各自的优缺点。 在系统辨识中有一个重要问题是系统的可辨识性，即给 定一个特殊的模型结构，被辨识的系统是否可以在该结构内 适当地被表示出来。因此，必须预先给予假设，（如果采用神 经网络方法对系统进行辨识时)即所有被研究的系统都属于所 选神经网络可以表示的一类里，根据这个假设，对同样的初 始条件和任何特定输入，模型和系统应产生同样的输出。 25
25 6.2神经网络模型辨识中常用结构 模型辨识中有正向建模和逆向建模的结构，正向建模中分为 串-并辨识的结构及并联辨识结构；逆向建模又分为直接逆向 辨识结构和特殊逆向辨识结构。为了在模型辨识中能选准结 构，下面分析它们各自的优缺点。 在系统辨识中有一个重要问题是系统的可辨识性，即给 定一个特殊的模型结构，被辨识的系统是否可以在该结构内 适当地被表示出来。因此，必须预先给予假设，(如果采用神 经网络方法对系统进行辨识时)即所有被研究的系统都属于所 选神经网络可以表示的一类里，根据这个假设，对同样的初 始条件和任何特定输入，模型和系统应产生同样的输出