神经元网络控制
作者：贾晓亮 米增
来源：《数字技术与应用》2011华蓥山断裂带年第06期
摘要：本文主要讲述常用神经网络原理及其学习算法，包括前馈神经网络和反馈神经网络，并介绍神经元网络控制器的设计方法与实例。 中图分类号:TP316 文献标识码：A 文章编号：保护蔬菜1007-9416（2011上海市交通港口局）06-0165-01
奥修书
1、人工神经元模型
人们试图用物理器件或计算机模拟人脑，以便用机器代替人脑的部分劳动。迄今为止，人们已提出几百种人工神经元模型。
最典型的人工神经元模型。人工神经元可看成是生物神经元的结构与功能的模拟与近似。
这种神经元模型的输入输出关系（数学表达式）为：
其中θj称为阈值，wji称为连接权系数，f(·)称为输出变换函数。 一般说来，不同的应用场合采用不同的变换函数。图3.3表示了在自动化领域常用的几种变换函数。
(1)线性函数（比例函数）
y = f(s)=s
(2)符号函数（硬限幅函数）
(3)Sigmoid函数（S型函数）
曲线的曲率可以通过改变μ值的大小来调整。
人工神经网络用许多人工神经元按某种结构连接构成的，是人脑神经网络的某种简化
、抽象和模拟。
韦伯 影响人工神经网络的特性与能力的几个主要因素是：人工神经元模型及其变换函数、网络的拓扑结构、学习方法等。
人工神经网络的典型结构主要有：前馈型网络（例如BP网络）、反馈型网络（例如Hopfield网络）、互连网络。
3、人工神经网络的学习方法
3.1 人工神经网络连接权的确定方法
主要有如下二种：直接计算；通过学习。学习方法是人工神经网络研究中的核心问题，学习方法归根结底就是网络连接权的调整方法。
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议