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。