无论采用何种神经网络控制结构,所有控制方法都有一个共同点,即必须提供受控对象的期望输入。但是,当系统模型未知或部分未知时,就很难提供这种期望输入。NN自适应判断控制或强化控制是由Barto等提出的,并由Anderson发展的,它应用强化学习的机理。这种控制系统...

预测控制是一种基于模型的控制,它是70年代发展起来的一种新的控制算法,具有预测模型、滚动优化和反馈校正等特点。已经证明本控制方法对于非线性系统能够产生有希望的稳定性。 基于神经网络的预测控制算法步骤如下: (1)计算期望的未来输出序列 ; (2)借助NN预...

与常规自适应控制一样,NN自适应控制也分为两类,即自校正控制(STC)和模型参考自适应控制(MRAC)。STC和MRAC之间的差别在于:STC根据受控系统的正和／或逆模型辨识结果直接调节控制器的内部参数,以期能够满足系统的给定性能指标;在MRAC中,闭环控制系统的期望性能...

顾名思义,NN直接逆控制采用受控系统的一个逆模型,它与受控系统串接以便使系统在期望响应(网络输入)与受控系统输出间得到一个相同的映射。因此,该网络(NN)直接作为前馈控制器,而且受控系统的输出等于期望输出。本控制方案已用于机器人控制,即在Miller开发的CM...

由于受控系统的动态特性是未知的或者仅有部分是已知的,因此需要寻找某些支配系统动作和行为的规律,使得系统能被有效地控制。在有些情况下,可能需要设计一种能够模仿人类作用的自动控制器。基于规则的专家控制和模糊控制是实现这类控制的两种方法,而神经网络(...

CMAC网络可视为一种具有模糊联想记忆特性监督式(有导师)前馈神经网络,CMAC由一系列映射组成: (1) 式中,S＝{输入矢量},M＝{中间变量},A＝{联想单元矢量},u＝CMAC的输出h(S),gofoe 上述映射(变换)可说明于下: (1)输入编码(SM映射) (2)地址计算(MA映射) (3)输出...

Elman网络和Jordan网络具有与MLP网络相似的多层结构。在这两种网络中,除了普通的隐含层外,还有一个特别的隐含层,有时称为上下文层或状态层;该层从普通隐含层(对于Elman网)或输出层(对于Jordan网)接收反馈信号。Jordan网还对上下文层的每个神经元进行自反馈连...

Hopfield网络是一种典型的递归网络,Hopfield网络的训练只有一步,网络的 被直接指定如下: (1) 式中, 为从神经元i至神经元j的连接权值, (可为+1或-1)是c类训练输入模式的第i个分量,p为类数,N为神经元数或输入模式的分量数。当一种未知模式输至此网络时,设置其...

Kohonen网络或自组织特征映射网络含有两层,一个输入缓冲层用于接收输入模式,另一为输出层。训练一个Kohonen网络包含下列步骤: (1)对所有输出神经元的参考矢量预置小的随机初值。 (2)供给网络一个训练输入模式。 (3)确定获胜的输出神经元,即参考矢量最接近输...

学习矢量量化(LVQ)网络由三层神经元组成,即输入转换层、隐含层和输出层。该网络在输入层与隐含层间为完全连接,而在隐含层与输出层间为部分连接,每个输出神经元与隐含神经元的不同组相连接。隐含－输出神经元间连接的权值固定为1。输入－隐含神经元间连接的权...

自适应谐振理论(ART)网络具有不同的版本,即用于处理二元输入的ART-1版本和能够处理连续值输入的ART-2版本。 一个ART-1网络含有两层,一个输入层和一个输出层。这两层完全互连,该连接沿着正向(自底向上)和反馈(自顶向下)两个方向进行。自底向上连接至一个输出神...

GMDH网络中的每个神经元通常有两个输入( 和 ),并产生一个输出y,它是这些输入的二次组合,即 (1) 训练GMDH网络包含下列过程:从输入层开始构造网络,调整每个神经元的权值,增加层数直至达到映射精度为止。 第一层的神经元数决定了可能得到的外部输入数。对于一对...

多层感知器可能是最著名的前馈网络,一个三层MLP包括输入层、中间(隐含)层和输出层。输入层的神经元只起到缓冲器的作用,把输入信号 为一称为学习速率的参数, 之后,进行求和,并计算出输出 作为该和的f函数。反向传播算法是一种最常采用的MLP训练算法,它给出神经...

迄今为止,有30多种人工神经网络模型被开发和应用。根据W.T.Illingworth提供的综合资料,最典型的ANN模型(算法)及其学习规则和应用领域如表1所列。 表1人工神经网络的典型模型...

(1)有师学习 有师学习需要有个老师或导师来提供期望或目标输出信号。 (2)无师学习 无师学习算法不需要知道期望输出。在训练过程中,只要向神经网络提供输入模式,神经网络就能够自动地适应连接权,以便按相似特征把输入模式分组聚集。无师学习算法的例子包括Koh...