事技术与效用
神经元网络控制
贾晓亮米增
（唐山奥航工控设备有限公司河北唐山063000）
学术论坛
摘要：本文主要讲速常用神经网络原理及其学习算法，包括前馈神经网络和反绩神经网络，并介绍神经元网络控制器的设计方法与实例。关键词：人工神经网络应用
中图分类号：TP316 1、人工神经元模型
文献标识码：A
文章编号：10079416（2011)06016501
元j和神经元i的输出（激活值）："为学习速率。
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。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人输出关系（数学表达式）为：
w-= sy
Ixfa
=0
il y,=f(st)
(Xo =Q,,Wjo =1)
其中θ称为阀值，wj称为连接权系数，·)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）
8≥0
yf(s)=
1
0>s
(3)Sigmoid函数（S型函数）
y=f(s)=
1
I+e-s
曲线的曲率可以通过改变μ值的大小来调整。 2、人工神经网络
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。
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。
3.2几种基本的规则
(1)Hebb学习规则；根据生理学中条件反射机理，如果两个神经元同时兴奋（即同时被激活），则它们之间的突触连接被加强。
连接权调整量的表达式为： Awji=yjyi
其中：ji为神经元i到神经元j的连接权；和yi分别为神经方方数据
(2)8学习规则：8学习规则利用已知样本对神经元之间的连接权和阀值进行学习和调整，这种方法又称为误差校正规则。这种学习规则实质上是一种梯度方法，这里的样本相当于“教师”，所以这是一个有监督的学习间题。
连接权的调整量为：
wji=n8jyi 8j=F (Yj-yj)
其中：wj为神经元i到神经元j的连接权；
yi为神经元i的输出，即神经元j的输入；
Yj-yi为误差，即网络期望输出Yj与实际输出y之差；
F(·)所表示的函数关系应根据具体情况而定。 3.3人工神经网络的主要研究课题
网络的基本特性、结构以及快速学习算法等；网络的工程应用：网络的硬件实现。
3.4人工神经网络在控制工程中的应用
(1)基于神经网络的系统辩识，实质上是选择一个适当的网络模型来逼近实际系统，可用于非线性系统的排识。
(2)系统控制，主要针对系统的非线性与不确定性。
第一、具有不确定性和时变性（包括环境）的非线性系统的自适应控制问题，可单独应用人工神经元网络。例如：单神经元自学习控制器。
第二、融合多种智能技术的智能控制系统，可将神经网络与专家控制、模糊控制相结合。例如，模糊神经网络控制。
第三、基于常规控制算法的神经网络控制，可将神经网络与常规控制算法相结合。例如，神经网络预测控制。
(3)控制系统的故障诊断与容错控制。 4、优化计算
神经元控制系统是一种能在其运行过程中逐步获得被控对象及其环境的未知信息，积累经验：并在一定的评价标准下进行估计、分类、决策，从而使系统品质逐步改善的自动控制系统。通过本文的讲解学习控制通过对被控对象及其环境的未知信息来估
计和逐步改善而导致系统品质的逐步改善。参考文献
[1]孙增圻等编著智能控制理论与技术.清华大学出版社,1997年[2]蔡自兴,徐光佑人工智能及其应用.清华大学出版社,2000年[3]部军力等编著人工智能基础电子工业出版社2000年
[4]王永骏,涂健编著.神经元网络控制.机械工业出版社,1998年
165