神经网络控制PPT课件（MATLAB精选课程、优质学习资料）人工神经元模型、 反馈线性化控制.pptx

神经网络控制;目录;1神经网络简介;2 人工神经元模型;此外还有一个阈值;激活函数;（3）sigmoid函数;3 神经网络的学习规则;（2）Hebb学习规则 由神经心理学家Hebb提出的学习规则可归纳为“当某一突触连接两端的神经元同时处于激活状态(或同为抑制)时，该连接的强度应增加，反之应减弱”用数学方式可描述为：;4 MATLAB神经网络工具箱;（1）初始化神经网络函数init( ) 利用初始化神经网络函数init( )可以对一个已存在的神经网络进行初始化修正，该网络的权值和偏值是按照网络初始化函数来进行修正的。 其调用格式为： net=init(NET) 其中，NET为神经网络结构体。 （2）神经网络某一层的初始化函数initlay( ) 初始化函数initlay( )特别适用于层-层结构神经网络的初始化，该网络的权值和偏值是按照网络初始化函数来进行修正的。 其调用格式为： net=initlay(NET) 其中，NET为神经网络结构体。 （3）神经网络某一层的权值和偏值初始化函数initwb( ) 利用初始化函数initwb( )可以对一个已存在的神经网络的NET某一层i的权值和偏值进行初始化修正，该网络对每层的权值和偏值是按照设定的每层的初始化函数来进行修正的。 其调用格式为： net=initwb(NET,i) 其中，NET为神经网络结构体；i为神经网络结构中某一层网络。;（4）神经网络训练函数train( ) 利用train( ) 函数可以训练一个神经网络。网络训练函数是一种通用的学习函数，训练函数重复地把一组输入向量应用到一个网络上，每次都更新网络，直到达到了某种准则。停止准则可能是最大的学习步数、最小的误差梯度或者是误差目标等。 调用格式为： [net]=train(NET,X,T) 其中，NET为神经网络结构体；X为输入数据；T为输出数据；Xi为测试数据输入；返回的是训练好的神经网络。 （5）网络自适应训练函数adapt( ) 另一种通用的训练函数是自适应函数adapt( )。自适应函数在每一个输入时间阶段更新网络时仿真网络，而这在进行下一个输入的仿真前完成。 其调用格式为： [net]= adapt(NET,X,T) 其中，NET为神经网络结构体；X为输入数据；T为输出数据；Xi为测试数据输入；返回的是训练好的神经网络。 （6）网络仿真函数sim( ) 神经网络一旦训练完成??网络的权值和偏值就已经确定了。于是就可以使用它来解决实际问题了。利用sim( ) 函数可以仿真一个神经网络的性能。 其调用格式为： [Y]=sim(net,X) 或 [Y]=sim(net,{Q Ts}) 其中，net为训练好的神经网络；X为输入测试数据；Y返回的是预测的数据。;（7）权值点积函数dotprod( ) 网络输入向量与权值的点积可得到加权输入。 函数dotprod ( )的调用格式为： Z=dotprod (W,X) 其中，W网络输入权值；X为网络输入向量；返回值为点积结果。 （8）网络输入的和函数netsum( ) 网络输入的和函数是通过某一层的加权输入和偏值相加作为该层的输入。 调用格式： Z=netprod(Z1,Z2,…) 其中，Zi为神经网络层。 （9）网络输入的积函数netprod( ) 网络输入的积函数是通过某一层的加权输入和偏值相乘作为该层的输入。 调用格式： Z=netprod(Z1,Z2,…) 其中，Zi为神经网络层。 （10）结构一致函数concur( ) 函数concur( )的作用在于使得本来不一致的权值向量和偏值向量的结构一致，以便于进行相加或相乘运算。 其调用格式为： Z=concur(b,q) 其中，b为神经网络权值向量；q为神经网络偏值向量。;【例12-1】利用netsum( )函数和netprod( )函数，对两个加权输入向量Z1和Z2进行相加和相乘。 设计相应MATLAB神经网络程序如下： clc,clear,close all Z1=[1 2 4;3 4 1]; Z2=[1:3;2:4]; b=[0;1]; q=4; Z=concur(b,q) X1=netsum(Z1,Z2), X2=netprod(Z1,Z2) %计算向量的和与积 运行程序输出结果如下： Z = 0 0 0 0 1 1 1 1 X1 = 2 4 7 5 7 5 X2 = 1 4 12 6 12 4;5 基于BP神经网络的PID自适应控制;（2）神经网络：根据系统的运行状态，调节P