5.5 神经网络的学习算法、基本特征和研究领域在线视频

下面我们看一下

神经网络的学习算法

神经网络为什么具有智能

那是因为它的学习算法

它的学习算法指的是

神经网络的

它的权值和阈值

可以通过样本的刺激

来调整它的权值和阈值

从而存储了一些相应的信息

具备一些学习功能

那么神经网络通过学习算法

实现了自适应

自组织、自学习的能力

那么按照有无导师来学习

进行分类

可以分为下面三类

第一 有导师学习

这里面导师就指的是

有目标、有期望的输出

根据神经网络的实际输出与期望输出

也就是导师信号之间的差异偏差

来调整神经网络的连接权值和阈值

最终使得偏差变小

这叫做有导师学习方式

那么一个典型的例子就是

BP神经网络

它是一种有导师学习方式

它是由事先在输入样本的时候

就给定了期望的输出

也就是导师信号

第二个就是无导师学习

输入模式进入网络后

网络按照一预先设定的规则

自动调整权值

使神经网络最终具备分类功能

那么这个时候

它是并没有给定它的期望输出信号

也就是说没有导师学习方式

那么介于两者之间

部分给定了期望输出

它叫做再励学习

这是一种由导师指导的

神经网络学习方式

输入信号经过神经网络作用后

计算出神经网络实际输出

然后事先我给定了期望的输出

它们之间形成一个偏差

我神经网络就可以根据这两个偏差

自动的调整它的权值和阈值

实现对输入信号到期望输出之间的

一种非线性映射

它是一种有导师学习的方式

而无导师指导了神经网络学习

它并没有给定期望的输出

我只是通过输入信号

送入神经网络

那么这些神经网络实际输出

通过这些输出

按照一些规则

来调整它的连接全程阈值

这是一种无导师指导的学习方式

下面我们看一下

神经网络的基本特征

神经网络它理论上已经证明

它可以任意精度

逼近任意的非线性函数

这样的话它就可以很方便地用于

非线性函数的函数拟合、系统辨识

等等各个领域

第二 它具备信息的并行分布式处理和存储

实际上它通过多个输入

多个输出

实现了这样一个

并行分布式处理和存储的

同时它可以把这些信息

分布的存储在它的权值和阈值里

也就是说把这些信息分布存储在

它的神经网络的不同的地方

存储在它的权值阈值上面去

体现在这些地方

实现了信息的存储处理功能

第三 它可以方便地实现

多输入多输出控制

在传统控制领域里面

我们一般都考虑

为了简化起见

考虑单输入单输出

但神经网络非常方便地模拟

多输入多输出对象的特征

可以实现多输入多输出

第四 非常方便用超大规模集成电路

或光学集成电路系统实现

或者采用现有的计算机技术实现

工程实现非常容易

第五 有神经网络就要有学习能力

它可以能自动地进行学习

通过样本的不断刺激

适应环境的变化

达到比较好的学习水平

这是因为它的权值和阈值

可以按照学习算法进行调整优化

下面我们看一下

神经网络控制的研究领域

第一 基于神经网络的系统辨识

这是因为神经网络

可以任意精度逼近任意的

复杂的非线性函数

所以它很方便地用于系统辨识

将神经网络作为被辨识系统的模型

可以在已知常规模型结构的情况下

估计模型参数

第二 利用神经网络的线性

非线性特性

可以建立线性

非线性系统的静态

动态、逆动态以及预测模型

实现非线性系统的建模和辨识

第二 神经网络控制器

神经网络可以作为实时控制系统的控制器

对不确定的

不确知的系统

以及外部过程的扰动

进行有效的实时在线控制

取代常规的PID控制系统力

这样使得整个控制系统

达到所要求的动态、静态特性

第三 神经网络与其他算法相结合

可以将神经网络与专家系统

模糊逻辑、遗传算法等等相结合

可以设计各种新型的智能控制系统

第四 优化计算

那么在常规的控制系统中

常常遇到求解约束

有约束条件的多目标

或者单目标优化问题

而神经网络就会非常方便

处理这类问题

目前神经网络与控制

已经在多种控制结构中得到了应用

比如PID控制相结合

模型参考自适应控制

前馈反馈控制

内模控制

预测控制

模糊控制等等