有监督和BP神经网络(1)课件

单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,基于神经元网络的智能控制,神经元网络的特点：,1,）非线性,2）分布处理,3）学习并行和自适应,4）数据融合,5）适用于多变量系统,6）便于硬件实现,基于神经元网络的智能控制神经元网络的特点：1）非线性,1,神经网络的发展历史,始于19世纪末20世纪初，源于物理学、心理学和神经生理学的跨学科研究。,现代研究：20世纪40年代。从原理上证明了人工神经网络可以计算任何算术相逻辑函数。可以认为是神经网络领域研究工作的开始。,人工神经网络第一个实际应用出现在20世纪50年代后期，Frank Rosenblatt提出了感知机网络和联想学习规则。,在60年代，由于缺乏新思想和用于实验的高性能计算机，曾一度动摇了人们对神经网络的研究兴趣。,到了80年代，随着个人计算机和工作站计算能力的急剧增强和广泛应用，以及不断引入新的概念，克服了摆在神经网络研究面前的障碍，人们对神经网络的研究热情空前高涨。,神经网络的发展历史始于19世纪末20世纪初，源于物理学、心理,2,有两个新概念对神经网络的复兴具有重大的意义：,其一：,用统计机理解释某些类型的递归网络的操作，这类网络可作为联想存储器；,其二：,在20世纪80年代，几个不同的研究者分别开发出了用于训练多层感知器的反传算法。,有两个新概念对神经网络的复兴具有重大的意义：,3,神经网络的应用,航空,：高性能飞行器自动驾驶仪，飞行路径模拟，飞机控制系统，自动驾驶优化；器，飞行部件模拟，飞行器部件故障检测器,汽车,：汽车自动导航系统，担保行为分析器,银行,：支票和其他公文阅读器，信贷申请的评估器,国防,：武器操纵，目标跟踪，目标辨识，面部识别、新型的传感器，声纳雷达和图像信号处理(包括数据压缩、特征提取、噪声抑制、信号图像的识别),神经网络的应用航空：高性能飞行器自动驾驶仪，飞行路径模拟，飞,4,电子：,娱乐：,金融：,保险：,制造：,医疗：,石油、天然气：,机器人：,有价证券：,电信：,交通：,电子：石油、天然气：,5,生物学的启示,人工神经网络却没有人脑那么复杂，但它们之间有两个关键相似之：,首先，,两个网络的构成都是可计算单元的高度互连(虽然人工神经元比生物神经元简单得多)。,其次，,处理单元之间的连接决定了网络的功能。,生物学的启示 人工神经网络却没有人脑,6,神经元网络的简化模型,神经元网络的简化模型,7,a,i1,a,i2,a,in,b,i1,b,i2,b,im,w,i,y,1,y,2,y,n,u,1,u,k,u,m,1,v,i,x,i,y,i,神经元网络的一般模型框架,1）加法器,2）线性动态系统（SISO）,3）静态非线性系统,ai1ai2a inbi1bi2bimwiy1y2y nu1,8,式中 a,ij,和b,ik,为权系数，i,j=1,2,n,k=1,2,m.n 个加法器可以写成向量形式：,N维列向量,N维列向量（单元输出）,NN维矩阵,NM维矩阵,M维列向量（外部输入）,M维常向量,式中 aij 和bik 为权系数，i,j=1,2,n,9,线性动态系统,典型的有：,静态非线性系统,典型的有：,g(x),g(x),g(x),x,x,x,阈值函数,阈值函数,Sigmoid函数,线性动态系统典型的有：静态非线性系统 典型的有：g(x,10,（双极型）,Sigmoid,u,1,u,i,i,u,1,u,i,i,y,i,y,i,Adline(自适应线性网,）,单层感知器(Perceptron),不同的部件可以组成不同的网络,（双极型）Sigmoidu1uiiu1uiiy iy,11,K,u,i,y,j,y,i,离散Hopfield网,y,1,y,2,y,3,y,4,u,1,u,2,u,3,u,4,Kuiy jyi离散Hopfield网y1y2y3y4u1,12,y,j,y,i,u,i,x,i,连续的Hopfield网,按,学习,的方法神经元网络可分成二类：,1）有监督的学习网络：,感知器,误差反传网络（BP）,小脑模型连接控制器（CMAC）,模块（组合）网络,增强学习网络,yjyiuixi连续的Hopfield网按学习的方法神经,13,有监督的神经网络,1）感知器网络,感知器是前馈(正向传输)网络,所有节点都是线性的.,x,1,x,2,x,n,b,1,b,2,b,m,权向量W,2）无监督学习网络,竞争学习和Kohonen网络,Hopfield网络,双向联想存贮器（BAM）,Boltzman机,有监督的神经网络1）感知器网络感知器是前馈(正向传输)网,14,输入与输出的关系：,权矩阵可以按下式求解：,学习规则：,代表输入与输出的差别。,是学习因子,这学习规则即是著名的 学习规则。,随着学习迭代次数k的增加，保证网络的收敛。,反传（BP）网络,误差反传（学习算法）,（BP）网络与感知器的主要差别在于：（BP）网络的节点,是非线性的。,采用,广义,学习规则。,输入与输出的关系：权矩阵可以按下式求解：学习规则：代表输入与,15,反传（BP）网络的结构图,一个输入层，一个输出层，多个隐层。,j,p,p1,x,p1,x,pn,t,pk,t,pm,O,p1,O,pn,O,p2,隐层,w,j1,w,jn,输入层,隐层,输出层,信息流,pm,反传（BP）网络的结构图jpp1xp1x pnt pk,16,隐层节点j输出和输入节点p的关系：,输出节点k和隐层输出节点p的关系：,学习过程：,定义输出误差,隐层节点j输出和输入节点p的关系：输出节点k和隐层输出节点p,17,学习的目的是要使以下定义的误差平方和最小：,因此，要求以下的偏导，,最后得到二个权值改变的重要公式：,学习的目的是要使以下定义的误差平方和最小：因此，要求以下的偏,18,初始化,加输入和期望输出,计算隐层和输出层的输出,迭代次数加1,调节输出层和隐层的连接权值,改变训练样板,训练样终止？,迭代终止？,BP算法的基本流程,No,No,y,y,初始化 加输入和期望输出计算隐层和输出层的输出迭代次数加1,19,重要结论,具有至少一个隐层的多层前馈网络，如果隐层单元足够多，那么，利用扁平激励函数和线性多项式集成函数，可以对任意感兴趣的函数逼成到任意精度,。,扁平激励函数定义：,f,:,R,0,1 或-1,1是非减函数,扁平激励函数的参数.,理论证明:多层前馈网络是一种通用逼近器,重要结论 具有至少一个隐层的多层前馈网络，如果隐层单,20,讨论,隐层的数目和节点的数目,何谓合适?,是否收敛到全局最优?(涉及多维误差曲面的不确定性),3)收敛的速度问题。(涉及隐层节点输出的相互耦合和梯度下降法本身的缺点）,讨论隐层的数目和节点的数目,何谓合适?,21,作业,阅读：Martin T.Haguan等著，戴葵等译.神经网络设计.机械工业出版社，北京：2002.9：第11章、第12章有关,BP,算法的内容,作业阅读：Martin T.Haguan等著，戴葵等译.神,22,学习,：,就是修改神经网络的权值和偏置值的方法和过程(也称这种过程是训练算法),学习的目的,：,为了训练网络来完成某些工作,学习的分类,：,有监督学习：,竞争学习：,无监督学习：,学习规则由一组描述网络行为的实例集合(训练集)给出：p1,t1、p2,t2、。p,q,t,q,，其中，p,q,为网络的输入，t,q,为相应的正确(目标)输出。当输入作用到网络时，网络的实际输出与目标相比较，然后学习规则调整网络的权值和偏置值，从而使网络的实际输出越来越接近于目标输出。,增强学习与有监督的学习类似，只是它并不像有监督的学习一样为每一个输,入提供相应的目标输出，而是仅仅给出一个级别，这个级别(或评分)是对网络在某些输入序列上的性能测度。当前这种类型的学习要比有监督的学习少见。看起来它最为适合控制系统应用领域。,在无监督的学习中，仅仅根据网络的输入调整网络的权值和偏置值，它没有目标输出，乍一看这种学习似乎并不可行：不知道网络的目的是什么，还能够训练网络吗?实际上，大多数这种类型的算法都是要完成某种聚类操作，学会将输入模式分为有限的几种类型，这种功能特别适合于诸如向量量化等应用问题。,返回,学习：就是修改神经网络的权值和偏置值的方法和过程(也称这种过,23,