技术及工程应用讲稿5(人工神经网络与神经网络控制)

人工神经网络与神经网络控制陆宝春2021年11月人工神经网络与神经网络控制1人工神经网络概述2人工神经网络开展3人工神经网络模型4神经网络的任务方式及其特点5神经网络的设计开发过程6人工神经网络的运用7神经网络控制8净水厂最正确投药量的神经网络控制系统9神经网络控制中有待处理的问题10人工神经网络的开展方向1人工神经网络概述现代计算机有很强的数值计算、逻辑运算和信息处置才干，极大地扩展了人的脑力，但它对方式识别、感知等问题的才干却远不如人，特别是它只能按照事先编好的程序机械的执行，缺乏向环境学习，顺应环境的才干。人脑的任务方式与计算机是不同的。人脑是由大量根本单元〔即神经元〕经过复杂的相互衔接而成的一种高度复杂的、非线形的、并行处置的信息处置系统。1人工神经网络概述人们以模拟人脑神经网络的信息表示、存储和处置机制为根底，设计全新的计算机处置构造模型，这也就促进了人工神经网络〔artificialneuralnetworks简称NN〕的研讨与运用。人工神经网络就是由多个简单的并行任务的处置单元彼此以某种方式互连组成的系统。它模拟人类大量脑细胞的高度衔接，当有输入信号将神经元激活时，经过神经回路产生输出。2人工神经网络开展启蒙时期低潮时期复兴时期新时期〔1〕启蒙时期

1890年，心思学家W.Jams关于人脑构造与功能的研讨。1943年，生理学家W.S.McCulloch和数学家W.A.Pitts提出了神经元M-P模型。1958年，计算机学家FrankRosenblatt提出了“感知器〞〔Perceptron〕。〔2〕低潮时期

1969年，人工智能的开创人M.Minsky和S.Paper发表了<感知器>一书。书中指出，简单的神经网络只能运用于线性问题的求解，可以求解非线性问题的网络应具有隐层，而从实际上不能证明将感知器模型扩展到多层网络是有意义的。这一悲观论点极大地影响了人工神经网络的研讨，开场了神经网络开展史上长达10年的低潮时期。〔3〕复兴时期

1982年，物理学家John.J.Hopfield提出了Hopfield网络；1986年，贝尔实验室利用Hopfield实际在硅片上制成了硬件神经计算机网络；1988年，<并行分布式处置>一书开展了多层感知机的反向传播训练方法。〔4〕新时期

1987年，首届国际神经网络学术会议召开，标志着世界范围内掀起神经网络开发研讨的热潮。神经网实际已成为涉及神经生文科学、认识科学、数文科学、心思学、信息科学、计算机科学、微电子学、光学、生物电子学等多学科交叉、综合的前沿科学。许多国家在神经网络计算机的硬件实现方面也获得了一些成果。3人工神经网络模型神经元输入输出关系：

3人工神经网络模型人工神经网络是由多个神经元构成的一个并行和分布式信息处置网络构造。神经网络模型的种类繁多，有前馈神经网络、反响神经网络、自组织神经网络、模糊神经网络等。

〔1〕前馈神经网络这是现行控制方案中采用的最多的神经网络网型。前馈神经网络又包括BP、PID神经元、RBF径向基函数神经网络。〔2〕模糊神经网络模糊神经网络控制技术是神经网络集成控制技术的精华，如今已成为一个研讨热点。

4神经网络的任务方式及其特点神经元的衔接权值经过学习来修正衔接权值不变，由网络输入得到相应的输出学习期任务期〔1〕人工神经网络学习人工神经网络学习就是经过对样本的学习训练，不断改动网络衔接权值和扩扑构造以使网络的输出不断的接近期望的输出，其本质就是衔接权值的动态调整。神经网络的学习算法很多，如BP算法。

〔2〕训练神经网络的根本步骤

包括原始数据的搜集、数据分析、变量选择以及数据的预处置等如选择BP网，就要确定网络的构造和参数，如：层数，每层结点数、初始权值其目的在于找到蕴涵在样本数据中的输入和输出间的本质关系，从而对未经训练的输入也能找到适宜的输出，即具备泛化才干。产生数据样本集确定网型与构造训练和测试〔3〕神经网络特点自顺应性泛化功能非线性映射功能高度并行处置信息这些特点显示了神经网络在处理高度非线性和严重不确定性系统的控制方面具有很大潜力。将神经网络引入控制系统是控制学科开展的必然趋势。5神经网络的设计开发过程神经网络构造描画系统需求分析产生网络可执行代码训练和测试网络将神经网络并入系统选择训练和测试数据抽取数据特征和预处置6人工神经网络的运用方式识别如癌细胞识别、油气藏检测、电力变压器缺点检测等。控制与优化如温度控制、液压位置伺服系统控制、机器人运动控制等。金融预测及管理如股票市场预测、保险业风险评价。通讯如路由选择。7神经网络控制20世纪80年代以来，工业消费向着大型、延续、综合化方向开展，控制系统也变的越来越复杂。自动控制任务面临着两大挑战，一是控制对象越来越复杂存在多种不确定性以及难以确切描画的非线性特征；二是控制义务要求越来越高，往往是多层次多目的的控制要求。为此，人们必需建立新的实际和方法，从而导致了神经网络控制的产生，而神经网络的自顺应、分布式存储等特点正好为上述问题处理了一条新途径，在自动控制领域展现出宽广的运用前景。〔1〕神经网络控制概念神经网络控制是研讨和利用人脑的某些构造机理以及人的知识和阅历对系统的控制。利用神经网络，可以把控制问题看成方式识别问题．被识别的方式是映射成“行为〞信号的“变化〞信号。神经控制最显著的特点是具有学习才干。它是经过不断修正神经元之间的衔接权值，并离散存储在衔接网络来实现的。它对非线性系统和难以建模的系统的的控制具有良好效果。〔2〕神经网络控制运用基于神经网络的特点，神经网络在控制系统中可充任系统模型、直接做控制器或提供优化算法。它已被运用到自动控制领域的各个方面，包括系统建模与辨识、优化设计、预测控制、最优化控制、自顺应控制、容错控制、模糊控制、专家控制和学习控制等等。8例：净水厂最正确投药量的神经网络控制系统市场需求现状处理难度神经网络控制处理方案

水处置过程从混凝剂的投加，经过絮凝、沉淀、过滤，至少需经过40min以上，系统的大滞后、非线性使得无法根据出水目的来确定投药量。鉴于此，我们提出经过对源水典型水质参数的检测，利用神经网络的容错性、自学习性和自顺应才干，建立混凝投药系统投药量预测模型的方法，并进一步在此模型的根底上，经过优化算法，实现混凝剂的实时最正确投加。影响混凝剂的投加量和混凝效果的几个主要源水参数浊度pH色度温度流量混凝投药量的神经网络预测模型

根据此网络构造可实现当知源水情况时，预测混凝剂的投加量。预测值的准确程度取决于选取训练样本的淮确性与样本数据的有代表性和全面性。BP学习算法混凝投药量的神经网络预测模型采用BP学习算法。BP算法正向传播反向传播混凝投药量的神经网络预测模型根据混凝投药神经网络构造和BP网络算法，编制建立了某日处置水量为22．5万吨水厂的投药量神经网络预测模型，并对其某月的投药量进展了预测。

注：图中实线为实践运转数据，虚线为网络预测数据基于源水参数预测出水浊度的神经网络模型

混凝的控制目的大都以出水浊度衡量。最正确投药量预测控制系统在以上模型根底上结合优化算法可建立投药量最正确预测控制系统，实现混凝投药的最正确实时控制。9神经网络控制中有待处理的问题当所给数据不充分或不存在可学习的映射关系时，神经网络构造能够找不到称心的解，而且有时也很难估计神经网络构造给出的结果。网络本身的黑箱式内部知识表达方式使其不能利用初始阅历进展学习，易于限于部分极小值。神经网络控制中有待处理的问题神经网络的训练很慢，由于要搜集、分析和处置大量的训练数据，同时还需求相当的阅历来选择适宜的参数，有时需求付出很高的代价。神经网络的网型未有艰苦突破，专门适宜控制问题的动态神经网络仍有待进一步开展。分布式并行计算的潜力还有赖于硬件实现技术的提高10人工神经网络的开展方向根底实际研讨，包括神经网络的一致模型与通用学习算法，激发函数的类型等；研讨专门适宜于控制问题的动态神经网络模型，处理相应产生的对动态网络的逼近才干与学习算法问题；对成熟的网络模型与学习算法，研讨相应的神经网络控制公用芯片；目前将模糊逻辑〔包括专家系统〕与神经网络相结合，开展模糊神经网络控制方法已成为主要开展趋势。谢谢大家！市场需求

投药混凝是水质净化的重要环节，在水处置工艺一定的条件下，混凝剂的投加量直接决议混凝效果，准确地投加混凝剂可有效减轻过滤、消毒设备的负担，是提高水质、获得良好经济效益的关键问题。现状目前主要采用的方法是经过人工定期做烧杯实验确定、