日本少妇被爽到高潮动态图,国产jjzzjjzz视频全部免费,亚洲精品国产精品制服丝袜,精品免费一区二区三区在

0.引言

PID控制是最早發(fā)展起來的控制策略之一，由于其算法簡單、魯棒性好及可靠性高，被廣泛應用于過程控制和運動控制中，尤其適用于可建立精確數(shù)學模型的確定性系統(tǒng)。然而實際工業(yè)生產過程往往具有非線性、時變不確定性，難以建立精確的數(shù)學模型，應用常規(guī)PID控制器不能達到理想的控制效果。計算機技術和人工神經網(wǎng)絡等智能控制理論的發(fā)展為復雜動態(tài)不確定系統(tǒng)的控制提供了新的途徑。采用人工神經網(wǎng)絡技術，可設計PID神經網(wǎng)絡和進行PID的智能整定，達到更好的控制效果。本章將在研究人工神經網(wǎng)絡和PID控制理論原理的基礎上，設計適合于定量包裝秤系統(tǒng)的神經PID控制網(wǎng)絡。
1.神經網(wǎng)絡原理
神經網(wǎng)絡簡介咖I1943年心理學家McCulloch和數(shù)理邏輯學家Pitts發(fā)表文章，總結了神經元的基本生理特性，提出了神經元的數(shù)學描述和網(wǎng)絡的結構方法，即M．P模型。該模型描述了一個簡單的人工神經元模型的活動是服從二值(興奮和抑制)變化的：當模型中的神經元處于興奮狀態(tài)時，其輸出為1；處于非興奮狀態(tài)時，輸出為O。這標志神經計算時代的開始。M．P模型能完成任意有限的邏輯運算，是第一個采用集體并行計算結構來描述人工神經元和網(wǎng)絡工作。M．P神經元模型是人工神經元模型的基礎，也是神經網(wǎng)絡理論的基礎。1957年Frank Rosenblatt定義了一個神經網(wǎng)絡結構，稱為感知器(perceptron)。第一次把神經網(wǎng)絡研究從純理論的探討推向工程實現(xiàn)，從而掀起了神經網(wǎng)絡研究高潮。它是一個具有單層處理單元的神經網(wǎng)絡，具體包括：由接受單元組成的輸入層、由MP神經元構成的聯(lián)合層和輸出層。輸入層和聯(lián)合層之間的結合可以不是完全連接，而聯(lián)合層和輸出層之間一般是完全連接，用教師信號第五章神經網(wǎng)絡和PID控制在定量包裝秤中的應用可以對感知器進行訓練。該模型學習的環(huán)境可以是有噪聲的，網(wǎng)絡構造中存在隨機連接，這符合動物學習的自然環(huán)境。1969年M．Minsky和S．Papert發(fā)表了論著“Perceptrons"，指出感知器僅能解決一階謂詞邏輯，只能完成線性劃分。對于非線性或其他分類會遇到很大困難，一個簡單的XOR問題的例子就證明了這一點。由此，神經網(wǎng)絡研究一度達到低潮。使神經網(wǎng)絡研究一度達到低潮的原因還有：計算機不夠發(fā)達，VLSI還沒出現(xiàn)。20世紀70年代，全球只有幾十個人在研究神經網(wǎng)絡，但還是一個很有成果的時期。如芬蘭Kohonen的自組織神經網(wǎng)絡、Stephen Crossberg的共振自適應理論ART網(wǎng)絡等，都是在這個時期提出的重要的研究成果，至今還有很好的研究與應用前景。1982年美國物理學家John J．Hopfield提出了全連接網(wǎng)絡模型。這是一種全新的具有完整理論基礎的神經網(wǎng)絡模型，并且從理論上證明了網(wǎng)絡可達到穩(wěn)定的離散和連續(xù)兩種情況。為神經網(wǎng)絡研究開辟了一條嶄新的道路，證明了神經網(wǎng)絡的研究有無限的空間有待開發(fā)。神經網(wǎng)絡復興時期由此開始。這種網(wǎng)絡的基本思想是對于一個給定的神經網(wǎng)絡，具有一個能量函數(shù)，這個能量函數(shù)正比于每一個神經元的活動值和神經元之間的連接權。而活動值的改變算法是向能量函數(shù)減少的方向進行，一直達到一個極小值為止。利用所定義的計算能量函數(shù)，成功地求解了計算復雜度為NP(Nondeterministic Polynomial)完全型的旅行商問題(TravelingSalesman Problem)，簡稱TSP問題。這一突破性的進展引起了廣大學者對神經網(wǎng)絡潛在能力的高度重視，從而掀起了研究神經網(wǎng)絡信息處理方法和研制神經計算機的熱潮。1986年美國的一個并行計算研究小組提出了前向反饋神經網(wǎng)絡的BP(backpropatation)學習算法。成為當今應用最廣泛的前向神經網(wǎng)絡的學習方法之一。該方法解決了當年Minsky等人提出的感知器非線性不可分類問題，給神經網(wǎng)絡研究帶來了新的希望?，F(xiàn)在，神經網(wǎng)絡的應用已滲透到多個領域，如人工智能、模式識別、信號處理、計算機視覺等。
2.神經網(wǎng)絡的應用特點
人工神經網(wǎng)絡是一種按照人腦的組織和活動原理而構造的一種數(shù)據(jù)驅動型83電子定量包裝秤動態(tài)稱重系統(tǒng)及數(shù)據(jù)處理方法的研究非線性映射模型，可以實現(xiàn)任何復雜的因果關系映射，能夠從大量的歷史數(shù)據(jù)中進行聚類和學習，進而找到某些行為變化的規(guī)律。它可以處理那些難以用數(shù)學模型描述的系統(tǒng)，具有很強的并行處理、自適應、自組織、聯(lián)想記憶、容錯魯棒以及任意逼近非線性等特性，特別適用于處理復雜問題，在預測評估、智能控制、模式識別、信號處理、非線性優(yōu)化、函數(shù)逼近、自適應控制及管理工程等領域具有廣泛的應用。實踐證明，人工神經網(wǎng)絡在很多方面的應用結果都優(yōu)于或不差于現(xiàn)有其它方法或理論，表現(xiàn)出良好的應用前景和潛力。
 人工神經網(wǎng)絡應用的特點：
 (1)人工神經網(wǎng)絡具有學習能力，能夠快速地對復雜環(huán)境及變化做出比較合理的反應和有效的預測。
 (2)人工神經網(wǎng)絡建模的過程是一種“行為過程”，通過對數(shù)據(jù)的學習，構成一個“真實"的系統(tǒng)。該系統(tǒng)的行為反映了數(shù)據(jù)間的隱含關系，進而可用這一“系統(tǒng)"模擬實際系統(tǒng)進行系統(tǒng)分析和仿真。
 (3)人工神經網(wǎng)絡可方便地引入各類信息，包括有明顯因果關系的相關信息和隱含于各種關系間、無法用統(tǒng)計或其他顯式方法表示的關系。
3.神經網(wǎng)絡分類
神經網(wǎng)絡模型有多種分類方法。按照網(wǎng)絡的結構區(qū)分，有前向網(wǎng)絡和反饋網(wǎng)絡。按照學習方式區(qū)分，則分為有教師學習和無教師學習網(wǎng)絡。按照網(wǎng)絡性能區(qū)分， 則有連續(xù)型和離散性網(wǎng)絡、隨機型和確定型網(wǎng)絡。按照突觸性質區(qū)分，則有一階線性關聯(lián)網(wǎng)絡和高階非線性關聯(lián)網(wǎng)絡。按對生物神經系統(tǒng)的層次模擬區(qū)分，則有神經元層次模型、組合式模型、網(wǎng)絡層次模型、神經系統(tǒng)層次模型和智能型模型。通常，人們較多地考慮神經元之間的相互組合關系和作用方式，典型的神經網(wǎng)絡模型可分為分層網(wǎng)絡模型和互連網(wǎng)絡模型。在提出的幾十種神經網(wǎng)絡模型中，人們較多用的是Hopfield網(wǎng)絡、BP(Back Propagation)網(wǎng)絡、RBF(Radial BasisFunction)徑向基神經網(wǎng)絡、Kohonen網(wǎng)絡和ART網(wǎng)絡(Adaptive ResonanceTheory：自適應共振理論模型)。Hopfield網(wǎng)絡是最典型的反饋網(wǎng)絡模型，他是目前人們研究得最多的模型之第五章神經網(wǎng)絡和PID控制在定量包裝秤中的應用一。Hopfield網(wǎng)絡是由相同的神經元構成的單層，并且不具學習功能的自聯(lián)想網(wǎng)絡。它需要對稱連接。這個網(wǎng)絡可以完成最優(yōu)化計算和聯(lián)想記憶等功能。BP網(wǎng)絡是反向傳播(Back Propagation)網(wǎng)絡，是一種最廣泛應用的多層前向網(wǎng)絡，它采用最小均方差學習方式，需有教師訓練。他可用于語言綜合、識別和自適應控制等用途。徑向基函數(shù)(RBF)神經網(wǎng)絡是以函數(shù)逼近理論為基礎而構造的一類前向網(wǎng)絡，這類網(wǎng)絡的學習等價于在多維空間中尋找訓練數(shù)據(jù)的最佳擬合平面。徑向基函數(shù)網(wǎng)絡的每個隱層神經元傳遞函數(shù)都構成了擬合平面的一個基函數(shù)網(wǎng)絡，也由此得名徑向基函數(shù)。徑向基神經網(wǎng)絡是一種局部逼近網(wǎng)絡，即對于輸入空間的某一個局部區(qū)域只存在少數(shù)的神經元用于決定網(wǎng)絡的輸出，所以徑向基函數(shù)神經網(wǎng)絡一般規(guī)模比BP網(wǎng)絡要大。典型的徑向基神經網(wǎng)絡包括兩層隱層和輸出層，但是徑向基神經網(wǎng)絡的神經元傳遞函數(shù)與BP網(wǎng)絡的不同，高斯函數(shù)(Gauss function)是典型的徑向基神經網(wǎng)絡的神經元傳遞函數(shù)。Kohonen網(wǎng)絡是典型的自組織神經網(wǎng)絡，這種網(wǎng)絡也稱為自組織特征映射網(wǎng)絡。它的輸入層是單層單維神經元，而輸出層是二維的神經元，神經元之間存在以“墨西哥帽"形式進行側向交互的作用，因而在輸出層中，神經元之間有近揚遠抑的反饋特性，從而使Kohonen網(wǎng)絡可以作為模式特征的檢測器。ART網(wǎng)絡也是一種自組織網(wǎng)絡模型，這是一種無教師學習網(wǎng)絡。它能夠較好地協(xié)調適應性、穩(wěn)定性和復雜性的要求。在ART網(wǎng)絡中，通常需要兩個功能互補的子系統(tǒng)相互作用，這兩個子系統(tǒng)稱為注意子系統(tǒng)和取向子系統(tǒng)。ART網(wǎng)絡主要用于模式識別，它的不足之處是在于對轉換、失真和規(guī)模變化較敏感
4神經網(wǎng)絡的學習和訓練
學習特性是神經網(wǎng)絡的基本特性，神經網(wǎng)絡的學習與訓練是通過網(wǎng)絡權值和閾值的調節(jié)來實現(xiàn)的。根據(jù)學習過程的組織和管理方式不同，學習算法可分為有監(jiān)督學習和無監(jiān)督學習兩大類。對于有監(jiān)督學習，網(wǎng)絡訓練往往要基于一定數(shù)量的訓練樣例或樣本，訓練樣本通常由輸入矢量、目標矢量組成。在學習和訓練過程中，神經網(wǎng)絡不斷地將其實際輸出與目標輸出進行比較，并根據(jù)比較結果或誤差按照一定的規(guī)則或算法對85電子定量包裝秤動態(tài)稱重系統(tǒng)及數(shù)據(jù)處理方法的研究網(wǎng)絡權值和閾值進行調節(jié)，從而使網(wǎng)絡的輸出逐漸接近目標值。最典型的有監(jiān)督學習算法的代表是BP(Back Propagation)算法：誤差反向傳播算法。無監(jiān)督學習是一種自組織學習，即網(wǎng)絡的學習過程完全是一種自我學習的過程，不需要提供學習樣本或外界反饋。在學習過程中，網(wǎng)絡只需相應輸入信號的激勵，按照某種規(guī)則反復調節(jié)網(wǎng)絡權值和閾值，直到最后形成某種有序的狀態(tài)。根據(jù)每次網(wǎng)絡訓練的任務量的不同，神經網(wǎng)絡的訓練方式可分為漸進式訓練和批量式訓練。漸進式訓練(Incremental Training)是一種在線學習方式，即神經網(wǎng)絡每接受一對輸入矢量和目標矢量，便對網(wǎng)絡權值和閾值進行適時地調整。而批量式訓練(Batch Training)貝lJ是在所有的輸入矢量和目標矢量集準備完成后才開始根據(jù)相應的算法對網(wǎng)絡權值和閾值進行批量調整。

本文源于網(wǎng)絡轉載，如有侵權，請聯(lián)系刪除