1、第六章神經網絡識別及其應用、神經網絡識別的特征是，不需要建立實際系統(tǒng)的識別格式，就能夠識別出能夠省略系統(tǒng)結構建模這一步驟的本質非線性系統(tǒng)，所識別出的收斂速度是識別對象系統(tǒng)在神經網絡本身及其僅與采用的學習算法有關的殘奧儀表識別中，神經網絡的連接權重可以對應于模型殘奧儀表，并且可以通過權重的調節(jié)使網絡輸出接近系統(tǒng)輸出神經網絡是實際的實際上也是系統(tǒng)的物理實現(xiàn)，可以用于在線控制的神經網絡是黑箱建模工具。 人工神經網絡(神經網絡，簡稱Neural Network )是模擬人腦思維的數(shù)學模型。 神經網絡是現(xiàn)代生物學在研究人腦組織成果的基礎上提出的，用于模擬人腦神經網絡的結構和行為。 神經網絡反映了人腦功能

2、的基本特征，如并行信息處理、學習、聯(lián)想、模式分類、記憶等。 6.1神經網絡介紹了1980年代以來人工神經網絡(ANN，Artificial Neural Network )研究所取得的劃時代進展。 神經網絡識別采用神經網絡進行近似或建模，神經網絡識別為解決復雜的非線性、不確定、未知系統(tǒng)的控制問題打開了新的途徑。 神經網絡的發(fā)展過程經歷了四個階段。 1 .啟蒙期(1890-1969年) 1890年，W.James發(fā)表了專業(yè)心理學，討論了大腦的結構和功能。 1943年，心理學家W.S.McCulloch和數(shù)學家W.Pitts提出了記述腦神經細胞活動的數(shù)學模型，即M-P模型(最初的神經網絡模型)。

3、神經網絡的發(fā)展歷史，1949年，心理學家Hebb實現(xiàn)了對腦細胞間相互影響的數(shù)學描寫，從心理學的角度提出了至今仍對神經網絡理論產生重要影響的Hebb學習規(guī)律。 1958年，E.Rosenblatt提出了在人腦中保存和記憶信息的數(shù)學模型，即萩名的感知器模型(Perceptron )。 1962年，Widrow和Hoff提出了自適應線性神經網絡，即Adaline網絡，提出了網絡學習新知識的方法，即Widrow和Hoff學習規(guī)則(即學習規(guī)則)，電路進行了硬件設置修正。 2、低潮期(1969-1982 )受當時神經網絡理論研究水平的限制以及馮諾伊曼式修正機發(fā)展的沖擊等因素的影響，神經網絡的研究陷入低谷。

4、 美、日等國有少數(shù)學者繼續(xù)研究神經網絡模型和學習算法，提出了許多有意義的理論和方法。 例如，在1969年，S.Groisberg和A.Carpentet提出了迄今為止最復雜的ART網絡，該網絡可以對任何復雜的二維模型進行自組織、自穩(wěn)定和大規(guī)模并行處理。 1972年，Kohonen提出了自組織映射的SOM模型。 3復興期(1982-1986 )，1982年，物理學家Hoppield提出了Hoppield神經網絡模型，該模型通過引入能量函數(shù)實現(xiàn)了問題優(yōu)化解決，1984年他使用該模型實現(xiàn)了旅行者路徑優(yōu)化問題(TSP ) 1986年，Rumelhart、McCelland等出版了一本名為并行分布式處理

5、的書，提出了一種有名的多層神經網絡模型，即BP網絡。 這個網絡是至今為止最普遍使用的神經網絡。 4新連接機制時期(1986-現(xiàn)在)的神經網絡從理論走向應用領域，出現(xiàn)了神經網絡芯片和神經計算機。 神經網絡的主要應用領域包括模式識別和圖像處理(語音、指紋、故障檢測和圖像壓縮等)、控制和優(yōu)化、系統(tǒng)識別、預測和管理(市場預測、風險分析)、通信等。 神經網絡原理根據(jù)神經生理學和神經解剖學的研究，人腦是極其復雜的，由一千億個神經元交織的網狀結構構成，其中大腦皮質約為140億個神經元，小腦皮質約為1000億個神經元。 人腦能夠完成智能、思維等高級活動，而為了利用數(shù)學模型模擬人腦活動，引起了對神經網絡的研究。

6、神經系統(tǒng)的基本結構是神經元(神經細胞)，是處理人體內各部分之間相互信息傳遞的基本單元。 各神經元由細胞、連接其他神經元的軸索和向外側突出的其他短分支樹突構成。 軸索功能將本神經元的輸出信號(興奮)傳遞給別的神經元，其末端的許多神經末端將興奮同時傳遞給多個神經元。 樹突的功能是接受來自其他神經元的興奮。 神經元細胞在簡單處理完所有接收到的信號后，從軸索輸出。 神經元的軸突與其他神經元的神經末梢相連的部分叫突觸。 圖單一神經元的解剖圖，神經元由3個部分組成： (1)細胞(主體部分):包括細胞質、細胞膜、細胞核；(2)樹突：用于向細胞傳遞信息；(3)軸突：來自細胞的信息，其末端是軸突末端，包括傳遞信

7、息的化學物質樹突和軸突實現(xiàn)了神經元之間的信息傳遞。 圖1的單神經元結構模型是圖中的神經元的內部狀態(tài)、閾值、輸入信號、表示小區(qū)與小區(qū)之間的連接權重的系數(shù)和外部輸入信號。 在上圖中所示的模型是也就是說，通?？赡艿某Ｒ娚窠浽蔷€性特性有三種類型：閾值類型、段線性類型和函數(shù)類型。 神經元具有以下興奮和抑制功能： (1)一旦被傳遞到神經元的沖動調整而使細胞膜電位上升，超過動作電位的閾值就會成為興奮狀態(tài)，產生神經脈沖，從軸索經由神經末端被傳遞。 當傳遞到神經元的脈沖調整而降低細胞膜電位時，其低于動作電位閾值就成為抑制狀態(tài)，不產生神經脈沖。 (2)學習和遺忘：神經元結構的可塑性使突觸的傳遞作用增強和減弱，因

8、此神經元具有學習和遺忘的功能。 決定神經網絡模型性能的三個因素是： (1)神經元(信息處理單元)的特性；(2)神經元之間相互連接的形式的拓撲；(3)改善性能以適應環(huán)境的學習規(guī)則。 三角形()學習規(guī)則(梯度下降法)誤差基準函數(shù)：神經網絡特征(1)可以近似于任意連續(xù)的非線性函數(shù)(2)信息的并行分散處理和存儲(3)可以多輸入、多輸出(4)在超大規(guī)模集成電路(VISI )或光集成電路系統(tǒng)中的實現(xiàn)或現(xiàn)有的計算機神經網絡控制的研究領域，(1)將基于神經網絡的系統(tǒng)識別神經網絡作為被識別系統(tǒng)的模型，在已知通常的模型構造的情況下可以估計模型的殘奧儀表。 利用神經網絡的線性、非線性特性，可以構建線性、非線性系統(tǒng)的靜態(tài)、動態(tài)、逆動態(tài)及預測模型，實現(xiàn)非線性系統(tǒng)的建模。 (2)神經網絡控制器神經網絡作為實時控制系統(tǒng)的控制器，對不確定、未知系統(tǒng)和干擾