【神经网络学习算法的改进及其在变结构控制系统中的应用】李群.pdf

摘要神红网(NN)其有分布存贮和容错性、可塑性、白适应和自组织性、并行处理性、层次性等优点,在实际中车广闲的应用前景。本文研究了神经网终学习算法的改进及其在变结构控制中的应用文中首先介纪了精泾网络的发展历史,.PDP模型的理论框架,以及基本读差反传(BP)算法,战们分析了基本BP 算法的缺陷,提出了利用直接搜索的方法来提高BP算法的收敛速度,并将改进BP算法的结果与基本BP算法的结果作了比较,说明改进BP算法具有较快的收敛速度.在文中还介绍了神经网络的模拟电路实现。这种电路具有较强的可望性,可以模拟各种函数,凡是神经网络经过词练可以学习的函数,它都能以较高精度实现。

目录第一部分序言第二部分神经网络学习算法的改进神经网络研究的发展概况一,二.PDP模型三.反传网络四.反传算法的改进第三部分神经网络在变结构系统中的应用神经网络的模拟电路实现一.二.变结构控制系统三.用神经网络设计的切换电路四.

力.神经网络的数学理论本质上是非线性动态系统,可以具有非常复杂的功能表现,必然会产生包括“混沌”(Cha08)在内的种种复杂的动态性质。多层神经网络其有强大的解算能力和处向题的能六.神经网络可以处理一些环境信息十分复杂,知识背景不清晰,推理规则不明确的问题.神经网络中的信息处理是在大量单元中并行而又层次地进行的,因此,运算速度快。而且神经网络的运算还表现在大规模集团运算上,因此系统的信息处理能力是由整个网络决定的,所以具有较强的容错能力和鲁棒性.正是由于神经网络具备的特点,使得它具有广阔的应用前景。