| 人工智能控制技术在电气传动中的应用研究 |
|
|
|
，因此它也可有效地运用于电气传动控制领域，其优势是不需要被控系统的数学模型，一致性很好，对噪音不敏感。论文联盟Www.LWlm.com论文联盟*编辑。另外，由于ANNS是并行结构，它很适合多传感器输入运用，如在条件监控、诊断系统中能增强决策的可靠性。如果网络有足够多的隐藏层和隐藏结点以及适宜的激励函数，多层ANN只能实现需要的映射，没有直接的技术选择最优隐藏层、结点数和激励函数，通常用尝试法解决这个问题，反向传播训练算法是基本的最快下降法，输出结点的误差反馈回网络，用于权重调整，搜索最优。输出结点的权重调整迭代不同于隐藏结点的权重调整迭代。通过使用反向传播技术，能得到需要的非线性函数近似值，该算法包括有学习速率参数，对网络的特性有很大影响。
反向传播算法是多层前聩ANN最广泛使用的学习技术之一。但有时网络的收敛速度很慢，改进算法的开发是一个重要研究领域。英国Aberdeen大学在这方面取得过令人鼓舞的成绩，他们把常规的反向传播算法和其他AI技术结合起来，使得网络快速收敛，鲁棒性更好。值得注意的是在神经模糊实现中，有时必须使用不同形式的反向传播技术，而不是已知的标准形式。反向传播技术是在线(Supervised)学习技术，需要充分的输入－输出数据对，虽然这种限制也可以用另外的方法加以克服，但该方法是离线的。
常规技术就能实现简单的映射，而神经网络能实现更复杂的映射，并且由于它的并行结构这种映射相当快。辩识ANN用于训练第二个ANN（神经控制器，即过程控制器），因此，过程输出跟随给定信号，学习过程用的是反向传播算法。该方法分为二步：第一步，ANN被训练用来代表控制对象的响应，这需要用到表示控制对象输出和控制输入关系的微分方程。第二步，把ANN用于控制对象模型的辩识方案中。把ANN与控制对象并行连接，每次迭代时，给ANN提供给定信号作为ANN输入信号。辩识意味着调整权重，使ANN输出信号(即网络输出)和控制对象输出信号(即正输出)的误差最小。在辩识阶段，全局误差(即方差之和)以固定时间间隔被计算并与希望的最小值比较。ANN是神经控制器被用于训练以给出需要的控制对象响应。为了训练这个网络，在每次采样输出时，必须知道误差(Ec)但仅仅只知道控制对象输出和希望输出(由给定输入决定)的最后误差，辩识方案中的第一个ANN可将最后误差Ec反向传播，用来上一页 [1] [2] [3] [4] [5] 下一页 |
|
|
| |
|
上一个论文： 人工智能方法在信号处理中的应用
下一个论文： 开启人工智能时代 |
|
用户登录 
新用户注册 