论文部分内容阅读
为了解决系统非线性、不确定性的问题，自八十年代以来，以模糊逻辑技术和神经网络理论为核心的智能控制越来越引起广大学者的关注。神经网络和模糊系统是本质的非线性系统且可逼近任意函数甚至各阶导数，这样它们都可作为一种模型无关估计器，为非线性控制系统的描述带来统一的数学模型。另一方面，它们具有很强的信息综合能力，能同时处理大量不同类型的输入，能很好地解决输入信息之间的互补性与冗余性问题；由于它们的并行结构，在处理实时性要求高的自控领域还存在着潜在的优越性。 正是由于神经网络与模糊系统有着许多良好的性能，使得它们在许多领域中得以广泛应用。近十年的应用实践取得了不少的成果，也提出了许多新问题。首先，实时性对于自动控制系统是一个基本要求，而当前的神经网络学习算法的收敛速度往往难以满足这个要求。神经网络参数的学习过程本质上是一个非线性寻优过程，到目前为止，用于非线性系统建模与控制的神经网络学习算法仍多采用基于梯度信息的各种优化方法，使得寻优过程常常陷入局部极小点处；再者，多层前馈型神经网络模型具有任意逼近的能力在理论上不断得到了证实，只要有足够多的隐节点总能保证逼近的精度。但是，在给定逼近精度的情况下如何确定隐节点数却一直未能得到满意的结果。另外，过大规模的神经网络在理论上能保证逼近的精度，却给实现带来了一定的困难，也会大大延长参数学习的时间。这样，在一定规模的前提下怎样保证逼近精度成为一个现实的问题。 基于上述分析，本文在以下方面作了一些研究工作。首先，本文介绍了几种常用的神经网络结构，从中得知无论是神经网络还是模糊神经网络，无论它们是以什么样的思想构造的，它们的数学本质不外乎是给出了一个输入与输出的映射关系。这种映射关系总能表示为一组可变基函数的线性组合，其中可变基函数反映了隐层的作用：隐节点数与可变基函数的个数相联系，激励函数形式和性质与可变基函数的形式和性质相关。因此，各种不同的神经网络(包括模糊神经网络)都可认为是一种模型无关的估计器，只是选用的可变基函数不同而已。从这一观点出发，本文将多层感知器、径向基函数网络、概率广义回归网络、模糊神经网络以及广义模糊神经网络归为一体，给出了它们一种通用表达形式，为研究带来了方便，也同时可以揭晓它们之间的共性。在此基础上，本文对神经网络的去相关性进行了深入的研究，给出了神经网络逼近原理的一个几何解释。然后，对神经网络学习矩阵条件数与隐节点数、激励函数性质之间的关系进行了讨论。最后，对目前(模糊)神经网络所面临的三大问题的可能解决途径进行了分析。