神經網絡的改進發(fā)展設計
 
 
神經網絡的發(fā)展體系：
在眾多神經網絡結構之中，多層前饋神經網絡（Multi-Layer Feedforward NeuralNetworks,簡稱MFNN）是目前應用較廣泛也是最成熟的一種神經網絡結構。
一個多層前饋神經網絡由輸入層和至少一個隱層組成，各層包含一個或多個神經元，相鄰兩層神經元之間可以通過可調權值連接，且各種神經元之間沒有反饋。
其信息由由輸入層依次向隱層傳遞直至輸出層。每個神經元以加權和形成綜合它的全部或部分輸入，并根據(jù)非線性激活函數(shù)的形狀產生輸出。網絡各層神經元的輸入-輸出映像關系可描述為：
改進的神經網絡狀況：
由于被控對象固有的不確定性和非線性難以建立確切的數(shù)學模型，導致設計系統(tǒng)控制器時遇到了很多困難。雖然運用模糊控制技術可以不依賴于系統(tǒng)的數(shù)學模型，但要想做到快速的跟蹤參考模型的輸出還是有困難的，所以有必要事先對系統(tǒng)進行辨識。
另一方面，由于各種干擾的存在，系統(tǒng)的結構乃至參數(shù)都有可能發(fā)生變化即使依靠先驗信息離線辨識得到了系統(tǒng)的模型也難免存在模型失配問題。而神經網絡具有學習能力和逼近任意非線性函數(shù)的能力，為系統(tǒng)辨識提供了新的手段。
為了得到系統(tǒng)的動態(tài)正模型選用了動態(tài)遞歸Elman 神經網絡作為辨識器。已有研究表明，在動態(tài)系統(tǒng)的辨識中，較小規(guī)模的動態(tài)網絡可以與大規(guī)模前饋網絡等效。
動態(tài)遞歸神經網絡不僅可以克服一般多層前饋網絡存在的網絡結構及節(jié)點數(shù)膨脹和易將動態(tài)建模變成靜態(tài)建模問題的缺點，而且難能可貴的是辨識系統(tǒng)的導數(shù)信息。在動態(tài)遞歸神經網絡中。
正航儀器的市場調研部進行了市場調研，得出：Elman 神經網絡結構最為簡單，運算量小，所以非常適合系統(tǒng)實時在線辨識。 http://gimelec.cn/