工業(yè)自動化技術(shù)講稿5(人工神經(jīng)網(wǎng)絡與神經(jīng)網(wǎng)絡控制)課件

人工神經(jīng)網(wǎng)絡與神經(jīng)網(wǎng)絡控制陸寶春2005年11月人工神經(jīng)網(wǎng)絡與神經(jīng)網(wǎng)絡控制陸寶春人工神經(jīng)網(wǎng)絡與神經(jīng)網(wǎng)絡控制1人工神經(jīng)網(wǎng)絡概述2人工神經(jīng)網(wǎng)絡發(fā)展3人工神經(jīng)網(wǎng)絡模型4神經(jīng)網(wǎng)絡的工作方式及其特點5神經(jīng)網(wǎng)絡的設(shè)計開發(fā)過程6人工神經(jīng)網(wǎng)絡的應用7神經(jīng)網(wǎng)絡控制8凈水廠最佳投藥量的神經(jīng)網(wǎng)絡控制系統(tǒng)9神經(jīng)網(wǎng)絡控制中有待解決的問題10人工神經(jīng)網(wǎng)絡的發(fā)展方向人工神經(jīng)網(wǎng)絡與神經(jīng)網(wǎng)絡控制1人工神經(jīng)網(wǎng)絡概述1人工神經(jīng)網(wǎng)絡概述

現(xiàn)代計算機有很強的數(shù)值計算、邏輯運算和信息處理能力，極大地擴展了人的腦力，但它對模式識別、感知等問題的能力卻遠不如人，特別是它只能按照事先編好的程序機械的執(zhí)行，缺乏向環(huán)境學習，適應環(huán)境的能力。人腦的工作方式與計算機是不同的。人腦是由大量基本單元（即神經(jīng)元）經(jīng)過復雜的互相連接而成的一種高度復雜的、非線形的、并行處理的信息處理系統(tǒng)。1人工神經(jīng)網(wǎng)絡概述現(xiàn)代計算機有很強的數(shù)值計算、邏1人工神經(jīng)網(wǎng)絡概述

人們以模仿人腦神經(jīng)網(wǎng)絡的信息表示、存儲和處理機制為基礎(chǔ)，設(shè)計全新的計算機處理結(jié)構(gòu)模型，這也就促進了人工神經(jīng)網(wǎng)絡（artificialneuralnetworks簡稱NN）的研究與應用。人工神經(jīng)網(wǎng)絡就是由多個簡單的并行工作的處理單元彼此以某種方式互連組成的系統(tǒng)。它模擬人類大量腦細胞的高度連接，當有輸入信號將神經(jīng)元激活時，經(jīng)過神經(jīng)回路產(chǎn)生輸出。1人工神經(jīng)網(wǎng)絡概述人們以模仿人腦神經(jīng)網(wǎng)絡的信息表2人工神經(jīng)網(wǎng)絡發(fā)展啟蒙時期低潮時期復興時期新時期2人工神經(jīng)網(wǎng)絡發(fā)展啟蒙時期低潮時期復興時期新時期（1）啟蒙時期

1890年，心理學家W.Jams關(guān)于人腦結(jié)構(gòu)與功能的研究。1943年，生理學家W.S.McCulloch和數(shù)學家W.A.Pitts提出了神經(jīng)元M-P模型。1958年，計算機學家FrankRosenblatt提出了“感知器”（Perceptron）。（1）啟蒙時期

1890年，心理學家W.Jams關(guān)于人腦結(jié)構(gòu)（2）低潮時期

1969年，人工智能的創(chuàng)始人M.Minsky和S.Paper發(fā)表了《感知器》一書。書中指出，簡單的神經(jīng)網(wǎng)絡只能運用于線性問題的求解，能夠求解非線性問題的網(wǎng)絡應具有隱層，而從理論上不能證明將感知器模型擴展到多層網(wǎng)絡是有意義的。這一悲觀論點極大地影響了人工神經(jīng)網(wǎng)絡的研究，開始了神經(jīng)網(wǎng)絡發(fā)展史上長達10年的低潮時期。

（2）低潮時期

1969年，人工智能的創(chuàng)始人M.Mi（3）復興時期

1982年，物理學家John.J.Hopfield提出了Hopfield網(wǎng)絡；1986年，貝爾實驗室利用Hopfield理論在硅片上制成了硬件神經(jīng)計算機網(wǎng)絡；1988年，《并行分布式處理》一書發(fā)展了多層感知機的反向傳播訓練方法。（3）復興時期

1982年，物理學家John.J.Hopfi（4）新時期

1987年，首屆國際神經(jīng)網(wǎng)絡學術(shù)會議召開，標志著世界范圍內(nèi)掀起神經(jīng)網(wǎng)絡開發(fā)研究的熱潮。神經(jīng)網(wǎng)理論已成為涉及神經(jīng)生理科學、認識科學、數(shù)理科學、心理學、信息科學、計算機科學、微電子學、光學、生物電子學等多學科交叉、綜合的前沿科學。

許多國家在神經(jīng)網(wǎng)絡計算機的硬件實現(xiàn)方面也取得了一些成績。

（4）新時期

1987年，首屆國際神經(jīng)網(wǎng)絡學術(shù)會議召開，標志3人工神經(jīng)網(wǎng)絡模型神經(jīng)元輸入輸出關(guān)系：

3人工神經(jīng)網(wǎng)絡模型神經(jīng)元輸入輸出關(guān)系：3人工神經(jīng)網(wǎng)絡模型人工神經(jīng)網(wǎng)絡是由多個神經(jīng)元構(gòu)成的一個并行和分布式信息處理網(wǎng)絡結(jié)構(gòu)。神經(jīng)網(wǎng)絡模型的種類繁多，有前饋神經(jīng)網(wǎng)絡、反饋神經(jīng)網(wǎng)絡、自組織神經(jīng)網(wǎng)絡、模糊神經(jīng)網(wǎng)絡等。

3人工神經(jīng)網(wǎng)絡模型人工神經(jīng)網(wǎng)絡是由多個神經(jīng)元（1）前饋神經(jīng)網(wǎng)絡這是現(xiàn)行控制方案中采用的最多的神經(jīng)網(wǎng)絡網(wǎng)型。前饋神經(jīng)網(wǎng)絡又包括BP、PID神經(jīng)元、RBF徑向基函數(shù)神經(jīng)網(wǎng)絡。（1）前饋神經(jīng)網(wǎng)絡這是現(xiàn)行控制方案中采用的最多的神經(jīng)（2）模糊神經(jīng)網(wǎng)絡

模糊神經(jīng)網(wǎng)絡控制技術(shù)是神經(jīng)網(wǎng)絡集成控制技術(shù)的精華，現(xiàn)在已成為一個研究熱點。

（2）模糊神經(jīng)網(wǎng)絡模糊神經(jīng)網(wǎng)絡控制技術(shù)是神經(jīng)網(wǎng)絡集4神經(jīng)網(wǎng)絡的工作方式及其特點神經(jīng)元的連接權(quán)值通過學習來修改連接權(quán)值不變，由網(wǎng)絡輸入得到相應的輸出學習期工作期4神經(jīng)網(wǎng)絡的工作方式及其特點學習期工作期（1）人工神經(jīng)網(wǎng)絡學習

人工神經(jīng)網(wǎng)絡學習就是通過對樣本的學習訓練，不斷改變網(wǎng)絡連接權(quán)值和擴撲結(jié)構(gòu)以使網(wǎng)絡的輸出不斷的接近期望的輸出，其實質(zhì)就是連接權(quán)值的動態(tài)調(diào)整。神經(jīng)網(wǎng)絡的學習算法很多，如BP算法。

（1）人工神經(jīng)網(wǎng)絡學習人工神經(jīng)網(wǎng)絡學習就是通過對樣（2）訓練神經(jīng)網(wǎng)絡的基本步驟

包括原始數(shù)據(jù)的收集、數(shù)據(jù)分析、變量選擇以及數(shù)據(jù)的預處理等如選擇BP網(wǎng)，就要確定網(wǎng)絡的結(jié)構(gòu)和參數(shù)，如：層數(shù)，每層結(jié)點數(shù)、初始權(quán)值其目的在于找到蘊涵在樣本數(shù)據(jù)中的輸入和輸出間的本質(zhì)關(guān)系，從而對未經(jīng)訓練的輸入也能找到合適的輸出，即具備泛化能力。產(chǎn)生數(shù)據(jù)樣本集確定網(wǎng)型與結(jié)構(gòu)訓練和測試（2）訓練神經(jīng)網(wǎng)絡的基本步驟

包括原始數(shù)據(jù)的收集、數(shù)據(jù)分析（3）神經(jīng)網(wǎng)絡特點自適應性泛化功能

非線性映射功能

高度并行處理信息這些特點顯示了神經(jīng)網(wǎng)絡在解決高度非線性和嚴重不確定性系統(tǒng)的控制方面具有很大潛力。將神經(jīng)網(wǎng)絡引入控制系統(tǒng)是控制學科發(fā)展的必然趨勢。

（3）神經(jīng)網(wǎng)絡特點自適應性這些特點顯示了神經(jīng)網(wǎng)絡在5神經(jīng)網(wǎng)絡的設(shè)計開發(fā)過程神經(jīng)網(wǎng)絡結(jié)構(gòu)描述系統(tǒng)需求分析產(chǎn)生網(wǎng)絡可執(zhí)行代碼訓練和測試網(wǎng)絡將神經(jīng)網(wǎng)絡并入系統(tǒng)選擇訓練和測試數(shù)據(jù)抽取數(shù)據(jù)特征和預處理5神經(jīng)網(wǎng)絡的設(shè)計開發(fā)過程神經(jīng)網(wǎng)絡結(jié)構(gòu)描述系統(tǒng)需求分析產(chǎn)生網(wǎng)6人工神經(jīng)網(wǎng)絡的應用

模式識別如癌細胞識別、油氣藏檢測、電力變壓器故障檢測等。

控制與優(yōu)化如溫度控制、液壓位置伺服系統(tǒng)控制、機器人運動控制等。

金融預測及管理如股票市場預測、保險業(yè)風險評估。

通信如路由選擇。

6人工神經(jīng)網(wǎng)絡的應用模式識別7神經(jīng)網(wǎng)絡控制20世紀80年代以來，工業(yè)生產(chǎn)向著大型、連續(xù)、綜合化方向發(fā)展，控制系統(tǒng)也變的越來越復雜。自動控制工作面臨著兩大挑戰(zhàn)，一是控制對象越來越復雜存在多種不確定性以及難以確切描述的非線性特征；二是控制任務要求越來越高，往往是多層次多目標的控制要求。為此，人們必須建立新的理論和方法，從而導致了神經(jīng)網(wǎng)絡控制的產(chǎn)生，而神經(jīng)網(wǎng)絡的自適應、分布式存儲等特點正好為上述問題解決了一條新途徑，在自動控制領(lǐng)域展現(xiàn)出廣闊的應用前景。

7神經(jīng)網(wǎng)絡控制20世紀80年代以來，工業(yè)生（1）神經(jīng)網(wǎng)絡控制概念

神經(jīng)網(wǎng)絡控制是研究和利用人腦的某些結(jié)構(gòu)機理以及人的知識和經(jīng)驗對系統(tǒng)的控制。利用神經(jīng)網(wǎng)絡，可以把控制問題看成模式識別問題．被識別的模式是映射成“行為”信號的“變化”信號。神經(jīng)控制最顯著的特點是具有學習能力。它是通過不斷修正神經(jīng)元之間的連接權(quán)值，并離散存儲在連接網(wǎng)絡來實現(xiàn)的。它對非線性系統(tǒng)和難以建模的系統(tǒng)的的控制具有良好效果。

（1）神經(jīng)網(wǎng)絡控制概念神經(jīng)網(wǎng)絡控制是研究和利用人腦的（2）神經(jīng)網(wǎng)絡控制應用

基于神經(jīng)網(wǎng)絡的特點，神經(jīng)網(wǎng)絡在控制系統(tǒng)中可充當系統(tǒng)模型、直接做控制器或提供優(yōu)化算法。它已被應用到自動控制領(lǐng)域的各個方面，包括系統(tǒng)建模與辨識、優(yōu)化設(shè)計、預測控制、最優(yōu)化控制、自適應控制、容錯控制、模糊控制、專家控制和學習控制等等。

（2）神經(jīng)網(wǎng)絡控制應用基于神經(jīng)網(wǎng)絡的特點，神經(jīng)網(wǎng)絡在8例：凈水廠最佳投藥量的神經(jīng)網(wǎng)絡控制系統(tǒng)市場需求現(xiàn)狀解決難度神經(jīng)網(wǎng)絡控制8例：凈水廠最佳投藥量的神經(jīng)網(wǎng)絡控制系統(tǒng)市場需求現(xiàn)狀解決難解決方案

水處理過程從混凝劑的投加，經(jīng)過絮凝、沉淀、過濾，至少需經(jīng)過40min以上，系統(tǒng)的大滯后、非線性使得無法依據(jù)出水指標來確定投藥量。鑒于此，我們提出通過對源水典型水質(zhì)參數(shù)的檢測，利用神經(jīng)網(wǎng)絡的容錯性、自學習性和自適應能力，建立混凝投藥系統(tǒng)投藥量預測模型的方法，并進一步在此模型的基礎(chǔ)上，通過優(yōu)化算法，實現(xiàn)混凝劑的實時最佳投加。

解決方案

水處理過程從混凝劑的投加，經(jīng)過絮凝、沉淀、影響混凝劑的投加量和混凝效果的幾個主要源水參數(shù)濁度pH色度溫度流量影響混凝劑的投加量和混凝效果的幾個主要源水參數(shù)濁度混凝投藥量的神經(jīng)網(wǎng)絡預測模型

依據(jù)此網(wǎng)絡結(jié)構(gòu)可實現(xiàn)當已知源水狀況時，預測混凝劑的投加量。預測值的準確程度取決于選取訓練樣本的淮確性與樣本數(shù)據(jù)的有代表性和全面性?；炷端幜康纳窠?jīng)網(wǎng)絡預測模型

依據(jù)此網(wǎng)絡結(jié)構(gòu)可實現(xiàn)當BP學習算法混凝投藥量的神經(jīng)網(wǎng)絡預測模型采用BP學習算法。BP算法正向傳播反向傳播BP學習算法混凝投藥量的神經(jīng)網(wǎng)絡預測模型采用BP學習混凝投藥量的神經(jīng)網(wǎng)絡預測模型依據(jù)混凝投藥神經(jīng)網(wǎng)絡結(jié)構(gòu)和BP網(wǎng)絡算法，編制建立了某日處理水量為22．5萬噸水廠的投藥量神經(jīng)網(wǎng)絡預測模型，并對其某月的投藥量進行了預測。

注：圖中實線為實際運行數(shù)據(jù)，虛線為網(wǎng)絡預測數(shù)據(jù)混凝投藥量的神經(jīng)網(wǎng)絡預測模型依據(jù)混凝投藥神經(jīng)網(wǎng)絡結(jié)構(gòu)基于源水參數(shù)預測出水濁度的神經(jīng)網(wǎng)絡模型

混凝的控制指標大都以出水濁度衡量?；谠此畢?shù)預測出水濁度的神經(jīng)網(wǎng)絡模型最佳投藥量預測控制系統(tǒng)在以上模型基礎(chǔ)上結(jié)合優(yōu)化算法可建立投藥量最佳預測控制系統(tǒng)，實現(xiàn)混凝投藥的最佳實時控制。

最佳投藥量預測控制系統(tǒng)在以上模型基礎(chǔ)上結(jié)合優(yōu)化算法可9神經(jīng)網(wǎng)絡控制中有待解決的問題

當所給數(shù)據(jù)不充分或不存在可學習的映射關(guān)系時，神經(jīng)網(wǎng)絡結(jié)構(gòu)可能找不到滿意的解，而且有時也很難估計神經(jīng)網(wǎng)絡結(jié)構(gòu)給出的結(jié)果。

網(wǎng)絡本身的黑箱式內(nèi)部知識表達方式使其不能利用初始經(jīng)驗進行學習，易于限于局部極小值。

9神經(jīng)網(wǎng)絡控制中有待解決的問題當所給數(shù)據(jù)不充分或不存在可神經(jīng)網(wǎng)絡控制中有待解決的問題

神經(jīng)網(wǎng)絡的訓練很慢，由于要收集、分析和處理大量的訓練數(shù)據(jù)，同時還需要相當?shù)慕?jīng)驗來選擇合適的參數(shù)，有時需要付出很高的代價。

神經(jīng)網(wǎng)絡的網(wǎng)型未有重大突破，專門適合控制問題的動態(tài)神經(jīng)網(wǎng)絡仍有待進一步發(fā)展。

分布式并行計算的潛力還有賴于硬件實現(xiàn)技術(shù)的進步

神經(jīng)網(wǎng)絡控制中有待解決的問題神經(jīng)網(wǎng)絡的訓練很慢，由于要收集10人工神經(jīng)網(wǎng)絡的發(fā)展方向

基礎(chǔ)理論研究，包括神經(jīng)網(wǎng)絡的統(tǒng)一模型與通用學習算法，激發(fā)函數(shù)的類型等；研究專門適合于控制問題的動態(tài)神經(jīng)網(wǎng)絡模型，解決相應產(chǎn)生的對動態(tài)網(wǎng)絡的逼近能力與學習算法問題；對成熟的網(wǎng)絡模型與學習算法，研究相應的神經(jīng)網(wǎng)絡控制專用芯片；目前將模糊邏輯（包括專家系統(tǒng)）與神經(jīng)網(wǎng)絡相結(jié)合，發(fā)展模糊神經(jīng)網(wǎng)絡控制方法已成為主要發(fā)展趨勢。10人工神經(jīng)網(wǎng)絡的發(fā)展方向基礎(chǔ)理論研究，包括神經(jīng)網(wǎng)絡的統(tǒng)謝謝大家！謝謝大家！市場需求

投藥混凝是水質(zhì)凈化的重要環(huán)節(jié)，在水處理工藝一定的條件下，混凝劑的投加量直接決定混凝效果，準確地投加混凝劑可有效減輕過濾、消毒設(shè)備的負擔，是提高水質(zhì)、取得良好經(jīng)濟效益的關(guān)鍵問題。市場需求現(xiàn)狀目前主要采用的方法是通過人工定期做燒杯試驗確定、修正系統(tǒng)的投藥量。由于燒杯試驗需要一定的時間，故這種方法確定的系統(tǒng)投藥量只能是適合某一時間內(nèi)的近似最優(yōu)值。

現(xiàn)狀目前主要采用的方法是通過人工定期做燒杯試驗確定、解決問題難度

水處理的混凝投藥過程是一個復雜的物理、化學反應過程，目前還很難通過對其化學反應機理的研究，準確地建立反應過程的數(shù)學模型。而影響混凝劑投加量的因素又很多，如源水濁度、溫度、流量、pH、所含雜質(zhì)特性、凈水設(shè)備的負荷及狀態(tài)等，使得系統(tǒng)的最優(yōu)投藥量需要根據(jù)水質(zhì)特點不斷修正。

解決問題難度

水處理的混凝投藥過程是一個復雜的物理、人工神經(jīng)網(wǎng)絡與神經(jīng)網(wǎng)絡控制陸寶春2005年11月人工神經(jīng)網(wǎng)絡與神經(jīng)網(wǎng)絡控制陸寶春人工神經(jīng)網(wǎng)絡與神經(jīng)網(wǎng)絡控制1人工神經(jīng)網(wǎng)絡概述2人工神經(jīng)網(wǎng)絡發(fā)展3人工神經(jīng)網(wǎng)絡模型4神經(jīng)網(wǎng)絡的工作方式及其特點5神經(jīng)網(wǎng)絡的設(shè)計開發(fā)過程6人工神經(jīng)網(wǎng)絡的應用7神經(jīng)網(wǎng)絡控制8凈水廠最佳投藥量的神經(jīng)網(wǎng)絡控制系統(tǒng)9神經(jīng)網(wǎng)絡控制中有待解決的問題10人工神經(jīng)網(wǎng)絡的發(fā)展方向人工神經(jīng)網(wǎng)絡與神經(jīng)網(wǎng)絡控制1人工神經(jīng)網(wǎng)絡概述1人工神經(jīng)網(wǎng)絡概述

現(xiàn)代計算機有很強的數(shù)值計算、邏輯運算和信息處理能力，極大地擴展了人的腦力，但它對模式識別、感知等問題的能力卻遠不如人，特別是它只能按照事先編好的程序機械的執(zhí)行，缺乏向環(huán)境學習，適應環(huán)境的能力。人腦的工作方式與計算機是不同的。人腦是由大量基本單元（即神經(jīng)元）經(jīng)過復雜的互相連接而成的一種高度復雜的、非線形的、并行處理的信息處理系統(tǒng)。1人工神經(jīng)網(wǎng)絡概述現(xiàn)代計算機有很強的數(shù)值計算、邏1人工神經(jīng)網(wǎng)絡概述

人們以模仿人腦神經(jīng)網(wǎng)絡的信息表示、存儲和處理機制為基礎(chǔ)，設(shè)計全新的計算機處理結(jié)構(gòu)模型，這也就促進了人工神經(jīng)網(wǎng)絡（artificialneuralnetworks簡稱NN）的研究與應用。人工神經(jīng)網(wǎng)絡就是由多個簡單的并行工作的處理單元彼此以某種方式互連組成的系統(tǒng)。它模擬人類大量腦細胞的高度連接，當有輸入信號將神經(jīng)元激活時，經(jīng)過神經(jīng)回路產(chǎn)生輸出。1人工神經(jīng)網(wǎng)絡概述人們以模仿人腦神經(jīng)網(wǎng)絡的信息表2人工神經(jīng)網(wǎng)絡發(fā)展啟蒙時期低潮時期復興時期新時期2人工神經(jīng)網(wǎng)絡發(fā)展啟蒙時期低潮時期復興時期新時期（1）啟蒙時期

1890年，心理學家W.Jams關(guān)于人腦結(jié)構(gòu)與功能的研究。1943年，生理學家W.S.McCulloch和數(shù)學家W.A.Pitts提出了神經(jīng)元M-P模型。1958年，計算機學家FrankRosenblatt提出了“感知器”（Perceptron）。（1）啟蒙時期

1890年，心理學家W.Jams關(guān)于人腦結(jié)構(gòu)（2）低潮時期

1969年，人工智能的創(chuàng)始人M.Minsky和S.Paper發(fā)表了《感知器》一書。書中指出，簡單的神經(jīng)網(wǎng)絡只能運用于線性問題的求解，能夠求解非線性問題的網(wǎng)絡應具有隱層，而從理論上不能證明將感知器模型擴展到多層網(wǎng)絡是有意義的。這一悲觀論點極大地影響了人工神經(jīng)網(wǎng)絡的研究，開始了神經(jīng)網(wǎng)絡發(fā)展史上長達10年的低潮時期。

（2）低潮時期

1969年，人工智能的創(chuàng)始人M.Mi（3）復興時期

1982年，物理學家John.J.Hopfield提出了Hopfield網(wǎng)絡；1986年，貝爾實驗室利用Hopfield理論在硅片上制成了硬件神經(jīng)計算機網(wǎng)絡；1988年，《并行分布式處理》一書發(fā)展了多層感知機的反向傳播訓練方法。（3）復興時期

1982年，物理學家John.J.Hopfi（4）新時期

1987年，首屆國際神經(jīng)網(wǎng)絡學術(shù)會議召開，標志著世界范圍內(nèi)掀起神經(jīng)網(wǎng)絡開發(fā)研究的熱潮。神經(jīng)網(wǎng)理論已成為涉及神經(jīng)生理科學、認識科學、數(shù)理科學、心理學、信息科學、計算機科學、微電子學、光學、生物電子學等多學科交叉、綜合的前沿科學。

許多國家在神經(jīng)網(wǎng)絡計算機的硬件實現(xiàn)方面也取得了一些成績。

（4）新時期

1987年，首屆國際神經(jīng)網(wǎng)絡學術(shù)會議召開，標志3人工神經(jīng)網(wǎng)絡模型神經(jīng)元輸入輸出關(guān)系：

3人工神經(jīng)網(wǎng)絡模型神經(jīng)元輸入輸出關(guān)系：3人工神經(jīng)網(wǎng)絡模型人工神經(jīng)網(wǎng)絡是由多個神經(jīng)元構(gòu)成的一個并行和分布式信息處理網(wǎng)絡結(jié)構(gòu)。神經(jīng)網(wǎng)絡模型的種類繁多，有前饋神經(jīng)網(wǎng)絡、反饋神經(jīng)網(wǎng)絡、自組織神經(jīng)網(wǎng)絡、模糊神經(jīng)網(wǎng)絡等。

3人工神經(jīng)網(wǎng)絡模型人工神經(jīng)網(wǎng)絡是由多個神經(jīng)元（1）前饋神經(jīng)網(wǎng)絡這是現(xiàn)行控制方案中采用的最多的神經(jīng)網(wǎng)絡網(wǎng)型。前饋神經(jīng)網(wǎng)絡又包括BP、PID神經(jīng)元、RBF徑向基函數(shù)神經(jīng)網(wǎng)絡。（1）前饋神經(jīng)網(wǎng)絡這是現(xiàn)行控制方案中采用的最多的神經(jīng)（2）模糊神經(jīng)網(wǎng)絡

模糊神經(jīng)網(wǎng)絡控制技術(shù)是神經(jīng)網(wǎng)絡集成控制技術(shù)的精華，現(xiàn)在已成為一個研究熱點。

（2）模糊神經(jīng)網(wǎng)絡模糊神經(jīng)網(wǎng)絡控制技術(shù)是神經(jīng)網(wǎng)絡集4神經(jīng)網(wǎng)絡的工作方式及其特點神經(jīng)元的連接權(quán)值通過學習來修改連接權(quán)值不變，由網(wǎng)絡輸入得到相應的輸出學習期工作期4神經(jīng)網(wǎng)絡的工作方式及其特點學習期工作期（1）人工神經(jīng)網(wǎng)絡學習

人工神經(jīng)網(wǎng)絡學習就是通過對樣本的學習訓練，不斷改變網(wǎng)絡連接權(quán)值和擴撲結(jié)構(gòu)以使網(wǎng)絡的輸出不斷的接近期望的輸出，其實質(zhì)就是連接權(quán)值的動態(tài)調(diào)整。神經(jīng)網(wǎng)絡的學習算法很多，如BP算法。

（1）人工神經(jīng)網(wǎng)絡學習人工神經(jīng)網(wǎng)絡學習就是通過對樣（2）訓練神經(jīng)網(wǎng)絡的基本步驟

包括原始數(shù)據(jù)的收集、數(shù)據(jù)分析、變量選擇以及數(shù)據(jù)的預處理等如選擇BP網(wǎng)，就要確定網(wǎng)絡的結(jié)構(gòu)和參數(shù)，如：層數(shù)，每層結(jié)點數(shù)、初始權(quán)值其目的在于找到蘊涵在樣本數(shù)據(jù)中的輸入和輸出間的本質(zhì)關(guān)系，從而對未經(jīng)訓練的輸入也能找到合適的輸出，即具備泛化能力。產(chǎn)生數(shù)據(jù)樣本集確定網(wǎng)型與結(jié)構(gòu)訓練和測試（2）訓練神經(jīng)網(wǎng)絡的基本步驟

包括原始數(shù)據(jù)的收集、數(shù)據(jù)分析（3）神經(jīng)網(wǎng)絡特點自適應性泛化功能

非線性映射功能

高度并行處理信息這些特點顯示了神經(jīng)網(wǎng)絡在解決高度非線性和嚴重不確定性系統(tǒng)的控制方面具有很大潛力。將神經(jīng)網(wǎng)絡引入控制系統(tǒng)是控制學科發(fā)展的必然趨勢。

（3）神經(jīng)網(wǎng)絡特點自適應性這些特點顯示了神經(jīng)網(wǎng)絡在5神經(jīng)網(wǎng)絡的設(shè)計開發(fā)過程神經(jīng)網(wǎng)絡結(jié)構(gòu)描述系統(tǒng)需求分析產(chǎn)生網(wǎng)絡可執(zhí)行代碼訓練和測試網(wǎng)絡將神經(jīng)網(wǎng)絡并入系統(tǒng)選擇訓練和測試數(shù)據(jù)抽取數(shù)據(jù)特征和預處理5神經(jīng)網(wǎng)絡的設(shè)計開發(fā)過程神經(jīng)網(wǎng)絡結(jié)構(gòu)描述系統(tǒng)需求分析產(chǎn)生網(wǎng)6人工神經(jīng)網(wǎng)絡的應用

模式識別如癌細胞識別、油氣藏檢測、電力變壓器故障檢測等。

控制與優(yōu)化如溫度控制、液壓位置伺服系統(tǒng)控制、機器人運動控制等。

金融預測及管理如股票市場預測、保險業(yè)風險評估。

通信如路由選擇。

6人工神經(jīng)網(wǎng)絡的應用模式識別7神經(jīng)網(wǎng)絡控制20世紀80年代以來，工業(yè)生產(chǎn)向著大型、連續(xù)、綜合化方向發(fā)展，控制系統(tǒng)也變的越來越復雜。自動控制工作面臨著兩大挑戰(zhàn)，一是控制對象越來越復雜存在多種不確定性以及難以確切描述的非線性特征；二是控制任務要求越來越高，往往是多層次多目標的控制要求。為此，人們必須建立新的理論和方法，從而導致了神經(jīng)網(wǎng)絡控制的產(chǎn)生，而神經(jīng)網(wǎng)絡的自適應、分布式存儲等特點正好為上述問題解決了一條新途徑，在自動控制領(lǐng)域展現(xiàn)出廣闊的應用前景。

7神經(jīng)網(wǎng)絡控制20世紀80年代以來，工業(yè)生（1）神經(jīng)網(wǎng)絡控制概念

神經(jīng)網(wǎng)絡控制是研究和利用人腦的某些結(jié)構(gòu)機理以及人的知識和經(jīng)驗對系統(tǒng)的控制。利用神經(jīng)網(wǎng)絡，可以把控制問題看成模式識別問題．被識別的模式是映射成“行為”信號的“變化”信號。神經(jīng)控制最顯著的特點是具有學習能力。它是通過不斷修正神經(jīng)元之間的連接權(quán)值，并離散存儲在連接網(wǎng)絡來實現(xiàn)的。它對非線性系統(tǒng)和難以建模的系統(tǒng)的的控制具有良好效果。

（1）神經(jīng)網(wǎng)絡控制概念神經(jīng)網(wǎng)絡控制是研究和利用人腦的（2）神經(jīng)網(wǎng)絡控制應用

基于神經(jīng)網(wǎng)絡的特點，神經(jīng)網(wǎng)絡在控制系統(tǒng)中可充當系統(tǒng)模型、直接做控制器或提供優(yōu)化算法。它已被應用到自動控制領(lǐng)域的各個方面，包括系統(tǒng)建模與辨識、優(yōu)化設(shè)計、預測控制、最優(yōu)化控制、自適應控制、容錯控制、模糊控制、專家控制和學習控制等等。

（2）神經(jīng)網(wǎng)絡控制應用基于神經(jīng)網(wǎng)絡的特點，神經(jīng)網(wǎng)絡在8例：凈水廠最佳投藥量的神經(jīng)網(wǎng)絡控制系統(tǒng)市場需求現(xiàn)狀解決難度神經(jīng)網(wǎng)絡控制8例：凈水廠最佳投藥量的神經(jīng)網(wǎng)絡控制系統(tǒng)市場需求現(xiàn)狀解決難解決方案

水處理過程從混凝劑的投加，經(jīng)過絮凝、沉淀、過濾，至少需經(jīng)過40min以上，系統(tǒng)的大滯后、非線性使得無法依據(jù)出水指標來確定投藥量。鑒于此，我們提出通過對源水典型水質(zhì)參數(shù)的檢測，利用神經(jīng)網(wǎng)絡的容錯性、自學習性和自適應能力，建立混凝投藥系統(tǒng)投藥量預測模型的方法，并進一步在此模型的基礎(chǔ)上，通過優(yōu)化算法，實現(xiàn)混凝劑的實時最佳投加。

解決方案

水處理過程從混凝劑的投加，經(jīng)過絮凝、沉淀、影響混凝劑的投加量和混凝效果的幾個主要源水參數(shù)濁度pH色度溫度流量影響混凝劑的投加量和混凝效果的幾個主要源水參數(shù)濁度混凝投藥量的神經(jīng)網(wǎng)絡預測模型

依據(jù)此網(wǎng)絡結(jié)構(gòu)可實現(xiàn)當已知源水狀況時，預測混凝劑的投加量。預測值的準確程度取決于選取訓練樣本的淮確性與樣本數(shù)據(jù)的有代表性和全面性?；炷端幜康纳窠?jīng)網(wǎng)絡預測模型

依據(jù)此網(wǎng)絡結(jié)構(gòu)可實現(xiàn)當BP學習算法混凝投藥量的神經(jīng)網(wǎng)絡預測模型采用BP學習算法。BP算法正向傳播反向傳播BP學習算法混凝投藥量的神經(jīng)網(wǎng)絡預測模型采用BP學習混凝投藥量的神經(jīng)網(wǎng)絡預測模型依據(jù)混凝投藥神經(jīng)網(wǎng)絡結(jié)構(gòu)和BP網(wǎng)絡算法，編制建立了某日處理水量為22．5萬噸水廠的投藥量神經(jīng)網(wǎng)絡預測模型，并對其某月的投藥量進行了預測。

注：圖中實線為實際運行數(shù)據(jù)，虛線為網(wǎng)絡預測數(shù)據(jù)混凝投藥量的神經(jīng)網(wǎng)絡預測模型依據(jù)混凝投藥神經(jīng)網(wǎng)絡結(jié)構(gòu)基于源水參數(shù)預測出水濁度的神經(jīng)網(wǎng)絡模型

混凝的控制指標大都以出水濁度衡量?；谠此畢?shù)預測出水濁度的神經(jīng)網(wǎng)絡模型最佳投藥量預測控制系統(tǒng)在以上模型基礎(chǔ)上結(jié)合優(yōu)化算法可建立投藥量最佳預