第三部分神經(jīng)網(wǎng)絡(luò)控制

第三部分神經(jīng)網(wǎng)絡(luò)控制第一頁，共60頁。1、生物神經(jīng)元模型

人腦大約包含1012個神經(jīng)元，分成約1000種類型，每個神經(jīng)元大約與102～104個其他神經(jīng)元相連接，形成極為錯綜復(fù)雜而又靈活多變的神經(jīng)網(wǎng)絡(luò)。每個神經(jīng)元雖然都十分簡單，但是如此大量的神經(jīng)元之間、如此復(fù)雜的連接卻可以演化出豐富多彩的行為方式。同時，如此大量的神經(jīng)元與外部感受器之間的多種多樣的連接方式也蘊含了變化莫測的反應(yīng)方式。一、人工神經(jīng)網(wǎng)絡(luò)基礎(chǔ)知識（一）概述第二頁，共60頁。第三頁，共60頁。神經(jīng)元主要由三部分組成：樹突、細胞體和軸突。樹突：神經(jīng)元的輸入，將電信號傳送到細胞體。細胞體：對這些輸入信號進行整合并進行閾值處理。軸突：神經(jīng)元的輸出，將細胞體信號導(dǎo)向其他神經(jīng)元。突觸：一個神經(jīng)細胞的軸突和另一個神經(jīng)細胞樹突的結(jié)合點。第四頁，共60頁。從生物控制論的觀點來看，神經(jīng)元作為控制和信息處理的基本單元，具有下列一些重要的功能與特性：時空整合功能興奮與抑制狀態(tài)脈沖與電位轉(zhuǎn)換神經(jīng)纖維傳導(dǎo)突觸延時和不應(yīng)期學(xué)習(xí)、遺忘和疲勞第五頁，共60頁。第六頁，共60頁。第七頁，共60頁。第八頁，共60頁。2、人工神經(jīng)元模型人工神經(jīng)元是對生物神經(jīng)元的一種模擬與簡化。它是神經(jīng)網(wǎng)絡(luò)的基本處理單元。如圖所示為一種簡化的人工神經(jīng)元結(jié)構(gòu)。它是一個多輸入、單輸出的非線性元件。第九頁，共60頁。i第十頁，共60頁。其輸入、輸出關(guān)系可描述為其中，是從其他神經(jīng)元傳來的輸入信號；表示從神經(jīng)元j到神經(jīng)元i的連接權(quán)值；為閾值；稱為激發(fā)函數(shù)或作用函數(shù)。第十一頁，共60頁。輸出激發(fā)函數(shù)又稱為變換函數(shù)，它決定神經(jīng)元（節(jié)點）的輸出。該輸出為1或0，取決于其輸入之和大于或小于內(nèi)部閾值。函數(shù)一般具有非線性特性。下圖表示了幾種常見的激發(fā)函數(shù)。

①閾值型函數(shù)（見圖（a），（b））

②飽和型函數(shù)（見圖（c））

③雙曲函數(shù)（見圖（d））

④S型函數(shù)（見（e））

⑤高斯函數(shù)（見圖（f））第十二頁，共60頁。第十三頁，共60頁。3、人工神經(jīng)網(wǎng)絡(luò)模型人工神經(jīng)網(wǎng)絡(luò)是以工程技術(shù)手段來模擬人腦神經(jīng)元網(wǎng)絡(luò)的結(jié)構(gòu)與特征的系統(tǒng)。利用人工神經(jīng)元可以構(gòu)成各種不同拓撲結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)，它是生物神經(jīng)網(wǎng)絡(luò)的一種模擬和近似。就神經(jīng)網(wǎng)絡(luò)的主要連接型式而言，目前已有數(shù)十種不同的神經(jīng)網(wǎng)絡(luò)模型，其中前饋型網(wǎng)絡(luò)和反饋型網(wǎng)絡(luò)是兩種典型的結(jié)構(gòu)模型。第十四頁，共60頁。（1）前饋型神經(jīng)網(wǎng)絡(luò)前饋型神經(jīng)網(wǎng)絡(luò)，又稱前向網(wǎng)絡(luò)（FeedforwardNN）。如圖所示，神經(jīng)元分層排列，有輸入層、隱層（亦稱中間層，可有若干層）和輸出層，每一層的神經(jīng)元只接受前一層神經(jīng)元的輸入。從學(xué)習(xí)的觀點來看，前饋網(wǎng)絡(luò)是一種強有力的學(xué)習(xí)系統(tǒng)，其結(jié)構(gòu)簡單而易于編程；從系統(tǒng)的觀點看，前饋網(wǎng)絡(luò)是一靜態(tài)非線性映射，通過簡單非線性處理單元的復(fù)合映射，可獲得復(fù)雜的非線性處理能力。但從計算的觀點看，缺乏豐富的動力學(xué)行為。大部分前饋網(wǎng)絡(luò)都是學(xué)習(xí)網(wǎng)絡(luò)，它們的分類能力和模式識別能力一般都強于反饋網(wǎng)絡(luò)，典型的前饋網(wǎng)絡(luò)有感知器網(wǎng)絡(luò)、BP網(wǎng)絡(luò)等。第十五頁，共60頁。第十六頁，共60頁。（2）反饋型神經(jīng)網(wǎng)絡(luò)

反饋型神經(jīng)網(wǎng)絡(luò)（FeedbackNN）的結(jié)構(gòu)如圖所示。如果總節(jié)點（神經(jīng)元）數(shù)為N，那么每個節(jié)點有N個輸入和一個輸出，也就是說，所有節(jié)點都是一樣的，它們之間都可相互連接。反饋神經(jīng)網(wǎng)絡(luò)是一種反饋動力學(xué)系統(tǒng)，它需要工作一段時間才能達到穩(wěn)定。Hopfield神經(jīng)網(wǎng)絡(luò)是反饋網(wǎng)絡(luò)中最簡單且應(yīng)用廣泛的模型，它具有聯(lián)想記憶（Content一AddressibleMemory，CAM）的功能，如果將Lyapunov函數(shù)定義為尋優(yōu)函數(shù)，Hopfield神經(jīng)網(wǎng)絡(luò)還可以用來解決快速尋優(yōu)問題。第十七頁，共60頁。第十八頁，共60頁。4、神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法學(xué)習(xí)方法是體現(xiàn)人工神經(jīng)網(wǎng)絡(luò)智能特性的主要標志，離開了學(xué)習(xí)算法，人工神經(jīng)網(wǎng)絡(luò)就失去了自適應(yīng)、自組織和自學(xué)習(xí)的能力。目前神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法有多種，按有無導(dǎo)師來分類，可分為有教師學(xué)習(xí)（SupervisedLearning）、無教師學(xué)習(xí)（UnsupervisedLearning）和再勵學(xué)習(xí)（ReinforcementLearning）等幾大類。

在有教師的學(xué)習(xí)方式中，網(wǎng)絡(luò)的輸出和期望的輸出（即教師信號）進行比較，然后根據(jù)兩者之間的差異調(diào)整網(wǎng)絡(luò)的權(quán)值，最終使差異變小。

在無教師的學(xué)習(xí)方式中，輸入模式進入網(wǎng)絡(luò)后，網(wǎng)絡(luò)按照一預(yù)先設(shè)定的規(guī)則（如競爭規(guī)則）自動調(diào)整權(quán)值，使網(wǎng)絡(luò)最終具有模式分類等功能。第十九頁，共60頁。

再勵學(xué)習(xí)是介于上述兩者之間的一種學(xué)習(xí)方式。再勵學(xué)習(xí)沒有教師信號，只能獲得行為結(jié)果的好壞評價信息，利用評價信息來改善行為。這是模仿生物通過“行為－評價－改進”的方式適應(yīng)環(huán)境。第二十頁，共60頁。神經(jīng)網(wǎng)絡(luò)中常用的幾種最基本的學(xué)習(xí)方法

（1）Hebb學(xué)習(xí)規(guī)則兩個神經(jīng)元同時處于激發(fā)狀態(tài)時，它們之間的連接強度將得到加強，這一論述的數(shù)學(xué)描述被稱為Hebb學(xué)習(xí)規(guī)則，即Hebb學(xué)習(xí)規(guī)則是一種無教師的學(xué)習(xí)方法，它只根據(jù)神經(jīng)元連接間的激活水平改變權(quán)值，因此這種方法又稱為相關(guān)學(xué)習(xí)或并聯(lián)學(xué)習(xí)。第二十一頁，共60頁。（2）Delta（δ）學(xué)習(xí)規(guī)則δ規(guī)則實現(xiàn)了誤差準則函數(shù)E中的梯度下降，使誤差函數(shù)達到最小值。其基本思想是沿著E的負梯度方向不斷修正權(quán)值，直到E達到最小。δ學(xué)習(xí)規(guī)則只適用于線性可分函數(shù)，無法用于多層網(wǎng)絡(luò)。BP網(wǎng)絡(luò)的學(xué)習(xí)算法稱為BP算法，是在δ規(guī)則基礎(chǔ)上發(fā)展起來的，可在多網(wǎng)絡(luò)上有效地學(xué)習(xí)。第二十二頁，共60頁。（3）概率式學(xué)習(xí)從統(tǒng)計力學(xué)、分子熱力學(xué)和概率論中關(guān)于系統(tǒng)穩(wěn)態(tài)能量的標準出發(fā)，進行神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的方式稱概率式學(xué)習(xí)。神經(jīng)網(wǎng)絡(luò)處于某一狀態(tài)的概率主要取決于在此狀態(tài)下的能量，能量越低，概率越大。同時，此概率還取決于溫度參數(shù)T。T越大，不同狀態(tài)出現(xiàn)概率的差異便越小，較容易跳出能量的局部極小點而到全局的極小點；T越小時，情形正相反。概率式學(xué)習(xí)的典型代表是Boltzmann機學(xué)習(xí)規(guī)則。它是基于模擬退火的統(tǒng)計優(yōu)化方法，因此又稱模擬退火算法。

第二十三頁，共60頁。（4）競爭式學(xué)習(xí)競爭式學(xué)習(xí)屬于無教師學(xué)習(xí)方式。此種學(xué)習(xí)方式利用不同層間的神經(jīng)元發(fā)生興奮性聯(lián)接，以及同一層內(nèi)距離很近的神經(jīng)元間發(fā)生同樣的興奮性聯(lián)接，而距離較遠的神經(jīng)元產(chǎn)生抑制性聯(lián)接。在這種聯(lián)接機制中引入竟爭機制的學(xué)習(xí)方式稱為竟爭式學(xué)習(xí)。它的本質(zhì)在于神經(jīng)網(wǎng)絡(luò)中高層次的神經(jīng)元對低層次神經(jīng)元的輸入模式進行競爭識別。第二十四頁，共60頁。從上述幾種學(xué)習(xí)規(guī)則可以看出，所謂神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)，主要是指通過一定的學(xué)習(xí)算法實現(xiàn)權(quán)值的調(diào)整，使其達到具有記憶、識別、分類、信息處理和問題優(yōu)化求解等功能。第二十五頁，共60頁。（二）前向神經(jīng)網(wǎng)絡(luò)1、感知器網(wǎng)絡(luò)感知器（perceptron）是一個具有單層神經(jīng)元的神經(jīng)網(wǎng)絡(luò)，并由線性閾值元件組成，是最簡單的前向網(wǎng)絡(luò)。它主要用于模式分類，單層的感知器網(wǎng)絡(luò)結(jié)構(gòu)如下圖所示。第二十六頁，共60頁。1n2nnnn第二十七頁，共60頁。取其中的一個神經(jīng)元來討論：第二十八頁，共60頁。感知器的一種學(xué)習(xí)算法：第二十九頁，共60頁。第三十頁，共60頁。2、BP網(wǎng)絡(luò)誤差反向傳播神經(jīng)網(wǎng)絡(luò)，簡稱BP網(wǎng)絡(luò)（BackPropagation），是一種單向傳播的多層前向網(wǎng)絡(luò)。在模式識別、圖像處理、系統(tǒng)辨識、函數(shù)擬合、優(yōu)化計算、最優(yōu)預(yù)測和自適應(yīng)控制等領(lǐng)域有著較為廣泛的應(yīng)用。如圖是BP網(wǎng)絡(luò)的示意圖。第三十一頁，共60頁。第三十二頁，共60頁。誤差反向傳播的BP算法簡稱BP算法，其基本思想是最小二乘算法。它采用梯度搜索技術(shù)，以期使網(wǎng)絡(luò)的實際輸出值與期望輸出值的誤差均方值為最小。BP算法的學(xué)習(xí)過程由正向傳播和反向傳播組成。在正向傳播過程中，輸入信息從輸入層經(jīng)隱含層逐層處理，并傳向輸出層，每層神經(jīng)元（節(jié)點）的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)。如果在輸出層不能得到期望的輸出，則轉(zhuǎn)入反向傳播，將誤差信號沿原來的連接通路返回，通過修改各層神經(jīng)元的權(quán)值，使誤差信號最小。第三十三頁，共60頁。BP學(xué)習(xí)算法的計算步驟：

1)初始化。置所有權(quán)值為較小的隨機數(shù)；

2)提供訓(xùn)練集。給定輸入向量和期望的目標輸出向量；

3)計算實際輸出。計算隱含層、輸出層各神經(jīng)元輸出；

4)計算目標值與實際輸出的偏差Ep；

5)計算

6)計算

7)返回“2）”重復(fù)計算，直到誤差滿足要求為止。第三十四頁，共60頁。第三十五頁，共60頁。在使用BP算法時，應(yīng)注意的幾個問題：1)學(xué)習(xí)開始時，各隱含層連接權(quán)系數(shù)的初值應(yīng)以設(shè)置較小的隨機數(shù)較為適宜。2)采用S型激發(fā)函數(shù)時，由于輸出層各神經(jīng)元的輸出只能趨于1或0，不能達到1或0。在設(shè)置各訓(xùn)練樣本時，期望的輸出分量dpk不能設(shè)置為1或0，以設(shè)置為0.9或0.1較為適宜。3)學(xué)習(xí)速率η的選擇，在學(xué)習(xí)開始階段，η選較大的值可以加快學(xué)習(xí)速度。學(xué)習(xí)接近優(yōu)化區(qū)時，η值必須相當小，否則權(quán)系數(shù)將產(chǎn)生振蕩而不收斂。第三十六頁，共60頁。多層前向BP網(wǎng)絡(luò)的優(yōu)點：1)網(wǎng)絡(luò)實質(zhì)上實現(xiàn)了一個從輸入到輸出的映射功能，數(shù)學(xué)理論已證明它具有實現(xiàn)任何復(fù)雜非線性映射的功能。這使得它特別適合于求解內(nèi)部機制復(fù)雜的問題；2)網(wǎng)絡(luò)能通過學(xué)習(xí)帶正確答案的實例集自動提取“合理的”求解規(guī)則，即具有自學(xué)習(xí)能力；第三十七頁，共60頁。3、神經(jīng)網(wǎng)絡(luò)的訓(xùn)練

在實際應(yīng)用中尚未找到較好的網(wǎng)絡(luò)構(gòu)造方法，確定網(wǎng)絡(luò)的結(jié)構(gòu)和權(quán)值參數(shù)，來描述給定的映射或逼近一個未知的映射，只能通過學(xué)習(xí)來得到滿足要求的網(wǎng)絡(luò)模型。第三十八頁，共60頁。神經(jīng)網(wǎng)絡(luò)訓(xùn)練的具體步驟:(1)獲取訓(xùn)練樣本集

獲取訓(xùn)練樣本集是訓(xùn)練神經(jīng)網(wǎng)絡(luò)的第一步，也是十分重要和關(guān)鍵的一步。它包括訓(xùn)練數(shù)據(jù)的收集、分析、選擇和預(yù)處理等。(2)選擇網(wǎng)絡(luò)類型與結(jié)構(gòu)

神經(jīng)網(wǎng)絡(luò)的類型很多，需要根據(jù)任務(wù)的性質(zhì)和要求來選擇合適的網(wǎng)絡(luò)類型。

(3)訓(xùn)練與測試利用獲取的訓(xùn)練樣本對網(wǎng)絡(luò)進行反復(fù)訓(xùn)練，直至得到合適的映射結(jié)果。第三十九頁，共60頁。(三）反饋神經(jīng)網(wǎng)絡(luò)反饋網(wǎng)絡(luò)，又稱自聯(lián)想記憶網(wǎng)絡(luò)，其目的是為了設(shè)計一個網(wǎng)絡(luò)，儲存一組平衡點，使得當給網(wǎng)絡(luò)一組初始值時，網(wǎng)絡(luò)通過自行運行而最終收斂到這個設(shè)計的平衡點上。反饋網(wǎng)絡(luò)能夠表現(xiàn)出非線性動力學(xué)系統(tǒng)的動態(tài)特性。它所具有的主要特性為以下兩點：第一、網(wǎng)絡(luò)系統(tǒng)具有若干個穩(wěn)定狀態(tài)。當網(wǎng)絡(luò)從某一初始狀態(tài)開始運動，網(wǎng)絡(luò)系統(tǒng)總可以收斂到某一個穩(wěn)定的平衡狀態(tài)；第二、系統(tǒng)穩(wěn)定的平衡狀態(tài)可以通過設(shè)計網(wǎng)絡(luò)的權(quán)值而被存儲到網(wǎng)絡(luò)中。第四十頁，共60頁。1、離散Hopfield網(wǎng)絡(luò)（1）網(wǎng)絡(luò)的結(jié)構(gòu)和工作方式離散Hopfield網(wǎng)絡(luò)是一個單層網(wǎng)絡(luò)，有n個神經(jīng)元節(jié)點，每個神經(jīng)元的輸出均接到其它神經(jīng)元的輸入。各節(jié)點沒有自反饋，每個節(jié)點都附有一個閥值。每個節(jié)點都可處于一種可能的狀態(tài)（1或－1），即當該神經(jīng)元所受的刺激超過其閥值時，神經(jīng)元就處于一種狀態(tài)（比如1），否則神經(jīng)元就始終處于另一狀態(tài)（比如－1）。第四十一頁，共60頁。第四十二頁，共60頁。整個網(wǎng)絡(luò)有兩種工作方式：即異步方式和同步方式。

1)異步方式每次只有一個神經(jīng)元節(jié)點進行狀態(tài)的調(diào)整計算，其他節(jié)點的狀態(tài)均保持不變。其調(diào)整次序可以隨機選定，也可按規(guī)定次序進行。

2)同步方式所有神經(jīng)元節(jié)點同時調(diào)整狀態(tài)。第四十三頁，共60頁。第四十四頁，共60頁。2、連續(xù)Hopfield網(wǎng)絡(luò)連續(xù)Hopfield網(wǎng)絡(luò)也是單層的反饋網(wǎng)絡(luò)。其實質(zhì)上是一個連續(xù)的非線性動力學(xué)系統(tǒng)，它可以用一組非線性微分方程來描述。當給定初始狀態(tài)，通過求解非線性微分方程組即可求得網(wǎng)絡(luò)狀態(tài)的運行軌跡。若系統(tǒng)是穩(wěn)定的，則它最終可收斂到一個穩(wěn)定狀態(tài)。第四十五頁，共60頁。二、神經(jīng)網(wǎng)絡(luò)控制的結(jié)構(gòu)1、神經(jīng)網(wǎng)絡(luò)控制的基本思想

神經(jīng)網(wǎng)絡(luò)控制或神經(jīng)控制是指在控制系統(tǒng)中，應(yīng)用神經(jīng)網(wǎng)絡(luò)技術(shù)，對難以精確建模的復(fù)雜非線性對象進行神經(jīng)網(wǎng)絡(luò)模型辨識，或作為控制器，或進行優(yōu)化計算，或進行推理，或進行故障診斷，或同時兼有上述多種功能。這樣的系統(tǒng)稱為基于神經(jīng)網(wǎng)絡(luò)的控制系統(tǒng)，稱這種控制方式為神經(jīng)網(wǎng)絡(luò)控制。第四十六頁，共60頁。盡管神經(jīng)網(wǎng)絡(luò)控制技術(shù)有許多潛在的優(yōu)勢，但單純使用神經(jīng)網(wǎng)絡(luò)的控制方法的研究仍有待進一步發(fā)展。通常將人工神經(jīng)網(wǎng)絡(luò)技術(shù)與傳統(tǒng)的控制理論或智能技術(shù)綜合使用。神經(jīng)網(wǎng)絡(luò)在控制中的作用有以下幾種：（1）在傳統(tǒng)的控制系統(tǒng)中用以動態(tài)系統(tǒng)建模，充當對象模型；（2）在反饋控制系統(tǒng)中直接充當控制器的作用；（3）在傳統(tǒng)控制系統(tǒng)中起優(yōu)化計算作用；（4）與其他智能控制方法如模糊邏輯、遺傳算法、專家控制等相融合。第四十七頁，共60頁。

下圖給出了一般反饋控制的原理圖，其中圖(b)采用神經(jīng)網(wǎng)絡(luò)NN代替圖(a)中的控制器。網(wǎng)絡(luò)NN可以是前向多層網(wǎng)絡(luò)，采用BP法。第四十八頁，共60頁。當用訓(xùn)練誤差信號來調(diào)整網(wǎng)絡(luò)中的連接權(quán)值而使e→0時，就是網(wǎng)絡(luò)的學(xué)習(xí)算法實現(xiàn)被控對象求逆模型的過程?？梢哉f，被控對象或過程的模型求逆過程就是神經(jīng)網(wǎng)絡(luò)實現(xiàn)直接控制的基本思想。第四十九頁，共60頁。2、正向建模所謂正向建模，是指利用多層前饋神經(jīng)網(wǎng)絡(luò)，通過訓(xùn)練或?qū)W習(xí)，使其能夠表達系統(tǒng)正向動力學(xué)特性的模型。下圖給出了系統(tǒng)正向建摸的一般結(jié)構(gòu)示意圖。其中神經(jīng)網(wǎng)絡(luò)辨識模型與待辯識的動態(tài)系統(tǒng)并聯(lián)，兩者的輸出誤差，被用作網(wǎng)絡(luò)的訓(xùn)練信號。顯然這是一個典型的有監(jiān)督學(xué)習(xí)問題，實際系統(tǒng)作為教師，向神經(jīng)網(wǎng)絡(luò)提供學(xué)習(xí)算法所需的期望輸出。第五十頁，共60頁。第五十一頁，共60頁。3、逆模型下圖是一種直接逆建模結(jié)構(gòu)。待辨識系統(tǒng)的輸出作為網(wǎng)絡(luò)的輸入，網(wǎng)絡(luò)輸出與系統(tǒng)輸入比較，相應(yīng)的輸入誤差用來進行訓(xùn)練，因而網(wǎng)絡(luò)將通過學(xué)習(xí)建立系統(tǒng)的逆模型。動態(tài)系統(tǒng)第五十二頁，共60頁。

由于上述學(xué)習(xí)過程不是目標導(dǎo)向的，在實際工作中系統(tǒng)輸入也不可能預(yù)先定義，因此采用下圖所示的正—逆建模結(jié)構(gòu)。這時待辨識的網(wǎng)絡(luò)NN位于系統(tǒng)前面，并與之串聯(lián)。網(wǎng)絡(luò)的輸入為系統(tǒng)的期望輸出yd(k)，訓(xùn)練誤差可以是期望輸出與系統(tǒng)實際輸出y(k)之差或者為期望輸出與已建模的正向模型輸出yN之差。第五十三頁，共60頁。4、神經(jīng)網(wǎng)絡(luò)內(nèi)模控制

內(nèi)?？刂剖且环N采用系統(tǒng)對象的內(nèi)部模型和反饋修正的預(yù)測控制，有較強的魯律性，在線調(diào)整方便，已被發(fā)展為非線性控制的一種重要方法。反饋量為擾動估計量。在實際應(yīng)用中，考慮到模型與對象失配時的影響，通常在控制器前附加一個濾波器F(z)，可提高系統(tǒng)的魯棒性。第五十四頁，共60頁。神經(jīng)網(wǎng)絡(luò)內(nèi)?？刂疲悍謩e用兩個神經(jīng)網(wǎng)絡(luò)NNC和NNI取代了，NNC稱為神經(jīng)網(wǎng)絡(luò)控制器，NNI稱為神經(jīng)網(wǎng)絡(luò)狀態(tài)估計器。圖中的神經(jīng)網(wǎng)絡(luò)狀態(tài)估計器NNI用于充分逼近被控對象的動態(tài)模型，相當于正向模型。神經(jīng)網(wǎng)絡(luò)控制器NNC學(xué)習(xí)被控對象的逆動態(tài)特性。NNI作為被控對象的近似模型與實際對象并行設(shè)置，它們的差值用于反饋，同期望的給定值之差經(jīng)線性濾波器處理后送給NNC，經(jīng)過多次訓(xùn)練，它將間接地學(xué)習(xí)對象的逆動態(tài)特性。從而系統(tǒng)誤差將趨于零。第五十五頁，共60頁。5、神經(jīng)網(wǎng)絡(luò)PID控制