假设，神经网络的理想输出为dk，在前向计算中，若实际输出ok与理想输出dk不一致，就要将其误差信号从输出端反向传播回来，并在传播过程中对加权系数不断修正，使输出层神经元上得到所需要的期望输出dk为止。为了对加权系数进行调整，选取目标函数为：
1m1m22E??(dk?ok)??ek2k?12k?1 （2-21）
以误差函数E减少最快方向调整，即使加权系数按误差函数E的负梯度方向调整，使网络逐渐收敛。按照梯度下降法，可得到神经元j到神经元i的t+1次权系数调整值：
wij?t?1??wij?t???wij?wij?t????E?t??wij?t? （2-22）
由式（2-21）可知，需要变换出E相对于该式中网络此刻实际输出关系，因此
而其中的
neti(t)??wij?t?Ij （2-24）
j?E?t??E?t??neti?t??. （2-23） ?wij?t??neti?t??wij?t?其中的Ij表示节点i的第j个输入。所以
?neti?t??
?wij?t??(?wij?t?Ij)j?wij?t??Ij （2-25）
将（2-25）代入式（2-23），可以得到：
?E?t??E?t??neti?t??E?t? ?.?Ij （2-26）
?wij?t??neti?t??wij?t??neti?t?令 ?i??E （2-27） ?neti式中?i为第i个节点的状态neti对E的灵敏度。
由式(2-26)和式（2-27）可以得到：
?E??i.Ij （2-28） ?wij以下分两种情况计算?i： ① 若i为输出层节点，即i =k
13
由式(2-21)和（2-27）可得
?i??k?所以可得：
?E?E?oi?.?(dk?ok)f'(netk)??ekf'(netk) （2-29） ?neti?oi?neti?E?t??E?t??neti?t??.??ekf'(netk)Ij （2-30） ?wij?t??neti?t??wij?t?此时wij应该按照下列公式进行调整：
?E?t? wij?t?1??wij?t??? ?wij?t???ekf'(netk).Ij （2-31）
?wij?t?式中?为学习速率。
② 若i不为输出层神经元，即i?k 此时式（2-27）为 ?i?其中
?netm1?E? ?E??(?E.（2-33） )??.wm1jIj* ??oim1?netm1?oim1?netm1?oij?E?k??E?oi?E'?.?g(neti) （2-32）
?neti?k??oi?neti?oi式中m1是节点i后边一层的第m1个节点，Ij*是节点m1的第j个输入。
*当i=j时，oi?Ij
?E?E ??wmi???mwmi （2-34）
?oim1?netm11m111将式（2-32）和（2-34）代入（2-28），有
?E?t??E ?Ij?wm1if'(neti)?Ij??m1wm1ig'(neti) （2-35）
?wij?t?m1?netm1m1此时的权值调整公式为：
wij?t?1??wij?t????E?t??wij?t???Ij??m1wm1ig'(neti) （2-36）
?wij?t?m1通过（2-31）和（2-36）我们就可以完成神经网络的反向传播算法。实现权值的实时调整。
对上面的算法流程进行总结我们可以的出下面的算法流程图：
14
初始化权值给定输入和输出样本
求隐含层、输出层各节点输出
求目标值与实际输出的偏差
计算反向误差 修正权值 学习结束？ 否 是 结束
图2-3 BP网络算法流程图
2.5 本章小结
本章主要介绍了神经网络的基础知识，其中包括神经元模型，学习方式和学习规则等，在了解了神经网络的基础上，进一步介绍了本论文要用到的BP神经网络，包括其结构，前向和反向传播算法及实现步骤。
15
第三章 基于BP神经网络的PID控制
一般来说，基于神经网络的PID控制器的典型结构主要有两种，一种是基于神经网络的整定PID控制，即把神经网络的输出作为PID控制器的比例，积分和微分。另一种是把神经网络的权值做为比例，积分和微分。本章将详细介绍基于BP神经网络的自整定PID控制算法，即把神经网络的输出作为PID控制器的比例，积分和微分，然后对电厂主汽温系统进行设计，并在Matlab上进行仿真。
3.1 PID控制器的离散差分方程
在连续信号系统中，PID控制算式的表达式
16
相关推荐：
loading