正文

神经网络控制原理（神经网络控制原理是什么）

发布时间：2023-04-18 20:37:27 稿源：创意岭阅读： 99

大家好！今天让创意岭的小编来大家介绍下关于神经网络控制原理的问题，以下是小编对此问题的归纳整理，让我们一起来看看吧。

开始之前先推荐一个非常厉害的Ai人工智能工具，一键生成原创文章、方案、文案、工作计划、工作报告、论文、代码、作文、做题和对话答疑等等

只需要输入关键词，就能返回你想要的内容，越精准，写出的就越详细，有微信小程序端、在线网页版、PC客户端

官网：https://ai.de1919.com。

创意岭作为行业内优秀的企业，服务客户遍布全球各地，如需了解SEO相关业务请拨打电话175-8598-2043，或添加微信：1454722008

本文目录:

1、请简述一下神经网络的PDB模型
2、神经网络与模糊控制优劣？
3、神经网络结构搜索(Neural Architecture search)
4、基于人工神经网络的mppt控制是什么意思

神经网络控制原理（神经网络控制原理是什么）

一、请简述一下神经网络的PDB模型

资料1．人工神经网络理论基础

包括：

（1） PDP(Parallel Distribated Processing)模式

（2）容限理论

（3）网络拓扑

（4）混沌理论

1、PDP模式

PDP模式是一种认知心理的平行分布式模式。认知是信息处理过程，并且是知觉、注意、记忆、学习、表象、思维、概念形式、问题求解、语言、情绪、个性差异等等有机联系的处理过程。PDP模式是一种接近人类思维推论的模式。人脑中知识的表达是采用分布式的表达结构，人脑的控制是实行分布式的控制方式。相互作用、相互限制是PDP模式的基本思想，平行分布是PDP模式的基本构架。

PDP模式的实施，需要一种合理的表示方法，其中一种表示方法便是人工神经网络表示法。即采用类似于大脑神经网络的体系结构，在这种基本体系结构下，使人工神经网络经过学习训练，能适应多种知识体系。

参考：http://gamejedi.cn/bbs/dispbbs.asp?boardid=7&id=924&star=1&page=2

资料2．神经网络模型

信息加工模型有助于理论家把其理论假设进一步细致化、具体化。然而正如我们在第一节所讨论过的，遵循联结主义传统的学者对比提出了反对意见，认为这一模型假设认知过程是继时性流动，而事实并非总是如此，（参见Rumelhart, Hinton,和 McClelland, 1986），至少有一些认知过程更可能是同时发生的。比如说司机开车时可同时与人讲话。一种用得越来越多的模型是神经网络模型（或称并行分布模型）。这类模型认为不同的认知过程可以同时发生，这一假设与人们的主观感觉相一致：许多东西同时出现在脑海中。这一假设还与我们已知的大脑神经的操作相一致。

神经网络模型假设有一系列相互连接的加工单元，而且这些单元的激活水平是不同的。根据不同的传播规则，激活从一个单元传播到与之相连的其它单元。

参考：http://jpkc.ecnu.edu.cn/jxcg/931045/stu/ygg02/gg021/gg02102/gg02102c.htm

3．

二、神经网络与模糊控制优劣？

(2)由工业过程的定性认识出发，比较容易建立语言控制规则，因而模糊控制对那些数学模型难以获取，动态特性不易掌握或变化非常显著的对象非常适用。(3)基于模型的控制算法及系统设计方法，由于出发点和性能指标的不同，容易导致较大差异；但一个系统语言控制规则却具有相对的独立性，利用这些控制规律间的模糊连接，容易找到折中的选择，使控制效果优于常规控制器。(4)模糊控制是基于启发性的知识及语言决策规则设计的，这有利于模拟人工控制的过程和方法，增强控制系统的适应能力，使之具有一定的智能水平。(5)模糊控制系统的鲁棒性强，干扰和参数变化对控制效果的影响被大大减弱，尤其适合于非线性、时变及纯滞后系统的控制。|||什么是模糊控制？与传统控制理论相比有什么优点？模糊控制是近代控制理论中建立在模糊集合轮上基础上的一种基于语言规则与模糊推理的控制理论，它是智能控制的一个重要分支。与传统控制理论相比，模糊控制有两大不可比拟的优点：第一，模糊控制在许多应用中可以有效且便捷的实现人的控制策略和经验，这一优点自从模糊控制诞生以来就一直受到人们密切的关注；第二，模糊控制不需要被控对象的数学模型即可实现较好的控制，这是因为被控对象的动态特性已隐含在模糊控制器输入、输出模糊集及模糊规则中。所以模糊控制被越来越多的应用于各个领域，尤其是被广泛应用于家电系列中，基于模糊控制的洗衣机就是其中的一个典型实例。|||模糊控制实质上是一种非线性控制，从属于智能控制的范畴。模糊控制的一大特点是既具有系统化的理论，又有着大量实际应用背景。|||优点：对于难于建立模型的控制对象不失为一种良好的控制方法。

三、神经网络结构搜索(Neural Architecture search)

神经网络搜索是生成和优化网络结构的有效工具 Neural Architecture Search 。

在不确定网络的长度和结构的情况下，使用一个循环神经网络(recurrent network)作为控制器来生成网络结构的字段，用来构建子神经网络。将训练子网络之后的准确率作为控制器回馈信号(reward signal)，通过计算策略梯度(policy gradient)更新控制器，这样不断的迭代循环。在下一次迭代中，控制器将有更高的概率提出一个高准确率的网络结构。总之，伴随着时间的推移，控制器将通过不断的学习来提高搜索结果。如下图所示就是网络结构搜索。

神经结构搜索中，我们使用控制器产生神经网络的超参数。控制器使用的是一个循环神经网络。假设我们希望预测只有卷积层的前馈神经网络，就可以使用控制器来生成这些超参数的序列。

控制器可以看到代理(agent),生成的超参数序列(网络结构的描述字符串)可以被看做代理一系列的动作(actions) 。子网络在收敛后将达到准确率。随后，将作为回馈信号并使用增强学习训练控制器。具体的说，为了优化的结构，需要让控制器最大化期望回馈，期望回馈可以表示为 :

由于不可微分，因此不能使用传统的BP算法。我们需要使用回馈更新代理的策略参数，进而实现回馈的最优化。这里我们使用 Williams 提出的REINFORCE，这个公式关联了回馈和策略参数：

上述数值的可以近似表示为：

是控制器一个批样本网络模型的数量，是控制器生成的网络结构的超参数数量。是第个神经网络模型的准确率。

上述更新的梯度是梯度的无偏估计，但是方差很大。为了减小方差，我们使用了一个基线函数：。

只要不依赖与当前的动作，这个梯度导数将始终是无偏估计。这里，我们的是准确率的指数移动平均值 EMA 。

在神经网络搜索中，训练一个子网络可能需要几个小时的时间。使用分布式训练和并行参数更新可以加速控制器的学习过程。我们使用参数服务器保存所有参数，服务器将参数分发给控制器，控制器被分成个，每一个控制器使用得到的参数进行模型的构建，由于得到的参数可能不同，构建模型的策略也是随机的，导致每次构建的网络结构也会不同。每个控制器会构建一个batch, 个子网络，然后并行训练子网络得到准确率。计算出参数的梯度。然后计算完梯度的控制器将梯度传递到参数服务器，分别对自己负责的参数进行更新。接下来控制器得到更新的参数开始构建新的神经网络模型。这里，每一个控制器独立的发送自己的梯度更新服务器参数，不需要控制器之间同步，这及时异步更新。这里子网络的训练次数固定(epochs)。这种并行架构如下图所示

为了让控制器产生跳跃连接。在第层中，添加一个锚点(anchor point)表示是否和前面的网络层连接：

表示控制器第层网络锚点的隐藏状态，介于0到之间。根据这些sigmoids的结果来决定哪些网络层被用作当前层的输入。，和是可训练参数。[图片上传失败...(image-feb8fe-1558488967580)]

为了产生循环元胞。控制器需要找到一个公式，以和作为输入，作为结果。最简单的方式，这是一个基本的循环细胞的公式。一个更复杂的公式是广泛应用的LSTM循环元胞。

基础RNN和LSTM都可以描述为一个树形结构，输入和，产生，这些变量作为叶子。控制器RNN需要标明树上的每个节点的结合方法(相加，按元素相乘等)和激活函数，用于融合两个输入并产生一个输出。然后两个节点输出又被作为树上下一个节点的输入。为了控制器可以选择这些方法和函数，我们将树上的节点以一定的顺序编号，这样控制器可以顺序的预测。

四、基于人工神经网络的mppt控制是什么意思

mppt是最大功率跟踪器，用于控制新能源（光伏，风能等等）时刻发出最大功率的，是个设备

人工神经网络是智能算法的一种，是个算法。

它的意思是用人工神经网络算法去控制这个设备工作。

望采纳

以上就是关于神经网络控制原理相关问题的回答。希望能帮到你，如有更多相关问题，您也可以联系我们的客服进行咨询，客服也会为您讲解更多精彩的知识和内容。