李坤模

摘要：隨著控制理論的不斷發(fā)展，傳統(tǒng)控制理論已不能滿足生產(chǎn)生活所需，智能控制理論的出現(xiàn)解決了這一難題。本文將以人工神經(jīng)元為例進行分析，進而加深對于智能控制理論的理解與掌握。

關(guān)鍵詞：人工神經(jīng)元;神經(jīng)網(wǎng)絡;智能控制

前言：

人工神經(jīng)元模型是人工神經(jīng)網(wǎng)絡的系統(tǒng)模型，主要是模擬人腦神經(jīng)細胞的工作特點而建立。學習并掌握人工神經(jīng)元的組成機制以及學習特點有助于發(fā)展智能控制理論，尤其在機器學習領(lǐng)域?qū)⒂芯薮蟮拇龠M作用。

1 神經(jīng)元模型

1.1模型建立

神經(jīng)元模型的建立經(jīng)歷近半個多世紀，尤其在最近十多年間人工神經(jīng)元網(wǎng)絡研究取得很大進展。人工神經(jīng)元網(wǎng)絡并不是簡單的數(shù)學模型，而是一個巨大的復雜的非線性動力學系統(tǒng)。為了方便研究，將其拆分為一個個神經(jīng)元模型進行研究，然后將一個個單元進行組合分析其綜合作用。類似于人腦的神經(jīng)元結(jié)構(gòu)，人工建立的神經(jīng)元模型是一個具有非線性且具有多個輸入單個輸出的器件。不同的神經(jīng)元網(wǎng)絡結(jié)構(gòu)具有不同的功能，但均具有學習的功能。從數(shù)學角度分析人工神經(jīng)元不難得出其輸入與輸出間的數(shù)值關(guān)系，依據(jù)這些數(shù)值關(guān)系可以建立不同的數(shù)學模型，例如Tan函數(shù)型、Sigmoid函數(shù)型等等，這些數(shù)學函數(shù)模型的建立有利于分析人工神經(jīng)元的工作特點，進而得出神經(jīng)網(wǎng)絡的學習特點。

1.2模型分類

由于神經(jīng)網(wǎng)絡的復雜性以及算法的多樣性，神經(jīng)網(wǎng)絡模型也各式各樣，如CMAC小腦模型、Blotzman機網(wǎng)絡等。通過神經(jīng)元的互相連接協(xié)調(diào)構(gòu)成了龐大而復雜的神經(jīng)元網(wǎng)絡。目前的神經(jīng)網(wǎng)絡大致可以分為前向型網(wǎng)絡（各級神經(jīng)元之間不存在反饋關(guān)系）、反饋型網(wǎng)絡（網(wǎng)絡的輸入層和輸出層之間的神經(jīng)元之間具有反饋聯(lián)系，其它層不存在）、混合型網(wǎng)絡（同一層的神經(jīng)元可以產(chǎn)生橫向抑制或者興奮效應）、互相結(jié)合型網(wǎng)絡（此種模型的任何神經(jīng)元之間均可能存在聯(lián)系）。

1.3神經(jīng)元特征

通過對于人體神經(jīng)元的研究，人體神經(jīng)元具有很多生物特征，建立的人工神經(jīng)元模型正是基于生物神經(jīng)元的特征而建立起來的。最明顯的特征有記憶以及記憶信息的儲藏功能，由此部分神經(jīng)元的損傷并不會丟失全部信息。人體神經(jīng)元猶如多臺并行工作的計算機一樣處理著各種復雜多變的信息，這需要各個神經(jīng)元的協(xié)調(diào)且高度的配合。此外，執(zhí)行智能行為時需要很多部分的神經(jīng)元配合，即分散性控制。談到機器學習，最重要的功能是自學習的功能，即不需要過多干預機器能夠自主學習并適應環(huán)境，通過聯(lián)想及以往經(jīng)驗從而做出正確的決策，并且做出的決定是具有一定的容錯性質(zhì)的。

2 學習算法

2.1分類

人工神經(jīng)元正如人體學習過程一樣，分為有指導和無指導兩大類型。在進行人體神經(jīng)元的研究中，結(jié)合建立的人工神經(jīng)元模型，引入期望這一概念。如果人工神經(jīng)元學習的結(jié)果能夠按照期望發(fā)展，并且當結(jié)果與期望值有一定的誤差時，神經(jīng)網(wǎng)絡能夠及時調(diào)整學習的方式（即調(diào)整相互之間的權(quán)值），這樣的學習方式稱為有導師的學習。相反，沒有給予神經(jīng)網(wǎng)絡學習目標，但是建立一個能夠間接評估學習效果的體系，這種學習模式稱為無導師學習。如果按照神經(jīng)元之間聯(lián)系權(quán)重的更改方式又可以分為糾錯學習、相關(guān)學習、無導師學習等。

2.2泛化能力

人腦能夠適應萬千世界中的各種事物離不開人腦具有泛化能力這一重要特征。例如，當輸入量中夾雜著部分噪聲時，人腦依舊能夠從中獲取到其所需的有用信息而不受噪聲所影響，人工神經(jīng)元網(wǎng)絡也應達到當輸入存在差異時其輸出能夠同樣準確而全面的效果。在有導師學習的模式下，選取具有一定概率特征的樣本的部分作為人工神經(jīng)元的訓練模板，經(jīng)過學習，人工神經(jīng)元的輸出與期望值之間會存在一定的偏差。同時，從樣本中再選一部分來驗證人工神經(jīng)元的學習效果，驗證過后會和期望值間產(chǎn)生一個新的誤差，此時的誤差與訓練的誤差間的差值可以作為評價人工神經(jīng)元的泛化能力。這種能力和人工神經(jīng)網(wǎng)絡的輸入、網(wǎng)絡節(jié)點及訓練樣本等密切相關(guān)。

在進行神經(jīng)網(wǎng)絡訓練時會涉及到一種數(shù)學方法，即梯度法，這只是一種求解無約束最優(yōu)化問題的解決方法，主要利用函數(shù)的解析性質(zhì)使之不斷收斂從而求得最優(yōu)解。人工神經(jīng)元在建立模型的時候會建立數(shù)學函數(shù)，在訓練過程中往往需要用到這種方法。首先需要確定搜索方向與搜索的步長，在給定初始點的情況下通過計算搜索方向一步步進行迭代最終求解。

3 前向神經(jīng)網(wǎng)絡

前向神經(jīng)網(wǎng)絡在人工神經(jīng)網(wǎng)絡中應用廣泛，每一層神經(jīng)元的輸出作為下一層神經(jīng)元的輸入，通常分析按照單一、單層、多層的不同層次進行，單一神經(jīng)元是研究其他層次的理論基礎(chǔ)。單一神經(jīng)元的輸出受到多種因素的影響，加之自身存在閾值，故通常建立數(shù)學函數(shù)來描述單一神經(jīng)元的工作特點。引入激勵函數(shù)作為數(shù)學模型的表達方式，單一神經(jīng)元的輸出可以看做是多個外界輸入和自身閾值的綜合的激勵函數(shù)表達式。這樣單層神經(jīng)元的數(shù)學表達式便是單層神經(jīng)元的綜合效果，即累加模式。由于多層神經(jīng)元的各層輸入與上一層的神經(jīng)元輸出密切相關(guān)，故需要一層層計算當層神經(jīng)元的輸出進行遞進求得最終輸出層神經(jīng)元的輸出。在實際的研究過程中，為了解決問題的方便，通常可以假設(shè)每一層神經(jīng)元的激勵函數(shù)的表達式均是相同的，即共用一個激勵函數(shù)，這樣最終神經(jīng)元的輸出表達式便得到統(tǒng)一。

在進行前向神經(jīng)網(wǎng)絡的研究中，BP學習算法得到了廣泛應用。前向神經(jīng)網(wǎng)絡通常利用網(wǎng)絡的實際輸出與期望輸出進行對比從而調(diào)整網(wǎng)絡權(quán)陣進行訓練。BP學習算法通常給定一定量的學習樣本來訓練網(wǎng)絡，最終根據(jù)網(wǎng)絡的輸出與期望的誤差來倒調(diào)網(wǎng)絡權(quán)重，如此反復進行最終達到訓練目標。具體過程為輸入信號經(jīng)過逐層的傳播，每一層的神經(jīng)元的狀態(tài)影響下一層神經(jīng)元的狀態(tài)，在這過程中神經(jīng)網(wǎng)絡間的權(quán)重是不發(fā)生改變的;當達到最終的輸出層時，如果訓練的結(jié)果達不到預期，則需要神經(jīng)網(wǎng)絡的誤差信號向后傳播來逐層調(diào)節(jié)權(quán)重從而使最終的實際輸出更接近期望值。需要注意的是，在應用BP算法時，權(quán)重的初值、學習方式以及學習速率的選取都會影響學習效果，而且局部最小問題會造成在學習過程中出現(xiàn)振蕩現(xiàn)象從而不能很好地趨于最優(yōu)解。于是，需要對BP算法進行改進與完善以便于更符合人們的預期。

4 動態(tài)神經(jīng)網(wǎng)絡

動態(tài)神經(jīng)網(wǎng)絡的引入對于更深入地研究神經(jīng)網(wǎng)絡的實際應用具有重要意義。動態(tài)神經(jīng)網(wǎng)絡中有一類單層反饋型神經(jīng)網(wǎng)絡成為Hopfield神經(jīng)網(wǎng)絡，分為DHNN與CHNN兩大類。當神經(jīng)網(wǎng)絡的連接權(quán)重是齊次對稱時，此時神經(jīng)網(wǎng)絡在任何輸入條件下都能趨于穩(wěn)定狀態(tài)。當規(guī)定每個神經(jīng)元只有興奮和抑制兩種狀態(tài)并且每個神經(jīng)元之間都存在相互連接時即構(gòu)成二值型Hopfield網(wǎng)絡。在研究此類網(wǎng)絡時，可以采取同步或者異步兩種方式，即神經(jīng)元的狀態(tài)調(diào)整并行與否。通過利用動力學中的能量觀點來觀察此類神經(jīng)網(wǎng)絡時可以發(fā)現(xiàn)每個神經(jīng)元的狀態(tài)最終會趨于穩(wěn)定的狀態(tài)，而且穩(wěn)定狀態(tài)與能量函數(shù)在狀態(tài)空間的局部極小狀態(tài)是相對應的。由此可以引入學習方法來訓練此網(wǎng)絡，常見的有Hebb學習規(guī)則，此外，Hopfield神經(jīng)網(wǎng)絡還具有聯(lián)想記憶功能。

5 總結(jié)

人工神經(jīng)元網(wǎng)絡的研究會隨著社會的發(fā)展與科學技術(shù)的進步而不斷完善，如何進一步深入人工神經(jīng)元網(wǎng)絡的研究并廣泛應用其研究成果還需要投入更多的時間和精力。

參考文獻：

[1]張遠望.人工智能與應用 [J].中國科技縱橫，2015，（20）：22.

[2]曾紅玉.基于神經(jīng)網(wǎng)絡BP算法的改進[D].烏魯木齊：新疆大學，2003.

[3]蔣宗禮.人工神經(jīng)網(wǎng)絡導論[M].北京：高等教育出版社，2001.