神經(jīng)網(wǎng)絡(luò)的改進(jìn)發(fā)展設(shè)計
 
 
神經(jīng)網(wǎng)絡(luò)的發(fā)展體系：
在眾多神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)之中，多層前饋神經(jīng)網(wǎng)絡(luò)（Multi-Layer Feedforward NeuralNetworks,簡稱MFNN）是目前應(yīng)用較廣泛也是最成熟的一種神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。
一個多層前饋神經(jīng)網(wǎng)絡(luò)由輸入層和至少一個隱層組成，各層包含一個或多個神經(jīng)元，相鄰兩層神經(jīng)元之間可以通過可調(diào)權(quán)值連接，且各種神經(jīng)元之間沒有反饋。
其信息由由輸入層依次向隱層傳遞直至輸出層。每個神經(jīng)元以加權(quán)和形成綜合它的全部或部分輸入，并根據(jù)非線性激活函數(shù)的形狀產(chǎn)生輸出。網(wǎng)絡(luò)各層神經(jīng)元的輸入-輸出映像關(guān)系可描述為：
改進(jìn)的神經(jīng)網(wǎng)絡(luò)狀況：
由于被控對象固有的不確定性和非線性難以建立確切的數(shù)學(xué)模型，導(dǎo)致設(shè)計系統(tǒng)控制器時遇到了很多困難。雖然運用模糊控制技術(shù)可以不依賴于系統(tǒng)的數(shù)學(xué)模型，但要想做到快速的跟蹤參考模型的輸出還是有困難的，所以有必要事先對系統(tǒng)進(jìn)行辨識。
另一方面，由于各種干擾的存在，系統(tǒng)的結(jié)構(gòu)乃至參數(shù)都有可能發(fā)生變化即使依靠先驗信息離線辨識得到了系統(tǒng)的模型也難免存在模型失配問題。而神經(jīng)網(wǎng)絡(luò)具有學(xué)習(xí)能力和逼近任意非線性函數(shù)的能力，為系統(tǒng)辨識提供了新的手段。
為了得到系統(tǒng)的動態(tài)正模型選用了動態(tài)遞歸Elman 神經(jīng)網(wǎng)絡(luò)作為辨識器。已有研究表明，在動態(tài)系統(tǒng)的辨識中，較小規(guī)模的動態(tài)網(wǎng)絡(luò)可以與大規(guī)模前饋網(wǎng)絡(luò)等效。
動態(tài)遞歸神經(jīng)網(wǎng)絡(luò)不僅可以克服一般多層前饋網(wǎng)絡(luò)存在的網(wǎng)絡(luò)結(jié)構(gòu)及節(jié)點數(shù)膨脹和易將動態(tài)建模變成靜態(tài)建模問題的缺點，而且難能可貴的是辨識系統(tǒng)的導(dǎo)數(shù)信息。在動態(tài)遞歸神經(jīng)網(wǎng)絡(luò)中。
正航儀器的市場調(diào)研部進(jìn)行了市場調(diào)研，得出：Elman 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)最為簡單，運算量小，所以非常適合系統(tǒng)實時在線辨識。 http://m.uc-ici.com/