人工神经网络原理及实际应用
人工神经网络的原理和应用
人工神经网络的原理和应用人工神经网络（Artificial Neural Network，ANN）是一种模拟生物神经网络的计算模型。
它由大量的人工神经元（Artificial Neurons）相互连接而成，并通过加权和激活函数来模拟神经元之间的信息传递。
人工神经网络模型是一种在计算机中模拟信息处理和知识获取方式的数学模型，它能够通过学习自适应调整神经元间的连接权值，从而实现对数据的分类、识别、预测等功能。
在人工神经网络中，每个人工神经元接收多个输入信号，并将这些输入信号进行加权求和后经过激活函数处理得到输出信号。
神经元之间的连接权值决定了不同输入信号对输出信号的影响程度。
而激活函数则用于对神经元的输出进行非线性映射，增加人工神经网络的模拟能力。
人工神经网络的学习过程是通过反向传播算法（Backpropagation）来进行的。
反向传播算法基于梯度下降法的思想，通过计算输出误差对连接权值的偏导数来调整连接权值，使得神经网络的输出尽可能接近于所期望的输出。
反向传播算法通常需要大量的训练数据和反复迭代的过程才能得到较好的结果。
人工神经网络的应用非常广泛，以下是几个常见的应用领域：1. 图像识别：人工神经网络能够通过学习大量的图像数据，实现对图像的识别和分类。
例如，人工神经网络可以通过学习大量的猫的图片，实现对新的图片是否为猫的判断。
2. 语音识别：人工神经网络可以通过学习大量的语音数据，实现对语音的识别和转录。
例如，语音助手中的语音识别功能就是基于人工神经网络实现的。
3. 自然语言处理：人工神经网络可以通过学习大量的文本数据，实现对自然语言的理解和处理。
例如，机器翻译、情感分析等领域都可以使用人工神经网络进行处理。
4. 数据挖掘：人工神经网络可以通过学习大量的数据，实现对数据的分类、聚类、预测等任务。
例如，人工神经网络可以通过学习用户的历史行为数据，预测用户的购买行为。
5. 控制系统：人工神经网络可以通过学习环境和控制信号之间的关系，实现对复杂控制系统的建模和控制。
神经网络技术的原理与应用场景
神经网络技术的原理与应用场景人工神经网络是一种机器学习算法，作为一种计算工具已经广泛应用于各个领域。
其原理和实现方式与人类的大脑神经元和神经网络相似，主要依靠一些高级算法和工具构建。
神经网络技术非常适合处理大规模的数据集和复杂的问题。
因此，许多公司和组织已经开始使用神经网络技术来解决大规模数据处理的问题。
神经网络最广泛的应用场景之一是图像和语音识别。
在图像识别领域，神经网络可以将图像处理为一个数字向量，在这个向量上可以执行一系列数据操作，从而识别图像中的各种特征。
例如，可以针对某一类图像建立一个专业的神经网络模型，从而实现对该类图像的准确识别。
另外，神经网络技术在安全方面也有广泛的应用，例如它可以用来检测并预测网络攻击和欺诈行为。
在语音识别领域，神经网络可以将音频处理为数字向量，并将其与先前训练模型中的其他向量进行比较，从而识别各种语音特征。
这种技术对于自然语言处理和音频识别有很大的帮助。
在金融领域，神经网络可以预测股票价格的变动，计算货币之间的汇率，预测未来的交易流量等。
同样的，它也可以根据消费者的购买历史，行为模式，以及其他细节来预测关于商品，服务的需求。
在医疗领域，神经网络技术可以用来分析和预测各种疾病的发展和预测时间。
通过医学图像和患者数据的处理和分析，医生可以更快地诊断疾病并制定治疗方案。
在自然语言处理领域，神经网络技术提供了新的机器学习方法，可以自动生成各种不同的自然语言文本。
这种技术可以用于机器翻译中，为智能语音助手做自然语言交互提供重要支持。
在农业领域，神经网络通过分析土壤，气候等数据，可以预测不同农产品的产量，甚至可以确定特定农作物的生长周期以达到最大收成。
神经网络技术在不断推陈出新中不断得以发展。
使用神经网络技术所获得的利益也不断增加。
然而，随着技术应用和算法的进一步提升和改进，应用技术的合法和道德的问题仍然需要我们去思考和解决。
人工神经网络模型及应用领域分析
人工神经网络模型及应用领域分析人工神经网络（Artificial Neural Network）是一种模拟生物神经网络的智能系统。
它由一系列处理单元，即神经元所组成，能够学习、适应和模拟复杂的非线性关系，具有很强的特征提取与分类能力。
其主要应用于机器学习、人工智能等领域，并在图像识别、预测控制、金融风险分析、医学诊断等方面得到广泛应用。
本文将从人工神经网络模型的原理、种类和应用领域三个方面进行探讨。
一、人工神经网络模型的原理人工神经网络模型由模拟人类神经元构成，其基本结构包括输入层、隐藏层和输出层。
其中输入层接受外部输入信息，隐层是神经网络的核心，通过将输入信息转换为内部状态进行处理，并将处理结果传递给输出层。
输出层将最终结果输出给用户。
举个例子，我们可以将输入层视为人类的五官，隐藏层类比于大脑，而输出层则类比人体的手脚。
人工神经网络各层间的信息传递包括两个过程，即正向传递和反向传递。
正向传递过程是指输入信息从输入层流向输出层的过程，即信息的传递方向是输入层-隐藏层-输出层。
反向传递过程是指通过反向误差传递算法计算并更新神经网络中每个权重的值，从而优化神经网络的过程。
二、人工神经网络的种类人工神经网络主要分为三类，分别是前馈神经网络、递归神经网络和自适应神经网络。
一、前馈神经网络（FNN）前馈神经网络是人工神经网络中最为常见的一类，也是最简单的神经网络类型之一。
其功能类似于单向传导信息的系统，例如生物的视网膜和传感器等。
前馈神经网络只有正向传递过程，而没有反向传递过程。
前馈神经网络常用于分类、识别和预测等领域。
二、递归神经网络（RNN）递归神经网络包括输入层、隐藏层和输出层，但隐藏层的神经元可以连接到之前的神经元，使信息得以传递。
与前馈神经网络不同，递归神经网络可以处理时序性数据、自然语言等。
递归神经网络的应用领域主要是非线性有限时序预测、文本分类、语音识别、图像处理、自然语言处理等。
三、自适应神经网络（ANN）自适应神经网络是一种可以自动调整结构和参数的神经网络，包括自组织神经网络和归纳神经网络。
人工神经网络在医学领域中的应用研究
人工神经网络在医学领域中的应用研究近年来，人工智能技术在各个领域都呈现出了快速的发展势头，其中人工神经网络技术是最为受关注的技术之一。
在医学领域，人工神经网络技术也得到了广泛的应用，在诊断、治疗、预测等方面都取得了显著的成效。
本文将对人工神经网络在医学领域中的应用研究进行探讨。
一、人工神经网络技术的原理人工神经网络技术是以人脑神经系统拓扑结构和工作方式为基础的一种信息处理和计算模型。
它由一个或多个人工神经元组成，以及它们之间的连接和相互作用组成。
它能够通过大量的训练，自动形成拟合能力和分类能力优异的模型，从而对未知数据进行处理和预测。
二、人工神经网络在医学领域中的应用1、医学影像分析医学影像分析是人工神经网络技术在医学领域中的重要应用之一。
通过对大量的医学影像数据进行训练，人工神经网络可以自动识别和分类出不同的疾病图像，并给出相应的诊断结果。
例如，在乳腺癌的早期筛查方面，人工神经网络技术可以通过对乳腺X线照片进行分析，自动识别并分类出正常和异常的图像，从而达到对乳腺癌早期筛查的目的。
2、疾病诊断和预测人工神经网络技术在疾病诊断和预测方面也得到了广泛的应用。
例如，在肺癌诊断方面，人工神经网络可以通过对患者的病历、检查数据等进行训练，自动识别和区分出不同类型的肺癌。
此外，在心血管疾病的预测方面，人工神经网络可以通过对患者历史数据等进行分析，预测患者的心血管疾病发生率和死亡率，从而帮助医生更好地制定治疗方案。
3、药物设计和评估人工神经网络技术在药物设计和评估方面也有着广泛的应用。
在新药物研发阶段，人工神经网络可以通过对大量的化合物数据进行分析，预测新药物的毒性、药效等方面的性质。
此外，在药物治疗效果的评估方面，人工神经网络可以通过对药物治疗过程的数据进行分析，预测治疗效果和副作用。
三、人工神经网络技术在医学领域中的挑战与展望尽管人工神经网络技术在医学领域中取得了明显的成果，但其应用也面临着许多挑战。
首先，相关数据的质量和数量对模型的精度和可靠性有着很大的影响。
05神经网络原理及应用
5.1 概述
5.1.2 人工神经网络的发展
• 第二次高潮期—Hopfield网络模型的出现和人 工神经网络的复苏
– 1984年，Hopfield设计研制了后来被人们称为 Hopfield网的电路，较好地解决了TCP问题，找到了 最佳解的近似解，引起了较大轰动。 – 1985年，Hinton、Sejnowsky、Rumelhart等研究者 在Hopfield网络中引入随机机制，提出了所谓的 Bolziman机。 – 1986年，Rumelhart等研究者独立地提出多层网络的 学习算法—BP算法，较好地解决了多层网络的学习问 题。 – 1990年12月，国内首届神经网络大会在北京举行。
• 训练时，把要教给神经网络的信息（外部输入）作为网 络的输入和要求的输出，使网络按某种规则（称为训练 算法）调节各处理单元间的连接权值，直至加上给定输 入，网络就能产生给定输出为止。 • 这时，各连接权已调接好，网络的训练就完成了。
– 正常操作（回忆操作）
• 对训练好的网络输入一个信号，它就可以正确回忆出相 应输出，得到识别结果。
5.1 概述
5.1.2 人工神经网络的发展
• 反思期—神经网络的低潮
– 1969年，Marvin Minsky和Seymour Papert合著了一本 书“Perception”，分析了当时的简单感知器，指出它 有非常严重的局限性，甚至不能解决简单的“异或”问 题，为Rosenblatt的感知器判了“死刑”。 – 此时，批评的声音高涨，导致了停止对人工神经网络研 究所需的大量投资。 – 不少研究人员把注意力转向了人工智能，导致对人工神 经网络的研究陷入低潮。
5.1.3 人工神经网络的特点
• 人工神经网络的局限性
– 正确的训练数据的收集
人工智能中的神经网络算法
人工智能中的神经网络算法随着科技的发展，人工智能领域中的神经网络算法也越来越受到重视和广泛应用。
神经网络算法最初是模拟神经系统而开发出来的，它通过将大量的数据输入到网络中，通过网络处理后输出结果。
本文将从神经网络算法的基本原理、应用场景及其未来发展进行讨论。
一、神经网络算法的基本原理神经网络算法是一种在计算机系统中对数据的分析、识别和处理的数学模型，它基于神经元之间的连接和激活函数，实现了"人工智能"的目的。
其基本原理是通过对数据的输入和输出进行大量的学习，然后对于新的输入数据，通过模拟神经网络的方式，来预测或识别输出结果。
神经网络算法中最重要的组成部分便是神经元，其模型是一个由"树突"和"轴突"组成的神经细胞。
在神经网络算法中，每一个"节点"被认为是一个神经元，每一个节点都有连接其他节点的输入，同时有一个输出。
神经元之间的连接常常被称作"权重"，这个权重通常定义为一个有数值的矩阵。
一旦输入信号被传递给一个神经元，这个神经元就将输入信号与其连接的所有神经元的权重相乘并求和。
通常还会添加一个"偏置"项，并将这个总和传递给"激活函数"，激活函数对于每一个神经元都不同，在这个函数的作用下，神经元输出一个值，通常为 0 到 1 之间的值。
每一层神经网络都可以通过这种方式与下一层进行连接，最后一层则是输出层。
二、神经网络算法的应用场景神经网络算法在实际应用中具有极其广泛的应用行业，例如医疗、金融、交通、能源、物流、农业等等。
具体的应用场景包括但不限于以下几个方面：1. 预测。
神经网络经常被用来预测用户数据、股票交易、天气预报、自然灾害、疾病诊断、个人信用评级等等。
2. 识别。
神经网络被广泛应用于语音和图象识别，如语音识别、人脸识别、图像分类等等。
3. 控制。
神经网络能够控制各种机器和设备，如机器人、无人驾驶汽车、生产线等等。
人工神经网络的原理和应用
人工神经网络的原理和应用简介人工神经网络（Artificial Neural Network，简称ANN）是一种基于生物神经网络结构和功能的计算模型，它通过模拟神经元之间的相互连接和信息传递来实现智能化的任务处理。
本文将介绍人工神经网络的原理，包括神经元、权重及激活函数的概念，并探讨其在各领域中的应用。
人工神经网络的原理人工神经网络由神经元（Neuron）、权重（Weight）和激活函数（Activation Function）三个核心组件构成。
神经元神经元是人工神经网络的基本单元，它模拟生物神经元的结构和功能。
神经元接受输入信号，通过加权求和和激活函数的运算，产生输出信号。
一个神经网络通常包含多个神经元组成的输入层、隐藏层和输出层。
权重权重表示神经元之间连接的强度，它决定了输入信号对输出信号的影响程度。
在训练过程中，神经网络通过调整权重来逐步优化模型的性能。
权重调整的方法有很多，常见的方法包括梯度下降法、反向传播算法等。
激活函数激活函数对神经元输出信号进行非线性变换，帮助神经网络学习和处理更复杂的数据。
常用的激活函数有sigmoid函数、ReLU函数等，它们可以将输入信号映射到一定的范围内，保证输出结果在合理的区间内。
人工神经网络的应用人工神经网络在各个领域中都有广泛的应用。
图像识别人工神经网络在图像识别领域中发挥重要作用。
通过训练神经网络模型，可以实现图像分类、目标检测、人脸识别等任务。
著名的卷积神经网络（Convolutional Neural Network，简称CNN）就是应用于图像识别领域的一种特殊类型的神经网络。
自然语言处理人工神经网络在自然语言处理领域也得到了广泛应用。
通过训练神经网络模型，可以实现文本分类、情感分析、机器翻译等任务。
循环神经网络（Recurrent Neural Network，简称RNN）和长短期记忆网络（Long Short-Term Memory，简称LSTM）是应用于自然语言处理的常见神经网络模型。
人工神经网络原理及其应用-人工智能导论
人工神经网络原理及其应用1.人工神经网络的概念：人工神经网络是对人脑或生物神经网络若干基本特性的抽象和模拟。
2.生物神经网络：由中枢神经系统（脑和脊髓）及周围神经系统（感觉神经、运动神经等）所构成的错综复杂的神经网络，其中最主要的是脑神经系统。
3.人工神经网络原理：因为人工神经网络是模拟人和动物的神经网络的某种结构和功能的模拟，所以要了解神经网络的工作原理，所以我们首先要了解生物神经元。
生物神经元它包括，细胞体：由细胞核、细胞质与细胞膜组成，轴突是从细胞体向外伸出的细长部分，也就是神经纤维。
轴突是神经细胞的输出端，通过它向外传出神经冲动；树突是细胞体向外伸出的许多较短的树枝状分支。
它们是细胞的输入端，接受来自其它神经元的冲动。
突触是神经元之间相互连接的地方，既是神经末梢与树突相接触的交界面。
对于从同一树突先后传入的神经冲动，以及同一时间从不同树突输入的神经冲动，神经细胞均可加以综合处理，处理的结果可使细胞膜电位升高，对于从同一树突先后传入的神经冲动，以及同一时间从不同树突输入的神经冲动，神经细胞均可加以综合处理，处理的结果可使细胞膜电位升高。
当输入的冲动减小，综合处理的结果使膜电位下降，当下降到阀值时。
细胞进入抑制状态，此时无神经冲动输出。
“兴奋”和“抑制”，神经细胞必呈其一。
人工神经网络的工作原理与生物神经网络原理类似，但却又不相同，其主要是通过建立一些数学模型，去模拟生物神经网络。
4.神经网络的结构：(1)前馈型：本层每个神经元只作用于下一层神经元的输入，不能直接作用于下下一层的神经元，且本层神经元之前不能互相租用。
(2)反馈型：即在前馈型的基础上，输出信号直接或间接地作用于输入信号。
5.神经网络的工作方式：(1)同步（并行）方式：任一时刻神经网络中所有神经元同时调整状态。
(2)异步（串行）方式：任一时刻只有一个神经元调整状态，而其它神经元的状态保持不变。
6.人工神经网络的应用：经过几十年的发展，神经网络理论在模式识别、自动控制、信号处理、辅助决策、人工智能等众多研究领域取得了广泛的成功。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
人工神经网络原理及实际应用摘要：本文就主要讲述一下神经网络的基本原理，特别是BP神经网络原理，以及它在实际工程中的应用。
关键词：神经网络、BP算法、鲁棒自适应控制、Smith－PID本世纪初，科学家们就一直探究大脑构筑函数和思维运行机理。
特别是近二十年来。
对大脑有关的感觉器官的仿生做了不少工作，人脑含有数亿个神经元，并以特殊的复杂形式组成在一起，它能够在“计算＂某些问题（如难以用数学描述或非确定性问题等）时，比目前最快的计算机还要快许多倍。
大脑的信号传导速度要比电子元件的信号传导要慢百万倍，然而，大脑的信息处理速度比电子元件的处理速度快许多倍，因此科学家推测大脑的信息处理方式和思维方式是非常复杂的，是一个复杂并行信息处理系统。
1943年Macullocu和Pitts融合了生物物理学和数学提出了第一个神经元模型。
从这以后，人工神经网络经历了发展，停滞，再发展的过程，时至今日发展正走向成熟，在广泛领域得到了令人鼓舞的应用成果。
本文就主要讲述一下神经网络的原理，特别是BP神经网络原理，以及它在实际中的应用。
1.神经网络的基本原理因为人工神经网络是模拟人和动物的神经网络的某种结构和功能的模拟，所以要了解神经网络的工作原理，所以我们首先要了解生物神经元。
其结构如下图所示：从上图可看出生物神经元它包括，细胞体：由细胞核、细胞质与细胞膜组成；轴突：是从细胞体向外伸出的细长部分，也就是神经纤维。
轴突是神经细胞的输出端，通过它向外传出神经冲动；树突：是细胞体向外伸出的许多较短的树枝状分支。
它们是细胞的输入端，接受来自其它神经元的冲动；突触：神经元之间相互连接的地方，既是神经末梢与树突相接触的交界面。
对于从同一树突先后传入的神经冲动，以及同一时间从不同树突输入的神经冲动，神经细胞均可加以综合处理，处理的结果可使细胞膜电位升高；当膜电位升高到一阀值（约40mV），细胞进入兴奋状态，产生神经冲动，并由轴突输出神经冲动；当输入的冲动减小，综合处理的结果使膜电位下降，当下降到阀值时。
细胞进入抑制状态，此时无神经冲动输出。
“兴奋”和“抑制”，神经细胞必呈其一。
突触界面具有脉冲/电位信号转换功能，即类似于D/A转换功能。
沿轴突和树突传递的是等幅、恒宽、编码的离散电脉冲信号。
细胞中膜电位是连续的模拟量。
神经冲动信号的传导速度在1～150m/s之间，随纤维的粗细，髓鞘的有无而不同。
神经细胞的重要特点是具有学习功能并有遗忘和疲劳效应。
总之，随着对生物神经元的深入研究，揭示出神经元不是简单的双稳逻辑元件而是微型生物信息处理机制和控制机。
而神经网络的基本原理也就是对生物神经元进行尽可能的模拟，当然，以目前的理论水平，制造水平，和应用水平，还与人脑神经网络的有着很大的差别，它只是对人脑神经网络有选择的，单一的，简化的构造和性能模拟，从而形成了不同功能的，多种类型的，不同层次的神经网络模型。
2.BP神经网络目前，再这一基本原理上已发展了几十种神经网络，例如Hopficld模型，Feldmann等的连接型网络模型，Hinton等的玻尔茨曼机模型，以及Rumelhart 等的多层感知机模型和Kohonen的自组织网络模型等等。
在这众多神经网络模型中，应用最广泛的是多层感知机神经网络。
这里我们重点的讲述一下BP神经网络。
多层感知机神经网络的研究始于50年代，但一直进展不大。
直到1985年，Rumelhart等人提出了误差反向传递学习算法（即BP算），实现了Minsky的多层网络设想，其网络模型如下图所示。
它可以分为输入层，影层（也叫中间层），和输出层，其中中间层可以是一层，也可以多层，看实际情况而定。
BP 网络的原理是把一个输入矢量经过影层变换成输出矢量，实现从输入空间到输出空间的映射。
由权重实现正向映射，利用当前权重作用下网络的输出与希望实现的映射要求的期望输出进行比较来学习的。
为减少总误差，网络利用实际误差调整权重。
BP 网络必须要求与输入相对应的希望输出构成训练模式队，因而需要指导学习，BP 网络在结构上具有对称性，网络中的每个输出处理元件基本具有相同的传递函数。
大致的工作原理就如上段所述，但要深入了解我们就先要了解一下BP 网络学习算法——反传学习算法（即BP 算法）。
BP 算法不仅有输入层节点、输出层节点，还可有1个或多个隐含层节点。
对于输入信号，要先向前传播到隐含层节点，经作用函数后，再把隐节点的输出信号传播到输出节点，最后给出输出结果。
节点的作用的激励函数通常选取S 型函数，如Q x e x f /11)(-+=式中Q 为调整激励函数形式的Sigmoid 参数。
该算法的学习过程由正向传播和反向传播组成。
在正向传播过程中，输入信息从输入层经隐含层逐层处理，并传向输出层。
每一层神经元的状态只影响下一层神经元的状态。
如果输出层得不到期望的输出，则转入反向传播，将误差信号沿原来的连接通道返回，通过修改各层神经元的权值，使得误差信号最小。
社含有n 个节点的任意网络，各节点之特性为Sigmoid 型。
为简便起见，指定网络只有一个输出y ,任一节点i 的输出为O i ,并设有N 个样本(x k ,y k )(k =1,2,3,…,N ),对某一输入x k ，网络输出为y k 节点i 的输出为O ik ,节点j 的输入为net jk =∑iikijO W并将误差函数定义为∑=-=N k k k y y E 12)(21)其中k y )为网络实际输出，定义E k =(y k -ŷk )2, k jk jk E net δ∂=∂,且O jk =f (net jk ),于是 ikjkk ij jk jk k ij k O E W E W E net net net ∂∂=∂∂∂∂=∂∂=δjk O ik当j 为输出节点时，O jk =ŷk )net ()(net jk k k jkk k k jk f y y y y E '--=∂∂∂∂=)))δ （1）若j 不是输出节点，则有∑∑∑∑∑∑=∂∂=∂∂∂∂=∂∂∂∂=∂∂'∂∂=∂∂∂∂=∂∂=m i m mj mk mj mk km iik mi jk mk k m jkmkmk k jk k jk jkkjk jk jk k jk k jk W W E O W O E O E O E f O E O O E E δδnet net net net )net (net net因此⎪⎩⎪⎨⎧=∂∂'=∑ik mk ijkm mjmk jk jk O W E W f δδδ)net ( (2)如果有M 层，而第M 层仅含输出节点，第一层为输入节点，则BP 算法为： 第一步，选取初始权值W 。
第二步，重复下述过程直至收敛：a. a. 对于k =1到N a ). 计算O ik , net jk 和ŷk 的值(正向过程)； b ). 对各层从M 到2反向计算(反向过程)；b. 对同一节点j ∈M ,由式(1)和(2)计算δjk ;第三步，修正权值，1111ij E W W W μ∂=-∂, μ>0, 其中Nk k ij ijE EW W ∂∂=∂∂∑。
从上述BP 算法可以看出，BP 模型把一组样本的I/O 问题变为一个非线性优化问题，它使用的是优化中最普通的梯度下降法。
如果把神经网络的看成输入到输出的映射，则这个映射是一个高度非线性映射。
设计一个神经网络专家系统重点在于模型的构成和学习算法的选择。
一般来说，结构是根据所研究领域及要解决的问题确定的。
通过对所研究问题的大量历史资料数据的分析及目前的神经网络理论发展水平，建立合适的模型，并针对所选的模型采用相应的学习算法，在网络学习过程中，不断地调整网络参数，直到输出结果满足要求。
3.实际工程中的应用以上就是BP 神经网络的的基本工作原理，下面我们就来看一下它在实际工程中的应用，在水电厂水质调节系统自适应控制中的应用。
随着我国火电厂高参数大容量机主的投产，对水汽品质和水质工况控制的要求越来越严格。
控制策略是决定水质调节效果的关键。
整个火电厂水质调节系统采用Smith －PID 自适应控制方案，具体控制模型我们就不予考虑，这里就具体BP 神经网络在这一方案中的应用。
由于系统采用PID 算法中由三种控制作用，即互相联系又互相制约，且并不是简单的线性组合，必须用非线性方法在线自适应调整PID 参数，才能保证时变对象的控制效果。
所以在此系统采用BP 神经网络在线整定PID 参数。
所以整个系统结构如下图所示：基于BP 神经网络的Smith-PID 控制系统PID 参数BP 网络整定方法选择如下图所示4—5 —3 结构的BP 网络,在线自学习整定系统Smith 控制系统中控制器Gc(s)的PID 参数,以给定值r(t) 、系统响应值y (t) 、偏差e ( t) 和常数1作为BP 网络的输入,网络的输出为需要整定的PID 参数kp 、ki 和kd 。
PID 参数整定BP 网络结构对于BP 网络输入层,第j 个神经元的输入为(1)j j O x （3）对于BP 网络的隐层,第i 个神经元的状态为(2)(2)(1)0()()()Miij j j Net k w k O k ==∑ （4） 对于第i 个神经元的输出为(2)2()(())i i O k f Net k = （5）式(1) ～式(3) 中, j = 1,2,…M; i = 1,2,… N 。
M 、N 分别为输入层和隐层神经元数; 上角标(1)， (2) ，(3) 分别代表输入层、隐层和输出层。
(2)ij w 为隐层权值, ()f g 为隐层神经元的激发函数, 文中取()tanh()x xx x e e f x x e e---==+，可以实现从输入到输出的任意非线性映射,且输出为连续量。
对于BP 网络输出层第p 个神经元的状态为3(3)(2)0()()()Nppi i i Net k w k O k ==∑ （6） 第p 个神经元的输出为(3)(3)(())p p O g Net k = （7）其中()g g 为输出层神经元激发函数, p = 1,2 ,…, L 。
L 为输出层神经元数, 文中L= 3 , (3)1O 、(3)2O 、(3)3O 分别对应PID 参数的p k 、i k 、d k ，即(3)1()p O k k =、(3)2()i O k k =、(3)3()d O k k = （8） 由于PID 参数p k 、i k 、d k 取非负数，所以取max ()xx x e g x u e e-=+g，其中max u 为S 函数的饱和值，根据实际情况选定。
性能指标取二次型函数21()[()()]2E k r k y k =-，按()E k 对权值的负梯度方向搜索调整，并附加使学习速度足够快且不易产生震荡的动量项，即得到按梯度法修改网络的权值(3)(3)(3)()()(1)()ij pi pi E k w k w k w k ηα∂∆=-+∆-∂ （9） 上式中η为按梯度搜索的步长，亦即学习速率。