工业自动化技术讲稿5(人工神经网络与神经网络控制)
工业自动化技术讲稿5人工神经网络与神经网络控制课件
人工神经网络与神经网络控制
胆道疾病病人护理化工企业本质安全 理论实 践及方 法内科 护理学 呼吸系 统总论 概论脾 胃病常 见症状 及治疗 经验偏 瘫截瘫 康复训 练手册 偏执性 精神障 碍品管 圈实践
（2）神经网络控制应用
基于神经网络的特点，神经网络在控制系 统中可充当系统模型、直接做控制器或提供优化 算法。它已被应用到自动控制领域的各个方面， 包括系统建模与辨识、优化设计、预测控制、最 优化控制、自适应控制、容错控制、模糊控制、 专家控制和学习控制等等。
人工神经网络与神经网络控制
胆道疾病病人护理化工企业本质安全 理论实 践及方 法内科 护理学 呼吸系 统总论 概论脾 胃病常 见症状 及治疗 经验偏 瘫截瘫 康复训 练手册 偏执性 精神障 碍品管 圈实践
（1）神经网络控制概念
神经网络控制是研究和利用人脑的某些结构机 理以及人的知识和经验对系统的控制。利用神经网 络，可以把控制问题看成模式识别问题．被识别的 模式是映射成“行为”信号的“变化”信号。神经 控制最显著的特点是具有学习能力。它是通过不断 修正神经元之间的连接权值，并离散存储在连接网 络来实现的。它对非线性系统和难以建模的系统的 的控制具有良好效果。
1943年，生理学家W.S.McCulloch和数学家 W.A.Pitts提出了神经元M-P模型。
1958年，计算机学家Frank Rosenblatt提出了 “感知器”（Perceptron）。
人工神经网络与神经网络控制
胆道疾病病人护理化工企业本质安全 理论实 践及方 法内科 护理学 呼吸系 统总论 概论脾 胃病常 见症状 及治疗 经验偏 瘫截瘫 康复训 练手册 偏执性 精神障 碍品管 圈实践
4神经网络的工作方式及其特点
学习期
工业自动化中的循环神经网络及其应用
工业自动化中的循环神经网络及其应用随着科技的发展，工业自动化对于提高生产效率变得越来越重要。
而循环神经网络是一种广泛应用于自然语言处理和语音识别等领域的人工神经网络，它的应用在工业自动化中也日渐流行起来。
一、工业自动化的需求在工业生产中，许多重复性、繁琐的工作需要智能化的机器人协助完成。
比如说自动化的生产线可以无限复制地执行同一系列的操作，而且相比于人工，机器人工作不受早晚、疲劳、注意力不集中等因素所限制，从而提高了生产效率和质量。
自动化行业中传感器发挥着至关重要的作用，它们可以通过安装在生产线各个位置的传感器，监控生产过程中的各种变量。
传感器可以实时监测温度、湿度、气压等参数值，然后将数据传输到计算机上处理。
二、循环神经网络的基本原理循环神经网络（Recurrent Neural Network，RNN）是一种人工神经网络，是用于处理时序数据的一种神经网络类型。
与前馈神经网络（Feedforward Neural Network，FNN）不同，循环神经网络会保存先前计算的结果，在处理下一个数据时会考虑到前面已经处理的结果。
由于其诸多的优点，如具有时间记忆特性、能够接受任意长度的输入、语言模型表达能力强等，因此在图像处理、文本处理、音频处理等领域都应用广泛。
在循环神经网络中，网络中每个神经元具有向后（或向内）的反馈连接，即每个神经元的输出会被送回到下一时刻的同一神经元，并且输入数据的每个时刻都会加入不同权值的门（Gate），由激活函数进行处理。
这样一来，在处理序列数据时，循环神经网络可以对前面时间点的信息进行处理和累积记忆，从而对当前时间点数据的处理更加精确。
三、循环神经网络在工业自动化中的应用在循环神经网络的应用领域中，工业自动化是一个非常重要的领域。
循环神经网络在物联网中广泛应用，可以处理传感器采集的数据来预测机器的故障、生产线的停机等情况，提前进行维护和保修。
通过预先计划生产线的换线时间、制造瓶颈的流程以及预测需求水平，从而大大提高了生产线的效率。
神经网络控制基础人工神经网络课件ppt课件
其他工业领域应用案例
电力系统
神经网络控制可以应用于电力系统的负荷预测、故障诊断和稳定性 分析等方面，提高电力系统的运行效率和安全性。
化工过程控制
神经网络控制可以对化工过程中的各种参数进行实时监测和调整， 确保生产过程的稳定性和产品质量。
航空航天
神经网络控制在航空航天领域的应用包括飞行器的姿态控制、导航控 制和故障诊断等，提高飞行器的安全性和性能。
05 神经网络控制性能评估与优化
性能评估指标及方法
均方误差（MSE）
衡量神经网络输出与真实值之间的误差，值越小表示性能越好。
准确率（Accuracy）
分类问题中正确分类的样本占总样本的比例，值越高表示性能越好。
交叉验证（Cross-Validation）
将数据集分成多份，轮流作为测试集和训练集来评估模型性能。
强化学习在神经网络控制中应用
强化学习原理
通过与环境进行交互并根据反馈信号进行学习的方法，使神经网络能够自主学习 到最优控制策略。
强化学习算法
包括Q-learning、策略梯度等算法，用于求解神经网络控制中的优化问题，实现 自适应控制。
04 神经网络控制系统设计与实现
系统需求分析
功能性需求
明确系统需要实现的功能，如 数据输入、处理、输出等。
非监督学习
无需已知输出数据，通过挖掘输入数 据中的内在结构和特征进行学习，常 用于聚类、降维等任务。
深度学习在神经网络控制中应用
深度学习模型
通过构建深层神经网络模型，实现对复杂非线性系统的建模与控制，提高控制 精度和性能。
深度学习优化算法
采用梯度下降等优化算法对深度学习模型进行训练，提高训练效率和模型泛化 能力。
神经网络与人工神经网络控制综述
神经网络与人工神经网络控制综述摘要：本文阐述了人工神经网络和神经网络控制的基本概念、特点以及两者之间的关系，着重介绍了人工神经网络的工作原理和神经网络控制技术的应用，并对该技术的发展趋势做出了预测。
关键词：神经元；人工神经网络；神经网络控制；应用Abstract:It expounds the basic concepts, characteristics of the artificial neural network and neural network control and the relationship between them, and the basic principle of artificial neural networks and applications of neural network control technology are emphatically introduced, then the development trend of the technology has been forecasted.Keyword: Nerve Cell; Artificial Neural Networks; Neural Network Control; Application 1 人工神经网络与神经网络控制的基本概念和特点人工神经网络是由大量处理单元互联组成的非线性、自适应信息处理系统。
它是在现代神经科学研究成果的基础上提出的，试图通过模拟大脑神经网络处理、记忆信息的方式进行信息处理。
基于人工神经网络的控制（ANN—based Control）简称神经网络控制（Neural Control）。
[1]1.1人工神经网络1.1.1 生物神经元模型自20世纪40年代，随着神经解剖学、神经生理学以及神经元的电生理过程等的研究取得突破性进展，人们对人脑的结构、组成及最基本工作单元有了越来越充分的认识。
工业自动化中的智能算法与优化
工业自动化中的智能算法与优化工业自动化是指利用各种自动化设备和技术，对工业生产过程中的各种操作进行自动化控制和管理的系统。
随着科技的不断发展，智能算法的应用在工业自动化中变得越来越重要。
智能算法可以通过学习和优化的方式，提高工业生产的效率、质量和稳定性。
本文将介绍工业自动化中的智能算法及其优化应用。
一、智能算法在工业自动化中的应用1. 人工神经网络（Artificial Neural Network，ANN）人工神经网络是一种模拟人脑神经网络行为的计算模型，其结构由神经元和神经元之间的连接组成。
在工业自动化中，人工神经网络可以通过学习大量的历史数据，实现对生产过程中各种参数的预测和优化控制。
例如，通过训练人工神经网络，可以预测产品的质量和故障发生的概率，提前采取相应的措施。
2. 遗传算法（Genetic Algorithm，GA）遗传算法是一种模拟生物进化过程的优化算法。
它通过对候选解进行自然选择、交叉和变异等操作，以求得最优解。
在工业自动化中，遗传算法可以应用于生产调度、物流优化、机器人路径规划等问题。
例如，在生产调度中，通过遗传算法可以找到最佳的生产顺序和时间分配，以最大化产能和降低生产成本。
3. 模糊逻辑控制（Fuzzy Logic Control，FLC）模糊逻辑控制是一种基于模糊推理的控制方法。
它能够处理不确定和模糊的输入，根据一系列模糊规则进行推理，得出相应的控制输出。
在工业自动化中，模糊逻辑控制常用于处理具有模糊性的输入和输出，如温度、压力和湿度等。
例如，在温度控制系统中，模糊逻辑控制可以根据温度的变化趋势和误差程度，自动调整加热或降温的控制策略，实现温度的稳定控制。
二、智能算法优化工业自动化的应用案例1. 生产线优化通过智能算法进行生产线优化可以提高生产效率和降低生产成本。
例如，利用遗传算法对生产线进行优化调度，可以最大限度地减少生产周期和生产成本，提高生产线的利用率。
同时，通过人工神经网络对生产参数进行预测和优化，可以减少人为干预，提高生产过程的稳定性和一致性。
第5章神经网络和神经网络控制ppt课件
激发函数 f (•) 又称为变换函数，它决定神经 元（节点）的输出。该输出取决于其输入之和大 于或小于内部阈值 i 。函数f (•) 一般具有非线性特 性。下图表示了几种常见的激发函数。 1. 阈值型函数（见图（a），（b）） 2. 饱和型函数（见图（c）） 3. 双曲函数（见图（d）） 4. S型函数（见（e）） 5. 高斯函数（见图（f））
25
篮球比赛是根据运动队在规定的比赛 时间里 得分多 少来决 定胜负 的，因 此，篮 球比赛 的计时 计分系 统是一 种得分 类型的 系统
5.2 前向神经网络
5.2.1 感知器网络 感知器是一个具有单层神经元的神经网络，
并由线性阈值元件组成，是最简单的前向网 络。它主要用于模式分类，单层的感知器网 络结构如下图所示。
5.1.1 生物神经元模型
从生物控制论的观点来看，神经元作为控 制和信息处理的基本单元，具有下列一些重要 的功能与特性：
时空整合功能 兴奋与抑制状态 脉冲与电位转换 神经纤维传导速度 突触延时和不应期 学习、遗忘和疲劳
6
篮球比赛是根据运动队在规定的比赛 时间里 得分多 少来决 定胜负 的，因 此，篮 球比赛 的计时 计分系 统是一 种得分 类型的 系统
篮球比赛是根据运动队在规定的比赛 时间里 得分多 少来决 定胜负 的，因 此，篮 球比赛 的计时 计分系 统是一 种得分 类型的 系统
推荐课后阅读资料
Simon Haykin.神经网络的综合基础(第 2版). 清华大学出版社,2019
Martin T.Hagan.神经网络设计.机械工 业出版社,2019
23
篮球比赛是根据运动队在规定的比赛 时间里 得分多 少来决 定胜负 的，因 此，篮 球比赛 的计时 计分系 统是一 种得分 类型的 系统
人工神经网络讲稿ppt课件
举例：2-3岁小孩能够从人群中认出父母、3-4岁能够顺利地穿过十字路 口，但最先进机器人也难以完成这项任务。
因而模仿人类思维方式能够提升机器人能力
人工神经网络讲稿
5/40
1.2 神经细胞与生物神经网络
1. 神经网络
组织形式 大脑中大约有100亿个神经元，它们相互连接，形成一个复杂庞大网络
系统。所以大脑结构是一个神经（元）网络。 依据预计，每个神经元大约与上千个神经元相互连接。 大脑所形成神经网络是由一些小网络连接而成。依据预计，全部神经元
层次结构：神经元联接按层次排列。 模块结构：主要特点是将整个网络按功效划分为不一样模块，每个模块 内部神经元紧密互联，并完成各自特定功效，模块之间再互联以完成整体功 效； 层次模块结构：将模块结构和层次结构结合起来，使之更靠近人脑神经 系统结构，这也是当前为人们广泛注意一个新型网络互联模式。 依据网络中神经元层数不一样，可将神经网络分为单层网络和多层网络； 依据同层网络神经元之间有没有相互联接以及后层神经元与前层神经元有 没有反馈作用不一样，可将神经网络分为以下各种。
Hopfield网络和BP算法出现，使得人工神经研究出现了复兴。因为人 工神经网络在信息处理方面优点，使得大批学者加入到了这一研究领域， 掀起了神经网络研究新高潮。
人工神经网络讲稿
13/40
4. 全方面发展时期（1987-现在） 1987年在美国召开了第一届国际神经网络学术大会，并宣告成立了
国际神经网络学会，与会代表1600多人。这次大会也宣告了神经网络 学科诞生。神经网络研究进入了一个转折点，其范围不停扩大，领域 几乎包含各个方面。神经网络应用使工业技术发生了很大改变，尤其 是在自动控制领域有了新突破。
互制约，从而能够将层内神经元分为几组，让每组作为一个整体来动作。
人工神经网络讲稿ch
4.1 E=0;
07.07.2020
15
算法4-1 基本BP算法
4.2 对S中的每一个样本（Xp,Yp）： 4.2.1 计算出Xp对应的实际输出Op； 4.2.2 计算出Ep； 4.2.3 E=E+Ep； 4.2.4 根据相应式子调整W(L)； 4.2.5 k=L-1；
的输入参数 • 在调试阶段，最外层循环内，加一层控制，
以探测网络是否陷入了局部极小点
07.07.2020
26
4.5 算法的理论基础
• 基本假设
–网络含有L层
–联接矩阵： W(1) ，W(2) ，…，W(L)
–第k层的神经元：Hk个 –自变量数： n*H1+H1*H2+H2*H3+…+HL*m –样本集： S={ (X1,Y1),(X2,Y2),…,(Xs,Ys)}
第4章 BP网络
• 主要内容：
– BP网络的构成 –隐藏层权的调整分析 – Delta规则理论推导 –算法的收敛速度及其改进讨论 – BP网络中的几个重要问题
• 重点：BP算法 • 难点：Delta规则的理论推导
07.07.2020
1
4.1 概述
1、BP算法的出现
非循环多级网络的训练算法 UCSD PDP小组的Rumelhart、Hinton和Williams1986年 独立地给出了BP算法清楚而简单的描述 1982年，Paker就完成了相似的工作 1974年，Werbos已提出了该方法
估计输出层的直接前导层的误差，再用输出层前 导层误差估计更前一层的误差。如此获得所有其 它各层的误差估计，并用这些估计实现对权矩阵 的修改。形成将输出端表现出的误差沿着与输入 信号相反的方向逐级向输入端传递的过程
人工神经网络电子讲稿
2020/6/30
21
1.3.2 第一高潮期（1950~1968）
• 以 Marvin Minsky ， Frank Rosenblatt ， Bernard Widrow等为代表人物，代表作是 单级感知器（Perceptron）。
人工神经网络
Artificial Neural Networks
2020/6/30
1
课程目的和基本要求
• 作为人工神经网络的入门课程，用于将学 生引入人工神经网络及其应用的研究领域。
• 介绍人工神经网络及其基本网络模型，使 学生
–了解智能系统描述的基本模型
–掌握人工神经网络的基本概念、单层网、多层 网、循环网等各种基本网络模型的结构、特点、 典型训练算法、运行方式、典型问题
通用模型和算法。
• 4）进一步对生物神经系统进行研究，不断地丰富 对人脑的认识。
2020/6/30
27
第2章 人工神经网络基础
2.1 生物神经网 2.2 人工神经元 2.3 人工神经网络的拓扑特性 2.4 存储与映射 2.5 人工神经网络的训练
2020/6/30
28
1、构成
2.1 生物神经网
枝蔓（Dendrite）
20
1.3 历史回顾
• 1.3.1 萌芽期（20世纪40年代）
• 人工神经网络的研究最早可以追溯到人类 开始研究自己的智能的时期，到1949年止。
• 1943年，心理学家McCulloch和数学家Pitts 建立起了著名的阈值加权和模型，简称为 M-P 模 型 。 发 表 于 数 学 生 物 物 理 学 会 刊 《Bulletin of Methematical Biophysics》
人工神经网络讲稿文稿演示
能进行信息综合 能产生渐次变化的传送 有电接触和化学接触等多种连接方式 会产生延时激发。
➢ 目前，人工神经网络的研究仅仅是对神经元的第一种行为 和突触的第一种行为进行模拟，其它行为尚未考虑。
2生物神经元 2.1神经元的兴奋与抑制 2.2神经元的信息传递及阀值特性 2.3神经元的信息综合特性
➢ 突触的存在说明：两个神经 元的细胞质并不直接连通， 两者彼此联系是通过突触这 种结构接口的。有时．也把 突触看作是神经元之间的连
接。
2生物神经元
➢ 目前，根据神经生理学的研究，已经发现神经元及其间的 突触有4种不同的行为。神经元的4种生物行为有：
能处于抑制或兴奋状态； 能产生爆发和平台两种情况 能产生抑制后的反冲 具有适应性。
图2-3.神经元的兴奋过程电位变化
3神经元的数学模型
从神经元的特性和功能可以知道，神经元是一个 多输入单输出的信息处理单元，而且，它对信息 的处理是非线性的。根据神经元的特性和功能， 可以把神经元抽象为一个简单的数学模型。
Xi ——输入 Wi ——权值，表示连接强度
Wi Xi ——激活值
——阈值
O——输出
O f (Wi Xi )式中f(•)表示激活函数或输出函数
3神经元的数学模型
❖W—权矢量（weight vector） ❖X—输入矢量（input vector）
W
W 1
W
2
X
X 1
X
2
f( W T X ) 激 活 函 数 （ a c t i v a t i o n f u n c t i o n ） W
4.人工神经网络
人工神经网络的定义：
人工神经网络是一个并行，分布处理结构，它由处理单元及称为联接 的无向信号通道互连而成。这些处理单元(PE——Processing Element)具有局部内存，并可以完成局部操作、每个处理单元有一个单 一的输出联接，这个输出可以根据需要被分支成希望个数的许多并行联接， 且这些并行联接都输出相同的信号，即相应处理单元的信号，信号的大小 不因分支的多少而变化，处理单元的输出信号可以是任何需要的数学模型， 每个处理单元中进行的操作必须是完全局部的。也就是说，它必须仅仅依 赖于经过输入联接到达处理单元的所有输入信号的当前值和存储在处理单 元局部内存中的值。
- 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)。
人工神经网络与神经网络控制
（2）训练神经网络的基本步骤
产生数据样本集
包括原始数据的收集、数 据分析、变量选择以及数据 的预处理等 如选择 BP 网，就要确定网 络的结构和参数，如：层数， 每层结点数、初始权值 其目的在于找到蕴涵在样 本数据中的输入和输出间的 本质关系，从而对未经训练 的输入也能找到合适的输出， 即具备泛化能力。
人工神经网络与神经网络控制
确定网型与结构
训练和测试
（3） 神经网络特点
自适应性 泛化功能 非线性映射功能 高度并行处理信息 这些特点显示了神经网络在解决高度非线性和 严重不确定性系统的控制方面具有很大潜力。将神 经网络引入控制系统是控制学科发展的必然趋势。
人工神经网络与神经网络控制
5 神经网络的设计开发过程
人工神经网络与神经网络控制
7 神经网络控制
20世纪80年代以来，工业生产向着大型、连 续、综合化方向发展，控制系统也变的越来越复 杂。自动控制工作面临着两大挑战，一是控制对 象越来越复杂存在多种不确定性以及难以确切描 述的非线性特征；二是控制任务要求越来越高， 往往是多层次多目标的控制要求。为此，人们必 须建立新的理论和方法，从而导致了神经网络控 制的产生，而神经网络的自适应、分布式存储等 特点正好为上述问题解决了一条新途径，在自动 控制领域展现出广阔的应用前景。
人工神经网络与神经网络控制
1 人工神经网络概述
人们以模仿人脑神经网络的信息表示、存储和 处理机制为基础，设计全新的计算机处理结构模型， 这也就促进了人工神经网络（ artificial neural networks 简称NN）的研究与应用。 人工神经网络就是由多个简单的并行工作的处 理单元彼此以某种方式互连组成的系统。它模拟人 类大量脑细胞的高度连接，当有输入信号将神经元 激活时，经过神经回路产生输出。
模糊控制器 （逻辑推理功能）
模 糊 神 经 网 络
人工神经网络与神经网络控制
4神经网络的工作方式及其特点
神经元的连接权值通过得到相应的输出
人工神经网络与神经网络控制
（1）人工神经网络学习
人工神经网络学习就是通过对样本的学习 训练，不断改变网络连接权值和扩扑结构以使 网络的输出不断的接近期望的输出，其实质就 是连接权值的动态调整。神经网络的学习算法 很多，如BP算法。
人工神经网络与神经网络控制
（3）复兴时期
1982年，物理学家John.J.Hopfield提出了 Hopfield网络； 1986年，贝尔实验室利用Hopfield理论在硅 片上制成了硬件神经计算机网络； 1988年，《并行分布式处理》一书发展了多 层感知机的反向传播训练方法。
人工神经网络与神经网络控制
人工神经网络与神经网络控制
2 人工神经网络发展
启蒙时期 低潮时期
复兴时期 新时期
人工神经网络与神经网络控制
（1）启蒙时期
1890年，心理学家W.Jams关于人脑结构与功 能的研究。 1943年，生理学家W.S.McCulloch和数学家 W.A.Pitts提出了神经元M-P模型。 1958年，计算机学家Frank Rosenblatt提出了 “感知器”（Perceptron）。
人工神经网络与神经网络控制
（1）前馈神经网络
这是现行控制方案中采用的最多的神经网络网型。 前馈神经网络又包括BP、PID神经元、RBF径向基函数 神经网络。
人工神经网络与神经网络控制
（2）模糊神经网络
模糊神经网络控制技术是神经网络集成控制 技术的精华，现在已成为一个研究热点 。
神经网络控制器 （学习能力）
人工神经网络与神经网络控制
3 人工神经网络模型
Ø X1 X2
-1 . . . . . .
W1 W2 Wn
Σ
f（）
Y
Xn
神经元M-P模型
神经元输入输出关系：
n Y f W i Xi i 1
人工神经网络与神经网络控制
3 人工神经网络模型
人工神经网络是由多个神经元构成的一个并 行和分布式信息处理网络结构。 神经网络模型的种类繁多，有前馈神经网络、 反馈神经网络、自组织神经网络、模糊神经网络 等。
人工神经网络与神经网络控制
（2）低潮时期
1969年，人工智能的创始人M.Minsky和 S.Paper发表了《感知器》一书。书中指出，简 单的神经网络只能运用于线性问题的求解，能够 求解非线性问题的网络应具有隐层，而从理论上 不能证明将感知器模型扩展到多层网络是有意义 的。这一悲观论点极大地影响了人工神经网络的 研究，开始了神经网络发展史上长达10年的低潮 时期。
人工神经网络与神经网络控制
1 人工神经网络概述
现代计算机有很强的数值计算、逻辑运算和 信息处理能力，极大地扩展了人的脑力，但它对 模式识别、感知等问题的能力却远不如人，特别 是它只能按照事先编好的程序机械的执行，缺乏 向环境学习，适应环境的能力。人脑的工作方式 与计算机是不同的。人脑是由大量基本单元（即 神经元）经过复杂的互相连接而成的一种高度复 杂的、非线形的、并行处理的信息处理系统。
系统需求分析 神经网络结构描述
选择 训练 和测 试数 据
抽取 数据 特征 和预 处理
产生网络可执行代码
训练和测试网络
将神经网络并入系统
人工神经网络与神经网络控制
6 人工神经网络的应用
模式识别 如癌细胞识别、油气藏检测、电力变压器故障检测 等。 控制与优化 如温度控制、液压位置伺服系统控制、机器人运动 控制等。 金融预测及管理 如股票市场预测、保险业风险评估。 通信 如路由选择。
（4）新时期
1987年，首届国际神经网络学术会议召开，标 志着世界范围内掀起神经网络开发研究的热潮。 神经网理论已成为涉及神经生理科学、认识科 学、数理科学、心理学、信息科学、计算机科 学、微电子学、光学、生物电子学等多学科交 叉、综合的前沿科学。 许多国家在神经网络计算机的硬件实现方面也 取得了一些成绩。
人工神经网络与神经网络控制
陆宝春
2005年11月
人工神经网络与神经网络控制
1 人工神经网络概述 2 人工神经网络发展 3 人工神经网络模型 4 神经网络的工作方式及其特点 5 神经网络的设计开发过程 6 人工神经网络的应用 7 神经网络控制 8 净水厂最佳投药量的神经网络控制系统 9 神经网络控制中有待解决的问题 10 人工神经网络的发展方向