双向优化BP神经网络滑模变结构控制方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN112163674A(43)申请公布日2021.01.01(21)申请号201911277360.5(22)申请日2019.12.13(71)申请人哈尔滨理工大学地址150080黑龙江省哈尔滨市南岗区学府路52号(72)发明人吕艳玲张雨辰(51)Int.Cl.G06N3/08(2006.01)G06N3/04(2006.01)G06N3/063(2006.01)权利要求书2页说明书4页附图2页(54)发明名称双向优化BP神经网络滑模变结构控制方法(57)摘要双向优化BP神经网络滑模变结构控制方法，属于神经网络滑模变结构控制领域。本发明以基于BP算法的多层前馈神经网络(BP神经网络)为基础，正向上，在整体使用Sigmoid激励函数的基础上，用具有混沌特性的logistic映射方程替换了少数神经元的激励函数；反向上，通过自适应规则调整神经网络学习率来优化神经网络的学习过程，是为双向优化，进而提高BP神经网络滑模变结构控制的性能；本发明既保留了BP神经网络和滑模变结构控制的优良特性，又在克服神经网络假饱和现象、提高神经网络泛化能力和加快学习过程的前提下，相较于传统的BP神经网络滑模变结构控制，将更有效地削弱滑模变结构控制抖振现象。CN112163674ACN112163674A权利要求书1/2页1.双向优化BP神经网络滑模变结构控制方法，其特征在于：(1)正向优化：将一小部分Sigmoid激励函数替换成logistic映射方程形式的激励函数；(2)反向优化：将学习率λ的值加以规则设为可自适应调整的形式；(3)利用优化的BP神经网络逼近滑动超平面函数与趋近律系数的函数关系值，从而得到双向优化BP神经网络滑模变结构控制的方法。2.根据权利要求1所述双向优化BP神经网络滑模变结构控制方法，其特征在于：在(1)中所述的BP神经网络优化的正向算法为：网络各层神经元的输入-输出映射关系可描述为：其中lj为未进行非线性化处理的输出量，wij为权值(Weight)，Oi为前一层的输出量，θj为偏向(Bias)，通过Sigmoid激励函数函数(用于多数神经元)将输出量进行非线性化处理：通过logistic映射方程形式的激励函数(用于少数神经元)将输出量进行非线性化处理：Oj＝μlj(1-lj)。其中Oj为非线性化后的当前单元的输出量，lj∈(0,1)，3.5699...＜μ≤4。3.根据权利要求1所述双向优化BP神经网络滑模变结构控制方法，其特征在于：在(2)中所述的BP神经网络优化的反向算法为：对于输出层Errj＝Oj(1-Oj)(Tj-Oj)对于隐藏层其中Errj为当前单元的误差量，Tj为输出层单元目标输出量，Errk为前一层单元的误差量，wij′为更新后的权值，θij′为更新后的偏向，λ为学习率，计算出误差后，在进行权值与偏向更新之前，采用学习率λ的值为可自适应调整的方案，该方案如下：其中α∈(1.1,1.3)为增强学习率系数，β∈(0.7,0.9)为减弱学习率系数，权值更新2CN112163674A权利要求书2/2页wij′＝wij+(λ)ErrjOi偏向更新θj′＝θj+(λ)Errj。4.根据权利要求1所述双向优化BP神经网络滑模变结构控制方法，其特征在于：在(3)中所述的根据传统的BP神经网络滑模变结构控制方法，从而得到双向优化BP神经网络滑模变结构控制方法为：以幂次趋近律为例，其可表述为：由趋近律的形式可知，趋近律系数与滑动超平面存在一定函数关系：γ＝K|S|a与逼近趋近律系数与滑动超平面关系函数方式的传统BP神经网络滑模变结构控制方法相同，利用双向优化BP神经网络逼近趋近律系数γ与滑动超平面S的函数关系即可。3CN112163674A说明书1/4页双向优化BP神经网络滑模变结构控制方法技术领域[0001]神经网络滑模变结构控制方法，具体涉及双向优化BP神经网络滑模变结构控制方法。背景技术[0002]神经网络能够提供一种非线性静态映射，它能以任意精度逼近任意给定的非线性关系，因其自身具有自学习的特点，可以有效地解决不确定和复杂的非线性控制系统控制问题，目前已成为智能控制研究的热点之一。[0003]在众多的神经网络结构中，多层前馈神经网络(MFNN)是目前应用最广泛也是最成熟的一种网络结构，多层前馈神经网络的结构如图1所示，该网络由输入层(InputLayer)、输出层(OutputLayer)和至少一个隐藏层(HiddenLayer)组成，各层包含一个或多个神经元，相邻两层神经元之间通过可调权值相连接，且各神经元之间没有反馈，该网络信息传递规则如图2所示，信息由输入层依次向隐藏层传递，直至输出层，每个神经元以加权和(Weightedsum)的形式综合它的全部