![b5b6064a0df866c7be1f917e1064efe7.gif](https://i-blog.csdnimg.cn/blog_migrate/f8a4eb1c45367bbfb5479e9456950459.gif)
目前,在控制领域内神经网络正在稳步地发展,这种发展的动力主要来自3个方面[1]:(1)处理越来越复杂的系统的需要;(2)实现越来越高的设计目标的需要;(3)在越来越不确定的情况下进行控制的需要。
在控制中,应用较多的网络是BP网络,但BP网络存在局部最优问题,并且训练速度慢,效率低。RBF网络在一定程度上克服了这些问题,因此它的研究与应用越来越得到重视。下面将简单介绍RBF神经网络的有关理论,以及其在控制中的应用。
1 RBF神经网络介绍
RBF神经网络(Radial Basis Function Neural Network),即径向基神经网络,由Moody和 Darken在1988年提出,其结构如图1所示,是一种性能良好、具有单隐层的三层前向网络。输入层由信号源节点组成,第二层为隐含层,第三层为输出层。从输入空间到隐含层空间的变换是非线性的,而从隐含层空间到输match出层空间的变换是线性的,隐单元的变换函数是径向基函数,输出层神经元采用线性单元,RBF神经网络是一种局部分布的对中心径向对称衰减的非负非线性函数,已经证明,RBF网络是连续函数的最佳逼近,优于BP网络[2]。
径向基函数有许多种形式,其中最为常用的是高斯核函数:
其中,x是n维输入向量;ci是第i个基函数的中心;σi是平滑参数,决定了第i基函数中心点的宽度;m是感知单元的个数;表示范数,通常取欧式范数。