2、理學、語言學等多種學科互相滲透而發(fā)展起來的一門綜合性學科。從計算機應用系統(tǒng)的角度出發(fā)，人工智能是研究如何制造出人造的智能機器或智能系統(tǒng)，來模擬人類智能活動的能力，以延伸人們智能的科學。傳統(tǒng)人工智能的研究開始于1956年，致力于以語言或符號規(guī)則的形式來表達和模擬人類的智能行為，主要目標是應用符號邏輯的方法模擬人的問題求解、推理和學校等方面的能力。由于知識獲取和表示是復雜而艱巨的任務，符號運算限制了傳統(tǒng)人工智能理論的應用領域，更多的研究開始轉向模仿產(chǎn)生自然智能的生物機制，從而也彌補了符號機制的缺點。20世紀80年代在傳統(tǒng)人工智能理論發(fā)展
3、出現(xiàn)停頓而人工神經(jīng)網(wǎng)絡理論出現(xiàn)新的突破時，基于結構演化的人工智能理論——計算智能理論迅速成為人工智能研究的主流。計算智能以連接主義的思想為主，并與模糊數(shù)學和迭代函數(shù)系統(tǒng)等數(shù)學方法相交叉，形成了眾多的發(fā)展方向。它的主要方法有模糊邏輯、神經(jīng)網(wǎng)絡、遺傳算法、遺傳程序、演化程序、人工免疫系統(tǒng)、人工生命、生態(tài)計算、DNA軟計算、局部搜索等。計算智能的這些方法具有自學習、自組織、自適應的特征，以及簡單、通用、魯棒性強、適于并行處理的優(yōu)點，在并行搜索、聯(lián)想記憶、模式識別、知識自動獲取等方面得到了廣泛的應用。1.2常用的神經(jīng)網(wǎng)絡模型神經(jīng)網(wǎng)絡是由大量
4、人工神經(jīng)元廣泛互聯(lián)而成的網(wǎng)絡。它是在現(xiàn)代神經(jīng)生物學和認識科學對人類信息處理研究的基礎上提出來的，具有很強的自適應性、自學習能力、非線性映射能力、魯棒性和容錯能力等。隨著神經(jīng)網(wǎng)絡應用研究的不斷深入，新的神經(jīng)網(wǎng)絡模型也不斷地推出，現(xiàn)有的神經(jīng)網(wǎng)絡模型已達近百種。在智能控制領域中，基于神經(jīng)網(wǎng)絡的控制系統(tǒng)被越來越多地應用于控制領域的各個方面。不同的神經(jīng)網(wǎng)絡有不同的特點和適用范圍。實踐中常用的基本神經(jīng)網(wǎng)絡模型有：感知器神經(jīng)網(wǎng)絡、線性神經(jīng)網(wǎng)絡、自組織神經(jīng)網(wǎng)絡、反饋網(wǎng)絡、BP神經(jīng)網(wǎng)絡、徑向基神經(jīng)網(wǎng)絡等。感知器模型簡單易于實現(xiàn)，缺點是僅能解決線性可分
5、問題。線性神經(jīng)網(wǎng)絡只能反應輸入和輸出樣本向量空間的線性映射關系，目前線性神經(jīng)網(wǎng)絡在函數(shù)擬合、信號濾波、預測、控制等方面有廣泛的應用。但本題中的函數(shù)是一個非線性函數(shù)，所以這兩種網(wǎng)絡結構不能使用。自組織神經(jīng)網(wǎng)絡的映射過程是通過競爭學習完成的。所謂競爭學習是指同一層神經(jīng)元之間相互競爭，競爭勝利的神經(jīng)元修改與其連接的連接權值的過程。競爭學習是一種無監(jiān)督學習方法，網(wǎng)絡根據(jù)輸入樣本的特性進行自組織映射，從而對樣本進行自動排序和分類。反饋網(wǎng)絡中，信息在前向傳遞的同時還要進行反向傳遞，這種信息的反饋可以發(fā)生在不同網(wǎng)絡層的神經(jīng)元之間，也可以只局限于某
6、一層神經(jīng)元上。由于反饋網(wǎng)絡屬于動態(tài)網(wǎng)絡，只有滿足了穩(wěn)定條件，網(wǎng)絡才能在工作了一段時間之后達到穩(wěn)定狀態(tài)。BP神經(jīng)網(wǎng)絡通常指的是基于誤差反向傳播算法的多層前向神經(jīng)網(wǎng)絡，其學習過程分為兩個階段：第一階段（正向計算過程）由樣本選取信息從輸入層經(jīng)隱含層逐層計算各單元的輸出值；第二階段（誤差反向傳播過程）由輸出層計算誤差并逐層向前算出隱含層各單元的誤差，并以此修正前一層權值。它一般具有一個或者多個隱層，隱層神經(jīng)元一般采用sigmoid型的傳遞函數(shù)，而輸出層一般采用pureline型的傳遞函數(shù)。理論已經(jīng)證明，當隱層神經(jīng)元數(shù)目足夠多時，可以以任意精
7、度逼近任何一個具有有限個斷點的非線性函數(shù)。這一特點使得BP神經(jīng)網(wǎng)絡在函數(shù)逼近、模式識別、數(shù)據(jù)壓縮等領域有著更為廣泛的應用，事實上，目前實際應用的90％的神經(jīng)網(wǎng)絡系統(tǒng)都是基于BP算法的。徑向基函數(shù)網(wǎng)絡與BP網(wǎng)絡相比學習速度比較快，網(wǎng)絡的函數(shù)逼近能力、模式識別能力以及分類能力都大大優(yōu)于BP網(wǎng)絡，但是徑向基網(wǎng)絡的缺點是當輸入樣本很多的時候，網(wǎng)絡十分龐大，計算復雜，因此不適合用于訓練樣本過多的情況。2BP神經(jīng)網(wǎng)絡設計2.1基于BP神經(jīng)網(wǎng)絡的函數(shù)逼近設計思路本題要求設計一個能很好逼近給定的多輸入多輸出函數(shù)的神經(jīng)網(wǎng)絡，要求輸入值在區(qū)間（1,5）
8、內(nèi)。作為一種傳統(tǒng)的表達方式，神經(jīng)網(wǎng)絡可用來建立系統(tǒng)的輸入輸出模型。它們或者作為被控對象的正向或逆動力模型，或者建立控制器的逼近模型，或者用以描述性能評價估計器。對于一個系統(tǒng)的輸入輸出模型，神經(jīng)網(wǎng)絡具有很好的逼近能力。本題采用BP神經(jīng)網(wǎng)
