神经网络学习规则篇1
人工神经网络是由大量的简单基本元件-神经元相互联接而成的自适应非线性动态系统。每个神经元的结构和功能比较简单，但大量神经元组合产生的系统行为却非常复杂。人工神经网络的基本结构模仿人脑，反映了人脑功能的若干基本特性，能够自身适应环境、总结规律、完成某种运算、识别或过程控制。人工神经网络具有并行处理特征，可以大大提高工作速度。
人工神经网络的特点和优越性，主要表现在三个方面：
第一，具有自学习功能。
第二，具有联想存储功能。
第三，具有高速寻找优化解的能力。
1 神经网络的学习方法
神经网络的学习也称为训练，指的是神经网络在外界环境的刺激作用下调整网络自由参数，并以新的方式来响应外部环境的过程。能够从环境中学习并在学习中提高自身性能是神经网络最有意义的性质。理想情况下，神经网络在每一次重复学习后，对它的环境有了更多的了解。
（1） 监督学习（有教师学习）
在学习时需要由教师提供期望输出，通常神经网络对于周围的环境未知而教师具有周围环境的知识，输入学习样本，教师可以根据自身的知识为训练样本提供最佳逼近结果，神经网络的自由参数在误差信号的影响下进行调整，其最终目的是让神经网络模拟教师。
（2） 非监督学习（无教师学习）
它也称为自组织学习，系统在学习过程中，没有外部教师信号，而是提供给一个关于网络学习性质的度量，它独立于学习任务，以此尺度来逐步优化网络，一旦网络与输入数据的统计规律达成一致，那么它将发展形成用于输入数据编码特征的内部表示能力，从而自动创造新的类别。
（3）强化学习（激励学习）
在强化学习系统中，对输入输出映射的学习是通过与外部环境的不断交互作用来完成学习，目的是网络标量函数值最小，即外部环境对系统输出结果只给出评价信息（奖或罚）而不是给出正确答案，学习通过强化那些受奖的动作来改善自身性能。
神经网络针对学习问题修改网络自由参数的过程称为学习规则（学习算法），设计学习规则的目的是训练网络来完成某些任务，没有一个独特的学习规则可以完成所有的学习任务。神经网络有5个基本的学习规则：误差–修正学习，基于记忆的学习，Hebb学习，竞争学习，随机学习。
2 神经网络的研究趋势
（1） 利用神经生理与认知科学研究大脑思维模式及智能机理过程
深入研究神经网络理论神经网络在一定程度上揭示人类智能和了解人脑的工作方式，由于人类对神经系统的了解非常有限，而且对其自身脑结构及其活动机理的认识不完善，故而神经网络只能是模仿人脑的局部功能，而对人脑作为一个整体的功能解释，神经网络起不到任何作用。神经科学，心理学和认识科学等方面提出的一些重大问题，是向神经网络理论研究提出的新挑战，这些问题的解决有助于完善和发展神经网络理论，因此利用神经生理和认知科学研究大脑思维及智能机理，如有新的突破将会改变智能和机器关系的认识。
（2） 神经网络领域的数学研究趋于重要
随着神经科学基础理论研究的深入，用数理方程探索智能水平更高网络模型将是研究的趋势所在，神经元以电为主的生物过程在认识上一般采用非线性动力学模型，其动力演变过程往往是非常复杂的，神经网络这种强的生物学特征和数学性质，要求有更好的数学手段，而对于神经网络这样非线性模型，需要用数学方法研究网络新的算法和网络性能，如稳定性、收敛、容错性、鲁棒性等，开发新的网络数理理论，如神经动力学、非线性神经场等。研究人员断言一种更简洁、更完善和更有效的非线性系统表达与分析的数学方法是这一领域主要目标之一。
（3） 神经网络软件模拟、硬件实现的研究以及神经网络在各个科学技术领域应用的研究
目前，数字计算机在计算方面的能力已远远超出入的大脑，但在自然语言理解、图像辨识、信息处理等方面都显得笨拙，原因是基于冯・偌依曼思想的计算机结构及其运算方式与人的大脑有本质的区别，而神经计算机（第六代计算机）以神经网络为理论基础，用于模拟神经网络，具有自学习、自组织和自适应能力，能更有效地处理复杂问题，其实现过程用光学、生物芯片的方式，现在光学神经计算机和分子计算机的研究是神经网络的前沿课题。
（4） 神经网络和其它算法结合的研究
神经网络和其它算法的结合和交叉，研究新型神经网络模型也是发展方向之一。如神经网络和模糊逻辑结合，建立模糊神经网络；将混沌理论和神经网络结合建立混沌神经网络；将遗传算法和神经网络结合；利用遗传算法优化神经网络的结构或权值；将小波分析和神经网络结合建立小波神经网络；专家系统，贝叶斯学习以及粗糙集理论和神经网络结合等，这些都是神经网络研究的热点。
3 结束语
神经网络虽已在许多领域应用中取得了广泛的成功，但其发展还不十分成熟，还有一些问题需进一步研究。比如：神经计算的基础理论框架以及生理层面的研究仍需深入；新的模型和结构的研究；神经网络的可理解性问题；神经网络技术与其他技术更好的结合等。
今后的研究应在充分利用神经网络优点的基础上，关注各个领域的新方法、新技术，发现它们之间的结合点，取长补短，并进行有效的融合，从而获得比单一方法更好的效果。除此之外，还应当加强神经网络基础理论方面的研究和在实际应用方面的研究，使其在工程应用中进一步发挥越来越大的作用，应用领域越来越广，应用水平越来越高！
神经网络学习规则篇2
关键词:智能化 交流电机 控制
中图分类号:文献标识码:A文章编号:1007-9416(2010)05-0000-00
引言
交流传动代替直流传动已成为不可逆转的趋势,由于交流电机的非线性多变量耦合性质,其控制策略的研究引起很多学者的兴趣。从控制原理和电动机模型出发,基于稳态模型的控制策略和基于动态模型的控制策略研究已经进入实用阶段,有些控制方法已经非常成熟。但是从本质上看,交流电动机还是非线性多变量系统,应该在非线性控制理论的基础上研究其控制策略,才能真正揭示问题的本质。非线性反馈解耦与精确线性化控制,基于无源性的能量成型非线性控制,基于逐步后推设计方法的非线性控制等等;虽然在理论上成果累累, 但由于它们的共同基础是已知参数的电机模型,参数的变化仍不可避免地要影响控制系统的鲁棒性。滑模变结构控制能使控制效果与被控对象的参数和扰动无关, 因而使系统具有很强的鲁棒性;它本质上是一种开关控制, 在系统中不可避免地带来“抖动”问题, 如何消弱抖动又不失强鲁棒性, 是目前需要研究的主要问题。近年来受到控制界十分重视的智能控制, 由于它能摆脱对控制对象数学模型的依赖,已成为众所瞩目的解决鲁棒性问题的重要方法。下面就交流传动中常用的智能控制策略进行梳理,对比分析他们的特点。
1 模糊控制
模糊控制是一种典型的智能控制方法,它不依赖被控对象的数学模型,可以克服非线性因素,对被调节对象的参数具有较强的鲁棒性,通常根据速度的误差信号和误差信号的微分设计在线调整系数或者结构的PID控制器,调整的策略采用模糊控制的原理。还有学者把模糊控制器的输出直接变为控制量,从仿真曲线来看,都取得了一定的效果。
由于常规模糊控制的控制规则一旦确定则无法改变,且存在稳态误差,对于控制性能较高的交流传动系统,常规模糊控制则无法胜任。自调整模糊方法根据系统性能指标调整比例因子,再根据误差E和误差变化EC修改规则因子
根据典型阶跃响应曲线,确定在系统不同运行阶段输出量U的控制规则。修正 自调整公式。修正 自调整公式。
但是这种方法在粗调比例因子 中,对数量级因子 要求过高若该值过大,系统易超调,过小调整次数相应增加,故应根据实际系统调整为一个适当的值,需经过反复。
模糊控制的最大优点是不依赖被控对象的数学模型,缺点是隶属度函数及控制规则必须经过反复精心整定,使得控制精度不高,由于控制规则经整定后就不再改变,当对象发生漂移时,不能进行有效调整,从而限制了自适应能力。人工神经网络具有很好的学习能力和准确的拟和非线性函数的能力模糊控制和神经网络相结合能克服这些缺点。
基于神经网络的模糊控制器实质是用BP网络表示模糊控制规则,模糊规则经过神经元网络的学习,以“权值”的形式体现出来,规则的生成和修正就可以转化为权值的初始确定和修改,在此基础上进行离线学习和在线学习。其缺点:虽然可以调整控制规则,但是由于神经网络学习速度的限制,导致系统有一定的滞后。
模糊控制在应用通常有以下的方法和趋势:
(1)参数自调整模糊控制
比例因子自适应调整法是根据e,ec的大小变化,不断修改其量化因子GE,GEC和控制量u的比例因子GU.
(2)将模糊控制与传统控制相结合,根据误差的大小,来选择不同的控制方式。
(3)与其它智能控制相结合。如神经网络,遗传算法,通过其他智能控制的特点来修改控制规则,适应系统实际的需要。
2 神经网络
采用基于BP学习算法的神经网络代替PID控制器发挥作用,它在输入端得到误差信号,误差经过处理后,分别做为比例项,积分项,微分项输入到神经网络。经过初始权计算后,在输出层得到一个输出信号提供给被控电机。电机输出经反馈到输入端与期望值比较后,得到新的误差信号,这个误差信号,以部分用于修正权值,以部分供给神经网络控制器作为修正权值,利用它重新计算得到一个新的输出,直到系统稳定。该方法代替原有PID控制方案,自适应特性良好,但结构规模较大,算法复杂,应用成本较高。
改进方法:BP+PID控制。输入提供给常规PID和神经网络控制器,根据被控对象的实际输出与期望值比较而得到的偏差,二者进行切换,送给电机做输入。该方法代替原有PID控制方案,自适应特性良好,但结构规模较大,算法复杂,应用成本较高。
单神经元是神经网络的最基本结构,在神经网络控制中,单神经元是最基本的控制单元。目前由于缺乏相应的足够快的硬件支持,大规模神经网络用于解决实时控制问题,速度难以满足需要,因此用单神经元构成控制器引起了控制学者的广发兴趣。
采用联想式学习规则将Hebbian学习和监督式学习相结合,通过关联搜索对未知的外界作出反映和作用。所以神经元方法的应用主要有以下特点:
(1)人工神经网络自适应控制
用人工神经网络代替传统的PID或PI控制器,这种控制器充分利用了神经元的自学习功能,在运行中根据被控对象特性的变化,对神经元的权值进行在线调整,使得整个控制器能得到PID控制的特性。其中算法有无监督的Hebb学习规则,有监督的Delta学习规则和有监督的Hebb学习规则。
(2)人工神经网络参数辨识和估计
如基于BP,神经网络和RBP神经网络和基于CMAC
(3)复合智能控制
将人工神经网络与其它智能方法结合,如迷糊控制,充分利用两者的优点控制系统的运行。加入遗传算法改进神经网络中的权值,适应系统变化。《遗传算法的神经网络在交流调速系统中的应用》
将人工神经网络与传统控制方法结合,如根据误差信号的大小。在线切换控制器,可以使系统具有更好的鲁棒性和自适应性。
但其中也有缺点:
(1)单神经元的在线自学习需要一定的时间,其权值调整有一个过程,导致系统的启动时间稍长。
(2)由于增益K不具备在线学习调整的功能,因此对于调速范围很宽的系统,难以保证在整个调速范围内都能够达到很好的调速性能。
3 遗传算法
由于遗传算法的快速全局收敛性以及增强式学习等性能,使其比常规的PI控制器及原有模糊控制器具有明显的优越性。基于遗传算法的自适应PI控制器主要原理是:遗传算法用作在线估计,控制信号由常规的PI控制器发出。先用遗传算法对原有PI参数进行离线优化,然后接入控制系统,一方面实时地给出最佳的PI参数,另一方面还要继续学习,不断的调整PI参数,以适应被控对象的变化。基于遗传算法的应用特点如下:
(1)遗传算法作为一种参数自寻优控制方法,可与传统方法相结合,在线调整控制器的参数,跟踪系统响应,提高控制精度。
(2)与其他智能控制方法相结合。如与模糊控制相结合,利用遗传算法寻的比例因子,规则因子或隶属度函数的最优值。与神经网络相结合,改变权值,适应系统的变化。
(3)提高遗传算法的计算精度可以与各种算法相结合。
有学者研究在永磁同步电动机上采用粒子群和模糊控制相结合的控制方法,主要思路如下:利用粒子群算法对控制器的3个比例因子参数Ka,Kb,Ku进行全局优化,这样就可以随环境变化及负载变化实时跟踪模糊控制器的参数变化,提高模糊控制器的鲁棒性和控制精度。
设计原理如下:
(1)确定粒子群的解空间及把真个解空间区域化。确定初始个体最优解和全局最优解。
(2)利用粒子群算法中的迭代公式得到新的解,并检验适应度函数。确定个体极值,并与全局最优解进行比较。若在允许误差范围内,停止迭代,否则重复2)
(3)此时得到的全局最优解做为模糊控制的三个比例因子。
这种控制策略的特点是:
(1)粒子群算法比遗传算法结构简单,运行速度快。
(2)粒子群算法的搜索空间也是建立在系统运用传统方法设计的基础之上的。
(3)为了避免粒子群优化算法在解空间搜索时出现在全局最优解附近“振荡”的现象,可对迭代更新公式中的加权因子w进行更新。
参考文献
[1] 刘航,徐杜,蒋永平.基于自调整模糊控制方法的变频调速实验系统.工业仪表与自动化装置 2002年第3期.
[2] 刘权中,李玉东,杜庆楠.模糊神经网络控制在交流调速系统中的应用.矿山机械 2004.04.
[3] 曲道奎,史敬灼.交流电机系统中的模糊控制研究.信息与控制 2003.02.
[4] 任敏.交流伺服系统神经网络PID控制.沈阳工业大学学报.2001年10 第23卷 第5期.
[5] 刘琴妹.神经网络控制的交流位置伺服系统.电气传动自动化.Vol.20,No.2May 1998
[6] 吴莹莹,夏斌,刘桥.遗传算法的神经网络在交流调速系统中的应用贵州大学学报 Vol.23 No.1 Feb.2006.
[7] 吕志来,张保会,哈恒旭.基于遗传算法的自寻优模糊控制器的研究与应用 煤矿自动化 2001年第2期.
[8] 林峰,蒋静坪.遗传算法在交流调速系统中的应用《电力电子技术》 1997年第2期.
[9] 胡海兵,胡庆波,吕征宇.基于粒子群优化的PID伺服控制器设计.浙江大学学报 2006年12月.第40卷第12期.
[10] 祁春清,宋正强.基于粒子群优化模糊控制器永磁同步电机控制.中国电机工程学报 2006年9月.第26卷 第17期.
[11] 袁晓辉,王乘等.粒子群优化算法在电力系统中的应用.电网技术,2004年10月 第28卷 第19期.
神经网络学习规则篇3
关键词：电力系统；负荷预测方法；电力负荷
中图分类号：TM714 文献标识码：A 文章编号：1009-2374（2013）32-0114-02
1 电力负荷预测综述
负荷预测的前提是充分考虑关键系统参数、自然环境、社会政策和增容决策等条件，探索出一套能够科学处理过往数据、有效预测未来数据的数学算法，并保证预测结果只在小范围内波动，确定某些特殊时刻的负荷值。根据预测期限，负荷预测分为超短期预测、短期预测、中期预测和长期预测。
2 电力负荷预测方法综述
2.1 人工神经网络
人工神经网络属于高度非线性系统，它模仿人脑神经系统进行自主学习和问题处理。人工神经网络有很多神经元节点，它们具有并行运算功能，互相之间由相应权值连接以构成网络，借助激励函数，实现输入变量序列到输出变量序列之间的非线性映射。人工神经网络对非线性、非结构性、模糊性规律的适应性很强，具有良好的记忆功能、鲁棒性、映度以及完备的自学习能力，这也使得该技术成为近年来负荷预测领域的研究重点。有学者采用地柜人工神经网络系统预测某地区电力负荷短期情况，借助梯度下降算法，大大提高收敛速度，仿真结果表明，该方法收敛速度和运算结果相比传统方法有很大提升。但是，典型人工神经网络也存在学习参数设置不便、收敛缓慢、运算量大、网络结构模糊等弊端。有研究在相关论文中针对BP算法陷入局部极小的问题进行了讨论，并提出了相应的解决方案。另外，神经网络如能结合遗传算法增强全局搜索能力，加强局部寻优能力构成遗传神经网络，则能进一步加快运算速度，提高结果准确性。采用神经网络进行电力系统负荷预测时，网络输入变量的选择是一个关键点，为了优化变量甄选，有人提出使用模糊粗糙集理论先对信息进行预处理；以此算法结果作为BP网络的预设变量开展训练。该方法将历史时间序列、外部气象条件等各种因素都考虑在内，为寻找神经网络输入变量提供了一种新思路。同时，规避了因为输入变量规模过于庞大而引起的网络拓扑结构复杂、收敛速度慢等缺陷。相关的实验表明，该方法行之有效。
2.2 模糊预测法
该方法基于模糊理论，先行分析过往的工作经验、历史数据，以一种规则的形式呈现出来，并抽象出可在计算机上运行的机读代码，进而展开各种计算工作。模糊预测法能够很明确地描述专家意图，对电力系统中不规则现象进行描述，很适用于中长期电力负荷预测；但模糊预测法学习能力差，极易受到人工干扰。模糊理论应用于电力负荷预测时，有三种常见数学模型，即：指数平滑过渡法、线性回归法、聚类预测法，三种数学模型各有千秋，它们的预测精度都很高，相比传统算法测量误差也小得多。有研究表明，基于最佳聚类F选优法的改进型模糊聚类电力负荷预测算法，在计算年度用电量时，预测结果很准确。有部门基于该算法对增城地区2005年和2010年的年度用电量进行预测，结果与实际测量相差不大。神经网络与模糊逻辑算法组合使用，相比单一神经网络算法，充分利用了神经网络强大的学习功能，又洗去了模糊逻辑主观经验方面的劣势，考虑了温度变化和节假期对系统负荷的影响，能够提高负荷预测结果准确度，特别是对周末和节假期负荷预测很有效。也有学者通过RBF试图寻找负荷变化的一般规律，结合模糊理论计算负荷尖峰值和低估值，一定程度上解决了负荷影响因素不明确的问题。该方法充分利用了神经网络和模糊推理理论在处理不确定参数方面的独到之处，很好地改善了预测精度。
2.3 数据挖掘
顾名思义，数据挖掘就是从浩如烟海的数据中挖掘出隐含信息，并尽力将其表述为直观易懂的形式。在处理大数据、剔除冗余信息方面优势很大。决策树、神经网络、关联规则、聚类分析、统计学模糊集、粗糙集在各领域的数据挖掘工作中得到了重要应用。有人根据数据挖掘过程中时间序列的相似性原理，研究电力负荷预测方法，获得了很好的应用效果。基于最优区间划分和单调递减阈值函数聚类法，结合KOHONEN网绘制负荷变化曲线，修正死区数据。也有学者利用数据挖掘技术的结果作为向量机训练样本，减少了数据处理规模，提高了预测速度和运算精度。
2.4 专家系统
专家系统加入了人类探索自然过程中的知识经验，模拟人类思维决策过程，求解问题的过程类似于人类专家的思维模式。专家系统比模糊预测法优越的一点是，给出相当于专家水平的量化计算机语言，转化了人类难以量化的经验数据，透明性和交互性极佳，并能给出结论的对应缘由，方便工程人员检查推理过程是否存在错误，并及时更正。由于算法相对复杂，运行速度较慢，学习能力也一般，无法较好地处理模糊数据，对规则很依赖，普适性较差，不能推广到所有系统。有文献分析认为，专家系统可以准确预测中长期负荷，要考虑原始数据预处理、冲击负荷影响、负荷周期等因素，保证负荷预测精度，并尽量贴近生产实际需要。专家系统的模糊推理规则形式决定了规则数目，合理的推理规则能够简化运输，也为人工总结专家经验并优化规则提供了可能性，提高了算法速度。有学者在普通专家系统的基础上研发了基于案例推理的经验导向型专家系统，相关实验结果证明该方法获取知识较为简洁、记忆能力好、用户界面友好，在实用性方面优于规则专家系统和人工神经网络技术。也有工程人员结合径向基神经网络专家系统，并基于该模型开发出数学运算软件，在西北电网得到了应用，该方法比BP神经网络的预测精度更高、实用性更好。
2.5 支持向量机
SVW基于统计学理论，在有限样本前提下，提出满足VC维理论和结构风险最小化原则的机器学习规律，通用性好、全局最优、计算速度快。但要依赖经验确定初值和核心运算函数，受人为因素影响较大。而且，对模糊现象的描述能力一般，模型误差会导致收敛值与实际值相去甚远。蚁群优化算法能够对其进行优化，在短期负荷预测中效果甚佳。经过大量实践，最小二乘支持向量机回归算法，很适用于短期负荷预测，借助不同时刻的样本训练，以最优线性回归函数为算法依据，在尽可能减小负荷样本点漂移的基础上，又缩小了泛化误差上限，具有较好的前瞻性。还有人将模糊回归法植入支持向量机模型，不仅提升了预测精度，而且提供了更多运行信息。
3 结语
本文对常见的智能预测技术进行了全面分析。我们不难看出，单一负荷预测法很难满足实际要求，应该结合地区状况选择方法组合，唯有如此才能取得更好的电力预测效果，这也意味着组合预测将势必成为以后的研究热点。
参考文献
[1] 段玉波，曲薇薇，周群，张彦辉.应用递归人工神经网络预测电力短期负荷[J].佳木斯大学学报（自然科学版），2010，（3）.
[2] 陈灿，刘新东.一种新的电力系统短期负荷预测方法[J].软件导刊，2010，（7）.
神经网络学习规则篇4
关键词：汽车 神经网络 PID控制 智能
中图分类号：U46 文献标识码：A 文章编号：1672-3791（2014）05（c）-0073-02
汽车以有将近百年的发展，以成为人们生活不可或缺的交通工具，使人们出行变得方便，提高人们的生活质量。但随着汽车技术的进步和人民物质水平的提高，道路上越来越多的汽车，交通越来越拥挤，驾驶员的非职业性等等。使得交通事故频繁发生，造成巨大的人员伤亡和财产损失。汽车交通安全已成为一个社会问题。为了解决这个问题，首先，汽车必须有良好的安全。一些功能的设计，主要研究方向之一是汽车的主动安全性是否良好。
汽车操纵稳定性的研究，已经有七十多年的历史。目前，研究汽车本身的问题已经相当深入。然而，人们使用智能汽车模型操纵稳定性评价时，有这样一个问题：缺乏基本了解对驾驶员的特性。因此，人们只知道方向盘输入对应汽车的具体响应，很难确定驾驶员对系统的性能影响。通过了解，一些研究人员开始研究驾驶员模型和驾驶员汽车闭环系统。
本文根据实践经验和方向控制驱动模型，研究基于智能车辆的需求和汽车操纵稳定性评价研究闭环驾驶模型。基于车辆速度单神经元自适应PID控制的驾驶员模型。
1 神经网络和PID控制
1.1 PID控制原理
PID控制是最早的控制策略，比例、积分和微分组合控制，控制被控对象，称为PID控制器。自从计算机进入控制领域以来，模拟控制器被数字计算机代替组成计算机控制系统，在软件上实现PID控制算法，对PID控制使用更灵活，因其控制简单、可靠性高和鲁棒性好成为生产中常见的控制方法，过程控制和运动控制被广泛应用。模拟PID控制系统原理如图1所示。系统是由PID控制器和控制对象，根据给定的值和输出值来控制时间偏差，PID控制规则是：
比例环节是偏差信号成比例被放大；积分环节是累加比例偏差；微分环节是根据差值的变化速率，提前调节动作。PID参数预置是互补的，应该根据实际情况进行微调：控制量在目标值附近震荡，首先增加积分时间，如果有振动，可适当降低比例增益P。控制量变化后难以恢复，首先增加比例增益P，如果恢复相对较慢，还可以适当的减少积分时间，还可以增加微分时间。
1.2 神经网络控制
大脑神经元组成大脑的神经系统最基本的单位，大脑皮层神经元数量在101110～10个数量级。神经由胞体和许多的的突起构成。细胞体内细胞核，突起的作用是传递信息。作为输入信号的若干个过程，称为树突；作为输出端的突起只有一个。即轴突，把许多神经元连接在一个神经网络，通过树突和轴突的对接。
神经网络学习功能是主要特征之一，神经元之间的连接强度或加权系数算法是通过学习规则，学习知识来适应环境的变化。修正加权系数在学习的过程中被修正。在工作期间，加权系数参与计算神经元的输出。
监督学习和无监督学习是学习算法的两类：第一，监督学习，外部的教师信号，当结果和期望的输出之间存在误差，连接强度的调整由网络自动完成按照自动调整机制，经过多次反复跳帧，减少误差，最终结果符合要求；第二，无监督学习，没有外部的教师信号，其性能表现为自适应输入空间的测试规则，学习过程为系统提供动态输入信号，使各单位以某种方式竞争，获得神经元本身或其邻近域增强，其他神经元从而进一步抑制信号空间分为多个区域是非常有用的。常用的集中规则如下：
（1）有监督学习规则Hebb，Hebb学习是一种相关的学习。基本思想是：如果两个神经元激活的同时，加强他们之间的连接强度和他们的激励的乘积直接成正比的关系。
（2）有监督的Delta学习规则在Hebb学习规则中把教师信号引入。
（3）监督Hebb学习规则，非监督学习规则和有监督学习规则两个组合在一起构成有监督Hebb学习规则。
2 汽车速度单神经元自适应PID控制
驾驶员巩通过改变刹车踏板的位置和油门踏板控制车辆的纵向加速度和速度。由于涉及的控制引擎和轮胎等强非线性环节，所以它是一个强非线性参数时变系统。为了正确地描述驾驶员输入的关系以及纵向油门踏板的反应，我们做一个综合分析，采用汽车速度控制强非线性系统的工作点附近的局部线性化方法，简化局部非线性参考模型来描述动态响应特性的汽车速度控制。这样控制存在静差，所以我们要先进行动力学模型参数的辨识，才能进行速度控制。
单神经元网络是以神经元为节点，使用一个网络拓扑构成的活性网络。理论上实现任意非线性映射和逼近复杂的非线性关系。单神经元的自学习和自适应能力，结构简单，易于计算。传统的PID控制器由于其算法简单、鲁棒性好和可靠性高的优点，广泛应用于工业过程控制。但是其对运行工况适应性不好，参数整点不良等缺点。通过两者结合解决PID控制的不足，提高系统的性能。汽车速度的控制流程图如图2所示。
3 闭环系统仿真分析
为了验证速度控制驾驶员模型的合理性，验证汽车速度的单神经元自适应PID控制驾驶员模型比简单的PID控制驾驶员模型具有更好的适应性和鲁棒性。在仿真中，参考的纵向速度积分的方法为纵向参考位移的输入；方向盘角设置为零，即线性速度跟随仿真实验，对于方向盘角为非零值的速度时，跟随工况下存在的耦合，我们在这里主要介绍在汽车直线行驶时，在减速跟随工况下进行仿真，汽车在简单PID控制和单神经元自适应PID控制下进行仿真所得到的纵向速度、纵向加速度等参量相比较而绘制的曲线示意图。图3和图4所示。
4 结论
应用神经网络和PID控制原理，针对车辆动力学控制的特点，建立了强非线性特征基于车辆速度的单神经元自适应PID控制驾驶员模型，驾驶员-汽车-道路闭环系统进行了仿真分析，仿真结果和简单的PID控制仿真结果进行比较。车辆速度的单神经元PID控制驱动模型比简单的PID控制驱动驱动具有更好的适应性。提高了系统的性能，为汽车的智能化提供参数。
参考文献
[1] XuH G，WangC X，YangR Q.ExtendedKalman filterbasedmag-netic guidance for intelligent vehicles[C]// Tokyo，Japan：Intell-igentVehicles Symposium.2006.
[2] 沈吟东，曾西洋.公共交通驾驶员调度的复杂性及解决方法[C]//2004计算机应用技术交流会议论文集.2004.
[3] 李冬辉，叶利涛.基于模糊神经网络的故障诊断方法研究[J].组合机床与自动化加工技术，2005（4）.
[4] 王宏涛，刘朝勇，郑世杰.基于模糊RBF神经网络的复合材料结构脱层损伤监测研究[J].兵器材料科学与工程，2011（1）.