自适应神经网络算法原理,单神经元自适应控制

关于神经网络自适应控制求助

这句话你可以直接用，不用加引用。因为这句话是很容易验证的。在网络层数、隐含层节点数逐渐增加，训练次数增加之后，他的拟合能力也是不断增加的，所以说，他可以以任意精度逼近任何非线性连续函数。

当然，如果你是想找这方面的参考文献，那最好的教材应该是百度文库的各种ppt，然后是神经网络的书本，要花点功夫筛选阅读。

谷歌人工智能写作项目：神经网络伪原创

自适应控制和容错控制

标准定义就不说了，相信你自己看过了自适应控制是指能够在运行过程中，自动改变控制参数的系统（通常是对PID控制参数进行调节，PID后述），最常用的手段是人工神经网络文案狗。

最典型的情况是，我没有去精确调节PID的参数，而让系统在实际使用中，根据情况（比如在某一个P值下，室内温度上升的很慢），自动去调整这些参数，以便让系统更加适合具体的环境（而不是对所有环境通用）。

具体的机制，说简单了就是如果反馈结果显示P项小了，就增加一点，否则就减小一点（其实真的就是这样简单）容错控制是出于安全和稳定性考虑的，与自控相关的不是很大。

容错就是指在部分传感器坏了（比如温度）的情况下，机器人仍能利用可以获得的信息进行工作的控制方式。通常的方法就是利用其他传感器的信息来推算坏掉的传感器的信息，或者干脆采用默认值的方式。

下面说下比例积分微分控制（也就是PID控制）比例控制（P)是最好理解的一部分，简单来说就是，温度高的越多，我制冷量就越大。

这个是PID中，通常肯定会存在的一项，当加入I和D时，控制器将获得额外好处，如下：I是积分控制，积分用来解决的问题就是消除静差（就是说，你设定的是24度，实际到了25度的时候，制冷量就和室内热量持平了，温度不再降低），通过对误差（差的那1度）进行积分（随时间会越来越大），系统将相应的调整输出以消除静差。

D是微分控制，最大的用途是消除震荡（就是一下温度过低了，到23度了，然后加温，加到了25，再降温……），是误差的变化值，这个就和阻尼的作用一样（在摆钟上加阻尼，摆动会越来越小）。

实际使用的时候，首先通过当前温度和期望温度计算出误差e，如果需要积分，则是对每个周期的e进行累加（就是都加起来），这里暂时记为ei，如果需要微分，就用本周期的e减去上周期的e,这里记做ed最终输出（制冷量）=kp*e+ki*ei+kd*ed这里kpkikd就是之前提到的PID的参数，可以通过理论计算，但实际引用中都是通过经验给定（简单说就是试)。

人工神经网络具有自学习、自组织、自适应以及很强的非线性函数逼近能力,拥有强大容错功能，怎么理解？

人工神经网络就像一个黑盒子，用于模拟任意函数。根据一定的训练样本（即所需模拟函数已知的输入和输出关系）神经网络可以改变其内部结构使其模型特性逼近训练样本。即所谓的自学习，自组织和自适应。

并且，由于神经网络是采用整体逼近的方式，不会由于个别样本误差而影响整个模型特性，即所谓容错特性。

其实用仿生的