可生長結(jié)構(gòu)自組織網(wǎng)絡(luò)研究及其在倒立擺控制中的應(yīng)用.pdf

1、自組織神經(jīng)網(wǎng)絡(luò)采用無監(jiān)督學(xué)習(xí)方法，各神經(jīng)元通過側(cè)抑制作用，自組織學(xué)習(xí)輸入模式的分布。其中，自組織特征映射神經(jīng)網(wǎng)絡(luò)或許是最接近人腦或生物神經(jīng)系統(tǒng)的模型?？缮L網(wǎng)絡(luò)在自組織特征映射網(wǎng)絡(luò)的基礎(chǔ)上發(fā)展，不需要事先確定網(wǎng)絡(luò)的結(jié)構(gòu)和規(guī)模，可以根據(jù)輸入模式的情況進行動態(tài)調(diào)整。本文在可生長結(jié)構(gòu)自組織網(wǎng)絡(luò)(Growing When Required Network，GWRN)基礎(chǔ)上，提出有監(jiān)督可生長結(jié)構(gòu)自組織神經(jīng)網(wǎng)絡(luò)(Supervised Growing

2、 When Required Network， SGWRN)，并從模擬生物技能學(xué)習(xí)的角度出發(fā)，構(gòu)造了面向低級認知行為的自組織可生長神經(jīng)網(wǎng)絡(luò)倒立擺平衡控制模型。該模型具有自動學(xué)習(xí)能力，在運行過程中逐步獲取新信息，不斷改進自身認知行為，具有類似人類和動物的運動控制技能。最后將該模型與強化Hebb學(xué)習(xí)算法結(jié)合，對上述模型進行了一定改進，以提高模型的自適應(yīng)學(xué)習(xí)能力。 本文主要研究成果如下： 1．提出有監(jiān)督可生長結(jié)構(gòu)自組織神經(jīng)網(wǎng)絡(luò)

3、(SGWRN)模型。該模型引入線性輸出層，將GWRN與徑向基函數(shù)結(jié)合，構(gòu)成有監(jiān)督自組織神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)模型。SGWRN模型能快速生長，對刺激響應(yīng)關(guān)系進行離線學(xué)習(xí)，可廣泛用于監(jiān)督學(xué)習(xí)。 2．構(gòu)造了用于倒立擺平衡控制的有監(jiān)督可生長結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)模型?；诳缮L結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)將監(jiān)督與無監(jiān)督學(xué)習(xí)結(jié)合，能夠快速學(xué)習(xí)刺激與響應(yīng)之間的潛在關(guān)系?；诳缮L結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)通過監(jiān)督學(xué)習(xí)得到訓(xùn)練，訓(xùn)練后的網(wǎng)絡(luò)作為控制器作用于倒立擺系統(tǒng)，構(gòu)成基于可生長結(jié)

4、構(gòu)的倒立擺控制模型。仿真結(jié)果表明該模型有效，并具有一定的抗干擾能力。 3．有監(jiān)督可生長結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)與強化Hebb突觸修飾規(guī)則相結(jié)合，建立用于倒立擺平衡控制的、具有自組織認知能力的改進的學(xué)習(xí)模型。通過“行動一評價一改進”方式，自發(fā)習(xí)得運動平衡控制技能。 本文在可生長自組織神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上，構(gòu)造了無監(jiān)督學(xué)習(xí)、監(jiān)督學(xué)習(xí)與強化學(xué)習(xí)有機結(jié)合的認知學(xué)習(xí)模型，并將該模型用于倒立擺平衡控制系統(tǒng)，學(xué)習(xí)運動控制技能。研究成果可廣泛應(yīng)用于機器學(xué)