神经网络控制器设计步骤,神经网络参数调整方法

BP神经网络matlab工具箱中的激励函数（传递函数），训练函数，学习函数

激励函数用于神经元由输入计算输出的，而训练函数和学习函数是基于误差，来修改权值和阈值的，再就完成了一次训练，然后继续迭代，知道达到迭代次数或满足精度。

然而，学习函数和训练函数的功能貌似很相近，至于具体区别，正在纠结着我呢。

谷歌人工智能写作项目：神经网络伪原创

神经网络中激励函数（传递函数）是用什么方法选择的呢？

只知道输入输出的数据，不知道系统传递函数，怎么用PID神经网络进行系统辨识得到系统传递函数，请高手帮忙

求传递函数跟用不用神经网络或PID没关系，输入输出的互功率谱/输入的自功率谱=传递函数，输入输出的互功率谱由输入输出的互相关经FFT得到，同样输入的自功率谱由输入的自相关经FFT得到。

纯数学推导，C的源代码也有一大堆，也许百度一下就能找到。不过，买本数字信号处理方面的书看看更好。

人工神经网络函数的传递函数怎样确定的

BP神经网络的传递函数选择有什么特定要求？我使用高斯函数作为其传递函数（激活函数）可行麽

传递函数1/s(s+1)(s+2)的节约响应曲线、PID控制器的控制曲线、模糊自适应PID控制器的控制曲线如下示： 80

遗传算法和神经网络是两个改进方向。前者是一个全局寻优算法，后者是拟合算法（类似于自适应）。

全局寻优就是找到一组控制参数，使得阶跃响应与理想输出之间误差的某一范数最小，控制参数可以是你的模糊控制器参数，神经网络参数，pid前面的系数等等等等。

拟合算法就是找到某个函数关系，使得输入输出之间的误差最小，很类似数值方法里面的插值。要达到相同或者更好的控制效果是必然的。

比如你用遗传算法找到一组最好的模糊pid控制器参数，然后和你自己试凑的模糊pid相比，那肯定是更好，但是原理上没有什么改观，控制器还是原来的控制器，只是找到了最优参数，另外实时性要求不高的话建议不用遗传算法，用更精确的全局寻优算法，比如粒子群，蚁群算法等。

神经网络PID控制器古典的是用神经网络拟合pid参数，现代的都是把PID环节做成隐含层神经元，因为你这个被控对象很简单，所以我个人观点，加上一些常用的神经网络控制算法就够用了，比如某些环节加一个加权和。

这个东西说实在的你要做作业是个不错的练习，但是写论文显得略微落伍了。单纯的全局寻优算法和神经网络控制前些年做的有点烂了，写论文的话实在是很难找出来创新点。

神经网络输入层有传递函数吗？