通过对传统控制器进行学习 然后用神经网络控制器逐渐取代传统控制器的方法 称为神经网络监督控制
已帮助 人
回答
共1条回复-
相同点：
二者采用了相似的分层结构，是由包括输入层、隐层(多层)、输出层组成的多层网络，只有相邻层节点之间有连接，同一层以及跨层节点之间相互元连接 。这种分层结构是比较接近人类大脑的结构的 。
不同点：
（1）训练算法不同。在传统神经网络中，采用的是 BP 算法训练整个网络，随机设定初值，计算当前网络的输出，然后根据当前输出和训练的标签之间的差改变前面各层的参数，直到收敛。辛顿等人提出的深度学习是在非监督数据上建立多层神经网络 :简单地说，分为两步，一是使用自底向上(从左向右)非监督学习，采用无标定数据(有标定数据也可)分层训练各层参数，是和传统神经网络最大的区别；二是进行自顶向下(从右向左)的监督学习，就是通过带标签的数据去更新所有层的权重，误差自顶向下传输，对网络进行微调。
（2）模型结构的深度不同。传统神经网络的隐藏层通常只有一层甚至没有，深度神经网络的隐藏层通常有5层或6层，甚至10多层的隐层节点;
（3）模型强调的重点不同。传统神经网络主要靠人工经验来抽取样本的特征，强调模型的重点主要是负责分类或预测；而深度学习明确突出了表示学习的重要性，模型通过逐层特征变换，将样本在原空间的特征表示变换到一个新特征空间，使分类或预测更加容易。