對神經網絡的理解范文

導語：如何才能寫好一篇對神經網絡的理解，這就需要搜集整理更多的資料和文獻，歡迎閱讀由公務員之家整理的十篇范文，供你借鑒。

篇1

【關鍵詞】Matlab；RBF神經網絡；仿真試驗

人工神經網絡（ANN-Artificial Neural Network）是一種與傳統計算機系統不同的信息處理工具，具有人腦的某些功能特征，可用來解決模式識別與人工智能中用傳統方法難以解決的問題。神經網絡具有高度的自學習、自組織和自適應能力，通過學習和訓練網絡模型的輸入、輸出數據就可以獲得網絡的權值和結構，從而得出隱含在輸入、輸出數據中的關系。這種關系隱含在神經網絡內部，它不需要知道具體的精確模型，只需用神經網絡就能逼近輸入和輸出之間的多維非線性特性，從而建立輸入與輸出之間的關系，這種非線性映射能力在人工智能、模式識別、信息處理等工程領域得到了廣泛的應用。

隨著神經網絡理論研究和實際應用的不斷深入，《人工神經網絡》課程逐漸受到較多高校的重視，并將其列入教學計劃，成為電氣信息類學科的一門專業選修課。但《人工神經網絡》課程的理論性非常強，對本科生的教學具有一定的難度。作為入門課程，本科生的教學重點應放對各種網絡模型的結構和特點的理解，并結合應用實例，使學生能夠獲取一些初步設計經驗的基礎上，掌握有關模型的用法和性能。因此，筆者以RBF神經網絡為例設計仿真試驗，通過實例增強學生的對神經網絡模型的設計和仿真的認識，加深學生神經網絡理論的理解。

一、RBF神經網絡

RBF網絡可以根據問題確定相應的網絡拓撲結構，學習速度快，不存在局部最小問題。RBF網絡的優良特性使得它正顯示出比BP網絡更強的生命力，正在越來越多的領域替代了BP網絡。

RBF網絡典型結構如圖1所示。輸入層節點只是傳遞輸入信號到隱含層，隱含層節點由像高斯函數那樣的輻射狀作用函數構成，而輸出層節點通常是簡單的線性函數。隱含層節點中的作用函數對輸入信號將在局部產生響應，也就是說，當輸入信號靠近該函數的中央范圍時，隱含層節點將產生較大的輸出。由此可看出這種網絡具有局部逼近能力，故徑向基函數網絡也稱為局部感知場網絡。

二、基于MATLAB的RBF神經網絡設計與仿真

MATLAB神經網絡工具箱為徑向基網絡提供了很多工具箱函數，它們對我們利用MATLAB進行徑向基網絡的設計、分析及實際應用有著不可替代的作用，這給用戶帶來了極大的方便。

下面以污閃風險預測模型為例來說明神經網絡設計與仿真。預測模型采用三輸入一輸出的結構。輸入向量為相對濕度RH、泄漏電流幅值Ih、泄漏電流三次諧波與基波的幅值之比δ，它們的大小是能夠檢測到的用于評判絕緣子污閃風險的主要參數；將絕緣子污閃的風險等級作為輸出，輸出取值分別為不報警（NA）、一般報警（GA）、危險報警（DA）等三個模糊量。對于絕緣子污閃風險等級NA、GA和DA，為了方便神經網絡進行擬合建模，分別賦予一個量化的值1，2和3與之一一對應。

利用函數newrbe創建一個準確的徑向基網絡，該函數在創建RBF網絡時，自動選擇隱含層的數目，使得誤差為0。在網絡設計過程中，用不同的SPREAD值進行嘗試，以確定一個最優值。SPREAD分別取1，2，3，4時得到不同的網絡結構。將污閃風險等級的實際值和神經網絡輸出的結果對比，不同神經網絡的驗證結果如圖3所示?？梢钥闯觯擲PREAD取1時，污閃風險的實際值與神經網絡計算值之間的誤差最小，網絡性能達到最優，所以本論文預測網絡的SPREAD選取1。

將試驗中得到的600組數據預留20組數據作為檢驗樣本，剩下的580組數據為RBF神經網絡的訓練樣本，訓練好的網絡具有進行絕緣子污閃風險預測的能力。

三、結語

人工神經網絡是一門理論性很強而又應用廣泛的課程，已經應用各種電氣設備信號預測和狀態監測等領域，本科生由于數學基礎的限制學習這門課程有一定的難度。高校要培養出高素質的工程應用型人才，應充分利用MATLAB平臺將實驗仿真教學與理論學習相結合，以促進學生對較難理解的理論知識的掌握。通過采用靈活多變的教學方式，培養學生的學習興趣、激發學生的求知欲，從而達到啟迪思維、拓展視野的目的，培養學生自學能力、獨立解決問題的能力，為社會培養出具有工程創新能力的卓越工程師。

參考文獻

[1] 李國勇.智能控制及其MATLAB實現[M].電子工業出版社，2006.

[2] 葛哲學，孫志強.神經網絡理論與MATLAB R2007實現[M].電子工業出版社，2007（03）.

篇2

摘要目前，神經計算及其應用已經滲透到多個學科，并在信號處理、智能控制、模式識別、機器視覺、非線性優化、自動目標識別、知識處理、遙感技術等領域取得了豐碩的成果。神經計算不僅是科學家的興趣所在，還受到了各國政府和軍隊等權力部門的密切關注，世界上許多國家和地區的政府及工業界都十分關注并積極投資神經計算技術的研究，其進展不僅將促進科學和技術的進步，還會對各國的國力產生一定的影響。

本文針對神經計算中亟需解決的5個問題進行了研究，包括加快神經網絡的學習速度、增強神經網絡的可理解性、設計出易于使用的工程化神經計算方法、更好地模擬生物神經系統以及將神經計算與傳統人工智能技術相結合。本文的創造性研究成果主要有：

(1)提出了一個快速神經分類器FAC和一個快速神經回歸估計器FANRE，實驗結果表明，這兩個算法學習速度快、歸納能力強，在性能上明顯優于目前常用的一些神經網絡分類學習算法和回歸估計算法。在此基礎上，成功地將FAC應用于石油勘探巖性識別領域。

(2)提出了一個神經網絡規則抽取算法STARE，實驗結果表明，STARE可以從訓練好的神經網絡中抽取出保真度高、精確、簡潔的符號規則，從而較好地增強神經網絡的可理解性。在此基礎上，提出了一個基于神經計算的分類規則挖掘框架NEUCRUM，并成功地將其應用于臺風預報領域。

(3)提出了一種基于遺傳算法的選擇性神經網絡集成方法GASEN，實驗結果表明，GASEN的性能優于目前常用的一些方法。設計了一種多視角神經網絡集成方法VS，將神經網絡集成應用于多視角人臉識別，不需進行偏轉角度預估計就能取得很高的識別精度。設計了一種新型結論組合方法和一種二級集成結構，將神經網絡集成應用于肺癌細胞識別，并嵌入到肺癌早期診斷系統LCDS中，大大降低了肺癌細胞的漏識率。

(4)針對前饋網絡的單點斷路故障，提出了一種基于遺傳算法的進化容錯神經網絡方法EFANET，實驗結果表明，該方法不僅可以進化出容錯性好、泛化能力強的網絡，還較好地保持了網絡結構、訓練算法與容錯處理的獨立性。針對前饋網絡的多點斷路故障，提出了一種三階段方法T3，并將其應用于FAC網絡，實驗結果表明，T3方法可以較好地在網絡容錯能力與結構復雜度之間達成折衷。

(5)提出了一種結合決策樹與前饋神經網絡的混合決策樹方法HDT，描述了樹的生長算法和神經處理機制。對增量學習和構造性歸納進行了研究，界定了三種不同的增量學習問題的概念，并給出了HDT的增量學習和構造性歸納算法。實驗結果表明，HDT及其增量學習、構造性歸納算法都具有很好的性能。此外，還成功地將HDT應用于情報軟件故障診斷。

關鍵詞：神經計算，神經網絡，機器學習，快速學習，規則抽取，集成，容錯神經網絡，混合學習，增量學習，構造性歸納，決策樹，知識獲取，數據挖掘，遺傳算法，進化計算，斷路故障，人臉識別，計算機輔助醫療診斷，巖性識別，故障診斷

ContributiotoSeveralIuesofNeuralComputing

Neuralcomputinganditsalicatiohavealreadycomeintomanydisciplinesandachievedplentifulfruitsindiversifiedfields,includingsignalproceing,intelligentcontrolling,patternrecognition,machinevision,nonlinearoptimization,automatictargetidentification,knowledgeproceing,remoteseing,etc.Ithasbecomenotonlythetastesofscientistsbutalsotheinterestsofgovernmentsandforces.Thegovernmentsandindustrialcommunitiesofmanycountries/regioaresokeenonneuralcomputingtechniquesthattheyhaveinvestedalargeamountofmoneyoncorreondingresearch.Thereforetheprogreofneuralcomputingwillnotonlypromotethedevelopmentofscienceandtechnologybutalsoinfluencethenationalpowers.

Inthisdiertation,5problemsstandinginneedofsolutioareinvestigated,whichincludesexpeditingthelearningeedofneuralnetworks,improvingthecompreheibilityofneuralnetworks,designingengineeringneuralcomputingmethodsthatareeasytouse,simulatingbiologicalneuralsystemsmorebetterthanever,andcombiningneuralcomputingwithtraditionalartificialintelligencetechniques.Themaincontributioofthisdiertationaresummarizedasfollows:

Firstly,afastneuralclaifiernamedFACandafastneuralregreionestimatornamedFANREareproposed.Experimentalresultsshowthatthosetwoalgorithmsthathavefastlearningabilityandstronggeneralizationabilityreectivelyoutperformsomeprevailingneuralclaificationalgorithmsandneuralregreionestimationalgorithmsatpresent.Besides,FACissuccefullyaliedinlithologyidentificationofoilexploration.

Secondly,aneuralnetworkruleextractionalgorithmnamedSTAREisproposed.ExperimentalresultsshowthatSTAREcanextractaccurateandcompactsymbolicrulesthathavehighfidelity,sothatthecompreheibilityoftrainedneuralnetworksareimproved.Additionally,aneuralcomputingbasedclaificationrulemi ningframeworknamedNEUCRUMisproposedandsuccefullyaliedtotyphoonforecastingdomain.

Thirdly,ageneticalgorithmbasedselectiveneuralnetworkeemblearoachnamedGASENisproposed.ExperimentalresultsshowthatGASENoutperformspopulareemblearoachesatpresent.Then,aviewecificeemblearoachnamedVSisdevelopedtoalyneuralnetworkeembletoviewinvariantfacerecognition,whichhastheabilityofperforminghighqualityrecognitionwithoutviewpre-estimation.Moreover,bothanoveloutput-combiningmethodandauniquetwo-layer-eemblearchitecturearedesigned,sothatneuralnetworkeembleisembeddedinthelungcancerearlystagediagnosissystemLCDStoperformlungcancercellidentification,whichgreatlylowerstherateofmiedidentificationoflungcancercells.

Fourthly,ageneticalgorithmbasedaroachnamedEFANETthatevolvesfault-tolerantneuralnetworksforsingle-nodeopenfaultisproposed.ExperimentalresultsshowthatEFANETcanevolveneuralnetworkswithbothrobustfault-tolerantabilityandstronggeneralizationabilitywhilekeepingtheindependenceamongnetworktopology,trainingalgorithm,andfault-tolerantproceing.Besides,athree-phrasearoachnamedT3isproposedformulti-nodeopenfault,whichhasbeenaliedtoFAC.ExperimentalresultsshowthatT3cantradeoffthefault-tolerantabilityandstructuralcomplexityoftheneuralnetwork.

篇3

關鍵詞：BP神經網絡；地震預測；指標

中圖分類號：TP183；P315.7 文獻標識碼：A 文章編號：1007-9416（2017）01-0091-01

地震的破壞性是災難性的，近年來，我國乃至世界各地地震頻發，人員和財產的損失不可估量。地震預測成為全世界亟需攻克的難題，各國或組織都投入了大量的人力和財力以求最大限度地減少地震造成的影響。人們對自然的理解是很有限的，對地震的成因和規律的理解一直是無法突破的瓶頸，我們無法直接透視地球來觀察其活動情況，進而預判地震發生的具體時間及位置和震級大小，但經過長期的摸索和驗證，一種叫做BP神經網絡的預測方法更接近地震的各種特征，從而也被廣泛應用于地震預測中。

1 BP神經網絡

由Rumelhart和McClelland提出的誤差反向傳播（Error Back-Propagation）神經網絡模型和其算法通常被稱為BP神經網絡模型。這是目前為止，全世界使用得最靠譜的神經網絡模型之一。BP神經網絡模型包括輸入層、輸出層和N個隱層，BP學習算法是一種監控式學習算法，被多層前饋網絡所使用。它的核心理念是利用梯度搜索技術，使網絡模型的輸出實際值與預測值的方差接近最小值。網絡模型的學習過程包含這兩個階段，即前饋計算階段和反向調整權系數階段，它是一種在這兩個階段不斷修改差值的過程。

自然災害雖然還無法盡用科學來解釋，但地震的發生一定與我們觀測到的一些特殊情況有關，這種關系也許是直接的，也許是間接遞進的，我們可能無法用函數來直觀表達各種變量之間的這種線性或非線性的關系，但通過BP神經網絡的監控學習算法我們可以做到一種隱性詮釋，BP神經網絡模型對這種實值函數有著很強的學習、表征能力和自適應能力，以歷來地震特征數值作為樣本進行梯度搜索和比對計算使方差接近最小值或局部最小值，所以說BP神經網絡是用于地震預測的一個十分有效的方法。

2 BP神經網絡的特點

（1）BP神經網絡的學習和表征能力都很強，它的網絡模型中蘊含著N多隱層，適應性強。（2）在比對計算中不斷的修正差值，對訓練數據中的錯誤有很強的健壯性。（3）前饋計算階段和反向調整權系數將誤差降低到極小值，當一個樣例被網絡模型涵蓋以后，對新的樣例進行求值是非常快的。

3 BP神經網絡在地震預測中的應用現狀

近年來，科技的不斷進步，計算機水平的提高推動著計算方法和機器學習算法的進步，BP神經網絡作為機器學習算法中最常用的算法之一，被各個領域所廣泛應用。目前的應用主要是神經網絡對經過處理后的地震數據進行學習，以年份為特征，來預測該年份發生地震的情況。

BP神經網絡模型通俗來講是一種信息處理系統，是模仿人腦結構及其各神經元的功能來實現的。影響這種信息處理系統的因素有兩項，第一項是網絡的學習和運行規則，也就是網絡中連接權值的調整規則；第二項是網絡的拓撲結構，也就是BP神經網絡中各神經元之間相互作用形式。

BP算法是誤差反傳播算法重要的組成部分。近年來，由于國家的重視，給予的大力支持，BP神經網絡在我國發展神速，并在極短的時間里在圖像、語音、數據等領域頗見成效。絕大部分的的神經網絡都用到了BP算法，所以將BP算法應用于地震預測中定會取得非凡的效果，減少災害的損失。BP算法的學習過程是由兩個傳播過程組成的，分別是信號的正向傳播以及誤差的逆向傳播。信號的正向傳播顧名思義就是將樣本傳輸到輸入層，然后再傳播到各級隱層進行處理和比對計算到達輸出層，此過程的逆向韃ゼ次誤差的反向傳播過程。若要具體實現BP算法就要首先建立神經網絡模型，然后將樣本傳輸到輸入層，然后比對每層輸出，計算出網絡模型的輸出誤差，不斷修正權值，從而得到理想的誤差最小值。信號的正向傳播和誤差的逆向傳播的各層權值的修正過程是循環往復進行的，這個過程需一直進行到將最后輸出的誤差調整到可接受的程度為止。

4 BP神經網絡在地震預測中的應用前景

目前有一種非常有效的方法被應用到小樣本的預測問題中，我們稱它為“交叉驗證”法。交叉驗證法是將訓練樣例分為若干份，每次從這若干份樣例中任意找出一份作為驗證樣本，其它的統稱為訓練樣本，每次交叉驗證都得到一個最佳值，如此往復若干次后，將所有的最佳值求均值，這種方法對地震的預測結果很接近，是地震預測領域的一大突破。

預測畢竟是一種手段、一種猜測，任何一種算法最后的輸出結果都只能是接近而無法等同。所以，在未來的一段時間內，地震專家可能會把目光放在地球內部勘測領域，直觀的觀察地球內部變化，分析其表象特征，將這些特征作為BP神經網絡模型的神經元，這樣得出的結果才夠精確，才能真正做到防范于未然。

5 結語

BP神經網絡模型的優勢就體現在其不局限于線性問題，組建的模型有很強的自適應性，即便樣本并非精確的教學模型，最后分析比對計算后的均值即為理想數值，它能適應很多復雜多變的訓練樣本，這也是神經網絡方法在地震領域被廣泛應用的原因。無論哪種預測方法均存在著一定的局限性，我們要做的就是不斷開發完善，以做到百分百的預測。

參考文獻

[1]李東升，王煒，黃冰樹.人工神經網絡及其在地震預報中的應用[J].地震，1995（4）.

篇4

【關鍵詞】計算機網絡連接 增強優化 神經網絡算法

計算機網絡是一種先進的科技技術，自出現以來就極大程度的改變了人們的生活生產方式，帶來了非常大的便利。我國現階段的計算機網絡連接相對比較薄弱，存在很多不完善的地方。因此，有必要采取措施優化計算機網絡連接，進而維護計算機網絡連接的安全穩定，營造良好的上網環境。

1 計算機網絡連接增強優化

1.1 計算機網絡連接增強優化的必要性

網絡連接對于計算機網絡的重要性不言而喻。如果出現網絡連接斷開的問題，就會導致計算機設備無法與通信網絡進行有效的信息溝通。因此，必須優化計算機網絡連接，拓撲擴展計算機網絡，提升信息交流的有序性和有效性，降低影響所帶來的損失。因此，在現有的網絡環境中，加入合適的結點，進而完善計算機網絡連接的有效率，以及提高網絡容量，拓展現有網絡結構，使得信息交流的交互性進一步增強，最終實現計算機網絡連接的優化目的，拓撲擴展了計算機網絡?，F階段，存在非常多的措施能夠提升計算機網絡連接的效率，擴展網絡容量，以及上網環境的優化。但是，很多方法措施需要投入大量的資金作為支持，不具有實用性和經濟性。而計算機網絡應用要求計算機網絡連接優化措施適當合理，在最小的經濟支出情況下解決問題，因此，只有采取增強優化下的神經網絡算法。

1.2 計算機網絡拓撲結構

計算機網絡拓撲結構主要是指，網上計算機或設備與傳輸媒介形成的結點與線的物理構成模式。通信子網直接影響計算機網絡拓撲結構的形式，拓撲結構能夠在一定程度上保證網絡信息數據系統的安全性、可靠性、完整性，此外能夠對數據信息進行共享、處理以及交換等內容。根據網絡拓撲結構框架分析，可以清楚的明確計算機網絡結構是由鏈路和節點所組成，也可以這樣理解，計算機網絡拓撲是由計算機組成的，網絡之間設備的分布情況以及連接狀態所形成的拓樸圖。通常情況下計算機網絡用G= 來表示，V指的是網絡結點集，E指的是鏈路集。如果增加結構中的結點集用Va表示，增加的連接集用Eb表示，進而得出計算機網絡結構為G’=。

2 基于計算機網絡連接優化中的神經網絡算法

2.1 神經網絡算法

思維學普遍認為，人類大腦的思維分為抽象思維、形象思維和靈感思維三種基本方式。而抽象思維是一種邏輯化思想，形象思維是一種直觀化思想，靈感思維是一種頓悟性和創造性思想。而神經網絡思維，就是通過對上述理論的分析實踐，模擬人類大腦思維的第二種方式。人工神經網絡，是一個非線性動力學系統，其特色在于信息的分布式存儲和并行協同處理。雖然單個神經元的結構極其簡單，功能有限，但大量神經元構成的網絡系統所能實現的行為卻是極其豐富多彩的。 相對人工神經網絡來說，人工神經網絡應用系統更加高級，通過對網絡算法以及網絡模型的合理運用，合理處理信號，或者識別某種運行模式，最終形成一套獨立完善的專家系統，或者智能化的機器人。

現階段，社會中越來越多的領域開始應用人工神經網絡，在生產領域上取得了明顯效果。人們也越發提高對人工神經網絡算法的重視程度，神經網絡算法是在此基礎上逐漸發展完善的，是監督性的學習算法。但是在實際應用過程中，人工神經網絡算法還存在一些不足之處，沒有合理解決收斂速度緩慢的問題，無法控制收斂程度到最小點，因此增加了計算機網絡記憶和學習的不穩定性，同時計算機網絡連接效果也受此影響。

2.2 均場神經網路算法

通過建立科學合理的場均神經網絡模型，有利于進行計算機網絡連接增強優化中的均場神經網絡算法研究工作，進而評判網絡效果。需要注意的是，利用函數法構建模型時，應當加強目標函數的構建問題工作，可以用以下方式表現構建模型：Hopfield計算網絡中的神經元狀態，可以用Fi進行表示，如果Fi=1，那么表示網絡選中了連接i，能夠正常連接；如果Fi=0，那么表示網絡沒有選中連接i，不能正常連接。之后可以利用罰函數法結構，創建網絡模型，保證Z=max（ΣPi*Xi） 和 ΣMi*Xi ≤ A成立，需要對目標函數進行控制，主要有I = ?γ/2*[∑ρiFi]2+ψ/2*[a ?∑mifi]2，其中a=（γripi-ψmimi）d，Ii=βami，γ和ψ表示Lagrange 參數，構造Lyapunov能量函數為：E = ?1/2*∑∑AiFiFi ? ∑ IiFi，Hopfield神經網絡結構為：Fi=1/2*[1+tanh（Bi/T）]，Bi=∑AiFi + I。利用均退火技術，將隨機變量函數的均值由隨機變量均值的函數替代，可以得出：〈Fi〉=1/2*[1+tanh{}]，〈Bi〉=〈∑AiFi + Ii〉=∑Ai Fi + Ii。如果隨機變量均值〈Fi〉由均場變量Ri替換，可以得出均場網絡結構：Ri=1/2[1+tanh（∑AiRi+Ii/T）]，均場網絡的能量函數為：E（v）= ?1/2∑∑AiRiRi ? ∑ IiRi。通過對算法步驟的簡單分析，可以看出：第一、根據問題設置參數；第二、初始化，Ri=rand（d，1-d），i可以是大于零的整數；第三、重復以上操作，知道滿足停止規則。

3 總結

總而言之，計算機網絡在社會各個領域中，都在發揮的無可替代的作用。如果計算機網絡連接出現問題，將會嚴重影響相關企業或者設備的正常運轉，進而降低經濟效益。因此，必須提高計算機網絡連接的重視程度，進一步完善優化連接效率，維護網絡連接的穩定性和可靠性，為我國計算機事業的未來發展奠定堅實的基礎。

參考文獻

[1]陳竺.計算機網絡連接增強優化中的神經網絡算法[J].電子技術與軟件工程，2014（19）：16-16.

[2]王穎華，金愛花.計算機網絡連接增強優化中的均場神經網絡算法[J].硅谷，2013（15）：61-62.

[3]李盼池，許少華.基于過程神經網絡和遺傳算法的系統逆向過程求解[J].計算機測量與控制，2015（10）：948-950.

篇5

關鍵詞：神經網絡；電路分析；故障診斷；故障類別。

1引言

隨著設計理念和制造工藝地不斷發展，電子產品已經向小型化、智能化方向發展，這也給故障診斷帶來更加嚴峻地挑戰，由于傳統的故障診斷方法已經不能滿足發展的需求了[1]，因此急需研究開發出行之有效的新方法。神經網絡[2]是在對人腦網絡認識理解的基礎上構造的，是模仿人腦網絡結構和功能而建立的一種信息處理系統，是理論化的人腦網絡的數學模型。電路故障診斷[3]是一個非常復雜的模式識別問題，神經網絡由于其本身信息處理的特點，如并行性、自學習、自組織性、對外界輸入樣本有很強的識別分類能力以及聯想記憶功能等，使其能夠出色解決那些傳統模式識別方法難以圓滿解決的問題。

2故障的類型

對電子產品進行故障診斷，最基本的就是對電路的診斷，因此，首先要確定的就是電路的故障類型[4]。從對電路的影響程度來劃分，故障可以分為硬故障和軟故障；從故障的隨機性來劃分，可以分為永久型故障和間歇型故障。永久型故障即固定故障，不隨時間的變化而變化，一直固定在某種狀態不變間歇型故障即隨機出現的故障，電路有時正常，有時則出現了故障。硬故障即結構故障，是電路中元件的參數發生了極端變化的情況，包括橋接故障（BF，bridgefault）、開路故障（OF，openfault）、時滯故障等。軟故障即偏差故障，指電路元件的參數與正常情況相比，偏出了約定的容差范圍，但此時器件并非完全失效。

3神經網絡的電路故障診斷

神經網絡之所以在電路故障診斷中得到了廣泛應用，主要是因為它具有如下諸多優勢[5]。（1）學習能力。學習能力是神經網絡在故障診斷中的重要表現。通過對神經網絡的訓練可讀出故障的主要特征，表現出強大的適應能力。（2）聯想記憶能力。因為神經網絡具有并行計算和分布存儲信息的功能，所以它對輸入的特征信息具有聯想記憶的能力。這一能力使得它在模式識別、故障分類中起到了巨大的作用。（3）分類識別能力。因為神經網絡能夠很好地對非線性曲面進行逼近，所以它的分類識別能力要優越于傳統的分類器。對于樣本的分類實質上就是找到合適的分割區域，每個區域的樣本屬于一類。（4）非線性映射能力。由于神經網絡可以尋求輸入到輸出之間的非線性模型，即可實現輸入空間到輸出空間之間的非線性映射。因此，神經網絡可以很好地對電路故障進行診斷。從本質上說，電路故障診斷就是一個故障模式識別的過程，將正常電路及各種故障狀態下的特征信息輸入到神經網絡，運用神經網絡對這些特征信息進行學習、記憶，從而識別對應的故障模式，達到故障診斷的目的。診斷過程包括訓練階段和測試階段[6]，具體步驟如下。（1）首先在仿真軟件中對正常狀態及故障狀態進行模擬仿真，得到原始的響應信號，再對原始信號進行相關處理，作為神經網絡的訓練樣本。各種故障狀態對應的輸出模式，由故障數目來確定。根據輸入樣本和對應的輸出樣本來訓練神經網絡，達到訓練的目的。（2）神經網絡具有一定的泛化能力，不僅能夠識別已經訓練過的樣本，而且能夠通過聯想識別未出現過的樣本。加入相同的激勵，檢測實際特征，將此信息同樣經過信號處理，作為測試樣本送入神經網絡，最后根據網絡的輸出即可判斷時應的故障模式。神經網絡應用于具體的電路故障診斷，還有一些診斷過程中需要解決的關鍵問題。（1）測試節點的選擇。神經網絡進行電路故障診斷時，為了得到各種故障模式的特征信息，應選取有效的測試點。通過這些測試點的輸出信號，提取有效的特征信息，從而進行模式識別。雖然測試點的選擇標準不盡相同，但是都要遵循如下基本原則：①盡可能選取診斷能力強，同時故障隔離能力強的節點。②在滿足隔離要求的情況下，盡量少選取節點。③獲取節點信息時，不能影響到整個電路系統的正常工作及性能。（2）故障集的構造。因為電路中元件數眾多，故障模型地構成也各不相同，因此對所有元件、所有故障模型都進行診斷是不現實的。比較可行的辦法就是根據待測電路的特點和以往的經驗模擬若干個元器件，組成故障集。

4實例分析

通過一個555構成的單穩態觸發器電路進行仿真實驗。首先，設定電阻容差為10%，電容容差為5%，在容差范圍內對元器件的軟故障進行研究。其次，選取文獻[2]的無故障與有故障各50次蒙特卡洛分析結果，其中30次作為訓練樣本，20次作為測試樣本。最后，將訓練樣本集輸入到網絡結構為6-10-4的BP神經網絡進行訓練，測試樣本集輸入到訓練好的神經網絡即可得出故障診斷率。同樣地，為了加快訓練速度，采用附加動量自適應梯度下降法，訓練函數為traingdx，隱層傳遞函數為tansig，輸出層傳遞函數為purelin訓練目標為0.01，學習速率為0.01?？芍?0個測試樣本的診斷概率為95%，達到了預期的要求。

篇6

關鍵詞：暫態混沌神經網絡;優化問題;非線性函數優化;TSP

中圖分類號：TP183 文獻標識碼：A 文章編號：1004－373X(2009)04－076－04

Transient Chaotic Neural Netwgork and Its Optimization ofthe Applied Research

PENG Jingbin1,2,YE Jinbao2,3,WANG Xuejiao3

(1.Hengyang Transport Machinery Co.Ltd.,Hengyang,421002,China;2.Hunan Sci.and Tech.Economy Trade Vocational College,Hengyang,421009,China;

3.University of South China,Hengyang,421001,China)

Abstract：For analysing and studing the characteristic and optimized mechanism of transient chaotic neural network,based on analysis of transient chaotic neuron model,through programming the simulation analysis in the Matlab software to compare the neural network dynamic characteristic and various parameters regarding the network optimization process influence.Transient chaotic neural network model by the chaos inherent in the use of random traversal of the track,and carries on the search in wide range according to its own rule,the search process,according to traverse chaotic orbit,free from restrictions on the objective function,which has overcome the local minimum The ability to effectively can solve a series of combinatorial optimization problems.The control network parameter is selected according to the network dynamic characteristic,through the simulation,problems of non－linear function optimization and 10 city TSP problems are solved.The optimization results is satisfied.And thus is conducive to such a chaotic neural network optimization problem in the promotion.

Keywords：transient chaotic neural network;optimization;non－liear function optimization;TSP

0 引 言

生物神經網絡是一個非常復雜的非線性巨系統,存在各種復雜的動力學行為,在生物學實驗中人們已觀察到人腦和動物神經系統中的各種混沌行為。由于人工神經網絡是對生物神經網絡的模擬,因而深入研究人工神經網絡中的復雜動力學(特別是混沌)對于提高人工神經網絡的智能化程度具有重要意義。人工神經網絡的一個重要應用領域是用于優化。神經網絡的尋求穩定平衡點的大規模并行計算能力對于優化問題是強有力的工具,但由于其利用梯度下降的動力學,因此在求解許多實際優化問題時常陷入局部極小值。由于混沌具有遍歷性、隨機性、規律性的特點,混沌運動能在一定范圍內按其自身的規律不重復地遍歷所有狀態,因此,利用混沌變量進行優化搜索,無疑會比隨機搜索更為優越?；煦鐒恿W為人們研究神經網絡提供了新的契機,用神經網絡研究或產生混沌以及構造混沌神經網絡,混沌神經網絡具有更加豐富和遠離平衡點的動力學特性?；煦鐒恿W是以對初始條件的敏感性以及在相空間的不停運動為特征的,這一特點使得混沌成為很好地在狀態空間進行搜索的機制,當將其用于優化時,它具有逃離局部極值的能力。正是基于這個機制,這里研究了暫態混沌神經網絡模型和其優化問題中的應用,它具有暫態的混沌動力學行為,可以對狀態空間做暫時的搜索。

1 暫態混沌神經元

混沌神經元是標定混沌神經網絡的基本單位,對于單個神經元的混沌特性的了解可為混沌神經網絡提供必要前提和認識基礎。在混沌神經元的研究中,振蕩子是一種典型的研究對象,因為振蕩子或它們的組合可表現出豐富的混沌動力學行為，為了理解混沌神經網絡的運行機理,在此以單個神經元為例檢驗該網絡的混沌動力學行為。首先給出暫態混沌神經網絡模型:

Иui(t+1)=kui(t)+α\j≠1wijvj+θ-s1(k)\〗-

gi(t)\И

當Е聯=0時單個神經元的網絡模型：

Иu(t+1)=ku(t)－g(t)\(1)

v(t)=11+exp{－μu(t)\}(2)

gi(t)=(1－β)gi(t+1)(3)

η(t+1)=η(t)ln{e+λ\}(4)И

在Matlab中仿真混沌神經元模型進行模擬仿真，對式（1）~式（4）隨機取參數Е=0.7,β=0.001,λ=0.006,μ=300Щ煦縞窬元內部狀態的演變如圖1所示。

圖1 混沌神經元狀態演化圖

對于這里的單個混沌神經元的動力學特性和控制參數的演化過程進行仿真與研究。

圖2、圖3是在式（1）~式（4）取參數k=0.9,β=0.001,λ=0.006，g(0)=0.08時單個神經元的動力學特征和控制參數的退化曲線，可以看出式（1）~式（4）組成的網絡具有暫態混沌動力學的行為，隨著控制參數在時間上的不斷衰減，通過一個倍周期倒分叉過程，網絡將逐漸趨于穩定的平衡點。

圖2 單個神經元的動力學特征

圖3 控制參數的退化曲線

圖4、圖5中k=0.9,β=0.003,λ=0.006，g(0)=0.08，由于圖4，圖5相對于圖2和圖3只是β增大，但可以知道β增大有利于加速收斂，但優化質量會有所下降，從網絡的動態方程可知，β增大使能量函數對動態方程的影響增大，如影響過大，將不能產生充分地混沌動態；反之太小的β使能量函數的變化不能充分的影響動態的演變，從而搜索過程難以收斂到對應最小能量值的最優解，同時過分的混沌搜索將導致優化過程變長。

圖4 單個神經元的動力學特征

圖5 控制參數的退化曲線

圖6、圖7中k=0.9,β=0.001,λ=0.008，g(0)=0.08，由圖6，圖7相對于圖2和圖3只是λ增大，然而可以知道λ增大有利于加速收斂，但優化質量會下降，λ的大小反應控制參數Z（t）的下降速率的快慢，過大的λ會使Щ煦綞態消失的過快，從而容易收斂到局部最小或非法狀態；反之混沌動態持續太久，將嚴重影響收斂速度。

圖6 單個神經元的動力學特征

圖7 控制參數的退化曲線

圖8、圖9中k=0.9,β=0.001,λ=0.008，g(0)=0.10，由圖8和圖9相對于圖2和圖3只是Z(0)增大，但可以知道Z(0)減小有利于加速收斂，但算法收斂到次優解的概率將增加，加快Z的下降速度，一旦混沌行為不充分則必然影響優化性能；反之Z(0)過大將使得下降過程過慢，從而混沌對系統演化過程的影響過大，收斂必然緩慢。

圖8 單個神經元的動力學特征

圖9 控制參數的退化曲線

2 暫態混沌神經網絡

上述部分對單個無反饋神經元的動力學特性和控制參數進行了仿真與研究，下面系統地對混沌神經網絡進行研究。顯然暫態混沌神經網絡有反饋項，而且還是許多單個的神經元構成，其構成是將混沌機制引入到Hopfield神經網絡中，構造出具有自組織特性和克服局部極小能力的暫態混沌神經網絡，其數學模型如下：

Иui(t+1)=kui(t)+α\j≠1wijvj+θ-s1(K)\〗-

gi(t)\(5)

vi(t)=11+exp{－μui(t)\}(6)

gi(t)=(1－β)gi(t+1)(7)

ηi(t)=ηi(t－1)ln{e+λ\}(8)И

其中：式（5）為混沌神經網絡的動態方程；式（6）為神經網絡的激勵函數。ui和vj為神經網絡在K時刻的輸入和輸出；wij為從第j個神經元到第i個神經元的連接權值；k為比例常數；θ為神經元偏置；S1(K)，S2(K)為外加的混沌變量；β和λ為時變量gi(t)和ηi(t)У乃ゼ躋蜃印Hopfield神經網絡離散型模型為：

Иui(K+1)=(1－Δtτ)ui(K)+Δtβ′［∑njwijvj(K)+θ］

=kui(K)+β［∑njwijvj(K)+θ］(9)И

比較混沌神經網絡和Hopfield神經網絡模型只是在Hopfield神經網絡后面加上Вgi(t)\項，變量gi(t)表示每個神經元的抑制自反饋鏈接的強度，當t0,gi(t)0,Щ煦縞窬網絡退化為神經網絡暫態混沌神經網絡模型綜合了隨機性和確定性算法的優點。優化過程分為基于混沌的“粗搜索”和基于Hopfield神經網絡“細（梯度）搜索”兩個階段。粗搜索中的混沌搜索同時具有隨機性和軌道遍歷性，具有克服陷入局部極小的能力。隨機性保證大范圍搜索能力，軌道遍歷性使算法能按系統自身的行為不重復地遍歷所有可能狀態，有利于克服一般隨機算法中以分布遍歷性的機制搜索帶來的局限性。粗搜索過程結束，轉入HHN梯度搜索及細搜索階段，隨著粗搜索結束，系統方程中控制參數決定項的作用很弱，及暫態混沌動力行為消失后，網絡優化過程基本按能量函數的梯度下降方向進行。此時的行為類似于Hopfield神經網絡尋優過程。系統最終收斂于一個穩定的平衡點，即收斂到全局意義下較滿意的解。

算法流程圖如圖10所示。

3 暫態混沌神經網絡模型在優化問題中的應用

3.1 在函數優化中的應用

求解下述非線性優化問題:

ИF(x)=(x1-0.8)2\+

(x2-0.6)2\И

目標函數的全局最小點為：（0.8，0.6）；局部極小點為有3個：（0.7，0.5），（0.7，0.6），（0.8，0.5）。以min F(x)為網絡的能量函數進行優化求解并給定相應的網絡參數和網絡初始值。

計算結果見表1。

表1 計算結果

全局最優解對應最優解迭代次數

理論解0.000.8，0.6-

混沌解1.478E－0070.799，0.59990

在此給出網絡的神經元的輸出X(t)隨時間的演化過程（隨時間變化）：如圖11所示。

圖10 優化流程圖

圖11 神經元1的輸出X1(t)和神經元2的輸出X2（t）

兩個神經元的輸出函數的初始狀態是不可預測的混沌運動，隨著非線性反饋強度的逐漸減弱，經過短暫的分叉過程后，最終收斂到網絡的穩定狀態（0.8，0.6）處。因此該網絡具有避免陷入局部極小值的能力，從而實現全局優化。

3.2 應用于TSP問題（10個城市TSP問題）

TSP問題是一類典型的組合優化難題,它要求旅行商用最短的路徑走遍地圖上的n個城市而且只能訪問一次,最后回到起始點。TSP問題分為對稱TSP(dij=dji)和非對稱TSP(dij≠dji)。其中：dij表示城市i與城市j之間的距離；對稱TSP的可能路徑有(n-1)!/2條,非對稱的有(n-1)!條。顯然,用窮舉法來尋找最短路徑將花費大量的時間,而且若城市數量大，則該方法幾乎是無法解決TSP問題的。1985年,Hopfield與Tank構造了TSP問題滿足所有限制條件的一個能量公式：

ИE=w12\ni=1(∑njxij－1)2+∑nj=1(∑nixij－1)2\〗

+w22∑ni=1∑nj=1∑nk=1(xkj+1+xkj－1)xijdikИ

同時,結合HNN算法成功地解決了TSP問題。但是對于10個城市的TSP問題,20次實驗中,只得到16次合法解,10次最優解通過分析得到解決TSP問題的差分方程：

yij(t+1)=kyij(t)+α{－w1\ni≠jxij(t)+

∑nk≠ixkj(t)\〗－w2\nk≠idik(xkj+1(t)+xkj－1)\〗+

w1}-zi(t)\, i=1,2,…，n

對于10個城市的TSP問題,原始數據取自文,參數選取如下:k=0.9; W1=1;W2=1;I0=0.65;γ=100;z(0)=0.05;εi=250;變動β,λ,隨機選取初始值仿真120次得到表2的仿真結果。

表2 仿真結果

Е力婁霜ё鈑漚猹な目次優解な目平均迭代ご問

0.020.060.011173320

0.020.040.011200289

0.020.040.024254

0.030.020.012241

從表2中取出1組數據Е=0.03，β=0.02，λ=0.01，神經元輸出能量函數演化圖以及最優路徑如圖12所示。

圖12 10個城市TSP最短路徑仿真圖

對圖12分析可以得到：模型中存在很多參數需要選取。輸入正比例系數Е劣跋斕代步數的多少與模型混沌動態性能,過小的α值使迭代步數增加,過大的α值則減弱模型混沌動態性能,故應該仔細選取該參數;β控制增益函數的衰減速率,這個參數將顯著影響尋優過程的收斂速度,較小的β值將會加快收斂速度;較大的λ值會加快收斂速度但會使混沌動態消失過快,從而影響尋優結果,較小的λ值會使混沌動態作用時間加長而使收斂速度變慢。

4 結 語

暫態混沌神經網絡利用混沌所固有的隨機性和軌道遍歷性在大范圍內按其自身規律進行搜索,搜索過程按混沌軌道遍歷,不受目標函數限制,從而具有克服陷入局部極小的能力。當混沌搜索結束以后,網絡進入類似Hopfield網絡的梯度搜索過程,由于混沌搜索為梯度搜索提供了一個好的位于全局最優解附近的初始值,因而可以較快地獲得全局意義下的最優解。通過實例仿真分析，比較暫態混沌神經網絡在優化方面顯示出了其優化方面的優勢和較好的發展前景。

參 考 文 獻

［1］Aihara K,Takabe T,Toyada M.Chaotic Neural Networks［J］.Phys.Letters A,1990,144(6/7):333－340.

［2］Nozawa H.Solutions ofthe Optimization Problem Using the Neural Network Model as a Globally Coupled Map［J］.Physica D,1994,75(1－3):179－189.

［3］張學義,胡仕誠,謝榮生,等.一種混沌神經網絡及其在優化計算中的應用［J］.系統工程與電子技術,2000,22(7)：69－71.

［4］王凌,鄭大鐘.一種基于退火策略的混沌神經網絡優化算法［J］.控制理論與應用,2000,17(1):139－142.

［5］竇春霞,張淑清.基于混沌神經網絡預測模型的最優控制決策及應用［J］.動力工程,2004,24(1):68－72.

［6］Chen Luonan,Aihara Kazuyuk.Global Searching Ability of Chaotic Neural Networks ［J］.IEEE Transactions on Circuits and System I:Fundamental Theory and Application,1999,46(8):974－993.

［7］竇春霞.基于混沌一神經網絡模型最優控制及應用［J］.系統工程學報,2004,19(3):229－233.

［8］李薪宇,呂炳朝.暫態混沌神經網絡中的模擬退火策略優化［J］.計算機應用,2005(10):198－200.

［9］周婷,賈振紅,劉秀玲.一種用于函數優化的小波混沌神經網絡［J］.計算機應用,2007,27(12):2 910－2 912.

［10］高海昌,馮博琴,朱利.智能優化算法求解TSP問題［J］控制與決策,2006(3):241－247.

篇7

【關鍵詞】模糊神經網絡；模糊控制；模糊辨識；規則抽取；學習算法

1 問題的提出

模糊邏輯和神經網絡都適于處理那些被控對象模型難以建立或存在大的不確定性和強非線性的系統. 由于神經網絡在分布式處理，學習能力，魯棒性，泛化能力方面具有明顯的優勢，而模糊系統的優勢在于良好的可讀性和可分析性，因此，將神經網絡的思想融合到模糊辨識和模糊控制模型中就可以實現兩者的優勢互補.模糊神經網絡控制針對雙方的特點相互借鑒和利用，比單獨的神經網絡控制或單獨的模糊控制具有更好的控制性能. 隨著智能控制理論的發展，模糊神經網絡控，難以實現系統的實時控制制受到控制界的廣泛關注，相繼提出了許多控制和辨識的方法.

本文總結了近期我國學者提出的幾種新的基于模糊神經網絡的系統辨識與控制方法，并通過仿真進行了各自特點的比較，希望可以通過這些比較，對這些研究加以改進和應用.

2 模糊神經網絡

2.1 仿射非線性系統

為了實現非線性系統的實時控制，基于徑向基函數網絡與TSK 型模糊推理系統的函數等價的特點，有學者提出了一種動態模糊神經網絡的在線自組織線性算法，從而實現了系統的結構和參數的同時在線自適應. 學習速度快是這種模糊神經網絡的突出特點.在此基礎上，針對未知仿射非線性SISO 系統提出了一種在線自適應模糊神經網絡辨識與控制方法. 該方法首先采用G2FNN 學習算法實時建模系統的逆動態，實現模糊神經網絡的結構和參數的同時在線學習. 然后，設計一個魯棒補償器與辨識好的模糊神經網絡組成復合控制器，并基于Lyapunov 穩定性理論設計自適應控制律進一步在線調整網絡的權值，實現系統的跟蹤控制.

控制目標是設計一個由G2FNN 控制器和魯棒控制器構成的模糊神經網絡自適應魯棒控制器， 使得系統的輸出y 跟蹤給定的參考輸入信號ym ，對于一個給定的干擾衰減水平常數ρ>0 ，獲得良好的H ∞跟蹤性能指標.

廣義模糊神經網絡G2FNN 由四層網絡結構組成，分別實現模糊邏輯的模糊化、模糊推理和解模糊化過程. 圖1 所示為單個輸出結點G2FNN 的結構.

圖1 G2FNN 的結構

G2FNN 中有兩類學習算法，即結構學習和參數學習. 結構學習是通過對每個新的訓練數據計算出G2FNN 的輸出與期望輸出之間的偏差來決定是否產生新的模糊規則或刪除多余的規則； 參數學習有兩個方面，一是當系統產生第N r+1條新的模糊規則時確定新規則前提參數ci （ N r+1） ，σi（N r+1），另一個是當不需要進行結構學習時對第三層與第四層網絡之間的權值向量W 的調節.

第一層直接將輸入語言變量xi（i =1，2，…Ni） 傳遞到下一層.

第二層計算輸入分量隸屬于各語言變量值模糊集合的隸屬度，隸屬度函數為高斯函數：

式中： cij ，σij （i =1 ，2 ， …， N r） 分別是第i 個輸入語言變量xi的第j 條隸屬度函數的中心和寬度；N r 為系統產生的規則數.

第三層是規則層， 這一層的每個結點代表一條模糊規則，它的作用是用來匹配模糊規則的前提，每個結點的輸出可以表示為：

第四層是結點定義語言變量的輸出， 它的作用是用來匹配模糊規則的結論，實現TSK型模糊推理系統的解模糊化過程. 其輸出為：

這里， Wj 為第三層與第四層之間的權值.

使用倒立擺系統方程進行仿真研究， 倒立擺的動態方程為：

系統仿真結果如圖（圖2）：

圖2 自適應模糊神經網絡控制系統跟蹤軌跡

由圖可知，所設計的控制器實現了模糊神經網絡的結構和參數的在線自適應，輸出跟蹤參考輸入信號，系統的誤差收斂速度快，魯棒性好.

由仿真可見，該方法不僅實現了模糊控制規則的自動產生和刪除，還保證了閉環系統的全局穩定，并使外部干擾和模糊神經網絡逼近誤差對系統跟蹤誤差的影響衰減到一個指定的水平.本方法不需要知道系統的控制增益，設計了一個魯棒補償器來抑制模糊神經網絡逼近誤差和外部干擾的影響. 系統魯棒性好，抗干擾能力強，所設計的控制器可用于系統的實時控制.

2.2 網絡參數自學習模糊控制

在模糊系統的許多應用中， 如模糊推理、模糊邏輯控制器、模糊分類器等， 提取模糊規則是一個重要步驟。在新興的研究領域――數據挖掘中， 提取模糊規則也起著重要作用。然而模糊控制規則的獲得通過由專家經驗給出， 這就存在諸如控制規則不夠客觀、專家經驗難以獲得等問題。因此研究模糊規則的自動生成有著重要的理論和應用價值。在許多問題中， 希望提取出來的模糊規則能夠用語言變量表示， 以便揭示模糊系統內部的規律， 同時這也是模糊系統的一個特色。為了提高抽取復雜系統模糊if- then 規則的質量， 將具有極好學習能力的神經網絡與模糊推理系統相結合， 產生了神經- 模糊建模方法， 這種方法綜合了兩種形式的特點， 提供了一種從數值數據集抽取模糊規則的有效框架。有關領域的研究者們提出了多種模糊邏輯與神經網絡結合的方法， 給出了各種用于提取模糊if- then 規則的神經網絡結構框架。

由于徑向基函數網絡（RBFN）以其結構簡單、良好的逼近能力、獨特點可分解性以及和模糊推理系統的函數等價性， 因此可應用于模糊系統。然而， 當一個模糊系統使用學習算法被訓練之后可能會影響其可解釋性， 也就是使得模糊系統的可理解性下降， 而可解釋性是模糊系統的一個突出特點。為了讓模糊系統在具有自學習和自組織性的同時也具有可解釋性這一突出特點， 以下提出了一種能夠有效表達模糊系統可解釋性RBF 網絡結構， 并進行了仿真實驗， 取得較好的仿真結果。

根據測量數據采用各種神經網絡自動提取模糊規則的方法， 在輸入輸出空間劃分部分運用的是聚類的思想， 而大多數其輸入輸出空間劃分數（ 聚類數） 是預先給定， 這不免帶有一定的盲目性， 直接影響規則的提取質量。為此， 本文關于初始聚類中心及聚類中心個數的確定方法采用文獻7 提出的一種聚類神經網絡初始聚類中心的確定方法。利用這種基于密度和基于網格的聚類方法， 能自動地進行樣本空間的劃分， 針對樣本空間劃分過程中不同階段的特點， 采用了不同的處理手段， 使得該方法在樣本空間劃分數、聚類學習時間等方面都具有比較明顯的優越性（圖3）。

圖3 仿真實驗結果

下面針對每個仿真曲面分別給出一組訓練樣本點為500 個， 評價樣本點為100 個的仿真結果圖， 如圖4所示：

圖4

從圖中， 可見各樣本數據的預測值與實際值吻合的比較好， 只有個別的點誤差較大， 這與訓練樣本點的選取有關。另外， 在系統模型建立好后， 為了檢驗模型的效果， 筆者另外又抽取幾組數據樣本作為評價樣本， 結果發現預測值與實際值相比， 誤差也在允許范圍內， 效果比較令人滿意。

本方法的創新點是提出了一種能夠有效表達模糊系統可解釋性RBF 網絡結構， 并給出了一種有效的提取模糊規則的算法， 這就使模糊系統在具有自學習和自組織性的同時也具有可解釋性這一突出特點。利用這種網絡結構和算法進行控制器設計， 至少有以下的優點：

（1）模糊系統具有很好的可解釋性。

（2）該算法克服了RBF 中心個數選擇的隨機性，較好地解決了樣本聚類。

（3）提出的增量數據處理方法保證了網絡結構能適應不斷擴大的數據集。

綜上所述， 這種RBF 模糊神經網絡控制算法，對于研究非線性， 時變的多變量系統， 提供了一種新的思路， 具有一定的理論意義和工程應用價值。

2.3 其他一些方法

其他的一些最近被提出的，如基于神經模糊網絡的方法，基于模糊推理網絡的方法（見圖5）， 基于非線性自回歸滑動平均模型等，都取得了很好的控制和辨識效果，具有有良好的發展和應用前景.

圖5 6層神經模糊推理網絡

3 總結

本文系統地敘述了目前研究比較熱門的近期我國學者提出的幾種新的基于模糊神經網絡的系統辨識與控制方法的研究成果，并簡要分析了各種方法的優缺點. 限于篇幅，除本文介紹的幾種方法外， 還有一些研究成果沒有列出. 本文的目的是為在這方面進行研究的學者提供一個系統的參考和建議.

【參考文獻】

[1]李佳寧，易建強，等.一種新的基于神經模糊推理網絡的復雜系統模糊辨識方法[J].自動化學報，2006，Vol.32，No.5.

[2]王鍇，王占林，付永領，祁曉野. 基于PNN與FNN模型神經網絡控制器設計與分析[J].北京航空航天大學學報，Vol.32， No.9，2006.

[3]李曉秀，劉國榮，沈細群.仿射非線性系統的在線自適應模糊神經網絡辨識與控制[J].湖南大學學報（自然科學版），2006，8，33（4）.

[4]李延新，李光宇，孫輝，李文.基于RBF 網絡的參數自學習模糊控制的研究[J].微計算機信息，2006，8，22（8）.

篇8

關鍵詞：直流伺服電機；PID；Hopfield神經網絡；參數整定

中圖分類號：TP27文獻標識碼：Adoi: 10.3969/j.issn.1003-6970.2011.03.029

PID based on Hopfield neural network in the application of DC servo motor

LV Ting-ting, CHEN Li, WANG Kai

(School of Information and Electrical Engineering of CUMT, Xuzhou, 221008)

【Abstract】For the nonlinear and time-varying factors of DC servo motor,we introduced a control method based on Hopfield neural network,combining with features of the traditional PID controller,in this paper. This method used of self-learning ability of Hopfield neural network.After training in the limited time,we can get the optimalparameters for PID controller. Simulated constructed model and did tracking experiment through Matlab. Experiments show that this method not only simplified the tuning complexity of classic PID control parameters, but also enabled real-time,better stability and tracking property.The effect on the control of the controlled object is an ideal.

【Key words】DC servo motor,PID,Hopfield neural network, parameter tuning

0引言

直流伺服系統廣泛應用行器、船舵、火炮等系統[1]。隨著工業過程的不斷發展，對直流伺服系統也提出了更高的要求。由于直流伺服電機本身存在很多非線性特性，而且抗干擾的能力很差，能否設計出良好的控制器是工業生產中必須解決的問題。PID控制是工業過程控制中最常見的一種控制策略，傳統的 PID控制器具有直觀、實用和魯棒性好等優點，但對高精度的伺服系統，顯然傳統的控制理論是不能滿足需求的。神經網絡具有良好的自學習和非線性逼近能力，可以有效的克服直流伺服系統中參數時變、非線性等問題[2]。本文將Hopfield神經網絡（簡稱CHNN）與PID 控制器相結合，共同完成對直流伺服電機的控制。仿真與實驗表明，該控制器具有較強的自學習能力和良好的跟蹤性能。

1基于CHNN的PID控制器參數優化

1.1Hopfield神經網絡介紹

1986年美國物理學家J.J.Hopfield利用非線性動力學理論中的能量函數的方法去研究反饋人工神經網絡的穩定性時，提出了Hopfield神經網絡[3]?；镜腍opfield神經網絡是一個由非線性元件構成的全連接型單層反饋系統，Hopfield網絡中的每一個神經元都將自己的輸出通過連接權傳送給網絡中的其它神經元，同時又都接收其它神經元傳遞過來的信息[4]。

反饋型網絡是一種動態網絡，它需要工作一段時間才能達到穩定[5]。 反饋型Hopfield神經網絡主要采用Hebb學習規則，計算收斂快，它與電子電路存在著對應關系，使該神經網絡易于理解和硬件的實現。Hopfield神經網絡的能量函數表征網絡狀態的變化趨勢，并可以依據Hopfield工作運行規則不斷進行狀態變化，最終能夠達到的某個極小值的目標函數。網絡收斂就是指能量函數達到極小值[4]。

1.2控制模型

CHNN主要由于 PID控制器參數的優化設計，其控制結構圖如下：

圖1基于CHNN優化的PID控制結構

該控制器由兩部分組成：一部分是傳統PID控制器的結構，如圖1中虛線框圖內所示，對系統的偏差信號進行比例、積分和微分計算并加權重相加處理，而且權重值就是相應的比例、積分和微分的系數；另一部是Hopfield神經網絡，根據系統輸出輸入的相關信息，通過反復學習和調整，確定網絡的權值矩陣和閾值，從而調節PID控制器所需要的參數[6]。在圖1中，被控對象采用線性離散系統空間表達式描述，本文以單輸入單輸出二階系統進行討論。

（1）

y(k)=Cx(k)

其中：

，，C=[01]

此時PID控制器在k時刻輸出為：

（2）

其中kp、ki、kd分別為比例、積分、微分系數；e(k)為控制系統在k時刻的誤差：e(k)=r(k)-y(k)；設CHNN在第k時刻的輸出為：

V(k)=[V1(k)，V2(k)，V3(k)]T=[kp，ki，kd]T （3）

2在直流伺服電機中的應用

2.1直流伺服電機的數學模型

圖2為永磁直流伺服電機無控驅動裝置的原理圖，根據此圖推導其傳遞函數。

圖2直流伺服電機裝置原理圖

根據直流電機的工作原理及基爾霍夫定律，直流電機的四大平衡方程：

電樞回路電壓平衡方程：

（4）

電磁轉矩方程：

Mm(t)=Kaia(t) （5）

轉矩平衡方程：

（6）

由電磁感應關系得：Ea=Kbω(t) （7）

其中，Ra和La分別為電樞回路電阻和電感，Ea為電機的反電勢，Mm(t)為電樞電流產生的電磁轉矩，Ka為電機轉矩系數，Ja為機械旋轉轉動慣量，f為旋轉的粘性摩擦系數，ua(t)為電樞電壓，ω(t)為電動機轉動速度，ia(t)為電樞回路電流。電動機負載變化為電動機轉動速度的擾動因數，用負載力矩Md(t)表示[7]。

2.2算法的實現

控制系統的輸入為階躍函數r(k)=1(k)，針對直流伺服電機的數學模型，采用由兩個神經元組成的CHNN對PI控制器進行優化設計。為了描述Hopfield網絡的動態穩定性，定義網絡的能量函數為[8]：

(8)

其中權值矩陣W是對稱的，即ωij=ωji。

選擇控制系統的目標函數為：

(9)

現在將PI控制器的輸出u(k)代入式(9)，我們就可以得到權值矩陣：

(10)

而Hopfield神經網絡的閾值為：

(11)

網絡選擇對稱型S非線性作用函數，其中增益為K：

(12)

這時網絡的輸出模型為：

(13)

離散化，并設則有：

(14)

3系統仿真

以直流伺服電機PI控制系統為對象，在matlab軟件軟件環境下進行仿真。被控對象的數學模型為：

(15)

當采樣周期T=0.1s時，可以得到直流伺服電機的離散表達式：

y(k)=1.2397y(k-1)-0.2397y(k-2)+0.0842u(k-1) (16)

仿真結果如圖3和圖4所示。

從圖3可以看出，整個系統在單位階躍信號的激勵下，系統響應的峰值時間為0.08s，調節時間為0.3s，超調量為0.35，而且無靜差，具有很好的動態特性；在圖4中，對正弦波進行跟蹤實驗。結果表明神經網絡有限次學習后得到的PID控制參數，可以有效的實現跟蹤控制，系統具有較好的自學習能力和很強的自適應性。

4結論

本文以直流伺服電機為背影，介紹了一種基于Hopfield神經網絡的PID控制算法。這種算法一方面繼承了經典PID控制器良好的實用性和較強的魯棒性，另一方面也利用了神經網絡的自學習、適應性強的特性，而且能夠充分結合兩者的優點對控制直流伺服電機進行有效地控制。仿真實驗表明：該方法計算量小，參數調整快，實時性好，且具有較強的魯棒性和較高的控制精度?？捎糜趯崟r性要求較高的直流伺服系統的跟蹤控制，因而有較高的實用價值。

參考文獻

[1] 張菊麗，王新民，張舉中.RBF神經網絡和FC復合控制在電動伺服系統中的應用[J].微電機，2007（5）：39-41

[2] 侯遠龍，童忠志.電氣傳動系統PID自適應控制研究[J].工業儀表與自動化裝置，2001（2）：11-13

[3] 魏東旭，馮小勤.基于Hopfield網絡的PID模型參考自適應控制的研究與仿真[J].2009（11）：113-115

[4] 劉金琨.智能控制[M].北京：電子工業出版社，2005.5

[5] 孫增圻，張再興，鄧志東.智能控制理論與技術[M].北京：清華大學出版社，1997.4

[6] 舒懷林.PID神經網絡及其控制系統[M].北京：國防工業出版社，2006.6

[7] 歷虹，楊黎明，艾紅.伺服技術[M].北京：國防工業出版社，2008.8

[8] 徐麗娜.神經網絡控制[M].北京：電子工業出版社，2009.7

篇9

[論文摘要]簡單回顧模糊控制、神經網絡控制、專家系統控制、線性最優控制、綜合智能控制等典型智能技術在電力系統自動化中的運用。

電力系統是一個巨維數的典型動態大系統，它具有強非線性、時變性且參數不確切可知，并含有大量未建模動態部分。電力系統地域分布廣闊，大部分元件具有延遲、磁滯、飽和等等復雜的物理特性，對這樣的系統實現有效控制是極為困難的。另一方面，由于公眾對新建高壓線路的不滿情緒日益增加，線路造價，特別是走廊使用權的費用日益昂貴等客觀條件的限制，以及電力網的不斷增大，使得人們對電力系統的控制提出了越來越高的要求。正是由于電力系統具有這樣的特征，一些先進的控制手段不斷地引入電力系統。本文回顧了模糊控制、神經網絡控制、專家系統控制、線性最優控制、綜合智能控制等五種典型智能技術在電力系統中的運用。

一、模糊控制

模糊方法使控制十分簡單而易于掌握，所以在家用電器中也顯示出優越性。建立模型來實現控制是現代比較先進的方法，但建立常規的數學模型，有時十分困難，而建立模糊關系模型十分簡易，實踐證明它有巨大的優越性。模糊控制理論的應用非常廣泛。例如我們日常所用的電熱爐、電風扇等電器。這里介紹斯洛文尼亞學者用模糊邏輯控制器改進常規恒溫器的例子。電熱爐一般用恒溫器（thermostat）來保持幾擋溫度，以供烹飪者選用，如60，80，100，140℃。斯洛文尼亞現有的恒溫器在100℃以下的靈敏度為±7℃，即控制器對±7℃以內的溫度變化不反應；在100℃以上，靈敏度為±15℃。因此在實際應用中，有兩個問題：①冷態啟動時有一個越過恒溫值的躍升現象；②在恒溫應用中有圍繞恒溫擺動振蕩的問題。改用模糊控制器后，這些現象基本上都沒有了。模糊控制的方法很簡單，輸入量為溫度及溫度變化兩個語言變量。每個語言的論域用5組語言變量互相跨接來描述。因此輸出量可以用一張二維的查詢表來表示，即5×5=25條規則，每條規則為一個輸出量，即控制量。應用這樣一個簡單的模糊控制器后，冷態加熱時躍升超過恒溫值的現象消失了，熱態中圍繞恒溫值的擺動也沒有了，還得到了節電的效果。在熱態控制保持100℃的情況下，33min內，若用恒溫器則耗電0.1530kW·h，若用模糊邏輯控制，則耗電0.1285kW·h，節電約16.3%，是一個不小的數目。在冷態加熱情況下，若用恒溫器加熱，則能很快到達100℃，只耗電0.2144kW·h，若用模糊邏輯控制，達到100℃時需耗電0.2425kW·h。但恒溫器振蕩穩定到100℃的過程，耗電0.1719kW·h，而模糊邏輯控制略有微小的擺動，達到穩定值只耗電0.083kW·h?？傆嬤_100℃恒溫的耗電量，恒溫器需用0.3863kW·h，模糊邏輯控制需用0.3555kW·h，節電約15.7%。

二、神經網絡控制

人工神經網絡從1943年出現，經歷了六、七十年代的研究低潮發展到現在，在模型結構、學習算法等方面取得了大量的研究成果。神經網絡之所以受到人們的普遍關注，是由于它具有本質的非線性特性、并行處理能力、強魯棒性以及自組織自學習的能力。神經網絡是由大量簡單的神經元以一定的方式連接而成的。神經網絡將大量的信息隱含在其連接權值上，根據一定的學習算法調節權值，使神經網絡實現從m維空間到n維空間復雜的非線性映射。目前神經網絡理論研究主要集中在神經網絡模型及結構的研究、神經網絡學習算法的研究、神經網絡的硬件實現問題等。

三、專家系統控制

專家系統在電力系統中的應用范圍很廣，包括對電力系統處于警告狀態或緊急狀態的辨識，提供緊急處理，系統恢復控制，非常慢的狀態轉換分析，切負荷，系統規劃，電壓無功控制，故障點的隔離，配電系統自動化，調度員培訓，電力系統的短期負荷預報，靜態與動態安全分析，以及先進的人機接口等方面。雖然專家系統在電力系統中得到了廣泛的應用，但仍存在一定的局限性，如難以模仿電力專家的創造性；只采用了淺層知識而缺乏功能理解的深層適應；缺乏有效的學習機構，對付新情況的能力有限；知識庫的驗證困難；對復雜的問題缺少好的分析和組織工具等。因此，在開發專家系統方面應注意專家系統的代價/效益分析方法問題，專家系統軟件的有效性和試驗問題，知識獲取問題，專家系統與其他常規計算工具相結合等問題。

四、線性最優控制

最優控制是現代控制理論的一個重要組成部分，也是將最優化理論用于控制問題的一種體現。線性最優控制是目前諸多現代控制理論中應用最多，最成熟的一個分支。盧強等人提出了利用最優勵磁控制手段提高遠距離輸電線路輸電能力和改善動態品質的問題，取得了一系列重要的研究成果。該研究指出了在大型機組方面應直接利用最優勵磁控制方式代替古典勵磁方式。目前最優勵磁控制的控制效果。另外，最優控制理論在水輪發電機制動電阻的最優時間控制方面也獲得了成功的應用。電力系統線性最優控制器目前已在電力生產中獲得了廣泛的應用，發揮著重要的作用。但應當指出，由于這種控制器是針對電力系統的局部線性化模型來設計的，在強非線性的電力系統中對大干擾的控制效果不理想。

五、綜合智能系統

綜合智能控制一方面包含了智能控制與現代控制方法的結合，

篇10

【關鍵詞】BP神經網絡；TOC理論；工程造價；預控措施；分析

建筑業作為我國的主要物質生產部門，一直以來都在國民經濟的發展中占有重要地位。即使是在2008年美國次貸危機以來，我國政府通過強有力的擴大內需的一系列措施，使得我國的經濟繼續的保持著快速的增長。而建筑業也要在此過程中，不斷的學習工程造價管理的先進方法，同時也要不斷的總結實施工程造價中的經驗教訓，不斷的大膽創新，從而不斷的提升我國的工程造價實踐水平以及理論層次。下文主要結合BP神經網絡對工程造價的預測以及TOC理論對工程造價的控制進行論述。

1 BP神經網絡的預測

BP神經網絡的清晰表述是在20世紀80年代被提出的，這一算法的提出不僅解決了多層神經網絡的學習問題，同時也實現了多層網絡的設想，從而極大的促進了神經網絡的發展。BP神經網絡的全稱為Back Propagation，即誤差反向傳播神經網絡，是一種多層、前向的神經網絡，可以簡單的理解為誤差的傳播方向是與信號的前向傳播相反方向的。一般的BP網絡都有不止一個的sigmoid隱層以及線性的輸出層，從而可以有效的實現對多個不連續點函數的逼近。反向傳播也就是從后向前的進行誤差的調整，網絡的權值順著性能函數的梯度反向的調整。

BP神經網絡的結構圖如下圖1所示，每一個神經元都是用一個節點表示，P、A是網絡的輸入以及輸出向量，網絡由隱層、輸入層以及輸入層節點組成，其中隱層可以是一層，也可以是多層，通過權將前后層連接起來。

圖1 BP神經網絡

2 TOC理論的控制

TOC約束理論是由以色列物理學家在1984年首次提出的，這一理論的研究以及應用為我們展現了一種全新的管理理念。十多年后他有提出了關鍵鏈法，主要應用于項目進度計劃問題的解決，這一方法的主要思想就是工程項目必須遵守整體優化而非局部優化。關鍵鏈及時考慮兩種約束，同時將其網絡化并應用于項目的進度規劃決策的技術。

這一技術主要由5個步驟組成：（1）識別系統的局限性（2）考慮如何利用這一瓶頸；（3）設法使得其它的決策服從與上面的決定;(4)提升系統的瓶頸；（5）如果瓶頸問題得以解決，那么回到第一步繼續執行這一操作。

關鍵鏈技術是以全局的角度來進行各道工序安全時間的設定，統一到緩沖中的安全時間并不一定保證每一道工序的按期完成，但是卻可以照顧到全局施工進度。由于輸入緩沖以及項目緩沖可以有效的消除項目中的不確定因素對項目計劃執行的影響，管理人員通過關注項目的進展情況，通過緩沖區調整項目的進度并實施項目的優化。

3 基于BP神經網絡與TOC理論的工程造價預測與控制

3.1 基于BP神經網絡的工程造價預測

通過MATLAB7.0建立模型可以分為以下四步：

3.1.1 樣本的輸入值。輸入值的確定要參照以下各種費用：設計概算階段的預備費、設計概算階段的設備及工器具購置費、設計概算階段的建筑安裝工程費、設計概算階段的工程建設其他費用。樣本的期望值以及輸出值的確定要考慮到以下幾種費用：工程建設其他費用、工程決算階段與設計概算階段相比的建筑安裝工程費、設備及工器具購置費、預備費增長的大小。樣本的輸出值范圍在-1到1之間，前者表示沒有風險，后者表示風險最大。

3.1.2 通過MATLAB7.0構造BP神經網絡。輸入層以及輸出層的神經元節點數目分別設置為N1和N3，而BP神經網絡隱層節點的設計檢驗公式為： （a=1―10，N1、N3分別為輸入與輸出的節點數）。然后進行訓練函數、輸出層函數以及隱層函數的選擇，同時設置訓練的次數以及目標。

3.1.3 將樣本數據帶入程序，通過訓練、學習、測試樣本檢驗，達到預定的目的。

3.1.4 通過輸入一組向量P,模型將輸出一組預測得到的列向量A。

3.2 基于TOC理論的工程造價控制

為了有效的控制工程造價，TOC理論思想要求將工程造價中風險費用的增加按照同一個保證率計算，然后將這一保證率之下費用差值安排到預備費用中的基本預備費中，或者理解為將其設置為緩沖區。我們可以將輸出的預測向量值設置為：

與之相對的輸入向量設置為

按照上文所述的TOC理論的實施步驟，第一步是進行系統瓶頸的識別，得到的結果對應于輸出值A向量，然后是如何使用系統的瓶頸讓P乘以對應的輸出值A向量，將 ， 放回設計概算階段的預留金中實施整體控制。第三步是設法使得其它的決策服從與上面的決定以及第四步通過監控以及關注各部分工程的執行情況提高系統的瓶頸，通過緩存器的使用情況來控制工程造價。

從以上的論述可見，基于BP神經網絡與TOC下工程造價預控是在對于工程造價模式優化之下對于工程造價所實行的控制，可以解決長期困擾我們的工程造價難以控制的問題。

4 案例分析

本文以天津某高速公路為例，運用BP神經網絡與TOC技術實施工程造價預控，從下表1可以看出應TOC理論優化后的工程總額減少了204778.4―202705.8=2072.6萬元，降低了決算總額的1%。也就是說通過計價模式的優化以及造價中風險費用的整體控制，可以從根本上解決工程造價難以控制的問題，有助于我國工程造價的良性發展。

表1 TOC理論優化后的某高速公路投資控制情況比較 單位:萬元

利用MATLAB建立模型，得出基于BP神經網絡的天津某高速公的造價預算。模型建立的過程不再復述，將得到的樣本訓練圖給出，如下圖2：

圖2 樣本訓練圖

經檢驗，天津某公路的此時結果與實際值吻合，因此基于BP神經網絡的高速公路造價預算可以滿足實際的需求，模型的建立很成功。

基于TOC理論的工程造價控制，通過將施工整個過程的分散的風險因素整合、統一控制，同時在不斷的監控以及緩沖器的配合下達到了有效控制工程造價的目的。該方法的主要思想是遵從項目的整體優化而非簡單的局部優化。這種不同于傳統中獎工程

的造價局限于某個或者一個階段，也就不可能從工程的整體出發，自然也不利于造價控制的實施。

基于BP神經網絡的工程造價預測通過高度的非線性映射以及充分的應用工程造價的歷史數據，從而得到預測結果。這種方法之所以具有廣泛的應用前景，是源于此方法與傳統方法相比所表現出的優越性，即具有自適應、自組織、自學習以及泛化能力。同時這一方法的實施也需要準確的樣本期望數據以及樣本輸入數據，從而為我國的工程造價制度以及造價數據的測量提出新的要求。

5 結束語

上文的論述表明，基于BP神經網絡的工程造價預測，在結合了TOC理論情況下，實現了對于工程造價的控制。這種控制方式不僅是對于計價模式的優化、在優化的模式下對于工程造價的控制，同時也是有效實現工程造價控制以及對于當前的工程造價理論的有力推進。

參考文獻;

[1]深圳市中哲投資顧問有限公司．2010―2015年中國建筑業投資分析及前景預測報告.深圳:中投顧問產業研究中心.2009