反向传播神经网络基本原理范文

导语：如何才能写好一篇反向传播神经网络基本原理，这就需要搜集整理更多的资料和文献，欢迎阅读由公务员之家整理的十篇范文，供你借鉴。

篇1

（一）BrainCell

神经网络基本原理本文主要应用了BrainCell神经网络软件来实现B2B电子商务供应链协同绩效评价模型的计算与分析。BrainCell神经网络采用误差反向传播学习算法，算法从两个方面（信号的前向传播和误差的反向传播）反复进行迭代学习。其基本原理是输入层各神经元在接收外接的信息后，传递给隐含层的神经元，根据减少目标输出与实际输出误差的方向，从输入层经过隐含层逐层修正各连接的权值，直到将误差调整到能够接受的程度，这不仅是各层权值不断修正的过程，也是学习训练神经网络的过程，若学习样本的计算输出提前达到预期的结果，则训练过程结束，否则将学习到预先设定的学习次数为止，最后由输出层输出信息处理的结果，如上图所示。

（二）BrainCell神经网络实现步骤

1.网络层数的确定根据Kolmogrov理论可知，含有一个隐含层的三层神经网络可以以任意精度逼近一个从输入到输出的映射关系。因此，在BrainCell神经网络中采用含有单隐层的三层神经网络。2.网络节点的确定输入层节点的多少与评价指标个数是相对应的。因此，根据构建好的B2B电子商务供应链协同绩效评价指标体系，可以将一级指标与二级指标进行合并，作为输入层的节点数，其指标数如表1所示，因此输入层节点数为19个。输出层节点则为1个，在此以B2B电子商务供应链协同绩效等级结果作为输出值。3.网络训练本文采用的训练函数为trainscg，将网络训练的精度设置为10-4并初始化权值和阈值后，从15个样本中选取12个作为训练样本进行批处理训练，开启网络进行学习训练。其具体步骤如下。假设训练样例是形式（a，b），其中a为输入向量，b为输出值。N为输入节点数，M为输出层节点数。从单位i到单位j的输入表示aij，单位i到单位j的权值表示Wij。（1）创建具有N个输入单位，M个输出单位的BrainCell神经网络。（2）用随机数（0或1）初始化某些数字变量网络权值Wij。（3）对于第k个训练样例（a，b），把输入跟着网络前向传播，并计算网络中每个单元x的输出Qx，使误差沿着反向传播。（4）对于每个输出单元u，计算它的误差项。（5）对于每个隐含单元h，计算它的误差项。（6）利用误差项更新调整每个网络权值。（7）重复（3）到（6），直到完成指定的迭代次数或者是其误差值达到可接受的范围。4.网络检验将剩下的3个验证样本数据输入到训练好的网络中，将其训练结果与实际结果相比较，检验BrainCell神经网络得到的输入与输出间的关系是否正确，从而反映出该绩效评价体系的准确性和可靠性。

二、实证研究与分析

（一）确定绩效评价等级

由于各个企业供应链自身发展的情况不同，各具特点，其形式、结构各异，因此如何划分绩效评价等级，如何更好地反映绩效评价等级至关重要。本文以绩效考核成绩最好为1，最低为0为临界值，由高到低划分5个等级，并通过绩效等级系数来体现，见表2所示。

（二）指标数据获取和处理

本文以天猫商城中某珠宝饰品有限责任公司为例，该公司有比较稳定的供应商，且与多家企业都有长期合作关系。根据公司的实际管理情况，整理出该公司供应链协同管理的绩效指标评价体系研究的基础数据，应用BrainCell软件对这些基本数据进行计算。为使各指标在整个系统中具有可比性，本文利用效应系数将指标在闭区间[0，1]上进行同趋势化无量纲化和定性指标定量化处理。结果表明，该公司的供应链整体绩效基本良好，其绩效评价等级系数主要都集中在[0.5,0.8]这部分区间内，与该公司所处供应链实际情况相符。该公司运作情况基本令人满意。

三、结语及展望

篇2

【关键词】BP神经网络；遗传算法；变压器；故障诊断

1 引言

变压器作为电力系统重要的变电设备，其运行状态直接影响到供电的可靠性和整个系统的正常运行。一旦发生事故，将对电力系统和终端用户造成严重的影响。因此研究变压器故障诊断技术，对电力系统安全运行有着重要的现实意义。

对变压器油中溶解气体进行色谱分析（DGA）是变压器内部故障诊断的一种重要的手段。基于此技术，采用具有高度的非线性映射以及自组织、自学习能力的人工神经网络，现阶段在进行故障诊断时多采用BP神经网络。BP算法是基于梯度的方法，容易陷入局部极小值，且收敛速度慢。GA遗传算法的发展为我们提供了一个全局的、稳健的搜索优化方法，本文充分利用GA具有不受函数可微与连续的制约，并且能达到全局最优的特点，由GA寻找最优的BP网络权值与相应节点的阈值，并加入动量因子，此方法弥补了传统优化方法的不足，极大地改善了BP网络的性能。

2 BP神经网络及遗传算法原理

2.1 BP神经网络的基本原理

BP神经网络是一种利用反向传播训练算法的前馈型神经网络，BP学习算法基本原理是梯度最速下降法，中心思想是调整权值使网络总误差最小，即采用梯度搜索技术，以使其网络的实际输出值与期望输出值的误差均方值为最小。

BP学习算法包括前向传播和误差反向传播两个学习阶段。当给定网络的一个输入模式时，输入信号经隐层逐层处理后传到输出层，并由输出层处理后产生一个输出模式，称为前向传播；当输出响应与期望的输出模式有误差时，则转入误差反向传播。即将误差值沿原来的连接通路逐层反向传播直至输入层，并修正各层连接权值。对于给定的一组训练模式，不断地重复前向传播和误差反向传播的过程，通过沿途修改各层神经元间的连接权和神经元阈值使得误差达到最小。当各个训练模式都满足要求时，就说BP网络已学习好。BP神经网络模型的基本结构如图1。

2.2 附加动量的BP神经网络

传统的BP神经网络训练在修正权值时，是按着k时刻的负梯度方式进行修正，而忽略了之前积累的经验，导致权值的学习过程发生振荡，收敛缓慢。因此提出加入动量因子a，此时k+1时刻的权值为：

附加动量法总是力图使同一梯度方向上的修正量增加。这种方法加速了收敛速度，并在一定程度上减小了陷入局部极小的概率。

2.3 GA遗传算法的基本原理

GA是模拟自然界优胜劣汰的进化现象，把搜索空间映射为遗传空间，把可能的解编码成一个向量（染色体），向量的每个元素称为基因。通过不断计算各染色体的适应值，选择最好的染色体，获得最优解。

首先把问题解用遗传表示出来，在对种群中的个体进行逐个解码并根据目标函数计算其适应值。根据适应值的大小而决定某些个体是否得以存活的操作，把适应值高的个体取出复制再生，再将两个个体的某些部分互换并重新组合而成新的个体，经过交叉后随机地改变个体的某些基因位从而产生新的染色体。这样的过程反复循环，经过若干代后，算法就收敛到一个最优的个体，问题最终获得全局最优解。GA流程图如图2所示：

3 GA优化BP神经网络的变压器故障诊断模型设计

GA-BP算法主要思想是：先利用神经网络试探出最好的网络的隐层节点数，再利用遗传算法在整体寻优的特点将网络的权值优化到一个较小的范围，进而用BP算法继续优化。

3.1 BP网络的建立

（1）输入模式的确定

本文为了充分利用在线监测中的特征气体而又不使输入量过大，特取C2H2/C2H4、C2H4/C2H6、CH4/H2的比值归一后作为输入矢量。

（2）输出模式的确定

本文对输出层采用正常、低温过热、中温过热、高温过热、局部放电、低能放电、高能放电共7个神经元。输出值最大为l，数值越大则表明该类型的故障的可能性和严重程度也越大，如表2.1：

（3）隐含层神经元数确定

本文参考关于隐含层神经元数的理论研究和经验公式，获得理论值为5～15。再利用matlab 软件，通过试凑法对网络进行训练，将隐层节点设置为6、8、10、12、14，将其输入计算机，在相同训练条件下进行训练，得知隐层节点数为12时网络收敛性能好，收敛时间较短。故选节点数为12。

综上所述，本文构建一个输入层为3，隐含层为12，输出层为7的BP神经网络。

3.2 GA对BP网络进行优化

（1）初始化种群P、以及权值、阈值初始化；在编码中，采用实数进行编码，本文初始种群取30；

（2）计算每一个个体评价函数，并将其排序；可按下式概率值选择网络个体：

其中 i为染色体个数，k为输出层节点数，YK为训练值，P为学习样本数，T为期望目标值；

（3）进行选择复制、交叉、变异遗传操作；

（4）将新个体插入到种群P中，并计算新个体的评价函数；

（5）计算BP的误差平方和，若达到预定值则进行BP神经网络的训练，否则重复进行遗传操作；

（6）结束GA操作，以GA遗传出的优化初值作为初始权值，运用BP神经网络进行训练，计算其误差，并不断修改其权值和阈值，直至满足精度要求，此时说明BP网络已经训练好，保存网络权值和阈值。

4 故障诊断系统的仿真

本文选取了具有代表性的30组作为训练样本， 在建立的GA-BP变压器故障诊断网络中输入样本进行训练，其遗传算法适应度曲线、误差平方和曲线和GA-BP的训练目标曲线图分别见图3、图4和图5。

从图中可以看出，适应度较高的个体被遗传了下来，适应度较低的则被淘汰；GA进行了150代的遗传操作达到了目标值；GA-BP算法进行了106步左右就收敛到指定精度0.0005。由此看出，此GA优化BP建立的变压器故障诊断模型的收敛精度和收敛速度都比较高。

采用实际检测到的10组电力变压器故障实例（表2）来验证网络性能，神经网络诊断结果和实际故障结果的比较，如表3所示：

由表3可见，基于遗传算法优化BP神经网络的变压器故障诊断系统在故障诊断中达到了很高的准确率，能较好地满足变压器故障诊断的要求，极大的提高了诊断的可靠性和准确性。

5 结束语

文中将遗传算法与BP网络相结合，在DGA的基础上设计了适用于变压器故障诊断的3-12-7结构的BP神经网络。先对网络的权值阈值进行GA算法处理，并在传统的BP算法中加入动量因子，通过MATLAB编程实现了GA优化BP网络。通过仿真分析可知GA优化BP网络收敛性能的提高改善了BP网络的学习效率，并在下一步的诊断工作中体现其高准确率，推广了此优化网络在变压器故障诊断的实用性。

参考文献：

[1]张绪锦，谭剑波，韩江洪.基于BP神经网络的故障诊断方法[J].系统工程理论与实践，2002（6）.

[2]王少芳，蔡金锭.GA―BP混合算法在变压器色谱诊断法中的应用[J].高电压技术，2003（7）.

[3]郑高，戴玉松.人工智能方法在变压器故障诊断中的应用[J].四川工业学院报，2004 （5）.

[4]李国勇.智能控制机器MATLAB实现[M].电子工业出版社，2005.

[5]徐志钮，律方成.多神经网络方法在变压器油色谱故障诊断中的应用[J].高压电器，2005（3）.

篇3

关键词:功率放大器;预失真;神经网络;互调失真

中图分类号:TP183文献标识码:A

文章编号:1004-373X(2009)10-133-04

Research of Adaptive Digital Predistortion Based on Neural Network

QIU Wei,XU Yitao,REN Guochun,ZHONG Zhiming

(Communication Engineering College,PLA University of Technology,Nanjing,210007,China)

Abstract:Because of inherent nonlinearity of high power amplifier,f-band distortion and adjacent-channel interference,which may have bad influence on communication system.To overcome it,a linearization process is given.First,this paper makes a math analysis about nonlinearity distortion of HPA,describes the basic principle about digital predistortion.And then,after depicting simple neural network,the paper proposes an adaptive digital predistortion technology based on SISO-neural network,which can improve third-order and fifth-order intermodulation and comparing with polynomial-fitting technology,it has more advantage on convergence speed and difficulty of hardware realization.At last,the paper uses a double-sound signal to make a matlab simulation,the results also prove this technology′s superiority.

Keywords:power amplifier;pre-distortion;neural network;intermodulation distortion

伴随无线通信技术的迅猛发展,使得人们对通信系统的容量要求越来越大。现代通信系统为了追求更高的数据速率和频谱效率,更趋向于采用线性调制方式,如16QAM和QPSK方式,以及多载波配置[1]。这些技术产生的信号峰均比较大,均要求功率放大器具有良好的线性特性,否则就会出现较大的互调失真,同时会导致频谱扩展,造成临道干扰,使误码率恶化,从而降低系统性能。

目前,克服放大器非线性失真主要有三种方法,一是直接制造超线性功率放大器,但制造这样的放大器工艺极其复杂,价格非常昂贵,且一般只适用于小功率放大器。二是采用功率回退技术,使功放工作在线性区,可以使其从饱和功率点做较大回退来满足线性放大的要求,但这样做会使功放效率大大降低,一般小于10%。三是采用线性化技术,即通过适当增加一些电路来克服其非线性影响。目前功放线性化技术主要有前馈、负反馈和预失真技术。负反馈固有的稳定性问题,使得反馈线性化技术工作在无线频率无法保持系统稳定[2]。前馈技术是早期用得比较多的一项技术,比较成熟,但其最大的难点在于为保持不同器件之间的幅度和相位特性完全匹配[2],会使系统和设备都较复杂。预失真技术具有电路形式简单,调整方便,效率高,造价低等优点[3]。其中,基带预失真还能采用现代的数字信号处理技术,是被最为看好的一项功放线性化技术。

文章利用一种简单的单入单出三层前向神经网络来进行自适应预失真处理,补偿由高功率放大器非线性特性引起的信号失真,从而实现其线性化。文中分析基于这种结构的自适应算法,并做了相应的仿真,仿真结构表明,该方法能有效改善三阶互调和五阶互调,且收敛速度比一般多项式预失真更快,具有一定的优势。

1 高功率放大器非线性分析

高功率放大器一般都是非线性器件,特别是当输入信号幅度变化较大时,放大器工作区将在饱和区、截止区、放大区之间来回转换,非线性失真严重,会产生高次谐波和互调失真分量。由于任何函数理论上都可以分解为多项式的形式,故放大器的输入和输出关系表示为:

Vo=a1Vi+a2V2i+a3V3i+…+anVni(1)

假设输入的双音信号为:

Vi=V1cosω1t+V2cosω2t(2)

将式(2)代入式(1),得到输出电压为:

Vo=a22(V21+V22)+

a1V1+a334V31+32V1V22+…〗cosω1t+

a2V2+a334V32+32V2V21+…〗cosω2t+

12a2V21+…cos(2ω1t)+12a2V22+…•

cos(2ω2t)+14a3V31+…cos(3ω1t)+

14a3V32+…cos3ω2t+a2V1V2\ω2)t+cos(ω1-ω2)t\〗+34a3V21V2\ω2)t+cos(2ω1-ω2)t\〗+34a3V22V1\ω1)t+cos(2ω2-ω1)t\〗+58a5V31V22cos(3ω2-

2ω1)t+58a5V21V32cos(3ω1-2ω2)t

从上式可以看出,输出信号中不仅包含2个基频ω1,ω2,还产生了零频,2次及高次谐波以及互调分量。其中的2ω1-ω2,2ω2-ω1,3ω1-2ω2和2ω1-3ω2通常会落在通频带内,一般无法滤除,是对通信影响最大的非线性失真分量,即所谓的三阶互调和五阶互调。放大器线性化的目标就是在保证一定效率的前提下最大地减小三阶和五阶互调分量。

2 预失真基本原理及其自适应

预失真就是在信号通过放大器之前通过预失真器对信号做一个与放大器失真特性相反的失真,然后与放大器级联,从而保证输出信号相对输入信号是线性变化。预失真器产生一个非线性的转移特性,这个转移特性在相位上与放大器转移特性相反,实质上是一个非线性发生器,其原理图如图1所示。

预失真器的实现通常有查询表法和非线性函数两种方式[2]。由于查表法结构简单,易于实现,早期的预失真多采用此方法。但它对性能的改善程度取决于表项的大小,性能改善越大,需要的表项越大,所需要的存储空间也越大,每次查找遍历表项的每个数据和更新表项所需要的时间和计算也越大,因此在高速信息传输的今天已经不可取。非线性函数法是根据对放大器输出信号采样值与其输入信号,用一个非线性工作函数来拟合放大器的工作曲线,然后根据预失真器特性与放大器特性相反,求出预失真器的非线性特性函数,从而对发送信号进行预失真处理。这种方法只需要更新非线性函数的几个系数,也不需要大的存储空间,因此是近年来研究的热点。

图1 预失真基本原理

假设预失真器传输函数为F(x);放大器传输函数为G(x);F和G均为复函数。若输入信号为x(t),则经过预失真器之后的信号为u(t)=F\,放大器的输出函数为y(t)=G\=G{F\}。预失真的目的就是使x(t)通过预失真器和放大器级联后的输出y(t)=ax(t),a为放大器增益。通过一定的方法可以找到合适的F,使实际输出和期望输出的误差最小。

由于温度、电器特性、使用环境等因素的不断变化,放大器的传输特性也会发生变化,从而预失真器传输函数F(x)的各参数也会随之变化。因此,现代数字预失真技术一般都采用自适应技术,以跟踪调整参数的变化。目前,常用的两种自适应预失真结构如图2和图3所示。

图2 自适应预失真系统结构图

图3 复制粘帖式自适应预失真系统结构图

图2是一般的通用自适应结构,结构简单,思路明确,但一些经典的自适应算法由于多了放大器求导项而不能直接应用,且需要辨识放大器的传输特性。图3的复制粘帖式结构(非直接学习)则不存在这些问题,关于这种结构的优缺点比较和具体性能分析见文献[4]。这里将采用后一种自适应结构。

3 基于一种单入单出式神经网络的自适应预失真技术

3.1 神经网络

神经网络是基于生物学的神经元网络的基本原理而建立的。它是由许多称为神经元的简单处理单元组成的一类自适应系统,所有神经元通过前向或回馈的方式相互关联、相互作用。由Minsky和Papert提出的多层前向神经元网络是目前最为常用的网络结构。它被广泛应用到模式分类和函数逼近中,已经证明含有任意多个隐层神经元的多层前向神经元网络可以逼近任意的连续函数[5]。在此,就是利用神经网络的这种功能来拟合预失真器的特性曲线,并且用改进的反向传播算法来自适应更新系数。

多层前向神经元网络由输入层、一个或多个隐层和输出层以前向的方式连接而成,其每一层又由许多人工神经元组成,前一层的输出作为下一层神经元的输入数据。三层前向神经元网络示意图如图4所示,其中输入层有M个人工神经元,隐层有K个神经元,输出层有N个神经元。关于人工神经元的具体介绍

参考文献[6,7]。

图4 三层前向神经元网络

3.2 基于单入单出式神经网络的自适应预失真系统模型

单入单出三层前向神经网络示意图如图5所示,假设隐层包含K个神经元。输入数据经过一系列权系数{w11,w12,…,w1K}加权后到达隐层的各个神经元。隐层中的神经元将输入进来的数据通过一个激励函数(核函数),其各神经元的输出经过一系列权系数{w21,w22,…,w2K}加权并求和后作为输入层的输入,然后该输入通过激励函数的输出作为整个网络的输出。单入单出式神经网络自适应预失真系统模型就是把图5所示的神经网络放入图3所示的自适应预失真模型的预失真器{f}和函数发生器{f′}模块中,两个神经网络的结构和规模是一样的。

图5 单入单出三层前向神经元网络

预失真器神经网络和函数发生器神经网络开始都随机初始化。先看预失真器神经网络,设输入序列为xi(i=1,2,…),则隐层各单元输入I1k=w1kxi-θ1k,经过核函数后,隐层各单元输出为J1k=f(I1k)。其中f(x)=(1-e-2x)/(1+e-2x)为核函数,输出层静输入为z1=∑Kk=1w2kJ1k-θ1,输出层输出即预失真器输出U1=f(z1),经过功放后得到系统输出yi。通过衰减器后的信号作为训练神经网络的输入信号,经过前面神经网络相同的过程训练网络输出层的输出为U2,绝对误差信号e1(i)=U1(i)-U2(i),然而直接把此误差运用到自适应算法中导致算法会局部收敛且收敛速度极慢。因此本文对误差信号做了改进,即把误差信号改为e(i)=(1/2){λ\2+(1-λ)φ\},其中φ(x)=In\/β,加入的调整因子λ和辅助项φ,能把算法从局部收敛点拉出来且收敛速度得到一定的提高。最后根据反向传播算法,得到训练神经网络的权系数更新式如下(下标2为隐层到输出层权系数;下标1为输入层到隐层权系数):

δ2(i)=c(i)\

Δw2(i)=αδ2(i)J2+ηΔw2(i-1)

Δθ2(i)=αδ2(i)+ηΔθ2(i)

δ1(i)=δ2(i)w22(1+J2)(1-J2)

Δw1(i)=αδ1(i)y/G+ηΔw1(i-1)

Δθ1(i)=αδ1(i)+ηΔθ1(i)

预失真权系数可分为训练和跟踪两个阶段。根据上面的迭代公式,得到一组训练神经网络的权系数。把这种权系数拷贝到预失真器神经网络中替代原来的权系数,得到一组新的预失真系数,之后重新计算误差,继续上面的过程循环迭代运算,直到误差小于规定的范围,即整个系统收敛,预失真器训练完成。此时称之为训练阶段。之后随着温度、输入的不同,调制信号、环境等的变化,可能引起功放特性的变化,可以设置一个误差门限值,一旦发现误差超过此门限,立即重新启动上面的循环迭代,重新训练,直到满足条件,即跟踪阶段。这种算法收敛速度快,且能满足实时运算的要求。同时在硬件实现上,只要做一个核函数发生器,其他就全是乘累加运算,与多项式结构的高次幂运算相比,硬件实现要简单得多,因此具有一定的实用性。

4 性能仿真

文中使用双音信号进行了仿真分析,双音信号为:

xs=0.5

放大器模型采用经典salef[9]模型,神经网络的隐层数设为15。双音信号直接通过放大器和通过文中所提的预失真网络后再通过放大器的频谱图如图6所示。

图6 预失真前后信号归一化频谱图

图7 神经网络和多项式结构误差曲线

由图6可见,双音信号通过放大器后产生了较大的失真,其中的三阶互调达到-17 dB,五阶互调也有-36 dB。通过文中所提的神经网络预失真系统处理后,即信号通过预失真器再通过放大器后,三阶互调被抑制到-42 dB,五阶互调也被抑制到-45 dB以下,三阶互调改善25 dB,五阶互调改善11 dB以上。

图7显示文献[10]提到的一般多向式结构和本文所提出的神经网络预失真结构的误差收敛曲线,它们都能达到相同或相似的互调分量改善效果。然而,本文所提的神经网络结构收敛速度明显较前者要快,而且收敛效果也比前者要好。图8是输入信号和通过预失真处理后放大器的输出信号波形图。由图可见,经过本文所提出的神经网络预失真网络处理后,输出信号波形基本没有失真,能与输入信号很好的重合,表明该神经网络预失真技术能很好的实现功放线性化。

图8 输入信号和通过预失真处理后放大的输出信号波形图

5 结 语

本文针对放大器固有的非线性特性问题,从数学上分析了放大器的非线性失真,介绍基于预失真基本原理和神经网络基本概念,提出一种单入单出式神经网络自适应预失真技术。仿真结果表明,该技术能三阶互调能抑制25 dB左右,对五阶互调能抑制11 dB左右。在很大程度上改善了通信系统的性能;而且与一般多项式预失真技术相比,收敛速度和收敛效果都有一定的改善,且硬件实现上只要做好一个核函数发生器,其他运算就全是简单的乘累加过程,可以避免硬件难以完成的多项式高次幂运算,表现出了一定的优势。

参考文献

[1]赵慧,漆兰芬.射频放大器的工作函数预失真线性化[J].无线电工程,2001,31(12):58-61.

[2]钱业青,刘富强.宽带RF功率放大器的预失真线性化技术综述[J].计算机工程与应用,2007,43(32):114-117.

[3]贾建华,刘战胜.关于自适应预失真射频功率放大器线性化研究[J].微波学报,2005,21(3):48-50.

[4]钱业青.一种高效的用于RF功率放大器线性化的自适应预失真结构[J].通信学报,27(5):35-46.

[5]Cybenko G.Approximations by Superpositions of a Sigmoidal Function[J].Mathematics of Control,Signals and Systems,1989(2):183-192.

[6]刘宝碇,赵瑞清,王纲.不确定规划及应用[M].北京:清华大学出版社,2003.

[7]朱剑英.智能系统非经典数学方法[M].武汉:华中科技大学出版社,2001.

[8]Glentis G O,Berberdis K,Theodoridid S.Efficient Least Sqares Adaptive Algorithms for FIR Transversal Filtering[J].IEEE Signal Processing Magazine,1999,16(4):13-41.

[9]Saleh A.Frequency-independent and Frequency-dependent Nonlinear Models of TWT Amplifiers[J].IEEE Trans.on Commun.,1981,29(11):1 715-1 720.

篇4

【关键词】风险评价 BP神经网络 工程项目 matlab

一、引言

工程项目是一个工期长，技术复杂，前期投入量大的生产过程，在其建设期间存在大量的不确定性和风险，因此对工程项目的风险预测是一个必要且重要的过程。传统的分析方法各有特点，要根据具体的项目选择运用哪一种方法，如专家打分法，层次分析法，模糊分析法等，这些方法的局限性是人为因素占比重较大，结果容易产生偏差，为解决这一问题，提出了将人工神经网络用于风险综合评价的方法。

二、BP神经网络简介

人工神经网络具有自学习和自适应能力，可以通过预先提供的一批相互对应的输入――输出数据，分析掌握两者之间的映射关系，根据这些关系，输入新的数据来推算结果。BP神经网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，包括输入层，输出层和隐含层，当输出的结果与期望样本存在误差时，通过反向传播来调整网络的权值和阈值，使误差平方和最小。

三、BP神经网络风险评价具体实现步骤

一个基本的神经网络，有n个输入，每个输入值都通过一个经调整的权值与下一层连接，输出层可以表示为：

y=f（wp+b）

f为表示输入输出关系的函数。

BP算法的基本步骤：

1.构建网络，确定输入层、隐含层、输出层节点数目，初始化权值w和阈值b；

（1）一般来说，输入层节点数与风险指标个数相同；

（2）隐含层节点数理论上没有一个规范的依据，其数目取决于多种因素，如，训练样本的数量，样本的波动大小及隐藏的规律性的复杂程度。经验上，我们可以采取两种方法确定隐含层节点数：

a.试凑法，先设置较少的节点数目进行训练，计算误差，然后逐步增加结点个数，用相同的样本进行训练，直到计算得到得误差最小，即为需要的隐含层节点个数，此方法为确定结点个数的最佳方法；

b.公式法，H=（m+n）1/2+a

或H=（m*n）1/2

或H=log2n

n,m分别代表输出和输入的节点个数，a为0～1之间的常数。

（3）输出层节点数根据评价结果确定，一般为1。

2.训练样本集，包括输入样本集向量p和预期的输出T，计算输出值，并与预期输出值比对计算误差；

3.计算误差平均方差和；

4.根据误差调整权值和阈值；

5.循环2―4，直至误差均方和满足精确度为止。

四、选择传递函数和学习函数

1.传递函数

传递函数是BP神经网络的重要组成部分，又称为激活函数，必须是连续可微的，BP神经网络一般采用tansig（）或logsig（）或purelin（）作为传递函数。通常根据样本数据的情况，输入输出数据的取值范围等选择传递函数。

2.学习函数

学习函数是BP神经网络的又一重要组成部分， BP神经及网络的传递函数包括：

（1）traingd,特点是收敛速度满慢，学习过程常发生震荡；

（2）traingdm函数收敛速度快于traingd;

（3）traingdx收敛速度快于traingd，但仅用于批量训练；

（4） trainrp,收敛速度快，用于批量训练，数据占用存储空间小；

（5）rtaincgf，占用存储空间最小的变梯度算法，速度通常比traingdx快得多，适用于连接权的数量很多时；

（6）traincgp,数据占用的存储空间较rtaincgf略大，但对有些问题有较快的收敛速度，性能略好于rtaincgf；

（7）traincgb，性能略好于traincgp，但存储空间较之略大；

（8）trainscg，比其他变梯度算法需要更多迭代次数，但无需在迭代中进行线性搜索，从而大大减少了每次迭代的计算量；

（9）trainbfg，每次迭代过程所需的计算量和存储空间大于变梯度算法，对规模较小的网络更有效；

（10）trainoss,变梯度与拟牛顿算法的折中；

（11）trainlm,对中等规模的前馈网络的最快速算法；

（12）trainbr,可是网络具有较强的泛化能力，避免了尝试的方法去决定最佳网络规模的大小。在实际运用时，通常根据输入数据规模，特点，对收敛速度、存储空间的要求进行选择。

五、工程项目风险指标集的确定

通常，一个工程项目要经过可行性分析，工程设计，工程施工，竣工投产，项目处置几个阶段，不同的阶段风险不同，风险的影响因素也各不相同，我们没有必要对每一个因素进行分析，重点放在影响作用大的因素上而忽略影响作用小的因素。根据对工程项目不同的影响方式来分类，我们选取五类风险、分别是政治风险、社会风险、经济风险、工程风险、环境风险。其中，政治风险包括政治法规风险和城市规划风险；经济风险包括信用风险，市场风险和金融风险；工程风险包括技术风险，资源风险，材料供应风险，经营风险和验收风险。

六、BP神经网络的matlab实现

东方集团目前共有九个工程投资项目，按照前面确定的风险评价指标集，其专家评测的风险数据如下表，

这九组数据中，使用1~7作为训练样本，8~9作为检验样本。经过试算,当网络中隐含层的节点数为3时，网络的性能最佳，即建立12个输入节点，3个隐含层节点，1个输出节点的BP神经网络模型。由于样本的数据都集中在0~1之间，我们在隐含层传递函数选取tansig（）函数,整个网络最后的输出是在一个较小的范围内，所以采用S形函数，如果说整个网络的输出可以取到任意值，我们就可以考虑采用purelin（）函数，在本模型中，最后的输出值是以一个单一的数字来表示，并且该数字的值在0~1之间，所以输出层的传递函数选用s型的logsig（）函数。训练算法采用traingdx，误差设定为1e-3。迭代次数这里取1000次，两次显示之间的步数取50次，初始学习率设定为0.05，学习率的增加系数为1。

根据以上结果可以看出，经过训练的BP神经网络较好的仿真了各个风险因素之间隐含的内在关系，预测数值和风险的期望数值相近，经过86次迭代达到了要求的精度，效率还是比较高的，反映出BP神经网络具有出色的数据拟合效果。

六、结论

本文从工程项目风险出发，依据不同风险的影响方面，将风险分类，采用专家打分法来确定风险值；依据BP神经网络的基本工作原理，采用适当的传递函数和算法对构建的网络进行训练，最后根据实例证明了本文所构建的模型，因为在实例中的样本数据较少，所以训练有较大的随机性，如果增大样本数量，可以进一步提高预测的准确性。

参考文献

[1] 李存斌.项目风险元传递理论与应用[M]. 北京：中国水利水电出版社 2009.

[2] 王瑾.政府投资工业项目风险分析与评价[D]. 北京：首都经济贸易大学 2010.

篇5

【关键词】PID控制;BP神经网络;模糊PID控制

Abstruct：PID control are widely used in industrial process control，but the traditional PID control because of its control parameters are fixed，and it is difficult to adjust its parameters online.So this paper studies a new adaptive fuzzy PID control method，to solve problem without the ability to learn，and put forward a kind of adaptive fuzzy control method based on BP neural network in this paper.It is the effective combination of fuzzy control，neural network and PID control.Simulation results show that this fuzzy PID control method based on BP neural network has good control effect.

Keywords：PID control;BP neural network;Fuzzy PID control

1.引言

常规PID在控制领域被广泛应用，利用数学算法来整定参数。而且随着控制系统的复杂，被控对象很难建立数学模型，人们开始探索新的控制方式。模糊控制不要求掌握被控对象的精确的数学模型，根据人工控制规则组织控制决策表，然后由该表决定控制量的大小。在一般的模糊系统设计中，规则是由经验丰富的专业人员以语言的方式表达出来的。但对于某些问题即使是很有经验的专业人员也很难将他们的经验总结、归纳为一些比较明确而简化的规则。在这种情况下，就可以应用神经网络的方法，依靠BP神经网络的自学习功能，实现模糊控制的神经、模糊融合技术，并借助其并行分布的结构来估计输入到输出的映射关系，直接从原始的工作数据中归纳出若干控制规则。从而为模糊系统建立起行之有效的决策规则。

2.PID控制器原理

2.1 PID控制的微分方程

PID控制器是一种线性控制器，它将给定值r（t）与实际输出值c（t）的偏差的比例（p）、积分（I）、微分（D）通过线性组合构成控制量，对控制对象进行控制。

式中：

2.2 PID控制器各环节的作用

（1）比例环节：及时成比例地反应控制系统的偏差信号e（t），偏差一旦产生，控制器立即产生控制作用以减小偏差。

（2）积分环节：积分作用会使系统稳定性下降，Kd大会使系统不稳定，但能消除静态误差。

（3）微分环节：能反应偏差信号的变化趋势，并能在偏差信号值变得太大之前，在系统中引入一个早期修正信号，从而加快系统的动作速度，减小调节时间。Kd偏大时，超调较大，调节时间短;Kd偏小时，超调量也较大，调节时间长;只有Kd合适时才能超调小，时间短。

3.BP神经网络与模糊控制

模糊控制是运用语言归纳操作人员的控制策略，运用变量和模糊集合理论形成控制算法的一种控制。如何让机器像人一样识别、理解模糊规则并进行模糊逻辑推理，最终得出新的结论并实现自动控制是模糊控制研究的主要内容。模糊控制器的基本结构如图1所示。

图1 模糊控制结构

人工神经网络是由大量人工神经元经广泛互连二组成的，它可用来模拟脑神经系统的结构和功能。人工神经网络可以看成是以人工神经元为节点，用有向加权弧连接起来的有向图。BP网络是一种利用误差反向传播训练算法的神经网络，是一种有隐含层的多层前馈网络，系统地解决了多层网络中隐含单元连接权的学习问题。BP学习算法的基本原理是梯度最速下降法，它的中心思想是调整权值使网络总误差最小。也就是采用梯度搜索技术，以期使网络的实际输出值与期望输出值的误差均方值为最小。网络学习过程是一种误差边向后传播边修正权系数的过程。其结构如图2所示。

图2中隐含层第一层神经元为7个，分别对应7个模糊子集：NB、NM、NS、ZO、PS、PM、PB。第二层49个神经元代表49条规则。第三层7个神经元代表输出的7个模糊子集。模糊控制不依靠对象的数学模型，但模糊规则的建立需要人工经验。采用BP算法对工程经验和专家经验的模糊规则进行训练，其实就是把模糊规则用神经网络来表示，即经过神经网络的学习，将模糊规则以加权系数的形式表现出来，规则的生成就转化为加权系数的确定和修改。

神经网络是大规模并行运算，但由于网络结构复杂，训练和学习需要大量的时间，所以目前还无法实现实时控制。在具体应用中，我们是先离线将神经网络的各层权值和阈值训练出来，将其参数固定下来，然后将有系统检测、计算得到的误差变化直接代入非线性映射关系中，由计算机算出控制量，再用作被控对象。在matlab下以、、为输出的BP网络仿真训练如图3、图4、图5所示。

4.模糊PID控制器的原理与仿真

对于某一BP神经网络控制系统，其中内部变化及被控对象的数学模型为：

利用模糊控制对PID参数实现在线调节，原理如图6。

图6 模糊PID控制原理图

采用Z-N法和试凑法相结合，借助MATLAB的SIMULINK平台，对被控对象进行常规PID仿真。参数值：kp=15，ki=6，kd=0.05。如图7。作为比较，建立模糊PID控制器的仿真模型如图8。

图9、图10分别为被控对象G（s）在阶跃输入下常规PID和模糊PID仿真结果的比较。

经过仿真发现，常规PID控制缺点是超调量大，调节时间长，动态性能差。优点是控制精度高，稳定性能好。模糊控制动态性能很好，上升速度快，基本无超调。但由于模糊化所造成的稳态误差，在没有积分环节的情况下很难消除，故稳态性能差。模糊PID继承了二者的优点，摒弃二者缺点，具有更全面优良的控制性能。

5.结论

针对大滞后、慢时变、非线性的复杂系统，提出了一种基于BP神经网络的模糊PID控制算法，该算法不依赖被控对象的精确数学模型，可实现在线自调整模糊规则，从而增强了模糊控制器的自学习能力。通过算法的仿真研究，验证了算法的可行性。

参考文献

[1]李华.计算机控制系统[M].北京：机械工业出版社，2007.

[2]高隽.人工神经网络原理及仿真实例[M].北京：机械工业出版社，2007.

[3]蔡自兴.智能控制[M].北京：电子工业出版社，2003.

[4]李国勇.智能控制及其MATLAB实现[M].北京：电子工业出版社，2005.

[5]张德丰.MATLAB神经网络应用设计[M].北京：机械工业出版社，2009.

[6]刘金琨.先进PID控制及其MATLAB仿真[M].北京：电子工业出版社，2003.

[7]刘玲.三容水箱的单神经元自适应PID控制研究[J].信息技术，2005，3（8）：32-137.

篇6

关键词：人工神经网络；概算；BP

中图分类号：TP183文献标识码： A

一、人工神经网络应用于建设项目概算的重要意义

（一）人工神经网络

人工神经网络就是由许多神经元互连在一起所组成的神经结构，把神经元之间相互作用的关系进行数学模型化就可以得到神经网络模型。人工神经网络是一种非常复杂的非线性的动态分析系统。它模拟人脑的神经功能分层由单个神经元非线性地、复杂地组合成一个网络系统。当某一问题的求解过程可描述为若干个有一定内在联系，又无法用解析法表达其内在关系的各个输入因子与输出因子的关系时，将输入、输出因子作为样本进入神经元网络结构，网络系统会对各个输入、输出因子的因果关系作一番认识和学习，建立起各神经元之间的连接强度(即权值)阀值。这样学习后生成的人工神经元网络系统，仿佛具有了人脑解决这一问题的技能。当输入一组新的参数它可以给出这个领域专家认为应该输出的数值。

（二）建设项目概算应用神经网络的必要性

电网建设工程造价是组成电网的各分项工程的价格总和，而各分项工程的价格则取决于其工程量的大小和单价的高低。以往工程造价的计算是由造价编制人员算出各分项工程量，分别乘以其单价。由于组成电网的分项工程数量多，工程量的计算非常繁琐，计算时间占造价计算总时间的90%以上，所以计算结果容易出现误差。这表明造价计算的重点和难点在于工程量的计算。

一个有丰富经验的造价师，根据工程类型、特征及其相关情况，参照以往经验和工程数据资料，就能大致概算出造价，而无需进行大量繁杂计算，而且经验越丰富，资料积累越多，格算的造价就越准确，模仿这种大脑思维模式，正是人工神经网络所擅长的。神经网络模型通用性、适应性强，它不但不排斥新样本，相反它会随着样本数的不断增加而提高自身的概括能力和预测能力，这正好满足了建立造价信息系统的要求--动态地、自适应地从众多已完工程中提取有用信息，进行预测并辅助决策，由于电网工程的单件性，一般不存在两个完全一样的工程，但许多工程之间存在着某种程度的相似性，造价估计分析的基本原理就是建立在电网工程的相似性基础上，对于某个欲估工程，首先从分析电网类型和工程特征入手，再从数目众多的同类已竣工的工程中找出与预估项目最相似的若干个工程，然后利用这些相似电网项目的造价资料作为原始数据进行推理，最后得到拟建电网的造价及其他有关数据。

二、BP网络

（一）BP网络算法

神经网络在目前已有几十种不同的模型，在人们提出的几十种神经网络模型中，人们较多用的是Hopfield网络、BP网络、Kohonen网络和ART(白适应共振理论)网络。其中BP网络是反向传播(BackPropagation)网络，它是一种多层前向网络，采用最小均方差学习方式，这是一种最广泛应用的网络。

BP算法的学习过程是由正向传播和反向传播两个过程组成。在正传播过程中,输入信息从输入层经隐含层逐层传递、处理,每一层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到期望输出,则转入反向传播过程,将误差信号沿原来的连接通路返回,通过修改各层间连结权的值,逐次地向输入层传播,再经过正向传播过程,两个过程的反复运用使得误差不断减小至满足要求。其模型可以表示为:

单隐层BP网络有三部分组成:输入层,输入向量:

X=(x1x2,...,x1,...,xn)T

隐含层:

输出层:

期望输出向量为:

d=(d1,d2,...,dk...,dl)T

输入层到隐含层之间的权值矩阵用V表示:V=(v1,v2,...,vj,󰀁vm)T

隐含层到输出层之间的权值矩阵用W表示:W=(w1,w2,...,wk,...,wl)T

转移函数采用tansig函数:

F(n)=2/(1+exp(-2*))-1

准则函数(误差):

权值的调整量:�

;

反向传播计算公式,可得如下权系数学习规律:

（二）BP神经网络的利弊分析及相关建议

BP算法样本训练失败的可能性较大，原因有以下几点：

（1）从数学角度看，BP算法为一种局部搜索的优化方法，但它要解决的问题是求解复杂非线性函数的全局极值，因此，算法很有可能陷入局部极值，使训练失败；

（2）网络的逼近、推广能力完全取决于学习样本的典型性。而对学习样本的选取并组成训练集则是相当困难的问题。

（3）难以解决应用问题的实例规模和网络规模间的矛盾。实例规模与网络规模总是存在着很大差异，网络容量也是有着自己的局限性，当实例规模超出网络容量时，BP算法会失败。

基于前文所给出的BP网络技术存在的利弊现象，结合工程造价实际情况，个人认为，其弊端的解决方法可以概括为以下几点：

（1）由于BP网络技术在执行较为复杂的目标函数时会出现“崩溃”现象，即算法低效，函数图象错乱、超过网络容量等等。所以造价人员在选择需要用BP算法概算的工程时应该注意工程的复杂性，对于那些过于庞大、复杂的工程不宜采用BP算法，以免出现系统错乱。对于较为简单、较为精简的工程则可用BP算法进行工程造价的概算。同时，也应注意实例造价概算工程的规模与网络实际承载规模的大小，对于网络承载范围之内的，才宜采用BP算法。

（2）样本数据的采集非常重要。BP算法的网络预测能力是与训练能力呈正比的。因此，首先需要确定分解项目，分解项目应选择那些最能体现一个工程特征并且最能决定这个工程造价的关键因素，这样才能正确定位这个工程的造价。其次，选择的已建工程一定是要与待估工程有着较高的相似度。此处，可以进行相似度估测，查看已建工程每个分项的隶属度与待估工程隶属度的差异，差异过大的样本应予以舍去。

（3）针对BP算法的“过拟合”现象，造价中需要注意的是选择的样本数量不宜过大。以防BP算法网络学习了细节却丢失了最重要的骨架――样本内部的规律，从而不能得出满意的结果。

三、基于人工神经网络的送电线路工程造价概算

（一）送电线路工程造价估算模型建立

送电线路工程的造价受多个因素的相互影响，考虑下列因素作为影响着工程价格的主要因素，把它们列为神经网络的输入单元，如图l所示。设在某一电压等级下的送电线路，考虑某种地形、气象条件、架线回路、杆塔类型等基本因素的影响，把实际工程项目投资划分为工地运输、土石方工程、基础工程、杆塔工程、架线工程、附件工程等6个部分。根据测算出的每公里建筑安装费用，再加上其它费用与资金成本，得出每公里的单位静态投资造价，将这些指标作为神经网络的输出单元。

图1 图2

（二）工神经网络模型的建立和设计

BP网络模型结构的选择主要涉及到输入层、输出层、隐含层神经元数目的确定、学习算法的确定等。

1、神经元数目的确立

输人层：由上面送电线路工程概算体系结构的分析，按影响因素层次，可得到13项主要指标，也即是下面的输入神经元。

输出层：输出节点对应于评价结果，在笔者建立的模型中，产生了7个相关指标，分别代表着本体工程的6项投资金额和单位投资金额，因此选择7个输出神经元节点。

隐含层：隐含层神经元单元数的选择与输入输出单元的多少都有直接关系。

在实际操作中，可参考下面经验公式(1)确定。

n1=(1)

其中，m为输出神经元数；拓为输入神经元数；a为1～10间的常数,形成的人工神经网络示意图见图2。

2、输入输出向量

（1）输入向量

1)地形因秦

送电线路地形可能由5种地形组合而成，所讨论的某地区基本是丘陵和山地组成，因此选择它们作为2个输入神经元，以所占线路的百分比表示。

2)线型因素

主要包括导线和地线型号的选择，参考限额设计指标与实际采用的导线型号，对于110 kV线路，有LGJ―150／20、LGJ―185／25、LGJ一240／35、LGJ一300／35四种类型，依次选择上述导线类型，将对应量化值为1、2、3和4。在地线型号选择中，选取GJ一35、GJ一50，对于量化值为1和2，导线和地线型号量化值作为2个输入神经元。

3)平均档距

反映相邻杆塔问的距离作为1个输入神经元。

4)杆塔数目

铁塔数目和水泥杆数目对于造价影响重大，选择铁塔数和水泥杆数为2个输入神经元。

5)运距

它包括人力运距和汽车运距两部分，作为2个输入神经元。

6)土石方量

1个输入神经元。

7)金具

它包括挂线金具和拉线金具两部分，作为2个输入神经元。

8)绝缘子

1个输入神经元。

（2）输出向量

工地运输、土石方工程、基础工程、杆塔工程、架线工程、附件工程、单位静态投资。

参考文献

篇7

关键词： 回归测试； 测试用例； 神经网络； BP网络

中图分类号： TN711?34 文献标识码： A 文章编号： 1004?373X（2015）19?0114?03

Abstract： Regression testing means after modifying the source code， re?testing to confirm whether the discovered defect is repaired， and whether detection and modification have brought in a new bug or caused the errors in other codes which possesses a large proportion of the workload during testing procedure. The fundamental principle of neural network is analyzed， and the thought of BP algorithm is introduced into the case set selection of regression testing. The algorithm to select regression testing case package is presented. The functions which may be influenced by code modification are screened out by samples training， and the higher priority use case can be screened out. A set of regression testing strategy with high efficient and easy operation was summed up through the accumulation of testing practice.

Keywords： regression testing； testing case； neural network； BP network

0 引 言

软件分析，设计过程中难免有各种各样的错误，需要通过测试查找错误，以保证软件的质量。软件测试是由人工或计算机来执行或评价软件的过程，验证软件是否满足规定的需求或识别期望的结果和实际结果之间有无差别。大量统计资料表明，软件测试工作量往往占软件开发总量的40%以上。而回归测试作为软件生命周期的一个组成部分，在整个软件测试过程中占有很大的工作量比重，软件开发的各个阶段都会进行多次回归测试。在渐进和快速迭代开发中，新版本的连续使回归测试变得更加频繁，而在极端编程方法中，更是要求每天都进行若干次回归测试。因此，研究回归测试方法，尽可能地将软件存在的问题找出来，对保证软件质量和提升测试工作效率都是非常有意义的。

1 相关工作

1.1 回归测试

回归测试是指修改了旧代码后，重新进行测试以确认修改没有引入新的错误或导致其他代码产生错误。对于一个软件开发项目来说，项目的测试组在实施测试的过程中会将所开发的测试用例保存到“测试用例库”中，并对其进行维护和管理。当得到一个软件的基线版本时，用于基线版本测试的所有测试用例就形成了基线测试用例库。在需要进行回归测试时，就可以根据所选择的回归测试策略，从基线测试用例库中提取合适的测试用例组成回归测试包，通过运行回归测试包实现回归测试。

在软件生命周期中，即使一个得到良好维护的测试用例库也可能变得相当大，这使每次回归测试都重新运行完整的测试包变得不切实际。一个完全的回归测试包括每个基线测试用例，时间和成本约束可能阻碍运行这样一个测试，有时测试工作不得不选择一个缩减的回归测试包来完成回归测试。

1.2 相关技术的研究

测试用例的优化技术旨在以小的运行代价尽可能多地发现系统Bug。假设测试用例是能发现缺陷的；测试用例的运行效率是一样的。测试用例的集合的选取不仅是减少用例的数目，降低用例的执行代价，也需要考虑测试覆盖能力，即缺陷发现能力。在测试用例选择优化的问题上，已有很多文献对此进行了研究，如配对测试法[1]、关系树模型[2]、蚁群模拟退火算法[3]及一些其他新的理论和方法[4?7]。

2 回归测试用例集生成方法

2.1 基本原理

神经网络是通过对人脑的基本单元――神经元的建模和联接，探索模拟人脑神经系统功能的模型，并研制一种具有学习、联想、记忆和模式识别等智能信息处理功能的人工系统。

神经网络的一个重要特性是它能够从环境中学习，并把学习的结果分布存储于网络的突触连接中。神经网络的学习是一个过程，在其所处环境的激励下，相继给网络输入一些样本模式，并按照一定的规则（学习算法）调整网络各层的权值矩阵，待网络各层权值都收敛到一定值，学习过程结束，从而以新的方式响应环境。

2.2 BP神经网络

Back?Propagation Network，由于其权值的调整采用反向传播（Back Propagation）的学习算法，因此被称为BP网络。网络中心思想是梯度下降法，通过梯度搜索技术，使网络实际输出值与期望输出值的误差均方值最小。网络的学习过程是一种误差边向后传播边修正权系数的过程。一般分三层：输入层（Input Layer），隐层（Hide Layer），输出层（Out Layer），也可以有2层或更多个隐层。层与层之间采用全互联方式，同一层单元之间不存在相互连接，如图1所示。

由于神经网络具有自学习、自组织和并行处理等特征，并具有很强的容错能力和联想能力，因此，神经网络具有模式识别能力。在神经网络识别中，根据标准的输入输出模式对，采用神经网络学习算法，以标准的模式作为学习样本进行训练，通过学习调整神经网络的连接权值。当训练满足要求后，得到知识库，如图2所示。

BP算法的具体步骤如下：

（1） 用小的随机数对每一层的权值[W]初始化，以保证网络不被大的加权输入饱和；

（2） 计算网络各层输出矢量以及网络误差[E；]

（3） 计算各层反传的误差变化并计算各层权值的修正值以及新权值；

（4） 再次计算权值修正后误差的平方和；

（5） 检查误差是否小于给定误差，若是，训练结束；否则继续。

输入信号[Xi]通过中间节点（隐藏层节点）作用于输出节点，经过非线性变换，产生输出信号[Yk，]网络训练的每个样本包括输入向量[X]和期望输出量[t]（类别），网络输出值[Y]和期望输出值（真值）[t]之间的偏差，通过调整输入节点与隐藏层节点的连接强度取值和隐藏层节点与输出节点之间的连接强度以及阈值，使误差沿梯度的方向下降，经过反复学习训练，确定与最小误差项对应的网络参数（权值和阈值），训练即告停止。学习样本的数量和质量影响学习效果和学习速度。

为了训练一个BP网络，需要计算网络加权输入矢量以及网络输出和误差矢量，然后求得误差平方和。当所训练矢量的误差平方和小于误差目标，训练则停止；否则在输出层计算误差变化，且采用反向传播学习规则调整权值，并重复此过程。当网络完成训练后，对网络输入一个不是训练集合中的矢量，网络将给出输出结果。

2.3 回归测试用例包选取

基于全量的测试用例库，回归测试包的选择策略可遵循下述基本算法进行：

（1） 识别出软件中被修改的部分。

（2） 从原基线测试用例库[T]中，排除所有不再适用的测试用例，确定那些对新的软件版本依然有效的测试用例，其结果是建立一个新的基线测试用例库[T0。]

（3） 依据一定的策略从[T0]中选择测试用例测试被修改的软件。

（4） 如果必要，生成新的测试用例集[T1，]用于测试[T0]无法充分测试的软件部分。

（5） 用[T1]执行修改后的软件。

在上述步骤中，第（2）和第（3）步测试验证修改是否破坏了现有的功能，第（4）和第（5）步测试验证修改工作本身。第（3）步中，将神经网络知识结合到测试领域，通过对样本的学习，确认修改没有引入新的错误或导致其他代码产生错误。

其主要思想为：对于[q]个输入学习样本：[P1，P2，…，Pq，]已知与其对应的输出样本为：[T1，T2，…，Tq。]通过网络的实际输出[A1，A2，…，Aq]与目标矢量[T1，T2，…，Tq]之间的误差来修改其权值，使[Al （l=1，2，…，q）]与期望的[Tl]尽可能地接近，使网络输出层的误差平方和达到最小。

3 回归测试实践的优化

在项目测试过程中，不仅需要应用高新的测试技术，也要从宏观上制定可行的测试策略，解决在有限的时间中使测试覆盖率最优化。本文从项目实践角度出发，提出以下的回归测试策略：

（1） 对所有已修复Bug进行验证；

（2） 对新增功能进行全量重点测试；

（3） 对原有功能，按优先级进行测试。基于一定的风险标准从基线测试用例库中选择回归测试包。首先运行最重要、关键和可疑的测试，而跳过那些非关键、优先级别低或者高稳定的测试用例，这些用例即便可能测试到缺陷，这些缺陷的严重性也较低，不影响系统的功能。一般而言，测试从主要特征到次要特征。

（4） 对修复的Bug可能会引入新的Bug的功能模块重点测试，可采用本文介绍的神经网络进行样本训练和用例筛选。将回归测试局限于被改变的模块和它的接口上。通常，一个回归错误一定涉及一个新的、修改的或删除的代码段。在允许的条件下，回归测试尽可能覆盖受到影响的部分。

（5） 如果情况允许，测试全部用例的策略是最安全的策略。但已经运行过许多次的回归测试不太可能揭示新的错误，而且很多时候，由于时间、人员、设备和经费的原因，不允许选择再测试全部用例的回归测试策略，此时，可以选择适当的策略进行缩减的回归测试。

4 结 语

将神经网络知识引入到测试领域是一个比较新的研究，本文就此方向进行了研究，并给出了实例说明。然而，BP神经网络需要大量的样本数据用来训练和测试，当样本数量不够时，预测的误偏差可能会较大，回归测试开始时，由于数据样本不足，可能会存在预测的偏差，所以下一步的研究方向将是如何克服这一问题。

参考文献

[1] 廖剑锋，蔡贤涛.组合测试中用例集的选择策略[J].计算机工程与应用，2012，48（11）：65?70.

[2] 钮鑫涛，聂长海，CHAN Alvin.组合测试故障定位的关系树模型[J].计算机学报，2014，37（12）：2505?2518.

[3] 聂长海，徐宝文，史亮.一种基于组合测试的软件故障诊断方法[J].东南大学学报：自然科学版，2003，33（6）：681?684.

[4] 徐宝文，聂长海，史亮，等.一种基于组合测试的软件故障调试方法[J].计算机学报，2006，29（1）：132?138.

[5] YILMAZ C. Covering arrays for efficient fault characterization in complex configuration space [J]. IEEE Transaction on Software Engineering， 2006， 32（1）： 20?34.

篇8

关键词：BP神经网络；饲料产量；饲料产量预测；畜牧水产业

中图分类号：TP183 文献标识码：A 文章编号：2095-1302（2017）01-00-02

0 引 言

我国是世界上人口最多的国家，畜牧水产业的发展与我国国民生活息息相关。畜牧水产业的可持续发展需要饲料产业的支持。饲料产业为现代养殖业的可持续发展提供了重要的物质基础，为我国人民生活水平的提高作出了重大贡献[1]。

1979年，我国正式从传统饲料进入现代饲料工业时代。经过30多年的发展，我国饲料产量逐年增加，于2011年开始超过美国，跃居世界第一，同时我国饲料从一开始饲料产品品种单一，质量不高，到现在饲料产品多样化、系列化，且饲料产品质量管理体系不断完善，有力地推动了养殖业的快速可持续发展，加快了农业结构调整，增加了国民收入[2]。

目前，国内用于饲料产量预测的方法并不多，范润梅[3]提出的灰色预测理论建立了GM（1，1）模型用于预测20092011年我国饲料产量，该模型具有较好的预测精度。但由于灰色预测的理论缺陷，当数据波动较大时，GM（1，1）模型预测误差较大，有时不能满足预测需要。而BP神经网络具有强大的学习能力，可以逼近任意复杂的非线性函数，信息利用率较高，在预测中得到了广泛应用[4-6]。本文利用BP神经网络模型和灰色预测模型对我国20102015年的饲料产量进行了预测，结果表明，BP模型具有很好的预测效果，预测最大误差为5.79%，平均误差为3.56%，而灰色预测模型预测的最大误差为12.95%，平均误差为7.24%。因此BP神经网络模型能够更好地用于饲料产量的预y，具有更高的工程应用价值。

1 灰色理论模型

GM（1，1）模型的基本原理如下：

根据灰色理论的原理，本文建立灰色预测模型的步骤如下所示：

①输入样本数据，根据公式（3）对样本数据进行累加处理。

②根据公式（6）求得B和YN。

③根据公式（7）求得模型的累加预测值。

④根据公式（8）求得样本的预测值。

灰色预测模型流程图如图1所示。

2 BP神经网络模型

BP神经网络有一个输入层、一个输出层和一个或多个隐含层，同层神经元间无关联，异层神经元间向前连接。根据对象的复杂程度，选择适当的网络结构就可以实现从输入空间到输出空间的任意非线性函数的映射。BP神经网络拓扑结构如图2所示。

BP神经网络建模流程图如图3所示。BP神经网络模型的建立需要按照如下步骤进行：

（1）输入样本数据，对样本数据进行归一化处理。

（2）设置神经网络的误差精度、学习速率、最大训练次数等参数。

（3）使用梯度下降法对权值和阈值进行调整，同时使用反向传播算法对BP神经网络进行训练。

（4）训练合格则模型建立成功，否则继续训练。

（5）使用训练好的模型进行预测，输出预测值。

（6）对预测值进行反归一化处理，得到真实的预测值。

3 两种模型在饲料产量预测中的应用

本文取19922015年这24年的饲料总产量相关数据进行饲料产量预测，以1992为起点依次选取19年的数据作为训练样本分别采用灰色预测模型和BP神经网络模型来预测下一年的饲料产量，其预测结果和误差分别如图4、图5所示。

从图4可以看出，20112012年灰色模型和BP神经网络模型的预测值与实际值都能够较好地吻合，而2013年我国饲料产量下降，数据曲线不再线性增加，此时灰色模型的预测值就偏离了实际值，预测误差增大，但是BP神经网络模型的预测值还是可以与实际值较好地吻合。从图5可以看出，BP神经网络模型的误差大约为5%，而灰色模型的误差最大达到了10%以上。从图4和图5中可以看出，BP神经网络模型相比灰色模型具有更高的预测精度，能够更好地用于饲料产量预测。

4 结 语

由以上分析可知，采用灰色模型进行饲料产量预测时，当饲料产量减少，波动较大，灰色预测模型的预测误差就可能会增大。本文采用BP神经网络模型有效减小了波动时产生的预测误差，提高了预测精度，为饲料产量的预测提供了一种新的研究方法。但该方法并不能够时时优于灰色模型，因此该方法有待于进一步完善和发展。

参考文献

[1]马广鹏.我国饲料行业发展现状及趋势分析[J].饲料工业，2013（4）：45-47.

[2]徐倩.畜牧饲料行业信息化管理进程[J].广东饲料，2015，24（8）：10-13.

[3]范润梅，解沛，王征南.灰色预测模型在我国饲料产量预测[J].中国畜牧杂志， 2009，45（8）：13-16.

[4]王启平.BP神经网络在我国粮食产量预测中的应用[J].预测 2002，21（3）：79-80.

[5]周彩兰，刘敏.BP神经网络在石油产量预测中的应用[J].武汉理工大学学报，2009（3）：125-129.

[6]徐黎明，王清，陈剑平，等.基于BP神经网络的泥石流平均流速预测[J].吉林大学学报（地球科学版），2013，43（1）：186-191.

篇9

Abstract: This paper introduces the basic principles of using neural network technology and illustrates to realize the prediction of BP neural network by using MATLAB, taking tunnel border displacement for example.

关键词： 神经网络；MATLAB；预测

Key words: neural network；MATLAB；prediction

中图分类号：U45 文献标识码：A 文章编号：1006-4311（2012）25-0125-03

0 引言

隧道岩土是一个复杂的综合系统，各种参数具有很大的不确定性，这给我们判定其工程性质和参数带来了困难。BP神经网络则是处理复杂系统的有效工具，它具有广泛的适用性，不但能较好地拟合已知数据，而且还具有良好的预测功能。借助MATLAB的实用工具箱，用户可以不再考虑复杂的编程过程而更专注于算法。以下将通过具体例子介绍基于MATLAB的BP神经网络在隧道工程等差时间序列的数据处理和预报中的应用。

1 BP神经网络技术

前馈反向传播网络（Back-Propagation-Network，简称BP网络）是目前应用最广泛的神经网络模型之一。在人工神经网络的实际应用中，80%～90%的人工神经网络模型都是采用BP网络或它的变化形式。它也是前向网络的核心部分，并且是人工神经网络最精华的部分。如今，网络在模式识别、图像处理与分析、控制等领域有着广泛的应用。

从结构上讲，BP网络是一种分层型的典型多层网络。具有输入层、隐含层和输出层，层与层之间多采用全连接的方式。同一层单元之间不存在相互连接。图1给出了一个典型的3层BP神经网络结构。

BP网络可被看成是一个从输入到输出的高度非线性映射，即F:RmRn，Y=f（x）。对于样本集合输入：输入xi（Rm）和yi（Rn）输出，可以被认为存在某一映射g，g（xi）=yi，i=1，2，……p。现要求有一个映射f，使得在某种意义下（通常是最小二乘法下），f是g的最佳逼近。Hecht-Nielsen证明了如下的Kolmogorov定理：给定任一连续函数f：UR，这里U是闭单位区间[0，1]，f可以精确地用一个3层前馈网络实现，此网络的第一层（即输入层）有m个处理单元，中间层有2m+1个处理单元，第三层（即输出层）有n个处理单元。

2 隧道周边位移的监测

在隧道施工过程中，由于勘探工作的密度有限，使隧道所穿越的实际围岩类别与设计时勘察报告所提供的围岩类别会有所差别，并可能出现勘察时不能探明的不良地质和围岩大变形情况。隧道结构是围岩与隧道支护共同作用的结果，为了在围岩和支护安全的前提下，充分发挥围岩的自载能力，以在经济合理的支护条件下达到安全性的目的，必须通过监控测量实现信息化施工。

通过在开挖后坑道内壁面设置锚固点，采用收敛计测定坑道围岩壁面发生的收敛位移，围岩收敛量测的布置如图2所示，每个量测断面设置5个锚固点，即图中的点A、B、C、D和E点。通过测定测线AE、BD、CE的位移变化，可以确定出其发生的收敛位移和大变形。

量测的频度宜根据位移速度的距工作面距离选取，如表1所示。

通过对隧道某一断面近一个月的周边位移曲线量测数据的统计，得到相关数据如表2所示。

3 建立BP神经网络预测模型

在进行BP网络预测模型设计时，主要考虑网络的层数和每层中神经元的个数。

3.1 网络层数 根据上文提到的Kolmogorov定理，一个3层的BP网络可以完成任意的m维到n维的映射。学习不连续函数时才需要两个隐含层，故一般情况下最多需要两个隐含层。最常用的BP神经网络结构是3层的，即输入层、输出层和一个隐含层。

3.2 网络各层中神经元的个数 输入、输出节点是与样本紧密相关的，与其应用的领域有关。根据断面周边位移的时间序列，确定输入层神经元数为20，即输入变量为连续20天的周边位移序列；输出层神经元数为1，即输出变量为第21天的周边位移。

隐含层节点数会在一定程度上影响到神经网络的性能。输入输出节点数、求解问题的要求等都关系到隐含层节点数的多少。我们必须慎重选择隐含层节点数，若隐含层节点数太少，容错性差，会降低识别未经学习的样本能力；若隐含层节点数太多，就要延长网络训练时间，同时存储样本中非规律性的内容，影响泛化能力的发挥，所以，设计者必须经过多次严格的试验才可确定最佳的隐含层节点数。

笔者按照自身实践经验，提出通过下列公式进行设计：

i=■+a，

式中i、m、n分别代表隐含神经元的个数、输入层神经元的个数以及输出层神经元的个数，a代表1～10之间的调节常数。

改变i，采用同一样本集训练，并确定网络误差最小时所对应的隐含层节点数。

根据上述分析，我们可设定隐含层的神经元数是12。

4 BP神经网络预测的MATLAB实现

4.1 数据样本的预处理 将样本分为训练集和测试集，用第1～21天的周边位移时间序列作为训练集，即第1～20天的周边位移时间序列作为训练输入，第21天的周边位移作为训练输出；第22～25天的周边位移时间序列作为测试集，用以验证结果。

4.2 确定激活函数 根据处理后的数据范围，笔者选取的激活函数为tansig和purelin。

4.3 设定网络的最大学习迭代次数为6000次。

4.4 设定网络的学习精度为0.0001

4.5 创建和训练BP神经网络的MATLAB程序：

%周边位移预测

>> clear all;

>> p=[0.250 0.061 0.073

0.510 0.010 0.090

… …

1.871 0.883 0.843];

>> t=[1.878 0.883 0.892];

>> net=newff(minmax(p),[12 1],{'tansig' 'purelin'},'traingdx','learngdm');

>> net.trainParam.epochs=6000;

>> net.trainParam.goal=0.0001;

>> net.trainParam.show=500;

>> [net,tr,Y,E]=train(net,p,t);

如图3显示网络学习迭代到127次时，就已经满足精度要求，其学习速度较快。

4.6 测试BP神经网络 将输出数据还原，与实测数据比较，说明BP神经网络预测的MATLAB实现是可行的。结果如表3所示。

由结果可见其对隧道工程的测量数据进行处理和预测是有效的。

5 结论

隧道围岩变形时间序列数据中蕴含着系统演化的信息，我们可以从这些数据中找出其蕴含的规律性，同时也可以利用已知的观测资料来预报系统的未来动态。神经网络方法从模拟人脑的形象思维入手，具有非线性、并行性、鲁棒性和强泛化性等特点；对于处理具有强噪声、模糊性、非线性的地下工程地质信息，它具有广泛的应用前景。

参考文献：

[1]傅荟璇.MATLAB神经网络应用设计．机械工业出版社，北京，2010.7.

篇10

关键词： 神经网络；信息融合；智能家电；故障测控

中图分类号：TP399文献标识码：A文章编号：1009-3044(2007)15-30824-02

Fault Detection and Control System on Intelligent Household Electrical Appliance based on Information Fusion and BP Algorithm

HUANG Xin，LIU Guo-liang

(Network and Embeded System Research Center, Chongqing Communication Institute, Chongqing 40035, China)

Abstract:According to the maintenance mode and requirement, a fundamental frame of fault detection and control system of intelligent household electrical appliance based on neural network and information fusion is presented. The system not only can be satisfied the needs of different intelligent-household-electrical appliance which needs different guarantee of QoS, but also can be put into practice effectively. The level and efficiency of fault diagnosis and maintenance can be enhanced and the cost can be economized by using the system. The products are more competent. It is useful to put the artificial intelligence into the maintenance of electrical household appliance as well.

Key words:neural network; information fusion; intelligent household electrical appliance; fault detection and control system

1 引言

近年来，虽然我国家电维修行业取得了巨大的发展，但仍然面临如下问题：①由于家用电器的社会拥有量非常巨大，导致大量故障家电得不到及时维修；②由于大量新技术被广泛运用到各种新型家电设备中，对维修人员的素质提出了更高的要求；③由于家电本身是一种相当复杂的机电一体化设备，所以家电故障诊断与维修是个费时费力的工作。

随着计算机网络技术和家用电器技术的不断扩展，消费电子、计算机、通讯一体化趋势日趋明显，基于家庭网络的智能化信息家电产品已经开始步入社会和家庭。这为家电的在线测控提供了可能。

另一方面，人工智能技术也在迅速的发展，特别是人工神经网络和信息融合技术在故障测控领域的应用，为设备故障测控的智能化提供了可能性，也使得测控技术进入了新的发展阶段。

因此有必要对现有的家电维修方式进行改进，基于神经网络和信息融合技术的智能家电故障测控系统正是为了解决这一问题。一方面可以提高我国家电企业故障诊断与维修的水平和效率，节省检测和维修成本并使产品具有更大的竞争力。另一方面，对将人工智能技术引入到家电维修行业进行有益的探索。

2 BP神经网络算法

在众多神经网络模型中，应用最广泛的是BP网络。BP网络所使用的训练算法是误差反向传播学习算法(Error Back-Propagation)，即BP算法[1]。该算法的学习过程由正向传播和反向传播组成。在正向传播过程中，输入信息从输入层经隐含层逐层处理，并传向输出层。每一层神经元的状态只影响下一层神经元的状态。如果输出层得不到期望的输出，则转入反向传播，将误差信号沿原来的连接通道返回，通过修改各层神经元的权值，使得误差信号最小。

基于BP算法的神经网络模型获得了广泛的应用，在故障测控中，引入该算法，一方面可以适应测控环境的动态变化，另一方面可以提高效率。

3 信息融合

人类能够利用自己五官所具有的听觉、视觉、味觉、触觉等功能获得对事物的各个不同侧面(或角度)的具有不同度量特征的信息，人脑再根据己有的知识对这些信息综合分析，从而更全面地认识事物。

信息融合的基本原理就是模仿人脑的这个过程，得到一个对复杂对象的一致性解释或结论。信息融合比较确切的定义可概括为：充分利用多个传感器在空间或时间上的冗余或互补信息，依据某种准则来进行融合，以获得被测对象的一致性解释或描述，从而取长补短，精确地反映被测对象的特征，消除信息的不确定性，提高系统的可靠性[2,3]。

由于智能家电故障测控系统是一个多信息源、多特征参数的复杂系统，将信息融合技术引入到该系统中，可以大大提高故障诊断的准确性。

4 智能家电概念

智能家电指的是将微电脑和通信技术融入到传统的家用电器中，使之智能化并具有网络终端功能，可以随时随地地获取与处理信息的消费电子产品。其重要特征是可以传递数字信息[4,5,6]。正是由于这一重要特征，使得基于网络环境的故障测控成为可能。

5 智能故障测控系统

与传统的故障测控方式相比，智能故障测控方式具有以下优点。

(1)能够模拟人脑的逻辑思维过程，可以解决需要进行复杂推理的复杂测控问题。

(2)可以存贮和推广领域专家宝贵的经验和知识，更有效地发挥各种专门人才的作用，使一般的维修人员也可以掌握复杂设备的故障测控知识。

(3)智能故障测控系统在某些方面比人类专家更可靠，更灵活，可以在任何时候，任何条件下提供高质量的服务，不受外界的干扰。

(4)智能故障测控系统便于用户对知识库的修改和完善。先进的智能故障测控系统还具有学习的功能，能够在测控过程中自动完善知识库，提高系统的测控能力。

因此，智能故障测控系统是测控技术的重要发展方向。

6 技术方案

6.1 系统总体目标

考虑到当前的经济技术条件，基于神经网络和信息融合技术的智能家电故障测控系统的总体目标为：①作为一种有效的工具，能帮助维修人员迅速提高维修水平和工作效率；②可实现家用电器的自适应控制；③具有自学习和自判别能力；④提供辅助决策建议。例如，监测电冰箱的各项工作指标，通过压缩机上的震动传感器随时掌握电冰箱的工作情况，在得到即将出现故障信号时就可以在线对其进行智能诊断，并自动对其进行处理。

6.2 系统总体框架

基于神经网络和信息融合技术的智能家电故障测控系统的总体框架如图1所示。该系统主要由测控中心、BP神经网络模块库、信息融合模块库和现场网络四部分构成。

图1 系统的总体框架

6.2.1 测控中心

根据BP神经网络模块和信息融合模块，对现场设备采集到的数据进行处理，视处理结果而作出相应的动作。例如在线控制、电话通知用户或向智能家电生产厂商汇报等。

6.2.2 BP神经网络模块库

根据不同的智能家电，基于改进的BP神经网络算法训练得到的故障测控模块集，负责进行相应智能家电的故障测控。例如，当空调出现故障后，就调用空调测控模块（基于改进的BP算法）进行测控；当电视机出现故障后，就调用电视机测控模块（基于改进的BP算法）进行测控。

6.2.3 信息融合模块库

根据不同的智能家电，基于不同的信息融合规则而建立的信息融合模块集，负责进行相应智能家电的故障融合。例如，当空调出现故障后，就调用空调信息融合模块；当电视机出现故障后，就调用电视机信息融合模块。

6.2.4 现场网络

主要通过家庭网络将各种智能家电连接起来，一方面完成现场数据的采集、计量，另一方面负责将采集结果上传到测控中心。

6.3 系统的实现

系统的实现主要包括两个方面，一方面是对BP算法进行改进，另一方面是满足不同的智能家电需要不同的QoS(服务质量)保障要求。

6.3.1 对BP算法进行改进

为了满足家用电器故障测控系统的实时性要求，所以有必要对传统的BP算法进行改进（传统的BP算法收敛速度慢）。

基本的BP算法根据梯度法、即最速下降法来解决使误差函数(E(W))达到最小这一问题，权向量按照误差函数的负梯度方向来修正，直到函数E(W)达到最小值。因此，权向量的迭代公式为：

W(k+1)=W(k)+ηG(k)

其中η为学习率，表示学习的步长（在变步长算法中η可以调整）；G(k)为函数E(W)的负梯度，即：

G(k)=-E(W)/W

但是，常规的BP算法收敛速度慢是一个比较突出的问题，为了加快BP算法的收敛速度，引入动量因子α，从而将权向量迭代修正规则改进为：

W(k+1)=W(k)+ηG(k)+αΔW(k)

式中：

ΔW(k)=W(k)-W(k-1)。

ΔW(k)记忆了上一时刻权向量的修正方向。动量因子α的取值范围为0

6.3.1 满足不同智能家电需要不同的QoS(服务质量)保障要求

考虑到家庭网络中智能家电设备的多样性，不同的设备就需要不同的QoS(服务质量)保证；例如：电视机的实时性要求比电话机高，电话机的实时性要求比电冰箱高。另一方面，不同的家电设备其故障参数也不尽相同。为了保证智能家电的QoS要求，采取了以下措施。

网络模型的确定以家庭网络中各种家用电器的故障现象X=(x1,x2,x3,…,xn)作为输入，故障原因Y=(y1,y2,y3,…,ym)作为输出，以不同的故障原因导致的故障现象为训练样本进行学习，从而建立故障现象与故障原因之间的映射关系。采用改进的BP算法进行训练，直到得到期望的输出为止。进而将该训练后得到的BP网络模型保存到BP神经网络模块库中。如此反复训练，获得所有智能家电的BP神经网络训练模块，均保存到BP神经网络模块库中。

信息融合模块库的建立以智能家电故障权值(故障出现的统计概率)乘以由传感器实时检测到的故障概率作为判断概率，判断概率越大，说明出现故障的可能性就越大；由于有实时概率的校正，所以比单独使用统计概率具有更大的准确性。对每种智能家电都进行这样的处理，最后得到多种智能家电的信息融合模块集。

智能家电的识别由于家庭网络中有多种智能家电，对不同的智能家电就需要进行区分。我们给每一个智能家电一个标号，例如：1表示电视机，2表示空调等。因此，只要我们在发送信息时，在标识位填入相应的标号即可识别不同的智能家电。

优先级的确定：一个故障现象可能是由多种故障原因所引起，但每一种故障原因发生的概率是不一样的，为了加快确定引起故障现象的原因，我们把不同故障原因定义不同的优先级，优先级的数值越大，表明发生故障的概率越大，并且每一个优先级对应一个给定的权值。

例如：以空调故障为例，当“房间温度均偏高”故障现象发生时，可定义：

优先级0：表冷器结霜，造成堵塞 ；（出现的概率最小）

优先级2：通过空气处理设备的风量过大，热交换不良；

优先级3：喷水堵塞；

优先级4：冷冻机产冷量不足。（出现的概率最大）

6.4 工作过程

现场网络首先对智能家电参数进行采集、预处理，然后上传到测控中心，测控中心首先判断是哪一个智能家电发生故障，再根据BP神经网络和信息融合模块库调用相应的经过训练的模块，并且根据判断概率(故障权值乘以故障出现的统计概率)进行相应的处理。根据处理结果做出相应的动作反应。例如，若即将出现故障或故障较轻，就可以自动地、在用户不知情的情况下对智能家电进行在线维护；若故障严重，在线修复成为不可能，就可以电话通知用户或者通过Internet通知生产厂家。

6.5 技术带来的好处

(1)节省维修费用。采用该系统后，智能家电维修大多数情况下是在线进行的，维修人员不必亲自上门服务。进而降低成本，节省维修费用。

(2)有利于改善产品质量。在测控中心，对各种智能家电以及各种故障一目了然，可以通过跟踪最常见故障，找出原因，进而改善产品质量。

(3)方便用户。传统情况下，一旦家电出现故障，用户要么将家电搬到维修中心，要么叫维修人员上门服务，这样对厂家对用户都不方便，并且用户随时都要关心自己家中的家用电器使用情况，无形之中增加了心理负担。现在用户只管放心地使用家电而不必关心家电的使用情况，因此对于用户来说增加不多的费用却带来了高档次的服务和方便的使用。

7 结束语

该系统设计方案将神经网络和信息融合技术应用于家庭网络中的智能家电故障测控系统，切实可行。依托该系统，可全面提高故障诊断与维修的水平和效率；不但方便用户使用，而且降低企业维修成本并快速改善产品质量，进而提高其在国内国际中的竞争力。

参考文献：

[1] 王永庆. 人工智能原理与方法[M]. 西安：西安交通大学出版，2001.

[2] 权太范. 信息融合神经网络[M]. 北京：国防工业出版社，2002.

[3] 李山林, 阎福旺, 袁延艺. 信息融合技术[M]. 北京：海洋出版社，2005.

[4] 吴莘. 利用通信手段进行智能家电远程控制的探讨[J]. 贵州科学, 2002,(4):107-109.

[5] 黄孝建. 社区宽带业务与网络[M]. 北京:北京邮电大学出版社,2002.

[6] 戴琼海. 宽带信息网络[M]. 北京：清华大学出版社，2002.

[7] 王波，卿晓霞. 智能建筑导论[M]. 北京：高等教育出版社，2003.

[8] 刘国良，乐琦. 基于Internet的智能家电故障测控系统[J]. 微处理机,2005,(6).