神经网络的难点范文

导语：如何才能写好一篇神经网络的难点，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

【关键词】人工神经网络 路径规划 移动机器人

1 引言

在移动机器人导航技术应用过程中，路径规划是一种必不可少的算法，路径规划要求机器人可以自己判定障碍物，以便自主决定路径，能够避开障碍物，自主路径规划可以自动的要求移动机器人能够安全实现智能化移动的标志，通常而言，机器人选择的路径包括很多个，因此，在路径最短、使用时间最短、消耗的能量最少等预定的准则下，能够选择一条最优化的路径，成为许多计算机学者研究的热点和难点。

2 背景知识

神经网络模拟生物进化思维，具有独特的结构神经元反馈机制，其具有分布式信息存储、自适应学习、并行计算和容错能力较强的特点，以其独特的结构和信息处理方法，在自动化控制、组合优化领域得到了广泛的应用，尤其是大规模网络数据分析和态势预测中，神经网络能够建立一个良好的分类学习模型，并且在学习过程中优化每一层的神经元和神经元连接的每一个节点。1993年，Banta等将神经网络应用于移动机器人路径规划过程中，近年来，得到了广泛的研究和发展，morcaso等人构建利用一个能够实现自组织的神经网络实现机器人导航的功能，并且可以通过传感器训练网络，取得更好的发展，确定系统的最佳路径。神经网络拓扑结构模型可以分为：

2.1 前向网络

网络中各个神经元接受前一级的输入，并输出到下一级，网络中没有反馈，可以用一个有向无环路图表示。这种网络实现信号从输入空间到输出空间的变换，它的信息处理能力来自于简单非线性函数的多次复合。网络结构简单，易于实现。反传网络是一种典型的前向网络。

2.2 反馈网络

网络内神经元间有反馈，可以用一个无向的完备图表示。这种神经网络的信息处理是状态的变换，可以用动力学系统理论处理。系统的稳定性与联想记忆功能有密切关系。Hopfield网络、波耳兹曼机均属于这种类型。

3 基于人工神经网络的移动机器人路径规划算法

神经网络解决移动机器人路径规划的思路是：使用神经网络算法能够描述机器人移动环境的各种约束，计算碰撞函数，该算法能够将迭代路径点集作为碰撞能量函数和距离函数的和当做算法需要优化的目标函数，通过求解优化函数，能够确定点集，实现路径最优规划。神经网络算法在移动机器人路径规划过程中的算法如下：

（1）神将网络算法能够初始化神经网络中的所有神经元为零，确定目标点位置的神经元活性值，并且能够神经网络每层的神经元连接将神经元的值传播到出发点；

（2）动态优化神经网络，根据神经网络的目标节点和障碍物的具置信息，在神经网络拓扑结构中的映射中产生神经元的外部输入；

（3）确定目标值附件的神经元活性值，并且使用局部侧的各个神经元之间，连接整个神经网络，并且在各个神经元中进行传播。

（4）利用爬山法搜索当前邻域内活性值最大的神经元，如果邻域内的神经元活性值都不大于当前神经元的活性值，则机器人保持在原处不动；否则下一个位置的神经元为邻域内具有最大活性值的神经元。

（5）如果机器人到达目标点则路径规划过程结束，否则转步骤（2）。

4 基于人工神经网络的移动机器人路径规划技术展望

未来时间内，人工神经在机器人路径规划过程中的应用主要发展方向包括以下几个方面：

4.1 与信息论相融合，确定神经网络的最优化化目标解

在神经网络应用过程中，由于经验值较为难以确定，因此在神经网络的应用过程中，将神经网络看做是一个贝叶斯网络，根据贝叶斯网络含有的信息熵，确定神经网络的目标函数的最优解，以便更好的判断机器人移动的最佳路径。

4.2 与遗传算法想结合，确定全局最优解

将神经网络和遗传算法结合起来，其可以将机器人的移动环境设置为一个二维的环境，障碍物的数目、位置和形状是任意的，路径规划可以由二维工作空间一系列的基本点构成，神经网络决定机器人的运动控制规则，利用相关的神经元的传感器作用获未知环境的情况，将障碍信息和目标点之间的距离作为神经网络的输入信息，使用遗传算法完成神经网络的权值训练，神经网络的输出作为移动机器人的运动作用力，实现一个可以在未知环境中进行的机器人运动路径规划。

4.3 与蚁群算法相结合，降低搜索空间，提高路径规划准确性

为了提高神经网络的搜索准确性和提高效率，可以将蚁群算法与神经网络相互结合，蚁群算法的路径规划方法首先采用栅格法对机器人工作环境进行建模，然后将机器人出发点作为蚁巢位置，路径规划最终目标点作为蚁群食物源，通过蚂蚁间相互协作找到一条避开障碍物的最优机器人移动路径。

5 结语

随着移动机器人技术的发展，路径规划作为最重要的一个组成部分，其得到了许多的应用和发展，其在导航过程中，也引入了许多先进的算法，比如神经网络，更加优化了移动的路径。未来时间内，随着神经网络技术的改进，可以引入遗传算法、信息论、蚁群算法等，将这些算法优势结合，将会是路径规划更加准确和精确。

参考文献

[1]朱大奇,颜明重,滕蓉. 移动机器人路径规划技术综述[J].控制与决策,2010,25(7): 961-967.

[2]刘毅.移动机器人路径规划中的仿真研究[J].计算机仿真,2011,28(6): 227-230.

[3]熊开封,张华.基于改进型 FNN 的移动机器人未知环境路径规划[J].制造业自动化,2013,35(22): 1-4.

[4]柳长安,鄢小虎,刘春阳.基于改进蚁群算法的移动机器人动态路径规划方法[J].电子学报,2011,39(5).

[5]范浩锋,刘俊.基于 BP 神经网络的红外目标识别技术[J].计算机与数字工程,2013,41(4): 559-560.

篇2

关键词:神经网络; FPGA;可重构;羊绒;近红外光谱

中图分类号：TP183文献标识码：A文章编号：1009-3044(2012)09-2092-04

Research of Neural Network in Cashmere Near Infrared Spectroscopy Identification Based on FPGA

GUO Fei1，LIU Jing-jing2

(1. School of Information Engineering, Beijing Institute of Fashion Technology, Beijing 100029, China; 2. Library, Beijing Institute of Fashion Technology, Beijing 100029, China)

Abstract：In order to realize real-time requirement, an implementing method of reconfigurable Neural Network based on FPGA was introduced. First the optimal weights ware gotten by using improved BP Neural Network algorithm in software, and then on the base of improved approaching method of excitation function the identification of cashmere Near Infrared Spectroscopy model was realized by using FPGA. The simulation experiments demonstrate that the method has better identification accuracy and speed, and it is an effective method of cashmere Near Infrared Spectroscopy modeling based on hardware, and it will laid the foundation for embedded realization of cashmere and wool identification.

Key words：neural network; FPGA; reconfigurable; cashmere; near infrared spectroscopy

人工神经网络(Artificial Neural Network, ANN)以其良好的非线性映射能力被越来越多地应用到了复杂系统的建模和控制中[1-3]。以软件形式实现的神经网络，无法满足实时性要求高的领域，所以神经网络的硬件实现方法成为新的热点方向。

数字神经网络的硬件实现方法一般有数字信号处理（DSP）、专用集成电路（ASIC）、现场可编程门阵列（FPGA）三种。其中DSP是串行实现，ASIC不可重构。基于FPGA的可重构计算很好的适应了神经神经网络并行、模块化、动态适应性强的特点，是硬件实现神经网络的首选[4-6]。FPGA实现具有大量神经元的神经网络仍然很具挑战性。主要有三个难点：一、神经网络激励函数的表示方法；二、权值精度的数据表示方法；三、大量乘法器造成的资源浪费。这三点决定了FPGA的执行速度、精度和资源利用率。

该文以羊绒近红外光谱的辨识为应用背景，提出了一种面向工程应用的BP神经网络硬件实现方法。根据该文数据特点，首先优化BP神经网络算法，并对神经网络进行训练，获得最优权值；其次采用改进的混合激活函数表示方法，结合较好的数据表示精度基于FPGA实现BP神经网络的羊绒近红外光谱数据模型，在保证精度的同时提高了资源利用率。

1 BP神经网络及其优化算法描述

BP神经网络(Back-Propagation Neural Network，BP)是一种单向传播的多层前馈神经网络，采用非线性可微分函数进行权值训练。BP神经网络具有三层及以上结构，包括输入层、1层或多层隐含层、输出层[7-8]。典型的三层BP神经网络结构如图1所示。

图中黑圈表示输入恒为1的神经元，其目的是把阈值当成特殊的权值看，在硬件实现过程中，统一为乘累加计算，减少减法器的使用。

BP神经网络的算法分为三步：前向传播、误差反向传播、权值更新，其数学描述如下：

前向传播实现了n维空间向量到m维空间向量的映射。隐含层节点的输出为：

hk=f1(∑

2 BP神经网络硬件实现

系统采用模块化设计方法，主要包括乘累加、权值存储、激励函数实现、控制功能模块。系统结构图如图2所示：图2系统硬件结构图2.1数据表示

神经网络的FPGA实现存在资源限制和精度之间的冲突。需要根据实际情况对神经网络的各种数据进行精度分析，尽量提高资源利用率。因为定点小数表示效果优于浮点小数[9]，所以该文采用定点小数来表示数据。根据文本的实际情况，输入样本经归一化后范围为[0,1],采用16位定点数表示（1，15），1位符号位，15位小数。权值范围为[38，-18],采用21位定点数表示（1，6，14）。结果范围为[-1,1]采用16位定点数表示（1，15），1位符号位，15位小数。

2.2乘累加设计

输入x和权值w相乘后输出用21位（1，6，14）定点数表示，为了防止累加溢出，乘累加后输出用25（1，10，14）位定点数表示。

2.3激励函数实现

BP神经网络的FPGA设计中，激励函数的实现是重点和难点。该文采用tan-s函数作为激励函数，其表达式如下：

f(x)=

激励函数的逼近算法主要有：泰勒级数逼近法、坐标旋转法、查表法、分段法。泰勒级数和分段法所占资源少但精度较差。坐标旋转法和查表法精度高，但资源利用率低[10-12]。该文提出一种折线法、查表法及等分相加法相结合的混合表示方法，在提高精度的同时提高了资源的利用率。

tan-s函数在[-10,10]的范围内的波形如图3所示：图3 tan-s波形图

从图3中可以看出，当输入大于等于6时,可以将激励函数输出直接赋值为1；输入小于等于-6，可直接赋值为-1，此时误差为1.23e-05，满足性能要求。

激励函数tan-s的FPGA实现主要是在[-6,6]范围内的实现。由于其关于x=0对称，所以只讨论x大于0的情况。把x按照表1所示划分为3个区间，每种区间采用不同的实现方法。

表1 S函数各区间实现方法表

实现方法折线法查表法等分相加法

S=1

当x∈[0,1]区间内采用五段折线逼近，如式（9）所示，逼近效果如图4所示。当x∈(1,3]时逼近效果较差，采用查表法（LUT）实现tan-s函数。当x∈(3,6)时，激励函数输出为(0.9951,1)，已经非常逼近1，所以在此范围内采用等分相加的策略。即以0.1为一个间隔范围，每次在0.9951的基础等量增加0.00016。采用以上改进的混合激励函数实现方法，在保证精度的前提下，提高了资源的利用率，是一种有效的tan-s激励函数硬件实现方法。

3羊绒近红外光谱数据实验分析

以羊绒近红外光谱模型辨识为背景，在FPGA上进行BP神经网络实现仿真。BP神经网络结构为四层（2-10-7-1），即输入层2个节点，第一隐含层10个节点，第二层隐含层7个节点，输出层1个节点，其中输入层、隐含层各包括一个输入恒为1的节点。系统采用Altera公司Cyclonell系列的EP2C35型FPGA，综合软件使用QuartusⅡ7.1。样本以流水线的方式读取，即第n个样本xn在第t,t+1,t+2,t+3个时钟周期依次进入输入层、隐含层1、隐含层2、输出层。xn+1个样本在t+1时钟周期进入输入层，依次计算输出。这样xn+1个样本的处理不需要等待样本xn完全处理完。同层的神经元间为并行计算，层与层间为流水线处理，节约处理时间。图5为FPGA输出和期望输出的对比曲线，从图中可以看出FPGA输出曲线和期望值很接近，能够很好的对羊绒近红外光谱图进行辨识。图6为误差曲线，从图中可以看出，最大误差为0.043，满足性能要求，能够较精确的对羊绒近红外光谱进行建模。

4结论

羊绒和羊毛的鉴别是纤维鉴别领域的重要研究课题。而羊绒、羊毛模型的建立是鉴别的基础。该文基于FPGA实现了BP神经网络，在保证数据精度的前提下，改进了tan-s激励函数的实现方法，并应用于羊绒近红外光谱辨识中，取得了较好的仿真结果。硬件实现羊绒近红外光谱模型为羊绒、羊毛鉴别的嵌入式实现奠定了基础。实验说明，羊绒近红外光谱模型的FPGA实现精度取决于数据表示精度和激励函数的实现逼近程度，要提高辨识精度需要从这两方面改进。

参考文献:

[1]韩力群.人工神经网络教程[M].北京:北京邮电大学出版社, 2006.

[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]赵俊,陈建军.非线性系统模糊神经网络控制的改进策略[J].控制理论与应用, 2010, 27（4）: 466-472.

[4]王守觉,李兆洲,陈向东,等.通用神经网络硬件中神经元基本数学模型的讨论[J].电子学报, 2001, 29（5）: 577-580.

[5]李昂,王沁,李占才,等.基于FPGA的神经网络硬件实现方法[J].北京科技大学学报, 2007, 29（1）: 90-95.

[6]潘松,黄继业,曾毓.SOPC技术实用教程[M].北京:清华大学出版社, 2005.

[7]陈作炳,艾春庭,夏雪峰.BP神经网络仿真软件[J].计算机仿真, 2001, 18（4）: 23-24.

[8]林加乡,葛元.浅谈BP神经网络在模式识别中的应用[J].电脑知识与技术, 2011,(7）: 1543-1545.

[9] Jordan L Holt, Jenq-Neng Hwang. Finite Precision Error Analysis of Neural Network Hardware Implementations [J]. IEEE Transactions on Computers, 1993, 42（3）: 281-290.

[10]张海燕,李欣,田书峰.基于BP神经网络的仿真线设计及其FPGA实现[J].电子与信息学报, 2007, 29（5）: 1267-1270.

篇3

关键词： 物联网； BP神经网络； 环境参数监测； 设备环境

中图分类号： TN911?34 文献标识码： A 文章编号： 1004?373X（2017）03?0012?03

Research on IOT equipment environmental monitoring technology

based on neural network

PAN Xiang

（Department of Computer， Guangxi Cadres University of Economic and Management， Nanning 530007， China）

Abstract： The parameters of smog， water logging， temperature and humidity in the equipment working environment are collected and processed by means of the related technical methods based on Internet of Things （IOT）， and analyzed by means of BP neural network to evaluate the equipment working environment. The simulation results show that the method proposed in this paper can monitor the environmental parameters effectively and issue an early warning according to the parameters， and let the system users understand the status of the current environment explicitly.

Keywords： IOT； BP neural network； environmental parameter monitoring； equipment environment

0 引 言

各种电子设备所处的环境对其工作性能和使用寿命有着重要的影响，所以目前人们开始越来越多的对设备工作环境进行监测。对设备环境进行有效的监测，一方面必须利用各种传感器技术对温度、湿度等环境参数进行准确及时的获取和处理；另一方面，必须构建一个有效的分析监测模型，能够对这些复杂的参数综合表征的环境状态进行评价和判断。而这两个方面都涉及许多技术难点，因此，本文参照目前比较新的研究思路，引入物联网的相关技术和方法对温度等四个环境因素进行准确的采集和处理，再利用BP神经网络技术对获得的数据进行分析，以判断目前环境的情况，该方法具有实现简单，监测准确率高的优点。

1 物联网

1.1 物联网的结构

物联网是伴随着计算C和互联网技术的发展而出现的一个全新概念。它一般指采用多种智能传感设备，诸如各种传感器、射频识别技术、GPS、激光或红外探测器等各种装置，实时采集任何需要监控、连接、互动的物体或过程，采集其声、光、热、电、力学、化学、生物、位置等各种需要的信息，与互联网结合形成的一个巨大网络，以进行信息交换和通信[1]。 一个完整的物联网一般由感知层、网络层和应用层组成，如图1所示。

其中，感知层网络的主要作用是对实体信息的感知，信息的采集和智能识别等功能；网络层是人与人之间、人与物之间和物与物之间通信的传输媒介，主要向应用层提供安全可靠的传输机制；应用层的主要功能就是对网络层传输的海量数据进行存储、分析和智能处理等，根据不同的应用需求对数据进行处理[2]。

1.2 基于物联网的设备环境监测原理

为了对设备的运行环境状况进行实时监测，以使相关人员能够清楚地了解到目前环境的状况。本文通过物联网，利用IPv6等无线通信技术，将各种传感器、路由网络和神经网络系统等进行连接，从而实现对温度、烟雾、水浸等环境参数的实时监测。

本文设计的监测物联网主要由感知层的18个无线传感器和应用层的BP神经网络监测分析系统组成。在底层，各种不同的传感器采集到的数据通过IPv6组成的无线网络通过各自的路由器发送至无线网关，无线网关通过交换机与服务器相连，服务器接收到数据后，会利用构建好的BP神经网络模型对这些数据进行整理分析，以判断环境所处的具体状态。

2 BP神经网络

2.1 BP神经网络的原理

BP神经网络是一种前馈型误差修正网络，它通过不断调整各个单元层之间的网络权值和阈值实现网络的训练。BP神经网络主要运行由信号的正向传播和误差的逆向传播两个过程组成，通过不断地权重调整，可以实现网络误差的不断缩小。

2.2 原始数据的获得

位于底层的传感器网络一共包含4个路由器（含网卡）和18个无线传感器（含3个水浸传感器、4个烟雾传感器、6个温度传感器和5个湿度传感器）。通过传感器和路由器组建传感器的物联网络实现对环境信息的获取，并上传至数据处理中心。将各个类型传感器收集到的数据分别进行加权平均，由于水浸和烟雾为简单的“是否”问题，因此用0和1表示，结果如表1所示。

2.3 定义输入和输出样本数据

定义输入样本数据，从表1的20组数据中选择10组作为输入样本，在Matlab命令空间中输入归一后的数据，归一化按照式（1）进行：

[yi=xi-minximaxxi-minxi， i=1，2…，n] （1）

本文直接调用Matlab软件中的premnmx函数进行归一化运算，经过归一化后的评价指标[yi]在[0，1]之间。为了简化仿真模型，特对输出状态进行编码，模型输出为评价环境的优、良、中、差、危险5种状态，定义期望输出向量如表2所示。

2.4 构建BP神经网络模型

本文采用含一个隐藏层的神经网络结构进行分析，由于输入单元为4，输出单元为5，根据经验公式可选隐含层单元数为1～10之间的整数，采用试凑法得到了隐含层神经元与均方平均值（MSE）的曲线关系，如图2所示。其中隐层神经元数目为9时，得到的MSE值最小为14，所以确定的隐含层神经元数为9。

2.5 BP神经网络模型的训练

在Matlab中代入这8组样本向量对构建的网络进行训练，期望误差设为10?6，训练过程中，BP神经网络误差的变化形式如图3所示。

由图3可知，当训练经过58次迭代之后，达到了满意的误差期望。获得理想的神经网络模型后，在剩余样本中选择8组数据对该BP神经网络进行检验测试实验，输入主代码：result_test=sim（net，ptest）[′]。

在Matlab中输入表1中的所有数据，经过整理的结果如表4所示。

由表4可以看到，表中字体加深的数据，即第2组环境状态为中，第四组环境状态为良的检测数据分别误判为良和中。为了提高模型的检测精度，将这两组作为训练样本加入训练集中，重新对网络进行训练，图4是新构建的神经网络训练时使误差下降的情况。

由图4可知，增加这两组数据后，模型的收敛速度获得了提升，达到相同精度，仅需要33步即可收敛，表5是用剩下的8组数据进行检测的仿真结果。

由表5可以看到，经过2次训练后，本文构建的神经网络对样本的判断结果均正确，对环境具有较好的监测功能。

3 结 论

本文主要研究了基于物联网的设备环境监测方法，构建了能够根据烟雾、水浸、温度和湿度等环境参数准确判断环境状态的BP神经网络模型。在仿真过程中发现将第一次训练的错误数据代入原模型作为训练样本，并进行两次训练可以大大提高神经网络模型的精度。系统可在环境参数出现异常状况前告知使用者，从而避免事故发生，具有较大的实用意义。

参考文献

[1] 刘飞.物联网的应用分析研究[J].电子技术，2013（1）：12?18.

[2] 郑伟.一N基于BP 神经网络技术的物联网监控预警系统设计与实现[D].北京：北京工业大学，2015.

[3] 王亿之.神经网络算法在物联网中的应用研究[J].计算机应用研究，2015（3）：128?132.

[4] 林华.基于BP神经网络改进算法的检测方法[J].计算机工程，2015（8）：143?149.

篇4

关键词:BP神经网络,半干法脱硫工艺,钙硫比

一、引言

循环流化床烟气脱硫工艺是半干法脱硫工艺的一种,是使用粒状脱硫剂及其他各个因素在脱硫塔内相反应以降低烟气中的SO2含量。该工艺具有流程比较简单、较少的耗水量、平均投入资金少、固化排出物、无废水排放等优点。此工艺与湿法脱硫工艺相比,相对成本低比较低,对于很多热电厂是很好的选择,受到了众多热电厂的青睐。

在脱硫过程中如何控制净烟气中SO2含量、降低钙硫比是目前研究的重点和难点,也是半干法脱硫工艺目的所在。国家已经订立了强制性的二氧化硫排放标准,即由400mg/Nm3进一步严格控制为200mg/Nm3的限值,并且增加了监管力度。这对于目前的脱硫系统是一个重大的考验。由此,二氧化硫的排放量的预测在实际工作的重要性也不尽凸现出来。然而目前对于循环流化床烟气脱硫工艺的预测的研究比较少,这严重阻碍了脱硫工艺的发展。通过合理及准确的预测二氧化硫的排放量,可以很好的确定在脱硫中各个因素所占的比重,从而为下一步的优化提供有力的证据和科学依据。对于企业来讲,也可以据此调整产业结构,减低成本。

本文中采用的数据为国家某电厂脱硫数据,此电厂自2008年设计和改造了脱硫除尘系统,属于典型的经预除尘后烟气先脱硫后除尘的布置方式,其设计钙硫比为1.3,但是实际运行中,钙硫比高达2.3~2.5,极大的增加了脱硫装置的运行成本,经厂家多次调试和改造,没有明显改善。BP神经网络是一种多层前馈型神经网络,目前的研究发现,三层的神经网络可以模拟从输入到输出的任意非线性函数映射关系,其权值的调整采用反向传播的学习算法。其主要应用于四个方面:函数逼近,模式识别,分类,数据压缩。经过调整权值,实现对数据的在精确范围内的预测,辅助下一步的优化工作。

二、构造BP神经网络模型

构建神经网络一般需要进行三个步:神经网络生成,初始化权值和仿真。

BP神经网络的学习规则是要保证网络权值和阀值要沿着负梯度方向修正,以实现映射函数的最快下降方向。其基本形式为:

wk+1=wk-ηkdk

其中wk为权值或阀值矩阵,dk是映射函数的梯度,ηk是学习率。

假设三层BP神经网络,输入节点xi,隐层节点hj,输出节点yl,输入层节点与隐层节点之间的权值为wji,隐层节点与输出层节点之间的权值为vlj,θi为相应的阈值。输出节点的期望值为tl。

隐层节点的输出:hj=f(∑iwjixi-θj)=f(netj)

其中netj=∑iwjixi-θj

输出节点的输出:netl=∑jvljhj-θlyl=f(∑jvljyj-θl)=f(netl)

其中:E=12∑l(tl-yl)2=12∑l(tl-f(∑jvljf(∑iwjixi-θj)-θl))2

输出节点误差为:Evlj=∑nk=1Eykykvlj=Eylylvlj

1. 误差函数对输出节点求导:

Ewlj=∑nk=1Eykykvlj=Evlylvlj

2. 误差函数对隐层节点求导:

Ewji=∑i∑jEylylhjhjwji

3. 阀值的修正:

在修正权值的过程中,也应该考虑对阈值的修正,其修正原理同权值修正基本一致。

误差函数对输出节点阀值求导:

Eθl=Eylylθl

误差函数对隐层节点阀值求导

Eθj=∑Eylylhjhjθj

f(x)=11+e-x

4. 传递函数:

f(x)=21+e-x

S型传递函数

三、数据分析

在循环流化床烟气脱硫工艺中,影响脱硫效率的因子比较多,主要分为5部分:原烟气、净烟气、水路部分、增压风机部分和吸收剂部分。其中原烟气包括:硫化床阻力、塔前温度、塔前压力、塔后压力、氧含量、平均压差和二氧化硫含量;净烟气包括:二氧化硫含量、氧含量、粉尘浓度、出口压力、出口温度、烟气流量;水路部分包括:出口流量、回水流量、工艺水量;增压风机包括:增压风机电机电流信号、增压风机入口挡板开度;吸收剂部分包括:吸收剂送风压力、吸收剂给料机开度。其中塔前压力和塔后压力各有两个监测点,平均压差=塔后压力—塔前压力;工艺水量=出口流量—回水流量。

四、算法分析

在预测之前,首先需要对数据进行清理,除去数据中得一些噪音。数据清理在数据分析中是一个重要的步骤,对数据合理的清理可以加快算法收敛速率,提高预测准确度。本文中所采用的数据都为清理后的数据,保证了预测的准确度。

此外,由于数据中各个变量的变化差异比较大,在应用之前也需要对其归一化处理。设数据中任意变量矩阵为X,X=x1,x2,…xn,则任意xi,i=1,2…n为此变量中得数据。归一化处理:

X′=X/max(X)。

数据中得每一变量都经过此归一化方法进行归一化处理。

从数据中可以分析得到,该BP神经网络模型的有21个输入变量,即影响因素;1个输出变量,此输出为净烟气的二氧化硫的含量。在本文中,笔者采用三层BP神经网络,输入层包含21个神经元,隐含层包含了20个神经元,输出层包含1个神经元。

图1所示为利用BP神经网络训练的仿真;图2所示为预测值与实际值得比较图。

通过BP神经网络的仿真训练图,我们可以看到,经过305次迭代神经网络停止,预测精度约为0.0072。

图1BP神经网络仿真图2预测值与原值比较图

五、结语

通过仿真,利用BP神经网络不断的训练,实现了对循环流化床烟气脱硫工艺预测,并实现了预测值与实际值得比较。从实验中,可以看出,预测值存在的一定的误差。今后本课题的目标就是更加减小误差值,尽量满足预测的需要。

在符合实际情况下的高精度预测,对于预测主题是非常重要的。利用预测可是预知不利的情况,提前做好防范。并且可以为进一步优化提供了便利条件。利用预测值,可以客观的验证优化的效率及程度。(作者单位:河北大学管理学院)

参考文献:

[1]范丽婷,李鸿儒,王福利.半干法烟气脱硫工艺在绝热饱和温差的软测量[J].仪器仪表学报,2009,30(7).

[2]董长虹.Matlab神经网络与应用[M].国防工业出版社,北京,2005.

[3]展锦程,冉景煜,孙图星. 烟气脱硫吸收塔反应过程的数值模拟及试验研究[J]. 动力工程,2008,28(3).

篇5

关键词：径向基神经网络（RBFN）； 超高压； 继电保护； LLS； 梯度下降法

中图分类号：TN911-34; TP332 文献标识码：A

文章编号：1004-373X(2011)20-0196-04

Algorithm of EHV Relaying Protection Based on RBF Neural Network

ZHANG Dong1, WANG Tao2

(1. Inner Mongolia Electric Power Group, Hohhot 010080, China;

2. School of Electronics and Information Engineering, Soochow University, Suzhou 215021, China)

Abstract： An algorithm of EHV (extra high voltage) relaying protection based on RBFN (radial basis function neural network) is proposed. The algorithm can conduct the training according to the existing relaying data sample set because the RBFN has learning ability, find the internal relations of fault detection, fault location, self-adaptive automatic reclosing technology, differential protection and distance protection by analysis, and realize the self-adaptive control over the future relaying protection data samples. The highlight of this algorithm is that the factors of both predicting precision and training time of RFBN are taken into consideration in the process of construction. The linear least squares (LLS) and the gradient descent method are employed for MATLAB simulation experiment to obtain a more accurate result of prediction.

Keywords： RBFN; EHV; relaying protection; LLS; gradient descent

0 引 言

随着电力工业的不断发展，现代电力系统已成为┮桓龈呓追窍咝浴⒏吒丛佣鹊拇笙低常人们对系统运行的可靠性、持续性和稳定性要求也越来越高，这就使得电力系统中问题的解决越来越困难。

继电保护的任务就是检测故障信息，识别故障信号，进而决定保护是否跳闸。传统的继电保护和故障诊断方法自适应能力有限，不能适应各种运行方式和诊断复杂故障。

径向基神经网络（RBFN）具有很强的自适应能力、学习能力、非线性映射能力和容错能力，并且鲁棒性好，应用在电力系统继电保护有很大优势，很多难以列出方程式或难以求解的复杂的非线性问题，应用径向基神经网络（RBFN）方法都可以得到很好的解决。

1 人工神经网络概述

1.1 人工神经网的概念

人工神经网络（Artificial Neural Networks，ANNs）也简称为神经网络（NNs）或称作连接模型（Connectionist Model），它是一种模范动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。人工神经网络具有自学习和自适应的能力，可以通过预先提供一批相互对应的输入-输出数据，分析掌握两者之间潜在的规律，最终根据这些规律，用新的输入数据来推算输出结果，这种学习分析的过程被称为“训练”。

人工神经网络是一门模拟人脑生物过程的人工智能技术,是根据大脑神经元电化学活动抽象出来的一种多层网络结构，它是由大量的神经元互联形成的复杂的非线性系统。神经元结构如图1所示。所有输入M通过一个权重K进行加权求和后加上阈值d，再经传递函数f的作用后即为该神经元的输出a，且有：

Иa=f(MK+d)(1)И

1.2 径向基神经网络理论

径向基神经网络(RBFN)是一个三层的前馈神经网络，包括一个输入层、一个径向基层(即隐含层)和┮桓鍪涑霾恪F浠本原理是以径向基函数作为隐层单元的基，构成隐含层空间，隐含层对输入矢量进行变换将低维的模式输入数据变换到高维空间内，使得在低维空间内的线性不可分问题在高维空间内线性可分。径向基函数它模拟了人脑中局部调整、相互覆盖感受野(Receptive Field)，因此是一种局部逼近网络，科学界已经证明它能以任意精度逼近任意函数，其拓扑结构如图2所示。

图1 人工神经元模型

图2 RBF网络结构图

输入层节点获取输入向量后，传递输入向量到隐含层。隐含层节点由径向基函数构成，径向基函数可采取多种形式(通常采用Gaussian函数)。隐含层执行非线性变换，将输入空间映射到一个新的空间。输出层通常是简单的线性函数。隐含层节点和输出层节点以不同的权重完全连接。隐含层节点的激活函数对输入激励产生一个局部响应，输入向量越靠近基函数的中心，隐含层节点做出的响应越大。隐含层第j结点的输出响应为：

ИGj(x)=exp－x－μj2σ2j （2）И

式中：x= ［ X1,X2,…,Xn ］ 为输入向量；μj,σj分别为第j个神经元的中心和大小；c为神经元的个数。

输出层为隐含层各个单元的加权和:

И=f(x)=∑cj=1wjGj(x)（3）И

式中：wj为第j 个神经元对应的权值。

2 基于RBF的超高压继电保护算法

2.1 训练数据的样本采集

训练所需要的样本数据，直接关系到训练出来经验函数精度的优劣，所以一组好的训练样本是经验函数精度的保证。本文采用内蒙古电力集团公司超高压局近几年对继电保护数据记录，其中样本数据繁多，从中选取了5 000个有效数据作为样本，用其中4 000来训练经验函数，后1 000个用来检测训练效果。

2.2 RBF神经网络混合学习算法

RBF网络的学习分为两个过程。第一个过程：根据所有输入向量确定各隐含层节点的高斯函数的中心值cj。第二个过程：在确定了隐含层j的参数后，根据样本，利用最小二乘法原则求出输出层的权值wjt。建立RBF神经网络的关键问题是根据给定的训练样本确定径向基函数的中心。因为一旦确定了径向基函数的中心cj，则对于所有的训练样本而言Gj和预期输出yt 是已知的，输出权值`jt可以通过最小二乘法求出。

2.2.1 调整隐层神经元中心及宽度

梯度下降法的构造过程中首先定义误差函数：

ИE=12∑Nn=1En（4）И

式中：N为样本个数；En为输入第nЦ鲅本是的误差定义为：

ИEn=∑sk=1(tnk－ynk)2， n=1,2,…,N(5)И

要使误差函数最小化，则参数的修正量应与其负梯度成正比则有：ЕCj=－η1ECj和Δσj=－η2E郸要j Т入后得：

ИЕCj=2η1∑Nn=1∑sk=1(tnk－ynk)•Rnjwn(k,j)•pn－cnj(σnj)2(6)

Δσj=2η2∑Nn=1∑sk=1(tnk－ynk)•Rnjwn(k,j)pn－cnj2(σnj)3(7)И

当所有样本输入完成后，运用迭代的方法对参数进行调整，如下所示：

ИCj(m+1)=Cj(m)+ΔCj(8)

σj(m+1)=σj(m)+Δσj(9)И

式中:Cj是中心的学习速率；σj是高斯宽度的学习速率；m为迭代次数。为了保证分类器的泛化性能，采用的高斯宽度的学习速率通常大于中心的学习速率，因为小的学习速率使算法收敛过慢，而过大的学习速率可能会导致算法变得不稳定。

2.2.2 RBF网络的权值确定

首先设定输入矩阵为：M∈Rr×N，隐层输入矩阵为：P∈Ru×N；输出层矩阵为：K∈Rs×N；其中n为训练样本。若RBF网络的待定输出层权值W∈Rs×u，其三者关系为：

ИK=W×P（10）И

样本的目标输出为：T=(t1,t2,…,ts)T∈Rs×N，在这里采用线性最小二乘法(LLS)来使得目标输出与网络实际输出之间的误差达到最小,运用R的R+来求得W为R+T。

2.2.3 经验函数训练流程图

本文所训练的经验函数的算法流程图分为两个阶段，第一阶段是样本处理，由于样本具有重复性，在经过样本处理后，就保证了存储在样本库中的样本都具有代表性，消除重复训练，提高训练速率；第二阶段是训练经验函数。训练过程如图3所示。

图3 经验函数的算法流程图

3 实验结果与分析

该研究采用Matlab 7.0.0来做仿真实验,针对关注的5个重要的超高压继电保护指标分别进行预测，实验数据来自内蒙古电力集团公司超高压局近几年对继电保护数据记录，实验采用大量超高压继电保护值来训练RBF神经网络，当网络训练达到误差平方和目标0.01时，网络训练结束。

图4~图8分别为故障检测、故障定位，自适应自动重合闸技术、差动保护以及距离保护的预测值与实际值之间的比较(其中横轴均为时间序列，纵轴为超高压继电保护的相应指标值)。

通过仿真结果可以看出：曲线的拟合度较好，说明通过RBF神经网络短期预测超高压继电保护取得了较好的效果。但是长期的预测则需要考虑超高压继电保护各衡量指标的突变情况，此时RBF神经网络无法对其做出准确的预测。

4 结 语

本文将RBF神经网络及其相关算法应用到超高压继电保护预测上，可以更好、更快地动态预测继电保护的工作状态。在其中RBF网络大大提高了训练的速度，节省了时间且预测精度更高，在局部的短期预测中占有优势。怎样进一步改进优化预测算法是RBF神经网络预测超高压继电保护的下一步研究方向。

参考文献

［1］马锐.人工神经网络原理\.北京：机械工业出版社,2010.

［2］刘学军.继电保护原理\.北京：中国电力出版社,2007.

［3］贺张萍.深度探讨继电保护装置状态检修需求及应用难点\.科技资讯,2010(32):120-122.

［4］黄懿.继电保护可靠运行的控制分析\.中国科技博览,2010(3):61-64.

［5］MOHAMED E A, TALAAT H A; KHAMIS E A. Fault diagnosis system for tapped power transmission lines \. Source: Electric Power Systems Research, 2010, 80 (5): 599-613.

［6］Eissa M M, Sowilam G M A, Sharaf A M. A new protection detection technique for high impedance fault using neu-ral network \// Proceedings of 2006 Large Engineering Systems Conference on Power Engineering. \: \, 2006: 146-151.

［7］DUTTA A A, KADU A N. Pattern recognition method for detecting fault in EHV transmission lines \// Proceedings of2nd International Conference on Mechanical and Electrical Technology. \: ICMET, 2010: 24-27.

［8］刘田田,燕洁.人工神经网络在电力系统继电保护中的应用\.电力学报,2007(2):190-192.

［9］吕卫胜.人工智能技术在电力系统继电保护中的应用\.山东电力技术,2006(1):61-63.

［10］KHORASHADI-ZADEH H, EBRAHIMI M R A. AN ANN based approach to improve the distance relaying algorithm \// Proceedings of the 2004 IEEE Conference on Cybernetics and Intelligent Systems. Singapore: IEEE, 2004:1374-1379.

［11］曾晓林,薛建辉,洪刚.粒子群优化神经网络在高压断路器机械故障诊断中的应用\.电网与清洁能源，2010,26(6):57-61.

［12］李风光,杨志.基于BP网络的自适应接地保护研究\.电网与清洁能源，2010,26(10):31-34.

篇6

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7

[关键词]BP神经网络超市顾客满意度调查问卷

超市顾客满意度体现了超市的价值，也是超市生存发展壮大的根本。顾客满意度评价作为超市了解顾客满意程度的一种手段和工具，对于超市来说具有重要的意义。超市通过顾客满意度评价，一方面可以和过去的经营业绩进行比较，另一方面可以与行业内其他超市顾客满意水平进行横向比较，认清自己在市场竞争中的位置，识别主要的竞争者以及市场中存在的机遇和障碍。对顾客满意的评价信息进行分析还可以帮助超市了解自己的薄弱环节，推动超市经营机制的改革，帮助超市制定正确的发展战略和市场政策，更合理的分配超市有限的资源，最大可能地提高顾客满意战略的效益。顾客满意度评价模型是超市评价其顾客满意度的关键问题。本文在对调查问卷的分析处理的基础上，综合考虑多种因素，建立了基于BP神经网络的超市顾客满意度评价模型。

一、超市顾客满意度指标体系的建立

评价指标体系主要根据超市顾客满意度的主要因素和管理侧重点来确定。在确定顾客满意度指标时应当遵循全面性、代表性、区分度和效用性等原则，同时也必须根据超市的需要来确定评价指标，同时随着超市顾客信用管理水平的改善和营销环境的变化，应及时作适当调整。

1.超市顾客满意度指标选取原则

一个好的指导原则是整个评价系统的灵魂，指导原则决定整个评价体系的效果。如何建构整体体系，必须以设计原则为起点。根据指标选择原则建立的超市顾客满意度评价指标体系，能够在不同方面反映超市顾客满意度，选取超市顾客满意度评价指标应遵循如下原则:

（1)代表性原则。为了全面描述超市的顾客满意度，应选取少数几个具有代表性的、蕴含信息量大的指标，可以在比较低的成本条件下得到比较高的信息水平。

（2)独特性原则。对超市顾客满意度的评价应当考虑超市的顾客需求和经营特点，建立一套独特的指标体系，目的是通过这些特点了解顾客对超市的满意程度。

（3)独立性原则。独立是指各选取指标之间相互独立，坐标间重复信息过多，将不利于指标评价作用的发挥。

（4)操作性原则。所选取的指标要与国际惯例接轨，同时又符合我国超市的发展水平现状，各项指标应该力求能从广泛的经济数据中获取相关的可靠信息，要求数据来源确凿可靠，推理过程科学合理，易于量化，适于操作，并且指标间的相关性较弱。

2.指标体系的建立

基于以上原则，根据消费心理学原理，结合超市的具体情况以及市场调研特点和实践，本文选择的调研指标包括以下几个部分:

(1)商品特征。对商品特征的印象是超市满意度的核心,顾客对商品的感知度,对顾客满意度起决定性的作用。

(2)服务状况。顾客对超市服务的感知应来自两个方面:一是超市员工的服务状况;二是超市服务状况。

(3)店容店貌。店容指超市内外的容貌、面貌,即超市形象。

(4)购物环境。超市购物环境直接影响到消费者的购物情绪。

（5)其他。根据调研实际需要,还可设计一些附加指标,但不亦过多。

具体指标体系如表所示。

二、顾客满意度调查问卷设计及调研

搜集多组被评价超市的代表顾客的指标值，获得合适的数据是构建模型的重要步骤。根据建立的指标体系及问卷设计的原则来选择合适的问题进行调查，在设计问卷的过程中，为了方便顾客在问卷上反映自己对某超市的满意度，尽量将各个指标简单化，使之通俗易懂且便于评价打分。

由于超市顾客满意度由一系列的指标来反应，最后的总体满意度如何确定是问卷设计过程中的一个难题，知道每个指标的值很难得出顾客的满意度，那么BP神经网络训练集中的输出值就无法确定，因此本文在问卷的最后，调查了顾客对超市满意度的总体评价，但顾客的总体满意度跟之前的各个指标很可能出现不匹配的情况，所以为了减少由于主观因素而影响评价模型的准确性，增加了样本的数量，对明显不合理的问卷进行筛选。

问卷一共有20个问题,分别对应于5个指标,比如商品满意度一般包括商品质量、商品价格、商品种类、商品花色款式和食品安全,而问卷中只能单独调查顾客对各个小项目的满意度,由各个小项目的值得到一个指标的值,而每个小项在一个指标中所占的比例不尽相同,因此本文确定了每个小项所占的权重,具体如下：

商品特征:质量(0.25)、价格(0.25)、种类(0.25)、花色款式(0.1)、食品安全(0.15)

服务状况:员工素质和员工服务态度(0.4)、结算环节(0.2)、提供咨询和投诉处理(0.2)，员工仪表(0.2)

店容店貌:外观设计(0.2)、商品陈列(0.4)、商品标识(0.4)

购物环境:环境卫生(0.3)、音乐背景(0.2)、进出线路(0.3)、购物安全(0.2)

其他部分:超市硬件(0.4)、超市信誉(0.2)、促销活动(0.4)

三、基于BP神经网络的超市顾客满意度评价模型构建

根据所确立的顾客满意度评价指标体系和BP神经网络结构来确定所要构建的评价系统模型。基于BP神经网络算法，该模型是由输入层、输出层和一个隐层构成的三层前馈网络。输入层将评价指标归一化处理后的样本数值作为神经元；输出层是对顾客信用等级的衡量，是一个从定性到定量，再从定量到定性的过程，通过BP神经网络模型将定性转化为定量输出，再根据输出结果和事先确定的标准，对顾客信用做出定性评价。而隐含层在设计上是一个难点，设置多少个隐节点取决于训练样本数的多少、样本的大小以及样本中蕴含规律的复杂程度。

1.输入节点的确定

网络输入全面描述了超市顾客满意度的指标。因此，不同的超市顾客满意度的指标体系对应不同的网络模型，也形成不同的输入节点数，输入节点数等于满意度指标数。由前面的超市顾客满意度指标体系可知，顾客满意度指标包括商品特征、服务状况、店容店貌、购物环境和其他五个部分，所以确定输入节点数为5个。

2.输出节点的确定

输出节点对应于评价结果，输出为1表示很不满意、2表示不满意、3表示不太满意、4表示一般、5表示较满意、6表示满意、7表示很满意，因此输出节点确定为1个。

3.隐层节点的确定

隐节点的作用是从样本中提取并存储其内在规律，每个隐节点有若干个权值,而每个权值都是增强网络映射能力的一个参数。隐节点数太少就不足以提炼训练集中的规律，过多也可能把样本中非规律性的噪声等牢记,因此必须选择合适的隐节点数才能使训练达到要求。确定隐节点数的最佳方法是试凑法，先设置较少的隐节点数再逐渐增加,由于神经网络的并行分布结构和非线性动态特性，还没有得到一个简单通用的隐含层单元的确定公式。因此结合文中实际情况,并参考以下经验公式:

其中：n为输入层节点数，l为输出层节点数，a为1到10之间的常数。

再用试凑法进行研究，确定隐含层单元个数，本文最终选取的隐节点数为9个。

四、基于BP神经网络的超市顾客满意度评价模型仿真研究

本文采用动量及自适应的梯度递减训练函数即Traingdx。对于梯度下降法，训练成功与否与学习率的选取有很大关系。自适应学习算法能够自适应调整学习率来增加稳定性，提高速度和精度。

调研中对100个顾客进行了随机访问，在访问过程中注意协调各种年龄段、收入水平及职业等，使得问卷更具有代表性，增加了问卷的有效性，并舍弃严重不合理问卷，抽取90个调研数据，其中54个作为建模的训练样本集，另外36个数据作为测试样本集用于测试网络。在进行网络训练之前，首先要对输入输出训练数据进行归一化，这样做的好处是可以防止权值调整进入误差曲面的平坦区和训练后误差不均等。文中选用的归一化函数为prestd，使用该函数进行归一化的结果是使得数据的平均值为0，标准差为1。

输入要评价的顾客指标值，根据输出值，对超市的顾客满意度状态给出评价结论。顾客的满意程度用李克特量表分成七级来衡量：很不满意、不满意、不太满意、一般、较满意、满意、很满意，输出节点输出的评价结果分别用1到7数字表示。

首先对网络进行初始化，设定输入节点数为5，隐节点数为9，输出节点数为1，误差要求为0.001，训练次数为20000次。建立一个BP神经网络模型，训练网络时将输出值同理想值进行比较，如有误差就进行反向传播输出，修正权重系数，如此反复直到误差小于设定的误差。输入训练样本后,系统按期望输出与实际输出误差平方和的最小化规则来学习,调整权值矩阵和阈值向量。当误差减小到要求范围时,系统停止学习,此时权值矩阵与阈值向量固定下来，成为系统内部知识。为了使训练更有效，在测试样本中加入两组数据作为教师信号，即p=[11111；77777]，t=[17]，这两个信号是两个极端，即对每个指标都很不满意且最后结论为对超市的满意度为很不满意，或者对各个指标都是很满意，而对超市的总体满意度也是很满意。

当训练到出现如下字符

TRAINGDA,Performancegoalmet.

停止训练，同时图像界面动态图停止，如图1所示。

当训练误差达到要求时，用测试样本对网络进行测试。通过对每一个测试数据的仿真输出和期望输出的比较，可以看出该神经网络的仿真误差的大小，以直观地表现出仿真得出的结果与理想值之间的关系，如图2所示。图中o代表期望输出，*代表仿真输出。

从图中可以看出，只有少数几个误差较大，大部分的输出结果是令人满意的，因此采用BP神经网络模型对超市顾客满意度进行评价具有较高的精确度。

五、结束语

本文在问卷调查的基础上，运用人工神经网络的理论,建立了对超市顾客满意度进行评价的BP神经网络模型,并在MATLAB仿真环境中测试了该神经网络评价模型的功能。从测试结果来看,该网络达到了设计要求,对超市顾客满意度的评价的正确率较高，证明了利用BP人工神经网络模型对超市顾客满意度进行评价比传统的评价方式更为科学有效。

参考文献：

[1]张葛祥李娜:MATLAB仿真技术与应用[M]．北京:清华大学出版社，2003

[2]ALTMAREMARCOG:Corporatedistressdiagnosis:comparisonsusinglineardiscriminateanalysisandneuralnetworks[J].JournalofBankingandFinance，1994．6

[3]郝勇:运用BP神经网络研究上证公用事业指数的波动[J].上海工程技术大学学报，2005．3

篇8

关键词：测井技术;岩性识别方法;储层;石油勘探;石油开发 文献标识码：A

中图分类号：P631 文章编号：1009-2374（2015）02-0176-02 DOI：10.13535/ki.11-4406/n.2015.0184

1 概述

识别储层岩性最直接最有效的方法是岩心分析，但考虑到油田上的生产效益，深层钻井成本很高，因此不能在每口井中都取心，测井岩性识别方法作为一种简单而有效的技术方法，已经得到了广泛的应用。尤其是近年来岩性识别方法得到了迅猛的发展，2009年李祖兵利用M-N交会图对具有不同结构和构造的同类岩性进行了识别;2010年张伯新以准噶尔盆地六九区石炭系火山岩为研究对象，构建了测井相-岩性建模数据库，应用模糊数学方法建立了工区内火山岩岩性识别标准模型;2013年杨辉运用BP神经网络模型对研究区域复杂岩性进行识别，识别结果与岩心岩性和录井岩性较为相符，对该区域的储层识别和沉积相的研究具有一定的参考价值。2014年刘国全针对沧东凹陷孔二段源储互层型致密储层岩性识别的难点，利用散点图、交会图及ECS测井进行岩性的识别，形成了源储互层型致密油岩性识别的有效方法等。

测井岩性识别方法是根据已有的测井曲线资料来划分地下地层的岩性，传统岩性识别方法的方法为交会图法。测井曲线资料包含有丰富的岩性信息，地下的岩性主要包括岩石的物理组成、排列结构、孔隙度及孔隙流体的性质直接着影响测井曲线的测量结果，其中自然伽马（GR）、自然电位（SP）及泥质含量（Vsh）等测井曲线对地下岩性的变化反应最为灵敏。实际应用中，特定的岩性对应着特定的测井参数组合，因此，测井解释人员可以根据特定的测井参数组合来确定地下地层的

岩性。

2 基础数据整理

测井曲线的质量直接影响整个研究工作的顺利开展。实际测量过程中一方面由于环境因素的影响会造成测井资料中出现一些不稳定的跳跃状态，需要对测井曲线进行滤波处理;另一方面由于仪器刻度的不精确性会引起刻度误差，需要进一步做标准化处理。

其中频率直方图是测井标准化处理的一种基础方法，首先选取一套岩性稳定、厚度大、分布范围广的地层作为标准层，然后对选定的标准层分别做自然伽马、补偿声波、补偿密度、补偿中子孔隙度等测井资料频率直方图，确定每项测井资料在每口井的主要分布范围和峰值，确定对应关键井相应的测井资料分布范围和峰值确定校正值并进行校正。

3 常规测井资料识别地层岩性

实际情况中，考虑成本及效率因素，绝大部分油田都采用常规的测井系列，常规的测井资料主要包括自然伽马（GR）、自然电位（SP）、声波时差（DT）、密度（DEN）、电阻率（Rt、Rxo）、放射性（CNL）等岩石物理参数，这些测井曲线包含了地下地层的岩性、物性和含油性信息，是一套比较全面而灵敏的测量组合系统。大量理论及实践资料表明，常规测井识别岩性是可靠并且有效的。

利用常规测井资料识别地层岩性运用最多的是交会图法。交汇图法是选用两种对岩性反应敏感的物理量进行交会来识别地层的岩性，主要是依据不同储层的岩性和流体类型异常在交会图平面上占有不同区域的特点，进行异常划分。常用的有中子-密度交会图、声波时差-密度交会图、中子-声波时差交会图等。交会图具有制作简单、使用方便和快捷的优点，是一种被广泛采用的岩性识别方法。但其缺点是对复杂岩性识别率低。

根据某工区18口井不同岩性测井响应的差别，针对泥岩、砂岩干层、油层、水层及盐岩等5种岩性建立的GR-波阻抗交会图样板，利用该样板可以直观有效地进行岩性划分。

4 特殊测井

随着油气勘探的进展，需要解决的问题也越来越多，需要进行识别的岩性也越来越复杂。为了加强复杂岩性储层的研究，增强油气后备储量一些新的测井识别方法陆续涌现，这些方法主要包括：M-N交汇图、元素测井（ECS）、BP神经网络等。

M-N交汇图是将密度、中子及声波三种岩性曲线适当组合来达到划分岩性的目的，国外最早是Khatchikian于1982采用该方法对阿根廷某盆地的两种火成岩地层层序进行了研究。大量实践资料表明，M-N交汇图技术在一定成程度上能够有效识别火成岩的岩性和裂缝发育情况。

元素测井识别岩性的方法主要以斯伦贝谢（Schlumberger）公司研发的新一代元素俘获谱洲井仪（ECS）为典型。通过精确测量地层组成元素的含量来鉴别地层沉积矿物含量，以便达到岩性识别的目的。

神经网络岩性识别法是选择一定的测井曲线形态特征作为输入向量，并用与此对应的岩性作为输出向量，二者组成一个训练对，由多个训练对组成一个样本集，这样就建立起一系列与实际地质状况相对应的测井相特征。前人在利用神经网络进行岩性识别方面做了大量的研究工作。1999年卢新卫等利用BP神经网络对胜利油田某测井岩性进行了识别。2005年周波等采用神经网络方法识别火山岩岩性，并指出利用自组织神经网络SOM和反馈神经网络BP对85块火山岩样品的识别率分别为78.82%和81.18%。其特点是方法简单易于操作，且识别准确率高。

5 结语

基于测井曲线资料的岩性识别方法，是以基础数据整理为前提，相较于岩心识别方法较经济有效的一种方法，随着测井技术的发展，这些测井资料识别岩性的方法必将得到不断完善与进步。

参考文献

[1] 赵建，高富红.测井资料交会图法在火山岩岩性识别中的应用[J].世界地质，2003，22（2）.

[2] 卜勤生，杜环虹.测井在油藏描述中的应用[M].北京：石油工业出版社，1992.

[3] 刘秀娟，陈超，曾冲，兰磊.利用测井数据进行岩性识别的多元统计方法[J].地质科技情报，2007，26（3）.

[4] 杨斌.神经网络及其在石油测井中的应用[M].北京：石油工业出版社，2005.

[5] 李先鹏.测井曲线的深度校正[J].科技资讯，2009，18（3）.

[6] M.H.Fredric，I.Kostanic.Principles of Neurocomputing for Science and Engineering[J].International Journal of Pattern Recognition and Artificial Intelligence，2001，（12）.

[7] 王新洲，舒海翅.模糊相似矩阵的构造[J].吉林大学学报，2003，24（3）.

[8] 马小刚，李子峰，张春梅.测井相分析在岩性油气藏储层预测中的应用[J].勘探地球物理进展，2010，33（1）.

[9] 黄平，李坦，胡相滋.测并相分析方法及研究[J].工业技术，2008，（3）.

[10] 刘明军.BP神经网络模型在彬长矿区测井数据岩性识别中的应用研究[D].煤炭总院西安研究院，2009.

[11] 王立柱，赵大宇.BP神经网络的改进及应用[J].沈阳师范大学学报，2007，25（1）.

篇9

【关键词】医学教育；神经科学；神经矩阵网络；丘脑皮层结构；本科教材；教学改革

随着神经科学这个新兴的学科在国际上蓬勃发展，它逐渐把神经系统各相关的学科融入进其中，极大的促进和引领了脑科学的发展，涌现了许多令人鼓舞的研究成果。近年来，值此机遇，我国也制定了“一体两翼”的中国脑计划，目的是以神经科学的基础研究为“一体”，融合神经医学及人工智能，共同促进我国神经科学体系的建设。为应对这些神经科学研究迅速发展的挑战和历史的机遇，许多院校设立了神经科学课程或专业，甚至独立的学院。而在医学本科教育中，对于医学生神经科学知识体系的正确构建，我们认为是非常基础及重要的，也是医学本科教育改革实践中应该认真思考的一个重要问题。为此，我们做了一些系统的思考和局部的尝试。

1目前我国医学教材的现状

我国的临床本科五年制或七年制教材设计中，有关神经科学的知识分布在生物化学、生理学、组织胚胎学、局部解剖学、系统解剖学、神经病学、外科学神经系统部分、医学心理学、精神病学等各科教材里面，教材总体上继承前苏联神经科学的思想，即谢切诺夫和巴普洛夫的反射理论。整个知识点的设置，基本围绕该观点展开。不可否认，巴普洛夫的反射理论取得了巨大的成就，建立了心理学的行为学派。但是，在涉及到丘脑皮层这个矩阵网络意识系统的症状学时，这个理论显得非常无力，用这个理论教育出来的医学生显得非常茫然。恰如陈宜张院士所说：“对脑功能的解释而言，此观点显然是不全面和不确切的”。

2目前神经科学体系的情况

其实，在神经科学的整个发展过程中，模式处理、神经网络等观点一直被神经科学家们所注意，并产生了大量的研究成果。早期赫布就在其著作《TheorganizationofBehavior》中提出了神经群体协同学习的理论，威廉詹姆斯也在其著作《Theprincipleofpsychology》中提出了脑的整体统一工作的观点。赞特高塞在解剖学上揭示了皮层网络的功能单位-皮质柱，休伯尔和威赛尔更是因为发现视皮层皮质柱[1]的生理特性而获得了1981年的诺贝尔奖。而KarlvonFrisch等更是揭示了生物行为的主动性获得了1973年的诺贝尔奖，修正了反射理论。目前，随着神经科学各学科的发展融合及计算机模拟神经网络研究的进步，我们知道了中脑之上的丘脑-皮层网络系统负责产生意识和认知能力[2]，而该系统属于等级构筑的矩阵网络系统[3]。另外，这个丘脑皮层等级网络系统的各层级矩阵间有着非常多的交互联系，特别是皮层与丘脑间的交互联系[4]。而巴尔斯提出的全局工作空间模型[5]和在其基础上发展的丘脑动态核心理论[6]是比较符合目前所知道的丘脑皮层等级矩阵网络的意识结构[7-8]的工作原理的。针对这些神经科学的发展成果，很多院校开设了神经科学专业，特别是欧美很多大学设置了Neuroscience专业，系统的教授神经科学的知识。由于教材的原因，我国医学领域被人为割裂了与最新神经科学的联系，神经医学不能有效地融合到中国脑计划的医学一翼中去，不能有效从脑计划的一体和另一翼中有效汲取养分而发展，这是非常令人痛心的。因知识体系的落后，使得目前的临床神经医学执业医生普遍对神经功能性疾病无从下手，诊治观念非常落后，基本处于人云亦云的状态，无法独立运用正确的基础知识进行思考。

3本科学生对神经科学知识的了解程度

我们在神经外科的临床教学中感觉到，五年制临床本科同学往往对脑叶的症状学无法理解。学生只知道解剖学教材曾提到皮层存在Brodmann分区（那是大纲中的了解内容），但是对皮层分区形成的原因是由细胞柱区域聚集形成神经网络的模块一无所知，对神经网络的构成及功能实现方式更是闻所未闻。在临床教学中，大脑的定位定性诊断思想和依据该思想制定治疗思路的道理很难正确教授给本科同学。上位脑干之上的丘脑皮层意识系统是神经矩阵网络的集大成者，网络结构非常发达，不正确理解该结构就不可能理解该部位疾病的诊治。而如果需详细讲解该系统的结构和原理，在完整且系统的教授的情况下，可以安排四年的本科课程，这是目前医学教育中不可能实现的。而根据我们的教学体会和学生的反馈，要了解基本的简单原理也需要1.5~2个学时。为了解决目前神经学科教育面临的这种困境，我神经外科尝试采取了穿插融合、有所取舍、有所突出的方法去改善学生的神经科学知识结构。

4我们的教学应对方法

4.1补充完善教材缺陷的构思

在我校的教学大纲中神经系统的外科各论安排了6个学时的理论课和9个学时的见习课。这些学时范围内需要讲述：颅内压力问题、脑疝问题、颅脑损伤问题、脑肿瘤问题。其中脑损伤和脑肿瘤中涉及皮层丘脑节段的病灶才会用到神经网络的知识去理解脑叶的症状学和丘脑在系统中发挥整合作用的核心地位。虽然意识和认知问题属于重大科学问题，而且在神经系统疾病诊治中理解神经网络如何产生该功能有重要指导性作用，但是，由于大纲并没有太多要求，学生是否有兴趣去了解这些教材中缺失的神经科学知识？教学实践中，我们发现，60%~70%的临床本科同学对这方面是很有兴趣的，而如果提出一些特别的损伤病例，比如外伤中的闭锁综合征、嗅沟脑膜瘤的独特额叶症状表现等，去展示神经系统的局灶症状学，并说明意识和认知网络的并行处理结构和功能的网络实现方式时，由于症状的趣味性，会激发同学的广泛兴趣。因此，我们推断，只要我们在课堂中灵活运用有趣的病例讲述和解释，并适当介绍一些神经科学的参考书籍的话，是有可能继发出同学对神经科学的学习兴趣并促进对神经系统外伤、肿瘤、脑疝等的局灶症状学的理解的。而我们反复思考推荐的神经学参考书目录是：《神经生物学：从神经元到脑》《神经科学探索脑》《认知神经科学》《认知、大脑和意识》《昏迷和意识障碍》《王忠诚神经外科学》。推荐这些书的目的是提供一个神经科学大体的理论框架，从基础的解剖、生理到系统的整体神经计算，然后到临床的相关问题。可能被誉为神经科学圣经的埃里克.R.坎德尔主编的《神经科学原理》中文导读版知识更系统，但是毕竟本科同学推荐英文书籍会面临很大的语言障碍，我们没有选择。

4.2具体的教学实践实施方法

在具体的教学实践中，我们首先在颅脑损伤和颅内肿瘤共4个学时的理论课学习阶段，反复在课堂讲学中穿插运用神经网络的知识帮助同学理解脑叶的症状学，使学生对该结构的功能实现方式有初步的了解，让同学基本认识到皮层的功能单位是细胞柱（cortexcolumn），并且相同功能的细胞柱聚集形成模块即布雷德曼（Brodamn）分区，而且皮层网络模块间、皮层与丘脑网络间有广泛的相互联系。经过这样的介绍，同学很容易理解了运动或感觉区随精细运动或感觉的程度增加，细胞柱增多，代表区面积增大的道理。并且通过介绍突触汇聚修饰的原理让学生了解如辅助运动区等次级联络皮层的细胞柱群参与编码更复杂功能的方式，并学会推断其他联络区细胞柱群可能的电生理反应特性从而理解可能出现的症状学。通过如此简单的讲解，有效解决了学生在阅读《外科学第九版》中讲述肿瘤影响脑叶功能时无法理解而死记硬背的问题，迅速引起了学生的课堂注意及兴趣。然后，在课程结束时列举可以参考的神经科学文献，让感兴趣的学生自行学习，丰富其知识体系。而后，在理论课后的临床见习课中，结合病例的症状、体征，穿插讲解该神经网络的知识及临床应用，适当重提大课提到的神经网络知识，观察学生的表情反应，适当延伸或者不延伸。如果见习讲解时发现有的见习组神经科学知识丰富的同学和感兴趣的同学较多，则适当延伸讲解丘脑在意识和认知系统中的重要整合地位，让同学理解神经外科手术中保护丘脑的重要性。而如果小课课堂发现对重提这些知识感兴趣的同学较少，则不进行知识的延伸讲解，仅仅重点强调皮层网络的分布式计算原理及实际应用中如何通过该原理去理解教材的论述。在所有批次的见习小课中，我们都形象的比喻：丘脑皮层矩阵网络系统是用“丘脑去感觉，而用皮层去思考”。碰到合适的病例，而且小课课堂反应较良好，大部分同学具有强烈的兴趣时，可以让学生使用心理学的“内省”的方法去体会这个过程，理解脑的症状学。但是，我们教学中始终在讲授者心中强调重点突出的重要性。因为系统的学习神经科学知识必须要四年的完整本科教育，而更深入的研究与理解神经系统中最被广泛关注的丘脑皮层意识与认知系统则需要更进一步的学习与研究，如果幻想仅仅通过几个学时的简单讲解就让临床本科同学非常精通神经科学的知识是非常不切实际的。我们曾在部分见习组中试图更加详细讲解神经网络的知识，这种冒进的做法反而会让学生感觉到神经学是一门高深的理论，收不到明显的教学效果。所以，我们始终以让学生能理解教材中脑叶症状为重点教学目标，如果课堂反应好则适当延伸讲解皮层下中枢的重要性。通过这些教学改革的尝试，同学们普遍反映，从原来的对神经网络和神经科学的一无所知到有所了解，并能开始对脑叶的症状学有所理解。这些效果使我们非常欣慰。我们总体的感觉是，1~2个学时的讲授，且见习中穿插病例的解释，就能让学生对神经科学和神经网络有初步的概念。并且课后介绍的参考书籍，作为神经科学的知识系统的主干，提供了学生在以后的学习中进一步拓展自己的知识面的机会，那些立志向临床神经学发展的同学利用这些参考书籍能迅速形成更加系统和丰富的知识体系。

4.3实施教学中遇到的困难

当然，实际教学中也发现了很多的困难。主要的困难仍然是医学教材中基础阶段神经科学知识的编写不够完整，同学对皮层丘脑网络几乎一无所知，而我们临床阶段教学在介绍一些简要的知识后立即讲解其应用，很多平常没有一定课外知识积累的同学开始会觉得课堂内容跳跃过大，无法理解，在课程进行到最后的两个学时时，学生才开始有所领悟。但是，教学中也发现有些有兴趣的同学已经有一定的知识积累，知道一些皮层细胞柱结构和网络工作模块的知识，很快接受了神经网络的知识并理解了其症状学，还能进一步提出一些学科前沿的问题。针对课堂发现的问题，我们认为解决之道还是在进一步于课堂教学中凝练穿插融合、有所取舍、有所突出的思想和课堂技巧，正确认识临床本科同学目前的神经学知识体系，才能明显提高教学效果。

篇10

【关键词】滑模观测器；BP神经网络；发动机；指示扭矩

【Abstract】Indicated torque can be used to control of automotive engine on-line and fault diagnosis.Firstly，establish the non-linear crankshaft dynamic model；secondly，input the crankshaft angle and instantaneous engine speed to the controller and implementation differential operation；finally， take advantage of the BP neural network to design the self-adaption parameters of controller.Estimation results demonstrate that the controller can estimation the indicated torque of multi cylinder engine precisely，which presents the strongly robustness for parameters variation，and is a suitable way for misfire detection and fault diagnosis in the future.

【Key words】Sliding mode observer；BP neural network；Engine；Indicated torque

0 引言

指示扭矩作为表征发动机动力性能的一项重要参数，及时可靠的获取指示扭矩不仅可以正确地评价发动机工作性能，实时的监测故障发生[1]。在转速和负载变化的情况下，可以有效提高汽车的燃油经济性、驾驶舒适性和汽车安全性。

目前，指示扭矩的估计方法主要有三种：一是，基于速度波动的方法[2]；二是，基于神经网络的方法[3]；三是，基于观测器的方法[4]。

随着滑模变结构控制技术的不断发展，滑模理论常被用来设计观测器估计指示扭矩[5]。其中，负载扭矩的获取是一个难点[6]。本文通过引入汽车动力学方程，解决了这个问题。为了进一步提高指示扭矩的估计精度，针对系统中存在的不确定性和时变扰动，设计双积分滑模观测器对指示扭矩进行估计。

1 非线性曲轴动力学模型

3 控制器参数自适应设计

智能双积分滑模控制相对传统的滑模控制，由于具有Ⅰ控制特性，所以，在稳态误差调节方面效果更好。本文利用BP神经网络对参数k1，k2，k3进行了在线自适应设计。

4 仿真结果分析

4.1 仿真实验

利用LMS Imagine.Lab Amesim14平台建立发动机多缸模型，并通过Matlab/Simulink建立控制器。发动机的参数配置如表1所示：

5 结论

针对系统中存在的扰动问题，设计了基于非线性曲轴动力学模型的双积分滑模控制器，将扭矩估计问题转换为转速误差跟踪控制问题。通过Lyapunov稳定性理论和BP神经网络设计自适应控制器增益参数，实现了指示扭矩的精确估计。该方法具有精度高、鲁棒性好和成本低等特点，且避免了利用扭矩传感器对负载扭矩的测量。仿真Y果表明，在稳态工况下，该方法能够较精确地估计多缸发动机指示扭矩，可用于发动机故障诊断。

【参考文献】

[1]F Ponti，M Rinaldi. Analysis of the relationship between mean indicated torque and its waveform for modern common rail diesel and gasoline engines[J].2008 Spring Technical Conference of the ASME Internal Combustion Engine Division，2008：149-159.

[2]Ponti F，Serra G，Lupo S.Powertrain Torsional Model Development or On-Board Indicated Torque Estimation[J].Linear Algebra & Its Applications，2009，1（1）：263-264.

[3]Ge Y，Huang Y，Hao D，et al.An indicated torque estimation method based on the Elman neural network for a turbocharged diesel engine[J].Proceedings of the Institution of Mechanical Engineers Part D Journal of Automobile Engineering， 2015，230（10）.

[4]Itoh Y，Higashi K，Iwase M.UKF-based estimation of indicated torque for IC engines utilizing nonlinear two-inertia model[C]// Decision and Control. IEEE，2012：4077-4082.