对神经网络的理解范文

导语：如何才能写好一篇对神经网络的理解，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】Matlab；RBF神经网络；仿真试验

人工神经网络（ANN-Artificial Neural Network）是一种与传统计算机系统不同的信息处理工具，具有人脑的某些功能特征，可用来解决模式识别与人工智能中用传统方法难以解决的问题。神经网络具有高度的自学习、自组织和自适应能力，通过学习和训练网络模型的输入、输出数据就可以获得网络的权值和结构，从而得出隐含在输入、输出数据中的关系。这种关系隐含在神经网络内部，它不需要知道具体的精确模型，只需用神经网络就能逼近输入和输出之间的多维非线性特性，从而建立输入与输出之间的关系，这种非线性映射能力在人工智能、模式识别、信息处理等工程领域得到了广泛的应用。

随着神经网络理论研究和实际应用的不断深入，《人工神经网络》课程逐渐受到较多高校的重视，并将其列入教学计划，成为电气信息类学科的一门专业选修课。但《人工神经网络》课程的理论性非常强，对本科生的教学具有一定的难度。作为入门课程，本科生的教学重点应放对各种网络模型的结构和特点的理解，并结合应用实例，使学生能够获取一些初步设计经验的基础上，掌握有关模型的用法和性能。因此，笔者以RBF神经网络为例设计仿真试验，通过实例增强学生的对神经网络模型的设计和仿真的认识，加深学生神经网络理论的理解。

一、RBF神经网络

RBF网络可以根据问题确定相应的网络拓扑结构，学习速度快，不存在局部最小问题。RBF网络的优良特性使得它正显示出比BP网络更强的生命力，正在越来越多的领域替代了BP网络。

RBF网络典型结构如图1所示。输入层节点只是传递输入信号到隐含层，隐含层节点由像高斯函数那样的辐射状作用函数构成，而输出层节点通常是简单的线性函数。隐含层节点中的作用函数对输入信号将在局部产生响应，也就是说，当输入信号靠近该函数的中央范围时，隐含层节点将产生较大的输出。由此可看出这种网络具有局部逼近能力，故径向基函数网络也称为局部感知场网络。

二、基于MATLAB的RBF神经网络设计与仿真

MATLAB神经网络工具箱为径向基网络提供了很多工具箱函数，它们对我们利用MATLAB进行径向基网络的设计、分析及实际应用有着不可替代的作用，这给用户带来了极大的方便。

下面以污闪风险预测模型为例来说明神经网络设计与仿真。预测模型采用三输入一输出的结构。输入向量为相对湿度RH、泄漏电流幅值Ih、泄漏电流三次谐波与基波的幅值之比δ，它们的大小是能够检测到的用于评判绝缘子污闪风险的主要参数；将绝缘子污闪的风险等级作为输出，输出取值分别为不报警（NA）、一般报警（GA）、危险报警（DA）等三个模糊量。对于绝缘子污闪风险等级NA、GA和DA，为了方便神经网络进行拟合建模，分别赋予一个量化的值1，2和3与之一一对应。

利用函数newrbe创建一个准确的径向基网络，该函数在创建RBF网络时，自动选择隐含层的数目，使得误差为0。在网络设计过程中，用不同的SPREAD值进行尝试，以确定一个最优值。SPREAD分别取1，2，3，4时得到不同的网络结构。将污闪风险等级的实际值和神经网络输出的结果对比，不同神经网络的验证结果如图3所示。可以看出，当SPREAD取1时，污闪风险的实际值与神经网络计算值之间的误差最小，网络性能达到最优，所以本论文预测网络的SPREAD选取1。

将试验中得到的600组数据预留20组数据作为检验样本，剩下的580组数据为RBF神经网络的训练样本，训练好的网络具有进行绝缘子污闪风险预测的能力。

三、结语

人工神经网络是一门理论性很强而又应用广泛的课程，已经应用各种电气设备信号预测和状态监测等领域，本科生由于数学基础的限制学习这门课程有一定的难度。高校要培养出高素质的工程应用型人才，应充分利用MATLAB平台将实验仿真教学与理论学习相结合，以促进学生对较难理解的理论知识的掌握。通过采用灵活多变的教学方式，培养学生的学习兴趣、激发学生的求知欲，从而达到启迪思维、拓展视野的目的，培养学生自学能力、独立解决问题的能力，为社会培养出具有工程创新能力的卓越工程师。

参考文献

[1] 李国勇.智能控制及其MATLAB实现[M].电子工业出版社，2006.

[2] 葛哲学，孙志强.神经网络理论与MATLAB R2007实现[M].电子工业出版社，2007（03）.

篇2

摘要目前，神经计算及其应用已经渗透到多个学科，并在信号处理、智能控制、模式识别、机器视觉、非线性优化、自动目标识别、知识处理、遥感技术等领域取得了丰硕的成果。神经计算不仅是科学家的兴趣所在，还受到了各国政府和军队等权力部门的密切关注，世界上许多国家和地区的政府及工业界都十分关注并积极投资神经计算技术的研究，其进展不仅将促进科学和技术的进步，还会对各国的国力产生一定的影响。

本文针对神经计算中亟需解决的5个问题进行了研究，包括加快神经网络的学习速度、增强神经网络的可理解性、设计出易于使用的工程化神经计算方法、更好地模拟生物神经系统以及将神经计算与传统人工智能技术相结合。本文的创造性研究成果主要有：

(1)提出了一个快速神经分类器FAC和一个快速神经回归估计器FANRE，实验结果表明，这两个算法学习速度快、归纳能力强，在性能上明显优于目前常用的一些神经网络分类学习算法和回归估计算法。在此基础上，成功地将FAC应用于石油勘探岩性识别领域。

(2)提出了一个神经网络规则抽取算法STARE，实验结果表明，STARE可以从训练好的神经网络中抽取出保真度高、精确、简洁的符号规则，从而较好地增强神经网络的可理解性。在此基础上，提出了一个基于神经计算的分类规则挖掘框架NEUCRUM，并成功地将其应用于台风预报领域。

(3)提出了一种基于遗传算法的选择性神经网络集成方法GASEN，实验结果表明，GASEN的性能优于目前常用的一些方法。设计了一种多视角神经网络集成方法VS，将神经网络集成应用于多视角人脸识别，不需进行偏转角度预估计就能取得很高的识别精度。设计了一种新型结论组合方法和一种二级集成结构，将神经网络集成应用于肺癌细胞识别，并嵌入到肺癌早期诊断系统LCDS中，大大降低了肺癌细胞的漏识率。

(4)针对前馈网络的单点断路故障，提出了一种基于遗传算法的进化容错神经网络方法EFANET，实验结果表明，该方法不仅可以进化出容错性好、泛化能力强的网络，还较好地保持了网络结构、训练算法与容错处理的独立性。针对前馈网络的多点断路故障，提出了一种三阶段方法T3，并将其应用于FAC网络，实验结果表明，T3方法可以较好地在网络容错能力与结构复杂度之间达成折衷。

(5)提出了一种结合决策树与前馈神经网络的混合决策树方法HDT，描述了树的生长算法和神经处理机制。对增量学习和构造性归纳进行了研究，界定了三种不同的增量学习问题的概念，并给出了HDT的增量学习和构造性归纳算法。实验结果表明，HDT及其增量学习、构造性归纳算法都具有很好的性能。此外，还成功地将HDT应用于情报软件故障诊断。

关键词：神经计算，神经网络，机器学习，快速学习，规则抽取，集成，容错神经网络，混合学习，增量学习，构造性归纳，决策树，知识获取，数据挖掘，遗传算法，进化计算，断路故障，人脸识别，计算机辅助医疗诊断，岩性识别，故障诊断

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

关键词：BP神经网络；地震预测；指标

中图分类号：TP183；P315.7 文献标识码：A 文章编号：1007-9416（2017）01-0091-01

地震的破坏性是灾难性的，近年来，我国乃至世界各地地震频发，人员和财产的损失不可估量。地震预测成为全世界亟需攻克的难题，各国或组织都投入了大量的人力和财力以求最大限度地减少地震造成的影响。人们对自然的理解是很有限的，对地震的成因和规律的理解一直是无法突破的瓶颈，我们无法直接透视地球来观察其活动情况，进而预判地震发生的具体时间及位置和震级大小，但经过长期的摸索和验证，一种叫做BP神经网络的预测方法更接近地震的各种特征，从而也被广泛应用于地震预测中。

1 BP神经网络

由Rumelhart和McClelland提出的误差反向传播（Error Back-Propagation）神经网络模型和其算法通常被称为BP神经网络模型。这是目前为止，全世界使用得最靠谱的神经网络模型之一。BP神经网络模型包括输入层、输出层和N个隐层，BP学习算法是一种监控式学习算法，被多层前馈网络所使用。它的核心理念是利用梯度搜索技术，使网络模型的输出实际值与预测值的方差接近最小值。网络模型的学习过程包含这两个阶段，即前馈计算阶段和反向调整权系数阶段，它是一种在这两个阶段不断修改差值的过程。

自然灾害虽然还无法尽用科学来解释，但地震的发生一定与我们观测到的一些特殊情况有关，这种关系也许是直接的，也许是间接递进的，我们可能无法用函数来直观表达各种变量之间的这种线性或非线性的关系，但通过BP神经网络的监控学习算法我们可以做到一种隐性诠释，BP神经网络模型对这种实值函数有着很强的学习、表征能力和自适应能力，以历来地震特征数值作为样本进行梯度搜索和比对计算使方差接近最小值或局部最小值，所以说BP神经网络是用于地震预测的一个十分有效的方法。

2 BP神经网络的特点

（1）BP神经网络的学习和表征能力都很强，它的网络模型中蕴含着N多隐层，适应性强。（2）在比对计算中不断的修正差值，对训练数据中的错误有很强的健壮性。（3）前馈计算阶段和反向调整权系数将误差降低到极小值，当一个样例被网络模型涵盖以后，对新的样例进行求值是非常快的。

3 BP神经网络在地震预测中的应用现状

近年来，科技的不断进步，计算机水平的提高推动着计算方法和机器学习算法的进步，BP神经网络作为机器学习算法中最常用的算法之一，被各个领域所广泛应用。目前的应用主要是神经网络对经过处理后的地震数据进行学习，以年份为特征，来预测该年份发生地震的情况。

BP神经网络模型通俗来讲是一种信息处理系统，是模仿人脑结构及其各神经元的功能来实现的。影响这种信息处理系统的因素有两项，第一项是网络的学习和运行规则，也就是网络中连接权值的调整规则；第二项是网络的拓扑结构，也就是BP神经网络中各神经元之间相互作用形式。

BP算法是误差反传播算法重要的组成部分。近年来，由于国家的重视，给予的大力支持，BP神经网络在我国发展神速，并在极短的时间里在图像、语音、数据等领域颇见成效。绝大部分的的神经网络都用到了BP算法，所以将BP算法应用于地震预测中定会取得非凡的效果，减少灾害的损失。BP算法的学习过程是由两个传播过程组成的，分别是信号的正向传播以及误差的逆向传播。信号的正向传播顾名思义就是将样本传输到输入层，然后再传播到各级隐层进行处理和比对计算到达输出层，此过程的逆向鞑ゼ次误差的反向传播过程。若要具体实现BP算法就要首先建立神经网络模型，然后将样本传输到输入层，然后比对每层输出，计算出网络模型的输出误差，不断修正权值，从而得到理想的误差最小值。信号的正向传播和误差的逆向传播的各层权值的修正过程是循环往复进行的，这个过程需一直进行到将最后输出的误差调整到可接受的程度为止。

4 BP神经网络在地震预测中的应用前景

目前有一种非常有效的方法被应用到小样本的预测问题中，我们称它为“交叉验证”法。交叉验证法是将训练样例分为若干份，每次从这若干份样例中任意找出一份作为验证样本，其它的统称为训练样本，每次交叉验证都得到一个最佳值，如此往复若干次后，将所有的最佳值求均值，这种方法对地震的预测结果很接近，是地震预测领域的一大突破。

预测毕竟是一种手段、一种猜测，任何一种算法最后的输出结果都只能是接近而无法等同。所以，在未来的一段时间内，地震专家可能会把目光放在地球内部勘测领域，直观的观察地球内部变化，分析其表象特征，将这些特征作为BP神经网络模型的神经元，这样得出的结果才够精确，才能真正做到防范于未然。

5 结语

BP神经网络模型的优势就体现在其不局限于线性问题，组建的模型有很强的自适应性，即便样本并非精确的教学模型，最后分析比对计算后的均值即为理想数值，它能适应很多复杂多变的训练样本，这也是神经网络方法在地震领域被广泛应用的原因。无论哪种预测方法均存在着一定的局限性，我们要做的就是不断开发完善，以做到百分百的预测。

参考文献

[1]李东升，王炜，黄冰树.人工神经网络及其在地震预报中的应用[J].地震，1995（4）.

篇4

【关键词】计算机网络连接 增强优化 神经网络算法

计算机网络是一种先进的科技技术，自出现以来就极大程度的改变了人们的生活生产方式，带来了非常大的便利。我国现阶段的计算机网络连接相对比较薄弱，存在很多不完善的地方。因此，有必要采取措施优化计算机网络连接，进而维护计算机网络连接的安全稳定，营造良好的上网环境。

1 计算机网络连接增强优化

1.1 计算机网络连接增强优化的必要性

网络连接对于计算机网络的重要性不言而喻。如果出现网络连接断开的问题，就会导致计算机设备无法与通信网络进行有效的信息沟通。因此，必须优化计算机网络连接，拓扑扩展计算机网络，提升信息交流的有序性和有效性，降低影响所带来的损失。因此，在现有的网络环境中，加入合适的结点，进而完善计算机网络连接的有效率，以及提高网络容量，拓展现有网络结构，使得信息交流的交互性进一步增强，最终实现计算机网络连接的优化目的，拓扑扩展了计算机网络。现阶段，存在非常多的措施能够提升计算机网络连接的效率，扩展网络容量，以及上网环境的优化。但是，很多方法措施需要投入大量的资金作为支持，不具有实用性和经济性。而计算机网络应用要求计算机网络连接优化措施适当合理，在最小的经济支出情况下解决问题，因此，只有采取增强优化下的神经网络算法。

1.2 计算机网络拓扑结构

计算机网络拓扑结构主要是指，网上计算机或设备与传输媒介形成的结点与线的物理构成模式。通信子网直接影响计算机网络拓扑结构的形式，拓扑结构能够在一定程度上保证网络信息数据系统的安全性、可靠性、完整性，此外能够对数据信息进行共享、处理以及交换等内容。根据网络拓扑结构框架分析，可以清楚的明确计算机网络结构是由链路和节点所组成，也可以这样理解，计算机网络拓扑是由计算机组成的，网络之间设备的分布情况以及连接状态所形成的拓朴图。通常情况下计算机网络用G= 来表示，V指的是网络结点集，E指的是链路集。如果增加结构中的结点集用Va表示，增加的连接集用Eb表示，进而得出计算机网络结构为G’=。

2 基于计算机网络连接优化中的神经网络算法

2.1 神经网络算法

思维学普遍认为，人类大脑的思维分为抽象思维、形象思维和灵感思维三种基本方式。而抽象思维是一种逻辑化思想，形象思维是一种直观化思想，灵感思维是一种顿悟性和创造性思想。而神经网络思维，就是通过对上述理论的分析实践，模拟人类大脑思维的第二种方式。人工神经网络，是一个非线性动力学系统，其特色在于信息的分布式存储和并行协同处理。虽然单个神经元的结构极其简单，功能有限，但大量神经元构成的网络系统所能实现的行为却是极其丰富多彩的。 相对人工神经网络来说，人工神经网络应用系统更加高级，通过对网络算法以及网络模型的合理运用，合理处理信号，或者识别某种运行模式，最终形成一套独立完善的专家系统，或者智能化的机器人。

现阶段，社会中越来越多的领域开始应用人工神经网络，在生产领域上取得了明显效果。人们也越发提高对人工神经网络算法的重视程度，神经网络算法是在此基础上逐渐发展完善的，是监督性的学习算法。但是在实际应用过程中，人工神经网络算法还存在一些不足之处，没有合理解决收敛速度缓慢的问题，无法控制收敛程度到最小点，因此增加了计算机网络记忆和学习的不稳定性，同时计算机网络连接效果也受此影响。

2.2 均场神经网路算法

通过建立科学合理的场均神经网络模型，有利于进行计算机网络连接增强优化中的均场神经网络算法研究工作，进而评判网络效果。需要注意的是，利用函数法构建模型时，应当加强目标函数的构建问题工作，可以用以下方式表现构建模型：Hopfield计算网络中的神经元状态，可以用Fi进行表示，如果Fi=1，那么表示网络选中了连接i，能够正常连接；如果Fi=0，那么表示网络没有选中连接i，不能正常连接。之后可以利用罚函数法结构，创建网络模型，保证Z=max（ΣPi*Xi） 和 ΣMi*Xi ≤ A成立，需要对目标函数进行控制，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 参数，构造Lyapunov能量函数为：E = ?1/2*∑∑AiFiFi ? ∑ IiFi，Hopfield神经网络结构为：Fi=1/2*[1+tanh（Bi/T）]，Bi=∑AiFi + I。利用均退火技术，将随机变量函数的均值由随机变量均值的函数替代，可以得出：〈Fi〉=1/2*[1+tanh{}]，〈Bi〉=〈∑AiFi + Ii〉=∑Ai Fi + Ii。如果随机变量均值〈Fi〉由均场变量Ri替换，可以得出均场网络结构：Ri=1/2[1+tanh（∑AiRi+Ii/T）]，均场网络的能量函数为：E（v）= ?1/2∑∑AiRiRi ? ∑ IiRi。通过对算法步骤的简单分析，可以看出：第一、根据问题设置参数；第二、初始化，Ri=rand（d，1-d），i可以是大于零的整数；第三、重复以上操作，知道满足停止规则。

3 总结

总而言之，计算机网络在社会各个领域中，都在发挥的无可替代的作用。如果计算机网络连接出现问题，将会严重影响相关企业或者设备的正常运转，进而降低经济效益。因此，必须提高计算机网络连接的重视程度，进一步完善优化连接效率，维护网络连接的稳定性和可靠性，为我国计算机事业的未来发展奠定坚实的基础。

参考文献

[1]陈竺.计算机网络连接增强优化中的神经网络算法[J].电子技术与软件工程，2014（19）：16-16.

[2]王颖华，金爱花.计算机网络连接增强优化中的均场神经网络算法[J].硅谷，2013（15）：61-62.

[3]李盼池，许少华.基于过程神经网络和遗传算法的系统逆向过程求解[J].计算机测量与控制，2015（10）：948-950.

篇5

关键词：神经网络；电路分析；故障诊断；故障类别。

1引言

随着设计理念和制造工艺地不断发展，电子产品已经向小型化、智能化方向发展，这也给故障诊断带来更加严峻地挑战，由于传统的故障诊断方法已经不能满足发展的需求了[1]，因此急需研究开发出行之有效的新方法。神经网络[2]是在对人脑网络认识理解的基础上构造的，是模仿人脑网络结构和功能而建立的一种信息处理系统，是理论化的人脑网络的数学模型。电路故障诊断[3]是一个非常复杂的模式识别问题，神经网络由于其本身信息处理的特点，如并行性、自学习、自组织性、对外界输入样本有很强的识别分类能力以及联想记忆功能等，使其能够出色解决那些传统模式识别方法难以圆满解决的问题。

2故障的类型

对电子产品进行故障诊断，最基本的就是对电路的诊断，因此，首先要确定的就是电路的故障类型[4]。从对电路的影响程度来划分，故障可以分为硬故障和软故障；从故障的随机性来划分，可以分为永久型故障和间歇型故障。永久型故障即固定故障，不随时间的变化而变化，一直固定在某种状态不变间歇型故障即随机出现的故障，电路有时正常，有时则出现了故障。硬故障即结构故障，是电路中元件的参数发生了极端变化的情况，包括桥接故障（BF，bridgefault）、开路故障（OF，openfault）、时滞故障等。软故障即偏差故障，指电路元件的参数与正常情况相比，偏出了约定的容差范围，但此时器件并非完全失效。

3神经网络的电路故障诊断

神经网络之所以在电路故障诊断中得到了广泛应用，主要是因为它具有如下诸多优势[5]。（1）学习能力。学习能力是神经网络在故障诊断中的重要表现。通过对神经网络的训练可读出故障的主要特征，表现出强大的适应能力。（2）联想记忆能力。因为神经网络具有并行计算和分布存储信息的功能，所以它对输入的特征信息具有联想记忆的能力。这一能力使得它在模式识别、故障分类中起到了巨大的作用。（3）分类识别能力。因为神经网络能够很好地对非线性曲面进行逼近，所以它的分类识别能力要优越于传统的分类器。对于样本的分类实质上就是找到合适的分割区域，每个区域的样本属于一类。（4）非线性映射能力。由于神经网络可以寻求输入到输出之间的非线性模型，即可实现输入空间到输出空间之间的非线性映射。因此，神经网络可以很好地对电路故障进行诊断。从本质上说，电路故障诊断就是一个故障模式识别的过程，将正常电路及各种故障状态下的特征信息输入到神经网络，运用神经网络对这些特征信息进行学习、记忆，从而识别对应的故障模式，达到故障诊断的目的。诊断过程包括训练阶段和测试阶段[6]，具体步骤如下。（1）首先在仿真软件中对正常状态及故障状态进行模拟仿真，得到原始的响应信号，再对原始信号进行相关处理，作为神经网络的训练样本。各种故障状态对应的输出模式，由故障数目来确定。根据输入样本和对应的输出样本来训练神经网络，达到训练的目的。（2）神经网络具有一定的泛化能力，不仅能够识别已经训练过的样本，而且能够通过联想识别未出现过的样本。加入相同的激励，检测实际特征，将此信息同样经过信号处理，作为测试样本送入神经网络，最后根据网络的输出即可判断时应的故障模式。神经网络应用于具体的电路故障诊断，还有一些诊断过程中需要解决的关键问题。（1）测试节点的选择。神经网络进行电路故障诊断时，为了得到各种故障模式的特征信息，应选取有效的测试点。通过这些测试点的输出信号，提取有效的特征信息，从而进行模式识别。虽然测试点的选择标准不尽相同，但是都要遵循如下基本原则：①尽可能选取诊断能力强，同时故障隔离能力强的节点。②在满足隔离要求的情况下，尽量少选取节点。③获取节点信息时，不能影响到整个电路系统的正常工作及性能。（2）故障集的构造。因为电路中元件数众多，故障模型地构成也各不相同，因此对所有元件、所有故障模型都进行诊断是不现实的。比较可行的办法就是根据待测电路的特点和以往的经验模拟若干个元器件，组成故障集。

4实例分析

通过一个555构成的单稳态触发器电路进行仿真实验。首先，设定电阻容差为10%，电容容差为5%，在容差范围内对元器件的软故障进行研究。其次，选取文献[2]的无故障与有故障各50次蒙特卡洛分析结果，其中30次作为训练样本，20次作为测试样本。最后，将训练样本集输入到网络结构为6-10-4的BP神经网络进行训练，测试样本集输入到训练好的神经网络即可得出故障诊断率。同样地，为了加快训练速度，采用附加动量自适应梯度下降法，训练函数为traingdx，隐层传递函数为tansig，输出层传递函数为purelin训练目标为0.01，学习速率为0.01。可知20个测试样本的诊断概率为95%，达到了预期的要求。

篇6

关键词：暂态混沌神经网络;优化问题;非线性函数优化;TSP

中图分类号：TP183 文献标识码：A 文章编号：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

生物神经网络是一个非常复杂的非线性巨系统,存在各种复杂的动力学行为,在生物学实验中人们已观察到人脑和动物神经系统中的各种混沌行为。由于人工神经网络是对生物神经网络的模拟,因而深入研究人工神经网络中的复杂动力学(特别是混沌)对于提高人工神经网络的智能化程度具有重要意义。人工神经网络的一个重要应用领域是用于优化。神经网络的寻求稳定平衡点的大规模并行计算能力对于优化问题是强有力的工具,但由于其利用梯度下降的动力学,因此在求解许多实际优化问题时常陷入局部极小值。由于混沌具有遍历性、随机性、规律性的特点,混沌运动能在一定范围内按其自身的规律不重复地遍历所有状态,因此,利用混沌变量进行优化搜索,无疑会比随机搜索更为优越。混沌动力学为人们研究神经网络提供了新的契机,用神经网络研究或产生混沌以及构造混沌神经网络,混沌神经网络具有更加丰富和远离平衡点的动力学特性。混沌动力学是以对初始条件的敏感性以及在相空间的不停运动为特征的,这一特点使得混沌成为很好地在状态空间进行搜索的机制,当将其用于优化时,它具有逃离局部极值的能力。正是基于这个机制,这里研究了暂态混沌神经网络模型和其优化问题中的应用,它具有暂态的混沌动力学行为,可以对状态空间做暂时的搜索。

1 暂态混沌神经元

混沌神经元是标定混沌神经网络的基本单位,对于单个神经元的混沌特性的了解可为混沌神经网络提供必要前提和认识基础。在混沌神经元的研究中,振荡子是一种典型的研究对象,因为振荡子或它们的组合可表现出丰富的混沌动力学行为，为了理解混沌神经网络的运行机理,在此以单个神经元为例检验该网络的混沌动力学行为。首先给出暂态混沌神经网络模型:

Иui(t+1)=kui(t)+α\j≠1wijvj+θ-s1(k)\〗-

gi(t)\И

当Е联=0时单个神经元的网络模型：

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中仿真混沌神经元模型进行模拟仿真，对式（1）~式（4）随机取参数Е=0.7,β=0.001,λ=0.006,μ=300Щ煦缟窬元内部状态的演变如图1所示。

图1 混沌神经元状态演化图

对于这里的单个混沌神经元的动力学特性和控制参数的演化过程进行仿真与研究。

图2、图3是在式（1）~式（4）取参数k=0.9,β=0.001,λ=0.006，g(0)=0.08时单个神经元的动力学特征和控制参数的退化曲线，可以看出式（1）~式（4）组成的网络具有暂态混沌动力学的行为，随着控制参数在时间上的不断衰减，通过一个倍周期倒分叉过程，网络将逐渐趋于稳定的平衡点。

图2 单个神经元的动力学特征

图3 控制参数的退化曲线

图4、图5中k=0.9,β=0.003,λ=0.006，g(0)=0.08，由于图4，图5相对于图2和图3只是β增大，但可以知道β增大有利于加速收敛，但优化质量会有所下降，从网络的动态方程可知，β增大使能量函数对动态方程的影响增大，如影响过大，将不能产生充分地混沌动态；反之太小的β使能量函数的变化不能充分的影响动态的演变，从而搜索过程难以收敛到对应最小能量值的最优解，同时过分的混沌搜索将导致优化过程变长。

图4 单个神经元的动力学特征

图5 控制参数的退化曲线

图6、图7中k=0.9,β=0.001,λ=0.008，g(0)=0.08，由图6，图7相对于图2和图3只是λ增大，然而可以知道λ增大有利于加速收敛，但优化质量会下降，λ的大小反应控制参数Z（t）的下降速率的快慢，过大的λ会使Щ煦缍态消失的过快，从而容易收敛到局部最小或非法状态；反之混沌动态持续太久，将严重影响收敛速度。

图6 单个神经元的动力学特征

图7 控制参数的退化曲线

图8、图9中k=0.9,β=0.001,λ=0.008，g(0)=0.10，由图8和图9相对于图2和图3只是Z(0)增大，但可以知道Z(0)减小有利于加速收敛，但算法收敛到次优解的概率将增加，加快Z的下降速度，一旦混沌行为不充分则必然影响优化性能；反之Z(0)过大将使得下降过程过慢，从而混沌对系统演化过程的影响过大，收敛必然缓慢。

图8 单个神经元的动力学特征

图9 控制参数的退化曲线

2 暂态混沌神经网络

上述部分对单个无反馈神经元的动力学特性和控制参数进行了仿真与研究，下面系统地对混沌神经网络进行研究。显然暂态混沌神经网络有反馈项，而且还是许多单个的神经元构成，其构成是将混沌机制引入到Hopfield神经网络中，构造出具有自组织特性和克服局部极小能力的暂态混沌神经网络，其数学模型如下：

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）为混沌神经网络的动态方程；式（6）为神经网络的激励函数。ui和vj为神经网络在K时刻的输入和输出；wij为从第j个神经元到第i个神经元的连接权值；k为比例常数；θ为神经元偏置；S1(K)，S2(K)为外加的混沌变量；β和λ为时变量gi(t)和ηi(t)У乃ゼ跻蜃印Hopfield神经网络离散型模型为：

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

=kui(K)+β［∑njwijvj(K)+θ］(9)И

比较混沌神经网络和Hopfield神经网络模型只是在Hopfield神经网络后面加上Вgi(t)\项，变量gi(t)表示每个神经元的抑制自反馈链接的强度，当t0,gi(t)0,Щ煦缟窬网络退化为神经网络暂态混沌神经网络模型综合了随机性和确定性算法的优点。优化过程分为基于混沌的“粗搜索”和基于Hopfield神经网络“细（梯度）搜索”两个阶段。粗搜索中的混沌搜索同时具有随机性和轨道遍历性，具有克服陷入局部极小的能力。随机性保证大范围搜索能力，轨道遍历性使算法能按系统自身的行为不重复地遍历所有可能状态，有利于克服一般随机算法中以分布遍历性的机制搜索带来的局限性。粗搜索过程结束，转入HHN梯度搜索及细搜索阶段，随着粗搜索结束，系统方程中控制参数决定项的作用很弱，及暂态混沌动力行为消失后，网络优化过程基本按能量函数的梯度下降方向进行。此时的行为类似于Hopfield神经网络寻优过程。系统最终收敛于一个稳定的平衡点，即收敛到全局意义下较满意的解。

算法流程图如图10所示。

3 暂态混沌神经网络模型在优化问题中的应用

3.1 在函数优化中的应用

求解下述非线性优化问题:

ИF(x)=(x1-0.8)2\+

(x2-0.6)2\И

目标函数的全局最小点为：（0.8，0.6）；局部极小点为有3个：（0.7，0.5），（0.7，0.6），（0.8，0.5）。以min F(x)为网络的能量函数进行优化求解并给定相应的网络参数和网络初始值。

计算结果见表1。

表1 计算结果

全局最优解对应最优解迭代次数

理论解0.000.8，0.6-

混沌解1.478E－0070.799，0.59990

在此给出网络的神经元的输出X(t)随时间的演化过程（随时间变化）：如图11所示。

图10 优化流程图

图11 神经元1的输出X1(t)和神经元2的输出X2（t）

两个神经元的输出函数的初始状态是不可预测的混沌运动，随着非线性反馈强度的逐渐减弱，经过短暂的分叉过程后，最终收敛到网络的稳定状态（0.8，0.6）处。因此该网络具有避免陷入局部极小值的能力，从而实现全局优化。

3.2 应用于TSP问题（10个城市TSP问题）

TSP问题是一类典型的组合优化难题,它要求旅行商用最短的路径走遍地图上的n个城市而且只能访问一次,最后回到起始点。TSP问题分为对称TSP(dij=dji)和非对称TSP(dij≠dji)。其中：dij表示城市i与城市j之间的距离；对称TSP的可能路径有(n-1)!/2条,非对称的有(n-1)!条。显然,用穷举法来寻找最短路径将花费大量的时间,而且若城市数量大，则该方法几乎是无法解决TSP问题的。1985年,Hopfield与Tank构造了TSP问题满足所有限制条件的一个能量公式：

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

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

同时,结合HNN算法成功地解决了TSP问题。但是对于10个城市的TSP问题,20次实验中,只得到16次合法解,10次最优解通过分析得到解决TSP问题的差分方程：

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

对于10个城市的TSP问题,原始数据取自文,参数选取如下:k=0.9; W1=1;W2=1;I0=0.65;γ=100;z(0)=0.05;εi=250;变动β,λ,随机选取初始值仿真120次得到表2的仿真结果。

表2 仿真结果

Е力娄霜ё钣沤猹な目次优解な目平均迭代ご问

0.020.060.011173320

0.020.040.011200289

0.020.040.024254

0.030.020.012241

从表2中取出1组数据Е=0.03，β=0.02，λ=0.01，神经元输出能量函数演化图以及最优路径如图12所示。

图12 10个城市TSP最短路径仿真图

对图12分析可以得到：模型中存在很多参数需要选取。输入正比例系数Е劣跋斓代步数的多少与模型混沌动态性能,过小的α值使迭代步数增加,过大的α值则减弱模型混沌动态性能,故应该仔细选取该参数;β控制增益函数的衰减速率,这个参数将显著影响寻优过程的收敛速度,较小的β值将会加快收敛速度;较大的λ值会加快收敛速度但会使混沌动态消失过快,从而影响寻优结果,较小的λ值会使混沌动态作用时间加长而使收敛速度变慢。

4 结 语

暂态混沌神经网络利用混沌所固有的随机性和轨道遍历性在大范围内按其自身规律进行搜索,搜索过程按混沌轨道遍历,不受目标函数限制,从而具有克服陷入局部极小的能力。当混沌搜索结束以后,网络进入类似Hopfield网络的梯度搜索过程,由于混沌搜索为梯度搜索提供了一个好的位于全局最优解附近的初始值,因而可以较快地获得全局意义下的最优解。通过实例仿真分析，比较暂态混沌神经网络在优化方面显示出了其优化方面的优势和较好的发展前景。

参 考 文 献

［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］张学义,胡仕诚,谢荣生,等.一种混沌神经网络及其在优化计算中的应用［J］.系统工程与电子技术,2000,22(7)：69－71.

［4］王凌,郑大钟.一种基于退火策略的混沌神经网络优化算法［J］.控制理论与应用,2000,17(1):139－142.

［5］窦春霞,张淑清.基于混沌神经网络预测模型的最优控制决策及应用［J］.动力工程,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］窦春霞.基于混沌一神经网络模型最优控制及应用［J］.系统工程学报,2004,19(3):229－233.

［8］李薪宇,吕炳朝.暂态混沌神经网络中的模拟退火策略优化［J］.计算机应用,2005(10):198－200.

［9］周婷,贾振红,刘秀玲.一种用于函数优化的小波混沌神经网络［J］.计算机应用,2007,27(12):2 910－2 912.

［10］高海昌,冯博琴,朱利.智能优化算法求解TSP问题［J］控制与决策,2006(3):241－247.

篇7

【关键词】模糊神经网络；模糊控制；模糊辨识；规则抽取；学习算法

1 问题的提出

模糊逻辑和神经网络都适于处理那些被控对象模型难以建立或存在大的不确定性和强非线性的系统. 由于神经网络在分布式处理，学习能力，鲁棒性，泛化能力方面具有明显的优势，而模糊系统的优势在于良好的可读性和可分析性，因此，将神经网络的思想融合到模糊辨识和模糊控制模型中就可以实现两者的优势互补.模糊神经网络控制针对双方的特点相互借鉴和利用，比单独的神经网络控制或单独的模糊控制具有更好的控制性能. 随着智能控制理论的发展，模糊神经网络控，难以实现系统的实时控制制受到控制界的广泛关注，相继提出了许多控制和辨识的方法.

本文总结了近期我国学者提出的几种新的基于模糊神经网络的系统辨识与控制方法，并通过仿真进行了各自特点的比较，希望可以通过这些比较，对这些研究加以改进和应用.

2 模糊神经网络

2.1 仿射非线性系统

为了实现非线性系统的实时控制，基于径向基函数网络与TSK 型模糊推理系统的函数等价的特点，有学者提出了一种动态模糊神经网络的在线自组织线性算法，从而实现了系统的结构和参数的同时在线自适应. 学习速度快是这种模糊神经网络的突出特点.在此基础上，针对未知仿射非线性SISO 系统提出了一种在线自适应模糊神经网络辨识与控制方法. 该方法首先采用G2FNN 学习算法实时建模系统的逆动态，实现模糊神经网络的结构和参数的同时在线学习. 然后，设计一个鲁棒补偿器与辨识好的模糊神经网络组成复合控制器，并基于Lyapunov 稳定性理论设计自适应控制律进一步在线调整网络的权值，实现系统的跟踪控制.

控制目标是设计一个由G2FNN 控制器和鲁棒控制器构成的模糊神经网络自适应鲁棒控制器， 使得系统的输出y 跟踪给定的参考输入信号ym ，对于一个给定的干扰衰减水平常数ρ>0 ，获得良好的H ∞跟踪性能指标.

广义模糊神经网络G2FNN 由四层网络结构组成，分别实现模糊逻辑的模糊化、模糊推理和解模糊化过程. 图1 所示为单个输出结点G2FNN 的结构.

图1 G2FNN 的结构

G2FNN 中有两类学习算法，即结构学习和参数学习. 结构学习是通过对每个新的训练数据计算出G2FNN 的输出与期望输出之间的偏差来决定是否产生新的模糊规则或删除多余的规则； 参数学习有两个方面，一是当系统产生第N r+1条新的模糊规则时确定新规则前提参数ci （ N r+1） ，σi（N r+1），另一个是当不需要进行结构学习时对第三层与第四层网络之间的权值向量W 的调节.

第一层直接将输入语言变量xi（i =1，2，…Ni） 传递到下一层.

第二层计算输入分量隶属于各语言变量值模糊集合的隶属度，隶属度函数为高斯函数：

式中： cij ，σij （i =1 ，2 ， …， N r） 分别是第i 个输入语言变量xi的第j 条隶属度函数的中心和宽度；N r 为系统产生的规则数.

第三层是规则层， 这一层的每个结点代表一条模糊规则，它的作用是用来匹配模糊规则的前提，每个结点的输出可以表示为：

第四层是结点定义语言变量的输出， 它的作用是用来匹配模糊规则的结论，实现TSK型模糊推理系统的解模糊化过程. 其输出为：

这里， Wj 为第三层与第四层之间的权值.

使用倒立摆系统方程进行仿真研究， 倒立摆的动态方程为：

系统仿真结果如图（图2）：

图2 自适应模糊神经网络控制系统跟踪轨迹

由图可知，所设计的控制器实现了模糊神经网络的结构和参数的在线自适应，输出跟踪参考输入信号，系统的误差收敛速度快，鲁棒性好.

由仿真可见，该方法不仅实现了模糊控制规则的自动产生和删除，还保证了闭环系统的全局稳定，并使外部干扰和模糊神经网络逼近误差对系统跟踪误差的影响衰减到一个指定的水平.本方法不需要知道系统的控制增益，设计了一个鲁棒补偿器来抑制模糊神经网络逼近误差和外部干扰的影响. 系统鲁棒性好，抗干扰能力强，所设计的控制器可用于系统的实时控制.

2.2 网络参数自学习模糊控制

在模糊系统的许多应用中， 如模糊推理、模糊逻辑控制器、模糊分类器等， 提取模糊规则是一个重要步骤。在新兴的研究领域――数据挖掘中， 提取模糊规则也起着重要作用。然而模糊控制规则的获得通过由专家经验给出， 这就存在诸如控制规则不够客观、专家经验难以获得等问题。因此研究模糊规则的自动生成有着重要的理论和应用价值。在许多问题中， 希望提取出来的模糊规则能够用语言变量表示， 以便揭示模糊系统内部的规律， 同时这也是模糊系统的一个特色。为了提高抽取复杂系统模糊if- then 规则的质量， 将具有极好学习能力的神经网络与模糊推理系统相结合， 产生了神经- 模糊建模方法， 这种方法综合了两种形式的特点， 提供了一种从数值数据集抽取模糊规则的有效框架。有关领域的研究者们提出了多种模糊逻辑与神经网络结合的方法， 给出了各种用于提取模糊if- then 规则的神经网络结构框架。

由于径向基函数网络（RBFN）以其结构简单、良好的逼近能力、独特点可分解性以及和模糊推理系统的函数等价性， 因此可应用于模糊系统。然而， 当一个模糊系统使用学习算法被训练之后可能会影响其可解释性， 也就是使得模糊系统的可理解性下降， 而可解释性是模糊系统的一个突出特点。为了让模糊系统在具有自学习和自组织性的同时也具有可解释性这一突出特点， 以下提出了一种能够有效表达模糊系统可解释性RBF 网络结构， 并进行了仿真实验， 取得较好的仿真结果。

根据测量数据采用各种神经网络自动提取模糊规则的方法， 在输入输出空间划分部分运用的是聚类的思想， 而大多数其输入输出空间划分数（ 聚类数） 是预先给定， 这不免带有一定的盲目性， 直接影响规则的提取质量。为此， 本文关于初始聚类中心及聚类中心个数的确定方法采用文献7 提出的一种聚类神经网络初始聚类中心的确定方法。利用这种基于密度和基于网格的聚类方法， 能自动地进行样本空间的划分， 针对样本空间划分过程中不同阶段的特点， 采用了不同的处理手段， 使得该方法在样本空间划分数、聚类学习时间等方面都具有比较明显的优越性（图3）。

图3 仿真实验结果

下面针对每个仿真曲面分别给出一组训练样本点为500 个， 评价样本点为100 个的仿真结果图， 如图4所示：

图4

从图中， 可见各样本数据的预测值与实际值吻合的比较好， 只有个别的点误差较大， 这与训练样本点的选取有关。另外， 在系统模型建立好后， 为了检验模型的效果， 笔者另外又抽取几组数据样本作为评价样本， 结果发现预测值与实际值相比， 误差也在允许范围内， 效果比较令人满意。

本方法的创新点是提出了一种能够有效表达模糊系统可解释性RBF 网络结构， 并给出了一种有效的提取模糊规则的算法， 这就使模糊系统在具有自学习和自组织性的同时也具有可解释性这一突出特点。利用这种网络结构和算法进行控制器设计， 至少有以下的优点：

（1）模糊系统具有很好的可解释性。

（2）该算法克服了RBF 中心个数选择的随机性，较好地解决了样本聚类。

（3）提出的增量数据处理方法保证了网络结构能适应不断扩大的数据集。

综上所述， 这种RBF 模糊神经网络控制算法，对于研究非线性， 时变的多变量系统， 提供了一种新的思路， 具有一定的理论意义和工程应用价值。

2.3 其他一些方法

其他的一些最近被提出的，如基于神经模糊网络的方法，基于模糊推理网络的方法（见图5）， 基于非线性自回归滑动平均模型等，都取得了很好的控制和辨识效果，具有有良好的发展和应用前景.

图5 6层神经模糊推理网络

3 总结

本文系统地叙述了目前研究比较热门的近期我国学者提出的几种新的基于模糊神经网络的系统辨识与控制方法的研究成果，并简要分析了各种方法的优缺点. 限于篇幅，除本文介绍的几种方法外， 还有一些研究成果没有列出. 本文的目的是为在这方面进行研究的学者提供一个系统的参考和建议.

【参考文献】

[1]李佳宁，易建强，等.一种新的基于神经模糊推理网络的复杂系统模糊辨识方法[J].自动化学报，2006，Vol.32，No.5.

[2]王锴，王占林，付永领，祁晓野. 基于PNN与FNN模型神经网络控制器设计与分析[J].北京航空航天大学学报，Vol.32， No.9，2006.

[3]李晓秀，刘国荣，沈细群.仿射非线性系统的在线自适应模糊神经网络辨识与控制[J].湖南大学学报（自然科学版），2006，8，33（4）.

[4]李延新，李光宇，孙辉，李文.基于RBF 网络的参数自学习模糊控制的研究[J].微计算机信息，2006，8，22（8）.

篇8

关键词：直流伺服电机；PID；Hopfield神经网络；参数整定

中图分类号：TP27文献标识码：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

直流伺服系统广泛应用行器、船舵、火炮等系统[1]。随着工业过程的不断发展，对直流伺服系统也提出了更高的要求。由于直流伺服电机本身存在很多非线性特性，而且抗干扰的能力很差，能否设计出良好的控制器是工业生产中必须解决的问题。PID控制是工业过程控制中最常见的一种控制策略，传统的 PID控制器具有直观、实用和鲁棒性好等优点，但对高精度的伺服系统，显然传统的控制理论是不能满足需求的。神经网络具有良好的自学习和非线性逼近能力，可以有效的克服直流伺服系统中参数时变、非线性等问题[2]。本文将Hopfield神经网络（简称CHNN）与PID 控制器相结合，共同完成对直流伺服电机的控制。仿真与实验表明，该控制器具有较强的自学习能力和良好的跟踪性能。

1基于CHNN的PID控制器参数优化

1.1Hopfield神经网络介绍

1986年美国物理学家J.J.Hopfield利用非线性动力学理论中的能量函数的方法去研究反馈人工神经网络的稳定性时，提出了Hopfield神经网络[3]。基本的Hopfield神经网络是一个由非线性元件构成的全连接型单层反馈系统，Hopfield网络中的每一个神经元都将自己的输出通过连接权传送给网络中的其它神经元，同时又都接收其它神经元传递过来的信息[4]。

反馈型网络是一种动态网络，它需要工作一段时间才能达到稳定[5]。 反馈型Hopfield神经网络主要采用Hebb学习规则，计算收敛快，它与电子电路存在着对应关系，使该神经网络易于理解和硬件的实现。Hopfield神经网络的能量函数表征网络状态的变化趋势，并可以依据Hopfield工作运行规则不断进行状态变化，最终能够达到的某个极小值的目标函数。网络收敛就是指能量函数达到极小值[4]。

1.2控制模型

CHNN主要由于 PID控制器参数的优化设计，其控制结构图如下：

图1基于CHNN优化的PID控制结构

该控制器由两部分组成：一部分是传统PID控制器的结构，如图1中虚线框图内所示，对系统的偏差信号进行比例、积分和微分计算并加权重相加处理，而且权重值就是相应的比例、积分和微分的系数；另一部是Hopfield神经网络，根据系统输出输入的相关信息，通过反复学习和调整，确定网络的权值矩阵和阈值，从而调节PID控制器所需要的参数[6]。在图1中，被控对象采用线性离散系统空间表达式描述，本文以单输入单输出二阶系统进行讨论。

（1）

y(k)=Cx(k)

其中：

，，C=[01]

此时PID控制器在k时刻输出为：

（2）

其中kp、ki、kd分别为比例、积分、微分系数；e(k)为控制系统在k时刻的误差：e(k)=r(k)-y(k)；设CHNN在第k时刻的输出为：

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

2在直流伺服电机中的应用

2.1直流伺服电机的数学模型

图2为永磁直流伺服电机无控驱动装置的原理图，根据此图推导其传递函数。

图2直流伺服电机装置原理图

根据直流电机的工作原理及基尔霍夫定律，直流电机的四大平衡方程：

电枢回路电压平衡方程：

（4）

电磁转矩方程：

Mm(t)=Kaia(t) （5）

转矩平衡方程：

（6）

由电磁感应关系得：Ea=Kbω(t) （7）

其中，Ra和La分别为电枢回路电阻和电感，Ea为电机的反电势，Mm(t)为电枢电流产生的电磁转矩，Ka为电机转矩系数，Ja为机械旋转转动惯量，f为旋转的粘性摩擦系数，ua(t)为电枢电压，ω(t)为电动机转动速度，ia(t)为电枢回路电流。电动机负载变化为电动机转动速度的扰动因数，用负载力矩Md(t)表示[7]。

2.2算法的实现

控制系统的输入为阶跃函数r(k)=1(k)，针对直流伺服电机的数学模型，采用由两个神经元组成的CHNN对PI控制器进行优化设计。为了描述Hopfield网络的动态稳定性，定义网络的能量函数为[8]：

(8)

其中权值矩阵W是对称的，即ωij=ωji。

选择控制系统的目标函数为：

(9)

现在将PI控制器的输出u(k)代入式(9)，我们就可以得到权值矩阵：

(10)

而Hopfield神经网络的阈值为：

(11)

网络选择对称型S非线性作用函数，其中增益为K：

(12)

这时网络的输出模型为：

(13)

离散化，并设则有：

(14)

3系统仿真

以直流伺服电机PI控制系统为对象，在matlab软件软件环境下进行仿真。被控对象的数学模型为：

(15)

当采样周期T=0.1s时，可以得到直流伺服电机的离散表达式：

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

仿真结果如图3和图4所示。

从图3可以看出，整个系统在单位阶跃信号的激励下，系统响应的峰值时间为0.08s，调节时间为0.3s，超调量为0.35，而且无静差，具有很好的动态特性；在图4中，对正弦波进行跟踪实验。结果表明神经网络有限次学习后得到的PID控制参数，可以有效的实现跟踪控制，系统具有较好的自学习能力和很强的自适应性。

4结论

本文以直流伺服电机为背影，介绍了一种基于Hopfield神经网络的PID控制算法。这种算法一方面继承了经典PID控制器良好的实用性和较强的鲁棒性，另一方面也利用了神经网络的自学习、适应性强的特性，而且能够充分结合两者的优点对控制直流伺服电机进行有效地控制。仿真实验表明：该方法计算量小，参数调整快，实时性好，且具有较强的鲁棒性和较高的控制精度。可用于实时性要求较高的直流伺服系统的跟踪控制，因而有较高的实用价值。

参考文献

[1] 张菊丽，王新民，张举中.RBF神经网络和FC复合控制在电动伺服系统中的应用[J].微电机，2007（5）：39-41

[2] 侯远龙，童忠志.电气传动系统PID自适应控制研究[J].工业仪表与自动化装置，2001（2）：11-13

[3] 魏东旭，冯小勤.基于Hopfield网络的PID模型参考自适应控制的研究与仿真[J].2009（11）：113-115

[4] 刘金琨.智能控制[M].北京：电子工业出版社，2005.5

[5] 孙增圻，张再兴，邓志东.智能控制理论与技术[M].北京：清华大学出版社，1997.4

[6] 舒怀林.PID神经网络及其控制系统[M].北京：国防工业出版社，2006.6

[7] 历虹，杨黎明，艾红.伺服技术[M].北京：国防工业出版社，2008.8

[8] 徐丽娜.神经网络控制[M].北京：电子工业出版社，2009.7

篇9

[论文摘要]简单回顾模糊控制、神经网络控制、专家系统控制、线性最优控制、综合智能控制等典型智能技术在电力系统自动化中的运用。

电力系统是一个巨维数的典型动态大系统，它具有强非线性、时变性且参数不确切可知，并含有大量未建模动态部分。电力系统地域分布广阔，大部分元件具有延迟、磁滞、饱和等等复杂的物理特性，对这样的系统实现有效控制是极为困难的。另一方面，由于公众对新建高压线路的不满情绪日益增加，线路造价，特别是走廊使用权的费用日益昂贵等客观条件的限制，以及电力网的不断增大，使得人们对电力系统的控制提出了越来越高的要求。正是由于电力系统具有这样的特征，一些先进的控制手段不断地引入电力系统。本文回顾了模糊控制、神经网络控制、专家系统控制、线性最优控制、综合智能控制等五种典型智能技术在电力系统中的运用。

一、模糊控制

模糊方法使控制十分简单而易于掌握，所以在家用电器中也显示出优越性。建立模型来实现控制是现代比较先进的方法，但建立常规的数学模型，有时十分困难，而建立模糊关系模型十分简易，实践证明它有巨大的优越性。模糊控制理论的应用非常广泛。例如我们日常所用的电热炉、电风扇等电器。这里介绍斯洛文尼亚学者用模糊逻辑控制器改进常规恒温器的例子。电热炉一般用恒温器（thermostat）来保持几挡温度，以供烹饪者选用，如60，80，100，140℃。斯洛文尼亚现有的恒温器在100℃以下的灵敏度为±7℃，即控制器对±7℃以内的温度变化不反应；在100℃以上，灵敏度为±15℃。因此在实际应用中，有两个问题：①冷态启动时有一个越过恒温值的跃升现象；②在恒温应用中有围绕恒温摆动振荡的问题。改用模糊控制器后，这些现象基本上都没有了。模糊控制的方法很简单，输入量为温度及温度变化两个语言变量。每个语言的论域用5组语言变量互相跨接来描述。因此输出量可以用一张二维的查询表来表示，即5×5=25条规则，每条规则为一个输出量，即控制量。应用这样一个简单的模糊控制器后，冷态加热时跃升超过恒温值的现象消失了，热态中围绕恒温值的摆动也没有了，还得到了节电的效果。在热态控制保持100℃的情况下，33min内，若用恒温器则耗电0.1530kW·h，若用模糊逻辑控制，则耗电0.1285kW·h，节电约16.3%，是一个不小的数目。在冷态加热情况下，若用恒温器加热，则能很快到达100℃，只耗电0.2144kW·h，若用模糊逻辑控制，达到100℃时需耗电0.2425kW·h。但恒温器振荡稳定到100℃的过程，耗电0.1719kW·h，而模糊逻辑控制略有微小的摆动，达到稳定值只耗电0.083kW·h。总计达100℃恒温的耗电量，恒温器需用0.3863kW·h，模糊逻辑控制需用0.3555kW·h，节电约15.7%。

二、神经网络控制

人工神经网络从1943年出现，经历了六、七十年代的研究低潮发展到现在，在模型结构、学习算法等方面取得了大量的研究成果。神经网络之所以受到人们的普遍关注，是由于它具有本质的非线性特性、并行处理能力、强鲁棒性以及自组织自学习的能力。神经网络是由大量简单的神经元以一定的方式连接而成的。神经网络将大量的信息隐含在其连接权值上，根据一定的学习算法调节权值，使神经网络实现从m维空间到n维空间复杂的非线性映射。目前神经网络理论研究主要集中在神经网络模型及结构的研究、神经网络学习算法的研究、神经网络的硬件实现问题等。

三、专家系统控制

专家系统在电力系统中的应用范围很广，包括对电力系统处于警告状态或紧急状态的辨识，提供紧急处理，系统恢复控制，非常慢的状态转换分析，切负荷，系统规划，电压无功控制，故障点的隔离，配电系统自动化，调度员培训，电力系统的短期负荷预报，静态与动态安全分析，以及先进的人机接口等方面。虽然专家系统在电力系统中得到了广泛的应用，但仍存在一定的局限性，如难以模仿电力专家的创造性；只采用了浅层知识而缺乏功能理解的深层适应；缺乏有效的学习机构，对付新情况的能力有限；知识库的验证困难；对复杂的问题缺少好的分析和组织工具等。因此，在开发专家系统方面应注意专家系统的代价/效益分析方法问题，专家系统软件的有效性和试验问题，知识获取问题，专家系统与其他常规计算工具相结合等问题。

四、线性最优控制

最优控制是现代控制理论的一个重要组成部分，也是将最优化理论用于控制问题的一种体现。线性最优控制是目前诸多现代控制理论中应用最多，最成熟的一个分支。卢强等人提出了利用最优励磁控制手段提高远距离输电线路输电能力和改善动态品质的问题，取得了一系列重要的研究成果。该研究指出了在大型机组方面应直接利用最优励磁控制方式代替古典励磁方式。目前最优励磁控制的控制效果。另外，最优控制理论在水轮发电机制动电阻的最优时间控制方面也获得了成功的应用。电力系统线性最优控制器目前已在电力生产中获得了广泛的应用，发挥着重要的作用。但应当指出，由于这种控制器是针对电力系统的局部线性化模型来设计的，在强非线性的电力系统中对大干扰的控制效果不理想。

五、综合智能系统

综合智能控制一方面包含了智能控制与现代控制方法的结合，

篇10

【关键词】BP神经网络；TOC理论；工程造价；预控措施；分析

建筑业作为我国的主要物质生产部门，一直以来都在国民经济的发展中占有重要地位。即使是在2008年美国次贷危机以来，我国政府通过强有力的扩大内需的一系列措施，使得我国的经济继续的保持着快速的增长。而建筑业也要在此过程中，不断的学习工程造价管理的先进方法，同时也要不断的总结实施工程造价中的经验教训，不断的大胆创新，从而不断的提升我国的工程造价实践水平以及理论层次。下文主要结合BP神经网络对工程造价的预测以及TOC理论对工程造价的控制进行论述。

1 BP神经网络的预测

BP神经网络的清晰表述是在20世纪80年代被提出的，这一算法的提出不仅解决了多层神经网络的学习问题，同时也实现了多层网络的设想，从而极大的促进了神经网络的发展。BP神经网络的全称为Back Propagation，即误差反向传播神经网络，是一种多层、前向的神经网络，可以简单的理解为误差的传播方向是与信号的前向传播相反方向的。一般的BP网络都有不止一个的sigmoid隐层以及线性的输出层，从而可以有效的实现对多个不连续点函数的逼近。反向传播也就是从后向前的进行误差的调整，网络的权值顺着性能函数的梯度反向的调整。

BP神经网络的结构图如下图1所示，每一个神经元都是用一个节点表示，P、A是网络的输入以及输出向量，网络由隐层、输入层以及输入层节点组成，其中隐层可以是一层，也可以是多层，通过权将前后层连接起来。

图1 BP神经网络

2 TOC理论的控制

TOC约束理论是由以色列物理学家在1984年首次提出的，这一理论的研究以及应用为我们展现了一种全新的管理理念。十多年后他有提出了关键链法，主要应用于项目进度计划问题的解决，这一方法的主要思想就是工程项目必须遵守整体优化而非局部优化。关键链及时考虑两种约束，同时将其网络化并应用于项目的进度规划决策的技术。

这一技术主要由5个步骤组成：（1）识别系统的局限性（2）考虑如何利用这一瓶颈；（3）设法使得其它的决策服从与上面的决定;(4)提升系统的瓶颈；（5）如果瓶颈问题得以解决，那么回到第一步继续执行这一操作。

关键链技术是以全局的角度来进行各道工序安全时间的设定，统一到缓冲中的安全时间并不一定保证每一道工序的按期完成，但是却可以照顾到全局施工进度。由于输入缓冲以及项目缓冲可以有效的消除项目中的不确定因素对项目计划执行的影响，管理人员通过关注项目的进展情况，通过缓冲区调整项目的进度并实施项目的优化。

3 基于BP神经网络与TOC理论的工程造价预测与控制

3.1 基于BP神经网络的工程造价预测

通过MATLAB7.0建立模型可以分为以下四步：

3.1.1 样本的输入值。输入值的确定要参照以下各种费用：设计概算阶段的预备费、设计概算阶段的设备及工器具购置费、设计概算阶段的建筑安装工程费、设计概算阶段的工程建设其他费用。样本的期望值以及输出值的确定要考虑到以下几种费用：工程建设其他费用、工程决算阶段与设计概算阶段相比的建筑安装工程费、设备及工器具购置费、预备费增长的大小。样本的输出值范围在-1到1之间，前者表示没有风险，后者表示风险最大。

3.1.2 通过MATLAB7.0构造BP神经网络。输入层以及输出层的神经元节点数目分别设置为N1和N3，而BP神经网络隐层节点的设计检验公式为： （a=1―10，N1、N3分别为输入与输出的节点数）。然后进行训练函数、输出层函数以及隐层函数的选择，同时设置训练的次数以及目标。

3.1.3 将样本数据带入程序，通过训练、学习、测试样本检验，达到预定的目的。

3.1.4 通过输入一组向量P,模型将输出一组预测得到的列向量A。

3.2 基于TOC理论的工程造价控制

为了有效的控制工程造价，TOC理论思想要求将工程造价中风险费用的增加按照同一个保证率计算，然后将这一保证率之下费用差值安排到预备费用中的基本预备费中，或者理解为将其设置为缓冲区。我们可以将输出的预测向量值设置为：

与之相对的输入向量设置为

按照上文所述的TOC理论的实施步骤，第一步是进行系统瓶颈的识别，得到的结果对应于输出值A向量，然后是如何使用系统的瓶颈让P乘以对应的输出值A向量，将 ， 放回设计概算阶段的预留金中实施整体控制。第三步是设法使得其它的决策服从与上面的决定以及第四步通过监控以及关注各部分工程的执行情况提高系统的瓶颈，通过缓存器的使用情况来控制工程造价。

从以上的论述可见，基于BP神经网络与TOC下工程造价预控是在对于工程造价模式优化之下对于工程造价所实行的控制，可以解决长期困扰我们的工程造价难以控制的问题。

4 案例分析

本文以天津某高速公路为例，运用BP神经网络与TOC技术实施工程造价预控，从下表1可以看出应TOC理论优化后的工程总额减少了204778.4―202705.8=2072.6万元，降低了决算总额的1%。也就是说通过计价模式的优化以及造价中风险费用的整体控制，可以从根本上解决工程造价难以控制的问题，有助于我国工程造价的良性发展。

表1 TOC理论优化后的某高速公路投资控制情况比较 单位:万元

利用MATLAB建立模型，得出基于BP神经网络的天津某高速公的造价预算。模型建立的过程不再复述，将得到的样本训练图给出，如下图2：

图2 样本训练图

经检验，天津某公路的此时结果与实际值吻合，因此基于BP神经网络的高速公路造价预算可以满足实际的需求，模型的建立很成功。

基于TOC理论的工程造价控制，通过将施工整个过程的分散的风险因素整合、统一控制，同时在不断的监控以及缓冲器的配合下达到了有效控制工程造价的目的。该方法的主要思想是遵从项目的整体优化而非简单的局部优化。这种不同于传统中奖工程

的造价局限于某个或者一个阶段，也就不可能从工程的整体出发，自然也不利于造价控制的实施。

基于BP神经网络的工程造价预测通过高度的非线性映射以及充分的应用工程造价的历史数据，从而得到预测结果。这种方法之所以具有广泛的应用前景，是源于此方法与传统方法相比所表现出的优越性，即具有自适应、自组织、自学习以及泛化能力。同时这一方法的实施也需要准确的样本期望数据以及样本输入数据，从而为我国的工程造价制度以及造价数据的测量提出新的要求。

5 结束语

上文的论述表明，基于BP神经网络的工程造价预测，在结合了TOC理论情况下，实现了对于工程造价的控制。这种控制方式不仅是对于计价模式的优化、在优化的模式下对于工程造价的控制，同时也是有效实现工程造价控制以及对于当前的工程造价理论的有力推进。

参考文献;

[1]深圳市中哲投资顾问有限公司．2010―2015年中国建筑业投资分析及前景预测报告.深圳:中投顾问产业研究中心.2009