神经网络算法的优点范文

导语：如何才能写好一篇神经网络算法的优点，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： 模拟电路； 特征选择； 故障诊断； 神经网络； 粒子群算法

中图分类号： TN710.4?34； TP183 文献标识码： A 文章编号： 1004?373X（2016）19?0140?04

Abstract： The analog circuit is influenced by its characteristics and external environment， and its fault is non?linear and time?varying. The available fault diagnosis models of analog circuit are difficult to solve the match problem of features and classifier parameters， an analog circuit fault diagnosis model based on particle swarm algorithm optimizing feature and neural network is presented. The current situations of analog circuit fault diagnosis are analyzed， and their shortcomings are pointed out. The features of analog circuit fault diagnosis are extracted. The neural network is used as the classifier of analog circuit fault diagnosis. The analog circuit fault features and neural network parameters are optimized with particle swarm optimization， and simula?ted with Matlab 2012. The results show that the performance of the proposed model is superior to that of other reference models， and has wide application prospects.

Keywords： analog circuit； feature selection； fault diagnosis； neural network； particle swarm optimization

0 引 言

当前电网系统规模不断增大，各种电路越来越复杂，电路出现故障的概率急剧上升，相对于数字电路，模拟电路工作环境更加复杂，再加上自身特性，模拟电路故障诊断具有更加重要的实际应用价值，一直是电网系统研究中的重点[1]。

国内外学者对模拟电路故障诊断进行了相应的探索和研究，提出了许多有效的模拟电路故障诊断模型[2]。当前模拟电路故障方法主要分为传统模型和现代模型两类方法，传统模型主要有专家系统与灰色理论等[3?4]，属于线性的模拟电路故障诊断模型，对小规模模拟电路故障诊断效果好，但对于大规模的模拟电路，建模效率低，同时由于模拟电路工作状态与特征间是一种复杂的非线性关系，传统模型无法描述其变化特点，故障诊断正确率急剧下降，难以满足模拟电路故障诊断的实际应用要求[5]。现代模型基于非线性理论进行模拟电路故障诊断建模，主要有神经网络与支持向量机等[6?7]，现代模型通过自适应学习拟合电路工作状态与特征间的非线性关系，成为当前模拟电路故障诊断的主要研究方向，其中支持向量机的训练过程相当耗时，很难满足模拟电路的故障诊断要求，应用范围受到一定的限制[8]。神经网络的学习速度要快于支持向量机，且模拟电路故障诊断结果不错，尤其是BP神经网络进行故障诊断时，速度较快，应用最为广泛[9]。BP神经网络的模拟电路故障诊断结果与参数相关，如参数选择不当，则会导致模拟电路故障诊断性能下降[10]。模拟电路的状态特征同时亦与诊断结果密切相关，然而当前模拟电路故障诊断模型将神经网络参数与特征选择问题分开考虑，完全割裂了两者之间的关系，无法构建高准确率的模拟电路故障诊断模型[11]。

针对当前模拟电路故障诊断中的特征和神经网络参数不匹配的问题，提出一种粒子群算法选择特征和神经网络的模拟电路故障诊断模型（PSO?BPNN）。在Matlab 2012平台进行了仿真实验。结果表明，本文提出模型的模拟电路故障诊断性能要远远优于其他参比模型。

1 相关理论

1.1 模拟电路工作状态的特征提取

Step3：更新惯性权重，调整粒子的飞行速度和位置，产生新的粒子群。

Step4：若达到了结束条件，就可以得到模拟电路故障诊断的最优特征子集和最合理的BP神经网络参数。

Step5：建立模拟电路故障诊断模型，并对待检测的模拟电路故障进行检测，根据检测结果采取相应的措施。

3 结果与分析

为了分析PSO?BPNN的模拟电路故障诊断性能，采用图2的模拟电路进行仿真实验，在Matlab 2012平台下进行编程实现PSO?BPNN，模拟电路故障诊断参比模型为：

（1） 原始模拟电路故障诊断特征，BP神经网络参数随机确定的模拟电路故障诊断模型（BPNN1）；

（2） 原始模拟电路故障诊断特征，粒子群算法优化BP神经网络参数的模拟电路故障诊断模型（BPNN2）；

（3） 粒子群算法选择模拟电路故障诊断特征，然后随机确定BP神经网络参数的模拟电路故障诊断模型（BPNN3）。

共收集100个模拟电路故障诊断的训练样本，50个模拟电路故障诊断测试样本，采用PSO?BPNN对训练样本进行学习，所有模型都运行100次，然后统计测试样本的实验结果，其平均诊断率和误诊率如图3，图4所示，对图3，图4的模拟电路故障诊断结果进行对比和分析，可以得到如下结论：

（1） 与BPNN1的实验结果相比较可以发现，BPNN2获得了更优的模拟电路故障诊断结果，因为BPNN2采用粒子群算法优化了BP神经网络参数，使得模拟电路故障诊断率更高，这表明BP神经网络参数会影响模拟电路故障诊断的结果。

（2） BPNN3的模拟电路故障诊断也要优于BPNN1，这是由于粒子群算法对模拟电路故障特征进行了选择和优化，得到了对电路故障诊断结果有重要作用的特征子集。

（3） 在所有模拟电路故障诊断模型中，PSO?BPNN的模拟电路故障诊断率最高，误诊率得到了降低，这是由于BPNN2和BPNN3只从一个方面对特征或者BP神经网络参数进行了优化，没有同时对它们进行优化，因此不可能建立性能优异的模拟电路故障诊断模型，而PSO?BPNN同时从特征和BP神经网络参数两个方面进行优化，因而能够获得更加理想的模拟电路故障诊断结果。

4 结 语

传统模拟电路故障诊断模型仅对特征或者BP神经网络参数进行优化，易出现特征和分类器参数不匹配的问题，为此提出基于PSO?BPNN的模拟电路故障诊断模型，首先根据Volterra级数提取模拟电路工作状态的特征，然后采用BP神经网络作为模拟电路故障分类器，并利用粒子群算法优化特征和BP神经网络参数，最后进行仿真实验，仿真结果表明，PSO?BPNN解决了当前模拟电路故障诊断模型存在的局限性，获得了更高的模拟电路故障诊断率，在模拟电路故障诊断中具有广泛的应用前景。

参考文献

[1] 朱大奇.电子设备故障诊断原理与实践[M].北京：电子工业出版社，2008.

[2] 陈圣俭，洪炳熔，王月芳，等.可诊断容差模拟电路软故障的新故障字典法[J].电子学报，2006，4（2）：129?136.

[3] 金瑜，陈光福，刘红.基于小波神经网络的模拟电路故障诊断[J].仪器仪表学报，2007，28（9）：1600?1604.

[4] 刘本德，胡昌华，蔡艳宁.基于聚类和SVM多分类的容差模拟电路故障诊断[J].系统仿真学报，2009，21（20）：6479?6482.

[5] 黄洁，何怡刚.模拟电路故障诊断的发展现状与展望[J].微电子学，2004，34（1）：21?25.

[6] 彭敏放，何怡刚，王耀南.模拟电路的融合智能故障诊断[J].中国电机工程学报，2006，26（3）：19?24.

[7] 张超杰，贺国，梁述海.小波变换与主元分析相结合的模拟电路检测方法[J].哈尔滨工程大学学报，2010，31（5）：570?575.

[8] 刘美容，何怡刚，方葛丰，等.遗传小波神经网络在模拟电路故障诊断中的应用[J].湖南大学学报，2009，36（3）：40?44.

[9] 申宇皓，孟晨，张磊，等.基于同步优化的支持向量机模拟电路故障诊断方法研究[J].太原理工大学学报，2010，41（4）：420?424.

[10] 胡清，王荣杰，詹宜巨.基于支持向量机的电力电子电路故障诊断技术[J].中国电机工程学报，2008，28（12）：107?111.

[11] 王承，叶韵，梁海浪，等.基于多频测试和神经网络的模拟电路故障诊断[J].计算机工程与应用，2013，49（5）：1?3.

篇2

关键词：矢量量化；自组织特征映射神经网络；图像压缩；主元分析

中图分类号：TP183文献标识码：A文章编号：1009-3044(2008)36-2731-02

The Vector Quantization Based on PCA/SOFM Hybrid Neural Network

HUNG Cui-cui, ZHANG Jian

(Liaoning University of Technology Electronic and Information Engineering College, Jinzhou 121001, China)

Abstract: In order to improve the two main shortcomings of the Kohonen's self-organizing feature map(SOFM) that are high computation complexity and poor codebook quality, the author proposes a vector quantization algorithm based on PCA/SOFM hybrid neural network in this paper. Descend the dimension of imported vectors by using the principal component analysis (PCA) linear neural network. And then, use SOFM neural network to vector quantization. By modifying the learning-rate parameter, topology field weight and initial codebook of the SOFM neural network to optimize network. Simulation results demonstrate that the image compression algorithm can shorten the time and improve the performance of codebook.

Key words: Vector quantization(VQ); Self-organizing feature map neural network (SOFM); image compression; Principle component analysis(PCA)

1 引言

矢量量化[1,2]技术是一种利用图像数据空间相关性的高效有损压缩方法，它具有压缩比大，编码速度快等优点，目前己广泛用于信号识别、语音编码、图像压缩等领域中。矢量量化优越性的体现离不开性能良好的码书，因而，矢量量化的关键是如何设计一个最佳码书，使得用该码书中的码字表征输入矢量空间分布时所引起的量化平均失真最小。近年几来，许多学者将SOFM神经网络应用于码书的设计[3]。但SOFM算法存在收敛速度慢、计算量大等缺点。陆哲明和孙圣和针对SOFM基本算法的计算量大采用了快速搜索算法，为了提高码书性能对SOFM基本算法的权值调整方法作了一些改进[4]。目前越来越多的研究人员把目光投向将矢量量化与其他的编码方法相结合[5]。例如，矢量量化与小波变换结合的算法[6]，分形变换与矢量量化相结合的算法[7]。PCA是一种有效的图像变换编码算法，它能够提取图像数据的主特征分量，因此能够降低图像输入数据维数。SOFM算法用于图像矢量量化则具有不易受初始码书的影响，同时能够保持图像数据的拓扑结构等优点。为此本文将两者结合，提出了PCA/SOFM混合神经网络图像混合编码算法。先用PCA对图像进行降维处理，再用SOFM神经网络进行码书设计。本文还对码书的初始化的选择问题和神经网络的学习参数进行研究。实验表明，该算法不但大大降低了计算量，而且提高了码书的性能。

2 PCA/SOFM混合神经网络的算法

尽管SOFM神经网络比起LBG算法有很大优势，但SOFM算法仍然存在收敛速度慢。计算量大等缺点。因此本文将PCA与SOFM神经网络相结合，提出了PCA/SOFM混合神经网络。PCA/SOFM混合神经网络结构如图1所示，先用PCA线性神经网络对输入矢量降维处理，从而使得压缩图像达到最小失真。然后用SOFM神经网络进行码书设计， PCA线性神经网络采用Sanger提出的广义Hebb算法[8]。

2.1 基本PCA/SOFM混合神经网络算法

1) PCA网络权值Wpi,j和SOFM网络权值初始化；

2) PCA网络输出矢量Yp(t)：

(1)

N为PCA神经网络输入矢量Xp的维数。

3) Wpi,j网络权值调整：

(2)

4) 重复步骤(2)至(3)，直至算法收敛。输出矢量Ypi(t)，并将此作为SOFM的输入Xi(t)；

5) 计算矢量Xi(t)与权值矢量Wi,j(t)的距离：

(3)

6) 选择具有最小距离的输出节点，j*作为获胜节点，即：

(4)

7) Wij(t) 网络权值调整：

(5)

8) 重复步骤(5)至(7)，直至算法收敛。

9) 取输入训练矢量集的下一个输入矢量，回到步骤(2)反复进行，直到足够的学习次数或满足规定的终止条件为止。

10) 保存所有权值Wij的值，即设计码书。

2.2 PCA/SOFM混合神经网络的初始化和改进

在PCA/SOFM混合神经网络算法中网络的初始化、邻域函数和学习率函数非常重要，它直接影响到网络的收敛速度和码书的性能。本文要对这几个参数进行优化以提高压缩速度和压缩性能。本文采用一种改进的随机选取法，使空间分配均匀，不会出现码字空间分的过细或过粗的现象。首先，按k维矢量所有元素中最重要的单个元素(即k维欧氏空间中最敏感的方向)大小排序；然后按顺序每隔n个矢量取一个矢量作为初始码书的一个码字，完成码书的初始化（n=训练序列中矢量的总数/码书的大小）。

由SOFM基本算法可知，权矢量Wi(t+1)的更新实质上是权矢量Wit和训练矢量Xi(t)的加权和。其中学习率因子和邻域函数非常重要，它们决定算法的收敛速度。下面推导最优的学习率因子α(t)。由式（5）得：

(6)

可以总结得：

(7)

令多项式的各项相等可得到最优学习率因子：

(8)

其邻域函数取为：

(9)

式中，hcc典型地取为0.8。T为最大迭代次数，初始值σ0和最终值σT典型地取为0.8和0.1。

3 实验结果

为了验证算法的有效性，本文把基本SOFM编码算法、基本PCA/SOFM混合神经网络编码算法和改进PCA/SOFM算法分别用于图像的压缩编码。本文采用的是512×512像素，256级灰度的Lena图像用于训练图像进行码书设计。首先将图像分为4×4子块，然后将每一小块的16个像素灰度值作一个训练矢量，送入PCA线性神经网络。PCA线性神经网络输出节点为8维PCA变换系数矢量，同时将它作为SOFM神经网络的输入矢量，用于进行码本设计。进过多次实验，取其平均值作为实验结果，图3给出了各种算法在相同压缩比的情况下恢复图像的对比。表1给出了各算法编码后的尖峰信噪比PSNR和码书设计时间的比较。

从测试的结果可以看出改进PCA/SOFM算法优于基本SOFM算法和基本PCA/SOFM算法，该算法缩短了码书设计的时间，图像的恢复质量有所提高，取得了令人满意的结果。从而证明本文提出的算法是一种行之有效的方法。

4 结束语

篇3

只有清楚地了解电梯控制系统的运行原理才能够及时准确的诊断出电梯故障原因，因此清楚的了解电梯运行原理,每一个电梯维修人员必须要做到。电梯运行过程总体上可分为以下几个阶段：第一、登记层外召唤信号和登记内选指令阶段；第二、电梯门关闭或者电梯按照系统指令停运阶段；第三、启动阶段；第四、在到达信号记录的楼层前进行减速制动；第五、平层开门阶段。在整个过程中电梯需要从外界接收信号并处理，然后完成相应的指令或者输出信号，由此可以将电梯看作是一个完整的独立的系统，只需要外界给予相应的信号就可以自动的做出动作。电梯系统内部复杂的构件紧密的结合在一起，正是如此才使得电梯系统故障具有了复杂性、层次性、相关性以及不确定性的特点。

二、神经网络技术基本原理

生物学上的神经是由一个个简单的神经元相互连接进而形成了复杂的庞大的神经系统，同理，神经网络就是由大量简单的处理单元相互连接形成的复杂的智能系统。单独的处理单元类似于一个神经元，是一个可以接受不同信息但是只输出一种信息的结构单位。神经网络系统与生物学神经系统相似的是具有自我修改能力，它可以同时接收大量的数据并进行统一的分析处理，进而输出相应的处理结果。这就使得神经网络系统具有了高度容错性、高度并行性、自我修改性、学习性以及高度复杂性，也正是由于这些特性才使的利用神经网络技术能够及时准确的查明电梯故障原因并得出故障解决方案。电梯故障诊断中应用的神经网络模型分为三个层次：输入层、接收外部信号或者是电梯自我检测信息（如载重信息）；隐含层、对接收到了大量数据进行相应的分析处理；输出层、将记录着动作命令的数据传送出来。在电梯出现故障时，首先可以通过神经网络模型快速确定故障发生在哪一层达到节约时间的目的。但是神经网络也会因为收敛速度过于慢、训练强度太大或者是选择的网络模型不好等问题导致诊断结果受到影响。

三、神经网络模型在电梯故障诊断中的应用分类

神经网络模型已经成为了如今电梯故障诊断中应用最广泛的技术模型，相比于传统方式它具有诊断速度快、故障原因命中率高的优点，因此引起了各方面专业人士的强烈关注，并在他们的不懈努力下得到了发展与创新。它跨越多个专业领域、通过对各种复杂的高难度工作的不断的发展与改进出现了越来越多的应用模型，下面主要介绍了当前应用最普遍的BP网络模型，并且简单的引入并介绍了近年来新兴的模糊神经网络模型和遗传小波神经网络模型。

（一）BP网络模型

BP神经网络作为神经网络应用最广泛的一种，它多应用的误差反向传播算法使其在模式识别、诊断故障、图像识别以及管理系统方面具有相对先进性。基于BP网络的电梯故障诊断技术就是通过学习故障信息、诊断经验并不断训练，并将所学到的知识利用各层次之间节点上的权值从而表达出来。BP网络系统的主要诊断步骤主要可以分为三步。第一步：对输入输出的数据进行归一化处理，将数据映射到特定的区间。第二步：建立BP网络模型，训练BP网络模型。第三：通过已经训练好的网络模型对原来的样本进行全面的检测。算法步骤：a、在一定的取值范围内对数据进行初始化；b、确定输入值数值大小，计算出预期输出量；c、用实际输出的值减去上一步得到的数值；d、将上一步得到的误差分配到隐含层，从而计算出隐含层的误差；e、修正输出层的权值和阈值，修正隐含层的权值；f、修正隐含层的阈值，修正隐含层和输入层的权值。

（二）遗传小波神经网络模型

遗传算法运用了生物界的优胜劣汰、适者生存的思想对复杂问题进行优化，适用于复杂的故障，起到了优化简化问题的作用。对局部数据进行详细的分析是小波法最大的特点，所以它被誉为“数字显微镜”。遗传算法小波神经网络就是运用小波进行分解的方法分解模拟故障信号，将得到的数据进行归一化，将归一化后的数值输入到神经网络模型中。它融合了神经网络、小波分析和遗传算法三者所有的优点。基于遗传小波神经网络的电梯故障诊断的一般步骤为：测试节点信号采样、小波分解、故障特征量提取、归一化得到训练样本集、遗传算法优化、得到故障类型。遗传小波神经网络模型在故障原因复杂、数据信息量巨大的电梯系统的应用中能够发挥更大的作用。

（三）模糊神经网络模型

模糊神经网络模型就是创新性的将神经网络与模糊理论结合到一起。它采用了广义的方向推理和广义的前向推理两种推理方式。与其它两种模型不同的是，它的语言逻辑、判断依据和结论都是模糊的。但是它的数据处理能力还有自我学习能力并没有因此而变差，反而更加丰富了它的定性知识的内容。在处理实际问题的过程中，首先要建立所有可能发生的故障的完整集合，其次将所有的故障发生原因归入到同一个集合中去，最后就是建立故障和原因的关系矩阵。分别叫做模糊故障集、模糊原因集、模糊关系矩阵。相较于BP网络模型，这种模型更加的简单易行，充分发挥了神经网络和模糊逻辑的优点，不会因为故障原因过于复杂而失去诊断的准确性，在原本丰富定性知识和强大数据处理能力的基础上具有了很大的自我训练能力。

四、结语

篇4

[关键词] BP神经网络 图像分类 Matlab 自适应特征因子 收敛速度 精度

中图分类号：P23 文献标识码：A 文章编号：1009-914X（2014）07-0321-03

1.引言

卫星遥感对地观测技术是人类获取资源环境动态信息的重要手段，无论是专业信息提取、动态变化预测、还是专题地图制作和遥感数据库的建立等都离不开分类。在数学方法的引入和模型研究的进展为影像的分类注入了新的活力，不同的数学方法和参数特征因子被引用到模型的研究上来，为模型研究的发展提供了广阔的天地。而基于改进的BP神经网络，更是融合了自适应特征因子和非线性函数逼近的网络模型，不仅学习速度快，而且有高度复杂的映射能力。

2.人工神经网络的分类方法

人工神经网络（Artificial Neural Network， ANN ）是基于生物神经系统的分布存储、并行处理及自适应学习这些现象构造出具有一些低级智慧的人工神经系统【1】。其概念是在20世纪40年代中期由McCulloch和Pitts提出的，70年代得到应用，80年代以来，随着计算机技术的发展而得到了快速的发展，属于非线性学科，具有强抗干扰性、高容错性、并行分布式处理、自组织学习和分类精度高等特点。

近年来，神经网络被广泛应用于遥感图像分类中，不同学者分别提出或应用了Hopfield神经网络、BP网络、自组织映射网络、小波神经网络、细胞神经网络、模糊神经网络等对遥感图像进行分类【2】。这些神经神经网络在遥感图像自动分类上都有一定的应用，并取得较好的效果。本文基于此，对传统的BP算法进行了改进，提出了在Matlab软件提供的神经网络工具箱中，对BP神经网络的权值，学习率进行分析。重点是运用数学中自适应特征因子，加快了迭代过程中的收敛速度，而且使精度更高。

3.BP神经网络

BP神经网络是一种通用性较强的前馈网络，它主要采用模式正向传递、误差信号反向传播的BP算法，实现输入到输出的映射，并且是非线性的，具有结构简单、可操作性强等优点，目前已被广泛应用【3】。

3.1 BP算法原理

学习过程由信号的正向传播与反向传播两个过程组成。正向传播时，输入样本从输入层传入，经各隐层逐层处理后，传向输出层。若输出层的实际输出与期望输出不符合时，则转入误差的反向传播阶段。误差反传是将输出误差以某种形式通过隐层向输入层逐层反传，并将误差分摊给各层的所有单元，从而获得各层单元的误差信号，此信号作为修正各单元权值的依据。

3.2 BP学习率的优化算法分析

为了加快神经网络的学习速度，对学习率的改进是BP算法优化的重要部分。因为BP算法是不断通过调整网络权值进行训练学习的，修正的大小受到学习率的控制，因此学习率的改进对整个网络的优化是很重要的。为了加快学习速度，研究者提出了很多的优化学习率算法，刘幺和等提出的具体优化公式为[4]： η=Ae-λn. （1）

此算法优于学习率固定的传统BP算法，减少了网络学习过程中的学习次数，但同样存在着其它问题，首先，模型中A的取值范围并不适用于所有神经网络，由于它的取值决定了网络学习率的初始值，通过A确定的网络初始学习率可能使网络不收敛。其次，当网络误差下降速度快时，该算法反倒使网络收敛速度比较慢，这说明此时网络不适应这种情况。

在上述模型中，陈思依据可变学习率的变化，提出了另一改进模型，此方法的思想是，如果网络权值在实际情况中更新之后使误差值减小，此时就没有必要再减少学习率，如果保持原学习率不变，不仅增加了训练速度，而且修改权值的幅度会大些，训练效果会更好一些。改进后的模型为[5]：

此算法优点是如果误差下降速度明显增快，则说明此时的学习率比较合适训练，不需调整。

面对现代科技的飞速发展，国内外竞相发展以高空间、高光谱和高动态为标志的新型卫星遥感对地观测技术，提供了海量的信息源，加大了人们对空间的认知，对信息世界的分类利用，但是人们的优化算法远远跟不上丰富的信息源。对此，针对上面学习率算法，虽然有很大的改进，但处理速度还远远不够，还需要优化。

3.3 网络隐层的节点数确定

BP人工神经网络拓扑结构中，输入节点与输出节点是由问题的本身决定的，关键在于隐层的层数与隐节点的数目，在Robert Hecht Nielson等人研究指出，只有一个隐层的神经网络，只要隐节点足够多，就可以以任意精度逼近一个非线性函数【6】。

因此隐节点的确定关系到整个网络的处理，下面是关于隐节点数确定的的方法：

其中Hpi隐节点i在学习第p个样本时输出，Hpj是隐节点j在学习第p个样本时的输出，N为学习样本总数，而Hpi与Hpj的线性相关程度愈大，互相回归的离散度越小，反之，则相反。

当同层隐节点i和j的相关程度大，说明节点i和j功能重复，需要合并；当样本散发度Si过小，说明隐节点i的输出值变化很少，对网络的训练没起到什么作用，可以删除。因此根据这样规则可以进行节点动态的合并与删除。

4.特征因子算法加入

神经网络在遥感图像分类中的优势越来越明显，很多人对其进行了研究与应用。对此，本文对前人的算法进行了优化，主要是进行网络权值修正速度的加速，在算法优化中，引入了数学中的特征因子加速收敛方法，其保证精度下，使网络的迭代收敛速度大大加快。

具体算法思想过程如下：在BP神经网络学习阶段，当遥感图像的特征样本数据由输入层到隐含层，然后再传输到输出层，最后得到的输出数据与目标数据会产生误差，然后在返回到隐含层来调整网络权值，直至误差达到所要求的精度范围为止。在迭代过程中，为了使误差迅速减小到精度范围内，特征因子算法被引入到网络权值调整上：

在第一次迭代 ：

其中x0为输入向量，y1为第一次输出向量，T为目标向量，第一次迭代生成的T1为目标向量T的近似值，Tk+1为迭代N次（1，2，3，…）目标向量T的近似值。在运用特征因子迭代收敛加速方法中，比以往的算法得到优化，加速了网络权值调整的收敛速度，且使结果的精度得到保证。

5.实验过程与精度评定

本次实验是在Matlab环境下开发的神经网络工具箱中来进行展开的，神经网络工具箱是MATLAB环境下开发出来的许多工具箱之一。它以人工神经网络理论为基础，利用MATLAB编程语言构造出许多典型神经网络的框架和相关的函数【7】。此工具箱可以用来对BP神经网络训练函数的创建，下面是具体的实验过程：

（1）选取QuickBird卫星影像，在影像上选取各类别的特征样本，要求样本数量得足够多。然后进行特征选取，一般是选取象元的多光谱特征的特征向量，以此确定特征矩阵p。为了方便在训练阶段的学习，需把向量值归一化，在根据特征向量，确定输入层节点数为5。

（2）进行BP神经网络的构建，其中隐层网的节点数是根据前面提到的方法，节点数经过合并与删除之后最终确定为25；根据待分类影像的类别分别是公路用地、内陆滩涂、旱地、水工建筑用地、裸地、坑塘水面、林地、水库水面、采矿用地、城市、村庄、水浇地、设施农用地、建制镇、果园、灌木林地、风景名胜及特殊用地、其他林地、其他草地，输出层节点数确定19；目标向量可用以下形式表示：

（1，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0） 表示公路用地

（0，1，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0） 表示内陆滩涂

（0，0，1，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0） 表示旱地

（0，0，0，1，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0） 表示水工建筑用地

（0，0，0，0，1，0，0，0，0，0，0，0，0，0，0，0，0，0，0） 表示裸地

（0，0，0，0，0，1，0，0，0，0，0，0，0，0，0，0，0，0，0） 表示坑塘水面

（0，0，0，0，0，0，1，0，0，0，0，0，0，0，0，0，0，0，0） 表示林地

（0，0，0，0，0，0，0，1，0，0，0，0，0，0，0，0，0，0，0） 表示水库水面

以此类推直到最后类别的表示……

（0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，1） 表示其他草地

调用Matlab神经网络工具箱中的函数，另外为了加入特征因子算法，需要创建网络的权值学习函数learnc，p1是输入训练样本，p2是输入未知样本向量。部分代码如下：

net=newff（minmax（p），[25，19]，{‘tansig’，‘logsig’}，‘traingdx’，‘learnc’）；

net.trainParam.show=300；

net.traimParam.epochs=1600；

net.train.goal=0.01；

net=init（net）；

net=train（net，p1，T）；

Ye=sim（net，p2）；

（3）在步奏（2）的基础上，进行训练学习。创建的网络权值函数加入特征因子后，在学习阶段收敛速度明显增快 。使调整后的网络权值尽快达到了用户设定精度范围。

（4）学习阶段完成后，开始进行分类阶段。把未分类的QuickBird卫星影像的特征向量值输入到神经网络中，进行分类，根据输出向量y与目标向量T进行对比，然后把象元分类到自己所属的类别区。直到影像被分类完为止。

（5）分类结果图如下：

（6） 下面是对分类结果进行精度评定，采用误差矩阵法来评定精度。总体精度可达到93.89%，其他各个类别的用户精度和生产者精度都很高，最低的不低于82.43%，满足用户的需求，达到使用的目的。

6.结束语

BP神经网络的非线性映射，自适应功能等优势已在遥感图像分类中得到广泛的应用，本文基于前人的优化算法，提出了在网络权值调整过程中的特征因子迭代加速算法，使学习阶段的权值调整速度明显加快。但在分类精度上改变较小，在提高精度上，是以后继续研究改进的方向。

参考文献

[1] 叶世伟 史忠植（译） 神经网络原理 北京：机械工业出版社，2004

[2] Dony R D，et al. Neural network approaches to image compression[J].Proc IEEE，1995，83：288-303.

[3] 史忠植.智能科学[M].北京：清华大学出版社，2006.

[4] 刘幺和，陈睿，彭伟，等.一种BP神经网络学习率的优化设计[J].湖北工业大学学报，2007，22（3）：1-3.

[5] 陈思 一种BP神经网络学习率的改进方法[J].长春师范学院学报（自然科学版），2010.8.25-27

[6] 李晓峰，徐玖平，王荫清等。BP人工神经网络自适应学习算法的建立及其应用[J].系统工程理论与实践，2004.5 . 3-4

[7] 楼顺天，等.《基于Matlab的系统分析与设计---神经网络》. 西安：西安电子科技大学出版社，2000.8.23-40

篇5

摘要：固体氧化物燃料电池（SOFC）作为一种新的能源形式，日益受到重视.针对SOFC 系统过于复杂，现有的理论电压模型存在明显不足的特点，绕开了SOFC 的内部复杂性，利用经过粒子群算法（PSO）优化的广义回归神经网络（ GRNN ） 对SOFC 系统进行辨识建模.以氢气流速为神经网络辨识模型的输入量，电流/电压为输出量，建立SOFC 在不同氢气流速下的电池电流/电压动态响应模型.仿真结果表明所建模型能基本表示出SOFC系统的电流/电压的动态响应，说明利用GRNN建模的有效性，所建模型精度也较高.

关键词：

固体氧化物燃料电池； 广义回归神经网络； 粒子群算法； 辨识建模

中图分类号： TM 911文献标志码： A

固体氧化物燃料电池（SOFC）作为第三代燃料电池，是目前国际上正在积极研发的新型发电技术之一.它是一种将气体或者气化燃料的化学能直接转化成电能和热能的能量转换装置[1].SOFC除了具有一般燃料电池高效率、低污染的优点外，还具有噪音小、无泄漏、无电解质腐蚀、寿命长等优点.SOFC处于高温密闭的环境，不易测量内部状态，试验分析代价很高，而数值模拟和仿真则比较容易实现，因此，数学建模是燃料电池开发的一个重要工具.世界各国研究人员采用电化学、材料学、热力学、流体动力学等相关理论建立了SOFC一些比较完善的数学模型[2-5].但是，这些模型表达式过于复杂，很难用于控制系统的设计，特别是在线控制[6].本文试图绕开SOFC系统的内部复杂性，利用神经网络对SOFC这个非线性系统建模.神经网络建模具有传统方法不具备的很多优点，只要通过过去的经验对历史数据进行训练和学习，网络就能“模拟”并“记忆”输入变量和输出变量之间的关系，处理各种数据，通过“联想”实现预报.广义回归神经网络（GRNN）设计简单、收敛快，结果稳定，并利用粒子群算法（PSO）对其光滑因子进行优化，采用优化后的神经网络对SOFC进行辨识建模.本文仿真得到不同氢气流速下的电流/电压特性，说明所建模型的有效性，为SOFC系统的在线控制研究奠定了一定的基础.

4结论

根据电化学、材料学等建立的SOFC理论模型都比较复杂，很难用于SOFC控制系统的控制设计.所以，本文采用GRNN神经网络，并利用粒子群算法进行优化，建立SOFC系统在三种氢气流速下的电压辨识模型.仿真结果表明，利用GRNN对SOFC建模是可行的，且精度也很高，对SOFC电压特性模型有很好的辨识作用.同时，这种建模思路是易操作的，需要调整的参数少，能很快计算出结果，可推进SOFC的在线控制研究.

参考文献：

[1]AGUIAR P，ADJIMAN C S，BRANDON N P.Anodesupported intermediate temperature direct internal reforming solid oxide fuel cell.I：modelbased steady state performance [J].Journal of Power Sources，2004，138（1/2）：120-136.

[2]ACHENBACH E.Threedimensional and timedependent simulation of a planar SOFC stack [J].Journal of Power Sources，1994，49（1-3）：333-348.

[3]COSTAMAGNA P，SELIMOVIC A，DEL BORGHI M，et al.Electrochemical model of the integrated planar solid oxide fuel cell （IPSOFC） [J].Chemical Engineering Journal，2004，102（1）：61-69.

[4]SUDAPRASERT K，TRAVIS R P，MARTINEZBOTAS R F.A computational fluid dynamics model of a solid oxide fuel cell [J].Proceedings of the Institution of Mechanical Engineers，Part A：Journal of Power and Energy，2005，219（A3）：159-167.

[5]PADULLES J，AULT G W，MCDONALD J R.An integrated SOFC plant dynamic model for power systems simulation [J].Journal of Power Sources，2000，86（1/2）：495-500.

[6]吴小娟，朱新坚，曹广益，等.基于神经网络的固体氧化物燃料电池电堆建模[J].系统仿真学报，2008，20（4）：1068-1071.

[7]史峰，王小川.MATLAB神经网络30个案例分析[M].北京：北京航空航天大学出版社，2010.

[8]黄金杰，夏静，满春涛，等.一种参数优化旋转广义回归神经网络模型[J].电机与控制学报，2009，13（3）：442-447.

篇6

[关键词] 小生境遗传算法 神经网络 股票 预测

一、引言

股票和股票市场对国家企业的经济发展起到了积极的作用，如可以为投资者开拓投资渠道，增强投资的流动性和灵活性等。但股票价格的形成机制是颇为复杂的，股票价格既受到多种因素，诸如:政治，经济，市场因素的影响，亦受技术和投资者行为因素的影响，个别因素的波动作用都可能会影响到股票价格的剧烈波动。因此，股票价格和各影响因素之间很难直接建立明确的函数关系表达式。针对这一情况，将可有效处理非线性问题的神经网络引入到股票价格的预测中来，但神经网络收敛慢,易陷入局部极小点，出现振荡，鲁棒性差。所以有的学者用遗传算法(ga)来优化神经网络，这种神经网络可能获得个别的甚至局部的最优解,即ga早熟现象。本文引进能较有效地保持种群多样性的小生境遗传算法(nga),采用nga优化与用ga优化的bp网络权值进行对比,证实了nga的判别准确性和寻优能力。

二、小生境遗传算法优化的神经网络

1.bp神经网络

反向传播(bp)算法又称为误差逆传播校正方法，它是1974年p.werbos(哈佛大学)提出的。133229.CoMbp算法用来训练多层前馈神经网络,属于监督学习算法。bp网络具有结构清晰，易实现，计算功能强大等特点。因而是目前最常见，使用最广泛的一种神经网络。但是在实际应用中，传统的bp算法存在以下问题:收敛速度慢;若加快收敛速度易产生振荡；存在局部极小和平台问题;泛化能力差;隐节点数和初始值的选取缺乏理论指导;未考虑样本选择对系统学习的影响等。所以很多学者提出许多改进的方法，用小生境遗传算法优化神经网络权值的神经网络来预测股票价格。

2.小生境遗传算法

小生境遗传算法(iche genetical gorihm)的基本思想是:首先比较任意两个个体间的距离与给定值的大小，若该距离小于给定值，则比较其适应值大小。对适应值较小的个体施加一个较强的惩罚，极大地降低其适应值。也就是说，在距离l内将只有一个优良个体，从而既维护了群体的多样性，又使得各个体之间保持一定的距离，并使得个体能够在整个约束空间中分散开来。

3.神经网络连接权的优化

用小生境遗传算法可以优化神经网络连接权，神经网络结构，学习规则等，这里我们对神经网络的连接权进行优化，具体步骤如下：

（1）随机产生一组权值分布，采用某种编码方案对该组中的每个权值(或阈值)进行编码，进而构造出一个码串(每个码串代表网络的一种权值分布)，在网络结构和学习规则已确定的前提下,该码串就对应一个权值和阈值取特定值的一个神经网络。

（2)对所产生的神经网络计算它的误差函数，从而确定其适应度函数值，误差越大,则适应度越小。

（3)选择若干适应度函数值最大的个体,直接遗传给下一代。

（4)利用交叉和变异等遗传操作算子对当前一代群体进行处理，产生下一代群体。

（5)重复（2）（3）（4），使初始确定的一组权值分布得到不断地进化,直到训练目标得到满足为止。

这种由小生境遗传算法训练神经网络的方法也可以称做混和训练法。将基于小生境遗传算法的遗传进化方法和基于梯度下降的反传训练相结合,这种训练方法吸取两种方法的各自特点，所以收敛速度快。

三、股票价格预测仿真

根据经验选取输入预测日前四天开盘价、收盘价归一化后做为作为输入量，输出为第五天收盘价归一化数值。所以，本文采用神经网络结构为(8,5,1),即网络的输入层6个节点,隐含层9个节点,输出层1个节点。本文选择了“xdg 新梅（600732）”从2006年3月14日到2006年7月1日数据进行了仿真。利用matlab6.5编程，取70组训练样本和30组测试样本。如图（1）表示用遗传算法和小生境遗传算法对神经网络的权值进行优化时，误差曲线变化;从图中可以看出，小生境遗传算法收敛速度要快;图（2）表示股票预测值和实际值比较，从图中可以看出，遗传算法和小生境遗传算法对神经网络的权值的模型进行股票价格的预测，都能预测出股票走向趋势，但是，后者的预测精度显然要比前者高。

四、结束语

股票市场的不确定因素太多，股票的价格更是多种因素影响的集合体，是典型的非线性动力学问题。股票价格的中长期准确预测很难。本文建立了用小生境遗传算来优化神经网络模型来预测股票价格，结果表明，这种方法比单用遗传算法优化的神经网络收敛速度快，预测精度高。对于股票价格预测具有较好的应用价值。

参考文献:

[1]龙建成李小平:基于神经网络的股票市场趋势预测[j].西安电子科技大学学报(自然科学版.2005.3（32）:460-463

[2]王波张凤玲:神经网络与时间序列模型在股票预测中的比较[j].第27卷第6期武汉理工大学学报·信息与管理工程版.2005.9（27）:69-72

篇7

【关键词】BP神经网络；PID控制；直流电机调速系统

1.引言

PID控制以其算法简单，鲁棒性好和可靠性高等优点，广泛地应用于工业生产当中，成为衡量各行各业现代化水平的一个重要标志。随着科学技术的发展，生产工艺的日益复杂化，生产系统具有非线性，时变不确定性，在实际生产中，常规PID控制器参数往往整定不良、性能欠佳，对运行工况的适应性很差[1]。

BP神经网络具有良好的自学习、自适应能力和鲁棒性，可以用来处理高维、非线性、强耦合和不确定性的复杂控制系统。本文结合BP神经网络的优点和传统PID控制的优势，对PID控制器进行优化，使其具有很强的自适应性和鲁棒性。通过对直流电机调速系统仿真，结果表明，这种方法是有效的。

2.PID控制原理

PID是工业生产中最常用的一种控制方式，PID调节器是一种线性调节器，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（D）通过线性组合构成控制量，对控制对象进行控制。传统的PID控制系统原理框图如图2.1所示，系统主要由PID控制器和被控对象组成。它根据给定值rin（t）与实际输出值yout（t）构成控制偏差额e（t）：

图2.1为PID控制系统原理框图。

3.基于BP神经网络的PID整定原理

PID控制要取得好的控制效果，就必须通过调整好比例、积分和微分三种控制作用在形成控制量中相互配合又相互制约的关系，这种关系不一定是简单的“线性组合”，而是从变化无穷的非线性组合中找出最佳的关系[2]。BP神经网络具有良好的自学习、自适应能力和鲁棒性，将PID和BP神经网络结合起来，建立参数自学习的PID控制器。其结构如图3.1所示。

经典增量式数字PID的控制算式为：

式中，是与、、、u（k-1）、y（k）等有关的非线性函数，可以用BP神经网络通过训练和学习找到这样一个最佳控制规律。

假设BP神经网络NN是一个三层BP网络，其结构如图3.4所示，有M个输入节点、Q个隐层节点、三个输出节点。输出节点分别对应控制器的三个可调参数，，。其激发函数为非负的Sigmoid函数。而隐含层的激发函数可取正负对称的Sigmoid函数。

神经网络的前向算法如下：设PID神经网络有M个输入，3个输出（，，），上标（1）（2）（3）分别代表输入层、隐含层和输出层，该PID神经网络在任意采样时刻k的前向计算公式（3-3）如下所述：

基于BP神经网络PID控制算法可以归纳为：①选定BPNN的结构，即选定输入层节点数M和隐含层节点数Q，并给出各层加权系数的初值，选定学习速率和惯性系数；②采样得到和，计算；③对进行归一化处理，作为BPNN的输入；④计算BPNN的各层神经元的输入和输出，输出层的输出即为PID控制器的3个参数，，；⑤计算PID控制器的输出，参与控制和计算；⑥计算修正输出层的加权系数；⑦计算修正隐含层的加权系数：⑧置，返回②[3]。

4.仿真实例

仿真试验中所用的直流电机参数Pnom =10kw，nom=1000r/min，Unom=220V，I=55A，电枢电阻Ra=0.5Ω，V-M系统主电路总电阻R=1Ω，额定磁通下的电机电动势转速比=0.1925V.min/r，电枢回路电磁时间常数Ta=0.017s，系统运动部分飞轮距相应的机电时间常数Tm=0.075，整流触发装置的放大系数=44，三相桥平均失控时间Ts=0.00167s，拖动系统测速反馈系数=0.001178V.min/r，比例积分调节器的两个系数T1=0.049s，T2=0.088s。BP神经网络的结构采用4-5-3，学习速率和惯性系数，加权系数初始值取区间[-0.5，0.5]上的随机数。利用simulink模块建立模型如图4.1所示。

从上面的仿真结果中，进行比较分析后，可以得出常规PID控制系统BP神经网络PID控制系统两者对于在零时刻加幅度为1的阶跃信号，它们有着不同响应曲线。为了便于比较，可以将两者的响应结果列表，见表4.1。

5.结论

由仿真结果可知，BP神经网络控制系统的最大超调量和调整时间均比常规PID控制系统的最大超调量要小。这说明利用BP神经网络对PID控制器进行优化具有有良好的自学习、自适应能力和鲁棒性，在工业生产中，具有更高的价值。

参考文献

[1]王敬志，任开春，胡斌.基于BP神经网络整定的PID控制[J].工业控制计算机，2011（3）：72-75.

篇8

关键词：BP神经网络；时间序列；猪肉价格预测

1 概述

BP算法是很成熟的多层前馈网络训练算法，BP算法自身有收敛速度慢，容易产生局部极小值和弱推广能力等问题[1]。但由于BP算法方便简单，运算速度快，并行性强很多优点，可以用来预测猪肉价格。BP神经网络分为信息的正向传播与误差的逆向传播两个部分[2]。在正向传播过程中，正向传播包括输入层、隐含层和输出层三层，通过这三层的信息处理并输出，得出预测结果。若实际输出与期望输出不符，则进入误差的逆向传播阶段，按误差梯度下降的方式修改各层权值，依次逆传。不断学习训练，直到网络输出误差达到可接受范围[3]。

2 BP神经网络设计

进行BP网络设计时，考虑以下几个方面：

2.1 网络层数的选定

关于BP神经网络算法，只关注单因素预测模型，即猪肉价格自身的数据预测。由于查找历史数据有限，不需选择增加网络层数的办法而是选择增加隐含层神经元节点的数目来提高输出结果的精度[4]。所以，选用单一隐层的BP神经网络模型。

2.2 输入输出层神经节点

对于输出层，有

可以看出，2015年7月份到12月份的猪肉价格预测结果与实际值最大误差仅为0.01，说明所建模型科学合理，可以用来预测猪肉价格。

3.3 价格预测

运用2014年7月到2016年3月间吕梁某城区每月的猪肉平均价格数据来进行预测。将数据归一，构建BP神经网络模型。经过多次实验得出隐含层节点数为8时，预测误差最小，拟合度最高。循环次数为5000次，优化目标为0.01，训练模拟数据后，预测出2016年4月到9月的猪肉价格走势。

4 结论与分析

通过对猪肉价格本身变化趋势进行研究，建立了基于时间序列的神经网络模型。结果对检测样本误差检测，得出均方误差较小，表明预测效果良好，说明所建模型较为科学合理。

参考文献

[1]吴凌云.BP神经网络学习算法的改进及其应用[J].信息技术，2003：

75-90.

[2]翟旭瑞，吕振中.基于BP神经网络的大坝安全监测系统评价研究[J].水资源与水工程学报，2007.

[3]平平，方芳，田野.组合预测模型在猪肉价格预测中的应用研究[J].计算机工程与科学，2010（32、5）：109-112.

[4]孙海涛，杨德平，李聪.基于BP神经网络的我国股指期货价格预测[J].青岛大学学报，2012.

篇9

关键词： 闭环液压控制系统；自组织双模糊神经网络；执行机构

中图分类号：TU984 文献标识码：A 文章编号：1671－7597（2012）0720088－02

0 引言

液压控制在工业系统中的地位不言而喻，提高系统精度和响应速度是液压控制领域有待持续性研究的课题。针对按照预设流量和压力进行精确控制的液压系统，本文提出一种基于Mamdani型模糊神经网络和多线程思想的闭环自组织双模糊神经网络液压系统模型，其关键点是模糊神经网络控制模型和执行机构。

1 液压系统模型

液压系统采用挤压式液体供给方式，由工控机、增压气体贮箱、液体贮箱、流量控制阀、流量和压力检测装置和气体传送管道组成闭环系统，如图1所示。

该液压系统模型工作原理是：将增压惰性气体压入液体贮箱，其进入液体贮箱时的流量和压力由阀门控制，惰性气体推动液体贮箱中的隔板，迫使隔板另一侧的液体进入传送管道，并顺管道进入液体使用对象。假设液体贮箱中是理想流体，根据理想流体伯努利方程，可知，通过调节液体贮箱压力，能够改变液体使用对象入口处液体压力，因此，通过调节增压气体流量可达到调节液体进入液体使用对象时流量和压力的目的。液体贮箱和液体使用对象之间安装有压力计和流量计，能够测得当前实际压力和流量，计算机将其与预设压力和流量进行对比，按照一定的算法得出增压气体流量调节方案。

2 模糊神经网络控制模型

2.1 控制模型

根据液压系统模型工作原理，闭环控制系统输入数据为预设压力、预设流量、实际压力和实际流量，根据模糊控制原理，可将以上四个数据转化为压力差、压力差变化率、流量差、流量差变化率，由这四个分量组成的输入数据作为闭环控制算法的输入向量，对执行机构的指令为该算法的输出向量。

模糊神经网络不依赖精确的数学模型，能够通过学习优化自身性能，在逻辑上能够实现并行计算等优点[1]，本文提出一种基于模糊神经网络的液压控制器模型，该模型由两组独立的模糊神经网络并联组成双模糊神经网络，在初始时刻，这两组模糊神经网络具有相同的结构和网络连接权值，在控制系统运行过程中，两组模糊神经网络分别承担系统学习和控制任务，经过一定系统周期后，同步两组模糊神经网络参数。

综上所述，控制模型如图2所示。

在图2中，X表示输入向量，含有四个分量：x1、x2、x3和x4，分别表示压力差、压力差变化率、流量差和流量差变化率，这四个分量综合作为模糊神经网络控制器的输入向量。在图2中，虚线框中的部分为双模糊神经网络，其中Layer1为接收传感器数据 的输入层；Layer2为两个具有相同结构的自组织模糊神经网络层；Layer3为输出控制信号

的输出层。

2.2 模糊神经网络模型

传统基于模糊控制步骤的模糊神经网络常由五层构成，但是，三层BP神经网络可以逼近几乎所有的非线性系统，所以设置五层神经网络不但使系统复杂化，而且增加了神经网络逼近稳定状态的难度[2，3]，因此，设计模型由输入层、隶属函数层、输入越界判断层、模糊规则层和输出层组成，可调节连接权值只出现在模糊规则层和输出层之间，其余各神经元间的连接权值均为1且不可调，本模型包含一层真正意义上的神经网络，既简化了神经网络结构又按照模糊控制步骤设计；但是隶属函数和模糊规则实际上仍然属于模糊控制范畴，不但需要在设计初期就确定下来并且在系统运行过程中不会被优化，本文根据文献[4]提出的一种剪枝算法，通过专用算法调整神经网络中神经元的个数，解决了隶属函数和模糊规则在系统运行过程中的优化问题；为了处理意外出现的越界参数，在隶属函数层后增加越界参数判断层，越界参数判断层的输出汇总后作为处理越界参数的依据。

因此，以模糊控制步骤为基础，构造四层类神经网络，四层分别是输入层、隶属函数层、模糊规则层和输出层，模糊规则层神经元和输出层神经元之间有可变连接权值；因为隶属函数和模糊规则相互对应，因此将模糊规则层输出数据作为隶属函数和模糊规则调整的依据，基于以上考虑，本文提出的模糊神经网络模型结构如图3所示。

在图3中，两个矩形分别代表隶属函数与规则调整算法和输入越界处理算法，圆形代表神经元。与一般模糊神经网络结构不同的是第二层隶属函数层的输出数据连接两层不同的神经网络层；第四层规则层的输出数据分别连接输出层神经元和隶属函数与规则调整算法。

该模糊神经网络结构共有五层神经元节点和两个结构调整算法，各部分结构分别描述如下：

1）第一层：输入层，本层共有n个神经元，对应输入数据中的n维向量，本层只完成输入数据的接收功能，直接将输入数据传入下一层，不对输入数据进行任何计算，没有传递函数。

2）第二层：隶属函数层，神经元个数动态调整，本层模糊化输入向量，该层的每一个神经元代表隶属函数覆盖的一个区域，每一个第一层的神经元都有对应的隶属函数层神经元群，输入向量对本层某神经元的激发度对应于该输入向量在该神经元所表示的模糊区域的隶属度。

3）第三层：越界输入向量判断层，本层共有n个神经元，对应输入数据中的n维向量，判断某个输入向量是否超出现有的隶属函数覆盖区域，如果超出，则进入输入越界算法，否则不做运算。

篇10

关键词:智能化 交流电机 控制

中图分类号:文献标识码:A文章编号:1007-9416(2010)05-0000-00

引言

交流传动代替直流传动已成为不可逆转的趋势,由于交流电机的非线性多变量耦合性质,其控制策略的研究引起很多学者的兴趣。从控制原理和电动机模型出发,基于稳态模型的控制策略和基于动态模型的控制策略研究已经进入实用阶段,有些控制方法已经非常成熟。但是从本质上看,交流电动机还是非线性多变量系统,应该在非线性控制理论的基础上研究其控制策略,才能真正揭示问题的本质。非线性反馈解耦与精确线性化控制,基于无源性的能量成型非线性控制,基于逐步后推设计方法的非线性控制等等;虽然在理论上成果累累, 但由于它们的共同基础是已知参数的电机模型,参数的变化仍不可避免地要影响控制系统的鲁棒性。滑模变结构控制能使控制效果与被控对象的参数和扰动无关, 因而使系统具有很强的鲁棒性;它本质上是一种开关控制, 在系统中不可避免地带来“抖动”问题, 如何消弱抖动又不失强鲁棒性, 是目前需要研究的主要问题。近年来受到控制界十分重视的智能控制, 由于它能摆脱对控制对象数学模型的依赖,已成为众所瞩目的解决鲁棒性问题的重要方法。下面就交流传动中常用的智能控制策略进行梳理,对比分析他们的特点。

1 模糊控制

模糊控制是一种典型的智能控制方法,它不依赖被控对象的数学模型,可以克服非线性因素,对被调节对象的参数具有较强的鲁棒性,通常根据速度的误差信号和误差信号的微分设计在线调整系数或者结构的PID控制器,调整的策略采用模糊控制的原理。还有学者把模糊控制器的输出直接变为控制量,从仿真曲线来看,都取得了一定的效果。

由于常规模糊控制的控制规则一旦确定则无法改变,且存在稳态误差,对于控制性能较高的交流传动系统,常规模糊控制则无法胜任。自调整模糊方法根据系统性能指标调整比例因子,再根据误差E和误差变化EC修改规则因子

根据典型阶跃响应曲线,确定在系统不同运行阶段输出量U的控制规则。修正 自调整公式。修正 自调整公式。

但是这种方法在粗调比例因子 中,对数量级因子 要求过高若该值过大,系统易超调,过小调整次数相应增加,故应根据实际系统调整为一个适当的值,需经过反复。

模糊控制的最大优点是不依赖被控对象的数学模型,缺点是隶属度函数及控制规则必须经过反复精心整定,使得控制精度不高,由于控制规则经整定后就不再改变,当对象发生漂移时,不能进行有效调整,从而限制了自适应能力。人工神经网络具有很好的学习能力和准确的拟和非线性函数的能力模糊控制和神经网络相结合能克服这些缺点。

基于神经网络的模糊控制器实质是用BP网络表示模糊控制规则,模糊规则经过神经元网络的学习,以“权值”的形式体现出来,规则的生成和修正就可以转化为权值的初始确定和修改,在此基础上进行离线学习和在线学习。其缺点:虽然可以调整控制规则,但是由于神经网络学习速度的限制,导致系统有一定的滞后。

模糊控制在应用通常有以下的方法和趋势:

(1)参数自调整模糊控制

比例因子自适应调整法是根据e,ec的大小变化,不断修改其量化因子GE,GEC和控制量u的比例因子GU.

(2)将模糊控制与传统控制相结合,根据误差的大小,来选择不同的控制方式。

(3)与其它智能控制相结合。如神经网络,遗传算法,通过其他智能控制的特点来修改控制规则,适应系统实际的需要。

2 神经网络

采用基于BP学习算法的神经网络代替PID控制器发挥作用,它在输入端得到误差信号,误差经过处理后,分别做为比例项,积分项,微分项输入到神经网络。经过初始权计算后,在输出层得到一个输出信号提供给被控电机。电机输出经反馈到输入端与期望值比较后,得到新的误差信号,这个误差信号,以部分用于修正权值,以部分供给神经网络控制器作为修正权值,利用它重新计算得到一个新的输出,直到系统稳定。该方法代替原有PID控制方案,自适应特性良好,但结构规模较大,算法复杂,应用成本较高。

改进方法:BP+PID控制。输入提供给常规PID和神经网络控制器,根据被控对象的实际输出与期望值比较而得到的偏差,二者进行切换,送给电机做输入。该方法代替原有PID控制方案,自适应特性良好,但结构规模较大,算法复杂,应用成本较高。

单神经元是神经网络的最基本结构,在神经网络控制中,单神经元是最基本的控制单元。目前由于缺乏相应的足够快的硬件支持,大规模神经网络用于解决实时控制问题,速度难以满足需要,因此用单神经元构成控制器引起了控制学者的广发兴趣。

采用联想式学习规则将Hebbian学习和监督式学习相结合,通过关联搜索对未知的外界作出反映和作用。所以神经元方法的应用主要有以下特点:

(1)人工神经网络自适应控制

用人工神经网络代替传统的PID或PI控制器,这种控制器充分利用了神经元的自学习功能,在运行中根据被控对象特性的变化,对神经元的权值进行在线调整,使得整个控制器能得到PID控制的特性。其中算法有无监督的Hebb学习规则,有监督的Delta学习规则和有监督的Hebb学习规则。

(2)人工神经网络参数辨识和估计

如基于BP,神经网络和RBP神经网络和基于CMAC

(3)复合智能控制

将人工神经网络与其它智能方法结合,如迷糊控制,充分利用两者的优点控制系统的运行。加入遗传算法改进神经网络中的权值,适应系统变化。《遗传算法的神经网络在交流调速系统中的应用》

将人工神经网络与传统控制方法结合,如根据误差信号的大小。在线切换控制器,可以使系统具有更好的鲁棒性和自适应性。

但其中也有缺点:

(1)单神经元的在线自学习需要一定的时间,其权值调整有一个过程,导致系统的启动时间稍长。

(2)由于增益K不具备在线学习调整的功能,因此对于调速范围很宽的系统,难以保证在整个调速范围内都能够达到很好的调速性能。

3 遗传算法

由于遗传算法的快速全局收敛性以及增强式学习等性能,使其比常规的PI控制器及原有模糊控制器具有明显的优越性。基于遗传算法的自适应PI控制器主要原理是:遗传算法用作在线估计,控制信号由常规的PI控制器发出。先用遗传算法对原有PI参数进行离线优化,然后接入控制系统,一方面实时地给出最佳的PI参数,另一方面还要继续学习,不断的调整PI参数,以适应被控对象的变化。基于遗传算法的应用特点如下:

(1)遗传算法作为一种参数自寻优控制方法,可与传统方法相结合,在线调整控制器的参数,跟踪系统响应,提高控制精度。

(2)与其他智能控制方法相结合。如与模糊控制相结合,利用遗传算法寻的比例因子,规则因子或隶属度函数的最优值。与神经网络相结合,改变权值,适应系统的变化。

(3)提高遗传算法的计算精度可以与各种算法相结合。

有学者研究在永磁同步电动机上采用粒子群和模糊控制相结合的控制方法,主要思路如下:利用粒子群算法对控制器的3个比例因子参数Ka,Kb,Ku进行全局优化,这样就可以随环境变化及负载变化实时跟踪模糊控制器的参数变化,提高模糊控制器的鲁棒性和控制精度。

设计原理如下:

(1)确定粒子群的解空间及把真个解空间区域化。确定初始个体最优解和全局最优解。

(2)利用粒子群算法中的迭代公式得到新的解,并检验适应度函数。确定个体极值,并与全局最优解进行比较。若在允许误差范围内,停止迭代,否则重复2)

(3)此时得到的全局最优解做为模糊控制的三个比例因子。

这种控制策略的特点是:

(1)粒子群算法比遗传算法结构简单,运行速度快。

(2)粒子群算法的搜索空间也是建立在系统运用传统方法设计的基础之上的。

(3)为了避免粒子群优化算法在解空间搜索时出现在全局最优解附近“振荡”的现象,可对迭代更新公式中的加权因子w进行更新。

参考文献

[1] 刘航,徐杜,蒋永平.基于自调整模糊控制方法的变频调速实验系统.工业仪表与自动化装置 2002年第3期.

[2] 刘权中,李玉东,杜庆楠.模糊神经网络控制在交流调速系统中的应用.矿山机械 2004.04.

[3] 曲道奎,史敬灼.交流电机系统中的模糊控制研究.信息与控制 2003.02.

[4] 任敏.交流伺服系统神经网络PID控制.沈阳工业大学学报.2001年10 第23卷 第5期.

[5] 刘琴妹.神经网络控制的交流位置伺服系统.电气传动自动化.Vol.20,No.2May 1998

[6] 吴莹莹,夏斌,刘桥.遗传算法的神经网络在交流调速系统中的应用贵州大学学报 Vol.23 No.1 Feb.2006.

[7] 吕志来,张保会,哈恒旭.基于遗传算法的自寻优模糊控制器的研究与应用 煤矿自动化 2001年第2期.

[8] 林峰,蒋静坪.遗传算法在交流调速系统中的应用《电力电子技术》 1997年第2期.

[9] 胡海兵,胡庆波,吕征宇.基于粒子群优化的PID伺服控制器设计.浙江大学学报 2006年12月.第40卷第12期.

[10] 祁春清,宋正强.基于粒子群优化模糊控制器永磁同步电机控制.中国电机工程学报 2006年9月.第26卷 第17期.