神经网络的特性范文

导语：如何才能写好一篇神经网络的特性，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

摘要：

为更全面准确地评价产品造型设计，在近几年国内外产品评价系统研究的基础上，综合运用主成分分析法、聚类分析法、BP神经网络技术，对产品设计造型要素的感性意象进行定量化研究，建立和完善了产品设计评价的神经网络模型．并以园林工具割草机产品设计为例训练模型，验证了模型的可行性和有效性．

关键词：

产品设计评价；主成分分析；聚类分析；BP神经网络；感性工学

产品造型设计和评价是产品设计开发过程中的重要组成部分．近年来，国内外学者结合感性工学对产品造型设计和产品造型评价进行了大量的研究．产品造型设计是一项复杂的系统运行过程，除受客观条件如经济、技术、构造等要素的影响外，同时，社会审美、目标消费群的偏好、设计师经验、背景等因素也相互影响［1］．人工神经网络是伴随着生物学、数学、计算机等学科的发展而产生的一门新兴的综合交叉性学科．其中，最常见的是BP神经网络，它具备任意精度的函数逼近能力，具有自组织、自适应、自学习、高度非线性映射性、泛化性、容错性的优点［2］．BP神经网络因其很强的学习能力、抗故障性、并行性的优点，特别适合于解决上述非线性很高的复杂系统．割草机产品应用具有较强的地域性和个性化的消费者群细分，造型设计目前未形成系统的理论和方法．将BP神经网络法和遗传算法等应用于产品造型设计的评价系统中尚属于摸索阶段．文献［3］提出了BP神经网络技术与产品评价系统结合的可行性．文献［4］通过将遗传算法与神经网络相结合，进一步优化了产品设计评价模型的精度．产品造型设计与评价是个复杂的过程，需要多层次的系统分析．为此，本文将综合运用主成分分析法、聚类分析法与BP神经网络技术，定量地研究感性意象与产品造型设计之间的关系．以园林工具割草机产品为例，把产品造型要素的集合分组为由类似对象组成的多个类，分析影响割草机产品感性意象的主要造型特征，基于MatlabR2014a平台，建立BP神经网络模型，检测产品造型与目标消费者群体偏好之间的对应关系，以验证和提高产品设计评价模型的可行性和准确度．

1研究流程

本文以割草机产品为例，综合应用主成分分析、聚类分析方法和BP神经网络技术，对感性意象进行定量化研究，建立和完善产品造型特征与感性意象关系评价的神经网络模型．研究流程如图1所示．具体流程如下：

（1）通过网络调研并筛选得到描述割草机外形的形容词．

（2）通过网络搜集各国割草机图片样本，对图片进行去色、去标志处理，排除颜色和品牌对试验样本的影响．

（3）把7点量表建立在已经选择出来的感性意象形容词上，让每个测试者针对这些选定的形容词对每个试验样本打分．将试验所得数据运用主成分分析，并结合专家意见，确定最终描述词汇．

（4）将样本进行聚类分析，并通过专家对同类内样本共同特征的提取，明确影响割草机外形意象的造型特征，并分析各造型特征组合与感性意象的关系．

（5）建立BP神经网络模型，以试验数据训练神经网络模型．

（6）神经网络准确率检测，总结分析．

2割草机外观特征与感性意象认知关系量化试验

2．1试验准备

通过调研，共搜集整理近5年销售生产的割草机产品图片150张，分别来自不同国家和地区．对图片进行去色、去标志处理，以排除颜色、品牌及其他因素对试验样本的影响．利用KJ法［5］筛选得到20个图片样本，部分样本图片如图2所示．经过表1的分析可以得到形容词的意象空间，专家设计师结合这一意象空间进行总结和分析，得到其3个维度上的感性意象描述形容词，分别为“科技－落后”“朴素－华丽”“易用－复杂”．

2．3关键造型特征提取和聚类分析

将意象空间的样本进行聚类分析，把产品造型要素的集合分组为由类似的对象组成的多个类，分析影响割草机产品感性意象的主要造型特征．通过专家设计师评价和问卷调查统计，抽取同类样本内的共同特征，得到最主要的影响割草机感性意象的造型特征．聚类分析的结果如表2所示．

3BP神经网络模型建立、训练、预测

3．1BP神经网络模型建立

选用MatlabR2014a为平台进行BP神经网络结构的建立与模拟，其模型如图3所示．通过历史数据的训练，用以检测产品造型与其感性意向的对应关系，建立产品造型设计评价体系．经过数次预先进行的试验，确定神经网络结构为3层，输入层（包含2个节点）、隐含层（包含4个节点）、输出层（包含1个节点）．输入层是2个设计元素的编号组合，输出层是关于“科技的－落后的”这个语汇对的感性意象评价值．

3．2BP神经网络模型训练设置

BP神经网络的学习次数为5000次，采用梯度下降法，目标误差值为0．001，训练结果采用均方误差衡量，将表4中样本1＃～15＃的数据导入建立的网络，训练BP神经网络，在1753次训练时结果收敛，停止训练，其训练的结果如图4所示．由图4可得，其实际训练的误差值为0．00908．

3．3BP神经网络模型测试选用

表4中样本16＃～20＃测试神经网络预测能力，即将5个样本造型特征组合导入网络的输入层，将调查得到的数据与神经网络预测的感性评价值进行对比，结果如表5所示．由表5可见，实际感性评价值与预测感性评价值相对误差较小，说明网络精度达到要求，验证了割草机产品评价模型的可行性和有效性．

4结语

本文将主成分分析法、聚类分析法与BP神经网络模型相结合，对割草机产品造型设计与感性意象之间的关系进行分析，为产品造型设计符合目标消费群体需求提供客观评价帮助．但是本文只针对割草机的主要产品造型要素进行了试验，随着研究方法及科技的不断进步，结合色彩、材质、纹理甚至人机工程学等综合因素的研究将成为下一步的研究重点．基于神经网络的意象认知模型，还存在一定局限性，随着科技的发展，结合认知心理学、脑科学、人工智能等技术和方法将使相关研究得到更深入的发展．

参考文献：

［1］王爱华，孙峻．BP神经网络在工程项目管理中的应用［J］．建筑管理现代化，2009（4）：306－309．

［2］周美玉，李倩．神经网络在产品感性设计中的应用［J］．东华大学学报（自然科学版），2011，37（4）：509－513．

［3］赵万芹．基于BP神经网络的产品造型设计评价［J］．计算机工程与设计，2009，30（24）：5715－5717．

［4］林琳，张志华，张睿欣．基于遗传算法优化神经网络的产品造型设计评价［J］．计算机工程与设计，2015，36（3）：789－813．

［5］川喜田二郎．KJ法［M］．京都：中央公論新社，1986．

篇2

关键词：超声波测距，RBF网络，非线行误差校正

1、引言

超声波测距具有信息处理简单、快速和价格低，易于实时控制等许多优势，它被广泛的应用在各种距离测试的设备中。但超声波传感器在实际应用中也有一定的局限性。在超声波测距中，由于超声波传感器本身的结构和受外界温度等因素的干扰，其输入输出特性呈明显的非线性，靠硬件或软件补偿修正的方法对提高其测距精度的效果不大。所以，本文提出了基于径向基函数神经网络实现超声波传感器的建模，对超声波测距进行温度补偿和非线性误差校正的方法。

2、用 RBF神经网络改善超声波测距的精度

2.1神经网络实现非线性误差校正的原理

设超声波传感器要测量的实际距离为 d，实际距离d决定t2-t1，环境温度为T，超声波传感器测量输出的结果为h，经RBF网络校正后的距离为Dr，则超声波传感器测距系统可以表示为 h=f(d，T)，由于传感器产生的非线性误差和温度的影响，使得 f(d，T)呈现非线性特性。校正的目的是根据测的 h求未知的 d，即 d＝g(h，T)，也就是需要建立超声波传感器的模型其原理可以表示为图 1所示。

超声波传感器输出 Dr通过一个补偿模型，该模型的特性函数为Dr=g(h，T) ，其中Dr为非线性补偿后的输出， g(h，T)显然是一个非线性函数。通常非线性函数的表达式很难准确求解，但可以利用神经网络能很好地逼近非线性函数的特点，通过建立神经网络模型来逼近该非线性函数。本文选取RBF神经网络模型。

2.2 RBF 神经网络

RBF网络是一种局部逼近网络。它对于每个输入输出数据对 , 只有少量的权值需要进行调整。它采用一组正交归一化的基函数 ―― 径向基函数的线性组合来逼近任意函数。

常用径向基函数有高斯函数、多二次函数、薄板样条函数等。由于输入矢量直接映射到隐层空间 , RBF的中心确定后 , 这种非线性映射关系也就确定 ,因此 RBF的学习算法首先要确定径向基函数的中心 ,本文径向基函数的中心采用高斯函数（Radbas(n)=e-n2）,其隐含层的输入输出模型如图2。

对于本文的超声波传感器逆模型的RBF网络模型，输入为h和T，训练后的实际输出为Dr，期望输出为d。超声波传感器非线性校正逆模型采用RBF网络，输入层2个节点，输出层1个节点，扩展系数为0.5（实验结果表明扩展常数为 0.5 时对应隐含层神经元个数适中，故扩展常数选为 0.5），通过测量获取了50组数据集作训练样本，将输入量作归一化处理后，按照上述的RBF神经网络的学习方法学习。神经网络的训练和仿真是在Matlab 6.5环境下，通过神经网络工具箱，编制相应的程序而实现。

在matlab上应用 RBF神经网络进行仿真温度补偿和非线性误差校正后，系统的测距精度大大提高，表 1所示为未经神经网络处理和神经网络处理后的测距比较。

比较结果表明，神经网络处理后的结果与实际距离很接近，精度大大提高了。

3、结束语

实际应用中，超声波测距易受温度等多种因素的影响，利用RBF神经网络良好的非线性逼近特性、自适应能力学习能力，可优化超声波的输出特性，而且网络结构简单，便于单片机实现或固化在硬件中。仿真结果表明，利用RBF 神经网络能很好地逼近非线性函数，实现了超声波传感器建模，对传感器进行非线性误差校正，效果相当明显，大大提高了超声波测距的精度，使其测距误差控制在毫米级以内，这是采用其它校正方法是无法达到的。

参考文献：

[1]谭超，许泽宏，李维一，付小红，王健．基于小波神经网络建立虚拟仪器非线性较正型[J]．微计算机信息，2005．12（1）P157-159．

[2]田社平．基于神经网络模型的传感器非线性校正．（英文） 光学精密工程．2006

[3]Binchini M，Frasconi P，Gori M. Learning without local minima in radial basis function networks.IEEE Trans. on Neural Networks, 1995，6(3)：749～755）

[4] Xianzhong Dai， Ming Yin， Qin Wang． Artificial neural networks inversion based dynamic compensator of sensor.IEEE，2004，10：258－261

篇3

【关键词】PID控制;对角递归神经网络;交流伺服系统

1.引言

交流电动机伺服驱动系统由于其结构简单、易于维护的优点逐渐成为现代产业的基础。其中交流伺服系统在机器人与操作机械手的关节驱动以及精密数控机床等方面得到越来越广泛的应用。交流伺服系统由交流电动机组成，交流电动机的数字模型不是简单的线性模型，而具有非线性、时变、耦合等特点，用传统的基于对象模型的控制方法难以进行有效的控制。对于交流伺服系统的性能，一方面要求快速跟踪性能好，即要求系统对输入信号的响应快，跟踪误差小，过渡时间短，且无超调或超调小，振荡次数少。另一方面，要求稳态精度高，即系统稳态误差小，定位精度高。在交流伺服控制中，常规控制方法普遍是以PID控制为基础，然而单纯的PID控制存在超调量大，调节时间长，控制效率低等缺点，而且其参数的选取比较困难。近年来，随着计算机技术的发展，人们利用人工智能的方法将操作人员的调整经验作为知识存入计算机中，根据现场的实际情况，计算机能自动调整PID参数，这样就出现了智能PID控制器，并在实际工业控制中获得了许多成功的应用。大多数基于神经网络的自适应控制方案均采用多层前馈神经网络[1]，前馈神经网络是一个静态网络，然而，在处理交流电动机伺服系统中需要通过引入时滞环节来描述系统的动态特性[2]，但这就需要大量的神经元来表示动态响应。动态递归网络利用网络的内部状态反馈来描述系统的非线性动力学特性，能更直接地反映系统的动态特性，因此，比前向神经网络更适合应用于动态系统的控制问题[3]。对角递归神经网络[4，5]既具有一般动态网络易于处理动态非线性问题的特点，又具有结构简单、容易构造训练算法等优点。因此，本文采用对角递归神经网络整定PID控制控制的参数，仿真结果证明了该控制方案的有效性。

2.系统结构设计

神经网络PID交流伺服系统结构如图1所示，系统中有两个神经网络。其中，NNC为自整定PID控制器，DRNNI为系统在线辨识器。图中为给定角位移，为电机转轴的实际角位移，e为和进行比较而得到的偏差，ec为偏差的变化率。则有：

（1）

（2）

图1 神经网络PID控制的交流伺服系统

图1中，u为神经网络PID控制的转速期望值;为期望电机转速;为实际电机转速;与的偏差经过转速调节器产生期望的电机电磁转矩Ted。由于内环的不足可由外环控制来弥补，所以转速调节器采用一般的PI调节器即可，而电机的电磁转矩控制则采用直接转矩控制方法。

3.神经网络PID控制器设计

3.1 神经网络PID控制器

PID控制是一种技术成熟、应用广泛的控制方法，其结构简单，而且对大多数过程均有较好的控制效果。其离散PID控制规律为：

（3）

式中，u（k）为k时刻控制器的输出量;KP，KI，KD分别为比例系数，积分系数和微分系数;e（k）为当前时刻的交流伺服系统的位置与期望值之差;e（k-1）为上次采样时刻的交流伺服系统的位置与期望值之差。由式（3）可得到控制器输出第k个周期时刻的控制量u（k）和第k-1个周期时刻的控制量u（k-1）之间的增量为：

（4）

传统的PID控制最主要的问题是参数整定问题，一旦整定计算好后，在整个控制过程中都是固定不变的，而在实际系统中，由于系统状态和参数等发生变化时，过程中会出现状态和参数的不确定性，系统很难达到最佳的控制效果。本文利用两层线性神经网络对PID控制器的三个参数进行在线调整。神经网络的输入为：

（5）

定义NNC的性能指标为：

（6）

则：

（7）

（8）

（9）

其中，为学习率，为对象的Jaco-bian信息，该信息可以由DRNN网络进行辨识。

3.2 对角递归神经网络辨识器

对角递归神经网络（DRNN）是一种特殊的递归神经网络，其网络结构有三层，隐层为递归层。考虑一个多输入单输出的对角递归神经网络，其结构如图2所示。

图2 对角递归神经网络结构图

各层的输入输出关系函数如下：

第一层为输入层，有n个输入节点，其输入：

（10）

式中，Ii（k）为第i个神经元的输入。

第二层为隐层，有m个节点，其输入为：

（11）

式中，wI和wD为网络输入层和递归层的权值。

输出为：

（12）

第三层为输出层，其输出为：

（13）

式中，wO为网络输出层的权值。

在采用如图2所示的DRNN来对交流伺服系统进行辨识时，网络的输入为：

（14）

网络的输出为：

（15）

训练DRNNI的性能指标函数定义为：

（16）

学习算法采用梯度下降法：

（17）

（18）

（19）

权值的更新算法：

（20）

（21）

（22）

其中，递归层神经元取S函数：

（23）

（24）

（25）

式中，、、分别为输入层、递归层和输出层权值的学习率，为惯性系数。

交流伺服系统的Jacobian信息为：

（26）

4.实验研究

用于实验的交流电机参数为Pn=2.2kW， Un=220V，In=5A，nn=1440r/min，r1=2.91Ω，r2=3.04Ω，Is=0.45694H，Ir=0.45694H，Im= 0.44427H， Ten=14N・m，np=2，J=0.002276kg・m2，ψn=0.96Wb。数字控制采样频率为10kHz。

采用基于DRNN神经网络整定的PID控制，控制器的网络结构为3-7-1，辨识器的结构为2-6-1，学习率都设置为，惯性系数。权值的初始值取[-1，+1]之间的随机值。

通过实验表明，神经网络PID控制有效地结合了神经网络和PID控制方法，充分发挥了PID控制调节精度高的优点，利用神经网络对PID控制器的参数进行实时整定，进一步提高了系统的控制精度，增加了系统的在线自适应能力。

5.结论

本文提出了一种基于动态递归神经网络PID控制的交流伺服系统，采用动态递归神经网络作为交流伺服系统的辨识器，两层线性神经网络作为控制器，这种控制方法提高了系统的精度。

仿真实验结果表明，该控制器具有良好的控制性能和很强的鲁棒性，是一种行之有效的控制器。

参考文献

[1]许大中.交流电机调速理论[M].杭州：浙江大学出版社，1994.

[2]Sun F C，Sun Z Q.Stable neural network-based adaptive control for sampled2data nonlinear systems[J].IEEE Transactions on Neural Networks，1998，9（5）：956-968.

[3]李明忠.基于递归神经网络的一类非线性无模型系统的自适应控制[J].控制与决策，1997，12（1）：64-67.

[4]Ku C C，Lee K Y.Diagonal recurrent neural networks for dynamic system control [J].IEEE Transactions on Neural Network，1993，6（1）：144-156.

[5]吴志敏，李书臣.基于动态递归神经网络的自适应PID 控制[J].控制工程，2004，11（3）：216-219.

篇4

关键词：字符识别 Hopfield神经网络 小波变换

中图分类号：TN711文献标识码： A 文章编号：

在日常生活中，经常会遇到带噪字符识别的问题，如交通系统汽车号牌，由于汽车在使用过程中，要经受自然环境的风吹日晒和雨水侵蚀，造成字体模糊不清，难以辨认。如何从这些残缺不全的字符中提取完整的信息是字符识别的关键问题。字符识别在交通、邮政及商业票据管理方面有着广阔的应用价值[1]。

目前有很多种用于字符识别的方法，主要分为神经网络识别、概率统计识别和模糊识别等。传统的字符识别方法在有干扰的情况下不能很好地对字符进行识别，而离散Hopfield神经网络具有联想记忆的功能，利用这一特性能对字符进行识别，并且计算的收敛速度很快；小波变换具有时频局部化的特性，利用这一特性能减少字符识别中噪声干扰的影响，从而得到预期的效果。

1 Hopfield神经网络工作方式

对于Hopfield神经网络当网络而言，根据输入得到输出后，该输出将被反馈到输入端，成为新的输入端，如此循环往复，不断调整网络的权值和阈值，直到网络的输出稳定为止。该网络按动力学方式运行，其工作过程为神经元状态的演化过程，即从初始状态按能量减小的方向进行演化，直到达到稳定状态，而稳定状态即为网络的输出[2]。

1.1将网络用作联想存储器时，工作分为两个阶段：

（1）学习阶段：对于给定的m个要存储的样本X(k)=(x1(k),x2(k),…,xn(k))，k=1，2，…，m，按照Hebb学习规则调整网络权值，以使得每个要存储的样本成为系统的一个吸引子。

（2）联想阶段：在调整好的情况下，给出一部分残缺或扰的信息，作为联想的关键字，使系统最终收敛到某个吸引子。

Hopfield网络作为联想存储器算法，假设偏流=0。

（1） Hebb学习规则设置权

（2）初始化：利用未知的输入模式初始化网络输出。

1.3迭代计算：当节点输出状态稳定时，迭代结束。此时节点的输出就是未知输出匹配的样本模式。

2 小波变换

小波变换的基本思想是将原始信号经过伸缩和平移，分解和重构为一系列具有不同空间分辨率、不同频率特性和方向特性的信号，这些信号具有时域和频域局部特性。这些特性可以用来表示原始信号的局部特征，进而实现对信号时间、频率的局部分析特性。小波变换具有时域和频域的局部化特性，对于高频部分采取逐步精细的时域步长，因而可以分析对象的细节特性[3]。

连续小波变换的数学表达式为：

（1）

（2）

式中，Ψ(t)为小波母函数,满足条件，a为尺度因子,b为平移参数。当a,b各取离散时,为离散小波变换。

3 仿真与结论

带噪字符点阵，即点阵的某些位置的值发生了变化。本文将带噪声的字符点阵输入到创建好的Hopfield网络，网络的输出是与字符点阵为最接近的目标相量，从而实现联想记忆的功能。本文以数字2和字母T为例进行带噪声字符识别，其识别结果如图1所示。

图1带噪字符识别结果

图1为噪声强度为0.1时的识别效果，从图中可看出经Hopfield神经网络已经基本上辨识出字符的大致轮廓。在噪声强度较小的情况下Hopfield神经网络能较好的识别带噪字符，随着噪声强度的增大则会出现误差，这是由于Hopfield神经网络虽然具有稳定性，但是也可能收敛到一个不理想的水平，此时误差产生。但利用小波变换在图像处理上的优势，可以进一步提高字符识别的准确性和可靠性。本文的方法为解决实际生活中的字符识别提供了一种新途径和思路。

参考文献

贾花萍.Hopfield神经网络在车牌照字符识别中的应用[J].计算机与数字工程，2012，40（4）：85-89.

何聪，孙松.基于.Hopfield神经网络的字符识别[J].黄石理工学院学报，2011,27（3）：13-16.

篇5

关键词：估算模型、工程造价、思考

中图分类号：TU723.3文献标识码： A 文章编号：

建筑工程造价，在通常情况下指的就是工程建设过程中需要花费的所有费用，换言之，就是依据工程计划此工程建设项目因开展固定资产再生产而衍生出与之相对应铺底流动资金与无形资金之和。事实上，工程造价既与建设地区的经济发展状况、建设者的技术水准、当地政府的政策扶持等因素息息相关，又紧密联系着工程本身的内容。

事实上，工程项目在施行过程中，不仅要耗费大量时间，还需投入很多资金。且每一阶段均会出现很多不确定因素，因此，在工程项目施工早期很难确定出一个合理、正确、科学的造价。然而，工程造价的合理性将会给施工单位和建设单位的共同经济利益带来直接的影响。这就要求我们在如今竞争日益激烈化的社会能熟练地应用科学手段，精、稳、准地把工程造价估算出来。但是，工程造价会随着项目开展的深度的逐渐加深而愈渐合理化。工程项目富有计价特性，这就决定了在控制工程项目的过程中各个阶段的手段与重点也许会存在一些差异。因此，在工程项目建设的全过程中，要确保工程造价能将工程的实际造价合理、科学地体现出来，与工程项目管理的需求与市场经济体制相适应，积极采用合理、可行性高的、可操作性强的手段，管控好建设工程造价。

一、工程造价估算模型的类别

当前，世界上存在的投资估算方法多种多样，但每一样方法的优劣势及其所适用的范畴均存在一定的差异。在这当中，尽管最小二乘回归模型法能够弥补单位面积法的不足指出，精确度很好，但是由于隶属系数、模糊关系系数等诸多数据的大小均取决于经验，且其处在不断地变化发展过程中，这无疑会加大模型建立的难度系数。

伴随着模糊数学理论在工程造价测算当中的广泛运用与发展，其所展现出来的优越性愈来愈独特。为此，笔者针对已建工程与待建工程当中的类似程序加以探索与比较，能在较短时间内运用已建工程的造价资料与信息，从而对待建工程的造价进行估算。此类手段能飞快而又精准地估测出工程造价，待构建起信息管理系统、信息数据库、拓展大量的信息渠道后，可以确保估算工程数据的精准性与合理性。

二、神经网络的工程造价估算模型的基本原理

神经网络凭借着生物神经系统作用原理发展的信息处理系统能够极为精确地解决好繁杂的非线性问题。但是，其与众不同的是，神经网络极具自组织、自学习、容错性等特征。基于对数据的建立模型，可将函数的最佳参数较快地求算出来，使设计成功后的系统可更好地模拟输入输出关系。

1、神经网络的基本模式

神经网络包括了反馈型网络、自组织型网络、随机型网络以及前馈型网络这四大类型，这四大类型的神经网络所具有的网络模型各不相同。Hopfield网络主要出现在反馈网络当中，BP网络、Adaiine、RBF网络则是前馈网络的关键网络模式，Boltzman网络为随机网络的关键网络模式，ARI网络俄日自组织网络的关键网络模式。然而，在此类神经网络当中，前馈型网络内的RBF网络和BP网络能较好地满足市政工程造价的需要。因为BP神经网络结构精简、预算精度高、可行性高、收敛迅速、泛化能力强大，所以到目前为止，BP算法的多层前馈网变成了运用范围最大的神经网络。从统计上来看，BP算法是依靠学习过程的误差反向传播和信号正向传播所构成的。当前运用BP算法的神经网络所占的百分比近达百分之九十。

2、神经网络的基本模型

实际上，神经网络的输入层是由各个极具代表性的工程建筑特性组合而成的，其输入向量是阐释工程特性的基本信息，神经网络输出向量则为工程所需的工程造价。然而，如果输入向量不同，那么想获取到不一样的输出量值的话就需充分利用已建成的极具代表性的工程特性与造价，以它为训练样本，从而训练神经网络，进而达到从输入至输出进行映射的目的。

3、神经网络的运作手段

一般而言，神经网络的运作方式有两类，即演化式与前馈式。演化式模型的复杂度更高，其在网络当中与耗散的动力学系统差不多，在演化时状态空间会慢慢收缩，最后变成了小体积的吸引子集，其输出就相当于终态，而输入则为初始态；前馈式之所以能达到自输入至输出的非线性映射，主要依赖于神经元非线性输出输入的关系。

三、神经网络估算法的广泛运用

若要估算项目工程造价，神经网络需具备一定数量的样本以进行训练。一般来讲，我们可以将估算建设工程造价这一问题视成从输入工程造价估算体系至输出项目的单位造价的非线性映射，把指标体系的指标值输入，然后再神经网络中加以估算，从而就能把此项目的单位造价输出来。

但是，由于建设项目不同，其使用要求与功能也会有所不同，这直接会给工程造价的因素造成影响。因此，要严格依照建设项目的种类，分门别类地构建出估算对象的指标体系。本篇文章将重点阐述市政排水工程建设问题，针对神经网络估算模型的运用进行剖析。

（1）工程特征的解剖

不论是道路的总长度、雨水管道的平均管径与长度、雨水管道平均埋深，还是污水管道平均管径与长度、污水管道平均埋深等因素均会给市政排水工程造价带来极大的影响。但是，此类影响市政排水工程造价的因素均存在一个共性，即：神经网络估算模型的输入向量。

（2）构建工程造价模型

工程造价估算法BP网络程序主要是由样本数据库模块构成的，它是由newff函数生成的。当生成的BP神经网络初始化之后，应充分运用当前存在的“输入―目标”的训练样本数据，选取网络内的train函数加以训练。同时，还要应用BP神经网络的数据处理模块及仿真模块去测试训练完毕的网络，依照函数的反函数战队神经网络的输出值实施数据后续处理，从而将预测单位的工程造价求算出来，然后对比实际值，验证出预测的精确度。

（3）建设指标体系的基准单位

在建设市政排水工程的过程中，存在着大量对项目工程造成影响的因素。要想得出模型的输出向量，就必须把道路的延长米视成排水工程的基准单位，然后将排水工程的整体造价均匀地派遣到道路的延长米上，最终即可得到排水工程的道路延长米的工程造价，也就是模型的输出向量。

（4）估算出工程造价

运用神经网络估算法与Matlab神经网络的工具箱函数编制出与其相对应的计算程序，依照数据库开展训练测试工作，以便得出工程的实际造价。同时，要采取科学、易算、简洁、精确的工程造价估算手段，从而有利于工程建设的迅速、安全地完成、工程造价控制以及工程投资管理工作的开展。因BP神经网络极具较强的容错性与自组织适应能力等特性，再加上其拥有精确、简洁、迅速等优势，因此其在建设项目的工程造价估算的运用中能顺利地摆脱传统项目估算的限制，同时在现代经济领域中有着巨大的运用市场。

参考文献：

[1] 胡伟勋. 工程造价估算模型研究与应用[J]. 中南林业科技大学学报, 2011,(08)

[2] 卢梅,韩小康,孔祥坤,蔡静. 基于BP神经网络和TOC的工程造价预控研究[J]. 西安建筑科技大学学报(自然科学版), 2011,(01) .

[3] 王兴鹏,桂莉. 基于粗糙集―神经网络的工程造价估算模型研究[J]. 石家庄铁道学院学报(社会科学版), 2008,(01) .

[4] 胡伟勋. 基于GST的工程造价预测模型理论研究[J]. 中南林业科技大学学报, 2011,(04) .

篇6

Abstract： Estimating the manufacturing cost of large-sized and complex-shaped non-standard product is hard. Now the manual estimation methods suffered from a high estimation error. When cost estimates are to be used for bidding purposes， a poor accuracy may have detrimental financial consequences. A cost overestimation bears the risk of making the firm uncompetitive and losing a customer， while underestimating the cost leads to winning a contract but incurring a financial loss. Therefore， a precise cost estimation is critical for project management. In this paper， building the parametric model of artificial neural networks， compare with the artificial neural networks and the manual estimation methods in estimating the manufacturing cost of large-sized and complex-shaped non-standard product. the accuracy is improved.

关键词： 神经网络（ANN）；成本估算；非标产品

Key words： artificial neural networks （ANN）；cost estimation；non-standard product

中图分类号：TP183 文献标识码：A 文章编号：1006-4311（2014）14-0203-03

0 引言

生产成本评估是工业管理活动中的一个重要问题。通常情况下，成本的计算可被分类为预先计算，中间计算，后计算。前计算涉及估计未来成本，中间计算在产品开发周期内进行了成本控制的目的，而计算后，包括成本核算方法，用来确定实际成本作为未来预算数据。由于产品生命周期成本的很大一部分被定义在设计阶段，因此在新产品开发过程中广泛采用。然而，在这种情况下，通常用来提供合适的成本计算方法必需的数据，只有不完整的或不确定的产品描述的数据[1]。

由于神经网络能以期望的精度逼近任何非线性函数，并且它具有自学习、自组织、自适应、并行处理和容错等功能，因而可以较好的应用于产品生产成本估算。

1 成本估算方法分类

从方法论的角度来看，成本估算，可以分为定性或定量的方法。如图1。

定性的方法依赖于专家判断和经验启发式规则，定量的方法，可进一步分类纳入统计的模型，相似模型或生成分析模型。参数成本模型属于传统的统计方法，统计标准是用来确定因果联系和关联成本和产品特性，以便取得与一个或多个变量的。统计方法可以依靠公式或替代办法连结产品特性，以成本为例，如回归分析或优化方法已被广泛地应用，人工神经网络也被用来统计方法，这要归功于它们有能力进行分类，总结和推断的数据集合。人工神经网络模型接受输入形状描述和语义的产品特性，并作为输出产品的成本。搜索引擎优化也利用人工神经网络和统计相关性在生命周期成本概念设计阶段使用[2]。人工神经网络会表现出更好的线性回归模型。类似的方法，而不是找出一个类似的产品，用成本信息来估计未来成本，调整产品成本之间的差异。类似的模型，从而推断出相似的成本结构，功能或产品功能之间的几何相似。例如，作为一个多维特征空间中的点之间的距离测量。生成的分析方法是最准确的，描绘出实际的产品制造过程中。生产过程的详细分析和分解成单一的制造业务进行，分析特定模型估计每个处理阶段的成本归因于资源消耗的货币价值的技术参数的基础上的特征的操作。自下而上的方法，然后利用适当总在制造过程中所产生的成本，通过各成本项目的总和。一个详细的模型使用的劳动时间和价格的估计，材料、数量和价格的产品或活动，估计直接成本、间接成本。

在每个成本中心的制造时间的估计仍然是一个艰巨的任务，留给成本部门的经验和历史数据的依赖。估计误差是相当重要的，一些历史数据不可用。由于经常发生在工程师对按订单生产的任何产品和过去不同，因为它是由客户的规格和设计的。这种传统的方法是对制造时间的估计[4]。

因此，利用标准时间的方法是相当困难的，在投标阶段，许多需要精确估计到工作中心的数据是没有的，必须从过去的经验中得到，但是，由于是非标产品，极有可能缺乏具体的经验，进一步增加了时间和成本的不确定性。这种不确定性导致以下问题：报价风险，与失去投标报价的可能性。

针对这个问题，下面介绍一种基于人工神经网络的估算方法。

3 ANN成本建模

人工神经网络的信息处理模型的基本计算的数量单元（神经元）相连的的加权连接。人工神经网络对一组训练数据是能够自学习，并进行分类，聚类，函数逼近和控制任务。特别是，神经网络被认为是“普？？遍回归工具”能够逼近任意连续函数，利用在成本估算应用。在特定的神经网络非参数估计，这意味着要作出任何假设的形状近似函数训练前。这是一个很大的实用优势，因为它节省了时间和费用成本，专家需要提供适当类型的函数参数成本。

多层感知器网络已被用作此配置提供了最好的结果作为函数逼近，而尝试和错误的过程中已经定义了的详细的神经网络结构。事实上，网络结构可以有显著影响的估算精度。但神经网络理论尚未提供控制变量的最优设置，适用规则和拓扑结构[5]。

人工神经网络的输入包括所有的产品特征变量的值

4 结论

在面对成本估算的问题上，模拟的选择要根据不同的产品或过程，具体的资料和案例。另外，选择还取决于各自的优点，不同方法的局限性和能力。

统计或类似的模型也被称为“'lump-sum”的方法[7]，因为他们不考虑生产过程的特点，或不显示详细的成本结构。事实上，这种方法试图建立一个整体的相关性（称为CER，成本估算关系）的总制造成本和成本影响产品特性（即变量之间的相关产品的配置或物理特性，如重量，尺寸等，可作为成本动因）的关系。

统计方法的神经网络的优势是，它们可以有效地推断和概括。数据模型之间的功能关系是隐藏的或不能以多项式的形式表示，不了解变量之间的函数关系。神经网络具有的优点是不需要详细定义了单一的制造过程的阶段和神经网络动态自适应，神经网络的训练集可扩展新的数据成为可用的变化来反映或在制造业务性能的提高和相关资源，得到一个连续的知识获取。

参考文献：

[1]Verna Allee. Reconfiguring the value network[J]. Theory in Action， Jul./Aug.， 2000：36-39.

[2]Dorian Selz. Value Webs-Emerging forms of fluid and flexible organizations[D].Dissertation St. Gallen， #2310， Difo-Druck， Bamberg， 1999.

[3]David Bovet and Jaseph Martha. Valuenets-breaking the Supply Chain to Unlock Hidden Profit[M]. New York ： John Wiley & Sons， Inc，2000.

[4]黄文权.机械制造产品成本估算方法研究及应用[D].杭州：浙江大学机械工程学系，2003.

[5]焦李成.神经网络系统理论[M].西安：西安电子科技大学出版社，1990.

篇7

关键词：RBF神经网络；电涡流传感器；非线性补偿；拟合函数

中图分类号：TP212 文献标识码：A

文章编号：1004-373X(2008)10-190-02オ

Application of ANN in Electric Eddy Sensor Nonlinear Compensation

ZHANG Yuanmin,WANG Hongling

(College of Electrical and Information Engineering,Xuchang University,Xuchang,461000,China)オ

Abstract：characteristic curve of the eddy current sensor is serious nonlinear.The nonlinear errors of the eddy current sensor must be compensated in order to ensure the instrument′s linearity.The RBF network is adopted and the result is compared with that from the fitting function method.The comparative result indicates that the compensation curve of adopting BRF network is more smoother,the forecast character is more higher and the sensor′s linearity is better.

Keywords：RBF neural network;electric eddy sensor;nonliner compensation;fitting function

电涡流传感器具有灵敏度高、抗干扰能力强、非接触等特点，在缺陷检测、状态检测和位移量检测中得到了广泛应用。在位移量的检测中，一般希望仪表的刻度方程是线性方程，以保证仪表在整个测量范围内灵敏度相同。但传感器输出特性大都为非线性，并且常受各种环境参数影响，为保证测量仪表的输出与输入之间的线性关系，同时保证传感器的测量值非常地接近真实值，则需要对传感器进行非线性补偿。

1 非线性特性及其补偿

电涡流传感利用被测量体和探头之间的磁场能量耦合（电磁感应）实现对被测体的检测。随着检测距离的增大，被测体与探头间的互感减小，这种互感的变化是非线性的。他会引起探头线圈电阻和感抗值随检测距离的非线性变化；同时，环境参数会使电子器件产生漂移，也会引起测量值与真实值之间的非线性。

改进后传感器的补偿原理如图1所示。

图1 改进后的电涡流传感非线性补偿原理

设传感器输入为x,t，输出为u，u=f(x,t)为非线性关系。若在传感器后串联一补偿环节，使y=g(u)=Kx，就实现了传感器的非线性补偿。И

从上述的补偿原理可看出，函数g为函数f的反函数的1/K，所以f决定着g。Ь前面分析可知，改进后传感器的非线性因素有很多，程度也较复杂，不宜采用硬件补偿法。

拟合函数补偿法是对实际测量值采用函数拟合法（通常为最小二乘法）推算出传感器输入/输出关系。然后，再对真实值进行选定函数的数值计算获得测量结果。

但是利用最小二乘法需要以下2个假定：

（1） 所有输入量的各个给定值均无误差；

（2） 最好的拟合直线为能使各点同特性曲线偏差的平方和为最小。实际上在对传感器进行标定时各输入量是不可能没有误差的；另外，当传感器的输出特性曲线接近于直线时或能通过适当的变量代换，把变量之间的非线性关系化为线性关系时，通常总是利用直线拟合的办法实现输出输入关系的线性化。这样，同时也造成了计算结果的不准确。

神经网络是一个具有高度非线性的超大规模连续时间动力系统，其特征为连续时间非线性动力、网络的全局作用、大规模并行分布处理及高度的鲁棒性和学习联想能力。实际上是一个超大规模非线性连续时间自适应信息处理系统。

用神经网络进行非线性补偿原理如下：上述假定传感器模型为u=f(x,t)，其中x为被测物理量，t=(t1,t2,…,tk)为k个环境参数，若对不同的t，u均为x的单值函数，则有x=f－1(u,t)。补偿环节的输出为y=g(u,t)，令g(u,t)=f－1(u,t)，可得y=g(u,t)=f－1(u,t)=x，则补偿环节的输出y与被测物理量x成线性关系，且与各环境因素参数t无关。因此只要使补偿环节g(u,t)=f－1(u,t)，即可实现传感器的非线性补偿。通常传感器模型的反函数f－1(u,t)比较复杂，难以用数学公式来描述，但可通过实验测得传感器数据集{xi;ti;ui∈Rk+2;i=0,1,…,n}，ti=(t1i,t2i,…,tki)T。以实验数据集的ui和ti作为输入样本，对应的xi作为输入样本，对神经网络进行训练，使神经网络调节各个权值以自动实现f－1(u,t)。б丫证明，前向神经网络可以处理系统内在的难以解析的规律性，能够逼近任意的非线性函数。

最小二乘法和神经网络补偿法均可用于传感器的非线性补偿，本文着重讨论基于RBF（径向基网络）的非线性补偿方法，并将补偿结果与最小二乘法补偿法得到的结果加以对比，以说明神经网络补偿法的优越性。

2 BRF网络非线性补偿及其结果分析

采用RBF网络的网络结构（即图1中的补偿环节）如图2所示，网络结构为1-14-1。根据上述的非线性补偿原理，采用改进后电涡流传感器等效感抗作为RBF网络的输入，传感器测量的真实值作为网络的输出。

图2 RBF网络结构图

利用输入/输出数据对BRF网络进行训练，设置训练次数为3 000次，训练误差为0.000 1。在训练结束后，利用训练后的BRF网络对传感器进行非线索性补偿。将训练样本作为测试样本带入网络和拟合的函数，得出的结果如表1所示。

由表1可以看出，采用RBF网络得到的测试值与真实值间的非线性均误差远小于采用最小二乘法进行补偿[CM(22*2]得到的非线性误差，即RBF网络的补偿精度要远远高于[CM)]最小二乘法的补偿精度。另外，将此方法用于另外几种型号的电涡流传感器的非线性补偿上得出的结果也证明神经网络的补偿精度远远高于最小二乘法，说明神经网络补偿法具有很强的泛化能力。

3 结 语

由于电涡流传感器输入/输出特性具有非线性，为了保证测量仪表的输入与输出之间具有线性关系，就必须对电涡流传感器进行非线性补偿。本文主要采用BRF神经网络对电涡流传感器进行非线性补偿，并与最小二乘法补偿法进行了比较。对比结果说明，RBF网络在很大程度上提高了电涡流传感器的线性度，并且补偿曲线更顺滑，预测性更强，补偿后的传感器线性度更好。实例分析表明，神经网络在非线性补偿和提高准确度方面的优点，是最小二乘法所无法比拟的。

参 考 文 献

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

［2］刘刚.基于神经网络的智能传感器的数据处理［J］.传感器技术，2004,23(8):52-54.

［3］白宗文.分形插值法在传感器数据处理中的应用［J］.现代电子技术,2007,30(7):34-35.

［4］飞思科技.神经网络理论与Matlab 7实现[M].北京：电子工业出版社,2005.

［5］薛亚琴.电涡流传感器特性曲线拟合的新方法［J］.传感器技术,2003(22)7:42-44.

篇8

（四川信息职业技术学院，四川广元628017）

摘要：考虑到传统BP神经网络在进行P2P流量识别时，具有系统识别速度慢、精度低，神经网络自身容易陷入局部最小值等问题，使用遗传算法对BP神经网络进行优化。遗传算法具有较强的自适应性和鲁棒性，因此使用遗传算法对BP神经网络的权值和阈值进行优化处理，能够有效提高神经网络的性能。建立基于遗传神经网络的识别系统，采集处理大量样本数据，对识别系统进行训练和测试。研究结果表明，基于遗传神经网络的P2P流量识别系统具有识别精度高、识别速度快等优点，相比传统BP神经网络，其识别性能有明显提高。

关键词 ：遗传算法；P2P；流量识别；BP神经网络

中图分类号：TN711?34；TP393 文献标识码：A 文章编号：1004?373X（2015）17?0117?04

随着计算机科学技术的不断发展与进步，P2P技术已经广泛应用于网络视频音频多媒体播放、网络文件共享以及数据传输等领域，P2P技术不断吸引了越来越多的网络用户、网络应用服务开发者以及提供商的目光，各种各样的基于P2P技术的网络应用和服务不断涌现，为人们在网络中提供了便利。然而，随着人们享受着P2P技术带来的各种便利的同时，P2P技术的各种负面效应也随之而来。目前P2P应用存在对网络流量消耗巨大，监管难度大，以及易于网络病毒传播，为网络带来安全隐患等问题。因此，对P2P流量的精确识别和监测成为了对P2P技术研究的重中之重[1?5]。

1 P2P 流量识别技术

1.1 典型P2P流量识别技术

典型的P2P流量识别技术主要有：基于端口的识别技术、基于深层数据包的识别技术以及基于流量变化特征的识别技术。

基于端口的识别技术是一种应用最早的识别技术，其主要根据早期P2P应用的固定端口进行识别，具有算法简便，易于实现等优点，但是对于现如今复杂的网络环境，此种技术已经不再适用[6?7]。

基于深层数据包的识别技术往往因为存在识别滞后、隐私保护以及算法复杂等缺点而得不到广泛普及应用。

基于流量变化特征的识别技术通过对P2P流量数据进行采集，通过处理数据得到数据流的统计特征，使用统计特征作为机器学习的训练样本，得到经过训练的识别系统。此识别技术具有算法简便、效率高等优点[8?9]。

1.2 基于神经网络的P2P流量识别技术

BP 神经网络是一种有督导的智能机器学习算法，已经在机械、计算机、通信等领域得到了广泛应用，其技术发展已经相对成熟。将BP神经网络用于对P2P流量的识别是一种可行有效的识别技术和手段。

然而将BP神经网络算法用于P2P流量识别虽然克服了传统识别方法存在的诸多问题，但是由于算法自身特性也随之带来了新的问题。

BP神经网络实际上是梯度下降算法的一种迭代学习方法。由于梯度下降算法要求具有较小的学习速度时才能进行稳定的学习，因此其收敛速度较慢。并且，由于BP神经网络在进行训练时，会在某点沿着误差斜面而渐进误差极值，不同的起点会得到不同的误差极值和不同的解。因此传统BP神经网络具有学习速度慢、抗干扰能力弱以及容易陷入局部最小值等缺点[10?11]。

2 BP 神经网络和遗传神经网络

2.1 BP神经网络

BP神经网络结构如图1所示。通常由输入层、输出层和隐含层组成。

4 结论

本文对P2P 流量识别技术进行了深入研究。P2P技术在网络中已经得到了广泛应用，其流量在网络总流量中占有重要地位，因此对其流量进行实时监测识别具有重要意义。本文对P2P流量识别技术进行了分析，对使用比较广泛的BP神经网络模型进行了深入研究，并针对其缺点，使用遗传算法进行优化，建立基于遗传神经网络的P2P流量识别模型。通过实验采集大量网络训练样本和测试样本，对建立的识别系统进行测试。测试结果表明，基于遗传算法的神经网络的识别速度和识别精度要高于BP神经网络，具有较高的工程应用价值。

参考文献

[1] 谭红春，杨松涛，阚红星.校园网P2P 流量综合检测技术研究[J].长沙大学学报，2015（2）：70?72.

[2] 刘兴光.一种混合式BT流量实时检测方法[J].网络安全技术与应用，2014（3）：53?55.

[3] 汤伟.基于数据流特征向量识别的P2P 僵尸网络检测方法研究[D].青岛：中国海洋大学，2014.

[4] 席鹏.基于距离判决算法的P2P流量识别模型研究[D].昆明：云南大学，2013.

[5] 邓力为.基于遗传神经网络的P2P流量检测研究[D].成都：电子科技大学，2013.

[6] 张龙璨.基于粒子群优化半监督学习的网络流量分类方法研究[D].武汉：华中科技大学，2013.

[7] 张瀚.基于DPI技术的P2P流量检测系统设计[D].北京：北京邮电大学，2013.

[8] 马容生.基于自适应神经网络的P2P流量检测研究[J].通信技术，2012（6）：113?116.

[9] 张瀚，朱洪亮，辛阳.基于DPI 技术的P2P 流量检测系统设计[J].信息网络安全，2012（10）：36?40.

[10] 张小敏.基于DPI的P2P流量识别方法研究[D].南京：南京邮电大学，2012.

[11] 周雪莲.P2P流量应用层实时检测技术研究[D].长春：吉林大学，2012.

[12] 贺毅朝，宋建民，张敬敏，等.利用遗传算法求解静态与动态背包问题的研究[J].计算机应用研究，2015（4）：1011?1015.

[13] 王晓瑜，原思聪，李曼.基于自适应蚁群遗传混合算法的PID参数优化[J].计算机应用研究，2015（5）：1376?1378.

[14] 刘奕君，赵强，郝文利.基于遗传算法优化BP 神经网络的瓦斯浓度预测研究[J].矿业安全与环保，2015，42（2）：56?60.

[15] 吴连平，杨晓翔.基于神经网络与遗传算法的关节轴承挤压模具优化[J].中国机械工程，2015，26（10）：1351?1355.

[16] 李麟青，杨哲，朱艳琴.一种混合式BitTorrent流量检测方法[J].计算机应用，2011，31（12）：3210?3214.

篇9

论文摘要：分析了模拟电路故障诊断的重要性和目前存在的困难，对基于小渡分析理论和神经网络理论的模拟电路故障诊断方法进行了综述．指出了小波神经网络应用于模拟电路故障诊断存在的问题和未来的应用前景。

模拟电路故障诊断在理论上可概括为:在已知网络拓扑结构、输人激励和故障响应或可能已知部分元件参数的情况下，求故障元件的参数和位置。

尽管目前模拟电路故障诊断理论和方法都取得了不少成就，提出了很多故障诊断方法，如故障字典法、故障参数识别法、故障验证法等。但是由于模拟电路测试和诊断有其自身困难，进展比较缓慢。其主要困难有:模拟电路中的故障模型比较复杂，难以作简单的量化;模拟电路中元件参数具有容差，增加了故障诊断的难度;在模拟电路中广泛存在着非线性问题，为故障的定位诊断增加了难度;在一个实用的模拟电路中，几乎无一例外地存在着反馈回路，仿真时需要大量的复杂计算;实际的模拟电路中可测电压的节点数非常有限.导致可用于作故障诊断的信息量不够充分，造成故障定位的不确定性和模糊性。

因此，以往对模拟电路故障诊断的研究主要停留在中小规模线性无容差或小容差的情况，有些方法也已成功地应用于工程实际。但如何有效地解决模拟电路的容差和非线性问题，如何解决故障诊断的模糊性和不确定性等是今后迫切需要解决的问题。小波神经网络则因其利于模拟人类处理问题的过程、容易顾及人的经验且具有一定的学习能力等特点，所以在这一领域得到了广泛应用。

1小波分析理论在模拟电路故障诊断中的应用现状分析

简单地讲，小波就是一个有始有终的小的“波浪”小波分析源于信号分析，源于函数的伸缩和平移，是Fourier分析、Gabor分析和短时Fourier分析发展的直接结果。小波分析的基木原理是通过小波母函数在尺度上的伸缩和时域上的平移来分析信号，适当选择母函数.可以使扩张函数具有较好的局部性，小波分析是对信号在低频段进行有效的逐层分解，而小波包分析是对小波分析的一种改进，它为信号提供了一种更加精细的分析方法，对信号在全频段进行逐层有效的分解，更有利于提取信号的特征。因此，它是一种时频分析方法。在时频域具有良好的局部化性能并具有多分辨分析的特性，非常适合非平稳信号的奇异性分析。如:利用连续小波变换可以检测信号的奇异性，区分信号突变和噪声，利用离散小波变换可以检测随机信号频率结构的突变。

小波变换故障诊断机理包括:利用观测器信号的奇异性进行故障诊断以及利用观测器信号频率结构的变化进行故障诊断。小波变换具有不需要系统的数学模型、故障检测灵敏准确、运算量小、对噪声的抑制能力强和对输入信号要求低的优点。但在大尺度下由于滤波器的时域宽度较大，检测时会产生时间延迟，且不同小波基的选取对诊断结果也有影响。在模拟电路故障诊断中，小波变换被有效地用来提取故障特征信息即小波预处理器之后，再将这些故障特征信息送人故障分类处理器进行故障诊断。小波分析理论的应用一般被限制在小规模的范围内，其主要原因是大规模的应用对小波基的构造和存储需要的花费较大。

2神经网络理论在模拟电路故障诊断中的应用分析

人工神经网络(ANN)是在现代神经科学研究成果的基础上提出来的，是一种抽象的数学模型，是对人脑功能的模拟。经过十几年的发展，人工神经网络已形成了数十种网络，包括多层感知器Kohomen自组织特征映射、Hopfield网络、自适应共振理论、ART网络、RBF网络、概率神经网络等。这些网络由于结构不同，应用范围也各不相同。由于人工神经网络本身不仅具有非线性、自适应性、并行性、容错性等优点以及分辨故障原因、故障类型的能力外，而且训练过的神经网络能储存有关过程的知识，能直接从定量的、历史故障信息中学习。所以在20世纪80年代末期，它已开始应用于模拟电路故障诊断。随着人工神经网络的不断成熟及大量应用，将神经网络广泛用于模拟电路的故障诊断已是发展趋势。BY神经网络由于具有良好的模式分类能力，尤其适用于模拟电路故障诊断领域，因而在模拟电路故障诊断系统中具有广泛的应用前景，也是目前模拟电路故障诊断中用得较多而且较为有效的一种神经网络。 　3小波神经网络的应用进展分析

3，1小波分析理论与神经网络理论结合的必要性

在神经网络理论应用于模拟电路故障诊断的过程中，神经网路对于隐层神经元节点数的确定、各种参数的初始化和神经网络结构的构造等缺乏更有效的理论性指导方法，而这些都将直接影响神经网络的实际应用效果。小波分析在时域和频域同时具有良好的局部化特性，而神经网络则具有自学习、并行处理、自适应、容错性和推广能力二因此把小波分析和神经网络两者的优点结合起来应用于故障诊断是客观实际的需要。

目前小波分析与神经网络的结合有两种形式，一种是先利用小波变换对信号进行预处理，提取信号的特征向量作为神经网络的输人，另一种则是采用小波函数和尺度函数形成神经元，达到小波分析和神经网络的直接融合第一种结合方式是小波神经网络的松散型结合，第二种结合方式是小波神经网络的紧致型结合。

3.2小波分析理论与神经网络理论的结合形式

小波与神经网络的松散型结合，即:用小波分析或小波包分析作为神经网络的前置处理手段，为神经网络提供输人特征向鱼具体来说就是利用小波分析或小波包分析，把信号分解到相互独立的频带之内，各频带内的能童值形成一个向觉，该向童对不同的故障对应不同的值，从而可作为神经网络的输入特征向量一旦确定神经网络的输入特征向童，再根据经验确定采用哪种神经网络及隐层数和隐层单元数等，就可以利用试验样本对神经网络进行训练，调整权值，从而建立起所需的小波神经网络模型。

小波与神经网络的紧致型结合，即:用小波函数和尺度函数形成神经元，达到小波分析和神经网络的直接融合，称为狭义上的小波神经网络，这也是常说的小波神经网络。它是以小波函数或尺度函数作为激励函数，其作用机理和采用Sigmoid函数的多层感知器基本相同。故障诊断的实质是要实现症状空间到故障空间的映射，这种映射也可以用函数逼近来表示。小波神经网络的形成也可以从函数逼近的角度加以说明。常见的小波神经网络有:利用尺度函数作为神经网络中神经元激励函数的正交基小波网络、自适应小波神经网络、多分辨率小波网络、区间小波网络等。

3.3小波分析理论与神经网络理论结合的优点

小波神经网络具有以下优点:一是可以避免M LY等神经网络结构设计的育目性;二是具有逼近能力强、网络学习收敛速度快、参数的选取有理论指导、有效避免局部最小值问题等优点。

在模拟电路故障诊断领域，小波神经网络还是一个崭新的、很有前途的应用研究方向。随着小波分析理论和神经网络理论的不断发展，小波神经网络应用于模拟电路故障诊断领域将日益成熟。

篇10

关键词： 模糊神经网络 多目标识别 动能拦截器

一、引言

在大气层外拦截中，动能拦截弹从地面发射以后，经过初始制导和中制导过程将其携带的动能拦截器（Kinetic Kill Vehicle， KKV）送入预定拦截区域，在距离目标较近的范围内测量其视线角信息，通过控制轨控发动机开关机，来调整KKV的飞行轨迹[1]。整个过程中，弹目视线角及其角速率是设计KKV制导导引律的关键参数。

在现代防御战争中，往往存在真假目标并存的情况。假目标可分为轻型假目标、重型假目标和集群假目标[2]。轻型假目标用于大气层外，在进入大气层后很快被烧毁，如气球诱饵、金属平板、角反射器等。重型假目标与真目标同速伴飞，具有与真目标相近的雷达信号反射特性和红外辐射特性。集群假目标是指在弹头上有偶极子、角反射体及壳体碎片等组成的假目标群，会造成雷达需同时处理上百个目标，可迷惑雷达或使其饱和[2]。假目标模拟真目标的物理特征信号，与真目标一起形成多目标，会吸引防御方的探测器，为真目标袭击创造有利条件。对于多目标来说，拦截器完成真目标识别后要重新计算、预估遭遇点、瞄准目标机动飞行等操作，会导致脱靶概率的增加，更严重的情况是丢失目标。因此，若能在较短时间内准备地识别出真目标，将会大大提高KKV的目标拦截效率。本文利用模糊理论和神经网络，运用模糊神经网络来识别目标，在KKV飞行过程中不断更新目标特征权值，能较快地完成真目标的识别。

二、模糊神经网络设计

模糊神经网络（Fuzzy Neural Network，FNN）将模糊系统和神经网络相结合，能充分发挥神经网络的并行处理、自适应学习和模糊推理对人的知识进行决策的功能[3]。FNN是由大量形式相同的模糊神经元相互连接起来构成的网络系统，其本质是将常规的神经网络输入模糊信号和模糊权值。

图1 模糊神经网络结构图

一个完整的前向模糊神经网络通常由输入层、模糊化层、模糊推理层和去模糊化层构成，如图1所示：第一层为输入层，r是输入变量数；第二层为模糊化层，该层实现输入变量的模糊化，计算出变量相对于每个模糊子空间的隶属度，隶属函数采用高斯函数；第三层为模糊推理层，是网络的核心，它完成模糊合成和模糊蕴含运算，实现模糊推理映射；第四层为去模糊化层，对模糊推理层输出的结果进行去模糊化处理，表征形式为输入信号的加权和。

三、KKV拦截目标过程

在末制导中，KKV拦截目标的全过程可分为以下三步：①目标进入可识别区域，开始检测目标特征信息；②模糊神经网络开始学习，不断更新目标权值；③判断是否为真目标，若是，不再检测其它目标，读取弹目视线角等参数，导引律开始起作用，控制KKV实施拦截；若不能确定是真目标，返回①，继续检测和识别。迭代终止条件为识别时间大于某个阈值。详细流程如图2所示。

图2 FNN识别目标流程图

四、仿真验证

假设某空域中出现三个目标，其中只有一个为真目标，其余为假目标。目标初始位置为（30，0，0）、（30，30，0）、（0，30，0）（km），初始速度均为300m/s，真目标径向角速率为0.1rad/s，假目标无机动。KKV初始速度为600m/s。FNN有四个输入节点，两个输出节点，模糊层和推理层根据经验选取5层，初始权值ω为0.2，学习步长为0.01s，假设所有初始值均无测量误差。

图3 识别出真目标前后的KKV加速度曲线

仿真开始，目标进入可识别区域，检测目标特征，模糊神经网络开始学习，不断更新权值，FNN识别出真目标后，如图3所示，制导位置发生突变，KKV轨控加速度也相应突变，随之产生机动飞行，加速度迅速下降，KKV拦截新目标，脱靶量为1.1m。

经过多次仿真试验，可以得出脱靶量与剩余时间的关系：导弹剩余时间越短，目标识别耗时长，造成KKV机动时间越短，脱靶量越大。因此，应尽量延长剩余时间，加快模糊神经网络的学习效率，提高KKV的拦截效率。

五、结论

本文结合模糊理论与神经网络知识，采用模糊神经网络识别多目标，可有效提高KKV的拦截效率，减少脱靶概率的产生。但是，若目标特征模糊，或假目标有极大的迷惑性，造成FNN识别难度增大，识别时间过长，影响KKV成功拦截。因此，针对多目标迷惑性大的情况，需要继续研究具有鲁棒性的目标识别方法。■

参考文献

[1] 王磊，大气层外动能多拦截器目标拦截策略研究[J]，导弹与航天运载技术，2011（05）