時間：2022-05-29 17:51:52
開篇：寫作不僅是一種記錄，更是一種創造，它讓我們能夠捕捉那些稍縱即逝的靈感，將它們永久地定格在紙上。下面是小編精心整理的12篇神經網絡原理，希望這些內容能成為您創作過程中的良師益友，陪伴您不斷探索和進步。
1 引言
很長時間以來,在我們生活中所接觸到的大部分計算機,都是一種被稱為“電腦”的馮諾依曼型計算機。這種計算機在運算等很多方面確實超越了人類大腦的水平,但是基于串行控制機構的馮諾依曼型計算機在圖像處理、語音識別等方面遠不如大腦的處理能力。于是,在人類對大腦的不斷探索中,一種更接近人腦思維方式的神經網絡計算機走進人們的視線。
2 大腦的研究
大腦活動是由大腦皮質許許多多腦神經細胞的活動構成。
神經細胞由一個細胞體、一些樹突 、和軸突組成,如圖1所示。神經細胞體是一顆星狀球形物,里面有一個核。樹突由細胞體向各個方向長出,本身可有分支,是用來接收信號的。軸突也有許多的分支。軸突通過分支的末梢和其他神經細胞的樹突相接觸,形成所謂的突觸,一個神經細胞通過軸突和突觸把產生的信號送到其他的神經細胞。每個神經細胞通過它的樹突和大約10,000個其他的神經細胞相連。這就使得人腦中所有神經細胞之間連接總計可能有1,000,000,000,000,000個。
神經細胞利用電-化學過程交換信號。輸入信號來自另一些神經細胞。這些神經細胞的軸突末梢(也就是終端)和本神經細胞的樹突相遇形成突觸,信號就從樹突上的突觸進入本細胞。信號在大腦中實際怎樣傳輸是一個相當復雜的過程,但就我們而言,重要的是把它看成和現代的計算機一樣,利用一系列的0和1來進行操作。就是說,大腦的神經細胞也只有兩種狀態:興奮和不興奮。發射信號的強度不變,變化的僅僅是頻率。神經細胞利用一種我們還不知道的方法,把所有從樹突上突觸進來的信號進行相加,如果全部信號的總和超過某個閥值,就會激發神經細胞進入興奮狀態,這時就會有一個電信號通過軸突發送出去給其他神經細胞。如果信號總和沒有達到閥值,神經細胞就不會興奮起來。
盡管這是類似0和1的操作方式,由于數量巨大的連接,使得大腦具備難以置信的能力。盡管每一個神經細胞僅僅工作于大約100hz的頻率,但因各個神經細胞都以獨立處理單元的形式并行工作著,使人類的大腦具有非常明顯的特點:
1) 能實現無監督的學習。
2) 對損傷有冗余性
3) 善于歸納推廣。
4) 處理信息的效率極高:神經細胞之間電-化學信號的傳遞,與一臺數字計算機中cpu的數據傳輸相比,速度是非常慢的,但因神經細胞采用了并行的工作方式,使得大腦能夠同時處理大量的數據。這個特點也是神經網絡計算機在處理方法上最應該體現的一點。
3 人工神經網絡基礎
對于腦細胞的活動原理,用簡單數學語言來說, 一次乘法和累加就相當于一個神經突觸接受一次信息的活動。許許多多簡單的乘法和累加計算, 就形成了腦細胞決定是激活狀態還是抑制狀態的簡單數學模型。從這種模型出發, 任何復雜的大量的腦神經細胞活動與只是大量乘法、累加和判別是否達到激活值的簡單運算的并行與重復而已。因此用這種大量并行的簡單運算就可以來模擬大腦的活動, 這就是人工神經網絡。
神經網絡的基本單元是人工神經元,它是根據人腦的工作原理提出的。圖2所示為一個人工神經元,可由以下方程描述
σi =wijxj + si2θi , ui = f(σi) ,yi = g(ui)
xi 為輸入信號;
yi 為輸出信號;
ui 為神經元的內部狀態;
θi 為閾值;
si 為外部控制信號輸入(控制神經元的內部狀態ui ,使之保持一定的狀態);
wij 為神經元的連接權值。
其中,可通過學習改變連接權wij ,使得神經元滿足或接近一定的非線性輸入輸出關系。
4 神經網絡計算機的實現
對于神經網絡計算機實現,目前主要有以下三種實現途徑:
4.1 用軟件在通用計算機上模擬神經網絡
在sisd(單指令流、單數據流,如經典個人計算機)、simd(單指令流、多數據流,如連接機制機器)或mimd(多指令流、多數據流,如在transputer網絡上)結構的計算機上仿真。
這種用軟件實現神經網絡的方法,靈活而且不需要專用硬件,但是基于此方法實現的神經網絡計算機速度較慢,一般僅適合人工神經網絡的研究,另一方面,它在一定程度上使神經網絡計算機失去了它的本質,體現不出并行處理信息的特征。
4.2 對神經網絡進行功能上的仿真
以多個運算單元節點進行運算,在不同時間模擬各異不同的神經元,串并行地模擬神經網格計算。換句話說,即用m個物理單位去模擬n個神經元,而m<n。基于并行計算機和陣列機的神經網絡虛擬實現,具有一定的通用性。 <br="">
虛擬實現的神經網絡計算機主要可分為:協處理機,并行處理機陣列及現有的并行計算機等。目前已經有多種產品及系統問世,包括mark v神經計算機、gapp系統、gf11、基于transputer的系統以及基于dsp的系統。它們各有特點,技術已日益成熟。
但是這種實現方式仍以神經網絡仿真為主要目標,另外其速度,容量等性能的提高則以增加處理機等費用為代價,較難成為神經網絡的最終應用產品。
4.3 利用全硬件實現
4.3.1 基于cmos, ,ccd工藝和浮柵工藝的神經網絡全硬件實現
在微電子芯片上作上許多具有模擬神經元功能的單元電路,按神經網絡模型的拓撲結構在芯片上聯成網絡,這類神經網絡芯片上的電路與所模擬神經網絡種的各個神經元和神經突觸等都有一一對應的關系,神經網絡中的各個權值也都存貯在同一芯片上。
我國1995年開發的預言神一號就是一臺實現了全硬件的通用神經網絡處理機。它以pc機作為宿主機,通過編程實現前饋網絡、反饋網絡、som等人工神經網絡的模型和算法,在網絡運算過程中預言神一號神經計算機還具備隨時修改網絡參數及神經元非線性函數的功能。
但是這類芯片受硅片面積的限制,不可能制作規模龐大的神經網絡硬件。如果一個數萬個神經元的全聯接網絡,其互聯線將達到10億根;若以1微米三層金屬布線工藝來計算,僅僅布線一項所占硅片面積將達到數十平方米。因此,在微電子技術基礎上用這種一一對應的方式實現規模很大的神經網絡顯然不現實。
4.3.2 用光學或光電混合器件實現神經網絡硬件系統
光學技術在許多方面有著電子技術無法比擬的優點:光具有并行性,這點與神經計算機吻合;光波的傳播交叉無失真,傳播容量大;可實現超高速運算。現在的神經計算機充其量也只有數百個神經,因此用“電子式”還是可能的,但是若要把一萬個神經結合在一起,那么就需要一億條導線,恐怕除光之外,任何東西都不可能完成了。但是光束本身很難表示信號的正負,通常需要雙層結構,加之光學相關器件體積略大,都會使系統變得龐大與復雜。
5 小結
人工神經網絡（AartificialNeuralNetwork，下簡稱ANN）是模擬生物神經元的結構而提出的一種信息處理方法。早在1943年，已由心理學家WarrenS.Mcculloch和數學家WalthH.Pitts提出神經元數學模型，后被冷落了一段時間，80年代又迅猛興起［1］。ANN之所以受到人們的普遍關注，是由于它具有本質的非線形特征、并行處理能力、強魯棒性以及自組織自學習的能力。其中研究得最為成熟的是誤差的反傳模型算法（BP算法，BackPropagation），它的網絡結構及算法直觀、簡單，在工業領域中應用較多。
經訓練的ANN適用于利用分析振動數據對機器進行監控和故障檢測，預測某些部件的疲勞壽命［2］。非線形神經網絡補償和魯棒控制綜合方法的應用（其魯棒控制利用了變結構控制或滑動模控制），在實時工業控制執行程序中較為有效［3］。人工神經網絡（ANN）和模糊邏輯（FuzzyLogic）的綜合，實現了電動機故障檢測的啟發式推理。對非線形問題，可通過ANN的BP算法學習正常運行例子調整內部權值來準確求解［4］。
因此，對于電力系統這個存在著大量非線性的復雜大系統來講，ANN理論在電力系統中的應用具有很大的潛力，目前已涉及到如暫態，動穩分析，負荷預報，機組最優組合，警報處理與故障診斷，配電網線損計算，發電規劃，經濟運行及電力系統控制等方面［5］。
本文介紹了一種基于人工神經網絡（ANN）理論的保護原理。
1、人工神經網絡理論概述
BP算法是一種監控學習技巧，它通過比較輸出單元的真實輸出和希望值之間的差別，調整網絡路徑的權值，以使下一次在相同的輸入下，網絡的輸出接近于希望值。
在神經網絡投運前，就應用大量的數據，包括正常運行的、不正常運行的，作為其訓練內容，以一定的輸入和期望的輸出通過BP算法去不斷修改網絡的權值。在投運后，還可根據現場的特定情況進行現場學習，以擴充ANN內存知識量。從算法原理看，并行處理能力和非線是BP算法的一大優點。
2、神經網絡型繼電保護
神經網絡理論的保護裝置，可判別更復雜的模式，其因果關系是更復雜的、非線性的、模糊的、動態的和非平穩隨機的。它是神經網絡（ANN）與專家系統（ES）融為一體的神經網絡專家系統，其中，ANN是數值的、聯想的、自組織的、仿生的方式，ES是認知的和啟發式的。
文獻［1］認為全波數據窗建立的神經網絡在準確性方面優于利用半波數據窗建立的神經網絡，因此保護應選用全波數據窗。
ANN保護裝置出廠后，還可以在投運單位如網調、省調實驗室內進行學習，學習內容針對該省的保護的特別要求進行（如反措）。到現場，還可根據該站的干擾情況進行反誤動、反拒動學習，特別是一些常出現波形間斷的變電站內的高頻保護。
3、結論
本文基于現代控制技術提出了人工神經網絡理論的保護構想。神經網絡軟件的反應速度比純數字計算軟件快幾十倍以上，這樣，在相同的動作時間下，可以大大提高保護運算次數，以實現在時間上即次數上提高冗余度。
一套完整的ANN保護是需要有很多輸入量的，如果對某套保護來說，區內、區外故障時其輸入信號幾乎相同，則很難以此作為訓練樣本訓練保護，而每套保護都增多輸入量，必然會使保護、二次接線復雜化。變電站綜合自動化也許是解決該問題的一個較好方法，各套保護通過總線聯網，交換信息，充分利用ANN的并行處理功能，每套保護均對其它線路信息進行加工，以此綜合得出動作判據。每套保護可把每次錄得的數據文件，加上對其動作正確性與否的判斷，作為本身的訓練內容，因為即使有時人工分析也不能區分哪些數據特征能使保護不正確動作，特別是高頻模擬量。
神經網絡的硬件芯片現在仍很昂貴，但技術成熟時，應利用硬件實現現在的軟件功能。另外，神經網絡的并行處理和信息分布存儲機制還不十分清楚，如何選擇的網絡結構還沒有充分的理論依據。所有這些都有待于對神經網絡基本理論進行深入的研究，以形成完善的理論體系，創造出更適合于實際應用的新型網絡及學習算法［5］。
參考文獻
1、陳炳華。采用模式識別（智能型）的保護裝置的設想。中國電機工程學會第五屆全國繼電保護學術會議，［會址不詳］，1993
2、RobertE.Uhrig.ApplicationofArtificialNeuralNetworksinIndustrialTechnology.IEEETrans，1994，10（3）。（1）：371～377
3、LeeTH，WangQC，TanWK.AFrameworkforRobustNeuralNetwork-BasedControlofNonlinearServomechannisms.IEEETrans，1993，3（2）。（3）：190～197
中圖分類號：TP391文獻標識碼：A文章編號：1009-3044(2012)11-2599-05
License Plate Recognition Based on Synergetic Neural Network
ZHANG Mei-jing
(Fujian Jiangxia College，Fuzhou 350108,China)
Abstract: Feature losses and noise are major barriers for license plate recognition. Because of outstanding properties in association and rec? ognition, Synergetic Neural Network is used to process the binary character image to regain the legibility and completion. According to the result of experiment, Synergetic Neural Network is proofed to be an excellent algorithm in Recognition.
Key words：synergetic neural network；license plate recognition；character recognition
字符識別屬于模式識別領域的重要組成部分，是文字自動輸入的一種方法。它通過掃描和攝像等輸入方式獲取媒介上的文字圖像信息，利用各種模式識別算法分析文字形態特征，判斷出字符的標準編碼，并按指定格式存儲在文該文件。字符識別的過程如圖1。
1車牌字符識別原理
車牌字符識別是字符識別技術的一個分支，是智能交通系統的重要組成部分。車牌字符識別的任務是將車牌圖片上的7個由漢字，數字和大些英文字符組合而成的字符圖片識別成字符，相關字符如圖2。[1](a)漢字樣本(b)字母樣本(c)數字樣本
圖2車牌字符樣本
車牌字符識根據識別對象分類屬于有限樣本的印刷體脫機字符識別，常用的方法有模板匹配字符識別法，人工神經網絡字符識別和特征統計匹配法等。[2]模板匹配字符識別算法是將待識別字符與系統中已收錄的標準字符樣本進行像素級別的逐一匹配，通過匹配度的高低判定待識別樣本。字符特征識別對待識別字符進行字符布局，結構，筆劃等特征進行分析，通過特征的分析結果與系統字符庫中的樣本進行比對，得出識別結果。人工神經網絡以人腦識別物體的原理為依據，構建一個與人腦識別過程相似的網絡系統。該網絡經過訓練后對各字符樣本的特征極為敏感，能夠對待識別對象在較短時間能做出判斷，得出識別結果。
在實際應用中，車牌識別算法遠達不到理想狀態下的性能，單獨采用上述算法中的任何一種均難以取得較好的效果，個別情況乃至各種技術的組合都難以奏效。車牌識別率不高的主要原因是有效信息不足或缺失和噪聲太大等失真，原因包括由天氣、光線、背景環境、攝取角度、車牌污損等，圖像在采集過程中存在不同程度的信息損失和圖像變形；個別字符間的高相似度嚴重使得樣本特征不易提取和區分；圖像預處理導致的圖像有效信息弱化，乃至消失等，如圖3。因此，如何保證待識別圖像信息的完整性是高效識別字符的關鍵。
2協同神經網絡
20世紀70年代，德國科學家H.Haken教授在斯圖加特大學冬季學期演講中首次引入協同學（Synergetic）的概念。20世紀80年代末，協同學原理被引入計算機科學和認知科學，基于協同學的神經網絡正式提出。[3]
2.1協同神經網絡原理
協同神經網絡（Synergetic Nerural Network, SNN）是一種競爭性網絡。根據協同學將模式識別過程與模式形成過程視為同一過程的原理[3]，系統將根據待識別對象q和樣本構造一系列的序參量，讓序參量在一個動力學過程中進行競爭，最終取勝的序參量將驅使整個系統進入一個特定的有序狀態，使得q從中間狀態進入某個原型模式止中，完成整個系統的宏觀質變。整個過程可描述為q(0) q(t) vk。忽略漲落力( )F t和暫態量，勢函數表達式如式（1）， l為注意參數，其值為正數時可q指數增長；kv為原型模式向量，滿足歸一化和零均值條件，即式（3）和式（4）； x，用于描述q在最小二乘意義下kv上的投影，即可把q分解為原型向量kv和剩余向量w，如式（5）
2.2協同神經網絡的構建
根據上述協同神經網路的原理，構造Haken網絡結構，將序參量的動力學方程離散化為式（12）=，離散系統神經網絡的穩定性主要取決于r的大小。通過上述處理，Haken網絡轉化為三層前向網絡的形式，如圖4所示。圖4協同神經網絡結構
設原型模式數為M，狀態向量與特征向量的維數為N，為滿足原型模式之間線性無關條件，MN￡，則網絡輸入層的神經元數為N，輸出層的神經元個數為N，中間層的神經元個數為M。從網絡的輸入單元j到中間層k的連接權值，為伴隨向量kjv+，該伴隨向量kjv+通過網絡的訓練獲得；中間層k到輸出層單元l的連接權值，為原型向量lk v，通過網絡的訓練獲得[4]。
協同神經網絡的運行過程分為兩個階段：首先是網絡學習階段，然后是網絡識別階段，其運行步驟包括以下八步：
1)網絡學習階段
①選擇網絡的訓練模式，將訓練模式向量化；
②計算出滿足歸一化和零均值條件的原型模式向量kv，即網絡中間層到輸出層的連接權值；
③求出原型向量kv的伴隨向量kv+，并存儲伴隨向量矩陣，從而獲得網絡輸入層到中間層的連接權；
2)網絡識別階段
④網絡輸入層讀入待識別模式的特征向量(0)q，輸入模式的特征向量(0)q滿足歸一化和零均值條件；
⑤輸入層模式特征向量(0)q與網絡權值相乘，即(0)(0)
3識別實驗
我國現行的02式車牌字庫樣本包含40個漢字，26個大寫英文字母和10個數字，總共76個，樣本如圖5所示。相對于數字和字母而言，漢字結構比較復雜，以脫機方式識別難度較大，且識別原理相同，故以34個省、自治區、直轄市簡稱的字符為識別樣本進行實驗，實驗的軟件平臺采用Matlab2009a，實驗結果將分別與BP神經網絡（BPNN）和Hopfield神經網絡（HNN）的識別效果進行比較。=，1B C==；求得各序參量初值ξ(0)如下：
-0.06867057433020530.01568406876894620.05013376633354150.0631045313417070-0.0274198021611342 0.03373680640883180.1625299254749570.03986166655208920.06608181151017900.0593773160644256 0.0189960079554657-0.03124887237908740.0252495395456835-0.1715844592494780.0661238836233446 0.0681958334905401-0.09422390281760170.137104511398972-0.0371544780361387-0.0206758647343073 0.0204453344805276-0.07415745082880180.335697288112717-0.0827516059489237 0.0749152803026763 0.03887147948484890.149771923460272-0.06972351567272020.09636195429090890.0897441258906458-0.109678771470029-0.1227450763021440.119589618251446-0.0596355107322448
3.1信息缺失字符的識別實驗
信息缺失是干擾識別效果的極為重要的因素，主要表現為字符不完整，多數由于圖像采集和字符分割預處理過程所導致的，如圖6。該待識別樣本由于車牌的傾斜校正處理使得走字底部分造成殘缺。經過約110輪的迭代，獲勝模式為“遼”，識別所需時間為0.036287秒，迭代過程如表1，圖7顯示了競爭過程中各序參量的變化，識別結果圖8，各神經網絡的識別結果及開銷對對比如表2。
3.2噪聲干擾字符的識別實驗
噪聲干擾也是圖像識別中主要的干擾因素，主要源于圖像采集和二值化預處理過程，如圖9，該字符由于車牌污損導致字符布滿噪聲。經過約96輪的迭代，獲勝模式為“浙”，識別所需時間為0.035126秒，迭代過程如表3，圖10顯示了競爭過程中各序參量的變化，識別結果圖11，各神經網絡的識別結果及開銷對比如表4。
結果表明，協同神經網絡識別效果最好，與原型模式完全一致；Hopfield神經網絡雖也識別，但識別結果存在少許失真；BP神經網絡則識別錯誤。在時間開銷方面，協同神經網絡需要迭代的次數較多，但用時最短，Hopfield神經網絡迭代的次數較少，但用時較多。
經過對400個車牌樣本的識別，識別結果的統計如表5，各項數據充分表明了協同神經網絡優異的識別性能。
表5 400圖片測試結果對比
4結束語
協同神經網絡是協同學在模式識別方面的重要應用，該文介紹了協同神經網絡的原理，以Matlab為平臺實現了網絡模型，并以車牌漢字為例進行實驗。大量的實驗結果表明，Haken協同神經網絡比BP神經網絡和Hopfield神經網絡具有更好的識別效果，充分表明了協同神經網絡在字符識別方面的有效性。但是，實驗結果也表明，經典的Haken神經網絡對于外形酷似的字符，如字符“0”與字符“O”、字符“O”與字符“Q”等，仍不能進行有效精確識別，有待進一步的挖掘和提高。
參考文獻:
[1]公安部.GA36-2007,中華人民共和國公共安全行業標準—中華人民共和國機動車號牌[S],2007.
[2]劉靜.幾種車牌字符識別算法的比較[J].電腦與電信,2008(8):72-73.
【關鍵詞】BP神經網絡；函數逼近
1.緒論
人工神經網絡（artificial neural network，ANN）是模仿生物神經網絡功能的一種經驗模型。生物神經元受到傳入的刺激，其反應又從輸出端傳到相聯的其它神經元，輸入和輸出之間的變換關系一般是非線性的。
1.1 BP神經網絡定義
BP （Back Propagation）神經網絡是一種神經網絡學習算法。相鄰層之間各神經元進行全連接，而每層各神經元之間無連接，網絡按有教師示教的方式進行學習，當一對學習模式提供給網絡后，各神經元獲得網絡的輸入響應產生連接權值（Weight）。此過程反復交替進行，直至網絡的全局誤差趨向給定的極小值，即完成學習的過程。
1.2 BP神經網絡模型及其基本原理
網絡的輸入層模擬的是神經系統中的感覺神經元，它接收輸入樣本信號。輸入信號經輸入層輸入， 通過隱含層的復雜計算由輸出層輸出，輸出信號與期望輸出相比較，若有誤差，再將誤差信號反向由輸出層通過隱含層處理后向輸入層傳播。在這個過程中，誤差通過梯度下降算法，分攤給各層的所有單元，從而獲得各單元的誤差信號，以此誤差信號為依據修正各單元權值，網絡權值因此被重新分布。此過程完成后， 輸入信號再次由輸入層輸入網絡，重復上述過程。這種信號正向傳播與誤差反向傳播的各層權值調整過程周而復始地進行著，直到網絡輸出的誤差減少到可以接受的程度，或進行到預先設定的學習次數為止。權值不斷調整的過程就是網絡的學習訓練過程。
2.BP網絡在函數逼近中的應用
2.1 基于BP神經網絡逼近函數
步驟1：假設頻率參數k=1，繪制要逼近的非線性函數的曲線。
步驟2：網絡的建立
應用newff（）函數建立BP網絡結構。隱層神經元數目n可以改變，暫設為n=3，輸出層有一個神經元。選擇隱層和輸出層神經元傳遞函數分別為tansig函數和purelin函數，網絡訓練的算法采用Levenberg Marquardt算法trainlm。
同時繪制網絡輸出曲線，并與原函數相比較，結果如圖3.3所示。
其中 “――” 代表要逼近的非線性函數曲線；
“……” 代表未經訓練的函數曲線；
因為使用newff（ ）函數建立函數網絡時，權值和閾值的初始化是隨機的，所以網絡輸出結構很差，根本達不到函數逼近的目的，每次運行的結果也有時不同。
步驟3：網絡訓練
應用train（）函數對網絡進行訓練之前，需要預先設置網絡訓練參數。訓練后得到的誤差變化過程如圖2.1所示。
步驟4： 網絡測試
對于訓練好的網絡進行仿真：
其中 “――” 代表要逼近的非線性函數曲線；
“” 代表未經訓練的函數曲線；
“” 代表經過訓練的函數曲線；
從圖中可以看出，得到的曲線和原始的非線性函數曲線很接近。這說明經過訓練后，BP網絡對非線性函數的逼近效果比較好。
3.結束語
神經網絡在近幾年的不斷發展，在人工智能、自動控制、計算機科學、信息處理、機器人、模式識別等眾多方面都取得了不錯的成績，給人們帶來了很多應用上的方便，和一些解決問題的方法，期待神經網絡可以應在在更多的領域，為人類做出更大的貢獻。
參考文獻：
[1] 劉煥海，汪禹.《計算機光盤軟件與應用》. 北京： 高等教育出版社，2011.10：15-30.
關鍵詞：氣體傳感器陣列；人工神經網絡；信號預處理；BP算法
中圖分類號：TP183 文獻標識碼：B
文章編號：1004-373X(2008)10-187-03オ
Application of Artificial Neural Network in Gas Analysis System
HE Bo,WANG Wuyi,ZHANG Jiatian
(Education Department Key Laboratory of Photoelectric Oil and Gas Logging & Detecting,Xi′an Shiyou University,Xi′an,710065,China)オ
Abstract：In order to study the application of artificial neural network in gas analysis system,the article chooses gas sensor array and network model training samples to identify CH4 and CO,signal preprocessing algorithms is determined in the experiment.The experiment also chooses appropriate network model and creative improves BP algorithm for gas identification.The article researches the influence on gas analysis system of structure and parameters of feed forward neural network,result indicates that the method based on the combine gas sensor array with BP nervous network to analyze gas component is feasible.If further adjusting and improving hardware measurement circuit of gas sensor array,the multi-gas analysis system,which is applied in reality complex environment can be developed.
Keywords：gas sensor array;artificial neural network;signal preprocessing;BP algorithmオ
目前，煤礦生產過程中釋放的大量的CH4(甲烷)及CO(一氧化碳)等易燃易爆氣體極大的威脅了生產過程的安全性，發生事故時會造成巨大的經濟損失，特大事故甚至危及礦工的生命[1]。所以對煤礦井下CH4(甲烷)及CO(一氧化碳)等易燃易爆氣體進行快速準確的檢測顯得尤其重要。同時多組份氣體的定性、定量檢測在環境保護、食品保鮮、航空航天等領域也有著廣泛的應用。使用氣體傳感器構成的氣體分析儀進行多組份氣體的定性定量測量,具有成本低，測量周期短,并可實現在線實時測量等優點。但是由于氣體傳感器普遍存在著交叉敏感特性和選擇性差等缺點,使用單一傳感器很難實現多組份氣體的檢測分析。目前較有效的方法是通過多個敏感程度不同的氣體傳感器組成傳感器陣列,結合人工神經網絡算法進行多氣體的分析。本文主要介紹一種基于氣體傳感器陣列[2]和采用BP算法[3]進行訓練的神經網絡進行混合氣體的種類識別。
1 人工神經網絡模型的選取
人工神經網絡是新興交叉學科，也是國際上研究異常活躍的領域之一。神經網絡模型有BP模型、Hopfield模型、Hamming模型等，都是基于連接學說構造的智能仿生模型。他是由大量神經元組成的非線性動力系統，具有非線性、非區域性、非定長性和非凸性等特點。
BP神經網絡模型是人工神經網絡的重要模型之一[4]。通常BP算法是通過一些學習規則來調整神經元之間的連接權值，具有初步的自適應與自組織能力，具有學習功能。BP學習算法(反向傳播學習算法)具有思路清晰、結構嚴謹、工作狀態穩定、可操作性強的特點。BP神經網絡由具有多個節點的輸入層、隱含層和多個或1個輸出的輸出層組成，每個節點為1個單獨的神經元，相鄰兩層間單向連接，圖1為BP神經網絡模型的原理框圖。
圖1 BP神經網絡模型原理框圖
2 實驗原理及傳感器陣列的選取
2.1 實驗原理
本實驗的原理是將被測氣體按所需測量精度和濃度成分分成不同的等級，采用標準氣體配置這些等級的不同成分的所有組合作為標準模態訓練神經網絡。通過識別某一未知氣體樣本的模式，即可以得到未知氣體的成分濃度。
2.2 傳感器陣列及樣本的選取
在實驗中為了檢測CH4和CO兩種氣體的混合氣體，選用4個半導體氣體傳感器構成陣列，型號分別為:QM-N7II,QM-H1,QM-N5,QM-N8型。這4個氣體傳感器都是金屬氧化物N型半導體氣敏元件，他們對CH4 ,CO的靈敏度各不相同。當與還原性氣體CH4 ,CO接觸時，其電導率隨氣體濃度的增加而迅速升高。根據數據分析的需要測試CH4，CO分別在100,200,300,400,500,600,700,800,900,1 000 ppm (1 ppm=10-6)濃度時傳感器陣列的響應，從而獲得了20個樣本對。
3 實驗分析
將實驗中測得的氣體樣本一分為二，10組用于訓練，10組用于預測。過程為先將CH4，CO分別在100,300,500,700,900 ppm的共10組樣本進行預處理，輸入前饋神經網絡，期望輸出［1,0］，［0,1］分別對應CH4，CO二種氣體。當網絡收斂到規定的誤差指標時，停止訓練，固定網絡連接權值和節點閥值；然后將CH4,CO分別在200,400,600,800,1 000 ppm的共10組樣本進行預處理，輸入上述經過訓練的網絡，從而得到預測結果。對于分類器，預測值＞0.7視為1；預測值＜0.3視為0；預測值在（0.3,0.7)之間視為預測出錯。同時通過分析確定了信號預處理算法和不同網絡結構參數對系統輸出的影響。
3.1 信號預處理算法
為了提高檢測系統的分類辨識效果，必須對傳感器陣列的輸出信號進行預處理，以消除或降低氣體濃度對傳感器輸出的影響。傳感器信號預處理算法直接影響著檢測系統的工作特性，應該合理選擇。假設傳感器陣列對空氣的電導用Gair=［Gair,1,Gair,2，…,Gair,4］，對混合氣的電導用Ggas=［Ggas,1,Gair,2,…,Ggas,4］В陣列中4個傳感器與CH4,CO作用時其電導將增加,則通常采用陣列歸一化算法:[HT5]
Иxgas,i=Ggas,i/Gair,i1n∑ni=1Ggas,iGair,i21/2(1)И
其中n=4為陣列中傳感器總數。經過式(1)處理后的陣列響應Xgas=［xgas,1,…,xgas,4］ё魑人工神經網絡系統的實際輸入，氣體傳感器陣列歸一化響應數據如表1[5]所示。
陣列歸一化算法的預測結果如下表2[5]所示。
3.2 改進的BP算法
由于BP算法是一種基于梯度下降優化方法的學習算法,因而不可避免地存在可能收斂到局部極小的問題,另外傳統BP算法采用固定的學習率和使用Sigmoid函數為作用函數,從而導致網絡的訓練速度和精度不高。由于傳感器物理特性造成的誤差難以避免,可采用樣本篩選的方法,對原始樣本中偏差較大的刪除或作調整,達到精簡優化樣本質量的效果。但這樣的效果不是很明顯,為此本文從訓練算法入手,對傳統BP算法進行一些改進[6]:
(1) 采用變步長機制:在誤差變化劇烈的地方，適當減少步長以保證其精確性;而在誤差變化平緩的地方，適當加大步長以加快收斂速度。
(2) 引入動量因子Е聯:其原理類似共軛梯度法，目的在于加入一項以記憶上一時刻權的修改方向，而此時刻的修改方向則為上一時刻修改方向與此刻方向的組合。他能有效加速收斂、防止振蕩。
(3) 加入Еpiб蜃櫻在一定程度上改變到達平坦區的誤差函數，使誤差變化迅速退出不靈敏區，而得到收斂。
表1 氣體傳感器陣列歸一化響應數據
故連接權值公式修改為:
ИWsq(t+1)=Wsq(t)+η(t)δqys+αΔWsq(t)(2)И
其中，Е俏增益項；δq為誤差項；ys為節點的輸出。令sq為ij或jk,而i,j,kХ直鷂從輸入到輸出的對應各層節點。相應的誤差項為:
隱含層-輸出層:
ИЕpjk=(tpk－ypk)ypk(1－ypk)γpk(3)И
輸入層-隱含層:
ИЕpij=∑n－1k=0δpjkWjkxpj(1－xpj)γpj(4)И
當ЕE總0時，有η(t+1)=η(t)•β，α=0。其中，φ>1，β
ΔE(t)=E(t)－E(t－1)。
當遇到局部最小而不能收斂時，可以通過調節γpk和γpj來克服，即將γpk和γpj分別調節到大于1。И
3.3 神經網絡結構參數的比較
前饋神經網絡中隱含層數目、隱含層神經元數目（本文中采用4∶4∶2結構）也是影響系統性能的可能因素，因此優化選擇神經網絡的結構和參數是系統設計中的另一個重要步驟。為了比較神經網絡結構參數對系統性能的影響，將預處理算法固定為陣列歸一化算法，同樣網絡的初始連接權值和節點閥值也不變，只改變網絡的隱含層數目和隱含層神經元數個數[6，8]。
結果發現，對于本文的實際問題，采用單隱含層的神經網絡和多隱含層神經網絡都可以完成辨識任務，不同僅在于：單隱含層神經網絡的訓練時間明顯低于多隱含層神經網絡訓練時間。對于單隱含層神經網絡，隱含層神經元數目只要介于3~12之間，預測結果無明顯變化，所以本文的神經網絡結構和參數完全可以滿足設計要求。
4 結 語
通過以上實驗可知,應用氣體傳感器陣列與BP算法訓練的人工神經網絡模型相結合進行多種氣體成分分析具有很好的效果,如果能夠進一步調整和完善氣體傳感器陣列的硬件測量電路,則可開發出用于現實復雜環境的多氣體分析系統。
參 考 文 獻
［1］張延松.煤礦井下有害氣體的危害及預防[J].安全,1996(2):14-16.
［2］曲建嶺,王磊.基于前饋神經網絡的人工嗅覺系統[J].西北工業大學學報,1999（增刊）:124-128.
［3］羅發龍,李衍達.神經網絡信號處理[M].北京:電子工業出版社,1993.
［4］焦李成.神經網絡系統理論[M].西安:西安電子科技大學出版社,1990.
［5］聞新,周露,力,等.Matlab神經網絡應用設計[M].北京:科學出版社,2000.
［6］王永驥,徐建.神經元網絡控制[M].北京:機械工業出版社,1998.
［7］楊建剛.人工神經網絡實用教程[M].杭州:浙江大學出版社,2001.
［8］沈清,胡德文,時春.神經網絡應用技術[M].長沙:國防工業出版社,1993.
［9］Huyberechts G.Simultaneous Quantification of Carbon Mono-xide and Methane in Humid Air Using a Sensor Array and an Artificial Neural Network.Sensors and Actuators BP,1997,45:123-130.
關鍵詞：神經網絡 心理障礙 專家系統
中圖分類號：G64 文獻標識碼：A 文章編號：1007-9416(2012)02-0174-02
人工神經網絡技術的興起為知識獲取開辟了一條新途徑。它通過模擬人腦的神經網絡結構形式，建立各種網絡模型，進行信息處理達到解決問題的目的。如BP網絡模型就能通過大量的訓練例子，經過學習獲取知識[1]。
目前高校在大學生心理健康教育領域只是通過學校的心理輔導老師或醫院的心理學專家給予咨詢指導，但是由于經驗水平不一，層次不同，達不到預期的效果。而利用神經網絡專家系統能夠進行復雜的模式識別和完成規則復雜、無法預先確定化的任務。文章試圖借助神經網絡專家系統全面綜合國內外心理學專家的經驗，全方面檢測大學生心理狀況并及時給出診斷方案。
1、人工神經網絡的基本思想
人工神經網絡（Artificial Neural Networks，簡記作ANN），是對人類大腦系統的一階特性的一種描述[1]。簡單地講，它是一個數學模型，可以用電子線路來實現，也可以用計算機程序來模擬，是人工智能研究的一種方法[1]。人工神經網絡的功能特性由其連接的拓撲結構和突觸連接強度，即連接權值決定。神經網絡全體連接權值的可用一個矩陣W表示，它的整體反映了神經網絡對于所解決問題的知識存儲。神經網絡能夠通過對樣本的學習訓練，不斷改變網絡的連接權值以及拓撲結構以使網絡的輸出不斷地接近期望的輸出。這一過程稱為神經網絡的學習或訓練，其本質是可變權值的動態調整。神經網絡的學習方式是決定神經網絡信息處理性能的第三大要素，因此有關學習的研究在神經網絡研究中具有重要地位。改變權值的規則稱為學習規則或學習算法，在單個處理單元集體進行權值調整時，網絡就呈現出“智能”特性，其中有意義的信息就分布地存儲在調節后的權值矩陣中。
2、BP神經網絡模型的原理和結構
BP（Back Propagation）神經網絡是由Rumelhart和McCelland為首的科學家小組提出，是一種按誤差逆傳播算法訓練的多層前饋網絡，是目前應用最廣泛的神經網絡模型之一[3]。BP網絡能學習和存貯大量的輸入-輸出模式映射關系，而無需事前揭示描述這種映射關系的數學方程。它的學習規則是使用最速下降法，通過反向傳播來不斷調整網絡的權值和閾值，使網絡的誤差平方和最小。BP神經網絡模型拓撲結構包括輸入層（input）、隱層（hide layer）和輸出層（output layer）（如圖1所示）。
Fig1 BP Neural Network Structure
BP網絡的原理是把一個輸入矢量經過隱層變換成輸出矢量，實現從輸入空間到輸出空間的映射。由權重實現正向映射，利用當前權重作用下網絡的輸出與希望實現的映射要求的期望輸出進行比較來學習的。但要深入了解我們就先要了解一下BP網絡學習算法――反傳學習算法（即BP算法）。對于輸入信號，要先向前傳播到隱層節點，經作用函數后，再把隱節點的輸出信號傳播到輸出節點，最后給出輸出結果。節點的作用的激勵函數通常選取S型函數，如，式中Q為調整激勵函數形式的Sigmoid參數。該算法的學習過程由正向傳播和反向傳播組成。正向傳播時，傳播方向為輸入層隱層輸出層，每層神經元的狀態只影響下一層神經元。若在輸出層得不到期望的輸出，則轉向誤差信號的反向傳播流程，將誤差信號沿原來的連接通道返回，通過修改各層神經元的權值，使得誤差信號最小。通過這兩個過程的交替進行，在權向量空間執行誤差函數梯度下降策略，動態迭代搜索一組權向量，使網絡誤差函數達到最小值，從而完成信息提取和記憶過程。BP模型把一組樣本的I/O問題變為一個非線性優化問題，它使用的是優化中最普通的梯度下降法。
3、大學生心理障礙診斷專家系統
有關研究和統計結果表明，大學生在心理上的確存在著一系列的不良反應和適應障礙，有的甚至到了極為嚴重的程度，因心理疾病而休學、退學甚至傷人、自殺的比率近幾年呈上升趨勢。心理疾病主要是由心理因素造成的。對此，我們設計此診斷專家系統，使大學生可以及時了解自己心理健康狀態，為大學生心理健康成長提供有力幫助[4]。
鑒于篇幅原因，以從五個特征識別大學生常見心理疾病為例，說明模型服務的開發過程。輸入的五個特征包括：行為舉止、情緒狀態、飲食睡眠、性格特征、軀體疾病，選擇大學生常見的四種心理疾病作為訓練，構造心理疾病識別神經網絡。在實際中的心理疾病的特征要復雜龐大的多，且各個特征間也多有重疊交互，在此僅提供選取五個鮮明共性，構造神經網絡識別訓練集，如表1所示。
該樣本設計成如圖2所示的神經網絡。網絡輸入層的神經元個數為5個，輸出層的神經元個數為4個，隱層的神經元個數為5個。
Fig.2 Neural Network of Psychological barrier distinguishing
進行神經元網絡計算，需要把文字概念轉換為數值。為了便于數據的判別，用六維向量值表示各個特征，其中前三位表示類別，后三位表示特征，則共可以容納26=64種特征。表1的內容經過文字到數值的轉換后的結果見表2。
經過改進的BP網絡后加入的動量項初始值為0.6，網絡學習速率為0.43。網絡訓練的循環次數規定為5000，訓練誤差期望為0.000001。
通過該神經網絡模型來完成大學生心理障礙專家診斷系統。對該神經網絡進行訓練后，輸入四組數據見表3：
下表為量化后的實例表4：
表4 量化后的數據表
Table4 After the quantitative data table
運行客戶端程序，得到結果報表。所得到報表包含以下內容：
(1)完成文字到數值轉換后的輸入參數；
(2)神經網絡的計算輸出值；
(3)根據輸出數值得到的結論。得到以下推理結果如圖3所示：
Fig.3 Result of college student Psychological barrier Expert System
從計算結果中可以看出神經網絡的容錯效果很好，對第二例，對焦慮癥缺省缺乏自信、孤獨內向條件時，輸出結果是焦慮癥（0.9122）；對第三例，輸入神經衰弱和焦慮癥的共同信息時，神經網絡輸出既靠近神經衰弱（0.8761），又靠近焦慮癥（0.8429），輸出結論：該癥狀是介于神經衰弱癥和焦慮癥的中間種類，不能被明確識別，神經網絡需要進一步訓練、學習。
4、結語
神經網絡來源于研究者對真實神經元網絡運算能力的模擬，在發展過程中，逐漸顯示出學習、記憶、聯想等強大的功能，因此神經網絡被廣泛的應用到很多領域。通過對神經網絡在大學生心理障礙診斷中的應用研究，實現了簡單的模式識別，達到了預期診斷效果。目前該系統只是對生物神經系統的某種特定性能的簡單模擬，如果進行足夠的訓練和學習，理論上該系統能夠進行復雜的模式識別和完成規則復雜、無法預先確定化的任務。
參考文獻
[1]韓力群.人工神經網絡教程[M].北京:北京郵電大學出版社,2006:23-27.
[2]馮定.神經網絡專家系統[M].北京:科學出版社,2006:57-61.
[3]高雋.人工神經網絡原理及仿真實例（第二版）[M].北京:機械工業出版社,2007:10-11.
[4]陳青萍.現代臨床心理學[M].北京:中國社會科學出版社,2004:124-130.
[5]李維,張詩忠.心理病理卷（中文版）[M].上海:上海教育出版社,2004:74-76.
關鍵詞 壓力傳感器；溫度漂移；溫度補償
中圖分類號：TP212 文獻標識碼：A 文章編號：1671-7597（2014）10-0038-02
壓力傳感器的輸出結果精度容易受到多種因素的影響，其中，唯獨是影響傳感器輸出精度的最主要因素。目前，國內經常使用硬件補償和軟件補償兩類方法對壓力傳感器進行溫度補償。硬件補償方法調試難度較高、精度低、通用性也較差，在實際工程中應用時，難以去得較好的效果；而軟件補償方法有效彌補了硬件補償的缺點，其中BP神經網絡補償在實際工程中運用十分廣泛，但是典型BP神經網絡補償法雖然精確度高，但是整個流程過于復雜、整個過程耗時較長，因此，本文提出了一種基于主成分分析的BP神經網絡補償方法，希望對提高補償效率和準確性起到一定的作用。
1 典型BP神經網絡補償原理分析
BP神經網絡是目前研究中應用范圍最廣的神經網絡模型之一，BP神經網絡術語單向傳輸網絡結構，整個信息傳輸的過程呈現出高度的非線性特點。典型的BP神經網絡結構包括輸入層、隱含層和輸出層3層結構。通常情況下BP神經網絡只有這3層結構，這主要是由于單隱層的BP神經網絡既可以完成從任意n維到m維的映射。其典型結構如下圖所示。
BP神經網絡結構模型
BP算法設計到了信息的正向傳播以及誤差的反向傳播，信息首先從輸入層傳入，然后經過隱含層的處理傳入輸出層，最終輸出的信息可以用下面的形式進行表示：
其中：、分別代表了隱含層及輸出層的權值；
n0、n1分別對應了輸入節點數及隱含層節點數。
輸出層神經元的激勵函數f1通常呈現出線性特點；而隱含層神經元的激勵函數f2通常采用如下所示的形式在（0，1）的S型函數中進行輸出：
由于BP神經網絡隱含層采用的傳遞函數為對數S型曲線，其輸出范圍在（0，1）之間。為了避免節點在短時間之內飽和而無法繼續進行訓練，需要在訓練開始之前利用下面公式對樣本數據進行預處理：
，
其中：Ui、Pi均為訓練數據的標定值；Uimin、Uimax分別表示輸出電壓的標定極值（最小和最大）；Pimin、Pimax分別表示壓力的標定極值（最小和最大）。
當目標矢量為T，信息通過正向傳遞，可以得到誤差函數，具體如下所示：
如果輸出結果無法達到要求的誤差范圍，則返回誤差信號并按照一定的權值對公式中的各層權值進行修正，直到輸出結果達到期望值。
在利用典型BP神經網絡進行壓力傳感器溫度補償的過程中，算法過于復雜，而且非常耗時，因此，需要對其進行改進，以提高補償效率。
2 BP神經網絡法的改進
2.1 改進原理
基于典型的BP神經網絡，利用以下方法進行改進。
1）利用小波神經網絡的思想對神經元的激勵函數進行改進，從而實現小波特性與BP神經網絡自學功能的充分結合，提高激勵函數的逼近能力。以Morlet函數作為小波函數的母函數，可以降低不同層面神經元之間的影響，提高網絡的收斂速度。以Morlet函數作母函數的小波函數屬于幅值小波，其信號中包含了復值和相關信息，改進后的函數具體如下所示：
在本次研究中，我們選取了R個輸入樣本和N個輸出節點，則可以利用下面的公式對第l個樣本的第n個節點的輸入進行表示：
其中：K表示神經網絡隱含層的單元數量；M表示神經網絡輸入層的單元數量；ωn，k表示神經網絡隱含層第k單元與輸出層第n單元的連接權值；ak-小波伸縮因子；bk-平移因子；Sl（xm）―輸入信號。
2）在計算過程中通過，附加動量法的應用可以有效改實現梯度方向的平滑過渡，使得計算結果更具穩定性。該方法以BP法為基礎對權值進行調節，具體公式如下：
其中：t表示樣本的訓練次數；η表示學習速率；σ表示動量因子；σΔωki（t）表示附加動量項，它能夠有效降低不同神經元之間的影響，提高網絡的收斂速度。
2.2 主成分BP神經網絡算法的實現
步驟1：按照典型BP神經網絡數據預處理方法對樣本數據進行預處理。
步驟2：利用主成分分析法對預處理后的樣本數據進行分析，降低輸入向量之間的影響，使各個輸入變量的協同方差趨于統一，從而使各權值具有相同的收斂速度，并以此確定神經網絡的輸入節點。
步驟3：對神經網絡進行初始化，并對其中的部分關鍵變量進行設置。
步驟4：為神經網絡選取一組學習樣本，以輸入節點作為網絡的輸入向量，并輸入期望fn，l，n=1，2，…，N；l=1，2，…，R。
步驟5：利用輸入的網絡參數計算網絡的實時輸出能力，當輸出誤差在允許范圍之內時，停止訓練；而當輸出誤差超過允許范圍 ，則將誤差信息進行反向傳播，使權值沿誤差函數的負梯度方向發生變化，然后利用梯度下降法計算出變化后的網絡參數，然后再重復進行第4步的操作。
步驟6：BP神經網絡在訓練合格之后，對其進行樣本補償。
步驟7：對補償后的樣本進行反標準化處理，然后與實測數據進行誤差比較，判斷出網絡改進之后的變化。
2.3 壓力傳感器溫度補償
根據前文提供的BP神經網絡算法實現步驟，可以利用Matlab編程語言來實現。在實現該算法之后，我們通過在壓力傳感器量程范圍內確定n個壓力標定點，同時確定m個溫度標定點。標準值發生器會根據每個標定點的信息產生對應的標定輸入值。然后輸入樣本數據，樣本數據按照目標值要求的±20%范圍進行選擇，然后以誤差目標小于10-3進行訓練，當達到誤差目標之后，網絡的收斂速度得到有效的提升。
3 結論
通過研究結果發現，利用主成分分析法對信息進行補償之后，再利用BP神經網絡對這些信息進行訓練，其學習速度相對直接利用BP神經網絡進行訓練更高。同時，通過改進典型的BP神經網絡，利用小波函數作為激勵函數，并應用動量附加發對網絡敏感性進行控制，可以有效避免網絡發生局部極小問題。通過基于主成分的BP神經網絡溫度補償方法可以使壓力傳感器受環境溫度變化而發生的誤差問題得到高效、精確的解決。
參考文獻
關鍵詞：模擬電路；故障診斷；模糊數學；bp網絡；模糊bp網絡
0引言
電路故障是指在規定的條件下，電路工作時它的一個或幾個性能參數不能保持在要求的上、下限之間，其結構、組件、元器件等出現性能減退、老化、破損、斷裂、擊穿等現象，喪失了在規定條件和環境下完成所需功能的能力。
長期以來，學界對模擬電路工作特點的研究已相當深入，但對于故障診斷方法的研究卻困難較大，這是由于模擬電路本身的特性決定的：1）輸入激勵和輸出響應都是連續量，模擬電路中的故障模型復雜，量化難度大；2）模擬電路信號量程寬，不管電壓、電流的量程還是頻率都可達十幾個數量級，測量難度大；3）模擬電路中的元器件參數具有容差，導致電路的故障狀態的模糊性，而無法準確定位；4）模擬電路中存在廣泛的反饋回路和非線性問題，使計算的難度更加復雜。因此，學界提出了許多模型和方法來完成對某些符合特定條件的模擬電路的故障診斷。其中神經網絡法的使用就相當普遍，在硬和軟故障診斷中都有應用，因為神經網絡的技術優勢針對模擬電路故障診斷有較好的適用性，這主要體現在：1）神經網絡的大規模并行處理特點，大大提高了診斷效率；2）自適應與自組織能力使神經網絡在學習和訓練中改變權重值，發展出新的功能。同時，模糊數學也與神經網絡相結合，這是利用了模糊數學對待診斷模擬元器件的故障不確定性進行量化處理，能夠有效克服模擬電路元器件因為容差、非線性及噪聲造成的電路參數模糊性。
本文的研究目的就是分別利用單純bp神經網絡和模糊bp神經網絡的方法建立模擬電路故障診斷模型，利用電路仿真收集電路不同工作狀態下的關鍵點電壓，代入診斷模型并得到診斷結果。根據各網絡的結果分析比較各診斷模型的優缺點，找出模糊數學對改進模擬電路故障診斷模型的具體表現。
1模糊神經網絡的故障診斷模型
1.1典型模糊神經網絡診斷模型介紹
圖1顯示的是一個典型的模糊神經網絡模型，該模型由原始知識獲取（fundamental knowledge acquire,fka）、特征參數處理（characteristic parameter produce,cdp）、知識提取（knowledge extracted,ke）、經驗知識庫（experience knowledge base,ekb）、學習樣本集（learning sample set,lss）和模糊神經網絡（fuzzy neural networks,fnn）共6個模塊共同組成，其工作流程是：
圖1 典型模糊神經網絡診斷模型
1）原始知識獲取模塊通過對電路工作原理進行分析，模擬或仿真各類故障發生時輸入和輸出參數，從而獲取原始知識（x，y），將其傳入知識提取模塊中供系統學習，所得經驗集存入經驗知識庫中；
2）將原始知識和已經存放在經驗知識庫中的經驗知識（初始庫可為空）一起輸入學習樣本組織模塊中，進行學習樣本的構建，合成訓練樣本集為（x1，y1）；
3）將（x1，y1）輸入到模糊神經網絡模塊，學習訓練，并在達到指定精度后停止；
4）將從模擬電路中獲得的實測參數xc輸入至特征參數提取模塊中，完成數據分析和處理，輸出特征參數數據xc'；
5）將特征參數數據輸入到學習收斂后的模糊神經網絡中，進行診斷推理，得出診斷結果yc'；
6）將得到的實測數據集（xc'，yc'）輸入學習樣本組織模塊，動態增強模糊神經網絡的自適應能力；
7）將得到的實測數據集（xc'，yc'）輸入知識提取模塊，進行分析和處理，如能提取出經驗知識，則歸入經驗知識庫中[1]。
1.2模糊神經網絡結構
模糊神經網絡的結構應該包括4層，如圖2所示。
模糊層的作用是將輸入量進行模糊化。每一個模糊層節點對應一個該論域中的模糊子集和隸屬函數。該層接收精確數值輸入，經過模糊化計算得出對應的隸屬度并輸出。
圖2 模糊神經網絡結構圖
輸入層、隱含層和輸出層共同構成一個完整的神經網絡。輸入層不具有運算功能，它只是將所感知的輸入值精確傳遞到神經網絡中；隱含層的作用相當于特征檢測器，提取輸入模式中包含的有效特征信息，使輸出層所處理的模式是線性可分的，該層節點是模糊神經元，與輸入層間的連接權值是隨機設定的固定值；輸出層節點也是模糊神經元，與隱含層之間采用全連接方式，其連接權值是可調的，作用是輸出用模糊量表示的結果[2]。
1.3輸入層、輸出層和隱含層節點數確定
輸入層的個數代表了電路故障診斷的關鍵測試點的個數n1，輸出點為電路所具有的潛在故障模式種類數n3。
根據輸入層和輸出層的個數，隱含層節點數n2的確定有以下4種經驗公式[3]：
（1）
（為0～10之間的常數）（2）
（為0～10之間的常數）（3）
（4）
2模糊數學和神經網絡的算法介紹
2.1模糊數學和隸屬度函數
模糊數學的作用是對測試點測得的電壓信號進行特征提取——模糊化處理。因為在模擬電路測試中，參數值會隨著故障原因的不同和故障階段不同而發生變化，所以在進行數據處理時常用方法是使用精確事實規則。即用正態分布函數作為隸屬度函數表示“大約為a”的模糊概念，此外還有如三角分布和梯形分布等[4]。在使用中，正態分布使用較多，其中的a是該測試點的理想狀態工作點，b為該測試點在各種可能狀態下的工作電壓均方差。
2.2bp神經網絡與算法
圖3bp神經網絡模型結構圖
反向傳播網絡（back-propagation network，簡稱bp網絡），是一種有隱含層的多層前饋網絡。每一層均有一個或多個神經元節點，信息從輸入層依次經各隱含層向輸出層傳遞，層間的連接關系強弱由連接權值w來表征。bp算法是一種監督的學習，基本原理是梯度最速下降法，中心思想是調整權值使網絡總誤差最小。通過連續不斷地在相對于誤差函數斜率下降的方向上計算網絡權值和偏差值的變化而逐漸逼近目標的。每一次權值和偏差的變化都與網絡的誤差的影響成正比，并以反向傳播的方式傳遞到每一層。bp網絡模型結構如圖3所示。
以bp神經網絡模型結構圖為例進行bp算法推導，其輸入為p，輸入神經元有r個，隱含層內有s1個神經元，激活函數為f1，輸入層內有s2個神經元，對應的激活函數為f2，輸出為a，目標矢量為t。
1）隱含層輸出：（i=1,2,…,s1）（5）
2）輸出層輸出： （k=1,2,…,s2） （6）
3）定義誤差函數：（7）
4）輸入層的權值變化量：（8）
其中：
同理可得：（9）
5）隱含層權值變化有： （10）
其中：
同理： （11）
bp網絡經常使用的是s型的對數、正切激活函數或線性函數[5]。
3電路故障診斷算法驗證
圖4 共集-共射電路的直流通路圖
例：如圖4所示的直流通路圖，電阻的標稱值如圖中所注。利用multism軟件在直流狀態下進行多次monte carlo分析仿真該電路[6]，并考慮電阻的容差影響，取40個樣本作為模糊神經網絡的訓練樣本，另取5個樣本為測試樣本。設電阻r1～r5的容差值為-5%～5%。測試點選為a、b、c、d和e五點，所測電壓值為va、vb、vc、vd和ve。
表1 部分電路實驗樣本原始數據
表2 測試樣本原始數據
表1列舉了40組電路實驗樣本原始數據的11組，包含了該電路在11種工作狀態下的五個關鍵點電壓值，所以n1=5，n2=11，隱含層的節點數可以依據公式2.3確定為12個，其中a為5。
表2則列舉了5組測試樣本的原始數據。
步驟一：數據模糊化
根據用正態分布函數作為隸屬度函數表示“大約為a”模糊概念的思路，可以分別得到各測試點上電壓隸屬度函數的參數值。
a1=5.57、a2=4.97、a3=4.9、a4=5.7和a5=5.69以及b1=4.3729、b2=4.4817、b3=3.9091、b4=4.2870和b5=3.7944。
由各測試點的隸屬度函數可得到網絡的訓練樣本見表3。
表3 神經網絡部分輸入、輸出訓練樣本
步驟二：將訓練樣本輸入神經網絡進行訓練
將全部40個原始值和模糊化值的輸入樣本和對應的輸出樣本分別輸入bp神經網絡中進行訓練。
步驟三：將測試樣本輸入神經網絡進行檢測
將全部5個原始值和模糊化值的輸入樣本和對應的輸出樣本分別輸入已經訓練好的bp神經網絡中，輸出診斷結果見表4。
表4 輸出診斷結果
表4中的數據是經過故障診斷后得到的結果，在此只是各隨機選用了一組數據加以比較說明。通過對故障診斷的試驗觀察和結果的比較可以作出以下分析。
1）模糊化數據能夠有效減少神經網絡的收斂次數。如在bp網絡診斷中，使用模糊化數據的迭代次數由886減少到263次，收斂速度明顯加快；
2）模糊化數據能夠有效提高神經網絡訓練的效果。通過表4中數據的對比可以發現對于相同的神經網絡，經過模糊化數據的訓練，其準確性更高。這主要表現在電路所對應的狀態結果普遍高于未經模糊化數據訓練的網絡得出的結果；同時，其他狀態對應的機率更低，皆低于0.1，且更多值為0，說明數據模糊化能使神經網絡的診斷結果更集中，正確率更高，有效性更加明顯。
4結論
通過分別采用bp網絡和模糊bp網絡建立了電路故障診斷模型，對電路相同工作狀態參數的診斷結果進行比較，得出了模糊數學對提高電路故障診斷模型精度和有效性效果明顯的結論。模糊數學和神經網路理論的組合有效地提高了模擬電路故障診斷模型的收斂速度，提高了故障診斷的工作效率，還提高了診斷的準確性，有效性得到了充分顯示。
參考文獻：
[1] 呂律,魏蛟龍.基于模糊神經網絡的板級電路故障診斷研究[j].計算機與數字工程,2003（3）:21-23.
[2] 李國勇.智能預測控制及其matlab實現[m].北京:電子工業出版社，2010.
[3] matlab中文論壇.matlab神經網絡30個案例分析[m].北京:北京航空航天大學出版社,2010.
[4] 朱大奇.電子設備故障診斷原理與實踐[m].北京:電子工業出版社，2004.
【關鍵詞】腦卒中癱瘓；神經網絡重建；護理
The effect and nursing of treatment for stroke and paralysis
Huang Jia-ming(people's hospital in Sichuan Neural Medicine,Leshan 614000,China)
【Abstract】Objective：Discuss the function of neural network reconstruction for the paralysis that it is caused by stroke.Method：For the patients of stroke and paralysis, on the basis of the same routine treatment and according to the principle of randomized,we divided these patients into control and test group. Use the neural network reconstruction to train the paralysis of limbs of test group, and use the acupuncture to train the paralysis of limbs of control group. Results：The treatment of test group is better than control group obviously. Conclusion：It is a good treatment for stroked patients that the application of neural network reconstruction. So,it can apply clinical.
【Keywords】Stroke paralysis;Neural network;Nursing
腦卒中所致的肢體癱瘓是腦血管疾病常見的后遺癥，采用何種物理治療方法促進癱瘓肢體功能的恢復，更好地提高患者的生活質量，目前方法很多，療效報道不一。為進一步了解該類物理治療的效果，2006年11月至2007年11月，對腦卒中引起的癱瘓，分別采用神經網絡治療與針炙治療，并對兩種方法治療的效果進行比較，得出：神經網絡重建對此類疾病的治療較針灸治療有明顯的優勢，是一種不可缺少的康復治療手段，值得推廣。
1 對象與方法
1.1 對象：2006年11月至2007年11月對住入我院神經內科的腦卒中并肢體癱瘓的263例病人，在進行腦出血或腦梗死塞基礎治療上，采取拋硬幣法，隨機分成神經網絡治療組及針炙組；腦溢血病人在入院后一周且神志清楚者，腦梗塞在入院后第二天且神志清楚者，分別開始神經網絡重建(實驗組)或針灸的康復治療組(對照組)。實驗組135例，其中男性69例，女性66例；年齡56±8歲；診斷：腦出血57例，腦梗塞58例；腦卒中合并高血壓、糖尿病、各種感染共計10例。對照組128例：其中男性60例，女性68例；年齡60±9歲；診斷腦出血55例，腦梗塞68例，腦卒中合并高血壓、糖尿病、各種感染共計15例。兩組病人在性別、年齡、病種，出血部位/梗塞部位、治療療程方面P＞0.05均無統計學意義，具有可比性。
1.2 方法
1.2.1 肌力測定 對入組病人由神經專科醫生采用徒手肌力測定法，收集入院時的肌力；隨著治療的進展，每天觀察、檢查病人肌力變化，并在出院時再測得病人的肌力，將病人入院與出院時肌力變化進行自身對照，得出觀察效果。
1.2.2 兩組病人的治療 對出血性腦卒中的患者均采用穩定血壓、降顱壓、腦保護劑治療，并根據不同情況給予抗感染、鎮靜、糾正水、電解質紊亂等合并癥治療。對缺血性腦卒中均采用抗血小板凝集、鈣離子拮抗劑、抗自由基、營養支持，并根據合并癥不同而采取抗感染、降血壓、降血糖等治療。兩組病人在以上基礎治療相同的情況下，實驗組使用神經網絡重建儀進行康復訓練，對照組使用針灸治療進行康復訓練。頻率：QD，40分鐘/次，一周五次，休息兩天再進行，持續整個住院過程。
1.2.3 療效判定 以出院時病人肌力的恢復情況進行判定，①顯效：A：肌力恢復正常者；B：肌力較入院時提高2級以上肌力。②有效：肌力較入院時提高1級肌力。③無效：肌力無變化。
1.3 統計學方法：數據用均數±標準差（X±S）表示，兩組間比較用x2檢驗。
2 結果
2.1 神網組與針炙組比較，兩種方法有效率經四格表資料的x2檢驗x225，P＜0.05具有統計學差異
2.2 對入院時癱瘓肢體肌力＜3級的病例，再作兩組病例的顯效率比較，x215.77， P＜0.005 顯示神經網絡治療組對入院時癱瘓肢體肌力＜3級者，效果更好于針炙治療。
3 討論
3.1 神經網絡重建對癱瘓肢體的作用：神經網絡重建是一種運用肌電生物反饋介導的低頻治療方法，其治療原理是：當來自患者肌肉自主收縮產生的微弱的肌電信號達到或超過某一設定閾值時，可立即轉化為多種可視可聽的感官信號，并同步啟動神經肌肉電刺激，使患者肌肉進一步收縮，它涉及到重復訓練與感覺運動整合，既可產生有隨意運動誘發的模式化的、反復的被動運動，又可加強本體感覺的生物反饋，有助于運動皮質功能的重組[1]。對于失神經支配的肌肉進行電刺激，引起肌肉節律性收縮，可以促進血液循環，延緩肌肉萎縮，增強肌力。本資料表明，神經網絡治療較傳統的針炙治療：對病人無創、無病苦，兩種治療無論是在有效率，還是顯效率上均具有統計學差異。當病人肌力＜3級時，更應首選神經網絡重建為癱瘓肢體早期的被動運動，以有效地防止肌萎縮的發生，本組資料中經神經網絡治療的病人，未發生肌萎縮，值得推廣。
3.2 護理：神經網絡重建是通過病人意識能力，實現大腦皮層重建神經網絡的，所以護理人員在操作前、中、后都應密切重視病人的反應，了解病人的心理狀況，講解神經網絡重建儀的治療原理，正確指導病人及家屬配合儀器進行運動，集中病人注意力，充分調動病人的積極性，促進病人達到越來越高的目標，盡最大努力恢復病人肢體功能，改善病人生存質量。
摘 要 遺傳算法具有很強的全局搜索能力，但是容易造成未成熟的收斂，而徑向基函數RBF神經網絡的優勢在于采用全局收斂的線性優化算法，唯一最佳逼近點唯一，二者結合的應用能彌補各自的缺陷。兩種方法結合應用到核電廠安全管理評價領域，建立基于遺傳算法和RBF神經網絡的核電廠安全管理評價模型，對核電廠安全管理存在的風險進行評價，有助于核電廠安全管理人員及時發現風險，采取應對措施，對于降低核電廠安全管理風險，確保人民群眾生命財產安全和社會環境安全都具有極其重要的現實意義。
關鍵詞 遺傳算法 神經網絡 核電廠 安全管理評價
核電廠的安全管理評價是對核電廠的安全管理現狀進行的評價分析。科學合理準確的評價可以對核電廠的日常安全管理提供指導，為科學的開展安全管理提升提供參考。
利用遺傳算法對RBF神經網絡進行優化，保證了并行處理規模較大信息的能力，發揮了概括、聯想、類比、推理等綜合處理數據的能力。因此常被用來處理復雜問題，并做出科學的預測。建立基于遺傳算法和RBF神經網絡的核電廠安全管理評價模型，既確保了對大規模數據的處理能力，又提升了安全管理評價的科學化水平，對于準確掌握核電廠安全管理現狀，提升核電廠日常管理水平，有效保障企業員工的生命安全、國家財產安全和生態環境安全具有重要意義。
一、遺傳算法和RBF神經網路原理
遺傳算法于1975年，由美國的J.Holland教授提出。該隨機化搜索方法借鑒了自然進化法則，即優勝劣汰、適者生存的遺傳機制。該方法直接對結構對象進行操作；選用概率化的尋優方法，自動獲取和指導優化的搜索范圍。但該方法在實際應用中也存在部分局限性：因借鑒了優勝劣汰、適者生存的遺傳機制，所以如果出現優勢個體（局部最優解）時，就造成了過早收斂現象，也就無法搜索產生全局最優解；其次在經過多次重組演化后，容易丟失上一代的的基因片段，即同樣造成無法得到全局最優值；再次傳統的遺傳算法通過雜交變異的手段，確定搜索空間，導致相似模式的數據種群占據優勢，同樣無法產生全局最優解。
RBF神經網絡是一種前饋式神經網絡，網絡結構分為三部分：輸入層、隱含層、輸出層。它依據輸入層少數的神經元（基礎數據），利用隱含層（高效徑向基函數），決定神經網絡的輸出層（預測數據）。隱含層（高效徑向基函數），實際是通過利用高斯函數，執行固定的非線性操作指令，即將輸入層（基礎數據）映射到一個新的空間，通過輸出層節點線性加權組合，輸出形成結果。
輸出函數為：
為隱含層神經元的輸出， 為權值，二者的乘積累加和即為RBF神經網絡的輸出。輸入層、隱含層相互連接，其中隱含層為一系列同一類型的徑向基函數（高斯函數）[3]。RBF神經網絡由高斯函數表示為：
其中，Ci代表了基函數的中心， 代表了函數的寬度參數。從上述公式中可以看出：高斯函數的徑向范圍與 函數的寬度參數成反比。在實際計算中，函數寬度參數 的確定一般采用自適應梯度下降法確定，而確定Ci 、 、w的取值也就確定了為隱含層神經元的輸出 。
二、對RBF神經網路原理的優化
依據生物神經網絡的機理建立基于RBF神經網絡安全管理評價模型，通過在不同網絡傳遞環節選取恰當的算法對模型進行優化改進，以此得到安全管理評價的優化模型。但是在應用過程中RBF神經網絡關鍵函數基函數中心值、網絡權值等難以得到最優解，因此選擇遺傳算法，利用其優勢對神經網絡模型進行優化完善。
（一）最優基函數中心值的確定
應用遺傳算法進行數據編碼。將學習樣本進行編號：1，2，3，……，N，進而從樣本中隨機選擇M個數據為一組中心矢量作為種群中的一個個體進行編碼。如下所示，以第i個染色體為例，神經網絡的m應度函數 為期望輸出 和實際輸出 之差的絕對值累加和的倒數：
從上一代中任意選取兩個母體進行交叉以此獲得兩個子個體，再將兩個子個體以一定的概率進行變異，染色體其他位的編號值用1，2，3，……，N，中任意值以一定的變異概率替換。將母體與子體進行比較從中選擇優勢個體即完成一次進化。以此方式循環迭代，直到個體達到給定最大代數或滿足給定的精度，此時個體則為最優基函數中心值。
（二）最優權值w的確定
權值的優化是一個長期復雜的過程，實數編碼值能夠較好地反應現實情況，用一個數碼代表一個染色體，一個染色體則代表一個X值；群體初始化，根據遺傳算法的搜索范圍將權值以 分布隨機確定（-0.8，0.4，0.65，0.5）；選取適應度函數，將輸出樣本的平方作為適應度函數：
根據遺傳操作原理，采用染色體交叉變異，選擇交叉的概率Pn、變異的概率Pm。
U11=（-0.8，0.4，0.65，0.5），U21=（0.3，0.7，0.6，-0.8），交叉：U21=（-0.8，0.4，0.6，0.5）變異：U22=（-0.8，0.4，0.5，0.5）
三、安全管理評價模型的建立
依據核電廠安全管理評價指標，建立基于遺傳算法和RBF神經網絡的核電廠安全管理評價模型。其實現流程如圖所示：
四、結語
本文建立基于遺傳算法和RBF神經網絡的核電廠安全管理評價模型，對核電廠安全管理存在的風險進行評價，有助于核電廠安全管理人員及時發現風險，采取應對措施，切實降低了核電廠安全管理風險，并為核電廠科學管理，安全管理提升提供參考和技術支持。
參考文獻：
[1] 郭贊.基于遺傳算法和RBF神經網絡的鈾尾礦庫安全預警模型[J].綠色科技，2015.3：243-245.
[2] 魏艷強.基于RBF神經網絡的公路貨運量預測方法研究[J].天津理工大學學報，2008.2（1）：17-20.
[3] 徐杰.基于遺傳算法的RBF神經網絡優化及應用[J].信息技術，2011（5）：165-168.
關鍵詞:壓鑄機;RBFNN;故障診斷;模糊K均值聚類算法
中圖分類號:TP212文獻標識碼:A
文章編號:1004-373X(2009)12-179-04
Method of Control System Sensor Fault Dignosis Based on RBF Neural Network
PENG Jishen,DONG Jing
(Faculty of Electrical and Engineering Control,Liaoning Technical University,Huludao,125105,China)
Abstract:For the problems of related sensor common fault in the die casting machine real-time detection and control system,through the study of artificial neural network′s theory and methods,sensor fault diagnosis observer model of control system based on a radial basis function neural network control system RBFNN is established.The model is trained by the measured parameters of die-casting machine,adopting fuzzy K means clustering algorithm to select clustering centre,using the observer to forecast the residuals between the sensor output value and the sensor actual output value to diagnose sensor fault.The simulated results show that RBFNN observer has strong capacity of non-linear process and arbitrary function approximation,and has many advantages such as high-precision,learning time short,rapid network computing and stable performance to meet the requirements of sensor fault diagnosis.
Keywords:die casting machine;RBFNN;fault dignosis;fuzzy K means clustering algorithm
0 引 言
傳感器是現行研究的壓鑄機實時檢測與控制系統[1]的關鍵部件,系統利用傳感器對壓鑄機的各重要電控參數(如:合型力、油壓、壓射速度、模具溫度等)進行檢測,并進行準確控制。這一過程中,各傳感器輸出信號的質量尤為重要,其優劣程度直接影響壓鑄機控制系統分析、處理數據的準確性,最終影響壓鑄件產品質量的優劣。由于大型壓鑄機生產環境較為惡劣,長期的高溫、高壓、高粉塵及來自周邊器械的電磁干擾等因素的存在,不可避免地會造成傳感器軟硬故障的發生,有故障的傳感器所發出的錯誤信號,會使整個壓鑄機控制系統分析、處理和控制功能紊亂,造成系統無法正常運行,帶來無法估計的生產安全隱患及嚴重的后果。因此,對壓鑄機控制系統中傳感器故障診斷方法的研究具有重要的意義。
人工神經網絡[2](神經網絡)是傳感器故障診斷的方法之一。神經網絡是有大量人工神經元相互連接而構成的網絡。它以分布的方式存儲信息,利用網絡拓撲結構和權值分布實現非線性的映射,并利用全局并行處理實現從輸入空間到輸出空間的非線性信息變換。對于特定問題適當建立神經網絡診斷系統,可以從其輸入數據(代表故障癥狀)直接推出輸出數據(代表故障原因),從而實現非線性信息變換。層狀結構的神經網絡輸入層、輸出層及介于二者之間的隱含層構成。依據用于輸入層到輸出層之間計算的傳遞函數不同,提出一種基于徑向基函數RBF神經網絡的傳感器故障診斷策略[3-5]。
1 RBF神經網絡的模型
徑向基函數神經網絡[6,7](RBFNN)是一種新型神經網絡,屬于多層前饋網絡,即前后相連的兩層之間神經元相互連接,在各神經元之間沒有反饋。RBFNN的三層結構與傳統的BP網絡結構相同,由輸入層、隱含層和輸出層構成,其結構見圖1。其中,用隱含層和輸出層的節點計算的功能節點稱計算單元。
圖1 RBF神經網絡結構圖
RBF神經網絡輸入層、隱含層、輸出層的節點數分別為n,m,p;設輸入層的輸入為X=(x1,x2,…,xj,…,xn),實際輸出為Y=(y1,y2,…,yk,…,yp)。輸入層節點不對輸入向量做任何操作,直接傳遞到隱含層,實現從XFi(x)的非線性映射。隱含層節點由非負非線性高斯徑向基函數構成,如式(1)所示。
Fi(x)=exp(-x-ci/2σ2i), i=1,2,…,m(1)
式中:Fi(x)為第i個隱含層節點的輸出;x為n維輸入向量;ci為第i個基函數的中心,與x具有相同維數的向量;σi為第i個感知的變量,它決定了該基函數圍繞中心點的寬度;m為感知單元的個數(隱含層節點數)。x-ci為向量x-ci的范數,通常表示x與ci之間的距離;Fi(x)在ci處有一個惟一的最大值,隨著x-ci的增大,Fi(x)迅速衰減到零。對于給定的輸入,只有一小部分靠近x的中心被激活。隱含層到輸出層采用從Fi(x)yk的線性映射,輸出層第k個神經元網絡輸出見式(2):
k=∑mi=1ωikFi(x), k=1,2,…,p(2)
式中:k為輸出層第k個神經元的輸出;m為隱層節點數;p為輸出層節點數;ωik為隱層第i個神經元與輸出層第k個神經元的連接權值。
RBF網絡的權值算法是單層進行的。它的工作原理采用聚類功能,由訓練得到輸入數據的聚類中心,通過σ值調節基函數的靈敏度,也就是 RBF曲線的寬度。雖然網絡結構看上去是全連接的,實際工作時網絡是局部工作的,即對輸入的一組數據,網絡只有一個神經元被激活,其他神經元被激活的程度可忽略。所以 RBF網絡是一個局部逼近網絡,這使得它的訓練速度要比 BP網絡快 2～3 個數量級。當確定了RBF網絡的聚類中心ci、權值ωik以后,就可求出給定某一輸入時,網絡對應的輸出值。
2 算法學習
在此采用模糊K均值聚類算法[8]來確定各基函數的中心及相應的方差,而網絡權值的確用局部梯度下降法來修正,算法如下:
2.1 利用模糊K均值聚類算法確定基函數中心ci
(1) 隨即選擇h個樣本作為ci(i=1,2,…,h)的初值,其他樣本與中心ci歐氏距離遠近歸入沒一類,從而形成h個子類ai(i=1,2,…,h);
(2) 重新計算各子類中心ci的值,ci=1si∑sik=1xk。其中,xk∈ai;si為子集ai的樣本數,同時計算每個樣本屬于每個中心的隸屬度為:
uij=min∑sij=1xj-cixk-ci, xj,xk∈ai(3)
U={uij∈[0,1]|i=1,2,…,h;j=1,2,…,s}
(3) 確定ci是否在容許的誤差范圍內,若是則結束,不是則根據樣本的隸屬度調整子類個數,轉到(2)繼續。
2.2 確定基函數的寬度(誤差σ)
σ2=(∑sj=1uijxj-ci)∑sj=1uij(4)
式中:ai是以ci為中心的樣本子集。
基函數中心和寬度參數確定后,隱含層執行的是一種固定不變的非線性變換,第i個隱節點輸出定義為:
Fi(x)=exp(-x-ci2/2σ2i)∑mi=1exp(-x-ci2/2σ2i)(5)
2.3 調節隱層單元到輸出單元間的連接權
網絡的目標函數為:
E=12N∑NK=1[y(xk)-(xk)]2(6)
也就是總的誤差函數。式中:y(xk)是相對于輸入xk的實際輸出;(xk)是相對于xk的期望輸出;N為訓練樣本集中的總樣本數。對于RBFNN,參數的確定應能是網絡在最小二乘意義下逼近所對應的映射關系,也就是使E達到最小。因此,這里利用梯度下降法修正網絡隱含層到輸出層的權值ω,使目標函數達到最小。
Δωi=-ηE(xk)•(xk)鄲i(7)
式中:η為學習率,取值為0~1之間的小數。根據上面式(6),式(7)最終可以確定權值ω的每步調整量:
Δωi=-ηN∑[y(xk)-(xk)]bi(xk)(8)
權值ω的修正公式為:
ωiωi+Δωi,i=1,2,…,m(9)
利用上述學習方法得到ci=8.1,σ=0.01。
3 控制系統傳感器故障診斷與仿真研究
3.1 觀測器模型與故障診斷
壓鑄機檢測與控制系統中傳感器主要檢測的參數有合型力、油壓、模具溫度、壓射速度,各參數隨時間變化輸入與輸出之間存在明顯的非線性關系。RBF神經網絡模型具有較強的非線性處理和任意函數逼近的能力。圖2為基于RBF神經網絡的傳感器故障診斷原理。
圖2 基于RBFNN的傳感器故障診斷原理圖
圖2中虛線框所示部分即為RBFNN觀測器原理。基本思想:通過正常情況下非線性系統的實際輸入和傳感器的輸出學習系統的特性,用已經訓練好的觀測器的輸出于實際系統的輸出做比較,將兩者之差做殘差,再對殘差進行分析、處理,得到故障信息,并利用殘差信號對傳感器故障原因進行診斷[9]。
非線性系統:
y(k)=f[u(k-d),y(k-1)](10)
u(k-d)=[u(k-d),u(k-d-1),…,u(k-d-l)](11)
y(k-d)=[y(k-1),u(k-2),…,y(k-n)](12)
式中:y(k)是傳感器實際輸出;u(k)是系統實際輸入;f(•)代表某個未知的動態系統(壓鑄機)的非線性關系;n,l,d分別代表系統結構的階次和時間延遲,并且假設u(k),y(k)是可測的。
利用RBF神經網絡模型的徑向基函數來逼近f(•)。將函數:
X(k)=y(k)=[u(k-d),u(k-d-1),…,
u(k-d-l),y(k-1),y(k-2),…,y(k-n)](13)
作為RBF神經網絡訓練模型輸入層的輸入,通過上述隱含層高斯徑向基函數進行非線性變換,再利用上述模糊K均值聚類算法來選取聚類中心和訓練權值,最后得到整個網絡的輸出:
(k)=∑mi=1ωiFi(k)+θ(14)
式中:(k)為輸出層的輸出;ωi為修正后的權值;Fi(k)為第i個隱層節點的輸出;θ為輸出層節點的閥值,并將(k)與當前系統的實際輸出y(k)進行比較,得到殘差δ(k)。若δ(k)小于預定閥值θ,表示傳感器正常工作,此時采用系統實際輸出的數據;若δ(k)大于預定閥值θ,說明傳感器發生故障,此時采用RBFNN觀測器的觀測數據作為系統的真實輸出,實現信號的恢復功能。
3.2 仿真實驗
在壓鑄機系統各傳感器正常工作時連續采集52組相關數據,將其分成2組,前40組用于對RBF神經網絡進行離線訓練,以構建RBF神經網絡觀測器;后12組用于對訓練好的網絡進行測試。表1為訓練樣本庫中的部分數據。
表1 用于RBF神經網絡訓練的部分數據
序號合型力 /MPa油壓 /MPa壓射速度 /m/s模具溫度 /℃
111.258.962.50353.21
211.408.902.52353.30
311.409.002.46354.20
411.259.002.42354.50
511.009.102.42353.61
611.709.102.56353.14
712.009.122.60352.90
812.109.212.60352.95
912.109.232.52353.76
1011.709.122.68353.21
1111.258.902.68356.12
1211.258.892.62355.32
1311.328.982.48354.46
1411.329.112.48353.62
1511.459.102.50355.00
1612.109.112.42356.18
由于表1中的4個參數的物理意義、量級各不相同,必須經過歸一化處理后才能用于神經網絡的訓練,用Matlab[10]的Simulink仿真工具箱提供的函數對數據進行歸一化處理使數據位于[-1,1]之間。訓練結束后切斷學習過程使網絡處于回想狀態,將系統實際輸出與網絡模型的輸出相減就可以獲得殘差。以合型力傳感器為例,采樣時間為0.5 s,利用上面的學習樣本在時間T∈[1 s,1 000 s]內對RBF神經網絡進行訓練,結果經過約50步訓練誤差就達到10-7并急劇減少,如圖3所示。
圖4為用后12組數據對RBF神經網絡進行測試時,跟蹤正常合型力傳感器測量值y的情況,其最大誤差不超過1.5 MPa,所以訓練好的RBF神經網絡具有一定的泛化能力,可以較好的觀測、跟蹤合型機構現狀。
現針對傳感器經常發生的卡死故障、漂移故障和恒增益故障進行模擬仿真實驗。當合型力傳感器正常工作時,RBFNN觀測器輸出與合型力傳感器測量值y之間的殘差δ=-y近似為高斯白噪聲序列,其均值近似為零;當傳感器發生故障時,由于y不能準確反應合型力數據,導致δ突變,不再滿足白噪聲特性。根據上面所述的傳感器故障診斷原理,設定閥值θ=2.7 MPa,圖5表示合型力傳感器在T∈[400 s,600 s]內發生卡死故障時的輸出殘差曲線;圖6表示傳感器在T∈[600 s,1 000 s]內發生漂移故障;圖7表示傳感器在T∈[800 s,1 000 s]內發生恒增益故障時的輸出殘差曲線。
圖3 RBFNN訓練過程誤差收斂情況
圖4 合型力傳感器正常工作時的殘差曲線
圖5 合型力傳感器發生卡死故障時的殘差曲線
圖6 合型力傳感器出現漂移故障時的殘差曲線
通過對各類典型故障的仿真實驗,能夠準確檢測到合型力傳感的各類故障。
圖7 合型力傳感器出現恒增益故障時的殘差曲線
4 結 語
在此依據徑向基(RBF)神經網絡原理,以壓鑄機控制系統各傳感器的輸出參數作為RBF神經網絡的輸入,采用模糊K均值聚類算法選取聚類中心,建立傳感器RBF神經網絡觀測器模型對控制系統傳感器進行故障診斷,仿真實驗表明徑向基神經網絡具有較強的非線性處理和逼近能力,泛化能力強,網絡運算速度快,能夠準確發現和處理故障信號,性能穩定。因此,RBF神經網絡故障診斷是壓鑄機控制系統一個必不可少的新管理工具。
參考文獻
[1]彭繼慎.壓鑄機控制技術[M].北京:機械工業出版社,2006.
[2]韓力群.人工神經網絡教程[M].北京:北京郵電大學出版社,2006.
[3]王軍,呂震中,曹荃,等.基于神經網絡的傳感器的故障診斷方法與應用[J].自動化儀表,2003,24(10):21-24.
[4]翁桂榮,葉萍.基于RBF的傳感器在線故障診斷和信號恢復[J].傳感器技術,2003,22(10):50-53.
[5]胡香玲,馮浩,華亮.基于RBF神經網絡的變壓器保護[J].電氣應用,2005,24(10):59-62.
[6]趙望達,劉勇求,賀毅.基于RBF神經網絡提高壓力傳感器精度的新方法[J].傳感技術學報,2004,23(4):640-642.
[7]張秀玲,李海濱.一種基于RBF神經網絡的數字模式識別方法[J].儀器儀表學報,2002(6):265-267.
[8]張小軍,馮宏偉.基于徑向基函數神經網絡的車型識別技術[J].西北大學學報:自然科學版,2006(2):21-24.
關鍵詞：城區土壤；重金屬污染；遺傳算法；BP神經網絡
中圖分類號：X53 文獻標識碼：A 文章編號：0439-8114（2013）03-0685-03
重金屬污染是全球環境污染的突出問題，隨著社會和經濟的發展，重金屬污染危害日益加重。研究重金屬污染的分布，并根據分布情況實現對污染源的定位對于有關部門進行及時的環境預防與整治具有重要意義[1]。
近年來興起的人工神經網絡能通過學習實例集自動提取“合理的”求解規則，且具有容錯和容差能力以及一定的推廣能力。本研究建立基于并行遺傳算法的BP神經網絡系統，該模型可以實現對污染源位置的定位，從而為相關部門及時進行環境整治提供了理論依據。
1 構建基于遺傳算法的BP神經網絡模型
1.1 BP神經網絡基本原理
BP神經網絡是在對復雜的生物BP神經網絡研究和理解的基礎上發展起來的，因此具有較強的信息處理能力，對復雜的問題具有適應和自學的能力，可以很好地協調多種輸入信息的關系[2]。BP神經網絡通常由輸入層、若干隱含層和輸出層組成，每層都包含若干神經元，通過神經元之間的相互作用來完成整個網絡的信息處理。其網絡拓撲結構如圖1。同一層各神經元相互沒有連接，相鄰層的神經元通過權實現全連接。
1.2 BPANN算法改進
普通的BP神經網絡有自身的缺陷，包括易陷入局部最小點、收斂速度慢、學習過程容易出現震蕩等。為了改進普通的BP神經網絡，引入遺傳算法（Genetic algorithm，GA）。遺傳算法是一種基于自然選擇和基因遺傳學原理的優化搜索算法，它將“優勝劣汰，適者生存”的生物進化原理引入待優化參數形成的編碼串群體中，按照一定的適配值函數及一系列的遺傳操作對個體進行了篩選，從而使適配值高的個體被保留下來，組成新的群體，新群體中包含上一代的大量信息，并且引入新的優于上一代的個體。這樣的周而復始，群體中的適應度不斷提高，直到滿足一定的條件為止，其基本原理如圖2[3]。
遺傳算法與神經網絡算法的結合就是利用GA優化網絡的拓撲結構，如網絡層數和每層的節點數，以及各層節點間的連接關系。根據某些性能評價準則（如學習速度、泛化能力或結構復雜程度等）搜索結構空間中滿足問題要求的最佳BP神經網絡。基于遺傳算法的神經網絡流程如圖3。
2 模型應用實例——以青島市城區土壤重金屬污染源的定位為例
青島是中國重要的經濟中心城市和港口城市，是中國重要的外貿口岸之一、國家歷史文化名城和風景旅游勝地，作為體現青島面貌的首要因素——環境，已成為青島、中國乃至世界大眾關注的問題。因此，對青島的城市環境地球化學研究勢在必行。
現以青島市城區為例，根據從城區采樣得到的土壤重金屬含量數據建立神經網絡模型，對污染源進行定位。對青島市南區、市北區、四方區、李滄區、嶗山區5個城區進行了廣泛的土壤地質調查，將所考察的城區按照每平方公里1個采樣點對表層土進行取樣，共得到319個采樣點，并分別檢測每個采樣點的8種重金屬Cd、Cr、Cu、Hg、Ni、Pb、Zn和As的含量[4]。
對每種金屬元素進行多次基于遺傳算法的BP神經網絡模擬后，在所得的數據矩陣中隨機選取200個點對應的坐標進行繪圖，繪圖結果如圖4。從圖4中可以看出，每種重金屬元素在城區中的空間分布，對數據中每種金屬元素的空間坐標進行K-means聚類，所得的聚類中心即為污染源預測位置。
3 小結
通過建立基于遺傳算法的BP神經網絡模型，并將該模型運用于青島市城區內各種重金屬污染源的定位。使得環境管理部門可以在目標地區的土壤進行采樣分析的基礎上，利用該算法得出目標地區內重金屬元素的分布圖，根據極大值點可以定位污染源，并由此采取相應的管理措施。該算法的優越性在于可利用部分測量數據估計整體地區的分布情況，但同時也存在不足之處，一是數據獲取困難，一般需要依靠衛星測量獲取樣本數據，二是算法雖然有較高的收斂速度，但缺少動態性，無法進行金屬元素的動態分析和分布變化預測。
參考文獻：
[1] 馬旺海，曹 斌，楊進峰，等.城市重金屬污染特征[J]. 中央民族大學學報（自然科學版），2008，17（1）：66-73.
[2] 盧文喜，楊忠平，李 平，等.基于改進BP算法的地下水動態預測模型[J].水資源保護，2007，23（3）：5-8，59.
