時間：2022-05-29 17:51:52
開篇：寫作不僅是一種記錄，更是一種創(chuàng)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(jīng)網(wǎng)絡(luò)原理，希望這些內(nèi)容能成為您創(chuàng)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(gòu)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(jīng)網(wǎng)絡(luò)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(zhì)許許多多腦神經(jīng)細胞的活動構(gòu)成。
神經(jīng)細胞由一個細胞體、一些樹突 、和軸突組成,如圖1所示。神經(jīng)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(jīng)細胞的樹突相接觸,形成所謂的突觸,一個神經(jīng)細胞通過軸突和突觸把產(chǎn)生的信號送到其他的神經(jīng)細胞。每個神經(jīng)細胞通過它的樹突和大約10,000個其他的神經(jīng)細胞相連。這就使得人腦中所有神經(jīng)細胞之間連接總計可能有1,000,000,000,000,000個。
神經(jīng)細胞利用電-化學過程交換信號。輸入信號來自另一些神經(jīng)細胞。這些神經(jīng)細胞的軸突末梢(也就是終端)和本神經(jīng)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(xiàn)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(jīng)細胞也只有兩種狀態(tài):興奮和不興奮。發(fā)射信號的強度不變,變化的僅僅是頻率。神經(jīng)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(fā)神經(jīng)細胞進入興奮狀態(tài),這時就會有一個電信號通過軸突發(fā)送出去給其他神經(jīng)細胞。如果信號總和沒有達到閥值,神經(jīng)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(shù)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(jīng)細胞僅僅工作于大約100hz的頻率,但因各個神經(jīng)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(xiàn)無監(jiān)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(jīng)細胞之間電-化學信號的傳遞,與一臺數(shù)字計算機中cpu的數(shù)據(jù)傳輸相比,速度是非常慢的,但因神經(jīng)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(shù)據(jù)。這個特點也是神經(jīng)網(wǎng)絡(luò)計算機在處理方法上最應(yīng)該體現(xiàn)的一點。
3 人工神經(jīng)網(wǎng)絡(luò)基礎(chǔ)
對于腦細胞的活動原理,用簡單數(shù)學語言來說, 一次乘法和累加就相當于一個神經(jīng)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(tài)還是抑制狀態(tài)的簡單數(shù)學模型。從這種模型出發(fā), 任何復雜的大量的腦神經(jīng)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(jīng)網(wǎng)絡(luò)。
神經(jīng)網(wǎng)絡(luò)的基本單元是人工神經(jīng)元,它是根據(jù)人腦的工作原理提出的。圖2所示為一個人工神經(jīng)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(jīng)元的內(nèi)部狀態(tài);
θi 為閾值;
si 為外部控制信號輸入(控制神經(jīng)元的內(nèi)部狀態(tài)ui ,使之保持一定的狀態(tài));
wij 為神經(jīng)元的連接權(quán)值。
其中,可通過學習改變連接權(quán)wij ,使得神經(jīng)元滿足或接近一定的非線性輸入輸出關(guān)系。
4 神經(jīng)網(wǎng)絡(luò)計算機的實現(xiàn)
對于神經(jīng)網(wǎng)絡(luò)計算機實現(xiàn),目前主要有以下三種實現(xiàn)途徑:
4.1 用軟件在通用計算機上模擬神經(jīng)網(wǎng)絡(luò)
在sisd(單指令流、單數(shù)據(jù)流,如經(jīng)典個人計算機)、simd(單指令流、多數(shù)據(jù)流,如連接機制機器)或mimd(多指令流、多數(shù)據(jù)流,如在transputer網(wǎng)絡(luò)上)結(jié)構(gòu)的計算機上仿真。
這種用軟件實現(xiàn)神經(jīng)網(wǎng)絡(luò)的方法,靈活而且不需要專用硬件,但是基于此方法實現(xiàn)的神經(jīng)網(wǎng)絡(luò)計算機速度較慢,一般僅適合人工神經(jīng)網(wǎng)絡(luò)的研究,另一方面,它在一定程度上使神經(jīng)網(wǎng)絡(luò)計算機失去了它的本質(zhì),體現(xiàn)不出并行處理信息的特征。
4.2 對神經(jīng)網(wǎng)絡(luò)進行功能上的仿真
以多個運算單元節(jié)點進行運算,在不同時間模擬各異不同的神經(jīng)元,串并行地模擬神經(jīng)網(wǎng)格計算。換句話說,即用m個物理單位去模擬n個神經(jīng)元,而m<n。基于并行計算機和陣列機的神經(jīng)網(wǎng)絡(luò)虛擬實現(xiàn),具有一定的通用性。 <br="">
虛擬實現(xiàn)的神經(jīng)網(wǎng)絡(luò)計算機主要可分為:協(xié)處理機,并行處理機陣列及現(xiàn)有的并行計算機等。目前已經(jīng)有多種產(chǎn)品及系統(tǒng)問世,包括mark v神經(jīng)計算機、gapp系統(tǒng)、gf11、基于transputer的系統(tǒng)以及基于dsp的系統(tǒng)。它們各有特點,技術(shù)已日益成熟。
但是這種實現(xiàn)方式仍以神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)的最終應(yīng)用產(chǎn)品。
4.3 利用全硬件實現(xiàn)
4.3.1 基于cmos, ,ccd工藝和浮柵工藝的神經(jīng)網(wǎng)絡(luò)全硬件實現(xiàn)
在微電子芯片上作上許多具有模擬神經(jīng)元功能的單元電路,按神經(jīng)網(wǎng)絡(luò)模型的拓撲結(jié)構(gòu)在芯片上聯(lián)成網(wǎng)絡(luò),這類神經(jīng)網(wǎng)絡(luò)芯片上的電路與所模擬神經(jīng)網(wǎng)絡(luò)種的各個神經(jīng)元和神經(jīng)突觸等都有一一對應(yīng)的關(guān)系,神經(jīng)網(wǎng)絡(luò)中的各個權(quán)值也都存貯在同一芯片上。
我國1995年開發(fā)的預(yù)言神一號就是一臺實現(xiàn)了全硬件的通用神經(jīng)網(wǎng)絡(luò)處理機。它以pc機作為宿主機,通過編程實現(xiàn)前饋網(wǎng)絡(luò)、反饋網(wǎng)絡(luò)、som等人工神經(jīng)網(wǎng)絡(luò)的模型和算法,在網(wǎng)絡(luò)運算過程中預(yù)言神一號神經(jīng)計算機還具備隨時修改網(wǎng)絡(luò)參數(shù)及神經(jīng)元非線性函數(shù)的功能。
但是這類芯片受硅片面積的限制,不可能制作規(guī)模龐大的神經(jīng)網(wǎng)絡(luò)硬件。如果一個數(shù)萬個神經(jīng)元的全聯(lián)接網(wǎng)絡(luò),其互聯(lián)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(shù)十平方米。因此,在微電子技術(shù)基礎(chǔ)上用這種一一對應(yīng)的方式實現(xiàn)規(guī)模很大的神經(jīng)網(wǎng)絡(luò)顯然不現(xiàn)實。
4.3.2 用光學或光電混合器件實現(xiàn)神經(jīng)網(wǎng)絡(luò)硬件系統(tǒng)
光學技術(shù)在許多方面有著電子技術(shù)無法比擬的優(yōu)點:光具有并行性,這點與神經(jīng)計算機吻合;光波的傳播交叉無失真,傳播容量大;可實現(xiàn)超高速運算。現(xiàn)在的神經(jīng)計算機充其量也只有數(shù)百個神經(jīng),因此用“電子式”還是可能的,但是若要把一萬個神經(jīng)結(jié)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(jié)構(gòu),加之光學相關(guān)器件體積略大,都會使系統(tǒng)變得龐大與復雜。
5 小結(jié)
人工神經(jīng)網(wǎng)絡(luò)（AartificialNeuralNetwork，下簡稱ANN）是模擬生物神經(jīng)元的結(jié)構(gòu)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(shù)學家WalthH.Pitts提出神經(jīng)元數(shù)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(guān)注，是由于它具有本質(zhì)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(wǎng)絡(luò)結(jié)構(gòu)及算法直觀、簡單，在工業(yè)領(lǐng)域中應(yīng)用較多。
經(jīng)訓練的ANN適用于利用分析振動數(shù)據(jù)對機器進行監(jiān)控和故障檢測，預(yù)測某些部件的疲勞壽命［2］。非線形神經(jīng)網(wǎng)絡(luò)補償和魯棒控制綜合方法的應(yīng)用（其魯棒控制利用了變結(jié)構(gòu)控制或滑動模控制），在實時工業(yè)控制執(zhí)行程序中較為有效［3］。人工神經(jīng)網(wǎng)絡(luò)（ANN）和模糊邏輯（FuzzyLogic）的綜合，實現(xiàn)了電動機故障檢測的啟發(fā)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(diào)整內(nèi)部權(quán)值來準確求解［4］。
因此，對于電力系統(tǒng)這個存在著大量非線性的復雜大系統(tǒng)來講，ANN理論在電力系統(tǒng)中的應(yīng)用具有很大的潛力，目前已涉及到如暫態(tài)，動穩(wěn)分析，負荷預(yù)報，機組最優(yōu)組合，警報處理與故障診斷，配電網(wǎng)線損計算，發(fā)電規(guī)劃，經(jīng)濟運行及電力系統(tǒng)控制等方面［5］。
本文介紹了一種基于人工神經(jīng)網(wǎng)絡(luò)（ANN）理論的保護原理。
1、人工神經(jīng)網(wǎng)絡(luò)理論概述
BP算法是一種監(jiān)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(diào)整網(wǎng)絡(luò)路徑的權(quán)值，以使下一次在相同的輸入下，網(wǎng)絡(luò)的輸出接近于希望值。
在神經(jīng)網(wǎng)絡(luò)投運前，就應(yīng)用大量的數(shù)據(jù)，包括正常運行的、不正常運行的，作為其訓練內(nèi)容，以一定的輸入和期望的輸出通過BP算法去不斷修改網(wǎng)絡(luò)的權(quán)值。在投運后，還可根據(jù)現(xiàn)場的特定情況進行現(xiàn)場學習，以擴充ANN內(nèi)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(yōu)點。
2、神經(jīng)網(wǎng)絡(luò)型繼電保護
神經(jīng)網(wǎng)絡(luò)理論的保護裝置，可判別更復雜的模式，其因果關(guān)系是更復雜的、非線性的、模糊的、動態(tài)的和非平穩(wěn)隨機的。它是神經(jīng)網(wǎng)絡(luò)（ANN）與專家系統(tǒng)（ES）融為一體的神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)，其中，ANN是數(shù)值的、聯(lián)想的、自組織的、仿生的方式，ES是認知的和啟發(fā)式的。
文獻［1］認為全波數(shù)據(jù)窗建立的神經(jīng)網(wǎng)絡(luò)在準確性方面優(yōu)于利用半波數(shù)據(jù)窗建立的神經(jīng)網(wǎng)絡(luò)，因此保護應(yīng)選用全波數(shù)據(jù)窗。
ANN保護裝置出廠后，還可以在投運單位如網(wǎng)調(diào)、省調(diào)實驗室內(nèi)進行學習，學習內(nèi)容針對該省的保護的特別要求進行（如反措）。到現(xiàn)場，還可根據(jù)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(xiàn)波形間斷的變電站內(nèi)的高頻保護。
3、結(jié)論
本文基于現(xiàn)代控制技術(shù)提出了人工神經(jīng)網(wǎng)絡(luò)理論的保護構(gòu)想。神經(jīng)網(wǎng)絡(luò)軟件的反應(yīng)速度比純數(shù)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(shù)，以實現(xiàn)在時間上即次數(shù)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(qū)內(nèi)、區(qū)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(lián)網(wǎng)，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(jù)。每套保護可把每次錄得的數(shù)據(jù)文件，加上對其動作正確性與否的判斷，作為本身的訓練內(nèi)容，因為即使有時人工分析也不能區(qū)分哪些數(shù)據(jù)特征能使保護不正確動作，特別是高頻模擬量。
神經(jīng)網(wǎng)絡(luò)的硬件芯片現(xiàn)在仍很昂貴，但技術(shù)成熟時，應(yīng)利用硬件實現(xiàn)現(xiàn)在的軟件功能。另外，神經(jīng)網(wǎng)絡(luò)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(wǎng)絡(luò)結(jié)構(gòu)還沒有充分的理論依據(jù)。所有這些都有待于對神經(jīng)網(wǎng)絡(luò)基本理論進行深入的研究，以形成完善的理論體系，創(chuàng)造出更適合于實際應(yīng)用的新型網(wǎng)絡(luò)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(shè)想。中國電機工程學會第五屆全國繼電保護學術(shù)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，F(xiàn)uzhou 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(lǐng)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(tài)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(shù)的一個分支，是智能交通系統(tǒng)的重要組成部分。車牌字符識別的任務(wù)是將車牌圖片上的7個由漢字，數(shù)字和大些英文字符組合而成的字符圖片識別成字符，相關(guān)字符如圖2。[1](a)漢字樣本(b)字母樣本(c)數(shù)字樣本
圖2車牌字符樣本
車牌字符識根據(jù)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(jīng)網(wǎng)絡(luò)字符識別和特征統(tǒng)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(tǒng)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(jié)構(gòu)，筆劃等特征進行分析，通過特征的分析結(jié)果與系統(tǒng)字符庫中的樣本進行比對，得出識別結(jié)果。人工神經(jīng)網(wǎng)絡(luò)以人腦識別物體的原理為依據(jù)，構(gòu)建一個與人腦識別過程相似的網(wǎng)絡(luò)系統(tǒng)。該網(wǎng)絡(luò)經(jīng)過訓練后對各字符樣本的特征極為敏感，能夠?qū)ΥR別對象在較短時間能做出判斷，得出識別結(jié)果。
在實際應(yīng)用中，車牌識別算法遠達不到理想狀態(tài)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(shù)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(huán)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(qū)分；圖像預(yù)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(guān)鍵。
2協(xié)同神經(jīng)網(wǎng)絡(luò)
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?yún)f(xié)同學（Synergetic）的概念。20世紀80年代末，協(xié)同學原理被引入計算機科學和認知科學，基于協(xié)同學的神經(jīng)網(wǎng)絡(luò)正式提出。[3]
2.1協(xié)同神經(jīng)網(wǎng)絡(luò)原理
協(xié)同神經(jīng)網(wǎng)絡(luò)（Synergetic Nerural Network, SNN）是一種競爭性網(wǎng)絡(luò)。根據(jù)協(xié)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(tǒng)將根據(jù)待識別對象q和樣本構(gòu)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(qū)使整個系統(tǒng)進入一個特定的有序狀態(tài)，使得q從中間狀態(tài)進入某個原型模式止中，完成整個系統(tǒng)的宏觀質(zhì)變。整個過程可描述為q(0) q(t) vk。忽略漲落力( )F t和暫態(tài)量，勢函數(shù)表達式如式（1）， l為注意參數(shù)，其值為正數(shù)時可q指數(shù)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(xié)同神經(jīng)網(wǎng)絡(luò)的構(gòu)建
根據(jù)上述協(xié)同神經(jīng)網(wǎng)路的原理，構(gòu)造Haken網(wǎng)絡(luò)結(jié)構(gòu)，將序參量的動力學方程離散化為式（12）=，離散系統(tǒng)神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性主要取決于r的大小。通過上述處理，Haken網(wǎng)絡(luò)轉(zhuǎn)化為三層前向網(wǎng)絡(luò)的形式，如圖4所示。圖4協(xié)同神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
設(shè)原型模式數(shù)為M，狀態(tài)向量與特征向量的維數(shù)為N，為滿足原型模式之間線性無關(guān)條件，MN￡，則網(wǎng)絡(luò)輸入層的神經(jīng)元數(shù)為N，輸出層的神經(jīng)元個數(shù)為N，中間層的神經(jīng)元個數(shù)為M。從網(wǎng)絡(luò)的輸入單元j到中間層k的連接權(quán)值，為伴隨向量kjv+，該伴隨向量kjv+通過網(wǎng)絡(luò)的訓練獲得；中間層k到輸出層單元l的連接權(quán)值，為原型向量lk v，通過網(wǎng)絡(luò)的訓練獲得[4]。
協(xié)同神經(jīng)網(wǎng)絡(luò)的運行過程分為兩個階段：首先是網(wǎng)絡(luò)學習階段，然后是網(wǎng)絡(luò)識別階段，其運行步驟包括以下八步：
1)網(wǎng)絡(luò)學習階段
①選擇網(wǎng)絡(luò)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(wǎng)絡(luò)中間層到輸出層的連接權(quán)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(wǎng)絡(luò)輸入層到中間層的連接權(quán)；
2)網(wǎng)絡(luò)識別階段
④網(wǎng)絡(luò)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(wǎng)絡(luò)權(quán)值相乘，即(0)(0)
3識別實驗
我國現(xiàn)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(shù)字，總共76個，樣本如圖5所示。相對于數(shù)字和字母而言，漢字結(jié)構(gòu)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(qū)、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(jié)果將分別與BP神經(jīng)網(wǎng)絡(luò)（BPNN）和Hopfield神經(jīng)網(wǎng)絡(luò)（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(xiàn)為字符不完整，多數(shù)由于圖像采集和字符分割預(yù)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(jīng)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(jié)果圖8，各神經(jīng)網(wǎng)絡(luò)的識別結(jié)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(yù)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(jīng)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(jié)果圖11，各神經(jīng)網(wǎng)絡(luò)的識別結(jié)果及開銷對比如表4。
結(jié)果表明，協(xié)同神經(jīng)網(wǎng)絡(luò)識別效果最好，與原型模式完全一致；Hopfield神經(jīng)網(wǎng)絡(luò)雖也識別，但識別結(jié)果存在少許失真；BP神經(jīng)網(wǎng)絡(luò)則識別錯誤。在時間開銷方面，協(xié)同神經(jīng)網(wǎng)絡(luò)需要迭代的次數(shù)較多，但用時最短，Hopfield神經(jīng)網(wǎng)絡(luò)迭代的次數(shù)較少，但用時較多。
經(jīng)過對400個車牌樣本的識別，識別結(jié)果的統(tǒng)計如表5，各項數(shù)據(jù)充分表明了協(xié)同神經(jīng)網(wǎng)絡(luò)優(yōu)異的識別性能。
表5 400圖片測試結(jié)果對比
4結(jié)束語
協(xié)同神經(jīng)網(wǎng)絡(luò)是協(xié)同學在模式識別方面的重要應(yīng)用，該文介紹了協(xié)同神經(jīng)網(wǎng)絡(luò)的原理，以Matlab為平臺實現(xiàn)了網(wǎng)絡(luò)模型，并以車牌漢字為例進行實驗。大量的實驗結(jié)果表明，Haken協(xié)同神經(jīng)網(wǎng)絡(luò)比BP神經(jīng)網(wǎng)絡(luò)和Hopfield神經(jīng)網(wǎng)絡(luò)具有更好的識別效果，充分表明了協(xié)同神經(jīng)網(wǎng)絡(luò)在字符識別方面的有效性。但是，實驗結(jié)果也表明，經(jīng)典的Haken神經(jīng)網(wǎng)絡(luò)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(yè)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(guān)鍵詞】BP神經(jīng)網(wǎng)絡(luò)；函數(shù)逼近
1.緒論
人工神經(jīng)網(wǎng)絡(luò)（artificial neural network，ANN）是模仿生物神經(jīng)網(wǎng)絡(luò)功能的一種經(jīng)驗?zāi)Ｐ汀Ｉ锷窠?jīng)元受到傳入的刺激，其反應(yīng)又從輸出端傳到相聯(lián)的其它神經(jīng)元，輸入和輸出之間的變換關(guān)系一般是非線性的。
1.1 BP神經(jīng)網(wǎng)絡(luò)定義
BP （Back Propagation）神經(jīng)網(wǎng)絡(luò)是一種神經(jīng)網(wǎng)絡(luò)學習算法。相鄰層之間各神經(jīng)元進行全連接，而每層各神經(jīng)元之間無連接，網(wǎng)絡(luò)按有教師示教的方式進行學習，當一對學習模式提供給網(wǎng)絡(luò)后，各神經(jīng)元獲得網(wǎng)絡(luò)的輸入響應(yīng)產(chǎn)生連接權(quán)值（Weight）。此過程反復交替進行，直至網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)模型及其基本原理
網(wǎng)絡(luò)的輸入層模擬的是神經(jīng)系統(tǒng)中的感覺神經(jīng)元，它接收輸入樣本信號。輸入信號經(jīng)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(jù)修正各單元權(quán)值，網(wǎng)絡(luò)權(quán)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(wǎng)絡(luò)，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(quán)值調(diào)整過程周而復始地進行著，直到網(wǎng)絡(luò)輸出的誤差減少到可以接受的程度，或進行到預(yù)先設(shè)定的學習次數(shù)為止。權(quán)值不斷調(diào)整的過程就是網(wǎng)絡(luò)的學習訓練過程。
2.BP網(wǎng)絡(luò)在函數(shù)逼近中的應(yīng)用
2.1 基于BP神經(jīng)網(wǎng)絡(luò)逼近函數(shù)
步驟1：假設(shè)頻率參數(shù)k=1，繪制要逼近的非線性函數(shù)的曲線。
步驟2：網(wǎng)絡(luò)的建立
應(yīng)用newff（）函數(shù)建立BP網(wǎng)絡(luò)結(jié)構(gòu)。隱層神經(jīng)元數(shù)目n可以改變，暫設(shè)為n=3，輸出層有一個神經(jīng)元。選擇隱層和輸出層神經(jīng)元傳遞函數(shù)分別為tansig函數(shù)和purelin函數(shù)，網(wǎng)絡(luò)訓練的算法采用Levenberg Marquardt算法trainlm。
同時繪制網(wǎng)絡(luò)輸出曲線，并與原函數(shù)相比較，結(jié)果如圖3.3所示。
其中 “――” 代表要逼近的非線性函數(shù)曲線；
“……” 代表未經(jīng)訓練的函數(shù)曲線；
因為使用newff（ ）函數(shù)建立函數(shù)網(wǎng)絡(luò)時，權(quán)值和閾值的初始化是隨機的，所以網(wǎng)絡(luò)輸出結(jié)構(gòu)很差，根本達不到函數(shù)逼近的目的，每次運行的結(jié)果也有時不同。
步驟3：網(wǎng)絡(luò)訓練
應(yīng)用train（）函數(shù)對網(wǎng)絡(luò)進行訓練之前，需要預(yù)先設(shè)置網(wǎng)絡(luò)訓練參數(shù)。訓練后得到的誤差變化過程如圖2.1所示。
步驟4： 網(wǎng)絡(luò)測試
對于訓練好的網(wǎng)絡(luò)進行仿真：
其中 “――” 代表要逼近的非線性函數(shù)曲線；
“” 代表未經(jīng)訓練的函數(shù)曲線；
“” 代表經(jīng)過訓練的函數(shù)曲線；
從圖中可以看出，得到的曲線和原始的非線性函數(shù)曲線很接近。這說明經(jīng)過訓練后，BP網(wǎng)絡(luò)對非線性函數(shù)的逼近效果比較好。
3.結(jié)束語
神經(jīng)網(wǎng)絡(luò)在近幾年的不斷發(fā)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(yīng)用上的方便，和一些解決問題的方法，期待神經(jīng)網(wǎng)絡(luò)可以應(yīng)在在更多的領(lǐng)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(yīng)用》. 北京： 高等教育出版社，2011.10：15-30.
關(guān)鍵詞：氣體傳感器陣列；人工神經(jīng)網(wǎng)絡(luò)；信號預(yù)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(chǎn)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(chǎn)過程的安全性，發(fā)生事故時會造成巨大的經(jīng)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(huán)境保護、食品保鮮、航空航天等領(lǐng)域也有著廣泛的應(yīng)用。使用氣體傳感器構(gòu)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(xiàn)在線實時測量等優(yōu)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(xiàn)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(jié)合人工神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)進行混合氣體的種類識別。
1 人工神經(jīng)網(wǎng)絡(luò)模型的選取
人工神經(jīng)網(wǎng)絡(luò)是新興交叉學科，也是國際上研究異常活躍的領(lǐng)域之一。神經(jīng)網(wǎng)絡(luò)模型有BP模型、Hopfield模型、Hamming模型等，都是基于連接學說構(gòu)造的智能仿生模型。他是由大量神經(jīng)元組成的非線性動力系統(tǒng)，具有非線性、非區(qū)域性、非定長性和非凸性等特點。
BP神經(jīng)網(wǎng)絡(luò)模型是人工神經(jīng)網(wǎng)絡(luò)的重要模型之一[4]。通常BP算法是通過一些學習規(guī)則來調(diào)整神經(jīng)元之間的連接權(quán)值，具有初步的自適應(yīng)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(jié)構(gòu)嚴謹、工作狀態(tài)穩(wěn)定、可操作性強的特點。BP神經(jīng)網(wǎng)絡(luò)由具有多個節(jié)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(jié)點為1個單獨的神經(jīng)元，相鄰兩層間單向連接，圖1為BP神經(jīng)網(wǎng)絡(luò)模型的原理框圖。
圖1 BP神經(jīng)網(wǎng)絡(luò)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(tài)訓練神經(jīng)網(wǎng)絡(luò)。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(gòu)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(jù)數(shù)據(jù)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(yīng)，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(yù)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(yù)處理，輸入前饋神經(jīng)網(wǎng)絡(luò)，期望輸出［1,0］，［0,1］分別對應(yīng)CH4，CO二種氣體。當網(wǎng)絡(luò)收斂到規(guī)定的誤差指標時，停止訓練，固定網(wǎng)絡(luò)連接權(quán)值和節(jié)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(yù)處理，輸入上述經(jīng)過訓練的網(wǎng)絡(luò)，從而得到預(yù)測結(jié)果。對于分類器，預(yù)測值＞0.7視為1；預(yù)測值＜0.3視為0；預(yù)測值在（0.3,0.7)之間視為預(yù)測出錯。同時通過分析確定了信號預(yù)處理算法和不同網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)對系統(tǒng)輸出的影響。
3.1 信號預(yù)處理算法
為了提高檢測系統(tǒng)的分類辨識效果，必須對傳感器陣列的輸出信號進行預(yù)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(yù)處理算法直接影響著檢測系統(tǒng)的工作特性，應(yīng)該合理選擇。假設(shè)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(shù)。經(jīng)過式(1)處理后的陣列響應(yīng)Xgas=［xgas,1,…,xgas,4］ё魑人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)的實際輸入，氣體傳感器陣列歸一化響應(yīng)數(shù)據(jù)如表1[5]所示。
陣列歸一化算法的預(yù)測結(jié)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(yōu)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(tǒng)BP算法采用固定的學習率和使用Sigmoid函數(shù)為作用函數(shù),從而導致網(wǎng)絡(luò)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(diào)整,達到精簡優(yōu)化樣本質(zhì)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(tǒng)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(lián):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(quán)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(qū)的誤差函數(shù)，使誤差變化迅速退出不靈敏區(qū)，而得到收斂。
表1 氣體傳感器陣列歸一化響應(yīng)數(shù)據(jù)
故連接權(quán)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(jié)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(yīng)各層節(jié)點。相應(yīng)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(diào)節(jié)γpk和γpj來克服，即將γpk和γpj分別調(diào)節(jié)到大于1。И
3.3 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)的比較
前饋神經(jīng)網(wǎng)絡(luò)中隱含層數(shù)目、隱含層神經(jīng)元數(shù)目（本文中采用4∶4∶2結(jié)構(gòu)）也是影響系統(tǒng)性能的可能因素，因此優(yōu)化選擇神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)是系統(tǒng)設(shè)計中的另一個重要步驟。為了比較神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)對系統(tǒng)性能的影響，將預(yù)處理算法固定為陣列歸一化算法，同樣網(wǎng)絡(luò)的初始連接權(quán)值和節(jié)點閥值也不變，只改變網(wǎng)絡(luò)的隱含層數(shù)目和隱含層神經(jīng)元數(shù)個數(shù)[6，8]。
結(jié)果發(fā)現(xiàn)，對于本文的實際問題，采用單隱含層的神經(jīng)網(wǎng)絡(luò)和多隱含層神經(jīng)網(wǎng)絡(luò)都可以完成辨識任務(wù)，不同僅在于：單隱含層神經(jīng)網(wǎng)絡(luò)的訓練時間明顯低于多隱含層神經(jīng)網(wǎng)絡(luò)訓練時間。對于單隱含層神經(jīng)網(wǎng)絡(luò)，隱含層神經(jīng)元數(shù)目只要介于3~12之間，預(yù)測結(jié)果無明顯變化，所以本文的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)完全可以滿足設(shè)計要求。
4 結(jié) 語
通過以上實驗可知,應(yīng)用氣體傳感器陣列與BP算法訓練的人工神經(jīng)網(wǎng)絡(luò)模型相結(jié)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(diào)整和完善氣體傳感器陣列的硬件測量電路,則可開發(fā)出用于現(xiàn)實復雜環(huán)境的多氣體分析系統(tǒng)。
參 考 文 獻
［1］張延松.煤礦井下有害氣體的危害及預(yù)防[J].安全,1996(2):14-16.
［2］曲建嶺,王磊.基于前饋神經(jīng)網(wǎng)絡(luò)的人工嗅覺系統(tǒng)[J].西北工業(yè)大學學報,1999（增刊）:124-128.
［3］羅發(fā)龍,李衍達.神經(jīng)網(wǎng)絡(luò)信號處理[M].北京:電子工業(yè)出版社,1993.
［4］焦李成.神經(jīng)網(wǎng)絡(luò)系統(tǒng)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(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計[M].北京:科學出版社,2000.
［6］王永驥,徐建.神經(jīng)元網(wǎng)絡(luò)控制[M].北京:機械工業(yè)出版社,1998.
［7］楊建剛.人工神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)應(yīng)用技術(shù)[M].長沙:國防工業(yè)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(guān)鍵詞：神經(jīng)網(wǎng)絡(luò) 心理障礙 專家系統(tǒng)
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(jīng)網(wǎng)絡(luò)技術(shù)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(jīng)網(wǎng)絡(luò)結(jié)構(gòu)形式，建立各種網(wǎng)絡(luò)模型，進行信息處理達到解決問題的目的。如BP網(wǎng)絡(luò)模型就能通過大量的訓練例子，經(jīng)過學習獲取知識[1]。
目前高校在大學生心理健康教育領(lǐng)域只是通過學校的心理輔導老師或醫(yī)院的心理學專家給予咨詢指導，但是由于經(jīng)驗水平不一，層次不同，達不到預(yù)期的效果。而利用神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)能夠進行復雜的模式識別和完成規(guī)則復雜、無法預(yù)先確定化的任務(wù)。文章試圖借助神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)全面綜合國內(nèi)外心理學專家的經(jīng)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(jīng)網(wǎng)絡(luò)的基本思想
人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks，簡記作ANN），是對人類大腦系統(tǒng)的一階特性的一種描述[1]。簡單地講，它是一個數(shù)學模型，可以用電子線路來實現(xiàn)，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(jīng)網(wǎng)絡(luò)的功能特性由其連接的拓撲結(jié)構(gòu)和突觸連接強度，即連接權(quán)值決定。神經(jīng)網(wǎng)絡(luò)全體連接權(quán)值的可用一個矩陣W表示，它的整體反映了神經(jīng)網(wǎng)絡(luò)對于所解決問題的知識存儲。神經(jīng)網(wǎng)絡(luò)能夠通過對樣本的學習訓練，不斷改變網(wǎng)絡(luò)的連接權(quán)值以及拓撲結(jié)構(gòu)以使網(wǎng)絡(luò)的輸出不斷地接近期望的輸出。這一過程稱為神經(jīng)網(wǎng)絡(luò)的學習或訓練，其本質(zhì)是可變權(quán)值的動態(tài)調(diào)整。神經(jīng)網(wǎng)絡(luò)的學習方式是決定神經(jīng)網(wǎng)絡(luò)信息處理性能的第三大要素，因此有關(guān)學習的研究在神經(jīng)網(wǎng)絡(luò)研究中具有重要地位。改變權(quán)值的規(guī)則稱為學習規(guī)則或?qū)W習算法，在單個處理單元集體進行權(quán)值調(diào)整時，網(wǎng)絡(luò)就呈現(xiàn)出“智能”特性，其中有意義的信息就分布地存儲在調(diào)節(jié)后的權(quán)值矩陣中。
2、BP神經(jīng)網(wǎng)絡(luò)模型的原理和結(jié)構(gòu)
BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)是由Rumelhart和McCelland為首的科學家小組提出，是一種按誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伨W(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一[3]。BP網(wǎng)絡(luò)能學習和存貯大量的輸入-輸出模式映射關(guān)系，而無需事前揭示描述這種映射關(guān)系的數(shù)學方程。它的學習規(guī)則是使用最速下降法，通過反向傳播來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小。BP神經(jīng)網(wǎng)絡(luò)模型拓撲結(jié)構(gòu)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(wǎng)絡(luò)的原理是把一個輸入矢量經(jīng)過隱層變換成輸出矢量，實現(xiàn)從輸入空間到輸出空間的映射。由權(quán)重實現(xiàn)正向映射，利用當前權(quán)重作用下網(wǎng)絡(luò)的輸出與希望實現(xiàn)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(wǎng)絡(luò)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(jié)點，經(jīng)作用函數(shù)后，再把隱節(jié)點的輸出信號傳播到輸出節(jié)點，最后給出輸出結(jié)果。節(jié)點的作用的激勵函數(shù)通常選取S型函數(shù)，如，式中Q為調(diào)整激勵函數(shù)形式的Sigmoid參數(shù)。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(jīng)元的狀態(tài)只影響下一層神經(jīng)元。若在輸出層得不到期望的輸出，則轉(zhuǎn)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(jīng)元的權(quán)值，使得誤差信號最小。通過這兩個過程的交替進行，在權(quán)向量空間執(zhí)行誤差函數(shù)梯度下降策略，動態(tài)迭代搜索一組權(quán)向量，使網(wǎng)絡(luò)誤差函數(shù)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?yōu)橐粋€非線性優(yōu)化問題，它使用的是優(yōu)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(tǒng)
有關(guān)研究和統(tǒng)計結(jié)果表明，大學生在心理上的確存在著一系列的不良反應(yīng)和適應(yīng)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(shè)計此診斷專家系統(tǒng)，使大學生可以及時了解自己心理健康狀態(tài)，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(wù)的開發(fā)過程。輸入的五個特征包括：行為舉止、情緒狀態(tài)、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(gòu)造心理疾病識別神經(jīng)網(wǎng)絡(luò)。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(gòu)造神經(jīng)網(wǎng)絡(luò)識別訓練集，如表1所示。
該樣本設(shè)計成如圖2所示的神經(jīng)網(wǎng)絡(luò)。網(wǎng)絡(luò)輸入層的神經(jīng)元個數(shù)為5個，輸出層的神經(jīng)元個數(shù)為4個，隱層的神經(jīng)元個數(shù)為5個。
Fig.2 Neural Network of Psychological barrier distinguishing
進行神經(jīng)元網(wǎng)絡(luò)計算，需要把文字概念轉(zhuǎn)換為數(shù)值。為了便于數(shù)據(jù)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(nèi)容經(jīng)過文字到數(shù)值的轉(zhuǎn)換后的結(jié)果見表2。
經(jīng)過改進的BP網(wǎng)絡(luò)后加入的動量項初始值為0.6，網(wǎng)絡(luò)學習速率為0.43。網(wǎng)絡(luò)訓練的循環(huán)次數(shù)規(guī)定為5000，訓練誤差期望為0.000001。
通過該神經(jīng)網(wǎng)絡(luò)模型來完成大學生心理障礙專家診斷系統(tǒng)。對該神經(jīng)網(wǎng)絡(luò)進行訓練后，輸入四組數(shù)據(jù)見表3：
下表為量化后的實例表4：
表4 量化后的數(shù)據(jù)表
Table4 After the quantitative data table
運行客戶端程序，得到結(jié)果報表。所得到報表包含以下內(nèi)容：
(1)完成文字到數(shù)值轉(zhuǎn)換后的輸入?yún)?shù)；
(2)神經(jīng)網(wǎng)絡(luò)的計算輸出值；
(3)根據(jù)輸出數(shù)值得到的結(jié)論。得到以下推理結(jié)果如圖3所示：
Fig.3 Result of college student Psychological barrier Expert System
從計算結(jié)果中可以看出神經(jīng)網(wǎng)絡(luò)的容錯效果很好，對第二例，對焦慮癥缺省缺乏自信、孤獨內(nèi)向條件時，輸出結(jié)果是焦慮癥（0.9122）；對第三例，輸入神經(jīng)衰弱和焦慮癥的共同信息時，神經(jīng)網(wǎng)絡(luò)輸出既靠近神經(jīng)衰弱（0.8761），又靠近焦慮癥（0.8429），輸出結(jié)論：該癥狀是介于神經(jīng)衰弱癥和焦慮癥的中間種類，不能被明確識別，神經(jīng)網(wǎng)絡(luò)需要進一步訓練、學習。
4、結(jié)語
神經(jīng)網(wǎng)絡(luò)來源于研究者對真實神經(jīng)元網(wǎng)絡(luò)運算能力的模擬，在發(fā)展過程中，逐漸顯示出學習、記憶、聯(lián)想等強大的功能，因此神經(jīng)網(wǎng)絡(luò)被廣泛的應(yīng)用到很多領(lǐng)域。通過對神經(jīng)網(wǎng)絡(luò)在大學生心理障礙診斷中的應(yīng)用研究，實現(xiàn)了簡單的模式識別，達到了預(yù)期診斷效果。目前該系統(tǒng)只是對生物神經(jīng)系統(tǒng)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(tǒng)能夠進行復雜的模式識別和完成規(guī)則復雜、無法預(yù)先確定化的任務(wù)。
參考文獻
[1]韓力群.人工神經(jīng)網(wǎng)絡(luò)教程[M].北京:北京郵電大學出版社,2006:23-27.
[2]馮定.神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)[M].北京:科學出版社,2006:57-61.
[3]高雋.人工神經(jīng)網(wǎng)絡(luò)原理及仿真實例（第二版）[M].北京:機械工業(yè)出版社,2007:10-11.
[4]陳青萍.現(xiàn)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(guān)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(jié)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(nèi)經(jīng)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(diào)試難度較高、精度低、通用性也較差，在實際工程中應(yīng)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?shù)娜秉c，其中BP神經(jīng)網(wǎng)絡(luò)補償在實際工程中運用十分廣泛，但是典型BP神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)補償原理分析
BP神經(jīng)網(wǎng)絡(luò)是目前研究中應(yīng)用范圍最廣的神經(jīng)網(wǎng)絡(luò)模型之一，BP神經(jīng)網(wǎng)絡(luò)術(shù)語單向傳輸網(wǎng)絡(luò)結(jié)構(gòu)，整個信息傳輸?shù)倪^程呈現(xiàn)出高度的非線性特點。典型的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)包括輸入層、隱含層和輸出層3層結(jié)構(gòu)。通常情況下BP神經(jīng)網(wǎng)絡(luò)只有這3層結(jié)構(gòu)，這主要是由于單隱層的BP神經(jīng)網(wǎng)絡(luò)既可以完成從任意n維到m維的映射。其典型結(jié)構(gòu)如下圖所示。
BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型
BP算法設(shè)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(jīng)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(quán)值；
n0、n1分別對應(yīng)了輸入節(jié)點數(shù)及隱含層節(jié)點數(shù)。
輸出層神經(jīng)元的激勵函數(shù)f1通常呈現(xiàn)出線性特點；而隱含層神經(jīng)元的激勵函數(shù)f2通常采用如下所示的形式在（0，1）的S型函數(shù)中進行輸出：
由于BP神經(jīng)網(wǎng)絡(luò)隱含層采用的傳遞函數(shù)為對數(shù)S型曲線，其輸出范圍在（0，1）之間。為了避免節(jié)點在短時間之內(nèi)飽和而無法繼續(xù)進行訓練，需要在訓練開始之前利用下面公式對樣本數(shù)據(jù)進行預(yù)處理：
，
其中：Ui、Pi均為訓練數(shù)據(jù)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(shù)，具體如下所示：
如果輸出結(jié)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(quán)值對公式中的各層權(quán)值進行修正，直到輸出結(jié)果達到期望值。
在利用典型BP神經(jīng)網(wǎng)絡(luò)進行壓力傳感器溫度補償?shù)倪^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(jīng)網(wǎng)絡(luò)法的改進
2.1 改進原理
基于典型的BP神經(jīng)網(wǎng)絡(luò)，利用以下方法進行改進。
1）利用小波神經(jīng)網(wǎng)絡(luò)的思想對神經(jīng)元的激勵函數(shù)進行改進，從而實現(xiàn)小波特性與BP神經(jīng)網(wǎng)絡(luò)自學功能的充分結(jié)合，提高激勵函數(shù)的逼近能力。以Morlet函數(shù)作為小波函數(shù)的母函數(shù)，可以降低不同層面神經(jīng)元之間的影響，提高網(wǎng)絡(luò)的收斂速度。以Morlet函數(shù)作母函數(shù)的小波函數(shù)屬于幅值小波，其信號中包含了復值和相關(guān)信息，改進后的函數(shù)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(jié)點，則可以利用下面的公式對第l個樣本的第n個節(jié)點的輸入進行表示：
其中：K表示神經(jīng)網(wǎng)絡(luò)隱含層的單元數(shù)量；M表示神經(jīng)網(wǎng)絡(luò)輸入層的單元數(shù)量；ωn，k表示神經(jīng)網(wǎng)絡(luò)隱含層第k單元與輸出層第n單元的連接權(quán)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(yīng)用可以有效改實現(xiàn)梯度方向的平滑過渡，使得計算結(jié)果更具穩(wěn)定性。該方法以BP法為基礎(chǔ)對權(quán)值進行調(diào)節(jié)，具體公式如下：
其中：t表示樣本的訓練次數(shù)；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(jīng)元之間的影響，提高網(wǎng)絡(luò)的收斂速度。
2.2 主成分BP神經(jīng)網(wǎng)絡(luò)算法的實現(xiàn)
步驟1：按照典型BP神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)預(yù)處理方法對樣本數(shù)據(jù)進行預(yù)處理。
步驟2：利用主成分分析法對預(yù)處理后的樣本數(shù)據(jù)進行分析，降低輸入向量之間的影響，使各個輸入變量的協(xié)同方差趨于統(tǒng)一，從而使各權(quán)值具有相同的收斂速度，并以此確定神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點。
步驟3：對神經(jīng)網(wǎng)絡(luò)進行初始化，并對其中的部分關(guān)鍵變量進行設(shè)置。
步驟4：為神經(jīng)網(wǎng)絡(luò)選取一組學習樣本，以輸入節(jié)點作為網(wǎng)絡(luò)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(wǎng)絡(luò)參數(shù)計算網(wǎng)絡(luò)的實時輸出能力，當輸出誤差在允許范圍之內(nèi)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(quán)值沿誤差函數(shù)的負梯度方向發(fā)生變化，然后利用梯度下降法計算出變化后的網(wǎng)絡(luò)參數(shù)，然后再重復進行第4步的操作。
步驟6：BP神經(jīng)網(wǎng)絡(luò)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(shù)據(jù)進行誤差比較，判斷出網(wǎng)絡(luò)改進之后的變化。
2.3 壓力傳感器溫度補償
根據(jù)前文提供的BP神經(jīng)網(wǎng)絡(luò)算法實現(xiàn)步驟，可以利用Matlab編程語言來實現(xiàn)。在實現(xiàn)該算法之后，我們通過在壓力傳感器量程范圍內(nèi)確定n個壓力標定點，同時確定m個溫度標定點。標準值發(fā)生器會根據(jù)每個標定點的信息產(chǎn)生對應(yīng)的標定輸入值。然后輸入樣本數(shù)據(jù)，樣本數(shù)據(jù)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(wǎng)絡(luò)的收斂速度得到有效的提升。
3 結(jié)論
通過研究結(jié)果發(fā)現(xiàn)，利用主成分分析法對信息進行補償之后，再利用BP神經(jīng)網(wǎng)絡(luò)對這些信息進行訓練，其學習速度相對直接利用BP神經(jīng)網(wǎng)絡(luò)進行訓練更高。同時，通過改進典型的BP神經(jīng)網(wǎng)絡(luò)，利用小波函數(shù)作為激勵函數(shù)，并應(yīng)用動量附加發(fā)對網(wǎng)絡(luò)敏感性進行控制，可以有效避免網(wǎng)絡(luò)發(fā)生局部極小問題。通過基于主成分的BP神經(jīng)網(wǎng)絡(luò)溫度補償方法可以使壓力傳感器受環(huán)境溫度變化而發(fā)生的誤差問題得到高效、精確的解決。
參考文獻
關(guān)鍵詞：模擬電路；故障診斷；模糊數(shù)學；bp網(wǎng)絡(luò)；模糊bp網(wǎng)絡(luò)
0引言
電路故障是指在規(guī)定的條件下，電路工作時它的一個或幾個性能參數(shù)不能保持在要求的上、下限之間，其結(jié)構(gòu)、組件、元器件等出現(xiàn)性能減退、老化、破損、斷裂、擊穿等現(xiàn)象，喪失了在規(guī)定條件和環(huán)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(yīng)都是連續(xù)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(shù)量級，測量難度大；3）模擬電路中的元器件參數(shù)具有容差，導致電路的故障狀態(tài)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(jīng)網(wǎng)絡(luò)法的使用就相當普遍，在硬和軟故障診斷中都有應(yīng)用，因為神經(jīng)網(wǎng)絡(luò)的技術(shù)優(yōu)勢針對模擬電路故障診斷有較好的適用性，這主要體現(xiàn)在：1）神經(jīng)網(wǎng)絡(luò)的大規(guī)模并行處理特點，大大提高了診斷效率；2）自適應(yīng)與自組織能力使神經(jīng)網(wǎng)絡(luò)在學習和訓練中改變權(quán)重值，發(fā)展出新的功能。同時，模糊數(shù)學也與神經(jīng)網(wǎng)絡(luò)相結(jié)合，這是利用了模糊數(shù)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(shù)模糊性。
本文的研究目的就是分別利用單純bp神經(jīng)網(wǎng)絡(luò)和模糊bp神經(jīng)網(wǎng)絡(luò)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(tài)下的關(guān)鍵點電壓，代入診斷模型并得到診斷結(jié)果。根據(jù)各網(wǎng)絡(luò)的結(jié)果分析比較各診斷模型的優(yōu)缺點，找出模糊數(shù)學對改進模擬電路故障診斷模型的具體表現(xiàn)。
1模糊神經(jīng)網(wǎng)絡(luò)的故障診斷模型
1.1典型模糊神經(jīng)網(wǎng)絡(luò)診斷模型介紹
圖1顯示的是一個典型的模糊神經(jīng)網(wǎng)絡(luò)模型，該模型由原始知識獲取（fundamental knowledge acquire,fka）、特征參數(shù)處理（characteristic parameter produce,cdp）、知識提取（knowledge extracted,ke）、經(jīng)驗知識庫（experience knowledge base,ekb）、學習樣本集（learning sample set,lss）和模糊神經(jīng)網(wǎng)絡(luò)（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(jīng)網(wǎng)絡(luò)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(fā)生時輸入和輸出參數(shù)，從而獲取原始知識（x，y），將其傳入知識提取模塊中供系統(tǒng)學習，所得經(jīng)驗集存入經(jīng)驗知識庫中；
2）將原始知識和已經(jīng)存放在經(jīng)驗知識庫中的經(jīng)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(gòu)建，合成訓練樣本集為（x1，y1）；
3）將（x1，y1）輸入到模糊神經(jīng)網(wǎng)絡(luò)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(shù)xc輸入至特征參數(shù)提取模塊中，完成數(shù)據(jù)分析和處理，輸出特征參數(shù)數(shù)據(jù)xc'；
5）將特征參數(shù)數(shù)據(jù)輸入到學習收斂后的模糊神經(jīng)網(wǎng)絡(luò)中，進行診斷推理，得出診斷結(jié)果yc'；
6）將得到的實測數(shù)據(jù)集（xc'，yc'）輸入學習樣本組織模塊，動態(tài)增強模糊神經(jīng)網(wǎng)絡(luò)的自適應(yīng)能力；
7）將得到的實測數(shù)據(jù)集（xc'，yc'）輸入知識提取模塊，進行分析和處理，如能提取出經(jīng)驗知識，則歸入經(jīng)驗知識庫中[1]。
1.2模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)應(yīng)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(jié)點對應(yīng)一個該論域中的模糊子集和隸屬函數(shù)。該層接收精確數(shù)值輸入，經(jīng)過模糊化計算得出對應(yīng)的隸屬度并輸出。
圖2 模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖
輸入層、隱含層和輸出層共同構(gòu)成一個完整的神經(jīng)網(wǎng)絡(luò)。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(jīng)網(wǎng)絡(luò)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(jié)點是模糊神經(jīng)元，與輸入層間的連接權(quán)值是隨機設(shè)定的固定值；輸出層節(jié)點也是模糊神經(jīng)元，與隱含層之間采用全連接方式，其連接權(quán)值是可調(diào)的，作用是輸出用模糊量表示的結(jié)果[2]。
1.3輸入層、輸出層和隱含層節(jié)點數(shù)確定
輸入層的個數(shù)代表了電路故障診斷的關(guān)鍵測試點的個數(shù)n1，輸出點為電路所具有的潛在故障模式種類數(shù)n3。
根據(jù)輸入層和輸出層的個數(shù)，隱含層節(jié)點數(shù)n2的確定有以下4種經(jīng)驗公式[3]：
（1）
（為0～10之間的常數(shù)）（2）
（為0～10之間的常數(shù)）（3）
（4）
2模糊數(shù)學和神經(jīng)網(wǎng)絡(luò)的算法介紹
2.1模糊數(shù)學和隸屬度函數(shù)
模糊數(shù)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(shù)值會隨著故障原因的不同和故障階段不同而發(fā)生變化，所以在進行數(shù)據(jù)處理時常用方法是使用精確事實規(guī)則。即用正態(tài)分布函數(shù)作為隸屬度函數(shù)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(tài)分布使用較多，其中的a是該測試點的理想狀態(tài)工作點，b為該測試點在各種可能狀態(tài)下的工作電壓均方差。
2.2bp神經(jīng)網(wǎng)絡(luò)與算法
圖3bp神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)圖
反向傳播網(wǎng)絡(luò)（back-propagation network，簡稱bp網(wǎng)絡(luò)），是一種有隱含層的多層前饋網(wǎng)絡(luò)。每一層均有一個或多個神經(jīng)元節(jié)點，信息從輸入層依次經(jīng)各隱含層向輸出層傳遞，層間的連接關(guān)系強弱由連接權(quán)值w來表征。bp算法是一種監(jiān)督的學習，基本原理是梯度最速下降法，中心思想是調(diào)整權(quán)值使網(wǎng)絡(luò)總誤差最小。通過連續(xù)不斷地在相對于誤差函數(shù)斜率下降的方向上計算網(wǎng)絡(luò)權(quán)值和偏差值的變化而逐漸逼近目標的。每一次權(quán)值和偏差的變化都與網(wǎng)絡(luò)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(wǎng)絡(luò)模型結(jié)構(gòu)如圖3所示。
以bp神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)圖為例進行bp算法推導，其輸入為p，輸入神經(jīng)元有r個，隱含層內(nèi)有s1個神經(jīng)元，激活函數(shù)為f1，輸入層內(nèi)有s2個神經(jīng)元，對應(yīng)的激活函數(shù)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(shù)：（7）
4）輸入層的權(quán)值變化量：（8）
其中：
同理可得：（9）
5）隱含層權(quán)值變化有： （10）
其中：
同理： （11）
bp網(wǎng)絡(luò)經(jīng)常使用的是s型的對數(shù)、正切激活函數(shù)或線性函數(shù)[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(tài)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(jīng)網(wǎng)絡(luò)的訓練樣本，另取5個樣本為測試樣本。設(shè)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(shù)據(jù)
表2 測試樣本原始數(shù)據(jù)
表1列舉了40組電路實驗樣本原始數(shù)據(jù)的11組，包含了該電路在11種工作狀態(tài)下的五個關(guān)鍵點電壓值，所以n1=5，n2=11，隱含層的節(jié)點數(shù)可以依據(jù)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(shù)據(jù)。
步驟一：數(shù)據(jù)模糊化
根據(jù)用正態(tài)分布函數(shù)作為隸屬度函數(shù)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(shù)的參數(shù)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(shù)可得到網(wǎng)絡(luò)的訓練樣本見表3。
表3 神經(jīng)網(wǎng)絡(luò)部分輸入、輸出訓練樣本
步驟二：將訓練樣本輸入神經(jīng)網(wǎng)絡(luò)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(yīng)的輸出樣本分別輸入bp神經(jīng)網(wǎng)絡(luò)中進行訓練。
步驟三：將測試樣本輸入神經(jīng)網(wǎng)絡(luò)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(yīng)的輸出樣本分別輸入已經(jīng)訓練好的bp神經(jīng)網(wǎng)絡(luò)中，輸出診斷結(jié)果見表4。
表4 輸出診斷結(jié)果
表4中的數(shù)據(jù)是經(jīng)過故障診斷后得到的結(jié)果，在此只是各隨機選用了一組數(shù)據(jù)加以比較說明。通過對故障診斷的試驗觀察和結(jié)果的比較可以作出以下分析。
1）模糊化數(shù)據(jù)能夠有效減少神經(jīng)網(wǎng)絡(luò)的收斂次數(shù)。如在bp網(wǎng)絡(luò)診斷中，使用模糊化數(shù)據(jù)的迭代次數(shù)由886減少到263次，收斂速度明顯加快；
2）模糊化數(shù)據(jù)能夠有效提高神經(jīng)網(wǎng)絡(luò)訓練的效果。通過表4中數(shù)據(jù)的對比可以發(fā)現(xiàn)對于相同的神經(jīng)網(wǎng)絡(luò)，經(jīng)過模糊化數(shù)據(jù)的訓練，其準確性更高。這主要表現(xiàn)在電路所對應(yīng)的狀態(tài)結(jié)果普遍高于未經(jīng)模糊化數(shù)據(jù)訓練的網(wǎng)絡(luò)得出的結(jié)果；同時，其他狀態(tài)對應(yīng)的機率更低，皆低于0.1，且更多值為0，說明數(shù)據(jù)模糊化能使神經(jīng)網(wǎng)絡(luò)的診斷結(jié)果更集中，正確率更高，有效性更加明顯。
4結(jié)論
通過分別采用bp網(wǎng)絡(luò)和模糊bp網(wǎng)絡(luò)建立了電路故障診斷模型，對電路相同工作狀態(tài)參數(shù)的診斷結(jié)果進行比較，得出了模糊數(shù)學對提高電路故障診斷模型精度和有效性效果明顯的結(jié)論。模糊數(shù)學和神經(jīng)網(wǎng)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(jīng)網(wǎng)絡(luò)的板級電路故障診斷研究[j].計算機與數(shù)字工程,2003（3）:21-23.
[2] 李國勇.智能預(yù)測控制及其matlab實現(xiàn)[m].北京:電子工業(yè)出版社，2010.
[3] matlab中文論壇.matlab神經(jīng)網(wǎng)絡(luò)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(shè)備故障診斷原理與實踐[m].北京:電子工業(yè)出版社，2004.
【關(guān)鍵詞】腦卒中癱瘓；神經(jīng)網(wǎng)絡(luò)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(zhì)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(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)重建對此類疾病的治療較針灸治療有明顯的優(yōu)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(jīng)內(nèi)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(chǔ)治療上，采取拋硬幣法，隨機分成神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)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(tǒng)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(jīng)專科醫(yī)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(wěn)定血壓、降顱壓、腦保護劑治療，并根據(jù)不同情況給予抗感染、鎮(zhèn)靜、糾正水、電解質(zhì)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(yǎng)支持，并根據(jù)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(chǔ)治療相同的情況下，實驗組使用神經(jīng)網(wǎng)絡(luò)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(xù)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(tǒng)計學方法：數(shù)據(jù)用均數(shù)±標準差（X±S）表示，兩組間比較用x2檢驗。
2 結(jié)果
2.1 神網(wǎng)組與針炙組比較，兩種方法有效率經(jīng)四格表資料的x2檢驗x225，P＜0.05具有統(tǒng)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(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)重建對癱瘓肢體的作用：神經(jīng)網(wǎng)絡(luò)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(chǎn)生的微弱的肌電信號達到或超過某一設(shè)定閾值時，可立即轉(zhuǎn)化為多種可視可聽的感官信號，并同步啟動神經(jīng)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(chǎn)生有隨意運動誘發(fā)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(zhì)功能的重組[1]。對于失神經(jīng)支配的肌肉進行電刺激，引起肌肉節(jié)律性收縮，可以促進血液循環(huán)，延緩肌肉萎縮，增強肌力。本資料表明，神經(jīng)網(wǎng)絡(luò)治療較傳統(tǒng)的針炙治療：對病人無創(chuàng)、無病苦，兩種治療無論是在有效率，還是顯效率上均具有統(tǒng)計學差異。當病人肌力＜3級時，更應(yīng)首選神經(jīng)網(wǎng)絡(luò)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(fā)生，本組資料中經(jīng)神經(jīng)網(wǎng)絡(luò)治療的病人，未發(fā)生肌萎縮，值得推廣。
3.2 護理：神經(jīng)網(wǎng)絡(luò)重建是通過病人意識能力，實現(xiàn)大腦皮層重建神經(jīng)網(wǎng)絡(luò)的，所以護理人員在操作前、中、后都應(yīng)密切重視病人的反應(yīng)，了解病人的心理狀況，講解神經(jīng)網(wǎng)絡(luò)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(diào)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(zhì)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(shù)RBF神經(jīng)網(wǎng)絡(luò)的優(yōu)勢在于采用全局收斂的線性優(yōu)化算法，唯一最佳逼近點唯一，二者結(jié)合的應(yīng)用能彌補各自的缺陷。兩種方法結(jié)合應(yīng)用到核電廠安全管理評價領(lǐng)域，建立基于遺傳算法和RBF神經(jīng)網(wǎng)絡(luò)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(fā)現(xiàn)風險，采取應(yīng)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(chǎn)安全和社會環(huán)境安全都具有極其重要的現(xiàn)實意義。
關(guān)鍵詞 遺傳算法 神經(jīng)網(wǎng)絡(luò) 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(xiàn)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(jīng)網(wǎng)絡(luò)進行優(yōu)化，保證了并行處理規(guī)模較大信息的能力，發(fā)揮了概括、聯(lián)想、類比、推理等綜合處理數(shù)據(jù)的能力。因此常被用來處理復雜問題，并做出科學的預(yù)測。建立基于遺傳算法和RBF神經(jīng)網(wǎng)絡(luò)的核電廠安全管理評價模型，既確保了對大規(guī)模數(shù)據(jù)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(xiàn)狀，提升核電廠日常管理水平，有效保障企業(yè)員工的生命安全、國家財產(chǎn)安全和生態(tài)環(huán)境安全具有重要意義。
一、遺傳算法和RBF神經(jīng)網(wǎng)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(yōu)勝劣汰、適者生存的遺傳機制。該方法直接對結(jié)構(gòu)對象進行操作；選用概率化的尋優(yōu)方法，自動獲取和指導優(yōu)化的搜索范圍。但該方法在實際應(yīng)用中也存在部分局限性：因借鑒了優(yōu)勝劣汰、適者生存的遺傳機制，所以如果出現(xiàn)優(yōu)勢個體（局部最優(yōu)解）時，就造成了過早收斂現(xiàn)象，也就無法搜索產(chǎn)生全局最優(yōu)解；其次在經(jīng)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(yōu)值；再次傳統(tǒng)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(shù)據(jù)種群占據(jù)優(yōu)勢，同樣無法產(chǎn)生全局最優(yōu)解。
RBF神經(jīng)網(wǎng)絡(luò)是一種前饋式神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)結(jié)構(gòu)分為三部分：輸入層、隱含層、輸出層。它依據(jù)輸入層少數(shù)的神經(jīng)元（基礎(chǔ)數(shù)據(jù)），利用隱含層（高效徑向基函數(shù)），決定神經(jīng)網(wǎng)絡(luò)的輸出層（預(yù)測數(shù)據(jù)）。隱含層（高效徑向基函數(shù)），實際是通過利用高斯函數(shù)，執(zhí)行固定的非線性操作指令，即將輸入層（基礎(chǔ)數(shù)據(jù)）映射到一個新的空間，通過輸出層節(jié)點線性加權(quán)組合，輸出形成結(jié)果。
輸出函數(shù)為：
為隱含層神經(jīng)元的輸出， 為權(quán)值，二者的乘積累加和即為RBF神經(jīng)網(wǎng)絡(luò)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(shù)（高斯函數(shù)）[3]。RBF神經(jīng)網(wǎng)絡(luò)由高斯函數(shù)表示為：
其中，Ci代表了基函數(shù)的中心， 代表了函數(shù)的寬度參數(shù)。從上述公式中可以看出：高斯函數(shù)的徑向范圍與 函數(shù)的寬度參數(shù)成反比。在實際計算中，函數(shù)寬度參數(shù) 的確定一般采用自適應(yīng)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(jīng)元的輸出 。
二、對RBF神經(jīng)網(wǎng)路原理的優(yōu)化
依據(jù)生物神經(jīng)網(wǎng)絡(luò)的機理建立基于RBF神經(jīng)網(wǎng)絡(luò)安全管理評價模型，通過在不同網(wǎng)絡(luò)傳遞環(huán)節(jié)選取恰當?shù)乃惴▽δＰ瓦M行優(yōu)化改進，以此得到安全管理評價的優(yōu)化模型。但是在應(yīng)用過程中RBF神經(jīng)網(wǎng)絡(luò)關(guān)鍵函數(shù)基函數(shù)中心值、網(wǎng)絡(luò)權(quán)值等難以得到最優(yōu)解，因此選擇遺傳算法，利用其優(yōu)勢對神經(jīng)網(wǎng)絡(luò)模型進行優(yōu)化完善。
（一）最優(yōu)基函數(shù)中心值的確定
應(yīng)用遺傳算法進行數(shù)據(jù)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(shù)據(jù)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(jīng)網(wǎng)絡(luò)的m應(yīng)度函數(shù) 為期望輸出 和實際輸出 之差的絕對值累加和的倒數(shù)：
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(yōu)勢個體即完成一次進化。以此方式循環(huán)迭代，直到個體達到給定最大代數(shù)或滿足給定的精度，此時個體則為最優(yōu)基函數(shù)中心值。
（二）最優(yōu)權(quán)值w的確定
權(quán)值的優(yōu)化是一個長期復雜的過程，實數(shù)編碼值能夠較好地反應(yīng)現(xiàn)實情況，用一個數(shù)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(jù)遺傳算法的搜索范圍將權(quán)值以 分布隨機確定（-0.8，0.4，0.65，0.5）；選取適應(yīng)度函數(shù)，將輸出樣本的平方作為適應(yīng)度函數(shù)：
根據(jù)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(jù)核電廠安全管理評價指標，建立基于遺傳算法和RBF神經(jīng)網(wǎng)絡(luò)的核電廠安全管理評價模型。其實現(xiàn)流程如圖所示：
四、結(jié)語
本文建立基于遺傳算法和RBF神經(jīng)網(wǎng)絡(luò)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(fā)現(xiàn)風險，采取應(yīng)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(shù)支持。
參考文獻：
[1] 郭贊.基于遺傳算法和RBF神經(jīng)網(wǎng)絡(luò)的鈾尾礦庫安全預(yù)警模型[J].綠色科技，2015.3：243-245.
[2] 魏艷強.基于RBF神經(jīng)網(wǎng)絡(luò)的公路貨運量預(yù)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(jīng)網(wǎng)絡(luò)優(yōu)化及應(yīng)用[J].信息技術(shù)，2011（5）：165-168.
關(guān)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(xiàn)行研究的壓鑄機實時檢測與控制系統(tǒng)[1]的關(guān)鍵部件,系統(tǒng)利用傳感器對壓鑄機的各重要電控參數(shù)(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(zhì)量尤為重要,其優(yōu)劣程度直接影響壓鑄機控制系統(tǒng)分析、處理數(shù)據(jù)的準確性,最終影響壓鑄件產(chǎn)品質(zhì)量的優(yōu)劣。由于大型壓鑄機生產(chǎn)環(huán)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(fā)生,有故障的傳感器所發(fā)出的錯誤信號,會使整個壓鑄機控制系統(tǒng)分析、處理和控制功能紊亂,造成系統(tǒng)無法正常運行,帶來無法估計的生產(chǎn)安全隱患及嚴重的后果。因此,對壓鑄機控制系統(tǒng)中傳感器故障診斷方法的研究具有重要的意義。
人工神經(jīng)網(wǎng)絡(luò)[2](神經(jīng)網(wǎng)絡(luò))是傳感器故障診斷的方法之一。神經(jīng)網(wǎng)絡(luò)是有大量人工神經(jīng)元相互連接而構(gòu)成的網(wǎng)絡(luò)。它以分布的方式存儲信息,利用網(wǎng)絡(luò)拓撲結(jié)構(gòu)和權(quán)值分布實現(xiàn)非線性的映射,并利用全局并行處理實現(xiàn)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(jīng)網(wǎng)絡(luò)診斷系統(tǒng),可以從其輸入數(shù)據(jù)(代表故障癥狀)直接推出輸出數(shù)據(jù)(代表故障原因),從而實現(xiàn)非線性信息變換。層狀結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)輸入層、輸出層及介于二者之間的隱含層構(gòu)成。依據(jù)用于輸入層到輸出層之間計算的傳遞函數(shù)不同,提出一種基于徑向基函數(shù)RBF神經(jīng)網(wǎng)絡(luò)的傳感器故障診斷策略[3-5]。
1 RBF神經(jīng)網(wǎng)絡(luò)的模型
徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)[6,7](RBFNN)是一種新型神經(jīng)網(wǎng)絡(luò),屬于多層前饋網(wǎng)絡(luò),即前后相連的兩層之間神經(jīng)元相互連接,在各神經(jīng)元之間沒有反饋。RBFNN的三層結(jié)構(gòu)與傳統(tǒng)的BP網(wǎng)絡(luò)結(jié)構(gòu)相同,由輸入層、隱含層和輸出層構(gòu)成,其結(jié)構(gòu)見圖1。其中,用隱含層和輸出層的節(jié)點計算的功能節(jié)點稱計算單元。
圖1 RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖
RBF神經(jīng)網(wǎng)絡(luò)輸入層、隱含層、輸出層的節(jié)點數(shù)分別為n,m,p;設(shè)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(jié)點不對輸入向量做任何操作,直接傳遞到隱含層,實現(xiàn)從XFi(x)的非線性映射。隱含層節(jié)點由非負非線性高斯徑向基函數(shù)構(gòu)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(jié)點的輸出;x為n維輸入向量;ci為第i個基函數(shù)的中心,與x具有相同維數(shù)的向量;σi為第i個感知的變量,它決定了該基函數(shù)圍繞中心點的寬度;m為感知單元的個數(shù)(隱含層節(jié)點數(shù))。x-ci為向量x-ci的范數(shù),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(jīng)元網(wǎng)絡(luò)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(jīng)元的輸出;m為隱層節(jié)點數(shù);p為輸出層節(jié)點數(shù);ωik為隱層第i個神經(jīng)元與輸出層第k個神經(jīng)元的連接權(quán)值。
RBF網(wǎng)絡(luò)的權(quán)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(shù)據(jù)的聚類中心,通過σ值調(diào)節(jié)基函數(shù)的靈敏度,也就是 RBF曲線的寬度。雖然網(wǎng)絡(luò)結(jié)構(gòu)看上去是全連接的,實際工作時網(wǎng)絡(luò)是局部工作的,即對輸入的一組數(shù)據(jù),網(wǎng)絡(luò)只有一個神經(jīng)元被激活,其他神經(jīng)元被激活的程度可忽略。所以 RBF網(wǎng)絡(luò)是一個局部逼近網(wǎng)絡(luò),這使得它的訓練速度要比 BP網(wǎng)絡(luò)快 2～3 個數(shù)量級。當確定了RBF網(wǎng)絡(luò)的聚類中心ci、權(quán)值ωik以后,就可求出給定某一輸入時,網(wǎng)絡(luò)對應(yīng)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(shù)的中心及相應(yīng)的方差,而網(wǎng)絡(luò)權(quán)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(shù)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(shù),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(nèi),若是則結(jié)束,不是則根據(jù)樣本的隸屬度調(diào)整子類個數(shù),轉(zhuǎn)到(2)繼續(xù)。
2.2 確定基函數(shù)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(shù)中心和寬度參數(shù)確定后,隱含層執(zhí)行的是一種固定不變的非線性變換,第i個隱節(jié)點輸出定義為:
Fi(x)=exp(-x-ci2/2σ2i)∑mi=1exp(-x-ci2/2σ2i)(5)
2.3 調(diào)節(jié)隱層單元到輸出單元間的連接權(quán)
網(wǎng)絡(luò)的目標函數(shù)為:
E=12N∑NK=1[y(xk)-(xk)]2(6)
也就是總的誤差函數(shù)。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(shù)。對于RBFNN,參數(shù)的確定應(yīng)能是網(wǎng)絡(luò)在最小二乘意義下逼近所對應(yīng)的映射關(guān)系,也就是使E達到最小。因此,這里利用梯度下降法修正網(wǎng)絡(luò)隱含層到輸出層的權(quán)值ω,使目標函數(shù)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(shù)。根據(jù)上面式(6),式(7)最終可以確定權(quán)值ω的每步調(diào)整量:
Δωi=-ηN∑[y(xk)-(xk)]bi(xk)(8)
權(quán)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(tǒng)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(tǒng)中傳感器主要檢測的參數(shù)有合型力、油壓、模具溫度、壓射速度,各參數(shù)隨時間變化輸入與輸出之間存在明顯的非線性關(guān)系。RBF神經(jīng)網(wǎng)絡(luò)模型具有較強的非線性處理和任意函數(shù)逼近的能力。圖2為基于RBF神經(jīng)網(wǎng)絡(luò)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(tǒng)的實際輸入和傳感器的輸出學習系統(tǒng)的特性,用已經(jīng)訓練好的觀測器的輸出于實際系統(tǒng)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(tǒng):
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(tǒng)實際輸入;f(•)代表某個未知的動態(tài)系統(tǒng)(壓鑄機)的非線性關(guān)系;n,l,d分別代表系統(tǒng)結(jié)構(gòu)的階次和時間延遲,并且假設(shè)u(k),y(k)是可測的。
利用RBF神經(jīng)網(wǎng)絡(luò)模型的徑向基函數(shù)來逼近f(•)。將函數(shù):
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(jīng)網(wǎng)絡(luò)訓練模型輸入層的輸入,通過上述隱含層高斯徑向基函數(shù)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(quán)值,最后得到整個網(wǎng)絡(luò)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(quán)值;Fi(k)為第i個隱層節(jié)點的輸出;θ為輸出層節(jié)點的閥值,并將(k)與當前系統(tǒng)的實際輸出y(k)進行比較,得到殘差δ(k)。若δ(k)小于預(yù)定閥值θ,表示傳感器正常工作,此時采用系統(tǒng)實際輸出的數(shù)據(jù);若δ(k)大于預(yù)定閥值θ,說明傳感器發(fā)生故障,此時采用RBFNN觀測器的觀測數(shù)據(jù)作為系統(tǒng)的真實輸出,實現(xiàn)信號的恢復功能。
3.2 仿真實驗
在壓鑄機系統(tǒng)各傳感器正常工作時連續(xù)采集52組相關(guān)數(shù)據(jù),將其分成2組,前40組用于對RBF神經(jīng)網(wǎng)絡(luò)進行離線訓練,以構(gòu)建RBF神經(jīng)網(wǎng)絡(luò)觀測器;后12組用于對訓練好的網(wǎng)絡(luò)進行測試。表1為訓練樣本庫中的部分數(shù)據(jù)。
表1 用于RBF神經(jīng)網(wǎng)絡(luò)訓練的部分數(shù)據(jù)
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(shù)的物理意義、量級各不相同,必須經(jīng)過歸一化處理后才能用于神經(jīng)網(wǎng)絡(luò)的訓練,用Matlab[10]的Simulink仿真工具箱提供的函數(shù)對數(shù)據(jù)進行歸一化處理使數(shù)據(jù)位于[-1,1]之間。訓練結(jié)束后切斷學習過程使網(wǎng)絡(luò)處于回想狀態(tài),將系統(tǒng)實際輸出與網(wǎng)絡(luò)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(nèi)對RBF神經(jīng)網(wǎng)絡(luò)進行訓練,結(jié)果經(jīng)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(shù)據(jù)對RBF神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)具有一定的泛化能力,可以較好的觀測、跟蹤合型機構(gòu)現(xiàn)狀。
現(xiàn)針對傳感器經(jīng)常發(fā)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(fā)生故障時,由于y不能準確反應(yīng)合型力數(shù)據(jù),導致δ突變,不再滿足白噪聲特性。根據(jù)上面所述的傳感器故障診斷原理,設(shè)定閥值θ=2.7 MPa,圖5表示合型力傳感器在T∈[400 s,600 s]內(nèi)發(fā)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(nèi)發(fā)生漂移故障;圖7表示傳感器在T∈[800 s,1 000 s]內(nèi)發(fā)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(fā)生卡死故障時的殘差曲線
圖6 合型力傳感器出現(xiàn)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(xiàn)恒增益故障時的殘差曲線
4 結(jié) 語
在此依據(jù)徑向基(RBF)神經(jīng)網(wǎng)絡(luò)原理,以壓鑄機控制系統(tǒng)各傳感器的輸出參數(shù)作為RBF神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)觀測器模型對控制系統(tǒng)傳感器進行故障診斷,仿真實驗表明徑向基神經(jīng)網(wǎng)絡(luò)具有較強的非線性處理和逼近能力,泛化能力強,網(wǎng)絡(luò)運算速度快,能夠準確發(fā)現(xiàn)和處理故障信號,性能穩(wěn)定。因此,RBF神經(jīng)網(wǎng)絡(luò)故障診斷是壓鑄機控制系統(tǒng)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(shù)[M].北京:機械工業(yè)出版社,2006.
[2]韓力群.人工神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)的傳感器的故障診斷方法與應(yīng)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(shù),2003,22(10):50-53.
[5]胡香玲,馮浩,華亮.基于RBF神經(jīng)網(wǎng)絡(luò)的變壓器保護[J].電氣應(yīng)用,2005,24(10):59-62.
[6]趙望達,劉勇求,賀毅.基于RBF神經(jīng)網(wǎng)絡(luò)提高壓力傳感器精度的新方法[J].傳感技術(shù)學報,2004,23(4):640-642.
[7]張秀玲,李海濱.一種基于RBF神經(jīng)網(wǎng)絡(luò)的數(shù)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(shù)神經(jīng)網(wǎng)絡(luò)的車型識別技術(shù)[J].西北大學學報:自然科學版,2006(2):21-24.
關(guān)鍵詞：城區(qū)土壤；重金屬污染；遺傳算法；BP神經(jīng)網(wǎng)絡(luò)
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(huán)境污染的突出問題，隨著社會和經(jīng)濟的發(fā)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(jù)分布情況實現(xiàn)對污染源的定位對于有關(guān)部門進行及時的環(huán)境預(yù)防與整治具有重要意義[1]。
近年來興起的人工神經(jīng)網(wǎng)絡(luò)能通過學習實例集自動提取“合理的”求解規(guī)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(jīng)網(wǎng)絡(luò)系統(tǒng)，該模型可以實現(xiàn)對污染源位置的定位，從而為相關(guān)部門及時進行環(huán)境整治提供了理論依據(jù)。
1 構(gòu)建基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)模型
1.1 BP神經(jīng)網(wǎng)絡(luò)基本原理
BP神經(jīng)網(wǎng)絡(luò)是在對復雜的生物BP神經(jīng)網(wǎng)絡(luò)研究和理解的基礎(chǔ)上發(fā)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(yīng)和自學的能力，可以很好地協(xié)調(diào)多種輸入信息的關(guān)系[2]。BP神經(jīng)網(wǎng)絡(luò)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(jīng)元，通過神經(jīng)元之間的相互作用來完成整個網(wǎng)絡(luò)的信息處理。其網(wǎng)絡(luò)拓撲結(jié)構(gòu)如圖1。同一層各神經(jīng)元相互沒有連接，相鄰層的神經(jīng)元通過權(quán)實現(xiàn)全連接。
1.2 BPANN算法改進
普通的BP神經(jīng)網(wǎng)絡(luò)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(xiàn)震蕩等。為了改進普通的BP神經(jīng)網(wǎng)絡(luò)，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(yōu)化搜索算法，它將“優(yōu)勝劣汰，適者生存”的生物進化原理引入待優(yōu)化參數(shù)形成的編碼串群體中，按照一定的適配值函數(shù)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(yōu)于上一代的個體。這樣的周而復始，群體中的適應(yīng)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(jīng)網(wǎng)絡(luò)算法的結(jié)合就是利用GA優(yōu)化網(wǎng)絡(luò)的拓撲結(jié)構(gòu)，如網(wǎng)絡(luò)層數(shù)和每層的節(jié)點數(shù)，以及各層節(jié)點間的連接關(guān)系。根據(jù)某些性能評價準則（如學習速度、泛化能力或結(jié)構(gòu)復雜程度等）搜索結(jié)構(gòu)空間中滿足問題要求的最佳BP神經(jīng)網(wǎng)絡(luò)。基于遺傳算法的神經(jīng)網(wǎng)絡(luò)流程如圖3。
2 模型應(yīng)用實例——以青島市城區(qū)土壤重金屬污染源的定位為例
青島是中國重要的經(jīng)濟中心城市和港口城市，是中國重要的外貿(mào)口岸之一、國家歷史文化名城和風景旅游勝地，作為體現(xiàn)青島面貌的首要因素——環(huán)境，已成為青島、中國乃至世界大眾關(guān)注的問題。因此，對青島的城市環(huán)境地球化學研究勢在必行。
現(xiàn)以青島市城區(qū)為例，根據(jù)從城區(qū)采樣得到的土壤重金屬含量數(shù)據(jù)建立神經(jīng)網(wǎng)絡(luò)模型，對污染源進行定位。對青島市南區(qū)、市北區(qū)、四方區(qū)、李滄區(qū)、嶗山區(qū)5個城區(qū)進行了廣泛的土壤地質(zhì)調(diào)查，將所考察的城區(qū)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(jīng)網(wǎng)絡(luò)模擬后，在所得的數(shù)據(jù)矩陣中隨機選取200個點對應(yīng)的坐標進行繪圖，繪圖結(jié)果如圖4。從圖4中可以看出，每種重金屬元素在城區(qū)中的空間分布，對數(shù)據(jù)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(yù)測位置。
3 小結(jié)
通過建立基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)模型，并將該模型運用于青島市城區(qū)內(nèi)各種重金屬污染源的定位。使得環(huán)境管理部門可以在目標地區(qū)的土壤進行采樣分析的基礎(chǔ)上，利用該算法得出目標地區(qū)內(nèi)重金屬元素的分布圖，根據(jù)極大值點可以定位污染源，并由此采取相應(yīng)的管理措施。該算法的優(yōu)越性在于可利用部分測量數(shù)據(jù)估計整體地區(qū)的分布情況，但同時也存在不足之處，一是數(shù)據(jù)獲取困難，一般需要依靠衛(wèi)星測量獲取樣本數(shù)據(jù)，二是算法雖然有較高的收斂速度，但缺少動態(tài)性，無法進行金屬元素的動態(tài)分析和分布變化預(yù)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(tài)預(yù)測模型[J].水資源保護，2007，23（3）：5-8，59.
