反向傳播神經(jīng)網(wǎng)絡(luò)基本原理范文
時(shí)間：2023-11-02 17:38:20
導(dǎo)語(yǔ)：如何才能寫好一篇反向傳播神經(jīng)網(wǎng)絡(luò)基本原理，這就需要搜集整理更多的資料和文獻(xiàn)，歡迎閱讀由公務(wù)員之家整理的十篇范文，供你借鑒。
篇1
（一）BrainCell
神經(jīng)網(wǎng)絡(luò)基本原理本文主要應(yīng)用了BrainCell神經(jīng)網(wǎng)絡(luò)軟件來(lái)實(shí)現(xiàn)B2B電子商務(wù)供應(yīng)鏈協(xié)同績(jī)效評(píng)價(jià)模型的計(jì)算與分析。BrainCell神經(jīng)網(wǎng)絡(luò)采用誤差反向傳播學(xué)習(xí)算法，算法從兩個(gè)方面（信號(hào)的前向傳播和誤差的反向傳播）反復(fù)進(jìn)行迭代學(xué)習(xí)。其基本原理是輸入層各神經(jīng)元在接收外接的信息后，傳遞給隱含層的神經(jīng)元，根據(jù)減少目標(biāo)輸出與實(shí)際輸出誤差的方向，從輸入層經(jīng)過隱含層逐層修正各連接的權(quán)值，直到將誤差調(diào)整到能夠接受的程度，這不僅是各層權(quán)值不斷修正的過程，也是學(xué)習(xí)訓(xùn)練神經(jīng)網(wǎng)絡(luò)的過程，若學(xué)習(xí)樣本的計(jì)算輸出提前達(dá)到預(yù)期的結(jié)果，則訓(xùn)練過程結(jié)束，否則將學(xué)習(xí)到預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止，最后由輸出層輸出信息處理的結(jié)果，如上圖所示。
（二）BrainCell神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)步驟
1.網(wǎng)絡(luò)層數(shù)的確定根據(jù)Kolmogrov理論可知，含有一個(gè)隱含層的三層神經(jīng)網(wǎng)絡(luò)可以以任意精度逼近一個(gè)從輸入到輸出的映射關(guān)系。因此，在BrainCell神經(jīng)網(wǎng)絡(luò)中采用含有單隱層的三層神經(jīng)網(wǎng)絡(luò)。2.網(wǎng)絡(luò)節(jié)點(diǎn)的確定輸入層節(jié)點(diǎn)的多少與評(píng)價(jià)指標(biāo)個(gè)數(shù)是相對(duì)應(yīng)的。因此，根據(jù)構(gòu)建好的B2B電子商務(wù)供應(yīng)鏈協(xié)同績(jī)效評(píng)價(jià)指標(biāo)體系，可以將一級(jí)指標(biāo)與二級(jí)指標(biāo)進(jìn)行合并，作為輸入層的節(jié)點(diǎn)數(shù)，其指標(biāo)數(shù)如表1所示，因此輸入層節(jié)點(diǎn)數(shù)為19個(gè)。輸出層節(jié)點(diǎn)則為1個(gè)，在此以B2B電子商務(wù)供應(yīng)鏈協(xié)同績(jī)效等級(jí)結(jié)果作為輸出值。3.網(wǎng)絡(luò)訓(xùn)練本文采用的訓(xùn)練函數(shù)為trainscg，將網(wǎng)絡(luò)訓(xùn)練的精度設(shè)置為10-4并初始化權(quán)值和閾值后，從15個(gè)樣本中選取12個(gè)作為訓(xùn)練樣本進(jìn)行批處理訓(xùn)練，開啟網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)訓(xùn)練。其具體步驟如下。假設(shè)訓(xùn)練樣例是形式（a，b），其中a為輸入向量，b為輸出值。N為輸入節(jié)點(diǎn)數(shù)，M為輸出層節(jié)點(diǎn)數(shù)。從單位i到單位j的輸入表示aij，單位i到單位j的權(quán)值表示W(wǎng)ij。（1）創(chuàng)建具有N個(gè)輸入單位，M個(gè)輸出單位的BrainCell神經(jīng)網(wǎng)絡(luò)。（2）用隨機(jī)數(shù)（0或1）初始化某些數(shù)字變量網(wǎng)絡(luò)權(quán)值Wij。（3）對(duì)于第k個(gè)訓(xùn)練樣例（a，b），把輸入跟著網(wǎng)絡(luò)前向傳播，并計(jì)算網(wǎng)絡(luò)中每個(gè)單元x的輸出Qx，使誤差沿著反向傳播。（4）對(duì)于每個(gè)輸出單元u，計(jì)算它的誤差項(xiàng)。（5）對(duì)于每個(gè)隱含單元h，計(jì)算它的誤差項(xiàng)。（6）利用誤差項(xiàng)更新調(diào)整每個(gè)網(wǎng)絡(luò)權(quán)值。（7）重復(fù)（3）到（6），直到完成指定的迭代次數(shù)或者是其誤差值達(dá)到可接受的范圍。4.網(wǎng)絡(luò)檢驗(yàn)將剩下的3個(gè)驗(yàn)證樣本數(shù)據(jù)輸入到訓(xùn)練好的網(wǎng)絡(luò)中，將其訓(xùn)練結(jié)果與實(shí)際結(jié)果相比較，檢驗(yàn)BrainCell神經(jīng)網(wǎng)絡(luò)得到的輸入與輸出間的關(guān)系是否正確，從而反映出該績(jī)效評(píng)價(jià)體系的準(zhǔn)確性和可靠性。
二、實(shí)證研究與分析
（一）確定績(jī)效評(píng)價(jià)等級(jí)
由于各個(gè)企業(yè)供應(yīng)鏈自身發(fā)展的情況不同，各具特點(diǎn)，其形式、結(jié)構(gòu)各異，因此如何劃分績(jī)效評(píng)價(jià)等級(jí)，如何更好地反映績(jī)效評(píng)價(jià)等級(jí)至關(guān)重要。本文以績(jī)效考核成績(jī)最好為1，最低為0為臨界值，由高到低劃分5個(gè)等級(jí)，并通過績(jī)效等級(jí)系數(shù)來(lái)體現(xiàn)，見表2所示。
（二）指標(biāo)數(shù)據(jù)獲取和處理
本文以天貓商城中某珠寶飾品有限責(zé)任公司為例，該公司有比較穩(wěn)定的供應(yīng)商，且與多家企業(yè)都有長(zhǎng)期合作關(guān)系。根據(jù)公司的實(shí)際管理情況，整理出該公司供應(yīng)鏈協(xié)同管理的績(jī)效指標(biāo)評(píng)價(jià)體系研究的基礎(chǔ)數(shù)據(jù)，應(yīng)用BrainCell軟件對(duì)這些基本數(shù)據(jù)進(jìn)行計(jì)算。為使各指標(biāo)在整個(gè)系統(tǒng)中具有可比性，本文利用效應(yīng)系數(shù)將指標(biāo)在閉區(qū)間[0，1]上進(jìn)行同趨勢(shì)化無(wú)量綱化和定性指標(biāo)定量化處理。結(jié)果表明，該公司的供應(yīng)鏈整體績(jī)效基本良好，其績(jī)效評(píng)價(jià)等級(jí)系數(shù)主要都集中在[0.5,0.8]這部分區(qū)間內(nèi)，與該公司所處供應(yīng)鏈實(shí)際情況相符。該公司運(yùn)作情況基本令人滿意。
三、結(jié)語(yǔ)及展望
篇2
【關(guān)鍵詞】BP神經(jīng)網(wǎng)絡(luò)；遺傳算法；變壓器；故障診斷
1 引言
變壓器作為電力系統(tǒng)重要的變電設(shè)備，其運(yùn)行狀態(tài)直接影響到供電的可靠性和整個(gè)系統(tǒng)的正常運(yùn)行。一旦發(fā)生事故，將對(duì)電力系統(tǒng)和終端用戶造成嚴(yán)重的影響。因此研究變壓器故障診斷技術(shù)，對(duì)電力系統(tǒng)安全運(yùn)行有著重要的現(xiàn)實(shí)意義。
對(duì)變壓器油中溶解氣體進(jìn)行色譜分析（DGA）是變壓器內(nèi)部故障診斷的一種重要的手段?；诖思夹g(shù)，采用具有高度的非線性映射以及自組織、自學(xué)習(xí)能力的人工神經(jīng)網(wǎng)絡(luò)，現(xiàn)階段在進(jìn)行故障診斷時(shí)多采用BP神經(jīng)網(wǎng)絡(luò)。BP算法是基于梯度的方法，容易陷入局部極小值，且收斂速度慢。GA遺傳算法的發(fā)展為我們提供了一個(gè)全局的、穩(wěn)健的搜索優(yōu)化方法，本文充分利用GA具有不受函數(shù)可微與連續(xù)的制約，并且能達(dá)到全局最優(yōu)的特點(diǎn)，由GA尋找最優(yōu)的BP網(wǎng)絡(luò)權(quán)值與相應(yīng)節(jié)點(diǎn)的閾值，并加入動(dòng)量因子，此方法彌補(bǔ)了傳統(tǒng)優(yōu)化方法的不足，極大地改善了BP網(wǎng)絡(luò)的性能。
2 BP神經(jīng)網(wǎng)絡(luò)及遺傳算法原理
2.1 BP神經(jīng)網(wǎng)絡(luò)的基本原理
BP神經(jīng)網(wǎng)絡(luò)是一種利用反向傳播訓(xùn)練算法的前饋型神經(jīng)網(wǎng)絡(luò)，BP學(xué)習(xí)算法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，即采用梯度搜索技術(shù)，以使其網(wǎng)絡(luò)的實(shí)際輸出值與期望輸出值的誤差均方值為最小。
BP學(xué)習(xí)算法包括前向傳播和誤差反向傳播兩個(gè)學(xué)習(xí)階段。當(dāng)給定網(wǎng)絡(luò)的一個(gè)輸入模式時(shí)，輸入信號(hào)經(jīng)隱層逐層處理后傳到輸出層，并由輸出層處理后產(chǎn)生一個(gè)輸出模式，稱為前向傳播；當(dāng)輸出響應(yīng)與期望的輸出模式有誤差時(shí)，則轉(zhuǎn)入誤差反向傳播。即將誤差值沿原來(lái)的連接通路逐層反向傳播直至輸入層，并修正各層連接權(quán)值。對(duì)于給定的一組訓(xùn)練模式，不斷地重復(fù)前向傳播和誤差反向傳播的過程，通過沿途修改各層神經(jīng)元間的連接權(quán)和神經(jīng)元閾值使得誤差達(dá)到最小。當(dāng)各個(gè)訓(xùn)練模式都滿足要求時(shí)，就說(shuō)BP網(wǎng)絡(luò)已學(xué)習(xí)好。BP神經(jīng)網(wǎng)絡(luò)模型的基本結(jié)構(gòu)如圖1。
2.2 附加動(dòng)量的BP神經(jīng)網(wǎng)絡(luò)
傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練在修正權(quán)值時(shí)，是按著k時(shí)刻的負(fù)梯度方式進(jìn)行修正，而忽略了之前積累的經(jīng)驗(yàn)，導(dǎo)致權(quán)值的學(xué)習(xí)過程發(fā)生振蕩，收斂緩慢。因此提出加入動(dòng)量因子a，此時(shí)k+1時(shí)刻的權(quán)值為：
附加動(dòng)量法總是力圖使同一梯度方向上的修正量增加。這種方法加速了收斂速度，并在一定程度上減小了陷入局部極小的概率。
2.3 GA遺傳算法的基本原理
GA是模擬自然界優(yōu)勝劣汰的進(jìn)化現(xiàn)象，把搜索空間映射為遺傳空間，把可能的解編碼成一個(gè)向量（染色體），向量的每個(gè)元素稱為基因。通過不斷計(jì)算各染色體的適應(yīng)值，選擇最好的染色體，獲得最優(yōu)解。
首先把問題解用遺傳表示出來(lái)，在對(duì)種群中的個(gè)體進(jìn)行逐個(gè)解碼并根據(jù)目標(biāo)函數(shù)計(jì)算其適應(yīng)值。根據(jù)適應(yīng)值的大小而決定某些個(gè)體是否得以存活的操作，把適應(yīng)值高的個(gè)體取出復(fù)制再生，再將兩個(gè)個(gè)體的某些部分互換并重新組合而成新的個(gè)體，經(jīng)過交叉后隨機(jī)地改變個(gè)體的某些基因位從而產(chǎn)生新的染色體。這樣的過程反復(fù)循環(huán)，經(jīng)過若干代后，算法就收斂到一個(gè)最優(yōu)的個(gè)體，問題最終獲得全局最優(yōu)解。GA流程圖如圖2所示：
3 GA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷模型設(shè)計(jì)
GA-BP算法主要思想是：先利用神經(jīng)網(wǎng)絡(luò)試探出最好的網(wǎng)絡(luò)的隱層節(jié)點(diǎn)數(shù)，再利用遺傳算法在整體尋優(yōu)的特點(diǎn)將網(wǎng)絡(luò)的權(quán)值優(yōu)化到一個(gè)較小的范圍，進(jìn)而用BP算法繼續(xù)優(yōu)化。
3.1 BP網(wǎng)絡(luò)的建立
（1）輸入模式的確定
本文為了充分利用在線監(jiān)測(cè)中的特征氣體而又不使輸入量過大，特取C2H2/C2H4、C2H4/C2H6、CH4/H2的比值歸一后作為輸入矢量。
（2）輸出模式的確定
本文對(duì)輸出層采用正常、低溫過熱、中溫過熱、高溫過熱、局部放電、低能放電、高能放電共7個(gè)神經(jīng)元。輸出值最大為l，數(shù)值越大則表明該類型的故障的可能性和嚴(yán)重程度也越大，如表2.1：
（3）隱含層神經(jīng)元數(shù)確定
本文參考關(guān)于隱含層神經(jīng)元數(shù)的理論研究和經(jīng)驗(yàn)公式，獲得理論值為5～15。再利用matlab 軟件，通過試湊法對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，將隱層節(jié)點(diǎn)設(shè)置為6、8、10、12、14，將其輸入計(jì)算機(jī)，在相同訓(xùn)練條件下進(jìn)行訓(xùn)練，得知隱層節(jié)點(diǎn)數(shù)為12時(shí)網(wǎng)絡(luò)收斂性能好，收斂時(shí)間較短。故選節(jié)點(diǎn)數(shù)為12。
綜上所述，本文構(gòu)建一個(gè)輸入層為3，隱含層為12，輸出層為7的BP神經(jīng)網(wǎng)絡(luò)。
3.2 GA對(duì)BP網(wǎng)絡(luò)進(jìn)行優(yōu)化
（1）初始化種群P、以及權(quán)值、閾值初始化；在編碼中，采用實(shí)數(shù)進(jìn)行編碼，本文初始種群取30；
（2）計(jì)算每一個(gè)個(gè)體評(píng)價(jià)函數(shù)，并將其排序；可按下式概率值選擇網(wǎng)絡(luò)個(gè)體：
其中 i為染色體個(gè)數(shù)，k為輸出層節(jié)點(diǎn)數(shù)，YK為訓(xùn)練值，P為學(xué)習(xí)樣本數(shù)，T為期望目標(biāo)值；
（3）進(jìn)行選擇復(fù)制、交叉、變異遺傳操作；
（4）將新個(gè)體插入到種群P中，并計(jì)算新個(gè)體的評(píng)價(jià)函數(shù)；
（5）計(jì)算BP的誤差平方和，若達(dá)到預(yù)定值則進(jìn)行BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，否則重復(fù)進(jìn)行遺傳操作；
（6）結(jié)束GA操作，以GA遺傳出的優(yōu)化初值作為初始權(quán)值，運(yùn)用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，計(jì)算其誤差，并不斷修改其權(quán)值和閾值，直至滿足精度要求，此時(shí)說(shuō)明BP網(wǎng)絡(luò)已經(jīng)訓(xùn)練好，保存網(wǎng)絡(luò)權(quán)值和閾值。
4 故障診斷系統(tǒng)的仿真
本文選取了具有代表性的30組作為訓(xùn)練樣本， 在建立的GA-BP變壓器故障診斷網(wǎng)絡(luò)中輸入樣本進(jìn)行訓(xùn)練，其遺傳算法適應(yīng)度曲線、誤差平方和曲線和GA-BP的訓(xùn)練目標(biāo)曲線圖分別見圖3、圖4和圖5。
從圖中可以看出，適應(yīng)度較高的個(gè)體被遺傳了下來(lái)，適應(yīng)度較低的則被淘汰；GA進(jìn)行了150代的遺傳操作達(dá)到了目標(biāo)值；GA-BP算法進(jìn)行了106步左右就收斂到指定精度0.0005。由此看出，此GA優(yōu)化BP建立的變壓器故障診斷模型的收斂精度和收斂速度都比較高。
采用實(shí)際檢測(cè)到的10組電力變壓器故障實(shí)例（表2）來(lái)驗(yàn)證網(wǎng)絡(luò)性能，神經(jīng)網(wǎng)絡(luò)診斷結(jié)果和實(shí)際故障結(jié)果的比較，如表3所示：
由表3可見，基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷系統(tǒng)在故障診斷中達(dá)到了很高的準(zhǔn)確率，能較好地滿足變壓器故障診斷的要求，極大的提高了診斷的可靠性和準(zhǔn)確性。
5 結(jié)束語(yǔ)
文中將遺傳算法與BP網(wǎng)絡(luò)相結(jié)合，在DGA的基礎(chǔ)上設(shè)計(jì)了適用于變壓器故障診斷的3-12-7結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)。先對(duì)網(wǎng)絡(luò)的權(quán)值閾值進(jìn)行GA算法處理，并在傳統(tǒng)的BP算法中加入動(dòng)量因子，通過MATLAB編程實(shí)現(xiàn)了GA優(yōu)化BP網(wǎng)絡(luò)。通過仿真分析可知GA優(yōu)化BP網(wǎng)絡(luò)收斂性能的提高改善了BP網(wǎng)絡(luò)的學(xué)習(xí)效率，并在下一步的診斷工作中體現(xiàn)其高準(zhǔn)確率，推廣了此優(yōu)化網(wǎng)絡(luò)在變壓器故障診斷的實(shí)用性。
參考文獻(xiàn)：
[1]張緒錦，譚劍波，韓江洪.基于BP神經(jīng)網(wǎng)絡(luò)的故障診斷方法[J].系統(tǒng)工程理論與實(shí)踐，2002（6）.
[2]王少芳，蔡金錠.GA―BP混合算法在變壓器色譜診斷法中的應(yīng)用[J].高電壓技術(shù)，2003（7）.
[3]鄭高，戴玉松.人工智能方法在變壓器故障診斷中的應(yīng)用[J].四川工業(yè)學(xué)院報(bào)，2004 （5）.
[4]李國(guó)勇.智能控制機(jī)器MATLAB實(shí)現(xiàn)[M].電子工業(yè)出版社，2005.
[5]徐志鈕，律方成.多神經(jīng)網(wǎng)絡(luò)方法在變壓器油色譜故障診斷中的應(yīng)用[J].高壓電器，2005（3）.
篇3
關(guān)鍵詞:功率放大器;預(yù)失真;神經(jīng)網(wǎng)絡(luò);互調(diào)失真
中圖分類號(hào):TP183文獻(xiàn)標(biāo)識(shí)碼:A
文章編號(hào):1004-373X(2009)10-133-04
Research of Adaptive Digital Predistortion Based on Neural Network
QIU Wei,XU Yitao,REN Guochun,ZHONG Zhiming
(Communication Engineering College,PLA University of Technology,Nanjing,210007,China)
Abstract:Because of inherent nonlinearity of high power amplifier,f-band distortion and adjacent-channel interference,which may have bad influence on communication system.To overcome it,a linearization process is given.First,this paper makes a math analysis about nonlinearity distortion of HPA,describes the basic principle about digital predistortion.And then,after depicting simple neural network,the paper proposes an adaptive digital predistortion technology based on SISO-neural network,which can improve third-order and fifth-order intermodulation and comparing with polynomial-fitting technology,it has more advantage on convergence speed and difficulty of hardware realization.At last,the paper uses a double-sound signal to make a matlab simulation,the results also prove this technology′s superiority.
Keywords:power amplifier;pre-distortion;neural network;intermodulation distortion
伴隨無(wú)線通信技術(shù)的迅猛發(fā)展,使得人們對(duì)通信系統(tǒng)的容量要求越來(lái)越大?，F(xiàn)代通信系統(tǒng)為了追求更高的數(shù)據(jù)速率和頻譜效率,更趨向于采用線性調(diào)制方式,如16QAM和QPSK方式,以及多載波配置[1]。這些技術(shù)產(chǎn)生的信號(hào)峰均比較大,均要求功率放大器具有良好的線性特性,否則就會(huì)出現(xiàn)較大的互調(diào)失真,同時(shí)會(huì)導(dǎo)致頻譜擴(kuò)展,造成臨道干擾,使誤碼率惡化,從而降低系統(tǒng)性能。
目前,克服放大器非線性失真主要有三種方法,一是直接制造超線性功率放大器,但制造這樣的放大器工藝極其復(fù)雜,價(jià)格非常昂貴,且一般只適用于小功率放大器。二是采用功率回退技術(shù),使功放工作在線性區(qū),可以使其從飽和功率點(diǎn)做較大回退來(lái)滿足線性放大的要求,但這樣做會(huì)使功放效率大大降低,一般小于10%。三是采用線性化技術(shù),即通過適當(dāng)增加一些電路來(lái)克服其非線性影響。目前功放線性化技術(shù)主要有前饋、負(fù)反饋和預(yù)失真技術(shù)。負(fù)反饋固有的穩(wěn)定性問題,使得反饋線性化技術(shù)工作在無(wú)線頻率無(wú)法保持系統(tǒng)穩(wěn)定[2]。前饋技術(shù)是早期用得比較多的一項(xiàng)技術(shù),比較成熟,但其最大的難點(diǎn)在于為保持不同器件之間的幅度和相位特性完全匹配[2],會(huì)使系統(tǒng)和設(shè)備都較復(fù)雜。預(yù)失真技術(shù)具有電路形式簡(jiǎn)單,調(diào)整方便,效率高,造價(jià)低等優(yōu)點(diǎn)[3]。其中,基帶預(yù)失真還能采用現(xiàn)代的數(shù)字信號(hào)處理技術(shù),是被最為看好的一項(xiàng)功放線性化技術(shù)。
文章利用一種簡(jiǎn)單的單入單出三層前向神經(jīng)網(wǎng)絡(luò)來(lái)進(jìn)行自適應(yīng)預(yù)失真處理,補(bǔ)償由高功率放大器非線性特性引起的信號(hào)失真,從而實(shí)現(xiàn)其線性化。文中分析基于這種結(jié)構(gòu)的自適應(yīng)算法,并做了相應(yīng)的仿真,仿真結(jié)構(gòu)表明,該方法能有效改善三階互調(diào)和五階互調(diào),且收斂速度比一般多項(xiàng)式預(yù)失真更快,具有一定的優(yōu)勢(shì)。
1 高功率放大器非線性分析
高功率放大器一般都是非線性器件,特別是當(dāng)輸入信號(hào)幅度變化較大時(shí),放大器工作區(qū)將在飽和區(qū)、截止區(qū)、放大區(qū)之間來(lái)回轉(zhuǎn)換,非線性失真嚴(yán)重,會(huì)產(chǎn)生高次諧波和互調(diào)失真分量。由于任何函數(shù)理論上都可以分解為多項(xiàng)式的形式,故放大器的輸入和輸出關(guān)系表示為:
Vo=a1Vi+a2V2i+a3V3i+…+anVni(1)
假設(shè)輸入的雙音信號(hào)為:
Vi=V1cosω1t+V2cosω2t(2)
將式(2)代入式(1),得到輸出電壓為:
Vo=a22(V21+V22)+
a1V1+a334V31+32V1V22+…〗cosω1t+
a2V2+a334V32+32V2V21+…〗cosω2t+
12a2V21+…cos(2ω1t)+12a2V22+…•
cos(2ω2t)+14a3V31+…cos(3ω1t)+
14a3V32+…cos3ω2t+a2V1V2\ω2)t+cos(ω1-ω2)t\〗+34a3V21V2\ω2)t+cos(2ω1-ω2)t\〗+34a3V22V1\ω1)t+cos(2ω2-ω1)t\〗+58a5V31V22cos(3ω2-
2ω1)t+58a5V21V32cos(3ω1-2ω2)t
從上式可以看出,輸出信號(hào)中不僅包含2個(gè)基頻ω1,ω2,還產(chǎn)生了零頻,2次及高次諧波以及互調(diào)分量。其中的2ω1-ω2,2ω2-ω1,3ω1-2ω2和2ω1-3ω2通常會(huì)落在通頻帶內(nèi),一般無(wú)法濾除,是對(duì)通信影響最大的非線性失真分量,即所謂的三階互調(diào)和五階互調(diào)。放大器線性化的目標(biāo)就是在保證一定效率的前提下最大地減小三階和五階互調(diào)分量。
2 預(yù)失真基本原理及其自適應(yīng)
預(yù)失真就是在信號(hào)通過放大器之前通過預(yù)失真器對(duì)信號(hào)做一個(gè)與放大器失真特性相反的失真,然后與放大器級(jí)聯(lián),從而保證輸出信號(hào)相對(duì)輸入信號(hào)是線性變化。預(yù)失真器產(chǎn)生一個(gè)非線性的轉(zhuǎn)移特性,這個(gè)轉(zhuǎn)移特性在相位上與放大器轉(zhuǎn)移特性相反,實(shí)質(zhì)上是一個(gè)非線性發(fā)生器,其原理圖如圖1所示。
預(yù)失真器的實(shí)現(xiàn)通常有查詢表法和非線性函數(shù)兩種方式[2]。由于查表法結(jié)構(gòu)簡(jiǎn)單,易于實(shí)現(xiàn),早期的預(yù)失真多采用此方法。但它對(duì)性能的改善程度取決于表項(xiàng)的大小,性能改善越大,需要的表項(xiàng)越大,所需要的存儲(chǔ)空間也越大,每次查找遍歷表項(xiàng)的每個(gè)數(shù)據(jù)和更新表項(xiàng)所需要的時(shí)間和計(jì)算也越大,因此在高速信息傳輸?shù)慕裉煲呀?jīng)不可取。非線性函數(shù)法是根據(jù)對(duì)放大器輸出信號(hào)采樣值與其輸入信號(hào),用一個(gè)非線性工作函數(shù)來(lái)擬合放大器的工作曲線,然后根據(jù)預(yù)失真器特性與放大器特性相反,求出預(yù)失真器的非線性特性函數(shù),從而對(duì)發(fā)送信號(hào)進(jìn)行預(yù)失真處理。這種方法只需要更新非線性函數(shù)的幾個(gè)系數(shù),也不需要大的存儲(chǔ)空間,因此是近年來(lái)研究的熱點(diǎn)。
圖1 預(yù)失真基本原理
假設(shè)預(yù)失真器傳輸函數(shù)為F(x);放大器傳輸函數(shù)為G(x);F和G均為復(fù)函數(shù)。若輸入信號(hào)為x(t),則經(jīng)過預(yù)失真器之后的信號(hào)為u(t)=F\,放大器的輸出函數(shù)為y(t)=G\=G{F\}。預(yù)失真的目的就是使x(t)通過預(yù)失真器和放大器級(jí)聯(lián)后的輸出y(t)=ax(t),a為放大器增益。通過一定的方法可以找到合適的F,使實(shí)際輸出和期望輸出的誤差最小。
由于溫度、電器特性、使用環(huán)境等因素的不斷變化,放大器的傳輸特性也會(huì)發(fā)生變化,從而預(yù)失真器傳輸函數(shù)F(x)的各參數(shù)也會(huì)隨之變化。因此,現(xiàn)代數(shù)字預(yù)失真技術(shù)一般都采用自適應(yīng)技術(shù),以跟蹤調(diào)整參數(shù)的變化。目前,常用的兩種自適應(yīng)預(yù)失真結(jié)構(gòu)如圖2和圖3所示。
圖2 自適應(yīng)預(yù)失真系統(tǒng)結(jié)構(gòu)圖
圖3 復(fù)制粘帖式自適應(yīng)預(yù)失真系統(tǒng)結(jié)構(gòu)圖
圖2是一般的通用自適應(yīng)結(jié)構(gòu),結(jié)構(gòu)簡(jiǎn)單,思路明確,但一些經(jīng)典的自適應(yīng)算法由于多了放大器求導(dǎo)項(xiàng)而不能直接應(yīng)用,且需要辨識(shí)放大器的傳輸特性。圖3的復(fù)制粘帖式結(jié)構(gòu)(非直接學(xué)習(xí))則不存在這些問題,關(guān)于這種結(jié)構(gòu)的優(yōu)缺點(diǎn)比較和具體性能分析見文獻(xiàn)[4]。這里將采用后一種自適應(yīng)結(jié)構(gòu)。
3 基于一種單入單出式神經(jīng)網(wǎng)絡(luò)的自適應(yīng)預(yù)失真技術(shù)
3.1 神經(jīng)網(wǎng)絡(luò)
神經(jīng)網(wǎng)絡(luò)是基于生物學(xué)的神經(jīng)元網(wǎng)絡(luò)的基本原理而建立的。它是由許多稱為神經(jīng)元的簡(jiǎn)單處理單元組成的一類自適應(yīng)系統(tǒng),所有神經(jīng)元通過前向或回饋的方式相互關(guān)聯(lián)、相互作用。由Minsky和Papert提出的多層前向神經(jīng)元網(wǎng)絡(luò)是目前最為常用的網(wǎng)絡(luò)結(jié)構(gòu)。它被廣泛應(yīng)用到模式分類和函數(shù)逼近中,已經(jīng)證明含有任意多個(gè)隱層神經(jīng)元的多層前向神經(jīng)元網(wǎng)絡(luò)可以逼近任意的連續(xù)函數(shù)[5]。在此,就是利用神經(jīng)網(wǎng)絡(luò)的這種功能來(lái)擬合預(yù)失真器的特性曲線,并且用改進(jìn)的反向傳播算法來(lái)自適應(yīng)更新系數(shù)。
多層前向神經(jīng)元網(wǎng)絡(luò)由輸入層、一個(gè)或多個(gè)隱層和輸出層以前向的方式連接而成,其每一層又由許多人工神經(jīng)元組成,前一層的輸出作為下一層神經(jīng)元的輸入數(shù)據(jù)。三層前向神經(jīng)元網(wǎng)絡(luò)示意圖如圖4所示,其中輸入層有M個(gè)人工神經(jīng)元,隱層有K個(gè)神經(jīng)元,輸出層有N個(gè)神經(jīng)元。關(guān)于人工神經(jīng)元的具體介紹
參考文獻(xiàn)[6,7]。
圖4 三層前向神經(jīng)元網(wǎng)絡(luò)
3.2 基于單入單出式神經(jīng)網(wǎng)絡(luò)的自適應(yīng)預(yù)失真系統(tǒng)模型
單入單出三層前向神經(jīng)網(wǎng)絡(luò)示意圖如圖5所示,假設(shè)隱層包含K個(gè)神經(jīng)元。輸入數(shù)據(jù)經(jīng)過一系列權(quán)系數(shù){w11,w12,…,w1K}加權(quán)后到達(dá)隱層的各個(gè)神經(jīng)元。隱層中的神經(jīng)元將輸入進(jìn)來(lái)的數(shù)據(jù)通過一個(gè)激勵(lì)函數(shù)(核函數(shù)),其各神經(jīng)元的輸出經(jīng)過一系列權(quán)系數(shù){w21,w22,…,w2K}加權(quán)并求和后作為輸入層的輸入,然后該輸入通過激勵(lì)函數(shù)的輸出作為整個(gè)網(wǎng)絡(luò)的輸出。單入單出式神經(jīng)網(wǎng)絡(luò)自適應(yīng)預(yù)失真系統(tǒng)模型就是把圖5所示的神經(jīng)網(wǎng)絡(luò)放入圖3所示的自適應(yīng)預(yù)失真模型的預(yù)失真器{f}和函數(shù)發(fā)生器{f′}模塊中,兩個(gè)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和規(guī)模是一樣的。
圖5 單入單出三層前向神經(jīng)元網(wǎng)絡(luò)
預(yù)失真器神經(jīng)網(wǎng)絡(luò)和函數(shù)發(fā)生器神經(jīng)網(wǎng)絡(luò)開始都隨機(jī)初始化。先看預(yù)失真器神經(jīng)網(wǎng)絡(luò),設(shè)輸入序列為xi(i=1,2,…),則隱層各單元輸入I1k=w1kxi-θ1k,經(jīng)過核函數(shù)后,隱層各單元輸出為J1k=f(I1k)。其中f(x)=(1-e-2x)/(1+e-2x)為核函數(shù),輸出層靜輸入為z1=∑Kk=1w2kJ1k-θ1,輸出層輸出即預(yù)失真器輸出U1=f(z1),經(jīng)過功放后得到系統(tǒng)輸出yi。通過衰減器后的信號(hào)作為訓(xùn)練神經(jīng)網(wǎng)絡(luò)的輸入信號(hào),經(jīng)過前面神經(jīng)網(wǎng)絡(luò)相同的過程訓(xùn)練網(wǎng)絡(luò)輸出層的輸出為U2,絕對(duì)誤差信號(hào)e1(i)=U1(i)-U2(i),然而直接把此誤差運(yùn)用到自適應(yīng)算法中導(dǎo)致算法會(huì)局部收斂且收斂速度極慢。因此本文對(duì)誤差信號(hào)做了改進(jìn),即把誤差信號(hào)改為e(i)=(1/2){λ\2+(1-λ)φ\(chéng)},其中φ(x)=In\/β,加入的調(diào)整因子λ和輔助項(xiàng)φ,能把算法從局部收斂點(diǎn)拉出來(lái)且收斂速度得到一定的提高。最后根據(jù)反向傳播算法,得到訓(xùn)練神經(jīng)網(wǎng)絡(luò)的權(quán)系數(shù)更新式如下(下標(biāo)2為隱層到輸出層權(quán)系數(shù);下標(biāo)1為輸入層到隱層權(quán)系數(shù)):
δ2(i)=c(i)\
Δw2(i)=αδ2(i)J2+ηΔw2(i-1)
Δθ2(i)=αδ2(i)+ηΔθ2(i)
δ1(i)=δ2(i)w22(1+J2)(1-J2)
Δw1(i)=αδ1(i)y/G+ηΔw1(i-1)
Δθ1(i)=αδ1(i)+ηΔθ1(i)
預(yù)失真權(quán)系數(shù)可分為訓(xùn)練和跟蹤兩個(gè)階段。根據(jù)上面的迭代公式,得到一組訓(xùn)練神經(jīng)網(wǎng)絡(luò)的權(quán)系數(shù)。把這種權(quán)系數(shù)拷貝到預(yù)失真器神經(jīng)網(wǎng)絡(luò)中替代原來(lái)的權(quán)系數(shù),得到一組新的預(yù)失真系數(shù),之后重新計(jì)算誤差,繼續(xù)上面的過程循環(huán)迭代運(yùn)算,直到誤差小于規(guī)定的范圍,即整個(gè)系統(tǒng)收斂,預(yù)失真器訓(xùn)練完成。此時(shí)稱之為訓(xùn)練階段。之后隨著溫度、輸入的不同,調(diào)制信號(hào)、環(huán)境等的變化,可能引起功放特性的變化,可以設(shè)置一個(gè)誤差門限值,一旦發(fā)現(xiàn)誤差超過此門限,立即重新啟動(dòng)上面的循環(huán)迭代,重新訓(xùn)練,直到滿足條件,即跟蹤階段。這種算法收斂速度快,且能滿足實(shí)時(shí)運(yùn)算的要求。同時(shí)在硬件實(shí)現(xiàn)上,只要做一個(gè)核函數(shù)發(fā)生器,其他就全是乘累加運(yùn)算,與多項(xiàng)式結(jié)構(gòu)的高次冪運(yùn)算相比,硬件實(shí)現(xiàn)要簡(jiǎn)單得多,因此具有一定的實(shí)用性。
4 性能仿真
文中使用雙音信號(hào)進(jìn)行了仿真分析,雙音信號(hào)為:
xs=0.5
放大器模型采用經(jīng)典salef[9]模型,神經(jīng)網(wǎng)絡(luò)的隱層數(shù)設(shè)為15。雙音信號(hào)直接通過放大器和通過文中所提的預(yù)失真網(wǎng)絡(luò)后再通過放大器的頻譜圖如圖6所示。
圖6 預(yù)失真前后信號(hào)歸一化頻譜圖
圖7 神經(jīng)網(wǎng)絡(luò)和多項(xiàng)式結(jié)構(gòu)誤差曲線
由圖6可見,雙音信號(hào)通過放大器后產(chǎn)生了較大的失真,其中的三階互調(diào)達(dá)到-17 dB,五階互調(diào)也有-36 dB。通過文中所提的神經(jīng)網(wǎng)絡(luò)預(yù)失真系統(tǒng)處理后,即信號(hào)通過預(yù)失真器再通過放大器后,三階互調(diào)被抑制到-42 dB,五階互調(diào)也被抑制到-45 dB以下,三階互調(diào)改善25 dB,五階互調(diào)改善11 dB以上。
圖7顯示文獻(xiàn)[10]提到的一般多向式結(jié)構(gòu)和本文所提出的神經(jīng)網(wǎng)絡(luò)預(yù)失真結(jié)構(gòu)的誤差收斂曲線,它們都能達(dá)到相同或相似的互調(diào)分量改善效果。然而,本文所提的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)收斂速度明顯較前者要快,而且收斂效果也比前者要好。圖8是輸入信號(hào)和通過預(yù)失真處理后放大器的輸出信號(hào)波形圖。由圖可見,經(jīng)過本文所提出的神經(jīng)網(wǎng)絡(luò)預(yù)失真網(wǎng)絡(luò)處理后,輸出信號(hào)波形基本沒有失真,能與輸入信號(hào)很好的重合,表明該神經(jīng)網(wǎng)絡(luò)預(yù)失真技術(shù)能很好的實(shí)現(xiàn)功放線性化。
圖8 輸入信號(hào)和通過預(yù)失真處理后放大的輸出信號(hào)波形圖
5 結(jié) 語(yǔ)
本文針對(duì)放大器固有的非線性特性問題,從數(shù)學(xué)上分析了放大器的非線性失真,介紹基于預(yù)失真基本原理和神經(jīng)網(wǎng)絡(luò)基本概念,提出一種單入單出式神經(jīng)網(wǎng)絡(luò)自適應(yīng)預(yù)失真技術(shù)。仿真結(jié)果表明,該技術(shù)能三階互調(diào)能抑制25 dB左右,對(duì)五階互調(diào)能抑制11 dB左右。在很大程度上改善了通信系統(tǒng)的性能;而且與一般多項(xiàng)式預(yù)失真技術(shù)相比,收斂速度和收斂效果都有一定的改善,且硬件實(shí)現(xiàn)上只要做好一個(gè)核函數(shù)發(fā)生器,其他運(yùn)算就全是簡(jiǎn)單的乘累加過程,可以避免硬件難以完成的多項(xiàng)式高次冪運(yùn)算,表現(xiàn)出了一定的優(yōu)勢(shì)。
參考文獻(xiàn)
[1]趙慧,漆蘭芬.射頻放大器的工作函數(shù)預(yù)失真線性化[J].無(wú)線電工程,2001,31(12):58-61.
[2]錢業(yè)青,劉富強(qiáng).寬帶RF功率放大器的預(yù)失真線性化技術(shù)綜述[J].計(jì)算機(jī)工程與應(yīng)用,2007,43(32):114-117.
[3]賈建華,劉戰(zhàn)勝.關(guān)于自適應(yīng)預(yù)失真射頻功率放大器線性化研究[J].微波學(xué)報(bào),2005,21(3):48-50.
[4]錢業(yè)青.一種高效的用于RF功率放大器線性化的自適應(yīng)預(yù)失真結(jié)構(gòu)[J].通信學(xué)報(bào),27(5):35-46.
[5]Cybenko G.Approximations by Superpositions of a Sigmoidal Function[J].Mathematics of Control,Signals and Systems,1989(2):183-192.
[6]劉寶碇,趙瑞清,王綱.不確定規(guī)劃及應(yīng)用[M].北京:清華大學(xué)出版社,2003.
[7]朱劍英.智能系統(tǒng)非經(jīng)典數(shù)學(xué)方法[M].武漢:華中科技大學(xué)出版社,2001.
[8]Glentis G O,Berberdis K,Theodoridid S.Efficient Least Sqares Adaptive Algorithms for FIR Transversal Filtering[J].IEEE Signal Processing Magazine,1999,16(4):13-41.
[9]Saleh A.Frequency-independent and Frequency-dependent Nonlinear Models of TWT Amplifiers[J].IEEE Trans.on Commun.,1981,29(11):1 715-1 720.
篇4
【關(guān)鍵詞】風(fēng)險(xiǎn)評(píng)價(jià) BP神經(jīng)網(wǎng)絡(luò) 工程項(xiàng)目 matlab
一、引言
工程項(xiàng)目是一個(gè)工期長(zhǎng)，技術(shù)復(fù)雜，前期投入量大的生產(chǎn)過程，在其建設(shè)期間存在大量的不確定性和風(fēng)險(xiǎn)，因此對(duì)工程項(xiàng)目的風(fēng)險(xiǎn)預(yù)測(cè)是一個(gè)必要且重要的過程。傳統(tǒng)的分析方法各有特點(diǎn)，要根據(jù)具體的項(xiàng)目選擇運(yùn)用哪一種方法，如專家打分法，層次分析法，模糊分析法等，這些方法的局限性是人為因素占比重較大，結(jié)果容易產(chǎn)生偏差，為解決這一問題，提出了將人工神經(jīng)網(wǎng)絡(luò)用于風(fēng)險(xiǎn)綜合評(píng)價(jià)的方法。
二、BP神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介
人工神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)和自適應(yīng)能力，可以通過預(yù)先提供的一批相互對(duì)應(yīng)的輸入――輸出數(shù)據(jù)，分析掌握兩者之間的映射關(guān)系，根據(jù)這些關(guān)系，輸入新的數(shù)據(jù)來(lái)推算結(jié)果。BP神經(jīng)網(wǎng)絡(luò)是1986年由Rumelhart和McCelland為首的科學(xué)家小組提出，是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，包括輸入層，輸出層和隱含層，當(dāng)輸出的結(jié)果與期望樣本存在誤差時(shí)，通過反向傳播來(lái)調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使誤差平方和最小。
三、BP神經(jīng)網(wǎng)絡(luò)風(fēng)險(xiǎn)評(píng)價(jià)具體實(shí)現(xiàn)步驟
一個(gè)基本的神經(jīng)網(wǎng)絡(luò)，有n個(gè)輸入，每個(gè)輸入值都通過一個(gè)經(jīng)調(diào)整的權(quán)值與下一層連接，輸出層可以表示為：
y=f（wp+b）
f為表示輸入輸出關(guān)系的函數(shù)。
BP算法的基本步驟：
1.構(gòu)建網(wǎng)絡(luò)，確定輸入層、隱含層、輸出層節(jié)點(diǎn)數(shù)目，初始化權(quán)值w和閾值b；
（1）一般來(lái)說(shuō)，輸入層節(jié)點(diǎn)數(shù)與風(fēng)險(xiǎn)指標(biāo)個(gè)數(shù)相同；
（2）隱含層節(jié)點(diǎn)數(shù)理論上沒有一個(gè)規(guī)范的依據(jù)，其數(shù)目取決于多種因素，如，訓(xùn)練樣本的數(shù)量，樣本的波動(dòng)大小及隱藏的規(guī)律性的復(fù)雜程度。經(jīng)驗(yàn)上，我們可以采取兩種方法確定隱含層節(jié)點(diǎn)數(shù)：
a.試湊法，先設(shè)置較少的節(jié)點(diǎn)數(shù)目進(jìn)行訓(xùn)練，計(jì)算誤差，然后逐步增加結(jié)點(diǎn)個(gè)數(shù)，用相同的樣本進(jìn)行訓(xùn)練，直到計(jì)算得到得誤差最小，即為需要的隱含層節(jié)點(diǎn)個(gè)數(shù)，此方法為確定結(jié)點(diǎn)個(gè)數(shù)的最佳方法；
b.公式法，H=（m+n）1/2+a
或H=（m*n）1/2
或H=log2n
n,m分別代表輸出和輸入的節(jié)點(diǎn)個(gè)數(shù)，a為0～1之間的常數(shù)。
（3）輸出層節(jié)點(diǎn)數(shù)根據(jù)評(píng)價(jià)結(jié)果確定，一般為1。
2.訓(xùn)練樣本集，包括輸入樣本集向量p和預(yù)期的輸出T，計(jì)算輸出值，并與預(yù)期輸出值比對(duì)計(jì)算誤差；
3.計(jì)算誤差平均方差和；
4.根據(jù)誤差調(diào)整權(quán)值和閾值；
5.循環(huán)2―4，直至誤差均方和滿足精確度為止。
四、選擇傳遞函數(shù)和學(xué)習(xí)函數(shù)
1.傳遞函數(shù)
傳遞函數(shù)是BP神經(jīng)網(wǎng)絡(luò)的重要組成部分，又稱為激活函數(shù)，必須是連續(xù)可微的，BP神經(jīng)網(wǎng)絡(luò)一般采用tansig（）或logsig（）或purelin（）作為傳遞函數(shù)。通常根據(jù)樣本數(shù)據(jù)的情況，輸入輸出數(shù)據(jù)的取值范圍等選擇傳遞函數(shù)。
2.學(xué)習(xí)函數(shù)
學(xué)習(xí)函數(shù)是BP神經(jīng)網(wǎng)絡(luò)的又一重要組成部分， BP神經(jīng)及網(wǎng)絡(luò)的傳遞函數(shù)包括：
（1）traingd,特點(diǎn)是收斂速度滿慢，學(xué)習(xí)過程常發(fā)生震蕩；
（2）traingdm函數(shù)收斂速度快于traingd;
（3）traingdx收斂速度快于traingd，但僅用于批量訓(xùn)練；
（4） trainrp,收斂速度快，用于批量訓(xùn)練，數(shù)據(jù)占用存儲(chǔ)空間??；
（5）rtaincgf，占用存儲(chǔ)空間最小的變梯度算法，速度通常比traingdx快得多，適用于連接權(quán)的數(shù)量很多時(shí)；
（6）traincgp,數(shù)據(jù)占用的存儲(chǔ)空間較rtaincgf略大，但對(duì)有些問題有較快的收斂速度，性能略好于rtaincgf；
（7）traincgb，性能略好于traincgp，但存儲(chǔ)空間較之略大；
（8）trainscg，比其他變梯度算法需要更多迭代次數(shù)，但無(wú)需在迭代中進(jìn)行線性搜索，從而大大減少了每次迭代的計(jì)算量；
（9）trainbfg，每次迭代過程所需的計(jì)算量和存儲(chǔ)空間大于變梯度算法，對(duì)規(guī)模較小的網(wǎng)絡(luò)更有效；
（10）trainoss,變梯度與擬牛頓算法的折中；
（11）trainlm,對(duì)中等規(guī)模的前饋網(wǎng)絡(luò)的最快速算法；
（12）trainbr,可是網(wǎng)絡(luò)具有較強(qiáng)的泛化能力，避免了嘗試的方法去決定最佳網(wǎng)絡(luò)規(guī)模的大小。在實(shí)際運(yùn)用時(shí)，通常根據(jù)輸入數(shù)據(jù)規(guī)模，特點(diǎn)，對(duì)收斂速度、存儲(chǔ)空間的要求進(jìn)行選擇。
五、工程項(xiàng)目風(fēng)險(xiǎn)指標(biāo)集的確定
通常，一個(gè)工程項(xiàng)目要經(jīng)過可行性分析，工程設(shè)計(jì)，工程施工，竣工投產(chǎn)，項(xiàng)目處置幾個(gè)階段，不同的階段風(fēng)險(xiǎn)不同，風(fēng)險(xiǎn)的影響因素也各不相同，我們沒有必要對(duì)每一個(gè)因素進(jìn)行分析，重點(diǎn)放在影響作用大的因素上而忽略影響作用小的因素。根據(jù)對(duì)工程項(xiàng)目不同的影響方式來(lái)分類，我們選取五類風(fēng)險(xiǎn)、分別是政治風(fēng)險(xiǎn)、社會(huì)風(fēng)險(xiǎn)、經(jīng)濟(jì)風(fēng)險(xiǎn)、工程風(fēng)險(xiǎn)、環(huán)境風(fēng)險(xiǎn)。其中，政治風(fēng)險(xiǎn)包括政治法規(guī)風(fēng)險(xiǎn)和城市規(guī)劃風(fēng)險(xiǎn)；經(jīng)濟(jì)風(fēng)險(xiǎn)包括信用風(fēng)險(xiǎn)，市場(chǎng)風(fēng)險(xiǎn)和金融風(fēng)險(xiǎn)；工程風(fēng)險(xiǎn)包括技術(shù)風(fēng)險(xiǎn)，資源風(fēng)險(xiǎn)，材料供應(yīng)風(fēng)險(xiǎn)，經(jīng)營(yíng)風(fēng)險(xiǎn)和驗(yàn)收風(fēng)險(xiǎn)。
六、BP神經(jīng)網(wǎng)絡(luò)的matlab實(shí)現(xiàn)
東方集團(tuán)目前共有九個(gè)工程投資項(xiàng)目，按照前面確定的風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)集，其專家評(píng)測(cè)的風(fēng)險(xiǎn)數(shù)據(jù)如下表，
這九組數(shù)據(jù)中，使用1~7作為訓(xùn)練樣本，8~9作為檢驗(yàn)樣本。經(jīng)過試算,當(dāng)網(wǎng)絡(luò)中隱含層的節(jié)點(diǎn)數(shù)為3時(shí)，網(wǎng)絡(luò)的性能最佳，即建立12個(gè)輸入節(jié)點(diǎn)，3個(gè)隱含層節(jié)點(diǎn)，1個(gè)輸出節(jié)點(diǎn)的BP神經(jīng)網(wǎng)絡(luò)模型。由于樣本的數(shù)據(jù)都集中在0~1之間，我們?cè)陔[含層傳遞函數(shù)選取tansig（）函數(shù),整個(gè)網(wǎng)絡(luò)最后的輸出是在一個(gè)較小的范圍內(nèi)，所以采用S形函數(shù)，如果說(shuō)整個(gè)網(wǎng)絡(luò)的輸出可以取到任意值，我們就可以考慮采用purelin（）函數(shù)，在本模型中，最后的輸出值是以一個(gè)單一的數(shù)字來(lái)表示，并且該數(shù)字的值在0~1之間，所以輸出層的傳遞函數(shù)選用s型的logsig（）函數(shù)。訓(xùn)練算法采用traingdx，誤差設(shè)定為1e-3。迭代次數(shù)這里取1000次，兩次顯示之間的步數(shù)取50次，初始學(xué)習(xí)率設(shè)定為0.05，學(xué)習(xí)率的增加系數(shù)為1。
根據(jù)以上結(jié)果可以看出，經(jīng)過訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)較好的仿真了各個(gè)風(fēng)險(xiǎn)因素之間隱含的內(nèi)在關(guān)系，預(yù)測(cè)數(shù)值和風(fēng)險(xiǎn)的期望數(shù)值相近，經(jīng)過86次迭代達(dá)到了要求的精度，效率還是比較高的，反映出BP神經(jīng)網(wǎng)絡(luò)具有出色的數(shù)據(jù)擬合效果。
六、結(jié)論
本文從工程項(xiàng)目風(fēng)險(xiǎn)出發(fā)，依據(jù)不同風(fēng)險(xiǎn)的影響方面，將風(fēng)險(xiǎn)分類，采用專家打分法來(lái)確定風(fēng)險(xiǎn)值；依據(jù)BP神經(jīng)網(wǎng)絡(luò)的基本工作原理，采用適當(dāng)?shù)膫鬟f函數(shù)和算法對(duì)構(gòu)建的網(wǎng)絡(luò)進(jìn)行訓(xùn)練，最后根據(jù)實(shí)例證明了本文所構(gòu)建的模型，因?yàn)樵趯?shí)例中的樣本數(shù)據(jù)較少，所以訓(xùn)練有較大的隨機(jī)性，如果增大樣本數(shù)量，可以進(jìn)一步提高預(yù)測(cè)的準(zhǔn)確性。
參考文獻(xiàn)
[1] 李存斌.項(xiàng)目風(fēng)險(xiǎn)元傳遞理論與應(yīng)用[M]. 北京：中國(guó)水利水電出版社 2009.
[2] 王瑾.政府投資工業(yè)項(xiàng)目風(fēng)險(xiǎn)分析與評(píng)價(jià)[D]. 北京：首都經(jīng)濟(jì)貿(mào)易大學(xué) 2010.
篇5
【關(guān)鍵詞】PID控制;BP神經(jīng)網(wǎng)絡(luò);模糊PID控制
Abstruct：PID control are widely used in industrial process control，but the traditional PID control because of its control parameters are fixed，and it is difficult to adjust its parameters online.So this paper studies a new adaptive fuzzy PID control method，to solve problem without the ability to learn，and put forward a kind of adaptive fuzzy control method based on BP neural network in this paper.It is the effective combination of fuzzy control，neural network and PID control.Simulation results show that this fuzzy PID control method based on BP neural network has good control effect.
Keywords：PID control;BP neural network;Fuzzy PID control
1.引言
常規(guī)PID在控制領(lǐng)域被廣泛應(yīng)用，利用數(shù)學(xué)算法來(lái)整定參數(shù)。而且隨著控制系統(tǒng)的復(fù)雜，被控對(duì)象很難建立數(shù)學(xué)模型，人們開始探索新的控制方式。模糊控制不要求掌握被控對(duì)象的精確的數(shù)學(xué)模型，根據(jù)人工控制規(guī)則組織控制決策表，然后由該表決定控制量的大小。在一般的模糊系統(tǒng)設(shè)計(jì)中，規(guī)則是由經(jīng)驗(yàn)豐富的專業(yè)人員以語(yǔ)言的方式表達(dá)出來(lái)的。但對(duì)于某些問題即使是很有經(jīng)驗(yàn)的專業(yè)人員也很難將他們的經(jīng)驗(yàn)總結(jié)、歸納為一些比較明確而簡(jiǎn)化的規(guī)則。在這種情況下，就可以應(yīng)用神經(jīng)網(wǎng)絡(luò)的方法，依靠BP神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)功能，實(shí)現(xiàn)模糊控制的神經(jīng)、模糊融合技術(shù)，并借助其并行分布的結(jié)構(gòu)來(lái)估計(jì)輸入到輸出的映射關(guān)系，直接從原始的工作數(shù)據(jù)中歸納出若干控制規(guī)則。從而為模糊系統(tǒng)建立起行之有效的決策規(guī)則。
2.PID控制器原理
2.1 PID控制的微分方程
PID控制器是一種線性控制器，它將給定值r（t）與實(shí)際輸出值c（t）的偏差的比例（p）、積分（I）、微分（D）通過線性組合構(gòu)成控制量，對(duì)控制對(duì)象進(jìn)行控制。
式中：
2.2 PID控制器各環(huán)節(jié)的作用
（1）比例環(huán)節(jié)：及時(shí)成比例地反應(yīng)控制系統(tǒng)的偏差信號(hào)e（t），偏差一旦產(chǎn)生，控制器立即產(chǎn)生控制作用以減小偏差。
（2）積分環(huán)節(jié)：積分作用會(huì)使系統(tǒng)穩(wěn)定性下降，Kd大會(huì)使系統(tǒng)不穩(wěn)定，但能消除靜態(tài)誤差。
（3）微分環(huán)節(jié)：能反應(yīng)偏差信號(hào)的變化趨勢(shì)，并能在偏差信號(hào)值變得太大之前，在系統(tǒng)中引入一個(gè)早期修正信號(hào)，從而加快系統(tǒng)的動(dòng)作速度，減小調(diào)節(jié)時(shí)間。Kd偏大時(shí)，超調(diào)較大，調(diào)節(jié)時(shí)間短;Kd偏小時(shí)，超調(diào)量也較大，調(diào)節(jié)時(shí)間長(zhǎng);只有Kd合適時(shí)才能超調(diào)小，時(shí)間短。
3.BP神經(jīng)網(wǎng)絡(luò)與模糊控制
模糊控制是運(yùn)用語(yǔ)言歸納操作人員的控制策略，運(yùn)用變量和模糊集合理論形成控制算法的一種控制。如何讓機(jī)器像人一樣識(shí)別、理解模糊規(guī)則并進(jìn)行模糊邏輯推理，最終得出新的結(jié)論并實(shí)現(xiàn)自動(dòng)控制是模糊控制研究的主要內(nèi)容。模糊控制器的基本結(jié)構(gòu)如圖1所示。
圖1 模糊控制結(jié)構(gòu)
人工神經(jīng)網(wǎng)絡(luò)是由大量人工神經(jīng)元經(jīng)廣泛互連二組成的，它可用來(lái)模擬腦神經(jīng)系統(tǒng)的結(jié)構(gòu)和功能。人工神經(jīng)網(wǎng)絡(luò)可以看成是以人工神經(jīng)元為節(jié)點(diǎn)，用有向加權(quán)弧連接起來(lái)的有向圖。BP網(wǎng)絡(luò)是一種利用誤差反向傳播訓(xùn)練算法的神經(jīng)網(wǎng)絡(luò)，是一種有隱含層的多層前饋網(wǎng)絡(luò)，系統(tǒng)地解決了多層網(wǎng)絡(luò)中隱含單元連接權(quán)的學(xué)習(xí)問題。BP學(xué)習(xí)算法的基本原理是梯度最速下降法，它的中心思想是調(diào)整權(quán)值使網(wǎng)絡(luò)總誤差最小。也就是采用梯度搜索技術(shù)，以期使網(wǎng)絡(luò)的實(shí)際輸出值與期望輸出值的誤差均方值為最小。網(wǎng)絡(luò)學(xué)習(xí)過程是一種誤差邊向后傳播邊修正權(quán)系數(shù)的過程。其結(jié)構(gòu)如圖2所示。
圖2中隱含層第一層神經(jīng)元為7個(gè)，分別對(duì)應(yīng)7個(gè)模糊子集：NB、NM、NS、ZO、PS、PM、PB。第二層49個(gè)神經(jīng)元代表49條規(guī)則。第三層7個(gè)神經(jīng)元代表輸出的7個(gè)模糊子集。模糊控制不依靠對(duì)象的數(shù)學(xué)模型，但模糊規(guī)則的建立需要人工經(jīng)驗(yàn)。采用BP算法對(duì)工程經(jīng)驗(yàn)和專家經(jīng)驗(yàn)的模糊規(guī)則進(jìn)行訓(xùn)練，其實(shí)就是把模糊規(guī)則用神經(jīng)網(wǎng)絡(luò)來(lái)表示，即經(jīng)過神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)，將模糊規(guī)則以加權(quán)系數(shù)的形式表現(xiàn)出來(lái)，規(guī)則的生成就轉(zhuǎn)化為加權(quán)系數(shù)的確定和修改。
神經(jīng)網(wǎng)絡(luò)是大規(guī)模并行運(yùn)算，但由于網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜，訓(xùn)練和學(xué)習(xí)需要大量的時(shí)間，所以目前還無(wú)法實(shí)現(xiàn)實(shí)時(shí)控制。在具體應(yīng)用中，我們是先離線將神經(jīng)網(wǎng)絡(luò)的各層權(quán)值和閾值訓(xùn)練出來(lái)，將其參數(shù)固定下來(lái)，然后將有系統(tǒng)檢測(cè)、計(jì)算得到的誤差變化直接代入非線性映射關(guān)系中，由計(jì)算機(jī)算出控制量，再用作被控對(duì)象。在matlab下以、、為輸出的BP網(wǎng)絡(luò)仿真訓(xùn)練如圖3、圖4、圖5所示。
4.模糊PID控制器的原理與仿真
對(duì)于某一BP神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)，其中內(nèi)部變化及被控對(duì)象的數(shù)學(xué)模型為：
利用模糊控制對(duì)PID參數(shù)實(shí)現(xiàn)在線調(diào)節(jié)，原理如圖6。
圖6 模糊PID控制原理圖
采用Z-N法和試湊法相結(jié)合，借助MATLAB的SIMULINK平臺(tái)，對(duì)被控對(duì)象進(jìn)行常規(guī)PID仿真。參數(shù)值：kp=15，ki=6，kd=0.05。如圖7。作為比較，建立模糊PID控制器的仿真模型如圖8。
圖9、圖10分別為被控對(duì)象G（s）在階躍輸入下常規(guī)PID和模糊PID仿真結(jié)果的比較。
經(jīng)過仿真發(fā)現(xiàn)，常規(guī)PID控制缺點(diǎn)是超調(diào)量大，調(diào)節(jié)時(shí)間長(zhǎng)，動(dòng)態(tài)性能差。優(yōu)點(diǎn)是控制精度高，穩(wěn)定性能好。模糊控制動(dòng)態(tài)性能很好，上升速度快，基本無(wú)超調(diào)。但由于模糊化所造成的穩(wěn)態(tài)誤差，在沒有積分環(huán)節(jié)的情況下很難消除，故穩(wěn)態(tài)性能差。模糊PID繼承了二者的優(yōu)點(diǎn)，摒棄二者缺點(diǎn)，具有更全面優(yōu)良的控制性能。
5.結(jié)論
針對(duì)大滯后、慢時(shí)變、非線性的復(fù)雜系統(tǒng)，提出了一種基于BP神經(jīng)網(wǎng)絡(luò)的模糊PID控制算法，該算法不依賴被控對(duì)象的精確數(shù)學(xué)模型，可實(shí)現(xiàn)在線自調(diào)整模糊規(guī)則，從而增強(qiáng)了模糊控制器的自學(xué)習(xí)能力。通過算法的仿真研究，驗(yàn)證了算法的可行性。
參考文獻(xiàn)
[1]李華.計(jì)算機(jī)控制系統(tǒng)[M].北京：機(jī)械工業(yè)出版社，2007.
[2]高雋.人工神經(jīng)網(wǎng)絡(luò)原理及仿真實(shí)例[M].北京：機(jī)械工業(yè)出版社，2007.
[3]蔡自興.智能控制[M].北京：電子工業(yè)出版社，2003.
[4]李國(guó)勇.智能控制及其MATLAB實(shí)現(xiàn)[M].北京：電子工業(yè)出版社，2005.
[5]張德豐.MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計(jì)[M].北京：機(jī)械工業(yè)出版社，2009.
[6]劉金琨.先進(jìn)PID控制及其MATLAB仿真[M].北京：電子工業(yè)出版社，2003.
[7]劉玲.三容水箱的單神經(jīng)元自適應(yīng)PID控制研究[J].信息技術(shù)，2005，3（8）：32-137.
篇6
關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò)；概算；BP
中圖分類號(hào)：TP183文獻(xiàn)標(biāo)識(shí)碼： A
一、人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于建設(shè)項(xiàng)目概算的重要意義
（一）人工神經(jīng)網(wǎng)絡(luò)
人工神經(jīng)網(wǎng)絡(luò)就是由許多神經(jīng)元互連在一起所組成的神經(jīng)結(jié)構(gòu)，把神經(jīng)元之間相互作用的關(guān)系進(jìn)行數(shù)學(xué)模型化就可以得到神經(jīng)網(wǎng)絡(luò)模型。人工神經(jīng)網(wǎng)絡(luò)是一種非常復(fù)雜的非線性的動(dòng)態(tài)分析系統(tǒng)。它模擬人腦的神經(jīng)功能分層由單個(gè)神經(jīng)元非線性地、復(fù)雜地組合成一個(gè)網(wǎng)絡(luò)系統(tǒng)。當(dāng)某一問題的求解過程可描述為若干個(gè)有一定內(nèi)在聯(lián)系，又無(wú)法用解析法表達(dá)其內(nèi)在關(guān)系的各個(gè)輸入因子與輸出因子的關(guān)系時(shí)，將輸入、輸出因子作為樣本進(jìn)入神經(jīng)元網(wǎng)絡(luò)結(jié)構(gòu)，網(wǎng)絡(luò)系統(tǒng)會(huì)對(duì)各個(gè)輸入、輸出因子的因果關(guān)系作一番認(rèn)識(shí)和學(xué)習(xí)，建立起各神經(jīng)元之間的連接強(qiáng)度(即權(quán)值)閥值。這樣學(xué)習(xí)后生成的人工神經(jīng)元網(wǎng)絡(luò)系統(tǒng)，仿佛具有了人腦解決這一問題的技能。當(dāng)輸入一組新的參數(shù)它可以給出這個(gè)領(lǐng)域?qū)＜艺J(rèn)為應(yīng)該輸出的數(shù)值。
（二）建設(shè)項(xiàng)目概算應(yīng)用神經(jīng)網(wǎng)絡(luò)的必要性
電網(wǎng)建設(shè)工程造價(jià)是組成電網(wǎng)的各分項(xiàng)工程的價(jià)格總和，而各分項(xiàng)工程的價(jià)格則取決于其工程量的大小和單價(jià)的高低。以往工程造價(jià)的計(jì)算是由造價(jià)編制人員算出各分項(xiàng)工程量，分別乘以其單價(jià)。由于組成電網(wǎng)的分項(xiàng)工程數(shù)量多，工程量的計(jì)算非常繁瑣，計(jì)算時(shí)間占造價(jià)計(jì)算總時(shí)間的90%以上，所以計(jì)算結(jié)果容易出現(xiàn)誤差。這表明造價(jià)計(jì)算的重點(diǎn)和難點(diǎn)在于工程量的計(jì)算。
一個(gè)有豐富經(jīng)驗(yàn)的造價(jià)師，根據(jù)工程類型、特征及其相關(guān)情況，參照以往經(jīng)驗(yàn)和工程數(shù)據(jù)資料，就能大致概算出造價(jià)，而無(wú)需進(jìn)行大量繁雜計(jì)算，而且經(jīng)驗(yàn)越豐富，資料積累越多，格算的造價(jià)就越準(zhǔn)確，模仿這種大腦思維模式，正是人工神經(jīng)網(wǎng)絡(luò)所擅長(zhǎng)的。神經(jīng)網(wǎng)絡(luò)模型通用性、適應(yīng)性強(qiáng)，它不但不排斥新樣本，相反它會(huì)隨著樣本數(shù)的不斷增加而提高自身的概括能力和預(yù)測(cè)能力，這正好滿足了建立造價(jià)信息系統(tǒng)的要求--動(dòng)態(tài)地、自適應(yīng)地從眾多已完工程中提取有用信息，進(jìn)行預(yù)測(cè)并輔助決策，由于電網(wǎng)工程的單件性，一般不存在兩個(gè)完全一樣的工程，但許多工程之間存在著某種程度的相似性，造價(jià)估計(jì)分析的基本原理就是建立在電網(wǎng)工程的相似性基礎(chǔ)上，對(duì)于某個(gè)欲估工程，首先從分析電網(wǎng)類型和工程特征入手，再?gòu)臄?shù)目眾多的同類已竣工的工程中找出與預(yù)估項(xiàng)目最相似的若干個(gè)工程，然后利用這些相似電網(wǎng)項(xiàng)目的造價(jià)資料作為原始數(shù)據(jù)進(jìn)行推理，最后得到擬建電網(wǎng)的造價(jià)及其他有關(guān)數(shù)據(jù)。
二、BP網(wǎng)絡(luò)
（一）BP網(wǎng)絡(luò)算法
神經(jīng)網(wǎng)絡(luò)在目前已有幾十種不同的模型，在人們提出的幾十種神經(jīng)網(wǎng)絡(luò)模型中，人們較多用的是Hopfield網(wǎng)絡(luò)、BP網(wǎng)絡(luò)、Kohonen網(wǎng)絡(luò)和ART(白適應(yīng)共振理論)網(wǎng)絡(luò)。其中BP網(wǎng)絡(luò)是反向傳播(BackPropagation)網(wǎng)絡(luò)，它是一種多層前向網(wǎng)絡(luò)，采用最小均方差學(xué)習(xí)方式，這是一種最廣泛應(yīng)用的網(wǎng)絡(luò)。
BP算法的學(xué)習(xí)過程是由正向傳播和反向傳播兩個(gè)過程組成。在正傳播過程中,輸入信息從輸入層經(jīng)隱含層逐層傳遞、處理,每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)。如果在輸出層不能得到期望輸出,則轉(zhuǎn)入反向傳播過程,將誤差信號(hào)沿原來(lái)的連接通路返回,通過修改各層間連結(jié)權(quán)的值,逐次地向輸入層傳播,再經(jīng)過正向傳播過程,兩個(gè)過程的反復(fù)運(yùn)用使得誤差不斷減小至滿足要求。其模型可以表示為:
單隱層BP網(wǎng)絡(luò)有三部分組成:輸入層,輸入向量:
X=(x1x2,...,x1,...,xn)T
隱含層:
輸出層:
期望輸出向量為:
d=(d1,d2,...,dk...,dl)T
輸入層到隱含層之間的權(quán)值矩陣用V表示:V=(v1,v2,...,vj,vm)T
隱含層到輸出層之間的權(quán)值矩陣用W表示:W=(w1,w2,...,wk,...,wl)T
轉(zhuǎn)移函數(shù)采用tansig函數(shù):
F(n)=2/(1+exp(-2*))-1
準(zhǔn)則函數(shù)(誤差):
權(quán)值的調(diào)整量:�
;
反向傳播計(jì)算公式,可得如下權(quán)系數(shù)學(xué)習(xí)規(guī)律:
（二）BP神經(jīng)網(wǎng)絡(luò)的利弊分析及相關(guān)建議
BP算法樣本訓(xùn)練失敗的可能性較大，原因有以下幾點(diǎn)：
（1）從數(shù)學(xué)角度看，BP算法為一種局部搜索的優(yōu)化方法，但它要解決的問題是求解復(fù)雜非線性函數(shù)的全局極值，因此，算法很有可能陷入局部極值，使訓(xùn)練失敗；
（2）網(wǎng)絡(luò)的逼近、推廣能力完全取決于學(xué)習(xí)樣本的典型性。而對(duì)學(xué)習(xí)樣本的選取并組成訓(xùn)練集則是相當(dāng)困難的問題。
（3）難以解決應(yīng)用問題的實(shí)例規(guī)模和網(wǎng)絡(luò)規(guī)模間的矛盾。實(shí)例規(guī)模與網(wǎng)絡(luò)規(guī)?？偸谴嬖谥艽蟛町?，網(wǎng)絡(luò)容量也是有著自己的局限性，當(dāng)實(shí)例規(guī)模超出網(wǎng)絡(luò)容量時(shí)，BP算法會(huì)失敗。
基于前文所給出的BP網(wǎng)絡(luò)技術(shù)存在的利弊現(xiàn)象，結(jié)合工程造價(jià)實(shí)際情況，個(gè)人認(rèn)為，其弊端的解決方法可以概括為以下幾點(diǎn)：
（1）由于BP網(wǎng)絡(luò)技術(shù)在執(zhí)行較為復(fù)雜的目標(biāo)函數(shù)時(shí)會(huì)出現(xiàn)“崩潰”現(xiàn)象，即算法低效，函數(shù)圖象錯(cuò)亂、超過網(wǎng)絡(luò)容量等等。所以造價(jià)人員在選擇需要用BP算法概算的工程時(shí)應(yīng)該注意工程的復(fù)雜性，對(duì)于那些過于龐大、復(fù)雜的工程不宜采用BP算法，以免出現(xiàn)系統(tǒng)錯(cuò)亂。對(duì)于較為簡(jiǎn)單、較為精簡(jiǎn)的工程則可用BP算法進(jìn)行工程造價(jià)的概算。同時(shí)，也應(yīng)注意實(shí)例造價(jià)概算工程的規(guī)模與網(wǎng)絡(luò)實(shí)際承載規(guī)模的大小，對(duì)于網(wǎng)絡(luò)承載范圍之內(nèi)的，才宜采用BP算法。
（2）樣本數(shù)據(jù)的采集非常重要。BP算法的網(wǎng)絡(luò)預(yù)測(cè)能力是與訓(xùn)練能力呈正比的。因此，首先需要確定分解項(xiàng)目，分解項(xiàng)目應(yīng)選擇那些最能體現(xiàn)一個(gè)工程特征并且最能決定這個(gè)工程造價(jià)的關(guān)鍵因素，這樣才能正確定位這個(gè)工程的造價(jià)。其次，選擇的已建工程一定是要與待估工程有著較高的相似度。此處，可以進(jìn)行相似度估測(cè)，查看已建工程每個(gè)分項(xiàng)的隸屬度與待估工程隸屬度的差異，差異過大的樣本應(yīng)予以舍去。
（3）針對(duì)BP算法的“過擬合”現(xiàn)象，造價(jià)中需要注意的是選擇的樣本數(shù)量不宜過大。以防BP算法網(wǎng)絡(luò)學(xué)習(xí)了細(xì)節(jié)卻丟失了最重要的骨架――樣本內(nèi)部的規(guī)律，從而不能得出滿意的結(jié)果。
三、基于人工神經(jīng)網(wǎng)絡(luò)的送電線路工程造價(jià)概算
（一）送電線路工程造價(jià)估算模型建立
送電線路工程的造價(jià)受多個(gè)因素的相互影響，考慮下列因素作為影響著工程價(jià)格的主要因素，把它們列為神經(jīng)網(wǎng)絡(luò)的輸入單元，如圖l所示。設(shè)在某一電壓等級(jí)下的送電線路，考慮某種地形、氣象條件、架線回路、桿塔類型等基本因素的影響，把實(shí)際工程項(xiàng)目投資劃分為工地運(yùn)輸、土石方工程、基礎(chǔ)工程、桿塔工程、架線工程、附件工程等6個(gè)部分。根據(jù)測(cè)算出的每公里建筑安裝費(fèi)用，再加上其它費(fèi)用與資金成本，得出每公里的單位靜態(tài)投資造價(jià)，將這些指標(biāo)作為神經(jīng)網(wǎng)絡(luò)的輸出單元。
圖1 圖2
（二）工神經(jīng)網(wǎng)絡(luò)模型的建立和設(shè)計(jì)
BP網(wǎng)絡(luò)模型結(jié)構(gòu)的選擇主要涉及到輸入層、輸出層、隱含層神經(jīng)元數(shù)目的確定、學(xué)習(xí)算法的確定等。
1、神經(jīng)元數(shù)目的確立
輸人層：由上面送電線路工程概算體系結(jié)構(gòu)的分析，按影響因素層次，可得到13項(xiàng)主要指標(biāo)，也即是下面的輸入神經(jīng)元。
輸出層：輸出節(jié)點(diǎn)對(duì)應(yīng)于評(píng)價(jià)結(jié)果，在筆者建立的模型中，產(chǎn)生了7個(gè)相關(guān)指標(biāo)，分別代表著本體工程的6項(xiàng)投資金額和單位投資金額，因此選擇7個(gè)輸出神經(jīng)元節(jié)點(diǎn)。
隱含層：隱含層神經(jīng)元單元數(shù)的選擇與輸入輸出單元的多少都有直接關(guān)系。
在實(shí)際操作中，可參考下面經(jīng)驗(yàn)公式(1)確定。
n1=(1)
其中，m為輸出神經(jīng)元數(shù)；拓為輸入神經(jīng)元數(shù)；a為1～10間的常數(shù),形成的人工神經(jīng)網(wǎng)絡(luò)示意圖見圖2。
2、輸入輸出向量
（1）輸入向量
1)地形因秦
送電線路地形可能由5種地形組合而成，所討論的某地區(qū)基本是丘陵和山地組成，因此選擇它們作為2個(gè)輸入神經(jīng)元，以所占線路的百分比表示。
2)線型因素
主要包括導(dǎo)線和地線型號(hào)的選擇，參考限額設(shè)計(jì)指標(biāo)與實(shí)際采用的導(dǎo)線型號(hào)，對(duì)于110 kV線路，有LGJ―150／20、LGJ―185／25、LGJ一240／35、LGJ一300／35四種類型，依次選擇上述導(dǎo)線類型，將對(duì)應(yīng)量化值為1、2、3和4。在地線型號(hào)選擇中，選取GJ一35、GJ一50，對(duì)于量化值為1和2，導(dǎo)線和地線型號(hào)量化值作為2個(gè)輸入神經(jīng)元。
3)平均檔距
反映相鄰桿塔問的距離作為1個(gè)輸入神經(jīng)元。
4)桿塔數(shù)目
鐵塔數(shù)目和水泥桿數(shù)目對(duì)于造價(jià)影響重大，選擇鐵塔數(shù)和水泥桿數(shù)為2個(gè)輸入神經(jīng)元。
5)運(yùn)距
它包括人力運(yùn)距和汽車運(yùn)距兩部分，作為2個(gè)輸入神經(jīng)元。
6)土石方量
1個(gè)輸入神經(jīng)元。
7)金具
它包括掛線金具和拉線金具兩部分，作為2個(gè)輸入神經(jīng)元。
8)絕緣子
1個(gè)輸入神經(jīng)元。
（2）輸出向量
工地運(yùn)輸、土石方工程、基礎(chǔ)工程、桿塔工程、架線工程、附件工程、單位靜態(tài)投資。
參考文獻(xiàn)
篇7
關(guān)鍵詞： 回歸測(cè)試； 測(cè)試用例； 神經(jīng)網(wǎng)絡(luò)； BP網(wǎng)絡(luò)
中圖分類號(hào)： TN711?34 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2015）19?0114?03
Abstract： Regression testing means after modifying the source code， re?testing to confirm whether the discovered defect is repaired， and whether detection and modification have brought in a new bug or caused the errors in other codes which possesses a large proportion of the workload during testing procedure. The fundamental principle of neural network is analyzed， and the thought of BP algorithm is introduced into the case set selection of regression testing. The algorithm to select regression testing case package is presented. The functions which may be influenced by code modification are screened out by samples training， and the higher priority use case can be screened out. A set of regression testing strategy with high efficient and easy operation was summed up through the accumulation of testing practice.
Keywords： regression testing； testing case； neural network； BP network
0 引 言
軟件分析，設(shè)計(jì)過程中難免有各種各樣的錯(cuò)誤，需要通過測(cè)試查找錯(cuò)誤，以保證軟件的質(zhì)量。軟件測(cè)試是由人工或計(jì)算機(jī)來(lái)執(zhí)行或評(píng)價(jià)軟件的過程，驗(yàn)證軟件是否滿足規(guī)定的需求或識(shí)別期望的結(jié)果和實(shí)際結(jié)果之間有無(wú)差別。大量統(tǒng)計(jì)資料表明，軟件測(cè)試工作量往往占軟件開發(fā)總量的40%以上。而回歸測(cè)試作為軟件生命周期的一個(gè)組成部分，在整個(gè)軟件測(cè)試過程中占有很大的工作量比重，軟件開發(fā)的各個(gè)階段都會(huì)進(jìn)行多次回歸測(cè)試。在漸進(jìn)和快速迭代開發(fā)中，新版本的連續(xù)使回歸測(cè)試變得更加頻繁，而在極端編程方法中，更是要求每天都進(jìn)行若干次回歸測(cè)試。因此，研究回歸測(cè)試方法，盡可能地將軟件存在的問題找出來(lái)，對(duì)保證軟件質(zhì)量和提升測(cè)試工作效率都是非常有意義的。
1 相關(guān)工作
1.1 回歸測(cè)試
回歸測(cè)試是指修改了舊代碼后，重新進(jìn)行測(cè)試以確認(rèn)修改沒有引入新的錯(cuò)誤或?qū)е缕渌a產(chǎn)生錯(cuò)誤。對(duì)于一個(gè)軟件開發(fā)項(xiàng)目來(lái)說(shuō)，項(xiàng)目的測(cè)試組在實(shí)施測(cè)試的過程中會(huì)將所開發(fā)的測(cè)試用例保存到“測(cè)試用例庫(kù)”中，并對(duì)其進(jìn)行維護(hù)和管理。當(dāng)?shù)玫揭粋€(gè)軟件的基線版本時(shí)，用于基線版本測(cè)試的所有測(cè)試用例就形成了基線測(cè)試用例庫(kù)。在需要進(jìn)行回歸測(cè)試時(shí)，就可以根據(jù)所選擇的回歸測(cè)試策略，從基線測(cè)試用例庫(kù)中提取合適的測(cè)試用例組成回歸測(cè)試包，通過運(yùn)行回歸測(cè)試包實(shí)現(xiàn)回歸測(cè)試。
在軟件生命周期中，即使一個(gè)得到良好維護(hù)的測(cè)試用例庫(kù)也可能變得相當(dāng)大，這使每次回歸測(cè)試都重新運(yùn)行完整的測(cè)試包變得不切實(shí)際。一個(gè)完全的回歸測(cè)試包括每個(gè)基線測(cè)試用例，時(shí)間和成本約束可能阻礙運(yùn)行這樣一個(gè)測(cè)試，有時(shí)測(cè)試工作不得不選擇一個(gè)縮減的回歸測(cè)試包來(lái)完成回歸測(cè)試。
1.2 相關(guān)技術(shù)的研究
測(cè)試用例的優(yōu)化技術(shù)旨在以小的運(yùn)行代價(jià)盡可能多地發(fā)現(xiàn)系統(tǒng)Bug。假設(shè)測(cè)試用例是能發(fā)現(xiàn)缺陷的；測(cè)試用例的運(yùn)行效率是一樣的。測(cè)試用例的集合的選取不僅是減少用例的數(shù)目，降低用例的執(zhí)行代價(jià)，也需要考慮測(cè)試覆蓋能力，即缺陷發(fā)現(xiàn)能力。在測(cè)試用例選擇優(yōu)化的問題上，已有很多文獻(xiàn)對(duì)此進(jìn)行了研究，如配對(duì)測(cè)試法[1]、關(guān)系樹模型[2]、蟻群模擬退火算法[3]及一些其他新的理論和方法[4?7]。
2 回歸測(cè)試用例集生成方法
2.1 基本原理
神經(jīng)網(wǎng)絡(luò)是通過對(duì)人腦的基本單元――神經(jīng)元的建模和聯(lián)接，探索模擬人腦神經(jīng)系統(tǒng)功能的模型，并研制一種具有學(xué)習(xí)、聯(lián)想、記憶和模式識(shí)別等智能信息處理功能的人工系統(tǒng)。
神經(jīng)網(wǎng)絡(luò)的一個(gè)重要特性是它能夠從環(huán)境中學(xué)習(xí)，并把學(xué)習(xí)的結(jié)果分布存儲(chǔ)于網(wǎng)絡(luò)的突觸連接中。神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)是一個(gè)過程，在其所處環(huán)境的激勵(lì)下，相繼給網(wǎng)絡(luò)輸入一些樣本模式，并按照一定的規(guī)則（學(xué)習(xí)算法）調(diào)整網(wǎng)絡(luò)各層的權(quán)值矩陣，待網(wǎng)絡(luò)各層權(quán)值都收斂到一定值，學(xué)習(xí)過程結(jié)束，從而以新的方式響應(yīng)環(huán)境。
2.2 BP神經(jīng)網(wǎng)絡(luò)
Back?Propagation Network，由于其權(quán)值的調(diào)整采用反向傳播（Back Propagation）的學(xué)習(xí)算法，因此被稱為BP網(wǎng)絡(luò)。網(wǎng)絡(luò)中心思想是梯度下降法，通過梯度搜索技術(shù)，使網(wǎng)絡(luò)實(shí)際輸出值與期望輸出值的誤差均方值最小。網(wǎng)絡(luò)的學(xué)習(xí)過程是一種誤差邊向后傳播邊修正權(quán)系數(shù)的過程。一般分三層：輸入層（Input Layer），隱層（Hide Layer），輸出層（Out Layer），也可以有2層或更多個(gè)隱層。層與層之間采用全互聯(lián)方式，同一層單元之間不存在相互連接，如圖1所示。
由于神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)、自組織和并行處理等特征，并具有很強(qiáng)的容錯(cuò)能力和聯(lián)想能力，因此，神經(jīng)網(wǎng)絡(luò)具有模式識(shí)別能力。在神經(jīng)網(wǎng)絡(luò)識(shí)別中，根據(jù)標(biāo)準(zhǔn)的輸入輸出模式對(duì)，采用神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法，以標(biāo)準(zhǔn)的模式作為學(xué)習(xí)樣本進(jìn)行訓(xùn)練，通過學(xué)習(xí)調(diào)整神經(jīng)網(wǎng)絡(luò)的連接權(quán)值。當(dāng)訓(xùn)練滿足要求后，得到知識(shí)庫(kù)，如圖2所示。
BP算法的具體步驟如下：
（1） 用小的隨機(jī)數(shù)對(duì)每一層的權(quán)值[W]初始化，以保證網(wǎng)絡(luò)不被大的加權(quán)輸入飽和；
（2） 計(jì)算網(wǎng)絡(luò)各層輸出矢量以及網(wǎng)絡(luò)誤差[E；]
（3） 計(jì)算各層反傳的誤差變化并計(jì)算各層權(quán)值的修正值以及新權(quán)值；
（4） 再次計(jì)算權(quán)值修正后誤差的平方和；
（5） 檢查誤差是否小于給定誤差，若是，訓(xùn)練結(jié)束；否則繼續(xù)。
輸入信號(hào)[Xi]通過中間節(jié)點(diǎn)（隱藏層節(jié)點(diǎn)）作用于輸出節(jié)點(diǎn)，經(jīng)過非線性變換，產(chǎn)生輸出信號(hào)[Yk，]網(wǎng)絡(luò)訓(xùn)練的每個(gè)樣本包括輸入向量[X]和期望輸出量[t]（類別），網(wǎng)絡(luò)輸出值[Y]和期望輸出值（真值）[t]之間的偏差，通過調(diào)整輸入節(jié)點(diǎn)與隱藏層節(jié)點(diǎn)的連接強(qiáng)度取值和隱藏層節(jié)點(diǎn)與輸出節(jié)點(diǎn)之間的連接強(qiáng)度以及閾值，使誤差沿梯度的方向下降，經(jīng)過反復(fù)學(xué)習(xí)訓(xùn)練，確定與最小誤差項(xiàng)對(duì)應(yīng)的網(wǎng)絡(luò)參數(shù)（權(quán)值和閾值），訓(xùn)練即告停止。學(xué)習(xí)樣本的數(shù)量和質(zhì)量影響學(xué)習(xí)效果和學(xué)習(xí)速度。
為了訓(xùn)練一個(gè)BP網(wǎng)絡(luò)，需要計(jì)算網(wǎng)絡(luò)加權(quán)輸入矢量以及網(wǎng)絡(luò)輸出和誤差矢量，然后求得誤差平方和。當(dāng)所訓(xùn)練矢量的誤差平方和小于誤差目標(biāo)，訓(xùn)練則停止；否則在輸出層計(jì)算誤差變化，且采用反向傳播學(xué)習(xí)規(guī)則調(diào)整權(quán)值，并重復(fù)此過程。當(dāng)網(wǎng)絡(luò)完成訓(xùn)練后，對(duì)網(wǎng)絡(luò)輸入一個(gè)不是訓(xùn)練集合中的矢量，網(wǎng)絡(luò)將給出輸出結(jié)果。
2.3 回歸測(cè)試用例包選取
基于全量的測(cè)試用例庫(kù)，回歸測(cè)試包的選擇策略可遵循下述基本算法進(jìn)行：
（1） 識(shí)別出軟件中被修改的部分。
（2） 從原基線測(cè)試用例庫(kù)[T]中，排除所有不再適用的測(cè)試用例，確定那些對(duì)新的軟件版本依然有效的測(cè)試用例，其結(jié)果是建立一個(gè)新的基線測(cè)試用例庫(kù)[T0。]
（3） 依據(jù)一定的策略從[T0]中選擇測(cè)試用例測(cè)試被修改的軟件。
（4） 如果必要，生成新的測(cè)試用例集[T1，]用于測(cè)試[T0]無(wú)法充分測(cè)試的軟件部分。
（5） 用[T1]執(zhí)行修改后的軟件。
在上述步驟中，第（2）和第（3）步測(cè)試驗(yàn)證修改是否破壞了現(xiàn)有的功能，第（4）和第（5）步測(cè)試驗(yàn)證修改工作本身。第（3）步中，將神經(jīng)網(wǎng)絡(luò)知識(shí)結(jié)合到測(cè)試領(lǐng)域，通過對(duì)樣本的學(xué)習(xí)，確認(rèn)修改沒有引入新的錯(cuò)誤或?qū)е缕渌a產(chǎn)生錯(cuò)誤。
其主要思想為：對(duì)于[q]個(gè)輸入學(xué)習(xí)樣本：[P1，P2，…，Pq，]已知與其對(duì)應(yīng)的輸出樣本為：[T1，T2，…，Tq。]通過網(wǎng)絡(luò)的實(shí)際輸出[A1，A2，…，Aq]與目標(biāo)矢量[T1，T2，…，Tq]之間的誤差來(lái)修改其權(quán)值，使[Al （l=1，2，…，q）]與期望的[Tl]盡可能地接近，使網(wǎng)絡(luò)輸出層的誤差平方和達(dá)到最小。
3 回歸測(cè)試實(shí)踐的優(yōu)化
在項(xiàng)目測(cè)試過程中，不僅需要應(yīng)用高新的測(cè)試技術(shù)，也要從宏觀上制定可行的測(cè)試策略，解決在有限的時(shí)間中使測(cè)試覆蓋率最優(yōu)化。本文從項(xiàng)目實(shí)踐角度出發(fā)，提出以下的回歸測(cè)試策略：
（1） 對(duì)所有已修復(fù)Bug進(jìn)行驗(yàn)證；
（2） 對(duì)新增功能進(jìn)行全量重點(diǎn)測(cè)試；
（3） 對(duì)原有功能，按優(yōu)先級(jí)進(jìn)行測(cè)試?；谝欢ǖ娘L(fēng)險(xiǎn)標(biāo)準(zhǔn)從基線測(cè)試用例庫(kù)中選擇回歸測(cè)試包。首先運(yùn)行最重要、關(guān)鍵和可疑的測(cè)試，而跳過那些非關(guān)鍵、優(yōu)先級(jí)別低或者高穩(wěn)定的測(cè)試用例，這些用例即便可能測(cè)試到缺陷，這些缺陷的嚴(yán)重性也較低，不影響系統(tǒng)的功能。一般而言，測(cè)試從主要特征到次要特征。
（4） 對(duì)修復(fù)的Bug可能會(huì)引入新的Bug的功能模塊重點(diǎn)測(cè)試，可采用本文介紹的神經(jīng)網(wǎng)絡(luò)進(jìn)行樣本訓(xùn)練和用例篩選。將回歸測(cè)試局限于被改變的模塊和它的接口上。通常，一個(gè)回歸錯(cuò)誤一定涉及一個(gè)新的、修改的或刪除的代碼段。在允許的條件下，回歸測(cè)試盡可能覆蓋受到影響的部分。
（5） 如果情況允許，測(cè)試全部用例的策略是最安全的策略。但已經(jīng)運(yùn)行過許多次的回歸測(cè)試不太可能揭示新的錯(cuò)誤，而且很多時(shí)候，由于時(shí)間、人員、設(shè)備和經(jīng)費(fèi)的原因，不允許選擇再測(cè)試全部用例的回歸測(cè)試策略，此時(shí)，可以選擇適當(dāng)?shù)牟呗赃M(jìn)行縮減的回歸測(cè)試。
4 結(jié) 語(yǔ)
將神經(jīng)網(wǎng)絡(luò)知識(shí)引入到測(cè)試領(lǐng)域是一個(gè)比較新的研究，本文就此方向進(jìn)行了研究，并給出了實(shí)例說(shuō)明。然而，BP神經(jīng)網(wǎng)絡(luò)需要大量的樣本數(shù)據(jù)用來(lái)訓(xùn)練和測(cè)試，當(dāng)樣本數(shù)量不夠時(shí)，預(yù)測(cè)的誤偏差可能會(huì)較大，回歸測(cè)試開始時(shí)，由于數(shù)據(jù)樣本不足，可能會(huì)存在預(yù)測(cè)的偏差，所以下一步的研究方向?qū)⑹侨绾慰朔@一問題。
參考文獻(xiàn)
[1] 廖劍鋒，蔡賢濤.組合測(cè)試中用例集的選擇策略[J].計(jì)算機(jī)工程與應(yīng)用，2012，48（11）：65?70.
[2] 鈕鑫濤，聶長(zhǎng)海，CHAN Alvin.組合測(cè)試故障定位的關(guān)系樹模型[J].計(jì)算機(jī)學(xué)報(bào)，2014，37（12）：2505?2518.
[3] 聶長(zhǎng)海，徐寶文，史亮.一種基于組合測(cè)試的軟件故障診斷方法[J].東南大學(xué)學(xué)報(bào)：自然科學(xué)版，2003，33（6）：681?684.
[4] 徐寶文，聶長(zhǎng)海，史亮，等.一種基于組合測(cè)試的軟件故障調(diào)試方法[J].計(jì)算機(jī)學(xué)報(bào)，2006，29（1）：132?138.
[5] YILMAZ C. Covering arrays for efficient fault characterization in complex configuration space [J]. IEEE Transaction on Software Engineering， 2006， 32（1）： 20?34.
篇8
關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)；飼料產(chǎn)量；飼料產(chǎn)量預(yù)測(cè)；畜牧水產(chǎn)業(yè)
中圖分類號(hào)：TP183 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2095-1302（2017）01-00-02
0 引 言
我國(guó)是世界上人口最多的國(guó)家，畜牧水產(chǎn)業(yè)的發(fā)展與我國(guó)國(guó)民生活息息相關(guān)。畜牧水產(chǎn)業(yè)的可持續(xù)發(fā)展需要飼料產(chǎn)業(yè)的支持。飼料產(chǎn)業(yè)為現(xiàn)代養(yǎng)殖業(yè)的可持續(xù)發(fā)展提供了重要的物質(zhì)基礎(chǔ)，為我國(guó)人民生活水平的提高作出了重大貢獻(xiàn)[1]。
1979年，我國(guó)正式從傳統(tǒng)飼料進(jìn)入現(xiàn)代飼料工業(yè)時(shí)代。經(jīng)過30多年的發(fā)展，我國(guó)飼料產(chǎn)量逐年增加，于2011年開始超過美國(guó)，躍居世界第一，同時(shí)我國(guó)飼料從一開始飼料產(chǎn)品品種單一，質(zhì)量不高，到現(xiàn)在飼料產(chǎn)品多樣化、系列化，且飼料產(chǎn)品質(zhì)量管理體系不斷完善，有力地推動(dòng)了養(yǎng)殖業(yè)的快速可持續(xù)發(fā)展，加快了農(nóng)業(yè)結(jié)構(gòu)調(diào)整，增加了國(guó)民收入[2]。
目前，國(guó)內(nèi)用于飼料產(chǎn)量預(yù)測(cè)的方法并不多，范潤(rùn)梅[3]提出的灰色預(yù)測(cè)理論建立了GM（1，1）模型用于預(yù)測(cè)20092011年我國(guó)飼料產(chǎn)量，該模型具有較好的預(yù)測(cè)精度。但由于灰色預(yù)測(cè)的理論缺陷，當(dāng)數(shù)據(jù)波動(dòng)較大時(shí)，GM（1，1）模型預(yù)測(cè)誤差較大，有時(shí)不能滿足預(yù)測(cè)需要。而BP神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的學(xué)習(xí)能力，可以逼近任意復(fù)雜的非線性函數(shù)，信息利用率較高，在預(yù)測(cè)中得到了廣泛應(yīng)用[4-6]。本文利用BP神經(jīng)網(wǎng)絡(luò)模型和灰色預(yù)測(cè)模型對(duì)我國(guó)20102015年的飼料產(chǎn)量進(jìn)行了預(yù)測(cè)，結(jié)果表明，BP模型具有很好的預(yù)測(cè)效果，預(yù)測(cè)最大誤差為5.79%，平均誤差為3.56%，而灰色預(yù)測(cè)模型預(yù)測(cè)的最大誤差為12.95%，平均誤差為7.24%。因此BP神經(jīng)網(wǎng)絡(luò)模型能夠更好地用于飼料產(chǎn)量的預(yù)y，具有更高的工程應(yīng)用價(jià)值。
1 灰色理論模型
GM（1，1）模型的基本原理如下：
根據(jù)灰色理論的原理，本文建立灰色預(yù)測(cè)模型的步驟如下所示：
①輸入樣本數(shù)據(jù)，根據(jù)公式（3）對(duì)樣本數(shù)據(jù)進(jìn)行累加處理。
②根據(jù)公式（6）求得B和YN。
③根據(jù)公式（7）求得模型的累加預(yù)測(cè)值。
④根據(jù)公式（8）求得樣本的預(yù)測(cè)值。
灰色預(yù)測(cè)模型流程圖如圖1所示。
2 BP神經(jīng)網(wǎng)絡(luò)模型
BP神經(jīng)網(wǎng)絡(luò)有一個(gè)輸入層、一個(gè)輸出層和一個(gè)或多個(gè)隱含層，同層神經(jīng)元間無(wú)關(guān)聯(lián)，異層神經(jīng)元間向前連接。根據(jù)對(duì)象的復(fù)雜程度，選擇適當(dāng)?shù)木W(wǎng)絡(luò)結(jié)構(gòu)就可以實(shí)現(xiàn)從輸入空間到輸出空間的任意非線性函數(shù)的映射。BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖2所示。
BP神經(jīng)網(wǎng)絡(luò)建模流程圖如圖3所示。BP神經(jīng)網(wǎng)絡(luò)模型的建立需要按照如下步驟進(jìn)行：
（1）輸入樣本數(shù)據(jù)，對(duì)樣本數(shù)據(jù)進(jìn)行歸一化處理。
（2）設(shè)置神經(jīng)網(wǎng)絡(luò)的誤差精度、學(xué)習(xí)速率、最大訓(xùn)練次數(shù)等參數(shù)。
（3）使用梯度下降法對(duì)權(quán)值和閾值進(jìn)行調(diào)整，同時(shí)使用反向傳播算法對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。
（4）訓(xùn)練合格則模型建立成功，否則繼續(xù)訓(xùn)練。
（5）使用訓(xùn)練好的模型進(jìn)行預(yù)測(cè)，輸出預(yù)測(cè)值。
（6）對(duì)預(yù)測(cè)值進(jìn)行反歸一化處理，得到真實(shí)的預(yù)測(cè)值。
3 兩種模型在飼料產(chǎn)量預(yù)測(cè)中的應(yīng)用
本文取19922015年這24年的飼料總產(chǎn)量相關(guān)數(shù)據(jù)進(jìn)行飼料產(chǎn)量預(yù)測(cè)，以1992為起點(diǎn)依次選取19年的數(shù)據(jù)作為訓(xùn)練樣本分別采用灰色預(yù)測(cè)模型和BP神經(jīng)網(wǎng)絡(luò)模型來(lái)預(yù)測(cè)下一年的飼料產(chǎn)量，其預(yù)測(cè)結(jié)果和誤差分別如圖4、圖5所示。
從圖4可以看出，20112012年灰色模型和BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)值與實(shí)際值都能夠較好地吻合，而2013年我國(guó)飼料產(chǎn)量下降，數(shù)據(jù)曲線不再線性增加，此時(shí)灰色模型的預(yù)測(cè)值就偏離了實(shí)際值，預(yù)測(cè)誤差增大，但是BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)值還是可以與實(shí)際值較好地吻合。從圖5可以看出，BP神經(jīng)網(wǎng)絡(luò)模型的誤差大約為5%，而灰色模型的誤差最大達(dá)到了10%以上。從圖4和圖5中可以看出，BP神經(jīng)網(wǎng)絡(luò)模型相比灰色模型具有更高的預(yù)測(cè)精度，能夠更好地用于飼料產(chǎn)量預(yù)測(cè)。
4 結(jié) 語(yǔ)
由以上分析可知，采用灰色模型進(jìn)行飼料產(chǎn)量預(yù)測(cè)時(shí)，當(dāng)飼料產(chǎn)量減少，波動(dòng)較大，灰色預(yù)測(cè)模型的預(yù)測(cè)誤差就可能會(huì)增大。本文采用BP神經(jīng)網(wǎng)絡(luò)模型有效減小了波動(dòng)時(shí)產(chǎn)生的預(yù)測(cè)誤差，提高了預(yù)測(cè)精度，為飼料產(chǎn)量的預(yù)測(cè)提供了一種新的研究方法。但該方法并不能夠時(shí)時(shí)優(yōu)于灰色模型，因此該方法有待于進(jìn)一步完善和發(fā)展。
參考文獻(xiàn)
[1]馬廣鵬.我國(guó)飼料行業(yè)發(fā)展現(xiàn)狀及趨勢(shì)分析[J].飼料工業(yè)，2013（4）：45-47.
[2]徐倩.畜牧飼料行業(yè)信息化管理進(jìn)程[J].廣東飼料，2015，24（8）：10-13.
[3]范潤(rùn)梅，解沛，王征南.灰色預(yù)測(cè)模型在我國(guó)飼料產(chǎn)量預(yù)測(cè)[J].中國(guó)畜牧雜志， 2009，45（8）：13-16.
[4]王啟平.BP神經(jīng)網(wǎng)絡(luò)在我國(guó)糧食產(chǎn)量預(yù)測(cè)中的應(yīng)用[J].預(yù)測(cè) 2002，21（3）：79-80.
[5]周彩蘭，劉敏.BP神經(jīng)網(wǎng)絡(luò)在石油產(chǎn)量預(yù)測(cè)中的應(yīng)用[J].武漢理工大學(xué)學(xué)報(bào)，2009（3）：125-129.
[6]徐黎明，王清，陳劍平，等.基于BP神經(jīng)網(wǎng)絡(luò)的泥石流平均流速預(yù)測(cè)[J].吉林大學(xué)學(xué)報(bào)（地球科學(xué)版），2013，43（1）：186-191.
篇9
Abstract: This paper introduces the basic principles of using neural network technology and illustrates to realize the prediction of BP neural network by using MATLAB, taking tunnel border displacement for example.
關(guān)鍵詞： 神經(jīng)網(wǎng)絡(luò)；MATLAB；預(yù)測(cè)
Key words: neural network；MATLAB；prediction
中圖分類號(hào)：U45 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1006-4311（2012）25-0125-03
0 引言
隧道巖土是一個(gè)復(fù)雜的綜合系統(tǒng)，各種參數(shù)具有很大的不確定性，這給我們判定其工程性質(zhì)和參數(shù)帶來(lái)了困難。BP神經(jīng)網(wǎng)絡(luò)則是處理復(fù)雜系統(tǒng)的有效工具，它具有廣泛的適用性，不但能較好地?cái)M合已知數(shù)據(jù)，而且還具有良好的預(yù)測(cè)功能。借助MATLAB的實(shí)用工具箱，用戶可以不再考慮復(fù)雜的編程過程而更專注于算法。以下將通過具體例子介紹基于MATLAB的BP神經(jīng)網(wǎng)絡(luò)在隧道工程等差時(shí)間序列的數(shù)據(jù)處理和預(yù)報(bào)中的應(yīng)用。
1 BP神經(jīng)網(wǎng)絡(luò)技術(shù)
前饋反向傳播網(wǎng)絡(luò)（Back-Propagation-Network，簡(jiǎn)稱BP網(wǎng)絡(luò)）是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。在人工神經(jīng)網(wǎng)絡(luò)的實(shí)際應(yīng)用中，80%～90%的人工神經(jīng)網(wǎng)絡(luò)模型都是采用BP網(wǎng)絡(luò)或它的變化形式。它也是前向網(wǎng)絡(luò)的核心部分，并且是人工神經(jīng)網(wǎng)絡(luò)最精華的部分。如今，網(wǎng)絡(luò)在模式識(shí)別、圖像處理與分析、控制等領(lǐng)域有著廣泛的應(yīng)用。
從結(jié)構(gòu)上講，BP網(wǎng)絡(luò)是一種分層型的典型多層網(wǎng)絡(luò)。具有輸入層、隱含層和輸出層，層與層之間多采用全連接的方式。同一層單元之間不存在相互連接。圖1給出了一個(gè)典型的3層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。
BP網(wǎng)絡(luò)可被看成是一個(gè)從輸入到輸出的高度非線性映射，即F:RmRn，Y=f（x）。對(duì)于樣本集合輸入：輸入xi（Rm）和yi（Rn）輸出，可以被認(rèn)為存在某一映射g，g（xi）=yi，i=1，2，……p。現(xiàn)要求有一個(gè)映射f，使得在某種意義下（通常是最小二乘法下），f是g的最佳逼近。Hecht-Nielsen證明了如下的Kolmogorov定理：給定任一連續(xù)函數(shù)f：UR，這里U是閉單位區(qū)間[0，1]，f可以精確地用一個(gè)3層前饋網(wǎng)絡(luò)實(shí)現(xiàn)，此網(wǎng)絡(luò)的第一層（即輸入層）有m個(gè)處理單元，中間層有2m+1個(gè)處理單元，第三層（即輸出層）有n個(gè)處理單元。
2 隧道周邊位移的監(jiān)測(cè)
在隧道施工過程中，由于勘探工作的密度有限，使隧道所穿越的實(shí)際圍巖類別與設(shè)計(jì)時(shí)勘察報(bào)告所提供的圍巖類別會(huì)有所差別，并可能出現(xiàn)勘察時(shí)不能探明的不良地質(zhì)和圍巖大變形情況。隧道結(jié)構(gòu)是圍巖與隧道支護(hù)共同作用的結(jié)果，為了在圍巖和支護(hù)安全的前提下，充分發(fā)揮圍巖的自載能力，以在經(jīng)濟(jì)合理的支護(hù)條件下達(dá)到安全性的目的，必須通過監(jiān)控測(cè)量實(shí)現(xiàn)信息化施工。
通過在開挖后坑道內(nèi)壁面設(shè)置錨固點(diǎn)，采用收斂計(jì)測(cè)定坑道圍巖壁面發(fā)生的收斂位移，圍巖收斂量測(cè)的布置如圖2所示，每個(gè)量測(cè)斷面設(shè)置5個(gè)錨固點(diǎn)，即圖中的點(diǎn)A、B、C、D和E點(diǎn)。通過測(cè)定測(cè)線AE、BD、CE的位移變化，可以確定出其發(fā)生的收斂位移和大變形。
量測(cè)的頻度宜根據(jù)位移速度的距工作面距離選取，如表1所示。
通過對(duì)隧道某一斷面近一個(gè)月的周邊位移曲線量測(cè)數(shù)據(jù)的統(tǒng)計(jì)，得到相關(guān)數(shù)據(jù)如表2所示。
3 建立BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型
在進(jìn)行BP網(wǎng)絡(luò)預(yù)測(cè)模型設(shè)計(jì)時(shí)，主要考慮網(wǎng)絡(luò)的層數(shù)和每層中神經(jīng)元的個(gè)數(shù)。
3.1 網(wǎng)絡(luò)層數(shù) 根據(jù)上文提到的Kolmogorov定理，一個(gè)3層的BP網(wǎng)絡(luò)可以完成任意的m維到n維的映射。學(xué)習(xí)不連續(xù)函數(shù)時(shí)才需要兩個(gè)隱含層，故一般情況下最多需要兩個(gè)隱含層。最常用的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)是3層的，即輸入層、輸出層和一個(gè)隱含層。
3.2 網(wǎng)絡(luò)各層中神經(jīng)元的個(gè)數(shù) 輸入、輸出節(jié)點(diǎn)是與樣本緊密相關(guān)的，與其應(yīng)用的領(lǐng)域有關(guān)。根據(jù)斷面周邊位移的時(shí)間序列，確定輸入層神經(jīng)元數(shù)為20，即輸入變量為連續(xù)20天的周邊位移序列；輸出層神經(jīng)元數(shù)為1，即輸出變量為第21天的周邊位移。
隱含層節(jié)點(diǎn)數(shù)會(huì)在一定程度上影響到神經(jīng)網(wǎng)絡(luò)的性能。輸入輸出節(jié)點(diǎn)數(shù)、求解問題的要求等都關(guān)系到隱含層節(jié)點(diǎn)數(shù)的多少。我們必須慎重選擇隱含層節(jié)點(diǎn)數(shù)，若隱含層節(jié)點(diǎn)數(shù)太少，容錯(cuò)性差，會(huì)降低識(shí)別未經(jīng)學(xué)習(xí)的樣本能力；若隱含層節(jié)點(diǎn)數(shù)太多，就要延長(zhǎng)網(wǎng)絡(luò)訓(xùn)練時(shí)間，同時(shí)存儲(chǔ)樣本中非規(guī)律性的內(nèi)容，影響泛化能力的發(fā)揮，所以，設(shè)計(jì)者必須經(jīng)過多次嚴(yán)格的試驗(yàn)才可確定最佳的隱含層節(jié)點(diǎn)數(shù)。
筆者按照自身實(shí)踐經(jīng)驗(yàn)，提出通過下列公式進(jìn)行設(shè)計(jì)：
i=■+a，
式中i、m、n分別代表隱含神經(jīng)元的個(gè)數(shù)、輸入層神經(jīng)元的個(gè)數(shù)以及輸出層神經(jīng)元的個(gè)數(shù)，a代表1～10之間的調(diào)節(jié)常數(shù)。
改變i，采用同一樣本集訓(xùn)練，并確定網(wǎng)絡(luò)誤差最小時(shí)所對(duì)應(yīng)的隱含層節(jié)點(diǎn)數(shù)。
根據(jù)上述分析，我們可設(shè)定隱含層的神經(jīng)元數(shù)是12。
4 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的MATLAB實(shí)現(xiàn)
4.1 數(shù)據(jù)樣本的預(yù)處理 將樣本分為訓(xùn)練集和測(cè)試集，用第1～21天的周邊位移時(shí)間序列作為訓(xùn)練集，即第1～20天的周邊位移時(shí)間序列作為訓(xùn)練輸入，第21天的周邊位移作為訓(xùn)練輸出；第22～25天的周邊位移時(shí)間序列作為測(cè)試集，用以驗(yàn)證結(jié)果。
4.2 確定激活函數(shù) 根據(jù)處理后的數(shù)據(jù)范圍，筆者選取的激活函數(shù)為tansig和purelin。
4.3 設(shè)定網(wǎng)絡(luò)的最大學(xué)習(xí)迭代次數(shù)為6000次。
4.4 設(shè)定網(wǎng)絡(luò)的學(xué)習(xí)精度為0.0001
4.5 創(chuàng)建和訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)的MATLAB程序：
%周邊位移預(yù)測(cè)
>> clear all;
>> p=[0.250 0.061 0.073
0.510 0.010 0.090
… …
1.871 0.883 0.843];
>> t=[1.878 0.883 0.892];
>> net=newff(minmax(p),[12 1],{'tansig' 'purelin'},'traingdx','learngdm');
>> net.trainParam.epochs=6000;
>> net.trainParam.goal=0.0001;
>> net.trainParam.show=500;
>> [net,tr,Y,E]=train(net,p,t);
如圖3顯示網(wǎng)絡(luò)學(xué)習(xí)迭代到127次時(shí)，就已經(jīng)滿足精度要求，其學(xué)習(xí)速度較快。
4.6 測(cè)試BP神經(jīng)網(wǎng)絡(luò) 將輸出數(shù)據(jù)還原，與實(shí)測(cè)數(shù)據(jù)比較，說(shuō)明BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的MATLAB實(shí)現(xiàn)是可行的。結(jié)果如表3所示。
由結(jié)果可見其對(duì)隧道工程的測(cè)量數(shù)據(jù)進(jìn)行處理和預(yù)測(cè)是有效的。
5 結(jié)論
隧道圍巖變形時(shí)間序列數(shù)據(jù)中蘊(yùn)含著系統(tǒng)演化的信息，我們可以從這些數(shù)據(jù)中找出其蘊(yùn)含的規(guī)律性，同時(shí)也可以利用已知的觀測(cè)資料來(lái)預(yù)報(bào)系統(tǒng)的未來(lái)動(dòng)態(tài)。神經(jīng)網(wǎng)絡(luò)方法從模擬人腦的形象思維入手，具有非線性、并行性、魯棒性和強(qiáng)泛化性等特點(diǎn)；對(duì)于處理具有強(qiáng)噪聲、模糊性、非線性的地下工程地質(zhì)信息，它具有廣泛的應(yīng)用前景。
參考文獻(xiàn)：
[1]傅薈璇.MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計(jì)．機(jī)械工業(yè)出版社，北京，2010.7.
篇10
關(guān)鍵詞： 神經(jīng)網(wǎng)絡(luò)；信息融合；智能家電；故障測(cè)控
中圖分類號(hào)：TP399文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044(2007)15-30824-02
Fault Detection and Control System on Intelligent Household Electrical Appliance based on Information Fusion and BP Algorithm
HUANG Xin，LIU Guo-liang
(Network and Embeded System Research Center, Chongqing Communication Institute, Chongqing 40035, China)
Abstract:According to the maintenance mode and requirement, a fundamental frame of fault detection and control system of intelligent household electrical appliance based on neural network and information fusion is presented. The system not only can be satisfied the needs of different intelligent-household-electrical appliance which needs different guarantee of QoS, but also can be put into practice effectively. The level and efficiency of fault diagnosis and maintenance can be enhanced and the cost can be economized by using the system. The products are more competent. It is useful to put the artificial intelligence into the maintenance of electrical household appliance as well.
Key words:neural network; information fusion; intelligent household electrical appliance; fault detection and control system
1 引言
近年來(lái)，雖然我國(guó)家電維修行業(yè)取得了巨大的發(fā)展，但仍然面臨如下問題：①由于家用電器的社會(huì)擁有量非常巨大，導(dǎo)致大量故障家電得不到及時(shí)維修；②由于大量新技術(shù)被廣泛運(yùn)用到各種新型家電設(shè)備中，對(duì)維修人員的素質(zhì)提出了更高的要求；③由于家電本身是一種相當(dāng)復(fù)雜的機(jī)電一體化設(shè)備，所以家電故障診斷與維修是個(gè)費(fèi)時(shí)費(fèi)力的工作。
隨著計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)和家用電器技術(shù)的不斷擴(kuò)展，消費(fèi)電子、計(jì)算機(jī)、通訊一體化趨勢(shì)日趨明顯，基于家庭網(wǎng)絡(luò)的智能化信息家電產(chǎn)品已經(jīng)開始步入社會(huì)和家庭。這為家電的在線測(cè)控提供了可能。
另一方面，人工智能技術(shù)也在迅速的發(fā)展，特別是人工神經(jīng)網(wǎng)絡(luò)和信息融合技術(shù)在故障測(cè)控領(lǐng)域的應(yīng)用，為設(shè)備故障測(cè)控的智能化提供了可能性，也使得測(cè)控技術(shù)進(jìn)入了新的發(fā)展階段。
因此有必要對(duì)現(xiàn)有的家電維修方式進(jìn)行改進(jìn)，基于神經(jīng)網(wǎng)絡(luò)和信息融合技術(shù)的智能家電故障測(cè)控系統(tǒng)正是為了解決這一問題。一方面可以提高我國(guó)家電企業(yè)故障診斷與維修的水平和效率，節(jié)省檢測(cè)和維修成本并使產(chǎn)品具有更大的競(jìng)爭(zhēng)力。另一方面，對(duì)將人工智能技術(shù)引入到家電維修行業(yè)進(jìn)行有益的探索。
2 BP神經(jīng)網(wǎng)絡(luò)算法
在眾多神經(jīng)網(wǎng)絡(luò)模型中，應(yīng)用最廣泛的是BP網(wǎng)絡(luò)。BP網(wǎng)絡(luò)所使用的訓(xùn)練算法是誤差反向傳播學(xué)習(xí)算法(Error Back-Propagation)，即BP算法[1]。該算法的學(xué)習(xí)過程由正向傳播和反向傳播組成。在正向傳播過程中，輸入信息從輸入層經(jīng)隱含層逐層處理，并傳向輸出層。每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)。如果輸出層得不到期望的輸出，則轉(zhuǎn)入反向傳播，將誤差信號(hào)沿原來(lái)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(hào)最小。
基于BP算法的神經(jīng)網(wǎng)絡(luò)模型獲得了廣泛的應(yīng)用，在故障測(cè)控中，引入該算法，一方面可以適應(yīng)測(cè)控環(huán)境的動(dòng)態(tài)變化，另一方面可以提高效率。
3 信息融合
人類能夠利用自己五官所具有的聽覺、視覺、味覺、觸覺等功能獲得對(duì)事物的各個(gè)不同側(cè)面(或角度)的具有不同度量特征的信息，人腦再根據(jù)己有的知識(shí)對(duì)這些信息綜合分析，從而更全面地認(rèn)識(shí)事物。
信息融合的基本原理就是模仿人腦的這個(gè)過程，得到一個(gè)對(duì)復(fù)雜對(duì)象的一致性解釋或結(jié)論。信息融合比較確切的定義可概括為：充分利用多個(gè)傳感器在空間或時(shí)間上的冗余或互補(bǔ)信息，依據(jù)某種準(zhǔn)則來(lái)進(jìn)行融合，以獲得被測(cè)對(duì)象的一致性解釋或描述，從而取長(zhǎng)補(bǔ)短，精確地反映被測(cè)對(duì)象的特征，消除信息的不確定性，提高系統(tǒng)的可靠性[2,3]。
由于智能家電故障測(cè)控系統(tǒng)是一個(gè)多信息源、多特征參數(shù)的復(fù)雜系統(tǒng)，將信息融合技術(shù)引入到該系統(tǒng)中，可以大大提高故障診斷的準(zhǔn)確性。
4 智能家電概念
智能家電指的是將微電腦和通信技術(shù)融入到傳統(tǒng)的家用電器中，使之智能化并具有網(wǎng)絡(luò)終端功能，可以隨時(shí)隨地地獲取與處理信息的消費(fèi)電子產(chǎn)品。其重要特征是可以傳遞數(shù)字信息[4,5,6]。正是由于這一重要特征，使得基于網(wǎng)絡(luò)環(huán)境的故障測(cè)控成為可能。
5 智能故障測(cè)控系統(tǒng)
與傳統(tǒng)的故障測(cè)控方式相比，智能故障測(cè)控方式具有以下優(yōu)點(diǎn)。
(1)能夠模擬人腦的邏輯思維過程，可以解決需要進(jìn)行復(fù)雜推理的復(fù)雜測(cè)控問題。
(2)可以存貯和推廣領(lǐng)域?qū)＜覍氋F的經(jīng)驗(yàn)和知識(shí)，更有效地發(fā)揮各種專門人才的作用，使一般的維修人員也可以掌握復(fù)雜設(shè)備的故障測(cè)控知識(shí)。
(3)智能故障測(cè)控系統(tǒng)在某些方面比人類專家更可靠，更靈活，可以在任何時(shí)候，任何條件下提供高質(zhì)量的服務(wù)，不受外界的干擾。
(4)智能故障測(cè)控系統(tǒng)便于用戶對(duì)知識(shí)庫(kù)的修改和完善。先進(jìn)的智能故障測(cè)控系統(tǒng)還具有學(xué)習(xí)的功能，能夠在測(cè)控過程中自動(dòng)完善知識(shí)庫(kù)，提高系統(tǒng)的測(cè)控能力。
因此，智能故障測(cè)控系統(tǒng)是測(cè)控技術(shù)的重要發(fā)展方向。
6 技術(shù)方案
6.1 系統(tǒng)總體目標(biāo)
考慮到當(dāng)前的經(jīng)濟(jì)技術(shù)條件，基于神經(jīng)網(wǎng)絡(luò)和信息融合技術(shù)的智能家電故障測(cè)控系統(tǒng)的總體目標(biāo)為：①作為一種有效的工具，能幫助維修人員迅速提高維修水平和工作效率；②可實(shí)現(xiàn)家用電器的自適應(yīng)控制；③具有自學(xué)習(xí)和自判別能力；④提供輔助決策建議。例如，監(jiān)測(cè)電冰箱的各項(xiàng)工作指標(biāo)，通過壓縮機(jī)上的震動(dòng)傳感器隨時(shí)掌握電冰箱的工作情況，在得到即將出現(xiàn)故障信號(hào)時(shí)就可以在線對(duì)其進(jìn)行智能診斷，并自動(dòng)對(duì)其進(jìn)行處理。
6.2 系統(tǒng)總體框架
基于神經(jīng)網(wǎng)絡(luò)和信息融合技術(shù)的智能家電故障測(cè)控系統(tǒng)的總體框架如圖1所示。該系統(tǒng)主要由測(cè)控中心、BP神經(jīng)網(wǎng)絡(luò)模塊庫(kù)、信息融合模塊庫(kù)和現(xiàn)場(chǎng)網(wǎng)絡(luò)四部分構(gòu)成。
圖1 系統(tǒng)的總體框架
6.2.1 測(cè)控中心
根據(jù)BP神經(jīng)網(wǎng)絡(luò)模塊和信息融合模塊，對(duì)現(xiàn)場(chǎng)設(shè)備采集到的數(shù)據(jù)進(jìn)行處理，視處理結(jié)果而作出相應(yīng)的動(dòng)作。例如在線控制、電話通知用戶或向智能家電生產(chǎn)廠商匯報(bào)等。
6.2.2 BP神經(jīng)網(wǎng)絡(luò)模塊庫(kù)
根據(jù)不同的智能家電，基于改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)算法訓(xùn)練得到的故障測(cè)控模塊集，負(fù)責(zé)進(jìn)行相應(yīng)智能家電的故障測(cè)控。例如，當(dāng)空調(diào)出現(xiàn)故障后，就調(diào)用空調(diào)測(cè)控模塊（基于改進(jìn)的BP算法）進(jìn)行測(cè)控；當(dāng)電視機(jī)出現(xiàn)故障后，就調(diào)用電視機(jī)測(cè)控模塊（基于改進(jìn)的BP算法）進(jìn)行測(cè)控。
6.2.3 信息融合模塊庫(kù)
根據(jù)不同的智能家電，基于不同的信息融合規(guī)則而建立的信息融合模塊集，負(fù)責(zé)進(jìn)行相應(yīng)智能家電的故障融合。例如，當(dāng)空調(diào)出現(xiàn)故障后，就調(diào)用空調(diào)信息融合模塊；當(dāng)電視機(jī)出現(xiàn)故障后，就調(diào)用電視機(jī)信息融合模塊。
6.2.4 現(xiàn)場(chǎng)網(wǎng)絡(luò)
主要通過家庭網(wǎng)絡(luò)將各種智能家電連接起來(lái)，一方面完成現(xiàn)場(chǎng)數(shù)據(jù)的采集、計(jì)量，另一方面負(fù)責(zé)將采集結(jié)果上傳到測(cè)控中心。
6.3 系統(tǒng)的實(shí)現(xiàn)
系統(tǒng)的實(shí)現(xiàn)主要包括兩個(gè)方面，一方面是對(duì)BP算法進(jìn)行改進(jìn)，另一方面是滿足不同的智能家電需要不同的QoS(服務(wù)質(zhì)量)保障要求。
6.3.1 對(duì)BP算法進(jìn)行改進(jìn)
為了滿足家用電器故障測(cè)控系統(tǒng)的實(shí)時(shí)性要求，所以有必要對(duì)傳統(tǒng)的BP算法進(jìn)行改進(jìn)（傳統(tǒng)的BP算法收斂速度慢）。
基本的BP算法根據(jù)梯度法、即最速下降法來(lái)解決使誤差函數(shù)(E(W))達(dá)到最小這一問題，權(quán)向量按照誤差函數(shù)的負(fù)梯度方向來(lái)修正，直到函數(shù)E(W)達(dá)到最小值。因此，權(quán)向量的迭代公式為：
W(k+1)=W(k)+ηG(k)
其中η為學(xué)習(xí)率，表示學(xué)習(xí)的步長(zhǎng)（在變步長(zhǎng)算法中η可以調(diào)整）；G(k)為函數(shù)E(W)的負(fù)梯度，即：
G(k)=-E(W)/W
但是，常規(guī)的BP算法收斂速度慢是一個(gè)比較突出的問題，為了加快BP算法的收斂速度，引入動(dòng)量因子α，從而將權(quán)向量迭代修正規(guī)則改進(jìn)為：
W(k+1)=W(k)+ηG(k)+αΔW(k)
式中：
ΔW(k)=W(k)-W(k-1)。
ΔW(k)記憶了上一時(shí)刻權(quán)向量的修正方向。動(dòng)量因子α的取值范圍為0
6.3.1 滿足不同智能家電需要不同的QoS(服務(wù)質(zhì)量)保障要求
考慮到家庭網(wǎng)絡(luò)中智能家電設(shè)備的多樣性，不同的設(shè)備就需要不同的QoS(服務(wù)質(zhì)量)保證；例如：電視機(jī)的實(shí)時(shí)性要求比電話機(jī)高，電話機(jī)的實(shí)時(shí)性要求比電冰箱高。另一方面，不同的家電設(shè)備其故障參數(shù)也不盡相同。為了保證智能家電的QoS要求，采取了以下措施。
網(wǎng)絡(luò)模型的確定以家庭網(wǎng)絡(luò)中各種家用電器的故障現(xiàn)象X=(x1,x2,x3,…,xn)作為輸入，故障原因Y=(y1,y2,y3,…,ym)作為輸出，以不同的故障原因?qū)е碌墓收犀F(xiàn)象為訓(xùn)練樣本進(jìn)行學(xué)習(xí)，從而建立故障現(xiàn)象與故障原因之間的映射關(guān)系。采用改進(jìn)的BP算法進(jìn)行訓(xùn)練，直到得到期望的輸出為止。進(jìn)而將該訓(xùn)練后得到的BP網(wǎng)絡(luò)模型保存到BP神經(jīng)網(wǎng)絡(luò)模塊庫(kù)中。如此反復(fù)訓(xùn)練，獲得所有智能家電的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊，均保存到BP神經(jīng)網(wǎng)絡(luò)模塊庫(kù)中。
信息融合模塊庫(kù)的建立以智能家電故障權(quán)值(故障出現(xiàn)的統(tǒng)計(jì)概率)乘以由傳感器實(shí)時(shí)檢測(cè)到的故障概率作為判斷概率，判斷概率越大，說(shuō)明出現(xiàn)故障的可能性就越大；由于有實(shí)時(shí)概率的校正，所以比單獨(dú)使用統(tǒng)計(jì)概率具有更大的準(zhǔn)確性。對(duì)每種智能家電都進(jìn)行這樣的處理，最后得到多種智能家電的信息融合模塊集。
智能家電的識(shí)別由于家庭網(wǎng)絡(luò)中有多種智能家電，對(duì)不同的智能家電就需要進(jìn)行區(qū)分。我們給每一個(gè)智能家電一個(gè)標(biāo)號(hào)，例如：1表示電視機(jī)，2表示空調(diào)等。因此，只要我們?cè)诎l(fā)送信息時(shí)，在標(biāo)識(shí)位填入相應(yīng)的標(biāo)號(hào)即可識(shí)別不同的智能家電。
優(yōu)先級(jí)的確定：一個(gè)故障現(xiàn)象可能是由多種故障原因所引起，但每一種故障原因發(fā)生的概率是不一樣的，為了加快確定引起故障現(xiàn)象的原因，我們把不同故障原因定義不同的優(yōu)先級(jí)，優(yōu)先級(jí)的數(shù)值越大，表明發(fā)生故障的概率越大，并且每一個(gè)優(yōu)先級(jí)對(duì)應(yīng)一個(gè)給定的權(quán)值。
例如：以空調(diào)故障為例，當(dāng)“房間溫度均偏高”故障現(xiàn)象發(fā)生時(shí)，可定義：
優(yōu)先級(jí)0：表冷器結(jié)霜，造成堵塞 ；（出現(xiàn)的概率最小）
優(yōu)先級(jí)2：通過空氣處理設(shè)備的風(fēng)量過大，熱交換不良；
優(yōu)先級(jí)3：噴水堵塞；
優(yōu)先級(jí)4：冷凍機(jī)產(chǎn)冷量不足。（出現(xiàn)的概率最大）
6.4 工作過程
現(xiàn)場(chǎng)網(wǎng)絡(luò)首先對(duì)智能家電參數(shù)進(jìn)行采集、預(yù)處理，然后上傳到測(cè)控中心，測(cè)控中心首先判斷是哪一個(gè)智能家電發(fā)生故障，再根據(jù)BP神經(jīng)網(wǎng)絡(luò)和信息融合模塊庫(kù)調(diào)用相應(yīng)的經(jīng)過訓(xùn)練的模塊，并且根據(jù)判斷概率(故障權(quán)值乘以故障出現(xiàn)的統(tǒng)計(jì)概率)進(jìn)行相應(yīng)的處理。根據(jù)處理結(jié)果做出相應(yīng)的動(dòng)作反應(yīng)。例如，若即將出現(xiàn)故障或故障較輕，就可以自動(dòng)地、在用戶不知情的情況下對(duì)智能家電進(jìn)行在線維護(hù)；若故障嚴(yán)重，在線修復(fù)成為不可能，就可以電話通知用戶或者通過Internet通知生產(chǎn)廠家。
6.5 技術(shù)帶來(lái)的好處
(1)節(jié)省維修費(fèi)用。采用該系統(tǒng)后，智能家電維修大多數(shù)情況下是在線進(jìn)行的，維修人員不必親自上門服務(wù)。進(jìn)而降低成本，節(jié)省維修費(fèi)用。
(2)有利于改善產(chǎn)品質(zhì)量。在測(cè)控中心，對(duì)各種智能家電以及各種故障一目了然，可以通過跟蹤最常見故障，找出原因，進(jìn)而改善產(chǎn)品質(zhì)量。
(3)方便用戶。傳統(tǒng)情況下，一旦家電出現(xiàn)故障，用戶要么將家電搬到維修中心，要么叫維修人員上門服務(wù)，這樣對(duì)廠家對(duì)用戶都不方便，并且用戶隨時(shí)都要關(guān)心自己家中的家用電器使用情況，無(wú)形之中增加了心理負(fù)擔(dān)?，F(xiàn)在用戶只管放心地使用家電而不必關(guān)心家電的使用情況，因此對(duì)于用戶來(lái)說(shuō)增加不多的費(fèi)用卻帶來(lái)了高檔次的服務(wù)和方便的使用。
7 結(jié)束語(yǔ)
該系統(tǒng)設(shè)計(jì)方案將神經(jīng)網(wǎng)絡(luò)和信息融合技術(shù)應(yīng)用于家庭網(wǎng)絡(luò)中的智能家電故障測(cè)控系統(tǒng)，切實(shí)可行。依托該系統(tǒng)，可全面提高故障診斷與維修的水平和效率；不但方便用戶使用，而且降低企業(yè)維修成本并快速改善產(chǎn)品質(zhì)量，進(jìn)而提高其在國(guó)內(nèi)國(guó)際中的競(jìng)爭(zhēng)力。
參考文獻(xiàn)：
[1] 王永慶. 人工智能原理與方法[M]. 西安：西安交通大學(xué)出版，2001.
[2] 權(quán)太范. 信息融合神經(jīng)網(wǎng)絡(luò)[M]. 北京：國(guó)防工業(yè)出版社，2002.
[3] 李山林, 閻福旺, 袁延藝. 信息融合技術(shù)[M]. 北京：海洋出版社，2005.
[4] 吳莘. 利用通信手段進(jìn)行智能家電遠(yuǎn)程控制的探討[J]. 貴州科學(xué), 2002,(4):107-109.
[5] 黃孝建. 社區(qū)寬帶業(yè)務(wù)與網(wǎng)絡(luò)[M]. 北京:北京郵電大學(xué)出版社,2002.
[6] 戴瓊海. 寬帶信息網(wǎng)絡(luò)[M]. 北京：清華大學(xué)出版社，2002.
[7] 王波，卿曉霞. 智能建筑導(dǎo)論[M]. 北京：高等教育出版社，2003.
[8] 劉國(guó)良，樂琦. 基于Internet的智能家電故障測(cè)控系統(tǒng)[J]. 微處理機(jī),2005,(6).