導(dǎo)語：如何才能寫好一篇神經(jīng)網(wǎng)絡(luò)的特性，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

摘要：

為更全面準(zhǔn)確地評價(jià)產(chǎn)品造型設(shè)計(jì)，在近幾年國內(nèi)外產(chǎn)品評價(jià)系統(tǒng)研究的基礎(chǔ)上，綜合運(yùn)用主成分分析法、聚類分析法、BP神經(jīng)網(wǎng)絡(luò)技術(shù)，對產(chǎn)品設(shè)計(jì)造型要素的感性意象進(jìn)行定量化研究，建立和完善了產(chǎn)品設(shè)計(jì)評價(jià)的神經(jīng)網(wǎng)絡(luò)模型．并以園林工具割草機(jī)產(chǎn)品設(shè)計(jì)為例訓(xùn)練模型，驗(yàn)證了模型的可行性和有效性．

關(guān)鍵詞：

產(chǎn)品設(shè)計(jì)評價(jià)；主成分分析；聚類分析；BP神經(jīng)網(wǎng)絡(luò)；感性工學(xué)

產(chǎn)品造型設(shè)計(jì)和評價(jià)是產(chǎn)品設(shè)計(jì)開發(fā)過程中的重要組成部分．近年來，國內(nèi)外學(xué)者結(jié)合感性工學(xué)對產(chǎn)品造型設(shè)計(jì)和產(chǎn)品造型評價(jià)進(jìn)行了大量的研究．產(chǎn)品造型設(shè)計(jì)是一項(xiàng)復(fù)雜的系統(tǒng)運(yùn)行過程，除受客觀條件如經(jīng)濟(jì)、技術(shù)、構(gòu)造等要素的影響外，同時(shí)，社會審美、目標(biāo)消費(fèi)群的偏好、設(shè)計(jì)師經(jīng)驗(yàn)、背景等因素也相互影響［1］．人工神經(jīng)網(wǎng)絡(luò)是伴隨著生物學(xué)、數(shù)學(xué)、計(jì)算機(jī)等學(xué)科的發(fā)展而產(chǎn)生的一門新興的綜合交叉性學(xué)科．其中，最常見的是BP神經(jīng)網(wǎng)絡(luò)，它具備任意精度的函數(shù)逼近能力，具有自組織、自適應(yīng)、自學(xué)習(xí)、高度非線性映射性、泛化性、容錯性的優(yōu)點(diǎn)［2］．BP神經(jīng)網(wǎng)絡(luò)因其很強(qiáng)的學(xué)習(xí)能力、抗故障性、并行性的優(yōu)點(diǎn)，特別適合于解決上述非線性很高的復(fù)雜系統(tǒng)．割草機(jī)產(chǎn)品應(yīng)用具有較強(qiáng)的地域性和個性化的消費(fèi)者群細(xì)分，造型設(shè)計(jì)目前未形成系統(tǒng)的理論和方法．將BP神經(jīng)網(wǎng)絡(luò)法和遺傳算法等應(yīng)用于產(chǎn)品造型設(shè)計(jì)的評價(jià)系統(tǒng)中尚屬于摸索階段．文獻(xiàn)［3］提出了BP神經(jīng)網(wǎng)絡(luò)技術(shù)與產(chǎn)品評價(jià)系統(tǒng)結(jié)合的可行性．文獻(xiàn)［4］通過將遺傳算法與神經(jīng)網(wǎng)絡(luò)相結(jié)合，進(jìn)一步優(yōu)化了產(chǎn)品設(shè)計(jì)評價(jià)模型的精度．產(chǎn)品造型設(shè)計(jì)與評價(jià)是個復(fù)雜的過程，需要多層次的系統(tǒng)分析．為此，本文將綜合運(yùn)用主成分分析法、聚類分析法與BP神經(jīng)網(wǎng)絡(luò)技術(shù)，定量地研究感性意象與產(chǎn)品造型設(shè)計(jì)之間的關(guān)系．以園林工具割草機(jī)產(chǎn)品為例，把產(chǎn)品造型要素的集合分組為由類似對象組成的多個類，分析影響割草機(jī)產(chǎn)品感性意象的主要造型特征，基于MatlabR2014a平臺，建立BP神經(jīng)網(wǎng)絡(luò)模型，檢測產(chǎn)品造型與目標(biāo)消費(fèi)者群體偏好之間的對應(yīng)關(guān)系，以驗(yàn)證和提高產(chǎn)品設(shè)計(jì)評價(jià)模型的可行性和準(zhǔn)確度．

1研究流程

本文以割草機(jī)產(chǎn)品為例，綜合應(yīng)用主成分分析、聚類分析方法和BP神經(jīng)網(wǎng)絡(luò)技術(shù)，對感性意象進(jìn)行定量化研究，建立和完善產(chǎn)品造型特征與感性意象關(guān)系評價(jià)的神經(jīng)網(wǎng)絡(luò)模型．研究流程如圖1所示．具體流程如下：

（1）通過網(wǎng)絡(luò)調(diào)研并篩選得到描述割草機(jī)外形的形容詞．

（2）通過網(wǎng)絡(luò)搜集各國割草機(jī)圖片樣本，對圖片進(jìn)行去色、去標(biāo)志處理，排除顏色和品牌對試驗(yàn)樣本的影響．

（3）把7點(diǎn)量表建立在已經(jīng)選擇出來的感性意象形容詞上，讓每個測試者針對這些選定的形容詞對每個試驗(yàn)樣本打分．將試驗(yàn)所得數(shù)據(jù)運(yùn)用主成分分析，并結(jié)合專家意見，確定最終描述詞匯．

（4）將樣本進(jìn)行聚類分析，并通過專家對同類內(nèi)樣本共同特征的提取，明確影響割草機(jī)外形意象的造型特征，并分析各造型特征組合與感性意象的關(guān)系．

（5）建立BP神經(jīng)網(wǎng)絡(luò)模型，以試驗(yàn)數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型．

（6）神經(jīng)網(wǎng)絡(luò)準(zhǔn)確率檢測，總結(jié)分析．

2割草機(jī)外觀特征與感性意象認(rèn)知關(guān)系量化試驗(yàn)

2．1試驗(yàn)準(zhǔn)備

通過調(diào)研，共搜集整理近5年銷售生產(chǎn)的割草機(jī)產(chǎn)品圖片150張，分別來自不同國家和地區(qū)．對圖片進(jìn)行去色、去標(biāo)志處理，以排除顏色、品牌及其他因素對試驗(yàn)樣本的影響．利用KJ法［5］篩選得到20個圖片樣本，部分樣本圖片如圖2所示．經(jīng)過表1的分析可以得到形容詞的意象空間，專家設(shè)計(jì)師結(jié)合這一意象空間進(jìn)行總結(jié)和分析，得到其3個維度上的感性意象描述形容詞，分別為“科技－落后”“樸素－華麗”“易用－復(fù)雜”．

2．3關(guān)鍵造型特征提取和聚類分析

將意象空間的樣本進(jìn)行聚類分析，把產(chǎn)品造型要素的集合分組為由類似的對象組成的多個類，分析影響割草機(jī)產(chǎn)品感性意象的主要造型特征．通過專家設(shè)計(jì)師評價(jià)和問卷調(diào)查統(tǒng)計(jì)，抽取同類樣本內(nèi)的共同特征，得到最主要的影響割草機(jī)感性意象的造型特征．聚類分析的結(jié)果如表2所示．

3BP神經(jīng)網(wǎng)絡(luò)模型建立、訓(xùn)練、預(yù)測

3．1BP神經(jīng)網(wǎng)絡(luò)模型建立

選用MatlabR2014a為平臺進(jìn)行BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的建立與模擬，其模型如圖3所示．通過歷史數(shù)據(jù)的訓(xùn)練，用以檢測產(chǎn)品造型與其感性意向的對應(yīng)關(guān)系，建立產(chǎn)品造型設(shè)計(jì)評價(jià)體系．經(jīng)過數(shù)次預(yù)先進(jìn)行的試驗(yàn)，確定神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為3層，輸入層（包含2個節(jié)點(diǎn)）、隱含層（包含4個節(jié)點(diǎn)）、輸出層（包含1個節(jié)點(diǎn)）．輸入層是2個設(shè)計(jì)元素的編號組合，輸出層是關(guān)于“科技的－落后的”這個語匯對的感性意象評價(jià)值．

3．2BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練設(shè)置

BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)次數(shù)為5000次，采用梯度下降法，目標(biāo)誤差值為0．001，訓(xùn)練結(jié)果采用均方誤差衡量，將表4中樣本1?！?5＃的數(shù)據(jù)導(dǎo)入建立的網(wǎng)絡(luò)，訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，在1753次訓(xùn)練時(shí)結(jié)果收斂，停止訓(xùn)練，其訓(xùn)練的結(jié)果如圖4所示．由圖4可得，其實(shí)際訓(xùn)練的誤差值為0．00908．

3．3BP神經(jīng)網(wǎng)絡(luò)模型測試選用

表4中樣本16＃～20＃測試神經(jīng)網(wǎng)絡(luò)預(yù)測能力，即將5個樣本造型特征組合導(dǎo)入網(wǎng)絡(luò)的輸入層，將調(diào)查得到的數(shù)據(jù)與神經(jīng)網(wǎng)絡(luò)預(yù)測的感性評價(jià)值進(jìn)行對比，結(jié)果如表5所示．由表5可見，實(shí)際感性評價(jià)值與預(yù)測感性評價(jià)值相對誤差較小，說明網(wǎng)絡(luò)精度達(dá)到要求，驗(yàn)證了割草機(jī)產(chǎn)品評價(jià)模型的可行性和有效性．

4結(jié)語

本文將主成分分析法、聚類分析法與BP神經(jīng)網(wǎng)絡(luò)模型相結(jié)合，對割草機(jī)產(chǎn)品造型設(shè)計(jì)與感性意象之間的關(guān)系進(jìn)行分析，為產(chǎn)品造型設(shè)計(jì)符合目標(biāo)消費(fèi)群體需求提供客觀評價(jià)幫助．但是本文只針對割草機(jī)的主要產(chǎn)品造型要素進(jìn)行了試驗(yàn)，隨著研究方法及科技的不斷進(jìn)步，結(jié)合色彩、材質(zhì)、紋理甚至人機(jī)工程學(xué)等綜合因素的研究將成為下一步的研究重點(diǎn)．基于神經(jīng)網(wǎng)絡(luò)的意象認(rèn)知模型，還存在一定局限性，隨著科技的發(fā)展，結(jié)合認(rèn)知心理學(xué)、腦科學(xué)、人工智能等技術(shù)和方法將使相關(guān)研究得到更深入的發(fā)展．

參考文獻(xiàn)：

［1］王愛華，孫峻．BP神經(jīng)網(wǎng)絡(luò)在工程項(xiàng)目管理中的應(yīng)用［J］．建筑管理現(xiàn)代化，2009（4）：306－309．

［2］周美玉，李倩．神經(jīng)網(wǎng)絡(luò)在產(chǎn)品感性設(shè)計(jì)中的應(yīng)用［J］．東華大學(xué)學(xué)報(bào)（自然科學(xué)版），2011，37（4）：509－513．

［3］趙萬芹．基于BP神經(jīng)網(wǎng)絡(luò)的產(chǎn)品造型設(shè)計(jì)評價(jià)［J］．計(jì)算機(jī)工程與設(shè)計(jì)，2009，30（24）：5715－5717．

［4］林琳，張志華，張睿欣．基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的產(chǎn)品造型設(shè)計(jì)評價(jià)［J］．計(jì)算機(jī)工程與設(shè)計(jì)，2015，36（3）：789－813．

［5］川喜田二郎．KJ法［M］．京都：中央公論新社，1986．

篇2

關(guān)鍵詞：超聲波測距，RBF網(wǎng)絡(luò)，非線行誤差校正

1、引言

超聲波測距具有信息處理簡單、快速和價(jià)格低，易于實(shí)時(shí)控制等許多優(yōu)勢，它被廣泛的應(yīng)用在各種距離測試的設(shè)備中。但超聲波傳感器在實(shí)際應(yīng)用中也有一定的局限性。在超聲波測距中，由于超聲波傳感器本身的結(jié)構(gòu)和受外界溫度等因素的干擾，其輸入輸出特性呈明顯的非線性，靠硬件或軟件補(bǔ)償修正的方法對提高其測距精度的效果不大。所以，本文提出了基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)超聲波傳感器的建模，對超聲波測距進(jìn)行溫度補(bǔ)償和非線性誤差校正的方法。

2、用 RBF神經(jīng)網(wǎng)絡(luò)改善超聲波測距的精度

2.1神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)非線性誤差校正的原理

設(shè)超聲波傳感器要測量的實(shí)際距離為 d，實(shí)際距離d決定t2-t1，環(huán)境溫度為T，超聲波傳感器測量輸出的結(jié)果為h，經(jīng)RBF網(wǎng)絡(luò)校正后的距離為Dr，則超聲波傳感器測距系統(tǒng)可以表示為 h=f(d，T)，由于傳感器產(chǎn)生的非線性誤差和溫度的影響，使得 f(d，T)呈現(xiàn)非線性特性。校正的目的是根據(jù)測的 h求未知的 d，即 d＝g(h，T)，也就是需要建立超聲波傳感器的模型其原理可以表示為圖 1所示。

超聲波傳感器輸出 Dr通過一個補(bǔ)償模型，該模型的特性函數(shù)為Dr=g(h，T) ，其中Dr為非線性補(bǔ)償后的輸出， g(h，T)顯然是一個非線性函數(shù)。通常非線性函數(shù)的表達(dá)式很難準(zhǔn)確求解，但可以利用神經(jīng)網(wǎng)絡(luò)能很好地逼近非線性函數(shù)的特點(diǎn)，通過建立神經(jīng)網(wǎng)絡(luò)模型來逼近該非線性函數(shù)。本文選取RBF神經(jīng)網(wǎng)絡(luò)模型。

2.2 RBF 神經(jīng)網(wǎng)絡(luò)

RBF網(wǎng)絡(luò)是一種局部逼近網(wǎng)絡(luò)。它對于每個輸入輸出數(shù)據(jù)對 , 只有少量的權(quán)值需要進(jìn)行調(diào)整。它采用一組正交歸一化的基函數(shù) ―― 徑向基函數(shù)的線性組合來逼近任意函數(shù)。

常用徑向基函數(shù)有高斯函數(shù)、多二次函數(shù)、薄板樣條函數(shù)等。由于輸入矢量直接映射到隱層空間 , RBF的中心確定后 , 這種非線性映射關(guān)系也就確定 ,因此 RBF的學(xué)習(xí)算法首先要確定徑向基函數(shù)的中心 ,本文徑向基函數(shù)的中心采用高斯函數(shù)（Radbas(n)=e-n2）,其隱含層的輸入輸出模型如圖2。

對于本文的超聲波傳感器逆模型的RBF網(wǎng)絡(luò)模型，輸入為h和T，訓(xùn)練后的實(shí)際輸出為Dr，期望輸出為d。超聲波傳感器非線性校正逆模型采用RBF網(wǎng)絡(luò)，輸入層2個節(jié)點(diǎn)，輸出層1個節(jié)點(diǎn)，擴(kuò)展系數(shù)為0.5（實(shí)驗(yàn)結(jié)果表明擴(kuò)展常數(shù)為 0.5 時(shí)對應(yīng)隱含層神經(jīng)元個數(shù)適中，故擴(kuò)展常數(shù)選為 0.5），通過測量獲取了50組數(shù)據(jù)集作訓(xùn)練樣本，將輸入量作歸一化處理后，按照上述的RBF神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法學(xué)習(xí)。神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和仿真是在Matlab 6.5環(huán)境下，通過神經(jīng)網(wǎng)絡(luò)工具箱，編制相應(yīng)的程序而實(shí)現(xiàn)。

在matlab上應(yīng)用 RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行仿真溫度補(bǔ)償和非線性誤差校正后，系統(tǒng)的測距精度大大提高，表 1所示為未經(jīng)神經(jīng)網(wǎng)絡(luò)處理和神經(jīng)網(wǎng)絡(luò)處理后的測距比較。

比較結(jié)果表明，神經(jīng)網(wǎng)絡(luò)處理后的結(jié)果與實(shí)際距離很接近，精度大大提高了。

3、結(jié)束語

實(shí)際應(yīng)用中，超聲波測距易受溫度等多種因素的影響，利用RBF神經(jīng)網(wǎng)絡(luò)良好的非線性逼近特性、自適應(yīng)能力學(xué)習(xí)能力，可優(yōu)化超聲波的輸出特性，而且網(wǎng)絡(luò)結(jié)構(gòu)簡單，便于單片機(jī)實(shí)現(xiàn)或固化在硬件中。仿真結(jié)果表明，利用RBF 神經(jīng)網(wǎng)絡(luò)能很好地逼近非線性函數(shù)，實(shí)現(xiàn)了超聲波傳感器建模，對傳感器進(jìn)行非線性誤差校正，效果相當(dāng)明顯，大大提高了超聲波測距的精度，使其測距誤差控制在毫米級以內(nèi)，這是采用其它校正方法是無法達(dá)到的。

參考文獻(xiàn)：

[1]譚超，許澤宏，李維一，付小紅，王?。谛〔ㄉ窠?jīng)網(wǎng)絡(luò)建立虛擬儀器非線性較正型[J]．微計(jì)算機(jī)信息，2005．12（1）P157-159．

[2]田社平．基于神經(jīng)網(wǎng)絡(luò)模型的傳感器非線性校正．（英文） 光學(xué)精密工程．2006

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

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

篇3

【關(guān)鍵詞】PID控制;對角遞歸神經(jīng)網(wǎng)絡(luò);交流伺服系統(tǒng)

1.引言

交流電動機(jī)伺服驅(qū)動系統(tǒng)由于其結(jié)構(gòu)簡單、易于維護(hù)的優(yōu)點(diǎn)逐漸成為現(xiàn)代產(chǎn)業(yè)的基礎(chǔ)。其中交流伺服系統(tǒng)在機(jī)器人與操作機(jī)械手的關(guān)節(jié)驅(qū)動以及精密數(shù)控機(jī)床等方面得到越來越廣泛的應(yīng)用。交流伺服系統(tǒng)由交流電動機(jī)組成，交流電動機(jī)的數(shù)字模型不是簡單的線性模型，而具有非線性、時(shí)變、耦合等特點(diǎn)，用傳統(tǒng)的基于對象模型的控制方法難以進(jìn)行有效的控制。對于交流伺服系統(tǒng)的性能，一方面要求快速跟蹤性能好，即要求系統(tǒng)對輸入信號的響應(yīng)快，跟蹤誤差小，過渡時(shí)間短，且無超調(diào)或超調(diào)小，振蕩次數(shù)少。另一方面，要求穩(wěn)態(tài)精度高，即系統(tǒng)穩(wěn)態(tài)誤差小，定位精度高。在交流伺服控制中，常規(guī)控制方法普遍是以PID控制為基礎(chǔ)，然而單純的PID控制存在超調(diào)量大，調(diào)節(jié)時(shí)間長，控制效率低等缺點(diǎn)，而且其參數(shù)的選取比較困難。近年來，隨著計(jì)算機(jī)技術(shù)的發(fā)展，人們利用人工智能的方法將操作人員的調(diào)整經(jīng)驗(yàn)作為知識存入計(jì)算機(jī)中，根據(jù)現(xiàn)場的實(shí)際情況，計(jì)算機(jī)能自動調(diào)整PID參數(shù)，這樣就出現(xiàn)了智能PID控制器，并在實(shí)際工業(yè)控制中獲得了許多成功的應(yīng)用。大多數(shù)基于神經(jīng)網(wǎng)絡(luò)的自適應(yīng)控制方案均采用多層前饋神經(jīng)網(wǎng)絡(luò)[1]，前饋神經(jīng)網(wǎng)絡(luò)是一個靜態(tài)網(wǎng)絡(luò)，然而，在處理交流電動機(jī)伺服系統(tǒng)中需要通過引入時(shí)滯環(huán)節(jié)來描述系統(tǒng)的動態(tài)特性[2]，但這就需要大量的神經(jīng)元來表示動態(tài)響應(yīng)。動態(tài)遞歸網(wǎng)絡(luò)利用網(wǎng)絡(luò)的內(nèi)部狀態(tài)反饋來描述系統(tǒng)的非線性動力學(xué)特性，能更直接地反映系統(tǒng)的動態(tài)特性，因此，比前向神經(jīng)網(wǎng)絡(luò)更適合應(yīng)用于動態(tài)系統(tǒng)的控制問題[3]。對角遞歸神經(jīng)網(wǎng)絡(luò)[4，5]既具有一般動態(tài)網(wǎng)絡(luò)易于處理動態(tài)非線性問題的特點(diǎn)，又具有結(jié)構(gòu)簡單、容易構(gòu)造訓(xùn)練算法等優(yōu)點(diǎn)。因此，本文采用對角遞歸神經(jīng)網(wǎng)絡(luò)整定PID控制控制的參數(shù)，仿真結(jié)果證明了該控制方案的有效性。

2.系統(tǒng)結(jié)構(gòu)設(shè)計(jì)

神經(jīng)網(wǎng)絡(luò)PID交流伺服系統(tǒng)結(jié)構(gòu)如圖1所示，系統(tǒng)中有兩個神經(jīng)網(wǎng)絡(luò)。其中，NNC為自整定PID控制器，DRNNI為系統(tǒng)在線辨識器。圖中為給定角位移，為電機(jī)轉(zhuǎn)軸的實(shí)際角位移，e為和進(jìn)行比較而得到的偏差，ec為偏差的變化率。則有：

（1）

（2）

圖1 神經(jīng)網(wǎng)絡(luò)PID控制的交流伺服系統(tǒng)

圖1中，u為神經(jīng)網(wǎng)絡(luò)PID控制的轉(zhuǎn)速期望值;為期望電機(jī)轉(zhuǎn)速;為實(shí)際電機(jī)轉(zhuǎn)速;與的偏差經(jīng)過轉(zhuǎn)速調(diào)節(jié)器產(chǎn)生期望的電機(jī)電磁轉(zhuǎn)矩Ted。由于內(nèi)環(huán)的不足可由外環(huán)控制來彌補(bǔ)，所以轉(zhuǎn)速調(diào)節(jié)器采用一般的PI調(diào)節(jié)器即可，而電機(jī)的電磁轉(zhuǎn)矩控制則采用直接轉(zhuǎn)矩控制方法。

3.神經(jīng)網(wǎng)絡(luò)PID控制器設(shè)計(jì)

3.1 神經(jīng)網(wǎng)絡(luò)PID控制器

PID控制是一種技術(shù)成熟、應(yīng)用廣泛的控制方法，其結(jié)構(gòu)簡單，而且對大多數(shù)過程均有較好的控制效果。其離散PID控制規(guī)律為：

（3）

式中，u（k）為k時(shí)刻控制器的輸出量;KP，KI，KD分別為比例系數(shù)，積分系數(shù)和微分系數(shù);e（k）為當(dāng)前時(shí)刻的交流伺服系統(tǒng)的位置與期望值之差;e（k-1）為上次采樣時(shí)刻的交流伺服系統(tǒng)的位置與期望值之差。由式（3）可得到控制器輸出第k個周期時(shí)刻的控制量u（k）和第k-1個周期時(shí)刻的控制量u（k-1）之間的增量為：

（4）

傳統(tǒng)的PID控制最主要的問題是參數(shù)整定問題，一旦整定計(jì)算好后，在整個控制過程中都是固定不變的，而在實(shí)際系統(tǒng)中，由于系統(tǒng)狀態(tài)和參數(shù)等發(fā)生變化時(shí)，過程中會出現(xiàn)狀態(tài)和參數(shù)的不確定性，系統(tǒng)很難達(dá)到最佳的控制效果。本文利用兩層線性神經(jīng)網(wǎng)絡(luò)對PID控制器的三個參數(shù)進(jìn)行在線調(diào)整。神經(jīng)網(wǎng)絡(luò)的輸入為：

（5）

定義NNC的性能指標(biāo)為：

（6）

則：

（7）

（8）

（9）

其中，為學(xué)習(xí)率，為對象的Jaco-bian信息，該信息可以由DRNN網(wǎng)絡(luò)進(jìn)行辨識。

3.2 對角遞歸神經(jīng)網(wǎng)絡(luò)辨識器

對角遞歸神經(jīng)網(wǎng)絡(luò)（DRNN）是一種特殊的遞歸神經(jīng)網(wǎng)絡(luò)，其網(wǎng)絡(luò)結(jié)構(gòu)有三層，隱層為遞歸層?？紤]一個多輸入單輸出的對角遞歸神經(jīng)網(wǎng)絡(luò)，其結(jié)構(gòu)如圖2所示。

圖2 對角遞歸神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

各層的輸入輸出關(guān)系函數(shù)如下：

第一層為輸入層，有n個輸入節(jié)點(diǎn)，其輸入：

（10）

式中，Ii（k）為第i個神經(jīng)元的輸入。

第二層為隱層，有m個節(jié)點(diǎn)，其輸入為：

（11）

式中，wI和wD為網(wǎng)絡(luò)輸入層和遞歸層的權(quán)值。

輸出為：

（12）

第三層為輸出層，其輸出為：

（13）

式中，wO為網(wǎng)絡(luò)輸出層的權(quán)值。

在采用如圖2所示的DRNN來對交流伺服系統(tǒng)進(jìn)行辨識時(shí)，網(wǎng)絡(luò)的輸入為：

（14）

網(wǎng)絡(luò)的輸出為：

（15）

訓(xùn)練DRNNI的性能指標(biāo)函數(shù)定義為：

（16）

學(xué)習(xí)算法采用梯度下降法：

（17）

（18）

（19）

權(quán)值的更新算法：

（20）

（21）

（22）

其中，遞歸層神經(jīng)元取S函數(shù)：

（23）

（24）

（25）

式中，、、分別為輸入層、遞歸層和輸出層權(quán)值的學(xué)習(xí)率，為慣性系數(shù)。

交流伺服系統(tǒng)的Jacobian信息為：

（26）

4.實(shí)驗(yàn)研究

用于實(shí)驗(yàn)的交流電機(jī)參數(shù)為Pn=2.2kW， Un=220V，In=5A，nn=1440r/min，r1=2.91Ω，r2=3.04Ω，Is=0.45694H，Ir=0.45694H，Im= 0.44427H， Ten=14N?m，np=2，J=0.002276kg?m2，ψn=0.96Wb。數(shù)字控制采樣頻率為10kHz。

采用基于DRNN神經(jīng)網(wǎng)絡(luò)整定的PID控制，控制器的網(wǎng)絡(luò)結(jié)構(gòu)為3-7-1，辨識器的結(jié)構(gòu)為2-6-1，學(xué)習(xí)率都設(shè)置為，慣性系數(shù)。權(quán)值的初始值取[-1，+1]之間的隨機(jī)值。

通過實(shí)驗(yàn)表明，神經(jīng)網(wǎng)絡(luò)PID控制有效地結(jié)合了神經(jīng)網(wǎng)絡(luò)和PID控制方法，充分發(fā)揮了PID控制調(diào)節(jié)精度高的優(yōu)點(diǎn)，利用神經(jīng)網(wǎng)絡(luò)對PID控制器的參數(shù)進(jìn)行實(shí)時(shí)整定，進(jìn)一步提高了系統(tǒng)的控制精度，增加了系統(tǒng)的在線自適應(yīng)能力。

5.結(jié)論

本文提出了一種基于動態(tài)遞歸神經(jīng)網(wǎng)絡(luò)PID控制的交流伺服系統(tǒng)，采用動態(tài)遞歸神經(jīng)網(wǎng)絡(luò)作為交流伺服系統(tǒng)的辨識器，兩層線性神經(jīng)網(wǎng)絡(luò)作為控制器，這種控制方法提高了系統(tǒng)的精度。

仿真實(shí)驗(yàn)結(jié)果表明，該控制器具有良好的控制性能和很強(qiáng)的魯棒性，是一種行之有效的控制器。

參考文獻(xiàn)

[1]許大中.交流電機(jī)調(diào)速理論[M].杭州：浙江大學(xué)出版社，1994.

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

[3]李明忠.基于遞歸神經(jīng)網(wǎng)絡(luò)的一類非線性無模型系統(tǒng)的自適應(yīng)控制[J].控制與決策，1997，12（1）：64-67.

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

[5]吳志敏，李書臣.基于動態(tài)遞歸神經(jīng)網(wǎng)絡(luò)的自適應(yīng)PID 控制[J].控制工程，2004，11（3）：216-219.

篇4

關(guān)鍵詞：字符識別 Hopfield神經(jīng)網(wǎng)絡(luò) 小波變換

中圖分類號：TN711文獻(xiàn)標(biāo)識碼： A 文章編號：

在日常生活中，經(jīng)常會遇到帶噪字符識別的問題，如交通系統(tǒng)汽車號牌，由于汽車在使用過程中，要經(jīng)受自然環(huán)境的風(fēng)吹日曬和雨水侵蝕，造成字體模糊不清，難以辨認(rèn)。如何從這些殘缺不全的字符中提取完整的信息是字符識別的關(guān)鍵問題。字符識別在交通、郵政及商業(yè)票據(jù)管理方面有著廣闊的應(yīng)用價(jià)值[1]。

目前有很多種用于字符識別的方法，主要分為神經(jīng)網(wǎng)絡(luò)識別、概率統(tǒng)計(jì)識別和模糊識別等。傳統(tǒng)的字符識別方法在有干擾的情況下不能很好地對字符進(jìn)行識別，而離散Hopfield神經(jīng)網(wǎng)絡(luò)具有聯(lián)想記憶的功能，利用這一特性能對字符進(jìn)行識別，并且計(jì)算的收斂速度很快；小波變換具有時(shí)頻局部化的特性，利用這一特性能減少字符識別中噪聲干擾的影響，從而得到預(yù)期的效果。

1 Hopfield神經(jīng)網(wǎng)絡(luò)工作方式

對于Hopfield神經(jīng)網(wǎng)絡(luò)當(dāng)網(wǎng)絡(luò)而言，根據(jù)輸入得到輸出后，該輸出將被反饋到輸入端，成為新的輸入端，如此循環(huán)往復(fù)，不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，直到網(wǎng)絡(luò)的輸出穩(wěn)定為止。該網(wǎng)絡(luò)按動力學(xué)方式運(yùn)行，其工作過程為神經(jīng)元狀態(tài)的演化過程，即從初始狀態(tài)按能量減小的方向進(jìn)行演化，直到達(dá)到穩(wěn)定狀態(tài)，而穩(wěn)定狀態(tài)即為網(wǎng)絡(luò)的輸出[2]。

1.1將網(wǎng)絡(luò)用作聯(lián)想存儲器時(shí)，工作分為兩個階段：

（1）學(xué)習(xí)階段：對于給定的m個要存儲的樣本X(k)=(x1(k),x2(k),…,xn(k))，k=1，2，…，m，按照Hebb學(xué)習(xí)規(guī)則調(diào)整網(wǎng)絡(luò)權(quán)值，以使得每個要存儲的樣本成為系統(tǒng)的一個吸引子。

（2）聯(lián)想階段：在調(diào)整好的情況下，給出一部分殘缺或擾的信息，作為聯(lián)想的關(guān)鍵字，使系統(tǒng)最終收斂到某個吸引子。

Hopfield網(wǎng)絡(luò)作為聯(lián)想存儲器算法，假設(shè)偏流=0。

（1） Hebb學(xué)習(xí)規(guī)則設(shè)置權(quán)

（2）初始化：利用未知的輸入模式初始化網(wǎng)絡(luò)輸出。

1.3迭代計(jì)算：當(dāng)節(jié)點(diǎn)輸出狀態(tài)穩(wěn)定時(shí)，迭代結(jié)束。此時(shí)節(jié)點(diǎn)的輸出就是未知輸出匹配的樣本模式。

2 小波變換

小波變換的基本思想是將原始信號經(jīng)過伸縮和平移，分解和重構(gòu)為一系列具有不同空間分辨率、不同頻率特性和方向特性的信號，這些信號具有時(shí)域和頻域局部特性。這些特性可以用來表示原始信號的局部特征，進(jìn)而實(shí)現(xiàn)對信號時(shí)間、頻率的局部分析特性。小波變換具有時(shí)域和頻域的局部化特性，對于高頻部分采取逐步精細(xì)的時(shí)域步長，因而可以分析對象的細(xì)節(jié)特性[3]。

連續(xù)小波變換的數(shù)學(xué)表達(dá)式為：

（1）

（2）

式中，Ψ(t)為小波母函數(shù),滿足條件，a為尺度因子,b為平移參數(shù)。當(dāng)a,b各取離散時(shí),為離散小波變換。

3 仿真與結(jié)論

帶噪字符點(diǎn)陣，即點(diǎn)陣的某些位置的值發(fā)生了變化。本文將帶噪聲的字符點(diǎn)陣輸入到創(chuàng)建好的Hopfield網(wǎng)絡(luò)，網(wǎng)絡(luò)的輸出是與字符點(diǎn)陣為最接近的目標(biāo)相量，從而實(shí)現(xiàn)聯(lián)想記憶的功能。本文以數(shù)字2和字母T為例進(jìn)行帶噪聲字符識別，其識別結(jié)果如圖1所示。

圖1帶噪字符識別結(jié)果

圖1為噪聲強(qiáng)度為0.1時(shí)的識別效果，從圖中可看出經(jīng)Hopfield神經(jīng)網(wǎng)絡(luò)已經(jīng)基本上辨識出字符的大致輪廓。在噪聲強(qiáng)度較小的情況下Hopfield神經(jīng)網(wǎng)絡(luò)能較好的識別帶噪字符，隨著噪聲強(qiáng)度的增大則會出現(xiàn)誤差，這是由于Hopfield神經(jīng)網(wǎng)絡(luò)雖然具有穩(wěn)定性，但是也可能收斂到一個不理想的水平，此時(shí)誤差產(chǎn)生。但利用小波變換在圖像處理上的優(yōu)勢，可以進(jìn)一步提高字符識別的準(zhǔn)確性和可靠性。本文的方法為解決實(shí)際生活中的字符識別提供了一種新途徑和思路。

參考文獻(xiàn)

賈花萍.Hopfield神經(jīng)網(wǎng)絡(luò)在車牌照字符識別中的應(yīng)用[J].計(jì)算機(jī)與數(shù)字工程，2012，40（4）：85-89.

何聰，孫松.基于.Hopfield神經(jīng)網(wǎng)絡(luò)的字符識別[J].黃石理工學(xué)院學(xué)報(bào)，2011,27（3）：13-16.

篇5

關(guān)鍵詞：估算模型、工程造價(jià)、思考

中圖分類號：TU723.3文獻(xiàn)標(biāo)識碼： A 文章編號：

建筑工程造價(jià)，在通常情況下指的就是工程建設(shè)過程中需要花費(fèi)的所有費(fèi)用，換言之，就是依據(jù)工程計(jì)劃此工程建設(shè)項(xiàng)目因開展固定資產(chǎn)再生產(chǎn)而衍生出與之相對應(yīng)鋪底流動資金與無形資金之和。事實(shí)上，工程造價(jià)既與建設(shè)地區(qū)的經(jīng)濟(jì)發(fā)展?fàn)顩r、建設(shè)者的技術(shù)水準(zhǔn)、當(dāng)?shù)卣恼叻龀值纫蛩叵⑾⑾嚓P(guān)，又緊密聯(lián)系著工程本身的內(nèi)容。

事實(shí)上，工程項(xiàng)目在施行過程中，不僅要耗費(fèi)大量時(shí)間，還需投入很多資金。且每一階段均會出現(xiàn)很多不確定因素，因此，在工程項(xiàng)目施工早期很難確定出一個合理、正確、科學(xué)的造價(jià)。然而，工程造價(jià)的合理性將會給施工單位和建設(shè)單位的共同經(jīng)濟(jì)利益帶來直接的影響。這就要求我們在如今競爭日益激烈化的社會能熟練地應(yīng)用科學(xué)手段，精、穩(wěn)、準(zhǔn)地把工程造價(jià)估算出來。但是，工程造價(jià)會隨著項(xiàng)目開展的深度的逐漸加深而愈漸合理化。工程項(xiàng)目富有計(jì)價(jià)特性，這就決定了在控制工程項(xiàng)目的過程中各個階段的手段與重點(diǎn)也許會存在一些差異。因此，在工程項(xiàng)目建設(shè)的全過程中，要確保工程造價(jià)能將工程的實(shí)際造價(jià)合理、科學(xué)地體現(xiàn)出來，與工程項(xiàng)目管理的需求與市場經(jīng)濟(jì)體制相適應(yīng)，積極采用合理、可行性高的、可操作性強(qiáng)的手段，管控好建設(shè)工程造價(jià)。

一、工程造價(jià)估算模型的類別

當(dāng)前，世界上存在的投資估算方法多種多樣，但每一樣方法的優(yōu)劣勢及其所適用的范疇均存在一定的差異。在這當(dāng)中，盡管最小二乘回歸模型法能夠彌補(bǔ)單位面積法的不足指出，精確度很好，但是由于隸屬系數(shù)、模糊關(guān)系系數(shù)等諸多數(shù)據(jù)的大小均取決于經(jīng)驗(yàn)，且其處在不斷地變化發(fā)展過程中，這無疑會加大模型建立的難度系數(shù)。

伴隨著模糊數(shù)學(xué)理論在工程造價(jià)測算當(dāng)中的廣泛運(yùn)用與發(fā)展，其所展現(xiàn)出來的優(yōu)越性愈來愈獨(dú)特。為此，筆者針對已建工程與待建工程當(dāng)中的類似程序加以探索與比較，能在較短時(shí)間內(nèi)運(yùn)用已建工程的造價(jià)資料與信息，從而對待建工程的造價(jià)進(jìn)行估算。此類手段能飛快而又精準(zhǔn)地估測出工程造價(jià)，待構(gòu)建起信息管理系統(tǒng)、信息數(shù)據(jù)庫、拓展大量的信息渠道后，可以確保估算工程數(shù)據(jù)的精準(zhǔn)性與合理性。

二、神經(jīng)網(wǎng)絡(luò)的工程造價(jià)估算模型的基本原理

神經(jīng)網(wǎng)絡(luò)憑借著生物神經(jīng)系統(tǒng)作用原理發(fā)展的信息處理系統(tǒng)能夠極為精確地解決好繁雜的非線性問題。但是，其與眾不同的是，神經(jīng)網(wǎng)絡(luò)極具自組織、自學(xué)習(xí)、容錯性等特征?；趯?shù)據(jù)的建立模型，可將函數(shù)的最佳參數(shù)較快地求算出來，使設(shè)計(jì)成功后的系統(tǒng)可更好地模擬輸入輸出關(guān)系。

1、神經(jīng)網(wǎng)絡(luò)的基本模式

神經(jīng)網(wǎng)絡(luò)包括了反饋型網(wǎng)絡(luò)、自組織型網(wǎng)絡(luò)、隨機(jī)型網(wǎng)絡(luò)以及前饋型網(wǎng)絡(luò)這四大類型，這四大類型的神經(jīng)網(wǎng)絡(luò)所具有的網(wǎng)絡(luò)模型各不相同。Hopfield網(wǎng)絡(luò)主要出現(xiàn)在反饋網(wǎng)絡(luò)當(dāng)中，BP網(wǎng)絡(luò)、Adaiine、RBF網(wǎng)絡(luò)則是前饋網(wǎng)絡(luò)的關(guān)鍵網(wǎng)絡(luò)模式，Boltzman網(wǎng)絡(luò)為隨機(jī)網(wǎng)絡(luò)的關(guān)鍵網(wǎng)絡(luò)模式，ARI網(wǎng)絡(luò)俄日自組織網(wǎng)絡(luò)的關(guān)鍵網(wǎng)絡(luò)模式。然而，在此類神經(jīng)網(wǎng)絡(luò)當(dāng)中，前饋型網(wǎng)絡(luò)內(nèi)的RBF網(wǎng)絡(luò)和BP網(wǎng)絡(luò)能較好地滿足市政工程造價(jià)的需要。因?yàn)锽P神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)精簡、預(yù)算精度高、可行性高、收斂迅速、泛化能力強(qiáng)大，所以到目前為止，BP算法的多層前饋網(wǎng)變成了運(yùn)用范圍最大的神經(jīng)網(wǎng)絡(luò)。從統(tǒng)計(jì)上來看，BP算法是依靠學(xué)習(xí)過程的誤差反向傳播和信號正向傳播所構(gòu)成的。當(dāng)前運(yùn)用BP算法的神經(jīng)網(wǎng)絡(luò)所占的百分比近達(dá)百分之九十。

2、神經(jīng)網(wǎng)絡(luò)的基本模型

實(shí)際上，神經(jīng)網(wǎng)絡(luò)的輸入層是由各個極具代表性的工程建筑特性組合而成的，其輸入向量是闡釋工程特性的基本信息，神經(jīng)網(wǎng)絡(luò)輸出向量則為工程所需的工程造價(jià)。然而，如果輸入向量不同，那么想獲取到不一樣的輸出量值的話就需充分利用已建成的極具代表性的工程特性與造價(jià)，以它為訓(xùn)練樣本，從而訓(xùn)練神經(jīng)網(wǎng)絡(luò)，進(jìn)而達(dá)到從輸入至輸出進(jìn)行映射的目的。

3、神經(jīng)網(wǎng)絡(luò)的運(yùn)作手段

一般而言，神經(jīng)網(wǎng)絡(luò)的運(yùn)作方式有兩類，即演化式與前饋式。演化式模型的復(fù)雜度更高，其在網(wǎng)絡(luò)當(dāng)中與耗散的動力學(xué)系統(tǒng)差不多，在演化時(shí)狀態(tài)空間會慢慢收縮，最后變成了小體積的吸引子集，其輸出就相當(dāng)于終態(tài)，而輸入則為初始態(tài)；前饋式之所以能達(dá)到自輸入至輸出的非線性映射，主要依賴于神經(jīng)元非線性輸出輸入的關(guān)系。

三、神經(jīng)網(wǎng)絡(luò)估算法的廣泛運(yùn)用

若要估算項(xiàng)目工程造價(jià)，神經(jīng)網(wǎng)絡(luò)需具備一定數(shù)量的樣本以進(jìn)行訓(xùn)練。一般來講，我們可以將估算建設(shè)工程造價(jià)這一問題視成從輸入工程造價(jià)估算體系至輸出項(xiàng)目的單位造價(jià)的非線性映射，把指標(biāo)體系的指標(biāo)值輸入，然后再神經(jīng)網(wǎng)絡(luò)中加以估算，從而就能把此項(xiàng)目的單位造價(jià)輸出來。

但是，由于建設(shè)項(xiàng)目不同，其使用要求與功能也會有所不同，這直接會給工程造價(jià)的因素造成影響。因此，要嚴(yán)格依照建設(shè)項(xiàng)目的種類，分門別類地構(gòu)建出估算對象的指標(biāo)體系。本篇文章將重點(diǎn)闡述市政排水工程建設(shè)問題，針對神經(jīng)網(wǎng)絡(luò)估算模型的運(yùn)用進(jìn)行剖析。

（1）工程特征的解剖

不論是道路的總長度、雨水管道的平均管徑與長度、雨水管道平均埋深，還是污水管道平均管徑與長度、污水管道平均埋深等因素均會給市政排水工程造價(jià)帶來極大的影響。但是，此類影響市政排水工程造價(jià)的因素均存在一個共性，即：神經(jīng)網(wǎng)絡(luò)估算模型的輸入向量。

（2）構(gòu)建工程造價(jià)模型

工程造價(jià)估算法BP網(wǎng)絡(luò)程序主要是由樣本數(shù)據(jù)庫模塊構(gòu)成的，它是由newff函數(shù)生成的。當(dāng)生成的BP神經(jīng)網(wǎng)絡(luò)初始化之后，應(yīng)充分運(yùn)用當(dāng)前存在的“輸入―目標(biāo)”的訓(xùn)練樣本數(shù)據(jù)，選取網(wǎng)絡(luò)內(nèi)的train函數(shù)加以訓(xùn)練。同時(shí)，還要應(yīng)用BP神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)處理模塊及仿真模塊去測試訓(xùn)練完畢的網(wǎng)絡(luò)，依照函數(shù)的反函數(shù)戰(zhàn)隊(duì)神經(jīng)網(wǎng)絡(luò)的輸出值實(shí)施數(shù)據(jù)后續(xù)處理，從而將預(yù)測單位的工程造價(jià)求算出來，然后對比實(shí)際值，驗(yàn)證出預(yù)測的精確度。

（3）建設(shè)指標(biāo)體系的基準(zhǔn)單位

在建設(shè)市政排水工程的過程中，存在著大量對項(xiàng)目工程造成影響的因素。要想得出模型的輸出向量，就必須把道路的延長米視成排水工程的基準(zhǔn)單位，然后將排水工程的整體造價(jià)均勻地派遣到道路的延長米上，最終即可得到排水工程的道路延長米的工程造價(jià)，也就是模型的輸出向量。

（4）估算出工程造價(jià)

運(yùn)用神經(jīng)網(wǎng)絡(luò)估算法與Matlab神經(jīng)網(wǎng)絡(luò)的工具箱函數(shù)編制出與其相對應(yīng)的計(jì)算程序，依照數(shù)據(jù)庫開展訓(xùn)練測試工作，以便得出工程的實(shí)際造價(jià)。同時(shí)，要采取科學(xué)、易算、簡潔、精確的工程造價(jià)估算手段，從而有利于工程建設(shè)的迅速、安全地完成、工程造價(jià)控制以及工程投資管理工作的開展。因BP神經(jīng)網(wǎng)絡(luò)極具較強(qiáng)的容錯性與自組織適應(yīng)能力等特性，再加上其擁有精確、簡潔、迅速等優(yōu)勢，因此其在建設(shè)項(xiàng)目的工程造價(jià)估算的運(yùn)用中能順利地?cái)[脫傳統(tǒng)項(xiàng)目估算的限制，同時(shí)在現(xiàn)代經(jīng)濟(jì)領(lǐng)域中有著巨大的運(yùn)用市場。

參考文獻(xiàn)：

[1] 胡偉勛. 工程造價(jià)估算模型研究與應(yīng)用[J]. 中南林業(yè)科技大學(xué)學(xué)報(bào), 2011,(08)

[2] 盧梅,韓小康,孔祥坤,蔡靜. 基于BP神經(jīng)網(wǎng)絡(luò)和TOC的工程造價(jià)預(yù)控研究[J]. 西安建筑科技大學(xué)學(xué)報(bào)(自然科學(xué)版), 2011,(01) .

[3] 王興鵬,桂莉. 基于粗糙集―神經(jīng)網(wǎng)絡(luò)的工程造價(jià)估算模型研究[J]. 石家莊鐵道學(xué)院學(xué)報(bào)(社會科學(xué)版), 2008,(01) .

[4] 胡偉勛. 基于GST的工程造價(jià)預(yù)測模型理論研究[J]. 中南林業(yè)科技大學(xué)學(xué)報(bào), 2011,(04) .

篇6

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

關(guān)鍵詞： 神經(jīng)網(wǎng)絡(luò)（ANN）；成本估算；非標(biāo)產(chǎn)品

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

中圖分類號：TP183 文獻(xiàn)標(biāo)識碼：A 文章編號：1006-4311（2014）14-0203-03

0 引言

生產(chǎn)成本評估是工業(yè)管理活動中的一個重要問題。通常情況下，成本的計(jì)算可被分類為預(yù)先計(jì)算，中間計(jì)算，后計(jì)算。前計(jì)算涉及估計(jì)未來成本，中間計(jì)算在產(chǎn)品開發(fā)周期內(nèi)進(jìn)行了成本控制的目的，而計(jì)算后，包括成本核算方法，用來確定實(shí)際成本作為未來預(yù)算數(shù)據(jù)。由于產(chǎn)品生命周期成本的很大一部分被定義在設(shè)計(jì)階段，因此在新產(chǎn)品開發(fā)過程中廣泛采用。然而，在這種情況下，通常用來提供合適的成本計(jì)算方法必需的數(shù)據(jù)，只有不完整的或不確定的產(chǎn)品描述的數(shù)據(jù)[1]。

由于神經(jīng)網(wǎng)絡(luò)能以期望的精度逼近任何非線性函數(shù)，并且它具有自學(xué)習(xí)、自組織、自適應(yīng)、并行處理和容錯等功能，因而可以較好的應(yīng)用于產(chǎn)品生產(chǎn)成本估算。

1 成本估算方法分類

從方法論的角度來看，成本估算，可以分為定性或定量的方法。如圖1。

定性的方法依賴于專家判斷和經(jīng)驗(yàn)啟發(fā)式規(guī)則，定量的方法，可進(jìn)一步分類納入統(tǒng)計(jì)的模型，相似模型或生成分析模型。參數(shù)成本模型屬于傳統(tǒng)的統(tǒng)計(jì)方法，統(tǒng)計(jì)標(biāo)準(zhǔn)是用來確定因果聯(lián)系和關(guān)聯(lián)成本和產(chǎn)品特性，以便取得與一個或多個變量的。統(tǒng)計(jì)方法可以依靠公式或替代辦法連結(jié)產(chǎn)品特性，以成本為例，如回歸分析或優(yōu)化方法已被廣泛地應(yīng)用，人工神經(jīng)網(wǎng)絡(luò)也被用來統(tǒng)計(jì)方法，這要?dú)w功于它們有能力進(jìn)行分類，總結(jié)和推斷的數(shù)據(jù)集合。人工神經(jīng)網(wǎng)絡(luò)模型接受輸入形狀描述和語義的產(chǎn)品特性，并作為輸出產(chǎn)品的成本。搜索引擎優(yōu)化也利用人工神經(jīng)網(wǎng)絡(luò)和統(tǒng)計(jì)相關(guān)性在生命周期成本概念設(shè)計(jì)階段使用[2]。人工神經(jīng)網(wǎng)絡(luò)會表現(xiàn)出更好的線性回歸模型。類似的方法，而不是找出一個類似的產(chǎn)品，用成本信息來估計(jì)未來成本，調(diào)整產(chǎn)品成本之間的差異。類似的模型，從而推斷出相似的成本結(jié)構(gòu)，功能或產(chǎn)品功能之間的幾何相似。例如，作為一個多維特征空間中的點(diǎn)之間的距離測量。生成的分析方法是最準(zhǔn)確的，描繪出實(shí)際的產(chǎn)品制造過程中。生產(chǎn)過程的詳細(xì)分析和分解成單一的制造業(yè)務(wù)進(jìn)行，分析特定模型估計(jì)每個處理階段的成本歸因于資源消耗的貨幣價(jià)值的技術(shù)參數(shù)的基礎(chǔ)上的特征的操作。自下而上的方法，然后利用適當(dāng)總在制造過程中所產(chǎn)生的成本，通過各成本項(xiàng)目的總和。一個詳細(xì)的模型使用的勞動時(shí)間和價(jià)格的估計(jì)，材料、數(shù)量和價(jià)格的產(chǎn)品或活動，估計(jì)直接成本、間接成本。

在每個成本中心的制造時(shí)間的估計(jì)仍然是一個艱巨的任務(wù)，留給成本部門的經(jīng)驗(yàn)和歷史數(shù)據(jù)的依賴。估計(jì)誤差是相當(dāng)重要的，一些歷史數(shù)據(jù)不可用。由于經(jīng)常發(fā)生在工程師對按訂單生產(chǎn)的任何產(chǎn)品和過去不同，因?yàn)樗怯煽蛻舻囊?guī)格和設(shè)計(jì)的。這種傳統(tǒng)的方法是對制造時(shí)間的估計(jì)[4]。

因此，利用標(biāo)準(zhǔn)時(shí)間的方法是相當(dāng)困難的，在投標(biāo)階段，許多需要精確估計(jì)到工作中心的數(shù)據(jù)是沒有的，必須從過去的經(jīng)驗(yàn)中得到，但是，由于是非標(biāo)產(chǎn)品，極有可能缺乏具體的經(jīng)驗(yàn)，進(jìn)一步增加了時(shí)間和成本的不確定性。這種不確定性導(dǎo)致以下問題：報(bào)價(jià)風(fēng)險(xiǎn)，與失去投標(biāo)報(bào)價(jià)的可能性。

針對這個問題，下面介紹一種基于人工神經(jīng)網(wǎng)絡(luò)的估算方法。

3 ANN成本建模

人工神經(jīng)網(wǎng)絡(luò)的信息處理模型的基本計(jì)算的數(shù)量單元（神經(jīng)元）相連的的加權(quán)連接。人工神經(jīng)網(wǎng)絡(luò)對一組訓(xùn)練數(shù)據(jù)是能夠自學(xué)習(xí)，并進(jìn)行分類，聚類，函數(shù)逼近和控制任務(wù)。特別是，神經(jīng)網(wǎng)絡(luò)被認(rèn)為是“普？？遍回歸工具”能夠逼近任意連續(xù)函數(shù)，利用在成本估算應(yīng)用。在特定的神經(jīng)網(wǎng)絡(luò)非參數(shù)估計(jì)，這意味著要作出任何假設(shè)的形狀近似函數(shù)訓(xùn)練前。這是一個很大的實(shí)用優(yōu)勢，因?yàn)樗?jié)省了時(shí)間和費(fèi)用成本，專家需要提供適當(dāng)類型的函數(shù)參數(shù)成本。

多層感知器網(wǎng)絡(luò)已被用作此配置提供了最好的結(jié)果作為函數(shù)逼近，而嘗試和錯誤的過程中已經(jīng)定義了的詳細(xì)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。事實(shí)上，網(wǎng)絡(luò)結(jié)構(gòu)可以有顯著影響的估算精度。但神經(jīng)網(wǎng)絡(luò)理論尚未提供控制變量的最優(yōu)設(shè)置，適用規(guī)則和拓?fù)浣Y(jié)構(gòu)[5]。

人工神經(jīng)網(wǎng)絡(luò)的輸入包括所有的產(chǎn)品特征變量的值

4 結(jié)論

在面對成本估算的問題上，模擬的選擇要根據(jù)不同的產(chǎn)品或過程，具體的資料和案例。另外，選擇還取決于各自的優(yōu)點(diǎn)，不同方法的局限性和能力。

統(tǒng)計(jì)或類似的模型也被稱為“'lump-sum”的方法[7]，因?yàn)樗麄儾豢紤]生產(chǎn)過程的特點(diǎn)，或不顯示詳細(xì)的成本結(jié)構(gòu)。事實(shí)上，這種方法試圖建立一個整體的相關(guān)性（稱為CER，成本估算關(guān)系）的總制造成本和成本影響產(chǎn)品特性（即變量之間的相關(guān)產(chǎn)品的配置或物理特性，如重量，尺寸等，可作為成本動因）的關(guān)系。

統(tǒng)計(jì)方法的神經(jīng)網(wǎng)絡(luò)的優(yōu)勢是，它們可以有效地推斷和概括。數(shù)據(jù)模型之間的功能關(guān)系是隱藏的或不能以多項(xiàng)式的形式表示，不了解變量之間的函數(shù)關(guān)系。神經(jīng)網(wǎng)絡(luò)具有的優(yōu)點(diǎn)是不需要詳細(xì)定義了單一的制造過程的階段和神經(jīng)網(wǎng)絡(luò)動態(tài)自適應(yīng)，神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集可擴(kuò)展新的數(shù)據(jù)成為可用的變化來反映或在制造業(yè)務(wù)性能的提高和相關(guān)資源，得到一個連續(xù)的知識獲取。

參考文獻(xiàn)：

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

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

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

[4]黃文權(quán).機(jī)械制造產(chǎn)品成本估算方法研究及應(yīng)用[D].杭州：浙江大學(xué)機(jī)械工程學(xué)系，2003.

[5]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(xué)出版社，1990.

篇7

關(guān)鍵詞：RBF神經(jīng)網(wǎng)絡(luò)；電渦流傳感器；非線性補(bǔ)償；擬合函數(shù)

中圖分類號：TP212 文獻(xiàn)標(biāo)識碼：A

文章編號：1004-373X(2008)10-190-02オ

Application of ANN in Electric Eddy Sensor Nonlinear Compensation

ZHANG Yuanmin,WANG Hongling

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

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

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

電渦流傳感器具有靈敏度高、抗干擾能力強(qiáng)、非接觸等特點(diǎn)，在缺陷檢測、狀態(tài)檢測和位移量檢測中得到了廣泛應(yīng)用。在位移量的檢測中，一般希望儀表的刻度方程是線性方程，以保證儀表在整個測量范圍內(nèi)靈敏度相同。但傳感器輸出特性大都為非線性，并且常受各種環(huán)境參數(shù)影響，為保證測量儀表的輸出與輸入之間的線性關(guān)系，同時(shí)保證傳感器的測量值非常地接近真實(shí)值，則需要對傳感器進(jìn)行非線性補(bǔ)償。

1 非線性特性及其補(bǔ)償

電渦流傳感利用被測量體和探頭之間的磁場能量耦合（電磁感應(yīng)）實(shí)現(xiàn)對被測體的檢測。隨著檢測距離的增大，被測體與探頭間的互感減小，這種互感的變化是非線性的。他會引起探頭線圈電阻和感抗值隨檢測距離的非線性變化；同時(shí)，環(huán)境參數(shù)會使電子器件產(chǎn)生漂移，也會引起測量值與真實(shí)值之間的非線性。

改進(jìn)后傳感器的補(bǔ)償原理如圖1所示。

圖1 改進(jìn)后的電渦流傳感非線性補(bǔ)償原理

設(shè)傳感器輸入為x,t，輸出為u，u=f(x,t)為非線性關(guān)系。若在傳感器后串聯(lián)一補(bǔ)償環(huán)節(jié)，使y=g(u)=Kx，就實(shí)現(xiàn)了傳感器的非線性補(bǔ)償。И

從上述的補(bǔ)償原理可看出，函數(shù)g為函數(shù)f的反函數(shù)的1/K，所以f決定著g。Ь前面分析可知，改進(jìn)后傳感器的非線性因素有很多，程度也較復(fù)雜，不宜采用硬件補(bǔ)償法。

擬合函數(shù)補(bǔ)償法是對實(shí)際測量值采用函數(shù)擬合法（通常為最小二乘法）推算出傳感器輸入/輸出關(guān)系。然后，再對真實(shí)值進(jìn)行選定函數(shù)的數(shù)值計(jì)算獲得測量結(jié)果。

但是利用最小二乘法需要以下2個假定：

（1） 所有輸入量的各個給定值均無誤差；

（2） 最好的擬合直線為能使各點(diǎn)同特性曲線偏差的平方和為最小。實(shí)際上在對傳感器進(jìn)行標(biāo)定時(shí)各輸入量是不可能沒有誤差的；另外，當(dāng)傳感器的輸出特性曲線接近于直線時(shí)或能通過適當(dāng)?shù)淖兞看鷵Q，把變量之間的非線性關(guān)系化為線性關(guān)系時(shí)，通?？偸抢弥本€擬合的辦法實(shí)現(xiàn)輸出輸入關(guān)系的線性化。這樣，同時(shí)也造成了計(jì)算結(jié)果的不準(zhǔn)確。

神經(jīng)網(wǎng)絡(luò)是一個具有高度非線性的超大規(guī)模連續(xù)時(shí)間動力系統(tǒng)，其特征為連續(xù)時(shí)間非線性動力、網(wǎng)絡(luò)的全局作用、大規(guī)模并行分布處理及高度的魯棒性和學(xué)習(xí)聯(lián)想能力。實(shí)際上是一個超大規(guī)模非線性連續(xù)時(shí)間自適應(yīng)信息處理系統(tǒng)。

用神經(jīng)網(wǎng)絡(luò)進(jìn)行非線性補(bǔ)償原理如下：上述假定傳感器模型為u=f(x,t)，其中x為被測物理量，t=(t1,t2,…,tk)為k個環(huán)境參數(shù)，若對不同的t，u均為x的單值函數(shù)，則有x=f－1(u,t)。補(bǔ)償環(huán)節(jié)的輸出為y=g(u,t)，令g(u,t)=f－1(u,t)，可得y=g(u,t)=f－1(u,t)=x，則補(bǔ)償環(huán)節(jié)的輸出y與被測物理量x成線性關(guān)系，且與各環(huán)境因素參數(shù)t無關(guān)。因此只要使補(bǔ)償環(huán)節(jié)g(u,t)=f－1(u,t)，即可實(shí)現(xiàn)傳感器的非線性補(bǔ)償。通常傳感器模型的反函數(shù)f－1(u,t)比較復(fù)雜，難以用數(shù)學(xué)公式來描述，但可通過實(shí)驗(yàn)測得傳感器數(shù)據(jù)集{xi;ti;ui∈Rk+2;i=0,1,…,n}，ti=(t1i,t2i,…,tki)T。以實(shí)驗(yàn)數(shù)據(jù)集的ui和ti作為輸入樣本，對應(yīng)的xi作為輸入樣本，對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，使神經(jīng)網(wǎng)絡(luò)調(diào)節(jié)各個權(quán)值以自動實(shí)現(xiàn)f－1(u,t)。б丫證明，前向神經(jīng)網(wǎng)絡(luò)可以處理系統(tǒng)內(nèi)在的難以解析的規(guī)律性，能夠逼近任意的非線性函數(shù)。

最小二乘法和神經(jīng)網(wǎng)絡(luò)補(bǔ)償法均可用于傳感器的非線性補(bǔ)償，本文著重討論基于RBF（徑向基網(wǎng)絡(luò)）的非線性補(bǔ)償方法，并將補(bǔ)償結(jié)果與最小二乘法補(bǔ)償法得到的結(jié)果加以對比，以說明神經(jīng)網(wǎng)絡(luò)補(bǔ)償法的優(yōu)越性。

2 BRF網(wǎng)絡(luò)非線性補(bǔ)償及其結(jié)果分析

采用RBF網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)（即圖1中的補(bǔ)償環(huán)節(jié)）如圖2所示，網(wǎng)絡(luò)結(jié)構(gòu)為1-14-1。根據(jù)上述的非線性補(bǔ)償原理，采用改進(jìn)后電渦流傳感器等效感抗作為RBF網(wǎng)絡(luò)的輸入，傳感器測量的真實(shí)值作為網(wǎng)絡(luò)的輸出。

圖2 RBF網(wǎng)絡(luò)結(jié)構(gòu)圖

利用輸入/輸出數(shù)據(jù)對BRF網(wǎng)絡(luò)進(jìn)行訓(xùn)練，設(shè)置訓(xùn)練次數(shù)為3 000次，訓(xùn)練誤差為0.000 1。在訓(xùn)練結(jié)束后，利用訓(xùn)練后的BRF網(wǎng)絡(luò)對傳感器進(jìn)行非線索性補(bǔ)償。將訓(xùn)練樣本作為測試樣本帶入網(wǎng)絡(luò)和擬合的函數(shù)，得出的結(jié)果如表1所示。

由表1可以看出，采用RBF網(wǎng)絡(luò)得到的測試值與真實(shí)值間的非線性均誤差遠(yuǎn)小于采用最小二乘法進(jìn)行補(bǔ)償[CM(22*2]得到的非線性誤差，即RBF網(wǎng)絡(luò)的補(bǔ)償精度要遠(yuǎn)遠(yuǎn)高于[CM)]最小二乘法的補(bǔ)償精度。另外，將此方法用于另外幾種型號的電渦流傳感器的非線性補(bǔ)償上得出的結(jié)果也證明神經(jīng)網(wǎng)絡(luò)的補(bǔ)償精度遠(yuǎn)遠(yuǎn)高于最小二乘法，說明神經(jīng)網(wǎng)絡(luò)補(bǔ)償法具有很強(qiáng)的泛化能力。

3 結(jié) 語

由于電渦流傳感器輸入/輸出特性具有非線性，為了保證測量儀表的輸入與輸出之間具有線性關(guān)系，就必須對電渦流傳感器進(jìn)行非線性補(bǔ)償。本文主要采用BRF神經(jīng)網(wǎng)絡(luò)對電渦流傳感器進(jìn)行非線性補(bǔ)償，并與最小二乘法補(bǔ)償法進(jìn)行了比較。對比結(jié)果說明，RBF網(wǎng)絡(luò)在很大程度上提高了電渦流傳感器的線性度，并且補(bǔ)償曲線更順滑，預(yù)測性更強(qiáng)，補(bǔ)償后的傳感器線性度更好。實(shí)例分析表明，神經(jīng)網(wǎng)絡(luò)在非線性補(bǔ)償和提高準(zhǔn)確度方面的優(yōu)點(diǎn)，是最小二乘法所無法比擬的。

參 考 文 獻(xiàn)

［1］董長虹.Matlab神經(jīng)網(wǎng)絡(luò)與應(yīng)用[M].北京：國防工業(yè)出版社,2005.

［2］劉剛.基于神經(jīng)網(wǎng)絡(luò)的智能傳感器的數(shù)據(jù)處理［J］.傳感器技術(shù)，2004,23(8):52-54.

［3］白宗文.分形插值法在傳感器數(shù)據(jù)處理中的應(yīng)用［J］.現(xiàn)代電子技術(shù),2007,30(7):34-35.

［4］飛思科技.神經(jīng)網(wǎng)絡(luò)理論與Matlab 7實(shí)現(xiàn)[M].北京：電子工業(yè)出版社,2005.

［5］薛亞琴.電渦流傳感器特性曲線擬合的新方法［J］.傳感器技術(shù),2003(22)7:42-44.

篇8

（四川信息職業(yè)技術(shù)學(xué)院，四川廣元628017）

摘要：考慮到傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)在進(jìn)行P2P流量識別時(shí)，具有系統(tǒng)識別速度慢、精度低，神經(jīng)網(wǎng)絡(luò)自身容易陷入局部最小值等問題，使用遺傳算法對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化。遺傳算法具有較強(qiáng)的自適應(yīng)性和魯棒性，因此使用遺傳算法對BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行優(yōu)化處理，能夠有效提高神經(jīng)網(wǎng)絡(luò)的性能。建立基于遺傳神經(jīng)網(wǎng)絡(luò)的識別系統(tǒng)，采集處理大量樣本數(shù)據(jù)，對識別系統(tǒng)進(jìn)行訓(xùn)練和測試。研究結(jié)果表明，基于遺傳神經(jīng)網(wǎng)絡(luò)的P2P流量識別系統(tǒng)具有識別精度高、識別速度快等優(yōu)點(diǎn)，相比傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)，其識別性能有明顯提高。

關(guān)鍵詞 ：遺傳算法；P2P；流量識別；BP神經(jīng)網(wǎng)絡(luò)

中圖分類號：TN711?34；TP393 文獻(xiàn)標(biāo)識碼：A 文章編號：1004?373X（2015）17?0117?04

隨著計(jì)算機(jī)科學(xué)技術(shù)的不斷發(fā)展與進(jìn)步，P2P技術(shù)已經(jīng)廣泛應(yīng)用于網(wǎng)絡(luò)視頻音頻多媒體播放、網(wǎng)絡(luò)文件共享以及數(shù)據(jù)傳輸?shù)阮I(lǐng)域，P2P技術(shù)不斷吸引了越來越多的網(wǎng)絡(luò)用戶、網(wǎng)絡(luò)應(yīng)用服務(wù)開發(fā)者以及提供商的目光，各種各樣的基于P2P技術(shù)的網(wǎng)絡(luò)應(yīng)用和服務(wù)不斷涌現(xiàn)，為人們在網(wǎng)絡(luò)中提供了便利。然而，隨著人們享受著P2P技術(shù)帶來的各種便利的同時(shí)，P2P技術(shù)的各種負(fù)面效應(yīng)也隨之而來。目前P2P應(yīng)用存在對網(wǎng)絡(luò)流量消耗巨大，監(jiān)管難度大，以及易于網(wǎng)絡(luò)病毒傳播，為網(wǎng)絡(luò)帶來安全隱患等問題。因此，對P2P流量的精確識別和監(jiān)測成為了對P2P技術(shù)研究的重中之重[1?5]。

1 P2P 流量識別技術(shù)

1.1 典型P2P流量識別技術(shù)

典型的P2P流量識別技術(shù)主要有：基于端口的識別技術(shù)、基于深層數(shù)據(jù)包的識別技術(shù)以及基于流量變化特征的識別技術(shù)。

基于端口的識別技術(shù)是一種應(yīng)用最早的識別技術(shù)，其主要根據(jù)早期P2P應(yīng)用的固定端口進(jìn)行識別，具有算法簡便，易于實(shí)現(xiàn)等優(yōu)點(diǎn)，但是對于現(xiàn)如今復(fù)雜的網(wǎng)絡(luò)環(huán)境，此種技術(shù)已經(jīng)不再適用[6?7]。

基于深層數(shù)據(jù)包的識別技術(shù)往往因?yàn)榇嬖谧R別滯后、隱私保護(hù)以及算法復(fù)雜等缺點(diǎn)而得不到廣泛普及應(yīng)用。

基于流量變化特征的識別技術(shù)通過對P2P流量數(shù)據(jù)進(jìn)行采集，通過處理數(shù)據(jù)得到數(shù)據(jù)流的統(tǒng)計(jì)特征，使用統(tǒng)計(jì)特征作為機(jī)器學(xué)習(xí)的訓(xùn)練樣本，得到經(jīng)過訓(xùn)練的識別系統(tǒng)。此識別技術(shù)具有算法簡便、效率高等優(yōu)點(diǎn)[8?9]。

1.2 基于神經(jīng)網(wǎng)絡(luò)的P2P流量識別技術(shù)

BP 神經(jīng)網(wǎng)絡(luò)是一種有督導(dǎo)的智能機(jī)器學(xué)習(xí)算法，已經(jīng)在機(jī)械、計(jì)算機(jī)、通信等領(lǐng)域得到了廣泛應(yīng)用，其技術(shù)發(fā)展已經(jīng)相對成熟。將BP神經(jīng)網(wǎng)絡(luò)用于對P2P流量的識別是一種可行有效的識別技術(shù)和手段。

然而將BP神經(jīng)網(wǎng)絡(luò)算法用于P2P流量識別雖然克服了傳統(tǒng)識別方法存在的諸多問題，但是由于算法自身特性也隨之帶來了新的問題。

BP神經(jīng)網(wǎng)絡(luò)實(shí)際上是梯度下降算法的一種迭代學(xué)習(xí)方法。由于梯度下降算法要求具有較小的學(xué)習(xí)速度時(shí)才能進(jìn)行穩(wěn)定的學(xué)習(xí)，因此其收斂速度較慢。并且，由于BP神經(jīng)網(wǎng)絡(luò)在進(jìn)行訓(xùn)練時(shí)，會在某點(diǎn)沿著誤差斜面而漸進(jìn)誤差極值，不同的起點(diǎn)會得到不同的誤差極值和不同的解。因此傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)具有學(xué)習(xí)速度慢、抗干擾能力弱以及容易陷入局部最小值等缺點(diǎn)[10?11]。

2 BP 神經(jīng)網(wǎng)絡(luò)和遺傳神經(jīng)網(wǎng)絡(luò)

2.1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。通常由輸入層、輸出層和隱含層組成。

4 結(jié)論

本文對P2P 流量識別技術(shù)進(jìn)行了深入研究。P2P技術(shù)在網(wǎng)絡(luò)中已經(jīng)得到了廣泛應(yīng)用，其流量在網(wǎng)絡(luò)總流量中占有重要地位，因此對其流量進(jìn)行實(shí)時(shí)監(jiān)測識別具有重要意義。本文對P2P流量識別技術(shù)進(jìn)行了分析，對使用比較廣泛的BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行了深入研究，并針對其缺點(diǎn)，使用遺傳算法進(jìn)行優(yōu)化，建立基于遺傳神經(jīng)網(wǎng)絡(luò)的P2P流量識別模型。通過實(shí)驗(yàn)采集大量網(wǎng)絡(luò)訓(xùn)練樣本和測試樣本，對建立的識別系統(tǒng)進(jìn)行測試。測試結(jié)果表明，基于遺傳算法的神經(jīng)網(wǎng)絡(luò)的識別速度和識別精度要高于BP神經(jīng)網(wǎng)絡(luò)，具有較高的工程應(yīng)用價(jià)值。

參考文獻(xiàn)

[1] 譚紅春，楊松濤，闞紅星.校園網(wǎng)P2P 流量綜合檢測技術(shù)研究[J].長沙大學(xué)學(xué)報(bào)，2015（2）：70?72.

[2] 劉興光.一種混合式BT流量實(shí)時(shí)檢測方法[J].網(wǎng)絡(luò)安全技術(shù)與應(yīng)用，2014（3）：53?55.

[3] 湯偉.基于數(shù)據(jù)流特征向量識別的P2P 僵尸網(wǎng)絡(luò)檢測方法研究[D].青島：中國海洋大學(xué)，2014.

[4] 席鵬.基于距離判決算法的P2P流量識別模型研究[D].昆明：云南大學(xué)，2013.

[5] 鄧力為.基于遺傳神經(jīng)網(wǎng)絡(luò)的P2P流量檢測研究[D].成都：電子科技大學(xué)，2013.

[6] 張龍璨.基于粒子群優(yōu)化半監(jiān)督學(xué)習(xí)的網(wǎng)絡(luò)流量分類方法研究[D].武漢：華中科技大學(xué)，2013.

[7] 張瀚.基于DPI技術(shù)的P2P流量檢測系統(tǒng)設(shè)計(jì)[D].北京：北京郵電大學(xué)，2013.

[8] 馬容生.基于自適應(yīng)神經(jīng)網(wǎng)絡(luò)的P2P流量檢測研究[J].通信技術(shù)，2012（6）：113?116.

[9] 張瀚，朱洪亮，辛陽.基于DPI 技術(shù)的P2P 流量檢測系統(tǒng)設(shè)計(jì)[J].信息網(wǎng)絡(luò)安全，2012（10）：36?40.

[10] 張小敏.基于DPI的P2P流量識別方法研究[D].南京：南京郵電大學(xué)，2012.

[11] 周雪蓮.P2P流量應(yīng)用層實(shí)時(shí)檢測技術(shù)研究[D].長春：吉林大學(xué)，2012.

[12] 賀毅朝，宋建民，張敬敏，等.利用遺傳算法求解靜態(tài)與動態(tài)背包問題的研究[J].計(jì)算機(jī)應(yīng)用研究，2015（4）：1011?1015.

[13] 王曉瑜，原思聰，李曼.基于自適應(yīng)蟻群遺傳混合算法的PID參數(shù)優(yōu)化[J].計(jì)算機(jī)應(yīng)用研究，2015（5）：1376?1378.

[14] 劉奕君，趙強(qiáng)，郝文利.基于遺傳算法優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)的瓦斯?jié)舛阮A(yù)測研究[J].礦業(yè)安全與環(huán)保，2015，42（2）：56?60.

[15] 吳連平，楊曉翔.基于神經(jīng)網(wǎng)絡(luò)與遺傳算法的關(guān)節(jié)軸承擠壓模具優(yōu)化[J].中國機(jī)械工程，2015，26（10）：1351?1355.

[16] 李麟青，楊哲，朱艷琴.一種混合式BitTorrent流量檢測方法[J].計(jì)算機(jī)應(yīng)用，2011，31（12）：3210?3214.

篇9

摘要：分析了模擬電路故障診斷的重要性和目前存在的困難，對基于小渡分析理論和神經(jīng)網(wǎng)絡(luò)理論的模擬電路故障診斷方法進(jìn)行了綜述．指出了小波神經(jīng)網(wǎng)絡(luò)應(yīng)用于模擬電路故障診斷存在的問題和未來的應(yīng)用前景。

    模擬電路故障診斷在理論上可概括為:在已知網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)、輸人激勵和故障響應(yīng)或可能已知部分元件參數(shù)的情況下，求故障元件的參數(shù)和位置。

    盡管目前模擬電路故障診斷理論和方法都取得了不少成就，提出了很多故障診斷方法，如故障字典法、故障參數(shù)識別法、故障驗(yàn)證法等。但是由于模擬電路測試和診斷有其自身困難，進(jìn)展比較緩慢。其主要困難有:模擬電路中的故障模型比較復(fù)雜，難以作簡單的量化;模擬電路中元件參數(shù)具有容差，增加了故障診斷的難度;在模擬電路中廣泛存在著非線性問題，為故障的定位診斷增加了難度;在一個實(shí)用的模擬電路中，幾乎無一例外地存在著反饋回路，仿真時(shí)需要大量的復(fù)雜計(jì)算;實(shí)際的模擬電路中可測電壓的節(jié)點(diǎn)數(shù)非常有限.導(dǎo)致可用于作故障診斷的信息量不夠充分，造成故障定位的不確定性和模糊性。

    因此，以往對模擬電路故障診斷的研究主要停留在中小規(guī)模線性無容差或小容差的情況，有些方法也已成功地應(yīng)用于工程實(shí)際。但如何有效地解決模擬電路的容差和非線性問題，如何解決故障診斷的模糊性和不確定性等是今后迫切需要解決的問題。小波神經(jīng)網(wǎng)絡(luò)則因其利于模擬人類處理問題的過程、容易顧及人的經(jīng)驗(yàn)且具有一定的學(xué)習(xí)能力等特點(diǎn)，所以在這一領(lǐng)域得到了廣泛應(yīng)用。

1小波分析理論在模擬電路故障診斷中的應(yīng)用現(xiàn)狀分析

    簡單地講，小波就是一個有始有終的小的“波浪”小波分析源于信號分析，源于函數(shù)的伸縮和平移，是fourier分析、gabor分析和短時(shí)fourier分析發(fā)展的直接結(jié)果。小波分析的基木原理是通過小波母函數(shù)在尺度上的伸縮和時(shí)域上的平移來分析信號，適當(dāng)選擇母函數(shù).可以使擴(kuò)張函數(shù)具有較好的局部性，小波分析是對信號在低頻段進(jìn)行有效的逐層分解，而小波包分析是對小波分析的一種改進(jìn)，它為信號提供了一種更加精細(xì)的分析方法，對信號在全頻段進(jìn)行逐層有效的分解，更有利于提取信號的特征。因此，它是一種時(shí)頻分析方法。在時(shí)頻域具有良好的局部化性能并具有多分辨分析的特性，非常適合非平穩(wěn)信號的奇異性分析。如:利用連續(xù)小波變換可以檢測信號的奇異性，區(qū)分信號突變和噪聲，利用離散小波變換可以檢測隨機(jī)信號頻率結(jié)構(gòu)的突變。

    小波變換故障診斷機(jī)理包括:利用觀測器信號的奇異性進(jìn)行故障診斷以及利用觀測器信號頻率結(jié)構(gòu)的變化進(jìn)行故障診斷。小波變換具有不需要系統(tǒng)的數(shù)學(xué)模型、故障檢測靈敏準(zhǔn)確、運(yùn)算量小、對噪聲的抑制能力強(qiáng)和對輸入信號要求低的優(yōu)點(diǎn)。但在大尺度下由于濾波器的時(shí)域?qū)挾容^大，檢測時(shí)會產(chǎn)生時(shí)間延遲，且不同小波基的選取對診斷結(jié)果也有影響。在模擬電路故障診斷中，小波變換被有效地用來提取故障特征信息即小波預(yù)處理器之后，再將這些故障特征信息送人故障分類處理器進(jìn)行故障診斷。小波分析理論的應(yīng)用一般被限制在小規(guī)模的范圍內(nèi)，其主要原因是大規(guī)模的應(yīng)用對小波基的構(gòu)造和存儲需要的花費(fèi)較大。

2神經(jīng)網(wǎng)絡(luò)理論在模擬電路故障診斷中的應(yīng)用分析

    人工神經(jīng)網(wǎng)絡(luò)(ann)是在現(xiàn)代神經(jīng)科學(xué)研究成果的基礎(chǔ)上提出來的，是一種抽象的數(shù)學(xué)模型，是對人腦功能的模擬。經(jīng)過十幾年的發(fā)展，人工神經(jīng)網(wǎng)絡(luò)已形成了數(shù)十種網(wǎng)絡(luò)，包括多層感知器kohomen自組織特征映射、hopfield網(wǎng)絡(luò)、自適應(yīng)共振理論、art網(wǎng)絡(luò)、rbf網(wǎng)絡(luò)、概率神經(jīng)網(wǎng)絡(luò)等。這些網(wǎng)絡(luò)由于結(jié)構(gòu)不同，應(yīng)用范圍也各不相同。由于人工神經(jīng)網(wǎng)絡(luò)本身不僅具有非線性、自適應(yīng)性、并行性、容錯性等優(yōu)點(diǎn)以及分辨故障原因、故障類型的能力外，而且訓(xùn)練過的神經(jīng)網(wǎng)絡(luò)能儲存有關(guān)過程的知識，能直接從定量的、歷史故障信息中學(xué)習(xí)。所以在20世紀(jì)80年代末期，它已開始應(yīng)用于模擬電路故障診斷。隨著人工神經(jīng)網(wǎng)絡(luò)的不斷成熟及大量應(yīng)用，將神經(jīng)網(wǎng)絡(luò)廣泛用于模擬電路的故障診斷已是發(fā)展趨勢。by神經(jīng)網(wǎng)絡(luò)由于具有良好的模式分類能力，尤其適用于模擬電路故障診斷領(lǐng)域，因而在模擬電路故障診斷系統(tǒng)中具有廣泛的應(yīng)用前景，也是目前模擬電路故障診斷中用得較多而且較為有效的一種神經(jīng)網(wǎng)絡(luò)。

3小波神經(jīng)網(wǎng)絡(luò)的應(yīng)用進(jìn)展分析

3,1小波分析理論與神經(jīng)網(wǎng)絡(luò)理論結(jié)合的必要性

    在神經(jīng)網(wǎng)絡(luò)理論應(yīng)用于模擬電路故障診斷的過程中，神經(jīng)網(wǎng)路對于隱層神經(jīng)元節(jié)點(diǎn)數(shù)的確定、各種參數(shù)的初始化和神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的構(gòu)造等缺乏更有效的理論性指導(dǎo)方法，而這些都將直接影響神經(jīng)網(wǎng)絡(luò)的實(shí)際應(yīng)用效果。小波分析在時(shí)域和頻域同時(shí)具有良好的局部化特性，而神經(jīng)網(wǎng)絡(luò)則具有自學(xué)習(xí)、并行處理、自適應(yīng)、容錯性和推廣能力二因此把小波分析和神經(jīng)網(wǎng)絡(luò)兩者的優(yōu)點(diǎn)結(jié)合起來應(yīng)用于故障診斷是客觀實(shí)際的需要。

    目前小波分析與神經(jīng)網(wǎng)絡(luò)的結(jié)合有兩種形式，一種是先利用小波變換對信號進(jìn)行預(yù)處理，提取信號的特征向量作為神經(jīng)網(wǎng)絡(luò)的輸人，另一種則是采用小波函數(shù)和尺度函數(shù)形成神經(jīng)元，達(dá)到小波分析和神經(jīng)網(wǎng)絡(luò)的直接融合第一種結(jié)合方式是小波神經(jīng)網(wǎng)絡(luò)的松散型結(jié)合，第二種結(jié)合方式是小波神經(jīng)網(wǎng)絡(luò)的緊致型結(jié)合。

3.2小波分析理論與神經(jīng)網(wǎng)絡(luò)理論的結(jié)合形式

    小波與神經(jīng)網(wǎng)絡(luò)的松散型結(jié)合，即:用小波分析或小波包分析作為神經(jīng)網(wǎng)絡(luò)的前置處理手段，為神經(jīng)網(wǎng)絡(luò)提供輸人特征向魚具體來說就是利用小波分析或小波包分析，把信號分解到相互獨(dú)立的頻帶之內(nèi)，各頻帶內(nèi)的能童值形成一個向覺，該向童對不同的故障對應(yīng)不同的值，從而可作為神經(jīng)網(wǎng)絡(luò)的輸入特征向量一旦確定神經(jīng)網(wǎng)絡(luò)的輸入特征向童，再根據(jù)經(jīng)驗(yàn)確定采用哪種神經(jīng)網(wǎng)絡(luò)及隱層數(shù)和隱層單元數(shù)等，就可以利用試驗(yàn)樣本對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，調(diào)整權(quán)值，從而建立起所需的小波神經(jīng)網(wǎng)絡(luò)模型。

    小波與神經(jīng)網(wǎng)絡(luò)的緊致型結(jié)合，即:用小波函數(shù)和尺度函數(shù)形成神經(jīng)元，達(dá)到小波分析和神經(jīng)網(wǎng)絡(luò)的直接融合，稱為狹義上的小波神經(jīng)網(wǎng)絡(luò)，這也是常說的小波神經(jīng)網(wǎng)絡(luò)。它是以小波函數(shù)或尺度函數(shù)作為激勵函數(shù)，其作用機(jī)理和采用sigmoid函數(shù)的多層感知器基本相同。故障診斷的實(shí)質(zhì)是要實(shí)現(xiàn)癥狀空間到故障空間的映射，這種映射也可以用函數(shù)逼近來表示。小波神經(jīng)網(wǎng)絡(luò)的形成也可以從函數(shù)逼近的角度加以說明。常見的小波神經(jīng)網(wǎng)絡(luò)有:利用尺度函數(shù)作為神經(jīng)網(wǎng)絡(luò)中神經(jīng)元激勵函數(shù)的正交基小波網(wǎng)絡(luò)、自適應(yīng)小波神經(jīng)網(wǎng)絡(luò)、多分辨率小波網(wǎng)絡(luò)、區(qū)間小波網(wǎng)絡(luò)等。

3.3小波分析理論與神經(jīng)網(wǎng)絡(luò)理論結(jié)合的優(yōu)點(diǎn)

    小波神經(jīng)網(wǎng)絡(luò)具有以下優(yōu)點(diǎn):一是可以避免m ly等神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)的育目性;二是具有逼近能力強(qiáng)、網(wǎng)絡(luò)學(xué)習(xí)收斂速度快、參數(shù)的選取有理論指導(dǎo)、有效避免局部最小值問題等優(yōu)點(diǎn)。

    在模擬電路故障診斷領(lǐng)域，小波神經(jīng)網(wǎng)絡(luò)還是一個嶄新的、很有前途的應(yīng)用研究方向。隨著小波分析理論和神經(jīng)網(wǎng)絡(luò)理論的不斷發(fā)展，小波神經(jīng)網(wǎng)絡(luò)應(yīng)用于模擬電路故障診斷領(lǐng)域?qū)⑷找娉墒臁?/p>

篇10

關(guān)鍵詞： 模糊神經(jīng)網(wǎng)絡(luò) 多目標(biāo)識別 動能攔截器

一、引言

在大氣層外攔截中，動能攔截彈從地面發(fā)射以后，經(jīng)過初始制導(dǎo)和中制導(dǎo)過程將其攜帶的動能攔截器（Kinetic Kill Vehicle， KKV）送入預(yù)定攔截區(qū)域，在距離目標(biāo)較近的范圍內(nèi)測量其視線角信息，通過控制軌控發(fā)動機(jī)開關(guān)機(jī)，來調(diào)整KKV的飛行軌跡[1]。整個過程中，彈目視線角及其角速率是設(shè)計(jì)KKV制導(dǎo)導(dǎo)引律的關(guān)鍵參數(shù)。

在現(xiàn)代防御戰(zhàn)爭中，往往存在真假目標(biāo)并存的情況。假目標(biāo)可分為輕型假目標(biāo)、重型假目標(biāo)和集群假目標(biāo)[2]。輕型假目標(biāo)用于大氣層外，在進(jìn)入大氣層后很快被燒毀，如氣球誘餌、金屬平板、角反射器等。重型假目標(biāo)與真目標(biāo)同速伴飛，具有與真目標(biāo)相近的雷達(dá)信號反射特性和紅外輻射特性。集群假目標(biāo)是指在彈頭上有偶極子、角反射體及殼體碎片等組成的假目標(biāo)群，會造成雷達(dá)需同時(shí)處理上百個目標(biāo)，可迷惑雷達(dá)或使其飽和[2]。假目標(biāo)模擬真目標(biāo)的物理特征信號，與真目標(biāo)一起形成多目標(biāo)，會吸引防御方的探測器，為真目標(biāo)襲擊創(chuàng)造有利條件。對于多目標(biāo)來說，攔截器完成真目標(biāo)識別后要重新計(jì)算、預(yù)估遭遇點(diǎn)、瞄準(zhǔn)目標(biāo)機(jī)動飛行等操作，會導(dǎo)致脫靶概率的增加，更嚴(yán)重的情況是丟失目標(biāo)。因此，若能在較短時(shí)間內(nèi)準(zhǔn)備地識別出真目標(biāo)，將會大大提高KKV的目標(biāo)攔截效率。本文利用模糊理論和神經(jīng)網(wǎng)絡(luò)，運(yùn)用模糊神經(jīng)網(wǎng)絡(luò)來識別目標(biāo)，在KKV飛行過程中不斷更新目標(biāo)特征權(quán)值，能較快地完成真目標(biāo)的識別。

二、模糊神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)

模糊神經(jīng)網(wǎng)絡(luò)（Fuzzy Neural Network，F(xiàn)NN）將模糊系統(tǒng)和神經(jīng)網(wǎng)絡(luò)相結(jié)合，能充分發(fā)揮神經(jīng)網(wǎng)絡(luò)的并行處理、自適應(yīng)學(xué)習(xí)和模糊推理對人的知識進(jìn)行決策的功能[3]。FNN是由大量形式相同的模糊神經(jīng)元相互連接起來構(gòu)成的網(wǎng)絡(luò)系統(tǒng)，其本質(zhì)是將常規(guī)的神經(jīng)網(wǎng)絡(luò)輸入模糊信號和模糊權(quán)值。

圖1 模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

一個完整的前向模糊神經(jīng)網(wǎng)絡(luò)通常由輸入層、模糊化層、模糊推理層和去模糊化層構(gòu)成，如圖1所示：第一層為輸入層，r是輸入變量數(shù)；第二層為模糊化層，該層實(shí)現(xiàn)輸入變量的模糊化，計(jì)算出變量相對于每個模糊子空間的隸屬度，隸屬函數(shù)采用高斯函數(shù)；第三層為模糊推理層，是網(wǎng)絡(luò)的核心，它完成模糊合成和模糊蘊(yùn)含運(yùn)算，實(shí)現(xiàn)模糊推理映射；第四層為去模糊化層，對模糊推理層輸出的結(jié)果進(jìn)行去模糊化處理，表征形式為輸入信號的加權(quán)和。

三、KKV攔截目標(biāo)過程

在末制導(dǎo)中，KKV攔截目標(biāo)的全過程可分為以下三步：①目標(biāo)進(jìn)入可識別區(qū)域，開始檢測目標(biāo)特征信息；②模糊神經(jīng)網(wǎng)絡(luò)開始學(xué)習(xí)，不斷更新目標(biāo)權(quán)值；③判斷是否為真目標(biāo)，若是，不再檢測其它目標(biāo)，讀取彈目視線角等參數(shù)，導(dǎo)引律開始起作用，控制KKV實(shí)施攔截；若不能確定是真目標(biāo)，返回①，繼續(xù)檢測和識別。迭代終止條件為識別時(shí)間大于某個閾值。詳細(xì)流程如圖2所示。

圖2 FNN識別目標(biāo)流程圖

四、仿真驗(yàn)證

假設(shè)某空域中出現(xiàn)三個目標(biāo)，其中只有一個為真目標(biāo)，其余為假目標(biāo)。目標(biāo)初始位置為（30，0，0）、（30，30，0）、（0，30，0）（km），初始速度均為300m/s，真目標(biāo)徑向角速率為0.1rad/s，假目標(biāo)無機(jī)動。KKV初始速度為600m/s。FNN有四個輸入節(jié)點(diǎn)，兩個輸出節(jié)點(diǎn)，模糊層和推理層根據(jù)經(jīng)驗(yàn)選取5層，初始權(quán)值ω為0.2，學(xué)習(xí)步長為0.01s，假設(shè)所有初始值均無測量誤差。

圖3 識別出真目標(biāo)前后的KKV加速度曲線

仿真開始，目標(biāo)進(jìn)入可識別區(qū)域，檢測目標(biāo)特征，模糊神經(jīng)網(wǎng)絡(luò)開始學(xué)習(xí)，不斷更新權(quán)值，F(xiàn)NN識別出真目標(biāo)后，如圖3所示，制導(dǎo)位置發(fā)生突變，KKV軌控加速度也相應(yīng)突變，隨之產(chǎn)生機(jī)動飛行，加速度迅速下降，KKV攔截新目標(biāo)，脫靶量為1.1m。

經(jīng)過多次仿真試驗(yàn)，可以得出脫靶量與剩余時(shí)間的關(guān)系：導(dǎo)彈剩余時(shí)間越短，目標(biāo)識別耗時(shí)長，造成KKV機(jī)動時(shí)間越短，脫靶量越大。因此，應(yīng)盡量延長剩余時(shí)間，加快模糊神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)效率，提高KKV的攔截效率。

五、結(jié)論

本文結(jié)合模糊理論與神經(jīng)網(wǎng)絡(luò)知識，采用模糊神經(jīng)網(wǎng)絡(luò)識別多目標(biāo)，可有效提高KKV的攔截效率，減少脫靶概率的產(chǎn)生。但是，若目標(biāo)特征模糊，或假目標(biāo)有極大的迷惑性，造成FNN識別難度增大，識別時(shí)間過長，影響KKV成功攔截。因此，針對多目標(biāo)迷惑性大的情況，需要繼續(xù)研究具有魯棒性的目標(biāo)識別方法。■

參考文獻(xiàn)

[1] 王磊，大氣層外動能多攔截器目標(biāo)攔截策略研究[J]，導(dǎo)彈與航天運(yùn)載技術(shù)，2011（05）