導語：如何才能寫好一篇神經網絡算法的優點，這就需要搜集整理更多的資料和文獻，歡迎閱讀由公務員之家整理的十篇范文，供你借鑒。

篇1

關鍵詞： 模擬電路； 特征選擇； 故障診斷； 神經網絡； 粒子群算法

中圖分類號： TN710.4?34； TP183 文獻標識碼： A 文章編號： 1004?373X（2016）19?0140?04

Abstract： The analog circuit is influenced by its characteristics and external environment， and its fault is non?linear and time?varying. The available fault diagnosis models of analog circuit are difficult to solve the match problem of features and classifier parameters， an analog circuit fault diagnosis model based on particle swarm algorithm optimizing feature and neural network is presented. The current situations of analog circuit fault diagnosis are analyzed， and their shortcomings are pointed out. The features of analog circuit fault diagnosis are extracted. The neural network is used as the classifier of analog circuit fault diagnosis. The analog circuit fault features and neural network parameters are optimized with particle swarm optimization， and simula?ted with Matlab 2012. The results show that the performance of the proposed model is superior to that of other reference models， and has wide application prospects.

Keywords： analog circuit； feature selection； fault diagnosis； neural network； particle swarm optimization

0 引 言

當前電網系統規模不斷增大，各種電路越來越復雜，電路出現故障的概率急劇上升，相對于數字電路，模擬電路工作環境更加復雜，再加上自身特性，模擬電路故障診斷具有更加重要的實際應用價值，一直是電網系統研究中的重點[1]。

國內外學者對模擬電路故障診斷進行了相應的探索和研究，提出了許多有效的模擬電路故障診斷模型[2]。當前模擬電路故障方法主要分為傳統模型和現代模型兩類方法，傳統模型主要有專家系統與灰色理論等[3?4]，屬于線性的模擬電路故障診斷模型，對小規模模擬電路故障診斷效果好，但對于大規模的模擬電路，建模效率低，同時由于模擬電路工作狀態與特征間是一種復雜的非線性關系，傳統模型無法描述其變化特點，故障診斷正確率急劇下降，難以滿足模擬電路故障診斷的實際應用要求[5]。現代模型基于非線性理論進行模擬電路故障診斷建模，主要有神經網絡與支持向量機等[6?7]，現代模型通過自適應學習擬合電路工作狀態與特征間的非線性關系，成為當前模擬電路故障診斷的主要研究方向，其中支持向量機的訓練過程相當耗時，很難滿足模擬電路的故障診斷要求，應用范圍受到一定的限制[8]。神經網絡的學習速度要快于支持向量機，且模擬電路故障診斷結果不錯，尤其是BP神經網絡進行故障診斷時，速度較快，應用最為廣泛[9]。BP神經網絡的模擬電路故障診斷結果與參數相關，如參數選擇不當，則會導致模擬電路故障診斷性能下降[10]。模擬電路的狀態特征同時亦與診斷結果密切相關，然而當前模擬電路故障診斷模型將神經網絡參數與特征選擇問題分開考慮，完全割裂了兩者之間的關系，無法構建高準確率的模擬電路故障診斷模型[11]。

針對當前模擬電路故障診斷中的特征和神經網絡參數不匹配的問題，提出一種粒子群算法選擇特征和神經網絡的模擬電路故障診斷模型（PSO?BPNN）。在Matlab 2012平臺進行了仿真實驗。結果表明，本文提出模型的模擬電路故障診斷性能要遠遠優于其他參比模型。

1 相關理論

1.1 模擬電路工作狀態的特征提取

Step3：更新慣性權重，調整粒子的飛行速度和位置，產生新的粒子群。

Step4：若達到了結束條件，就可以得到模擬電路故障診斷的最優特征子集和最合理的BP神經網絡參數。

Step5：建立模擬電路故障診斷模型，并對待檢測的模擬電路故障進行檢測，根據檢測結果采取相應的措施。

3 結果與分析

為了分析PSO?BPNN的模擬電路故障診斷性能，采用圖2的模擬電路進行仿真實驗，在Matlab 2012平臺下進行編程實現PSO?BPNN，模擬電路故障診斷參比模型為：

（1） 原始模擬電路故障診斷特征，BP神經網絡參數隨機確定的模擬電路故障診斷模型（BPNN1）；

（2） 原始模擬電路故障診斷特征，粒子群算法優化BP神經網絡參數的模擬電路故障診斷模型（BPNN2）；

（3） 粒子群算法選擇模擬電路故障診斷特征，然后隨機確定BP神經網絡參數的模擬電路故障診斷模型（BPNN3）。

共收集100個模擬電路故障診斷的訓練樣本，50個模擬電路故障診斷測試樣本，采用PSO?BPNN對訓練樣本進行學習，所有模型都運行100次，然后統計測試樣本的實驗結果，其平均診斷率和誤診率如圖3，圖4所示，對圖3，圖4的模擬電路故障診斷結果進行對比和分析，可以得到如下結論：

（1） 與BPNN1的實驗結果相比較可以發現，BPNN2獲得了更優的模擬電路故障診斷結果，因為BPNN2采用粒子群算法優化了BP神經網絡參數，使得模擬電路故障診斷率更高，這表明BP神經網絡參數會影響模擬電路故障診斷的結果。

（2） BPNN3的模擬電路故障診斷也要優于BPNN1，這是由于粒子群算法對模擬電路故障特征進行了選擇和優化，得到了對電路故障診斷結果有重要作用的特征子集。

（3） 在所有模擬電路故障診斷模型中，PSO?BPNN的模擬電路故障診斷率最高，誤診率得到了降低，這是由于BPNN2和BPNN3只從一個方面對特征或者BP神經網絡參數進行了優化，沒有同時對它們進行優化，因此不可能建立性能優異的模擬電路故障診斷模型，而PSO?BPNN同時從特征和BP神經網絡參數兩個方面進行優化，因而能夠獲得更加理想的模擬電路故障診斷結果。

4 結 語

傳統模擬電路故障診斷模型僅對特征或者BP神經網絡參數進行優化，易出現特征和分類器參數不匹配的問題，為此提出基于PSO?BPNN的模擬電路故障診斷模型，首先根據Volterra級數提取模擬電路工作狀態的特征，然后采用BP神經網絡作為模擬電路故障分類器，并利用粒子群算法優化特征和BP神經網絡參數，最后進行仿真實驗，仿真結果表明，PSO?BPNN解決了當前模擬電路故障診斷模型存在的局限性，獲得了更高的模擬電路故障診斷率，在模擬電路故障診斷中具有廣泛的應用前景。

參考文獻

[1] 朱大奇.電子設備故障診斷原理與實踐[M].北京：電子工業出版社，2008.

[2] 陳圣儉，洪炳熔，王月芳，等.可診斷容差模擬電路軟故障的新故障字典法[J].電子學報，2006，4（2）：129?136.

[3] 金瑜，陳光福，劉紅.基于小波神經網絡的模擬電路故障診斷[J].儀器儀表學報，2007，28（9）：1600?1604.

[4] 劉本德，胡昌華，蔡艷寧.基于聚類和SVM多分類的容差模擬電路故障診斷[J].系統仿真學報，2009，21（20）：6479?6482.

[5] 黃潔，何怡剛.模擬電路故障診斷的發展現狀與展望[J].微電子學，2004，34（1）：21?25.

[6] 彭敏放，何怡剛，王耀南.模擬電路的融合智能故障診斷[J].中國電機工程學報，2006，26（3）：19?24.

[7] 張超杰，賀國，梁述海.小波變換與主元分析相結合的模擬電路檢測方法[J].哈爾濱工程大學學報，2010，31（5）：570?575.

[8] 劉美容，何怡剛，方葛豐，等.遺傳小波神經網絡在模擬電路故障診斷中的應用[J].湖南大學學報，2009，36（3）：40?44.

[9] 申宇皓，孟晨，張磊，等.基于同步優化的支持向量機模擬電路故障診斷方法研究[J].太原理工大學學報，2010，41（4）：420?424.

[10] 胡清，王榮杰，詹宜巨.基于支持向量機的電力電子電路故障診斷技術[J].中國電機工程學報，2008，28（12）：107?111.

[11] 王承，葉韻，梁海浪，等.基于多頻測試和神經網絡的模擬電路故障診斷[J].計算機工程與應用，2013，49（5）：1?3.

篇2

關鍵詞：矢量量化；自組織特征映射神經網絡；圖像壓縮；主元分析

中圖分類號：TP183文獻標識碼：A文章編號：1009-3044(2008)36-2731-02

The Vector Quantization Based on PCA/SOFM Hybrid Neural Network

HUNG Cui-cui, ZHANG Jian

(Liaoning University of Technology Electronic and Information Engineering College, Jinzhou 121001, China)

Abstract: In order to improve the two main shortcomings of the Kohonen's self-organizing feature map(SOFM) that are high computation complexity and poor codebook quality, the author proposes a vector quantization algorithm based on PCA/SOFM hybrid neural network in this paper. Descend the dimension of imported vectors by using the principal component analysis (PCA) linear neural network. And then, use SOFM neural network to vector quantization. By modifying the learning-rate parameter, topology field weight and initial codebook of the SOFM neural network to optimize network. Simulation results demonstrate that the image compression algorithm can shorten the time and improve the performance of codebook.

Key words: Vector quantization(VQ); Self-organizing feature map neural network (SOFM); image compression; Principle component analysis(PCA)

1 引言

矢量量化[1,2]技術是一種利用圖像數據空間相關性的高效有損壓縮方法，它具有壓縮比大，編碼速度快等優點，目前己廣泛用于信號識別、語音編碼、圖像壓縮等領域中。矢量量化優越性的體現離不開性能良好的碼書，因而，矢量量化的關鍵是如何設計一個最佳碼書，使得用該碼書中的碼字表征輸入矢量空間分布時所引起的量化平均失真最小。近年幾來，許多學者將SOFM神經網絡應用于碼書的設計[3]。但SOFM算法存在收斂速度慢、計算量大等缺點。陸哲明和孫圣和針對SOFM基本算法的計算量大采用了快速搜索算法，為了提高碼書性能對SOFM基本算法的權值調整方法作了一些改進[4]。目前越來越多的研究人員把目光投向將矢量量化與其他的編碼方法相結合[5]。例如，矢量量化與小波變換結合的算法[6]，分形變換與矢量量化相結合的算法[7]。PCA是一種有效的圖像變換編碼算法，它能夠提取圖像數據的主特征分量，因此能夠降低圖像輸入數據維數。SOFM算法用于圖像矢量量化則具有不易受初始碼書的影響，同時能夠保持圖像數據的拓撲結構等優點。為此本文將兩者結合，提出了PCA/SOFM混合神經網絡圖像混合編碼算法。先用PCA對圖像進行降維處理，再用SOFM神經網絡進行碼書設計。本文還對碼書的初始化的選擇問題和神經網絡的學習參數進行研究。實驗表明，該算法不但大大降低了計算量，而且提高了碼書的性能。

2 PCA/SOFM混合神經網絡的算法

盡管SOFM神經網絡比起LBG算法有很大優勢，但SOFM算法仍然存在收斂速度慢。計算量大等缺點。因此本文將PCA與SOFM神經網絡相結合，提出了PCA/SOFM混合神經網絡。PCA/SOFM混合神經網絡結構如圖1所示，先用PCA線性神經網絡對輸入矢量降維處理，從而使得壓縮圖像達到最小失真。然后用SOFM神經網絡進行碼書設計， PCA線性神經網絡采用Sanger提出的廣義Hebb算法[8]。

2.1 基本PCA/SOFM混合神經網絡算法

1) PCA網絡權值Wpi,j和SOFM網絡權值初始化；

2) PCA網絡輸出矢量Yp(t)：

(1)

N為PCA神經網絡輸入矢量Xp的維數。

3) Wpi,j網絡權值調整：

(2)

4) 重復步驟(2)至(3)，直至算法收斂。輸出矢量Ypi(t)，并將此作為SOFM的輸入Xi(t)；

5) 計算矢量Xi(t)與權值矢量Wi,j(t)的距離：

(3)

6) 選擇具有最小距離的輸出節點，j*作為獲勝節點，即：

(4)

7) Wij(t) 網絡權值調整：

(5)

8) 重復步驟(5)至(7)，直至算法收斂。

9) 取輸入訓練矢量集的下一個輸入矢量，回到步驟(2)反復進行，直到足夠的學習次數或滿足規定的終止條件為止。

10) 保存所有權值Wij的值，即設計碼書。

2.2 PCA/SOFM混合神經網絡的初始化和改進

在PCA/SOFM混合神經網絡算法中網絡的初始化、鄰域函數和學習率函數非常重要，它直接影響到網絡的收斂速度和碼書的性能。本文要對這幾個參數進行優化以提高壓縮速度和壓縮性能。本文采用一種改進的隨機選取法，使空間分配均勻，不會出現碼字空間分的過細或過粗的現象。首先，按k維矢量所有元素中最重要的單個元素(即k維歐氏空間中最敏感的方向)大小排序；然后按順序每隔n個矢量取一個矢量作為初始碼書的一個碼字，完成碼書的初始化（n=訓練序列中矢量的總數/碼書的大小）。

由SOFM基本算法可知，權矢量Wi(t+1)的更新實質上是權矢量Wit和訓練矢量Xi(t)的加權和。其中學習率因子和鄰域函數非常重要，它們決定算法的收斂速度。下面推導最優的學習率因子α(t)。由式（5）得：

(6)

可以總結得：

(7)

令多項式的各項相等可得到最優學習率因子：

(8)

其鄰域函數取為：

(9)

式中，hcc典型地取為0.8。T為最大迭代次數，初始值σ0和最終值σT典型地取為0.8和0.1。

3 實驗結果

為了驗證算法的有效性，本文把基本SOFM編碼算法、基本PCA/SOFM混合神經網絡編碼算法和改進PCA/SOFM算法分別用于圖像的壓縮編碼。本文采用的是512×512像素，256級灰度的Lena圖像用于訓練圖像進行碼書設計。首先將圖像分為4×4子塊，然后將每一小塊的16個像素灰度值作一個訓練矢量，送入PCA線性神經網絡。PCA線性神經網絡輸出節點為8維PCA變換系數矢量，同時將它作為SOFM神經網絡的輸入矢量，用于進行碼本設計。進過多次實驗，取其平均值作為實驗結果，圖3給出了各種算法在相同壓縮比的情況下恢復圖像的對比。表1給出了各算法編碼后的尖峰信噪比PSNR和碼書設計時間的比較。

從測試的結果可以看出改進PCA/SOFM算法優于基本SOFM算法和基本PCA/SOFM算法，該算法縮短了碼書設計的時間，圖像的恢復質量有所提高，取得了令人滿意的結果。從而證明本文提出的算法是一種行之有效的方法。

4 結束語

篇3

只有清楚地了解電梯控制系統的運行原理才能夠及時準確的診斷出電梯故障原因，因此清楚的了解電梯運行原理,每一個電梯維修人員必須要做到。電梯運行過程總體上可分為以下幾個階段：第一、登記層外召喚信號和登記內選指令階段；第二、電梯門關閉或者電梯按照系統指令停運階段；第三、啟動階段；第四、在到達信號記錄的樓層前進行減速制動；第五、平層開門階段。在整個過程中電梯需要從外界接收信號并處理，然后完成相應的指令或者輸出信號，由此可以將電梯看作是一個完整的獨立的系統，只需要外界給予相應的信號就可以自動的做出動作。電梯系統內部復雜的構件緊密的結合在一起，正是如此才使得電梯系統故障具有了復雜性、層次性、相關性以及不確定性的特點。

二、神經網絡技術基本原理

生物學上的神經是由一個個簡單的神經元相互連接進而形成了復雜的龐大的神經系統，同理，神經網絡就是由大量簡單的處理單元相互連接形成的復雜的智能系統。單獨的處理單元類似于一個神經元，是一個可以接受不同信息但是只輸出一種信息的結構單位。神經網絡系統與生物學神經系統相似的是具有自我修改能力，它可以同時接收大量的數據并進行統一的分析處理，進而輸出相應的處理結果。這就使得神經網絡系統具有了高度容錯性、高度并行性、自我修改性、學習性以及高度復雜性，也正是由于這些特性才使的利用神經網絡技術能夠及時準確的查明電梯故障原因并得出故障解決方案。電梯故障診斷中應用的神經網絡模型分為三個層次：輸入層、接收外部信號或者是電梯自我檢測信息（如載重信息）；隱含層、對接收到了大量數據進行相應的分析處理；輸出層、將記錄著動作命令的數據傳送出來。在電梯出現故障時，首先可以通過神經網絡模型快速確定故障發生在哪一層達到節約時間的目的。但是神經網絡也會因為收斂速度過于慢、訓練強度太大或者是選擇的網絡模型不好等問題導致診斷結果受到影響。

三、神經網絡模型在電梯故障診斷中的應用分類

神經網絡模型已經成為了如今電梯故障診斷中應用最廣泛的技術模型，相比于傳統方式它具有診斷速度快、故障原因命中率高的優點，因此引起了各方面專業人士的強烈關注，并在他們的不懈努力下得到了發展與創新。它跨越多個專業領域、通過對各種復雜的高難度工作的不斷的發展與改進出現了越來越多的應用模型，下面主要介紹了當前應用最普遍的BP網絡模型，并且簡單的引入并介紹了近年來新興的模糊神經網絡模型和遺傳小波神經網絡模型。

（一）BP網絡模型

BP神經網絡作為神經網絡應用最廣泛的一種，它多應用的誤差反向傳播算法使其在模式識別、診斷故障、圖像識別以及管理系統方面具有相對先進性。基于BP網絡的電梯故障診斷技術就是通過學習故障信息、診斷經驗并不斷訓練，并將所學到的知識利用各層次之間節點上的權值從而表達出來。BP網絡系統的主要診斷步驟主要可以分為三步。第一步：對輸入輸出的數據進行歸一化處理，將數據映射到特定的區間。第二步：建立BP網絡模型，訓練BP網絡模型。第三：通過已經訓練好的網絡模型對原來的樣本進行全面的檢測。算法步驟：a、在一定的取值范圍內對數據進行初始化；b、確定輸入值數值大小，計算出預期輸出量；c、用實際輸出的值減去上一步得到的數值；d、將上一步得到的誤差分配到隱含層，從而計算出隱含層的誤差；e、修正輸出層的權值和閾值，修正隱含層的權值；f、修正隱含層的閾值，修正隱含層和輸入層的權值。

（二）遺傳小波神經網絡模型

遺傳算法運用了生物界的優勝劣汰、適者生存的思想對復雜問題進行優化，適用于復雜的故障，起到了優化簡化問題的作用。對局部數據進行詳細的分析是小波法最大的特點，所以它被譽為“數字顯微鏡”。遺傳算法小波神經網絡就是運用小波進行分解的方法分解模擬故障信號，將得到的數據進行歸一化，將歸一化后的數值輸入到神經網絡模型中。它融合了神經網絡、小波分析和遺傳算法三者所有的優點。基于遺傳小波神經網絡的電梯故障診斷的一般步驟為：測試節點信號采樣、小波分解、故障特征量提取、歸一化得到訓練樣本集、遺傳算法優化、得到故障類型。遺傳小波神經網絡模型在故障原因復雜、數據信息量巨大的電梯系統的應用中能夠發揮更大的作用。

（三）模糊神經網絡模型

模糊神經網絡模型就是創新性的將神經網絡與模糊理論結合到一起。它采用了廣義的方向推理和廣義的前向推理兩種推理方式。與其它兩種模型不同的是，它的語言邏輯、判斷依據和結論都是模糊的。但是它的數據處理能力還有自我學習能力并沒有因此而變差，反而更加豐富了它的定性知識的內容。在處理實際問題的過程中，首先要建立所有可能發生的故障的完整集合，其次將所有的故障發生原因歸入到同一個集合中去，最后就是建立故障和原因的關系矩陣。分別叫做模糊故障集、模糊原因集、模糊關系矩陣。相較于BP網絡模型，這種模型更加的簡單易行，充分發揮了神經網絡和模糊邏輯的優點，不會因為故障原因過于復雜而失去診斷的準確性，在原本豐富定性知識和強大數據處理能力的基礎上具有了很大的自我訓練能力。

四、結語

篇4

[關鍵詞] BP神經網絡 圖像分類 Matlab 自適應特征因子 收斂速度 精度

中圖分類號：P23 文獻標識碼：A 文章編號：1009-914X（2014）07-0321-03

1.引言

衛星遙感對地觀測技術是人類獲取資源環境動態信息的重要手段，無論是專業信息提取、動態變化預測、還是專題地圖制作和遙感數據庫的建立等都離不開分類。在數學方法的引入和模型研究的進展為影像的分類注入了新的活力，不同的數學方法和參數特征因子被引用到模型的研究上來，為模型研究的發展提供了廣闊的天地。而基于改進的BP神經網絡，更是融合了自適應特征因子和非線性函數逼近的網絡模型，不僅學習速度快，而且有高度復雜的映射能力。

2.人工神經網絡的分類方法

人工神經網絡（Artificial Neural Network， ANN ）是基于生物神經系統的分布存儲、并行處理及自適應學習這些現象構造出具有一些低級智慧的人工神經系統【1】。其概念是在20世紀40年代中期由McCulloch和Pitts提出的，70年代得到應用，80年代以來，隨著計算機技術的發展而得到了快速的發展，屬于非線性學科，具有強抗干擾性、高容錯性、并行分布式處理、自組織學習和分類精度高等特點。

近年來，神經網絡被廣泛應用于遙感圖像分類中，不同學者分別提出或應用了Hopfield神經網絡、BP網絡、自組織映射網絡、小波神經網絡、細胞神經網絡、模糊神經網絡等對遙感圖像進行分類【2】。這些神經神經網絡在遙感圖像自動分類上都有一定的應用，并取得較好的效果。本文基于此，對傳統的BP算法進行了改進，提出了在Matlab軟件提供的神經網絡工具箱中，對BP神經網絡的權值，學習率進行分析。重點是運用數學中自適應特征因子，加快了迭代過程中的收斂速度，而且使精度更高。

3.BP神經網絡

BP神經網絡是一種通用性較強的前饋網絡，它主要采用模式正向傳遞、誤差信號反向傳播的BP算法，實現輸入到輸出的映射，并且是非線性的，具有結構簡單、可操作性強等優點，目前已被廣泛應用【3】。

3.1 BP算法原理

學習過程由信號的正向傳播與反向傳播兩個過程組成。正向傳播時，輸入樣本從輸入層傳入，經各隱層逐層處理后，傳向輸出層。若輸出層的實際輸出與期望輸出不符合時，則轉入誤差的反向傳播階段。誤差反傳是將輸出誤差以某種形式通過隱層向輸入層逐層反傳，并將誤差分攤給各層的所有單元，從而獲得各層單元的誤差信號，此信號作為修正各單元權值的依據。

3.2 BP學習率的優化算法分析

為了加快神經網絡的學習速度，對學習率的改進是BP算法優化的重要部分。因為BP算法是不斷通過調整網絡權值進行訓練學習的，修正的大小受到學習率的控制，因此學習率的改進對整個網絡的優化是很重要的。為了加快學習速度，研究者提出了很多的優化學習率算法，劉幺和等提出的具體優化公式為[4]： η=Ae-λn. （1）

此算法優于學習率固定的傳統BP算法，減少了網絡學習過程中的學習次數，但同樣存在著其它問題，首先，模型中A的取值范圍并不適用于所有神經網絡，由于它的取值決定了網絡學習率的初始值，通過A確定的網絡初始學習率可能使網絡不收斂。其次，當網絡誤差下降速度快時，該算法反倒使網絡收斂速度比較慢，這說明此時網絡不適應這種情況。

在上述模型中，陳思依據可變學習率的變化，提出了另一改進模型，此方法的思想是，如果網絡權值在實際情況中更新之后使誤差值減小，此時就沒有必要再減少學習率，如果保持原學習率不變，不僅增加了訓練速度，而且修改權值的幅度會大些，訓練效果會更好一些。改進后的模型為[5]：

此算法優點是如果誤差下降速度明顯增快，則說明此時的學習率比較合適訓練，不需調整。

面對現代科技的飛速發展，國內外競相發展以高空間、高光譜和高動態為標志的新型衛星遙感對地觀測技術，提供了海量的信息源，加大了人們對空間的認知，對信息世界的分類利用，但是人們的優化算法遠遠跟不上豐富的信息源。對此，針對上面學習率算法，雖然有很大的改進，但處理速度還遠遠不夠，還需要優化。

3.3 網絡隱層的節點數確定

BP人工神經網絡拓撲結構中，輸入節點與輸出節點是由問題的本身決定的，關鍵在于隱層的層數與隱節點的數目，在Robert Hecht Nielson等人研究指出，只有一個隱層的神經網絡，只要隱節點足夠多，就可以以任意精度逼近一個非線性函數【6】。

因此隱節點的確定關系到整個網絡的處理，下面是關于隱節點數確定的的方法：

其中Hpi隱節點i在學習第p個樣本時輸出，Hpj是隱節點j在學習第p個樣本時的輸出，N為學習樣本總數，而Hpi與Hpj的線性相關程度愈大，互相回歸的離散度越小，反之，則相反。

當同層隱節點i和j的相關程度大，說明節點i和j功能重復，需要合并；當樣本散發度Si過小，說明隱節點i的輸出值變化很少，對網絡的訓練沒起到什么作用，可以刪除。因此根據這樣規則可以進行節點動態的合并與刪除。

4.特征因子算法加入

神經網絡在遙感圖像分類中的優勢越來越明顯，很多人對其進行了研究與應用。對此，本文對前人的算法進行了優化，主要是進行網絡權值修正速度的加速，在算法優化中，引入了數學中的特征因子加速收斂方法，其保證精度下，使網絡的迭代收斂速度大大加快。

具體算法思想過程如下：在BP神經網絡學習階段，當遙感圖像的特征樣本數據由輸入層到隱含層，然后再傳輸到輸出層，最后得到的輸出數據與目標數據會產生誤差，然后在返回到隱含層來調整網絡權值，直至誤差達到所要求的精度范圍為止。在迭代過程中，為了使誤差迅速減小到精度范圍內，特征因子算法被引入到網絡權值調整上：

在第一次迭代 ：

其中x0為輸入向量，y1為第一次輸出向量，T為目標向量，第一次迭代生成的T1為目標向量T的近似值，Tk+1為迭代N次（1，2，3，…）目標向量T的近似值。在運用特征因子迭代收斂加速方法中，比以往的算法得到優化，加速了網絡權值調整的收斂速度，且使結果的精度得到保證。

5.實驗過程與精度評定

本次實驗是在Matlab環境下開發的神經網絡工具箱中來進行展開的，神經網絡工具箱是MATLAB環境下開發出來的許多工具箱之一。它以人工神經網絡理論為基礎，利用MATLAB編程語言構造出許多典型神經網絡的框架和相關的函數【7】。此工具箱可以用來對BP神經網絡訓練函數的創建，下面是具體的實驗過程：

（1）選取QuickBird衛星影像，在影像上選取各類別的特征樣本，要求樣本數量得足夠多。然后進行特征選取，一般是選取象元的多光譜特征的特征向量，以此確定特征矩陣p。為了方便在訓練階段的學習，需把向量值歸一化，在根據特征向量，確定輸入層節點數為5。

（2）進行BP神經網絡的構建，其中隱層網的節點數是根據前面提到的方法，節點數經過合并與刪除之后最終確定為25；根據待分類影像的類別分別是公路用地、內陸灘涂、旱地、水工建筑用地、裸地、坑塘水面、林地、水庫水面、采礦用地、城市、村莊、水澆地、設施農用地、建制鎮、果園、灌木林地、風景名勝及特殊用地、其他林地、其他草地，輸出層節點數確定19；目標向量可用以下形式表示：

（1，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0） 表示公路用地

（0，1，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0） 表示內陸灘涂

（0，0，1，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0） 表示旱地

（0，0，0，1，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0） 表示水工建筑用地

（0，0，0，0，1，0，0，0，0，0，0，0，0，0，0，0，0，0，0） 表示裸地

（0，0，0，0，0，1，0，0，0，0，0，0，0，0，0，0，0，0，0） 表示坑塘水面

（0，0，0，0，0，0，1，0，0，0，0，0，0，0，0，0，0，0，0） 表示林地

（0，0，0，0，0，0，0，1，0，0，0，0，0，0，0，0，0，0，0） 表示水庫水面

以此類推直到最后類別的表示……

（0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，1） 表示其他草地

調用Matlab神經網絡工具箱中的函數，另外為了加入特征因子算法，需要創建網絡的權值學習函數learnc，p1是輸入訓練樣本，p2是輸入未知樣本向量。部分代碼如下：

net=newff（minmax（p），[25，19]，{‘tansig’，‘logsig’}，‘traingdx’，‘learnc’）；

net.trainParam.show=300；

net.traimParam.epochs=1600；

net.train.goal=0.01；

net=init（net）；

net=train（net，p1，T）；

Ye=sim（net，p2）；

（3）在步奏（2）的基礎上，進行訓練學習。創建的網絡權值函數加入特征因子后，在學習階段收斂速度明顯增快 。使調整后的網絡權值盡快達到了用戶設定精度范圍。

（4）學習階段完成后，開始進行分類階段。把未分類的QuickBird衛星影像的特征向量值輸入到神經網絡中，進行分類，根據輸出向量y與目標向量T進行對比，然后把象元分類到自己所屬的類別區。直到影像被分類完為止。

（5）分類結果圖如下：

（6） 下面是對分類結果進行精度評定，采用誤差矩陣法來評定精度。總體精度可達到93.89%，其他各個類別的用戶精度和生產者精度都很高，最低的不低于82.43%，滿足用戶的需求，達到使用的目的。

6.結束語

BP神經網絡的非線性映射，自適應功能等優勢已在遙感圖像分類中得到廣泛的應用，本文基于前人的優化算法，提出了在網絡權值調整過程中的特征因子迭代加速算法，使學習階段的權值調整速度明顯加快。但在分類精度上改變較小，在提高精度上，是以后繼續研究改進的方向。

參考文獻

[1] 葉世偉 史忠植（譯） 神經網絡原理 北京：機械工業出版社，2004

[2] Dony R D，et al. Neural network approaches to image compression[J].Proc IEEE，1995，83：288-303.

[3] 史忠植.智能科學[M].北京：清華大學出版社，2006.

[4] 劉幺和，陳睿，彭偉，等.一種BP神經網絡學習率的優化設計[J].湖北工業大學學報，2007，22（3）：1-3.

[5] 陳思 一種BP神經網絡學習率的改進方法[J].長春師范學院學報（自然科學版），2010.8.25-27

[6] 李曉峰，徐玖平，王蔭清等。BP人工神經網絡自適應學習算法的建立及其應用[J].系統工程理論與實踐，2004.5 . 3-4

[7] 樓順天，等.《基于Matlab的系統分析與設計---神經網絡》. 西安：西安電子科技大學出版社，2000.8.23-40

篇5

摘要：固體氧化物燃料電池（SOFC）作為一種新的能源形式，日益受到重視.針對SOFC 系統過于復雜，現有的理論電壓模型存在明顯不足的特點，繞開了SOFC 的內部復雜性，利用經過粒子群算法（PSO）優化的廣義回歸神經網絡（ GRNN ） 對SOFC 系統進行辨識建模.以氫氣流速為神經網絡辨識模型的輸入量，電流/電壓為輸出量，建立SOFC 在不同氫氣流速下的電池電流/電壓動態響應模型.仿真結果表明所建模型能基本表示出SOFC系統的電流/電壓的動態響應，說明利用GRNN建模的有效性，所建模型精度也較高.

關鍵詞：

固體氧化物燃料電池； 廣義回歸神經網絡； 粒子群算法； 辨識建模

中圖分類號： TM 911文獻標志碼： A

固體氧化物燃料電池（SOFC）作為第三代燃料電池，是目前國際上正在積極研發的新型發電技術之一.它是一種將氣體或者氣化燃料的化學能直接轉化成電能和熱能的能量轉換裝置[1].SOFC除了具有一般燃料電池高效率、低污染的優點外，還具有噪音小、無泄漏、無電解質腐蝕、壽命長等優點.SOFC處于高溫密閉的環境，不易測量內部狀態，試驗分析代價很高，而數值模擬和仿真則比較容易實現，因此，數學建模是燃料電池開發的一個重要工具.世界各國研究人員采用電化學、材料學、熱力學、流體動力學等相關理論建立了SOFC一些比較完善的數學模型[2-5].但是，這些模型表達式過于復雜，很難用于控制系統的設計，特別是在線控制[6].本文試圖繞開SOFC系統的內部復雜性，利用神經網絡對SOFC這個非線性系統建模.神經網絡建模具有傳統方法不具備的很多優點，只要通過過去的經驗對歷史數據進行訓練和學習，網絡就能“模擬”并“記憶”輸入變量和輸出變量之間的關系，處理各種數據，通過“聯想”實現預報.廣義回歸神經網絡（GRNN）設計簡單、收斂快，結果穩定，并利用粒子群算法（PSO）對其光滑因子進行優化，采用優化后的神經網絡對SOFC進行辨識建模.本文仿真得到不同氫氣流速下的電流/電壓特性，說明所建模型的有效性，為SOFC系統的在線控制研究奠定了一定的基礎.

4結論

根據電化學、材料學等建立的SOFC理論模型都比較復雜，很難用于SOFC控制系統的控制設計.所以，本文采用GRNN神經網絡，并利用粒子群算法進行優化，建立SOFC系統在三種氫氣流速下的電壓辨識模型.仿真結果表明，利用GRNN對SOFC建模是可行的，且精度也很高，對SOFC電壓特性模型有很好的辨識作用.同時，這種建模思路是易操作的，需要調整的參數少，能很快計算出結果，可推進SOFC的在線控制研究.

參考文獻：

[1]AGUIAR P，ADJIMAN C S，BRANDON N P.Anodesupported intermediate temperature direct internal reforming solid oxide fuel cell.I：modelbased steady state performance [J].Journal of Power Sources，2004，138（1/2）：120-136.

[2]ACHENBACH E.Threedimensional and timedependent simulation of a planar SOFC stack [J].Journal of Power Sources，1994，49（1-3）：333-348.

[3]COSTAMAGNA P，SELIMOVIC A，DEL BORGHI M，et al.Electrochemical model of the integrated planar solid oxide fuel cell （IPSOFC） [J].Chemical Engineering Journal，2004，102（1）：61-69.

[4]SUDAPRASERT K，TRAVIS R P，MARTINEZBOTAS R F.A computational fluid dynamics model of a solid oxide fuel cell [J].Proceedings of the Institution of Mechanical Engineers，Part A：Journal of Power and Energy，2005，219（A3）：159-167.

[5]PADULLES J，AULT G W，MCDONALD J R.An integrated SOFC plant dynamic model for power systems simulation [J].Journal of Power Sources，2000，86（1/2）：495-500.

[6]吳小娟，朱新堅，曹廣益，等.基于神經網絡的固體氧化物燃料電池電堆建模[J].系統仿真學報，2008，20（4）：1068-1071.

[7]史峰，王小川.MATLAB神經網絡30個案例分析[M].北京：北京航空航天大學出版社，2010.

[8]黃金杰，夏靜，滿春濤，等.一種參數優化旋轉廣義回歸神經網絡模型[J].電機與控制學報，2009，13（3）：442-447.

篇6

[關鍵詞] 小生境遺傳算法 神經網絡 股票 預測

一、引言

股票和股票市場對國家企業的經濟發展起到了積極的作用，如可以為投資者開拓投資渠道，增強投資的流動性和靈活性等。但股票價格的形成機制是頗為復雜的，股票價格既受到多種因素，諸如:政治，經濟，市場因素的影響，亦受技術和投資者行為因素的影響，個別因素的波動作用都可能會影響到股票價格的劇烈波動。因此，股票價格和各影響因素之間很難直接建立明確的函數關系表達式。針對這一情況，將可有效處理非線性問題的神經網絡引入到股票價格的預測中來，但神經網絡收斂慢,易陷入局部極小點，出現振蕩，魯棒性差。所以有的學者用遺傳算法(ga)來優化神經網絡，這種神經網絡可能獲得個別的甚至局部的最優解,即ga早熟現象。本文引進能較有效地保持種群多樣性的小生境遺傳算法(nga),采用nga優化與用ga優化的bp網絡權值進行對比,證實了nga的判別準確性和尋優能力。

二、小生境遺傳算法優化的神經網絡

1.bp神經網絡

反向傳播(bp)算法又稱為誤差逆傳播校正方法，它是1974年p.werbos(哈佛大學)提出的。133229.CoMbp算法用來訓練多層前饋神經網絡,屬于監督學習算法。bp網絡具有結構清晰，易實現，計算功能強大等特點。因而是目前最常見，使用最廣泛的一種神經網絡。但是在實際應用中，傳統的bp算法存在以下問題:收斂速度慢;若加快收斂速度易產生振蕩；存在局部極小和平臺問題;泛化能力差;隱節點數和初始值的選取缺乏理論指導;未考慮樣本選擇對系統學習的影響等。所以很多學者提出許多改進的方法，用小生境遺傳算法優化神經網絡權值的神經網絡來預測股票價格。

2.小生境遺傳算法

小生境遺傳算法(iche genetical gorihm)的基本思想是:首先比較任意兩個個體間的距離與給定值的大小，若該距離小于給定值，則比較其適應值大小。對適應值較小的個體施加一個較強的懲罰，極大地降低其適應值。也就是說，在距離l內將只有一個優良個體，從而既維護了群體的多樣性，又使得各個體之間保持一定的距離，并使得個體能夠在整個約束空間中分散開來。

3.神經網絡連接權的優化

用小生境遺傳算法可以優化神經網絡連接權，神經網絡結構，學習規則等，這里我們對神經網絡的連接權進行優化，具體步驟如下：

（1）隨機產生一組權值分布，采用某種編碼方案對該組中的每個權值(或閾值)進行編碼，進而構造出一個碼串(每個碼串代表網絡的一種權值分布)，在網絡結構和學習規則已確定的前提下,該碼串就對應一個權值和閾值取特定值的一個神經網絡。

（2)對所產生的神經網絡計算它的誤差函數，從而確定其適應度函數值，誤差越大,則適應度越小。

（3)選擇若干適應度函數值最大的個體,直接遺傳給下一代。

（4)利用交叉和變異等遺傳操作算子對當前一代群體進行處理，產生下一代群體。

（5)重復（2）（3）（4），使初始確定的一組權值分布得到不斷地進化,直到訓練目標得到滿足為止。

這種由小生境遺傳算法訓練神經網絡的方法也可以稱做混和訓練法。將基于小生境遺傳算法的遺傳進化方法和基于梯度下降的反傳訓練相結合,這種訓練方法吸取兩種方法的各自特點，所以收斂速度快。

三、股票價格預測仿真

根據經驗選取輸入預測日前四天開盤價、收盤價歸一化后做為作為輸入量，輸出為第五天收盤價歸一化數值。所以，本文采用神經網絡結構為(8,5,1),即網絡的輸入層6個節點,隱含層9個節點,輸出層1個節點。本文選擇了“xdg 新梅（600732）”從2006年3月14日到2006年7月1日數據進行了仿真。利用matlab6.5編程，取70組訓練樣本和30組測試樣本。如圖（1）表示用遺傳算法和小生境遺傳算法對神經網絡的權值進行優化時，誤差曲線變化;從圖中可以看出，小生境遺傳算法收斂速度要快;圖（2）表示股票預測值和實際值比較，從圖中可以看出，遺傳算法和小生境遺傳算法對神經網絡的權值的模型進行股票價格的預測，都能預測出股票走向趨勢，但是，后者的預測精度顯然要比前者高。

四、結束語

股票市場的不確定因素太多，股票的價格更是多種因素影響的集合體，是典型的非線性動力學問題。股票價格的中長期準確預測很難。本文建立了用小生境遺傳算來優化神經網絡模型來預測股票價格，結果表明，這種方法比單用遺傳算法優化的神經網絡收斂速度快，預測精度高。對于股票價格預測具有較好的應用價值。

參考文獻:

[1]龍建成李小平:基于神經網絡的股票市場趨勢預測[j].西安電子科技大學學報(自然科學版.2005.3（32）:460-463

[2]王波張鳳玲:神經網絡與時間序列模型在股票預測中的比較[j].第27卷第6期武漢理工大學學報·信息與管理工程版.2005.9（27）:69-72

篇7

【關鍵詞】BP神經網絡；PID控制；直流電機調速系統

1.引言

PID控制以其算法簡單，魯棒性好和可靠性高等優點，廣泛地應用于工業生產當中，成為衡量各行各業現代化水平的一個重要標志。隨著科學技術的發展，生產工藝的日益復雜化，生產系統具有非線性，時變不確定性，在實際生產中，常規PID控制器參數往往整定不良、性能欠佳，對運行工況的適應性很差[1]。

BP神經網絡具有良好的自學習、自適應能力和魯棒性，可以用來處理高維、非線性、強耦合和不確定性的復雜控制系統。本文結合BP神經網絡的優點和傳統PID控制的優勢，對PID控制器進行優化，使其具有很強的自適應性和魯棒性。通過對直流電機調速系統仿真，結果表明，這種方法是有效的。

2.PID控制原理

PID是工業生產中最常用的一種控制方式，PID調節器是一種線性調節器，它將給定值r（t）與實際輸出值c（t）的偏差的比例（P）、積分（I）、微（D）通過線性組合構成控制量，對控制對象進行控制。傳統的PID控制系統原理框圖如圖2.1所示，系統主要由PID控制器和被控對象組成。它根據給定值rin（t）與實際輸出值yout（t）構成控制偏差額e（t）：

圖2.1為PID控制系統原理框圖。

3.基于BP神經網絡的PID整定原理

PID控制要取得好的控制效果，就必須通過調整好比例、積分和微分三種控制作用在形成控制量中相互配合又相互制約的關系，這種關系不一定是簡單的“線性組合”，而是從變化無窮的非線性組合中找出最佳的關系[2]。BP神經網絡具有良好的自學習、自適應能力和魯棒性，將PID和BP神經網絡結合起來，建立參數自學習的PID控制器。其結構如圖3.1所示。

經典增量式數字PID的控制算式為：

式中，是與、、、u（k-1）、y（k）等有關的非線性函數，可以用BP神經網絡通過訓練和學習找到這樣一個最佳控制規律。

假設BP神經網絡NN是一個三層BP網絡，其結構如圖3.4所示，有M個輸入節點、Q個隱層節點、三個輸出節點。輸出節點分別對應控制器的三個可調參數，，。其激發函數為非負的Sigmoid函數。而隱含層的激發函數可取正負對稱的Sigmoid函數。

神經網絡的前向算法如下：設PID神經網絡有M個輸入，3個輸出（，，），上標（1）（2）（3）分別代表輸入層、隱含層和輸出層，該PID神經網絡在任意采樣時刻k的前向計算公式（3-3）如下所述：

基于BP神經網絡PID控制算法可以歸納為：①選定BPNN的結構，即選定輸入層節點數M和隱含層節點數Q，并給出各層加權系數的初值，選定學習速率和慣性系數；②采樣得到和，計算；③對進行歸一化處理，作為BPNN的輸入；④計算BPNN的各層神經元的輸入和輸出，輸出層的輸出即為PID控制器的3個參數，，；⑤計算PID控制器的輸出，參與控制和計算；⑥計算修正輸出層的加權系數；⑦計算修正隱含層的加權系數：⑧置，返回②[3]。

4.仿真實例

仿真試驗中所用的直流電機參數Pnom =10kw，nom=1000r/min，Unom=220V，I=55A，電樞電阻Ra=0.5Ω，V-M系統主電路總電阻R=1Ω，額定磁通下的電機電動勢轉速比=0.1925V.min/r，電樞回路電磁時間常數Ta=0.017s，系統運動部分飛輪距相應的機電時間常數Tm=0.075，整流觸發裝置的放大系數=44，三相橋平均失控時間Ts=0.00167s，拖動系統測速反饋系數=0.001178V.min/r，比例積分調節器的兩個系數T1=0.049s，T2=0.088s。BP神經網絡的結構采用4-5-3，學習速率和慣性系數，加權系數初始值取區間[-0.5，0.5]上的隨機數。利用simulink模塊建立模型如圖4.1所示。

從上面的仿真結果中，進行比較分析后，可以得出常規PID控制系統BP神經網絡PID控制系統兩者對于在零時刻加幅度為1的階躍信號，它們有著不同響應曲線。為了便于比較，可以將兩者的響應結果列表，見表4.1。

5.結論

由仿真結果可知，BP神經網絡控制系統的最大超調量和調整時間均比常規PID控制系統的最大超調量要小。這說明利用BP神經網絡對PID控制器進行優化具有有良好的自學習、自適應能力和魯棒性，在工業生產中，具有更高的價值。

參考文獻

[1]王敬志，任開春，胡斌.基于BP神經網絡整定的PID控制[J].工業控制計算機，2011（3）：72-75.

篇8

關鍵詞：BP神經網絡；時間序列；豬肉價格預測

1 概述

BP算法是很成熟的多層前饋網絡訓練算法，BP算法自身有收斂速度慢，容易產生局部極小值和弱推廣能力等問題[1]。但由于BP算法方便簡單，運算速度快，并行性強很多優點，可以用來預測豬肉價格。BP神經網絡分為信息的正向傳播與誤差的逆向傳播兩個部分[2]。在正向傳播過程中，正向傳播包括輸入層、隱含層和輸出層三層，通過這三層的信息處理并輸出，得出預測結果。若實際輸出與期望輸出不符，則進入誤差的逆向傳播階段，按誤差梯度下降的方式修改各層權值，依次逆傳。不斷學習訓練，直到網絡輸出誤差達到可接受范圍[3]。

2 BP神經網絡設計

進行BP網絡設計時，考慮以下幾個方面：

2.1 網絡層數的選定

關于BP神經網絡算法，只關注單因素預測模型，即豬肉價格自身的數據預測。由于查找歷史數據有限，不需選擇增加網絡層數的辦法而是選擇增加隱含層神經元節點的數目來提高輸出結果的精度[4]。所以，選用單一隱層的BP神經網絡模型。

2.2 輸入輸出層神經節點

對于輸出層，有

可以看出，2015年7月份到12月份的豬肉價格預測結果與實際值最大誤差僅為0.01，說明所建模型科學合理，可以用來預測豬肉價格。

3.3 價格預測

運用2014年7月到2016年3月間呂梁某城區每月的豬肉平均價格數據來進行預測。將數據歸一，構建BP神經網絡模型。經過多次實驗得出隱含層節點數為8時，預測誤差最小，擬合度最高。循環次數為5000次，優化目標為0.01，訓練模擬數據后，預測出2016年4月到9月的豬肉價格走勢。

4 結論與分析

通過對豬肉價格本身變化趨勢進行研究，建立了基于時間序列的神經網絡模型。結果對檢測樣本誤差檢測，得出均方誤差較小，表明預測效果良好，說明所建模型較為科學合理。

參考文獻

[1]吳凌云.BP神經網絡學習算法的改進及其應用[J].信息技術，2003：

75-90.

[2]翟旭瑞，呂振中.基于BP神經網絡的大壩安全監測系統評價研究[J].水資源與水工程學報，2007.

[3]平平，方芳，田野.組合預測模型在豬肉價格預測中的應用研究[J].計算機工程與科學，2010（32、5）：109-112.

[4]孫海濤，楊德平，李聰.基于BP神經網絡的我國股指期貨價格預測[J].青島大學學報，2012.

篇9

關鍵詞： 閉環液壓控制系統；自組織雙模糊神經網絡；執行機構

中圖分類號：TU984 文獻標識碼：A 文章編號：1671－7597（2012）0720088－02

0 引言

液壓控制在工業系統中的地位不言而喻，提高系統精度和響應速度是液壓控制領域有待持續性研究的課題。針對按照預設流量和壓力進行精確控制的液壓系統，本文提出一種基于Mamdani型模糊神經網絡和多線程思想的閉環自組織雙模糊神經網絡液壓系統模型，其關鍵點是模糊神經網絡控制模型和執行機構。

1 液壓系統模型

液壓系統采用擠壓式液體供給方式，由工控機、增壓氣體貯箱、液體貯箱、流量控制閥、流量和壓力檢測裝置和氣體傳送管道組成閉環系統，如圖1所示。

該液壓系統模型工作原理是：將增壓惰性氣體壓入液體貯箱，其進入液體貯箱時的流量和壓力由閥門控制，惰性氣體推動液體貯箱中的隔板，迫使隔板另一側的液體進入傳送管道，并順管道進入液體使用對象。假設液體貯箱中是理想流體，根據理想流體伯努利方程，可知，通過調節液體貯箱壓力，能夠改變液體使用對象入口處液體壓力，因此，通過調節增壓氣體流量可達到調節液體進入液體使用對象時流量和壓力的目的。液體貯箱和液體使用對象之間安裝有壓力計和流量計，能夠測得當前實際壓力和流量，計算機將其與預設壓力和流量進行對比，按照一定的算法得出增壓氣體流量調節方案。

2 模糊神經網絡控制模型

2.1 控制模型

根據液壓系統模型工作原理，閉環控制系統輸入數據為預設壓力、預設流量、實際壓力和實際流量，根據模糊控制原理，可將以上四個數據轉化為壓力差、壓力差變化率、流量差、流量差變化率，由這四個分量組成的輸入數據作為閉環控制算法的輸入向量，對執行機構的指令為該算法的輸出向量。

模糊神經網絡不依賴精確的數學模型，能夠通過學習優化自身性能，在邏輯上能夠實現并行計算等優點[1]，本文提出一種基于模糊神經網絡的液壓控制器模型，該模型由兩組獨立的模糊神經網絡并聯組成雙模糊神經網絡，在初始時刻，這兩組模糊神經網絡具有相同的結構和網絡連接權值，在控制系統運行過程中，兩組模糊神經網絡分別承擔系統學習和控制任務，經過一定系統周期后，同步兩組模糊神經網絡參數。

綜上所述，控制模型如圖2所示。

在圖2中，X表示輸入向量，含有四個分量：x1、x2、x3和x4，分別表示壓力差、壓力差變化率、流量差和流量差變化率，這四個分量綜合作為模糊神經網絡控制器的輸入向量。在圖2中，虛線框中的部分為雙模糊神經網絡，其中Layer1為接收傳感器數據 的輸入層；Layer2為兩個具有相同結構的自組織模糊神經網絡層；Layer3為輸出控制信號

的輸出層。

2.2 模糊神經網絡模型

傳統基于模糊控制步驟的模糊神經網絡常由五層構成，但是，三層BP神經網絡可以逼近幾乎所有的非線性系統，所以設置五層神經網絡不但使系統復雜化，而且增加了神經網絡逼近穩定狀態的難度[2，3]，因此，設計模型由輸入層、隸屬函數層、輸入越界判斷層、模糊規則層和輸出層組成，可調節連接權值只出現在模糊規則層和輸出層之間，其余各神經元間的連接權值均為1且不可調，本模型包含一層真正意義上的神經網絡，既簡化了神經網絡結構又按照模糊控制步驟設計；但是隸屬函數和模糊規則實際上仍然屬于模糊控制范疇，不但需要在設計初期就確定下來并且在系統運行過程中不會被優化，本文根據文獻[4]提出的一種剪枝算法，通過專用算法調整神經網絡中神經元的個數，解決了隸屬函數和模糊規則在系統運行過程中的優化問題；為了處理意外出現的越界參數，在隸屬函數層后增加越界參數判斷層，越界參數判斷層的輸出匯總后作為處理越界參數的依據。

因此，以模糊控制步驟為基礎，構造四層類神經網絡，四層分別是輸入層、隸屬函數層、模糊規則層和輸出層，模糊規則層神經元和輸出層神經元之間有可變連接權值；因為隸屬函數和模糊規則相互對應，因此將模糊規則層輸出數據作為隸屬函數和模糊規則調整的依據，基于以上考慮，本文提出的模糊神經網絡模型結構如圖3所示。

在圖3中，兩個矩形分別代表隸屬函數與規則調整算法和輸入越界處理算法，圓形代表神經元。與一般模糊神經網絡結構不同的是第二層隸屬函數層的輸出數據連接兩層不同的神經網絡層；第四層規則層的輸出數據分別連接輸出層神經元和隸屬函數與規則調整算法。

該模糊神經網絡結構共有五層神經元節點和兩個結構調整算法，各部分結構分別描述如下：

1）第一層：輸入層，本層共有n個神經元，對應輸入數據中的n維向量，本層只完成輸入數據的接收功能，直接將輸入數據傳入下一層，不對輸入數據進行任何計算，沒有傳遞函數。

2）第二層：隸屬函數層，神經元個數動態調整，本層模糊化輸入向量，該層的每一個神經元代表隸屬函數覆蓋的一個區域，每一個第一層的神經元都有對應的隸屬函數層神經元群，輸入向量對本層某神經元的激發度對應于該輸入向量在該神經元所表示的模糊區域的隸屬度。

3）第三層：越界輸入向量判斷層，本層共有n個神經元，對應輸入數據中的n維向量，判斷某個輸入向量是否超出現有的隸屬函數覆蓋區域，如果超出，則進入輸入越界算法，否則不做運算。

篇10

關鍵詞:智能化 交流電機 控制

中圖分類號:文獻標識碼:A文章編號:1007-9416(2010)05-0000-00

引言

交流傳動代替直流傳動已成為不可逆轉的趨勢,由于交流電機的非線性多變量耦合性質,其控制策略的研究引起很多學者的興趣。從控制原理和電動機模型出發,基于穩態模型的控制策略和基于動態模型的控制策略研究已經進入實用階段,有些控制方法已經非常成熟。但是從本質上看,交流電動機還是非線性多變量系統,應該在非線性控制理論的基礎上研究其控制策略,才能真正揭示問題的本質。非線性反饋解耦與精確線性化控制,基于無源性的能量成型非線性控制,基于逐步后推設計方法的非線性控制等等;雖然在理論上成果累累, 但由于它們的共同基礎是已知參數的電機模型,參數的變化仍不可避免地要影響控制系統的魯棒性。滑模變結構控制能使控制效果與被控對象的參數和擾動無關, 因而使系統具有很強的魯棒性;它本質上是一種開關控制, 在系統中不可避免地帶來“抖動”問題, 如何消弱抖動又不失強魯棒性, 是目前需要研究的主要問題。近年來受到控制界十分重視的智能控制, 由于它能擺脫對控制對象數學模型的依賴,已成為眾所矚目的解決魯棒性問題的重要方法。下面就交流傳動中常用的智能控制策略進行梳理,對比分析他們的特點。

1 模糊控制

模糊控制是一種典型的智能控制方法,它不依賴被控對象的數學模型,可以克服非線性因素,對被調節對象的參數具有較強的魯棒性,通常根據速度的誤差信號和誤差信號的微分設計在線調整系數或者結構的PID控制器,調整的策略采用模糊控制的原理。還有學者把模糊控制器的輸出直接變為控制量,從仿真曲線來看,都取得了一定的效果。

由于常規模糊控制的控制規則一旦確定則無法改變,且存在穩態誤差,對于控制性能較高的交流傳動系統,常規模糊控制則無法勝任。自調整模糊方法根據系統性能指標調整比例因子,再根據誤差E和誤差變化EC修改規則因子

根據典型階躍響應曲線,確定在系統不同運行階段輸出量U的控制規則。修正 自調整公式。修正 自調整公式。

但是這種方法在粗調比例因子 中,對數量級因子 要求過高若該值過大,系統易超調,過小調整次數相應增加,故應根據實際系統調整為一個適當的值,需經過反復。

模糊控制的最大優點是不依賴被控對象的數學模型,缺點是隸屬度函數及控制規則必須經過反復精心整定,使得控制精度不高,由于控制規則經整定后就不再改變,當對象發生漂移時,不能進行有效調整,從而限制了自適應能力。人工神經網絡具有很好的學習能力和準確的擬和非線性函數的能力模糊控制和神經網絡相結合能克服這些缺點。

基于神經網絡的模糊控制器實質是用BP網絡表示模糊控制規則,模糊規則經過神經元網絡的學習,以“權值”的形式體現出來,規則的生成和修正就可以轉化為權值的初始確定和修改,在此基礎上進行離線學習和在線學習。其缺點:雖然可以調整控制規則,但是由于神經網絡學習速度的限制,導致系統有一定的滯后。

模糊控制在應用通常有以下的方法和趨勢:

(1)參數自調整模糊控制

比例因子自適應調整法是根據e,ec的大小變化,不斷修改其量化因子GE,GEC和控制量u的比例因子GU.

(2)將模糊控制與傳統控制相結合,根據誤差的大小,來選擇不同的控制方式。

(3)與其它智能控制相結合。如神經網絡,遺傳算法,通過其他智能控制的特點來修改控制規則,適應系統實際的需要。

2 神經網絡

采用基于BP學習算法的神經網絡代替PID控制器發揮作用,它在輸入端得到誤差信號,誤差經過處理后,分別做為比例項,積分項,微分項輸入到神經網絡。經過初始權計算后,在輸出層得到一個輸出信號提供給被控電機。電機輸出經反饋到輸入端與期望值比較后,得到新的誤差信號,這個誤差信號,以部分用于修正權值,以部分供給神經網絡控制器作為修正權值,利用它重新計算得到一個新的輸出,直到系統穩定。該方法代替原有PID控制方案,自適應特性良好,但結構規模較大,算法復雜,應用成本較高。

改進方法:BP+PID控制。輸入提供給常規PID和神經網絡控制器,根據被控對象的實際輸出與期望值比較而得到的偏差,二者進行切換,送給電機做輸入。該方法代替原有PID控制方案,自適應特性良好,但結構規模較大,算法復雜,應用成本較高。

單神經元是神經網絡的最基本結構,在神經網絡控制中,單神經元是最基本的控制單元。目前由于缺乏相應的足夠快的硬件支持,大規模神經網絡用于解決實時控制問題,速度難以滿足需要,因此用單神經元構成控制器引起了控制學者的廣發興趣。

采用聯想式學習規則將Hebbian學習和監督式學習相結合,通過關聯搜索對未知的外界作出反映和作用。所以神經元方法的應用主要有以下特點:

(1)人工神經網絡自適應控制

用人工神經網絡代替傳統的PID或PI控制器,這種控制器充分利用了神經元的自學習功能,在運行中根據被控對象特性的變化,對神經元的權值進行在線調整,使得整個控制器能得到PID控制的特性。其中算法有無監督的Hebb學習規則,有監督的Delta學習規則和有監督的Hebb學習規則。

(2)人工神經網絡參數辨識和估計

如基于BP,神經網絡和RBP神經網絡和基于CMAC

(3)復合智能控制

將人工神經網絡與其它智能方法結合,如迷糊控制,充分利用兩者的優點控制系統的運行。加入遺傳算法改進神經網絡中的權值,適應系統變化。《遺傳算法的神經網絡在交流調速系統中的應用》

將人工神經網絡與傳統控制方法結合,如根據誤差信號的大小。在線切換控制器,可以使系統具有更好的魯棒性和自適應性。

但其中也有缺點:

(1)單神經元的在線自學習需要一定的時間,其權值調整有一個過程,導致系統的啟動時間稍長。

(2)由于增益K不具備在線學習調整的功能,因此對于調速范圍很寬的系統,難以保證在整個調速范圍內都能夠達到很好的調速性能。

3 遺傳算法

由于遺傳算法的快速全局收斂性以及增強式學習等性能,使其比常規的PI控制器及原有模糊控制器具有明顯的優越性。基于遺傳算法的自適應PI控制器主要原理是:遺傳算法用作在線估計,控制信號由常規的PI控制器發出。先用遺傳算法對原有PI參數進行離線優化,然后接入控制系統,一方面實時地給出最佳的PI參數,另一方面還要繼續學習,不斷的調整PI參數,以適應被控對象的變化。基于遺傳算法的應用特點如下:

(1)遺傳算法作為一種參數自尋優控制方法,可與傳統方法相結合,在線調整控制器的參數,跟蹤系統響應,提高控制精度。

(2)與其他智能控制方法相結合。如與模糊控制相結合,利用遺傳算法尋的比例因子,規則因子或隸屬度函數的最優值。與神經網絡相結合,改變權值,適應系統的變化。

(3)提高遺傳算法的計算精度可以與各種算法相結合。

有學者研究在永磁同步電動機上采用粒子群和模糊控制相結合的控制方法,主要思路如下:利用粒子群算法對控制器的3個比例因子參數Ka,Kb,Ku進行全局優化,這樣就可以隨環境變化及負載變化實時跟蹤模糊控制器的參數變化,提高模糊控制器的魯棒性和控制精度。

設計原理如下:

(1)確定粒子群的解空間及把真個解空間區域化。確定初始個體最優解和全局最優解。

(2)利用粒子群算法中的迭代公式得到新的解,并檢驗適應度函數。確定個體極值,并與全局最優解進行比較。若在允許誤差范圍內,停止迭代,否則重復2)

(3)此時得到的全局最優解做為模糊控制的三個比例因子。

這種控制策略的特點是:

(1)粒子群算法比遺傳算法結構簡單,運行速度快。

(2)粒子群算法的搜索空間也是建立在系統運用傳統方法設計的基礎之上的。

(3)為了避免粒子群優化算法在解空間搜索時出現在全局最優解附近“振蕩”的現象,可對迭代更新公式中的加權因子w進行更新。

參考文獻

[1] 劉航,徐杜,蔣永平.基于自調整模糊控制方法的變頻調速實驗系統.工業儀表與自動化裝置 2002年第3期.

[2] 劉權中,李玉東,杜慶楠.模糊神經網絡控制在交流調速系統中的應用.礦山機械 2004.04.

[3] 曲道奎,史敬灼.交流電機系統中的模糊控制研究.信息與控制 2003.02.

[4] 任敏.交流伺服系統神經網絡PID控制.沈陽工業大學學報.2001年10 第23卷 第5期.

[5] 劉琴妹.神經網絡控制的交流位置伺服系統.電氣傳動自動化.Vol.20,No.2May 1998

[6] 吳瑩瑩,夏斌,劉橋.遺傳算法的神經網絡在交流調速系統中的應用貴州大學學報 Vol.23 No.1 Feb.2006.

[7] 呂志來,張保會,哈恒旭.基于遺傳算法的自尋優模糊控制器的研究與應用 煤礦自動化 2001年第2期.

[8] 林峰,蔣靜坪.遺傳算法在交流調速系統中的應用《電力電子技術》 1997年第2期.

[9] 胡海兵,胡慶波,呂征宇.基于粒子群優化的PID伺服控制器設計.浙江大學學報 2006年12月.第40卷第12期.

[10] 祁春清,宋正強.基于粒子群優化模糊控制器永磁同步電機控制.中國電機工程學報 2006年9月.第26卷 第17期.