反向傳播神經網絡基本原理范文

導語：如何才能寫好一篇反向傳播神經網絡基本原理，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

（一）BrainCell

神經網絡基本原理本文主要應用了BrainCell神經網絡軟件來實現B2B電子商務供應鏈協同績效評價模型的計算與分析。BrainCell神經網絡采用誤差反向傳播學習算法，算法從兩個方面（信號的前向傳播和誤差的反向傳播）反復進行迭代學習。其基本原理是輸入層各神經元在接收外接的信息后，傳遞給隱含層的神經元，根據減少目標輸出與實際輸出誤差的方向，從輸入層經過隱含層逐層修正各連接的權值，直到將誤差調整到能夠接受的程度，這不僅是各層權值不斷修正的過程，也是學習訓練神經網絡的過程，若學習樣本的計算輸出提前達到預期的結果，則訓練過程結束，否則將學習到預先設定的學習次數為止，最后由輸出層輸出信息處理的結果，如上圖所示。

（二）BrainCell神經網絡實現步驟

1.網絡層數的確定根據Kolmogrov理論可知，含有一個隱含層的三層神經網絡可以以任意精度逼近一個從輸入到輸出的映射關系。因此，在BrainCell神經網絡中采用含有單隱層的三層神經網絡。2.網絡節點的確定輸入層節點的多少與評價指標個數是相對應的。因此，根據構建好的B2B電子商務供應鏈協同績效評價指標體系，可以將一級指標與二級指標進行合并，作為輸入層的節點數，其指標數如表1所示，因此輸入層節點數為19個。輸出層節點則為1個，在此以B2B電子商務供應鏈協同績效等級結果作為輸出值。3.網絡訓練本文采用的訓練函數為trainscg，將網絡訓練的精度設置為10-4并初始化權值和閾值后，從15個樣本中選取12個作為訓練樣本進行批處理訓練，開啟網絡進行學習訓練。其具體步驟如下。假設訓練樣例是形式（a，b），其中a為輸入向量，b為輸出值。N為輸入節點數，M為輸出層節點數。從單位i到單位j的輸入表示aij，單位i到單位j的權值表示Wij。（1）創建具有N個輸入單位，M個輸出單位的BrainCell神經網絡。（2）用隨機數（0或1）初始化某些數字變量網絡權值Wij。（3）對于第k個訓練樣例（a，b），把輸入跟著網絡前向傳播，并計算網絡中每個單元x的輸出Qx，使誤差沿著反向傳播。（4）對于每個輸出單元u，計算它的誤差項。（5）對于每個隱含單元h，計算它的誤差項。（6）利用誤差項更新調整每個網絡權值。（7）重復（3）到（6），直到完成指定的迭代次數或者是其誤差值達到可接受的范圍。4.網絡檢驗將剩下的3個驗證樣本數據輸入到訓練好的網絡中，將其訓練結果與實際結果相比較，檢驗BrainCell神經網絡得到的輸入與輸出間的關系是否正確，從而反映出該績效評價體系的準確性和可靠性。

二、實證研究與分析

（一）確定績效評價等級

由于各個企業供應鏈自身發展的情況不同，各具特點，其形式、結構各異，因此如何劃分績效評價等級，如何更好地反映績效評價等級至關重要。本文以績效考核成績最好為1，最低為0為臨界值，由高到低劃分5個等級，并通過績效等級系數來體現，見表2所示。

（二）指標數據獲取和處理

本文以天貓商城中某珠寶飾品有限責任公司為例，該公司有比較穩定的供應商，且與多家企業都有長期合作關系。根據公司的實際管理情況，整理出該公司供應鏈協同管理的績效指標評價體系研究的基礎數據，應用BrainCell軟件對這些基本數據進行計算。為使各指標在整個系統中具有可比性，本文利用效應系數將指標在閉區間[0，1]上進行同趨勢化無量綱化和定性指標定量化處理。結果表明，該公司的供應鏈整體績效基本良好，其績效評價等級系數主要都集中在[0.5,0.8]這部分區間內，與該公司所處供應鏈實際情況相符。該公司運作情況基本令人滿意。

三、結語及展望

篇2

【關鍵詞】BP神經網絡；遺傳算法；變壓器；故障診斷

1 引言

變壓器作為電力系統重要的變電設備，其運行狀態直接影響到供電的可靠性和整個系統的正常運行。一旦發生事故，將對電力系統和終端用戶造成嚴重的影響。因此研究變壓器故障診斷技術，對電力系統安全運行有著重要的現實意義。

對變壓器油中溶解氣體進行色譜分析（DGA）是變壓器內部故障診斷的一種重要的手段。基于此技術，采用具有高度的非線性映射以及自組織、自學習能力的人工神經網絡，現階段在進行故障診斷時多采用BP神經網絡。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遺傳算法的發展為我們提供了一個全局的、穩健的搜索優化方法，本文充分利用GA具有不受函數可微與連續的制約，并且能達到全局最優的特點，由GA尋找最優的BP網絡權值與相應節點的閾值，并加入動量因子，此方法彌補了傳統優化方法的不足，極大地改善了BP網絡的性能。

2 BP神經網絡及遺傳算法原理

2.1 BP神經網絡的基本原理

BP神經網絡是一種利用反向傳播訓練算法的前饋型神經網絡，BP學習算法基本原理是梯度最速下降法，中心思想是調整權值使網絡總誤差最小，即采用梯度搜索技術，以使其網絡的實際輸出值與期望輸出值的誤差均方值為最小。

BP學習算法包括前向傳播和誤差反向傳播兩個學習階段。當給定網絡的一個輸入模式時，輸入信號經隱層逐層處理后傳到輸出層，并由輸出層處理后產生一個輸出模式，稱為前向傳播；當輸出響應與期望的輸出模式有誤差時，則轉入誤差反向傳播。即將誤差值沿原來的連接通路逐層反向傳播直至輸入層，并修正各層連接權值。對于給定的一組訓練模式，不斷地重復前向傳播和誤差反向傳播的過程，通過沿途修改各層神經元間的連接權和神經元閾值使得誤差達到最小。當各個訓練模式都滿足要求時，就說BP網絡已學習好。BP神經網絡模型的基本結構如圖1。

2.2 附加動量的BP神經網絡

傳統的BP神經網絡訓練在修正權值時，是按著k時刻的負梯度方式進行修正，而忽略了之前積累的經驗，導致權值的學習過程發生振蕩，收斂緩慢。因此提出加入動量因子a，此時k+1時刻的權值為：

附加動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是模擬自然界優勝劣汰的進化現象，把搜索空間映射為遺傳空間，把可能的解編碼成一個向量（染色體），向量的每個元素稱為基因。通過不斷計算各染色體的適應值，選擇最好的染色體，獲得最優解。

首先把問題解用遺傳表示出來，在對種群中的個體進行逐個解碼并根據目標函數計算其適應值。根據適應值的大小而決定某些個體是否得以存活的操作，把適應值高的個體取出復制再生，再將兩個個體的某些部分互換并重新組合而成新的個體，經過交叉后隨機地改變個體的某些基因位從而產生新的染色體。這樣的過程反復循環，經過若干代后，算法就收斂到一個最優的個體，問題最終獲得全局最優解。GA流程圖如圖2所示：

3 GA優化BP神經網絡的變壓器故障診斷模型設計

GA-BP算法主要思想是：先利用神經網絡試探出最好的網絡的隱層節點數，再利用遺傳算法在整體尋優的特點將網絡的權值優化到一個較小的范圍，進而用BP算法繼續優化。

3.1 BP網絡的建立

（1）輸入模式的確定

本文為了充分利用在線監測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個神經元。輸出值最大為l，數值越大則表明該類型的故障的可能性和嚴重程度也越大，如表2.1：

（3）隱含層神經元數確定

本文參考關于隱含層神經元數的理論研究和經驗公式，獲得理論值為5～15。再利用matlab 軟件，通過試湊法對網絡進行訓練，將隱層節點設置為6、8、10、12、14，將其輸入計算機，在相同訓練條件下進行訓練，得知隱層節點數為12時網絡收斂性能好，收斂時間較短。故選節點數為12。

綜上所述，本文構建一個輸入層為3，隱含層為12，輸出層為7的BP神經網絡。

3.2 GA對BP網絡進行優化

（1）初始化種群P、以及權值、閾值初始化；在編碼中，采用實數進行編碼，本文初始種群取30；

（2）計算每一個個體評價函數，并將其排序；可按下式概率值選擇網絡個體：

其中 i為染色體個數，k為輸出層節點數，YK為訓練值，P為學習樣本數，T為期望目標值；

（3）進行選擇復制、交叉、變異遺傳操作；

（4）將新個體插入到種群P中，并計算新個體的評價函數；

（5）計算BP的誤差平方和，若達到預定值則進行BP神經網絡的訓練，否則重復進行遺傳操作；

（6）結束GA操作，以GA遺傳出的優化初值作為初始權值，運用BP神經網絡進行訓練，計算其誤差，并不斷修改其權值和閾值，直至滿足精度要求，此時說明BP網絡已經訓練好，保存網絡權值和閾值。

4 故障診斷系統的仿真

本文選取了具有代表性的30組作為訓練樣本， 在建立的GA-BP變壓器故障診斷網絡中輸入樣本進行訓練，其遺傳算法適應度曲線、誤差平方和曲線和GA-BP的訓練目標曲線圖分別見圖3、圖4和圖5。

從圖中可以看出，適應度較高的個體被遺傳了下來，適應度較低的則被淘汰；GA進行了150代的遺傳操作達到了目標值；GA-BP算法進行了106步左右就收斂到指定精度0.0005。由此看出，此GA優化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。

采用實際檢測到的10組電力變壓器故障實例（表2）來驗證網絡性能，神經網絡診斷結果和實際故障結果的比較，如表3所示：

由表3可見，基于遺傳算法優化BP神經網絡的變壓器故障診斷系統在故障診斷中達到了很高的準確率，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確性。

5 結束語

文中將遺傳算法與BP網絡相結合，在DGA的基礎上設計了適用于變壓器故障診斷的3-12-7結構的BP神經網絡。先對網絡的權值閾值進行GA算法處理，并在傳統的BP算法中加入動量因子，通過MATLAB編程實現了GA優化BP網絡。通過仿真分析可知GA優化BP網絡收斂性能的提高改善了BP網絡的學習效率，并在下一步的診斷工作中體現其高準確率，推廣了此優化網絡在變壓器故障診斷的實用性。

參考文獻：

[1]張緒錦，譚劍波，韓江洪.基于BP神經網絡的故障診斷方法[J].系統工程理論與實踐，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用[J].高電壓技術，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用[J].四川工業學院報，2004 （5）.

[4]李國勇.智能控制機器MATLAB實現[M].電子工業出版社，2005.

[5]徐志鈕，律方成.多神經網絡方法在變壓器油色譜故障診斷中的應用[J].高壓電器，2005（3）.

篇3

關鍵詞:功率放大器;預失真;神經網絡;互調失真

中圖分類號:TP183文獻標識碼:A

文章編號: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

伴隨無線通信技術的迅猛發展,使得人們對通信系統的容量要求越來越大。現代通信系統為了追求更高的數據速率和頻譜效率,更趨向于采用線性調制方式,如16QAM和QPSK方式,以及多載波配置[1]。這些技術產生的信號峰均比較大,均要求功率放大器具有良好的線性特性,否則就會出現較大的互調失真,同時會導致頻譜擴展,造成臨道干擾,使誤碼率惡化,從而降低系統性能。

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雜,價格非常昂貴,且一般只適用于小功率放大器。二是采用功率回退技術,使功放工作在線性區,可以使其從飽和功率點做較大回退來滿足線性放大的要求,但這樣做會使功放效率大大降低,一般小于10%。三是采用線性化技術,即通過適當增加一些電路來克服其非線性影響。目前功放線性化技術主要有前饋、負反饋和預失真技術。負反饋固有的穩定性問題,使得反饋線性化技術工作在無線頻率無法保持系統穩定[2]。前饋技術是早期用得比較多的一項技術,比較成熟,但其最大的難點在于為保持不同器件之間的幅度和相位特性完全匹配[2],會使系統和設備都較復雜。預失真技術具有電路形式簡單,調整方便,效率高,造價低等優點[3]。其中,基帶預失真還能采用現代的數字信號處理技術,是被最為看好的一項功放線性化技術。

文章利用一種簡單的單入單出三層前向神經網絡來進行自適應預失真處理,補償由高功率放大器非線性特性引起的信號失真,從而實現其線性化。文中分析基于這種結構的自適應算法,并做了相應的仿真,仿真結構表明,該方法能有效改善三階互調和五階互調,且收斂速度比一般多項式預失真更快,具有一定的優勢。

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,特別是當輸入信號幅度變化較大時,放大器工作區將在飽和區、截止區、放大區之間來回轉換,非線性失真嚴重,會產生高次諧波和互調失真分量。由于任何函數理論上都可以分解為多項式的形式,故放大器的輸入和輸出關系表示為:

Vo=a1Vi+a2V2i+a3V3i+…+anVni(1)

假設輸入的雙音信號為:

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,輸出信號中不僅包含2個基頻ω1,ω2,還產生了零頻,2次及高次諧波以及互調分量。其中的2ω1-ω2,2ω2-ω1,3ω1-2ω2和2ω1-3ω2通常會落在通頻帶內,一般無法濾除,是對通信影響最大的非線性失真分量,即所謂的三階互調和五階互調。放大器線性化的目標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分量。

2 預失真基本原理及其自適應

預失真就是在信號通過放大器之前通過預失真器對信號做一個與放大器失真特性相反的失真,然后與放大器級聯,從而保證輸出信號相對輸入信號是線性變化。預失真器產生一個非線性的轉移特性,這個轉移特性在相位上與放大器轉移特性相反,實質上是一個非線性發生器,其原理圖如圖1所示。

預失真器的實現通常有查詢表法和非線性函數兩種方式[2]。由于查表法結構簡單,易于實現,早期的預失真多采用此方法。但它對性能的改善程度取決于表項的大小,性能改善越大,需要的表項越大,所需要的存儲空間也越大,每次查找遍歷表項的每個數據和更新表項所需要的時間和計算也越大,因此在高速信息傳輸的今天已經不可取。非線性函數法是根據對放大器輸出信號采樣值與其輸入信號,用一個非線性工作函數來擬合放大器的工作曲線,然后根據預失真器特性與放大器特性相反,求出預失真器的非線性特性函數,從而對發送信號進行預失真處理。這種方法只需要更新非線性函數的幾個系數,也不需要大的存儲空間,因此是近年來研究的熱點。

圖1 預失真基本原理

假設預失真器傳輸函數為F(x);放大器傳輸函數為G(x);F和G均為復函數。若輸入信號為x(t),則經過預失真器之后的信號為u(t)=F\,放大器的輸出函數為y(t)=G\=G{F\}。預失真的目的就是使x(t)通過預失真器和放大器級聯后的輸出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,使實際輸出和期望輸出的誤差最小。

由于溫度、電器特性、使用環境等因素的不斷變化,放大器的傳輸特性也會發生變化,從而預失真器傳輸函數F(x)的各參數也會隨之變化。因此,現代數字預失真技術一般都采用自適應技術,以跟蹤調整參數的變化。目前,常用的兩種自適應預失真結構如圖2和圖3所示。

圖2 自適應預失真系統結構圖

圖3 復制粘帖式自適應預失真系統結構圖

圖2是一般的通用自適應結構,結構簡單,思路明確,但一些經典的自適應算法由于多了放大器求導項而不能直接應用,且需要辨識放大器的傳輸特性。圖3的復制粘帖式結構(非直接學習)則不存在這些問題,關于這種結構的優缺點比較和具體性能分析見文獻[4]。這里將采用后一種自適應結構。

3 基于一種單入單出式神經網絡的自適應預失真技術

3.1 神經網絡

神經網絡是基于生物學的神經元網絡的基本原理而建立的。它是由許多稱為神經元的簡單處理單元組成的一類自適應系統,所有神經元通過前向或回饋的方式相互關聯、相互作用。由Minsky和Papert提出的多層前向神經元網絡是目前最為常用的網絡結構。它被廣泛應用到模式分類和函數逼近中,已經證明含有任意多個隱層神經元的多層前向神經元網絡可以逼近任意的連續函數[5]。在此,就是利用神經網絡的這種功能來擬合預失真器的特性曲線,并且用改進的反向傳播算法來自適應更新系數。

多層前向神經元網絡由輸入層、一個或多個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元組成,前一層的輸出作為下一層神經元的輸入數據。三層前向神經元網絡示意圖如圖4所示,其中輸入層有M個人工神經元,隱層有K個神經元,輸出層有N個神經元。關于人工神經元的具體介紹

參考文獻[6,7]。

圖4 三層前向神經元網絡

3.2 基于單入單出式神經網絡的自適應預失真系統模型

單入單出三層前向神經網絡示意圖如圖5所示,假設隱層包含K個神經元。輸入數據經過一系列權系數{w11,w12,…,w1K}加權后到達隱層的各個神經元。隱層中的神經元將輸入進來的數據通過一個激勵函數(核函數),其各神經元的輸出經過一系列權系數{w21,w22,…,w2K}加權并求和后作為輸入層的輸入,然后該輸入通過激勵函數的輸出作為整個網絡的輸出。單入單出式神經網絡自適應預失真系統模型就是把圖5所示的神經網絡放入圖3所示的自適應預失真模型的預失真器{f}和函數發生器{f′}模塊中,兩個神經網絡的結構和規模是一樣的。

圖5 單入單出三層前向神經元網絡

預失真器神經網絡和函數發生器神經網絡開始都隨機初始化。先看預失真器神經網絡,設輸入序列為xi(i=1,2,…),則隱層各單元輸入I1k=w1kxi-θ1k,經過核函數后,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,輸出層靜輸入為z1=∑Kk=1w2kJ1k-θ1,輸出層輸出即預失真器輸出U1=f(z1),經過功放后得到系統輸出yi。通過衰減器后的信號作為訓練神經網絡的輸入信號,經過前面神經網絡相同的過程訓練網絡輸出層的輸出為U2,絕對誤差信號e1(i)=U1(i)-U2(i),然而直接把此誤差運用到自適應算法中導致算法會局部收斂且收斂速度極慢。因此本文對誤差信號做了改進,即把誤差信號改為e(i)=(1/2){λ\2+(1-λ)φ\},其中φ(x)=In\/β,加入的調整因子λ和輔助項φ,能把算法從局部收斂點拉出來且收斂速度得到一定的提高。最后根據反向傳播算法,得到訓練神經網絡的權系數更新式如下(下標2為隱層到輸出層權系數;下標1為輸入層到隱層權系數):

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)

預失真權系數可分為訓練和跟蹤兩個階段。根據上面的迭代公式,得到一組訓練神經網絡的權系數。把這種權系數拷貝到預失真器神經網絡中替代原來的權系數,得到一組新的預失真系數,之后重新計算誤差,繼續上面的過程循環迭代運算,直到誤差小于規定的范圍,即整個系統收斂,預失真器訓練完成。此時稱之為訓練階段。之后隨著溫度、輸入的不同,調制信號、環境等的變化,可能引起功放特性的變化,可以設置一個誤差門限值,一旦發現誤差超過此門限,立即重新啟動上面的循環迭代,重新訓練,直到滿足條件,即跟蹤階段。這種算法收斂速度快,且能滿足實時運算的要求。同時在硬件實現上,只要做一個核函數發生器,其他就全是乘累加運算,與多項式結構的高次冪運算相比,硬件實現要簡單得多,因此具有一定的實用性。

4 性能仿真

文中使用雙音信號進行了仿真分析,雙音信號為:

xs=0.5

放大器模型采用經典salef[9]模型,神經網絡的隱層數設為15。雙音信號直接通過放大器和通過文中所提的預失真網絡后再通過放大器的頻譜圖如圖6所示。

圖6 預失真前后信號歸一化頻譜圖

圖7 神經網絡和多項式結構誤差曲線

由圖6可見,雙音信號通過放大器后產生了較大的失真,其中的三階互調達到-17 dB,五階互調也有-36 dB。通過文中所提的神經網絡預失真系統處理后,即信號通過預失真器再通過放大器后,三階互調被抑制到-42 dB,五階互調也被抑制到-45 dB以下,三階互調改善25 dB,五階互調改善11 dB以上。

圖7顯示文獻[10]提到的一般多向式結構和本文所提出的神經網絡預失真結構的誤差收斂曲線,它們都能達到相同或相似的互調分量改善效果。然而,本文所提的神經網絡結構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是輸入信號和通過預失真處理后放大器的輸出信號波形圖。由圖可見,經過本文所提出的神經網絡預失真網絡處理后,輸出信號波形基本沒有失真,能與輸入信號很好的重合,表明該神經網絡預失真技術能很好的實現功放線性化。

圖8 輸入信號和通過預失真處理后放大的輸出信號波形圖

5 結 語

本文針對放大器固有的非線性特性問題,從數學上分析了放大器的非線性失真,介紹基于預失真基本原理和神經網絡基本概念,提出一種單入單出式神經網絡自適應預失真技術。仿真結果表明,該技術能三階互調能抑制25 dB左右,對五階互調能抑制11 dB左右。在很大程度上改善了通信系統的性能;而且與一般多項式預失真技術相比,收斂速度和收斂效果都有一定的改善,且硬件實現上只要做好一個核函數發生器,其他運算就全是簡單的乘累加過程,可以避免硬件難以完成的多項式高次冪運算,表現出了一定的優勢。

參考文獻

[1]趙慧,漆蘭芬.射頻放大器的工作函數預失真線性化[J].無線電工程,2001,31(12):58-61.

[2]錢業青,劉富強.寬帶RF功率放大器的預失真線性化技術綜述[J].計算機工程與應用,2007,43(32):114-117.

[3]賈建華,劉戰勝.關于自適應預失真射頻功率放大器線性化研究[J].微波學報,2005,21(3):48-50.

[4]錢業青.一種高效的用于RF功率放大器線性化的自適應預失真結構[J].通信學報,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.不確定規劃及應用[M].北京:清華大學出版社,2003.

[7]朱劍英.智能系統非經典數學方法[M].武漢:華中科技大學出版社,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

【關鍵詞】風險評價 BP神經網絡 工程項目 matlab

一、引言

工程項目是一個工期長，技術復雜，前期投入量大的生產過程，在其建設期間存在大量的不確定性和風險，因此對工程項目的風險預測是一個必要且重要的過程。傳統的分析方法各有特點，要根據具體的項目選擇運用哪一種方法，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，結果容易產生偏差，為解決這一問題，提出了將人工神經網絡用于風險綜合評價的方法。

二、BP神經網絡簡介

人工神經網絡具有自學習和自適應能力，可以通過預先提供的一批相互對應的輸入――輸出數據，分析掌握兩者之間的映射關系，根據這些關系，輸入新的數據來推算結果。BP神經網絡是1986年由Rumelhart和McCelland為首的科學家小組提出，是一種按誤差逆傳播算法訓練的多層前饋網絡，包括輸入層，輸出層和隱含層，當輸出的結果與期望樣本存在誤差時，通過反向傳播來調整網絡的權值和閾值，使誤差平方和最小。

三、BP神經網絡風險評價具體實現步驟

一個基本的神經網絡，有n個輸入，每個輸入值都通過一個經調整的權值與下一層連接，輸出層可以表示為：

y=f（wp+b）

f為表示輸入輸出關系的函數。

BP算法的基本步驟：

1.構建網絡，確定輸入層、隱含層、輸出層節點數目，初始化權值w和閾值b；

（1）一般來說，輸入層節點數與風險指標個數相同；

（2）隱含層節點數理論上沒有一個規范的依據，其數目取決于多種因素，如，訓練樣本的數量，樣本的波動大小及隱藏的規律性的復雜程度。經驗上，我們可以采取兩種方法確定隱含層節點數：

a.試湊法，先設置較少的節點數目進行訓練，計算誤差，然后逐步增加結點個數，用相同的樣本進行訓練，直到計算得到得誤差最小，即為需要的隱含層節點個數，此方法為確定結點個數的最佳方法；

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點個數，a為0～1之間的常數。

（3）輸出層節點數根據評價結果確定，一般為1。

2.訓練樣本集，包括輸入樣本集向量p和預期的輸出T，計算輸出值，并與預期輸出值比對計算誤差；

3.計算誤差平均方差和；

4.根據誤差調整權值和閾值；

5.循環2―4，直至誤差均方和滿足精確度為止。

四、選擇傳遞函數和學習函數

1.傳遞函數

傳遞函數是BP神經網絡的重要組成部分，又稱為激活函數，必須是連續可微的，BP神經網絡一般采用tansig（）或logsig（）或purelin（）作為傳遞函數。通常根據樣本數據的情況，輸入輸出數據的取值范圍等選擇傳遞函數。

2.學習函數

學習函數是BP神經網絡的又一重要組成部分， BP神經及網絡的傳遞函數包括：

（1）traingd,特點是收斂速度滿慢，學習過程常發生震蕩；

（2）traingdm函數收斂速度快于traingd;

（3）traingdx收斂速度快于traingd，但僅用于批量訓練；

（4） trainrp,收斂速度快，用于批量訓練，數據占用存儲空間小；

（5）rtaincgf，占用存儲空間最小的變梯度算法，速度通常比traingdx快得多，適用于連接權的數量很多時；

（6）traincgp,數據占用的存儲空間較rtaincgf略大，但對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，但存儲空間較之略大；

（8）trainscg，比其他變梯度算法需要更多迭代次數，但無需在迭代中進行線性搜索，從而大大減少了每次迭代的計算量；

（9）trainbfg，每次迭代過程所需的計算量和存儲空間大于變梯度算法，對規模較小的網絡更有效；

（10）trainoss,變梯度與擬牛頓算法的折中；

（11）trainlm,對中等規模的前饋網絡的最快速算法；

（12）trainbr,可是網絡具有較強的泛化能力，避免了嘗試的方法去決定最佳網絡規模的大小。在實際運用時，通常根據輸入數據規模，特點，對收斂速度、存儲空間的要求進行選擇。

五、工程項目風險指標集的確定

通常，一個工程項目要經過可行性分析，工程設計，工程施工，竣工投產，項目處置幾個階段，不同的階段風險不同，風險的影響因素也各不相同，我們沒有必要對每一個因素進行分析，重點放在影響作用大的因素上而忽略影響作用小的因素。根據對工程項目不同的影響方式來分類，我們選取五類風險、分別是政治風險、社會風險、經濟風險、工程風險、環境風險。其中，政治風險包括政治法規風險和城市規劃風險；經濟風險包括信用風險，市場風險和金融風險；工程風險包括技術風險，資源風險，材料供應風險，經營風險和驗收風險。

六、BP神經網絡的matlab實現

東方集團目前共有九個工程投資項目，按照前面確定的風險評價指標集，其專家評測的風險數據如下表，

這九組數據中，使用1~7作為訓練樣本，8~9作為檢驗樣本。經過試算,當網絡中隱含層的節點數為3時，網絡的性能最佳，即建立12個輸入節點，3個隱含層節點，1個輸出節點的BP神經網絡模型。由于樣本的數據都集中在0~1之間，我們在隱含層傳遞函數選取tansig（）函數,整個網絡最后的輸出是在一個較小的范圍內，所以采用S形函數，如果說整個網絡的輸出可以取到任意值，我們就可以考慮采用purelin（）函數，在本模型中，最后的輸出值是以一個單一的數字來表示，并且該數字的值在0~1之間，所以輸出層的傳遞函數選用s型的logsig（）函數。訓練算法采用traingdx，誤差設定為1e-3。迭代次數這里取1000次，兩次顯示之間的步數取50次，初始學習率設定為0.05，學習率的增加系數為1。

根據以上結果可以看出，經過訓練的BP神經網絡較好的仿真了各個風險因素之間隱含的內在關系，預測數值和風險的期望數值相近，經過86次迭代達到了要求的精度，效率還是比較高的，反映出BP神經網絡具有出色的數據擬合效果。

六、結論

本文從工程項目風險出發，依據不同風險的影響方面，將風險分類，采用專家打分法來確定風險值；依據BP神經網絡的基本工作原理，采用適當的傳遞函數和算法對構建的網絡進行訓練，最后根據實例證明了本文所構建的模型，因為在實例中的樣本數據較少，所以訓練有較大的隨機性，如果增大樣本數量，可以進一步提高預測的準確性。

參考文獻

[1] 李存斌.項目風險元傳遞理論與應用[M]. 北京：中國水利水電出版社 2009.

[2] 王瑾.政府投資工業項目風險分析與評價[D]. 北京：首都經濟貿易大學 2010.

篇5

【關鍵詞】PID控制;BP神經網絡;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PID在控制領域被廣泛應用，利用數學算法來整定參數。而且隨著控制系統的復雜，被控對象很難建立數學模型，人們開始探索新的控制方式。模糊控制不要求掌握被控對象的精確的數學模型，根據人工控制規則組織控制決策表，然后由該表決定控制量的大小。在一般的模糊系統設計中，規則是由經驗豐富的專業人員以語言的方式表達出來的。但對于某些問題即使是很有經驗的專業人員也很難將他們的經驗總結、歸納為一些比較明確而簡化的規則。在這種情況下，就可以應用神經網絡的方法，依靠BP神經網絡的自學習功能，實現模糊控制的神經、模糊融合技術，并借助其并行分布的結構來估計輸入到輸出的映射關系，直接從原始的工作數據中歸納出若干控制規則。從而為模糊系統建立起行之有效的決策規則。

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）通過線性組合構成控制量，對控制對象進行控制。

式中：

2.2 PID控制器各環節的作用

（1）比例環節：及時成比例地反應控制系統的偏差信號e（t），偏差一旦產生，控制器立即產生控制作用以減小偏差。

（2）積分環節：積分作用會使系統穩定性下降，Kd大會使系統不穩定，但能消除靜態誤差。

（3）微分環節：能反應偏差信號的變化趨勢，并能在偏差信號值變得太大之前，在系統中引入一個早期修正信號，從而加快系統的動作速度，減小調節時間。Kd偏大時，超調較大，調節時間短;Kd偏小時，超調量也較大，調節時間長;只有Kd合適時才能超調小，時間短。

3.BP神經網絡與模糊控制

模糊控制是運用語言歸納操作人員的控制策略，運用變量和模糊集合理論形成控制算法的一種控制。如何讓機器像人一樣識別、理解模糊規則并進行模糊邏輯推理，最終得出新的結論并實現自動控制是模糊控制研究的主要內容。模糊控制器的基本結構如圖1所示。

圖1 模糊控制結構

人工神經網絡是由大量人工神經元經廣泛互連二組成的，它可用來模擬腦神經系統的結構和功能。人工神經網絡可以看成是以人工神經元為節點，用有向加權弧連接起來的有向圖。BP網絡是一種利用誤差反向傳播訓練算法的神經網絡，是一種有隱含層的多層前饋網絡，系統地解決了多層網絡中隱含單元連接權的學習問題。BP學習算法的基本原理是梯度最速下降法，它的中心思想是調整權值使網絡總誤差最小。也就是采用梯度搜索技術，以期使網絡的實際輸出值與期望輸出值的誤差均方值為最小。網絡學習過程是一種誤差邊向后傳播邊修正權系數的過程。其結構如圖2所示。

圖2中隱含層第一層神經元為7個，分別對應7個模糊子集：NB、NM、NS、ZO、PS、PM、PB。第二層49個神經元代表49條規則。第三層7個神經元代表輸出的7個模糊子集。模糊控制不依靠對象的數學模型，但模糊規則的建立需要人工經驗。采用BP算法對工程經驗和專家經驗的模糊規則進行訓練，其實就是把模糊規則用神經網絡來表示，即經過神經網絡的學習，將模糊規則以加權系數的形式表現出來，規則的生成就轉化為加權系數的確定和修改。

神經網絡是大規模并行運算，但由于網絡結構復雜，訓練和學習需要大量的時間，所以目前還無法實現實時控制。在具體應用中，我們是先離線將神經網絡的各層權值和閾值訓練出來，將其參數固定下來，然后將有系統檢測、計算得到的誤差變化直接代入非線性映射關系中，由計算機算出控制量，再用作被控對象。在matlab下以、、為輸出的BP網絡仿真訓練如圖3、圖4、圖5所示。

4.模糊PID控制器的原理與仿真

對于某一BP神經網絡控制系統，其中內部變化及被控對象的數學模型為：

利用模糊控制對PID參數實現在線調節，原理如圖6。

圖6 模糊PID控制原理圖

采用Z-N法和試湊法相結合，借助MATLAB的SIMULINK平臺，對被控對象進行常規PID仿真。參數值：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分別為被控對象G（s）在階躍輸入下常規PID和模糊PID仿真結果的比較。

經過仿真發現，常規PID控制缺點是超調量大，調節時間長，動態性能差。優點是控制精度高，穩定性能好。模糊控制動態性能很好，上升速度快，基本無超調。但由于模糊化所造成的穩態誤差，在沒有積分環節的情況下很難消除，故穩態性能差。模糊PID繼承了二者的優點，摒棄二者缺點，具有更全面優良的控制性能。

5.結論

針對大滯后、慢時變、非線性的復雜系統，提出了一種基于BP神經網絡的模糊PID控制算法，該算法不依賴被控對象的精確數學模型，可實現在線自調整模糊規則，從而增強了模糊控制器的自學習能力。通過算法的仿真研究，驗證了算法的可行性。

參考文獻

[1]李華.計算機控制系統[M].北京：機械工業出版社，2007.

[2]高雋.人工神經網絡原理及仿真實例[M].北京：機械工業出版社，2007.

[3]蔡自興.智能控制[M].北京：電子工業出版社，2003.

[4]李國勇.智能控制及其MATLAB實現[M].北京：電子工業出版社，2005.

[5]張德豐.MATLAB神經網絡應用設計[M].北京：機械工業出版社，2009.

[6]劉金琨.先進PID控制及其MATLAB仿真[M].北京：電子工業出版社，2003.

[7]劉玲.三容水箱的單神經元自適應PID控制研究[J].信息技術，2005，3（8）：32-137.

篇6

關鍵詞：人工神經網絡；概算；BP

中圖分類號：TP183文獻標識碼： A

一、人工神經網絡應用于建設項目概算的重要意義

（一）人工神經網絡

人工神經網絡就是由許多神經元互連在一起所組成的神經結構，把神經元之間相互作用的關系進行數學模型化就可以得到神經網絡模型。人工神經網絡是一種非常復雜的非線性的動態分析系統。它模擬人腦的神經功能分層由單個神經元非線性地、復雜地組合成一個網絡系統。當某一問題的求解過程可描述為若干個有一定內在聯系，又無法用解析法表達其內在關系的各個輸入因子與輸出因子的關系時，將輸入、輸出因子作為樣本進入神經元網絡結構，網絡系統會對各個輸入、輸出因子的因果關系作一番認識和學習，建立起各神經元之間的連接強度(即權值)閥值。這樣學習后生成的人工神經元網絡系統，仿佛具有了人腦解決這一問題的技能。當輸入一組新的參數它可以給出這個領域專家認為應該輸出的數值。

（二）建設項目概算應用神經網絡的必要性

電網建設工程造價是組成電網的各分項工程的價格總和，而各分項工程的價格則取決于其工程量的大小和單價的高低。以往工程造價的計算是由造價編制人員算出各分項工程量，分別乘以其單價。由于組成電網的分項工程數量多，工程量的計算非常繁瑣，計算時間占造價計算總時間的90%以上，所以計算結果容易出現誤差。這表明造價計算的重點和難點在于工程量的計算。

一個有豐富經驗的造價師，根據工程類型、特征及其相關情況，參照以往經驗和工程數據資料，就能大致概算出造價，而無需進行大量繁雜計算，而且經驗越豐富，資料積累越多，格算的造價就越準確，模仿這種大腦思維模式，正是人工神經網絡所擅長的。神經網絡模型通用性、適應性強，它不但不排斥新樣本，相反它會隨著樣本數的不斷增加而提高自身的概括能力和預測能力，這正好滿足了建立造價信息系統的要求--動態地、自適應地從眾多已完工程中提取有用信息，進行預測并輔助決策，由于電網工程的單件性，一般不存在兩個完全一樣的工程，但許多工程之間存在著某種程度的相似性，造價估計分析的基本原理就是建立在電網工程的相似性基礎上，對于某個欲估工程，首先從分析電網類型和工程特征入手，再從數目眾多的同類已竣工的工程中找出與預估項目最相似的若干個工程，然后利用這些相似電網項目的造價資料作為原始數據進行推理，最后得到擬建電網的造價及其他有關數據。

二、BP網絡

（一）BP網絡算法

神經網絡在目前已有幾十種不同的模型，在人們提出的幾十種神經網絡模型中，人們較多用的是Hopfield網絡、BP網絡、Kohonen網絡和ART(白適應共振理論)網絡。其中BP網絡是反向傳播(BackPropagation)網絡，它是一種多層前向網絡，采用最小均方差學習方式，這是一種最廣泛應用的網絡。

BP算法的學習過程是由正向傳播和反向傳播兩個過程組成。在正傳播過程中,輸入信息從輸入層經隱含層逐層傳遞、處理,每一層神經元的狀態只影響下一層神經元的狀態。如果在輸出層不能得到期望輸出,則轉入反向傳播過程,將誤差信號沿原來的連接通路返回,通過修改各層間連結權的值,逐次地向輸入層傳播,再經過正向傳播過程,兩個過程的反復運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網絡有三部分組成: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值矩陣用V表示:V=(v1,v2,...,vj,󰀁vm)T

隱含層到輸出層之間的權值矩陣用W表示:W=(w1,w2,...,wk,...,wl)T

轉移函數采用tansig函數:

F(n)=2/(1+exp(-2*))-1

準則函數(誤差):

權值的調整量:�

;

反向傳播計算公式,可得如下權系數學習規律:

（二）BP神經網絡的利弊分析及相關建議

BP算法樣本訓練失敗的可能性較大，原因有以下幾點：

（1）從數學角度看，BP算法為一種局部搜索的優化方法，但它要解決的問題是求解復雜非線性函數的全局極值，因此，算法很有可能陷入局部極值，使訓練失敗；

（2）網絡的逼近、推廣能力完全取決于學習樣本的典型性。而對學習樣本的選取并組成訓練集則是相當困難的問題。

（3）難以解決應用問題的實例規模和網絡規模間的矛盾。實例規模與網絡規模總是存在著很大差異，網絡容量也是有著自己的局限性，當實例規模超出網絡容量時，BP算法會失敗。

基于前文所給出的BP網絡技術存在的利弊現象，結合工程造價實際情況，個人認為，其弊端的解決方法可以概括為以下幾點：

（1）由于BP網絡技術在執行較為復雜的目標函數時會出現“崩潰”現象，即算法低效，函數圖象錯亂、超過網絡容量等等。所以造價人員在選擇需要用BP算法概算的工程時應該注意工程的復雜性，對于那些過于龐大、復雜的工程不宜采用BP算法，以免出現系統錯亂。對于較為簡單、較為精簡的工程則可用BP算法進行工程造價的概算。同時，也應注意實例造價概算工程的規模與網絡實際承載規模的大小，對于網絡承載范圍之內的，才宜采用BP算法。

（2）樣本數據的采集非常重要。BP算法的網絡預測能力是與訓練能力呈正比的。因此，首先需要確定分解項目，分解項目應選擇那些最能體現一個工程特征并且最能決定這個工程造價的關鍵因素，這樣才能正確定位這個工程的造價。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，可以進行相似度估測，查看已建工程每個分項的隸屬度與待估工程隸屬度的差異，差異過大的樣本應予以舍去。

（3）針對BP算法的“過擬合”現象，造價中需要注意的是選擇的樣本數量不宜過大。以防BP算法網絡學習了細節卻丟失了最重要的骨架――樣本內部的規律，從而不能得出滿意的結果。

三、基于人工神經網絡的送電線路工程造價概算

（一）送電線路工程造價估算模型建立

送電線路工程的造價受多個因素的相互影響，考慮下列因素作為影響著工程價格的主要因素，把它們列為神經網絡的輸入單元，如圖l所示。設在某一電壓等級下的送電線路，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，把實際工程項目投資劃分為工地運輸、土石方工程、基礎工程、桿塔工程、架線工程、附件工程等6個部分。根據測算出的每公里建筑安裝費用，再加上其它費用與資金成本，得出每公里的單位靜態投資造價，將這些指標作為神經網絡的輸出單元。

圖1 圖2

（二）工神經網絡模型的建立和設計

BP網絡模型結構的選擇主要涉及到輸入層、輸出層、隱含層神經元數目的確定、學習算法的確定等。

1、神經元數目的確立

輸人層：由上面送電線路工程概算體系結構的分析，按影響因素層次，可得到13項主要指標，也即是下面的輸入神經元。

輸出層：輸出節點對應于評價結果，在筆者建立的模型中，產生了7個相關指標，分別代表著本體工程的6項投資金額和單位投資金額，因此選擇7個輸出神經元節點。

隱含層：隱含層神經元單元數的選擇與輸入輸出單元的多少都有直接關系。

在實際操作中，可參考下面經驗公式(1)確定。

n1=(1)

其中，m為輸出神經元數；拓為輸入神經元數；a為1～10間的常數,形成的人工神經網絡示意圖見圖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，所討論的某地區基本是丘陵和山地組成，因此選擇它們作為2個輸入神經元，以所占線路的百分比表示。

2)線型因素

主要包括導線和地線型號的選擇，參考限額設計指標與實際采用的導線型號，對于110 kV線路，有LGJ―150／20、LGJ―185／25、LGJ一240／35、LGJ一300／35四種類型，依次選擇上述導線類型，將對應量化值為1、2、3和4。在地線型號選擇中，選取GJ一35、GJ一50，對于量化值為1和2，導線和地線型號量化值作為2個輸入神經元。

3)平均檔距

反映相鄰桿塔問的距離作為1個輸入神經元。

4)桿塔數目

鐵塔數目和水泥桿數目對于造價影響重大，選擇鐵塔數和水泥桿數為2個輸入神經元。

5)運距

它包括人力運距和汽車運距兩部分，作為2個輸入神經元。

6)土石方量

1個輸入神經元。

7)金具

它包括掛線金具和拉線金具兩部分，作為2個輸入神經元。

8)絕緣子

1個輸入神經元。

（2）輸出向量

工地運輸、土石方工程、基礎工程、桿塔工程、架線工程、附件工程、單位靜態投資。

參考文獻

篇7

關鍵詞： 回歸測試； 測試用例； 神經網絡； BP網絡

中圖分類號： TN711?34 文獻標識碼： A 文章編號： 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，設計過程中難免有各種各樣的錯誤，需要通過測試查找錯誤，以保證軟件的質量。軟件測試是由人工或計算機來執行或評價軟件的過程，驗證軟件是否滿足規定的需求或識別期望的結果和實際結果之間有無差別。大量統計資料表明，軟件測試工作量往往占軟件開發總量的40%以上。而回歸測試作為軟件生命周期的一個組成部分，在整個軟件測試過程中占有很大的工作量比重，軟件開發的各個階段都會進行多次回歸測試。在漸進和快速迭代開發中，新版本的連續使回歸測試變得更加頻繁，而在極端編程方法中，更是要求每天都進行若干次回歸測試。因此，研究回歸測試方法，盡可能地將軟件存在的問題找出來，對保證軟件質量和提升測試工作效率都是非常有意義的。

1 相關工作

1.1 回歸測試

回歸測試是指修改了舊代碼后，重新進行測試以確認修改沒有引入新的錯誤或導致其他代碼產生錯誤。對于一個軟件開發項目來說，項目的測試組在實施測試的過程中會將所開發的測試用例保存到“測試用例庫”中，并對其進行維護和管理。當得到一個軟件的基線版本時，用于基線版本測試的所有測試用例就形成了基線測試用例庫。在需要進行回歸測試時，就可以根據所選擇的回歸測試策略，從基線測試用例庫中提取合適的測試用例組成回歸測試包，通過運行回歸測試包實現回歸測試。

在軟件生命周期中，即使一個得到良好維護的測試用例庫也可能變得相當大，這使每次回歸測試都重新運行完整的測試包變得不切實際。一個完全的回歸測試包括每個基線測試用例，時間和成本約束可能阻礙運行這樣一個測試，有時測試工作不得不選擇一個縮減的回歸測試包來完成回歸測試。

1.2 相關技術的研究

測試用例的優化技術旨在以小的運行代價盡可能多地發現系統Bug。假設測試用例是能發現缺陷的；測試用例的運行效率是一樣的。測試用例的集合的選取不僅是減少用例的數目，降低用例的執行代價，也需要考慮測試覆蓋能力，即缺陷發現能力。在測試用例選擇優化的問題上，已有很多文獻對此進行了研究，如配對測試法[1]、關系樹模型[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 回歸測試用例集生成方法

2.1 基本原理

神經網絡是通過對人腦的基本單元――神經元的建模和聯接，探索模擬人腦神經系統功能的模型，并研制一種具有學習、聯想、記憶和模式識別等智能信息處理功能的人工系統。

神經網絡的一個重要特性是它能夠從環境中學習，并把學習的結果分布存儲于網絡的突觸連接中。神經網絡的學習是一個過程，在其所處環境的激勵下，相繼給網絡輸入一些樣本模式，并按照一定的規則（學習算法）調整網絡各層的權值矩陣，待網絡各層權值都收斂到一定值，學習過程結束，從而以新的方式響應環境。

2.2 BP神經網絡

Back?Propagation Network，由于其權值的調整采用反向傳播（Back Propagation）的學習算法，因此被稱為BP網絡。網絡中心思想是梯度下降法，通過梯度搜索技術，使網絡實際輸出值與期望輸出值的誤差均方值最小。網絡的學習過程是一種誤差邊向后傳播邊修正權系數的過程。一般分三層：輸入層（Input Layer），隱層（Hide Layer），輸出層（Out Layer），也可以有2層或更多個隱層。層與層之間采用全互聯方式，同一層單元之間不存在相互連接，如圖1所示。

由于神經網絡具有自學習、自組織和并行處理等特征，并具有很強的容錯能力和聯想能力，因此，神經網絡具有模式識別能力。在神經網絡識別中，根據標準的輸入輸出模式對，采用神經網絡學習算法，以標準的模式作為學習樣本進行訓練，通過學習調整神經網絡的連接權值。當訓練滿足要求后，得到知識庫，如圖2所示。

BP算法的具體步驟如下：

（1） 用小的隨機數對每一層的權值[W]初始化，以保證網絡不被大的加權輸入飽和；

（2） 計算網絡各層輸出矢量以及網絡誤差[E；]

（3） 計算各層反傳的誤差變化并計算各層權值的修正值以及新權值；

（4） 再次計算權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，訓練結束；否則繼續。

輸入信號[Xi]通過中間節點（隱藏層節點）作用于輸出節點，經過非線性變換，產生輸出信號[Yk，]網絡訓練的每個樣本包括輸入向量[X]和期望輸出量[t]（類別），網絡輸出值[Y]和期望輸出值（真值）[t]之間的偏差，通過調整輸入節點與隱藏層節點的連接強度取值和隱藏層節點與輸出節點之間的連接強度以及閾值，使誤差沿梯度的方向下降，經過反復學習訓練，確定與最小誤差項對應的網絡參數（權值和閾值），訓練即告停止。學習樣本的數量和質量影響學習效果和學習速度。

為了訓練一個BP網絡，需要計算網絡加權輸入矢量以及網絡輸出和誤差矢量，然后求得誤差平方和。當所訓練矢量的誤差平方和小于誤差目標，訓練則停止；否則在輸出層計算誤差變化，且采用反向傳播學習規則調整權值，并重復此過程。當網絡完成訓練后，對網絡輸入一個不是訓練集合中的矢量，網絡將給出輸出結果。

2.3 回歸測試用例包選取

基于全量的測試用例庫，回歸測試包的選擇策略可遵循下述基本算法進行：

（1） 識別出軟件中被修改的部分。

（2） 從原基線測試用例庫[T]中，排除所有不再適用的測試用例，確定那些對新的軟件版本依然有效的測試用例，其結果是建立一個新的基線測試用例庫[T0。]

（3） 依據一定的策略從[T0]中選擇測試用例測試被修改的軟件。

（4） 如果必要，生成新的測試用例集[T1，]用于測試[T0]無法充分測試的軟件部分。

（5） 用[T1]執行修改后的軟件。

在上述步驟中，第（2）和第（3）步測試驗證修改是否破壞了現有的功能，第（4）和第（5）步測試驗證修改工作本身。第（3）步中，將神經網絡知識結合到測試領域，通過對樣本的學習，確認修改沒有引入新的錯誤或導致其他代碼產生錯誤。

其主要思想為：對于[q]個輸入學習樣本：[P1，P2，…，Pq，]已知與其對應的輸出樣本為：[T1，T2，…，Tq。]通過網絡的實際輸出[A1，A2，…，Aq]與目標矢量[T1，T2，…，Tq]之間的誤差來修改其權值，使[Al （l=1，2，…，q）]與期望的[Tl]盡可能地接近，使網絡輸出層的誤差平方和達到最小。

3 回歸測試實踐的優化

在項目測試過程中，不僅需要應用高新的測試技術，也要從宏觀上制定可行的測試策略，解決在有限的時間中使測試覆蓋率最優化。本文從項目實踐角度出發，提出以下的回歸測試策略：

（1） 對所有已修復Bug進行驗證；

（2） 對新增功能進行全量重點測試；

（3） 對原有功能，按優先級進行測試。基于一定的風險標準從基線測試用例庫中選擇回歸測試包。首先運行最重要、關鍵和可疑的測試，而跳過那些非關鍵、優先級別低或者高穩定的測試用例，這些用例即便可能測試到缺陷，這些缺陷的嚴重性也較低，不影響系統的功能。一般而言，測試從主要特征到次要特征。

（4） 對修復的Bug可能會引入新的Bug的功能模塊重點測試，可采用本文介紹的神經網絡進行樣本訓練和用例篩選。將回歸測試局限于被改變的模塊和它的接口上。通常，一個回歸錯誤一定涉及一個新的、修改的或刪除的代碼段。在允許的條件下，回歸測試盡可能覆蓋受到影響的部分。

（5） 如果情況允許，測試全部用例的策略是最安全的策略。但已經運行過許多次的回歸測試不太可能揭示新的錯誤，而且很多時候，由于時間、人員、設備和經費的原因，不允許選擇再測試全部用例的回歸測試策略，此時，可以選擇適當的策略進行縮減的回歸測試。

4 結 語

將神經網絡知識引入到測試領域是一個比較新的研究，本文就此方向進行了研究，并給出了實例說明。然而，BP神經網絡需要大量的樣本數據用來訓練和測試，當樣本數量不夠時，預測的誤偏差可能會較大，回歸測試開始時，由于數據樣本不足，可能會存在預測的偏差，所以下一步的研究方向將是如何克服這一問題。

參考文獻

[1] 廖劍鋒，蔡賢濤.組合測試中用例集的選擇策略[J].計算機工程與應用，2012，48（11）：65?70.

[2] 鈕鑫濤，聶長海，CHAN Alvin.組合測試故障定位的關系樹模型[J].計算機學報，2014，37（12）：2505?2518.

[3] 聶長海，徐寶文，史亮.一種基于組合測試的軟件故障診斷方法[J].東南大學學報：自然科學版，2003，33（6）：681?684.

[4] 徐寶文，聶長海，史亮，等.一種基于組合測試的軟件故障調試方法[J].計算機學報，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

關鍵詞：BP神經網絡；飼料產量；飼料產量預測；畜牧水產業

中圖分類號：TP183 文獻標識碼：A 文章編號：2095-1302（2017）01-00-02

0 引 言

我國是世界上人口最多的國家，畜牧水產業的發展與我國國民生活息息相關。畜牧水產業的可持續發展需要飼料產業的支持。飼料產業為現代養殖業的可持續發展提供了重要的物質基礎，為我國人民生活水平的提高作出了重大貢獻[1]。

1979年，我國正式從傳統飼料進入現代飼料工業時代。經過30多年的發展，我國飼料產量逐年增加，于2011年開始超過美國，躍居世界第一，同時我國飼料從一開始飼料產品品種單一，質量不高，到現在飼料產品多樣化、系列化，且飼料產品質量管理體系不斷完善，有力地推動了養殖業的快速可持續發展，加快了農業結構調整，增加了國民收入[2]。

目前，國內用于飼料產量預測的方法并不多，范潤梅[3]提出的灰色預測理論建立了GM（1，1）模型用于預測20092011年我國飼料產量，該模型具有較好的預測精度。但由于灰色預測的理論缺陷，當數據波動較大時，GM（1，1）模型預測誤差較大，有時不能滿足預測需要。而BP神經網絡具有強大的學習能力，可以逼近任意復雜的非線性函數，信息利用率較高，在預測中得到了廣泛應用[4-6]。本文利用BP神經網絡模型和灰色預測模型對我國20102015年的飼料產量進行了預測，結果表明，BP模型具有很好的預測效果，預測最大誤差為5.79%，平均誤差為3.56%，而灰色預測模型預測的最大誤差為12.95%，平均誤差為7.24%。因此BP神經網絡模型能夠更好地用于飼料產量的預y，具有更高的工程應用價值。

1 灰色理論模型

GM（1，1）模型的基本原理如下：

根據灰色理論的原理，本文建立灰色預測模型的步驟如下所示：

①輸入樣本數據，根據公式（3）對樣本數據進行累加處理。

②根據公式（6）求得B和YN。

③根據公式（7）求得模型的累加預測值。

④根據公式（8）求得樣本的預測值。

灰色預測模型流程圖如圖1所示。

2 BP神經網絡模型

BP神經網絡有一個輸入層、一個輸出層和一個或多個隱含層，同層神經元間無關聯，異層神經元間向前連接。根據對象的復雜程度，選擇適當的網絡結構就可以實現從輸入空間到輸出空間的任意非線性函數的映射。BP神經網絡拓撲結構如圖2所示。

BP神經網絡建模流程圖如圖3所示。BP神經網絡模型的建立需要按照如下步驟進行：

（1）輸入樣本數據，對樣本數據進行歸一化處理。

（2）設置神經網絡的誤差精度、學習速率、最大訓練次數等參數。

（3）使用梯度下降法對權值和閾值進行調整，同時使用反向傳播算法對BP神經網絡進行訓練。

（4）訓練合格則模型建立成功，否則繼續訓練。

（5）使用訓練好的模型進行預測，輸出預測值。

（6）對預測值進行反歸一化處理，得到真實的預測值。

3 兩種模型在飼料產量預測中的應用

本文取19922015年這24年的飼料總產量相關數據進行飼料產量預測，以1992為起點依次選取19年的數據作為訓練樣本分別采用灰色預測模型和BP神經網絡模型來預測下一年的飼料產量，其預測結果和誤差分別如圖4、圖5所示。

從圖4可以看出，20112012年灰色模型和BP神經網絡模型的預測值與實際值都能夠較好地吻合，而2013年我國飼料產量下降，數據曲線不再線性增加，此時灰色模型的預測值就偏離了實際值，預測誤差增大，但是BP神經網絡模型的預測值還是可以與實際值較好地吻合。從圖5可以看出，BP神經網絡模型的誤差大約為5%，而灰色模型的誤差最大達到了10%以上。從圖4和圖5中可以看出，BP神經網絡模型相比灰色模型具有更高的預測精度，能夠更好地用于飼料產量預測。

4 結 語

由以上分析可知，采用灰色模型進行飼料產量預測時，當飼料產量減少，波動較大，灰色預測模型的預測誤差就可能會增大。本文采用BP神經網絡模型有效減小了波動時產生的預測誤差，提高了預測精度，為飼料產量的預測提供了一種新的研究方法。但該方法并不能夠時時優于灰色模型，因此該方法有待于進一步完善和發展。

參考文獻

[1]馬廣鵬.我國飼料行業發展現狀及趨勢分析[J].飼料工業，2013（4）：45-47.

[2]徐倩.畜牧飼料行業信息化管理進程[J].廣東飼料，2015，24（8）：10-13.

[3]范潤梅，解沛，王征南.灰色預測模型在我國飼料產量預測[J].中國畜牧雜志， 2009，45（8）：13-16.

[4]王啟平.BP神經網絡在我國糧食產量預測中的應用[J].預測 2002，21（3）：79-80.

[5]周彩蘭，劉敏.BP神經網絡在石油產量預測中的應用[J].武漢理工大學學報，2009（3）：125-129.

[6]徐黎明，王清，陳劍平，等.基于BP神經網絡的泥石流平均流速預測[J].吉林大學學報（地球科學版），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.

關鍵詞： 神經網絡；MATLAB；預測

Key words: neural network；MATLAB；prediction

中圖分類號：U45 文獻標識碼：A 文章編號：1006-4311（2012）25-0125-03

0 引言

隧道巖土是一個復雜的綜合系統，各種參數具有很大的不確定性，這給我們判定其工程性質和參數帶來了困難。BP神經網絡則是處理復雜系統的有效工具，它具有廣泛的適用性，不但能較好地擬合已知數據，而且還具有良好的預測功能。借助MATLAB的實用工具箱，用戶可以不再考慮復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神經網絡在隧道工程等差時間序列的數據處理和預報中的應用。

1 BP神經網絡技術

前饋反向傳播網絡（Back-Propagation-Network，簡稱BP網絡）是目前應用最廣泛的神經網絡模型之一。在人工神經網絡的實際應用中，80%～90%的人工神經網絡模型都是采用BP網絡或它的變化形式。它也是前向網絡的核心部分，并且是人工神經網絡最精華的部分。如今，網絡在模式識別、圖像處理與分析、控制等領域有著廣泛的應用。

從結構上講，BP網絡是一種分層型的典型多層網絡。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給出了一個典型的3層BP神經網絡結構。

BP網絡可被看成是一個從輸入到輸出的高度非線性映射，即F:RmRn，Y=f（x）。對于樣本集合輸入：輸入xi（Rm）和yi（Rn）輸出，可以被認為存在某一映射g，g（xi）=yi，i=1，2，……p。現要求有一個映射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：給定任一連續函數f：UR，這里U是閉單位區間[0，1]，f可以精確地用一個3層前饋網絡實現，此網絡的第一層（即輸入層）有m個處理單元，中間層有2m+1個處理單元，第三層（即輸出層）有n個處理單元。

2 隧道周邊位移的監測

在隧道施工過程中，由于勘探工作的密度有限，使隧道所穿越的實際圍巖類別與設計時勘察報告所提供的圍巖類別會有所差別，并可能出現勘察時不能探明的不良地質和圍巖大變形情況。隧道結構是圍巖與隧道支護共同作用的結果，為了在圍巖和支護安全的前提下，充分發揮圍巖的自載能力，以在經濟合理的支護條件下達到安全性的目的，必須通過監控測量實現信息化施工。

通過在開挖后坑道內壁面設置錨固點，采用收斂計測定坑道圍巖壁面發生的收斂位移，圍巖收斂量測的布置如圖2所示，每個量測斷面設置5個錨固點，即圖中的點A、B、C、D和E點。通過測定測線AE、BD、CE的位移變化，可以確定出其發生的收斂位移和大變形。

量測的頻度宜根據位移速度的距工作面距離選取，如表1所示。

通過對隧道某一斷面近一個月的周邊位移曲線量測數據的統計，得到相關數據如表2所示。

3 建立BP神經網絡預測模型

在進行BP網絡預測模型設計時，主要考慮網絡的層數和每層中神經元的個數。

3.1 網絡層數 根據上文提到的Kolmogorov定理，一個3層的BP網絡可以完成任意的m維到n維的映射。學習不連續函數時才需要兩個隱含層，故一般情況下最多需要兩個隱含層。最常用的BP神經網絡結構是3層的，即輸入層、輸出層和一個隱含層。

3.2 網絡各層中神經元的個數 輸入、輸出節點是與樣本緊密相關的，與其應用的領域有關。根據斷面周邊位移的時間序列，確定輸入層神經元數為20，即輸入變量為連續20天的周邊位移序列；輸出層神經元數為1，即輸出變量為第21天的周邊位移。

隱含層節點數會在一定程度上影響到神經網絡的性能。輸入輸出節點數、求解問題的要求等都關系到隱含層節點數的多少。我們必須慎重選擇隱含層節點數，若隱含層節點數太少，容錯性差，會降低識別未經學習的樣本能力；若隱含層節點數太多，就要延長網絡訓練時間，同時存儲樣本中非規律性的內容，影響泛化能力的發揮，所以，設計者必須經過多次嚴格的試驗才可確定最佳的隱含層節點數。

筆者按照自身實踐經驗，提出通過下列公式進行設計：

i=■+a，

式中i、m、n分別代表隱含神經元的個數、輸入層神經元的個數以及輸出層神經元的個數，a代表1～10之間的調節常數。

改變i，采用同一樣本集訓練，并確定網絡誤差最小時所對應的隱含層節點數。

根據上述分析，我們可設定隱含層的神經元數是12。

4 BP神經網絡預測的MATLAB實現

4.1 數據樣本的預處理 將樣本分為訓練集和測試集，用第1～21天的周邊位移時間序列作為訓練集，即第1～20天的周邊位移時間序列作為訓練輸入，第21天的周邊位移作為訓練輸出；第22～25天的周邊位移時間序列作為測試集，用以驗證結果。

4.2 確定激活函數 根據處理后的數據范圍，筆者選取的激活函數為tansig和purelin。

4.3 設定網絡的最大學習迭代次數為6000次。

4.4 設定網絡的學習精度為0.0001

4.5 創建和訓練BP神經網絡的MATLAB程序：

%周邊位移預測

>> 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顯示網絡學習迭代到127次時，就已經滿足精度要求，其學習速度較快。

4.6 測試BP神經網絡 將輸出數據還原，與實測數據比較，說明BP神經網絡預測的MATLAB實現是可行的。結果如表3所示。

由結果可見其對隧道工程的測量數據進行處理和預測是有效的。

5 結論

隧道圍巖變形時間序列數據中蘊含著系統演化的信息，我們可以從這些數據中找出其蘊含的規律性，同時也可以利用已知的觀測資料來預報系統的未來動態。神經網絡方法從模擬人腦的形象思維入手，具有非線性、并行性、魯棒性和強泛化性等特點；對于處理具有強噪聲、模糊性、非線性的地下工程地質信息，它具有廣泛的應用前景。

參考文獻：

[1]傅薈璇.MATLAB神經網絡應用設計．機械工業出版社，北京，2010.7.

篇10

關鍵詞： 神經網絡；信息融合；智能家電；故障測控

中圖分類號：TP399文獻標識碼：A文章編號：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，雖然我國家電維修行業取得了巨大的發展，但仍然面臨如下問題：①由于家用電器的社會擁有量非常巨大，導致大量故障家電得不到及時維修；②由于大量新技術被廣泛運用到各種新型家電設備中，對維修人員的素質提出了更高的要求；③由于家電本身是一種相當復雜的機電一體化設備，所以家電故障診斷與維修是個費時費力的工作。

隨著計算機網絡技術和家用電器技術的不斷擴展，消費電子、計算機、通訊一體化趨勢日趨明顯，基于家庭網絡的智能化信息家電產品已經開始步入社會和家庭。這為家電的在線測控提供了可能。

另一方面，人工智能技術也在迅速的發展，特別是人工神經網絡和信息融合技術在故障測控領域的應用，為設備故障測控的智能化提供了可能性，也使得測控技術進入了新的發展階段。

因此有必要對現有的家電維修方式進行改進，基于神經網絡和信息融合技術的智能家電故障測控系統正是為了解決這一問題。一方面可以提高我國家電企業故障診斷與維修的水平和效率，節省檢測和維修成本并使產品具有更大的競爭力。另一方面，對將人工智能技術引入到家電維修行業進行有益的探索。

2 BP神經網絡算法

在眾多神經網絡模型中，應用最廣泛的是BP網絡。BP網絡所使用的訓練算法是誤差反向傳播學習算法(Error Back-Propagation)，即BP算法[1]。該算法的學習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隱含層逐層處理，并傳向輸出層。每一層神經元的狀態只影響下一層神經元的狀態。如果輸出層得不到期望的輸出，則轉入反向傳播，將誤差信號沿原來的連接通道返回，通過修改各層神經元的權值，使得誤差信號最小。

基于BP算法的神經網絡模型獲得了廣泛的應用，在故障測控中，引入該算法，一方面可以適應測控環境的動態變化，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、觸覺等功能獲得對事物的各個不同側面(或角度)的具有不同度量特征的信息，人腦再根據己有的知識對這些信息綜合分析，從而更全面地認識事物。

信息融合的基本原理就是模仿人腦的這個過程，得到一個對復雜對象的一致性解釋或結論。信息融合比較確切的定義可概括為：充分利用多個傳感器在空間或時間上的冗余或互補信息，依據某種準則來進行融合，以獲得被測對象的一致性解釋或描述，從而取長補短，精確地反映被測對象的特征，消除信息的不確定性，提高系統的可靠性[2,3]。

由于智能家電故障測控系統是一個多信息源、多特征參數的復雜系統，將信息融合技術引入到該系統中，可以大大提高故障診斷的準確性。

4 智能家電概念

智能家電指的是將微電腦和通信技術融入到傳統的家用電器中，使之智能化并具有網絡終端功能，可以隨時隨地地獲取與處理信息的消費電子產品。其重要特征是可以傳遞數字信息[4,5,6]。正是由于這一重要特征，使得基于網絡環境的故障測控成為可能。

5 智能故障測控系統

與傳統的故障測控方式相比，智能故障測控方式具有以下優點。

(1)能夠模擬人腦的邏輯思維過程，可以解決需要進行復雜推理的復雜測控問題。

(2)可以存貯和推廣領域專家寶貴的經驗和知識，更有效地發揮各種專門人才的作用，使一般的維修人員也可以掌握復雜設備的故障測控知識。

(3)智能故障測控系統在某些方面比人類專家更可靠，更靈活，可以在任何時候，任何條件下提供高質量的服務，不受外界的干擾。

(4)智能故障測控系統便于用戶對知識庫的修改和完善。先進的智能故障測控系統還具有學習的功能，能夠在測控過程中自動完善知識庫，提高系統的測控能力。

因此，智能故障測控系統是測控技術的重要發展方向。

6 技術方案

6.1 系統總體目標

考慮到當前的經濟技術條件，基于神經網絡和信息融合技術的智能家電故障測控系統的總體目標為：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可實現家用電器的自適應控制；③具有自學習和自判別能力；④提供輔助決策建議。例如，監測電冰箱的各項工作指標，通過壓縮機上的震動傳感器隨時掌握電冰箱的工作情況，在得到即將出現故障信號時就可以在線對其進行智能診斷，并自動對其進行處理。

6.2 系統總體框架

基于神經網絡和信息融合技術的智能家電故障測控系統的總體框架如圖1所示。該系統主要由測控中心、BP神經網絡模塊庫、信息融合模塊庫和現場網絡四部分構成。

圖1 系統的總體框架

6.2.1 測控中心

根據BP神經網絡模塊和信息融合模塊，對現場設備采集到的數據進行處理，視處理結果而作出相應的動作。例如在線控制、電話通知用戶或向智能家電生產廠商匯報等。

6.2.2 BP神經網絡模塊庫

根據不同的智能家電，基于改進的BP神經網絡算法訓練得到的故障測控模塊集，負責進行相應智能家電的故障測控。例如，當空調出現故障后，就調用空調測控模塊（基于改進的BP算法）進行測控；當電視機出現故障后，就調用電視機測控模塊（基于改進的BP算法）進行測控。

6.2.3 信息融合模塊庫

根據不同的智能家電，基于不同的信息融合規則而建立的信息融合模塊集，負責進行相應智能家電的故障融合。例如，當空調出現故障后，就調用空調信息融合模塊；當電視機出現故障后，就調用電視機信息融合模塊。

6.2.4 現場網絡

主要通過家庭網絡將各種智能家電連接起來，一方面完成現場數據的采集、計量，另一方面負責將采集結果上傳到測控中心。

6.3 系統的實現

系統的實現主要包括兩個方面，一方面是對BP算法進行改進，另一方面是滿足不同的智能家電需要不同的QoS(服務質量)保障要求。

6.3.1 對BP算法進行改進

為了滿足家用電器故障測控系統的實時性要求，所以有必要對傳統的BP算法進行改進（傳統的BP算法收斂速度慢）。

基本的BP算法根據梯度法、即最速下降法來解決使誤差函數(E(W))達到最小這一問題，權向量按照誤差函數的負梯度方向來修正，直到函數E(W)達到最小值。因此，權向量的迭代公式為：

W(k+1)=W(k)+ηG(k)

其中η為學習率，表示學習的步長（在變步長算法中η可以調整）；G(k)為函數E(W)的負梯度，即：

G(k)=-E(W)/W

但是，常規的BP算法收斂速度慢是一個比較突出的問題，為了加快BP算法的收斂速度，引入動量因子α，從而將權向量迭代修正規則改進為：

W(k+1)=W(k)+ηG(k)+αΔW(k)

式中：

ΔW(k)=W(k)-W(k-1)。

ΔW(k)記憶了上一時刻權向量的修正方向。動量因子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(服務質量)保障要求

考慮到家庭網絡中智能家電設備的多樣性，不同的設備就需要不同的QoS(服務質量)保證；例如：電視機的實時性要求比電話機高，電話機的實時性要求比電冰箱高。另一方面，不同的家電設備其故障參數也不盡相同。為了保證智能家電的QoS要求，采取了以下措施。

網絡模型的確定以家庭網絡中各種家用電器的故障現象X=(x1,x2,x3,…,xn)作為輸入，故障原因Y=(y1,y2,y3,…,ym)作為輸出，以不同的故障原因導致的故障現象為訓練樣本進行學習，從而建立故障現象與故障原因之間的映射關系。采用改進的BP算法進行訓練，直到得到期望的輸出為止。進而將該訓練后得到的BP網絡模型保存到BP神經網絡模塊庫中。如此反復訓練，獲得所有智能家電的BP神經網絡訓練模塊，均保存到BP神經網絡模塊庫中。

信息融合模塊庫的建立以智能家電故障權值(故障出現的統計概率)乘以由傳感器實時檢測到的故障概率作為判斷概率，判斷概率越大，說明出現故障的可能性就越大；由于有實時概率的校正，所以比單獨使用統計概率具有更大的準確性。對每種智能家電都進行這樣的處理，最后得到多種智能家電的信息融合模塊集。

智能家電的識別由于家庭網絡中有多種智能家電，對不同的智能家電就需要進行區分。我們給每一個智能家電一個標號，例如：1表示電視機，2表示空調等。因此，只要我們在發送信息時，在標識位填入相應的標號即可識別不同的智能家電。

優先級的確定：一個故障現象可能是由多種故障原因所引起，但每一種故障原因發生的概率是不一樣的，為了加快確定引起故障現象的原因，我們把不同故障原因定義不同的優先級，優先級的數值越大，表明發生故障的概率越大，并且每一個優先級對應一個給定的權值。

例如：以空調故障為例，當“房間溫度均偏高”故障現象發生時，可定義：

優先級0：表冷器結霜，造成堵塞 ；（出現的概率最小）

優先級2：通過空氣處理設備的風量過大，熱交換不良；

優先級3：噴水堵塞；

優先級4：冷凍機產冷量不足。（出現的概率最大）

6.4 工作過程

現場網絡首先對智能家電參數進行采集、預處理，然后上傳到測控中心，測控中心首先判斷是哪一個智能家電發生故障，再根據BP神經網絡和信息融合模塊庫調用相應的經過訓練的模塊，并且根據判斷概率(故障權值乘以故障出現的統計概率)進行相應的處理。根據處理結果做出相應的動作反應。例如，若即將出現故障或故障較輕，就可以自動地、在用戶不知情的情況下對智能家電進行在線維護；若故障嚴重，在線修復成為不可能，就可以電話通知用戶或者通過Internet通知生產廠家。

6.5 技術帶來的好處

(1)節省維修費用。采用該系統后，智能家電維修大多數情況下是在線進行的，維修人員不必親自上門服務。進而降低成本，節省維修費用。

(2)有利于改善產品質量。在測控中心，對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，進而改善產品質量。

(3)方便用戶。傳統情況下，一旦家電出現故障，用戶要么將家電搬到維修中心，要么叫維修人員上門服務，這樣對廠家對用戶都不方便，并且用戶隨時都要關心自己家中的家用電器使用情況，無形之中增加了心理負擔。現在用戶只管放心地使用家電而不必關心家電的使用情況，因此對于用戶來說增加不多的費用卻帶來了高檔次的服務和方便的使用。

7 結束語

該系統設計方案將神經網絡和信息融合技術應用于家庭網絡中的智能家電故障測控系統，切實可行。依托該系統，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，而且降低企業維修成本并快速改善產品質量，進而提高其在國內國際中的競爭力。

參考文獻：

[1] 王永慶. 人工智能原理與方法[M]. 西安：西安交通大學出版，2001.

[2] 權太范. 信息融合神經網絡[M]. 北京：國防工業出版社，2002.

[3] 李山林, 閻福旺, 袁延藝. 信息融合技術[M]. 北京：海洋出版社，2005.

[4] 吳莘. 利用通信手段進行智能家電遠程控制的探討[J]. 貴州科學, 2002,(4):107-109.

[5] 黃孝建. 社區寬帶業務與網絡[M]. 北京:北京郵電大學出版社,2002.

[6] 戴瓊海. 寬帶信息網絡[M]. 北京：清華大學出版社，2002.

[7] 王波，卿曉霞. 智能建筑導論[M]. 北京：高等教育出版社，2003.

[8] 劉國良，樂琦. 基于Internet的智能家電故障測控系統[J]. 微處理機,2005,(6).