人工神經網絡的定義范文

導語：如何才能寫好一篇人工神經網絡的定義，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：BP人工神經網絡 路表彎沉盆 彈性模量反演 瀝青面層 瀝青路面

中圖分類號：U41 文獻標識碼：A 文章編號：1674-098X（2015）10（b）-0091-04

Research on elastic modulus backcalculation of asphalt course using BP artificial neural network based on surface deflection basin of pavement

Yang Guoliang Zhong Wen Huang Xiaoyun Liang Simin He Huihui Chen Jiaju

（School of Civil Engineering of Guangzhou University，Guangzhou Guangdong，510006，China）

Abstract：Based on layered elastic theory，the elastic modulus of asphalt course in asphalt pavement was predicted using BP artificial neural network.According to the types of pavement structure in common use，the database of surface deflections with their corresponding structural parameters of asphalt course based on layered elastic theory was established.The elastic modulus backcalculation model of asphalt course in asphalt pavement was developed using BP artificial neural network to predict.The predictive results of asphalt course elastic modulus backcalculation using theoretical deflection basin and measured deflection basin indicate that the elastic modulus backcalculation model of asphalt course in asphalt pavement is of good predictive accuracy and reliability.It would provide the references with the elastic modulus backcalculation model of asphalt course to accurately and quickly estimate the conditions of asphalt course in asphalt pavement.

Key Words：BP artificial neural network；Ssurface deflection basin of pavement；Elastic modulus backcalculation；Asphalt course；Asphalt pavement

表征瀝青面層性能的其中一個最為重要的指標就是其彈性模量。眾多的國內外研究[1-2]表明，利用落錘式彎沉儀采集的路表彎沉盆反算瀝青面層彈性模量是可行的。因此，文章基于層狀線彈性體系理論，并結合BP人工神經網絡具有并行處理、很強的高度非線性映射能力等特點[3-4]，進行了采用BP人工神經網絡由路表彎沉盆反演瀝青面層彈性模量的探討。

1 瀝青路面結構力學分析模型

假設路面沿深度方向分成為n個水平層，層間滿足連續條件，路面表面作用有圓形均布軸對稱垂直荷載p，第i層厚度、彈性模量和泊松比分別定義為hi，Ei，μi（i=1，2，…，n-1），最下層為土基彈性半空間體，其彈性模量和泊松比分別定義為E0和μ0。每一水平層均符合理想彈性、完全均質、各向同性、微小形變等彈性理論假設，其力學分析圖見圖1。

2 BP人工神經網絡反演瀝青面層彈性模量模型

BP網絡是一多層前饋網絡，如圖2所示。

每個結構層的厚度和彈性模量取值范圍見表1。

根據表1參數，確定預測模型的拓撲結構，見表2。

對BP人工神經網絡進行網絡訓練，其訓練過程曲線如圖3所示。

經過BP人工神經網絡反演訓練后，瀝青面層彈性模量預測值與目標值的逼近程度如圖4所示。

3 瀝青面層彈性模量反演模型精確度分析

3.1 由理論彎沉盆反演瀝青面層彈性模量值

構造理論路面結構，見表3。各個傳感器與承載板中心的距離及彎沉盆見表4。BP人工神經網絡模型反演值及其與理論值之間的誤差見表5。

從表5看到，反演值與理論值很接近，兩者之間的相對誤差只有1.10%。

3.2 由實測彎沉盆反演瀝青面層彈性模量

選取三層體系的一個實測彎沉盆數據進行分析，如表6所示。彎沉盆由7個彎沉值表征，其位置及其相應的彎沉值如表6所示。

選擇EVERCALC、WESDEF以及MODULUS等反算程序進行對比。

對表6的非標準荷載作用下的彎沉盆進行標準化換算，其換算方法見式（1）。

（1）

式中：P=落錘式彎沉儀作用的非標準荷載，kN；DP=非標準荷載作用下的路表彎沉值，um；a=FWD承載板半徑，cm，一般為15cm。

對表6的彎沉值回歸后再進行內插和外延獲得文中BP人工神經網絡預測模型傳感器位置處的彎沉值，見表7。

各種反算程序的瀝青面層彈性模量反算值見表8。

從表8的各種算法結果來看，文中BP人工神經網絡模型與國外反算程序反算結果較為接近。因此，利用BP人工神經網絡模型進行模量反演，不僅可以獲得理想的精度，而且反算過程更簡便。

4 結語

（1）根據國內常用路面結構形式，經過試算與分析，最終建立了瀝青路面瀝青面層彈性模量反演的BP人工神經網絡預測模型。

（2）分別采用了理論彎沉盆和實測彎沉盆進行檢驗。檢驗結果表明，文中建立的瀝青路面瀝青面層彈性模量BP人工神經網絡預測模型不僅能迅速得到預測結果，而且反算過程更簡便，并與國外反算程序的反算結果差異不大，為評價瀝青面層路用狀況提供了一種有效的途經。

參考文獻

[1] 楊國良，吳曠懷.利用BP神經網絡反算瀝青路面結構層彈性模量的研究[J].中山大學學報：自然科學版，2008， 47（5）：44-48.

[2] 張小寧，孫立軍.瀝青路面面層和基層結構模量的反算[J].同濟大學學報：自然科學版，2004，32（10）：1386-1389.

篇2

1.1集先進性、實用性和前沿性為一體的教學內容改革對國內外優秀的人工智能教材[2-6]的內容進行整合，建立人工智能的知識體系，并提取人工智能課程的知識要點，確定集先進性、實用性和前沿性為一體的教學內容。人工智能的核心思想是研究人類智能活動規律和模擬人類智能行為的理論、方法和技術，因此人工智能應圍繞“智能”這個中心。由于智能本身的復雜性，難以用單一的理論與方法來描述，因此可以通過建立人工智能的不同層次來刻畫智能這個主題。人工智能的主要內容可按圖1所示劃分為最底層、抽象層、邏輯層和應用層這4個不同層次。在最底層，神經網絡與演化計算輔助感知以及與物理世界的交互。抽象層反映知識在智能中的角色和創建，圍繞問題求解對知識進行抽象、表示與理解。邏輯層提出學習、規劃、推理、挖掘的模型與方式。應用層構造智能化智能體以及具有一定智能的人工系統。將人工智能劃分為這4個層次可確定人工智能課程的教學內容，并保證教學內容的循序漸進。

1.2基于人工智能知識體系的教學案例庫建設根據所確定的教學內容、知識重點和知識難點，從國內外經典教材、科研項目、研發設計、生產建設以及國內外人工智能網站等多種途徑，收集案例素材，加以整理，撰寫各知識要點的教學案例及其內容。表1給出基于人工智能知識體系的教學案例示例。

2人工智能課程教學案例的詳細設計

在教學案例具體設計時應包括章節、知識重點、知識難點、案例名稱、案例內容、案例分析過程、案例教學手段、思考/討論內容等案例規范，分別從以下單一案例、一題多解案例和綜合應用案例3種情況進行討論。

2.1單一案例設計以人工智能課程中神經網絡課堂教學內容為例，介紹基于知識點的單一案例的設計。神經網絡在模式識別、圖像處理、組合優化、自動控制、信息處理和機器人學等領域具有廣泛的應用，是人工智能課程的主要內容之一。教學內容主要包括介紹人工神經網絡的由來、特性、結構、模型和算法，以及神經網絡的表示和推理。這些內容是神經網絡的基礎知識。其重點在于人工神經網絡的結構、模型和算法。難點是人工神經網絡的結構和算法。從教學要求上，通過對該章節內容的學習，使學生掌握人工神經網絡的結構、模型和算法，了解人工神經網絡的由來和特性，一般性地了解神經網絡的表示和推理方法。采用課件PPT和演示手段，由簡單到復雜，在學生掌握人工神經網絡的基本原理和方法之后，再講解反向傳播BP算法，然后運用“手寫體如何識別”案例，引導學生學習理解人工神經網絡的核心思想及其應用方法。從國外教材中整理和設計該案例，同時應包括以下規范內容。章節：神經網絡。知識重點：神經網絡。知識難點：人工神經網絡的結構、表示、學習算法和推理。案例名稱：手寫體如何識別。案例內容：用訓練樣本集訓練一個神經網絡使其推廣到先前訓練所得結果，正確分類先前未見過的數據。案例分析過程：①訓練數字識別神經網絡的樣本位圖；②反向傳播BP算法；③神經網絡的表示；④使用誤差反向傳播算法訓練的神經網絡的泛化能力；⑤一個神經網絡訓練完畢后，將網絡中的權值保存起來供實際應用。案例教學手段：手寫體識別的神經網絡演示。思考/討論內容：①訓練改進與權值調整改進；②過學習/過擬合現象，即在一個數據集上訓練時間過長，導致網絡過擬合于訓練數據，對未出現過的新數據沒有推廣性。

2.2一題多解案例設計一題多解案例有助于學生把相關知識點聯系起來，形成相互關聯的知識網絡。以人工智能課程中知識及其表示教學內容為例，介紹一題多解案例的設計。知識及其表示是人工智能課程三大內容（知識表示、知識推理、知識應用）之一。教學內容主要包括知識表示的各種方法。其重點在于狀態空間、問題歸約、謂詞邏輯、語義網絡等知識表示方法。難點是知識表示方法的區別及其應用。從教學要求上，通過對該章節內容的學習，使學生掌握利用狀態空間法、問題歸約法、謂詞演算法、語義網絡法來描述和解決應用問題，重點掌握幾種主要知識表示方法之間的差別，并對如何選擇知識表示方法有一般性的了解。通過講解和討論“猴子和香蕉問題”案例，來表示抽象概念。該案例從國內外教材中進行整理和設計，同時包括以下規范內容。章節：知識及其表示。知識重點：狀態空間法、問題歸約法、謂詞邏輯法、語義網絡法等。知識難點：知識表示方法的區別及其應用。案例名稱：分別用狀態空間表示法與謂詞邏輯法表示猴子和香蕉問題。案例內容：房間內有一只機器猴、一個箱子和一束香蕉。香蕉掛在天花板下方，但猴子的高度不足以碰到它。猴子如何摘到香蕉？如何采用多種知識表示方法表示和求解該問題？案例分析過程：①狀態空間法的解題過程。用n元表列表示該問題的狀態；定義問題的操作算符；定義初始狀態變換為目標狀態的操作序列；畫出該問題的狀態空間圖。②謂詞邏輯法的解題過程。定義問題的常量；定義問題的謂詞；根據問題描述用謂詞公式表示問題的初始狀態、中間狀態和目標狀態。案例教學手段：猴子和香蕉問題的演示。思考/討論內容：①選擇知識表示方法時，應考慮哪些主要因素？②如何綜合運用多種知識表示方法獲得最有效的問題解決方案?

2.3綜合應用案例設計與單一案例、一題多解案例相比，綜合應用案例能更加有效地啟發學生全方位地思考和探索問題的解決方法。以機器人行動規劃模擬為例，介紹人工智能綜合應用案例的設計，該案例包括以下規范內容。章節：人工智能綜合應用。知識重點：人工智能的研究方向和應用領域。知識難點：人工智能的技術集成。案例名稱：機器人行動規劃模擬。案例內容：綜合應用行為規劃、知識表示方法、機器人學、神經網絡、人工智能語言等多種人工智能技術與方法，對機器人行動規劃問題進行描述和可視化。案例分析過程：①機器人行為規劃問題求解。采用狀態歸約法與分層規劃技術，將機器人須完成的總任務分解為若干依序排列的子任務；依據任務進程，確定若干關鍵性的中間狀態，將狀態對應為進程子規劃的目標；確定規劃的執行與操作控制，以及機器人過程控制與環境約束。②基于謂詞邏輯表示的機器人行為規劃設計。定義表達狀態的謂詞邏輯；用謂詞邏輯描述問題的初始狀態、問題的目標狀態以及機器人行動規劃過程的中間狀態；定義操作的約束條件和行為動作。③機器人控制系統。定義機器人平臺的控制體系結構，包括反應式控制、包容結構以及其他控制系統等。④基于神經網絡的模式識別。采用神經網絡方法以及BP算法對桌面茶壺、杯子等物體進行識別，提取物體圖形特征。⑤機器人程序設計語言。運用人工智能語言實現機器人行動規劃行為的可視化。案例教學手段：機器人行動規劃的模擬演示。思考/討論內容：人工智能將會怎樣發展？應該在哪些方面進一步開展研究？

3案例教學環節和過程的具體實施細節

人工智能案例教學的實施面向筆者所在學院軟件工程專業三年級本科生展開。具體實施細節如下。（1）教學內容的先進性、實用性和前沿性。引進和整合國外著名人工智能教材內容，保證課程內容具有先進性。同時將前沿人工智能的研究成果與技術有機地融入課程案例教學之中。（2）案例教學的創新教學模式。在教師的引導下，將案例中涉及的人工智能內容推廣到對人工智能的一般性認識。案例的教學過程，成為認識人工智能、初步運用人工智能的理論與方法分析和解決實際應用問題的過程，使學生具備運用人工智能知識解決實際問題的意識和初步能力。在課程教學中，打破國內常規教學方式，建立和實施開放式案例教學模式。采用動畫課件、錄像教學、實物演示、網絡教學等多種多媒體教學手段，以及集中講授與專題討論相結合的教學方式將理論、方法、技術、算法以及實現有機結合，感性認識與理性認識相結合，理論與實際相結合，極大地激發學生自主和創新性學習的熱情。（3）“課堂教學—實踐活動—現實應用”的有機融合。在案例教學過程中，從傳統教學觀以學會為中心轉化為創新應用型教學觀以創新為中心，以及從傳統教學的以課堂教學為中心轉化為以課堂教學與實踐活動并重為中心，構造具體問題場景以及設計教學案例在情境中的現實應用，加深學生對教學內容的理解，同時提高學生的思考能力和實際綜合應用能力。

4結語

篇3

關鍵詞：數據 神經網絡 數據挖掘

中圖分類號：TP311 文獻標識碼：A 文章編號：1007-9416（2015）12-0000-00

1引言

信息在數據庫中被搜集出來通過統計、人工智能、情報檢索、在線分析處理、機器學習等多種方法來進行數據的整理和分析，將數據整理的結果應用于商業管理、工程開發、股票管理和科學研究等多個方面。隨著社會的不斷進步人們對數據的要求也逐漸的增加，通過對數據的收集和分析來解決問提并提供更加可行的方案。而面對數據時代中大量的數據其中有真有偽，如何從中提取隱含在其中對決策有意義的信息，提高信息資源的利用率成為信息時代亟須解決的問題。這一需求就要求我們不斷推進神經網絡的研究和技術深化數字挖掘，才能讓神經網絡在數據挖掘中進行應用，方便社會中商業、科研等各領域的使用。

2數據挖掘

從海量的數據庫中挖掘信息的過程挖掘就稱之為數據挖掘（Data Mining）[1]。簡而言之，數據挖掘就是從大量的、隨機的數據中，提取隱含在其中的、但是又是潛在有用的信息和知識的過程[2]。

數據挖掘的主要流程是獲取和整理數據的來源、使用相關的技術和知識、整合和檢查數據、刪除隱含著錯誤的數據、建立模型和假設、進行數據挖掘、測試和檢驗數據挖掘結果最終將挖掘的數據進行應用。

數據挖掘的主要功能數據的分類是指在數據挖掘的過程中將數據庫之中根據不同事物的屬性、特點的不同進行劃分，利用不同的組類來描繪事物以便對事物進行了解；數據的聚類是指根據分析對象的內在規律將數據庫中的數據進行群組的劃分，將整個數據庫劃分出不同的群組，并保證同一群組中數據的相似性以及不同群組之間有一定的差別；數據的關聯規則和序列模式是指找出數據庫中具有相關性的數據，就是某一事物在發生變化之后與之就有相關性的數據也會發生這一變化；數據的偏差檢測是指針對數據中極少數的極端數據、偏差數據進行分析，找出其中的內在原因。

3人工神經網絡

人工神經網絡是某種抽象、簡化和模擬，根據神經網絡的結構和功能，先后提出的神經元模型有上百種。[3]

人工神經網絡的主要優勢是具有自學習功能。這種自學習功能能夠在圖像識別的過程中進行使用，只要把多個圖像樣板和需要識別的結果輸入到神經網絡之中就能夠通過自學習功能對圖像進行識別。這一功能對未來的預測具有極其重要的意義。通過人工神經網絡對未來進行預測能夠為經濟、股市、市場等提供發展方向，推動經濟發展。通過人工神經網絡對一復雜問題進行大量的計算來尋求優化解。這一功能主要是依靠神經網絡的高速運算能力來完成的，能夠在短期內對問題進行優化解。

4 神經網絡在數據挖掘中的應用

在最開始神經網絡應用于數據挖掘之中并不被眾人所看好，其主要原因是由于神經網絡再解釋自身行為上的能力欠缺以及神經網絡容易出現過度訓練，造成訓練數據效果好而檢驗數據的效果不佳等問題造成的。然而不可忽視的是神經網絡在數據挖據應用的過程之中的優勢，可以用于數據中有時間單元的情況還能夠對噪聲數據進行很好的處理，與此同時還能夠保證較低的錯誤率。

4.1數據準備

數據準備是整個數據挖掘之中至關重要的一項。只有數據準備的過程之中對數據進行合理處理、定義和表示，才能讓數據挖掘的過程之中順利的對數據進行的使用和分析。

數據清洗是指數據在裝入數據庫之前，通過基于規則的方法對字段定義域以及其與其他字段的相互關系對數據進行評估；通過可視化的方法將數據集以圖形的形式展現出來，能夠更快速的分辨臟數據；利用統計學方法更改錯誤數據，填補缺失數據。數據選擇則是通過列和行利用SQL語言對本次數據挖掘所需要的數據進行選擇。

數據處理是利用新字段、數據值的比例變換等方法對數據進行一個增強處理。這種信息增強處理不僅能夠提高數據挖掘的質量而且能夠降低數據挖掘的時間消耗，提高效率。由于神經網絡只能夠對數值性的數據進行處理，這就要求我們對數據進行轉換，將文本數據處理成與之相對應的映射表，從而轉化成為神經網絡數據挖掘算法能夠接受的形式。

4.2規則提取

目前，規則提取主要使用的方法有符號方法和連接主義方法兩大類。符號方法基于粗集理論、決策樹等技術支持，對分類知識進行分類規則的轉換；而連接主義方法則主要在其結構中進行知識的存儲但是不利于人們的理解。神經網絡的這一方法不利于數據的挖掘，但由于神經網絡分類精度高、魯棒性好等優點在分類問題中表現突出，大多數的學者更注重專研從神經網絡中進行提取規則。

4.3規則評估

在一個數據庫之中隱藏著大量規則，為了在給定數據庫中取得好的效果要對提取的原則進行最優的評估。規則評估主要從以下幾方面進行考慮：首先要覆蓋所有神經網絡的知識，其次規則判定與神經網絡知識相一致，再次判定是否存在相同前提下得出不同結論的規則，最后判斷是否存在冗余規則。規則的正確性能夠保證神經網絡中的知識全部被提取，也能夠保證提取規則與神經網絡的一致性。

5結語

目前采用神經網絡進行數據挖掘是比較常見的方式，因為能夠對大量的數值性數據進行快速的處理，但是仍存在著文字數據等非數值型數據的處理、構造神經網絡時要求對其訓練許多遍等多種問題。這些問題都需要在將來的神經網絡在數據挖掘的應用之中逐漸的解決，這些問題的解決能夠給神經網絡在數據挖掘的應用帶來更強大的生命力。

參考文獻

[1]沈達安 等.萬維網知識挖掘方法的研究.計算機科學，2000，（2）：79-8210.

篇4

關鍵詞Petri網；模糊理論；神經網絡；故障診斷

1引言

Petri網與模糊理論相結合，以及Petri網與神經網絡相結合已經在故障診斷過程中得到了應用，雖然模糊Petri網具有很強的模糊推理能力，但是其缺乏較強的自學習能力，該缺點嚴重制約了模糊Petri網在各個領域的應用，所以將人工神經網絡引入到模糊Petri網中，建立故障診斷的模糊神經網絡Petri網模型，提高了故障診斷系統的精度。本文以船舶主機燃油子系統過程為例，利用模糊神經網絡Petri網對該過程中的故障診斷進行建模。

2模糊神經Petri網模型

2.1模糊神經Petri網網定義

模糊神經Petri網定義為一個十二元組，

。其中，

為有限庫所集；

為有限變遷集；

為有向弧集；

為權值；

Kp為隱含和輸出層庫所的活動狀態集；

Kt為變遷集到規則集的一一映射；

為初始模糊標識；

為有限命題集；

為置信度集，它與每個變遷一一映射；

為庫所到真值的一一映射；

為庫所到命題的一一映射；

為變遷到閾值的一一映射。

2.2模糊神經Petri網模型的學習功能

模糊神經Petri網（參見圖1），具有神經網絡的某些特性，因此可先用神經網絡的學習算法進行訓練，再調整網絡結構中的權值，從而獲取知識。圖2為模糊神經Petri網轉化為神經元模型。

圖1模糊神經Petri網模型圖2神經元模型

3應用實例

3.1生產過程

船舶主柴油機是機艙系統最為關鍵的設備,也是一種非常復雜的動力裝置系統。它既是一個由往復式機械與其他機械構成的動力裝置系統，也包括了由控制裝置、伺服系統、檢測與顯示儀表以及安全保護和報警系統等組成的電氣控制系統，同時它還是一個復雜的熱工過程。由于船舶主機的極端重要性，其故障診斷和工礦監視問題歷來深受重視。目前人們至少已從三個不同的方面探索研究了船舶主機的故障診斷問題，其一是振動分析，其二是通過油品質指標的分析來判斷主機機械磨損情況，其三就是從熱工參數出發診斷船舶主機系統的故障。本文利用第三種方法，選用燃油流量、燃油壓力和燃油黏度，診斷燃油子系統故障。其流程圖如圖3所示。

3.2模糊神經Petri網模型

船舶主機燃油子系統故障診斷的模糊神經Petri網模型如圖4所示。4實例分析

下面以船舶主機燃油子系統的故障診斷為例，燃油流量、燃油壓力和燃油黏度作為該子系統神經網絡的輸入，即。每個輸入變量用三種狀態表示，即正常（N），偏高（H）,偏低（L）,該系統有6各種基本故障現象，記為，其中表示無故障，下面以為例，說明神經網絡在模糊Petri網的學習能力。

表1是故障現象的學習樣本，當模型完成了故障診斷的學習和訓練，就可以根據模型輸入量進行故障診斷推理，表2和表3為一組故障診斷的運行實例。

由表2可以得出，當輸入量時，故障現象的診斷結果為，它的可能性為96%，當輸入數據發生變化時，從表2可能看出，故障分類的結果依然是，但是輸出值產生了變化，從表中可以看出故障的可能性下降為69%，這說明，神經網絡在模糊Petri網的故障診斷系統中對偏離訓練樣本的輸入數據依然具有較強的處理能力。把神經網絡引入到模糊Petri網故障診斷過程中，可以提高診斷結果的正確性。

表1故障現象的學習樣本表

輸入輸出故障

原因

P1XP7P8P9P10P11

0X10000正常

1X101000超負荷

1X200100后燃

1X300010提前著火

1X400001燃油管路泄露

表2燃油子系統的故障診斷實例

序號輸入輸出（%）

QPuP0P1P2P3P4P5P6

1HNN39600010

2H0.6N0.6N97419232

3H-0.4N-0.4N476000200

41.2H-0.4N-0.4N179000200

50.8H-0.4N-0.4N969000211

表3故障現象的診斷實例

序號輸入輸出（%）

P1XP8P9P10P11

11X197300

21X219360

31X304906

41X400892

51X5683200

5結束語

本文將人工神經網絡引入到模糊Petri網中，并以船舶主機燃油子系統過程為例，對過程中存在的故障進行診斷，通過實例說明該方法可以提高故障診斷系統的精度。

參考文獻

[1]胡志剛等,基于模糊神經Petri網的故障診斷模型[J].小型微型計算機系統，2005,11(26)

[2]王磊等,甲醇合成過程中基于MAS的故障診斷方法[J].華東理工大學學報，2006,1（32）

[3]KoriemSM.AfuzzyPetrinettoolformodelingandverificationofknowledge-basedsystems[J].TheComputerJournal,2000,43(3):206-223

[4]大衛R,奧蘭H.（黃建文，趙不賄譯）佩特利網和邏輯控制器圖形表示工具(GRAFACET)[M].北京：機械工業出版社,1996

[5]AhsonSI.PetriNetModelsofFuzzyNeuralNetworks.IEEETransonSMC,1995,25(6):926-932

[6]韓光臣等,基于模糊概率Petri網系統的故障診斷仿真研究.計算機集成制造系統.2006,4(12)

[7]TsangECC,YeungDS,LeeJWT.LearningcapabilityinfuzzyPetrinet[J].InProceedingofthe1999IEEEInternationalConferenceonSystems,Man,andCybernetics,Tokyo,1999:355-360

篇5

關鍵詞: 智能控制;神經網絡;溫度控制系統；

正如大家所知道的，在控制系統發展中，智能控制技術的出現有益于邏輯控制、人工神經網絡技術和專家模糊系統的一體化。在由一個誤差信號驅動的學習控制中可以看出，對于許多復雜變量的非線性方程，這些系統的功能得以淋漓盡致地發揮。換句話說，和普通軟件一樣，工業生產的各種各樣應用軟件已經溶入了智能控制的思想。舉個例來說，對于一些較難為傳統方案所能控制的復雜或不大明了的系統，這種高級控制能提供一個切實可行的方案使其接近目前人類專家認識水平上的定性數據。隨著工業控制的發展，智能控制技術領域的繁榮已經為新的控制技術提供了一些重要的應用。

關于智能控制的一些基本概念已在本篇文章中加以解釋，并通過一個例子說明智能控制在溫度控制系統中的運用。

模糊控制

模糊理論的發展源于用精確、傳統的模型沒法解釋一些現實中遇到的物理現象，因

此，模糊理論成為探索復雜問題的一種有力工具，因為在沒有使用精確、常規模型的情況下，對于定的輸入它都能測定出輸出量。它是沒有模型的控制器。模糊控制理論的本質就是把復雜問題簡單化。

設全域U中的一個子集為A，它們之間的關系用函數描述為：μA(χ):χ∈[0,1]，表示χ中的所有元素在A中的級別。模糊理論在很大程度上得益于人類語言，它是一

語言控制器，自然語言中的每個字或術語都可以視為全域U中的具體模糊子集A的一個標志。這個語言標志是用字、語法和句子來描述全域U.的子集。一個模糊語言上的變

量值就是作為模糊狀態標志使用的語言術語，且是可以變化的。例如，模糊子集標志的高、中、低可作為模糊變量的值。

2、自適應模糊神經控制

自適應模糊神經控制通常包含在體系結構中設定的兩個多層神經網絡模型。其中第一個神經網絡是一個設備競爭者，第二個作為一種補償以提高基本模糊邏輯控制器的性能。這個系統的發展由三個階段組成：第一階段，為設備發展一個基本模糊邏輯控制器；第二階段，依據設備動力學訓練控制神經網絡模型，根據設備的不同類型，這種神經網絡的訓練實時或離線時都可以使用；第三階段，主要包括神經模糊補償的在線學習。預期輸出與實際輸出之間所表現出的誤差會通過神經設備競爭者向后反饋，以適應在線神經模糊補償的分量。這種過程促進了神經網絡設備競爭者與實際輸出之間的誤差在后向反饋中的即時改進。

3、專家模糊系統

專家系統有許多專家知識和實踐經歷，所以被稱為程序系統；在專家的知識和先前實驗數據的基礎上，專家系統得到了很大的發展。為了要圖解式地表達專家的知識，一個知識網絡常通過因果關系的例證被證實；模糊全集函數可以像語言學上的陳述來使用。當專家系統出現故障時，它便開始使用向后和向前的鏈接方法查找根本原因。然后，依照查找到的原因修正控制策略；對每一步操作，它都會考慮到確切步驟不同程度的作用。如果最初原因的判斷超過了預先定義的界限，專家系統會執行操作；當判斷低于預

定的界限，而且如果這步操作不可撤消的話，專家系統就會給操作員發出消息等待他的決斷。如果操作是可逆的，專家系統會毅然使用該操作。這三種不同的控制方案研究是

可選的，比如：給操作員“提出要點”、“模糊回答”、“建議”等。當專家系統執行使用“提出要點”這一方案時，就會發送進程變量的一個最新值給高層控制系統。使用“建議”方案時，系統將“建議”發給進程操作員讓其手動完成操作。“模糊回答”包括三個部分，一個進程變量、自預定義模糊集合方程和所發現原始明確原因的程度。對于出現的每一個故障，將建立一個“模糊回答”。

4．人工神經網絡

人工神經網絡在數學模型中模擬了生物大腦神經網絡，大腦是一個大規模的信息處理系統，它連接了將近1010個神經元。人工神經網絡以平行分布的方式連接了許多線性

或非線性的神經元模型和進程信息。當傳統計算機的計算速度因為從計算方案的預指定運算法則減緩時，神經網絡就會以很高的速度執行計算。另外，神經網絡有很多有趣吸引人的特征，比如寬大的并行處理，錯誤容忍力，自適應學習能力和自我組織能力。

一個人工神經網絡就是在不同層聚集起來的神經單元的一個集合。如圖1所示為一個典型的多個神經網絡。

多個網絡可以實現任意復雜輸入輸出之間的映射。一個神經元i在第k層的輸出如下：

其中yik是第k層第i個神經元的輸出，wyk是第k-i層第i個神經元與第k層第i個神經元之間的連接分量，m是總的層數，Xik-1是第k-i層第i個神經元的活化，θj是第j個神經元的極值，函數表示神經元的活化規則，它通常是一個分段、具有一定斜率的線性s曲線。在一個競爭的神經網絡中，在第k層每一個神經元i和同層中的其他神經元形成競爭關系。為了學習神經網絡的

分量，可以使用后向反饋誤差的運算法則。這種法則運用傾斜的搜索技巧求出誤差函數的最小值。近來，神經網絡使用控制系統與其他控制器組合到一起，比如神經網絡PID控制器，神經網絡模糊控制……眾多實例說明組合控制的效果優于單個系統。

5、仿真實例

在鍋爐溫度控制中，神經網絡控制的實現過程如圖2所示：

控制器是神經網絡PID控制計劃，溫度控制系統結構如圖3所示：

當神經網絡PID校準器是一個兩層網絡控制的系統，其如圖4所示：

, ( 2 )

,

運算法則是基于一種傾斜的理論基礎上的，它被稱之為后向傳輸理論，這個在兩層

之間的反向誤差信號表達式為：

， （3）

其中f(x)是f與x之間關系的派生，這個關系分量表示為：

， （4）

其中，學習比例 ， （5）

精深的論據 ， （6）

系數 η0=0.3 ,α0=0.95 . 實驗中使用容積為8升的鍋爐，選用800W的加熱器，當時間0 <t<60 min溫度保持40℃，60<t<120 min時保持60℃，采樣時間間隔設為20秒。實驗中可觀察到使用神經PID控制器的過程輸出，如圖5（a）為其輸入、輸出曲線圖。但如果使用的是基本的PID控制器，則輸出曲線在理想輸出線附近逆向振蕩，其輸入、輸出曲線如圖5（b）所示。

6、結論

篇6

[關鍵詞]人工神經網絡；旅游物流；需求預測

[DOI]1013939/jcnkizgsc201538051

1引言

旅游物流對廣西地區經濟的發展至關重要，準確把握、預測旅游物流需求有助于有關部門制定合理的旅游物流規劃、促進國民經濟可持續發展、提高居民生活水平。國內學者通過一定的方法和模型確定了影響旅游物流能力的關鍵要素，為旅游物流需求的預測提供了一定的理論基礎，而在物流需求預測方面也提出了很多如時間序列模型、灰色預測、回歸分析等具有創新性和實踐意義的方法。由于旅游物流具有的獨特性和負責性使得這些模型及分析方法在前提條件、適用范圍和側重點的選取方面具有一定的困難，因此在實際應用中各有利弊。人工神經網絡可以將定量或定性的信息等勢的分布貯存于網絡內的各神經元，有很強的魯棒性和容錯性，通過建立基于人工神經網絡的預測模型，利用Braincell軟件進行計算以期達到精確預測旅游物流需求的目的。

2旅游物流的需求界定

經過多年的發展，關于旅游物流需求的定義至今仍沒有一個令各方滿意的結論。物流服務貫穿了整個旅游活動過程中，旅游物流可以看作為了使旅游消費者獲得更好地滿足感和旅游體驗，與旅游相關的主體提供讓旅游消費者更為暢通流動的旅游服務，與此相應的旅游物流的能力指提供的旅游服務內容以及相關主體使用物流設施對旅游物流活動進行計劃、組織、協調和控制的能力，到旅游物流的具體環節，可以從涉及旅游者的吃、住、行、購、游、娛等方面界定旅游相關主體運用物流設施為游客提供旅游服務的能力。文中對旅游物流需求的預測可以從往年的旅游物流能力方面進行預測，通過準確的預測旅游物流需求可以較好地規劃未來年份旅游業發展方向，對物流設施和設備進行準確的投入，減少資源的浪費及設施投入不足的狀況。

旅游物流能力是指旅游服務主體向旅游消費者從“吃、住、行、購、游、娛”6個方面提供服務的能力，旅游物流需求可根據這6方面來選取指標，但是旅游物流需求預測的準確性不僅受到旅游物流的獨特性的制約，還受到一些客觀性條件的影響。如物流統計制度不健全，目前，我國仍沒有建立系統全面的物流統計制度，更沒有涉及旅游物流領域；物流統計沒有涉及物流活動的全過程；物流統計指標過于單一。此外，國內只有基本的貨物運輸量和貨物周轉量統計，其他與物流相關的指標沒有公開的統計資料，也沒有權威的統計方法和基礎數據，致使物流需求預測不能通過直接指標來衡量需求規模的大小。

3基于神經網絡的旅游物流需求預測模型的建立

神經網絡具有非線性、曲線擬合能力、學習能力和抗干擾能力，是一種通用的非線性函數逼近工具。通過對BP神經網絡的訓練，特別適用于構造非線性預測函數，而且精度可達到預定的要求。

31預測領域中的BP神經網絡模型簡介

BP神經網絡通過正向輸入，反向傳播誤差不斷迭代的學習過程，直到誤差減到可以接受的程度。一般包括輸入層、隱含層和輸出層的單隱含層網絡就能以任意精度表示并揭示任何連續函數所蘊含的非線性關系。其中：

（1）工作信號正向傳播。輸入信號從輸入層經過隱含層，傳向輸出層，在輸出端產生輸出信號，這是工作信號的正向傳播。在信號的正向傳播過程中網絡的權值是固定不變的，上一層神經元的只影響下一層神經元的狀態，即正向影響。如果在輸出層不能得到期望的輸出，則轉入誤差信號反向傳播。

（2）誤差信號反向傳播。網絡的實際的輸出與所期望的輸出之間差值即為誤差信號，誤差信號由輸出端開始逐層向前傳播，即誤差信號的反向傳播。在誤差信號反向傳播中，神經網絡的權值根據誤差的反饋進行調節。通過不斷地對權值的修正，使實際輸出更加接近期望輸出。

（3）預測神經網絡流程。通過了解工作信號與誤差信號的傳播方向，可以清楚地了解預測神經網絡的工作流程。預測開始時神經網絡讀入樣本、權值，通過計算輸入層的輸入得出結果傳遞到輸出層，在輸出層進行計算，最后在計算輸出值與期望值的誤差。若誤差小于確定值則計算結束，若誤差大于確定值則繼續回到前兩層進行權值調整，把調整后的權值重新輸入到模型中，直到誤差小于設定的確定值。

本文應用Braincell神經網絡軟件來實現神經網絡的計算與分析。

32BrainCell軟件及實現

321BrainCell 神經網絡基本原理

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，與神經網絡預測模式基本原理相同。

322BrainCell 神經網絡實現步驟

（1）數據的預處理和后處理。為方便的計算減少誤差，保證數據同一量綱，需要將數據歸一化為區域[0，1]之間數據。在實際的預測模型中當數據接近0或1的時候訓練效果會明顯下降。因此，為了避免數據落入最大飽和區，保持數據的原有特征，根據經驗將數據規范到[015，085]來進行修正。模型中采用反歸一化處理輸出數據。

（2）網絡層數目的確定。由Kolmogorov定理可知，含有一個神經元隱含層的三層神經網絡可以從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]。

（3）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。

（4）網絡訓練。假設訓練樣例是形式（x，y），其中x為輸入向量，y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xij，單位i 到單位j的權值表示Wij。一是創建具有N 個輸入單位，M 個輸出單位的BrainCell 神經網絡；二是用隨機數（0 或1）初始化某些數字變量網絡權值Wij；三是對于第k個訓練樣例（a，b），把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；四是對于每個輸出單元u，計算它的誤差項；五是對于每個隱含單元h，計算它的誤差項；六是利用誤差項更新調整每個網絡權值；七是重復三到六點，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。

33神經網絡的旅游物流需求預測模型的建立

331模型中數據指標確定

目前我國仍沒有健全的物流統計制度，因此實際工作中收集旅游物流需求數據十分困難。這里采用間接指標法――利用與旅游物流需求相關的經濟指標來建立旅游物流需求的經濟指標體系，通過數學的方法進行總結與推導，確定旅游物流需求模型。

旅游物流需求是一種派生需求，這種需求的大小與其本身發展有著密切的關系。從宏觀層面上考慮主要有內外兩部分因素：旅游業自身發展的狀況及外部環境的影響。從微觀層面來說，旅游業自身發展的狀況是旅游物流需求的關鍵因素。旅游業產值越高，旅游物流需求增長隨之增加，反之亦然。由此，本文選取旅游總收入和接待人數作為預測旅游物流需求的指標。其次，影響旅游物流的其他關鍵因素就是旅游行業本身所投入的設施、人員、公路鐵路旅客周轉量等因素。根據旅游物流能力的理解從“吃、住、行、購、游、娛”等方面進行指標的選取，如“吃、住”方面使用餐飲住宿從業人數、星級飯店數目衡量；“行”使用公路、鐵路旅客的周轉量來衡量等；“游”則使用旅行社從業人數等方面來衡量。這些因素都對行業的產值有較大的影響。因此，在模型中可將這些相關經濟指標作為旅游物流需求規模的影響因素。由此可選擇如下輸入層指標：星級飯店數X1、接待入境旅游者平均每人消費額X2、餐飲住宿業從業人數X3、旅行社從業人數X4、鐵路旅客周轉量X5、公路旅客周轉量X6、旅游部門游船年末實有船數X7，旅游部門旅游客車年末實有數X8，共有8個。而把旅游業的年收入Y1與年接待入境旅游者人數Y2作為物流需求預測的目標。

332數據來源

本文選取的數據資料來源于廣西壯族自治區歷年統計年鑒、中國統計年鑒、中國旅游年鑒，如表1所示。根據樣本數據選取原則，將2005年和2012年的數據作為網絡測試樣本，最后用訓練好的神經網絡預測2014―2016年的物流需求規模。

333廣西旅游物流需求的BP人工神經網絡模型

（1）樣本數據的歸一化處理。選取X1，X2，X3，X4，X5，X6，X7，X8作為廣西旅游物流需求預測BP人工神經網絡模型的輸入，Y1，Y2為BP網絡的輸出。根據BP 的本身特點，對輸入層數據進行歸一化時，采用如下公式：y=log[JB（（]x[JB））]/10。對輸出層數據則使用歸反一化處理，公式如下：P=log[JB（（]tT[JB））]/10。

（2）網絡節點的確定。根據構建好的評價指標體系，可以確定輸入層的節點數為8，輸出層的指標數為2。

（3）網絡訓練。以traindx作為訓練函數，利用matlab計算?？芍谧畲笥柧毚螖禐?00次，目標誤差為001，學習率設置為003，誤差曲線收斂于目標001，進過45次迭代后，網絡達到目標要求，訓練誤差圖見下圖。

訓練誤差圖

通過設置的數據，使用Braincell軟件對數據進行訓練，選取全部數據作為樣本數據組，2010―2013年的樣本作為將預測樣本，輸入模型可得2010―2013年的預測值見表2。

據表3可以看出，預測效果較好，一般來說，對于經濟指標的預測，誤差能夠控制在3%以內就算比較準確。因此，基于與旅游物流相關的其他經濟數據來建立BP神經網絡模型預測旅游物流需求有一定的實用價值。

4結論

根據人工神經網絡理論建立的旅游物流需求預測模型，通過Braincell神經網絡的自學習特征，運用traindx函數進行訓練，在訓練過程中對權值進行不斷修正，誤差比率控制合適的在范圍內，使網絡的實際輸出向量逐漸地接近期望的輸出值。最后把仿真的預測結果與真實量進行初步比較分析，得出的結果能夠證明使用神經網絡模型對旅游物流的預測精度較高。因此可以得出以下的結論：用BP神經網絡建立模型，可以準確地把與旅游物流相關的經濟數據與目標本身的需求量進行結合，可得到較為精準的旅游物流需求預測值。由此可以推斷，人工神經網絡作為高度的非線性體系，能夠對經濟系統中個變量之間的非線性關系進行高精度的預測，將其運用在物流領域中的應用具有更加廣闊的發展潛力。

參考文獻：

[1]王新利，趙琨基于神經網絡的農產品物流需求預測研究[J].農業技術經濟，2010（2）：64-66

[2]秦立公，韋金榮等基于BrainCell 的B2B 電子商務供應鏈協同績效評價體系[J].中國集體經濟，2014（15）：112-113

[3]張圣楠，郭文義，等基于MATLAB的BP神經網絡的設計與訓練[J].內蒙古科技與經濟，2005（17）：96-98

[4]熊勛人工神經網絡在環境質量評價和預測中的應用研究[D].武漢：華中科技大學，2009

[5]白平，陳菊紅基于旅游物流能力的西部旅游發展研究[J].新疆大學學報，2013（41）：16-17

[6]秦立公，王東，等旅游景區物流能力優化研究[J].現代商業，2010（24）：47

篇7

【關鍵詞】傳感器；數據融合；智能小車；避障

1.概述

智能小車實際上是一類輪式移動機器人，其運行原理是依據單片機程序來自動實現行使、轉向、加速等運動形式。因此對智能小車運動方式的控制屬于機器人學的范疇。對智能小車運動軌跡的控制主要依賴于傳感器的信息采集技術和智能控制技術。而在智能小車的運動軌跡控制問題中的一個重要問題是如何實現其自動避障。要完成這一任務，需要解決兩個方面的問題，一是利用傳感器準確的收集小車所在的環境信息，二是將環境信息自動處理后變成控制信息。實踐表明，采用的單一的傳感器技術已經不能滿足收集充足環境信息的需要，而需要多種類型的傳感器相配合，從而獲得準確的環境信息。對這些通過多種類型傳感器獲得的環境信息的處理需要實現不同數據的之間的整合，即需要利用多傳感器的數據融合技術。常用的數據融合技術如傳統的卡爾曼濾波法、D-S證據推理等，但其核心思想是一致的，即通過對多種信息的融合來實現對目標的識別和跟蹤。采用基于多傳感器的數據融合技術已經成為智能小車避障控制中的重要研究方向。在本文中將以多傳感器的數據融合技術為基礎，研究智能小車的避障問題。

2.基于多傳感器的數據融合

基于多傳感器的數據融合技術需要處理來自多個傳感器的實時數據，并進行快速的處理。從傳感器獲得數據的類型來看，這些數據代表不同的物理含義，如速度、距離、角度等，數據類型和特征也不盡相同，分屬于不同的層次，因此對來自多個傳感器的數據融合實際上要完成對多層次數據的綜合評定，這必須依賴于一定的數據融合結構。

2.1 基于多傳感器信息的融合結構

從現有的研究成果來看，基于多傳感器信息的數據融合結構主要有四種形式：無反饋分布式融合、反饋分布式融合、集中式融合和反饋并行融合，各類融合結構的主要特點分別為：①無反饋分布式融合。無反饋分布式融合模式需要對每個傳感器的數據都進行濾波分析，并完成對各傳感器的局部信息融合，最后再實現對多個傳感器數據的融合。這類數據融合方式的優點是不需要太大的通信開銷，融合速度較快，所需的存儲空間也較小。②反饋分布式融合。反饋分布式融合的基本原理和無反饋分布式融合類似，但每個傳感器多了一個信息反饋通道，可提高預測和狀態估計的精度，但需要更大的通信開銷。③集中式融合。集中式融合的主要特點是對所有傳感器采集的信息進行狀態的估計和預測，通過對每個傳感器采集信息的檢測判定來實現對所有傳感器信息的綜合判定。由于采用了所有傳感器的全部信息，因此這類融合方法的精度較高，但也需要更高的硬件配置。④反饋并行融合。這類數據融合結構綜合了以上三類融合結構的優點，對局部、整體的數據處理效率和精度都很高，但對硬件和數據關聯技術等要求也較高，是一類重要的研究方向。

2.2 基于多傳感器信息的數據融合方法

基于多傳感器信息的數據融合方法主要分為兩類，一是基于概率統計的方法，如統計決策法、貝葉斯法等，二是人工智能方法，如模糊控制法、人工神經網絡、D-S證據推理等。每種方法可參考有關文獻，此處不再一一詳述。

3.模糊神經網絡基本原理

模糊神經網絡是模糊控制理論和人工神經網絡理論的耦合技術，能夠有效的處理對經驗性依賴較高的問題，并能廣泛的適用于無法精確建模的系統。而人工神經網絡則能夠具備自學習能力和快速求解能力。通過模糊控制和人工神經網絡的結合，能夠形成函數估計器，有效的處理模糊信息和完成模糊推理，其性能比單一采用模糊控制或人工神經網絡控制效果更優。模糊神經網絡的基本原理為：①定義若干各模糊集合，并形成對應的控制規則。定義神經網絡的層次(一般分為三層)和節點數量。②定義輸入層。將輸入層中的節點與輸入向量分量之間實現連接。③定義隸屬函數層。以語言變量值構成隸屬函數層的節點，與輸入層的連接權值固定為1，節點閾值為0。④定義規則層。每一條模糊控制規則定義為一個節點，節點的輸出為隸屬函數的輸出。

4.實例應用

4.1 硬件

在本例中，智能小車所采用硬件平臺為STC89C52型單片機，動力系統為AUSRO馬達130，驅動芯片型號為TA7267，驅動芯片與單片機相連，其輸出端和馬達直流電機連接，從而實現對小車的方向控制，小車通過兩輪驅動。

小車采用的傳感器有兩種類型：超聲波測距系統和紅外傳感器系統。超聲波測距系統的型號為TCT40-10T/R，紅外傳感器的型號為索尼CX20106。

4.2 傳感器數據融合規則

在采用了5路超聲波測距系統后，基本上可以對小車周圍的障礙狀況有比較可靠的了解，紅外傳感器的作用是為了彌補超聲波測距系統的盲區。對這兩類傳感器所采集數據的處理方式為：①超聲波測距系統和紅外傳感器同時工作；②若紅外傳感器的有效探測距離內發現障礙，以紅外傳感器的數據為準；③其他情況以超聲波測距系統的探測值為準。

對5個方向的超聲波測距的數據所采用的數據融合流程為：開始選擇通道發射超聲波盲區延時接收信號計算小車與障礙之間的距離數據融合選擇小車動作。數據的融合技術采用模糊神經網絡法。

4.3 模糊神經網絡的構建

結合智能小車避障控制的需要，在小車車身配置5個超聲波系統和一個紅外系統，分別完成對前、左、左前、右、右前5個方向的測量，因此模糊神經網絡共需要建立起5個輸入和2個輸出的網絡結構。各個輸入量的物理含義為小車在上述5個方向的與障礙的距離，神經網絡的輸出量為小車的前進和停止。以紅外傳感器采集的數據作為小車運動控制的開關量。隸屬函數層的函數形式采用高斯型，模糊語言變量分別為｛“遠”、“近”｝，因此結合第一層的5個輸入，共構成10個神經元。結合輸入層和隸屬函數層的情況，輸出層的神經元數量為2的5次方，共32個神經元。

4.4 模糊控制規則和樣本訓練

(1)模糊控制規則

模糊控制規則體現的是人為控制經驗的總結，分別對5個方向的超聲波探測到的距離信息為基礎來控制小車的轉向。其基本原則為，若距離障礙較近，則小車停止前進，若距離障礙較遠，則小車繼續前進。分別以F表示前進、TF表示左轉、TR表示右轉、在實際控制規則中，共有9條，這里僅舉一條來進行說明：若前方障礙較近，且左、左前、右、右前距離障礙較遠，則小車左轉。將上述規則轉換為模糊語言后，即可獲得具體的控制規則。具體轉換方式可參照有關文獻。

(2)模糊神經網絡的訓練樣本

依據上述模糊神經網絡的基本組成方式，其模糊輸入范圍的論域為[0,5]，以高斯型隸屬度函數來劃分距離遠近的模糊集合。訓練樣本的數據量較大，因此這里不便一一列出，神經網絡的訓練方法可參照有關文獻。

4.5 運行效果

在上述的步驟完成后，對小車的避障能力進行了實際驗證。實驗表明，利用超聲波測距系統結合紅外傳感器后，以模糊神經網絡融合上述兩類傳感器采集的數據可有效的實現智能小車的避障運動。

參考文獻

篇8

關鍵詞：玉米種子；品種識別；人工神經網絡；支持向量機

中圖分類號：S513；S326 文獻標識碼：A 文章編號：0439-8114（2016）09-2366-04

近年來，假種子事件頻發，給農業造成巨大損失，農民由于缺乏識別種子的能力和設備，往往不能有效區分各個品種，迫切需要一種快速的種子識別方法。數字圖像識別作為一種快速識別技術而被廣泛應用，在水稻、小麥和花生等作物種子識別上都有成功應用的報道。

現代玉米種植和水稻一樣，廣泛雜交育種，不能自留種，增大了不法商家販賣假種子的空間。為了有效鑒別玉米種子的真偽和類別，郝建平等、楊錦忠等通過數十個外觀特征，采用圖像處理的方法識別種子：韓仲志等研究了對種子識別起關鍵作用的特征提取方法，如子粒的胚部特征和果穗DUS測試特征的提取方法：另外楊錦忠等針對玉米果穗形態研究了品種識別問題，對關鍵特征進行了選擇優化。

在玉米識別相關算法和系統工程應用之前，需要對品種識別過程中的關鍵因素進行有效的性能與效率測試。由于人工神經網絡方法廣泛應用于識別問題，本研究擬針對不同的神經網絡模型進行比較研究，進而考察各種模型的效能，為將來品種識別軟件的開發與工程應用提供算法支持。

1 材料與方法

1，1 試驗材料

供試玉米品種共11個，均是北方黃玉米品種，種質來源為青島農業大學種質資源庫，每個品種50粒種子。采用平板掃描儀采集圖像（圖1）。基于Matalb2010b編程，采用子粒區域標記的方法將圖像中各個子粒的子圖（SubImage）提取出來。然后進行特征提取。

1.2 特征提取

提取的特征包括顏色、形態和紋理3大類，見表1，相關定義參見文獻。從二值圖上提取形態特征，從RGB和HSV彩色圖獲取顏色特征，依據灰度圖像獲取紋理特征。

1.3 特征優化

隨著統計指標的增加，統計特征的維數相應增加，因此也需要進行必要的降維和特征優化。傳統的特征降維與優化是基于二階統計量進行的主分量分析（PCA）方法。PCA是統計學中分析數據的一種有效的方法，其目的是在數據空間中找一組向量以盡可能地解釋數據的方差，將數據從原來的R維空間降維投影到M維空間（R>M）。降維后保存了數據中的主要信息，從而使數據更易于處理。PCA方法是沿數據集方差最大方向尋找一些相互正交的軸，主成分分析方法是一種最小均方誤差下的最優維數壓縮方法，特征提取和優化后，特征維數將進一步減少。

1.4 品種識別

基于表1中的特征可實時進行品種識別。人工神經網絡是模擬人的神經感知結構，尋找非線性情況下的一種最優映射，由于所提取的特征與玉米類別之間存在著非常復雜的非線性映射關系，所以特別適合采用此方法進行品種識別。由于神經網絡的初始權值由系統隨機給出，所以往往帶來結果的不穩定，通常的做法是多次測試取最優實現?；谔崛〉奶卣鲾祿纯蛇M行種子檢驗和品種識別，本研究涉及的神經網絡模型包括7種，即BP、rbf、grnn、pnn、compet、sofm，以及一個BP（backpropagation）神經網絡的改進型，即極限學習機ELM。其中神經網絡BP算法是最典型的神經網絡分類方法。支持向量機（SVM）模型是近幾年發展起來的優秀的識別模型，在農作物種子識別領域已經被證明比神經網絡識別模型具有更為穩健的性能。

2 結果與分析

圖2是6種神經網絡識別模型的識別結果，圖3是BP神經網絡的改進型極限學習機（ELM）與支持向量機（SVM）模型識別結果。表2為上述8種識別模型在不同主分量及不同特征下的識別效果。

2.1 不同模型的識別性能

比較6種神經網絡識別模型可以發現（圖2、表2），首先從識別率上，基于60個原始統計特征，6種神經網絡識別模型和1種改進型識別模型的識別性能從高到低為grnn>ELM>pnn>rbf>BP>compet>sofm，決定系數R2從大到小為grnn>rbf>ELM>BP>pnn>compet>sofm，所耗時間上從少到多為ELM

鑒于極限學習機ELM是廣泛應用的BP神經網絡的改進型，且其識別效果優越，將其作為神經網絡模型的代表與支持向量機模型進行比較。圖3列出了兩種模型的識別效果，部分數據在表2中有所體現，可以看出支持向量機（SVM）模型的識別效果較好，且效果更為穩定。

2.2 特征優化對模型的影響

由于分類性能嚴重依賴特征的選取，這就表明某種特征的組合可能具有更優秀的分類能力，此時主分量是一個很好的選擇，它不僅可以進行數據降維，還可以尋找對所有類都盡量適應的優化特征組合。表3列出了不同數目PCA情況下8種識別模型的識別性能。從表3可以看出，從識別率看，神經網絡模型表現極其不穩定，識別率并不是隨著PCA數目的增加而增加，但總體上還是呈增加趨勢，這種不穩定性與神經網絡初始權值的隨機賦值有關，同時由于神經網絡的隱含層神經元數目到目前為止缺乏理論指導，所以只能通過經驗給出，故要得到較為穩定的結果可通過多次訓練得到較為穩定的識別模型為止：但比較來看，支持向量機模型表現出更為穩定的識別效果，且隨著PCA數目的增加。識別模型的總體識別率呈上升趨勢。另外從模型的決定系數和識別模型的時間上來看，支持向量機模型都是較為優秀的模型。其中決定系數R2越接近于1，識別的時間越短，說明模型越優秀。在這些模型中compet表現的效果最差，不僅識別的效果最差。且識別的時間最長。

3 小結與討論

從本研究的識別結果看。識別結果非常不穩定，這種不穩定的結果與兩個因素有關，一是神經網絡的不穩定，與確定神經網絡初始權值時隨機給出有關，二是采用的交叉驗證法是隨機給出，隨機將訓練和測試樣本進行分組，每次試驗選用了不同的訓練集和測試集。

PCA是一種優秀的特征優化和數據降維方法，通過PCA降維可以在很大程度上提高運算速度，減少計算量，特別適合在線監測。另外從比較結果可以看出，支持向量機是一種優秀的分類模型，特別適合于對小樣本進行分類，其效果要優于神經網絡模型，且結果穩定。支持向量機和神經網絡雖然都用來進行品種識別，但所依據的理論基礎和識別機理均不相同。支持向量機普遍認為其泛化能力要比人工神經網絡強：支持向量機模型理論基礎是結構風險最小化理論。也涉及模型參數優化問題：另外支持向量機可以得到識別決策函數的解析表達式，而神經網絡不能明確地得到一個解析解。

篇9

（1.克拉瑪依職業技術學院，新疆克拉瑪依834000；2. 新疆農業大學機械交通學院，新疆烏魯木齊830052）

摘要：學習向量量化（LVQ）神經網絡可以通過監督學習完成對輸入向量模式的準確分類，提出了一種基于改進的LVQ神經網絡的發動機故障診斷方法，介紹了LVQ神經網絡及其改進的學習算法。以長城哈佛GW2.8TC型發動機為實驗對象，讓發動機在怠速狀況下，對發動機進行故障設置，利用金德KT600電腦故障診斷儀采集發動機數據流，運用改進的LVQ神經網絡建立診斷模型，診斷結果表明，改進的LVQ神經網絡能對發動機故障做出正確分類，準確率比較高。

關鍵詞 ：改進的LVQ神經網絡；發動機；故障診斷；神經元

中圖分類號：TN98?34 文獻標識碼：A 文章編號：1004?373X（2015）17?0107?03

0 引言

人工神經網絡（Artificial Neural Networks，ANNs），也稱為神經網絡（NNs），是模擬生物神經網絡進行信息處理的一種數學模型。它以對大腦的生理研究成果為基礎，目的在于模擬大腦的某些機理與機制，實現一些特定的功能。由于人工神經網絡具有聯想記憶功能、優化計算能力以及其他的一些性質，所以人工神經網絡具有較強的分類識別功能。學習向量量化（LVQ）神經網絡是常用的一種神經網絡，LVQ神經網絡是一種有導師訓練競爭層的方法，競爭層自動學習識別輸入向量，并對輸入向量分類。

本文以長城哈佛GW2.8TC 型發動機為例，運用LVQ神經網絡對發動機進行故障診斷。

1 LVQ 神經網絡

1.1 LVQ神經網絡結構

LVQ神經網絡是兩層的網絡結構，即競爭層和線性層。競爭層對輸入向量進行學習分類，把競爭層的分類稱為子分類；線性層根據用戶的要求將競爭層的分類結果映射到目標分類結果中，把線性層的分類稱為目標分類。LVQ神經網絡結構如圖1所示。

由圖1可以看出，競爭層和線性層每一類別各有一個神經元，競爭層通過學習，可以得到S1類子分類結果；然后，線性層將S1類子分類結果再分成S2類目標分類結果（S1始終大于S2）。例如，假設競爭層的第1，2，3個神經元對輸入空間的子分類所對應的線性層的目標分類為第2類，則競爭層的第1，2，3個神經元與線性層的第2個神經元的連接權將全部為1，而與其他線性層神經元的連接權全部為0，這樣，當競爭層的第1，2，3 個神經元中的任意一個神經元在競爭中獲勝時，線性層的第2個神經元將輸出1。

1.2 LVQ神經網絡學習算法的改進

LVQ 神經網絡學習算法的改進是在LVQ1 的基礎上進行的，它可以改善LVQ1學習結果的性能。改進的LVQ網絡的學習過程與LVQ1類似，在應用LVQ1 進行學習后，再用改進的LVQ 網絡進行學習，不同的是，改進的LVQ 是針對最接近輸入向量的兩個相鄰神經元的權值進行的，其中一個神經元對應正確的分類模式，另一個神經元對應錯誤的分類模式，而輸入向量位于定義的窗口時，有：

這樣，如果給定兩個很相近的輸入向量，其中一個對應正確的分類，而另一個對應錯誤的分類，則改進的LVQ也能對靠的非常近，甚至對剛剛可分的模式進行正確地分類，從而提高分類結果的魯棒性。

2 改進的LVQ 神經網絡在發動機故障診斷中的應用

基于改進的LVQ神經網絡在發動機中的故障診斷仿真步驟如下：

（1）讓發動機處在怠速狀態下，并對其進行故障設置，用電腦檢測儀及其他設備測出發動機有無故障時的數據流參數；

（2）用改進的LVQ神經網絡建立診斷模型，并用已知的樣本數據訓練網絡；

（3）用訓練好的網絡對發動機進行故障診斷，并對訓練結果進行分析。

2.1 發動機故障設置及采集樣本

為了驗證改進的LVQ神經網絡在發動機故障診斷中的可行性，本文以長城哈佛GW2.8TC 型發動機為研究對象，讓發動機在怠速狀況下，對發動機進行故障設置，并利用金德KT600故障診斷儀采集發動機數據流。以發動機在正常怠速、油門踏板1接地線開路、凸輪軸傳感器線路故障、1缸噴油器線路故障、冷卻液溫度傳感器線路串聯某阻值電阻和油門踏板插頭開路六種狀態下，采集發動機數據流，采集到的樣本數據如表1所示。

2.2 程序設計

在Matlab環境中，調用LVQ神經網絡工具箱，創建的代碼如下：

在代碼中，p 中數據為樣本數據；t 中以1表示正常狀態，以2表示故障狀態；T=ind2vec（t）為使t 中的向量轉換成學習向量量化網絡使用的目標向量；net=newlvq（）為創建LVQ 神經網絡，神經元數目設置為20，0.17 和0.83，分別表示所采集的樣本種類中正常狀態和故障狀態所占的比例，網絡學習率設為0.5；net=init（net）為網絡初始化，使其每次訓練時權值都是隨機的，這樣可以達到預期的目標；網絡訓練步數設置為200；訓練間隔設置為50；訓練目標設置為0；網絡設置好后，開始訓練網絡，運行程序后所得的網絡訓練狀態圖如圖2所示，訓練曲線如圖3所示。

由圖2和圖3所示，網絡訓練只訓練了8次，用時不到1 s，就達到了預期目標，可見，用改進的LVQ神經網絡進行故障診斷，速度非常快，精確度很高。

3 結語

LVQ神經網絡將監督學習和無監督學習結合起來，可以完成對輸入向量模式的準確分類。本文以長城哈佛GW2.8TC 型發動機為實例，并對發動機進行故障設置，采集數據流，介紹了LVQ神經網絡及其改進的學習算法，運用改進的LVQ神經網絡建立診斷模型，診斷結果表明，改進的LVQ 神經網絡能對發動機故障進行模式識別和準確分類，診斷結果完全正確，而且訓練速度極快。改進的LVQ 神經網絡具有較高的研究價值，該方法不僅可以運用到汽車診斷領域，而且可以運用到其他故障診斷領域。

參考文獻

[1] 董長虹.神經網絡與應用[M].北京：國防工業出版社，2005.[2] 史忠植.神經網絡[M].北京：高等教育出版社，2009.

[3] 孫祥，徐流美，吳清.Matlab 7.0[M].北京：清華大學出版社，2005.

[4] 周開利，康耀紅.神經網絡模型及其Matlab仿真程序設計[M].北京：清華大學出版社，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] 李國勇.智能控制及其Matlab實現[M].北京：電子工業出版社，2005.

[7] 舒寧，馬洪超，孫和利.模式識別的理論與方法[M].武漢：武漢大學出版社，2004.

[8] 蔣宇，李志雄，唐銘.LVQ 神經網絡在滾動軸承故障診斷中的應用研究[J].機械科學與技術，2011（3）：408?411.

篇10

[關鍵詞] BP神經網絡 模型構建 模型訓練 模型仿真

一、BP神經網絡在測量競爭力中的優勢

人工神經網絡（Artificial Neural Network,簡稱ANN）系統是借鑒于人腦和神經系統存儲和處理信息的某些特征抽象出來的一種人工智能化的數字模型，具有并行分布的信息處理結構，通過對非線性函數的復合來逼近輸入輸出之間的映射關系。人工神經網絡具有許多優秀的特性，最擅長對近似的、不確定的、甚至矛盾相關的知識環境中進行決策，可以解決人為的權重設計和相關系數的計算。神經網絡通過對樣本的學習可以確定穩定的人工神經網絡模型，以該模型對C2C電子零售商競爭力進行動態評價和排序，計算誤差小，從而可以保證評價結果的客觀性。

人工神經網絡本身包含非常多的網絡模型，如BP網絡、Hopfield網絡、 Hamming 網絡、Grossberg網絡和競爭網絡等，由于BP網絡可以任意精度逼近任意連續函數，所以在已有的競爭力評價研究文獻中，使用BP(Back Propagation Network)網絡的居多。如高曉宏、郭軍、吳曉偉（2004）建立了時序BP網絡和因果BP網絡，根據企業競爭力的指標體系預測了企業的競爭力；李煜華等（2006）通過BP網絡對老工業基地的核心競爭力進行了評價；陳紅轉（2003）等通過BP網絡對銀行競爭力進行了評價。這些研究說明用BP網絡方法評價競爭力具有可行性。

BP網絡可以通過以下具體過程實現:

1.建立網絡模型，初始化網絡及字習參數；BP網絡的建立需要借助MATLAB軟件實現。通常有兩種方法：

編程法：net=newff (PR,[S1,S2……Sn],{Tf1 Tf2 Tf3……Tfn},BTF,BLF,PF)

其中net中存放所建立的網絡屬性和網絡參數，四個輸入變量分別為:

PR輸入向量的取值范圍；

Si 第i層的神經元個數，總共N層；

Tfi第i層的傳遞函數，缺省值為“tansig”；

BTFBP網絡訓練函數，缺省值為“trainlm”；

BLFBP網絡權值和闕值學習函數，缺省值為“learngdm”；

PF 性能函數，缺省值為“mse”。

GUI法：在matlab 命令窗口中輸入命令nntool, 就會彈出人工神經網絡的構建訓練仿真窗口。

本文使用第二種方法創建BP網絡。

2.提供訓練模式

選實例作學習訓練樣本訓練網絡，直到滿足學習要求；常使用的訓練函數有批梯度下降訓練函數（traingd,traingdm）、自適應修改學習率算法（traingda,traingdx）、有彈回的算法（trainrp）及共軛梯度算法（traincgf,traincgp）等。

3.前向傳播過程

對給定訓練模式輸入，計算網絡的輸出模式，并與期望模式比較，若誤差不能滿足精度要求，則誤差反向傳播，否則轉到2；

4.反向傳播過程

BP算法是一個很有效的算法，它把一組樣本的輸入、輸出問題變成一個非線性優化問題，并使用了優化問題中最普遍的梯度下降法，用迭代運算求解權相應于學習記憶問題，加入隱節點使優化問題的可調參數增加，從而可以得到更精確的解。

二、BP網絡在C2C電子零售商競爭力評價中的應用

本文選取包含20個測量指標的C2C電子零售商競爭力評價指標體系及調查數據（趙麗，2008）來說明BP網絡在競爭力測量方面的使用方法。

在設計BP網絡之前，首先應該準備好數據。Matlab7.0與Excel2003相通，所以將調查數據導進Matlab7.0中，命名為“data”。然后，將其中的10個C2C電子零售商競爭力指標數據作為訓練輸入數據，設為“traindata”;將專家對這10個C2C電子零售商競爭力的評價結果作為目標輸出量，設為“targets”；評價值越大，表明此電子零售商越有競爭力，由此構成10個訓練樣本對；將剩余的6個C2C電子零售商競爭力指標測量數據作為仿真數據，設為“simulatedata”。數據準備完畢，即可構建網絡。

1.構建網絡

網絡的輸入、輸出神經元的數量是由問題外部描述定義的。所以，如果有4個外部變量作為網絡輸入，那么網絡就有4個輸入。同樣，如果網絡有7個輸出，那么網絡的輸出層就應該有7個神經元：最后，輸出信號所期望的特征有助于選擇輸出層的傳輸函數。研究已表明，兩層網絡在其隱層中使用s形傳輸函數，在輸出層中使用線性傳輸函數，就幾乎可以以任意精度逼近任何感興趣的函數，只要隱層中有足夠的單元可用(見[Host89])。

根據論文研究實際，設計BP網絡評價模型如下:

A輸入層:根據C2C電子零售商競爭力評價指標體系，將最低層指標數作為輸入層神經元數，在本文中為20；

B隱含層:隱含層神經元數的選取關系到整個BP網絡的精確度和學習效率，在本文中結合理論分析和經驗選取隱含層神經元數為10；

C輸出層:對C2C電子零售商競爭力的評價是一個從定性到定量然后再到定性的過程，通過BP網絡模型將定性轉化為定量輸出，然后綜合評價集和輸出結果，對C2C電子零售商競爭力作出定性評價。因此，將輸出層神經元設置為1個。

所以，本研究的BP網絡結構是具有20-10-1結構的二層網絡，在matlab7.0中構建。命名為bpnetwork,選擇網絡類型為Feed-forward backprop,輸入數據范圍根據訓練樣本中的輸入數據確定，訓練函數選擇TRAINLM,自適應學習函數選擇LEARNGDM，效果函數選擇MSE，層數為2，第一層的神經元有10個，傳輸函數為TANSIG，第二層的神經元個數為1，傳輸函數為TANSIG。構建好的C2C電子零售商競爭力評價BP模型如圖1所示：

圖1 C2C電子零售商競爭力評價BP模型

2.訓練網絡

點擊Train菜單，在Training Info中選擇輸入數據traindata,選擇目標輸出數據targets,其它默認；在Training Parameters中設最大訓練步數epochs為50； goal為0.00001; show為25。其它參數time、min_grad、max_fail等均為缺省值。點擊Train Network，出現訓練效果圖，如圖2所示：

圖2 模型訓練效果圖

圖2中藍色曲線表示訓練路徑圖，黑色直線表示預定誤差值。在第15步時，兩線相交，網絡誤差平方和MSE達到了誤差目標goal =0.00001的要求，網絡模型訓練結束，說明網絡已初步符合要求。同時，MATLAB還提供了函數postreg用于對網絡訓練結果的進一步分析。函數postreg利用了線性回歸的方法分析了網絡輸出和目標數出的關系，即網絡輸出變化對于目標輸出變化的變化率，從而評估了網絡的訓練效果。將網絡訓練的數據導出后，在Matlab7.0的命令窗口中輸入命令：

[m,b,r]=postreg(bpnetwork_outputs,targetdata)

按Enter鍵，就會返回三個值，m和b分別表示最優回歸直線的斜率和y軸截距，當m=1且b=0時，網絡輸出與目標輸出完全相同，此時的網絡具有最優性能；r表示網絡輸出與目標輸出的相關系數，它越接近于1，表示網絡輸出與目標輸出越接近，網絡性能越好。通過圖3可知，m接近于1，b幾乎為0，r等于1，這說明此網絡的性能非常好。

圖3 模型訓練效果參數

圖4繪出了函數postreg顯示的圖形，橫坐標為目標輸出，縱坐標為網絡輸出，“”表示數據，理想回歸直線（網絡輸出等于目標輸出時的直線）由實線表示，最優回歸直線由虛線表示。從圖可以看到虛線和實現幾乎重合，說明網絡具有非常好的性能，可以用這一網絡去判斷其它C2C電子零售商的競爭力了。

圖4 模型回歸直線圖

3.網絡仿真

將剩下的6個C2C電子零售商（“C1”、“C2”、“C3”、“C4”、“C5”、“C6”）競爭力指數的各項數據作為仿真數據，命名為simulatedata,作為輸入數據添加到Inputs中。點擊simulate,如圖5所示:

圖5 模型仿真

在Inputs下拉框中選擇simulatedata, outputs默認為bpnetwork_outputs,其他默認，點擊Simulates Network,在Network Data Manager窗口的Outputs中就會出現輸出結果值，在Errors中就會出現誤差值。

打開輸出結果參數，得其值如圖6所示。根據輸入數據與調查對象的對應關系，“C1”的競爭力為0.94224，“C2”的競爭力為0.74897，“C3”的競爭力為0.62101，“C4”的競爭力0.055052, “C5”的為0.56066, “C6”的為0.23556。根據訓練設置，值越大說明競爭力越強。所以，在這6個C2C電子零售商中，競爭力最強的是“C1”，其次是“C2”和“C3”，然后依次是“C6” “C7”，最差的是“C4”。

圖6 模型模擬結果

三、結論

本文通過比較競爭力綜合評價方法和人工神經網絡方法，指出了人工神經網絡在評價競爭力應用上的優勢，并通過文獻發現使用BP網絡具有可行性；在介紹了BP網絡的基本原理之后，借助Matlab7.0軟件構建了評價C2C電子零售商競爭力的二層BP網絡，通過訓練，使網絡達到了良好的性能，并仿真得到了6個C2C電子零售商的綜合競爭力，這再次說明了應用BP網絡評價C2C電子零售商的競爭力具有可行性，具有較強的應用推廣性。但是，在使用BP網絡評價競爭力時應選擇可靠的指標體系和權威的數據對來訓練網絡，否則計算結果會不準確。

參考文獻:

[1]李煜華胡運權胡瑤瑛:基于BP 神經網絡的老工業基地企業核心競爭力的綜合評價.商業研究，2006,05

[2]高小紅郭軍:基于BP人工神經網絡的企業競爭力預測模型.中國礦業,2004,08

[3]吳曉偉徐福緣:基于神經網絡的企業競爭力綜合評價方法.工業技術經濟，2004,04

[4]陳紅轉王飛等:基于BP網絡的銀行競爭力綜合評價.山東科技大學學報，2003,12

[5]聞新周露李翔張寶偉著:Matlab神經網絡仿真與應用.科學出版社,2003,07

[6]（美）哈根等著戴葵等譯:神經網路設計.機械工業出版社,2002,09