神经网络设计十篇

神经网络设计篇1

【关键词】Matlab；RBF神经网络；仿真试验

人工神经网络（ANN-Artificial Neural Network）是一种与传统计算机系统不同的信息处理工具，具有人脑的某些功能特征，可用来解决模式识别与人工智能中用传统方法难以解决的问题。神经网络具有高度的自学习、自组织和自适应能力，通过学习和训练网络模型的输入、输出数据就可以获得网络的权值和结构，从而得出隐含在输入、输出数据中的关系。这种关系隐含在神经网络内部，它不需要知道具体的精确模型，只需用神经网络就能逼近输入和输出之间的多维非线性特性，从而建立输入与输出之间的关系，这种非线性映射能力在人工智能、模式识别、信息处理等工程领域得到了广泛的应用。

随着神经网络理论研究和实际应用的不断深入，《人工神经网络》课程逐渐受到较多高校的重视，并将其列入教学计划，成为电气信息类学科的一门专业选修课。但《人工神经网络》课程的理论性非常强，对本科生的教学具有一定的难度。作为入门课程，本科生的教学重点应放对各种网络模型的结构和特点的理解，并结合应用实例，使学生能够获取一些初步设计经验的基础上，掌握有关模型的用法和性能。因此，笔者以RBF神经网络为例设计仿真试验，通过实例增强学生的对神经网络模型的设计和仿真的认识，加深学生神经网络理论的理解。

一、RBF神经网络

RBF网络可以根据问题确定相应的网络拓扑结构，学习速度快，不存在局部最小问题。RBF网络的优良特性使得它正显示出比BP网络更强的生命力，正在越来越多的领域替代了BP网络。

RBF网络典型结构如图1所示。输入层节点只是传递输入信号到隐含层，隐含层节点由像高斯函数那样的辐射状作用函数构成，而输出层节点通常是简单的线性函数。隐含层节点中的作用函数对输入信号将在局部产生响应，也就是说，当输入信号靠近该函数的中央范围时，隐含层节点将产生较大的输出。由此可看出这种网络具有局部逼近能力，故径向基函数网络也称为局部感知场网络。

二、基于MATLAB的RBF神经网络设计与仿真

MATLAB神经网络工具箱为径向基网络提供了很多工具箱函数，它们对我们利用MATLAB进行径向基网络的设计、分析及实际应用有着不可替代的作用，这给用户带来了极大的方便。

下面以污闪风险预测模型为例来说明神经网络设计与仿真。预测模型采用三输入一输出的结构。输入向量为相对湿度RH、泄漏电流幅值Ih、泄漏电流三次谐波与基波的幅值之比δ，它们的大小是能够检测到的用于评判绝缘子污闪风险的主要参数；将绝缘子污闪的风险等级作为输出，输出取值分别为不报警（NA）、一般报警（GA）、危险报警（DA）等三个模糊量。对于绝缘子污闪风险等级NA、GA和DA，为了方便神经网络进行拟合建模，分别赋予一个量化的值1，2和3与之一一对应。

利用函数newrbe创建一个准确的径向基网络，该函数在创建RBF网络时，自动选择隐含层的数目，使得误差为0。在网络设计过程中，用不同的SPREAD值进行尝试，以确定一个最优值。SPREAD分别取1，2，3，4时得到不同的网络结构。将污闪风险等级的实际值和神经网络输出的结果对比，不同神经网络的验证结果如图3所示。可以看出，当SPREAD取1时，污闪风险的实际值与神经网络计算值之间的误差最小，网络性能达到最优，所以本论文预测网络的SPREAD选取1。

将试验中得到的600组数据预留20组数据作为检验样本，剩下的580组数据为RBF神经网络的训练样本，训练好的网络具有进行绝缘子污闪风险预测的能力。

三、结语

人工神经网络是一门理论性很强而又应用广泛的课程，已经应用各种电气设备信号预测和状态监测等领域，本科生由于数学基础的限制学习这门课程有一定的难度。高校要培养出高素质的工程应用型人才，应充分利用MATLAB平台将实验仿真教学与理论学习相结合，以促进学生对较难理解的理论知识的掌握。通过采用灵活多变的教学方式，培养学生的学习兴趣、激发学生的求知欲，从而达到启迪思维、拓展视野的目的，培养学生自学能力、独立解决问题的能力，为社会培养出具有工程创新能力的卓越工程师。

参考文献

[1] 李国勇.智能控制及其MATLAB实现[M].电子工业出版社，2006.

[2] 葛哲学，孙志强.神经网络理论与MATLAB R2007实现[M].电子工业出版社，2007（03）.

神经网络设计篇2

论文关键词：内燃机 人工神经网络 辅助方法

论文摘要：针对汽车发动机设计和性能评测当中有关参数计算的特点，提出应用人工神经网络方法进行辅助计算，以提高数据计算的结构化程度和处理速度。通过对具体数据的实际操作表明，应用本方法能够很好地表达原图表数据关系，所得结果的精度能够满足计算要求。

汽车发动机的性能包括动力性、经济性、生态特性——排放与噪声、可靠性及耐久性等多个方面，这些参数要通过在一定条件下的测试计算来获得。当发动机在非标准环境下运转时，其相关计算要通过参数进行修正，比如发动机的有效功率和燃油消耗率的计算。当发动机在非标准环境下运转时，其有效功率及燃油消耗率应修正到标准环境状况，当然也可由标准环境状况修正到现场环境状况，其中的有效功率和燃油消耗率修正系数在gb1105..1-87中以图表的形式给出，使用很不方便，本文应用人工神经网络对此图表信息进行处理，提高了数据计算的结构化程度和处理速度，取得了满意的效果。

1.神经网络的识别原理

在神经网络系统中，其知识是以大量神经元的互连和各连接的权值来表示的.神经网络映射辩识方法主要通过大量的样本进行训练，经过网络内部自适应算法不断调整其权值，以达到目的.状态识别器就隐含在网络中，具体就在互连形式与权值上.在网络的使用过程中，对于特定的输入模式，神经网络通过前向计算，产生一输出模式，通过对输出信号的比较和分析可以得出特定解。目前神经网络有近40多种类型，其中bp(back propagation,即反向传播)网络是最常用和比较重要的网络之一，本文就应用一种改进型的bp网络进行相应数据图表的识别映射。

bp网络由输入结点、输出层结点和隐层结点构成，相连层用全互连结构.神经网络的工作过程主要有两个阶段：一个是学习期，通过样本学习修改各权值，达到一稳定状态；一个是工作期，权值不变，计算网络输出。

b

p网络的学习过程由正向传播和反向传播两部分组成。在正向传播过程中，输入信息从输入层经隐层单元逐层处理，并传向输出层，每一层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输出，则转入反向传播，将误差信号沿原来的路径返回，通过修改各层神经元的权值，使得误差信号最小。

当给定一输入模式x=(x1,x2,….,xm)和希望输出模式y=(y1,y2,…..,yn)时，网络的实际输出和输出误差可用下列公式求出：

隐含层输出：

式中——输入层至隐含层，隐含层至输出层的连接权；

——隐含层结点、输出层结点的阀值；

m、h、n——输入层、隐含层、输出层结点数；

f—— s型函数，f(x)=(1+e-x)-1.

    如果误差太大不能满足要求，则需要用下列公式修正各连接权和阀值

   

为网络提供一组特定的训练模式，随机产生初始连接权和阀值，不断币复上述计算过程，直到网络全局误差小于给定的极小值为止.

    由于bp网络的高识别能力，应用中采用了此结构形式.同时为提高其识别效果，加快网络的训练速度，缩短工作周期，应用了附加动量项和自适应速率的改进算法.

附加动量项法使网络在修正其权值时，不仅考虑误差在梯度上的作用，而且考虑在误差曲面上变化趋势的影响，其作用如同一个低通滤波器，允许网络上的微小变化特性，使网络陷入局部极小值的可能性大大减少。自适应速率是通过改变学习率，提高bp算法的有效性和收敛性，缩短训练时间.

2具体应用

根据以上理论，采用改进的bp神经网络形式，动量因子取0.9，对有效功率校正系数和燃油消耗率校正系数与指示功率比和机械效率的关系同时进行识别，采用双输入双输出的2-10-2结构、2-15-2结构、2-20-2结构进行训练，识别情况分别如表3-5所示。

从实际的应用效果来看，2-15-2和2-20-2的逼近能力相似，2-15-2的速度快于2-20-2结构，而2-20-2结构的识别能力要远低于前两种结构，采用更少的隐层结点数就会使训练的时间过长，甚至使训练过程无法进行.因此最后选择2-15-2的bp网络结构作为最终的神经网络形式。如图1所示为训练次数与误差平方和之间的关系曲线，表4为部分网络输出与实际数值的比较.

通过以上计算分析可见，神经网络的映射输出能力是相当强的，通过合理的网络结构选择和具体的参数应用，完全可以满足优化设计的计算要求，大大缩短优化当中的计算迭代时间，提高计算效率。

3结论

（1）人工神经网络有很强的数据映射能力，能够很好地识别所给数据之间的对应关系，映射的精度可以满足一般设计计算要求.

（2）对于包含无规律图表数据的有关计算问题，应用神经网络是一个很好的加快运算速度的解决方法.

（3）在数据的映射识别当中，网络的结构形式和参数选择对于问题的求解精度和速度都是致关重要的’同时应当注意数据的过度训练问题.

（4）智能算法的应用为具体的工程计算提供了更方便、有效的手段，寻找有效的计算方法，以及多种算法的混合应用将是摆在设计人员的一个课题.

参考文献

[1]焦李成.神经网络系统理论[m]西安:西安电子科技大学出版社，1990.

[2]焦李成.神经网络的应用与实现[m].西安:西安电子科技大学出版社，1993.

[3]王文成.神经网络及其在汽车工程中的应用[m].北京:北京理工大学出版社，1998.

[4]张成宝，丁玉兰，雷雨成.人工神经网络在汽车变速器齿轮故障诊断中的应用[j].汽车工程,1999,21(6) 374-378.

[5]watanahle y, sharp h s.  neural network learning control of automotive aotic-e suspension systems.lnternational,lournal of vehicle design[j]，1999，21(2/3):124一147.

神经网络设计篇3

关键词性能对比感知器BP网络霍普菲尔德网络字符识别

1引言

人工神经网络是在人类对其大脑神经网络认识理解的基础上人工构造的能够实现某种功能的神经网络。论文它是理论化的人脑神经网络的数学模型，是基于模仿大脑神经网络结构和功能而建立的一种信息处理系统。因其自组织、自学习能力以及具有信息的分布式存储和并行处理，信息存储与处理的合一等特点得到了广泛的关注，已经发展了上百种人工神经网络。

一般来说，人工神经网络从结构上可分为两种:前向网络和反馈网络。典型的前向网络有单层感知器、BP网络等，反馈网络有霍普菲尔德网络等[1]。

人工神经网络已经被广泛应用于模式识别、信号处理、专家系统、优化组合、智能控制等各个方面，其中采用人工神经网络进行模式识别具有一些传统技术所没有的优点:良好的容错能力[2j、分类能力、并行处理能力和自学习能力，并且其运行速度快，自适应性能好，具有较高的分辨率。单层感知器、BP网络和霍普菲尔德网络均可以用于字符识别。

本文通过具体采用感知器网络、BP网络和霍普菲尔德反馈网络对26个英文字母进行识别的应用，通过实验给出各自的识别出错率，通过比较，可以看出这3种神经网络的识别能力以及各自的优缺点。

2字符识别问题描述与网络识别前的预处理

字符识别在现代日常生活的应用越来越广泛，比如车辆牌照自动识别系统[3，4]，手写识别系统[5]，办公自动化等等[6]。毕业论文本文采用单层感知器、BP网络和霍普菲尔德网络对26个英文字母进行识别。首先将待识别的26个字母中的每一个字母都通过长和宽分别为7×5的方格进行数字化处理，并用一个向量表示。其相应有数据的位置置为1，其他位置置为O。图1给出了字母A、B和C的数字化过程，其中最左边的为字母A的数字化处理结果所得对应的向量为:IetterA~「00100010100101010001111111000110001〕’，由此可得每个字母由35个元素组成一个向量。由26个标准字母组成的输人向量被定义为一个输人向量矩阵alphabet，即神经网络的样本输人为一个35×26的矩阵。其中alphabet=[letterA，letterB，lettere，……letterZj。网络样本输出需要一个对26个输人字母进行区分输出向量，对于任意一个输人字母，网络输出在字母对应的顺序位置上的值为1，其余为O，即网络输出矩阵为对角线上为1的26×26的单位阵，定义target=eye(26)。

本文共有两类这样的数据作为输人:一类是理想的标准输人信号;另一类是在标准输人信号中加上用MATLAB工具箱里的噪声信号，即randn函数。

3识别字符的网络设计及其实验分析

3.1单层感知器的设计及其识别效果

选取网络35个输人节点和26个输出节点，设置目标误差为0.0001，最大训练次数为40。设计出的网络使输出矢量在正确的位置上输出为1，在其他位置上输出为O。医学论文首先用理想输人信号训练网络，得到无噪声训练结果，然后用两组标准输入矢量加上两组带有随机噪声的输人矢量训练网络，这样可以保证网络同时具有对理想输人和噪声输人分类的能力。网络训练完后，为保证网络能准确无误地识别出理想的字符，再用无噪声的标准输入训练网络，最终得到有能力识别带有噪声输人的网络。下一步是对所设计的网络进行性能测试:给网络输人任意字母，并在其上加人具有平均值从。~0.2的噪声，随机产生100个输人矢量，分别对上述两种网络的字母识别出错率进行实验，结果如图2所示。其中纵坐标所表示的识别出错率是将实际输出减去期望输出所得的输出矩阵中所有元素的绝对值和的一半再除以26得到的;虚线代表用无噪声的标准输人信号训练出网络的出错率，实线代表用有噪声训练出网络的出错率。从图中可以看出，无噪声训练网络对字符进行识别时，当字符一出现噪声时，该网络识别立刻出现错误;当噪声均值超过0.02时，识别出错率急剧上升，其最大出错率达到21.5%。由此可见，无噪声训练网络识别几乎没有抗干扰能力。而有噪声训练出的网络具有一定的抗干扰能力，它在均值为。~0.06之间的噪声环境下，能够准确无误地识别;其最大识别出错率约为6.6%，远远小于无噪声训练出的网络。

3.2BP网络的设计及其识别效果

该网络设计方法在文献[lj中有详细介绍。网络具有35个输人节点和26个输出节点。目标误差为0.0001，采用输人在(0，l)范围内对数S型激活函数两层109519/109519网络，隐含层根据经验选取10个神经元。和单层感知器一样，分别用理想输人信号和带有随机噪声的输人训练网络，得到有噪声训练网络和无噪声训练网络。由于噪声输人矢量可能会导致网络的1或o输出不正确，或出现其他值，所以为了使网络具有抗干扰能力，在网络训练后，再将其输出经过一层竞争网络的处理，使网络的输出只在本列中的最大值的位t为1，保证在其他位置输出为O，其中网络的训练采用自适应学习速率加附加动量法，在MATLAB工具箱中直接调用traingdx。在与单层感知器相同的测试条件下对网络进行性能测试，结果如图3所示。其中虚线代表用无噪声训练网络的出错率，实线代表用有噪声训练网络的出错率。从图中可以看出，在均值为o一0.12之间的噪声环境下，两个网络都能够准确地进行识别。在0.12~0.15之间的噪声环境下，由于噪声幅度相对较小，待识别字符接近于理想字符，故无噪声训练网络的出错率较有噪声训练网络略低。当所加的噪声均值超过。.15时，待识别字符在噪声作用下不再接近于理想字符，无噪声训练网络的出错率急剧上升，此时有噪声训练网络的性能较优.

3.3离散型，霍普菲尔德网络的设计及其识别效果

此时网络输人节点数目与输出神经元的数目是相等的，有r=s=35，采用正交化的权值设计方法。在MATLAB工具箱中可直接调用函数newh叩.m。要注意的是，由于调用函数newhoP.m，需要将输人信号中所有的。英语论文变换为一1。如letterA~[一1一11~1-1一11一11一l一11一11一11一1一1一11111111一l一l一111一1一1一11〕’。设计离散型霍普菲尔德网络进行字符识别，只需要让网络记忆所要求的稳定平衡点，即待识别的26个英文字母。故只需要用理想输人信号来训练网络。对于训练后的网络，我们进行性能测试。给网络输入任意字母，并在其上加人具有平均值从。~0.5的噪声，随机产生100个输人矢量，观察字母识别出错率，结果如图4所示。从图中可以看出，在均值为0~0.33之间的噪声环境下，网络能够准确地进行识别。在0.33~0.4之间的噪声环境下，识别出错率不到1%，在0.4以上的噪声环境下，网络识别出错率急剧上升，最高达到大约10%。可以看出，该网络稳定点的吸引域大约在0.3~。.4之间。当噪声均值在吸引域内时，网络进行字符识别时几乎不出错，而当噪声均值超过吸引域时，网络出错率急剧上升。

4结论

本文设计了3种人工神经网络对26个英文字母进行了识别。可以看出，这3种人工神经网络均能有效地进行字符识别，并且识别速度快，自适应性能好，分辨率较高。由图2和图3可以看出，单层感知器的有噪声训练网络在均值为O~0.06之间的噪声环境下可以准确无误的识别，而有噪声训练的BP网络可以在o~0.12之间的噪声环境下准确无误的识别，故BP络网络容错性比单层感知器的容错性好;此外，噪声达到0.2时，单层感知器的有噪声训练网络的识别出错率为6.6%，而有噪声训练的BP网络的识别出错率为2.1%，故BP网络比单层感知器识别能力强。另外，由图2、图3和图4可以看出，这3种网络中霍普菲尔德网络识别率最高，它在噪声为0.33以前几乎不会出错，BP网络次之，感知器最差。

通过设计、应用与性能对比，我们可得单层感知器网络结构和算法都很简单，训练时间短，但识别出错率较高，容错性也较差。BP网络结构和算法比单层感知器结构稍复杂，但其识别率和容错性都较好。霍普菲尔德网络具有设计简单且容错性最好的双重优点。因此，我们应根据网络的特点以及实际要求来选择人工神经网络对字符进行识别。

参考文献

[1]丛爽.面向MATLAB工具箱的神经网络理论与应用「M.合肥:中国科学技术大学出版社，2003.

[2]武强，童学锋，季隽.基于人工神经网络的数字字符识别[J].计算机工程，2003，29(14):112一113.

[3]廖翔云，许锦标，龚仕伟.车牌识别技术研究[J].徽机发展，2003，13:30一35.

[4]李中凯，王效岳，魏修亭.BP网络在汽车牌照字符识别中的应用[J].东理工大学学报，2004，18(4):69一72.

神经网络设计篇4

关键词：车门；抗凹刚度；下垂刚度；径向基函数神经网络；轻量化

中图分类号：U463.83文献标文献标识码：A文献标DOI：10.3969/j.issn.2095-1469.2015.02.08

Abstract：To realize the lightweight car door of a truck obtained by using a reverse design method， an approximate neural network model was established based on radial basis functions， taking as input the thickness of key components acquired by parameter identification and taking as output the stiffness and the quality of the door. On the basis of the approximate model and ASA algorithm， a lightweight door was achieved by regarding thickness of the components as design variables， satisfying the dent resistance stiffness and sagging stiffness as constraint conditions and setting target on the minimum weight. It was possible to reduce 0.81kg without decreasing the dent resistance stiffness and sagging stiffness. The application of the RBF neural network shortened the time of the lightweight design.

Key words：truck door； dent resistance stiffness； sinkage stiffness； radial basis function neural network； lightweight

在汽车设计过程中，逆向工程发挥着重要作用。逆向工程技术的出现克服了传统设计过程中样件制作和试验耗费时间过长的问题[1]。但是，仅仅通过逆向设计得到的产品往往不能满足实际的设计要求，需要在其基础上进行深入的性能分析和优化设计，以完善设计方案。本文研究的车门由逆向工程设计得到，共包含27个钣金件，各钣金件的厚度值基本与标杆车相同。本文力图通过分析各钣金件厚度对车门性能的影响情况，重新合理地布置各钣金件的厚度分配，最终实现车门的轻量化设计。

常用的车门钣金件厚度的优化方法主要包括灵敏度优化和最优化方法。灵敏度优化主要是辨识输入变量对输出响应的影响程度，根据灵敏度分析结果，合理地调整零部件的厚度，改善车门性能，实现车门轻量化[2]。但是，灵敏度优化得到的方案往往只是一个改善的解，而不是一个全局最优解。最优化方法则是采用优化算法，在设计变量的可行性设计空间中搜寻最优解，优化方案较灵敏度优化方案往往更好。但是，优化工作如果使用优化算法直接驱动仿真程序进行寻优，通常需要较长的仿真优化时间，对于复杂的模型往往不太现实[3]。

为了克服最优化方法的这一缺点，本文引入基于RBF的神经网络近似模型来代替有限元仿真计算模型进行优化分析，这种方法在以往的车门轻量化研究中应用较少。首先，在有限元模型的基础上，通过试验设计（Design of Experiments，DOE）分析得到了各钣金件厚度对车门性能的影响，筛选出对于优化工作较为重要的板件厚度值，作为优化工作的对象，缩减优化规模。其次，在设计空间内，通过DOE采样，建立了可信度较高的基于RBF的神经网络近似模型，以近似模型代替高强度的仿真计算，在其基础上进行车门轻量化设计，大大缩短了优化设计工作的时间。本文车门轻量化设计研究流程如图1所示。

1 车门性能分析

根据企业的车门系统设计技术规范，为了保证车门性能的要求，分别设计了车门的抗凹工况、下垂工况的刚度试验与有限元仿真分析，分析车门初始方案的性能。

1.1 车门抗凹工况

1.1.1 抗凹刚度试验

为了分析逆向设计得到的车门初始方案的性能，同时为有限元模型的建立提供依据，搭建了车门抗凹刚度试验台，如图2所示。试验中，在门锁和车门铰链安装位置处，将车门固定在试验台上。沿车门窗折边下沿斜线，绘制10 cm间隔网格线，作为车门外表面备选测点（图2）。通过观察，根据经验及通过手压法辨识出8个变形较大的位置点，作为试验时的测点。在每个测点处，分别逐级施加载荷，载荷的最大值根据实际测量过程的加载变形状况调整，通过DH3816应变测试系统采集该测点处水平方向位移数据，每个测点进行3次试验，取3次试验的平均值作为最后的试验结果，试验结果见表1。

1.1.2 抗凹刚度仿真分析

将车门的CAD几何模型导入到Hypermesh中，通过模型简化后，建立了车门的有限元模型。如图3所示，有限元模型单元总数为15 227，车门总质量为23.68 kg。

在抗凹工况仿真中，有限元模型的约束方式与试验条件相同，分别约束车门铰链安装位置和门锁处6个方向的自由度。在对应的8个测点处分别施加相应的载荷（取抗凹试验时相应加载点载荷的最大值），测量加载点水平方向的最大位移，计算得到8个点的抗凹刚度。抗凹刚度的计算如式（1）所示。

。

式中，Ki为第i个测点的抗凹刚度，N/mm；Fi为第i个点的加载载荷，N；yi为第i个点的最大变形量，mm；

表1给出了试验分析和仿真分析中，各测点的最大加载载荷、最大变形量、抗凹刚度的对比。

1.2 车门下垂工况

1.2.1 下垂刚度试验

试验中，在车门铰链安装位置处，将车门通过铰链固定在下垂刚度试验台上，车门开度为0，如图4所示。在门锁位置，逐级施加载荷，载荷的最大值根据实际测量过程的加载变形状况调整，通过DH3816应变测试系统采集车门下边缘处垂向位移数据，进行3次试验，取3次试验的平均值作为最后的试验结果，试验结果见表2。

1.2.2 下垂刚度仿真分析

在下垂刚度仿真中，有限元模型的约束方式与试验条件相同，约束车门铰链安装位置6个方向的自由度，在门锁处施加垂向载荷，载荷大小为966 N（取下垂试验时门锁加载载荷的最大值）。测量车门下边缘处10个点的Z向位移，取10个测点位移的最大值作为下垂工况车门的变形量，用于计算车门下垂刚度。下垂刚度的计算如式（2）所示。表2给出了下垂工况仿真与试验的数据对比。

。

式中，KZ为车门的下垂刚度，N/mm；FZ为下垂工况的垂向载荷，N；Zi为车门下沿第i点的变形量，mm。

由表1分析可知，仿真计算得到的车门抗凹刚度性能与试验情况基本一致。由表2分析可知，仿真计算得到的车门下垂刚度与试验存在稍许的误差，这是由下垂试验与仿真中测点选择不完全一致引起的。试验过程中，测点选择下沿某点，但是在实际的测量过程中，该点会产生相对滑动；仿真过程中，考虑到试验测点位置的滑动，下垂位移选取的是下沿8个测点位移的最大值，计算得到的刚度值会小于试验值，但刚度值更可信。这表明所建立的有限元模型可信度较高，能够用于后期的优化工作。

2 关键参数辨识

本文研究的车门是由逆向设计得到的，车门各钣金件的初始厚度值基本与标杆车相同。为了探究车门各零部件厚度对车门性能的影响，辨识关键因子，缩减优化设计的规模，为后期的结构改型提供依据，首先安排了试验设计探究各零部件厚度对车门性能的影响情况。

通过优化拉丁超立方采样技术，以所有的零部件板厚作为输入变量，以车门的抗凹刚度、下垂刚度以及质量作为响应。通过仿真计算，得到100组样本点，通过贡献率分析，得到了各零部件板厚对于车门性能的影响情况[4]，如图5所示（以板厚对8号测点抗凹刚度的影响情况）。

由图5可知，车门外板对8号测点的抗凹刚度性能的影响最为重要。某些零部件板厚对抗凹刚度的贡献率很小，几乎可以忽略不计。综合考虑27个零部件厚度对车门下垂刚度、抗凹刚度以及质量的影响，最终选择其中的22个零部件厚度作为下一步优化分析工作的设计变量。

3 RBF神经网络

近似模型方法是通过数学模型逼近一组输入变量与输出变量的方法。基于近似模型进行优化设计工作的优势在于：减少耗时的仿真程序的调用，提高优化效率，通常可将实际求解时间缩短几个数量级；建立经验公式，获得输入、输出变量之间的量化关系；降低仿真分析的噪声，更快地收敛到全局最优解。常用的近似模型主要包括响应面法、切比雪夫正交多项式、克里格模型、神经网络模型等[5]。其中，神经网络模型具有很强的逼近复杂非线性函数的能力，且具有较强的容错功能，即使样本中含有“噪声”输入，也不影响模型的整体性能。

3.1 RBF神经网络模型

1943年，McCulloch和Pitts建立了第1个人工神经网络模型[6]。1947年，Weissinger第1次将径向基函数应用到求解羽翼周围的流场问题[7]。1988年，Broomhead和Lowe将径向基函数模型技术命名为“神经网络”，随后神经网络近似模型技术广泛地应用到各个方面[8]。从20世纪90年代开始，Kansa对于径向基函数做了大量的研究工作与应用[9]。

在径向基函数神经网络模型中，假设为一组已知的输入向量（即分析任务中定义的设计变量），为对应的已知的输出值（即分析任务中目标性能值）。用于近似估计未知点的基于径向基函数的差值模型表述为式（3）所示：

式中，为神经网络近似模型建立过程中根据样本点数据求解得到的径向基函数差值模型系数。通过求解式（4）和式（5）定义的N+1个线性方程，即可求得N+1个未知的系数 。

函数；为待测点与样本点的欧几里得距离；

c为样条形状参数，c的取值直接影响到近似模型的可信度，通常0.2

3.2 车门性能的神经网络模型

在近似模型的建立过程中，样本点往往是通过试验设计采样的方法获得的。试验设计采样方法包括正交试验、部分因子试验、拉丁超立方试验、优化拉丁超立方试验等。其中，优化拉丁超立方设计可以使样本点尽量均匀地分布在设计空间，具有非常好的空间填充性和均衡性。

本文近似模型的输入为参数辨识分析中得到的22个关键零厚度，输出为车门的目标性能，包括下垂刚度和8个测点的抗凹刚度。采用优化拉丁超立方抽样技术，共安排400次仿真试验，在OptiStruct中计算得到400组样本点。

在Isight中建立了基于径向基函数的神经网络近似模型，以8号点抗凹刚度性能的近似模型为例，如图6所示，x坐标为上横梁内板的厚度值，y坐标为门锁挂钩板的厚度值，z坐标为8号点的抗凹刚度。

3.3 神经网络模型的精度验证

近似模型可以代替耗时的仿真程序，提高优化效率。但是，近似模型只有在保证具有足够高的预测精度和可信度的前提下，才可以代替实际的仿真程序。在进行近似模型精度分析时，往往是将样本点的输出与近似模型计算得到的输出进行统计分析，评价指标主要包括平均误差、最大误差等。

为了验证所建立的车门性能神经网络模型的精度，选取了所有400个样本点作为误差分析点，将目标性能的实际值与近似模型计算值进行对比分析，计算得到各性能指标近似模型的平均误差均小于0.045，可信度较高。以减重质量近似模型的预测值与实际值的对比为例，如图7所示。

图7中，横坐标为减重质量的近似模型预测值，纵坐标为相同板厚设计方案下减重质量的真实值。由图可知，近似模型的预测值基本等于实际值，近似模型可信度较高。综上所述，该近似模型可以有效地代替仿真计算。

4 基于近似模型的车门轻量化

4.1 优化问题定义

优化是在约束条件下寻找最优解，典型的优化问题数学模型可以定义为

目标函数：。

约束条件： 。

设计变量： 。

根据实际经验，在板件厚度的优化过程中，当板件的初始厚度小于1.5 mm时，板件厚度增厚与减薄的最大尺寸分别不超过0.2 mm和0.1 mm。当板件的初始厚度大于1.5 mm时，板件厚度增厚与减薄的最大尺寸分别不超过0.2 mm。22个设计变量的初始值及取值范围见表3。

在车门轻量化设计过程中，必须保证车门的性能不能违反设计要求。因此，车门优化设计方案的下垂刚度与8个测点处的抗凹刚度不能小于初始刚度。约束条件的具体设置见表4。

4.2 车门轻量化实例

以车门板件的厚度为设计变量，以车门性能为约束条件，以车门减重质量最大为目标，用精确度较高的径向基函数神经网络模型代替耗时的仿真计算，进行车门轻量化设计。优化算法选择的是模拟退火算法，其思想是由Metropolis提出的[11]。在优化设计中，最大迭代次数为50 000次，每5步检查一次收敛性，温度参数下降的相对比率为1，温度损失函数下降的相对比率为1，损失函数淬火相对速率为1。

经优化迭代，对比优化方案，最终选择第45 294次优化方案。设计变量的初始值、优化值对比如表5所示。

为了验证近似模型优化方案的精确度，将最终的设计变量厚度值代入有限元模型中，通过仿真计算得到车门的各项性能值。将近似模型计算结果与仿真分析结果进行对比见表6。

通过仿真验证，基于近似模型计算得到的优化方案性能较为可信。将优化方案性能与初始方案性能对比分析可知，优化方案的性能没有下降，反而有所提高。由表5和表6可知，通过合理地重新布置车门各板件厚度，在保证车身各性能不降低的前提下，实现减重0.813 kg。因此，通过合理地重新分配车门各钣金件的厚度值，能够使各钣金件发挥最大作用，实现车门性能的提高与轻量化设计。

4.3 优化工作时间统计

基于RBF神经网络近似模型的车门轻量化设计耗时量与优化算法直接驱动仿真程序计算的耗时量对比见表7。由表7可知，基于近似模型的优化设计可以有效地缩短优化设计所需要的时间，加快产品的研发进程。

5 结论

（1）基于近似模型进行车门的轻量化设计工作，可以有效地减少求解计算时间，节省的时间达到了几个数量级。

（2）基于RBF的神经网络近似模型具有很强的逼近复杂函数的能力，具有较强的容错能力，能够有效地减少样本“噪声”的影响，具有很高的可信度。

（3）在车门的逆向设计产品过程中，通过合理地优化设计，探究各零部件厚度对于车门性能的影响，重新合理地分配各零部件的厚度，能够使车门具有更好的性能指标，同时也可以实现车门的轻量化设计。本文基于实际的试验工况，仅考虑了抗凹刚度与下垂刚度仿真进行车门轻量化设计。同时，如若增加车门的模态工况、疲劳耐久性分析、NVH分析等，对于车门性能开发更加有利。

参考文献（References）：

陆佳平，薛克敏，汪昌盛. 逆向工程在汽车覆盖件设计中的应用[J]. 合肥工业大学学报（自然科学版）， 2006，29（3）：278-280.

神经网络设计篇5

1986年，rumelhart提出了反向传播学习算法，即bp(backpropagation)算法。反向传播bp（back propagation）神经网络是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一［1］。这种算法可以对网络中各层的权系数进行修正，故适用于多层网络学习。bp算法是目前应用最广泛的神经网络学习算法之一，在自动控制中是最有用的学习算法，它含有输人层、输出层以及处于输入输出层之间的中间层。中间层有单层或多层，由于它们和外界没有直接的联系，故也称为隐层。在隐层中的神经元也称隐单元。隐层虽然和外界不连接，但是，它们的状态影响着输入输出之间的关系。也就是说，改变隐层的权系数，可以改变整个多层神经网络的性能［2］。

1bp 神经网络模型

bp 神经网络模型由一个输入层、一个输出层以及一个或多个隐含层构成，同一层中各神经元之间相互独立。输入信号从输入层神经元开始依次通过各个隐含层神经元，最后传递到输出层神经元， 图1给出了包含一个隐含层的bp网络模型结构，隐含层神经元个数为m。理论研究表明：具有一个输入层，一个线性输出层以及sigmoid 型激活函数的隐含层bp 网络能够以任意精度逼近任何连续可微函数［3］。

三层感知器中，输入向量为x=（x1,x2…xi…xn）t，图1中x0=-1是为隐层神经元引入阈值而设置的，隐层输入向量为y=（y1,y2…yj…ym,）t，图中y0=-1是为输出层神经元引入阈值而设置的；输出层输出向量o=（o1,o2, …,ok,ol）t，期望输出向量为d=（d1,d2, …,dk,dl）t,输入层到隐层之间的权值矩阵用v表示，v=（v1,v2, …,vj, …vm）t，隐层到输入层之间的权值矩阵用w表示，w=（w1,w2, …,w,k …wl）t，下面分析各层信号之间的关系［4］。

图1三层bp网络

对于输入层：

ok=f（netk） k=1,2, …，l，netk=∑mj=0wjkyj k=1,2, …，l；

对于隐层：

yj=f（netj）j=1,2, …,m，netj=∑ni=0vijxij=1,2, …,m；

以上两式中，激活函数都是sigmoid函数。

f（x）=11+e－x，f（x）具有连续、可导的特点且f’（x）= f（x）［1- f（x）］。

根据以上公式，我们可以推导出权值调整量δwjk和δvjk分别是：

δwjk=ηδokyj=η（dk-ok）ok（1-ok）yj，δvij=ηδyjxi=η（∑lk=1δokwjk）yj（1-yj）xi

2智能公交实时调度模型总体设计

公交公司的行车计划一般在年初就制定完成，调度员根据行车计划进行调度，遇到节假日、雨天等突发情况时，就凭调度员的工作经验调度。因此，可以考虑使用bp神经网络算法，在智能公交实时调度中加入误差反向传播算法，利用误差反向传播算法超强的学习能力和泛化能力，通过对公交海量历史调度数据的学习，建立公交车到达目的站点的预测模型。通过实时gps数据，就可以预测车辆到达目的地的大概时间，为建立智能公交调度提供极大的方便。智能公交实时调度模型如图2所示。

图2智能公交实时调度模型

从图2可以看出，智能公交实时调度模型分为3个主要模块。

(1)数据处理分析模块。智能公交实时调度模型的基础模块，数据来源于两个部分：一是公交历史行车数据，包括发车时间、天气等数据；二是gps定位系统采集的实时数据，主要是各个时刻采集的运行数据。该模块根据各预测模型的需要，选择合理的数据输入，并对数据进行处理。

(2)预测模型模块。通过对现有数据的分析、预测，得到车辆到达调度站的运行时间预测结果。

(3)智能实时调度模块。输入预测模型可以得到车辆运行时间，根据公交历史调度计划以及公交客流数据，可以适当改变当前调度计划，临时下达调度指令，为建立与实际客流相结合的调度方法提供决策支持。

(4)基于bp神经网络的预测模型。公交车辆的运行时间总的来说还是比较固定的，但是有时候会随着道路拥挤情况、节假日、天气情况等有所改变。由于神经网络具备以任意精度逼近连续函数功能，具有较强的自我学习能力和泛化能力，能够充分体现输入数据与输出数据之间复杂的映射关系。因此，本文采用bp神经网络来预测车辆到达时间。

2.1输入变量对公交运行时间的影响

把公交车运行时间分

为几个阶段，车辆到达目的地所需要的时间往往与该公交车处于的阶段有着某种必然的联系，根据车辆实时gps数据及车辆运行过程中所处的时间，设ti为公交车实时时间，所以ti在那个阶段对车辆运行有直接影响， ti可以根据gps数据实时取得。

车辆位置：车辆在运行过程中所处的位置对公交车到达目的站有着一定的影响，根据gps实时数据，可以计算出车辆离终点站有多少距离，将车辆在ti时刻距调度站的距离作为影响因素。

天气情况：天气的好坏对公共汽车的运行产生比较大的影响，一般情况下，公交车在晴天的运行时间要比雨天少，车速比雨天快。

星期情况：从周一到周日，不同日子有着不同的客流，所以星期情况对公交的运行产生一定的影响。

节日：重大节日客流量明显增多，车辆的运行时间也会有所延长。

2.2变量获取

bp神经网络需要大量数据作为输入、输出样本，因此在构建bp神经网络前，首先要做的工作就是获取这些数据。利用先进的信息技术，可以获取公交车辆运行的gps数据，而天气、星期情况、是否节假日这些变量则可以在大量的历史数据中获得。

2.3基于神经网络的车辆预测模型

预测模型将采用三层bp神经网络，即一个输入层，一个隐层以及一个输出层，输入层一共有5个变量，分别是时间、车辆位置、天气情况、星期情况以及节假日。隐含层节点数目一共有11个节点。输出层为1个节点，采用有导师的学习方法。至此本文建立的bp网络结构为5×11×1，bp网络结构如图3所示。

图3bp神经网络结构

bp神经网络的车辆运行时间测算模型如图4所示。

其中：t 为当前时刻，w(t-t)，当前时刻t之前t时刻神经网络输入层与隐层以及隐层与输出层之间的权值矩阵。

f(t):车辆从起始站到当前时刻车辆的运行时间。

f’(t):预测样本的输出时间。

xi(t):t时刻的第i个输入向量，i∈［0，1］，其中xi为车辆在t时刻到达调度站的距离的输入向量，x2为天气情况输入向量，x3为车辆运行所处的星期输入向量，x4为车辆运行当天是否节日的输入向量，x5为gps采集数据的时刻向量。

图4bp神经网络的车辆运行时间测算模型

2.4样本数据取值及归一化方法

（1）gps定位数据。在车辆运行过程中，对车载gps数据进行采集，采集完成后通过一定的方法进行计算，从而得出车辆离到达站的距离，设该距离为一对一使用归一化处理，使得转换后的数值就落在（0，1）上。

（2）天气情况。在一段时间内，公交车会碰到不同的天气，不同的天气对公交的运行产生不同的影响。我们把天气进行分类，一共分为7种状况，分别是大雨、小雨、雪、大雾、小雾、晴天和阴天，用不同的数字来表示这7种天气情况。

（3）星期情况。对于不同的星期采用不同的分类方法表示，从星期一到星期日也采用不同的数字表示。

（4）节假日。节假日可以用布尔变量来表示，true是节假日，false为非节假日。

3结语

国内大多数公交调度优化研究都是着眼于静态调度，而本文将研究重点放在了实时调度方面，在智能公交实时调度中加入bp神经网络技术，用误差反向传播算法超强的学习能力和泛化能力，通过对公交海量历史调度数据的学习，建立公交车到达目的站点的预测模型。通过实时gps数据，就可以预测车辆到达目的地的大概时间，为建立智能公交调度提供极大的方便。

参考文献参考文献：

\[1\]李翔，朱全银.adaboost算法改进bp神经网络预测研究［j］.计算机工程与科学，2013（8）.

神经网络设计篇6

Abstract: An artificial neural network (ANN) model about thermodynamic parameters evaluation of blasting agent was set up.After being trained by a train-set containing 6 compositions, the BP model was used to predict the thermodynamic parameters of blasting agent, and the predicted values were compared with that of experiments.The results showed that the most prediction is 2.05%, and the ANN model was capable of making accurate predictions of explosion parameters of blasting agent.

关键词: 人工神经网络;膨胀石墨;燃爆剂;预测

Key words: artificial neural network;expanded graphite;blasting agent;prediction

中图分类号:E91文献标识码:A文章编号:1006-4311(2010)31-0176-02

0引言

膨胀石墨用燃爆剂的配方设计直接关系到膨胀石墨成烟效果及干扰效能[1]。近年来,国内有关膨胀石墨的研究多针对于其自身的性能,而有关燃爆剂配方的研究很少,且多停留于重复试验上,研究周期长且耗时耗力。因此寻找一种科学合理且操作方便的方法来预测和指导膨胀石墨用燃爆剂配方,是本领域关注的一个问题。

人工神经网络(ANN)是一种模拟人脑功能的数据和知识等信息的处理加工系统,目前已在函数逼近、模式识别、智能控制、组合优化和仿真预测等领域取得成功应用,成为人工智能的重要发展方向[2]。神经网络技术通过模拟人类认知的微结构,把输入矢量和输出矢量训练成网络并以此逼近一个函数,避开了燃烧理论的建模与运算,有利于指导烟火药剂的合成和燃烧性能预测[3]。

本文采用一种改进的反向传播学习算法:选用多层前馈型神经网络结构,采用改进的BP算法建立网络构架,确定网络学习方式并进行训练仿真,模拟燃爆剂燃爆反应并预测燃烧体系产物的特性参数,并对仿真结果与试验结果进行对比研究。

1配方选择

膨胀石墨用燃爆剂是一种以高热值可燃物与强氧化剂为基本成分,根据实际需要加入某种添加剂的多组分混合物,在文献[4]中作者已对相关配方利用正交试验进行了优化,得到了较好的结果。本文采用该文献中已有的燃爆剂配方组分(NaNO3、KClO4、Mg和C49H78O20)和9组数据来验证神经网络在配方预测中应用的可行性。在燃爆剂配方中,KClO4作为氧化剂,具有分解时吸热较少,熔点适中,在反应界面易产生液-气组分,有利于反应的自发进行及反应的持续;Mg作为可燃剂,具有燃烧热大、燃烧温度高,能够提供可膨胀石墨膨化所需的能量及高温,且蒸汽压大,能使燃爆剂燃烧反应进行得更迅速、完全,更容易引起NaNO3烟火药的爆炸分解;C49H78O20作为粘结剂,具有较高的燃烧热(5038kJ/kg),可提高燃爆剂的热能释放量,还具有耐酸性好、与可膨胀石墨相容性好等特点。

2神经网络算法实现

在配方设计中,神经网络算法所要解决的问题是在分析已有的燃爆剂配方组成及其性能参数基础上,对其他配比不同的燃爆剂进行性能预测。由于已知的配方为9组,未来保证训练的精度和测试的完整性,所以选择其中6组配方为训练样本,剩余3组为测试样本。

2.1 神经网络构建依据所要解决问题的特点,BP网络的构架由一个输入层、一个隐含层及一个输出层组成。其中输入层为6×4的矩阵,表示6组配方中四种成分(NaNO3,KClO4,Mg,C49H78O20)的质量分数,每组配方的试验测试值设为期望输出矩阵;隐含层的神经元个数为20,神经元传递函数选定为tansigmoid函数(tansig());设定输出层的神经元个数为2,分别代表体系的绝热燃烧温度和产物中固体质量分数。神经元传递函数为纯线性函数(purelin()),据此可以得到用于仿燃爆剂燃爆反应特征输出的BP网络结构(见图1)。图中Pl表示输入矩阵,w1,1表示输入到神经元的连接权值矩阵,wL2,1表示神经元到输出的连接权值矩阵,θ1、θ2表示神经元的阈值,n1、n2表示神经元的加权求和,y=tansigw1,1P+θ1表示神经元的输出,y2=purelinwL2,1y+θ2表示输出层的模拟计算结果[5]。

对于上述BP网络,假设神经元输入节点xi,隐含层节点yj,输出节点zl,输入节点和隐含层节点的权值为wji,隐含层节点和输出节点间的权值为vlj,当输出节点的期望值为时El(l=1,2),模型的计算式如下。

传递函数 f(x)=tansig(x)= (1)

隐层节点的输出y=fw-θj(2)

输出节点的计算输出 zl=fw-θl (3)

权值修正 w(k+1)=w(k)+w=w(k)+x (4)

v(k+1)=v(k)+v=v(k)+y(5)

式中:为学习速度;隐层节点误差=yv,v表示输出节点zl的误差通过权值vj向节点yj反向传播成为隐层节点误差;输出节点误差=-(El-zl)z。

收敛性判定H=(E-z)=E-fvy-θ=E-fvfwx-θ-θ(6)

当H小于设定误差时,网络训练完成,从而建立了输入到输出的定量数学模型,利用训练好的网络可对未知样本进行预测。

2.2 神经网络训练网络输入为6组NaNO3、KClO4、Mg和C49H78O20的不同配比的配方组成,期望函数为体系绝热燃烧温度和产物中固体质量分数的试验测试值(见表1)。

采用Levenberg―Marquardt方法[6]训练网络,当计算量达到100次时,仿真结果与实验值的相对误差接近10-4,据此认为算法的精度和计算速度满足使用要求。

3结果与讨论

为了评价网络模型预测结果和试验结果的一致性,抽取已测定绝热燃烧温度和产物中固体的质量分数的3组配方并对其进行网络计算(见表2)。3组配方的仿真计算结果及其与试验结果的误差对比如图2、图3所示。

从图2、图3可以看出,利用人工神经网络算法建立的自适应非线性数学模型能较好地模拟燃爆剂燃爆热力学参数,模拟值与试验值非常接近,绝热燃烧温度和产物中固体质量分数的最大模拟误差分别为2.05%和1.03%,精度较高,较好地模拟了燃爆剂燃爆热力学性能。

4结论

利用6组燃爆剂配方的配比作为输入矩阵和期望输出矩阵,建立了预测其燃爆热力学参数的BP神经网络定量模型,通过3组配方的预测结果和相应的试验测试值进行了对比分析,结果表明:

①人工神经网络算法对燃爆剂燃爆热力学参数的预测,有效地避开了热力学模型的假设和参数的设置,结合Matlab神经网络工具箱对目标函数的连续输出,实现了对期望函数(试验数据)的无限逼近;

②仿真结果与试验结果的误差最大为2.05%,预测精度较高,神经网络可作为燃爆剂配方设计和热力学参数预测的工具。

参考文献:

[1]伍士国.可膨胀石墨瞬时膨化及衰减8毫米波的动态性能研究[D].南京:南京理工大学,2004:12-17.

[2]Hagan M T,Demuth H B.Neural network design[M].Boston:PWS Publishing Company,1996:1-36.

[3]Conkling J A.Chemistry of pyrotechnics[M].NewYork:Marcel Dekker,Inc.,1985:238-287.

[4]张倩,张勇,闫军,焦清介.膨胀石墨用燃爆剂的配方优化设计[J].火工品,2008,5:28-30.

神经网络设计篇7

关键词:学生综合素质评价;BP神经网络;算法设计

中图分类号:TP311文献标识码:A文章编号:1009-3044(2009)24-6786-03

BP neural Network Based on the Overall Quality of the Student Evaluation of Algorithm Design

ZHANG Wen-sheng

(Xiamen Gongshang Lvyou Xuexiao, Xiamen 3610012,China)

Abstract: In this paper, the overall quality of the students a variety of evaluation methods carried out in-depth analysis to explore the use of BP neural network theory to evaluate the feasibility of the overall quality, and BP neural network based on the overall quality of the student evaluation of algorithm design.

Key words: evaluation of the overall quality of students; BP neural network; algorithm design

学校德育教育是提高学生综合素质的重要一环,在学校工作中占有举足轻重的地位。德育涉及大量定性和定量的数据处理,为了体现其科学性和公平性,采用先进的计算机技术进行学生综合素质量化评估势在必行。

1 问题的提出

据调查,目前在学校里对学生素质评价的方法,主要有以下几种:

1) 定性描述法

在学期或学年结束时,班主任根据学生在班级、学校和社会活动中的行为表现,运用文字对学生的综合素质进行描述,作为对学生的评价。这种方法在评价学生综合素质时起过一定的作用,但是,由于教师对学生综合素质评价的内容不明确,要求不统一,带有一定的主观片面性和模糊性。

2) 等级划分法

班主任根据平时对学生的观察和了解,对学生的综合素质行为划分出优、良、中、差四个等级。它只能说明每个学生综合素质发展的程度,在班集体中所处的地位,但缺乏具体内容,学生对于自己或他人的优点和缺点、以及个人今后的努力方向都不明确。

3) 自我总结法

这种方法是以学生为主,在教师的指导下总结自己的收获,存在的问题、以及今后的努力方向,并写成书面材料,然后写在操行表的自我总结栏内。这种方法是以学生的自我评价为主,它对于提高学生的自我评价能力,具有一定的促进作用。但是,由于没有老师和同学们参加评价,其评价结果缺乏客观性。

4) 小组评议法

是以班级小组评议为主。通过开评议会的形式,对全组成员分别进行评议,肯定成绩,提出缺点,最后把大家的意见集中起来,作为对学生的评价结果。它具有一定的客观性,可是,没有教师参加评议,影响了评价结果的可信度。

上述各种方法的都有一定的长处,也有一定的缺点。例如,对学生的综合素质的结构,没有明确统一的规定和具体要求;不能同时吸收各方面的意见参加评价;没有制定较为符合需要的综合素质量表和采用科学的测量手段等等。所以,评价的结果往往带有主观片面性,评语内容的不确定性,以及处在同一等级的同学之间存在差异的模糊性。于是最近又提出了对学生综合素质定量进行测量和评价。

5) 定量分数法

将构成学生综合素质的各种因素数量化,并制定出综合素质量表。在具体的进行测量和评价时,把学生综合素质所含每种因素的发展程度分为优、良、中、差四个等级,每个等级分别对应一定的标准值。对不同因素确定不同的权重大小,再综合学生每个因素所取得的标准值,最后得出学生的综合素质分。

用定量的方法对学生的综合素质发展程度进行评价时,不同因素需要确定不同的权重大小。权重的大小对评估结果十分重要,它反映了各指标的相对重要性。由于对不同的因素的权重是人为给定的,而学生综合素质的各项因素对学生的整体素质存在不可确定的影响程度,因些在对学生的测量和评定过程中必然受到主观因素及模糊随机性的影响。并且这种方法需要消耗大量的人力和时间。

为了探讨这个问题,我们根据BP神经网络的基本概念和原理,用神经网络自我学习的方法,对中学生综合素质进行测量和评价。BP神经网络能利用经验样本对神经网络的训练,达到神经网络的自我学习,在网络中自动建立一个多输入变量与输出变量间的非线性映射过程,无需建立具体的数学模型和规则,可以处理那些难以用模型或规则描述的过程或系统。神经网络具有自组织、自学习、自适应的特点,能通过连接权重的不断调整,克服权重确定的困难,弱化人为因素,自动适应信息、学习新知识,最终通过学习训练对实际学习样本提出合理的求解规则,对学生的综合素质的整体评定具有十分重要的意义。首先我们来了解BP神经网络的基本原理。

2BP神经网络的基本原理

1) 神经元网络基本概念

神经网络是单个并行处理元素的集合,从生物学神经系统得到启发。在自然界,网络功能主要由神经节决定,可以通过改变连接点的权重来训练神经网络完成特定的功能。如图1所示。这里,网络将根据输出和目标的比较而进行调整,直到网络输出和目标匹配。

2) 神经元网络结构

图2所示为一个单标量输入且无偏置的神经元。

神经元输出计算公式为:a=f(wp+b)。神经元中的w和b都是可调整的标量参数。可以选择特定的传输函数,通过调整权重 和偏置参量 训练神经网络做一定的工作,或者神经网络自己调整参数以得到想要的结果。

3) BP结构及算法描述

在实际应用中,神经网络用得最广泛的是反向传播网络(BP网络),典型的BP网络是三层网络,包括输入层、隐含层和输出层,各层之间实行全连接。

BP网络是采用Widrow-Hoff学习算法和非线性可微传输函数的多层网络。网络的学习过程由正向和反向传播两部分组成。在正向传播过程中,每一层神经元的状态只影响到下一层神经元网络,如果输出层不能得到期望输出,就是实际输出值与期望输出值之间有误差,那么转入反向传播过程,将误差信号沿原来的连接通路返回,通过修改各层神经元的权值,逐次地向输入层传播去进行计算,再经过正向传播过程,这两个过程的反复运用,使得误差信号最小。实际上,误差达到人们所希望的要求时,网络的学习过程就结束了。

4) 反向传播算法

反向传播学习算法最简单的应用是沿着性能函数最速增加的方向一梯度的负方向更新权重和偏置。这种递归算法可以写成:

xk+1=xk-ak*gk

这里xk是当前权重和偏置向量,gk是当前梯度,ak是学习速率。在神经元中,学习速度又称为“学习速率”,它决定每一次循环训练中所产生的权值变化量(即该值的存在是神经元网络的一个必须的参数)。大的学习速度可能导致系统的不稳定,但小的学习速度将会导致训练较长,收敛速度很慢,通常情况下取值在0-01～0,8之间。

3 基于BP神经网络的学生综合素质量化评估模型

从上述对神经元网络基本概念的研究,我们可以看出BP神经网络主要根据所提供的数据,通过学习和训练,找出输入与输出之间的内在联系,从而求取问题的解,而不是完全依据对问题的经验知识和规则,因而具有自适应功能,这对于弱化权重确定中的人为因素是十分有益的;其次能够处理那些有噪声或不完全的数据,具有泛化功能和很强的容错能力;由于实际对学生量化评估往往是非常复杂的,各个因素之间相互影响,呈现出复杂的非线性关系,人工神经网络为处理这类非线性问题提供了强有力的工具。因此与其它评定方法相比,基于神经网络的评价方法越来越显示出它的优越性。结合学校对学生进行综合素质评估考核的具体问题,我们提出以下设计。

3.1量化评估内容的确定

1) 确定学生的综合素质结构

学生的综合素质结构,主要是根据一定历史阶段的社会要求、学校对学生的传统要求,以及各个不同年龄阶段学生心理和生理发展的特征来确定的,它具有一定的社会性、科学性、可行性。以教育部提出的职业学校学生发展目标为依据,评定内容包括:道德品质与公民素养、学习能力、交流与合作能力、运动与健康、审美与表现、职业技能等6个层次。每个层次又包括各种因素,各层次和因素之间又是相互联系和相互促进的,它既反映了社会的、学校的具体要求,又符合学生综合素质发展和形成的规律。当然,在实际评价学生中,可以根据学校的实际特点进一步确定各要素,进一步构成学生综合素质评价的综合评价指标体系。

2) 学生综合素质评价的结构设计

用BP神经网络进行学生综合素质评价结构的设计如图3所示。对学生的综合素质进行量化评估时,从输入层输入评价学生综合素质的n个评价指标因素信息,经隐含层处理后传入输入层,其输出值y即为学生评估结果。这n个评价指标因素的设置,要考虑到能符合学生综合素质发展和形成的规律,能全面评价学生的综合素质状况。

网络结构的参数选择十分重要,由于输入层与隐含层神经元个数的增加会增加网络的表达能力,不仅会降低系统的性能,同时也会影响其收敛速度和增加噪声干扰。所以首先必须确定输入层神经元的数目。为使模型即有理论价值又有可操作性,本例对应于对学生综合素质考核结构的六个因素,本文采用6个输入神经元,分别为道德品质与公民素养、学习能力、交流与合作能力、运动与健康、审美与表现、职业技能等评价指标。由于目前隐单元数尚无一般的指导原则,为了兼顾网络的学习能力和学习速度,隐含层神经元的个数选择采用试算法,在网络训练过程中进行调整。笔者首先选定15,用训练样本来学习,然后减少隐含层单元数后再进行学习,通过观察训练误差变化的大小来调整隐单元数。其原则是:若在减少隐单元数进行训练时过程平衡(即逐步收敛并达到较小的误差)且误差无显著增加,则说明减少隐单元数是合适的;否则表明隐单元数不宜减少,而应增加隐单元数直到满意为止。选择一个输入神经元为学生综合素质最终评价结果,分别以0、0,5、1对应于学生评议等级的优、良、中三种不同的评价结果。经过多次实验,最后得到适宜的网络模型为6-4-1网络模式。

3.2 量化评估模型

1) 指标体系的规范化处理

根据神经网络计算规则,为了保证输出在线性部分,不到两端去,应保证输入输出在0-1之间,反传达时也一样,输出应在0~1之间。因此要将原始数据归一预处理,变换为[0,1]区间的数值,得到规范化数据,作为输入输出节点的样本数据。原始数据采用我校高一年一个班级的50名学生的学生综合素质各项指标因素样本数据,将实际数据分为两组:前40名学生的各项指标因素成绩样本数据作为学习样本,后10名学生的成绩数据作为测试样本。

2) 学习算法

本模型采用6-4-1BP神经网络结构,其中输入层为6个指标值和一个阈值。模型初始化时对所有的连接权赋予(0,1)上分布的随机数,阈值取1。权值的修正依据带惯性因子的delta规则。根据多次试验的结果,其中,惯性因子α=0.075,学习率η=0.85,将样本数据40组为一次循环,每次循环记录40组样本中最大的学习误差。经过多次的学习,最后观察网络输入与期望输出的相对误差,当误差小于0.005时,学习结束。可以得到如果增大样本的个数,精度还会进一步提高。

本文探讨了神经网络在学生综合素质评价上的应用方法,可取得较为理想的结果,它可以解决用传统统计方法不能或不易解决的问题。但是由于它是一种黑盒方法,无法表达和分析评估系统的输入与输出间的关系,因此也难于对所得结果作任何解释,对求得的结果作统计检验;再者,采用神经网络作评价系统时,由没有一个便于选定最合适的神经网络结构的标准方法,只能花大量时间采用凑试法,从许多次实验中找出“最合适”的一种;还有样本数据需要足够的多,才能得到较为理想的结果。

参考文献:

[1] 高长梅,赵承志,白昆荣.学校德育工作全书(上)[M].北京:人民日报出版社,2005.

[2] 闻新,周露,李翔,张宝伟.MATLAB神经网络仿真与应用[M].北京:科学出版社,2008.

[3] J.P.Marques de sa,Pattern Recognition―Concepts,Methods and Applications[M].北京:清华大学出版社,2006.

神经网络设计篇8

[关键词]神经网络、网络安全评价、网络安全

中图分类号：TP183 文献标识码：A 文章编号：1009-914X（2015）13-0301-01

引言

对于计算机网络安全评价中，优化计算机网络安全评价方法，应用神经网络，发挥非线性安全评价能力，提升计算机网络安全评价速度，有助于提高网络安全评价的精度。以下对此做具体分析。

1、网络安全评价与神经网络

1.2 计算机网络安全评价

网络安全评价，就是针对影响计算机网络安全的因素，建立全面、合理的评价指标，能够客观、科学地反映网络安全影响因素。网络安全评价，应具备、可行性、简要性、独立性、完备性、准确性，这样才可以准确反映评价信息。

1.2 神经网络

针对神经网络，形成初期，就是以人体脑部信息处理的形式作为基础，然后，再经过数学模型的匹配，以此作为研究脑细胞结构、脑细胞动作以及人体生物神经元特征的网络结构[1]。后来，随着计算机技术的发展，在先前神经网络模型的基础上，不仅增加神经网络的学习机制，同时，还提出针对神经网络的感知器模型，并将其应用在工程建设之中，然后利用映射拓扑性质，形成映射自组织网络模型，在计算中进行模拟。

2、应用神经网络技术的优点

对于网络安全评价中，应用神经网络不仅可以提升网络完全评价的质量，还可以提升网络安全效应，其主要具备以下优点。首先，就是在网络安全评价中，应用的神经网络，神经网络有自适应性与容错性，通过自我调整可以减小网络误差[2]；神经网络知识是存储在连接权上的，依据生物神经元学习与记忆形成，同时还具备外推性、自动抽提的功能，可以对直接的数据以及数值进行学习训练，神经网络技术中，还可以自动的确定出原因同结果之间的关系，同时总结网络的安全评价规律，能够将已学的知识应用到网络安全评价样本之中[3]。并且，针对神经网络技术，其应用范围较广，还具备实时应用的潜力，在网络安全评价中，可以有效保证网络的安全，确保其评价结果的准确性与客观性。

3、神经网络算法

3.1 粒子群优化算法

每个粒子i包含为一个D维的位置向量xi=（ xi1， xi2， ……， xiD ） 和速度向量vi = （ vi1， vi2，……， viD ）， 网络安全评价中，粒子i在搜索空间时， 可以保存搜索的最优经历位置p i = （ pi1， pi2， ……， piD ），并且可以在神经网络的每次迭代开始之时， 该粒子就可以根据自身的惯性与经验，在群体的最优经历位置上调整速度向量，达到最好的位置。c1、c2 作为正常数，也就是加速因子； r1、r2就是[ 0， 1]中的均匀分布随机数， d是D维维数，ω就是惯性权重因子。粒子位置与速度更新公式如下：

初始化网络安全评价神经网络种群后，可以将种群大小记为N。基于网络安全评价中，神经网络的适应度支配思想，可以将种群划成两个子群，一个作为非支配子集A，一个作为支配子集B， 并且两个子集基数需要满足子群基数之和。粒子群优化算法中，其算法终止准则，就是最大迭代次数Tmax，以及计算精度ε以及最优解最大凝滞步数t，则可结束网络安全评价工作。

3.2 BP神经网络学习算法

对网络安全评价神经网络权系数置初值。

对网络安全评价神经网络各层的权系数，可以置一个较小非零随机数，但网络安全评价神经网络中，。

输入网络安全评价神经网络的一个样本，，并以与其对应的期望输出结果。

计算网络安全评价神经网络各层输出，针对其第k层的第i个神经元，其输出为，公式为：

，

计算网络安全评价神经网络的学习误差，

计算神经网络输入向量与隐层神经元以及输入层权值的距离，距离较大为获胜神经元。求出各层学习的误差。针对输出层，有

对于神经网络隐层，仅计算获胜神经元的学习误差，i为获胜神经元。

修正神经网络局部权系数和阀值

调整神经网络，与获胜神经元相连弧线的权值和阀值

其中：

当求出网络安全评价中神经网络的各层各个权系数后，可按给定的品质指标，以此判别网络安全是否满足使用要求；如果说已经满足了要求，则可以结束算法；如果，没有满足要求，则进行返回处理执行。

4、基于神经网络的网络安全评价

4.1 设计网络安全评价模型

网络安全评价中，输入层神经元节点的数量，必须要和计算机网络的安全评价指标数量相同，例如，针对计算机网络安全评价体系中，就可以设计18个二级的指标，针对计算机网络安全评价模型的输入层，在其设计神经元节点数量时，也必须是要是18个指标[4]。并且，对于大部分BP神经网络中，还应该采用单向的隐含层，针对隐含层节点数量，可以根据需求的神经网络性能进行设计。针对网络安全评价中，如果说隐含层节点数数量过多，就会使网络安全评价中的神经网络学习时间延长，故此在通常情况下，可以将隐含层设计为5个。针对神经网络输出层设计中，主要就是输出网络安全评价结果，可以将神经网络输出节点数设2个，其输出结果是（1，1），以此来表示安全；输出结果是（1，0）表示基本安全；输出结果是（0，1）表示不安全；输出结果是（0，0）表示很不安全。

4.2 构建网络安全评价体系

针对网络安全评价中，使用粒子群优化算法，优化传统的BP神经系统，有效克服网络安全评价的局限性。其优化方法如下：可以将BP神经网络的目标向量以及传递函数、结构，进行初始化；然后设置粒子群初始速度、动量系数、初始位置等参数，并且可以利用粒子群训练集，训练网络安全评价中的BP神经网络，使其在网络安全评价中具备适应度值；可以将每个粒子历史以及最好适应度值，同当前的适应度值进行比较。当前比历史适应度值优，需要保存当前粒子的适应度值，使其作为最好适应度值；并且，还需要计算粒子惯性权值；降低在网络安全评价中，粒子适应度值的误差。针对网络安全评价的BP神经网络中，其学习过程之中，对于任何一个给定样本以及期望输出，都应该将其执行到满足所有的输入输出为止。

结论

综上所述，在网络安全评价中应用神经网络，具有可行性，有效避免传统网络安全评价中的存在的弊端，引入神经网络技术，可以基于粒子优化神经网络，确保计算机网络安全评价结果的准确性、客观性，发挥积极的应用价值。

参考文献

[1]李忠武，陈丽清.计算机网络安全评价中神经网络的应用研究 [J].现代电子技术， 2014，（10）， 80-82.

[2]郑刚.计算机网络安全评价中神经网络的应用研究 [J].网络安全技术与应用， 2014，（09）， 55-57.

神经网络设计篇9

关键词：神经网络；计算机网络；故障；检测

中图分类号：TP393.09

在各种类型的神经网络模型中，BP模型对于非线性系统的模拟处理技术具有理想的作用效果，这已经广泛应用到故障检测技术的研究领域。然而标准形式的BP网络算法具有收敛速度慢、容易陷入到局部最小点等各种缺陷对于这方面的缺陷问题，本文研究一种优化BP算法的改进方法，同时将其应用在计算机网络故障检测技术中。

1 计算机网络的信息采集功能

本文通过简单模式的计算机网络管理协议SNMP可以获取得到故障检测所需要的计算机网络设备状态信息。SNMP主要是为了能够解决计算机网络管理中设备种类复杂、数量规模较多、地理位置分布范围等各种问题而进行设计的，其目的在于使得复杂形式的计算机网络管理工作简单化，实现计算机网络管理的标准化目标。SNMP这种计算机网络管理协议已经得到社会各领域的大规模运用，基本上全部计算机供应商所推广的计算机与网络产品都能够支持SNMP计算机网络管理协议。SNMP的功能实现主要由三个部分所构成，分别是管理员、与管理信息库。MIB属于一种树形结构类型的数据库，使用对象用于表示被管理设备的各种数据信息的结构化集合，其中各个管理数据信息都属于管理信息树的一个节点，具有唯一的对象标志[1]。

2 BP神经网络故障检测算法

神经网络不需要预先给出相关模式的经验知识与判别函数，其是一种自适应的模式识别技术，其所构成的决策区域是通过本身的学习机制达到自动形成目的，决定计算机网络特性的主要因素分别有拓扑结构、学习和训练规则、神经元特性等。计算机网络得到某种映射关系主要通过状态信息来对各种不同状态的信息进行实际训练所得到的。同时计算机网络能够连续地进行学习，这种映射关系在环境出现变动时能够进行自适应地调整处理。S型激活函数时BP网络对应的输入与输出关系为：

输入net=x1w1+x2w2+…+xnwn

输出

输出的导数

神经网络主要是由大量的神经元相互连接的计算机网络，现阶段BP神经网络是应用十分广泛的一种神经网络模式[2]。BP神经网络一般是单向传播模式的多层次前向网络，其主要是由输入层、中间层与输出层所构成的，中间层可以有若干层，各层之间的神经元只允许接受前一层神经元的对应输出。在BP神经网络中没有相应的反馈，在同一层的节点之间缺乏藕合，各层的节点只会影响下一层节点的相应输入。

3 神经网络的计算机网络故障检测原理

BP神经网络模型只存在一个输入与一个输出和外界发生联系，其类似于黑匣子的概念。神经网络的模型训练方式主要通过采集的样本数据信息与BP算法来实现的，使其能够与组合导航系统原始算法模型相应的非线性特征不断接近。基于神经网络的计算机网络故障检测技术分成两个环节。一方面应当满足神经网络训练所需要的充足样本数量，然后可以进行期望的计算机网络检测；另一方面根据目前的检测输入，对系统进行相应的检测，使用神经网络达到检测目的。通常情况下首先要对检测的原始数据与训练样本数据进行相应处理，然后才可以开始学习与检测，检测的具体过程主要包含两项内容，分别是预处理与特征提取，从而可以为计算机网络检测提供有效的诊断输入与训练样本，同时这是基于神经网络的计算机网络故障检测的实现目标[3]。

基于神经网络的计算机网络故障检测的主要步骤有如下方面：（1）合理确定计算机网络结构的实际规模，特别是计算机网络中间层神经元数目的选取是计算机网络结构确定与计算机网络性能的重点；（2）训练样本集与测试样本集的具体确定。训练样本集的实际作用是对计算机网络进行训练，而测试样本集的具体作用是对计算机网络训练的实用效果与推广能力的有效监测；（3）根据训练样本集对计算机网络进行相关训练，同时经过测试样本集的具体测试，符合要求标准的神经网络可以进行相应的故障检测；（4）基于BP神经网络的故障检测与定位技术根据组合导航系统的实际输入来进行。

4 计算机网络故障检测

计算机网络故障的主要原因在于协议设置方面产生问题，能够根据软件方面进行检测分析[4]。假如计算机网络的设置方式是正确有效的，测试本地主机是接通的，然而和相邻主机是不通的，这时网卡和交换机互连端口的网线不存在松动现象，TCP/IP协议或者网卡驱动程序需要重新进行一次安装操作。假如问题仍然没有得到有效解决，最后的检测重点主要是和交换机相连的端口。如果系统处在正常的运行状态时，残差可以近似成高斯白噪声序列，其均值近接近零，协方差上界是：

U（k）=l1CP（k/k）CT+l3tr（P（k/k-1））I+l2I+V

协方差阵U（K）随着k的变化具有各种不同的统计特点。

定义随机变量ξT（k）ξ（k）=rT（k）U-1（k）r（k）

ξT（k）ξ（k）近似服从X2m-1分布，使得

在上式中，数据窗长度使用N表示。如果系统处在正常的运行状态，d（k）的数值相对较小；如果系统处在突发性故障的状态，ξ（k）将无法满足白噪声特征，从而可以得出d（k）H0≤β或者d（k）H1≥β。

其中阈值使用β表示，正常模态使用H0表示，故障模态使用H1表示。通过相关的实验可以表明，在产生故障之后，只需要一步的时延d（k）则可以发生比较明显的变化，其数值和正常状态数值相差一个数量级，这种方法比较合适于大部分非线性系统以及故障敏感度。

5 结束语

人工智能化的计算机网络检测技术已经成为计算机网络故障检测的重点发展方向。神经网络具有较好的非线性映射与自适应能力，在故障检测研究领域能够取得愈来愈广泛的实际应用。本文详细分析计算机网络设备的故障信息采集、故障特征提取与构建BP神经网络模型的有效方法。同时分析优化方法的改进基础上，提出使用动量系数逐步调整学习步长的优化方法。

参考文献：

[1]张德丰.MATLAB神经网络仿真与运用[M].北京：电子工业出版，2009.

[2]朱大奇，史慧.人工神经网络原理及应用[M].北京：科学出版社，2006.

[3]董天祯，郭江鸿，吕娟.基于神经网络的输电线路故障检测研究[J].系统仿真学报，2009（15）：4903-4906.

[4]时晨，申普兵.IPv6校园网环境下IPSecVPN的安全性研究[J].计算机技术与发展，2010（10）：168-170.

神经网络设计篇10

[关键词] 无刷直流电机； 人机界面； RBF辨识； 自适应控制

中图分类号 TP 273.2 文献标识码 A

无刷直流电机具有出力大、调速性能好、易于控制、节能等优点，在工业领域中得到了日益广泛的应用。但是由于无刷直流电机是一种多变量、非线性的控制系统，所以传统PID控制器很难达到理想的控制效果。人工神经网络在解决非线性和不确定系统的控制方面具有巨大的潜力。RBF神经网络已被证明能以任意精度逼近任一非线性函数。很多论文中也采用了RBF神经网络来辨识非线性系统的模型进行各种自适应控制算法。但是在设计RBF神经网络时，如何选择合理的初始化参数以使网络学习达到要求的精度，目前还无解决办法，主要是靠设计人员凭经验确定，学习过程容易陷入局部最小等诸多缺点。

针对传统PID控制器和常规RBF神经网络所采用的学习算法的不足，提出了一种基于改进的RBF神经网络的无刷直流电机自适应控制新方法。该方法通过离线学习和在线学习相结合的方式训练网络，所建网络的训练时间和步数都大为减少，神经元结构更为精炼，并有很强的学习泛化能力，从而增强了系统的实时性和鲁棒性，大大改善了控制器的性能。

1 神经网络控制

1.1 RBF神经网络

RBF神经网络是一种三层前馈式网络。第一层为输入层，中间层为隐层，最后一层为输出层。RBF网络设计的核心问题是确定基函数的中心向量、宽度和线性层的连接权。参数设置的好坏，直接影响到网络的学习精度和学习速度。

1.2 RBF神经网络的离线学习

本文在MATLAB的基础上，利用由MATLAB神经网络工具箱中的RBF神经网络函数设计出的人机界面平台对无刷直流电机进行离线辨识，确定RBF神经网络的网络结构及初始权值；再采用RBF神经网络在线算法在线辨识无刷直流电机模型，获得PID参数在线调整信息，并由单神经元PID控制器参数的在线自整定，实现系统的智能控制。这样可以充分利用Matlab提供的RBF的实现算法具有自适应确定网络结构和无需人为确定网络初始权值的优点，不仅减少了网络训练的随机性和提高了训练精度，而且还节省了程序设计、调试及网络学习训练所需的时间。

1.3 RBF网络的在线学习

1.4 单神经元自适应PID控制

单神经元PID调节器本身具有自适应、自学习能力。单神经元自适应控制器是通过对加权系数的调整来实现自适应、自组织功能，权系数的调整是按监督的Hebb学习规则实现的。

1.5 基于改进的RBF神经网络的无刷直流电机在线辨识单神经元自适应PID控制算法

本文所提出的控制系统结构图如图1所示。系统的工作原理是：在由NNI对被控对象进行在线辨识的基础上，通过实时调整NNC的权系，使系统具有自适应性，达到有效控制的目的。具体控制算法归纳如下：

（1）利用神经网络工具箱中的RBF神经网络函数建立了人机交互的无刷直流电机模型辨识平台，并进行了RBF网络的离线训练及对无刷直流电机的离线辨识。

（2）给出单神经元初始权值、学习速率，利用离线训练后的RBF神经网络的参数值作为在线辨识的初始值。用（-1，1）的随机值对单神经元的权值初始化。

（3）采用增量式PID控制器，利用公式（8）得到e（k），X1（k），X2（k），X3（k），利用公式（9）计算控制量u

（4）将单神经元PID控制器输出u和系统输出yout同时送到RBF输入层，产生下一步实际输出和辨识输出。

（5）由RBF神经网络的输出y（k+1）和系统实际输出yout（k+1）产生的偏差，根据公式（3）、（4）、（5）、（6）修正RBF网络的参数。

2 仿真结果分析

本节仿真环境为MATLAB.试验样机参数为：额定电压24V；额定电流：0.5A；反电动势常数：0.01；转矩常数：0.01；额定转速1500RPM。仿真步骤如下：首先通过人机交互的无刷直流电机模型辨识平台运用离线算法训练RBF神经网络，使RBF神经网络能够辨识电机，将得到的参数值作为在线算法的初始值，然后再使用在线辨识的自适应算法在线训练网络。

图2为在RBF网络离线训练时，对无刷直流电机的无噪音辨识正弦响应曲线。图3为采用基于改进的RBF网络在线辨识的单神经元PID自适应算法在线训练时，网络正弦响应输出与系统正弦响应输出的曲线图。从图2和图3中可以看出在隐含层神经元数为16时，RBF网络可以对无刷直流电机进行有效的辨识，辨识误差指标为0.01以内。

从图5和图6中可以看出基于改进的RBF神经网络在线辨识的单神经元PID自适应控制系统具有良好的辨识能力和控制精度。比起常规RBF网络在线辨识单神经元PID自适应控制系统而言，有着更好的动态性能，调节时间缩减了一半左右，且无超调，鲁棒性好。

3 结论

本文提出了一种对常规RBF神经网络进行改进的设计方法，较好的实现了对无刷直流电机的速度控制。由于充分利用了人机交互平台，从而减少网络训练的随机性，节省了程序设计、调试及网络训练所需的时间，而且神经元结构更为精炼，训练精度也

有显著提高。从仿真结果可以看出，系统具有较高的鲁棒性和动态响应能力，可以达到较高的控制精度。

[参考文献]

[1] 温良，付兴武.神经网络PID在温度控制系统中的应用于研究.微计算机信息.2004，（7）：3～4