6.2基于BP神经网络的辨识
基于BP神经网络的立铣加工振动快速预估
第２８卷第１期 ２００６年３月 南昌大学学报・工科版 Ｊｏｕｒｎａｌ ｏｆ Ｎａｎｃｈａｎｇ Ｕｎｉｖｅｒｓｉｔｙ（Ｅｎｇｉｎｅｅｒｉｎｇ＆Ｔｅｃｈｎｏｌｏｇｙ） Ｖｏ１．２８ ＮＯ．１ Ｍａｒ．２００６ 文章编号：１００６—０４５６（２００６）０１—００９１—０４
基于ＢＰ神经网络的立铣加工振动快速预估
陈勇，刘雄伟，俞铁岳 （华侨大学机电及自动化学院，福建泉＇ｈｉ ３６２０２１） 摘要：结合研制的立铣加工过程虚拟仿真系统和实验测量铣削力信号，训练并建立优化的１—２Ｏ一１型ＢＰ神 经网络模型，快速实现铣削加工过程刀具一工件系统振动状态的预估．对比神经网络模型预估的振动结果与实验 测量振动信号可以看出，二者数据吻合较好，表明铣削虚拟仿真系统与神经网络技术的结合能够高效低耗地用于 不同铣削加工条件下铣削振动状态的快速预估和加工过程监测 关键词：ＢＰ神经网络；立铣加工；虚拟仿真；振动预估 中图分类号：ＴＰ３９１．６ 文献标识码：Ａ 铣削加工过程中的多刃断续切削、半封闭加工 以及切削厚度随时问改变等特性，使得铣削振动机 理较为复杂，加工过程容易出现颤振现象．颤振的出 现不仅降低刀具和机床的使用寿命，而且容易导致 被加工工件的表面光洁度和精度降低． 以往众多利用神经网络预测切削或铣削加工振 动状态或实现颤振预报的研究工作，其神经网络的 输入与输出数据（即铣削力与铣削振动测量信号） 均是基于大量的铣削加工实验获取¨。 ．而这些研 究工作一般存在两方面问题．一方面，由于不同铣削 加工条件下的铣削动力学具有较大差异，使得研究 出的神经网络模型只能局限于特定实验条件下的预 测工作，无法满足加工条件灵活多变的现代化制造 系统的要求．另一方面，刀具的振动位移通常是由测 取主轴端部的振动加速度信号经计算转换后获得． 该替代方式及加速度信号的计算转换过程均容易导 致振动位移信号的误差变大．上述两方面原因使得 在以往的研究工作中，为保证获得具有较高预测精 度的铣削力和振动位移信号，对铣削动力学实验测 量装置和测量水平提出了较高的要求，而且使得整 个研究工作周期较长，成本较大，误差也在所难免． 本文基于神经网络的强大辨识功能和信息融合 能力，结合研制的立铣加工过程虚拟仿真系统 ， 提出了预测铣削加工过程刀具一工件系统振动状态 的ＢＰ神经网络辨识模型和方法，并且通过铣削加 工实验测量信号对该模型的有效性和可靠性进行了 验证． １ 铣削振动预估的神经网络仿真原理 人工神经网络以其强大的函数逼近能力、并行 处理能力以及自组织和自学习能力，在多个工程领 域的非线性动力学系统的建模和辨识方面得到广泛 的应用 － ． 由于铣削过程表现出的复杂几何运动和动力学 特性，使得研制的立铣加工过程虚拟仿真系统生成 的铣削振动信号在振幅、相位特性以及频域特性方 面与真实加工过程不可避免地会存在一定的误差． 同时受计算机求解速度、仿真算法和仿真步长选择 的影响，铣削动力学的计算机仿真过程通常较慢，无 法满足铣削振动状态快速预估的要求． 而基于神经网络的仿真过程实质上是神经网络 根据网络输入数据，通过数值计算得出相应网络输 出的过程．因此，可将与实际铣削加工条件相同时的 虚拟仿真系统生成的铣削力一铣削振动信号作为神 经网络模型的输入与输出数据，对铣削振动系统的 动态特性进行学习．当学习次数足够多时，神经网络 模型就可以反映出振动系统的输入对于输出，即铣 削力对于铣削振动的非线性映射关系．利用建立的 神经网络模型，通过连续采集不同加工条件下的铣 削力信号，将其作为神经网络模型的输入数据，即可 预测计算出网络的输出值，即铣削振动位移信号，从 而实现铣削过程振动状态的预测． 运用神经网络强大的辨识功能，不再需要考虑 众多难以用解析模型进行表达的影响因素，只需要 通过铣削加工虚拟仿真系统的输入与输出数据，就 收稿日期：２００５—０４—２７ 基金项目：福建省自然科学基金资助项目（Ａ０５４０００３）；国务院侨办科研基金资助项目（０４ＱＺＲ０５） 作者简介：陈勇（１９７４一），男，讲师，博士．
基于BP神经网络的传感器非线性建模
科 科ｊ技Ｉ论Ｉ坛 基于ＢＰ神经网络的传感器非线性建模 张君 邢璐 ｆ兰州交通大学自动化与电器学院，甘肃兰州７３００００） 摘要：根据动态校准实验结果建立传感器的动态数学模型，以研究传感器的动态性能，是动态测试的一介重要内容。本文研究了ＢＰ神经网络模型在 传感器动态建模中的应用。该方法适用于传感器非线性动态建模，试验结果表明，应用ＢＰ神经网络对传感器进行动态建模是一种行之有效的方法。 关键词：传感器；ＢＰ神经网络；非线性建模 ｌ概述 建立传感器动态数学模型的方法很多，其 中，传统的时域方法是以传感器的离散时域校 准数据为基础，运用系统辨识的方法先建立相 应的差分方程，经ｚ变换后求得离散传递函数， 然后由双线性变换可以得到其连续传递函数。 但是，上述方法只适合于对传感器进行线性动 态建模，且必须事先选择模型的结构即模型的 阶次，这样，在建模过程中必须对可能阶次的模 型都要进行计算，显得比较繁琐。 神经网络的出现为传感器非线性动态建 模提供了一条行之有效的途径，在实际中，这里 用ＢＰ神经网络模型对传感器进行非线性动 态建模，讨论了模型的结构及参数的训练算法。 试验结果表明，应用ＢＰ神经网络对传感器进 行动态建模是一种行之有效的方法。 ２基于ＢＰ神经网络模型的传感器动态建 模原理 ２．１ ＢＰ神经网络模型 ＢＰ网络是一种前馈性神经网络，其神经 元的传递是ｓ型函数，输出量为０到１之间的 连续量，它可以实现从输入到输出的任意非线 性映射。图１给出了基本的ＢＰ神经元模型，它 具有Ｒ个输入，每个输入都通过一个适当的权 值ｗ和下一层相连，ｆ就是输入，输出关系的 传递函数。 ＢＰ网络中隐层神经元的传递函数通常用 ｌｏｇ－ｓｉｇｍｏｉｄ型函数ｌｏｇｓｉｇ ０。ｔａｎｓｉｇｌｎｏｉｄ型函数 ｔａｎｓｉｇｏ。如果ＢＰ网络的最后一层是ｓｉｇｍｏｉｄ型 神经元，那么整个网络的输出就限制在一个较 小的范围内。ＢＰ网络所采用的传递函数均是可 微的单调递增函数。在ＢＰ网络的训练过程中， 计算函数ｌｏｇｓｉｇＯ，ｔａｎｓｉｇ０ 的导数非常重要。 ２．２ ＢＰ网络的学习算法 无论是函数逼近还是模糊识别，都必须对 神经网络进行训练。训练之前首先需要样本，样 本中包括输入向量Ｐ以及相应的期望输出向量 Ｔ，训练过程中应不断调整权值和阈值，使得神 经网络的表现函数达到最小。前馈神经网络的 表现函数默认为网络输出ａ和期望输出向量Ｔ 的均方差ｍｓａ。 ＢＰ网络学习规则的指导思想是：对网络 权值和阈值的修正要沿着表现函数下降最快的 方向一负梯度方向。 １ —ａ ｔ ｇ 式中， 是当前的权值和阈值矩阵 当前表现函数的梯度： 是学习速率。 （２） ｇ 是 ｊ层ＢＰ网络，输入节点 ，隐层节点 ， 输出节点 。输人节点与隐层节点间的网络权 值为ｖ 。当输出节点的期望值为‘，模型的计 算公式如下： 隐层节点的输出 ｎｅｔｊ＝∑ 一 输出节点的计算输出 ｚ ＝， 一 】 叫 其中 删 ∑ｖ－ ｙ厂 输出节点的误 ＝ ） ＝ 卜一，【 ， ： ∑ ，Ｉｚｖｌ，，ｌ￣ 一吼１ ‘ Ｉ ， 、Ｊ Ｊ 误差函数ｘ，１输出节点求导 （４） （５） （６） 】『 ㈩ ］】 （８） 嚣 骞筹×嚣 ＯＥ×表 （９）智 ，如 ， （） 是多个ｚ 的函数，但只有一个Ｚ－与 ，有关， 各ｚ 间相互独立，其中 ， 篝＝ （ 器 ． ）（１０） 鲁＝矗×等＝／（嘲）× （１１）乱， ‘巩．一… Ｊ 则 ＯＥ＝一（ｒｔ一 ）×，’（ ｆ ） （１２） ３计算分析 通过以上分析，可以归纳出应用递归神经 网络对传感器进行动态建模的步骤如下： ３．１根据传感器的特性，选定ＢＰ网络的中 间层节点数，选定有关初值。 ３．２获取有关的试验数据，并运用算法训练 ＢＰ网络模型，直至权值收敛。 例：对如下系统运用递归神经网络进行动 态建模，其输人输出表达式为： Ｊ ＋１）＝ 丽０．８ 而二网 显然，该系统是一高度非线性的系统。在仿 真计算中，其输入数据采用长度为６４，幅值为 的伪随机二进制码序列。图２给出了部分试验 结果，其中输人信“（ ）＝ｓｉｎ（“ ２）＋ｓｍ（ ）。 图中曲线１为系统的输出，曲线２为ＢＰ神 经网络的输出。从结果可知，两者的输出吻合得 很好。 结束语 讨论了ＢＰ神经网络模型在传感器动态建 模中的应用，为传感器的动态建模提供了一种 新的方法。 它不仅适合传感器的线性动态建模，而且 也适合传感器的非线性动态建模。ＢＰ神经网络 结构与输入层和中问层的节点数有关，从而避 ｐ 输入 神经元 图１ ＢＰ神经元模型
基于BP人工神经网络的滑坡预测分析
基于BP人工神经网络的滑坡预测分析
刘娇玲;肖盛燮
【摘 要】Taking the slope sliding caused by Wenchuan earthquake as
study object,the arti-cle uses BP artificial neural network to perform
forecasting analysis on the stability of slope from epicentral
distance,earthquake intensity,gradient,front elevation,slope height,lithol-ogical characters and other factors.The result shows that BP artificial neural
network is able to predict the stability of the slop efficiently.%文章以汶川地震引发的滑坡为研究对象,以震中距、地震烈度、坡度、前缘高程、坡高和岩性等影响坡体稳定性的因素为切入点,利用BP人工神经网络对实际坡体的稳定性进行了预测分析。结果表明,BP人工神经网络方法能有效预测坡体的稳定情况。
【期刊名称】《西部交通科技》
【年(卷),期】2012(000)001
【总页数】4页(P12-14,36)
【关键词】BP人工神经网络;坡体稳定性;预测;分析
【作 者】刘娇玲;肖盛燮
【作者单位】重庆交通大学防灾减灾工程研究所,重庆400074;重庆交通大学防灾减灾工程研究所,重庆400074
【正文语种】中 文
【中图分类】P642.22
0 引言
2008年5月12日14∶28∶00，四川省汶川县发生里氏8.0级地震，震中央位于北纬31.119°、东经103.258°，深度约为33km，为浅源地震。此次地震诱发了大量的山体崩塌、滑坡、泥石流等次生灾害。根据震前开展的地质灾害调查，四川省各市、县的灾害隐患点中，滑坡有3 572处，地震之后，滑坡新增1 701处。同时，汶川地震造成的次生灾害的影响不仅会延续，并将进入灾害高峰期［1］，所以准确的预测灾害链［2］的发生发展，并采取适当的断链减灾措施，将很大程度地降低经济损失与人员伤害。对于天然土体，造成失稳的影响因素很多，而且各因素之间存在非线性、不确定关系。以汶川地震引发滑坡为例，其中的影响因素为震中距、地震烈度、岩性、坡度、坡向、坡高、高程、有无河川等。因采集数据越多，资源消耗量越大，所以选取其中易取得的数据及影响程度较大的因子。本文根据汶川地震诱发滑坡资料［3］和卫星遥感资料，利用BP神经网络对引起滑坡的各因素进行了初步研究，发现该网络能有效预测滑坡情况。
基于BP神经网络的黄金价格非线性预测
■匝曼 黄金 ＧｏＬＤ ２０１３年第７期／第３４卷
基于ＢＰ神经网络的黄金价格非线性预测
张延利
（泸州职业技术学院基础部）
摘要：针对黄金价格的非线性特征和神经网络的自身特点，利用ＢＰ神经网络建立了黄金价格 的非线性预测模型。实证研究结果表明，ＢＰ神经网络模型具有较好的预测精度，可以为黄金投资
和宏观经济决策提供一定的参考依据。 关键词：黄金价格；ＡＲＭＡ模型；ＧＡＲＣＨ（１，１）模型；ＢＰ神经网络 中图分类号：Ｆ ８３０．９４ 文章编号：１００１—１２７７（２０ｔ３）０７—０００８—０２ 文献标志码：Ａ ｄｏｉ：１０．１ １７９２／ｈｉ２０１３Ｏ７０３
中国黄金市场正在步入快速发展的大好时 期¨ ，目前已经由一个市场发展成多个市场组成的
黄金市场体系，上海黄金交易所黄金业务、商业银行 黄金业务、上海期货交易所黄金期货业务共同发展的
市场格局初步形成，市场交易规模增加了百倍之巨。 黄金价格的波动受到很多因素的影响，诸如国际政 治、经济、外汇市场、欧美主要国家的利率和货币政
策、各国央行对黄金储备的增减、黄金生产成本的升 降、工业和饰品用金的增减等都对其走势均有影响。
投资者可以根据这些影响因素，对黄金价格走势进行 相对基本的判断和把握。
１ ＢＰ人工智能神经网络
１．１人工智能神经网络 人工智能是研究利用计算机来模拟人的某些思 维过程和智能行为 （如学习、推理、思考、规划等）
的学科，主要包括计算机实现智能的原理、制造类似 于人脑智能的计算机，以便计算机能实现更高层次的
应用。人工智能神经网络是由多个信息处理单元彼 此按照某种方式相互连接而形成的计算系统，这个系
统用数理方法对外部的输入信息进行处理并对人脑 神经网络进行抽象、简化和模拟，建立某种简化模型， 旨在模仿人脑结构和功能的信息处理系统。
１．２神经网络的特点 神经网络具有几种重要的智能特点 Ｊ：
１）较强的容错能力。神经网络能够根据对象的 主要特征辨识对象。 ２）良好的非线性映射能力。神经网络可根据对系
基于BP神经网络和D-S证据理论的火灾报警系统
２０１１年 第１期 仪表技术与传感器 Ｉｎｓｔｒｕｍｅｎｔ Ｔｅｃｈｎｉｑｕｅ ａｎｄ Ｓｅｎｓｏｒ ２０１ｌ Ｎｏ．Ｉ 基于ＢＰ神经网络和Ｄ—Ｓ证据理论的火灾报警系统 张学军 （河北工程技术高等专科学校电气自动化系，河北沧州０６１００１） 摘要：将ＢＰ神经网络与数据融合理论中的Ｄ—Ｓ证据有机融合，提出一种决策级火灾报警识别方法。通过模拟实际 输入信号的仿真结果发现，将ＢＰ神经网络和Ｄ—Ｓ证据理论相结合的多传感器数据融合技术，可以显著提高火灾的识别 能力，有效降低火灾误报率，而且该系统具有良好的适应性，达到了预期效果。 关键词：火灾报警；ＢＰ神经网络；Ｄ—Ｓ证据理论；数据融合 中图分类号：Ｔｆ）２７７ 文献标识码：Ａ 文章编号：１００２—１８４１（２０１１）叭一０１０４—０２ Ｆｉｒｅ Ａｌａｒｍ Ｓｙｓｔｅｍ Ｂａｓｅｄ ｏｎ ＢＰ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ ａｎｄ Ｄ——Ｓ Ｅｖｉｄｅｎｃｅ Ｔｈｅｏｒｙ ＺＨＡＮＧ Ｘｕｅ－ｊｕｎ （Ｄｅｐａｒｔｍｅｎｔ ｏｆ Ｅｌｅｃｔｒｉｃ Ａｕｔｏｍａｔｉｏｎ，Ｈｅｂｅｉ Ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ Ｔｅｃｈｎｉｃａｌ Ｃｏｌｌｅｇｅ，Ｃａｎｇｚｈｏｕ ０６１００１，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｔｈｉｓ ｐａｐｅｒ ｐｒｏｐｏｓｅｄ ａ ｄｅｃｉｓｉｏｎ—ｌｅｖｅｌ ｄａｔａ ｆｕｓｉｏｎ ｆｉｒｅ ａｌａｒｎｌ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｍｅｔｈｏｄ，ｗｈｉｃｈ ｃｏｍｂｉｎｅｄ ＢＰ ｎｅｕｒａｌ ｎｅｔ— ｗｏｒｋ ｗｉｔｈ Ｄ—Ｓ ｔｈｅｏｒｙ ｏｆ ｅｖｉｄｅｎｃｅ．Ｔｈｒｏｕｇｈ ｔｈｅ ｓｉｍｕｌａｔｉｏｎ ｒｅｓｕｌｔ ｏｆ ｉｎｐｕｔ ｓｉｇｎａｌ，ｔｈｅ ｔｅｃｈｎｏｌｏｇｙ ｂａｓｅｄ ｏｎ ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｗｉｔｈ Ｄ —Ｓ ｔｈｅｏｒｙ ｏｆ ｅｖｉｄｅｎｃｅ ｃａｎ ｉｍｐｒｏｖｅ ｔｈｅ ｆｉｒｅ ｄｉｓｃｒｉｍｉｎａｔｉｏｎ ｃａｐａｂｉｌｉｔｙ，ａｎｄ ｒｅｄｕｃｅ ｔｈｅ ｆａｌｓｅ ｐｏｓｉｔｉｖｅ ｒａｔｅ ｏｆ ｆｉｒｅ ｅｆｆｅｃｔｉｖｅｌｙ．Ｔｈｅ ｓｙｓ— ｔｅｒｎ ｈａｓ ｇｏｏｄ ａｄａｐｔｉｖｅ ｃａｐａｃｉｔｙ，ａｎｄ ｒｅａｃｈｅｓ ｔｈｅ ｅｘｐｅｃｔｅｄ ｒｅｓｕｌｔｓ． Ｋｅｙ ｗｏｒｄｓ：ｆｉｒｅ ａｌａｒｍ；ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ；Ｄ—Ｓ ｅｖｉｄｅｎｃｅ ｔｈｅｏｒｙ；ｄａｔａ ｆｕｓｉｏｎ １数据融合 数据融合技术是近年发展起来的一门新技术，并在许多领 域获得巨大成功。神经网络作为一种基本的数据融合方法，目 前应用较多…。它具有归纳、总结、抽取、记忆、联想和容错性， 通过训练，获得有关的知识与信息，然后将实测数据与此信息 进行模式匹配与比较；神经网络可以滤波出噪声及在有噪声情 况下抽取事物本身内在特征，得出正确结论的能力。 为克服神经网络的局限性，将其融合结果进一步采用Ｄ— ｓ证据理论进行融合。Ｄ—ｓ证据理论的关键在于证据的基本 可信度分配问题，而目前的获取方法如专家经验法、模糊化法 等都有不同程度的存在主观性 因此为了更加客观地得 到一个证据体对不同命题的可信度分配，可以将各个独立的低 维神经网络的输出值处理后作为辨识框架上命题的基本可信 度，经过证据理论的再次融合后得到最终的诊断结果。该方法 理由在一定程度上提高辨识的准确率，消除单一数据源包含信 息的不全面性以及模糊性等。 文中将神经网络、Ｄ—Ｓ证据理论成功应用在火灾报警系 统中。系统的结构图如图１昕示，即首先将火灾传感器数据进 行预处理，然后将处理后的数据送入神经网络模块进行初级判 别火灾发生的概率，最后通过Ｄ—ｓ证据理论模块进行进一步 决策，直到得出最终的结论。 圈１系统结构图 ２ ＢＰ神经网络处理 ２．１神经网络结构确定 在该火灾自动探测报警系统巾，利用前向多层网络模型， 采用ＢＰ算法，通过调节权值使实际输出与期望输出的总均方 收稿日期：２０１０—０６—２５ 差最小。为了使神经网络能够准确判断火灾，需要确定训练模 式对，并对网络进行训练。模式对由输入信号和导师信号组 成，它根据传感器对标准试验火和各种实际环境下获取的信号 来确定。根据标准试验火以及由明火火灾概率和阴燃火火灾 概率组成的导师信号，确定出了训练模式对，它由对应的火灾 判决表表示，即神经网络的归一化处理，如图２所示，其转化范 围在０和１之间。 概率 火灾概率 图２ 系统的神经网络结构 由选取的欧洲的４种标准不同环境下的火灾响应曲线 可以得到火灾判决表１，它描述了４个输入和２个输出组成的４ 种模式对。通过反向传播（即ＢＰ）学习方法，将判决表１转化 到神经网络的连接权矩阵中。这种转换具有信号处理、特征提 取、自适应、分布式存储和延拓性。 表１对应欧洲标准火灾曲线的数据表 模式离子感烟光学感烟模拟感温模拟气敏明火火灾阴燃火灾 序号探测量 ｌ探测量Ｘ２探测量 传感器 ４概率０ 概率０２ ＢＰ神经网络结构采用了３层的网络结构。输入层的４个 输入Ｘ 、Ｘ２、Ｘ３、
毕业设计论文基于遗传算法的BP神经网络的优化问题研究.doc
编 号：
审定成绩：
重庆邮电大学
毕业设计（论文）
设计（论文）题目：
基于遗传算法的BP神经网络的优化问题研究
学 院 名 称 ：
学 生 姓 名 ：
专 业 ：
班 级 ：
学 号 ：
指 导 教 师 ：
答辩组 负责人 ：
填表时间：2010年06月
重庆邮电大学教务处制重庆邮电大学本科毕业设计（论文）
- I -
摘 要
本文的主要研究工作如下：
1、介绍了遗传算法的起源、发展和应用，阐述了遗传算法的基本操作，基本原理和遗传算法的特点。
2、介绍了人工神经网络的发展，基本原理，BP神经网络的结构以及BP算法。
3、利用遗传算法全局搜索能力强的特点与人工神经网络模型学习能力强的特点，把遗传算法用于神经网络初始权重的优化，设计出混合GA-BP算法，可以在一定程度上克服神经网络模型训练中普遍存在的局部极小点问题。
4、对某型导弹测试设备故障诊断建立神经网络，用GA直接训练BP神经网络权值，然后与纯BP算法相比较。再用改进的GA-BP算法进行神经网络训练和检验，运用Matlab软件进行仿真，结果表明，用改进的GA-BP算法优化神经网络无论从收敛速度、误差及精度都明显高于未进行优化的BP神经网络，将两者结合从而得到比现有学习算法更好的学习效果。
【关键词】 神经网络 BP算法 遗传算法 重庆邮电大学本科毕业设计（论文）
- II - ABSTRACT
The main research work is as follows:
1. Describing the origin of the genetic algorithm, development and application, explain the
基于BP神经网络的项目评估模型研究
基于BP神经网络的项目评估模型研究
齐振国;楚建东
【摘 要】项目的申报、实施、验收都需要进行项目评估,项目评估是项目实施过程中的重要工作.项目评估复杂、专业,评估过程和结果具有很强的主观性.BP神经网络具有容错性强、信息分布处理能力高、自主学习、自适应、非线性映射等特点,适合推理规则不明确或推理规则非线性的环境,具有人脑思维的特征,BP神经网络在工程、管理、经济等领域得到广泛应用.在项目评估领域,现在基本上仍然以领域专家主观评价为主,这对评估结果的客观性、公正性必然会带来影响,评估过程信息化是项目评估改进的方向和趋势.基于评估的一般过程和BP神经网络的基本思想设计出项目评估的一般模型具有现实意义,应用BP神经网络建立项目评估模型的应用价值值得关注.
【期刊名称】《沈阳师范大学学报（自然科学版）》
【年(卷),期】2010(028)001
【总页数】4页(P109-112)
【关键词】项目评估;BP神经网络;样本
【作 者】齐振国;楚建东
【作者单位】沈阳师范大学,教育技术学院,辽宁,沈阳,110034;朝阳市电视转播台,辽宁,朝阳,122000
【正文语种】中 文
【中图分类】TP183 项目评估在各行业中的项目实施过程中都是重要的工作,有关项目的申报、实施、验收都离不开项目评估。现在大部分项目评估是由领域专家来完成的,领域专家的项目评估与专家的专业、经验、主观判断密切相关,这样会造成项目评估存在一定的主观性。项目评估的过程复杂而专业,没有准确的数学模型,评估结果的产生具有非线性特征。基于项目评估以上的要求和特征,BP(Back Propagation)神经网络具有非线性映射、联想记忆、自主学习的特点[1],经过样本的训练学习可以用来进行项目评估。BP神经网络广泛的应用到了信息处理、工程、经济等领域,在经济领域中的信用评价模型是比较成熟应用的模型[2-3]。笔者试图通过项目评估的基本思想和一般过程并利用BP神经网络来构建出用于项目评估的通用模型。
基于BP神经网络的自校正PID控制研究
基于BP神经网络的自校正PID控制研究
摘 要: 基于反向传播BP算法的神经网络具有很强的学习能力,适应能力.本文详细叙述了BP算法的原理,并将改进的BP神经网络应用在传统的PID控制中,克服了PID控制在参数的调整过程中对于系统模型过分依赖的缺点.利用MATLAB仿真的结果表明基于BP神经网络的自校正控制能够使传统PID控制的参数逼近最优达到很好的控制效果.
关键词: BP算法,神经网络,PID控制
1引言
随着科学技术的发展,人们需要加以控制的过程和系统越来越复杂,许多系统具有大型,复杂和强烈非线性的特点.对这些系统进行有效准确的控制就非常的困难.传统的PID控制是通过对偏差的比例(P),积分(I),微分(D)的线性组合构成控制向量对被控对象进行控制.它算法结构简单,但是,当被控对象具有非线性,时变不确定性和难以建立精确的数学模型时,PID控制器参数整定不良,性能欠佳,不能达到理想的控制效果.随着人们对神经网络的研究,基于BP算法的神经网络以其自学习,自适应及逼近任意函数的能力在控制领域得到应用,将BP神经网络和传统的PID控制相结合构成的比例,积分,微分神经元控制器,不仅克服了PID控制的缺陷,而且具有快速的学习能力,快速的适应性,良好的性能和鲁棒性.因此,可以通过神经网络对系统性能的学习来达到最佳的比例,积分,微分组合,实现最佳的PID控制效果.
2 神经网络的BP算法
2.1 神经网络的结构
BP神经网络是控制领域中应用最多的神经网络,它是多层神经元彼此以前馈方式连接组成的网络,网络中没有信号反馈,只有相邻层神经元,每个神经元首先完成输入信号与连接权值的内积计算,然后通过一个非线性函数作用产生输出.BP神经网络通常由输入层,输出层和若干隐层构成每层由若干个结点组成, 每一个结点表示一个神经元,上层结点与下层结点之间通过权值联接, 同一层结点之间没有联系。
多层前馈神经网络的结构如图1所示:
基于BP神经网络技术开发港口设备故障诊断专家系统
基于BP神经网络技术开发港口设备故障诊断专家系统
摘 要：针对港口设备故障诊断的复杂性,提出了将BP神经网络技术引入设备故障诊断专家系统的思想,并对基于神经网络的专家系统的原理进行探讨。给出了一基于三层BP网的设备故障诊断专家系统的诊断过程。
关键词：神经网络；专家系统；故障诊断
0 引言
在港口生产作业中，保证设备的完好率和故障及时解决是非常重要的；在设备发生故障后，能第一时间诊断故障类别将加速故障排除，为生产作业争取作业时间，保证了船舶的及时装卸。
由于设备故障现象的多样性和复杂性，通过线形分析是无法确定的，我们引进BP神经网络技术设计开发一套故障诊断专家系统。
1 BP神经网络技术原理
1.1 BP神经网络概述
BP神经网络（Back Propagation Neural Network）是一种按误差逆向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，通过学习和存贮大量的输入——输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小包括输入层（input）、隐层(hide layer)和输出层(output
layer)。 1.2 BP神经网络模型及算法
输入层T1、T2....Tn,通过相互之间联系，计算出各自的系数值，在输出层中，在已知H1、H2......Hi-1值，通过算出的系数值,预测出Hi-Hn值。
BP神经网络诊断系统算法：在正向计算进程中, 输入信息从输入层经过隐层逐层处理, 传向输出层。每一层神经状态只影响下一层神经状态。BP神经网络主要用于模式识别、系统辨识、图像处理等。
1.3 运用MATLAB进行训练和预测
MATLAB神经网络工具箱中包含了许多用于BP神经网络分析与设计的函数，通过MATLAB运行模拟BP算法，首先设置BP神经网络,然后利用已知的样本对网络进行训练,最后就可以利用训练好的BP神经网络对未知的样本进行预测。当进行训练或预测时,如果BP神经网络的设置与训练样本的输入及预测样本的输入不一致的时候会弹出警告对话框。BP神经网络训练完成后,会显示训练过程的曲线,如图2所示,并且按“绘制训练结果”按钮,将弹出训练结果图,如图3所示。按“保存”按钮,结果将保存为一个以当前日期及时间数字为文件名的文本文档2011052016112.txt ,该文档保存了所有处理的信息。训练预测结果如表1所示。
基于BP神经网络的高速公路专项养护工程安全风险评估研究
２０１２年第１期
（总第２１５期） 黑龙江交通科技
Ｈ ＥＩ ＬＯＮＧＪ ｌＡＮＧ Ｊ ｌＡＯ．ｒＯＮＧ ＫＥＪ Ｎｏ．１，２０１２
（Ｓｕｍ Ｎｏ．２１５）
基于ＢＰ神经网络的高速公路专项养护工程安全风险评估研究
徐北平
（陕西高速集团西汉分公司）
摘要：根据高速公路专项养护工程施工中的安全特性，选取１６项评估指标，建立了专项养护工程安全风险
评估指标体系。在此基础上，提出了基于ＢＰ神经网络的专项养护工程安全风险评估模型。通过实例对评估
模型进行训练及检测分析。结果表明，模型可对高速公路专项养护工程进行有效的安全风险评估，并为其工
程安全管理提供决策依据。
关键词：专项养护；安全风险评估；ＢＰ神经网络
中图分类号：Ｕ４９２ 文献标识码：Ｃ 文章编号：１００８—３３８３（２０１２）０１—０１０５—０２
１前言
高速公路专项养护工程是指包括养护改建工程、中修工
程以及大修工程在内，需进行专门立项并独立设计与施工的
工程。其施工中最为显著且急需解决的矛盾是养护区现场
施工的安全与养护区外围大流量通行车辆畅通运行的问题。
为了降低高速公路养护区事故的发生率，提高作业区施
工安全水平和养护区外围的交通运行能力，关键需对高速公
路专项养护工程的安全风险做出合理评估，为其后续安全管
理方案制定提供决策依据。本文综合考虑选用ＢＰ神经网
络对高速公路专项养护工程安全风险评估问题进行研究。
应用ＢＰ神经网络建立安全风险评估模型，主要考虑到ＢＰ
神经网络在众多人工神经网络中属较为成熟的分析模型，该
网络能很好地实现输入数据和输出数据之间任意非线性关
系的函数拟合，寻找问题的变化规律，同时也可以通过自身
不断的学习提高结果的准确度。另外比较重要的一点是，
ＢＰ神经网络可对各评价指标权重进行系统的动态的调整，
避免了一些评价方法权重确定过程中难以避免的主观因素。
２专项养护工程安全风险评估指标体系
高速公路专项养护工程安全风险评估应首先分析养护