導(dǎo)語：如何才能寫好一篇神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)，這就需要搜集整理更多的資料和文獻(xiàn)，歡迎閱讀由公務(wù)員之家整理的十篇范文，供你借鑒。

篇1

1程序設(shè)計

三角基神經(jīng)網(wǎng)絡(luò)流程圖如圖2所示。Qt中有自己C++標(biāo)準(zhǔn)庫，其C++語言庫文件與標(biāo)準(zhǔn)版C++有所不同［7］，但語法相同，設(shè)計程序相關(guān)參數(shù)如下:(1)這里濾波的理想目的是檢出直流分量，其函數(shù)為:(2)初始化參數(shù):神經(jīng)元個數(shù)n為9個，訓(xùn)練次數(shù)上限為500次，學(xué)習(xí)率初始值為0．1。在程序中增加計時函數(shù)，運(yùn)行7ms內(nèi)便有輸出，隨著誤差變小，數(shù)據(jù)輸出時間變短。濾波輸出為大約23ms后便可以得到穩(wěn)定輸出，誤差精度高于10－5。在Qt工程文件．pro中添加Qwt/lib文件路徑，qmake編譯。在X86的Linux系統(tǒng)上運(yùn)行結(jié)果如圖3所示，把數(shù)據(jù)制成表格如圖4所示，運(yùn)行時間160ms。

2低通濾波器諧波檢測

與上述程序中相同的諧波函數(shù)，由低通濾波器濾波來分析處理，并采用2階和6階截止頻率為分別為100Hz和20Hz的ButterWorth濾波器進(jìn)行濾波分析，Matlab仿真結(jié)果如圖5－8所示。從圖5和8可以看出截止頻率在100Hz的低通濾波器響應(yīng)時間在最快0．03s左右，但是誤差百分比在11%;圖6－7可以看出截止頻率相同階數(shù)不同的響應(yīng)時間0．2s左右，誤差百分比在2．54%，這也說明隨著ButterWorth低通濾波器階數(shù)越大，其穩(wěn)態(tài)誤差越小，而動態(tài)響應(yīng)時間越長［8］。為解決ButterWorth低通濾波器穩(wěn)態(tài)誤差和動態(tài)響應(yīng)時間之間的矛盾，很多學(xué)者進(jìn)行了研究，其主要的解決方法是低通濾波器的參數(shù)在兩個性能之間進(jìn)行折中選擇［9］，同時這樣的結(jié)果也給對后續(xù)工作帶來更多的誤差。由比較可知，本文算法比低通濾波器精確度高，而且響應(yīng)速度也較快，可以代替在電力系統(tǒng)的諧波檢測中低通濾波器做濾波處理。

3基于ARM芯片算法實(shí)現(xiàn)

Linux系統(tǒng)具有多任務(wù)多進(jìn)程的系統(tǒng)特征，有些還具有實(shí)時特征。它非常適合于在企業(yè)的應(yīng)用，對于單一的任務(wù)，一個簡單嵌入式Linux即可以完成這種任務(wù)，而且配置要求簡單，成本較低。這里使用的是TE6410(ARM1176)開發(fā)板，最高主頻553Hz，2GnandFlash，支持SD燒寫系統(tǒng)。首先基于開源代碼uboot1．1．6編譯系統(tǒng)適合開發(fā)板配置的uboot文件;然后根據(jù)Linux內(nèi)核開源代碼Linux3．0．1制作文件zImage，由于是單一的最小化系統(tǒng)，在內(nèi)核配置時加上LCD驅(qū)動模塊［10］，最后編譯，大小也只有3MB左右，所需的存儲空間也很小;文件系統(tǒng)是算法的運(yùn)行實(shí)現(xiàn)平臺，用busybox1．20先制作yaffs2文件系統(tǒng)編譯器和最小的文件系統(tǒng)，添加系統(tǒng)相關(guān)配置文件;最后從安裝Qt4．8．4中復(fù)制Qt/Qwt和Qt/lib庫文件到制作的文件系統(tǒng)/lib文件夾中，以便程序鏈接調(diào)用，最后配置啟動后Qt環(huán)境變量。程序在經(jīng)過交叉編譯，編譯成ARM可以運(yùn)行的程序，放到文件系統(tǒng)根目錄的/mnt下，并設(shè)置開機(jī)自動運(yùn)行。根據(jù)上述步驟制作一個最小文件系統(tǒng)，雖然Qt相關(guān)庫文件靜態(tài)鏈接庫較大，但最后制作出來大小僅有130M左右，占用很少的內(nèi)存資源，其測試效果顯示如圖9所示。圖9中x軸是以秒為單位，y軸是諧波中的直流分量。可以看出響應(yīng)時間在35ms以內(nèi)便可以得出精確度相當(dāng)高的響應(yīng)輸出。

4結(jié)束語

篇2

關(guān)鍵詞：圖像分類；深度學(xué)習(xí)；Caffe框架；卷積神經(jīng)網(wǎng)絡(luò)

中圖分類號：TP18 文獻(xiàn)標(biāo)識碼：A 文章編號：1009-3044（2016）35-0209-03

Research and Implementation of Image Classification Based on Convolution Neural Network

WANG Chao

（Information Engineering Institute，East China University of Technology， Nanchang 330013， China）

Abstract： The problem of image classification has been the core problem in computer vision. A good solution is developed by further study which can solve the problem of extracting image features in image classification. In order to learn image features efficiently， constructing the machine learning model with hidden layer as well as training a large number of image data will eventually promote the accuracy of image classification or prediction. This paper is intended as an in-depth Caffe learning framework to construct a small image data-base. The convolutional neural network provided by Caffe framework will make a training analysis of the data set and then extract the information of target image features. These can be used for the final prediction of the target image. Compared with the traditional image classification algorithm， the accuracy of the prediction will be greatly improved.

Key words： image classification； deep learning； Caffe framework； Convolutional Neural Network

S著計算機(jī)與互聯(lián)網(wǎng)技術(shù)的快速發(fā)展，我們已經(jīng)進(jìn)入了一個以圖像構(gòu)建的世界。但是面臨有海量圖像信息卻找不到所需要的數(shù)據(jù)的困境，因而圖像分類技術(shù)應(yīng)運(yùn)而生。通過各種機(jī)器學(xué)習(xí)算法使計算機(jī)自動將各類圖像進(jìn)行有效管理和分類，但是由于圖像內(nèi)容包含著大量復(fù)雜且難以描述的信息，圖像特征提取和相識度匹配技術(shù)也存在一定的難題，要使得計算機(jī)能夠像人類一樣進(jìn)行分類還是有很大的困難。

深度學(xué)習(xí)是近十年來人工智能領(lǐng)域取得的重要突破，在圖像識別中的應(yīng)用取得了巨大的進(jìn)步，傳統(tǒng)的機(jī)器學(xué)習(xí)模型屬于神經(jīng)網(wǎng)絡(luò)模型，神經(jīng)網(wǎng)絡(luò)有大量的參數(shù)，經(jīng)常會出現(xiàn)過擬合問題，因而對目標(biāo)檢測準(zhǔn)確率上比較低。本文采用卷積神經(jīng)網(wǎng)絡(luò)框架，圖像特征是從大數(shù)據(jù)中自動學(xué)習(xí)得到，而且神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)深由很多層組成，通過重復(fù)利用中間層的計算單元來減少參數(shù)，在特征匯聚階段引入圖像中目標(biāo)的顯著信信息，增強(qiáng)了圖像的特征表達(dá)能力。通過在圖像層次稀疏表示中引入圖像顯著信息，加強(qiáng)了圖像特征的語義信息，得到圖像顯著特征表示，通過實(shí)驗(yàn)測試，效果比傳統(tǒng)的圖像分類算法預(yù)測的準(zhǔn)確度有明顯的提升。

1 基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類方法

1.1 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network， ANN）是描述生物神經(jīng)網(wǎng)絡(luò)運(yùn)行機(jī)理和工作過程的抽象和簡化了的數(shù)學(xué)物理模型，使用路徑權(quán)值的有向圖來表示模型中的人工神經(jīng)元節(jié)點(diǎn)和神經(jīng)元之間的連接關(guān)系，之后通過硬件或軟件程序?qū)崿F(xiàn)上述有向圖的運(yùn)行[1]。目前最典型的人工神經(jīng)網(wǎng)絡(luò)算法包括：目前最典型的人工神經(jīng)網(wǎng)絡(luò)有BP網(wǎng)絡(luò) [2]Hopfield網(wǎng)絡(luò)[3]Boltzmann機(jī)[4]SOFM網(wǎng)絡(luò)[5]以及ART網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)[6]，算法流程圖如圖1所示[7]。

1.2 卷積神經(jīng)網(wǎng)絡(luò)框架的架構(gòu)

Caffe是Convolutional Architecture for Fast Feature Embedding的縮寫[8]，意為快速特征嵌入的卷積結(jié)構(gòu)，包含最先進(jìn)的深度學(xué)習(xí)算法以及一系列的參考模型，圖2表示的是卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖。Caffe深度學(xué)習(xí)框架主要依賴CUDA，IntelMKL，OpenCV，glog軟件以及caffe文件。本文使用的各個軟件版本說明，如表1所示。

Caffe深度學(xué)習(xí)框架提供了多個經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)模型，卷積神經(jīng)網(wǎng)絡(luò)是一種多層的監(jiān)督學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，利用隱含層的卷積層和池采樣層是實(shí)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)特征提取功能，卷積神經(jīng)網(wǎng)絡(luò)模型通過采取梯度下降法最小化損失函數(shù)對網(wǎng)絡(luò)中的權(quán)重參數(shù)逐層反向調(diào)節(jié)，通過頻繁的迭代訓(xùn)練來提高網(wǎng)絡(luò)的精度。卷積神經(jīng)網(wǎng)絡(luò)使用權(quán)值共享，這一結(jié)構(gòu)類似于生物神經(jīng)網(wǎng)絡(luò)，從而使網(wǎng)絡(luò)的復(fù)雜程度明顯降低，并且權(quán)值的數(shù)量也有大幅度的減少，本文使用這些模型直接進(jìn)行訓(xùn)練，和傳統(tǒng)的圖像分類算法對比，性能有很大的提升，框架系統(tǒng)訓(xùn)練識別基本流程如圖3表示。

1.3 圖像分類特征提取

卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)層次相比傳統(tǒng)的淺層的神經(jīng)網(wǎng)絡(luò)來說，要復(fù)雜得多，每兩層的神經(jīng)元使用了局部連接的方式進(jìn)行連接、神經(jīng)元共享連接權(quán)重以及時間或空間上使用降采樣充分利用數(shù)據(jù)本身的特征，因此決定了卷積神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)相比維度大幅度降低，從而降低計算時間的復(fù)雜度。卷積神經(jīng)網(wǎng)絡(luò)主要分為兩個過程，分為卷積和采樣，分別的對上層數(shù)據(jù)進(jìn)行提取抽象和對數(shù)據(jù)進(jìn)行降維的作用。

本文以Caffe深度學(xué)習(xí)框架中的 CIFAR-10數(shù)據(jù)集的貓的網(wǎng)絡(luò)模型為例，如圖4所示，對卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。CIFAR-10是一個標(biāo)準(zhǔn)圖像圖像訓(xùn)練集，由六萬張圖像組成，共有10類（分為飛機(jī)，小汽車，鳥，貓，鹿，狗，青蛙，馬，船，卡車），每個圖片都是32×32像素的RGB彩色圖像。通過對數(shù)據(jù)進(jìn)行提取和降維的方法來提取圖像數(shù)據(jù)的特征。

2 實(shí)驗(yàn)分析

將貓的圖像訓(xùn)練集放在train的文件夾下，并統(tǒng)一修改成256×256像素大小，并對貓的圖像訓(xùn)練集進(jìn)行標(biāo)記，標(biāo)簽為1，運(yùn)行選擇cpu進(jìn)行訓(xùn)練，每進(jìn)行10次迭代進(jìn)行一次測試，測試間隔為10次，初始化學(xué)習(xí)率為0.001，每20次迭代顯示一次信息，最大迭代次數(shù)為200次，網(wǎng)絡(luò)訓(xùn)練的動量為0.9，權(quán)重衰退為0.0005，5000次進(jìn)行一次當(dāng)前狀態(tài)的記錄，記錄顯示如下圖5所示，預(yù)測的準(zhǔn)度在98%以上。而相比傳統(tǒng)的圖像分類算法BP神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)的收斂性慢，訓(xùn)練時間長的，網(wǎng)絡(luò)的學(xué)習(xí)和記憶具有不穩(wěn)定性，因而卷e神經(jīng)網(wǎng)絡(luò)框架在訓(xùn)練時間和預(yù)測準(zhǔn)度上具有非常大的優(yōu)勢。

3 結(jié)束語

本文使用Caffe深度學(xué)習(xí)框架，以CIFAR-10數(shù)據(jù)集中貓的網(wǎng)絡(luò)模型為例，構(gòu)建小型貓的數(shù)據(jù)集，提取貓的圖象特征信息，最后和目標(biāo)貓圖像進(jìn)行預(yù)測，并和傳統(tǒng)的圖像分類算法進(jìn)行對比，預(yù)測的準(zhǔn)確率有很大的提升。

參考文獻(xiàn)：

[1] 楊錚， 吳陳沭， 劉云浩. 位置計算： 無線網(wǎng)絡(luò)定位與可定位性[M]. 北京： 清華大學(xué)出版社， 2014.

[2] 丁士折. 人工神經(jīng)網(wǎng)絡(luò)基礎(chǔ)[M]. 哈爾濱： 哈爾濱工程大學(xué)出版社， 2008.

[3] McClelland J L， Rumelhart D E， PDP Research Group. Parallel distributedprocessing[J]. Explorations in the microstructure of cognition， 1986， 2.

[4] Hopfield J J. Neural networks and physical systems with emergent collectivecomputational abilities[J]. Proceedings of the national academy of sciences， 1982， 79（8）： 2554-2558.

[5] Ackley D H， Hinton G E， Sejnowski T J. A learning algorithm for boltzmannmachines[J]. Cognitive science， 1985， 9（1）： 147-169.

[6] Kohonenmaps T. Self-Organized Formation of Topologically Correct Feature Maps[J]. Biological Cybernetics，1982， 43（1）： 59-69.

篇3

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò) 建筑管理 數(shù)據(jù)倉庫

中圖分類號：F274 文獻(xiàn)標(biāo)識碼：A 文章編號：1007-9416（2015）09-0000-00

1神經(jīng)網(wǎng)絡(luò)系統(tǒng)理論的研究目標(biāo)

是以研究以模擬人體神經(jīng)系統(tǒng)的運(yùn)動行為， 建立神經(jīng)網(wǎng)絡(luò)基本特征的一種神經(jīng)網(wǎng)絡(luò)系統(tǒng)運(yùn)算算法。這種算法可在計算機(jī)上，通過硬件與軟件的相互配合來實(shí)現(xiàn)， 也可以在神經(jīng)網(wǎng)絡(luò)計算機(jī)上更加快捷的實(shí)現(xiàn)，最終可以實(shí)現(xiàn)智能計算機(jī)終端智能運(yùn)算的目標(biāo)。神經(jīng)網(wǎng)絡(luò)系統(tǒng)是由大量的神經(jīng)元--簡單的信息處理單元，按特定的配對方式相互構(gòu)成， 神經(jīng)元之間的信息傳遞和儲存，依照一定的規(guī)則進(jìn)行， 網(wǎng)絡(luò)連接規(guī)則以及數(shù)據(jù)存儲方式有一定的穩(wěn)定性與匹配性， 即具有學(xué)習(xí)和訓(xùn)練的特定效果。

1.1神經(jīng)網(wǎng)絡(luò)系統(tǒng)模型與應(yīng)用范圍

有反饋網(wǎng)絡(luò)模型。有反饋網(wǎng)絡(luò)也稱回（遞）歸網(wǎng)絡(luò)， 在這這當(dāng)中， 多個神經(jīng)元互聯(lián)以組成一個互連神經(jīng)網(wǎng)絡(luò)。有些神經(jīng)元的輸出被反饋至同層或前層神經(jīng)元， 因此， 信號能夠從正向和反向流通。

1.2 神經(jīng)網(wǎng)絡(luò)的設(shè)計

在決定采用神經(jīng)網(wǎng)絡(luò)技術(shù)之前， 應(yīng)首先考慮是否有必要采用神經(jīng)網(wǎng)絡(luò)來解決問題。一般地， 神經(jīng)網(wǎng)絡(luò)與經(jīng)典計算方法相比并非優(yōu)越。只有當(dāng)常規(guī)方法無法解決或效果不佳時神經(jīng)網(wǎng)絡(luò)才能顯示出其優(yōu)越性。尤其是當(dāng)問題的機(jī)理等規(guī)律不甚了解， 或不能用數(shù)學(xué)模型表示的系統(tǒng)， 神經(jīng)網(wǎng)絡(luò)往往是最有力的工具。另一方面， 神經(jīng)網(wǎng)絡(luò)對處理大量原始數(shù)據(jù)而不能用規(guī)劃或公式描述的問題， 表現(xiàn)出極大的靈活性和自適應(yīng)性。

2 建筑管理模式

建筑管理模式是在TFV理論基礎(chǔ)上構(gòu)筑的。建筑管理模式在國外，對精益建造的理論和應(yīng)用研究已取得了很多成果， 但國內(nèi)對于精益建造，未能給予足夠重視。

數(shù)據(jù)處理技術(shù)在企業(yè)的逐步成功應(yīng)用，企業(yè)積累了大量的生產(chǎn)"科研相關(guān)和業(yè)務(wù)數(shù)據(jù)，但面對浩如煙海的企業(yè)數(shù)據(jù)，決策人員常常難以及時獲得足夠信息，提出決策的現(xiàn)狀，許多企業(yè)已經(jīng)構(gòu)建了完善的數(shù)據(jù)庫.并且通過聯(lián)機(jī)分析處理的方式技術(shù)，可以使決策人員更快捷的從數(shù)據(jù)倉庫中提取精良信息。

3 建筑管理模式

3.1 任務(wù)制度管理

任務(wù)制度管理是從生產(chǎn)管理轉(zhuǎn)換的角度管理生產(chǎn)制造， 雖然本質(zhì)依然是硬性管理， 但管理的內(nèi)容為與適應(yīng)建造相關(guān)用戶的合理配合安排， 主要依據(jù)顧客需求設(shè)計來配編生產(chǎn)系統(tǒng)， 最后一招合同流程來實(shí)現(xiàn)。

3.2 流程過程管理

流程過程管理是從流程的角度管理數(shù)據(jù)模型， 其本質(zhì)為軟性數(shù)據(jù)管理。流程管理的目標(biāo)是不但要有高效率可預(yù)測數(shù)據(jù)目標(biāo)的綜合流程， 而且要做好建設(shè)項(xiàng)目的相關(guān)單位，現(xiàn)場數(shù)據(jù)工作人員之間的相互協(xié)調(diào)工作。

3.3 價值趨向管理

價值趨向管理是從數(shù)據(jù)價值的角度管理生產(chǎn)， 它是以一種更加柔性的方式來體現(xiàn)顧客消費(fèi)價值和一種硬性的方式完成生產(chǎn)預(yù)訂目標(biāo)的的趨向性管理。

4 數(shù)據(jù)倉庫概論

數(shù)據(jù)倉庫，就是一個更完全面支持企業(yè)組織的決策分析處理數(shù)據(jù)的面向主題的總成的，不可隨時間不斷變化持續(xù)更新的數(shù)據(jù)倉庫體系結(jié)構(gòu)，美國哈佛大學(xué)計算機(jī)科學(xué)系的專門小組，通過長期對數(shù)據(jù)技術(shù)的研究，提出了數(shù)據(jù)倉庫技術(shù)的完善概念，該概念是在體系結(jié)構(gòu)整體上對數(shù)據(jù)倉庫進(jìn)行了描述，從各個數(shù)據(jù)源收集所需數(shù)據(jù)，并與其他數(shù)據(jù)源的數(shù)據(jù)銜接，將集成的總體數(shù)據(jù)存入數(shù)據(jù)倉庫終端，用于用戶直接從數(shù)據(jù)倉庫中訪問相關(guān)數(shù)據(jù)，用于理論和實(shí)踐應(yīng)用的案例.運(yùn)用這種建筑管理模式， 可以提高生產(chǎn)率， 降低成本和增加顧客滿意度， 在建筑業(yè)中有廣闊的應(yīng)用前景。

5 結(jié)語

在當(dāng)今日益激烈的競爭環(huán)境下決策人員能否及時地從大量原始數(shù)據(jù)中提取更多更好的信息是一個企業(yè)生存發(fā)展的關(guān)鍵，傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)系統(tǒng)的建筑管理數(shù)據(jù)倉庫的設(shè)計已不能適應(yīng)行業(yè)的發(fā)展精益建造這種體系應(yīng)運(yùn)而生。他是由精益生產(chǎn)延伸而來，將神經(jīng)網(wǎng)絡(luò)系統(tǒng)的建筑管理數(shù)據(jù)倉庫的設(shè)計以及實(shí)踐應(yīng)用到行業(yè)之中。

參考文獻(xiàn)

[1]趙璐.基于精益建造的成本管理[J].華中科技大學(xué)學(xué)報，2005.

[2]肖智軍，黨新民.精益生產(chǎn)方式JIT[M].廣州： 廣東經(jīng)濟(jì)出版社，2004.

[3]Glenn Bllard3 劉來紅， 王世宏.空氣過濾器的發(fā)展與應(yīng)用.過濾與分離，2000，10

[4]Lauri Koskela. We Need A Theory Of Construction

[C]， Berkeley - Stanford CE&M Workshop： Defining a Research

Agenda for AEC Process/Product Development in2000 and Beyond Stanford， Berkeley， 1999.

篇4

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)；三維加速度；特征值提取

中圖分類號：G642.0 文獻(xiàn)標(biāo)志碼：A 文章編號：1674-9324（2016）51-0197-02

隨著物聯(lián)網(wǎng)的高速發(fā)展，智慧醫(yī)療的應(yīng)用也越來越廣泛，人體行為識別作為智能監(jiān)測中一個重要的研究方向，也逐漸受到各國學(xué)者的廣泛關(guān)注。隨著我國人口老齡化不斷加劇，老年人意外摔倒問題受到人們關(guān)注，而人體行為識別方法的研究將推進(jìn)更有效更準(zhǔn)確的跌倒檢測算法研究。按照信號的獲取方式，可將現(xiàn)有的人體行為識別方法分為以下兩種：基于計算機(jī)視覺的方法和基于傳感器的方法。基于三軸加速度信號的識別方法屬于第二種，第二種方法相較于第一種具有低功耗、高精度、攜帶方便等優(yōu)點(diǎn)。目前BP神經(jīng)網(wǎng)絡(luò)是目前人工神經(jīng)網(wǎng)絡(luò)中研究最深入、應(yīng)用最廣泛的一種。本文選用已有的三軸加速度信號數(shù)據(jù)集，在MATLAB仿真環(huán)境下，基于BP神經(jīng)網(wǎng)絡(luò)設(shè)計并實(shí)現(xiàn)人體行為識別算法。

一、數(shù)據(jù)預(yù)處理

本文選用的三軸加速度數(shù)據(jù)來源于南加州大學(xué)人體行為數(shù)據(jù)集，這個數(shù)據(jù)集包括了對14名受測者的12種動作的三軸加速度信號采集。采集過程中，三軸加速度傳感器位于受測者右前臂；采樣頻率為100Hz；12種動作每種動作由每名受測者做5次，即對每種動作采集70個樣本，每個樣本采集時長不定但是足夠捕獲動作的所有信息。考慮實(shí)際意義，本文只選取上述14名受測者的7類動作，共計490個加速度數(shù)據(jù)樣本。在特征值提取前需要對濾波得到的加速度數(shù)據(jù)再進(jìn)行加窗處理。選用窗口長度N為512的矩形窗，則結(jié)合采樣頻率可得窗口時間跨度為5.12秒，足夠包含單個完整動作。經(jīng)過預(yù)處理后的數(shù)據(jù)才可以用于后續(xù)的特征值的提取，并用來訓(xùn)練和測試所建立的BP神經(jīng)網(wǎng)絡(luò)。

二、BP神經(jīng)網(wǎng)絡(luò)的建立

BP神經(jīng)網(wǎng)絡(luò)由輸入層、輸出層和隱含層組成，其中輸入層與輸出層各為一層，隱含層可以有多層。在網(wǎng)絡(luò)中，相鄰兩層間實(shí)現(xiàn)全連接，而處于同一層的神經(jīng)元之間無連接。BP學(xué)習(xí)算法需要提供教師信號。BP網(wǎng)絡(luò)的學(xué)習(xí)過程包括工作信號的正向傳播和誤差信號的反向傳播，并通過修改連接兩個神經(jīng)元的邊的權(quán)值來使得誤差函數(shù)達(dá)到最小。①工作信號的正向傳播。設(shè)X■■表示第k層神經(jīng)元i的輸入總和，Y■■為輸出，第k-1層神經(jīng)元j到第k層神經(jīng)元i的權(quán)值為Wij，則有如下函數(shù)關(guān)系：Y■■=f（X■■）X■■=■W■Y■■ （1）

稱f激勵函數(shù)，通常取f為非對稱Sigmoid函數(shù)，即 f（X■■）=■ （2）

②誤差信號的反向傳播。設(shè)輸出層為第m層，則輸出層第i個神經(jīng)元的實(shí)際輸出為Y■■，設(shè)對應(yīng)的教師信號為Yi，定義誤差函數(shù)e為 e=■■（Y■■-Y■）■ （3）

定義d■■表示誤差函數(shù)e關(guān)于U■■的偏導(dǎo)數(shù)，可推得 當(dāng)k=m時，有d■■=Y■■（1-Y■■）（Y■■-Y■）（4）

k

③權(quán)值的修正。設(shè)某一次學(xué)習(xí)權(quán)值的修改量為ΔWij，考慮兩次學(xué)習(xí)的相關(guān)性，可定義權(quán)值修改量如下：

ΔWij（t+1）=-μ?d■■?Y■■+γ?ΔWij（t）（6）

其中，γ為表示兩次修正間的相關(guān)程度的系數(shù)， μ為學(xué)習(xí)速率。綜上，BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)目標(biāo)就是：找一組最合適的邊的權(quán)值Wij，使得誤差函數(shù)滿足 e=min■■（Y■■-Y■）■ （7）

三、BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計

1.輸入層。BP神經(jīng)網(wǎng)絡(luò)的輸入即為各種行為的特征向量，因此首先需要選取合適的特征值構(gòu)建特征向量。根據(jù)統(tǒng)計學(xué)原理和所選加速度信號數(shù)據(jù)集的特征，選取5個特征值：均值、方差、相關(guān)系數(shù)、偏度和峰度。5個特征值均以窗長N為提取單位，特征值的計算直接使用MATLAB已有的函數(shù)。以窗長為單位，分別計算三個軸的加速度信號的上述5種特征值，一次特征值提取可得到一個15維的特征向量，將此向量作為BP神經(jīng)網(wǎng)絡(luò)的輸入，則輸入層可有15個神經(jīng)元。

2.隱含層。隱含層待定的系數(shù)包括隱含層的層數(shù)和每個隱含層包含的神經(jīng)元個數(shù)。為提高學(xué)習(xí)速率，通常選用單隱層的神經(jīng)網(wǎng)絡(luò)，但為獲得更好的學(xué)習(xí)效果，本文考慮單隱層以及雙隱層的BP神經(jīng)網(wǎng)絡(luò)。

關(guān)于隱含層神經(jīng)元的個數(shù)n1選取，本文參考公式如下：n■=■+p （13）

其中，n0為輸入層神經(jīng)元個數(shù)，nm為輸出層神經(jīng)元個數(shù)，p為[1，10]之間的一個常數(shù)。在利用上述公式估算的基礎(chǔ)上，根據(jù)網(wǎng)絡(luò)學(xué)習(xí)的結(jié)果對隱含層神經(jīng)元個數(shù)再做調(diào)整，以達(dá)到最好的學(xué)習(xí)效果。

3.輸出層。神經(jīng)網(wǎng)絡(luò)的輸出層表示人體行為識別的結(jié)果，即判斷該動作屬于哪一類。根據(jù)所研究的7類動作，可以構(gòu)造一個7維的輸出向量。每一個輸出向量對應(yīng)每一次輸出，向量的每一維對應(yīng)每一類動作。若輸入特征值來源于第Z類動作，則期望的輸出向量為第Z維置“1”，其余維置“0”，而實(shí)際的輸出向量的7個維度的數(shù)值分別代表屬于7種動作的可能性大小，取數(shù)值最大的維度為分類結(jié)果。

篇5

關(guān)鍵詞：船舶市場預(yù)測；NARX神經(jīng)網(wǎng)絡(luò)模型；模糊聚類

中圖分類號：F272 文獻(xiàn)標(biāo)識碼：A

0 引 言

學(xué)者陶永宏、陳定秋和戈錚曾經(jīng)對船舶行業(yè)風(fēng)險進(jìn)行過定性分析和研究，但尚未開展深入的定量化分析[1]。陶永宏和祁愛琳將功效系數(shù)法與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合來衡量我國船舶制造業(yè)的風(fēng)險。采用功效系數(shù)法獲得了歷史數(shù)據(jù)警情，并用歷史數(shù)據(jù)訓(xùn)練模型以檢驗(yàn)?zāi)Ｐ偷念A(yù)警能力，且對2011年前的造船業(yè)市場進(jìn)行了市場參數(shù)預(yù)測和風(fēng)險預(yù)警[2]。余思勤等人利用BP神經(jīng)網(wǎng)絡(luò)和市場均衡模型對過去30年的船舶市場參數(shù)特征進(jìn)行分析，并依此預(yù)測和評估船舶市場的未來風(fēng)險[3]。但是在沒有消除市場變動的周期性和波動性的前提下直接利用神經(jīng)網(wǎng)絡(luò)對船舶市場特征參數(shù)和風(fēng)險值進(jìn)行預(yù)測評估，在一定程度上影響和局限了預(yù)測結(jié)果的準(zhǔn)確性。

針對當(dāng)前出現(xiàn)的問題，本文提出兩階段市場風(fēng)險預(yù)警模型。首先基于以往船舶市場表現(xiàn)特征，利用動態(tài)模糊聚類算法對時間序列數(shù)據(jù)進(jìn)行模糊分組，得到不同市場環(huán)境下的時間片段。接著，對未來市場環(huán)境進(jìn)行初步判斷，選取與待預(yù)警市場環(huán)境特征相符合的時間段數(shù)據(jù)，經(jīng)過數(shù)值修正和數(shù)據(jù)差值后，利用NARX非線性自回歸神經(jīng)網(wǎng)絡(luò)對該組數(shù)據(jù)進(jìn)行預(yù)警。本文的重要創(chuàng)新在于，由于神經(jīng)網(wǎng)絡(luò)預(yù)測需要依靠大量的歷史數(shù)據(jù)，以進(jìn)行訓(xùn)練和結(jié)構(gòu)優(yōu)化，而本模型對歷史數(shù)據(jù)分組后帶來分段數(shù)據(jù)大量減少。為此本模型嘗試性地引進(jìn)原始數(shù)據(jù)的插值算法，在不改變原始數(shù)據(jù)變化特征和數(shù)據(jù)結(jié)構(gòu)的基礎(chǔ)之上大幅度增加數(shù)據(jù)量，從而完善數(shù)據(jù)的補(bǔ)充和修正，提高了NARX神經(jīng)網(wǎng)絡(luò)預(yù)警的準(zhǔn)確性。

1 船舶市場風(fēng)險預(yù)測指標(biāo)確定

基于市場均衡理論，本文選擇造船完工量、新增訂單量及船舶價格指數(shù)三個市場指標(biāo)作為風(fēng)險預(yù)警的影響因素。這三個因素作為市場均衡理論當(dāng)中的需求、價格、供給三要素，可以全面反映船舶市場的發(fā)展特征。

針對當(dāng)年的船舶價格指數(shù)、新船訂單量和新船完工量特征，可以根據(jù)一系列條件和規(guī)則[3]給出當(dāng)年期船舶市場風(fēng)險指數(shù)專家評分。風(fēng)險指數(shù)評分由0，25之間的任意整數(shù)表示風(fēng)險由小到大的變動范圍，其中根據(jù)風(fēng)險警戒級別的不同，將其劃分為五個不同的警情級別，分別為：“巨警、重警、中警、輕警、無警”。其中專家評分及預(yù)警區(qū)間和引入的歷史數(shù)據(jù)如表1、表2所示：

2 船舶市場風(fēng)險預(yù)警兩階段預(yù)測模型構(gòu)建

2.1 時間序列模糊聚類模型

針對歷史數(shù)據(jù)的模糊聚類可以消除在時間序列上某些歧點(diǎn)數(shù)據(jù)，對原始數(shù)據(jù)亦可以起到一定的平滑作用。使經(jīng)過模糊之后的時間段內(nèi)的數(shù)據(jù)均為相對連續(xù)的，可以較好反應(yīng)該段時期內(nèi)市場特征。

（1）數(shù)據(jù)標(biāo)準(zhǔn)化

（3）聚類

從（2）中求出的N階模糊相似矩陣R出發(fā)，用平方法求其傳遞閉包tR。這就是將改造成的n階模糊等價矩陣，之后讓λ由大變小，便可以形成動態(tài)過程的聚類結(jié)果。根據(jù)實(shí)際的市場情況控制λ的值，使經(jīng)過聚類之后，原始?xì)v史數(shù)據(jù)分為市場低風(fēng)險時間段、市場中等風(fēng)險時間段、市場高風(fēng)險時間段。

（4）計算

將表格當(dāng)中所列除專家評分之外的數(shù)據(jù)依照上述模糊聚類過程進(jìn)行分組并對比各時期專家評分之后，結(jié)果如表3所示：

對照表3與之前歷史數(shù)值，發(fā)現(xiàn)該模糊聚類算法對時間段劃分起到了非常好的效果，可以較好地擬合及表現(xiàn)各個時間段的市場特征。

2.2 數(shù)據(jù)修正和數(shù)據(jù)插值

（1）數(shù)值修正

船舶需求量、供給量和價格在遵循一定的變化規(guī)律的同時，也在進(jìn)行著穩(wěn)定增長。因此，單純使用過去的數(shù)據(jù)直接用神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到的結(jié)果也只是針對過去那些年的預(yù)測值，而不是針對現(xiàn)在得到未來的預(yù)測值。因此在不改變數(shù)值變化特征的情況下，需要針對現(xiàn)在一段時期的數(shù)據(jù)對過去時間段內(nèi)的歷史數(shù)據(jù)進(jìn)行整體修正。修正算法如下：

2.3 NARX神經(jīng)網(wǎng)絡(luò)預(yù)測

（1）模型介紹

NARX非線性自回歸神經(jīng)網(wǎng)絡(luò)是一種封閉的動態(tài)神經(jīng)網(wǎng)絡(luò)，是由普通的動態(tài)神經(jīng)網(wǎng)絡(luò)將結(jié)果反饋到輸入層以影響和改變網(wǎng)絡(luò)結(jié)構(gòu)以實(shí)現(xiàn)網(wǎng)絡(luò)在訓(xùn)練過程當(dāng)中的逐步調(diào)整。該模型基于線性ARX模型而建立，通常用于時間序列的預(yù)測。NARX的模型定義為：

fx為用神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)的非線性模糊函數(shù)。

對于每一個y的輸出，都指向元神經(jīng)網(wǎng)絡(luò)層的輸入當(dāng)中，作為下一次輸出的調(diào)整參數(shù)并且完成對神經(jīng)網(wǎng)絡(luò)的調(diào)整ux。隨著數(shù)據(jù)在時間序列上的遞進(jìn)，此式表示了神經(jīng)網(wǎng)絡(luò)的時間序列實(shí)現(xiàn)及函數(shù)模擬功能的數(shù)據(jù)關(guān)聯(lián)性建模思想。

該神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖1所示：

本文利用MAYLAB神經(jīng)網(wǎng)絡(luò)工具箱當(dāng)中的時間序列預(yù)測可視化工具完成了對該網(wǎng)絡(luò)的構(gòu)建和參數(shù)調(diào)整、訓(xùn)練和仿真。由于輸入權(quán)值和閾值同時影響著神經(jīng)網(wǎng)絡(luò)的實(shí)際預(yù)測效果，因此在構(gòu)建神經(jīng)網(wǎng)絡(luò)時要多次調(diào)整相關(guān)參數(shù)，才可以在前期的訓(xùn)練當(dāng)中取得較好的預(yù)測效果。

NARX神經(jīng)網(wǎng)絡(luò)的訓(xùn)練有多種函數(shù)可以選擇，其中較為典型的算法有動態(tài)BP算法（DBP）、實(shí)時遞歸算法（RTTL）等。

（2）數(shù)據(jù)準(zhǔn)備

由表3的分類結(jié)果可知，1975到1987年的數(shù)據(jù)為一個小組，警情為中警；1988到1997年、2004到2007年這兩個時間段為一個小組，警情為輕警；1998到2003年為一個小組，警情為無警；2008到2012年數(shù)據(jù)為一個小組，警情為重警。這里需要注意的是在輕警警區(qū)的小組內(nèi)有兩批數(shù)據(jù)，這兩批數(shù)據(jù)是不連貫的時間段，因此不能將其合并，而是在以后的訓(xùn)練過程中先后使用這兩批數(shù)據(jù)分別訓(xùn)練以增強(qiáng)網(wǎng)絡(luò)訓(xùn)練的有效性。

對上述各個分組分別進(jìn)行數(shù)值修正和插值，作為訓(xùn)練用原始數(shù)據(jù)。其中插值的多少根據(jù)該組內(nèi)數(shù)據(jù)的多少分別決定而不遵循統(tǒng)一標(biāo)準(zhǔn)。

（3）神經(jīng)網(wǎng)絡(luò)訓(xùn)練

為了驗(yàn)證該模型的準(zhǔn)確性，筆者選取2012年的數(shù)據(jù)作為待預(yù)測數(shù)據(jù)，將2011年之前的歷史數(shù)據(jù)作為預(yù)測輸入。由于2012年世界經(jīng)濟(jì)形勢并不樂觀，因而即使是在2012年之前，仍可以斷定2012年船舶市場風(fēng)險屬于重警區(qū)間。故選取2008到2011年這一組的數(shù)據(jù)對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

使用原始參數(shù)訓(xùn)練結(jié)果如圖2所示。

經(jīng)過反復(fù)調(diào)試和修改神經(jīng)網(wǎng)絡(luò)參數(shù)，最后在使用隱藏節(jié)點(diǎn)為30，延遲為4的時候發(fā)現(xiàn)訓(xùn)練效果較好。其訓(xùn)練結(jié)果如圖3、圖4所示。

最終訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，采用兩層NARX神經(jīng)網(wǎng)絡(luò)展現(xiàn)新船訂單、新船價格和船舶完工量的轉(zhuǎn)換。隱藏神經(jīng)元的個數(shù)確定為30個，傳遞函數(shù)采用TanGis函數(shù)，最后得到的訓(xùn)練誤差大致為6×10-20，結(jié)果滿意。因此可以認(rèn)為該神經(jīng)網(wǎng)絡(luò)可以用來實(shí)現(xiàn)這一個關(guān)系映射。

（4）神經(jīng)網(wǎng)絡(luò)預(yù)測

使用之前的歷史數(shù)據(jù)和已經(jīng)訓(xùn)練好之后的神經(jīng)網(wǎng)絡(luò)對2012年的市場三要素進(jìn)行預(yù)測，得出結(jié)果如表4。

由表4可以看出，次神經(jīng)網(wǎng)絡(luò)模型對實(shí)際的預(yù)測有很好的表現(xiàn)性。

已經(jīng)確認(rèn)該模型有較好的預(yù)測能力之后，筆者嘗試?yán)媚Ｐ蛯?013年的船舶市場各項(xiàng)數(shù)值進(jìn)行預(yù)測，得到的結(jié)果如表5：

3 模型預(yù)警結(jié)果比較

為了與直接使用神經(jīng)網(wǎng)絡(luò)預(yù)警的模型進(jìn)行結(jié)果比較，筆者在該階段將未分組的歷史數(shù)據(jù)直接使用上述神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)警。這種方法的優(yōu)點(diǎn)是絕對保證輸入神經(jīng)網(wǎng)絡(luò)的原始數(shù)據(jù)的完整性、連續(xù)性和大量性。得到的結(jié)果如表6所示：

由表4和表6的對比可以很明顯看到，盡管直接預(yù)警有上述若干優(yōu)點(diǎn)，但使用聚類再預(yù)警的模型比直接預(yù)警的模型在預(yù)警準(zhǔn)確度方面有很明顯的優(yōu)勢?？梢蕴峁└有阅軆?yōu)良的市場預(yù)警結(jié)果和風(fēng)險指示導(dǎo)向。

4 結(jié) 論

本文綜合模糊聚類、神經(jīng)網(wǎng)絡(luò)方法建立了聚類-預(yù)測兩階段風(fēng)險預(yù)警模型，并使用船舶市場數(shù)據(jù)進(jìn)行了預(yù)警和與實(shí)際值的對比分析。本文的創(chuàng)新之一體現(xiàn)在，為了發(fā)現(xiàn)不同時間段的船舶市場特征，利用模糊聚類進(jìn)行了船舶市場分類，結(jié)果發(fā)現(xiàn)聚類提高了預(yù)警精度，體現(xiàn)出本模型的優(yōu)越性。本文的創(chuàng)新之二體現(xiàn)在，當(dāng)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)不足時，提出了針對原始數(shù)據(jù)的插值思想。聚類和插值思想的提出和實(shí)現(xiàn)取得令人滿意的效果，在提高整個模型預(yù)警精度的過程中起到關(guān)鍵作用。

參考文獻(xiàn)：

[1] 陶永宏，陳定秋，戈錚. 基于動態(tài)利潤模型的人民幣升值對中國造船業(yè)影響的分析[J]. 中國造船，2009（1）：44-51.

[2] 陶永宏，祁愛琳. 基于功效系數(shù)法與BP 神經(jīng)網(wǎng)絡(luò)的造船業(yè)風(fēng)險預(yù)警研究[J]. 中國造船，2010（3）：191-198.

篇6

【關(guān)鍵詞】電力負(fù)荷;神經(jīng)網(wǎng)絡(luò);網(wǎng)絡(luò)模型

1.電力負(fù)荷預(yù)測的重要性

電力工業(yè)在我國經(jīng)濟(jì)迅速發(fā)展的今天，正飛速的發(fā)展，而電力工業(yè)在生產(chǎn)與傳輸過程中存在不能對其進(jìn)行保存的特性，所以這就要求發(fā)電廠與用戶間的供求關(guān)系應(yīng)平衡，否則會造成用戶用電的質(zhì)量受影響，也會使供電部門經(jīng)濟(jì)利益受得損失，因此電力系統(tǒng)負(fù)荷預(yù)測方法迅速的發(fā)展，而精度高、速度快的電力負(fù)荷預(yù)測的保證電力市場供求關(guān)系平衡的一個重要前提，同時也是電力系統(tǒng)安全穩(wěn)定運(yùn)行的一個重要保障，因此電力負(fù)荷預(yù)測的方法研究的重要性可想而知。

2.建立神經(jīng)網(wǎng)絡(luò)模型

在本文中，將以河北省泊頭市的2013年6月1日至6月7日的電力負(fù)荷作為樣本對進(jìn)來幾天的電力負(fù)荷進(jìn)行預(yù)測。

以神經(jīng)網(wǎng)絡(luò)的非線性映射能力為依據(jù)來建立短期的電力負(fù)荷預(yù)測模型，可以將其過程歸納為以下幾步：

（1）先確定所要研究的神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu);

（2）對所選取的電力系統(tǒng)中的歷史電力負(fù)荷數(shù)據(jù)進(jìn)行分析，并按照一定的經(jīng)驗(yàn)選取最能反映電力負(fù)荷變化的一部分電力負(fù)荷數(shù)據(jù)作為該神經(jīng)網(wǎng)絡(luò)模型的輸入量，再選取該網(wǎng)絡(luò)中歷史負(fù)荷預(yù)測值作為該網(wǎng)絡(luò)模型的輸出量;

（3）選取合適的樣本數(shù)據(jù)集作為該網(wǎng)絡(luò)訓(xùn)練的樣本集;

（4）將選取的樣本集作為輸入，輸入到神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行運(yùn)算，然后將期望的輸出值和與經(jīng)過神經(jīng)網(wǎng)絡(luò)訓(xùn)練后輸出值進(jìn)行比較，并按照一定的網(wǎng)絡(luò)算法規(guī)則去調(diào)整該神經(jīng)網(wǎng)絡(luò)中各層之間的連接權(quán)值。并反復(fù)進(jìn)行該網(wǎng)絡(luò)輸出誤差計算和權(quán)值修改的工作，當(dāng)誤差輸出滿足一定的輸出精度，或達(dá)到規(guī)定的迭代次數(shù)時完成訓(xùn)練;

（5）將這里訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型應(yīng)用到短期電力負(fù)荷預(yù)測中;

（6）該電力網(wǎng)絡(luò)負(fù)荷預(yù)測模型使用一段時間后，在保留原有權(quán)值不變的基礎(chǔ)上，根據(jù)實(shí)際的情況選取一些新的數(shù)據(jù)樣本集對該神經(jīng)網(wǎng)絡(luò)進(jìn)行重新的訓(xùn)練，使網(wǎng)絡(luò)權(quán)值能夠適應(yīng)最近一段時間的負(fù)荷變化情況，保證預(yù)測電力負(fù)荷數(shù)值具有良好的精確度。

3.樣本數(shù)據(jù)的預(yù)處理

在對短期電力系統(tǒng)負(fù)荷樣本的處理前，應(yīng)先對其日期的類型進(jìn)行劃分，其負(fù)荷日期的類型大致可以分為以下三種：

第1種：將一周內(nèi)的七天分成兩類：一類命名為工作日（周一至周五），一類命名為休息日（周六、周日）;

第2種：將一周的七天分成五種類型：周一為一個類型、周二到周四為一個類型、周五、周六、周日分別作為一種類型;

第3種：將一周的七天分為七種類型：即每天都作為一種類型。

在本文中采用第三種類型，即把一周中的每一天都看作一種類型，并且又做了進(jìn)一步的細(xì)分，在這里對一天內(nèi)的24小時中的每個時辰的電力負(fù)荷量進(jìn)行統(tǒng)計并作為本文的研究樣本。

4.氣象特征的量化處理

本文在分析歷史電力負(fù)荷數(shù)據(jù)的同時考慮了與該電力負(fù)荷數(shù)值密切相關(guān)的氣象變化，如采集歷史電力負(fù)荷數(shù)據(jù)當(dāng)日天氣的溫度、濕度及當(dāng)是的天氣特征（陰天，雨天，晴天）等，經(jīng)大量觀察分析這些因素對電力負(fù)荷值所起的影響，影響最大的是溫度因素和天氣特征，因此本文采用選取當(dāng)天的最高溫度、最低溫度及天氣特征作為該神經(jīng)網(wǎng)絡(luò)模型的三個輸入量值，在本文中分別用 0代表情天、0.5代表陰天、1代表雨天的情況。

表1 河北省泊頭市區(qū)6月1日到7日電力負(fù)荷表

日期 6月1日 6月2日 6月3日 6月4日 6月5日 6月6日 6月7日

0時 0.5513 0.636 0.6487 0.6371 0.6258 0.6352 0.603

1時 0.5341 0.6122 0.6249 0.6142 0.6006 0.6108 0.5861

2時 0.5277 0.6004 0.6089 0.6024 0.5902 0.5933 0.5616

3時 0.5202 0.5888 0.5939 0.5876 0.5846 0.5794 0.5701

4時 0.5164 0.5829 0.6098 0.5865 0.5956 0.5887 0.559

5時 0.5759 0.6269 0.6515 0.6254 0.6432 0.621 0.5911

6時 0.6481 0.6913 0.7118 0.6868 0.7003 0.6721 0.6276

7時 0.7299 0.7641 0.7875 0.7649 0.7752 0.7496 0.6923

8時 0.8331 0.8657 0.898 0.8778 0.8785 0.8368 0.7609

9時 0.8993 0.942 0.9522 0.9398 0.9358 0.89 0.8177

10時 0.9292 0.958 0.9741 0.9658 0.9626 0.9114 0.8381

11時 0.8542 0.8829 0.8904 0.8915 0.8829 0.8326 0.7794

12時 0.8183 0.8389 0.8477 0.843 0.8416 0.8015 0.7461

13時 0.8854 0.914 0.9106 0.9191 0.9172 0.8603 0.7862

14時 0.8878 0.9203 0.911 0.9128 0.916 0.8571 0.7886

15時 0.8912 0.9186 0.9118 0.9096 0.9166 0.8571 0.7974

16時 0.8833 0.912 0.9071 0.8966 0.8995 0.8425 0.8148

17時 0.8545 0.872 0.8652 0.8612 0.8567 0.8157 0.8043

18時 0.8341 0.8501 0.8474 0.8248 0.8333 0.7932 0.7752

19時 0.8388 0.8586 0.8459 0.8338 0.8334 0.799 0.7601

20時 0.8323 0.8521 0.8331 0.8304 0.8336 0.7916 0.7401

21時 0.7641 0.7928 0.7618 0.7657 0.7688 0.742 0.6797

22時 0.7374 0.7515 0.7312 0.7303 0.7422 0.7118 0.6469

23時 0.6754 0.6796 0.6659 0.656 0.6726 0.6397 0.5913

最高溫度 0.0023 0.0031 0.0028 0.002 0.0023 0.0023 0.0014

最低溫度 0 0.0003 0.0006 0.0003 0.0006 0.0003 0.0003

天氣 0 0 0 1 0.5 0 0

5.實(shí)驗(yàn)仿真結(jié)果

5.1 參數(shù)設(shè)計

（1）BP神經(jīng)網(wǎng)絡(luò)：學(xué)習(xí)速率η=0.1，學(xué)習(xí)目標(biāo)ε=0.00001，最大循環(huán)次數(shù)100次。

（2）ELMAN神經(jīng)網(wǎng)絡(luò)：訓(xùn)練次數(shù)300次，mc的值為0.9，自適應(yīng)學(xué)習(xí)速率初始學(xué)習(xí)速率為0.01，訓(xùn)練目標(biāo)為0.0001，學(xué)習(xí)速度增長比例因子為1.05，學(xué)習(xí)速率下降比例因子為0.7，最大確認(rèn)失敗次數(shù)為5。

（3）PSO算法：種群規(guī)模N=20，最大進(jìn)化次數(shù)為100次，慣性權(quán)重ω從0.9到0.4線性減小。

（4）本文以前20天每個時辰的負(fù)荷值作為訓(xùn)練樣本集數(shù)據(jù)，以第21天的每個時辰的負(fù)荷值作為測試樣本集數(shù)據(jù)。

5.2 實(shí)驗(yàn)結(jié)果

圖1 經(jīng)PSO算法優(yōu)化的BP、ELMAN網(wǎng)絡(luò)預(yù)測輸出與期望輸出比較

通過實(shí)驗(yàn)我們可以看出：

從圖1中可以明顯看出，經(jīng)PSO-ELMAN神經(jīng)網(wǎng)絡(luò)預(yù)測值與期望值十分接近，預(yù)測效果要明顯好于經(jīng)PSO―BP神經(jīng)網(wǎng)絡(luò)預(yù)測的結(jié)果，經(jīng)PSO-BP神經(jīng)網(wǎng)絡(luò)預(yù)測誤差平均值為0.031792，而PSO-ELMAN神經(jīng)網(wǎng)絡(luò)預(yù)測誤差平均值為0.016792。PSO-ELMAN網(wǎng)絡(luò)預(yù)測結(jié)果要比PSO-BP網(wǎng)絡(luò)預(yù)測結(jié)果精度高得多。

參考文獻(xiàn)

篇7

關(guān)鍵詞： FPGA； BP神經(jīng)網(wǎng)絡(luò)； 線性擬合； 非線性擬合； 自適應(yīng)訓(xùn)練

中圖分類號： TN702.2?34； TP183 文獻(xiàn)標(biāo)識碼： A 文章編號： 1004?373X（2016）15?0115?04

Abstract： Using software for neural network has the disadvantages of low parallelism and slow speed， the hardware design resource utilization of the traditional neural network is high， and the network training is uncontrollable. To solve these problems， a new FPGA?based design method of back propagation （BP） neural network is proposed. The method can realize the Sigmoid excitation function through piecewise linear fitting and nonlinear fitting based on symmetry， and uses the finite state machine （FSM） to accomplish the training times adaption based on error. The Verilog HDL language is used to design the 1?3?1 BP neural network to approximate the function [y=cosx.] The resource occupancy of the network is 2 756 LEs， the training times are 1 583， the average relative error of the network test sample is 0.6%， and the maximum clock frequency is 82.3 MHz. The verification results show that the neural network designed with the method has the advantages of less resource occupancy， high accuracy and fast running speed， and can control the network training automatically.

Keywords： FPGA； BP neural network； linear fitting； nonlinear fitting； adaptive training

0 引 言

人工神經(jīng)網(wǎng)絡(luò)（ANNs）[1]通常都是采用基于軟件的方法實(shí)現(xiàn)。但作為一個并行計算系統(tǒng)，軟件實(shí)現(xiàn)的方法存在速度慢的缺點(diǎn)，而硬件方式具有高并行性的特點(diǎn)，適合于人工神經(jīng)網(wǎng)絡(luò)。FPGA作為一種通用的硬件設(shè)計平臺，其內(nèi)部分布式的資源與神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)非常契合，是一個實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)硬件化設(shè)計的良好選擇。

資源占用是FPGA設(shè)計的一個重要考量因素，而網(wǎng)絡(luò)訓(xùn)練是神經(jīng)網(wǎng)絡(luò)功能實(shí)現(xiàn)的基礎(chǔ)。已有的神經(jīng)網(wǎng)絡(luò)硬件設(shè)計工作在這兩方面還存在巨大的空間。例如，薛維琴等利用FPGA實(shí)現(xiàn)了BP神經(jīng)網(wǎng)絡(luò)[2]，該網(wǎng)絡(luò)經(jīng)過訓(xùn)練能夠描述非線性函數(shù)，但沒有提出BP神經(jīng)網(wǎng)絡(luò)的激勵函數(shù)和訓(xùn)練控制模塊的具體硬件實(shí)現(xiàn)方法。李利歌等提出了直接利用查找表實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)激勵函數(shù)的方法[3]，但是查找表存在占用資源大，運(yùn)行速度慢的缺點(diǎn)。張海燕等采用基于查找表的STAM算法實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)激勵函數(shù)[4]，且文中也沒有提到訓(xùn)練控制模塊。Javier Valls等提出利用CORDIC算法實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)的激勵函數(shù)[5]，資源利用率低，但是存在精度不足的問題。劉培龍利用分段擬合實(shí)現(xiàn)激勵函數(shù)[6]，但是激勵函數(shù)資源占用較多。

基于這一現(xiàn)狀，本文通過對Sigmoid函數(shù)基于對稱性分段擬合以及基于誤差的訓(xùn)練自適應(yīng)技術(shù)，提出了一種新的神經(jīng)網(wǎng)絡(luò)FPGA設(shè)計方法。該方法設(shè)計的神經(jīng)網(wǎng)絡(luò)資源占用少，網(wǎng)絡(luò)訓(xùn)練自適應(yīng)，同時還具有精度高，運(yùn)行速度快的優(yōu)點(diǎn)。

1 BP神經(jīng)網(wǎng)絡(luò)的FPGA設(shè)計

根據(jù)BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，本文將網(wǎng)絡(luò)劃分為神經(jīng)元模塊、激勵函數(shù)模塊、誤差計算模塊，權(quán)值更新模塊、權(quán)值存儲模塊以及自適應(yīng)網(wǎng)絡(luò)訓(xùn)練模塊。圖1給出了不同功能模塊之間的連接和訓(xùn)練過程。其中，權(quán)值存儲模塊和輸入神經(jīng)元將輸入層的權(quán)值以及訓(xùn)練的樣本輸入到隱含層神經(jīng)元進(jìn)行乘累加運(yùn)算，其結(jié)果輸入到激勵函數(shù)模塊得到激勵函數(shù)輸出，該輸出和隱含層的權(quán)值作為輸出層神經(jīng)元的輸入得到本次訓(xùn)練結(jié)果。該結(jié)果再經(jīng)過誤差計算模塊計算誤差值和權(quán)值改變量。權(quán)值改變量在權(quán)值更新模塊中得到新權(quán)值存入到權(quán)值存儲模塊。誤差值輸入到自適應(yīng)網(wǎng)絡(luò)訓(xùn)練模塊判斷網(wǎng)絡(luò)訓(xùn)練是否達(dá)到最優(yōu)。網(wǎng)絡(luò)訓(xùn)練達(dá)到最優(yōu)前，該過程循環(huán)，當(dāng)網(wǎng)絡(luò)訓(xùn)練達(dá)到最優(yōu)，自適應(yīng)訓(xùn)練模塊控制網(wǎng)絡(luò)停止訓(xùn)練。

系統(tǒng)中神經(jīng)元模塊、誤差計算模塊、權(quán)值更新模塊按照BP網(wǎng)絡(luò)算法規(guī)則可調(diào)用加、乘、乘累加等功能模塊，權(quán)值存儲模塊可調(diào)用RAM模塊。激勵函數(shù)模塊和自適應(yīng)訓(xùn)練模塊關(guān)乎系統(tǒng)資源占用及訓(xùn)練過程的實(shí)現(xiàn)，是本文BP神經(jīng)網(wǎng)絡(luò)FPGA設(shè)計的重點(diǎn)。

1.1 激勵函數(shù)模塊設(shè)計

激勵函數(shù)模塊是影響整個神經(jīng)網(wǎng)絡(luò)資源利用的主要因素之一，在保證誤差足夠小的前提下，激勵函數(shù)模塊資源占用越小越好。

式中含有指數(shù)運(yùn)算，較難在FPGA 中直接實(shí)現(xiàn)。利用Sigmoid函數(shù)具有對稱性以及較好的線性區(qū)域和非線性區(qū)域分界的特點(diǎn)，本文提出一種資源占用小、精度高的基于對稱性分段擬合的激勵函數(shù)硬件實(shí)現(xiàn)的方法。

考慮到Sigmoid函數(shù)的對稱性，只需完成[x>0]的區(qū)域硬件實(shí)現(xiàn)，根據(jù)對稱性即可求出[x0]區(qū)域，根據(jù)Sigmoid函數(shù)線性區(qū)域和非線性區(qū)域分界良好的特點(diǎn)，分別采用線性擬合和非線性擬合的方法分段逼近。具體而言，如圖2所示，將整個激勵函數(shù)模塊分為預(yù)處理模塊、函數(shù)逼近模塊以及最終輸出模塊三個子模塊。

1.1.1 預(yù)處理模塊

激勵函數(shù)的輸入[x]為16位定點(diǎn)數(shù)，最高位為符號位，中間五位為整數(shù)部分，后十位為小數(shù)部分。當(dāng)[x]輸入到激勵函數(shù)模塊時，首先進(jìn)行預(yù)處理。截取二進(jìn)制輸入[x]的最高位判斷[x>0]或者[x0]時，[x=x，]將[x]輸入到后續(xù)處理模塊，若判斷出[x

1.1.2 函數(shù)逼近模塊

基于對輸入[x]的預(yù)處理，此子模塊只需要對[x>0]的情況做線性擬合和非線性擬合。分段逼近函數(shù)如表1所示。

1.1.3 最終輸出模塊

最終輸出模塊由預(yù)處理模塊輸出的控制信號控制。若[x>0，]則控制信號控制最終輸出模塊直接輸出函數(shù)逼近模塊中[x]對應(yīng)的輸出[fx；]若[x

1.1.4 激勵函數(shù)模塊分析

按照上述設(shè)計方法完成激勵函數(shù)模塊的設(shè)計后，對激勵函數(shù)模塊進(jìn)行功能仿真和誤差分析。從-8～8以0.001為間隔生成測試數(shù)據(jù)輸入到激勵函數(shù)模塊，得到的ModelSim仿真結(jié)果如圖3所示，其各區(qū)間絕對誤差如表2所示。從中可以看出，各區(qū)間的誤差值均很小且誤差分布較為平均，體現(xiàn)出良好的逼近效果。

1.2 自適應(yīng)訓(xùn)練模塊設(shè)計

網(wǎng)絡(luò)訓(xùn)練是神經(jīng)網(wǎng)絡(luò)功能實(shí)現(xiàn)的基礎(chǔ)。神經(jīng)網(wǎng)絡(luò)隨著訓(xùn)練的進(jìn)行，權(quán)值逐漸改變，誤差逐漸減小，但如果網(wǎng)絡(luò)訓(xùn)練不能適時結(jié)束，造成過度訓(xùn)練，則網(wǎng)絡(luò)性能會變差。然而對網(wǎng)絡(luò)訓(xùn)練的控制在硬件上并不易設(shè)計，故很多工作未討論這一點(diǎn)或簡單的以固定周期來完成訓(xùn)練。本文提出了一種基于可容忍誤差值的自適應(yīng)網(wǎng)絡(luò)訓(xùn)練硬件設(shè)計方法，可有效的自動控制神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程。

分析神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程，每一次輸入樣本值都會在本次訓(xùn)練完成時得到一個誤差值，當(dāng)誤差在可以容忍的范圍內(nèi)可以認(rèn)為網(wǎng)絡(luò)已經(jīng)訓(xùn)練完成。認(rèn)為在給定的可容忍誤差值的情況下，如果連續(xù)兩次整個樣本集輸入得到的誤差絕對值都要比給定的可容忍誤差值要小，則該神經(jīng)網(wǎng)絡(luò)訓(xùn)練已經(jīng)達(dá)到最優(yōu)。根據(jù)這個思想，提出利用有限狀態(tài)機(jī)實(shí)現(xiàn)自適應(yīng)網(wǎng)絡(luò)訓(xùn)練。

如圖4所示，有限狀態(tài)機(jī)的狀態(tài)數(shù)是樣本集中樣本數(shù)的兩倍，狀態(tài)機(jī)初始為零狀態(tài)。當(dāng)某一次訓(xùn)練得到的誤差絕對值小于可容忍誤差值時，狀態(tài)機(jī)進(jìn)入第一個狀態(tài)。若緊鄰的下一次訓(xùn)練得到的誤差絕對值也小于可容忍誤差值，狀態(tài)機(jī)進(jìn)入下一個狀態(tài)，否則狀態(tài)機(jī)狀態(tài)回到第0個狀態(tài)。當(dāng)狀態(tài)機(jī)跳轉(zhuǎn)到最后一個狀態(tài)時，網(wǎng)絡(luò)訓(xùn)練完成，此時輸出控制信號控制權(quán)值存儲模塊停止權(quán)值更新，提示信號提示訓(xùn)練完成。該模塊的分析需要結(jié)合網(wǎng)絡(luò)中的其他模塊，故測試結(jié)果在下一節(jié)中給出。

2 驗(yàn)證和分析

2.1 驗(yàn)證平臺

根據(jù)上述方法，設(shè)計了一個1?3?1三層BP神經(jīng)網(wǎng)絡(luò)驗(yàn)證其性能。驗(yàn)證平臺為Altera公司的EP2C70F896C6。

以[y=cosx]函數(shù)為學(xué)習(xí)對象，從[0～2π]之間以[0.062 5π]為間隔選取33個樣本組成樣本集，隨機(jī)選取其中25個作為訓(xùn)練樣本，剩下8個作為測試樣本。神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值的選取具有一定的隨機(jī)性，根據(jù)網(wǎng)絡(luò)需要逼近的函數(shù)數(shù)值大小，輸入層到隱含層的初始權(quán)值矩陣[W1=[2.5，0.5，-0.3]，]隱含層到輸出層的初始權(quán)值矩陣[W2=[0.35，0.4，0.3]，]隱含層閾值選為[0.2，0.3，0.4]，輸出層閾值選為[0.3]。隱含層的學(xué)習(xí)率設(shè)為0.4，輸出層的學(xué)習(xí)率設(shè)為0.3，容忍誤差設(shè)為0.01。

2.2 結(jié)果分析

ModelSim仿真得到的結(jié)果如圖5所示，從圖5中可以看出該BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練是自適應(yīng)的。當(dāng)網(wǎng)絡(luò)訓(xùn)練到最優(yōu)時，產(chǎn)生一個控制信號和一個提示信號以及網(wǎng)絡(luò)訓(xùn)練的次數(shù)，此時權(quán)值存儲器的值不再變化，訓(xùn)練完成。

25個訓(xùn)練樣本集訓(xùn)練的平均誤差為0.003，分析8個測試樣本集的誤差，如表3所示。從表3中可以看出，其誤差與訓(xùn)練數(shù)據(jù)的誤差大體相當(dāng)且均很小。計算測試樣本的平均相對誤差為0.6%，小于1%，說明該方法實(shí)現(xiàn)的基于FPGA的BP神經(jīng)網(wǎng)絡(luò)精度較高。

將該網(wǎng)絡(luò)下載至Altera公司EP2C70F896C6的FPGA中，其最高時鐘頻率為82.3 MHz，可見該方法具有運(yùn)行速度快的優(yōu)點(diǎn)。將該神經(jīng)網(wǎng)絡(luò)資源占用情況與已有相關(guān)工作的資源占用情況作對比，如表4所示。雖然其中各設(shè)計的規(guī)模和平臺有所差異（如1 Slice≈4 LEs），但仍可估算出即便添加了自適應(yīng)訓(xùn)練模塊，本設(shè)計對資源的占用依然較低。

從表5中可以看到，當(dāng)學(xué)習(xí)對象不同時，網(wǎng)絡(luò)訓(xùn)練的次數(shù)也不同，實(shí)現(xiàn)了訓(xùn)練過程的自適應(yīng)。由此亦可推至，若采用傳統(tǒng)的預(yù)設(shè)固定次數(shù)的方式完成訓(xùn)練，則對于不同學(xué)習(xí)對象難免會造成訓(xùn)練不充分或過度訓(xùn)練的情況，從而影響網(wǎng)絡(luò)的性能。因此，該表也進(jìn)一步證明了該設(shè)計自適應(yīng)訓(xùn)練的優(yōu)越性。

3 結(jié) 論

本文以典型的BP神經(jīng)網(wǎng)絡(luò)為例，提出了一種自適應(yīng)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)FPGA設(shè)計方法。通過對Sigmoid激勵函數(shù)基于對稱性做分段擬合減少了資源占用，使用基于可容忍誤差完成了網(wǎng)絡(luò)訓(xùn)練自適應(yīng)。該方法設(shè)計的神經(jīng)網(wǎng)絡(luò)具備訓(xùn)練可控、資源占用低、精度高的優(yōu)點(diǎn)。此方法不僅適合于 BP網(wǎng)絡(luò)，也可推廣至采用Sigmoid函數(shù)及需要訓(xùn)練控制的其他類型的神經(jīng)網(wǎng)絡(luò)。

注：本文通訊作者為常勝。

參考文獻(xiàn)

[1] 蔣宗禮.人工神經(jīng)網(wǎng)絡(luò)導(dǎo)論[M].北京：高等教育出版社，2001：15?16.

[2] 薛維琴，李莉華，戴明.基于FPGA的人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)的實(shí)現(xiàn)方法[J].電子設(shè)計工程，2010，18（9）：151?154.

[3] 李利歌，閻保定，侯忠.基于FPGA的神經(jīng)網(wǎng)絡(luò)硬件可重構(gòu)實(shí)現(xiàn)[J].河南科技大學(xué)學(xué)報（自然科學(xué)版），2009，30（1）：37?40.

[4] 張海燕，李欣，田書峰.基于BP神經(jīng)網(wǎng)絡(luò)的仿真線設(shè)計及其FPGA實(shí)現(xiàn)[J].電子與信息學(xué)報，2007，29（5）：1267?1270.

[5] VALLS J， KUHLMANN M， PARHI K K. Evaluation of CORDIC algorithms for FPGA design [J]. Journal of VLSI signal processing， 2002， 32（3）： 207?222.

篇8

關(guān)鍵詞： 小波神經(jīng)網(wǎng)絡(luò)； 網(wǎng)絡(luò)流量； 預(yù)測研究； 訓(xùn)練樣本

中圖分類號： TN711?34 文獻(xiàn)標(biāo)識碼： A 文章編號： 1004?373X（2016）23?0098?02

Research on network traffic prediction based on wavelet neural network

LI Xin， SUN Shanshan

（College of Information Engineering， Suihua University， Suihua 152000， China）

Abstract： The relevant theory and method of wavelet neural network are used to establish and predict the network traffic situation of a certain uptown. The acquired network traffic change situation is used as the training sample of the wavelet network to realize the traffic prediction of the network. The simulation results show that the constructed wavelet neural network model has high precision to predict the network traffic.

Keywords： wavelet neural network； network traffic； prediction research； training sample

0 引 言

隨著互聯(lián)網(wǎng)規(guī)模的不斷增大以及各種網(wǎng)絡(luò)“新應(yīng)用”、“新服務(wù)”的不斷涌現(xiàn)，網(wǎng)絡(luò)信息變得越來越龐大和多變，對網(wǎng)絡(luò)訪問流量進(jìn)行精確地預(yù)測從而實(shí)現(xiàn)對網(wǎng)絡(luò)運(yùn)行狀態(tài)的有效管理，已經(jīng)逐步成為目前的一個研究熱點(diǎn)。網(wǎng)絡(luò)流量預(yù)測是實(shí)現(xiàn)網(wǎng)絡(luò)控制、網(wǎng)絡(luò)規(guī)劃，保證網(wǎng)絡(luò)安全以及提高網(wǎng)絡(luò)服務(wù)質(zhì)量的重要前提。

網(wǎng)絡(luò)流量具有自相似性、長相關(guān)性和多重分形性等復(fù)雜性質(zhì)，對其進(jìn)行精確地預(yù)測一直以來都是一個難點(diǎn)。目前，常見的網(wǎng)絡(luò)流量預(yù)測方法主要有自回歸分析法、馬爾科夫分析法、分形布朗運(yùn)動分析法和神經(jīng)網(wǎng)絡(luò)分析法。與前面三種傳統(tǒng)方法相比，利用神經(jīng)網(wǎng)絡(luò)對網(wǎng)絡(luò)流量進(jìn)行預(yù)測具有預(yù)測精度高、方法簡單、泛化性強(qiáng)和穩(wěn)定性好的特點(diǎn)，正在逐步成為網(wǎng)絡(luò)流量預(yù)測研究中的主流方法。

文獻(xiàn)[1]根據(jù)網(wǎng)絡(luò)流量的變化特征，基于BP神經(jīng)網(wǎng)絡(luò)提出了一個P2P網(wǎng)絡(luò)流量預(yù)測模型，實(shí)現(xiàn)了網(wǎng)絡(luò)流量的較高精度預(yù)測。文獻(xiàn)[2]結(jié)合小波變換和人工神經(jīng)網(wǎng)絡(luò)的優(yōu)勢，建立一種網(wǎng)絡(luò)流量預(yù)測的小波神經(jīng)網(wǎng)絡(luò)模型，通過將流量時間序列進(jìn)行小波分解，獲得了網(wǎng)絡(luò)的訓(xùn)練和驗(yàn)證樣本，試驗(yàn)表明采用這種方法進(jìn)行流量預(yù)測，要比直接采用神經(jīng)網(wǎng)絡(luò)對樣本進(jìn)行預(yù)測的精度高。文獻(xiàn)[3]根據(jù)網(wǎng)絡(luò)流量自身的特征，研究了BP神經(jīng)網(wǎng)絡(luò)和小波神經(jīng)網(wǎng)絡(luò)在校園流量預(yù)測中的應(yīng)用，其所建立的模型，經(jīng)仿真驗(yàn)證證明，可以較好地預(yù)測學(xué)校網(wǎng)絡(luò)的流量變化情況，可以為校園網(wǎng)絡(luò)的規(guī)劃和管理提供一定參考。

小波神經(jīng)網(wǎng)絡(luò)是一種以BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)為基礎(chǔ)，把小波基函數(shù)作為隱含節(jié)點(diǎn)的傳遞函數(shù)，其拓?fù)浣Y(jié)構(gòu)如圖1所示。它類似于BP神經(jīng)網(wǎng)絡(luò)權(quán)值修正算法，采用梯度修正法修正網(wǎng)絡(luò)的權(quán)值和小波基函數(shù)參數(shù)，從而使小波神經(jīng)網(wǎng)絡(luò)預(yù)測輸出不斷逼近期望輸出[4?5]。

采用小波神經(jīng)網(wǎng)絡(luò)進(jìn)行網(wǎng)絡(luò)流量預(yù)測的基本流程如圖2所示。

1 網(wǎng)絡(luò)流量預(yù)測

1.1 試驗(yàn)數(shù)據(jù)來源

采用網(wǎng)絡(luò)流量監(jiān)測軟件對某小區(qū)的網(wǎng)絡(luò)流量進(jìn)行實(shí)時采集，得到了該小區(qū)5天內(nèi)的網(wǎng)絡(luò)流量數(shù)據(jù)，每隔15 min記錄一次該時間段內(nèi)的網(wǎng)絡(luò)流量值，一共獲得了480個時間點(diǎn)的數(shù)據(jù)。用4天共384個網(wǎng)絡(luò)流量的數(shù)據(jù)訓(xùn)練小波網(wǎng)絡(luò)，最后用訓(xùn)練好的小波神經(jīng)網(wǎng)絡(luò)預(yù)測第5天的網(wǎng)絡(luò)流量。為了避免局部數(shù)值偏移造成的誤差，本文采用編組的方式提高模型預(yù)測精度，用前三個時間點(diǎn)的網(wǎng)絡(luò)流量來綜合預(yù)測后一個時間點(diǎn)的網(wǎng)絡(luò)流量情況[6?7]。

圖1 小波神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)

圖2 小波神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測的流程圖

1.2 構(gòu)建小波神經(jīng)網(wǎng)絡(luò)模型

本文采用的小波基函數(shù)為Mexican Hat小波基函數(shù)，其表達(dá)式為：

[ψ（t）=（1-t2）e-t22ψ（ω）=2πω2e-ω22]

函數(shù)的時域和頻域波形圖如圖3所示[7?8]。

圖3 Mexican Hat函數(shù)的時域和頻域特征

本文采用的小波神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為3?5?1；輸入層有3個節(jié)點(diǎn)，表示預(yù)測時間節(jié)點(diǎn)前3個時間節(jié)點(diǎn)的網(wǎng)絡(luò)流量；隱含層有5個節(jié)點(diǎn)；輸入層有1個節(jié)點(diǎn)，為預(yù)測的網(wǎng)絡(luò)流量。設(shè)置網(wǎng)絡(luò)預(yù)期誤差值為[1×10-2，]將訓(xùn)練數(shù)據(jù)輸入到Matlab軟件中進(jìn)行訓(xùn)練，訓(xùn)練過程中小波神經(jīng)網(wǎng)絡(luò)的誤差變換情況如圖4所示。由圖4可知，該小波神經(jīng)網(wǎng)絡(luò)經(jīng)過58步運(yùn)算后收斂到預(yù)定精度要求。

用訓(xùn)練好的小波神經(jīng)網(wǎng)絡(luò)對該小區(qū)內(nèi)第五天的網(wǎng)絡(luò)流量情況進(jìn)行預(yù)測，預(yù)測結(jié)果與交通流量的實(shí)際值比較如圖5所示。在圖5中，加“*”曲線對應(yīng)預(yù)測數(shù)據(jù)，加“[]”曲線對應(yīng)實(shí)際數(shù)據(jù)，可以看到小波神經(jīng)網(wǎng)絡(luò)可以較好地預(yù)測網(wǎng)絡(luò)流量。

為了進(jìn)一步分析仿真結(jié)果，采用絕對值誤差均值（MAE）和絕對百分比誤差均值（MAPE）兩個指標(biāo)進(jìn)行評價分析，其中MAE和MAPE分別用下式計算[9]：

[MAE=1ni=1nxi-xiMAPE=1ni=1nxi-xixi×100%]

式中：[xi]表示模型的預(yù)測值；[xi]表示模型預(yù)測值的算術(shù)平均值；[n]為樣本數(shù)。

小波神經(jīng)網(wǎng)絡(luò)的MAE和MAPE值如表1所示。

從表1可以看出，本文構(gòu)建的小波神經(jīng)網(wǎng)絡(luò)的MAE值在3.36 GB左右，而MAPE值小于0.1，說明該預(yù)測模型可以較好地預(yù)測網(wǎng)絡(luò)流量的變化情況，反應(yīng)該小區(qū)的流量信息變化，為小區(qū)網(wǎng)絡(luò)的規(guī)劃和管理提供可靠的依據(jù)。

2 結(jié) 論

本文在網(wǎng)絡(luò)流量的預(yù)測研究中引入了小波神經(jīng)網(wǎng)絡(luò)模型，利用收集到的某小區(qū)5天內(nèi)的網(wǎng)絡(luò)流量變化數(shù)據(jù)作為訓(xùn)練和測試樣本對構(gòu)建的小波神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和測試研究。試驗(yàn)結(jié)果表明，本文構(gòu)建的小波神經(jīng)網(wǎng)絡(luò)具有較高的預(yù)測精度，可以對該小區(qū)網(wǎng)絡(luò)的流量變化情況進(jìn)行較高精度的預(yù)測。

參考文獻(xiàn)

[1] 韓志杰，王汝傳.一種新的 P2P 網(wǎng)絡(luò)流量預(yù)測模型[J].計算機(jī)科學(xué)，2008（9）：39?14.

[2] 雷霆，余鎮(zhèn)危.一種網(wǎng)絡(luò)流量預(yù)測的小波神經(jīng)網(wǎng)絡(luò)模型[J].計算機(jī)應(yīng)用，2006（3）：526?528.

[3] 張昕.校園網(wǎng)絡(luò)流量分析與預(yù)測研究[D].西安：西安電子科技大學(xué)，2012.

[4] 王鳴，孫奕鳴.小波支持向量機(jī)的網(wǎng)絡(luò)流量預(yù)測研究[J].計算機(jī)仿真，2012，29（11）：198?201.

[5] ZHANG Li， ZHOU Weida， JIAO Licheng. Wavelet support vector machine [J]. IEEE transactions on systems， man， and cybernetics， 2004， 34（1）： 34?39.

[6] 鄧遠(yuǎn).BP神經(jīng)網(wǎng)絡(luò)評價方法在交通流量評價方面的應(yīng)用[J].中國交通，2011，35（5）：146?151.

[7] 李遠(yuǎn)航.網(wǎng)絡(luò)流量預(yù)測技術(shù)的應(yīng)用[J].計算機(jī)工程應(yīng)用研究，2014，34（1）：131?138.

篇9

關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò)；機(jī)械工程；應(yīng)用

中圖分類號：TP183文獻(xiàn)標(biāo)識碼： A

1 人工神經(jīng)網(wǎng)絡(luò)類簡介

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks)是采用物理可實(shí)現(xiàn)的系統(tǒng)來模仿人腦神經(jīng)細(xì)胞的結(jié)構(gòu)和功能。它反映了生物神經(jīng)系統(tǒng)的基本特征，是對生物神經(jīng)系統(tǒng)的某種抽象、簡化與模擬。人工神經(jīng)網(wǎng)絡(luò)早在20 世紀(jì) 40～50 年代已被提出，但直到 20 世紀(jì) 80 年代后期，該技術(shù)才被人們廣為重視并應(yīng)用。神經(jīng)網(wǎng)絡(luò)的特征有：

1） 非線性。人類大腦的智慧就是一種非線性現(xiàn)象。處理元素處于激活或抑制兩種不同的狀態(tài)，這在數(shù)學(xué)上就是一種非線性關(guān)系。利用神經(jīng)網(wǎng)絡(luò)可以實(shí)現(xiàn)多變量之間的多種非線性映射，因而可以描述大規(guī)模非線性復(fù)雜系統(tǒng)。

2） 自學(xué)習(xí)自適應(yīng)能力。神經(jīng)網(wǎng)絡(luò)經(jīng)過前期的訓(xùn)練，能夠處理大量信息，并允許信息是變化的。除此以外，神經(jīng)網(wǎng)絡(luò)在處理信息的同時，能夠總結(jié)、綜合輸入信息和輸入信息以及已有信息之間的規(guī)律，采用迭代過程優(yōu)化自身的拓?fù)潢P(guān)系，豐富自身的知識和經(jīng)驗(yàn)，從而提高處理分析數(shù)據(jù)的能力。

3）并行性。輸入到神經(jīng)網(wǎng)絡(luò)中的信息是各處理元素并行處理的?，F(xiàn)代計算機(jī)CPU相當(dāng)于計算機(jī)的司令部，所有指令由CPU一條一條發(fā)出，串行工作。工作量很大時，效率必然很低。而神經(jīng)網(wǎng)絡(luò)所不同的是，每個處理元素相當(dāng)于一個獨(dú)立的微型CPU，各自獨(dú)立地從其他處理元素采集數(shù)據(jù)，分析綜合后再輸入到其他神經(jīng)元素。各個神經(jīng)元素相互獨(dú)立，又相互配合，無統(tǒng)一指揮。神經(jīng)網(wǎng)絡(luò)這一特性，使其對信息的響應(yīng)和處理效率大大提高。

4） 分布式信息存儲。神經(jīng)網(wǎng)絡(luò)的信息存儲不是分別存儲在各個處理元素中，而是存儲在處理元素之間的拓?fù)潢P(guān)系中。處理元素之間不同行的聯(lián)接方式反映了不同的存儲信息。輸入的信息在神經(jīng)網(wǎng)絡(luò)中傳播、調(diào)整，直到找到與之最佳匹配的存儲信息。在這一過程中，神經(jīng)網(wǎng)絡(luò)各部分信息相互補(bǔ)充，相互支持，并可以為不完整的信息找到最佳匹配。因此，神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的聯(lián)想能力和容錯能力。

2 、神經(jīng)網(wǎng)絡(luò)在機(jī)械工程中的應(yīng)用

2.1 CAD技術(shù)

目前，CAD技術(shù)已經(jīng)從傳統(tǒng)的繪圖功能發(fā)展為集需求分析、原理方案設(shè)計、初步結(jié)構(gòu)設(shè)計與分析、詳細(xì)設(shè)計、工程分析、工藝設(shè)計等功能于一身的CAD專家系統(tǒng)。但CAD專家系統(tǒng)存在自身缺陷。第一，知識的獲取存在“瓶頸”，主要來源于專家。第二，知識量越豐富，推理鏈越長，效率越低。第三，求解問題所需知識超出其知識庫，系統(tǒng)無能為力。而神經(jīng)網(wǎng)絡(luò)的應(yīng)用彌補(bǔ)了上述缺陷。其知識的獲取一部分通過前期訓(xùn)練，另一部分通過自身實(shí)踐。其信息處理過程是在自身知識網(wǎng)絡(luò)中尋找最佳匹配的過程，冗余知識耗用時間少。再有，神經(jīng)網(wǎng)絡(luò)的聯(lián)想能力和容錯能力使其處理問題時能夠克服自身知識量的約束?？梢?，神經(jīng)網(wǎng)絡(luò)可作為CAD專家系統(tǒng)很好的補(bǔ)充。

2.2 機(jī)械優(yōu)化設(shè)計

機(jī)械優(yōu)化設(shè)計，就是根據(jù)機(jī)械設(shè)計的規(guī)范，從設(shè)計問題中抽象出數(shù)學(xué)模型，采用數(shù)學(xué)歸納法和計算機(jī)技術(shù)，在約束條件下求目標(biāo)函數(shù)的最優(yōu)解?？蓱?yīng)用于機(jī)械優(yōu)化設(shè)計的主要有 BP 神經(jīng)網(wǎng)絡(luò)、反饋神經(jīng)網(wǎng)絡(luò)。

BP 神經(jīng)網(wǎng)絡(luò)BP 神經(jīng)網(wǎng)絡(luò)是一種應(yīng)用比較廣泛的人工神經(jīng)網(wǎng)絡(luò)，是模仿大腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和功能而建立的一種新型智能信息處理系統(tǒng)。它通過對人腦的形象思維、聯(lián)想記憶等的模擬和抽象來實(shí)現(xiàn)與人腦相似的識別、記憶等信息處理功能。BP 網(wǎng)絡(luò)具有較強(qiáng)的自適應(yīng)性和自組織性、高度并行信息處理能力、強(qiáng)大的非線性映射能力，硬件實(shí)現(xiàn)后分類速度快，可以快速準(zhǔn)確的實(shí)時處理等。根據(jù) Kosmagoro定理：在有合理的結(jié)構(gòu)和恰當(dāng)權(quán)值的條件下，三層前饋網(wǎng)絡(luò)可以逼近任意的連續(xù)函數(shù)，所以從簡捷實(shí)用的角度一般只選取一個隱層。標(biāo)準(zhǔn)的 BP 網(wǎng)絡(luò)相鄰兩層的神經(jīng)元之間全連接，每層內(nèi)的神經(jīng)元沒有連接。機(jī)械優(yōu)化設(shè)計中，可利用 BP 神經(jīng)網(wǎng)絡(luò)的非線性映射能力進(jìn)行機(jī)械系統(tǒng)的結(jié)構(gòu)優(yōu)化設(shè)計和多目標(biāo)優(yōu)化設(shè)計。利用BP 神經(jīng)網(wǎng)絡(luò)模型還可以進(jìn)行機(jī)械產(chǎn)品的多目標(biāo)優(yōu)化設(shè)計。利用BP神經(jīng)網(wǎng)絡(luò)的非線性映射能力，在進(jìn)行優(yōu)化設(shè)計時，可以避開確定各個目標(biāo)函數(shù)的權(quán)重，較為有效地進(jìn)行多目標(biāo)優(yōu)化設(shè)計。其方法是：首先根據(jù)產(chǎn)品的具體情況構(gòu)造一個 BP 神經(jīng)網(wǎng)絡(luò)，以各個設(shè)計變量作為這個神經(jīng)網(wǎng)絡(luò)的輸入向量，以各個分目標(biāo)函數(shù)作為這個神經(jīng)網(wǎng)絡(luò)的輸出向量，利用已有的經(jīng)驗(yàn)數(shù)據(jù)訓(xùn)練該網(wǎng)絡(luò)，確定網(wǎng)絡(luò)各個聯(lián)接的聯(lián)接權(quán)重，即確定設(shè)計變量空間到目標(biāo)函數(shù)空間的映射關(guān)系，然后在進(jìn)行系列產(chǎn)品設(shè)計時，根據(jù)業(yè)已確定的設(shè)計變量空間到目標(biāo)函數(shù)空間的映射關(guān)系，確定各個設(shè)計變量的取值，從而達(dá)到新產(chǎn)品的綜合性能最優(yōu)，達(dá)到多目標(biāo)優(yōu)化設(shè)計的目的。

2） 反饋神經(jīng)網(wǎng)絡(luò)

1982 年，美國加州理工學(xué)院生物物理學(xué)家 J.Hopfield，提出了模擬人腦聯(lián)想記憶功能的神經(jīng)網(wǎng)絡(luò)模型- 反饋神經(jīng)網(wǎng)絡(luò)。該神經(jīng)網(wǎng)絡(luò)模型是由一些相互雙向連接的神經(jīng)元組成，每個聯(lián)接有一個權(quán)值。網(wǎng)絡(luò)中每個神經(jīng)元的輸出均反饋到同一層次其它神經(jīng)元的輸入上。由這種拓?fù)浣Y(jié)構(gòu)構(gòu)成的網(wǎng)絡(luò)在沒有外部輸入的情況下，網(wǎng)絡(luò)自身狀態(tài)的演化使得網(wǎng)絡(luò)收斂到一個穩(wěn)定態(tài)；在該穩(wěn)定狀態(tài)下，兩神經(jīng)元之間的聯(lián)接權(quán)值相等，網(wǎng)絡(luò)趨于平衡，Hopfield 等人將能量函數(shù)引入到該網(wǎng)絡(luò)結(jié)構(gòu)中，并以此來判定該方法的穩(wěn)定性。將 Hopfield 神經(jīng)網(wǎng)絡(luò)模型應(yīng)用到機(jī)械優(yōu)化設(shè)計中，其關(guān)鍵是在機(jī)械優(yōu)化設(shè)計問題與Hopfield 神經(jīng)網(wǎng)絡(luò)模型之間建立一種對應(yīng)關(guān)系，用人工神經(jīng)網(wǎng)絡(luò)有效地表示優(yōu)化設(shè)計中的設(shè)計變量、約束條件和目標(biāo)函數(shù)，將該種神經(jīng)網(wǎng)絡(luò)的動態(tài)演化過程與機(jī)械優(yōu)化設(shè)計的在解空間尋優(yōu)過程對應(yīng)起來。

2.3 故障診斷

機(jī)械故障診斷在產(chǎn)品維修保養(yǎng)方面有廣闊的應(yīng)用前景，受到廣泛重視。故障狀態(tài)信息和故障原因之間是一種非線性映射關(guān)系。而神經(jīng)網(wǎng)絡(luò)對處理非線性復(fù)雜問題有獨(dú)特的優(yōu)越性。首先，從傳感器獲得的信息是工況信息的集合，神經(jīng)網(wǎng)絡(luò)可以從中提取出故障征兆信息，相當(dāng)于濾波；然后利用聯(lián)想能力和自適應(yīng)能力對故障征兆進(jìn)行分析，從而判斷是否有故障或者故障類型；最后將處理結(jié)果作為輸出。

2.4 工況檢測與控制

機(jī)械加工制造過程中的參數(shù)如溫度、應(yīng)力、振動、慣性力等具有復(fù)雜性和隨機(jī)性。傳統(tǒng)的精確數(shù)學(xué)模型應(yīng)用受到一定限制。而神經(jīng)網(wǎng)絡(luò)為復(fù)雜的非線性映射問題提供了解決辦法。神經(jīng)網(wǎng)絡(luò)經(jīng)過前期培訓(xùn)和學(xué)習(xí)，對輸入的非線性復(fù)雜信號進(jìn)行分析，識別出工藝系統(tǒng)的狀態(tài)，并根據(jù)經(jīng)驗(yàn)給出控制策略，實(shí)現(xiàn)在線控制，主動控制。

2.5 智能控制與機(jī)器人工程

對于可抽象精確數(shù)學(xué)模型的問題，傳統(tǒng)的控制方法已非常有效，但對于復(fù)雜的控制系統(tǒng)，如機(jī)器人控制系統(tǒng)，很難建立精確數(shù)學(xué)模型。其接受的信號為非確定的非線性信號。利用神經(jīng)系統(tǒng)的自適應(yīng)性，充分逼近已有數(shù)學(xué)模型，利用自身組織能力迅速作出反饋，其聯(lián)想能力和容錯能力大大提供了系統(tǒng)處理不確定信號的能力。因此，可作為機(jī)器人的自適應(yīng)控制器。此外，神經(jīng)網(wǎng)絡(luò)在可靠性設(shè)計、自動設(shè)計、專家系統(tǒng)、幾何建模等方面也得到較廣泛的應(yīng)用。

3 結(jié)語

隨著人工神經(jīng)網(wǎng)絡(luò)相關(guān)理論的研究，更多優(yōu)化網(wǎng)絡(luò)模型的建立，以及計算機(jī)技術(shù)的發(fā)展，神經(jīng)網(wǎng)絡(luò)在機(jī)械方面會得到更加充分的利用。從而為機(jī)械產(chǎn)品在設(shè)計、制造、評估、使用和維護(hù)等階段提供巨大便利，推動機(jī)械制造業(yè)向前飛速發(fā)展。

參考文獻(xiàn)

[1]徐秉錚.神經(jīng)網(wǎng)絡(luò)理論與應(yīng)用.廣州：華南理工大學(xué)出版社.

[2]黃洪鐘，黃文培，王金諾.神經(jīng)挽留過技術(shù)在機(jī)械工程中的應(yīng)用與展望.機(jī)械科學(xué)與技術(shù)，1995.4

篇10

【關(guān)鍵詞】人工神經(jīng)網(wǎng)絡(luò)；故障診斷；模式識別；Matlab軟件

一、人工神經(jīng)網(wǎng)絡(luò)綜述

BP神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用最為廣泛和成功的神經(jīng)網(wǎng)絡(luò)之一，它是由一個輸入層，一個或多個隱層以及一個輸出層組成，上下層之間實(shí)現(xiàn)全連接，而每層神經(jīng)元之間沒有連接。網(wǎng)絡(luò)的學(xué)習(xí)過程包括信號正向傳播和誤差反向傳播。在正向傳播進(jìn)程中，輸入信息從輸入層經(jīng)隱層加權(quán)處理傳向輸出層，經(jīng)功能函數(shù)運(yùn)算后得到的輸出值與期望值進(jìn)行比較，若有誤差，則誤差反向傳播，沿原先的連接通道返回，通過逐層修改各層的權(quán)重系數(shù)，減小誤差。隨著這種誤差逆向傳播修正的不斷進(jìn)行，網(wǎng)絡(luò)對輸入模式響應(yīng)的正確率也不斷上升。

二、人工神經(jīng)網(wǎng)絡(luò)的識別、診斷過程

滾動軸承在設(shè)備中是比較典型的，本文以滾動軸承的故障識別、診斷為例。進(jìn)行模式識別的大體步驟為：首先對經(jīng)過零均值化后的振動信號數(shù)據(jù)進(jìn)行時域、頻域分析，將篩選后的有效時域、頻域特征值作為人工神經(jīng)網(wǎng)絡(luò)輸入層的輸入，經(jīng)Matlab軟件進(jìn)行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，最后可得出一個可以識別軸承工作狀態(tài)的神經(jīng)網(wǎng)絡(luò)，進(jìn)而可以對滾動軸承進(jìn)行模式識別。可見采用振動信號檢測法對機(jī)器設(shè)備進(jìn)行故障診斷的過程包含信號采集、特征提取、狀態(tài)識別、故障分析和決策干預(yù)等五個基本環(huán)節(jié)，在滾動軸承故障診斷中，振動信號的采集是關(guān)鍵，保證信號采集的準(zhǔn)確性、合理性和實(shí)時性是正確實(shí)現(xiàn)故障診斷的前提。（1）信號采集。每臺機(jī)器設(shè)備都有自身的固有頻率，若設(shè)備發(fā)生故障，其頻率變化，其振動信號也會發(fā)生變化。因此，振動信號可以作為故障診斷的一個重要標(biāo)準(zhǔn)。在信號采集中主要用到加速度傳感器、電荷放大器、帶濾波的A/D轉(zhuǎn)換器。先通過壓電式加速度傳感器對振動信號進(jìn)行拾取，然后經(jīng)過電荷放大器及通過帶濾波的A/D轉(zhuǎn)換電路得到微機(jī)可以識別的數(shù)字信號，從而實(shí)現(xiàn)振動信號的采集。（2）特征值提取。為了便于觀察，要把采樣點(diǎn)的值分布在0附近，故先對采集的采樣點(diǎn)值進(jìn)行零均值化。用matlab對零均值化后的的采樣點(diǎn)進(jìn)行時域、頻域分析。時域分析是計算振動信號的在時域范圍內(nèi)的特征參數(shù)，包括：平均值、方差、均方根、峰值峰值因子、峭度系數(shù)等參數(shù)。頻域分析是對零均值化后數(shù)據(jù)進(jìn)行傅里葉變換，繪制頻譜圖，對不同樣本故障軸承和正常軸承的頻譜圖進(jìn)行對比，找出幅值差別比較明顯的幾組，作為頻域分析的特征值。由于各個特征值的幅值大小不一致，不便于比較同一特征值在不同樣本之間的差異，所以對所有有效特征值進(jìn)行歸一化，歸一化后的結(jié)果可以作為神經(jīng)網(wǎng)絡(luò)的輸入值。（3）模式識別和故障分析。在狀態(tài)檢測過程中，樣本數(shù)據(jù)來源于實(shí)驗(yàn)數(shù)據(jù)分析后提取的有效特征值，這些有效的特征值作為神經(jīng)網(wǎng)絡(luò)的輸入。神經(jīng)網(wǎng)絡(luò)的輸出為軸承狀態(tài)，分為正常軸承和故障軸承（也可以把故障具體分，比如內(nèi)圈、外圈、滾動體故障等），可以用（0 1）表示正常軸承，（1 1）表示故障軸承，因此網(wǎng)絡(luò)中設(shè)計2個輸出神經(jīng)元表示這2個狀態(tài)。對軸承的不同狀態(tài)進(jìn)行識別，建立神經(jīng)網(wǎng)絡(luò)對它進(jìn)行訓(xùn)練，可以用公式（其中是輸入層神經(jīng)元數(shù)，是隱層神經(jīng)元數(shù)）大體的計算出隱層神經(jīng)元層數(shù)。我們設(shè)計一個隱層可以隨意改變的BP神經(jīng)網(wǎng)絡(luò)，通過誤差對比確定隱層數(shù)目。設(shè)定神經(jīng)網(wǎng)絡(luò)的隱含層神經(jīng)元的傳遞函數(shù)為tansig，輸出層神經(jīng)元的傳遞函數(shù)為logsig，目標(biāo)誤差為0.001，最大訓(xùn)練步數(shù)為1000。由以上設(shè)計寫出網(wǎng)絡(luò)訓(xùn)練代碼，經(jīng)Matlab運(yùn)行，找出網(wǎng)絡(luò)誤差最小所對應(yīng)層數(shù)，該層數(shù)作為神經(jīng)網(wǎng)絡(luò)的隱層。

確定神經(jīng)網(wǎng)絡(luò)的隱層后便可確定神經(jīng)網(wǎng)絡(luò)的最終結(jié)構(gòu)，下一步就要對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，使人工神經(jīng)網(wǎng)絡(luò)所產(chǎn)生的網(wǎng)絡(luò)誤差小于目標(biāo)誤差，對神經(jīng)網(wǎng)絡(luò)訓(xùn)練好以后，接下來就是對軸承的測試，神經(jīng)網(wǎng)絡(luò)測試代碼為：y=sim（net，測試數(shù)據(jù)）。把正常軸承和故障軸承的測試數(shù)據(jù)導(dǎo)入Matlab程序中，結(jié)果整理后可得（以實(shí)驗(yàn)室中的一組實(shí)驗(yàn)數(shù)據(jù)為例）：

用均值表示結(jié)果為：

把預(yù)先設(shè)定好的狀態(tài)值和測試后的結(jié)果進(jìn)行比較，很清楚的可以辨別出正常軸承和故障軸承?？梢?，對機(jī)器設(shè)備或者系統(tǒng)的故障診斷實(shí)質(zhì)是一個模式識別過程。利用神經(jīng)網(wǎng)絡(luò)的模式識別能力，直接識別系統(tǒng)的當(dāng)前模式，實(shí)現(xiàn)正常模式和故障模式之間、以及不同故障模式或不同故障程度之間的區(qū)分。

參 考 文 獻(xiàn)