導語：如何才能寫好一篇神經(jīng)網(wǎng)絡的難點，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(guān)鍵詞】人工神經(jīng)網(wǎng)絡 路徑規(guī)劃 移動機器人

1 引言

在移動機器人導航技術(shù)應用過程中，路徑規(guī)劃是一種必不可少的算法，路徑規(guī)劃要求機器人可以自己判定障礙物，以便自主決定路徑，能夠避開障礙物，自主路徑規(guī)劃可以自動的要求移動機器人能夠安全實現(xiàn)智能化移動的標志，通常而言，機器人選擇的路徑包括很多個，因此，在路徑最短、使用時間最短、消耗的能量最少等預定的準則下，能夠選擇一條最優(yōu)化的路徑，成為許多計算機學者研究的熱點和難點。

2 背景知識

神經(jīng)網(wǎng)絡模擬生物進化思維，具有獨特的結(jié)構(gòu)神經(jīng)元反饋機制，其具有分布式信息存儲、自適應學習、并行計算和容錯能力較強的特點，以其獨特的結(jié)構(gòu)和信息處理方法，在自動化控制、組合優(yōu)化領(lǐng)域得到了廣泛的應用，尤其是大規(guī)模網(wǎng)絡數(shù)據(jù)分析和態(tài)勢預測中，神經(jīng)網(wǎng)絡能夠建立一個良好的分類學習模型，并且在學習過程中優(yōu)化每一層的神經(jīng)元和神經(jīng)元連接的每一個節(jié)點。1993年，Banta等將神經(jīng)網(wǎng)絡應用于移動機器人路徑規(guī)劃過程中，近年來，得到了廣泛的研究和發(fā)展，morcaso等人構(gòu)建利用一個能夠?qū)崿F(xiàn)自組織的神經(jīng)網(wǎng)絡實現(xiàn)機器人導航的功能，并且可以通過傳感器訓練網(wǎng)絡，取得更好的發(fā)展，確定系統(tǒng)的最佳路徑。神經(jīng)網(wǎng)絡拓撲結(jié)構(gòu)模型可以分為：

2.1 前向網(wǎng)絡

網(wǎng)絡中各個神經(jīng)元接受前一級的輸入，并輸出到下一級，網(wǎng)絡中沒有反饋，可以用一個有向無環(huán)路圖表示。這種網(wǎng)絡實現(xiàn)信號從輸入空間到輸出空間的變換，它的信息處理能力來自于簡單非線性函數(shù)的多次復合。網(wǎng)絡結(jié)構(gòu)簡單，易于實現(xiàn)。反傳網(wǎng)絡是一種典型的前向網(wǎng)絡。

2.2 反饋網(wǎng)絡

網(wǎng)絡內(nèi)神經(jīng)元間有反饋，可以用一個無向的完備圖表示。這種神經(jīng)網(wǎng)絡的信息處理是狀態(tài)的變換，可以用動力學系統(tǒng)理論處理。系統(tǒng)的穩(wěn)定性與聯(lián)想記憶功能有密切關(guān)系。Hopfield網(wǎng)絡、波耳茲曼機均屬于這種類型。

3 基于人工神經(jīng)網(wǎng)絡的移動機器人路徑規(guī)劃算法

神經(jīng)網(wǎng)絡解決移動機器人路徑規(guī)劃的思路是：使用神經(jīng)網(wǎng)絡算法能夠描述機器人移動環(huán)境的各種約束，計算碰撞函數(shù)，該算法能夠?qū)⒌窂近c集作為碰撞能量函數(shù)和距離函數(shù)的和當做算法需要優(yōu)化的目標函數(shù)，通過求解優(yōu)化函數(shù)，能夠確定點集，實現(xiàn)路徑最優(yōu)規(guī)劃。神經(jīng)網(wǎng)絡算法在移動機器人路徑規(guī)劃過程中的算法如下：

（1）神將網(wǎng)絡算法能夠初始化神經(jīng)網(wǎng)絡中的所有神經(jīng)元為零，確定目標點位置的神經(jīng)元活性值，并且能夠神經(jīng)網(wǎng)絡每層的神經(jīng)元連接將神經(jīng)元的值傳播到出發(fā)點；

（2）動態(tài)優(yōu)化神經(jīng)網(wǎng)絡，根據(jù)神經(jīng)網(wǎng)絡的目標節(jié)點和障礙物的具置信息，在神經(jīng)網(wǎng)絡拓撲結(jié)構(gòu)中的映射中產(chǎn)生神經(jīng)元的外部輸入；

（3）確定目標值附件的神經(jīng)元活性值，并且使用局部側(cè)的各個神經(jīng)元之間，連接整個神經(jīng)網(wǎng)絡，并且在各個神經(jīng)元中進行傳播。

（4）利用爬山法搜索當前鄰域內(nèi)活性值最大的神經(jīng)元，如果鄰域內(nèi)的神經(jīng)元活性值都不大于當前神經(jīng)元的活性值，則機器人保持在原處不動；否則下一個位置的神經(jīng)元為鄰域內(nèi)具有最大活性值的神經(jīng)元。

（5）如果機器人到達目標點則路徑規(guī)劃過程結(jié)束，否則轉(zhuǎn)步驟（2）。

4 基于人工神經(jīng)網(wǎng)絡的移動機器人路徑規(guī)劃技術(shù)展望

未來時間內(nèi)，人工神經(jīng)在機器人路徑規(guī)劃過程中的應用主要發(fā)展方向包括以下幾個方面：

4.1 與信息論相融合，確定神經(jīng)網(wǎng)絡的最優(yōu)化化目標解

在神經(jīng)網(wǎng)絡應用過程中，由于經(jīng)驗值較為難以確定，因此在神經(jīng)網(wǎng)絡的應用過程中，將神經(jīng)網(wǎng)絡看做是一個貝葉斯網(wǎng)絡，根據(jù)貝葉斯網(wǎng)絡含有的信息熵，確定神經(jīng)網(wǎng)絡的目標函數(shù)的最優(yōu)解，以便更好的判斷機器人移動的最佳路徑。

4.2 與遺傳算法想結(jié)合，確定全局最優(yōu)解

將神經(jīng)網(wǎng)絡和遺傳算法結(jié)合起來，其可以將機器人的移動環(huán)境設(shè)置為一個二維的環(huán)境，障礙物的數(shù)目、位置和形狀是任意的，路徑規(guī)劃可以由二維工作空間一系列的基本點構(gòu)成，神經(jīng)網(wǎng)絡決定機器人的運動控制規(guī)則，利用相關(guān)的神經(jīng)元的傳感器作用獲未知環(huán)境的情況，將障礙信息和目標點之間的距離作為神經(jīng)網(wǎng)絡的輸入信息，使用遺傳算法完成神經(jīng)網(wǎng)絡的權(quán)值訓練，神經(jīng)網(wǎng)絡的輸出作為移動機器人的運動作用力，實現(xiàn)一個可以在未知環(huán)境中進行的機器人運動路徑規(guī)劃。

4.3 與蟻群算法相結(jié)合，降低搜索空間，提高路徑規(guī)劃準確性

為了提高神經(jīng)網(wǎng)絡的搜索準確性和提高效率，可以將蟻群算法與神經(jīng)網(wǎng)絡相互結(jié)合，蟻群算法的路徑規(guī)劃方法首先采用柵格法對機器人工作環(huán)境進行建模，然后將機器人出發(fā)點作為蟻巢位置，路徑規(guī)劃最終目標點作為蟻群食物源，通過螞蟻間相互協(xié)作找到一條避開障礙物的最優(yōu)機器人移動路徑。

5 結(jié)語

隨著移動機器人技術(shù)的發(fā)展，路徑規(guī)劃作為最重要的一個組成部分，其得到了許多的應用和發(fā)展，其在導航過程中，也引入了許多先進的算法，比如神經(jīng)網(wǎng)絡，更加優(yōu)化了移動的路徑。未來時間內(nèi)，隨著神經(jīng)網(wǎng)絡技術(shù)的改進，可以引入遺傳算法、信息論、蟻群算法等，將這些算法優(yōu)勢結(jié)合，將會是路徑規(guī)劃更加準確和精確。

參考文獻

[1]朱大奇,顏明重,滕蓉. 移動機器人路徑規(guī)劃技術(shù)綜述[J].控制與決策,2010,25(7): 961-967.

[2]劉毅.移動機器人路徑規(guī)劃中的仿真研究[J].計算機仿真,2011,28(6): 227-230.

[3]熊開封,張華.基于改進型 FNN 的移動機器人未知環(huán)境路徑規(guī)劃[J].制造業(yè)自動化,2013,35(22): 1-4.

[4]柳長安,鄢小虎,劉春陽.基于改進蟻群算法的移動機器人動態(tài)路徑規(guī)劃方法[J].電子學報,2011,39(5).

[5]范浩鋒,劉俊.基于 BP 神經(jīng)網(wǎng)絡的紅外目標識別技術(shù)[J].計算機與數(shù)字工程,2013,41(4): 559-560.

篇2

關(guān)鍵詞:神經(jīng)網(wǎng)絡; FPGA;可重構(gòu);羊絨;近紅外光譜

中圖分類號：TP183文獻標識碼：A文章編號：1009-3044(2012)09-2092-04

Research of Neural Network in Cashmere Near Infrared Spectroscopy Identification Based on FPGA

GUO Fei1，LIU Jing-jing2

(1. School of Information Engineering, Beijing Institute of Fashion Technology, Beijing 100029, China; 2. Library, Beijing Institute of Fashion Technology, Beijing 100029, China)

Abstract：In order to realize real-time requirement, an implementing method of reconfigurable Neural Network based on FPGA was introduced. First the optimal weights ware gotten by using improved BP Neural Network algorithm in software, and then on the base of improved approaching method of excitation function the identification of cashmere Near Infrared Spectroscopy model was realized by using FPGA. The simulation experiments demonstrate that the method has better identification accuracy and speed, and it is an effective method of cashmere Near Infrared Spectroscopy modeling based on hardware, and it will laid the foundation for embedded realization of cashmere and wool identification.

Key words：neural network; FPGA; reconfigurable; cashmere; near infrared spectroscopy

人工神經(jīng)網(wǎng)絡(Artificial Neural Network, ANN)以其良好的非線性映射能力被越來越多地應用到了復雜系統(tǒng)的建模和控制中[1-3]。以軟件形式實現(xiàn)的神經(jīng)網(wǎng)絡，無法滿足實時性要求高的領(lǐng)域，所以神經(jīng)網(wǎng)絡的硬件實現(xiàn)方法成為新的熱點方向。

數(shù)字神經(jīng)網(wǎng)絡的硬件實現(xiàn)方法一般有數(shù)字信號處理（DSP）、專用集成電路（ASIC）、現(xiàn)場可編程門陣列（FPGA）三種。其中DSP是串行實現(xiàn)，ASIC不可重構(gòu)。基于FPGA的可重構(gòu)計算很好的適應了神經(jīng)神經(jīng)網(wǎng)絡并行、模塊化、動態(tài)適應性強的特點，是硬件實現(xiàn)神經(jīng)網(wǎng)絡的首選[4-6]。FPGA實現(xiàn)具有大量神經(jīng)元的神經(jīng)網(wǎng)絡仍然很具挑戰(zhàn)性。主要有三個難點：一、神經(jīng)網(wǎng)絡激勵函數(shù)的表示方法；二、權(quán)值精度的數(shù)據(jù)表示方法；三、大量乘法器造成的資源浪費。這三點決定了FPGA的執(zhí)行速度、精度和資源利用率。

該文以羊絨近紅外光譜的辨識為應用背景，提出了一種面向工程應用的BP神經(jīng)網(wǎng)絡硬件實現(xiàn)方法。根據(jù)該文數(shù)據(jù)特點，首先優(yōu)化BP神經(jīng)網(wǎng)絡算法，并對神經(jīng)網(wǎng)絡進行訓練，獲得最優(yōu)權(quán)值；其次采用改進的混合激活函數(shù)表示方法，結(jié)合較好的數(shù)據(jù)表示精度基于FPGA實現(xiàn)BP神經(jīng)網(wǎng)絡的羊絨近紅外光譜數(shù)據(jù)模型，在保證精度的同時提高了資源利用率。

1 BP神經(jīng)網(wǎng)絡及其優(yōu)化算法描述

BP神經(jīng)網(wǎng)絡(Back-Propagation Neural Network，BP)是一種單向傳播的多層前饋神經(jīng)網(wǎng)絡，采用非線性可微分函數(shù)進行權(quán)值訓練。BP神經(jīng)網(wǎng)絡具有三層及以上結(jié)構(gòu)，包括輸入層、1層或多層隱含層、輸出層[7-8]。典型的三層BP神經(jīng)網(wǎng)絡結(jié)構(gòu)如圖1所示。

圖中黑圈表示輸入恒為1的神經(jīng)元，其目的是把閾值當成特殊的權(quán)值看，在硬件實現(xiàn)過程中，統(tǒng)一為乘累加計算，減少減法器的使用。

BP神經(jīng)網(wǎng)絡的算法分為三步：前向傳播、誤差反向傳播、權(quán)值更新，其數(shù)學描述如下：

前向傳播實現(xiàn)了n維空間向量到m維空間向量的映射。隱含層節(jié)點的輸出為：

hk=f1(∑

2 BP神經(jīng)網(wǎng)絡硬件實現(xiàn)

系統(tǒng)采用模塊化設(shè)計方法，主要包括乘累加、權(quán)值存儲、激勵函數(shù)實現(xiàn)、控制功能模塊。系統(tǒng)結(jié)構(gòu)圖如圖2所示：圖2系統(tǒng)硬件結(jié)構(gòu)圖2.1數(shù)據(jù)表示

神經(jīng)網(wǎng)絡的FPGA實現(xiàn)存在資源限制和精度之間的沖突。需要根據(jù)實際情況對神經(jīng)網(wǎng)絡的各種數(shù)據(jù)進行精度分析，盡量提高資源利用率。因為定點小數(shù)表示效果優(yōu)于浮點小數(shù)[9]，所以該文采用定點小數(shù)來表示數(shù)據(jù)。根據(jù)文本的實際情況，輸入樣本經(jīng)歸一化后范圍為[0,1],采用16位定點數(shù)表示（1，15），1位符號位，15位小數(shù)。權(quán)值范圍為[38，-18],采用21位定點數(shù)表示（1，6，14）。結(jié)果范圍為[-1,1]采用16位定點數(shù)表示（1，15），1位符號位，15位小數(shù)。

2.2乘累加設(shè)計

輸入x和權(quán)值w相乘后輸出用21位（1，6，14）定點數(shù)表示，為了防止累加溢出，乘累加后輸出用25（1，10，14）位定點數(shù)表示。

2.3激勵函數(shù)實現(xiàn)

BP神經(jīng)網(wǎng)絡的FPGA設(shè)計中，激勵函數(shù)的實現(xiàn)是重點和難點。該文采用tan-s函數(shù)作為激勵函數(shù)，其表達式如下：

f(x)=

激勵函數(shù)的逼近算法主要有：泰勒級數(shù)逼近法、坐標旋轉(zhuǎn)法、查表法、分段法。泰勒級數(shù)和分段法所占資源少但精度較差。坐標旋轉(zhuǎn)法和查表法精度高，但資源利用率低[10-12]。該文提出一種折線法、查表法及等分相加法相結(jié)合的混合表示方法，在提高精度的同時提高了資源的利用率。

tan-s函數(shù)在[-10,10]的范圍內(nèi)的波形如圖3所示：圖3 tan-s波形圖

從圖3中可以看出，當輸入大于等于6時,可以將激勵函數(shù)輸出直接賦值為1；輸入小于等于-6，可直接賦值為-1，此時誤差為1.23e-05，滿足性能要求。

激勵函數(shù)tan-s的FPGA實現(xiàn)主要是在[-6,6]范圍內(nèi)的實現(xiàn)。由于其關(guān)于x=0對稱，所以只討論x大于0的情況。把x按照表1所示劃分為3個區(qū)間，每種區(qū)間采用不同的實現(xiàn)方法。

表1 S函數(shù)各區(qū)間實現(xiàn)方法表

實現(xiàn)方法折線法查表法等分相加法

S=1

當x∈[0,1]區(qū)間內(nèi)采用五段折線逼近，如式（9）所示，逼近效果如圖4所示。當x∈(1,3]時逼近效果較差，采用查表法（LUT）實現(xiàn)tan-s函數(shù)。當x∈(3,6)時，激勵函數(shù)輸出為(0.9951,1)，已經(jīng)非常逼近1，所以在此范圍內(nèi)采用等分相加的策略。即以0.1為一個間隔范圍，每次在0.9951的基礎(chǔ)等量增加0.00016。采用以上改進的混合激勵函數(shù)實現(xiàn)方法，在保證精度的前提下，提高了資源的利用率，是一種有效的tan-s激勵函數(shù)硬件實現(xiàn)方法。

3羊絨近紅外光譜數(shù)據(jù)實驗分析

以羊絨近紅外光譜模型辨識為背景，在FPGA上進行BP神經(jīng)網(wǎng)絡實現(xiàn)仿真。BP神經(jīng)網(wǎng)絡結(jié)構(gòu)為四層（2-10-7-1），即輸入層2個節(jié)點，第一隱含層10個節(jié)點，第二層隱含層7個節(jié)點，輸出層1個節(jié)點，其中輸入層、隱含層各包括一個輸入恒為1的節(jié)點。系統(tǒng)采用Altera公司Cyclonell系列的EP2C35型FPGA，綜合軟件使用QuartusⅡ7.1。樣本以流水線的方式讀取，即第n個樣本xn在第t,t+1,t+2,t+3個時鐘周期依次進入輸入層、隱含層1、隱含層2、輸出層。xn+1個樣本在t+1時鐘周期進入輸入層，依次計算輸出。這樣xn+1個樣本的處理不需要等待樣本xn完全處理完。同層的神經(jīng)元間為并行計算，層與層間為流水線處理，節(jié)約處理時間。圖5為FPGA輸出和期望輸出的對比曲線，從圖中可以看出FPGA輸出曲線和期望值很接近，能夠很好的對羊絨近紅外光譜圖進行辨識。圖6為誤差曲線，從圖中可以看出，最大誤差為0.043，滿足性能要求，能夠較精確的對羊絨近紅外光譜進行建模。

4結(jié)論

羊絨和羊毛的鑒別是纖維鑒別領(lǐng)域的重要研究課題。而羊絨、羊毛模型的建立是鑒別的基礎(chǔ)。該文基于FPGA實現(xiàn)了BP神經(jīng)網(wǎng)絡，在保證數(shù)據(jù)精度的前提下，改進了tan-s激勵函數(shù)的實現(xiàn)方法，并應用于羊絨近紅外光譜辨識中，取得了較好的仿真結(jié)果。硬件實現(xiàn)羊絨近紅外光譜模型為羊絨、羊毛鑒別的嵌入式實現(xiàn)奠定了基礎(chǔ)。實驗說明，羊絨近紅外光譜模型的FPGA實現(xiàn)精度取決于數(shù)據(jù)表示精度和激勵函數(shù)的實現(xiàn)逼近程度，要提高辨識精度需要從這兩方面改進。

參考文獻:

[1]韓力群.人工神經(jīng)網(wǎng)絡教程[M].北京:北京郵電大學出版社, 2006.

[2]高雋.人工神經(jīng)網(wǎng)絡原理及仿真實例[M].北京:機械工業(yè)出版社, 2007.

[3]趙俊,陳建軍.非線性系統(tǒng)模糊神經(jīng)網(wǎng)絡控制的改進策略[J].控制理論與應用, 2010, 27（4）: 466-472.

[4]王守覺,李兆洲,陳向東,等.通用神經(jīng)網(wǎng)絡硬件中神經(jīng)元基本數(shù)學模型的討論[J].電子學報, 2001, 29（5）: 577-580.

[5]李昂,王沁,李占才,等.基于FPGA的神經(jīng)網(wǎng)絡硬件實現(xiàn)方法[J].北京科技大學學報, 2007, 29（1）: 90-95.

[6]潘松,黃繼業(yè),曾毓.SOPC技術(shù)實用教程[M].北京:清華大學出版社, 2005.

[7]陳作炳,艾春庭,夏雪峰.BP神經(jīng)網(wǎng)絡仿真軟件[J].計算機仿真, 2001, 18（4）: 23-24.

[8]林加鄉(xiāng),葛元.淺談BP神經(jīng)網(wǎng)絡在模式識別中的應用[J].電腦知識與技術(shù), 2011,(7）: 1543-1545.

[9] Jordan L Holt, Jenq-Neng Hwang. Finite Precision Error Analysis of Neural Network Hardware Implementations [J]. IEEE Transactions on Computers, 1993, 42（3）: 281-290.

[10]張海燕,李欣,田書峰.基于BP神經(jīng)網(wǎng)絡的仿真線設(shè)計及其FPGA實現(xiàn)[J].電子與信息學報, 2007, 29（5）: 1267-1270.

篇3

關(guān)鍵詞： 物聯(lián)網(wǎng)； BP神經(jīng)網(wǎng)絡； 環(huán)境參數(shù)監(jiān)測； 設(shè)備環(huán)境

中圖分類號： TN911?34 文獻標識碼： A 文章編號： 1004?373X（2017）03?0012?03

Research on IOT equipment environmental monitoring technology

based on neural network

PAN Xiang

（Department of Computer， Guangxi Cadres University of Economic and Management， Nanning 530007， China）

Abstract： The parameters of smog， water logging， temperature and humidity in the equipment working environment are collected and processed by means of the related technical methods based on Internet of Things （IOT）， and analyzed by means of BP neural network to evaluate the equipment working environment. The simulation results show that the method proposed in this paper can monitor the environmental parameters effectively and issue an early warning according to the parameters， and let the system users understand the status of the current environment explicitly.

Keywords： IOT； BP neural network； environmental parameter monitoring； equipment environment

0 引 言

各種電子設(shè)備所處的環(huán)境對其工作性能和使用壽命有著重要的影響，所以目前人們開始越來越多的對設(shè)備工作環(huán)境進行監(jiān)測。對設(shè)備環(huán)境進行有效的監(jiān)測，一方面必須利用各種傳感器技術(shù)對溫度、濕度等環(huán)境參數(shù)進行準確及時的獲取和處理；另一方面，必須構(gòu)建一個有效的分析監(jiān)測模型，能夠?qū)@些復雜的參數(shù)綜合表征的環(huán)境狀態(tài)進行評價和判斷。而這兩個方面都涉及許多技術(shù)難點，因此，本文參照目前比較新的研究思路，引入物聯(lián)網(wǎng)的相關(guān)技術(shù)和方法對溫度等四個環(huán)境因素進行準確的采集和處理，再利用BP神經(jīng)網(wǎng)絡技術(shù)對獲得的數(shù)據(jù)進行分析，以判斷目前環(huán)境的情況，該方法具有實現(xiàn)簡單，監(jiān)測準確率高的優(yōu)點。

1 物聯(lián)網(wǎng)

1.1 物聯(lián)網(wǎng)的結(jié)構(gòu)

物聯(lián)網(wǎng)是伴隨著計算C和互聯(lián)網(wǎng)技術(shù)的發(fā)展而出現(xiàn)的一個全新概念。它一般指采用多種智能傳感設(shè)備，諸如各種傳感器、射頻識別技術(shù)、GPS、激光或紅外探測器等各種裝置，實時采集任何需要監(jiān)控、連接、互動的物體或過程，采集其聲、光、熱、電、力學、化學、生物、位置等各種需要的信息，與互聯(lián)網(wǎng)結(jié)合形成的一個巨大網(wǎng)絡，以進行信息交換和通信[1]。 一個完整的物聯(lián)網(wǎng)一般由感知層、網(wǎng)絡層和應用層組成，如圖1所示。

其中，感知層網(wǎng)絡的主要作用是對實體信息的感知，信息的采集和智能識別等功能；網(wǎng)絡層是人與人之間、人與物之間和物與物之間通信的傳輸媒介，主要向應用層提供安全可靠的傳輸機制；應用層的主要功能就是對網(wǎng)絡層傳輸?shù)暮Ａ繑?shù)據(jù)進行存儲、分析和智能處理等，根據(jù)不同的應用需求對數(shù)據(jù)進行處理[2]。

1.2 基于物聯(lián)網(wǎng)的設(shè)備環(huán)境監(jiān)測原理

為了對設(shè)備的運行環(huán)境狀況進行實時監(jiān)測，以使相關(guān)人員能夠清楚地了解到目前環(huán)境的狀況。本文通過物聯(lián)網(wǎng)，利用IPv6等無線通信技術(shù)，將各種傳感器、路由網(wǎng)絡和神經(jīng)網(wǎng)絡系統(tǒng)等進行連接，從而實現(xiàn)對溫度、煙霧、水浸等環(huán)境參數(shù)的實時監(jiān)測。

本文設(shè)計的監(jiān)測物聯(lián)網(wǎng)主要由感知層的18個無線傳感器和應用層的BP神經(jīng)網(wǎng)絡監(jiān)測分析系統(tǒng)組成。在底層，各種不同的傳感器采集到的數(shù)據(jù)通過IPv6組成的無線網(wǎng)絡通過各自的路由器發(fā)送至無線網(wǎng)關(guān)，無線網(wǎng)關(guān)通過交換機與服務器相連，服務器接收到數(shù)據(jù)后，會利用構(gòu)建好的BP神經(jīng)網(wǎng)絡模型對這些數(shù)據(jù)進行整理分析，以判斷環(huán)境所處的具體狀態(tài)。

2 BP神經(jīng)網(wǎng)絡

2.1 BP神經(jīng)網(wǎng)絡的原理

BP神經(jīng)網(wǎng)絡是一種前饋型誤差修正網(wǎng)絡，它通過不斷調(diào)整各個單元層之間的網(wǎng)絡權(quán)值和閾值實現(xiàn)網(wǎng)絡的訓練。BP神經(jīng)網(wǎng)絡主要運行由信號的正向傳播和誤差的逆向傳播兩個過程組成，通過不斷地權(quán)重調(diào)整，可以實現(xiàn)網(wǎng)絡誤差的不斷縮小。

2.2 原始數(shù)據(jù)的獲得

位于底層的傳感器網(wǎng)絡一共包含4個路由器（含網(wǎng)卡）和18個無線傳感器（含3個水浸傳感器、4個煙霧傳感器、6個溫度傳感器和5個濕度傳感器）。通過傳感器和路由器組建傳感器的物聯(lián)網(wǎng)絡實現(xiàn)對環(huán)境信息的獲取，并上傳至數(shù)據(jù)處理中心。將各個類型傳感器收集到的數(shù)據(jù)分別進行加權(quán)平均，由于水浸和煙霧為簡單的“是否”問題，因此用0和1表示，結(jié)果如表1所示。

2.3 定義輸入和輸出樣本數(shù)據(jù)

定義輸入樣本數(shù)據(jù)，從表1的20組數(shù)據(jù)中選擇10組作為輸入樣本，在Matlab命令空間中輸入歸一后的數(shù)據(jù)，歸一化按照式（1）進行：

[yi=xi-minximaxxi-minxi， i=1，2…，n] （1）

本文直接調(diào)用Matlab軟件中的premnmx函數(shù)進行歸一化運算，經(jīng)過歸一化后的評價指標[yi]在[0，1]之間。為了簡化仿真模型，特對輸出狀態(tài)進行編碼，模型輸出為評價環(huán)境的優(yōu)、良、中、差、危險5種狀態(tài)，定義期望輸出向量如表2所示。

2.4 構(gòu)建BP神經(jīng)網(wǎng)絡模型

本文采用含一個隱藏層的神經(jīng)網(wǎng)絡結(jié)構(gòu)進行分析，由于輸入單元為4，輸出單元為5，根據(jù)經(jīng)驗公式可選隱含層單元數(shù)為1～10之間的整數(shù)，采用試湊法得到了隱含層神經(jīng)元與均方平均值（MSE）的曲線關(guān)系，如圖2所示。其中隱層神經(jīng)元數(shù)目為9時，得到的MSE值最小為14，所以確定的隱含層神經(jīng)元數(shù)為9。

2.5 BP神經(jīng)網(wǎng)絡模型的訓練

在Matlab中代入這8組樣本向量對構(gòu)建的網(wǎng)絡進行訓練，期望誤差設(shè)為10?6，訓練過程中，BP神經(jīng)網(wǎng)絡誤差的變化形式如圖3所示。

由圖3可知，當訓練經(jīng)過58次迭代之后，達到了滿意的誤差期望。獲得理想的神經(jīng)網(wǎng)絡模型后，在剩余樣本中選擇8組數(shù)據(jù)對該BP神經(jīng)網(wǎng)絡進行檢驗測試實驗，輸入主代碼：result_test=sim（net，ptest）[′]。

在Matlab中輸入表1中的所有數(shù)據(jù)，經(jīng)過整理的結(jié)果如表4所示。

由表4可以看到，表中字體加深的數(shù)據(jù)，即第2組環(huán)境狀態(tài)為中，第四組環(huán)境狀態(tài)為良的檢測數(shù)據(jù)分別誤判為良和中。為了提高模型的檢測精度，將這兩組作為訓練樣本加入訓練集中，重新對網(wǎng)絡進行訓練，圖4是新構(gòu)建的神經(jīng)網(wǎng)絡訓練時使誤差下降的情況。

由圖4可知，增加這兩組數(shù)據(jù)后，模型的收斂速度獲得了提升，達到相同精度，僅需要33步即可收斂，表5是用剩下的8組數(shù)據(jù)進行檢測的仿真結(jié)果。

由表5可以看到，經(jīng)過2次訓練后，本文構(gòu)建的神經(jīng)網(wǎng)絡對樣本的判斷結(jié)果均正確，對環(huán)境具有較好的監(jiān)測功能。

3 結(jié) 論

本文主要研究了基于物聯(lián)網(wǎng)的設(shè)備環(huán)境監(jiān)測方法，構(gòu)建了能夠根據(jù)煙霧、水浸、溫度和濕度等環(huán)境參數(shù)準確判斷環(huán)境狀態(tài)的BP神經(jīng)網(wǎng)絡模型。在仿真過程中發(fā)現(xiàn)將第一次訓練的錯誤數(shù)據(jù)代入原模型作為訓練樣本，并進行兩次訓練可以大大提高神經(jīng)網(wǎng)絡模型的精度。系統(tǒng)可在環(huán)境參數(shù)出現(xiàn)異常狀況前告知使用者，從而避免事故發(fā)生，具有較大的實用意義。

參考文獻

[1] 劉飛.物聯(lián)網(wǎng)的應用分析研究[J].電子技術(shù)，2013（1）：12?18.

[2] 鄭偉.一N基于BP 神經(jīng)網(wǎng)絡技術(shù)的物聯(lián)網(wǎng)監(jiān)控預警系統(tǒng)設(shè)計與實現(xiàn)[D].北京：北京工業(yè)大學，2015.

[3] 王億之.神經(jīng)網(wǎng)絡算法在物聯(lián)網(wǎng)中的應用研究[J].計算機應用研究，2015（3）：128?132.

[4] 林華.基于BP神經(jīng)網(wǎng)絡改進算法的檢測方法[J].計算機工程，2015（8）：143?149.

篇4

關(guān)鍵詞:BP神經(jīng)網(wǎng)絡,半干法脫硫工藝,鈣硫比

一、引言

循環(huán)流化床煙氣脫硫工藝是半干法脫硫工藝的一種,是使用粒狀脫硫劑及其他各個因素在脫硫塔內(nèi)相反應以降低煙氣中的SO2含量。該工藝具有流程比較簡單、較少的耗水量、平均投入資金少、固化排出物、無廢水排放等優(yōu)點。此工藝與濕法脫硫工藝相比,相對成本低比較低,對于很多熱電廠是很好的選擇,受到了眾多熱電廠的青睞。

在脫硫過程中如何控制凈煙氣中SO2含量、降低鈣硫比是目前研究的重點和難點,也是半干法脫硫工藝目的所在。國家已經(jīng)訂立了強制性的二氧化硫排放標準,即由400mg/Nm3進一步嚴格控制為200mg/Nm3的限值,并且增加了監(jiān)管力度。這對于目前的脫硫系統(tǒng)是一個重大的考驗。由此,二氧化硫的排放量的預測在實際工作的重要性也不盡凸現(xiàn)出來。然而目前對于循環(huán)流化床煙氣脫硫工藝的預測的研究比較少,這嚴重阻礙了脫硫工藝的發(fā)展。通過合理及準確的預測二氧化硫的排放量,可以很好的確定在脫硫中各個因素所占的比重,從而為下一步的優(yōu)化提供有力的證據(jù)和科學依據(jù)。對于企業(yè)來講,也可以據(jù)此調(diào)整產(chǎn)業(yè)結(jié)構(gòu),減低成本。

本文中采用的數(shù)據(jù)為國家某電廠脫硫數(shù)據(jù),此電廠自2008年設(shè)計和改造了脫硫除塵系統(tǒng),屬于典型的經(jīng)預除塵后煙氣先脫硫后除塵的布置方式,其設(shè)計鈣硫比為1.3,但是實際運行中,鈣硫比高達2.3~2.5,極大的增加了脫硫裝置的運行成本,經(jīng)廠家多次調(diào)試和改造,沒有明顯改善。BP神經(jīng)網(wǎng)絡是一種多層前饋型神經(jīng)網(wǎng)絡,目前的研究發(fā)現(xiàn),三層的神經(jīng)網(wǎng)絡可以模擬從輸入到輸出的任意非線性函數(shù)映射關(guān)系,其權(quán)值的調(diào)整采用反向傳播的學習算法。其主要應用于四個方面:函數(shù)逼近,模式識別,分類,數(shù)據(jù)壓縮。經(jīng)過調(diào)整權(quán)值,實現(xiàn)對數(shù)據(jù)的在精確范圍內(nèi)的預測,輔助下一步的優(yōu)化工作。

二、構(gòu)造BP神經(jīng)網(wǎng)絡模型

構(gòu)建神經(jīng)網(wǎng)絡一般需要進行三個步:神經(jīng)網(wǎng)絡生成,初始化權(quán)值和仿真。

BP神經(jīng)網(wǎng)絡的學習規(guī)則是要保證網(wǎng)絡權(quán)值和閥值要沿著負梯度方向修正,以實現(xiàn)映射函數(shù)的最快下降方向。其基本形式為:

wk+1=wk-ηkdk

其中wk為權(quán)值或閥值矩陣,dk是映射函數(shù)的梯度,ηk是學習率。

假設(shè)三層BP神經(jīng)網(wǎng)絡,輸入節(jié)點xi,隱層節(jié)點hj,輸出節(jié)點yl,輸入層節(jié)點與隱層節(jié)點之間的權(quán)值為wji,隱層節(jié)點與輸出層節(jié)點之間的權(quán)值為vlj,θi為相應的閾值。輸出節(jié)點的期望值為tl。

隱層節(jié)點的輸出:hj=f(∑iwjixi-θj)=f(netj)

其中netj=∑iwjixi-θj

輸出節(jié)點的輸出:netl=∑jvljhj-θlyl=f(∑jvljyj-θl)=f(netl)

其中:E=12∑l(tl-yl)2=12∑l(tl-f(∑jvljf(∑iwjixi-θj)-θl))2

輸出節(jié)點誤差為:Evlj=∑nk=1Eykykvlj=Eylylvlj

1. 誤差函數(shù)對輸出節(jié)點求導:

Ewlj=∑nk=1Eykykvlj=Evlylvlj

2. 誤差函數(shù)對隱層節(jié)點求導:

Ewji=∑i∑jEylylhjhjwji

3. 閥值的修正:

在修正權(quán)值的過程中,也應該考慮對閾值的修正,其修正原理同權(quán)值修正基本一致。

誤差函數(shù)對輸出節(jié)點閥值求導:

Eθl=Eylylθl

誤差函數(shù)對隱層節(jié)點閥值求導

Eθj=∑Eylylhjhjθj

f(x)=11+e-x

4. 傳遞函數(shù):

f(x)=21+e-x

S型傳遞函數(shù)

三、數(shù)據(jù)分析

在循環(huán)流化床煙氣脫硫工藝中,影響脫硫效率的因子比較多,主要分為5部分:原煙氣、凈煙氣、水路部分、增壓風機部分和吸收劑部分。其中原煙氣包括:硫化床阻力、塔前溫度、塔前壓力、塔后壓力、氧含量、平均壓差和二氧化硫含量;凈煙氣包括:二氧化硫含量、氧含量、粉塵濃度、出口壓力、出口溫度、煙氣流量;水路部分包括:出口流量、回水流量、工藝水量;增壓風機包括:增壓風機電機電流信號、增壓風機入口擋板開度;吸收劑部分包括:吸收劑送風壓力、吸收劑給料機開度。其中塔前壓力和塔后壓力各有兩個監(jiān)測點,平均壓差=塔后壓力—塔前壓力;工藝水量=出口流量—回水流量。

四、算法分析

在預測之前,首先需要對數(shù)據(jù)進行清理,除去數(shù)據(jù)中得一些噪音。數(shù)據(jù)清理在數(shù)據(jù)分析中是一個重要的步驟,對數(shù)據(jù)合理的清理可以加快算法收斂速率,提高預測準確度。本文中所采用的數(shù)據(jù)都為清理后的數(shù)據(jù),保證了預測的準確度。

此外,由于數(shù)據(jù)中各個變量的變化差異比較大,在應用之前也需要對其歸一化處理。設(shè)數(shù)據(jù)中任意變量矩陣為X,X=x1,x2,…xn,則任意xi,i=1,2…n為此變量中得數(shù)據(jù)。歸一化處理:

X′=X/max(X)。

數(shù)據(jù)中得每一變量都經(jīng)過此歸一化方法進行歸一化處理。

從數(shù)據(jù)中可以分析得到,該BP神經(jīng)網(wǎng)絡模型的有21個輸入變量,即影響因素;1個輸出變量,此輸出為凈煙氣的二氧化硫的含量。在本文中,筆者采用三層BP神經(jīng)網(wǎng)絡,輸入層包含21個神經(jīng)元,隱含層包含了20個神經(jīng)元,輸出層包含1個神經(jīng)元。

圖1所示為利用BP神經(jīng)網(wǎng)絡訓練的仿真;圖2所示為預測值與實際值得比較圖。

通過BP神經(jīng)網(wǎng)絡的仿真訓練圖,我們可以看到,經(jīng)過305次迭代神經(jīng)網(wǎng)絡停止,預測精度約為0.0072。

圖1BP神經(jīng)網(wǎng)絡仿真圖2預測值與原值比較圖

五、結(jié)語

通過仿真,利用BP神經(jīng)網(wǎng)絡不斷的訓練,實現(xiàn)了對循環(huán)流化床煙氣脫硫工藝預測,并實現(xiàn)了預測值與實際值得比較。從實驗中,可以看出,預測值存在的一定的誤差。今后本課題的目標就是更加減小誤差值,盡量滿足預測的需要。

在符合實際情況下的高精度預測,對于預測主題是非常重要的。利用預測可是預知不利的情況,提前做好防范。并且可以為進一步優(yōu)化提供了便利條件。利用預測值,可以客觀的驗證優(yōu)化的效率及程度。(作者單位:河北大學管理學院)

參考文獻:

[1]范麗婷,李鴻儒,王福利.半干法煙氣脫硫工藝在絕熱飽和溫差的軟測量[J].儀器儀表學報,2009,30(7).

[2]董長虹.Matlab神經(jīng)網(wǎng)絡與應用[M].國防工業(yè)出版社,北京,2005.

[3]展錦程,冉景煜,孫圖星. 煙氣脫硫吸收塔反應過程的數(shù)值模擬及試驗研究[J]. 動力工程,2008,28(3).

篇5

關(guān)鍵詞：徑向基神經(jīng)網(wǎng)絡（RBFN）； 超高壓； 繼電保護； LLS； 梯度下降法

中圖分類號：TN911-34; TP332 文獻標識碼：A

文章編號：1004-373X(2011)20-0196-04

Algorithm of EHV Relaying Protection Based on RBF Neural Network

ZHANG Dong1, WANG Tao2

(1. Inner Mongolia Electric Power Group, Hohhot 010080, China;

2. School of Electronics and Information Engineering, Soochow University, Suzhou 215021, China)

Abstract： An algorithm of EHV (extra high voltage) relaying protection based on RBFN (radial basis function neural network) is proposed. The algorithm can conduct the training according to the existing relaying data sample set because the RBFN has learning ability, find the internal relations of fault detection, fault location, self-adaptive automatic reclosing technology, differential protection and distance protection by analysis, and realize the self-adaptive control over the future relaying protection data samples. The highlight of this algorithm is that the factors of both predicting precision and training time of RFBN are taken into consideration in the process of construction. The linear least squares (LLS) and the gradient descent method are employed for MATLAB simulation experiment to obtain a more accurate result of prediction.

Keywords： RBFN; EHV; relaying protection; LLS; gradient descent

0 引 言

隨著電力工業(yè)的不斷發(fā)展，現(xiàn)代電力系統(tǒng)已成為┮桓齦囈追竅咝?、高竻矀蝙o拇笙低常人們對系統(tǒng)運行的可靠性、持續(xù)性和穩(wěn)定性要求也越來越高，這就使得電力系統(tǒng)中問題的解決越來越困難。

繼電保護的任務就是檢測故障信息，識別故障信號，進而決定保護是否跳閘。傳統(tǒng)的繼電保護和故障診斷方法自適應能力有限，不能適應各種運行方式和診斷復雜故障。

徑向基神經(jīng)網(wǎng)絡（RBFN）具有很強的自適應能力、學習能力、非線性映射能力和容錯能力，并且魯棒性好，應用在電力系統(tǒng)繼電保護有很大優(yōu)勢，很多難以列出方程式或難以求解的復雜的非線性問題，應用徑向基神經(jīng)網(wǎng)絡（RBFN）方法都可以得到很好的解決。

1 人工神經(jīng)網(wǎng)絡概述

1.1 人工神經(jīng)網(wǎng)的概念

人工神經(jīng)網(wǎng)絡（Artificial Neural Networks，ANNs）也簡稱為神經(jīng)網(wǎng)絡（NNs）或稱作連接模型（Connectionist Model），它是一種模范動物神經(jīng)網(wǎng)絡行為特征，進行分布式并行信息處理的算法數(shù)學模型。這種網(wǎng)絡依靠系統(tǒng)的復雜程度，通過調(diào)整內(nèi)部大量節(jié)點之間相互連接的關(guān)系，從而達到處理信息的目的。人工神經(jīng)網(wǎng)絡具有自學習和自適應的能力，可以通過預先提供一批相互對應的輸入-輸出數(shù)據(jù)，分析掌握兩者之間潛在的規(guī)律，最終根據(jù)這些規(guī)律，用新的輸入數(shù)據(jù)來推算輸出結(jié)果，這種學習分析的過程被稱為“訓練”。

人工神經(jīng)網(wǎng)絡是一門模擬人腦生物過程的人工智能技術(shù),是根據(jù)大腦神經(jīng)元電化學活動抽象出來的一種多層網(wǎng)絡結(jié)構(gòu)，它是由大量的神經(jīng)元互聯(lián)形成的復雜的非線性系統(tǒng)。神經(jīng)元結(jié)構(gòu)如圖1所示。所有輸入M通過一個權(quán)重K進行加權(quán)求和后加上閾值d，再經(jīng)傳遞函數(shù)f的作用后即為該神經(jīng)元的輸出a，且有：

Иa=f(MK+d)(1)И

1.2 徑向基神經(jīng)網(wǎng)絡理論

徑向基神經(jīng)網(wǎng)絡(RBFN)是一個三層的前饋神經(jīng)網(wǎng)絡，包括一個輸入層、一個徑向基層(即隱含層)和┮桓鍪涑霾恪F浠本原理是以徑向基函數(shù)作為隱層單元的基，構(gòu)成隱含層空間，隱含層對輸入矢量進行變換將低維的模式輸入數(shù)據(jù)變換到高維空間內(nèi)，使得在低維空間內(nèi)的線性不可分問題在高維空間內(nèi)線性可分。徑向基函數(shù)它模擬了人腦中局部調(diào)整、相互覆蓋感受野(Receptive Field)，因此是一種局部逼近網(wǎng)絡，科學界已經(jīng)證明它能以任意精度逼近任意函數(shù)，其拓撲結(jié)構(gòu)如圖2所示。

圖1 人工神經(jīng)元模型

圖2 RBF網(wǎng)絡結(jié)構(gòu)圖

輸入層節(jié)點獲取輸入向量后，傳遞輸入向量到隱含層。隱含層節(jié)點由徑向基函數(shù)構(gòu)成，徑向基函數(shù)可采取多種形式(通常采用Gaussian函數(shù))。隱含層執(zhí)行非線性變換，將輸入空間映射到一個新的空間。輸出層通常是簡單的線性函數(shù)。隱含層節(jié)點和輸出層節(jié)點以不同的權(quán)重完全連接。隱含層節(jié)點的激活函數(shù)對輸入激勵產(chǎn)生一個局部響應，輸入向量越靠近基函數(shù)的中心，隱含層節(jié)點做出的響應越大。隱含層第j結(jié)點的輸出響應為：

ИGj(x)=exp－x－μj2σ2j （2）И

式中：x= ［ X1,X2,…,Xn ］ 為輸入向量；μj,σj分別為第j個神經(jīng)元的中心和大??；c為神經(jīng)元的個數(shù)。

輸出層為隱含層各個單元的加權(quán)和:

И=f(x)=∑cj=1wjGj(x)（3）И

式中：wj為第j 個神經(jīng)元對應的權(quán)值。

2 基于RBF的超高壓繼電保護算法

2.1 訓練數(shù)據(jù)的樣本采集

訓練所需要的樣本數(shù)據(jù)，直接關(guān)系到訓練出來經(jīng)驗函數(shù)精度的優(yōu)劣，所以一組好的訓練樣本是經(jīng)驗函數(shù)精度的保證。本文采用內(nèi)蒙古電力集團公司超高壓局近幾年對繼電保護數(shù)據(jù)記錄，其中樣本數(shù)據(jù)繁多，從中選取了5 000個有效數(shù)據(jù)作為樣本，用其中4 000來訓練經(jīng)驗函數(shù)，后1 000個用來檢測訓練效果。

2.2 RBF神經(jīng)網(wǎng)絡混合學習算法

RBF網(wǎng)絡的學習分為兩個過程。第一個過程：根據(jù)所有輸入向量確定各隱含層節(jié)點的高斯函數(shù)的中心值cj。第二個過程：在確定了隱含層j的參數(shù)后，根據(jù)樣本，利用最小二乘法原則求出輸出層的權(quán)值wjt。建立RBF神經(jīng)網(wǎng)絡的關(guān)鍵問題是根據(jù)給定的訓練樣本確定徑向基函數(shù)的中心。因為一旦確定了徑向基函數(shù)的中心cj，則對于所有的訓練樣本而言Gj和預期輸出yt 是已知的，輸出權(quán)值`jt可以通過最小二乘法求出。

2.2.1 調(diào)整隱層神經(jīng)元中心及寬度

梯度下降法的構(gòu)造過程中首先定義誤差函數(shù)：

ИE=12∑Nn=1En（4）И

式中：N為樣本個數(shù)；En為輸入第nЦ鲅本是的誤差定義為：

ИEn=∑sk=1(tnk－ynk)2， n=1,2,…,N(5)И

要使誤差函數(shù)最小化，則參數(shù)的修正量應與其負梯度成正比則有：ЕCj=－η1ECj和Δσj=－η2E鄲要j Т入后得：

ИЕCj=2η1∑Nn=1∑sk=1(tnk－ynk)•Rnjwn(k,j)•pn－cnj(σnj)2(6)

Δσj=2η2∑Nn=1∑sk=1(tnk－ynk)•Rnjwn(k,j)pn－cnj2(σnj)3(7)И

當所有樣本輸入完成后，運用迭代的方法對參數(shù)進行調(diào)整，如下所示：

ИCj(m+1)=Cj(m)+ΔCj(8)

σj(m+1)=σj(m)+Δσj(9)И

式中:Cj是中心的學習速率；σj是高斯寬度的學習速率；m為迭代次數(shù)。為了保證分類器的泛化性能，采用的高斯寬度的學習速率通常大于中心的學習速率，因為小的學習速率使算法收斂過慢，而過大的學習速率可能會導致算法變得不穩(wěn)定。

2.2.2 RBF網(wǎng)絡的權(quán)值確定

首先設(shè)定輸入矩陣為：M∈Rr×N，隱層輸入矩陣為：P∈Ru×N；輸出層矩陣為：K∈Rs×N；其中n為訓練樣本。若RBF網(wǎng)絡的待定輸出層權(quán)值W∈Rs×u，其三者關(guān)系為：

ИK=W×P（10）И

樣本的目標輸出為：T=(t1,t2,…,ts)T∈Rs×N，在這里采用線性最小二乘法(LLS)來使得目標輸出與網(wǎng)絡實際輸出之間的誤差達到最小,運用R的R+來求得W為R+T。

2.2.3 經(jīng)驗函數(shù)訓練流程圖

本文所訓練的經(jīng)驗函數(shù)的算法流程圖分為兩個階段，第一階段是樣本處理，由于樣本具有重復性，在經(jīng)過樣本處理后，就保證了存儲在樣本庫中的樣本都具有代表性，消除重復訓練，提高訓練速率；第二階段是訓練經(jīng)驗函數(shù)。訓練過程如圖3所示。

圖3 經(jīng)驗函數(shù)的算法流程圖

3 實驗結(jié)果與分析

該研究采用Matlab 7.0.0來做仿真實驗,針對關(guān)注的5個重要的超高壓繼電保護指標分別進行預測，實驗數(shù)據(jù)來自內(nèi)蒙古電力集團公司超高壓局近幾年對繼電保護數(shù)據(jù)記錄，實驗采用大量超高壓繼電保護值來訓練RBF神經(jīng)網(wǎng)絡，當網(wǎng)絡訓練達到誤差平方和目標0.01時，網(wǎng)絡訓練結(jié)束。

圖4~圖8分別為故障檢測、故障定位，自適應自動重合閘技術(shù)、差動保護以及距離保護的預測值與實際值之間的比較(其中橫軸均為時間序列，縱軸為超高壓繼電保護的相應指標值)。

通過仿真結(jié)果可以看出：曲線的擬合度較好，說明通過RBF神經(jīng)網(wǎng)絡短期預測超高壓繼電保護取得了較好的效果。但是長期的預測則需要考慮超高壓繼電保護各衡量指標的突變情況，此時RBF神經(jīng)網(wǎng)絡無法對其做出準確的預測。

4 結(jié) 語

本文將RBF神經(jīng)網(wǎng)絡及其相關(guān)算法應用到超高壓繼電保護預測上，可以更好、更快地動態(tài)預測繼電保護的工作狀態(tài)。在其中RBF網(wǎng)絡大大提高了訓練的速度，節(jié)省了時間且預測精度更高，在局部的短期預測中占有優(yōu)勢。怎樣進一步改進優(yōu)化預測算法是RBF神經(jīng)網(wǎng)絡預測超高壓繼電保護的下一步研究方向。

參考文獻

［1］馬銳.人工神經(jīng)網(wǎng)絡原理\.北京：機械工業(yè)出版社,2010.

［2］劉學軍.繼電保護原理\.北京：中國電力出版社,2007.

［3］賀張萍.深度探討繼電保護裝置狀態(tài)檢修需求及應用難點\.科技資訊,2010(32):120-122.

［4］黃懿.繼電保護可靠運行的控制分析\.中國科技博覽,2010(3):61-64.

［5］MOHAMED E A, TALAAT H A; KHAMIS E A. Fault diagnosis system for tapped power transmission lines \. Source: Electric Power Systems Research, 2010, 80 (5): 599-613.

［6］Eissa M M, Sowilam G M A, Sharaf A M. A new protection detection technique for high impedance fault using neu-ral network \// Proceedings of 2006 Large Engineering Systems Conference on Power Engineering. \: \, 2006: 146-151.

［7］DUTTA A A, KADU A N. Pattern recognition method for detecting fault in EHV transmission lines \// Proceedings of2nd International Conference on Mechanical and Electrical Technology. \: ICMET, 2010: 24-27.

［8］劉田田,燕潔.人工神經(jīng)網(wǎng)絡在電力系統(tǒng)繼電保護中的應用\.電力學報,2007(2):190-192.

［9］呂衛(wèi)勝.人工智能技術(shù)在電力系統(tǒng)繼電保護中的應用\.山東電力技術(shù),2006(1):61-63.

［10］KHORASHADI-ZADEH H, EBRAHIMI M R A. AN ANN based approach to improve the distance relaying algorithm \// Proceedings of the 2004 IEEE Conference on Cybernetics and Intelligent Systems. Singapore: IEEE, 2004:1374-1379.

［11］曾曉林,薛建輝,洪剛.粒子群優(yōu)化神經(jīng)網(wǎng)絡在高壓斷路器機械故障診斷中的應用\.電網(wǎng)與清潔能源，2010,26(6):57-61.

［12］李風光,楊志.基于BP網(wǎng)絡的自適應接地保護研究\.電網(wǎng)與清潔能源，2010,26(10):31-34.

篇6

關(guān)鍵詞:功率放大器;預失真;神經(jīng)網(wǎng)絡;互調(diào)失真

中圖分類號:TP183文獻標識碼:A

文章編號:1004-373X(2009)10-133-04

Research of Adaptive Digital Predistortion Based on Neural Network

QIU Wei,XU Yitao,REN Guochun,ZHONG Zhiming

(Communication Engineering College,PLA University of Technology,Nanjing,210007,China)

Abstract:Because of inherent nonlinearity of high power amplifier,f-band distortion and adjacent-channel interference,which may have bad influence on communication system.To overcome it,a linearization process is given.First,this paper makes a math analysis about nonlinearity distortion of HPA,describes the basic principle about digital predistortion.And then,after depicting simple neural network,the paper proposes an adaptive digital predistortion technology based on SISO-neural network,which can improve third-order and fifth-order intermodulation and comparing with polynomial-fitting technology,it has more advantage on convergence speed and difficulty of hardware realization.At last,the paper uses a double-sound signal to make a matlab simulation,the results also prove this technology′s superiority.

Keywords:power amplifier;pre-distortion;neural network;intermodulation distortion

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

目前,克服放大器非線性失真主要有三種方法,一是直接制造超線性功率放大器,但制造這樣的放大器工藝極其復雜,價格非常昂貴,且一般只適用于小功率放大器。二是采用功率回退技術(shù),使功放工作在線性區(qū),可以使其從飽和功率點做較大回退來滿足線性放大的要求,但這樣做會使功放效率大大降低,一般小于10%。三是采用線性化技術(shù),即通過適當增加一些電路來克服其非線性影響。目前功放線性化技術(shù)主要有前饋、負反饋和預失真技術(shù)。負反饋固有的穩(wěn)定性問題,使得反饋線性化技術(shù)工作在無線頻率無法保持系統(tǒng)穩(wěn)定[2]。前饋技術(shù)是早期用得比較多的一項技術(shù),比較成熟,但其最大的難點在于為保持不同器件之間的幅度和相位特性完全匹配[2],會使系統(tǒng)和設(shè)備都較復雜。預失真技術(shù)具有電路形式簡單,調(diào)整方便,效率高,造價低等優(yōu)點[3]。其中,基帶預失真還能采用現(xiàn)代的數(shù)字信號處理技術(shù),是被最為看好的一項功放線性化技術(shù)。

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

1 高功率放大器非線性分析

高功率放大器一般都是非線性器件,特別是當輸入信號幅度變化較大時,放大器工作區(qū)將在飽和區(qū)、截止區(qū)、放大區(qū)之間來回轉(zhuǎn)換,非線性失真嚴重,會產(chǎn)生高次諧波和互調(diào)失真分量。由于任何函數(shù)理論上都可以分解為多項式的形式,故放大器的輸入和輸出關(guān)系表示為:

Vo=a1Vi+a2V2i+a3V3i+…+anVni(1)

假設(shè)輸入的雙音信號為:

Vi=V1cosω1t+V2cosω2t(2)

將式(2)代入式(1),得到輸出電壓為:

Vo=a22(V21+V22)+

a1V1+a334V31+32V1V22+…〗cosω1t+

a2V2+a334V32+32V2V21+…〗cosω2t+

12a2V21+…cos(2ω1t)+12a2V22+…•

cos(2ω2t)+14a3V31+…cos(3ω1t)+

14a3V32+…cos3ω2t+a2V1V2\ω2)t+cos(ω1-ω2)t\〗+34a3V21V2\ω2)t+cos(2ω1-ω2)t\〗+34a3V22V1\ω1)t+cos(2ω2-ω1)t\〗+58a5V31V22cos(3ω2-

2ω1)t+58a5V21V32cos(3ω1-2ω2)t

從上式可以看出,輸出信號中不僅包含2個基頻ω1,ω2,還產(chǎn)生了零頻,2次及高次諧波以及互調(diào)分量。其中的2ω1-ω2,2ω2-ω1,3ω1-2ω2和2ω1-3ω2通常會落在通頻帶內(nèi),一般無法濾除,是對通信影響最大的非線性失真分量,即所謂的三階互調(diào)和五階互調(diào)。放大器線性化的目標就是在保證一定效率的前提下最大地減小三階和五階互調(diào)分量。

2 預失真基本原理及其自適應

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

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

圖1 預失真基本原理

假設(shè)預失真器傳輸函數(shù)為F(x);放大器傳輸函數(shù)為G(x);F和G均為復函數(shù)。若輸入信號為x(t),則經(jīng)過預失真器之后的信號為u(t)=F\,放大器的輸出函數(shù)為y(t)=G\=G{F\}。預失真的目的就是使x(t)通過預失真器和放大器級聯(lián)后的輸出y(t)=ax(t),a為放大器增益。通過一定的方法可以找到合適的F,使實際輸出和期望輸出的誤差最小。

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

圖2 自適應預失真系統(tǒng)結(jié)構(gòu)圖

圖3 復制粘帖式自適應預失真系統(tǒng)結(jié)構(gòu)圖

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

3 基于一種單入單出式神經(jīng)網(wǎng)絡的自適應預失真技術(shù)

3.1 神經(jīng)網(wǎng)絡

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

多層前向神經(jīng)元網(wǎng)絡由輸入層、一個或多個隱層和輸出層以前向的方式連接而成,其每一層又由許多人工神經(jīng)元組成,前一層的輸出作為下一層神經(jīng)元的輸入數(shù)據(jù)。三層前向神經(jīng)元網(wǎng)絡示意圖如圖4所示,其中輸入層有M個人工神經(jīng)元,隱層有K個神經(jīng)元,輸出層有N個神經(jīng)元。關(guān)于人工神經(jīng)元的具體介紹

參考文獻[6,7]。

圖4 三層前向神經(jīng)元網(wǎng)絡

3.2 基于單入單出式神經(jīng)網(wǎng)絡的自適應預失真系統(tǒng)模型

單入單出三層前向神經(jīng)網(wǎng)絡示意圖如圖5所示,假設(shè)隱層包含K個神經(jīng)元。輸入數(shù)據(jù)經(jīng)過一系列權(quán)系數(shù){w11,w12,…,w1K}加權(quán)后到達隱層的各個神經(jīng)元。隱層中的神經(jīng)元將輸入進來的數(shù)據(jù)通過一個激勵函數(shù)(核函數(shù)),其各神經(jīng)元的輸出經(jīng)過一系列權(quán)系數(shù){w21,w22,…,w2K}加權(quán)并求和后作為輸入層的輸入,然后該輸入通過激勵函數(shù)的輸出作為整個網(wǎng)絡的輸出。單入單出式神經(jīng)網(wǎng)絡自適應預失真系統(tǒng)模型就是把圖5所示的神經(jīng)網(wǎng)絡放入圖3所示的自適應預失真模型的預失真器{f}和函數(shù)發(fā)生器{f′}模塊中,兩個神經(jīng)網(wǎng)絡的結(jié)構(gòu)和規(guī)模是一樣的。

圖5 單入單出三層前向神經(jīng)元網(wǎng)絡

預失真器神經(jīng)網(wǎng)絡和函數(shù)發(fā)生器神經(jīng)網(wǎng)絡開始都隨機初始化。先看預失真器神經(jīng)網(wǎng)絡,設(shè)輸入序列為xi(i=1,2,…),則隱層各單元輸入I1k=w1kxi-θ1k,經(jīng)過核函數(shù)后,隱層各單元輸出為J1k=f(I1k)。其中f(x)=(1-e-2x)/(1+e-2x)為核函數(shù),輸出層靜輸入為z1=∑Kk=1w2kJ1k-θ1,輸出層輸出即預失真器輸出U1=f(z1),經(jīng)過功放后得到系統(tǒng)輸出yi。通過衰減器后的信號作為訓練神經(jīng)網(wǎng)絡的輸入信號,經(jīng)過前面神經(jīng)網(wǎng)絡相同的過程訓練網(wǎng)絡輸出層的輸出為U2,絕對誤差信號e1(i)=U1(i)-U2(i),然而直接把此誤差運用到自適應算法中導致算法會局部收斂且收斂速度極慢。因此本文對誤差信號做了改進,即把誤差信號改為e(i)=(1/2){λ\2+(1-λ)φ\},其中φ(x)=In\/β,加入的調(diào)整因子λ和輔助項φ,能把算法從局部收斂點拉出來且收斂速度得到一定的提高。最后根據(jù)反向傳播算法,得到訓練神經(jīng)網(wǎng)絡的權(quán)系數(shù)更新式如下(下標2為隱層到輸出層權(quán)系數(shù);下標1為輸入層到隱層權(quán)系數(shù)):

δ2(i)=c(i)\

Δw2(i)=αδ2(i)J2+ηΔw2(i-1)

Δθ2(i)=αδ2(i)+ηΔθ2(i)

δ1(i)=δ2(i)w22(1+J2)(1-J2)

Δw1(i)=αδ1(i)y/G+ηΔw1(i-1)

Δθ1(i)=αδ1(i)+ηΔθ1(i)

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

4 性能仿真

文中使用雙音信號進行了仿真分析,雙音信號為:

xs=0.5

放大器模型采用經(jīng)典salef[9]模型,神經(jīng)網(wǎng)絡的隱層數(shù)設(shè)為15。雙音信號直接通過放大器和通過文中所提的預失真網(wǎng)絡后再通過放大器的頻譜圖如圖6所示。

圖6 預失真前后信號歸一化頻譜圖

圖7 神經(jīng)網(wǎng)絡和多項式結(jié)構(gòu)誤差曲線

由圖6可見,雙音信號通過放大器后產(chǎn)生了較大的失真,其中的三階互調(diào)達到-17 dB,五階互調(diào)也有-36 dB。通過文中所提的神經(jīng)網(wǎng)絡預失真系統(tǒng)處理后,即信號通過預失真器再通過放大器后,三階互調(diào)被抑制到-42 dB,五階互調(diào)也被抑制到-45 dB以下,三階互調(diào)改善25 dB,五階互調(diào)改善11 dB以上。

圖7顯示文獻[10]提到的一般多向式結(jié)構(gòu)和本文所提出的神經(jīng)網(wǎng)絡預失真結(jié)構(gòu)的誤差收斂曲線,它們都能達到相同或相似的互調(diào)分量改善效果。然而,本文所提的神經(jīng)網(wǎng)絡結(jié)構(gòu)收斂速度明顯較前者要快,而且收斂效果也比前者要好。圖8是輸入信號和通過預失真處理后放大器的輸出信號波形圖。由圖可見,經(jīng)過本文所提出的神經(jīng)網(wǎng)絡預失真網(wǎng)絡處理后,輸出信號波形基本沒有失真,能與輸入信號很好的重合,表明該神經(jīng)網(wǎng)絡預失真技術(shù)能很好的實現(xiàn)功放線性化。

圖8 輸入信號和通過預失真處理后放大的輸出信號波形圖

5 結(jié) 語

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

參考文獻

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

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

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

[4]錢業(yè)青.一種高效的用于RF功率放大器線性化的自適應預失真結(jié)構(gòu)[J].通信學報,27(5):35-46.

[5]Cybenko G.Approximations by Superpositions of a Sigmoidal Function[J].Mathematics of Control,Signals and Systems,1989(2):183-192.

[6]劉寶碇,趙瑞清,王綱.不確定規(guī)劃及應用[M].北京:清華大學出版社,2003.

[7]朱劍英.智能系統(tǒng)非經(jīng)典數(shù)學方法[M].武漢:華中科技大學出版社,2001.

[8]Glentis G O,Berberdis K,Theodoridid S.Efficient Least Sqares Adaptive Algorithms for FIR Transversal Filtering[J].IEEE Signal Processing Magazine,1999,16(4):13-41.

[9]Saleh A.Frequency-independent and Frequency-dependent Nonlinear Models of TWT Amplifiers[J].IEEE Trans.on Commun.,1981,29(11):1 715-1 720.

篇7

[關(guān)鍵詞]BP神經(jīng)網(wǎng)絡超市顧客滿意度調(diào)查問卷

超市顧客滿意度體現(xiàn)了超市的價值，也是超市生存發(fā)展壯大的根本。顧客滿意度評價作為超市了解顧客滿意程度的一種手段和工具，對于超市來說具有重要的意義。超市通過顧客滿意度評價，一方面可以和過去的經(jīng)營業(yè)績進行比較，另一方面可以與行業(yè)內(nèi)其他超市顧客滿意水平進行橫向比較，認清自己在市場競爭中的位置，識別主要的競爭者以及市場中存在的機遇和障礙。對顧客滿意的評價信息進行分析還可以幫助超市了解自己的薄弱環(huán)節(jié)，推動超市經(jīng)營機制的改革，幫助超市制定正確的發(fā)展戰(zhàn)略和市場政策，更合理的分配超市有限的資源，最大可能地提高顧客滿意戰(zhàn)略的效益。顧客滿意度評價模型是超市評價其顧客滿意度的關(guān)鍵問題。本文在對調(diào)查問卷的分析處理的基礎(chǔ)上，綜合考慮多種因素，建立了基于BP神經(jīng)網(wǎng)絡的超市顧客滿意度評價模型。

一、超市顧客滿意度指標體系的建立

評價指標體系主要根據(jù)超市顧客滿意度的主要因素和管理側(cè)重點來確定。在確定顧客滿意度指標時應當遵循全面性、代表性、區(qū)分度和效用性等原則，同時也必須根據(jù)超市的需要來確定評價指標，同時隨著超市顧客信用管理水平的改善和營銷環(huán)境的變化，應及時作適當調(diào)整。

1.超市顧客滿意度指標選取原則

一個好的指導原則是整個評價系統(tǒng)的靈魂，指導原則決定整個評價體系的效果。如何建構(gòu)整體體系，必須以設(shè)計原則為起點。根據(jù)指標選擇原則建立的超市顧客滿意度評價指標體系，能夠在不同方面反映超市顧客滿意度，選取超市顧客滿意度評價指標應遵循如下原則:

（1)代表性原則。為了全面描述超市的顧客滿意度，應選取少數(shù)幾個具有代表性的、蘊含信息量大的指標，可以在比較低的成本條件下得到比較高的信息水平。

（2)獨特性原則。對超市顧客滿意度的評價應當考慮超市的顧客需求和經(jīng)營特點，建立一套獨特的指標體系，目的是通過這些特點了解顧客對超市的滿意程度。

（3)獨立性原則。獨立是指各選取指標之間相互獨立，坐標間重復信息過多，將不利于指標評價作用的發(fā)揮。

（4)操作性原則。所選取的指標要與國際慣例接軌，同時又符合我國超市的發(fā)展水平現(xiàn)狀，各項指標應該力求能從廣泛的經(jīng)濟數(shù)據(jù)中獲取相關(guān)的可靠信息，要求數(shù)據(jù)來源確鑿可靠，推理過程科學合理，易于量化，適于操作，并且指標間的相關(guān)性較弱。

2.指標體系的建立

基于以上原則，根據(jù)消費心理學原理，結(jié)合超市的具體情況以及市場調(diào)研特點和實踐，本文選擇的調(diào)研指標包括以下幾個部分:

(1)商品特征。對商品特征的印象是超市滿意度的核心,顧客對商品的感知度,對顧客滿意度起決定性的作用。

(2)服務狀況。顧客對超市服務的感知應來自兩個方面:一是超市員工的服務狀況;二是超市服務狀況。

(3)店容店貌。店容指超市內(nèi)外的容貌、面貌,即超市形象。

(4)購物環(huán)境。超市購物環(huán)境直接影響到消費者的購物情緒。

（5)其他。根據(jù)調(diào)研實際需要,還可設(shè)計一些附加指標,但不亦過多。

具體指標體系如表所示。

二、顧客滿意度調(diào)查問卷設(shè)計及調(diào)研

搜集多組被評價超市的代表顧客的指標值，獲得合適的數(shù)據(jù)是構(gòu)建模型的重要步驟。根據(jù)建立的指標體系及問卷設(shè)計的原則來選擇合適的問題進行調(diào)查，在設(shè)計問卷的過程中，為了方便顧客在問卷上反映自己對某超市的滿意度，盡量將各個指標簡單化，使之通俗易懂且便于評價打分。

由于超市顧客滿意度由一系列的指標來反應，最后的總體滿意度如何確定是問卷設(shè)計過程中的一個難題，知道每個指標的值很難得出顧客的滿意度，那么BP神經(jīng)網(wǎng)絡訓練集中的輸出值就無法確定，因此本文在問卷的最后，調(diào)查了顧客對超市滿意度的總體評價，但顧客的總體滿意度跟之前的各個指標很可能出現(xiàn)不匹配的情況，所以為了減少由于主觀因素而影響評價模型的準確性，增加了樣本的數(shù)量，對明顯不合理的問卷進行篩選。

問卷一共有20個問題,分別對應于5個指標,比如商品滿意度一般包括商品質(zhì)量、商品價格、商品種類、商品花色款式和食品安全,而問卷中只能單獨調(diào)查顧客對各個小項目的滿意度,由各個小項目的值得到一個指標的值,而每個小項在一個指標中所占的比例不盡相同,因此本文確定了每個小項所占的權(quán)重,具體如下：

商品特征:質(zhì)量(0.25)、價格(0.25)、種類(0.25)、花色款式(0.1)、食品安全(0.15)

服務狀況:員工素質(zhì)和員工服務態(tài)度(0.4)、結(jié)算環(huán)節(jié)(0.2)、提供咨詢和投訴處理(0.2)，員工儀表(0.2)

店容店貌:外觀設(shè)計(0.2)、商品陳列(0.4)、商品標識(0.4)

購物環(huán)境:環(huán)境衛(wèi)生(0.3)、音樂背景(0.2)、進出線路(0.3)、購物安全(0.2)

其他部分:超市硬件(0.4)、超市信譽(0.2)、促銷活動(0.4)

三、基于BP神經(jīng)網(wǎng)絡的超市顧客滿意度評價模型構(gòu)建

根據(jù)所確立的顧客滿意度評價指標體系和BP神經(jīng)網(wǎng)絡結(jié)構(gòu)來確定所要構(gòu)建的評價系統(tǒng)模型?；贐P神經(jīng)網(wǎng)絡算法，該模型是由輸入層、輸出層和一個隱層構(gòu)成的三層前饋網(wǎng)絡。輸入層將評價指標歸一化處理后的樣本數(shù)值作為神經(jīng)元；輸出層是對顧客信用等級的衡量，是一個從定性到定量，再從定量到定性的過程，通過BP神經(jīng)網(wǎng)絡模型將定性轉(zhuǎn)化為定量輸出，再根據(jù)輸出結(jié)果和事先確定的標準，對顧客信用做出定性評價。而隱含層在設(shè)計上是一個難點，設(shè)置多少個隱節(jié)點取決于訓練樣本數(shù)的多少、樣本的大小以及樣本中蘊含規(guī)律的復雜程度。

1.輸入節(jié)點的確定

網(wǎng)絡輸入全面描述了超市顧客滿意度的指標。因此，不同的超市顧客滿意度的指標體系對應不同的網(wǎng)絡模型，也形成不同的輸入節(jié)點數(shù)，輸入節(jié)點數(shù)等于滿意度指標數(shù)。由前面的超市顧客滿意度指標體系可知，顧客滿意度指標包括商品特征、服務狀況、店容店貌、購物環(huán)境和其他五個部分，所以確定輸入節(jié)點數(shù)為5個。

2.輸出節(jié)點的確定

輸出節(jié)點對應于評價結(jié)果，輸出為1表示很不滿意、2表示不滿意、3表示不太滿意、4表示一般、5表示較滿意、6表示滿意、7表示很滿意，因此輸出節(jié)點確定為1個。

3.隱層節(jié)點的確定

隱節(jié)點的作用是從樣本中提取并存儲其內(nèi)在規(guī)律，每個隱節(jié)點有若干個權(quán)值,而每個權(quán)值都是增強網(wǎng)絡映射能力的一個參數(shù)。隱節(jié)點數(shù)太少就不足以提煉訓練集中的規(guī)律，過多也可能把樣本中非規(guī)律性的噪聲等牢記,因此必須選擇合適的隱節(jié)點數(shù)才能使訓練達到要求。確定隱節(jié)點數(shù)的最佳方法是試湊法，先設(shè)置較少的隱節(jié)點數(shù)再逐漸增加,由于神經(jīng)網(wǎng)絡的并行分布結(jié)構(gòu)和非線性動態(tài)特性，還沒有得到一個簡單通用的隱含層單元的確定公式。因此結(jié)合文中實際情況,并參考以下經(jīng)驗公式:

其中：n為輸入層節(jié)點數(shù)，l為輸出層節(jié)點數(shù)，a為1到10之間的常數(shù)。

再用試湊法進行研究，確定隱含層單元個數(shù)，本文最終選取的隱節(jié)點數(shù)為9個。

四、基于BP神經(jīng)網(wǎng)絡的超市顧客滿意度評價模型仿真研究

本文采用動量及自適應的梯度遞減訓練函數(shù)即Traingdx。對于梯度下降法，訓練成功與否與學習率的選取有很大關(guān)系。自適應學習算法能夠自適應調(diào)整學習率來增加穩(wěn)定性，提高速度和精度。

調(diào)研中對100個顧客進行了隨機訪問，在訪問過程中注意協(xié)調(diào)各種年齡段、收入水平及職業(yè)等，使得問卷更具有代表性，增加了問卷的有效性，并舍棄嚴重不合理問卷，抽取90個調(diào)研數(shù)據(jù)，其中54個作為建模的訓練樣本集，另外36個數(shù)據(jù)作為測試樣本集用于測試網(wǎng)絡。在進行網(wǎng)絡訓練之前，首先要對輸入輸出訓練數(shù)據(jù)進行歸一化，這樣做的好處是可以防止權(quán)值調(diào)整進入誤差曲面的平坦區(qū)和訓練后誤差不均等。文中選用的歸一化函數(shù)為prestd，使用該函數(shù)進行歸一化的結(jié)果是使得數(shù)據(jù)的平均值為0，標準差為1。

輸入要評價的顧客指標值，根據(jù)輸出值，對超市的顧客滿意度狀態(tài)給出評價結(jié)論。顧客的滿意程度用李克特量表分成七級來衡量：很不滿意、不滿意、不太滿意、一般、較滿意、滿意、很滿意，輸出節(jié)點輸出的評價結(jié)果分別用1到7數(shù)字表示。

首先對網(wǎng)絡進行初始化，設(shè)定輸入節(jié)點數(shù)為5，隱節(jié)點數(shù)為9，輸出節(jié)點數(shù)為1，誤差要求為0.001，訓練次數(shù)為20000次。建立一個BP神經(jīng)網(wǎng)絡模型，訓練網(wǎng)絡時將輸出值同理想值進行比較，如有誤差就進行反向傳播輸出，修正權(quán)重系數(shù)，如此反復直到誤差小于設(shè)定的誤差。輸入訓練樣本后,系統(tǒng)按期望輸出與實際輸出誤差平方和的最小化規(guī)則來學習,調(diào)整權(quán)值矩陣和閾值向量。當誤差減小到要求范圍時,系統(tǒng)停止學習,此時權(quán)值矩陣與閾值向量固定下來，成為系統(tǒng)內(nèi)部知識。為了使訓練更有效，在測試樣本中加入兩組數(shù)據(jù)作為教師信號，即p=[11111；77777]，t=[17]，這兩個信號是兩個極端，即對每個指標都很不滿意且最后結(jié)論為對超市的滿意度為很不滿意，或者對各個指標都是很滿意，而對超市的總體滿意度也是很滿意。

當訓練到出現(xiàn)如下字符

TRAINGDA,Performancegoalmet.

停止訓練，同時圖像界面動態(tài)圖停止，如圖1所示。

當訓練誤差達到要求時，用測試樣本對網(wǎng)絡進行測試。通過對每一個測試數(shù)據(jù)的仿真輸出和期望輸出的比較，可以看出該神經(jīng)網(wǎng)絡的仿真誤差的大小，以直觀地表現(xiàn)出仿真得出的結(jié)果與理想值之間的關(guān)系，如圖2所示。圖中o代表期望輸出，*代表仿真輸出。

從圖中可以看出，只有少數(shù)幾個誤差較大，大部分的輸出結(jié)果是令人滿意的，因此采用BP神經(jīng)網(wǎng)絡模型對超市顧客滿意度進行評價具有較高的精確度。

五、結(jié)束語

本文在問卷調(diào)查的基礎(chǔ)上，運用人工神經(jīng)網(wǎng)絡的理論,建立了對超市顧客滿意度進行評價的BP神經(jīng)網(wǎng)絡模型,并在MATLAB仿真環(huán)境中測試了該神經(jīng)網(wǎng)絡評價模型的功能。從測試結(jié)果來看,該網(wǎng)絡達到了設(shè)計要求,對超市顧客滿意度的評價的正確率較高，證明了利用BP人工神經(jīng)網(wǎng)絡模型對超市顧客滿意度進行評價比傳統(tǒng)的評價方式更為科學有效。

參考文獻：

[1]張葛祥李娜:MATLAB仿真技術(shù)與應用[M]．北京:清華大學出版社，2003

[2]ALTMAREMARCOG:Corporatedistressdiagnosis:comparisonsusinglineardiscriminateanalysisandneuralnetworks[J].JournalofBankingandFinance，1994．6

[3]郝勇:運用BP神經(jīng)網(wǎng)絡研究上證公用事業(yè)指數(shù)的波動[J].上海工程技術(shù)大學學報，2005．3

篇8

關(guān)鍵詞：測井技術(shù);巖性識別方法;儲層;石油勘探;石油開發(fā) 文獻標識碼：A

中圖分類號：P631 文章編號：1009-2374（2015）02-0176-02 DOI：10.13535/ki.11-4406/n.2015.0184

1 概述

識別儲層巖性最直接最有效的方法是巖心分析，但考慮到油田上的生產(chǎn)效益，深層鉆井成本很高，因此不能在每口井中都取心，測井巖性識別方法作為一種簡單而有效的技術(shù)方法，已經(jīng)得到了廣泛的應用。尤其是近年來巖性識別方法得到了迅猛的發(fā)展，2009年李祖兵利用M-N交會圖對具有不同結(jié)構(gòu)和構(gòu)造的同類巖性進行了識別;2010年張伯新以準噶爾盆地六九區(qū)石炭系火山巖為研究對象，構(gòu)建了測井相-巖性建模數(shù)據(jù)庫，應用模糊數(shù)學方法建立了工區(qū)內(nèi)火山巖巖性識別標準模型;2013年楊輝運用BP神經(jīng)網(wǎng)絡模型對研究區(qū)域復雜巖性進行識別，識別結(jié)果與巖心巖性和錄井巖性較為相符，對該區(qū)域的儲層識別和沉積相的研究具有一定的參考價值。2014年劉國全針對滄東凹陷孔二段源儲互層型致密儲層巖性識別的難點，利用散點圖、交會圖及ECS測井進行巖性的識別，形成了源儲互層型致密油巖性識別的有效方法等。

測井巖性識別方法是根據(jù)已有的測井曲線資料來劃分地下地層的巖性，傳統(tǒng)巖性識別方法的方法為交會圖法。測井曲線資料包含有豐富的巖性信息，地下的巖性主要包括巖石的物理組成、排列結(jié)構(gòu)、孔隙度及孔隙流體的性質(zhì)直接著影響測井曲線的測量結(jié)果，其中自然伽馬（GR）、自然電位（SP）及泥質(zhì)含量（Vsh）等測井曲線對地下巖性的變化反應最為靈敏。實際應用中，特定的巖性對應著特定的測井參數(shù)組合，因此，測井解釋人員可以根據(jù)特定的測井參數(shù)組合來確定地下地層的

巖性。

2 基礎(chǔ)數(shù)據(jù)整理

測井曲線的質(zhì)量直接影響整個研究工作的順利開展。實際測量過程中一方面由于環(huán)境因素的影響會造成測井資料中出現(xiàn)一些不穩(wěn)定的跳躍狀態(tài)，需要對測井曲線進行濾波處理;另一方面由于儀器刻度的不精確性會引起刻度誤差，需要進一步做標準化處理。

其中頻率直方圖是測井標準化處理的一種基礎(chǔ)方法，首先選取一套巖性穩(wěn)定、厚度大、分布范圍廣的地層作為標準層，然后對選定的標準層分別做自然伽馬、補償聲波、補償密度、補償中子孔隙度等測井資料頻率直方圖，確定每項測井資料在每口井的主要分布范圍和峰值，確定對應關(guān)鍵井相應的測井資料分布范圍和峰值確定校正值并進行校正。

3 常規(guī)測井資料識別地層巖性

實際情況中，考慮成本及效率因素，絕大部分油田都采用常規(guī)的測井系列，常規(guī)的測井資料主要包括自然伽馬（GR）、自然電位（SP）、聲波時差（DT）、密度（DEN）、電阻率（Rt、Rxo）、放射性（CNL）等巖石物理參數(shù)，這些測井曲線包含了地下地層的巖性、物性和含油性信息，是一套比較全面而靈敏的測量組合系統(tǒng)。大量理論及實踐資料表明，常規(guī)測井識別巖性是可靠并且有效的。

利用常規(guī)測井資料識別地層巖性運用最多的是交會圖法。交匯圖法是選用兩種對巖性反應敏感的物理量進行交會來識別地層的巖性，主要是依據(jù)不同儲層的巖性和流體類型異常在交會圖平面上占有不同區(qū)域的特點，進行異常劃分。常用的有中子-密度交會圖、聲波時差-密度交會圖、中子-聲波時差交會圖等。交會圖具有制作簡單、使用方便和快捷的優(yōu)點，是一種被廣泛采用的巖性識別方法。但其缺點是對復雜巖性識別率低。

根據(jù)某工區(qū)18口井不同巖性測井響應的差別，針對泥巖、砂巖干層、油層、水層及鹽巖等5種巖性建立的GR-波阻抗交會圖樣板，利用該樣板可以直觀有效地進行巖性劃分。

4 特殊測井

隨著油氣勘探的進展，需要解決的問題也越來越多，需要進行識別的巖性也越來越復雜。為了加強復雜巖性儲層的研究，增強油氣后備儲量一些新的測井識別方法陸續(xù)涌現(xiàn)，這些方法主要包括：M-N交匯圖、元素測井（ECS）、BP神經(jīng)網(wǎng)絡等。

M-N交匯圖是將密度、中子及聲波三種巖性曲線適當組合來達到劃分巖性的目的，國外最早是Khatchikian于1982采用該方法對阿根廷某盆地的兩種火成巖地層層序進行了研究。大量實踐資料表明，M-N交匯圖技術(shù)在一定成程度上能夠有效識別火成巖的巖性和裂縫發(fā)育情況。

元素測井識別巖性的方法主要以斯倫貝謝（Schlumberger）公司研發(fā)的新一代元素俘獲譜洲井儀（ECS）為典型。通過精確測量地層組成元素的含量來鑒別地層沉積礦物含量，以便達到巖性識別的目的。

神經(jīng)網(wǎng)絡巖性識別法是選擇一定的測井曲線形態(tài)特征作為輸入向量，并用與此對應的巖性作為輸出向量，二者組成一個訓練對，由多個訓練對組成一個樣本集，這樣就建立起一系列與實際地質(zhì)狀況相對應的測井相特征。前人在利用神經(jīng)網(wǎng)絡進行巖性識別方面做了大量的研究工作。1999年盧新衛(wèi)等利用BP神經(jīng)網(wǎng)絡對勝利油田某測井巖性進行了識別。2005年周波等采用神經(jīng)網(wǎng)絡方法識別火山巖巖性，并指出利用自組織神經(jīng)網(wǎng)絡SOM和反饋神經(jīng)網(wǎng)絡BP對85塊火山巖樣品的識別率分別為78.82%和81.18%。其特點是方法簡單易于操作，且識別準確率高。

5 結(jié)語

基于測井曲線資料的巖性識別方法，是以基礎(chǔ)數(shù)據(jù)整理為前提，相較于巖心識別方法較經(jīng)濟有效的一種方法，隨著測井技術(shù)的發(fā)展，這些測井資料識別巖性的方法必將得到不斷完善與進步。

參考文獻

[1] 趙建，高富紅.測井資料交會圖法在火山巖巖性識別中的應用[J].世界地質(zhì)，2003，22（2）.

[2] 卜勤生，杜環(huán)虹.測井在油藏描述中的應用[M].北京：石油工業(yè)出版社，1992.

[3] 劉秀娟，陳超，曾沖，蘭磊.利用測井數(shù)據(jù)進行巖性識別的多元統(tǒng)計方法[J].地質(zhì)科技情報，2007，26（3）.

[4] 楊斌.神經(jīng)網(wǎng)絡及其在石油測井中的應用[M].北京：石油工業(yè)出版社，2005.

[5] 李先鵬.測井曲線的深度校正[J].科技資訊，2009，18（3）.

[6] M.H.Fredric，I.Kostanic.Principles of Neurocomputing for Science and Engineering[J].International Journal of Pattern Recognition and Artificial Intelligence，2001，（12）.

[7] 王新洲，舒海翅.模糊相似矩陣的構(gòu)造[J].吉林大學學報，2003，24（3）.

[8] 馬小剛，李子峰，張春梅.測井相分析在巖性油氣藏儲層預測中的應用[J].勘探地球物理進展，2010，33（1）.

[9] 黃平，李坦，胡相滋.測并相分析方法及研究[J].工業(yè)技術(shù)，2008，（3）.

[10] 劉明軍.BP神經(jīng)網(wǎng)絡模型在彬長礦區(qū)測井數(shù)據(jù)巖性識別中的應用研究[D].煤炭總院西安研究院，2009.

[11] 王立柱，趙大宇.BP神經(jīng)網(wǎng)絡的改進及應用[J].沈陽師范大學學報，2007，25（1）.

篇9

【關(guān)鍵詞】醫(yī)學教育；神經(jīng)科學；神經(jīng)矩陣網(wǎng)絡；丘腦皮層結(jié)構(gòu)；本科教材；教學改革

隨著神經(jīng)科學這個新興的學科在國際上蓬勃發(fā)展，它逐漸把神經(jīng)系統(tǒng)各相關(guān)的學科融入進其中，極大的促進和引領(lǐng)了腦科學的發(fā)展，涌現(xiàn)了許多令人鼓舞的研究成果。近年來，值此機遇，我國也制定了“一體兩翼”的中國腦計劃，目的是以神經(jīng)科學的基礎(chǔ)研究為“一體”，融合神經(jīng)醫(yī)學及人工智能，共同促進我國神經(jīng)科學體系的建設(shè)。為應對這些神經(jīng)科學研究迅速發(fā)展的挑戰(zhàn)和歷史的機遇，許多院校設(shè)立了神經(jīng)科學課程或?qū)I(yè)，甚至獨立的學院。而在醫(yī)學本科教育中，對于醫(yī)學生神經(jīng)科學知識體系的正確構(gòu)建，我們認為是非常基礎(chǔ)及重要的，也是醫(yī)學本科教育改革實踐中應該認真思考的一個重要問題。為此，我們做了一些系統(tǒng)的思考和局部的嘗試。

1目前我國醫(yī)學教材的現(xiàn)狀

我國的臨床本科五年制或七年制教材設(shè)計中，有關(guān)神經(jīng)科學的知識分布在生物化學、生理學、組織胚胎學、局部解剖學、系統(tǒng)解剖學、神經(jīng)病學、外科學神經(jīng)系統(tǒng)部分、醫(yī)學心理學、精神病學等各科教材里面，教材總體上繼承前蘇聯(lián)神經(jīng)科學的思想，即謝切諾夫和巴普洛夫的反射理論。整個知識點的設(shè)置，基本圍繞該觀點展開。不可否認，巴普洛夫的反射理論取得了巨大的成就，建立了心理學的行為學派。但是，在涉及到丘腦皮層這個矩陣網(wǎng)絡意識系統(tǒng)的癥狀學時，這個理論顯得非常無力，用這個理論教育出來的醫(yī)學生顯得非常茫然。恰如陳宜張院士所說：“對腦功能的解釋而言，此觀點顯然是不全面和不確切的”。

2目前神經(jīng)科學體系的情況

其實，在神經(jīng)科學的整個發(fā)展過程中，模式處理、神經(jīng)網(wǎng)絡等觀點一直被神經(jīng)科學家們所注意，并產(chǎn)生了大量的研究成果。早期赫布就在其著作《TheorganizationofBehavior》中提出了神經(jīng)群體協(xié)同學習的理論，威廉詹姆斯也在其著作《Theprincipleofpsychology》中提出了腦的整體統(tǒng)一工作的觀點。贊特高塞在解剖學上揭示了皮層網(wǎng)絡的功能單位-皮質(zhì)柱，休伯爾和威賽爾更是因為發(fā)現(xiàn)視皮層皮質(zhì)柱[1]的生理特性而獲得了1981年的諾貝爾獎。而KarlvonFrisch等更是揭示了生物行為的主動性獲得了1973年的諾貝爾獎，修正了反射理論。目前，隨著神經(jīng)科學各學科的發(fā)展融合及計算機模擬神經(jīng)網(wǎng)絡研究的進步，我們知道了中腦之上的丘腦-皮層網(wǎng)絡系統(tǒng)負責產(chǎn)生意識和認知能力[2]，而該系統(tǒng)屬于等級構(gòu)筑的矩陣網(wǎng)絡系統(tǒng)[3]。另外，這個丘腦皮層等級網(wǎng)絡系統(tǒng)的各層級矩陣間有著非常多的交互聯(lián)系，特別是皮層與丘腦間的交互聯(lián)系[4]。而巴爾斯提出的全局工作空間模型[5]和在其基礎(chǔ)上發(fā)展的丘腦動態(tài)核心理論[6]是比較符合目前所知道的丘腦皮層等級矩陣網(wǎng)絡的意識結(jié)構(gòu)[7-8]的工作原理的。針對這些神經(jīng)科學的發(fā)展成果，很多院校開設(shè)了神經(jīng)科學專業(yè)，特別是歐美很多大學設(shè)置了Neuroscience專業(yè)，系統(tǒng)的教授神經(jīng)科學的知識。由于教材的原因，我國醫(yī)學領(lǐng)域被人為割裂了與最新神經(jīng)科學的聯(lián)系，神經(jīng)醫(yī)學不能有效地融合到中國腦計劃的醫(yī)學一翼中去，不能有效從腦計劃的一體和另一翼中有效汲取養(yǎng)分而發(fā)展，這是非常令人痛心的。因知識體系的落后，使得目前的臨床神經(jīng)醫(yī)學執(zhí)業(yè)醫(yī)生普遍對神經(jīng)功能性疾病無從下手，診治觀念非常落后，基本處于人云亦云的狀態(tài)，無法獨立運用正確的基礎(chǔ)知識進行思考。

3本科學生對神經(jīng)科學知識的了解程度

我們在神經(jīng)外科的臨床教學中感覺到，五年制臨床本科同學往往對腦葉的癥狀學無法理解。學生只知道解剖學教材曾提到皮層存在Brodmann分區(qū)（那是大綱中的了解內(nèi)容），但是對皮層分區(qū)形成的原因是由細胞柱區(qū)域聚集形成神經(jīng)網(wǎng)絡的模塊一無所知，對神經(jīng)網(wǎng)絡的構(gòu)成及功能實現(xiàn)方式更是聞所未聞。在臨床教學中，大腦的定位定性診斷思想和依據(jù)該思想制定治療思路的道理很難正確教授給本科同學。上位腦干之上的丘腦皮層意識系統(tǒng)是神經(jīng)矩陣網(wǎng)絡的集大成者，網(wǎng)絡結(jié)構(gòu)非常發(fā)達，不正確理解該結(jié)構(gòu)就不可能理解該部位疾病的診治。而如果需詳細講解該系統(tǒng)的結(jié)構(gòu)和原理，在完整且系統(tǒng)的教授的情況下，可以安排四年的本科課程，這是目前醫(yī)學教育中不可能實現(xiàn)的。而根據(jù)我們的教學體會和學生的反饋，要了解基本的簡單原理也需要1.5~2個學時。為了解決目前神經(jīng)學科教育面臨的這種困境，我神經(jīng)外科嘗試采取了穿插融合、有所取舍、有所突出的方法去改善學生的神經(jīng)科學知識結(jié)構(gòu)。

4我們的教學應對方法

4.1補充完善教材缺陷的構(gòu)思

在我校的教學大綱中神經(jīng)系統(tǒng)的外科各論安排了6個學時的理論課和9個學時的見習課。這些學時范圍內(nèi)需要講述：顱內(nèi)壓力問題、腦疝問題、顱腦損傷問題、腦腫瘤問題。其中腦損傷和腦腫瘤中涉及皮層丘腦節(jié)段的病灶才會用到神經(jīng)網(wǎng)絡的知識去理解腦葉的癥狀學和丘腦在系統(tǒng)中發(fā)揮整合作用的核心地位。雖然意識和認知問題屬于重大科學問題，而且在神經(jīng)系統(tǒng)疾病診治中理解神經(jīng)網(wǎng)絡如何產(chǎn)生該功能有重要指導性作用，但是，由于大綱并沒有太多要求，學生是否有興趣去了解這些教材中缺失的神經(jīng)科學知識？教學實踐中，我們發(fā)現(xiàn)，60%~70%的臨床本科同學對這方面是很有興趣的，而如果提出一些特別的損傷病例，比如外傷中的閉鎖綜合征、嗅溝腦膜瘤的獨特額葉癥狀表現(xiàn)等，去展示神經(jīng)系統(tǒng)的局灶癥狀學，并說明意識和認知網(wǎng)絡的并行處理結(jié)構(gòu)和功能的網(wǎng)絡實現(xiàn)方式時，由于癥狀的趣味性，會激發(fā)同學的廣泛興趣。因此，我們推斷，只要我們在課堂中靈活運用有趣的病例講述和解釋，并適當介紹一些神經(jīng)科學的參考書籍的話，是有可能繼發(fā)出同學對神經(jīng)科學的學習興趣并促進對神經(jīng)系統(tǒng)外傷、腫瘤、腦疝等的局灶癥狀學的理解的。而我們反復思考推薦的神經(jīng)學參考書目錄是：《神經(jīng)生物學：從神經(jīng)元到腦》《神經(jīng)科學探索腦》《認知神經(jīng)科學》《認知、大腦和意識》《昏迷和意識障礙》《王忠誠神經(jīng)外科學》。推薦這些書的目的是提供一個神經(jīng)科學大體的理論框架，從基礎(chǔ)的解剖、生理到系統(tǒng)的整體神經(jīng)計算，然后到臨床的相關(guān)問題?？赡鼙蛔u為神經(jīng)科學圣經(jīng)的埃里克.R.坎德爾主編的《神經(jīng)科學原理》中文導讀版知識更系統(tǒng)，但是畢竟本科同學推薦英文書籍會面臨很大的語言障礙，我們沒有選擇。

4.2具體的教學實踐實施方法

在具體的教學實踐中，我們首先在顱腦損傷和顱內(nèi)腫瘤共4個學時的理論課學習階段，反復在課堂講學中穿插運用神經(jīng)網(wǎng)絡的知識幫助同學理解腦葉的癥狀學，使學生對該結(jié)構(gòu)的功能實現(xiàn)方式有初步的了解，讓同學基本認識到皮層的功能單位是細胞柱（cortexcolumn），并且相同功能的細胞柱聚集形成模塊即布雷德曼（Brodamn）分區(qū)，而且皮層網(wǎng)絡模塊間、皮層與丘腦網(wǎng)絡間有廣泛的相互聯(lián)系。經(jīng)過這樣的介紹，同學很容易理解了運動或感覺區(qū)隨精細運動或感覺的程度增加，細胞柱增多，代表區(qū)面積增大的道理。并且通過介紹突觸匯聚修飾的原理讓學生了解如輔助運動區(qū)等次級聯(lián)絡皮層的細胞柱群參與編碼更復雜功能的方式，并學會推斷其他聯(lián)絡區(qū)細胞柱群可能的電生理反應特性從而理解可能出現(xiàn)的癥狀學。通過如此簡單的講解，有效解決了學生在閱讀《外科學第九版》中講述腫瘤影響腦葉功能時無法理解而死記硬背的問題，迅速引起了學生的課堂注意及興趣。然后，在課程結(jié)束時列舉可以參考的神經(jīng)科學文獻，讓感興趣的學生自行學習，豐富其知識體系。而后，在理論課后的臨床見習課中，結(jié)合病例的癥狀、體征，穿插講解該神經(jīng)網(wǎng)絡的知識及臨床應用，適當重提大課提到的神經(jīng)網(wǎng)絡知識，觀察學生的表情反應，適當延伸或者不延伸。如果見習講解時發(fā)現(xiàn)有的見習組神經(jīng)科學知識豐富的同學和感興趣的同學較多，則適當延伸講解丘腦在意識和認知系統(tǒng)中的重要整合地位，讓同學理解神經(jīng)外科手術(shù)中保護丘腦的重要性。而如果小課課堂發(fā)現(xiàn)對重提這些知識感興趣的同學較少，則不進行知識的延伸講解，僅僅重點強調(diào)皮層網(wǎng)絡的分布式計算原理及實際應用中如何通過該原理去理解教材的論述。在所有批次的見習小課中，我們都形象的比喻：丘腦皮層矩陣網(wǎng)絡系統(tǒng)是用“丘腦去感覺，而用皮層去思考”。碰到合適的病例，而且小課課堂反應較良好，大部分同學具有強烈的興趣時，可以讓學生使用心理學的“內(nèi)省”的方法去體會這個過程，理解腦的癥狀學。但是，我們教學中始終在講授者心中強調(diào)重點突出的重要性。因為系統(tǒng)的學習神經(jīng)科學知識必須要四年的完整本科教育，而更深入的研究與理解神經(jīng)系統(tǒng)中最被廣泛關(guān)注的丘腦皮層意識與認知系統(tǒng)則需要更進一步的學習與研究，如果幻想僅僅通過幾個學時的簡單講解就讓臨床本科同學非常精通神經(jīng)科學的知識是非常不切實際的。我們曾在部分見習組中試圖更加詳細講解神經(jīng)網(wǎng)絡的知識，這種冒進的做法反而會讓學生感覺到神經(jīng)學是一門高深的理論，收不到明顯的教學效果。所以，我們始終以讓學生能理解教材中腦葉癥狀為重點教學目標，如果課堂反應好則適當延伸講解皮層下中樞的重要性。通過這些教學改革的嘗試，同學們普遍反映，從原來的對神經(jīng)網(wǎng)絡和神經(jīng)科學的一無所知到有所了解，并能開始對腦葉的癥狀學有所理解。這些效果使我們非常欣慰。我們總體的感覺是，1~2個學時的講授，且見習中穿插病例的解釋，就能讓學生對神經(jīng)科學和神經(jīng)網(wǎng)絡有初步的概念。并且課后介紹的參考書籍，作為神經(jīng)科學的知識系統(tǒng)的主干，提供了學生在以后的學習中進一步拓展自己的知識面的機會，那些立志向臨床神經(jīng)學發(fā)展的同學利用這些參考書籍能迅速形成更加系統(tǒng)和豐富的知識體系。

4.3實施教學中遇到的困難

當然，實際教學中也發(fā)現(xiàn)了很多的困難。主要的困難仍然是醫(yī)學教材中基礎(chǔ)階段神經(jīng)科學知識的編寫不夠完整，同學對皮層丘腦網(wǎng)絡幾乎一無所知，而我們臨床階段教學在介紹一些簡要的知識后立即講解其應用，很多平常沒有一定課外知識積累的同學開始會覺得課堂內(nèi)容跳躍過大，無法理解，在課程進行到最后的兩個學時時，學生才開始有所領(lǐng)悟。但是，教學中也發(fā)現(xiàn)有些有興趣的同學已經(jīng)有一定的知識積累，知道一些皮層細胞柱結(jié)構(gòu)和網(wǎng)絡工作模塊的知識，很快接受了神經(jīng)網(wǎng)絡的知識并理解了其癥狀學，還能進一步提出一些學科前沿的問題。針對課堂發(fā)現(xiàn)的問題，我們認為解決之道還是在進一步于課堂教學中凝練穿插融合、有所取舍、有所突出的思想和課堂技巧，正確認識臨床本科同學目前的神經(jīng)學知識體系，才能明顯提高教學效果。

篇10

【關(guān)鍵詞】滑模觀測器；BP神經(jīng)網(wǎng)絡；發(fā)動機；指示扭矩

【Abstract】Indicated torque can be used to control of automotive engine on-line and fault diagnosis.Firstly，establish the non-linear crankshaft dynamic model；secondly，input the crankshaft angle and instantaneous engine speed to the controller and implementation differential operation；finally， take advantage of the BP neural network to design the self-adaption parameters of controller.Estimation results demonstrate that the controller can estimation the indicated torque of multi cylinder engine precisely，which presents the strongly robustness for parameters variation，and is a suitable way for misfire detection and fault diagnosis in the future.

【Key words】Sliding mode observer；BP neural network；Engine；Indicated torque

0 引言

指示扭矩作為表征發(fā)動機動力性能的一項重要參數(shù)，及時可靠的獲取指示扭矩不僅可以正確地評價發(fā)動機工作性能，實時的監(jiān)測故障發(fā)生[1]。在轉(zhuǎn)速和負載變化的情況下，可以有效提高汽車的燃油經(jīng)濟性、駕駛舒適性和汽車安全性。

目前，指示扭矩的估計方法主要有三種：一是，基于速度波動的方法[2]；二是，基于神經(jīng)網(wǎng)絡的方法[3]；三是，基于觀測器的方法[4]。

隨著滑模變結(jié)構(gòu)控制技術(shù)的不斷發(fā)展，滑模理論常被用來設(shè)計觀測器估計指示扭矩[5]。其中，負載扭矩的獲取是一個難點[6]。本文通過引入汽車動力學方程，解決了這個問題。為了進一步提高指示扭矩的估計精度，針對系統(tǒng)中存在的不確定性和時變擾動，設(shè)計雙積分滑模觀測器對指示扭矩進行估計。

1 非線性曲軸動力學模型

3 控制器參數(shù)自適應設(shè)計

智能雙積分滑?？刂葡鄬鹘y(tǒng)的滑?？刂?，由于具有Ⅰ控制特性，所以，在穩(wěn)態(tài)誤差調(diào)節(jié)方面效果更好。本文利用BP神經(jīng)網(wǎng)絡對參數(shù)k1，k2，k3進行了在線自適應設(shè)計。

4 仿真結(jié)果分析

4.1 仿真實驗

利用LMS Imagine.Lab Amesim14平臺建立發(fā)動機多缸模型，并通過Matlab/Simulink建立控制器。發(fā)動機的參數(shù)配置如表1所示：

5 結(jié)論

針對系統(tǒng)中存在的擾動問題，設(shè)計了基于非線性曲軸動力學模型的雙積分滑?？刂破鳎瑢⑴ぞ毓烙媶栴}轉(zhuǎn)換為轉(zhuǎn)速誤差跟蹤控制問題。通過Lyapunov穩(wěn)定性理論和BP神經(jīng)網(wǎng)絡設(shè)計自適應控制器增益參數(shù)，實現(xiàn)了指示扭矩的精確估計。該方法具有精度高、魯棒性好和成本低等特點，且避免了利用扭矩傳感器對負載扭矩的測量。仿真Y果表明，在穩(wěn)態(tài)工況下，該方法能夠較精確地估計多缸發(fā)動機指示扭矩，可用于發(fā)動機故障診斷。

【參考文獻】

[1]F Ponti，M Rinaldi. Analysis of the relationship between mean indicated torque and its waveform for modern common rail diesel and gasoline engines[J].2008 Spring Technical Conference of the ASME Internal Combustion Engine Division，2008：149-159.

[2]Ponti F，Serra G，Lupo S.Powertrain Torsional Model Development or On-Board Indicated Torque Estimation[J].Linear Algebra & Its Applications，2009，1（1）：263-264.

[3]Ge Y，Huang Y，Hao D，et al.An indicated torque estimation method based on the Elman neural network for a turbocharged diesel engine[J].Proceedings of the Institution of Mechanical Engineers Part D Journal of Automobile Engineering， 2015，230（10）.

[4]Itoh Y，Higashi K，Iwase M.UKF-based estimation of indicated torque for IC engines utilizing nonlinear two-inertia model[C]// Decision and Control. IEEE，2012：4077-4082.