導(dǎo)語(yǔ)：如何才能寫(xiě)好一篇神經(jīng)網(wǎng)絡(luò)的難點(diǎn)，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

【關(guān)鍵詞】人工神經(jīng)網(wǎng)絡(luò) 路徑規(guī)劃 移動(dòng)機(jī)器人

1 引言

在移動(dòng)機(jī)器人導(dǎo)航技術(shù)應(yīng)用過(guò)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(jī)器人可以自己判定障礙物，以便自主決定路徑，能夠避開(kāi)障礙物，自主路徑規(guī)劃可以自動(dòng)的要求移動(dòng)機(jī)器人能夠安全實(shí)現(xiàn)智能化移動(dòng)的標(biāo)志，通常而言，機(jī)器人選擇的路徑包括很多個(gè)，因此，在路徑最短、使用時(shí)間最短、消耗的能量最少等預(yù)定的準(zhǔn)則下，能夠選擇一條最優(yōu)化的路徑，成為許多計(jì)算機(jī)學(xué)者研究的熱點(diǎn)和難點(diǎn)。

2 背景知識(shí)

神經(jīng)網(wǎng)絡(luò)模擬生物進(jìn)化思維，具有獨(dú)特的結(jié)構(gòu)神經(jīng)元反饋機(jī)制，其具有分布式信息存儲(chǔ)、自適應(yīng)學(xué)習(xí)、并行計(jì)算和容錯(cuò)能力較強(qiáng)的特點(diǎn)，以其獨(dú)特的結(jié)構(gòu)和信息處理方法，在自動(dòng)化控制、組合優(yōu)化領(lǐng)域得到了廣泛的應(yīng)用，尤其是大規(guī)模網(wǎng)絡(luò)數(shù)據(jù)分析和態(tài)勢(shì)預(yù)測(cè)中，神經(jīng)網(wǎng)絡(luò)能夠建立一個(gè)良好的分類學(xué)習(xí)模型，并且在學(xué)習(xí)過(guò)程中優(yōu)化每一層的神經(jīng)元和神經(jīng)元連接的每一個(gè)節(jié)點(diǎn)。1993年，Banta等將神經(jīng)網(wǎng)絡(luò)應(yīng)用于移動(dòng)機(jī)器人路徑規(guī)劃過(guò)程中，近年來(lái)，得到了廣泛的研究和發(fā)展，morcaso等人構(gòu)建利用一個(gè)能夠?qū)崿F(xiàn)自組織的神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)機(jī)器人導(dǎo)航的功能，并且可以通過(guò)傳感器訓(xùn)練網(wǎng)絡(luò)，取得更好的發(fā)展，確定系統(tǒng)的最佳路徑。神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)模型可以分為：

2.1 前向網(wǎng)絡(luò)

網(wǎng)絡(luò)中各個(gè)神經(jīng)元接受前一級(jí)的輸入，并輸出到下一級(jí)，網(wǎng)絡(luò)中沒(méi)有反饋，可以用一個(gè)有向無(wú)環(huán)路圖表示。這種網(wǎng)絡(luò)實(shí)現(xiàn)信號(hào)從輸入空間到輸出空間的變換，它的信息處理能力來(lái)自于簡(jiǎn)單非線性函數(shù)的多次復(fù)合。網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單，易于實(shí)現(xiàn)。反傳網(wǎng)絡(luò)是一種典型的前向網(wǎng)絡(luò)。

2.2 反饋網(wǎng)絡(luò)

網(wǎng)絡(luò)內(nèi)神經(jīng)元間有反饋，可以用一個(gè)無(wú)向的完備圖表示。這種神經(jīng)網(wǎng)絡(luò)的信息處理是狀態(tài)的變換，可以用動(dòng)力學(xué)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(luò)、波耳茲曼機(jī)均屬于這種類型。

3 基于人工神經(jīng)網(wǎng)絡(luò)的移動(dòng)機(jī)器人路徑規(guī)劃算法

神經(jīng)網(wǎng)絡(luò)解決移動(dòng)機(jī)器人路徑規(guī)劃的思路是：使用神經(jīng)網(wǎng)絡(luò)算法能夠描述機(jī)器人移動(dòng)環(huán)境的各種約束，計(jì)算碰撞函數(shù)，該算法能夠?qū)⒌窂近c(diǎn)集作為碰撞能量函數(shù)和距離函數(shù)的和當(dāng)做算法需要優(yōu)化的目標(biāo)函數(shù)，通過(guò)求解優(yōu)化函數(shù)，能夠確定點(diǎn)集，實(shí)現(xiàn)路徑最優(yōu)規(guī)劃。神經(jīng)網(wǎng)絡(luò)算法在移動(dòng)機(jī)器人路徑規(guī)劃過(guò)程中的算法如下：

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

（2）動(dòng)態(tài)優(yōu)化神經(jīng)網(wǎng)絡(luò)，根據(jù)神經(jīng)網(wǎng)絡(luò)的目標(biāo)節(jié)點(diǎn)和障礙物的具置信息，在神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(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(biāo)值附件的神經(jīng)元活性值，并且使用局部側(cè)的各個(gè)神經(jīng)元之間，連接整個(gè)神經(jīng)網(wǎng)絡(luò)，并且在各個(gè)神經(jīng)元中進(jìn)行傳播。

（4）利用爬山法搜索當(dāng)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(dāng)前神經(jīng)元的活性值，則機(jī)器人保持在原處不動(dòng)；否則下一個(gè)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(jī)器人到達(dá)目標(biāo)點(diǎn)則路徑規(guī)劃過(guò)程結(jié)束，否則轉(zhuǎn)步驟（2）。

4 基于人工神經(jīng)網(wǎng)絡(luò)的移動(dòng)機(jī)器人路徑規(guī)劃技術(shù)展望

未來(lái)時(shí)間內(nèi)，人工神經(jīng)在機(jī)器人路徑規(guī)劃過(guò)程中的應(yīng)用主要發(fā)展方向包括以下幾個(gè)方面：

4.1 與信息論相融合，確定神經(jīng)網(wǎng)絡(luò)的最優(yōu)化化目標(biāo)解

在神經(jīng)網(wǎng)絡(luò)應(yīng)用過(guò)程中，由于經(jīng)驗(yàn)值較為難以確定，因此在神經(jīng)網(wǎng)絡(luò)的應(yīng)用過(guò)程中，將神經(jīng)網(wǎng)絡(luò)看做是一個(gè)貝葉斯網(wǎng)絡(luò)，根據(jù)貝葉斯網(wǎng)絡(luò)含有的信息熵，確定神經(jīng)網(wǎng)絡(luò)的目標(biāo)函數(shù)的最優(yōu)解，以便更好的判斷機(jī)器人移動(dòng)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(luò)和遺傳算法結(jié)合起來(lái)，其可以將機(jī)器人的移動(dòng)環(huán)境設(shè)置為一個(gè)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(diǎn)構(gòu)成，神經(jīng)網(wǎng)絡(luò)決定機(jī)器人的運(yùn)動(dòng)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(biāo)點(diǎn)之間的距離作為神經(jīng)網(wǎng)絡(luò)的輸入信息，使用遺傳算法完成神經(jīng)網(wǎng)絡(luò)的權(quán)值訓(xùn)練，神經(jīng)網(wǎng)絡(luò)的輸出作為移動(dòng)機(jī)器人的運(yùn)動(dòng)作用力，實(shí)現(xiàn)一個(gè)可以在未知環(huán)境中進(jìn)行的機(jī)器人運(yùn)動(dòng)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(zhǔn)確性

為了提高神經(jīng)網(wǎng)絡(luò)的搜索準(zhǔn)確性和提高效率，可以將蟻群算法與神經(jīng)網(wǎng)絡(luò)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(duì)機(jī)器人工作環(huán)境進(jìn)行建模，然后將機(jī)器人出發(fā)點(diǎn)作為蟻巢位置，路徑規(guī)劃最終目標(biāo)點(diǎn)作為蟻群食物源，通過(guò)螞蟻間相互協(xié)作找到一條避開(kāi)障礙物的最優(yōu)機(jī)器人移動(dòng)路徑。

5 結(jié)語(yǔ)

隨著移動(dòng)機(jī)器人技術(shù)的發(fā)展，路徑規(guī)劃作為最重要的一個(gè)組成部分，其得到了許多的應(yīng)用和發(fā)展，其在導(dǎo)航過(guò)程中，也引入了許多先進(jìn)的算法，比如神經(jīng)網(wǎng)絡(luò)，更加優(yōu)化了移動(dòng)的路徑。未來(lái)時(shí)間內(nèi)，隨著神經(jīng)網(wǎng)絡(luò)技術(shù)的改進(jìn)，可以引入遺傳算法、信息論、蟻群算法等，將這些算法優(yōu)勢(shì)結(jié)合，將會(huì)是路徑規(guī)劃更加準(zhǔn)確和精確。

參考文獻(xiàn)

[1]朱大奇,顏明重,滕蓉. 移動(dòng)機(jī)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(dòng)機(jī)器人路徑規(guī)劃中的仿真研究[J].計(jì)算機(jī)仿真,2011,28(6): 227-230.

[3]熊開(kāi)封,張華.基于改進(jìn)型 FNN 的移動(dòng)機(jī)器人未知環(huán)境路徑規(guī)劃[J].制造業(yè)自動(dòng)化,2013,35(22): 1-4.

[4]柳長(zhǎng)安,鄢小虎,劉春陽(yáng).基于改進(jìn)蟻群算法的移動(dòng)機(jī)器人動(dòng)態(tài)路徑規(guī)劃方法[J].電子學(xué)報(bào),2011,39(5).

[5]范浩鋒,劉俊.基于 BP 神經(jīng)網(wǎng)絡(luò)的紅外目標(biāo)識(shí)別技術(shù)[J].計(jì)算機(jī)與數(shù)字工程,2013,41(4): 559-560.

篇2

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

中圖分類號(hào)：TP183文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：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(luò)(Artificial Neural Network, ANN)以其良好的非線性映射能力被越來(lái)越多地應(yīng)用到了復(fù)雜系統(tǒng)的建模和控制中[1-3]。以軟件形式實(shí)現(xiàn)的神經(jīng)網(wǎng)絡(luò)，無(wú)法滿足實(shí)時(shí)性要求高的領(lǐng)域，所以神經(jīng)網(wǎng)絡(luò)的硬件實(shí)現(xiàn)方法成為新的熱點(diǎn)方向。

數(shù)字神經(jīng)網(wǎng)絡(luò)的硬件實(shí)現(xiàn)方法一般有數(shù)字信號(hào)處理（DSP）、專用集成電路（ASIC）、現(xiàn)場(chǎng)可編程門(mén)陣列（FPGA）三種。其中DSP是串行實(shí)現(xiàn)，ASIC不可重構(gòu)?；贔PGA的可重構(gòu)計(jì)算很好的適應(yīng)了神經(jīng)神經(jīng)網(wǎng)絡(luò)并行、模塊化、動(dòng)態(tài)適應(yīng)性強(qiáng)的特點(diǎn)，是硬件實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)的首選[4-6]。FPGA實(shí)現(xiàn)具有大量神經(jīng)元的神經(jīng)網(wǎng)絡(luò)仍然很具挑戰(zhàn)性。主要有三個(gè)難點(diǎn)：一、神經(jīng)網(wǎng)絡(luò)激勵(lì)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(fèi)。這三點(diǎn)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(shí)為應(yīng)用背景，提出了一種面向工程應(yīng)用的BP神經(jīng)網(wǎng)絡(luò)硬件實(shí)現(xiàn)方法。根據(jù)該文數(shù)據(jù)特點(diǎn)，首先優(yōu)化BP神經(jīng)網(wǎng)絡(luò)算法，并對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，獲得最優(yōu)權(quán)值；其次采用改進(jìn)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(shí)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)的羊絨近紅外光譜數(shù)據(jù)模型，在保證精度的同時(shí)提高了資源利用率。

1 BP神經(jīng)網(wǎng)絡(luò)及其優(yōu)化算法描述

BP神經(jīng)網(wǎng)絡(luò)(Back-Propagation Neural Network，BP)是一種單向傳播的多層前饋神經(jīng)網(wǎng)絡(luò)，采用非線性可微分函數(shù)進(jìn)行權(quán)值訓(xùn)練。BP神經(jīng)網(wǎng)絡(luò)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(luò)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(dāng)成特殊的權(quán)值看，在硬件實(shí)現(xiàn)過(guò)程中，統(tǒng)一為乘累加計(jì)算，減少減法器的使用。

BP神經(jīng)網(wǎng)絡(luò)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(xué)描述如下：

前向傳播實(shí)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(diǎn)的輸出為：

hk=f1(∑

2 BP神經(jīng)網(wǎng)絡(luò)硬件實(shí)現(xiàn)

系統(tǒng)采用模塊化設(shè)計(jì)方法，主要包括乘累加、權(quán)值存儲(chǔ)、激勵(lì)函數(shù)實(shí)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(luò)的FPGA實(shí)現(xiàn)存在資源限制和精度之間的沖突。需要根據(jù)實(shí)際情況對(duì)神經(jīng)網(wǎng)絡(luò)的各種數(shù)據(jù)進(jìn)行精度分析，盡量提高資源利用率。因?yàn)槎c(diǎn)小數(shù)表示效果優(yōu)于浮點(diǎn)小數(shù)[9]，所以該文采用定點(diǎn)小數(shù)來(lái)表示數(shù)據(jù)。根據(jù)文本的實(shí)際情況，輸入樣本經(jīng)歸一化后范圍為[0,1],采用16位定點(diǎn)數(shù)表示（1，15），1位符號(hào)位，15位小數(shù)。權(quán)值范圍為[38，-18],采用21位定點(diǎn)數(shù)表示（1，6，14）。結(jié)果范圍為[-1,1]采用16位定點(diǎn)數(shù)表示（1，15），1位符號(hào)位，15位小數(shù)。

2.2乘累加設(shè)計(jì)

輸入x和權(quán)值w相乘后輸出用21位（1，6，14）定點(diǎn)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(diǎn)數(shù)表示。

2.3激勵(lì)函數(shù)實(shí)現(xiàn)

BP神經(jīng)網(wǎng)絡(luò)的FPGA設(shè)計(jì)中，激勵(lì)函數(shù)的實(shí)現(xiàn)是重點(diǎn)和難點(diǎn)。該文采用tan-s函數(shù)作為激勵(lì)函數(shù)，其表達(dá)式如下：

f(x)=

激勵(lì)函數(shù)的逼近算法主要有：泰勒級(jí)數(shù)逼近法、坐標(biāo)旋轉(zhuǎn)法、查表法、分段法。泰勒級(jí)數(shù)和分段法所占資源少但精度較差。坐標(biāo)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(shí)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(dāng)輸入大于等于6時(shí),可以將激勵(lì)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(shí)誤差為1.23e-05，滿足性能要求。

激勵(lì)函數(shù)tan-s的FPGA實(shí)現(xiàn)主要是在[-6,6]范圍內(nèi)的實(shí)現(xiàn)。由于其關(guān)于x=0對(duì)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(gè)區(qū)間，每種區(qū)間采用不同的實(shí)現(xiàn)方法。

表1 S函數(shù)各區(qū)間實(shí)現(xiàn)方法表

實(shí)現(xiàn)方法折線法查表法等分相加法

S=1

當(dāng)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(dāng)x∈(1,3]時(shí)逼近效果較差，采用查表法（LUT）實(shí)現(xiàn)tan-s函數(shù)。當(dāng)x∈(3,6)時(shí)，激勵(lì)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(gè)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(jìn)的混合激勵(lì)函數(shù)實(shí)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(lì)函數(shù)硬件實(shí)現(xiàn)方法。

3羊絨近紅外光譜數(shù)據(jù)實(shí)驗(yàn)分析

以羊絨近紅外光譜模型辨識(shí)為背景，在FPGA上進(jìn)行BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)仿真。BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為四層（2-10-7-1），即輸入層2個(gè)節(jié)點(diǎn)，第一隱含層10個(gè)節(jié)點(diǎn)，第二層隱含層7個(gè)節(jié)點(diǎn)，輸出層1個(gè)節(jié)點(diǎn)，其中輸入層、隱含層各包括一個(gè)輸入恒為1的節(jié)點(diǎn)。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(gè)樣本xn在第t,t+1,t+2,t+3個(gè)時(shí)鐘周期依次進(jìn)入輸入層、隱含層1、隱含層2、輸出層。xn+1個(gè)樣本在t+1時(shí)鐘周期進(jìn)入輸入層，依次計(jì)算輸出。這樣xn+1個(gè)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(jì)算，層與層間為流水線處理，節(jié)約處理時(shí)間。圖5為FPGA輸出和期望輸出的對(duì)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(duì)羊絨近紅外光譜圖進(jìn)行辨識(shí)。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(duì)羊絨近紅外光譜進(jìn)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(shí)現(xiàn)了BP神經(jīng)網(wǎng)絡(luò)，在保證數(shù)據(jù)精度的前提下，改進(jìn)了tan-s激勵(lì)函數(shù)的實(shí)現(xiàn)方法，并應(yīng)用于羊絨近紅外光譜辨識(shí)中，取得了較好的仿真結(jié)果。硬件實(shí)現(xiàn)羊絨近紅外光譜模型為羊絨、羊毛鑒別的嵌入式實(shí)現(xiàn)奠定了基礎(chǔ)。實(shí)驗(yàn)說(shuō)明，羊絨近紅外光譜模型的FPGA實(shí)現(xiàn)精度取決于數(shù)據(jù)表示精度和激勵(lì)函數(shù)的實(shí)現(xiàn)逼近程度，要提高辨識(shí)精度需要從這兩方面改進(jìn)。

參考文獻(xiàn):

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

[2]高雋.人工神經(jīng)網(wǎng)絡(luò)原理及仿真實(shí)例[M].北京:機(jī)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(luò)控制的改進(jìn)策略[J].控制理論與應(yīng)用, 2010, 27（4）: 466-472.

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

[5]李昂,王沁,李占才,等.基于FPGA的神經(jīng)網(wǎng)絡(luò)硬件實(shí)現(xiàn)方法[J].北京科技大學(xué)學(xué)報(bào), 2007, 29（1）: 90-95.

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

[7]陳作炳,艾春庭,夏雪峰.BP神經(jīng)網(wǎng)絡(luò)仿真軟件[J].計(jì)算機(jī)仿真, 2001, 18（4）: 23-24.

[8]林加鄉(xiāng),葛元.淺談BP神經(jīng)網(wǎng)絡(luò)在模式識(shí)別中的應(yīng)用[J].電腦知識(shí)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(shū)峰.基于BP神經(jīng)網(wǎng)絡(luò)的仿真線設(shè)計(jì)及其FPGA實(shí)現(xiàn)[J].電子與信息學(xué)報(bào), 2007, 29（5）: 1267-1270.

篇3

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

中圖分類號(hào)： TN911?34 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 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(duì)其工作性能和使用壽命有著重要的影響，所以目前人們開(kāi)始越來(lái)越多的對(duì)設(shè)備工作環(huán)境進(jìn)行監(jiān)測(cè)。對(duì)設(shè)備環(huán)境進(jìn)行有效的監(jiān)測(cè)，一方面必須利用各種傳感器技術(shù)對(duì)溫度、濕度等環(huán)境參數(shù)進(jìn)行準(zhǔn)確及時(shí)的獲取和處理；另一方面，必須構(gòu)建一個(gè)有效的分析監(jiān)測(cè)模型，能夠?qū)@些復(fù)雜的參數(shù)綜合表征的環(huán)境狀態(tài)進(jìn)行評(píng)價(jià)和判斷。而這兩個(gè)方面都涉及許多技術(shù)難點(diǎn)，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(duì)溫度等四個(gè)環(huán)境因素進(jìn)行準(zhǔn)確的采集和處理，再利用BP神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)獲得的數(shù)據(jù)進(jìn)行分析，以判斷目前環(huán)境的情況，該方法具有實(shí)現(xiàn)簡(jiǎn)單，監(jiān)測(cè)準(zhǔn)確率高的優(yōu)點(diǎn)。

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(jì)算C和互聯(lián)網(wǎng)技術(shù)的發(fā)展而出現(xiàn)的一個(gè)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(shí)別技術(shù)、GPS、激光或紅外探測(cè)器等各種裝置，實(shí)時(shí)采集任何需要監(jiān)控、連接、互動(dòng)的物體或過(guò)程，采集其聲、光、熱、電、力學(xué)、化學(xué)、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(gè)巨大網(wǎng)絡(luò)，以進(jìn)行信息交換和通信[1]。 一個(gè)完整的物聯(lián)網(wǎng)一般由感知層、網(wǎng)絡(luò)層和應(yīng)用層組成，如圖1所示。

其中，感知層網(wǎng)絡(luò)的主要作用是對(duì)實(shí)體信息的感知，信息的采集和智能識(shí)別等功能；網(wǎng)絡(luò)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(yīng)用層提供安全可靠的傳輸機(jī)制；應(yīng)用層的主要功能就是對(duì)網(wǎng)絡(luò)層傳輸?shù)暮Ａ繑?shù)據(jù)進(jìn)行存儲(chǔ)、分析和智能處理等，根據(jù)不同的應(yīng)用需求對(duì)數(shù)據(jù)進(jìn)行處理[2]。

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

為了對(duì)設(shè)備的運(yùn)行環(huán)境狀況進(jìn)行實(shí)時(shí)監(jiān)測(cè)，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(guò)物聯(lián)網(wǎng)，利用IPv6等無(wú)線通信技術(shù)，將各種傳感器、路由網(wǎng)絡(luò)和神經(jīng)網(wǎng)絡(luò)系統(tǒng)等進(jìn)行連接，從而實(shí)現(xiàn)對(duì)溫度、煙霧、水浸等環(huán)境參數(shù)的實(shí)時(shí)監(jiān)測(cè)。

本文設(shè)計(jì)的監(jiān)測(cè)物聯(lián)網(wǎng)主要由感知層的18個(gè)無(wú)線傳感器和應(yīng)用層的BP神經(jīng)網(wǎng)絡(luò)監(jiān)測(cè)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(guò)IPv6組成的無(wú)線網(wǎng)絡(luò)通過(guò)各自的路由器發(fā)送至無(wú)線網(wǎng)關(guān)，無(wú)線網(wǎng)關(guān)通過(guò)交換機(jī)與服務(wù)器相連，服務(wù)器接收到數(shù)據(jù)后，會(huì)利用構(gòu)建好的BP神經(jīng)網(wǎng)絡(luò)模型對(duì)這些數(shù)據(jù)進(jìn)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(luò)

2.1 BP神經(jīng)網(wǎng)絡(luò)的原理

BP神經(jīng)網(wǎng)絡(luò)是一種前饋型誤差修正網(wǎng)絡(luò)，它通過(guò)不斷調(diào)整各個(gè)單元層之間的網(wǎng)絡(luò)權(quán)值和閾值實(shí)現(xiàn)網(wǎng)絡(luò)的訓(xùn)練。BP神經(jīng)網(wǎng)絡(luò)主要運(yùn)行由信號(hào)的正向傳播和誤差的逆向傳播兩個(gè)過(guò)程組成，通過(guò)不斷地權(quán)重調(diào)整，可以實(shí)現(xiàn)網(wǎng)絡(luò)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(luò)一共包含4個(gè)路由器（含網(wǎng)卡）和18個(gè)無(wú)線傳感器（含3個(gè)水浸傳感器、4個(gè)煙霧傳感器、6個(gè)溫度傳感器和5個(gè)濕度傳感器）。通過(guò)傳感器和路由器組建傳感器的物聯(lián)網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)環(huán)境信息的獲取，并上傳至數(shù)據(jù)處理中心。將各個(gè)類型傳感器收集到的數(shù)據(jù)分別進(jìn)行加權(quán)平均，由于水浸和煙霧為簡(jiǎn)單的“是否”問(wèn)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(jìn)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(jìn)行歸一化運(yùn)算，經(jīng)過(guò)歸一化后的評(píng)價(jià)指標(biāo)[yi]在[0，1]之間。為了簡(jiǎn)化仿真模型，特對(duì)輸出狀態(tài)進(jìn)行編碼，模型輸出為評(píng)價(jià)環(huán)境的優(yōu)、良、中、差、危險(xiǎn)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(luò)模型

本文采用含一個(gè)隱藏層的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行分析，由于輸入單元為4，輸出單元為5，根據(jù)經(jīng)驗(yàn)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(shí)，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(luò)模型的訓(xùn)練

在Matlab中代入這8組樣本向量對(duì)構(gòu)建的網(wǎng)絡(luò)進(jìn)行訓(xùn)練，期望誤差設(shè)為10?6，訓(xùn)練過(guò)程中，BP神經(jīng)網(wǎng)絡(luò)誤差的變化形式如圖3所示。

由圖3可知，當(dāng)訓(xùn)練經(jīng)過(guò)58次迭代之后，達(dá)到了滿意的誤差期望。獲得理想的神經(jīng)網(wǎng)絡(luò)模型后，在剩余樣本中選擇8組數(shù)據(jù)對(duì)該BP神經(jīng)網(wǎng)絡(luò)進(jìn)行檢驗(yàn)測(cè)試實(shí)驗(yàn)，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(guò)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(cè)數(shù)據(jù)分別誤判為良和中。為了提高模型的檢測(cè)精度，將這兩組作為訓(xùn)練樣本加入訓(xùn)練集中，重新對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，圖4是新構(gòu)建的神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)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(dá)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(jìn)行檢測(cè)的仿真結(jié)果。

由表5可以看到，經(jīng)過(guò)2次訓(xùn)練后，本文構(gòu)建的神經(jīng)網(wǎng)絡(luò)對(duì)樣本的判斷結(jié)果均正確，對(duì)環(huán)境具有較好的監(jiān)測(cè)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(cè)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(zhǔn)確判斷環(huán)境狀態(tài)的BP神經(jīng)網(wǎng)絡(luò)模型。在仿真過(guò)程中發(fā)現(xiàn)將第一次訓(xùn)練的錯(cuò)誤數(shù)據(jù)代入原模型作為訓(xùn)練樣本，并進(jìn)行兩次訓(xùn)練可以大大提高神經(jīng)網(wǎng)絡(luò)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(shí)用意義。

參考文獻(xiàn)

[1] 劉飛.物聯(lián)網(wǎng)的應(yīng)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(luò)技術(shù)的物聯(lián)網(wǎng)監(jiān)控預(yù)警系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D].北京：北京工業(yè)大學(xué)，2015.

[3] 王億之.神經(jīng)網(wǎng)絡(luò)算法在物聯(lián)網(wǎng)中的應(yīng)用研究[J].計(jì)算機(jī)應(yīng)用研究，2015（3）：128?132.

[4] 林華.基于BP神經(jīng)網(wǎng)絡(luò)改進(jìn)算法的檢測(cè)方法[J].計(jì)算機(jī)工程，2015（8）：143?149.

篇4

關(guān)鍵詞:BP神經(jīng)網(wǎng)絡(luò),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(gè)因素在脫硫塔內(nèi)相反應(yīng)以降低煙氣中的SO2含量。該工藝具有流程比較簡(jiǎn)單、較少的耗水量、平均投入資金少、固化排出物、無(wú)廢水排放等優(yōu)點(diǎn)。此工藝與濕法脫硫工藝相比,相對(duì)成本低比較低,對(duì)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(guò)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(diǎn)和難點(diǎn),也是半干法脫硫工藝目的所在。國(guó)家已經(jīng)訂立了強(qiáng)制性的二氧化硫排放標(biāo)準(zhǔn),即由400mg/Nm3進(jìn)一步嚴(yán)格控制為200mg/Nm3的限值,并且增加了監(jiān)管力度。這對(duì)于目前的脫硫系統(tǒng)是一個(gè)重大的考驗(yàn)。由此,二氧化硫的排放量的預(yù)測(cè)在實(shí)際工作的重要性也不盡凸現(xiàn)出來(lái)。然而目前對(duì)于循環(huán)流化床煙氣脫硫工藝的預(yù)測(cè)的研究比較少,這嚴(yán)重阻礙了脫硫工藝的發(fā)展。通過(guò)合理及準(zhǔn)確的預(yù)測(cè)二氧化硫的排放量,可以很好的確定在脫硫中各個(gè)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(xué)依據(jù)。對(duì)于企業(yè)來(lái)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(guó)家某電廠脫硫數(shù)據(jù),此電廠自2008年設(shè)計(jì)和改造了脫硫除塵系統(tǒng),屬于典型的經(jīng)預(yù)除塵后煙氣先脫硫后除塵的布置方式,其設(shè)計(jì)鈣硫比為1.3,但是實(shí)際運(yùn)行中,鈣硫比高達(dá)2.3~2.5,極大的增加了脫硫裝置的運(yùn)行成本,經(jīng)廠家多次調(diào)試和改造,沒(méi)有明顯改善。BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋型神經(jīng)網(wǎng)絡(luò),目前的研究發(fā)現(xiàn),三層的神經(jīng)網(wǎng)絡(luò)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(xué)習(xí)算法。其主要應(yīng)用于四個(gè)方面:函數(shù)逼近,模式識(shí)別,分類,數(shù)據(jù)壓縮。經(jīng)過(guò)調(diào)整權(quán)值,實(shí)現(xiàn)對(duì)數(shù)據(jù)的在精確范圍內(nèi)的預(yù)測(cè),輔助下一步的優(yōu)化工作。

二、構(gòu)造BP神經(jīng)網(wǎng)絡(luò)模型

構(gòu)建神經(jīng)網(wǎng)絡(luò)一般需要進(jìn)行三個(gè)步:神經(jīng)網(wǎng)絡(luò)生成,初始化權(quán)值和仿真。

BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則是要保證網(wǎng)絡(luò)權(quán)值和閥值要沿著負(fù)梯度方向修正,以實(shí)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(xué)習(xí)率。

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

隱層節(jié)點(diǎn)的輸出:hj=f(∑iwjixi-θj)=f(netj)

其中netj=∑iwjixi-θj

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

1. 誤差函數(shù)對(duì)輸出節(jié)點(diǎn)求導(dǎo):

Ewlj=∑nk=1Eykykvlj=Evlylvlj

2. 誤差函數(shù)對(duì)隱層節(jié)點(diǎn)求導(dǎo):

Ewji=∑i∑jEylylhjhjwji

3. 閥值的修正:

在修正權(quán)值的過(guò)程中,也應(yīng)該考慮對(duì)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(duì)輸出節(jié)點(diǎn)閥值求導(dǎo):

Eθl=Eylylθl

誤差函數(shù)對(duì)隱層節(jié)點(diǎn)閥值求導(dǎo)

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(fēng)機(jī)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(fēng)機(jī)包括:增壓風(fēng)機(jī)電機(jī)電流信號(hào)、增壓風(fēng)機(jī)入口擋板開(kāi)度;吸收劑部分包括:吸收劑送風(fēng)壓力、吸收劑給料機(jī)開(kāi)度。其中塔前壓力和塔后壓力各有兩個(gè)監(jiān)測(cè)點(diǎn),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(yù)測(cè)之前,首先需要對(duì)數(shù)據(jù)進(jìn)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(gè)重要的步驟,對(duì)數(shù)據(jù)合理的清理可以加快算法收斂速率,提高預(yù)測(cè)準(zhǔn)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(yù)測(cè)的準(zhǔn)確度。

此外,由于數(shù)據(jù)中各個(gè)變量的變化差異比較大,在應(yīng)用之前也需要對(duì)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(guò)此歸一化方法進(jìn)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(luò)模型的有21個(gè)輸入變量,即影響因素;1個(gè)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(luò),輸入層包含21個(gè)神經(jīng)元,隱含層包含了20個(gè)神經(jīng)元,輸出層包含1個(gè)神經(jīng)元。

圖1所示為利用BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練的仿真;圖2所示為預(yù)測(cè)值與實(shí)際值得比較圖。

通過(guò)BP神經(jīng)網(wǎng)絡(luò)的仿真訓(xùn)練圖,我們可以看到,經(jīng)過(guò)305次迭代神經(jīng)網(wǎng)絡(luò)停止,預(yù)測(cè)精度約為0.0072。

圖1BP神經(jīng)網(wǎng)絡(luò)仿真圖2預(yù)測(cè)值與原值比較圖

五、結(jié)語(yǔ)

通過(guò)仿真,利用BP神經(jīng)網(wǎng)絡(luò)不斷的訓(xùn)練,實(shí)現(xiàn)了對(duì)循環(huán)流化床煙氣脫硫工藝預(yù)測(cè),并實(shí)現(xiàn)了預(yù)測(cè)值與實(shí)際值得比較。從實(shí)驗(yàn)中,可以看出,預(yù)測(cè)值存在的一定的誤差。今后本課題的目標(biāo)就是更加減小誤差值,盡量滿足預(yù)測(cè)的需要。

在符合實(shí)際情況下的高精度預(yù)測(cè),對(duì)于預(yù)測(cè)主題是非常重要的。利用預(yù)測(cè)可是預(yù)知不利的情況,提前做好防范。并且可以為進(jìn)一步優(yōu)化提供了便利條件。利用預(yù)測(cè)值,可以客觀的驗(yàn)證優(yōu)化的效率及程度。(作者單位:河北大學(xué)管理學(xué)院)

參考文獻(xiàn):

[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(cè)量[J].儀器儀表學(xué)報(bào),2009,30(7).

[2]董長(zhǎng)虹.Matlab神經(jīng)網(wǎng)絡(luò)與應(yīng)用[M].國(guó)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(yīng)過(guò)程的數(shù)值模擬及試驗(yàn)研究[J]. 動(dòng)力工程,2008,28(3).

篇5

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

中圖分類號(hào)：TN911-34; TP332 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：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(duì)系統(tǒng)運(yùn)行的可靠性、持續(xù)性和穩(wěn)定性要求也越來(lái)越高，這就使得電力系統(tǒng)中問(wèn)題的解決越來(lái)越困難。

繼電保護(hù)的任務(wù)就是檢測(cè)故障信息，識(shí)別故障信號(hào)，進(jìn)而決定保護(hù)是否跳閘。傳統(tǒng)的繼電保護(hù)和故障診斷方法自適應(yīng)能力有限，不能適應(yīng)各種運(yùn)行方式和診斷復(fù)雜故障。

徑向基神經(jīng)網(wǎng)絡(luò)（RBFN）具有很強(qiáng)的自適應(yīng)能力、學(xué)習(xí)能力、非線性映射能力和容錯(cuò)能力，并且魯棒性好，應(yīng)用在電力系統(tǒng)繼電保護(hù)有很大優(yōu)勢(shì)，很多難以列出方程式或難以求解的復(fù)雜的非線性問(wèn)題，應(yīng)用徑向基神經(jīng)網(wǎng)絡(luò)（RBFN）方法都可以得到很好的解決。

1 人工神經(jīng)網(wǎng)絡(luò)概述

1.1 人工神經(jīng)網(wǎng)的概念

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks，ANNs）也簡(jiǎn)稱為神經(jīng)網(wǎng)絡(luò)（NNs）或稱作連接模型（Connectionist Model），它是一種模范動(dòng)物神經(jīng)網(wǎng)絡(luò)行為特征，進(jìn)行分布式并行信息處理的算法數(shù)學(xué)模型。這種網(wǎng)絡(luò)依靠系統(tǒng)的復(fù)雜程度，通過(guò)調(diào)整內(nèi)部大量節(jié)點(diǎn)之間相互連接的關(guān)系，從而達(dá)到處理信息的目的。人工神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)和自適應(yīng)的能力，可以通過(guò)預(yù)先提供一批相互對(duì)應(yīng)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(lái)推算輸出結(jié)果，這種學(xué)習(xí)分析的過(guò)程被稱為“訓(xùn)練”。

人工神經(jīng)網(wǎng)絡(luò)是一門(mén)模擬人腦生物過(guò)程的人工智能技術(shù),是根據(jù)大腦神經(jīng)元電化學(xué)活動(dòng)抽象出來(lái)的一種多層網(wǎng)絡(luò)結(jié)構(gòu)，它是由大量的神經(jīng)元互聯(lián)形成的復(fù)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(guò)一個(gè)權(quán)重K進(jìn)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(luò)理論

徑向基神經(jīng)網(wǎng)絡(luò)(RBFN)是一個(gè)三層的前饋神經(jīng)網(wǎng)絡(luò)，包括一個(gè)輸入層、一個(gè)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(duì)輸入矢量進(jìn)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(wèn)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(luò)，科學(xué)界已經(jīng)證明它能以任意精度逼近任意函數(shù)，其拓?fù)浣Y(jié)構(gòu)如圖2所示。

圖1 人工神經(jīng)元模型

圖2 RBF網(wǎng)絡(luò)結(jié)構(gòu)圖

輸入層節(jié)點(diǎn)獲取輸入向量后，傳遞輸入向量到隱含層。隱含層節(jié)點(diǎn)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(gè)新的空間。輸出層通常是簡(jiǎn)單的線性函數(shù)。隱含層節(jié)點(diǎn)和輸出層節(jié)點(diǎn)以不同的權(quán)重完全連接。隱含層節(jié)點(diǎn)的激活函數(shù)對(duì)輸入激勵(lì)產(chǎn)生一個(gè)局部響應(yīng)，輸入向量越靠近基函數(shù)的中心，隱含層節(jié)點(diǎn)做出的響應(yīng)越大。隱含層第j結(jié)點(diǎn)的輸出響應(yīng)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(gè)神經(jīng)元的中心和大??；c為神經(jīng)元的個(gè)數(shù)。

輸出層為隱含層各個(gè)單元的加權(quán)和:

И=f(x)=∑cj=1wjGj(x)（3）И

式中：wj為第j 個(gè)神經(jīng)元對(duì)應(yīng)的權(quán)值。

2 基于RBF的超高壓繼電保護(hù)算法

2.1 訓(xùn)練數(shù)據(jù)的樣本采集

訓(xùn)練所需要的樣本數(shù)據(jù)，直接關(guān)系到訓(xùn)練出來(lái)經(jīng)驗(yàn)函數(shù)精度的優(yōu)劣，所以一組好的訓(xùn)練樣本是經(jīng)驗(yàn)函數(shù)精度的保證。本文采用內(nèi)蒙古電力集團(tuán)公司超高壓局近幾年對(duì)繼電保護(hù)數(shù)據(jù)記錄，其中樣本數(shù)據(jù)繁多，從中選取了5 000個(gè)有效數(shù)據(jù)作為樣本，用其中4 000來(lái)訓(xùn)練經(jīng)驗(yàn)函數(shù)，后1 000個(gè)用來(lái)檢測(cè)訓(xùn)練效果。

2.2 RBF神經(jīng)網(wǎng)絡(luò)混合學(xué)習(xí)算法

RBF網(wǎng)絡(luò)的學(xué)習(xí)分為兩個(gè)過(guò)程。第一個(gè)過(guò)程：根據(jù)所有輸入向量確定各隱含層節(jié)點(diǎn)的高斯函數(shù)的中心值cj。第二個(gè)過(guò)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(luò)的關(guān)鍵問(wèn)題是根據(jù)給定的訓(xùn)練樣本確定徑向基函數(shù)的中心。因?yàn)橐坏┐_定了徑向基函數(shù)的中心cj，則對(duì)于所有的訓(xùn)練樣本而言Gj和預(yù)期輸出yt 是已知的，輸出權(quán)值`jt可以通過(guò)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(guò)程中首先定義誤差函數(shù)：

ИE=12∑Nn=1En（4）И

式中：N為樣本個(gè)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(yīng)與其負(fù)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(dāng)所有樣本輸入完成后，運(yùn)用迭代的方法對(duì)參數(shù)進(jìn)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(xué)習(xí)速率；σj是高斯寬度的學(xué)習(xí)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(xué)習(xí)速率通常大于中心的學(xué)習(xí)速率，因?yàn)樾〉膶W(xué)習(xí)速率使算法收斂過(guò)慢，而過(guò)大的學(xué)習(xí)速率可能會(huì)導(dǎo)致算法變得不穩(wěn)定。

2.2.2 RBF網(wǎng)絡(luò)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(xùn)練樣本。若RBF網(wǎng)絡(luò)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(biāo)輸出為：T=(t1,t2,…,ts)T∈Rs×N，在這里采用線性最小二乘法(LLS)來(lái)使得目標(biāo)輸出與網(wǎng)絡(luò)實(shí)際輸出之間的誤差達(dá)到最小,運(yùn)用R的R+來(lái)求得W為R+T。

2.2.3 經(jīng)驗(yàn)函數(shù)訓(xùn)練流程圖

本文所訓(xùn)練的經(jīng)驗(yàn)函數(shù)的算法流程圖分為兩個(gè)階段，第一階段是樣本處理，由于樣本具有重復(fù)性，在經(jīng)過(guò)樣本處理后，就保證了存儲(chǔ)在樣本庫(kù)中的樣本都具有代表性，消除重復(fù)訓(xùn)練，提高訓(xùn)練速率；第二階段是訓(xùn)練經(jīng)驗(yàn)函數(shù)。訓(xùn)練過(guò)程如圖3所示。

圖3 經(jīng)驗(yàn)函數(shù)的算法流程圖

3 實(shí)驗(yàn)結(jié)果與分析

該研究采用Matlab 7.0.0來(lái)做仿真實(shí)驗(yàn),針對(duì)關(guān)注的5個(gè)重要的超高壓繼電保護(hù)指標(biāo)分別進(jìn)行預(yù)測(cè)，實(shí)驗(yàn)數(shù)據(jù)來(lái)自內(nèi)蒙古電力集團(tuán)公司超高壓局近幾年對(duì)繼電保護(hù)數(shù)據(jù)記錄，實(shí)驗(yàn)采用大量超高壓繼電保護(hù)值來(lái)訓(xùn)練RBF神經(jīng)網(wǎng)絡(luò)，當(dāng)網(wǎng)絡(luò)訓(xùn)練達(dá)到誤差平方和目標(biāo)0.01時(shí)，網(wǎng)絡(luò)訓(xùn)練結(jié)束。

圖4~圖8分別為故障檢測(cè)、故障定位，自適應(yīng)自動(dòng)重合閘技術(shù)、差動(dòng)保護(hù)以及距離保護(hù)的預(yù)測(cè)值與實(shí)際值之間的比較(其中橫軸均為時(shí)間序列，縱軸為超高壓繼電保護(hù)的相應(yīng)指標(biāo)值)。

通過(guò)仿真結(jié)果可以看出：曲線的擬合度較好，說(shuō)明通過(guò)RBF神經(jīng)網(wǎng)絡(luò)短期預(yù)測(cè)超高壓繼電保護(hù)取得了較好的效果。但是長(zhǎng)期的預(yù)測(cè)則需要考慮超高壓繼電保護(hù)各衡量指標(biāo)的突變情況，此時(shí)RBF神經(jīng)網(wǎng)絡(luò)無(wú)法對(duì)其做出準(zhǔn)確的預(yù)測(cè)。

4 結(jié) 語(yǔ)

本文將RBF神經(jīng)網(wǎng)絡(luò)及其相關(guān)算法應(yīng)用到超高壓繼電保護(hù)預(yù)測(cè)上，可以更好、更快地動(dòng)態(tài)預(yù)測(cè)繼電保護(hù)的工作狀態(tài)。在其中RBF網(wǎng)絡(luò)大大提高了訓(xùn)練的速度，節(jié)省了時(shí)間且預(yù)測(cè)精度更高，在局部的短期預(yù)測(cè)中占有優(yōu)勢(shì)。怎樣進(jìn)一步改進(jìn)優(yōu)化預(yù)測(cè)算法是RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)超高壓繼電保護(hù)的下一步研究方向。

參考文獻(xiàn)

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

［2］劉學(xué)軍.繼電保護(hù)原理\.北京：中國(guó)電力出版社,2007.

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

［4］黃懿.繼電保護(hù)可靠運(yùn)行的控制分析\.中國(guó)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(luò)在電力系統(tǒng)繼電保護(hù)中的應(yīng)用\.電力學(xué)報(bào),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(hù)中的應(yīng)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(luò)在高壓斷路器機(jī)械故障診斷中的應(yīng)用\.電網(wǎng)與清潔能源，2010,26(6):57-61.

［12］李風(fēng)光,楊志.基于BP網(wǎng)絡(luò)的自適應(yīng)接地保護(hù)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(yù)失真;神經(jīng)網(wǎng)絡(luò);互調(diào)失真

中圖分類號(hào):TP183文獻(xiàn)標(biāo)識(shí)碼:A

文章編號(hào):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(wú)線通信技術(shù)的迅猛發(fā)展,使得人們對(duì)通信系統(tǒng)的容量要求越來(lái)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(hào)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(huì)出現(xiàn)較大的互調(diào)失真,同時(shí)會(huì)導(dǎo)致頻譜擴(kuò)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(fù)雜,價(jià)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(diǎn)做較大回退來(lái)滿足線性放大的要求,但這樣做會(huì)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(guò)適當(dāng)增加一些電路來(lái)克服其非線性影響。目前功放線性化技術(shù)主要有前饋、負(fù)反饋和預(yù)失真技術(shù)。負(fù)反饋固有的穩(wěn)定性問(wèn)題,使得反饋線性化技術(shù)工作在無(wú)線頻率無(wú)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(xiàng)技術(shù),比較成熟,但其最大的難點(diǎn)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(huì)使系統(tǒng)和設(shè)備都較復(fù)雜。預(yù)失真技術(shù)具有電路形式簡(jiǎn)單,調(diào)整方便,效率高,造價(jià)低等優(yōu)點(diǎn)[3]。其中,基帶預(yù)失真還能采用現(xiàn)代的數(shù)字信號(hào)處理技術(shù),是被最為看好的一項(xiàng)功放線性化技術(shù)。

文章利用一種簡(jiǎn)單的單入單出三層前向神經(jīng)網(wǎng)絡(luò)來(lái)進(jìn)行自適應(yīng)預(yù)失真處理,補(bǔ)償由高功率放大器非線性特性引起的信號(hào)失真,從而實(shí)現(xiàn)其線性化。文中分析基于這種結(jié)構(gòu)的自適應(yīng)算法,并做了相應(yīng)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(xiàng)式預(yù)失真更快,具有一定的優(yōu)勢(shì)。

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(dāng)輸入信號(hào)幅度變化較大時(shí),放大器工作區(qū)將在飽和區(qū)、截止區(qū)、放大區(qū)之間來(lái)回轉(zhuǎn)換,非線性失真嚴(yán)重,會(huì)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(xiàng)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(hào)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(hào)中不僅包含2個(gè)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(huì)落在通頻帶內(nèi),一般無(wú)法濾除,是對(duì)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(biāo)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(yù)失真基本原理及其自適應(yīng)

預(yù)失真就是在信號(hào)通過(guò)放大器之前通過(guò)預(yù)失真器對(duì)信號(hào)做一個(gè)與放大器失真特性相反的失真,然后與放大器級(jí)聯(lián),從而保證輸出信號(hào)相對(duì)輸入信號(hào)是線性變化。預(yù)失真器產(chǎn)生一個(gè)非線性的轉(zhuǎn)移特性,這個(gè)轉(zhuǎn)移特性在相位上與放大器轉(zhuǎn)移特性相反,實(shí)質(zhì)上是一個(gè)非線性發(fā)生器,其原理圖如圖1所示。

預(yù)失真器的實(shí)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(jiǎn)單,易于實(shí)現(xiàn),早期的預(yù)失真多采用此方法。但它對(duì)性能的改善程度取決于表項(xiàng)的大小,性能改善越大,需要的表項(xiàng)越大,所需要的存儲(chǔ)空間也越大,每次查找遍歷表項(xiàng)的每個(gè)數(shù)據(jù)和更新表項(xiàng)所需要的時(shí)間和計(jì)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(duì)放大器輸出信號(hào)采樣值與其輸入信號(hào),用一個(gè)非線性工作函數(shù)來(lái)擬合放大器的工作曲線,然后根據(jù)預(yù)失真器特性與放大器特性相反,求出預(yù)失真器的非線性特性函數(shù),從而對(duì)發(fā)送信號(hào)進(jìn)行預(yù)失真處理。這種方法只需要更新非線性函數(shù)的幾個(gè)系數(shù),也不需要大的存儲(chǔ)空間,因此是近年來(lái)研究的熱點(diǎn)。

圖1 預(yù)失真基本原理

假設(shè)預(yù)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(fù)函數(shù)。若輸入信號(hào)為x(t),則經(jīng)過(guò)預(yù)失真器之后的信號(hào)為u(t)=F\,放大器的輸出函數(shù)為y(t)=G\=G{F\}。預(yù)失真的目的就是使x(t)通過(guò)預(yù)失真器和放大器級(jí)聯(lián)后的輸出y(t)=ax(t),a為放大器增益。通過(guò)一定的方法可以找到合適的F,使實(shí)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(huì)發(fā)生變化,從而預(yù)失真器傳輸函數(shù)F(x)的各參數(shù)也會(huì)隨之變化。因此,現(xiàn)代數(shù)字預(yù)失真技術(shù)一般都采用自適應(yīng)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(yīng)預(yù)失真結(jié)構(gòu)如圖2和圖3所示。

圖2 自適應(yīng)預(yù)失真系統(tǒng)結(jié)構(gòu)圖

圖3 復(fù)制粘帖式自適應(yīng)預(yù)失真系統(tǒng)結(jié)構(gòu)圖

圖2是一般的通用自適應(yīng)結(jié)構(gòu),結(jié)構(gòu)簡(jiǎn)單,思路明確,但一些經(jīng)典的自適應(yīng)算法由于多了放大器求導(dǎo)項(xiàng)而不能直接應(yīng)用,且需要辨識(shí)放大器的傳輸特性。圖3的復(fù)制粘帖式結(jié)構(gòu)(非直接學(xué)習(xí))則不存在這些問(wèn)題,關(guān)于這種結(jié)構(gòu)的優(yōu)缺點(diǎn)比較和具體性能分析見(jiàn)文獻(xiàn)[4]。這里將采用后一種自適應(yīng)結(jié)構(gòu)。

3 基于一種單入單出式神經(jīng)網(wǎng)絡(luò)的自適應(yīng)預(yù)失真技術(shù)

3.1 神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)是基于生物學(xué)的神經(jīng)元網(wǎng)絡(luò)的基本原理而建立的。它是由許多稱為神經(jīng)元的簡(jiǎn)單處理單元組成的一類自適應(yīng)系統(tǒng),所有神經(jīng)元通過(guò)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(luò)是目前最為常用的網(wǎng)絡(luò)結(jié)構(gòu)。它被廣泛應(yīng)用到模式分類和函數(shù)逼近中,已經(jīng)證明含有任意多個(gè)隱層神經(jīng)元的多層前向神經(jīng)元網(wǎng)絡(luò)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(luò)的這種功能來(lái)擬合預(yù)失真器的特性曲線,并且用改進(jìn)的反向傳播算法來(lái)自適應(yīng)更新系數(shù)。

多層前向神經(jīng)元網(wǎng)絡(luò)由輸入層、一個(gè)或多個(gè)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(luò)示意圖如圖4所示,其中輸入層有M個(gè)人工神經(jīng)元,隱層有K個(gè)神經(jīng)元,輸出層有N個(gè)神經(jīng)元。關(guān)于人工神經(jīng)元的具體介紹

參考文獻(xiàn)[6,7]。

圖4 三層前向神經(jīng)元網(wǎng)絡(luò)

3.2 基于單入單出式神經(jīng)網(wǎng)絡(luò)的自適應(yīng)預(yù)失真系統(tǒng)模型

單入單出三層前向神經(jīng)網(wǎng)絡(luò)示意圖如圖5所示,假設(shè)隱層包含K個(gè)神經(jīng)元。輸入數(shù)據(jù)經(jīng)過(guò)一系列權(quán)系數(shù){w11,w12,…,w1K}加權(quán)后到達(dá)隱層的各個(gè)神經(jīng)元。隱層中的神經(jīng)元將輸入進(jìn)來(lái)的數(shù)據(jù)通過(guò)一個(gè)激勵(lì)函數(shù)(核函數(shù)),其各神經(jīng)元的輸出經(jīng)過(guò)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(guò)激勵(lì)函數(shù)的輸出作為整個(gè)網(wǎng)絡(luò)的輸出。單入單出式神經(jīng)網(wǎng)絡(luò)自適應(yīng)預(yù)失真系統(tǒng)模型就是把圖5所示的神經(jīng)網(wǎng)絡(luò)放入圖3所示的自適應(yīng)預(yù)失真模型的預(yù)失真器{f}和函數(shù)發(fā)生器{f′}模塊中,兩個(gè)神經(jīng)網(wǎng)絡(luò)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(luò)

預(yù)失真器神經(jīng)網(wǎng)絡(luò)和函數(shù)發(fā)生器神經(jīng)網(wǎng)絡(luò)開(kāi)始都隨機(jī)初始化。先看預(yù)失真器神經(jīng)網(wǎng)絡(luò),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(guò)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(yù)失真器輸出U1=f(z1),經(jīng)過(guò)功放后得到系統(tǒng)輸出yi。通過(guò)衰減器后的信號(hào)作為訓(xùn)練神經(jīng)網(wǎng)絡(luò)的輸入信號(hào),經(jīng)過(guò)前面神經(jīng)網(wǎng)絡(luò)相同的過(guò)程訓(xùn)練網(wǎng)絡(luò)輸出層的輸出為U2,絕對(duì)誤差信號(hào)e1(i)=U1(i)-U2(i),然而直接把此誤差運(yùn)用到自適應(yīng)算法中導(dǎo)致算法會(huì)局部收斂且收斂速度極慢。因此本文對(duì)誤差信號(hào)做了改進(jìn),即把誤差信號(hào)改為e(i)=(1/2){λ\2+(1-λ)φ\(chéng)},其中φ(x)=In\/β,加入的調(diào)整因子λ和輔助項(xiàng)φ,能把算法從局部收斂點(diǎn)拉出來(lái)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(xùn)練神經(jīng)網(wǎng)絡(luò)的權(quán)系數(shù)更新式如下(下標(biāo)2為隱層到輸出層權(quán)系數(shù);下標(biāo)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(yù)失真權(quán)系數(shù)可分為訓(xùn)練和跟蹤兩個(gè)階段。根據(jù)上面的迭代公式,得到一組訓(xùn)練神經(jīng)網(wǎng)絡(luò)的權(quán)系數(shù)。把這種權(quán)系數(shù)拷貝到預(yù)失真器神經(jīng)網(wǎng)絡(luò)中替代原來(lái)的權(quán)系數(shù),得到一組新的預(yù)失真系數(shù),之后重新計(jì)算誤差,繼續(xù)上面的過(guò)程循環(huán)迭代運(yùn)算,直到誤差小于規(guī)定的范圍,即整個(gè)系統(tǒng)收斂,預(yù)失真器訓(xùn)練完成。此時(shí)稱之為訓(xùn)練階段。之后隨著溫度、輸入的不同,調(diào)制信號(hào)、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(gè)誤差門(mén)限值,一旦發(fā)現(xiàn)誤差超過(guò)此門(mén)限,立即重新啟動(dòng)上面的循環(huán)迭代,重新訓(xùn)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(shí)時(shí)運(yùn)算的要求。同時(shí)在硬件實(shí)現(xiàn)上,只要做一個(gè)核函數(shù)發(fā)生器,其他就全是乘累加運(yùn)算,與多項(xiàng)式結(jié)構(gòu)的高次冪運(yùn)算相比,硬件實(shí)現(xiàn)要簡(jiǎn)單得多,因此具有一定的實(shí)用性。

4 性能仿真

文中使用雙音信號(hào)進(jìn)行了仿真分析,雙音信號(hào)為:

xs=0.5

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

圖6 預(yù)失真前后信號(hào)歸一化頻譜圖

圖7 神經(jīng)網(wǎng)絡(luò)和多項(xiàng)式結(jié)構(gòu)誤差曲線

由圖6可見(jiàn),雙音信號(hào)通過(guò)放大器后產(chǎn)生了較大的失真,其中的三階互調(diào)達(dá)到-17 dB,五階互調(diào)也有-36 dB。通過(guò)文中所提的神經(jīng)網(wǎng)絡(luò)預(yù)失真系統(tǒng)處理后,即信號(hào)通過(guò)預(yù)失真器再通過(guò)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(xiàn)[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(luò)預(yù)失真結(jié)構(gòu)的誤差收斂曲線,它們都能達(dá)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(luò)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(hào)和通過(guò)預(yù)失真處理后放大器的輸出信號(hào)波形圖。由圖可見(jiàn),經(jīng)過(guò)本文所提出的神經(jīng)網(wǎng)絡(luò)預(yù)失真網(wǎng)絡(luò)處理后,輸出信號(hào)波形基本沒(méi)有失真,能與輸入信號(hào)很好的重合,表明該神經(jīng)網(wǎng)絡(luò)預(yù)失真技術(shù)能很好的實(shí)現(xiàn)功放線性化。

圖8 輸入信號(hào)和通過(guò)預(yù)失真處理后放大的輸出信號(hào)波形圖

5 結(jié) 語(yǔ)

本文針對(duì)放大器固有的非線性特性問(wèn)題,從數(shù)學(xué)上分析了放大器的非線性失真,介紹基于預(yù)失真基本原理和神經(jīng)網(wǎng)絡(luò)基本概念,提出一種單入單出式神經(jīng)網(wǎng)絡(luò)自適應(yīng)預(yù)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(duì)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(xiàng)式預(yù)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(shí)現(xiàn)上只要做好一個(gè)核函數(shù)發(fā)生器,其他運(yùn)算就全是簡(jiǎn)單的乘累加過(guò)程,可以避免硬件難以完成的多項(xiàng)式高次冪運(yùn)算,表現(xiàn)出了一定的優(yōu)勢(shì)。

參考文獻(xiàn)

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

[2]錢(qián)業(yè)青,劉富強(qiáng).寬帶RF功率放大器的預(yù)失真線性化技術(shù)綜述[J].計(jì)算機(jī)工程與應(yīng)用,2007,43(32):114-117.

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

[4]錢(qián)業(yè)青.一種高效的用于RF功率放大器線性化的自適應(yīng)預(yù)失真結(jié)構(gòu)[J].通信學(xué)報(bào),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(yīng)用[M].北京:清華大學(xué)出版社,2003.

[7]朱劍英.智能系統(tǒng)非經(jīng)典數(shù)學(xué)方法[M].武漢:華中科技大學(xué)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(luò)超市顧客滿意度調(diào)查問(wèn)卷

超市顧客滿意度體現(xiàn)了超市的價(jià)值，也是超市生存發(fā)展壯大的根本。顧客滿意度評(píng)價(jià)作為超市了解顧客滿意程度的一種手段和工具，對(duì)于超市來(lái)說(shuō)具有重要的意義。超市通過(guò)顧客滿意度評(píng)價(jià)，一方面可以和過(guò)去的經(jīng)營(yíng)業(yè)績(jī)進(jìn)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(jìn)行橫向比較，認(rèn)清自己在市場(chǎng)競(jìng)爭(zhēng)中的位置，識(shí)別主要的競(jìng)爭(zhēng)者以及市場(chǎng)中存在的機(jī)遇和障礙。對(duì)顧客滿意的評(píng)價(jià)信息進(jìn)行分析還可以幫助超市了解自己的薄弱環(huán)節(jié)，推動(dòng)超市經(jīng)營(yíng)機(jī)制的改革，幫助超市制定正確的發(fā)展戰(zhàn)略和市場(chǎng)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(píng)價(jià)模型是超市評(píng)價(jià)其顧客滿意度的關(guān)鍵問(wèn)題。本文在對(duì)調(diào)查問(wèn)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(luò)的超市顧客滿意度評(píng)價(jià)模型。

一、超市顧客滿意度指標(biāo)體系的建立

評(píng)價(jià)指標(biāo)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(diǎn)來(lái)確定。在確定顧客滿意度指標(biāo)時(shí)應(yīng)當(dāng)遵循全面性、代表性、區(qū)分度和效用性等原則，同時(shí)也必須根據(jù)超市的需要來(lái)確定評(píng)價(jià)指標(biāo)，同時(shí)隨著超市顧客信用管理水平的改善和營(yíng)銷環(huán)境的變化，應(yīng)及時(shí)作適當(dāng)調(diào)整。

1.超市顧客滿意度指標(biāo)選取原則

一個(gè)好的指導(dǎo)原則是整個(gè)評(píng)價(jià)系統(tǒng)的靈魂，指導(dǎo)原則決定整個(gè)評(píng)價(jià)體系的效果。如何建構(gòu)整體體系，必須以設(shè)計(jì)原則為起點(diǎn)。根據(jù)指標(biāo)選擇原則建立的超市顧客滿意度評(píng)價(jià)指標(biāo)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(píng)價(jià)指標(biāo)應(yīng)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(yīng)選取少數(shù)幾個(gè)具有代表性的、蘊(yùn)含信息量大的指標(biāo)，可以在比較低的成本條件下得到比較高的信息水平。

（2)獨(dú)特性原則。對(duì)超市顧客滿意度的評(píng)價(jià)應(yīng)當(dāng)考慮超市的顧客需求和經(jīng)營(yíng)特點(diǎn)，建立一套獨(dú)特的指標(biāo)體系，目的是通過(guò)這些特點(diǎn)了解顧客對(duì)超市的滿意程度。

（3)獨(dú)立性原則。獨(dú)立是指各選取指標(biāo)之間相互獨(dú)立，坐標(biāo)間重復(fù)信息過(guò)多，將不利于指標(biāo)評(píng)價(jià)作用的發(fā)揮。

（4)操作性原則。所選取的指標(biāo)要與國(guó)際慣例接軌，同時(shí)又符合我國(guó)超市的發(fā)展水平現(xiàn)狀，各項(xiàng)指標(biāo)應(yīng)該力求能從廣泛的經(jīng)濟(jì)數(shù)據(jù)中獲取相關(guān)的可靠信息，要求數(shù)據(jù)來(lái)源確鑿可靠，推理過(guò)程科學(xué)合理，易于量化，適于操作，并且指標(biāo)間的相關(guān)性較弱。

2.指標(biāo)體系的建立

基于以上原則，根據(jù)消費(fèi)心理學(xué)原理，結(jié)合超市的具體情況以及市場(chǎng)調(diào)研特點(diǎn)和實(shí)踐，本文選擇的調(diào)研指標(biāo)包括以下幾個(gè)部分:

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

(2)服務(wù)狀況。顧客對(duì)超市服務(wù)的感知應(yīng)來(lái)自兩個(gè)方面:一是超市員工的服務(wù)狀況;二是超市服務(wù)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(gòu)物環(huán)境。超市購(gòu)物環(huán)境直接影響到消費(fèi)者的購(gòu)物情緒。

（5)其他。根據(jù)調(diào)研實(shí)際需要,還可設(shè)計(jì)一些附加指標(biāo),但不亦過(guò)多。

具體指標(biāo)體系如表所示。

二、顧客滿意度調(diào)查問(wèn)卷設(shè)計(jì)及調(diào)研

搜集多組被評(píng)價(jià)超市的代表顧客的指標(biāo)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(biāo)體系及問(wèn)卷設(shè)計(jì)的原則來(lái)選擇合適的問(wèn)題進(jìn)行調(diào)查，在設(shè)計(jì)問(wèn)卷的過(guò)程中，為了方便顧客在問(wèn)卷上反映自己對(duì)某超市的滿意度，盡量將各個(gè)指標(biāo)簡(jiǎn)單化，使之通俗易懂且便于評(píng)價(jià)打分。

由于超市顧客滿意度由一系列的指標(biāo)來(lái)反應(yīng)，最后的總體滿意度如何確定是問(wèn)卷設(shè)計(jì)過(guò)程中的一個(gè)難題，知道每個(gè)指標(biāo)的值很難得出顧客的滿意度，那么BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練集中的輸出值就無(wú)法確定，因此本文在問(wèn)卷的最后，調(diào)查了顧客對(duì)超市滿意度的總體評(píng)價(jià)，但顧客的總體滿意度跟之前的各個(gè)指標(biāo)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(píng)價(jià)模型的準(zhǔn)確性，增加了樣本的數(shù)量，對(duì)明顯不合理的問(wèn)卷進(jìn)行篩選。

問(wèn)卷一共有20個(gè)問(wèn)題,分別對(duì)應(yīng)于5個(gè)指標(biāo),比如商品滿意度一般包括商品質(zhì)量、商品價(jià)格、商品種類、商品花色款式和食品安全,而問(wèn)卷中只能單獨(dú)調(diào)查顧客對(duì)各個(gè)小項(xiàng)目的滿意度,由各個(gè)小項(xiàng)目的值得到一個(gè)指標(biāo)的值,而每個(gè)小項(xiàng)在一個(gè)指標(biāo)中所占的比例不盡相同,因此本文確定了每個(gè)小項(xiàng)所占的權(quán)重,具體如下：

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

服務(wù)狀況:員工素質(zhì)和員工服務(wù)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(jì)(0.2)、商品陳列(0.4)、商品標(biāo)識(shí)(0.4)

購(gòu)物環(huán)境:環(huán)境衛(wèi)生(0.3)、音樂(lè)背景(0.2)、進(jìn)出線路(0.3)、購(gòu)物安全(0.2)

其他部分:超市硬件(0.4)、超市信譽(yù)(0.2)、促銷活動(dòng)(0.4)

三、基于BP神經(jīng)網(wǎng)絡(luò)的超市顧客滿意度評(píng)價(jià)模型構(gòu)建

根據(jù)所確立的顧客滿意度評(píng)價(jià)指標(biāo)體系和BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)來(lái)確定所要構(gòu)建的評(píng)價(jià)系統(tǒng)模型?；贐P神經(jīng)網(wǎng)絡(luò)算法，該模型是由輸入層、輸出層和一個(gè)隱層構(gòu)成的三層前饋網(wǎng)絡(luò)。輸入層將評(píng)價(jià)指標(biāo)歸一化處理后的樣本數(shù)值作為神經(jīng)元；輸出層是對(duì)顧客信用等級(jí)的衡量，是一個(gè)從定性到定量，再?gòu)亩康蕉ㄐ缘倪^(guò)程，通過(guò)BP神經(jīng)網(wǎng)絡(luò)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(biāo)準(zhǔn)，對(duì)顧客信用做出定性評(píng)價(jià)。而隱含層在設(shè)計(jì)上是一個(gè)難點(diǎn)，設(shè)置多少個(gè)隱節(jié)點(diǎn)取決于訓(xùn)練樣本數(shù)的多少、樣本的大小以及樣本中蘊(yùn)含規(guī)律的復(fù)雜程度。

1.輸入節(jié)點(diǎn)的確定

網(wǎng)絡(luò)輸入全面描述了超市顧客滿意度的指標(biāo)。因此，不同的超市顧客滿意度的指標(biāo)體系對(duì)應(yīng)不同的網(wǎng)絡(luò)模型，也形成不同的輸入節(jié)點(diǎn)數(shù)，輸入節(jié)點(diǎn)數(shù)等于滿意度指標(biāo)數(shù)。由前面的超市顧客滿意度指標(biāo)體系可知，顧客滿意度指標(biāo)包括商品特征、服務(wù)狀況、店容店貌、購(gòu)物環(huán)境和其他五個(gè)部分，所以確定輸入節(jié)點(diǎn)數(shù)為5個(gè)。

2.輸出節(jié)點(diǎn)的確定

輸出節(jié)點(diǎn)對(duì)應(yīng)于評(píng)價(jià)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(diǎn)確定為1個(gè)。

3.隱層節(jié)點(diǎn)的確定

隱節(jié)點(diǎn)的作用是從樣本中提取并存儲(chǔ)其內(nèi)在規(guī)律，每個(gè)隱節(jié)點(diǎn)有若干個(gè)權(quán)值,而每個(gè)權(quán)值都是增強(qiáng)網(wǎng)絡(luò)映射能力的一個(gè)參數(shù)。隱節(jié)點(diǎn)數(shù)太少就不足以提煉訓(xùn)練集中的規(guī)律，過(guò)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(diǎn)數(shù)才能使訓(xùn)練達(dá)到要求。確定隱節(jié)點(diǎn)數(shù)的最佳方法是試湊法，先設(shè)置較少的隱節(jié)點(diǎn)數(shù)再逐漸增加,由于神經(jīng)網(wǎng)絡(luò)的并行分布結(jié)構(gòu)和非線性動(dòng)態(tài)特性，還沒(méi)有得到一個(gè)簡(jiǎn)單通用的隱含層單元的確定公式。因此結(jié)合文中實(shí)際情況,并參考以下經(jīng)驗(yàn)公式:

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

再用試湊法進(jìn)行研究，確定隱含層單元個(gè)數(shù)，本文最終選取的隱節(jié)點(diǎn)數(shù)為9個(gè)。

四、基于BP神經(jīng)網(wǎng)絡(luò)的超市顧客滿意度評(píng)價(jià)模型仿真研究

本文采用動(dòng)量及自適應(yīng)的梯度遞減訓(xùn)練函數(shù)即Traingdx。對(duì)于梯度下降法，訓(xùn)練成功與否與學(xué)習(xí)率的選取有很大關(guān)系。自適應(yīng)學(xué)習(xí)算法能夠自適應(yīng)調(diào)整學(xué)習(xí)率來(lái)增加穩(wěn)定性，提高速度和精度。

調(diào)研中對(duì)100個(gè)顧客進(jìn)行了隨機(jī)訪問(wèn)，在訪問(wèn)過(guò)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(wèn)卷更具有代表性，增加了問(wèn)卷的有效性，并舍棄嚴(yán)重不合理問(wèn)卷，抽取90個(gè)調(diào)研數(shù)據(jù)，其中54個(gè)作為建模的訓(xùn)練樣本集，另外36個(gè)數(shù)據(jù)作為測(cè)試樣本集用于測(cè)試網(wǎng)絡(luò)。在進(jìn)行網(wǎng)絡(luò)訓(xùn)練之前，首先要對(duì)輸入輸出訓(xùn)練數(shù)據(jù)進(jìn)行歸一化，這樣做的好處是可以防止權(quán)值調(diào)整進(jìn)入誤差曲面的平坦區(qū)和訓(xùn)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(jìn)行歸一化的結(jié)果是使得數(shù)據(jù)的平均值為0，標(biāo)準(zhǔn)差為1。

輸入要評(píng)價(jià)的顧客指標(biāo)值，根據(jù)輸出值，對(duì)超市的顧客滿意度狀態(tài)給出評(píng)價(jià)結(jié)論。顧客的滿意程度用李克特量表分成七級(jí)來(lái)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(diǎn)輸出的評(píng)價(jià)結(jié)果分別用1到7數(shù)字表示。

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

當(dāng)訓(xùn)練到出現(xiàn)如下字符

TRAINGDA,Performancegoalmet.

停止訓(xùn)練，同時(shí)圖像界面動(dòng)態(tài)圖停止，如圖1所示。

當(dāng)訓(xùn)練誤差達(dá)到要求時(shí)，用測(cè)試樣本對(duì)網(wǎng)絡(luò)進(jìn)行測(cè)試。通過(guò)對(duì)每一個(gè)測(cè)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(luò)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(gè)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(luò)模型對(duì)超市顧客滿意度進(jìn)行評(píng)價(jià)具有較高的精確度。

五、結(jié)束語(yǔ)

本文在問(wèn)卷調(diào)查的基礎(chǔ)上，運(yùn)用人工神經(jīng)網(wǎng)絡(luò)的理論,建立了對(duì)超市顧客滿意度進(jìn)行評(píng)價(jià)的BP神經(jīng)網(wǎng)絡(luò)模型,并在MATLAB仿真環(huán)境中測(cè)試了該神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)模型的功能。從測(cè)試結(jié)果來(lái)看,該網(wǎng)絡(luò)達(dá)到了設(shè)計(jì)要求,對(duì)超市顧客滿意度的評(píng)價(jià)的正確率較高，證明了利用BP人工神經(jīng)網(wǎng)絡(luò)模型對(duì)超市顧客滿意度進(jìn)行評(píng)價(jià)比傳統(tǒng)的評(píng)價(jià)方式更為科學(xué)有效。

參考文獻(xiàn)：

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

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

[3]郝勇:運(yùn)用BP神經(jīng)網(wǎng)絡(luò)研究上證公用事業(yè)指數(shù)的波動(dòng)[J].上海工程技術(shù)大學(xué)學(xué)報(bào)，2005．3

篇8

關(guān)鍵詞：測(cè)井技術(shù);巖性識(shí)別方法;儲(chǔ)層;石油勘探;石油開(kāi)發(fā) 文獻(xiàn)標(biāo)識(shí)碼：A

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

1 概述

識(shí)別儲(chǔ)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(cè)井巖性識(shí)別方法作為一種簡(jiǎn)單而有效的技術(shù)方法，已經(jīng)得到了廣泛的應(yīng)用。尤其是近年來(lái)巖性識(shí)別方法得到了迅猛的發(fā)展，2009年李祖兵利用M-N交會(huì)圖對(duì)具有不同結(jié)構(gòu)和構(gòu)造的同類巖性進(jìn)行了識(shí)別;2010年張伯新以準(zhǔn)噶爾盆地六九區(qū)石炭系火山巖為研究對(duì)象，構(gòu)建了測(cè)井相-巖性建模數(shù)據(jù)庫(kù)，應(yīng)用模糊數(shù)學(xué)方法建立了工區(qū)內(nèi)火山巖巖性識(shí)別標(biāo)準(zhǔn)模型;2013年楊輝運(yùn)用BP神經(jīng)網(wǎng)絡(luò)模型對(duì)研究區(qū)域復(fù)雜巖性進(jìn)行識(shí)別，識(shí)別結(jié)果與巖心巖性和錄井巖性較為相符，對(duì)該區(qū)域的儲(chǔ)層識(shí)別和沉積相的研究具有一定的參考價(jià)值。2014年劉國(guó)全針對(duì)滄東凹陷孔二段源儲(chǔ)互層型致密儲(chǔ)層巖性識(shí)別的難點(diǎn)，利用散點(diǎn)圖、交會(huì)圖及ECS測(cè)井進(jìn)行巖性的識(shí)別，形成了源儲(chǔ)互層型致密油巖性識(shí)別的有效方法等。

測(cè)井巖性識(shí)別方法是根據(jù)已有的測(cè)井曲線資料來(lái)劃分地下地層的巖性，傳統(tǒng)巖性識(shí)別方法的方法為交會(huì)圖法。測(cè)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(cè)井曲線的測(cè)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(cè)井曲線對(duì)地下巖性的變化反應(yīng)最為靈敏。實(shí)際應(yīng)用中，特定的巖性對(duì)應(yīng)著特定的測(cè)井參數(shù)組合，因此，測(cè)井解釋人員可以根據(jù)特定的測(cè)井參數(shù)組合來(lái)確定地下地層的

巖性。

2 基礎(chǔ)數(shù)據(jù)整理

測(cè)井曲線的質(zhì)量直接影響整個(gè)研究工作的順利開(kāi)展。實(shí)際測(cè)量過(guò)程中一方面由于環(huán)境因素的影響會(huì)造成測(cè)井資料中出現(xiàn)一些不穩(wěn)定的跳躍狀態(tài)，需要對(duì)測(cè)井曲線進(jìn)行濾波處理;另一方面由于儀器刻度的不精確性會(huì)引起刻度誤差，需要進(jìn)一步做標(biāo)準(zhǔn)化處理。

其中頻率直方圖是測(cè)井標(biāo)準(zhǔn)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(biāo)準(zhǔn)層，然后對(duì)選定的標(biāo)準(zhǔn)層分別做自然伽馬、補(bǔ)償聲波、補(bǔ)償密度、補(bǔ)償中子孔隙度等測(cè)井資料頻率直方圖，確定每項(xiàng)測(cè)井資料在每口井的主要分布范圍和峰值，確定對(duì)應(yīng)關(guān)鍵井相應(yīng)的測(cè)井資料分布范圍和峰值確定校正值并進(jìn)行校正。

3 常規(guī)測(cè)井資料識(shí)別地層巖性

實(shí)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(cè)井系列，常規(guī)的測(cè)井資料主要包括自然伽馬（GR）、自然電位（SP）、聲波時(shí)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(cè)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(cè)量組合系統(tǒng)。大量理論及實(shí)踐資料表明，常規(guī)測(cè)井識(shí)別巖性是可靠并且有效的。

利用常規(guī)測(cè)井資料識(shí)別地層巖性運(yùn)用最多的是交會(huì)圖法。交匯圖法是選用兩種對(duì)巖性反應(yīng)敏感的物理量進(jìn)行交會(huì)來(lái)識(shí)別地層的巖性，主要是依據(jù)不同儲(chǔ)層的巖性和流體類型異常在交會(huì)圖平面上占有不同區(qū)域的特點(diǎn)，進(jìn)行異常劃分。常用的有中子-密度交會(huì)圖、聲波時(shí)差-密度交會(huì)圖、中子-聲波時(shí)差交會(huì)圖等。交會(huì)圖具有制作簡(jiǎn)單、使用方便和快捷的優(yōu)點(diǎn)，是一種被廣泛采用的巖性識(shí)別方法。但其缺點(diǎn)是對(duì)復(fù)雜巖性識(shí)別率低。

根據(jù)某工區(qū)18口井不同巖性測(cè)井響應(yīng)的差別，針對(duì)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(huì)圖樣板，利用該樣板可以直觀有效地進(jìn)行巖性劃分。

4 特殊測(cè)井

隨著油氣勘探的進(jìn)展，需要解決的問(wèn)題也越來(lái)越多，需要進(jìn)行識(shí)別的巖性也越來(lái)越復(fù)雜。為了加強(qiáng)復(fù)雜巖性儲(chǔ)層的研究，增強(qiáng)油氣后備儲(chǔ)量一些新的測(cè)井識(shí)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(cè)井（ECS）、BP神經(jīng)網(wǎng)絡(luò)等。

M-N交匯圖是將密度、中子及聲波三種巖性曲線適當(dāng)組合來(lái)達(dá)到劃分巖性的目的，國(guó)外最早是Khatchikian于1982采用該方法對(duì)阿根廷某盆地的兩種火成巖地層層序進(jìn)行了研究。大量實(shí)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(shí)別火成巖的巖性和裂縫發(fā)育情況。

元素測(cè)井識(shí)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(guò)精確測(cè)量地層組成元素的含量來(lái)鑒別地層沉積礦物含量，以便達(dá)到巖性識(shí)別的目的。

神經(jīng)網(wǎng)絡(luò)巖性識(shí)別法是選擇一定的測(cè)井曲線形態(tài)特征作為輸入向量，并用與此對(duì)應(yīng)的巖性作為輸出向量，二者組成一個(gè)訓(xùn)練對(duì)，由多個(gè)訓(xùn)練對(duì)組成一個(gè)樣本集，這樣就建立起一系列與實(shí)際地質(zhì)狀況相對(duì)應(yīng)的測(cè)井相特征。前人在利用神經(jīng)網(wǎng)絡(luò)進(jìn)行巖性識(shí)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(luò)對(duì)勝利油田某測(cè)井巖性進(jìn)行了識(shí)別。2005年周波等采用神經(jīng)網(wǎng)絡(luò)方法識(shí)別火山巖巖性，并指出利用自組織神經(jīng)網(wǎng)絡(luò)SOM和反饋神經(jīng)網(wǎng)絡(luò)BP對(duì)85塊火山巖樣品的識(shí)別率分別為78.82%和81.18%。其特點(diǎn)是方法簡(jiǎn)單易于操作，且識(shí)別準(zhǔn)確率高。

5 結(jié)語(yǔ)

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

參考文獻(xiàn)

[1] 趙建，高富紅.測(cè)井資料交會(huì)圖法在火山巖巖性識(shí)別中的應(yīng)用[J].世界地質(zhì)，2003，22（2）.

[2] 卜勤生，杜環(huán)虹.測(cè)井在油藏描述中的應(yīng)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(cè)井?dāng)?shù)據(jù)進(jìn)行巖性識(shí)別的多元統(tǒng)計(jì)方法[J].地質(zhì)科技情報(bào)，2007，26（3）.

[4] 楊斌.神經(jīng)網(wǎng)絡(luò)及其在石油測(cè)井中的應(yīng)用[M].北京：石油工業(yè)出版社，2005.

[5] 李先鵬.測(cè)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(xué)學(xué)報(bào)，2003，24（3）.

[8] 馬小剛，李子峰，張春梅.測(cè)井相分析在巖性油氣藏儲(chǔ)層預(yù)測(cè)中的應(yīng)用[J].勘探地球物理進(jìn)展，2010，33（1）.

[9] 黃平，李坦，胡相滋.測(cè)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(luò)模型在彬長(zhǎng)礦區(qū)測(cè)井?dāng)?shù)據(jù)巖性識(shí)別中的應(yīng)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(luò)的改進(jìn)及應(yīng)用[J].沈陽(yáng)師范大學(xué)學(xué)報(bào)，2007，25（1）.

篇9

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

隨著神經(jīng)科學(xué)這個(gè)新興的學(xué)科在國(guó)際上蓬勃發(fā)展，它逐漸把神經(jīng)系統(tǒng)各相關(guān)的學(xué)科融入進(jìn)其中，極大的促進(jìn)和引領(lǐng)了腦科學(xué)的發(fā)展，涌現(xiàn)了許多令人鼓舞的研究成果。近年來(lái)，值此機(jī)遇，我國(guó)也制定了“一體兩翼”的中國(guó)腦計(jì)劃，目的是以神經(jīng)科學(xué)的基礎(chǔ)研究為“一體”，融合神經(jīng)醫(yī)學(xué)及人工智能，共同促進(jìn)我國(guó)神經(jīng)科學(xué)體系的建設(shè)。為應(yīng)對(duì)這些神經(jīng)科學(xué)研究迅速發(fā)展的挑戰(zhàn)和歷史的機(jī)遇，許多院校設(shè)立了神經(jīng)科學(xué)課程或?qū)I(yè)，甚至獨(dú)立的學(xué)院。而在醫(yī)學(xué)本科教育中，對(duì)于醫(yī)學(xué)生神經(jīng)科學(xué)知識(shí)體系的正確構(gòu)建，我們認(rèn)為是非常基礎(chǔ)及重要的，也是醫(yī)學(xué)本科教育改革實(shí)踐中應(yīng)該認(rèn)真思考的一個(gè)重要問(wèn)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(guó)醫(yī)學(xué)教材的現(xiàn)狀

我國(guó)的臨床本科五年制或七年制教材設(shè)計(jì)中，有關(guān)神經(jīng)科學(xué)的知識(shí)分布在生物化學(xué)、生理學(xué)、組織胚胎學(xué)、局部解剖學(xué)、系統(tǒng)解剖學(xué)、神經(jīng)病學(xué)、外科學(xué)神經(jīng)系統(tǒng)部分、醫(yī)學(xué)心理學(xué)、精神病學(xué)等各科教材里面，教材總體上繼承前蘇聯(lián)神經(jīng)科學(xué)的思想，即謝切諾夫和巴普洛夫的反射理論。整個(gè)知識(shí)點(diǎn)的設(shè)置，基本圍繞該觀點(diǎn)展開(kāi)。不可否認(rèn)，巴普洛夫的反射理論取得了巨大的成就，建立了心理學(xué)的行為學(xué)派。但是，在涉及到丘腦皮層這個(gè)矩陣網(wǎng)絡(luò)意識(shí)系統(tǒng)的癥狀學(xué)時(shí)，這個(gè)理論顯得非常無(wú)力，用這個(gè)理論教育出來(lái)的醫(yī)學(xué)生顯得非常茫然。恰如陳宜張?jiān)菏克f(shuō)：“對(duì)腦功能的解釋而言，此觀點(diǎn)顯然是不全面和不確切的”。

2目前神經(jīng)科學(xué)體系的情況

其實(shí)，在神經(jīng)科學(xué)的整個(gè)發(fā)展過(guò)程中，模式處理、神經(jīng)網(wǎng)絡(luò)等觀點(diǎn)一直被神經(jīng)科學(xué)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(xué)習(xí)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(diǎn)。贊特高塞在解剖學(xué)上揭示了皮層網(wǎng)絡(luò)的功能單位-皮質(zhì)柱，休伯爾和威賽爾更是因?yàn)榘l(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(jiǎng)。而KarlvonFrisch等更是揭示了生物行為的主動(dòng)性獲得了1973年的諾貝爾獎(jiǎng)，修正了反射理論。目前，隨著神經(jīng)科學(xué)各學(xué)科的發(fā)展融合及計(jì)算機(jī)模擬神經(jīng)網(wǎng)絡(luò)研究的進(jìn)步，我們知道了中腦之上的丘腦-皮層網(wǎng)絡(luò)系統(tǒng)負(fù)責(zé)產(chǎn)生意識(shí)和認(rèn)知能力[2]，而該系統(tǒng)屬于等級(jí)構(gòu)筑的矩陣網(wǎng)絡(luò)系統(tǒng)[3]。另外，這個(gè)丘腦皮層等級(jí)網(wǎng)絡(luò)系統(tǒng)的各層級(jí)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(dòng)態(tài)核心理論[6]是比較符合目前所知道的丘腦皮層等級(jí)矩陣網(wǎng)絡(luò)的意識(shí)結(jié)構(gòu)[7-8]的工作原理的。針對(duì)這些神經(jīng)科學(xué)的發(fā)展成果，很多院校開(kāi)設(shè)了神經(jīng)科學(xué)專業(yè)，特別是歐美很多大學(xué)設(shè)置了Neuroscience專業(yè)，系統(tǒng)的教授神經(jīng)科學(xué)的知識(shí)。由于教材的原因，我國(guó)醫(yī)學(xué)領(lǐng)域被人為割裂了與最新神經(jīng)科學(xué)的聯(lián)系，神經(jīng)醫(yī)學(xué)不能有效地融合到中國(guó)腦計(jì)劃的醫(yī)學(xué)一翼中去，不能有效從腦計(jì)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(shí)體系的落后，使得目前的臨床神經(jīng)醫(yī)學(xué)執(zhí)業(yè)醫(yī)生普遍對(duì)神經(jīng)功能性疾病無(wú)從下手，診治觀念非常落后，基本處于人云亦云的狀態(tài)，無(wú)法獨(dú)立運(yùn)用正確的基礎(chǔ)知識(shí)進(jìn)行思考。

3本科學(xué)生對(duì)神經(jīng)科學(xué)知識(shí)的了解程度

我們?cè)谏窠?jīng)外科的臨床教學(xué)中感覺(jué)到，五年制臨床本科同學(xué)往往對(duì)腦葉的癥狀學(xué)無(wú)法理解。學(xué)生只知道解剖學(xué)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(duì)皮層分區(qū)形成的原因是由細(xì)胞柱區(qū)域聚集形成神經(jīng)網(wǎng)絡(luò)的模塊一無(wú)所知，對(duì)神經(jīng)網(wǎng)絡(luò)的構(gòu)成及功能實(shí)現(xiàn)方式更是聞所未聞。在臨床教學(xué)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(xué)。上位腦干之上的丘腦皮層意識(shí)系統(tǒng)是神經(jīng)矩陣網(wǎng)絡(luò)的集大成者，網(wǎng)絡(luò)結(jié)構(gòu)非常發(fā)達(dá)，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(xì)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(xué)教育中不可能實(shí)現(xiàn)的。而根據(jù)我們的教學(xué)體會(huì)和學(xué)生的反饋，要了解基本的簡(jiǎn)單原理也需要1.5~2個(gè)學(xué)時(shí)。為了解決目前神經(jīng)學(xué)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(xué)生的神經(jīng)科學(xué)知識(shí)結(jié)構(gòu)。

4我們的教學(xué)應(yīng)對(duì)方法

4.1補(bǔ)充完善教材缺陷的構(gòu)思

在我校的教學(xué)大綱中神經(jīng)系統(tǒng)的外科各論安排了6個(gè)學(xué)時(shí)的理論課和9個(gè)學(xué)時(shí)的見(jiàn)習(xí)課。這些學(xué)時(shí)范圍內(nèi)需要講述：顱內(nèi)壓力問(wèn)題、腦疝問(wèn)題、顱腦損傷問(wèn)題、腦腫瘤問(wèn)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(huì)用到神經(jīng)網(wǎng)絡(luò)的知識(shí)去理解腦葉的癥狀學(xué)和丘腦在系統(tǒng)中發(fā)揮整合作用的核心地位。雖然意識(shí)和認(rèn)知問(wèn)題屬于重大科學(xué)問(wèn)題，而且在神經(jīng)系統(tǒng)疾病診治中理解神經(jīng)網(wǎng)絡(luò)如何產(chǎn)生該功能有重要指導(dǎo)性作用，但是，由于大綱并沒(méi)有太多要求，學(xué)生是否有興趣去了解這些教材中缺失的神經(jīng)科學(xué)知識(shí)？教學(xué)實(shí)踐中，我們發(fā)現(xiàn)，60%~70%的臨床本科同學(xué)對(duì)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(dú)特額葉癥狀表現(xiàn)等，去展示神經(jīng)系統(tǒng)的局灶癥狀學(xué)，并說(shuō)明意識(shí)和認(rèn)知網(wǎng)絡(luò)的并行處理結(jié)構(gòu)和功能的網(wǎng)絡(luò)實(shí)現(xiàn)方式時(shí)，由于癥狀的趣味性，會(huì)激發(fā)同學(xué)的廣泛興趣。因此，我們推斷，只要我們?cè)谡n堂中靈活運(yùn)用有趣的病例講述和解釋，并適當(dāng)介紹一些神經(jīng)科學(xué)的參考書(shū)籍的話，是有可能繼發(fā)出同學(xué)對(duì)神經(jīng)科學(xué)的學(xué)習(xí)興趣并促進(jìn)對(duì)神經(jīng)系統(tǒng)外傷、腫瘤、腦疝等的局灶癥狀學(xué)的理解的。而我們反復(fù)思考推薦的神經(jīng)學(xué)參考書(shū)目錄是：《神經(jīng)生物學(xué)：從神經(jīng)元到腦》《神經(jīng)科學(xué)探索腦》《認(rèn)知神經(jīng)科學(xué)》《認(rèn)知、大腦和意識(shí)》《昏迷和意識(shí)障礙》《王忠誠(chéng)神經(jīng)外科學(xué)》。推薦這些書(shū)的目的是提供一個(gè)神經(jīng)科學(xué)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(jì)算，然后到臨床的相關(guān)問(wèn)題?？赡鼙蛔u(yù)為神經(jīng)科學(xué)圣經(jīng)的埃里克.R.坎德?tīng)栔骶幍摹渡窠?jīng)科學(xué)原理》中文導(dǎo)讀版知識(shí)更系統(tǒng)，但是畢竟本科同學(xué)推薦英文書(shū)籍會(huì)面臨很大的語(yǔ)言障礙，我們沒(méi)有選擇。

4.2具體的教學(xué)實(shí)踐實(shí)施方法

在具體的教學(xué)實(shí)踐中，我們首先在顱腦損傷和顱內(nèi)腫瘤共4個(gè)學(xué)時(shí)的理論課學(xué)習(xí)階段，反復(fù)在課堂講學(xué)中穿插運(yùn)用神經(jīng)網(wǎng)絡(luò)的知識(shí)幫助同學(xué)理解腦葉的癥狀學(xué)，使學(xué)生對(duì)該結(jié)構(gòu)的功能實(shí)現(xiàn)方式有初步的了解，讓同學(xué)基本認(rèn)識(shí)到皮層的功能單位是細(xì)胞柱（cortexcolumn），并且相同功能的細(xì)胞柱聚集形成模塊即布雷德曼（Brodamn）分區(qū)，而且皮層網(wǎng)絡(luò)模塊間、皮層與丘腦網(wǎng)絡(luò)間有廣泛的相互聯(lián)系。經(jīng)過(guò)這樣的介紹，同學(xué)很容易理解了運(yùn)動(dòng)或感覺(jué)區(qū)隨精細(xì)運(yùn)動(dòng)或感覺(jué)的程度增加，細(xì)胞柱增多，代表區(qū)面積增大的道理。并且通過(guò)介紹突觸匯聚修飾的原理讓學(xué)生了解如輔助運(yùn)動(dòng)區(qū)等次級(jí)聯(lián)絡(luò)皮層的細(xì)胞柱群參與編碼更復(fù)雜功能的方式，并學(xué)會(huì)推斷其他聯(lián)絡(luò)區(qū)細(xì)胞柱群可能的電生理反應(yīng)特性從而理解可能出現(xiàn)的癥狀學(xué)。通過(guò)如此簡(jiǎn)單的講解，有效解決了學(xué)生在閱讀《外科學(xué)第九版》中講述腫瘤影響腦葉功能時(shí)無(wú)法理解而死記硬背的問(wèn)題，迅速引起了學(xué)生的課堂注意及興趣。然后，在課程結(jié)束時(shí)列舉可以參考的神經(jīng)科學(xué)文獻(xiàn)，讓感興趣的學(xué)生自行學(xué)習(xí)，豐富其知識(shí)體系。而后，在理論課后的臨床見(jiàn)習(xí)課中，結(jié)合病例的癥狀、體征，穿插講解該神經(jīng)網(wǎng)絡(luò)的知識(shí)及臨床應(yīng)用，適當(dāng)重提大課提到的神經(jīng)網(wǎng)絡(luò)知識(shí)，觀察學(xué)生的表情反應(yīng)，適當(dāng)延伸或者不延伸。如果見(jiàn)習(xí)講解時(shí)發(fā)現(xiàn)有的見(jiàn)習(xí)組神經(jīng)科學(xué)知識(shí)豐富的同學(xué)和感興趣的同學(xué)較多，則適當(dāng)延伸講解丘腦在意識(shí)和認(rèn)知系統(tǒng)中的重要整合地位，讓同學(xué)理解神經(jīng)外科手術(shù)中保護(hù)丘腦的重要性。而如果小課課堂發(fā)現(xiàn)對(duì)重提這些知識(shí)感興趣的同學(xué)較少，則不進(jìn)行知識(shí)的延伸講解，僅僅重點(diǎn)強(qiáng)調(diào)皮層網(wǎng)絡(luò)的分布式計(jì)算原理及實(shí)際應(yīng)用中如何通過(guò)該原理去理解教材的論述。在所有批次的見(jiàn)習(xí)小課中，我們都形象的比喻：丘腦皮層矩陣網(wǎng)絡(luò)系統(tǒng)是用“丘腦去感覺(jué)，而用皮層去思考”。碰到合適的病例，而且小課課堂反應(yīng)較良好，大部分同學(xué)具有強(qiáng)烈的興趣時(shí)，可以讓學(xué)生使用心理學(xué)的“內(nèi)省”的方法去體會(huì)這個(gè)過(guò)程，理解腦的癥狀學(xué)。但是，我們教學(xué)中始終在講授者心中強(qiáng)調(diào)重點(diǎn)突出的重要性。因?yàn)橄到y(tǒng)的學(xué)習(xí)神經(jīng)科學(xué)知識(shí)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(shí)與認(rèn)知系統(tǒng)則需要更進(jìn)一步的學(xué)習(xí)與研究，如果幻想僅僅通過(guò)幾個(gè)學(xué)時(shí)的簡(jiǎn)單講解就讓臨床本科同學(xué)非常精通神經(jīng)科學(xué)的知識(shí)是非常不切實(shí)際的。我們?cè)诓糠忠?jiàn)習(xí)組中試圖更加詳細(xì)講解神經(jīng)網(wǎng)絡(luò)的知識(shí)，這種冒進(jìn)的做法反而會(huì)讓學(xué)生感覺(jué)到神經(jīng)學(xué)是一門(mén)高深的理論，收不到明顯的教學(xué)效果。所以，我們始終以讓學(xué)生能理解教材中腦葉癥狀為重點(diǎn)教學(xué)目標(biāo)，如果課堂反應(yīng)好則適當(dāng)延伸講解皮層下中樞的重要性。通過(guò)這些教學(xué)改革的嘗試，同學(xué)們普遍反映，從原來(lái)的對(duì)神經(jīng)網(wǎng)絡(luò)和神經(jīng)科學(xué)的一無(wú)所知到有所了解，并能開(kāi)始對(duì)腦葉的癥狀學(xué)有所理解。這些效果使我們非常欣慰。我們總體的感覺(jué)是，1~2個(gè)學(xué)時(shí)的講授，且見(jiàn)習(xí)中穿插病例的解釋，就能讓學(xué)生對(duì)神經(jīng)科學(xué)和神經(jīng)網(wǎng)絡(luò)有初步的概念。并且課后介紹的參考書(shū)籍，作為神經(jīng)科學(xué)的知識(shí)系統(tǒng)的主干，提供了學(xué)生在以后的學(xué)習(xí)中進(jìn)一步拓展自己的知識(shí)面的機(jī)會(huì)，那些立志向臨床神經(jīng)學(xué)發(fā)展的同學(xué)利用這些參考書(shū)籍能迅速形成更加系統(tǒng)和豐富的知識(shí)體系。

4.3實(shí)施教學(xué)中遇到的困難

當(dāng)然，實(shí)際教學(xué)中也發(fā)現(xiàn)了很多的困難。主要的困難仍然是醫(yī)學(xué)教材中基礎(chǔ)階段神經(jīng)科學(xué)知識(shí)的編寫(xiě)不夠完整，同學(xué)對(duì)皮層丘腦網(wǎng)絡(luò)幾乎一無(wú)所知，而我們臨床階段教學(xué)在介紹一些簡(jiǎn)要的知識(shí)后立即講解其應(yīng)用，很多平常沒(méi)有一定課外知識(shí)積累的同學(xué)開(kāi)始會(huì)覺(jué)得課堂內(nèi)容跳躍過(guò)大，無(wú)法理解，在課程進(jìn)行到最后的兩個(gè)學(xué)時(shí)時(shí)，學(xué)生才開(kāi)始有所領(lǐng)悟。但是，教學(xué)中也發(fā)現(xiàn)有些有興趣的同學(xué)已經(jīng)有一定的知識(shí)積累，知道一些皮層細(xì)胞柱結(jié)構(gòu)和網(wǎng)絡(luò)工作模塊的知識(shí)，很快接受了神經(jīng)網(wǎng)絡(luò)的知識(shí)并理解了其癥狀學(xué)，還能進(jìn)一步提出一些學(xué)科前沿的問(wèn)題。針對(duì)課堂發(fā)現(xiàn)的問(wèn)題，我們認(rèn)為解決之道還是在進(jìn)一步于課堂教學(xué)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(rèn)識(shí)臨床本科同學(xué)目前的神經(jīng)學(xué)知識(shí)體系，才能明顯提高教學(xué)效果。

篇10

【關(guān)鍵詞】滑模觀測(cè)器；BP神經(jīng)網(wǎng)絡(luò)；發(fā)動(dòng)機(jī)；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(dòng)機(jī)動(dòng)力性能的一項(xiàng)重要參數(shù)，及時(shí)可靠的獲取指示扭矩不僅可以正確地評(píng)價(jià)發(fā)動(dòng)機(jī)工作性能，實(shí)時(shí)的監(jiān)測(cè)故障發(fā)生[1]。在轉(zhuǎn)速和負(fù)載變化的情況下，可以有效提高汽車(chē)的燃油經(jīng)濟(jì)性、駕駛舒適性和汽車(chē)安全性。

目前，指示扭矩的估計(jì)方法主要有三種：一是，基于速度波動(dòng)的方法[2]；二是，基于神經(jīng)網(wǎng)絡(luò)的方法[3]；三是，基于觀測(cè)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(lái)設(shè)計(jì)觀測(cè)器估計(jì)指示扭矩[5]。其中，負(fù)載扭矩的獲取是一個(gè)難點(diǎn)[6]。本文通過(guò)引入汽車(chē)動(dòng)力學(xué)方程，解決了這個(gè)問(wèn)題。為了進(jìn)一步提高指示扭矩的估計(jì)精度，針對(duì)系統(tǒng)中存在的不確定性和時(shí)變擾動(dòng)，設(shè)計(jì)雙積分滑模觀測(cè)器對(duì)指示扭矩進(jìn)行估計(jì)。

1 非線性曲軸動(dòng)力學(xué)模型

3 控制器參數(shù)自適應(yīng)設(shè)計(jì)

智能雙積分滑?？刂葡鄬?duì)傳統(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(luò)對(duì)參數(shù)k1，k2，k3進(jìn)行了在線自適應(yīng)設(shè)計(jì)。

4 仿真結(jié)果分析

4.1 仿真實(shí)驗(yàn)

利用LMS Imagine.Lab Amesim14平臺(tái)建立發(fā)動(dòng)機(jī)多缸模型，并通過(guò)Matlab/Simulink建立控制器。發(fā)動(dòng)機(jī)的參數(shù)配置如表1所示：

5 結(jié)論

針對(duì)系統(tǒng)中存在的擾動(dòng)問(wèn)題，設(shè)計(jì)了基于非線性曲軸動(dòng)力學(xué)模型的雙積分滑?？刂破?，將扭矩估計(jì)問(wèn)題轉(zhuǎn)換為轉(zhuǎn)速誤差跟蹤控制問(wèn)題。通過(guò)Lyapunov穩(wěn)定性理論和BP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)自適應(yīng)控制器增益參數(shù)，實(shí)現(xiàn)了指示扭矩的精確估計(jì)。該方法具有精度高、魯棒性好和成本低等特點(diǎn)，且避免了利用扭矩傳感器對(duì)負(fù)載扭矩的測(cè)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(jì)多缸發(fā)動(dòng)機(jī)指示扭矩，可用于發(fā)動(dòng)機(jī)故障診斷。

【參考文獻(xiàn)】

[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.