導(dǎo)語(yǔ)：如何才能寫(xiě)好一篇神經(jīng)網(wǎng)絡(luò)算法的優(yōu)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： 模擬電路； 特征選擇； 故障診斷； 神經(jīng)網(wǎng)絡(luò)； 粒子群算法

中圖分類號(hào)： TN710.4?34； TP183 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2016）19?0140?04

Abstract： The analog circuit is influenced by its characteristics and external environment， and its fault is non?linear and time?varying. The available fault diagnosis models of analog circuit are difficult to solve the match problem of features and classifier parameters， an analog circuit fault diagnosis model based on particle swarm algorithm optimizing feature and neural network is presented. The current situations of analog circuit fault diagnosis are analyzed， and their shortcomings are pointed out. The features of analog circuit fault diagnosis are extracted. The neural network is used as the classifier of analog circuit fault diagnosis. The analog circuit fault features and neural network parameters are optimized with particle swarm optimization， and simula?ted with Matlab 2012. The results show that the performance of the proposed model is superior to that of other reference models， and has wide application prospects.

Keywords： analog circuit； feature selection； fault diagnosis； neural network； particle swarm optimization

0 引 言

當(dāng)前電網(wǎng)系統(tǒng)規(guī)模不斷增大，各種電路越來(lái)越復(fù)雜，電路出現(xiàn)故障的概率急劇上升，相對(duì)于數(shù)字電路，模擬電路工作環(huán)境更加復(fù)雜，再加上自身特性，模擬電路故障診斷具有更加重要的實(shí)際應(yīng)用價(jià)值，一直是電網(wǎng)系統(tǒng)研究中的重點(diǎn)[1]。

國(guó)內(nèi)外學(xué)者對(duì)模擬電路故障診斷進(jìn)行了相應(yīng)的探索和研究，提出了許多有效的模擬電路故障診斷模型[2]。當(dāng)前模擬電路故障方法主要分為傳統(tǒng)模型和現(xiàn)代模型兩類方法，傳統(tǒng)模型主要有專家系統(tǒng)與灰色理論等[3?4]，屬于線性的模擬電路故障診斷模型，對(duì)小規(guī)模模擬電路故障診斷效果好，但對(duì)于大規(guī)模的模擬電路，建模效率低，同時(shí)由于模擬電路工作狀態(tài)與特征間是一種復(fù)雜的非線性關(guān)系，傳統(tǒng)模型無(wú)法描述其變化特點(diǎn)，故障診斷正確率急劇下降，難以滿足模擬電路故障診斷的實(shí)際應(yīng)用要求[5]。現(xiàn)代模型基于非線性理論進(jìn)行模擬電路故障診斷建模，主要有神經(jīng)網(wǎng)絡(luò)與支持向量機(jī)等[6?7]，現(xiàn)代模型通過(guò)自適應(yīng)學(xué)習(xí)擬合電路工作狀態(tài)與特征間的非線性關(guān)系，成為當(dāng)前模擬電路故障診斷的主要研究方向，其中支持向量機(jī)的訓(xùn)練過(guò)程相當(dāng)耗時(shí)，很難滿足模擬電路的故障診斷要求，應(yīng)用范圍受到一定的限制[8]。神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速度要快于支持向量機(jī)，且模擬電路故障診斷結(jié)果不錯(cuò)，尤其是BP神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷時(shí)，速度較快，應(yīng)用最為廣泛[9]。BP神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷結(jié)果與參數(shù)相關(guān)，如參數(shù)選擇不當(dāng)，則會(huì)導(dǎo)致模擬電路故障診斷性能下降[10]。模擬電路的狀態(tài)特征同時(shí)亦與診斷結(jié)果密切相關(guān)，然而當(dāng)前模擬電路故障診斷模型將神經(jīng)網(wǎng)絡(luò)參數(shù)與特征選擇問(wèn)題分開(kāi)考慮，完全割裂了兩者之間的關(guān)系，無(wú)法構(gòu)建高準(zhǔn)確率的模擬電路故障診斷模型[11]。

針對(duì)當(dāng)前模擬電路故障診斷中的特征和神經(jīng)網(wǎng)絡(luò)參數(shù)不匹配的問(wèn)題，提出一種粒子群算法選擇特征和神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷模型（PSO?BPNN）。在Matlab 2012平臺(tái)進(jìn)行了仿真實(shí)驗(yàn)。結(jié)果表明，本文提出模型的模擬電路故障診斷性能要遠(yuǎn)遠(yuǎn)優(yōu)于其他參比模型。

1 相關(guān)理論

1.1 模擬電路工作狀態(tài)的特征提取

Step3：更新慣性權(quán)重，調(diào)整粒子的飛行速度和位置，產(chǎn)生新的粒子群。

Step4：若達(dá)到了結(jié)束條件，就可以得到模擬電路故障診斷的最優(yōu)特征子集和最合理的BP神經(jīng)網(wǎng)絡(luò)參數(shù)。

Step5：建立模擬電路故障診斷模型，并對(duì)待檢測(cè)的模擬電路故障進(jìn)行檢測(cè)，根據(jù)檢測(cè)結(jié)果采取相應(yīng)的措施。

3 結(jié)果與分析

為了分析PSO?BPNN的模擬電路故障診斷性能，采用圖2的模擬電路進(jìn)行仿真實(shí)驗(yàn)，在Matlab 2012平臺(tái)下進(jìn)行編程實(shí)現(xiàn)PSO?BPNN，模擬電路故障診斷參比模型為：

（1） 原始模擬電路故障診斷特征，BP神經(jīng)網(wǎng)絡(luò)參數(shù)隨機(jī)確定的模擬電路故障診斷模型（BPNN1）；

（2） 原始模擬電路故障診斷特征，粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)參數(shù)的模擬電路故障診斷模型（BPNN2）；

（3） 粒子群算法選擇模擬電路故障診斷特征，然后隨機(jī)確定BP神經(jīng)網(wǎng)絡(luò)參數(shù)的模擬電路故障診斷模型（BPNN3）。

共收集100個(gè)模擬電路故障診斷的訓(xùn)練樣本，50個(gè)模擬電路故障診斷測(cè)試樣本，采用PSO?BPNN對(duì)訓(xùn)練樣本進(jìn)行學(xué)習(xí)，所有模型都運(yùn)行100次，然后統(tǒng)計(jì)測(cè)試樣本的實(shí)驗(yàn)結(jié)果，其平均診斷率和誤診率如圖3，圖4所示，對(duì)圖3，圖4的模擬電路故障診斷結(jié)果進(jìn)行對(duì)比和分析，可以得到如下結(jié)論：

（1） 與BPNN1的實(shí)驗(yàn)結(jié)果相比較可以發(fā)現(xiàn)，BPNN2獲得了更優(yōu)的模擬電路故障診斷結(jié)果，因?yàn)锽PNN2采用粒子群算法優(yōu)化了BP神經(jīng)網(wǎng)絡(luò)參數(shù)，使得模擬電路故障診斷率更高，這表明BP神經(jīng)網(wǎng)絡(luò)參數(shù)會(huì)影響模擬電路故障診斷的結(jié)果。

（2） BPNN3的模擬電路故障診斷也要優(yōu)于BPNN1，這是由于粒子群算法對(duì)模擬電路故障特征進(jìn)行了選擇和優(yōu)化，得到了對(duì)電路故障診斷結(jié)果有重要作用的特征子集。

（3） 在所有模擬電路故障診斷模型中，PSO?BPNN的模擬電路故障診斷率最高，誤診率得到了降低，這是由于BPNN2和BPNN3只從一個(gè)方面對(duì)特征或者BP神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行了優(yōu)化，沒(méi)有同時(shí)對(duì)它們進(jìn)行優(yōu)化，因此不可能建立性能優(yōu)異的模擬電路故障診斷模型，而PSO?BPNN同時(shí)從特征和BP神經(jīng)網(wǎng)絡(luò)參數(shù)兩個(gè)方面進(jìn)行優(yōu)化，因而能夠獲得更加理想的模擬電路故障診斷結(jié)果。

4 結(jié) 語(yǔ)

傳統(tǒng)模擬電路故障診斷模型僅對(duì)特征或者BP神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化，易出現(xiàn)特征和分類器參數(shù)不匹配的問(wèn)題，為此提出基于PSO?BPNN的模擬電路故障診斷模型，首先根據(jù)Volterra級(jí)數(shù)提取模擬電路工作狀態(tài)的特征，然后采用BP神經(jīng)網(wǎng)絡(luò)作為模擬電路故障分類器，并利用粒子群算法優(yōu)化特征和BP神經(jīng)網(wǎng)絡(luò)參數(shù)，最后進(jìn)行仿真實(shí)驗(yàn)，仿真結(jié)果表明，PSO?BPNN解決了當(dāng)前模擬電路故障診斷模型存在的局限性，獲得了更高的模擬電路故障診斷率，在模擬電路故障診斷中具有廣泛的應(yīng)用前景。

參考文獻(xiàn)

[1] 朱大奇.電子設(shè)備故障診斷原理與實(shí)踐[M].北京：電子工業(yè)出版社，2008.

[2] 陳圣儉，洪炳熔，王月芳，等.可診斷容差模擬電路軟故障的新故障字典法[J].電子學(xué)報(bào)，2006，4（2）：129?136.

[3] 金瑜，陳光福，劉紅.基于小波神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷[J].儀器儀表學(xué)報(bào)，2007，28（9）：1600?1604.

[4] 劉本德，胡昌華，蔡艷寧.基于聚類和SVM多分類的容差模擬電路故障診斷[J].系統(tǒng)仿真學(xué)報(bào)，2009，21（20）：6479?6482.

[5] 黃潔，何怡剛.模擬電路故障診斷的發(fā)展現(xiàn)狀與展望[J].微電子學(xué)，2004，34（1）：21?25.

[6] 彭敏放，何怡剛，王耀南.模擬電路的融合智能故障診斷[J].中國(guó)電機(jī)工程學(xué)報(bào)，2006，26（3）：19?24.

[7] 張超杰，賀國(guó)，梁述海.小波變換與主元分析相結(jié)合的模擬電路檢測(cè)方法[J].哈爾濱工程大學(xué)學(xué)報(bào)，2010，31（5）：570?575.

[8] 劉美容，何怡剛，方葛豐，等.遺傳小波神經(jīng)網(wǎng)絡(luò)在模擬電路故障診斷中的應(yīng)用[J].湖南大學(xué)學(xué)報(bào)，2009，36（3）：40?44.

[9] 申宇皓，孟晨，張磊，等.基于同步優(yōu)化的支持向量機(jī)模擬電路故障診斷方法研究[J].太原理工大學(xué)學(xué)報(bào)，2010，41（4）：420?424.

[10] 胡清，王榮杰，詹宜巨.基于支持向量機(jī)的電力電子電路故障診斷技術(shù)[J].中國(guó)電機(jī)工程學(xué)報(bào)，2008，28（12）：107?111.

[11] 王承，葉韻，梁海浪，等.基于多頻測(cè)試和神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷[J].計(jì)算機(jī)工程與應(yīng)用，2013，49（5）：1?3.

篇2

關(guān)鍵詞：矢量量化；自組織特征映射神經(jīng)網(wǎng)絡(luò)；圖像壓縮；主元分析

中圖分類號(hào)：TP183文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044(2008)36-2731-02

The Vector Quantization Based on PCA/SOFM Hybrid Neural Network

HUNG Cui-cui, ZHANG Jian

(Liaoning University of Technology Electronic and Information Engineering College, Jinzhou 121001, China)

Abstract: In order to improve the two main shortcomings of the Kohonen's self-organizing feature map(SOFM) that are high computation complexity and poor codebook quality, the author proposes a vector quantization algorithm based on PCA/SOFM hybrid neural network in this paper. Descend the dimension of imported vectors by using the principal component analysis (PCA) linear neural network. And then, use SOFM neural network to vector quantization. By modifying the learning-rate parameter, topology field weight and initial codebook of the SOFM neural network to optimize network. Simulation results demonstrate that the image compression algorithm can shorten the time and improve the performance of codebook.

Key words: Vector quantization(VQ); Self-organizing feature map neural network (SOFM); image compression; Principle component analysis(PCA)

1 引言

矢量量化[1,2]技術(shù)是一種利用圖像數(shù)據(jù)空間相關(guān)性的高效有損壓縮方法，它具有壓縮比大，編碼速度快等優(yōu)點(diǎn)，目前己廣泛用于信號(hào)識(shí)別、語(yǔ)音編碼、圖像壓縮等領(lǐng)域中。矢量量化優(yōu)越性的體現(xiàn)離不開(kāi)性能良好的碼書(shū)，因而，矢量量化的關(guān)鍵是如何設(shè)計(jì)一個(gè)最佳碼書(shū)，使得用該碼書(shū)中的碼字表征輸入矢量空間分布時(shí)所引起的量化平均失真最小。近年幾來(lái)，許多學(xué)者將SOFM神經(jīng)網(wǎng)絡(luò)應(yīng)用于碼書(shū)的設(shè)計(jì)[3]。但SOFM算法存在收斂速度慢、計(jì)算量大等缺點(diǎn)。陸哲明和孫圣和針對(duì)SOFM基本算法的計(jì)算量大采用了快速搜索算法，為了提高碼書(shū)性能對(duì)SOFM基本算法的權(quán)值調(diào)整方法作了一些改進(jìn)[4]。目前越來(lái)越多的研究人員把目光投向?qū)⑹噶苛炕c其他的編碼方法相結(jié)合[5]。例如，矢量量化與小波變換結(jié)合的算法[6]，分形變換與矢量量化相結(jié)合的算法[7]。PCA是一種有效的圖像變換編碼算法，它能夠提取圖像數(shù)據(jù)的主特征分量，因此能夠降低圖像輸入數(shù)據(jù)維數(shù)。SOFM算法用于圖像矢量量化則具有不易受初始碼書(shū)的影響，同時(shí)能夠保持圖像數(shù)據(jù)的拓?fù)浣Y(jié)構(gòu)等優(yōu)點(diǎn)。為此本文將兩者結(jié)合，提出了PCA/SOFM混合神經(jīng)網(wǎng)絡(luò)圖像混合編碼算法。先用PCA對(duì)圖像進(jìn)行降維處理，再用SOFM神經(jīng)網(wǎng)絡(luò)進(jìn)行碼書(shū)設(shè)計(jì)。本文還對(duì)碼書(shū)的初始化的選擇問(wèn)題和神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)參數(shù)進(jìn)行研究。實(shí)驗(yàn)表明，該算法不但大大降低了計(jì)算量，而且提高了碼書(shū)的性能。

2 PCA/SOFM混合神經(jīng)網(wǎng)絡(luò)的算法

盡管SOFM神經(jīng)網(wǎng)絡(luò)比起LBG算法有很大優(yōu)勢(shì)，但SOFM算法仍然存在收斂速度慢。計(jì)算量大等缺點(diǎn)。因此本文將PCA與SOFM神經(jīng)網(wǎng)絡(luò)相結(jié)合，提出了PCA/SOFM混合神經(jīng)網(wǎng)絡(luò)。PCA/SOFM混合神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示，先用PCA線性神經(jīng)網(wǎng)絡(luò)對(duì)輸入矢量降維處理，從而使得壓縮圖像達(dá)到最小失真。然后用SOFM神經(jīng)網(wǎng)絡(luò)進(jìn)行碼書(shū)設(shè)計(jì)， PCA線性神經(jīng)網(wǎng)絡(luò)采用Sanger提出的廣義Hebb算法[8]。

2.1 基本PCA/SOFM混合神經(jīng)網(wǎng)絡(luò)算法

1) PCA網(wǎng)絡(luò)權(quán)值Wpi,j和SOFM網(wǎng)絡(luò)權(quán)值初始化；

2) PCA網(wǎng)絡(luò)輸出矢量Yp(t)：

(1)

N為PCA神經(jīng)網(wǎng)絡(luò)輸入矢量Xp的維數(shù)。

3) Wpi,j網(wǎng)絡(luò)權(quán)值調(diào)整：

(2)

4) 重復(fù)步驟(2)至(3)，直至算法收斂。輸出矢量Ypi(t)，并將此作為SOFM的輸入Xi(t)；

5) 計(jì)算矢量Xi(t)與權(quán)值矢量Wi,j(t)的距離：

(3)

6) 選擇具有最小距離的輸出節(jié)點(diǎn)，j*作為獲勝節(jié)點(diǎn)，即：

(4)

7) Wij(t) 網(wǎng)絡(luò)權(quán)值調(diào)整：

(5)

8) 重復(fù)步驟(5)至(7)，直至算法收斂。

9) 取輸入訓(xùn)練矢量集的下一個(gè)輸入矢量，回到步驟(2)反復(fù)進(jìn)行，直到足夠的學(xué)習(xí)次數(shù)或滿足規(guī)定的終止條件為止。

10) 保存所有權(quán)值Wij的值，即設(shè)計(jì)碼書(shū)。

2.2 PCA/SOFM混合神經(jīng)網(wǎng)絡(luò)的初始化和改進(jìn)

在PCA/SOFM混合神經(jīng)網(wǎng)絡(luò)算法中網(wǎng)絡(luò)的初始化、鄰域函數(shù)和學(xué)習(xí)率函數(shù)非常重要，它直接影響到網(wǎng)絡(luò)的收斂速度和碼書(shū)的性能。本文要對(duì)這幾個(gè)參數(shù)進(jìn)行優(yōu)化以提高壓縮速度和壓縮性能。本文采用一種改進(jìn)的隨機(jī)選取法，使空間分配均勻，不會(huì)出現(xiàn)碼字空間分的過(guò)細(xì)或過(guò)粗的現(xiàn)象。首先，按k維矢量所有元素中最重要的單個(gè)元素(即k維歐氏空間中最敏感的方向)大小排序；然后按順序每隔n個(gè)矢量取一個(gè)矢量作為初始碼書(shū)的一個(gè)碼字，完成碼書(shū)的初始化（n=訓(xùn)練序列中矢量的總數(shù)/碼書(shū)的大小）。

由SOFM基本算法可知，權(quán)矢量Wi(t+1)的更新實(shí)質(zhì)上是權(quán)矢量Wit和訓(xùn)練矢量Xi(t)的加權(quán)和。其中學(xué)習(xí)率因子和鄰域函數(shù)非常重要，它們決定算法的收斂速度。下面推導(dǎo)最優(yōu)的學(xué)習(xí)率因子α(t)。由式（5）得：

(6)

可以總結(jié)得：

(7)

令多項(xiàng)式的各項(xiàng)相等可得到最優(yōu)學(xué)習(xí)率因子：

(8)

其鄰域函數(shù)取為：

(9)

式中，hcc典型地取為0.8。T為最大迭代次數(shù)，初始值σ0和最終值σT典型地取為0.8和0.1。

3 實(shí)驗(yàn)結(jié)果

為了驗(yàn)證算法的有效性，本文把基本SOFM編碼算法、基本PCA/SOFM混合神經(jīng)網(wǎng)絡(luò)編碼算法和改進(jìn)PCA/SOFM算法分別用于圖像的壓縮編碼。本文采用的是512×512像素，256級(jí)灰度的Lena圖像用于訓(xùn)練圖像進(jìn)行碼書(shū)設(shè)計(jì)。首先將圖像分為4×4子塊，然后將每一小塊的16個(gè)像素灰度值作一個(gè)訓(xùn)練矢量，送入PCA線性神經(jīng)網(wǎng)絡(luò)。PCA線性神經(jīng)網(wǎng)絡(luò)輸出節(jié)點(diǎn)為8維PCA變換系數(shù)矢量，同時(shí)將它作為SOFM神經(jīng)網(wǎng)絡(luò)的輸入矢量，用于進(jìn)行碼本設(shè)計(jì)。進(jìn)過(guò)多次實(shí)驗(yàn)，取其平均值作為實(shí)驗(yàn)結(jié)果，圖3給出了各種算法在相同壓縮比的情況下恢復(fù)圖像的對(duì)比。表1給出了各算法編碼后的尖峰信噪比PSNR和碼書(shū)設(shè)計(jì)時(shí)間的比較。

從測(cè)試的結(jié)果可以看出改進(jìn)PCA/SOFM算法優(yōu)于基本SOFM算法和基本PCA/SOFM算法，該算法縮短了碼書(shū)設(shè)計(jì)的時(shí)間，圖像的恢復(fù)質(zhì)量有所提高，取得了令人滿意的結(jié)果。從而證明本文提出的算法是一種行之有效的方法。

4 結(jié)束語(yǔ)

篇3

只有清楚地了解電梯控制系統(tǒng)的運(yùn)行原理才能夠及時(shí)準(zhǔn)確的診斷出電梯故障原因，因此清楚的了解電梯運(yùn)行原理,每一個(gè)電梯維修人員必須要做到。電梯運(yùn)行過(guò)程總體上可分為以下幾個(gè)階段：第一、登記層外召喚信號(hào)和登記內(nèi)選指令階段；第二、電梯門關(guān)閉或者電梯按照系統(tǒng)指令停運(yùn)階段；第三、啟動(dòng)階段；第四、在到達(dá)信號(hào)記錄的樓層前進(jìn)行減速制動(dòng)；第五、平層開(kāi)門階段。在整個(gè)過(guò)程中電梯需要從外界接收信號(hào)并處理，然后完成相應(yīng)的指令或者輸出信號(hào)，由此可以將電梯看作是一個(gè)完整的獨(dú)立的系統(tǒng)，只需要外界給予相應(yīng)的信號(hào)就可以自動(dòng)的做出動(dòng)作。電梯系統(tǒng)內(nèi)部復(fù)雜的構(gòu)件緊密的結(jié)合在一起，正是如此才使得電梯系統(tǒng)故障具有了復(fù)雜性、層次性、相關(guān)性以及不確定性的特點(diǎn)。

二、神經(jīng)網(wǎng)絡(luò)技術(shù)基本原理

生物學(xué)上的神經(jīng)是由一個(gè)個(gè)簡(jiǎn)單的神經(jīng)元相互連接進(jìn)而形成了復(fù)雜的龐大的神經(jīng)系統(tǒng)，同理，神經(jīng)網(wǎng)絡(luò)就是由大量簡(jiǎn)單的處理單元相互連接形成的復(fù)雜的智能系統(tǒng)。單獨(dú)的處理單元類似于一個(gè)神經(jīng)元，是一個(gè)可以接受不同信息但是只輸出一種信息的結(jié)構(gòu)單位。神經(jīng)網(wǎng)絡(luò)系統(tǒng)與生物學(xué)神經(jīng)系統(tǒng)相似的是具有自我修改能力，它可以同時(shí)接收大量的數(shù)據(jù)并進(jìn)行統(tǒng)一的分析處理，進(jìn)而輸出相應(yīng)的處理結(jié)果。這就使得神經(jīng)網(wǎng)絡(luò)系統(tǒng)具有了高度容錯(cuò)性、高度并行性、自我修改性、學(xué)習(xí)性以及高度復(fù)雜性，也正是由于這些特性才使的利用神經(jīng)網(wǎng)絡(luò)技術(shù)能夠及時(shí)準(zhǔn)確的查明電梯故障原因并得出故障解決方案。電梯故障診斷中應(yīng)用的神經(jīng)網(wǎng)絡(luò)模型分為三個(gè)層次：輸入層、接收外部信號(hào)或者是電梯自我檢測(cè)信息（如載重信息）；隱含層、對(duì)接收到了大量數(shù)據(jù)進(jìn)行相應(yīng)的分析處理；輸出層、將記錄著動(dòng)作命令的數(shù)據(jù)傳送出來(lái)。在電梯出現(xiàn)故障時(shí)，首先可以通過(guò)神經(jīng)網(wǎng)絡(luò)模型快速確定故障發(fā)生在哪一層達(dá)到節(jié)約時(shí)間的目的。但是神經(jīng)網(wǎng)絡(luò)也會(huì)因?yàn)槭諗克俣冗^(guò)于慢、訓(xùn)練強(qiáng)度太大或者是選擇的網(wǎng)絡(luò)模型不好等問(wèn)題導(dǎo)致診斷結(jié)果受到影響。

三、神經(jīng)網(wǎng)絡(luò)模型在電梯故障診斷中的應(yīng)用分類

神經(jīng)網(wǎng)絡(luò)模型已經(jīng)成為了如今電梯故障診斷中應(yīng)用最廣泛的技術(shù)模型，相比于傳統(tǒng)方式它具有診斷速度快、故障原因命中率高的優(yōu)點(diǎn)，因此引起了各方面專業(yè)人士的強(qiáng)烈關(guān)注，并在他們的不懈努力下得到了發(fā)展與創(chuàng)新。它跨越多個(gè)專業(yè)領(lǐng)域、通過(guò)對(duì)各種復(fù)雜的高難度工作的不斷的發(fā)展與改進(jìn)出現(xiàn)了越來(lái)越多的應(yīng)用模型，下面主要介紹了當(dāng)前應(yīng)用最普遍的BP網(wǎng)絡(luò)模型，并且簡(jiǎn)單的引入并介紹了近年來(lái)新興的模糊神經(jīng)網(wǎng)絡(luò)模型和遺傳小波神經(jīng)網(wǎng)絡(luò)模型。

（一）BP網(wǎng)絡(luò)模型

BP神經(jīng)網(wǎng)絡(luò)作為神經(jīng)網(wǎng)絡(luò)應(yīng)用最廣泛的一種，它多應(yīng)用的誤差反向傳播算法使其在模式識(shí)別、診斷故障、圖像識(shí)別以及管理系統(tǒng)方面具有相對(duì)先進(jìn)性?；贐P網(wǎng)絡(luò)的電梯故障診斷技術(shù)就是通過(guò)學(xué)習(xí)故障信息、診斷經(jīng)驗(yàn)并不斷訓(xùn)練，并將所學(xué)到的知識(shí)利用各層次之間節(jié)點(diǎn)上的權(quán)值從而表達(dá)出來(lái)。BP網(wǎng)絡(luò)系統(tǒng)的主要診斷步驟主要可以分為三步。第一步：對(duì)輸入輸出的數(shù)據(jù)進(jìn)行歸一化處理，將數(shù)據(jù)映射到特定的區(qū)間。第二步：建立BP網(wǎng)絡(luò)模型，訓(xùn)練BP網(wǎng)絡(luò)模型。第三：通過(guò)已經(jīng)訓(xùn)練好的網(wǎng)絡(luò)模型對(duì)原來(lái)的樣本進(jìn)行全面的檢測(cè)。算法步驟：a、在一定的取值范圍內(nèi)對(duì)數(shù)據(jù)進(jìn)行初始化；b、確定輸入值數(shù)值大小，計(jì)算出預(yù)期輸出量；c、用實(shí)際輸出的值減去上一步得到的數(shù)值；d、將上一步得到的誤差分配到隱含層，從而計(jì)算出隱含層的誤差；e、修正輸出層的權(quán)值和閾值，修正隱含層的權(quán)值；f、修正隱含層的閾值，修正隱含層和輸入層的權(quán)值。

（二）遺傳小波神經(jīng)網(wǎng)絡(luò)模型

遺傳算法運(yùn)用了生物界的優(yōu)勝劣汰、適者生存的思想對(duì)復(fù)雜問(wèn)題進(jìn)行優(yōu)化，適用于復(fù)雜的故障，起到了優(yōu)化簡(jiǎn)化問(wèn)題的作用。對(duì)局部數(shù)據(jù)進(jìn)行詳細(xì)的分析是小波法最大的特點(diǎn)，所以它被譽(yù)為“數(shù)字顯微鏡”。遺傳算法小波神經(jīng)網(wǎng)絡(luò)就是運(yùn)用小波進(jìn)行分解的方法分解模擬故障信號(hào)，將得到的數(shù)據(jù)進(jìn)行歸一化，將歸一化后的數(shù)值輸入到神經(jīng)網(wǎng)絡(luò)模型中。它融合了神經(jīng)網(wǎng)絡(luò)、小波分析和遺傳算法三者所有的優(yōu)點(diǎn)?；谶z傳小波神經(jīng)網(wǎng)絡(luò)的電梯故障診斷的一般步驟為：測(cè)試節(jié)點(diǎn)信號(hào)采樣、小波分解、故障特征量提取、歸一化得到訓(xùn)練樣本集、遺傳算法優(yōu)化、得到故障類型。遺傳小波神經(jīng)網(wǎng)絡(luò)模型在故障原因復(fù)雜、數(shù)據(jù)信息量巨大的電梯系統(tǒng)的應(yīng)用中能夠發(fā)揮更大的作用。

（三）模糊神經(jīng)網(wǎng)絡(luò)模型

模糊神經(jīng)網(wǎng)絡(luò)模型就是創(chuàng)新性的將神經(jīng)網(wǎng)絡(luò)與模糊理論結(jié)合到一起。它采用了廣義的方向推理和廣義的前向推理兩種推理方式。與其它兩種模型不同的是，它的語(yǔ)言邏輯、判斷依據(jù)和結(jié)論都是模糊的。但是它的數(shù)據(jù)處理能力還有自我學(xué)習(xí)能力并沒(méi)有因此而變差，反而更加豐富了它的定性知識(shí)的內(nèi)容。在處理實(shí)際問(wèn)題的過(guò)程中，首先要建立所有可能發(fā)生的故障的完整集合，其次將所有的故障發(fā)生原因歸入到同一個(gè)集合中去，最后就是建立故障和原因的關(guān)系矩陣。分別叫做模糊故障集、模糊原因集、模糊關(guān)系矩陣。相較于BP網(wǎng)絡(luò)模型，這種模型更加的簡(jiǎn)單易行，充分發(fā)揮了神經(jīng)網(wǎng)絡(luò)和模糊邏輯的優(yōu)點(diǎn)，不會(huì)因?yàn)楣收显蜻^(guò)于復(fù)雜而失去診斷的準(zhǔn)確性，在原本豐富定性知識(shí)和強(qiáng)大數(shù)據(jù)處理能力的基礎(chǔ)上具有了很大的自我訓(xùn)練能力。

四、結(jié)語(yǔ)

篇4

[關(guān)鍵詞] BP神經(jīng)網(wǎng)絡(luò) 圖像分類 Matlab 自適應(yīng)特征因子 收斂速度 精度

中圖分類號(hào)：P23 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-914X（2014）07-0321-03

1.引言

衛(wèi)星遙感對(duì)地觀測(cè)技術(shù)是人類獲取資源環(huán)境動(dòng)態(tài)信息的重要手段，無(wú)論是專業(yè)信息提取、動(dòng)態(tài)變化預(yù)測(cè)、還是專題地圖制作和遙感數(shù)據(jù)庫(kù)的建立等都離不開(kāi)分類。在數(shù)學(xué)方法的引入和模型研究的進(jìn)展為影像的分類注入了新的活力，不同的數(shù)學(xué)方法和參數(shù)特征因子被引用到模型的研究上來(lái)，為模型研究的發(fā)展提供了廣闊的天地。而基于改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)，更是融合了自適應(yīng)特征因子和非線性函數(shù)逼近的網(wǎng)絡(luò)模型，不僅學(xué)習(xí)速度快，而且有高度復(fù)雜的映射能力。

2.人工神經(jīng)網(wǎng)絡(luò)的分類方法

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network， ANN ）是基于生物神經(jīng)系統(tǒng)的分布存儲(chǔ)、并行處理及自適應(yīng)學(xué)習(xí)這些現(xiàn)象構(gòu)造出具有一些低級(jí)智慧的人工神經(jīng)系統(tǒng)【1】。其概念是在20世紀(jì)40年代中期由McCulloch和Pitts提出的，70年代得到應(yīng)用，80年代以來(lái)，隨著計(jì)算機(jī)技術(shù)的發(fā)展而得到了快速的發(fā)展，屬于非線性學(xué)科，具有強(qiáng)抗干擾性、高容錯(cuò)性、并行分布式處理、自組織學(xué)習(xí)和分類精度高等特點(diǎn)。

近年來(lái)，神經(jīng)網(wǎng)絡(luò)被廣泛應(yīng)用于遙感圖像分類中，不同學(xué)者分別提出或應(yīng)用了Hopfield神經(jīng)網(wǎng)絡(luò)、BP網(wǎng)絡(luò)、自組織映射網(wǎng)絡(luò)、小波神經(jīng)網(wǎng)絡(luò)、細(xì)胞神經(jīng)網(wǎng)絡(luò)、模糊神經(jīng)網(wǎng)絡(luò)等對(duì)遙感圖像進(jìn)行分類【2】。這些神經(jīng)神經(jīng)網(wǎng)絡(luò)在遙感圖像自動(dòng)分類上都有一定的應(yīng)用，并取得較好的效果。本文基于此，對(duì)傳統(tǒng)的BP算法進(jìn)行了改進(jìn)，提出了在Matlab軟件提供的神經(jīng)網(wǎng)絡(luò)工具箱中，對(duì)BP神經(jīng)網(wǎng)絡(luò)的權(quán)值，學(xué)習(xí)率進(jìn)行分析。重點(diǎn)是運(yùn)用數(shù)學(xué)中自適應(yīng)特征因子，加快了迭代過(guò)程中的收斂速度，而且使精度更高。

3.BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種通用性較強(qiáng)的前饋網(wǎng)絡(luò)，它主要采用模式正向傳遞、誤差信號(hào)反向傳播的BP算法，實(shí)現(xiàn)輸入到輸出的映射，并且是非線性的，具有結(jié)構(gòu)簡(jiǎn)單、可操作性強(qiáng)等優(yōu)點(diǎn)，目前已被廣泛應(yīng)用【3】。

3.1 BP算法原理

學(xué)習(xí)過(guò)程由信號(hào)的正向傳播與反向傳播兩個(gè)過(guò)程組成。正向傳播時(shí)，輸入樣本從輸入層傳入，經(jīng)各隱層逐層處理后，傳向輸出層。若輸出層的實(shí)際輸出與期望輸出不符合時(shí)，則轉(zhuǎn)入誤差的反向傳播階段。誤差反傳是將輸出誤差以某種形式通過(guò)隱層向輸入層逐層反傳，并將誤差分?jǐn)偨o各層的所有單元，從而獲得各層單元的誤差信號(hào)，此信號(hào)作為修正各單元權(quán)值的依據(jù)。

3.2 BP學(xué)習(xí)率的優(yōu)化算法分析

為了加快神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速度，對(duì)學(xué)習(xí)率的改進(jìn)是BP算法優(yōu)化的重要部分。因?yàn)锽P算法是不斷通過(guò)調(diào)整網(wǎng)絡(luò)權(quán)值進(jìn)行訓(xùn)練學(xué)習(xí)的，修正的大小受到學(xué)習(xí)率的控制，因此學(xué)習(xí)率的改進(jìn)對(duì)整個(gè)網(wǎng)絡(luò)的優(yōu)化是很重要的。為了加快學(xué)習(xí)速度，研究者提出了很多的優(yōu)化學(xué)習(xí)率算法，劉幺和等提出的具體優(yōu)化公式為[4]： η=Ae-λn. （1）

此算法優(yōu)于學(xué)習(xí)率固定的傳統(tǒng)BP算法，減少了網(wǎng)絡(luò)學(xué)習(xí)過(guò)程中的學(xué)習(xí)次數(shù)，但同樣存在著其它問(wèn)題，首先，模型中A的取值范圍并不適用于所有神經(jīng)網(wǎng)絡(luò)，由于它的取值決定了網(wǎng)絡(luò)學(xué)習(xí)率的初始值，通過(guò)A確定的網(wǎng)絡(luò)初始學(xué)習(xí)率可能使網(wǎng)絡(luò)不收斂。其次，當(dāng)網(wǎng)絡(luò)誤差下降速度快時(shí)，該算法反倒使網(wǎng)絡(luò)收斂速度比較慢，這說(shuō)明此時(shí)網(wǎng)絡(luò)不適應(yīng)這種情況。

在上述模型中，陳思依據(jù)可變學(xué)習(xí)率的變化，提出了另一改進(jìn)模型，此方法的思想是，如果網(wǎng)絡(luò)權(quán)值在實(shí)際情況中更新之后使誤差值減小，此時(shí)就沒(méi)有必要再減少學(xué)習(xí)率，如果保持原學(xué)習(xí)率不變，不僅增加了訓(xùn)練速度，而且修改權(quán)值的幅度會(huì)大些，訓(xùn)練效果會(huì)更好一些。改進(jìn)后的模型為[5]：

此算法優(yōu)點(diǎn)是如果誤差下降速度明顯增快，則說(shuō)明此時(shí)的學(xué)習(xí)率比較合適訓(xùn)練，不需調(diào)整。

面對(duì)現(xiàn)代科技的飛速發(fā)展，國(guó)內(nèi)外競(jìng)相發(fā)展以高空間、高光譜和高動(dòng)態(tài)為標(biāo)志的新型衛(wèi)星遙感對(duì)地觀測(cè)技術(shù)，提供了海量的信息源，加大了人們對(duì)空間的認(rèn)知，對(duì)信息世界的分類利用，但是人們的優(yōu)化算法遠(yuǎn)遠(yuǎn)跟不上豐富的信息源。對(duì)此，針對(duì)上面學(xué)習(xí)率算法，雖然有很大的改進(jìn)，但處理速度還遠(yuǎn)遠(yuǎn)不夠，還需要優(yōu)化。

3.3 網(wǎng)絡(luò)隱層的節(jié)點(diǎn)數(shù)確定

BP人工神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)中，輸入節(jié)點(diǎn)與輸出節(jié)點(diǎn)是由問(wèn)題的本身決定的，關(guān)鍵在于隱層的層數(shù)與隱節(jié)點(diǎn)的數(shù)目，在Robert Hecht Nielson等人研究指出，只有一個(gè)隱層的神經(jīng)網(wǎng)絡(luò)，只要隱節(jié)點(diǎn)足夠多，就可以以任意精度逼近一個(gè)非線性函數(shù)【6】。

因此隱節(jié)點(diǎn)的確定關(guān)系到整個(gè)網(wǎng)絡(luò)的處理，下面是關(guān)于隱節(jié)點(diǎn)數(shù)確定的的方法：

其中Hpi隱節(jié)點(diǎn)i在學(xué)習(xí)第p個(gè)樣本時(shí)輸出，Hpj是隱節(jié)點(diǎn)j在學(xué)習(xí)第p個(gè)樣本時(shí)的輸出，N為學(xué)習(xí)樣本總數(shù)，而Hpi與Hpj的線性相關(guān)程度愈大，互相回歸的離散度越小，反之，則相反。

當(dāng)同層隱節(jié)點(diǎn)i和j的相關(guān)程度大，說(shuō)明節(jié)點(diǎn)i和j功能重復(fù)，需要合并；當(dāng)樣本散發(fā)度Si過(guò)小，說(shuō)明隱節(jié)點(diǎn)i的輸出值變化很少，對(duì)網(wǎng)絡(luò)的訓(xùn)練沒(méi)起到什么作用，可以刪除。因此根據(jù)這樣規(guī)則可以進(jìn)行節(jié)點(diǎn)動(dòng)態(tài)的合并與刪除。

4.特征因子算法加入

神經(jīng)網(wǎng)絡(luò)在遙感圖像分類中的優(yōu)勢(shì)越來(lái)越明顯，很多人對(duì)其進(jìn)行了研究與應(yīng)用。對(duì)此，本文對(duì)前人的算法進(jìn)行了優(yōu)化，主要是進(jìn)行網(wǎng)絡(luò)權(quán)值修正速度的加速，在算法優(yōu)化中，引入了數(shù)學(xué)中的特征因子加速收斂方法，其保證精度下，使網(wǎng)絡(luò)的迭代收斂速度大大加快。

具體算法思想過(guò)程如下：在BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)階段，當(dāng)遙感圖像的特征樣本數(shù)據(jù)由輸入層到隱含層，然后再傳輸?shù)捷敵鰧樱詈蟮玫降妮敵鰯?shù)據(jù)與目標(biāo)數(shù)據(jù)會(huì)產(chǎn)生誤差，然后在返回到隱含層來(lái)調(diào)整網(wǎng)絡(luò)權(quán)值，直至誤差達(dá)到所要求的精度范圍為止。在迭代過(guò)程中，為了使誤差迅速減小到精度范圍內(nèi)，特征因子算法被引入到網(wǎng)絡(luò)權(quán)值調(diào)整上：

在第一次迭代 ：

其中x0為輸入向量，y1為第一次輸出向量，T為目標(biāo)向量，第一次迭代生成的T1為目標(biāo)向量T的近似值，Tk+1為迭代N次（1，2，3，…）目標(biāo)向量T的近似值。在運(yùn)用特征因子迭代收斂加速方法中，比以往的算法得到優(yōu)化，加速了網(wǎng)絡(luò)權(quán)值調(diào)整的收斂速度，且使結(jié)果的精度得到保證。

5.實(shí)驗(yàn)過(guò)程與精度評(píng)定

本次實(shí)驗(yàn)是在Matlab環(huán)境下開(kāi)發(fā)的神經(jīng)網(wǎng)絡(luò)工具箱中來(lái)進(jìn)行展開(kāi)的，神經(jīng)網(wǎng)絡(luò)工具箱是MATLAB環(huán)境下開(kāi)發(fā)出來(lái)的許多工具箱之一。它以人工神經(jīng)網(wǎng)絡(luò)理論為基礎(chǔ)，利用MATLAB編程語(yǔ)言構(gòu)造出許多典型神經(jīng)網(wǎng)絡(luò)的框架和相關(guān)的函數(shù)【7】。此工具箱可以用來(lái)對(duì)BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練函數(shù)的創(chuàng)建，下面是具體的實(shí)驗(yàn)過(guò)程：

（1）選取QuickBird衛(wèi)星影像，在影像上選取各類別的特征樣本，要求樣本數(shù)量得足夠多。然后進(jìn)行特征選取，一般是選取象元的多光譜特征的特征向量，以此確定特征矩陣p。為了方便在訓(xùn)練階段的學(xué)習(xí)，需把向量值歸一化，在根據(jù)特征向量，確定輸入層節(jié)點(diǎn)數(shù)為5。

（2）進(jìn)行BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建，其中隱層網(wǎng)的節(jié)點(diǎn)數(shù)是根據(jù)前面提到的方法，節(jié)點(diǎn)數(shù)經(jīng)過(guò)合并與刪除之后最終確定為25；根據(jù)待分類影像的類別分別是公路用地、內(nèi)陸灘涂、旱地、水工建筑用地、裸地、坑塘水面、林地、水庫(kù)水面、采礦用地、城市、村莊、水澆地、設(shè)施農(nóng)用地、建制鎮(zhèn)、果園、灌木林地、風(fēng)景名勝及特殊用地、其他林地、其他草地，輸出層節(jié)點(diǎn)數(shù)確定19；目標(biāo)向量可用以下形式表示：

（1，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0） 表示公路用地

（0，1，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0） 表示內(nèi)陸灘涂

（0，0，1，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0） 表示旱地

（0，0，0，1，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0） 表示水工建筑用地

（0，0，0，0，1，0，0，0，0，0，0，0，0，0，0，0，0，0，0） 表示裸地

（0，0，0，0，0，1，0，0，0，0，0，0，0，0，0，0，0，0，0） 表示坑塘水面

（0，0，0，0，0，0，1，0，0，0，0，0，0，0，0，0，0，0，0） 表示林地

（0，0，0，0，0，0，0，1，0，0，0，0，0，0，0，0，0，0，0） 表示水庫(kù)水面

以此類推直到最后類別的表示……

（0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，1） 表示其他草地

調(diào)用Matlab神經(jīng)網(wǎng)絡(luò)工具箱中的函數(shù)，另外為了加入特征因子算法，需要?jiǎng)?chuàng)建網(wǎng)絡(luò)的權(quán)值學(xué)習(xí)函數(shù)learnc，p1是輸入訓(xùn)練樣本，p2是輸入未知樣本向量。部分代碼如下：

net=newff（minmax（p），[25，19]，{‘tansig’，‘logsig’}，‘traingdx’，‘learnc’）；

net.trainParam.show=300；

net.traimParam.epochs=1600；

net.train.goal=0.01；

net=init（net）；

net=train（net，p1，T）；

Ye=sim（net，p2）；

（3）在步奏（2）的基礎(chǔ)上，進(jìn)行訓(xùn)練學(xué)習(xí)。創(chuàng)建的網(wǎng)絡(luò)權(quán)值函數(shù)加入特征因子后，在學(xué)習(xí)階段收斂速度明顯增快 。使調(diào)整后的網(wǎng)絡(luò)權(quán)值盡快達(dá)到了用戶設(shè)定精度范圍。

（4）學(xué)習(xí)階段完成后，開(kāi)始進(jìn)行分類階段。把未分類的QuickBird衛(wèi)星影像的特征向量值輸入到神經(jīng)網(wǎng)絡(luò)中，進(jìn)行分類，根據(jù)輸出向量y與目標(biāo)向量T進(jìn)行對(duì)比，然后把象元分類到自己所屬的類別區(qū)。直到影像被分類完為止。

（5）分類結(jié)果圖如下：

（6） 下面是對(duì)分類結(jié)果進(jìn)行精度評(píng)定，采用誤差矩陣法來(lái)評(píng)定精度?？傮w精度可達(dá)到93.89%，其他各個(gè)類別的用戶精度和生產(chǎn)者精度都很高，最低的不低于82.43%，滿足用戶的需求，達(dá)到使用的目的。

6.結(jié)束語(yǔ)

BP神經(jīng)網(wǎng)絡(luò)的非線性映射，自適應(yīng)功能等優(yōu)勢(shì)已在遙感圖像分類中得到廣泛的應(yīng)用，本文基于前人的優(yōu)化算法，提出了在網(wǎng)絡(luò)權(quán)值調(diào)整過(guò)程中的特征因子迭代加速算法，使學(xué)習(xí)階段的權(quán)值調(diào)整速度明顯加快。但在分類精度上改變較小，在提高精度上，是以后繼續(xù)研究改進(jìn)的方向。

參考文獻(xiàn)

[1] 葉世偉 史忠植（譯） 神經(jīng)網(wǎng)絡(luò)原理 北京：機(jī)械工業(yè)出版社，2004

[2] Dony R D，et al. Neural network approaches to image compression[J].Proc IEEE，1995，83：288-303.

[3] 史忠植.智能科學(xué)[M].北京：清華大學(xué)出版社，2006.

[4] 劉幺和，陳睿，彭偉，等.一種BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)率的優(yōu)化設(shè)計(jì)[J].湖北工業(yè)大學(xué)學(xué)報(bào)，2007，22（3）：1-3.

[5] 陳思 一種BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)率的改進(jìn)方法[J].長(zhǎng)春師范學(xué)院學(xué)報(bào)（自然科學(xué)版），2010.8.25-27

[6] 李曉峰，徐玖平，王蔭清等。BP人工神經(jīng)網(wǎng)絡(luò)自適應(yīng)學(xué)習(xí)算法的建立及其應(yīng)用[J].系統(tǒng)工程理論與實(shí)踐，2004.5 . 3-4

[7] 樓順天，等.《基于Matlab的系統(tǒng)分析與設(shè)計(jì)---神經(jīng)網(wǎng)絡(luò)》. 西安：西安電子科技大學(xué)出版社，2000.8.23-40

篇5

摘要：固體氧化物燃料電池（SOFC）作為一種新的能源形式，日益受到重視.針對(duì)SOFC 系統(tǒng)過(guò)于復(fù)雜，現(xiàn)有的理論電壓模型存在明顯不足的特點(diǎn)，繞開(kāi)了SOFC 的內(nèi)部復(fù)雜性，利用經(jīng)過(guò)粒子群算法（PSO）優(yōu)化的廣義回歸神經(jīng)網(wǎng)絡(luò)（ GRNN ） 對(duì)SOFC 系統(tǒng)進(jìn)行辨識(shí)建模.以氫氣流速為神經(jīng)網(wǎng)絡(luò)辨識(shí)模型的輸入量，電流/電壓為輸出量，建立SOFC 在不同氫氣流速下的電池電流/電壓動(dòng)態(tài)響應(yīng)模型.仿真結(jié)果表明所建模型能基本表示出SOFC系統(tǒng)的電流/電壓的動(dòng)態(tài)響應(yīng)，說(shuō)明利用GRNN建模的有效性，所建模型精度也較高.

關(guān)鍵詞：

固體氧化物燃料電池； 廣義回歸神經(jīng)網(wǎng)絡(luò)； 粒子群算法； 辨識(shí)建模

中圖分類號(hào)： TM 911文獻(xiàn)標(biāo)志碼： A

固體氧化物燃料電池（SOFC）作為第三代燃料電池，是目前國(guó)際上正在積極研發(fā)的新型發(fā)電技術(shù)之一.它是一種將氣體或者氣化燃料的化學(xué)能直接轉(zhuǎn)化成電能和熱能的能量轉(zhuǎn)換裝置[1].SOFC除了具有一般燃料電池高效率、低污染的優(yōu)點(diǎn)外，還具有噪音小、無(wú)泄漏、無(wú)電解質(zhì)腐蝕、壽命長(zhǎng)等優(yōu)點(diǎn).SOFC處于高溫密閉的環(huán)境，不易測(cè)量?jī)?nèi)部狀態(tài)，試驗(yàn)分析代價(jià)很高，而數(shù)值模擬和仿真則比較容易實(shí)現(xiàn)，因此，數(shù)學(xué)建模是燃料電池開(kāi)發(fā)的一個(gè)重要工具.世界各國(guó)研究人員采用電化學(xué)、材料學(xué)、熱力學(xué)、流體動(dòng)力學(xué)等相關(guān)理論建立了SOFC一些比較完善的數(shù)學(xué)模型[2-5].但是，這些模型表達(dá)式過(guò)于復(fù)雜，很難用于控制系統(tǒng)的設(shè)計(jì)，特別是在線控制[6].本文試圖繞開(kāi)SOFC系統(tǒng)的內(nèi)部復(fù)雜性，利用神經(jīng)網(wǎng)絡(luò)對(duì)SOFC這個(gè)非線性系統(tǒng)建模.神經(jīng)網(wǎng)絡(luò)建模具有傳統(tǒng)方法不具備的很多優(yōu)點(diǎn)，只要通過(guò)過(guò)去的經(jīng)驗(yàn)對(duì)歷史數(shù)據(jù)進(jìn)行訓(xùn)練和學(xué)習(xí)，網(wǎng)絡(luò)就能“模擬”并“記憶”輸入變量和輸出變量之間的關(guān)系，處理各種數(shù)據(jù)，通過(guò)“聯(lián)想”實(shí)現(xiàn)預(yù)報(bào).廣義回歸神經(jīng)網(wǎng)絡(luò)（GRNN）設(shè)計(jì)簡(jiǎn)單、收斂快，結(jié)果穩(wěn)定，并利用粒子群算法（PSO）對(duì)其光滑因子進(jìn)行優(yōu)化，采用優(yōu)化后的神經(jīng)網(wǎng)絡(luò)對(duì)SOFC進(jìn)行辨識(shí)建模.本文仿真得到不同氫氣流速下的電流/電壓特性，說(shuō)明所建模型的有效性，為SOFC系統(tǒng)的在線控制研究奠定了一定的基礎(chǔ).

4結(jié)論

根據(jù)電化學(xué)、材料學(xué)等建立的SOFC理論模型都比較復(fù)雜，很難用于SOFC控制系統(tǒng)的控制設(shè)計(jì).所以，本文采用GRNN神經(jīng)網(wǎng)絡(luò)，并利用粒子群算法進(jìn)行優(yōu)化，建立SOFC系統(tǒng)在三種氫氣流速下的電壓辨識(shí)模型.仿真結(jié)果表明，利用GRNN對(duì)SOFC建模是可行的，且精度也很高，對(duì)SOFC電壓特性模型有很好的辨識(shí)作用.同時(shí)，這種建模思路是易操作的，需要調(diào)整的參數(shù)少，能很快計(jì)算出結(jié)果，可推進(jìn)SOFC的在線控制研究.

參考文獻(xiàn)：

[1]AGUIAR P，ADJIMAN C S，BRANDON N P.Anodesupported intermediate temperature direct internal reforming solid oxide fuel cell.I：modelbased steady state performance [J].Journal of Power Sources，2004，138（1/2）：120-136.

[2]ACHENBACH E.Threedimensional and timedependent simulation of a planar SOFC stack [J].Journal of Power Sources，1994，49（1-3）：333-348.

[3]COSTAMAGNA P，SELIMOVIC A，DEL BORGHI M，et al.Electrochemical model of the integrated planar solid oxide fuel cell （IPSOFC） [J].Chemical Engineering Journal，2004，102（1）：61-69.

[4]SUDAPRASERT K，TRAVIS R P，MARTINEZBOTAS R F.A computational fluid dynamics model of a solid oxide fuel cell [J].Proceedings of the Institution of Mechanical Engineers，Part A：Journal of Power and Energy，2005，219（A3）：159-167.

[5]PADULLES J，AULT G W，MCDONALD J R.An integrated SOFC plant dynamic model for power systems simulation [J].Journal of Power Sources，2000，86（1/2）：495-500.

[6]吳小娟，朱新堅(jiān)，曹廣益，等.基于神經(jīng)網(wǎng)絡(luò)的固體氧化物燃料電池電堆建模[J].系統(tǒng)仿真學(xué)報(bào)，2008，20（4）：1068-1071.

[7]史峰，王小川.MATLAB神經(jīng)網(wǎng)絡(luò)30個(gè)案例分析[M].北京：北京航空航天大學(xué)出版社，2010.

[8]黃金杰，夏靜，滿春濤，等.一種參數(shù)優(yōu)化旋轉(zhuǎn)廣義回歸神經(jīng)網(wǎng)絡(luò)模型[J].電機(jī)與控制學(xué)報(bào)，2009，13（3）：442-447.

篇6

[關(guān)鍵詞] 小生境遺傳算法 神經(jīng)網(wǎng)絡(luò) 股票 預(yù)測(cè)

一、引言

股票和股票市場(chǎng)對(duì)國(guó)家企業(yè)的經(jīng)濟(jì)發(fā)展起到了積極的作用，如可以為投資者開(kāi)拓投資渠道，增強(qiáng)投資的流動(dòng)性和靈活性等。但股票價(jià)格的形成機(jī)制是頗為復(fù)雜的，股票價(jià)格既受到多種因素，諸如:政治，經(jīng)濟(jì)，市場(chǎng)因素的影響，亦受技術(shù)和投資者行為因素的影響，個(gè)別因素的波動(dòng)作用都可能會(huì)影響到股票價(jià)格的劇烈波動(dòng)。因此，股票價(jià)格和各影響因素之間很難直接建立明確的函數(shù)關(guān)系表達(dá)式。針對(duì)這一情況，將可有效處理非線性問(wèn)題的神經(jīng)網(wǎng)絡(luò)引入到股票價(jià)格的預(yù)測(cè)中來(lái)，但神經(jīng)網(wǎng)絡(luò)收斂慢,易陷入局部極小點(diǎn)，出現(xiàn)振蕩，魯棒性差。所以有的學(xué)者用遺傳算法(ga)來(lái)優(yōu)化神經(jīng)網(wǎng)絡(luò)，這種神經(jīng)網(wǎng)絡(luò)可能獲得個(gè)別的甚至局部的最優(yōu)解,即ga早熟現(xiàn)象。本文引進(jìn)能較有效地保持種群多樣性的小生境遺傳算法(nga),采用nga優(yōu)化與用ga優(yōu)化的bp網(wǎng)絡(luò)權(quán)值進(jìn)行對(duì)比,證實(shí)了nga的判別準(zhǔn)確性和尋優(yōu)能力。

二、小生境遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)

1.bp神經(jīng)網(wǎng)絡(luò)

反向傳播(bp)算法又稱為誤差逆?zhèn)鞑バＵ椒?，它?974年p.werbos(哈佛大學(xué))提出的。133229.CoMbp算法用來(lái)訓(xùn)練多層前饋神經(jīng)網(wǎng)絡(luò),屬于監(jiān)督學(xué)習(xí)算法。bp網(wǎng)絡(luò)具有結(jié)構(gòu)清晰，易實(shí)現(xiàn)，計(jì)算功能強(qiáng)大等特點(diǎn)。因而是目前最常見(jiàn)，使用最廣泛的一種神經(jīng)網(wǎng)絡(luò)。但是在實(shí)際應(yīng)用中，傳統(tǒng)的bp算法存在以下問(wèn)題:收斂速度慢;若加快收斂速度易產(chǎn)生振蕩；存在局部極小和平臺(tái)問(wèn)題;泛化能力差;隱節(jié)點(diǎn)數(shù)和初始值的選取缺乏理論指導(dǎo);未考慮樣本選擇對(duì)系統(tǒng)學(xué)習(xí)的影響等。所以很多學(xué)者提出許多改進(jìn)的方法，用小生境遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)權(quán)值的神經(jīng)網(wǎng)絡(luò)來(lái)預(yù)測(cè)股票價(jià)格。

2.小生境遺傳算法

小生境遺傳算法(iche genetical gorihm)的基本思想是:首先比較任意兩個(gè)個(gè)體間的距離與給定值的大小，若該距離小于給定值，則比較其適應(yīng)值大小。對(duì)適應(yīng)值較小的個(gè)體施加一個(gè)較強(qiáng)的懲罰，極大地降低其適應(yīng)值。也就是說(shuō)，在距離l內(nèi)將只有一個(gè)優(yōu)良個(gè)體，從而既維護(hù)了群體的多樣性，又使得各個(gè)體之間保持一定的距離，并使得個(gè)體能夠在整個(gè)約束空間中分散開(kāi)來(lái)。

3.神經(jīng)網(wǎng)絡(luò)連接權(quán)的優(yōu)化

用小生境遺傳算法可以優(yōu)化神經(jīng)網(wǎng)絡(luò)連接權(quán)，神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，學(xué)習(xí)規(guī)則等，這里我們對(duì)神經(jīng)網(wǎng)絡(luò)的連接權(quán)進(jìn)行優(yōu)化，具體步驟如下：

（1）隨機(jī)產(chǎn)生一組權(quán)值分布，采用某種編碼方案對(duì)該組中的每個(gè)權(quán)值(或閾值)進(jìn)行編碼，進(jìn)而構(gòu)造出一個(gè)碼串(每個(gè)碼串代表網(wǎng)絡(luò)的一種權(quán)值分布)，在網(wǎng)絡(luò)結(jié)構(gòu)和學(xué)習(xí)規(guī)則已確定的前提下,該碼串就對(duì)應(yīng)一個(gè)權(quán)值和閾值取特定值的一個(gè)神經(jīng)網(wǎng)絡(luò)。

（2)對(duì)所產(chǎn)生的神經(jīng)網(wǎng)絡(luò)計(jì)算它的誤差函數(shù)，從而確定其適應(yīng)度函數(shù)值，誤差越大,則適應(yīng)度越小。

（3)選擇若干適應(yīng)度函數(shù)值最大的個(gè)體,直接遺傳給下一代。

（4)利用交叉和變異等遺傳操作算子對(duì)當(dāng)前一代群體進(jìn)行處理，產(chǎn)生下一代群體。

（5)重復(fù)（2）（3）（4），使初始確定的一組權(quán)值分布得到不斷地進(jìn)化,直到訓(xùn)練目標(biāo)得到滿足為止。

這種由小生境遺傳算法訓(xùn)練神經(jīng)網(wǎng)絡(luò)的方法也可以稱做混和訓(xùn)練法。將基于小生境遺傳算法的遺傳進(jìn)化方法和基于梯度下降的反傳訓(xùn)練相結(jié)合,這種訓(xùn)練方法吸取兩種方法的各自特點(diǎn)，所以收斂速度快。

三、股票價(jià)格預(yù)測(cè)仿真

根據(jù)經(jīng)驗(yàn)選取輸入預(yù)測(cè)日前四天開(kāi)盤價(jià)、收盤價(jià)歸一化后做為作為輸入量，輸出為第五天收盤價(jià)歸一化數(shù)值。所以，本文采用神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為(8,5,1),即網(wǎng)絡(luò)的輸入層6個(gè)節(jié)點(diǎn),隱含層9個(gè)節(jié)點(diǎn),輸出層1個(gè)節(jié)點(diǎn)。本文選擇了“xdg 新梅（600732）”從2006年3月14日到2006年7月1日數(shù)據(jù)進(jìn)行了仿真。利用matlab6.5編程，取70組訓(xùn)練樣本和30組測(cè)試樣本。如圖（1）表示用遺傳算法和小生境遺傳算法對(duì)神經(jīng)網(wǎng)絡(luò)的權(quán)值進(jìn)行優(yōu)化時(shí)，誤差曲線變化;從圖中可以看出，小生境遺傳算法收斂速度要快;圖（2）表示股票預(yù)測(cè)值和實(shí)際值比較，從圖中可以看出，遺傳算法和小生境遺傳算法對(duì)神經(jīng)網(wǎng)絡(luò)的權(quán)值的模型進(jìn)行股票價(jià)格的預(yù)測(cè)，都能預(yù)測(cè)出股票走向趨勢(shì)，但是，后者的預(yù)測(cè)精度顯然要比前者高。

四、結(jié)束語(yǔ)

股票市場(chǎng)的不確定因素太多，股票的價(jià)格更是多種因素影響的集合體，是典型的非線性動(dòng)力學(xué)問(wèn)題。股票價(jià)格的中長(zhǎng)期準(zhǔn)確預(yù)測(cè)很難。本文建立了用小生境遺傳算來(lái)優(yōu)化神經(jīng)網(wǎng)絡(luò)模型來(lái)預(yù)測(cè)股票價(jià)格，結(jié)果表明，這種方法比單用遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)收斂速度快，預(yù)測(cè)精度高。對(duì)于股票價(jià)格預(yù)測(cè)具有較好的應(yīng)用價(jià)值。

參考文獻(xiàn):

[1]龍建成李小平:基于神經(jīng)網(wǎng)絡(luò)的股票市場(chǎng)趨勢(shì)預(yù)測(cè)[j].西安電子科技大學(xué)學(xué)報(bào)(自然科學(xué)版.2005.3（32）:460-463

[2]王波張鳳玲:神經(jīng)網(wǎng)絡(luò)與時(shí)間序列模型在股票預(yù)測(cè)中的比較[j].第27卷第6期武漢理工大學(xué)學(xué)報(bào)·信息與管理工程版.2005.9（27）:69-72

篇7

【關(guān)鍵詞】BP神經(jīng)網(wǎng)絡(luò)；PID控制；直流電機(jī)調(diào)速系統(tǒng)

1.引言

PID控制以其算法簡(jiǎn)單，魯棒性好和可靠性高等優(yōu)點(diǎn)，廣泛地應(yīng)用于工業(yè)生產(chǎn)當(dāng)中，成為衡量各行各業(yè)現(xiàn)代化水平的一個(gè)重要標(biāo)志。隨著科學(xué)技術(shù)的發(fā)展，生產(chǎn)工藝的日益復(fù)雜化，生產(chǎn)系統(tǒng)具有非線性，時(shí)變不確定性，在實(shí)際生產(chǎn)中，常規(guī)PID控制器參數(shù)往往整定不良、性能欠佳，對(duì)運(yùn)行工況的適應(yīng)性很差[1]。

BP神經(jīng)網(wǎng)絡(luò)具有良好的自學(xué)習(xí)、自適應(yīng)能力和魯棒性，可以用來(lái)處理高維、非線性、強(qiáng)耦合和不確定性的復(fù)雜控制系統(tǒng)。本文結(jié)合BP神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)和傳統(tǒng)PID控制的優(yōu)勢(shì)，對(duì)PID控制器進(jìn)行優(yōu)化，使其具有很強(qiáng)的自適應(yīng)性和魯棒性。通過(guò)對(duì)直流電機(jī)調(diào)速系統(tǒng)仿真，結(jié)果表明，這種方法是有效的。

2.PID控制原理

PID是工業(yè)生產(chǎn)中最常用的一種控制方式，PID調(diào)節(jié)器是一種線性調(diào)節(jié)器，它將給定值r（t）與實(shí)際輸出值c（t）的偏差的比例（P）、積分（I）、微（D）通過(guò)線性組合構(gòu)成控制量，對(duì)控制對(duì)象進(jìn)行控制。傳統(tǒng)的PID控制系統(tǒng)原理框圖如圖2.1所示，系統(tǒng)主要由PID控制器和被控對(duì)象組成。它根據(jù)給定值rin（t）與實(shí)際輸出值yout（t）構(gòu)成控制偏差額e（t）：

圖2.1為PID控制系統(tǒng)原理框圖。

3.基于BP神經(jīng)網(wǎng)絡(luò)的PID整定原理

PID控制要取得好的控制效果，就必須通過(guò)調(diào)整好比例、積分和微分三種控制作用在形成控制量中相互配合又相互制約的關(guān)系，這種關(guān)系不一定是簡(jiǎn)單的“線性組合”，而是從變化無(wú)窮的非線性組合中找出最佳的關(guān)系[2]。BP神經(jīng)網(wǎng)絡(luò)具有良好的自學(xué)習(xí)、自適應(yīng)能力和魯棒性，將PID和BP神經(jīng)網(wǎng)絡(luò)結(jié)合起來(lái)，建立參數(shù)自學(xué)習(xí)的PID控制器。其結(jié)構(gòu)如圖3.1所示。

經(jīng)典增量式數(shù)字PID的控制算式為：

式中，是與、、、u（k-1）、y（k）等有關(guān)的非線性函數(shù)，可以用BP神經(jīng)網(wǎng)絡(luò)通過(guò)訓(xùn)練和學(xué)習(xí)找到這樣一個(gè)最佳控制規(guī)律。

假設(shè)BP神經(jīng)網(wǎng)絡(luò)NN是一個(gè)三層BP網(wǎng)絡(luò)，其結(jié)構(gòu)如圖3.4所示，有M個(gè)輸入節(jié)點(diǎn)、Q個(gè)隱層節(jié)點(diǎn)、三個(gè)輸出節(jié)點(diǎn)。輸出節(jié)點(diǎn)分別對(duì)應(yīng)控制器的三個(gè)可調(diào)參數(shù)，，。其激發(fā)函數(shù)為非負(fù)的Sigmoid函數(shù)。而隱含層的激發(fā)函數(shù)可取正負(fù)對(duì)稱的Sigmoid函數(shù)。

神經(jīng)網(wǎng)絡(luò)的前向算法如下：設(shè)PID神經(jīng)網(wǎng)絡(luò)有M個(gè)輸入，3個(gè)輸出（，，），上標(biāo)（1）（2）（3）分別代表輸入層、隱含層和輸出層，該P(yáng)ID神經(jīng)網(wǎng)絡(luò)在任意采樣時(shí)刻k的前向計(jì)算公式（3-3）如下所述：

基于BP神經(jīng)網(wǎng)絡(luò)PID控制算法可以歸納為：①選定BPNN的結(jié)構(gòu)，即選定輸入層節(jié)點(diǎn)數(shù)M和隱含層節(jié)點(diǎn)數(shù)Q，并給出各層加權(quán)系數(shù)的初值，選定學(xué)習(xí)速率和慣性系數(shù)；②采樣得到和，計(jì)算；③對(duì)進(jìn)行歸一化處理，作為BPNN的輸入；④計(jì)算BPNN的各層神經(jīng)元的輸入和輸出，輸出層的輸出即為PID控制器的3個(gè)參數(shù)，，；⑤計(jì)算PID控制器的輸出，參與控制和計(jì)算；⑥計(jì)算修正輸出層的加權(quán)系數(shù)；⑦計(jì)算修正隱含層的加權(quán)系數(shù)：⑧置，返回②[3]。

4.仿真實(shí)例

仿真試驗(yàn)中所用的直流電機(jī)參數(shù)Pnom =10kw，nom=1000r/min，Unom=220V，I=55A，電樞電阻Ra=0.5Ω，V-M系統(tǒng)主電路總電阻R=1Ω，額定磁通下的電機(jī)電動(dòng)勢(shì)轉(zhuǎn)速比=0.1925V.min/r，電樞回路電磁時(shí)間常數(shù)Ta=0.017s，系統(tǒng)運(yùn)動(dòng)部分飛輪距相應(yīng)的機(jī)電時(shí)間常數(shù)Tm=0.075，整流觸發(fā)裝置的放大系數(shù)=44，三相橋平均失控時(shí)間Ts=0.00167s，拖動(dòng)系統(tǒng)測(cè)速反饋系數(shù)=0.001178V.min/r，比例積分調(diào)節(jié)器的兩個(gè)系數(shù)T1=0.049s，T2=0.088s。BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)采用4-5-3，學(xué)習(xí)速率和慣性系數(shù)，加權(quán)系數(shù)初始值取區(qū)間[-0.5，0.5]上的隨機(jī)數(shù)。利用simulink模塊建立模型如圖4.1所示。

從上面的仿真結(jié)果中，進(jìn)行比較分析后，可以得出常規(guī)PID控制系統(tǒng)BP神經(jīng)網(wǎng)絡(luò)PID控制系統(tǒng)兩者對(duì)于在零時(shí)刻加幅度為1的階躍信號(hào)，它們有著不同響應(yīng)曲線。為了便于比較，可以將兩者的響應(yīng)結(jié)果列表，見(jiàn)表4.1。

5.結(jié)論

由仿真結(jié)果可知，BP神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)的最大超調(diào)量和調(diào)整時(shí)間均比常規(guī)PID控制系統(tǒng)的最大超調(diào)量要小。這說(shuō)明利用BP神經(jīng)網(wǎng)絡(luò)對(duì)PID控制器進(jìn)行優(yōu)化具有有良好的自學(xué)習(xí)、自適應(yīng)能力和魯棒性，在工業(yè)生產(chǎn)中，具有更高的價(jià)值。

參考文獻(xiàn)

[1]王敬志，任開(kāi)春，胡斌.基于BP神經(jīng)網(wǎng)絡(luò)整定的PID控制[J].工業(yè)控制計(jì)算機(jī)，2011（3）：72-75.

篇8

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)；時(shí)間序列；豬肉價(jià)格預(yù)測(cè)

1 概述

BP算法是很成熟的多層前饋網(wǎng)絡(luò)訓(xùn)練算法，BP算法自身有收斂速度慢，容易產(chǎn)生局部極小值和弱推廣能力等問(wèn)題[1]。但由于BP算法方便簡(jiǎn)單，運(yùn)算速度快，并行性強(qiáng)很多優(yōu)點(diǎn)，可以用來(lái)預(yù)測(cè)豬肉價(jià)格。BP神經(jīng)網(wǎng)絡(luò)分為信息的正向傳播與誤差的逆向傳播兩個(gè)部分[2]。在正向傳播過(guò)程中，正向傳播包括輸入層、隱含層和輸出層三層，通過(guò)這三層的信息處理并輸出，得出預(yù)測(cè)結(jié)果。若實(shí)際輸出與期望輸出不符，則進(jìn)入誤差的逆向傳播階段，按誤差梯度下降的方式修改各層權(quán)值，依次逆?zhèn)?。不斷學(xué)習(xí)訓(xùn)練，直到網(wǎng)絡(luò)輸出誤差達(dá)到可接受范圍[3]。

2 BP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)

進(jìn)行BP網(wǎng)絡(luò)設(shè)計(jì)時(shí)，考慮以下幾個(gè)方面：

2.1 網(wǎng)絡(luò)層數(shù)的選定

關(guān)于BP神經(jīng)網(wǎng)絡(luò)算法，只關(guān)注單因素預(yù)測(cè)模型，即豬肉價(jià)格自身的數(shù)據(jù)預(yù)測(cè)。由于查找歷史數(shù)據(jù)有限，不需選擇增加網(wǎng)絡(luò)層數(shù)的辦法而是選擇增加隱含層神經(jīng)元節(jié)點(diǎn)的數(shù)目來(lái)提高輸出結(jié)果的精度[4]。所以，選用單一隱層的BP神經(jīng)網(wǎng)絡(luò)模型。

2.2 輸入輸出層神經(jīng)節(jié)點(diǎn)

對(duì)于輸出層，有

可以看出，2015年7月份到12月份的豬肉價(jià)格預(yù)測(cè)結(jié)果與實(shí)際值最大誤差僅為0.01，說(shuō)明所建模型科學(xué)合理，可以用來(lái)預(yù)測(cè)豬肉價(jià)格。

3.3 價(jià)格預(yù)測(cè)

運(yùn)用2014年7月到2016年3月間呂梁某城區(qū)每月的豬肉平均價(jià)格數(shù)據(jù)來(lái)進(jìn)行預(yù)測(cè)。將數(shù)據(jù)歸一，構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型。經(jīng)過(guò)多次實(shí)驗(yàn)得出隱含層節(jié)點(diǎn)數(shù)為8時(shí)，預(yù)測(cè)誤差最小，擬合度最高。循環(huán)次數(shù)為5000次，優(yōu)化目標(biāo)為0.01，訓(xùn)練模擬數(shù)據(jù)后，預(yù)測(cè)出2016年4月到9月的豬肉價(jià)格走勢(shì)。

4 結(jié)論與分析

通過(guò)對(duì)豬肉價(jià)格本身變化趨勢(shì)進(jìn)行研究，建立了基于時(shí)間序列的神經(jīng)網(wǎng)絡(luò)模型。結(jié)果對(duì)檢測(cè)樣本誤差檢測(cè)，得出均方誤差較小，表明預(yù)測(cè)效果良好，說(shuō)明所建模型較為科學(xué)合理。

參考文獻(xiàn)

[1]吳凌云.BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的改進(jìn)及其應(yīng)用[J].信息技術(shù)，2003：

75-90.

[2]翟旭瑞，呂振中.基于BP神經(jīng)網(wǎng)絡(luò)的大壩安全監(jiān)測(cè)系統(tǒng)評(píng)價(jià)研究[J].水資源與水工程學(xué)報(bào)，2007.

[3]平平，方芳，田野.組合預(yù)測(cè)模型在豬肉價(jià)格預(yù)測(cè)中的應(yīng)用研究[J].計(jì)算機(jī)工程與科學(xué)，2010（32、5）：109-112.

[4]孫海濤，楊德平，李聰.基于BP神經(jīng)網(wǎng)絡(luò)的我國(guó)股指期貨價(jià)格預(yù)測(cè)[J].青島大學(xué)學(xué)報(bào)，2012.

篇9

關(guān)鍵詞： 閉環(huán)液壓控制系統(tǒng)；自組織雙模糊神經(jīng)網(wǎng)絡(luò)；執(zhí)行機(jī)構(gòu)

中圖分類號(hào)：TU984 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1671－7597（2012）0720088－02

0 引言

液壓控制在工業(yè)系統(tǒng)中的地位不言而喻，提高系統(tǒng)精度和響應(yīng)速度是液壓控制領(lǐng)域有待持續(xù)性研究的課題。針對(duì)按照預(yù)設(shè)流量和壓力進(jìn)行精確控制的液壓系統(tǒng)，本文提出一種基于Mamdani型模糊神經(jīng)網(wǎng)絡(luò)和多線程思想的閉環(huán)自組織雙模糊神經(jīng)網(wǎng)絡(luò)液壓系統(tǒng)模型，其關(guān)鍵點(diǎn)是模糊神經(jīng)網(wǎng)絡(luò)控制模型和執(zhí)行機(jī)構(gòu)。

1 液壓系統(tǒng)模型

液壓系統(tǒng)采用擠壓式液體供給方式，由工控機(jī)、增壓氣體貯箱、液體貯箱、流量控制閥、流量和壓力檢測(cè)裝置和氣體傳送管道組成閉環(huán)系統(tǒng)，如圖1所示。

該液壓系統(tǒng)模型工作原理是：將增壓惰性氣體壓入液體貯箱，其進(jìn)入液體貯箱時(shí)的流量和壓力由閥門控制，惰性氣體推動(dòng)液體貯箱中的隔板，迫使隔板另一側(cè)的液體進(jìn)入傳送管道，并順管道進(jìn)入液體使用對(duì)象。假設(shè)液體貯箱中是理想流體，根據(jù)理想流體伯努利方程，可知，通過(guò)調(diào)節(jié)液體貯箱壓力，能夠改變液體使用對(duì)象入口處液體壓力，因此，通過(guò)調(diào)節(jié)增壓氣體流量可達(dá)到調(diào)節(jié)液體進(jìn)入液體使用對(duì)象時(shí)流量和壓力的目的。液體貯箱和液體使用對(duì)象之間安裝有壓力計(jì)和流量計(jì)，能夠測(cè)得當(dāng)前實(shí)際壓力和流量，計(jì)算機(jī)將其與預(yù)設(shè)壓力和流量進(jìn)行對(duì)比，按照一定的算法得出增壓氣體流量調(diào)節(jié)方案。

2 模糊神經(jīng)網(wǎng)絡(luò)控制模型

2.1 控制模型

根據(jù)液壓系統(tǒng)模型工作原理，閉環(huán)控制系統(tǒng)輸入數(shù)據(jù)為預(yù)設(shè)壓力、預(yù)設(shè)流量、實(shí)際壓力和實(shí)際流量，根據(jù)模糊控制原理，可將以上四個(gè)數(shù)據(jù)轉(zhuǎn)化為壓力差、壓力差變化率、流量差、流量差變化率，由這四個(gè)分量組成的輸入數(shù)據(jù)作為閉環(huán)控制算法的輸入向量，對(duì)執(zhí)行機(jī)構(gòu)的指令為該算法的輸出向量。

模糊神經(jīng)網(wǎng)絡(luò)不依賴精確的數(shù)學(xué)模型，能夠通過(guò)學(xué)習(xí)優(yōu)化自身性能，在邏輯上能夠?qū)崿F(xiàn)并行計(jì)算等優(yōu)點(diǎn)[1]，本文提出一種基于模糊神經(jīng)網(wǎng)絡(luò)的液壓控制器模型，該模型由兩組獨(dú)立的模糊神經(jīng)網(wǎng)絡(luò)并聯(lián)組成雙模糊神經(jīng)網(wǎng)絡(luò)，在初始時(shí)刻，這兩組模糊神經(jīng)網(wǎng)絡(luò)具有相同的結(jié)構(gòu)和網(wǎng)絡(luò)連接權(quán)值，在控制系統(tǒng)運(yùn)行過(guò)程中，兩組模糊神經(jīng)網(wǎng)絡(luò)分別承擔(dān)系統(tǒng)學(xué)習(xí)和控制任務(wù)，經(jīng)過(guò)一定系統(tǒng)周期后，同步兩組模糊神經(jīng)網(wǎng)絡(luò)參數(shù)。

綜上所述，控制模型如圖2所示。

在圖2中，X表示輸入向量，含有四個(gè)分量：x1、x2、x3和x4，分別表示壓力差、壓力差變化率、流量差和流量差變化率，這四個(gè)分量綜合作為模糊神經(jīng)網(wǎng)絡(luò)控制器的輸入向量。在圖2中，虛線框中的部分為雙模糊神經(jīng)網(wǎng)絡(luò)，其中Layer1為接收傳感器數(shù)據(jù) 的輸入層；Layer2為兩個(gè)具有相同結(jié)構(gòu)的自組織模糊神經(jīng)網(wǎng)絡(luò)層；Layer3為輸出控制信號(hào)

的輸出層。

2.2 模糊神經(jīng)網(wǎng)絡(luò)模型

傳統(tǒng)基于模糊控制步驟的模糊神經(jīng)網(wǎng)絡(luò)常由五層構(gòu)成，但是，三層BP神經(jīng)網(wǎng)絡(luò)可以逼近幾乎所有的非線性系統(tǒng)，所以設(shè)置五層神經(jīng)網(wǎng)絡(luò)不但使系統(tǒng)復(fù)雜化，而且增加了神經(jīng)網(wǎng)絡(luò)逼近穩(wěn)定狀態(tài)的難度[2，3]，因此，設(shè)計(jì)模型由輸入層、隸屬函數(shù)層、輸入越界判斷層、模糊規(guī)則層和輸出層組成，可調(diào)節(jié)連接權(quán)值只出現(xiàn)在模糊規(guī)則層和輸出層之間，其余各神經(jīng)元間的連接權(quán)值均為1且不可調(diào)，本模型包含一層真正意義上的神經(jīng)網(wǎng)絡(luò)，既簡(jiǎn)化了神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)又按照模糊控制步驟設(shè)計(jì)；但是隸屬函數(shù)和模糊規(guī)則實(shí)際上仍然屬于模糊控制范疇，不但需要在設(shè)計(jì)初期就確定下來(lái)并且在系統(tǒng)運(yùn)行過(guò)程中不會(huì)被優(yōu)化，本文根據(jù)文獻(xiàn)[4]提出的一種剪枝算法，通過(guò)專用算法調(diào)整神經(jīng)網(wǎng)絡(luò)中神經(jīng)元的個(gè)數(shù)，解決了隸屬函數(shù)和模糊規(guī)則在系統(tǒng)運(yùn)行過(guò)程中的優(yōu)化問(wèn)題；為了處理意外出現(xiàn)的越界參數(shù)，在隸屬函數(shù)層后增加越界參數(shù)判斷層，越界參數(shù)判斷層的輸出匯總后作為處理越界參數(shù)的依據(jù)。

因此，以模糊控制步驟為基礎(chǔ)，構(gòu)造四層類神經(jīng)網(wǎng)絡(luò)，四層分別是輸入層、隸屬函數(shù)層、模糊規(guī)則層和輸出層，模糊規(guī)則層神經(jīng)元和輸出層神經(jīng)元之間有可變連接權(quán)值；因?yàn)殡`屬函數(shù)和模糊規(guī)則相互對(duì)應(yīng)，因此將模糊規(guī)則層輸出數(shù)據(jù)作為隸屬函數(shù)和模糊規(guī)則調(diào)整的依據(jù)，基于以上考慮，本文提出的模糊神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)如圖3所示。

在圖3中，兩個(gè)矩形分別代表隸屬函數(shù)與規(guī)則調(diào)整算法和輸入越界處理算法，圓形代表神經(jīng)元。與一般模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)不同的是第二層隸屬函數(shù)層的輸出數(shù)據(jù)連接兩層不同的神經(jīng)網(wǎng)絡(luò)層；第四層規(guī)則層的輸出數(shù)據(jù)分別連接輸出層神經(jīng)元和隸屬函數(shù)與規(guī)則調(diào)整算法。

該模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)共有五層神經(jīng)元節(jié)點(diǎn)和兩個(gè)結(jié)構(gòu)調(diào)整算法，各部分結(jié)構(gòu)分別描述如下：

1）第一層：輸入層，本層共有n個(gè)神經(jīng)元，對(duì)應(yīng)輸入數(shù)據(jù)中的n維向量，本層只完成輸入數(shù)據(jù)的接收功能，直接將輸入數(shù)據(jù)傳入下一層，不對(duì)輸入數(shù)據(jù)進(jìn)行任何計(jì)算，沒(méi)有傳遞函數(shù)。

2）第二層：隸屬函數(shù)層，神經(jīng)元個(gè)數(shù)動(dòng)態(tài)調(diào)整，本層模糊化輸入向量，該層的每一個(gè)神經(jīng)元代表隸屬函數(shù)覆蓋的一個(gè)區(qū)域，每一個(gè)第一層的神經(jīng)元都有對(duì)應(yīng)的隸屬函數(shù)層神經(jīng)元群，輸入向量對(duì)本層某神經(jīng)元的激發(fā)度對(duì)應(yīng)于該輸入向量在該神經(jīng)元所表示的模糊區(qū)域的隸屬度。

3）第三層：越界輸入向量判斷層，本層共有n個(gè)神經(jīng)元，對(duì)應(yīng)輸入數(shù)據(jù)中的n維向量，判斷某個(gè)輸入向量是否超出現(xiàn)有的隸屬函數(shù)覆蓋區(qū)域，如果超出，則進(jìn)入輸入越界算法，否則不做運(yùn)算。

篇10

關(guān)鍵詞:智能化 交流電機(jī) 控制

中圖分類號(hào):文獻(xiàn)標(biāo)識(shí)碼:A文章編號(hào):1007-9416(2010)05-0000-00

引言

交流傳動(dòng)代替直流傳動(dòng)已成為不可逆轉(zhuǎn)的趨勢(shì),由于交流電機(jī)的非線性多變量耦合性質(zhì),其控制策略的研究引起很多學(xué)者的興趣。從控制原理和電動(dòng)機(jī)模型出發(fā),基于穩(wěn)態(tài)模型的控制策略和基于動(dòng)態(tài)模型的控制策略研究已經(jīng)進(jìn)入實(shí)用階段,有些控制方法已經(jīng)非常成熟。但是從本質(zhì)上看,交流電動(dòng)機(jī)還是非線性多變量系統(tǒng),應(yīng)該在非線性控制理論的基礎(chǔ)上研究其控制策略,才能真正揭示問(wèn)題的本質(zhì)。非線性反饋解耦與精確線性化控制,基于無(wú)源性的能量成型非線性控制,基于逐步后推設(shè)計(jì)方法的非線性控制等等;雖然在理論上成果累累, 但由于它們的共同基礎(chǔ)是已知參數(shù)的電機(jī)模型,參數(shù)的變化仍不可避免地要影響控制系統(tǒng)的魯棒性?；Ｗ兘Y(jié)構(gòu)控制能使控制效果與被控對(duì)象的參數(shù)和擾動(dòng)無(wú)關(guān), 因而使系統(tǒng)具有很強(qiáng)的魯棒性;它本質(zhì)上是一種開(kāi)關(guān)控制, 在系統(tǒng)中不可避免地帶來(lái)“抖動(dòng)”問(wèn)題, 如何消弱抖動(dòng)又不失強(qiáng)魯棒性, 是目前需要研究的主要問(wèn)題。近年來(lái)受到控制界十分重視的智能控制, 由于它能擺脫對(duì)控制對(duì)象數(shù)學(xué)模型的依賴,已成為眾所矚目的解決魯棒性問(wèn)題的重要方法。下面就交流傳動(dòng)中常用的智能控制策略進(jìn)行梳理,對(duì)比分析他們的特點(diǎn)。

1 模糊控制

模糊控制是一種典型的智能控制方法,它不依賴被控對(duì)象的數(shù)學(xué)模型,可以克服非線性因素,對(duì)被調(diào)節(jié)對(duì)象的參數(shù)具有較強(qiáng)的魯棒性,通常根據(jù)速度的誤差信號(hào)和誤差信號(hào)的微分設(shè)計(jì)在線調(diào)整系數(shù)或者結(jié)構(gòu)的PID控制器,調(diào)整的策略采用模糊控制的原理。還有學(xué)者把模糊控制器的輸出直接變?yōu)榭刂屏?從仿真曲線來(lái)看,都取得了一定的效果。

由于常規(guī)模糊控制的控制規(guī)則一旦確定則無(wú)法改變,且存在穩(wěn)態(tài)誤差,對(duì)于控制性能較高的交流傳動(dòng)系統(tǒng),常規(guī)模糊控制則無(wú)法勝任。自調(diào)整模糊方法根據(jù)系統(tǒng)性能指標(biāo)調(diào)整比例因子,再根據(jù)誤差E和誤差變化EC修改規(guī)則因子

根據(jù)典型階躍響應(yīng)曲線,確定在系統(tǒng)不同運(yùn)行階段輸出量U的控制規(guī)則。修正 自調(diào)整公式。修正 自調(diào)整公式。

但是這種方法在粗調(diào)比例因子 中,對(duì)數(shù)量級(jí)因子 要求過(guò)高若該值過(guò)大,系統(tǒng)易超調(diào),過(guò)小調(diào)整次數(shù)相應(yīng)增加,故應(yīng)根據(jù)實(shí)際系統(tǒng)調(diào)整為一個(gè)適當(dāng)?shù)闹?需經(jīng)過(guò)反復(fù)。

模糊控制的最大優(yōu)點(diǎn)是不依賴被控對(duì)象的數(shù)學(xué)模型,缺點(diǎn)是隸屬度函數(shù)及控制規(guī)則必須經(jīng)過(guò)反復(fù)精心整定,使得控制精度不高,由于控制規(guī)則經(jīng)整定后就不再改變,當(dāng)對(duì)象發(fā)生漂移時(shí),不能進(jìn)行有效調(diào)整,從而限制了自適應(yīng)能力。人工神經(jīng)網(wǎng)絡(luò)具有很好的學(xué)習(xí)能力和準(zhǔn)確的擬和非線性函數(shù)的能力模糊控制和神經(jīng)網(wǎng)絡(luò)相結(jié)合能克服這些缺點(diǎn)。

基于神經(jīng)網(wǎng)絡(luò)的模糊控制器實(shí)質(zhì)是用BP網(wǎng)絡(luò)表示模糊控制規(guī)則,模糊規(guī)則經(jīng)過(guò)神經(jīng)元網(wǎng)絡(luò)的學(xué)習(xí),以“權(quán)值”的形式體現(xiàn)出來(lái),規(guī)則的生成和修正就可以轉(zhuǎn)化為權(quán)值的初始確定和修改,在此基礎(chǔ)上進(jìn)行離線學(xué)習(xí)和在線學(xué)習(xí)。其缺點(diǎn):雖然可以調(diào)整控制規(guī)則,但是由于神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)速度的限制,導(dǎo)致系統(tǒng)有一定的滯后。

模糊控制在應(yīng)用通常有以下的方法和趨勢(shì):

(1)參數(shù)自調(diào)整模糊控制

比例因子自適應(yīng)調(diào)整法是根據(jù)e,ec的大小變化,不斷修改其量化因子GE,GEC和控制量u的比例因子GU.

(2)將模糊控制與傳統(tǒng)控制相結(jié)合,根據(jù)誤差的大小,來(lái)選擇不同的控制方式。

(3)與其它智能控制相結(jié)合。如神經(jīng)網(wǎng)絡(luò),遺傳算法,通過(guò)其他智能控制的特點(diǎn)來(lái)修改控制規(guī)則,適應(yīng)系統(tǒng)實(shí)際的需要。

2 神經(jīng)網(wǎng)絡(luò)

采用基于BP學(xué)習(xí)算法的神經(jīng)網(wǎng)絡(luò)代替PID控制器發(fā)揮作用,它在輸入端得到誤差信號(hào),誤差經(jīng)過(guò)處理后,分別做為比例項(xiàng),積分項(xiàng),微分項(xiàng)輸入到神經(jīng)網(wǎng)絡(luò)。經(jīng)過(guò)初始權(quán)計(jì)算后,在輸出層得到一個(gè)輸出信號(hào)提供給被控電機(jī)。電機(jī)輸出經(jīng)反饋到輸入端與期望值比較后,得到新的誤差信號(hào),這個(gè)誤差信號(hào),以部分用于修正權(quán)值,以部分供給神經(jīng)網(wǎng)絡(luò)控制器作為修正權(quán)值,利用它重新計(jì)算得到一個(gè)新的輸出,直到系統(tǒng)穩(wěn)定。該方法代替原有PID控制方案,自適應(yīng)特性良好,但結(jié)構(gòu)規(guī)模較大,算法復(fù)雜,應(yīng)用成本較高。

改進(jìn)方法:BP+PID控制。輸入提供給常規(guī)PID和神經(jīng)網(wǎng)絡(luò)控制器,根據(jù)被控對(duì)象的實(shí)際輸出與期望值比較而得到的偏差,二者進(jìn)行切換,送給電機(jī)做輸入。該方法代替原有PID控制方案,自適應(yīng)特性良好,但結(jié)構(gòu)規(guī)模較大,算法復(fù)雜,應(yīng)用成本較高。

單神經(jīng)元是神經(jīng)網(wǎng)絡(luò)的最基本結(jié)構(gòu),在神經(jīng)網(wǎng)絡(luò)控制中,單神經(jīng)元是最基本的控制單元。目前由于缺乏相應(yīng)的足夠快的硬件支持,大規(guī)模神經(jīng)網(wǎng)絡(luò)用于解決實(shí)時(shí)控制問(wèn)題,速度難以滿足需要,因此用單神經(jīng)元構(gòu)成控制器引起了控制學(xué)者的廣發(fā)興趣。

采用聯(lián)想式學(xué)習(xí)規(guī)則將Hebbian學(xué)習(xí)和監(jiān)督式學(xué)習(xí)相結(jié)合,通過(guò)關(guān)聯(lián)搜索對(duì)未知的外界作出反映和作用。所以神經(jīng)元方法的應(yīng)用主要有以下特點(diǎn):

(1)人工神經(jīng)網(wǎng)絡(luò)自適應(yīng)控制

用人工神經(jīng)網(wǎng)絡(luò)代替?zhèn)鹘y(tǒng)的PID或PI控制器,這種控制器充分利用了神經(jīng)元的自學(xué)習(xí)功能,在運(yùn)行中根據(jù)被控對(duì)象特性的變化,對(duì)神經(jīng)元的權(quán)值進(jìn)行在線調(diào)整,使得整個(gè)控制器能得到PID控制的特性。其中算法有無(wú)監(jiān)督的Hebb學(xué)習(xí)規(guī)則,有監(jiān)督的Delta學(xué)習(xí)規(guī)則和有監(jiān)督的Hebb學(xué)習(xí)規(guī)則。

(2)人工神經(jīng)網(wǎng)絡(luò)參數(shù)辨識(shí)和估計(jì)

如基于BP,神經(jīng)網(wǎng)絡(luò)和RBP神經(jīng)網(wǎng)絡(luò)和基于CMAC

(3)復(fù)合智能控制

將人工神經(jīng)網(wǎng)絡(luò)與其它智能方法結(jié)合,如迷糊控制,充分利用兩者的優(yōu)點(diǎn)控制系統(tǒng)的運(yùn)行。加入遺傳算法改進(jìn)神經(jīng)網(wǎng)絡(luò)中的權(quán)值,適應(yīng)系統(tǒng)變化?！哆z傳算法的神經(jīng)網(wǎng)絡(luò)在交流調(diào)速系統(tǒng)中的應(yīng)用》

將人工神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)控制方法結(jié)合,如根據(jù)誤差信號(hào)的大小。在線切換控制器,可以使系統(tǒng)具有更好的魯棒性和自適應(yīng)性。

但其中也有缺點(diǎn):

(1)單神經(jīng)元的在線自學(xué)習(xí)需要一定的時(shí)間,其權(quán)值調(diào)整有一個(gè)過(guò)程,導(dǎo)致系統(tǒng)的啟動(dòng)時(shí)間稍長(zhǎng)。

(2)由于增益K不具備在線學(xué)習(xí)調(diào)整的功能,因此對(duì)于調(diào)速范圍很寬的系統(tǒng),難以保證在整個(gè)調(diào)速范圍內(nèi)都能夠達(dá)到很好的調(diào)速性能。

3 遺傳算法

由于遺傳算法的快速全局收斂性以及增強(qiáng)式學(xué)習(xí)等性能,使其比常規(guī)的PI控制器及原有模糊控制器具有明顯的優(yōu)越性。基于遺傳算法的自適應(yīng)PI控制器主要原理是:遺傳算法用作在線估計(jì),控制信號(hào)由常規(guī)的PI控制器發(fā)出。先用遺傳算法對(duì)原有PI參數(shù)進(jìn)行離線優(yōu)化,然后接入控制系統(tǒng),一方面實(shí)時(shí)地給出最佳的PI參數(shù),另一方面還要繼續(xù)學(xué)習(xí),不斷的調(diào)整PI參數(shù),以適應(yīng)被控對(duì)象的變化?；谶z傳算法的應(yīng)用特點(diǎn)如下:

(1)遺傳算法作為一種參數(shù)自尋優(yōu)控制方法,可與傳統(tǒng)方法相結(jié)合,在線調(diào)整控制器的參數(shù),跟蹤系統(tǒng)響應(yīng),提高控制精度。

(2)與其他智能控制方法相結(jié)合。如與模糊控制相結(jié)合,利用遺傳算法尋的比例因子,規(guī)則因子或隸屬度函數(shù)的最優(yōu)值。與神經(jīng)網(wǎng)絡(luò)相結(jié)合,改變權(quán)值,適應(yīng)系統(tǒng)的變化。

(3)提高遺傳算法的計(jì)算精度可以與各種算法相結(jié)合。

有學(xué)者研究在永磁同步電動(dòng)機(jī)上采用粒子群和模糊控制相結(jié)合的控制方法,主要思路如下:利用粒子群算法對(duì)控制器的3個(gè)比例因子參數(shù)Ka,Kb,Ku進(jìn)行全局優(yōu)化,這樣就可以隨環(huán)境變化及負(fù)載變化實(shí)時(shí)跟蹤模糊控制器的參數(shù)變化,提高模糊控制器的魯棒性和控制精度。

設(shè)計(jì)原理如下:

(1)確定粒子群的解空間及把真?zhèn)€解空間區(qū)域化。確定初始個(gè)體最優(yōu)解和全局最優(yōu)解。

(2)利用粒子群算法中的迭代公式得到新的解,并檢驗(yàn)適應(yīng)度函數(shù)。確定個(gè)體極值,并與全局最優(yōu)解進(jìn)行比較。若在允許誤差范圍內(nèi),停止迭代,否則重復(fù)2)

(3)此時(shí)得到的全局最優(yōu)解做為模糊控制的三個(gè)比例因子。

這種控制策略的特點(diǎn)是:

(1)粒子群算法比遺傳算法結(jié)構(gòu)簡(jiǎn)單,運(yùn)行速度快。

(2)粒子群算法的搜索空間也是建立在系統(tǒng)運(yùn)用傳統(tǒng)方法設(shè)計(jì)的基礎(chǔ)之上的。

(3)為了避免粒子群優(yōu)化算法在解空間搜索時(shí)出現(xiàn)在全局最優(yōu)解附近“振蕩”的現(xiàn)象,可對(duì)迭代更新公式中的加權(quán)因子w進(jìn)行更新。

參考文獻(xiàn)

[1] 劉航,徐杜,蔣永平.基于自調(diào)整模糊控制方法的變頻調(diào)速實(shí)驗(yàn)系統(tǒng).工業(yè)儀表與自動(dòng)化裝置 2002年第3期.

[2] 劉權(quán)中,李玉東,杜慶楠.模糊神經(jīng)網(wǎng)絡(luò)控制在交流調(diào)速系統(tǒng)中的應(yīng)用.礦山機(jī)械 2004.04.

[3] 曲道奎,史敬灼.交流電機(jī)系統(tǒng)中的模糊控制研究.信息與控制 2003.02.

[4] 任敏.交流伺服系統(tǒng)神經(jīng)網(wǎng)絡(luò)PID控制.沈陽(yáng)工業(yè)大學(xué)學(xué)報(bào).2001年10 第23卷 第5期.

[5] 劉琴妹.神經(jīng)網(wǎng)絡(luò)控制的交流位置伺服系統(tǒng).電氣傳動(dòng)自動(dòng)化.Vol.20,No.2May 1998

[6] 吳瑩瑩,夏斌,劉橋.遺傳算法的神經(jīng)網(wǎng)絡(luò)在交流調(diào)速系統(tǒng)中的應(yīng)用貴州大學(xué)學(xué)報(bào) Vol.23 No.1 Feb.2006.

[7] 呂志來(lái),張保會(huì),哈恒旭.基于遺傳算法的自尋優(yōu)模糊控制器的研究與應(yīng)用 煤礦自動(dòng)化 2001年第2期.

[8] 林峰,蔣靜坪.遺傳算法在交流調(diào)速系統(tǒng)中的應(yīng)用《電力電子技術(shù)》 1997年第2期.

[9] 胡海兵,胡慶波,呂征宇.基于粒子群優(yōu)化的PID伺服控制器設(shè)計(jì).浙江大學(xué)學(xué)報(bào) 2006年12月.第40卷第12期.

[10] 祁春清,宋正強(qiáng).基于粒子群優(yōu)化模糊控制器永磁同步電機(jī)控制.中國(guó)電機(jī)工程學(xué)報(bào) 2006年9月.第26卷 第17期.