神經網絡方向精選(九篇)

前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的神經網絡方向主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：神經網絡方向范文

關鍵詞：貝葉斯神經網絡；60Co-γ射線；無防腐劑香腸；網絡預測

引言

食品輻照技術是20世紀發展起來的一種新型滅菌保鮮技術。采用輻射加工技術手段，運用高能射線如x-射線、γ-射線等對食品進行加工處理，在能量的傳遞和轉移過程中，產生理化效應和生物效應達到殺蟲、殺菌的目。因為是冷殺菌手段，所以有效的提高了食品衛生質量，保持營養品質及風味和延長貨架期。本文采用無防腐劑的香腸作為對象，排除了化學防腐劑對保鮮效果影響，同時為了食品加工行業發展提供方向，不添加化學防腐效果成分的同時也可以采用輻照的方法有效提升貨架期，有效提高企業效益，延伸銷售鏈；對于不同種類的香腸制品，從肉質到成分，都會有所差別，通過大量輻照試驗獲得輻照工藝的方法，不僅耗時長，而且檢驗指標及檢驗方法也過于繁瑣，因此結合采用人工智能神經網絡算法，在有限次數實驗數據的基礎上，建立不同劑量60Co-γ射線對香腸品質影響的規律模型為科學輻照提供理論依據。

1 實驗方法與理化指標的檢測

1.1 樣品輻照

本項目采用不含任何防腐效果的特制香腸為對象，在黑龍江省科學院技術物理研究所輻照中心進行。采用靜態堆碼式60Co-γ放射源，跟蹤劑量計為Ag2Cr2O7經中國劑量科學研究院丙氨酸劑量計（NDAS）傳遞比對校準，分別采用不同劑量（2-6）kGy，進行靜態輻照。完成輻照2天內進行理化指標的檢測，在（22.0±1）℃下保存30天后進行微生物指標的檢測。

1.2 理化指標及微生物指標測定方法

1.2.1 菌落總數，參照國家標準GB/T4789.2-2008采取實驗方法測定菌落總數。

1.2.2 水分含量，參照國家標準GB/T6965.15可用蒸餾法或直接干燥法。本項目采用直接烘干法。

1.2.3 氯化鈉含量，參照國家標準GB/T9695.8進行測定，采用水浸出后用硝酸鹽標準溶液滴定法測定。

1.2.4 蛋白質，參照國家標準GB/T9695.11進行測定。

1.2.5 菌落總數，參照GB4789.2-2010進行測定。

1.3 檢測結果與數據處理

采用以上檢測方法進行檢測，由于實驗過程產生個別認為誤差，利用matlab軟件plot函數對每組數據進行擬合，將誤差較大的個別數據進行剔除，最終得到50組數據，部分數據如表1。

表1 60Co-γ射線輻照保鮮無防腐劑香腸檢測結果

2 神經網絡算法

2.1 BP神經網絡

通常BP神經網絡具有3層結構，分別為輸入層、隱含層和輸出層。通常來說隱含層采用Sigmoid函數，輸出層采用Pureline函數，因為符號函數標準輸入、輸出現代為[0，1]，因此在學習過程中，通過轉化層將輻照工藝參數進行轉化限定區間，避開網絡輸出的飽和區。五層神經網絡結構如圖1。

2.2 性能指標

性能指數是衡量網絡性能的量化標準，BP神經網絡一般采用網絡軍方誤差作為性能指標：

式中：Ed為網絡的均方誤差；n為學習集體樣本總數，tp為第P組訓練的期望輸出值，ap為第P組的實際輸出值。影響神經網絡泛化能力主要依賴于網絡結構和訓練樣本的特性，因此可以選擇合適的訓練策略和優化網絡結構來提高其泛化能力。本文選取貝葉斯正則化算法對BP神經網絡進行修正，網絡性能指數變為：

式中：w為網絡的權值向量，EW=m-1■？棕■■為網絡所有權值的均方誤差，其中m為網絡權值的總數，Wj為網絡權值，a和b為正則化系數，其大小直接影響訓練效果。

2.3 貝葉斯正則化BP神經網絡訓練步驟

（1）確定網絡結構，初始化超參數α=0和β=1，根據先驗分布對網絡參數賦初值。

（2）用BP算法訓練網絡使總誤差F（W）最小。

（3）利用高斯牛頓逼近法計算出有效參數個數。

（4）計算超參數α和β的新的估計值。

（5）重復執行（2）、（3）、（4）直到達到所需精度。

貝葉斯方法正則化神經網絡是個迭代過程，每個迭代過程總誤差函數隨著超參數的變化而變化，最小點也在變化，網絡的參數也在不斷修正，最終達到總誤差函數在迭代過程中沒用較大改變。目前在網絡結構的選擇方面還沒有理想的方法，在實際工作中常常需要用試驗的方法確定最佳的網絡結構，因此可采用不同的網絡結構進行網絡訓練，然后比較這些網絡模型的顯著度，選擇顯著度較大的網絡作為模型。

3 神經網絡建模及預測

通過上述實驗獲得的50組數據中，45組數據作為人工神經網絡訓練樣本，另選擇其他5組數據作為檢驗樣本，運用MATLAB軟件，進行人工神經網絡的訓練和預測。網絡輸入劑量、劑量率，輸出為水分、氯化鈉含量，通過應用均方差函數比較目標值和預測值的差異，計算目標值與預測值間的誤差，觀察網絡模型對訓練情況，網絡擬合圖性能進行評價。

網絡訓練結果顯示，經過1500步訓練后，網絡誤差平方和均值為5×10-3，達到了設定的最小訓練目標值。網絡訓練完畢后，得到數學模型后，利用剩余5組數據進行預測驗證，網絡訓練效果如圖2-5所示。

4 結束語

采用輻照的方法進行無防腐劑香腸保質期的時間跟輻照劑量相關，采用4kGy的劑量進行輻照可使香c的保質期達到1個月以上，且香腸的顏色仍在可接受范圍內，說明輻照方法有效的提高了香腸的衛生質量，延長保質期。采用神經網絡建立了香腸輻照工藝與理化、微生物指標的模型，并通過實驗驗證了模型的準確性，為進一步確定輻照工藝提供理論支持。

參考文獻

[1]2015-2020年中國肉制品市場現狀及戰略咨詢報告[R].北京：中國產業信息網，2015.

[2]郭淑珍.輻照保藏五花肉的品質特性及影響因素的研究[D].四川農業大學，2007.

[3]賈巧喚，任石茍.我國輻照食品的研究現狀及發展前景[J].食品工程，2008（4）：12-14.

[4]陳秀蘭，曹宏.鵝肉制品的輻照保質研究[J].核科學報，2005（4）：371-374.

[5]田 ，梁飛，盧江.人工神經網絡建模結合遺傳算法優化崗松油環糊精包合物制備工藝參數[J].中國醫藥大學學報，2011（4）：324-328.

第2篇：神經網絡方向范文

關鍵詞：電源系統 智能故障診斷 CPN網絡

隨著大量電力電子設備在裝甲車輛中的應用，車載電源系統的可靠性是其能否運行的關鍵。傳統的依靠簡單檢測儀表進行判斷的方法已無法保障系統的可靠性。目前，智能技術已逐步應用在裝備的故障診斷當中，利用改進的Elman神經網絡來實現飛機電源系統欠壓故障的識別和定位，具有很好的動態系統故障診斷能力，但不能對未知故障進行識別。文獻[1]利用BP神經網絡實現了三相全控橋整流電路故障診斷。但基于BP神經網絡的方法存在著局部最小、收斂速度慢的問題，且隨著診斷系統復雜程度的增加，較大規模的BP網絡結構有可能導致系統泛化能力的下降，從而造成錯誤的診斷決策。本文研究基于對象傳播的自組織神經網絡，并將算法應用到裝甲車輛電源系統的智能故障診斷中。該網絡在競爭層通過無監督的競爭學習方式對輸入故障進行自組織聚類，并將聚類結果通過線性輸出層輸出，具有很好的故障識別和診斷效果。

一、CPN對象傳播神經網絡算法

CPN對象傳播神經網絡分為輸入層、競爭層和輸出層。由輸入層到競爭層，網絡按照SOM學習規則產生競爭層獲勝神經元，并按照這一規則調整相應的輸入層到競爭層的連接權；由競爭層到輸出層，網絡按照基本競爭型網絡學習規則，得到各輸出神經元的實際輸出值，并按照有導師型的誤差校正方法，修正由競爭層到輸出層的連接權。因此，該網絡既涉及了無導師網絡分類靈活、算法簡練的優點，又采納了有導師型網絡分類精細、準確的長處，使兩種不同類型的網絡有機地結合起來，具體的網絡學習過程參考文獻[2]。

二、實例應用

在裝甲車輛電源系統智能故障診斷中，根據系統結構和測試性設計準則，該系統的檢測對象包括以下LRU（現場可更換單元）模塊：無刷旋轉勵磁交流同步發電機，電壓調節器和不可控三相整流橋。每個模塊中的SRU（內場可更換單元）根據不同的設計要求進行劃分，在此不再列出。通過大量的實驗數據和分析，得到了電源系統的不同的故障模式。本文選取整流橋故障作為CPN診斷算法的研究對象，主要分為：第一類：無故障狀態（正常工作狀態）；第二類：一個二極管斷路；第三類：同一相電源的2個二極管斷路；第四類：同一半橋中的2個二極管斷路；第五類：交叉2個二極管斷路5種故障模式。通過MATLAB＼Simulink建模仿真，各種模式下的整流輸出電壓仿真波。

本文利用小波包變換來構造診斷系統的特征向量，選用db3小波作為小波基對五類故障狀態下的電壓信號進行小波包分析，構造出各自的能量特征向量，建立特征向量與故障狀態的對應關系，這樣網絡的輸入節點數為8。實驗中取每種故障模式的數據各10組，對其進行處理后的結果（限于篇幅，表中給出了6組特征向量）。通常故障狀態需要經歷一個暫態的過渡過程，故將故障后的暫態過程和穩態過程作為故障狀態的兩個子類，因此競爭層（即無監督聚類層）應含有9個節點。

為了方便計算，對期望輸出編碼為（U1，U2，U3），則第一類故障期望輸出為000，第二類故障期望輸出為100，第三類故障期望輸出為010，第四類故障期望輸出為001，第五類故障期望輸出為110，輸出層的節點數為3。從而，整個診斷網絡的結構為（8，9，3）。

網絡訓練參數選擇為：學習率=0.1，=0.1，偏值因子=0.1，時間因子=0.0001，最大迭代學習次數為1000。將5類模式共50組數據依次輸入改進的CPN網絡中，網絡在監督下進行自組織學習，不斷修正網絡的權值。訓練結果與期望輸出如表3所示。

對訓練好的網絡進行測試。另取不同的樣本輸入該網絡，測試樣本，實際診斷結果與期望輸出。表中可以看出，實際的診斷結果與期望的輸出完全一致。

在裝甲車輛電源系統整流橋故障診斷中，先采用小波包變換提取各種模式下信號的特征能量，構造出診斷系統的特征向量，應用改進的對象傳播神經網絡進行辨識，使系統具有無導師聚類，有導師學習的能力，取得了較好的診斷效果。然而，網絡的參數選擇一般通過經驗來確定，需要進一步研究參數的自動調整，以適應不同系統的應用。

參考文獻：

[1]鄭連清，王騰，鄒濤.基于神經網絡的三相全控橋整流電路故障診斷[J].重慶大學學報.2004，27（9）：72-74

第3篇：神經網絡方向范文

人工神經網絡是由大量的簡單基本元件-神經元相互聯接而成的自適應非線性動態系統。每個神經元的結構和功能比較簡單，但大量神經元組合產生的系統行為卻非常復雜。人工神經網絡的基本結構模仿人腦，反映了人腦功能的若干基本特性，能夠自身適應環境、總結規律、完成某種運算、識別或過程控制。人工神經網絡具有并行處理特征，可以大大提高工作速度。

人工神經網絡的特點和優越性，主要表現在三個方面：

第一，具有自學習功能。

第二，具有聯想存儲功能。

第三，具有高速尋找優化解的能力。

1 神經網絡的學習方法

神經網絡的學習也稱為訓練，指的是神經網絡在外界環境的刺激作用下調整網絡自由參數，并以新的方式來響應外部環境的過程。能夠從環境中學習并在學習中提高自身性能是神經網絡最有意義的性質。理想情況下，神經網絡在每一次重復學習后，對它的環境有了更多的了解。

（1） 監督學習（有教師學習）

在學習時需要由教師提供期望輸出，通常神經網絡對于周圍的環境未知而教師具有周圍環境的知識，輸入學習樣本，教師可以根據自身的知識為訓練樣本提供最佳逼近結果，神經網絡的自由參數在誤差信號的影響下進行調整，其最終目的是讓神經網絡模擬教師。

（2） 非監督學習（無教師學習）

它也稱為自組織學習，系統在學習過程中，沒有外部教師信號，而是提供給一個關于網絡學習性質的度量，它獨立于學習任務，以此尺度來逐步優化網絡，一旦網絡與輸入數據的統計規律達成一致，那么它將發展形成用于輸入數據編碼特征的內部表示能力，從而自動創造新的類別。

（3）強化學習（激勵學習）

在強化學習系統中，對輸入輸出映射的學習是通過與外部環境的不斷交互作用來完成學習，目的是網絡標量函數值最小，即外部環境對系統輸出結果只給出評價信息（獎或罰）而不是給出正確答案，學習通過強化那些受獎的動作來改善自身性能。

神經網絡針對學習問題修改網絡自由參數的過程稱為學習規則（學習算法），設計學習規則的目的是訓練網絡來完成某些任務，沒有一個獨特的學習規則可以完成所有的學習任務。神經網絡有5個基本的學習規則：誤差--修正學習，基于記憶的學習，Hebb學習，競爭學習，隨機學習。

2 神經網絡的研究趨勢

（1） 利用神經生理與認知科學研究大腦思維模式及智能機理過程

深入研究神經網絡理論神經網絡在一定程度上揭示人類智能和了解人腦的工作方式，由于人類對神經系統的了解非常有限，而且對其自身腦結構及其活動機理的認識不完善，故而神經網絡只能是模仿人腦的局部功能，而對人腦作為一個整體的功能解釋，神經網絡起不到任何作用。神經科學，心理學和認識科學等方面提出的一些重大問題，是向神經網絡理論研究提出的新挑戰，這些問題的解決有助于完善和發展神經網絡理論，因此利用神經生理和認知科學研究大腦思維及智能機理，如有新的突破將會改變智能和機器關系的認識。

（2） 神經網絡領域的數學研究趨于重要

隨著神經科學基礎理論研究的深入，用數理方程探索智能水平更高網絡模型將是研究的趨勢所在，神經元以電為主的生物過程在認識上一般采用非線性動力學模型，其動力演變過程往往是非常復雜的，神經網絡這種強的生物學特征和數學性質，要求有更好的數學手段，而對于神經網絡這樣非線性模型，需要用數學方法研究網絡新的算法和網絡性能，如穩定性、收斂、容錯性、魯棒性等，開發新的網絡數理理論，如神經動力學、非線性神經場等。研究人員斷言一種更簡潔、更完善和更有效的非線性系統表達與分析的數學方法是這一領域主要目標之一。

（3） 神經網絡軟件模擬、硬件實現的研究以及神經網絡在各個科學技術領域應用的研究

目前，數字計算機在計算方面的能力已遠遠超出入的大腦，但在自然語言理解、圖像辨識、信息處理等方面都顯得笨拙，原因是基于馮?偌依曼思想的計算機結構及其運算方式與人的大腦有本質的區別，而神經計算機（第六代計算機）以神經網絡為理論基礎，用于模擬神經網絡，具有自學習、自組織和自適應能力，能更有效地處理復雜問題，其實現過程用光學、生物芯片的方式，現在光學神經計算機和分子計算機的研究是神經網絡的前沿課題。

（4） 神經網絡和其它算法結合的研究

神經網絡和其它算法的結合和交叉，研究新型神經網絡模型也是發展方向之一。如神經網絡和模糊邏輯結合，建立模糊神經網絡；將混沌理論和神經網絡結合建立混沌神經網絡；將遺傳算法和神經網絡結合；利用遺傳算法優化神經網絡的結構或權值；將小波分析和神經網絡結合建立小波神經網絡；專家系統，貝葉斯學習以及粗糙集理論和神經網絡結合等，這些都是神經網絡研究的熱點。

3 結束語

神經網絡雖已在許多領域應用中取得了廣泛的成功，但其發展還不十分成熟，還有一些問題需進一步研究。比如：神經計算的基礎理論框架以及生理層面的研究仍需深入；新的模型和結構的研究；神經網絡的可理解性問題；神經網絡技術與其他技術更好的結合等。

第4篇：神經網絡方向范文

關鍵詞：神經網絡 網絡方法 環境色譜法 多個節點 信息模型

中圖分類號：X83 文獻標識碼：A 文章編號：1674-098X（2017）05（a）-0126-02

從近幾年在國內神經網絡的使用來看，在環境監測中也有著非常良好的效果。無論是從色譜法、光譜法還是整個環境的評價都帶來了很多新的成果。該文主要是通過對神經網絡相關分類的闡述，結合神經網絡在環境監測中的應用效果，希望能給神經網絡對環境監測中做一些回顧和總結[1]。

1 網絡方法類別

由于著重的角度關系，網絡法會有多種不同的類別，由于神經網絡是多個節點的連接，有相當多復雜的算法，基于神經網絡，可以總共闡述兩大類的情況，包括有管理和無管理的網絡方法。關于這兩種的不同點就在于它們是否需要對現有的樣本進行訓練。有管理的網絡方法是需要訓練，而無管理的網絡方法是無需進行訓練，它需要與其他的化合物相結合使用，里面會涉及到網絡與遺傳法、偏最小二乘法等分析方法來進行分析比較。另外根據網絡的結構不同，也可以把網絡方法給分成前向和后向的網絡方法，而如果是從網絡活動方式的差別，也可以將其分為隨機和確定兩種網絡方法。

2 關于環境監測的化學方面的應用

在化學方面，國內與有很多用于化合物的一些研究，比如一些有機結構分析，還有化學反應、蛋白質結構等等的分析。在進行定量的構效關系分析中，可以把釀酒的酵母菌來作為一種模型的指示物，建立相關網絡模型，然后對生物的毒性進行進一步預測，當然，在分析過程中還存在著很多的問題，通過比較一些網絡模型，然后計算它們之間的權值，再篩選相出相應的參數，學者們在分析的時候也會對多層前傳網絡進行探討分析，盡量減低誤差，通過多方向的非線性校準，并且進行數據解析，然后表明引射能力，通過建立神經網絡來不斷接近規律的程度，擬定相關的指標數[2]。

3 分光光度的方法應用

在化學分析進程中，通過多元校正和分辨是相對來說較好的一種方法。隨著相關方法的不斷普及，目前大多數是使網絡和現有的紫外光譜法相互關聯，利用線性網絡、BP網絡等來用于多個分組的報道[3]。鄧勃等[4]學者在分析的時候，認為除了人工神經網絡，迭代目標轉換因子的分析法相比較起來也是一種不錯的選擇，兩種方法各有優勢，并且產生的網絡法的誤差一般都不會很大。孫益民等專家在分析時，利用現有的人工神經網絡先后側出的光度法，并且可以測定比如銅、鎳，并且這個分析方式非常的簡單和方便[5]。

4 神經網絡對X射線中的熒光光譜法的應用

研究人員通過神經網絡建立與X射線熒光譜譜法的關系，通過多個不同的神經網絡來應用，可以通過他們之間的連接來測定酸溶鋁，通過神經網絡的設置，可以測定里面的最低的鋁值，通過神經網絡與BP的網絡模型的設立，可以直接輸入測出來的鋁含量情況，然后通過鋁含量來側出酸溶出來的鋁的數值。BP模型可以結合現有的神經網絡系統，充分的在現有的信息模型上應用，通過利用網絡神經的結構，不僅可以做一些化學分析，還可以通過神經網絡來檢測環境監測中涉及到的紅外譜圖等的分析，這為環境分析提供了非常有意義的方向，并且給環境監測提供了新的檢測方法[6]。

5 環境監測中的色譜法的研究

在關于色譜法的研究中，人工神經網絡也有可以應用的方向[7]。色譜法中的小波分析，與人工神經網絡的結合，小波分析的主要目的是為了得到重疊的色譜峰的信息，運用神經網絡分析之后，可以在其中建立相關的模型，通過兩者的結合來分開重疊的色譜峰信息，眾所周知，把重疊色譜分開是一個非常復雜的工程，它們之間需要運用大量的元素來分開，效率極低，極其浪費時間。因為其內里復雜的重疊組織，而現在，人工神經網絡為其分離提供了一種新的嘗試[8]，不僅如此，通過人工神經網絡的方法不僅可以分離，而且可以在分離之后得到更加精確的色譜信息。研究工作者在模擬退火神經網絡的時候，會運用藥物來優化整個分離的條件，這對于提高色譜精確度也非常有效。

6 環境監測中的評價

通過之前提到的BP網絡，通過介紹與人工神經網絡模型的結合，來闡述了整個模型應用的原理，通過綜合相關的分析方法可以對環境監測中的適用性進行分析評價，這樣表現出來的結果會更加客觀。研究者可以從有預測模型中表現的結果，在水庫里進行抽樣，提取水庫中的相關元素進行預測，確認是否與實際結果一致，可以通過建立人工神經網絡來對水質中的污染指數進行評價，然后得出相應的成果。

7 結語

人工神經網絡在整個環境監測中有著非常重要的作用，它擁有一些比較有意義特性，總共可以總結為以下3個方面：第一，人工神經網絡具有自學習的特性?？梢酝ㄟ^大量的圖像來設計，進行相關的圖像識別，把不同的幾個圖像進行整合分析，并且把與之相互對應的結果嵌入到神經網絡系統中，系統會根據自己特有的自學功能，對以后相關的圖像進行識別操作，它可以給人們提供一些預測結果，甚至在未來的無論是經濟還是政治等方面提供一些預測，預測經濟和市場，給未來的發展提供引導。第二，系統具有可存儲的特性。人工神經網絡里面包含了一種反饋的功能，而通過輸入信息和模型整合，聯系不同元素之間的關系，得出一些可能的聯想信息。最后，神經網絡還有一項功能便是優化得出答案的能力。

一般問題的因果關系都會涉及到多個方面，那么如何在多個元素中抽絲剝繭，不斷地優化整個系統，是神經網絡的一個主要的功能，它可以通過計算來得到最優化的解，即便其中的運算量牽連的比較多，但是結合神經網絡中反饋聯想的功能，再包括計算機強大的運算效率，那么得到答案有時候也是比較容易的。

人工神經網絡在環境監測中表現的效果比較好，但是除此之外，在其他領域，運用神經系統也可以得到一些相關的數據，比如經濟領域，它可以通過建立信息模型，來進行市場預測和風險評估，這些都是很好的應用方式。在未來的實踐中，隨著經驗的積累，神經網絡的應用在環境監測中會不斷地深入，通過在色譜、光度等領域的剖析，為未來的環境監測效果提供了更多的可能性。

參考文獻

[1] 黃勝林.遺傳優化神經網絡在大壩變形監測中的應用[D].遼寧工程技術大學，2012.

[2] 熊勛.人工神經網絡在環境質量評價和預測中的應用研究[D].華中科技大學，2009.

[3] 王學.無線傳感器網絡在遠程環境監測中的應用[D].山東師范大學，2011.

[4] 武藝.人工神經網絡在土壤質量監測中的應用[D].浙江海洋學院，2015.

[5] 黃湘君.基于主成分分析的BP神經網絡在電力系統負荷預測中的應用[J].科技信息：科學?教研，2008（16）：313-314.

[6] 李春梅，周驥平，顏景平.人工神經網絡在機器人視覺中的應用[J].制造業自動化，2000（9）：33-36，49.

[7] 涂曄，車文剛.BP神經網絡在福利彩票預測中的應用[A].中國智能計算大會[C].2009.

[8] 李巖，韓秋，鄭萬仁.BP神經網絡在電力需求決策中的應用[J].現代經濟信息，2009（22）：325-326.

第5篇：神經網絡方向范文

人工神經網絡是近年來迅猛發展的前沿課題，它對突破現有科學技術的瓶頸起到重大的作用。本文剖析了人工神經網絡的特征、模型結構以及未來的發展趨勢。

【關鍵詞】人工神經網絡 神經元 矩陣

1 人工神經網絡概述

人工神經網絡（ANN）是一種用計算機網絡系統模擬生物神經網絡的智能神經系統，它是在現代神經生物學研究成果的基礎上發展起來的，模擬人腦信息處理機制的一種網絡系統，它不但具有處理數值數據的計算能力，而且還具有處理知識的學習、聯想和記憶能力。

人工神經網絡模擬了大腦神經元的組織方式，反映了人腦的一些基本功能，為研究人工智能開辟了新的途徑。它具有以下基本特征：

1.1 并行分布性

因為人工神經網絡中的神經元排列并不是雜亂無章的，往往是以一種有規律的序列排列，這種結構非常適合并行計算。同時如果將每一個神經元看作是一個基本的處理單元，則整個系統可以是一個分布式處理系統，使得計算快速。

1.2 可學習性和自適應性

一個相對很小的人工神經網絡可存儲大量的專家知識，并能根據學習算法，或利用指導系統模擬現實環境（稱為有教師學習），或對輸入進行自適應學習（稱為無教師學習），可以處理不確定或不知道的事情，不斷主動學習，不斷完善知識的存儲。

（3）魯棒性和容錯性

由于采用大量的神經元及其相互連接，具有聯想映射與聯想記憶能力，容錯性保證網絡將不完整的、畸變的輸入樣本恢復成完整的原型，魯棒性使得網絡中的神經元或突觸遭到破壞時網絡仍然具有學習和記憶能力，不會對整體系統帶來嚴重的影響。

1.3 泛化能力

人工神經網絡是大規模的非線性系統，提供了系統協同和自組織的潛力，它能充分逼近任意復雜的非線性關系。如果輸入發生較小變化，則輸出能夠保持相當小的差距。

1.4 信息綜合能力

任何知識規則都可以通過對范例的學習存儲于同一個神經網絡的各連接權值中，能同時處理定量和定性的信息，適用于處理復雜非線性和不確定對象。

2 人工神經網絡模型

神經網絡是在對人腦思維方式研究的基礎上，將其抽象模擬反映人腦基本功能的一種并行處理連接網絡。神經元是神經網絡的基本處理單元。

在神經網絡的發展過程中，從不同角度對神經網絡進行了不同層次的描述和模擬，提出了各種各樣的神經網絡模型，其中最具有代表性的神經網絡模型有：感知器、線性神經網絡、BP網絡、自組織網絡、徑向基函數網絡、反饋神經網絡等等。

3 神經元矩陣

神經元矩陣是神經網絡模型的一種新構想，是專門為神經網絡打造的一個矩陣，它符合神經元的一切特征。

神經元矩陣采用矩陣形式，它可為n維向量組成。引入向量觸頭和信使粒的概念，向量觸頭可生長，即長度可變，方向可變，信使?？伞坝问帯痹诰仃囍?，建立各種聯系。如圖1即是神經元矩陣模型

（1）容器可產生一種無形的約束力，使系統得以形成，容器不是全封閉的，從而保證系統與外界的溝通和交互；各向量間可用相互作用的力來聯系，而各個信使粒則受控于容器、中空向量以及其它的信使粒。各神經元之間自主交互，神經元矩陣是一種多層次的管理，即一層管理一層。系統具有明顯的層級制和分塊制，每層每塊均獨立且協同工作，即每層每塊均含組織和自組織因素。

（2）向量觸頭是中空的，信使粒可以通過向量或存儲于向量中，所以又稱為中空向量。向量存儲了信使粒后，可以吸引更多的信使粒在附近，或使鄰近向量轉向、伸長，進而形成相對穩定的信息通路。

（3）當兩條或更多的信息通路匯集時，可能伴隨著通路的增強、合并，以及信使粒的聚集、交換，這是神經元矩陣運算的一種主要形式。通路的形成過程，也就是是神經元矩陣分塊、分層、形成聯接的過程，也為矩陣系統宏觀管理、層級控制的實現奠定了基礎。

神經元矩陣亦是一種具有生物網絡特征的數學模型，綜合了數學上矩陣和向量等重要概念，是一種立體的矩陣結構。尤其是將矩陣的分塊特性和向量的指向特征結合起來，更好的體現了神經網絡的整體性和單元獨立性，系統的組織和自組織特征也更為凸顯。信使粒以“點”的數學概念，增強了系統的信息特征，尤其是增強了矩陣的存儲和運算功能。

4 人工神經網絡的發展趨勢

人工神經網絡是邊緣叉科學，它涉及計算機、人工智能、自動化、生理學等多個學科領域，研究它的發展具有非常重要意義。針對神經網絡的社會需求以及存在的問題，今后神經網絡的研究趨勢主要側重以下幾個方面。

4.1 增強對智能和機器關系問題的認識

人腦是一個結構異常復雜的信息系統，我們所知道的唯一智能系統，隨著信息論、控制論、計算機科學、生命科學的發展，人們越來越驚異于大腦的奇妙。對人腦智能化實現的研究，是神經網絡研究今后的需要增強的地發展方向。

4.2 發展神經計算和進化計算的理論及應用

利用神經科學理論的研究成果，用數理方法探索智能水平更高的人工神經網絡模型，深入研究網絡的算法和性能，使離散符號計算、神經計算和進化計算相互促進，開發新的網絡數理理論。

4.3 擴大神經元芯片和神經網絡結構的作用

神經網絡結構體現了結構和算法的統一，是硬件和軟件的混合體，神經元矩陣即是如此。人工神經網絡既可以用傳統計算機來模擬，也可以用集成電路芯片組成神經計算機，甚至還可以生物芯片方式實現，因此研制電子神經網絡計算機潛力巨大。如何讓傳統的計算機、人工智能技術和神經網絡計算機相融合也是前沿課題，具有十分誘人的前景。

4.4 促進信息科學和生命科學的相互融合

信息科學與生命科學的相互交叉、相互促進、相互滲透是現代科學的一個顯著特點。神經網絡與各種智能處理方法有機結合具有很大的發展前景，如與專家系統、模糊邏輯、遺傳算法、小波分析等相結合，取長補短，可以獲得更好的應用效果。

參考文獻

[1]鐘珞.饒文碧.鄒承明著.人工神經網絡及其融合應用技術.科學出版社.

第6篇：神經網絡方向范文

【關鍵詞】人工神經網絡 信息技術 發展趨勢

人工神經網絡技術在處理實際問題主要包括兩個過程，一個是學習訓練過程，另外一個是記憶聯想過程。近年來隨著人工網絡技術的發展，人工神經網絡技術在信號處理、圖像處理、智能識別等領域已經取得了巨大的改變，為人們研究各類科學問題提供了一種新的方法和手段，使人們在交通運輸、人工智能、軍事、信息領域的工作更加便捷，近年來隨著AI的發展，人工神經網絡技術得到了快速的發展階段。

1人工神經網絡技術

人工神經網絡技術也稱ANN，是隨著上個世紀八十年代人工智能發展興起的一個研究熱點，它的主要工作原理對人腦神經網絡進行抽象處理，并仿造人腦神經網絡建立簡單的模型，按照不同的連接方式組成一個完整的網絡，因此學術界也直接將它成為神經網絡。神經網絡其實就是一種運算模型，它是通過大量的節點——神經元連接起來的，其中不同的節點所代表的輸出函數也不同，也就是所謂的激勵函數；當有兩個節點連接起來時稱之為通過該連接信號的加權值，也稱為權重，這就相當人腦神經網絡記憶。人工神經網絡技術是采用并行分布式系統，這種工作機理與傳統的信息處理技術和人工智能技術完全不同，是一種全新的技術，它克服了傳統基于邏輯符號的人工智能處理非結構信息化和直覺方面的缺陷，具有實時學習、自適應性和自組織性等特點。

2人工神經網絡技術應用分析

隨著人工神經網絡技術的發展，它在模式識別、知識工程、信號處理、專家系統、機器人控制等方面的應用較廣。

2.1生物信號的檢測分析

目前大部分醫學檢測設備都是通過連續波形得到相關數據，從而根據所得數據對病情進行診斷。人工神經網絡技術就是應用了這樣的方式將多個神經元組合起來構成，解決了生物醫學信號檢測方面的難題，其適應性和獨立性強，分布貯藏功能多。在生物醫學領域該技術主要應用于對心電信號、聽覺誘發電位信號、醫學圖像、肌電荷胃腸等信號的處理、識別和分析。

2.2醫學專家系統

傳統的醫院專家系統是直接將專家的經驗、學歷、臨床診斷方面取得的成績等存儲在計算機中，構建獨立的醫學知識庫，通過邏輯推理進行診斷的一種方式。進入到二十一世紀，醫院需要存儲的醫學知識越來越多，每天產生新的病況和知識，過去的一些專家系統顯然已經無法適應醫院的發展需求，因此醫院的效率很低。而人工神經網絡技術的出現為醫院專家系統的構建提出了新的發展方向，通過人工神經網絡技術，系統能夠自主學習、自己組織、自行推理。因此在醫學專家系統中該網絡技術應用面較廣。麻醉醫學、重癥醫學中生理變量分析和評估較多，目前臨床上一些還沒有確切證據或者尚未發現的關系與現象，通過人工神經網絡便能有效地解決。

2.3市場價格預測

在經濟活動中，傳統統計方法受到一些因素的制約，無法對價格變動做出準確的預測，因此難免在預測的時候出現失誤的現象。人工神經網絡技術能夠處理那些不完整的、規律不明顯、模糊不確定的數據，并作出有效地預測，因此人工神經網絡技術具有傳統統計方法無法比擬的優勢。例如人工神經網絡技術可以通過分析居民人均收入、貸款利率和城市化發展水平，從而組建一個完整的預測模型，準確預測出商品的價格變動情況。

2.險評價在從事某一項特定的活動時，由于社會上一些不確定因素，可能造成當事人經濟上或者其他方面的損失。因此在進行某一項活動時，對活動進行有效的預測和評估，避免風險。人工神經網絡技術可以根據風險的實際來源，構筑一套信用風險模型結構和風險評估系數，從而提出有效地解決方案。通過信用風險模型分析彌補主觀預測方面的不足，從而達到避免風險的目的。

3人工神經網絡技術未來發展

人工神經網絡克服了傳統人工智能對語言識別、模式、非結構化信息處理的缺陷，因此在模式識別、神經專家系統、智能控制、信息處理和天氣預測等領域廣泛應用。隨著科學技術的進步，AI的快速發展，AI與遺傳算法、模糊系統等方面結合，形成了計算智能，很多企業和國家開始大規模研發AI，人工神經網絡正在模擬人類認知的方向發展，目前市場已經有很多不少人工智能產品面世。

4結語

通過上述研究分析，人工神經網絡技術已經取得了相應的發展，但還存在很多不足：應用范圍狹窄、預測精度低、通用模型缺乏創新等，因此需要我們在此基礎上不斷尋找新的突破點，加強對生物神經元系統的研究和探索，進一步挖掘其潛在的價值，將人工神經網絡技術應用在更多領域中，為社會創造更大的財富。

參考文獻

[1]周文婷,孟琪.運動員賽前心理調控的新策略——基于人工神經網絡技術的比賽場地聲景預測(綜述)[J].哈爾濱體育學院學報,2015,33(03):15-21.

[2]張紅蘭.人工神經網絡技術的應用現狀分析[J].中國新通信,2014(02):76-76.

第7篇：神經網絡方向范文

隨著科技的不斷進步，國內外各領域專家學者相互努力共同打造了智能機器人。模糊神經網絡理論通過自身所擁有的歸納等能力，有效地幫助了人們更好地控制機器人。使其具備自我學習和聯想能力，通過蟻群算法優化的模糊神經網絡理論能夠更好地控制特種機器人，有效地應對工作中隨機出現的變化問題。

關鍵詞：

特種機器人；蟻群算法；人工智能控制；模糊神經網絡

1創建機器人的數學模型

任何機械物體的運動都需要理論與實踐的支持，而特種機器人的研究也是如此，對特種機器人進行操控就需要對它的各個運動構件的方位、位置、速度等建立一個合理有序的關系。而機器人的空間坐標、運動等可以通過數學模型來呈現。

1.1特種機器人的空間坐標

首先，描述特種機器人的空間坐標，可以用X,Y,Z軸方向的向量表示。其次，對于機器人的運動和操作，方位的準確明了非常關鍵。而特種機器人的方位也可用坐標系來表示。設一直角坐標系{B}與此剛體固接，坐標系{B}的三個主軸方向的單位矢量XB、YB、ZB相對于坐標系{A}的方向余弦組成的3×3矩陣稱為ABR旋轉矩陣：ABR=[AxBAyBAzB]=r11r12r13r21r22r23r31r32r33333333333333333333（1）式中，R的上標A和下標B表示R是{B}相對于{A}的關系；r為矢量矩陣的單位向量。而剛體{A}的位姿可通過上述所說的坐標系{B}在坐標系{A}中的各個方位和位置來闡述，進而{B}的原點根據其在坐標系{B}、{A}中的方位，分別表示了剛體在其中的位置和方向，式（2）表示{B}的位置矢量，用ABR和APBORG來描述坐標系{B}，其中APBORG是確定坐標系{B}的位置矢量，建立公式（2）：{B}={ABR，APBORG}（2）

1.2機器人運動方程

連桿坐標系、動力學方程、運動學方程都是操控機器人運動所需要的。特種機器人中的機械臂系統是一種涉及各桿、各關節、機械臂末端相對于絕對坐標的位姿、運動等的多剛體系統。其中，連桿坐標系的建立則為更好地操控機器人，使其高效長久地運動、工作做出了巨大的貢獻，圖1則為連桿坐標圖。雖然建立了連桿坐標系，但是其中的桿與桿的關系則要建立一個齊次變換陣來連接。通過這個矩陣，機器人末端連桿在笛卡爾坐標系里的位置和位姿便可得出。

1.3機器人動力學方程

機械臂系統的運動學模型建立以后，還需建立動力學模型來控制。而動力學解決的問題是2種相對問題：若已知關節的施加力或力矩，求其速度、位移、加速度等；反之，則求力或矩陣。牛頓的歐拉方程等都是為了更好地操控特種機器人而建立的動力學。

2模糊神經網絡理論研究

機器人系統功能多且復雜，對于各種生產運作過程中出現的一些問題很難控制。對此，模糊控制和神經網絡相結合而成的模糊神經網絡具備了解決一些問題的特別優勢。模糊控制系統主要通過語言的描述控制機器人的運動，而語言描述能夠充分地將專家的經驗、知識轉化為控制規則，模糊控制器由以下幾個高功能的部分構成。

2.1神經網絡理論

用于控制特種機器人的神經網絡是根據人類大腦的思維模式和構造而設計，其中，神經元是大腦組織、信息處理的基本單位，而人工制作的神經網絡則會根據企業、國家、個人的不同需求進行設計和分類，前饋網絡和遞歸神經網絡是其中的兩大類。前饋網絡不但層次感強，其常用的感知器、BP網絡也能非常有針對性地解決一些問題；遞歸神經網絡包含積分、反饋等功能，反饋機制是其在信息傳輸中的一大特點。

2.2模糊神經網絡控制系統系統的輸入及各種運作

實驗證明：模糊系統與神經網絡之間具有很多相似點，可以相互轉化。模糊神經網絡系統使其對數據的計算等更快并且更加正確，通過模糊控制也使其自身的容錯力增強。模糊神經網絡（FNN）模型的設計經過專家利用各種經驗和知識的打造，能夠更好地通過BP網絡、建立樣本等方式控制特種機器人的運作。

3蟻群算法優化訓練的模糊神經網絡

特種機器人控制螞蟻算法是模仿生物界中蟻群通過交流、協作、共同搜尋獲取實物活動的仿生優化算法。在螞蟻工作的過程中，他們通過一種“信息素”交流。

3.1蟻群算法的本質

螞蟻算法是通過分析、實踐、探索螞蟻群體活動得出的，是一種隨機算法。螞蟻算法分適應階段和調解階段，在這2個階段中他們不斷地優化自身的機構、積累需要的信息、尋求最佳解。螞蟻算法中的人工螞蟻不但有自組織性，還有協作、競爭的關系，在這過個程中，需要不斷地協作、改進、更新。

3.2蟻群算法優化模糊神經網絡

螞蟻算法具有全局優化的特點，可以有效地訓練FNN，避免了BP的缺陷。它在模糊控制系統和神經網絡系統結合后，不但提高了整體優勢，也增加了一些功能和特點。這些優化的改變，使某些工作的計算更加便捷。同時BP的缺陷及一些神經網絡系統無法解決的問題，它也能很好地解決。而螞蟻算法通過螞蟻群體機智有效的協作，總結并融合了一些思想，通過這些思想，特種機器人能夠自我選擇方便、快捷、有效的工作路徑[1]。螞蟻算法為進一步控制特種機器人提供了更加合理有效的措施，也優化了各種運作系統。

3.3蟻群算法優化的結果

通過各種實驗結果表明，螞蟻算法優化的模糊神經網絡系統更加穩定，也更加高效快速。通過實驗比較發現：在普通的模糊神經網絡中，把基本臂和期望主臂的軌跡長度比較后發現，被螞蟻算法優化的模糊神經網絡控制系統運行的軌跡更短效果更好更明顯。

4結語

隨著人類文明的發展，機械的運用與不斷的創新隨處可見，這個時代對特種機器人的需求也在不斷增加。而國內外對特種機器人的研發也在不斷地創新和投入，對此，涌現了大批的類型、功能不一的特種智能機器人。被螞蟻算法優化過的系統很好地解決了一些問題，能夠全面地優化各個方面，這種算法，為人類更好地發展特種機器人研究機器人做出了巨大的貢獻。

參考文獻：

第8篇：神經網絡方向范文

關鍵詞 神經網絡；空調；應用

中圖分類號 TP387 文獻標識碼 A 文章編號 1673-9671-(2012)071-0184-02

中央空調系統是一個龐大復雜的系統，主要包括：空調冷熱源系統、水或空氣系統、控制系統等，空調系統能耗與影響因素之間是一種多變量、強耦合、嚴重非線性的關系，具有很強的動態性。而人工神經網絡可以實現從輸入到輸出的任意非線性映射，能夠模擬高度非線性系統，具有較強的學習能力、自適應能力、容錯能力和聯想能力，已成為復雜的非線性系統建模、仿真、預測的新型工具，人工神經網絡自20世紀40年代初被首度提出來以后，經過幾十年的發展，廣泛運用于模式識別和圖像處理、控制與優化、人工智能等方面。隨著我國空調事業的快速發展及節能減排新形下，人工神經網絡在空調系統中的運用越來越受到廣大暖通空調研究者的關注。

1 神經網絡

神經網絡是對人腦或生物神經網絡的抽象和建模，具有從環境學習的能力，以類似生物的交互方式適應環境。人工神經網絡是一個由大量簡單的神經元廣泛聯接組成的復合系統，當系統被訓練達到平衡后，由各個神經元的權值組成的整個網絡的分布狀態，就是所求的結果。網絡學習的過程也就是各神經元權值的調整過程。人工神經網絡根據連接方式不同可以分為兩大類：無反饋的前向神經網絡和相互連接型網絡（包括反饋網絡），圖1為BP神經網絡系統結構簡圖，BP網絡就是一種誤差反向傳播的前向網絡，神經網絡的學習算法總體來講可分為有監督學習和無監督學習。人工神經網絡的具有強容錯性、冗余性、魯棒性和信息分布式并行處理及快速進行大量計算能力特點， 能適應復雜環境和進行多目標控制。

圖1 BP網絡系統結構

2 人工神經網絡在空調系統中的應用

2.1 空調風系統方面的應用

變風量系統（VAV系統）的基本思想是：當室內負荷發生變化時，改變送入室內風量，以滿足室內人員的舒適性或工藝性要求，實現送風量的自動調節，最大限度地減少風機動力，節約運行能耗。目前對變風量空調控制方法傳統方法主要有：定靜壓控制、變靜壓控制、總風量控制等，但多數局限于的PID控制理論，對變風量空調這種非線性系統的控制精度難以保證。朱為明等人在VAV系統中采用神經網絡預測優化算法對變風量空調進行控制，神經網絡預測優化算法控制過程的節能范圍為：6％-13.5％，與PID控制方法相比，神經網絡預測優化算法的控制量之和減少6%以上，具有較好的節能效果。

2.2 空調水系統方面的應用

中央空調水系統主要包括冷卻水和冷凍水系統，對于大型系統，管道長，系統熱容量大、慣性大，被控系統水溫和流速變化速度較慢，滯后現象嚴重，是一種典型的大滯后系統，對于過程純滯后非線性特性，目前過程控制傳統算法不具備克服滯后影響的能力，在穩定性和響應速度上都難以達到較好的性能指標。周洪煜等人利用了神經網絡的非線性逼近特性、自學習、自組織的能力以及預測控制的滾動優化和反饋校正的特性，建立起的中央空調水系統的動態模型，作為預測控制器的預測模型，不需要對被控對象進行精確的辨識， 提出的多變量神經網絡預測控制系統具有優良的控制效果，實現了空調水系統的自適應控制。何厚鍵等人在中央空調水系統的建模與優化研究中，利用前饋型網絡結合BP算法建立了冷卻塔和制冷機的神經網絡模型，解決的具有高度非線性的中央空調水系統設備的建模問題。

2.3 制冷系統方面的應用

神經網絡在空調中的制冷系統應用，主要體現在制冷機組優化控制和制冷系統的故障診斷兩方面。在中央空調系統中制冷機組是能耗最大的設備，對制冷機組進行優化控制，提高其運行效率，是空調系統節能的重要途徑之一。趙健等人在分析了影響壓縮機運行效率的主要因素基礎上，建立了以壓縮機入口制冷劑溫度、壓縮機出口制冷劑溫度和負荷為輸入量，最佳吸氣壓力輸出為輸出量的BP神經網絡模型。通過在線修正制冷機的吸氣壓力工作點，解決變負荷下，制冷機優化控制問題，大幅度提高制冷性能參數COP的值，降低了制冷機的運行能耗，與采用額定工況相比，采用神經網絡優化控制方法的制冷機節能量約為44.8%。

故障診斷是一種了解和掌握設備在使用過程中的技術，確定其整體或局部是否正常，早期發現故障及其原因并能預報故障發展趨勢的技術。在制冷系統的故障診斷方面，神經網絡也發揮著重要作用，隨著我國空調制冷事的蓬勃發展，制冷系統越來越復雜，故障的潛在發生點也越來越多，制冷設備的故障檢測與診斷越來越受到人們的重視。胡正定等人在分析制冷系統常見故障特征的基礎上，建立以壓縮機進口溫度、蒸發器進口溫度、冷媒水進口溫度、冷媒水出口溫度、壓縮機排氣壓力、壓縮機吸氣壓力、壓縮機出口溫度、冷凝器出口溫度等8特征征參數作為輸入量，故障模式作為輸出量的補償模糊神經網絡模型。仿真結果表明，系統的診斷結果且有較高的準確率。李中領等人在空調系統故障診斷中利用神經網絡建立了三層BP網絡模型，輸入層節點個數為4，對應于4種故障現象，隱含層單元個數為4，輸出層節點個數為12，對應于12種故障原因，輸出節點值的大小反映了故障出現的可能性。

2.4 負荷預測方面的應用

空調系統逐時負荷的準確預測是實現現代控制的前提之一，準確預測空調負荷對空調高效節能運行具有重大意義，影響空調負荷的因素有空氣溫度、濕度、太陽輻射強度、人員、設備運行情況等，空調負荷與影響因素之間是嚴重非線性的關系，具有動態性。

2.5 空調制冷系統的仿真設計方面的應用

制冷空調產品設計中，大量地依賴樣機的反復制作與調試，使得產品的設計周期延長，并影響性能優化，用計算機仿真代替樣機試驗，在計算機上面實現優化設計，使得制冷空調裝置仿真技術近年來得到了迅速發展 。

2.6 大型建筑運行能耗的評價方面的應用

大型公共建筑指非住宅的民用建筑，包括辦公樓、商場、賓館、醫院、學校等，大型公共建筑用能特點是單位面積耗能非常高，為每年100 kW/m2-300 kW/m2，而且我國大型公共建筑能源系統效率較低，浪費嚴重，其電耗超過公共建筑節能設計標準規定指標的10倍以上。大型公共建筑中央空調系統運行能耗的科學評價是對大型公共建筑進行用能科學管理的重要基礎，趙靖等人基于BP人工神經網絡，將冷水機組、冷凍水泵、冷卻水泵、冷卻塔、其它設備月平均功率、運行時間和氣象特征共七個作為預測因子，空調系統總能耗為輸出量，建立了大型公共建筑系統運行能耗的預測評價模型，仿真結果表明，網絡的平均預測誤差輸出值約為3.3E-014，可以滿足實際應用的要求。

3 發展方向

人工神經網絡基于較強的學習能力、自適應能力、容錯能力和聯想能力，在暖通空調領域中的應用已經取得了突破性的進展。今后的發展方向主要有兩個方面，首先，不斷改進神經網絡性能，提高其預測和控制精確度；另外，逐步使神經網絡的實現由軟件實現過渡到硬件實現，擴大其在空調領域的應用范圍，也是今后的研究方向之一。

參考文獻

[1]胡守仁.神經網絡導論[M].北京:國防科技大學出版社,1999.

[2]候媛彬,杜京義,汪梅.神經網絡[M].西安電子科技大學出版社,2007.

第9篇：神經網絡方向范文

【關鍵詞】小波包變換 BP神經網絡 EPS轉矩傳感器 故障診斷

1 引言

EPS是當前世界最發達的轉向助力系統，它是電子控制單元（ECU）根據各傳感器輸出信號決定電動機的轉動方向和最佳助力轉矩的轉向機構。EPS轉矩傳感器測定方向盤與轉向器輸出軸之間傳遞的轉矩，并且將其轉矩大小轉化為電壓值信號。

目前已形成了多種轉矩傳感器故障檢測和診斷的方法，比如：故障樹法、神經網絡觀測器以及基于小波分析的方法等等。小波分析是近年來發展起來的一個新的數學分支,非常適合于分析非平穩信號，對于EPS轉矩傳感器信號，可方便地剔除系統的噪聲干擾和檢測出故障信號。基于這一點，將信號進行若干次小波包分解，可以得到信號在各個頻段上的分量，這樣就實現了信號特征的分離。由于這些特征與故障之間是一種非常復雜的非線性關系，而BP神經網絡又具有強大的綜合分析能力，用構造的傳感器的各種故障樣本特征向量對BP神經網絡進行分類訓練，這樣就能進行故障診斷。

2 故障診斷流程

信號獲取信號消躁采樣小波包變換提取各頻帶能量歸一化處理BP神經網絡診斷輸出。

3 基于小波包預處理的故障特征提取方法

設EPS轉矩傳感器電壓信號為f(x)，令 ψ(x)為小波母函數，則f(x)的二進小波變換為

（1）

其中，離散信號的小波包分解算法為

（2）

其中，ak，bk為小波包分解共軛濾波器系數。

小波包的重構算法為

（3）（4）

當能量較大時，可對特征向量進行歸一化處理，令

（5）

（6）

有了信號基于小波包的能量特征向量，就可以利用BP神經網絡的非線性和擬合特性進行故障的診斷識別了。

4 BP神經網絡

BP神經網絡的結構如圖1所示，圖中的節點是BP神經網絡的神經元，它的作用函數為，式中y―神經元的輸出，xi―神經元的輸入，wi―神經元的連接權值，θ―神經元的閾值，f―神經元的激活函數，由于采用IWPT預處理的小波包分析方法，構建的神經網絡為輸入層5個神經元，即為故障的能量特征向量維數，輸出層為5個神經元（四種故障和正常狀態），即為故障的類型數，隱含層為6個神經元，隱層節點函數選用sigmoid函數。

具體的BP網絡訓練算法可以查閱參考文獻。BP網絡在設計時，必須規定隱層的數目、每層的節點數、激活函數和輸入/輸出樣本對。這些參數將會影響BP網絡的收斂速度和BP網絡的有效性。

本文提出的基于IWPT預處理的神經網絡故障診斷方法，預處理的目的是為了減少神經網絡輸入層和隱層節點的個數，從而加快神經網絡訓練和收斂速度，提高故障診斷的效率。

5 結束語

通過小波包算法對傳感器故障信號的分析發現傳感器故障幾種典型信號在各個頻帶內的能量分布是不同的，因此可以提取故障信號的子頻帶能量信號作為特征向量，在提取特征向量的過程中，采用IWPT（不完全小波包變換）預處理方法，使網絡的輸入層和隱含層節點數目都減少了，能夠顯著的提高神經網絡的學習和收斂速度。將提取的特征向量作為神經網絡的輸入量，結合樣本數據（訓練樣本和測試樣本），利用BP算法對網絡進行學習訓練，實驗表明，訓練后的網絡能對EPS轉矩傳感器的典型故障進行有效的診斷。

參考文獻

[1] 沈斌,陳敏.電動助力轉向傳感器故障研究[J].機電一體化,2012(5):59-63.

[2]A.Grossmann and J.Morlet, "Decomposition of hardyfunction into square integrable wavelets of constantshape,"SIAM J.Math.,vol.15, pp.723-736.

[3]Haykin S.Neural Networks A Comprehensive Foundation.Prentice Hall,2001

[4]Y.He,Y.Tan and Y.Sun,Wavelet neural network approach for fault diagnosis of analogue circuits.IEEE Proc.-Circuits Devices Syst.Vol 151(4), pp.379-384

[5]S.Mallat,"Multifrequency channel decompositions of images and wavelet models,"IEEE Trans.ASSP,vol.37, no.12,pp.2091-2110,1989.