神經網絡的特性范文
時間:2024-04-09 11:35:22
導語:如何才能寫好一篇神經網絡的特性,這就需要搜集整理更多的資料和文獻,歡迎閱讀由公務員之家整理的十篇范文,供你借鑒。
篇1
摘要:
為更全面準確地評價產品造型設計,在近幾年國內外產品評價系統(tǒng)研究的基礎上,綜合運用主成分分析法、聚類分析法、BP神經網絡技術,對產品設計造型要素的感性意象進行定量化研究,建立和完善了產品設計評價的神經網絡模型.并以園林工具割草機產品設計為例訓練模型,驗證了模型的可行性和有效性.
關鍵詞:
產品設計評價;主成分分析;聚類分析;BP神經網絡;感性工學
產品造型設計和評價是產品設計開發(fā)過程中的重要組成部分.近年來,國內外學者結合感性工學對產品造型設計和產品造型評價進行了大量的研究.產品造型設計是一項復雜的系統(tǒng)運行過程,除受客觀條件如經濟、技術、構造等要素的影響外,同時,社會審美、目標消費群的偏好、設計師經驗、背景等因素也相互影響[1].人工神經網絡是伴隨著生物學、數學、計算機等學科的發(fā)展而產生的一門新興的綜合交叉性學科.其中,最常見的是BP神經網絡,它具備任意精度的函數逼近能力,具有自組織、自適應、自學習、高度非線性映射性、泛化性、容錯性的優(yōu)點[2].BP神經網絡因其很強的學習能力、抗故障性、并行性的優(yōu)點,特別適合于解決上述非線性很高的復雜系統(tǒng).割草機產品應用具有較強的地域性和個性化的消費者群細分,造型設計目前未形成系統(tǒng)的理論和方法.將BP神經網絡法和遺傳算法等應用于產品造型設計的評價系統(tǒng)中尚屬于摸索階段.文獻[3]提出了BP神經網絡技術與產品評價系統(tǒng)結合的可行性.文獻[4]通過將遺傳算法與神經網絡相結合,進一步優(yōu)化了產品設計評價模型的精度.產品造型設計與評價是個復雜的過程,需要多層次的系統(tǒng)分析.為此,本文將綜合運用主成分分析法、聚類分析法與BP神經網絡技術,定量地研究感性意象與產品造型設計之間的關系.以園林工具割草機產品為例,把產品造型要素的集合分組為由類似對象組成的多個類,分析影響割草機產品感性意象的主要造型特征,基于MatlabR2014a平臺,建立BP神經網絡模型,檢測產品造型與目標消費者群體偏好之間的對應關系,以驗證和提高產品設計評價模型的可行性和準確度.
1研究流程
本文以割草機產品為例,綜合應用主成分分析、聚類分析方法和BP神經網絡技術,對感性意象進行定量化研究,建立和完善產品造型特征與感性意象關系評價的神經網絡模型.研究流程如圖1所示.具體流程如下:
(1)通過網絡調研并篩選得到描述割草機外形的形容詞.
(2)通過網絡搜集各國割草機圖片樣本,對圖片進行去色、去標志處理,排除顏色和品牌對試驗樣本的影響.
(3)把7點量表建立在已經選擇出來的感性意象形容詞上,讓每個測試者針對這些選定的形容詞對每個試驗樣本打分.將試驗所得數據運用主成分分析,并結合專家意見,確定最終描述詞匯.
(4)將樣本進行聚類分析,并通過專家對同類內樣本共同特征的提取,明確影響割草機外形意象的造型特征,并分析各造型特征組合與感性意象的關系.
(5)建立BP神經網絡模型,以試驗數據訓練神經網絡模型.
(6)神經網絡準確率檢測,總結分析.
2割草機外觀特征與感性意象認知關系量化試驗
2.1試驗準備
通過調研,共搜集整理近5年銷售生產的割草機產品圖片150張,分別來自不同國家和地區(qū).對圖片進行去色、去標志處理,以排除顏色、品牌及其他因素對試驗樣本的影響.利用KJ法[5]篩選得到20個圖片樣本,部分樣本圖片如圖2所示.經過表1的分析可以得到形容詞的意象空間,專家設計師結合這一意象空間進行總結和分析,得到其3個維度上的感性意象描述形容詞,分別為“科技-落后”“樸素-華麗”“易用-復雜”.
2.3關鍵造型特征提取和聚類分析
將意象空間的樣本進行聚類分析,把產品造型要素的集合分組為由類似的對象組成的多個類,分析影響割草機產品感性意象的主要造型特征.通過專家設計師評價和問卷調查統(tǒng)計,抽取同類樣本內的共同特征,得到最主要的影響割草機感性意象的造型特征.聚類分析的結果如表2所示.
3BP神經網絡模型建立、訓練、預測
3.1BP神經網絡模型建立
選用MatlabR2014a為平臺進行BP神經網絡結構的建立與模擬,其模型如圖3所示.通過歷史數據的訓練,用以檢測產品造型與其感性意向的對應關系,建立產品造型設計評價體系.經過數次預先進行的試驗,確定神經網絡結構為3層,輸入層(包含2個節(jié)點)、隱含層(包含4個節(jié)點)、輸出層(包含1個節(jié)點).輸入層是2個設計元素的編號組合,輸出層是關于“科技的-落后的”這個語匯對的感性意象評價值.
3.2BP神經網絡模型訓練設置
BP神經網絡的學習次數為5000次,采用梯度下降法,目標誤差值為0.001,訓練結果采用均方誤差衡量,將表4中樣本1?!?5#的數據導入建立的網絡,訓練BP神經網絡,在1753次訓練時結果收斂,停止訓練,其訓練的結果如圖4所示.由圖4可得,其實際訓練的誤差值為0.00908.
3.3BP神經網絡模型測試選用
表4中樣本16?!?0#測試神經網絡預測能力,即將5個樣本造型特征組合導入網絡的輸入層,將調查得到的數據與神經網絡預測的感性評價值進行對比,結果如表5所示.由表5可見,實際感性評價值與預測感性評價值相對誤差較小,說明網絡精度達到要求,驗證了割草機產品評價模型的可行性和有效性.
4結語
本文將主成分分析法、聚類分析法與BP神經網絡模型相結合,對割草機產品造型設計與感性意象之間的關系進行分析,為產品造型設計符合目標消費群體需求提供客觀評價幫助.但是本文只針對割草機的主要產品造型要素進行了試驗,隨著研究方法及科技的不斷進步,結合色彩、材質、紋理甚至人機工程學等綜合因素的研究將成為下一步的研究重點.基于神經網絡的意象認知模型,還存在一定局限性,隨著科技的發(fā)展,結合認知心理學、腦科學、人工智能等技術和方法將使相關研究得到更深入的發(fā)展.
參考文獻:
[1]王愛華,孫峻.BP神經網絡在工程項目管理中的應用[J].建筑管理現代化,2009(4):306-309.
[2]周美玉,李倩.神經網絡在產品感性設計中的應用[J].東華大學學報(自然科學版),2011,37(4):509-513.
[3]趙萬芹.基于BP神經網絡的產品造型設計評價[J].計算機工程與設計,2009,30(24):5715-5717.
[4]林琳,張志華,張睿欣.基于遺傳算法優(yōu)化神經網絡的產品造型設計評價[J].計算機工程與設計,2015,36(3):789-813.
[5]川喜田二郎.KJ法[M].京都:中央公論新社,1986.
篇2
關鍵詞:超聲波測距,RBF網絡,非線行誤差校正
1、引言
超聲波測距具有信息處理簡單、快速和價格低,易于實時控制等許多優(yōu)勢,它被廣泛的應用在各種距離測試的設備中。但超聲波傳感器在實際應用中也有一定的局限性。在超聲波測距中,由于超聲波傳感器本身的結構和受外界溫度等因素的干擾,其輸入輸出特性呈明顯的非線性,靠硬件或軟件補償修正的方法對提高其測距精度的效果不大。所以,本文提出了基于徑向基函數神經網絡實現超聲波傳感器的建模,對超聲波測距進行溫度補償和非線性誤差校正的方法。
2、用 RBF神經網絡改善超聲波測距的精度
2.1神經網絡實現非線性誤差校正的原理
設超聲波傳感器要測量的實際距離為 d,實際距離d決定t2-t1,環(huán)境溫度為T,超聲波傳感器測量輸出的結果為h,經RBF網絡校正后的距離為Dr,則超聲波傳感器測距系統(tǒng)可以表示為 h=f(d,T),由于傳感器產生的非線性誤差和溫度的影響,使得 f(d,T)呈現非線性特性。校正的目的是根據測的 h求未知的 d,即 d=g(h,T),也就是需要建立超聲波傳感器的模型其原理可以表示為圖 1所示。
超聲波傳感器輸出 Dr通過一個補償模型,該模型的特性函數為Dr=g(h,T) ,其中Dr為非線性補償后的輸出, g(h,T)顯然是一個非線性函數。通常非線性函數的表達式很難準確求解,但可以利用神經網絡能很好地逼近非線性函數的特點,通過建立神經網絡模型來逼近該非線性函數。本文選取RBF神經網絡模型。
2.2 RBF 神經網絡
RBF網絡是一種局部逼近網絡。它對于每個輸入輸出數據對 , 只有少量的權值需要進行調整。它采用一組正交歸一化的基函數 ―― 徑向基函數的線性組合來逼近任意函數。
常用徑向基函數有高斯函數、多二次函數、薄板樣條函數等。由于輸入矢量直接映射到隱層空間 , RBF的中心確定后 , 這種非線性映射關系也就確定 ,因此 RBF的學習算法首先要確定徑向基函數的中心 ,本文徑向基函數的中心采用高斯函數(Radbas(n)=e-n2),其隱含層的輸入輸出模型如圖2。
對于本文的超聲波傳感器逆模型的RBF網絡模型,輸入為h和T,訓練后的實際輸出為Dr,期望輸出為d。超聲波傳感器非線性校正逆模型采用RBF網絡,輸入層2個節(jié)點,輸出層1個節(jié)點,擴展系數為0.5(實驗結果表明擴展常數為 0.5 時對應隱含層神經元個數適中,故擴展常數選為 0.5),通過測量獲取了50組數據集作訓練樣本,將輸入量作歸一化處理后,按照上述的RBF神經網絡的學習方法學習。神經網絡的訓練和仿真是在Matlab 6.5環(huán)境下,通過神經網絡工具箱,編制相應的程序而實現。
在matlab上應用 RBF神經網絡進行仿真溫度補償和非線性誤差校正后,系統(tǒng)的測距精度大大提高,表 1所示為未經神經網絡處理和神經網絡處理后的測距比較。
比較結果表明,神經網絡處理后的結果與實際距離很接近,精度大大提高了。
3、結束語
實際應用中,超聲波測距易受溫度等多種因素的影響,利用RBF神經網絡良好的非線性逼近特性、自適應能力學習能力,可優(yōu)化超聲波的輸出特性,而且網絡結構簡單,便于單片機實現或固化在硬件中。仿真結果表明,利用RBF 神經網絡能很好地逼近非線性函數,實現了超聲波傳感器建模,對傳感器進行非線性誤差校正,效果相當明顯,大大提高了超聲波測距的精度,使其測距誤差控制在毫米級以內,這是采用其它校正方法是無法達到的。
參考文獻:
[1]譚超,許澤宏,李維一,付小紅,王健.基于小波神經網絡建立虛擬儀器非線性較正型[J].微計算機信息,2005.12(1)P157-159.
[2]田社平.基于神經網絡模型的傳感器非線性校正.(英文) 光學精密工程.2006
[3]Binchini M,Frasconi P,Gori M. Learning without local minima in radial basis function networks.IEEE Trans. on Neural Networks, 1995,6(3):749~755)
[4] Xianzhong Dai, Ming Yin, Qin Wang. Artificial neural networks inversion based dynamic compensator of sensor.IEEE,2004,10:258-261
篇3
【關鍵詞】PID控制;對角遞歸神經網絡;交流伺服系統(tǒng)
1.引言
交流電動機伺服驅動系統(tǒng)由于其結構簡單、易于維護的優(yōu)點逐漸成為現代產業(yè)的基礎。其中交流伺服系統(tǒng)在機器人與操作機械手的關節(jié)驅動以及精密數控機床等方面得到越來越廣泛的應用。交流伺服系統(tǒng)由交流電動機組成,交流電動機的數字模型不是簡單的線性模型,而具有非線性、時變、耦合等特點,用傳統(tǒng)的基于對象模型的控制方法難以進行有效的控制。對于交流伺服系統(tǒng)的性能,一方面要求快速跟蹤性能好,即要求系統(tǒng)對輸入信號的響應快,跟蹤誤差小,過渡時間短,且無超調或超調小,振蕩次數少。另一方面,要求穩(wěn)態(tài)精度高,即系統(tǒng)穩(wěn)態(tài)誤差小,定位精度高。在交流伺服控制中,常規(guī)控制方法普遍是以PID控制為基礎,然而單純的PID控制存在超調量大,調節(jié)時間長,控制效率低等缺點,而且其參數的選取比較困難。近年來,隨著計算機技術的發(fā)展,人們利用人工智能的方法將操作人員的調整經驗作為知識存入計算機中,根據現場的實際情況,計算機能自動調整PID參數,這樣就出現了智能PID控制器,并在實際工業(yè)控制中獲得了許多成功的應用。大多數基于神經網絡的自適應控制方案均采用多層前饋神經網絡[1],前饋神經網絡是一個靜態(tài)網絡,然而,在處理交流電動機伺服系統(tǒng)中需要通過引入時滯環(huán)節(jié)來描述系統(tǒng)的動態(tài)特性[2],但這就需要大量的神經元來表示動態(tài)響應。動態(tài)遞歸網絡利用網絡的內部狀態(tài)反饋來描述系統(tǒng)的非線性動力學特性,能更直接地反映系統(tǒng)的動態(tài)特性,因此,比前向神經網絡更適合應用于動態(tài)系統(tǒng)的控制問題[3]。對角遞歸神經網絡[4,5]既具有一般動態(tài)網絡易于處理動態(tài)非線性問題的特點,又具有結構簡單、容易構造訓練算法等優(yōu)點。因此,本文采用對角遞歸神經網絡整定PID控制控制的參數,仿真結果證明了該控制方案的有效性。
2.系統(tǒng)結構設計
神經網絡PID交流伺服系統(tǒng)結構如圖1所示,系統(tǒng)中有兩個神經網絡。其中,NNC為自整定PID控制器,DRNNI為系統(tǒng)在線辨識器。圖中為給定角位移,為電機轉軸的實際角位移,e為和進行比較而得到的偏差,ec為偏差的變化率。則有:
(1)
(2)
圖1 神經網絡PID控制的交流伺服系統(tǒng)
圖1中,u為神經網絡PID控制的轉速期望值;為期望電機轉速;為實際電機轉速;與的偏差經過轉速調節(jié)器產生期望的電機電磁轉矩Ted。由于內環(huán)的不足可由外環(huán)控制來彌補,所以轉速調節(jié)器采用一般的PI調節(jié)器即可,而電機的電磁轉矩控制則采用直接轉矩控制方法。
3.神經網絡PID控制器設計
3.1 神經網絡PID控制器
PID控制是一種技術成熟、應用廣泛的控制方法,其結構簡單,而且對大多數過程均有較好的控制效果。其離散PID控制規(guī)律為:
(3)
式中,u(k)為k時刻控制器的輸出量;KP,KI,KD分別為比例系數,積分系數和微分系數;e(k)為當前時刻的交流伺服系統(tǒng)的位置與期望值之差;e(k-1)為上次采樣時刻的交流伺服系統(tǒng)的位置與期望值之差。由式(3)可得到控制器輸出第k個周期時刻的控制量u(k)和第k-1個周期時刻的控制量u(k-1)之間的增量為:
(4)
傳統(tǒng)的PID控制最主要的問題是參數整定問題,一旦整定計算好后,在整個控制過程中都是固定不變的,而在實際系統(tǒng)中,由于系統(tǒng)狀態(tài)和參數等發(fā)生變化時,過程中會出現狀態(tài)和參數的不確定性,系統(tǒng)很難達到最佳的控制效果。本文利用兩層線性神經網絡對PID控制器的三個參數進行在線調整。神經網絡的輸入為:
(5)
定義NNC的性能指標為:
(6)
則:
(7)
(8)
(9)
其中,為學習率,為對象的Jaco-bian信息,該信息可以由DRNN網絡進行辨識。
3.2 對角遞歸神經網絡辨識器
對角遞歸神經網絡(DRNN)是一種特殊的遞歸神經網絡,其網絡結構有三層,隱層為遞歸層。考慮一個多輸入單輸出的對角遞歸神經網絡,其結構如圖2所示。
圖2 對角遞歸神經網絡結構圖
各層的輸入輸出關系函數如下:
第一層為輸入層,有n個輸入節(jié)點,其輸入:
(10)
式中,Ii(k)為第i個神經元的輸入。
第二層為隱層,有m個節(jié)點,其輸入為:
(11)
式中,wI和wD為網絡輸入層和遞歸層的權值。
輸出為:
(12)
第三層為輸出層,其輸出為:
(13)
式中,wO為網絡輸出層的權值。
在采用如圖2所示的DRNN來對交流伺服系統(tǒng)進行辨識時,網絡的輸入為:
(14)
網絡的輸出為:
(15)
訓練DRNNI的性能指標函數定義為:
(16)
學習算法采用梯度下降法:
(17)
(18)
(19)
權值的更新算法:
(20)
(21)
(22)
其中,遞歸層神經元取S函數:
(23)
(24)
(25)
式中,、、分別為輸入層、遞歸層和輸出層權值的學習率,為慣性系數。
交流伺服系統(tǒng)的Jacobian信息為:
(26)
4.實驗研究
用于實驗的交流電機參數為Pn=2.2kW, Un=220V,In=5A,nn=1440r/min,r1=2.91Ω,r2=3.04Ω,Is=0.45694H,Ir=0.45694H,Im= 0.44427H, Ten=14N?m,np=2,J=0.002276kg?m2,ψn=0.96Wb。數字控制采樣頻率為10kHz。
采用基于DRNN神經網絡整定的PID控制,控制器的網絡結構為3-7-1,辨識器的結構為2-6-1,學習率都設置為,慣性系數。權值的初始值取[-1,+1]之間的隨機值。
通過實驗表明,神經網絡PID控制有效地結合了神經網絡和PID控制方法,充分發(fā)揮了PID控制調節(jié)精度高的優(yōu)點,利用神經網絡對PID控制器的參數進行實時整定,進一步提高了系統(tǒng)的控制精度,增加了系統(tǒng)的在線自適應能力。
5.結論
本文提出了一種基于動態(tài)遞歸神經網絡PID控制的交流伺服系統(tǒng),采用動態(tài)遞歸神經網絡作為交流伺服系統(tǒng)的辨識器,兩層線性神經網絡作為控制器,這種控制方法提高了系統(tǒng)的精度。
仿真實驗結果表明,該控制器具有良好的控制性能和很強的魯棒性,是一種行之有效的控制器。
參考文獻
[1]許大中.交流電機調速理論[M].杭州:浙江大學出版社,1994.
[2]Sun F C,Sun Z Q.Stable neural network-based adaptive control for sampled2data nonlinear systems[J].IEEE Transactions on Neural Networks,1998,9(5):956-968.
[3]李明忠.基于遞歸神經網絡的一類非線性無模型系統(tǒng)的自適應控制[J].控制與決策,1997,12(1):64-67.
[4]Ku C C,Lee K Y.Diagonal recurrent neural networks for dynamic system control [J].IEEE Transactions on Neural Network,1993,6(1):144-156.
[5]吳志敏,李書臣.基于動態(tài)遞歸神經網絡的自適應PID 控制[J].控制工程,2004,11(3):216-219.
篇4
關鍵詞:字符識別 Hopfield神經網絡 小波變換
中圖分類號:TN711文獻標識碼: A 文章編號:
在日常生活中,經常會遇到帶噪字符識別的問題,如交通系統(tǒng)汽車號牌,由于汽車在使用過程中,要經受自然環(huán)境的風吹日曬和雨水侵蝕,造成字體模糊不清,難以辨認。如何從這些殘缺不全的字符中提取完整的信息是字符識別的關鍵問題。字符識別在交通、郵政及商業(yè)票據管理方面有著廣闊的應用價值[1]。
目前有很多種用于字符識別的方法,主要分為神經網絡識別、概率統(tǒng)計識別和模糊識別等。傳統(tǒng)的字符識別方法在有干擾的情況下不能很好地對字符進行識別,而離散Hopfield神經網絡具有聯(lián)想記憶的功能,利用這一特性能對字符進行識別,并且計算的收斂速度很快;小波變換具有時頻局部化的特性,利用這一特性能減少字符識別中噪聲干擾的影響,從而得到預期的效果。
1 Hopfield神經網絡工作方式
對于Hopfield神經網絡當網絡而言,根據輸入得到輸出后,該輸出將被反饋到輸入端,成為新的輸入端,如此循環(huán)往復,不斷調整網絡的權值和閾值,直到網絡的輸出穩(wěn)定為止。該網絡按動力學方式運行,其工作過程為神經元狀態(tài)的演化過程,即從初始狀態(tài)按能量減小的方向進行演化,直到達到穩(wěn)定狀態(tài),而穩(wěn)定狀態(tài)即為網絡的輸出[2]。
1.1將網絡用作聯(lián)想存儲器時,工作分為兩個階段:
(1)學習階段:對于給定的m個要存儲的樣本X(k)=(x1(k),x2(k),…,xn(k)),k=1,2,…,m,按照Hebb學習規(guī)則調整網絡權值,以使得每個要存儲的樣本成為系統(tǒng)的一個吸引子。
(2)聯(lián)想階段:在調整好的情況下,給出一部分殘缺或擾的信息,作為聯(lián)想的關鍵字,使系統(tǒng)最終收斂到某個吸引子。
Hopfield網絡作為聯(lián)想存儲器算法,假設偏流=0。
(1) Hebb學習規(guī)則設置權
(2)初始化:利用未知的輸入模式初始化網絡輸出。
1.3迭代計算:當節(jié)點輸出狀態(tài)穩(wěn)定時,迭代結束。此時節(jié)點的輸出就是未知輸出匹配的樣本模式。
2 小波變換
小波變換的基本思想是將原始信號經過伸縮和平移,分解和重構為一系列具有不同空間分辨率、不同頻率特性和方向特性的信號,這些信號具有時域和頻域局部特性。這些特性可以用來表示原始信號的局部特征,進而實現對信號時間、頻率的局部分析特性。小波變換具有時域和頻域的局部化特性,對于高頻部分采取逐步精細的時域步長,因而可以分析對象的細節(jié)特性[3]。
連續(xù)小波變換的數學表達式為:
(1)
(2)
式中,Ψ(t)為小波母函數,滿足條件,a為尺度因子,b為平移參數。當a,b各取離散時,為離散小波變換。
3 仿真與結論
帶噪字符點陣,即點陣的某些位置的值發(fā)生了變化。本文將帶噪聲的字符點陣輸入到創(chuàng)建好的Hopfield網絡,網絡的輸出是與字符點陣為最接近的目標相量,從而實現聯(lián)想記憶的功能。本文以數字2和字母T為例進行帶噪聲字符識別,其識別結果如圖1所示。
圖1帶噪字符識別結果
圖1為噪聲強度為0.1時的識別效果,從圖中可看出經Hopfield神經網絡已經基本上辨識出字符的大致輪廓。在噪聲強度較小的情況下Hopfield神經網絡能較好的識別帶噪字符,隨著噪聲強度的增大則會出現誤差,這是由于Hopfield神經網絡雖然具有穩(wěn)定性,但是也可能收斂到一個不理想的水平,此時誤差產生。但利用小波變換在圖像處理上的優(yōu)勢,可以進一步提高字符識別的準確性和可靠性。本文的方法為解決實際生活中的字符識別提供了一種新途徑和思路。
參考文獻
賈花萍.Hopfield神經網絡在車牌照字符識別中的應用[J].計算機與數字工程,2012,40(4):85-89.
何聰,孫松.基于.Hopfield神經網絡的字符識別[J].黃石理工學院學報,2011,27(3):13-16.
篇5
關鍵詞:估算模型、工程造價、思考
中圖分類號:TU723.3文獻標識碼: A 文章編號:
建筑工程造價,在通常情況下指的就是工程建設過程中需要花費的所有費用,換言之,就是依據工程計劃此工程建設項目因開展固定資產再生產而衍生出與之相對應鋪底流動資金與無形資金之和。事實上,工程造價既與建設地區(qū)的經濟發(fā)展狀況、建設者的技術水準、當地政府的政策扶持等因素息息相關,又緊密聯(lián)系著工程本身的內容。
事實上,工程項目在施行過程中,不僅要耗費大量時間,還需投入很多資金。且每一階段均會出現很多不確定因素,因此,在工程項目施工早期很難確定出一個合理、正確、科學的造價。然而,工程造價的合理性將會給施工單位和建設單位的共同經濟利益帶來直接的影響。這就要求我們在如今競爭日益激烈化的社會能熟練地應用科學手段,精、穩(wěn)、準地把工程造價估算出來。但是,工程造價會隨著項目開展的深度的逐漸加深而愈漸合理化。工程項目富有計價特性,這就決定了在控制工程項目的過程中各個階段的手段與重點也許會存在一些差異。因此,在工程項目建設的全過程中,要確保工程造價能將工程的實際造價合理、科學地體現出來,與工程項目管理的需求與市場經濟體制相適應,積極采用合理、可行性高的、可操作性強的手段,管控好建設工程造價。
一、工程造價估算模型的類別
當前,世界上存在的投資估算方法多種多樣,但每一樣方法的優(yōu)劣勢及其所適用的范疇均存在一定的差異。在這當中,盡管最小二乘回歸模型法能夠彌補單位面積法的不足指出,精確度很好,但是由于隸屬系數、模糊關系系數等諸多數據的大小均取決于經驗,且其處在不斷地變化發(fā)展過程中,這無疑會加大模型建立的難度系數。
伴隨著模糊數學理論在工程造價測算當中的廣泛運用與發(fā)展,其所展現出來的優(yōu)越性愈來愈獨特。為此,筆者針對已建工程與待建工程當中的類似程序加以探索與比較,能在較短時間內運用已建工程的造價資料與信息,從而對待建工程的造價進行估算。此類手段能飛快而又精準地估測出工程造價,待構建起信息管理系統(tǒng)、信息數據庫、拓展大量的信息渠道后,可以確保估算工程數據的精準性與合理性。
二、神經網絡的工程造價估算模型的基本原理
神經網絡憑借著生物神經系統(tǒng)作用原理發(fā)展的信息處理系統(tǒng)能夠極為精確地解決好繁雜的非線性問題。但是,其與眾不同的是,神經網絡極具自組織、自學習、容錯性等特征?;趯祿慕⒛P?,可將函數的最佳參數較快地求算出來,使設計成功后的系統(tǒng)可更好地模擬輸入輸出關系。
1、神經網絡的基本模式
神經網絡包括了反饋型網絡、自組織型網絡、隨機型網絡以及前饋型網絡這四大類型,這四大類型的神經網絡所具有的網絡模型各不相同。Hopfield網絡主要出現在反饋網絡當中,BP網絡、Adaiine、RBF網絡則是前饋網絡的關鍵網絡模式,Boltzman網絡為隨機網絡的關鍵網絡模式,ARI網絡俄日自組織網絡的關鍵網絡模式。然而,在此類神經網絡當中,前饋型網絡內的RBF網絡和BP網絡能較好地滿足市政工程造價的需要。因為BP神經網絡結構精簡、預算精度高、可行性高、收斂迅速、泛化能力強大,所以到目前為止,BP算法的多層前饋網變成了運用范圍最大的神經網絡。從統(tǒng)計上來看,BP算法是依靠學習過程的誤差反向傳播和信號正向傳播所構成的。當前運用BP算法的神經網絡所占的百分比近達百分之九十。
2、神經網絡的基本模型
實際上,神經網絡的輸入層是由各個極具代表性的工程建筑特性組合而成的,其輸入向量是闡釋工程特性的基本信息,神經網絡輸出向量則為工程所需的工程造價。然而,如果輸入向量不同,那么想獲取到不一樣的輸出量值的話就需充分利用已建成的極具代表性的工程特性與造價,以它為訓練樣本,從而訓練神經網絡,進而達到從輸入至輸出進行映射的目的。
3、神經網絡的運作手段
一般而言,神經網絡的運作方式有兩類,即演化式與前饋式。演化式模型的復雜度更高,其在網絡當中與耗散的動力學系統(tǒng)差不多,在演化時狀態(tài)空間會慢慢收縮,最后變成了小體積的吸引子集,其輸出就相當于終態(tài),而輸入則為初始態(tài);前饋式之所以能達到自輸入至輸出的非線性映射,主要依賴于神經元非線性輸出輸入的關系。
三、神經網絡估算法的廣泛運用
若要估算項目工程造價,神經網絡需具備一定數量的樣本以進行訓練。一般來講,我們可以將估算建設工程造價這一問題視成從輸入工程造價估算體系至輸出項目的單位造價的非線性映射,把指標體系的指標值輸入,然后再神經網絡中加以估算,從而就能把此項目的單位造價輸出來。
但是,由于建設項目不同,其使用要求與功能也會有所不同,這直接會給工程造價的因素造成影響。因此,要嚴格依照建設項目的種類,分門別類地構建出估算對象的指標體系。本篇文章將重點闡述市政排水工程建設問題,針對神經網絡估算模型的運用進行剖析。
(1)工程特征的解剖
不論是道路的總長度、雨水管道的平均管徑與長度、雨水管道平均埋深,還是污水管道平均管徑與長度、污水管道平均埋深等因素均會給市政排水工程造價帶來極大的影響。但是,此類影響市政排水工程造價的因素均存在一個共性,即:神經網絡估算模型的輸入向量。
(2)構建工程造價模型
工程造價估算法BP網絡程序主要是由樣本數據庫模塊構成的,它是由newff函數生成的。當生成的BP神經網絡初始化之后,應充分運用當前存在的“輸入―目標”的訓練樣本數據,選取網絡內的train函數加以訓練。同時,還要應用BP神經網絡的數據處理模塊及仿真模塊去測試訓練完畢的網絡,依照函數的反函數戰(zhàn)隊神經網絡的輸出值實施數據后續(xù)處理,從而將預測單位的工程造價求算出來,然后對比實際值,驗證出預測的精確度。
(3)建設指標體系的基準單位
在建設市政排水工程的過程中,存在著大量對項目工程造成影響的因素。要想得出模型的輸出向量,就必須把道路的延長米視成排水工程的基準單位,然后將排水工程的整體造價均勻地派遣到道路的延長米上,最終即可得到排水工程的道路延長米的工程造價,也就是模型的輸出向量。
(4)估算出工程造價
運用神經網絡估算法與Matlab神經網絡的工具箱函數編制出與其相對應的計算程序,依照數據庫開展訓練測試工作,以便得出工程的實際造價。同時,要采取科學、易算、簡潔、精確的工程造價估算手段,從而有利于工程建設的迅速、安全地完成、工程造價控制以及工程投資管理工作的開展。因BP神經網絡極具較強的容錯性與自組織適應能力等特性,再加上其擁有精確、簡潔、迅速等優(yōu)勢,因此其在建設項目的工程造價估算的運用中能順利地擺脫傳統(tǒng)項目估算的限制,同時在現代經濟領域中有著巨大的運用市場。
參考文獻:
[1] 胡偉勛. 工程造價估算模型研究與應用[J]. 中南林業(yè)科技大學學報, 2011,(08)
[2] 盧梅,韓小康,孔祥坤,蔡靜. 基于BP神經網絡和TOC的工程造價預控研究[J]. 西安建筑科技大學學報(自然科學版), 2011,(01) .
[3] 王興鵬,桂莉. 基于粗糙集―神經網絡的工程造價估算模型研究[J]. 石家莊鐵道學院學報(社會科學版), 2008,(01) .
[4] 胡偉勛. 基于GST的工程造價預測模型理論研究[J]. 中南林業(yè)科技大學學報, 2011,(04) .
篇6
Abstract: Estimating the manufacturing cost of large-sized and complex-shaped non-standard product is hard. Now the manual estimation methods suffered from a high estimation error. When cost estimates are to be used for bidding purposes, a poor accuracy may have detrimental financial consequences. A cost overestimation bears the risk of making the firm uncompetitive and losing a customer, while underestimating the cost leads to winning a contract but incurring a financial loss. Therefore, a precise cost estimation is critical for project management. In this paper, building the parametric model of artificial neural networks, compare with the artificial neural networks and the manual estimation methods in estimating the manufacturing cost of large-sized and complex-shaped non-standard product. the accuracy is improved.
關鍵詞: 神經網絡(ANN);成本估算;非標產品
Key words: artificial neural networks (ANN);cost estimation;non-standard product
中圖分類號:TP183 文獻標識碼:A 文章編號:1006-4311(2014)14-0203-03
0 引言
生產成本評估是工業(yè)管理活動中的一個重要問題。通常情況下,成本的計算可被分類為預先計算,中間計算,后計算。前計算涉及估計未來成本,中間計算在產品開發(fā)周期內進行了成本控制的目的,而計算后,包括成本核算方法,用來確定實際成本作為未來預算數據。由于產品生命周期成本的很大一部分被定義在設計階段,因此在新產品開發(fā)過程中廣泛采用。然而,在這種情況下,通常用來提供合適的成本計算方法必需的數據,只有不完整的或不確定的產品描述的數據[1]。
由于神經網絡能以期望的精度逼近任何非線性函數,并且它具有自學習、自組織、自適應、并行處理和容錯等功能,因而可以較好的應用于產品生產成本估算。
1 成本估算方法分類
從方法論的角度來看,成本估算,可以分為定性或定量的方法。如圖1。
定性的方法依賴于專家判斷和經驗啟發(fā)式規(guī)則,定量的方法,可進一步分類納入統(tǒng)計的模型,相似模型或生成分析模型。參數成本模型屬于傳統(tǒng)的統(tǒng)計方法,統(tǒng)計標準是用來確定因果聯(lián)系和關聯(lián)成本和產品特性,以便取得與一個或多個變量的。統(tǒng)計方法可以依靠公式或替代辦法連結產品特性,以成本為例,如回歸分析或優(yōu)化方法已被廣泛地應用,人工神經網絡也被用來統(tǒng)計方法,這要歸功于它們有能力進行分類,總結和推斷的數據集合。人工神經網絡模型接受輸入形狀描述和語義的產品特性,并作為輸出產品的成本。搜索引擎優(yōu)化也利用人工神經網絡和統(tǒng)計相關性在生命周期成本概念設計階段使用[2]。人工神經網絡會表現出更好的線性回歸模型。類似的方法,而不是找出一個類似的產品,用成本信息來估計未來成本,調整產品成本之間的差異。類似的模型,從而推斷出相似的成本結構,功能或產品功能之間的幾何相似。例如,作為一個多維特征空間中的點之間的距離測量。生成的分析方法是最準確的,描繪出實際的產品制造過程中。生產過程的詳細分析和分解成單一的制造業(yè)務進行,分析特定模型估計每個處理階段的成本歸因于資源消耗的貨幣價值的技術參數的基礎上的特征的操作。自下而上的方法,然后利用適當總在制造過程中所產生的成本,通過各成本項目的總和。一個詳細的模型使用的勞動時間和價格的估計,材料、數量和價格的產品或活動,估計直接成本、間接成本。
在每個成本中心的制造時間的估計仍然是一個艱巨的任務,留給成本部門的經驗和歷史數據的依賴。估計誤差是相當重要的,一些歷史數據不可用。由于經常發(fā)生在工程師對按訂單生產的任何產品和過去不同,因為它是由客戶的規(guī)格和設計的。這種傳統(tǒng)的方法是對制造時間的估計[4]。
因此,利用標準時間的方法是相當困難的,在投標階段,許多需要精確估計到工作中心的數據是沒有的,必須從過去的經驗中得到,但是,由于是非標產品,極有可能缺乏具體的經驗,進一步增加了時間和成本的不確定性。這種不確定性導致以下問題:報價風險,與失去投標報價的可能性。
針對這個問題,下面介紹一種基于人工神經網絡的估算方法。
3 ANN成本建模
人工神經網絡的信息處理模型的基本計算的數量單元(神經元)相連的的加權連接。人工神經網絡對一組訓練數據是能夠自學習,并進行分類,聚類,函數逼近和控制任務。特別是,神經網絡被認為是“普??遍回歸工具”能夠逼近任意連續(xù)函數,利用在成本估算應用。在特定的神經網絡非參數估計,這意味著要作出任何假設的形狀近似函數訓練前。這是一個很大的實用優(yōu)勢,因為它節(jié)省了時間和費用成本,專家需要提供適當類型的函數參數成本。
多層感知器網絡已被用作此配置提供了最好的結果作為函數逼近,而嘗試和錯誤的過程中已經定義了的詳細的神經網絡結構。事實上,網絡結構可以有顯著影響的估算精度。但神經網絡理論尚未提供控制變量的最優(yōu)設置,適用規(guī)則和拓撲結構[5]。
人工神經網絡的輸入包括所有的產品特征變量的值
4 結論
在面對成本估算的問題上,模擬的選擇要根據不同的產品或過程,具體的資料和案例。另外,選擇還取決于各自的優(yōu)點,不同方法的局限性和能力。
統(tǒng)計或類似的模型也被稱為“'lump-sum”的方法[7],因為他們不考慮生產過程的特點,或不顯示詳細的成本結構。事實上,這種方法試圖建立一個整體的相關性(稱為CER,成本估算關系)的總制造成本和成本影響產品特性(即變量之間的相關產品的配置或物理特性,如重量,尺寸等,可作為成本動因)的關系。
統(tǒng)計方法的神經網絡的優(yōu)勢是,它們可以有效地推斷和概括。數據模型之間的功能關系是隱藏的或不能以多項式的形式表示,不了解變量之間的函數關系。神經網絡具有的優(yōu)點是不需要詳細定義了單一的制造過程的階段和神經網絡動態(tài)自適應,神經網絡的訓練集可擴展新的數據成為可用的變化來反映或在制造業(yè)務性能的提高和相關資源,得到一個連續(xù)的知識獲取。
參考文獻:
[1]Verna Allee. Reconfiguring the value network[J]. Theory in Action, Jul./Aug., 2000:36-39.
[2]Dorian Selz. Value Webs-Emerging forms of fluid and flexible organizations[D].Dissertation St. Gallen, #2310, Difo-Druck, Bamberg, 1999.
[3]David Bovet and Jaseph Martha. Valuenets-breaking the Supply Chain to Unlock Hidden Profit[M]. New York : John Wiley & Sons, Inc,2000.
[4]黃文權.機械制造產品成本估算方法研究及應用[D].杭州:浙江大學機械工程學系,2003.
[5]焦李成.神經網絡系統(tǒng)理論[M].西安:西安電子科技大學出版社,1990.
篇7
關鍵詞:RBF神經網絡;電渦流傳感器;非線性補償;擬合函數
中圖分類號:TP212 文獻標識碼:A
文章編號:1004-373X(2008)10-190-02オ
Application of ANN in Electric Eddy Sensor Nonlinear Compensation
ZHANG Yuanmin,WANG Hongling
(College of Electrical and Information Engineering,Xuchang University,Xuchang,461000,China)オ
Abstract:characteristic curve of the eddy current sensor is serious nonlinear.The nonlinear errors of the eddy current sensor must be compensated in order to ensure the instrument′s linearity.The RBF network is adopted and the result is compared with that from the fitting function method.The comparative result indicates that the compensation curve of adopting BRF network is more smoother,the forecast character is more higher and the sensor′s linearity is better.
Keywords:RBF neural network;electric eddy sensor;nonliner compensation;fitting function
電渦流傳感器具有靈敏度高、抗干擾能力強、非接觸等特點,在缺陷檢測、狀態(tài)檢測和位移量檢測中得到了廣泛應用。在位移量的檢測中,一般希望儀表的刻度方程是線性方程,以保證儀表在整個測量范圍內靈敏度相同。但傳感器輸出特性大都為非線性,并且常受各種環(huán)境參數影響,為保證測量儀表的輸出與輸入之間的線性關系,同時保證傳感器的測量值非常地接近真實值,則需要對傳感器進行非線性補償。
1 非線性特性及其補償
電渦流傳感利用被測量體和探頭之間的磁場能量耦合(電磁感應)實現對被測體的檢測。隨著檢測距離的增大,被測體與探頭間的互感減小,這種互感的變化是非線性的。他會引起探頭線圈電阻和感抗值隨檢測距離的非線性變化;同時,環(huán)境參數會使電子器件產生漂移,也會引起測量值與真實值之間的非線性。
改進后傳感器的補償原理如圖1所示。
圖1 改進后的電渦流傳感非線性補償原理
設傳感器輸入為x,t,輸出為u,u=f(x,t)為非線性關系。若在傳感器后串聯(lián)一補償環(huán)節(jié),使y=g(u)=Kx,就實現了傳感器的非線性補償。И
從上述的補償原理可看出,函數g為函數f的反函數的1/K,所以f決定著g。Ь前面分析可知,改進后傳感器的非線性因素有很多,程度也較復雜,不宜采用硬件補償法。
擬合函數補償法是對實際測量值采用函數擬合法(通常為最小二乘法)推算出傳感器輸入/輸出關系。然后,再對真實值進行選定函數的數值計算獲得測量結果。
但是利用最小二乘法需要以下2個假定:
(1) 所有輸入量的各個給定值均無誤差;
(2) 最好的擬合直線為能使各點同特性曲線偏差的平方和為最小。實際上在對傳感器進行標定時各輸入量是不可能沒有誤差的;另外,當傳感器的輸出特性曲線接近于直線時或能通過適當的變量代換,把變量之間的非線性關系化為線性關系時,通常總是利用直線擬合的辦法實現輸出輸入關系的線性化。這樣,同時也造成了計算結果的不準確。
神經網絡是一個具有高度非線性的超大規(guī)模連續(xù)時間動力系統(tǒng),其特征為連續(xù)時間非線性動力、網絡的全局作用、大規(guī)模并行分布處理及高度的魯棒性和學習聯(lián)想能力。實際上是一個超大規(guī)模非線性連續(xù)時間自適應信息處理系統(tǒng)。
用神經網絡進行非線性補償原理如下:上述假定傳感器模型為u=f(x,t),其中x為被測物理量,t=(t1,t2,…,tk)為k個環(huán)境參數,若對不同的t,u均為x的單值函數,則有x=f-1(u,t)。補償環(huán)節(jié)的輸出為y=g(u,t),令g(u,t)=f-1(u,t),可得y=g(u,t)=f-1(u,t)=x,則補償環(huán)節(jié)的輸出y與被測物理量x成線性關系,且與各環(huán)境因素參數t無關。因此只要使補償環(huán)節(jié)g(u,t)=f-1(u,t),即可實現傳感器的非線性補償。通常傳感器模型的反函數f-1(u,t)比較復雜,難以用數學公式來描述,但可通過實驗測得傳感器數據集{xi;ti;ui∈Rk+2;i=0,1,…,n},ti=(t1i,t2i,…,tki)T。以實驗數據集的ui和ti作為輸入樣本,對應的xi作為輸入樣本,對神經網絡進行訓練,使神經網絡調節(jié)各個權值以自動實現f-1(u,t)。б丫證明,前向神經網絡可以處理系統(tǒng)內在的難以解析的規(guī)律性,能夠逼近任意的非線性函數。
最小二乘法和神經網絡補償法均可用于傳感器的非線性補償,本文著重討論基于RBF(徑向基網絡)的非線性補償方法,并將補償結果與最小二乘法補償法得到的結果加以對比,以說明神經網絡補償法的優(yōu)越性。
2 BRF網絡非線性補償及其結果分析
采用RBF網絡的網絡結構(即圖1中的補償環(huán)節(jié))如圖2所示,網絡結構為1-14-1。根據上述的非線性補償原理,采用改進后電渦流傳感器等效感抗作為RBF網絡的輸入,傳感器測量的真實值作為網絡的輸出。
圖2 RBF網絡結構圖
利用輸入/輸出數據對BRF網絡進行訓練,設置訓練次數為3 000次,訓練誤差為0.000 1。在訓練結束后,利用訓練后的BRF網絡對傳感器進行非線索性補償。將訓練樣本作為測試樣本帶入網絡和擬合的函數,得出的結果如表1所示。
由表1可以看出,采用RBF網絡得到的測試值與真實值間的非線性均誤差遠小于采用最小二乘法進行補償[CM(22*2]得到的非線性誤差,即RBF網絡的補償精度要遠遠高于[CM)]最小二乘法的補償精度。另外,將此方法用于另外幾種型號的電渦流傳感器的非線性補償上得出的結果也證明神經網絡的補償精度遠遠高于最小二乘法,說明神經網絡補償法具有很強的泛化能力。
3 結 語
由于電渦流傳感器輸入/輸出特性具有非線性,為了保證測量儀表的輸入與輸出之間具有線性關系,就必須對電渦流傳感器進行非線性補償。本文主要采用BRF神經網絡對電渦流傳感器進行非線性補償,并與最小二乘法補償法進行了比較。對比結果說明,RBF網絡在很大程度上提高了電渦流傳感器的線性度,并且補償曲線更順滑,預測性更強,補償后的傳感器線性度更好。實例分析表明,神經網絡在非線性補償和提高準確度方面的優(yōu)點,是最小二乘法所無法比擬的。
參 考 文 獻
[1]董長虹.Matlab神經網絡與應用[M].北京:國防工業(yè)出版社,2005.
[2]劉剛.基于神經網絡的智能傳感器的數據處理[J].傳感器技術,2004,23(8):52-54.
[3]白宗文.分形插值法在傳感器數據處理中的應用[J].現代電子技術,2007,30(7):34-35.
[4]飛思科技.神經網絡理論與Matlab 7實現[M].北京:電子工業(yè)出版社,2005.
[5]薛亞琴.電渦流傳感器特性曲線擬合的新方法[J].傳感器技術,2003(22)7:42-44.
篇8
(四川信息職業(yè)技術學院,四川廣元628017)
摘要:考慮到傳統(tǒng)BP神經網絡在進行P2P流量識別時,具有系統(tǒng)識別速度慢、精度低,神經網絡自身容易陷入局部最小值等問題,使用遺傳算法對BP神經網絡進行優(yōu)化。遺傳算法具有較強的自適應性和魯棒性,因此使用遺傳算法對BP神經網絡的權值和閾值進行優(yōu)化處理,能夠有效提高神經網絡的性能。建立基于遺傳神經網絡的識別系統(tǒng),采集處理大量樣本數據,對識別系統(tǒng)進行訓練和測試。研究結果表明,基于遺傳神經網絡的P2P流量識別系統(tǒng)具有識別精度高、識別速度快等優(yōu)點,相比傳統(tǒng)BP神經網絡,其識別性能有明顯提高。
關鍵詞 :遺傳算法;P2P;流量識別;BP神經網絡
中圖分類號:TN711?34;TP393 文獻標識碼:A 文章編號:1004?373X(2015)17?0117?04
隨著計算機科學技術的不斷發(fā)展與進步,P2P技術已經廣泛應用于網絡視頻音頻多媒體播放、網絡文件共享以及數據傳輸等領域,P2P技術不斷吸引了越來越多的網絡用戶、網絡應用服務開發(fā)者以及提供商的目光,各種各樣的基于P2P技術的網絡應用和服務不斷涌現,為人們在網絡中提供了便利。然而,隨著人們享受著P2P技術帶來的各種便利的同時,P2P技術的各種負面效應也隨之而來。目前P2P應用存在對網絡流量消耗巨大,監(jiān)管難度大,以及易于網絡病毒傳播,為網絡帶來安全隱患等問題。因此,對P2P流量的精確識別和監(jiān)測成為了對P2P技術研究的重中之重[1?5]。
1 P2P 流量識別技術
1.1 典型P2P流量識別技術
典型的P2P流量識別技術主要有:基于端口的識別技術、基于深層數據包的識別技術以及基于流量變化特征的識別技術。
基于端口的識別技術是一種應用最早的識別技術,其主要根據早期P2P應用的固定端口進行識別,具有算法簡便,易于實現等優(yōu)點,但是對于現如今復雜的網絡環(huán)境,此種技術已經不再適用[6?7]。
基于深層數據包的識別技術往往因為存在識別滯后、隱私保護以及算法復雜等缺點而得不到廣泛普及應用。
基于流量變化特征的識別技術通過對P2P流量數據進行采集,通過處理數據得到數據流的統(tǒng)計特征,使用統(tǒng)計特征作為機器學習的訓練樣本,得到經過訓練的識別系統(tǒng)。此識別技術具有算法簡便、效率高等優(yōu)點[8?9]。
1.2 基于神經網絡的P2P流量識別技術
BP 神經網絡是一種有督導的智能機器學習算法,已經在機械、計算機、通信等領域得到了廣泛應用,其技術發(fā)展已經相對成熟。將BP神經網絡用于對P2P流量的識別是一種可行有效的識別技術和手段。
然而將BP神經網絡算法用于P2P流量識別雖然克服了傳統(tǒng)識別方法存在的諸多問題,但是由于算法自身特性也隨之帶來了新的問題。
BP神經網絡實際上是梯度下降算法的一種迭代學習方法。由于梯度下降算法要求具有較小的學習速度時才能進行穩(wěn)定的學習,因此其收斂速度較慢。并且,由于BP神經網絡在進行訓練時,會在某點沿著誤差斜面而漸進誤差極值,不同的起點會得到不同的誤差極值和不同的解。因此傳統(tǒng)BP神經網絡具有學習速度慢、抗干擾能力弱以及容易陷入局部最小值等缺點[10?11]。
2 BP 神經網絡和遺傳神經網絡
2.1 BP神經網絡
BP神經網絡結構如圖1所示。通常由輸入層、輸出層和隱含層組成。
4 結論
本文對P2P 流量識別技術進行了深入研究。P2P技術在網絡中已經得到了廣泛應用,其流量在網絡總流量中占有重要地位,因此對其流量進行實時監(jiān)測識別具有重要意義。本文對P2P流量識別技術進行了分析,對使用比較廣泛的BP神經網絡模型進行了深入研究,并針對其缺點,使用遺傳算法進行優(yōu)化,建立基于遺傳神經網絡的P2P流量識別模型。通過實驗采集大量網絡訓練樣本和測試樣本,對建立的識別系統(tǒng)進行測試。測試結果表明,基于遺傳算法的神經網絡的識別速度和識別精度要高于BP神經網絡,具有較高的工程應用價值。
參考文獻
[1] 譚紅春,楊松濤,闞紅星.校園網P2P 流量綜合檢測技術研究[J].長沙大學學報,2015(2):70?72.
[2] 劉興光.一種混合式BT流量實時檢測方法[J].網絡安全技術與應用,2014(3):53?55.
[3] 湯偉.基于數據流特征向量識別的P2P 僵尸網絡檢測方法研究[D].青島:中國海洋大學,2014.
[4] 席鵬.基于距離判決算法的P2P流量識別模型研究[D].昆明:云南大學,2013.
[5] 鄧力為.基于遺傳神經網絡的P2P流量檢測研究[D].成都:電子科技大學,2013.
[6] 張龍璨.基于粒子群優(yōu)化半監(jiān)督學習的網絡流量分類方法研究[D].武漢:華中科技大學,2013.
[7] 張瀚.基于DPI技術的P2P流量檢測系統(tǒng)設計[D].北京:北京郵電大學,2013.
[8] 馬容生.基于自適應神經網絡的P2P流量檢測研究[J].通信技術,2012(6):113?116.
[9] 張瀚,朱洪亮,辛陽.基于DPI 技術的P2P 流量檢測系統(tǒng)設計[J].信息網絡安全,2012(10):36?40.
[10] 張小敏.基于DPI的P2P流量識別方法研究[D].南京:南京郵電大學,2012.
[11] 周雪蓮.P2P流量應用層實時檢測技術研究[D].長春:吉林大學,2012.
[12] 賀毅朝,宋建民,張敬敏,等.利用遺傳算法求解靜態(tài)與動態(tài)背包問題的研究[J].計算機應用研究,2015(4):1011?1015.
[13] 王曉瑜,原思聰,李曼.基于自適應蟻群遺傳混合算法的PID參數優(yōu)化[J].計算機應用研究,2015(5):1376?1378.
[14] 劉奕君,趙強,郝文利.基于遺傳算法優(yōu)化BP 神經網絡的瓦斯?jié)舛阮A測研究[J].礦業(yè)安全與環(huán)保,2015,42(2):56?60.
[15] 吳連平,楊曉翔.基于神經網絡與遺傳算法的關節(jié)軸承擠壓模具優(yōu)化[J].中國機械工程,2015,26(10):1351?1355.
[16] 李麟青,楊哲,朱艷琴.一種混合式BitTorrent流量檢測方法[J].計算機應用,2011,31(12):3210?3214.
篇9
摘要:分析了模擬電路故障診斷的重要性和目前存在的困難,對基于小渡分析理論和神經網絡理論的模擬電路故障診斷方法進行了綜述.指出了小波神經網絡應用于模擬電路故障診斷存在的問題和未來的應用前景。
模擬電路故障診斷在理論上可概括為:在已知網絡拓撲結構、輸人激勵和故障響應或可能已知部分元件參數的情況下,求故障元件的參數和位置。
盡管目前模擬電路故障診斷理論和方法都取得了不少成就,提出了很多故障診斷方法,如故障字典法、故障參數識別法、故障驗證法等。但是由于模擬電路測試和診斷有其自身困難,進展比較緩慢。其主要困難有:模擬電路中的故障模型比較復雜,難以作簡單的量化;模擬電路中元件參數具有容差,增加了故障診斷的難度;在模擬電路中廣泛存在著非線性問題,為故障的定位診斷增加了難度;在一個實用的模擬電路中,幾乎無一例外地存在著反饋回路,仿真時需要大量的復雜計算;實際的模擬電路中可測電壓的節(jié)點數非常有限.導致可用于作故障診斷的信息量不夠充分,造成故障定位的不確定性和模糊性。
因此,以往對模擬電路故障診斷的研究主要停留在中小規(guī)模線性無容差或小容差的情況,有些方法也已成功地應用于工程實際。但如何有效地解決模擬電路的容差和非線性問題,如何解決故障診斷的模糊性和不確定性等是今后迫切需要解決的問題。小波神經網絡則因其利于模擬人類處理問題的過程、容易顧及人的經驗且具有一定的學習能力等特點,所以在這一領域得到了廣泛應用。
1小波分析理論在模擬電路故障診斷中的應用現狀分析
簡單地講,小波就是一個有始有終的小的“波浪”小波分析源于信號分析,源于函數的伸縮和平移,是fourier分析、gabor分析和短時fourier分析發(fā)展的直接結果。小波分析的基木原理是通過小波母函數在尺度上的伸縮和時域上的平移來分析信號,適當選擇母函數.可以使擴張函數具有較好的局部性,小波分析是對信號在低頻段進行有效的逐層分解,而小波包分析是對小波分析的一種改進,它為信號提供了一種更加精細的分析方法,對信號在全頻段進行逐層有效的分解,更有利于提取信號的特征。因此,它是一種時頻分析方法。在時頻域具有良好的局部化性能并具有多分辨分析的特性,非常適合非平穩(wěn)信號的奇異性分析。如:利用連續(xù)小波變換可以檢測信號的奇異性,區(qū)分信號突變和噪聲,利用離散小波變換可以檢測隨機信號頻率結構的突變。
小波變換故障診斷機理包括:利用觀測器信號的奇異性進行故障診斷以及利用觀測器信號頻率結構的變化進行故障診斷。小波變換具有不需要系統(tǒng)的數學模型、故障檢測靈敏準確、運算量小、對噪聲的抑制能力強和對輸入信號要求低的優(yōu)點。但在大尺度下由于濾波器的時域寬度較大,檢測時會產生時間延遲,且不同小波基的選取對診斷結果也有影響。在模擬電路故障診斷中,小波變換被有效地用來提取故障特征信息即小波預處理器之后,再將這些故障特征信息送人故障分類處理器進行故障診斷。小波分析理論的應用一般被限制在小規(guī)模的范圍內,其主要原因是大規(guī)模的應用對小波基的構造和存儲需要的花費較大。
2神經網絡理論在模擬電路故障診斷中的應用分析
人工神經網絡(ann)是在現代神經科學研究成果的基礎上提出來的,是一種抽象的數學模型,是對人腦功能的模擬。經過十幾年的發(fā)展,人工神經網絡已形成了數十種網絡,包括多層感知器kohomen自組織特征映射、hopfield網絡、自適應共振理論、art網絡、rbf網絡、概率神經網絡等。這些網絡由于結構不同,應用范圍也各不相同。由于人工神經網絡本身不僅具有非線性、自適應性、并行性、容錯性等優(yōu)點以及分辨故障原因、故障類型的能力外,而且訓練過的神經網絡能儲存有關過程的知識,能直接從定量的、歷史故障信息中學習。所以在20世紀80年代末期,它已開始應用于模擬電路故障診斷。隨著人工神經網絡的不斷成熟及大量應用,將神經網絡廣泛用于模擬電路的故障診斷已是發(fā)展趨勢。by神經網絡由于具有良好的模式分類能力,尤其適用于模擬電路故障診斷領域,因而在模擬電路故障診斷系統(tǒng)中具有廣泛的應用前景,也是目前模擬電路故障診斷中用得較多而且較為有效的一種神經網絡。
3小波神經網絡的應用進展分析
3,1小波分析理論與神經網絡理論結合的必要性
在神經網絡理論應用于模擬電路故障診斷的過程中,神經網路對于隱層神經元節(jié)點數的確定、各種參數的初始化和神經網絡結構的構造等缺乏更有效的理論性指導方法,而這些都將直接影響神經網絡的實際應用效果。小波分析在時域和頻域同時具有良好的局部化特性,而神經網絡則具有自學習、并行處理、自適應、容錯性和推廣能力二因此把小波分析和神經網絡兩者的優(yōu)點結合起來應用于故障診斷是客觀實際的需要。
目前小波分析與神經網絡的結合有兩種形式,一種是先利用小波變換對信號進行預處理,提取信號的特征向量作為神經網絡的輸人,另一種則是采用小波函數和尺度函數形成神經元,達到小波分析和神經網絡的直接融合第一種結合方式是小波神經網絡的松散型結合,第二種結合方式是小波神經網絡的緊致型結合。
3.2小波分析理論與神經網絡理論的結合形式
小波與神經網絡的松散型結合,即:用小波分析或小波包分析作為神經網絡的前置處理手段,為神經網絡提供輸人特征向魚具體來說就是利用小波分析或小波包分析,把信號分解到相互獨立的頻帶之內,各頻帶內的能童值形成一個向覺,該向童對不同的故障對應不同的值,從而可作為神經網絡的輸入特征向量一旦確定神經網絡的輸入特征向童,再根據經驗確定采用哪種神經網絡及隱層數和隱層單元數等,就可以利用試驗樣本對神經網絡進行訓練,調整權值,從而建立起所需的小波神經網絡模型。
小波與神經網絡的緊致型結合,即:用小波函數和尺度函數形成神經元,達到小波分析和神經網絡的直接融合,稱為狹義上的小波神經網絡,這也是常說的小波神經網絡。它是以小波函數或尺度函數作為激勵函數,其作用機理和采用sigmoid函數的多層感知器基本相同。故障診斷的實質是要實現癥狀空間到故障空間的映射,這種映射也可以用函數逼近來表示。小波神經網絡的形成也可以從函數逼近的角度加以說明。常見的小波神經網絡有:利用尺度函數作為神經網絡中神經元激勵函數的正交基小波網絡、自適應小波神經網絡、多分辨率小波網絡、區(qū)間小波網絡等。
3.3小波分析理論與神經網絡理論結合的優(yōu)點
小波神經網絡具有以下優(yōu)點:一是可以避免m ly等神經網絡結構設計的育目性;二是具有逼近能力強、網絡學習收斂速度快、參數的選取有理論指導、有效避免局部最小值問題等優(yōu)點。
在模擬電路故障診斷領域,小波神經網絡還是一個嶄新的、很有前途的應用研究方向。隨著小波分析理論和神經網絡理論的不斷發(fā)展,小波神經網絡應用于模擬電路故障診斷領域將日益成熟。
篇10
關鍵詞: 模糊神經網絡 多目標識別 動能攔截器
一、引言
在大氣層外攔截中,動能攔截彈從地面發(fā)射以后,經過初始制導和中制導過程將其攜帶的動能攔截器(Kinetic Kill Vehicle, KKV)送入預定攔截區(qū)域,在距離目標較近的范圍內測量其視線角信息,通過控制軌控發(fā)動機開關機,來調整KKV的飛行軌跡[1]。整個過程中,彈目視線角及其角速率是設計KKV制導導引律的關鍵參數。
在現代防御戰(zhàn)爭中,往往存在真假目標并存的情況。假目標可分為輕型假目標、重型假目標和集群假目標[2]。輕型假目標用于大氣層外,在進入大氣層后很快被燒毀,如氣球誘餌、金屬平板、角反射器等。重型假目標與真目標同速伴飛,具有與真目標相近的雷達信號反射特性和紅外輻射特性。集群假目標是指在彈頭上有偶極子、角反射體及殼體碎片等組成的假目標群,會造成雷達需同時處理上百個目標,可迷惑雷達或使其飽和[2]。假目標模擬真目標的物理特征信號,與真目標一起形成多目標,會吸引防御方的探測器,為真目標襲擊創(chuàng)造有利條件。對于多目標來說,攔截器完成真目標識別后要重新計算、預估遭遇點、瞄準目標機動飛行等操作,會導致脫靶概率的增加,更嚴重的情況是丟失目標。因此,若能在較短時間內準備地識別出真目標,將會大大提高KKV的目標攔截效率。本文利用模糊理論和神經網絡,運用模糊神經網絡來識別目標,在KKV飛行過程中不斷更新目標特征權值,能較快地完成真目標的識別。
二、模糊神經網絡設計
模糊神經網絡(Fuzzy Neural Network,FNN)將模糊系統(tǒng)和神經網絡相結合,能充分發(fā)揮神經網絡的并行處理、自適應學習和模糊推理對人的知識進行決策的功能[3]。FNN是由大量形式相同的模糊神經元相互連接起來構成的網絡系統(tǒng),其本質是將常規(guī)的神經網絡輸入模糊信號和模糊權值。
圖1 模糊神經網絡結構圖
一個完整的前向模糊神經網絡通常由輸入層、模糊化層、模糊推理層和去模糊化層構成,如圖1所示:第一層為輸入層,r是輸入變量數;第二層為模糊化層,該層實現輸入變量的模糊化,計算出變量相對于每個模糊子空間的隸屬度,隸屬函數采用高斯函數;第三層為模糊推理層,是網絡的核心,它完成模糊合成和模糊蘊含運算,實現模糊推理映射;第四層為去模糊化層,對模糊推理層輸出的結果進行去模糊化處理,表征形式為輸入信號的加權和。
三、KKV攔截目標過程
在末制導中,KKV攔截目標的全過程可分為以下三步:①目標進入可識別區(qū)域,開始檢測目標特征信息;②模糊神經網絡開始學習,不斷更新目標權值;③判斷是否為真目標,若是,不再檢測其它目標,讀取彈目視線角等參數,導引律開始起作用,控制KKV實施攔截;若不能確定是真目標,返回①,繼續(xù)檢測和識別。迭代終止條件為識別時間大于某個閾值。詳細流程如圖2所示。
圖2 FNN識別目標流程圖
四、仿真驗證
假設某空域中出現三個目標,其中只有一個為真目標,其余為假目標。目標初始位置為(30,0,0)、(30,30,0)、(0,30,0)(km),初始速度均為300m/s,真目標徑向角速率為0.1rad/s,假目標無機動。KKV初始速度為600m/s。FNN有四個輸入節(jié)點,兩個輸出節(jié)點,模糊層和推理層根據經驗選取5層,初始權值ω為0.2,學習步長為0.01s,假設所有初始值均無測量誤差。
圖3 識別出真目標前后的KKV加速度曲線
仿真開始,目標進入可識別區(qū)域,檢測目標特征,模糊神經網絡開始學習,不斷更新權值,FNN識別出真目標后,如圖3所示,制導位置發(fā)生突變,KKV軌控加速度也相應突變,隨之產生機動飛行,加速度迅速下降,KKV攔截新目標,脫靶量為1.1m。
經過多次仿真試驗,可以得出脫靶量與剩余時間的關系:導彈剩余時間越短,目標識別耗時長,造成KKV機動時間越短,脫靶量越大。因此,應盡量延長剩余時間,加快模糊神經網絡的學習效率,提高KKV的攔截效率。
五、結論
本文結合模糊理論與神經網絡知識,采用模糊神經網絡識別多目標,可有效提高KKV的攔截效率,減少脫靶概率的產生。但是,若目標特征模糊,或假目標有極大的迷惑性,造成FNN識別難度增大,識別時間過長,影響KKV成功攔截。因此,針對多目標迷惑性大的情況,需要繼續(xù)研究具有魯棒性的目標識別方法?!?/p>
參考文獻
[1] 王磊,大氣層外動能多攔截器目標攔截策略研究[J],導彈與航天運載技術,2011(05)