序論：寫(xiě)作是一種深度的自我表達(dá)。它要求我們深入探索自己的思想和情感，挖掘那些隱藏在內(nèi)心深處的真相，好投稿為您帶來(lái)了七篇神經(jīng)網(wǎng)絡(luò)基本原理范文，愿它們成為您寫(xiě)作過(guò)程中的靈感催化劑，助力您的創(chuàng)作。

篇(1)

關(guān)鍵詞：建筑電氣設(shè)備故障；模糊理論與神經(jīng)網(wǎng)絡(luò)；設(shè)備故障診斷專家系統(tǒng)

中圖分類(lèi)號(hào)：TP207 文獻(xiàn)標(biāo)識(shí)碼：A DOI：10.11974/nyyjs.20160132074

隨著當(dāng)今社會(huì)經(jīng)濟(jì)的不斷發(fā)展，人們對(duì)生活品質(zhì)的追求越來(lái)越高，電氣設(shè)備變得多樣化和先進(jìn)化，不同區(qū)域間聯(lián)系更加緊密，而在給人們的生活帶來(lái)便利的同時(shí)，簡(jiǎn)單的人工故障診斷方法已經(jīng)無(wú)法滿足結(jié)構(gòu)日益復(fù)雜、功能日益完善的電氣系統(tǒng)，建立電氣設(shè)備控制系統(tǒng)智能故障診斷專家系統(tǒng)已經(jīng)成為目前能滿足社會(huì)需求的選擇。近年來(lái)，模糊理論被廣泛的應(yīng)用于建立故障診斷神經(jīng)網(wǎng)絡(luò)，將模糊系統(tǒng)與神經(jīng)網(wǎng)絡(luò)技術(shù)結(jié)合而形成的故障診斷技術(shù)也正在發(fā)展和應(yīng)用。

1 建筑電氣設(shè)備常見(jiàn)故障類(lèi)型及危害

1.1 電氣設(shè)備常見(jiàn)故障類(lèi)型

1.1.1 電源故障

1.1.2 線路故障

1.1.3 元器件故障

1.1.4 防雷接地處理故障

1.2 電氣設(shè)備故障危害

電氣設(shè)備的運(yùn)行需要很多電器元件的相互配合，產(chǎn)生故障通常是因?yàn)殡娔芑蚩刂菩畔⒃趥鬟f、分配、轉(zhuǎn)換過(guò)程中失去控制。斷路、短路、異常接地、漏電、電氣設(shè)備或電器元件損壞、電子設(shè)備受電磁干擾而發(fā)生錯(cuò)誤動(dòng)作、控制系統(tǒng)元件的偶然失效都屬于電氣設(shè)備故障[1]，而這些故障也很有可能造成大范圍的人員傷亡以及造成嚴(yán)重的財(cái)產(chǎn)損失，一旦發(fā)生，也會(huì)造成其他相關(guān)領(lǐng)域不同程度的癱瘓。由此可見(jiàn)，電氣設(shè)備出現(xiàn)故障的概率較高，危害范圍也比較大。

2 神經(jīng)網(wǎng)絡(luò)與模糊理論

神經(jīng)網(wǎng)絡(luò)是一種模仿動(dòng)物神經(jīng)網(wǎng)絡(luò)行為的特征，進(jìn)行分布式并行信息處理的算法數(shù)學(xué)模型[2]。這個(gè)模型可以根據(jù)不同系統(tǒng)自己的特征來(lái)選擇處理不同信息的方式，在很多不同領(lǐng)域都有比較廣泛的應(yīng)用，當(dāng)然，它本身也有一些缺陷，比如它不能求解不確定性問(wèn)題、不能處理符號(hào)性信息等，因此，它需要結(jié)合其它相關(guān)理論和方法來(lái)彌補(bǔ)自身的不足，以便更好地解決特定領(lǐng)域中的問(wèn)題。

模糊理論是指用到了模糊集合的基本概念或連續(xù)隸屬度函數(shù)的理論[3]。模糊控制是一種基于規(guī)則的控制，它可以直接采用語(yǔ)言型控制規(guī)則，在設(shè)計(jì)過(guò)程中不需要建立被控對(duì)象的精確數(shù)學(xué)模型，控制原理和策略通俗易懂，便于人們接受與理解，控制效果好，具有一定的智能水平，應(yīng)用起來(lái)很方便，適用于對(duì)那些數(shù)學(xué)模型難以獲取、動(dòng)態(tài)特性不易掌握或變化非常顯著的對(duì)象。模糊控制器是一種比較容易控制、掌握起來(lái)比較理想的非線性控制器，具有一定的適應(yīng)能力和強(qiáng)健性。

將模糊系統(tǒng)與神經(jīng)網(wǎng)絡(luò)技術(shù)相結(jié)合而形成的模糊神經(jīng)網(wǎng)絡(luò)可以作為對(duì)電氣設(shè)備進(jìn)行故障診斷的模型，這一技術(shù)的提出為電氣設(shè)備故障的診斷帶來(lái)發(fā)展和進(jìn)步，模糊理論被廣泛的應(yīng)用于建立故障診斷神經(jīng)網(wǎng)絡(luò)，這2種理論的結(jié)合將會(huì)給故障診斷研究提供解決思路，值得推廣應(yīng)用[4]。

3 建立電氣設(shè)備故障診斷系統(tǒng)

由于電氣設(shè)備故障機(jī)理的復(fù)雜性，系統(tǒng)在實(shí)際運(yùn)用過(guò)程中，可能會(huì)發(fā)生隨機(jī)故障模式，故障征兆信息的正確與否直接關(guān)系到故障診斷的正確性，因此利用現(xiàn)有的電氣設(shè)備系統(tǒng)控制平臺(tái)，對(duì)電氣設(shè)備控制系統(tǒng)的信號(hào)進(jìn)行實(shí)時(shí)采集和及時(shí)與PC 機(jī)進(jìn)行通信，建立電氣設(shè)備控制系統(tǒng)故障診斷系統(tǒng)便顯得特別重要。

3.1 BP神經(jīng)網(wǎng)絡(luò)模型

BP（Back Propagation）模型是一種最常用的人工神經(jīng)網(wǎng)絡(luò)模型，它的基本原理為利用誤差反向傳播算法，從而得到多層前向神經(jīng)網(wǎng)絡(luò)模型。在故障診斷方面使用BP模型在一定條件下能夠加強(qiáng)工作效率，使得故障診斷問(wèn)題變得更加直觀。利用模糊理論與神經(jīng)網(wǎng)絡(luò)相結(jié)合的模糊神經(jīng)網(wǎng)絡(luò)解決建筑電氣設(shè)備故障的診斷，是一種智能化控制的手段，也將逐漸發(fā)展成為未來(lái)的趨勢(shì)[5]。其模型原理圖如圖1。

要建立模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)，要根據(jù)相關(guān)理論或?qū)嶋H工作中的經(jīng)驗(yàn)，將故障現(xiàn)象和故障原因相對(duì)應(yīng)，作為系統(tǒng)的學(xué)習(xí)樣本。按照輸入與輸出相對(duì)應(yīng)的關(guān)系輸入學(xué)習(xí)樣本，系統(tǒng)經(jīng)過(guò)內(nèi)部的算法不斷提高精度，當(dāng)精度達(dá)到設(shè)定的要求時(shí)，模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)的學(xué)習(xí)過(guò)程結(jié)束。此時(shí)，將測(cè)試樣本的輸入數(shù)據(jù)放入系統(tǒng)輸入端，如果輸出數(shù)據(jù)與測(cè)試樣本基本相同，那么模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)建立成功。

在模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)的實(shí)際使用時(shí)，必然會(huì)遇到輸入數(shù)據(jù)與樣本不同的狀況。根據(jù)內(nèi)部算法，系統(tǒng)將會(huì)找到與學(xué)習(xí)樣本最相似的一組數(shù)據(jù)作為參考，自主得到輸出數(shù)據(jù)。與此同時(shí)，如果系統(tǒng)自主算出的結(jié)果得到采納，那么這組數(shù)據(jù)將會(huì)做為新的樣本存入數(shù)據(jù)庫(kù)，成為參考數(shù)據(jù)。

3.2 BP學(xué)習(xí)算法

目前，BP算法是應(yīng)用很廣泛、完善性比較高的神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法，方便、容易實(shí)現(xiàn)、計(jì)算量小、并行性強(qiáng)是這個(gè)方法領(lǐng)先其他算法的優(yōu)勢(shì)。BP算法的基本原理[6]為先求解誤差函數(shù)的最小值，根據(jù)梯度下降法，按誤差對(duì)權(quán)值做負(fù)反饋。

BP算法需要依次根據(jù)輸入對(duì)輸出進(jìn)行矯正，也就是對(duì)每組數(shù)據(jù)都要計(jì)算比對(duì)。然而，全局誤差的梯度下降算法，要求連接權(quán)和閾值的矯正是在批量進(jìn)行學(xué)習(xí)樣本的輸入之后再進(jìn)行的，所以要修改各個(gè)連接權(quán)值。利用梯度下降法來(lái)修改各個(gè)連接權(quán)值，以便達(dá)到近似全局誤差的算法效果。全局誤差梯度下降算法流程如圖2所示。

4 結(jié) 語(yǔ)

電氣設(shè)備的故障診斷已經(jīng)成為值得重視的問(wèn)題，為保證運(yùn)行系統(tǒng)能夠正常運(yùn)行，因此需要建立起更加科學(xué)完善的電氣設(shè)備管理系統(tǒng)，逐漸減少電氣設(shè)備運(yùn)行出現(xiàn)故障的可能性，保障電力系統(tǒng)的穩(wěn)定能力，本文簡(jiǎn)單介紹將模糊理論與神經(jīng)網(wǎng)絡(luò)結(jié)合，更好的解決電氣設(shè)備故障問(wèn)題，結(jié)合傳感器檢測(cè)技術(shù)、自動(dòng)控制技術(shù)、通信與網(wǎng)絡(luò)技術(shù)等方法，建立電氣設(shè)備控制故障診斷系統(tǒng)，希望可以早日應(yīng)用到生活中的建筑電氣設(shè)備故障診斷中去。

參考文獻(xiàn)

[1]電氣設(shè)備及控制電路常見(jiàn)故障分析[EB]. 電工學(xué)習(xí)網(wǎng).

[2]田景文.人工神經(jīng)網(wǎng)絡(luò)算法研究與應(yīng)用[M]. 北京理工大學(xué)出版社，2006.

[3]諸靜.模糊控制原理與應(yīng)用[M].機(jī)械工業(yè)出版社，1995.

[4]龍祥，錢(qián)志博.模糊理論在設(shè)備故障診斷神經(jīng)網(wǎng)絡(luò)中的典型應(yīng)用[J].廣東工業(yè)大學(xué)學(xué)報(bào)，2006.

[5]陳流豪.神經(jīng)網(wǎng)絡(luò)BP算法研究綜述[J].電腦知識(shí)與技術(shù)，2010.

篇(2)

【關(guān)鍵詞】GPS；高程異常；BP神經(jīng)網(wǎng)絡(luò)；擬合模型

Research on the Models of GPS Height Fitting Based on BP Neural Network

Li Yongquan

【Abstract】International and domestic multifarious control nets in use of GPS’s positioning techniques are only to solve the horizontal coordinates, but the height still follow to use the geometric leveling.Therefore, The basic theory of neural network and algorithm of BP are described, Discuss the problem of GPS height fitting based on BP neural network by trials. BP neural network is a kind of nonlinear mapping for its inputs and outputs，BP neural network is a high precise method for translating height.

【Key words】GPS；height anomaly；back propagation neural networks； fitting models

1. 引言

GPS平面定位的精度目前已經(jīng)可以達(dá)到毫米級(jí)，但相對(duì)于平面定位精度，GPS在高程方面的定位精度較低。 神經(jīng)網(wǎng)絡(luò)是一種高度自適應(yīng)的非線性動(dòng)力系統(tǒng)，神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)理論本質(zhì)上是非線性數(shù)學(xué)理論，通過(guò)BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)可以得到輸入和輸出之間的高度非線性映射，因此，使用神經(jīng)網(wǎng)絡(luò)可以建立起輸入和輸出之間的非線性關(guān)系。BP神經(jīng)網(wǎng)絡(luò)本身也是一種高精度的高程轉(zhuǎn)換方法。

2. 神經(jīng)網(wǎng)絡(luò)的模型及BP算法

2.1 神經(jīng)網(wǎng)絡(luò)的模型

（1）生物神經(jīng)元模型。神經(jīng)元模型是基于生物神經(jīng)元的特點(diǎn)提出的，人腦由大量的生物神經(jīng)元組成，神經(jīng)元之間互相有連接，從而構(gòu)成一個(gè)龐大而復(fù)雜的神經(jīng)元網(wǎng)絡(luò)。神經(jīng)元是大腦處理信息的基本單元，結(jié)構(gòu)如圖1。神經(jīng)元由細(xì)胞體、樹(shù)突和軸突三部分組成，其中突觸是神經(jīng)元之間的連接。細(xì)胞體是由很多分子形成的綜合體，內(nèi)部含有細(xì)胞核、細(xì)胞質(zhì)和細(xì)胞膜。細(xì)胞體的作用是接受和處理信息。樹(shù)突是細(xì)胞體向外延伸的纖維體，是接受從其他神經(jīng)元傳入信息的入口。軸突是神經(jīng)元的信息通道，是細(xì)胞體向外延伸最長(zhǎng)、最粗的樹(shù)枝纖維體，也叫神經(jīng)纖維。（2）神經(jīng)元模型。神經(jīng)元一般表現(xiàn)為一個(gè)多輸入（多個(gè)樹(shù)突和細(xì)胞體與其他多個(gè)神經(jīng)元軸突末梢突觸連接）、單輸出（每個(gè)神經(jīng)元只有一個(gè)軸突作為輸出通道）的非線性器件，通用的結(jié)構(gòu)模型如圖2所示。

(3）神經(jīng)網(wǎng)絡(luò)模型。神經(jīng)網(wǎng)絡(luò)的神經(jīng)元之間的互連模式有前向網(wǎng)絡(luò)、有反饋的前向網(wǎng)絡(luò)、層內(nèi)有相互結(jié)合的前向網(wǎng)絡(luò)和相互結(jié)合型網(wǎng)絡(luò)四種。

前向網(wǎng)絡(luò)神經(jīng)元分層排列，組成輸入層、中間層（隱含層）和輸出層。每一層的神經(jīng)元只接受來(lái)自前一層神經(jīng)元的輸入，后面的層對(duì)前面的層沒(méi)有信號(hào)反饋。輸入模式經(jīng)過(guò)各層次的順序傳播，最后在輸出層上得到輸出。目前對(duì)前向網(wǎng)絡(luò)得出的一致的結(jié)論是：甚至是單中間層網(wǎng)絡(luò)，只要隱節(jié)點(diǎn)數(shù)目足夠多，前向網(wǎng)絡(luò)就可以通過(guò)訓(xùn)練學(xué)習(xí)樣本，以任意精度逼近(或表達(dá))期望目標(biāo)。

2.2 神經(jīng)網(wǎng)絡(luò)BP算法

(1）BP（Back Propagation）網(wǎng)絡(luò)模型結(jié)構(gòu)。BP網(wǎng)絡(luò)的結(jié)構(gòu)如圖4所示，BP網(wǎng)絡(luò)具有三層或三層以上神經(jīng)元的神經(jīng)網(wǎng)絡(luò)，包括輸入層、中間層（隱層）和輸出層。上下層之間實(shí)現(xiàn)全連接，而每層神經(jīng)元之間沒(méi)有連接。當(dāng)一對(duì)學(xué)習(xí)樣本提供給網(wǎng)絡(luò)后，神經(jīng)元的激活值從輸入層經(jīng)各中間層向輸出層傳播，在輸出層的各神經(jīng)元獲得網(wǎng)絡(luò)的輸入響應(yīng)。接下來(lái)，按照減少目標(biāo)輸出和實(shí)際輸出之間的方向，從輸出層反向經(jīng)過(guò)各中間層回到輸入層，從而逐層修正各連接權(quán)值，這種算法稱為“誤差反向傳播算法”，即BP算法。

（2）BP算法的數(shù)學(xué)描述。BP算法基本原理是利用輸出后的誤差來(lái)估計(jì)輸出層的直接前導(dǎo)層的誤差，再用這個(gè)誤差估計(jì)更前一層的誤差，如此一層一層的反傳下去，就獲得了所有其他各層的誤差估計(jì)。

BP網(wǎng)絡(luò)學(xué)習(xí)規(guī)則的指導(dǎo)思想是：對(duì)網(wǎng)絡(luò)權(quán)值和閾值的修正要沿著表現(xiàn)函數(shù)下降最快的方向――負(fù)梯度方向。

xk+1=xk-akgk(1)

其中xk是當(dāng)前的權(quán)值和閾值矩陣，gk是當(dāng)前表現(xiàn)函數(shù)的梯度，ak是學(xué)習(xí)速率。

三層BP網(wǎng)絡(luò)，輸入節(jié)點(diǎn)xi，中間層節(jié)點(diǎn)yi，輸出節(jié)點(diǎn)zl。輸入節(jié)點(diǎn)與中間層節(jié)點(diǎn)間的網(wǎng)絡(luò)權(quán)值為wji，中間層節(jié)點(diǎn)與輸出節(jié)點(diǎn)間的網(wǎng)絡(luò)權(quán)值為vlj。當(dāng)輸出節(jié)點(diǎn)的期望值為tl時(shí)，模型計(jì)算公式如下。

中間層節(jié)點(diǎn)的輸出：

yi=f(∑iwjixi-θj)=f(netj)(2)

輸出節(jié)點(diǎn)的計(jì)算輸出：

zl=f(∑jvljyj-θl)=f(netl)(3)

3. BP神經(jīng)網(wǎng)絡(luò)用于GPS高程擬合

3.1 山區(qū)高程異常擬合實(shí)例:以本溪GPS和水準(zhǔn)資料作為樣本來(lái)源，進(jìn)行BP高程異常擬合。

通過(guò)山區(qū)高程異常擬合實(shí)例，對(duì)數(shù)據(jù)分析可以得到如下結(jié)論，學(xué)習(xí)樣本數(shù)與測(cè)試樣本數(shù)之比在1/4之間時(shí)網(wǎng)絡(luò)穩(wěn)定性較好。高程擬合的精度與學(xué)習(xí)樣本數(shù)量有關(guān)，學(xué)習(xí)樣本數(shù)越多，擬合精度就越高。

3.2 平原地區(qū)高程異常擬合實(shí)例:以某市D級(jí)GPS部分?jǐn)?shù)據(jù)進(jìn)行實(shí)驗(yàn)研究

通過(guò)平原地區(qū)高程異常擬合實(shí)例，對(duì)數(shù)據(jù)分析可以得到如下結(jié)論，學(xué)習(xí)樣本數(shù)與測(cè)試樣本數(shù)之比在 1/3 之間時(shí)網(wǎng)絡(luò)穩(wěn)定性較好。學(xué)習(xí)樣本數(shù)對(duì)測(cè)試對(duì)象的精度也有著重要的影響，一般隨著學(xué)習(xí)樣本數(shù)的增多，中誤差會(huì)有所改善。這主要是更多的學(xué)習(xí)樣本就更能表述出所研究問(wèn)題的一些基本特征，進(jìn)而仿真的效果就能更好。

4. 結(jié)束語(yǔ)

重點(diǎn)研究基于BP神經(jīng)網(wǎng)絡(luò)的GPS高程異常擬合算法，詳細(xì)介紹了人工神經(jīng)網(wǎng)絡(luò)基本理論，重點(diǎn)討論了基于BP神經(jīng)網(wǎng)絡(luò)的GPS高程擬合，包括BP神經(jīng)網(wǎng)絡(luò)的基本原理、主要特點(diǎn)。分析了神經(jīng)網(wǎng)絡(luò)的BP算法，包括其數(shù)學(xué)模型、網(wǎng)絡(luò)結(jié)構(gòu)。構(gòu)造了基于BP神經(jīng)網(wǎng)絡(luò)的GPS高程擬合模型，結(jié)合具體工程數(shù)據(jù)進(jìn)行了神經(jīng)網(wǎng)絡(luò)性能分析。

參考文獻(xiàn)

[1] 國(guó)家測(cè)繪局測(cè)繪發(fā)展研究中心.測(cè)繪發(fā)展研究動(dòng)態(tài)[R].北京：國(guó)家測(cè)繪局，2008，8：1-7

[2] 李征航、黃勁松.GPS測(cè)量與數(shù)據(jù)處理[M].武漢：武漢大學(xué)出版社，2005，277-278

[3] 曹先革.基于人工神經(jīng)網(wǎng)絡(luò)的GPS高程異常擬合方法研究[D]，北京：中國(guó)地質(zhì)大學(xué)，2008

[4] 徐紹銓．GPS高程擬合系統(tǒng)的研究[J]，武漢：武漢測(cè)繪科技大學(xué)學(xué)報(bào)，1999，24(4),11-15

[5] 閻平凡.人工神經(jīng)網(wǎng)絡(luò)與模擬進(jìn)化計(jì)算[M]，北京:清華大學(xué)出版社，2000，5-6

[6] 徐麗娜.神經(jīng)網(wǎng)絡(luò)控制[M].哈爾濱：哈爾濱工業(yè)大學(xué)出版社，1999，1-40

篇(3)

關(guān)鍵詞:公路工程 造價(jià)估算 模糊數(shù)學(xué) 神經(jīng)網(wǎng)絡(luò) 模糊神經(jīng)網(wǎng)絡(luò)

中圖分類(lèi)號(hào):F540.34 文獻(xiàn)標(biāo)識(shí)碼:A 文章編號(hào):1672-3791(2012)04(c)-0053-01

1 公路工程造價(jià)估算概述

1.1 公路工程造價(jià)估算的重要性

公路工程造價(jià)估算作為公路工程管理的重要組成部分其重要性主要體現(xiàn)在如下幾個(gè)方面。

第一,公路工程造價(jià)的估算是實(shí)現(xiàn)工程成本控制的基礎(chǔ)。其中工程施工前期造價(jià)估算、施工前的編制預(yù)算以及施工圖設(shè)計(jì)階段的編制預(yù)算等環(huán)節(jié)作為工程造價(jià)估算的核心,同樣是公路工程施工成本控制的起點(diǎn),因此,實(shí)現(xiàn)公路工程造價(jià)的合理估算是實(shí)現(xiàn)工程成本控制的重要前提條件。第二,公路工程造價(jià)的估算可以為施工企業(yè)成本控制計(jì)劃方案的制定提供重要的參考依據(jù)。施工企業(yè)通過(guò)工程造價(jià)的估算可以尋找到降低工程成本的有效途徑,從而為工程施工過(guò)程中施工成本的控制提供正確的方向。第三,公路工程造價(jià)的估算可以幫助施工企業(yè)在進(jìn)行設(shè)計(jì)招標(biāo)前可以確定工程的大致造價(jià)。這樣一來(lái),施工企業(yè)在招標(biāo)的過(guò)程中就可以有效避免中間商的欺詐以及保標(biāo)等惡意行為的發(fā)生。

1.2 傳統(tǒng)公路工程造價(jià)估算中存在的問(wèn)題

盡管工程造價(jià)估算在公路工程建設(shè)中越來(lái)越受到人們的重視,但是由于受各方面因素的影響,在傳統(tǒng)公路工程造價(jià)估算中還存在一系列的問(wèn)題,其中我國(guó)傳統(tǒng)公路造價(jià)估算中主要存在如下幾個(gè)方面的問(wèn)題:一是相關(guān)規(guī)章制度的限制,造價(jià)估算結(jié)果往往與投標(biāo)報(bào)價(jià)相差懸殊;二是預(yù)算結(jié)果與概算結(jié)果差距較大,不利于工程實(shí)際造價(jià)的控制和確定;三是缺少對(duì)工程造價(jià)估算的有效監(jiān)督機(jī)制,從而使最終的造價(jià)結(jié)果變的十分不確定;四是由于各參與方利益的問(wèn)題,在進(jìn)行工程造價(jià)估算時(shí)很難早到平衡點(diǎn),以至于造價(jià)估算精度不能得到有效的保證。

2 認(rèn)識(shí)模糊神經(jīng)網(wǎng)絡(luò)

2.1 模糊數(shù)學(xué)概述

(1)模糊數(shù)學(xué)的概念,我們通常說(shuō)的模糊就是指一些模棱兩可的、即可能又不可能、即是又不是的概念。而模糊數(shù)學(xué)就是要用數(shù)學(xué)的方法來(lái)表示那些模糊概念發(fā)生的可能性的大小,換句話講就是明確那些模糊概念所處的狀態(tài),從而利用數(shù)學(xué)的思想來(lái)解決那些模棱兩可的、不確定的實(shí)際問(wèn)題。(2)模糊數(shù)學(xué)的數(shù)學(xué)描述,一般模糊數(shù)學(xué)的數(shù)學(xué)描述,多采用的是類(lèi)似與集合的數(shù)學(xué)表示方法。與集合的區(qū)別就在于模糊數(shù)學(xué)在表示集合元素時(shí)需要附帶一個(gè)稱為隸屬函數(shù)值的參數(shù),其中該參數(shù)的值是隸屬函數(shù)與元素的值進(jìn)行運(yùn)算的結(jié)果。

2.2 神經(jīng)網(wǎng)絡(luò)概述

(1)神經(jīng)網(wǎng)絡(luò)的概念,所謂的神經(jīng)網(wǎng)絡(luò)是一個(gè)借鑒物理和生物技術(shù)來(lái)實(shí)現(xiàn)的用來(lái)模仿人類(lèi)大腦神經(jīng)細(xì)胞結(jié)構(gòu)和功能的系統(tǒng),與人類(lèi)的大腦結(jié)構(gòu)相似,它也由大量的模擬神經(jīng)元所組成的,而且這些神經(jīng)元之間相互連接,并行工作,作為一個(gè)系統(tǒng)協(xié)同完成一系列復(fù)雜的信息處理活動(dòng)。(2)神經(jīng)網(wǎng)絡(luò)的基本原理,神經(jīng)網(wǎng)絡(luò)在結(jié)構(gòu)和功能上都是模擬人腦的神經(jīng)系統(tǒng)來(lái)進(jìn)行設(shè)計(jì)和實(shí)現(xiàn)的,它同時(shí)作為模擬生物神經(jīng)元的一種計(jì)算方法,其基本原理是這樣的,與生物神經(jīng)元的基本原理相似,用那些具有突的網(wǎng)絡(luò)結(jié)點(diǎn)來(lái)接受信息,并不斷的將接受到的信息累加起來(lái),這些信息有些是抑制神經(jīng)元,有些則是激發(fā)神經(jīng)元,對(duì)于那些激發(fā)神經(jīng)元,一旦積累到一定的閾值后,相應(yīng)的神經(jīng)元便會(huì)被激活,被激活的神經(jīng)元就會(huì)沿其稱為軸突的部件向其它神經(jīng)元傳遞信息,并完成信息的處理。

2.3 模糊神經(jīng)網(wǎng)絡(luò)概述

模糊神經(jīng)網(wǎng)絡(luò)是模糊數(shù)學(xué)和神經(jīng)網(wǎng)絡(luò)有效結(jié)合的應(yīng)用研究成果。其中在模糊神經(jīng)網(wǎng)絡(luò)中模糊數(shù)學(xué)的應(yīng)用體現(xiàn)在它可以根據(jù)那些假定的隸屬函數(shù)以及相應(yīng)的規(guī)律,用邏輯推理的方法去處理各種模糊的信息。

3 模糊神經(jīng)網(wǎng)絡(luò)在公路工程造價(jià)估算中的應(yīng)用

3.1 基于模糊神經(jīng)網(wǎng)絡(luò)的公路工程造價(jià)估算方法的實(shí)現(xiàn)

基于模糊神經(jīng)網(wǎng)絡(luò)的公路工程造價(jià)估算方法的實(shí)現(xiàn)過(guò)程如下。

第一,構(gòu)建已施工公路工程的造價(jià)信息庫(kù),其中包括應(yīng)經(jīng)施工的公路工程的各種特征因素以及工程造價(jià)等其他各方面的材料。

第二,結(jié)合擬建工程的施工需求來(lái)確定其包括評(píng)價(jià)指標(biāo)等在內(nèi)的各種特征因素的數(shù)據(jù)取值。

第三,按照模糊數(shù)學(xué)的思想法在已施工公路工程的造價(jià)信息庫(kù)中選取若干個(gè)(至少三個(gè))與擬建工程最相似的已施工的工程,將其作為神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)和訓(xùn)練的基礎(chǔ)數(shù)據(jù)。其中,將信息庫(kù)中公路工程的各種特征因素值的隸屬度作為神經(jīng)網(wǎng)絡(luò)的輸入向量,信息庫(kù)中公路工程的造價(jià)值作為神經(jīng)網(wǎng)絡(luò)的輸出向量。

第四,將擬建公路工程的各種特征因素值的隸屬度作為神經(jīng)網(wǎng)絡(luò)的輸入向量,通過(guò)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)后所得到的輸出向量即為擬建公路工程的造價(jià)估算值。

第五,建立公路施工工程造價(jià)信息數(shù)據(jù),編制神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的算法通用程序。將學(xué)習(xí)訓(xùn)練的基礎(chǔ)數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò),然后合理設(shè)計(jì)學(xué)習(xí)率,經(jīng)過(guò)一定次數(shù)的迭代運(yùn)算,有效提高公路工程造價(jià)估算結(jié)果的精度。

3.2 基于模糊神經(jīng)網(wǎng)絡(luò)的公路工程造價(jià)估算方法的優(yōu)點(diǎn)

該方法的優(yōu)點(diǎn)可以概括為如下幾點(diǎn)。

第一,模糊神經(jīng)網(wǎng)絡(luò)中所采用的模糊數(shù)學(xué)可以對(duì)公路工程造價(jià)估算中的模糊信息進(jìn)行有效的處理,通過(guò)對(duì)已竣工的公路工程和計(jì)劃施工的公路工程的相似度進(jìn)行定量化描述,從而使模糊的公路工程造價(jià)問(wèn)題得以模型化。

第二,基于模糊神經(jīng)網(wǎng)絡(luò)的公路工程造價(jià)估算方法的估算結(jié)果科學(xué)合理,因?yàn)樵摲椒ú捎玫氖腔跀?shù)學(xué)模型的數(shù)學(xué)計(jì)算分析,所以其結(jié)果受人為因素的影響較小。

第三,模糊神經(jīng)網(wǎng)絡(luò)中所采用的神經(jīng)網(wǎng)絡(luò)模型對(duì)公路工程造價(jià)的估算具有很好的適應(yīng)性,與傳統(tǒng)的造價(jià)估算方法相比,該方法能更好的適應(yīng)公路工程造價(jià)的動(dòng)態(tài)變化。

第四,基于模糊神經(jīng)網(wǎng)絡(luò)的公路工程造價(jià)估算方法是借助計(jì)算機(jī)來(lái)完成的,所以還具有運(yùn)算速度快和運(yùn)算精度高的優(yōu)點(diǎn)。

4 結(jié)語(yǔ)

由于影響公路工程造價(jià)的因素比較多,而且各因素的構(gòu)成比較復(fù)雜,計(jì)算相對(duì)繁瑣,所以公路工程的造價(jià)估算具有很大的模糊性。對(duì)于使用傳統(tǒng)的工程造價(jià)估算方法而言,公路工程造價(jià)的估算將是一項(xiàng)非常復(fù)雜的工作。然而結(jié)合模糊數(shù)學(xué)和神經(jīng)網(wǎng)絡(luò)的理論思想,利用工程之間所存在的相似性,使用基于模糊神經(jīng)網(wǎng)絡(luò)的公路工程造價(jià)估算方法可以迅速的得出精確的工程造價(jià)估算結(jié)果。

篇(4)

1.1人工神經(jīng)網(wǎng)絡(luò)基本原理

人工神經(jīng)網(wǎng)絡(luò)是一個(gè)并行的分布式數(shù)據(jù)處理與決策系統(tǒng)，將人工神經(jīng)網(wǎng)絡(luò)理論應(yīng)用到故障診斷當(dāng)中，不僅能夠提高診斷的數(shù)據(jù)處理速度和診斷精度，而且還能夠按照人們的設(shè)定對(duì)特定工作環(huán)境進(jìn)行學(xué)習(xí)，具有良好的環(huán)境適應(yīng)能力。人工神經(jīng)網(wǎng)絡(luò)的模型時(shí)模擬人類(lèi)的大腦結(jié)構(gòu)和工作原理進(jìn)行信息處理的，其基本單元是神經(jīng)元其中，wi表示每個(gè)輸入xi所占的權(quán)重，當(dāng)wi為正數(shù)時(shí)表示該輸入xi對(duì)神經(jīng)元產(chǎn)生激勵(lì)，為負(fù)數(shù)時(shí)代表該輸入對(duì)神經(jīng)元產(chǎn)生抑制。其中f(x)是一個(gè)非線性函數(shù)，可以是閾值函數(shù)或者Sigmoid函數(shù)中的一種，標(biāo)準(zhǔn)的BP神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層和輸出層三層神經(jīng)元結(jié)構(gòu)構(gòu)成，其結(jié)構(gòu)如圖3所示。BP神經(jīng)網(wǎng)絡(luò)通過(guò)輸出層神經(jīng)元的逐層向前傳播，以將輸出誤差“分?jǐn)?rdquo;隱含層和輸入層的每個(gè)神經(jīng)元，進(jìn)而得到各個(gè)層單元的參考誤差和相應(yīng)的權(quán)值，最終使誤差加權(quán)值能夠滿足系統(tǒng)的誤差要求。

1.2決策樹(shù)

決策樹(shù)是從一些雜亂無(wú)章的數(shù)據(jù)中通過(guò)層層歸納總結(jié)，得到最終決策結(jié)果的過(guò)程，它的結(jié)構(gòu)是自上而下的，在每一個(gè)節(jié)點(diǎn)處都要進(jìn)行屬性判斷，每一個(gè)分支表示數(shù)據(jù)流的通路，每個(gè)分支的終點(diǎn)表示決策的一類(lèi)屬性。決策樹(shù)的基本結(jié)構(gòu)如圖4所示。

2故障診斷系統(tǒng)設(shè)計(jì)

故障診斷系統(tǒng)將人工神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用到專家系統(tǒng)，使系統(tǒng)具有了良好的學(xué)習(xí)功能，能夠很好的適應(yīng)礦井下復(fù)雜的工作環(huán)境，實(shí)現(xiàn)對(duì)采礦機(jī)械系統(tǒng)故障準(zhǔn)確診斷的目的。

2.1建立訓(xùn)練樣本

實(shí)驗(yàn)以河南平頂山煤礦的一款煤炭采掘機(jī)作為實(shí)驗(yàn)對(duì)象，首先對(duì)其正常的工作狀態(tài)進(jìn)行監(jiān)測(cè)分析，然后分別對(duì)機(jī)頭和電機(jī)底座的螺絲進(jìn)行人為的松動(dòng)，對(duì)系統(tǒng)的主軸和各個(gè)齒輪進(jìn)行人為不同程度的破壞，建立訓(xùn)練集，對(duì)系統(tǒng)進(jìn)行訓(xùn)練。

2.2預(yù)測(cè)模型的建立

該系統(tǒng)采用CC55號(hào)測(cè)振動(dòng)點(diǎn)和振動(dòng)強(qiáng)度分別為150dB、160dB、170dB、180dB、190dB、200dB、210dB、220dB作為人工神經(jīng)網(wǎng)絡(luò)的輸入層，輸出層包含一個(gè)神經(jīng)單元，用于表示CC55號(hào)振動(dòng)點(diǎn)的故障位置，中間層選擇16個(gè)神經(jīng)元對(duì)輸出誤差進(jìn)行平攤，盡可能減小輸出層的輸出誤差，最后利用判決樹(shù)的結(jié)構(gòu)對(duì)預(yù)測(cè)結(jié)果進(jìn)行定性判決，最終輸出故障原因預(yù)測(cè)結(jié)果。

2.3預(yù)測(cè)結(jié)果與分析

試驗(yàn)中通過(guò)多次實(shí)驗(yàn)對(duì)比，選定人工神經(jīng)網(wǎng)絡(luò)的最大迭代次數(shù)為2萬(wàn)次，學(xué)習(xí)精度為0.005，在WIN7系統(tǒng)上運(yùn)行MATLAB2011建立煤礦采掘機(jī)的BP人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，并首先利用150～220dB的振動(dòng)強(qiáng)度對(duì)模型進(jìn)行訓(xùn)練，然后分別對(duì)各個(gè)部位的小故障進(jìn)行預(yù)測(cè)分析。以采煤機(jī)的常見(jiàn)故障主軸軸承損壞為例進(jìn)行說(shuō)明，主軸軸承損壞會(huì)加大一部分波段的振動(dòng)強(qiáng)度，如圖5所示，該振動(dòng)強(qiáng)度區(qū)域比較密集地分布在一個(gè)區(qū)域中，采用BP人工網(wǎng)絡(luò)3級(jí)處理的方法能夠高效且盡可能多地將該區(qū)域覆蓋，具有良好的效果。BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)誤差與訓(xùn)練迭代次數(shù)的關(guān)系曲線如圖6所示，由圖6中可以看出，當(dāng)訓(xùn)練次數(shù)達(dá)到6000次時(shí)，模型的預(yù)測(cè)誤差遠(yuǎn)遠(yuǎn)小于0.005，達(dá)到了預(yù)期迭代20000次。

3結(jié)果與討論

1)由于人工神經(jīng)網(wǎng)絡(luò)具有很好的自組織和廣泛的學(xué)習(xí)能力，在得到充分的學(xué)習(xí)和訓(xùn)練后，網(wǎng)絡(luò)能夠達(dá)到很高的精度，且具有很好的收斂性，因此在煤礦井下機(jī)械設(shè)備故障診斷中可以通過(guò)建立BP－人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型對(duì)機(jī)械設(shè)備的故障進(jìn)行監(jiān)測(cè)。

篇(5)

【關(guān)鍵詞】PID控制;BP神經(jīng)網(wǎng)絡(luò);模糊PID控制

Abstruct：PID control are widely used in industrial process control，but the traditional PID control because of its control parameters are fixed，and it is difficult to adjust its parameters online.So this paper studies a new adaptive fuzzy PID control method，to solve problem without the ability to learn，and put forward a kind of adaptive fuzzy control method based on BP neural network in this paper.It is the effective combination of fuzzy control，neural network and PID control.Simulation results show that this fuzzy PID control method based on BP neural network has good control effect.

Keywords：PID control;BP neural network;Fuzzy PID control

1.引言

常規(guī)PID在控制領(lǐng)域被廣泛應(yīng)用，利用數(shù)學(xué)算法來(lái)整定參數(shù)。而且隨著控制系統(tǒng)的復(fù)雜，被控對(duì)象很難建立數(shù)學(xué)模型，人們開(kāi)始探索新的控制方式。模糊控制不要求掌握被控對(duì)象的精確的數(shù)學(xué)模型，根據(jù)人工控制規(guī)則組織控制決策表，然后由該表決定控制量的大小。在一般的模糊系統(tǒng)設(shè)計(jì)中，規(guī)則是由經(jīng)驗(yàn)豐富的專業(yè)人員以語(yǔ)言的方式表達(dá)出來(lái)的。但對(duì)于某些問(wèn)題即使是很有經(jīng)驗(yàn)的專業(yè)人員也很難將他們的經(jīng)驗(yàn)總結(jié)、歸納為一些比較明確而簡(jiǎn)化的規(guī)則。在這種情況下，就可以應(yīng)用神經(jīng)網(wǎng)絡(luò)的方法，依靠BP神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)功能，實(shí)現(xiàn)模糊控制的神經(jīng)、模糊融合技術(shù)，并借助其并行分布的結(jié)構(gòu)來(lái)估計(jì)輸入到輸出的映射關(guān)系，直接從原始的工作數(shù)據(jù)中歸納出若干控制規(guī)則。從而為模糊系統(tǒng)建立起行之有效的決策規(guī)則。

2.PID控制器原理

2.1 PID控制的微分方程

PID控制器是一種線性控制器，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）、微分（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。

式中：

2.2 PID控制器各環(huán)節(jié)的作用

（1）比例環(huán)節(jié)：及時(shí)成比例地反應(yīng)控制系統(tǒng)的偏差信號(hào)e（t），偏差一旦產(chǎn)生，控制器立即產(chǎn)生控制作用以減小偏差。

（2）積分環(huán)節(jié)：積分作用會(huì)使系統(tǒng)穩(wěn)定性下降，Kd大會(huì)使系統(tǒng)不穩(wěn)定，但能消除靜態(tài)誤差。

（3）微分環(huán)節(jié)：能反應(yīng)偏差信號(hào)的變化趨勢(shì)，并能在偏差信號(hào)值變得太大之前，在系統(tǒng)中引入一個(gè)早期修正信號(hào)，從而加快系統(tǒng)的動(dòng)作速度，減小調(diào)節(jié)時(shí)間。Kd偏大時(shí)，超調(diào)較大，調(diào)節(jié)時(shí)間短;Kd偏小時(shí)，超調(diào)量也較大，調(diào)節(jié)時(shí)間長(zhǎng);只有Kd合適時(shí)才能超調(diào)小，時(shí)間短。

3.BP神經(jīng)網(wǎng)絡(luò)與模糊控制

模糊控制是運(yùn)用語(yǔ)言歸納操作人員的控制策略，運(yùn)用變量和模糊集合理論形成控制算法的一種控制。如何讓機(jī)器像人一樣識(shí)別、理解模糊規(guī)則并進(jìn)行模糊邏輯推理，最終得出新的結(jié)論并實(shí)現(xiàn)自動(dòng)控制是模糊控制研究的主要內(nèi)容。模糊控制器的基本結(jié)構(gòu)如圖1所示。

圖1 模糊控制結(jié)構(gòu)

人工神經(jīng)網(wǎng)絡(luò)是由大量人工神經(jīng)元經(jīng)廣泛互連二組成的，它可用來(lái)模擬腦神經(jīng)系統(tǒng)的結(jié)構(gòu)和功能。人工神經(jīng)網(wǎng)絡(luò)可以看成是以人工神經(jīng)元為節(jié)點(diǎn)，用有向加權(quán)弧連接起來(lái)的有向圖。BP網(wǎng)絡(luò)是一種利用誤差反向傳播訓(xùn)練算法的神經(jīng)網(wǎng)絡(luò)，是一種有隱含層的多層前饋網(wǎng)絡(luò)，系統(tǒng)地解決了多層網(wǎng)絡(luò)中隱含單元連接權(quán)的學(xué)習(xí)問(wèn)題。BP學(xué)習(xí)算法的基本原理是梯度最速下降法，它的中心思想是調(diào)整權(quán)值使網(wǎng)絡(luò)總誤差最小。也就是采用梯度搜索技術(shù)，以期使網(wǎng)絡(luò)的實(shí)際輸出值與期望輸出值的誤差均方值為最小。網(wǎng)絡(luò)學(xué)習(xí)過(guò)程是一種誤差邊向后傳播邊修正權(quán)系數(shù)的過(guò)程。其結(jié)構(gòu)如圖2所示。

圖2中隱含層第一層神經(jīng)元為7個(gè)，分別對(duì)應(yīng)7個(gè)模糊子集：NB、NM、NS、ZO、PS、PM、PB。第二層49個(gè)神經(jīng)元代表49條規(guī)則。第三層7個(gè)神經(jīng)元代表輸出的7個(gè)模糊子集。模糊控制不依靠對(duì)象的數(shù)學(xué)模型，但模糊規(guī)則的建立需要人工經(jīng)驗(yàn)。采用BP算法對(duì)工程經(jīng)驗(yàn)和專家經(jīng)驗(yàn)的模糊規(guī)則進(jìn)行訓(xùn)練，其實(shí)就是把模糊規(guī)則用神經(jīng)網(wǎng)絡(luò)來(lái)表示，即經(jīng)過(guò)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)，將模糊規(guī)則以加權(quán)系數(shù)的形式表現(xiàn)出來(lái)，規(guī)則的生成就轉(zhuǎn)化為加權(quán)系數(shù)的確定和修改。

神經(jīng)網(wǎng)絡(luò)是大規(guī)模并行運(yùn)算，但由于網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜，訓(xùn)練和學(xué)習(xí)需要大量的時(shí)間，所以目前還無(wú)法實(shí)現(xiàn)實(shí)時(shí)控制。在具體應(yīng)用中，我們是先離線將神經(jīng)網(wǎng)絡(luò)的各層權(quán)值和閾值訓(xùn)練出來(lái)，將其參數(shù)固定下來(lái)，然后將有系統(tǒng)檢測(cè)、計(jì)算得到的誤差變化直接代入非線性映射關(guān)系中，由計(jì)算機(jī)算出控制量，再用作被控對(duì)象。在matlab下以、、為輸出的BP網(wǎng)絡(luò)仿真訓(xùn)練如圖3、圖4、圖5所示。

4.模糊PID控制器的原理與仿真

對(duì)于某一BP神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)，其中內(nèi)部變化及被控對(duì)象的數(shù)學(xué)模型為：

利用模糊控制對(duì)PID參數(shù)實(shí)現(xiàn)在線調(diào)節(jié)，原理如圖6。

圖6 模糊PID控制原理圖

采用Z-N法和試湊法相結(jié)合，借助MATLAB的SIMULINK平臺(tái)，對(duì)被控對(duì)象進(jìn)行常規(guī)PID仿真。參數(shù)值：kp=15，ki=6，kd=0.05。如圖7。作為比較，建立模糊PID控制器的仿真模型如圖8。

圖9、圖10分別為被控對(duì)象G（s）在階躍輸入下常規(guī)PID和模糊PID仿真結(jié)果的比較。

經(jīng)過(guò)仿真發(fā)現(xiàn)，常規(guī)PID控制缺點(diǎn)是超調(diào)量大，調(diào)節(jié)時(shí)間長(zhǎng)，動(dòng)態(tài)性能差。優(yōu)點(diǎn)是控制精度高，穩(wěn)定性能好。模糊控制動(dòng)態(tài)性能很好，上升速度快，基本無(wú)超調(diào)。但由于模糊化所造成的穩(wěn)態(tài)誤差，在沒(méi)有積分環(huán)節(jié)的情況下很難消除，故穩(wěn)態(tài)性能差。模糊PID繼承了二者的優(yōu)點(diǎn)，摒棄二者缺點(diǎn)，具有更全面優(yōu)良的控制性能。

5.結(jié)論

針對(duì)大滯后、慢時(shí)變、非線性的復(fù)雜系統(tǒng)，提出了一種基于BP神經(jīng)網(wǎng)絡(luò)的模糊PID控制算法，該算法不依賴被控對(duì)象的精確數(shù)學(xué)模型，可實(shí)現(xiàn)在線自調(diào)整模糊規(guī)則，從而增強(qiáng)了模糊控制器的自學(xué)習(xí)能力。通過(guò)算法的仿真研究，驗(yàn)證了算法的可行性。

參考文獻(xiàn)

[1]李華.計(jì)算機(jī)控制系統(tǒng)[M].北京：機(jī)械工業(yè)出版社，2007.

[2]高雋.人工神經(jīng)網(wǎng)絡(luò)原理及仿真實(shí)例[M].北京：機(jī)械工業(yè)出版社，2007.

[3]蔡自興.智能控制[M].北京：電子工業(yè)出版社，2003.

[4]李國(guó)勇.智能控制及其MATLAB實(shí)現(xiàn)[M].北京：電子工業(yè)出版社，2005.

[5]張德豐.MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計(jì)[M].北京：機(jī)械工業(yè)出版社，2009.

[6]劉金琨.先進(jìn)PID控制及其MATLAB仿真[M].北京：電子工業(yè)出版社，2003.

[7]劉玲.三容水箱的單神經(jīng)元自適應(yīng)PID控制研究[J].信息技術(shù)，2005，3（8）：32-137.

篇(6)

 

目前國(guó)內(nèi)外常用的信息安全風(fēng)險(xiǎn)評(píng)價(jià)模型主要由層次分析法(AHP)、基于概率統(tǒng)計(jì)的ALE算法，模糊綜合評(píng)價(jià)法等，也取得了一定的研究成果。但上述算法的基本思想是基于線性映射和概率密度分布的，即各風(fēng)險(xiǎn)指標(biāo)與最終評(píng)價(jià)結(jié)果之間存在著線性關(guān)系[2]。然而，這種關(guān)系的存在是否科學(xué)至今也沒(méi)有得到準(zhǔn)確的答復(fù)，同時(shí)這些方法在實(shí)施時(shí)雖然給出了定量計(jì)算的算法，但操作較為繁瑣，難以達(dá)到快速識(shí)別的要求。目前應(yīng)用較廣泛的BP神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)算法存在著網(wǎng)絡(luò)參數(shù)難確定、收斂速度較慢且易陷入極小值等問(wèn)題。為了解決上述問(wèn)題，本文應(yīng)用魚(yú)群算法對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行了改進(jìn)，結(jié)合信息安全評(píng)價(jià)實(shí)例進(jìn)行了測(cè)試，并將測(cè)試數(shù)據(jù)與標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行了比較與分析，取得了理想的結(jié)果。

 

一、信息安全的概念

 

所謂的信息安全評(píng)估指的是通過(guò)分析信息系統(tǒng)所包含的資產(chǎn)總值、識(shí)別系統(tǒng)本身的防御機(jī)制以及所受到的危險(xiǎn)性系數(shù)，利用數(shù)學(xué)模型綜合判斷出系統(tǒng)當(dāng)前的風(fēng)險(xiǎn)值。信息安全風(fēng)險(xiǎn)評(píng)估主要包括三方面的內(nèi)容，分別是資產(chǎn)總值識(shí)別、外部威脅識(shí)別以及脆弱性識(shí)別。資產(chǎn)總值識(shí)別是為了識(shí)別出系統(tǒng)所涉及的資產(chǎn)總值，外部威脅識(shí)別指的是識(shí)別當(dāng)前狀態(tài)下系統(tǒng)受攻擊或威脅的程度，而脆弱性識(shí)別指的是系統(tǒng)自身的脆弱性程度。其中綜合考慮外部威脅以及內(nèi)部脆弱性可以得出發(fā)生風(fēng)險(xiǎn)事件的危害性，而自然總值識(shí)別再加上脆弱性識(shí)別就可以得到系統(tǒng)的易損性，基于上述過(guò)程可以得到信息安全系統(tǒng)的風(fēng)險(xiǎn)值。

 

二、基本BP神經(jīng)網(wǎng)絡(luò)算法

 

BP神經(jīng)網(wǎng)絡(luò)算法是一種采用誤差反向傳播的多層前饋感知器。其特點(diǎn)是具有分布式的信息存儲(chǔ)方式，能進(jìn)行大規(guī)模并行處理，并具有較強(qiáng)的自學(xué)習(xí)及自適應(yīng)能力。BP網(wǎng)絡(luò)由輸入層(感知單元)、計(jì)算層(隱藏層)、輸出層三部分組成。輸入層神經(jīng)元首先將輸入信息向前傳遞至隱含層節(jié)點(diǎn)，經(jīng)過(guò)激活函數(shù)預(yù)處理后，隱層節(jié)點(diǎn)再將輸出信息傳送至輸出層得到結(jié)果輸出。輸入層與輸出層節(jié)點(diǎn)的個(gè)數(shù)取決于輸入、輸出向量的維數(shù)，隱含層節(jié)點(diǎn)個(gè)數(shù)目前并沒(méi)有統(tǒng)一的標(biāo)準(zhǔn)進(jìn)行參考，需通過(guò)反復(fù)試錯(cuò)來(lái)確定。根據(jù)Kolmogorov定理，具有一個(gè)隱層的三層BP神經(jīng)網(wǎng)絡(luò)能在閉集上以任意精度逼近任意非線性連續(xù)函數(shù)，所以本文選擇單隱層的BP神經(jīng)網(wǎng)絡(luò)。

 

三、人工魚(yú)群算法

 

3.1基本原理

 

通過(guò)對(duì)魚(yú)類(lèi)覓食的觀察可知，魚(yú)類(lèi)一般能自行或者尾隨其他同伴找到食物數(shù)量相對(duì)充足的地方。因此，一般魚(yú)類(lèi)數(shù)量較多的地區(qū)即為食物相對(duì)充足的區(qū)域。人工魚(yú)群算法是指通過(guò)長(zhǎng)期對(duì)魚(yú)類(lèi)覓食行為的觀察，構(gòu)造人工魚(yú)來(lái)模擬魚(yú)類(lèi)的覓食、群聚、尾隨以及隨機(jī)行為，從而完成全局最優(yōu)值的尋找。算法所包含的基本過(guò)程如下：

 

覓食行為：魚(yú)類(lèi)會(huì)利用視覺(jué)或嗅覺(jué)來(lái)感知水中食物濃度的高低，以此來(lái)選擇覓食的路線。

 

聚群行為：魚(yú)類(lèi)一般會(huì)以群體形式進(jìn)行覓食，以此來(lái)躲避天敵的傷害并以最大概率獲得準(zhǔn)確的覓食路線。

 

尾隨行為：當(dāng)群體中的某條魚(yú)或幾條魚(yú)尋找到食物后，其附近的其他同伴會(huì)立刻尾隨而來(lái)，其他更遠(yuǎn)處的魚(yú)也會(huì)相繼游過(guò)來(lái)。

 

隨機(jī)行為：魚(yú)在水中的活動(dòng)是不受外界支配的，基本上處于隨機(jī)狀態(tài)，這種隨機(jī)性有利于魚(yú)類(lèi)更大范圍的尋找食物及同伴。

 

3.2 魚(yú)群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的原理

 

BP神經(jīng)網(wǎng)絡(luò)在求解最優(yōu)化問(wèn)題時(shí)容易陷入局部極值，并且網(wǎng)絡(luò)的收斂速度較慢。魚(yú)群算法通過(guò)設(shè)定人工魚(yú)個(gè)體，模擬魚(yú)群在水中的覓食、尾隨和群聚行為，通過(guò)個(gè)體的局部尋優(yōu)，最終實(shí)

 

現(xiàn)全局尋優(yōu)。人工魚(yú)在不斷感知周?chē)h(huán)境狀況及

 

同伴狀態(tài)后，集結(jié)在幾個(gè)局部最優(yōu)點(diǎn)處，而值較大的最優(yōu)點(diǎn)附近一般會(huì)匯集較多的人工魚(yú)，這有

 

助于判斷并實(shí)現(xiàn)全局最優(yōu)值的獲取。因此用人工魚(yú)群算法來(lái)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)是一種合理的嘗試。

 

3.3 具體工作步驟

 

人工魚(yú)群算法用于優(yōu)化神經(jīng)網(wǎng)絡(luò)時(shí)的具體步驟如下：

 

①設(shè)定BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，確定隱層節(jié)點(diǎn)數(shù)目;

 

②設(shè)定人工魚(yú)參數(shù)，主要包括個(gè)體間距離、有效視線范圍以及移動(dòng)步長(zhǎng)等;

 

③人工魚(yú)進(jìn)行覓食、群聚及尾隨行為來(lái)優(yōu)化BP神經(jīng)網(wǎng)絡(luò);

 

④通過(guò)設(shè)定的狀態(tài)參量，判斷是否達(dá)到目標(biāo)精度;

 

⑤若達(dá)到精度要求則輸出網(wǎng)絡(luò)優(yōu)化權(quán)值，并執(zhí)行網(wǎng)絡(luò)循環(huán)，否則繼續(xù)改化參數(shù)進(jìn)行優(yōu)化;

 

⑥輸出最終優(yōu)化參數(shù)并進(jìn)行計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)。

 

四、仿真實(shí)驗(yàn)

 

將信息安全風(fēng)險(xiǎn)評(píng)估常用的3項(xiàng)評(píng)價(jià)指標(biāo)的分值作為BP神經(jīng)網(wǎng)絡(luò)的輸入，網(wǎng)絡(luò)的期望輸出只有一項(xiàng)，即安全綜合評(píng)價(jià)分值。目前用于信息安全風(fēng)險(xiǎn)評(píng)價(jià)的數(shù)據(jù)還很少，本文采用文獻(xiàn)[3]所列的15組典型信息安全單項(xiàng)指標(biāo)評(píng)價(jià)數(shù)據(jù)，其中1-10項(xiàng)作為訓(xùn)練，11-15項(xiàng)用于仿真。通過(guò)實(shí)際實(shí)驗(yàn)分析，本文將權(quán)值調(diào)整參數(shù)α=0.1，閾值調(diào)整參數(shù)β=0.1，隱層神經(jīng)元數(shù)目為6，學(xué)習(xí)精度ε=0.0001。網(wǎng)絡(luò)經(jīng)過(guò)2000次訓(xùn)練，收斂于所要求的誤差，人工魚(yú)群算法的相關(guān)參數(shù)： 種群大小為39;可視域?yàn)?.8;最大移動(dòng)步長(zhǎng)為0.6;擁擠度因子為3.782。然后對(duì)檢驗(yàn)樣本及專家評(píng)價(jià)樣本進(jìn)行仿真，結(jié)果如表1所示?？梢钥闯?，魚(yú)群神經(jīng)網(wǎng)絡(luò)得到的仿真結(jié)果與期望值之間的平均誤差為0.001，而標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)為0.0052，所以魚(yú)群神經(jīng)網(wǎng)絡(luò)的得到的仿真精度較高，取得了理想的實(shí)驗(yàn)結(jié)果。

 

五、結(jié)論

 

本文將魚(yú)群算法和神經(jīng)網(wǎng)絡(luò)結(jié)合起來(lái)對(duì)信息安全評(píng)價(jià)進(jìn)行了研究，得到了如下幾個(gè)結(jié)論：

 

(1) 基于魚(yú)群算法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)具有收斂速度快、擬合精度高等優(yōu)點(diǎn)，克服了標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)收斂速度慢、容易陷入局部極小值的缺點(diǎn)。同時(shí)，優(yōu)化算法編碼過(guò)程簡(jiǎn)單，并具有較強(qiáng)的魯棒性。

 

(2) 本文采用的實(shí)驗(yàn)數(shù)據(jù)僅有15個(gè)，基于魚(yú)群算法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)精度有明顯提高，避免了由于樣本數(shù)量少造成的擬合精度低等缺點(diǎn)。

 

(3) 通過(guò)將標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)算法與魚(yú)群神經(jīng)網(wǎng)絡(luò)算法進(jìn)行對(duì)比發(fā)現(xiàn)，后者的收斂速度明顯加快并且自組織能力也有一定提高，在實(shí)際的工程建設(shè)中可以將其代替?zhèn)鹘y(tǒng)的BP神經(jīng)網(wǎng)絡(luò)算法來(lái)進(jìn)行信息安全的風(fēng)險(xiǎn)評(píng)估。

篇(7)

關(guān)鍵詞:室內(nèi)定位;RSS; BP神經(jīng)網(wǎng)絡(luò);IEEE 802.11b

中圖分類(lèi)號(hào):TN911.23 文獻(xiàn)標(biāo)識(shí)碼:A

1 引 言

目前,室內(nèi)定位算法主要有以下幾種｡

1)Time of arrival(TOA)

TOA定位的基本原理是通過(guò)測(cè)量節(jié)點(diǎn)間電波傳播的時(shí)間來(lái)確定節(jié)點(diǎn)的位置｡

TOA算法要求參加定位的各個(gè)基站在時(shí)間上實(shí)現(xiàn)嚴(yán)格同步｡在室內(nèi)環(huán)境中,由于已知點(diǎn)到待測(cè)點(diǎn)的距離通常不遠(yuǎn),無(wú)線電波的傳播速度太快,且存在嚴(yán)重的多徑干擾,因此無(wú)法利用無(wú)線電波進(jìn)行測(cè)距｡目前,基于TOA的室內(nèi)定位技術(shù)通常是利用超聲波傳播速度較慢的特點(diǎn)(在20攝氏度時(shí)超聲波的傳播速度為343.38m/s),來(lái)測(cè)量出已知點(diǎn)和待測(cè)點(diǎn)間的距離,進(jìn)而求出待測(cè)點(diǎn)的位置[1]｡

2)GPS L1 Re-radiating

GPS(Global Positioning System)是70年代初由美國(guó)開(kāi)發(fā)的衛(wèi)星導(dǎo)航定位系統(tǒng),本質(zhì)上它也是一個(gè)基于TOA的定位系統(tǒng)｡

GPS L1 Re-radiating是將GPS在L1頻段上的信號(hào),通過(guò)戶外天線接收后,增益放大為室內(nèi)可接收信號(hào),進(jìn)而基于GPS實(shí)現(xiàn)室內(nèi)定位｡

3)Received signal strength,RSS

RSS定位的基本原理是利用移動(dòng)裝置偵測(cè)所接收到的無(wú)線電波信號(hào)強(qiáng)弱,然后根據(jù)經(jīng)驗(yàn)?zāi)Ｐ突騌SS隨距離衰減的模型來(lái)推斷節(jié)點(diǎn)間的距離,進(jìn)而實(shí)現(xiàn)定位[2]｡

該技術(shù)主要使用無(wú)線網(wǎng)絡(luò)本身的無(wú)線電信號(hào)來(lái)定位,不需額外添加硬件,是一種低功率､廉價(jià)的定位技術(shù)[3]｡

基于信號(hào)強(qiáng)度的室內(nèi)定位方法分為經(jīng)驗(yàn)?zāi)Ｐ头ê托盘?hào)衰減模型法｡

(1)經(jīng)驗(yàn)?zāi)Ｐ头?/p>

在經(jīng)驗(yàn)?zāi)Ｐ头ㄖ?將RSSI數(shù)據(jù)轉(zhuǎn)換為位置信息的方法主要有判定法和概率法兩種｡

(2)信號(hào)衰減模型法

信號(hào)衰減模型法則無(wú)需實(shí)地測(cè)量位置和RSSI,而是依據(jù)信號(hào)強(qiáng)度和距離的特定關(guān)系,結(jié)合三角測(cè)量法,根據(jù)來(lái)自三個(gè)(或以上)AP的RSSI來(lái)計(jì)算出待測(cè)點(diǎn)的位置｡

基于TOA的定位模型在開(kāi)放的室外環(huán)境中非常有效,但在室內(nèi)環(huán)境卻存在一些問(wèn)題｡使用超聲波雖可克服無(wú)線電波傳輸速度快的問(wèn)題,但需構(gòu)建專門(mén)的超聲波系統(tǒng)｡GPS也主要是針對(duì)戶外目標(biāo)設(shè)計(jì)的定位系統(tǒng),應(yīng)用于室內(nèi)存在定位精度不高等問(wèn)題｡基于RSS的定位模型中,經(jīng)驗(yàn)法需進(jìn)行大量的實(shí)地測(cè)量,同時(shí)無(wú)法保護(hù)定位用戶的隱私;而信號(hào)衰減法在室內(nèi)受NLOS(非視距傳播)等因素影響,也使得定位精度較低｡

因此,本文提出了一種基于BP神經(jīng)網(wǎng)絡(luò)的室內(nèi)定位模型并借助MATLAB 7.0加以實(shí)現(xiàn)｡采用該方法進(jìn)行室內(nèi)定位,不需要WLAN以外的其他資源｡由于不需要知道定位節(jié)點(diǎn)和建筑物的詳細(xì)特性,用戶的隱私將隨之得到完全的保護(hù)｡

2 基于BP神經(jīng)網(wǎng)絡(luò)的室內(nèi)定位模型

BP神經(jīng)網(wǎng)絡(luò)通常是指基于誤差反向傳播算法(Backpropagation)的多層前向神經(jīng)網(wǎng)絡(luò),目前,該算法已成為應(yīng)用最為廣泛的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法[4]｡

BP神經(jīng)網(wǎng)絡(luò)采用的是并行網(wǎng)絡(luò)結(jié)構(gòu),包括輸入層､隱含層和輸出層,經(jīng)作用函數(shù)后,再把隱節(jié)點(diǎn)的輸出信號(hào)傳遞到輸出節(jié)點(diǎn),最后給出輸出結(jié)果｡該算法的學(xué)習(xí)過(guò)程由信息的前向傳播和誤差的反向傳播組成｡在前向傳播的過(guò)程中,輸入信息從輸入層經(jīng)隱含層逐層處理,并傳向輸出層｡第一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)｡如果在輸出層得不到期望的輸出結(jié)果,則轉(zhuǎn)入反向傳播,將誤差信號(hào)(目標(biāo)值與網(wǎng)絡(luò)輸出之差)沿原來(lái)的連接通道返回,通過(guò)修改各層神經(jīng)元權(quán)值,使得誤差均方最小｡神經(jīng)網(wǎng)絡(luò)理論已經(jīng)證明BP神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的非線性映射能力和泛化功能,任一連續(xù)函數(shù)或映射均可采用三層網(wǎng)絡(luò)加以實(shí)現(xiàn)｡

計(jì)算技術(shù)與自動(dòng)化2007年6月第26卷第2期李 瑛等:一種基于BP神經(jīng)網(wǎng)絡(luò)的室內(nèi)定位模型2.1 樣本數(shù)據(jù)的采集和處理

輸入向量為待測(cè)點(diǎn)收到的來(lái)自至少三個(gè)不同位置AP的RSSI值,輸出向量為待測(cè)點(diǎn)的坐標(biāo)值(X,Y)｡

樣本采集在一個(gè)10mX10m的室內(nèi)場(chǎng)地中進(jìn)行｡使用3個(gè)來(lái)自SMC公司的AP和1臺(tái)配置了ORiNOCO PC CARD的筆記本電腦｡AP及無(wú)線網(wǎng)卡符合并工作在IEEE 802.11b標(biāo)準(zhǔn)下｡筆記本電腦所使用的操作系統(tǒng)為RedHat Linux 9.0｡樣本均勻分布在6mx6m的中心區(qū)域中｡

2.2 網(wǎng)絡(luò)結(jié)構(gòu)的確定

Kolmogorov定理已經(jīng)證明[5],任意一連續(xù)函數(shù)可由一個(gè)三層BP 網(wǎng)絡(luò)來(lái)實(shí)現(xiàn)｡雖然研究表明三層以上的BP網(wǎng)絡(luò)可以減少隱含層節(jié)點(diǎn)數(shù),提高計(jì)算效率,但在缺乏理論指導(dǎo)的BP網(wǎng)絡(luò)設(shè)計(jì)中這樣做容易使問(wèn)題趨向復(fù)雜化｡因此選擇三層BP神經(jīng)網(wǎng)絡(luò),即只有1個(gè)隱含層的BP神經(jīng)網(wǎng)絡(luò)｡

該網(wǎng)絡(luò)輸入層的節(jié)點(diǎn)數(shù)由輸入向量的維數(shù)決定,輸入向量的維數(shù)是3,所以輸入層節(jié)點(diǎn)數(shù)確定為3個(gè)｡輸出層節(jié)點(diǎn)數(shù)由輸出向量的維數(shù)決定,這里輸出節(jié)點(diǎn)數(shù)為2 ｡

隱含層節(jié)點(diǎn)數(shù)的選擇在BP網(wǎng)絡(luò)設(shè)計(jì)中是一個(gè)難點(diǎn),目前還沒(méi)有理論上的指導(dǎo)｡過(guò)多的網(wǎng)絡(luò)節(jié)點(diǎn)會(huì)增加訓(xùn)練網(wǎng)絡(luò)的時(shí)間,也會(huì)使網(wǎng)絡(luò)的泛化能力減弱,網(wǎng)絡(luò)的預(yù)測(cè)能力下降｡然而網(wǎng)絡(luò)節(jié)點(diǎn)過(guò)少則不能反映后續(xù)值與前驅(qū)值的相關(guān)關(guān)系,建模不充分｡經(jīng)反復(fù)試驗(yàn),將隱含層節(jié)點(diǎn)數(shù)定為30,這樣形成了一個(gè)3-30-2結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò),如圖1所示｡

2.3 學(xué)習(xí)算法的選擇

基本BP 算法采用梯度下降法使得誤差均方(mse)趨向最小,直至達(dá)到誤差要求｡但在實(shí)際應(yīng)用中,存在收斂速度慢､局部極值等缺點(diǎn)｡Matlab 7.0神經(jīng)網(wǎng)絡(luò)工具箱中提供了十多種快速學(xué)習(xí)算法,一類(lèi)是采用啟發(fā)式學(xué)習(xí)方法,如引入動(dòng)量因子的traingdm 算法､變速率學(xué)習(xí)算法traingda ､“彈性”學(xué)習(xí)算法trainrp等;另一類(lèi)采用數(shù)值優(yōu)化方法,如共軛梯度學(xué)習(xí)算法traincgf 等｡本研究選擇traincgf 算法｡該算法在不增加算法復(fù)雜性的前提下,可以提高收斂速度,并且可沿共扼方向達(dá)到全局最小點(diǎn),較好地解決了經(jīng)典BP算法所存在的收斂速度慢和可能出現(xiàn)局部最優(yōu)解的問(wèn)題｡

2.4 BP神經(jīng)網(wǎng)絡(luò)的初始化､訓(xùn)練與仿真

1)建立網(wǎng)絡(luò)

net==newff(P3,[30,2],{′tansig′,′purelin′},′traincgf′)

newff()為建立BP 神經(jīng)網(wǎng)絡(luò)的函數(shù);P3為6維矩陣,表示3維輸入向量中每維輸入的最小值和最大值之間的范圍｡[30,2]表示隱層節(jié)點(diǎn)數(shù)是30,輸出層節(jié)點(diǎn)數(shù)是2,{′tansig′,′purelin′}表示隱含層中的神經(jīng)元采用tansig轉(zhuǎn)換函數(shù),輸出層采用purelin函數(shù),′traincgf′表示選擇的學(xué)習(xí)算法｡

2)權(quán)重和閾值初始化

net==init(net)

給各連接權(quán)重LW{1,1}､LW{2,1}及閾值b{1}､b{2}賦予(-1,+1)間的隨機(jī)值｡

3)訓(xùn)練

[net,tr]=train(net,P,T)

P為輸入向量,T為目標(biāo)向量,根據(jù)網(wǎng)絡(luò)學(xué)習(xí)誤差逆?zhèn)鬟f算法,利用阻尼最小二乘算法迭代,由前一次訓(xùn)練得到的網(wǎng)絡(luò)權(quán)重及閾值訓(xùn)練得到新的網(wǎng)絡(luò)權(quán)重及閾值｡

為了使生成的BP網(wǎng)絡(luò)對(duì)輸入向量有一定的容錯(cuò)能力,最好的方法是既使用理想的信號(hào)又使用帶有噪聲的信號(hào)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練｡具體做法是先用理想的輸入信號(hào)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,直到起平方和誤差足夠小;然后,使用20組理想信號(hào)和帶有噪聲的信號(hào)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練｡經(jīng)過(guò)上述訓(xùn)練后,網(wǎng)絡(luò)對(duì)無(wú)誤差的信號(hào)也可能會(huì)采用對(duì)付帶有噪聲信號(hào)的辦法,這樣會(huì)導(dǎo)致很大的代價(jià),因此,需要采用理想的向量對(duì)網(wǎng)絡(luò)再次訓(xùn)練,以保證網(wǎng)絡(luò)能對(duì)理想信號(hào)作出最好的反應(yīng)｡

使用函數(shù)traincgf對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練時(shí),當(dāng)網(wǎng)絡(luò)平方和誤差小于3時(shí)停止網(wǎng)絡(luò)的訓(xùn)練｡訓(xùn)練過(guò)程中的誤差變化情況如圖2所示｡

根據(jù)訓(xùn)練后的網(wǎng)絡(luò)及輸入向量進(jìn)行仿真輸出｡

3 實(shí)驗(yàn)結(jié)果及分析

利用訓(xùn)練后的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行了36次定位,并統(tǒng)計(jì)了36次定位的平均誤差,結(jié)果如圖3所示｡

與利用信號(hào)衰減模型定位相比(如圖4所示),利用BP神經(jīng)網(wǎng)絡(luò)定位具有更高的統(tǒng)計(jì)精度｡

與信號(hào)衰減模型相比,雖然BP神經(jīng)網(wǎng)絡(luò)的模型解釋直觀性略有不足,但卻可獲得更精確的定位結(jié)果｡

利用BP神經(jīng)網(wǎng)絡(luò),雖然可解決傳統(tǒng)處理方法所不能處理的非線性映射問(wèn)題,但在實(shí)際應(yīng)用中,對(duì)如何選擇和確定一個(gè)合適的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)沒(méi)有確切的理論指導(dǎo),只能通過(guò)試驗(yàn)―調(diào)整―再試驗(yàn)的過(guò)程來(lái)確定一個(gè)合適的網(wǎng)絡(luò)結(jié)構(gòu)｡同時(shí),BP神經(jīng)網(wǎng)絡(luò)的隱含層作用機(jī)理和隱含層節(jié)點(diǎn)個(gè)數(shù)的選擇是BP神經(jīng)網(wǎng)絡(luò)的難點(diǎn)問(wèn)題｡隱含層的節(jié)點(diǎn)個(gè)數(shù)的選擇需反復(fù)進(jìn)行試驗(yàn),當(dāng)多次輸出結(jié)果在一定誤差范圍內(nèi)時(shí)才可確定｡

4 結(jié)束語(yǔ)

本文提出了一種基于BP神經(jīng)網(wǎng)絡(luò)的室內(nèi)定位模型,并在基于IEEE 802.11b標(biāo)準(zhǔn)的WLAN環(huán)境中對(duì)此模型進(jìn)行了測(cè)試｡一個(gè)基于信號(hào)衰減模型的定位算法也在同樣的環(huán)境中進(jìn)行了測(cè)試｡對(duì)比結(jié)果表明,利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行室內(nèi)定位能取得更好的定位精度｡