人工神經(jīng)網(wǎng)絡原理及實際應用解讀

1、人工神經(jīng)網(wǎng)絡原理及實際應用摘要：本文就主要講述一下神經(jīng)網(wǎng)絡的基本原理，特別是BP神經(jīng)網(wǎng)絡原理,以及它在實際工程中的應用。關鍵詞：神經(jīng)網(wǎng)絡、BP算法、魯棒自適應控制、SmithPID本世紀初，科學家們就一直探究大腦構筑函數(shù)和思維運行機理。特別是近二十年來。對大腦有關的感覺器官的仿生做了不少工作，人腦含有數(shù)億個神經(jīng)元，并以特殊的復雜形式組成在一起，它能夠在“計算某些問題（如難以用數(shù)學描述或非確定性問題等）時，比目前最快的計算機還要快許多倍。大腦的信號傳導速度要比電子元件的信號傳導要慢百萬倍，然而，大腦的信息處理速度比電子元件的處理速度快許多倍，因此科學家推測大腦的信息處理方式和思維方式是非常復雜的

2、，是一個復雜并行信息處理系統(tǒng)。1943年Macullocu和Pitts融合了生物物理學和數(shù)學提出了第一個神經(jīng)元模型。從這以后，人工神經(jīng)網(wǎng)絡經(jīng)歷了發(fā)展，停滯，再發(fā)展的過程，時至今日發(fā)展正走向成熟，在廣泛領域得到了令人鼓舞的應用成果。本文就主要講述一下神經(jīng)網(wǎng)絡的原理，特別是BP神經(jīng)網(wǎng)絡原理，以及它在實際中的應用。神經(jīng)網(wǎng)絡的基本原理因為人工神經(jīng)網(wǎng)絡是模擬人和動物的神經(jīng)網(wǎng)絡的某種結構和功能的模擬，所以要了解神經(jīng)網(wǎng)絡的工作原理，所以我們首先要了解生物神經(jīng)元。其結構如下圖所示：從上圖可看出生物神經(jīng)元它包括，細胞體：由細胞核、細胞質與細胞膜組成；軸突：是從細胞體向外伸出的細長部分，也就是神經(jīng)纖維。軸突是神經(jīng)

3、細胞的輸出端，通過它向外傳出神經(jīng)沖動；樹突：是細胞體向外伸出的許多較短的樹枝狀分支。它們是細胞的輸入端，接受來自其它神經(jīng)元的沖動；突觸：神經(jīng)元之間相互連接的地方，既是神經(jīng)末梢與樹突相接觸的交界面。對于從同一樹突先后傳入的神經(jīng)沖動，以及同一時間從不同樹突輸入的神經(jīng)沖動，神經(jīng)細胞均可加以綜合處理，處理的結果可使細胞膜電位升高；當膜電位升高到一閥值（約40mV）,細胞進入興奮狀態(tài)，產(chǎn)生神經(jīng)沖動，并由軸突輸出神經(jīng)沖動；當輸入的沖動減小，綜合處理的結果使膜電位下降，當下降到閥值時。細胞進入抑制狀態(tài)，此時無神經(jīng)沖動輸出?！芭d奮”和“抑制”，神經(jīng)細胞必呈其一。突觸界面具有脈沖/電位信號轉換功能，即類似于D/

4、A轉換功能。沿軸突和樹突傳遞的是等幅、恒寬、編碼的離散電脈沖信號。細胞中膜電位是連續(xù)的模擬量。神經(jīng)沖動信號的傳導速度在1150m/s之間，隨纖維的粗細，髓鞘的有無而不同。神經(jīng)細胞的重要特點是具有學習功能并有遺忘和疲勞效應?？傊?，隨著對生物神經(jīng)元的深入研究，揭示出神經(jīng)元不是簡單的雙穩(wěn)邏輯元件而是微型生物信息處理機制和控制機。而神經(jīng)網(wǎng)絡的基本原理也就是對生物神經(jīng)元進行盡可能的模擬，當然，以目前的理論水平，制造水平，和應用水平，還與人腦神經(jīng)網(wǎng)絡的有著很大的差別，它只是對人腦神經(jīng)網(wǎng)絡有選擇的，單一的，簡化的構造和性能模擬，從而形成了不同功能的，多種類型的，不同層次的神經(jīng)網(wǎng)絡模型。BP神經(jīng)網(wǎng)絡目前，再這

5、一基本原理上已發(fā)展了幾十種神經(jīng)網(wǎng)絡，例如Hopficld模型，F(xiàn)eldmann等的連接型網(wǎng)絡模型，Hinton等的玻爾茨曼機模型，以及Rumelhart等的多層感知機模型和Kohonen的自組織網(wǎng)絡模型等等。在這眾多神經(jīng)網(wǎng)絡模型中，應用最廣泛的是多層感知機神經(jīng)網(wǎng)絡。這里我們重點的講述一下BP神經(jīng)網(wǎng)絡。多層感知機神經(jīng)網(wǎng)絡的研究始于50年代，但一直進展不大。直到1985年，Rumelhart等人提出了誤差反向傳遞學習算法（即BP算），實現(xiàn)了Minsky的多層網(wǎng)絡設想，其網(wǎng)絡模型如下圖所示。它可以分為輸入層，影層（也叫中間層），和輸出層，其中中間層可以是一層，也可以多層，看實際情況而定。輸入層影層輸

6、出層輸入層影層輸出層圖34-1BP神經(jīng)網(wǎng)絡模型BP網(wǎng)絡的原理是把一個輸入矢量經(jīng)過影層變換成輸出矢量，實現(xiàn)從輸入空間到輸出空間的映射。由權重實現(xiàn)正向映射，利用當前權重作用下網(wǎng)絡的輸出與希望實現(xiàn)的映射要求的期望輸出進行比較來學習的。為減少總誤差，網(wǎng)絡利用實際誤差調整權重。BP網(wǎng)絡必須要求與輸入相對應的希望輸出構成訓練模式隊，因而需要指導學習，BP網(wǎng)絡在結構上具有對稱性，網(wǎng)絡中的每個輸出處理元件基本具有相同的傳遞函數(shù)。大致的工作原理就如上段所述，但要深入了解我們就先要了解一下BP網(wǎng)絡學習算法反傳學習算法(即BP算法)。BP算法不僅有輸入層節(jié)點、輸出層節(jié)點，還可有1個或多個隱含層節(jié)點。對于輸入信號，要

7、先向前傳播到隱含層節(jié)點，經(jīng)作用函數(shù)后，再把隱節(jié)點的輸出信號傳播到輸出節(jié)點，最后給出輸出結果。節(jié)點的作用的激勵函數(shù)通常選取S型函數(shù)，如1f(x)=1+e-x/q式中Q為調整激勵函數(shù)形式的Sigmoid參數(shù)。該算法的學習過程由正向傳播和反向傳播組成。在正向傳播過程中，輸入信息從輸入層經(jīng)隱含層逐層處理，并傳向輸出層。每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)。如果輸出層得不到期望的輸出，則轉入反向傳播，將誤差信號沿原來的連接通道返回，通過修改各層神經(jīng)元的權值，使得誤差信號最小。社含有n個節(jié)點的任意網(wǎng)絡，各節(jié)點之特性為Sigmoid型。為簡便起見，指定網(wǎng)絡只有一個輸出y,任一節(jié)點i的輸出為0,并設有N

8、個樣本i(x,y)(k=l,2,3,N),對某一輸入x，網(wǎng)絡輸出為y節(jié)點i的輸出為0,節(jié)點kkkkikj的輸入為工net=jkWOijik并將誤差函數(shù)定義為E=2(yk-yk)2k=1其中y為網(wǎng)絡實際輸出，定義E=(y-y)2,QWQnetQWQnetik二百oijjkijjkUjkik當j=為輸出節(jié)點時,Ojk=yy)廣(net)jkQyQnetkk“kjk若j不是輸出節(jié)點，則有6E=1jkdnetjk,且O=f(net),于是jkjkjk1）5=jkQEk-QOjkQEQEQOk=k4QnetQOQnet=QjkEQnjektjk HYPERLINK l bookmark22 o Curr

9、ent Document =kmk- HYPERLINK l bookmark28 o Current Document QnetQOmmkjk=WQnetQOmmkQE=kQnetQE生廣(netQOjkjkmmkiOmiikjkiW=5Wmjmkmjm因此=f(net)jkm5jk玄=5OQWmkikij5Wmkmj(2)如果有M層，而第M層僅含輸出節(jié)點，第一層為輸入節(jié)點，則BP算法為:第一步，選取初始權值W。第二步，重復下述過程直至收斂：a.a.對于k=1到Na）.計算O,net和y的值（正向過程）；ikjkkb）.對各層從M到2反向計算（反向過程）;b.對同一節(jié)點疋M,由式和計算。jk

10、第三步，修正權值，Wn=Wi嚴qwij宀0，其中QW仝ijkQE。QWij從上述BP算法可以看出，BP模型把一組樣本的I/O問題變?yōu)橐粋€非線性優(yōu)化問題，它使用的是優(yōu)化中最普通的梯度下降法。如果把神經(jīng)網(wǎng)絡的看成輸入到輸出的映射，則這個映射是一個高度非線性映射。設計一個神經(jīng)網(wǎng)絡專家系統(tǒng)重點在于模型的構成和學習算法的選擇。一般來說，結構是根據(jù)所研究領域及要解決的問題確定的。通過對所研究問題的大量歷史資料數(shù)據(jù)的分析及目前的神經(jīng)網(wǎng)絡理論發(fā)展水平，建立合適的模型，并針對所選的模型采用相應的學習算法，在網(wǎng)絡學習過程中，不斷地調整網(wǎng)絡參數(shù)，直到輸出結果滿足要求。實際工程中的應用以上就是BP神經(jīng)網(wǎng)絡的的基本工作

11、原理，下面我們就來看一下它在實際工程中的應用，在水電廠水質調節(jié)系統(tǒng)自適應控制中的應用。隨著我國火電廠高參數(shù)大容量機主的投產(chǎn)，對水汽品質和水質工況控制的要求越來越嚴格。控制策略是決定水質調節(jié)效果的關鍵。整個火電廠水質調節(jié)系統(tǒng)采用SmithPID自適應控制方案，具體控制模型我們就不予考慮，這里就具體BP神經(jīng)網(wǎng)絡在這一方案中的應用。由于系統(tǒng)采用PID算法中由三種控制作用，即互相聯(lián)系又互相制約，且并不是簡單的線性組合，必須用非線性方法在線自適應調整PID參數(shù)，才能保證時變對象的控制效果。所以在此系統(tǒng)采用BP神經(jīng)網(wǎng)絡在線整定PID參數(shù)。所以整個系統(tǒng)結構如下圖所示：基于BP神經(jīng)網(wǎng)絡的Smith-PID控制

12、系統(tǒng)PID參數(shù)BP網(wǎng)絡整定方法選擇如下圖所示453結構的BP網(wǎng)絡,在線自學習整定系統(tǒng)Smith控制系統(tǒng)中控制器Gc(s)的PID參數(shù)，以給定值r(t)、系統(tǒng)響應值y(t)、偏差e(t)和常數(shù)1作為BP網(wǎng)絡的輸入，網(wǎng)絡的輸出為需要整定的PID參數(shù)kp、ki和kd。Y工山”1Y1Ya-UU*1.05E(k-l)a(k)=o.95當E(k)vE(k-1)a其它0n(k)二(1+P)n(k-1)當E(k)E(k-l)22)將上述系統(tǒng)進行工程應用仿真，可以得到該系統(tǒng)具有很好得快速穩(wěn)定性和準確性、很強得抗干擾性和魯棒性。所以在該系統(tǒng)中，將BP神經(jīng)網(wǎng)絡和Smith預估器組合成復合控制器的魯棒控制策略，利用B

13、P網(wǎng)絡的任意非線性逼近特性及很強的自學習能力，彌補了常規(guī)Smith控制在解決模型不確定系統(tǒng)中的不足。該方法具有穩(wěn)態(tài)精度高、過渡過程短、抗干擾性好、魯棒性強,以及結構簡單、適應性強、易于實時控制的特點，具有很高的應用價值。從上述神經(jīng)網(wǎng)絡的基本原理，以及它在實際應用可知。神經(jīng)網(wǎng)絡從最初的概念和基礎理論的提出到今天的全球性研究熱熱潮，已歷經(jīng)了近百年的歷史，無論是歷史研究，還是實踐應用，都取得了令人矚目得成果。由于科學技術迅猛發(fā)展，面對越來越多的各種復雜的多輸入多輸出的本質非線性的智能控制系統(tǒng)，科研人員對神經(jīng)網(wǎng)絡研究、應用情有獨鐘，必將投入大量的人力。物力、財力，在現(xiàn)代化生物學、微電子學、計算機科學的

14、強有力的支撐下。神經(jīng)網(wǎng)絡理論的發(fā)展前景一定是十分輝煌。當然、人工神經(jīng)網(wǎng)絡目前只是對生物神經(jīng)系統(tǒng)的某種特定性能的簡單模擬，設計規(guī)則也沒有通用性，固有很大的發(fā)展前景。這就需要我們不斷的去研究它.參考資料：劉軍,常小軍等神經(jīng)網(wǎng)絡原理及在控制中的應用青島化工學院學報1994年02期張昆實，萬家云等BP神經(jīng)網(wǎng)絡在湖泊水質評價中的應用研究長江大學學報2004年Z1期曹順安，侯力等基于BP神經(jīng)網(wǎng)絡的火電廠水質調節(jié)系統(tǒng)的Smith_PID自適應控制工業(yè)儀表與自動化裝置2004年06期康天增神經(jīng)網(wǎng)絡的原理及應用機電設備1996年05期胡金濱，唐旭清人工神經(jīng)網(wǎng)絡的BP算法及其應用信息技術2004年4期張立明人工神經(jīng)網(wǎng)絡的模型及應用復旦大學出版社1993.77閻平凡,黃端旭人工神經(jīng)網(wǎng)絡;模型分析與應用安徽出版社1993.5讀書的好處1、行萬里路，讀萬卷書。2、書山有路勤為徑，學海無涯苦作舟。3、讀書破萬卷，下筆如有神。4、我所學到的任何有價值的知識都是由自學中得來的。達爾文5、少壯不努力，老大徒悲傷。6、黑發(fā)不知勤學早，白首方悔讀書遲。顏真卿7、寶劍鋒從磨礪岀，梅花香自苦寒來。8、讀書要三到：心到、眼到、