神經(jīng)網(wǎng)絡(luò)基本原理精選(五篇)

序言：作為思想的載體和知識的探索者，寫作是一種獨特的藝術(shù)，我們?yōu)槟鷾蕚淞瞬煌L(fēng)格的5篇神經(jīng)網(wǎng)絡(luò)基本原理，期待它們能激發(fā)您的靈感。

篇1

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)；數(shù)字識別；特征提取

中圖分類號：TP183 文獻標(biāo)識碼：A 文章編號：1009-3044（2013）14-3362-04

1 概述

數(shù)字識別在車輛牌照識別、銀行支票識別和郵政儲蓄票據(jù)識別等領(lǐng)域有著廣泛的應(yīng)用，因而成為研究人員近年來研究的一個焦點[1]。而人腦神經(jīng)系統(tǒng)模型的建立為人工神經(jīng)網(wǎng)絡(luò)的產(chǎn)生提供了理論模型依據(jù)， 使其具有模擬人腦部分形象思維的能力[2]，因而使其成為人工智能技術(shù)的重要組成部分和常用方法。人工神經(jīng)網(wǎng)絡(luò)由簡單信息處理單元相互連接組成，通過簡單處理單元間的相互作用來實現(xiàn)對其所接收信息的處理。而隨著人工神經(jīng)網(wǎng)絡(luò)技術(shù)的快速發(fā)展，其為解決模式識別鄰域的相關(guān)問題提供了新的解決思路和方法，其突出的優(yōu)點在于它具有對接收信息可進行并行分布式處理能力和自我學(xué)習(xí)反饋能力，因而吸引了眾多研究人員對其進行廣泛和深入的研究。而誤差反向傳播網(wǎng)絡(luò)（Back-Propagation），即BP神經(jīng)網(wǎng)絡(luò)，是一種典型的人工神經(jīng)網(wǎng)絡(luò)，它具有人工神經(jīng)網(wǎng)絡(luò)的所有優(yōu)點，因而在眾多技術(shù)鄰域有著廣泛的應(yīng)用[3]。該文首先對BP神經(jīng)網(wǎng)絡(luò)的基本原理進行了詳細介紹，在分析了其基本原理的基礎(chǔ)上，針對數(shù)字識別問題，設(shè)計了一種利用BP神經(jīng)網(wǎng)絡(luò)技術(shù)進行數(shù)字識別的方法。經(jīng)實驗表明，該方法合理可行，且其識別效果正確有效。

2 相關(guān)原理與知識

由于本文針對數(shù)字識別問題，利用BP神經(jīng)網(wǎng)絡(luò)技術(shù)對其進行方法設(shè)計和實現(xiàn)，首先必須了解BP神經(jīng)網(wǎng)絡(luò)的基本原理，即了解其具體構(gòu)成形式、模型分類和其功能特點。其次，在了解了BP神經(jīng)網(wǎng)絡(luò)基本原理的基礎(chǔ)上，進一步了解其所處理數(shù)據(jù)的特點和組成形式，并根據(jù)處理數(shù)據(jù)的特點和其數(shù)據(jù)結(jié)構(gòu)設(shè)計相應(yīng)的數(shù)字識別方法。下面分別對它們進行詳細的介紹。

2.1 BP神經(jīng)網(wǎng)絡(luò)基本原理

BP神經(jīng)網(wǎng)絡(luò)算法由數(shù)據(jù)信息流的前向計算，即正向信息流的正向傳遞，誤差信息的反向回饋兩個部分組成。當(dāng)信息流進行正向傳遞時，其傳遞方向為從輸入層到隱層再到輸出層的順序，器每層神經(jīng)元所處的狀態(tài)只會影響下一層神經(jīng)元的狀態(tài)。若在最后的輸出層沒有得到理想的輸出信息，則應(yīng)立即進入誤差信息的反向回饋過程[6]。最終經(jīng)過這兩個過程的相互交替運行，同時在權(quán)向量空間使用誤差函數(shù)梯度下降策略，動態(tài)迭代搜索得到一組權(quán)向量，使得該BP神經(jīng)網(wǎng)絡(luò)的誤差函數(shù)值達到最小，從而完成對信息提取和記憶過程[7]。

2.2 BMP二值圖像文件數(shù)據(jù)結(jié)構(gòu)

由于本文處理的數(shù)據(jù)源為BMP二值圖像，則必須了解其數(shù)據(jù)結(jié)構(gòu)，才能對其進行進一步的識別方法設(shè)計。由數(shù)字圖像處理基礎(chǔ)知識可知，常見BMP二值圖像文件的數(shù)據(jù)結(jié)構(gòu)由以下三部分組成：（1）位圖文件頭，其包含了BMP二值圖像的文件類型、文件大小和位圖數(shù)據(jù)起始位置等信息；（2）位圖信息頭，它包含了BMP二值圖像的位圖寬度和高度、像素位數(shù)、壓縮類型、位圖分辨率和顏色定義等信息；（3）位圖數(shù)據(jù)體，其記錄了位圖數(shù)據(jù)每一個像素點的像素值，記錄順序在掃描行內(nèi)是從左到右，掃描行之間是從下到上。因此，根據(jù)BMP二值圖像數(shù)據(jù)結(jié)構(gòu)信息，讀出所需要的圖像數(shù)據(jù)，并對這些圖像數(shù)據(jù)做進一步的處理。在本文給定的訓(xùn)練圖像中，圖像數(shù)據(jù)大小為80個字節(jié)，而圖像數(shù)據(jù)體距離其文件頭的偏移量為62個字節(jié)。但為了減少數(shù)據(jù)處理數(shù)量，該文在進行實驗時直接使用位圖數(shù)據(jù)體中的數(shù)據(jù)，沒有通過讀出位圖文件頭來得到位圖數(shù)據(jù)體中的數(shù)據(jù)。

3 數(shù)字識別具體設(shè)計方法

由上文可知，該文使用數(shù)據(jù)源為圖像大小為20*20的BMP二值圖像，由于是對位圖數(shù)據(jù)體的數(shù)據(jù)直接進行操作，因此省去了對圖像其他數(shù)據(jù)結(jié)構(gòu)數(shù)據(jù)的繁雜處理過程，將問題的核心轉(zhuǎn)向BP神經(jīng)網(wǎng)絡(luò)的設(shè)計方法步驟。

4 實驗結(jié)果

圖4所示為BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練及測試結(jié)果圖。該文選擇10個訓(xùn)練樣本，通過實驗結(jié)果可以看出，由這10個訓(xùn)練樣本訓(xùn)練出來的BP神經(jīng)網(wǎng)絡(luò)對于訓(xùn)練樣本中的圖像數(shù)值識別率達100%，訓(xùn)練時間也比較短，其迭代次數(shù)大概為700次左右。對于一些含有噪聲的圖片，只要噪聲系數(shù)小于0.85個字符，其數(shù)字識別率可達96%。

5 結(jié)束語

針對二值圖像數(shù)字識別問題，該文在對BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)理論進行分析后，設(shè)計了一種基于BP神經(jīng)網(wǎng)絡(luò)的數(shù)字識別方法，并通過實驗驗證了該BP神經(jīng)網(wǎng)絡(luò)用于數(shù)字識別的可行性和有效性。而對于BP神經(jīng)網(wǎng)絡(luò)存在的收斂速度慢、易陷入局部最優(yōu)和學(xué)習(xí)、記憶具有不穩(wěn)定性等問題，還有待于對其進行一步研究。

參考文獻：

[1] 韓力群.人工神經(jīng)網(wǎng)絡(luò)教程[M].北京：北京郵電大學(xué)出版社，2006.

[2] 呂俊，張興華.幾種快速BP算法的比較研究[J].現(xiàn)代電子技術(shù)，2003，24（167）：96-99.

[3] 陸瓊瑜，童學(xué)鋒.BP算法改進的研究[J].計算機工程與設(shè)計，2007（10）：96-97.

[4] Sven Behnke，Marcus Pfister.A Study on the Combination of Classifiers for Handwritten Digit Recognition，2004.

[5] 馬耀名，黃敏.基于BP神經(jīng)網(wǎng)絡(luò)的數(shù)字識別研究[J].信息技術(shù)，2007（4）：87-88.

[6] Hasan soltanzadeh.Mohammad Rahmati.Recogniton of Persian Handwritten Digits Using Image Profiles of Multiple Orientations[J].Pattern Recognition Leaers，2004（15）.

[7] 吳成東，劉文涵.基于粗網(wǎng)格神經(jīng)網(wǎng)絡(luò)的車牌字符識別方法[J].沈陽建筑大學(xué)報，2007，23（4）：694-695.

篇2

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)

中圖分類號：TP207 文獻標(biāo)識碼：A DOI：10.11974/nyyjs.20160132074

隨著當(dāng)今社會經(jīng)濟的不斷發(fā)展，人們對生活品質(zhì)的追求越來越高，電氣設(shè)備變得多樣化和先進化，不同區(qū)域間聯(lián)系更加緊密，而在給人們的生活帶來便利的同時，簡單的人工故障診斷方法已經(jīng)無法滿足結(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需求的選擇。近年來，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)備常見故障類型及危害

1.1 電氣設(shè)備常見故障類型

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)備的運行需要很多電器元件的相互配合，產(chǎn)生故障通常是因為電能或控制信息在傳遞、分配、轉(zhuǎn)換過程中失去控制。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)生錯誤動作、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重的財產(chǎn)損失，一旦發(fā)生，也會造成其他相關(guān)領(lǐng)域不同程度的癱瘓。由此可見，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)是一種模仿動物神經(jīng)網(wǎng)絡(luò)行為的特征，進行分布式并行信息處理的算法數(shù)學(xué)模型[2]。這個模型可以根據(jù)不同系統(tǒng)自己的特征來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題、不能處理符號性信息等，因此，它需要結(jié)合其它相關(guān)理論和方法來彌補自身的不足，以便更好地解決特定領(lǐng)域中的問題。

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，它可以直接采用語言型控制規(guī)則，在設(shè)計過程中不需要建立被控對象的精確數(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)用起來很方便，適用于對那些數(shù)學(xué)模型難以獲取、動態(tài)特性不易掌握或變化非常顯著的對象。模糊控制器是一種比較容易控制、掌握起來比較理想的非線性控制器，具有一定的適應(yīng)能力和強健性。

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)可以作為對電氣設(shè)備進行故障診斷的模型，這一技術(shù)的提出為電氣設(shè)備故障的診斷帶來發(fā)展和進步，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)備故障機理的復(fù)雜性，系統(tǒng)在實際運用過程中，可能會發(fā)生隨機故障模式，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，對電氣設(shè)備控制系統(tǒng)的信號進行實時采集和及時與PC 機進行通信，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工作效率，使得故障診斷問題變得更加直觀。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)展成為未來的趨勢[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，將故障現(xiàn)象和故障原因相對應(yīng)，作為系統(tǒng)的學(xué)習(xí)樣本。按照輸入與輸出相對應(yīng)的關(guān)系輸入學(xué)習(xí)樣本，系統(tǒng)經(jīng)過內(nèi)部的算法不斷提高精度，當(dāng)精度達到設(shè)定的要求時，模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)的學(xué)習(xí)過程結(jié)束。此時，將測試樣本的輸入數(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)的實際使用時，必然會遇到輸入數(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，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)將會做為新的樣本存入數(shù)據(jù)庫，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、容易實現(xiàn)、計算量小、并行性強是這個方法領(lǐng)先其他算法的優(yōu)勢。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，按誤差對權(quán)值做負反饋。

BP算法需要依次根據(jù)輸入對輸出進行矯正，也就是對每組數(shù)據(jù)都要計算比對。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行學(xué)習(xí)樣本的輸入之后再進行的，所以要修改各個連接權(quán)值。利用梯度下降法來修改各個連接權(quán)值，以便達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

電氣設(shè)備的故障診斷已經(jīng)成為值得重視的問題，為保證運行系統(tǒng)能夠正常運行，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)備故障問題，結(jié)合傳感器檢測技術(shù)、自動控制技術(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

[1]電氣設(shè)備及控制電路常見故障分析[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].機械工業(yè)出版社，1995.

[4]龍祥，錢志博.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，2006.

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

篇3

摘要：工程造價估算是招標(biāo)投標(biāo)中的重要一環(huán)，探尋一套快速、簡捷、實用的工程造價估算方法已經(jīng)成為建筑行業(yè)的迫切需要。為了建設(shè)工程造價估算技術(shù)的發(fā)展及文聯(lián)面臨的問題，提出在建設(shè)工程造價估算技術(shù)系統(tǒng)中應(yīng)用人工神經(jīng)網(wǎng)絡(luò)技術(shù)來提高估算精確度，并且給出系統(tǒng)的設(shè)計模型。

關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò)；工程造價；造價估算

人工神經(jīng)網(wǎng)絡(luò)（ArtificialNeuralNetworks，簡寫為ANNs）也簡稱為神經(jīng)網(wǎng)絡(luò)（NNs）或稱作連接模型（ConnectionistModel），它是一種模范動物神經(jīng)網(wǎng)絡(luò)行為特征，進行分布式并行信息處理的算法數(shù)學(xué)模型。這種網(wǎng)絡(luò)依靠系統(tǒng)的復(fù)雜程度，通過調(diào)整內(nèi)部大量節(jié)點之間相互連接的關(guān)系，從而達到處理信息的目的。人工神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)和自適應(yīng)的能力，可以通過預(yù)先提供的一批相互對應(yīng)的輸入－輸出數(shù)據(jù)，分析掌握兩者之間潛在的規(guī)律，最終根據(jù)這些規(guī)律，用新的輸入數(shù)據(jù)來推算輸出結(jié)果，這種學(xué)習(xí)分析的過程被稱為“訓(xùn)練”。

一、神經(jīng)網(wǎng)絡(luò)的建立

雖然人們還并不完全清楚生物神經(jīng)網(wǎng)絡(luò)是如何進行工作的，但還是幻想能否構(gòu)造一些“人工神經(jīng)元”，然后將這些神經(jīng)元以某種特定的方式連接起來，模擬“人腦”的某些功能。

在1943年，心理學(xué)家W. McCulloch和數(shù)學(xué)家W. Pitts合作，從數(shù)理邏輯的角度，提出了神經(jīng)元和神經(jīng)網(wǎng)絡(luò)最早的數(shù)學(xué)模型（MP模型），是神經(jīng)網(wǎng)絡(luò)研究的開端，更為后面的研究發(fā)展奠定了基礎(chǔ)。經(jīng)歷了半個多世紀，神經(jīng)網(wǎng)絡(luò)度過了萌芽期、第一次期、反思低潮期、第二次期、再認識與應(yīng)用研究期五個階段。目前，神經(jīng)網(wǎng)絡(luò)已成為涉及多種學(xué)科和領(lǐng)域的一門新興的前沿交叉學(xué)科。

神經(jīng)元分為分層網(wǎng)絡(luò)和相互連接型網(wǎng)絡(luò)。所謂分層網(wǎng)絡(luò)，就是一個網(wǎng)絡(luò)模型中的所有神經(jīng)元按功能分層，一般分為輸入層、中間層（隱含層）、輸出層，各層按順序連接，隔層之間均采用的是全互連接，但對于同一單元間，不互相連接。分層網(wǎng)絡(luò)可細分為簡單前向網(wǎng)絡(luò)、反饋前向網(wǎng)絡(luò)和層內(nèi)互相連接的網(wǎng)絡(luò)。人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)是一種多層的網(wǎng)絡(luò)結(jié)構(gòu)，一個典型的前向網(wǎng)絡(luò)。

某個神經(jīng)元 j 的輸入―輸出關(guān)系為

其中，θj為閥值，ωji為連接權(quán)，f(•)為變換函數(shù)，也稱活化函數(shù)(activation function)

對于人工神經(jīng)網(wǎng)絡(luò)模型，我們只可能在某種程度上去描述我們所了解的情況。同樣，人工神經(jīng)網(wǎng)絡(luò)也只可能是在某種程度上對真實的神經(jīng)網(wǎng)絡(luò)的一種模擬和逼近。

二、在工程造價中的運用

成都市工程造價計價模式后選取了基礎(chǔ)類型、結(jié)構(gòu)類型、工期、層數(shù)、建址、層高、內(nèi)裝修、門窗、單位造價等10個影響工程造價和工程量的特征作為模型的輸入。考慮到各個工程中門和窗數(shù)量差別很大為提高估算的精度我們把門數(shù)量和窗數(shù)量作為輸入，其數(shù)量在工程施工圖紙上很容易查得，不需作復(fù)雜的計算。對于其他文字性表達的工程特征需轉(zhuǎn)變成數(shù)字后作為網(wǎng)絡(luò)的輸入。

很明顯的看出，測試樣本總體誤差率比較小，平均誤差為283%，基本滿足估算要求，隨著工程資料的不斷積累，選取有代表性的數(shù)據(jù)作為樣本，誤差將不斷縮小。

意義：

通過這次研究，我們了解了人工神經(jīng)網(wǎng)絡(luò)的基本原理，即通過誤差反向傳播建立多層前饋網(wǎng)絡(luò)的學(xué)習(xí)收斂過程,該過程主要包括三個層次,即輸入層、隱含層和輸出層。在訓(xùn)練中通過計算輸出值與期望值之間的誤差,來求解輸出層單元的一般化誤差,再將誤差進行反向傳播,求出隱含層。并了解了基于人工神經(jīng)網(wǎng)絡(luò)之上的建設(shè)項目的投資估算模型，了解了平滑指數(shù)法、類比系數(shù)法、模糊數(shù)學(xué)估算法的基本原理與其自身的優(yōu)勢與不足，也讓我們更深刻地認識到，人工神經(jīng)網(wǎng)絡(luò)，作為90年代逐漸被運用的人工智能技術(shù)之一，能像一個經(jīng)驗深厚的造價師，根據(jù)工程類型、特征及其相關(guān)情況,結(jié)合數(shù)據(jù)和經(jīng)驗,準確的估算出其造價。我們也通過計算驗證了模型的可行性。對于我們從事建筑造價的大學(xué)生來說，是一次難能可貴的研究機會，能夠較深層次的了解行業(yè)中的專業(yè)知識。隨著中國改革開放和市場經(jīng)濟的不斷深入，中國建筑企業(yè)在面臨很好的機遇的同時，也面臨著嚴峻的考驗。現(xiàn)在的市場競爭機制已表現(xiàn)得越來越明顯，他要求我們提高效率，盡快拿出自己招投標(biāo)方案，但是傳統(tǒng)的預(yù)算方法以及現(xiàn)行的計算軟件都必須花費較長的時間才能計算出結(jié)果，而且計算的結(jié)果準確度還不是很高。怎樣解決這個問題，成了建筑界的熱門話題。同時作為建設(shè)方的業(yè)主，他們同樣對快速預(yù)算很感興趣。因為確定工程造價是建設(shè)工作中十分重要的一環(huán)，在不同階段有著不同的方法。如建設(shè)前期的工程造價估算、初步設(shè)計階段編制概算、施工圖設(shè)計階段編制預(yù)算，特別是建設(shè)前的估算是我們工作的重點，因為它是我們進行成本控制的起點。對于建設(shè)單位而言，它們不僅能在進行設(shè)計招標(biāo)之前大致確定該工程的造價，而且還能在工程施工招標(biāo)前定出合理的標(biāo)底。可見快速預(yù)算有其很現(xiàn)實的發(fā)展研究背景。近幾年許多學(xué)者都在這方面努力探索，并取得了很好成果。 神經(jīng)網(wǎng)絡(luò)和模糊數(shù)學(xué)的快速發(fā)展應(yīng)用為工程快速預(yù)算提供了很好的思路。我們通過查閱資料了解了模糊數(shù)學(xué)和神經(jīng)網(wǎng)絡(luò)的結(jié)合原理，認識了基于模糊神經(jīng)網(wǎng)絡(luò)和工程預(yù)算原理的工程快速估價的模型，并通過住宅建筑估價模型的建立，說明模型的實現(xiàn)方法且驗證其實用性。這次研究對于行業(yè)經(jīng)驗不足的我們十分寶貴，我們通過書籍等資料更加全方位的了解了我們未來所講從事的行業(yè)的知識，為我們以后的工作做了良好的鋪墊，積累了寶貴財富，我們將在了解這些專業(yè)知識之后熟練地運用，以更好地促進行業(yè)的發(fā)展。（西華大學(xué)；四川；成都；610039）

參考文獻：

① 汪應(yīng)洛、楊耀紅，工程項目管理中的人工神經(jīng)網(wǎng)絡(luò)方法及其應(yīng)用［J］.中國工程科學(xué).2004,6(7):26-33.

② 袁曾仁，人工背景：神經(jīng)網(wǎng)絡(luò)及其應(yīng)用［M］清華大學(xué)出版社，1991

篇4

【關(guān)鍵詞】傳感器；數(shù)據(jù)融合；智能小車；避障

1.概述

智能小車實際上是一類輪式移動機器人，其運行原理是依據(jù)單片機程序來自動實現(xiàn)行使、轉(zhuǎn)向、加速等運動形式。因此對智能小車運動方式的控制屬于機器人學(xué)的范疇。對智能小車運動軌跡的控制主要依賴于傳感器的信息采集技術(shù)和智能控制技術(shù)。而在智能小車的運動軌跡控制問題中的一個重要問題是如何實現(xiàn)其自動避障。要完成這一任務(wù)，需要解決兩個方面的問題，一是利用傳感器準確的收集小車所在的環(huán)境信息，二是將環(huán)境信息自動處理后變成控制信息。實踐表明，采用的單一的傳感器技術(shù)已經(jīng)不能滿足收集充足環(huán)境信息的需要，而需要多種類型的傳感器相配合，從而獲得準確的環(huán)境信息。對這些通過多種類型傳感器獲得的環(huán)境信息的處理需要實現(xiàn)不同數(shù)據(jù)的之間的整合，即需要利用多傳感器的數(shù)據(jù)融合技術(shù)。常用的數(shù)據(jù)融合技術(shù)如傳統(tǒng)的卡爾曼濾波法、D-S證據(jù)推理等，但其核心思想是一致的，即通過對多種信息的融合來實現(xiàn)對目標(biāo)的識別和跟蹤。采用基于多傳感器的數(shù)據(jù)融合技術(shù)已經(jīng)成為智能小車避障控制中的重要研究方向。在本文中將以多傳感器的數(shù)據(jù)融合技術(shù)為基礎(chǔ)，研究智能小車的避障問題。

2.基于多傳感器的數(shù)據(jù)融合

基于多傳感器的數(shù)據(jù)融合技術(shù)需要處理來自多個傳感器的實時數(shù)據(jù)，并進行快速的處理。從傳感器獲得數(shù)據(jù)的類型來看，這些數(shù)據(jù)代表不同的物理含義，如速度、距離、角度等，數(shù)據(jù)類型和特征也不盡相同，分屬于不同的層次，因此對來自多個傳感器的數(shù)據(jù)融合實際上要完成對多層次數(shù)據(jù)的綜合評定，這必須依賴于一定的數(shù)據(jù)融合結(jié)構(gòu)。

2.1 基于多傳感器信息的融合結(jié)構(gòu)

從現(xiàn)有的研究成果來看，基于多傳感器信息的數(shù)據(jù)融合結(jié)構(gòu)主要有四種形式：無反饋分布式融合、反饋分布式融合、集中式融合和反饋并行融合，各類融合結(jié)構(gòu)的主要特點分別為：①無反饋分布式融合。無反饋分布式融合模式需要對每個傳感器的數(shù)據(jù)都進行濾波分析，并完成對各傳感器的局部信息融合，最后再實現(xiàn)對多個傳感器數(shù)據(jù)的融合。這類數(shù)據(jù)融合方式的優(yōu)點是不需要太大的通信開銷，融合速度較快，所需的存儲空間也較小。②反饋分布式融合。反饋分布式融合的基本原理和無反饋分布式融合類似，但每個傳感器多了一個信息反饋通道，可提高預(yù)測和狀態(tài)估計的精度，但需要更大的通信開銷。③集中式融合。集中式融合的主要特點是對所有傳感器采集的信息進行狀態(tài)的估計和預(yù)測，通過對每個傳感器采集信息的檢測判定來實現(xiàn)對所有傳感器信息的綜合判定。由于采用了所有傳感器的全部信息，因此這類融合方法的精度較高，但也需要更高的硬件配置。④反饋并行融合。這類數(shù)據(jù)融合結(jié)構(gòu)綜合了以上三類融合結(jié)構(gòu)的優(yōu)點，對局部、整體的數(shù)據(jù)處理效率和精度都很高，但對硬件和數(shù)據(jù)關(guān)聯(lián)技術(shù)等要求也較高，是一類重要的研究方向。

2.2 基于多傳感器信息的數(shù)據(jù)融合方法

基于多傳感器信息的數(shù)據(jù)融合方法主要分為兩類，一是基于概率統(tǒng)計的方法，如統(tǒng)計決策法、貝葉斯法等，二是人工智能方法，如模糊控制法、人工神經(jīng)網(wǎng)絡(luò)、D-S證據(jù)推理等。每種方法可參考有關(guān)文獻，此處不再一一詳述。

3.模糊神經(jīng)網(wǎng)絡(luò)基本原理

模糊神經(jīng)網(wǎng)絡(luò)是模糊控制理論和人工神經(jīng)網(wǎng)絡(luò)理論的耦合技術(shù)，能夠有效的處理對經(jīng)驗性依賴較高的問題，并能廣泛的適用于無法精確建模的系統(tǒng)。而人工神經(jīng)網(wǎng)絡(luò)則能夠具備自學(xué)習(xí)能力和快速求解能力。通過模糊控制和人工神經(jīng)網(wǎng)絡(luò)的結(jié)合，能夠形成函數(shù)估計器，有效的處理模糊信息和完成模糊推理，其性能比單一采用模糊控制或人工神經(jīng)網(wǎng)絡(luò)控制效果更優(yōu)。模糊神經(jīng)網(wǎng)絡(luò)的基本原理為：①定義若干各模糊集合，并形成對應(yīng)的控制規(guī)則。定義神經(jīng)網(wǎng)絡(luò)的層次(一般分為三層)和節(jié)點數(shù)量。②定義輸入層。將輸入層中的節(jié)點與輸入向量分量之間實現(xiàn)連接。③定義隸屬函數(shù)層。以語言變量值構(gòu)成隸屬函數(shù)層的節(jié)點，與輸入層的連接權(quán)值固定為1，節(jié)點閾值為0。④定義規(guī)則層。每一條模糊控制規(guī)則定義為一個節(jié)點，節(jié)點的輸出為隸屬函數(shù)的輸出。

4.實例應(yīng)用

4.1 硬件

在本例中，智能小車所采用硬件平臺為STC89C52型單片機，動力系統(tǒng)為AUSRO馬達130，驅(qū)動芯片型號為TA7267，驅(qū)動芯片與單片機相連，其輸出端和馬達直流電機連接，從而實現(xiàn)對小車的方向控制，小車通過兩輪驅(qū)動。

小車采用的傳感器有兩種類型：超聲波測距系統(tǒng)和紅外傳感器系統(tǒng)。超聲波測距系統(tǒng)的型號為TCT40-10T/R，紅外傳感器的型號為索尼CX20106。

4.2 傳感器數(shù)據(jù)融合規(guī)則

在采用了5路超聲波測距系統(tǒng)后，基本上可以對小車周圍的障礙狀況有比較可靠的了解，紅外傳感器的作用是為了彌補超聲波測距系統(tǒng)的盲區(qū)。對這兩類傳感器所采集數(shù)據(jù)的處理方式為：①超聲波測距系統(tǒng)和紅外傳感器同時工作；②若紅外傳感器的有效探測距離內(nèi)發(fā)現(xiàn)障礙，以紅外傳感器的數(shù)據(jù)為準；③其他情況以超聲波測距系統(tǒng)的探測值為準。

對5個方向的超聲波測距的數(shù)據(jù)所采用的數(shù)據(jù)融合流程為：開始選擇通道發(fā)射超聲波盲區(qū)延時接收信號計算小車與障礙之間的距離數(shù)據(jù)融合選擇小車動作。數(shù)據(jù)的融合技術(shù)采用模糊神經(jīng)網(wǎng)絡(luò)法。

4.3 模糊神經(jīng)網(wǎng)絡(luò)的構(gòu)建

結(jié)合智能小車避障控制的需要，在小車車身配置5個超聲波系統(tǒng)和一個紅外系統(tǒng)，分別完成對前、左、左前、右、右前5個方向的測量，因此模糊神經(jīng)網(wǎng)絡(luò)共需要建立起5個輸入和2個輸出的網(wǎng)絡(luò)結(jié)構(gòu)。各個輸入量的物理含義為小車在上述5個方向的與障礙的距離，神經(jīng)網(wǎng)絡(luò)的輸出量為小車的前進和停止。以紅外傳感器采集的數(shù)據(jù)作為小車運動控制的開關(guān)量。隸屬函數(shù)層的函數(shù)形式采用高斯型，模糊語言變量分別為｛“遠”、“近”｝，因此結(jié)合第一層的5個輸入，共構(gòu)成10個神經(jīng)元。結(jié)合輸入層和隸屬函數(shù)層的情況，輸出層的神經(jīng)元數(shù)量為2的5次方，共32個神經(jīng)元。

4.4 模糊控制規(guī)則和樣本訓(xùn)練

(1)模糊控制規(guī)則

模糊控制規(guī)則體現(xiàn)的是人為控制經(jīng)驗的總結(jié)，分別對5個方向的超聲波探測到的距離信息為基礎(chǔ)來控制小車的轉(zhuǎn)向。其基本原則為，若距離障礙較近，則小車停止前進，若距離障礙較遠，則小車繼續(xù)前進。分別以F表示前進、TF表示左轉(zhuǎn)、TR表示右轉(zhuǎn)、在實際控制規(guī)則中，共有9條，這里僅舉一條來進行說明：若前方障礙較近，且左、左前、右、右前距離障礙較遠，則小車左轉(zhuǎn)。將上述規(guī)則轉(zhuǎn)換為模糊語言后，即可獲得具體的控制規(guī)則。具體轉(zhuǎn)換方式可參照有關(guān)文獻。

(2)模糊神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本

依據(jù)上述模糊神經(jīng)網(wǎng)絡(luò)的基本組成方式，其模糊輸入范圍的論域為[0,5]，以高斯型隸屬度函數(shù)來劃分距離遠近的模糊集合。訓(xùn)練樣本的數(shù)據(jù)量較大，因此這里不便一一列出，神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方法可參照有關(guān)文獻。

4.5 運行效果

在上述的步驟完成后，對小車的避障能力進行了實際驗證。實驗表明，利用超聲波測距系統(tǒng)結(jié)合紅外傳感器后，以模糊神經(jīng)網(wǎng)絡(luò)融合上述兩類傳感器采集的數(shù)據(jù)可有效的實現(xiàn)智能小車的避障運動。

參考文獻

篇5

【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)可以達到毫米級，但相對于平面定位精度，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)元由細胞體、樹突和軸突三部分組成，其中突觸是神經(jīng)元之間的連接。細胞體是由很多分子形成的綜合體，內(nèi)部含有細胞核、細胞質(zhì)和細胞膜。細胞體的作用是接受和處理信息。樹突是細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，是細胞體向外延伸最長、最粗的樹枝纖維體，也叫神經(jīng)纖維。（2）神經(jīng)元模型。神經(jīng)元一般表現(xiàn)為一個多輸入（多個樹突和細胞體與其他多個神經(jīng)元軸突末梢突觸連接）、單輸出（每個神經(jīng)元只有一個軸突作為輸出通道）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)元只接受來自前一層神經(jīng)元的輸入，后面的層對前面的層沒有信號反饋。輸入模式經(jīng)過各層次的順序傳播，最后在輸出層上得到輸出。目前對前向網(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)點數(shù)目足夠多，前向網(wǎng)絡(luò)就可以通過訓(xùn)練學(xué)習(xí)樣本，以任意精度逼近(或表達)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。上下層之間實現(xiàn)全連接，而每層神經(jīng)元之間沒有連接。當(dāng)一對學(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，按照減少目標(biāo)輸出和實際輸出之間的方向，從輸出層反向經(jīng)過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估計輸出層的直接前導(dǎo)層的誤差，再用這個誤差估計更前一層的誤差，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。

BP網(wǎng)絡(luò)學(xué)習(xí)規(guī)則的指導(dǎo)思想是：對網(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xi，中間層節(jié)點yi，輸出節(jié)點zl。輸入節(jié)點與中間層節(jié)點間的網(wǎng)絡(luò)權(quán)值為wji，中間層節(jié)點與輸出節(jié)點間的網(wǎng)絡(luò)權(quán)值為vlj。當(dāng)輸出節(jié)點的期望值為tl時，模型計算公式如下。

中間層節(jié)點的輸出：

yi=f(∑iwjixi-θj)=f(netj)(2)

輸出節(jié)點的計算輸出：

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)高程異常擬合實例:以本溪GPS和水準資料作為樣本來源，進行BP高程異常擬合。

通過山區(qū)高程異常擬合實例，對數(shù)據(jù)分析可以得到如下結(jié)論，學(xué)習(xí)樣本數(shù)與測試樣本數(shù)之比在1/4之間時網(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)高程異常擬合實例:以某市D級GPS部分數(shù)據(jù)進行實驗研究

通過平原地區(qū)高程異常擬合實例，對數(shù)據(jù)分析可以得到如下結(jié)論，學(xué)習(xí)樣本數(shù)與測試樣本數(shù)之比在 1/3 之間時網(wǎng)絡(luò)穩(wěn)定性較好。學(xué)習(xí)樣本數(shù)對測試對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題的一些基本特征，進而仿真的效果就能更好。

4. 結(jié)束語

重點研究基于BP神經(jīng)網(wǎng)絡(luò)的GPS高程異常擬合算法，詳細介紹了人工神經(jīng)網(wǎng)絡(luò)基本理論，重點討論了基于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。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)進行了神經(jīng)網(wǎng)絡(luò)性能分析。

參考文獻

[1] 國家測繪局測繪發(fā)展研究中心.測繪發(fā)展研究動態(tài)[R].北京：國家測繪局，2008，8：1-7

[2] 李征航、黃勁松.GPS測量與數(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：武漢測繪科技大學(xué)學(xué)報，1999，24(4),11-15

[5] 閻平凡.人工神經(jīng)網(wǎng)絡(luò)與模擬進化計算[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