神经网络设计精选(九篇)

前言：一篇好文章的诞生，需要你不断地搜集资料、整理思路，本站小编为你收集了丰富的神经网络设计主题范文，仅供参考，欢迎阅读并收藏。

第1篇：神经网络设计范文

关键词：模糊神经网络；PID；控制系统；非线性

中图分类号：TP183 文献标识码：A文章编号：1007-9599 (2011) 20-0000-02

Design of Control System Based on FNN PID

Duan Zhengjun1,Zhao Ran1,Tian Wenxue2

(1.TISCO Stainless Steel Pipe company,Taiyuan030000,China;2. China Chemical Engineering Second Construction Corporation,Taiyuan030000,China)

Abstract:At present,many of intelligent algorithm apply to the non-linear control system,it is intelligent control systems,for example,neural network,fuzzy control.According to the neural networks and fuzzy control in this article,introduced design principles and implementation based on neural nerwork and PID algorithm.

Keywords:Fuzzy neural network;PID;Control System;Nonlinear

一、引言

模糊神经网络（FNN）是模糊逻辑控制和神经网络两者结合的产物。模糊逻辑控制和神经网络两者单独使用时候，都会有一定的缺陷。模糊逻辑在一定的论域上面有很好的收敛性，在进行模糊量的运算上有优势；而神经网络具有强的自学习、自适应、并行运算和精确计算的能力。因此，两者结合可以优势互补，从而很大提高综合能力。FNN-PID是将模糊神经网络融进PID算法中，实现二者结合。FNN-PID算法具有PID控制器优点、模糊控制的良好收敛性和对模糊量的运算优势，也有神经网络自学习、自适应的特性。

二、FNN系统结构

FNN具有很多种结构和算法，对于不同的控制对象，在综合考虑运算速度和精度的情况下，可以使模糊神经网络结构有所不同。本文模糊神经网络采用如图1的结构，两个输入变量是有 、 ，为误差E与误差变化量EC。输出变量为Y，为PID三要素中的一个。根据专家经验知识把每个输入因子分为（NM，NS，ZO，PS，PM）五个模糊状态记为T[ ]。

图1.模糊神经网络的结构

第一层至第三层是实现模糊控制规则，第四层去除模糊化并实现输出实际控制对象的值，每层的作用如下：

第一层为输入层，该层的节点直接与输入层相连，起着将输入向量X传送到下一层的作用，其节点个数等于输入变量个数。输入输出关系可表示为：

， i=1，2（1）

第二层为隶属函数层，其作用是计算输入量属于各语言变量值模糊集合的隶属函数值，节点个数 ，每个节点代表一个模糊集合，可表示为：

， j=1，2，3（2）

式中j―― 的模糊分割数， 、 ――高斯函数中第j个输入对第i个结点的中心和宽度。

第三层为模糊规则层，每个节点代表一条模糊规则。采用IF-THEN模糊规则，可表示为：

：If is and is and…is THEN Yis（3）

式中，1≤n≤2，1≤i≤3： （4）

第四层为输出层： （5）

三、FNN的学习算法及步骤

在学习方法上，我们选择在线学习，在线学习就是针对整个训练集的每一个输入和对应的输出要求，每学习一条规则，就进行一次连接权的调整；这样一轮一轮不断的自动的调整网络连接权，知道整个网络达到所有的要求的响应为止。学习目的是对产生样本规律的统计特性进行建模，从具体观测推测隐含的规律，输出结果与样本接近。为了提高测量的精度，要求 、 和 三个参数能够适应环境的变化，即可实时调节高斯隶属函数和连接第三、第四层的权重比。具体算法如下：

式（5）可以按下式表示：（6）

设 ， ， ，从而得到式（6）的简化形式为： ，由式子（6）和式子（7）得到（8）式：

（9）

（10）

定义输出误差为： （11），其中 ――k时刻的输出值， ――k时刻的输出期望值。

定义系统的性能指标为：（12）

采用反方向传播方法进行监督学习，使性能指标E值最小化。根据梯度下降方法有：

以上式子分别为（13），（14），（15）。其中 为学习速度，由于采用在线学习，那么 为一个定值。根据性能指标选取规则和专家经验知识，取终止条件为E≤0.005，具体的学习步骤如下：

步骤1： 、 、 及 的初始值在[0，1]之间随机选取， 的值为恒定值，根据经验决定。

步骤2：根据式子（11），（13），（14），（15）计算得出比较理想的 ， ， 值。

步骤3：根据式子（12）计算E，若E≤0.002，迭代结束。否则，令 ， ， 为初始值并返回步骤2。

四、PID-FNN系统的设计及实现

根据FNN结构可知，输入是误差和误差变化量，输出是PID控制参数中的一个，故我们设计PID-FNN系统时要使用3个FNN，选择这样的FNN结构是为了更加精确的得到PID所需要的修正值。当然，这里所用的FNN是已经结束学习过程的。PID-FNN控制系统的具体结构如图2所示。

PID-FNN系统具体实现过程如下：①根据FNN的学习算法，通过提供的样本对FNN-Kp、FNN-Ki和FNN-Kd进行训练，使其得到合适的权值，满足性能指标为止。②误差和误差变化量做归一化处理，作为FNN-Kp、FNN-Ki和FNN-Kd的输入。③根据式子（1）（2）（4）（5）计算FNN的各层的输出，FNN-Kp、FNN-Ki和FNN-Kd最后一层的输出就是PID控制参数Kp、Ki和Kd的修正值。④利用③中得到的修正值，对经典PID控制器所得出的Kp、Ki和Kd的值进行修正。⑤Kp、Ki和Kd的修正后的值传送给控制对象，并由图2中所示，控制结果反馈回到计算误差处进行误差计算。由此跳转到②步。

图2.FNN-PID系统结构

五、结束语

FNN融合了模糊控制和神经网络的特点，本文利用这一点设计了PID-FNN控制系统并予以实现。文章中介绍了FNN的系统结构和学习过程的算法以及步骤，然后设计了PID-FNN的系统结构，并且描述了具体的实现过程。

本文作者创新点：模糊神经网络（FNN）是模糊逻辑控制和神经网络两者结合的产物。两者结合可以优势互补，从而很大提高综合能力。从而能够更迅速、更精确的对PID参数进行修正，已达到最佳的控制状态。

参考文献：

[1]李士勇.模糊控制,神经控制和智能控制论[M].哈尔滨:哈尔滨工业大学出版社,1996

[2]曾黄麟.智能计算[M].重庆:重庆大学出版社,2004

[3]晁勤,傅成华.自动控制原理[M].重庆:重庆大学出版社,2005

[4]武嘉.辅助控制系统设计与仿真[M].北京:电子工业出版社,2005

第2篇：神经网络设计范文

论文关键词：内燃机 人工神经网络 辅助方法

论文摘要：针对汽车发动机设计和性能评测当中有关参数计算的特点，提出应用人工神经网络方法进行辅助计算，以提高数据计算的结构化程度和处理速度。通过对具体数据的实际操作表明，应用本方法能够很好地表达原图表数据关系，所得结果的精度能够满足计算要求。

汽车发动机的性能包括动力性、经济性、生态特性——排放与噪声、可靠性及耐久性等多个方面，这些参数要通过在一定条件下的测试计算来获得。当发动机在非标准环境下运转时，其相关计算要通过参数进行修正，比如发动机的有效功率和燃油消耗率的计算。当发动机在非标准环境下运转时，其有效功率及燃油消耗率应修正到标准环境状况，当然也可由标准环境状况修正到现场环境状况，其中的有效功率和燃油消耗率修正系数在GB1105..1-87中以图表的形式给出，使用很不方便，本文应用人工神经网络对此图表信息进行处理，提高了数据计算的结构化程度和处理速度，取得了满意的效果。

1.神经网络的识别原理

在神经网络系统中，其知识是以大量神经元的互连和各连接的权值来表示的.神经网络映射辩识方法主要通过大量的样本进行训练，经过网络内部自适应算法不断调整其权值，以达到目的.状态识别器就隐含在网络中，具体就在互连形式与权值上.在网络的使用过程中，对于特定的输入模式，神经网络通过前向计算，产生一输出模式，通过对输出信号的比较和分析可以得出特定解。目前神经网络有近40多种类型，其中BP(Back Propagation，即反向传播)网络是最常用和比较重要的网络之一，本文就应用一种改进型的BP网络进行相应数据图表的识别映射。

BP网络由输入结点、输出层结点和隐层结点构成，相连层用全互连结构.神经网络的工作过程主要有两个阶段：一个是学习期，通过样本学习修改各权值，达到一稳定状态；一个是工作期，权值不变，计算网络输出。

B

P网络的学习过程由正向传播和反向传播两部分组成。在正向传播过程中，输入信息从输入层经隐层单元逐层处理，并传向输出层，每一层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输出，则转入反向传播，将误差信号沿原来的路径返回，通过修改各层神经元的权值，使得误差信号最小。

当给定一输入模式X=(x1，x2，….，xm)和希望输出模式Y=(y1，y2，…..，yn)时，网络的实际输出和输出误差可用下列公式求出：

隐含层输出：

式中——输入层至隐含层，隐含层至输出层的连接权；

——隐含层结点、输出层结点的阀值；

m、h、n——输入层、隐含层、输出层结点数；

f—— s型函数，f(x)=(1+e-x)-1.

如果误差太大不能满足要求，则需要用下列公式修正各连接权和阀值

为网络提供一组特定的训练模式，随机产生初始连接权和阀值，不断币复上述计算过程，直到网络全局误差小于给定的极小值为止.

由于BP网络的高识别能力，应用中采用了此结构形式.同时为提高其识别效果，加快网络的训练速度，缩短工作周期，应用了附加动量项和自适应速率的改进算法.

附加动量项法使网络在修正其权值时，不仅考虑误差在梯度上的作用，而且考虑在误差曲面上变化趋势的影响，其作用如同一个低通滤波器，允许网络上的微小变化特性，使网络陷入局部极小值的可能性大大减少。自适应速率是通过改变学习率，提高BP算法的有效性和收敛性，缩短训练时间.

2具体应用

根据以上理论，采用改进的BP神经网络形式，动量因子取0.9，对有效功率校正系数和燃油消耗率校正系数与指示功率比和机械效率的关系同时进行识别，采用双输入双输出的2-10-2结构、2-15-2结构、2-20-2结构进行训练，识别情况分别如表3-5所示。

转贴于

从实际的应用效果来看，2-15-2和2-20-2的逼近能力相似，2-15-2的速度快于2-20-2结构，而2-20-2结构的识别能力要远低于前两种结构，采用更少的隐层结点数就会使训练的时间过长，甚至使训练过程无法进行.因此最后选择2-15-2的BP网络结构作为最终的神经网络形式。如图1所示为训练次数与误差平方和之间的关系曲线，表4为部分网络输出与实际数值的比较.

通过以上计算分析可见，神经网络的映射输出能力是相当强的，通过合理的网络结构选择和具体的参数应用，完全可以满足优化设计的计算要求，大大缩短优化当中的计算迭代时间，提高计算效率。

3结论

（1）人工神经网络有很强的数据映射能力，能够很好地识别所给数据之间的对应关系，映射的精度可以满足一般设计计算要求.

（2）对于包含无规律图表数据的有关计算问题，应用神经网络是一个很好的加快运算速度的解决方法.

（3）在数据的映射识别当中，网络的结构形式和参数选择对于问题的求解精度和速度都是致关重要的’同时应当注意数据的过度训练问题.

（4）智能算法的应用为具体的工程计算提供了更方便、有效的手段，寻找有效的计算方法，以及多种算法的混合应用将是摆在设计人员的一个课题.

参考文献

[1]焦李成.神经网络系统理论[M]西安:西安电子科技大学出版社，1990.

[2]焦李成.神经网络的应用与实现[M].西安:西安电子科技大学出版社，1993.

[3]王文成.神经网络及其在汽车工程中的应用[M].北京:北京理工大学出版社，1998.

[4]张成宝，丁玉兰，雷雨成.人工神经网络在汽车变速器齿轮故障诊断中的应用[J].汽车工程，1999，21(6) 374-378.

[5]Watanahle Y， Sharp H S. Neural network learning control of automotive aotic-e suspension systems.lnternational，lournal of Vehicle Design[J]，1999，21(2/3):124一147.

第3篇：神经网络设计范文

1 引言

在现代机械制造领域中，随着工厂机械制造机器人的普及，机械臂已经变得越来越重要。与传统的工业机械臂相比，未来的机械臂要能够完成更加复杂的机械加工任务。在实际的机械制造机器人应用中，衡量机械臂的工作性能主要是工作效率和工作可靠性指标。

机械臂是一个开链式的多连杆机构，用固定基座来进行固定，机械臂可以根据需要在自由端安装执行器来实现工厂生产操作，关节之间的运动可以带动连杆运动，使得机械臂运动来达到不同的姿态。本文主要针对这个问题展开研究，探讨机械臂的路径规划问题。

2 径向基函数神经网络介绍

神经网络具有分布式存储、并行协同处理和对信息具有自组织自学习等优点，所以广泛应用在人工智能方面。神经网络的大量神经元之间的连接权值和分布分别代表着特定的信息，当网络受损时可以保证网络的输出正确，这种信息处理方式大大提高了网络的容错性和鲁棒性。

径向基函数神经网络是基于函数逼近理论的，是根据系统的海量样本数据来选择隐含层神经元的径向基激活函数，可以用基函数来表示，能够无限的逼近真实的算法表达，它选择合理的隐含层单元个数和作用函数，能够把原来的非线性不可分问题映射成线性可分问题，把不好处理的非线性问题方便的简化为线性问题。径向基函数神经网络在训练时，在给定训练样本后学习算法要解决的核心问题是：设计神经网络的网络结构和求解相关的参数。网络结构设计主要包括网络的输入、网络的输出个数，隐含层节点数目。相关的参数主要包括涉及的参数有径向基函数的中心值、以及函数宽度和权值。

径向基函数神经网络属于一种性能较优的前馈型神经网络，它具有多维度非线性的映射能力和并行信息处理的能力，以及强大的聚类分析能力。与BP神经网络相比，径向基函数神经网络的网络拓扑结构采用的是径向对称的核函数，这样可以大幅提高神经网络的学习速度，同时能够避免陷入局部极小，具有较好的全局寻优能力，同时也具有较好的逼近任意非线性映射能力。

3 机械臂路径规划设计

机械臂轨迹规划主要研究的是机械臂在多维空间中的运动路线，即给定一个初始状态位姿，一个期望的末端执行器的位姿，根据规定的要求来寻找连接初始状态和期望状态的最优有效路径，然后把最优路径转变为机械臂各个关节的空间坐标，进一步转化为机械臂的各个关节的位移、速度和加速度，就形成了机械臂的路径。

机械臂的动力学状态模型为：

其中：D（q）为对称正定的惯量矩阵，为哥式力与离心力矩阵，G（q）为重力项矩阵，q为机械臂关节角位移矢量，为机械臂的角速度矢量，为机械臂的角加速度矢量，为机械臂各关节控制力矩输入矢量。

机械臂的动力学参考模型为：

其中，y为2n+1的参考模型状态矢量，r为n×1的参考模型输入矢量。

径向基函数神经网络包括一个输入层、一个隐层和一个输出层。隐层由一个径向基函数组成，和每个隐层节点相关的参数为网络中心向量和半径。本文选择高斯函数作为径向基函数。本文选择的神经网络训练方法为：输入层到隐层用无导师的聚类算法来训练，常用的是K-均值算法和模糊聚类算法，来确定神经网络的中心向量和半径，隐层和输出层的权值调整用有导师指导算法，来确定权重向量。

算法流程如下：首先对样本数据进行聚类，然后确定神经网络的隐层节点的中心的初始值，将这些样本进行分组，然后将训练样本按照距离的远近向隐层节点的中心聚类，完成后计算样本的均值，将样本均值赋值给隐层中心作为下一次迭代的聚类中心，下一步要判断聚类过程是否结束，聚类结束标志是当划分的每个聚类的样本中心不再变化。然后再计算下宽度半径，宽度半径等于每个聚类中心与该训练样本之间的平均距离。

通过算法验证，对机械臂的路径规划验证了算法的合理性和可行性，规划后支反力和扭矩等动力性能较好，完全满足工程需求。

第4篇：神经网络设计范文

关键词：脱硫脱硝；BP神经网络；反向传播；预测

中图分类号：X73文献标识码：A文章编号：16749944（2014）07021303

1技术背景

煤炭燃烧产生的烟气中，含有大量的氮硫氧化物，这些氧化物直接排放到空气中，会导致酸雨等自然灾害的发生。因此，各国都在积极研究烟气脱硫脱硝技术。目前最新的技术是采用臭氧的强氧化性对烟气中的NO进行处理，使之溶解于水，降低烟气中的氮硫氧化物。

现有的技术对于臭氧的添加采用的是PID控制，此控制技术经过多年的发展，已经相对成熟。其控制设备简单，控制思路清晰，但在控制过程中也存在很多问题，比如对于大惯性环节控制滞后，震荡过度等问题。在添加臭氧的过程中，通过检测烟气输入端的氮硫氧化物的摩尔量，利用反应方程式计算理想状态下需要的臭氧摩尔量，然后再通过检测通入碱性废水中和前的NOx，SO2的浓度，完成PID调节，改变臭氧的添加量。

在添加的过程中，因为影响臭氧添加量的各个因素之间是非线性的，所以无法进行单一的线性补偿，导致臭氧添加量过大或者过少。过大会造成添加臭氧的浪费，过小会使烟气反应不完全，导致烟气排放不达标，所以本发明的目的就是根据历史数据对臭氧的需求量建立预测模型，通过数据的分析，预测臭氧的消耗量，以达到减少浪费或者减少烟气不达标的情况。

人工神经网络是利用计算机模拟人脑的结构和功能的一门新学科[1]，能够利用自身的优良处理性能，解决高度非线性和严重不确定性系统的复杂问题，在此适合进行对臭氧需求量进行预测，所以提出建立一个三层BP神经网络预测模型，使用改进的算法进行训练，并对烟气脱硫脱硝中臭氧需求量的预测的方法[2]。

2BP网络及动量梯度下降算法

BP（Back Propagation）网络是1986年由Rumelhart和McCelland为首的科学家小组提出的，一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，并且无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层（input layer）、隐含层（hide layer）和输出层（output layer）。

网络学习规则又称为 学习规则，对于给定的一组训练模式，不断用一个个训练模式重复前向传播和误差反向传播过程，各个训练模式都满足要求时，则说明BP网络已学习好了。从网络学习的角度来看，网络状态前向更新及误差信号传播过程中，信息的传播是双向的，但是不意味着网络层与层之间的结构也是双向的。

BP神经网络能够以任意精度逼近任何非线性连续函，使得其特别适合于求解内部机制复杂的问题，即BP神经网络具有较强的非线性映射能力；其次BP神经网络具有高度自学习和自适应的能力。还有泛化能力，即BP神经网络具有将学习成果应用于新知识的能力。容错能力：BP神经网络具有一定的容错能力，即使系统在受到局部损伤时还是可以正常工作（图1）。

从（2）式可看出，如果比例系数μ=0，则为高斯-牛顿法；如果μ取值很大，则LM算法接近梯度下降法，每迭代成功一步，则μ减小一些，这样在接近误差目标的时候，逐渐与高斯-牛顿法相似[4]。高斯-牛顿法在接近误差的最小值的时候，计算速度更快，精度也更高。由于LM算法利用了近似的二阶导数信息，它比梯度下降法快得多，实践证明，采用LM算法可以较原来的梯度下降法提高速度几十甚至上百倍。另外由于[JT（w）J（w）+μw]是正定的，所以（2）式的解总是存在的，从这个意义上说，LM算法也优于高斯-牛顿法，因为对于高斯-牛顿法来说，JTJ是否满秩还是个潜在的问题。

在实际的操作中，μ是一个试探性的参数，对于给定的μ，如果求得的 能使误差指标函数 降低，则E（w）降低；反之，则μ增加。用（2）式修改一次权值和阈值时需要求n阶的代数方程（n为网络中权值数目）。LM算法的计算复杂度为O（n3/6），若n很大，则计算量和存储量都非常大。然而，每次迭代效率的显著提高，可大大改善其整体性能，特别是在精度要求高的时候[5]。

3臭氧脱硫脱硝需求量的预测

以BP神经网络模型为原始模型，建立一个三层BP神经网络预测模型，使用改进的算法进行训练，并对烟气脱硫脱硝中臭氧需求量的预测[6]，主要步骤分析为以下几个方面。

（1）根据生产工艺流程，臭氧将难溶于水的NOx，SO2等氮硫氧化物氧化成易溶于水的高价氧化物，通过碱性废水进行中和，同时脱硫脱硝的目的。通过分析可知，影响臭氧需求量的主要因素是：烟气的流速，反应前烟气中氧气的浓度，反应中管道内的平均氧气浓度，反应管道中臭氧与SO2的摩尔比，臭氧与NOx的摩尔比，气体在反应管道中的停留时间，碱性废水吸收液的温度，碱性废水吸收液中碱离子的浓度和烟气的温度等因素。在此，选取以上影响因素作为BP神经网络模型的输入变量，通入的臭氧的流速作为输出变量。

在建立BP神经网络模型过程中，隐含层节点数对BP神经网络预测精度有较大的影响，节点数太少，网络不能很好地学习，需要增加训练次数，训练的精度也受影响；节点数太多，训练时间增加，网络容易过拟合[7，8]。最佳隐含层节点数的选择可参考如下公式。

4结语

改进的BP网络预测模型，对同时脱硫脱硝臭氧需求量进行预测，训练算法采用动态自适应学习率的梯度下降算法，能够更快的进行训练，预测误差也较小，预测值有很好的利用价值；通过对臭氧需求量的预测，能够实时的根据工况自动改变臭氧的添加量，既能满足脱硫脱硝的技术要求，同时也可以降低臭氧的需求量，降低企业成本，提高公司效益。本文只是设计了方法，结果需要经过试验进行验证，并进行改进。

参考文献：

[1] 吴昌设.基于人工神经网络的电网日负荷预测研究[D].杭州：浙江大学，2011.

[2] 姜成科.基于遗传算法的神经网络在大坝变形预报中的应用 [D].大连：大连理工大学，2008.

[3] 刘晓悦，姚乐乐，聚类分析在超短期电力负荷中的应用[J].河北联合大学学报：自然科学版，2013，35（3）：74～80.

[4] 沙瑞华.基于神经网络的水电机组动载识别研究[D].大连：大连理工大学，2005.

[5] 黄豪彩，杨冠鲁.基于LM算法的神经网络系统辨识[J].组合机床与自动化加工技术，2003（2）：6～8.

[6] 冯居易，郭晔.基于LM算法的石油期货价格预测研究[J].技术经济与管理研究，2009（5）：19～21.

[7] 项灏，张俊.一种改进的量子遗传模拟退火算法及其在神经网络智能故障诊断中的应用[J].机床与液压，2012.40（13）：196～200.

第5篇：神经网络设计范文

关键词性能对比感知器BP网络霍普菲尔德网络字符识别

1引言

人工神经网络是在人类对其大脑神经网络认识理解的基础上人工构造的能够实现某种功能的神经网络。 它是理论化的人脑神经网络的数学模型，是基于模仿大脑神经网络结构和功能而建立的一种信息处理系统。因其自组织、自学习能力以及具有信息的分布式存储和并行处理，信息存储与处理的合一等特点得到了广泛的关注，已经发展了上百种人工神经网络。

一般来说，人工神经网络从结构上可分为两种:前向网络和反馈网络。典型的前向网络有单层感知器、BP网络等，反馈网络有霍普菲尔德网络等[1]。

人工神经网络已经被广泛应用于模式识别、信号处理、专家系统、优化组合、智能控制等各个方面，其中采用人工神经网络进行模式识别具有一些传统技术所没有的优点:良好的容错能力[2j、分类能力、并行处理能力和自学习能力，并且其运行速度快，自适应性能好，具有较高的分辨率。单层感知器、BP网络和霍普菲尔德网络均可以用于字符识别。

本文通过具体采用感知器网络、BP网络和霍普菲尔德反馈网络对26个英文字母进行识别的应用，通过实验给出各自的识别出错率，通过比较，可以看出这3种神经网络的识别能力以及各自的优缺点。

2 字符识别问题描述与网络识别前的预处理

字符识别在现代日常生活的应用越来越广泛，比如车辆牌照自动识别系统[3，4]，手写识别系统[5]，办公自动化等等[6]。毕业论文 本文采用单层感知器、BP网络和霍普菲尔德网络对26个英文字母进行识别。首先将待识别的26个字母中的每一个字母都通过长和宽分别为7×5的方格进行数字化处理，并用一个向量表示。其相应有数据的位置置为1，其他位置置为O。图1给出了字母A、B和C的数字化过程，其中最左边的为字母A的数字化处理结果所得对应的向量为:IetterA~「00100010100101010001111111000110001〕’，由此可得每个字母由35个元素组成一个向量。由26个标准字母组成的输人向量被定义为一个输人向量矩阵alphabet，即神经网络的样本输人为一个35×26的矩阵。其中alphabet=[letterA，letterB，lettere，……letterZj。网络样本输出需要一个对26个输人字母进行区分输出向量，对于任意一个输人字母，网络输出在字母对应的顺序位置上的值为1，其余为O，即网络输出矩阵为对角线上为1的26×26的单位阵，定义target=eye(26)。

本文共有两类这样的数据作为输人:一类是理想的标准输人信号;另一类是在标准输人信号中加上用MATLAB工具箱里的噪声信号，即randn函数。

3 识别字符的网络设计及其实验分析

3.1单层感知器的设计及其识别效果

选取网络35个输人节点和26个输出节点，设置目标误差为0.0001，最大训练次数为40。设计出的网络使输出矢量在正确的位置上输出为1，在其他位置上输出为O。医学论文 首先用理想输人信号训练网络，得到无噪声训练结果，然后用两组标准输入矢量加上两组带有随机噪声的输人矢量训练网络，这样可以保证网络同时具有对理想输人和噪声输人分类的能力。网络训练完后，为保证网络能准确无误地识别出理想的字符，再用无噪声的标准输入训练网络，最终得到有能力识别带有噪声输人的网络。下一步是对所设计的网络进行性能测试:给网络输人任意字母，并在其上加人具有平均值从。~0.2的噪声，随机产生100个输人矢量，分别对上述两种网络的字母识别出错率进行实验，结果如图2所示。其中纵坐标所表示的识别出错率是将实际输出减去期望输出所得的输出矩阵中所有元素的绝对值和的一半再除以26得到的;虚线代表用无噪声的标准输人信号训练出网络的出错率，实线代表用有噪声训练出网络的出错率。从图中可以看出，无噪声训练网络对字符进行识别时，当字符一出现噪声时，该网络识别立刻出现错误;当噪声均值超过0.02时，识别出错率急剧上升，其最大出错率达到21.5%。由此可见，无噪声训练网络识别几乎没有抗干扰能力。而有噪声训练出的网络具有一定的抗干扰能力，它在均值为。~0.06之间的噪声环境下，能够准确无误地识别;其最大识别出错率约为6.6%，远远小于无噪声训练出的网络。

3.2BP网络的设计及其识别效果

该网络设计方法在文献[lj中有详细介绍。网络具有35个输人节点和26个输出节点。目标误差为0.0001，采用输人在(0，l)范围内对数S型激活函数两层109519/109519网络，隐含层根据经验选取10个神经元。和单层感知器一样，分别用理想输人信号和带有随机噪声的输人训练网络，得到有噪声训练网络和无噪声训练网络。由于噪声输人矢量可能会导致网络的1或o输出不正确，或出现其他值，所以为了使网络具有抗干扰能力，在网络训练后，再将其输出经过一层竞争网络的处理，使网络的输出只在本列中的最大值的位t为1，保证在其他位置输出为O，其中网络的训练采用自适应学习速率加附加动量法，在MATLAB工具箱中直接调用traingdx。在与单层感知器相同的测试条件下对网络进行性能测试，结果如图3所示。其中虚线代表用无噪声训练网络的出错率，实线代表用有噪声训练网络的出错率。从图中可以看出，在均值为o一0.12之间的噪声环境下，两个网络都能够准确地进行识别。在0.12~0.15之间的噪声环境下，由于噪声幅度相对较小，待识别字符接近于理想字符，故无噪声训练网络的出错率较有噪声训练网络略低。当所加的噪声均值超过。.15时，待识别字符在噪声作用下不再接近于理想字符，无噪声训练网络的出错率急剧上升，此时有噪声训练网络的性能较优.

转贴于 3.3离散型，霍普菲尔德网络的设计及其识别效果

此时网络输人节点数目与输出神经元的数目是相等的，有r=s=35，采用正交化的权值设计方法。在MATLAB工具箱中可直接调用函数newh叩.m。要注意的是，由于调用函数newhoP.m，需要将输人信号中所有的。英语论文 变换为一1。如letterA~[一1一11~1-1一11一11一l一11一11一11一1一1一11111111一l一l一111一1一1一11〕’。设计离散型霍普菲尔德网络进行字符识别，只需要让网络记忆所要求的稳定平衡点，即待识别的26个英文字母。故只需要用理想输人信号来训练网络。对于训练后的网络，我们进行性能测试。给网络输入任意字母，并在其上加人具有平均值从。~0.5的噪声，随机产生100个输人矢量，观察字母识别出错率，结果如图4所示。从图中可以看出，在均值为0~0.33之间的噪声环境下，网络能够准确地进行识别。在0.33~0.4之间的噪声环境下，识别出错率不到1%，在0.4以上的噪声环境下，网络识别出错率急剧上升，最高达到大约10%。可以看出，该网络稳定点的吸引域大约在0.3~。.4之间。当噪声均值在吸引域内时，网络进行字符识别时几乎不出错，而当噪声均值超过吸引域时，网络出错率急剧上升。

4结论

本文设计了3种人工神经网络对26个英文字母进行了识别。可以看出，这3种人工神经网络均能有效地进行字符识别，并且识别速度快，自适应性能好，分辨率较高。由图2和图3可以看出，单层感知器的有噪声训练网络在均值为O~0.06之间的噪声环境下可以准确无误的识别，而有噪声训练的BP网络可以在o~0.12之间的噪声环境下准确无误的识别，故BP络网络容错性比单层感知器的容错性好;此外，噪声达到0.2时，单层感知器的有噪声训练网络的识别出错率为6.6%，而有噪声训练的BP网络的识别出错率为2.1%，故BP网络比单层感知器识别能力强。另外，由图2、图3和图4可以看出，这3种网络中霍普菲尔德网络识别率最高，它在噪声为0.33以前几乎不会出错，BP网络次之，感知器最差。

通过设计、应用与性能对比，我们可得单层感知器网络结构和算法都很简单，训练时间短，但识别出错率较高，容错性也较差。BP网络结构和算法比单层感知器结构稍复杂，但其识别率和容错性都较好。霍普菲尔德网络具有设计简单且容错性最好的双重优点。因此，我们应根据网络的特点以及实际要求来选择人工神经网络对字符进行识别。 参考文献

[1]丛爽.面向MATLAB工具箱的神经网络理论与应用「M.合肥:中国科学技术大学出版社，2003.

[2]武强，童学锋，季隽.基于人工神经网络的数字字符识别[J].计算机工程，2003，29(14):112一113.

[3]廖翔云，许锦标，龚仕伟.车牌识别技术研究[J].徽机发展，2003，13:30一35.

[4]李中凯，王效岳，魏修亭.BP网络在汽车牌照字符识别中的应用[J].东理工大学学报，2004，18(4):69一72.

第6篇：神经网络设计范文

关键词：人工神经网络；概算；BP

中图分类号：TP183文献标识码： A

一、人工神经网络应用于建设项目概算的重要意义

（一）人工神经网络

人工神经网络就是由许多神经元互连在一起所组成的神经结构，把神经元之间相互作用的关系进行数学模型化就可以得到神经网络模型。人工神经网络是一种非常复杂的非线性的动态分析系统。它模拟人脑的神经功能分层由单个神经元非线性地、复杂地组合成一个网络系统。当某一问题的求解过程可描述为若干个有一定内在联系，又无法用解析法表达其内在关系的各个输入因子与输出因子的关系时，将输入、输出因子作为样本进入神经元网络结构，网络系统会对各个输入、输出因子的因果关系作一番认识和学习，建立起各神经元之间的连接强度(即权值)阀值。这样学习后生成的人工神经元网络系统，仿佛具有了人脑解决这一问题的技能。当输入一组新的参数它可以给出这个领域专家认为应该输出的数值。

（二）建设项目概算应用神经网络的必要性

电网建设工程造价是组成电网的各分项工程的价格总和，而各分项工程的价格则取决于其工程量的大小和单价的高低。以往工程造价的计算是由造价编制人员算出各分项工程量，分别乘以其单价。由于组成电网的分项工程数量多，工程量的计算非常繁琐，计算时间占造价计算总时间的90%以上，所以计算结果容易出现误差。这表明造价计算的重点和难点在于工程量的计算。

一个有丰富经验的造价师，根据工程类型、特征及其相关情况，参照以往经验和工程数据资料，就能大致概算出造价，而无需进行大量繁杂计算，而且经验越丰富，资料积累越多，格算的造价就越准确，模仿这种大脑思维模式，正是人工神经网络所擅长的。神经网络模型通用性、适应性强，它不但不排斥新样本，相反它会随着样本数的不断增加而提高自身的概括能力和预测能力，这正好满足了建立造价信息系统的要求--动态地、自适应地从众多已完工程中提取有用信息，进行预测并辅助决策，由于电网工程的单件性，一般不存在两个完全一样的工程，但许多工程之间存在着某种程度的相似性，造价估计分析的基本原理就是建立在电网工程的相似性基础上，对于某个欲估工程，首先从分析电网类型和工程特征入手，再从数目众多的同类已竣工的工程中找出与预估项目最相似的若干个工程，然后利用这些相似电网项目的造价资料作为原始数据进行推理，最后得到拟建电网的造价及其他有关数据。

二、BP网络

（一）BP网络算法

神经网络在目前已有几十种不同的模型，在人们提出的几十种神经网络模型中，人们较多用的是Hopfield网络、BP网络、Kohonen网络和ART(白适应共振理论)网络。其中BP网络是反向传播(BackPropagation)网络，它是一种多层前向网络，采用最小均方差学习方式，这是一种最广泛应用的网络。

BP算法的学习过程是由正向传播和反向传播两个过程组成。在正传播过程中,输入信息从输入层经隐含层逐层传递、处理,每一层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到期望输出,则转入反向传播过程,将误差信号沿原来的连接通路返回,通过修改各层间连结权的值,逐次地向输入层传播,再经过正向传播过程,两个过程的反复运用使得误差不断减小至满足要求。其模型可以表示为:

单隐层BP网络有三部分组成:输入层,输入向量:

X=(x1x2,...,x1,...,xn)T

隐含层:

输出层:

期望输出向量为:

d=(d1,d2,...,dk...,dl)T

输入层到隐含层之间的权值矩阵用V表示:V=(v1,v2,...,vj,󰀁vm)T

隐含层到输出层之间的权值矩阵用W表示:W=(w1,w2,...,wk,...,wl)T

转移函数采用tansig函数:

F(n)=2/(1+exp(-2*))-1

准则函数(误差):

权值的调整量:�

;

反向传播计算公式,可得如下权系数学习规律:

（二）BP神经网络的利弊分析及相关建议

BP算法样本训练失败的可能性较大，原因有以下几点：

（1）从数学角度看，BP算法为一种局部搜索的优化方法，但它要解决的问题是求解复杂非线性函数的全局极值，因此，算法很有可能陷入局部极值，使训练失败；

（2）网络的逼近、推广能力完全取决于学习样本的典型性。而对学习样本的选取并组成训练集则是相当困难的问题。

（3）难以解决应用问题的实例规模和网络规模间的矛盾。实例规模与网络规模总是存在着很大差异，网络容量也是有着自己的局限性，当实例规模超出网络容量时，BP算法会失败。

基于前文所给出的BP网络技术存在的利弊现象，结合工程造价实际情况，个人认为，其弊端的解决方法可以概括为以下几点：

（1）由于BP网络技术在执行较为复杂的目标函数时会出现“崩溃”现象，即算法低效，函数图象错乱、超过网络容量等等。所以造价人员在选择需要用BP算法概算的工程时应该注意工程的复杂性，对于那些过于庞大、复杂的工程不宜采用BP算法，以免出现系统错乱。对于较为简单、较为精简的工程则可用BP算法进行工程造价的概算。同时，也应注意实例造价概算工程的规模与网络实际承载规模的大小，对于网络承载范围之内的，才宜采用BP算法。

（2）样本数据的采集非常重要。BP算法的网络预测能力是与训练能力呈正比的。因此，首先需要确定分解项目，分解项目应选择那些最能体现一个工程特征并且最能决定这个工程造价的关键因素，这样才能正确定位这个工程的造价。其次，选择的已建工程一定是要与待估工程有着较高的相似度。此处，可以进行相似度估测，查看已建工程每个分项的隶属度与待估工程隶属度的差异，差异过大的样本应予以舍去。

（3）针对BP算法的“过拟合”现象，造价中需要注意的是选择的样本数量不宜过大。以防BP算法网络学习了细节却丢失了最重要的骨架――样本内部的规律，从而不能得出满意的结果。

三、基于人工神经网络的送电线路工程造价概算

（一）送电线路工程造价估算模型建立

送电线路工程的造价受多个因素的相互影响，考虑下列因素作为影响着工程价格的主要因素，把它们列为神经网络的输入单元，如图l所示。设在某一电压等级下的送电线路，考虑某种地形、气象条件、架线回路、杆塔类型等基本因素的影响，把实际工程项目投资划分为工地运输、土石方工程、基础工程、杆塔工程、架线工程、附件工程等6个部分。根据测算出的每公里建筑安装费用，再加上其它费用与资金成本，得出每公里的单位静态投资造价，将这些指标作为神经网络的输出单元。

图1 图2

（二）工神经网络模型的建立和设计

BP网络模型结构的选择主要涉及到输入层、输出层、隐含层神经元数目的确定、学习算法的确定等。

1、神经元数目的确立

输人层：由上面送电线路工程概算体系结构的分析，按影响因素层次，可得到13项主要指标，也即是下面的输入神经元。

输出层：输出节点对应于评价结果，在笔者建立的模型中，产生了7个相关指标，分别代表着本体工程的6项投资金额和单位投资金额，因此选择7个输出神经元节点。

隐含层：隐含层神经元单元数的选择与输入输出单元的多少都有直接关系。

在实际操作中，可参考下面经验公式(1)确定。

n1=(1)

其中，m为输出神经元数；拓为输入神经元数；a为1～10间的常数,形成的人工神经网络示意图见图2。

2、输入输出向量

（1）输入向量

1)地形因秦

送电线路地形可能由5种地形组合而成，所讨论的某地区基本是丘陵和山地组成，因此选择它们作为2个输入神经元，以所占线路的百分比表示。

2)线型因素

主要包括导线和地线型号的选择，参考限额设计指标与实际采用的导线型号，对于110 kV线路，有LGJ―150／20、LGJ―185／25、LGJ一240／35、LGJ一300／35四种类型，依次选择上述导线类型，将对应量化值为1、2、3和4。在地线型号选择中，选取GJ一35、GJ一50，对于量化值为1和2，导线和地线型号量化值作为2个输入神经元。

3)平均档距

反映相邻杆塔问的距离作为1个输入神经元。

4)杆塔数目

铁塔数目和水泥杆数目对于造价影响重大，选择铁塔数和水泥杆数为2个输入神经元。

5)运距

它包括人力运距和汽车运距两部分，作为2个输入神经元。

6)土石方量

1个输入神经元。

7)金具

它包括挂线金具和拉线金具两部分，作为2个输入神经元。

8)绝缘子

1个输入神经元。

（2）输出向量

工地运输、土石方工程、基础工程、杆塔工程、架线工程、附件工程、单位静态投资。

参考文献

第7篇：神经网络设计范文

关键词：建筑电气设备故障；模糊理论与神经网络；设备故障诊断专家系统

中图分类号：TP207 文献标识码：A DOI：10.11974/nyyjs.20160132074

随着当今社会经济的不断发展，人们对生活品质的追求越来越高，电气设备变得多样化和先进化，不同区域间联系更加紧密，而在给人们的生活带来便利的同时，简单的人工故障诊断方法已经无法满足结构日益复杂、功能日益完善的电气系统，建立电气设备控制系统智能故障诊断专家系统已经成为目前能满足社会需求的选择。近年来，模糊理论被广泛的应用于建立故障诊断神经网络，将模糊系统与神经网络技术结合而形成的故障诊断技术也正在发展和应用。

1 建筑电气设备常见故障类型及危害

1.1 电气设备常见故障类型

1.1.1 电源故障

1.1.2 线路故障

1.1.3 元器件故障

1.1.4 防雷接地处理故障

1.2 电气设备故障危害

电气设备的运行需要很多电器元件的相互配合，产生故障通常是因为电能或控制信息在传递、分配、转换过程中失去控制。断路、短路、异常接地、漏电、电气设备或电器元件损坏、电子设备受电磁干扰而发生错误动作、控制系统元件的偶然失效都属于电气设备故障[1]，而这些故障也很有可能造成大范围的人员伤亡以及造成严重的财产损失，一旦发生，也会造成其他相关领域不同程度的瘫痪。由此可见，电气设备出现故障的概率较高，危害范围也比较大。

2 神经网络与模糊理论

神经网络是一种模仿动物神经网络行为的特征，进行分布式并行信息处理的算法数学模型[2]。这个模型可以根据不同系统自己的特征来选择处理不同信息的方式，在很多不同领域都有比较广泛的应用，当然，它本身也有一些缺陷，比如它不能求解不确定性问题、不能处理符号性信息等，因此，它需要结合其它相关理论和方法来弥补自身的不足，以便更好地解决特定领域中的问题。

模糊理论是指用到了模糊集合的基本概念或连续隶属度函数的理论[3]。模糊控制是一种基于规则的控制，它可以直接采用语言型控制规则，在设计过程中不需要建立被控对象的精确数学模型，控制原理和策略通俗易懂，便于人们接受与理解，控制效果好，具有一定的智能水平，应用起来很方便，适用于对那些数学模型难以获取、动态特性不易掌握或变化非常显著的对象。模糊控制器是一种比较容易控制、掌握起来比较理想的非线性控制器，具有一定的适应能力和强健性。

将模糊系统与神经网络技术相结合而形成的模糊神经网络可以作为对电气设备进行故障诊断的模型，这一技术的提出为电气设备故障的诊断带来发展和进步，模糊理论被广泛的应用于建立故障诊断神经网络，这2种理论的结合将会给故障诊断研究提供解决思路，值得推广应用[4]。

3 建立电气设备故障诊断系统

由于电气设备故障机理的复杂性，系统在实际运用过程中，可能会发生随机故障模式，故障征兆信息的正确与否直接关系到故障诊断的正确性，因此利用现有的电气设备系统控制平台，对电气设备控制系统的信号进行实时采集和及时与PC 机进行通信，建立电气设备控制系统故障诊断系统便显得特别重要。

3.1 BP神经网络模型

BP（Back Propagation）模型是一种最常用的人工神经网络模型，它的基本原理为利用误差反向传播算法，从而得到多层前向神经网络模型。在故障诊断方面使用BP模型在一定条件下能够加强工作效率，使得故障诊断问题变得更加直观。利用模糊理论与神经网络相结合的模糊神经网络解决建筑电气设备故障的诊断，是一种智能化控制的手段，也将逐渐发展成为未来的趋势[5]。其模型原理图如图1。

要建立模糊神经网络系统，要根据相关理论或实际工作中的经验，将故障现象和故障原因相对应，作为系统的学习样本。按照输入与输出相对应的关系输入学习样本，系统经过内部的算法不断提高精度，当精度达到设定的要求时，模糊神经网络系统的学习过程结束。此时，将测试样本的输入数据放入系统输入端，如果输出数据与测试样本基本相同，那么模糊神经网络系统建立成功。

在模糊神经网络系统的实际使用时，必然会遇到输入数据与样本不同的状况。根据内部算法，系统将会找到与学习样本最相似的一组数据作为参考，自主得到输出数据。与此同时，如果系统自主算出的结果得到采纳，那么这组数据将会做为新的样本存入数据库，成为参考数据。

3.2 BP学习算法

目前，BP算法是应用很广泛、完善性比较高的神经网络训练算法，方便、容易实现、计算量小、并行性强是这个方法领先其他算法的优势。BP算法的基本原理[6]为先求解误差函数的最小值，根据梯度下降法，按误差对权值做负反馈。

BP算法需要依次根据输入对输出进行矫正，也就是对每组数据都要计算比对。然而，全局误差的梯度下降算法，要求连接权和阈值的矫正是在批量进行学习样本的输入之后再进行的，所以要修改各个连接权值。利用梯度下降法来修改各个连接权值，以便达到近似全局误差的算法效果。全局误差梯度下降算法流程如图2所示。

4 结 语

电气设备的故障诊断已经成为值得重视的问题，为保证运行系统能够正常运行，因此需要建立起更加科学完善的电气设备管理系统，逐渐减少电气设备运行出现故障的可能性，保障电力系统的稳定能力，本文简单介绍将模糊理论与神经网络结合，更好的解决电气设备故障问题，结合传感器检测技术、自动控制技术、通信与网络技术等方法，建立电气设备控制故障诊断系统，希望可以早日应用到生活中的建筑电气设备故障诊断中去。

参考文献

[1]电气设备及控制电路常见故障分析[EB]. 电工学习网.

[2]田景文.人工神经网络算法研究与应用[M]. 北京理工大学出版社，2006.

[3]诸静.模糊控制原理与应用[M].机械工业出版社，1995.

[4]龙祥，钱志博.模糊理论在设备故障诊断神经网络中的典型应用[J].广东工业大学学报，2006.

[5]陈流豪.神经网络BP算法研究综述[J].电脑知识与技术，2010.

第8篇：神经网络设计范文

【关键词】静态路由 网络互联 路由器 交换机

随着计算机科学技术的发展和互联网应用的普及，21世纪初互联网逐渐由高校、科研机构普及到了各行各业的各大中小型企业及家庭。互联网在人们的生活、学习、工作各方面都扮演着必不可少的角色，其权重在人们的各项活动中的比重越来越大。因此，互联网的安全建设至关重要。因此，互联网中网络设备的互联工程越来越多，参与此工作的人员也相对增多。本文提出基于神州数码网络互联设备的静态路由实现进行研究。可为一些初学者提供一些参考学习。

一、神州数码网络互联设备实验室

神州数码网络有限公司（简称：DCN）是国内领先的网络设备制造商和解决方案提供商，是神州数码控股旗下拥有自主网络品牌和知识产权的专业公司。DCN是神州数码自有品牌，也是神州数码主品牌下的子品牌之一。DCN将继续专注数据通信市场，为客户提供业界领先的以太网交换机、路由器、网络安全、应用交付、无线网络、IP融合通信、网络管理等产品，致力打造成为全球领先的数据通信设备制造商和服务提供商。我校建立的网络实验室就是以该公司的网络设备布置并建设的。目前我校网络实验室条件如下：三台路由器DCR-2655，三台三层交换机DCRS-5658，三台二层交换机DCS-2111，一个24口集线架，9台台式机，布线简单。每台台式机电脑固定，分别有1-24号编有号码的网线从布线板预留口伸出2米的长度，掩埋网线的另一端分别对应集线架的24口。所有这些网络互联设备都集成固定在一个机架上。对于学生做网络实验来说，我们充分利用现有实验条件进行相关实验，本文是针对学生在网络实验室进行的静态路由实验进行的研究。

二、静态路由

静态路由是指由用户或网络管理员手工配置的路由信息。当网络的拓扑结构或链路的状态发生变化时，网络管理员需要手工去修改路由表中相关的静态路由信息。静态路由信息在缺省情况下是私有的，不会传递给其他的路由器。当然，网管员也可以通过对路由器进行设置使之成为共享的。静态路由一般适用于比较简单的网络环境，在这样的环境中，网络管理员易于清楚地了解网络的拓扑结构，便于设置正确的路由信息[3]。

使用静态路由的另一个好处是网络安全保密性高。动态路由因为需要路由器之间频繁地交换各自的路由表，而对路由表的分析可以揭示网络的拓扑结构和网络地址等信息。因此，网络出于安全方面的考虑也可以采用静态路由。不占用网络带宽，因为静态路由不会产生更新流量。

三、静态路由实现实例

实例基于终端PC操作系统WIN7，通过超级终端程序Hypertrm.exe运行配置路由器。

（1）路由器-路由器配置静态路由实例。通过两台路由器实现静态路由实例，首先用路由器配置线将路由器的console口与台式机的COM1端口相连接，进行路由器A的配置。路由器A的配置代码如下：

Router（config） Hostname RA RA（config）interface f0/0 RA（config-if）ip add 192.168.40.1 255.255.255.0 RA（config-if）no shut RA（config-if）exit RA（config）interface g0/3

RA（config-if）ip add 192.168.30.1 255.255.255.0 RA（config-if）no shut RA（config）exit

路由器B的配置代码如下：

Router（config） Hostname RB RB（config）interface f0/0 RB（config-if）ip add 192.168.40.2 255.255.255.0 RB（config-if）no shut RB（config-if）exit RB（config）interface g0/3

RB（config-if）ip add 192.168.50.1 255.255.255.0 RB（config-if）no shut RB（config）exit

然后，配置两台路由器的静态路由，配置代码如：

RA# ip route 192.168.50.0 255.255.255.0 192.168.40.2

RB# ip route 192.168.30.0 255.255.255.0 192.168.40.1

这样，两台路由器之间的静态路由就配置好了。用网线分别连接两台路由器的f0/0接口，接口g0/3分别接两台终端PC，并分别配置两台PC的IP地址为192.168.30.8/24和192.168.50.8/

24，网关分别配置为192.168.30.1/24和192.168.50.1/24。配置完成以后，两台PC互相ping对方，一共四个数据包都没有丢失，说明两台主机是互通的。这就是说两台路由器f0/0端口相连，另一端口g0/3分别连接两台主机的网络拓扑配置相关的端口ip及主机ip以后，在两台路由器上分别正确的配置静态路由协议以后，两台主机互相能ping通，说明该静态路由协议实验配置成功。

（2）路由器-三层交换机配置静态路由实例。三层交换机就是具有部分路由器功能的交换机，三层交换机的最重要目的是加快大型局域网内部的数据交换，所具有的路由功能也是为这目的服务的，能够做到一次路由，多次转发。对于数据包转发等规律性的过程由硬件高速实现，而像路由信息更新、路由表维护、路由计算、路由确定等功能，由软件实现。三层交换技术就是二层交换技术+三层转发技术。出于安全和管理方便的考虑，主要是为了减小广播风暴的危害，必须把大型局域网按功能或地域等因素划成一个个小的局域网，这就使VLAN技术在网络中得以大量应用，而各个不同VLAN间的通信都要经过路由器来完成转发，随着网间互访的不断增加。单纯使用路由器来实现网间访问，不但由于端口数量有限，而且路由速度较慢，从而限制了网络的规模和访问速度。基于这种情况三层交换机便应运而生，三层交换机是为IP设计的，接口类型简单，拥有很强二层包处理能力，非常适用于大型局域网内的数据路由与交换，它既可以工作在协议第三层替代或部分完成传统路由器的功能，同时又具有几乎第二层交换的速度，且价格相对便宜些。

因为实验室条件限制，两台路由器已经被部分同学占用进行上述静态路由协议配置的实验，另一部学生，利用一台路由器和一台三层交换机进行静态路由协议的配置实验。依据是三层交换机具有简单的路由功能，其中，支撑静态路由协议。基于此，接下来，实验路由器-三层交换机的配置实验，检验其是否能配置成功？

首先用路由器配置线将路由器的console口与台式机的COM1端口相连接，进行路由器A的配置。路由器A的配置代码如下：

Router（config） Hostname RA RA（config）interface f0/0 RA（config-if）ip add 192.168.40.1 255.255.255.0 RA（config-if）no shut RA（config-if）exit RA（config）interface g0/3

RA（config-if）ip add 192.168.30.1 255.255.255.0 RA（config-if）no shut

然后用交换机配置线将交换机的console口与台式机的COM1端口相连接，进行三层交换机的配置。三层交换机Sw的配置代码如下：

DCRS-2655（config）hostname Sw Sw（config）ip option enable Sw（config）vlan 10

Sw（config-vlan）ex Sw（config）vlan 20 Sw（config-vlan）ex Sw（config）int e1/0/2

Sw（config-if）switchport mode access Sw（config-if）swichport access vlan 10 Sw（config-if）ex

Sw（config）int e1/0/6 Sw（config-if）switchport mode access Sw（config-if）swichport access vlan 20 Sw（config）ex Sw（config）int vlan 10 Sw（config-if）ip add 192.168.40.2 255.255.255.0

Sw（config-if）no shut Sw（config-if）ex Sw（config）int vlan 20

Sw（config-if）ip add 192.168.50.1 255.255.255.0 Sw（config-if）no shut

接下来配置静态路由

路由器：ip route 192.168.50.0 255.255.255.0 192.168.

40.2

交换机：ip route 192.168.30.0 255.255.255.0 192.168.

40.1

这样，路由器和三层交换机之间的静态路由就配置好了。用网线分别连接路由器的f0/0接口和三层交换机的 e1/0/2端口，路由器接口g0/3连接一台终端PC1，三层交换机的端口e1/0/6连接另一台终端PC2，并分别配置两台PC的IP地址为192.168.30.

8/24和192.168.50.8/24，网关分别配置为192.168.30.1/24和192.168.50.1/24。配置完成以后，两台PC互相ping对方，结果都是通的。说明该静态路由协议配置成功。异种网络互联设备可以成功配置静态路由协议，并能正确路由，以此在建立的数据链路中传输数据。

四、总结

通过以上配置实例知道，静态路由协议不仅在路由器-路由器配置实验中能够成功配置，并且在具有路由功能的工作于ISO模型第二层数据链路层的网络设备，同样也能配置静态路由协议，与配置静态路由协议的路由器互联，能实现网络的路由。静态路由表在开始选择路由之前就被网络管理员建立，并且只能由网络管理员更改，所以只适于网络传输状态比较简单的环境。静态路由具有更高的安全性。在使用静态路由的网络中，所有要连到网络上的路由器都需在邻接路由器上设置其相应的路由。因此，在某种程度上提高了网络的安全性。但是，大型和复杂的网络环境通常不宜采用静态路由。一方面，网络管理员难以全面地了解整个网络的拓扑结构；另一方面，当网络的拓扑结构和链路状态发生变化时，路由器中的静态路由信息需要大范围地调整，这一工作的难度和复杂程度非常高。当网络发生变化或网络发生故障时，不能重选路由，很可能使路由失败。

参考文献：

第9篇：神经网络设计范文

关键词：贝叶斯神经网络；60Co-γ射线；无防腐剂香肠；网络预测

引言

食品辐照技术是20世纪发展起来的一种新型灭菌保鲜技术。采用辐射加工技术手段，运用高能射线如x-射线、γ-射线等对食品进行加工处理，在能量的传递和转移过程中，产生理化效应和生物效应达到杀虫、杀菌的目。因为是冷杀菌手段，所以有效的提高了食品卫生质量，保持营养品质及风味和延长货架期。本文采用无防腐剂的香肠作为对象，排除了化学防腐剂对保鲜效果影响，同时为了食品加工行业发展提供方向，不添加化学防腐效果成分的同时也可以采用辐照的方法有效提升货架期，有效提高企业效益，延伸销售链；对于不同种类的香肠制品，从肉质到成分，都会有所差别，通过大量辐照试验获得辐照工艺的方法，不仅耗时长，而且检验指标及检验方法也过于繁琐，因此结合采用人工智能神经网络算法，在有限次数实验数据的基础上，建立不同剂量60Co-γ射线对香肠品质影响的规律模型为科学辐照提供理论依据。

1 实验方法与理化指标的检测

1.1 样品辐照

本项目采用不含任何防腐效果的特制香肠为对象，在黑龙江省科学院技术物理研究所辐照中心进行。采用静态堆码式60Co-γ放射源，跟踪剂量计为Ag2Cr2O7经中国剂量科学研究院丙氨酸剂量计（NDAS）传递比对校准，分别采用不同剂量（2-6）kGy，进行静态辐照。完成辐照2天内进行理化指标的检测，在（22.0±1）℃下保存30天后进行微生物指标的检测。

1.2 理化指标及微生物指标测定方法

1.2.1 菌落总数，参照国家标准GB/T4789.2-2008采取实验方法测定菌落总数。

1.2.2 水分含量，参照国家标准GB/T6965.15可用蒸馏法或直接干燥法。本项目采用直接烘干法。

1.2.3 氯化钠含量，参照国家标准GB/T9695.8进行测定，采用水浸出后用硝酸盐标准溶液滴定法测定。

1.2.4 蛋白质，参照国家标准GB/T9695.11进行测定。

1.2.5 菌落总数，参照GB4789.2-2010进行测定。

1.3 检测结果与数据处理

采用以上检测方法进行检测，由于实验过程产生个别认为误差，利用matlab软件plot函数对每组数据进行拟合，将误差较大的个别数据进行剔除，最终得到50组数据，部分数据如表1。

表1 60Co-γ射线辐照保鲜无防腐剂香肠检测结果

2 神经网络算法

2.1 BP神经网络

通常BP神经网络具有3层结构，分别为输入层、隐含层和输出层。通常来说隐含层采用Sigmoid函数，输出层采用Pureline函数，因为符号函数标准输入、输出现代为[0，1]，因此在学习过程中，通过转化层将辐照工艺参数进行转化限定区间，避开网络输出的饱和区。五层神经网络结构如图1。

2.2 性能指标

性能指数是衡量网络性能的量化标准，BP神经网络一般采用网络军方误差作为性能指标：

式中：Ed为网络的均方误差；n为学习集体样本总数，tp为第P组训练的期望输出值，ap为第P组的实际输出值。影响神经网络泛化能力主要依赖于网络结构和训练样本的特性，因此可以选择合适的训练策略和优化网络结构来提高其泛化能力。本文选取贝叶斯正则化算法对BP神经网络进行修正，网络性能指数变为：

式中：w为网络的权值向量，EW=m-1■？棕■■为网络所有权值的均方误差，其中m为网络权值的总数，Wj为网络权值，a和b为正则化系数，其大小直接影响训练效果。

2.3 贝叶斯正则化BP神经网络训练步骤

（1）确定网络结构，初始化超参数α=0和β=1，根据先验分布对网络参数赋初值。

（2）用BP算法训练网络使总误差F（W）最小。

（3）利用高斯牛顿逼近法计算出有效参数个数。

（4）计算超参数α和β的新的估计值。

（5）重复执行（2）、（3）、（4）直到达到所需精度。

贝叶斯方法正则化神经网络是个迭代过程，每个迭代过程总误差函数随着超参数的变化而变化，最小点也在变化，网络的参数也在不断修正，最终达到总误差函数在迭代过程中没用较大改变。目前在网络结构的选择方面还没有理想的方法，在实际工作中常常需要用试验的方法确定最佳的网络结构，因此可采用不同的网络结构进行网络训练，然后比较这些网络模型的显著度，选择显著度较大的网络作为模型。

3 神经网络建模及预测

通过上述实验获得的50组数据中，45组数据作为人工神经网络训练样本，另选择其他5组数据作为检验样本，运用MATLAB软件，进行人工神经网络的训练和预测。网络输入剂量、剂量率，输出为水分、氯化钠含量，通过应用均方差函数比较目标值和预测值的差异，计算目标值与预测值间的误差，观察网络模型对训练情况，网络拟合图性能进行评价。

网络训练结果显示，经过1500步训练后，网络误差平方和均值为5×10-3，达到了设定的最小训练目标值。网络训练完毕后，得到数学模型后，利用剩余5组数据进行预测验证，网络训练效果如图2-5所示。

4 结束语

采用辐照的方法进行无防腐剂香肠保质期的时间跟辐照剂量相关，采用4kGy的剂量进行辐照可使香c的保质期达到1个月以上，且香肠的颜色仍在可接受范围内，说明辐照方法有效的提高了香肠的卫生质量，延长保质期。采用神经网络建立了香肠辐照工艺与理化、微生物指标的模型，并通过实验验证了模型的准确性，为进一步确定辐照工艺提供理论支持。

参考文献

[1]2015-2020年中国肉制品市场现状及战略咨询报告[R].北京：中国产业信息网，2015.

[2]郭淑珍.辐照保藏五花肉的品质特性及影响因素的研究[D].四川农业大学，2007.

[3]贾巧唤，任石苟.我国辐照食品的研究现状及发展前景[J].食品工程，2008（4）：12-14.

[4]陈秀兰，曹宏.鹅肉制品的辐照保质研究[J].核科学报，2005（4）：371-374.

[5]田 ，梁飞，卢江.人工神经网络建模结合遗传算法优化岗松油环糊精包合物制备工艺参数[J].中国医药大学学报，2011（4）：324-328.