神经网络的功能精选(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的功能主题范文，仅供参考，欢迎阅读并收藏。

第1篇：神经网络的功能范文

关键词：神经网络；智能设计；特征编码；智能推理；基于知识的工程(KBE)

中图分类号：TP391文献标识码：A文章编号：1009-3044(2011)16-3917-03

Research and Implementation of Intelligent Design System Based on Artificial Neural Network

WU Zheng

(The CAD Research Center of Tongji University, Shanghai 200092)

Abstract：Axisymmetric part of the design for the introduction of the concept of the feature encoded file, its characteristic features in a coded form to be expressed. In order to achieve intelligent process state model output, the use of artificial neural networks for automatic reasoning capabilities. Through the intelligent reasoning system to remove the experience of design continued exploration and improvement, will be part of the feature modeling input, the system can automatically determine the parts of the process, then automate production. The intelligent system can help developers and designers to quickly produce design example, so developers can focus more on product innovation activities of enterprises to improve product design and R & D has important practical significance.

Key words: neural network; intelligent design; feature coding; intelligent reasoning; KBE

产品工艺设计是产品开发的首要环节，也是关系到产品设计成功与否的核心问题。提高工艺设计集成化、系统化和智能化程度，实现经验设计向科学设计的飞跃是研究人员多年追求的目标。而智能设计作为现阶段的热点技术，吸引了越来越多的专家和学者的目光。[1]伴随着计算机软硬件的成熟，以及图形图像学、CAD、人工智能设计技术和工艺模式理论的发展，显著的提高了设计的质量和效率，大大缩短了设计周期和工时，形成了工艺设计的的新领域，对我国智能设计和计算机辅助设计的发展起到了极其重要的推动作用。[2]

1 人工神经网络智能设计系统模型的表达

1.1 智能设计系统的体系结构

该智能设计系统主要的结构模块如图1所示。本文将该智能设计系统主要划分为以下几个模块，特征造型器主要将零件的特征进行录入，数据会同用户的输入数据共同进入特征编码器；特征编码器相当于一个接口，将形式数据转化为模式映射器能够识别的规范化数据（即特征编码文件），在模式映射器内部，通过神经网络对数据的处理，同时结合已有的经验知识库、材料库、规则设计库、工艺特征库、映射规则和标准库的数据交互，将数据输出到数值公式计算模块。数值公式计算模块主要是在具体的场景中将约束条件进行量化，结合具体的设计要求将工艺设计顺序进行调整。最后将结果反馈到用户界面，实现智能设计。

1.2 KBE思想和本系统的有机结合

在工程实践中，人们发现专家知识一般来源于该领域内专家的经验和积累，具有很大程度的不确定性和模糊性，这对于知识的交流和继承带来了很大的困难。欧洲面向KBE应用的方法和软件工具研究联盟提出了KBE的概念，KBE是计算机辅助工程领域的一个进步，它是一种将面向对象方法(Object Oriented Methods)、AI和CAD技术三者集成的工程方法，能够提供设计过程客户化、变量化和自动化的解决方案[3-4]。，我们认为：KBE是通过知识驱动和繁衍，对工程问题和任务提供最佳解决方案的计算机集成处理技术，是AI和CAx技术的有机融合。[5-6]

KBE系统的要点主要是知识的表示、知识建模、知识推理和知识的繁衍。本系统主要通过特征造型器进行知识的表示，进而在特征编码器中对所得知识建模，形成了特征编码文件。模式映射器利用人工神经网络对于特征编码文件进行不断的映射，实现了知识推理；同时模式映射器将学习所得的知识存储在相应的知识库中，进行知识繁衍。将经验知识和隐形知识转化为显式知识，实现了智能系统的关键一步。我们将KBE的思想结合到本文所开发的系统中来。

2 零件的工艺特征及特征的编码

2.1 特征的确定和数字化表达

首先我们需要确定零件的特征，进而将零件的特征数字化。本文根据以下原则确立零件的特征：

1）现实性。零件的特征是客观存在的，不因人的主观意志的转移而改变该特征。2）可测量性。相比于传统的经验化设计模式，能够准确的测量和量化零件特征是智能设计的重要要求。3）唯一性。作为零件信息的重要载体，特征的无歧义性是需要重点考虑的原则，不能同时将一个特征收录到两个属性中，进而造成建模中零件属性的混乱。

本文主要针对轴对称的零件工艺模式，我们将主要研究零件的以下特征：冲孔、翻边、正向拉深、反向拉深、带孔小阶梯成形法等。

考虑到神经网络我们采用的是S型参数，所以我们将特征编码确定为0到1之间的数，本文共确定了10种特征形状。如表1所示。

通过确定特征参数，进而可以构建特征造型器，特征造型器以零件的实体特征为基础，结合零件的几何信息和拓扑信息，将参数化设计思想和特征编码思想统一，用尺寸驱动的方法来定义特征，便于计算机对于零件特征的识别和处理。

2.2 面向对象的特征建模语言

由于在实际设计征的复杂性和多样性，而面向对象的语言具有数据的封装性、数据与操作的集成性、对象重载、现实世界对象的数据和行为的全面抽象、对象数据的继承性等等许多的优点，目前已成为设计领域广泛采用的设计手段，应用在特征设计领域，可将特征的对象数据类型抽象出来。

特征对象首先具有本身的特征尺寸和属性，考虑到具体的应用，这些尺寸要能够实现参数化，除此之外，还具有公差、材料、技术设计要求等信息；特征的操作类型主要分为两种：一种是成型过程，即所谓的造型映射，另一种操作是特征在零件上的形成位置即有关位置的变动操作。在这两种操作中，造型映射与工艺设计的过程联系紧密，而特征位置操作则与产品的设计过程相关。下面主要是该特征对象的基类型的原型定义。

class Feature

{Stringfeature ;//零件对象的三维实体名。

StringName;//零件特征名。

Stringmaterial;//特征的材料。

intfeature_parametre; //特征尺寸的参数。

intfeature_num.;// 特征类型的编号。

intfeature_code;// 特征的编码。

intpt1,pt2,pt3;//特征基点的坐标。

int angle1,angle2,angle3;//特征在三维空间中与X, Y, Z轴的夹角。

Public:

virtualvoidmodel();//构造三维实体特征。

virtualvoidlocate();//确定特征的空间位置。

voidmove (ap_solid *sol, ap_real tx, ap_real ty, ap_real tz);//将特征移动{tx,ty,tz}。

voidrotate (ap_solid *sol, ap_real rx, ap_real ry, ap_real rz);//将特征旋转。

void chang_feature_para (int class_name, ap_solid *sol, ads_point pt, ap_direc ang, feature_parametre, void model); //该特征的几何尺寸的参数化修改操作。

voidcal_area(); // 特征面积的计算。

voidcal_circl();//特征周长的计算。

}

通过实例化语言，我们能够对零件的特征进行描述，进而便于计算机识别和处理。特征编码的构造加入到零件基类中，具体零件的定义将继承特征编码的操作，并能够进行适当的重载。

3 特征编码器和特征编码文件

将特征数字化表示后，本系统主要通过特征编码器将特征组成特征编码文件，使后续的人工神经网络能够对文件进行处理。有了特征编码，我们能够让机器识别特征；但是为了保存特征的其他信息，如冲孔工艺中孔的直径，翻边的高度等等，我们引入了特征参数的概念。特征参数即为了更明确的定义特征的几何、物理属性，跟随在特征编码后面的一系列数值。图3表示了部分特征编码所对应的特征参数。

我们将特征编码和特征参数组成特征编码文件，输入到模式映射器中。特征编码文件的格式为：每一行表示切仅表示一个特征，其中第一个数字为特征编码，特征参数在特征编码之后给出。图4显示了一个特征编码文件的实例。

4 智能设计系统中工艺模式的生成、映射以及神经网络的构造

4.1 工艺模式映射的过程

我们将零件的特征编码文件输入人工神经网络后，人工神经网络进行反向推理，将零件的成型信息反向输出，同时结合知识库、材料库等已有的信息，输出结果。

工艺模式用于指导工艺计算模块的工作，而经过特征造型之后的零件信息只有特征编码文件。因此，人工神经网络的任务就是根据零件的特征编码组信息，推导出生成零件的各个中间成形形状的特征编码组，以及各个中间形状在零件成形过程中的排列顺序。

因为对于神经网络来讲，得到的是设计者输入的零件模式信息，输出是零件成形的各个中间状态（特征编码表示），这就决定了工艺模式在神经网络中的映射过程是一个“逆顺序”的过程，这一过程又可以描述为“反推导”过程，即：将零件的特征编码组（零件模式）输入到经过训练的神经网络中，由其输出该零件成形的各个过程的中间形状的特征编码（中间形状模式）。我们以计算机的视角来看待零件的分解，即：零件->特征->特征编码文件->人工神经网络。在人工神经网络中，特征编码文件被反编译，特征结构后得出特征形成的顺序，进而输出，即：人工神经网络->特征反编译->特征工艺序列->特征编码组->特征->零件。由此可见，人工神经网络是用于处理工艺模式的主要工具，在前面的特征造型器、特征编码器中生成的零件的工艺模式，以及特征编码组等概念，都是为了便于神经网络的处理而建立的。

最后，由这些“中间形状模式”、“零件模式”等特征编码组信息及其排列顺序，组成该零件成形的“工艺模式”信息文件。这一过程，就是以零件模式作为输入、以经过训练。

4.2 神经网络的比较及选择

人工神经网络用于工艺模式映射的工作主要是以下几个：1）是针对输入的零件模式经过映射后输出该零件成形的中间形状；2）生成按照工艺成形的过程而排列的零件成形中间形状的排列顺序；3）进行反向学习，从输入的特征编码文件中提取零件成型顺序，存储到知识库中。[7]

神经网络主要由以下几类：1）分解映射结构；2）集中映射结构；3）前向网络；4）集中反馈式网络。[8]

我们选择的是集中反馈式的神经网络，相比于其他类型的网络，反馈式结构的优点是：统一的网络便于训练模式的组织和映射工作的开展；输入单元和输出单元的数目相同，可以形成对称的网络结构，使得网络的稳定性和收敛性有了保障；工艺模式的成形顺序性问题不占用网络的实际结构形式，顺序性问题转化为反馈映射的顺序问题，映射的顺序代表成形的顺序；网络在结构上将保证各个单步成形映射的准确性，从而提高网络的训练质量。[9]

表2给出了神经网络训练的相关内容，由于神经网络中节点和隐层数目的不同会极大的影响神经网络的性能，本文主要对各个不同的网络进行了比较，得出了一个最优的网络（即网络7）。

5 实例模型

本文在研究的基础上开发了一个应用实例，该实例主要是设计者将零件的特征编码和特征参数输入系统后，经过神经网络的智能推理，将输出反馈到设计平台上。

系统首先进行特征编码的输入，以确定零件的特征造型；然后输入每一个特征编码对应的特征参数，图5显示了拉深工序对应的特征参数的录入。特征参数录入完成后可以选择继续添加特征或者生成特征编码文件。图6为一个以记事本方式打开的特征编码文件。将特征编码文件输入人工神经网络，对应的输出为特征造型顺序文件（Y.SFM），数值公式计算模块处理该文件，最后给出智能设计工艺流程（图7）。

图5特征参数录入 图6特征编码文件图7 智能设计系统给出的零件成型顺序及计算结果

6 结论

本文提出了轴对称零件成型工艺的产品建模方法，然后给出了面向对象的建模语言，能够量化表示零件的特征，在将零件的特征编码文件通过神经网络映射和输出的同时，运用KBE系统的自学习理念，将习得的知识存储。实践表明，通过人工神经网络和工艺智能设计系统的应用，能够解决实际的零件设计成型问题。

参考文献：

[1] 高伟.工艺设计信息系统中的知识发现技术研究[D].成都:四川大学,2005:22-23.

[2] 罗小宾.机械产品图像识别技术及其在反求设计中的应用研究[D].成都:四川大学,2004:15-16.

[3] The Knowledge Engineering and Management Centre at Coventry University,UK,[EB/OL].kbe.cov.ar.uk.

[4] MOKA-Methodology & soft-ware tools-- Knowledge based engineering Applications[M].ESPRIT proposal EP25418,1997.

[5] Peng Ying-hong,Zhao Zhen,Ruen Xue-yu.Application of KBE technology in Die & Mold Design[J].International Conference on Die end Mold Technology, Beijing,2000,90-86.

[6] Peng Ying-hong,Zhao Zhen,Ruen Xue.KBE technology in Engineering Design[J].International Conference on Engineering end Technological Sciences 2000, Beijing,2000:94-100

[7] 刘振凯.智能CAD人工神经网络专家系统的模型和结构[J].中国机械工程,1997(2).

[8] 肖人彬.智能设计:概念、发展与实践[J].中国机械工程,1997,8(2):61-64.

第2篇：神经网络的功能范文

 

计算机网络的快速发展和技术的广泛应用给人们的生产生活提供了便利，但同时，也带来了一些不容忽视的安全隐患。近年来，影响计算机安全的因素很多，例如犯罪团伙利用网络等高科技进行犯罪的案例屡见不鲜。对此进行严格防范，更好地促进计算机和互联网的发展，需要对计算机网络安全进行评价，建立安全、有效的计算机网络评价系统，网络安全评价体系可以对整个计算机网络进行评估和分析，完善评价体系，使系统更准确、可靠，其中使用率最高的则是神经网络。

 

1 神经网络的概述

 

1.1 神经网络的简介

 

神经网络又被称为链接模型，它效仿了生物神经网络而建立，它以人脑的信息处理方式为基础，采用建立数学模型的方式研究大脑行为结构和生物神经元基本特征，世界上第一个神经网络模型是由数学家和生物学家共同提出。神经网络复杂多变，它是由神经元内部通过大量节点进行相互连接形成的一种网络结构，其中每个神经元都可处理信息，从而达到处理海量信息的规模。随后，计算机学家在原有的神经网络模型的基础上增加了学习机制，将神经网络技术应用在工程中，设计出了感知器神经网络模型，我国的计算机学家和数学家通过对神经网络的分析，展开长期的研究工作，掌握了模型的实质，研究表明，神经网络模型适合应用在不同的研究领域。

 

1.2 神经网络的功能

 

神经网络是一项人工智能系统，是通过生物神经网络的工作原理建立而来，它的应用具有全方位的优越性能。计算机神经网络系统还可实现预测功能，此功能为联想模式的升级版，主要运用于市场和企业中，例如股票等证券市场，预测功能可对股市证券和企业的未来效益进行预测分析，基于计算机的神经网络为市场和企业的发展提供了强有力的支持。正是有这些优越性能，神经网络系统在计算机网络安全评价过程中，才能发挥出最大的价值。

 

2 计算机网络安全概述

 

2.1 计算机网络安全的简介

 

计算机网络安全是指在网络环境中，采用先进的科学技术和网络管理控制措施来保证计算机资料能得以安全及完整的保护。计算机网络安全由逻辑安全和物理安全两大重要部分组成：第一，计算机的逻辑安全是指其中信息数据的保密性、完整性及可用性方面的内容;第二，物理安全包括了系统中的组网硬件和相关软件等方面内容，其具有可控性及可审查性等特点。在当今的计算机网络环境中，安全问题是关键，由于网络的开放自由性导致信息在传播过程中会受到硬件漏洞或者通讯协议方面的攻击，这不仅给本地用户带来威胁，对国际网络市场也是一种挑战。

 

2.2 计算机网络安全评价体系的建立

 

计算机网络安全评价体系的建立是对网络安全评价的一个强有力保障，该体系能全面、科学、客观的体现计算机网络中存在的不安全因素并且给出相对应的解决措施，所以应该根据多种综合因素设立评价体系中的评价指标，从而准确地反映评价信息，计算机网络安全评价系统的构建原则是：第一，可行性。在计算机网络安全评价体系构建过程中，结合实际的测评条件，因地制宜，才能有效的进行测评和操作。第二，准确性。在计算机网络安全评价体系的构建过程中，应当对网络安全的技术水平进行真实的体现，及时且准确的对安全信息进行监测分析再反馈到计算机网络中，使技术人员及时有效的解决产生的问题。第三，完备性。建立的安全评价体系，需确保所选指标对网络安全基本特征有全面的反映，进而提高评价结果的真实可靠性。第四，简要性。在选取评价指标的过程中，要选取具有代表性的，保证结果准确可靠从而降低工作量。第五，独立性。计算机网络是一个复杂多变的系统，在选取各项评价指标时，要避免出现重复选择的情况，减少指标间的关联度，从而客观准确的将计算机网络安全运行状态展现出来。计算机安全网络存在一定风险性，在安全保护上也存在难度，遵守以上原则，在实际工作应用中，提高计算机网络的工作质量和效率。

 

3 基于神经网络的计算机网络安全评价系统

 

在神经网络模型中，使用最为广泛的是BP神经网络模型，它采用最速下降法进行反向传播，调整相关数值，将误差降至最低。BP神经网络模型还通过误差逆传播算法，训练前馈多层网络。其算法简单，容易实现，具有非线性逼近能力。本文以BP神经网络为研究对象，对计算机网络安全评价进行分析。

 

3.1 神经网络的计算机网络安全评价模型设计

 

基于神经网络设计的计算机网络安全评价模型，由3个部分组成，分别是输入层、隐含层和输出层：(1)输入层。BP神经网络在设计的过程中规定输入层神经元节点的数量，与计算机网络安全评价指标数量必须一致，所以对模型输入层中神经元节点的数量确定需由二级指标的数量完成。例如，在安全评价体系中设计了10个二级指标，在计算机网络安全评价模型中输入层神经元节点数量也必须是10个。(2)BP神经网络模型在设计的过程中，采用单向隐含层，如果隐含层中的节点数过多会延长神经网络学习时间，如果隐含层节点数的数量过少则会降低神经网络的容错能力。所以隐含层中的节点数量对网络性能有较大的影响。(3)输出层。BP神经网络在输出层的设计工作即反映网络安全评价结果，依据输入层的评价设计，将输出层的节点数设为2个，则(1，1)的输出结果表示非常安全，(1，0)的输出结果基本安全，(0，1)的输出结果表示不安全，(0，0)的输出结果表示非常不安全。

 

3.2 神经网络的计算机网络安全评价模型学习

 

BP神经网络在计算机网络安全评价模型中需完成神经网络的学习，也就表示其在模型构建前需进行神经网络的训练工作，这使BP神经网络具有初始连接权，在完成神经网络的学习后，减少误差值，保证安全评价结果和使用者期望值达成一致。

 

3.3 神经网络的计算机网络安全评价模型验证

 

为确保计算机网络安全模型的应用效能，在完成设计与学习工作后，对其进行验证，首先选取样本数据，再将样本数据输入到模型中，通过模型内部检验分析，完成评价功能的应用，如果输出的安全评价结果与期望值达成一致，则说明基于神经网络的计算机网络安全评价模型具有准确性，可以使用。

 

4 结语

 

随着社会的发展，科学的进步，越来越多的先进信息技术和网络技术得以应用，计算机网络是一个复杂的系统，其中存在一定的风险性，计算机网络的安全问题是目前亟待解决的关键问题。在当前社会，神经网络技术广泛应用于各大领域，将神经网络模型与计算机网络安全相结合，遵守可行性、准确性、完备性、简要性、独立性原则，构建一个网络安全评价体系。有利于对计算机安全管理奠定基础，基于神经网络的计算机网络安全评价体系能使评价结果更具真实性和可靠性，但目前的神经网络技术并不十分成熟，根据其应用特点，将神经网络技术与其他技术相融合的发展问题，仍值得广大学者深入研究。通过本文的分析与研究，认识到神经网络的发展及特点，针对其功能的优越性，加大对神经网络的重视，提高安全评价体系对环境的适应力，提升体系的容错性，实现在线应用模式，促进其在计算机网络安全中的进一步完善和发展，为计算机网络安全评价提供保障，使神经网络在计算机网络安全评价中发挥更大的作用。

第3篇：神经网络的功能范文

人脑是自生命诞生以来，生物经过数十亿年漫长岁月进化的结果，是具有高度智能的复杂系统，它不必采用繁复的数字计算和逻辑运算，却能灵活处理各种复杂的，不精确的和模糊的信息，善于理解语言、图象并具有直觉感知等功能。

人脑的信息处理机制极其复杂，从结构上看它是包含有140亿神经细胞的大规模网络。单个神经细胞的工作速度并不高（毫秒级），但它通过超并行处理使得整个系统实现处理的高速性和信息表现的多样性。

因此，从信息处理的角度对人脑进行探究，并由此研制出一种象人脑一样能够“思维”的智能计算机和智能信息处理方法，一直是人工智能追求的目标。

神经网络就是通过对人脑的基本单元---神经元的建模和联结，来探索模拟人脑神经系统功能的模型，并研制一种具有学习、联想、记忆和模式识别等智能信息处理功能的人工系统。本文介绍神经网络的特征以及近年来有关神经网络和混沌理论、模糊计算和遗传算法等相结合的混合神经网络探究的动态。

一．神经网络和联结主义

回顾认知科学的发展，有所谓符号主义和联结主义两大流派。符号主义从宏观层次上，撇开人脑的内部结构和机制，仅从人脑外在表现出来的智能现象出发进行探究。例如，将记忆、判定、推理、学习等心理活动总结成规律、甚至编制成规则，然后用计算机进行模拟，使计算机表现出各种智能。

符号主义认为，熟悉的基本元素是符号，认知过程是对符号表示的运算。人类的语言，文字的思维均可用符号来描述，而且思维过程只不过是这些符号的存储、变换和输入、输出而已。以这种方法实现的系统具有串行、线性、准确、简洁、易于表达的特征，体现了逻辑思维的基本特性。七十年代的专家系统和八十年代日本的第五代计算机探究计划就是其主要代表。

联接主义则和其不同，其特征是从微观出发。联接主义认为符号是不存在的，认知的基本元素就是神经细胞（神经元），认知过程是大量神经元的联接，以及这种联接所引起的神经元的不同兴奋状态和系统所表现出的总体行为。八十年代再度兴起的神经网络和神经计算机就是这种联接主义的代表。

神经网络的主要特征是摘要：大规模的并行处理和分布式的信息存储，良好的自适应、自组织性，以及很强的学习功能、联想功能和容错功能。和当今的冯．诺依曼式计算机相比，更加接近人脑的信息处理模式。主要表现如下摘要：

神经网络能够处理连续的模拟信号。例如连续灰度变化的图象信号。

能够处理混沌的、不完全的、模糊的信息。

传统的计算机能给出精确的解答，神经网络给出的是次最优的逼近解答。

神经网络并行分布工作，各组成部分同时参和运算，单个神经元的动作速度不高，但总体的处理速度极快。

神经网络信息存储分布于全网络各个权重变换之中，某些单元障碍并不影响信息的完整，具有鲁棒性。

传统计算机要求有准确的输入条件，才能给出精确解。神经网络只要求部分条件，甚至对于包含有部分错误的输入，也能得出较好的解答，具有容错性。

神经网络在处理自然语言理解、图象模式识别、景物理解、不完整信息的处理、智能机器人控制等方面有优势。

符号主义和联接主义两者各有特色，学术界目前有一种看法摘要：认为基于符号主义得传统人工智能和基于联接主义得神经网络是分别描述人脑左、右半脑的功能，反映了人类智能的两重性摘要：精确处理和非精确处理，分别面向熟悉的理性和感性两个方面，两者的关系应该是互补而非互相代替。理想的智能系统及其表现的智能行为应是两者相互结合的结果。

接下去的新问题是，符号AI和联接AI具体如何结合，两者在智能系统中相互关系如何？分别扮演什么角色？目前这方面发表的文献很多，大致有如下几种类型摘要：

1．松耦合模型摘要：符号机制的专家系统和联接机制的神经网络通过一个中间媒介（例如数据文件）进行通讯。

2．紧耦合模型摘要：和松耦合模型相比较，其通讯不是通过外部数据进行，而是直接通过内部数据完成，具有较高的效率。其主要类型有嵌入式系统和黑板结构等。

3．转换模型摘要：将专家系统的知识转换成神经网络，或把神经网络转换成专家系统的知识，转换前的系统称为源系统，转换后的系统称为目标系统，由一种机制转成另一种机制。假如源系统是专家系统，目标系统是神经网络，则可获得学习能力及自适应性；反之，可获得单步推理能力、解释能力及知识的显式表示。当然，转换需要在两种的机制之间，确定结构上的一致性，目前主要新问题是还没有一种完备而精确的转换方法实现两者的转换。有待进一步探究。

4．综合模型摘要：综合模型共享数据结构和知识表示，这时联接机制和符号机制不再分开，两者相互结合成为一个整体，既具有符号机制的逻辑功能，又有联接机制的自适应和容错性的优点和特征。例如联接主义的专家系统等。

近年来神经网络探究的另一个趋向，是将它和模糊逻辑、混沌理论、遗传进化算法等相结合，即所谓“混合神经网络”方法。由于这些理论和算法都是属于仿效生物体信息处理的方法，人们希望通过她们之间的相互结合，能够获得具有有柔性信息处理功能的系统。下面分别介绍。

二．混沌理论和智能信息处理

混沌理论是对貌似无序而实际有序，表面上看来是杂乱无章的现象中，找出其规律，并予以处理的一门学科。早在七十年代，美国和欧洲的一些物理学家、生物学家、数学家就致力于寻求在许许多多不同种类的不规则性之间的联系。生物学家发现在人类的心脏中有混沌现象存在，血管在显微镜下交叉缠绕，其中也有惊人的有序性。在生物脑神经系统中从微观的神经膜电位到宏观的脑电波，都可以观察到混沌的性态，证实混沌也是神经系统的正常特性。

九十年代开始，则更进一步将混沌和神经网络结合起来，提出多种混沌神经网络模型，并探索应用混沌理论的各种信息处理方法。例如，在神经元模型中，引入神经膜的不应性，探究神经元模型的混沌响应，探究在神经网络的方程中，不应性项的定标参数，不定性时间衰减常数等参数的性质，以及这些参数于神经网络混沌响应的关系，并确定混沌---神经网络模型具有混沌解的参数空间。经过试验，由这种混沌神经网络模型所绘出的输出图形和脑电图极为相似。

现代脑科学把人脑的工作过程看成为复杂的多层次的混沌动力学系统。脑功能的物理基础是混沌性质的过程，脑的工作包含有混沌的性质。通过混沌动力学，探究、分析脑模型的信息处理能力，可进一步探索动态联想记忆、动态学习并应用到模式识别等工程领域。例如摘要：

对混沌的随机不规则现象，可利用混沌理论进行非线性猜测和决策。

对被噪声所掩盖的微弱信号，假如噪声是一种混沌现象，则可通过非线性辨识，有效进行滤波。

利用混沌现象对初始值的敏锐依靠性，构成模式识别系统。

探究基于混沌---神经网络自适应存储检索算法。该算法主要包括三个步骤，即摘要：特征提取、自适应学习和检索。

模式特征提取采用从简单的吸引子到混沌的层次分支结构来描述，这种分支结构有可能通过少数几个系统参数的变化来加以控制，使复杂新问题简单化。自适应学习采用神经网络的误差反传学习法。检索过程是通过一个具有稳定吸引子的动力学系统来完成，即利用输入的初始条件和某个吸引子（输出）之间的存在直接对应关系的方法进行检索。利用这种方法可应用于模式识别。例如黑白图象的人脸识别。

三．模糊集理论和模糊工程

八十年代以来在模糊集理论和应用方面，也有很大进展。1983年美国西海岸AI探究所发表了称为REVEAL的模糊辅助决策系统并投入市场，1986年美国将模糊逻辑导入OPS---5，并探究成功模糊专家系统外壳FLOPS，1987年英国发表采用模糊PROLOG的智能系统FRIL等。除此通用工具的研制以外，各国还开发一系列用于专用目的的智能信息处理系统并实际应用于智能控制、模式识别、医疗诊断、故障检测等方面。

模糊集理论和神经网络虽然都属于仿效生物体信息处理机制以获得柔性信息处理功能的理论，但两者所用的探究方法却大不相同，神经网络着眼于脑的微观网络结构，通过学习、自组织化和非线性动力学理论形成的并行分析方法，可处理无法语言化的模式信息。而模糊集理论则着眼于可用语言和概念作为代表的脑的宏观功能，按照人为引入的隶属度函数，逻辑的处理包含有模糊性的语言信息。

神经网络和模糊集理论目标相近而方法各异。因此假如两者相互结合，必能达到取长补短的功能。将模糊和神经网络相结合的探究，约在15年前便已在神经网络领域开始，为了描述神经细胞模型，开始采用模糊语言，把模糊集合及其运算用于神经元模型和描述神经网络系统。目前，有关模糊---神经网络模型的探究大体上可分为两类摘要：一类是以神经网络为主，结合模糊集理论。例如，将神经网络参数模糊化，采用模糊集合进行模糊运算。另一类以模糊集、模糊逻辑为主，结合神经网络方法，利用神经网络的自组织特性，达到柔性信息处理的目的。

和神经网络相比，模糊集理论和模糊计算是更接近实用化的理论，非凡近年来美国和日本的各大公司都纷纷推出各种模糊芯片，研制了型号繁多的模糊推理板，并实际应用于智能控制等各个应用领域，建立“模糊工程”这样一个新领域。日本更首先在模糊家电方面打开市场，带有模糊控制，甚至标以神经---模糊智能控制的洗衣机、电冰箱、空调器、摄象机等已成为新一代家电的时髦产品。我国目前市场上也有许多洗衣机，例如荣事达洗衣机就是采用模糊神经网络智能控制方式的洗衣机。

四．遗传算法

遗传算法（GeneticAlgorithm摘要：GA）是模拟生物的进化现象（自然、淘汰、交叉、忽然变异）的一种概率搜索和最优化方法。是模拟自然淘汰和遗传现象的工程模型。

GA的历史可追溯到1960年，明确提出遗传算法的是1975年美国Michigan大学的Holland博士，他根据生物进化过程的适应现象，提出如下的GA模型方案摘要：

1．将多个生物的染色体（Chromosmoe）组成的符号集合，按文字进行编码，称为个体。

2．定义评价函数，表示个体对外部环境的适应性。其数值大的个体表示对外部环境的适应性高，它的生存（子孙的延续）的概率也高。

3．每个个体由多个“部分”组合而成，每个部分随机进行交叉及忽然变异等变化，并由此产生子孙（遗传现象）。

4．个体的集合通过遗传，由选择淘汰产生下一代。

遗传算法提出之后，很快得到人工智能、计算机、生物学等领域科学家的高度重视，并在各方面广泛应用。1989年美国Goldberg博士发表一本专著摘要：“GeneticAlgorithmsinSearch，OptimizationandMachineLearning”。出版后产生较大影响，该书对GA的数学基础理论，GA的基本定理、数理分析以及在搜索法、最优化、机器学习等GA应用方面进行了深入浅出的介绍，并附有Pascal模拟程序。

1985年7月在美国召开第一届“遗传算法国际会议”（ICGA）。以后每隔两年召开一次。近年来，遗传算法发展很快，并广泛应用于信息技术的各个领域，例如摘要：

智能控制摘要：机器人控制。机器人路径规划。

工程设计摘要：微电子芯片的布局、布线；通信网络设计、滤波器设计、喷气发动机设计。

图象处理摘要：图象恢复、图象识别、特征抽取。

调度规划摘要：生产规划、调度新问题、并行机任务分配。

优化理论摘要：TSP新问题、背包新问题、图划分新问题。

人工生命摘要：生命的遗传进化以及自增殖、自适应；免疫系统、生态系统等方面的探究。

神经网络、模糊集理论和以遗传算法为代表的进化算法都是仿效生物信息处理模式以获得智能信息处理功能的理论。三者目标相近而方法各异；将它们相互结合，必能达到取长补短、各显优势的效果。例如，遗传算法和神经网络和模糊计算相结合方面就有摘要：

神经网络连续权的进化。

传统神经网络如BP网络是通过学习，并按一定规则来改变数值分布。这种方法有练习时间过长和轻易陷入局部优化的新问题。采用遗传算法优化神经网络可以克服这个缺点。

神经网络结构的进化。

目前神经网络结构的设计全靠设计者的经验，由人事先确定，还没有一种系统的方法来确定网络结构，采用遗传算法可用来优化神经网络结构。

神经网络学习规则的进化。

第4篇：神经网络的功能范文

[摘要]该文介绍了神经网络的发展、优点及其应用和发展动向，着重论述了神经网络目前的几个研究热点，即神经网络与遗传算法、灰色系统、专家系统、模糊控制、小波分析的结合。

[关键词]遗传算法灰色系统专家系统模糊控制小波分析

一、前言

神经网络最早的研究20世纪40年代心理学家Mcculloch和数学家Pitts合作提出的，他们提出的MP模型拉开了神经网络研究的序幕。神经网络的发展大致经过三个阶段：1947~1969年为初期，在这期间科学家们提出了许多神经元模型和学习规则，如MP模型、HEBB学习规则和感知器等；1970~1986年为过渡期，这个期间神经网络研究经过了一个低潮，继续发展。在此期间，科学家们做了大量的工作，如Hopfield教授对网络引入能量函数的概念，给出了网络的稳定性判据，提出了用于联想记忆和优化计算的途径。1984年，Hiton教授提出Boltzman机模型。1986年Kumelhart等人提出误差反向传播神经网络，简称BP网络。目前，BP网络已成为广泛使用的网络；1987年至今为发展期，在此期间，神经网络受到国际重视，各个国家都展开研究，形成神经网络发展的另一个。神经网络具有以下优点：

(1)具有很强的鲁棒性和容错性，因为信息是分布贮于网络内的神经元中。

(2)并行处理方法，使得计算快速。

(3)自学习、自组织、自适应性，使得网络可以处理不确定或不知道的系统。

(4)可以充分逼近任意复杂的非线性关系。

(5)具有很强的信息综合能力，能同时处理定量和定性的信息，能很好地协调多种输入信息关系，适用于多信息融合和多媒体技术。

二、神经网络应用现状

神经网络以其独特的结构和处理信息的方法，在许多实际应用领域中取得了显著的成效，主要应用如下：

(1)图像处理。对图像进行边缘监测、图像分割、图像压缩和图像恢复。

(2)信号处理。能分别对通讯、语音、心电和脑电信号进行处理分类；可用于海底声纳信号的检测与分类，在反潜、扫雷等方面得到应用。

(3)模式识别。已成功应用于手写字符、汽车牌照、指纹和声音识别，还可用于目标的自动识别和定位、机器人传感器的图像识别以及地震信号的鉴别等。

(4)机器人控制。对机器人眼手系统位置进行协调控制，用于机械手的故障诊断及排除、智能自适应移动机器人的导航。

(5)卫生保健、医疗。比如通过训练自主组合的多层感知器可以区分正常心跳和非正常心跳、基于BP网络的波形分类和特征提取在计算机临床诊断中的应用。

(6)焊接领域。国内外在参数选择、质量检验、质量预测和实时控制方面都有研究，部分成果已得到应用。

(7)经济。能对商品价格、股票价格和企业的可信度等进行短期预测。

(8)另外，在数据挖掘、电力系统、交通、军事、矿业、农业和气象等方面亦有应用。

三、神经网络发展趋势及研究热点

1.神经网络研究动向

神经网络虽已在许多领域应用中取得了广泛的成功，但其发展还不十分成熟，还有一些问题需进一步研究。

(1)神经计算的基础理论框架以及生理层面的研究仍需深入。这方面的工作虽然很困难，但为了神经计算的进一步发展却是非做不可的。

(2)除了传统的多层感知机、径向基函数网络、自组织特征映射网络、自适应谐振理论网络、模糊神经网络、循环神经网络之外，一些新的模型和结构很值得关注，例如最近兴起的脉冲神经网络(spikingneuralnetwork)和支持向量机(supportvectormachine)。

(3)神经计算技术与其他技术尤其是进化计算技术的结合以及由此而来的混合方法和混合系统，正成为一大研究热点。

(4)增强神经网络的可理解性是神经网络界需要解决的一个重要问题。这方面的工作在今后若干年中仍然会是神经计算和机器学习界的一个研究热点。

(5)神经网络的应用领域将不断扩大，在未来的几年中有望在一些领域取得更大的成功，特别是多媒体技术、医疗、金融、电力系统等领域。

2.研究热点

(1)神经网络与遗传算法的结合。遗传算法与神经网络的结合主要体现在以下几个方面：网络连接权重的进化训练；网络结构的进化计算；网络结构和连接权重的同时进化；训练算法的进化设计。基于进化计算的神经网络设计和实现已在众多领域得到应用，如模式识别、机器人控制、财政等，并取得了较传统神经网络更好的性能和结果。但从总体上看，这方面研究还处于初期阶段，理论方法有待于完善规范，应用研究有待于加强提高。神经网络与进化算法相结合的其他方式也有待于进一步研究和挖掘。

(2)神经网络与灰色系统的结合。灰色系统理论是一门极有生命力的系统科学理论，自1982年华中理工大学的邓聚龙教授提出灰色系统后迅速发展，以初步形成以灰色关联空间为基础的分析体系，以灰色模型为主体的模型体系，以灰色过程及其生存空间为基础与内的方法体系，以系统分析、建模、预测、决策、控制、评估为纲的技术体系。目前，国内外对灰色系统的理论和应用研究已经广泛开展，受到学者的普遍关注。灰色系统理论在在处理不确定性问题上有其独到之处，并能以系统的离散时序建立连续的时间模型，适合于解决无法用传统数字精确描述的复杂系统问题。

神经网络与灰色系统的结合方式有：(1)神经网络与灰色系统简单结合；(2)串联型结合；(3)用神经网络增强灰色系统；(4)用灰色网络辅助构造神经网络；(5)神经网络与灰色系统的完全融合。

(3)神经网络与专家系统的结合。基于神经网络与专家系统的混合系统的基本出发点立足于将复杂系统分解成各种功能子系统模块，各功能子系统模块分别由神经网络或专家系统实现。其研究的主要问题包括：混合专家系统的结构框架和选择实现功能子系统方式的准则两方面。由于该混合系统从根本上抛开了神经网络和专家系统的技术限制，是当前研究的热点。把粗集神经网络专家系统用于医学诊断，表明其相对于传统方法的优越性。

(4)神经网络与模糊逻辑的结合

模糊逻辑是一种处理不确定性、非线性问题的有力工具。它比较适合于表达那些模糊或定性的知识，其推理方式比较类似于人的思维方式，这都是模糊逻辑的优点。但它缺乏有效的自学习和自适应能力。

而将模糊逻辑与神经网络结合，则网络中的各个结点及所有参数均有明显的物理意义，因此这些参数的初值可以根据系统的模糊或定性的知识来加以确定，然后利用学习算法可以很快收敛到要求的输入输出关系，这是模糊神经网络比单纯的神经网络的优点所在。同时，由于它具有神经网络的结构，因而参数的学习和调整比较容易，这是它比单纯的模糊逻辑系统的优点所在。模糊神经网络控制已成为一种趋势，它能够提供更加有效的智能行为、学习能力、自适应特点、并行机制和高度灵活性，使其能够更成功地处理各种不确定的、复杂的、不精确的和近似的控制问题。

模糊神经控制的未来研究应集中于以下几个方面：

(1)研究模糊逻辑与神经网络的对应关系，将对模糊

控制器的调整转化为等价的神经网络的学习过程，用等价的模糊逻辑来初始化神经网络；

(2)完善模糊神经控制的学习算法，以提高控制算法的速度与性能，可引入遗传算法、BC算法中的模拟退火算法等，以提高控制性能；

(3)模糊控制规则的在线优化，可提高控制器的实时性与动态性能；(4)需深入研究系统的稳定性、能控性、能观性以及平衡吸引子、混沌现象等非线性动力学特性。

关于神经网络与模糊逻辑相结合的研究已有很多，比如，用于氩弧焊、机器人控制等。

(5)神经网络与小波分析的结合

小波变换是对Fourier分析方法的突破。它不但在时域和频域同时具有良好的局部化性质，而且对低频信号在频域和对高频信号在时域里都有很好的分辨率，从而可以聚集到对象的任意细节。

利用小波变换的思想初始化小波网络，并对学习参数加以有效约束，采用通常的随机梯度法分别对一维分段函数、二维分段函数和实际系统中汽轮机压缩机的数据做了仿真试验，并与神经网络、小波分解的建模做了比较，说明了小波网络在非线性系统黑箱建模中的优越性。小波神经网络用于机器人的控制，表明其具有更快的收敛速度和更好的非线性逼近能力。

四、结论

经过半个多世纪的发展，神经网络理论在模式识别、自动控制、信号处理、辅助决策、人工智能等众多研究领域取得了广泛的成功，但其理论分析方法和设计方法还有待于进一步发展。相信随着神经网络的进一步发展，其将在工程应用中发挥越来越大的作用。

参考文献：

[1]张曾科.模糊数学在自动化技术中的应用[M].清华大学出版社，1997.

[2]李士勇.模糊控制·神经控制和智能控制论[M].哈尔滨工业大学出版，1996.250-387.

[3]谢联峻.模糊控制在列车自动驾驶中的应用[J].自动化与仪器仪表，1999，(4).

[4]CollierWC，Weiland，RJSmartCarts，SmartHighways[J].IEEESpec-trum，1994，31(4)：27-33.

[5]HatwalH，MikulcikEC.someInverseSolutionstoanAutomobilePathTrackingProblemwithInputControlofSteeringandBreaks，Ve-hiclesystemDynamics，1986，(15)：61-71.

[6]KosugeK，FukudaT，AsadaH.AcquisitionifHumanSkillsforRoboticSystem[C].In：ProcIEEEIntSympOnIntelligenControl，1991.469-489.

[7]王小平，曹立明.遗传算法—理论、应用与软件实现.西安交通大学出版社，2002.

[8]ManiezzoV.Geneticevolutionofthetopologhandweightdistribution

ofneuralnetwork[J].IEEETransonNeuralNetwork，1994，5(1)35-67.

[9]HarraldPG，KamstraM.Evolvingartificialneuralnetworkstocombinefinancialforecase[J].IEEETransonEvolComputer，1997，1(1)：39-54.

[10]邓聚龙.灰色系统理论教程.华中理工大学出版社，1990.

[11]吕宏辉，钟珞，夏红霞.灰色系统与神经网络融合技术探索.微机发展，2000，23(4)：67-109.

第5篇：神经网络的功能范文

关键词： 谐波； 间谐波； 全相位快速傅里叶变换； 人工神经网络； 虚拟仪器

中图分类号： TN711?34； TM417 文献标识码： A 文章编号： 1004?373X（2017）01?0125?04

Abstract： On the basis of analyzing the available harmonic detection methods， the harmonic and interharmonic detection method based on all?phase fast Fourier transform and artificial neural network is studied. A new harmonic detection method based on all?phase fast Fourier transform and BP neural network is proposed to solve the problem of low harmonic detection precision. And a harmonic detection method based on all?phase fast Fourier transform and adaptive neural network is used to further improve the accuracy of harmonic detection. A harmonic detection software based on all?phase fast Fourier transform and adaptive neural network was designed on virtual instrument software development platform LabWindows/CVI. The software can realize the detection of harmonic amplitude and phase and calculation of total harmonic distortion， and give an alarm when the total harmonic distortion is out of limit.

Keywords： harmonic； interharmonic； all?phase fast Fourier transform； artificial neural network； virtual instrument

在理想情况下，电力系统的电能应该是具有单一频率、单一波形和若干电压等级的正弦电压信号。但是实际生产生活中由于一些原因，电网中的电能很难保持理想的波形，实际的波形总是存在偏差和形变，这种波形畸变称为谐波畸变[1]。造成谐波畸变的原因是电网中存在大量的电力系统谐波。随着谐波污染问题愈加严重，其产生的危害也越来越广泛。因此，谐波检测问题具有十分重要的研究价值和意义[2]。

1 基于全相位快速傅里叶变换和BP神经网络

的谐波检测

1.1 谐波相角检测

全相位快速傅里叶变换具有相位不变性。利用该性质对电网电压信号的采样值进行全相位快速傅里叶变换谱分析，获得高精度的谐波相位值[3]。其步骤如下：

（1） 采集电网信号，获取个采样值。

（2） 对采样数据进行全相位快速傅里叶变换谱分析，获得幅值谱和相位谱。

（3） 全相位快速傅里叶变换所得的幅值谱受到栅栏效应的影响无法获得准确的谐波信号幅值，但是幅值谱在谐波相应的频率附近会出现峰值谱线，通过读取该峰值谱线对应的相位值即可得到精确的谐波相位[4]。

1.2 基于BP神经网络的谐波幅值检测

选择BP神经网络作为谐波幅值的检测方法。基于BP神经网络的谐波幅值检测分为以下步骤：

（1） 构建谐波检测BP神经网络结构

传统的BP神经网络谐波检测网络由输入层、隐含层、输出层构成[5]。本文构建的网络仅含有一个隐含层。由于传统结构的BP神经网络输出层各神经元共用同一个隐含层，相互之间影响比较严重，存在谐波幅值检测精度不高的问题。因此本文采用改进的BP神经网络结构，输入层、输出层设置不变，仅使输出层的每一个神经元分别都对应一个隐含层，解决了各待测谐波相互影响的问题，提高了谐波检测的精度。

（2） 确定谐波检测BP神经网络学习算法

设电网中电压信号为一周期性非正弦信，对做一个周期内的等时间间隔采样。采样数据作为神经网络的输入。隐含层的输出为。输出层为分别对应三次谐波和五次谐波幅值[6]。由于各次谐波具有相同的学习算法，在此仅以三次谐波为例，介绍其学习算法。三次谐波的隐含层和输出层的输出为：

（3） 选取谐波检测神经网络训练样本

在实际检测时以检测奇次谐波中次数较低的谐波为主。本文谐波检测前通过滤除基波和更高次的谐波，选取由三次谐波和五次谐波组成的谐波电流为例说明训练样本的选取过程[7]。谐波电压可以表示为：

（4） 学习样本选取完成后，按照BP神经网络的训练过程训练神经网络。待训练结束，获取神经网络各个连接权值，从而固定BP神经网络结构和连接权值，完成对谐波幅值的记忆。其后只需要采集电网信号作为同相位条件下的BP神经网络的输入，即可从网络输出获取信号中所含的各次谐波幅值。

1.3 谐波检测仿真实验

本仿真只对某个相位条件下的BP神经网络对三次和五次谐波的幅值进行仿真验证。在三次谐波的相位为30°，五次谐波的相位为60°的条件下采用训练样本选取方法，获取676组训练样本，离线训练谐波检测BP神经网络。仿真程序流程如图1所示。

训练完成后，选择多组相位同为30°和60°未训练的样本仿真验证谐波幅值检测的精度。通过实验可以看出，BP神经网络谐波幅值检测方法结果比插值FFT具有更高的精度。通过增加训练样本个数可进一步提高神经网络谐波幅值检测的精度。

2 基于全相位快速傅里叶变换和自适应神经网

络谐波检测

2.1 检测步骤

基于全相位快速傅里叶变换和自适应神经网络的谐波检测方法的具体步骤如下：

（1） 采集训练样本。设定采样频率和采样时间，采集电网电压信号，为全相位快速傅里叶变换提供分析数据，为自适应人工神经网络提供训练样本。

（2） 确定谐波初相位。将电网信号采样数据经过全相位快速傅里叶变换分析，在分析结果的幅值谱中找出峰值谱线，并由峰值谱线对应的相位值获取各谐波的高精度相位。

（3） 初始化谐波幅值检测神经网络。利用谐波相位检测结果设置神经网络参考输入向量中的各次谐波相位值。

（4） 计算误差读取一次训练样本，根据采样时间计算神经元输出与此刻的电网信号采样值做差，进而计算误差函数和性能指标。

（5） 根据误差调整神经网络权值。

以最小均方差法（LMS）作为谐波幅值检测自适应神经网络的学习算法，则权值调整公式，即谐波幅值调整公式为：

（6） 判断是否等于训练样本总数如果是，再判断是否达到最大训练次数。若达到最大训练次数则结束训练转至下一步。若未达到，则需计算并判断是否达到性能指标要求，达标则转至下一步，不达标则返回步骤（4）再次执行。如果否，返回步骤（4）继续执行。

（7） 训练结束。根据所得神经网络权值获得各次谐波幅值。

2.2 谐波检测仿真

取511个电网信号采样点经过apFFT分析后，可以看出该谐波相位检测具有很高的精度。利用apFFT分析结果初始化神经网络，并取50组训练样本训练神经网络，可以看出性能指标函数的值在训练次数足够大的情况下可以达到，在经过10次以内的训练后基波和谐波检测值趋于稳定。由实验数据可以看出本文采用的方法极大地提高了谐波幅值的检测精度。

3 基于全相位快速傅里叶变换和增强型自适应

神经网络的间谐波检测

3.1 增强型自适应神经网络间谐波检测模型

谐波检测中在基波频率已知的情况下，由于谐波频率为基波频率的整数倍，因而谐波频率无需检测。但是对于间谐波检测，由于间谐波频率为基波频率的非整数倍，无法通过基波频率获知间谐波频率，因此在间谐波检测时，需要将间谐波的频率也作为检测项[8]。为此，将应用于间谐波检测的自适应神经网络结构设计成如图3所示的形式。

3.2 谐波检测步骤

基于全相位快速傅里叶变换和增强型自适应神经网络的间谐波检测步骤如下：

（1） 信号采集和apFFT分析。将电网信号滤除已测量的基波、谐波信号后得到由间谐波构成的信号，采样并经apFFT算法分析后，得到幅值谱和相位谱。

（2） 神经网络结构的确定和初始化。由于神经网络中间层神经元的个数等于间谐波个数，因此通过apFFT幅值谱峰值谱线的个数确定神经元个数。分别确定间谐波频率和幅值的学习率和动量因子。设定神经网络的最大训练次数，开始人工神经网络的训练。

（3） 计算误差。读取一次训练样本，根据式（11）计算神经网络实际输出，并与此刻的采样值做差，进而计算误差函数和性能指标。

（5） 判断是否等于训练样本总数如果是，再判断是否达到最大训练次数。若达到最大训练次数则结束训练转至下一步。若未达到，则需计算并判断是否达到性能指标要求，达标则转至下一步，不达标则返回步骤（3）再次执行。如果否，返回步骤（3）继续执行。

（6） 学习结束。学习结束后，通过激励函数的角频率获取间谐波频率，通过神经网络权值得到间谐波幅值。

3.3 间谐波检测仿真

设基波频率为50 Hz，采样频率为2 560 Hz，采集511个点。利用apFFT的分析结果初始化神经网络。设置间谐波幅值调整的学习因子=0.01，设置动量因子=0.3，随后开始训练神经网络。从实验数据可得，网络经过70次左右的在线训练后基本收敛。经过70次训练后幅值误差都达到了以下，频率误差达到了以下。通过对原始间谐波叠加信号波形和检测得到的间谐波组合信号波形进行对比可知，基于全相位快速傅里叶变换和增强型自适应神经网络的间谐波检测方法具有更高的检测精度。

4 LabWindows/CVI谐波检测软件实现

4.1 谐波检测系统设计方案

针对电力系统中存在C波问题，利用LabWindows/CVI和计算机设计虚拟谐波检测仪器。主要实现的功能是分析数据采集卡采集的电网电压数据，利用apFFT和自适应线性神经网络算法获取高精度的谐波电压幅值和谐波初相位，并通过计算机显示出检测结果。利用检测结果计算总谐波畸变率，当畸变率超过标准值时给出警报。首先获取电网电压采样信号，进而将采样信号经过全相位快速傅里叶变换分析得到基波和各次谐波信号的高精度相位值，通过获得的相位值设置自适应神经网络激励函数中的谐波相位值，随后利用采样数据在线训练神经网络获得基波和各次谐波的幅值。

4.2 谐波检测系统软件设计过程

基于LabWindows/CVI的谐波检测软件设计过程可分为以下步骤：

（1） 启动LabWindows/CVI编程环境，创建谐波检测软件工程。

（2） 在用户界面编程窗口，根据谐波检测的功能要求设计虚拟仪器用户面板。在面板上添加相应控件，控件分布设计完成后，需要对控件属性及其对应的回调函数进行设置，使得点击或使用这些控件时能够得到有效的响应。

（3） 用户界面设计并保存完成后，LabWindows/CVI自动生成程序代码的主体框架，并通过菜单栏CodeGenerateMain Function生成main函数和各个控件对应的回调函数框架程序。

（4） 在各个控件对应的回调函数内编写实现其功能的程序代码，例如本文在主面板开始检测按钮对应的回调函数内部编写apFFT和神经网络谐波检测算法的代码，以实现谐波检测功能。

（5） 完成代码编写、调试和运行程序。

4.3 检测软件实验测试

本文通过读取两组离线测量数据对谐波检测功能进行实验检测。通过第一组数据的检测结果可以看出谐波幅值较基波幅值低很多，且奇次谐波的幅值较偶次谐波幅值高。通过apFFT采样数据分析的结果中，测量信号波形和基波波形的对比可以看出谐波对基波波形的影响较小。实验结果表明该软件具有很好的谐波检测精度。

通过第二组数据的检测结果看出谐波总畸变率超出设定值（4%），谐波畸变率告警灯变为红色，同时告警对话框弹出。谐波检测的结果同时在表格和柱形图中显示。将测量信号、谐波叠加信号和基波信号的波形进行对比，谐波对电网电压的波形影响仍然很有限，保证了电网中负载的用电安全。此次谐波检测的检测结果，检测精度仍然较高。

5 结 论

本文主要对基于全相位快速傅里叶变换和神经网络的谐波、间谐波检测方法进行了研究。针对现有成熟的谐波检测算法检测精度不高的问题，提出了基于全相位快速傅里叶变换和BP神经网络的谐波检测算法；为了进一步提高谐波检测精度，减小对训练样本的依赖，扩大谐波检测算法的适用范围，提出了基于全相位快速傅里叶变换和自适应神经网络的谐波检测算法；针对电力系统间谐波检测问题，通过调整自适应神经网络结构，提出了基于全相位快速傅里叶变换和增强型自适应神经网络的谐波检测算法；利用虚拟仪器开发平台LabWindows/CVI设计了基于全相位快速傅里叶变换和自适应神经网络的谐波检测软件，最后利用两组数据验证了软件功能。

参考文献

[1] 肖雁鸿，毛筱.电力系统谐波测量方法综述[J].电网技术，2002，26（6）：61?64.

[2] 聂晶晶，许晓芳，夏安邦，等.电能质量监测及管理系统[J].电力系统自动化设备，2005，25（10）：75?77.

[3] 王子绩，孟鑫，张彦兵，等.基于瞬时无功功率理论的新型谐波检测算法[J].电测与仪表，2012，49（4）：9?13.

[4] 刘桂英，粟时平.利用小波傅里叶变换的谐波与间谐波检测[J].高电压技术，2007，33（6）：184?188.

[5] 危韧勇，李志勇.基于人工神经元网络的电力系统谐波测量方法[J].电网技术，1999，23（12）：20?23.

[6] 王凯亮，曾江，王克英.一种基于BP神经网络的谐波检测方案[J].电力系统保护与控制，2013（17）：44?48.

[7] 付光杰，曲玉辰，郭静.RBF神经网j在谐波检测中的应用[J].大庆石油学院学报，2005，29（6）：76?79.

第6篇：神经网络的功能范文

关键词：电力系统；神经网络系统；应用；展望

神经网络泛指生物神经网络和人工网络神经两个方面，广泛应用于电力系统中的是人工神经网络，因为人工神经网络具有自学习功能、联想储存功能和高速寻找优化解的能力，所以不仅可以发挥计算机的高速运算能力，还能很快找到最优方案，为提升工作效率做出了重大贡献。正确认识神经网络系统在电力系统中的巨大功能，不仅能够提高电力系统的稳定性，还能尽最大可能解决电力系统中出现的问题，提高电力系统的工作效率。

一、神经网络系统的含义

人工神经网络是一种应用，类似于用大脑神经突触联接的结构进行信息处理的数学模型。在工程界常被成为神经网络。神经网络是一种运算模型，有大量的节点和相互之间的联接构成。每个节点都可以输出一种特定的函数，而每两个节点的连接则代表一个联接函数的加权值，这些就组成了人工神经网路的记忆。神经网络数据的输出就依靠这些网络的不同连接方式，也就是说输出函数和加权值的不同。

神经网络通常是通过一个基于统计学系统的学习方法进行优化的，所以神经网络系统也是一种数学统计方法。在神经网络系统中通过统计学的方法可以获得大量的函数以来进行空间的模拟和干预，另外，还可以通过相应的数据帮助我们进行计算和判断，而其产生的数据要比传统的计算逻辑方法来的更加简便，更有优势。

二、神经网络系统在电力系统中的应用

1.在电力系统控制中的作用

电力系统的过程包含很多环节，传统的管理控制过程不但导致资源的浪费，还会出现数据的偏差、错误，从而影响整个系统的运行。而神经网络系统的运用可以对电力系统实现智能控制，利用神经网络系统的估计和联想力，能对系统的状态和参数进行相应的识别和控制。另外，在变电站电压控制中，现在的控制策略还存在着一定的盲目性和不确定性。而神经网络系统可以减少变电站电压的不稳定性，消除综合控制中的盲目调节。

2.在保持电力系统稳定性中的作用

传统的抑制电力系统低频功率震荡，保证电力系统稳定的电力系统稳定器已经不能满足现阶段的电力系统了，在复杂的电力系统面前，传统的电力系统稳定器的计算方法、计算数据等都会出现偏差，影响系统最终结果。于是，现在更多的人用神经网路技术来设计电力系统的稳定器，这些稳定器可以很好的精确计算方法、减少计算数据的差异，可以很好的克服传统电力系统稳定器的缺点，使得计算更加简单、省时、准确。

3.优化运算的功能

由于神经网络系统可以建立非线性的模型，并适于解决数据预报问题，使得电力系统在短期内的负荷预报变得可能，且有一定的准确性。另外神经网络系统应用于电力系统可以对于电力系统的稳定性进行分析计算，取得故障后的系统状态数据，并对这些数据进行相应的分析检验，以进行确切数据的提炼，优化了传统电力系统中故障数据的检验，使得计算方法更加简便、快捷，从而提高了电力系统网络的稳定性和准确性。

4.在继电保护中的作用

继电保护是电力系统能够安全、稳定运行的重要保障。随着电力系统的发展完善，传统的继电保护程序已经不能满足要求，利用神经网络系统组成的继电保护系统可以根据各种系统提供的不同参数进行准确的模拟、组合，及时发现电流、电压的变化量，通过收集这些故障的参照样本，来对于本系统进行故障模拟，形成相应的保护体系，使得神经网络系统可以在不同的故障条件下正确判断、识别故障，以帮助工作人员了解故障的原委，解决问题。

5.在输电系统中的作用

神经网络系统广泛在电力系统中进行应用还可以有效地对电力系统的电压、线路的阻抗、功率等进行很好的调节控制，从而大大提高电路在电流输送过程中的稳定性，降低输电中的损耗，充分实现电能的高效利用，取得良好的经济效益。同时，提高输电系统的工作效率还能大大提高供电设备的安全性，并且可以有效的对相应的故障进行分析处理，从而使得输电系统更加合理、完善。

6.构建电力系统中的专家系统

由神经系统网络构建的电力系统的专家系统可以通过计算机数据收集人类专家的知识，以利用这些知识为电力系统的建设提供相当于专家水平的技术建议和决策支持，并能够给出相应正确的推理，使得解决问题的知识结构更加宽泛、更加完善。另外，专家系统还具有启发式的知识，可以很好的减少工作人员的工作强度，同时还能随时进行修改补充，因此，将神经网络用于电力系统中，形成相应的专家系统是很有必要的。

7.诊断电力系统故障的作用

要保证电力系统的安全运行和供电设备的安全稳定，就要准确的对电力系统出现的故障进行诊断、排查，以进行及时检修。但目前看来，因为这些故障没有规律可循，而且往往牵扯到很多环节，很难使用一种确定的方法逻辑进行识别，但神经网络系统却可以很好的做到了这一点。以变压器故障为例，当变压器内部出现问题时，变压器的绝缘油中会产生异常气体，使得绝缘油油温、油压、绝缘电阻等发生改变并聚集成一个标准样本，通过神经网络系统进行分析和确认，就可以很容易的对故障做出准确判断。

三、神经网络系统应用于电力系统的展望

1.神经网络系统作为一个新的数据处理系统，还有很多不完善的地方，虽然已经做了很多的努力进行完善，但是对于神经网络系统中的随机问题还是不能够完全控制。另外，以现在的技术手段对于神经网络系统的信息处理分析能力还不能进行清楚的分析、判断。所以，要不断探讨更加有利的、完善的知识理论体系，完善神经网络系统，以建立起一套完整的理论体系，提高神经网络系统的稳定性，使神经网络系统发挥更加重要的作用。

2.神经网络系统的发展与应用，实际上是依赖于现实专家系统的发展。神经网络系统的所有数据均来自专家已有知识或推理出来的数据，因此，并不能忽视现实专家系统的重要性，只有将现实专家系统的逻辑思维方法和知识应用体系运用到神经网络系统中才能真正更有效的发挥神经网络系统的作用，才能为电力系统的完善提供更加完备的系统理论。

3.神经网络系统的研究虽然已经有了一定进展，但是对于很多企业来说，实际应用还有很多困难，还存在着技术差异、人员水平差异、管理差异和经济实力差异，所以，虽然理论研究已相对完整，但在实际的运用过程中却遇到了多重阻碍，不仅科技得不到发展，在人员意识上也造成了滞后。因此，管理人员要积极转变管理思路，将先进科技应用于企业建设上来，从而转变员工的意识，只有各方面全力配合，以及技术的不断发展，才能真正带动企业的发展，实现经济效益和社会效益的双丰收。

结语：

目前，对于神经网络系统在电力系统中的研究还是初步的，有很多不完善的地方，现在进行的研究还比较浅显，神经系统还有更大的发展前途，这就需要科研人员和电力技术人员不断通过实验、实践来对神经网络系统在电力系统中的运用进行探索，以完善神经网络系统和电力系统，促进科技的发展和完善，使神经网络系统可以应用到更高水平。

参考文献：

[1]杨勇.人工神经网络在电力系统中的应用与展望[J].电力系统及其自动化学报，2001（1）

[2]叶其革，王晨皓，吴捷.模糊神经网络及其在电力系统中的应用研究[J].继电器，2004（11）

第7篇：神经网络的功能范文

关键词：神经网络 化工 应用

一、前言

人工神经网络是一个多科学、综合性的研究领域，它是根据仿生学模拟人体大脑结构和运行机制构造的非线性动力学系统[1]。神经网络可以看作是一种具有自组织、自学习能力的智能机器，它能模仿人的学习过程，通过给网络各种范例，把网络的实际输出与希望输出比较，根据偏差修改节点间的连接权，直到获得满意的输出。现已广泛应用于经济学、军事学、材料学、医学、生物学等领域。

化工过程一般比较复杂， 对象特性多变、间歇或半连续生产过程多，具有严重非线性特性。因此，其模型化问题一直是研究的热点。化工生产过程的数据或实验室实验数据的拟台、分析，是优化过程或优化反应条件的基础一般被处理的数据可以分为二类：静态数据（static data）和动态数据（Dynamic data），对于静态数据的关联，神经网络是一种很有希望的“经验模型”拟合工具。动态过程数据具有系统随时间而变化的特征，操作参数和产物的产量和质量之间的关系更为复杂。处理和分析动态过程数据的方法除了常用的在物料衡算、能量衡算、反应动力学方程、相平衡等基础上建立数学模型（Mathematical Models）、数理统计（Statistical Analysis）等方法外，用神经网络拟合动态过程数据， 建立动态过程模型， 往往能从动态数据提供的模式中提取较为有用的信息，对过程进行预测、故障诊断，从而使过程得到优化。因此，神经网络以其强大的函数映射能力， 已经广泛用于化工过程非线性系统建模领域。 它能够通过输入输出数据对过程进行有效地学习，为化工过程的综合发展提供了一种先进的技术手段。

二、人工神经网络简介

人工神经网络（英文缩写为ANN）简称神经网络，是在生物学和现代神经科学研究的基础上，对人类大脑的结构和功能进行简化模仿而形成的新型信息处理系统[2，3]。由“神经元”（neurons）或节点组成。至少含有输入层、一个隐含层以及一个输出层。输入层—从外部接受信息并将此信息传入人工神经网络，以便进行处理；隐含层—接收输入层的信息，对所有信息进行处理；输出层—接收人工神经网络处理后的信息，将结果送到外部接受器。当输入层从外部收到信息时，它将被激活，并将信号传递到它的近邻这些近邻从输入层接收到激活信号后，依次将其输出到它们的近邻，所得到的结果在输出层以激活模式表现。

神经网络可以看作是一种具有自组织、自学习能力的智能机器，它能模仿人的学习过程。比如，一个复杂化工装置的操作工人，开始学习操作时，由于没有经验，难以保证控制质量。但经过一段时间学习后，他就能逐步提高技能。神经网络正是模拟人类学习过程，通过给网络各种范例，把网络的实际输出与希望输出比较，根据偏差修改节点间的连接权，直到获得满意的输出。人工神经网络研究工作可分成 3个大方向：（1）探求人脑神经网络的生物结构和机制，这实际上是研究神经网络理论的初衷；（2）用微电子或光学器件形成有一定功能的网络，这主要是新一代计算机制造领域所关注的问题；（3）将人工神经网络作为一种解决问题的手段和方法，而这类问题用传统方法无法解决或在具体处理技术上尚存在困难。

三、神经网络在化工中的应用

1.故障诊断

当系统的某个环节发生故障时，若不及时处理，就可能引起故障扩大并导致重大事故的发生。因此建立高效的、准确的实时故障检测和诊断系统，消除故障隐患，及时排除故障，确保安全、平稳、优质的生产，已成为整个生产过程的关键所在。神经网络是模仿和延伸人脑智能、思维、意识等功能的非显形自适应动力学系统，其所具有的学习算法能使其对事物和环境具有很强的自学习、自适应和自组织能力。神经网络用于故障诊断和校正不必建立严格的系统公式或其它数学模型，经数据样本训练后可准确、有效地侦破和识别过失误差，同时校正测量数据中的随机误差。与直接应用非线性规划的校正方法相比，神经网络的计算速度快，在化工过程的实时数据校正方面具有明显的优势。目前应用于故障诊断的网络类型主要有：BP网络、RBF网络、自适应网络等。

Rengaswamy[4]等人把神经网络用在化工过程的初始故障预测和诊断（ FDD）中，提出一种神经网络构架，利用速度训练在分类设计中明确引入时间和过程模型映像的在线更新三个要素，来解决化工过程中的初始故障诊断问题。国内也有关于神经网络用于故障诊断的报道，黄道[5]等人以TE （Tenneaaee Eastman，Eastman化学公司开发的过程模拟器，提供了一个实际工业过程的仿真平台，是一种国际上通用的标准仿真模型）模型为背景，根据模型的特点进行了故障诊断。当输入变量接近训练过的样本时，诊断的成功率可达100％。另外，模糊神经元网络作为一种更接近人脑思维的网格，也是解决此类问题的一个发展方向。李宏光[6]等人就针对化工非线性过程建模问题， 提出了由函数逼近和规则推理网络构成的模糊神经网络，其规则网络基于过程先验知识用于对操作区间的划分，而函数网络采用改进型模糊神经网络结构完成非线性函数逼近，并将该技术应用于工业尿素 CO2汽提塔液位建模。

2.化工过程控制

随着神经网络研究的不断深入，其越来越多地应用于控制领域的各个方面，从过程控制、机器人控制、生产制造、模式识别直到决策支持神经网络都有应用。神经网络可以成功地建立流程和控制参数问的非线性关系及构造相关的数学模型，并可跟踪瞬息过程及具有稳健功能等，因此可有效地用于化工过程最优化和控制。

1986年，Rumelhart第一次将ANN用于控制界。神经元网络用于控制有两种方法，一种用来构造模型，主要利用对象的先验信息，经过误差校正反馈，修正网络权值，最终得到具有因果关系的函数，实现状态估计，进而推断控制；另一种直接充当控制器，就像PID控制器那样进行实时控制。神经元网络用于控制，不仅能处理精确知识，也能处理模糊信息。Tsen[7]等利用混合神经网络实现对乙酸乙烯酯（VA）的乳液聚合过程的预测控制。原有的该间歇过程的复杂的机理模型可对单体转化率做出较准确的预测，然而对产品性质（如数均相对分子质量及其分布）的预测不太可靠。所建的混合型神经网络模型用于实现过程的反馈预测控制。国内对神经网络的实质性研究相对较晚，谭民[8]在1990年提出了一种基于神经网络双向联想机制的控制系统故障诊断方法，并且作了仿真验证。清华大学自动化系则开发了一种基于时序神经网络的故障预报方法，利用工艺现场数据对大型氯碱厂的氯气中含氢气的问题进行了模拟预报实验。

3.药物释放预测

建立精确的缓释微胶囊模型是找出最优的工艺条件及掌握芯材释放规律的重要一步。缓释微胶囊的性能与影响因素之间足一种多输入、多输出、复杂的非线性关系。机理分析法和传统的系统辨识法对输入、多输出问题适应性差，过分依赖研究领域的知识与经验，难以得到实用的缓释微胶囊模型。人工神经网络能够很好地解决传统方法不能解决的具有高度非线性、耦合性、多变量性系统的建模问题并具有独特的优势。

赵武奇[9]等人建立了红景天苷缓释微囊的人工神经网络模型及其遗传算法优化技术，用神经网络模型描述了微囊制作参数与性能之间的关系，并用遗传算法优化微囊制作工艺参数，设计出性能最佳的微囊制作工艺参数。范彩霞[10]等人以难溶性药物氟比洛芬为模型药物，制备了17个处方并进行释放度检查。氟比洛芬和转速作为自变量，取其中l4个处方为训练处方，其余3个处方为验证处方，将自变量作为人工神经网络的输入，药物在各个取样时间点的释放为输出，采用剔除一点交叉验证法建立了人工神经网络模型。并通过线性回归和相似因子法比较人工神经网络和基于二元二项式的响应面法的预测能力，显示了人工神经网络的预测值与实测值的接近程度。

4.物性估算

用神经网络来解决估算物质的性质必须解决三个基本问题，第一个是对物质的表征问题；第二个是采用何种神经网络及其算法问题；第三个是神经网络输入与输出数据的归一化问题。无论采用哪种方法对数据进行处理，当用经过训练的神经网络进行物性估计时，不能将网络直接的输出值作为物性预估值，而是要将输出值再乘上一个系数，这个系数就是前面进行归一化处理时对数据的除数，相乘后得到的值作为物性估算值。神经网络用于物性估算，目前采用的就是BP网络或在此基础上的各种改进形式。常压沸点进行估算和研究。Prasad[11]等人利用神经网络对有机化合物的物理性质进行了预测，并与传统的基团贡献法比较，可以得到更为准确的物性参数。而后，董新法、方利国[12]等人将神经网络在物性估算中的应用作了一个全面而又简要的讲解，并提出神经网络在物性估算中潜在的应用前景，为其发展及其以后的应用研究提供了很好的工作平台。

目前，人工神经网络在各个领域中的应用都在向人工智能方向发展。不断丰富基础理论和开展应用研究、完善其技术的可靠性、开发智能性化工优化专家系统软件，对于我国的化工发展具有重要意义。此外，模糊理论、小波变换、统计学方法和分形技术等信息处理方法和理论与神经网络的结合解决化工类问题，被认为是一种发展趋势。

参考文献

[1]高大文，王鹏，蔡臻超.人工神经网络中隐含层节点与训练次数的优化[J].哈尔滨工业大学学报， 2003， 35（2）： 207-209.

[2]苏碧瑶.人工神经网络的优化方法[J]. 科技资讯， 2011（30）： 239-240.

[3]黄忠明， 吴志红， 刘全喜. 几种用于非线性函数逼近的神经网络方法研究[J]. 兵工自动化，2009， 28（10）： 88-92.

[4]Rengaswamy R， Venkatasubramanian V. A fast training neural network and its updation for incipient fault detection and diagnosis[J].Computers and Chemical Engineering， 2000，（24）： 431-437.

[5]黄道， 宋欣.神经网络在化工过程故障诊断中的应用[J].控制工程，2006，（13）： 6-9.

[6]李宏光，何谦.化工过程建模中的一类复合型模糊神经网络[J]. 计算机与应用化学，2000，17（5）： 399-402.

[7]Tsen A D， Shi S J， Wong D SH， etal. Predictive Control of Quality in Batch Polymerization Using a Hybrid Artificial Neural Network Model[J]. AIChE Journal，1996， 42（2）： 455-465.

[8]谭民， 疏松桂. 基于神经元网络的控制系统故障诊断[J]. 控制与决策， 1990（1）： 60-62.

[9]赵武奇， 殷涌光， 仇农学. 基于神经网络和遗传算法的红景天苷缓释微囊制备过程建模与优化[J]. 西北农林科技大学学报（自然科学版）， 2006，34（11）： 106-110.

[10] 范彩霞， 梁文权， 陈志喜. 人工神经网络预测氟比洛芬HPMC缓释片的药物释放[J]. 中国医药工业杂志， 2006， 37（10）： 685-688.

[11]Prasad Y， Bhagwat S S. Simple Neural Network Models for Prediction of Physical Properties of Organic Compounds[J].Chemical Engineering & Technology， 2002， 25（11）： 1041-1046.

第8篇：神经网络的功能范文

关键词：PID;神经网络;VHDL;FPGA

中图分类号：TP18 文献标识码：B

文章编号：1004-373X(2009)01-101-03

Realization of PID Neural Network Based on VHDL

WANG Zhongliang,XIAO Hua

(Tongling University,Tongling,244000,China)

Abstract：The core of nonlinear PID neural network controller with one variable and multi- variable is PID neural network module.The paper analyses the design theory of PID neural network,provids a ring circuit configuration to realize PID neural network module,designs and realizes 3-layer PID neural network module with top-down design methodology based on VHDL.The simulation suggests the module operates well.The synthesizing result shows that the realization of network only uses 175 LEs and 9 embedded hardware multipliers,the maximal frequency can reach 116 MHz.

Keywords：PID;neural network;VHDL;FPGA

0 引 言

数字PID控制是在生产过程中被普遍采用的控制方法,具有结构简单、容易控制、参数能够灵活整定的特点。但当被控对象存在非线性和时变特性时,传统的PID控制器往往难以获得满意的控制效果。神经网络以其强大的信息综合能力为解决复杂控制系统问题提供了理论基础,许多学者也通过软件仿真的形式验证了神经网络控制的可行性并提出了一些新的算法,但由于没有相应的硬件支持,只通过软件编程,利用串行方法来实现神经网络控制必然导致运算速度低,难以保证实时控制。为此,研究人员提出了多种神经网络专用硬件实现的方法和技术,包括FPGA(Field Programmable Gate Array)实现［1,2］、神经芯片［3-6］以及DSP加速板等。近年来,随着工艺的进步,数字FPGA结构灵活、通用性强、速度快、功耗低,用它来构造神经网络,可以灵活地实现各种运算功能和学习规则,并且设计周期短、系统速度快、可靠性高。

随着FPGA技术的不断发展,各种智能控制策略的FPGA固核实现的研究随之活跃。同时,FPGA技术不但可作为ASIC的快速原型样机验证,而且其低成本大容量的FPGA用于实现控制器已有可能与传统的MCU相抗衡。FPGA的大容量、并行性、快速性、灵活性及可重配置性,将使它成为一种新型而有效的单片控制器。PID神经网络控制器的核心部件是PID神经网络［7,8］,这里基于硬件描述语言(VHDL)描述PID神经网络并综合成硬件电路,借助

FPGA现场可编程的特点完成PID神经网络的FPGA设计。

1 PID神经网络算法原理

PID神经网络是具有非线性特性的3层前向网络。隐层节点分别为比例(P)、积分(I)、微分(D)单元,因此是动态前馈网络。PID神经网络结构如图1所示,输入层、隐层、输出层节点为2,3,1个［9］。

其中,输入层神经元的输入:

u(k)=［u1(k),u2(k)］

其输出与输入相等。

隐层第i个神经元的输入：

xi(k)=∑2j=1w ijuj(k), i=1,2,3

式中,w ij是输入层第j个节点至隐层第i个节点的权值。

隐层比例、积分、微分神经元的输出qi(k),i=1,2,3,计算如下：

比例：q1(k)=x1(k);

积分：q2(k)=q2(k－1)+x2(k);

微分：q3(k)=x3(k)－x3(k－1)。

图1 PID神经网络结构

输出层神经元的输入是隐层各节点输出的加权和：

x′(k)=∑3i=1hiqi(k)

式中,hi是隐层节点i至输出节点的权值。

输出层神经元的输出,即网络的输出：

y(k)=x′(k)

式中,k为时钟信号。

PID神经网络是神经PID控制的核心部分,网络的输入与输出的函数关系为单调上升的非线性关系,它们之间的连接采用权的办法实现,每层网络的输入是其他神经元输出的加权和,因此在电路实现中需要完成：

(1) 实现两个信号的相乘。在神经网络中权的数量很多,加权的计算都用乘法完成,因此对应于两个信号相乘的电路必不可少。

(2) 实现加权后脉冲累加。

(3) 实现比例、积分、微分运算。

2 PID神经网络电路模型

PID神经网络中,乘法是利用与门进行的。两个脉冲序列通过“与”以后的输出即为二者的乘积；两个脉冲序列的占空比为1/2和1/3相“与”后,脉冲序列的占空比为1/6,从而达到相乘的目的。

权值存储在寄存器中,寄存器可以与外界的计算机内存或EPROM相联,因而权值可从外面写入。这意味着权值的存储和权值的改变没有什么困难,可以设计出可重构的神经网络模型。

累加器是用计数器完成的,从乘法器输出的脉冲串经过计数器实现累加,当累加到达阈值时即作为神经元的一个状态输出。

比例、积分、微分运算可利用寄存器的延迟特性来完成。

图2给出了PID神经网络的环形电路结构示意图［10］。图中自下而上把网络分成3层结构,输入层xi值的确定,隐层比例、积分、微分运算,输出层y值的确定。输入层在水平方向上有个大的环形移位寄存器结构,只使用一个输入端口加载所有的权值,权值按照顺序移位,直到每个寄存器都存储相应的权值,然后权值与输入相乘并累加。输出层也用环形移位寄存器来加载权值hi。

图2 PID神经网络的环形电路结构示意图

3 PID神经网络FPGA实现

应用Altera公司的Quartus Ⅱ工具和目标芯片EP2C8Q208C7设计PID神经网络模块。采用电路图与 VHDL相结合、自上而下、分层次的方法设计,其顶层原理图如图3所示。在顶层将PID神经网络模块分四个功能模块,然后再用VHDL语言实现各功能模块,并对其进行仿真验证。

图3 PID神经网络顶层原理图

图3中pid_1,pid_2,pid_3分别实现xi,qi和y的计算,由于pid_3实现y输出计算时,采用环形移位寄存器实现h值的输入需要3个时钟周期,所以采用clk_3实现3分频。主时钟信号直接送给pid_3,分频后的时钟信号clkout送给pid_1和pid_2。

采用Quartus Ⅱ集成开发环境,PID神经网络的综合结果如图4所示。clk的最高频率为116 MHz。

图4 PID神经网络综合结果

4 仿 真

PID神经网络运算的仿真波形如图5所示,为了观测方便,在仿真时把输入信号固定为 u1＝

3,u2＝4,clk时钟周期为1 μs,分频后的时钟信号clkout为3 μs。程序中利用clkout来对权值w的移入,完成输入层的计算需要6个clkout,隐层的PID运算需要1个clkout。所以在图5中,当第7个clkout上升沿到来时, q值由第6个clkout上升沿到来后x的情况确定,此时的计算x值对应的权值w［1..6］分别为［6,5,4,3,2,1］,计算得q1=38,q2=54,q3=7。权值h的移入通过clk来完成,在第7个clkout上升沿后,权值h的输入有3种:当h［1,2,3］分别为［10,9,8］时,计算出y=922,当h［1,2,3］分别为［1,10,9］时,计算出y=641;当h［1,2,3］分别为［2,1,10］时,计算出y=200。

图5 PID神经网络仿真波形

5 结 语

神经网络随着神经元的增多,其在线计算量增大,硬件实现是最理想的方式,研究中采用VHDL语言在RTL级描述神经网络,层次化设计,时序验证方便,易于FPGA实现。在此利用VHDL语言设计和实现了PID神经网络模块,此模块可以应用到单变量或多变量

非线性PID神经网络控制器上。

当对神经网络的速度有较高要求时,可利用FPGA的可编程特点进行面积和速度的折衷考虑,适当增加面积占用率来相应提高芯片运动速度。这在串行时序机应用系统中是难以实现的,也是FPGA实现智能算法的优势所在。同时由于PID神经网络具有3层结构,利用FPGA芯片的可重构特点可以进一步降低芯片规模。

参考文献

［1］Wang Q,Yi B,XIE Y,et al.The Hardware Structure Design of Perceptron with FPGA Implementation\.Proceedings of IEEE International Conference on Systems,Man and Cybernetics\.Washington D.C.,2003.

［2］Ferreira P,R

［3］Hammerstrom D.A VLSI Architecture for Hign Perfor-mance,Low-cost,On-chip Learning\.Proceedings of International Joint Conference on Neural Networks\.San Diego,1990.

［4］Murtagh P J,Tsoi A C.A Reconfigurable bit-serial VLSI Systolic Array Neuro-chip\.Parallel Distrib Comput,1997,44(1):53-70.

［5］Hikawa H.A New Digital pulse-mode Neuron with Adjustable Transfer Function\.IEEE Trans.Neural Networks,2003,14(1):236-242.

［6］Faiedh H,Gafsi Z,Torki K,et al.Digital Hardware are Implementation of a Neural Network Used for Classification\.Proceeding of the 16th International Conference on Microelectronics\.Tunis,2004.

［7］付学志,姚旺生,苟伟,等.基于FPGA的高速PID控制器设计与仿真\.电子技术应用,2007,33(1)：87-89.

［8］戢方,雷勇,王俊.自顶向下基于DSP Builder的PID控制系统开发\.现代电子技术,2007,30(9)：127-129.

［9］徐丽娜.神经网络控制\.北京：电子工业出版社,2003.

［10］Volnei A Pedroni.VHDL数字电路设计教程\.北京：电子工业出版社,2005.

第9篇：神经网络的功能范文

关键词：无刷直流电机；PID；模糊控制；BP神经网络；模糊神经网络（FNN）

中图分类号：TP393 文献标识码：A 文章编号：1009-3044（2016）17-0185-03

Abstract： Based on the traditional PID control， the brushless dc motor speed the introduction of Fuzzy control， Fuzzy PID controller is designed. Then the Fuzzy control and neural network are integrated， make the membership functions and fuzzy rules and fuzzy reasoning mapping of BP network structure and parameters， extracting of Fuzzy PID controller input/output data， training the BP neural network， construction of fuzzy neural network （FNN） controller， the brushless dc motor speed loop stability control is realized. System simulation results show that Fuzzy PID and Fuzzy neural network control strategy is superior to traditional PID control， and the adaptive ability of the control system of brushless motor， the dynamic and static performance， and obviously improve the ability to resist load disturbance.

Key words： Brushless dc motor； PID； Fuzzy control； BP neural network； fuzzy neural network （FNN）

无刷直流电机的产生凭借其体积小、重量轻、结构简单、维护方便、运行可靠、效率高等诸多优点，在许多领域得到了广泛应用[1]。由于无刷直流电机调速控制系统是多变量、强耦合的非线性系统，而传统的 PID 控制只适用于线性系统，并且主要依赖于系统精确的数学模型，在一些要求高精度、高性能的场合，PID 调速已不能满足较高的控制要求。因此，研究采用新型智能化控制方法提高控制系统的整体性能具有重要意义。

模糊控制是智能控制的一个重要分支，它是一种以模糊集合论、模糊语言变量和模糊逻辑推理为基础的计算机控制[2-4]。人工神经网络是从微观结构和功能上对人脑神经系统的模拟而建立起来的一类模型，具有非线性、学习能力和自适应特征[5]。

本文将模糊控制和神经网络控制相融合，优势互补，设计了一个模糊神经网络控制器对无数直流电机的转速环进行控制。通过仿真实验与传统PID控制进行比较研究。

1 PID控制

PID控制是将经过反馈后得到的误差信号分别进行比例、积分和微分运算叠加得到控制器输出信号。常规PID控制系统仿真模型如图1所示。

式中，KP为比例系数，为积分时间常数，[τ]为微分时间常数，三者都是可调参数。在实际应用中多是通过试凑法来确定PID的参数。

2 模糊PID控制器

模糊控制器设计：结构如图2所示。输入为偏差e和偏差变化率[ec=de/dt]，输出量为实际控制量u。偏差 E、EC、U 的模糊子集均取：{NB，NM，NS，ZO，PS，PM，PB}，论域均为[-6，6]，选取正态分布隶属度函数。当控制系统输入为2500rpm时，设置比例因子分别为[ke=0.0024]，[kec=0.000022]，[ku=416]。对应的模糊控制规则如表1所示。

基于Matlab 2009a软件环境，对无刷电机（BLDCM）和逆变器模型搭建Simulink仿真模型。BLDCM参数：额定功率 P=1kW，额定转速[ne]=3000rpm，定子绕组相电阻R=2.875?，绕组自感L=8.5mH，互感M=1.2mH，转动惯量[J=0.008kg?m2]，极对数[p=4]。参数设置：给定2500rpm，采样周期[Ts=5×10-5s]，PID参数：[kp=100]，[ki=5]，[kd=0.1]。PID与模糊控制器切换点设置为12。模糊PID控制的无刷直流电机控制系统仿真模型如图3所示。

3 基于 BP神经网络的模糊神经网络控制器

BP神经网络是一种多层前馈神经网络[6]，其结构如图6所示，网络由输入层、隐层、输出层组成。结构为i-j-m。[wij]为输入到隐层连接权，[wjm]为隐层到输出的连接权。

本文采用单输入/单输出的网络结构，隐层取15个神经元，即网络结构为1-15-1。将图3所示的模糊PID控制系统采集误差e和控制器输出u，作为网络的输入、输出量，共采集1000组数据样本，归一化后输入网络进行离线训练。参数设置：误差精度设置为0.00001，隐层函数为“tansig”，输出层函数选择“purelin”，训练方式为“trainlm”，该方法具有较快的收敛速度。将训练好的BP网络提取Simulink模型后作为模糊神经网络控制器，导入至电机控制系统，置换PID控制器如图7所示。然后还需调节归一化、反归一化参数，并进行给定输入、负载扰动作用下的实验。

负载扰动为3[N?m]，输入启动信号为2500rpm，测试响应曲线。将PID和FNN两种控制方法的转速仿真结果归纳为一个图，如图8所示。图中FNN表示模糊神经网络控制器。常规PID控制器参数：[kp=17] [ki=0.013]，[kd=0]。两种方法控制器限幅值均为[-500，500]。

由图8明显看出，采用模糊神经网络控制性能比PID控制好很多，达到无超调，响应速度很快，抗负载扰动能力很强，而PID控制无论启动还是抗干扰适应能力弱。从而证明了模糊神经网络控制的优越性。

模糊控制与神经网络方法融合，是将神经网络的学习能力引入到模糊控制系统中，用神经网络来实现模糊控制中的模糊化、模糊推理、精确化计算。需要采集输入样本数据用 BP 算法对网络进行离线训练；利用训练好的网络，在线计算得到最佳输出。这种控制模式反应速度快，而且能充分发挥神经网络的自学习功能和联想记忆能力，对于未在训练样本中出现的情况，也可以通过联想记忆功能，做出最优控制决策，表现非常灵活。

在 Simulink仿真环境下建立模糊神经网络控制器模型后，即可实现模糊神经网络控制器与Power System Blockset仿真环境的有效连接。

5 结论

在 MATLAB环境中对无刷直流电机调速控制系统速度环进行PID控制仿真。在此基础上，设计了模糊PID控制器、模糊神经网络控制器，建立了无刷直流电机调速系统的仿真模型，并进行了给定输入、负载扰动作用实验。仿真实验结果曲线表明模糊PID控制、模糊神经网络控制均优于常规PID控制，动静态得到较大提高，尤其是模糊神经网络控制器具有较强的自学习、自适应和抗扰动能力，系统的可靠性、稳定性和鲁棒性好，从而证明了本文方法的有效性。

参考文献：

[1] 曹少泳. 基于 DSP 的 BLDCM 无位置传感器模糊 PID 调速系统的研究[D]. 华南理工大学，2007.

[2] 姜长生，王从庆，等. 智能控制与应用[M]. 科学出版社，2007：75-79.

[3] 韩俊峰，李玉惠. 模糊控制技术[M]. 重庆大学出版社，2003.

[4] 刘曙光，魏俊民，竺志超. 模糊控制技术[M]. 中国纺织出版社，2001.