時間：2022-05-10 21:33:19
開篇：寫作不僅是一種記錄，更是一種創(chuàng)造，它讓我們能夠捕捉那些稍縱即逝的靈感，將它們永久地定格在紙上。下面是小編精心整理的12篇神經(jīng)網(wǎng)絡(luò)設(shè)計，希望這些內(nèi)容能成為您創(chuàng)作過程中的良師益友，陪伴您不斷探索和進(jìn)步。
關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò)；尖峰神經(jīng)元模型
近年來，人們在計算機(jī)智能化領(lǐng)域上取得了很大的進(jìn)步，但計算機(jī)領(lǐng)域還有很多問題無法解決，例如視覺、語言識別和計算機(jī)等技術(shù)，人們?nèi)圆荒軐⒂嬎銠C(jī)系統(tǒng)設(shè)計得像生物系統(tǒng)那樣靈活。因此，大批研究者轉(zhuǎn)移到仿生科學(xué)研究，希望由此找到新的技術(shù)，設(shè)計出新的智能計算機(jī)，其中人工神經(jīng)網(wǎng)絡(luò)是其中一個比較熱門的領(lǐng)域。隨著這個領(lǐng)域的發(fā)展，一些團(tuán)隊已經(jīng)建立起一些創(chuàng)造性的、復(fù)雜的神經(jīng)電路模型，并將其應(yīng)用到一些項目中，也有研究團(tuán)隊在致力研究人工神經(jīng)網(wǎng)絡(luò)的軟件和硬件方案，希望能夠為智能計算機(jī)提供更高層次的理解能力。
人工神經(jīng)網(wǎng)絡(luò)模型的并行特性使它與傳統(tǒng)的計算機(jī)模型相比具有更強(qiáng)的理能力，使它更有機(jī)會解決如手寫文字識別這類問題。長期以來，大多數(shù)研究者都是在CPU上使用模擬的方式進(jìn)行神經(jīng)網(wǎng)絡(luò)的計算，由于CPU工作模式和結(jié)構(gòu)的限制，無法提供最佳的計算性能，因此本文尋求一種新的智能計算硬件平臺，在硅芯片上設(shè)計神經(jīng)網(wǎng)絡(luò)電路。
一、神經(jīng)網(wǎng)絡(luò)模型
人工神經(jīng)網(wǎng)絡(luò)理論已發(fā)展了很多年，并日益趨于成熟，在各領(lǐng)域都得到了一定的應(yīng)用。人工神經(jīng)網(wǎng)絡(luò)的運(yùn)算主要由計算的基本單位神經(jīng)元進(jìn)行，通過若干個神經(jīng)元構(gòu)成神經(jīng)網(wǎng)絡(luò)以解決現(xiàn)實中的各種問題。
如圖1所示，一組神經(jīng)元構(gòu)成一個神經(jīng)網(wǎng)絡(luò)系統(tǒng)。每一個神經(jīng)元都有獨立的計算單元。神經(jīng)元計算公式如下：yi(t)=■W■?著ij(t-tij) （1）
公式（1）中yi(t)表示神經(jīng)元的輸出結(jié)果，i表示神經(jīng)元序號，?著ij(t-tij)表示神經(jīng)元輸入值，W■表示每個神經(jīng)元的權(quán)值。
人工神經(jīng)網(wǎng)絡(luò)的基本運(yùn)算包括了乘法和加法運(yùn)算。為了能夠在硬件上執(zhí)行神經(jīng)網(wǎng)絡(luò)的理功能，必須為每個神經(jīng)元設(shè)計獨立的加法器和乘法器，我們將其稱為加乘法運(yùn)算單元（MAC），每個神經(jīng)元都包含了一個MAC單元。
為了使系統(tǒng)能夠更好地模擬人類神經(jīng)系統(tǒng)工作原理，發(fā)揮硬件的理能力，本文采用了Gerstner的尖峰神經(jīng)元模型構(gòu)建神經(jīng)元理器的工作流程。在該模型中，每個神經(jīng)元的膜電位在時間t時表示如下：
ui(t)=■■■W■?著ij(t-tij)+?濁i(t-tij) （2）
?著ij(t)=exp(-■)-exp(-■)*H(t-t■) （3）
公式（2）中，W■表示為第i神經(jīng)元和第j神經(jīng)元之間連接的權(quán)值，?著ij(t-tij)表示為神經(jīng)元i能夠提供給神經(jīng)元j的突觸后電位（PSP），而?濁i(t-tij)表示倔強(qiáng)函數(shù)。公式（3）表示突觸后電位（PSP）的計算方法，其中t■和t■為時間常數(shù)，H(t-t■) 為Heaviside階梯函數(shù)，t■為軸突傳輸延時系數(shù)。
二、神經(jīng)元硬件設(shè)計
如圖2所示，神經(jīng)網(wǎng)絡(luò)系統(tǒng)是由多個神經(jīng)元構(gòu)成，每個神經(jīng)元是一個單獨的實體，神經(jīng)元既相互獨立，又相互聯(lián)系，神經(jīng)元根據(jù)所受到外界的刺激（輸入）和鄰居神經(jīng)元對自己的影響，做出判斷與決策（輸出），并影響到周圍神經(jīng)元的反應(yīng)。為了能夠?qū)崿F(xiàn)神經(jīng)網(wǎng)絡(luò)功能，需要模擬神經(jīng)元單位設(shè)計一個特殊的理器用于計算外界刺激而做出的反應(yīng)，它包含了簡單的算數(shù)邏輯運(yùn)算單元、寄存器和控制器，在本文中使用PN表示該理器。
圖3顯示了一個PN理單元的工作流程圖，每個PN理器包括了進(jìn)行神經(jīng)元計算必須的運(yùn)算器和存儲器以及相關(guān)附屬器件。PN理單元的工作流程是：當(dāng)外部有輸入數(shù)據(jù)通過總線進(jìn)入PN理器時先存放在輸入事件存儲器；系統(tǒng)根據(jù)事件時間將數(shù)據(jù)輸入到突觸后電勢寄存器；同時輸入值被編號后分別放入公共連接存儲器；突觸后電勢PSP值與其他神經(jīng)元的權(quán)值相乘后與原有膜電位值相加，相加結(jié)果更新膜電位存儲器值；同時結(jié)果與閾值相比較，如果大于閾值則將結(jié)果輸出到輸出存儲器中作為該神經(jīng)元的輸出結(jié)果存放在輸出時間存儲器。
系統(tǒng)是由若干個神經(jīng)元理器構(gòu)成。如圖4所示，人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)由若干個神經(jīng)元共同構(gòu)成，圖5表示了人工神經(jīng)網(wǎng)絡(luò)的硬件構(gòu)成。每一個人工神經(jīng)網(wǎng)絡(luò)都是由若干個神經(jīng)元理單元構(gòu)成，每個神經(jīng)元理單元又是由邏輯運(yùn)算器、存儲器和通信單元構(gòu)成。將這些神經(jīng)元理器構(gòu)建在一塊電路板或者芯片上，同時理器與理器通過總線連接起來相互通信，共同完成神經(jīng)網(wǎng)絡(luò)的運(yùn)算。系統(tǒng)還為每一個神經(jīng)元單位配置了一個PN理器，理器之間相互獨立，并行計算。當(dāng)外部刺激（輸入）進(jìn)入系統(tǒng)時，立刻被分配到各個PN理器并行計算神經(jīng)元對刺激的響應(yīng)（輸出），同時根據(jù)計算結(jié)果，調(diào)整神經(jīng)元之間的權(quán)值系數(shù)，并更新存儲其中的權(quán)值。由于PN理器是并行計算，相對于傳統(tǒng)計算機(jī)模擬運(yùn)算，極大地提高了神經(jīng)網(wǎng)絡(luò)的計算速度。
本文以Gerstner的尖峰神經(jīng)元模型為基礎(chǔ)，設(shè)計了模擬神經(jīng)元工作的PN理單元，并由若干個PN理單元構(gòu)成模擬人類神經(jīng)系統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)的硬件系統(tǒng)。相對于在傳統(tǒng)計算機(jī)上的操作，PN理單元的并行性使新系統(tǒng)有更強(qiáng)的理能力，有效地提高了神經(jīng)網(wǎng)絡(luò)的計算速度，使神經(jīng)網(wǎng)絡(luò)系統(tǒng)有更好的應(yīng)用前景。
（作者單位：廣東肇慶科技職業(yè)技術(shù)學(xué)院）
參考文獻(xiàn)：
[1]Gerstner,W. & Kistler,W.M.Spiking neuron models:single neurons,populations,plasticity. Cambridge,UK:Cambridge University Press，2002.
[2]Mazad S. Zaveri. Dan Hammerstrom1. Performance/price estimates for cortex-scale hardware: A design space exploration，2011，(24).
[3]徐明華，甘強(qiáng).脈沖神經(jīng)網(wǎng)絡(luò)的振蕩與分割[J].生物物理學(xué)報，1997，(1).
關(guān)鍵詞：自主角色; 神經(jīng)網(wǎng)絡(luò); 遺傳算法
中圖分類號： TP183
文獻(xiàn)標(biāo)識碼：A
0引言
隨著計算機(jī)圖形學(xué)和硬件技術(shù)的高速發(fā)展，計算機(jī)游戲近十幾年也取得了很大的發(fā)展，游戲軟件已成為軟件產(chǎn)業(yè)中非常重要的內(nèi)容。游戲的類型主要包括FPS（第一人稱射擊）、RPG（角色扮演類型）和RTS（即時戰(zhàn)略游戲）等幾種類型，這些不同類型的游戲都要求游戲控制的角色（NPC）與玩家控制的角色（PLAYER）要有行為的交互，交互的方式直接影響玩家對游戲的興趣度。因此，對NPC與PLAYER之間的角色交互行為方式的研究已經(jīng)成為游戲軟件中的一個非常重要的研究課題。
目前大多數(shù)游戲中的角色行為的交互方式采用的是確定型的交互行為，其特征主要表現(xiàn)在角色的行為都是預(yù)先確定的，這種類型的行為實現(xiàn)起來較為簡單，也是目前大多數(shù)游戲所采用的交互方式。像這種確定性的行為往往體現(xiàn)不出角色的自主性，而且還會導(dǎo)致角色行動單調(diào)乏味，其行動很容易被玩家所預(yù)測,降低游戲的可玩性。為此,我們需要在游戲軟件中設(shè)計和實現(xiàn)這樣的NPC角色，它能夠根據(jù)當(dāng)前環(huán)境的變化以及以往的經(jīng)驗知識來動態(tài)地改變對PLAYER的行為。具有這種能力的角色，我們稱之為自主角色,也稱為自適應(yīng)角色。具有自主和自適應(yīng)特點的角色可具有推理能力和自適應(yīng)能力,在游戲環(huán)境下可更受玩家的歡迎。
一款擁有自主角色的游戲能夠牢牢地吸引玩家的注意力，從而延長這款游戲的生命周期，因此促使游戲開發(fā)人員花更多的時間來研究自主角色的實現(xiàn)。一些公司已經(jīng)開始嘗試從人工智能領(lǐng)域發(fā)展出更加高級的技術(shù)，如采用決策樹或者強(qiáng)化學(xué)習(xí)來實現(xiàn)角色的自主性，也有的像著名的游戲Colin McRae Rally2則采用了學(xué)習(xí)系統(tǒng)和神經(jīng)網(wǎng)絡(luò)來實現(xiàn)角色的自主性。
有關(guān)自主角色行為的論文已經(jīng)有很多做出了卓有成效的成績，如在Reynolds的文獻(xiàn)［1］中，對自主角色的群體行為進(jìn)行了描述。Blumberg和Galyean［2］中引入更多的行為控制機(jī)制，并考慮了行為學(xué)習(xí)這樣一個令人感興趣的問題。對于自主角色的更高層次的認(rèn)知能力方面，John David Fungc［3］中指出，認(rèn)知模型是用于創(chuàng)建虛擬世界的模型“金字塔”的頂層，底層的行為模型作為認(rèn)知模型和物理學(xué)模型之間的緩沖區(qū)，并將情景演算(situation calculus)［4］用于高度動態(tài)的虛擬世界。
但是，上述各種方法因為側(cè)重點不同，各有優(yōu)缺點，且相互之間較為獨立，因此本文結(jié)合上述一些方法的優(yōu)點，在此基礎(chǔ)上提出了基于認(rèn)知角色建模，采用神經(jīng)網(wǎng)絡(luò)和遺傳算法相結(jié)合的游戲自主角色的設(shè)計思路。基于此，各小節(jié)安排如下：
第一節(jié)確定了基于認(rèn)知建模方法的游戲自主角色模型；第二節(jié)介紹了神經(jīng)網(wǎng)絡(luò)在實現(xiàn)自主角色中的應(yīng)用；第三節(jié)說明了遺傳算法對神經(jīng)網(wǎng)絡(luò)的優(yōu)化；第四節(jié)對自主角色的實驗進(jìn)行了分析。
1基于認(rèn)知建模的角色自主性模型
由于認(rèn)知建模方法能夠采用精確的數(shù)學(xué)方式來定義自主角色的行為和學(xué)習(xí)模式，因此本文采用認(rèn)知建模方法來對游戲角色的自主性進(jìn)行建模。這里將游戲中存在的非玩家控制的角色簡稱為NPC,通過認(rèn)知建模方法研究NPC的高級行為規(guī)劃，指導(dǎo)NPC,提高NPC的智能水平能力，使NPC能夠?qū)Νh(huán)境作出判斷，并根據(jù)當(dāng)前的狀態(tài)進(jìn)行推理，進(jìn)而完成相應(yīng)的行動序列,有利于創(chuàng)建聰明自主的智能體――具有認(rèn)知能力的自主的角色。
在計算機(jī)游戲中，我們將游戲角色關(guān)于他所在世界的內(nèi)部模型稱“認(rèn)知模型”(Cognitive Model)。認(rèn)知模型可以用于游戲中，控制一類自主的角色。通過認(rèn)知模型支配游戲角色對其所在環(huán)境的了解程度，如何獲取知識，以及如何利用知識選擇行動。
NPC的行為分為“預(yù)定義的”和“非確定性的”兩種，建立的認(rèn)知模型也各不相同。建立預(yù)定義行為的認(rèn)知模型比較簡單，只要將事先定義好的NPC所在環(huán)境的領(lǐng)域知識賦予NPC系統(tǒng)，NPC就可以根據(jù)人們的要求采取某種行動。而非確定性的行為不容易控制。為了實現(xiàn)人為的控制，我們采取一種折中的方法，即將領(lǐng)域知識和人的指導(dǎo)賦予NPC，使NPC主動地向人們希望它達(dá)到的目標(biāo)發(fā)展。可由下面的公式表示:
知識+指導(dǎo)=行為
領(lǐng)域知識能夠用來規(guī)劃目標(biāo)，而指導(dǎo)對如何達(dá)到目標(biāo)提供一種框架計劃。
當(dāng)然NPC在決定采取什么樣的行動時并不需要整個虛擬世界的知識。所以，我們認(rèn)為NPC的認(rèn)知模型是角色對其虛擬世界的一種內(nèi)部簡化模型〔simplified model〕。
為此我們在現(xiàn)有游戲系統(tǒng)之上營造一個通過認(rèn)知模型定義的高級行為規(guī)劃器來實現(xiàn)對NPC的行為指導(dǎo)。規(guī)劃器模型設(shè)計如圖1所示。
NPC的預(yù)定義行為和非確定行為都可以形式化為認(rèn)知模型，通過認(rèn)知模型來指導(dǎo)NPC高級行為規(guī)劃器，由于神經(jīng)網(wǎng)絡(luò)在非確定中的強(qiáng)大的學(xué)習(xí)作用，因此本項目通過神經(jīng)網(wǎng)絡(luò)來實現(xiàn)NPC高級行為規(guī)劃器的三個方面：目標(biāo)引導(dǎo)、行為協(xié)調(diào)、約束滿足。
2基于人工神經(jīng)網(wǎng)絡(luò)的角色自主系統(tǒng)
這里,我們采用的是神經(jīng)網(wǎng)絡(luò)中的BP網(wǎng)絡(luò)作為NPC的感知系統(tǒng)。BP算法是一種用于多層前向網(wǎng)絡(luò)的學(xué)習(xí)算法，它包括輸入層、輸出層和隱含層，隱含層可以是多層結(jié)構(gòu)。BP網(wǎng)絡(luò)的學(xué)習(xí)過程包括兩個階段:第一階段計算前向輸出;第二階段從反向調(diào)整連接權(quán)矩陣。
在前向傳播過程中，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)元的輸出作為上層神經(jīng)元的輸入.如果在輸出層，實際輸出值與期望輸出值有誤差時，則以反向?qū)⒄`差信號逐層修改連接權(quán)系數(shù)并且反復(fù)迭代，最后使實際輸出值與期望值的均方差為最小。在修正連接權(quán)系數(shù)時，通常采用梯度下降算法。
BP神經(jīng)網(wǎng)絡(luò)使用的是指導(dǎo)式的學(xué)習(xí)方法,即在學(xué)習(xí)過程中,向網(wǎng)絡(luò)提供有明確輸入和輸出目標(biāo)的樣本對。BP學(xué)習(xí)算法是基于最小二乘法LMS 算法,運(yùn)用梯度下降方法,使網(wǎng)絡(luò)的實際輸出與期望輸出的均方差最小。網(wǎng)絡(luò)的學(xué)習(xí)過程是一種誤差邊向后傳播邊修正連接權(quán)的過程。因為BP網(wǎng)絡(luò)對以分類為主要目的的學(xué)習(xí)非常有效,所以,我們采用B P網(wǎng)絡(luò)進(jìn)行NPC分類的自學(xué)習(xí)。需要輸入NPC自主系統(tǒng)中BP網(wǎng)絡(luò)的特征參數(shù)主要是NPC的生命值,NPC的攻擊力，NPC的防御力，NPC的情感值等，玩家虛擬角色的生命值,玩家虛擬角色的攻擊力，玩家虛擬角色的防御力，玩家虛擬角色的情感值等。
NPC在虛擬游戲環(huán)境下，在與玩家的不斷交互中刺激著感知系統(tǒng)，在外界環(huán)境發(fā)生變化時產(chǎn)生認(rèn)知模型指導(dǎo)下的自主行為，通過神經(jīng)網(wǎng)絡(luò)最終演化成具有自主性的行為系統(tǒng)，同時，利用遺傳算法使適應(yīng)度有一定程度的增加，使NPC更適應(yīng)外界環(huán)境的變化。關(guān)于NPC的感知系統(tǒng)的設(shè)置如下：
1） 輸入?yún)?shù)的確定
NPC的感知系統(tǒng)由人工神經(jīng)網(wǎng)絡(luò)構(gòu)成，虛擬游戲環(huán)境的特征參數(shù)作為輸入送入神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)。在我們的游戲項目中，輸入主要包括三種類型：布爾類型、枚舉類型和連續(xù)類型三種，但是這三種類型都需要轉(zhuǎn)化成神經(jīng)網(wǎng)絡(luò)所認(rèn)可的實數(shù)類型。
2） 權(quán)重的確定
權(quán)重有些類似于生物神經(jīng)網(wǎng)絡(luò)的樹突聯(lián)結(jié)，權(quán)重影響了輸出變量的值，并且定義了神經(jīng)網(wǎng)絡(luò)的行為，實際上訓(xùn)練或者演化神經(jīng)網(wǎng)絡(luò)的主要目標(biāo)就是確定NPC神經(jīng)網(wǎng)絡(luò)的權(quán)重。為了確定每個輸入?yún)?shù)的權(quán)重，需要確定激活函數(shù)。
3） 激活函數(shù)的確定
激活函數(shù)確定了輸入與輸出參數(shù)之間的映射關(guān)系，針對NPC自主角色的神經(jīng)網(wǎng)絡(luò)，我們采用的是非線性激活函數(shù)，具體采用的是S型激活函數(shù)。
3基于遺傳算法的神經(jīng)網(wǎng)絡(luò)優(yōu)化
神經(jīng)網(wǎng)絡(luò)的基本特征是大規(guī)模并行處理、容錯性、自適應(yīng)性和自組織性，適合處理直覺和形象思維信息。神經(jīng)網(wǎng)絡(luò)與遺傳算法的結(jié)合使神經(jīng)網(wǎng)絡(luò)的訓(xùn)練有了一個嶄新的面貌，目標(biāo)函數(shù)既不要求連續(xù)，也不要求可微，僅要求該問題可計算，而且它的搜索始終遍及整個解空間，因此容易得到全局最優(yōu)解。用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)，可以使得神經(jīng)網(wǎng)絡(luò)具有自進(jìn)化、自適應(yīng)能力，從而構(gòu)造出進(jìn)化的神經(jīng)網(wǎng)絡(luò)(ENN)［5］。
研究NPC的進(jìn)化,要建立NPC在虛擬環(huán)境中進(jìn)行的各種行為模型。另外,同虛擬環(huán)境本身也會發(fā)生競爭。由于適應(yīng)度是NPC競爭力大小的直接反映,為了建立NPC的競爭機(jī)制,首先要建立NPC的適應(yīng)度函數(shù)。
首先,NPC的適應(yīng)度函數(shù)和NPC的種類相關(guān)。在同一環(huán)境下,不同NPC的適應(yīng)度肯定是不相同的［6］。同時,為了表現(xiàn)NPC自學(xué)習(xí)對進(jìn)化的影響,有了學(xué)習(xí)能力的同種NPC適應(yīng)度的取值也有所不同。其次,NPC的適應(yīng)度還與其所處的不同階段有關(guān)。適應(yīng)度取值在其不同階段中不是一成不變的。
在環(huán)境不發(fā)生變化時,NPC的適應(yīng)度函數(shù)F(t)可以用此函數(shù)表示:
其中,參數(shù)a表示NPC的生命力值;參數(shù)k表示NPC的類型,不同的NPC對同一游戲環(huán)境的適應(yīng)性是不一樣的,當(dāng)k取不同的值時,會得到適應(yīng)度不同的各種NPC。接著按照以下工作步驟操作：
1） 從NPC神經(jīng)網(wǎng)絡(luò)中提取權(quán)重向量；
2） 用遺傳算法演化出一個新的網(wǎng)絡(luò)權(quán)重群體；
3） 把新的權(quán)重插入到NPC神經(jīng)網(wǎng)絡(luò)；
4） 轉(zhuǎn)到第一步進(jìn)行重復(fù)，直至獲得理想的性能。
4試驗分析
我們的實驗測試場景如下：
在一個仿真的三維游戲環(huán)境下,游弋著若干個NPC角色和一個玩家控制的虛擬角色,主角可以漫游整個游戲場景,這些NPC當(dāng)遇到主角后,可能會對主角采取不同的行為,比如攻擊行為,逃避行為,團(tuán)隊作戰(zhàn)行為,對話行為等,所有這些行為的決策都取自于神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。
在采用神經(jīng)網(wǎng)絡(luò)算法之前，所有的NPC無論強(qiáng)弱，都會主動向玩家角色發(fā)起攻擊，而在采用神經(jīng)網(wǎng)絡(luò)算法之后，這些NPC都具有了一個人工大腦，每個NPC在與玩家角色的交互過程不斷地學(xué)習(xí)，不斷地演化，最終變成自主角色，具體表現(xiàn)在：NPC根據(jù)以往與玩家角色交互過程中的經(jīng)驗，從而產(chǎn)生較為理智的行為，比如當(dāng)NPC感覺玩家的綜合實力要高于自己時，它可能會采取逃避的行為，而當(dāng)NPC感覺其綜合實力要高于玩家時，它往往會主動攻擊玩家。
表1和表2列舉了應(yīng)用神經(jīng)網(wǎng)絡(luò)算法前后的測試數(shù)據(jù)。
應(yīng)用神經(jīng)網(wǎng)絡(luò)算法所采取的實驗方案如下：
(1) 對于NPC感知系統(tǒng)的輸入，包括與虛擬玩家角色的距離， 虛擬玩家的攻擊力，防御力，生命力，魔法力，信譽(yù)度，NPC自身的攻擊力，防御力，生命力，魔法力，信譽(yù)度。并將參數(shù)歸一化，使最終的參數(shù)范圍位于[-1, 1]之間；
(2) 對于NPC感知系統(tǒng)的輸出，包括躲避，單獨攻擊，潛伏，召喚同伴，團(tuán)隊攻擊等行為。即將神經(jīng)元的輸出元設(shè)計成五個，這些行為通過一些標(biāo)志符來確定，例如， 如果代表攻擊的輸出位為1，則其他位為零。
通過對比兩組測試試驗,可以發(fā)現(xiàn)后一組試驗中,NPC能夠根據(jù)自己的實力和玩家的實力對比，理智的采取一些行為（比如退避，呼喚同伴協(xié)同作戰(zhàn)）而不是一味盲目攻擊， NPC的存活率顯然就很高，因此也顯得較為智能。
關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)；智能設(shè)計；特征編碼；智能推理；基于知識的工程(KBE)
中圖分類號：TP391文獻(xiàn)標(biāo)識碼：A文章編號：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
產(chǎn)品工藝設(shè)計是產(chǎn)品開發(fā)的首要環(huán)節(jié)，也是關(guān)系到產(chǎn)品設(shè)計成功與否的核心問題。提高工藝設(shè)計集成化、系統(tǒng)化和智能化程度，實現(xiàn)經(jīng)驗設(shè)計向科學(xué)設(shè)計的飛躍是研究人員多年追求的目標(biāo)。而智能設(shè)計作為現(xiàn)階段的熱點技術(shù)，吸引了越來越多的專家和學(xué)者的目光。[1]伴隨著計算機(jī)軟硬件的成熟，以及圖形圖像學(xué)、CAD、人工智能設(shè)計技術(shù)和工藝模式理論的發(fā)展，顯著的提高了設(shè)計的質(zhì)量和效率，大大縮短了設(shè)計周期和工時，形成了工藝設(shè)計的的新領(lǐng)域，對我國智能設(shè)計和計算機(jī)輔助設(shè)計的發(fā)展起到了極其重要的推動作用。[2]
1 人工神經(jīng)網(wǎng)絡(luò)智能設(shè)計系統(tǒng)模型的表達(dá)
1.1 智能設(shè)計系統(tǒng)的體系結(jié)構(gòu)
該智能設(shè)計系統(tǒng)主要的結(jié)構(gòu)模塊如圖1所示。本文將該智能設(shè)計系統(tǒng)主要劃分為以下幾個模塊，特征造型器主要將零件的特征進(jìn)行錄入，數(shù)據(jù)會同用戶的輸入數(shù)據(jù)共同進(jìn)入特征編碼器；特征編碼器相當(dāng)于一個接口，將形式數(shù)據(jù)轉(zhuǎn)化為模式映射器能夠識別的規(guī)范化數(shù)據(jù)（即特征編碼文件），在模式映射器內(nèi)部，通過神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)的處理，同時結(jié)合已有的經(jīng)驗知識庫、材料庫、規(guī)則設(shè)計庫、工藝特征庫、映射規(guī)則和標(biāo)準(zhǔn)庫的數(shù)據(jù)交互，將數(shù)據(jù)輸出到數(shù)值公式計算模塊。數(shù)值公式計算模塊主要是在具體的場景中將約束條件進(jìn)行量化，結(jié)合具體的設(shè)計要求將工藝設(shè)計順序進(jìn)行調(diào)整。最后將結(jié)果反饋到用戶界面，實現(xiàn)智能設(shè)計。
1.2 KBE思想和本系統(tǒng)的有機(jī)結(jié)合
在工程實踐中，人們發(fā)現(xiàn)專家知識一般來源于該領(lǐng)域內(nèi)專家的經(jīng)驗和積累，具有很大程度的不確定性和模糊性，這對于知識的交流和繼承帶來了很大的困難。歐洲面向KBE應(yīng)用的方法和軟件工具研究聯(lián)盟提出了KBE的概念，KBE是計算機(jī)輔助工程領(lǐng)域的一個進(jìn)步，它是一種將面向?qū)ο蠓椒?Object Oriented Methods)、AI和CAD技術(shù)三者集成的工程方法，能夠提供設(shè)計過程客戶化、變量化和自動化的解決方案[3-4]。，我們認(rèn)為：KBE是通過知識驅(qū)動和繁衍，對工程問題和任務(wù)提供最佳解決方案的計算機(jī)集成處理技術(shù)，是AI和CAx技術(shù)的有機(jī)融合。[5-6]
KBE系統(tǒng)的要點主要是知識的表示、知識建模、知識推理和知識的繁衍。本系統(tǒng)主要通過特征造型器進(jìn)行知識的表示，進(jìn)而在特征編碼器中對所得知識建模，形成了特征編碼文件。模式映射器利用人工神經(jīng)網(wǎng)絡(luò)對于特征編碼文件進(jìn)行不斷的映射，實現(xiàn)了知識推理；同時模式映射器將學(xué)習(xí)所得的知識存儲在相應(yīng)的知識庫中，進(jìn)行知識繁衍。將經(jīng)驗知識和隱形知識轉(zhuǎn)化為顯式知識，實現(xiàn)了智能系統(tǒng)的關(guān)鍵一步。我們將KBE的思想結(jié)合到本文所開發(fā)的系統(tǒng)中來。
2 零件的工藝特征及特征的編碼
2.1 特征的確定和數(shù)字化表達(dá)
首先我們需要確定零件的特征，進(jìn)而將零件的特征數(shù)字化。本文根據(jù)以下原則確立零件的特征：
1）現(xiàn)實性。零件的特征是客觀存在的，不因人的主觀意志的轉(zhuǎn)移而改變該特征。2）可測量性。相比于傳統(tǒng)的經(jīng)驗化設(shè)計模式，能夠準(zhǔn)確的測量和量化零件特征是智能設(shè)計的重要要求。3）唯一性。作為零件信息的重要載體，特征的無歧義性是需要重點考慮的原則，不能同時將一個特征收錄到兩個屬性中，進(jìn)而造成建模中零件屬性的混亂。
本文主要針對軸對稱的零件工藝模式，我們將主要研究零件的以下特征：沖孔、翻邊、正向拉深、反向拉深、帶孔小階梯成形法等。
考慮到神經(jīng)網(wǎng)絡(luò)我們采用的是S型參數(shù)，所以我們將特征編碼確定為0到1之間的數(shù)，本文共確定了10種特征形狀。如表1所示。
通過確定特征參數(shù)，進(jìn)而可以構(gòu)建特征造型器，特征造型器以零件的實體特征為基礎(chǔ)，結(jié)合零件的幾何信息和拓?fù)湫畔ⅲ瑢?shù)化設(shè)計思想和特征編碼思想統(tǒng)一，用尺寸驅(qū)動的方法來定義特征，便于計算機(jī)對于零件特征的識別和處理。
2.2 面向?qū)ο蟮奶卣鹘ＵZ言
由于在實際設(shè)計征的復(fù)雜性和多樣性，而面向?qū)ο蟮恼Z言具有數(shù)據(jù)的封裝性、數(shù)據(jù)與操作的集成性、對象重載、現(xiàn)實世界對象的數(shù)據(jù)和行為的全面抽象、對象數(shù)據(jù)的繼承性等等許多的優(yōu)點，目前已成為設(shè)計領(lǐng)域廣泛采用的設(shè)計手段，應(yīng)用在特征設(shè)計領(lǐng)域，可將特征的對象數(shù)據(jù)類型抽象出來。
特征對象首先具有本身的特征尺寸和屬性，考慮到具體的應(yīng)用，這些尺寸要能夠?qū)崿F(xiàn)參數(shù)化，除此之外，還具有公差、材料、技術(shù)設(shè)計要求等信息；特征的操作類型主要分為兩種：一種是成型過程，即所謂的造型映射，另一種操作是特征在零件上的形成位置即有關(guān)位置的變動操作。在這兩種操作中，造型映射與工藝設(shè)計的過程聯(lián)系緊密，而特征位置操作則與產(chǎn)品的設(shè)計過程相關(guān)。下面主要是該特征對象的基類型的原型定義。
class Feature
{Stringfeature ;//零件對象的三維實體名。
StringName;//零件特征名。
Stringmaterial;//特征的材料。
intfeature_parametre; //特征尺寸的參數(shù)。
intfeature_num.;// 特征類型的編號。
intfeature_code;// 特征的編碼。
intpt1,pt2,pt3;//特征基點的坐標(biāo)。
int angle1,angle2,angle3;//特征在三維空間中與X, Y, Z軸的夾角。
Public:
virtualvoidmodel();//構(gòu)造三維實體特征。
virtualvoidlocate();//確定特征的空間位置。
voidmove (ap_solid *sol, ap_real tx, ap_real ty, ap_real tz);//將特征移動{tx,ty,tz}。
voidrotate (ap_solid *sol, ap_real rx, ap_real ry, ap_real rz);//將特征旋轉(zhuǎn)。
void chang_feature_para (int class_name, ap_solid *sol, ads_point pt, ap_direc ang, feature_parametre, void model); //該特征的幾何尺寸的參數(shù)化修改操作。
voidcal_area(); // 特征面積的計算。
voidcal_circl();//特征周長的計算。
}
通過實例化語言，我們能夠?qū)α慵奶卣鬟M(jìn)行描述，進(jìn)而便于計算機(jī)識別和處理。特征編碼的構(gòu)造加入到零件基類中，具體零件的定義將繼承特征編碼的操作，并能夠進(jìn)行適當(dāng)?shù)闹剌d。
3 特征編碼器和特征編碼文件
將特征數(shù)字化表示后，本系統(tǒng)主要通過特征編碼器將特征組成特征編碼文件，使后續(xù)的人工神經(jīng)網(wǎng)絡(luò)能夠?qū)ξ募M(jìn)行處理。有了特征編碼，我們能夠讓機(jī)器識別特征；但是為了保存特征的其他信息，如沖孔工藝中孔的直徑，翻邊的高度等等，我們引入了特征參數(shù)的概念。特征參數(shù)即為了更明確的定義特征的幾何、物理屬性，跟隨在特征編碼后面的一系列數(shù)值。圖3表示了部分特征編碼所對應(yīng)的特征參數(shù)。
我們將特征編碼和特征參數(shù)組成特征編碼文件，輸入到模式映射器中。特征編碼文件的格式為：每一行表示切僅表示一個特征，其中第一個數(shù)字為特征編碼，特征參數(shù)在特征編碼之后給出。圖4顯示了一個特征編碼文件的實例。
4 智能設(shè)計系統(tǒng)中工藝模式的生成、映射以及神經(jīng)網(wǎng)絡(luò)的構(gòu)造
4.1 工藝模式映射的過程
我們將零件的特征編碼文件輸入人工神經(jīng)網(wǎng)絡(luò)后，人工神經(jīng)網(wǎng)絡(luò)進(jìn)行反向推理，將零件的成型信息反向輸出，同時結(jié)合知識庫、材料庫等已有的信息，輸出結(jié)果。
工藝模式用于指導(dǎo)工藝計算模塊的工作，而經(jīng)過特征造型之后的零件信息只有特征編碼文件。因此，人工神經(jīng)網(wǎng)絡(luò)的任務(wù)就是根據(jù)零件的特征編碼組信息，推導(dǎo)出生成零件的各個中間成形形狀的特征編碼組，以及各個中間形狀在零件成形過程中的排列順序。
因為對于神經(jīng)網(wǎng)絡(luò)來講，得到的是設(shè)計者輸入的零件模式信息，輸出是零件成形的各個中間狀態(tài)（特征編碼表示），這就決定了工藝模式在神經(jīng)網(wǎng)絡(luò)中的映射過程是一個“逆順序”的過程，這一過程又可以描述為“反推導(dǎo)”過程，即：將零件的特征編碼組（零件模式）輸入到經(jīng)過訓(xùn)練的神經(jīng)網(wǎng)絡(luò)中，由其輸出該零件成形的各個過程的中間形狀的特征編碼（中間形狀模式）。我們以計算機(jī)的視角來看待零件的分解，即：零件->特征->特征編碼文件->人工神經(jīng)網(wǎng)絡(luò)。在人工神經(jīng)網(wǎng)絡(luò)中，特征編碼文件被反編譯，特征結(jié)構(gòu)后得出特征形成的順序，進(jìn)而輸出，即：人工神經(jīng)網(wǎng)絡(luò)->特征反編譯->特征工藝序列->特征編碼組->特征->零件。由此可見，人工神經(jīng)網(wǎng)絡(luò)是用于處理工藝模式的主要工具，在前面的特征造型器、特征編碼器中生成的零件的工藝模式，以及特征編碼組等概念，都是為了便于神經(jīng)網(wǎng)絡(luò)的處理而建立的。
最后，由這些“中間形狀模式”、“零件模式”等特征編碼組信息及其排列順序，組成該零件成形的“工藝模式”信息文件。這一過程，就是以零件模式作為輸入、以經(jīng)過訓(xùn)練。
4.2 神經(jīng)網(wǎng)絡(luò)的比較及選擇
人工神經(jīng)網(wǎng)絡(luò)用于工藝模式映射的工作主要是以下幾個：1）是針對輸入的零件模式經(jīng)過映射后輸出該零件成形的中間形狀；2）生成按照工藝成形的過程而排列的零件成形中間形狀的排列順序；3）進(jìn)行反向?qū)W習(xí)，從輸入的特征編碼文件中提取零件成型順序，存儲到知識庫中。[7]
神經(jīng)網(wǎng)絡(luò)主要由以下幾類：1）分解映射結(jié)構(gòu)；2）集中映射結(jié)構(gòu)；3）前向網(wǎng)絡(luò)；4）集中反饋式網(wǎng)絡(luò)。[8]
我們選擇的是集中反饋式的神經(jīng)網(wǎng)絡(luò)，相比于其他類型的網(wǎng)絡(luò)，反饋式結(jié)構(gòu)的優(yōu)點是：統(tǒng)一的網(wǎng)絡(luò)便于訓(xùn)練模式的組織和映射工作的開展；輸入單元和輸出單元的數(shù)目相同，可以形成對稱的網(wǎng)絡(luò)結(jié)構(gòu)，使得網(wǎng)絡(luò)的穩(wěn)定性和收斂性有了保障；工藝模式的成形順序性問題不占用網(wǎng)絡(luò)的實際結(jié)構(gòu)形式，順序性問題轉(zhuǎn)化為反饋映射的順序問題，映射的順序代表成形的順序；網(wǎng)絡(luò)在結(jié)構(gòu)上將保證各個單步成形映射的準(zhǔn)確性，從而提高網(wǎng)絡(luò)的訓(xùn)練質(zhì)量。[9]
表2給出了神經(jīng)網(wǎng)絡(luò)訓(xùn)練的相關(guān)內(nèi)容，由于神經(jīng)網(wǎng)絡(luò)中節(jié)點和隱層數(shù)目的不同會極大的影響神經(jīng)網(wǎng)絡(luò)的性能，本文主要對各個不同的網(wǎng)絡(luò)進(jìn)行了比較，得出了一個最優(yōu)的網(wǎng)絡(luò)（即網(wǎng)絡(luò)7）。
5 實例模型
本文在研究的基礎(chǔ)上開發(fā)了一個應(yīng)用實例，該實例主要是設(shè)計者將零件的特征編碼和特征參數(shù)輸入系統(tǒng)后，經(jīng)過神經(jīng)網(wǎng)絡(luò)的智能推理，將輸出反饋到設(shè)計平臺上。
系統(tǒng)首先進(jìn)行特征編碼的輸入，以確定零件的特征造型；然后輸入每一個特征編碼對應(yīng)的特征參數(shù)，圖5顯示了拉深工序?qū)?yīng)的特征參數(shù)的錄入。特征參數(shù)錄入完成后可以選擇繼續(xù)添加特征或者生成特征編碼文件。圖6為一個以記事本方式打開的特征編碼文件。將特征編碼文件輸入人工神經(jīng)網(wǎng)絡(luò)，對應(yīng)的輸出為特征造型順序文件（Y.SFM），數(shù)值公式計算模塊處理該文件，最后給出智能設(shè)計工藝流程（圖7）。
圖5特征參數(shù)錄入 圖6特征編碼文件圖7 智能設(shè)計系統(tǒng)給出的零件成型順序及計算結(jié)果
6 結(jié)論
本文提出了軸對稱零件成型工藝的產(chǎn)品建模方法，然后給出了面向?qū)ο蟮慕ＵZ言，能夠量化表示零件的特征，在將零件的特征編碼文件通過神經(jīng)網(wǎng)絡(luò)映射和輸出的同時，運(yùn)用KBE系統(tǒng)的自學(xué)習(xí)理念，將習(xí)得的知識存儲。實踐表明，通過人工神經(jīng)網(wǎng)絡(luò)和工藝智能設(shè)計系統(tǒng)的應(yīng)用，能夠解決實際的零件設(shè)計成型問題。
參考文獻(xiàn)：
[1] 高偉.工藝設(shè)計信息系統(tǒng)中的知識發(fā)現(xiàn)技術(shù)研究[D].成都:四川大學(xué),2005:22-23.
[2] 羅小賓.機(jī)械產(chǎn)品圖像識別技術(shù)及其在反求設(shè)計中的應(yīng)用研究[D].成都:四川大學(xué),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] 劉振凱.智能CAD人工神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的模型和結(jié)構(gòu)[J].中國機(jī)械工程,1997(2).
[8] 肖人彬.智能設(shè)計:概念、發(fā)展與實踐[J].中國機(jī)械工程,1997,8(2):61-64.
【關(guān)鍵詞】神經(jīng)網(wǎng)絡(luò) 提釩模型 控制系統(tǒng)
目前我國轉(zhuǎn)爐提釩爐裝備均以人工經(jīng)驗操作，導(dǎo)致提釩工藝效率不高。本文以轉(zhuǎn)爐提釩為研究對象，結(jié)合轉(zhuǎn)爐提釩的工藝特點，通過BP神經(jīng)網(wǎng)絡(luò)建立了提釩冷卻劑控制模型、供氧控制模型以及吹煉終點半鋼成分和溫度的預(yù)測模型。
一、 冷卻劑模型
提釩過程的熱量主要來源于鐵水本身帶來的物理熱和鐵水內(nèi)各元素反應(yīng)放出的化學(xué)熱，由于提釩過程中化學(xué)反應(yīng)放出的熱量高于提釩過程中的散熱，因此整個過程中吹煉溫度將逐漸升高，當(dāng)溫度超過了釩與碳氧化順序交換的轉(zhuǎn)化溫度時，鐵水中的碳將大量氧化，從而抑制了釩的氧化，為使吹煉溫度不高于轉(zhuǎn)化溫度，可在吹煉過程中加入冷卻劑來調(diào)節(jié)溫度。
（一）在實時控制時，取半鋼成分和半鋼溫度的目標(biāo)值作為模型的輸入。
（二）冷卻劑盡量在吹煉前期加入，吹煉后期不再加入任何冷卻劑使熔池溫度接近或稍超過轉(zhuǎn)化溫度。冷卻劑主要分兩批加入：兌鐵前生鐵塊、絕廢渣等用廢鋼槽由轉(zhuǎn)爐爐口加入，冷固球團(tuán)在吹煉前3分鐘之內(nèi)從爐頂料倉加入爐內(nèi)。
（三）在吹煉過程中，溶解于鐵水中的氧和鐵水中的氧化元素發(fā)生的氧化反應(yīng)都是放熱反應(yīng)，會使鐵水溫度升高，為了反映上述氧化反應(yīng)的熱效應(yīng)，就必須將鐵水和半鋼中的上述元素的含量作為神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)，但這樣會大大增加神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點數(shù)目，增加訓(xùn)練的負(fù)擔(dān)。為了減少神經(jīng)網(wǎng)絡(luò)的輸入變量數(shù)目，可以將上述元素按照其化學(xué)反應(yīng)的反應(yīng)熱進(jìn)行折算。
二、供氧模型
根據(jù)不同的鐵水成分和吹煉方式，耗氧量有很大差別，同時耗氧量的多少也影響著半鋼中的碳和余釩的多少。
（一） 在實時控制時，取半鋼成分和半鋼溫度的目標(biāo)值作為模型的輸入；料倉中冷卻劑的加入量以冷卻劑加入模型的輸出量作為本模型的輸入量。
（二）冷卻劑除了具有冷卻能力外，還具有氧化能力，冷卻劑中的FeO等物質(zhì)既是冷卻劑又是氧化劑。因此，供氧量的多少不僅和鐵水成分、重量有關(guān)還與冷卻劑的攜氧量密切相關(guān)。
（三）吹煉完畢后，說鐵水中的Si、Mn、Ti變成了氧化產(chǎn)物。為了減少神經(jīng)網(wǎng)絡(luò)的輸入變量數(shù)目，可以按照這些元素的耗氧量將其折算成釩。
三、 終點預(yù)測模型
終點預(yù)測模型如圖2所示。
（一）耗氧量和冷卻劑加入量在訓(xùn)練時使用實際的加入量作為輸入?yún)?shù)，在實時控制時使用冷卻劑加入模型和供氧模型的輸出作為本模型的輸入?yún)?shù)。
（二）各種加入的冷卻劑要分別轉(zhuǎn)換為冷卻劑熱效應(yīng)和冷卻劑攜氧量。
四、模型集成
模型包括冷卻劑模型、吹氧模型和終點預(yù)測模型3個子模型，通過VC++建立了模型的動態(tài)鏈接庫。
鏈接庫主要由4個類組成， 其中類CBpNeuralNetworks為基類，主要用于神經(jīng)網(wǎng)絡(luò)的建立、訓(xùn)練、存儲和模擬，其它3個派生類分別為：冷卻劑控制模型、吹氧控制模型以及半鋼成分與溫度預(yù)測模型，3個派生類的主要功能是完成各自模型的數(shù)據(jù)預(yù)處理和后處理功能。
五、結(jié)論
本文利用BP神經(jīng)網(wǎng)絡(luò)設(shè)計了轉(zhuǎn)爐提釩冷卻劑模型、供氧模型、終點預(yù)測模型，生產(chǎn)現(xiàn)場的應(yīng)用情況證實了這一方法的有效性。結(jié)果表明，該模型具有較高的一致性和泛化能力。
參考文獻(xiàn)：
[1]黃云，齊振亞，董履仁利用人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)預(yù)報鋼水溫度[J].煉鋼，2001，Vol.17， No.5， 43-46.
關(guān)鍵詞:神經(jīng)網(wǎng)絡(luò);齒輪;優(yōu)化設(shè)計
中圖分類號:TP183文獻(xiàn)標(biāo)識碼:A
1 齒輪傳動優(yōu)化設(shè)計的研究內(nèi)容
目前,齒輪優(yōu)化設(shè)計的研究內(nèi)容大體可以分為下列三個方面:
1)單級齒輪傳動,這方面問題有:對齒面接觸強(qiáng)有利的最佳齒廓設(shè)計;蝸桿傳動齒輪副最佳接觸位置設(shè)計,齒輪副中形成最佳油膜條件的齒輪幾何參數(shù)設(shè)計;齒輪輻板應(yīng)力和應(yīng)變值最小化的結(jié)構(gòu)參數(shù)優(yōu)化設(shè)計等｡
2)多級齒輪傳動,這方面涉及到運(yùn)動學(xué)､結(jié)構(gòu)強(qiáng)度､振動等許多方面的問題,如最佳傳動級數(shù)､最佳傳動比分配､最佳幾何參數(shù)､最佳結(jié)構(gòu)參數(shù)的設(shè)計等｡
3)齒輪傳動的動態(tài)優(yōu)化設(shè)計[1],這個方面的問題包括動態(tài)特性優(yōu)化､慣性質(zhì)量最佳分配､動載荷最小化等問題｡
2 ANN在齒輪傳動優(yōu)化設(shè)計中的應(yīng)用
BP網(wǎng)絡(luò)的重要功能之一就是實現(xiàn)從Rn到Rm之間的非線性映射,一個單影層的BP網(wǎng)絡(luò),是一個通用的函數(shù)逼近器[2]｡
鑒于BP網(wǎng)絡(luò)的這種功能,有專家利用它來實現(xiàn)變厚齒輪RV減數(shù)器中設(shè)計變量與動態(tài)參數(shù)之間的映射關(guān)系,從而解決了動態(tài)優(yōu)化設(shè)計中目標(biāo)函數(shù)難以建立的難題,使復(fù)雜的動態(tài)優(yōu)化問題轉(zhuǎn)化為簡單的普通優(yōu)化問題;也有專家學(xué)者利用BP網(wǎng)絡(luò)來實現(xiàn)齒輪傳動機(jī)構(gòu)中設(shè)計變量到齒面接觸疲勞強(qiáng)度和齒根彎曲疲勞強(qiáng)度的映射關(guān)系,從而簡化了計算中反復(fù)計算齒形系數(shù)､應(yīng)力校正系數(shù)帶來的麻煩;還有專家學(xué)者利用BP網(wǎng)絡(luò)來處理強(qiáng)度計算中大量圖表的插值計算問題,為圖表的計算機(jī)化提供了一條有效的途徑等等｡
由此看來,在齒輪傳動優(yōu)化設(shè)計中,只要是非線性映射或函數(shù)逼近的問題,都可以用BP網(wǎng)絡(luò)加以解決｡但有一點必須明確的是BP網(wǎng)絡(luò)最適合于處理輸入輸出之間關(guān)系不明確而又無法用一個明確的函數(shù)關(guān)系表達(dá)的場合｡對于有確切函數(shù)關(guān)系的輸入輸出,使用ANN也就沒有多大意義了｡
3 ANN和遺傳算法的齒輪傳動離散優(yōu)化設(shè)計
以一單級斜齒圓柱齒輪減速器為例｡已知名義功率P=20kw,小齒輪轉(zhuǎn)速n1=1000r/min,齒數(shù)比U=3,載荷穩(wěn)定,預(yù)期使用壽命10年,每年工作300個工作日,工作時間占20%,動力機(jī)為電動機(jī),工作中有中等振動,傳動不逆轉(zhuǎn),齒輪對稱布置｡
3.1 數(shù)學(xué)模型的建立
以體積最小為目標(biāo)函數(shù),體積最小等價于重量最小｡在影響齒輪強(qiáng)度的參數(shù)中選擇法向模數(shù)Mn､小齒數(shù)Z1,螺旋角β及系數(shù)Φd為設(shè)計變量,故數(shù)學(xué)模型[3]為:
值得注意的是,數(shù)學(xué)模型當(dāng)中,目標(biāo)函數(shù)和約束條件的建立是因問題的建立不同而異的｡一般情況下,設(shè)計者希望優(yōu)化設(shè)計后主要達(dá)到什么目的,就選擇什么做為目標(biāo)函數(shù)｡有時希望達(dá)到多個指標(biāo),就成了多目標(biāo)優(yōu)化設(shè)計問題｡對于約束條件,應(yīng)當(dāng)將設(shè)計中要避免的情況全盤考慮,這樣才能獲得一個實際意義的解｡如本例,還應(yīng)該考慮重合度系數(shù)約束,因為螺旋角的變化會影響重合度的大小｡當(dāng)然也有這種可能,約束條件太多,可行域都不存在了｡這時,采用任何優(yōu)化方法都不可能收斂｡于是就要仔細(xì)研究一下,是約束條件定得不對,還是什么其他問題｡
計算技術(shù)與自動化2007年6月第26卷第2期鐘 波:基于人工神經(jīng)網(wǎng)絡(luò)在齒輪優(yōu)化設(shè)計中的應(yīng)用3.2 方法的優(yōu)化
對上述約束條件下的極小化問題,有許多優(yōu)化方法可以求解[5]｡
對于本優(yōu)化問題,齒數(shù)是整型變量,模數(shù)是離散變量,螺旋角和齒寬系數(shù)為連續(xù)變量｡采用一般優(yōu)化方法處理含有連續(xù)及離散變量的優(yōu)化設(shè)計,處理思路是:首先暫時將有設(shè)計變量統(tǒng)一地看作連續(xù)變量,采用傳統(tǒng)的優(yōu)化方式求得最優(yōu)設(shè)計點,然后,再將離散設(shè)計變量圓整到鄰近的離散點[4]｡
但這樣處理有兩個缺陷:
1)圓整后的設(shè)計點可能跑出可行域｡
2)傳統(tǒng)的優(yōu)化方法大多采用基于梯度的算法,搜索很可能陷于局部級小而不能“自拔”｡
遺傳算法對處理含連續(xù)及離散變量的優(yōu)化問題有獨到之處,許多研究表明了其有效性,故本文采用遺傳算法作為優(yōu)化方法｡
與傳統(tǒng)的優(yōu)化方法相比,遺傳算法有下列特點:
1)對函數(shù)的要求極少,不需要梯度信息,不需要函數(shù)連續(xù),因而具有很強(qiáng)的通用化能力｡
2)由于同時對設(shè)計空間中的多個評估､操作因而有效避免了陷入局部最優(yōu)解｡
3)雖然是一種隨機(jī)概率搜索方式,但不是在解空間內(nèi)盲目地窮舉,而是一種啟發(fā)式搜索,因而搜索效率較高｡
4)由于處理對象是設(shè)計變量的編碼,而不是設(shè)計變量本身,因而可以方便用來處理含連續(xù)及離散變量的優(yōu)化設(shè)計問題｡
3.3 BP網(wǎng)絡(luò)用于逼近各種線圖
齒輪傳動設(shè)計的特點是系數(shù)多,決定這些系數(shù)要用到各種線圖和圖表｡要在優(yōu)化設(shè)計中將確定這些系數(shù)的過程程序化,有時是很繁雜的｡而用BP網(wǎng)絡(luò)來實現(xiàn)這些曲線的插值程序化[5],卻非常方便有效｡圖1是變位系數(shù)x=0時結(jié)點區(qū)域系數(shù)相對的螺旋角的關(guān)系曲線,圖中“+”表示曲線離散化的點,這些點將作為訓(xùn)練樣本數(shù)據(jù)用語網(wǎng)絡(luò)訓(xùn)練｡樣本數(shù)據(jù)為:
利用Matlab工具箱中的工具函數(shù)訓(xùn)練網(wǎng)絡(luò),訓(xùn)練完成后的網(wǎng)絡(luò)權(quán)值及閾值陣存入指定的文件中｡這個過程需要編一段程序來完成[6],程序流程如下:
開始清除內(nèi)存空間的所有函數(shù)及變量從命令式M文件中讀入訓(xùn)練樣本數(shù)據(jù)對數(shù)據(jù)歸一化處理調(diào)用工具函數(shù)initff初始化網(wǎng)絡(luò)調(diào)用trainlm訓(xùn)練網(wǎng)絡(luò)利用save命令將權(quán)值閾值陣存入到指定文件中[6][7]｡
圖1 神經(jīng)網(wǎng)絡(luò)對結(jié)點區(qū)域系數(shù)的
逼近原始曲線及取樣點[JZ)]
當(dāng)在齒輪強(qiáng)度計算中用到該線圖時,只需要將存儲下來的權(quán)值閾值利用load命令加載到內(nèi)存空間,然后利用工具函數(shù)simuff就可實現(xiàn)不同螺旋角對應(yīng)的結(jié)點區(qū)域系數(shù)的插值計算了｡
關(guān)于BP網(wǎng)絡(luò)須說明的是:訓(xùn)練樣本數(shù)太少,則樣本的信息不能反映待逼近曲線的特性,訓(xùn)練樣本數(shù)太多,又存在獲取的困難｡一般認(rèn)為,樣本數(shù)硎淙虢岬閌即可,這個確切的數(shù)據(jù)可以動態(tài)[2]確定樣本數(shù),即將可獲取的樣本分為訓(xùn)練集和測試集,用訓(xùn)練集訓(xùn)練網(wǎng)絡(luò)｡訓(xùn)練誤差達(dá)到要求后,再用測試集計算測試誤差,若測試誤差太大,表明樣本數(shù)不夠,這時,需將測試集納入訓(xùn)練集中,以加大訓(xùn)練集的容量｡
4 優(yōu)化結(jié)果的處理
利用遺傳算法對上述優(yōu)化問題求解｡遺傳算法初始群體規(guī)模取為60,交叉率Pc=0.7,變異率PM=0.01經(jīng)200次進(jìn)化迭代后[8],獲得最優(yōu)解｡
初始設(shè)計點為:
從上面結(jié)果可以看出,經(jīng)遺傳算法優(yōu)化后,目標(biāo)函數(shù)有所下降｡降幅不大主要是原始設(shè)計已比較接近優(yōu)化結(jié)果的緣故,但優(yōu)化方法避免了人工設(shè)計時的盲目試湊｡另外,體積的下降是以犧牲中心距為代價的｡在本優(yōu)化設(shè)計中,中心距未加任何約束,其結(jié)果不是薦用系列值｡若要取為薦用值,因跨度太大會影響優(yōu)化結(jié)果,故本文圓整為172,通過微調(diào)螺旋角實現(xiàn)｡
5 結(jié) 論
關(guān)鍵詞 神經(jīng)網(wǎng)絡(luò)；最短路徑；matlab；ArcGIS
中圖分類號：TP183 文獻(xiàn)標(biāo)識碼：A 文章編號：1671—7597（2013）041-194-01
擁堵問題對城市交通的干擾是巨大的，甚至對道路公共交通設(shè)施（公交車）也產(chǎn)生了巨大的干擾，從而對其它的社會生產(chǎn)活動又產(chǎn)生間接干擾。在實際的交通出行中，擁堵在交通網(wǎng)絡(luò)中向相鄰的路段和節(jié)點進(jìn)行傳播，這類似與病毒在復(fù)雜網(wǎng)絡(luò)中的傳播，把復(fù)雜網(wǎng)絡(luò)解決擁堵的理論應(yīng)用到實際的公交網(wǎng)絡(luò)中，就可以解決公交網(wǎng)絡(luò)的擁塞問題，對擁塞的傳播進(jìn)行有效地控制。本文針對城市擁堵背景下的公交線路選優(yōu)問題結(jié)合上述模型思想分別從公交路線選優(yōu)模型的構(gòu)建與運(yùn)用，軟件設(shè)計和方案生成比較兩個層次方向進(jìn)行深入研究。
1 模型的構(gòu)建與形成
1.1 交通流量超標(biāo)擁堵與公交路線選優(yōu)模型的關(guān)系
交通擁堵的形成與發(fā)展是一個隨時間和空間不斷發(fā)生演變的動態(tài)過程，所以在研究擁堵分布的過程中，在充分考慮時間維的基礎(chǔ)上，將擁堵形成的過程分為“點”、“線”、“面”三個空間層次進(jìn)行分析研討，同時在考慮完這三種空間層次后，結(jié)合最短路徑算法，并將擁堵節(jié)點的擁堵程度過高的點作為避開點從而進(jìn)行路線規(guī)劃。
1.2 點-線-面擁堵空間分布模型
1.2.1 “擁堵點”——路段交通擁堵加權(quán)系數(shù)
“交通點”的判斷即從交通信息系統(tǒng)中收集擁堵發(fā)生的路段信息，從而確定擁堵發(fā)生地點，一般情況下，取路段交通流量V與路段通行能力C的比值來判定交通流的狀態(tài)，則“擁堵點”加權(quán)系數(shù)為：
1.2.2 “擁堵線”——線路交通擁堵加權(quán)系數(shù)
“擁堵線”用以判斷擁堵點所在路段是否相連，如果路段的起點與終點有重合則表示路段相連，則點貫穿成線，構(gòu)成“擁堵線”；如若無重合點，則表示“擁堵點”所在路段為相對獨立的擁堵路段，故“擁堵線”反映出的道路擁堵情況更為直觀和方便決策。
1.3 人工神經(jīng)網(wǎng)絡(luò)模型——ARIMA-ANN模型
ARIMA模型的基本思想是：將預(yù)測對象隨時間推移而形成的數(shù)據(jù)序列視為一個隨機(jī)序列，提出的這種組合系統(tǒng)包含兩步。第一步，建立一個多層人工神經(jīng)網(wǎng)模型來分析交通流時序序列中得非線性部分；第二步，從多層人工神經(jīng)網(wǎng)的殘余部分提出一個差分自回歸移動平均模型。
本文模型中采用的指標(biāo)包括相關(guān)路段周邊人口分布，路段高峰小時路網(wǎng)容量和交通流量，交通流平移速度（采用歸一化處理不同的離散坐標(biāo)點），機(jī)動車數(shù)量，紅綠燈數(shù)量等，模型通過對指標(biāo)的分類學(xué)習(xí)實現(xiàn)綜合考慮各指標(biāo)合理權(quán)重的條件下對于線路相關(guān)擁堵系數(shù)的預(yù)測。
通過上述模型預(yù)測到研究路段的指標(biāo)分類結(jié)果和相關(guān)擁堵加權(quán)系數(shù)以及人口分布加權(quán)系數(shù)后，下面我們結(jié)合最短路徑算法實現(xiàn)考慮加入人口分布加權(quán)系數(shù)和擁堵加權(quán)系數(shù)后的公交線路方案生成的算法模型。
1.4 加入人口分布加權(quán)系數(shù)和擁堵加權(quán)系數(shù)后的加權(quán)最短徑路算法
在所有向量的權(quán)值基礎(chǔ)上乘以擁堵系數(shù)和人口分布系數(shù)（包括擁堵點對應(yīng)路段的擁堵系數(shù)和擁堵線對應(yīng)擁堵路線的擁堵系數(shù)和路段周邊人口分布系數(shù)）后得到每段徑路弧度所對應(yīng)的人口分布-擁堵加權(quán)值。
2 模型的軟件實現(xiàn)與運(yùn)用
在得到上述的綜合加權(quán)路線選優(yōu)模型后，我們以C#語言為主框架語言，以MATLAB語言和C++編寫模型算法并封裝動態(tài)鏈接庫（dll），C#通過外部調(diào)用dll，結(jié)合數(shù)據(jù)庫技術(shù)和ArcGIS技術(shù)編寫了一套基于本算法模型的公交路線免擁堵路線計算設(shè)計軟件。
筆者編寫了一套關(guān)于路線設(shè)計規(guī)劃的軟件，在錄入關(guān)于神經(jīng)網(wǎng)絡(luò)的閥值與各節(jié)點人口分布-擁堵加權(quán)系數(shù)后，系統(tǒng)自動生成了一套線路走行方案，算法原理采用本文上述算法思想。筆者實現(xiàn)所在學(xué)校到成都市火車站的公交路線的選優(yōu)生成，并與原路線進(jìn)行了方案比較。在下面的附圖中，筆者通過后臺數(shù)據(jù)庫錄入部分地理坐標(biāo)點的擁堵值用以檢測軟件在路線方案自動生成時是否會盡可能的避開擁堵系數(shù)大的“擁堵點”和“擁堵線”。經(jīng)過測試和比較，軟件系統(tǒng)生成后的新的路線方案避開了擁堵系數(shù)較大的“擁堵點”和“擁堵線”，生成后的新的路線方案雖然走行徑路比原有公交路線略長，但是從時間的角度和舒適度的角度綜合考慮可以發(fā)現(xiàn)是大大優(yōu)化的
3 結(jié)論
本文模型以成都市相關(guān)路段歷史統(tǒng)計數(shù)據(jù)為依據(jù)，在ArcGIS地理信息系統(tǒng)軟件中依據(jù)神經(jīng)網(wǎng)絡(luò)相關(guān)預(yù)測模型為基底，通過對可能引起交通擁堵的相關(guān)指標(biāo)和可能引起居民與公共交通設(shè)施占有率低下等指標(biāo)進(jìn)行了訓(xùn)練學(xué)習(xí)，實現(xiàn)了對于城市交通“擁堵點”和“擁堵線”的預(yù)測，并結(jié)合最短路徑算法實現(xiàn)對于各中轉(zhuǎn)節(jié)點向量邊的擁堵系數(shù)量值的加權(quán)折算，使得算法模型在生成公交路線方案時盡可能考慮到靠近人口分布系數(shù)較高的地帶并且避開擁堵系數(shù)過高的“擁堵點”和“擁堵線”，從而在整體上生成實現(xiàn)公交線路最優(yōu)方案。在后續(xù)研究中，筆者將加強(qiáng)對于復(fù)雜網(wǎng)絡(luò)中網(wǎng)絡(luò)間彼此影響的研究，從而力爭得出更為合理高效的路線選擇方法。
參考文獻(xiàn)
關(guān)鍵詞：BP人工神經(jīng)網(wǎng)絡(luò)；RBF人工神經(jīng)網(wǎng)絡(luò)；經(jīng)濟(jì)增長預(yù)測
中圖分類號：TP183文獻(xiàn)標(biāo)識碼：A文章編號：1009-3044(2011)10-2345-03
The Study of Forecast of Zhejiang Province's Economic Growth Using BP and RBF Artificial Neural Network
BAI Xue-bing
(Zhengjiang University of Technology, Hangzhou 310014, China)
Abstract: Based on existing studies of economic forecasting methods, the article studies the Zhejiang province'sEconomic Growth Forecastusing BP and RBF Artificial Neural Network.Thedata research shows Artificial Neural Network hasgood precision, but different Artificial Neural Network have different behavior, some have big error. Artificial Neural Network can provide good reference for the making policy of sector of economy.
Key words: BP artificial neural network; RBF artificial neural network; economic growth forecast
1 經(jīng)濟(jì)預(yù)測概論
經(jīng)濟(jì)預(yù)測是與未來有關(guān)的旨在減少不確定性對經(jīng)濟(jì)活動影響的一種經(jīng)濟(jì)分析。它是對將來經(jīng)濟(jì)發(fā)展的科學(xué)認(rèn)識活動。經(jīng)濟(jì)預(yù)測不是靠經(jīng)驗、憑直覺的預(yù)言或猜測，而是以科學(xué)的理論和方法、可靠的資料、精密的計算及對客觀規(guī)律性的認(rèn)識所作出的分析和判斷。
2 人工神經(jīng)網(wǎng)絡(luò)經(jīng)濟(jì)預(yù)測技術(shù)
由于人工神經(jīng)網(wǎng)絡(luò)具有大規(guī)模并行處理、容錯性、自適應(yīng)和聯(lián)想功能強(qiáng)等特點，作為非線性智能預(yù)測方法的人工神經(jīng)網(wǎng)絡(luò)預(yù)測方法成為國內(nèi)外經(jīng)濟(jì)預(yù)測研究的一個熱點。
人工神經(jīng)網(wǎng)絡(luò)不斷應(yīng)用于證券預(yù)測分析、企業(yè)經(jīng)濟(jì)戰(zhàn)略預(yù)測、經(jīng)濟(jì)理論創(chuàng)新、經(jīng)濟(jì)預(yù)測預(yù)警等研究中，都得到了一定的效果。
3 BP與RBF神經(jīng)網(wǎng)絡(luò)預(yù)測模型分析
3.1 經(jīng)濟(jì)增長神經(jīng)網(wǎng)絡(luò)設(shè)計模型
3.1.1 宏觀經(jīng)濟(jì)預(yù)測指標(biāo)
經(jīng)濟(jì)增長率是判斷宏觀經(jīng)濟(jì)運(yùn)行狀況的一個主要指標(biāo)。經(jīng)濟(jì)增長率指的就是不變價國內(nèi)生產(chǎn)總值增長率(簡稱國內(nèi)生產(chǎn)總值增長率。因此，判斷宏觀經(jīng)濟(jì)運(yùn)行狀況要落腳到對國內(nèi)生產(chǎn)總值的核算上。在本文中我們采用GDP的增長率來作為預(yù)測目標(biāo)。
3.1.2 神經(jīng)網(wǎng)絡(luò)設(shè)計模型經(jīng)濟(jì)模型的設(shè)計
本論文采用兩種模型對經(jīng)濟(jì)進(jìn)行預(yù)測。
1) 第一種 GDP預(yù)測模型：第n年的一、二、三產(chǎn)業(yè)的增長率作為輸入，第n+1年GDP增長率作為輸出。
2) 第二種預(yù)測模型。第n-3、n-2、n-1、n年的經(jīng)濟(jì)增長率作為輸入，第n-1、n、n+1年經(jīng)濟(jì)增長率作為輸出。
這里還要說明兩個問題。第一我們用到的數(shù)據(jù)來自2009年 浙江省統(tǒng)計年鑒，它的網(wǎng)址是 。
3.1.3 神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)
設(shè)計經(jīng)濟(jì)預(yù)測神經(jīng)網(wǎng)絡(luò)模型前，首先需要確定神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，主要包括如下內(nèi)容：網(wǎng)絡(luò)的層數(shù)，每層的神經(jīng)元數(shù)和激活函數(shù)等。采用的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1。
3.2 使用BP在以浙江省過去的每年的GDP增長指數(shù)的基礎(chǔ)上進(jìn)行BP神經(jīng)網(wǎng)絡(luò)預(yù)測
3.2.1 學(xué)習(xí)樣本的選擇
本次實驗使用Matlab 軟件采用3層BP神經(jīng)網(wǎng)絡(luò)建立浙江省經(jīng)濟(jì)發(fā)展的的預(yù)測模型。輸入層節(jié)點數(shù)為n=4，輸出層節(jié)點m=3.而隱含層節(jié)點數(shù)的選擇是人工神經(jīng)網(wǎng)絡(luò)最為關(guān)鍵的一步，它直接影響網(wǎng)絡(luò)隊復(fù)雜問題的映射能力，實驗中我們采用試湊法來確定最佳節(jié)點數(shù)。現(xiàn)設(shè)置較少的隱節(jié)點訓(xùn)練網(wǎng)絡(luò)，然后逐漸增加網(wǎng)絡(luò)節(jié)點數(shù)，用同一樣本進(jìn)行訓(xùn)練，從中確定網(wǎng)絡(luò)誤差最小時對應(yīng)的節(jié)點數(shù)，隱層、輸出層神經(jīng)元的轉(zhuǎn)移函數(shù)，隱含層和輸出層轉(zhuǎn)移函數(shù)分別采用tansig和logsig，訓(xùn)練函數(shù)選擇traindx。
3.2.2 數(shù)值歸一化處理
對于浙江省經(jīng)濟(jì)增長序列Q=（Q1，Q2…，Qt）。設(shè)序列的最大值、最小值分別為Qmax、Qmin。對時間序列的值作歸一化處理。
令xi=(Qi-Qmin)/(Qmax-Qmin)
3.2.3 樣本數(shù)據(jù)訓(xùn)練和數(shù)據(jù)預(yù)測
采用1978～2003年的數(shù)據(jù)樣本在MatLab7.0軟件中對輸入網(wǎng)絡(luò)進(jìn)行訓(xùn)練.隱層節(jié)點數(shù)先從4開始訓(xùn)練，逐步增加到12時，當(dāng)數(shù)值 為10時預(yù)測結(jié)果較好。允許誤差為0.001，訓(xùn)練3217次達(dá)到訓(xùn)練要求。
采用1978～2004年的數(shù)據(jù)作為第一組訓(xùn)練數(shù)據(jù)，2005-年數(shù)據(jù)作為仿真預(yù)測數(shù)據(jù)，通過神經(jīng)網(wǎng)絡(luò)預(yù)測GDP。采用1978～2005年的數(shù)據(jù)作為第一組訓(xùn)練數(shù)據(jù)，2006年數(shù)據(jù)作為仿真預(yù)測數(shù)據(jù)，通過神經(jīng)網(wǎng)絡(luò)預(yù)測GDP， 采用1978～2006年的數(shù)據(jù)作為第一組訓(xùn)練數(shù)據(jù)，2007-年數(shù)據(jù)作為仿真預(yù)測數(shù)據(jù)，通過神經(jīng)網(wǎng)絡(luò)預(yù)測GDP，依次類推，產(chǎn)生結(jié)果如表1所示。
3.2.4 數(shù)據(jù)分析
從2000-2004的擬合數(shù)據(jù)來看，相對誤差比較小，BP網(wǎng)絡(luò)對整個模擬數(shù)據(jù)的擬合程度還是比較好的，但是從2005-2009的預(yù)測數(shù)據(jù)來看預(yù)測數(shù)據(jù)的誤差還是比較大的，這也說明對未來的預(yù)測是很難的。各種不確定的因素在起作用。
3.3 三種產(chǎn)業(yè)增加率BP確定法預(yù)測GDP
3.3.1 樣本數(shù)據(jù)訓(xùn)練
將1978-2004年數(shù)據(jù)對輸入網(wǎng)絡(luò)進(jìn)行訓(xùn)練。然后把需要預(yù)測的樣本2000-2004年的樣本數(shù)據(jù)輸入網(wǎng)絡(luò)，得到結(jié)果，然后用反歸一化公式獲得結(jié)果。在Matlab7.0中調(diào)用newff函數(shù)，建立一個3個輸入節(jié)點、18個隱含層節(jié)點、一個輸出結(jié)點的BP神經(jīng)網(wǎng)絡(luò)，隱含層和輸出層轉(zhuǎn)移函數(shù)分別采用tansig和logsig，訓(xùn)練函數(shù)選擇traindx，允許誤差為0.001，訓(xùn)練1748次達(dá)到訓(xùn)練要求。
采用1978～2004年的數(shù)據(jù)作為第一組訓(xùn)練數(shù)據(jù)，2005年數(shù)據(jù)作為仿真預(yù)測數(shù)據(jù)，通過神經(jīng)網(wǎng)絡(luò)預(yù)測GDP。采用1978～2005年的數(shù)據(jù)作為第一組訓(xùn)練數(shù)據(jù)，2006年數(shù)據(jù)作為仿真預(yù)測數(shù)據(jù)，通過神經(jīng)網(wǎng)絡(luò)預(yù)測GDP， 采用1978～2006年的數(shù)據(jù)作為第一組訓(xùn)練數(shù)據(jù)，2007年數(shù)據(jù)作為仿真預(yù)測數(shù)據(jù)，通過神經(jīng)網(wǎng)絡(luò)預(yù)測GDP，依次類推，產(chǎn)生結(jié)果如表2所示。
3.3.2 數(shù)據(jù)分析
從預(yù)測數(shù)據(jù)來看預(yù)測數(shù)據(jù)的誤差盡管比上一種類型的數(shù)據(jù)要好，但是誤差還是比較大的，但是考慮到預(yù)測的能力 ，數(shù)據(jù)還是可以接受的 。但是數(shù)據(jù)誤差還是比較大的，這也說明對未來的預(yù)測是很難的，不是十分確定的，有些文章的數(shù)據(jù)精確度挺高的，但我想應(yīng)該是不太可能的，也許有故意湊數(shù)據(jù)的嫌疑。如果預(yù)測一年的話，可以通過調(diào)整參數(shù)獲得近似結(jié)果，但是很多年就很困難。
3.4 使用RBF在以浙江省過去的每年的GDP增長指數(shù)的基礎(chǔ)上進(jìn)行RBF神經(jīng)網(wǎng)絡(luò)預(yù)測.
3.4.1 RBF 神經(jīng)網(wǎng)絡(luò)模型設(shè)計
該種方式與第一種BP神經(jīng)網(wǎng)絡(luò)預(yù)測方法類似， 以以前四年的GDP增長率作為輸入，后兩年加以預(yù)測的年作為輸出。輸入層節(jié)點數(shù)為n=4，輸出層節(jié)點m=3.而隱含層節(jié)點數(shù)的選擇是采用matlab的newrbe自動來設(shè)置.然后用同一樣本進(jìn)行訓(xùn)練。
3.4.2 樣本數(shù)據(jù)訓(xùn)練和數(shù)據(jù)預(yù)測
1) 采用1978～2004年的數(shù)據(jù)作為第一組訓(xùn)練數(shù)據(jù)，2005年數(shù)據(jù)作為仿真預(yù)測數(shù)據(jù)，通過神經(jīng)網(wǎng)絡(luò)預(yù)測GDP。采用1978～2005年的數(shù)據(jù)作為第一組訓(xùn)練數(shù)據(jù)，2006年數(shù)據(jù)作為仿真預(yù)測數(shù)據(jù)，通過神經(jīng)網(wǎng)絡(luò)預(yù)測GDP，依次類推，產(chǎn)生結(jié)果如表3所示。這兒采用newrbe函數(shù)，spread參數(shù)為0.25。這是因為通過測試采用0.25獲得的數(shù)據(jù)結(jié)果較好。
3.4.3 數(shù)據(jù)分析
從實驗數(shù)據(jù)看，RBF對整個模擬數(shù)據(jù)的曲線擬合程度是相當(dāng)完美，但是從2005-2009的預(yù)測數(shù)據(jù)來看預(yù)測數(shù)據(jù)的誤差還是比較大的，這也說明RBF神經(jīng)網(wǎng)絡(luò)盡管曲線的擬合程度比BP網(wǎng)絡(luò)好 ，但是從預(yù)測的能力來講，并不比BP網(wǎng)絡(luò)好，反而通過試驗顯得更差一些。這仍然表明對未來的預(yù)測是很難的。各種不確定的因素在起作用。神經(jīng)網(wǎng)絡(luò)的預(yù)測也只能作為參考之用，不能對各種的突發(fā)事件進(jìn)行預(yù)測。
3.5 使用RBF三種產(chǎn)業(yè)增加率確定法預(yù)測GDP
3.5.1 RBF神經(jīng)網(wǎng)絡(luò)模型設(shè)計
該種方式與對應(yīng)的BP神經(jīng)網(wǎng)絡(luò)預(yù)測方法類似， 以一年的三種產(chǎn)業(yè)增長率作為輸入，后一年的GDP增長率預(yù)測作為輸出。本次實驗采用RBF神經(jīng)網(wǎng)絡(luò)建立浙江省經(jīng)濟(jì)發(fā)展的的預(yù)測模型。輸入層節(jié)點數(shù)為n=3，輸出層節(jié)點m=1.而隱含層節(jié)點數(shù)的選擇采用RBF自動的newrbe方法實現(xiàn)。
3.5.2 數(shù)據(jù)處理
1) 采用1978～2004年的數(shù)據(jù)作為第一組訓(xùn)練數(shù)據(jù)，2005年數(shù)據(jù)作為仿真預(yù)測數(shù)據(jù)，通過神經(jīng)網(wǎng)絡(luò)預(yù)測GDP。采用1978～2005年的數(shù)據(jù)作為第一組訓(xùn)練數(shù)據(jù)，2006年數(shù)據(jù)作為仿真預(yù)測數(shù)據(jù)，通過神經(jīng)網(wǎng)絡(luò)預(yù)測GDP， 采用1978～2006年的數(shù)據(jù)作為第一組訓(xùn)練數(shù)據(jù)，2007-年數(shù)據(jù)作為仿真預(yù)測數(shù)據(jù)，通過神經(jīng)網(wǎng)絡(luò)預(yù)測GDP，依次類推，產(chǎn)生結(jié)果如表4所示。
3.5.3 數(shù)據(jù)分析
但是從2005-2009的預(yù)測數(shù)據(jù)來看預(yù)測數(shù)據(jù)的誤差比上一組得RBF的誤差還要大，幾乎有點難以接受。這也說明RBF神經(jīng)網(wǎng)絡(luò)盡管曲線的擬合程度比BP網(wǎng)絡(luò)好，但是從預(yù)測的能力來講，并不比BP網(wǎng)絡(luò)好，反而我通過試驗更差一些。2009年的數(shù)據(jù)變得極為不合理，從而導(dǎo)致數(shù)據(jù)的偏差性很高。，從測試數(shù)據(jù)可看出，但是由于經(jīng)濟(jì)運(yùn)行的復(fù)雜性，以及不可預(yù)知性，特別是由于2008的美國金融導(dǎo)致的世界范圍的經(jīng)濟(jì)危機(jī)，導(dǎo)致經(jīng)濟(jì)數(shù)據(jù)的不可靠性大大增加，歷史數(shù)據(jù)變得用處不太大。2009年的數(shù)據(jù)變得極為不合理，從而導(dǎo)致數(shù)據(jù)的偏差性很高。
4 總結(jié)與歸納
從我們的試驗來看，各種神經(jīng)網(wǎng)絡(luò)的確可以對未來進(jìn)行預(yù)測，但是精度多高卻有一些問題，從我們的試驗來看BP神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)要比RBF神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)要好，但是也只在一定范圍內(nèi) ，四種檢測方法，只有一種數(shù)據(jù)還略微能夠接受。神經(jīng)網(wǎng)絡(luò)預(yù)測仍然需要不斷的完善。
參考文獻(xiàn)：
[1] 張德豐.Matlab神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計[M].北京:機(jī)械工業(yè)出版社,2009.
[2] 高雋.人工神經(jīng)網(wǎng)絡(luò)原理及仿真實例[M].2版.北京:機(jī)械工業(yè)出版社,2007.
[3] 韓力群.人工神經(jīng)網(wǎng)絡(luò)理論、設(shè)計與應(yīng)用[M].2版.北京:化學(xué)工業(yè)出版社,2007.
關(guān)鍵詞： 神經(jīng)網(wǎng)絡(luò)知識庫 多神經(jīng)網(wǎng)絡(luò)集成 方法研究
隨著我國科學(xué)技術(shù)的不斷發(fā)展，神經(jīng)網(wǎng)絡(luò)技術(shù)已經(jīng)獲得廣泛的應(yīng)用，在我國的多個領(lǐng)域中使用，且已經(jīng)小有成就。但是在使用的過程中還不成熟，仍存在很大的不足和問題，這就需要工作人員進(jìn)行反復(fù)的試驗和計算，以獲得有關(guān)于神經(jīng)網(wǎng)絡(luò)的模型。神經(jīng)網(wǎng)絡(luò)模型在使用的過程中，會受到操作人員的影響，因此結(jié)果表現(xiàn)出來的也就不同。神經(jīng)網(wǎng)絡(luò)在實際使用的過程中，操作人員多是缺乏專業(yè)知識水平的普通工作人員，這就導(dǎo)致神經(jīng)網(wǎng)絡(luò)模型的使用效果得不到保障，因此需要系統(tǒng)的、可靠的神經(jīng)網(wǎng)絡(luò)模型操作的應(yīng)用體系。
一、多神經(jīng)網(wǎng)絡(luò)集成方法
1.在神經(jīng)網(wǎng)絡(luò)知識庫基礎(chǔ)上發(fā)展而來的神經(jīng)網(wǎng)絡(luò)集成應(yīng)用體系
在神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用的過程中，要對工作人員所具備的神經(jīng)網(wǎng)絡(luò)方面的知識和經(jīng)驗進(jìn)行培訓(xùn)，可以通過多元化的神經(jīng)網(wǎng)絡(luò)來學(xué)習(xí)和積累與神經(jīng)網(wǎng)絡(luò)有關(guān)的知識，神經(jīng)網(wǎng)絡(luò)所具備的實用性將獲得大幅度的提高。現(xiàn)階段，我國與神經(jīng)網(wǎng)絡(luò)技術(shù)有關(guān)的工程都較為復(fù)雜，大多數(shù)的工程都具備獨立性較強(qiáng)的子系統(tǒng)、功能單元及部件等，將原本復(fù)雜的系統(tǒng)分解成多個簡單的小系統(tǒng)。因此工作人員在遇到復(fù)雜的系統(tǒng)問題時，可以將復(fù)雜的問題分解成多個相對獨立的部件、功能單元或者是子系統(tǒng)，進(jìn)行信息資料的輸出或者是輸入。使用神經(jīng)網(wǎng)絡(luò)技術(shù)得到相關(guān)子系統(tǒng)的特點信息之后，就能夠以此為基礎(chǔ)面對系統(tǒng)復(fù)雜的問題，例如系統(tǒng)中的辨識度問題、同一個系統(tǒng)中包括多個子系統(tǒng)的神經(jīng)網(wǎng)絡(luò)問題等。
在上述想法的基礎(chǔ)上，對神經(jīng)網(wǎng)絡(luò)知識庫進(jìn)行構(gòu)建，并逐漸完善神經(jīng)網(wǎng)絡(luò)集成體系的框架。是按照將復(fù)雜的神經(jīng)網(wǎng)絡(luò)問題分解成多個子系統(tǒng)的神經(jīng)網(wǎng)絡(luò)問題，而不是針對一個相對較復(fù)雜的問題進(jìn)行的。將復(fù)雜問題分解成多個子系統(tǒng)，能夠充分體現(xiàn)復(fù)雜的神經(jīng)網(wǎng)絡(luò)技術(shù)所具備功能，并為神經(jīng)網(wǎng)絡(luò)問題的分類提供便利，不僅可以提高解決問題的工作效率，而且可以積累神經(jīng)網(wǎng)絡(luò)方面的經(jīng)驗。在神經(jīng)網(wǎng)絡(luò)問題的實際解決過程中，如果子系統(tǒng)所具備的屬性是對數(shù)據(jù)資料的輸出和輸入是固定的話，就需要子系統(tǒng)記住這些匹配。也可以是將神經(jīng)網(wǎng)絡(luò)子系統(tǒng)中存在的知識庫與神經(jīng)網(wǎng)絡(luò)中的儀器設(shè)備相匹配，那么在進(jìn)行相關(guān)信息的輸入時，就可以對神經(jīng)網(wǎng)絡(luò)知識庫中的連接權(quán)、閾值等相關(guān)參數(shù)進(jìn)行調(diào)用，而不進(jìn)行反復(fù)性質(zhì)的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)，這時神經(jīng)網(wǎng)絡(luò)所具備的功能就是對函數(shù)進(jìn)行傳遞。如果在子系統(tǒng)的神經(jīng)網(wǎng)絡(luò)知識庫中存在與子系統(tǒng)屬性相匹配的網(wǎng)絡(luò)部分，就需要在神經(jīng)網(wǎng)絡(luò)知識庫中找到與初始值和缺省值相匹配的經(jīng)驗值，將其作為基礎(chǔ)就可以對神經(jīng)網(wǎng)絡(luò)的子系統(tǒng)的連接權(quán)、閾值等相關(guān)參數(shù)進(jìn)行訓(xùn)練；如果神經(jīng)網(wǎng)絡(luò)的知識庫中不存在與子系統(tǒng)屬性相匹配的網(wǎng)絡(luò)部分，就要對神經(jīng)網(wǎng)絡(luò)的樣本進(jìn)行訓(xùn)練，并在神經(jīng)網(wǎng)絡(luò)問題求解的過程中對網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計和計算方法等進(jìn)行學(xué)習(xí)和訓(xùn)練，以求真正與神經(jīng)網(wǎng)絡(luò)的知識庫相融合。在神經(jīng)網(wǎng)絡(luò)知識庫基礎(chǔ)上發(fā)展而來的多神經(jīng)網(wǎng)絡(luò)集成體系如下圖所示：
圖 在神經(jīng)網(wǎng)絡(luò)知識庫基礎(chǔ)上發(fā)展而來的多神經(jīng)網(wǎng)絡(luò)集成體系
2.多神經(jīng)網(wǎng)絡(luò)集成的方法與流程
從神經(jīng)網(wǎng)絡(luò)的有關(guān)資料可以看出，多神經(jīng)的網(wǎng)絡(luò)集成體系中存在多個子系統(tǒng)且屬于多層并聯(lián)或者串聯(lián)的結(jié)構(gòu)體系。從資料明顯可以看出，子神經(jīng)網(wǎng)絡(luò)系統(tǒng)的結(jié)構(gòu)較為簡單，為神經(jīng)網(wǎng)絡(luò)進(jìn)行計算和訓(xùn)練等操作提供了便利。在對復(fù)雜的網(wǎng)絡(luò)問題進(jìn)行分解的過程中，要進(jìn)行反復(fù)的摸索和計算，以求得到最優(yōu)化的結(jié)果，并把結(jié)果存儲在神經(jīng)網(wǎng)絡(luò)的知識庫中，為下一次的操作提供經(jīng)驗和學(xué)習(xí)的基礎(chǔ)。在神經(jīng)網(wǎng)絡(luò)系統(tǒng)中存在多個層次，可以將位于下一層的輸出當(dāng)做是上一層的輸入使用，位于同一層次的神經(jīng)網(wǎng)絡(luò)都可以被上一層的神經(jīng)網(wǎng)絡(luò)使用，直到到達(dá)神經(jīng)網(wǎng)絡(luò)的頂層為止。
二、在BP網(wǎng)絡(luò)集成的基礎(chǔ)上進(jìn)行非線性的研究案例
本文通過復(fù)雜的非線性函數(shù)案例對神經(jīng)網(wǎng)絡(luò)的集成方法進(jìn)行驗證，以有效證明神經(jīng)網(wǎng)絡(luò)集成方法所具備的有效性、穩(wěn)定性、可靠性和可行性。在神經(jīng)網(wǎng)絡(luò)函數(shù)的研究過程中，人們一直都比較注重對神經(jīng)網(wǎng)絡(luò)函數(shù)逼近原理進(jìn)行研究，但是沒有更為明確的說明。
1.非線性函數(shù)逼近原理的舉例描述
通過神經(jīng)網(wǎng)絡(luò)進(jìn)行函數(shù)的非線性映射的描述，函數(shù)F■（x■，x■）中的x■，x■要符合以下要求：x■，x■∈[-1，1]。函數(shù)表示為：
F■（x■，x■）=sin■∈（πx■）+cos■（πx■）+2sin（πx■）cos（πx■）
在函數(shù)中根據(jù)x■=x■=0.05的原則進(jìn)行取點的操作，并對函數(shù)進(jìn)行神經(jīng)網(wǎng)絡(luò)的輸入和輸出操作的訓(xùn)練，以求得出函數(shù)公式最理想的輸出結(jié)果。
2.函數(shù)問題的解題方法
（1）在函數(shù)公式求解的過程中，需要用到神經(jīng)網(wǎng)絡(luò)知識庫中的逼近原理。
（2）在函數(shù)公式求解的過程中，需要進(jìn)行反復(fù)的摸索和拼湊，以實現(xiàn)對神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的設(shè)計，通過BP算法的使用，實現(xiàn)對函數(shù)公式求解的目的。
（3）在函數(shù)公式的求解過程中，如果使用多神經(jīng)網(wǎng)絡(luò)集成方法的話，就要對神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)進(jìn)行設(shè)計，以為函數(shù)公式的求解提供便利。
F■（x■，x■）=sin■（πx■）+cos■（πx■）+2sin（πx■）cos（πx■）
=（sin（πx■）+cos（πx■））■
根據(jù)神經(jīng)網(wǎng)絡(luò)中可以將復(fù)雜的問題進(jìn)行分解成多個子系統(tǒng)的原則，將函數(shù)公式分解成以下四個簡單的函數(shù)問題：
f■（x■）=sin（πx■）
f■（x■）=cos（πx■）
f■（f■，f■）=sin（πx■）+cos（πx■）=f■f■
F■（f■）=f■■
對分解之后的函數(shù)公式進(jìn)行求解，通過BP算法的求解，從而達(dá)到對函數(shù)公式求解的目的。
3.函數(shù)求解過程中所使用的方法對比
在使用神經(jīng)網(wǎng)絡(luò)進(jìn)行求解的過程中，神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)呈現(xiàn)出較為復(fù)雜的特點，由于缺少經(jīng)驗作為基礎(chǔ)，因此只能進(jìn)行多次的嘗試和摸索，比較花費(fèi)人力，浪費(fèi)時間，得到的結(jié)果還不理想，存在一系列的問題，例如速度慢、規(guī)律復(fù)雜等。本文介紹的案例就進(jìn)行了反復(fù)的嘗試，得到的輸出三維圖與最理想的三維圖之間還存在差異。
把原來較為復(fù)雜的函數(shù)公式分解成多個簡單的函數(shù)公式之后，在通過多神經(jīng)網(wǎng)絡(luò)集成方法進(jìn)行求解的過程中，每個函數(shù)公式都很簡單，在訓(xùn)練的過程中，也不存在大量的拼湊和嘗試，能夠在短時間內(nèi)就確定函數(shù)公式結(jié)構(gòu)的參數(shù)。將與函數(shù)公式有關(guān)的閾值和訓(xùn)練值等都存儲在神經(jīng)網(wǎng)絡(luò)的知識庫中，在遇到同類型的函數(shù)公式求解時，就可以從神經(jīng)網(wǎng)絡(luò)知識庫中直接調(diào)用即可，不僅計算的速度快，輸出結(jié)果的精確度也很高。通過神經(jīng)網(wǎng)絡(luò)集成方法找到的函數(shù)公式的輸出三維圖，與最優(yōu)的三維圖之間非常的相似，差異不大，可以忽略不計。
三、結(jié)語
在神經(jīng)網(wǎng)絡(luò)知識庫的基礎(chǔ)上使用多神經(jīng)網(wǎng)絡(luò)集成方法進(jìn)行問題的求解時，不僅可以大大節(jié)省求解所用的時間，而且可以大大提高輸出結(jié)果的精確度。可以將復(fù)雜的問題分解成多個簡單的問題，以提高神經(jīng)網(wǎng)絡(luò)的工作效率，對計算方法進(jìn)行創(chuàng)新和發(fā)展。
參考文獻(xiàn)：
[1]林民龍.基于神經(jīng)網(wǎng)絡(luò)集成的增量式學(xué)習(xí)[D].中國科學(xué)技術(shù)大學(xué)，2012.
[2]唐東波.基于神經(jīng)網(wǎng)絡(luò)集成的電信客戶流失預(yù)測建模及應(yīng)用[J].大眾商務(wù)，2010（06）.
[3]李明愛，王蕊，郝冬梅.基于神經(jīng)網(wǎng)絡(luò)集成技術(shù)的運(yùn)動想象腦電識別方法[J].北京工業(yè)大學(xué)學(xué)報，2011（03）.
[4]劉大有，張冬威，李妮婭，劉杰，金弟.基于網(wǎng)絡(luò)聚類選擇的神經(jīng)網(wǎng)絡(luò)集成方法及應(yīng)用[J].吉林大學(xué)學(xué)報，2011（04）.
[5]潘遠(yuǎn).粗集約簡的神經(jīng)網(wǎng)絡(luò)集成在遙感影像分類中的應(yīng)用[D].遼寧工程技術(shù)大學(xué)，2012.
關(guān)鍵詞：仿生算法；神經(jīng)網(wǎng)絡(luò)；遺傳算法
中圖分類號：TP183文獻(xiàn)標(biāo)識碼：Adoi: 10.3969/j.issn.1003-6970.2011.03.017
An Improved Algorithm of Bionic Research and Analysis
Yue Tong-sen, Wang Da-hai
(XinXiang Vocational and Technical Collage, Xinxiang 453000,Henan,China)
【Abstract】In this paper the bionic algorithm of neural network and genetic algorithm were analyzed and summarized, aimed at slow speed of neural network training, recognition efficiency low, and genetic algorithm the optimum choice premature convergence problem, combined with neural network method and genetic algorithms of their respective characteristics, puts forward the improved algorithm.Without the destruction of single neurons based on input weights, adopt data pretreatment methods to reduce the number of input layers, so as to improve the ability of evolutionary learning.
【Key words】Bionic algorithm; Neural network; Genetic algorithm
0引言
人工神經(jīng)網(wǎng)絡(luò)[1]和遺傳算法[2]是仿生算法[3]的典型方法，它們的優(yōu)化問題一直是眾多研究者所倍為關(guān)注的研究熱點之一。在人工神經(jīng)網(wǎng)絡(luò)和遺傳算法結(jié)構(gòu)的研究中發(fā)現(xiàn)，人工神經(jīng)網(wǎng)絡(luò)具有很好的模式分類的特性，遺傳算法有很好的動態(tài)變更權(quán)值的特性，基于此，本文提出了一種改進(jìn)的基于人工神經(jīng)網(wǎng)絡(luò)和遺傳算法的算法。本章的改進(jìn)算法，就是對人工神經(jīng)網(wǎng)絡(luò)和遺傳算法進(jìn)行了變換，增強(qiáng)了對輸入權(quán)值的變化速度，并提出用減少輸入層個數(shù)的方法是加快神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的有效方法，取得了良好的實驗效果。
1神經(jīng)網(wǎng)絡(luò)和遺傳算法的特究點
1.1神經(jīng)網(wǎng)絡(luò)和遺傳算法的不同點
1．神經(jīng)網(wǎng)絡(luò)是多層感知機(jī)，而遺傳算法是單層感知機(jī)。神經(jīng)網(wǎng)絡(luò)是由輸入層，隱含層和輸出層夠成，但遺傳算法的基因組是一個數(shù)組，不管基因的長度有多長，其結(jié)構(gòu)仍然是一個單層感知機(jī)。
2． 神經(jīng)網(wǎng)絡(luò)的隱含神經(jīng)元個數(shù)是不確定的，而輸出層和輸入層的個數(shù)是可以確定的。我們希望輸入層的個數(shù)用新的方法得到降低，這樣神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度就可以提高。同時對于隱含層的層數(shù)，一般情況設(shè)為1。每層的神經(jīng)元個數(shù)也并不是越多越好，是要根據(jù)問題的情況而變動的。但神經(jīng)網(wǎng)絡(luò)的隱含層是不確定的，而且隱含層的個數(shù)也是不確定的。對于遺傳算法，它的二進(jìn)制的長度是可以確定的，但是交叉和變異的比例是變動的。對于單點交叉比例，我們可以設(shè)定為黃金分割點。雖然設(shè)定為黃金分割點作為單點交叉比例沒有用數(shù)學(xué)方法嚴(yán)格的證明，但是，大量的實驗表明，選擇黃金分割點往往可以得到較好的結(jié)果。對于變異比例，沒有交好的方法確定，只能設(shè)計交互式的實驗來調(diào)試決定。
3．權(quán)值的更新方式不一樣。神經(jīng)網(wǎng)絡(luò)的權(quán)值的更新方式是時時的，而遺傳算法權(quán)值的更新方式是批量的。
4．兩者應(yīng)用的范圍不一樣。神經(jīng)網(wǎng)絡(luò)主要應(yīng)用于模式匹配，錯誤診斷，監(jiān)視病人的狀態(tài)，特征提取，數(shù)據(jù)過濾。而遺傳算法主要應(yīng)用在計算機(jī)輔助設(shè)計，日程安排，經(jīng)濟(jì)學(xué)的投資研究等。
1.2神經(jīng)網(wǎng)絡(luò)和遺傳算法的相同點
1．有教師的學(xué)習(xí)。神經(jīng)網(wǎng)絡(luò)的輸出是有目標(biāo)的，當(dāng)然是確定的。同時對于遺傳算法的目標(biāo)也是確定的。所以兩者都是有目標(biāo)的，也就是有教師的學(xué)習(xí)。
2．隨機(jī)近似優(yōu)化過程。神經(jīng)網(wǎng)絡(luò)中，如果把網(wǎng)絡(luò)的權(quán)值初始化為接近于0的值，那么在早期的梯度下降步驟中，網(wǎng)絡(luò)將表現(xiàn)為一個非常平滑的函數(shù)，近似為輸入的線性函數(shù)，這是因為sigmoid函數(shù)本身在權(quán)值靠近0時接近線性。同樣，遺傳算法的初始個體都是隨機(jī)產(chǎn)生的，它的交叉和變異都是一個不斷近似的過程。
3．并行化。神經(jīng)網(wǎng)絡(luò)的每個神經(jīng)元是獨立的，如果把每個神經(jīng)元分配一個處理器，那么就可以采用并行的方式。同樣，遺傳算法很自然地適合并行實現(xiàn)，有粗粒度并行方法和細(xì)粒度并行方法。有粗粒度并行方法就是把群體細(xì)分成相對獨立的個體群，稱為類屬，然后為每個類屬分配一個不同的計算節(jié)點，在每個節(jié)點進(jìn)行標(biāo)準(zhǔn)的GA搜索。細(xì)粒度并行方法就是給每個個體分配一個處理器，然后相鄰的個體間發(fā)生重組。
2算法的研究及改進(jìn)
結(jié)合人工神經(jīng)網(wǎng)絡(luò)和遺傳算法的研究的本質(zhì)，通過兩種算法結(jié)合的研究及改進(jìn)，提高算法的收斂速度，從大量的數(shù)據(jù)中模擬生物的特性來完成特定的任務(wù)和解決問題的方法和方向。由于遺傳算法是單層感知機(jī)，而神經(jīng)網(wǎng)絡(luò)是多層感知機(jī)，所以可以從多層感知機(jī)的多層性，我們想象為遺傳算法是單層感知機(jī)作為神經(jīng)網(wǎng)絡(luò)是多層感知機(jī)的輸入層。這樣，我們就可以采用遺傳算法的動態(tài)變更權(quán)值的特性來對神經(jīng)網(wǎng)絡(luò)輸入層有效性的遺傳和變異。這種算法適合與沒有輸入，只有輸出的應(yīng)用，就像無人駕駛技術(shù)中控制行駛的速度和方向的控制一樣。基本的框架如圖1：
圖1結(jié)合人工神經(jīng)網(wǎng)絡(luò)和遺傳算法的框圖
Fig.1 Combined with artificial neural network and genetic algorithm diagram
最上面的是智能體，神經(jīng)網(wǎng)絡(luò)的輸出來控制智能體，控制中心將神經(jīng)網(wǎng)絡(luò)的權(quán)值用遺傳算法的初始體來提供。
2.1遺傳算法的基因作為神經(jīng)網(wǎng)絡(luò)的權(quán)值變量
遺傳算法的基因的初始化必須要滿足神經(jīng)網(wǎng)絡(luò)的輸入要求，一般遺傳算法的基因都是0，1編碼。但是為了達(dá)到神經(jīng)網(wǎng)絡(luò)的輸入要求，是要在（-1，+1）之間隨機(jī)產(chǎn)生。
2.2遺傳傳算法中雜交點選擇
遺傳算法中，一般都是采用隨機(jī)平均變異[4][5]的方式，但是如果輸入是由遺傳算法的基因提供的話，為了保證在變異的時候，采用標(biāo)記變異的方法。我們可以首先根據(jù)圖2的神經(jīng)網(wǎng)絡(luò)來考慮：
圖2遺傳算法作為人工神經(jīng)網(wǎng)絡(luò)和的權(quán)值圖
Fig.2 Genetic algorithm as artificial neural network and the weights of figure
很顯然，（0.3,-0.8,-0.2）是神經(jīng)元1的權(quán)值 ；(0.6,0.1,-0.1)是神經(jīng)元2的的權(quán)值；(0.4,0.5) 神經(jīng)元3的權(quán)值。為了在遺傳算法中的雜交過程中，不破壞每個神經(jīng)元的權(quán)值個數(shù)，特意標(biāo)記（3，6）所在的箭頭。
2.3引入神經(jīng)網(wǎng)絡(luò)輸入層的數(shù)據(jù)預(yù)處理
神經(jīng)網(wǎng)絡(luò)的計算問題是神經(jīng)網(wǎng)絡(luò)應(yīng)用中最為關(guān)鍵的問題。如何提高網(wǎng)絡(luò)的訓(xùn)練速度是算法研究的重點。我們在思考問題的時候，總是希望問題越簡單越容易解決。同樣，我們也可以通過對數(shù)據(jù)的預(yù)處理，來降低問題的難度。
為了減少輸入層的個數(shù)，我們可以先對數(shù)據(jù)進(jìn)行預(yù)處理。預(yù)處理的方法為如下流程：
（1）.計算機(jī)器人前進(jìn)方向Position(x,y)和目標(biāo)的所在的位置Location(x,y)。
（2）.歸一化Position(x,y) 和Location(x,y)。
（3）.用點乘的計算公式計算兩者點乘。
（4）.用符號重載的方式計算是順時針還是相反。
（5）.計算角度=第3步的結(jié)果*第4步的結(jié)果。
3實驗結(jié)果及分析
3.1實驗框架
將本算法應(yīng)用于掃雪機(jī)器人的智能控制中，設(shè)計的主要模塊：
3.1.1神經(jīng)網(wǎng)絡(luò)部分的設(shè)計
神經(jīng)網(wǎng)絡(luò)的輸入由四個變量組成：掃雪機(jī)器人方向向量（由兩個變量組成，即在X和Y的分量），發(fā)現(xiàn)目標(biāo)，即雪的向量（由兩個變量組成，即在X和Y的分量）。神經(jīng)網(wǎng)絡(luò)的隱含層由一層組成，而且由10個神經(jīng)元。神經(jīng)網(wǎng)絡(luò)的輸出由兩個變量組成，V1和V2，分別作用在機(jī)器人的左輪和右輪上。神經(jīng)網(wǎng)絡(luò)的響應(yīng)函數(shù)采用SIGMOD。
3.1.2遺傳算法部分的設(shè)計
遺傳算法的初始化是為神經(jīng)網(wǎng)絡(luò)提供權(quán)值，所以是由[-1，1]隨機(jī)數(shù)產(chǎn)生。遺傳算法的變異是采用隨機(jī)變量的變異，選擇采用輪轉(zhuǎn)法。
3.1.3掃雪機(jī)器人
掃雪機(jī)器人用神經(jīng)網(wǎng)絡(luò)來控制，當(dāng)找到目標(biāo)后，它的適值就加一。這樣就隨著發(fā)現(xiàn)目標(biāo)越多，它的適值就越大。學(xué)習(xí)能力是通過不斷的學(xué)習(xí)后，它的適值就會加強(qiáng)。如果直接采用機(jī)器人前進(jìn)方向和目標(biāo)的所在的位置，那么神經(jīng)網(wǎng)絡(luò)的輸入為四個變量。
3.2結(jié)果與分析
如果直接采用機(jī)器人前進(jìn)方向和目標(biāo)的所在的位置，那么神經(jīng)網(wǎng)絡(luò)的輸入為四個變量。通過對掃雪機(jī)器人的學(xué)習(xí)過程，沒有進(jìn)行預(yù)處理的數(shù)據(jù)，即四個變量輸入神經(jīng)網(wǎng)絡(luò)后的參數(shù)設(shè)定：神經(jīng)網(wǎng)絡(luò)的輸入為4，神經(jīng)元為6個，輸出個數(shù)為2個，如圖3所示：
圖3網(wǎng)絡(luò)的參數(shù)設(shè)定圖
Fig.3 Network parameters set figure
我們設(shè)定初始的適值為0，如果發(fā)現(xiàn)一個目標(biāo)后，它所對應(yīng)的適值就加上1，這樣經(jīng)過50次的進(jìn)化后，沒有進(jìn)行數(shù)據(jù)預(yù)處理的最大值是25，平均值是10.1333。如表1所示：
將50次的統(tǒng)計結(jié)果用柱狀圖進(jìn)行對比,如圖4所示。
圖4進(jìn)化50代后的加入數(shù)據(jù)預(yù)處理和沒有加入預(yù)處理的對比圖
Fig.4 After 50 generation data preprocessing and did not join joined the pretreatment of contrast diagram
為了減少輸入層的個數(shù)，我們可以先對數(shù)據(jù)進(jìn)行預(yù)處理下面，用統(tǒng)計的方法對數(shù)據(jù)進(jìn)行的結(jié)果分析，如表2所示。
將進(jìn)化100代后，對比兩者的對比柱狀圖如圖5所示。
圖5進(jìn)化50代后的加入數(shù)據(jù)預(yù)處理和沒有加入預(yù)處理的對比圖
Fig.5 After 50 generation data preprocessing and did not join joined the pretreatment of contrast diagram
實驗結(jié)果表明，為了減少輸入層的個數(shù)，先對數(shù)據(jù)進(jìn)行預(yù)處理。通過對掃雪機(jī)器人的過程的數(shù)據(jù)分析進(jìn)行分析，數(shù)據(jù)預(yù)處理后的智能進(jìn)化學(xué)習(xí)能力相對于原始數(shù)據(jù)的智能進(jìn)化學(xué)習(xí)能力有明顯的提高。
4結(jié)束語
本文提出了基于神經(jīng)網(wǎng)絡(luò)和遺傳算法結(jié)合的改進(jìn)算法，對于遺傳算法的變異操作進(jìn)行改進(jìn)，不會破壞單個神經(jīng)元的輸入權(quán)值的基礎(chǔ)上，采用數(shù)據(jù)預(yù)處理的方法來減少輸入層的個數(shù)，從而提高進(jìn)化學(xué)習(xí)的能力。從實驗數(shù)據(jù)中可以看到，本章提出的改進(jìn)算法加快了學(xué)習(xí)速度，達(dá)到了提高智能學(xué)習(xí)的預(yù)期
目的。
參考文獻(xiàn)
[1] 喬俊飛，韓桂紅．神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)動態(tài)優(yōu)化設(shè)計的分析與展望[J].控制理論與應(yīng)用，2010,3(13):350-357.
[2] 葛繼科，邱玉輝,吳春明，等．遺傳算法研究綜述[J].計算機(jī)應(yīng)用研究,2008,10(9):2911-2916.
[3] 丁建立，陳增強(qiáng)，袁著祉．智能仿生算法及其網(wǎng)絡(luò)優(yōu)化中的應(yīng)用研究進(jìn)展[J].計算機(jī)工程與應(yīng)用，2003,12(3):10-15
[4] 鞏敦衛(wèi)，等．交互式遺傳算法原來及其應(yīng)用[M].北京:國防工業(yè)出版社,2007.
關(guān)鍵詞:電氣設(shè)備;故障診斷;神經(jīng)網(wǎng)絡(luò);學(xué)習(xí)算法
中圖分類號:TP183
近年來,隨著電氣設(shè)備復(fù)雜度的增加,其發(fā)生故障的概率也逐漸上升。即使是熟練工程師,面對日趨復(fù)雜的設(shè)備內(nèi)部電氣結(jié)構(gòu),也難以迅速分析及判別其故障原因。與此同時,涌現(xiàn)出的各種智能算法、專家系統(tǒng)等,為設(shè)備診斷問題提供了可行的方案。其中,神經(jīng)網(wǎng)絡(luò)以其特有優(yōu)勢在電氣設(shè)備故障診斷中發(fā)揮了重要作用。神經(jīng)網(wǎng)絡(luò)理論是人工智能、認(rèn)知學(xué)、腦神經(jīng)學(xué)、信息學(xué)等諸多學(xué)科融合發(fā)展的結(jié)果,它是由大量簡單的處理單元(稱為神經(jīng)元),通過廣泛的互相連接而形成的復(fù)雜網(wǎng)絡(luò)系統(tǒng)。神經(jīng)網(wǎng)絡(luò)具有學(xué)習(xí)能力,可以根據(jù)電氣設(shè)備的正常歷史數(shù)據(jù)訓(xùn)練,將訓(xùn)練結(jié)果信息與當(dāng)前測量數(shù)據(jù)進(jìn)行比較,以確定故障。同時它具有濾除噪聲的能力,這使其能在噪聲環(huán)境中有效地在線監(jiān)測及診斷。其具有的分辯故障原因及類型的能力,為未來實現(xiàn)故障智能診斷奠定了基礎(chǔ)。本文介紹神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及其學(xué)習(xí)算法,提出一種基于BP網(wǎng)絡(luò)的電氣設(shè)備故障診斷方法,通過網(wǎng)絡(luò)訓(xùn)練及結(jié)果測試表明,該方法具有良好的故障診斷能力。[JP]
1 BP神經(jīng)網(wǎng)絡(luò)模型
神經(jīng)網(wǎng)絡(luò)有很多模型,例如BP網(wǎng)絡(luò)、Kohonen,Hopfield及ART等。其中,反向傳播網(wǎng)絡(luò)(Back[CD*2]Propagation Network)在神經(jīng)網(wǎng)絡(luò)的實際應(yīng)用中有著十分重要的影響,工程應(yīng)用中的絕大多數(shù)網(wǎng)絡(luò)模型都采用BP模型或其變形,可以說BP模型體現(xiàn)了神經(jīng)網(wǎng)絡(luò)中的精華。
1.1 BP神經(jīng)網(wǎng)絡(luò)模型
以三層前向BP網(wǎng)絡(luò)為例,對神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行分析,其組成包括輸入層、隱含層和輸出層。如圖1所示,圖中圓圈表示神經(jīng)元,Wir表示輸入層第i個神經(jīng)元與隱含層第r個神經(jīng)元的連接權(quán)值;Vrj表示隱含層第r個神經(jīng)元與輸出層第j個神經(jīng)元的連接權(quán)值;其間的連線表示神經(jīng)元之間的相互作用強(qiáng)度。И
從圖1的結(jié)構(gòu)中可以得到,隱含層節(jié)點的輸出函數(shù)和輸出層節(jié)點的輸出函數(shù)分別為:
式中:Tr和θr分別為隱含層和輸出層的單元閾值。在本文設(shè)計的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中,式(1)中的f(•)采用sigmoid函數(shù),即f(x)=(1+e-x)-1。И
1.2 BP學(xué)習(xí)算法
BP模型的成功得益于BP算法的應(yīng)用,即誤差反向傳播算法。BP算法屬于梯度下降算法,是一種監(jiān)督式的學(xué)習(xí)算法。用網(wǎng)絡(luò)的實際輸出與目標(biāo)矢量之間的誤差來修正網(wǎng)絡(luò)權(quán)值,使輸出與期望盡可能接近(網(wǎng)絡(luò)輸出層的誤差平方和達(dá)到最小);通過反復(fù)在誤差函數(shù)梯度下降方向上調(diào)整網(wǎng)絡(luò)權(quán)值的變化,逐漸逼近目標(biāo)。每次權(quán)值和偏差的變化都與網(wǎng)絡(luò)輸出誤差的影響成正比,并以反向傳播的方式傳遞到每一層。BP網(wǎng)絡(luò)是由兩部分組成:信息的正向傳遞和誤差的反向傳播。
設(shè)神經(jīng)元的輸入矢量為[WTHX]X[WTBX]=\[x1,x2,…,xn\],其中n是輸入層的神經(jīng)元數(shù)。對應(yīng)于輸入[WTHX]X的輸出矢量是Y[WTBX]=\[y1,y2,…,ym\],其中m 是輸出層的神經(jīng)元數(shù)。如果要求網(wǎng)絡(luò)的期望輸出是[WTHX]T[WTBX]=\[t1,t2,…,tm\],г蛭蟛詈數(shù)可以定義為:
BP算法采用梯度下降法來調(diào)整網(wǎng)絡(luò)的權(quán)值,以使上述誤差函數(shù)減小,即:
Иw(n+1)=w(n)-η(E/w)[JY](3)И
式中:常數(shù)Е鞘僑ㄖ檔髡速率,通常取值0.01≤η≤1。權(quán)值WУ牡髡方法采用以下公式:
式中:ИΔwpq表示某層第p個節(jié)點到下一層第q個節(jié)點的權(quán)值修正量;xp表示節(jié)點p的輸出;δq表示節(jié)點qУ畝說愕燃畚蟛,由輸出層的等效誤差反傳而來:
式中:對應(yīng)BP模型網(wǎng)絡(luò)結(jié)構(gòu)(見圖1);節(jié)點q位于輸出層;節(jié)點h位于隱層。
2 電氣設(shè)備故障檢測實例
在電氣設(shè)備中發(fā)動機(jī)是故障率比較高的設(shè)備之一,其在故障診斷中比較具有代表性。在此,以發(fā)動機(jī)為例,分析BP神經(jīng)網(wǎng)絡(luò)在電氣設(shè)備故障診斷過程中的一般模式及步驟。
2.1 網(wǎng)絡(luò)樣本選取及參數(shù)選擇
分析發(fā)動機(jī)的常見故障模式,首先選擇具有代表性的故障作為特征向量,取[WTHX]X[WTBX]=[x1,x2,x3,x4]作為神經(jīng)網(wǎng)絡(luò)的輸入。其中:x1代表功率不足故障;x2代表聲音異常故障;x3代表排氣溫度高故障;x4代表消耗量過大故障。通過分析故障原因,取[WTHX]Y[WTBX]=[y1,y2,y3,y4,y5]作為目標(biāo)輸出向量。其中:y1代表點火不正確;y2代表高壓線圈損壞;y3代表出現(xiàn)燃爆現(xiàn)象;y4代表進(jìn)氣排氣管故障;y5代表增壓積炭過多故障。表1給出了輸入故障現(xiàn)象[WTHX]X和輸出原因分析Y[WTBX]е間的對應(yīng)關(guān)系。
由此可知,在設(shè)計基于三層BP神經(jīng)網(wǎng)絡(luò)的發(fā)動機(jī)故障診斷系統(tǒng)中,輸入層神經(jīng)元節(jié)點數(shù)N=4,輸出層神經(jīng)元節(jié)點數(shù)M=5。由公式h=(N+M)+σ可得隱含層神經(jīng)元節(jié)點數(shù)h取3~6之間的數(shù)。И
2.2 訓(xùn)練及測試
通過輸入樣本組對所設(shè)計的網(wǎng)絡(luò)進(jìn)行訓(xùn)練,選擇訓(xùn)練誤差為10-6。例如,輸入樣本[WTHX]X[WTBX]=[0,0,1,0],調(diào)整網(wǎng)絡(luò)狀態(tài),使其輸出接近目標(biāo)[WTHX]Y[WTBX]=[1,0,0,1,0],即當(dāng)發(fā)生排氣溫度過高故障時,可能原因是點火不正確以及進(jìn)氣排氣管問題。訓(xùn)練網(wǎng)絡(luò)的過程,實際上就是調(diào)整網(wǎng)絡(luò)參數(shù)的過程,具體來說,最主要的就是確定各個網(wǎng)絡(luò)權(quán)值。最終訓(xùn)練好的網(wǎng)絡(luò)在測試過程中,能較為準(zhǔn)確地診斷出故障問題的原因。在工程使用過程中,選擇故障檢測過程中各種儀器測量出來、有代表意義的測量數(shù)據(jù),根據(jù)先驗知識及專家分析,組成輸入樣本和目標(biāo)向量組,對設(shè)計的網(wǎng)絡(luò)結(jié)構(gòu)訓(xùn)練。在訓(xùn)練過程中,可增加輸入樣本的數(shù)量。因為通過大量樣本訓(xùn)練,神經(jīng)網(wǎng)絡(luò)能具有更好的適應(yīng)性和魯棒性,其故障診斷的準(zhǔn)確性有所提高。采用C++builder及Matlab混合編程,前者負(fù)責(zé)做界面系統(tǒng)的開發(fā),后者集中在神經(jīng)網(wǎng)絡(luò)算法的設(shè)計上,據(jù)此進(jìn)一步提高本工作的實際應(yīng)用能力。
關(guān)鍵詞：刀具振動；MATLAB；BP神經(jīng)網(wǎng)絡(luò)；RBF神經(jīng)網(wǎng)絡(luò)
中圖分類號：TP311文獻(xiàn)標(biāo)識碼：A文章編號：1009-3044(2012)04-0939-03
Research on Cutter Vibration Trend Forecast based on Neural Network
NIU Yu-sheng
(School of Mechanical Engineering&Automatization，North University of China，Taiyuan 030051, China)
Abstract: In the machine processing, cutter vibration usually have a negative effect on the workpiece. Therefore, the research on the trend of cutter vibration is particularly important. The forecast for vibration signals is consider as time -series forecasting. So The BP and RBF neural network were adopted to establish nonlinear models for predicting a time series. The results show that the RBF neural network has higher accuracy.
Key words: cutter vibration; MATLAB; BP neural network; RBF neural network
在機(jī)床加工中，刀具的振動會給工件及刀具本身帶來不小的負(fù)面影響[1]。若在加工過程中產(chǎn)生了振動現(xiàn)象，則會使刀具與工件間產(chǎn)生相對位移，在加工零件表面會產(chǎn)生振痕，導(dǎo)致零件的表面質(zhì)量以及性能受到影響，尤其是在貴重零件的加工中，會帶來難以衡量的損失；其次，振動本身對刀具及刀架系統(tǒng)也會帶來磨損。因此，對刀具的振動信號進(jìn)行預(yù)測就有不小的意義。刀具的振動信號以振幅來測量，可以看作是對時間序列的預(yù)測。由于人工神經(jīng)網(wǎng)絡(luò)的具有高度的非線性映射能力和自適應(yīng)能力等優(yōu)點，使其在時間序列預(yù)測中得到廣泛的關(guān)注，此處，分別采用BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)對振動信號進(jìn)行預(yù)測。
1刀具振動信號采集
采用手持式測振儀（CZ9500A測振儀），將儀表探頭對準(zhǔn)被測刀具的刀架上面，則加速度傳感器信號經(jīng)濾波放大得到加速度信號，然后經(jīng)一級積分得到速度信號，此信號再經(jīng)一級積分便得到位移信號，這三種信號經(jīng)測量選擇開關(guān)選擇出一種信號，進(jìn)行交直流轉(zhuǎn)換和A/D轉(zhuǎn)換，最后送三位半液晶屏顯示。只選位移信號，測得數(shù)據(jù)如下圖1。
圖1刀具振動信號
由圖可看出刀具振動位移沒有什么規(guī)律，大部分振幅位于0.07-0.23*10-4米之間，且其中有幾個峰值過大，在預(yù)測時會帶來不小困難。
2 BP及RBF神經(jīng)網(wǎng)絡(luò)的設(shè)計
人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks, ANNs）,也常稱為神經(jīng)網(wǎng)絡(luò)（NNs），是模擬生物神經(jīng)網(wǎng)絡(luò)進(jìn)行信息處理的一種數(shù)學(xué)模型[2]。根據(jù)解決時間序列預(yù)測需要，故采用BP和RBF神經(jīng)網(wǎng)絡(luò)。BP網(wǎng)絡(luò)是一種多層前饋型神經(jīng)網(wǎng)絡(luò)，可以實現(xiàn)從輸入到輸出的任意非線性映射[3]。RBF網(wǎng)絡(luò)能以任意精度逼近任意連續(xù)函數(shù)[4]。網(wǎng)絡(luò)的設(shè)計及運(yùn)行是在MATLAB語言中完成的。
2.1訓(xùn)練及測試樣本集設(shè)計
在MATLAB中，刀具振動的時間序列信號data是1行42列的矩陣。為了能夠?qū)崿F(xiàn)多步預(yù)測，需對時間序列做下變換。將時間序列步長設(shè)為p，運(yùn)行MATLAB程序如下：
sampleXin=sampleYuan(data, p) data=data(:);
sampleXin=zeros(p+1, 42-p); for j=1:42-p
sampleXin(:,j)=data(j:j+p);
end
則時間序列data將由1行42列轉(zhuǎn)化為p+1行，42-p列的樣本集，如圖2示。
圖中4個部分Ptrain為訓(xùn)練輸入向量，Ttrain是訓(xùn)練目標(biāo)向量，Ptest是測試輸入向量，Ttest是測試目標(biāo)向量。樣本集得到后，設(shè)定比例ratio=0.8，規(guī)定訓(xùn)練樣本集和測試樣本集比例為4:1.
2.2訓(xùn)練測試
2.2.1對于BP網(wǎng)絡(luò)
輸入層有p個神經(jīng)元，輸出層有1個元，BP網(wǎng)絡(luò)隱含層h則不確定，需要訓(xùn)練取最佳值。網(wǎng)絡(luò)隱含層神經(jīng)元變換函數(shù)采用logsig型函數(shù)，輸出層采用logsig型函數(shù)。網(wǎng)絡(luò)訓(xùn)練函數(shù)采用trainlm。
經(jīng)反復(fù)取p，h訓(xùn)練得當(dāng)p=5,h=6時，效果比較好。見圖3。
圖3 BP神經(jīng)網(wǎng)絡(luò)的結(jié)果比較圖
2.2.2對于RBF網(wǎng)絡(luò)
輸入層有p個神經(jīng)元，輸出層有1個神經(jīng)元，隱含層不需要確定。用newrb()創(chuàng)建RBF網(wǎng)絡(luò)，反復(fù)訓(xùn)練，當(dāng)SPREAD=0.02 , p=6時效果最好。如圖4。
3結(jié)果比較
兩種網(wǎng)絡(luò)的預(yù)測結(jié)果如表1所示。
由表1可見，RBF神經(jīng)網(wǎng)絡(luò)的預(yù)測精度明顯好于BP神經(jīng)網(wǎng)絡(luò)，預(yù)測誤差較小，能夠滿足要求。同時，RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練時間，次數(shù)也要短于和少于BP神經(jīng)網(wǎng)絡(luò)。
4結(jié)束語
在預(yù)測刀具振動趨勢時，RBF網(wǎng)絡(luò)從訓(xùn)練時間，次數(shù)以及預(yù)測效果上比BP網(wǎng)絡(luò)效果要好，并且網(wǎng)絡(luò)穩(wěn)定。對于刀具的振動趨勢研究，具有一定的指導(dǎo)意義。
參考文獻(xiàn)：
[1]藍(lán)宗和.小議數(shù)控車削加工中刀具振動問題[J].廣東科技,2009.6(214):94-96 .
[2]周志華,曹存根.神經(jīng)網(wǎng)絡(luò)及其應(yīng)用[M].北京:清華大學(xué)出版社,2004.
1小波神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法
小波神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)和基本的BP神經(jīng)網(wǎng)絡(luò)類似，一般采用輸入層、隱含層和輸出層三部分。小波神經(jīng)網(wǎng)絡(luò)隱含層的轉(zhuǎn)移函數(shù)采用小波函數(shù)，但小波函數(shù)的選取目前還未有統(tǒng)一的理論。Szu構(gòu)造的Morlet小波函數(shù)。
2工程應(yīng)用
2．1工程概況北京地鐵6號線東延部分東部新城站至東小營站區(qū)間工程位于北京市通州區(qū)，起點為東部新城站，終點為東小營站。該區(qū)間由東部新城站向東，沿運(yùn)河?xùn)|大街北側(cè)設(shè)置，沿線穿越綠地、宋郎路路口，到達(dá)東小營站，其中在宋郎路路口和運(yùn)河?xùn)|大街東南有多處雨水、電力和電信管線。區(qū)間穿越的地層主要有粉細(xì)砂層、局部夾粉質(zhì)粘土層、中粗砂層。工程采用直徑為6m的土壓平衡盾構(gòu)機(jī)進(jìn)行施工。
2．2網(wǎng)絡(luò)設(shè)計和數(shù)據(jù)采集小波神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計對預(yù)測結(jié)果影響較大，應(yīng)充分考慮與施工相關(guān)的各種因素，如地表沉降的成因、工程地質(zhì)條件和施工工藝參數(shù)等。盾構(gòu)施工引起的地表沉降易受到以下因素影響：盾構(gòu)施工區(qū)間的水文地質(zhì)條件對沉降量的影響較大；當(dāng)盾構(gòu)機(jī)由于某種原因停止推進(jìn)時，千斤頂會漏油回縮導(dǎo)致盾構(gòu)機(jī)后退，引起盾前土體壓力減小；盾尾脫空后，管片和土體之間存在空隙，由于注漿不及時，土體填充盾尾空隙引起土體局部塌落；盾殼移動引起土體的摩擦和剪切作用，在該作用力下土體產(chǎn)生變形；盾構(gòu)改變開挖方向，往往會引起超挖現(xiàn)象，土體受到的擾動隨之加大，引起土體局部變形破壞；開挖面的土體靠土倉壓力來維持，但是在施工過程中，土倉壓力和開挖面壓力并不是出于完全平衡狀態(tài)，這種不平衡狀態(tài)容易引起土體的坍塌變形。綜合考慮各相關(guān)因素，確定在對于地表沉降較為敏感的土體參數(shù)和施工參數(shù)中選取覆土厚度（H）、壓縮模量（Es）、粘聚力（c）、天然密度（ρ）、內(nèi)摩擦角（Ф）、千斤頂推力（F）和注漿壓力（P）共7個參數(shù)作為神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)。小波神經(jīng)網(wǎng)絡(luò)的隱層節(jié)點數(shù)選擇目前還沒有成熟的理論依據(jù)，可參考BP神經(jīng)網(wǎng)絡(luò)的隱層節(jié)點選取，通過經(jīng)驗和實驗分析以輸入節(jié)點的2～4倍綜合確定，最終選擇為13。小波神經(jīng)網(wǎng)絡(luò)預(yù)測模型的網(wǎng)絡(luò)結(jié)構(gòu)為7－13－1。盾構(gòu)施工引起的短期地表沉降對地表建筑和地下管線影響最大，且該施工區(qū)段地層變化較小，掘進(jìn)速度基本不變，故可以選取盾構(gòu)機(jī)通過該點50m后的穩(wěn)定沉降數(shù)據(jù)。在施工單位提供的相關(guān)測量數(shù)據(jù)和地質(zhì)資料中選取了51組數(shù)據(jù)，將其中36組作為訓(xùn)練數(shù)據(jù)，如表1所示。選擇15組作為測試數(shù)據(jù)，如表2所示。
2．3地表沉降預(yù)測與分析根據(jù)選取的36組數(shù)據(jù)和已經(jīng)確定的7－13－1的網(wǎng)絡(luò)結(jié)構(gòu)，分別建立小波神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)的預(yù)測模型。設(shè)定訓(xùn)練目標(biāo)為0．001，BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值、閾值和小波神經(jīng)網(wǎng)絡(luò)的伸縮參數(shù)、平移參數(shù)分別在［－1，1］之間隨機(jī)賦值。得到訓(xùn)練結(jié)果如圖1所示。結(jié)果顯示，經(jīng)過1050次訓(xùn)練后小波神經(jīng)網(wǎng)絡(luò)的訓(xùn)練誤差可以達(dá)到訓(xùn)練目標(biāo)，而BP神經(jīng)網(wǎng)絡(luò)需要8500次訓(xùn)練才能達(dá)到訓(xùn)練目標(biāo)。小波神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度相比于BP神經(jīng)網(wǎng)絡(luò)有較大優(yōu)勢。對于已經(jīng)訓(xùn)練好的兩種模型，使用相同的測試樣本進(jìn)行預(yù)測分析，得到的預(yù)測結(jié)果如圖2所示，預(yù)測結(jié)果和實際測量值的誤差如表3所示。可以看出，BP神經(jīng)網(wǎng)絡(luò)和小波神經(jīng)網(wǎng)絡(luò)的最小、最大誤差分別為3．1％、27．3％，2．8％、14．5％，故小波神經(jīng)網(wǎng)絡(luò)的預(yù)測精度要好于BP神經(jīng)網(wǎng)絡(luò)，且預(yù)測結(jié)果均在工程允許范圍內(nèi)，可以依據(jù)此預(yù)測結(jié)果對現(xiàn)場施工控制參數(shù)的制定提供科學(xué)的指導(dǎo)。
3結(jié)論
盾構(gòu)施工引起的地表沉降對施工安全影響較大，對其進(jìn)行有效地預(yù)測，并以此作為依據(jù)對施工參數(shù)進(jìn)行優(yōu)化，可達(dá)到降低施工風(fēng)險的目的，對于提高施工效率、確保施工質(zhì)量、增加經(jīng)濟(jì)效益意義重大。本文選用小波神經(jīng)網(wǎng)絡(luò)模型對盾構(gòu)施工地表沉降進(jìn)行預(yù)測，得到以下結(jié)論：（1）小波神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度較傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)有較大優(yōu)勢。（2）結(jié)合北京地鐵六號線實地數(shù)據(jù)驗證了小波神經(jīng)網(wǎng)絡(luò)用于盾構(gòu)施工地表沉降預(yù)測的可行性。（3）小波神經(jīng)網(wǎng)絡(luò)的初始權(quán)值、伸縮參數(shù)和平移參數(shù)的選取還沒有成熟的理論依據(jù)，如果參數(shù)選取不合適可能使小波神經(jīng)網(wǎng)絡(luò)陷入局部極小的情況，因此對于小波神經(jīng)網(wǎng)絡(luò)參數(shù)的優(yōu)化選取還有待深入研究。
作者：季雁鵬郝如江寧士亮單位：石家莊鐵道大學(xué)機(jī)械工程學(xué)院中國鐵建中鐵二十二局集團(tuán)第一工程有限公司
