前言：中文期刊网精心挑选了神经网络基本原理范文供你参考和学习，希望我们的参考范文能激发你的文章创作灵感，欢迎阅读。
神经网络基本原理范文1
根据物流金融的运作特点，可将其风险来源归纳为来自融资企业、抵押物以及第三方物流企业三大方面。借鉴Altman，Haldeman和Narayanan（1977）提出的第二代“ZETA计分模型”中企业信用评价指标体系[3]，将来自融资企业的风险细化为中小企业营运能力w1、盈利能力w2、偿债能力w3、及信用记录w4四大方面的十个具体指标，分别为w11持续经营、w12资产回报率、w13存货周转率、w21连续盈利、w22税后利润率、w23销售利润率、w31稳定存货、w32资产负债率、w33速冻比率、w41履约率。我国现阶段的物流金融业务主要集中于基于权利质押以及基于存货质押两种，因此质押物本身的质量也直接关系其风险大小。指标包括：所有权w51、市场性质w61、保险率w71三方面。作为重要参与方的物流企业为实现其对质押物的有效监管，企业规模w81及企业信誉w91也即成为影响物流金融风险的重要指标。
2基于BP神经网络和证据理论的评价方法
2.1BP神经网络的基本原理
BP神经网络，是由Rumelhart和McCelland等人（1986）提出的。其基本思想是，学习过程由信号的正向传播与误差的反向传播两个过程组成。正向传播时，输入样本从输入层通过隐含层传向输出层。若输出层的实际输出与期望输出不符，则转入误差的反向传播阶段，并将误差分摊给各层的所有单元。正向传播与误差反向传播周而复始，一直到网络输出的误差减少到可接受的程度，或预先设定的次数为止。
2.2证据理论的基本原理
①定义1：设为一个互斥又可穷举的元素的集合，称作识别框架，基本信任分配函数m是一个集合2到[0，1]的映射，A表现识别框架的任一子集，记作A哿，式中：m（A）称为时间A的基本信任分配函数，它表示证据对A的信任程度。②Dempter合成法则：假定识别框架下的两个证据E1和E2,其相应的基本信任函数为m1和m2，焦元分别为Ai和Bj，则m（A）=m1（A）茌m2（A）2.3信用风险评估算法为了保证神经网络的收敛和稳定性，本论文中将15个指标分为四组，建立4个神经网络NN1，NN2，NN3和NN4。神经网络的输出设计为（0.1，0.1，0.9）T、（0.1，0.9，0.1）T、（0.9，0.1，0.1）T，表示的信用风险级别分别为高风险、中度风险、低风险，记为A1，A2，A3。将输出归一化，得到向量（a′i1，a′i2，a′i3）T，记作V′i。令mi（Ai）=a′il，i∈{1，2，3，4}，l∈{1，2，3}，表示由NNi得到的对信用风险级别Ai的基本信任度，即针对事件Ai的证据。之后，再将4个证据利用DS证据理论融合。就可以对信用风险进行评估，最初最终决策。
3应用实例
本次数据采集共发出问卷200份，收回135份，有效问卷92份。将前91组数据分别训练神经网络。再将余下1个样本输入训练好的神经网络，归一化处理输出结果即得该证据对该命题的基本概率分配，而后利用DS证据理论将其融合得到最终优化结果。
4结论
神经网络基本原理范文2
关键词：人工神经网络；BP网络；数字识别
中图分类号：TP183 文献标识码：A文章编号：1007-9599 (2011) 19-0000-02
Digital Identification Study Based on Neural Network
Wang Qinghai
(Qinghai Normal University,Xining810008,China)
Abstract:At first,this paper introduced the priciple of NN and a BP net,secondly,according to the principle of noised digital number recognition,it designed to the BP network model for applying to identify.At last,the BP network had been effectively carried out by using Visual C++ 6.0 software.Practice shows that the network to identify digital character has a high recognition-rate.The author think that the realization of the network has wide application prospects.
keywords:Artificial nerve network;BP network;Digital recognition
人工神经网络是人工智能领域发展最快的信息处理技术之一，是由研究大脑和神经系统获得的启示而建立的一种计算模型。由于其具有鲜明的分类能力、并行处理能力和自学习能力。通过对有代表性的样本的学习可以掌握学习对象的内在规律，从而可以在一定程度上克服信息量大的问题，解决传统方法的不足。采用神经网络的识别方式对字符识别研究提供了一种新的手段，其应用具有重要的意义。本文论述了利用神经网络理论进行图像识别的原理并用Visual C++6.0实现了在提取图像特征后，利用BP神经网络进行图形识别图像的主要技术。
一、BP网络简介
BP神经网络通常采用输入层、隐层和输出层的结构形式，层与层之间的神经元进行全加权连接。相关文献表明，含有一个隐层的3层BP神经网络可拟合任意的非线性函数。
图1中 和 为连接权系数矩阵， 和 为偏差矩阵， 为输入矩阵， 为输入参数，隐层含有 个神经元，输出层含有 个神经元， 和 为各层传递函数。激励函数决定了神经模型的学习和计算能力，也决定了模型的构造方法与性能的优劣。本工作网络隐层和输出层都采用 函数作为激励函数。
在实际训练时，首先要提供一组训练样本，其中的每个训练样本由输入样本和理想输出对组成。当网络的所有实际输出与其理想输出一致时，训练结束。否则，通过误差逆传播的方法来修正权值使网络的理想输出与实际输出一致。反复学习直至样本集总误差（公式1）达到某个精度要求，即E
（公式1）
其中 为网络之实际输出， 为网络期望输出。
二、数字字符识别的基本原理
数字识别系统在实现的过程当中，先分解成两个大块，就是图像预处理模块和数字识别模块。其中图像预处理块在对图像进行了一系列变换后把最后提到的数字字符提交给数字识别模块，然后进行识别并给出结果。
数字识别系统中图像预处理环节用到了许多图像处理中的相关技术：比如灰度化、二值化、图像内容自动调整、去离散点、图像的缩放、细化、曲线平滑、曲线去枝桠操作及神经网络对提取到的数字信息进行分析判断[1]。
三、神经网络的设计与实现
（一）数字的编码方式
本文采用BP网络的思想来设计并训练一个可行、高效的BP网络，以实现对0到9共10个加噪声后的数字识别。
这里采用8×8个加64点阵的形式，使用美观的数码管字体。
（二）神经网络模型的建立
由于本文中所介绍的系统采用8×8个加64点阵的形式表示数字字符，所以容易确定BP神经网络的输入层为64维。在输出层，将0～9数字用8421码进行编码，这样10个数字就需要4位二进制的编码。因此就可确定输出层有4个神经元。隐层的神经元数目的选择，是BP算法设计的关键。编程证明，当隐层神经元数目超过55的时候，网络的训练时间将无法忍受，同时抗噪声能力大大降低[3]；当神经元数目低于7的时候，系统误差无法收敛到满意的值，又造成识别率过低[4]。经过多次的比较分析、测试，本文最终选定了隐层为49个神经元。
（三）数字识别的基本步骤
Step1：初始化样本，这里采用两组样本训练网络，第一组是纯净的不含噪声的样本数据0-9，第二组是含10%噪声的样本数据0-9。
Step2：初始化神经网络。
Step3：利用第一步中的样本训练神经网络。
Step4：利用训练好的网络进行数字识别。
（四）程序的实现
本文采用Visual C++6.0加以实现。
setSamples（）的功能：装载的网络学习样本集和目标输出，并传递给inputsamples和targetsamples。
Train（）的功能：根据setSamples（）装载的网络学习样本集和目标输出，训练网络权值和阀值参数[6]。
程序的实际运行表明对数字字符采用如上的BP网络可以达到很高的识别率。
四、结论
实践证明，该网络对数字字符识别具有很高的识别率，由神经网络具有自学习、联想、记忆、行处理复杂模式的功能，在多过程、非线性系统方面的模式识别中发挥着较大的作用[7]。此网络的实现具有广阔的应用前景。
参考文献：
[1]方彩婷.基于BP神经网络的图像识别与跟踪研究[D].西安:西安电子科技大学,2006
[2]熊国清,于起峰.用于实时跟踪的快速匹配算法[J].计算机辅助设计与图形学,2002,7(2):46-48
[3]桑农,张天序.旋转与比例不变点特征松弛匹配算法的Hopfield神经网络实现[J].宇航学报,1999,20(3):106-108
[4]杨小冈,曹菲,缪栋等.系统工程与电子技术[M].北京:高教出版社,2005
[5]张宏林.Visual C++数字图像模式识别技术及工程实践[M].北京:人民邮电出版社,2003
[6]万里青,赵荣椿,孙隆和.不变性目标识别方法研究[J].信号处理,1996,12(2):124-128
[7]焦李成.神经网络系统理论[M].西安:西安电子科技大学出版社,1995
神经网络基本原理范文3
[关键词]神经网络 多层感知器 层位标定 地震属性 油气预测
中图分类号：TE328 文献标识码：A 文章编号：1009-914X（2016）03-0025-01
1.人工神经网络的基本原理
目前人工神经网络有四十种左右，结构、性能各不相同，但无论差异如何，它们都是由大量简单的基本处理单元广泛连接而成的。这种基本处理单元称为神经元，也称为节点，它是生物神经元的模拟物。最简单的节点是所有输入的加权和，并通过一个非线性函数输出结果
决定一个神经网络性质的要素有三个，即神经元特性、网络结构、训练方法（或叫学习方法）。所谓训练方法是指网络作什么方法适应或学习自动地形成网络中各个节点之间相互连接的权系数及各个节点的阀值。由于这三个要素的不同形成了丰富多彩的各种网络。在该项目的研究中，使用的神经网络是多层感知器（Multilayer Perceptron）。
2.多层感知器
多层感知器是一种层状结构有前馈神经网络，它由输入层，输出层，一个或多个隐蔽层（hidden layer）组成，隐蔽层也称为中间层，每个节点只与邻层节点相连接，同一层间的节点不相连。一个三层感知器可产生任意复杂的判定区，多层感知器使用的激活函数是S型函数。按训练方法多层感知器属于监督学习型，训练方法多采用误差反传播算法，简称BP算法。
3.误差反传播算法
函数（costfunction）最小化，估价函数等于期望输出与网络实际输出差的平方和。只有对应当前输出所属类的那个输出节点的期望输出是1.0，其余所有输出节点期望输出是0.0。网络训练时，开始取一些小的随机数（计算机自动生成），以这些随机数作为网络内部各个节点之间连接的权系数和各个节点上的阈值的初始值，然后，输入所有训练样本数据，根据网络求得输出结果，计算实际输出与期望输出的差值，并按照一定的规则，不断地修改节点间的连接权系数和节点内部的阈值，反复这一过程，直至权值收敛，并使估价函数降至可接收值。研究指出，真正的梯度下降法要求采取无穷小步长，权值改变的比例常数是学习率，学习率越大，权值改变量越大，网络收敛速度越快，但学习率大会产生震荡。为了增大学习率而不导致振荡，可增加一个冲量项（momentum term）。
4.神经网络油气预测
本次研究对三维地震资料进行了层位标定和构造解释，在构造解释的基础上分别提取地震属性，按其XY坐标重新进行网格化，将所提地震属性合并为一个整体。
该工区面积为1272平方千米，测线号1977-4639，共2664线，样点数为1905242点。预测层位为孔二段（EK2）。根据所选样本射孔井段深度及其试油结论，落实该段的含油气井和干井。统计结果表明：
在EK2内选择45口 （g107x1、g108、g143、g146x1、g2209、g61、g63、g68、g87、g89、g95、g996、g998、g999、n18、n20、n21、n22x1、n24、n59、n63、n69、n70、n73、n89、n91、wu7、y23、z19、z23、z25、z28、z31、z32、z34、z45、z46、z48、z49、z50、z52、z87、z88、z89、zx58）含油气井；
应用神经网络进行油气预测，首先应用Landmark软件提取地震层位属性，其后的实现步骤为：
①将每个地震属性在工区范围内作归一化处理，在此基础上可获得每一个地震道对应的地震属性样本。
②根据试油结论、地质分层数据表、射孔井段、井口坐标和井斜数据制作各砂层组和各井在该砂层组内的含油气性数据表，以便生成供神经网络学习用的训练样本集。上述数据及地震解释层位数据的可靠性都将影响预测结果准确性。
③训练样本集构成的参考原则：选取部分井旁样本组成训练样本集，留一部分井作为检验井，考核预测结果的可靠性。具体做法是：以射孔井段处的井下坐标在地面上的投影为原点，在指定的搜索半径范围内和指定产油气井旁抽取若干个样本作为含油气样本子集；在产油气井周边选择部分无油气井、并在无油气井旁抽取若干个样本作为无油气样本子集；将这两个样本子集合并在一起，便生成了训练样本集。
④将训练样本集提交给神经网络，让神经网络学会有油气和无油气的分类方法，即计算神经网络节点间的权系数。
⑤对工区内逐个样本进行分类，从而得到油气预测平面分布图。
EK2训练样本集是由含油气样本和干样本两个子集构成，从45口产油气井旁各抽取1-2个样本（其中g998、n20、n70抽取了两个样本），组成48个含油气样本，又从c14、g129、z37等22口干井旁各抽取1-4个样本（其中c14、g136、g137、g139、g157、g158、g194、jia6、x6、x7、y11抽取了2个样本，g128、g9、g990、wu15、z37抽取了3个样本，wucan1抽取了4个样本）组成48个干井样本，该层训练样本集的样本总数为含油气样本和干样本之和（96）。生成的训练样本集供神经网学习，“学习成绩”可以用不在训练样本集中井的含油气性来评判，即EK2的训练样本集共用67口井，用余下123口井（其中35口井为含油气井，其余88口井为干井）的含油气性来评价预测结果的可靠性。得到了EK2的油气预测图及顶面构造（等值线）与该层的油气预测叠合图。训练样本集选用了45口含油气井和22口干井，其余123口井作为验证井，EK2油气预测成果图（图7-9）显示，除了少数油气井（如g120、w38）在油气预测含油气边界处外，其余33口井均得到很好的验证，表明预测结果具有较高的符合程度（即符合度为33/35*100%=94%）。
5.结论
本次研究对三维地震资料进行了层位标定和构造解释，神经网络对工区内逐个样本进行分类，从而得到油气预测平面分布图。从分析结果看出，EK2含油气的地方，其预测值大部分都落在0.5至1的范围内，油气预测成果图展示了含油气区域的有利范围。从此次研究上看来利用神经网络预测油气是可行的。
参考文献
[1] 林畅松，李思田，任建业，断陷湖盆层序地层研究和计算机模拟――以二连盆地乌里雅斯太断陷为例，地学前缘，1995，2（3）：124-132
神经网络基本原理范文4
关键词：BP神经网络；PID；控制效果
引言
PID控制因为算法简单，鲁棒性能好，可靠性高被广泛应用于工业过程控制中，通常需要整定3个参数：比例系数、微分时间、积分时间。但由于传统PID控制在实际工业控制系统中会出现类似控制过程非线性，时变性等不确定的问题，会使原来的参数难以建立精确的数学模型，从而无法保证系统达到理想的控制效果[1]。
而在传统PID控制过程中由于部分因素影响会使得控制过程出现某些问题，如非线性问题，另外还可能会造成时变性不确定。这对于相关模型构建则会带来一定的影响，使模型精确度降低，无法满足控制要求。因此，需要一种改进型的PID控制器对系统进行控制。神经网络具有自适应和自学习的能力[2]，通过相关手段对PID控制器进行完善，可对其系统结构等进行优化从而得到更好的控制效果，保证系统的稳定性，相对于传统的PID控制算法来说具有更好的适应性。
1 BP神经网络PID控制
1.1 BP算法的基本原理
利用梯度最速下降法作为BP算法可对整个控制体系进行有效优化，一方面采取该方法可对权系数进行修正，从而使传播误差得到控制。在上述条件下可让网络实际输出值与目标输出值偏差控制在最小范围内，使得控制过程得到优化。而在正向传播阶段，需要对输入层权值进行控制，通过利用隐含层节点可对相关函数激活并对输出层节点产生作用，最后获取输出值。若输出值与目标输出无法匹配再对误差变化进行分析，通过有效反向传播进行反馈，同时对各个层级的神经元权值进行转变，最终得到期望值[3]。
1.2 基于BP网络的PID控制算法归纳
基于BP网络的PID控制器控制算法归纳如下：
①先对BP网络结构进行有效确定，确定输入层节点数M及隐藏层节点Q，同时对各层的加权系数初值w■■（0）和w■■（0）进行把握，另外还要确定学习速率？浊和惯性系数？琢；②采样rin（k）和yout（k），获取误差error（k）=rin（k）-yout（k）；③对PID控制器可调参数进行计算（神经元输入值、输出值、输出层值）；④根据相关公式对PID控制器的输出u（k）进行计算；⑤利用神经网络自学习对w■■（0）和w■■（0）进行调整，从而使PID控制参数可自行调整；⑥置k=k+1，返回至第①步。
2 实例说明
设被控对象的近似数学模型为：y（k）=■+u（k-1），a0（k）是慢时变的，a0（k）=1+0.15sin（k？仔/25）。输入信号为正弦信号r（k）=sin（2k？仔/100），将学习速率设置为0.28，惯性系数设置为0.04，神经网络结构设置为4-5-3型。
仿真曲线图如图1至图4所示。
从上述曲线可知基于神经网络所得到的PID控制器可保持稳定的工作状态，误差较小，这使得超调及抖动等问题均得到了有效控制。另一方面上述PID控制器具备了理想的精度，可同步跟踪控制信号，无论是在适应性上还是速率上较传统PID控制均表现了明显的优势。
3 参数设定
3.1 网络的层数
一般情况下会以三层网络进行构建，其中存在一个隐藏层。利用多层结构可在一定程度上提升精度，当然也会造成结构趋于复杂化，而在隐含层当中适当增加神经元数目也可有效控制误差并提升进度，从操作性来看更为简便。
3.2 加权系数的初值
加权系数的初值最好设置为随机数。因为系统是非线性的，初始值与学习是否达到局部最小、是否能够收敛以及训练时间的长短的关系很大。如果在学习开始时将所有初值设置一致，那么各个隐含层将会得到一致的加权系数调整量，并保持加权系数一致。在matlab中，分别用语句wi=0.50*rands（H，IN）；wo=0.50*rands（Out，H）；对输入层到隐层，以及隐层到输出层随机取值。
3.3 学习速率
学习速率的选取范围在0.01-0.8之间，本研究中将学习速率设定为0.01至0.8区间内，以此促使系统可维持稳定的运行态。学习速率决定着每次循环训练中引起的突触权值变化量。选择的太大，可能会导致系统不稳定；选择的太小，虽然能保证网络的误差值趋于最小误差值，但学习时间过长，收敛速度较慢。
3.4 隐层节点数
在满足精度要求的前提下取尽可能少的隐层节点数。隐层节点数与输入层和输出层的节点数以及网络的复杂程度有关。当隐含层节点数取输入层和输出层节点数之间且靠近输入层节点数的值时，收敛速度较快；隐层节点数太少时，学习过程不收敛；隐层节点数太多时，网络映射能力增强，容易收敛到最小点，但是会使学习时间变长，网络容错性降低。
4 结束语
基于BP神经网络PID控制器必须通过试探法先确定理想的学习速率以及合适的初始权值，让系统在运行过程中保持稳定态。神经网络PID控制方法简单，无需建立被控系统的数学模型，避免了人工整定PID参数的繁琐工作。文章只是对基于BP神经网络的PID控制进行简单的研究，并没有应用到现实中的实际问题，如果将此类研究和现实中的例子结合，将会很有意义。
参考文献
[1]刘强，贾鸿莉，齐晶薇.基于BP神经网络的PID控制算法的教学研究[J].中国信息化，2013（2）：276-277.
神经网络基本原理范文5
关键词:BP神经网络;电力负荷预测;MATLAB
中图分类号:TP183文献标识码:A文章编号:16723198(2009)21025402
1 引言
负荷指电力需求量或者用电量,而需求量是指能量的时间变化率,即功率。也可以说,负荷是指发电厂、供电地区或电网在某一瞬间所承担的工作负荷。对用户来说,用电负荷是指连接在电网的用户所有用电设备在某一瞬间所消耗功率之和。在充分考虑一些重要的系统运行特性、增容决策、自然条件与社会影响的条件下,研究或利用一套系统地处理过去与未来负荷的数学方法,在满足一定精度要求的前提下,确定未来某特定时刻的负荷数值,称为负荷预测。
本文主要针对BP神经网络应用于电力系统中长期负荷预测做了进一步的研究,并通过MATLAB程序设计BP神经网络。通过实例运行BP网络证明,本文所提供的预测方法具有较好的预测精度,我们得到的预测的结果与实际值相差很小,并在与其他方法预测的结果相比较可知,基于MATLAB的BP网络对于电力负荷的预测更加精确。
2 电力负荷预测的原理、步骤
2.1 负荷预测的基本原理
负荷预测工作是根据电力负荷的发展变化规律,预计或判断其未来发展趋势和状况的活动,因此必须科学地总结出预测工作的基本原理,用于指导负荷预测工作。主要有以下几个方面:可知性原理,可能性原理,连续性原理,相似性原理,反馈性原理,系统性原理。
2.2 负荷预测的基本步骤
对电力负荷的预测,一般可按下列步骤进行。
(1)确定负荷预测的目标即近、中、远期负荷预测;
(2)收集和分析历史数据,对电力系统的历史数据及有关信息加以整理,排除偶发事件的有关信息,为电力负荷预测提供可靠的原始资料;
(3)建立预测模型,根据预测目标和资料,选择合适的电力负荷预测方法,建立相应的数学模型;
(4)对预测结果进行分析,评价各因素对电力负荷预测结果的影响及预测结果的可信度。
3 BP神经网络用于电力负荷中长期预测
3.1 BP网络的MATLAB实现
在进行BP网络设计前,一般应从网络的层数、每层中的神经元个数、初始值以及学习方法等方面来进行考虑。
3.1.1 网络的层数
理论上早已证明:具有偏差和至少一个S型加上一个线性输出层的网络,能够逼近任何有理函数。增加层数主要可以更进一步的降低误差,提高精度,但同时也使网络复杂化,从而增加了网络权值的训练时间。而误差精度的提高实际上也可以通过增加隐层中的神经元数目来获得,其训练效果也比增加层数更容易观察和调整。所以一般情况下,应优先考虑增加隐层中的神经元数。
3.1.2 神经元网络层数
网络训练精度的提高,可以通过采用一个隐层,而增加其神经元个数的方法来获得。这在结构实现上,要比增加更多的隐层要简单得多。选取多少个隐含节点才合适在理论上并没有一个明确的规定。在具体设计时,比较实际的做法是通过对不同神经元数进行训练比较对比,然后适当地加上一点余量。
3.1.3 节点个数的选取
根据隐含节点数的经验公式,确定节点数为2-12个,由于节点较少,用试凑法逐一进行试验,得到最佳节点数为6。
3.1.4 学习速率
为了减少寻找学习速率的训练次数以及训练时间,比较合适的方法是采用变化的自适应学习速率,使网络的训练在不同的阶段自动设置不同学习速率的大小。
3.1.5 期望误差的选取
在设计网络的训练过程中,期望误差值也应当通过对比训练后确定一个合适的值,这个所谓的“合适”,是相对于所需要的隐层的节点数来确定,因为较小的期望误差值是要靠增加隐层的节点,以及训练时间来获得的。可以同时对两个不同期望误差值的网络进行训练,最后通过对比综合因素来考虑确定采用其中一个网络。
3.2 BP网络MATLAB程序
3.2.1 BP网络设计的相关函数
主要有:(1)神经元变换函数:线性变换函数purelin、对数S型变换函数logsin、双曲线正切S型变换函数tansig;(2)BP网络生成函数newff;(3)初始化函数init;(4)学习函数:learngd、learngdm;(5)性能函数;(6)训练函数train;(7)BP训练算法函数;(8)仿真函数sim;(9)还原函数postmnmx;(10)绘图函数plotperf。
3.2.2 BP网络设计步骤
在进行BP神经网络设计时需要考虑:网络的拓扑结构(的层数及各层的神经元的数目);神经元的变换函数选取;网络的初始化(连接权值和阈值的初始化);训练参数设置;训练样本的归一化处理;样本数据导入方式等。根据以上分析可知,对于网络的实现有四个基本的步骤:
(1)网络建立:通过函数newff实现,它根据样本数据自动确定输入层、输出层的神经元数目;神经元数目以及的层数、和输出层的变换函数、训练算法函数需由用户确定。
(2)初始化:通过函数init实现,当newff在创建网络对象的同时,自动调动初始化函数init,根据缺省的参数对网络进行连接权值和阈值初始化。
(3)网络训练:通过函数train实现,它根据样本的输入矢量P、目标矢量T;和预先已设置好的训练函数的参数;对网络进行训练。
(4)网络仿真:通过函数sim实现,它根据已训练好的网络,对测试数据进行仿真计算。
神经网络基本原理范文6
关键词：无人机 神经网络 控制技术
中图分类号:TP183 文献标识码：A 文章编号：1007-9416(2012)07-0010-01
无人机的核心部分是飞行控制系统。无人机进行自主飞行时,控制系统需要有效地对姿态回路部分和水平位置、高度回路部分进行重点控制，才能保持良好的自主飞行适应性。研究表明，智能技术的发展水平在相当大的程度上决定了自主控制技术的发展水平，人工智能系统若要提高对形势的感应能力和外部环境的理解能力，并作出准确、快速反应，需要以获取信息的完整性和准确性为前提支撑。
研究表明，现代绝大多数控制理论在飞行控制系统设计的应用方面，均表现出一定的优势和劣势。
反步控制的优势在于收敛性方面表现较好，可对具有不确定性的未知扰动进行有效处理，缺点是鲁棒性表现较差。反馈线性化的优势在于设计灵活，缺点是对数学模型建立的精确性要求较高，且不能处理具有不确定性的未知扰动。采用变结构的滑模控制技术优势在于响应快捷，且所建数学模型的精确性要求不高，对外部不确定性扰动反应不敏感，缺点是需要进一步提高抖振现象的解决能力。在计算机技术和人工智能技术的发展带动下，人工智能应用于无人机控制系统已具备一定的技术基础，特别是神经网络技术，因其具有良好的学习和推理能力，所以应用最为广泛。本文以无人机的飞行控制应用为中心,重点分析了神经网络技术应用于智能控制的最新成果，为今后的深入研究提供一定的基础支撑。
1、神经网络PID控制技术
PID控制器鲁棒性表现较好，结构相对简单，广泛应用于典型无人机控制系统设计中。但是经典PID对于具有非线性特性的多变量系统，其处理能力较差，不能有效提升系统的抗外扰能力，特别是系统参数变化摄动时，其鲁棒性表现较差，致使系统的飞行动态控制能力较差。近年来，以神经网络智能控制技术的快速发展为支撑，神经网络智能控制技术开始和常规PID控制相融合，优化形成了两种类型的神经网络PID控制器。一种为神经元网络PID控制器，该控制器在传统PID控制器的基础上，融合加入了一个神经元网络控制器，对PID参数进行优化确定;另一种是单神经元PID控制器，它用神经元输入权值跟PID参数进行一一对应，该输入值为经比例、积分、微分处理后的偏差值。
1.1 采用神经元网络确定PID控制器参数
神经网络控制器通过对被控对象建立反向模型，构成前馈控制器。神经网络控制器首先学习PID控制器的输出，而后在线进行调整，尽量使反馈误差趋零化，逐步提升自身在系统控制中的主导作用，最终替换反馈控制器的相应作用，但PID反馈控制器继续存在，没有消失。当系统受到外部干扰扰动时，PID反馈控制器可继续发挥作用。采用神经元网络确定PID控制器参数的技术实际上是一种前馈加反馈的特殊控制技术，该技术在提高了系统精度的情况下，同时提高了系统的自适应能力，增强了系统的控制稳定性，改善了控制系统的鲁棒性能。其典型控制原理如图1所示
1.2 单神经元PID控制
该种类型的自适应控制器依靠调整加权系数完成自适应和自组织，采用有监督Hebb学习规则对加权系数进行调整。单神经元PID控制器采用具有明确物理意义的算法组织学习，结构也较简单，在环境变化适应性方面，呈现出较好的鲁棒性。其劣势在于由于该种类型控制器为单神经元结构，因此不具备任意函数逼近的能力。
2、自适应神经网络控制技术
针对任意一个非线性连续函数，人工神经网络因具有较强的自学习能力，所以能以任意精度要求逼近，且能够完成并行处理，实现万能函数逼近功能。与传统查表法对比,人工神经网络进行计算时间较短，且不需要大内存容量，在对相邻两个训练点之间的点进行插值计算时，不需要额外的计算消耗。相比典型的自适应线性控制器，研究表明，人工神经网络能够获得较好的期望性能，表现出相对较高的自适应非线性控制能力。人工神经网络能够实现对非线性对象的有效控制，对不确定对象的有效控制，且抗环境干扰能力较强，因此特别适合于实现自适应自主飞行控制。
人工神经网络应用于自适应飞行控制的基本原理为:对飞行器模型进行近似线性化处理，尔后对该控制器添加人工神经元网络,通过逆转换完成非线性控制功能，对飞行中的动态误差，自适应消除其影响，有效提升系统响应。该种类型的神经网络控制器通过在线提升自适应能力,在一定程度上改善了风洞数据依赖度，对动态先验知识的需求也进一步降低,从而减少了飞行控制系统的研发费用。
3、结语
研究表明，常规PID控制器虽然结构较简单，可靠性能表现较好，呈现出良好的鲁棒性，但其缺少自学习、自组织、自适应的能力，这些能力恰恰是神经网络控制器的智能优势。但神经网络也具有一定的缺点，表现为收敛速度较慢，个别情况下不能搜索到全局最优解等。神经网络利用自身较强的并行处理能力和自然容错特性，对非线性飞行系统能够进行较好的智能处理，有效降低了逆误差，可以精确获取无人机控制模型，鲁棒性表现优异。
目前，已在无人机上进行应用的神经网络算法主要是与PID算相融合的智能算法。今后，将自适应控制和神经网络智能控制相结合的控制算法将逐步进入飞行控制实践技术行列,从而大副提升无人机应对不确定环境和复杂问题的能力,真正实现自主飞行。
参考文献
