發(fā)布時(shí)間：2023-08-15 17:13:29
序言：寫作是分享個(gè)人見解和探索未知領(lǐng)域的橋梁，我們?yōu)槟x了8篇的神經(jīng)網(wǎng)絡(luò)基本原理樣本，期待這些樣本能夠?yàn)槟峁┴S富的參考和啟發(fā)，請盡情閱讀。
關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò) 反向傳播算法 故障診斷
1 引言
隨著經(jīng)濟(jì)的發(fā)展，空調(diào)系統(tǒng)得到了越來越廣泛的應(yīng)用，空調(diào)設(shè)備已成為重要的生活必備品之一。這就要求空調(diào)系統(tǒng)可靠性高且功能齊全，而且在故障診斷維修服務(wù)方面達(dá)到一定的水平。國內(nèi)目前的大部分空調(diào)系統(tǒng)中無故障診斷系統(tǒng)，當(dāng)空調(diào)系統(tǒng)出現(xiàn)故障后，維保人員往往不能及時(shí)、準(zhǔn)確地了解系統(tǒng)出現(xiàn)故障的原因及相關(guān)信息，空調(diào)系統(tǒng)無法得到及時(shí)修復(fù)，這種情況急需得到改善。
2 關(guān)于故障診斷技術(shù)
故障診斷FD(fault diagnosis)是一種了解和掌握設(shè)備在使用過程中的技術(shù)，確定其整體或局部是否正常，早期發(fā)現(xiàn)故障及其原因并能預(yù)報(bào)故障發(fā)展趨勢的技術(shù)。在診斷過程中，必須利用被診斷對象表現(xiàn)出來的各種有用信息，經(jīng)過適當(dāng)?shù)靥幚砗头治?，做出正確的診斷結(jié)論。在制冷暖通空調(diào)領(lǐng)域，1987年在彥啟森教授的建議下，才開始了故障診斷專家系統(tǒng)在制冷暖通空調(diào)領(lǐng)域的研究應(yīng)用[1]。
3 人工神經(jīng)網(wǎng)絡(luò)用于空調(diào)系統(tǒng)故障診斷的基本原理
人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network．簡稱ANN)正是在人類對其大腦神經(jīng)網(wǎng)絡(luò)認(rèn)識(shí)理解的基礎(chǔ)上人工構(gòu)造的能夠?qū)崿F(xiàn)某種功能的神經(jīng)網(wǎng)絡(luò)。它是理論化的人腦神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)模型，是基于模仿大腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和功能而建立的一種信息處理系統(tǒng)。它實(shí)際上是由大量簡單元件相互連接而成的復(fù)雜網(wǎng)絡(luò)，具有高度的非線性，能夠進(jìn)行復(fù)雜的邏輯操作和非線性關(guān)系實(shí)現(xiàn)的系統(tǒng)。
典型的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。
在眾多的人工神經(jīng)網(wǎng)絡(luò)模型中，最常用的是BP(Back Propagation)模型，即利用誤差反向傳播算法求解的多層前向神經(jīng)網(wǎng)絡(luò)模型[2]。BP網(wǎng)絡(luò)在故障診斷、模式識(shí)別、圖像識(shí)別、管理系統(tǒng)等方面都得到了廣泛的應(yīng)用。本文討論利用神經(jīng)網(wǎng)絡(luò)中的BP模型進(jìn)行空調(diào)系統(tǒng)的故障診斷。
首先需要進(jìn)行知識(shí)的獲取。由專家提供關(guān)于各種空調(diào)系統(tǒng)故障現(xiàn)象(征兆集)及相應(yīng)的故障原因(故障集)實(shí)例作為學(xué)習(xí)樣本。將數(shù)據(jù)分為兩部分，一部分用于訓(xùn)練網(wǎng)絡(luò)，另一部分用于測試。將訓(xùn)練網(wǎng)絡(luò)的數(shù)據(jù)按一定順序編碼，分別賦給網(wǎng)絡(luò)輸入、輸出節(jié)點(diǎn)，通過神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法對樣本進(jìn)行學(xué)習(xí)，經(jīng)過網(wǎng)絡(luò)內(nèi)部自適應(yīng)算法不斷修正權(quán)值，直到達(dá)到所要求的學(xué)習(xí)精度為止。此時(shí)在大量神經(jīng)元之間聯(lián)結(jié)權(quán)值上就分布著專家知識(shí)和經(jīng)驗(yàn)。訓(xùn)練完畢后，再將測試網(wǎng)絡(luò)的數(shù)據(jù)從初始狀態(tài)出發(fā)，向前推理，將顯示出的故障結(jié)果與實(shí)際的測試數(shù)據(jù)結(jié)果相比較，如果誤差很小，說明網(wǎng)絡(luò)的權(quán)值建立正確；如果誤差較大，說明網(wǎng)絡(luò)的權(quán)值建立有誤，需要重新進(jìn)行網(wǎng)絡(luò)的訓(xùn)練。
將訓(xùn)練樣本訓(xùn)練完畢后，即可進(jìn)行空調(diào)系統(tǒng)的故障診斷。只要實(shí)際輸入模式接近于某一個(gè)訓(xùn)練時(shí)的學(xué)習(xí)樣本的輸入模式，則可產(chǎn)生出接近學(xué)習(xí)樣本的輸出結(jié)果，也就是所謂的自聯(lián)想功能。同時(shí)，由于網(wǎng)絡(luò)計(jì)算上的大量并行性，當(dāng)機(jī)器運(yùn)行狀況改變，出現(xiàn)網(wǎng)絡(luò)學(xué)習(xí)未考慮的情況時(shí)，系統(tǒng)亦能給出正確分類結(jié)果。同時(shí)將新數(shù)據(jù)并入網(wǎng)絡(luò)，實(shí)現(xiàn)系統(tǒng)的自適應(yīng)。一般來說，學(xué)習(xí)的故障實(shí)例樣本越多，診斷結(jié)果的準(zhǔn)確率越高。
4 BP學(xué)習(xí)算法
BP算法因其簡單、易行、計(jì)算量小、并行性強(qiáng)等優(yōu)點(diǎn)，是目前神經(jīng)網(wǎng)絡(luò)訓(xùn)練采用最多也是最成熟的訓(xùn)練算法之一。BP算法的實(shí)質(zhì)是求解誤差函數(shù)的最小值問題，由于它采用非線性規(guī)劃中的梯度下降法（Gradient Descent），按誤差函數(shù)的負(fù)梯度方向修正權(quán)值 [3]。其主要思路是如果求出訓(xùn)練網(wǎng)絡(luò)的指標(biāo)函數(shù)誤差：
一般的BP算法稱為標(biāo)準(zhǔn)誤差逆?zhèn)鞑ニ惴?，也就是對?yīng)每一次輸入都校正一次權(quán)值。這種算法不是全局誤差意義上的梯度下降計(jì)算。對各個(gè)神經(jīng)元的輸出求偏導(dǎo)數(shù)，那么就可以算出誤差對所有連接權(quán)值的偏導(dǎo)數(shù)，從而可以利用梯度下降法來修改各個(gè)連接權(quán)值。真正的全局誤差意義上的梯度下降算法是在全部訓(xùn)練模式都學(xué)習(xí)完后才校正連接權(quán)和閾值。其計(jì)算流程如圖2所示：
5 故障診斷實(shí)例 5.1 空調(diào)系統(tǒng)故障診斷的BP網(wǎng)絡(luò)建立
空調(diào)系統(tǒng)故障模式及故障機(jī)制分析[4]如表1所示
表1 空調(diào)系統(tǒng)故障模式及故障機(jī)制分析 表示
符號(hào)
表示
符號(hào)
房間溫度均偏高
1.冷凍機(jī)產(chǎn)冷量不足
2.噴水堵塞
3.通過空氣處理設(shè)備的風(fēng)量過大，熱交換不良
4.回風(fēng)量大于送風(fēng)量
5.送風(fēng)量不足（可能空氣過濾氣堵塞）
6.表冷器結(jié)霜，造成堵塞
相對濕度均偏低
7.室外空氣未經(jīng)加濕處理
系統(tǒng)實(shí)測風(fēng)量大于設(shè)計(jì)風(fēng)量
8.系統(tǒng)的實(shí)際阻力小于設(shè)計(jì)阻力
9.設(shè)計(jì)時(shí)選用風(fēng)機(jī)容量偏大
房間氣流速度超過允許流速
10.送風(fēng)口速度過大
關(guān)鍵詞:功率放大器; 預(yù)失真技術(shù); 神經(jīng)網(wǎng)絡(luò); 單入雙出; 互調(diào)失真
中圖分類號(hào):TP18 文獻(xiàn)標(biāo)識(shí)碼:A
文章編號(hào):1004-373X(2010)09-0107-05
Research of Self-adaptive Digital Predistortion Technology Based on SIDO-neural Network
QIU Wei, LIU Yu-peng, ZHANG Lei-lei
(The base of China Ocean Measure, Jiangyin 214431, China)
Abstract: Because of inherent nonlinearity of high-power amplifier, which may cause bad influence on communication systems, it is necessary to make a linearization processing to overcome or weaken it. The math analysis of nonlinear distortion for the high-power amplifier(HPA) is performed. The basic principle of digital predistortion and the foundamental knowledge of neural network are described. A self-adaptive digital predistortion technology based on SIDO-neural network is proposed according to the amplifying amplitude and the distortion characteristic of phase, which can be improved by the technology. Taking a double-sound signal and 16QAM signal as an example, the Matlab simulation is carried out, The result proves that this technology is superior.
Keywords: power amplifier; predistortion technology; neural network; SIDO; intermodulation distortion
0 引 言
無線通信技術(shù)迅猛發(fā)展,人們對通信系統(tǒng)的容量要求也越來越大。為了追求更高的數(shù)據(jù)速率和頻譜效率,現(xiàn)代通信系統(tǒng)都普遍采用線性調(diào)制方式,如16QAM和QPSK方式,以及多載波配置[1]。
但這些技術(shù)產(chǎn)生的信號(hào)峰均比都較大,均要求功率放大器具有良好的線性特性,否則就會(huì)出現(xiàn)較大的互調(diào)失真,同時(shí)會(huì)導(dǎo)致頻譜擴(kuò)展,造成臨道干擾,使誤碼率惡化,從而降低系統(tǒng)性能。
預(yù)失真技術(shù)是一項(xiàng)簡單易行的功放線性化技術(shù),具有電路形式簡單,調(diào)整方便,效率高,造價(jià)低等優(yōu)點(diǎn)[2]。其中,基帶預(yù)失真還能采用現(xiàn)代的數(shù)字信號(hào)處理技術(shù),是最為看好的一項(xiàng)功放線性化技術(shù)。這里利用一種簡單的單入雙出三層前向神經(jīng)網(wǎng)絡(luò)來進(jìn)行自適應(yīng)預(yù)失真處理,同時(shí)補(bǔ)償由高功率放大器非線性特性引起的幅度失真和相位失真,從而實(shí)現(xiàn)其線性化。
文中分析了基于這種結(jié)構(gòu)的自適應(yīng)算法,并做了相應(yīng)的仿真。仿真結(jié)果表明,該方法能有效克服功放的非線性失真,且收斂速度比一般多項(xiàng)式預(yù)失真更快,具有一定的優(yōu)勢。
1 高功率放大器非線性分析
高功率放大器一般都是非線性器件,特別是當(dāng)輸入信號(hào)幅度變化較大時(shí),放大器的工作區(qū)將在飽和區(qū)、截止區(qū)、放大區(qū)之間來回轉(zhuǎn)換,非線性失真嚴(yán)重,會(huì)產(chǎn)生高次諧波和互調(diào)失真分量。由于理論上任何函數(shù)都可以分解為多項(xiàng)式的形式,故放大器的輸入和輸出關(guān)系表示為:
Vo=a1Vi+a2V2i+a3V3i+…+anVni(1)
假設(shè)輸入的雙音信號(hào)為:
Vi=V1cos(ω1t)+V2cos(ω2t)(2)
把式(2)代入式(1),得到輸出電壓為:
Vo=a22(V21+V22)+a1V1+a334V31+32V1V22+…cos(ω1t)+a2V2+a334V32+32V2V21+…cos(ω2t)+12a2V21+…cos(2ω1t)+12a2V22+…cos(2ω2t)+14a3V31+…cos(3ω1t)+14a3V32+…cos(3ω2t)+a2V1V2[cos(ω1+ω2)t+cos(ω1-ω2)t]+34a3V21V2[cos(2ω1+ω2)t+cos(2ω1-ω2)t]+
34a3V22V1[cos(2ω2+ω1)t+cos(2ω2-ω1)t]+58a5V31V22cos(3ω2-2ω1)t+58a5V21V32cos(3ω1-2ω2)t+…
從上式可以看出,輸出信號(hào)中不僅包含了2個(gè)基頻ω1,ω2,還產(chǎn)生了零頻,2次及高次諧波以及互調(diào)分量。通常2ω1-ω2,2ω2-ω1,3ω1-2ω2和2ω1-3ω2會(huì)落在通頻帶內(nèi),一般無法濾除,是對通信影響最大的非線性失真分量,即所謂的三階互調(diào)和五階互調(diào)。放大器線性化的目標(biāo)就是在保證一定效率的前提下最大地減小┤階和┪褰諄サ鞣至俊
2 預(yù)失真基本原理及其自適應(yīng)
預(yù)失真就是在信號(hào)通過放大器之前通過預(yù)失真器對信號(hào)做一個(gè)與放大器失真特性相反的失真,然后與放大器級聯(lián),從而保證輸出信號(hào)相對輸入信號(hào)是線性變化。預(yù)失真器產(chǎn)生一個(gè)非線性的轉(zhuǎn)移特性,這個(gè)轉(zhuǎn)移特性在相位上與放大器轉(zhuǎn)移特性相反,實(shí)質(zhì)上就是一個(gè)非線性發(fā)生器。其原理圖如圖1所示。
圖1 預(yù)失真基本原理
預(yù)失真器的實(shí)現(xiàn)通常有查詢表法和非線性函數(shù)兩種方式[2]。由于查表法結(jié)構(gòu)簡單,易于實(shí)現(xiàn),早期的預(yù)失真多采用此方法,但它對性能的改善程度取決于表項(xiàng)的大小,性能改善越大,需要的表項(xiàng)越大,所需要的存儲(chǔ)空間也越大,每次查找遍歷表項(xiàng)的每個(gè)數(shù)據(jù)和更新表項(xiàng)所需要的時(shí)間和計(jì)算時(shí)間也越長,因此在高速信息傳輸?shù)慕裉煲呀?jīng)不可取。非線性函數(shù)法是用一個(gè)非線性工作函數(shù)來擬合放大器輸出信號(hào)采樣值及其輸入信號(hào)的工作曲線,然后根據(jù)預(yù)失真器特性與放大器特性相反,求出預(yù)失真器的非線性特性函數(shù),從而對發(fā)送信號(hào)進(jìn)行預(yù)失真處理。這種方法只需要更新非線性函數(shù)的幾個(gè)系數(shù),而不需要大的存儲(chǔ)空間,因此是近年來研究的熱點(diǎn)。
假設(shè)預(yù)失真器傳輸函數(shù)為F(x),放大器傳輸函數(shù)為G(x),F和G均為復(fù)函數(shù)。若輸入信號(hào)為x(t),則經(jīng)過預(yù)失真器之后的信號(hào)為u(t)=F[x(t)],放大器輸出函數(shù)為y(t)=G[u(t)]=G{F[x(t)]},預(yù)失真的目的就是使x(t)通過預(yù)失真器和放大器級聯(lián)后輸出y(t)=ax(t),a為放大器增益。通過一定的方法可以找到合適的F,使實(shí)際輸出和期望輸出的誤差最小。
由于溫度、電器特性、使用環(huán)境等因素的不斷變化,放大器的傳輸特性也會(huì)發(fā)生變化,從而預(yù)失真器傳輸函數(shù)F(x)的各參數(shù)也會(huì)隨之而變化,因此現(xiàn)代數(shù)字預(yù)失真技術(shù)一般都要采用自適應(yīng)技術(shù)以跟蹤調(diào)整參數(shù)的變化。目前常用的兩種自適應(yīng)預(yù)失真結(jié)構(gòu)如圖2、圖3所示。
圖2 自適應(yīng)預(yù)失真系統(tǒng)結(jié)構(gòu)圖
圖3 復(fù)制粘帖式自適應(yīng)預(yù)失真系統(tǒng)結(jié)構(gòu)圖
圖2是一般的通用自適應(yīng)結(jié)構(gòu),結(jié)構(gòu)簡單,思路明確,但一些經(jīng)典的自適應(yīng)算法由于多了放大器求導(dǎo)項(xiàng)而不能直接應(yīng)用,且需要辨識(shí)放大器的傳輸特性,而圖3的復(fù)制粘帖式結(jié)構(gòu)(非直接學(xué)習(xí))則不存在這些問題,關(guān)于這種結(jié)構(gòu)的優(yōu)缺點(diǎn)比較和具體性能分析見文獻(xiàn)[3]。本文將采用后一種自適應(yīng)結(jié)構(gòu)。
3 基于一種單入雙出式神經(jīng)網(wǎng)絡(luò)的自適應(yīng)預(yù)失真技術(shù)
3.1 神經(jīng)網(wǎng)絡(luò)
神經(jīng)網(wǎng)絡(luò)是基于生物學(xué)神經(jīng)元網(wǎng)絡(luò)的基本原理而建立的。它是由許多稱為神經(jīng)元的簡單處理單元組成的一類自適應(yīng)系統(tǒng),所有神經(jīng)元通過前向或回饋的方式相互關(guān)聯(lián)、相互作用。由Minsky和Papert提出的多層前向神經(jīng)元網(wǎng)絡(luò)是目前最為常用的網(wǎng)絡(luò)結(jié)構(gòu),已廣泛應(yīng)用到模式分類和函數(shù)逼近中,且已證明含有任意多個(gè)隱層神經(jīng)元的多層前向神經(jīng)元網(wǎng)絡(luò)可以逼近任意的連續(xù)函數(shù)[4]。本文利用神經(jīng)網(wǎng)絡(luò)的這種功能來擬合預(yù)失真器的特性曲線,并且用改進(jìn)的反向傳播算法來自適應(yīng)更新系數(shù)。
多層前向神經(jīng)元網(wǎng)絡(luò)由輸入層、一個(gè)或多個(gè)隱層和輸出層并以前向方式連接而成,其每一層又由許多人工神經(jīng)元組成,前一層的輸出作為下一層神經(jīng)元的輸入數(shù)據(jù)。三層前向神經(jīng)元網(wǎng)絡(luò)示意圖如圖4所示,其中輸入層有M個(gè)人工神經(jīng)元,隱層有K個(gè)神經(jīng)元,輸出層有N個(gè)神經(jīng)元。關(guān)于人工神經(jīng)元的具體介紹參考文獻(xiàn)[5-6]。
圖4 三層前向神經(jīng)元網(wǎng)絡(luò)
3.2 基于單入雙出式神經(jīng)網(wǎng)絡(luò)的自適應(yīng)預(yù)失真系統(tǒng)模型
對于圖5所示的單入雙出式三層前向神經(jīng)網(wǎng)絡(luò),假設(shè)隱層包含K個(gè)神經(jīng)元。輸入數(shù)據(jù)經(jīng)過一系列權(quán)系數(shù){w11,w12,…w1K}加權(quán)后到達(dá)隱層的各個(gè)神經(jīng)元。隱層中的神經(jīng)元將輸入進(jìn)來的數(shù)據(jù)通過一個(gè)激勵(lì)函數(shù)(核函數(shù)),將其各神經(jīng)元的輸出經(jīng)過一系列權(quán)系數(shù){w21,w22,…,w2K}和{w31,w32,…,w3K}加權(quán)并求和后分別作為輸入層第一個(gè)神經(jīng)元和第二個(gè)神經(jīng)元的輸入,然后各神經(jīng)元的輸入通過激勵(lì)函數(shù)得到兩個(gè)輸出。
將圖5代替圖3中的函數(shù)發(fā)生器,即得到本文中所提到的基于單入雙出式前向神經(jīng)網(wǎng)絡(luò)的預(yù)失真器結(jié)構(gòu)圖,如圖6所示。
神經(jīng)網(wǎng)絡(luò)的三組系數(shù)向量開始都隨機(jī)初始化。設(shè)輸入序列為xi(i=1,2,…),通過幅度提取和相位提取后得到信號(hào)的幅度序列和相位序列。若神經(jīng)網(wǎng)絡(luò)的輸入為原始輸入序列的幅度序列ri(i=1,2,…),則隱層各單元輸入I1k=w1kri-θ1k。經(jīng)過核函數(shù)后,隱層各單元的輸出為J1k=f(I1k),其中f(x)=11+e-x為核函數(shù),輸出層的靜輸入為z1=∑Kk=1w2k*J1k-θ1,z2=∑Kk=1w3k*J1k-θ2,輸出層神經(jīng)元1的輸出,即預(yù)失真器幅度預(yù)失真分量為U1=f(z1)。
圖5 單入雙出三層前向神經(jīng)元網(wǎng)絡(luò)
圖6 單入雙出式前向神經(jīng)網(wǎng)絡(luò)預(yù)失真器結(jié)構(gòu)圖
由于相位失真分量的輸出范圍沒有限制在0和1之間,因此不能用核函數(shù)加以限制,這里設(shè)定輸出層神經(jīng)元2的輸出等于其輸入,即預(yù)失真器相位預(yù)失真分量為U2=z2,最后預(yù)失真后的幅度和相位和的指數(shù)相乘得到送入功放的復(fù)信號(hào)。功率放大器的輸出信號(hào)設(shè)為yi(i=1,2,…),其幅度和相偏分別為yai(i=1,2,…)和ypi(i=1,2,…)。最后整個(gè)系統(tǒng)的幅度絕對誤差為ea(i)=Gri-ya(i),相位絕對誤差為ep(i)=U2(i)+yp(i),整個(gè)系統(tǒng)的絕對誤差和為e(i)=ea(i)+ep(i),然而直接把此誤差運(yùn)用到反向傳播算法(BP算法)中會(huì)導(dǎo)致算法出現(xiàn)局部收斂且收斂速度極慢。因此本文對誤差信號(hào)做了改進(jìn),即把誤差信號(hào)改為:
e(i)=12[λ(ea(i)]2+(1-λ)φ[ea(i)]+
λ[ep(i)]2+(1-λ)φ[ep(i)]
其中:φ(x)=In[cos(βx)]/β,加入的調(diào)整因子λ和輔助項(xiàng)φ,能把算法從局部收斂點(diǎn)拉出來,且收斂速度得到一定的提高。最后根據(jù)反向傳播算法,得到訓(xùn)練神經(jīng)網(wǎng)絡(luò)的權(quán)系數(shù)更新式如下(下標(biāo)2為隱層到輸出層權(quán)系數(shù),下標(biāo)1為輸入層到隱層權(quán)系數(shù)):
δ2a(i)=ca(i)*[1+U1(i)]*[1-U1(i)](3)
δ2p(i)=cp(i)(4)
w2(i)=α*δ2a(i)*J1+η*w2(i-1)(5)
θ2(i)=α*δ2a(i)+η*θ2(i-1)(6)
w3(i)=-α*δ2p(i)*J1+η*w3(i-1)(7)
θ3(i)=-α*δ2p(i)+η*θ2(i-1)(8)
δ1(i)=(δ2a(i)*w2-δ2p(i)*w3)*
J1(i)*[1-J1(i)](9)
w1(i)=β*δ1(i)*ri+η*w1(i-1)(10)
θ1(i)=β*δ1(i)+η*θ1(i)(11)
式中:ca(i)=λea(i)-1-λ2tan[β*ea(i)];cp(i)=λ*ep(i)-1-λ2tan[β*ep(i)]。
預(yù)失真權(quán)系數(shù)可分為訓(xùn)練和跟蹤兩個(gè)階段。根據(jù)上面的迭代公式,得到一組訓(xùn)練神經(jīng)網(wǎng)絡(luò)的權(quán)系數(shù),用當(dāng)前的權(quán)系數(shù)替代預(yù)失真器神經(jīng)網(wǎng)絡(luò)中原來的權(quán)系數(shù),得到一組新的預(yù)失真系數(shù),之后重新計(jì)算誤差,繼續(xù)上面的過程循環(huán)迭代運(yùn)算,直到誤差小于規(guī)定的范圍,即整個(gè)系統(tǒng)收斂,則預(yù)失真器訓(xùn)練完成,此時(shí)為訓(xùn)練階段。之后隨著溫度、輸入的調(diào)制信號(hào)不同,以及環(huán)境等變化可能引起功放特性的變化,可以設(shè)置一個(gè)誤差門限值,一旦發(fā)現(xiàn)誤差超過此門限,立即重新啟動(dòng)上面的循環(huán)迭代,重新訓(xùn)練,直到滿足條件,此時(shí)為跟蹤階段。這種改進(jìn)型BP算法的收斂速度快,能滿足實(shí)時(shí)運(yùn)算的要求。同時(shí)在硬件實(shí)現(xiàn)上,只要做一個(gè)核函數(shù)發(fā)生器,其他都是乘累加運(yùn)算,硬件實(shí)現(xiàn)要簡單得多,因此具有一定的實(shí)用性。
4 性能仿真
文中使用雙音信號(hào)進(jìn)行了仿真分析,雙音信號(hào)為:
xs=0.5[sin(2π×10×t)+sin(2π×8×t)]
放大器模型采用經(jīng)典salef[9]模型,神經(jīng)網(wǎng)絡(luò)的隱層數(shù)設(shè)為15。圖7為雙音信號(hào)原始頻譜。
圖8是為雙音信號(hào)直接通過放大器和通過文中所提的預(yù)失真網(wǎng)絡(luò)后再通過放大器的頻譜圖對比。由此可見,雙音信號(hào)直接通過放大器后產(chǎn)生了較大的失真,其中的三階互調(diào)達(dá)到了-16 dB,五階互調(diào)也有-29 dB。通過對文中所提神經(jīng)網(wǎng)絡(luò)預(yù)失真系統(tǒng)進(jìn)行處理后,即信號(hào)通過預(yù)失真器再通過放大器后,三階互調(diào)被抑制到-42 dB,五階互調(diào)也被抑制到-48 dB以下,此時(shí)三階互調(diào)改善26 dB,五階互調(diào)改善19 dB,使放大器的非線性失真得到較大的抑制。
圖7 原始信號(hào)歸一化頻譜圖
圖8 預(yù)失真前后信號(hào)歸一化頻譜圖
下面以16QAM信號(hào)為例,說明這種預(yù)失真技術(shù)對功放非線性特性的改善,如圖9所示。
圖9(a)為16QAM信號(hào)規(guī)則星座圖,調(diào)制信號(hào)均勻地分布在正方形的16個(gè)點(diǎn)上;圖9(b)為16QAM信號(hào)經(jīng)過功率放大器后解調(diào)的星座圖。由圖可見,信號(hào)經(jīng)過放大器后,幅度受到壓縮,相位發(fā)生偏移,并且輸入信號(hào)幅度越大,輸出信號(hào)幅度壓縮越大,相位偏移越嚴(yán)重,最后出現(xiàn)嚴(yán)重的“云團(tuán)效應(yīng)”,使得接收端不能正確解調(diào)信號(hào)。圖9(c)是經(jīng)過本節(jié)所提出的單入雙出式神經(jīng)網(wǎng)絡(luò)預(yù)失真器處理后解調(diào)信號(hào)的星座圖。由圖可見,經(jīng)過預(yù)失真處理后,由于放大器非線性引起的幅度壓縮和相位旋轉(zhuǎn)都得到較好的糾正,“云團(tuán)效應(yīng)”明顯減弱,最后各個(gè)點(diǎn)基本都在理想點(diǎn)上,與┩9(a)對比,基本消除了失真。
5 結(jié) 語
針對放大器固有的非線性特性問題,從數(shù)學(xué)上分析了放大器的非線性失真,介紹了基于預(yù)失真基本原理和神經(jīng)網(wǎng)絡(luò)基本概念,提出了一種單入雙出式神經(jīng)網(wǎng)絡(luò)自適應(yīng)預(yù)失真技術(shù)。仿真結(jié)果表明,該技術(shù)能對三階互調(diào)能抑制29 dB左右,對五階互調(diào)能抑制19 dB左右,對QAM調(diào)制信號(hào)由于放大器非線性引起的幅度壓縮和相位旋轉(zhuǎn)都得到較好的糾正,在很大程度上克服了放大器非線性特性,改善了通信系統(tǒng)的性能。
圖9 16QAM信號(hào)星座圖失真及改善對比
參考文獻(xiàn)
[1]趙慧,漆蘭芬.射頻放大器的工作函數(shù)預(yù)失真線性化[J].無線電工程,2001,31(12):58-61.
[2]賈建華,劉戰(zhàn)勝.關(guān)于自適應(yīng)預(yù)失真射頻功率放大器線性化研究[J].微波學(xué)報(bào),2005,21(3):48-50.
[3]錢業(yè)青.一種高效的用于RF功率放大器線性化的自適應(yīng)預(yù)失真結(jié)構(gòu)[J].通信學(xué)報(bào),2006,27(5):35-40,46.
[4]CYBENKO G. Approximations by superpositions of a sigmoidal function[J]. Mathematics of Control, Signals and Systems, 1989(2): 183-192.
[5]劉寶碇,趙瑞清,王綱.不確定規(guī)劃及應(yīng)用[M].北京:清華大學(xué)出版社,2003.
[6]朱劍英.只能系統(tǒng)非經(jīng)典數(shù)學(xué)方法[M].武漢:華中科技大學(xué)出版社,2001.
[7]WU Shan-yin, SIMON H S F, WONG Y M. The use of nonlinear curvefitting in digital predistortion for linearizing RF power amplifiers[J]. IEEE ICICS, 2005, 3: 960-963.
[8]GLENTIS G O, BERBERDIS K, THEODORIDID S. Efficient least sqares adaptive algorithms for FIR transversal filtering[J].IEEE Signal Processing Magazine,1999,16(4):13-41.
【關(guān)鍵詞】BP神經(jīng)網(wǎng)絡(luò)；遺傳算法；變壓器；故障診斷
1 引言
變壓器作為電力系統(tǒng)重要的變電設(shè)備，其運(yùn)行狀態(tài)直接影響到供電的可靠性和整個(gè)系統(tǒng)的正常運(yùn)行。一旦發(fā)生事故，將對電力系統(tǒng)和終端用戶造成嚴(yán)重的影響。因此研究變壓器故障診斷技術(shù)，對電力系統(tǒng)安全運(yùn)行有著重要的現(xiàn)實(shí)意義。
對變壓器油中溶解氣體進(jìn)行色譜分析（DGA）是變壓器內(nèi)部故障診斷的一種重要的手段。基于此技術(shù)，采用具有高度的非線性映射以及自組織、自學(xué)習(xí)能力的人工神經(jīng)網(wǎng)絡(luò)，現(xiàn)階段在進(jìn)行故障診斷時(shí)多采用BP神經(jīng)網(wǎng)絡(luò)。BP算法是基于梯度的方法，容易陷入局部極小值，且收斂速度慢。GA遺傳算法的發(fā)展為我們提供了一個(gè)全局的、穩(wěn)健的搜索優(yōu)化方法，本文充分利用GA具有不受函數(shù)可微與連續(xù)的制約，并且能達(dá)到全局最優(yōu)的特點(diǎn)，由GA尋找最優(yōu)的BP網(wǎng)絡(luò)權(quán)值與相應(yīng)節(jié)點(diǎn)的閾值，并加入動(dòng)量因子，此方法彌補(bǔ)了傳統(tǒng)優(yōu)化方法的不足，極大地改善了BP網(wǎng)絡(luò)的性能。
2 BP神經(jīng)網(wǎng)絡(luò)及遺傳算法原理
2.1 BP神經(jīng)網(wǎng)絡(luò)的基本原理
BP神經(jīng)網(wǎng)絡(luò)是一種利用反向傳播訓(xùn)練算法的前饋型神經(jīng)網(wǎng)絡(luò)，BP學(xué)習(xí)算法基本原理是梯度最速下降法，中心思想是調(diào)整權(quán)值使網(wǎng)絡(luò)總誤差最小，即采用梯度搜索技術(shù)，以使其網(wǎng)絡(luò)的實(shí)際輸出值與期望輸出值的誤差均方值為最小。
BP學(xué)習(xí)算法包括前向傳播和誤差反向傳播兩個(gè)學(xué)習(xí)階段。當(dāng)給定網(wǎng)絡(luò)的一個(gè)輸入模式時(shí)，輸入信號(hào)經(jīng)隱層逐層處理后傳到輸出層，并由輸出層處理后產(chǎn)生一個(gè)輸出模式，稱為前向傳播；當(dāng)輸出響應(yīng)與期望的輸出模式有誤差時(shí)，則轉(zhuǎn)入誤差反向傳播。即將誤差值沿原來的連接通路逐層反向傳播直至輸入層，并修正各層連接權(quán)值。對于給定的一組訓(xùn)練模式，不斷地重復(fù)前向傳播和誤差反向傳播的過程，通過沿途修改各層神經(jīng)元間的連接權(quán)和神經(jīng)元閾值使得誤差達(dá)到最小。當(dāng)各個(gè)訓(xùn)練模式都滿足要求時(shí)，就說BP網(wǎng)絡(luò)已學(xué)習(xí)好。BP神經(jīng)網(wǎng)絡(luò)模型的基本結(jié)構(gòu)如圖1。
2.2 附加動(dòng)量的BP神經(jīng)網(wǎng)絡(luò)
傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練在修正權(quán)值時(shí)，是按著k時(shí)刻的負(fù)梯度方式進(jìn)行修正，而忽略了之前積累的經(jīng)驗(yàn)，導(dǎo)致權(quán)值的學(xué)習(xí)過程發(fā)生振蕩，收斂緩慢。因此提出加入動(dòng)量因子a，此時(shí)k+1時(shí)刻的權(quán)值為：
附加動(dòng)量法總是力圖使同一梯度方向上的修正量增加。這種方法加速了收斂速度，并在一定程度上減小了陷入局部極小的概率。
2.3 GA遺傳算法的基本原理
GA是模擬自然界優(yōu)勝劣汰的進(jìn)化現(xiàn)象，把搜索空間映射為遺傳空間，把可能的解編碼成一個(gè)向量（染色體），向量的每個(gè)元素稱為基因。通過不斷計(jì)算各染色體的適應(yīng)值，選擇最好的染色體，獲得最優(yōu)解。
首先把問題解用遺傳表示出來，在對種群中的個(gè)體進(jìn)行逐個(gè)解碼并根據(jù)目標(biāo)函數(shù)計(jì)算其適應(yīng)值。根據(jù)適應(yīng)值的大小而決定某些個(gè)體是否得以存活的操作，把適應(yīng)值高的個(gè)體取出復(fù)制再生，再將兩個(gè)個(gè)體的某些部分互換并重新組合而成新的個(gè)體，經(jīng)過交叉后隨機(jī)地改變個(gè)體的某些基因位從而產(chǎn)生新的染色體。這樣的過程反復(fù)循環(huán)，經(jīng)過若干代后，算法就收斂到一個(gè)最優(yōu)的個(gè)體，問題最終獲得全局最優(yōu)解。GA流程圖如圖2所示：
3 GA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷模型設(shè)計(jì)
GA-BP算法主要思想是：先利用神經(jīng)網(wǎng)絡(luò)試探出最好的網(wǎng)絡(luò)的隱層節(jié)點(diǎn)數(shù)，再利用遺傳算法在整體尋優(yōu)的特點(diǎn)將網(wǎng)絡(luò)的權(quán)值優(yōu)化到一個(gè)較小的范圍，進(jìn)而用BP算法繼續(xù)優(yōu)化。
3.1 BP網(wǎng)絡(luò)的建立
（1）輸入模式的確定
本文為了充分利用在線監(jiān)測中的特征氣體而又不使輸入量過大，特取C2H2/C2H4、C2H4/C2H6、CH4/H2的比值歸一后作為輸入矢量。
（2）輸出模式的確定
本文對輸出層采用正常、低溫過熱、中溫過熱、高溫過熱、局部放電、低能放電、高能放電共7個(gè)神經(jīng)元。輸出值最大為l，數(shù)值越大則表明該類型的故障的可能性和嚴(yán)重程度也越大，如表2.1：
（3）隱含層神經(jīng)元數(shù)確定
本文參考關(guān)于隱含層神經(jīng)元數(shù)的理論研究和經(jīng)驗(yàn)公式，獲得理論值為5～15。再利用matlab 軟件，通過試湊法對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，將隱層節(jié)點(diǎn)設(shè)置為6、8、10、12、14，將其輸入計(jì)算機(jī)，在相同訓(xùn)練條件下進(jìn)行訓(xùn)練，得知隱層節(jié)點(diǎn)數(shù)為12時(shí)網(wǎng)絡(luò)收斂性能好，收斂時(shí)間較短。故選節(jié)點(diǎn)數(shù)為12。
綜上所述，本文構(gòu)建一個(gè)輸入層為3，隱含層為12，輸出層為7的BP神經(jīng)網(wǎng)絡(luò)。
3.2 GA對BP網(wǎng)絡(luò)進(jìn)行優(yōu)化
（1）初始化種群P、以及權(quán)值、閾值初始化；在編碼中，采用實(shí)數(shù)進(jìn)行編碼，本文初始種群取30；
（2）計(jì)算每一個(gè)個(gè)體評價(jià)函數(shù)，并將其排序；可按下式概率值選擇網(wǎng)絡(luò)個(gè)體：
其中 i為染色體個(gè)數(shù)，k為輸出層節(jié)點(diǎn)數(shù)，YK為訓(xùn)練值，P為學(xué)習(xí)樣本數(shù)，T為期望目標(biāo)值；
（3）進(jìn)行選擇復(fù)制、交叉、變異遺傳操作；
（4）將新個(gè)體插入到種群P中，并計(jì)算新個(gè)體的評價(jià)函數(shù)；
（5）計(jì)算BP的誤差平方和，若達(dá)到預(yù)定值則進(jìn)行BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，否則重復(fù)進(jìn)行遺傳操作；
（6）結(jié)束GA操作，以GA遺傳出的優(yōu)化初值作為初始權(quán)值，運(yùn)用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，計(jì)算其誤差，并不斷修改其權(quán)值和閾值，直至滿足精度要求，此時(shí)說明BP網(wǎng)絡(luò)已經(jīng)訓(xùn)練好，保存網(wǎng)絡(luò)權(quán)值和閾值。
4 故障診斷系統(tǒng)的仿真
本文選取了具有代表性的30組作為訓(xùn)練樣本， 在建立的GA-BP變壓器故障診斷網(wǎng)絡(luò)中輸入樣本進(jìn)行訓(xùn)練，其遺傳算法適應(yīng)度曲線、誤差平方和曲線和GA-BP的訓(xùn)練目標(biāo)曲線圖分別見圖3、圖4和圖5。
從圖中可以看出，適應(yīng)度較高的個(gè)體被遺傳了下來，適應(yīng)度較低的則被淘汰；GA進(jìn)行了150代的遺傳操作達(dá)到了目標(biāo)值；GA-BP算法進(jìn)行了106步左右就收斂到指定精度0.0005。由此看出，此GA優(yōu)化BP建立的變壓器故障診斷模型的收斂精度和收斂速度都比較高。
采用實(shí)際檢測到的10組電力變壓器故障實(shí)例（表2）來驗(yàn)證網(wǎng)絡(luò)性能，神經(jīng)網(wǎng)絡(luò)診斷結(jié)果和實(shí)際故障結(jié)果的比較，如表3所示：
由表3可見，基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷系統(tǒng)在故障診斷中達(dá)到了很高的準(zhǔn)確率，能較好地滿足變壓器故障診斷的要求，極大的提高了診斷的可靠性和準(zhǔn)確性。
5 結(jié)束語
文中將遺傳算法與BP網(wǎng)絡(luò)相結(jié)合，在DGA的基礎(chǔ)上設(shè)計(jì)了適用于變壓器故障診斷的3-12-7結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)。先對網(wǎng)絡(luò)的權(quán)值閾值進(jìn)行GA算法處理，并在傳統(tǒng)的BP算法中加入動(dòng)量因子，通過MATLAB編程實(shí)現(xiàn)了GA優(yōu)化BP網(wǎng)絡(luò)。通過仿真分析可知GA優(yōu)化BP網(wǎng)絡(luò)收斂性能的提高改善了BP網(wǎng)絡(luò)的學(xué)習(xí)效率，并在下一步的診斷工作中體現(xiàn)其高準(zhǔn)確率，推廣了此優(yōu)化網(wǎng)絡(luò)在變壓器故障診斷的實(shí)用性。
參考文獻(xiàn)：
[1]張緒錦，譚劍波，韓江洪.基于BP神經(jīng)網(wǎng)絡(luò)的故障診斷方法[J].系統(tǒng)工程理論與實(shí)踐，2002（6）.
[2]王少芳，蔡金錠.GA―BP混合算法在變壓器色譜診斷法中的應(yīng)用[J].高電壓技術(shù)，2003（7）.
[3]鄭高，戴玉松.人工智能方法在變壓器故障診斷中的應(yīng)用[J].四川工業(yè)學(xué)院報(bào)，2004 （5）.
[4]李國勇.智能控制機(jī)器MATLAB實(shí)現(xiàn)[M].電子工業(yè)出版社，2005.
[5]徐志鈕，律方成.多神經(jīng)網(wǎng)絡(luò)方法在變壓器油色譜故障診斷中的應(yīng)用[J].高壓電器，2005（3）.
關(guān)鍵詞：滑坡 F-A-M 橋梁易損度
中圖分類號(hào)：U4 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-0745（2013）05-0252-02
1.引言
高速公路不斷向西部山區(qū)發(fā)展，山區(qū)特殊的地質(zhì)水溫狀況，使得滑坡等地質(zhì)災(zāi)害頻發(fā)，橋梁作為帶狀結(jié)構(gòu)物不免要受到滑坡的破壞，對滑坡區(qū)的橋梁進(jìn)行滑坡易損性風(fēng)險(xiǎn)評估，為施工單位提供參考。所謂F-A-M法就是神經(jīng)網(wǎng)絡(luò)-有限元-蒙特卡羅模擬計(jì)算方法。以往利用有限元計(jì)算概率的方法的計(jì)算量過于龐大，利用F-A-M法則可避免這一弊端。
2.F-A-M法的原理
2.1. F-A-M法的基本原理及思路
基于F-A-M的風(fēng)險(xiǎn)概率計(jì)算方法，是以有限元軟件計(jì)算、神經(jīng)網(wǎng)絡(luò)仿真分析、蒙特卡羅方法模擬為基礎(chǔ)，通過有限元軟件數(shù)值計(jì)算來建立一個(gè)可靠的神經(jīng)網(wǎng)絡(luò)模型，然后根據(jù)蒙特卡羅模擬的有關(guān)理論，最終得到概率值。F-A-M法的基本思路為：首先建立描述問題相近的概率模型，并利用相似性把這個(gè)概率模型的某些特征（變量的均值方差等）與數(shù)學(xué)計(jì)算問題的解答聯(lián)系起來，然后對模型進(jìn)行隨機(jī)模擬和統(tǒng)計(jì)抽樣，最終利用所得結(jié)果求出這些特征的統(tǒng)計(jì)估值作為原來數(shù)學(xué)計(jì)算問題的近似解[1]。
2.2. F-A-M法的基本步驟
3.F-A-M法的實(shí)橋應(yīng)用
3.1 工程概況
該橋位于湖北省境內(nèi)，上部結(jié)構(gòu)為7*30m預(yù)應(yīng)力混凝土T型連續(xù)梁橋，雙柱式橋墩，U型擴(kuò)大基礎(chǔ)。橋位跨越處為三峽水庫蓄水淹沒區(qū)，兩側(cè)均為斜坡且都種植桔樹，其中一側(cè)坡度較大約50°。不良地質(zhì)為順層土坡，坡體表面堆積碎石土，結(jié)構(gòu)松散，下伏侏羅系的粉砂土，坡面與巖層產(chǎn)狀近一致，構(gòu)成順坡結(jié)構(gòu)，便道開挖不當(dāng)會(huì)導(dǎo)致坡體失穩(wěn)或坍滑。另外三峽庫區(qū)蓄水以后，導(dǎo)致坡腳長期浸泡的水中，極易引起土體失穩(wěn)而塌岸。
3.2 概率計(jì)算
通過有限元軟件MIDAS CIVIL建立模型如圖2。將利用巖土軟件計(jì)算得出12組滑坡沖擊力，將其加載到3號(hào)橋墩上，計(jì)算兩橋梁結(jié)構(gòu)的內(nèi)力。經(jīng)計(jì)算最危險(xiǎn)單元均位于墩底，結(jié)果見表1。圖3是第一組力計(jì)算的結(jié)果。
利用MATLAB建立神經(jīng)網(wǎng)絡(luò)，利用上面的數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)的訓(xùn)練與檢驗(yàn)。結(jié)果見表2所示。
由表2可知神經(jīng)網(wǎng)絡(luò)與有限元計(jì)算結(jié)果的誤差較小，最大的為3.66%，這對于山區(qū)橋梁滑坡易損性風(fēng)險(xiǎn)分析是足夠準(zhǔn)確的。
參考文獻(xiàn)：[2]中的計(jì)算公式計(jì)算橋墩的屈服彎矩M=6352.4KNm。根據(jù)蒙特卡羅原理，利用MATLAB編寫程序隨機(jī)產(chǎn)生多組隨機(jī)數(shù)，然后將各組隨機(jī)數(shù)分別帶入已經(jīng)訓(xùn)練好的網(wǎng)絡(luò)中，最后統(tǒng)計(jì)出超過屈服彎矩的值得個(gè)數(shù)，得到山區(qū)橋梁滑坡風(fēng)險(xiǎn)概率，詳見表3。
由表3可知隨著模擬次數(shù)的增加，概率趨于穩(wěn)定，并近似等于0.076。
4.結(jié)論
基于神經(jīng)網(wǎng)絡(luò)-有限元-蒙特卡羅（F-A-M）模擬計(jì)算方法很好的解決了傳統(tǒng)概率計(jì)算中遇到的橋梁結(jié)構(gòu)極限狀態(tài)函數(shù)呈隱式、高次非線性的問題。而且避免了單純使用有限元軟件計(jì)算風(fēng)險(xiǎn)概率的龐大計(jì)算量的難題，利用神經(jīng)網(wǎng)絡(luò)以及蒙特卡羅的原理大大減少了結(jié)構(gòu)有限元的計(jì)算次數(shù)，提高了計(jì)算效率。
參考文獻(xiàn)：
1基于貝葉斯算法的BP神經(jīng)網(wǎng)絡(luò)
1.1貝葉斯算法基于貝葉斯算法的BP神經(jīng)網(wǎng)絡(luò)是基于貝葉斯定理而發(fā)展出來的用于解決統(tǒng)計(jì)問題的方法，即任意一個(gè)待求量都可以看作是一個(gè)隨機(jī)變量，因此可以通過概率分布來對待求量進(jìn)行描述，這個(gè)概率是在抽樣前就有的關(guān)于待求量的先驗(yàn)概率分布。貝葉斯理論正是在沒有樣本信息時(shí)，只根據(jù)先驗(yàn)概率分布來求解待求量。而在有樣本后，則可根據(jù)總體、樣本和先驗(yàn)信息的聯(lián)合分布來對未知量進(jìn)行判斷。后驗(yàn)分布π（θ|x）是反映人們在抽樣后對隨機(jī)變量θ的認(rèn)識(shí)，其與先驗(yàn)分布即樣本x的差異是由于樣本出現(xiàn)后人們對θ的調(diào)整，即后驗(yàn)分布π（θ|x）為抽樣信息對先驗(yàn)分布π（θ）調(diào)整的結(jié)果[6]。
1.2貝葉斯算法BP神經(jīng)網(wǎng)絡(luò)基于貝葉斯算法的BP神經(jīng)網(wǎng)絡(luò)是一種以神經(jīng)網(wǎng)絡(luò)基本原理為構(gòu)架，通過引入貝葉斯推理有效地控制網(wǎng)絡(luò)模型的復(fù)雜度，進(jìn)而更好地解決非線性問題及其不確定性[7]。在BP神經(jīng)網(wǎng)絡(luò)中，訓(xùn)練樣本集為D（xm，Om），xm為輸入信號(hào)，Om為輸出節(jié)點(diǎn)，在一定的網(wǎng)絡(luò)結(jié)構(gòu)A與網(wǎng)絡(luò)參數(shù)W下，可以得到網(wǎng)絡(luò)的輸出由網(wǎng)絡(luò)的輸入D唯一的確定。網(wǎng)絡(luò)訓(xùn)練的目標(biāo)函數(shù)為誤差函數(shù)ED（D|W，A），則有。采用貝葉斯算法BP神經(jīng)網(wǎng)絡(luò)步驟如下：（1）確定網(wǎng)絡(luò)結(jié)構(gòu)A，初始化超參數(shù)α，β，對網(wǎng)絡(luò)參數(shù)W進(jìn)行賦值。（2）以最終目標(biāo)函數(shù)為M（W）最小為原則，對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，尋找最優(yōu)可能網(wǎng)絡(luò)參數(shù)W。（3）尋找最優(yōu)可能參數(shù)α，β。（4）采用不同初始網(wǎng)絡(luò)參數(shù)尋找最優(yōu)網(wǎng)絡(luò)參數(shù)。（5）對不同網(wǎng)絡(luò)結(jié)構(gòu)A，尋找最優(yōu)網(wǎng)絡(luò)參數(shù)。
2貝葉斯算法的BP神經(jīng)網(wǎng)絡(luò)量化結(jié)果分析
2.1訓(xùn)練樣本與測試樣本在對管道進(jìn)行磁化的過程中，最常用的方法是沿管道軸向進(jìn)行磁化，提取缺陷處沿軸向變化的漏磁場與沿周向變化的漏磁場，缺陷的長度信息主要由沿軸向變化漏磁場反應(yīng)，缺陷的寬度信息主要由沿周向變化的漏磁場反應(yīng)，而缺陷的深度信息則是由這兩個(gè)量共同反應(yīng)[9]。本文采用實(shí)驗(yàn)的方法獲取網(wǎng)絡(luò)所需樣本，這里以對陡壁缺陷的分析為例，研究貝葉斯算法的BP神經(jīng)網(wǎng)絡(luò)對陡壁缺陷量化的有效性。分別制作缺陷長度為3，3.5，4，4.5，5，5.5倍管道壁厚，寬度為0.5，1，1.5，2倍管道壁厚，深度為0.1，0.15，0.2，0.25倍管道壁厚，共得到96組測量結(jié)果，取其中80個(gè)缺陷特征作為網(wǎng)絡(luò)的訓(xùn)練樣本，剩余的16個(gè)缺陷特征作為測試樣本。
2.2長度的量化采用統(tǒng)計(jì)分析的方法選取與缺陷長度關(guān)系密切的特征量作為神經(jīng)網(wǎng)絡(luò)的輸入信號(hào)，將缺陷長度作為網(wǎng)絡(luò)的輸出信號(hào)來對網(wǎng)絡(luò)進(jìn)行訓(xùn)練。所選取主要特征有漏磁場軸向分量的靜態(tài)閾值截取長度、一階微分信號(hào)極小值的位置與周向變化漏磁場動(dòng)態(tài)閾值截取長度。分別對基本的BP神經(jīng)網(wǎng)絡(luò)與貝葉斯算法的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，當(dāng)均方誤差小于10-3時(shí)停止訓(xùn)練，得到兩種網(wǎng)絡(luò)的訓(xùn)練與學(xué)習(xí)過程如圖1所示。比較兩種算法訓(xùn)練過程可以看出貝葉斯算法的BP神經(jīng)網(wǎng)絡(luò)總共進(jìn)行了331次訓(xùn)練，而基本的BP神經(jīng)網(wǎng)絡(luò)總共進(jìn)行了1789次訓(xùn)練，可見貝葉斯算法的BP神經(jīng)網(wǎng)絡(luò)的收斂速率更快。用16組測試數(shù)據(jù)對兩種網(wǎng)絡(luò)長度的量化誤差進(jìn)行比較，得到量化后缺陷最大相對誤差與最小相對誤差如表1所示，對應(yīng)貝葉斯算法BP神經(jīng)網(wǎng)絡(luò)量化的缺陷如表2所示。從表2中可以看出，采用貝葉斯算法的BP神經(jīng)網(wǎng)絡(luò)量化得到的缺陷長度與設(shè)計(jì)值的誤差明顯小于基本的BP神經(jīng)網(wǎng)絡(luò)，最大相對誤差僅為0.05%。
2.3寬度的量化與缺陷長度的量化相似，采用統(tǒng)計(jì)分析的方法選取與缺陷寬度關(guān)系密切的特征量作為神經(jīng)網(wǎng)絡(luò)的輸入信號(hào)，將缺陷寬度作為網(wǎng)絡(luò)的輸出信號(hào)來對網(wǎng)絡(luò)進(jìn)行訓(xùn)練。所選取主要特征有軸向變化漏磁場峰谷值、周向變化漏磁場波形面積、波形能量、靜態(tài)閾值截取長度。分別對基本的BP神經(jīng)網(wǎng)絡(luò)與貝葉斯算法的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，當(dāng)均方誤差小于10-3時(shí)停止訓(xùn)練，得到兩種網(wǎng)絡(luò)的訓(xùn)練與學(xué)習(xí)過程如圖2所示。比較兩種算法訓(xùn)練過程可以看出貝葉斯算法的BP神經(jīng)網(wǎng)絡(luò)總共進(jìn)行了269次訓(xùn)練，而基本的BP神經(jīng)網(wǎng)絡(luò)總共進(jìn)行了2248次訓(xùn)練，可見引入貝葉斯算法后的BP神經(jīng)網(wǎng)絡(luò)的收斂速率大幅提升。與之前相同，用16組測試數(shù)據(jù)對兩種網(wǎng)絡(luò)寬度的量化誤差進(jìn)行比較，得到量化后缺陷誤差如表3所示，貝葉斯算法BP神經(jīng)網(wǎng)絡(luò)量化達(dá)到誤差的缺陷見表4。在對缺陷寬度進(jìn)行量化的過程中，盡管量化得到的最大相對誤差仍較大，采用貝葉斯算法的BP神經(jīng)網(wǎng)絡(luò)量化得到的缺陷寬度與設(shè)計(jì)值的誤差明顯小于基本的BP神經(jīng)網(wǎng)絡(luò)。
2.4深度的量化在對缺陷的深度進(jìn)行量化時(shí)，采用統(tǒng)計(jì)分析的方法選取了缺陷的長度、寬度以及軸向變化漏磁場的兩個(gè)峰谷值、波形面積、周向變化漏磁場峰值、峰谷值作為神經(jīng)網(wǎng)絡(luò)的輸入信號(hào)，將缺陷深度作為網(wǎng)絡(luò)的輸出信號(hào)來對網(wǎng)絡(luò)進(jìn)行訓(xùn)練。對基本的BP神經(jīng)網(wǎng)絡(luò)與貝葉斯算法的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到兩種網(wǎng)絡(luò)的訓(xùn)練與學(xué)習(xí)過程如圖3所示。貝葉斯算法BP神經(jīng)網(wǎng)絡(luò)總共進(jìn)行了4152次訓(xùn)練，基本的BP神經(jīng)網(wǎng)絡(luò)總共進(jìn)行了8763次訓(xùn)練，盡管引入貝葉斯算法BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程仍舊較長，但比基本BP神經(jīng)網(wǎng)絡(luò)的收斂速率有所提升。用16組測試數(shù)據(jù)對兩種網(wǎng)絡(luò)深度的量化誤差進(jìn)行比較，得到量化后缺陷誤差如表5所示，貝葉斯算法BP神經(jīng)網(wǎng)絡(luò)量化達(dá)到誤差的缺陷見表6。從對缺陷深度量化結(jié)果可以看出，采用貝葉斯算法的BP神經(jīng)網(wǎng)絡(luò)對缺陷深度進(jìn)行量化，得到的缺陷深度與設(shè)計(jì)值的誤差小于基本的BP神經(jīng)網(wǎng)絡(luò)。
3結(jié)束語
關(guān)鍵詞：BP人工神經(jīng)網(wǎng)絡(luò)模型；多元線性回歸；逐步回歸；擬合精度
中圖分類號(hào)：TP183；Q945.17 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：0439-8114（2014）02-0434-03
Application of Artificial Neural Network in Predicting Trunk Sap Flow
XIE Heng-xing1，ZHANG Zhen-hua2
（1.College of Chemistry and Life Science， Weinan Normal University， Weinan 714099， Shaanxi， China；
2. College of Geography and Planning， Ludong University， Yantai 264025， Shandong， China）
Abstract： The BP artificial neural network model， multi-linear regression model and stepwise regression model were used to fit trunk sap flow velocity and the fitted precision was compared. Results showed that the fitting effect was the best in BP artificial neural network model with a deciding coefficient of 0.944 3， the smauest relative error within the range of -31.120 0%～36.755 5%. In the fitting effect of sap flow， BP artificial neural network was the best one.
Key words： BP artificial neural network model； multi-linear regression； stepwise regression； fitting precision
液流是指蒸騰在植株體內(nèi)引起的上升流，植株根部吸收的水分99.8%以上消耗在蒸騰上[1]，而樹干是樹木液流通道的咽喉部位，因此通過精確測量樹干部位的液流速率、液流量可以基本反映植株的蒸騰狀況。熱技術(shù)是目前測量植株液流應(yīng)用最廣泛的方法[2]，熱技術(shù)根據(jù)不同的原理可分為熱脈沖法、熱平衡法和熱擴(kuò)散法[3]。國內(nèi)外學(xué)者應(yīng)用熱技術(shù)對植株液流進(jìn)行了研究，如劉奉覺等[4]、司建華等[5]應(yīng)用熱脈沖技術(shù)分別研究了楊樹和胡楊的液流；嚴(yán)昌榮等[6]、曹文強(qiáng)等[7]應(yīng)用熱平衡技術(shù)分別研究了胡桃楸和遼東櫟等樹木的液流；馬長明等[8]、孟平等[9]應(yīng)用熱擴(kuò)散技術(shù)對山楊和蘋果等樹木的液流進(jìn)行了研究。但研究多停留在對植株液流現(xiàn)象的描述上，對植株液流與環(huán)境因子的定量分析也僅僅是簡單的回歸分析或逐步回歸分析[4-9]，缺乏系統(tǒng)的量化研究。Ford等[10]利用熱擴(kuò)散技術(shù)觀測了火炬松的液流變化，并應(yīng)用ARIMA（差分自回歸移動(dòng)平均）模型擬合了土壤水分虧缺條件下火炬松樹冠蒸騰。人工神經(jīng)網(wǎng)絡(luò)是一個(gè)具有高度非線性的超大規(guī)模連續(xù)時(shí)間動(dòng)力系統(tǒng)，因其具有自學(xué)習(xí)功能、聯(lián)想存貯功能、高速尋找優(yōu)化解功能等優(yōu)點(diǎn)而在經(jīng)濟(jì)、化工、水文、農(nóng)業(yè)等領(lǐng)域得到了廣泛應(yīng)用[11-14]。樹干液流與環(huán)境因子之間很難建立一個(gè)準(zhǔn)確的數(shù)學(xué)方程[15]，本試驗(yàn)嘗試?yán)肂P人工神經(jīng)網(wǎng)絡(luò)模型來擬合液流速率，以求為液流速率和環(huán)境因子之間建立準(zhǔn)確的數(shù)量關(guān)系。
1 材料與方法
1.1 研究區(qū)概況
1.2 儀器安裝
2 結(jié)果與分析
2.1 BP人工神經(jīng)網(wǎng)絡(luò)基本原理
2.2 液流速率BP人工神經(jīng)網(wǎng)絡(luò)分析
3 結(jié)論
液流速率是植物蒸騰強(qiáng)弱的表現(xiàn)，蒸騰受溫度、濕度、風(fēng)速和太陽輻射諸多因子的影響，而環(huán)境因子之間又存在復(fù)雜的關(guān)系，這給液流速率的預(yù)測帶來了很大的難度。BP人工神經(jīng)網(wǎng)絡(luò)在超大規(guī)模非線性模擬中顯示了一定的優(yōu)越性，利用人工神經(jīng)網(wǎng)絡(luò)研究液流與環(huán)境因子的定量關(guān)系具有廣闊的適用性。本試驗(yàn)的擬合結(jié)果表明，BP人工神經(jīng)網(wǎng)絡(luò)模型明顯優(yōu)于多元線性回歸和逐步回歸模型，其液流速率的擬合值與觀察值相對誤差最小。
參考文獻(xiàn)：
[1] 王沙生，高榮孚，吳貫明.植物生理學(xué)[M]. 第二版.北京：中國林業(yè)出版社，1991.192.
[2] 孫慧珍，周曉峰，康紹忠.應(yīng)用熱技術(shù)研究樹干液流進(jìn)展[J].應(yīng)用生態(tài)學(xué)報(bào)，2004，15（6）：1074-1078.
[3] SWANSON R H. Significant historical developments in thermal methods for measuring sap flow in trees[J]. Agric For Meteorol，1994，72（1-2）：113-132.
[4] 劉奉覺，EDWARDS W R N，鄭世鍇，等.楊樹樹干液流時(shí)空動(dòng)態(tài)研究[J].林業(yè)科學(xué)研究，1993，6（4）：368-372.
[5] 司建華，馮 起，張小由.熱脈沖技術(shù)在確定胡楊幼樹干液流中的應(yīng)用[J].冰川凍土，2004，26（4）：503-508.
[6] 嚴(yán)昌榮，ALEC D，韓興國，等.北京山區(qū)落葉闊葉林中核桃楸在生長中期的樹干液流研究[J].生態(tài)學(xué)報(bào)，1999，19（6）：793-797.
[7] 曹文強(qiáng)，韓海榮，馬欽彥，等.山西太岳山遼東櫟夏季樹干液流通量研究[J].林業(yè)科學(xué)，2004，40（2）：174-177.
[8] 馬長明，管 偉，葉 兵，等.利用熱擴(kuò)散式邊材液流探針（TDP）對山楊樹干液流的研究[J].河北農(nóng)業(yè)大學(xué)學(xué)報(bào)，2005，28（1）：39-43.
[9] 孟 平，張勁松，王鶴松，等.蘋果樹蒸騰規(guī)律及其與冠層微氣象要素的關(guān)系[J].生態(tài)學(xué)報(bào)，2005，25（5）：1075-1081.
[10] FORD C R，GORANSON C E， MITCHELL R J， et al. Modeling canopy transpiration using time series analysis： A case study illustrating the effect of soil moisture deficit on Pinus taeda[J]. Agric Forest Meteorol， 2005，130（3-4）：163-175.
[11] 劉 艷，楊 鵬.基于ANN的預(yù)警指標(biāo)預(yù)測系統(tǒng)在企業(yè)經(jīng)濟(jì)運(yùn)行預(yù)警中的應(yīng)用[J].統(tǒng)計(jì)與決策，2006（4）：161-163.
[12] 胡燕瑜，桂衛(wèi)華，李勇剛，等.基于BP神經(jīng)網(wǎng)絡(luò)的熔融鋅液流量檢測[J].有色金屬，2003，55（3）：143-146.
[13] 過仲陽，陳中原，李綠芊，等.人工神經(jīng)網(wǎng)絡(luò)技術(shù)在水質(zhì)動(dòng)態(tài)預(yù)測中的應(yīng)用[J].華東師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2001（1）：84-89.
關(guān)鍵詞：智能車；電磁循跡；路徑識(shí)別；神經(jīng)網(wǎng)絡(luò)；偏差量
中圖分類號(hào)：TP391.41 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9599 （2012） 17-0000-02
1 引言
人工神經(jīng)網(wǎng)絡(luò)是模擬生物神經(jīng)系統(tǒng)建立起來的非線性動(dòng)力學(xué)系統(tǒng)具有自我學(xué)習(xí)、聯(lián)想存儲(chǔ)以及高速尋求最優(yōu)解的強(qiáng)大功能，它的分類能力和非線性映射能力使得它在系統(tǒng)辨識(shí)、模式識(shí)別、圖像處理、智能控制等領(lǐng)域有著廣泛而吸引人的前景，并且越來越多地被人們所運(yùn)用。
“飛思卡爾”杯全國大學(xué)生智能車競賽中的電磁組是依據(jù)電磁感應(yīng)原理，實(shí)現(xiàn)智能車的自動(dòng)循跡。以飛思卡爾公司生產(chǎn)的MC9S12XS128芯片作為微控制器，以通有固定頻率和電流值的導(dǎo)線作為目標(biāo)路徑，用電磁傳感器檢測智能車偏離導(dǎo)線的偏差量，配合舵機(jī)和電機(jī)的動(dòng)作在50cm寬的賽道上實(shí)現(xiàn)自動(dòng)循跡。其中偏差量的檢測與計(jì)算是智能車能否準(zhǔn)確快速跟蹤引導(dǎo)線的關(guān)鍵。當(dāng)前偏差量的計(jì)算算法主要有兩種，一種是取感應(yīng)電動(dòng)勢最大的傳感器位置作為線徑所在位置，這種方法本質(zhì)上以點(diǎn)來檢測，測量精度低，需要的傳感器數(shù)量大。另外一種是根據(jù)感應(yīng)電動(dòng)勢的特點(diǎn)，將兩個(gè)傳感器的感應(yīng)電動(dòng)勢作差值計(jì)算，得到電動(dòng)勢與偏差量之間的一個(gè)二次函數(shù)，這種方式計(jì)算是關(guān)于二次函數(shù)來進(jìn)行的，計(jì)算量大，對檢測的實(shí)時(shí)性會(huì)有所影響。本文提出的方案，是以電感線圈作為傳感器來檢測路徑，基于人工神經(jīng)網(wǎng)絡(luò)算法來計(jì)算車身相對引導(dǎo)線的偏移量，把樣本數(shù)據(jù)放在matlab環(huán)境下訓(xùn)練，得到滿足誤差要求的參數(shù)，然后將參
2 BP神經(jīng)網(wǎng)絡(luò)模型基本原理
BP神經(jīng)網(wǎng)絡(luò)由信息的正向傳播和誤差的反向傳播兩個(gè)過程組成。輸入層各神經(jīng)元負(fù)責(zé)接收來自外界的輸入信息，并傳遞給中間層各神經(jīng)元；中間層是內(nèi)部信息處理層，負(fù)責(zé)信息變換，中間層傳遞到輸出層各神經(jīng)元的信息，經(jīng)進(jìn)一步處理后，完成一次學(xué)習(xí)的正向傳播處理過程，由輸出層向外界輸出信息處理結(jié)果。當(dāng)實(shí)際輸出與期望輸出不符時(shí)，進(jìn)入誤差的反向傳播階段。誤差通過輸出層，按誤差梯度下降的方式修正各層權(quán)值，向隱層、輸入層逐層反向傳播。BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)如所示：
BP神經(jīng)網(wǎng)絡(luò)主要由輸入層、隱含層和輸出層構(gòu)成。輸入信號(hào)先向前傳播到隱含層節(jié)點(diǎn)，經(jīng)作用函數(shù)后，把隱節(jié)點(diǎn)的輸出信號(hào)傳播到輸出節(jié)點(diǎn)，最后得出輸出結(jié)果。本文中隱層節(jié)點(diǎn)的激勵(lì)函數(shù)選取雙曲正切S型函數(shù)，
（1）
在正向傳播過程中，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)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)。如果輸出層得不到期望的輸出，則轉(zhuǎn)入反向傳播，將誤差信號(hào)沿原來的連接通道返回，通過修改各層神經(jīng)元的權(quán)值，使得誤差信號(hào)最小。
前向傳播過程：
（1）隱層神經(jīng)元的輸入為輸入神經(jīng)元的加權(quán)和加上輸入層到隱層的閾值。
（2）
（2）隱層神經(jīng)元的輸出為：
（3）
（3）輸出層神經(jīng)元輸出為隱層神經(jīng)元的輸出加權(quán)和加上隱層到輸出層閾值。
（4）
網(wǎng)絡(luò)輸出y1與理想輸出y01的誤差e1為：
e1=y10-y1 （5）
反向傳播采用L-M優(yōu)化算法，調(diào)整各層間的權(quán)值。L-M算法是一種利用標(biāo)準(zhǔn)的數(shù)值優(yōu)化技術(shù)的快速算法，它是梯度下降法與高斯-牛頓法的結(jié)合。設(shè)W（k）表示第 k 次迭代的權(quán)值和閾值所組成的向量新的權(quán)值和閾值組成的向量W（k+1）可根據(jù)下面的規(guī)則求得：
（6）
對于L-M算法則有：
（7）
其中，J為雅克比矩陣。比例系數(shù)μ>0為常數(shù)，I為單位矩陣。當(dāng) μ=0即為高斯-牛頓法；當(dāng)μ取值很大則接近梯度下降法。實(shí)踐證明，采用L-M算法可以較原來的梯度下降法提高速度幾十甚至上百倍。本文采用L-M算法進(jìn)行訓(xùn)練。
3 Matlab中神經(jīng)網(wǎng)絡(luò)算法的實(shí)現(xiàn)
3.1 獲取樣本數(shù)據(jù)
根據(jù)麥克斯韋電磁場理論，通有交變電流的導(dǎo)線會(huì)在其周圍產(chǎn)生交變的電磁場，如果在里面放置一個(gè)電感線圈，電磁感應(yīng)作用會(huì)使線圈中產(chǎn)生交變的感應(yīng)電壓。智能車使用電感線圈作為傳感器檢測導(dǎo)線周圍磁場信息，由電磁學(xué)可知，水平放置的電感線圈在導(dǎo)線磁場內(nèi)的感應(yīng)電動(dòng)勢E=h/（h2+x2），h表示傳感器離導(dǎo)線的垂直距離，x代表傳感器距離導(dǎo)線的水平距離。假設(shè)h=5cm，x在±15cm內(nèi)電動(dòng)勢和水平距離的關(guān)系曲線如2所示：
經(jīng)過實(shí)際測試，使用四路傳感器比較合適。傳感器分布以車軸為中心，間隔為12cm 呈“一”字均勻排列構(gòu)成前瞻，傳感器距離水平面15cm，距離車身50cm。布局示意圖如圖3所示：
圖2電動(dòng)勢和水平距離的曲線圖 3前瞻分布示意圖
將傳感器的感應(yīng)電動(dòng)勢進(jìn)行檢波放大 ，把處理后的信號(hào)經(jīng)AD轉(zhuǎn)換得到傳感器信號(hào)值。轉(zhuǎn)換過程如圖4所示。
本系統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)的輸入為四路傳感器的感應(yīng)電壓信號(hào)，輸出為小車車身偏移引導(dǎo)線的水平偏移量，綜合考慮訓(xùn)練誤差和速度，設(shè)置隱含層得神經(jīng)元個(gè)數(shù)為10。訓(xùn)練目標(biāo)誤差平方和取為0.000005 ，訓(xùn)練次數(shù)為5000次。
3.2 智能車算法實(shí)現(xiàn)：
最終算法的實(shí)現(xiàn)需要將神經(jīng)網(wǎng)絡(luò)的訓(xùn)練好的權(quán)重和閾值移植到智能車的微控制器中去。通過BP神經(jīng)網(wǎng)絡(luò)對智能車采集到的輸入信號(hào)進(jìn)行處理運(yùn)算，計(jì)算得到的輸出層的神經(jīng)元輸出值就是當(dāng)前車軸中心線偏離引導(dǎo)線的偏差量，根據(jù)此值進(jìn)行相應(yīng)的打舵與調(diào)速操作，以實(shí)現(xiàn)智能車的快速穩(wěn)定循跡。
4 實(shí)驗(yàn)結(jié)果與分析
記錄并分析實(shí)驗(yàn)數(shù)據(jù)，matlab訓(xùn)練得到的實(shí)際輸出與理想輸出之間的關(guān)系如圖5所示：
由上圖可知，基于BP神經(jīng)網(wǎng)絡(luò)算法計(jì)算出的偏差量與理想偏差量之間的誤差在±1cm以內(nèi)。在“飛思卡爾”杯智能汽車競賽中，由于神經(jīng)網(wǎng)絡(luò)的非線性映射能力和高速尋求最優(yōu)解能力，把它應(yīng)用到智能車的循跡上來效果是很明顯的，它不需要計(jì)算感應(yīng)電動(dòng)勢和偏差量之間的非線性關(guān)系，把計(jì)算量很大的訓(xùn)練過程放在matlab環(huán)境下進(jìn)行，微控制器直接使用matlab下訓(xùn)練得到的參數(shù)就可以了。
5 結(jié)論
本文在當(dāng)前主流循跡算法的基礎(chǔ)上，提出了基于BP神經(jīng)網(wǎng)絡(luò)的路徑識(shí)別算法，并詳細(xì)敘述了基本原理和具體的實(shí)現(xiàn)方法。實(shí)驗(yàn)結(jié)果證明：使用BP神經(jīng)網(wǎng)絡(luò)計(jì)算得到的結(jié)果誤差在±1cm以內(nèi)，它可以大幅度地提高智能小車對環(huán)境的適應(yīng)性，從而降低系統(tǒng)對智能小車硬件的要求。但其激勵(lì)函數(shù)和學(xué)習(xí)算法仍需要深入研究，并且在實(shí)際運(yùn)用中還有待提高，以達(dá)到更好的應(yīng)用效果。
參考文獻(xiàn)：
[1]卓晴，黃開勝，邵貝貝.學(xué)做智能車[M].北京：北京航天航空出版社，2007.
[2]馬銳.人工神經(jīng)網(wǎng)絡(luò)原理[M].機(jī)械工業(yè)出版社，2010.
[3]張雨濃，楊逸文，李巍.神經(jīng)網(wǎng)絡(luò)權(quán)值直接確定法[M].中山大學(xué)出版社，2010.
[4]陳杰，黃鴻.傳感器與檢測技術(shù)[M].北京：高等教育出版社，2002.
[5]飛思卡爾競賽管理秘書處，電磁組競賽車模路徑檢測設(shè)計(jì)參考方案，2010.
[6]童詩白，華成英.模擬電子技術(shù)基礎(chǔ)[M].高等教育出版社，2000.
[7]傅薈璇，趙紅等.MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計(jì)[M].機(jī)械工業(yè)出版社，2010.
[8]CS12微控器原理及應(yīng)用[M].北京航天航空大學(xué)出版社，2007.
【關(guān)鍵詞】信用風(fēng)險(xiǎn)評估 判別分析 Logit模型 BP人工神經(jīng)網(wǎng)絡(luò)模型
一、引言
銀行在現(xiàn)代經(jīng)濟(jì)體系中發(fā)揮著非常重要的作用，尤其是在創(chuàng)造貨幣存款、實(shí)現(xiàn)金融政策效率、社會(huì)投資實(shí)現(xiàn)等方面都起到了舉足輕重的核心作用。信用風(fēng)險(xiǎn)評估是銀行信用風(fēng)險(xiǎn)管理的關(guān)鍵環(huán)節(jié)，關(guān)系到銀行自身的生存和經(jīng)濟(jì)社會(huì)的穩(wěn)定和繁榮，世界上所有國家都非常重視對銀行信用風(fēng)險(xiǎn)的監(jiān)管和評估，特別是發(fā)達(dá)國家更是對此關(guān)注度極高。我國商業(yè)銀行和金融市場仍處在轉(zhuǎn)軌和新興發(fā)展階段，信用風(fēng)險(xiǎn)管理方法和技術(shù)比較落后，因此加快我國信用風(fēng)險(xiǎn)評估方法研究顯得尤為必要和迫切。
信用風(fēng)險(xiǎn)評估方法的研究可以追溯到上世紀(jì)30年代，大致經(jīng)歷了比例分析、統(tǒng)計(jì)分析和人工智能三個(gè)階段。本文試圖通過闡述統(tǒng)計(jì)模型和人工智能模型中的典型代表來分別闡述其實(shí)現(xiàn)條件和過程，分析各種方法的不足，并對我國銀行信用風(fēng)險(xiǎn)評價(jià)方法給出評價(jià)和建議。
二、兩類銀行信用風(fēng)險(xiǎn)評估方法介紹
（一）傳統(tǒng)統(tǒng)計(jì)方法概述
傳統(tǒng)的統(tǒng)計(jì)分析方法主要是基于多元統(tǒng)計(jì)分析方法，其基本思路是根據(jù)已經(jīng)掌握的歷史上每個(gè)類別的若干樣本，從中分析出分類的規(guī)律，建立判別公式，用于新樣本的分類，典型的代表有多元判別分析（MDA）和Logit模型分析。
1.多元判別分析（MDA）。數(shù)理統(tǒng)計(jì)理論中判別分析模型主要有三類，分別是距離判別法、Bayes判別分析法、Fisher判別分析法；在三種判別分析方法中，距離判別法是根據(jù)個(gè)體到總體間的距離進(jìn)行判別；Bayes判別是在已知總體分布的條件下求得平均誤判概率最小的分類判別函數(shù)；Fisher判別是在未知總體分布函數(shù)的條件下，根據(jù)Fisher準(zhǔn)則得到的最優(yōu)線性判別函數(shù)，F(xiàn)isher準(zhǔn)則的基本思想就是利用一元方差分析思想，導(dǎo)出線性判別函數(shù)。
2.Logistic模型的提出。由于多元判別分析模型（MDA）在應(yīng)用的過程中要求有正態(tài)分布的假定，而在現(xiàn)實(shí)經(jīng)濟(jì)生活中常無法滿足，所以當(dāng)涉及到一些樣本數(shù)據(jù)不同分布于正態(tài)分布時(shí)，應(yīng)用MDA模型所得到的研究結(jié)果缺乏可信度，從而探索非同分布的方法就十分必要，其中最常見的一種方法就是應(yīng)用Logistic模型，Logit分析與MDA分析最本質(zhì)的差異就在于Logit分析不需要樣本滿足正態(tài)分布或同方差，其判別正確率高于判別分析結(jié)果。Logit模型采用logistic函數(shù)，函數(shù)形式如下：
Y=,η=с0+cixi；
其中xi（1≤i≤p）表示第i個(gè)指標(biāo)，ci是第i個(gè)指標(biāo)的系數(shù)，Y是因變量，因?yàn)閅∈（0,1），所以Y也可以理解為屬于某一類的概率。
由于logit分析無需假定任何的概率分布，所以就不需要類似于判別分析那樣先進(jìn)行檢驗(yàn)而是可以直接應(yīng)用樣本數(shù)據(jù)計(jì)算，以得到logit模型。
（二）人工智能模型（AI）概述
1.人工神經(jīng)網(wǎng)絡(luò)及BP神經(jīng)網(wǎng)絡(luò)概述。人工神經(jīng)網(wǎng)絡(luò)是一種具有模式識(shí)別能力的計(jì)算機(jī)制，它具有自組織、自適應(yīng)和自學(xué)習(xí)三大特點(diǎn)，它的編碼可以用于整個(gè)的權(quán)值網(wǎng)絡(luò)，不僅可以呈現(xiàn)分布式存儲(chǔ)，而且具有相當(dāng)大的容錯(cuò)能力。在人工神經(jīng)網(wǎng)絡(luò)中，下面提到的BP神經(jīng)網(wǎng)絡(luò)技術(shù)是算法最成熟且應(yīng)用最廣泛的一種。
2.BP神經(jīng)網(wǎng)絡(luò)的基本原理和算法。第一，BP神經(jīng)網(wǎng)絡(luò)的基本原理。
BP神經(jīng)網(wǎng)絡(luò)屬于前向三層即前饋式神經(jīng)網(wǎng)絡(luò)的一種典型分支代表，主要是由以下三個(gè)部分組成即輸入層、隱含層和輸出層組成。
第二，BP神經(jīng)網(wǎng)絡(luò)的基本算法。
BP學(xué)習(xí)算法的基本思想是通過由輸入層輸入的信息，傳導(dǎo)至隱層分析后再由輸出層輸出，如果輸出層的結(jié)果未達(dá)到期望值要求則計(jì)算每個(gè)神經(jīng)元的誤差值并且將這些誤差值重新反向傳遞到隱層的神經(jīng)元，根據(jù)誤差值調(diào)整各個(gè)神經(jīng)元的連接權(quán)值，直到誤差值達(dá)到了期望值的要求。
BP神經(jīng)網(wǎng)絡(luò)技術(shù)一般運(yùn)用傳遞函數(shù)來反映下層的輸入對上層節(jié)點(diǎn)的刺激脈沖強(qiáng)度，因此傳遞函數(shù)又稱為刺激函數(shù)，通常情況下取（0，1）內(nèi)連續(xù)取值Sigmoid函數(shù)。
Sigmoid函數(shù)函數(shù)可以表示為：
該函數(shù)可以用于計(jì)算和反映出實(shí)際的計(jì)算輸出與期望輸出間的誤差大小。
三、兩類方法存在問題的分析
（一）統(tǒng)計(jì)分析方法存在的問題
傳統(tǒng)統(tǒng)計(jì)分析模型是以歷史數(shù)據(jù)作為分析和建立模型的基礎(chǔ)，這些數(shù)據(jù)僅以會(huì)計(jì)賬面價(jià)值為原始來源，沒有將銀行貸款者的非財(cái)務(wù)因素納入模型當(dāng)中，并且這些會(huì)計(jì)賬面數(shù)據(jù)屬于離散和非連續(xù)性的數(shù)據(jù)類型，因此很難捕捉到這些銀行貸款者信用狀況細(xì)微和快速的變化，無法對貸款者的信用狀況做出比較全面的評價(jià)。另外，該類模型處理速度慢且數(shù)據(jù)的準(zhǔn)確性較差，屬于靜態(tài)模型沒有自主的調(diào)整能力。
（二）人工智能模型存在的問題
人工智能模型最大的缺陷在于指標(biāo)和加權(quán)值的確定帶有很大的主觀性和不確定性，造成在網(wǎng)絡(luò)結(jié)構(gòu)確定方面存在較大困難，另外該模型的訓(xùn)練效率比較低，解釋能力也比較差，在建模過程中經(jīng)常出現(xiàn)組合爆炸和過度擬合等問題。其典型代表神經(jīng)網(wǎng)絡(luò)系統(tǒng)的缺陷主要有以下幾個(gè)方面，第一，所謂“黑箱子”問題，即神經(jīng)網(wǎng)絡(luò)沒有辦法確定輸入變量之間的具體的函數(shù)關(guān)系，也無法產(chǎn)生有效的統(tǒng)計(jì)規(guī)則來解釋模型的具體運(yùn)行過程，這使得模型在應(yīng)用時(shí)缺乏透明度和可信度；第二，在指標(biāo)選取方面，神經(jīng)網(wǎng)絡(luò)模型對于非線性的方法沒有統(tǒng)一具體的成熟方法進(jìn)行分析指標(biāo)選??；第三，模型結(jié)構(gòu)的問題，神經(jīng)網(wǎng)絡(luò)模型在應(yīng)用過程中效果表現(xiàn)的好壞和預(yù)測結(jié)果的精確程度主要決定于系統(tǒng)結(jié)構(gòu)的設(shè)計(jì)是否合理和科學(xué)，但是如果想要得到一個(gè)比較好的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)通常會(huì)消耗大量的人力和時(shí)間，這些在實(shí)際的建模過程中經(jīng)常無法同時(shí)滿足。
四、對我國銀行信用風(fēng)險(xiǎn)評估的啟示
（一）我國銀行信用風(fēng)險(xiǎn)評估存在的問題
我國商業(yè)銀行信用風(fēng)險(xiǎn)評估方法的主要缺陷可以概括為以下幾個(gè)方面，首先，在商業(yè)銀行信用風(fēng)險(xiǎn)評估中，大部分采用的仍然是專家系統(tǒng)機(jī)制，即通過個(gè)別專家系統(tǒng)的經(jīng)驗(yàn)和個(gè)別風(fēng)險(xiǎn)分析人員提供的信息來對信貸的風(fēng)險(xiǎn)進(jìn)行評估和決策，這就導(dǎo)致信用風(fēng)險(xiǎn)評估效果較低且銀行無法及時(shí)地應(yīng)對金融市場的即時(shí)變化；其次，國內(nèi)對銀行信用風(fēng)險(xiǎn)評價(jià)方法的研究中大都缺乏定性分析和定量分析相結(jié)合的探索，片面的停留在定性分析和定量分析的兩個(gè)極端，第三，在現(xiàn)今的銀行信用風(fēng)險(xiǎn)評估指標(biāo)體系方面，沒有形成客觀、科學(xué)、有效的指標(biāo)體系，大多數(shù)信用風(fēng)險(xiǎn)模型選取的都是財(cái)務(wù)性指標(biāo)而缺乏那些影響信用風(fēng)險(xiǎn)的非財(cái)務(wù)指標(biāo)；最后，由于我國金融市場的發(fā)展起步較晚，銀行業(yè)各種運(yùn)作機(jī)制存在很多的問題尚待完善和發(fā)展，其中很重要的一點(diǎn)就是我國商業(yè)銀行在客戶資料收集、整理和存儲(chǔ)方面存在很大的不足，未能建立有效的風(fēng)險(xiǎn)評估數(shù)據(jù)庫系統(tǒng)，不能為風(fēng)險(xiǎn)評估模型的運(yùn)用提供很好的樣本基礎(chǔ)，成為制約我國風(fēng)險(xiǎn)評估方法發(fā)展的一大瓶頸。
（二）對我國銀行信用風(fēng)險(xiǎn)評估的啟示
雖然我國商業(yè)銀行信用風(fēng)險(xiǎn)評估的方法和理論得到了不斷地發(fā)展，但其中仍存在需要改進(jìn)的地方。在我國，大多數(shù)先進(jìn)的銀行信用風(fēng)險(xiǎn)評估方法是建立在西方發(fā)達(dá)國家商業(yè)銀行對歷史數(shù)據(jù)的統(tǒng)計(jì)分析和經(jīng)驗(yàn)總結(jié)的基礎(chǔ)上，還不能夠直接應(yīng)用到我國商業(yè)銀行信用風(fēng)險(xiǎn)評估當(dāng)中，因此我國商業(yè)銀行在研究和探索信用風(fēng)險(xiǎn)評估方法時(shí)必須考慮到我國自己的基本國情、金融市場發(fā)展的現(xiàn)狀以及銀行業(yè)自身發(fā)展的客觀現(xiàn)實(shí)等。
針對以上分析的國內(nèi)信用風(fēng)險(xiǎn)評估方法發(fā)展的現(xiàn)狀，我們可以通過從以下幾個(gè)方面來改善和提高。一方面，商業(yè)銀行應(yīng)該建立切實(shí)有效的企業(yè)信貸風(fēng)險(xiǎn)管理數(shù)據(jù)庫系統(tǒng)，加強(qiáng)對企業(yè)各類違約風(fēng)險(xiǎn)評估數(shù)據(jù)的收集、整理和管理，及時(shí)更新和加強(qiáng)數(shù)據(jù)庫的建設(shè)。另一方面，商業(yè)銀行需要建立自身內(nèi)部的信用評價(jià)體系，為現(xiàn)代信用風(fēng)險(xiǎn)評估的運(yùn)用創(chuàng)造適宜的條件和基礎(chǔ)，將定性方法和定量方法相結(jié)合，進(jìn)一步推動(dòng)我國銀行信用風(fēng)險(xiǎn)評估方法的發(fā)展。最后，任何完善的信用風(fēng)險(xiǎn)評估方法都離不開高素質(zhì)的專業(yè)風(fēng)險(xiǎn)管理人才，因此加強(qiáng)信用風(fēng)險(xiǎn)評評價(jià)的人才隊(duì)伍建設(shè)也是一個(gè)刻不容緩的課題，商業(yè)銀行應(yīng)該加快培養(yǎng)高素質(zhì)信用風(fēng)險(xiǎn)評估人才的步伐，同時(shí)要在全球范圍內(nèi)大量吸納那些已經(jīng)具備信用風(fēng)險(xiǎn)評估專業(yè)知識(shí)和技術(shù)的優(yōu)秀人才，為推動(dòng)我國信用風(fēng)險(xiǎn)評估方法的進(jìn)步不斷尋求突破。
參考文獻(xiàn)
［1］柯孔林，周春喜.商業(yè)銀行信用風(fēng)險(xiǎn)評估方法研究述評［J］.商業(yè)經(jīng)濟(jì)與管理，2005(6)
［2］王建新，于立勇.基于信用風(fēng)險(xiǎn)度的商業(yè)銀行風(fēng)險(xiǎn)評估模型研究［J］.管理工程學(xué)報(bào)，2007(4)
［3］徐曉霞，李金林.基于決策樹法的我國商業(yè)銀行信用風(fēng)險(xiǎn)評估模型研究［J］，北京理工大學(xué)學(xué)報(bào)，2006, 8(3)
［4］王莉，鄭兆瑞，郝記秀.BP神經(jīng)網(wǎng)絡(luò)在信用風(fēng)險(xiǎn)評估中的應(yīng)用［J］.太原理工大學(xué)學(xué)報(bào)，2005,36(2)
［5］韓崗.國外信用風(fēng)險(xiǎn)度量方法及其使用性研究［J］，國際金融研究，2008
［6］閆曉麗，徐建中.商業(yè)銀行信用風(fēng)險(xiǎn)評估模型比較研究［J］，哈爾濱工業(yè)大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2007,9(2)
［7］鄭毅，藺帥.遺傳神經(jīng)網(wǎng)絡(luò)在商業(yè)銀行信用風(fēng)險(xiǎn)評估中的應(yīng)用［J］.社會(huì)科學(xué)家，2008,(1)
