發布時間:2023-09-27 10:22:43
序言:作為思想的載體和知識的探索者,寫作是一種獨特的藝術,我們為您準備了不同風格的5篇神經網絡基本原理,期待它們能激發您的靈感。
關鍵詞:BP神經網絡;數字識別;特征提取
中圖分類號:TP183 文獻標識碼:A 文章編號:1009-3044(2013)14-3362-04
1 概述
數字識別在車輛牌照識別、銀行支票識別和郵政儲蓄票據識別等領域有著廣泛的應用,因而成為研究人員近年來研究的一個焦點[1]。而人腦神經系統模型的建立為人工神經網絡的產生提供了理論模型依據, 使其具有模擬人腦部分形象思維的能力[2],因而使其成為人工智能技術的重要組成部分和常用方法。人工神經網絡由簡單信息處理單元相互連接組成,通過簡單處理單元間的相互作用來實現對其所接收信息的處理。而隨著人工神經網絡技術的快速發展,其為解決模式識別鄰域的相關問題提供了新的解決思路和方法,其突出的優點在于它具有對接收信息可進行并行分布式處理能力和自我學習反饋能力,因而吸引了眾多研究人員對其進行廣泛和深入的研究。而誤差反向傳播網絡(Back-Propagation),即BP神經網絡,是一種典型的人工神經網絡,它具有人工神經網絡的所有優點,因而在眾多技術鄰域有著廣泛的應用[3]。該文首先對BP神經網絡的基本原理進行了詳細介紹,在分析了其基本原理的基礎上,針對數字識別問題,設計了一種利用BP神經網絡技術進行數字識別的方法。經實驗表明,該方法合理可行,且其識別效果正確有效。
2 相關原理與知識
由于本文針對數字識別問題,利用BP神經網絡技術對其進行方法設計和實現,首先必須了解BP神經網絡的基本原理,即了解其具體構成形式、模型分類和其功能特點。其次,在了解了BP神經網絡基本原理的基礎上,進一步了解其所處理數據的特點和組成形式,并根據處理數據的特點和其數據結構設計相應的數字識別方法。下面分別對它們進行詳細的介紹。
2.1 BP神經網絡基本原理
BP神經網絡算法由數據信息流的前向計算,即正向信息流的正向傳遞,誤差信息的反向回饋兩個部分組成。當信息流進行正向傳遞時,其傳遞方向為從輸入層到隱層再到輸出層的順序,器每層神經元所處的狀態只會影響下一層神經元的狀態。若在最后的輸出層沒有得到理想的輸出信息,則應立即進入誤差信息的反向回饋過程[6]。最終經過這兩個過程的相互交替運行,同時在權向量空間使用誤差函數梯度下降策略,動態迭代搜索得到一組權向量,使得該BP神經網絡的誤差函數值達到最小,從而完成對信息提取和記憶過程[7]。
2.2 BMP二值圖像文件數據結構
由于本文處理的數據源為BMP二值圖像,則必須了解其數據結構,才能對其進行進一步的識別方法設計。由數字圖像處理基礎知識可知,常見BMP二值圖像文件的數據結構由以下三部分組成:(1)位圖文件頭,其包含了BMP二值圖像的文件類型、文件大小和位圖數據起始位置等信息;(2)位圖信息頭,它包含了BMP二值圖像的位圖寬度和高度、像素位數、壓縮類型、位圖分辨率和顏色定義等信息;(3)位圖數據體,其記錄了位圖數據每一個像素點的像素值,記錄順序在掃描行內是從左到右,掃描行之間是從下到上。因此,根據BMP二值圖像數據結構信息,讀出所需要的圖像數據,并對這些圖像數據做進一步的處理。在本文給定的訓練圖像中,圖像數據大小為80個字節,而圖像數據體距離其文件頭的偏移量為62個字節。但為了減少數據處理數量,該文在進行實驗時直接使用位圖數據體中的數據,沒有通過讀出位圖文件頭來得到位圖數據體中的數據。
3 數字識別具體設計方法
由上文可知,該文使用數據源為圖像大小為20*20的BMP二值圖像,由于是對位圖數據體的數據直接進行操作,因此省去了對圖像其他數據結構數據的繁雜處理過程,將問題的核心轉向BP神經網絡的設計方法步驟。
4 實驗結果
圖4所示為BP神經網絡訓練及測試結果圖。該文選擇10個訓練樣本,通過實驗結果可以看出,由這10個訓練樣本訓練出來的BP神經網絡對于訓練樣本中的圖像數值識別率達100%,訓練時間也比較短,其迭代次數大概為700次左右。對于一些含有噪聲的圖片,只要噪聲系數小于0.85個字符,其數字識別率可達96%。
5 結束語
針對二值圖像數字識別問題,該文在對BP神經網絡的基礎理論進行分析后,設計了一種基于BP神經網絡的數字識別方法,并通過實驗驗證了該BP神經網絡用于數字識別的可行性和有效性。而對于BP神經網絡存在的收斂速度慢、易陷入局部最優和學習、記憶具有不穩定性等問題,還有待于對其進行一步研究。
參考文獻:
[1] 韓力群.人工神經網絡教程[M].北京:北京郵電大學出版社,2006.
[2] 呂俊,張興華.幾種快速BP算法的比較研究[J].現代電子技術,2003,24(167):96-99.
[3] 陸瓊瑜,童學鋒.BP算法改進的研究[J].計算機工程與設計,2007(10):96-97.
[4] Sven Behnke,Marcus Pfister.A Study on the Combination of Classifiers for Handwritten Digit Recognition,2004.
[5] 馬耀名,黃敏.基于BP神經網絡的數字識別研究[J].信息技術,2007(4):87-88.
[6] Hasan soltanzadeh.Mohammad Rahmati.Recogniton of Persian Handwritten Digits Using Image Profiles of Multiple Orientations[J].Pattern Recognition Leaers,2004(15).
[7] 吳成東,劉文涵.基于粗網格神經網絡的車牌字符識別方法[J].沈陽建筑大學報,2007,23(4):694-695.
關鍵詞:建筑電氣設備故障;模糊理論與神經網絡;設備故障診斷專家系統
中圖分類號:TP207 文獻標識碼:A DOI:10.11974/nyyjs.20160132074
隨著當今社會經濟的不斷發展,人們對生活品質的追求越來越高,電氣設備變得多樣化和先進化,不同區域間聯系更加緊密,而在給人們的生活帶來便利的同時,簡單的人工故障診斷方法已經無法滿足結構日益復雜、功能日益完善的電氣系統,建立電氣設備控制系統智能故障診斷專家系統已經成為目前能滿足社會需求的選擇。近年來,模糊理論被廣泛的應用于建立故障診斷神經網絡,將模糊系統與神經網絡技術結合而形成的故障診斷技術也正在發展和應用。
1 建筑電氣設備常見故障類型及危害
1.1 電氣設備常見故障類型
1.1.1 電源故障
1.1.2 線路故障
1.1.3 元器件故障
1.1.4 防雷接地處理故障
1.2 電氣設備故障危害
電氣設備的運行需要很多電器元件的相互配合,產生故障通常是因為電能或控制信息在傳遞、分配、轉換過程中失去控制。斷路、短路、異常接地、漏電、電氣設備或電器元件損壞、電子設備受電磁干擾而發生錯誤動作、控制系統元件的偶然失效都屬于電氣設備故障[1],而這些故障也很有可能造成大范圍的人員傷亡以及造成嚴重的財產損失,一旦發生,也會造成其他相關領域不同程度的癱瘓。由此可見,電氣設備出現故障的概率較高,危害范圍也比較大。
2 神經網絡與模糊理論
神經網絡是一種模仿動物神經網絡行為的特征,進行分布式并行信息處理的算法數學模型[2]。這個模型可以根據不同系統自己的特征來選擇處理不同信息的方式,在很多不同領域都有比較廣泛的應用,當然,它本身也有一些缺陷,比如它不能求解不確定性問題、不能處理符號性信息等,因此,它需要結合其它相關理論和方法來彌補自身的不足,以便更好地解決特定領域中的問題。
模糊理論是指用到了模糊集合的基本概念或連續隸屬度函數的理論[3]。模糊控制是一種基于規則的控制,它可以直接采用語言型控制規則,在設計過程中不需要建立被控對象的精確數學模型,控制原理和策略通俗易懂,便于人們接受與理解,控制效果好,具有一定的智能水平,應用起來很方便,適用于對那些數學模型難以獲取、動態特性不易掌握或變化非常顯著的對象。模糊控制器是一種比較容易控制、掌握起來比較理想的非線性控制器,具有一定的適應能力和強健性。
將模糊系統與神經網絡技術相結合而形成的模糊神經網絡可以作為對電氣設備進行故障診斷的模型,這一技術的提出為電氣設備故障的診斷帶來發展和進步,模糊理論被廣泛的應用于建立故障診斷神經網絡,這2種理論的結合將會給故障診斷研究提供解決思路,值得推廣應用[4]。
3 建立電氣設備故障診斷系統
由于電氣設備故障機理的復雜性,系統在實際運用過程中,可能會發生隨機故障模式,故障征兆信息的正確與否直接關系到故障診斷的正確性,因此利用現有的電氣設備系統控制平臺,對電氣設備控制系統的信號進行實時采集和及時與PC 機進行通信,建立電氣設備控制系統故障診斷系統便顯得特別重要。
3.1 BP神經網絡模型
BP(Back Propagation)模型是一種最常用的人工神經網絡模型,它的基本原理為利用誤差反向傳播算法,從而得到多層前向神經網絡模型。在故障診斷方面使用BP模型在一定條件下能夠加強工作效率,使得故障診斷問題變得更加直觀。利用模糊理論與神經網絡相結合的模糊神經網絡解決建筑電氣設備故障的診斷,是一種智能化控制的手段,也將逐漸發展成為未來的趨勢[5]。其模型原理圖如圖1。
要建立模糊神經網絡系統,要根據相關理論或實際工作中的經驗,將故障現象和故障原因相對應,作為系統的學習樣本。按照輸入與輸出相對應的關系輸入學習樣本,系統經過內部的算法不斷提高精度,當精度達到設定的要求時,模糊神經網絡系統的學習過程結束。此時,將測試樣本的輸入數據放入系統輸入端,如果輸出數據與測試樣本基本相同,那么模糊神經網絡系統建立成功。
在模糊神經網絡系統的實際使用時,必然會遇到輸入數據與樣本不同的狀況。根據內部算法,系統將會找到與學習樣本最相似的一組數據作為參考,自主得到輸出數據。與此同時,如果系統自主算出的結果得到采納,那么這組數據將會做為新的樣本存入數據庫,成為參考數據。
3.2 BP學習算法
目前,BP算法是應用很廣泛、完善性比較高的神經網絡訓練算法,方便、容易實現、計算量小、并行性強是這個方法領先其他算法的優勢。BP算法的基本原理[6]為先求解誤差函數的最小值,根據梯度下降法,按誤差對權值做負反饋。
BP算法需要依次根據輸入對輸出進行矯正,也就是對每組數據都要計算比對。然而,全局誤差的梯度下降算法,要求連接權和閾值的矯正是在批量進行學習樣本的輸入之后再進行的,所以要修改各個連接權值。利用梯度下降法來修改各個連接權值,以便達到近似全局誤差的算法效果。全局誤差梯度下降算法流程如圖2所示。
4 結 語
電氣設備的故障診斷已經成為值得重視的問題,為保證運行系統能夠正常運行,因此需要建立起更加科學完善的電氣設備管理系統,逐漸減少電氣設備運行出現故障的可能性,保障電力系統的穩定能力,本文簡單介紹將模糊理論與神經網絡結合,更好的解決電氣設備故障問題,結合傳感器檢測技術、自動控制技術、通信與網絡技術等方法,建立電氣設備控制故障診斷系統,希望可以早日應用到生活中的建筑電氣設備故障診斷中去。
參考文獻
[1]電氣設備及控制電路常見故障分析[EB]. 電工學習網.
[2]田景文.人工神經網絡算法研究與應用[M]. 北京理工大學出版社,2006.
[3]諸靜.模糊控制原理與應用[M].機械工業出版社,1995.
[4]龍祥,錢志博.模糊理論在設備故障診斷神經網絡中的典型應用[J].廣東工業大學學報,2006.
[5]陳流豪.神經網絡BP算法研究綜述[J].電腦知識與技術,2010.
摘要:工程造價估算是招標投標中的重要一環,探尋一套快速、簡捷、實用的工程造價估算方法已經成為建筑行業的迫切需要。為了建設工程造價估算技術的發展及文聯面臨的問題,提出在建設工程造價估算技術系統中應用人工神經網絡技術來提高估算精確度,并且給出系統的設計模型。
關鍵詞:人工神經網絡;工程造價;造價估算
人工神經網絡(ArtificialNeuralNetworks,簡寫為ANNs)也簡稱為神經網絡(NNs)或稱作連接模型(ConnectionistModel),它是一種模范動物神經網絡行為特征,進行分布式并行信息處理的算法數學模型。這種網絡依靠系統的復雜程度,通過調整內部大量節點之間相互連接的關系,從而達到處理信息的目的。人工神經網絡具有自學習和自適應的能力,可以通過預先提供的一批相互對應的輸入-輸出數據,分析掌握兩者之間潛在的規律,最終根據這些規律,用新的輸入數據來推算輸出結果,這種學習分析的過程被稱為“訓練”。
一、神經網絡的建立
雖然人們還并不完全清楚生物神經網絡是如何進行工作的,但還是幻想能否構造一些“人工神經元”,然后將這些神經元以某種特定的方式連接起來,模擬“人腦”的某些功能。
在1943年,心理學家W. McCulloch和數學家W. Pitts合作,從數理邏輯的角度,提出了神經元和神經網絡最早的數學模型(MP模型),是神經網絡研究的開端,更為后面的研究發展奠定了基礎。經歷了半個多世紀,神經網絡度過了萌芽期、第一次期、反思低潮期、第二次期、再認識與應用研究期五個階段。目前,神經網絡已成為涉及多種學科和領域的一門新興的前沿交叉學科。
神經元分為分層網絡和相互連接型網絡。所謂分層網絡,就是一個網絡模型中的所有神經元按功能分層,一般分為輸入層、中間層(隱含層)、輸出層,各層按順序連接,隔層之間均采用的是全互連接,但對于同一單元間,不互相連接。分層網絡可細分為簡單前向網絡、反饋前向網絡和層內互相連接的網絡。人工神經網絡結構是一種多層的網絡結構,一個典型的前向網絡。
某個神經元 j 的輸入―輸出關系為
其中,θj為閥值,ωji為連接權,f(•)為變換函數,也稱活化函數(activation function)
對于人工神經網絡模型,我們只可能在某種程度上去描述我們所了解的情況。同樣,人工神經網絡也只可能是在某種程度上對真實的神經網絡的一種模擬和逼近。
二、在工程造價中的運用
成都市工程造價計價模式后選取了基礎類型、結構類型、工期、層數、建址、層高、內裝修、門窗、單位造價等10個影響工程造價和工程量的特征作為模型的輸入。考慮到各個工程中門和窗數量差別很大為提高估算的精度我們把門數量和窗數量作為輸入,其數量在工程施工圖紙上很容易查得,不需作復雜的計算。對于其他文字性表達的工程特征需轉變成數字后作為網絡的輸入。
很明顯的看出,測試樣本總體誤差率比較小,平均誤差為283%,基本滿足估算要求,隨著工程資料的不斷積累,選取有代表性的數據作為樣本,誤差將不斷縮小。
意義:
通過這次研究,我們了解了人工神經網絡的基本原理,即通過誤差反向傳播建立多層前饋網絡的學習收斂過程,該過程主要包括三個層次,即輸入層、隱含層和輸出層。在訓練中通過計算輸出值與期望值之間的誤差,來求解輸出層單元的一般化誤差,再將誤差進行反向傳播,求出隱含層。并了解了基于人工神經網絡之上的建設項目的投資估算模型,了解了平滑指數法、類比系數法、模糊數學估算法的基本原理與其自身的優勢與不足,也讓我們更深刻地認識到,人工神經網絡,作為90年代逐漸被運用的人工智能技術之一,能像一個經驗深厚的造價師,根據工程類型、特征及其相關情況,結合數據和經驗,準確的估算出其造價。我們也通過計算驗證了模型的可行性。對于我們從事建筑造價的大學生來說,是一次難能可貴的研究機會,能夠較深層次的了解行業中的專業知識。隨著中國改革開放和市場經濟的不斷深入,中國建筑企業在面臨很好的機遇的同時,也面臨著嚴峻的考驗。現在的市場競爭機制已表現得越來越明顯,他要求我們提高效率,盡快拿出自己招投標方案,但是傳統的預算方法以及現行的計算軟件都必須花費較長的時間才能計算出結果,而且計算的結果準確度還不是很高。怎樣解決這個問題,成了建筑界的熱門話題。同時作為建設方的業主,他們同樣對快速預算很感興趣。因為確定工程造價是建設工作中十分重要的一環,在不同階段有著不同的方法。如建設前期的工程造價估算、初步設計階段編制概算、施工圖設計階段編制預算,特別是建設前的估算是我們工作的重點,因為它是我們進行成本控制的起點。對于建設單位而言,它們不僅能在進行設計招標之前大致確定該工程的造價,而且還能在工程施工招標前定出合理的標底。可見快速預算有其很現實的發展研究背景。近幾年許多學者都在這方面努力探索,并取得了很好成果。 神經網絡和模糊數學的快速發展應用為工程快速預算提供了很好的思路。我們通過查閱資料了解了模糊數學和神經網絡的結合原理,認識了基于模糊神經網絡和工程預算原理的工程快速估價的模型,并通過住宅建筑估價模型的建立,說明模型的實現方法且驗證其實用性。這次研究對于行業經驗不足的我們十分寶貴,我們通過書籍等資料更加全方位的了解了我們未來所講從事的行業的知識,為我們以后的工作做了良好的鋪墊,積累了寶貴財富,我們將在了解這些專業知識之后熟練地運用,以更好地促進行業的發展。(西華大學;四川;成都;610039)
參考文獻:
① 汪應洛、楊耀紅,工程項目管理中的人工神經網絡方法及其應用[J].中國工程科學.2004,6(7):26-33.
② 袁曾仁,人工背景:神經網絡及其應用[M]清華大學出版社,1991
【關鍵詞】傳感器;數據融合;智能小車;避障
1.概述
智能小車實際上是一類輪式移動機器人,其運行原理是依據單片機程序來自動實現行使、轉向、加速等運動形式。因此對智能小車運動方式的控制屬于機器人學的范疇。對智能小車運動軌跡的控制主要依賴于傳感器的信息采集技術和智能控制技術。而在智能小車的運動軌跡控制問題中的一個重要問題是如何實現其自動避障。要完成這一任務,需要解決兩個方面的問題,一是利用傳感器準確的收集小車所在的環境信息,二是將環境信息自動處理后變成控制信息。實踐表明,采用的單一的傳感器技術已經不能滿足收集充足環境信息的需要,而需要多種類型的傳感器相配合,從而獲得準確的環境信息。對這些通過多種類型傳感器獲得的環境信息的處理需要實現不同數據的之間的整合,即需要利用多傳感器的數據融合技術。常用的數據融合技術如傳統的卡爾曼濾波法、D-S證據推理等,但其核心思想是一致的,即通過對多種信息的融合來實現對目標的識別和跟蹤。采用基于多傳感器的數據融合技術已經成為智能小車避障控制中的重要研究方向。在本文中將以多傳感器的數據融合技術為基礎,研究智能小車的避障問題。
2.基于多傳感器的數據融合
基于多傳感器的數據融合技術需要處理來自多個傳感器的實時數據,并進行快速的處理。從傳感器獲得數據的類型來看,這些數據代表不同的物理含義,如速度、距離、角度等,數據類型和特征也不盡相同,分屬于不同的層次,因此對來自多個傳感器的數據融合實際上要完成對多層次數據的綜合評定,這必須依賴于一定的數據融合結構。
2.1 基于多傳感器信息的融合結構
從現有的研究成果來看,基于多傳感器信息的數據融合結構主要有四種形式:無反饋分布式融合、反饋分布式融合、集中式融合和反饋并行融合,各類融合結構的主要特點分別為:①無反饋分布式融合。無反饋分布式融合模式需要對每個傳感器的數據都進行濾波分析,并完成對各傳感器的局部信息融合,最后再實現對多個傳感器數據的融合。這類數據融合方式的優點是不需要太大的通信開銷,融合速度較快,所需的存儲空間也較小。②反饋分布式融合。反饋分布式融合的基本原理和無反饋分布式融合類似,但每個傳感器多了一個信息反饋通道,可提高預測和狀態估計的精度,但需要更大的通信開銷。③集中式融合。集中式融合的主要特點是對所有傳感器采集的信息進行狀態的估計和預測,通過對每個傳感器采集信息的檢測判定來實現對所有傳感器信息的綜合判定。由于采用了所有傳感器的全部信息,因此這類融合方法的精度較高,但也需要更高的硬件配置。④反饋并行融合。這類數據融合結構綜合了以上三類融合結構的優點,對局部、整體的數據處理效率和精度都很高,但對硬件和數據關聯技術等要求也較高,是一類重要的研究方向。
2.2 基于多傳感器信息的數據融合方法
基于多傳感器信息的數據融合方法主要分為兩類,一是基于概率統計的方法,如統計決策法、貝葉斯法等,二是人工智能方法,如模糊控制法、人工神經網絡、D-S證據推理等。每種方法可參考有關文獻,此處不再一一詳述。
3.模糊神經網絡基本原理
模糊神經網絡是模糊控制理論和人工神經網絡理論的耦合技術,能夠有效的處理對經驗性依賴較高的問題,并能廣泛的適用于無法精確建模的系統。而人工神經網絡則能夠具備自學習能力和快速求解能力。通過模糊控制和人工神經網絡的結合,能夠形成函數估計器,有效的處理模糊信息和完成模糊推理,其性能比單一采用模糊控制或人工神經網絡控制效果更優。模糊神經網絡的基本原理為:①定義若干各模糊集合,并形成對應的控制規則。定義神經網絡的層次(一般分為三層)和節點數量。②定義輸入層。將輸入層中的節點與輸入向量分量之間實現連接。③定義隸屬函數層。以語言變量值構成隸屬函數層的節點,與輸入層的連接權值固定為1,節點閾值為0。④定義規則層。每一條模糊控制規則定義為一個節點,節點的輸出為隸屬函數的輸出。
4.實例應用
4.1 硬件
在本例中,智能小車所采用硬件平臺為STC89C52型單片機,動力系統為AUSRO馬達130,驅動芯片型號為TA7267,驅動芯片與單片機相連,其輸出端和馬達直流電機連接,從而實現對小車的方向控制,小車通過兩輪驅動。
小車采用的傳感器有兩種類型:超聲波測距系統和紅外傳感器系統。超聲波測距系統的型號為TCT40-10T/R,紅外傳感器的型號為索尼CX20106。
4.2 傳感器數據融合規則
在采用了5路超聲波測距系統后,基本上可以對小車周圍的障礙狀況有比較可靠的了解,紅外傳感器的作用是為了彌補超聲波測距系統的盲區。對這兩類傳感器所采集數據的處理方式為:①超聲波測距系統和紅外傳感器同時工作;②若紅外傳感器的有效探測距離內發現障礙,以紅外傳感器的數據為準;③其他情況以超聲波測距系統的探測值為準。
對5個方向的超聲波測距的數據所采用的數據融合流程為:開始選擇通道發射超聲波盲區延時接收信號計算小車與障礙之間的距離數據融合選擇小車動作。數據的融合技術采用模糊神經網絡法。
4.3 模糊神經網絡的構建
結合智能小車避障控制的需要,在小車車身配置5個超聲波系統和一個紅外系統,分別完成對前、左、左前、右、右前5個方向的測量,因此模糊神經網絡共需要建立起5個輸入和2個輸出的網絡結構。各個輸入量的物理含義為小車在上述5個方向的與障礙的距離,神經網絡的輸出量為小車的前進和停止。以紅外傳感器采集的數據作為小車運動控制的開關量。隸屬函數層的函數形式采用高斯型,模糊語言變量分別為{“遠”、“近”},因此結合第一層的5個輸入,共構成10個神經元。結合輸入層和隸屬函數層的情況,輸出層的神經元數量為2的5次方,共32個神經元。
4.4 模糊控制規則和樣本訓練
(1)模糊控制規則
模糊控制規則體現的是人為控制經驗的總結,分別對5個方向的超聲波探測到的距離信息為基礎來控制小車的轉向。其基本原則為,若距離障礙較近,則小車停止前進,若距離障礙較遠,則小車繼續前進。分別以F表示前進、TF表示左轉、TR表示右轉、在實際控制規則中,共有9條,這里僅舉一條來進行說明:若前方障礙較近,且左、左前、右、右前距離障礙較遠,則小車左轉。將上述規則轉換為模糊語言后,即可獲得具體的控制規則。具體轉換方式可參照有關文獻。
(2)模糊神經網絡的訓練樣本
依據上述模糊神經網絡的基本組成方式,其模糊輸入范圍的論域為[0,5],以高斯型隸屬度函數來劃分距離遠近的模糊集合。訓練樣本的數據量較大,因此這里不便一一列出,神經網絡的訓練方法可參照有關文獻。
4.5 運行效果
在上述的步驟完成后,對小車的避障能力進行了實際驗證。實驗表明,利用超聲波測距系統結合紅外傳感器后,以模糊神經網絡融合上述兩類傳感器采集的數據可有效的實現智能小車的避障運動。
參考文獻
【關鍵詞】GPS;高程異常;BP神經網絡;擬合模型
Research on the Models of GPS Height Fitting Based on BP Neural Network
Li Yongquan
【Abstract】International and domestic multifarious control nets in use of GPS’s positioning techniques are only to solve the horizontal coordinates, but the height still follow to use the geometric leveling.Therefore, The basic theory of neural network and algorithm of BP are described, Discuss the problem of GPS height fitting based on BP neural network by trials. BP neural network is a kind of nonlinear mapping for its inputs and outputs,BP neural network is a high precise method for translating height.
【Key words】GPS;height anomaly;back propagation neural networks; fitting models
1. 引言
GPS平面定位的精度目前已經可以達到毫米級,但相對于平面定位精度,GPS在高程方面的定位精度較低。 神經網絡是一種高度自適應的非線性動力系統,神經網絡的數學理論本質上是非線性數學理論,通過BP神經網絡學習可以得到輸入和輸出之間的高度非線性映射,因此,使用神經網絡可以建立起輸入和輸出之間的非線性關系。BP神經網絡本身也是一種高精度的高程轉換方法。
2. 神經網絡的模型及BP算法
2.1 神經網絡的模型
(1)生物神經元模型。神經元模型是基于生物神經元的特點提出的,人腦由大量的生物神經元組成,神經元之間互相有連接,從而構成一個龐大而復雜的神經元網絡。神經元是大腦處理信息的基本單元,結構如圖1。神經元由細胞體、樹突和軸突三部分組成,其中突觸是神經元之間的連接。細胞體是由很多分子形成的綜合體,內部含有細胞核、細胞質和細胞膜。細胞體的作用是接受和處理信息。樹突是細胞體向外延伸的纖維體,是接受從其他神經元傳入信息的入口。軸突是神經元的信息通道,是細胞體向外延伸最長、最粗的樹枝纖維體,也叫神經纖維。(2)神經元模型。神經元一般表現為一個多輸入(多個樹突和細胞體與其他多個神經元軸突末梢突觸連接)、單輸出(每個神經元只有一個軸突作為輸出通道)的非線性器件,通用的結構模型如圖2所示。
(3)神經網絡模型。神經網絡的神經元之間的互連模式有前向網絡、有反饋的前向網絡、層內有相互結合的前向網絡和相互結合型網絡四種。
前向網絡神經元分層排列,組成輸入層、中間層(隱含層)和輸出層。每一層的神經元只接受來自前一層神經元的輸入,后面的層對前面的層沒有信號反饋。輸入模式經過各層次的順序傳播,最后在輸出層上得到輸出。目前對前向網絡得出的一致的結論是:甚至是單中間層網絡,只要隱節點數目足夠多,前向網絡就可以通過訓練學習樣本,以任意精度逼近(或表達)期望目標。
2.2 神經網絡BP算法
(1)BP(Back Propagation)網絡模型結構。BP網絡的結構如圖4所示,BP網絡具有三層或三層以上神經元的神經網絡,包括輸入層、中間層(隱層)和輸出層。上下層之間實現全連接,而每層神經元之間沒有連接。當一對學習樣本提供給網絡后,神經元的激活值從輸入層經各中間層向輸出層傳播,在輸出層的各神經元獲得網絡的輸入響應。接下來,按照減少目標輸出和實際輸出之間的方向,從輸出層反向經過各中間層回到輸入層,從而逐層修正各連接權值,這種算法稱為“誤差反向傳播算法”,即BP算法。
(2)BP算法的數學描述。BP算法基本原理是利用輸出后的誤差來估計輸出層的直接前導層的誤差,再用這個誤差估計更前一層的誤差,如此一層一層的反傳下去,就獲得了所有其他各層的誤差估計。
BP網絡學習規則的指導思想是:對網絡權值和閾值的修正要沿著表現函數下降最快的方向――負梯度方向。
xk+1=xk-akgk(1)
其中xk是當前的權值和閾值矩陣,gk是當前表現函數的梯度,ak是學習速率。
三層BP網絡,輸入節點xi,中間層節點yi,輸出節點zl。輸入節點與中間層節點間的網絡權值為wji,中間層節點與輸出節點間的網絡權值為vlj。當輸出節點的期望值為tl時,模型計算公式如下。
中間層節點的輸出:
yi=f(∑iwjixi-θj)=f(netj)(2)
輸出節點的計算輸出:
zl=f(∑jvljyj-θl)=f(netl)(3)
3. BP神經網絡用于GPS高程擬合
3.1 山區高程異常擬合實例:以本溪GPS和水準資料作為樣本來源,進行BP高程異常擬合。
通過山區高程異常擬合實例,對數據分析可以得到如下結論,學習樣本數與測試樣本數之比在1/4之間時網絡穩定性較好。高程擬合的精度與學習樣本數量有關,學習樣本數越多,擬合精度就越高。
3.2 平原地區高程異常擬合實例:以某市D級GPS部分數據進行實驗研究
通過平原地區高程異常擬合實例,對數據分析可以得到如下結論,學習樣本數與測試樣本數之比在 1/3 之間時網絡穩定性較好。學習樣本數對測試對象的精度也有著重要的影響,一般隨著學習樣本數的增多,中誤差會有所改善。這主要是更多的學習樣本就更能表述出所研究問題的一些基本特征,進而仿真的效果就能更好。
4. 結束語
重點研究基于BP神經網絡的GPS高程異常擬合算法,詳細介紹了人工神經網絡基本理論,重點討論了基于BP神經網絡的GPS高程擬合,包括BP神經網絡的基本原理、主要特點。分析了神經網絡的BP算法,包括其數學模型、網絡結構。構造了基于BP神經網絡的GPS高程擬合模型,結合具體工程數據進行了神經網絡性能分析。
參考文獻
[1] 國家測繪局測繪發展研究中心.測繪發展研究動態[R].北京:國家測繪局,2008,8:1-7
[2] 李征航、黃勁松.GPS測量與數據處理[M].武漢:武漢大學出版社,2005,277-278
[3] 曹先革.基于人工神經網絡的GPS高程異常擬合方法研究[D],北京:中國地質大學,2008
[4] 徐紹銓.GPS高程擬合系統的研究[J],武漢:武漢測繪科技大學學報,1999,24(4),11-15
[5] 閻平凡.人工神經網絡與模擬進化計算[M],北京:清華大學出版社,2000,5-6
[6] 徐麗娜.神經網絡控制[M].哈爾濱:哈爾濱工業大學出版社,1999,1-40
本站为第三方开放式学习交流平台,所有内容均为用户上传,仅供参考,不代表本站立场。若内容不实请联系在线客服删除,服务时间:8:00~21:00。