基于径向基神经网络的水饱和含氧量的数据拟合.pdfVIP

第 2O卷 第 3期 河南教育学院学报 (自然科学版) Vo1．20 No．3 2011年 9月 JournalofHenanInstituteofEducation(NaturalScienceEdition) Sep．2011 doi：10．3969／j．issn．1007—0834．2011．03．O11 基于径 向基神经网络 的水饱和含氧量 的数据拟合 琚新刚 ，董 乐2 (1．河南教育学院 电路与系统重点学科组 ，河南 郑州450046；2郑州文理学院 教务处 ，河南 郑州 450052) 摘要 ：相关部 门提供 的标准大气压下水饱和含氧量标定值仅为离散温度点处的数据 ，这些数据显示 了水 的饱 和含氧量与温度之间呈非线性关系，由此提 出了利用Matlab函数创建径 向基神经网络对既有标定数据进行分析、 拟合 ．结果显示 ．该方法达到了误差 目标 ，且较传统方法具有数据存储量小，网络学习时间短，收敛速度快的特点． 关键 词：径 向基 函数 ；神 经网络 ；拟合 中图分类号：TP391．9 文献标识码 ：A 文章编号 ：1007—0834(2011)03—0032—03 在检测标准大气压下纯水含氧量是否饱和时，需用测得的数据与相同温度条件下的标准饱和数据 比对 才能得到结论．然而，在实际检测时，纯水的温度值是随机的、连续的，而既有的标准饱和数据仅给出了若干 离散温度点处的值 ，这就需要进一步根据这些数据拟合出实际测量时的温度下对应 的饱和值 ，以作为监控水 含氧量是否饱和的参考． 本文提出将 RBF(RadialBasisFunction，径向基函数)神经网络用于水饱和含氧量非线性离散数据的拟 合．Matlab仿真结果表明，相较常用的BP(BackPropagation，反向传播)神经网络 ，RBF神经网络数据存储量 小 ，训练收敛速度快…． 1 水饱和含氧量数据分析 根据 ISO5814．1984，标准大气压下，含有 20．94％(V／V)氧的空气在纯水中的氧饱和含量值 (以浓度表 示)，如表 1所示 ． 表 1 水温与水饱和含氧量之 间的关 系 (标准气压 下) Tab．1 TheRelationshipoftemperatureandoxygensaturationinwater(standardatmosphericpressure) 显然 ，水温与其饱和含氧量之问呈明显的非线性关系 ，且 中间有跳跃 ，如 图 1所示．表 l样本数据精确 到小数点后两位有效数字 ，可确定拟合的误差 目标不大于0．005． 收稿 日期 ：2011一O5—28 基金项 目：国家科技 支撑计划 (2006BAKO1A38)；河南省教育厅科 技攻关项 目(2009A510003)；郑州市 科技攻关项 目 (10PTGG379—1) 作者简介：琚新刚 (1973一)，男 ，河南辉县人 ，河南教育学 院电路与系统重点学科组副教授 ，主要研究方 向：EDA技术． 第3期 琚新 刚等 ：基于径 向基神经 网络的水饱和舍氧量的数据拟合 33 2 RBF神经 网络 的创建 2．1 RBF函数 在 Matlab的众多函数 中，newrbe和 newrb可用于创建 RBF网络．newrb函数在创建 RBF网络时 ，是逐渐 增加 RBF神经元数 目，比newrbe函数创建的 RBF网络规模 小，且仍兼具 比其他神经 网络训练时间短 的 优点 ． newrb函数创建 的 RBF网络 ，最初并 不含有 RBF神 经元 ，而是通过对输入样本循环仿真来创建网络 ． 具体做法是 ： (1)利用全部输入样本对网络进行仿真 ； (2)寻到误差最大的一个输入样本 ； (3)新增一个 RBF神经元 ，它的权值确定为输入矢量 的转置 ； (4)将 RBF神经元 的输 出矢量标 积作为线性 网络层 神经元的输入 ，重新设计线性网络层 ，使得误差趋于最小 ； (5)如果均方误差仍未达到希望的 目标 ，并且神经元 的数 目还没有达到规定 的上限，就重复上述做法 ¨． 2