基于BP神经网络实现的B样条插值在系统动力学模型的应用.docVIP

基于BP神经网络实现的B样条插值在系统动力学模型的应用 　　摘要: 在系统动力学建模的过程中,系统变量之间的关系难以确定,传统的建模方法存在着很大的主观性,利用BP神经网络的方法则可以避免这个问题。而在建立BP神经网络过程中需要大量的学习样本,然而通常采集到的数据往往是不足的。用3次B样条函数对历史数据进行插值的方法构建系统中状态变量的学习样本,解决BP神经网络模型中学习样本不足的缺点,能更好的反应变量之间的非线性映射关系。 　　Abstract: As the process of system dynamics modeling, the system is difficult to determine the relationship between variables, the traditional method of modeling is a considerable subjectivity, the using of BP neural network method is to avoid this problem. It needed plenty of historical data to establish artificial neural networks modeling, the historical data was usually not enough, so 3-order B-spline function was applied to construct learning samples by interpolating historical data. It can figure out shortcomings of inadequate samples in BP Neural Network model, do better respond to non-linear mapping relationship between variables. 　　关键词: 系统动力学;人工神经网络;BP神经网络;B样条 　　Key words: system dynamics;artificial neural network;Back-Propagation artificial neural networks;B-spline 　　中图分类号:TP183 文献标识码:A文章编号:1006-4311(2010)14-0153-02 　　 　　0引言 　　系统动力学(System Dynamics)是于1956年创立的一门分析和模拟动态复杂系统的学科。它是一种将结构、功能和历史结合起来,通过计算机建模与仿真而定量地研究高阶次、非线性、多重反馈复杂时变系统的系统分析理论与方法。在系统动力学模型中,根据系统变量的性质和意义确定系统的三大变量,即状态变量,速率变量和辅助变量。由于状态变量、速率变量和其他辅助变量之间存在着复杂的非线性关系,对这种关系的研究变得非常困难。在传统的系统动力学建模中,需要通过表函数来确定这样的关系,表函数的建立本身存在着浓厚的猜测与经验的因素在里面,这样构建的模型往往具有很大的主观性,并需要耗费大量的建模时间[1-6]。鉴于此,可以利用ANN(Artificial Neural Network,人工神经网络)模型来解决此类问题中系统变量之间复杂关系的描述问题。只要学习样本足够的多,网络结构和训练参数设计合理,那么它能够非常容易和准确地仿真变量间复杂的非线性映射关系。在大大降低建模难度和建模时间的同时,减少了人为因素的干扰,也有效地减少辅助变量和中间变量的个数。因为它不是利用函数表达式来描述变量之间的关系,而是通过ANN模型的结构和状态来体现这种关系[7-12]。 　　1BP神经网络 　　在上世纪80年代中期,美国学者Rumelhart、McCelland[13]和他们的同事洞察到ANN信息处理的重要性,发展了反向传播(Back-Propagation)网络学习算法,创立了反向传播神经网络(Back-Propagation Artificial Neural Networks,以下简称BP网络),实现了多层网络的设想。它是在感知器中加入隐层并使用―广义算法进行学习之后发展起来的。表现为多层网络结构,相邻层之间为单向完全连接,由于这种对老的感知器模型的改进,使BP网络对输入输出节点的数量没有限制,使很多问题可以转化为用BP网络能够解决的问题。目前,在ANN的实际应用中,绝大部分的神经网络模型采用BP网络和它的变化形式,它也是前向网络的核心部分,体现了ANN最精华的部分。它的结构如图1所示。 　　这样的BP神经网络可以逼近任何的连续函数,如果隐含层包含足