BP神经网络与模糊控制在检测系统中的应用(现代测试技术论文).docxVIP

BP神经网络与模糊控制在火灾探测系统中的应用1Bp神经网络1.1 Bp神经网络的概述BP（Back Propagation）网络是是一种按误差逆向传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层、隐含层和输出层。输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变换，根据信息变化能力的需求，中间层可以设计为单隐含层或者多隐含层结构；最后一个隐含层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。当实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐含层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程，此过程一直进行到网络输出的误差减少到可以接受的程度，或者预先设定的学习次数为止。1.2 Bp神经网络的结构及算法BP网络可以有多层，但为叙述简捷以三层为例导出计算公式。设BP网络为三层网络，输入神经元以i编号，隐蔽层神经元以j编号，输出层神经元以k编号，示意图如图1-1所示，其具体形式在下面给出，隐蔽层第j个神经元的输入为：，第j个神经元的输出为，输出层第k个神经元的输入为，相应的输出为，式中g为sigmoid型函数，g(x)=,式中?为阈值或偏置值。??0则使sigmoid曲线沿横坐标左移，反之则右移。因此，各神经元的输出应为、图1-1 神经网络结构图BP网络学习过程中的误差反向传播过程是通过使一个目标函数（实际输出与希望输出之间的误差平方和）最小化来完成的，可以利用梯度下降法导出计算公式。在学习过程中，设第k个输出神经元的希望输出为，而网络输出为，则系统平均误差为，为了表示方便，省去下标p，平均误差可写成，式中平均误差E也称为目标函数。根据梯度下降法，权值的变化项?与?E/?成正比，即?=-??E/?，由上述各公式可得：?=-??E/?=，记，对于隐含层神经元，也可写成?=-??E/?=，，由于?E/?不能直接计算，而是以参数的形式表示，即-?E/?=-，则导出各个权重系数的调整量为?，?=，式中?称为学习效率，，BP网络的学习算法的具体步骤如下：从训练本集中取某一样本，把它的输入信息输入到网络中由网络正向计算出各层节点的输出计算网络的实际输出与期望输出的误差从输入层起始反向计算到第一个隐层，按一定原则向减小误差方向调整网络的各个联接权值对训练样本集中的每一个样本重复以上步骤，直到对整个训练样本集的误差达到要求为止。1.3 BP网络的优缺点多层前向BP网络的优点：1)网络实质上实现了一个从输入到输出的映射功能，而数学理论已证明它具有实现任何复杂非线性映射的功能。这使得它特别适合于求解内部机制复杂的问题；2)网络能通过学习带正确答案的实例集自动提取“合理的”求解规则，即具有自学习能力；3)网络具有一定的推广、概括能力。。 虽然BP网络得到了广泛的应用，但自身也存在一些缺陷和不足，主要包括以下几个方面的问题。 1)由于学习速率是固定的，因此网络的收敛速度慢，需要较长的训练时间。对于一些复杂问题，BP算法需要的训练时间可能非常长，这主要是由于学习速率太小造成的，可采用变化的学习速率或自适应的学习速率加以改进。 2)BP算法可以使权值收敛到某个值，但并不保证其为误差平面的全局最小值，这是因为采用梯度下降法可能产生一个局部最小值。对于这个问题，可以采用附加动量法来解决。 3)网络隐含层的层数和单元数的选择尚无理论上的指导，一般是根据经验或者通过反复实验确定。因此，网络往往存在很大的冗余性，在一定程度上也增加了网络学习的负担。 4)网络的学习和记忆具有不稳定性。也就是说，如果增加了学习样本，训练好的网络就需要从头开始训练，对于以前的权值和阈值是没有记忆的。但是可以将预测、分类或聚类做的比较好的权值保存。1.4概述神经网络在检测系统中的应用在检测系统中，利用神经网络的高度并行运算能力，可以实时实现难以用数字计算机技术实现的最优信号处理算法；利用神经网络分布式信息处理和并行处理的特点，可以避开模式识别方法中建模与特征提取的过程，对复杂多部件系统进行故障诊断与分类；利用神经网络高度的非线性描述能力，还可以对传感器的线性特性进行高精度的拟合等等。2. 模糊控制2.1 模糊控制的概述模糊控制是以模糊集合论、模糊语言变量及模糊推理为基础的一种计算机数字控制。它基于被控系统的物理特性，模拟人的思