智能脉络在起重机平稳情况估像量里的运用.pptVIP

智能脉络在起重机平稳情况估量里的运用 1Elman神经网络原理 　　1.1Elman神经网络结构 　　Elman神经网络模型与常见的BP神经网络不同，具有上下文层，即在前馈网络的隐含层中增加一个承接层，作为一步延时算子，将隐含层前一时刻的输出反馈到当前时刻的输入，达到记忆的目的。这种反馈连接使Elman网络能够检测随时间变化的序列信息，从而使系统具有适应时变特性的能力，能直接反映动态过程系统的特性。此外，Elman网络还具有如下特点： 　　能够以任意精度逼近任意非线性映射；不必考虑外部噪声对系统影响的具体形式。若能给出系统的输入输出数据对，就可以利用Elman网络对系统进行建模，这给复杂系统的建模带来一种新的方法。 Elman型回归神经元网络一般分为四层：输入层、隐含层（中间层）、承接层和输出层，如1.其输入层、隐含层和输出层的连接类似于前馈网络，输入层的单元仅起信号传输作用，隐含层单元的传递函数可采用线性或非线性函数。 　　1.2Elman神经网络的学习过程 　　如1所示，Elman网络的非线性状态空间表达式为： 　　y（k）＝g（w 3 x（k）x（k）＝f（w 1 xc（k）＋w 2（u（k－1））x c（k）＝k（k－1） 　　其中y，x，u，xc分别表示维输出结点向量，n维中间层结点单元向量，r维输入向量和n维反馈状态向量。 w 1，w 2，w3分别表示承接层到隐含层、输入层到隐含层、隐含层到输出层的连接权值。 　　g（g）为输出神经元的传递函数，f（g）是隐层输出的线性组合，为隐含层神经元的传递函数，常采用型函数。 　　Elman网络也采用BP算法进行权值修正，学习指标函数采用误差平方和函数： 　　E（W）＝nk＝1［yk（w）－y（w）］2 　　其中y k（w）为目标输出向量。 　　1.3网络的训练Elman网络采用BP学习算法，隐含层神经元一般采用型传递函数f（x）＝1／（1＋e－x）。网络输出层可采用线性传递函数或对数S型函数。可通过采用结构单元使系统的动态特性由网络内部的连接提供，因此它无需直接使用状态作为输入或训练信号。 2应用实例 　　2.1学习样本的选择 　　人工神经网络对样本的选择一般要遵循以下原则： 　　样本足够多、样本具有代表性、样本均匀分布。为了使经学习后得到的网络具有较好的性能，所搜集的数据应包括问题相应的模式。在本Elman网络中，塔机不同工作状态的各参数即是输入向量。由于塔机在各种影响因素综合作用下的工作状态评判至今还没有相应的标准，因此本文采用了基于模糊综合评判结果的分类作为目标输出。影响塔机安全状态的因素主要有稳定性系数、起重（对于工程起重机械设备安全性探讨）量、起重力矩、工作幅度、风速、起升高度、电机温度等七个指标，其论域各不相同，对塔机安全状态的影响程度也有差别。由文献可求出在各影响因素的综合作用下的模糊评判结果。在保证均匀覆盖塔机实际安全状态的前提下，选择了23个训练样本对，如1所示。为防止输入样本数据偏差过大，可对数据进行归一化处理。 现设模糊评判结果为y，显然0≤y≤1。 　　考虑到实际应用，将［0，1］划分为5个子区间：0.85≤y≤1对应于塔机安全状态；0.7≤y＜0.85对应较为安全状态；0.5≤y＜0.7对应由安全状态转为危险状态的过渡状态；0.3≤y＜0.5对应较为危险状态；y＜0.3对应于危险状态。这样依据模糊综合评判结果将塔机安全状态进行了模糊分类，表现为五种模式。 　　对应于起重机的安全状态，确定网络评估模式，表示网络的输出：安全状态a：（10000）较为安全b：（01000）过渡状态c：（00100）较为危险d：（00010）危险状态e：（00001） 　　2.2网络设计与训练 利用Matlab7.0中的神经网络工具箱，建立一个Elman网络。结合实际情况，输入层神经元个数为7，隐含层神经元个数设为10，输出层神经元个数为5，得7－10－5结构的网络。 　　其中，输入层到隐含层采用Tansig函数作为传递函数，隐含层到输出层采用Logsig函数作为传递函数，并采用Leven－berg－Marquardt（LM）算法训练网络。将网络训练误差设为0.001。最大训练次数设为600次，当训练达到最大训练次数时网络停止训练。 2.3网络验证 　　取塔机三种不同工作状态，网络经过训练19次就达到精度要求，如2所示。 高空作业平台 / 　　3结论 　　神经网络具有较强的自学习、自适应能力，用于评价信息残缺的系统更具优势。另外，神经网络可以再现评估专家的经验、知识和直觉思维，较好地保证了评估结果的客观性。应用Elman神经网络进行起重机安全状态评估，在理论上和应用上都是可行的，与传统方法相比更具有快速、简便等优点。