BP逻辑模糊神经网络

2024-05-06

BP逻辑模糊神经网络（精选七篇）

BP逻辑模糊神经网络篇1

资源型城市 (包括资源型地区) 是以本地区矿产、森林等自然资源开采、加工为主导产业的城市类型。中国现有资源型城市118个, 约占中国城市总数的18%, 这些城市为经济建设作出了突出贡献。但近些年随着我国2/3的矿山进入中老年期, 1/4的资源型城市面临资源枯竭, 资源型城市在经济、社会和生态环境等方面的矛盾开始集中显现, 因此资源型城市如何培育新的主导产业, 对于实现资源型城市的可持续发展具有现实意义[1]。

目前, 对于区域或城市主导产业的选择研究较多, 所采用的评价方法主要有:层次分析法[2]、核主成分分析法[3]、数据包络分析法[4]、神经网络[5]和熵值法[6]等。但是, 对资源型城市主导产业的选择研究却较少。王亚萍 (2007) 对能源型城市主导产业选择进行了研究, 但是其指标体系的完备性需要进一步完善, 并且, 其研究中所采用的评价方法——核主成分分析法在一般研究中主要用于对指标体系的降维, 并不能应用于对研究对象的综合评价[3]。田金信 (2007) 对后工业化时期矿业资源城市主导产业选择进行研究, 但是其指标体系中的指标大多为模糊的定性指标, 影响了评价结果的客观性[5]。

本文在以上研究基础上, 首先依据产业存在、产业发展、产业相关、可持续发展这四个方面建立了资源型城市主导产业选择的两层指标体系, 尽量保证所采用的指标是符合要求的定量指标。由于BP逻辑模糊神经网络能够在信源信息含糊、不确定、不完整等复杂环境中处理复杂的非线性问题, 并且它具有良好的自学习、自适应、联想记忆、并行处理和非线形转换的能力, 避免了复杂的数学推导, 在样本缺损和参数漂移的情况下仍能保证稳定的输出, 因此, 选择逻辑模糊神经元网络作为评价方法进行主导产业的选择。

2 资源型城市主导产业选择的指标体系构建

资源型城市主导产业选择标准的建立必须综合考虑当地的资源条件、经济状况、技术水平和产品的市场潜力, 从而使主导产业的发展能够带动整个城市经济的发展, 促进产业化快速、健康发展, 成为经济增长所依托的重点产业[7]。为此, 依据资源型城市的经济优势和迫切需要解决的问题, 并依据地区资源枯竭的程度, 需要遵循的基本原则为:首先考虑产业本身是否能够生存;其次考虑产业能否发展, 即产业的发展标准;第三应该考虑产业对地区的影响问题, 即产业间的关联发展;第四应当考虑产业的可持续发展要求。具体评价指标体系见图1所示。

(1) 产业存在指标。

资源型城市主导产业选择的必要条件是能在本地区存在。因为资源型城市经济总体落后, 经济发展水平较差, 以及人才的大量流失, 因此, 在选择产业时不但要考虑产业的先进性还要考虑产业的生存性, 即要先考虑产业存在问题。产业可行性标准包括:总产值增加值比重、总产值平均增长率、资金利税率和全员劳动生产率。

(2) 产业发展指标。

资源型城市的主导产业不但要考虑产业的存在问题, 作为主导产业还要考虑发展问题。只有产业发展才可能壮大, 促进城市的发展, 起到支柱作用。产业的发展性标准主要指产业税收增长率、固定资产投资增长率、产值增长率和从业人员增长率。

(3) 产业相关指标。

高的产业关联性对其他产业会产生较强的后向关联、前向关联和旁侧关联作用, 可以带动相关联产业发展。产业关联性大的产业可以促进区域内GDP的快速增长, 对区域内贡献能力强, 相关的促进作用明显。这类指标主要包括产业感应度系数、产业影响度系数、需求收入弹性系数、产业集聚度系数和技术扩散系数。

在这个指标体系中引入了一个全新的概念——技术扩散系数, 主要指创新技术的横向扩散作用, 与主导产业的技术进步速度和关联度成正相关, 用技术进步速度与关联度的乘积衡量, 即E=TiRi, 其中Ti=Q-aK-bL, Q、K、L分别是产出、资本、劳动力的增长速度, a、b是资本与劳动的产出弹性。关联度Ri=Gi+Ai, Gi、Ai分别是感应度系数和影响力系数。

(4) 可持续发展指标。

可持续发展强调的是环境与经济的协调发展, 追求的目标是既要满足当代人的各种需求, 又要保护环境, 不对后代的发展构成危害。资源型城市经济转型的最终目标是实现城市的可持续发展, 而且资源型城市大多存在严重的环境问题, 因而, 选择主导产业要考虑这一原则, 在主导产业发展壮大的同时需要保护环境、恢复生态和植被等。这类指标主要包括单位增加值资源消耗量、单位增加值废水排放量、单位增加值废气排放量和信息化水平。其中, 信息化标准是指能够发展和利用信息技术, 将其利用于经济的发展。在资源型城市发展过程中, 把技术集约化、信息化程度高的产业选择为主导产业, 使技术集约化程度高的高新技术产业得到优先发展, 或者运用高新技术对传统产业进行改造。信息化的主导产业带动工业化水平, 提升经济的科技含量, 能够节约资源, 提高资源利用率。

3 BP逻辑模糊神经网络

用于测评主导产业的方法有很多种, 根据顺序测评的原则和资源型城市的实际情况, 如个别信息的不完整性和模糊性等等, 认为逻辑模糊神经元网络比较符合测评方法的特性 (田金信, 2007) 。

(1) 逻辑模糊神经元网络介绍

逻辑模糊神经网络是由逻辑模糊神经元组成的。逻辑模糊神经元是具有模糊权系数, 并且可对输入的模糊信号执行逻辑操作的神经元。模糊神经元所执行的模糊运算有逻辑运算、算术运算和其它运算。模糊神经元的基础是传统神经元模糊神经元网络, 适合于对模糊事件和数据不全的事件的分析, 以及具有自学习的能力, 所以选择逻辑模糊神经元网络进行主导产业的测评。

(2) 半逻辑模糊化神经网络

逻辑模糊神经网络的数值化过程是由专家意见和模糊推理共同来获得, 而本文只是部分数值需要模糊推理获得, 所以称其为半逻辑模糊化, 对于已经获得数值进行归一化处理后结合逻辑修正, 使其符合逻辑化的数值输入。

(3) 学习实例数值化

资源型城市主导产业指标间输出和输入结构符合逻辑模糊神经元网络模型中的BP网络结构关系, 所以采用BP半逻辑模糊神经元网络对其进行研究 (下文简称BP逻辑模糊神经元网络) 。取逻辑模糊神经网络的传递函数作为f (ω, x) 单输出的传递函数可以写成:

$f (ω ‚ x) = σ (\sum_{j = 1}^{Ν} ω_{j} σ (\sum_{k = 1}^{Ν} ω_{k j} x_{k}))$

其中ωj (j=1, 2…n) 代表隐含层到输出的权, ωkj (k, j=1, 2…n) 代表输入层到隐含层的权, σ (x) 表示神经元函数, 可以采取多种形式, 这里可以采用:

$σ (x) = \frac{1}{1 + e^{- x}}$

因为逻辑模糊神经元网络学习实例的输出模式和输入模式都是数值形式, 采用计算和模糊逻辑相结合获取神经网络学习实例, 通过模糊逻辑把所有数据数值化, 然后提供给网络学习。同样通过模糊化解释得出模糊逻辑结论。设选择主导产业的评价标准为:

U=[u1u2u3u4]

式中u1为产业存在标准;u2为产业发展指标;u3为产业相关指标;u4为可持续发展指标。

获得指标数据, 共同采用模糊逻辑推理的方法进行处理, 对一系列产业的某项指标按上述标准进行模糊评价, 评价等级为:好 (v1) 、较好 (v2) 、一般 (v3) 和差 (v4) , 组成论域:V=[v1v2v3v4]。根据多名专家对某项指标的模糊评价, 可得出对该产业在U×V上的模糊关系:R=[μij], 其中, μij∈[0, 1]为多名专家对该指标按标准ui的评价等级为vj的百分比。各位专家同时对指标制定出因子, 4个因子组成A={a1a2a3a4}, 由模糊变换, 可得出对某项指标的模糊综合评价向量:B=A。R=[b1b2b3b4], 其中, bj∈[0, 1]的含义为综合评价该指标的等级为vj的百分比。至此, 利用模糊逻辑, 把多名专家选择主导产业按多条标准的模糊评价变换为数值的综合评价向量BK, 建立一个4输入单输出的BP网络, BK就是BP网络的学习实例K的输入向量:XK=BK=[b1Kb2Kb3Kb4K], 其中, 学习实例k的期望输出值Y*K是专家根据自己的经验对主导产业评价模糊语言修饰词经过模糊逻辑处理后的值, 模糊语言修饰词取值可以参考。

(4) 选择BP逻辑模糊神经网络结构和梯度下降法

Kosmogorov定理论证明, 在合理的结构和恰当的权值条件, 3层BP网络可以逼近任意的连续函数。现在做出BP神经网络结构图如图2, 采用1×4×16结构, 应用模糊逻辑获得输入信息, 组成数值的综合评价向量BK, 进行样本评价训练, 应用梯度下降法, 连接权重的调整量为:

$△_{j} ω_{k j} = - η \frac{\partial E}{\partial ω_{k j}}$

式中, E为实际输出和期望输出的期望误差;η为学习效率。

4 案例分析

4.1 案例对象选择

陕西省榆林市是一个典型的依煤建市的资源型城市, 以榆林的20多个行业为备选样本, 根据图1所构建的指标进行主导产业选择。由于受篇幅所限和考虑到获得数据的详实和难易程度, 且煤炭洗选业和电力工业已经是支柱产业, 另外选择其他一些产业, 包括非金属矿物制品业, 有色金属冶炼及压延加工业, 电器机械及器材制造业, 医药制造业、饮料制造业, 塑料制品业, 通用设备制造业, 纺织业, 黑色金属冶炼及压延加工业, 农副食品加工业, 交通运输设备制造业, 食品制造业, 纺织服装、鞋、帽制造业, 造纸及纸制品业, 化学原料及化学制品制造业, 水的生产和供应业等产业作为测评样本。其中, 在后面计算中前7位产业相关指标值见表1所示, 其他由于篇幅所限不再列出。

续上表

注:数据来源于《2008陕西省统计年鉴》及《2008榆林市统计年鉴》。

4.2 榆林市产业顺序测评

应用BP逻辑模糊神经网络对几种产业进行学习训练。首先选择传递函数: $f (ω ‚ x) = σ (\sum_{j = 1}^{Ν} ω_{j} σ (\sum_{k = 1}^{Ν} ω_{k j} x_{k}))$ 作为

f (ω, x) 单输出神经网络的传递函数, 以 $σ (x) = \frac{1}{1 + e^{- x}}$ 为隐层的输出函数。其他如前所述。根据专家的资历和水平选择一定数量的专家, 通过计算和逻辑模糊推理进行有关数据的获得。

首先选择一种产业并对其评价, 如选择有色金属冶炼及压延加工业, 经专家综合分析后, 通过模糊逻辑推理获得输入层的权值ω1, ω2, ω3, ω4和隐层的输入权值ωij, 分别是:

$\begin{array}{l} ω_{j} = [0.9547 0.7825 0.7714 0.7142] \\ ω_{k j} = [\begin{matrix} 0.2474 & 0.1423 & 0.6425 & 0.5974 \\ 0.5367 & 0.4112 & 0.1874 & 0.6378 \\ 0.3347 & 0.0177 & 0.3591 & 0.7728 \\ 0.8970 & 0.8341 & 0.3852 & 0.6174 \end{matrix}] \end{array}$

评价值y=0.8752

非金属矿物制品业经训练得结果如下:

$[\begin{matrix} 0.12417 & 0.33474 & 0.81847 & 0.01524 \\ 0.21574 & 0.17483 & 0.52365 & 0.23484 \\ 0.17840 & 0.75384 & 0.43781 & 0.89421 \\ 0.42784 & 0.86514 & 0.51722 & 0.24574 \end{matrix}]$

评价值y=0.7312

其他产业的计算以此类推即可。前7位评价值见表2所示。表中: (1) 表示BP神经网络方法; (2) 表示德尔菲方法, △= (1) - (2) ; (3) 表示模糊逻辑隶属度。本文只列出7种产业的评价结果, 可以看出, 用BP逻辑模糊神经网络推理进行主导产业的评价, 用德尔菲方法和模糊逻辑隶属度对优选结果进行最后的评估, 结果符合德尔菲方法和模糊逻辑隶属度的评价结果且误差很小, 在5%以内。其他产业也可应用此法得出综合评价的分值, 进而获得产业排序评价值。

田金信 (2007年) 认为, 如果主导产业的数量超过了12个以上, 这时主导产业的产值占总产值的平均比例将低于9%, 则起不到主导产业的作用。所以对于一般的欠发达的资源型城市主导产业的选择, 初期的数量一般控制在6个以内。因此, 综上所述, 榆林市主导产业包括有色金属冶炼及压延加工业、非金属矿物制品业、塑料制品业和农副食品加工业以及包括原来的煤炭洗选业和电力工业;纺织业、医药制造、造纸及纸制品业等其他产业可以作为主导产业的第二梯队建设, 并给予有色金属冶炼及压延加工业、非金属矿物制品业和塑料制品业一定的扶持, 使其对经济发展的基础作用能够充分地体现。

5 结论

当前, 新的主导产业的选择是我国资源型城市面临的重要问题。本研究采用了田金信 (2007年) 对指标的归类标准, 依据产业存在、产业发展、产业相关、可持续发展这四类标准建立了资源型城市主导产业选择的指标体系, 在以上四类标准下, 对王亚萍 (2007年) 及其他相关研究中的指标进行了改进, 使得指标体系中所采用的指标大部分为定量指标。同时, 在田金信 (2007年) 的研究基础上采用BP逻辑模糊神经网络进行产业顺序的测评, 较好地解决了数据处理方面的问题。最后, 利用陕西省榆林市的相关数据进行了案例分析, 认为榆林市主导产业包括煤炭洗选业、电力工业、有色金属冶炼及压延加工业、非金属矿物制品业、塑料制品业和农副食品加工业。当然, 还有许多问题需要深入研究, 包括各产业历年的数据能否反映未来的情况, 是否需要建立预测模型对各产业未来的相关指标数据进行分析, 等等。

参考文献

[1]宋晓梧.资源型城市转型发展需培养后续产业[DB/OL].[2008-06]http://www.drcnet.com.cn/DRCnet.common.web/DocViewSummary.a spx?docid=1739509&leafid=14021&chnid=3616&gourl=/DRCnet.common.web/docview.aspx.

[2]王建鸣, 蒋元涛, 王宗军.中小城市主导产业选择模型及实证分析[J].科技进步与对策, 2004, 21 (11) :34-36.

[3]王亚萍, 周德群, 章玲.能源型城市主导产业选择的理论模型及其实证研究[J].系统工程, 2007, 25 (2) :81-86.

[4]赵成柏.江苏新型工业化下工业主导产业选择[J].统计与决策, 2005 (22) :40-43.

[5]田金信, 万立军, 杨旭东.应用BP神经网络模糊推理的资源城市主导产业评价[J].中国管理科学专辑, 2006:590-594.

[6]梅小安, 喻金田.县域经济主导产业的选择、评价及实证分析[J].科学学与科学技术管理, 2003 (7) :46-48.

BP逻辑模糊神经网络篇2

企业财务风险通常表现为企业财务状况的恶化和经营成果的降低, 其结果将会直接导致企业获利能力、偿债能力、营运能力和成长能力的下降, 而这四个方面能力的综合即为企业的实际经营绩效。企业财务风险的发生, 最终体现为企业实际经营绩效与经营目标之间出现非预期的负偏差。通过对这种负偏差及其偏差程度的分析, 来综合判断企业财务风险是否发生以及财务风险状态的严重程度。定量财务指标如表1所示:

(一) 模糊综合评价进行表层分析

企业经营绩效评价指标体系是一个多层次、多指标的评价体系。考虑到企业经营绩效可以从A1～A4四个能力方面来评价, 每一个方面在整个评价体系中的权重系数, 可以由包括专家、企业管理人员及相关技术人员在内的n类有关人员依据各自的经验和方法分别给予评价。

评价结果Wik组成模糊关系评价矩阵:, 其中::表示第i个专家对第k方面的评价, 再利用线性加权法:得出上述四方面的权重系数。其中ai为第i类人员的加权系数。

(二) BP神经网络模型内部分析

以上A1～A4四个方面整体构成评价体系的表层。然后, 为克服模糊综合评价这种定性方法的局限性, 对每个方面中各能力指标采用人工神经网络模型来进行深层次的定量评价。

(1) 构建BP网络模型结构。把这四个方面分别构造成为四个小的人工神经网络, 由于前向反馈式BP神经网络具有精度高、误差小等优势, 目前大多采取BP网络。其传导结构如图1所示。

BP网络是一种单向传播的多层前向网络。它采用梯度搜索技术, 以使网络的实际输出值与期望输出值的误差方值为最小。其网络结构是由输入层、输出层和隐层组成, 其中隐层可以是一层, 也可以是多层, 前层至后层节点通过网络权值相连接, 同层节点中没有任何祸合, 输入层和隐层的激活函数通常为Sigmoid型。但是在隐层和输出层之间的激活函数可以是线性的。Sigmoid型传递函数表达式为:

(2) 确定模型初始权重。采用完全随机化的初始权重确定方法, 通常的初始权重值与偏差值随机化方法都是在区间 (-1, l) 之间取均匀分布的随机数的函数, 式中i, k, j分别为输入层、隐含层和输出层神经元数, rand (m, n) 为m行n列的均匀分布的随机数矩阵, I (m, n) 为m行n列的全1矩阵, 目的是保证权值分布在区间 (-1, l) 范围内。这样初始权值W与阈值B为:W1=rand (k, i) -I (k, i) , W2=rand (j, k) -I (j, k) , B1=rand (k, 1) -I (k, 1) , B2=rand (j, 1) -I (j, 1)

该函数分为线形区和饱和区, 当神经元工作于饱和区时, 函数变化缓慢, 需经过较长的一段时间才能跳出该区域, 而工作于线形区时, 由于函数的变化较快, 使得神经元的自我调节容易, 因而收敛速度较快。如果初始权重选择的区域过大, 神经元落入饱和区的概率也就越大, 其收敛速度也就会很慢, 但如果区域选得过小, 同样会降低神经元的活性, 影响网络的收敛速度。为验证上述理论, 选择了[-15, 15]到[-0.001, 0.001]等9个区间, 产生随机权重, 通过分析输出的一系列累积误差变化, 得出前两者当随机权值产生区间在[-0.25, 0.25]之间时, 两模型的收敛速度均为最快;而后两者只有当随机权值产生区间在[-0.2, 0.2]之间时, 两模型收敛为最快。

(3) 学习次数与精度确定。BP神经网络的学习过程是由模式的正向传播和误差的反向传播所组成。在正向传播中, 输入信息经隐含单元逐层处理并传向输出层。如果输出层不能得到所期望的输出, 则转入反向传播过程, 将实际值与网络输出之间的误差沿原来的连接通路返回, 通过修改各层神经元的连接权重使误差减小, 然后再转入正向传播过程。如此反复计算, 直到误差小于设定值, 学习过程结束。一般来讲, 网络学习次数越多, 其输出结果的精度越高, 但学习次数多其网络训练时间也越长, 另外, 如果学习样本选择不当, 网络精度越高, 意味着其记录的错误信息越多, 也会对网络的应用效果产生不利影响。为此, 通过网络训练比较, 前两者模型中, 网络训练次数定为15万次, 而后两者网络训练次数则定为16万次为宜。

(三) 利用网络输出进行模糊评价

通过上述步骤得出的能力系数由输出层Oj= (1, 2, 3, 4) 输出, 其结果分别为R1'、R2'、R3'、R4', 则最终得到企业经营绩效的综合评价结果:

二、财务风险控制

利用模型进行财务风险识别之后, 对于存在企业内部的风险, 必须实施有效的策略加以控制, 从而达到财务风险管理的最终目的。这里从风险状态转移、机制改善和企业特性优化这三个不同深度的层面, 分析企业财务风险控制的基本途径。

(一) 风险状态转移

风险状态转移是企业财务风险控制策略最为直接的形成途径, 它是对企业在某一环节或区域存在的风险因素, 采取直接的纠正措施加以整治, 使企业由严重风险状态逐步向较低风险状态转移。企业综合评价指数值处于风险状态区域的原因可从以上所说的四个方面来反映, 那么风险状态转移策略的制定也可从这些方面来考虑。例如盈利能力指标类评价指数值及其单项指标的评价指数值过小, 则说明企业的盈利能力处于风险状态, 经营者应采取增加销售收入或降低生产成本的对策, 以扩大企业利润边际额, 增强企业盈利能力。如果运营能力处于风险状态, 经营者就应注意加强原材料、在制品、产成品等企业存货及其它流动资产的管理, 改善企业销售政策, 促进应收帐款的及时回收, 以改变企业资产周转效率太低的状态。偿债能力处于风险状态, 企业经营者应设法扩大股票发行量或促进股票价格提高, 以增加权益资本价值, 或者缩小债务帐面价值, 改善企业资本结构。如果成长能力处于风险状态, 企业经营者应考虑优化企业产品结构, 开辟企业新的利润增长点, 从而改变企业发展缓慢或处于停滞的状态。

(二) 风险机制改善

改善企业风险机制相对于风险状态转移, 能在更深层次上控制企业财务风险的发生与扩散, 能够提高企业财务风险控制的能力。改善企业财务风险机制, 应从建立结构完善的风险控制制度, 促进企业管理层及员工树立正确的风险观念和掌握科学的风险控制的基本方法等方面出发。一是加强企业管理决策过程中的风险观念。财务风险是客观存在的, 只要有财务活动, 就必然存在着财务风险。而在现实工作中, 企业管理人员对财务风险的客观性认识不足, 缺乏风险意识, 通常认为只要管好用好资金就不会产生财务风险。二是建立健全企业财务风险控制制度。要把风险机制引入企业管理活动中, 把风险观念融入企业内部控制制度中, 让企业经营管理者及其员工在市场竞争中承担风险责任。

(三) 企业特性优化

优化企业特性则是从根本上和战略上最大限度地防范与控制企业财务风险的发生, 提高企业控制财务风险的能力和水平, 保障企业的长期生存和持续发展。一般来讲, 企业当前的经营成果和财务状况, 是在企业过去经营成果和财务状况的基础上, 由当前的企业特性因素综合影响和作用的结果;未来的经营成果和财务状况, 则是过去、目前和将来的企业特性因素综合影响和作用的结果。因此, 对企业特性的优化是提高企业经营成果、改善企业财务状况、控制企业财务风险的根本途径和战略措施。

参考文献

基于模糊BP网络的加工方法链决策篇3

CAPP作为CAD/CAM集成的关键技术,它在企业信息化集成中有着重要的作用。随着CAPP向着智能化、集成化和网络化方向发展,企业对现代CAPP系统的要求越来越高。CAPPA经历了由变异式、创成式到现代CAPP系统的发展过程。传统的CAPP系统大都是基于知识的专家系统。知识库包含有事实,事实间的关系以及应用领域问题可能作用的方法。基于知识的专家系统大都是基于规则的推理思维,推理方法单一,且控制策略也不是柔性的,专家系统不能根据企业实际的情况动态地决定控制策略。众所周知,神经网络(Neural Network NN)的最大特点就是大规模模拟并行处理、信息的分布式存储、全局群体作用、高度的容错性和自组织、学习及实时处理[1]。因此,可以利用神经网络系统的学习功能,联想记忆功能及分布式并行信息处理功能解决专家系统中知识表示、知识获取和并行推理等问题。将神经网络应用到CAPP系统,实现实时、动态地决策,适应企业的生产环境。

1 CAPP系统加工方法链的决策过程

加工方法的选择是工艺过程设计的基础。在CAPP系统中,加工方法的选择可以采用基于规则的推理,也可以采用基于实例的推理来实现。实际生产中,零件特征加工方法的选择是一个复杂的过程,要权衡各种因素的影响[2]。影响零件加工方法的因素有:加工零件的特征类型(F)、零件尺寸(D)、精度等级(IT)、表面粗糙度(Ra)、材料(Ma)、可使用的加工机床(Mc)、刀具(Cu)、生产批量(Q)等。在生产实际应用中我们将前四项作为加工方法决策的主要因素,其余的作为次要因素,可建立加工方法选择的单位神经元模型,如图1所示。

xi-输入;Net-净输入;θ-神经元阀值;Y-输出

神经网络作为一种研究方法,是仿照生物神经网络构造出的一种网络模型,它具有很好的综合判断能力,也有很强的学习能力,能适应环境的变化[1]。可根据环境的变化或通过人为的学习来自行调节权值,从而使网络的行为适应环境的变化。在传统的BP神经网络中增加一些模糊元素,如对神经元进行模糊化处理,采用迷糊推理方式等,便得到模糊化的神经网络。模糊化的神经网络既保证了神经网络的并行学习特点及清晰的网络结构,又具有处理模糊信息的能力。现代CAPP系统中,零件特征与加工方法的对应关系是模糊的,如零件的一个特征可采用多种加工方法,一种加工方法能加工一个零件的多个特征。对零件的特征采用常规的BP神经网络模糊化方法建模,既能满足神经网络的要求,又能反映输入与输出之间的模糊关系。

2 加工方法决策模糊BP神经网络模

一个典型的多输入多输出的模糊BP网络拓扑结构一般包括输入层、隐含层和输出层,其中隐含层可以有多层。该网络结构能完成模糊化、模糊推理和去模糊化等操作[4]。实质上就是一个利用神经网络实现的基于规则的模糊推理系统。

2.1 模糊BP网络模型的建立型的建立

根据零件表面的加工特征,结合模糊BP网络设计理论,本文以轴向孔的加工为例,创建其加工方法选择模型如图2所示。模型的输入变量X主要为孔的尺寸(D)、精度等级(IT)、表面粗糙度(Ra),为使输入值模糊化,本文将内孔径、粗糙度值划分为大、中、小3个语言值集合,其对应的梯形隶属函数如图3、4所示;由机械制造工艺知识可知孔的公差等级为6~12,我们将6、7级划分为小,8、9、10为中,11、12为大,组成语言值集合。由此可计算得出该模型有10个输入结点。输出变量Y由四种加工方法组成,即1)钻孔-扩孔-铰孔;2)钻孔-粗铰-精铰;3)钻孔-粗镗-精镗;4)钻孔-粗镗-精镗-磨孔。模糊BP网络的隐层结点由经验公式(1)确定为6。

上式中:n为输入层神经元个数,m为输出层神经元个数,a在1~10之间取值。

该模糊BP神经网络共有5层,第一层为输入层,总共有10个节点,代表10种影响加工方法的主要因素;第二层为量化层,主要是对输入值进行模糊化,用隶属函数描述的语言值集合表示网络节点;第三层采用代数乘对上一层输出的隶属度值进行合成操作;第四层为结论层,对与每个输出层节点相对应的模糊规则得到的结论进行加权处理,为解模糊做准备;第五层为输出层,该拓扑结构有4个输出节点,代表四种加工方法链。在最终确定加工方法时,采用最大隶属度函数(2)得出相应的输出。

2.2 模糊BP神经网络训练样本的选取

本文根据输入输出变量的取值范围及工艺设计知识,结合机械制造手册和各种特征常用加工方案选择训练样本,构成样本集。部分样表数据如表1所示。

2.3 模糊BP神经网络的学习训练

在模糊BP网络的学习过程中,采用误差反向传播算法对网络进行学习训练。该算法主要分为两个基本过程,即模式从输入层通过隐层逐层向输出层传播,误差从输出层经隐层逐层向后传播[5]。实际应用中对网络各层连接权和阀值随机赋初值(范围为-1至1),然后求出隐层和输出层各节点的输出值及误差,最后根据输出值和误差对连接权和阀值进行修正,通过反复训练最终得到满足误差要求的结果。选取学习效率α=0.7,误差指标为0.0001。

2.4 模糊BP神经网络加工方法的选择

为了验证训练后网络的可靠性,选择不同的训练样本对网络进行验证。将φ22、IT8、Ra3.2,φ48、IT7、Ra1.6,φ110、IT6、Ra0.4孔特征对应的输入X=(0,22,8,3.2)、X=(0,48,7,1.6)、X=(0,110,6,0.4)经模糊BP网络后得到输出Y=(1,0,0,0)、Y=(0,1,0,0)、Y=(0,0,0,1)。由此可得其加工方法分别为:钻孔-扩孔-铰孔、钻孔-粗铰-精铰、钻孔-粗镗-精镗-磨孔。由模糊BP网络选择的上述三个特征的加工方案与人工决策的结果相符合,这说明应用该网络进行零件加工方案的决策是可靠的。

3 结论

本文利用模糊BP神经网络解决零件加工链决策问题,克服了基于规则的推理系统存在的知识表达与获取效率低、推理效率低、推理结果单一的缺点。利用神经网络强大的学习功能,结合企业的实际生产能力,确定模糊BP神经网络的神经元,合理选取训练样本,实现对加工方法链实时、动态地决策,使CAPP系统适应企业的生产环境。本文存在的不足之处是隐层神经元个数是根据经验随机确定的,如何准确的确定神经元个数来提高网络收敛速度这一问题有待解决。

参考文献

[1]肖伟跃.CAPP中的智能信息处理技术[M].长沙:国防科技大学出版社,2002.

[2]邵新宇,蔡力钢.现代CAPP技术与应用[M].北京:机械工业出版社,2004.

[3]罗晓曙.人工神经网络理论模型算法与应用[M].广西:广西师范大学出版,2005.

[4]孟庆智.智能CAPP关键技术研究[J].河北:燕山大学,2010.

[5]宋柯.箱体类零件CAPP系统关键技术研究[D].西安:西安建筑科技大学,2010.

BP逻辑模糊神经网络篇4

神经网络控制的研究始于20世纪60年代,1960年,widrow和Hoff首先把神经网络用于控制系统,Kilme和McCulloch提出了KMB神经网络模型,并在“阿波罗”登月计划中应用取得良好的效果。迄今为止,神经网络已经覆盖了控制理论中的很多问题,比如系统建模与辨识、预测控制、最优控制、自适应控制、模糊控制、专家控制等,甚至还可应用于控制有关的其他问题,比如AD转换和Lyapunov方程求解等。

1 BP神经网络与模糊控制

BP神经网络的网络结构是一个前向的多层网络,该网络中不仅含有输入层节点和输出层节点,而且还含有一层或多层的隐层节点。在BP神经网络中,同层的各神经元之间互不连接,相邻层的神经元则通过权值连接。当有信息输入BP神经网络时,信息首先由输入层节点传递到第一层的隐层节点,经过特征函数(人工神经元)作用之后,再传至下一隐层,这样一层一层传递下去,直到最终传至输出层进行输出。其间各层的激发函数要求是可微的,一般是选用S型函数。最基本的BP神经网络是包括输入层,隐层,输出层这三层节点的前馈网络,其结构如图1所示[1]。

模糊控制作为智能控制的一个重要分支,主要是模仿人的控制经验而不依赖被控对象的数学模型,因此若将模糊控制与PID控制结合起来组成模糊PID自适应控制器,使PID参数不依赖于被控对象的数学模型,并且能够动态调整PID参数以实现其优化[2],解决BP神经网络温度控制所面临的问题。

2 模糊PID控制器的设计

对于某一BP神经网络温度控制系统,测温、内部变化及执行机构可以等效为以下传递函数 $G (s) = \frac{27}{(s + 1) (s + 3)^{3}}$ ,利用模糊控制根据系统的反馈时刻选择适当的PID参数,实现参数动态调节,原理见图2。

2.1 模糊控制器参数的论域及隶属度函数

由图2可知PID控制器的比例增益Kp、积分增益Ki和微分增益Kd作为模糊控制器的输出,系统误差e和误差变化率Δe作为模糊控制器的输入,故系统中的模糊控制器有2个输入3个输出。

2.1.1 输入变量的论域及隶属度函数

根据实际情况,误差e和误差变化率Δe的论域都选为{负大,负中,负小,零,正小,正中,正大},用符号表示为{NB,NM,NS,ZO,PS,PM,PB},采用如图3所示的隶属函数。

2.1.2 输出量的论域及隶属度函数

模糊控制器的输出分别为比例增益Kp、积分增益Ki和微分增益Kd,为了方便,可将其归一化为0～1之间的参数K′p和K′d,Ki可以表示为Ki=K $_{p}^{2}$ /(αKd),故模糊控制器的直接输出变量为α,K′p和K′d。

α的论域为{S,MS,M,B},其隶属函数为一单点隶属函数,如图4所示。

K′p和K′d的隶属函数如图5所示。需要说明的是设计模糊控制器时隶属度函数并非随意确定的,如何选择隶属度函数,文献[3]中作了明确的阐述。

2.2 模糊规则

根据实际经验,对本文中工业对象的控制可以总结为一系列推理语言规则,例如:

$\begin{array}{l} i f e = Ν B a n d Δ e = Ν B t h e n α = S, Κ_{p}^{´} = B a n d Κ_{d}^{´} = S \\ i f e = Ν B a n d Δ e = Ν Μ t h e n α = S, Κ_{p}^{´} = B a n d Κ_{d}^{´} = S \end{array}$

将上述规则用表的形式表示出来,即模糊控制规则表,如表1～表3所示。

3 模糊控制器的实现及仿真

对上述模糊控制器采用直接在Simulink图形化工具平台建模并仿真。主要步骤[4,5]如下:

(1) 建立相应的模糊推理系统

首先在命令窗口输入fuzzy,回车便打开FIS的编辑器界面。添加输入输出变量并分别命名为e,ec,K′p,K′d,α采用Mamdani推理方法。其次对输入输出变量的隶属度函数进行编辑,之后进入规则编辑器将表1～表3中的规则添加其中,最后将所建立的模糊推理系统存盘并命名为fis1,值得注意之处是存盘后还须选择‘save to workspace’项,以便在建模时能调用这个文件。

(2) 在Simulink中建模并仿真

本控制系统中由于被控对象的非线性和复杂性,PID控制器的参数是变化的,如式(1),(2)所示:

$\begin{array}{l} Κ_{p} \in [0.32 Κ_{U} ‚ 0.6 Κ_{U}] (1) \\ Κ_{d} \in [0.08 Κ_{U} Τ_{U} ‚ 0.15 Κ_{U} Τ_{U}] (2) \end{array}$

其中KU=4,TU=2.9;选择一组PID参数:Kp=2.19,Kd=0.258,Ki=1.03,其对应的PID控制器传递函数为D(s)= Kp(1+1/Kis+Kds),即可得到常规PID控制器的仿真模型。作为比较,建立模糊控制器的仿真模型如图6所示,其中Matlab function 根据式(3),(4),(5)将归一化的参数转化为实际的PID参数。

需要说明的是出于方便考虑,此处将传统PID控制器与模糊PID控制器集合在一个控制模型中,利用Simulink库中的Switch模块进行两者之间的切换。

$\begin{array}{l} Κ_{p} = (Κ_{p m a x} - Κ_{p m i n}) k_{p}^{´} + Κ_{p m i n} (3) \\ Κ_{d} = (Κ_{d m a x} - Κ_{d m i n}) k_{d}^{´} + Κ_{d m i n} (4) \\ Κ_{i} = Κ_{p}^{2} / (α Κ_{d}) (5) \end{array}$

4 结语

对上述模型进行仿真并将PID仿真结果与模糊PID控制仿真结果进行比较,如图7所示。可以发现对系统进行模糊PID控制,响应过程平稳,超调减小,响应时间也较快,性能良好。

摘要：根据BP神经网络对温度控制的要求设计出一种模糊PID控制器,采用误差和误差变化率作为模糊PID控制器的输入,PID参数作为模糊PID控制器的输出,使用一组模糊规则实现对PID参数的在线优化调节。采用Simulink图形化工具平台对模糊PID控制器和传统的PID控制器进行建模和仿真,结果表明和传统PID控制器相比,模糊PID控制器性能优良,使系统响应速度加快,超调减小。

关键词：BP神经网络,模糊控制,模糊PID控制,隶属函数

参考文献

[1]徐丽娜.神经网络控制[M].北京:电子工业出版社,2003.

[2]张国良,曾静,柯熙政,等.模糊控制及其Matlab应用[M].西安:西安交通大学出版社,2002.

[3]戎月莉.计算机模糊控制原理及应用[M].北京:北京航空航天大学出版社,1995.

[4]李国勇.智能控制及其Matlab实现[M].北京:电子工业出版社,2005.

[5]曹志国,廉小亲.基于Matlab的两种模糊控制系统的仿真方法[J].计算机仿真,2004,21(3):41-43.

BP逻辑模糊神经网络篇5

由于空间信息具有模糊性, 同一块变形体上不同的变形点的变形量不可能完全相同, 但却有相似性。模糊聚类分析就是用来研究这一不确定性关系的。应用模糊数学的理论和方法进行的聚类分析, 称为模糊聚类分析[2]。

利用模糊聚类可以分析变形点间是否存在时间和空间相关性。对位于同一块变形体上的变形点, 利用BP神经网络可以根据已有的监测点的变形资料预测其他变形点的变形量。

1 模糊聚类分析过程

1.1 建立原始矩阵及数据标准化

如果某分类问题共有n个样本、m个特性指标, 可构造一个n×m的原始矩阵:

其中, 任意一行表示该样本的m个特性。

本文主要利用中心化变换方法标准化原始数据, 其变换公式为:

$x_{i j} = y_{i j} - \bar{y}_{j}$ (2)

1.2 计算模糊相似矩阵

1) 最大最小法:

$r_{i j} = \frac{\sum_{k = 1}^{m} m i n (x_{i k}, x_{j k})}{\sum_{k = 1}^{m} m a x (x_{i k}, x_{j k})}$ (3)

2) 绝对值指数法:

$r_{i j} = \exp (- c \sum_{k = 1}^{m} | x_{i k} - x_{j k} |)$ (4)

3) 欧氏距离:

$r_{i j} = 1 - c \sqrt{\sum_{k = 1}^{m} (x_{i k} - x_{j k})^{2}}$ (5)

1.3 模糊聚类

用上述方法建立起来的相似矩阵R, 一般只满足反射性和对称性, 不满足传递性, 因而还不是模糊等价关系。因此, 需要把R改造为R*。采用平方法计算传递闭包, R→R2→R4→…→R2k→…, 经过有限次运算后存在k, 使R2k=R2k+1, 取R*=R2k。

对满足传递性的模糊分类关系的R*进行聚类处理, 给定不同置信水平的λ, 求R*λ阵, 找出R*的λ显示, 得到普通的分类关系。

2 BP神经网络

2.1 BP神经网络原理

BP神经网络分为输入层、隐层、输出层。BP神经网络可看作是一个从输入到输出的高度非线性映射, 即F:Rn→Rm, f (x) =y。对于样本集合:输入xi和输出yi (yi∈Rm) , 可认为存在某一映射g, 使:

g (xi) =yi (i=1, 2, …, n) (6)

对于输入信息要先向前传播到隐层的节点上, 经过各单元的作用函数、转换函数或映射函数等运算后, 把隐含节点的输出信息传播到输出节点, 最后给出输出结果。

2.2 建立神经网络预测模型

假设共有m个变形监测点同步观测了n个观测时刻, 经模糊聚类分析, 有N个点处于同一块变形体上。本文建立的神经网络变形监测预测模型是以同步观测时刻前N-1个变形点的前n-t的观测时刻的变形量作为输入样本, 剩下的变形点前n-t的观测时刻的变形量作为目标样本进行网格训练。

设xi (k) 为第i个变形点第k时刻的观测值, xi= (xi (1) , xi (2) , …, xi (n) ) 为第i个变形点的观测序列, 则输入样本为:

目标样本为:

建立BP神经网络预测模型后根据前N-1变形点的后t个观测时刻的变形量对第N个变形点的同步观测时刻进行预测。

2.3 输入数据规格化和隐层节点数确定

标准化公式:

$x^{'}_{i j} = \frac{x_{i j} - \bar{x}_{i}}{s_{i}}$ (9)

依据Kolmogorov定理, 当BP神经网络输入层为m时, 隐层数应选为2m+1。一种改进型的选定隐层节点数的方法是, 先依据一定的法则选定初始隐层节点数P0进行网格训练, 在初始训练的结果上, 分别增加或减少一定数目的隐层节点, 重新进行训练, 根据训练结果误差的增大或减少趋势, 确定下一步隐层节点数变化的方向是继续增大还是减小, 然后对改变了隐层次节点数的网络重新进行训练, 直到找到合适的隐层节点数[4]。

3 实例分析

对某滑坡6个变形监测点19期沉降监测资料 (如表1, 图1所示) 进行分析, 建模。

3.1 对各变形点模糊聚类分析

基于同块体上的点, 其沉降变形应该相似, 对A1点～A6点相互关系作模糊聚类分析。从图1可以看出A2点～A6点变形规律具有相似性。下面作具体分析。

对原始数据进行规格化变换后, 用最大最小法进行聚类分析, 得到模糊等价关系矩阵 (见表2) 。

取定阀值λ=0.70, 则把A1～A6六个变形点分为两类, {A1}, {A2, A3, A4, A5, A6}。

为了验证分类的正确性, 再采用前述的另外几种方法计算模糊等价关系矩阵, A6与其他5个点的等价关系系数见表3。

从表3可以看出, 采用不同的聚类方法, 模糊聚类分析的结果大致相同, 所以可以认为A2点～A6点为彼此影响较大, 具有同类变形性质的点, 可视为同一变形体上的变形监测点。

3.2 建立神经网络预测模型

6个变形观测点同步观测了19期, 根据上文, 建立BP神经网络预测模型。其输入样本为:

目标样本为:

建立预测模型后再根据A2～A5的第16～19观测时刻的变形量对A6的同步时刻变形量进行预测。

3.3 预测结果分析

隐层选为6时, 迭代次数为964;隐层选为9时, 迭代次数为964;隐层选为12时, 迭代次数为996。表4列出了BP神经网络模型分析结果。

可以看出当隐层设为9时, 预测效果要比隐层为6或12时更好, 且拟合残差也很小。

对于A6点前15期数据建立GM (1, 1) 模型, 并对后4期数据进行预测, 预测效果如表5所示。

4 结语

由以上实证预测研究结果可以看出, 利用BP人工神经网络得出的训练数据输出值与样本之间的相对误差很小, 可见该网络的自学习能力非常强, 网络性能好。通过对A6变形点的变形量的预测效果可以看出, BP神经网络的预测效果比A6点单点的GM (1, 1) 模型预测效果好。当预测步长增多时, GM (1, 1) 模型的预测误差有增大的趋势, BP神经网络能很好的弥补GM (1, 1) 模型的这一缺点, 对中长期的预测取得良好的效果。

参考文献

[1]尹晖.时空变形分析与预报的理论和方法[M].北京:测绘出版社, 2002.

[2]刘增良.模糊技术与神经网络技术选编 (4) [M].北京:北京航空航天大学出版社, 1999.

[3]魏海坤.神经网络结构设计的理论与方法[M].北京:国防工业出版社, 2005.

[4]伍春香, 刘琳, 王葆元.三层BP网隐层节点数确定方法的研究[J].武汉测绘科技大学学报, 1998, 24 (2) :177-179.

BP逻辑模糊神经网络篇6

水是人类赖以生存和发展的基本要素, 更是人类实现经济、社会以及生态环境可持续发展的战略资源, 在国家的可持续发展战略中占有十分重要的地位, 而我国的水资源形势却不容乐观, 其现状可以归纳为:总量可观, 但人均水资源短缺;水资源时空分布不均衡;水资源利用率低, 浪费严重;水体、水质污染问题日益加剧;用水竞争激烈, 生态环境恶化等[1,2,3]。

对区域水资源进行合理的开发与利用, 实现水资源的合理配置, 为区域社会、经济和生态环境合理提供水资源, 使其获得最大的效益, 对水资源越来越紧缺的我国社会和经济发展与环境质量的提高, 具有举足轻重的作用, 也是实现社会、经济与环境可持续发展的重要前提, 对实现和谐社会及社会经济的持续、健康发展具有极其重要的意义。

综上所述, 为使可供的水资源得到高效利用, 保证社会、经济、资源和生态环境的可持续发展, 必须对水资源配置方案进行评价优选。本文从水资源配置所涉及的社会合理性、经济合理性、生态合理性、资源合理性四个方面, 以区域水资源合理配置方案为对象, 以决策出适合区域发展的最佳配置方案为目标, 构建多方案优选模型, 把理论与实际有机的结合, 对推进水资源合理配置的研究向前发展, 具有抛砖引玉的作用。

1 评价方法的选择

水资源合理配置综合评价系统是由众多社会经济指标、水资源指标和生态环境指标等组成的多目标决策系统。要准确评价区域水资源合理配置方案, 必须在建立评价指标体系的过程中, 坚持以下原则。

(1) 科学性原则, 评价指标的选取应尽可能利用现有的统计、实测资料, 建立在科学、合理、准确的基础上;

(2) 全面性和层次性相原则, 评价的指标必须能够全面反映区域内的社会、经济、生态环境和水资源等各个方面;

(3) 定性与定量相结合原则, 所选取指标应遵循定性与定量相结合的原则, 以定量分析为主, 辅以定性分析, 使定量计算具有科学性;

(4) 独立性原则, 尽量选取那些相互之间不具有相关性, 不存在因果关系的指标;

(5) 可比性可操作性原则, 在选择指标时, 尽量注重与其他区域间的可比性, 具有纵横的可对比、可推广与可应用的性质。

根据指标体系构建的原则及其方法, 选取涵盖社会合理性、经济合理性、资源合理性、生态合理性等诸多因素的16个评价指标构成本文的综合评价指标体系。指标体系构建起来之后, 综合评价的难点就是如何确定该复合巨系统中各指标的权重。权重的计算有较大的主观性, 且相当的复杂, 倘若某些指标的权重计算不合理, 势必影响到整个评价结果的合理性。而基于人工智能原理的人工神经网络BP算法 (简称BP-ANN) 则通过已经学会的知识和处理问题的经验来解决复杂问题, 从而做出合理的决策, 不需要人为设定和计算权重, 通过训练好的智能神经网络模型可以很快的进行水资源合理配置方案优劣的选择。

为了能够使评价结果更加合理, 本文对BP-ANN评价模型进行改进, 将模糊数学理论与人工神经网络BP算法有机结合形成模糊人工神经网络BP算法评价模型 (简称FS-BP-ANN) , 这样不仅能充分发挥神经网络的泛化和映射能力, 且能使神经网络收敛加快, 具有更强的学习能力, 可以提高评价模型的科学性和合理性。

2 BP神经网络介绍

人工神经网络是一门涉及众多学科的新兴交叉科学。较常用的有BP网络、Hopfield网络、RBF网络、双联想记忆网络 (BAM) 、盒中脑 (BSB) 、自适应共振理论 (ART) 等[4,5]。其中, BP网络已成为众多神经网络中最成熟且应用最广泛的一种。

BP算法的基本思想是:学习过程由工作信号的正向传播与误差的反向传播两个过程组成。正向传播时, 输入样本从输入层经各隐层逐层处理后, 传向输出层。若在输出层没有得到期望的输出, 则转入误差的反向传播阶段。误差反传是将输出误差以某种形式由输出端开始逐层向前传播, 并将误差分摊给各层的所有单元, 从而获得各层单元的误差信号, 此误差信号即作为修正各单元权值的依据。这种信号正向传播与误差反向传播的各层权值调整过程, 是周而复始地进行的。网络的权值不断调整的过程, 也就是网络的学习训练过程。此过程一直进行到网络输出的误差减少到可接受的程度, 或进行到预先设定的学习次数。

3 FS-BP-ANN评价模型

人工神经网络评价模型具有高度非线性化的特点, 能够高效地处理如水资源配置合理性评价等复杂大系统问题;模糊数学方法能够处理评价中存在的模糊因子, 两者结合而成的FS-BP-ANN能够更加有效的对水资源配置方案进行评价, 使评价结果更加客观、公允, 更具说服力。

3.1 学习样本的生成

利用模糊神经网络解决实际问题, 是借助样本数据, 对系统实现输入参数与输出参数之间的非线性映射, 这种映射结果的精度是通过合理的训练样本来保证的, 学习样本的合适与否直接影响到网络本身是否能够客观真实反映事物状况。因此利用模糊人工神经网络进行综合评价的关键是学习样本的生成。

将每个方案各个指标的最好值组成最理想方案, 各指标最差值组成最劣方案。理想方案对总体目标的实现程度最高, 其效用设为V+;最劣方案反之, 其效用设为V-;介于两者之间的中间方案j的效用Vj和指标x $_{i}^{j}$ 可用内插法求得。这样在指标体系与方案效用中建立了一种效用函数的关系, 同时也构成了BP-ANN 网络的学习样本。可按下式计算[6]:

$\begin{array}{l} x_{i}^{+} = {\begin{cases} \max_{k} (x_{i k}), i \in Ι_{\max} \\ \min_{k} {x_{i k}}, i \in Ι_{\min} \end{cases} (1) \\ x_{i}^{-} = {\begin{cases} \min_{k} {x_{i k}, i \in Ι_{\max} \\ \max_{k} {x_{i k}}, i \in Ι_{\min} \end{cases} (2) \end{array}$

式中:x+i, x-i为第i个指标的理想方案, 最劣方案值;Imax, Imin为效益型 (越大越优型) , 成本型 (越小越优型) 指标集;k为方案个数。

为了保证BP-ANN网络模拟满足效用函数的要求, 在生成学习样本时, 采用两两内插的方法, 先通过理想方案和最劣方案得到一个中间方案, 再用理想方案、中间方案和最劣方案分别两两内插生成两个新的样本, 依此类推, 得到BP-ANN网络全部学习样本[7]。

$\begin{array}{l} x_{i}^{j} = (x_{i}^{j - 1} + x_{i}^{j + 1}) / 2, j = 1, 2, \dots, m (3) \\ V^{j} = (V^{j - 1} + V^{j + 1}) / 2, j = 1, 2, \dots, m (4) \end{array}$

式中:m为拟生成训练样本的个数;其他符号意义同前。

3.2 样本模糊化处理

这里对生成样本模糊处理, 使之适合网络提取客观统计规律。由于水资源合理配置方案评价指标体系十分复杂, 评价模型对输入值的模糊化预处理采用Zadeh公式进行, 如下:

对于效益型 (越大越优型) 指标:

$r_{i j} = (x_{i j} - [Ζ Ζ (Ζ] x_{i j} [Ζ Ζ)]) / (\bar{x_{i j}} - [Ζ Ζ (Ζ] x_{i j} [Ζ Ζ)]) (5)$

对于成本型 (越小越优型) 指标:

$r_{i j} = (\bar{x_{i j}} - [Ζ Ζ (Ζ] x_{i j} [Ζ Ζ)]) / (\bar{x_{i j}} - [Ζ Ζ (Ζ] x_{i j} [Ζ Ζ)]) (6)$

式中: $\bar{x_{i j}}$ , xij第j方案第i指标的最大值和最小值。

通过式 (5) 和 (6) 模糊化而得到的 , 都是[0, 1]区间上的评价指标, 是FS-BP-ANN评价模型的输入层。

3.3 FS-BP-ANN模型计算

经过神经网络的反复迭代训练至误差满足精度控制后, 指标体系与效用值之间即建立起来一个隐式的效用函数。将经过模糊处理后的输入值带入神经网络模型中, 并采用BP-ANN算法对网络进行训练。成熟的网络可以对水资源合理配置方案进行评价-网络输入为各个方案的指标值, 经过效用函数处理, 网络的输出值就是水资源合理配置各方案的综合效用值。综合效用值的大小即为方案效果综合评价的依据, 从而通过模型实现方案优选的目的。

4 实证分析

某市2010年P=75%保证率下水资源合理配置的4个非劣配置方案及各指标值如表1。

对该市水资源合理配置方案评价指标体系中的指标按成本型和效益型分类, 见表2。

结合对FS-BP-ANN综合评价模型算法的阐述, 利用美国Mathworks 公司推出的MATLAB 计算软件编写计算程序, 将整个评价过程通过微机实现, 能够显著提高计算的速度和精度。

通过试算, 结合训练样本的数目, 选择了具有三层的BP神经网络。其中第二层择了7个神经元, 第三层选择了1个神经元。网络的传递函数分别采用对数S 形函数logsig和线形函数purelin。网络的初始权值和初始阈值由MATLAB系统随机生成。网络的训练误差设置为10-6。网络采用基于 Levenberg-Marquardt的训练算法“trainlm”, 通过MATLAB程序运行表明, 该算法具有较快的收敛速度。

利用训练好的网络对水资源配置方案进行评价, 将各方案评价指标的样本矩阵作为训练后的FS-BP-ANN模型的输入, 模型的输出即为对该市水资源配置方案的综合评价结果, 通过模型计算得到各个方案的评价结果为:0.236 4, 0.242 6, 0.255 1, 0.266 0。

方案排序:4, 3, 2, 1。从方案排序可知, 该市2010 年p=75%降雨频率下, 方案4 最优, 其次方案3, 再次方案2, 最差为方案1。

FS-BP-ANN评价模型是具有严密逻辑性的数学方法, 能够较为有效的将定性问题转化为定量问题, 快速和准确的评价和优选出了该市的最优水资源配置方案, 但在实际应用过程中应该灵活运用, 注意样本的生成和网络层数的设置。

摘要：为使水资源得到高效利用, 保证社会、经济、资源和生态环境的可持续发展, 必须对水资源配置方案进行评价优选, 研究评价指标体系建立的原则, 建立涵盖社会合理性、经济合理性、资源合理性、生态合理性等诸多因素的水资源合理配置评价指标体系。结合某市的实际情况, 选用FS-BP-ANN评价模型对某市4个水资源合理配置方案进行综合评价, 以期合理规划和配置水资源, 缓解供需矛盾。

关键词：水资源,综合评价,神经网络,FS-BP-ANN评价模型

参考文献

[1]叶锦昭, 卢文秀.世界水资源概论[M].北京:北京科学出版社, 1993.

[2]周之豪, 沈曾源, 施熙灿, 等.水利水能规划[M].北京:中国水利水电出版社, 1996.

[3]杨志清.21世纪水资源展望[J].水资源保护, 2004, (4) :66-68.

[4]R Hechi-Nielsen.Theory of the Back Propagation Neural Net-work[C].Proceedings of the International Joint Conference onNeural Network., 1989.

[5]Zura J M.Introduction to artificial neural network[M].WestPublishing Company, 1992.

[6]吴泽宁, 崔萌, 曹茜, 等.BP网络模型在水资源利用方案评价中的应用[J].南水北调与水利科技, 2004, 2 (3) :25-28.

BP逻辑模糊神经网络篇7

关键词：BP神经网络,电气元件,故障诊断

水电站各电气设备组成的是一个错综复杂的系统。而该系统的可靠性直接关系到整个机组的稳定运行, 因此, 保证电气系统的良好性能, 对于整机长期、安全地运行具有重要的作用。但是, 由于受绝缘老化、电流过大等因素的影响, 机组运行的过程中, 常常会出现跳闸、继电保护器失灵、差压控制器不作用等故障。以文献[1]为例, 对某水电站10年间的运行事故进行统计。在该段期间的运行过程中, 单调速器发生的故障, 竟高达20次之多, 而且每次出现的故障症状与可能导致的原因之间并非明确的对应关系, 存在着模糊性。由此, 故障的诊断工作异常困难, 以至于许多时候, 检修环节无从着手。若事故发生在丰水期, 维护的时间愈长, 其经济损失也愈大。对于电气元件的故障征兆和诱发原因之间错综复杂的关系, 本文以专家经验为依据, 创建了知识库, 并构建了电气设备的BP神经网络故障诊断系统。目的是为了能够准确、及时地根据机组电气设备故障特征来判断准确的故障原因。

1 电气设备故障推理知识库的构建

水电站电气设备故障推理知识库, 其本质是一个问题求解的知识集合, 它包含着各种基本事实、规则以及其他相关信息。库中的知识源于多名行业内经验丰富的专家, 其精度的高低, 是决定着系统分析能力的关键。在本文中, 推理知识库的构建 (表1) 主要分为两个步骤进行。

1.1 文献搜集

对近60年来, 100多例国内水电站电气设备及自动化元件的故障案例进行统计, 并将所有案例中出现的事故征兆和故障原因进行逐一地剖析、整理。例如, 某台水轮发电机组在运行的过程中, 监控系统显示电气元件事故报警, 出现的故障征兆是系统有功负荷降低, 通过剖析故障原因得出的结论是:反馈传感器发生了故障, 则分别将其加入到库中的征兆和原因两个部分。

1.2 走访多家电站进行知识搜集

访问专家进行知识搜集, 对搜集到的知识进行处理。建立的部分故障诊断知识库如表1所示。

在电气设备的故障诊断系统中, 知识库的具体形式是产生式。如:IF绕组过热AND熔断器烧断, THEN线圈发热。

2 BP神经网络模型的建立

BP神经网络, 是采用Back Propagation算法进行训练的网络[2]。该网络的结构是:输入层、输出层以及隐藏层 (中间层) (如图1所示) 。其中, 隐藏层的数目不能少于1个。在模型的构建过程中, 仅选用一个隐藏层。BP算法的基本思想是, 学习过程由信号的正向传播与误差的反向传播两个过程组成。其主要目的是通过将输出误差反传, 把误差分摊给各层所有单元, 从而获得各层单元的误差信号, 进而修正各单元的权值 (整个环节, 实质上是一个权值调整的过程) 。因此, 若在输出层得不到与理想值相符的输出, 则将转变为反向传播过程, 即修改各神经元权值, 保证误差信号始终处于最小值[3]。

在建立电气设备故障诊断系统的模型中, 具体操作为: (1) 假定系统发生故障时可能引起的征兆为n, 可得输出向量:X (x1, x2…, xn) 。 (2) 若诱发此征兆的原因为m, 则输出向量:Y (y1, y2, …, ym) 。该系统中, 输入层、隐藏层、输出层的神经元数目分别为n、h、m;而输入层、隐藏层之间的连接权重由wij表示, 隐藏层、输出层的连接权重则由wjk表示。其中, h值与问题描述有关, 由经验可得, 其取值范围在之间。所以, BP算法样本训练的具体过程如下:

(1) 采用随机选取的方法, 给参数wij和wjk定义一个初始权值。此时, 需要添加2个约束: (1) 各权值互不相等; (2) 在 (0, 1) 之间的取值。

(2) 进行知识库中学习样本 (Xp, Yp) 输入, 计算出实际输出Op。

(3) 将步骤 (2) 中的结果与对应的理想输入值Op之间作比较, 得出二者之间的误差。

(4) 采用极小误差法, 整理权值矩阵。

(5) 诊断系统采用阈值原则, 即由专家打分, 规定一个阈值λ。当输出向量中的最大值ym大于该阈值, 则训练结束, 否则, 依据不足, 调整信息后, 重新进行步骤 (2) 的过程。

在该训练过程中, 前两个步骤为向前传播阶段, 后两个步骤为向后传播阶段。无论处于任何阶段, 其具体工作都对精度有严格的要求。根据严格数学理论[3], 对第p个样本, 其表达式为:

而整个样本的误差测度, 可由下式表示:

式中, s为样本数目。

为加快水电站电气设备的学习速率并减少震荡。本文采用参考文献[2]中的迭代方法进行计算。

3 电气设备故障征兆向量的选择

假设某电站的电气系统的故障征兆向量:x1, x2, …, xn;原因向量为:y1, y2, …, ym;显然, 它们之间呈现的是一种模糊的关系。因此, 无法定义精确的计算模型。针对该种情况, 可采用模糊数学[9]中的语义征兆, 描述二者之间的关系。即在本文中, 将语义征兆分为8档, 分别为:很严重、比较严重、严重、一般、轻微、比较轻微、很轻微、不存在。其隶属度的确定, 由专家打分获得。就本文而言, 与之对应的隶属度范围分别为:[1, 0.9], [0.9, 0.7], [0.7, 0.6], [0.6, 0.4], [0.4, 0.3], [0.3, 0.1], [0.1, 0], 0。比如电站在运行过程中, 出现了故障, 其具体表现为:绝缘电阻0.3Ω, 线圈温度急剧上升, 调速器振动过大, 根据以上表述, 征兆向量为 (0.70, 0.85, 0.95) 。

4 计算案例分析

以某水电站的电气系统为例, 假设某次运行过程中, 设备出现的故障存在以下5个征兆:x1 (振动声音过大) , x2 (导线绝缘破坏) , x3 (电动机发热) , x4 (励磁开关跳闸) , x5 (电源未输出) 。引发事故的原因有以下6点:y1 (电枢绕组过热) , y2 (熔断器烧坏) , y3 (定子绕组短路) , y4 (三相电源电压不对称) , y5 (传感器故障) , y6 (调速器电源故障) 。当某台机组的电气系统在一次运行中, 出现故障征兆有3个:x1, x2, x5;定义其严重程度为0.7, 0.3, 0.6。则此时, 输出向量X= (0.70 0.30 0 0 0.60) 。

针对上述故障, 模型的输入层、输出层以及隐含层的层数分别为:5、6、8;由公式 (1) 和公式 (2) 计算可得, 总体误差限为0.8。首先, 输入学习样本表, 如表2所示 (表中, Xi取值为1时, 表示出现该故障的征兆。而Yi取值为1时, 表示故障由确定的该原因引起;否则, 取值为0) 。其次, 输入故障征兆模糊向量, 得出故障原因向量, 如表3所示。根据表3结果可知, 故障原因为y3, 即定子绕组短路, 与现场诊断结果一致。

5 结论

本文通过建立水电站电气设备的神经网络诊断模型, 对电气的故障症状与原因之间的模糊性进行诊断, 准确地找到了故障原因。然而, 采用专家经验法确定隶属度, 存在着一定的主观性。因此, 需在日后不断地调整知识库中征兆与原因之间的隶属精度, 进一步地提高诊断结果的精确性。

参考文献

[1]湖南省水力发电工程学会, 湖南省电力公司.水电站事故 (障碍) 案例与分析[M].北京:中国电力出版社, 2004.

[2]王旭, 潘峤.基于BP模糊神经网络的水轮机进水蝶阀故障诊断方法的研究[J].水利电力科技, 2011, 37 (1) :20-23.

[3]王浩全.基于BP神经网络提高伪装目标识别概率的研究[J].光学与光谱分析, 2010, 30 (12) :3316-3319.

[4]钟秉林, 黄仁.机械故障诊断学[M].北京:机械工业出版社, 2002.

[5]张建.机械故障诊断技术[M].北京:机械工业出版社, 2008.

[6]王旭, 张礼达.基于模糊理论的水轮机导水机构故障诊断方法的研究[J].水力发电, 2008, 34 (3) :62-64.

[7]曹承志.人工智能技术[M].北京:清华大学出版社, 2010.

本文来自 360文秘网(www.360wenmi.com)，转载请保留网址和出处

【BP逻辑模糊神经网络】相关文章：