前言：中文期刊網精心挑選了神經網絡實驗總結范文供你參考和學習，希望我們的參考范文能激發你的文章創作靈感，歡迎閱讀。
神經網絡實驗總結范文1
關鍵詞：仿生算法；神經網絡；遺傳算法
中圖分類號：TP183文獻標識碼：Adoi: 10.3969/j.issn.1003-6970.2011.03.017
An Improved Algorithm of Bionic Research and Analysis
Yue Tong-sen, Wang Da-hai
(XinXiang Vocational and Technical Collage, Xinxiang 453000,Henan,China)
【Abstract】In this paper the bionic algorithm of neural network and genetic algorithm were analyzed and summarized, aimed at slow speed of neural network training, recognition efficiency low, and genetic algorithm the optimum choice premature convergence problem, combined with neural network method and genetic algorithms of their respective characteristics, puts forward the improved algorithm.Without the destruction of single neurons based on input weights, adopt data pretreatment methods to reduce the number of input layers, so as to improve the ability of evolutionary learning.
【Key words】Bionic algorithm; Neural network; Genetic algorithm
0引言
人工神經網絡[1]和遺傳算法[2]是仿生算法[3]的典型方法，它們的優化問題一直是眾多研究者所倍為關注的研究熱點之一。在人工神經網絡和遺傳算法結構的研究中發現，人工神經網絡具有很好的模式分類的特性，遺傳算法有很好的動態變更權值的特性，基于此，本文提出了一種改進的基于人工神經網絡和遺傳算法的算法。本章的改進算法，就是對人工神經網絡和遺傳算法進行了變換，增強了對輸入權值的變化速度，并提出用減少輸入層個數的方法是加快神經網絡學習的有效方法，取得了良好的實驗效果。
1神經網絡和遺傳算法的特究點
1.1神經網絡和遺傳算法的不同點
1．神經網絡是多層感知機，而遺傳算法是單層感知機。神經網絡是由輸入層，隱含層和輸出層夠成，但遺傳算法的基因組是一個數組，不管基因的長度有多長，其結構仍然是一個單層感知機。
2． 神經網絡的隱含神經元個數是不確定的，而輸出層和輸入層的個數是可以確定的。我們希望輸入層的個數用新的方法得到降低，這樣神經網絡的訓練速度就可以提高。同時對于隱含層的層數，一般情況設為1。每層的神經元個數也并不是越多越好，是要根據問題的情況而變動的。但神經網絡的隱含層是不確定的，而且隱含層的個數也是不確定的。對于遺傳算法，它的二進制的長度是可以確定的，但是交叉和變異的比例是變動的。對于單點交叉比例，我們可以設定為黃金分割點。雖然設定為黃金分割點作為單點交叉比例沒有用數學方法嚴格的證明，但是，大量的實驗表明，選擇黃金分割點往往可以得到較好的結果。對于變異比例，沒有交好的方法確定，只能設計交互式的實驗來調試決定。
3．權值的更新方式不一樣。神經網絡的權值的更新方式是時時的，而遺傳算法權值的更新方式是批量的。
4．兩者應用的范圍不一樣。神經網絡主要應用于模式匹配，錯誤診斷，監視病人的狀態，特征提取，數據過濾。而遺傳算法主要應用在計算機輔助設計，日程安排，經濟學的投資研究等。
1.2神經網絡和遺傳算法的相同點
1．有教師的學習。神經網絡的輸出是有目標的，當然是確定的。同時對于遺傳算法的目標也是確定的。所以兩者都是有目標的，也就是有教師的學習。
2．隨機近似優化過程。神經網絡中，如果把網絡的權值初始化為接近于0的值，那么在早期的梯度下降步驟中，網絡將表現為一個非常平滑的函數，近似為輸入的線性函數，這是因為sigmoid函數本身在權值靠近0時接近線性。同樣，遺傳算法的初始個體都是隨機產生的，它的交叉和變異都是一個不斷近似的過程。
3．并行化。神經網絡的每個神經元是獨立的，如果把每個神經元分配一個處理器，那么就可以采用并行的方式。同樣，遺傳算法很自然地適合并行實現，有粗粒度并行方法和細粒度并行方法。有粗粒度并行方法就是把群體細分成相對獨立的個體群，稱為類屬，然后為每個類屬分配一個不同的計算節點，在每個節點進行標準的GA搜索。細粒度并行方法就是給每個個體分配一個處理器，然后相鄰的個體間發生重組。
2算法的研究及改進
結合人工神經網絡和遺傳算法的研究的本質，通過兩種算法結合的研究及改進，提高算法的收斂速度，從大量的數據中模擬生物的特性來完成特定的任務和解決問題的方法和方向。由于遺傳算法是單層感知機，而神經網絡是多層感知機，所以可以從多層感知機的多層性，我們想象為遺傳算法是單層感知機作為神經網絡是多層感知機的輸入層。這樣，我們就可以采用遺傳算法的動態變更權值的特性來對神經網絡輸入層有效性的遺傳和變異。這種算法適合與沒有輸入，只有輸出的應用，就像無人駕駛技術中控制行駛的速度和方向的控制一樣?；镜目蚣苋鐖D1：
圖1結合人工神經網絡和遺傳算法的框圖
Fig.1 Combined with artificial neural network and genetic algorithm diagram
最上面的是智能體，神經網絡的輸出來控制智能體，控制中心將神經網絡的權值用遺傳算法的初始體來提供。
2.1遺傳算法的基因作為神經網絡的權值變量
遺傳算法的基因的初始化必須要滿足神經網絡的輸入要求，一般遺傳算法的基因都是0，1編碼。但是為了達到神經網絡的輸入要求，是要在（-1，+1）之間隨機產生。
2.2遺傳傳算法中雜交點選擇
遺傳算法中，一般都是采用隨機平均變異[4][5]的方式，但是如果輸入是由遺傳算法的基因提供的話，為了保證在變異的時候，采用標記變異的方法。我們可以首先根據圖2的神經網絡來考慮：
圖2遺傳算法作為人工神經網絡和的權值圖
Fig.2 Genetic algorithm as artificial neural network and the weights of figure
很顯然，（0.3,-0.8,-0.2）是神經元1的權值 ；(0.6,0.1,-0.1)是神經元2的的權值；(0.4,0.5) 神經元3的權值。為了在遺傳算法中的雜交過程中，不破壞每個神經元的權值個數，特意標記（3，6）所在的箭頭。
2.3引入神經網絡輸入層的數據預處理
神經網絡的計算問題是神經網絡應用中最為關鍵的問題。如何提高網絡的訓練速度是算法研究的重點。我們在思考問題的時候，總是希望問題越簡單越容易解決。同樣，我們也可以通過對數據的預處理，來降低問題的難度。
為了減少輸入層的個數，我們可以先對數據進行預處理。預處理的方法為如下流程：
（1）.計算機器人前進方向Position(x,y)和目標的所在的位置Location(x,y)。
（2）.歸一化Position(x,y) 和Location(x,y)。
（3）.用點乘的計算公式計算兩者點乘。
（4）.用符號重載的方式計算是順時針還是相反。
（5）.計算角度=第3步的結果*第4步的結果。
3實驗結果及分析
3.1實驗框架
將本算法應用于掃雪機器人的智能控制中，設計的主要模塊：
3.1.1神經網絡部分的設計
神經網絡的輸入由四個變量組成：掃雪機器人方向向量（由兩個變量組成，即在X和Y的分量），發現目標，即雪的向量（由兩個變量組成，即在X和Y的分量）。神經網絡的隱含層由一層組成，而且由10個神經元。神經網絡的輸出由兩個變量組成，V1和V2，分別作用在機器人的左輪和右輪上。神經網絡的響應函數采用SIGMOD。
3.1.2遺傳算法部分的設計
遺傳算法的初始化是為神經網絡提供權值，所以是由[-1，1]隨機數產生。遺傳算法的變異是采用隨機變量的變異，選擇采用輪轉法。
3.1.3掃雪機器人
掃雪機器人用神經網絡來控制，當找到目標后，它的適值就加一。這樣就隨著發現目標越多，它的適值就越大。學習能力是通過不斷的學習后，它的適值就會加強。如果直接采用機器人前進方向和目標的所在的位置，那么神經網絡的輸入為四個變量。
3.2結果與分析
如果直接采用機器人前進方向和目標的所在的位置，那么神經網絡的輸入為四個變量。通過對掃雪機器人的學習過程，沒有進行預處理的數據，即四個變量輸入神經網絡后的參數設定：神經網絡的輸入為4，神經元為6個，輸出個數為2個，如圖3所示：
圖3網絡的參數設定圖
Fig.3 Network parameters set figure
我們設定初始的適值為0，如果發現一個目標后，它所對應的適值就加上1，這樣經過50次的進化后，沒有進行數據預處理的最大值是25，平均值是10.1333。如表1所示：
將50次的統計結果用柱狀圖進行對比,如圖4所示。
圖4進化50代后的加入數據預處理和沒有加入預處理的對比圖
Fig.4 After 50 generation data preprocessing and did not join joined the pretreatment of contrast diagram
為了減少輸入層的個數，我們可以先對數據進行預處理下面，用統計的方法對數據進行的結果分析，如表2所示。
將進化100代后，對比兩者的對比柱狀圖如圖5所示。
圖5進化50代后的加入數據預處理和沒有加入預處理的對比圖
Fig.5 After 50 generation data preprocessing and did not join joined the pretreatment of contrast diagram
實驗結果表明，為了減少輸入層的個數，先對數據進行預處理。通過對掃雪機器人的過程的數據分析進行分析，數據預處理后的智能進化學習能力相對于原始數據的智能進化學習能力有明顯的提高。
4結束語
本文提出了基于神經網絡和遺傳算法結合的改進算法，對于遺傳算法的變異操作進行改進，不會破壞單個神經元的輸入權值的基礎上，采用數據預處理的方法來減少輸入層的個數，從而提高進化學習的能力。從實驗數據中可以看到，本章提出的改進算法加快了學習速度，達到了提高智能學習的預期
目的。
參考文獻
[1] 喬俊飛，韓桂紅．神經網絡結構動態優化設計的分析與展望[J].控制理論與應用，2010,3(13):350-357.
[2] 葛繼科，邱玉輝,吳春明，等．遺傳算法研究綜述[J].計算機應用研究,2008,10(9):2911-2916.
[3] 丁建立，陳增強，袁著祉．智能仿生算法及其網絡優化中的應用研究進展[J].計算機工程與應用，2003,12(3):10-15
[4] 鞏敦衛，等．交互式遺傳算法原來及其應用[M].北京:國防工業出版社,2007.
神經網絡實驗總結范文2
關鍵詞：負荷預測 RBF 神經網絡 電力系統
0 引言
負荷預測是實現電力系統優化運行的基礎，對于電力系統的安全性、可靠性和經濟性都有著顯著影響。負荷預測是指從已知的經濟、社會發展和電力系統需求出發，考慮政治、經濟、氣候等相關因素，通過對歷史數據的分析和研究，探索事物之間的內在聯系和發展規律，以未來經濟和社會發展情況的預測結果為依據，對未來的電力需求做出估計和預測[1]。相關研究工作已在國內廣泛開展，其研究成果已經廣泛應用到電力系統實際運行維護當中，并取得了良好的經濟效益。
負荷預測的方法主要分為兩大類，分別是基于參數模型預測法和基于非參數模型預測方法?；趨的Ｐ偷念A測方法主要有單耗法、負荷密度法、電力彈性系數法、回歸模型預測法、趨勢外推預測法、時間序列預測法等；基于非參數模型預測方法主要有專家系統法、模糊預測法、灰色預測法、人工神經網絡預測法、小波分析預測法等[2]。
RBF神經網絡具有良好的函數逼近功能，在函數回歸上表現出較好的性能，已被廣泛應用到人工智能領域。在負荷預測方面，RBF也得到了廣泛的應用。本文的主要工作是整理了主要的基于RBF的電力負荷研究內容，對存在的問題進行了分析，并對未來的發展進行了展望。
本文接下來的內容安排如下，第二章介紹了RBF神經網絡的基本原理，第三章對基于RBF的電力負荷研究進行了綜述，最后給出了總結。
1 RBF神經網絡基本原理
RBF網絡的結構與多層前向網絡類似，如圖1所示，它由三層組成：第一層為輸入層，第二層為隱含層，第三層為輸出層[3]。
假設RBF神經網絡的輸入向量為n維，學習樣本為 （X，Y），其中，X=（X1，X2，…XN），為輸入向量，Xi=（Xi1，Xi2，…，XiN）T，1≤i≤Nj；Y=（y1，y2，…，yN），為期望輸出；N為訓練樣本個數。當神經網絡輸入為Xi時，隱含層第j節點的輸出如式（1）所示[4]。
對于全體輸入學習樣本，RBF神經網絡的輸出如式（2）所示。
2 基于RBF負荷預測相關研究
文獻[4]通過建立徑向基（RBF）神經網絡和自適應神經網絡模糊系統（ANFIs）相結合的短期負荷預測模型來應對實時電價對短期負荷的影響。由于固定電價時代的預測方法在電價敏感環境下效果不理想，文章根據近期實時電價的變化應用ANns系統對RBF神經網絡的負荷預測結果進行修正，提高預測效果。
文獻[5]研究了基于RBF神經網絡的多變量系統建模。文章將正規化正交最小二乘算法引入多輸入多輸出系統，進行相關研究，建立了基于RBF神經網絡的多變量系統的模型。對電廠單元機組負荷系統進行建模仿真研究的結果表明，用該方法建立的多變量熱工系統的非線性模型是有效的，具有較高的辨識精度和較好的泛化能力。
文獻[6]提出了一種基于交替梯度算法的RBF神經網絡，并將之應用到負荷預測領域，取得較好的效果。通過使用交替梯度算法來優化RBF輸出層權值和中心與偏差值來得到改進的RBF算法。與傳統梯度下降算法相比，改進的RBF算法具有更高的預測精度和更快的收斂速度。模型綜合考慮了氣象數據、日類型等影響負荷變化的多種因素，實驗結果表明改進的RBF網絡算法具有更優的性能。
文獻[7]將RBF神經網絡和專家系統相結合，在深入研究天氣和特殊事件對電力負荷的影響的基礎上，提出了新的負荷預測模型。利用RBF神經網絡的非線性逼近能力預測出日負荷曲線，然后利用專家系統根據天氣因素或特殊事件對負荷曲線進行修正，使其在天氣突變等情況下也能達到較高的預測精度。表1為文獻[7]的實驗結果對比表。
文獻[8]將模糊聚類分析中的隸屬度應用到負荷預測應，通過隸屬度原理得到一批與預測日在樣本信息上類似的歷史日。采用模糊聚類分析獲得的樣本作為RBF神經網絡的訓練樣本，并應用改進的RBF神經網絡進行訓練，在不需大量訓練樣本的前提下實現對短期負荷的預測。
影響電網負荷預測的因素很多，而地區電網負荷易受氣象因素影響，文獻[9]針對電網負荷預測以上特點，把氣象因素作為影響負荷的主要因素，采用模糊規則控制的徑向基神經網絡（RBF）算法，對某地區電網的日負荷數據進行預測，實驗證明采用這種預測方法可以提高負荷預測的速度和精度。表2給出了文獻[9]的實驗結果表。
3 結束語
本文針對基于RBF神經網絡負荷預測進行了綜述，但由于文章篇幅的原因，不能將所有的方法列舉出來，只列舉了具有代表性的方法，希望能起到拋磚引玉的作用。
參考文獻：
[1]肖國泉，王春，張福偉.電力負荷預[M].北京：中國電力出版社，2001.
[2]李昀.電力系統中長期負荷預測方法研究與應用[D].2011.
[3]張師玲.基于RBF神經網絡與模糊控制的電力系統短期負荷預測[D].江蘇大學，2010.
[4]雷紹蘭，孫才新，周等.基于徑向基神經網絡和自適應神經模糊系統的電力短期負荷預測方法[J].中國電機工程學報，2005.
[5]劉志遠，呂劍虹，陳來九等.基于RBF神經網絡的單元機組負荷系統建模研究[J].控制與決策，2003.
[6]郭偉偉，劉家學，馬云龍等.基于改進RBF網絡算法的電力系統短期負荷預測[J].電力系統保護與控制，2008.
[7]張濤，趙登福，周琳等.基于RBF神經網絡和專家系統的短期負荷預測方法[J].西安交通大學學報，2001.
神經網絡實驗總結范文3
關鍵詞：
中圖分類號： TP18 文獻標識碼：A 文章編號：2095－2163（2011）01－0028－05
0引言
短道速滑技戰術仿真系統為短道速滑運動員提供一個可在計算機上進行比賽對抗的平臺，以達到對不同戰術的可行性研究以及與國外高水平運動員模擬比賽的目的。
在該仿真系統中，智能體的任務就是模擬短道速滑運動員在比賽中產生類人決策，并與人為控制的運動員進行對抗，達到使用戶體驗到與高水平運動員競技的目標。所以，智能體決策的優劣直接影響到該系統的仿真性，特別是短道速滑運動是一種節奏快、速度高、對決策要求準確的體育項目，更加要求智能體在決策過程中不僅要盡可能地不犯規、不出錯，而且要能夠體現出決策的個體差異性，即不同的智能體在應對同一種情況時產生的決策是不同的。所以，智能體決策過程首先要保證運動員能夠完成比賽；其次，能夠實現不同的運動員在比賽過程中有各自的滑行特性和決策習慣。
對于智能體決策過程的研究思想和方法大致分為四類，如表1所示。其中，符號主義通過一定的邏輯規則，對特定的符號信息進行處理；聯結主義試圖構造類似于人腦活動機理的網絡來模擬智能；演化主義以生物界優勝劣汰的進化過程為參照，通過對編碼的類似自然選擇的計算來達到智能模擬；行為主義的目標則是能夠建造可自主發揮作用、有生命周期的計算實體[1]。
對于短道速滑仿真系統中的智能體決策，如果采取有限狀態機或者決策樹等方法計算智能體的決策，由于受到邏輯規則的限制，雖然能夠通過制定準確的邏輯規則實現智能體完成比賽的目的，但邏輯規則變更難度大，從而使得：其一，無法達到不同運動員在決策上的差異性的要求；其二，無法改進已有的決策過程或生成新的決策方案。而人工神經網絡則不僅可以通過對樣本的訓練使得智能體能夠按照樣本的滑行方式完成比賽，還能夠通過不同的運動員擁有不同的神經網絡權值實現決策的差異性；同時，本系統的訓練樣本可以通過實際比賽時記錄人的操作實現，不僅可以將人的表現建立到智能體中，還能不斷改進已有的決策方案或生成新的決策方案。多agent系統中的反應式agent允許agent通過處理當前的瞬時信息獲得決策方案，非常符合短道速滑這種速度高、變化快的體育運動中智能體的設計[2－3]。
因此，本文中智能體的決策過程將行為主義和聯結主義兩種智能模擬方法相結合，參考多agent系統中的反應式agent設計智能體的決策模型，使用具有學習能力的神經網絡實現智能體的決策過程。從而讓不同的運動員通過擁有自己的神經網絡而體現出差異性，并且在系統的使用中，神經網絡還可以通過用戶的使用情況而不斷優化。
1人工神經網絡概述
人工神經網絡通過模仿生物神經網絡系統的行為特征，實現了從樣例中學習出一種能夠從輸入向輸出映射的函數。神經網絡的本質是通過給定的權值改變規則和訓練樣本，不斷修正系統中神經元之間的連接強度，直到達到所需精度。
反向傳播（BP）算法是訓練神經網絡權值最常用的方法。該算法利用輸出層誤差來估計前導層的誤差，并修改前導層的權值，然后再用前導層的誤差估計更前一層的誤差并修改權值，如此下去，就形成了信號從輸入層向輸出層傳播，而誤差則沿反方向逐級向輸入層傳播的過程[4]。但BP算法存在收斂速度慢，易陷入局部極小的缺點。由于訓練樣本易得，本文采用BP算法來訓練神經網絡的權值，并引入每一輪訓練之前將樣本順序打亂、根據誤差改變量的大小調節學習速率、增加動量項等方式以避免BP算法陷于局部極小解[5]。
2智能體決策過程的設計
智能體的決策過程就是智能體在一定的輸入下，計算出在當前輸入下的一個輸出，即為決策。
2．1決策過程模型
本文的智能體采用反應式agent設計[6]，如圖1所示。首先，智能體感知周圍環境，獲得自身狀態和周圍環境的情況，然后，根據自己已有的知識存儲通過一定的計算方法對獲得的信息進行分析推理，最后將計算結果作為決策輸出。
作為智能體決策過程的輸入，自身狀態與周圍環境的輸入不僅要體現出智能體當前的特性、具有較高的區分度，還要盡可能地簡化，使智能體可能處于的狀態不至于因為太多而使系統的性能下降。對于短道速滑比賽中的智能體，輸入內容主要包括自身狀態和前方運動員情況兩類信息。其中，自身狀態包括當前位置、速度大小、身體朝向、名次、完成圈數、剩余體能；前方運動員情況應包括前方運動員與自己的速度關系、距離關系和位置關系。
作為智能體決策過程的輸出，在本文中為智能體在比賽過程中可能采用的動作，包括直道動作、彎道動作、加減速情況以及向前滑行的方向。
對于反應式agent系統模型中的知識存儲與分析推理，可理解為輸入向輸出的映射過程，其中，輸入為感知周圍環境所獲得的狀態集合，輸出為計算得到的動作集合，如圖2所示，智能體感知到當前狀態為Si，通過分析推理，得到在狀態下Si應該選擇動作Aj才是最優的決策。
神經網絡的一個強大能力就是封裝一個將輸入映射到輸出的非線性函數，這恰恰符合決策模型中對于知識存儲和分析推理的要求。因而，本文決策模型中的感知環境就是神經網絡的輸入，知識存儲就是神經網絡的權值，推理過程就是前向的神經網絡計算，決策輸出就是神經網絡的計算結果。
2．2神經網絡的設計
根據決策模型的設計，將神經網絡設計為有監督學習的神經網絡。設計思路是：首先，用戶模擬某一特定運動員進行滑行，系統記錄下滑行過程中用戶所控制的運動員的狀態和此狀態下所采取的決策，此數據即為神經網絡的學習樣本；然后，系統通過神經網絡的訓練程序以學習樣本為輸入得到神經網絡的權值；最后，將此訓練好的神經網絡作為該運動員的專屬神經網絡，從而達到模擬此特定運動員的滑行特性和決策習慣的目標，如圖3所示[7]。
2．2．1神經網絡的組成單元
在決策過程模型的設計中，神經網絡的輸入包含多個非線性變化的輸入，因此，在文中選擇能夠接收非線性函數輸入且應用廣泛的sigmoid單元，如圖4所示。系統對輸入進行了歸一化操作，以適應sigmoid單元的輸入要求。
2．2．2神經網絡的輸入
根據智能體的決策過程設計中所述模型，神經網絡的輸入要包含以下信息：智能體的位置、速度、身體朝向、名次、完成圈數、剩余體能、前方運動員與自己的速度關系、距離大小和位置關系。
（1）智能體的位置和身體朝向
對于智能體的位置描述為三元組?邀x， y， z?妖，即智能體在3D空間中的坐標。由于短道速滑所處的冰面為y平面，智能體的位置變化僅僅體現在x坐標和z坐標上，所以把x和z作為神經網絡的輸入以表示智能體的位置信息。
身體朝向為單位向量?邀x，y，z?妖。同位置信息一樣，向量中的y值始終為0，所以，將x和z作為神經網絡的輸入。
（2）速度大小、剩余體能和名次、完成圈數
速度與剩余體能為智能體的身體狀態屬性，在比賽過程中隨相應的函數呈非線性變化。名次和完成圈數是智能體在比賽中的比賽屬性，取值為整數，且以階躍函數的形式變化。四個屬性都以自身的數值作為神經網絡的輸入。
（3）前方運動員的情況
對于智能體前方運動員的情況，主要考慮以下三個因素：與前一名運動員的速度差、相對距離大小以及距離的方向，其中表示距離方向需要x和z兩個參數。
所以，神經網絡的輸入向量包括12個元素，分別為：位置的x坐標和z坐標、速度大小、身體朝向向量中的x和z、剩余體能、完成圈數、與前一名運動員的速度差、與前一名運動員的距離大小、與前一名運動員的距離向量中的x和z，如圖5中輸入層所示。
2．2．3神經網絡的隱藏層
由于具有單隱藏層的前饋網絡可以映射所有的連續函數，而當需要學習不連續函數時，具有兩層隱藏層的神經網絡則更合適。本系統的神經網絡輸入不僅包含連續的輸入（如位置、速度等），還包含不連續的輸入（如名次、完成圈數等），所以，將神經網絡的隱藏層設計成兩層。
根據第一層隱藏層的節點個數為輸入層節點個數的兩倍，第二層的節點個數小于第一層的節點個數且不能整除第一層節點數的設計習慣，將第一層隱藏層的節點個數設為24個，將第二層隱藏層的節點個數設為11個，如圖5所示。
2．2．4神經網絡的輸出
智能體的輸出即為智能體所能采取的動作集合中的一項。在短道速滑仿真系統中，智能體所能采取的動作主要包括直道與彎道動作、保持速度、加速、減速、沿原方向前進、左轉、右轉。
根據智能體所能采取的動作集合，將神經網絡的輸出向量定義為：是否采取轉彎動作、是否加速、是否減速、是否左轉、是否右轉，如圖5中輸出層所示。
2．3反向傳播（BP）算法的應用
BP算法的樣本來自于比賽過程中實時獲得的人控運動員的狀態和對應的輸入，然后對輸入樣本進行迭代計算，便可以得到用于智能體計算決策的神經網絡權值。將此權值應用于智能體計算決策的過程中，將當前的瞬時狀態作為輸入，同時采用BP算法中前向計算的方法計算神經網絡的輸出，便可以得到當前狀態的決策。
3實驗及結果分析
根據對短道速滑中智能體決策過程的設計，在所設計的短道速滑技戰術仿真系統上進行了實驗。首先，通過平臺采集訓練樣本，通過BP算法訓練神經網絡的權值。然后，將訓練后得到的神經網絡權值應用于智能體的決策過程中，實現通過神經網絡控制的智能體。實驗結果主要考察三個方面，一是基本智能性，二是高級智能性，三是決策差異性。
3．1神經網絡訓練樣本的采集
為了樣本采集更接近于實際情況，首先開發了一個決策樹算法，用來實現基本的智能體控制。在樣本采集過程（比賽對抗）中，與人為控制的運動員進行比賽。同時，系統以幀為單位，采集人為控制的運動員每幀所處的狀態以及對應的輸入作為樣本中的一項。
在本次實驗中，以500米比賽為例，制作了激進和保守兩種不同滑行策略的智能體，每個智能體運動員的樣本采集均通過作者手動控制的形式與決策樹算法驅動的智能體進行比賽來實現。采集激進滑行策略的運動員樣本時，作者控制的運動員總是想爭奪第一的位置，只要前方有人，就想方設法超越。采集保守滑行策略的運動員樣本時，作者控制的運動員一直處于跟隨滑行的狀態，僅僅在比賽還有最后一圈時，才采取加速超越的策略，分布情況如表2所示。
3．2基本智能性
基本智能性主要考察智能體的路線選擇能力，包括向目標點滑行，直道彎道動作的切換時機、躲避前方運動員。在實驗中，將評價路線選擇好壞的標準定為整個滑行過程中的出界次數和碰撞次數。
考察基本智能性的方式是人控運動員、決策樹算法控制的智能體、神經網絡中激進策略控制的智能體和保守策略控制的智能體同時進行500米比賽，最終通過比賽后的犯規統計，判斷不同算法在基本智能性上的優劣，如表3所示。其中，實驗結果來自于50場500米比賽的賽后犯規情況（出界次數和碰撞次數）統計的總和。
由表3可知，在基本智能性上，由于決策樹的決策過程取決于其邏輯規則的定制，而在短道速滑比賽中，邏輯規則的定義相對較簡單且完備，從實驗結果上可以看出，決策樹在基本智能性上的表現甚至好于人工控制的運動員，其中的4次出界，也是由于比賽中其他運動員對其的碰撞導致的。人工神經網絡的實驗結果相比于決策樹略差，特別是在出界方面。一個主要原因是神經網絡控制的運動員在進彎道之前剛剛完成超越或還在超越中，導致轉彎時情況復雜，轉彎算法難以控制，出現出界情況。但總的來說，保守策略的神經網絡的犯規統計與人為控制比較接近，符合智能體盡量不犯規的目標，激進策略的智能體由于經常采取超越動作，滑行路線不夠穩定，導致出界次數較多，需要改進。
3．3高級智能性
高級智能性是指智能體在能保證不犯規（不出界、 不撞人）的情況下，可以根據自身的體能狀況，合理地選擇滑行策略，從而達到體能利用最優，比賽成績最好的目標。所以，高級智能性的評價標準包括比賽結束時的剩余體能情況和比賽成績。測試高級智能型的實驗和測試基本智能性的實驗為一組實驗，且四個運動員在比賽中的身體素質屬性一致，實驗結果如表4所示。
從表4中可以看出，決策樹控制的智能體剩余體能較多、成績較差，這主要是因為在決策樹的規則中，設定的智能體的巡航速度恰好為滑完全程剩余體能為10％的速度，即使由于超越和領滑時會多消耗體能而使最終的剩余體能略低于10％。這也恰恰體現了決策樹算法在控制智能體上由于本身邏輯規則的限制而不靈活的缺點。相反，從實驗結果中可以看出，神經網絡在靈活性上要遠遠好于決策樹算法，比賽結束時的剩余體能較少、成績也較好。這主要取決于在獲得神經網絡的訓練樣本時，就按照規定的滑行策略，以將體能恰好用完為滑行目標來進行比賽，導致訓練好的神經網絡在控制智能體時，會綜合考慮位置、體能、完成圈數和前方運動員的情況做出一個與訓練樣本中類似的決策。
3．4決策差異性
決策差異性就是不同的智能體運動員在比賽中會采用各自的滑行特性和決策習慣，在對于基本智能性和高級智能性的實驗中，已經能看出一些智能體運動員的決策差異性。在本節中，采用在比賽中每一圈結束時各個運動員的名次來考察在應用神經網絡作為決策過程的智能體在決策上的差異如圖6和圖7所示。其中，圖6中為一場人工控制運動員采用稍微保守的滑行策略滑行的典型比賽，圖7為一場人工控制的運動員采用稍微激進的滑行策略滑行的典型比賽。從圖中可以看出，采用激進戰術的運動員的名次變化較為明顯，這是因為該運動員一直試圖超越前方運動員；采用保守滑行策略的運動員在前期的名次變化不明顯，在比賽后期較為明顯，這是因為比賽前期，該運動員以跟滑為主，后期才開始發力超越。其次，可以從圖中總結出，如果人工控制運動員采用保守戰術，則在體能較好的情況下，采用激進戰術的智能體較為占優勢，因為該智能體可以在取得領先位置后，憑借體能優勢保持住自己的領先優勢。另一方面，如果人工控制運動員采用激進戰術，則采用保守策略的智能體更可能贏得比賽，這是因為在前期的比賽中，激進智能體和人工控制運動員為爭奪領先而耗費了大量體力，使得在比賽后期，保守運動員可以憑借體能優勢超越前方運動員率先到達終點。
4結束語
實驗結果表明，在基本智能性上，人工神經網絡表現稍差，出界次數較多，主要原因是造成出界的狀態在訓練樣本中較少出現，以至于學習過程中無法提供給智能體足夠的先驗知識。這個缺點可以通過在場地彎道的邊界處設計一面不可見的墻阻擋運動員出界，并同時帶來減速效果來彌補。其次，在高級智能性和決策差異性上，人工神經網絡控制的智能體符合預期，不僅達到了在體能限制的情況下爭取最好成績的目標，還使不同的智能體具有各自的滑行特性和決策習慣。本文所述方法已經運用于短道速滑技戰術仿真系統的智能體決策過程中。
參考文獻：
[1] 梁義芝，劉云飛． 智能模擬及其實現[C]／／2000中國控制與決策 學術年會論文集，2000：334－337．
[2] LESSER V R． Reflections on the Nature of Multi－Agent Co－ ordination and Its Implications for an Agent Architecture[J]． A－ utonomous Agents and Multi － Agent Systems， 1998，1．
[3] 饒東寧，蔣志華，姜云飛． 多agent規劃綜述[J]． 計算機應用研 究，2011，28（3）：801－804．
[4] 戚德虎，康繼昌． BP神經網絡的設計[J]． 計算機工程與設計， 1998，19（2）：48－50．
[5] 張芳芳，賀娟，李明軍． 基于導數優化的BP學習算法的研究綜 述[J]． 計算機應用研究，2009，26（3）：809－813．
神經網絡實驗總結范文4
關鍵詞:BP神經網絡 MATLAB仿真
中圖分類號:TP39文獻標識碼:A 文章編號:1007-3973(2010)06-061-02
1 BP神經網絡概述
BP(Back Propagation)網絡是1986年由Rumelhart和McCelland為首的科學家小組提出,是一種按誤差逆傳播算法訓練的多層前饋網絡,是目前應用最廣泛的神經網絡模型之一。它的學習規則是使用最速下降法,通過反向傳播來不斷調整網絡的權值和閾值,使網絡的誤差平方和最小。BP一般為多層神經網絡,其模型拓撲結構一般包括輸入層(input)、隱層(hide layer)和輸出層(output layer)。如圖1所示:
2BP網絡的學習算法
(1)最速下降BP算法(steepest descent backpropagation,SDBP)
如圖2所示的BP神經網絡,設k為迭代次數,則每一次權值和閾值的修正案下式進行:
式中:w(t)為第k次迭代各層之間的連接權向量或閾值向量。x(k)= 為第k次迭代的神經網絡輸出誤差對個權值或閾值的梯度向量。負號代表梯度的反方向,即梯度的最速下降方向。 為學習速率,在訓練時事一常數。在MATLAB神經網絡工具箱中,其默認值為0.01,可以通過改變訓練參數進行設置。為第k次迭代的網絡輸出的總誤差性能函數,在MATLAB神經網絡工具箱中,BP網絡誤差性能函數的默認值為均誤差MSE(mean square error):
根據(2.2)式,可以求出第k次迭代的總誤差曲面的梯度x(k)= ,分別代入式(2.1)中,就可以逐次修正其權值和閾值,并使總的誤差向減小的方向變化,最終求出所要求的誤差性能。
(2)沖量BP算法(momentum backpropagation,MOBP)
因為反向傳播算法的應用廣泛,所以已經開發出了很多反向傳播算法的變體。其中最常見得事在梯度下降算法的基礎上修改公式(2.1)的權值更新法則,即引入沖量因子,并且0≤
標準BP算法實質上是一種簡單的最速下降靜態尋優方法,在修正W(K)時,只按照第K步的負梯度方向進行修正,而沒有考慮到以前積累的經驗,即以前時刻的梯度方向,從而常常使學習過程發生振蕩,收斂緩慢。動量法權值調整算法的具體做法是:將上一次權值調整量的一部分迭加到按本次誤差計算所得的權值調整量上,作為本次的實際權值調整量,即公式(2.3)所示:是沖量系數,通常0≤
(3)學習率可變的BP算法(variable learnling rate backpropagation,VLBP)
標準BP算法收斂速度緩慢的一個重要原因是學習率選擇不當,學習率選得太小,收斂慢;反之,則有可能修正的過頭,導致振蕩甚至發散。因此可以采用圖3所示的自適應方法調整學習率。
自適應調整學習率的梯度下降算法,在訓練的過程中,力求使算法穩定,而同時又使學習的不長盡量地大,學習率則是根據局部誤差曲面作出相應的調整。學習率則是通過乘上一個相應的增量因子來調整學習率的大小。即公式(2.5)所示:
其中:為使步長增加的增量因子,為使步長減小的增量因子; 為學習率。
3 建立BP神經網絡預測模型
BP預測模型的設計主要有輸入層、隱含層、輸出層及各層的個數和層與層之間的傳輸函數。
(1)網絡層數
BP有一個輸入層和一個輸出層,但可以包含多個隱含層。但理論的上已證明,在不限制隱含層節點的情況下,只有一個隱含層的BP就可以實現任意非線性映射。
(2)輸入層和輸出層的節點數
輸入層是BP的第一層,它的節點數由輸入的信號的維數決定,這里輸入層的個數為3;輸出層的節點數取決于BP的具體應用有關,這里輸出節點為1。
(3)隱含層的節點數
隱含層節點數的選擇往往是根據前人設計所得的經驗和自己的進行的實驗來確定的。根據前人經驗,可以參考以下公式設計:
其中:n為隱含層節點數;m為輸入節點數;t為輸出節點數;a為1~10之間的常數。根據本文要預測的數據及輸入和輸出節點的個數,則取隱含層個數為10。
(4)傳輸函數
BP神經網絡中的傳輸函數通常采用S(sigmoid)型函數:
如果BP神經網絡的最后一層是Sigmoid函數,那么整個網絡的輸出就會限制在0~1之間的連續;而如果選的是Pureline函數,那么整個網絡輸出可以取任意值。因此函數選取分別為sigmoid和pureline函數。
4 BP神經網絡預測的MATLAB仿真實驗
(1)樣本數據的預處理
本文的樣本數據來源于中國歷年國內生產總值統計表,為了讓樣本數據在同一數量級上,首先對BP輸入和輸出數據進行預處理:將原樣本數據乘上,同時將樣本數據分為訓練樣本集和測試樣本集,1991~1999年我國的三大產業的各總值的處理結果作為訓練樣本集,即1991~1998年訓練樣本作為訓練輸入;1999年訓練樣本數據作為輸出訓練輸出;1992~2000年我國的三大產業的各總值的處理結果作為測試樣本集,即1992~1999年的測試樣本作為測試輸入,2000年測試樣本數據作為測試輸出。
(2)確定傳輸函數
根據本文的數據,如第3節所述,本文選取S函數(tansig)和線性函數(purelin)。
(3)設定BP的最大學習迭代次數為5000次。
(4)設定BP的學習精度為0.001;BP的學習率為0.1。
(5)創建BP結構如圖4所示;訓練BP的結果圖5所示:
正如圖5所示的數據與本文所示設計的網絡模型相符,且如圖5所示當BP神經網絡學習迭代到99次時,就打到了學習精度0.000997788,其學習速度比較快。
(6)測試BP神經網絡
通過MATLAB對測試樣本數據進行仿真,與實際的2000年我國三大產業的各生產總值比較(見表1),說明BP神經網絡預測模型是可行的。、
5總結
總之,在人工神經網絡的實際應用中,BP神經網絡廣泛應用于函數逼近、模式識別/分類、數據壓縮等。通過本文可以體現出MATLAB語言在編程的高效、簡潔和靈活。雖然BP在預測方面有很多的優點,但其還有一定的局限性,還需要進一步的改進。
參考文獻:
[1]周開利,康耀紅.神經網絡模型及其MATLAB仿真程序設計[M].北京:清華大學出版社,2005.7.
[2]張德豐等.MATLAB神經網絡應用設計[M].北京:機械工業出版社,2009.1.
[3][美]米歇爾(Mitchell,T.M.)著;曾華軍等譯[M].北京:機械工業出版社,2003.1.
神經網絡實驗總結范文5
1．1采用計算機模擬技術建立模擬模型
對BP神經網絡模擬模型建立的基礎，人們是這樣認為的，因為影響工程造價的因素，大多數人們都是沒辦法確定的，所以我們不需要把這個值具體是多少確定下來，而是從另一個方面考慮，根據這個項目的基本情況，估計實際的造價落在某個范圍的機會會大一些，這個思想就是計算機模擬技術建立模擬模型的理論基礎。
1．2人工智能模型
工程造價估算專家系統，是通過人工智能，加上知識庫技術而建立起來的，可是這種人工智能模型主要靠專家的知識，來對工程造價進行估計計算的，但是估算的結果是被估算人員的主觀意識所影響的，不同專家的性格，知識面的寬窄，經驗豐富與否、都是不確定因素，幾乎可以會所不一樣的估算專家所得出的結果都不會一樣。這種方法很容易帶有個人偏見和片面性。受專家的主觀偏見性較強。
2BP神經網絡模型構造與算法
2．1人工神經網絡的基本原理
1985，D•E•Rumelhart等人組成的PDP小組提出的一種神經網絡模型，這就是我們今天所說的BP神經網絡，BP神經網絡結構是利用誤差反向傳播來消除誤差的，它有三個層次，有一個輸入層，第二個是隱層，最后一個當然就是輸出層。在訓練估算中，我們可以通過計算輸出值和我們預期的期望值，他們之間所產生的誤差，逆向思維，去求解輸出層單元的一般化誤差，然后再把誤差進行反向傳播，把隱含層單元的一般化誤差求解出來，并最終調整輸出層和隱含層，包括輸入層之間的連接權，還有連接權與隱含層和輸出層的閾值，最終目的就是讓系統誤差達到我們可以接受為止。當先前的系統誤差達到我們所需求的時候，權值和閾值就變成了固定不變的了，這樣我們再通過反向逆推，就可以測出我們這個項目的未知信息。這就是人工神經網絡的基本原理。
2．2BP神經網絡模型建立的步驟
(1)我們首先確定模型輸入層，隱含層還有輸出層的神經元個數。并且以此為依據，確定BP神經網絡模型的結構參數;(2)神經網絡只能處理－l～l之間的數據，所以在輸入網絡時，我們不僅需要對原始數據進行規范化處理，還要對隱含單元和各個單元輸入信息進行求和;通過反向逆推之后得到本單元的輸入信息。所以對原始數據，隱含單元輸入模塊規范化細致化是非常重要的;(3)隱含單元的輸出值可以根據神經網絡操作模型得出，只要我們把net信號經過一次激發函數的處理，可以得到這個隱含單元的輸出值;(4)對于輸出單元節點，我們只要對前一層的隱含層單元輸入信息，并且加權求和后，就能得到該單元的輸入信息。操作起來非常方便快捷;(5)對權矩陣的調整，因為人工神經網絡可以近似實現任意空間的數學映射。所以我們假設，如果神經網絡輸入單元數為M，輸出單元為N，則在m維歐式空間尺中會有一個有界子集A，存在著一個到n維歐式空間，那么R中一個有界子集F(A)的映射。
3基于BP神經網絡的工程造價估算模型
3．1定量化描述工程特征的因素
什么是工程特征，在BP神經網絡中所說工程特征，就是指不但能表示工程特點，而且還能反映工程的主要成本構成的重要因素。，我們可以通過參照歷史工程資料的統計和分析，進行工程特征的選取工作。選取完成之后，再根據專家的經驗來確定，這樣就可以萬無一失了。首先我們可以通過典型住宅工程的造價組成進行分析，然后對建筑結構參數的變化和別的工程做一下對比，通過以上兩點得出的結果，分析這些因素對造價的影響，依照以上的理論方法，我們進行了實踐性的研究，最終把礎類型，結構形式，建筑層數，門窗類型，外墻裝飾還有墻體材料以及平面組合等，這7種因素作為工程的主要特征。不同的建筑工程有著不同的類型，比如說結構，可以是磚混結構和框架結構等;磚條基和鋼筋砼條基礎等都可以作為基礎特征，對于這樣的特征選取的多樣性我們稱之為特征類目，通過工程特征不同類目的列舉，再跟據定額水平，工程特征對造價影響的相關性，這些對平方米造價的改變，對工程定量化的描述可以主觀的給出對應的量化數據。
3．2建立估價模型
工程造價估算的指標體系到該項目的單位造價的非線性映射，就可以統稱為是建設項目工程造價的估算問題。BP網絡可以根據人們的需求以任意的精度去逼近任意映射關系，究其原因就是上文說的BP網絡采用的是三層BP神經網絡結構，不同于其他的電腦估算網絡。不僅是因為該模型的輸入單元為7個，還有他們的項目樣本特征也不盡相同。神經網絡可以根據已經經過我們優選的模型特征，做為參考估算要素，然后再通過項目工程造價估算中，我們所提供的一定數量的已知樣本，采取對樣本的神經網絡訓練，最后根據以往的大的數據庫，提取類似的項目估算值，然后才能對其它特征的項目進行估算。這樣我們只需要輸入指標體系的各指標值，BP神經網絡就可以在該項目的單位造價的非線性映射中給出該項目的單位造價。
3．3檢測結果的分析
上面我們通過大量的實際實驗得知了這兩個固定不變的數字，然后我們可以用程序值被收斂后的網絡，對現在要進行求解的數據進行檢測，在測試后，如果發現總體誤差比率較小，那么就滿足我們初步設計的概算需求了，同時對工程可行性研究的投資估算需求也已經基本符合了，這些結果能有好的保證，全是依賴我們所選擇的模型的寬度夠用，模型在所有的因素中具有廣泛的代表性。所以估價模型的計算才較為成功。幾個工程估算的好壞也不能代表所有的項目都是完美的，也有個別工程造價估算誤差大，因為電腦畢竟是人在給其輸入程序，電腦的經驗，還有就是對一些特征的學習不夠用，本身的知識儲備還是有局限性的。因為對樣本數量的學習始終是有限，不可能面面俱到，而且挑選的樣本也不可能針對這個工程而言都是符合這個項目的特性。雖然說BP神經網絡模型有這樣無法控制的缺點，但是和其他的造價估算模型相比，BP神經網絡模型的優點還是可圈可點的，其優點和其他的造價模型相比較優點還是非常明顯的。在以后的估算中，隨著樣本的不斷充實，數據的不斷積累，經驗的不但豐富，其估算的誤差也將不斷縮小，這些方面的補充，在以后的估算中，必定會取得非常完美的成績。
4總結
神經網絡實驗總結范文6
關鍵詞：BP;神經網絡;PID控制器
1 分層調整學習速率的改進BP算法
BP算法本質上是梯度下降法。若要改進BP算法，首先要熟悉了解梯度下降法的原理。
設函數f（x）具有一階連續導數，假設在x=x*處取得函數極小值，用xk代表在第k次接近極小值點，則在第k+1次接近極小值點為xk+1=xk+λpk，對函數f（x）在xk+1處進行泰勒級數展開：
f（xk+1）=f（xk+λpk）=f（xk）+λ？犖f（xk）Tpk+o（λ）（1-1）
上式中？犖f（xk）為函數f（x）在xk處的梯度，當λ取得非常小的值時，o（λ）為λ的高階無窮小。如果有
？犖f（xk）Tpk<0 （1-2）
能推出
f（xk+λpk）<f（xk） （1-3）
這就表明在第k+1次迭代時的函數值小于第k次迭代的函數值。為了使？犖f（xk）Tpk取得最小值，對其求模變化：
？犖f（xk）Tpk=||？犖f（xk）||?||pk||?cosθ （1-4）
上式中，θ為向量？犖f（xk）與pk的夾角。
假設||pk||為固定值，當θ=0時，即向量？犖f（xk）與pk同向，則cosθ=1，？犖f（xk）Tpk取得最大值;反之，當θ=180時，即向量？犖f（xk）與pk反向，則cosθ=-1，？犖f（xk）Tpk<0，所以向量pk的正方向就是梯度的負方向。沿其負梯度方向進行搜索能夠使f（x）函數值減小的速率加快，能夠快速地找到極小點。
根據式（1-1）可知，λ作為梯度？犖f（xk）與向量pk的系數，稱為步長，同時影響著網絡在負梯度方向上的搜索能力。選取最佳步長的計算公式如下：
λk=（1-5）
把求得最佳步長代入式（1-3）得
f（xk-λkpk）<f（xk） （1-6）
我們在最佳步長的計算中能夠發現，公式（1-5）的計算增加了網絡計算量，可以通過使用學習速率η替代步長來降低計算量。在文章中我們提出了一種分層調整學習速率的方法，它能夠同時調整輸入層與隱含層及隱含層與輸出層之間的網絡連接權值的學習速率。
設定網絡的學習速率η為一個較小的值，當滿足f（xk-λkpk）<f（xk）條件時，則學習速率的改變趨勢為：
η？坩2η （1-7）
當滿足f（xk-λkpk）>f（xk）條件時，則學習速率的改變趨勢為：
η？坩0.5η （1-8）
2 以改進的BP神經網絡參數為基礎的自整定PID控制器
相比較其他而言，BP神經網絡主要優勝點在于能夠將網絡連接權值不斷代入計算來修正誤差，使之可以不斷接近適應度函數。學習算法的實現難度比較小，所以在構建PID控制器時，用BP網絡結構來構建是比較常見的。以BP算法為基礎的神經網絡能夠通過自學及自適應能力找到一組最優PID參數，使系統的性能達到最優。
①常規的PID控制器：閉環控制被控對象，在線整定KP、KI、KD參數;
②BP神經網絡：BP神經網絡通過自學習和自適應能力不斷更新整定網絡的連接權值，通過不斷整定使輸出值極限接近目標值。當輸出值為KP、KI、KD時，系統的性能為最佳。
假定BP神經網絡優化PID控制器是一個由三層網絡構成的，且其輸入層節點有M個，隱含層節點Q個、輸出層節點3個。
輸出節電輸出對應KP、KI、KD可調參數值，隱含層的激發函數可以取Sigmoid函數，可正可負。然而輸出層的激發函數為非負。
BP神經網絡輸入層節點的輸出為
公式中，g′（x）=g（x）?（1-g（x）），f′（x）=（1-f2（x））/2。
以改進的BP神經網絡為基礎的PID控制器算法：
一是對BP神經網絡的結構進行明確，在明確了網絡結構的同時也就明確了輸出層及隱含層的節點個數。并對各層的（0）初始化，k=1;
二是為計算e（k）=r（k）-y（k），可以通過樣本采集得到的r（k）及y（k）代入計算;
三是在將r（i），y（i），u（i-1），e（i）（i=k，k-1，...，k-p）輸入到神經網絡之前進行統一化處理;
四是通過式（2-2）和（2-3）將各層神經元的輸入輸出計算出來，輸出層輸出的數據就是PID控制器的KP（k）、K1（k）、KD（k）;
五是PID的控制輸出u（k）可以由式u（t）=KP[e（t）]得到;
六是當所有網絡權值刷新一次之后，若誤差e（k+1）滿足e（k+1）<
e（k），那么按照式（1-7）對其學習速率增大，當誤差不再變化時，此時記錄連接權值。若誤差e（k+1）滿足e（k+1）>e（k），那么按照式（1-8）對其學習速率減小，當誤差減小時，記錄連接權值
七是將k賦值為k+1，返回第二步。
3 改進的BP神經網絡PID仿真
將被控對象假定為：
網絡結構采用4-5-3結構，輸入信號為γ（k）=1.0，此信號是階躍信號。網絡結構中的4代表輸入層有四個輸入，為給定輸入r（k）、
e（k）=r（k）-y（k）、y（k）和1。網絡結構中的3代表輸出層有三個參數，為KP、KI、KD。η=0.01，加權系數初值在[-1，1]區間內隨機賦值。經過仿真得到的曲線圖如圖1和圖2所示。
圖1 單位階躍響應曲線圖
圖2 誤差變化曲線
被控對象是二階的，所以階躍響應曲線以正弦的方式衰減，并在系統穩定水平線上下振蕩。從圖1和圖2可以看出，剛啟動時系統振蕩幅度較大，誤差也比較大，系統在0.2s左右時振蕩幅度變小，誤差也迅速變小，在0.3s之后系統達到穩定運行，誤差幾近于0。由圖可知在單位階躍響應中改進的BP神經網絡相較BP神經網絡而言，超調量小，收斂速度快。
4 總結
提出了一種分層調整學習速率的BP神經網絡改進方法，并把改進的方法與傳統的PID結合。并基于MATLAB平臺建立了模型進行仿真驗證，仿真結果驗證了改進的BP神經網絡PID具有更快的響應速度、更高的精度，且穩定性更強。
參考文獻：
[1]李楠.基于神經網絡直流無刷電機控制策略的研究[D].蘭州理工大學，2005.
[2]黃家圣.人工神經網絡在無刷直流電動機中的應用研究[D].上海海事大學，2005.
[3]王國玲，李振宇，范自道.無刷直流電機自適應模糊PID控制系統[J].機電工程技術，2013（2）：30～33.
