畢業(yè)設計開題報告--- 神經(jīng)網(wǎng)絡在信號預測中的應用

1、<p><b>　　畢業(yè)設計開題報告</b></p><p>　　題目： 神經(jīng)網(wǎng)絡在信號預測中的應用 </p><p>　　專業(yè)： 指導教師： </p><p>　　學院：

2、 自動化 學號： </p><p>　　班級： 姓名： </p><p>　　關鍵詞：神經(jīng)網(wǎng)絡 信號預測</p><p><b>　　選題的目的、意義：</b></p><p>　　在科學研究和工程應用中，為了

3、有效的獲取信息以及利用信息，必須對信號進行分析處理與預測。信號預測是分析與處理的基礎上進行的。在大型復雜的系統(tǒng)控制中都需要信號的預測控制，通常需要大量的數(shù)學運算和借助計算機編制相應的程序達到信號加工變換的目的。目前流行用BASIC、FORTRAN 和C語言編制程序既需要對有關算法有深刻的了解,又需熟練掌握所用語言的語法和編程技巧，同時具備這兩方面的能力有一定困難。并且編制程序是復雜的，不僅浪費人力和物力，且影響工作進程和效率。在這種情況

4、下，就想找到一種現(xiàn)成的仿真軟件。</p><p>　　MATLAB現(xiàn)已成為國際上公認的最優(yōu)秀的數(shù)值計算和仿真分析軟件。神經(jīng)網(wǎng)絡工具箱是MATLAB環(huán)境下所開發(fā)出來的許多工具箱之一，它是以人工神經(jīng)網(wǎng)絡理論為基礎，用MATLAB語言構造出典型神經(jīng)網(wǎng)絡的激活函數(shù)。用MATLAB可以編寫各種網(wǎng)絡設計與訓練的子程序，并根據(jù)自己的需要去調用有關神經(jīng)網(wǎng)絡的工具箱。</p><p>　　自20世紀80年代

5、初興起第二次的神經(jīng)網(wǎng)絡熱潮以來，神經(jīng)網(wǎng)絡以它特有的自學習、自組織、聯(lián)想記憶和并行處理等功能，被應用到眾多的領域。人工神經(jīng)網(wǎng)絡（Artificial Neural Networks， 簡寫為ANNs）也簡稱為神經(jīng)網(wǎng)絡（NNs）或稱作連接模型（Connectionist Model），是對人腦或自然神經(jīng)網(wǎng)絡（Natural Neural Network）若干基本特性的抽象和模擬。人工神經(jīng)網(wǎng)絡以對大腦的生理研究成果為基礎的，其目的在于模擬大腦

6、的某些機理與機制，實現(xiàn)某個方面的功能。并且特有非線性適應性信息處理能力。</p><p>　　信號是聲、光、電等運載消息的物理量，它們是時間或空間的函數(shù)，所攜帶的消息就在變化之中。其中，確定性信號對任意一時刻都對應有確定的函數(shù)值，包括未來時刻；隨機信號不遵循任何確定性規(guī)律變化，未來值不能用精確的時間函數(shù)描述，一般的方法是很難準確地預測。相比之下，神經(jīng)網(wǎng)絡在這方面顯示了明顯的優(yōu)越性。近年來，人們將神經(jīng)網(wǎng)絡模型引入系

7、統(tǒng)建模和辨識中，利用神經(jīng)網(wǎng)絡所具有的對任意非線性映射的任意逼近的能力，來模擬實際輸入-輸出關系。</p><p>　　人是萬物之靈，區(qū)別人與動物的是其發(fā)達的大腦及進化的智慧。研究神經(jīng)網(wǎng)絡，特別是神經(jīng)學習的機理，對認識和促進人自身發(fā)展有特殊的意義。 </p><p><b>　　BP神經(jīng)網(wǎng)絡</b></p><p>　　在人工神經(jīng)網(wǎng)絡發(fā)展歷史中，

8、很長一段時間里沒有找到隱層的連接權值調整問題的有效算法。直到誤差反向傳播算法（BP算法）的提出，成功地解決了求解非線性連續(xù)函數(shù)的多層前饋神經(jīng)網(wǎng)絡權重調整問題。 　　BP (Back Propagation)神經(jīng)網(wǎng)絡，即誤差反傳誤差反向傳播算法的學習過程，由信息的正向傳播和誤差的反向傳播兩個過程組成。輸入層各神經(jīng)元負責接收來自外界的輸入信息，并傳遞給中間層各神經(jīng)元；中間層是內(nèi)部信息處理層，負責信息變換，根據(jù)信息變化能力的需求，中間層可以設

9、計為單隱層或者多隱層結構；最后一個隱層傳遞到輸出層各神經(jīng)元的信息，經(jīng)進一步處理后，完成一次學習的正向傳播處理過程，由輸出層向外界輸出信息處理結果。當實際輸出與期望輸出不符時，進入誤差的反向傳播階段。誤差通過輸出層，按誤差梯度下降的方式修正各層權值，向隱層、輸入層逐層反傳。周而復始的信息正向傳播和誤差反向傳播過程，是各層權值不斷調整的過程，也是神經(jīng)網(wǎng)絡學習訓練的過程，此過程一直進行到網(wǎng)絡輸出的誤差減少到可以接受的程度，或者預先設定的學習次

10、數(shù)為止。 　　BP神經(jīng)網(wǎng)絡模型BP網(wǎng)絡模型包括其輸入輸出模型、作用函數(shù)模型、誤差計算模型和自學</p><p>　　（1）節(jié)點輸出模型 　</p><p>　　隱節(jié)點輸出模型：Oj=f(∑Wij×Xi-qj) (1) 　</p><p>　　輸出節(jié)點輸出模型：Yk=f(∑Tjk×Oj-qk) (2) 　　f-非線形作用函數(shù)；q -神經(jīng)單元閾值。

11、　　圖1 典型BP網(wǎng)絡結構模型 　　</p><p>　?。?）作用函數(shù)模型 </p><p>　　作用函數(shù)是反映下層輸入對上層節(jié)點刺激脈沖強度的函數(shù)又稱刺激函數(shù)，一般取為(0,1)內(nèi)連續(xù)取值Sigmoid函數(shù)： f(x)=1/(1+e) （3） 　　</p><p>　?。?）誤差計算模型 誤差計算模型是反映神經(jīng)網(wǎng)絡期望輸出與計算輸出之間誤差大小的函數(shù)： Ep=1

12、/2×∑(tpi-Opi) (4) 　tpi- i節(jié)點的期望輸出值；Opi-i節(jié)點計算輸出值。 　　</p><p>　?。?）自學習模型 　　神經(jīng)網(wǎng)絡的學習過程，即連接下層節(jié)點和上層節(jié)點之間的權重拒陣Wij的設定和誤差修正過程。BP網(wǎng)絡有師學習方式-需要設定期望值和無師學習方式-只需輸入模式之分。自學習模型為 　　△Wij(n+1)= h ×Фi×Oj+a×△Wij(n)

13、 （5） 　　h -學習因子；Фi-輸出節(jié)點i的計算誤差；Oj-輸出節(jié)點j的計算輸出；a-動量因子。BP神經(jīng)網(wǎng)絡的應用及不足</p><p>　　神經(jīng)網(wǎng)絡可以用作分類、聚類、預測等。神經(jīng)網(wǎng)絡需要有一定量的歷史數(shù)據(jù)，通過歷史數(shù)據(jù)的訓練，網(wǎng)絡可以學習到數(shù)據(jù)中隱含的知識。在你的問題中，首先要找到某些問題的一些特征，以及對應的評價數(shù)據(jù)，用這些數(shù)據(jù)來訓練神經(jīng)網(wǎng)絡。 </p><p>　　雖然BP網(wǎng)絡

14、得到了廣泛的應用，但自身也存在一些缺陷和不足，主要包括以下幾個方面的問題。 </p><p>　　首先，由于學習速率是固定的，因此網(wǎng)絡的收斂速度慢，需要較長的訓練時間。對于一些復雜問題，BP算法需要的訓練時間可能非常長，這主要是由于學習速率太小造成的，可采用變化的學習速率或自適應的學習速率加以改進。 </p><p>　　其次，BP算法可以使權值收斂到某個值，但并不保證其為誤差平面的全局最

15、小值，這是因為采用梯度下降法可能產(chǎn)生一個局部最小值。對于這個問題，可以采用附加動量法來解決。 </p><p>　　再次，網(wǎng)絡隱含層的層數(shù)和單元數(shù)的選擇尚無理論上的指導，一般是根據(jù)經(jīng)驗或者通過反復實驗確定。因此，網(wǎng)絡往往存在很大的冗余性，在一定程度上也增加了網(wǎng)絡學習的負擔。 </p><p>　　最后，網(wǎng)絡的學習和記憶具有不穩(wěn)定性。也就是說，如果增加了學習樣本，訓練好的網(wǎng)絡就需要從頭開始訓

16、練，對于以前的權值和閾值是沒有記憶的。但是可以將預測、分類或聚類做的比較好的權值保存。</p><p>　　二、國內(nèi)外研究現(xiàn)狀：</p><p>　　人工神經(jīng)網(wǎng)絡的發(fā)展歷史</p><p>　　1943年，心理學家W·Mcculloch和數(shù)理邏輯學家W·Pitts在分析、總結神經(jīng)元基本特性的基礎上首先提出神經(jīng)元的數(shù)學模型。此模型沿用至今，并且直接

17、影響著這一領域研究的進展。因而，他們兩人可稱為人工神經(jīng)網(wǎng)絡研究的先驅。1945年馮·諾依曼領導的設計小組試制成功存儲程序式電子計算機，標志著電子計算機時代的開始。1948年，他在研究工作中比較了人腦結構與存儲程序式計算機的根本區(qū)別，提出了以簡單神經(jīng)元構成的再生自動機網(wǎng)絡結構。但是，由于指令存儲式計算機技術的發(fā)展非常迅速，迫使他放棄了神經(jīng)網(wǎng)絡研究的新途徑，繼續(xù)投身于指令存儲式計算機技術的研究，并在此領域作出了巨大貢獻。雖然，馮&

18、#183;諾依曼的名字是與普通計算機聯(lián)系在一起的，但他也是人工神經(jīng)網(wǎng)絡研究的先驅之一。 　　50年代末，F(xiàn)·Rosenblatt設計制作了“感知機”，它是一種多層的神經(jīng)網(wǎng)絡。這項工作首次把人工神經(jīng)網(wǎng)絡的研究從理論探討付諸工程實踐。當時，世界上許多實驗室仿效制作感知機，分別應用于文字識別、聲音識別、聲納信號識別以及學習記憶問題的研究。然而，這次人工神經(jīng)網(wǎng)絡的研究高潮未能持續(xù)很久，許多人陸續(xù)放棄了這方面的研究工作，這是因為當時&l

19、t;/p><p>　　另外，在60年代初期，Widrow提出了自適應線性元件網(wǎng)絡，這是一種連續(xù)取值的線性加權求和閾值網(wǎng)絡。后來，在此基礎上發(fā)展了非線性多層自適應網(wǎng)絡。當時，這些工作雖未標出神經(jīng)網(wǎng)絡的名稱，而實際上就是一種人工神經(jīng)網(wǎng)絡模型。隨著人們對感知機興趣的衰退，神經(jīng)網(wǎng)絡的研究沉寂了相當長的時間。80年代初期，模擬與數(shù)字混合的超大規(guī)模集成電路制作技術提高到新的水平，完全付諸實用化，此外，數(shù)字計算機的發(fā)展在若干應用領

20、域遇到困難。這一背景預示，向人工神經(jīng)網(wǎng)絡尋求出路的時機已經(jīng)成熟。美國的物理學家Hopfield于1982年和1984年在美國科學院院刊上發(fā)表了兩篇關于人工神經(jīng)網(wǎng)絡研究的論文，引起了巨大的反響。人們重新認識到神經(jīng)網(wǎng)絡的威力以及付諸應用的現(xiàn)實性。隨即，一大批學者和研究人員圍繞著 Hopfield提出的方法展開了進一步的工作，形成了80年代中期以來人工神經(jīng)網(wǎng)絡的研究熱潮。</p><p><b>　　研究方向

21、</b></p><p>　　神經(jīng)網(wǎng)絡的研究可以分為理論研究和應用研究兩大方面。 </p><p>　　理論研究可分為以下兩類： 　</p><p>　　1、利用神經(jīng)生理與認知科學研究人類思維以及智能機理。 　　</p><p>　　2、利用神經(jīng)基礎理論的研究成果，用數(shù)理方法探索功能更加完善、性能更加優(yōu)越的神經(jīng)網(wǎng)絡模型，深入研究網(wǎng)

22、絡算法和性能，如：穩(wěn)定性、收斂性、容錯性、魯棒性等；開發(fā)新的網(wǎng)絡數(shù)理理論，如：神經(jīng)網(wǎng)絡動力學、非線性神經(jīng)場等。 　　</p><p>　　應用研究可分為以下兩類： 　　</p><p>　　1、神經(jīng)網(wǎng)絡的軟件模擬和硬件實現(xiàn)的研究。 　　</p><p>　　2、神經(jīng)網(wǎng)絡在各個領域中應用的研究。這些領域主要包括：模式識別、信號處理、知識工程、專家系統(tǒng)、優(yōu)化組合、機器人

23、控制等。隨著神經(jīng)網(wǎng)絡理論本身以及相關理論、相關技術的不斷發(fā)展，神經(jīng)網(wǎng)絡的應用定將更加深入。</p><p><b>　　三、主要參考資料：</b></p><p>　　1.神經(jīng)網(wǎng)絡，候媛彬，杜京義，汪梅編 西安電子科技大學出版社，2007年。</p><p>　　2. MATLAB 6.5輔助神經(jīng)網(wǎng)絡分析與設計，飛思科技產(chǎn)品研發(fā)中心主編，電子工

24、業(yè)出版社，2003年。</p><p>　　3. 神經(jīng)元網(wǎng)絡控制，王永驥，涂建編 機械工業(yè)出版社，1999年</p><p>　　4. 基于人工神經(jīng)網(wǎng)絡的森林資源管理模型研究，洪偉，吳承禎，何東進編 化學工業(yè)出版社，2004年。</p><p>　　5. MATLAB與SIMULINK工程應用，Mohand Mokhtari Michel Marie編，電子工業(yè)出

25、版社，2002年。</p><p>　　6. 信號分析與處理，趙光宙， 舒勤編機械工業(yè)出版社 2001年8月</p><p><b>　　四、設計內(nèi)容：</b></p><p>　　本工程設計是關于神經(jīng)網(wǎng)絡在信號預測中的應用mathlab自控設計。</p><p><b>　　畢業(yè)設計內(nèi)容包括：</b&g

26、t;</p><p>　　1、畢業(yè)設計說明書：采用一個神經(jīng)網(wǎng)絡對每個采樣間隔的信號值進行預測。通過在每個離散時刻 增加有效值，推導出估計預測值，在t時刻和t-1時刻之間信號的變化在神經(jīng)網(wǎng)絡中反向傳播以便進行學習。</p><p>　　2、設計方案，使用技術。 </p><p>　　五、設計方法及技術路線：</p><p>　　1、熟悉math

27、lab軟件神經(jīng)元設計</p><p>　　這是設計的第一步。在這個階段還需要收集信號處理中的有關物性參數(shù)和重要數(shù)據(jù)。</p><p>　　2、確定設計方案，完成流程圖</p><p>　　了解設計方案，充分了解設計內(nèi)容，并在此基礎上可畫出流程圖。</p><p>　　3、編制有關設計信息的設計文件</p><p>　　

28、確定設計方案和流程圖，按照方案提供的數(shù)據(jù)和流程圖，查閱有關說明，選定數(shù)據(jù)、測試系統(tǒng)可靠性。</p><p>　　4、根據(jù)自控專業(yè)有關的其他設備、材料選用等情況，完成有關的設計文件</p><p><b>　　六、設計時間安排</b></p><p>　　第0周:根據(jù)前期調研完成開題報告，并準備開題答辯。</p><p>

29、　　第一二三周:熟悉課題任務書，熟悉相關軟件的使用</p><p>　　第四周：學習使用熟悉相關軟件。</p><p>　　第五、六周：學習使用軟件，設計相關。</p><p>　　第七、八周：弄清程序流程，制定設計方案</p><p>　　第九、十周：寫出說明書草稿。</p><p>　　第十一、十二周：根據(jù)流程及控

30、制要求進行自控裝置的選型，中期檢查。 </p><p>　　第十四周：編寫儀表選型參數(shù)表；繪出儀表回路圖。</p><p>　　第十五周：設計出程序，調試結果等。</p><p>　　第十六周：整理出設計說明書，準備答辯。</p><p><b>　　第十七周：答辯。</b></p><p>&l

31、t;b>　　七、預期成果</b></p><p>　　能夠設計開發(fā)出脫硫島工段的的檢測裝置，實現(xiàn)對生產(chǎn)過程的檢測；制定出完整的控制方案（包括被控變量、操縱變量、控制閥氣開、氣關型式、口徑、控制器正反作用的選擇等）；計算完整的控制閥計算書；完成裝置選擇并達到自動化裝置選型工藝防爆、防腐要求；</p><p>　　按施工圖設計深度繪制出合格圖紙，包括儀表數(shù)據(jù)表、工藝控制流程圖