基于一種混合神經(jīng)網(wǎng)絡(luò)的船舶設(shè)計(jì)

1、<p>　　基于一種混合神經(jīng)網(wǎng)絡(luò)的船舶設(shè)計(jì)</p><p>　　摘要 該文深入分析了兩種經(jīng)典前饋神經(jīng)網(wǎng)絡(luò)—多層感知器和徑向基函數(shù)網(wǎng)絡(luò)的基本原理，指出它們分別模擬了生物神經(jīng)網(wǎng)絡(luò)不同方面的功能，在此基礎(chǔ)上將它們結(jié)合起來(lái)構(gòu)造了一種混合結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)，發(fā)揮了二者各自的優(yōu)點(diǎn)并成功的用于船舶性能的預(yù)估。仿真試驗(yàn)表明，這種神經(jīng)網(wǎng)絡(luò)的收斂速度和估計(jì)的準(zhǔn)確度都好于多層感知器。</p><p>　

2、　關(guān)鍵詞 人工神經(jīng)網(wǎng)絡(luò)，反向傳播算法，徑向基函數(shù)網(wǎng)絡(luò)，船舶設(shè)計(jì)</p><p><b>　　1 引言</b></p><p>　　人工神經(jīng)網(wǎng)絡(luò)是一種具有模擬人類(lèi)大腦形象思維、聯(lián)想記憶和信息分布存貯的非線性方法，是目前模式識(shí)別和機(jī)器學(xué)習(xí)領(lǐng)域的一個(gè)研究熱點(diǎn)。其特點(diǎn)是：大規(guī)模并行結(jié)構(gòu)、信息的分布式存儲(chǔ)和并行處理及良好的自適應(yīng)性、自組織性和容錯(cuò)性，具有較強(qiáng)的學(xué)習(xí)、記憶、聯(lián)想

3、、識(shí)別功能等。正是因?yàn)榫哂猩鲜鎏攸c(diǎn)，人工神經(jīng)網(wǎng)絡(luò)在生物、電子、計(jì)算機(jī)、數(shù)理和工程等眾多學(xué)科有著非常廣泛的應(yīng)用前景。當(dāng)前，神經(jīng)網(wǎng)絡(luò)的研究已取得多方面的進(jìn)展和成果[1,2]，研究者們從不同的角度提出了BP網(wǎng)絡(luò)，RBF網(wǎng)絡(luò)、支撐向量機(jī)、自組織映射、Hopfield網(wǎng)絡(luò)等大量神經(jīng)網(wǎng)絡(luò)模型。</p><p>　　根據(jù)神經(jīng)網(wǎng)絡(luò)模型的學(xué)習(xí)方法，可將現(xiàn)有的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法分為有監(jiān)督者和無(wú)監(jiān)督者兩類(lèi)。其中，有監(jiān)督者的模型結(jié)構(gòu)及算法

4、比較簡(jiǎn)單，主要應(yīng)用于模式識(shí)別及分類(lèi)領(lǐng)域，典型的算法如BP網(wǎng)絡(luò)算法、RBF網(wǎng)絡(luò)算法。傳統(tǒng)的BP網(wǎng)絡(luò)算法采用基于誤差反向傳播的梯度算法；而RBF網(wǎng)絡(luò)利用了差值法的研究成果，采用了前饋的結(jié)構(gòu)，二者都是對(duì)真實(shí)神經(jīng)網(wǎng)絡(luò)不同方面的近似，各有其優(yōu)缺點(diǎn)。本文在分析了這兩種算法基本思想的基礎(chǔ)上，將二者結(jié)合起來(lái)，利用各自的優(yōu)點(diǎn)構(gòu)造了一種混合神經(jīng)網(wǎng)絡(luò)，并探討了這種網(wǎng)絡(luò)在船舶設(shè)計(jì)上的應(yīng)用。</p><p>　　2 前饋神經(jīng)網(wǎng)絡(luò)模型及基本

5、思想</p><p>　　2.1 多層感知器神經(jīng)網(wǎng)絡(luò)的基本原理</p><p>　　這類(lèi)網(wǎng)絡(luò)典型的組成分為三部分：由一組感知單元（源節(jié)點(diǎn)）組成輸入層，一層或多層計(jì)算節(jié)點(diǎn)的構(gòu)成的隱含層及由一組計(jì)算節(jié)點(diǎn)組成的輸出層，如圖1所示。</p><p>　　圖1 具有一個(gè)隱層的感知器結(jié)構(gòu)</p><p>　　多層感知器有如下三個(gè)突出特點(diǎn)：</p&g

6、t;<p>　　⑴網(wǎng)絡(luò)中的每個(gè)神經(jīng)元模型包含一個(gè)非線性激活函數(shù)，最常用的是logistic函數(shù)</p><p><b>　　(1)</b></p><p><b>　　輸出。</b></p><p>　?、?網(wǎng)絡(luò)包含一層或多層隱藏神經(jīng)元。</p><p>　　⑶ 網(wǎng)絡(luò)展現(xiàn)出高度的連接性

7、。</p><p>　　多層感知器的網(wǎng)絡(luò)構(gòu)成大量借鑒了神經(jīng)生理學(xué)的研究成果，其學(xué)習(xí)算法是一種類(lèi)似于生物反射機(jī)制的基于誤差反向傳播的梯度算法（BP算法），因此在一定程度上模擬了生物神經(jīng)元的運(yùn)行方式。通過(guò)訓(xùn)練，多層感知器具有學(xué)習(xí)數(shù)據(jù)內(nèi)部復(fù)雜、非線性的生成機(jī)制的能力，但其收斂速度比較慢，推廣能力較差，易陷入局部極小點(diǎn)，而且網(wǎng)絡(luò)的能力隨突觸數(shù)量的增多增長(zhǎng)緩慢（維數(shù)災(zāi)）。</p><p>　　2.2

8、 RBF（徑向基函數(shù)）網(wǎng)絡(luò)的基本原理</p><p>　　除了采用基于神經(jīng)生理學(xué)的學(xué)習(xí)算法外，前饋型神經(jīng)網(wǎng)絡(luò)還可以看作是一個(gè)高維空間中的曲線擬合問(wèn)題。按照這種觀點(diǎn)，學(xué)習(xí)等價(jià)于在多維空間中尋找一個(gè)訓(xùn)練數(shù)據(jù)的擬合曲面，使得訓(xùn)練誤差達(dá)到某種統(tǒng)計(jì)意義上的最佳。</p><p>　　最基本的RBF網(wǎng)絡(luò)的構(gòu)成包括三層。輸入層由感知單元組成，第二層是網(wǎng)絡(luò)中僅有的一個(gè)隱層，其作用是從輸入空間到輸出空間進(jìn)行

9、非線性變換，通常該隱層具有較高的維數(shù)，第三層是線性的輸出層，如圖2所示。</p><p>　　圖2 徑向基函數(shù)網(wǎng)絡(luò)結(jié)構(gòu)</p><p>　　是對(duì)視神經(jīng)功能的模擬。</p><p>　　RBF網(wǎng)絡(luò)可通過(guò)Tikhonov 正則化理論和Green函數(shù)進(jìn)行設(shè)計(jì)，因此學(xué)習(xí)速度一般遠(yuǎn)快于多層感知器網(wǎng)絡(luò)，但也同樣存在“維數(shù)災(zāi)”的問(wèn)題。</p><p>　　

10、3 混合神經(jīng)網(wǎng)絡(luò)模型</p><p>　　RBF網(wǎng)絡(luò)之所以具有分類(lèi)能力是基于cover原理[5]，該原理可定性表述為：</p><p>　　將復(fù)雜的模式分類(lèi)問(wèn)題非線性地投射到高維空間比投射到低維空間更可能是線性可分的。</p><p>　　根據(jù)這一原理，本文首先將數(shù)據(jù)利用徑向基函數(shù)進(jìn)行非線性變換，然后再輸入一個(gè)單隱層感知器進(jìn)行分類(lèi)，算法如下</p>&

11、lt;p>　?、?若滿足精度要求則結(jié)束計(jì)算，若不滿足要求則按照BP算法調(diào)整權(quán)值。經(jīng)過(guò)不斷的迭代學(xué)習(xí)，直到誤差滿足規(guī)定的誤差精度，確定的權(quán)系數(shù)即為所需的權(quán)系數(shù)[3,4]。 </p><p><b>　　4 計(jì)算機(jī)試驗(yàn)</b></p><p>　　試驗(yàn)一：基于混合神經(jīng)網(wǎng)絡(luò)的船舶設(shè)計(jì)</p><p>　　在船舶設(shè)計(jì)工作中，由于限制條件繁多，特別

12、是“模糊”的概念比較多，經(jīng)典的確定性程序算法難以完全滿足現(xiàn)代的船舶設(shè)計(jì)工作。因此，人工神經(jīng)網(wǎng)絡(luò)自適應(yīng)和學(xué)習(xí)能力就非常有吸引力。自神經(jīng)網(wǎng)絡(luò)方法被引入船舶工程以來(lái)，我國(guó)船舶科技工作者在船舶設(shè)計(jì)方案的優(yōu)選和排序、船舶操縱性能的綜合評(píng)判、船舶結(jié)構(gòu)優(yōu)化設(shè)計(jì)、船舶結(jié)構(gòu)設(shè)計(jì)的評(píng)估、船舶建造等方面取得了豐碩的成果。</p><p>　　本試驗(yàn)的思路是以船舶主尺度參數(shù)為輸入，利用神經(jīng)網(wǎng)絡(luò)對(duì)船舶性能進(jìn)行預(yù)測(cè)，以此為船舶初步設(shè)計(jì)提供參

13、考。學(xué)習(xí)樣本是5條江海直達(dá)貨船的船型資料，并選擇對(duì)船舶性能影響較大的主尺度和主尺度系數(shù)作為樣本輸入數(shù)據(jù)，分別是：船長(zhǎng)Lbp，船寬B，吃水T，型深D，方型系數(shù)Cb，重心高度Zg和主機(jī)馬力BHP（見(jiàn)表1，其中6、7行的數(shù)據(jù)作為測(cè)試數(shù)據(jù)）。期望輸出數(shù)據(jù)、實(shí)際輸出數(shù)據(jù)和偏差見(jiàn)表2，測(cè)試結(jié)果見(jiàn)表3。網(wǎng)絡(luò)中非線性變換層的單元數(shù)為30，感知器隱層單元數(shù)為5，輸出層單元數(shù)為2。</p><p>　　表1 樣本輸入數(shù)據(jù)</

14、p><p><b>　　樣本輸入值</b></p><p><b>　　No.</b></p><p><b>　　Lbp</b></p><p><b>　　B</b></p><p><b>　　T</b>&l

15、t;/p><p><b>　　D</b></p><p><b>　　Cb</b></p><p><b>　　Zg</b></p><p><b>　　BHP</b></p><p><b>　　1</b><

16、;/p><p><b>　　53.3</b></p><p><b>　　9.24</b></p><p><b>　　2.4</b></p><p><b>　　3.69</b></p><p><b>　　0.799<

17、;/b></p><p><b>　　2.95</b></p><p><b>　　500</b></p><p><b>　　2</b></p><p><b>　　55.3</b></p><p><b>　　8

18、.64</b></p><p><b>　　2.4</b></p><p><b>　　3.46</b></p><p><b>　　0.810</b></p><p><b>　　2.77</b></p><p>&l

19、t;b>　　500</b></p><p><b>　　3</b></p><p><b>　　72.7</b></p><p><b>　　11.37</b></p><p><b>　　2.4</b></p><p

20、><b>　　4.55</b></p><p><b>　　0.810</b></p><p><b>　　3.64</b></p><p><b>　　690</b></p><p><b>　　4</b></p>

21、<p><b>　　79.5</b></p><p><b>　　12.45</b></p><p><b>　　2.5</b></p><p><b>　　4.98</b></p><p><b>　　0.810</b>

22、;</p><p><b>　　3.98</b></p><p><b>　　780</b></p><p><b>　　5</b></p><p><b>　　94.5</b></p><p><b>　　14.77&l

23、t;/b></p><p><b>　　2.7</b></p><p><b>　　5.91</b></p><p><b>　　0.810</b></p><p><b>　　4.73</b></p><p><b&g

24、t;　　1050</b></p><p><b>　　6</b></p><p><b>　　96.5</b></p><p><b>　　16.71</b></p><p><b>　　3.0</b></p><p>

25、<b>　　6.69</b></p><p><b>　　0.810</b></p><p><b>　　5.35</b></p><p><b>　　1175</b></p><p><b>　　7</b></p>&

26、lt;p><b>　　99.7</b></p><p><b>　　15.63</b></p><p><b>　　3.0</b></p><p><b>　　6.25</b></p><p><b>　　0.810</b>&l

27、t;/p><p><b>　　5.00</b></p><p><b>　　1175</b></p><p>　　表2 訓(xùn)練輸出結(jié)果</p><p><b>　　期望輸出數(shù)據(jù)</b></p><p><b>　　實(shí)際輸出數(shù)據(jù)</b>&

28、lt;/p><p><b>　　偏差</b></p><p><b>　　No.</b></p><p><b>　　Ts</b></p><p><b>　　V</b></p><p><b>　　Ts’</b>

29、</p><p><b>　　V’</b></p><p><b>　　ΔTs</b></p><p><b>　　ΔV</b></p><p><b>　　1</b></p><p><b>　　5.97</b&g

30、t;</p><p><b>　　9.73</b></p><p><b>　　5.9574</b></p><p><b>　　9.7413</b></p><p><b>　　-0.0126</b></p><p><b&

31、gt;　　0.0113</b></p><p><b>　　2</b></p><p><b>　　6.04</b></p><p><b>　　9.78</b></p><p><b>　　5.9821</b></p><

32、p><b>　　9.7914</b></p><p><b>　　-0.0579</b></p><p><b>　　0.0114</b></p><p><b>　　3</b></p><p><b>　　5.65</b>&l

33、t;/p><p><b>　　9.83</b></p><p><b>　　5.6539</b></p><p><b>　　9.8241</b></p><p><b>　　0.0039</b></p><p><b>　　

34、0.0059</b></p><p><b>　　4</b></p><p><b>　　5.68</b></p><p><b>　　9.81</b></p><p><b>　　5.7015</b></p><p>

35、<b>　　9.8151</b></p><p><b>　　0.0215</b></p><p><b>　　0.0051</b></p><p><b>　　5</b></p><p><b>　　5.74</b></p&g

36、t;<p><b>　　9.93</b></p><p><b>　　5.7421</b></p><p><b>　　9.9289</b></p><p><b>　　0.0021</b></p><p><b>　　0.0011

37、</b></p><p>　　表3 測(cè)試輸出結(jié)果</p><p><b>　　期望輸出數(shù)據(jù)</b></p><p><b>　　實(shí)際輸出數(shù)據(jù)</b></p><p><b>　　偏差</b></p><p><b>　　No.&l

38、t;/b></p><p><b>　　Ts</b></p><p><b>　　V</b></p><p><b>　　Ts’</b></p><p><b>　　V’</b></p><p><b>　　ΔTs&

39、lt;/b></p><p><b>　　ΔV</b></p><p><b>　　1</b></p><p><b>　　6.02</b></p><p><b>　　9.78</b></p><p><b>　　

40、5.952</b></p><p><b>　　9.8156</b></p><p><b>　　-0.0680</b></p><p><b>　　0.0356</b></p><p><b>　　2</b></p><p

41、><b>　　6.14</b></p><p><b>　　9.90</b></p><p><b>　　6.1241</b></p><p><b>　　9. 9108</b></p><p><b>　　-0.0159</b>

42、;</p><p><b>　　0.0108</b></p><p>　　從表中給出的結(jié)果可以看出，算法具有較好的估計(jì)能力。</p><p>　　試驗(yàn)二：英文字母識(shí)別</p><p><b>　　(a) </b></p><p><b>　　(b) </b&g

43、t;</p><p>　　圖3混合結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)性能字母識(shí)別是神經(jīng)網(wǎng)絡(luò)的一個(gè)重要的應(yīng)用領(lǐng)域，試驗(yàn)中將26個(gè)英文字母用一組矢量表示，分別用本文的網(wǎng)絡(luò)和多層感知器進(jìn)行訓(xùn)練，并在不同噪聲下的識(shí)別性能如圖3(a)、(b)所示，可見(jiàn)本文算法的性能優(yōu)于多層感知器。</p><p><b>　　5 結(jié)束語(yǔ)</b></p><p>　　本文分析了兩種經(jīng)典的前饋神

44、經(jīng)網(wǎng)絡(luò)-多層感知器和徑向基函數(shù)網(wǎng)絡(luò)的基本原理，指出它們分別模擬了生物神經(jīng)網(wǎng)絡(luò)不同方面的功能，在此基礎(chǔ)上構(gòu)造了一種混合結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)，充分結(jié)合了二者的優(yōu)點(diǎn)并成功的用于船舶性能的預(yù)估。字母識(shí)別的仿真試驗(yàn)表明，這種神經(jīng)網(wǎng)絡(luò)在收斂速度和抗噪能上均好于經(jīng)典的多層感知算法。</p><p><b>　　參考文獻(xiàn)</b></p><p>　　[1]Haykin S著，葉世偉，史忠植

45、譯. 神經(jīng)網(wǎng)絡(luò)原理[M]. 北京:機(jī)械工業(yè)出版社，2004.1</p><p>　　[2]周毅,徐柏齡.神經(jīng)網(wǎng)絡(luò)中的正交設(shè)計(jì)法研究[J]. 南京大學(xué)學(xué)報(bào), 2001, 137(1)</p><p>　　[3] 聞新等. Matlab神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計(jì)[M]. 北京:科學(xué)出版社, 2000, 9</p><p>　　[4] 飛思科技產(chǎn)品研發(fā)中心. 神經(jīng)網(wǎng)絡(luò)理論與MATL

46、AB7實(shí)現(xiàn)[M]. 電子工業(yè)出版社, 2005. 3</p><p>　　[5] Cover, T.M. Geometrical and statistical properties of systems of linear inequalities with applications in pattern recognition. IEEE Trans on. Electronic Computers, 196