神經網絡設計精選(九篇)

前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的神經網絡設計主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：神經網絡設計范文

關鍵詞：模糊神經網絡；PID；控制系統；非線性

中圖分類號：TP183 文獻標識碼：A文章編號：1007-9599 (2011) 20-0000-02

Design of Control System Based on FNN PID

Duan Zhengjun1,Zhao Ran1,Tian Wenxue2

(1.TISCO Stainless Steel Pipe company,Taiyuan030000,China;2. China Chemical Engineering Second Construction Corporation,Taiyuan030000,China)

Abstract:At present,many of intelligent algorithm apply to the non-linear control system,it is intelligent control systems,for example,neural network,fuzzy control.According to the neural networks and fuzzy control in this article,introduced design principles and implementation based on neural nerwork and PID algorithm.

Keywords:Fuzzy neural network;PID;Control System;Nonlinear

一、引言

模糊神經網絡（FNN）是模糊邏輯控制和神經網絡兩者結合的產物。模糊邏輯控制和神經網絡兩者單獨使用時候，都會有一定的缺陷。模糊邏輯在一定的論域上面有很好的收斂性，在進行模糊量的運算上有優勢；而神經網絡具有強的自學習、自適應、并行運算和精確計算的能力。因此，兩者結合可以優勢互補，從而很大提高綜合能力。FNN-PID是將模糊神經網絡融進PID算法中，實現二者結合。FNN-PID算法具有PID控制器優點、模糊控制的良好收斂性和對模糊量的運算優勢，也有神經網絡自學習、自適應的特性。

二、FNN系統結構

FNN具有很多種結構和算法，對于不同的控制對象，在綜合考慮運算速度和精度的情況下，可以使模糊神經網絡結構有所不同。本文模糊神經網絡采用如圖1的結構，兩個輸入變量是有 、 ，為誤差E與誤差變化量EC。輸出變量為Y，為PID三要素中的一個。根據專家經驗知識把每個輸入因子分為（NM，NS，ZO，PS，PM）五個模糊狀態記為T[ ]。

圖1.模糊神經網絡的結構

第一層至第三層是實現模糊控制規則，第四層去除模糊化并實現輸出實際控制對象的值，每層的作用如下：

第一層為輸入層，該層的節點直接與輸入層相連，起著將輸入向量X傳送到下一層的作用，其節點個數等于輸入變量個數。輸入輸出關系可表示為：

， i=1，2（1）

第二層為隸屬函數層，其作用是計算輸入量屬于各語言變量值模糊集合的隸屬函數值，節點個數 ，每個節點代表一個模糊集合，可表示為：

， j=1，2，3（2）

式中j―― 的模糊分割數， 、 ――高斯函數中第j個輸入對第i個結點的中心和寬度。

第三層為模糊規則層，每個節點代表一條模糊規則。采用IF-THEN模糊規則，可表示為：

：If is and is and…is THEN Yis（3）

式中，1≤n≤2，1≤i≤3： （4）

第四層為輸出層： （5）

三、FNN的學習算法及步驟

在學習方法上，我們選擇在線學習，在線學習就是針對整個訓練集的每一個輸入和對應的輸出要求，每學習一條規則，就進行一次連接權的調整；這樣一輪一輪不斷的自動的調整網絡連接權，知道整個網絡達到所有的要求的響應為止。學習目的是對產生樣本規律的統計特性進行建模，從具體觀測推測隱含的規律，輸出結果與樣本接近。為了提高測量的精度，要求 、 和 三個參數能夠適應環境的變化，即可實時調節高斯隸屬函數和連接第三、第四層的權重比。具體算法如下：

式（5）可以按下式表示：（6）

設 ， ， ，從而得到式（6）的簡化形式為： ，由式子（6）和式子（7）得到（8）式：

（9）

（10）

定義輸出誤差為： （11），其中 ――k時刻的輸出值， ――k時刻的輸出期望值。

定義系統的性能指標為：（12）

采用反方向傳播方法進行監督學習，使性能指標E值最小化。根據梯度下降方法有：

以上式子分別為（13），（14），（15）。其中 為學習速度，由于采用在線學習，那么 為一個定值。根據性能指標選取規則和專家經驗知識，取終止條件為E≤0.005，具體的學習步驟如下：

步驟1： 、 、 及 的初始值在[0，1]之間隨機選取， 的值為恒定值，根據經驗決定。

步驟2：根據式子（11），（13），（14），（15）計算得出比較理想的 ， ， 值。

步驟3：根據式子（12）計算E，若E≤0.002，迭代結束。否則，令 ， ， 為初始值并返回步驟2。

四、PID-FNN系統的設計及實現

根據FNN結構可知，輸入是誤差和誤差變化量，輸出是PID控制參數中的一個，故我們設計PID-FNN系統時要使用3個FNN，選擇這樣的FNN結構是為了更加精確的得到PID所需要的修正值。當然，這里所用的FNN是已經結束學習過程的。PID-FNN控制系統的具體結構如圖2所示。

PID-FNN系統具體實現過程如下：①根據FNN的學習算法，通過提供的樣本對FNN-Kp、FNN-Ki和FNN-Kd進行訓練，使其得到合適的權值，滿足性能指標為止。②誤差和誤差變化量做歸一化處理，作為FNN-Kp、FNN-Ki和FNN-Kd的輸入。③根據式子（1）（2）（4）（5）計算FNN的各層的輸出，FNN-Kp、FNN-Ki和FNN-Kd最后一層的輸出就是PID控制參數Kp、Ki和Kd的修正值。④利用③中得到的修正值，對經典PID控制器所得出的Kp、Ki和Kd的值進行修正。⑤Kp、Ki和Kd的修正后的值傳送給控制對象，并由圖2中所示，控制結果反饋回到計算誤差處進行誤差計算。由此跳轉到②步。

圖2.FNN-PID系統結構

五、結束語

FNN融合了模糊控制和神經網絡的特點，本文利用這一點設計了PID-FNN控制系統并予以實現。文章中介紹了FNN的系統結構和學習過程的算法以及步驟，然后設計了PID-FNN的系統結構，并且描述了具體的實現過程。

本文作者創新點：模糊神經網絡（FNN）是模糊邏輯控制和神經網絡兩者結合的產物。兩者結合可以優勢互補，從而很大提高綜合能力。從而能夠更迅速、更精確的對PID參數進行修正，已達到最佳的控制狀態。

參考文獻：

[1]李士勇.模糊控制,神經控制和智能控制論[M].哈爾濱:哈爾濱工業大學出版社,1996

[2]曾黃麟.智能計算[M].重慶:重慶大學出版社,2004

[3]晁勤,傅成華.自動控制原理[M].重慶:重慶大學出版社,2005

[4]武嘉.輔助控制系統設計與仿真[M].北京:電子工業出版社,2005

第2篇：神經網絡設計范文

論文關鍵詞：內燃機 人工神經網絡 輔助方法

論文摘要：針對汽車發動機設計和性能評測當中有關參數計算的特點，提出應用人工神經網絡方法進行輔助計算，以提高數據計算的結構化程度和處理速度。通過對具體數據的實際操作表明，應用本方法能夠很好地表達原圖表數據關系，所得結果的精度能夠滿足計算要求。

汽車發動機的性能包括動力性、經濟性、生態特性——排放與噪聲、可靠性及耐久性等多個方面，這些參數要通過在一定條件下的測試計算來獲得。當發動機在非標準環境下運轉時，其相關計算要通過參數進行修正，比如發動機的有效功率和燃油消耗率的計算。當發動機在非標準環境下運轉時，其有效功率及燃油消耗率應修正到標準環境狀況，當然也可由標準環境狀況修正到現場環境狀況，其中的有效功率和燃油消耗率修正系數在GB1105..1-87中以圖表的形式給出，使用很不方便，本文應用人工神經網絡對此圖表信息進行處理，提高了數據計算的結構化程度和處理速度，取得了滿意的效果。

1.神經網絡的識別原理

在神經網絡系統中，其知識是以大量神經元的互連和各連接的權值來表示的.神經網絡映射辯識方法主要通過大量的樣本進行訓練，經過網絡內部自適應算法不斷調整其權值，以達到目的.狀態識別器就隱含在網絡中，具體就在互連形式與權值上.在網絡的使用過程中，對于特定的輸入模式，神經網絡通過前向計算，產生一輸出模式，通過對輸出信號的比較和分析可以得出特定解。目前神經網絡有近40多種類型，其中BP(Back Propagation，即反向傳播)網絡是最常用和比較重要的網絡之一，本文就應用一種改進型的BP網絡進行相應數據圖表的識別映射。

BP網絡由輸入結點、輸出層結點和隱層結點構成，相連層用全互連結構.神經網絡的工作過程主要有兩個階段：一個是學習期，通過樣本學習修改各權值，達到一穩定狀態；一個是工作期，權值不變，計算網絡輸出。

B

P網絡的學習過程由正向傳播和反向傳播兩部分組成。在正向傳播過程中，輸入信息從輸入層經隱層單元逐層處理，并傳向輸出層，每一層神經元的狀態只影響下一層神經元的狀態。如果在輸出層不能得到期望的輸出，則轉入反向傳播，將誤差信號沿原來的路徑返回，通過修改各層神經元的權值，使得誤差信號最小。

當給定一輸入模式X=(x1，x2，….，xm)和希望輸出模式Y=(y1，y2，…..，yn)時，網絡的實際輸出和輸出誤差可用下列公式求出：

隱含層輸出：

式中——輸入層至隱含層，隱含層至輸出層的連接權；

——隱含層結點、輸出層結點的閥值；

m、h、n——輸入層、隱含層、輸出層結點數；

f—— s型函數，f(x)=(1+e-x)-1.

如果誤差太大不能滿足要求，則需要用下列公式修正各連接權和閥值

為網絡提供一組特定的訓練模式，隨機產生初始連接權和閥值，不斷幣復上述計算過程，直到網絡全局誤差小于給定的極小值為止.

由于BP網絡的高識別能力，應用中采用了此結構形式.同時為提高其識別效果，加快網絡的訓練速度，縮短工作周期，應用了附加動量項和自適應速率的改進算法.

附加動量項法使網絡在修正其權值時，不僅考慮誤差在梯度上的作用，而且考慮在誤差曲面上變化趨勢的影響，其作用如同一個低通濾波器，允許網絡上的微小變化特性，使網絡陷入局部極小值的可能性大大減少。自適應速率是通過改變學習率，提高BP算法的有效性和收斂性，縮短訓練時間.

2具體應用

根據以上理論，采用改進的BP神經網絡形式，動量因子取0.9，對有效功率校正系數和燃油消耗率校正系數與指示功率比和機械效率的關系同時進行識別，采用雙輸入雙輸出的2-10-2結構、2-15-2結構、2-20-2結構進行訓練，識別情況分別如表3-5所示。

轉貼于

從實際的應用效果來看，2-15-2和2-20-2的逼近能力相似，2-15-2的速度快于2-20-2結構，而2-20-2結構的識別能力要遠低于前兩種結構，采用更少的隱層結點數就會使訓練的時間過長，甚至使訓練過程無法進行.因此最后選擇2-15-2的BP網絡結構作為最終的神經網絡形式。如圖1所示為訓練次數與誤差平方和之間的關系曲線，表4為部分網絡輸出與實際數值的比較.

通過以上計算分析可見，神經網絡的映射輸出能力是相當強的，通過合理的網絡結構選擇和具體的參數應用，完全可以滿足優化設計的計算要求，大大縮短優化當中的計算迭代時間，提高計算效率。

3結論

（1）人工神經網絡有很強的數據映射能力，能夠很好地識別所給數據之間的對應關系，映射的精度可以滿足一般設計計算要求.

（2）對于包含無規律圖表數據的有關計算問題，應用神經網絡是一個很好的加快運算速度的解決方法.

（3）在數據的映射識別當中，網絡的結構形式和參數選擇對于問題的求解精度和速度都是致關重要的’同時應當注意數據的過度訓練問題.

（4）智能算法的應用為具體的工程計算提供了更方便、有效的手段，尋找有效的計算方法，以及多種算法的混合應用將是擺在設計人員的一個課題.

參考文獻

[1]焦李成.神經網絡系統理論[M]西安:西安電子科技大學出版社，1990.

[2]焦李成.神經網絡的應用與實現[M].西安:西安電子科技大學出版社，1993.

[3]王文成.神經網絡及其在汽車工程中的應用[M].北京:北京理工大學出版社，1998.

[4]張成寶，丁玉蘭，雷雨成.人工神經網絡在汽車變速器齒輪故障診斷中的應用[J].汽車工程，1999，21(6) 374-378.

[5]Watanahle Y， Sharp H S. Neural network learning control of automotive aotic-e suspension systems.lnternational，lournal of Vehicle Design[J]，1999，21(2/3):124一147.

第3篇：神經網絡設計范文

1 引言

在現代機械制造領域中，隨著工廠機械制造機器人的普及，機械臂已經變得越來越重要。與傳統的工業機械臂相比，未來的機械臂要能夠完成更加復雜的機械加工任務。在實際的機械制造機器人應用中，衡量機械臂的工作性能主要是工作效率和工作可靠性指標。

機械臂是一個開鏈式的多連桿機構，用固定基座來進行固定，機械臂可以根據需要在自由端安裝執行器來實現工廠生產操作，關節之間的運動可以帶動連桿運動，使得機械臂運動來達到不同的姿態。本文主要針對這個問題展開研究，探討機械臂的路徑規劃問題。

2 徑向基函數神經網絡介紹

神經網絡具有分布式存儲、并行協同處理和對信息具有自組織自學習等優點，所以廣泛應用在人工智能方面。神經網絡的大量神經元之間的連接權值和分布分別代表著特定的信息，當網絡受損時可以保證網絡的輸出正確，這種信息處理方式大大提高了網絡的容錯性和魯棒性。

徑向基函數神經網絡是基于函數逼近理論的，是根據系統的海量樣本數據來選擇隱含層神經元的徑向基激活函數，可以用基函數來表示，能夠無限的逼近真實的算法表達，它選擇合理的隱含層單元個數和作用函數，能夠把原來的非線性不可分問題映射成線性可分問題，把不好處理的非線性問題方便的簡化為線性問題。徑向基函數神經網絡在訓練時，在給定訓練樣本后學習算法要解決的核心問題是：設計神經網絡的網絡結構和求解相關的參數。網絡結構設計主要包括網絡的輸入、網絡的輸出個數，隱含層節點數目。相關的參數主要包括涉及的參數有徑向基函數的中心值、以及函數寬度和權值。

徑向基函數神經網絡屬于一種性能較優的前饋型神經網絡，它具有多維度非線性的映射能力和并行信息處理的能力，以及強大的聚類分析能力。與BP神經網絡相比，徑向基函數神經網絡的網絡拓撲結構采用的是徑向對稱的核函數，這樣可以大幅提高神經網絡的學習速度，同時能夠避免陷入局部極小，具有較好的全局尋優能力，同時也具有較好的逼近任意非線性映射能力。

3 機械臂路徑規劃設計

機械臂軌跡規劃主要研究的是機械臂在多維空間中的運動路線，即給定一個初始狀態位姿，一個期望的末端執行器的位姿，根據規定的要求來尋找連接初始狀態和期望狀態的最優有效路徑，然后把最優路徑轉變為機械臂各個關節的空間坐標，進一步轉化為機械臂的各個關節的位移、速度和加速度，就形成了機械臂的路徑。

機械臂的動力學狀態模型為：

其中：D（q）為對稱正定的慣量矩陣，為哥式力與離心力矩陣，G（q）為重力項矩陣，q為機械臂關節角位移矢量，為機械臂的角速度矢量，為機械臂的角加速度矢量，為機械臂各關節控制力矩輸入矢量。

機械臂的動力學參考模型為：

其中，y為2n+1的參考模型狀態矢量，r為n×1的參考模型輸入矢量。

徑向基函數神經網絡包括一個輸入層、一個隱層和一個輸出層。隱層由一個徑向基函數組成，和每個隱層節點相關的參數為網絡中心向量和半徑。本文選擇高斯函數作為徑向基函數。本文選擇的神經網絡訓練方法為：輸入層到隱層用無導師的聚類算法來訓練，常用的是K-均值算法和模糊聚類算法，來確定神經網絡的中心向量和半徑，隱層和輸出層的權值調整用有導師指導算法，來確定權重向量。

算法流程如下：首先對樣本數據進行聚類，然后確定神經網絡的隱層節點的中心的初始值，將這些樣本進行分組，然后將訓練樣本按照距離的遠近向隱層節點的中心聚類，完成后計算樣本的均值，將樣本均值賦值給隱層中心作為下一次迭代的聚類中心，下一步要判斷聚類過程是否結束，聚類結束標志是當劃分的每個聚類的樣本中心不再變化。然后再計算下寬度半徑，寬度半徑等于每個聚類中心與該訓練樣本之間的平均距離。

通過算法驗證，對機械臂的路徑規劃驗證了算法的合理性和可行性，規劃后支反力和扭矩等動力性能較好，完全滿足工程需求。

第4篇：神經網絡設計范文

關鍵詞：脫硫脫硝；BP神經網絡；反向傳播；預測

中圖分類號：X73文獻標識碼：A文章編號：16749944（2014）07021303

1技術背景

煤炭燃燒產生的煙氣中，含有大量的氮硫氧化物，這些氧化物直接排放到空氣中，會導致酸雨等自然災害的發生。因此，各國都在積極研究煙氣脫硫脫硝技術。目前最新的技術是采用臭氧的強氧化性對煙氣中的NO進行處理，使之溶解于水，降低煙氣中的氮硫氧化物。

現有的技術對于臭氧的添加采用的是PID控制，此控制技術經過多年的發展，已經相對成熟。其控制設備簡單，控制思路清晰，但在控制過程中也存在很多問題，比如對于大慣性環節控制滯后，震蕩過度等問題。在添加臭氧的過程中，通過檢測煙氣輸入端的氮硫氧化物的摩爾量，利用反應方程式計算理想狀態下需要的臭氧摩爾量，然后再通過檢測通入堿性廢水中和前的NOx，SO2的濃度，完成PID調節，改變臭氧的添加量。

在添加的過程中，因為影響臭氧添加量的各個因素之間是非線性的，所以無法進行單一的線性補償，導致臭氧添加量過大或者過少。過大會造成添加臭氧的浪費，過小會使煙氣反應不完全，導致煙氣排放不達標，所以本發明的目的就是根據歷史數據對臭氧的需求量建立預測模型，通過數據的分析，預測臭氧的消耗量，以達到減少浪費或者減少煙氣不達標的情況。

人工神經網絡是利用計算機模擬人腦的結構和功能的一門新學科[1]，能夠利用自身的優良處理性能，解決高度非線性和嚴重不確定性系統的復雜問題，在此適合進行對臭氧需求量進行預測，所以提出建立一個三層BP神經網絡預測模型，使用改進的算法進行訓練，并對煙氣脫硫脫硝中臭氧需求量的預測的方法[2]。

2BP網絡及動量梯度下降算法

BP（Back Propagation）網絡是1986年由Rumelhart和McCelland為首的科學家小組提出的，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。BP網絡能學習和存貯大量的輸入-輸出模式映射關系，并且無需事前揭示描述這種映射關系的數學方程。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神經網絡模型拓撲結構包括輸入層（input layer）、隱含層（hide layer）和輸出層（output layer）。

網絡學習規則又稱為 學習規則，對于給定的一組訓練模式，不斷用一個個訓練模式重復前向傳播和誤差反向傳播過程，各個訓練模式都滿足要求時，則說明BP網絡已學習好了。從網絡學習的角度來看，網絡狀態前向更新及誤差信號傳播過程中，信息的傳播是雙向的，但是不意味著網絡層與層之間的結構也是雙向的。

BP神經網絡能夠以任意精度逼近任何非線性連續函，使得其特別適合于求解內部機制復雜的問題，即BP神經網絡具有較強的非線性映射能力；其次BP神經網絡具有高度自學習和自適應的能力。還有泛化能力，即BP神經網絡具有將學習成果應用于新知識的能力。容錯能力：BP神經網絡具有一定的容錯能力，即使系統在受到局部損傷時還是可以正常工作（圖1）。

從（2）式可看出，如果比例系數μ=0，則為高斯-牛頓法；如果μ取值很大，則LM算法接近梯度下降法，每迭代成功一步，則μ減小一些，這樣在接近誤差目標的時候，逐漸與高斯-牛頓法相似[4]。高斯-牛頓法在接近誤差的最小值的時候，計算速度更快，精度也更高。由于LM算法利用了近似的二階導數信息，它比梯度下降法快得多，實踐證明，采用LM算法可以較原來的梯度下降法提高速度幾十甚至上百倍。另外由于[JT（w）J（w）+μw]是正定的，所以（2）式的解總是存在的，從這個意義上說，LM算法也優于高斯-牛頓法，因為對于高斯-牛頓法來說，JTJ是否滿秩還是個潛在的問題。

在實際的操作中，μ是一個試探性的參數，對于給定的μ，如果求得的 能使誤差指標函數 降低，則E（w）降低；反之，則μ增加。用（2）式修改一次權值和閾值時需要求n階的代數方程（n為網絡中權值數目）。LM算法的計算復雜度為O（n3/6），若n很大，則計算量和存儲量都非常大。然而，每次迭代效率的顯著提高，可大大改善其整體性能，特別是在精度要求高的時候[5]。

3臭氧脫硫脫硝需求量的預測

以BP神經網絡模型為原始模型，建立一個三層BP神經網絡預測模型，使用改進的算法進行訓練，并對煙氣脫硫脫硝中臭氧需求量的預測[6]，主要步驟分析為以下幾個方面。

（1）根據生產工藝流程，臭氧將難溶于水的NOx，SO2等氮硫氧化物氧化成易溶于水的高價氧化物，通過堿性廢水進行中和，同時脫硫脫硝的目的。通過分析可知，影響臭氧需求量的主要因素是：煙氣的流速，反應前煙氣中氧氣的濃度，反應中管道內的平均氧氣濃度，反應管道中臭氧與SO2的摩爾比，臭氧與NOx的摩爾比，氣體在反應管道中的停留時間，堿性廢水吸收液的溫度，堿性廢水吸收液中堿離子的濃度和煙氣的溫度等因素。在此，選取以上影響因素作為BP神經網絡模型的輸入變量，通入的臭氧的流速作為輸出變量。

在建立BP神經網絡模型過程中，隱含層節點數對BP神經網絡預測精度有較大的影響，節點數太少，網絡不能很好地學習，需要增加訓練次數，訓練的精度也受影響；節點數太多，訓練時間增加，網絡容易過擬合[7，8]。最佳隱含層節點數的選擇可參考如下公式。

4結語

改進的BP網絡預測模型，對同時脫硫脫硝臭氧需求量進行預測，訓練算法采用動態自適應學習率的梯度下降算法，能夠更快的進行訓練，預測誤差也較小，預測值有很好的利用價值；通過對臭氧需求量的預測，能夠實時的根據工況自動改變臭氧的添加量，既能滿足脫硫脫硝的技術要求，同時也可以降低臭氧的需求量，降低企業成本，提高公司效益。本文只是設計了方法，結果需要經過試驗進行驗證，并進行改進。

參考文獻：

[1] 吳昌設.基于人工神經網絡的電網日負荷預測研究[D].杭州：浙江大學，2011.

[2] 姜成科.基于遺傳算法的神經網絡在大壩變形預報中的應用 [D].大連：大連理工大學，2008.

[3] 劉曉悅，姚樂樂，聚類分析在超短期電力負荷中的應用[J].河北聯合大學學報：自然科學版，2013，35（3）：74～80.

[4] 沙瑞華.基于神經網絡的水電機組動載識別研究[D].大連：大連理工大學，2005.

[5] 黃豪彩，楊冠魯.基于LM算法的神經網絡系統辨識[J].組合機床與自動化加工技術，2003（2）：6～8.

[6] 馮居易，郭曄.基于LM算法的石油期貨價格預測研究[J].技術經濟與管理研究，2009（5）：19～21.

[7] 項灝，張俊.一種改進的量子遺傳模擬退火算法及其在神經網絡智能故障診斷中的應用[J].機床與液壓，2012.40（13）：196～200.

第5篇：神經網絡設計范文

關鍵詞性能對比感知器BP網絡霍普菲爾德網絡字符識別

1引言

人工神經網絡是在人類對其大腦神經網絡認識理解的基礎上人工構造的能夠實現某種功能的神經網絡。 它是理論化的人腦神經網絡的數學模型，是基于模仿大腦神經網絡結構和功能而建立的一種信息處理系統。因其自組織、自學習能力以及具有信息的分布式存儲和并行處理，信息存儲與處理的合一等特點得到了廣泛的關注，已經發展了上百種人工神經網絡。

一般來說，人工神經網絡從結構上可分為兩種:前向網絡和反饋網絡。典型的前向網絡有單層感知器、BP網絡等，反饋網絡有霍普菲爾德網絡等[1]。

人工神經網絡已經被廣泛應用于模式識別、信號處理、專家系統、優化組合、智能控制等各個方面，其中采用人工神經網絡進行模式識別具有一些傳統技術所沒有的優點:良好的容錯能力[2j、分類能力、并行處理能力和自學習能力，并且其運行速度快，自適應性能好，具有較高的分辨率。單層感知器、BP網絡和霍普菲爾德網絡均可以用于字符識別。

本文通過具體采用感知器網絡、BP網絡和霍普菲爾德反饋網絡對26個英文字母進行識別的應用，通過實驗給出各自的識別出錯率，通過比較，可以看出這3種神經網絡的識別能力以及各自的優缺點。

2 字符識別問題描述與網絡識別前的預處理

字符識別在現代日常生活的應用越來越廣泛，比如車輛牌照自動識別系統[3，4]，手寫識別系統[5]，辦公自動化等等[6]。畢業論文 本文采用單層感知器、BP網絡和霍普菲爾德網絡對26個英文字母進行識別。首先將待識別的26個字母中的每一個字母都通過長和寬分別為7×5的方格進行數字化處理，并用一個向量表示。其相應有數據的位置置為1，其他位置置為O。圖1給出了字母A、B和C的數字化過程，其中最左邊的為字母A的數字化處理結果所得對應的向量為:IetterA~「00100010100101010001111111000110001〕’，由此可得每個字母由35個元素組成一個向量。由26個標準字母組成的輸人向量被定義為一個輸人向量矩陣alphabet，即神經網絡的樣本輸人為一個35×26的矩陣。其中alphabet=[letterA，letterB，lettere，……letterZj。網絡樣本輸出需要一個對26個輸人字母進行區分輸出向量，對于任意一個輸人字母，網絡輸出在字母對應的順序位置上的值為1，其余為O，即網絡輸出矩陣為對角線上為1的26×26的單位陣，定義target=eye(26)。

本文共有兩類這樣的數據作為輸人:一類是理想的標準輸人信號;另一類是在標準輸人信號中加上用MATLAB工具箱里的噪聲信號，即randn函數。

3 識別字符的網絡設計及其實驗分析

3.1單層感知器的設計及其識別效果

選取網絡35個輸人節點和26個輸出節點，設置目標誤差為0.0001，最大訓練次數為40。設計出的網絡使輸出矢量在正確的位置上輸出為1，在其他位置上輸出為O。醫學論文 首先用理想輸人信號訓練網絡，得到無噪聲訓練結果，然后用兩組標準輸入矢量加上兩組帶有隨機噪聲的輸人矢量訓練網絡，這樣可以保證網絡同時具有對理想輸人和噪聲輸人分類的能力。網絡訓練完后，為保證網絡能準確無誤地識別出理想的字符，再用無噪聲的標準輸入訓練網絡，最終得到有能力識別帶有噪聲輸人的網絡。下一步是對所設計的網絡進行性能測試:給網絡輸人任意字母，并在其上加人具有平均值從。~0.2的噪聲，隨機產生100個輸人矢量，分別對上述兩種網絡的字母識別出錯率進行實驗，結果如圖2所示。其中縱坐標所表示的識別出錯率是將實際輸出減去期望輸出所得的輸出矩陣中所有元素的絕對值和的一半再除以26得到的;虛線代表用無噪聲的標準輸人信號訓練出網絡的出錯率，實線代表用有噪聲訓練出網絡的出錯率。從圖中可以看出，無噪聲訓練網絡對字符進行識別時，當字符一出現噪聲時，該網絡識別立刻出現錯誤;當噪聲均值超過0.02時，識別出錯率急劇上升，其最大出錯率達到21.5%。由此可見，無噪聲訓練網絡識別幾乎沒有抗干擾能力。而有噪聲訓練出的網絡具有一定的抗干擾能力，它在均值為。~0.06之間的噪聲環境下，能夠準確無誤地識別;其最大識別出錯率約為6.6%，遠遠小于無噪聲訓練出的網絡。

3.2BP網絡的設計及其識別效果

該網絡設計方法在文獻[lj中有詳細介紹。網絡具有35個輸人節點和26個輸出節點。目標誤差為0.0001，采用輸人在(0，l)范圍內對數S型激活函數兩層109519/109519網絡，隱含層根據經驗選取10個神經元。和單層感知器一樣，分別用理想輸人信號和帶有隨機噪聲的輸人訓練網絡，得到有噪聲訓練網絡和無噪聲訓練網絡。由于噪聲輸人矢量可能會導致網絡的1或o輸出不正確，或出現其他值，所以為了使網絡具有抗干擾能力，在網絡訓練后，再將其輸出經過一層競爭網絡的處理，使網絡的輸出只在本列中的最大值的位t為1，保證在其他位置輸出為O，其中網絡的訓練采用自適應學習速率加附加動量法，在MATLAB工具箱中直接調用traingdx。在與單層感知器相同的測試條件下對網絡進行性能測試，結果如圖3所示。其中虛線代表用無噪聲訓練網絡的出錯率，實線代表用有噪聲訓練網絡的出錯率。從圖中可以看出，在均值為o一0.12之間的噪聲環境下，兩個網絡都能夠準確地進行識別。在0.12~0.15之間的噪聲環境下，由于噪聲幅度相對較小，待識別字符接近于理想字符，故無噪聲訓練網絡的出錯率較有噪聲訓練網絡略低。當所加的噪聲均值超過。.15時，待識別字符在噪聲作用下不再接近于理想字符，無噪聲訓練網絡的出錯率急劇上升，此時有噪聲訓練網絡的性能較優.

轉貼于 3.3離散型，霍普菲爾德網絡的設計及其識別效果

此時網絡輸人節點數目與輸出神經元的數目是相等的，有r=s=35，采用正交化的權值設計方法。在MATLAB工具箱中可直接調用函數newh叩.m。要注意的是，由于調用函數newhoP.m，需要將輸人信號中所有的。英語論文 變換為一1。如letterA~[一1一11~1-1一11一11一l一11一11一11一1一1一11111111一l一l一111一1一1一11〕’。設計離散型霍普菲爾德網絡進行字符識別，只需要讓網絡記憶所要求的穩定平衡點，即待識別的26個英文字母。故只需要用理想輸人信號來訓練網絡。對于訓練后的網絡，我們進行性能測試。給網絡輸入任意字母，并在其上加人具有平均值從。~0.5的噪聲，隨機產生100個輸人矢量，觀察字母識別出錯率，結果如圖4所示。從圖中可以看出，在均值為0~0.33之間的噪聲環境下，網絡能夠準確地進行識別。在0.33~0.4之間的噪聲環境下，識別出錯率不到1%，在0.4以上的噪聲環境下，網絡識別出錯率急劇上升，最高達到大約10%。可以看出，該網絡穩定點的吸引域大約在0.3~。.4之間。當噪聲均值在吸引域內時，網絡進行字符識別時幾乎不出錯，而當噪聲均值超過吸引域時，網絡出錯率急劇上升。

4結論

本文設計了3種人工神經網絡對26個英文字母進行了識別。可以看出，這3種人工神經網絡均能有效地進行字符識別，并且識別速度快，自適應性能好，分辨率較高。由圖2和圖3可以看出，單層感知器的有噪聲訓練網絡在均值為O~0.06之間的噪聲環境下可以準確無誤的識別，而有噪聲訓練的BP網絡可以在o~0.12之間的噪聲環境下準確無誤的識別，故BP絡網絡容錯性比單層感知器的容錯性好;此外，噪聲達到0.2時，單層感知器的有噪聲訓練網絡的識別出錯率為6.6%，而有噪聲訓練的BP網絡的識別出錯率為2.1%，故BP網絡比單層感知器識別能力強。另外，由圖2、圖3和圖4可以看出，這3種網絡中霍普菲爾德網絡識別率最高，它在噪聲為0.33以前幾乎不會出錯，BP網絡次之，感知器最差。

通過設計、應用與性能對比，我們可得單層感知器網絡結構和算法都很簡單，訓練時間短，但識別出錯率較高，容錯性也較差。BP網絡結構和算法比單層感知器結構稍復雜，但其識別率和容錯性都較好。霍普菲爾德網絡具有設計簡單且容錯性最好的雙重優點。因此，我們應根據網絡的特點以及實際要求來選擇人工神經網絡對字符進行識別。 參考文獻

[1]叢爽.面向MATLAB工具箱的神經網絡理論與應用「M.合肥:中國科學技術大學出版社，2003.

[2]武強，童學鋒，季雋.基于人工神經網絡的數字字符識別[J].計算機工程，2003，29(14):112一113.

[3]廖翔云，許錦標，龔仕偉.車牌識別技術研究[J].徽機發展，2003，13:30一35.

[4]李中凱，王效岳，魏修亭.BP網絡在汽車牌照字符識別中的應用[J].東理工大學學報，2004，18(4):69一72.

第6篇：神經網絡設計范文

關鍵詞：人工神經網絡；概算；BP

中圖分類號：TP183文獻標識碼： A

一、人工神經網絡應用于建設項目概算的重要意義

（一）人工神經網絡

人工神經網絡就是由許多神經元互連在一起所組成的神經結構，把神經元之間相互作用的關系進行數學模型化就可以得到神經網絡模型。人工神經網絡是一種非常復雜的非線性的動態分析系統。它模擬人腦的神經功能分層由單個神經元非線性地、復雜地組合成一個網絡系統。當某一問題的求解過程可描述為若干個有一定內在聯系，又無法用解析法表達其內在關系的各個輸入因子與輸出因子的關系時，將輸入、輸出因子作為樣本進入神經元網絡結構，網絡系統會對各個輸入、輸出因子的因果關系作一番認識和學習，建立起各神經元之間的連接強度(即權值)閥值。這樣學習后生成的人工神經元網絡系統，仿佛具有了人腦解決這一問題的技能。當輸入一組新的參數它可以給出這個領域專家認為應該輸出的數值。

（二）建設項目概算應用神經網絡的必要性

電網建設工程造價是組成電網的各分項工程的價格總和，而各分項工程的價格則取決于其工程量的大小和單價的高低。以往工程造價的計算是由造價編制人員算出各分項工程量，分別乘以其單價。由于組成電網的分項工程數量多，工程量的計算非常繁瑣，計算時間占造價計算總時間的90%以上，所以計算結果容易出現誤差。這表明造價計算的重點和難點在于工程量的計算。

一個有豐富經驗的造價師，根據工程類型、特征及其相關情況，參照以往經驗和工程數據資料，就能大致概算出造價，而無需進行大量繁雜計算，而且經驗越豐富，資料積累越多，格算的造價就越準確，模仿這種大腦思維模式，正是人工神經網絡所擅長的。神經網絡模型通用性、適應性強，它不但不排斥新樣本，相反它會隨著樣本數的不斷增加而提高自身的概括能力和預測能力，這正好滿足了建立造價信息系統的要求--動態地、自適應地從眾多已完工程中提取有用信息，進行預測并輔助決策，由于電網工程的單件性，一般不存在兩個完全一樣的工程，但許多工程之間存在著某種程度的相似性，造價估計分析的基本原理就是建立在電網工程的相似性基礎上，對于某個欲估工程，首先從分析電網類型和工程特征入手，再從數目眾多的同類已竣工的工程中找出與預估項目最相似的若干個工程，然后利用這些相似電網項目的造價資料作為原始數據進行推理，最后得到擬建電網的造價及其他有關數據。

二、BP網絡

（一）BP網絡算法

神經網絡在目前已有幾十種不同的模型，在人們提出的幾十種神經網絡模型中，人們較多用的是Hopfield網絡、BP網絡、Kohonen網絡和ART(白適應共振理論)網絡。其中BP網絡是反向傳播(BackPropagation)網絡，它是一種多層前向網絡，采用最小均方差學習方式，這是一種最廣泛應用的網絡。

BP算法的學習過程是由正向傳播和反向傳播兩個過程組成。在正傳播過程中,輸入信息從輸入層經隱含層逐層傳遞、處理,每一層神經元的狀態只影響下一層神經元的狀態。如果在輸出層不能得到期望輸出,則轉入反向傳播過程,將誤差信號沿原來的連接通路返回,通過修改各層間連結權的值,逐次地向輸入層傳播,再經過正向傳播過程,兩個過程的反復運用使得誤差不斷減小至滿足要求。其模型可以表示為:

單隱層BP網絡有三部分組成:輸入層,輸入向量:

X=(x1x2,...,x1,...,xn)T

隱含層:

輸出層:

期望輸出向量為:

d=(d1,d2,...,dk...,dl)T

輸入層到隱含層之間的權值矩陣用V表示:V=(v1,v2,...,vj,󰀁vm)T

隱含層到輸出層之間的權值矩陣用W表示:W=(w1,w2,...,wk,...,wl)T

轉移函數采用tansig函數:

F(n)=2/(1+exp(-2*))-1

準則函數(誤差):

權值的調整量:�

;

反向傳播計算公式,可得如下權系數學習規律:

（二）BP神經網絡的利弊分析及相關建議

BP算法樣本訓練失敗的可能性較大，原因有以下幾點：

（1）從數學角度看，BP算法為一種局部搜索的優化方法，但它要解決的問題是求解復雜非線性函數的全局極值，因此，算法很有可能陷入局部極值，使訓練失敗；

（2）網絡的逼近、推廣能力完全取決于學習樣本的典型性。而對學習樣本的選取并組成訓練集則是相當困難的問題。

（3）難以解決應用問題的實例規模和網絡規模間的矛盾。實例規模與網絡規模總是存在著很大差異，網絡容量也是有著自己的局限性，當實例規模超出網絡容量時，BP算法會失敗。

基于前文所給出的BP網絡技術存在的利弊現象，結合工程造價實際情況，個人認為，其弊端的解決方法可以概括為以下幾點：

（1）由于BP網絡技術在執行較為復雜的目標函數時會出現“崩潰”現象，即算法低效，函數圖象錯亂、超過網絡容量等等。所以造價人員在選擇需要用BP算法概算的工程時應該注意工程的復雜性，對于那些過于龐大、復雜的工程不宜采用BP算法，以免出現系統錯亂。對于較為簡單、較為精簡的工程則可用BP算法進行工程造價的概算。同時，也應注意實例造價概算工程的規模與網絡實際承載規模的大小，對于網絡承載范圍之內的，才宜采用BP算法。

（2）樣本數據的采集非常重要。BP算法的網絡預測能力是與訓練能力呈正比的。因此，首先需要確定分解項目，分解項目應選擇那些最能體現一個工程特征并且最能決定這個工程造價的關鍵因素，這樣才能正確定位這個工程的造價。其次，選擇的已建工程一定是要與待估工程有著較高的相似度。此處，可以進行相似度估測，查看已建工程每個分項的隸屬度與待估工程隸屬度的差異，差異過大的樣本應予以舍去。

（3）針對BP算法的“過擬合”現象，造價中需要注意的是選擇的樣本數量不宜過大。以防BP算法網絡學習了細節卻丟失了最重要的骨架――樣本內部的規律，從而不能得出滿意的結果。

三、基于人工神經網絡的送電線路工程造價概算

（一）送電線路工程造價估算模型建立

送電線路工程的造價受多個因素的相互影響，考慮下列因素作為影響著工程價格的主要因素，把它們列為神經網絡的輸入單元，如圖l所示。設在某一電壓等級下的送電線路，考慮某種地形、氣象條件、架線回路、桿塔類型等基本因素的影響，把實際工程項目投資劃分為工地運輸、土石方工程、基礎工程、桿塔工程、架線工程、附件工程等6個部分。根據測算出的每公里建筑安裝費用，再加上其它費用與資金成本，得出每公里的單位靜態投資造價，將這些指標作為神經網絡的輸出單元。

圖1 圖2

（二）工神經網絡模型的建立和設計

BP網絡模型結構的選擇主要涉及到輸入層、輸出層、隱含層神經元數目的確定、學習算法的確定等。

1、神經元數目的確立

輸人層：由上面送電線路工程概算體系結構的分析，按影響因素層次，可得到13項主要指標，也即是下面的輸入神經元。

輸出層：輸出節點對應于評價結果，在筆者建立的模型中，產生了7個相關指標，分別代表著本體工程的6項投資金額和單位投資金額，因此選擇7個輸出神經元節點。

隱含層：隱含層神經元單元數的選擇與輸入輸出單元的多少都有直接關系。

在實際操作中，可參考下面經驗公式(1)確定。

n1=(1)

其中，m為輸出神經元數；拓為輸入神經元數；a為1～10間的常數,形成的人工神經網絡示意圖見圖2。

2、輸入輸出向量

（1）輸入向量

1)地形因秦

送電線路地形可能由5種地形組合而成，所討論的某地區基本是丘陵和山地組成，因此選擇它們作為2個輸入神經元，以所占線路的百分比表示。

2)線型因素

主要包括導線和地線型號的選擇，參考限額設計指標與實際采用的導線型號，對于110 kV線路，有LGJ―150／20、LGJ―185／25、LGJ一240／35、LGJ一300／35四種類型，依次選擇上述導線類型，將對應量化值為1、2、3和4。在地線型號選擇中，選取GJ一35、GJ一50，對于量化值為1和2，導線和地線型號量化值作為2個輸入神經元。

3)平均檔距

反映相鄰桿塔問的距離作為1個輸入神經元。

4)桿塔數目

鐵塔數目和水泥桿數目對于造價影響重大，選擇鐵塔數和水泥桿數為2個輸入神經元。

5)運距

它包括人力運距和汽車運距兩部分，作為2個輸入神經元。

6)土石方量

1個輸入神經元。

7)金具

它包括掛線金具和拉線金具兩部分，作為2個輸入神經元。

8)絕緣子

1個輸入神經元。

（2）輸出向量

工地運輸、土石方工程、基礎工程、桿塔工程、架線工程、附件工程、單位靜態投資。

參考文獻

第7篇：神經網絡設計范文

關鍵詞：建筑電氣設備故障；模糊理論與神經網絡；設備故障診斷專家系統

中圖分類號：TP207 文獻標識碼：A DOI：10.11974/nyyjs.20160132074

隨著當今社會經濟的不斷發展，人們對生活品質的追求越來越高，電氣設備變得多樣化和先進化，不同區域間聯系更加緊密，而在給人們的生活帶來便利的同時，簡單的人工故障診斷方法已經無法滿足結構日益復雜、功能日益完善的電氣系統，建立電氣設備控制系統智能故障診斷專家系統已經成為目前能滿足社會需求的選擇。近年來，模糊理論被廣泛的應用于建立故障診斷神經網絡，將模糊系統與神經網絡技術結合而形成的故障診斷技術也正在發展和應用。

1 建筑電氣設備常見故障類型及危害

1.1 電氣設備常見故障類型

1.1.1 電源故障

1.1.2 線路故障

1.1.3 元器件故障

1.1.4 防雷接地處理故障

1.2 電氣設備故障危害

電氣設備的運行需要很多電器元件的相互配合，產生故障通常是因為電能或控制信息在傳遞、分配、轉換過程中失去控制。斷路、短路、異常接地、漏電、電氣設備或電器元件損壞、電子設備受電磁干擾而發生錯誤動作、控制系統元件的偶然失效都屬于電氣設備故障[1]，而這些故障也很有可能造成大范圍的人員傷亡以及造成嚴重的財產損失，一旦發生，也會造成其他相關領域不同程度的癱瘓。由此可見，電氣設備出現故障的概率較高，危害范圍也比較大。

2 神經網絡與模糊理論

神經網絡是一種模仿動物神經網絡行為的特征，進行分布式并行信息處理的算法數學模型[2]。這個模型可以根據不同系統自己的特征來選擇處理不同信息的方式，在很多不同領域都有比較廣泛的應用，當然，它本身也有一些缺陷，比如它不能求解不確定性問題、不能處理符號性信息等，因此，它需要結合其它相關理論和方法來彌補自身的不足，以便更好地解決特定領域中的問題。

模糊理論是指用到了模糊集合的基本概念或連續隸屬度函數的理論[3]。模糊控制是一種基于規則的控制，它可以直接采用語言型控制規則，在設計過程中不需要建立被控對象的精確數學模型，控制原理和策略通俗易懂，便于人們接受與理解，控制效果好，具有一定的智能水平，應用起來很方便，適用于對那些數學模型難以獲取、動態特性不易掌握或變化非常顯著的對象。模糊控制器是一種比較容易控制、掌握起來比較理想的非線性控制器，具有一定的適應能力和強健性。

將模糊系統與神經網絡技術相結合而形成的模糊神經網絡可以作為對電氣設備進行故障診斷的模型，這一技術的提出為電氣設備故障的診斷帶來發展和進步，模糊理論被廣泛的應用于建立故障診斷神經網絡，這2種理論的結合將會給故障診斷研究提供解決思路，值得推廣應用[4]。

3 建立電氣設備故障診斷系統

由于電氣設備故障機理的復雜性，系統在實際運用過程中，可能會發生隨機故障模式，故障征兆信息的正確與否直接關系到故障診斷的正確性，因此利用現有的電氣設備系統控制平臺，對電氣設備控制系統的信號進行實時采集和及時與PC 機進行通信，建立電氣設備控制系統故障診斷系統便顯得特別重要。

3.1 BP神經網絡模型

BP（Back Propagation）模型是一種最常用的人工神經網絡模型，它的基本原理為利用誤差反向傳播算法，從而得到多層前向神經網絡模型。在故障診斷方面使用BP模型在一定條件下能夠加強工作效率，使得故障診斷問題變得更加直觀。利用模糊理論與神經網絡相結合的模糊神經網絡解決建筑電氣設備故障的診斷，是一種智能化控制的手段，也將逐漸發展成為未來的趨勢[5]。其模型原理圖如圖1。

要建立模糊神經網絡系統，要根據相關理論或實際工作中的經驗，將故障現象和故障原因相對應，作為系統的學習樣本。按照輸入與輸出相對應的關系輸入學習樣本，系統經過內部的算法不斷提高精度，當精度達到設定的要求時，模糊神經網絡系統的學習過程結束。此時，將測試樣本的輸入數據放入系統輸入端，如果輸出數據與測試樣本基本相同，那么模糊神經網絡系統建立成功。

在模糊神經網絡系統的實際使用時，必然會遇到輸入數據與樣本不同的狀況。根據內部算法，系統將會找到與學習樣本最相似的一組數據作為參考，自主得到輸出數據。與此同時，如果系統自主算出的結果得到采納，那么這組數據將會做為新的樣本存入數據庫，成為參考數據。

3.2 BP學習算法

目前，BP算法是應用很廣泛、完善性比較高的神經網絡訓練算法，方便、容易實現、計算量小、并行性強是這個方法領先其他算法的優勢。BP算法的基本原理[6]為先求解誤差函數的最小值，根據梯度下降法，按誤差對權值做負反饋。

BP算法需要依次根據輸入對輸出進行矯正，也就是對每組數據都要計算比對。然而，全局誤差的梯度下降算法，要求連接權和閾值的矯正是在批量進行學習樣本的輸入之后再進行的，所以要修改各個連接權值。利用梯度下降法來修改各個連接權值，以便達到近似全局誤差的算法效果。全局誤差梯度下降算法流程如圖2所示。

4 結 語

電氣設備的故障診斷已經成為值得重視的問題，為保證運行系統能夠正常運行，因此需要建立起更加科學完善的電氣設備管理系統，逐漸減少電氣設備運行出現故障的可能性，保障電力系統的穩定能力，本文簡單介紹將模糊理論與神經網絡結合，更好的解決電氣設備故障問題，結合傳感器檢測技術、自動控制技術、通信與網絡技術等方法，建立電氣設備控制故障診斷系統，希望可以早日應用到生活中的建筑電氣設備故障診斷中去。

參考文獻

[1]電氣設備及控制電路常見故障分析[EB]. 電工學習網.

[2]田景文.人工神經網絡算法研究與應用[M]. 北京理工大學出版社，2006.

[3]諸靜.模糊控制原理與應用[M].機械工業出版社，1995.

[4]龍祥，錢志博.模糊理論在設備故障診斷神經網絡中的典型應用[J].廣東工業大學學報，2006.

[5]陳流豪.神經網絡BP算法研究綜述[J].電腦知識與技術，2010.

第8篇：神經網絡設計范文

【關鍵詞】靜態路由 網絡互聯 路由器 交換機

隨著計算機科學技術的發展和互聯網應用的普及，21世紀初互聯網逐漸由高校、科研機構普及到了各行各業的各大中小型企業及家庭。互聯網在人們的生活、學習、工作各方面都扮演著必不可少的角色，其權重在人們的各項活動中的比重越來越大。因此，互聯網的安全建設至關重要。因此，互聯網中網絡設備的互聯工程越來越多，參與此工作的人員也相對增多。本文提出基于神州數碼網絡互聯設備的靜態路由實現進行研究。可為一些初學者提供一些參考學習。

一、神州數碼網絡互聯設備實驗室

神州數碼網絡有限公司（簡稱：DCN）是國內領先的網絡設備制造商和解決方案提供商，是神州數碼控股旗下擁有自主網絡品牌和知識產權的專業公司。DCN是神州數碼自有品牌，也是神州數碼主品牌下的子品牌之一。DCN將繼續專注數據通信市場，為客戶提供業界領先的以太網交換機、路由器、網絡安全、應用交付、無線網絡、IP融合通信、網絡管理等產品，致力打造成為全球領先的數據通信設備制造商和服務提供商。我校建立的網絡實驗室就是以該公司的網絡設備布置并建設的。目前我校網絡實驗室條件如下：三臺路由器DCR-2655，三臺三層交換機DCRS-5658，三臺二層交換機DCS-2111，一個24口集線架，9臺臺式機，布線簡單。每臺臺式機電腦固定，分別有1-24號編有號碼的網線從布線板預留口伸出2米的長度，掩埋網線的另一端分別對應集線架的24口。所有這些網絡互聯設備都集成固定在一個機架上。對于學生做網絡實驗來說，我們充分利用現有實驗條件進行相關實驗，本文是針對學生在網絡實驗室進行的靜態路由實驗進行的研究。

二、靜態路由

靜態路由是指由用戶或網絡管理員手工配置的路由信息。當網絡的拓撲結構或鏈路的狀態發生變化時，網絡管理員需要手工去修改路由表中相關的靜態路由信息。靜態路由信息在缺省情況下是私有的，不會傳遞給其他的路由器。當然，網管員也可以通過對路由器進行設置使之成為共享的。靜態路由一般適用于比較簡單的網絡環境，在這樣的環境中，網絡管理員易于清楚地了解網絡的拓撲結構，便于設置正確的路由信息[3]。

使用靜態路由的另一個好處是網絡安全保密性高。動態路由因為需要路由器之間頻繁地交換各自的路由表，而對路由表的分析可以揭示網絡的拓撲結構和網絡地址等信息。因此，網絡出于安全方面的考慮也可以采用靜態路由。不占用網絡帶寬，因為靜態路由不會產生更新流量。

三、靜態路由實現實例

實例基于終端PC操作系統WIN7，通過超級終端程序Hypertrm.exe運行配置路由器。

（1）路由器-路由器配置靜態路由實例。通過兩臺路由器實現靜態路由實例，首先用路由器配置線將路由器的console口與臺式機的COM1端口相連接，進行路由器A的配置。路由器A的配置代碼如下：

Router（config） Hostname RA RA（config）interface f0/0 RA（config-if）ip add 192.168.40.1 255.255.255.0 RA（config-if）no shut RA（config-if）exit RA（config）interface g0/3

RA（config-if）ip add 192.168.30.1 255.255.255.0 RA（config-if）no shut RA（config）exit

路由器B的配置代碼如下：

Router（config） Hostname RB RB（config）interface f0/0 RB（config-if）ip add 192.168.40.2 255.255.255.0 RB（config-if）no shut RB（config-if）exit RB（config）interface g0/3

RB（config-if）ip add 192.168.50.1 255.255.255.0 RB（config-if）no shut RB（config）exit

然后，配置兩臺路由器的靜態路由，配置代碼如：

RA# ip route 192.168.50.0 255.255.255.0 192.168.40.2

RB# ip route 192.168.30.0 255.255.255.0 192.168.40.1

這樣，兩臺路由器之間的靜態路由就配置好了。用網線分別連接兩臺路由器的f0/0接口，接口g0/3分別接兩臺終端PC，并分別配置兩臺PC的IP地址為192.168.30.8/24和192.168.50.8/

24，網關分別配置為192.168.30.1/24和192.168.50.1/24。配置完成以后，兩臺PC互相ping對方，一共四個數據包都沒有丟失，說明兩臺主機是互通的。這就是說兩臺路由器f0/0端口相連，另一端口g0/3分別連接兩臺主機的網絡拓撲配置相關的端口ip及主機ip以后，在兩臺路由器上分別正確的配置靜態路由協議以后，兩臺主機互相能ping通，說明該靜態路由協議實驗配置成功。

（2）路由器-三層交換機配置靜態路由實例。三層交換機就是具有部分路由器功能的交換機，三層交換機的最重要目的是加快大型局域網內部的數據交換，所具有的路由功能也是為這目的服務的，能夠做到一次路由，多次轉發。對于數據包轉發等規律性的過程由硬件高速實現，而像路由信息更新、路由表維護、路由計算、路由確定等功能，由軟件實現。三層交換技術就是二層交換技術+三層轉發技術。出于安全和管理方便的考慮，主要是為了減小廣播風暴的危害，必須把大型局域網按功能或地域等因素劃成一個個小的局域網，這就使VLAN技術在網絡中得以大量應用，而各個不同VLAN間的通信都要經過路由器來完成轉發，隨著網間互訪的不斷增加。單純使用路由器來實現網間訪問，不但由于端口數量有限，而且路由速度較慢，從而限制了網絡的規模和訪問速度。基于這種情況三層交換機便應運而生，三層交換機是為IP設計的，接口類型簡單，擁有很強二層包處理能力，非常適用于大型局域網內的數據路由與交換，它既可以工作在協議第三層替代或部分完成傳統路由器的功能，同時又具有幾乎第二層交換的速度，且價格相對便宜些。

因為實驗室條件限制，兩臺路由器已經被部分同學占用進行上述靜態路由協議配置的實驗，另一部學生，利用一臺路由器和一臺三層交換機進行靜態路由協議的配置實驗。依據是三層交換機具有簡單的路由功能，其中，支撐靜態路由協議。基于此，接下來，實驗路由器-三層交換機的配置實驗，檢驗其是否能配置成功？

首先用路由器配置線將路由器的console口與臺式機的COM1端口相連接，進行路由器A的配置。路由器A的配置代碼如下：

Router（config） Hostname RA RA（config）interface f0/0 RA（config-if）ip add 192.168.40.1 255.255.255.0 RA（config-if）no shut RA（config-if）exit RA（config）interface g0/3

RA（config-if）ip add 192.168.30.1 255.255.255.0 RA（config-if）no shut

然后用交換機配置線將交換機的console口與臺式機的COM1端口相連接，進行三層交換機的配置。三層交換機Sw的配置代碼如下：

DCRS-2655（config）hostname Sw Sw（config）ip option enable Sw（config）vlan 10

Sw（config-vlan）ex Sw（config）vlan 20 Sw（config-vlan）ex Sw（config）int e1/0/2

Sw（config-if）switchport mode access Sw（config-if）swichport access vlan 10 Sw（config-if）ex

Sw（config）int e1/0/6 Sw（config-if）switchport mode access Sw（config-if）swichport access vlan 20 Sw（config）ex Sw（config）int vlan 10 Sw（config-if）ip add 192.168.40.2 255.255.255.0

Sw（config-if）no shut Sw（config-if）ex Sw（config）int vlan 20

Sw（config-if）ip add 192.168.50.1 255.255.255.0 Sw（config-if）no shut

接下來配置靜態路由

路由器：ip route 192.168.50.0 255.255.255.0 192.168.

40.2

交換機：ip route 192.168.30.0 255.255.255.0 192.168.

40.1

這樣，路由器和三層交換機之間的靜態路由就配置好了。用網線分別連接路由器的f0/0接口和三層交換機的 e1/0/2端口，路由器接口g0/3連接一臺終端PC1，三層交換機的端口e1/0/6連接另一臺終端PC2，并分別配置兩臺PC的IP地址為192.168.30.

8/24和192.168.50.8/24，網關分別配置為192.168.30.1/24和192.168.50.1/24。配置完成以后，兩臺PC互相ping對方，結果都是通的。說明該靜態路由協議配置成功。異種網絡互聯設備可以成功配置靜態路由協議，并能正確路由，以此在建立的數據鏈路中傳輸數據。

四、總結

通過以上配置實例知道，靜態路由協議不僅在路由器-路由器配置實驗中能夠成功配置，并且在具有路由功能的工作于ISO模型第二層數據鏈路層的網絡設備，同樣也能配置靜態路由協議，與配置靜態路由協議的路由器互聯，能實現網絡的路由。靜態路由表在開始選擇路由之前就被網絡管理員建立，并且只能由網絡管理員更改，所以只適于網絡傳輸狀態比較簡單的環境。靜態路由具有更高的安全性。在使用靜態路由的網絡中，所有要連到網絡上的路由器都需在鄰接路由器上設置其相應的路由。因此，在某種程度上提高了網絡的安全性。但是，大型和復雜的網絡環境通常不宜采用靜態路由。一方面，網絡管理員難以全面地了解整個網絡的拓撲結構；另一方面，當網絡的拓撲結構和鏈路狀態發生變化時，路由器中的靜態路由信息需要大范圍地調整，這一工作的難度和復雜程度非常高。當網絡發生變化或網絡發生故障時，不能重選路由，很可能使路由失敗。

參考文獻：

第9篇：神經網絡設計范文

關鍵詞：貝葉斯神經網絡；60Co-γ射線；無防腐劑香腸；網絡預測

引言

食品輻照技術是20世紀發展起來的一種新型滅菌保鮮技術。采用輻射加工技術手段，運用高能射線如x-射線、γ-射線等對食品進行加工處理，在能量的傳遞和轉移過程中，產生理化效應和生物效應達到殺蟲、殺菌的目。因為是冷殺菌手段，所以有效的提高了食品衛生質量，保持營養品質及風味和延長貨架期。本文采用無防腐劑的香腸作為對象，排除了化學防腐劑對保鮮效果影響，同時為了食品加工行業發展提供方向，不添加化學防腐效果成分的同時也可以采用輻照的方法有效提升貨架期，有效提高企業效益，延伸銷售鏈；對于不同種類的香腸制品，從肉質到成分，都會有所差別，通過大量輻照試驗獲得輻照工藝的方法，不僅耗時長，而且檢驗指標及檢驗方法也過于繁瑣，因此結合采用人工智能神經網絡算法，在有限次數實驗數據的基礎上，建立不同劑量60Co-γ射線對香腸品質影響的規律模型為科學輻照提供理論依據。

1 實驗方法與理化指標的檢測

1.1 樣品輻照

本項目采用不含任何防腐效果的特制香腸為對象，在黑龍江省科學院技術物理研究所輻照中心進行。采用靜態堆碼式60Co-γ放射源，跟蹤劑量計為Ag2Cr2O7經中國劑量科學研究院丙氨酸劑量計（NDAS）傳遞比對校準，分別采用不同劑量（2-6）kGy，進行靜態輻照。完成輻照2天內進行理化指標的檢測，在（22.0±1）℃下保存30天后進行微生物指標的檢測。

1.2 理化指標及微生物指標測定方法

1.2.1 菌落總數，參照國家標準GB/T4789.2-2008采取實驗方法測定菌落總數。

1.2.2 水分含量，參照國家標準GB/T6965.15可用蒸餾法或直接干燥法。本項目采用直接烘干法。

1.2.3 氯化鈉含量，參照國家標準GB/T9695.8進行測定，采用水浸出后用硝酸鹽標準溶液滴定法測定。

1.2.4 蛋白質，參照國家標準GB/T9695.11進行測定。

1.2.5 菌落總數，參照GB4789.2-2010進行測定。

1.3 檢測結果與數據處理

采用以上檢測方法進行檢測，由于實驗過程產生個別認為誤差，利用matlab軟件plot函數對每組數據進行擬合，將誤差較大的個別數據進行剔除，最終得到50組數據，部分數據如表1。

表1 60Co-γ射線輻照保鮮無防腐劑香腸檢測結果

2 神經網絡算法

2.1 BP神經網絡

通常BP神經網絡具有3層結構，分別為輸入層、隱含層和輸出層。通常來說隱含層采用Sigmoid函數，輸出層采用Pureline函數，因為符號函數標準輸入、輸出現代為[0，1]，因此在學習過程中，通過轉化層將輻照工藝參數進行轉化限定區間，避開網絡輸出的飽和區。五層神經網絡結構如圖1。

2.2 性能指標

性能指數是衡量網絡性能的量化標準，BP神經網絡一般采用網絡軍方誤差作為性能指標：

式中：Ed為網絡的均方誤差；n為學習集體樣本總數，tp為第P組訓練的期望輸出值，ap為第P組的實際輸出值。影響神經網絡泛化能力主要依賴于網絡結構和訓練樣本的特性，因此可以選擇合適的訓練策略和優化網絡結構來提高其泛化能力。本文選取貝葉斯正則化算法對BP神經網絡進行修正，網絡性能指數變為：

式中：w為網絡的權值向量，EW=m-1■？棕■■為網絡所有權值的均方誤差，其中m為網絡權值的總數，Wj為網絡權值，a和b為正則化系數，其大小直接影響訓練效果。

2.3 貝葉斯正則化BP神經網絡訓練步驟

（1）確定網絡結構，初始化超參數α=0和β=1，根據先驗分布對網絡參數賦初值。

（2）用BP算法訓練網絡使總誤差F（W）最小。

（3）利用高斯牛頓逼近法計算出有效參數個數。

（4）計算超參數α和β的新的估計值。

（5）重復執行（2）、（3）、（4）直到達到所需精度。

貝葉斯方法正則化神經網絡是個迭代過程，每個迭代過程總誤差函數隨著超參數的變化而變化，最小點也在變化，網絡的參數也在不斷修正，最終達到總誤差函數在迭代過程中沒用較大改變。目前在網絡結構的選擇方面還沒有理想的方法，在實際工作中常常需要用試驗的方法確定最佳的網絡結構，因此可采用不同的網絡結構進行網絡訓練，然后比較這些網絡模型的顯著度，選擇顯著度較大的網絡作為模型。

3 神經網絡建模及預測

通過上述實驗獲得的50組數據中，45組數據作為人工神經網絡訓練樣本，另選擇其他5組數據作為檢驗樣本，運用MATLAB軟件，進行人工神經網絡的訓練和預測。網絡輸入劑量、劑量率，輸出為水分、氯化鈉含量，通過應用均方差函數比較目標值和預測值的差異，計算目標值與預測值間的誤差，觀察網絡模型對訓練情況，網絡擬合圖性能進行評價。

網絡訓練結果顯示，經過1500步訓練后，網絡誤差平方和均值為5×10-3，達到了設定的最小訓練目標值。網絡訓練完畢后，得到數學模型后，利用剩余5組數據進行預測驗證，網絡訓練效果如圖2-5所示。

4 結束語

采用輻照的方法進行無防腐劑香腸保質期的時間跟輻照劑量相關，采用4kGy的劑量進行輻照可使香c的保質期達到1個月以上，且香腸的顏色仍在可接受范圍內，說明輻照方法有效的提高了香腸的衛生質量，延長保質期。采用神經網絡建立了香腸輻照工藝與理化、微生物指標的模型，并通過實驗驗證了模型的準確性，為進一步確定輻照工藝提供理論支持。

參考文獻

[1]2015-2020年中國肉制品市場現狀及戰略咨詢報告[R].北京：中國產業信息網，2015.

[2]郭淑珍.輻照保藏五花肉的品質特性及影響因素的研究[D].四川農業大學，2007.

[3]賈巧喚，任石茍.我國輻照食品的研究現狀及發展前景[J].食品工程，2008（4）：12-14.

[4]陳秀蘭，曹宏.鵝肉制品的輻照保質研究[J].核科學報，2005（4）：371-374.

[5]田 ，梁飛，盧江.人工神經網絡建模結合遺傳算法優化崗松油環糊精包合物制備工藝參數[J].中國醫藥大學學報，2011（4）：324-328.