基于人工神经网络的标准化转换模型研究

开篇：润墨网以专业的文秘视角，为您筛选了一篇基于人工神经网络的标准化转换模型研究范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

摘要：在工业管线中，实际测量的数据往往受现场因素的干扰较大，无法直接衡量现场测量值，所以就需要对现场实测数据进行转换以得到标准数据。本文的主要就是研究一个系统模型即实测管线表面温度值和标准条件下热流值之间的转换模型，以便基于此模型对实际条件下测得的温度值和热流值进行标准化转换和预测。为了能够达到要求的技术性能与指标参数，选用基于人工神经网络BP算法建立转换模型。并用MATLAB软件进行了系统仿真，通过仿真结果可以就看出建立的模型满足了预期的技术要求，完成了系统模型的辨识。

关键词：转换模型 系统辨识 人工神经网络 BP算法 MATLAB仿真

中图分类号：TP183 文献标识码：A 文章编号：1007-9416（2013）05-0079-03

在实际工况中通常依据管线表面热流值对比国家标准来判断管线的保温性能是否达到标准。而在实际测量中发现现场因素（如环境温度、风速）对测得的管线表面热流值影响比较大，整个测试的结果受外界干扰，国家标准给出的评定依据为标准条件（环境温度一定、风速较小）下的值，不能直接用于衡量现场测量值。所以项目要求对现场采集的数据进行处理，得到标准条件下的数据，之后就可以用国家标准进行衡量了。从现场实测数据到标准条件下的数据转换基于一个系统模型即实测管线表面温度值和标准条件下热流值之间的转换模型。

项目要求通过系统辨识得到一个精确反映管线表面温度值和热流值的去噪滤波模型，以便基于此模型对实际条件下测得的温度值和热流值进行标准化转换和预测。要求能达到以下的技术性能与指标参数：用人工神经网络建立管线表面温度到标准条件下热流值的转换模型。该模型实现根据现场环境温度、环境风速以及被测对象的表面温度值和热流值较为精确的预测得出实验室条件下的标准值，估计出相应标准条件下的热流值，预测精度达到数量级为10-2。

1 系统建模基础

1.1 神经网络建模基础

在本项目中，建立管线表面温度值和热流值的标准化转换模型是研究的核心问题。该系统模型主要用来排除外界环境因素对热流值等测试结果的影响。此系统要求通过若干组在实际工况下测得的环境温度、风速、被测对象的表面温度以及与之对应的实验室条件下（标准环境温度与风速）的热流值，得到转换模型。从而实现输入实际工况下的环境温度，风速以及被测对象的表面温度值，准确估计出标准条件下（环境温度、风速）的热流值。

根据项目总体要求，系统需要进行辨识，得到一个精确反映管线表面温度值和热流值的去噪滤波模型，以便基于此模型对实际条件下测得的温度值和热流值进行标准化转换和预测。对于本项目，由于很难找出实际测量值与实验室标准值之间的精确解析关系，所以基于温度转换的内部机理，建立温度转换的解析模型是不可能的。应用所测得输入输出样本数据对进行数值建模分析，建立满足一定精度的温度标准化转换数值模型是解决此问题的一个出路，以下研究基于人工神经网络BP算法的管线表面温度值和热流值的标准化转换模型。

1.2 建模方法选择

在实际的使用中建立的模型要反映的是一个复杂的系统，系统间的参数传递关系复杂，用一般的数学建模方法难以正确预测系统输出。在这种情况下可以用BP网络来仿真表达这个系统。该方法把系统看成是一个黑箱，先取出若干组输入输出数据对BP网络进行有效学习，然后就可以用BP网络来表达这个系统。在得到系统输入参数后就可以用网络来预测系统的输出值。

2 神经网络系统构建

2.1 问题的提出

根据实验测得的数据，通过神经网络拟合，找到管线表面温度与热流值之间的转换模型。在今后的使用中，就可以利用这个模型通过现场测得的管线表面温度估计出此时管道的热流值，进而判断管道保温材质保温性能的优劣。

BP网路的一个重要功能就是非线性映射的能力，这一功能非常适合与函数逼近，也就是说，找出两组数据之间的关系。在研究的内容中，这是要找出管线表面温度和热流值之间的对应关系，所以建立一个BP网络，找出两者之间的关系。

2.2 网络建立

训练前馈网络的第一步是建立网络对象。函数newff建立一个可训练的前馈网络。这需要4个输入参数。第一个参数是一个Rx2的矩阵以定义R个输入向量的最小值和最大值。第二个参数是一个每层神经元个数的数组。第三个参数是包含每层用到的转移函数名称的细胞数组。最后一个参数是用到的训练函数的名称。

net=newff（minmax（p），[5，1]，{'tansig'，'purelin'}）；

可见，网络的中间层有5个神经元，传递函数为tansig（）；输出层有1个神经元，传递函数为purelin（）。BP网络中间层神经元的数目对网络性能有着比较大的影响，需要通过不断地尝试才能确定。由于没有特别设定训练函数，因此训练函数取默认值trainlm（）。

图1中的蓝色曲线是原始数据的曲线分布，红色点划线是未经过训练的拟合曲线，两条曲线的拟合程度比较差，基本上没有拟合到一起的点。由此可见，在训练之前，网络的非线性映射能力是很差的。

2.3 权值初始化

在训练前馈网络之前，权重和偏置必须被初始化。初始化权重和偏置的工作用命令init来实现。这个函数接收网络对象并初始化权重和偏置后返回网络对象。下面就是网络如何初始化的：

net = init（net）；

可以通过设定网络参数net.initFcn和net.layer{i}.initFcn这一技巧来初始化一个给定的网络。net.initFcn用来决定整个网络的初始化函数。前馈网络的缺省值为initlay，它允许每一层用单独的初始化函数。设定了net.initFcn，那么参数net.layer{i}.initFcn 也要设定用来决定每一层的初始化函数。

对前馈网络来说，有两种不同的初始化方式经常被用到：initwb和initnw。

（1）initwb函数根据每一层自己的初始化参数（net.input Weights{i，j}.initFcn）初始化权重矩阵和偏置。前馈网络的初始化权重通常设为rands，它使权重在-1到1之间随机取值。这种方式经常用在转换函数是线性函数时。

（2）initnw通常用于转换函数是曲线函数。它根据Nguyen和Widrow[NgWi90]为层产生初始权重和偏置值，使得每层神经元的活动区域能大致平坦的分布在输入空间。它比起单纯的给权重和偏置随机赋值有以下优点：减少神经元的浪费（因为所有神经元的活动区域都在输入空间内）；有更快的训练速度（因为输入空间的每个区域都在活动的神经元范围中）。

初始化函数被newff所调用。因此当网络创建时，它根据缺省的参数自动初始化。init不需要单独的调用。可是可能要重新初始化权重和偏置或者进行自定义的初始化。例如，用newff创建的网络，它缺省用initnw来初始化第一层。如果想要用rands重新初始化第一层的权重和偏置，用以下命令：

2.4 网络训练与仿真

一旦网络加权和偏差被初始化，网络就可以开始训练了。能够训练网络来做函数近似、模式结合、模式分类。训练处理需要一套适当的网络操作的数据即网络输入p和目标输出t。在训练期间网络的加权和偏差不断的把网络性能函数net.performFcn减少到最小。前馈网络的缺省性能函数是均方误差mse--网络输出和目标输出t之间的均方误差。

用样本数据训练BP神经网络，使网络对非线性函数输出具有预测能力。

%网络参数配置（迭代次数，学习率，目标）

图2中红色点划线表示对训练后的网络进行仿真得到的输出，经过训练后，系统模型基本上拟合了原始数据，但在某些位置还是存在一些拟合不到位的现象，后面会针对这种情况改进网络已达到更好的拟合效果，网络的预测误差曲线如图3所示。

误差值基本出现在（-4，9）区间内，差值约为13，样本数据的输出范围在900左右，计算误差区间在整个输出范围之间的辨识精度大约为0.014，达到了项目总体要求中提出的辨识精度为10-2的数量级，可见系统辨识输出误差在允许的范围之内的。

3 结语

本文中建立的系统模型完成了实测数据到标准条件数据的转换。这种基于人工神经网络BP算法的管线表面温度值和热流值的标准化转换模型完成了对于现场数据的处理。从仿真效果和误差分布可以看出模型的处理精度等级也达到了项目的预期的技术要求，只是曲线拟合有所欠缺。这些问题可以通过进一步更改网络层数等方法进行改进，以便能够得到更好的仿真效果。

参考文献

[1]刘艳，任章.基于神经网络的混合模型建模方法及应用[J].计算机仿真，2007，24（2）：45-48.

[2]匡胤.基于人工神经网络的预测原理及MATLAB实现[J].内江师范学院学报，2007，22（2）：38-40.

[3]黄大荣，宋军，汪达成，曹建秋，李伟. 基于ARMA和小波变换的交通流预测模型研究[J].计算机工程与应用，2006，42（36）：191-194.

[4]宋宜斌，王培进.一种基于RBF神经网络的预测器模型及其研究[J].计算机工程与应用，2004，40（6）：105-107.

[5]Hunt K J， Starbaro D. neural Networks for Nonlinear Internal Model Control [J]. IEE Proceedings D，1991，138（5）：431-4381.

[6]吴广玉.系统辨识与自适应[M].哈尔滨：哈尔滨工业大学出版社，1987.

[7]张成乾，张国强.系统辨识与参数估计[M].北京：机械工业出版社，1986.

[8]强明辉，张京娥.基于MATLAB的递推最小二乘法辨识与仿真[J].自动化与仪器仪表，2008，（6）：4-5，39.

[9]金朝红，吴汉松.一种改进的BP算法及其Matlab仿真[J].计算机仿真，2005（Z1）：105-106.

[10]王青海.BP神经网络算法的一种改进[J].青海大学学报（自然科学）

[11]庞中华，崔红.系统辨识与自适应控制MATLAB仿真[M].北京：北京航空航天大学出版社，2009.

[12]黄永安，李文成，高小科.Matlab7.0/Simulink6.0应用实例仿真与高效算法开发[M].北京：清华大学出版社，2008.