導言：作為寫作愛好者，不可錯過為您精心挑選的10篇神經網絡設計，它們將為您的寫作提供全新的視角，我們衷心期待您的閱讀，并希望這些內容能為您提供靈感和參考。

篇1

中圖分類號:TP18文獻標識碼:A

文章編號:1004-373X(2010)15-0071-03

Application of Neural Network in Antenna Design

ZHANG Shan-shan

(Xi’an Institute of Electronic Engineering, Xi’an 710100, China)

Abstract: The application of neural network in antenna design is put forward because the processing speed of many antenna design softwares is not fast enough. A neural network-based optimization is to train the neural network with the input and output of a system, and by its associative memory self-learning function to make the output of the network is similar to the output of the original system in the case of the same input. In this way, the network can be used to simulate the output of the original system to achieve the fast calculation since the processing speed of neural networks is generally fast enough.

Keywords: neural network; BP network; antenna; EDA

0 引 言

隨著通信技術和計算機技術的日趨成熟和完善,微波通信、移動通信、衛星通信等無線通信都在高速的發展,人們預計無線通信將在通信行業占領愈來愈重要的地位。天線是無線通信領域中非常重要的元器件,對天線的研究是無線通信研究中的一個重要的課題。目前,有很多電磁仿真軟件可以用來輔助天線設計,應用較為廣泛的Agilent公司的ADS和Ansoft公司HFSS,分別基于矩量法(Method of Moments,MoM)與有限元法(Finite Element Method,FEM),均具有較精確的天線設計方案,但是處理速度一般都不是很理想。隨著天線設計的復雜程度提高,而設計周期卻在減小,提高微波EDA的處理速度成為迫切需要解決的問題。如果在不大幅度降低精確性的同時對處理速度進行改進,就要找到一種處理方法,它必須滿足兩點:第一,可以充分逼近任意復雜的非線性關系;第二,使得快速進行大量運算成為可能[1]。

而神經網絡就滿足這兩個條件,基于神經網絡的優化計算就是利用神經網絡的聯想存儲及自學習功能,以某一系統的輸入作為網絡的輸入,以這一系統的輸出作為網絡的目標,反復訓練網絡,最終使網絡具有與原系統相似的輸出。這樣,在相同的輸入下,就可以用網絡的輸出來模擬原系統的輸出。這里以天線設計中某些要變化的參數作為網絡的輸入,以天線的某些性能指標為網絡的訓練目標,用少量的原始數據(由微波EDA得出)訓練網絡,直到誤差符合要求,并且用一定量的數據來測試網絡,以確保網絡的輸出接近真實值。訓練完畢后,就可以用所訓練的網絡來代替原EDA進行計算,而神經網絡的處理速度要快得多,從而達到了加速的目的。

1 神經網絡簡介

人工神經網絡(Artificial Neural Network,ANN)早期的研究工作應追溯至20世紀40年代,W.Mcculloch和W.Pitts首先提出神經元的數學模型。1982年和1984年美國物理學家Hopfield在美國科學院院刊上發表了兩篇關于人工神經網絡研究的論文,引起了巨大的反響。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,形成了上世紀80年代中期以來人工神經網絡的研究熱潮[2]。

表征神經網絡需要3個方面:網絡拓撲結構、神經元特性、以及學習(或訓練)方法。人工神經網絡是由簡單的處理單元所組成的大量并行分布的處理機,這種處理機具有存儲和應用經驗知識的自然特性,它與人腦的相似之處概括為兩方面:一是通過學習過程利用神經網絡從外部環境中獲取知識;二是內部神經元用來存儲獲取的知識信息[3]。

2 天線饋電匹配設計

微帶貼片天線以其體積小、重量輕、易與載體共形、電氣性能多樣化等特點,在無線通信領域得到越來越廣泛的應用,因此,本文以貼片天線的貼片尺寸對S11參數影響為例說明神經網絡在天線饋電匹配設計中的應用。

利用Ansoft公司HFSS建立天線模型,如圖1所示。基底:中心坐標(-30,-30,0) mm,x軸90 mm,y軸80 mm,z軸1.6 mm,介電常數4.4。貼片:中心坐標(0,0,1.6) mm,x軸37.5 mm,y軸25 mm。饋電探針:中心坐標(2.76,10,0) mm,方向z軸,直徑0.63 mm,高16 mm。接地探針:中心坐標(1,10,0) mm,方向z軸,直徑0.32 mm,高1.6 mm。以貼片長寬為變量,設為fx,fy,在本例中fx范圍[3.5,4.0] cm,步長01 cm;fy范圍[2.2,2.7] cm,步長01 cm;頻率范圍[22,24] GHz, 步長0002 GHz。以fx,fy,f為變量進行掃描,共掃描點數:3 636個。

圖1 貼片天線HFSS模型

目前,神經網絡結構的選擇尚無一種統一而完整的理論指導,一般只能由經驗選定。而網絡的結構直接影響網絡的逼近能力及推廣性質。因此,應用中如何選擇合適的網絡結構是一個重要的問題。本文中采取三層的BP網絡,BP網絡實質上是實現了一個從輸入到輸出的映射功能,而數學理論已證明它具有實現任何復雜非線性映射的功能。這使得它特別適合于求解內部機制復雜的問題,而且網絡能通過學習帶正確答案的實例集自動提取合理的求解規則,即具有自學習能力,并具有一定的推廣、概括能力[4]。

為了使網絡收斂速度加快對訓練樣本(輸入和輸出),一般采取先歸一化再訓練的方法[5],即樣本的取值范圍都是[0,1]。中間層訓練函數tansig,輸出層訓練函數tansig的定義域都是[-1,+1],都包括了樣本的取值范圍。在這里學習函數設為trainlm收斂速度較其他學習函數要快。誤差設為0000 1,是因為訓練樣本采取了先歸一化再訓練的方法,其結果的誤差會隨著反歸一化變換時被放大,所以目標誤差設定要小一點,但是不能太小,否則會產生過擬和現象。

Matlab程序(BP網絡的訓練部分):

net=newff(Pr,[75,1],{′tansig′,′tansig′},′trainlm′); net.trainParam.epochs=1 500; net.trainParam.goal=0000 1;

net.trainParam.show=1; net.trainParam.lr=0.08; net =train(net,p,T);

網絡的逼近、推廣能力同學習樣本的典型性密切相關,而從問題中選取典型樣本實例組成訓練集是一個很困難的問題。一般來說,要保證BP網絡模擬曲線逼近原參數曲線,在選取訓練點時注意兩個條件:第一,盡量使訓練點分布平均,即在各個S參數曲線上的訓練點盡量相等[6];第二,盡量在S參數曲線上保持平均分布。本文為了說明BP網絡性質是隨機選取的訓練點,可能不滿足這兩個條件,但是在應用HFSS時,就可以在平均在各個S參數曲線上取訓練點,而且在各個S參數曲線上按一定步長選取訓練點,這樣就可以保證上述兩個條件,使BP網絡模擬曲線盡量逼近原參數曲線,獲得一定數量的預測值[7]。

2.1 改變樣本點數量

圖2為樣本點為2 500時的模擬S11曲線。圖3為樣本點為1 500時的模擬S11曲線。訓練誤為差0000 1,學習效率為008,中間層數為75,中間層訓練函數tansig,輸出層訓練函數tansig,學習函數trainlm。

圖2 樣本點為2 500時的模擬S11曲線

由圖2,圖3可知,在訓練目標誤差為0000 10的情況下,用1 500個點頻值模擬3 600個值的S11參數曲線,減小了多一半的工作量,可以看出,隨著樣本數量的減少,網絡逼近能力變差。

一般來說,隨著樣本數量的減少,網絡的泛化能力將變差。泛化能力差,預測能力(也稱逼近能力)也差,并且一定程度上,隨訓練能力地提高,預測能力也提高。但這種趨勢有一個極限,當達到此極限時,隨訓練能力的提高,預測能力反而下降,即出現所謂“過擬合”現象[8]。此時,網絡學習了過多的樣本細節,而不能反映樣本內含的規律。

圖3 樣本點為1 500時的模擬S11曲線

2.2 改變中間層數量

圖4(a)是中間層為200的情況,訓練目標誤差為0000 10,訓練達到目標誤差所用步數為98步。圖4(b)是中間層為75 的情況,訓練目標誤差為0000 10,訓練達到目標誤差所用步數為153步。圖4(c)是中間層為50的情況,訓練目標誤差為0000 10,訓練達到目標誤差所用步數為512步。

由圖4可知,中間層數量對訓練函數所用迭代次數有影響,這實質上是網絡容量的可能性與可行性的關系問題,即學習復雜性問題。同時中間層數量對訓練函數的收斂性也有重要的影響,中間層數過少,可能會導致訓練函數過程的不收斂[9]。從數學角度看,BP算法為┮恢知局部搜索的優化方法,但它要解決的問題為求解復雜非線性函數的全局極值,因此,中間層數量過少時,算法很有可能陷入局部極值,使訓練失敗[10]。

2.3 改變學習效率

圖5(a)是學習效率為0.08的情況,訓練達到目標誤差所用步數為153步。圖5(b)是學習效率為0.04的情況,訓練達到目標誤差所用步數209步。圖5(c)是學習效率為0.02的情況,訓練達到目標誤差所用步數為296步。

由圖5可知,學習效率對BP網絡預測效果,即泛化能力影響不大,對訓練達到目標誤差所用迭代次數有影響。由于BP算法本質上為梯度下降法,而它所要優化的目標函數又非常復雜,因此,隨著學習效率降低,必然會出現鋸齒形現象,這使得BP算法低效,而且由于優化的目標函數很復雜,它必然會在神經元輸出接近0或1的情況下,出現一些平坦區,在這些區域內,權值誤差改變很小,使訓練過程幾乎停頓,即存在麻痹現象[7]。

圖4 不同中間層數的模擬S11曲線

圖5 不同學習效率下的模擬S11曲線

3 結 語

本文以計算貼片天線的S11參數為例,具體說明了神經網絡(這里用的是BP網絡)在天線設計中的應用, 基于神經網絡的優化計算是用某系統的輸入輸出來訓練網絡,利用神經網絡的聯想存儲及自學習功能,在相同的輸入下,使網絡具有與原系統相似的輸出。這樣,就可以用網絡的輸出來模擬原系統的輸出,而神經網絡的處理速度一般來說是很快的,從而達到加快計算的目的。隨著天線設計的復雜程度提高,設計周期在減小,本方法具有廣泛的應用前景。

參考文獻

[1]鐘順時.微帶天線理論與應用[M].西安:西安電子科技大學出版社,2000.

[2]張青貴.人工神經網絡導論[M].北京:中國水利水電出版社,2004.

[3]海金.神經網絡原理[M].葉世偉,譯.北京:機械工業出版社,2004.

[4]飛思科技產品研發中心.神經網絡理論與Matlab 7實現[M].北京:電子工業出版社,2005.

[5]哈根.神經網絡設計 [M].戴葵,譯.北京:機械工業出版社,2005.

[6]Georg Dorffner. Artificial Neural Networks [M]. [S.l.]: ICANN, 2001.

[7]許東.基于Matlab 6.X 的系統分析與設計――神經網絡[M].西安:西安電子科技大學出版社,1998.

篇2

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

篇3

關鍵詞: BP神經網絡;傳感器陣列;氣體檢測

Key words: BP Neural Network;sensor array;gas detection

中圖分類號:TP315文獻標識碼:A文章編號:1006-4311(2010)31-0204-02

1概述

氣體檢測系統的工作原理是模擬生物嗅覺系統對被測氣體進行感知、分析和識別,由氣體傳感器陣列、信號處理子系統和模式識別子系統三大部分組成[1]。將氣體傳感器陣列與人工神經網絡的模式識別相結合,是對混合氣體進行定性識別和定量檢測的一種有效的方法。用氣體傳感器陣列對氣體進行檢測具有響應速度快、靈敏度高、制作簡單等優點,但同時存在交叉敏感等缺陷,在實際應用中很難有選擇地響應被測氣體的某種成分,對氣體測量的精度有著較大的影響。本課題通過實驗研究,將氣體傳感器陣列采集的輸出信號經信號處理,作為神經網絡的輸入信號,實現了對CO、H2S和CH4三種混合氣體的定性定量識別。本文重點研究氣體檢測系統中BP神經網絡結構的設計與實現。

2BP網絡的結構設計和實現

進行BP網絡的結構設計時,一般應從網絡的層數、每層的神經元個數和相應的激活函數、初始值的設置以及學習速度等因素進行考慮。

2.1 輸入和輸出層的網絡設計BP網絡的輸入層和輸出層神經元個數的確定是根據具體的實驗需要設定的。網絡中,輸入類別為n個,檢測類別數m,則一般確定輸入層的神經元數為n,輸出層神經元個數為m。如果訓練樣本Xi屬于第j類,則輸出結果公式為[2]:

Y=(0,0,…,,)(1)

上述公式表示為輸出向量中第j個輸出為1,其余全部為0。輸入層的神經元可以根據對求解的問題和數據表示的方式確定,在實際過程中,應盡量減少系統的規模,使學習的時間和系統的復雜性減少。

本課題實驗系統確定的傳感器陣列中的傳感器個數為6個,因此網絡的輸入將是一個六維向量,即需要6個輸入神經元,每個神經元分別和傳感器的輸出信號一一對應。實驗中對CO、H2S和CH4三種氣體組成的混合氣體進行定性識別和定量檢測,因此該網絡的輸出是一個三維向量,分別對應三種氣體的輸出值。用二進制編碼區分三種氣體的輸出模式,期望輸出分別是[1 0 0]、[0 1 0]、[0 0 1]。

2.2 隱層的設計對于隱層的設計,要考慮隱層層數的選擇和每個隱層中神經元單元數的確定。根據Robert Hecht-Nielsen的研究,對于任何在閉區間內連續的函數都可以用具有一個隱層的BP網絡來任意逼近,因而一個三層的BP網絡可以完成任意的n維輸入到m維輸出的映射。根據問題的復雜性,也可以設計多個隱層。當各節點均采用s型函數時,一個隱層就足以實現任意判決分類問題,兩個隱層則足以表示輸入圖形的任意輸出函數。對于用作分類的BP網絡,可參考以下幾個經驗公式[3,4]:

K

此式中,K為樣本數,n1為隱層單元數,n為輸入單元數。當i>n1時,C=0。

n=+a(3)

此式中,m為輸出單元數,n為輸入單元數,a為1至10之間的常數。針對本課題需要,輸入單元數n=6,輸出單元數m=3,根據上式可得隱層單元數n1在[4,14]之間。

n=logn(4)

此式中,n為輸入單元數,由此可得n的值設置為3。

2.3 初始值的確定在網絡學習之前,首現要對網絡的權值、閾值進行初始化工作。由于系統的非線性特性,初始值的選擇對于網絡學習是否會達到局部最小、訓練時間的長短以及能否收斂都有著很大的關系。如果不對網絡中的連接權值進行初始化,網絡的學習過程可能會不收斂。如果初始值賦予的太大,網絡的神經元就很可能會趨于飽和,致使反向傳播中的局部梯度呈現出一個最小值,導致反向傳播學習過程緩慢。如果賦予的初始值太小,反向傳播算法可能會局限于誤差曲面原點的一個非常平緩的區域。一般希望加權后每個神經元的輸出值接近于0,這樣可以保證每個神經元的權值都能在S型激勵函數變化最大之處進行調節,因此通常BP算法初始權值和閾值的選定在(-1,1)內的隨機數,經過反復調整,獲得穩定值。

2.4 BP網絡的Matlab實現

2.4.1 BP網絡的初始化當網絡創建后,網絡的權值和閾值的初始值默認為0。在對神經網絡訓練之前,要對網絡的權值和閾值進行初始化,所使用的函數是init(),函數的命令格式為:

net=init(net)

函數根據網絡的初始化函數及其參數值對網絡的權值和閾值進行初始化,分別表示為net.initFcn和net.initParam。

2.4.2 BP網絡的創建與仿真Matlab神經網絡工具箱提供了創建BP網絡的函數newff(),常用的指令格式為:

net=newff(P,T,[S1,S2…SN],{TF1 TF2…TFN1})

其中,P,T分別為輸入樣本和期望響應;Si為第i層神經元的數目,總共為N層;TFi為網絡各層的傳遞函數的類型。執行的結果為創建一個N層的BP神經網絡,默認情況下,網絡中間的隱層采用tansig函數,輸出層采用purelin函數。

BP網絡的仿真采用函數sim(),對于高維的多個輸入,也可以使用sim函數仿真輸出。

2.4.3 BP網絡的的傳遞函數傳遞函數的作用是將網絡的輸入轉換為輸出,又稱為激活函數。在BP網絡中,傳遞函數必須是可微的。常用到的傳遞函數為S型對數函數和雙曲正切S型函數。

2.4.4 BP網絡的訓練對神經網絡的權值和閾值初始化后,就可以對網絡進行訓練。對網絡進行訓練既可以在指定學習算法的條件下調用普通的train函數,也可以直接調用不同訓練算法的對應函數。函數train()是通過調用參數net.trainFcn設定訓練函數來實現網絡訓練的,并且訓練方式由參數net.train.Param的值來確定。同樣adapt函數是調用參數為net.adaptFcn設定的訓練函數進行網絡訓練,訓練方式由net.adaptParam的值確定。在BP網絡訓練算法中,都是通過計算性能函數的梯度,再沿負梯度方向調整權值和閾值,從而使得性能函數達到最小。第i個循環中的調整公式表示為:

x=x-ag(5)

其中x表示當前的權值和閾值,g表示當前梯度,a是學習率。

2.4.5 BP網絡的仿真輸出對神經網絡進行設置和訓練,其目的是應用。神經網絡訓練完成之后,將后續測得的實驗數據輸入,利用仿真函數得到網絡的輸出。仿真函數的格式為:

Sim=(net,P)

其中,net為已經訓練好的人工神經網絡,P為網絡的輸入矩陣。

3實驗數據和誤差分析

3.1 定性識別實驗中,采用6個氣體傳感器組成傳感器陣列對CO、H2S和CH4三種氣體進行檢測。對每種氣體分別配制12組不同的濃度,即共獲得12×3=36組不同氣體濃度的氣體樣本。隱層采用10個神經元,輸入層神經元數由氣體傳感器陣列的維數決定,即有6個神經元,輸出層有3個神經元,其輸出分別對應三種不同的氣體。用于定性識別的網絡結構如圖1所示。

對于實驗獲取的36組氣體數據樣本,取氣體樣本的24組用于網絡的訓練,取其余的12組用于網絡的測試。網絡的期望輸出為:

yyyyyyyyy=100010001

神經網絡經過訓練后,得到網絡固定的連接權值和閾值,然后對測試樣本進行分析驗證。用訓練好的神經網絡對測試樣本進行驗證時,對于網絡輸出y1,規定滿足以下條件即可認為測得樣本輸出為1,即認為是正確的識別結果:

(1)y=max{y,y,y}

(2)y0.7

(3)y-y0.3, y-y0.3

同理以上條件適合于網絡輸出y和y。經過神經網絡的訓練和識別,得出對樣本的測試結果,實現了對不同氣體的定性識別,并且識別率達到了100%。

3.2 定量檢測針對每種氣體傳感器的測量范圍,對三種氣體分別取39種不同濃度的實驗樣本,總共樣本數為39×3=117。取每種氣體樣本的2/3作為網絡的訓練樣本,其余的1/3作為測試樣本。為了使實驗數據不因被測氣體濃度的影響而造成誤差,選擇訓練樣本和測試樣本時取等差濃度的序列。由于實驗樣本數目龐大,表1只列出了實驗中部分輸出結果。

通過實驗分析可知,對CO、H2S和CH4三種氣體定量檢測的最大誤差分別為8.51%、9.35%和7.45%。對CO定量檢測的平均誤差為4.18%,對H2S定量檢測的平均誤差為4.02%,對CH4定量檢測的平均誤差為3.60%,達到了實驗預期的要求。

4結束語

本文將氣體傳感器陣列和神經網絡模式識別相結合,將傳感器陣列對氣體檢測的輸出響應(處理后)作為BP網絡的輸入,構建了適合混合氣體定性定量檢測識別的BP網絡模型,并成功地對CO、H2S和CH4三種實驗氣體實現了定性識別和定量檢測,實驗誤差在實驗允許范圍內。

參考文獻:

[1]J.W. Gardner, P. N .Bartlett. A brief history of electronic noses[J]. Sensors and Actuators, 1994, B18-19: 211-220.

篇4

中圖分類號：TP183 文獻標識碼：A 文章編號：1671-2064（2017）01-0044-01

近年來，在網絡游戲發展過程中，圖像的呈現質量已經提升到了一個極高的水平，人工智能游戲已經成為決定一款游戲成功與否的重要關鍵，并受到了游戲開發商的廣泛關注和高度重視。網絡游戲作為一種目標性、競爭性、互動性、情節性的娛樂作品，它的智能水平對游戲的質量和可玩性具有著直接的影響作用。因此，將計算機圖形學和人工智能有機的結合起來，把人工智能中的預測、路徑規劃、搜索、學習等技術有效的應用到網絡游戲的研發工作中去，不僅能夠提升游戲的質量和可玩性，同時還有利于促進游戲開發企業的發展。

1 人工神經網絡分析

人腦可以用一套較為獨特的方法來解決相關問題，并且還能夠從正反兩面的行為差異中進行學習，經過研究發現，人腦是由十萬種類的遺傳因子中的十萬億個細胞組合而成，人工神經網絡就相當于模擬人腦功能的一個數學模型。其中神經元作為人腦系統中處理基本信息的單元，是人體神經器官的重要組成部分，通過軸將各個神經元進行有效連接，而其他神經元的發送的信號能夠使當前神經元產生相應的反映，這一反映如果能夠達到特定的閾值，就會逐漸產生一種新的信號，并且沿著軸將信號傳輸到其他神經元[1]。人工神經網絡主要就是由各種節點相互連接組合形成的，節點類似于人腦的各個神經元細胞，會存在一些節點連接外部環境，主要負責相關的信息輸出和輸入工作，被稱作是輸出點或者輸入點，而另外一些網絡內部的節點，通常被稱作隱藏節點。隱藏節點的信息輸出通常是輸出節點的信息輸入，輸入節點的信息輸出通常是隱藏節點的信息輸入。

此外，人工神經網絡的主要核心思想就是對人類大腦神經系統功能進行模擬的機器學習的一種方法，并且通過對系統內部各個神經元的各種連接參數進行反復的調節，使得神經網絡系統得到訓練，并且在遇到一定情況時能夠做出最佳的反映[2]。總之，神經網絡作為一項發展較為成熟的技術，其在解決相關問題之后，將會使網絡游戲的智能化提升到一個全新的高度。

2 人工神經網絡中的游戲學習設計分析

與傳統方法相比，神經網絡解決問題的方式有著明顯的不同，其具有著較強的自主學習能力，經過不斷的學習，ANN可以從未知式中的各種復雜數據信息中發現規律[3]。這種神經網絡方法在很大程度上克服了傳統方法在分析中的復雜性以及各種模型函數選擇的困難，通過訓練對問題進行解答，ANN可以較為快速的建立解決問題的非線性和線性模型。如果想要人工神經網絡進行運作，首先就需要讓網絡進行學習，不斷的訓練網絡，幫助它獲取更多的知識信息，最后將這些信息有效的存儲起來。一旦完成相關的訓練和學習，就可以將知識有效的存儲在權值中。在游戲的開發過程中，將神經網絡模型看作是人物建模的基礎，通過對玩家將要進行的動作或者選擇的畫面場景進行預測，運用神經網絡進行信息存儲，并且在游戲的運行過程中要保證學習元素的有效運行，進而讓神經網絡潛移默化的學會相應的自適應技術，最終實現游戲的可玩性和趣味性，提升游戲的開發設計質量和效果，進而吸引更多的游戲玩家。

3 BP神經網絡游戲開發設計分析

在神經網絡的眾多模型中，BP算法是其中較為常用的一種神經網絡，一般分為輸入層、輸出層、中間層等三個部分，各個層之間按順序進行連接，因為中間存在隱含層，可以從中發現一定的學習規律，可以通過對這種網絡的有效訓練，進而形成一種較為復雜、多樣的決策界面[4]。同時，BP神經網絡具有一個強大的功能，其主要就是能夠封裝一個將信息輸入映射到信息輸出的非線性函數。假如不存在隱含層，那么神經網絡只能發現信息輸入與信息輸出之間存在的線性關系。但是，僅僅是為感知網絡增添一個隱含層還是遠遠不夠的，需要通過非線性激活函數為網絡連接提供相應的非線性元素。大多數的非線性函數基本上都能夠進行使用，但是多項式函數除外。

在游戲中，設置網絡作為神經網絡實現的基本步驟，可以將特定數據當做輸入訓練網絡，并且在游戲的具體輸入中進行實際應用。在游戲問題的神經網絡設計中，應該注意結構、學習、神經元特點等三個方面的因素。其中結構主要就是指要進行構造的神經網絡組織、連接方式以及基本類型。而且在神經網絡中節點數設計要遵循相關的原則就是越少越好。神經網絡中的節點數越多，那么神經網絡搜索正確解的空間范圍就越廣闊[5]。神經網絡中輸入節點數在一定程度上決定著模式匹配或網絡分類的變量數，例如，籃球類型的游戲中，運動員投籃命中、灌籃動作、球員分布、難度等級等變量數。

4 結語

總而言之，網絡游戲作為一種新型的娛樂方式，具有著較強的生活模擬性和互動性，深受廣大社會群眾的喜愛。因此，我國應該重視游戲產業的發展，不斷加大對網絡游戲的開發和設計，將神經網絡有效的應用到網絡游戲開發的實踐中去，尤其是BP神經網絡，它不僅可以預測玩家的行為，及時提供信息反饋，同時還能提高網絡游戲的可玩性和趣味性，提升游戲設計的整體質量和效果，有利于促進我國游戲開發產業的發展和進步。

參考文獻：

[1]余穎.基于神經網絡和遺傳算法的人工智能游戲研究與應用[D].湖南大學，2011.

[2]王淑琴.神經網絡和遺傳算法在游戲設計中的應用研究[D].東北師范大學，2014.

篇5

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.

篇6

中圖分類號：TP391文獻標識碼：A文章編號：1009-3044(2011)16-3917-03

Research and Implementation of Intelligent Design System Based on Artificial Neural Network

WU Zheng

(The CAD Research Center of Tongji University, Shanghai 200092)

Abstract：Axisymmetric part of the design for the introduction of the concept of the feature encoded file, its characteristic features in a coded form to be expressed. In order to achieve intelligent process state model output, the use of artificial neural networks for automatic reasoning capabilities. Through the intelligent reasoning system to remove the experience of design continued exploration and improvement, will be part of the feature modeling input, the system can automatically determine the parts of the process, then automate production. The intelligent system can help developers and designers to quickly produce design example, so developers can focus more on product innovation activities of enterprises to improve product design and R & D has important practical significance.

Key words: neural network; intelligent design; feature coding; intelligent reasoning; KBE

產品工藝設計是產品開發的首要環節，也是關系到產品設計成功與否的核心問題。提高工藝設計集成化、系統化和智能化程度，實現經驗設計向科學設計的飛躍是研究人員多年追求的目標。而智能設計作為現階段的熱點技術，吸引了越來越多的專家和學者的目光。[1]伴隨著計算機軟硬件的成熟，以及圖形圖像學、CAD、人工智能設計技術和工藝模式理論的發展，顯著的提高了設計的質量和效率，大大縮短了設計周期和工時，形成了工藝設計的的新領域，對我國智能設計和計算機輔助設計的發展起到了極其重要的推動作用。[2]

1 人工神經網絡智能設計系統模型的表達

1.1 智能設計系統的體系結構

該智能設計系統主要的結構模塊如圖1所示。本文將該智能設計系統主要劃分為以下幾個模塊，特征造型器主要將零件的特征進行錄入，數據會同用戶的輸入數據共同進入特征編碼器；特征編碼器相當于一個接口，將形式數據轉化為模式映射器能夠識別的規范化數據（即特征編碼文件），在模式映射器內部，通過神經網絡對數據的處理，同時結合已有的經驗知識庫、材料庫、規則設計庫、工藝特征庫、映射規則和標準庫的數據交互，將數據輸出到數值公式計算模塊。數值公式計算模塊主要是在具體的場景中將約束條件進行量化，結合具體的設計要求將工藝設計順序進行調整。最后將結果反饋到用戶界面，實現智能設計。

1.2 KBE思想和本系統的有機結合

在工程實踐中，人們發現專家知識一般來源于該領域內專家的經驗和積累，具有很大程度的不確定性和模糊性，這對于知識的交流和繼承帶來了很大的困難。歐洲面向KBE應用的方法和軟件工具研究聯盟提出了KBE的概念，KBE是計算機輔助工程領域的一個進步，它是一種將面向對象方法(Object Oriented Methods)、AI和CAD技術三者集成的工程方法，能夠提供設計過程客戶化、變量化和自動化的解決方案[3-4]。，我們認為：KBE是通過知識驅動和繁衍，對工程問題和任務提供最佳解決方案的計算機集成處理技術，是AI和CAx技術的有機融合。[5-6]

KBE系統的要點主要是知識的表示、知識建模、知識推理和知識的繁衍。本系統主要通過特征造型器進行知識的表示，進而在特征編碼器中對所得知識建模，形成了特征編碼文件。模式映射器利用人工神經網絡對于特征編碼文件進行不斷的映射，實現了知識推理；同時模式映射器將學習所得的知識存儲在相應的知識庫中，進行知識繁衍。將經驗知識和隱形知識轉化為顯式知識，實現了智能系統的關鍵一步。我們將KBE的思想結合到本文所開發的系統中來。

2 零件的工藝特征及特征的編碼

2.1 特征的確定和數字化表達

首先我們需要確定零件的特征，進而將零件的特征數字化。本文根據以下原則確立零件的特征：

1）現實性。零件的特征是客觀存在的，不因人的主觀意志的轉移而改變該特征。2）可測量性。相比于傳統的經驗化設計模式，能夠準確的測量和量化零件特征是智能設計的重要要求。3）唯一性。作為零件信息的重要載體，特征的無歧義性是需要重點考慮的原則，不能同時將一個特征收錄到兩個屬性中，進而造成建模中零件屬性的混亂。

本文主要針對軸對稱的零件工藝模式，我們將主要研究零件的以下特征：沖孔、翻邊、正向拉深、反向拉深、帶孔小階梯成形法等。

考慮到神經網絡我們采用的是S型參數，所以我們將特征編碼確定為0到1之間的數，本文共確定了10種特征形狀。如表1所示。

通過確定特征參數，進而可以構建特征造型器，特征造型器以零件的實體特征為基礎，結合零件的幾何信息和拓撲信息，將參數化設計思想和特征編碼思想統一，用尺寸驅動的方法來定義特征，便于計算機對于零件特征的識別和處理。

2.2 面向對象的特征建模語言

由于在實際設計征的復雜性和多樣性，而面向對象的語言具有數據的封裝性、數據與操作的集成性、對象重載、現實世界對象的數據和行為的全面抽象、對象數據的繼承性等等許多的優點，目前已成為設計領域廣泛采用的設計手段，應用在特征設計領域，可將特征的對象數據類型抽象出來。

特征對象首先具有本身的特征尺寸和屬性，考慮到具體的應用，這些尺寸要能夠實現參數化，除此之外，還具有公差、材料、技術設計要求等信息；特征的操作類型主要分為兩種：一種是成型過程，即所謂的造型映射，另一種操作是特征在零件上的形成位置即有關位置的變動操作。在這兩種操作中，造型映射與工藝設計的過程聯系緊密，而特征位置操作則與產品的設計過程相關。下面主要是該特征對象的基類型的原型定義。

class Feature

{Stringfeature ;//零件對象的三維實體名。

StringName;//零件特征名。

Stringmaterial;//特征的材料。

intfeature_parametre; //特征尺寸的參數。

intfeature_num.;// 特征類型的編號。

intfeature_code;// 特征的編碼。

intpt1,pt2,pt3;//特征基點的坐標。

int angle1,angle2,angle3;//特征在三維空間中與X, Y, Z軸的夾角。

Public:

virtualvoidmodel();//構造三維實體特征。

virtualvoidlocate();//確定特征的空間位置。

voidmove (ap_solid *sol, ap_real tx, ap_real ty, ap_real tz);//將特征移動{tx,ty,tz}。

voidrotate (ap_solid *sol, ap_real rx, ap_real ry, ap_real rz);//將特征旋轉。

void chang_feature_para (int class_name, ap_solid *sol, ads_point pt, ap_direc ang, feature_parametre, void model); //該特征的幾何尺寸的參數化修改操作。

voidcal_area(); // 特征面積的計算。

voidcal_circl();//特征周長的計算。

}

通過實例化語言，我們能夠對零件的特征進行描述，進而便于計算機識別和處理。特征編碼的構造加入到零件基類中，具體零件的定義將繼承特征編碼的操作，并能夠進行適當的重載。

3 特征編碼器和特征編碼文件

將特征數字化表示后，本系統主要通過特征編碼器將特征組成特征編碼文件，使后續的人工神經網絡能夠對文件進行處理。有了特征編碼，我們能夠讓機器識別特征；但是為了保存特征的其他信息，如沖孔工藝中孔的直徑，翻邊的高度等等，我們引入了特征參數的概念。特征參數即為了更明確的定義特征的幾何、物理屬性，跟隨在特征編碼后面的一系列數值。圖3表示了部分特征編碼所對應的特征參數。

我們將特征編碼和特征參數組成特征編碼文件，輸入到模式映射器中。特征編碼文件的格式為：每一行表示切僅表示一個特征，其中第一個數字為特征編碼，特征參數在特征編碼之后給出。圖4顯示了一個特征編碼文件的實例。

4 智能設計系統中工藝模式的生成、映射以及神經網絡的構造

4.1 工藝模式映射的過程

我們將零件的特征編碼文件輸入人工神經網絡后，人工神經網絡進行反向推理，將零件的成型信息反向輸出，同時結合知識庫、材料庫等已有的信息，輸出結果。

工藝模式用于指導工藝計算模塊的工作，而經過特征造型之后的零件信息只有特征編碼文件。因此，人工神經網絡的任務就是根據零件的特征編碼組信息，推導出生成零件的各個中間成形形狀的特征編碼組，以及各個中間形狀在零件成形過程中的排列順序。

因為對于神經網絡來講，得到的是設計者輸入的零件模式信息，輸出是零件成形的各個中間狀態（特征編碼表示），這就決定了工藝模式在神經網絡中的映射過程是一個“逆順序”的過程，這一過程又可以描述為“反推導”過程，即：將零件的特征編碼組（零件模式）輸入到經過訓練的神經網絡中，由其輸出該零件成形的各個過程的中間形狀的特征編碼（中間形狀模式）。我們以計算機的視角來看待零件的分解，即：零件->特征->特征編碼文件->人工神經網絡。在人工神經網絡中，特征編碼文件被反編譯，特征結構后得出特征形成的順序，進而輸出，即：人工神經網絡->特征反編譯->特征工藝序列->特征編碼組->特征->零件。由此可見，人工神經網絡是用于處理工藝模式的主要工具，在前面的特征造型器、特征編碼器中生成的零件的工藝模式，以及特征編碼組等概念，都是為了便于神經網絡的處理而建立的。

最后，由這些“中間形狀模式”、“零件模式”等特征編碼組信息及其排列順序，組成該零件成形的“工藝模式”信息文件。這一過程，就是以零件模式作為輸入、以經過訓練。

4.2 神經網絡的比較及選擇

人工神經網絡用于工藝模式映射的工作主要是以下幾個：1）是針對輸入的零件模式經過映射后輸出該零件成形的中間形狀；2）生成按照工藝成形的過程而排列的零件成形中間形狀的排列順序；3）進行反向學習，從輸入的特征編碼文件中提取零件成型順序，存儲到知識庫中。[7]

神經網絡主要由以下幾類：1）分解映射結構；2）集中映射結構；3）前向網絡；4）集中反饋式網絡。[8]

我們選擇的是集中反饋式的神經網絡，相比于其他類型的網絡，反饋式結構的優點是：統一的網絡便于訓練模式的組織和映射工作的開展；輸入單元和輸出單元的數目相同，可以形成對稱的網絡結構，使得網絡的穩定性和收斂性有了保障；工藝模式的成形順序性問題不占用網絡的實際結構形式，順序性問題轉化為反饋映射的順序問題，映射的順序代表成形的順序；網絡在結構上將保證各個單步成形映射的準確性，從而提高網絡的訓練質量。[9]

表2給出了神經網絡訓練的相關內容，由于神經網絡中節點和隱層數目的不同會極大的影響神經網絡的性能，本文主要對各個不同的網絡進行了比較，得出了一個最優的網絡（即網絡7）。

5 實例模型

本文在研究的基礎上開發了一個應用實例，該實例主要是設計者將零件的特征編碼和特征參數輸入系統后，經過神經網絡的智能推理，將輸出反饋到設計平臺上。

系統首先進行特征編碼的輸入，以確定零件的特征造型；然后輸入每一個特征編碼對應的特征參數，圖5顯示了拉深工序對應的特征參數的錄入。特征參數錄入完成后可以選擇繼續添加特征或者生成特征編碼文件。圖6為一個以記事本方式打開的特征編碼文件。將特征編碼文件輸入人工神經網絡，對應的輸出為特征造型順序文件（Y.SFM），數值公式計算模塊處理該文件，最后給出智能設計工藝流程（圖7）。

圖5特征參數錄入 圖6特征編碼文件圖7 智能設計系統給出的零件成型順序及計算結果

6 結論

本文提出了軸對稱零件成型工藝的產品建模方法，然后給出了面向對象的建模語言，能夠量化表示零件的特征，在將零件的特征編碼文件通過神經網絡映射和輸出的同時，運用KBE系統的自學習理念，將習得的知識存儲。實踐表明，通過人工神經網絡和工藝智能設計系統的應用，能夠解決實際的零件設計成型問題。

參考文獻：

[1] 高偉.工藝設計信息系統中的知識發現技術研究[D].成都:四川大學,2005:22-23.

[2] 羅小賓.機械產品圖像識別技術及其在反求設計中的應用研究[D].成都:四川大學,2004:15-16.

[3] The Knowledge Engineering and Management Centre at Coventry University,UK,[EB/OL].kbe.cov.ar.uk.

[4] MOKA-Methodology & soft-ware tools-- Knowledge based engineering Applications[M].ESPRIT proposal EP25418,1997.

[5] Peng Ying-hong,Zhao Zhen,Ruen Xue-yu.Application of KBE technology in Die & Mold Design[J].International Conference on Die end Mold Technology, Beijing,2000,90-86.

[6] Peng Ying-hong,Zhao Zhen,Ruen Xue.KBE technology in Engineering Design[J].International Conference on Engineering end Technological Sciences 2000, Beijing,2000:94-100

[7] 劉振凱.智能CAD人工神經網絡專家系統的模型和結構[J].中國機械工程,1997(2).

篇7

1、引言

為了克服傳統人工定期現場抄表技術復雜、信息不及時、人為誤差大、管理不方便、人力物力浪費等缺點，隨著經濟的發展，迫切需要研究開發出一種智能遠程動態抄表系統，保證電力運營商進行電能經濟合理的計量管理。本文利用改進BP神經網絡強大數據分析處理、模型自動學習預測等功能，對視頻掃描獲得的遠程電能數據進行集中模塊化“學習”訓練，獲得相應的模塊約束值和預定值，并通過計算機程序自動進行圖像數據，最終形成動態的電能數據表格，為電能遠程自動采集提供了豐富的理論技術。

2、抄表技術概況

2.1 傳統人工抄表

傳統人工抄表是通過電力運營商雇傭相應電能抄表員登門查表，完成電能抄表校對工作。隨著電網規模的擴大，加上電力用戶分散，給供電企業抄表帶來的巨大的困難。抄表員需要花大量的時間進行抄表和電能數據校對工作，大大增加了電力運營商的負擔，造成了大量的人力浪費，同時由于人為誤差的存在，給電力用戶帶來了許多不便，整個電能的抄錄過程在時間上存在著明顯的離散性，不利于電力運營商的統一管理。

2.2 遠程自動抄表

隨著電力電子技術和計算機通信技術的不斷成熟，遠程自動抄表技術已經逐步取代傳統人工抄表技術，成為電力運營企業電能抄表的核心技術。遠程抄表系統一般由電能檢測表計、視頻數據采集模塊、數據儲存模塊、數據通信模塊、計算機綜合數據管理模塊五大部分構成，整個系統采用集散式典型結構，具有明顯的樹型綜合通信結構，利用綜合通信技術實現了對電能數據的實時動態采集，便于電力運營商進行電能的檢測、綜合數據分析管理和收費自動化的要求的實現。

3、改進BP神經網絡

改進BP是一種基于誤差反饋綜合比較的神經網絡，由于該模型不需要具有精確的數學模型，只需要將外界已知的原始數據作為系統的輸入，對整個網絡模型進行“學習”訓練，網絡層通過輸入層(INPUT)獲得相關的數據信息，通過中間層(Recurrent)進行數據信息處理，再通過輸出層(OUTPUT)獲得對應的數據信息。

4、圖像識別

數字識別技術包括圖像處理和數據識別兩項重要的任務，是利用計算機對圖像分析處理的核心，在目前較多的圖像識別、圖像復原、圖像預測等領域得到了廣泛的發展。

4.1 圖像采集模塊

圖像采集器由視頻監控單元、COMS圖像傳感器單元、環境照明、數據初步處理單元(DSP)及RS-485通信網絡單元。圖像采集模塊的系統結構圖如圖1所示:

圖1中，利用低端COMS圖像傳感器對電能數據進行采集，當采集系統核心單片機系統收到通信網絡傳輸的上級電能數據讀取命令時，通過內部控制立即打開COMS圖像傳感器，在照明燈的幫助下，實現對電能數據的拍攝。單片機數據處理中心進行對剛拍攝的電能圖像數據進行裁剪和壓縮，形成系統默認的圖像格式，并通過RAM儲存模塊進行保存，完成對電能數據的實時動態采集。當單片系統獲得上級發出的圖片傳送命令時，就會用串行方式通過RS485網絡將電能圖像數據傳輸給改進BP神經網絡系統，進行相應的數據分析，獲得實時動態的電能數據。

4.2圖象特征提取

通過圖像采集器采集到的電能數據圖像，需要通過數據提取技術將圖像中所包含的數據信息從模擬化狀態提取為實際計算機默認的二維代碼，供給改進BP神經網絡系統進行學習判斷。在圖像特征值提取過程中，廣泛采用字符分割和數據歸一化等技術，將不規則的圖像信息轉變為規則整齊的數據信號，并作為特征向量矩陣供給改進BP網絡系統進行訓練，就可以實現改進BP網絡的圖像字符的識別。

5、實例分析

5.1 仿真結果

為了驗證基于改進BP網絡電能預測系統的可靠性，利用已采集的圖像和圖像中所包含的實際電能數字作為改進BP神經網絡的學習樣本。將圖像中實際數字作為輸出矩陣， 原始圖像信息作為神經網絡的輸入數據，采用反饋誤差最小思想對改進BP神經網絡進行“學習”訓練，通過系統自動學習獲得模型的權值和閥值。本次實驗采用10組數據進行分析，其結構如表1所示。

從表1中所獲得結構可知，通過改進BP神經網絡對視頻采集到的電能數據圖片特征進行分析識別，其獲得對應電能數據的識別率高達99%以上，且整個系統的誤差都在10-2量級以內，說明了整個系統的建模精度十分的高，可以滿足圖像識別技術的要求，達到了電能數據遠程采集、自動傳輸、數字識別等功能，給電能遠程采集提供了一個新的研究思路。

6、結束語

改進BP神經網絡具有明顯的非線性數據處理能力，能夠對圖像特征數字等進行預測判斷，可以有效提高電能數據的處理效率和精度。利用COMS圖像采集單元，將遠程的電能數據信息通過攝像功能進行拍攝，通過單片機進行圖像的預處理，變成系統默認的圖片格式，并通過RAM儲存器進行圖片信息保存，在上級命令的驅動下自動采集和傳輸電能數據圖像。并通過RS485傳輸給神經網絡系統，通過系統自動識別完成對電能數據的分析，實現電能數據的綜合分析。基于改進BP神經網絡的遠程電能采集系統實現遠程電能數據采集、分析判斷和統一管理，提高了運營商的電能合理經濟的計量管理水平。

參考文獻

[1] 李國華等.身份證號碼的自動識別系統[J].華南理工大學學報，2002，(3):94-96.

[2] 崔政.一種在線圖像編碼識別系統的設計[J].微計算機信息，2006，22(2):243-245.

篇8

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。

篇9

中圖分類號：TP273文獻標識碼：A

Design of Adaptive Neural Network Controllers for LEO Dragfree Satellite

LI Ji,FAN Huijin

(School of Automation, Huazhong University of Science and Technology, Wuhan,Hubei 430074, China)

Abstract:Lowdisturbance environment can be achieved by the LEO(LowEarth Orbit) dragfree satellite, which benefits the validation of relativity, detection of gravitational waves and measurement of gravity field. For dragfree control purpose, most researches proposed controllers with linearized model and ignoring the nonlinear characteristics, which lower the accuracy of controllers. In this paper, by taking into account of the nonlinear characteristics, an adaptive neural network controller is established based on Lyapunov methods and adaptive backstepping control theory. For nonlinear characteristics and unmodeled dynamics, RBF neural network is employed for approximation. At the same time, we introduce the update laws of adaptive neural network weights, which guarantee the stability of the closedloop system and satisfy requirements of the dragfree satellite control system. The simulation results indicate that the controller is effective and the accuracy of the dragfree satellite can be satisfied．

Key words:Dragfree satellite;adaptive control;RBF neural network;backstepping

1 引 言

低軌衛星在太空飛行的過程中，承受著來自星際空間的各種擾動［1］，例如，地球、太陽、月亮引力的影響，以及大氣阻力、太陽輻射和地面反射等非慣性力的影響。然而相對論的驗證、引力波探測以及地球重力場的測量等都需要低干擾試驗環境。為了消除非慣性力的影響，文獻［1］提出無拖曳(drag-free)技術，設計了無拖曳衛星：用一個質量塊置于衛星本體內部，質量塊將不受大氣阻力等外部干擾力的影響，因為質量塊不與衛星本體接觸，所以幾乎處于自由漂移狀態，成為理想的寧靜參考源。衛星本體保持與質量塊之間相互隔離的狀態，在適當傳感器和控制算法條件下，從而保證衛星本體實現較高的寧靜性［1］。

無拖曳衛星控制器不但可以使衛星保持穩定，而且良好的控制效果有助于航天任務的完成以及降低對硬件的要求，所以無拖曳衛星控制器設計一直是無拖曳衛星研究的重點。Stephan Theil［2-3］等人考慮了無拖曳衛星控制系統的不確定性，利用分散控制策略設計了系統的魯棒控制器。E.Canuto［4-5］等人針對GOCE衛星，建立離散時間狀態方程，利用嵌入式模型控制策略設計了可調控制器。文獻［6］基于干擾觀測模型，設計了混合H2/H

SymboleB@

最優控制器，并以LMI形式給出了求解控制器的條件并證明了控制器的穩定性。文獻［7］針對衛星本體與質量塊相對軌道動力學模型，采用卡爾曼濾波方法對狀態和干擾進行了估計，并基于狀態估計設計了最優控制器，有效地抑制了干擾對系統的影響。文獻［8］基于H2優化理論設計了最優控制器，通過傳遞函數法及數值法雙重分析表明所設計的控制器符合控制要求。

在這些已有的控制器設計中，大多未考慮系統的非線性環節或采用線性化方法，將系統簡化為線性模型，從而降低了控制器的精度。由于無拖曳衛星控制系統本質上是一個復雜的非線性系統，本文將直接針對非線性模型，考慮到系統的非線性特征及未建模動態，利用神經網絡對函數的有效逼近能力，對系統模型中的非線性部分進行擬合。首先，本文將無拖曳衛星控制系統根據控制目標劃分為三個子系統：衛星本體與質量塊相對位移子系統，即drag-free子系統；衛星本體姿態子系統；以及衛星本體與質量塊相對姿態子系統。接著，針對每個二階子系統，利用徑向基函數(Radial Basis Function)神經網絡對系統的非線性部分進行擬合，通過對基函數中心和方差進行學習，并采用自適應反步控制方法，設計相應控制器，建立神經網絡權值自適應律以及分散自適應控制律。仿真結果驗證了所設計的控制器的有效性。

計算技術與自動化2014年6月

第33卷第2期李 季等：低軌無拖曳衛星的自適應神經網絡控制器設計

本文下面內容安排如下：第2節問題描述，建立無拖曳衛星的動力學模型；第3節針對drag-free控制回路、衛星本體姿態控制回路以及衛星本體與質量塊相對姿態控制回路，分別設計控制器，同時給出了穩定性分析；第4節通過仿真證明所設計的控制器的有效性；第5節給出結論與進一步的工作。

2 問題描述

本文所考慮的低軌無拖曳衛星結構設計如下：無拖曳衛星只包含一個質量塊，且形狀為立方體，衛星內腔壁上的位置敏感器能夠測量衛星本體和質量塊的相對位置。這里采用靜電位置懸浮及測量系統EPS(Electrostatic Positioning/Measurement System) 來測量質量塊相對移動并對其施加靜電力和力矩，根據EPS的測量結果，命令推進器輸出相應的推力，使衛星本體跟蹤質量塊。推進器可以選擇場發射推進器和微膠體推進器，它們具有極低的噪聲干擾，而且可以實現極小的推力，非常適合無拖曳控制。但在近地環境中，大氣阻力有時比較大，尤其在衛星的迎風面，此時需要采用推力較大的推進器，如離子推進器。所以在近地環境中，無拖曳控制往往采用了多種推進器組合的方式［1,8］。本文將無拖曳衛星控制系統根據控制目標劃分為三個控制回路：衛星本體與質量塊相對位移控制回路，即dragfree控制回路，衛星本體姿態控制回路以及衛星本體與質量塊相對姿態控制回路，相關動力學方程如下［9］：

衛星本體與質量塊相對位移動力學方程：

rel=1mtm(FGtm+FDtm+FSCtm)－

1msc(FGsc+FCsc+FDsc+FTMsc)－

2ωsc×rel－ωsc×(ωsc×(rh+rrel))－

sc×(rh+rrel)(1)

其中，rrel表示衛星本體和質量塊的相對位移，rh表示敏感器空腔中心與衛星質心的距離，mtm表示質量塊的質量，msc代表衛星本體的質量，ωsc表示衛星本體姿態角速度，FGtm、FGsc分別表示衛星本體和質量塊受到的重力，FDtm、FDsc分別表示衛星本體和質量塊受到的非慣性力，FCsc表示衛星本體受到的控制力，FSCtm、FTMsc表示衛星本體和質量塊之間的耦合力。

衛星本體姿態動力學方程：

sc=I－1sc［TCsc+TDsc+TTMsc－ωsc×(Iscωsc)］(2)

其中，ωsc表示衛星本體姿態角速度，Isc表示衛星本體的轉動慣量，TCsc，TDsc，TTMsc分別表示衛星本體受到的控制力矩、干擾力矩和耦合力矩。

衛星本體和質量塊的相對姿態動力學方程：

rel=tm－ATSsc+ωtm×ATSωsc=

I－1tm［TCtm+TDtm+TSCtm－

(ωrel+ωsc)×(Itm(ωrel+ωsc))］－

ATSsc－ATSωsc×ωrel(3)

其中，ωrel表示衛星本體和質量塊的相對姿態角速度，ωtm表示質量塊的姿態角速度，ωsc表示衛星本體姿態角速度，TCtm，TDtm，TSCtm分別表示質量塊受到的控制力矩、干擾力矩和耦合力矩，ATS表示從衛星本體坐標系到質量塊本體坐標系的旋轉矩陣。

通常將質量塊和衛星間的靜電耦合基本模型看作一個彈簧―阻尼系統，以質量塊為例，在敏感器坐標系下受到的耦合力和力矩形式如下：

FSCtm=－Ktransrrel－Dtransrel(4)

TSCtm=－Krotθrel－Drotrel (5)

其中，Ktrans為衛星本體和質量塊之間的耦合水平彈性系數，Dtrans為水平阻尼系數，Krot為衛星本體和質量塊之間的耦合旋轉彈性系數，Drot為旋轉阻尼系數。

通過線性化處理后，得到低軌無拖曳衛星控制系統的動力學簡化模型如下：

rel=vrel

rel=-Ktransmtmrrel-Dtransmtmvrel-1mscFCsc+

f1(rrel,vrel

sc=ωsc

sc=I-1scTCsc+f2(φsc,ωsc)

rel=ωrel

rel=I-1tmKrotφrel+I-1tmDrotωrel+

I-1tmTCtm-I-1scTCsc+f3(φrel,ωrel)(6)

系統(6)中，φsc、ωsc分別表示衛星本體的姿態角和姿態角速度，rrel、vrel分別表示衛星本體和質量塊的相對位移和相對運動速度，φrel、ωrel分別表示衛星本體和質量塊的相對姿態角和相對姿態角速度。本文以歐拉角的形式給出了衛星本體和質量塊的姿態。

f1(rrel,vrel)，f2(φsc,ωsc)，f3(φrel,ωrel)為未知光滑函數，代表系統的非線性特征、未建模動態及未知擾動。

注2.1與文獻［9］相比，本文將擾動項1mscFDsc包含在了f1中，I－1scTDsc包含在了f2中，I－1tmTDtm、I－1scTDsc包含在了f3中，因此，文獻［9］中所研究的模型是本文系統(6)的特例。

上述系統中所涉及的變量均為3維：包含x、y、z三個坐標軸方向。為了清晰地闡述本文的主要思想，以下將僅考慮單個坐標軸方向，并且假設變量之間以及坐標軸之間的交叉耦合量足夠小。

定義x=［x11,x12,x21,x22,x31,x32］T，其中狀態變量依次代表rrel、vrel、φsc、ωsc、φrel、ωrel。

系統(6)可寫成如下三個子系統：

衛星本體與質量塊相對位移子系統，即dragfree子系統：

Σ1:11=x1212=a1x11+b1x12+c1u1+f1(x11,x12)(7)

衛星本體姿態子系統：

Σ2:21=x2222=c2u2+f2(x21,x22)(8)

衛星本體與質量塊相對姿態子系統：

Σ3:31=x3232=a2x31+b2x32－c2u2+c3u3+f3(x31,x32) (9)

其中，a1=－Ktransmtm，a2=I－1tmKrot，b1=－Dtransmtm，b2=I－1tmDrot，c1=－1msc，c2=I－1sc，c3=I－1tm，u1=FCsc，u2=TCsc，u3=TCtm。f1(x11,x12)，f2(x21,x22)，f3(x31,x32)代表系統的不確定性、未建模動態及未知擾動。

3 控制器設計

3.1 RBF神經網絡

本文的目的是基于Lyapunov穩定性理論和自適應反步控制，對無拖曳衛星控制系統的非線性模型進行分析，設計一種自適應神經網絡控制器。

人工神經網絡形式多種多樣，RBF神經網絡是其中應用較為廣泛的一種，表達形式如下［10-11］：

Ψ(X)=WTΦ(X) (10)

其中，W=［w1,w2,...,wl］T∈Rl為權重向量，Φ(x)=［φ1(X),φ2(X),...,φl(X)］T為基函數向量，l為隱含層神經元的個數，X=［x1,x2,...,xn］代表系統中的狀態變量，并作為網絡的訓練樣本輸入。基函數i(X)選擇高斯函數，表達式如下：

φi(X)=exp －X－ci22σ2i(11)

其中，ci=［ci1,ci2,...,cin］T是隱含層第i個徑向基函數的中心點，n為輸入層向量的維數，σi是徑向基函數的寬度。

3.2 dragfree控制回路

3.2.1 控制器設計

系統Σ1表示dragfree控制回路：

Σ1:11=x1212=a1x11+b1x12+c1u1+f1(x11,x12)

f1(x11,x12)為未知光滑函數，由于RBF神經網絡對于光滑函數的有效逼近能力，此時我們采用RBF神經網絡對其進行擬合，表達式如下：

f1(x11,x12)=WT1Φ1(x11,x12) (12)

定義1為權值的估計值，1為權值的估計誤差。即：

1=W1－1(13)

本節將采用RBF神經網絡來對f1進行擬合，結合自適應反步控制，建立權重W1的自適應律，通過調節權重，可以達到系統自適應控制的目的。

第一步：考慮x11子系統，選擇Lyapunov函數：

V11(x11)=12x211 (14)

對V11求導，得：

11=x1111=

x11x12(15)

將x12看成x11子系統的虛擬控制，令：

x12=z12+α11(x11)(16)

其中，z12為引入的新的虛擬控制，α11(x11)滿足α11(0)=0，并選取為：

α11(x11)=－k11x11 (17)

其中，k11＞0為可調參數。所以

11=x11(z12+α11(x11))=

－k11x211+x11z12(18)

第二步：考慮系統(x11,x12)，選擇Lyapunov函數：

V12(x12,x12)=V11(x11)+

12z212+12T1Γ11(19)

其中，Γ1為正定矩陣。

對V12求導，得：

12=－k11x211+x11z12+z1212+•T1Γ11=

－k11x211+z12(x11+12－α11x1111)+•T1Γ11=

－k11x211+z12(x11+a1x11+b1x12+

c1u1+WT1Φ1+k11x12)+•T1Γ11=

－k11x211+z12(x11+a1x11+b1x12+

c1u1+T1Φ1+k11x12)+z12T1Φ1+

•T1Γ11=

－k11x211+z12(x11+a1x11+b1x12+

c1u1+T1Φ1+k11x12)+(z12ΦT1+•T1Γ1)1 (20)

選取控制量為

u1=1c1(－x11－a1x11－b1x12－T1Φ1－

k11x12－k12z12) (21)

其中，k11＞0，k12＞0為可調參數。

權值自適應律1為

•1=z12Γ－T1Φ1=

(x12+k11x11)Γ－T1Φ1(22)

3.2.2 穩定性分析

定理 1［12］ 考慮如下非線性系統

=f(x)

且

f(0)0 (23)

若存在具有連續1階偏導數的標量函數V(x)，滿足以下條件：

1)V(x)是正定的；

2)(x)=dV(x)/dt是負定的；

3)當x

SymboleB@

時，V(x)

SymboleB@

。

則在系統原點處的平衡狀態是大范圍漸近穩定的。

通過上述控制器設計，由式(19)，顯然V12是正定的，又12=－k11x211－k12z212，由于k11，k12為大于零的可調參數，所以12是負定的，當x11

SymboleB@

，z12

SymboleB@

時，V12

SymboleB@

，所以x11，z12在平衡狀態是大范圍漸近穩定的。又由式(16)和式(17)可知，當t

SymboleB@

，x110，z120時，有x120，所以x11，x12在平衡狀態是大范圍漸近穩定的。

3.3 姿態控制回路

3.3.1 衛星本體姿態控制回路

衛星本體姿態狀態方程如下：

Σ2:21=x2222=c2u2+f2(x21,x22)

f2(x21,x22)為未知光滑函數，我們采用RBF神經網絡對其進行擬合，表達式如下：

f2(x21,x22)=WT2Φ2(x21,x22)(24)

定義2為權值的估計值，2為權值的估計誤差。即：

2=W2－2(25)

本節將采用RBF神經網絡來對f2進行擬合，結合自適應反步控制，建立權重W2的自適應律，通過調節權重，可以達到系統自適應控制的目的。

第一步：考慮x21子系統，選擇Lyapunov函數：

V21(x21)=12x221(26)

對V21求導，得：

21=x2121=x21x22(27)

將x22看成x21子系統的虛擬控制，令：

x22=z22+α21(x21)(28)

其中，z22為引入的新的虛擬控制，α21(x21)滿足α21(0)=0，并選取為：

α21(x21)=－k21x21(29)

其中，k21＞0為可調參數。所以

21=x21(z22+α21(x21))=－k21x221+x21z22(30)

第二步：考慮系統(x21,x22)，選擇Lyapunov函數：

V22(x21,x22)=V21(x21)+

12z222+12T2Γ22(31)

其中，Γ2為正定矩陣。

對V22求導，得：

22=－k21x221+x21z22+z2222+•T2Γ22=

－k21x221+z22(x21+22－α21x2121)+•T2Γ22=

－k21x221+z22(x21+c2u2+WT2Φ2+

k21x22)+•T2Γ22=

－k21x221+z22(x21+c2u2+T2Φ2+

k21x22)+z22T2Φ2+•T2Γ22=

－k21x221+z22(x21+c2u2+T2Φ2+

k21x22)+(z22ΦT2+•T2Γ2)2 (32)

選取控制量為

u2=1c2(－x21－T2Φ2－

k21x22－k22z22) (33)

其中，k21＞0，k22＞0為可調參數。

權值自適應律2為

•2=z22Γ－T2Φ2=(x22+k21x21)Γ－T2Φ2 (34)

3.3.2 衛星本體與質量塊相對姿態控制回路

衛星本體與質量塊相對姿態狀態方程如下：

Σ3:31=x3232=a2x31+b2x32－c2u2+c3u3+f3(x31,x32)

f3(x31,x32)為未知光滑函數，我們采用RBF神經網絡對其進行擬合，表達式如下：

f3(x31,x32)=WT3Φ3(x31,x32) (35)

定義3為權值的估計值，3為權值的估計誤差。即：

3=W3－3(36)

本節將采用RBF神經網絡來對f3進行擬合，結合自適應反步控制，建立權重W3的自適應律，通過調節權重，可以達到系統自適應控制的目的。

第一步：考慮x31子系統，選擇Lyapunov函數：

V31(x31)=12x231 (37)

對V31求導，得：

31=x3131=x31x32(38)

將x32看成x31子系統的虛擬控制，令：

x32=z32+α31(x31)(39)

其中，z32為引入的新的虛擬控制，α31(x31)滿足α31(0)=0，并選取為：

α31(x31)=－k31x31 (40)

其中，k31＞0為可調參數。所以

31=x31(z32+α31(x31))=－k31x231+x31z32(41)

第二步：考慮系統(x31,x32)，選擇Lyapunov函數：

V32(x31,x32)=V31(x31)+

12z232+12T3Γ33(42)

其中，Γ3為正定矩陣。

對V32求導，得：

32=－k31x231+x31z32+z3232+•T3Γ33=

－k31x231+z32(x31+32－α31x3131)+•T3Γ33=

－k31x231+z32(x31+a2x31+b2x32－c2u2+

c3u3+WT3Φ3+k31x32)+•T3Γ33=

－k31x231+z32(x31+a2x31+b2x32－c2u2+

c3u3+T3Φ3+k31x32)+z32T3Φ3+

•T3Γ33=

－k31x231+z32(x31+a2x31+b2x32－c2u2+

c3u3+T3Φ3+k31x32)+(z32ΦT3+•T3Γ3)3 (43)

選取控制量為

u3=1c3(－x31－a2x31－b2x32+c2u2－

T3Φ3－k31x32－k32z32)(44)

其中，k31＞0，k32＞0為可調參數。

權值自適應律3為

•3=z32Γ－T3Φ3=(x32+k31x31)Γ－T3Φ3(45)

3.3.3 穩定性分析

由定理1，對于子系統Σ2，由式(31)，顯然V22是正定的，又22=－k21x221－k22z222，由于k21，k22為大于零的可調參數，所以22是負定的，當x21

SymboleB@

，z22

SymboleB@

時，V22

SymboleB@

，所以x21，z22在平衡狀態是大范圍漸近穩定的。又由式(28)和式(29)可知，當t

SymboleB@

，x210，z220時，有x220，所以x21，x22在平衡狀態是大范圍漸近穩定的。同理可得，x31，x32在平衡狀態是大范圍漸近穩定的。

4 仿真分析

本節為了證實所提出的控制器的有效性，在matlab/simulink環境下進行了仿真驗證。

仿真參數如下［9］：衛星本體質量為1050 kg，質量塊質量為1 kg，衛星本體和質量塊之間的初始相對距離為rrel=1×10－3m，衛星本體和質量塊之間的初始相對姿態為φrel=1•π/180rad，衛星本體和質量塊之間的耦合水平彈性系數Ktrans=1×10－6N/m，水平阻尼系數Dtrans=1.4×10－11N/m2，衛星本體和質量塊之間的耦合旋轉彈性系數Krot=1×10－9N•m/rad，旋轉阻尼系數Drot=3.3×10－14N/rad，衛星本體的轉動慣量Isc=200kg•m2，質量塊的轉動慣量Itm=2.667×10－4kg•m2。

仿真結果如圖1―圖3所示。

圖1 衛星本體與質量塊的相對位移

圖2 衛星本體的姿態

從圖1中可以看出，在含有不確定的情況下，通過設計的控制器，衛星本體與質量塊的相對位移最終趨于零，說明衛星本體能夠很好的跟蹤質量塊，達到dragfree控制的要求，并且精度在10－6數量級，滿足dragfree控制的精度需求。圖2~圖3給出了衛星本體的姿態以及衛星本體與質量塊的相對姿態及其控制精度，仿真結果很好的滿足了衛星本體與質量塊姿態的一致性。

圖3 衛星本體與質量塊的相對姿態

5 結 論

本文針對無拖曳衛星控制系統，考慮到系統的不確定性、未建模動態以及外界的未知擾動，采用神經網絡的方法進行補償，基于Lyapunov 穩定性理論，結合自適應反步控制，得到權值的更新律以及相應的控制器。仿真結果表明，所設計的控制器有效地抑制了不確定對控制系統的影響。

與傳統衛星控制系統相比，無拖曳衛星對控制系統提出了極高的性能指標要求，下一步將考慮存在耦合時，衛星模型的建立和控制器的設計。

參考文獻

［1］ 施梨，曹喜濱，張錦繡，等. 無阻力衛星發展現狀［J］. 宇航學報, 2010,31(6):1511-1520.

［2］ PETTAZZI L, LANZON A,THEILS. Design of Robust Decentralized Controllers for Dragfree Satellite［C］.Proc.47th IEEE conf. Decision and Control, 2008:602-607.

［3］ PETTAZZI A,LANZON A,THEIL S. Design of Robust Drag-Free Controllers with Given Structure［J］. GUIDANCE, CONTROL, AND DYNAMICS, 2009,32(5):1609=1620.

［4］ ANDREIS D,CANUTO E. DragFree and Attitude Control for the GOCE satellite［C］.Proc.44th IEEE conf. Decision and Control, 2005:4041-4046.

［5］ CANUTO E,BONA B,CALAFIORE BM. Indri. Dragfree control for the European satellite GOCE. Part I:modelling［C］.Proc.41th IEEE conf. Decision andControl, 2002:1269-1274.

［6］ 曹喜濱，施梨，董曉光，等. 基于干擾觀測的無阻力衛星控制器設計［J］.宇航學報, 2012,33(4):411-418.

［7］ 李傳江，王玉爽，馬廣富，等. 帶卡爾曼估計器的無拖曳衛星干擾補償控制［J］.哈爾濱工業大學學報, 2012,44(7):8-13.

［8］ 李洪銀，胡明. 單測試質量無拖曳衛星無拖曳及姿態系統仿真及其控制研究［J］.天文學報, 2011,52(6):525-536.

［9］ 王玉爽. 無拖曳衛星控制方法研究［D］. 哈爾濱：哈爾濱工業大學, 2011.

篇10

中圖分類號： TP183

文獻標識碼：A

0引言

隨著計算機圖形學和硬件技術的高速發展，計算機游戲近十幾年也取得了很大的發展，游戲軟件已成為軟件產業中非常重要的內容。游戲的類型主要包括FPS（第一人稱射擊）、RPG（角色扮演類型）和RTS（即時戰略游戲）等幾種類型，這些不同類型的游戲都要求游戲控制的角色（NPC）與玩家控制的角色（PLAYER）要有行為的交互，交互的方式直接影響玩家對游戲的興趣度。因此，對NPC與PLAYER之間的角色交互行為方式的研究已經成為游戲軟件中的一個非常重要的研究課題。

目前大多數游戲中的角色行為的交互方式采用的是確定型的交互行為，其特征主要表現在角色的行為都是預先確定的，這種類型的行為實現起來較為簡單，也是目前大多數游戲所采用的交互方式。像這種確定性的行為往往體現不出角色的自主性，而且還會導致角色行動單調乏味，其行動很容易被玩家所預測,降低游戲的可玩性。為此,我們需要在游戲軟件中設計和實現這樣的NPC角色，它能夠根據當前環境的變化以及以往的經驗知識來動態地改變對PLAYER的行為。具有這種能力的角色，我們稱之為自主角色,也稱為自適應角色。具有自主和自適應特點的角色可具有推理能力和自適應能力,在游戲環境下可更受玩家的歡迎。

一款擁有自主角色的游戲能夠牢牢地吸引玩家的注意力，從而延長這款游戲的生命周期，因此促使游戲開發人員花更多的時間來研究自主角色的實現。一些公司已經開始嘗試從人工智能領域發展出更加高級的技術，如采用決策樹或者強化學習來實現角色的自主性，也有的像著名的游戲Colin McRae Rally2則采用了學習系統和神經網絡來實現角色的自主性。

有關自主角色行為的論文已經有很多做出了卓有成效的成績，如在Reynolds的文獻［1］中，對自主角色的群體行為進行了描述。Blumberg和Galyean［2］中引入更多的行為控制機制，并考慮了行為學習這樣一個令人感興趣的問題。對于自主角色的更高層次的認知能力方面，John David Fungc［3］中指出，認知模型是用于創建虛擬世界的模型“金字塔”的頂層，底層的行為模型作為認知模型和物理學模型之間的緩沖區，并將情景演算(situation calculus)［4］用于高度動態的虛擬世界。

但是，上述各種方法因為側重點不同，各有優缺點，且相互之間較為獨立，因此本文結合上述一些方法的優點，在此基礎上提出了基于認知角色建模，采用神經網絡和遺傳算法相結合的游戲自主角色的設計思路。基于此，各小節安排如下：

第一節確定了基于認知建模方法的游戲自主角色模型；第二節介紹了神經網絡在實現自主角色中的應用；第三節說明了遺傳算法對神經網絡的優化；第四節對自主角色的實驗進行了分析。

1基于認知建模的角色自主性模型

由于認知建模方法能夠采用精確的數學方式來定義自主角色的行為和學習模式，因此本文采用認知建模方法來對游戲角色的自主性進行建模。這里將游戲中存在的非玩家控制的角色簡稱為NPC,通過認知建模方法研究NPC的高級行為規劃，指導NPC,提高NPC的智能水平能力，使NPC能夠對環境作出判斷，并根據當前的狀態進行推理，進而完成相應的行動序列,有利于創建聰明自主的智能體――具有認知能力的自主的角色。

在計算機游戲中，我們將游戲角色關于他所在世界的內部模型稱“認知模型”(Cognitive Model)。認知模型可以用于游戲中，控制一類自主的角色。通過認知模型支配游戲角色對其所在環境的了解程度，如何獲取知識，以及如何利用知識選擇行動。

NPC的行為分為“預定義的”和“非確定性的”兩種，建立的認知模型也各不相同。建立預定義行為的認知模型比較簡單，只要將事先定義好的NPC所在環境的領域知識賦予NPC系統，NPC就可以根據人們的要求采取某種行動。而非確定性的行為不容易控制。為了實現人為的控制，我們采取一種折中的方法，即將領域知識和人的指導賦予NPC，使NPC主動地向人們希望它達到的目標發展。可由下面的公式表示:

知識+指導=行為

領域知識能夠用來規劃目標，而指導對如何達到目標提供一種框架計劃。

當然NPC在決定采取什么樣的行動時并不需要整個虛擬世界的知識。所以，我們認為NPC的認知模型是角色對其虛擬世界的一種內部簡化模型〔simplified model〕。

為此我們在現有游戲系統之上營造一個通過認知模型定義的高級行為規劃器來實現對NPC的行為指導。規劃器模型設計如圖1所示。

NPC的預定義行為和非確定行為都可以形式化為認知模型，通過認知模型來指導NPC高級行為規劃器，由于神經網絡在非確定中的強大的學習作用，因此本項目通過神經網絡來實現NPC高級行為規劃器的三個方面：目標引導、行為協調、約束滿足。

2基于人工神經網絡的角色自主系統

這里,我們采用的是神經網絡中的BP網絡作為NPC的感知系統。BP算法是一種用于多層前向網絡的學習算法，它包括輸入層、輸出層和隱含層，隱含層可以是多層結構。BP網絡的學習過程包括兩個階段:第一階段計算前向輸出;第二階段從反向調整連接權矩陣。

在前向傳播過程中，輸入信息從輸入層經隱含層逐層處理，并傳向輸出層，每一層神經元的輸出作為上層神經元的輸入.如果在輸出層，實際輸出值與期望輸出值有誤差時，則以反向將誤差信號逐層修改連接權系數并且反復迭代，最后使實際輸出值與期望值的均方差為最小。在修正連接權系數時，通常采用梯度下降算法。

BP神經網絡使用的是指導式的學習方法,即在學習過程中,向網絡提供有明確輸入和輸出目標的樣本對。BP學習算法是基于最小二乘法LMS 算法,運用梯度下降方法,使網絡的實際輸出與期望輸出的均方差最小。網絡的學習過程是一種誤差邊向后傳播邊修正連接權的過程。因為BP網絡對以分類為主要目的的學習非常有效,所以,我們采用B P網絡進行NPC分類的自學習。需要輸入NPC自主系統中BP網絡的特征參數主要是NPC的生命值,NPC的攻擊力，NPC的防御力，NPC的情感值等，玩家虛擬角色的生命值,玩家虛擬角色的攻擊力，玩家虛擬角色的防御力，玩家虛擬角色的情感值等。

NPC在虛擬游戲環境下，在與玩家的不斷交互中刺激著感知系統，在外界環境發生變化時產生認知模型指導下的自主行為，通過神經網絡最終演化成具有自主性的行為系統，同時，利用遺傳算法使適應度有一定程度的增加，使NPC更適應外界環境的變化。關于NPC的感知系統的設置如下：

1） 輸入參數的確定

NPC的感知系統由人工神經網絡構成，虛擬游戲環境的特征參數作為輸入送入神經網絡進行學習。在我們的游戲項目中，輸入主要包括三種類型：布爾類型、枚舉類型和連續類型三種，但是這三種類型都需要轉化成神經網絡所認可的實數類型。

2） 權重的確定

權重有些類似于生物神經網絡的樹突聯結，權重影響了輸出變量的值，并且定義了神經網絡的行為，實際上訓練或者演化神經網絡的主要目標就是確定NPC神經網絡的權重。為了確定每個輸入參數的權重，需要確定激活函數。

3） 激活函數的確定

激活函數確定了輸入與輸出參數之間的映射關系，針對NPC自主角色的神經網絡，我們采用的是非線性激活函數，具體采用的是S型激活函數。

3基于遺傳算法的神經網絡優化

神經網絡的基本特征是大規模并行處理、容錯性、自適應性和自組織性，適合處理直覺和形象思維信息。神經網絡與遺傳算法的結合使神經網絡的訓練有了一個嶄新的面貌，目標函數既不要求連續，也不要求可微，僅要求該問題可計算，而且它的搜索始終遍及整個解空間，因此容易得到全局最優解。用遺傳算法優化神經網絡，可以使得神經網絡具有自進化、自適應能力，從而構造出進化的神經網絡(ENN)［5］。

研究NPC的進化,要建立NPC在虛擬環境中進行的各種行為模型。另外,同虛擬環境本身也會發生競爭。由于適應度是NPC競爭力大小的直接反映,為了建立NPC的競爭機制,首先要建立NPC的適應度函數。

首先,NPC的適應度函數和NPC的種類相關。在同一環境下,不同NPC的適應度肯定是不相同的［6］。同時,為了表現NPC自學習對進化的影響,有了學習能力的同種NPC適應度的取值也有所不同。其次,NPC的適應度還與其所處的不同階段有關。適應度取值在其不同階段中不是一成不變的。

在環境不發生變化時,NPC的適應度函數F(t)可以用此函數表示:

其中,參數a表示NPC的生命力值;參數k表示NPC的類型,不同的NPC對同一游戲環境的適應性是不一樣的,當k取不同的值時,會得到適應度不同的各種NPC。接著按照以下工作步驟操作：

1） 從NPC神經網絡中提取權重向量；

2） 用遺傳算法演化出一個新的網絡權重群體；

3） 把新的權重插入到NPC神經網絡；

4） 轉到第一步進行重復，直至獲得理想的性能。

4試驗分析

我們的實驗測試場景如下：

在一個仿真的三維游戲環境下,游弋著若干個NPC角色和一個玩家控制的虛擬角色,主角可以漫游整個游戲場景,這些NPC當遇到主角后,可能會對主角采取不同的行為,比如攻擊行為,逃避行為,團隊作戰行為,對話行為等,所有這些行為的決策都取自于神經網絡的訓練。

在采用神經網絡算法之前，所有的NPC無論強弱，都會主動向玩家角色發起攻擊，而在采用神經網絡算法之后，這些NPC都具有了一個人工大腦，每個NPC在與玩家角色的交互過程不斷地學習，不斷地演化，最終變成自主角色，具體表現在：NPC根據以往與玩家角色交互過程中的經驗，從而產生較為理智的行為，比如當NPC感覺玩家的綜合實力要高于自己時，它可能會采取逃避的行為，而當NPC感覺其綜合實力要高于玩家時，它往往會主動攻擊玩家。

表1和表2列舉了應用神經網絡算法前后的測試數據。

應用神經網絡算法所采取的實驗方案如下：

(1) 對于NPC感知系統的輸入，包括與虛擬玩家角色的距離， 虛擬玩家的攻擊力，防御力，生命力，魔法力，信譽度，NPC自身的攻擊力，防御力，生命力，魔法力，信譽度。并將參數歸一化，使最終的參數范圍位于[-1, 1]之間；

(2) 對于NPC感知系統的輸出，包括躲避，單獨攻擊，潛伏，召喚同伴，團隊攻擊等行為。即將神經元的輸出元設計成五個，這些行為通過一些標志符來確定，例如， 如果代表攻擊的輸出位為1，則其他位為零。