毕业设计开题报告 神经网络在信号预测中的应用.doc

毕业设计开题报告题目： 神经网络在信号预测中的应用 专业： 指导教师： 学院： 自动化 学号： 班级： 姓名： 关键词：神经网络 信号预测一、 选题的目的、意义：在科学研究和工程应用中，为了有效的获取信息以及利用信息，必须对信号进行分析处理与预测。信号预测是分析与处理的基础上进行的。在大型复杂的系统控制中都需要信号的预测控制，通常需要大量的数学运算和借助计算机编制相应的程序达到信号加工变换的目的。目前流行用BASIC、FORTRAN 和C语言编制程序既需要对有关算法有深刻的了解,又需熟练掌握所用语言的语法和编程技巧，同时具备这两方面的能力有一定困难。并且编制程序是复杂的，不仅浪费人力和物力，且影响工作进程和效率。在这种情况下，就想找到一种现成的仿真软件。MATLAB现已成为国际上公认的最优秀的数值计算和仿真分析软件。神经网络工具箱是MATLAB环境下所开发出来的许多工具箱之一，它是以人工神经网络理论为基础，用MATLAB语言构造出典型神经网络的激活函数。用MATLAB可以编写各种网络设计与训练的子程序，并根据自己的需要去调用有关神经网络的工具箱。自20世纪80年代初兴起第二次的神经网络热潮以来，神经网络以它特有的自学习、自组织、联想记忆和并行处理等功能，被应用到众多的领域。人工神经网络（Artificial Neural Networks， 简写为ANNs）也简称为神经网络（NNs）或称作连接模型（Connectionist Model），是对人脑或自然神经网络（Natural Neural Network）若干基本特性的抽象和模拟。人工神经网络以对大脑的生理研究成果为基础的，其目的在于模拟大脑的某些机理与机制，实现某个方面的功能。并且特有非线性适应性信息处理能力。信号是声、光、电等运载消息的物理量，它们是时间或空间的函数，所携带的消息就在变化之中。其中，确定性信号对任意一时刻都对应有确定的函数值，包括未来时刻；随机信号不遵循任何确定性规律变化，未来值不能用精确的时间函数描述，一般的方法是很难准确地预测。相比之下，神经网络在这方面显示了明显的优越性。近年来，人们将神经网络模型引入系统建模和辨识中，利用神经网络所具有的对任意非线性映射的任意逼近的能力，来模拟实际输入-输出关系。人是万物之灵，区别人与动物的是其发达的大脑及进化的智慧。研究神经网络，特别是神经学习的机理，对认识和促进人自身发展有特殊的意义。 BP神经网络在人工神经网络发展历史中，很长一段时间里没有找到隐层的连接权值调整问题的有效算法。直到误差反向传播算法（BP算法）的提出，成功地解决了求解非线性连续函数的多层前馈神经网络权重调整问题。 BP (Back Propagation)神经网络，即误差反传误差反向传播算法的学习过程，由信息的正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变换，根据信息变化能力的需求，中间层可以设计为单隐层或者多隐层结构；最后一个隐层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。当实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程，此过程一直进行到网络输出的误差减少到可以接受的程度，或者预先设定的学习次数为止。 BP神经网络模型BP网络模型包括其输入输出模型、作用函数模型、误差计算模型和自学习模型。 （1）节点输出模型 隐节点输出模型：Oj=f(Wij×Xi-qj) (1) 输出节点输出模型：Yk=f(Tjk×Oj-qk) (2) f-非线形作用函数；q -神经单元阈值。 图1 典型BP网络结构模型 （2）作用函数模型 作用函数是反映下层输入对上层节点刺激脉冲强度的函数又称刺激函数，一般取为(0,1)内连续取值Sigmoid函数： f(x)=1/(1+e) （3） （3）误差计算模型 误差计算模型是反映神经网络期望输出与计算输出之间误差大小的函数： Ep=1/2×(tpi-Opi) (4) tpi- i节点的期望输出值；Opi-i节点计算输出值。 （4）自学习模型 神经网络的学习过程，即连接下层节点和上层节点之间的权重拒阵Wij的设定和误差修正过程。BP网络有师学习方式-需要设定期望值和无师学习方式-只需输入模式之分。自学习模型为 Wij(n+1)= h ×i×Oj+a×Wij(n) （5） h -学习因子；i-输出节点i的计算误差；Oj-输出节点j的计算输出；a-动量因子。BP神经网络的应用及不足神经网络可以用作分类、聚类、预测等。神经网络需要有一定量的历史数据，通过历史数据的训练，网络可以学习到数据中隐含的知识。在你的问题中，首先要找到某些问题的一些特征，以及对应的评价数据，用这些数据来训练神经网络。 虽然BP网络得到了广泛的应用，但自身也存在一些缺陷和不足，主要包括以下几个方面的问题。 首先，由于学习速率是固定的，因此网络的收敛速度慢，需要较长的训练时间。对于一些复杂问题，BP算法需要的训练时间可能非常长，这主要是由于学习速率太小造成的，可采用变化的学习速率或自适应的学习速率加以改进。 其次，BP算法可以使权值收敛到某个值，但并不保证其为误差平面的全局最小值，这是因为采用梯度下降法可能产生一个局部最小值。对于这个问题，可以采用附加动量法来解决。 再次，网络隐含层的层数和单元数的选择尚无理论上的指导，一般是根据经验或者通过反复实验确定。因此，网络往往存在很大的冗余性，在一定程度上也增加了网络学习的负担。 最后，网络的学习和记忆具有不稳定性。也就是说，如果增加了学习样本，训练好的网络就需要从头开始训练，对于以前的权值和阈值是没有记忆的。但是可以将预测、分类或聚类做的比较好的权值保存。二、国内外研究现状：人工神经网络的发展历史1943年，心理学家W·Mcculloch和数理逻辑学家W·Pitts在分析、总结神经元基本特性的基础上首先提出神经元的数学模型。此模型沿用至今，并且直接影响着这一领域研究的进展。因而，他们两人可称为人工神经网络研究的先驱。1945年冯·诺依曼领导的设计小组试制成功存储程序式电子计算机，标志着电子计算机时代的开始。1948年，他在研究工作中比较了人脑结构与存储程序式计算机的根本区别，提出了以简单神经元构成的再生自动机网络结构。但是，由于指令存储式计算机技术的发展非常迅速，迫使他放弃了神经网络研究的新途径，继续投身于指令存储式计算机技术的研究，并在此领域作出了巨大贡献。虽然，冯·诺依曼的名字是与普通计算机联系在一起的，但他也是人工神经网络研究的先驱之一。 50年代末，F·Rosenblatt设计制作了“感知机”，它是一种多层的神经网络。这项工作首次把人工神经网络的研究从理论探讨付诸工程实践。当时，世界上许多实验室仿效制作感知机，分别应用于文字识别、声音识别、声纳信号识别以及学习记忆问题的研究。然而，这次人工神经网络的研究高潮未能持续很久，许多人陆续放弃了这方面的研究工作，这是因为当时数字计算机的发展处于全盛时期，许多人误以为数字计算机可以解决人工智能、模式识别、专家系统等方面的一切问题，使感知机的工作得不到重视；其次，当时的电子技术工艺水平比较落后，主要的元件是电子管或晶体管，利用它们制作的神经网络体积庞大，价格昂贵，要制作在规模上与真实的神经网络相似是完全不可能的；另外，在1968年一本名为感知机的著作中指出线性感知机功能是有限的，它不能解决如异感这样的基本问题，而且多层网络还不能找到有效的计算方法，这些论点促使大批研究人员对于人工神经网络的前景失去信心。60年代末期，人工神经网络的研究进入了低潮。另外，在60年代初期，Widrow提出了自适应线性元件网络，这是一种连续取值的线性加权求和阈值网络。后来，在此基础上发展了非线性多层自适应网络。当时，这些工作虽未标出神经网络的名称，而实际上就是一种人工神经网络模型。随着人们对感知机兴趣的衰退，神经网络的研究沉寂了相当长的时间。80年代初期，模拟与数字混合的超大规模集成电路制作技术提高到新的水平，完全付诸实用化，此外，数字计算机的发展在若干应用领域遇到困难。这一背景预示，向人工神经网络寻求出路的时机已经成熟。美国的物理学家Hopfield于1982年和1984年在美国科学院院刊上发表了两篇关于人工神经网络研究的论文，引起了巨大的反响。人们重新认识到神经网络的威力以及付诸应用的现实性。随即，一大批学者和研究人员围绕着 Hopfield提出的方法展开了进一步的工作，形成了80年代中期以来人工神经网络的研究热潮。研究方向神经网络的研究可以分为理论研究和应用研究两大方面。 理论研究可分为以下两类： 1、利用神经生理与认知科学研究人类思维以及智能机理。 2、利用神经基础理论的研究成果，用数理方法探索功能更加完善、性能更加优越的神经网络模型，深入研究网络算法和性能，如：稳定性、收敛性、容错性、鲁棒性等；开发新的网络数理理论，如：神经网络动力学、非线性神经场等。 应用研究可分为以下两类： 1、神经网络的软件模拟和硬件实现的研究。 2、神经网络在各个领域中应用的研究。这些领域主要包括：模式识别、信号处理、知识工程、专家系统、优化组合、机器人控制等。随着神经网络理论本身以及相关理论、相关技术的不断发展，神经网络的应用定将更加深入。三、主要参考资料：1.神经网络，候媛彬，杜京义，汪梅编 西安电子科技大学出版社，2007年。2. MATLAB 6.5辅助神经网络分析与设计，飞思科技产品研发中心主编，电子工业出版社，2003年。3. 神经元网络控制，王永骥，涂建编 机械工业出版社，1999年4. 基于人工神经网络的森林资源管理模型研究，洪伟，吴承祯，何东进编 化学工业出版社，2004年。5. MATLAB与SIMULINK工程应用，Mohand Mokhtari Michel Marie编，电子工业出版社，2002年。6. 信号分析与处理，赵光宙， 舒勤编机械工业出版社 2001年8月四、设计内容：本工程设计是关于神经网络在信号预测中的应用mathlab自控设计。毕业设计内容包括：1、毕业设计说明书：采用一个神经网络对每个采样间隔的信号值进行预测。通过在每个离散时刻 增加有效值，推导出估计预测值，在t时刻和t-1时刻之间信号的变化在神经网络中反向传播以便进行学习。2、设计方案，使用技术。 五、设计方法及技术路线：1、熟悉mathlab软件神经元设计这是设计的第一步。在这个阶段还需要收集信号处理中的有关物性参数和重要数据。2、确定设计方案，完成流程图了解设计方案，充分了解设计内容，并在此基础上可画出流程图。3、编制有关设计信息的设计文件确定设计方案和流程图，按照方案提供的数据和流程图，查阅有关说明，选定数据、测试系统可靠性。4、根据自控专业有关的其他设备、材料选用等情况，完成有关的设计文件六、设计时间安排第0周:根据前期调研完成开题报告，并准备开题答辩。第一二三周:熟悉课题任务书，熟悉相关软件的使用第四周：学习使用熟悉相关软件。第五、六周：学习使用软件，设计相关。第七、八周：弄清程序流程，制定设计方案第九、十周：写出说明书草稿。第十一、十二周：根据流程及控制要求进行自控装置的选型，中期检查。 第十四周：编写仪表选型参数表；绘出仪表回路图。第十五周：设计出程序，调试结果等。第十六周：整理出设计说明书，准备答辩。第十七周：答辩。七、预期成果能够设计开发出脱硫岛工段的的检测装置，实现对生产过程的检测；制定出完整的控制方案（包括被控变量、操纵变量、控制阀气开、气关型式、口径、控制器正反作用的选择等）；计算完整的控制阀计算书；完成装置选择并达到自动化装置选型工艺防爆、防腐要求；按施工图设计深度绘制出合格图纸，包括仪表数据表、工艺控制流程图、端子配线图、仪表回路图、电缆管缆外部连接系统图、各个参数表图并提交说明书，准备答辩。