神经网络设计篇1

关键词:学生综合素质评价;BP神经网络;算法设计

中图分类号:TP311文献标识码:A文章编号:1009-3044(2009)24-6786-03

BPneuralNetworkBasedontheOverallQualityoftheStudentEvaluationofAlgorithmDesign

ZHANGWen-sheng

(XiamenGongshangLvyouXuexiao,Xiamen3610012,China)

Abstract:Inthispaper,theoverallqualityofthestudentsavarietyofevaluationmethodscarriedoutin-depthanalysistoexploretheuseofBPneuralnetworktheorytoevaluatethefeasibilityoftheoverallquality,andBPneuralnetworkbasedontheoverallqualityofthestudentevaluationofalgorithmdesign.

Keywords:evaluationoftheoverallqualityofstudents;BPneuralnetwork;algorithmdesign

学校德育教育是提高学生综合素质的重要一环,在学校工作中占有举足轻重的地位。德育涉及大量定性和定量的数据处理,为了体现其科学性和公平性,采用先进的计算机技术进行学生综合素质量化评估势在必行。

1问题的提出

据调查,目前在学校里对学生素质评价的方法,主要有以下几种:

1)定性描述法

在学期或学年结束时,班主任根据学生在班级、学校和社会活动中的行为表现,运用文字对学生的综合素质进行描述,作为对学生的评价。这种方法在评价学生综合素质时起过一定的作用,但是,由于教师对学生综合素质评价的内容不明确,要求不统一,带有一定的主观片面性和模糊性。

2)等级划分法

班主任根据平时对学生的观察和了解,对学生的综合素质行为划分出优、良、中、差四个等级。它只能说明每个学生综合素质发展的程度,在班集体中所处的地位,但缺乏具体内容,学生对于自己或他人的优点和缺点、以及个人今后的努力方向都不明确。

3)自我总结法

这种方法是以学生为主,在教师的指导下总结自己的收获,存在的问题、以及今后的努力方向,并写成书面材料,然后写在操行表的自我总结栏内。这种方法是以学生的自我评价为主,它对于提高学生的自我评价能力,具有一定的促进作用。但是,由于没有老师和同学们参加评价,其评价结果缺乏客观性。

4)小组评议法

是以班级小组评议为主。通过开评议会的形式,对全组成员分别进行评议,肯定成绩,提出缺点,最后把大家的意见集中起来,作为对学生的评价结果。它具有一定的客观性,可是,没有教师参加评议,影响了评价结果的可信度。

上述各种方法的都有一定的长处,也有一定的缺点。例如,对学生的综合素质的结构,没有明确统一的规定和具体要求;不能同时吸收各方面的意见参加评价;没有制定较为符合需要的综合素质量表和采用科学的测量手段等等。所以,评价的结果往往带有主观片面性,评语内容的不确定性,以及处在同一等级的同学之间存在差异的模糊性。于是最近又提出了对学生综合素质定量进行测量和评价。

5)定量分数法

将构成学生综合素质的各种因素数量化,并制定出综合素质量表。在具体的进行测量和评价时,把学生综合素质所含每种因素的发展程度分为优、良、中、差四个等级,每个等级分别对应一定的标准值。对不同因素确定不同的权重大小,再综合学生每个因素所取得的标准值,最后得出学生的综合素质分。

用定量的方法对学生的综合素质发展程度进行评价时,不同因素需要确定不同的权重大小。权重的大小对评估结果十分重要,它反映了各指标的相对重要性。由于对不同的因素的权重是人为给定的,而学生综合素质的各项因素对学生的整体素质存在不可确定的影响程度,因些在对学生的测量和评定过程中必然受到主观因素及模糊随机性的影响。并且这种方法需要消耗大量的人力和时间。

为了探讨这个问题,我们根据BP神经网络的基本概念和原理,用神经网络自我学习的方法,对中学生综合素质进行测量和评价。BP神经网络能利用经验样本对神经网络的训练,达到神经网络的自我学习,在网络中自动建立一个多输入变量与输出变量间的非线性映射过程,无需建立具体的数学模型和规则,可以处理那些难以用模型或规则描述的过程或系统。神经网络具有自组织、自学习、自适应的特点,能通过连接权重的不断调整,克服权重确定的困难,弱化人为因素,自动适应信息、学习新知识,最终通过学习训练对实际学习样本提出合理的求解规则,对学生的综合素质的整体评定具有十分重要的意义。首先我们来了解BP神经网络的基本原理。

2BP神经网络的基本原理

1)神经元网络基本概念

神经网络是单个并行处理元素的集合,从生物学神经系统得到启发。在自然界,网络功能主要由神经节决定,可以通过改变连接点的权重来训练神经网络完成特定的功能。如图1所示。这里,网络将根据输出和目标的比较而进行调整,直到网络输出和目标匹配。

2)神经元网络结构

图2所示为一个单标量输入且无偏置的神经元。

神经元输出计算公式为:a=f(wp+b)。神经元中的w和b都是可调整的标量参数。可以选择特定的传输函数,通过调整权重和偏置参量训练神经网络做一定的工作,或者神经网络自己调整参数以得到想要的结果。

3)BP结构及算法描述

在实际应用中,神经网络用得最广泛的是反向传播网络(BP网络),典型的BP网络是三层网络,包括输入层、隐含层和输出层,各层之间实行全连接。

BP网络是采用Widrow-Hoff学习算法和非线性可微传输函数的多层网络。网络的学习过程由正向和反向传播两部分组成。在正向传播过程中,每一层神经元的状态只影响到下一层神经元网络,如果输出层不能得到期望输出,就是实际输出值与期望输出值之间有误差,那么转入反向传播过程,将误差信号沿原来的连接通路返回,通过修改各层神经元的权值,逐次地向输入层传播去进行计算,再经过正向传播过程,这两个过程的反复运用,使得误差信号最小。实际上,误差达到人们所希望的要求时,网络的学习过程就结束了。

4)反向传播算法

反向传播学习算法最简单的应用是沿着性能函数最速增加的方向一梯度的负方向更新权重和偏置。这种递归算法可以写成:

xk+1=xk-ak*gk

这里xk是当前权重和偏置向量,gk是当前梯度,ak是学习速率。在神经元中,学习速度又称为“学习速率”,它决定每一次循环训练中所产生的权值变化量(即该值的存在是神经元网络的一个必须的参数)。大的学习速度可能导致系统的不稳定,但小的学习速度将会导致训练较长,收敛速度很慢,通常情况下取值在0-01～0,8之间。

3基于BP神经网络的学生综合素质量化评估模型

从上述对神经元网络基本概念的研究,我们可以看出BP神经网络主要根据所提供的数据,通过学习和训练,找出输入与输出之间的内在联系,从而求取问题的解,而不是完全依据对问题的经验知识和规则,因而具有自适应功能,这对于弱化权重确定中的人为因素是十分有益的;其次能够处理那些有噪声或不完全的数据,具有泛化功能和很强的容错能力;由于实际对学生量化评估往往是非常复杂的,各个因素之间相互影响,呈现出复杂的非线性关系,人工神经网络为处理这类非线性问题提供了强有力的工具。因此与其它评定方法相比,基于神经网络的评价方法越来越显示出它的优越性。结合学校对学生进行综合素质评估考核的具体问题,我们提出以下设计。

3.1量化评估内容的确定

1)确定学生的综合素质结构

学生的综合素质结构,主要是根据一定历史阶段的社会要求、学校对学生的传统要求,以及各个不同年龄阶段学生心理和生理发展的特征来确定的,它具有一定的社会性、科学性、可行性。以教育部提出的职业学校学生发展目标为依据,评定内容包括:道德品质与公民素养、学习能力、交流与合作能力、运动与健康、审美与表现、职业技能等6个层次。每个层次又包括各种因素,各层次和因素之间又是相互联系和相互促进的,它既反映了社会的、学校的具体要求,又符合学生综合素质发展和形成的规律。当然,在实际评价学生中,可以根据学校的实际特点进一步确定各要素,进一步构成学生综合素质评价的综合评价指标体系。

2)学生综合素质评价的结构设计

用BP神经网络进行学生综合素质评价结构的设计如图3所示。对学生的综合素质进行量化评估时,从输入层输入评价学生综合素质的n个评价指标因素信息,经隐含层处理后传入输入层,其输出值y即为学生评估结果。这n个评价指标因素的设置,要考虑到能符合学生综合素质发展和形成的规律,能全面评价学生的综合素质状况。

网络结构的参数选择十分重要,由于输入层与隐含层神经元个数的增加会增加网络的表达能力,不仅会降低系统的性能,同时也会影响其收敛速度和增加噪声干扰。所以首先必须确定输入层神经元的数目。为使模型即有理论价值又有可操作性,本例对应于对学生综合素质考核结构的六个因素,本文采用6个输入神经元,分别为道德品质与公民素养、学习能力、交流与合作能力、运动与健康、审美与表现、职业技能等评价指标。由于目前隐单元数尚无一般的指导原则,为了兼顾网络的学习能力和学习速度,隐含层神经元的个数选择采用试算法,在网络训练过程中进行调整。笔者首先选定15,用训练样本来学习,然后减少隐含层单元数后再进行学习,通过观察训练误差变化的大小来调整隐单元数。其原则是:若在减少隐单元数进行训练时过程平衡(即逐步收敛并达到较小的误差)且误差无显著增加,则说明减少隐单元数是合适的;否则表明隐单元数不宜减少,而应增加隐单元数直到满意为止。选择一个输入神经元为学生综合素质最终评价结果,分别以0、0,5、1对应于学生评议等级的优、良、中三种不同的评价结果。经过多次实验,最后得到适宜的网络模型为6-4-1网络模式。

3.2量化评估模型

1)指标体系的规范化处理

根据神经网络计算规则,为了保证输出在线性部分,不到两端去,应保证输入输出在0-1之间,反传达时也一样,输出应在0~1之间。因此要将原始数据归一预处理,变换为[0,1]区间的数值,得到规范化数据,作为输入输出节点的样本数据。原始数据采用我校高一年一个班级的50名学生的学生综合素质各项指标因素样本数据,将实际数据分为两组:前40名学生的各项指标因素成绩样本数据作为学习样本,后10名学生的成绩数据作为测试样本。

2)学习算法

本模型采用6-4-1BP神经网络结构,其中输入层为6个指标值和一个阈值。模型初始化时对所有的连接权赋予(0,1)上分布的随机数,阈值取1。权值的修正依据带惯性因子的delta规则。根据多次试验的结果,其中,惯性因子α=0.075,学习率η=0.85,将样本数据40组为一次循环,每次循环记录40组样本中最大的学习误差。经过多次的学习,最后观察网络输入与期望输出的相对误差,当误差小于0.005时,学习结束。可以得到如果增大样本的个数,精度还会进一步提高。

本文探讨了神经网络在学生综合素质评价上的应用方法,可取得较为理想的结果,它可以解决用传统统计方法不能或不易解决的问题。但是由于它是一种黑盒方法,无法表达和分析评估系统的输入与输出间的关系,因此也难于对所得结果作任何解释,对求得的结果作统计检验;再者,采用神经网络作评价系统时,由没有一个便于选定最合适的神经网络结构的标准方法,只能花大量时间采用凑试法,从许多次实验中找出“最合适”的一种;还有样本数据需要足够的多,才能得到较为理想的结果。

参考文献:

[1]高长梅,赵承志,白昆荣.学校德育工作全书(上)[M].北京:人民日报出版社,2005.

[2]闻新,周露,李翔,张宝伟.MATLAB神经网络仿真与应用[M].北京:科学出版社,2008.

[3]J.P.Marquesdesa,PatternRecognition―Concepts,MethodsandApplications[M].北京:清华大学出版社,2006.

神经网络设计篇2

[关键词]无刷直流电机；人机界面；RBF辨识；自适应控制

中图分类号TP273.2文献标识码A

无刷直流电机具有出力大、调速性能好、易于控制、节能等优点，在工业领域中得到了日益广泛的应用。但是由于无刷直流电机是一种多变量、非线性的控制系统，所以传统PID控制器很难达到理想的控制效果。人工神经网络在解决非线性和不确定系统的控制方面具有巨大的潜力。RBF神经网络已被证明能以任意精度逼近任一非线性函数。很多论文中也采用了RBF神经网络来辨识非线性系统的模型进行各种自适应控制算法。但是在设计RBF神经网络时，如何选择合理的初始化参数以使网络学习达到要求的精度，目前还无解决办法，主要是靠设计人员凭经验确定，学习过程容易陷入局部最小等诸多缺点。

针对传统PID控制器和常规RBF神经网络所采用的学习算法的不足，提出了一种基于改进的RBF神经网络的无刷直流电机自适应控制新方法。该方法通过离线学习和在线学习相结合的方式训练网络，所建网络的训练时间和步数都大为减少，神经元结构更为精炼，并有很强的学习泛化能力，从而增强了系统的实时性和鲁棒性，大大改善了控制器的性能。

1神经网络控制

1.1RBF神经网络

RBF神经网络是一种三层前馈式网络。第一层为输入层，中间层为隐层，最后一层为输出层。RBF网络设计的核心问题是确定基函数的中心向量、宽度和线性层的连接权。参数设置的好坏，直接影响到网络的学习精度和学习速度。

1.2RBF神经网络的离线学习

本文在MATLAB的基础上，利用由MATLAB神经网络工具箱中的RBF神经网络函数设计出的人机界面平台对无刷直流电机进行离线辨识，确定RBF神经网络的网络结构及初始权值；再采用RBF神经网络在线算法在线辨识无刷直流电机模型，获得PID参数在线调整信息，并由单神经元PID控制器参数的在线自整定，实现系统的智能控制。这样可以充分利用Matlab提供的RBF的实现算法具有自适应确定网络结构和无需人为确定网络初始权值的优点，不仅减少了网络训练的随机性和提高了训练精度，而且还节省了程序设计、调试及网络学习训练所需的时间。

1.3RBF网络的在线学习

1.4单神经元自适应PID控制

单神经元PID调节器本身具有自适应、自学习能力。单神经元自适应控制器是通过对加权系数的调整来实现自适应、自组织功能，权系数的调整是按监督的Hebb学习规则实现的。

1.5基于改进的RBF神经网络的无刷直流电机在线辨识单神经元自适应PID控制算法

本文所提出的控制系统结构图如图1所示。系统的工作原理是：在由NNI对被控对象进行在线辨识的基础上，通过实时调整NNC的权系，使系统具有自适应性，达到有效控制的目的。具体控制算法归纳如下：

（1）利用神经网络工具箱中的RBF神经网络函数建立了人机交互的无刷直流电机模型辨识平台，并进行了RBF网络的离线训练及对无刷直流电机的离线辨识。

（2）给出单神经元初始权值、学习速率，利用离线训练后的RBF神经网络的参数值作为在线辨识的初始值。用（-1，1）的随机值对单神经元的权值初始化。

（3）采用增量式PID控制器，利用公式（8）得到e（k），X1（k），X2（k），X3（k），利用公式（9）计算控制量u

（4）将单神经元PID控制器输出u和系统输出yout同时送到RBF输入层，产生下一步实际输出和辨识输出。

（5）由RBF神经网络的输出y（k+1）和系统实际输出yout（k+1）产生的偏差，根据公式（3）、（4）、（5）、（6）修正RBF网络的参数。

2仿真结果分析

本节仿真环境为MATLAB.试验样机参数为：额定电压24V；额定电流：0.5A；反电动势常数：0.01；转矩常数：0.01；额定转速1500RPM。仿真步骤如下：首先通过人机交互的无刷直流电机模型辨识平台运用离线算法训练RBF神经网络，使RBF神经网络能够辨识电机，将得到的参数值作为在线算法的初始值，然后再使用在线辨识的自适应算法在线训练网络。

图2为在RBF网络离线训练时，对无刷直流电机的无噪音辨识正弦响应曲线。图3为采用基于改进的RBF网络在线辨识的单神经元PID自适应算法在线训练时，网络正弦响应输出与系统正弦响应输出的曲线图。从图2和图3中可以看出在隐含层神经元数为16时，RBF网络可以对无刷直流电机进行有效的辨识，辨识误差指标为0.01以内。

从图5和图6中可以看出基于改进的RBF神经网络在线辨识的单神经元PID自适应控制系统具有良好的辨识能力和控制精度。比起常规RBF网络在线辨识单神经元PID自适应控制系统而言，有着更好的动态性能，调节时间缩减了一半左右，且无超调，鲁棒性好。

3结论

本文提出了一种对常规RBF神经网络进行改进的设计方法，较好的实现了对无刷直流电机的速度控制。由于充分利用了人机交互平台，从而减少网络训练的随机性，节省了程序设计、调试及网络训练所需的时间，而且神经元结构更为精炼，训练精度也

有显著提高。从仿真结果可以看出，系统具有较高的鲁棒性和动态响应能力，可以达到较高的控制精度。

[参考文献]

[1]温良，付兴武.神经网络PID在温度控制系统中的应用于研究.微计算机信息.2004，（7）：3～4

神经网络设计篇3

[关键词]神经网络、网络安全评价、网络安全

中图分类号：TP183文献标识码：A文章编号：1009-914X（2015）13-0301-01

引言

对于计算机网络安全评价中，优化计算机网络安全评价方法，应用神经网络，发挥非线性安全评价能力，提升计算机网络安全评价速度，有助于提高网络安全评价的精度。以下对此做具体分析。

1、网络安全评价与神经网络

1.2计算机网络安全评价

网络安全评价，就是针对影响计算机网络安全的因素，建立全面、合理的评价指标，能够客观、科学地反映网络安全影响因素。网络安全评价，应具备、可行性、简要性、独立性、完备性、准确性，这样才可以准确反映评价信息。

1.2神经网络

针对神经网络，形成初期，就是以人体脑部信息处理的形式作为基础，然后，再经过数学模型的匹配，以此作为研究脑细胞结构、脑细胞动作以及人体生物神经元特征的网络结构[1]。后来，随着计算机技术的发展，在先前神经网络模型的基础上，不仅增加神经网络的学习机制，同时，还提出针对神经网络的感知器模型，并将其应用在工程建设之中，然后利用映射拓扑性质，形成映射自组织网络模型，在计算中进行模拟。

2、应用神经网络技术的优点

对于网络安全评价中，应用神经网络不仅可以提升网络完全评价的质量，还可以提升网络安全效应，其主要具备以下优点。首先，就是在网络安全评价中，应用的神经网络，神经网络有自适应性与容错性，通过自我调整可以减小网络误差[2]；神经网络知识是存储在连接权上的，依据生物神经元学习与记忆形成，同时还具备外推性、自动抽提的功能，可以对直接的数据以及数值进行学习训练，神经网络技术中，还可以自动的确定出原因同结果之间的关系，同时总结网络的安全评价规律，能够将已学的知识应用到网络安全评价样本之中[3]。并且，针对神经网络技术，其应用范围较广，还具备实时应用的潜力，在网络安全评价中，可以有效保证网络的安全，确保其评价结果的准确性与客观性。

3、神经网络算法

3.1粒子群优化算法

每个粒子i包含为一个D维的位置向量xi=（xi1，xi2，……，xiD）和速度向量vi=（vi1，vi2，……，viD），网络安全评价中，粒子i在搜索空间时，可以保存搜索的最优经历位置pi=（pi1，pi2，……，piD），并且可以在神经网络的每次迭代开始之时，该粒子就可以根据自身的惯性与经验，在群体的最优经历位置上调整速度向量，达到最好的位置。c1、c2作为正常数，也就是加速因子；r1、r2就是[0，1]中的均匀分布随机数，d是D维维数，ω就是惯性权重因子。粒子位置与速度更新公式如下：

初始化网络安全评价神经网络种群后，可以将种群大小记为N。基于网络安全评价中，神经网络的适应度支配思想，可以将种群划成两个子群，一个作为非支配子集A，一个作为支配子集B，并且两个子集基数需要满足子群基数之和。粒子群优化算法中，其算法终止准则，就是最大迭代次数Tmax，以及计算精度ε以及最优解最大凝滞步数t，则可结束网络安全评价工作。

3.2BP神经网络学习算法

对网络安全评价神经网络权系数置初值。

对网络安全评价神经网络各层的权系数，可以置一个较小非零随机数，但网络安全评价神经网络中，。

输入网络安全评价神经网络的一个样本，，并以与其对应的期望输出结果。

计算网络安全评价神经网络各层输出，针对其第k层的第i个神经元，其输出为，公式为：

，

计算网络安全评价神经网络的学习误差，

计算神经网络输入向量与隐层神经元以及输入层权值的距离，距离较大为获胜神经元。求出各层学习的误差。针对输出层，有

对于神经网络隐层，仅计算获胜神经元的学习误差，i为获胜神经元。

修正神经网络局部权系数和阀值

调整神经网络，与获胜神经元相连弧线的权值和阀值

其中：

当求出网络安全评价中神经网络的各层各个权系数后，可按给定的品质指标，以此判别网络安全是否满足使用要求；如果说已经满足了要求，则可以结束算法；如果，没有满足要求，则进行返回处理执行。

4、基于神经网络的网络安全评价

4.1设计网络安全评价模型

网络安全评价中，输入层神经元节点的数量，必须要和计算机网络的安全评价指标数量相同，例如，针对计算机网络安全评价体系中，就可以设计18个二级的指标，针对计算机网络安全评价模型的输入层，在其设计神经元节点数量时，也必须是要是18个指标[4]。并且，对于大部分BP神经网络中，还应该采用单向的隐含层，针对隐含层节点数量，可以根据需求的神经网络性能进行设计。针对网络安全评价中，如果说隐含层节点数数量过多，就会使网络安全评价中的神经网络学习时间延长，故此在通常情况下，可以将隐含层设计为5个。针对神经网络输出层设计中，主要就是输出网络安全评价结果，可以将神经网络输出节点数设2个，其输出结果是（1，1），以此来表示安全；输出结果是（1，0）表示基本安全；输出结果是（0，1）表示不安全；输出结果是（0，0）表示很不安全。

4.2构建网络安全评价体系

针对网络安全评价中，使用粒子群优化算法，优化传统的BP神经系统，有效克服网络安全评价的局限性。其优化方法如下：可以将BP神经网络的目标向量以及传递函数、结构，进行初始化；然后设置粒子群初始速度、动量系数、初始位置等参数，并且可以利用粒子群训练集，训练网络安全评价中的BP神经网络，使其在网络安全评价中具备适应度值；可以将每个粒子历史以及最好适应度值，同当前的适应度值进行比较。当前比历史适应度值优，需要保存当前粒子的适应度值，使其作为最好适应度值；并且，还需要计算粒子惯性权值；降低在网络安全评价中，粒子适应度值的误差。针对网络安全评价的BP神经网络中，其学习过程之中，对于任何一个给定样本以及期望输出，都应该将其执行到满足所有的输入输出为止。

结论

综上所述，在网络安全评价中应用神经网络，具有可行性，有效避免传统网络安全评价中的存在的弊端，引入神经网络技术，可以基于粒子优化神经网络，确保计算机网络安全评价结果的准确性、客观性，发挥积极的应用价值。

参考文献

[1]李忠武，陈丽清.计算机网络安全评价中神经网络的应用研究[J].现代电子技术，2014，（10），80-82.

[2]郑刚.计算机网络安全评价中神经网络的应用研究[J].网络安全技术与应用，2014，（09），55-57.

神经网络设计篇4

关键词：车门；抗凹刚度；下垂刚度；径向基函数神经网络；轻量化

中图分类号：U463.83文献标文献标识码：A文献标DOI：10.3969/j.issn.2095-1469.2015.02.08

Abstract：Torealizethelightweightcardoorofatruckobtainedbyusingareversedesignmethod，anapproximateneuralnetworkmodelwasestablishedbasedonradialbasisfunctions，takingasinputthethicknessofkeycomponentsacquiredbyparameteridentificationandtakingasoutputthestiffnessandthequalityofthedoor.OnthebasisoftheapproximatemodelandASAalgorithm，alightweightdoorwasachievedbyregardingthicknessofthecomponentsasdesignvariables，satisfyingthedentresistancestiffnessandsaggingstiffnessasconstraintconditionsandsettingtargetontheminimumweight.Itwaspossibletoreduce0.81kgwithoutdecreasingthedentresistancestiffnessandsaggingstiffness.TheapplicationoftheRBFneuralnetworkshortenedthetimeofthelightweightdesign.

Keywords：truckdoor；dentresistancestiffness；sinkagestiffness；radialbasisfunctionneuralnetwork；lightweight

在汽车设计过程中，逆向工程发挥着重要作用。逆向工程技术的出现克服了传统设计过程中样件制作和试验耗费时间过长的问题[1]。但是，仅仅通过逆向设计得到的产品往往不能满足实际的设计要求，需要在其基础上进行深入的性能分析和优化设计，以完善设计方案。本文研究的车门由逆向工程设计得到，共包含27个钣金件，各钣金件的厚度值基本与标杆车相同。本文力图通过分析各钣金件厚度对车门性能的影响情况，重新合理地布置各钣金件的厚度分配，最终实现车门的轻量化设计。

常用的车门钣金件厚度的优化方法主要包括灵敏度优化和最优化方法。灵敏度优化主要是辨识输入变量对输出响应的影响程度，根据灵敏度分析结果，合理地调整零部件的厚度，改善车门性能，实现车门轻量化[2]。但是，灵敏度优化得到的方案往往只是一个改善的解，而不是一个全局最优解。最优化方法则是采用优化算法，在设计变量的可行性设计空间中搜寻最优解，优化方案较灵敏度优化方案往往更好。但是，优化工作如果使用优化算法直接驱动仿真程序进行寻优，通常需要较长的仿真优化时间，对于复杂的模型往往不太现实[3]。

为了克服最优化方法的这一缺点，本文引入基于RBF的神经网络近似模型来代替有限元仿真计算模型进行优化分析，这种方法在以往的车门轻量化研究中应用较少。首先，在有限元模型的基础上，通过试验设计（DesignofExperiments，DOE）分析得到了各钣金件厚度对车门性能的影响，筛选出对于优化工作较为重要的板件厚度值，作为优化工作的对象，缩减优化规模。其次，在设计空间内，通过DOE采样，建立了可信度较高的基于RBF的神经网络近似模型，以近似模型代替高强度的仿真计算，在其基础上进行车门轻量化设计，大大缩短了优化设计工作的时间。本文车门轻量化设计研究流程如图1所示。

1车门性能分析

根据企业的车门系统设计技术规范，为了保证车门性能的要求，分别设计了车门的抗凹工况、下垂工况的刚度试验与有限元仿真分析，分析车门初始方案的性能。

1.1车门抗凹工况

1.1.1抗凹刚度试验

为了分析逆向设计得到的车门初始方案的性能，同时为有限元模型的建立提供依据，搭建了车门抗凹刚度试验台，如图2所示。试验中，在门锁和车门铰链安装位置处，将车门固定在试验台上。沿车门窗折边下沿斜线，绘制10cm间隔网格线，作为车门外表面备选测点（图2）。通过观察，根据经验及通过手压法辨识出8个变形较大的位置点，作为试验时的测点。在每个测点处，分别逐级施加载荷，载荷的最大值根据实际测量过程的加载变形状况调整，通过DH3816应变测试系统采集该测点处水平方向位移数据，每个测点进行3次试验，取3次试验的平均值作为最后的试验结果，试验结果见表1。

1.1.2抗凹刚度仿真分析

将车门的CAD几何模型导入到Hypermesh中，通过模型简化后，建立了车门的有限元模型。如图3所示，有限元模型单元总数为15227，车门总质量为23.68kg。

在抗凹工况仿真中，有限元模型的约束方式与试验条件相同，分别约束车门铰链安装位置和门锁处6个方向的自由度。在对应的8个测点处分别施加相应的载荷（取抗凹试验时相应加载点载荷的最大值），测量加载点水平方向的最大位移，计算得到8个点的抗凹刚度。抗凹刚度的计算如式（1）所示。

。

式中，Ki为第i个测点的抗凹刚度，N/mm；Fi为第i个点的加载载荷，N；yi为第i个点的最大变形量，mm；

表1给出了试验分析和仿真分析中，各测点的最大加载载荷、最大变形量、抗凹刚度的对比。

1.2车门下垂工况

1.2.1下垂刚度试验

试验中，在车门铰链安装位置处，将车门通过铰链固定在下垂刚度试验台上，车门开度为0，如图4所示。在门锁位置，逐级施加载荷，载荷的最大值根据实际测量过程的加载变形状况调整，通过DH3816应变测试系统采集车门下边缘处垂向位移数据，进行3次试验，取3次试验的平均值作为最后的试验结果，试验结果见表2。

1.2.2下垂刚度仿真分析

在下垂刚度仿真中，有限元模型的约束方式与试验条件相同，约束车门铰链安装位置6个方向的自由度，在门锁处施加垂向载荷，载荷大小为966N（取下垂试验时门锁加载载荷的最大值）。测量车门下边缘处10个点的Z向位移，取10个测点位移的最大值作为下垂工况车门的变形量，用于计算车门下垂刚度。下垂刚度的计算如式（2）所示。表2给出了下垂工况仿真与试验的数据对比。

。

式中，KZ为车门的下垂刚度，N/mm；FZ为下垂工况的垂向载荷，N；Zi为车门下沿第i点的变形量，mm。

由表1分析可知，仿真计算得到的车门抗凹刚度性能与试验情况基本一致。由表2分析可知，仿真计算得到的车门下垂刚度与试验存在稍许的误差，这是由下垂试验与仿真中测点选择不完全一致引起的。试验过程中，测点选择下沿某点，但是在实际的测量过程中，该点会产生相对滑动；仿真过程中，考虑到试验测点位置的滑动，下垂位移选取的是下沿8个测点位移的最大值，计算得到的刚度值会小于试验值，但刚度值更可信。这表明所建立的有限元模型可信度较高，能够用于后期的优化工作。

2关键参数辨识

本文研究的车门是由逆向设计得到的，车门各钣金件的初始厚度值基本与标杆车相同。为了探究车门各零部件厚度对车门性能的影响，辨识关键因子，缩减优化设计的规模，为后期的结构改型提供依据，首先安排了试验设计探究各零部件厚度对车门性能的影响情况。

通过优化拉丁超立方采样技术，以所有的零部件板厚作为输入变量，以车门的抗凹刚度、下垂刚度以及质量作为响应。通过仿真计算，得到100组样本点，通过贡献率分析，得到了各零部件板厚对于车门性能的影响情况[4]，如图5所示（以板厚对8号测点抗凹刚度的影响情况）。

由图5可知，车门外板对8号测点的抗凹刚度性能的影响最为重要。某些零部件板厚对抗凹刚度的贡献率很小，几乎可以忽略不计。综合考虑27个零部件厚度对车门下垂刚度、抗凹刚度以及质量的影响，最终选择其中的22个零部件厚度作为下一步优化分析工作的设计变量。

3RBF神经网络

近似模型方法是通过数学模型逼近一组输入变量与输出变量的方法。基于近似模型进行优化设计工作的优势在于：减少耗时的仿真程序的调用，提高优化效率，通常可将实际求解时间缩短几个数量级；建立经验公式，获得输入、输出变量之间的量化关系；降低仿真分析的噪声，更快地收敛到全局最优解。常用的近似模型主要包括响应面法、切比雪夫正交多项式、克里格模型、神经网络模型等[5]。其中，神经网络模型具有很强的逼近复杂非线性函数的能力，且具有较强的容错功能，即使样本中含有“噪声”输入，也不影响模型的整体性能。

3.1RBF神经网络模型

1943年，McCulloch和Pitts建立了第1个人工神经网络模型[6]。1947年，Weissinger第1次将径向基函数应用到求解羽翼周围的流场问题[7]。1988年，Broomhead和Lowe将径向基函数模型技术命名为“神经网络”，随后神经网络近似模型技术广泛地应用到各个方面[8]。从20世纪90年代开始，Kansa对于径向基函数做了大量的研究工作与应用[9]。

在径向基函数神经网络模型中，假设为一组已知的输入向量（即分析任务中定义的设计变量），为对应的已知的输出值（即分析任务中目标性能值）。用于近似估计未知点的基于径向基函数的差值模型表述为式（3）所示：

式中，为神经网络近似模型建立过程中根据样本点数据求解得到的径向基函数差值模型系数。通过求解式（4）和式（5）定义的N+1个线性方程，即可求得N+1个未知的系数。

函数；为待测点与样本点的欧几里得距离；

c为样条形状参数，c的取值直接影响到近似模型的可信度，通常0.2

3.2车门性能的神经网络模型

在近似模型的建立过程中，样本点往往是通过试验设计采样的方法获得的。试验设计采样方法包括正交试验、部分因子试验、拉丁超立方试验、优化拉丁超立方试验等。其中，优化拉丁超立方设计可以使样本点尽量均匀地分布在设计空间，具有非常好的空间填充性和均衡性。

本文近似模型的输入为参数辨识分析中得到的22个关键零厚度，输出为车门的目标性能，包括下垂刚度和8个测点的抗凹刚度。采用优化拉丁超立方抽样技术，共安排400次仿真试验，在OptiStruct中计算得到400组样本点。

在Isight中建立了基于径向基函数的神经网络近似模型，以8号点抗凹刚度性能的近似模型为例，如图6所示，x坐标为上横梁内板的厚度值，y坐标为门锁挂钩板的厚度值，z坐标为8号点的抗凹刚度。

3.3神经网络模型的精度验证

近似模型可以代替耗时的仿真程序，提高优化效率。但是，近似模型只有在保证具有足够高的预测精度和可信度的前提下，才可以代替实际的仿真程序。在进行近似模型精度分析时，往往是将样本点的输出与近似模型计算得到的输出进行统计分析，评价指标主要包括平均误差、最大误差等。

为了验证所建立的车门性能神经网络模型的精度，选取了所有400个样本点作为误差分析点，将目标性能的实际值与近似模型计算值进行对比分析，计算得到各性能指标近似模型的平均误差均小于0.045，可信度较高。以减重质量近似模型的预测值与实际值的对比为例，如图7所示。

图7中，横坐标为减重质量的近似模型预测值，纵坐标为相同板厚设计方案下减重质量的真实值。由图可知，近似模型的预测值基本等于实际值，近似模型可信度较高。综上所述，该近似模型可以有效地代替仿真计算。

4基于近似模型的车门轻量化

4.1优化问题定义

优化是在约束条件下寻找最优解，典型的优化问题数学模型可以定义为

目标函数：。

约束条件：。

设计变量：。

根据实际经验，在板件厚度的优化过程中，当板件的初始厚度小于1.5mm时，板件厚度增厚与减薄的最大尺寸分别不超过0.2mm和0.1mm。当板件的初始厚度大于1.5mm时，板件厚度增厚与减薄的最大尺寸分别不超过0.2mm。22个设计变量的初始值及取值范围见表3。

在车门轻量化设计过程中，必须保证车门的性能不能违反设计要求。因此，车门优化设计方案的下垂刚度与8个测点处的抗凹刚度不能小于初始刚度。约束条件的具体设置见表4。

4.2车门轻量化实例

以车门板件的厚度为设计变量，以车门性能为约束条件，以车门减重质量最大为目标，用精确度较高的径向基函数神经网络模型代替耗时的仿真计算，进行车门轻量化设计。优化算法选择的是模拟退火算法，其思想是由Metropolis提出的[11]。在优化设计中，最大迭代次数为50000次，每5步检查一次收敛性，温度参数下降的相对比率为1，温度损失函数下降的相对比率为1，损失函数淬火相对速率为1。

经优化迭代，对比优化方案，最终选择第45294次优化方案。设计变量的初始值、优化值对比如表5所示。

为了验证近似模型优化方案的精确度，将最终的设计变量厚度值代入有限元模型中，通过仿真计算得到车门的各项性能值。将近似模型计算结果与仿真分析结果进行对比见表6。

通过仿真验证，基于近似模型计算得到的优化方案性能较为可信。将优化方案性能与初始方案性能对比分析可知，优化方案的性能没有下降，反而有所提高。由表5和表6可知，通过合理地重新布置车门各板件厚度，在保证车身各性能不降低的前提下，实现减重0.813kg。因此，通过合理地重新分配车门各钣金件的厚度值，能够使各钣金件发挥最大作用，实现车门性能的提高与轻量化设计。

4.3优化工作时间统计

基于RBF神经网络近似模型的车门轻量化设计耗时量与优化算法直接驱动仿真程序计算的耗时量对比见表7。由表7可知，基于近似模型的优化设计可以有效地缩短优化设计所需要的时间，加快产品的研发进程。

5结论

（1）基于近似模型进行车门的轻量化设计工作，可以有效地减少求解计算时间，节省的时间达到了几个数量级。

（2）基于RBF的神经网络近似模型具有很强的逼近复杂函数的能力，具有较强的容错能力，能够有效地减少样本“噪声”的影响，具有很高的可信度。

（3）在车门的逆向设计产品过程中，通过合理地优化设计，探究各零部件厚度对于车门性能的影响，重新合理地分配各零部件的厚度，能够使车门具有更好的性能指标，同时也可以实现车门的轻量化设计。本文基于实际的试验工况，仅考虑了抗凹刚度与下垂刚度仿真进行车门轻量化设计。同时，如若增加车门的模态工况、疲劳耐久性分析、NVH分析等，对于车门性能开发更加有利。

参考文献（References）：

陆佳平，薛克敏，汪昌盛.逆向工程在汽车覆盖件设计中的应用[J].合肥工业大学学报（自然科学版），2006，29（3）：278-280.

神经网络设计篇5

关键词性能对比感知器BP网络霍普菲尔德网络字符识别

1引言

人工神经网络是在人类对其大脑神经网络认识理解的基础上人工构造的能够实现某种功能的神经网络。论文它是理论化的人脑神经网络的数学模型，是基于模仿大脑神经网络结构和功能而建立的一种信息处理系统。因其自组织、自学习能力以及具有信息的分布式存储和并行处理，信息存储与处理的合一等特点得到了广泛的关注，已经发展了上百种人工神经网络。

一般来说，人工神经网络从结构上可分为两种:前向网络和反馈网络。典型的前向网络有单层感知器、BP网络等，反馈网络有霍普菲尔德网络等[1]。

人工神经网络已经被广泛应用于模式识别、信号处理、专家系统、优化组合、智能控制等各个方面，其中采用人工神经网络进行模式识别具有一些传统技术所没有的优点:良好的容错能力[2j、分类能力、并行处理能力和自学习能力，并且其运行速度快，自适应性能好，具有较高的分辨率。单层感知器、BP网络和霍普菲尔德网络均可以用于字符识别。

本文通过具体采用感知器网络、BP网络和霍普菲尔德反馈网络对26个英文字母进行识别的应用，通过实验给出各自的识别出错率，通过比较，可以看出这3种神经网络的识别能力以及各自的优缺点。

2字符识别问题描述与网络识别前的预处理

字符识别在现代日常生活的应用越来越广泛，比如车辆牌照自动识别系统[3，4]，手写识别系统[5]，办公自动化等等[6]。毕业论文本文采用单层感知器、BP网络和霍普菲尔德网络对26个英文字母进行识别。首先将待识别的26个字母中的每一个字母都通过长和宽分别为7×5的方格进行数字化处理，并用一个向量表示。其相应有数据的位置置为1，其他位置置为O。图1给出了字母A、B和C的数字化过程，其中最左边的为字母A的数字化处理结果所得对应的向量为:IetterA~「00100010100101010001111111000110001〕’，由此可得每个字母由35个元素组成一个向量。由26个标准字母组成的输人向量被定义为一个输人向量矩阵alphabet，即神经网络的样本输人为一个35×26的矩阵。其中alphabet=[letterA，letterB，lettere，……letterZj。网络样本输出需要一个对26个输人字母进行区分输出向量，对于任意一个输人字母，网络输出在字母对应的顺序位置上的值为1，其余为O，即网络输出矩阵为对角线上为1的26×26的单位阵，定义target=eye(26)。

本文共有两类这样的数据作为输人:一类是理想的标准输人信号;另一类是在标准输人信号中加上用MATLAB工具箱里的噪声信号，即randn函数。

3识别字符的网络设计及其实验分析

3.1单层感知器的设计及其识别效果

选取网络35个输人节点和26个输出节点，设置目标误差为0.0001，最大训练次数为40。设计出的网络使输出矢量在正确的位置上输出为1，在其他位置上输出为O。医学论文首先用理想输人信号训练网络，得到无噪声训练结果，然后用两组标准输入矢量加上两组带有随机噪声的输人矢量训练网络，这样可以保证网络同时具有对理想输人和噪声输人分类的能力。网络训练完后，为保证网络能准确无误地识别出理想的字符，再用无噪声的标准输入训练网络，最终得到有能力识别带有噪声输人的网络。下一步是对所设计的网络进行性能测试:给网络输人任意字母，并在其上加人具有平均值从。~0.2的噪声，随机产生100个输人矢量，分别对上述两种网络的字母识别出错率进行实验，结果如图2所示。其中纵坐标所表示的识别出错率是将实际输出减去期望输出所得的输出矩阵中所有元素的绝对值和的一半再除以26得到的;虚线代表用无噪声的标准输人信号训练出网络的出错率，实线代表用有噪声训练出网络的出错率。从图中可以看出，无噪声训练网络对字符进行识别时，当字符一出现噪声时，该网络识别立刻出现错误;当噪声均值超过0.02时，识别出错率急剧上升，其最大出错率达到21.5%。由此可见，无噪声训练网络识别几乎没有抗干扰能力。而有噪声训练出的网络具有一定的抗干扰能力，它在均值为。~0.06之间的噪声环境下，能够准确无误地识别;其最大识别出错率约为6.6%，远远小于无噪声训练出的网络。

3.2BP网络的设计及其识别效果

该网络设计方法在文献[lj中有详细介绍。网络具有35个输人节点和26个输出节点。目标误差为0.0001，采用输人在(0，l)范围内对数S型激活函数两层109519/109519网络，隐含层根据经验选取10个神经元。和单层感知器一样，分别用理想输人信号和带有随机噪声的输人训练网络，得到有噪声训练网络和无噪声训练网络。由于噪声输人矢量可能会导致网络的1或o输出不正确，或出现其他值，所以为了使网络具有抗干扰能力，在网络训练后，再将其输出经过一层竞争网络的处理，使网络的输出只在本列中的最大值的位t为1，保证在其他位置输出为O，其中网络的训练采用自适应学习速率加附加动量法，在MATLAB工具箱中直接调用traingdx。在与单层感知器相同的测试条件下对网络进行性能测试，结果如图3所示。其中虚线代表用无噪声训练网络的出错率，实线代表用有噪声训练网络的出错率。从图中可以看出，在均值为o一0.12之间的噪声环境下，两个网络都能够准确地进行识别。在0.12~0.15之间的噪声环境下，由于噪声幅度相对较小，待识别字符接近于理想字符，故无噪声训练网络的出错率较有噪声训练网络略低。当所加的噪声均值超过。.15时，待识别字符在噪声作用下不再接近于理想字符，无噪声训练网络的出错率急剧上升，此时有噪声训练网络的性能较优.

3.3离散型，霍普菲尔德网络的设计及其识别效果

此时网络输人节点数目与输出神经元的数目是相等的，有r=s=35，采用正交化的权值设计方法。在MATLAB工具箱中可直接调用函数newh叩.m。要注意的是，由于调用函数newhoP.m，需要将输人信号中所有的。英语论文变换为一1。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〕’。设计离散型霍普菲尔德网络进行字符识别，只需要让网络记忆所要求的稳定平衡点，即待识别的26个英文字母。故只需要用理想输人信号来训练网络。对于训练后的网络，我们进行性能测试。给网络输入任意字母，并在其上加人具有平均值从。~0.5的噪声，随机产生100个输人矢量，观察字母识别出错率，结果如图4所示。从图中可以看出，在均值为0~0.33之间的噪声环境下，网络能够准确地进行识别。在0.33~0.4之间的噪声环境下，识别出错率不到1%，在0.4以上的噪声环境下，网络识别出错率急剧上升，最高达到大约10%。可以看出，该网络稳定点的吸引域大约在0.3~。.4之间。当噪声均值在吸引域内时，网络进行字符识别时几乎不出错，而当噪声均值超过吸引域时，网络出错率急剧上升。

4结论

本文设计了3种人工神经网络对26个英文字母进行了识别。可以看出，这3种人工神经网络均能有效地进行字符识别，并且识别速度快，自适应性能好，分辨率较高。由图2和图3可以看出，单层感知器的有噪声训练网络在均值为O~0.06之间的噪声环境下可以准确无误的识别，而有噪声训练的BP网络可以在o~0.12之间的噪声环境下准确无误的识别，故BP络网络容错性比单层感知器的容错性好;此外，噪声达到0.2时，单层感知器的有噪声训练网络的识别出错率为6.6%，而有噪声训练的BP网络的识别出错率为2.1%，故BP网络比单层感知器识别能力强。另外，由图2、图3和图4可以看出，这3种网络中霍普菲尔德网络识别率最高，它在噪声为0.33以前几乎不会出错，BP网络次之，感知器最差。

通过设计、应用与性能对比，我们可得单层感知器网络结构和算法都很简单，训练时间短，但识别出错率较高，容错性也较差。BP网络结构和算法比单层感知器结构稍复杂，但其识别率和容错性都较好。霍普菲尔德网络具有设计简单且容错性最好的双重优点。因此，我们应根据网络的特点以及实际要求来选择人工神经网络对字符进行识别。

参考文献

[1]丛爽.面向MATLAB工具箱的神经网络理论与应用「M.合肥:中国科学技术大学出版社，2003.

[2]武强，童学锋，季隽.基于人工神经网络的数字字符识别[J].计算机工程，2003，29(14):112一113.

[3]廖翔云，许锦标，龚仕伟.车牌识别技术研究[J].徽机发展，2003，13:30一35.

[4]李中凯，王效岳，魏修亭.BP网络在汽车牌照字符识别中的应用[J].东理工大学学报，2004，18(4):69一72.