發布時間：2023-08-15 17:13:29
序言：寫作是分享個人見解和探索未知領域的橋梁，我們為您精選了8篇的神經網絡基本原理樣本，期待這些樣本能夠為您提供豐富的參考和啟發，請盡情閱讀。
關鍵詞：人工神經網絡 反向傳播算法 故障診斷
1 引言
隨著經濟的發展，空調系統得到了越來越廣泛的應用，空調設備已成為重要的生活必備品之一。這就要求空調系統可靠性高且功能齊全，而且在故障診斷維修服務方面達到一定的水平。國內目前的大部分空調系統中無故障診斷系統，當空調系統出現故障后，維保人員往往不能及時、準確地了解系統出現故障的原因及相關信息，空調系統無法得到及時修復，這種情況急需得到改善。
2 關于故障診斷技術
故障診斷FD(fault diagnosis)是一種了解和掌握設備在使用過程中的技術，確定其整體或局部是否正常，早期發現故障及其原因并能預報故障發展趨勢的技術。在診斷過程中，必須利用被診斷對象表現出來的各種有用信息，經過適當地處理和分析，做出正確的診斷結論。在制冷暖通空調領域，1987年在彥啟森教授的建議下，才開始了故障診斷專家系統在制冷暖通空調領域的研究應用[1]。
3 人工神經網絡用于空調系統故障診斷的基本原理
人工神經網絡(Artificial Neural Network．簡稱ANN)正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。它實際上是由大量簡單元件相互連接而成的復雜網絡，具有高度的非線性，能夠進行復雜的邏輯操作和非線性關系實現的系統。
典型的神經網絡結構如圖1所示。
在眾多的人工神經網絡模型中，最常用的是BP(Back Propagation)模型，即利用誤差反向傳播算法求解的多層前向神經網絡模型[2]。BP網絡在故障診斷、模式識別、圖像識別、管理系統等方面都得到了廣泛的應用。本文討論利用神經網絡中的BP模型進行空調系統的故障診斷。
首先需要進行知識的獲取。由專家提供關于各種空調系統故障現象(征兆集)及相應的故障原因(故障集)實例作為學習樣本。將數據分為兩部分，一部分用于訓練網絡，另一部分用于測試。將訓練網絡的數據按一定順序編碼，分別賦給網絡輸入、輸出節點，通過神經網絡學習算法對樣本進行學習，經過網絡內部自適應算法不斷修正權值，直到達到所要求的學習精度為止。此時在大量神經元之間聯結權值上就分布著專家知識和經驗。訓練完畢后，再將測試網絡的數據從初始狀態出發，向前推理，將顯示出的故障結果與實際的測試數據結果相比較，如果誤差很小，說明網絡的權值建立正確；如果誤差較大，說明網絡的權值建立有誤，需要重新進行網絡的訓練。
將訓練樣本訓練完畢后，即可進行空調系統的故障診斷。只要實際輸入模式接近于某一個訓練時的學習樣本的輸入模式，則可產生出接近學習樣本的輸出結果，也就是所謂的自聯想功能。同時，由于網絡計算上的大量并行性，當機器運行狀況改變，出現網絡學習未考慮的情況時，系統亦能給出正確分類結果。同時將新數據并入網絡，實現系統的自適應。一般來說，學習的故障實例樣本越多，診斷結果的準確率越高。
4 BP學習算法
BP算法因其簡單、易行、計算量小、并行性強等優點，是目前神經網絡訓練采用最多也是最成熟的訓練算法之一。BP算法的實質是求解誤差函數的最小值問題，由于它采用非線性規劃中的梯度下降法（Gradient Descent），按誤差函數的負梯度方向修正權值 [3]。其主要思路是如果求出訓練網絡的指標函數誤差：
一般的BP算法稱為標準誤差逆傳播算法，也就是對應每一次輸入都校正一次權值。這種算法不是全局誤差意義上的梯度下降計算。對各個神經元的輸出求偏導數，那么就可以算出誤差對所有連接權值的偏導數，從而可以利用梯度下降法來修改各個連接權值。真正的全局誤差意義上的梯度下降算法是在全部訓練模式都學習完后才校正連接權和閾值。其計算流程如圖2所示：
5 故障診斷實例 5.1 空調系統故障診斷的BP網絡建立
空調系統故障模式及故障機制分析[4]如表1所示
表1 空調系統故障模式及故障機制分析 表示
符號
表示
符號
房間溫度均偏高
1.冷凍機產冷量不足
2.噴水堵塞
3.通過空氣處理設備的風量過大，熱交換不良
4.回風量大于送風量
5.送風量不足（可能空氣過濾氣堵塞）
6.表冷器結霜，造成堵塞
相對濕度均偏低
7.室外空氣未經加濕處理
系統實測風量大于設計風量
8.系統的實際阻力小于設計阻力
9.設計時選用風機容量偏大
房間氣流速度超過允許流速
10.送風口速度過大
關鍵詞:功率放大器; 預失真技術; 神經網絡; 單入雙出; 互調失真
中圖分類號:TP18 文獻標識碼:A
文章編號:1004-373X(2010)09-0107-05
Research of Self-adaptive Digital Predistortion Technology Based on SIDO-neural Network
QIU Wei, LIU Yu-peng, ZHANG Lei-lei
(The base of China Ocean Measure, Jiangyin 214431, China)
Abstract: Because of inherent nonlinearity of high-power amplifier, which may cause bad influence on communication systems, it is necessary to make a linearization processing to overcome or weaken it. The math analysis of nonlinear distortion for the high-power amplifier(HPA) is performed. The basic principle of digital predistortion and the foundamental knowledge of neural network are described. A self-adaptive digital predistortion technology based on SIDO-neural network is proposed according to the amplifying amplitude and the distortion characteristic of phase, which can be improved by the technology. Taking a double-sound signal and 16QAM signal as an example, the Matlab simulation is carried out, The result proves that this technology is superior.
Keywords: power amplifier; predistortion technology; neural network; SIDO; intermodulation distortion
0 引 言
無線通信技術迅猛發展,人們對通信系統的容量要求也越來越大。為了追求更高的數據速率和頻譜效率,現代通信系統都普遍采用線性調制方式,如16QAM和QPSK方式,以及多載波配置[1]。
但這些技術產生的信號峰均比都較大,均要求功率放大器具有良好的線性特性,否則就會出現較大的互調失真,同時會導致頻譜擴展,造成臨道干擾,使誤碼率惡化,從而降低系統性能。
預失真技術是一項簡單易行的功放線性化技術,具有電路形式簡單,調整方便,效率高,造價低等優點[2]。其中,基帶預失真還能采用現代的數字信號處理技術,是最為看好的一項功放線性化技術。這里利用一種簡單的單入雙出三層前向神經網絡來進行自適應預失真處理,同時補償由高功率放大器非線性特性引起的幅度失真和相位失真,從而實現其線性化。
文中分析了基于這種結構的自適應算法,并做了相應的仿真。仿真結果表明,該方法能有效克服功放的非線性失真,且收斂速度比一般多項式預失真更快,具有一定的優勢。
1 高功率放大器非線性分析
高功率放大器一般都是非線性器件,特別是當輸入信號幅度變化較大時,放大器的工作區將在飽和區、截止區、放大區之間來回轉換,非線性失真嚴重,會產生高次諧波和互調失真分量。由于理論上任何函數都可以分解為多項式的形式,故放大器的輸入和輸出關系表示為:
Vo=a1Vi+a2V2i+a3V3i+…+anVni(1)
假設輸入的雙音信號為:
Vi=V1cos(ω1t)+V2cos(ω2t)(2)
把式(2)代入式(1),得到輸出電壓為:
Vo=a22(V21+V22)+a1V1+a334V31+32V1V22+…cos(ω1t)+a2V2+a334V32+32V2V21+…cos(ω2t)+12a2V21+…cos(2ω1t)+12a2V22+…cos(2ω2t)+14a3V31+…cos(3ω1t)+14a3V32+…cos(3ω2t)+a2V1V2[cos(ω1+ω2)t+cos(ω1-ω2)t]+34a3V21V2[cos(2ω1+ω2)t+cos(2ω1-ω2)t]+
34a3V22V1[cos(2ω2+ω1)t+cos(2ω2-ω1)t]+58a5V31V22cos(3ω2-2ω1)t+58a5V21V32cos(3ω1-2ω2)t+…
從上式可以看出,輸出信號中不僅包含了2個基頻ω1,ω2,還產生了零頻,2次及高次諧波以及互調分量。通常2ω1-ω2,2ω2-ω1,3ω1-2ω2和2ω1-3ω2會落在通頻帶內,一般無法濾除,是對通信影響最大的非線性失真分量,即所謂的三階互調和五階互調。放大器線性化的目標就是在保證一定效率的前提下最大地減小┤階和┪褰諄サ鞣至俊
2 預失真基本原理及其自適應
預失真就是在信號通過放大器之前通過預失真器對信號做一個與放大器失真特性相反的失真,然后與放大器級聯,從而保證輸出信號相對輸入信號是線性變化。預失真器產生一個非線性的轉移特性,這個轉移特性在相位上與放大器轉移特性相反,實質上就是一個非線性發生器。其原理圖如圖1所示。
圖1 預失真基本原理
預失真器的實現通常有查詢表法和非線性函數兩種方式[2]。由于查表法結構簡單,易于實現,早期的預失真多采用此方法,但它對性能的改善程度取決于表項的大小,性能改善越大,需要的表項越大,所需要的存儲空間也越大,每次查找遍歷表項的每個數據和更新表項所需要的時間和計算時間也越長,因此在高速信息傳輸的今天已經不可取。非線性函數法是用一個非線性工作函數來擬合放大器輸出信號采樣值及其輸入信號的工作曲線,然后根據預失真器特性與放大器特性相反,求出預失真器的非線性特性函數,從而對發送信號進行預失真處理。這種方法只需要更新非線性函數的幾個系數,而不需要大的存儲空間,因此是近年來研究的熱點。
假設預失真器傳輸函數為F(x),放大器傳輸函數為G(x),F和G均為復函數。若輸入信號為x(t),則經過預失真器之后的信號為u(t)=F[x(t)],放大器輸出函數為y(t)=G[u(t)]=G{F[x(t)]},預失真的目的就是使x(t)通過預失真器和放大器級聯后輸出y(t)=ax(t),a為放大器增益。通過一定的方法可以找到合適的F,使實際輸出和期望輸出的誤差最小。
由于溫度、電器特性、使用環境等因素的不斷變化,放大器的傳輸特性也會發生變化,從而預失真器傳輸函數F(x)的各參數也會隨之而變化,因此現代數字預失真技術一般都要采用自適應技術以跟蹤調整參數的變化。目前常用的兩種自適應預失真結構如圖2、圖3所示。
圖2 自適應預失真系統結構圖
圖3 復制粘帖式自適應預失真系統結構圖
圖2是一般的通用自適應結構,結構簡單,思路明確,但一些經典的自適應算法由于多了放大器求導項而不能直接應用,且需要辨識放大器的傳輸特性,而圖3的復制粘帖式結構(非直接學習)則不存在這些問題,關于這種結構的優缺點比較和具體性能分析見文獻[3]。本文將采用后一種自適應結構。
3 基于一種單入雙出式神經網絡的自適應預失真技術
3.1 神經網絡
神經網絡是基于生物學神經元網絡的基本原理而建立的。它是由許多稱為神經元的簡單處理單元組成的一類自適應系統,所有神經元通過前向或回饋的方式相互關聯、相互作用。由Minsky和Papert提出的多層前向神經元網絡是目前最為常用的網絡結構,已廣泛應用到模式分類和函數逼近中,且已證明含有任意多個隱層神經元的多層前向神經元網絡可以逼近任意的連續函數[4]。本文利用神經網絡的這種功能來擬合預失真器的特性曲線,并且用改進的反向傳播算法來自適應更新系數。
多層前向神經元網絡由輸入層、一個或多個隱層和輸出層并以前向方式連接而成,其每一層又由許多人工神經元組成,前一層的輸出作為下一層神經元的輸入數據。三層前向神經元網絡示意圖如圖4所示,其中輸入層有M個人工神經元,隱層有K個神經元,輸出層有N個神經元。關于人工神經元的具體介紹參考文獻[5-6]。
圖4 三層前向神經元網絡
3.2 基于單入雙出式神經網絡的自適應預失真系統模型
對于圖5所示的單入雙出式三層前向神經網絡,假設隱層包含K個神經元。輸入數據經過一系列權系數{w11,w12,…w1K}加權后到達隱層的各個神經元。隱層中的神經元將輸入進來的數據通過一個激勵函數(核函數),將其各神經元的輸出經過一系列權系數{w21,w22,…,w2K}和{w31,w32,…,w3K}加權并求和后分別作為輸入層第一個神經元和第二個神經元的輸入,然后各神經元的輸入通過激勵函數得到兩個輸出。
將圖5代替圖3中的函數發生器,即得到本文中所提到的基于單入雙出式前向神經網絡的預失真器結構圖,如圖6所示。
神經網絡的三組系數向量開始都隨機初始化。設輸入序列為xi(i=1,2,…),通過幅度提取和相位提取后得到信號的幅度序列和相位序列。若神經網絡的輸入為原始輸入序列的幅度序列ri(i=1,2,…),則隱層各單元輸入I1k=w1kri-θ1k。經過核函數后,隱層各單元的輸出為J1k=f(I1k),其中f(x)=11+e-x為核函數,輸出層的靜輸入為z1=∑Kk=1w2k*J1k-θ1,z2=∑Kk=1w3k*J1k-θ2,輸出層神經元1的輸出,即預失真器幅度預失真分量為U1=f(z1)。
圖5 單入雙出三層前向神經元網絡
圖6 單入雙出式前向神經網絡預失真器結構圖
由于相位失真分量的輸出范圍沒有限制在0和1之間,因此不能用核函數加以限制,這里設定輸出層神經元2的輸出等于其輸入,即預失真器相位預失真分量為U2=z2,最后預失真后的幅度和相位和的指數相乘得到送入功放的復信號。功率放大器的輸出信號設為yi(i=1,2,…),其幅度和相偏分別為yai(i=1,2,…)和ypi(i=1,2,…)。最后整個系統的幅度絕對誤差為ea(i)=Gri-ya(i),相位絕對誤差為ep(i)=U2(i)+yp(i),整個系統的絕對誤差和為e(i)=ea(i)+ep(i),然而直接把此誤差運用到反向傳播算法(BP算法)中會導致算法出現局部收斂且收斂速度極慢。因此本文對誤差信號做了改進,即把誤差信號改為:
e(i)=12[λ(ea(i)]2+(1-λ)φ[ea(i)]+
λ[ep(i)]2+(1-λ)φ[ep(i)]
其中:φ(x)=In[cos(βx)]/β,加入的調整因子λ和輔助項φ,能把算法從局部收斂點拉出來,且收斂速度得到一定的提高。最后根據反向傳播算法,得到訓練神經網絡的權系數更新式如下(下標2為隱層到輸出層權系數,下標1為輸入層到隱層權系數):
δ2a(i)=ca(i)*[1+U1(i)]*[1-U1(i)](3)
δ2p(i)=cp(i)(4)
w2(i)=α*δ2a(i)*J1+η*w2(i-1)(5)
θ2(i)=α*δ2a(i)+η*θ2(i-1)(6)
w3(i)=-α*δ2p(i)*J1+η*w3(i-1)(7)
θ3(i)=-α*δ2p(i)+η*θ2(i-1)(8)
δ1(i)=(δ2a(i)*w2-δ2p(i)*w3)*
J1(i)*[1-J1(i)](9)
w1(i)=β*δ1(i)*ri+η*w1(i-1)(10)
θ1(i)=β*δ1(i)+η*θ1(i)(11)
式中:ca(i)=λea(i)-1-λ2tan[β*ea(i)];cp(i)=λ*ep(i)-1-λ2tan[β*ep(i)]。
預失真權系數可分為訓練和跟蹤兩個階段。根據上面的迭代公式,得到一組訓練神經網絡的權系數,用當前的權系數替代預失真器神經網絡中原來的權系數,得到一組新的預失真系數,之后重新計算誤差,繼續上面的過程循環迭代運算,直到誤差小于規定的范圍,即整個系統收斂,則預失真器訓練完成,此時為訓練階段。之后隨著溫度、輸入的調制信號不同,以及環境等變化可能引起功放特性的變化,可以設置一個誤差門限值,一旦發現誤差超過此門限,立即重新啟動上面的循環迭代,重新訓練,直到滿足條件,此時為跟蹤階段。這種改進型BP算法的收斂速度快,能滿足實時運算的要求。同時在硬件實現上,只要做一個核函數發生器,其他都是乘累加運算,硬件實現要簡單得多,因此具有一定的實用性。
4 性能仿真
文中使用雙音信號進行了仿真分析,雙音信號為:
xs=0.5[sin(2π×10×t)+sin(2π×8×t)]
放大器模型采用經典salef[9]模型,神經網絡的隱層數設為15。圖7為雙音信號原始頻譜。
圖8是為雙音信號直接通過放大器和通過文中所提的預失真網絡后再通過放大器的頻譜圖對比。由此可見,雙音信號直接通過放大器后產生了較大的失真,其中的三階互調達到了-16 dB,五階互調也有-29 dB。通過對文中所提神經網絡預失真系統進行處理后,即信號通過預失真器再通過放大器后,三階互調被抑制到-42 dB,五階互調也被抑制到-48 dB以下,此時三階互調改善26 dB,五階互調改善19 dB,使放大器的非線性失真得到較大的抑制。
圖7 原始信號歸一化頻譜圖
圖8 預失真前后信號歸一化頻譜圖
下面以16QAM信號為例,說明這種預失真技術對功放非線性特性的改善,如圖9所示。
圖9(a)為16QAM信號規則星座圖,調制信號均勻地分布在正方形的16個點上;圖9(b)為16QAM信號經過功率放大器后解調的星座圖。由圖可見,信號經過放大器后,幅度受到壓縮,相位發生偏移,并且輸入信號幅度越大,輸出信號幅度壓縮越大,相位偏移越嚴重,最后出現嚴重的“云團效應”,使得接收端不能正確解調信號。圖9(c)是經過本節所提出的單入雙出式神經網絡預失真器處理后解調信號的星座圖。由圖可見,經過預失真處理后,由于放大器非線性引起的幅度壓縮和相位旋轉都得到較好的糾正,“云團效應”明顯減弱,最后各個點基本都在理想點上,與┩9(a)對比,基本消除了失真。
5 結 語
針對放大器固有的非線性特性問題,從數學上分析了放大器的非線性失真,介紹了基于預失真基本原理和神經網絡基本概念,提出了一種單入雙出式神經網絡自適應預失真技術。仿真結果表明,該技術能對三階互調能抑制29 dB左右,對五階互調能抑制19 dB左右,對QAM調制信號由于放大器非線性引起的幅度壓縮和相位旋轉都得到較好的糾正,在很大程度上克服了放大器非線性特性,改善了通信系統的性能。
圖9 16QAM信號星座圖失真及改善對比
參考文獻
[1]趙慧,漆蘭芬.射頻放大器的工作函數預失真線性化[J].無線電工程,2001,31(12):58-61.
[2]賈建華,劉戰勝.關于自適應預失真射頻功率放大器線性化研究[J].微波學報,2005,21(3):48-50.
[3]錢業青.一種高效的用于RF功率放大器線性化的自適應預失真結構[J].通信學報,2006,27(5):35-40,46.
[4]CYBENKO G. Approximations by superpositions of a sigmoidal function[J]. Mathematics of Control, Signals and Systems, 1989(2): 183-192.
[5]劉寶碇,趙瑞清,王綱.不確定規劃及應用[M].北京:清華大學出版社,2003.
[6]朱劍英.只能系統非經典數學方法[M].武漢:華中科技大學出版社,2001.
[7]WU Shan-yin, SIMON H S F, WONG Y M. The use of nonlinear curvefitting in digital predistortion for linearizing RF power amplifiers[J]. IEEE ICICS, 2005, 3: 960-963.
[8]GLENTIS G O, BERBERDIS K, THEODORIDID S. Efficient least sqares adaptive algorithms for FIR transversal filtering[J].IEEE Signal Processing Magazine,1999,16(4):13-41.
【關鍵詞】BP神經網絡；遺傳算法；變壓器；故障診斷
1 引言
變壓器作為電力系統重要的變電設備，其運行狀態直接影響到供電的可靠性和整個系統的正常運行。一旦發生事故，將對電力系統和終端用戶造成嚴重的影響。因此研究變壓器故障診斷技術，對電力系統安全運行有著重要的現實意義。
對變壓器油中溶解氣體進行色譜分析（DGA）是變壓器內部故障診斷的一種重要的手段。基于此技術，采用具有高度的非線性映射以及自組織、自學習能力的人工神經網絡，現階段在進行故障診斷時多采用BP神經網絡。BP算法是基于梯度的方法，容易陷入局部極小值，且收斂速度慢。GA遺傳算法的發展為我們提供了一個全局的、穩健的搜索優化方法，本文充分利用GA具有不受函數可微與連續的制約，并且能達到全局最優的特點，由GA尋找最優的BP網絡權值與相應節點的閾值，并加入動量因子，此方法彌補了傳統優化方法的不足，極大地改善了BP網絡的性能。
2 BP神經網絡及遺傳算法原理
2.1 BP神經網絡的基本原理
BP神經網絡是一種利用反向傳播訓練算法的前饋型神經網絡，BP學習算法基本原理是梯度最速下降法，中心思想是調整權值使網絡總誤差最小，即采用梯度搜索技術，以使其網絡的實際輸出值與期望輸出值的誤差均方值為最小。
BP學習算法包括前向傳播和誤差反向傳播兩個學習階段。當給定網絡的一個輸入模式時，輸入信號經隱層逐層處理后傳到輸出層，并由輸出層處理后產生一個輸出模式，稱為前向傳播；當輸出響應與期望的輸出模式有誤差時，則轉入誤差反向傳播。即將誤差值沿原來的連接通路逐層反向傳播直至輸入層，并修正各層連接權值。對于給定的一組訓練模式，不斷地重復前向傳播和誤差反向傳播的過程，通過沿途修改各層神經元間的連接權和神經元閾值使得誤差達到最小。當各個訓練模式都滿足要求時，就說BP網絡已學習好。BP神經網絡模型的基本結構如圖1。
2.2 附加動量的BP神經網絡
傳統的BP神經網絡訓練在修正權值時，是按著k時刻的負梯度方式進行修正，而忽略了之前積累的經驗，導致權值的學習過程發生振蕩，收斂緩慢。因此提出加入動量因子a，此時k+1時刻的權值為：
附加動量法總是力圖使同一梯度方向上的修正量增加。這種方法加速了收斂速度，并在一定程度上減小了陷入局部極小的概率。
2.3 GA遺傳算法的基本原理
GA是模擬自然界優勝劣汰的進化現象，把搜索空間映射為遺傳空間，把可能的解編碼成一個向量（染色體），向量的每個元素稱為基因。通過不斷計算各染色體的適應值，選擇最好的染色體，獲得最優解。
首先把問題解用遺傳表示出來，在對種群中的個體進行逐個解碼并根據目標函數計算其適應值。根據適應值的大小而決定某些個體是否得以存活的操作，把適應值高的個體取出復制再生，再將兩個個體的某些部分互換并重新組合而成新的個體，經過交叉后隨機地改變個體的某些基因位從而產生新的染色體。這樣的過程反復循環，經過若干代后，算法就收斂到一個最優的個體，問題最終獲得全局最優解。GA流程圖如圖2所示：
3 GA優化BP神經網絡的變壓器故障診斷模型設計
GA-BP算法主要思想是：先利用神經網絡試探出最好的網絡的隱層節點數，再利用遺傳算法在整體尋優的特點將網絡的權值優化到一個較小的范圍，進而用BP算法繼續優化。
3.1 BP網絡的建立
（1）輸入模式的確定
本文為了充分利用在線監測中的特征氣體而又不使輸入量過大，特取C2H2/C2H4、C2H4/C2H6、CH4/H2的比值歸一后作為輸入矢量。
（2）輸出模式的確定
本文對輸出層采用正常、低溫過熱、中溫過熱、高溫過熱、局部放電、低能放電、高能放電共7個神經元。輸出值最大為l，數值越大則表明該類型的故障的可能性和嚴重程度也越大，如表2.1：
（3）隱含層神經元數確定
本文參考關于隱含層神經元數的理論研究和經驗公式，獲得理論值為5～15。再利用matlab 軟件，通過試湊法對網絡進行訓練，將隱層節點設置為6、8、10、12、14，將其輸入計算機，在相同訓練條件下進行訓練，得知隱層節點數為12時網絡收斂性能好，收斂時間較短。故選節點數為12。
綜上所述，本文構建一個輸入層為3，隱含層為12，輸出層為7的BP神經網絡。
3.2 GA對BP網絡進行優化
（1）初始化種群P、以及權值、閾值初始化；在編碼中，采用實數進行編碼，本文初始種群取30；
（2）計算每一個個體評價函數，并將其排序；可按下式概率值選擇網絡個體：
其中 i為染色體個數，k為輸出層節點數，YK為訓練值，P為學習樣本數，T為期望目標值；
（3）進行選擇復制、交叉、變異遺傳操作；
（4）將新個體插入到種群P中，并計算新個體的評價函數；
（5）計算BP的誤差平方和，若達到預定值則進行BP神經網絡的訓練，否則重復進行遺傳操作；
（6）結束GA操作，以GA遺傳出的優化初值作為初始權值，運用BP神經網絡進行訓練，計算其誤差，并不斷修改其權值和閾值，直至滿足精度要求，此時說明BP網絡已經訓練好，保存網絡權值和閾值。
4 故障診斷系統的仿真
本文選取了具有代表性的30組作為訓練樣本， 在建立的GA-BP變壓器故障診斷網絡中輸入樣本進行訓練，其遺傳算法適應度曲線、誤差平方和曲線和GA-BP的訓練目標曲線圖分別見圖3、圖4和圖5。
從圖中可以看出，適應度較高的個體被遺傳了下來，適應度較低的則被淘汰；GA進行了150代的遺傳操作達到了目標值；GA-BP算法進行了106步左右就收斂到指定精度0.0005。由此看出，此GA優化BP建立的變壓器故障診斷模型的收斂精度和收斂速度都比較高。
采用實際檢測到的10組電力變壓器故障實例（表2）來驗證網絡性能，神經網絡診斷結果和實際故障結果的比較，如表3所示：
由表3可見，基于遺傳算法優化BP神經網絡的變壓器故障診斷系統在故障診斷中達到了很高的準確率，能較好地滿足變壓器故障診斷的要求，極大的提高了診斷的可靠性和準確性。
5 結束語
文中將遺傳算法與BP網絡相結合，在DGA的基礎上設計了適用于變壓器故障診斷的3-12-7結構的BP神經網絡。先對網絡的權值閾值進行GA算法處理，并在傳統的BP算法中加入動量因子，通過MATLAB編程實現了GA優化BP網絡。通過仿真分析可知GA優化BP網絡收斂性能的提高改善了BP網絡的學習效率，并在下一步的診斷工作中體現其高準確率，推廣了此優化網絡在變壓器故障診斷的實用性。
參考文獻：
[1]張緒錦，譚劍波，韓江洪.基于BP神經網絡的故障診斷方法[J].系統工程理論與實踐，2002（6）.
[2]王少芳，蔡金錠.GA―BP混合算法在變壓器色譜診斷法中的應用[J].高電壓技術，2003（7）.
[3]鄭高，戴玉松.人工智能方法在變壓器故障診斷中的應用[J].四川工業學院報，2004 （5）.
[4]李國勇.智能控制機器MATLAB實現[M].電子工業出版社，2005.
[5]徐志鈕，律方成.多神經網絡方法在變壓器油色譜故障診斷中的應用[J].高壓電器，2005（3）.
關鍵詞：滑坡 F-A-M 橋梁易損度
中圖分類號：U4 文獻標識碼：A 文章編號：1007-0745（2013）05-0252-02
1.引言
高速公路不斷向西部山區發展，山區特殊的地質水溫狀況，使得滑坡等地質災害頻發，橋梁作為帶狀結構物不免要受到滑坡的破壞，對滑坡區的橋梁進行滑坡易損性風險評估，為施工單位提供參考。所謂F-A-M法就是神經網絡-有限元-蒙特卡羅模擬計算方法。以往利用有限元計算概率的方法的計算量過于龐大，利用F-A-M法則可避免這一弊端。
2.F-A-M法的原理
2.1. F-A-M法的基本原理及思路
基于F-A-M的風險概率計算方法，是以有限元軟件計算、神經網絡仿真分析、蒙特卡羅方法模擬為基礎，通過有限元軟件數值計算來建立一個可靠的神經網絡模型，然后根據蒙特卡羅模擬的有關理論，最終得到概率值。F-A-M法的基本思路為：首先建立描述問題相近的概率模型，并利用相似性把這個概率模型的某些特征（變量的均值方差等）與數學計算問題的解答聯系起來，然后對模型進行隨機模擬和統計抽樣，最終利用所得結果求出這些特征的統計估值作為原來數學計算問題的近似解[1]。
2.2. F-A-M法的基本步驟
3.F-A-M法的實橋應用
3.1 工程概況
該橋位于湖北省境內，上部結構為7*30m預應力混凝土T型連續梁橋，雙柱式橋墩，U型擴大基礎。橋位跨越處為三峽水庫蓄水淹沒區，兩側均為斜坡且都種植桔樹，其中一側坡度較大約50°。不良地質為順層土坡，坡體表面堆積碎石土，結構松散，下伏侏羅系的粉砂土，坡面與巖層產狀近一致，構成順坡結構，便道開挖不當會導致坡體失穩或坍滑。另外三峽庫區蓄水以后，導致坡腳長期浸泡的水中，極易引起土體失穩而塌岸。
3.2 概率計算
通過有限元軟件MIDAS CIVIL建立模型如圖2。將利用巖土軟件計算得出12組滑坡沖擊力，將其加載到3號橋墩上，計算兩橋梁結構的內力。經計算最危險單元均位于墩底，結果見表1。圖3是第一組力計算的結果。
利用MATLAB建立神經網絡，利用上面的數據進行網絡的訓練與檢驗。結果見表2所示。
由表2可知神經網絡與有限元計算結果的誤差較小，最大的為3.66%，這對于山區橋梁滑坡易損性風險分析是足夠準確的。
參考文獻：[2]中的計算公式計算橋墩的屈服彎矩M=6352.4KNm。根據蒙特卡羅原理，利用MATLAB編寫程序隨機產生多組隨機數，然后將各組隨機數分別帶入已經訓練好的網絡中，最后統計出超過屈服彎矩的值得個數，得到山區橋梁滑坡風險概率，詳見表3。
由表3可知隨著模擬次數的增加，概率趨于穩定，并近似等于0.076。
4.結論
基于神經網絡-有限元-蒙特卡羅（F-A-M）模擬計算方法很好的解決了傳統概率計算中遇到的橋梁結構極限狀態函數呈隱式、高次非線性的問題。而且避免了單純使用有限元軟件計算風險概率的龐大計算量的難題，利用神經網絡以及蒙特卡羅的原理大大減少了結構有限元的計算次數，提高了計算效率。
參考文獻：
1基于貝葉斯算法的BP神經網絡
1.1貝葉斯算法基于貝葉斯算法的BP神經網絡是基于貝葉斯定理而發展出來的用于解決統計問題的方法，即任意一個待求量都可以看作是一個隨機變量，因此可以通過概率分布來對待求量進行描述，這個概率是在抽樣前就有的關于待求量的先驗概率分布。貝葉斯理論正是在沒有樣本信息時，只根據先驗概率分布來求解待求量。而在有樣本后，則可根據總體、樣本和先驗信息的聯合分布來對未知量進行判斷。后驗分布π（θ|x）是反映人們在抽樣后對隨機變量θ的認識，其與先驗分布即樣本x的差異是由于樣本出現后人們對θ的調整，即后驗分布π（θ|x）為抽樣信息對先驗分布π（θ）調整的結果[6]。
1.2貝葉斯算法BP神經網絡基于貝葉斯算法的BP神經網絡是一種以神經網絡基本原理為構架，通過引入貝葉斯推理有效地控制網絡模型的復雜度，進而更好地解決非線性問題及其不確定性[7]。在BP神經網絡中，訓練樣本集為D（xm，Om），xm為輸入信號，Om為輸出節點，在一定的網絡結構A與網絡參數W下，可以得到網絡的輸出由網絡的輸入D唯一的確定。網絡訓練的目標函數為誤差函數ED（D|W，A），則有。采用貝葉斯算法BP神經網絡步驟如下：（1）確定網絡結構A，初始化超參數α，β，對網絡參數W進行賦值。（2）以最終目標函數為M（W）最小為原則，對BP神經網絡進行訓練，尋找最優可能網絡參數W。（3）尋找最優可能參數α，β。（4）采用不同初始網絡參數尋找最優網絡參數。（5）對不同網絡結構A，尋找最優網絡參數。
2貝葉斯算法的BP神經網絡量化結果分析
2.1訓練樣本與測試樣本在對管道進行磁化的過程中，最常用的方法是沿管道軸向進行磁化，提取缺陷處沿軸向變化的漏磁場與沿周向變化的漏磁場，缺陷的長度信息主要由沿軸向變化漏磁場反應，缺陷的寬度信息主要由沿周向變化的漏磁場反應，而缺陷的深度信息則是由這兩個量共同反應[9]。本文采用實驗的方法獲取網絡所需樣本，這里以對陡壁缺陷的分析為例，研究貝葉斯算法的BP神經網絡對陡壁缺陷量化的有效性。分別制作缺陷長度為3，3.5，4，4.5，5，5.5倍管道壁厚，寬度為0.5，1，1.5，2倍管道壁厚，深度為0.1，0.15，0.2，0.25倍管道壁厚，共得到96組測量結果，取其中80個缺陷特征作為網絡的訓練樣本，剩余的16個缺陷特征作為測試樣本。
2.2長度的量化采用統計分析的方法選取與缺陷長度關系密切的特征量作為神經網絡的輸入信號，將缺陷長度作為網絡的輸出信號來對網絡進行訓練。所選取主要特征有漏磁場軸向分量的靜態閾值截取長度、一階微分信號極小值的位置與周向變化漏磁場動態閾值截取長度。分別對基本的BP神經網絡與貝葉斯算法的BP神經網絡進行訓練，當均方誤差小于10-3時停止訓練，得到兩種網絡的訓練與學習過程如圖1所示。比較兩種算法訓練過程可以看出貝葉斯算法的BP神經網絡總共進行了331次訓練，而基本的BP神經網絡總共進行了1789次訓練，可見貝葉斯算法的BP神經網絡的收斂速率更快。用16組測試數據對兩種網絡長度的量化誤差進行比較，得到量化后缺陷最大相對誤差與最小相對誤差如表1所示，對應貝葉斯算法BP神經網絡量化的缺陷如表2所示。從表2中可以看出，采用貝葉斯算法的BP神經網絡量化得到的缺陷長度與設計值的誤差明顯小于基本的BP神經網絡，最大相對誤差僅為0.05%。
2.3寬度的量化與缺陷長度的量化相似，采用統計分析的方法選取與缺陷寬度關系密切的特征量作為神經網絡的輸入信號，將缺陷寬度作為網絡的輸出信號來對網絡進行訓練。所選取主要特征有軸向變化漏磁場峰谷值、周向變化漏磁場波形面積、波形能量、靜態閾值截取長度。分別對基本的BP神經網絡與貝葉斯算法的BP神經網絡進行訓練，當均方誤差小于10-3時停止訓練，得到兩種網絡的訓練與學習過程如圖2所示。比較兩種算法訓練過程可以看出貝葉斯算法的BP神經網絡總共進行了269次訓練，而基本的BP神經網絡總共進行了2248次訓練，可見引入貝葉斯算法后的BP神經網絡的收斂速率大幅提升。與之前相同，用16組測試數據對兩種網絡寬度的量化誤差進行比較，得到量化后缺陷誤差如表3所示，貝葉斯算法BP神經網絡量化達到誤差的缺陷見表4。在對缺陷寬度進行量化的過程中，盡管量化得到的最大相對誤差仍較大，采用貝葉斯算法的BP神經網絡量化得到的缺陷寬度與設計值的誤差明顯小于基本的BP神經網絡。
2.4深度的量化在對缺陷的深度進行量化時，采用統計分析的方法選取了缺陷的長度、寬度以及軸向變化漏磁場的兩個峰谷值、波形面積、周向變化漏磁場峰值、峰谷值作為神經網絡的輸入信號，將缺陷深度作為網絡的輸出信號來對網絡進行訓練。對基本的BP神經網絡與貝葉斯算法的BP神經網絡進行訓練，得到兩種網絡的訓練與學習過程如圖3所示。貝葉斯算法BP神經網絡總共進行了4152次訓練，基本的BP神經網絡總共進行了8763次訓練，盡管引入貝葉斯算法BP神經網絡的訓練過程仍舊較長，但比基本BP神經網絡的收斂速率有所提升。用16組測試數據對兩種網絡深度的量化誤差進行比較，得到量化后缺陷誤差如表5所示，貝葉斯算法BP神經網絡量化達到誤差的缺陷見表6。從對缺陷深度量化結果可以看出，采用貝葉斯算法的BP神經網絡對缺陷深度進行量化，得到的缺陷深度與設計值的誤差小于基本的BP神經網絡。
3結束語
關鍵詞：BP人工神經網絡模型；多元線性回歸；逐步回歸；擬合精度
中圖分類號：TP183；Q945.17 文獻標識碼：A 文章編號：0439-8114（2014）02-0434-03
Application of Artificial Neural Network in Predicting Trunk Sap Flow
XIE Heng-xing1，ZHANG Zhen-hua2
（1.College of Chemistry and Life Science， Weinan Normal University， Weinan 714099， Shaanxi， China；
2. College of Geography and Planning， Ludong University， Yantai 264025， Shandong， China）
Abstract： The BP artificial neural network model， multi-linear regression model and stepwise regression model were used to fit trunk sap flow velocity and the fitted precision was compared. Results showed that the fitting effect was the best in BP artificial neural network model with a deciding coefficient of 0.944 3， the smauest relative error within the range of -31.120 0%～36.755 5%. In the fitting effect of sap flow， BP artificial neural network was the best one.
Key words： BP artificial neural network model； multi-linear regression； stepwise regression； fitting precision
液流是指蒸騰在植株體內引起的上升流，植株根部吸收的水分99.8%以上消耗在蒸騰上[1]，而樹干是樹木液流通道的咽喉部位，因此通過精確測量樹干部位的液流速率、液流量可以基本反映植株的蒸騰狀況。熱技術是目前測量植株液流應用最廣泛的方法[2]，熱技術根據不同的原理可分為熱脈沖法、熱平衡法和熱擴散法[3]。國內外學者應用熱技術對植株液流進行了研究，如劉奉覺等[4]、司建華等[5]應用熱脈沖技術分別研究了楊樹和胡楊的液流；嚴昌榮等[6]、曹文強等[7]應用熱平衡技術分別研究了胡桃楸和遼東櫟等樹木的液流；馬長明等[8]、孟平等[9]應用熱擴散技術對山楊和蘋果等樹木的液流進行了研究。但研究多停留在對植株液流現象的描述上，對植株液流與環境因子的定量分析也僅僅是簡單的回歸分析或逐步回歸分析[4-9]，缺乏系統的量化研究。Ford等[10]利用熱擴散技術觀測了火炬松的液流變化，并應用ARIMA（差分自回歸移動平均）模型擬合了土壤水分虧缺條件下火炬松樹冠蒸騰。人工神經網絡是一個具有高度非線性的超大規模連續時間動力系統，因其具有自學習功能、聯想存貯功能、高速尋找優化解功能等優點而在經濟、化工、水文、農業等領域得到了廣泛應用[11-14]。樹干液流與環境因子之間很難建立一個準確的數學方程[15]，本試驗嘗試利用BP人工神經網絡模型來擬合液流速率，以求為液流速率和環境因子之間建立準確的數量關系。
1 材料與方法
1.1 研究區概況
1.2 儀器安裝
2 結果與分析
2.1 BP人工神經網絡基本原理
2.2 液流速率BP人工神經網絡分析
3 結論
液流速率是植物蒸騰強弱的表現，蒸騰受溫度、濕度、風速和太陽輻射諸多因子的影響，而環境因子之間又存在復雜的關系，這給液流速率的預測帶來了很大的難度。BP人工神經網絡在超大規模非線性模擬中顯示了一定的優越性，利用人工神經網絡研究液流與環境因子的定量關系具有廣闊的適用性。本試驗的擬合結果表明，BP人工神經網絡模型明顯優于多元線性回歸和逐步回歸模型，其液流速率的擬合值與觀察值相對誤差最小。
參考文獻：
[1] 王沙生，高榮孚，吳貫明.植物生理學[M]. 第二版.北京：中國林業出版社，1991.192.
[2] 孫慧珍，周曉峰，康紹忠.應用熱技術研究樹干液流進展[J].應用生態學報，2004，15（6）：1074-1078.
[3] SWANSON R H. Significant historical developments in thermal methods for measuring sap flow in trees[J]. Agric For Meteorol，1994，72（1-2）：113-132.
[4] 劉奉覺，EDWARDS W R N，鄭世鍇，等.楊樹樹干液流時空動態研究[J].林業科學研究，1993，6（4）：368-372.
[5] 司建華，馮 起，張小由.熱脈沖技術在確定胡楊幼樹干液流中的應用[J].冰川凍土，2004，26（4）：503-508.
[6] 嚴昌榮，ALEC D，韓興國，等.北京山區落葉闊葉林中核桃楸在生長中期的樹干液流研究[J].生態學報，1999，19（6）：793-797.
[7] 曹文強，韓海榮，馬欽彥，等.山西太岳山遼東櫟夏季樹干液流通量研究[J].林業科學，2004，40（2）：174-177.
[8] 馬長明，管 偉，葉 兵，等.利用熱擴散式邊材液流探針（TDP）對山楊樹干液流的研究[J].河北農業大學學報，2005，28（1）：39-43.
[9] 孟 平，張勁松，王鶴松，等.蘋果樹蒸騰規律及其與冠層微氣象要素的關系[J].生態學報，2005，25（5）：1075-1081.
[10] FORD C R，GORANSON C E， MITCHELL R J， et al. Modeling canopy transpiration using time series analysis： A case study illustrating the effect of soil moisture deficit on Pinus taeda[J]. Agric Forest Meteorol， 2005，130（3-4）：163-175.
[11] 劉 艷，楊 鵬.基于ANN的預警指標預測系統在企業經濟運行預警中的應用[J].統計與決策，2006（4）：161-163.
[12] 胡燕瑜，桂衛華，李勇剛，等.基于BP神經網絡的熔融鋅液流量檢測[J].有色金屬，2003，55（3）：143-146.
[13] 過仲陽，陳中原，李綠芊，等.人工神經網絡技術在水質動態預測中的應用[J].華東師范大學學報（自然科學版），2001（1）：84-89.
關鍵詞：智能車；電磁循跡；路徑識別；神經網絡；偏差量
中圖分類號：TP391.41 文獻標識碼：A 文章編號：1007-9599 （2012） 17-0000-02
1 引言
人工神經網絡是模擬生物神經系統建立起來的非線性動力學系統具有自我學習、聯想存儲以及高速尋求最優解的強大功能，它的分類能力和非線性映射能力使得它在系統辨識、模式識別、圖像處理、智能控制等領域有著廣泛而吸引人的前景，并且越來越多地被人們所運用。
“飛思卡爾”杯全國大學生智能車競賽中的電磁組是依據電磁感應原理，實現智能車的自動循跡。以飛思卡爾公司生產的MC9S12XS128芯片作為微控制器，以通有固定頻率和電流值的導線作為目標路徑，用電磁傳感器檢測智能車偏離導線的偏差量，配合舵機和電機的動作在50cm寬的賽道上實現自動循跡。其中偏差量的檢測與計算是智能車能否準確快速跟蹤引導線的關鍵。當前偏差量的計算算法主要有兩種，一種是取感應電動勢最大的傳感器位置作為線徑所在位置，這種方法本質上以點來檢測，測量精度低，需要的傳感器數量大。另外一種是根據感應電動勢的特點，將兩個傳感器的感應電動勢作差值計算，得到電動勢與偏差量之間的一個二次函數，這種方式計算是關于二次函數來進行的，計算量大，對檢測的實時性會有所影響。本文提出的方案，是以電感線圈作為傳感器來檢測路徑，基于人工神經網絡算法來計算車身相對引導線的偏移量，把樣本數據放在matlab環境下訓練，得到滿足誤差要求的參數，然后將參
2 BP神經網絡模型基本原理
BP神經網絡由信息的正向傳播和誤差的反向傳播兩個過程組成。輸入層各神經元負責接收來自外界的輸入信息，并傳遞給中間層各神經元；中間層是內部信息處理層，負責信息變換，中間層傳遞到輸出層各神經元的信息，經進一步處理后，完成一次學習的正向傳播處理過程，由輸出層向外界輸出信息處理結果。當實際輸出與期望輸出不符時，進入誤差的反向傳播階段。誤差通過輸出層，按誤差梯度下降的方式修正各層權值，向隱層、輸入層逐層反向傳播。BP神經網絡的拓撲結構如所示：
BP神經網絡主要由輸入層、隱含層和輸出層構成。輸入信號先向前傳播到隱含層節點，經作用函數后，把隱節點的輸出信號傳播到輸出節點，最后得出輸出結果。本文中隱層節點的激勵函數選取雙曲正切S型函數，
（1）
在正向傳播過程中，輸入信息從輸入層經隱含層逐層處理，并傳向輸出層。每一層神經元的狀態只影響下一層神經元的狀態。如果輸出層得不到期望的輸出，則轉入反向傳播，將誤差信號沿原來的連接通道返回，通過修改各層神經元的權值，使得誤差信號最小。
前向傳播過程：
（1）隱層神經元的輸入為輸入神經元的加權和加上輸入層到隱層的閾值。
（2）
（2）隱層神經元的輸出為：
（3）
（3）輸出層神經元輸出為隱層神經元的輸出加權和加上隱層到輸出層閾值。
（4）
網絡輸出y1與理想輸出y01的誤差e1為：
e1=y10-y1 （5）
反向傳播采用L-M優化算法，調整各層間的權值。L-M算法是一種利用標準的數值優化技術的快速算法，它是梯度下降法與高斯-牛頓法的結合。設W（k）表示第 k 次迭代的權值和閾值所組成的向量新的權值和閾值組成的向量W（k+1）可根據下面的規則求得：
（6）
對于L-M算法則有：
（7）
其中，J為雅克比矩陣。比例系數μ>0為常數，I為單位矩陣。當 μ=0即為高斯-牛頓法；當μ取值很大則接近梯度下降法。實踐證明，采用L-M算法可以較原來的梯度下降法提高速度幾十甚至上百倍。本文采用L-M算法進行訓練。
3 Matlab中神經網絡算法的實現
3.1 獲取樣本數據
根據麥克斯韋電磁場理論，通有交變電流的導線會在其周圍產生交變的電磁場，如果在里面放置一個電感線圈，電磁感應作用會使線圈中產生交變的感應電壓。智能車使用電感線圈作為傳感器檢測導線周圍磁場信息，由電磁學可知，水平放置的電感線圈在導線磁場內的感應電動勢E=h/（h2+x2），h表示傳感器離導線的垂直距離，x代表傳感器距離導線的水平距離。假設h=5cm，x在±15cm內電動勢和水平距離的關系曲線如2所示：
經過實際測試，使用四路傳感器比較合適。傳感器分布以車軸為中心，間隔為12cm 呈“一”字均勻排列構成前瞻，傳感器距離水平面15cm，距離車身50cm。布局示意圖如圖3所示：
圖2電動勢和水平距離的曲線圖 3前瞻分布示意圖
將傳感器的感應電動勢進行檢波放大 ，把處理后的信號經AD轉換得到傳感器信號值。轉換過程如圖4所示。
本系統的BP神經網絡的輸入為四路傳感器的感應電壓信號，輸出為小車車身偏移引導線的水平偏移量，綜合考慮訓練誤差和速度，設置隱含層得神經元個數為10。訓練目標誤差平方和取為0.000005 ，訓練次數為5000次。
3.2 智能車算法實現：
最終算法的實現需要將神經網絡的訓練好的權重和閾值移植到智能車的微控制器中去。通過BP神經網絡對智能車采集到的輸入信號進行處理運算，計算得到的輸出層的神經元輸出值就是當前車軸中心線偏離引導線的偏差量，根據此值進行相應的打舵與調速操作，以實現智能車的快速穩定循跡。
4 實驗結果與分析
記錄并分析實驗數據，matlab訓練得到的實際輸出與理想輸出之間的關系如圖5所示：
由上圖可知，基于BP神經網絡算法計算出的偏差量與理想偏差量之間的誤差在±1cm以內。在“飛思卡爾”杯智能汽車競賽中，由于神經網絡的非線性映射能力和高速尋求最優解能力，把它應用到智能車的循跡上來效果是很明顯的，它不需要計算感應電動勢和偏差量之間的非線性關系，把計算量很大的訓練過程放在matlab環境下進行，微控制器直接使用matlab下訓練得到的參數就可以了。
5 結論
本文在當前主流循跡算法的基礎上，提出了基于BP神經網絡的路徑識別算法，并詳細敘述了基本原理和具體的實現方法。實驗結果證明：使用BP神經網絡計算得到的結果誤差在±1cm以內，它可以大幅度地提高智能小車對環境的適應性，從而降低系統對智能小車硬件的要求。但其激勵函數和學習算法仍需要深入研究，并且在實際運用中還有待提高，以達到更好的應用效果。
參考文獻：
[1]卓晴，黃開勝，邵貝貝.學做智能車[M].北京：北京航天航空出版社，2007.
[2]馬銳.人工神經網絡原理[M].機械工業出版社，2010.
[3]張雨濃，楊逸文，李巍.神經網絡權值直接確定法[M].中山大學出版社，2010.
[4]陳杰，黃鴻.傳感器與檢測技術[M].北京：高等教育出版社，2002.
[5]飛思卡爾競賽管理秘書處，電磁組競賽車模路徑檢測設計參考方案，2010.
[6]童詩白，華成英.模擬電子技術基礎[M].高等教育出版社，2000.
[7]傅薈璇，趙紅等.MATLAB神經網絡應用設計[M].機械工業出版社，2010.
[8]CS12微控器原理及應用[M].北京航天航空大學出版社，2007.
【關鍵詞】信用風險評估 判別分析 Logit模型 BP人工神經網絡模型
一、引言
銀行在現代經濟體系中發揮著非常重要的作用，尤其是在創造貨幣存款、實現金融政策效率、社會投資實現等方面都起到了舉足輕重的核心作用。信用風險評估是銀行信用風險管理的關鍵環節，關系到銀行自身的生存和經濟社會的穩定和繁榮，世界上所有國家都非常重視對銀行信用風險的監管和評估，特別是發達國家更是對此關注度極高。我國商業銀行和金融市場仍處在轉軌和新興發展階段，信用風險管理方法和技術比較落后，因此加快我國信用風險評估方法研究顯得尤為必要和迫切。
信用風險評估方法的研究可以追溯到上世紀30年代，大致經歷了比例分析、統計分析和人工智能三個階段。本文試圖通過闡述統計模型和人工智能模型中的典型代表來分別闡述其實現條件和過程，分析各種方法的不足，并對我國銀行信用風險評價方法給出評價和建議。
二、兩類銀行信用風險評估方法介紹
（一）傳統統計方法概述
傳統的統計分析方法主要是基于多元統計分析方法，其基本思路是根據已經掌握的歷史上每個類別的若干樣本，從中分析出分類的規律，建立判別公式，用于新樣本的分類，典型的代表有多元判別分析（MDA）和Logit模型分析。
1.多元判別分析（MDA）。數理統計理論中判別分析模型主要有三類，分別是距離判別法、Bayes判別分析法、Fisher判別分析法；在三種判別分析方法中，距離判別法是根據個體到總體間的距離進行判別；Bayes判別是在已知總體分布的條件下求得平均誤判概率最小的分類判別函數；Fisher判別是在未知總體分布函數的條件下，根據Fisher準則得到的最優線性判別函數，Fisher準則的基本思想就是利用一元方差分析思想，導出線性判別函數。
2.Logistic模型的提出。由于多元判別分析模型（MDA）在應用的過程中要求有正態分布的假定，而在現實經濟生活中常無法滿足，所以當涉及到一些樣本數據不同分布于正態分布時，應用MDA模型所得到的研究結果缺乏可信度，從而探索非同分布的方法就十分必要，其中最常見的一種方法就是應用Logistic模型，Logit分析與MDA分析最本質的差異就在于Logit分析不需要樣本滿足正態分布或同方差，其判別正確率高于判別分析結果。Logit模型采用logistic函數，函數形式如下：
Y=,η=с0+cixi；
其中xi（1≤i≤p）表示第i個指標，ci是第i個指標的系數，Y是因變量，因為Y∈（0,1），所以Y也可以理解為屬于某一類的概率。
由于logit分析無需假定任何的概率分布，所以就不需要類似于判別分析那樣先進行檢驗而是可以直接應用樣本數據計算，以得到logit模型。
（二）人工智能模型（AI）概述
1.人工神經網絡及BP神經網絡概述。人工神經網絡是一種具有模式識別能力的計算機制，它具有自組織、自適應和自學習三大特點，它的編碼可以用于整個的權值網絡，不僅可以呈現分布式存儲，而且具有相當大的容錯能力。在人工神經網絡中，下面提到的BP神經網絡技術是算法最成熟且應用最廣泛的一種。
2.BP神經網絡的基本原理和算法。第一，BP神經網絡的基本原理。
BP神經網絡屬于前向三層即前饋式神經網絡的一種典型分支代表，主要是由以下三個部分組成即輸入層、隱含層和輸出層組成。
第二，BP神經網絡的基本算法。
BP學習算法的基本思想是通過由輸入層輸入的信息，傳導至隱層分析后再由輸出層輸出，如果輸出層的結果未達到期望值要求則計算每個神經元的誤差值并且將這些誤差值重新反向傳遞到隱層的神經元，根據誤差值調整各個神經元的連接權值，直到誤差值達到了期望值的要求。
BP神經網絡技術一般運用傳遞函數來反映下層的輸入對上層節點的刺激脈沖強度，因此傳遞函數又稱為刺激函數，通常情況下取（0，1）內連續取值Sigmoid函數。
Sigmoid函數函數可以表示為：
該函數可以用于計算和反映出實際的計算輸出與期望輸出間的誤差大小。
三、兩類方法存在問題的分析
（一）統計分析方法存在的問題
傳統統計分析模型是以歷史數據作為分析和建立模型的基礎，這些數據僅以會計賬面價值為原始來源，沒有將銀行貸款者的非財務因素納入模型當中，并且這些會計賬面數據屬于離散和非連續性的數據類型，因此很難捕捉到這些銀行貸款者信用狀況細微和快速的變化，無法對貸款者的信用狀況做出比較全面的評價。另外，該類模型處理速度慢且數據的準確性較差，屬于靜態模型沒有自主的調整能力。
（二）人工智能模型存在的問題
人工智能模型最大的缺陷在于指標和加權值的確定帶有很大的主觀性和不確定性，造成在網絡結構確定方面存在較大困難，另外該模型的訓練效率比較低，解釋能力也比較差，在建模過程中經常出現組合爆炸和過度擬合等問題。其典型代表神經網絡系統的缺陷主要有以下幾個方面，第一，所謂“黑箱子”問題，即神經網絡沒有辦法確定輸入變量之間的具體的函數關系，也無法產生有效的統計規則來解釋模型的具體運行過程，這使得模型在應用時缺乏透明度和可信度；第二，在指標選取方面，神經網絡模型對于非線性的方法沒有統一具體的成熟方法進行分析指標選取；第三，模型結構的問題，神經網絡模型在應用過程中效果表現的好壞和預測結果的精確程度主要決定于系統結構的設計是否合理和科學，但是如果想要得到一個比較好的神經網絡結構通常會消耗大量的人力和時間，這些在實際的建模過程中經常無法同時滿足。
四、對我國銀行信用風險評估的啟示
（一）我國銀行信用風險評估存在的問題
我國商業銀行信用風險評估方法的主要缺陷可以概括為以下幾個方面，首先，在商業銀行信用風險評估中，大部分采用的仍然是專家系統機制，即通過個別專家系統的經驗和個別風險分析人員提供的信息來對信貸的風險進行評估和決策，這就導致信用風險評估效果較低且銀行無法及時地應對金融市場的即時變化；其次，國內對銀行信用風險評價方法的研究中大都缺乏定性分析和定量分析相結合的探索，片面的停留在定性分析和定量分析的兩個極端，第三，在現今的銀行信用風險評估指標體系方面，沒有形成客觀、科學、有效的指標體系，大多數信用風險模型選取的都是財務性指標而缺乏那些影響信用風險的非財務指標；最后，由于我國金融市場的發展起步較晚，銀行業各種運作機制存在很多的問題尚待完善和發展，其中很重要的一點就是我國商業銀行在客戶資料收集、整理和存儲方面存在很大的不足，未能建立有效的風險評估數據庫系統，不能為風險評估模型的運用提供很好的樣本基礎，成為制約我國風險評估方法發展的一大瓶頸。
（二）對我國銀行信用風險評估的啟示
雖然我國商業銀行信用風險評估的方法和理論得到了不斷地發展，但其中仍存在需要改進的地方。在我國，大多數先進的銀行信用風險評估方法是建立在西方發達國家商業銀行對歷史數據的統計分析和經驗總結的基礎上，還不能夠直接應用到我國商業銀行信用風險評估當中，因此我國商業銀行在研究和探索信用風險評估方法時必須考慮到我國自己的基本國情、金融市場發展的現狀以及銀行業自身發展的客觀現實等。
針對以上分析的國內信用風險評估方法發展的現狀，我們可以通過從以下幾個方面來改善和提高。一方面，商業銀行應該建立切實有效的企業信貸風險管理數據庫系統，加強對企業各類違約風險評估數據的收集、整理和管理，及時更新和加強數據庫的建設。另一方面，商業銀行需要建立自身內部的信用評價體系，為現代信用風險評估的運用創造適宜的條件和基礎，將定性方法和定量方法相結合，進一步推動我國銀行信用風險評估方法的發展。最后，任何完善的信用風險評估方法都離不開高素質的專業風險管理人才，因此加強信用風險評評價的人才隊伍建設也是一個刻不容緩的課題，商業銀行應該加快培養高素質信用風險評估人才的步伐，同時要在全球范圍內大量吸納那些已經具備信用風險評估專業知識和技術的優秀人才，為推動我國信用風險評估方法的進步不斷尋求突破。
參考文獻
［1］柯孔林，周春喜.商業銀行信用風險評估方法研究述評［J］.商業經濟與管理，2005(6)
［2］王建新，于立勇.基于信用風險度的商業銀行風險評估模型研究［J］.管理工程學報，2007(4)
［3］徐曉霞，李金林.基于決策樹法的我國商業銀行信用風險評估模型研究［J］，北京理工大學學報，2006, 8(3)
［4］王莉，鄭兆瑞，郝記秀.BP神經網絡在信用風險評估中的應用［J］.太原理工大學學報，2005,36(2)
［5］韓崗.國外信用風險度量方法及其使用性研究［J］，國際金融研究，2008
［6］閆曉麗，徐建中.商業銀行信用風險評估模型比較研究［J］，哈爾濱工業大學學報（社會科學版），2007,9(2)
［7］鄭毅，藺帥.遺傳神經網絡在商業銀行信用風險評估中的應用［J］.社會科學家，2008,(1)
