前言：想要寫出一篇令人眼前一亮的文章嗎？我們特意為您整理了5篇神經(jīng)網(wǎng)絡(luò)的難點范文，相信會為您的寫作帶來幫助，發(fā)現(xiàn)更多的寫作思路和靈感。

神經(jīng)網(wǎng)絡(luò)的難點范文第1篇

【關(guān)鍵詞】神經(jīng)網(wǎng)絡(luò) 手寫 識別系統(tǒng) 應(yīng)用

隨著計算機(jī)技術(shù)的快速發(fā)展，其在人們的辦公學(xué)習(xí)和日常生活成了不可替代的工具。鍵盤已經(jīng)幾乎完全替代了筆在人們生活中的地位，隨之而來的后果就是人們越來越少的區(qū)書寫漢字，導(dǎo)致越來越多的中國人甚至都忘記了漢字該如何書寫，這種現(xiàn)象在很多研究和報道中都有體現(xiàn)。計算機(jī)和鍵盤是由西方國家發(fā)明的，其符合西方國家的語言習(xí)慣，對于中國人來說，用字母、符號去完成方塊漢字的輸入就需要使用者非常熟悉漢語拼音或者五筆編碼，對于文化程度較低的使用者來說，這些都限制著他們使用計算機(jī)。鑒于計算機(jī)鍵盤的這些缺陷，聯(lián)機(jī)手寫輸入法應(yīng)運(yùn)而生，這為計算機(jī)的輸入帶來了新的發(fā)展機(jī)遇和挑戰(zhàn)。

1 聯(lián)機(jī)漢字手寫識別的意義及難點

聯(lián)機(jī)漢字識別是用書寫板代替?zhèn)鹘y(tǒng)紙張，筆尖通過數(shù)字化書寫板的軌跡通過采樣系統(tǒng)按時間先后發(fā)送到計算機(jī)中，計算機(jī)則自動的完成漢字的識別和顯示。

1.1 聯(lián)機(jī)漢字手寫識別的意義

聯(lián)機(jī)手寫漢字識別的誕生具有非常重要的意義。首先這種輸入方法延續(xù)了幾千年中華文明的寫字習(xí)慣，實現(xiàn)用戶的手寫輸入，對于長時間不提筆寫字的用戶來說能夠加強(qiáng)其對漢字書寫方面的認(rèn)識，防止“提筆忘字”現(xiàn)象的繼續(xù)惡化。其次，手寫漢字輸入不需要學(xué)習(xí)和記憶計算機(jī)的漢字編碼規(guī)則，其完全符合中國人的寫字習(xí)慣，使人機(jī)之間的交流更人性化，更方便快捷。另外，隨著移動智能終端的不斷普及，聯(lián)機(jī)漢字手寫識別的應(yīng)用范圍將進(jìn)一步擴(kuò)大，以適用于不同層次人群對信息輸入的需要，具有較大的市場發(fā)展前景。

1.2 聯(lián)機(jī)手寫漢字識別問題的難點

手寫漢字識別是光學(xué)字符讀出器中最難的部分，也是其最終的目標(biāo)，手寫漢字識別的應(yīng)用主要依賴于其正確識別率和識別速度[1]。手寫漢字識別系統(tǒng)的問題具有其特殊性：

（1）中國漢字量大。我國目前的常用漢字大概在4000個左右，在實際應(yīng)用中的漢字識別系統(tǒng)應(yīng)該能夠完全識別這些常用的字才能夠滿足需要，由于超大的漢字量，使得手寫識別的正確率和識別速度一直不高。

（2）字體多，結(jié)構(gòu)復(fù)雜。漢字的手寫字體豐富多彩，且漢字的筆畫繁多，以及復(fù)雜的結(jié)構(gòu)，再加上漢字中的形近字頗多，這些都為漢字識別系統(tǒng)的發(fā)展造成了很大的困難。

（3）書寫變化大。不同用戶在進(jìn)行手寫輸入時其字體的變化是很大的，這種變化因人而異，對漢字識別造成了很大的干擾，增加了漢字匹配的難度。

2 人工神經(jīng)網(wǎng)絡(luò)概述

人工神經(jīng)網(wǎng)絡(luò)是一種應(yīng)用類似于大腦神經(jīng)突觸聯(lián)接的結(jié)構(gòu)進(jìn)行信息處理的數(shù)學(xué)模型，通常簡稱為神經(jīng)網(wǎng)絡(luò)，是一種仿生物神經(jīng)的信號處理模型。在二十世紀(jì)四十年代初人們開始進(jìn)行神經(jīng)網(wǎng)絡(luò)的研究，經(jīng)過幾十年的發(fā)展，神經(jīng)網(wǎng)絡(luò)也產(chǎn)生了一系列的突破，目前應(yīng)用最多的是Hopfield模型和BP算法。

神經(jīng)網(wǎng)絡(luò)的一般模型一般包括十個方面：環(huán)境、處理單元、傳播規(guī)則、神經(jīng)網(wǎng)絡(luò)的狀態(tài)、互聯(lián)模式、穩(wěn)定狀態(tài)、操作模式、活躍規(guī)則、活化函數(shù)和學(xué)習(xí)算法。其中，神經(jīng)元、互聯(lián)模式、學(xué)習(xí)算法是神經(jīng)網(wǎng)絡(luò)模型中的三個關(guān)鍵因素。神經(jīng)網(wǎng)絡(luò)的一個重要內(nèi)容就是學(xué)習(xí)，其學(xué)習(xí)方式可以分為監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)，其學(xué)習(xí)過程一般遵循Hebb規(guī)則，誤差修正學(xué)習(xí)算法以及勝者為王的學(xué)習(xí)規(guī)則，其中Hebb規(guī)則是神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)中最基本的規(guī)則。

人工神經(jīng)網(wǎng)絡(luò)具有獨特的優(yōu)越性。首先其具有主動學(xué)習(xí)的功能，在漢字識別過程中，先將漢字模板及可能的識別結(jié)果輸入到神經(jīng)網(wǎng)絡(luò)中，神經(jīng)網(wǎng)絡(luò)能夠通過其自身的學(xué)習(xí)過程來實現(xiàn)對漢字的識別，自學(xué)功能對于神經(jīng)網(wǎng)絡(luò)的預(yù)測功能具有非常重要的意義。其次，神經(jīng)網(wǎng)絡(luò)系統(tǒng)具有聯(lián)想存儲功能，其反饋功能能夠?qū)崿F(xiàn)這種聯(lián)想。另外，通過計算機(jī)的高速運(yùn)算能力，神經(jīng)網(wǎng)絡(luò)具有高速尋找優(yōu)化解的能力。

3 人工神經(jīng)網(wǎng)絡(luò)在聯(lián)機(jī)手寫識別系統(tǒng)中的應(yīng)用

漢字識別屬于大類別模式識別，人工神經(jīng)網(wǎng)絡(luò)可以通過函數(shù)逼近、數(shù)據(jù)分類、數(shù)據(jù)聚類三種作用方式以及“聯(lián)想”的特殊模式對漢字進(jìn)行識別。Hopfield神經(jīng)網(wǎng)絡(luò)作為反饋網(wǎng)絡(luò)的一種，其自聯(lián)想記憶網(wǎng)絡(luò)可以使系統(tǒng)不需要通過大量的訓(xùn)練即可對漢字進(jìn)行識別，因此Hopfield神經(jīng)網(wǎng)絡(luò)對于漢字識別來說具有獨特的優(yōu)勢。其中的離散型Hopfield神經(jīng)網(wǎng)絡(luò)能夠通過串行異步和并行同步的工作方式，使其反饋過程具有非常好的穩(wěn)定性，而網(wǎng)絡(luò)只有通過不斷的演變穩(wěn)定在某一吸引子狀態(tài)時，才能夠?qū)崿F(xiàn)正確的聯(lián)想。

聯(lián)機(jī)手寫識別可以分為訓(xùn)練階段和識別階段。訓(xùn)練階段流程依次為：標(biāo)準(zhǔn)書寫字符圖像預(yù)處理，提取特征并建立特征庫，建立Hopfield網(wǎng)絡(luò)模型，訓(xùn)練網(wǎng)絡(luò)，保存權(quán)值。識別階段的流程為：坐標(biāo)序列轉(zhuǎn)化為bmp圖像，預(yù)處理測試樣本，提取特征，送入網(wǎng)絡(luò)運(yùn)行，運(yùn)行網(wǎng)絡(luò)到平衡狀態(tài)，分析結(jié)果值。根據(jù)聯(lián)機(jī)手寫識別的工作流程以及Hopfield網(wǎng)絡(luò)模型的理論，基于Hopfield神經(jīng)網(wǎng)絡(luò)的聯(lián)機(jī)手寫識別系統(tǒng)在Matlab環(huán)境下得到了仿真模擬，效果非常理想。

4 總結(jié)

手寫識別系統(tǒng)能夠彌補(bǔ)普通鍵盤的不足，在提高漢字書寫頻率的同時，能夠滿足不同層次人群對計算機(jī)應(yīng)用的技術(shù)需要?；贖opfield神經(jīng)網(wǎng)絡(luò)的聯(lián)機(jī)手寫識別系統(tǒng)一起自身獨特的性能，不僅能夠滿足手寫漢字識別的正確率，而且其識別過程速度非?？?。因此它對于實現(xiàn)聯(lián)機(jī)手寫識別以及圖像識別具有非常重要的意義。

參考文獻(xiàn)

[1]俞慶英.聯(lián)機(jī)手寫漢字識別系統(tǒng)的研究與實現(xiàn)[D].安徽大學(xué)，2005（5）.

[2]郭力賓.交叉點的神經(jīng)網(wǎng)絡(luò)識別及聯(lián)機(jī)手寫字符的概率神經(jīng)網(wǎng)絡(luò)識別初探[D].大連理工大學(xué)，2003（03）.

[3]趙蓉.基于神經(jīng)網(wǎng)絡(luò)的聯(lián)機(jī)手寫識別系統(tǒng)研究與實現(xiàn)[D].西安電子科技大學(xué)，2011（01）.

神經(jīng)網(wǎng)絡(luò)的難點范文第2篇

人工神經(jīng)網(wǎng)絡(luò)（AartificialNeuralNetwork，下簡稱ANN）是模擬生物神經(jīng)元的結(jié)構(gòu)而提出的一種信息處理方法。早在1943年，已由心理學(xué)家WarrenS.Mcculloch和數(shù)學(xué)家WalthH.Pitts提出神經(jīng)元數(shù)學(xué)模型，后被冷落了一段時間，80年代又迅猛興起［1］。ANN之所以受到人們的普遍關(guān)注，是由于它具有本質(zhì)的非線形特征、并行處理能力、強(qiáng)魯棒性以及自組織自學(xué)習(xí)的能力。其中研究得最為成熟的是誤差的反傳模型算法（BP算法，BackPropagation），它的網(wǎng)絡(luò)結(jié)構(gòu)及算法直觀、簡單，在工業(yè)領(lǐng)域中應(yīng)用較多。

經(jīng)訓(xùn)練的ANN適用于利用分析振動數(shù)據(jù)對機(jī)器進(jìn)行監(jiān)控和故障檢測，預(yù)測某些部件的疲勞壽命［2］。非線形神經(jīng)網(wǎng)絡(luò)補(bǔ)償和魯棒控制綜合方法的應(yīng)用（其魯棒控制利用了變結(jié)構(gòu)控制或滑動?？刂疲?，在實時工業(yè)控制執(zhí)行程序中較為有效［3］。人工神經(jīng)網(wǎng)絡(luò)（ANN）和模糊邏輯（FuzzyLogic）的綜合，實現(xiàn)了電動機(jī)故障檢測的啟發(fā)式推理。對非線形問題，可通過ANN的BP算法學(xué)習(xí)正常運(yùn)行例子調(diào)整內(nèi)部權(quán)值來準(zhǔn)確求解［4］。

因此，對于電力系統(tǒng)這個存在著大量非線性的復(fù)雜大系統(tǒng)來講，ANN理論在電力系統(tǒng)中的應(yīng)用具有很大的潛力，目前已涉及到如暫態(tài)，動穩(wěn)分析，負(fù)荷預(yù)報，機(jī)組最優(yōu)組合，警報處理與故障診斷，配電網(wǎng)線損計算，發(fā)電規(guī)劃，經(jīng)濟(jì)運(yùn)行及電力系統(tǒng)控制等方面［5］。

本文介紹了一種基于人工神經(jīng)網(wǎng)絡(luò)（ANN）理論的保護(hù)原理。

1、人工神經(jīng)網(wǎng)絡(luò)理論概述

BP算法是一種監(jiān)控學(xué)習(xí)技巧，它通過比較輸出單元的真實輸出和希望值之間的差別，調(diào)整網(wǎng)絡(luò)路徑的權(quán)值，以使下一次在相同的輸入下，網(wǎng)絡(luò)的輸出接近于希望值。

在神經(jīng)網(wǎng)絡(luò)投運(yùn)前，就應(yīng)用大量的數(shù)據(jù)，包括正常運(yùn)行的、不正常運(yùn)行的，作為其訓(xùn)練內(nèi)容，以一定的輸入和期望的輸出通過BP算法去不斷修改網(wǎng)絡(luò)的權(quán)值。在投運(yùn)后，還可根據(jù)現(xiàn)場的特定情況進(jìn)行現(xiàn)場學(xué)習(xí)，以擴(kuò)充ANN內(nèi)存知識量。從算法原理看，并行處理能力和非線是BP算法的一大優(yōu)點。

2、神經(jīng)網(wǎng)絡(luò)型繼電保護(hù)

神經(jīng)網(wǎng)絡(luò)理論的保護(hù)裝置，可判別更復(fù)雜的模式，其因果關(guān)系是更復(fù)雜的、非線性的、模糊的、動態(tài)的和非平穩(wěn)隨機(jī)的。它是神經(jīng)網(wǎng)絡(luò)（ANN）與專家系統(tǒng)（ES）融為一體的神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)，其中，ANN是數(shù)值的、聯(lián)想的、自組織的、仿生的方式，ES是認(rèn)知的和啟發(fā)式的。

文獻(xiàn)［1］認(rèn)為全波數(shù)據(jù)窗建立的神經(jīng)網(wǎng)絡(luò)在準(zhǔn)確性方面優(yōu)于利用半波數(shù)據(jù)窗建立的神經(jīng)網(wǎng)絡(luò)，因此保護(hù)應(yīng)選用全波數(shù)據(jù)窗。

ANN保護(hù)裝置出廠后，還可以在投運(yùn)單位如網(wǎng)調(diào)、省調(diào)實驗室內(nèi)進(jìn)行學(xué)習(xí)，學(xué)習(xí)內(nèi)容針對該省的保護(hù)的特別要求進(jìn)行（如反措）。到現(xiàn)場，還可根據(jù)該站的干擾情況進(jìn)行反誤動、反拒動學(xué)習(xí)，特別是一些常出現(xiàn)波形間斷的變電站內(nèi)的高頻保護(hù)。

3、結(jié)論

本文基于現(xiàn)代控制技術(shù)提出了人工神經(jīng)網(wǎng)絡(luò)理論的保護(hù)構(gòu)想。神經(jīng)網(wǎng)絡(luò)軟件的反應(yīng)速度比純數(shù)字計算軟件快幾十倍以上，這樣，在相同的動作時間下，可以大大提高保護(hù)運(yùn)算次數(shù)，以實現(xiàn)在時間上即次數(shù)上提高冗余度。超級秘書網(wǎng)

一套完整的ANN保護(hù)是需要有很多輸入量的，如果對某套保護(hù)來說，區(qū)內(nèi)、區(qū)外故障時其輸入信號幾乎相同，則很難以此作為訓(xùn)練樣本訓(xùn)練保護(hù)，而每套保護(hù)都增多輸入量，必然會使保護(hù)、二次接線復(fù)雜化。變電站綜合自動化也許是解決該問題的一個較好方法，各套保護(hù)通過總線聯(lián)網(wǎng)，交換信息，充分利用ANN的并行處理功能，每套保護(hù)均對其它線路信息進(jìn)行加工，以此綜合得出動作判據(jù)。每套保護(hù)可把每次錄得的數(shù)據(jù)文件，加上對其動作正確性與否的判斷，作為本身的訓(xùn)練內(nèi)容，因為即使有時人工分析也不能區(qū)分哪些數(shù)據(jù)特征能使保護(hù)不正確動作，特別是高頻模擬量。

神經(jīng)網(wǎng)絡(luò)的硬件芯片現(xiàn)在仍很昂貴，但技術(shù)成熟時，應(yīng)利用硬件實現(xiàn)現(xiàn)在的軟件功能。另外，神經(jīng)網(wǎng)絡(luò)的并行處理和信息分布存儲機(jī)制還不十分清楚，如何選擇的網(wǎng)絡(luò)結(jié)構(gòu)還沒有充分的理論依據(jù)。所有這些都有待于對神經(jīng)網(wǎng)絡(luò)基本理論進(jìn)行深入的研究，以形成完善的理論體系，創(chuàng)造出更適合于實際應(yīng)用的新型網(wǎng)絡(luò)及學(xué)習(xí)算法［5］。

參考文獻(xiàn)

1、陳炳華。采用模式識別（智能型）的保護(hù)裝置的設(shè)想。中國電機(jī)工程學(xué)會第五屆全國繼電保護(hù)學(xué)術(shù)會議，［會址不詳］，1993

2、RobertE.Uhrig.ApplicationofArtificialNeuralNetworksinIndustrialTechnology.IEEETrans，1994，10（3）。（1）：371～377

3、LeeTH，WangQC，TanWK.AFrameworkforRobustNeuralNetwork-BasedControlofNonlinearServomechannisms.IEEETrans，1993，3（2）。（3）：190～197

神經(jīng)網(wǎng)絡(luò)的難點范文第3篇

關(guān)鍵詞：RBF神經(jīng)網(wǎng)絡(luò)；EKF；倒立擺；控制

中圖分類號：TP183文獻(xiàn)標(biāo)識碼：A文章編號：1009-3044(2011)04-0849-03

Research on Neural Networks Control of Inverted Pendulum Based on EKF

YU Chang-sheng1,2, SUN Shi-jie2

(1.Henan Polytechnic University, Jiaozuo 454000, China; 2.Yongcheng Vocational College, Yongcheng 476600, China)

Abstract: This work studies the problem of unknown functions and uncertain disturbance of a class of nonlinear inverted pendulum systems, the design of the adaptive neural network controller is based on the Lyapunov function stability. The extended Kalman filter (EKF) is used in the controller design to eliminate systematic observation noise, then to get the estimated value for the system state, and the radial basis function (RBF) neural network is used to approximate the unknown part of the control law. Finally, a nonlinear inverted pendulum simulation system is built up to assess the neural network controller,the results show that the designed controller can effectively suppress the interference, the control system can obtain high accuracy with stability and celerity.

Key words: RBF neural networks; EKF; inverted pendulum; adaptive control

倒立擺系統(tǒng)是一種非線性、多變量、強(qiáng)耦合、不穩(wěn)定的實驗系統(tǒng)，常用來驗證模糊控制、神經(jīng)網(wǎng)絡(luò)控制和預(yù)測控制等各種控制算法。[1]采用模糊控制的方法進(jìn)行控制，無需精確的被控對象模型且規(guī)則設(shè)計簡便易用，但對于控制多變量的倒立擺會遇到模糊規(guī)則爆炸的問題。[2]采用神經(jīng)網(wǎng)絡(luò)控制方法，系統(tǒng)逼近誤差小，但沒有考慮系統(tǒng)觀測噪聲的影響，控制精度不高。

本文提出一種基于EKF濾波的神經(jīng)網(wǎng)絡(luò)控制算法，假定倒立擺系統(tǒng)模型參數(shù)未知及僅有擺角可測量。利用擴(kuò)展卡爾曼濾波（EKF）消除系統(tǒng)噪聲和觀測噪聲，獲取系統(tǒng)狀態(tài)的估計值，再根據(jù)Lyapunov函數(shù)穩(wěn)定性設(shè)計系統(tǒng)控制律及律，進(jìn)而用徑向基函數(shù)（RBF）神經(jīng)網(wǎng)絡(luò)良好的逼近性來近似設(shè)計的控制律中的未知項，完成神經(jīng)網(wǎng)絡(luò)控制器設(shè)計。

1 倒立擺系統(tǒng)數(shù)學(xué)模型

本文采用一種電機(jī)驅(qū)動的單級倒立擺裝置進(jìn)行仿真研究，其結(jié)構(gòu)圖如圖1所示。

取控制端輸入電流Iα、倒立擺擺角θp及角速度為系統(tǒng)狀態(tài)向量，則系統(tǒng)動態(tài)方程可以表示為：

（1）

式中：。取，擺桿長度l=1m，擺桿質(zhì)量m=1kg，齒輪系數(shù)N=10，Km=0.1Nm/A，Kb=0.1Vs/rad，控制端電阻Rα=1Ω，控制端電感Lα=100mH。將各參數(shù)代入（1）可得系統(tǒng)動態(tài)方程為：

（2）

在倒立擺系統(tǒng)中可測的輸出量為擺角θp，其觀測方程可以表示如下：

（3）

式中：H=[1 0 0] ，V為擺角量測噪聲。

2 神經(jīng)網(wǎng)絡(luò)控制器的設(shè)計

本文考慮的非線性系統(tǒng)存在兩類未知項：未知函數(shù)和外界干擾，假設(shè)如式（2）的系統(tǒng)模型表示如下：

（4）

式中：f(x)為非線性環(huán)節(jié)，b為已知常數(shù)矩陣，u為控制輸入。

2.1 控制器系統(tǒng)結(jié)構(gòu)

本文所設(shè)計的控制器利用擴(kuò)展卡爾曼濾波（EKF）消除系統(tǒng)噪聲和觀測噪聲，獲取系統(tǒng)狀態(tài)的估計值，再根據(jù)Lyapunov函數(shù)穩(wěn)定性設(shè)計系統(tǒng)控制律及律，進(jìn)而用徑向基函數(shù)（RBF）神經(jīng)網(wǎng)絡(luò)良好的逼近性來近似設(shè)計的控制律中的未知項，完成神經(jīng)網(wǎng)絡(luò)控制器設(shè)計。整個控制器系統(tǒng)結(jié)構(gòu)圖如圖2所示。

控制器采用擴(kuò)展卡爾曼濾波器（EKF）來消除系統(tǒng)量測噪聲，獲取系統(tǒng)狀態(tài)估計值 。由式（4）可得：

（5）

由式（5）可得系統(tǒng)離散狀態(tài)方程為：

（6）

系統(tǒng)觀測方程為：

（7）

對式（6）、（7）采用如下擴(kuò)展卡爾曼濾波方程即可得到倒立擺系統(tǒng)的狀態(tài)估計值：

（8）

2.2 控制律的設(shè)計

設(shè)xr為參考輸入，，rm為一已知輸入信號矩陣。定義：e=x-xr，則有：

（9）

存在如下形式的Lyapunov函數(shù)：

（10）

使得倒立擺系統(tǒng)滿足Lyapunov穩(wěn)定性判據(jù)。其中：P為一對稱正定矩陣且滿足，Q為一自選的正定矩陣。

對式（9）進(jìn)行穩(wěn)定性分析，求導(dǎo)得：

（11）

令，代入式（8）則有：

（12）

將式（11）代入式（10）有：

（13）

對式（12），因為Q為一實對稱的正定矩陣，所以。故要使，只需，其中的未知非線性環(huán)節(jié)為F(x)，故可選取RBF網(wǎng)絡(luò)逼近F(x)，RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖3所示。

神經(jīng)網(wǎng)絡(luò)的輸入向量為系統(tǒng)狀態(tài)向量，輸出信號為，即為F(x)的逼近值。隱含層含有神經(jīng)元6個，激發(fā)函數(shù)為高斯基函數(shù)。此時可取控制律u為：

（14）

式中：w為神經(jīng)網(wǎng)絡(luò)權(quán)值，s(x)為神經(jīng)網(wǎng)絡(luò)基函數(shù)。

2.3 自適應(yīng)律的設(shè)計

考慮如下候選Lyapunov函數(shù)：

（15）

式中：w*為神經(jīng)網(wǎng)絡(luò)權(quán)值w的理想值，r為一常數(shù)。

（16）

令。則對式（15）有：

（17）

要使，因為，，故可取自適應(yīng)律為：

（18）

3 倒立擺神經(jīng)網(wǎng)絡(luò)控制仿真

將設(shè)計的神經(jīng)網(wǎng)絡(luò)控制器應(yīng)用于建立的倒立擺系統(tǒng)模型，仿真工具采用Matlab,參數(shù)設(shè)置如下：擺桿長度l=1m，擺桿質(zhì)量m=1kg，齒輪系數(shù)N=10，Km=0.1Nm/A ，Kb=0.1Vs/rad，控制端電阻Rα=1Ω，控制端電感Lα=100mH。EKF濾波時系統(tǒng)初值為：，量測噪聲服從標(biāo)準(zhǔn)高斯分布，測量精度為0.01°。給定擺角角度指令為xd1=1.2sin(2πt)，神經(jīng)網(wǎng)絡(luò)控制器使得倒立擺跟蹤給定的輸入正弦信號，仿真結(jié)果如下：

圖4 基于EKF濾波的倒立擺擺角θp位置跟蹤曲線圖5 基于EKF濾波的控制輸入信號u圖6 神經(jīng)網(wǎng)絡(luò)控制的倒立擺擺角θp位置跟蹤曲線

圖4和圖5為基于EKF濾波的神經(jīng)網(wǎng)絡(luò)控制時倒立擺擺角位置跟蹤曲線和控制輸入，圖6為含量測噪聲直接用神經(jīng)網(wǎng)絡(luò)控制所得的倒立擺擺角位置跟蹤曲線。穩(wěn)態(tài)時有無EKF濾波的角度跟蹤誤差方差分別如下：

表1 穩(wěn)態(tài)時跟蹤誤差的方差

從表1可以看出，EKF濾波能有效抑制系統(tǒng)的量測噪聲，提高控制精度。仿真中可調(diào)參數(shù)一共有以下幾個：A矩陣的三個參數(shù)，選取時要保證穩(wěn)定性；RBF網(wǎng)絡(luò)的中心及方差陣c和b，為了簡化控制，并沒有讓c和b調(diào)整，而是取一定值不變，根據(jù)結(jié)果進(jìn)行手動調(diào)整，仿真時?。徽ň仃嘠，Q的選取理論上是越大越好，但經(jīng)過仿真發(fā)現(xiàn)當(dāng)Q過大時會出現(xiàn)劇烈的振蕩發(fā)散，故Q也要合理取值，仿真時取。通過仿真調(diào)整，選取合適的參數(shù)后得到了較理想的仿真結(jié)果。由圖3可看出，系統(tǒng)的跟蹤誤差快速振蕩衰減，在t=2s就已經(jīng)穩(wěn)定，成功實現(xiàn)了跟蹤控制任務(wù)。

4 結(jié)束語

本文給出了一種基于EKF濾波的神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)的具體推導(dǎo)過程，并在倒立擺非線性系統(tǒng)中進(jìn)行了仿真應(yīng)用。此控制器的特點是：1）不要求被控系統(tǒng)有準(zhǔn)確的數(shù)學(xué)模型；2）逼近的不是未知系統(tǒng)的非線性環(huán)節(jié)，而是所設(shè)計的控制律中的非線性部分；3）可以有效抑制系統(tǒng)的量測誤差，控制精度高；4）在分析中運(yùn)用了李雅普諾夫穩(wěn)定性判據(jù)及其綜合應(yīng)用。在控制器的設(shè)計過程中，難點在于Lyapunov函數(shù)的選取及怎樣通過分析Lyapunov 穩(wěn)定性來推導(dǎo)出控制律及律，故要選擇合適的算法能使律及控制律的表達(dá)式簡潔，得到較理想的控制器。仿真表明應(yīng)用此控制器，既能有效地抑制系統(tǒng)觀測噪聲，同時又能快速準(zhǔn)確地實現(xiàn)倒立擺擺角跟蹤，很好地完成控制任務(wù)。

參考文獻(xiàn)：

[1] 雍容,高巖.模糊神經(jīng)網(wǎng)絡(luò)算法在倒立擺控制中的應(yīng)用[J].控制理論與應(yīng)用,2004,23(1):20222,32.

[2] 孫紅兵,李生權(quán),王瑜.基于RBF網(wǎng)絡(luò)二級倒立擺系統(tǒng)PID控制[J].微計算信息,2007(6):72-75.

[3] Wang D,Huang J.Adaptive neural network control for a class of uncertain nonlinear systems in pure-feedback[J].Automatica,2002,38(8):1365-1372.

[4] Polycarpou M M.Stable adaptive neural control scheme for nonlinear systems[J].IEEE Trans Automatic Control,1996(41):447-451.

[5] Ye X,Jiang J.Adaptive nonlinear design without a prior knowledge of control directions[J].IEEE Trans Automatic Control,1998(43):1617-1621.

神經(jīng)網(wǎng)絡(luò)的難點范文第4篇

本文調(diào)查了國內(nèi)外電動機(jī)各種保護(hù)方法和各類保護(hù)裝置的研究發(fā)展?fàn)顩r，結(jié)合實際情況，提出了一種通過人工神經(jīng)網(wǎng)絡(luò)預(yù)測電機(jī)繞組溫升的方案，由PC機(jī)通過RS485總線實時讀取下位機(jī)采集的電機(jī)運(yùn)行參數(shù)，進(jìn)行溫升預(yù)測，并將預(yù)測結(jié)果傳輸回下位機(jī)，從而實現(xiàn)了對電動機(jī)長期穩(wěn)定負(fù)載運(yùn)行的過載保護(hù)。

關(guān)鍵詞

電機(jī)保護(hù)；溫升預(yù)測

電動機(jī)是一種電能到機(jī)械能的能量轉(zhuǎn)換設(shè)備，是現(xiàn)代社會生產(chǎn)中的主要動力形式。在產(chǎn)業(yè)部門中，以電動機(jī)作動力的比例已占全部動力的90%。在電動機(jī)實際使用過程當(dāng)中，惡劣的運(yùn)行環(huán)境和超負(fù)荷的運(yùn)行時間是導(dǎo)致電動機(jī)故障頻繁的主要原因。因此電動機(jī)的保護(hù)尤其是對大型電動機(jī)保護(hù)的開發(fā)研究對國民經(jīng)濟(jì)有著重要的意義。

1電動機(jī)保護(hù)的發(fā)展趨勢

可以預(yù)測,應(yīng)用電動機(jī)內(nèi)部故障分析和利用先進(jìn)信號處理方法進(jìn)行精確的故障特征量追蹤捕捉這兩者的有效結(jié)合，再加上業(yè)內(nèi)已成熟的微機(jī)保護(hù)技術(shù)，可以將大型電動機(jī)的故障診斷、故障保護(hù)等功能綜合于一體，實現(xiàn)電動機(jī)運(yùn)行全過程的在線監(jiān)測、故障診斷與保護(hù)。

2神經(jīng)網(wǎng)絡(luò)溫升預(yù)測設(shè)計

2.1神經(jīng)網(wǎng)絡(luò)算法

2.1.1BP算法設(shè)含有共L層和n個節(jié)點的一個任意網(wǎng)絡(luò)，每層單元只接受前一層的輸出信息并輸給下一層各單元，各節(jié)點的特性為Sigmoid型。

2.1.2改進(jìn)的BP算法

鑒于改進(jìn)的算法利用目標(biāo)函數(shù)的二階導(dǎo)數(shù)信息。常用改進(jìn)BP算法和標(biāo)準(zhǔn)BP算法進(jìn)行比較，各改進(jìn)BP算法比標(biāo)準(zhǔn)BP算法有不同程度的改善。LM(Levenberg-Marquardt)算法是為了訓(xùn)練中等規(guī)模的前饋神經(jīng)網(wǎng)絡(luò)（多達(dá)算百個連接權(quán)）而提出的最快速算法。目前LM算法在訓(xùn)練速度上是最快的，并且它所達(dá)到的訓(xùn)練平均誤差和收斂精度較其他算法具有明顯的優(yōu)勢。

2.2神經(jīng)網(wǎng)絡(luò)在電機(jī)繞組溫升預(yù)測中的應(yīng)用

2.2.1電機(jī)熱過載保護(hù)的現(xiàn)狀熱過載保護(hù)是電機(jī)保護(hù)研究中的熱點和難點。國內(nèi)外不少的研究工作者一直在從事電動機(jī)過載保護(hù)的研究，提出不少的保護(hù)方案，概括起來分為兩大類：直接測溫法和間接測溫法。直接測溫法就是把溫感裝置（如熱電阻、熱電偶和溫度繼電器等）直接埋入電動機(jī)繞組的熱點進(jìn)行檢測，當(dāng)溫度達(dá)到長期使用允許溫度時，就令繼電器動作斷開電動機(jī)的控制回路，從而達(dá)到保護(hù)電動機(jī)的目的。間接測溫法是在電動機(jī)外部通過檢測一些相關(guān)參數(shù)來計算電動機(jī)的溫度。

2.2.2神經(jīng)網(wǎng)絡(luò)預(yù)測繞組溫升方法鑒于直接測溫法和間接測溫法各自存在不足，本文探索了一種通過采用神經(jīng)網(wǎng)絡(luò)預(yù)測繞組溫升來完成對電動機(jī)長期穩(wěn)定負(fù)載運(yùn)行進(jìn)行過載保護(hù)的方法。

（1）訓(xùn)練樣本的數(shù)據(jù)處理實現(xiàn)神經(jīng)網(wǎng)絡(luò)對電機(jī)進(jìn)行溫升預(yù)測關(guān)鍵的一步是采集訓(xùn)練樣本并且進(jìn)行必要的數(shù)據(jù)處理。以電動機(jī)為例進(jìn)行分析。電機(jī)的具體參數(shù)如下：Pe=220kW，Ue=6kV，Ie=26.7A，n=2976rpm，f=50Hz，絕緣等級F級。通過對電動機(jī)進(jìn)行溫升試驗，采集了從額定電流(26.7A)到堵轉(zhuǎn)電流(150A)共20組不同的數(shù)據(jù)。表1給出了訓(xùn)練網(wǎng)絡(luò)和測試網(wǎng)絡(luò)的數(shù)據(jù)分配情況。其中15組用于訓(xùn)練網(wǎng)絡(luò)，其余幾組用于測試訓(xùn)練后的網(wǎng)絡(luò)的正確性與適用性，將采集到的15組訓(xùn)練數(shù)據(jù)，繪制成曲線，如圖1。

（2）電機(jī)長期穩(wěn)定負(fù)載運(yùn)行繞組溫升預(yù)測的網(wǎng)絡(luò)結(jié)構(gòu)由于本系統(tǒng)研究的長期穩(wěn)定負(fù)載運(yùn)行情況下，電動機(jī)的過載溫升，所以電源電壓、電源頻率、功率因數(shù)都可認(rèn)為保持不變，而僅將電流、環(huán)境溫度和轉(zhuǎn)速作為變量。同時考慮到影響轉(zhuǎn)速的三個要素電流、頻率和電壓，有兩個因素近似認(rèn)為不變，因此轉(zhuǎn)速和電流存在著很強(qiáng)的相關(guān)性，兩者不必都作為輸入變量，只選擇電流作為輸入變量即可。通過以上分析可以將溫升預(yù)測系統(tǒng)簡化成輸入為電流和當(dāng)前溫度的雙輸入單輸出的三層BP網(wǎng)絡(luò)。這樣，就可以使基于神經(jīng)網(wǎng)絡(luò)的電動機(jī)長期穩(wěn)定負(fù)載運(yùn)行繞組溫升預(yù)測的設(shè)計在對電機(jī)進(jìn)行過載保護(hù)方面充分發(fā)揮作用。

3總結(jié)

神經(jīng)網(wǎng)絡(luò)的難點范文第5篇

關(guān)鍵詞： 機(jī)械手； 函數(shù)滑模； 神經(jīng)網(wǎng)絡(luò)； 軌跡跟蹤； 滑?？刂?/p>

中圖分類號： TP242 文獻(xiàn)標(biāo)志碼： A

0引言

近年來，關(guān)于機(jī)械手軌跡跟蹤控制的問題已經(jīng)取得了很多研究成果[1-3]，由于機(jī)械手是包含非線性、強(qiáng)耦合和不確定性的復(fù)雜系統(tǒng)，對它的精確控制一直是控制領(lǐng)域研究的熱點和難點，其中滑?？刂品椒ㄒ呀?jīng)被廣泛地使用。該方法通過控制器本身的變化，迫使系統(tǒng)在一定特性下沿規(guī)定的狀態(tài)軌跡作小幅度、高頻率的滑模運(yùn)動，具有對參數(shù)變化及未知擾動不敏感、響應(yīng)快速、無需系統(tǒng)在線辨識等優(yōu)點[4]。文獻(xiàn)[5]提出了使用徑向基核函數(shù)（RadialBasisFunction，RBF）神經(jīng)網(wǎng)絡(luò)作為逼近機(jī)械手控制系統(tǒng)中不確定性的方法，通過與滑?？刂破飨嘟Y(jié)合，達(dá)到了較好的控制效果，但是在設(shè)計滑?？刂破鲿r沒有考慮抖振消除問題，控制系統(tǒng)的整體性能受到影響，同時限制了在實際系統(tǒng)中的應(yīng)用。

函數(shù)滑?？刂芠6]是將普通滑模控制器與時變函數(shù)結(jié)合的控制器設(shè)計方法，時變函數(shù)可以根據(jù)系統(tǒng)結(jié)構(gòu)特性和控制器設(shè)計要求進(jìn)行靈活設(shè)計。因此，當(dāng)時變函數(shù)設(shè)計合理時，函數(shù)滑?？刂颇軌蚩朔胀ɑ？刂破鞯墓逃腥秉c，同時提高控制系統(tǒng)整體性能。

本文提出基于函數(shù)滑模的機(jī)械手軌跡跟蹤控制方法，根據(jù)神經(jīng)網(wǎng)絡(luò)對系統(tǒng)不確定項的逼近程度設(shè)計時變函數(shù)。函數(shù)滑?？刂破髂軌蜓a(bǔ)償神經(jīng)網(wǎng)絡(luò)對系統(tǒng)不確定性的逼近誤差，克服普通滑?？刂破魅菀捉o系統(tǒng)造成的抖振問題，同時提高控制系統(tǒng)動態(tài)性能。本文控制器設(shè)計方法具有很大的靈活性，結(jié)構(gòu)簡單易于實現(xiàn)，工程應(yīng)用性較強(qiáng)，對滑模控制在實際系統(tǒng)中的應(yīng)用具有一定的借鑒意義。

1系統(tǒng)描述

多關(guān)節(jié)機(jī)械手可以看作剛性連桿機(jī)構(gòu)[7]。軌跡跟蹤控制問題描述為：給定機(jī)械手各關(guān)節(jié)期望的角度軌跡，設(shè)計控制器并得到控制力矩，使機(jī)械手在一定的初始狀態(tài)下滿足設(shè)定的跟蹤條件，達(dá)到軌跡跟蹤的目的[8]。

4結(jié)語

針對不確定機(jī)械手軌跡跟蹤控制問題，本文提出了基于函數(shù)滑模的軌跡跟蹤控制方法，達(dá)到了較好效果。利用RBF神經(jīng)網(wǎng)絡(luò)逼近系統(tǒng)非線性不確定項，神經(jīng)網(wǎng)絡(luò)權(quán)值的自適應(yīng)律基于李亞普諾夫函數(shù)法確定。所設(shè)計的函數(shù)滑?？刂破髂軌蚋鶕?jù)神經(jīng)網(wǎng)絡(luò)對系統(tǒng)不確定項的逼近情況動態(tài)地改變控制律，在神經(jīng)網(wǎng)絡(luò)逼近誤差較大時增大滑?？刂坡桑诒平`差降低時減小滑?？刂坡?，保證控制系統(tǒng)良好動態(tài)性能，同時克服了滑?？刂破魅菀讕淼亩墩駟栴}。仿真實驗把普通滑?？刂破骱秃瘮?shù)滑模控制器進(jìn)行了對比，證明了提出方案的有效性。本文控制器設(shè)計方法具有很大的靈活性，可以應(yīng)用到不同的實際控制系統(tǒng)，尤其對滑?？刂圃跈C(jī)械手控制系統(tǒng)中的應(yīng)用具有一定的借鑒意義。

參考文獻(xiàn)：

[1]XUC.Researchonintelligentbacksteppingslidingmodecontrolofnonlinearrobot[D].Quanzhou：HuaqiaoUniversity，2012：2-5.

[2]LIUJ.RobotcontrolsystemdesignandMatlabsimulation[M].Beijing：TsinghuaUniversityPress，2008：1-2.

[3]CHENL，CHENW，WANGH.Improvedneuralvariablestructurecontrolofrobotmanipulators[J].SystemEngineeringandElectronics，2006，28（3）：429-430，443.

[4]HUJ，ZHUANGK.Advancedvariablestructurecontroltheoryandapplication[M].Xian：NorthwesternPolytechnicalUniversityPress，2008：1-12.

[5]LEEMJ，CHOIYK.AnadaptiveneuralcontrollerusingRBFNforrobotmanipulators[J].IEEETransactionsonIndustrialElectronics，2004，51（3）：711-717.

[6]GEB，LINF，LIG.Advancedcontroltheoryandapplication[M].Beijing：ChinaMachinePress，2007：183-184.

[7]TANM，XUD，HOUZ，etal.Advancedrobotcontrol[M].Beijing：HigherEducationPress，2007：39-40.

[8]LIG，CHENZ.Indirectadaptiverobustpredictivecontrolofmanipulatorsbasedonuncertaintiesapproach[J].JournalofComputerApplications，2012，32（6）：1707-1712，1740.[9]GEW.Researchonadaptivetrackingcontrolofuncertainrobotsystems[D].Yangzhou：YangzhouUniversity，2011：27.

[10]XUL.Neuralnetworkcontrol[M].Beijing：ElectronicIndustryPress，2003：25-27.

[11]LIP.Researchandapplicationoftraditionalandhigherorderslidingmodecontrol[D].Changsha：NationalUniversityofDefenseTechnology，2011：3-10.

[12]XIAY，F(xiàn)UM，DENGZ，etal.Recentdevelopmentsinslidingmodecontrolandactivedisturbancerejectioncontrol[J].ControlTheory&Applications，2013，30（2）：137-147.

[13]SUNTR，PEIHL，PANYP，etal.Neuralnetworkbasedslidingmodeadaptivecontrolforrobotmanipulators[J].Neurocompulating，2011，74（14/15）：2377-2384.