（机械设计及理论专业论文）基于神经网络的平行折线卷筒智能设计与仿真研究.pdf

武汉理工大学硕士学位论文 摘要 卷筒作为起升机构的关键部件被广泛地应用于各种起重机之中。本研究 是根据传统螺旋绳槽卷筒不能满足大扬程、大起重量的起重机卷筒多层卷绕 的实际需要，且卷筒产品的设计、开发周期长而提出的。在全面地了解国内 外卷简应用现状，掌握r 智能设计研究现状的基础上，论文深入研究了平行 折线卷筒的结构特点及其设计计算，对基于b p 神经网络的平行折线卷筒智 能设计和使用虚拟现实语言o p e n g l 对卷筒计算机仿真进行了深入地研究。 首先根据传统螺旋绳槽卷筒在多层卷绕时，容易乱绳和绳间磨损严重的 缺陷，本文提出了一种在利巴斯卷筒基础上改进的新型卷简平行折线卷 简。根据起重机的不同的设计参数，用一般方法对平行折线卷筒的结构参数 进行了设计计算，并将此计算结果作为平行折线卷筒结构参数智能设计的神 经网络的学习训练样本和检验样本，以验证神经网络智能设计正确性和有效 性。 其次，本文重点分析了b p 神经网络理论，对改进b p 神经网络算法进行 了探讨与分析，论述了样本数据的预处理方法、神经网络各项结构参数的确 定方法和原则，比较和分析了不同参数下的网络输出结果，最后确定出最佳 的神经网络结构参数。首先用计算好的卷筒设计学习样本对改进b p 神经网 络进行学习和训练，形成良好的网络结构，然后利用该网络对卷筒设计的检 验样本进行检验，达到智能化要求。 第三，本文重点研究了虚拟现实语言o p e n g l 及其在平行折线卷筒虚拟 建模与仿真中的应用。研究了o p e n g l 的工作结构、流程和编程步骤以及建 模方法和特殊效果、动画原理，结合计算机图形学和3 d s 理论，着重研究了 平行折线卷简等物体的几何建模和光照、材质等特殊效果，实现了对折线卷 筒的虚拟建模与计算机仿真。 最后，本文利用c + + 开发出了折线卷筒智能设计系统，并用v i s u a lc + + 对其进行了计算机仿真。 关键字：平行折线卷筒，神经网络，0 p e n g l ，计算机仿真，虚拟现实技术 茎坚堡三查堂堡主兰垡堡壅 a b s t r a c t t h er e e li se x t e n s i v e l ya p p l i e da m o n gt h ev a r i o u sh o i s t sa st h ec r i t i c a lp a r t s t h a tr i s et or i s et h e o r g a n i z a t i o n t h i s r e s e a r c hi s p u t f o r w a r d b e c a u s et h e t r a d i t i o ns p i r a lr o p es l o tr e e lc a nn o ts a t i s f ym a n yl a y e r so fr e a ln e e d sw i n d i n gu p i nt h eb i gl i f ta n dh e a v yl o a dh o i s t ，a n dt h e d e s i g n a n dd e v e l o p m e n to fr e e l p r o d u c t a r e g r o w nt op u t f o r w a r dp e r i o d c o m p l e t e l yu n d e r s t a n d i n gt h er e e l a p p l i c a t i o np r e s e n ts i t u a t i o ni nh o m ea n da b r o a d ，a n dg r a s p e do nt h ef o u n d a t i o n o fi n t e l l i g e n td e s i g ns t u d i e sp r e s e n ts i t u a t i o n ，t h e s i sw a st h o r o u g h l ys t u d i e do f e q u a lr a n kt h es t r u c t u r ec h a r a c t e r i s t i co f b r o k e nl i n er e e la n dh i sd e s i g na n dw a s c o u n t e d ，a n dh a sb e e ni np r o g r e s st h o r o u g h l ys t u d y i n gw i t hu s i n gi n v e n t e dr e a l i t y l a n g u a g eo p e n g l t or e e lc o m p u t e rs i m u l a t i o nt op a r a l l e lt h eb a s e do nb p sn e r v e c r o s s d o m a i nc o m m u n i c a t i o nb r o k e nl i n er e e li n t e l l e c td e s i g n w h e nf i r s t l ym a n yl a y e r sw i n d i n gu pa c c o r d i n gt ot h et r a d i t i o ns p i r a lr o p e s l o t r e e l ，w e a r i n ga n dt e a r i n gt h e s e r i o u sd e f e c tb e t w e e ne a s i l yi n d i s c r i m i n a t e r o p ea n dt h er o p e ，o n ek i n do ff o l l o w - o nn e wt y p er e e l p a r a l l e lb r o k e nl i n er e e l o nt h el ib a s tr e e lf o u n d a t i o nw a s p u t f o r w a r di n t h i s t e x t ，a r t i c l e ，e t c a c c o r d i n g t ot h e d e s i g np a r a m e t e r o ft h ed i f f e r e n c eo fh o i s t ，t h es t r u c t u r e p a r a m e t e rw i t ht h eg e n e r a l m e t h o dt ot h e p a r a l l e l b r o k e nl i n er e e lh a sb e e n c a r r i e do nd e s i g nc a l c u l a t i o n ，a n dc o u n t st h i st h er e s u l tt r a i n i n gs a m p l ea n dt h e i n s p e c t i o ns a m p l e a st h e s t u d yo ft h e n e r v ec r o s s d o m a i nc o m m u n i c a t i o no f i n t e l l i g e n td e s i g no fp a r a l l e l b r o k e nl i n er e e ls t r u c t u r ep a r a m e t e r , i no r d e rt o v e r i f yn e r v en e t w o r ki n t e l l i g e n c ed e s i g nc o r r e c tn a t u r ea n d e f f e c t i v e n e s s n e x tb p sn e r v en e t w o r kt h e o r yw a ss t r e s s l ya n a l y s e di nt h i st e x t ，a r t i c l e ， e t c ，a n db e i n gi np r o g r e s si n q u i r i n gi n t ow i t ha n a l y s i n gt oi m p r o v i n gb p sn e r v e c r o s s - d o m a i nc o m m u n i c a t i o na l g o r i t h m ，a n dd i s c u s s e dd e f i n i t em e t h o da n dt h e p r i n c i p l e o ft h e p r e t r e a t m e n t m e t h o do fs a m p l ed a t aa n dn e r v ea l ls t r u c t u r e p a r a m e t e r s o fc r o s s d o m a i n c o m m u n i c a t i o n ，a n dc o m p a r e da n da n a l y s e st h e c r o s s d o m a i nc o m m u n i c a t i o nu n d e rt h ed i f f e r e n t p a r a m e t e r ss e n d i n g o u tt h e r e s u l t ，a n df i n a l l yd e f i n i n gt h eo p t i m u mn e r v en e t w o r ka r c h i t e c t u r ep a r a m e t e r f i r s t l yw i t hc o u n t st h eg o o dr e e ld e s i g ni sl e a r n e dt h es a m p l ea n di sl e a r n e d i l 武汉理工大学硕士学位论文 a n dt r a i n st o i m p r o v i n gb p sn e r v ec r o s s - d o m a i nc o m m u n i c a t i o n ，a n df o r m st h e g o o dn e t w o r ka r c h i t e c t u r e ，t h e nu s e st h i sc r o s s d o m a i nc o m m u n i c a t i o n t ot e s tt o l h e i n s p e c t i o ns a m p l e o fr e e l d e s i g n ， a n da c h i e v e st h e i n t e l l i g e n t i z a t i o n r e q u i r e m e n t t h i r d ，t h ea p p l i c a t i o n i ni n v e n t e d b u i l d i n gp a t t e r n a n ds i m u l a t i o no f i n v e n t e dr e a l i t yl a n g u a g eo p e n g la n dh i sa tt h ep a r a l l e lb r o k e nl i n er e e lw a ss t i l l s t r e s s l ys t u d i e di nt h i st e x t ，a r t i c l e ，e t c s t u d i e dt h ew o r ko fo p e n g ls t r u c t u r e ， d i s t a n c et r a v e l l e db yas t r e a mo fw a t e ra n dc o m p i l e dt h e r a n g es t e p a sw e l la s b u i l tt h e p a t t e r nm e t h o da n ds p e c i a le f f e c t ，m o v e dt h ed r a w i n gp r i n c i p l e ，a n d c o m b i n ec o m p u t e r g r a p h i c sa n d3 d s st h e o ry a n ds t r e s s e st os t u d yh o wm u c h o n b o d ys u c h a s p a r a l l e l b r o k e nl i n er e e le t c b u i l d i n g t h e p a t t e r n ，a s w e l la s i l l u m i n a t i o na n dm a t e r i a ln a t u r ee t cs p e c i a le f f e c t ，t or e a l i z et ot h eb r o k e nl i n e r e e li n v e n t e db u i l d p a t t e r na n dc o m p u t e r s i m u l a t i o n f i n a l l y , t h i sa r t i c l e n s e sc + + t od e v e l o po u tb r o k e nl i n er e e li n t e l l e c ta n d d e s i g n st h es y s t e m a n dh a sc a r r i e do nc o m p u t e rs i m u l a t i o nw i t hv i s u a lc + + t o h i s t h ek e y w o r d ：t h eo f e q u a lr a n kb r o k e nl i n er e e l ，t h eb p n e r v ec r o s s - d o m a i n c o m m u n i c a t i o n ，o p e n g l ，c o m p u t e rs i m u l a t i o n , v i s u a lr e a l i t yt e c h n o l o g y 武汉理工大学硕士学位论文 第1 章绪论 1 1 课题研究的目的与意义 随着港口运输、水电站建设、跨海大桥建设等行业的迅速发展，大吨位 f l o o t 3 0 0 0 t 1 、高扬程( 3 0 m l o o m ) 的大型起重机的需求不断增加，特别是由 于起升高度大，为了适当降低所选钢丝绳的直径，而使得起升机构滑轮组的 倍率也是较多( 滑轮组倍率通常在8 以上) 时，卷绕于起升卷筒上的绳索缠绕 量很大，若采用多层卷绕方式，缠绕过程中会产生乱绳现象，而且绳索之间 磨损严重，降低了钢丝绳的使用寿命，并还需要增加排绳装置。因此，卷简 多层卷绕结构型式的研究成为近年来国内外起重机行业相竞研究和开发的课 题。 对于目前用得最多的螺旋绳槽缠绕方式，其优点是单层缠绕时钢丝绳可 以沿螺旋槽平滑地缠绕，其最大缺点是多层缠绕时上下层钢丝绳的卷绕旋向 相反，上层钢丝绳不能很好地落入下层钢丝绳形成的螺旋槽内，乱绳现象比 较严重，而且绳间摩擦造成的磨损严重影响绳索的使用寿命。另外，绳索与 卷筒之间的偏角越大，乱绳现象越严重。 近年来，在国内外的一些大型起重机中，采用了一种新型结构的多层卷 简一平行折线卷筒【1 2 l ，这种卷筒的表面有绳槽，但绳槽的走向不同于普通螺 旋绳槽卷简。平行折线卷筒的每一周长范围内，有两段直线段和两段斜线段。 在卷筒表面绳槽的一个节距长度内，绳索走向为直线段一斜线段一直线段一 斜线段一第二个节距的直线段，其中大约7 5 8 0 的绳槽为直线段，其余为 斜线段。钢丝绳在进行多层卷绕时，通过斜线绳槽来固定上层钢丝绳与下层 钢丝绳交叉过渡的位置。在绳槽直线段，上层钢丝绳完全落入下层钢丝绳两 相邻的绳圈形成的绳槽内，使上下层钢丝绳之间的接触改善，提高了钢丝绳 的使用寿命。再配合卷简两端带有返回凸缘的阶梯挡环，引导钢丝绳顺利爬 升和返回，避免钢丝绳由于相互切入挤压而造成的乱绳，且减少磨损，使钢 丝绳卷绕按设计者的意图一层层的整齐排列，解决多层卷绕时的乱绳现象、 减少钢丝绳间磨损，提高钢丝绳的使用寿命。 相对于普通螺旋槽卷简来说，平行折线卷筒的结构较为复杂，其设计和 制造存在一定的难度，与国外先进水平相比，在设计开发方面还有一定差距， 而且开发周期也较长。 武汉理工大学硕士学位论文 面对我国入世后严峻的形势，为了使生产企业在新一轮更加激烈的竞争 中站稳脚跟，因此有必要采用基于神经网络的智能设计方法，对平行折线卷 筒进行智能设计，以提高平行折线卷筒产品设计的智能化水平，加快开发速 度，缩短开发周期。 由于机械产品的设计是个复杂的创造过程，需要复杂的论证、检验，以 保证产品的合理性和可靠性。传统上做一个实物模型的方法，耗时耗财。近 年来，随着计算机的广泛应用，计算机仿真技术、虚拟现实技术的提高，我 国在仿真系统的建模与开发方面迅速发展起来，并取得了很大的成就。在机 械工程领域，建模与仿真技术的应用已扩展到产品的全生命周期：方案论证、 设计制造、试验、使用和维护训练。从而在制造企业产品设计和制造的过程 中，计算机仿真已成为不可缺少的工具，它在减少损失、节约经费、缩短开 发周期和提高产品质量等方面发挥了巨大作用。虚拟现实技术的发展和软硬 件产品的开发，使仿真技术的应用、意义和成果都得到进一步扩展。 当前计算机仿真技术在机械工程中的应用已经越来越广泛。机械设计的 最终目的是设计出产品，即设计出一个装配体，传统的装配体设计是一个自 底向上的设计过程，即先设计出各个零件，并制造出来，再把实实在在的零 件装配起来，形成一个完整的装配体或机械设备。这样很容易出现装配体各 部件的干涉及与设计目的不符等缺陷。虚拟设计与仿真就是为了克服这些缺 陷而出现的一种新技术手段。它不仅可以让设计师看到甚至“摸”到自己的 设计成果，还能简化设计流程，缩短设计时间，而且方便随时修改。 智能设计与虚拟现实技术融合便是具有交互效果的“虚拟设计”。虚拟现 实技术是一种“富有价值的工具”，可以提升传统产业层次、挖掘其潜力。借 助于虚拟现实技术，建立平行折线卷筒三维模型，进行计算机仿真，实现对 平行折线卷筒产品的可视化，检验设计效果，避免设计缺陷。 综上所述，以平行折线卷筒替代螺旋绳槽卷筒，解决大扬程起重机钢丝 绳多层卷绕时的乱绳问题和减少绳间磨损；应用基于神经网络的智能设计， 实现对平行折线卷简设计的智能化，以加快平行折线卷筒等起重机产品零部 件的开发速度；并采用虚拟现实技术进行计算机仿真，使得在设计过程的最 初阶段发现可能存在的缺陷和问题得到及时的解决，就是本课题的研究目的 和实际意义之所在。 武汉理_ 大学硕士学位论文 1 2 课题的国内外研究发展现状分析 1 2 1 智能设计的起源与发展 产品设计在产品台新中处于上游。由于它对产品的知识含量、成本、质 量等具有预先的决定性作用，因此设计的智能化问题己得到越来越多的重视， 各国的研究计划均将产品设计智能化作为研究的重点内容之一。 早在二战结束后，德国便意识到经济复苏的关键在于产品设计水平的提 高，积极开展设计知识获取与运用的研究，尤其是在设计理论方面成为世界 发源地。以德国为代表的欧洲流派的智能设计方法论者主张将从专业设计人 员长期的设计实践中归纳总结出来的各种方法作为工程设计流程各个环节的 手段，贯穿到楚个设计过程中，并且通过实际的再应用加以发扬和完善。同 时，将归纳和总结出来的、大量的工程设计知识经过系统化的整理，以设计 目录( d e s i g nc a t a l o g ) 的形式得以保存、传递和运用。比如r o t h 提出的包括功 能定义、物理原理、物理效果等方面的智能设计目录已在智能设计实践中得 到普遍使用。同时研究人员还在试图借用计算机技术建立便于使用的智能设 计目录库和检索工具。在美国的t e a m 计划中，将知识管理工具套件作为智 能设计领域的研究内容之一。在i m s 计划中，也将知识系统化列为一项重要 的研究内容，目前已开发出一个信息与知识交互协调的智能设计平台 m a d i a t o r 。所有这些研究为智能设计进一步发展奠定了坚实的理论基础。 近几年，随着人工智能研究热潮的再度兴起与发展，智能设计方法和机 器学习方法与技术的应用越来越广泛。这种现象已引起国际设计制造学术界 的极大关注。国际生产： 程学会( c i r p ) 连续于1 9 9 6 和1 9 9 7 年的年会上发表 关f 设计智能化的研究报告【”】1 3 5 1 。报告多次指出：我们不仅需要新的计算机 技术以生成、记录、检索信息，而且也需要将信息整理、综合成知识，并采 用合适的知识表达方法来表达知识，以支持设计的智能化和人的正确决策。 1 2 2 智能设计的现状和新发展 进入9 0 年代的中后期，随着神经网络技术和虚拟现实技术等计算机各方 面的技术飞速发展，智能设计获得了新的发展机遇。 首先是采用了神经网络技术进行智能设计。人工神经网络是一个分布式 并行处理系统，具有自组织学习功能和理想记忆功能。鉴于若干神经网络具 武汉理工大学硕士学位论文 有这些特征，符号系统的上述缺陷恰好能被若干神经网络所弥补。符号系统 知识获取问题症结在于其知识要用符号显式化表达，可这类知识大多数是具 有启发性的经验、诀窍，往往只可意会，难以言传。神经网络通过样本学习， 将其隐含的经验、诀窍容纳进去，是一种知识的隐式表达，并存放在网络权 值之中，从而巧妙地回避了获取显式化知识的困难，同时又具有学习能力， 实现知识的自动获取。 目前，基于神经网络的智能设计技术已引起了人们的普遍关注，在国内 外有许多政府部门、公司、大学、研究所正在致力于这方面的研究。从总的 方面来看，基于神经网络的智能设计己经取得了一定的成就，并有一些成功 的应用。但作为一门新兴的技术，基于神经网络的智能设计技术还不是一门 成熟的技术，还有许多问题急待解决，其发展还将依赖于软、硬件两方面技 术的进步，需要有更好的神经网络学习算法。 其次是与虚拟现实技术相结合，实现虚拟智能设计。虚拟现实技术是在 机械系统运动学、动力学等理论的基础上，借以成熟的三维计算机图形技术 和基于图形的用户界面技术。随着经济贸易的全球化，要想在竞争日趋激烈 的市场上取胜，缩短开发周期，提高产品质量，降低本成以及加快对市场的 灵活反应成为竞争者们所追求的目标。谁早推出产品，谁就占有市场。然而， 传统的设计与制造方式无法满足这些要求。在传统的设计与制造过程中，首 先是概念设计和方案论证，然后进行产品设计。在设计完成后，为了验证设 计，通常要制造样机进行实验，有时这些实验甚至是破坏性的。当通过实验 发现缺陷时，又要回头修改设计并再用样机验证。只有通过周而复始的设计 一实验一设计过程，产品才能达到要求的性能。这一过程是冗长的，尤其对 于结构复杂的系统，其设计周期无法缩短，更不用谈对市场的灵活反应了。 虚拟现实技术的应用贯串于整个设计过程当中，它可以用在概念设计和方案 论证中，设计师可以把自己的经验与想象结合在计算机里的虚拟现实里，让 想象力和创造力充分发挥。当虚拟现实用来代替实际模型验证设计时，开发 周期缩短，设计质量和效率得到了提高。 例如，1 9 9 7 年7 月4 日，美国航空航天局( n a s a ) 的喷气推进实验室( j p l ) 成功地实现了火星探测器探路号在火星上的软着陆，成为轰动时的新 闻”。但人们并不知道，如果不是采用了一项新技术，这个计划可能要失败。 在探测器发射以前，j p l 的工程师们运用这项技术预测到由于制动火箭与火 星风的相互作用，探测器很可能在着陆时滚翻并最后六轮朝上。工程师们针 对这个问题修改了技术方案，保证了火星登陆计划的成功。福特汽车公司在 4 武汉理工大学硕士学位论文 。一个新车型的开发中也采用了这项技术，其设计周期缩短了7 0 天。全公司范 围内，由下采用了这项技术，设计费用减少了4 千万美元，制造费用节省了 1 0 亿美元。在汽车制造行业【“j ，由于设计制造周期的缩短，新车上市早，额 外赢利达到其成本的数倍。世界上最大的工程机械制造商卡特皮勒公司的工 程师们在经过几天培训后，采用虚拟现实技术进行装载机和挖掘机的工作装 置优化设计及分析，在一天时间内，他们对工作装置进行了上万个工位的运 动及受力分析，很容易地实现了理想的设计。 在我国，浙江大学c a d c a m 国家重点实验室高曙明、万华根等通过 基本体素的初始定形、初始定位、精确定位、精确定形以及变动设计五个步 骤实现产品形状虚拟设计从模糊到精确的演化1 1 7 l 。其中，初始定位与定形顺 应虚拟概念设计阶段信息表达非精确的、模糊的特点，而在产品详细虚拟设 计阶段则通过约束识别与求解实现基本体素的精确定位与定形。 总的来说，虚拟智能设计、制造是全球制造业发展的趋势之一，具有很大 的潜力，应用前景也很广阔，但作为一门新兴技术，基于二神经网络的智能设 计和基于虚拟现实技术的可视化设计，在我国还处于初级阶段，虽然已有一 些设计雏形系统出现，但离应用推广还有很大差距。 1 2 3 平行折线卷筒应用现状 平行折线卷筒( 也称利巴斯卷筒，双折线绳槽卷筒) 最早见于国外利巴斯 公司专有的利巴斯卷扬装黄中，其中利巴斯卷简就是双折线绳槽卷筒，主要 在矿山卷扬机和水工起重机械上应用。特别是近年来随着我国高坝建筑的发 展，对数十米到上百米的高扬程大型启闭机的需求，平行折线卷筒的应用越 来越多，例如在龙羊峡水库5 0 0 0k n 坝顶门式启闭机回转吊上的应用，安康 水电站卷扬式启闭机中的应用，太原重型机械( 集团) 有限公司在3 2 0 t 坝顶 门式启闭机上的应用，小浪底枢纽工程5 0 0 0 k n 固定卷扬式启闭机及4 0 0 0k n 门式启闭机主卷扬机构上的应用【埔】。最近由国家电力公司郑州机械设计研究 所设计的8 0 0 0k n 固定卷扬式启闭机上也采用了平行折线卷筒，该机于2 0 0 2 年4 月底在浙江慈溪水利枢纽工程上安装试运成功。据中经网最新报道，太 原重工为三峡工程4 5 0 吨门式起重机中就采用了平行折线卷简，这种新型卷 简特点是可以多层缠绕钢丝绳，避免了传统卷筒只缠绕一层钢丝绳的缺点， 而且缩短了卷筒长度，使大型水电站起重机使用更加安全可靠。 武汉理工大学硕士学位论文 1 3 本文的主要研究内容 本文利用b p 神经网络的自组织、自适应、自学习能力，对平行折线卷 筒进行智能设计；然后将设计好的平行折线卷筒应用到起重机工作流程中去， 进行作业仿真。主要的研究内容主要有： 1 1 根据给定的起重机技术性能参数，研究确定平行折线卷筒结构参数的 设计方法。 2 1 根据b p 算法自身存在学习时收敛速度慢、容易陷入局部极小和全局 搜索能力弱的问题，研究算法改进措施；结合一些具体实例，研究神经网络 结构参数确定方法和样本数据的处理方法。 3 ) 研究b p 神经网络在起重机关键部件一平行折线卷简智能设计中的应 用。研究用于平行折线卷筒智能设计的b p 网络学习算法和学习样本数据的 处理方法，确定其合理的结构参数和神经元激活函数，实现基于b p 神经网 络的平行折线卷筒智能化设计，即参数化、数字化建模。 4 ) 研究虚拟现实语言o p e n g l 在v c 环境下工作流程、编程步骤以及虚 拟建模、动画技术和各种特殊效果的实现。 5 ) 研究基于计算机图形学的复杂曲面三维实体建模、虚拟现实建模语言 o p e n g l 的原理以及其与3 d m a x 接1 2 1 的实现，并在v c + + 6 0 环境下实现平 行折线卷筒的三维建模与运行仿真。 6 一一一 塞望堡三奎兰堡主兰堡堡塞一 _ - _ _ _ _ - _ _ _ - _ _ _ _ _ - _ _ _ _ _ _ _ - _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ 一 第2 章神经网络理论及其设计 2 1 人工智能简介 人工智能| 2 1 ( a r t i g f i c i a li n t e l l i g e n c e ，简称a i ) 是一门新兴的综合性强的 边缘学科。人工智能是探求人类思维过程，研究将人类的脑力劳动外延到某 种物理装黄的原理和实现的一门学科。它以使计算机具有模拟人的智能的能 力为目的，其基本特点是对信息系统的自动化处理。它从符号主义，连接主 义发展到如今以神经网络为基础的进化主义。 2 1 1 神经网络基础知识 人工神经网络是反映人脑结构及功能的一种抽象数学模型。一个人工神 经网络是由大量神经元结点经广泛互连而组成的复杂网络拓扑，用于模拟人 类进行知识和信息的表示、存储和计算行为。神经网络的核心由其基本结构、 学习规则及其工作方式三部分组成： 1 、基本结构。神经网络是由大量神经元广泛互连而成的复杂网络系统。 单一神经元可以有许多输入、输出。神经元之间的相互作用通过连接的权值 体现。神经元的输出是其输入的函数。常用的函数类型有：线性函数、s i g m o i d 型函数和阀值型函数。虽然单个神经元的结构和功能极其简单和有限，而大 量神经元构成的网络系统其行为却是丰富多彩的。 在图2 - 1 所示的单个神经元模型的结构中，“。为神经元的内部状态，p ；为 闽值，x ，为输入信号，表示从“，到h 。连接的权值，& 表示外部输入信号， 武汉理工大学硕士学位论文 则神经元的输入为 n e t 。= 罗。i t + s ，一0 。 ( 2 - 1 ) 7 输出为y 。；f ( n e t ，) ，其中，是神经元的转换函数。 2 、学习规则。学习规则决定了神经网络的连接权值的变化，典型的学习 规则有：h e b b 规则，6 学习规则和广义6 学习规则，无教师学习规则等。 3 、工作方式。神经网络工作方式分为前馈式、反馈式和混合式。其中在 前馈式中，网络被分成输入层、隐含层和输出层，信息从输入层开始，经由 隐含层流向输出层，如图2 2 所示。 十十十千 出屡 蠹奇 辅 甚 十十千 图2 - 2 前馈式神经网络的结构与工作方式 b p 网络就是典型的前馈式网络。 2 2b p 神经网络基本思想及其改进措施 人们也常把按误差逆传播算法训练的多层前馈网络，直接称为b p 网络。 b p 算法的基本思想是，学习过程由信号的正向传播与误差的逆向传播两个过 程组成。正向传播时，模式作用于输入层，经隐层处理后，传向输出层。若 输出层未能得到期望的输出，则转入误差的逆向传播阶段，将输出误差按某 种形式，通过隐层向输入层逐层返回，并“分摊”给各层的所有单元，从而 获得各层单元的参考误差( 或称误差信号1 ，以作为修改各单元权值的依据。 这种信号正向传播与误差逆向传播的各层权矩阵的修改过程，是周而复始地 进行的。权值不断修改的过程，也就是网络的学习f 或称训练) 过程。此过程 一直进行到网络输出的误差逐渐减少到可接受的程度或达到设定的学习次数 为：。 武汉理工大学硕士学位论文 2 2 1b p 神经网络算法的改进 当前，b p 神经网络理论与应用已取得了丰硕的成果，但b p 神经网络理 论还存在着许多缺陷，例如学习收敛速度慢，容易陷入局部极小和全局搜索 能力弱等。克服这些缺陷的有效途径之一是增加动量项，改进权值误差处理 方式、改进网络权值的处理方式、选择合适的神经元特性函数等。 1 1 引入动量项。此法的目的在于加速b p 算法的收敛过程。根据情况确 定学习速度，即让学习速率和动量项可变；如果当前的误差梯度修正方向正 确，就增大学习率，加入动量项；否则减小学习率，甩掉动量项：从而使学 习效率大大提高。具体做法是：将上一个周期权值调整量的一部分迭加到按 本次误差计算所得的权值调整量上，以作为本次的实际权值调整量a w ( n ) ， 即 a w ( n ) 一一r l v e ( n ) + o d x w ( n - 1 )( 2 - 2 ) 式中一一动量系数，通常0 a ：v p b f y ，t = l ，2 ，q ( 2 - 7 ) 筒 c 。；f ( l f ) t = l ，2 ，q( 2 - 8 ) 5 ) 用希望输出模式k ( y ，y ：，y ：j 、网络的实际输出 c ， ，计算输出 层各单元的般化误差j 。 d ? ，( ) c c ( 1 一c ，) 仁1 ，2 ，q 6 ) 用连接权 v 。 、输出层的一般化误差 d ? 、 间各单元的一般化误差 p ： 。 e ；2 薯d ? v ； 6 j 6 6 ，) ，= ，z ，p ( 2 - 9 ) 中间层的输出p ，) 计算中 ( 2 - 1 0 ) 7 ) 用输出层各单元的一般化误差p 中问层的输出 扫，) 修正连接权 v 和阈值 y ， 。 1 1 武汉理工大学硕士学位论文 v ，( + 1 ) = v j r ( ) + a d ? b j = 1 ，2 ，p ；t = 1 ，2 ，q y ，+ o v + 1 ) = y ，o v ) + “- d ? t = l ，2 ，q ( 2 - 1 1 ) ( 2 1 2 ) 8 1 随机选取下一个学习模式肘提供给网络，返回到步骤( 3 ) ，直到全部m 个模式对训练完毕。 9 ) 用中问层各单元的一般化误差 e ：) 、输入层各单元的输入 a 。= b ：，n ：k ，a ：j 修正连接权 m 和阈值 疗， 。 0 、r 十1 ) = w 。f 0 、r ) + 卢p ：a ? i = l ，2 ，p ；j = 1 ，2 ，p( 2 - 1 3 ) 日f + 1 j 一0 f ( a tj + 卢g ；j = 1 ，2 ，p ( 2 - 1 4 ) 1 0 ) 重新从m 个学习模式中随机选取一个学习模式对，返回到( 3 ) ，直到 网络全局误差小于预先设定的极小值或学习次数大于预先设定的值。 11 1 ( 1 1 ) 结束学习。 2 3 改进b p 神经网络的设计 2 3 1 隐含层数的确定 尽管没有能很快确定网络参数( 指隐层数及隐层神经元数) 的固定规则可 循，但通常设计多层前馈网络时，可按下列步骤进行： 1 1 对任何实际问题先都只选用一个隐含层； 2 1 始时，使用尽量少的隐含层数； 3 1 断增加隐含层数直到获得满意的性能为止，否则用两个隐含层。 理论分析已经表明：隐层数最多两层即可。唯当要学习不连续函数时， 才需要两个隐层；因为具有单隐层的神经网络就已经能映射一切连续函数。 2 3 2 隐含层神经元数的确定 对多层前馈网络而言，隐层神经元数的确定是成败的关键。因此，选择 隐层神经元数是很重要的问题。若数量太少，则网络所能获取的用以解决问 题的信息太少；若数量太多，不仅增加训练时间，更重要的是过多隐结点还 可能出现所谓“过度吻合”问题，即网络把训练集里的一些无关紧要的非本 质的东西，也学得维妙维肖。在评估这种“过度吻合”网络的性能时，如果 输入的是训练时用过的样本，性能( 指网络输出误差1 将十分理想。然而，当 输入1 仁样本时，性能则极薏。 武汉理工大学硕士学位论文 在神经网络的设计中还应注意防止网络被训练得过度吻合。网络中的每 一个权值都是增强网络映射能力的一个参数。因此，网络中的权值数目决定 了它对样本吻合的自由度。所以，欲限制网络的能力就要限制权值总数。而 权值总数又取决于网络中结点总数。由于输入、输出结点数是由问题本身决 定的，通常没有调整的余地，因此一般都是通过控制隐层结点数来限制网络 映射能力。 在以用神经网络对平行折线卷简直径和钢丝绳直径进行智能设计计算为 例中，所用训练集和测试集相同，设3 层网络的隐层结点数分别为1 4 、1 0 和 5 。表2 2 列出了平行折线卷简直径的所有的期望输出与实际输出相对误差的 平均值。 表2 - 2 臆拮点数与误差的关系 隐结点数训蟪误差测试误差 j0 j d i 如口衄如 l 口0 d 0 9 30 d l 加 1 40 叩7 7d 0 3 8 2 由表2 2 可见，增加隐结点数可以减少训练误差，但超过某一隐结点数 之后，测试误差反而增大，即泛化能力下降。所以，训练误差小并不一定意 味网络的泛化能力就强。图2 - 4 所示的网络泛化性能图中，符号“”表示 训练用样本的实际输出；而符号“0 ”表示测试用样本的实际输出，直线或 曲线表示期望输出。应在网络的训练误差与测试误差之间权衡确定隐结点数。 ( b ) 图2 4 网络泛化性能 a 恰到好处b 过度吻合 确定隐结点数的具体作法是用同一样本集对具有不同隐结点数的网络进 行训练，直到权值不再变化网络稳定为止；然后，依据测试误差最小，确定 网络的隐结点数；显然，这种方法的缺点是费时，但也是目前确定隐结点数 的唯一行之有效的方法一试凑法。 武汉理工大学硕士学位论文 值得强调指出的是，除了隐结点数过多可导致过度吻合现象以外，训练 样本数偏少也会造成该现象的出现。从理论上讲，只要保证训练样本数远远 超过网络的隐结点数，便可避免过度吻合现象。 总之，仅根据输入、输出的维数是无法确定网络隐层神经元个数的。实 际上，隐含层神经元数取决于训练样本数的多少、噪声量的大小以及有待网 络学习的输入一输出函数关系或分类的复杂程度。就像在函数逼近时，要使 用高阶多项式才能获得函数的“起伏”一样，用神经网络作函数映射时，也 只有使用较多的隐结点数才能得到波动次数较多、幅度变化较大的映射关系。 若有一个单隐层网络，输入、输出层结点数分别为n 和m ，则隐层结点 数可取n 肌，不过用月州来计算的隐含层结点数只是一个粗略的估值。若 输入输出结点数很少，而问题又相当复杂，r i m 就不适用了。 对于给定的问题，如果没有把握知道多少隐层结点数算合适，千万不要 一开始就试用很多的隐结点，然后蒜去试探可以减少多少而不致影响性能； 而应使用尽可能少的隐结点数，从认为是“偏少”的隐结点数开始，然后不 断增加试之。这种方法虽然缺乏理论指导，但却是行之有效的经验之谈。 2 3 3 训练次数的确定 训练次数直接影响网络的泛化能力。训练次数e p o c h s 在某一最佳点之 前，训练误差和测试误差均随着训练次数的增加而减少；但当训练次数超过 该点之后，尽管训练误差继续减小，但测试误差却反而增大( 见图2 - 5 ) ，这种 现象就是所谓的“训练过头”。 图2 5 训练过头现象 众所周知，学习说话( 学共性) 要比学某特定人的口音( 学个性) 容易、省时。 同理，网络学习模式的个体特征也是相当费时，而模式中的共性反而能较快 地学到。所以，网络的性能在较快达到高峰之后，便开始恶化，从而出现图 2 - 8 所示的训练过头现象。 武汉理工大学硕士学位论文 若能找到这个最佳的训练次数，便可避免训练过头现象，使网络具有最 好的泛化性。为此，在训练过程中每经过一定训练次数后，就应停止训练并 测其测试误差。每次停f 来，获取测试误差时，要把权值保存起来。当发现 测试误差开始上升时，网络便达到r 最佳训练次数，那时的权值便具有最佳 的泛化能力。一股而言，测试误差要略高于训练误差，这是因为网络毕竟是 按训练集而不是按测试集训练的。 如果随着训练次数的增长，测试误差不出现上升的趋势，这表明网络的 隐结点数太少，不足以出现训练过头现象。因为过多的隐结点数是网络出现 训练过头的内因，而训练次数过多则是其外因。外因只有通过内因才能起作 用。在这种情况下，就要增加隐结点数：否则，无论怎样增加训练次数，网 络的训练误差和测试误差都不可能得以明显的改善。 2 3 4 训练集的设计 在讨论了影响网络性能的两个重要因素一隐结点数及训练次数之后，现 在来看另一个重要因素一样本数及其代表性。 网络所需的样本数主要由两个因素决定：一是网络映射关系的复杂程度， 为获得一定的映射精度，映射关系越复杂，要求提供的样本数便越多；二是 数据中的噪声，为达到一定的映射精度，所需样本数将随着噪声的增大而增 多。在上述两个因素一定的情况下，网络有一个所能达到的映射精度极限， 如图2 6 所示。 图2 6 样本数与网络误差的关系 起初，随着样本数的增加，误差急剧下降，但当样本数增多到一定程度 之后，它对降低网络误差的作用便越来越小。决定网络这个精度极限的是噪 声，而不是映射关系的复杂程度。从理论上讲，只要样本数足够且具有代表 性，网络就能揭示出蕴藏在其问的任意复杂的规律，即具有很好的泛化能力， 而坷i 存在过度吻合现象。但实际上，让训练集包括全部情况，这是不可能的。 嘲此在设计训练集时，既要保证训练样本数远远超过网络隐结点数，同时也 武汉理_ 【= 大学硕士学位论文 要保证训练集具有广泛地的代表性。 设计训练集时，除了上面讨论过的训练样本数以外，还存在合理选择和 组织样本的问题。 1 、类别均衡。为使网络学会分类，样本中应包括各类的代表，而且每类 样本的数目也以大致相等为好。这是因为样本多的类别对权值的修改作用比 样本少的类别要大，因此网络必然对前者的反应敏感，而对后者的识别能力 差。如在不同起升高度和工作级别的要求下，要计算不同起升重量时的钢丝 绳直径，而不能让起升高度与起升重量一一对应，那这样的网络泛化能力肯 定差。 2 、类间交叉。训练时不同类别的样本要交叉输入，相同的样本在训练顺 序上要尽可能地离得远些。着同类样本都聚在一起，则某一类样本对权值集 中修改的结果会破坏权值对前一类样本的映射关系，即使b p 网络对前一类 样本的映射能力“前功尽弃”。这样反复修改的结果会导致振荡或延长训练时 侑 。 2 3 5 初始权值的选择 初始