（信号与信息处理专业论文）人工神经网络在瓦斯检测系统中的应用.pdf

太原理工大学硕士研究生学位论文 人工神经网络在瓦斯检测系统中的应用 摘要 目前使用的传感器常存在因交叉灵敏度而导致的稳定性差、测量精度 低的缺陷，例如压差压力传感器变送器、煤矿用瓦斯传感器等都存在对环 境温度、湿度的交叉灵敏度，表现为传感器的输出值不仅仅取决于标称的 目标参量如压差压力、瓦斯浓度等，而且取决于非目标参量，如环境 温度、湿度、电磁干扰等。当目标参量恒定而非目标参量环境因素变 化时，其输出值也随之变化。为增强目标参量在非目标参量变化条件下的 稳定性，将多传感器数据融合技术和智能化技术相结合，即采用多个传感 器同时监测目标参量和非目标参量，其输出数据经计算机融合处理，从而 消除环境因素变化的影响，提高目标传感器的性能。 由于神经网络良好的非线性逼近性能及自学习、自适应性，目前已广 泛应用于各个领域。近年来，将神经网络引入传感器，建立智能传感器系 统在一定程度上改善了传感器的性能。鉴于神经网络的结构及训练方法有 多种，本文以提高传感器稳定性、可靠性、实用性为目的，以软件优势来 改善硬件缺陷为主要原则，主要研究b p 神经网络和r b f 神经网络在智能 传感器系统中的应用。研究表明采用本文设计的传感器补偿系统及其结合 的神经网络算法能有效改善传感器的输出性能。 另外，虚拟仪器是在最少量的硬件模块支持下，用软件实现传统仪器 的数据采集、存储、分析、显示。它不强调仪器物理上的现实形式，打破 太原理工大学硕士研究生学位论文 了生产厂家定义仪器机箱的约束，用显示在c r t 上的软面板代替原来的仪 器面板，用键盘、鼠标对测量的参数及进程进行控制。虚拟仪器给用户一 个充分发挥自己的才能、想象力的空间。将虚拟仪器技术应用于瓦斯检测 系统，可在软件的优势下，无需增加硬件的基础上方便、快捷、准确地实 现矿井中瓦斯浓度的检测。本文设计的基于l a b v i e w 的瓦斯传感器补偿系 统结合了神经网络算法，可以方便、快捷、直观地监测矿井中瓦斯浓度的 状况。 关键宇：传感器，神经网络，非线性，瓦斯，虚拟仪器 太原理工大学硕士研究生学位论文 t h ea p p l i c a t i o no fa r t i f i c l ln e u r a l n e t w r o r ki ng a se x a m i n a t i o ns y s t e m a b s t r a c t a tp r e s e n t ，t h e r ea le a l w a y st h ed e f e c t st h a tt h ep o o rs t a b i l i t ya n dt h el o w m e a s u r i n gp r e c i s i o nb e c a u s eo ft h ec r o s s s e n s i t i v i t ye x i s tf o rs e n s o r t a k et h e p r e s s u r es e n s o ra n dt h ec o a l m i n eg a sf o re x a m p l e ，t h ec r o s s s e n s i t i v i t yi s e x i s t e df o re n v i r o n m e n t a lt e m p e r a t u r ea n dh u m i d i t y , t h eo u t p u to ft h es e n s o ri s d e p e n d e do nn o to n l yb yt h et a r g e tp a r a m e t e r s ，s u c ha st h ep r e s s u r ed i f f e r e n c e a n dt h em e t h a n ec o n c e n t r a t i o n ，b u ta l s ob yt h en o n t a r g e tp a r a m e t e r s ，l i k et h e f a c t o r sa se n v i r o n m e n t a lt e m p e r a t u r e ，h u m i d i t ya n de l e c t r o m a g n e t i ci n t e r f - e r e n c e i ft h et a r g e tp a r a m e t e r sa lec o n s t a n tb u tt h en o n t a r g e tp a r a m e t e r ss u c h a st h ee n v i r o n m e n t a lt e m p e r a t u r ei s c h a n g i n g ，a s ar e s u l t ，t h ev a r i a t i o ni s a c c o m p a n i e dw i t ht h eo u t p u t t oi n c r e a s et h es t a b i l i t yo ft h et a r g e tp a r a m e t e r s u n d e rt h en o n t a r g e tp a r a m e t e r sw i t hc h a n g i n g t h em u l t i s e n s o rd a t af u s i o n t e c h n o l o g yi sc o m b i n e dw i t ht h ei n t e l l i g e n tt e c h n o l o g y , i ti st os a y , a p p l y i n gt h e t e c h n o l o g yw h i c h t h et a r g e tp a r a m e t e r sa n dt h en o n t a r g e tp a r a m e t e r sa r e m o n i t o r e db ym u l t i s e n s o r s ，t h ed a t af o rt h eo u t p u ti nw h i c ht h ee f f e c to ft h e v a r i a t i o nf o rt h ee n v i r o n m e n t a lf a c t o r sa r ee l i m i n a t e da n dt h ef u n c t i o no ft h e s e n s o ri sa l s oi m p r o v e db yt h ep r o c e s so ft h ec o m p u t e rc o n f u s i o n b e c a u s et h en e r v en e t w o r kh a sg o o dn o n l i n e a r i t ya p p r o a c h i n ga b i l i t y ， s e l f - s t u d ya n da u t o a d a p t e dp e r f o r m a n c e ，i ti sw i d e l yu s e di ne a c hd o m a i nn o w i nr e c e n ty e a r s ，t h en e r v en e t w o r ki si n t r o d u c e di n t ot h es e n s o r t h ep e r f - o r m a n c eo ft h es e n s o ri si m p r o v e di nt h ec e r t a i nd e g r e et h r o u g he s t a b l i s h i n gt h e i n t e l l i g e n ts e n s o rs y s t e m i nv i e wo ft h ef a c tt h a tt h e r ea r em a n yk i n d so ft h e n e r v en e t w o r ks t r u c t u r e sa n dt h et r a i n i n gm e t h o d s ，t h i sp a p e rt a k e se n h a n c i n g t h es e n s o rs t a b i l i t y ，t h er e l i a b i l i t ya n dt h eu s a b i l i t ya sag o a l ，t a k e st h es o f t w a r e s u p e r i o r i t ya st h em a i np r i n c i p l ei ni m p r o v i n gt h eh a r d w a r ef l a w ，m a i n l ys t u d i e s t h ea p p l i c a t i o no ft h eb pn e r v en e t w o r ka n dt h er b fn e r v en e t w o r ki nt h e i n t e l l i g e n ts e n s o rs y s t e m t h er e s e a r c hi n d i c a t e dt h a ti t c a nm a k ee f f e c t i v ei m p r o v e m e n ti nt h es e n s o r so u t p u tp e r f o r m a n c ei nu s i n gt h es e n s o rc o m p e n s a t i o n s y s t e mw h i c ht h i sp a p e rd e s i g n e d a n dt h eu n i o no ft h en e r v en e t w o r ka l g o r i t h m o t h e r w i s e ，v i r t u a li n s t r u m e n tu s i n gs o f t w a r e t or e a l i z et h et r a d i t i o n a l i n s t r u m e n tf u n c t i o ns u c ha sd a t ac o l l e c t i o n ，m e m o r y , a n a l y s i s ，d i s p l a y , i t s u p p o r t sb yt h el e a s ta m o u n to fh a r d w a r em o d u l e s i td o e sn o te m p h a s i z er e a l i t y f o r mo ft h ep h y s i c a la p p a r a t u s ，a n db r e a k st h eb o u n do ft h ed e f i n i n gi n s t r u m e n t b o xb ym a n u f a c t u r e r s ，a n du s e dt h es o f tp a n e li nt h ec r td i s p l a yt or e p l a c et h e o r i g i n a l i n s t r u m e n tp a n e l s ot h em e a s u r e m e n tp a r a m e t e r sa n dp r o c e s s a r e c o n t r o l l e db yk e y b o a r da n dm o u s e v i r t u a li n s t r u m e n to f f e r su s e r sas p a c eo f f u l l yp l a y i n gt h e i rt a l e n t sa n di m a g i n a t i o n v i r t u a li n s t r u m e n tt e c h n o l o g y i su s e d i ng a sd e t e c t i o ns y s t e m s ，w i t h o u ta d d i t i o n a lh a r d w a r ei tc a nc o n v e n i e n t l y , f a s t a n da c c u r a t e l yd e t e c tt h eg a sc o n c e n t r a t i o ni nm i n eb a s e do i lt h ea d v a n t a g e so f t h es o f t w a r e ，i nt h i sp a p e rag a ss e n s o r sc o m p e n s a t i o ns y s t e mb a s e do nl a b i v 太原理工大学硕士研究生学位论文 v i e wi sd e s i g n e d ，i tc o m b i n e sa l g o r i t h mo fn e u r a ln e t w o r k ，i tc a nm o n i t o rt h e g a sc o n c e n t r a t i o ns i t u a t i o no ft h em i n ec o n v e n i e n t l y , f a s ta n di n t u i t i v e l y k e yw o r d s ：s e n s o r ，a r t i f i c i a ln e u r a ln e t w o r k ，n o n l i n e a r i t y ，g a s ，v i r t u a l i n s t r u m e n t s v 声明尸明 本人郑重声明：所呈交的学位论文，是本人在指导教师的指导下， 独立进行研究所取得的成果。除文中已经注明引用的内容外，本论文 不包含其他个人或集体已经发表或撰写过的科研成果。对本文的研究 做出重要贡献的个人和集体，均已在文中以明确方式标明。本声明的 法律责任由本人承担。 论文作者签名：耋洼垄日期：垒翌! 呈量! 1 关于学位论文使用权的说明 本人完全了解太原理工大学有关保管、使用学位论文的规定，其 中包括：学校有权保管、并向有关部门送交学位论文的原件与复印 件；学校可以采用影印、缩印或其它复制手段复制并保存学位论文； j 学校可允许学位论文被查阅或借阅；1 学校可以学术交流为目的， 复制赠送和交换学位论文；学校可以公布学位论文的全部或部分内 容( 保密学位论文在解密后遵守此规定) 。 导师签名：蛊熊差日期：2 盟基：盂jj 太原理工大学硕士研究生学位论文 1 1 研究背景 第一章绪论弟一早三百t 匕 根据国家标准规定，传感器是能感受规定的被测量，并按照一定规律转换成可用输 出信号的器件或装置1 1 1 ，它通常由敏感元件和转换元件组成。传感器大体上是从结构型 传感器到固态型传感器，再到智能型传感器发展过来的。 结构型传感器主要利用结构参数的变化来感受和转换信号，原理简单，性能可靠； 固态型传感器始于7 0 年代，它直接利用传感器材料的效应，减少了转换环节，使敏感 元件和转换元件合二为一，实现了固体化，同时具有结构紧凑、体积小、质量轻、响应 速度快等特点；智能化传感器是集成化和功能化相结合的产物，具备数据处理能力，且 有一定的智能作用。如果变化规律已知且重复性好，传感器就不需要复杂而费时的模拟 补偿来改善性能，而是可以通过借助软件对非线性滞后、温度等特性进行校正。 然而现阶段就我国目前工业生产的状况来说，由于新型电子产品价格较贵、使用环 境要求较高等条件的限制，再加上操作人员的素质不高，使得智能型传感器远未达到普 及的状况。当前在很多检测系统中所使用的传感器仍然属于固态型传感器，甚至是结构 型传感器，这使得检测系统在高温、低温、高压、强磁场、弱磁场等恶劣环境下的精度 不高，性能不稳定，对我们所提倡的安全生产不相符，对我们的生命财产安全构成威胁。 所以我们在大力发展科技，尽量在企业工厂推广和普及先进高效的检测产品的同时，也 需要在现有资源的基础上利用更加深入的理论研究和实验方面的分析来设计低成本、高 精度、稳定性好的传感器检测系统。例如为了实现环境温度对红外二氧化碳测量精度影 响的补偿，有的学者采用实验手段，通过对实验数据进行最d , - 乘拟合建立了红# 1 - - 氧 化碳传感器的数学模型和求解方法，并进行了试验验证。 随着传感器在各个学科和工程领域的广泛应用，为了在恶劣条件下能获取更为精确 的信息，对传感器的准确度、稳定性和抗干扰性有了更高的要求。针对当前常用传感器 因构造和环境因素所产生的输入、输出的非线性，本文从理论的角度、以软件的方法对 传感器的输出数据进行处理、补偿以期能提高传感器的性能和精度，达到实用的要求。 在这个过程中，本文所采用的理论方法主要是神经网络方法。 自2 0 世纪8 0 年代中期神经网络在西方发达国家再度掀起高潮以来，神经网络在模 1 太原理工大学硕士研究生学位论文 型、学习算法和应用上都取得了显著的进步，它以自适应、泛化功能、非线性映射功能 以及并行处理等特点在智能传感器领域得到了越来越广泛的应用，它作为一种分析处理 问题的新方法用于智能传感器系统，利用其良好的性能实现传感器信号的智能处理，方 便灵活，可靠性高，免去了重新设计硬件电路的麻烦。国内外已有专家、学者成功地将 神经网络应用于传感器领域，赋予了传感器更多的智能，进一步提高了传感器的智能水 平。 为了提高传感器检测系统中传感器的精度和智能化程度，本文以固态型传感器为基 础，利用神经网络并行处理、容错、自适应以及自学习能力强的优势对传感器输出数据 进行校正和补偿，使得到的数据更加准确、可靠，大大降低其受环境因素的影响。 1 2 智能传感器的发展 当今时代是信息化的时代，各个领域常以信息的获取与利用为基础，而检测是获取 信息的一般方法。为了提高生产过程检测的能力和效率，对检测过程本身提出了更高的 技术要求，如高灵敏度、高精度、高分辨率、高响应性、高可靠性、高稳定性及高度自 动化等等。这就需要检测过程具有一定的“智能”，即思维能力及推理并做出决策的能 力，这就是智能检测技术发展的需求背景。 传感器是获取信息的工具，它处于自动检测与控制系统之首，是感知、获取与检测 信息的窗口，并且处于研究对象与测控系统的接口位置，一切科学研究和生产过程要获 取的信息，都要通过它转换为易传输和易处理的电信号，而且随着信息科技的发展，传 感器在汽车制造、工业仪器仪表、农林水产、海洋气象、资源能源等领域得到了广泛的 应用，并朝着高精度、小型化、集成化、数字化、智能化的方向发展。因此传感器在智 能检测中的地位与作用特别重要。 另一方面，计算机的飞速发展，使得计算机的处理能力日益提高。同时，人工智能 领域的一个分支机器学习的研究自5 0 年代以来也取得了巨大的进展。按照人类的 不同模式提出了很多机器学习方法，如：实例学习、神经网络、遗传算法等。计算机的 飞速发展和相关的人工智能领域的进展，为智能检测技术的发展奠定了基础。 随着科学技术的进步，就安全气体的智能检测仪器而言，它正朝以下方向发展： ( 1 ) 仪器小型化随着传感器生产工艺水平的提高，传感器日益小型化、集成度不 断提高，使得气体检测仪器向便携式、袖珍型方向发展。如日本已经开发出手表大小的 2 太原理工大学硕士研究生学位论文 气体报警仪；美国d e t c o n 公司在4 i n c h 的硅片上集成了9 5 0 个h 2 s 传感器。 ( 2 ) 多功能化所谓多功能化，一台仪器在微处理器的控制下，可实现更多参数测 试，或主机可替换探头，实现更多气体的检测，从而降低多种气体的测试成本。 ( 3 ) 通用化一种仪器可测量一大类气体，如光离子检测仪可测试所有挥发性有机 物( v o c ) ，这种仪器在进入未知危险环境时，对未知气体进行种通用性检测。 ( 4 ) 智能化仪器智能化即在气体传感器与微处理器相结合，使仪器具有自动校准 和故障显示功能。在软件设计上基于模糊理论和神经元网络，实现对气体种类的识别和 浓度的计算，最典型的是国外已研制成功利用电子鼻技术的智能气体传感器系统。 1 3 瓦斯传感器的研究现状 自2 0 0 0 年以来，随着国家对煤矿企业安全生产要求的不断提高和企业自身发展的 需要，我国各大、中、小煤矿已经陆续装备了矿井监测监控系统。系统的装备大大提高 了矿井安全生产水平和安全生产管理效率，同时也为该技术的正确选择、使用、维护和 企业安全生产信息化管理提出了更高的要求。 我国监测监控技术应用较晚，8 0 年代初，从波兰、法国、德国、英国和美国等( 如 d a n 6 4 0 0 、t f 2 0 0 、m i n o s 和s e n t u r i o n 一2 0 0 ) 引进了一批安全监控系统，装备了部分煤 矿；在引进的同时，通过消化、吸收并结合我国煤矿的实际情况，先后研制出k j 2 、k j 4 、 k j 8 、k j l 0 、k j l 3 、1 9 、k j 3 8 、k j 6 6 、k j 7 5 、k j 8 0 、k j 9 2 等监控系统，在我国煤矿 已大量使用1 2 】。实践表明，安全监控系统为煤矿安全生产和管理起到了十分重要的作用， 各局矿已作为一项重大安全装备。由于当时相当一部分监控系统由于技术水平低、功能 和扩展性能差、现场维修维护和技术服务跟不上等原因，或者己淘汰、或者停产。因此 造成相当一部分矿井无法继续正常使用已装备的系统。特别是近年来由于老系统服务年 限将至，已无继续维修维护的必要，系统面临更新改造的机遇。 而传感器的稳定性和可靠性在煤矿监测监控系统的作用非常重要，因为它是煤矿监 测监控系统能正确反映被测环境和设备参数的关键技术和产品。目前国内生产和用于煤 矿监测监控系统的传感器主要有瓦斯、一氧化碳、风速、负压、温度、煤仓煤位、水仓 水位、电流、电压和有功功率等模拟量传感器，以及机电设备开停、机电设备馈电状态、 风门开关状态等开关量传感器，以上传感器的开发和应用基本满足了煤矿安全生产监测 监控的需要，但国产传感器在使用寿命、调校周期、稳定性和可靠性方面与国外同类产 3 太原理工大学硕士研究生学位论文 品相比还有很大差距，某些传感器( 如瓦斯传感器) 的稳定性还不能满足用户的需要。 与监测监控系统配接的瓦斯传感器已成为矿井瓦斯综合治理和灾害预测的关键技 术装备，并越来越受到使用单位和研究人员的普遍重视。 据统计，国产安全检测用瓦斯传感器几乎全部采用载体催化元件【3 4 】，然而，长期以 来我国载体催化元件一直存在使用寿命短、工作稳定性差和调校期频繁的缺点，严重制 约着矿井瓦斯的正常检测，与国外同类传感器比较差距较大。主要问题是： a 、抗高浓度冲击性能差；在巷道瓦斯涌出量大的情况下元件激活，反复作用的结 果造成零点漂移并使其催化性能下降，抗高浓度冲击性能差是造成元件使用寿命低、稳 定性差的主要原因，这是所选用传感器的制作材料方面的因素。 b 、抗中毒性能差；这是由传感器的工作环境造成的，如温度、湿度、电磁干扰等 都可以造成传感器中毒。 c 、载体催化元件制作工艺水低，元件一致性差，这是传感器硬件设计方面的因素。 上述问题对传感器来说导致的最终结果就是输出误差较大、测量结果不精确，这对 煤矿安全生产和矿工的人身安全构成了潜在的威胁。目前克服传感器上述缺陷通常采用 的方法主要是从硬件和软件两个方面入手，从硬件补偿来说，在传感器的测量电路中采 用一些特定的电子线路进行非线性补偿。多年来，许多学者和研究人员已经在传感器本 身设计、电路环节设计以及非线性校正器设计等硬件方面进行了长期的工作，基本达到 了技术极限，但传感器仍然存在严重不足的方面，而且硬件电路容易受到外界环境的影 响，再加上电子元器件本身的漂移等很难达到要求的效果，并且成本比较高，实现起来 不如软件方便，所以本课题对传感器的补偿方法主要是从软件方面进行考虑。 由于矿井用普通瓦斯传感器一方面工作环境恶劣、易受周围环境( 如温度、湿度、 电流磁场等) 的干扰和传感器制作工艺及材料的限制，其测量精度不高、误差较大。而 另一方面瓦斯检测准确、及时是煤矿安全生产的重中之重，这就要求常用瓦斯传感器具 有检测精度高、工作可靠、适时性强等性能。 目前在实际应用中常用的传统软件改善传感器漂移和非线性特性的方法主要有最 小二乘法、查表法、曲线拟合法等，这些方法在一定程度上可以解决传感器测量的非线 性度问题，但效果有限。为了进一步提高传感器的测量精度，国内外已有文献在如何利 用神经网络进行传感器非线校正上做了很多研究，大多数是对传感器自身输出的数据研 究，但对传感器周围环境因素的影响考虑较少，而将神经网络算法用于瓦斯传感器系统 4 太原理工大学硕士研究生学位论文 中，用软件的方法来克服掉周围环境( 如温度、湿度等) 因素对传感器输出结果的影响 这方面涉及更少。 为此本文选用神经网络来改善传感器的输出数据，利用其良好的非线性拟合能力、 自适应性、泛化能力和高度并行处理的特点来提高传感器检测的智能化水平。目前常用 的神经网络算法大多是传统的b p 算法1 5 ，6 】，它是一个全局性的网络，存在局部极小问题， 而且该算法收敛速度慢、网络结构选择不一，网络过大时在训练中效率不高，过小时网 络可能根本不收敛。在这里本文用r b f 神经网络算法代替b p 算法，利用其良好的学习、 泛化能力和非线性逼近特性。而且r b f 神经网络结构简单，采用在线自适应学习的最 近邻聚类算法可不需要事先确定隐层神经元个数。 基于r b f 神经网络的多传感器数据融合课题研究就是在此背景下提出的，它能够 利用r b f 神经网络收敛速度快、逼近能力强的特点对传感器系统进行校正和补偿，主 要解决如何用软件的优势来弥补硬件缺陷的问题，即如何用神经网络算法来处理传感器 输出数据，使传感器克服掉周围环境的影响，进而使其测量精度更加精确等问题，本课 题最终目的是以当前常用的普通传感器结合软件优势，来提高传感器的整体性能，使其 完全能与最新出现的产品的性能媲美。这样就能在不增加单位开支的情况下，保证生产 生活的安全正常进行。 1 4 本文研究的主要工作内容 本文对智能传感器的非线性问题进行了全面的研究，阅读了国内外有关传感器、神 经网络和补偿的书籍、文献，研究了神经网络和传感器相结合的相关理论，在此分析基 础上提出了利用神经网络进行传感器的非线性校正和补偿的方法。本文为研究方便，主 要考虑了影响传感器精度的温度因素。本方法具有扩展性，也适用于有多种因素的情况， 而且也可用于其他传感器的补偿，如压力、温度等情况。本文的具体工作如下： 一、在总结传统神经网络算法的基础上，分析了常用神经网络的特点，并对神经网 络算法在非线性性能、运行速度、网络结构等方面进行比较、分析，最终确定本文选用 l 迅f 神经网络。 二、通过对r b f 神经网络模型的函数仿真，分析了影响r b f 网络性能的因素，在 此基础上提出了一种改进的r b f 动态邻聚类算法。 三、将r b f 神经网络应用到智能传感器系统，通过神经网络建模的方法对传感器 5 太原理工大学硕士研究生学位论文 的输出数据进行温度补偿，并与b p 神经网络和传统的经典算法用于传感器系统非线性 校正和温度补偿方法的性能进行比较和分析，进而验证本文所设计的系统的合理性、可 行性和有效性。并以瓦斯传感器为例进行仿真验证，结果表明此方法是可行和有效的。 四、通过m a t l a b 和l a b v i e w 相结合，将神经网络算法嵌入到用l a b v i e w 设计 的传感器检测系统中，设计了虚拟智能传感器检测校正和补偿系统，该系统能方便、直 观、快捷、准确的监控井下瓦斯浓度的状况。 1 5 本章小结 本章从理论和实用的角度出发，参考大量文献，分析了当前常用传感器存在的缺陷 和不足，阐述了本课题研究的意义，在总结当前常用改善传感器输出性能方法的基础上 提出了本课题的研究思路即用r b f 神经网络处理多传感器的输出，克服周围环境对目 标传感器的影响，进而改善目标传感器的输出。本文的组织结构做了如下安排： 本文包含五章，第一章：绪论简要介绍本课题研究的背景和意义，分析当前煤矿 瓦斯传感器的现状和存在的缺陷以及常用的改善传感器性能的方法，并对全文的主要的 研究内容进行了概括。 第二章、第三章：神经网络的原理及r b f 神经网络在瓦斯检测系统中的应用具体 分析了目前传感器的性能及其原理，并对现阶段常用的改善传感器非线性性能的方法做 了总结。最后将b p 神经网络、r b f 神经网络引入瓦斯检测系统，结合神经网络的非线 性逼近能力对瓦斯系统中的瓦斯传感器进行非线性温度补偿，并通过仿真对比试验，验 证所设计的系统的合理性和有效性。 第四章：图形化编程语言l a b v i e w 介绍虚拟仪器的体系结构及其软件开发平台 l a b v i e w ，以及利用l a b v l e w 开发瓦斯检测虚拟仪器的流程和设计步骤，并在 l a b v i e w 中实现与m a t l a b 混合编程。以l a b v i e w 虚拟软件为平台，结合神经网络 算法设计能改善瓦斯传感器输出结果、快速方便检测瓦斯浓度的虚拟系统。 第五章：对全文的工作进行总结，指出下一步工作方向。 6 太原理工大学硕士研究生学位论文 第二章人工神经网络基本原理及其算法 2 1 人工神经网络的发展及基本原理 2 1 1 人工神经网络的发展 人们很早就已经对生物神经网络有了一个基本的认识。若不考虑其速度的话，可以 说每个神经元都是一个复杂的微处理器。我们把那些类似神经元的微处理器根据特定的 关系连接起来，于是就构成了一个可以完成一个或一系列特定工作的人工神经网络 ( a r t i f i c i a ln e u r a ln e t w o r k ，简写a n n ) ，简称神经网络。 神经网络领域的研究背景工作开始于1 9 世纪末、2 0 世纪初。它源于物理学、心理 学和神经生理学的跨学科研究。这些早期研究主要还是着重于有关学习、视觉和条件反 射等一般理论，并没有包含有关神经元工作的数学模型。 现代对神经网络的研究可以追溯到2 0 世纪4 0 年代w a r r e nm c c u l l o c h 和w a l t e rp i t t s 的工作。他们从原理上证明了人工神经网络可以计算任何算术和逻辑函数，通常认为他 们的工作是神经网络领域研究工作的开始。 曾经人们在早期的研究中表明神经网络只能解决有限的几类问题，而且存在很多固 有的局限性。在6 0 年代由于缺乏新思想和用于实验的高性能计算机，曾一度动摇了人 们对神经网络的研究兴趣，从而导致许多研究者纷纷离开这一研究领域。神经网络的研 究就这样停滞了十多年。 到了8 0 年代，随着个人计算机和工作站计算能力的急剧增强和广泛应用，以及不 断引入新的概念，克服了摆在神经网络研究面前的障碍，人们对神经网络的研究空前高 涨。有两个新概念对神经网络的复兴具有极其重大的意义。其一是用统计机理解释某些 类似的递归网络的操作，这类网络可作为联想存储器；其二是在2 0 世纪8 0 年代，几个 不同的研究者分别开发出了用于训练多层感知器的反传算法。其中最具影响力的反传算 法是d a v i dr u m e l h a r t 和j a m e sm c c l e l l a n d 提出的。该算法有力地回答了人们对神经网 络发展的质疑，大大推动了神经网络的发展。这些新进展对神经网络研究领域重新注入 了活力。在过去的1 0 多年中，人们发表了众多的神经网络研究论文，神经网络也有了 很多应用。 7 太原理工大学硕士研究生学位论文 神经网络系统理论就是以人脑的智能功能为研究对象且以人体神经细胞的信息处 理方法为背景的智能计算理论。它以模拟人体神经系统为自己的研究目标，并具有人体 神经系统的基本特征。即：( 1 ) 每一个神经细胞是一个简单的信息处理单元，它可由自 身与外部条件决定它的状态，形成一定的输入、输出规则，人们称之为激励规则。( 2 ) 神经细胞之间按一定的方式相互连接，构成神经网络系统，并且按一定的规则进行信息 传递与存储。( 3 ) 在生长过程中，神经网络系统可按已发生的实践积累经验，从而不断 修改该系统的网络连接规则与存储数据。这种网络连接规则与数据存储方式有一定的稳 定性与可塑性，它可以保证人类知识经验的积累与修正。这种修改方式人们称之为学习 规则。人类通过学习过程最终能达到正确计算的目的，这种功能被称为学习与训练功能 【刀 。 神经网络系统理论的应用研究主要是在模式识别( 包括语音与图象识别) 、经济管 理、优化控制等方面；与数学、统计中的多个学科分支发生联系，如线性与非线性规划 问题、数值逼近、统计计算等。另外，在其他信息处理问题中也有多种应用，如数据压 缩、编码、密码与股市分析等领域，其内容十分丰富。神经网络已广泛地应用到各个领 域中，尤其是在智能系统的非线性建模及其控制器的设计、模式分类与模式识别、联想 记忆和优化计算等方面更是得到人们极大关注。从控制理论的观点来看，神经网络对非 线性函数的逼近能力是最有意义的，因为非线性系统的变化多端是采用常规方法无法建 模和控制的基本原因，而神经网络描述非线性图形的能力，也就是对非线性系统的建模 能力，正适合于解决非线性系统建模与控制器综合中的这些问题。具有这一特性的前向 反馈传播网络在实际应用中的比例要占所有神经网络应用的8 0 以上。 由于神经网络具有大规模并行性、容错性、处理非线性和不确定性问题的能力，可 以处理难于用模型或规则描述的过程和系统，其本质的并行结构在处理实时性要求高的 自动控制领域显示出极大的优越性，因此常采用神经网络技术来建模。 神经网络模型用于模拟人脑神经元活动的过程，它是从微观结构和功能上对人脑的 抽象和简化，反映了人脑功能的若干基本特征，其中包括对信息的加工、处理、学习、 联想、模式分类和记忆等过程。它具有的特性主要表现在： ( 1 ) 非线性特性神经网络具有逼近任意非线性函数的能力，为非线性系统提供了 一种通用的系统辨识方法，可用来实现非线性系统的建模。 ( 2 ) 并行分布处理方式在神经网络中信息是分布存储和并行处理的，这使它具有 8 太原理工大学硕士研究生学位论文 很强的容错性和很快的处理速度。 ( 3 ) 便于硬件实现神经网络是由许多很简单的神经元相互连接构成的，便于用硬 件来实现，有望达到更快的处理速度和大规模生产，现在已经有了一些神经网络的芯片。 ( 4 ) 自学习和白适应能力神经网络在训练时能从输入输出的历史数据提取出规律 性的知识，记忆在网络的权值中，并具有泛化能力。神经网络的学习也可以在线进行， 如果在线学习足够快的话，可以用来做非线性自适应逆控制。 2 1 2 神经元模型 神经元是构成神经网络的最基本的单元。目前，人们提出的神经元模型已有几百种， 其中人们最早提出的也是现在经常使用的神经元模型是m p 模型 7 1 ，如图2 1 所示。m p 模型是一种最基本的生物神经元简化数学模型，经过不断改进后，它假定： ( 1 ) 神经元是一个多输入单输出的信息处理基元； ( 2 ) 神经元输入分兴奋型输入和抑制型输入两种类型； ( 3 ) 神经元输入有闭值特性，服从“全或无”定律：只有当输入总和超过其闭值 时，神经元才被激活，而当输入总和未超过闭值时，神经元不会发出冲动； ( 4 ) 神经元的输入与输出之间有固定的时滞，只取决于突触时延； ( 5 ) 神经元可具有时空整合特性和不应期； ( 6 ) 神经元本身是非时变的； 玉蟛 图2 - 1 神经元模型 f i g 2 - 1t h em o d e lo f n e u r o n s 基于上述假定，可以用一个数学式子来表示一个m p 模型神经元的状态。令( f ) 表 示，时刻神经元j 接受的神经元歹的信息输入，只( ，) 表示，时刻神经元f 的信息输出，则 神经元f 的状态可表示为： 9 太原理工大学硕士研究生学位论文 y 。( f ) = 抓x ，( 卜毛) ) 一谚) p l ( 2 1 ) 其中f 一输入输出时间的固定时滞( 突触时延) ；9 一神经元的阈值；一神经元到神 经元的突触耦合系数( 连接权值) ；厂( ) 一神经元输出特性函数。 神经元的主要用途是用来构造神经网络。在构造神经网络时，对神经元进行选择主 要考虑的是其功能模拟的效果应尽量适应所求问题，并且实现连接控制要尽量简便。因 此，在工程应用时，实际使用的神经元类型因具体用户的要求不同而不同，其中变化较 大的有输出特性函数，即激活函数一一执行对该神经元所获得的网络输入的变换。实际 应用时，神经元输出特性函数选用的类型有： ( 1 ) 介跃函 1l “0 厂甜。t o 甜 o ( 2 2 ) ( 2 ) 分段线性函数 f1甜“o 厂( “) = t a u + 6 甜 材o ( 2 3 ) 【0 甜 - - j i s 。 ( 1 ) 无教师学习方法无教师学习的基本思想是：当输入的学习模式进入神经网络 l o 太原理工大学硕士研究生学位论文 后，网络按预先设定的规则自动调整权值。常见的无教师学习方法是h e b b 学习规则， 它来源于心理学家赫布( h e b b ) 关于生物神经元的下述学习假设：当两个神经元同时处 于兴奋状态时，他们之间的连接应该加强。 ( 2 ) 有教师学习方法有教师学习的基本思想是：对样本s 的输入，由神经网络根 据当前的权值分布w ( s ) 计算网络的输出】，( 墨) ，把网络的计算输出y ( j ) 与实例k 的期望 输出y ( 5 ) 进行比较，根据两者之间误差的某个函数的值来调整网络的权值分布，最终 使误差的函数达到最小，如梯度下降法： 定义误差函数- ，( w ) 为： ，( w ) - - 击( r ( 5 ) 一y ( s ) ) 2 ( 2 6 ) 式中，】，( s ) 是样本的输出，y ( s ) 是由当前权值分布w 对样本的输入经网络计算的输出。 梯度下降法就是沿着j ( w ) 的负梯度方向不断修正的值，直到，( w ) 达到最小值。 梯度下降法对权值的修改可表示为： w ( k + 1 ) ：w ( 七) + 刁( 七) ( 一掣) h 。) ( 2 - 7 ) o w 式中，7 7 ( 七) 是可变学习率，用于控制权值修改的速度。在学习过程中，刁( 东) 也可以不变， 取一个常量刀，0 0 ，使得由该r b f 网络实现的输入输出映像函数f ( x ) 在 己，( p i 1 ，叫) 范数下接近于厂( 曲。 该定理在实际应用中为使用径向基函数设计神经网络提供了理论基础。其模型结构 如图2 3 所示。 1 7 太原理工大学硕士研究生学位论文 f ( x ；q ，q ) ，；气，) 图2 - 3r b f 神经网络模型 f i g 2 3t h em o d e lo fr b fn e u r a ln e t w o r k 上述r b f 神经网络结构包括一个输入层、一个隐含层和一个输出层。隐含层由一 组径向基函数构成，与每个隐含层节点相关的参数向量为中一亡2 c 。= 【c ，c ：一，】r 和宽 度o - , ( i = 1 , 2 ，珑) 。理论和实验表明，径向基函数的选择对r b f 网络的性能没有显著的 影响，一般取高斯函数。神经网络的输出如下式所示： 夕= 羔i = i 嵋厂( x ；c f q ) = 喜w , e x p ( 2 2 8 ) 在式中，f ( x ；c ，吒) 为隐含层径向基函数；x = i x 。，屯】7 ；坍是隐含层节点数；1 1 1 l 是欧 几里德范数；嵋是第f 个基函数与输出节点的连接权值( f - 1 , 2 ，所) 。 从r b f 网络的结构学习可以看出，构造和训练一个r b f 神经网络就是要使它通过 学习，确定出每个隐层神经元基函数的中心q ，宽度q 以及隐层到输出层权值嵋等参 数的过程，从而可完成从输入到输出的映射。 2 3 2r b f 神经网络算法 通过分析r b f 神经网络结构的特点，可以发现主要有两个因素决定r b f 神经网络 结构：网络隐层神经元个数及其中心、隐层与输出层连接权值。一般的算法都是充分利 用r b f 神经网络的三层结构特点来设计学习算法。第一步确定网络隐层神经元个数与 其中心，第二步确定网络的权值。这种两步训练算法的重要特点是在第二步可以直接利 用线性优化算法，从而可以加快学习速度和避免局部最优，因此得到了广泛的应用，并 且，最近大多数的r b f 神经网络算法的改进也是围绕着这两个方面展开的【1 3 1 。 1 8 太原理工大学硕士研究生学位论文 理论和数值分析表明，r b f 神经网络的性能主要由隐层的中心决定而不管隐层神经 元究竟用什么样的径向基函数1 i 】。即r b f 网络的结构特点主要由隐层的中心位置和个 数决定。在r b f 网络中，中间层节点的个数和中心位置是网络性能的非常重要的因素。 隐含层节点数量太少，网络从样本中获取的信息量就不够，不足以概括和体现训练集中 的样本规律：隐含层节点数量过多，又可能把样本中非规律性的内容如噪声也予以牢记， 从而出