基于神经网络的大气细颗粒物软测量研究.doc

硕士学位论文基于神经网络的大气细颗粒物软测量研究Study on Soft Sensor of Atmospheric Fine ParticulateMatter based on Artificial Neural Network商潇潇2014年 3月 国内图书分类号：TK314国际图书分类号：621.4学校代码：10079密级：公开硕士学位论文基于神经网络的大气细颗粒物软测量研究硕士研究生：商潇潇导师：郑海明副教授申请学位：工学硕士学专科：机械工程业：机械电子工程所在学院：能源动力与机械工程学院答辩日期：2014年 3月授予学位单位：华北电力大学 Classified Index: TK314U.D.C: 621.4Thesis for the Master DegreeStudy on Soft Sensor of Atmospheric Fine ParticulateMatter based on Artificial Neural NetworkCandidate：Shang XiaoxiaoSupervisor：School：Associate Prof. Zheng HaimingSchool of Energy & Power and MechanicalEngineeringDate of Defence：March, 2014Degree-Conferring-Institution： North China Electric Power University 华北电力大学硕士学位论文原创性声明本人郑重声明：此处所提交的硕士学位论文基于神经网络的大气细颗粒物软测量研究，是本人在导师指导下，在华北电力大学攻读硕士学位期间独立进行研究工作所取得的成果。据本人所知，论文中除已注明部分外不包含他人已发表或撰写过的研究成果。对本文的研究工作做出重要贡献的个人和集体，均已在文中以明确方式注明。本声明的法律结果将完全由本人承担。作者签名：日期：年月日华北电力大学硕士学位论文使用授权书基于神经网络的大气细颗粒物软测量研究系本人在华北电力大学攻读硕士学位期间在导师指导下完成的硕士学位论文。本论文的研究成果归华北电力大学所有，本论文的研究内容不得以其它单位的名义发表。本人完全了解华北电力大学关于保存、使用学位论文的规定，同意学校保留并向有关部门送交论文的复印件和电子版本，允许论文被查阅和借阅。本人授权华北电力大学，可以采用影印、缩印或其他复制手段保存论文，可以公布论文的全部或部分内容。本学位论文属于（请在以上相应方框内打“”）：保密，在不保密年解密后适用本授权书作者签名：导师签名：日期：年年月月日日日期： 摘要摘要近年来随着我国大气中细颗粒物污染的日益严重，对细颗粒物浓度实行实时在线监测成为势在必行的一件事。由于大气中的细颗粒物浓度受外界环境的作用表现出很强的非线性特性，传统的软测量技术很难对其做出准确的监测，而基于神经网络的软测量技术由于其自身的优越性已成为各领域的研究热点。因此本论文主要研究建立基于 BP神经网络和 RBF神经网络的软测量模型对大气中的细颗粒物浓度进行软测量实验，为大气污染治理提供有力的数据支持。本文首先介绍了细颗粒物的污染现状、危害以及现阶段国家对其监测采用的技术及设备，为建立软测量模型积累了一定的先验知识。对 BP、RBF神经网络的结构组成及学习过程做了系统的介绍，确定了建立基于 BP神经网络和 RBF神经网络软测量模型对大气中的细颗粒物浓度进行软测量实验的可行性。然后采用改进的相关性分析对预选的 8个细颗粒物的影响因子进行筛选，选择出对细颗粒物浓度影响较大的 6个影响因子作为软测量模型的输入向量。在此基础上运用经验加试探法比较模型的运行结果确定了 BP和 RBF网络模型的各项参数值，以此构建出各项性能最优的软测量模型。之后选取另外一组数据对已建立好的模型进行检验，结果表明， BP网络模型和 RBF网络模型均能对细颗粒物浓度进行较准确的软测量，软测量精度均能满足实际工作的需要。二者相比，RBF网络模型构建简单且性能稳定，但 BP网络模型整体软测量精度要高一些。最后利用 MATLAB GUI编写了软测量系统界面，使得整个系统更加清晰明了，避免了阅读程序带来的不便，方便了用户的使用。关键词：软测量；建模；BP神经网络；RBF神经网络；细颗粒物I AbstractAbstractIn recent years as Chinas atmospheric fine particulate matter pollution is gettingworse, the real-time online monitoring of fine particulate matter concentrations becomesone imperative thing. As atmospheric fine particulate matter concentrations show strongnonlinear characteristics by the ambient effects, the traditional soft sensor technology isdifficult to make accurate monitoring. And the soft sensor technology based on neuralnetwork has become a hot topic in various fields because of its superiority. Therefore,this paper studies the establishments of soft sensor models based on BP and RBF neuralnetworks to do the soft sensor experiments for atmospheric fine particulate matterconcentrations, and provides strong data supports for the air pollution control.Firstly, this paper describes the pollution status, hazards and national monitoringtechnologies of the fine particulate matter. This accumulates a certain amount of prioriknowledge for the establishment of soft sensor models. Then make systemicpresentations for the structures and learning processes of BP and RBF neural networks,and determine the experimental feasibility for soft sensor models based on BP and RBFneural networks.Then this paper uses the improved correlation analysis to screen 8 preselectedimpact factors of fine particulate matter, and selects 6 greater impact factors as inputvectors of soft sensor models. On this basis uses experiences and heuristics comparingthe results to determine the parameters of BP and RBF network models, and constructsthe optimal soft sensor models.After that this paper selects another set of data to inspect the well-establishedmodels. The results show that BP network model and RBF network model can accuratelymeasure the fine particulate matter concentrations, and soft measurement accuracies canmeet the needs of practical works. Compared to both, RBF network model is simple andstable, and BP network model has higher accuracy.Finally, this paper use MATLAB GUI to write soft sensor system interface, makingthe whole system more clear, avoiding the inconvenience of reading programs, andfacilitating the users.Keywords: soft sensor; modeling; BP neural networks; RBF neural networks; fineparticulate matterII 目录目录摘要 .IAbstract. II第 1章绪论 . 11.1选题背景与研究意义 . 11.2国内外研究动态 . 21.2.1国外研究动态 . 21.2.2国内研究动态 . 31.3本论文研究内容 . 3第 2章现有大气细颗粒物在线监测技术 . 52.1 射线法原理及监测仪技术 . 52.2微量振荡天平法原理及监测仪技术 . 72.3现有监测仪器技术性能介绍 . 82.4本章小结 . 10第 3章人工神经网络相关理论 . 113.1人工神经网络概述 . 113.2 BP神经网络 . 123.2.1 BP神经网络的结构 . 123.2.2 BP神经网络的学习过程 . 133.2.3改进的 BP算法 . 153.3 RBF神经网络. 163.3.1 RBF神经网络的结构. 163.3.2 RBF神经网络的学习. 183.4本章小结 . 20第 4章影响因子的相关性分析 . 214.1数据准备 . 214.1.1数据的采集与划分 . 214.1.2数据的预处理 . 214.2影响因子的相关性分析 . 234.2.1 NO2浓度的相关性分析 . 244.2.2 SO2浓度的相关性分析. 24III 目录4.2.3 PM10浓度的相关性分析 . 254.2.4气压的相关性分析 . 264.2.5气温的相关性分析 . 274.2.6相对湿度的相关性分析 . 284.2.7风速的相关性分析 . 294.2.8风向的相关性分析 . 304.3模型输入因子的筛选 . 314.4本章小结 . 32第 5章神经网络软测量模型的建立及检验 . 335.1 BP神经网络软测量模型的建立 . 335.1.1 BP网络层数的选取 . 335.1.2输入和输出层神经元个数的选取 . 345.1.3隐含层神经元个数的选取 . 345.1.4传递函数的选取 . 395.1.5训练算法的选取 . 395.2 BP神经网络软测量模型的检验 . 435.3 RBF神经网络软测量模型的建立. 485.4 RBF神经网络软测量模型的检验. 495.5 RBF与 BP网络模型的总体性能比较. 525.6大气细颗粒物的软测量界面编写 . 525.7本章小结 . 55第 6章总结与展望 . 56参考文献 . 58攻读硕士学位期间发表的学术论文 . 61致谢 . 62IV 华北电力大学硕士学位论文第 1 章绪论1.1选题背景与研究意义半世纪以来我国经济水平有了空前的发展，但与此同时各种环境污染越来越严重。近两年进入秋冬季节后我国北方地区大范围出现雾霾天气，进一步加大了人们对环境问题的关注，也让人们认识到了“细颗粒物”这一多年来被我国忽视的大气污染物。美国政府部门 2010年发布了一张世界 20012006年 6年内细颗粒物浓度平均值的地图，如图 1-1所示，在图中，非洲北部和我国的中北部地区（红色显示区域）成为细颗粒物浓度最高的区域 1。中国这些地区的细颗粒物浓度全部高于50g/m3甚至接近 80g/m3，污染状况比撒哈拉沙漠还要严重2。大气中的细颗粒物污染状况引起了人们极大的关注。图 1-1世界 20012006年细颗粒物平均值地图细颗粒物是指空气动力学当量直径小于或等于 2.5m的颗粒物。细颗粒物来源广泛，化学组成复杂3，虽然在大气中与氧气、氮气相比含量相对较少，却能对大气环境和人类活动产生重大影响。当大气中的细颗粒物浓度过高时会出现灰霾现象，此外细颗粒物粒径小，含有的大量致病物质能严重危害人体健康。研究表明，颗粒物对人体的危害程度与其粒径有关，粒径大小决定了其沉积在人体内部器官的位置。由于细颗粒物粒径很小，随呼吸作用可以进入人体的支气管壁，干扰肺内气体交换，甚至穿透肺泡进入血液循环而影响人体组织器官的功能4,5。除此之外，细颗粒物不仅会引发呼吸道传染病，还会使致癌的几率明显上升。戴海夏 6等人研究发现上海市大气中的细颗粒物的日均浓度与当地居民的日死亡人数有很大的关系。殷永文等人研究发现在灰霾天气期间，细颗粒物的日均浓度每上升 34g/m3，呼吸1 华北电力大学硕士学位论文科的日门诊数上升 3.2%7。据世界卫生组织统计，全球因细颗粒物而直接或间接死亡的人数到已从 2004年的 115万人增加到 2011年的 200多万人，而且人数仍在逐年递增。为了控制细颗粒物的污染，保护人体健康，世界上很多国家及组织都制定了严格的细颗粒物空气质量标准。华北地区作为我国经济建设的重要地区，大气中的细颗粒物污染非常严重，近几年，政府从多个方面实施了一系列污染治理措施。对细颗粒物浓度实行在线监测是进行一系列污染防治措施的必要前提，只有及时准确的掌握细颗粒物的污染浓度，政府管理部门才能针对性的制定防治方案，有效的控制细颗粒物污染，为公众提供良好的生活环境。大气中的细颗粒物浓度受所在地区地形地貌、排放源地点、排放速率、气象环境等因素的影响，表现出较强的非线性特性。人工神经网络具有较强的非线性拟合能力，在软测量领域具有很大的发展空间，在所有网络模型中 BP神经网络与 RBF神经网络是目前研究最多理论最为完善的网络模型8-10。鉴于此，建立基于 BP神经网络与 RBF神经网络的软测量模型，探索实现对大气中细颗粒物浓度软测量的可行性，对降低细颗粒物的污染水平，加强大气环境的治理力度具有十分重要的意义。1.2国内外研究动态1.2.1国外研究动态国外方面对神经网络软测量的研究较早，并且取得了不错的研究进展。Greg.M11在上世纪九十年代针对化工控制过程中参数测量难度较大的情况，介绍了将神经网络软测量技术应用于化工生产过程中的参数控制，提出了详细的建模方案，并对比得出了神经网络软测量的相关优点。S.Adwankar和 R.N.Banavar12介绍了当前神经网络方法在工业建模、系统仿真、过程控制等方面相对于其它方法的强大优势和巨大的发展潜力。X. H. Yang和 H.P. Dai13等人建立了一种基于 RBF神经网络的软测量模型用于非线性系统混合辨识，取得了很好的效果。Dong-jin Choi和Heekyung Park14首先选择了 11个便于测量的辅助变量建立了神经网络软测量模型用来监测污水进水的总凯氏氮，但实验结果并不理想。随后在原有基础上对 11个辅助变量采用主成分分析法进行处理后得到 5个复合参量重新建立软测量模型，实验结果精度有了很大提高，且模型的结构更加简单，程序运行更快。 Pelliccioni A和 Poli U15建立了基于 BP神经网络的软测量模型成功监测了 CO和 NO2浓度，在此基础上研究了层与层之间传递函数的选取对软测量结果的影响，并对模型做出了优化。Perez P16分别建立了持续性软测量模型、线性回归软测量模型、神经网络软2 华北电力大学硕士学位论文测量模型对圣地亚哥附近地区的 SO2浓度进行监测，对比结果表明神经网络软测量模型明显优于其它两种模型。1.2.2国内研究动态国内方面，东南大学陈强、王培红17等人在研究锅炉燃烧特性和飞灰含碳量的先验知识上，利用 BP神经网络建立了飞灰含碳量的软测量模型，结果表明该模型具有良好的软测量能力，解决了当前测量锅炉飞灰含碳量实时性不强和误差较大的问题。清华大学的卢勇、徐向东18为了测量烟气中比较重要的含氧量这一种参数，在传统技术的基础上建立了基于神经网络和统计分析的烟气含氧量软测量模型，并与传统软测量方法进行了对比，实验表明所建立的模型相比于传统的方法具有更强的测量精度和容错能力。朱国成、方明建19等人在研究人工神经网络算法和结构的基础上建立了神经网络软测量模型来模拟测量街道峡谷氮氧化物浓度的分布，结果显示训练样本的模型输出与实际值的线性相关值为 0.93，测试样本的模型输出与实际值的线性相关值达 0.87，具有很好的模拟测量效果，可以应用于街道峡谷氮氧化物浓度的软测量计算。大连理工大学的张海传、刘钟阳20等人通过对臭氧产生过程中的实验研究确定了臭氧产生的关键影响因子，通过测量关键影响因子的数值建立了基于 RBF神经网络的臭氧软测量模型，实验表明该模型的测量结果精度较高，为臭氧浓度的实时在线监测找到了可行的新方法。1.3本论文研究内容神经网络软测量方法在各领域中得到了广泛的应用，而且研究成果也表明了其处理不确定性、复杂性、非线性对象方面所具有的能力。但很少有将神经网络软测量技术应用于大气中细颗粒物浓度监测的实例。因此本文探索建立基于神经网络的软测量模型对大气中的细颗粒物浓度进行监测。主要内容如下：第一章绪论：对我国大气中细颗粒物的污染现状、危害等方面做了介绍，说明了对大气中细颗粒物进行软测量的重要意义，研究了神经网络软测量应用领域的国内外现状，确定了本文的研究内容。第二章现有大气细颗粒物在线监测技术：对现有我国承认的两种大气细颗粒物在线监测系统的原理及技术做了详细介绍，并介绍了两种应用不同原理的细颗粒物监测仪器及其技术指标。第三章人工神经网络相关理论：总体概述了神经网络的本质和特点，详细介绍了 BP神经网络和 RBF神经网络的结构、算法以及训练过程。第四章影响因子的相关性分析：对建模所用数据进行了清除和归一化处理，3 华北电力大学硕士学位论文并对整个数据做出了划分。对预选的 8个影响因子通过与细颗粒物做改进相关性分析进一步筛选出 6个影响作用较大的因子，为模型的建立做了准备。第五章神经网络软测量模型的建立及检验：详细阐述了 BP、RBF网络软测量模型的构建过程，并对建立好的模型做出了检验，对结果进行了误差分析，在此基础上利用 MATLAB GUI编写了软测量系统界面。第六章结论与展望。对论文所做工作进行了总结，对所存在的问题及未来的研究方向进行了展望。4 华北电力大学硕士学位论文第 2 章现有大气细颗粒物在线监测技术大气中的细颗粒物污染日益严重，开展细颗粒物的各项研究与治理的关键前提是对细颗粒物浓度进行实时在线监测，获得准确的浓度数据，以此为依据才能制定相应的政策法案来防治大气污染。由于细颗粒物成分中含有多种物质，存在形态具有多样性，监测时还需考虑其它各种问题对监测结果的干扰，所以实现细颗粒物浓度的在线监测与其它污染物相比难度非常大。当前国际上通过美国 EPA认证的技术包括：微量振荡天平法、射线法、射线光浊度法、光散射法。在我国根据环境空气质量标准规定，对大气中细颗粒物与可吸入颗粒物的自动分析方法为 射线法和微量振荡天平法两种21。2.1 射线法原理及监测仪技术射线法主要基于细颗粒物对照射其中的 射线的能量吸收原理。发射一束 射线通过一定质量的细颗粒物时由于二者内部粒子的相互碰撞作用，导致 射线损失的能量被细颗粒物吸收而发生强度衰减，且其衰减量与细颗粒物浓度成正比，因此通过检测 射线的衰减量即可计算出细颗粒物浓度22。射线法细颗粒物监测仪主要包括颗粒物采样头、切割器、动态加热系统、采样泵和监测仪主机。大气由采样泵采集样品，经采样头和切割器处理后成为满足要求的样品，动态加热系统的主要作用是将样品的湿度调整到 35%以下。然后样品被输送到监测仪主机里，在这里样品中的细颗粒物被收集到仪器内部的滤膜上，射线通过滤膜上的细颗粒物会发生强度衰减，通过分析衰减量可得到一定时间内的细颗粒物浓度值。图 2-1为步进式 射线法细颗粒物监测仪结构图，图 2-2为连续式 射线法细颗粒物监测仪结构图，二者的区别在于步进式 射线法监测仪的采样室和测量室是分隔开的，样品采样和测量分析是先后进行。滤膜带需要在两个室间来回移动，仪器必须等采样室内样品采样完成后才能转移到测量室进行测量，所以该方法只能实现间断式测量，实时性较差。连续式 射线法监测仪的采样室和测量室是一体的，样品采样和测量分析是同时完成的。滤膜带不需要在两个室间来回移动，避免了移动过程中样品的变化，也保证了仪器监测的实时性。5 华北电力大学硕士学位论文图 2-1步进式 射线法细颗粒物监测仪结构图图 2-2连续式 射线法细颗粒物监测仪结构图射线法仪器的特点：采用 射线法原理的监测仪器可以实现对细颗粒物的间断测量和连续测量，且不与被监测物接触，可实现间接测量。细颗粒物对 射线的吸收只受细颗粒物质量大小的影响，与细颗粒物自身的类别、大小、构成等属性无关。射线法仪器采用的 C14放射源放射出的低能 射线，具有安全稳定、半衰期长、性能可靠的优点23。该方法原理简单，实时性强，便于操作维护，自动跟踪能力强，测量精度高，能够长期运行。6 华北电力大学硕士学位论文2.2微量振荡天平法原理及监测仪技术微量振荡天平法主要是利用美国 R&P公司研发的锥形元件微量振荡天平专利技术，该原理基于振荡天平的振荡频率与细颗粒物浓度有一定的对应关系的理论24。微量振荡天平法细颗粒物监测仪主要包括采样头、切割器、滤膜动态测量系统、采样泵和仪器主机。与 射线法仪器相同，大气首先由采样泵采集样品，经采样头和切割器处理后成为满足要求的样品。样品被输送至安装有微量振荡天平传感器的监测仪主机，其主要组成是粗头一端固定，细头一端装有滤膜的空心锥形管，锥形振荡管示意图如图 2-3。样品气体流经空心锥形管，细颗粒物聚集在其中的滤膜上导致空心锥形管细端的振荡频率因为质量的变化发生改变。仪器通过分析频率的改变量可计算出细颗粒物的浓度值。为了避免样品在测量过程中细颗粒物发生质量变化造成测量误差，微量振荡天平法仪器安装的滤膜动态测量系统可以精确的测量出监测过程中细颗粒物质量的变化值，以达到修正测量结果的目的。图 2-4为微量振荡天平传感器示意图。微量振荡天平法仪器特点：微量振荡天平法是对细颗粒物实现直接测量的一种方法，该方法具有很高的测量精度与实时性，且不受细颗粒物本身大小、组成成分、形状等因素的影响。该方法的缺点是容易受外界温度、湿度、噪声、振动等因素的影响。图 2-3锥形振荡管示意图7 华北电力大学硕士学位论文图 2-4微量振荡天平传感器示意图2.3现有监测仪器技术性能介绍以下介绍两种应用上述技术的大气细颗粒物监测设备。图 2-5为河北先河环保科技股份有限公司生产的 XHPM2000E细颗粒物自动检测仪，主要是基于 射线法原理。技术指标如表 2-1所示。图 2-5 XHPM2000E细颗粒物自动检测仪8 华北电力大学硕士学位论文表 2-1 XHPM2000E细颗粒物自动检测仪的技术指标项目测量范围参数01mg/m3或 010mg/m3，可设置0.001 mg/m3显示分度值最低检测限仪器平行性校准膜重现性工作方式0.005 mg/m37%2%小时循环测量流量测量范围输出方式020 L/min（工况）数字输出 RS232，模拟输出 05V（16.72%）L/min（工况）玻璃纤维材料，2个月（1h工作周期）50（可设置）采样流量滤纸带加热套管加热温度图 2-6为美国赛默飞世尔科技公司生产的 TEOM1405系列颗粒物监测仪，其主要基于微量振荡天平法原理，可以同时监测细颗粒物和可吸入颗粒物的浓度。技术指标如表 2-2所示。图 2-6 TEMO1405系列颗粒物监测仪表 2-2 TEMO1405系列细颗粒物自动检测仪的技术指标项目测量范围精度参数01,000,000g/m32.0g/m3 (1小时平均)；1.0 g/m3(24小时平均)0.1g/m3 (1小时平均)3L/分钟分辨率主流量旁路流量数据存储13.67L/分钟可存储 5,000,000条记录9 华北电力大学硕士学位论文2.4本章小结本章主要对现阶段我国认证的大气中颗粒物自动分析方法做了原理及监测技术的介绍，包括 射线法和微量振荡天平法两种方法，随后列举了两种应用上述技术的颗粒物监测仪器及其技术指标。10 华北电力大学硕士学位论文第 3章人工神经网络相关理论3.1人工神经网络概述人工神经网络(Artificial Neural Networks，ANN)简称为神经网络（NeuralNetworks，NN），是一种模拟人类大脑神经系统进行高速智能化信息处理的网络结构25。神经网络本质上是一种数值运算模型，由大量的神经元通过权值的相互连接组成，每个神经元则代表了特定的传输函数。通过对大量输入输出数据一一对应的映射训练，数据的内部特性被网络的权值以“记忆”的方式得以存储，从而实现对输入输出数据的非线性处理和复杂的逻辑操作等功能。神经网络自被提出以来经历了初创期、停滞期、黄金期，目前被广泛应用于系统建模、模式识别、信号处理、时间序列分析、自动化控制等各个科学研究领域，受到工程技术人员的极大赞赏。神经网络在创建过程中吸取了人脑神经系统信息处理过程的很多优点，与传统的系统相比主要特点有26-29：（1）信息的并行分布式处理能力。神经网络是由大量的神经元相互连接组成，每个神经元都可对信息进行单独的运算传输。虽然神经元个体的结构简单，处理信息的能力很有限，但神经元组成的整个网络由于强大的并行分布式结构，使得系统处理信息高速且高效，满足有些场合对信息高速实时处理的硬性要求。（2）高度非线性处理能力。据我们所知，现阶段线性结构由于自身存在的缺陷已很难满足用户对信息处理的要求。神经网络由于自身并行结构的特点，其数据处理能力具有高度非线性特性，这一特性使得神经网络在处理非线性问题方面具有显著的优势。（3）良好的自学习和自组织功能。当外界环境发生一定变化后，神经网络可以通过自身的学习训练过程改变网络的内部结构和神经元的连接方式，使得网络能够迅速适应外界环境的变化，对于特殊的网络输入信号得到符合要求的输出结果。（4）不依赖于精确的数学模型。神经网络不需要分析具体过程复杂的运动规律，运用已知的定理、定律等建立精确的数学模型。神经网络只需要在对研究对象有一定了解的基础上选择合适的网络结构和参数，运用准确的大量样本数据训练网络，使得样本特性通过网络的权值调整记录下来，从而形成输入到输出的非线性映射即可。（5）良好的容错、联想、综合、推广能力。神经网络将数据的内部特性渗透于整个网络的内部连接中，当所处理的信息部分丢失、模糊或错误时，神经网络通11 华北电力大学硕士学位论文过由局部联想到整体，强大的抗噪、推广等能力，使得网络的整体性能不会受到影响。3.2 BP神经网络3.2.1 BP神经网络的结构BP神经网络是一种典型的分层型多层神经网络，其结构包括输入层、隐含层、输出层，其中输入层和输出层各只有一层，隐含层可以有一层或多层。每一层都由不同数量的神经元组成，上下层神经元之间采用全连接方式以实现信息的传递，同层神经元之间则无连接也无信息传递。图 3-1为一个典型的三层 BP神经网络结构图。输入层隐含层输出层输出输入.图 3-1典型的三层 BP神经网络结构图神经元是 BP神经网络的基本组成部分，其结构模型如图 3-2所示。输入到输出的映射关系可表示为：Ry = f xiwi + b（3-1）i=1式中 xi神经元的输入向量；wi上下层神经元之间的连接权值；b神经元的阈值；f上下层神经元间的传递函数；y神经元的输出向量。12 华北电力大学硕士学位论文x1w1yw2x2求和fwRxRb图 3-2 BP神经元结构模型3.2.2 BP神经网络的学习过程BP神经网络的学习过程分为输入信息的正向传播和误差函数的逆向传播。对于选定的一个网络，我们不断用一组组训练样本重复这两个过程对网络进行记忆训练时，当网络的参数已达到我们所设定的值之后，则表示网络已经完成训练30体过程如下：，具（1）输入信息的正向传播31隐含层中第 i个神经元的输出为：ry1i = fw1ij x j +