《基于LabVIEW的BP曲线逼近算法》由会员分享，可在线阅读，更多相关《基于LabVIEW的BP曲线逼近算法（8页珍藏版）》请在金锄头文库上搜索。
1、石 家庄 铁道大学研究生课程考试答题纸研究生课程考试答题纸培养单位_电气与电子工程学院学科专业_电力电子与电力传动课程名称_ 数字图像处理 _任课教师_ 王硕禾_考试日期_2012/5/30_学生姓名_ 郭影_学 号_120111104_研究生 学 院研究生课程考试答题纸第 1 页基于 LabVIEW 的 BP 曲线逼近算法1、LabVIEWLabVIEW 是美国国家仪器公司（NI）公司开发的图形化编程语言，相比与文本型编程语言，这种图形化的编程语言具有直观、简便、快速、易于开发和便于维护等优点，在虚拟仪器设计和测控系统开发等相关领域得到了日益广泛的应用。神经网络的程序往往计算量大，循环复杂，
2、以往在编写这些程序时，都是使用诸如 VC+、Matlab 等文本式编程语言。比较而言，以LabVIEW 为代表的图形化编程语言不但形象、直观、便捷，而且具有功能强大的数学运算和分析工具，尤其是便捷的图表显示功能，利用 LabVIEW 可以方便的建立各类仿真模型，进行相应的仿真实验。所以本文结合 BP 神经网络理论和 LabVIEW 图形化的编程思想，对 BP 神经网络的学习算法进行仿真。2、BP 神经网络的算法BP 网络的学习过程是由正向传播和误差反向传播组成，把输入样本从输入层传到隐含层单元，经隐含层单元逐层处理后产生一个输出，至输出层，这个过程为正向传播，如果输出层没有得到所期望的输入值，
3、把期望值和输出值的误差信号按原路径返回，并通过修改各层神经元的连接权值，使误差信号为最小。这个过程为反向传播。 第一层为输入层，第 Q 层为输出层，中间为隐含层，如图 1.1。设第 q 层的神经元个数为nq，输入到第 q 层的第 i 个神经元的连接权系数为（i=1,2,nq-1）,该网络的输入输出)(q ijw变换关系为（ ， ）10)1()()(qnjq jq ijq ixws)()1( 0q iqx1)( 0q iw)(11)()()(q isq iq iesfxqni, 2 , 1L 1,2 ,1qnqLQqL, 2 , 1y1y2yn.x1x2xn输入层隐含层输出层图 2.1 神经元网
4、络研究生课程考试答题纸第 2 页设给定 P 组输入输出样本,T pnpppxxxx)0()0( 2)0( 1)0(0L21QpnpppddddL设定拟合误差的代价函数为 PpniPppQ pipiQ ExdE1112)()(21采用一阶梯度法调节连接权系数 E 最小。 最后归纳出 BP 网络的学习算法如下：， ) 1()() 1()()()(kDkwkWq ijq ijq ij0)1()()(q pjq piq ijxD11)()()1()1()()1 ()(qnkq piq piq kiq pkq pixxw1 , 1,LQQqqni, 2 , 1L1, 2 , 1qnjL3、利用 BP 神
5、经网络进行曲线逼近本实验选取的学习样本，输入样本点 Xi()为(0,1)上 = ， (0)qni,2 ,1L的随机数，这些随机数由 LabVIEW 自带的函数产生。该神经网络为三层结构的神经网络，即由输入层，隐含层和输出层组成，输入层为单输入，含 100 个神经元，隐含层只有一层，神经元个数为 10，输出层为单输出，神经元个数为 100。 程序流程如下所示研究生课程考试答题纸第 3 页初始化设定学 习样本赋值权值初值学习次数是否达到求出隐含层，输入层各 单元输出求出目标值和实际输出 的偏差由输出偏差计算出隐含 层输出偏差根据误差梯度权值修正否画出BP拟合曲线和学习 样本曲线画出拟合样本输出与样
6、本 输出的误差曲线是结束在了解 BP 曲线拟合算法后，用 LabVIEW 编程，这主要是由于 LabVIEW 基于数据流的编程 风格非常适合描述神经网络的正向传播和误差反向传播的过程，在本程序中，用 while 循环和 移位寄存器作为主要的循环手段，中间计算过程综合采用 LabVIEW 的矩阵运算和数组运算，不 仅简化了算法编程的难度，而且结构清晰。 4、程序代码 （1）本程序需在 LabVIEW 软件上运行，程序代码见附录。 （2）前面板导出图研究生课程考试答题纸第 4 页在面板上可以实时显示训练过程曲线和误差曲线，通过右下方的输入控件可以设置训练要 达到的精度和最大训练次数，两个指示灯用来
7、指示训练是以完成设置精度结束还是以完成训练 次数结束，误差显示控件显示训练结束时的误差大小。 5、实验结果 （1）训练样本和输入样本（2）训练过程研究生课程考试答题纸第 5 页（3）训练完成训练 20 次后误差为 0.000468243，达到了精度要求（小于 0.0005） ，训练停止。 （4）误差曲线6、心得体会研究生课程考试答题纸第 6 页由于本次程序中采用的神经单元模型的输出变换函数为，神经单元的xxfl11)(输出是在（0，1）开区间内，所以选取的正半周期作为学习曲线，虽然训练效果xysin很好但是由于神经单元模型的限制，该训练函数适用范围很有限，要想突破这个局限需要另选 神经单元模型
8、的输出变换函数，或者通过其他方法解决。其次由于对于阈值的修正没有一个好的修正算法，同时也为了简化算法，本实验中没设计关于阈值修正，直接是默认的阈值 0。 再次，在本实验中 BP 网络采用的一组样本对应一组权值，而不是所有的样本使用同一组样本。 这样学习效率提高，学习比较快，缩短学习时间，但是权值数量比较庞大。 总之各种方法都各有优缺点，可以根据实际的情况去选择方案，调整，修正算法。因此还 需要对此进行更深入的研究。7、参考文献1 卜富清, 王茂芝，于庆刚.基于 BP 神经网络的数字识别J.长江大学学报(自然科学版).2009.6(2):293-2942 赵长青,李欧迅,黄书童.BP 神经网络数字识别系统的设计方法J.桂林航天工业高等专科学校学报.2010.3:292-2943 马耀名,黄敏.基于 BP 神经网络的数字识别研究J.信息技术.2007.4:87-91研究生课程考试答题纸第 7 页8、附录 程序代码
