一、人工神经理论基础
神经网络又被称为链接模型，其本身是模仿动物的神经网络，并根据其行为特征分布式进行算法数学模型处理。在计算机上，人们可以利用并行或者串行的模式模拟仿真，实现人们自身的神经网络模型算法。在特定应用情况下，进行神经网络研究的目标则是高性能专用的神经网络硬件。
神经元是人工神经网络的基本单元，具有一定的信息处理方面的能力。对于输入的内容，神经元可以简单进行处理，能根据学习规则做好加权求和，并根据权值来获取神经元的状态输出，以便对刺激进行处理。还可建立基于VHDL语言的神经网络元件库，它包括基本单元、控制单元两个部分。
二、 BP神经网络结构模型
BP神经网络由输入层、隐含层和输出层组成，相邻层之间的各个神经元实现全连接，每层各个神经元之间没有连接。
BP算法正向传播过程：输入信号从输入层输入，经过隐含层传向输出层。如果输出层的实际输出与期望输出一致，那么学习算法结束。基本控制单元用于建立隐含层和输出层的神经元，主要解决信号运算后权值存储问题，它主要包括加权乘法、神经元输入信号的累加、非线性激励函数的实现、权值存储等基本模块。
图1中xi代表第i个输入，wij代表输入i和神经元j之间的权值（weight），yj是第j个输出。如图1所示可以得到：
y1=f（x1.w11+x2.w21+x3.w31 ） 2-1
y2=f（x1.w11+x2.w22+x3.w32） 2-2
y3=f（x1.w11+x2.w23+x3.w33） 2-3
其中f（ ）是激化函数（如线性阈值的sigmoid函数等）。
三、神经网络模型与仿真
clk产生脉冲信号，输入端x1，x2，x3 分别置为011，100，101，权值初值设为0000，通过9个脉冲周期一次递增到1000，将权值与输入值进行运算，得出结果。在权值固定时，输出取决于输入，不同的输入得到不同的输出结果。而在权值变化时，输出就由输入和权值决定。
为了仿真的结果更直观，代码采用的每个神经元的3个输入信号以及权值的位宽都为4，且带有符号。权值共设了9个，采用9个时钟周期将权值移入值。模拟与仿真的结果如图2所示。
结果分析：模拟结果与结果一致，此仿真成功。
四、结语
基于VHDL编程实现简单神经网络的软件模拟与仿真，从算法的提出到模型的建立，完整地体现神经网络的可用性与优越性。文中所提的神经网络模型是对单个神经网络的模拟与仿真，以及基于二维数组的多个输入输出的大规模神经网络的模拟。由于VHDL语言编程的灵活性，可以将编程下载到芯片用硬件实现对神经网络的模拟，以提高系统运算的速度和可靠性。
Abstract： In order to improve the precision of forecasting of power load， in this paper， a Elman artifical neural network （ANN） approach for load forecasting is proposed and the model based on Elman neural network. In the training algorithm of the network， a back-propagation algorithm with adaptive learning speed and momentum gradient-falling is used， the forecasting model tested by actual data from Urmqi electric network， simulation results indicate that the forecasting for power load based on Elman neural network features quick convergence speed and high forecasting precision.
Key words： Elman neural network； Forecasting model； Power load； Simulation
0 引言
电力系统由电力网、电力用户共同组成。其任务是给广大用户不间断的提供经济、可靠、符合质量标准的电能，满足各类负荷的需求，为社会发展提供动力。由于电力的生产与使用具有特殊性，即电能难以大量的储存，而且各类用户对电力的需求是时刻变化的，这就要求系统发电出力应随时紧跟系统负荷的变化动态平衡，即系统要最大限度的发挥出设备能力，使整个系统保持稳定且高效的运行，以满足用户的需求。否则，就会影响用电的质量，甚至危及整个系统的安全与稳定。因此，有必要对电力系统负荷进行准确的预测，以为电力生产顺利进行提供前提和基础。
负荷预测的核心问题是预测的技术问题，或者说是预测的数学模型。传统的数学模型是用现成的数学表达式加以描述，具有计算量小、速度快的优点，但同时也存在很多的缺陷和局限性，比如不具备自学习、自适应能力、预测系统的鲁棒性没有保障等。特别是随着我国经济的发展，电力系统的结构日趋复杂，电力负荷变化的非线性、时变性和不确定性的特点更加明显，很难建立一个合适的数学模型来清晰的表达负荷和影响负荷的变量之间的关系。而基于神经网络的非数学模型预测法，为解决数学模型的不足提供了新的思路。
目前在电力系统负荷预测领域应用的较多的是BP神经网络，尤其是短期负荷领域应用的较为广泛[1]，该方法实际上是利用静态前馈网络对动态网络进行辨识，将动态时间建模问题变为静态建模问题，这样会带来很多问题，而能够准确反映系统动态特性的网络应该是动态神经网络，即回归神经网络[2]。Elman回归神经网络即属于典型的动态神经网络，它在BP神经网络结构的基础上，通过存储内部状态使其具备映射动态特征的功能，从而使系统能够更好的适应电力负荷的非线性事变特征。
本文尝试使用Elman神经网络建立电力负荷预测模型，利用乌鲁木齐市2008年10月份电力负荷数据进行训练与仿真，仿真结果具有较好的收敛性和鲁棒性，取得了较满意的预测效果。
1 Elman神经网络
1.1 网络结构
Elman神经网络是Elman与1990年提出的，本质上属于反馈型神经网络，该模型在前馈网络的隐含层中增加了一个承接层，作为一步延时的算子，以达到记忆的目的，从而使系统具有适应事变特性的能力，能直接动态反映动态过程系统的特性。
Elman型神经网络分为4层：输入层、隐含层、承接层和输出层。如图1所示。输入层、隐含层、输出层的连接类似于前馈网络，输入层的单元仅起信号传输作用，输出层单元起线性加权作用。隐含层单元的传递函数可以采用线性或非线性函数，承接层又称为上下文层或者状态层，用来记忆隐含层单元前一时刻的输出值并返回给网络的输入，可以认为是一个一步延时算子。
Elman神经网络的特点是隐含层的输出通过承接层的延迟与储存，自联到隐含层的输入。这种自联方式使其对历史状态的数据具有敏感性，内部反馈网络的加入增加了网络本身处理动态信息的能力，从而达到动态建模的目的。此外，Elman神经网络能够以任意精度逼近任意非线性映射，可以不考虑外部噪声对系统影响的具体形式，如果给出系统的输入输出数据对，就可以对系统进行建模[3]。
1.2 网络学习过程分析
式中，k表示时刻；y为m维输出节点向量；x为n维中间层节点单元向量；u为r维输入向量；xc为n维反馈状态向量。w3为中间层到输出层连接权值；w2为输入层到中间层连接权值；w1为承接层到中间层的连接权值。g（*）为输出神经元的传递函数，f（*）是中间层输出的线性组合。 为中间层神经元的传递函数，常采用s函数。
网络采用BP算法进行修正，学习指标函数采用误差平方和函数：
2 模型建立及仿真
建模的核心问题是确定神经网络的输入、输出接点，能使其反映电力负荷的运行规律，从而达到预测未来时段负荷的目的。
一般来说，电力系统的负荷高峰通常出现在每天的9-19点之间，本文对乌鲁木齐市2008年10月10日-18日每天9-11点共3小时逐时负荷进行预测。电力系统复合数据如表1所示，表中数据已经经过归一化。
利用前8天的数据作为网络训练样本，每3天的负荷作为输入向量，第4天的负荷作为目标向量。这样可以得到5组训练样本。第9天的数据作为网络的测试样本，验证网络能否合理的预测出当天的负荷数据。
由图3可知，网络预测误差较小，但是，中间神经元为14时出现了较大的误差，这是因为训练样本太小导致的。当中间神经元为11个时，网络的预测误差最小，也就是预测性能最好。因此，对于本系统，中间层神经元的最佳数量为11个。
3 结论
电力系统的复杂性造成了负荷预测的困难，本文利用Elman神经网络具有的良好的动态特性，建立电力负荷的预测模型进行了数据预测，仿真结果证明Elman神经网络具有动态特性好、逼近速度快、负荷预测准确等优点，在电网用电量预测领域具有广阔的应用前景。
需要指出的是，由于电力负荷特性变化受制于诸多因素，而基础数据信息的局限、天气信息数据的缺乏等情况都会影响负荷预测精度。另外，对于电力预测来说，只考虑历史数据是不够的，对于一个实际的时间序列，它的预测值不仅取决于历史数据，还受许多突变因素的影响，由于工作日和节假日的符合不同，还要考虑时间特征值[5]。
为避免预测时出现相对较大的误差，可以通过加大样本量，事先提出错误数据等措施来提高预测精度。
【参考文献】
[1]邵莹，高忠文.基于模糊集理论的短期电力负荷预测[J].信息技术，2005（5）：18-23.
[2]芮执元，任丽娜，冯瑞成.基于Elman神经网络的甘肃电网负荷预测模型[J].现代电力，2007，24（2）：26-29.
论文摘要：针对汽车发动机设计和性能评测当中有关参数计算的特点，提出应用人工神经网络方法进行辅助计算，以提高数据计算的结构化程度和处理速度。通过对具体数据的实际操作表明，应用本方法能够很好地表达原图表数据关系，所得结果的精度能够满足计算要求。
汽车发动机的性能包括动力性、经济性、生态特性——排放与噪声、可靠性及耐久性等多个方面，这些参数要通过在一定条件下的测试计算来获得。当发动机在非标准环境下运转时，其相关计算要通过参数进行修正，比如发动机的有效功率和燃油消耗率的计算。当发动机在非标准环境下运转时，其有效功率及燃油消耗率应修正到标准环境状况，当然也可由标准环境状况修正到现场环境状况，其中的有效功率和燃油消耗率修正系数在gb1105..1-87中以图表的形式给出，使用很不方便，本文应用人工神经网络对此图表信息进行处理，提高了数据计算的结构化程度和处理速度，取得了满意的效果。
1.神经网络的识别原理
在神经网络系统中，其知识是以大量神经元的互连和各连接的权值来表示的.神经网络映射辩识方法主要通过大量的样本进行训练，经过网络内部自适应算法不断调整其权值，以达到目的.状态识别器就隐含在网络中，具体就在互连形式与权值上.在网络的使用过程中，对于特定的输入模式，神经网络通过前向计算，产生一输出模式，通过对输出信号的比较和分析可以得出特定解。目前神经网络有近40多种类型，其中bp(back propagation,即反向传播)网络是最常用和比较重要的网络之一，本文就应用一种改进型的bp网络进行相应数据图表的识别映射。
bp网络由输入结点、输出层结点和隐层结点构成，相连层用全互连结构.神经网络的工作过程主要有两个阶段：一个是学习期，通过样本学习修改各权值，达到一稳定状态；一个是工作期，权值不变，计算网络输出。
b
p网络的学习过程由正向传播和反向传播两部分组成。在正向传播过程中，输入信息从输入层经隐层单元逐层处理，并传向输出层，每一层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输出，则转入反向传播，将误差信号沿原来的路径返回，通过修改各层神经元的权值，使得误差信号最小。
当给定一输入模式x=(x1,x2,….,xm)和希望输出模式y=(y1,y2,…..,yn)时，网络的实际输出和输出误差可用下列公式求出：
隐含层输出：
式中——输入层至隐含层，隐含层至输出层的连接权；
——隐含层结点、输出层结点的阀值；
m、h、n——输入层、隐含层、输出层结点数；
f—— s型函数，f(x)=(1+e-x)-1.
如果误差太大不能满足要求，则需要用下列公式修正各连接权和阀值
为网络提供一组特定的训练模式，随机产生初始连接权和阀值，不断币复上述计算过程，直到网络全局误差小于给定的极小值为止.
由于bp网络的高识别能力，应用中采用了此结构形式.同时为提高其识别效果，加快网络的训练速度，缩短工作周期，应用了附加动量项和自适应速率的改进算法.
附加动量项法使网络在修正其权值时，不仅考虑误差在梯度上的作用，而且考虑在误差曲面上变化趋势的影响，其作用如同一个低通滤波器，允许网络上的微小变化特性，使网络陷入局部极小值的可能性大大减少。自适应速率是通过改变学习率，提高bp算法的有效性和收敛性，缩短训练时间.
2具体应用
根据以上理论，采用改进的bp神经网络形式，动量因子取0.9，对有效功率校正系数和燃油消耗率校正系数与指示功率比和机械效率的关系同时进行识别，采用双输入双输出的2-10-2结构、2-15-2结构、2-20-2结构进行训练，识别情况分别如表3-5所示。
从实际的应用效果来看，2-15-2和2-20-2的逼近能力相似，2-15-2的速度快于2-20-2结构，而2-20-2结构的识别能力要远低于前两种结构，采用更少的隐层结点数就会使训练的时间过长，甚至使训练过程无法进行.因此最后选择2-15-2的bp网络结构作为最终的神经网络形式。如图1所示为训练次数与误差平方和之间的关系曲线，表4为部分网络输出与实际数值的比较.
通过以上计算分析可见，神经网络的映射输出能力是相当强的，通过合理的网络结构选择和具体的参数应用，完全可以满足优化设计的计算要求，大大缩短优化当中的计算迭代时间，提高计算效率。
3结论
（1）人工神经网络有很强的数据映射能力，能够很好地识别所给数据之间的对应关系，映射的精度可以满足一般设计计算要求.
（2）对于包含无规律图表数据的有关计算问题，应用神经网络是一个很好的加快运算速度的解决方法.
（3）在数据的映射识别当中，网络的结构形式和参数选择对于问题的求解精度和速度都是致关重要的’同时应当注意数据的过度训练问题.
（4）智能算法的应用为具体的工程计算提供了更方便、有效的手段，寻找有效的计算方法，以及多种算法的混合应用将是摆在设计人员的一个课题.
参考文献
[1]焦李成.神经网络系统理论[m]西安:西安电子科技大学出版社，1990.
[2]焦李成.神经网络的应用与实现[m].西安:西安电子科技大学出版社，1993.
[3]王文成.神经网络及其在汽车工程中的应用[m].北京:北京理工大学出版社，1998.
[4]张成宝，丁玉兰，雷雨成.人工神经网络在汽车变速器齿轮故障诊断中的应用[j].汽车工程,1999,21(6) 374-378.
中图分类号：TP391文献标识码：A文章编号：1009-3044(2011)16-3917-03
Research and Implementation of Intelligent Design System Based on Artificial Neural Network
WU Zheng
(The CAD Research Center of Tongji University, Shanghai 200092)
Abstract：Axisymmetric part of the design for the introduction of the concept of the feature encoded file, its characteristic features in a coded form to be expressed. In order to achieve intelligent process state model output, the use of artificial neural networks for automatic reasoning capabilities. Through the intelligent reasoning system to remove the experience of design continued exploration and improvement, will be part of the feature modeling input, the system can automatically determine the parts of the process, then automate production. The intelligent system can help developers and designers to quickly produce design example, so developers can focus more on product innovation activities of enterprises to improve product design and R & D has important practical significance.
Key words: neural network; intelligent design; feature coding; intelligent reasoning; KBE
产品工艺设计是产品开发的首要环节，也是关系到产品设计成功与否的核心问题。提高工艺设计集成化、系统化和智能化程度，实现经验设计向科学设计的飞跃是研究人员多年追求的目标。而智能设计作为现阶段的热点技术，吸引了越来越多的专家和学者的目光。[1]伴随着计算机软硬件的成熟，以及图形图像学、CAD、人工智能设计技术和工艺模式理论的发展，显著的提高了设计的质量和效率，大大缩短了设计周期和工时，形成了工艺设计的的新领域，对我国智能设计和计算机辅助设计的发展起到了极其重要的推动作用。[2]
1 人工神经网络智能设计系统模型的表达
1.1 智能设计系统的体系结构
该智能设计系统主要的结构模块如图1所示。本文将该智能设计系统主要划分为以下几个模块，特征造型器主要将零件的特征进行录入，数据会同用户的输入数据共同进入特征编码器；特征编码器相当于一个接口，将形式数据转化为模式映射器能够识别的规范化数据（即特征编码文件），在模式映射器内部，通过神经网络对数据的处理，同时结合已有的经验知识库、材料库、规则设计库、工艺特征库、映射规则和标准库的数据交互，将数据输出到数值公式计算模块。数值公式计算模块主要是在具体的场景中将约束条件进行量化，结合具体的设计要求将工艺设计顺序进行调整。最后将结果反馈到用户界面，实现智能设计。
1.2 KBE思想和本系统的有机结合
在工程实践中，人们发现专家知识一般来源于该领域内专家的经验和积累，具有很大程度的不确定性和模糊性，这对于知识的交流和继承带来了很大的困难。欧洲面向KBE应用的方法和软件工具研究联盟提出了KBE的概念，KBE是计算机辅助工程领域的一个进步，它是一种将面向对象方法(Object Oriented Methods)、AI和CAD技术三者集成的工程方法，能够提供设计过程客户化、变量化和自动化的解决方案[3-4]。，我们认为：KBE是通过知识驱动和繁衍，对工程问题和任务提供最佳解决方案的计算机集成处理技术，是AI和CAx技术的有机融合。[5-6]
KBE系统的要点主要是知识的表示、知识建模、知识推理和知识的繁衍。本系统主要通过特征造型器进行知识的表示，进而在特征编码器中对所得知识建模，形成了特征编码文件。模式映射器利用人工神经网络对于特征编码文件进行不断的映射，实现了知识推理；同时模式映射器将学习所得的知识存储在相应的知识库中，进行知识繁衍。将经验知识和隐形知识转化为显式知识，实现了智能系统的关键一步。我们将KBE的思想结合到本文所开发的系统中来。
2 零件的工艺特征及特征的编码
2.1 特征的确定和数字化表达
首先我们需要确定零件的特征，进而将零件的特征数字化。本文根据以下原则确立零件的特征：
1）现实性。零件的特征是客观存在的，不因人的主观意志的转移而改变该特征。2）可测量性。相比于传统的经验化设计模式，能够准确的测量和量化零件特征是智能设计的重要要求。3）唯一性。作为零件信息的重要载体，特征的无歧义性是需要重点考虑的原则，不能同时将一个特征收录到两个属性中，进而造成建模中零件属性的混乱。
本文主要针对轴对称的零件工艺模式，我们将主要研究零件的以下特征：冲孔、翻边、正向拉深、反向拉深、带孔小阶梯成形法等。
考虑到神经网络我们采用的是S型参数，所以我们将特征编码确定为0到1之间的数，本文共确定了10种特征形状。如表1所示。
通过确定特征参数，进而可以构建特征造型器，特征造型器以零件的实体特征为基础，结合零件的几何信息和拓扑信息，将参数化设计思想和特征编码思想统一，用尺寸驱动的方法来定义特征，便于计算机对于零件特征的识别和处理。
2.2 面向对象的特征建模语言
由于在实际设计征的复杂性和多样性，而面向对象的语言具有数据的封装性、数据与操作的集成性、对象重载、现实世界对象的数据和行为的全面抽象、对象数据的继承性等等许多的优点，目前已成为设计领域广泛采用的设计手段，应用在特征设计领域，可将特征的对象数据类型抽象出来。
特征对象首先具有本身的特征尺寸和属性，考虑到具体的应用，这些尺寸要能够实现参数化，除此之外，还具有公差、材料、技术设计要求等信息；特征的操作类型主要分为两种：一种是成型过程，即所谓的造型映射，另一种操作是特征在零件上的形成位置即有关位置的变动操作。在这两种操作中，造型映射与工艺设计的过程联系紧密，而特征位置操作则与产品的设计过程相关。下面主要是该特征对象的基类型的原型定义。
class Feature
{Stringfeature ;//零件对象的三维实体名。
StringName;//零件特征名。
Stringmaterial;//特征的材料。
intfeature_parametre; //特征尺寸的参数。
intfeature_num.;// 特征类型的编号。
intfeature_code;// 特征的编码。
intpt1,pt2,pt3;//特征基点的坐标。
int angle1,angle2,angle3;//特征在三维空间中与X, Y, Z轴的夹角。
Public:
virtualvoidmodel();//构造三维实体特征。
virtualvoidlocate();//确定特征的空间位置。
voidmove (ap_solid *sol, ap_real tx, ap_real ty, ap_real tz);//将特征移动{tx,ty,tz}。
voidrotate (ap_solid *sol, ap_real rx, ap_real ry, ap_real rz);//将特征旋转。
void chang_feature_para (int class_name, ap_solid *sol, ads_point pt, ap_direc ang, feature_parametre, void model); //该特征的几何尺寸的参数化修改操作。
voidcal_area(); // 特征面积的计算。
voidcal_circl();//特征周长的计算。
}
通过实例化语言，我们能够对零件的特征进行描述，进而便于计算机识别和处理。特征编码的构造加入到零件基类中，具体零件的定义将继承特征编码的操作，并能够进行适当的重载。
3 特征编码器和特征编码文件
将特征数字化表示后，本系统主要通过特征编码器将特征组成特征编码文件，使后续的人工神经网络能够对文件进行处理。有了特征编码，我们能够让机器识别特征；但是为了保存特征的其他信息，如冲孔工艺中孔的直径，翻边的高度等等，我们引入了特征参数的概念。特征参数即为了更明确的定义特征的几何、物理属性，跟随在特征编码后面的一系列数值。图3表示了部分特征编码所对应的特征参数。
我们将特征编码和特征参数组成特征编码文件，输入到模式映射器中。特征编码文件的格式为：每一行表示切仅表示一个特征，其中第一个数字为特征编码，特征参数在特征编码之后给出。图4显示了一个特征编码文件的实例。
4 智能设计系统中工艺模式的生成、映射以及神经网络的构造
4.1 工艺模式映射的过程
我们将零件的特征编码文件输入人工神经网络后，人工神经网络进行反向推理，将零件的成型信息反向输出，同时结合知识库、材料库等已有的信息，输出结果。
工艺模式用于指导工艺计算模块的工作，而经过特征造型之后的零件信息只有特征编码文件。因此，人工神经网络的任务就是根据零件的特征编码组信息，推导出生成零件的各个中间成形形状的特征编码组，以及各个中间形状在零件成形过程中的排列顺序。
因为对于神经网络来讲，得到的是设计者输入的零件模式信息，输出是零件成形的各个中间状态（特征编码表示），这就决定了工艺模式在神经网络中的映射过程是一个“逆顺序”的过程，这一过程又可以描述为“反推导”过程，即：将零件的特征编码组（零件模式）输入到经过训练的神经网络中，由其输出该零件成形的各个过程的中间形状的特征编码（中间形状模式）。我们以计算机的视角来看待零件的分解，即：零件->特征->特征编码文件->人工神经网络。在人工神经网络中，特征编码文件被反编译，特征结构后得出特征形成的顺序，进而输出，即：人工神经网络->特征反编译->特征工艺序列->特征编码组->特征->零件。由此可见，人工神经网络是用于处理工艺模式的主要工具，在前面的特征造型器、特征编码器中生成的零件的工艺模式，以及特征编码组等概念，都是为了便于神经网络的处理而建立的。
最后，由这些“中间形状模式”、“零件模式”等特征编码组信息及其排列顺序，组成该零件成形的“工艺模式”信息文件。这一过程，就是以零件模式作为输入、以经过训练。
4.2 神经网络的比较及选择
人工神经网络用于工艺模式映射的工作主要是以下几个：1）是针对输入的零件模式经过映射后输出该零件成形的中间形状；2）生成按照工艺成形的过程而排列的零件成形中间形状的排列顺序；3）进行反向学习，从输入的特征编码文件中提取零件成型顺序，存储到知识库中。[7]
神经网络主要由以下几类：1）分解映射结构；2）集中映射结构；3）前向网络；4）集中反馈式网络。[8]
我们选择的是集中反馈式的神经网络，相比于其他类型的网络，反馈式结构的优点是：统一的网络便于训练模式的组织和映射工作的开展；输入单元和输出单元的数目相同，可以形成对称的网络结构，使得网络的稳定性和收敛性有了保障；工艺模式的成形顺序性问题不占用网络的实际结构形式，顺序性问题转化为反馈映射的顺序问题，映射的顺序代表成形的顺序；网络在结构上将保证各个单步成形映射的准确性，从而提高网络的训练质量。[9]
表2给出了神经网络训练的相关内容，由于神经网络中节点和隐层数目的不同会极大的影响神经网络的性能，本文主要对各个不同的网络进行了比较，得出了一个最优的网络（即网络7）。
5 实例模型
本文在研究的基础上开发了一个应用实例，该实例主要是设计者将零件的特征编码和特征参数输入系统后，经过神经网络的智能推理，将输出反馈到设计平台上。
系统首先进行特征编码的输入，以确定零件的特征造型；然后输入每一个特征编码对应的特征参数，图5显示了拉深工序对应的特征参数的录入。特征参数录入完成后可以选择继续添加特征或者生成特征编码文件。图6为一个以记事本方式打开的特征编码文件。将特征编码文件输入人工神经网络，对应的输出为特征造型顺序文件（Y.SFM），数值公式计算模块处理该文件，最后给出智能设计工艺流程（图7）。
图5特征参数录入 图6特征编码文件图7 智能设计系统给出的零件成型顺序及计算结果
6 结论
本文提出了轴对称零件成型工艺的产品建模方法，然后给出了面向对象的建模语言，能够量化表示零件的特征，在将零件的特征编码文件通过神经网络映射和输出的同时，运用KBE系统的自学习理念，将习得的知识存储。实践表明，通过人工神经网络和工艺智能设计系统的应用，能够解决实际的零件设计成型问题。
参考文献：
[1] 高伟.工艺设计信息系统中的知识发现技术研究[D].成都:四川大学,2005:22-23.
[2] 罗小宾.机械产品图像识别技术及其在反求设计中的应用研究[D].成都:四川大学,2004:15-16.
[3] The Knowledge Engineering and Management Centre at Coventry University,UK,[EB/OL].kbe.cov.ar.uk.
[4] MOKA-Methodology & soft-ware tools-- Knowledge based engineering Applications[M].ESPRIT proposal EP25418,1997.
[5] Peng Ying-hong,Zhao Zhen,Ruen Xue-yu.Application of KBE technology in Die & Mold Design[J].International Conference on Die end Mold Technology, Beijing,2000,90-86.
[6] Peng Ying-hong,Zhao Zhen,Ruen Xue.KBE technology in Engineering Design[J].International Conference on Engineering end Technological Sciences 2000, Beijing,2000:94-100
[7] 刘振凯.智能CAD人工神经网络专家系统的模型和结构[J].中国机械工程,1997(2).
1引言
人工神经网络是在人类对其大脑神经网络认识理解的基础上人工构造的能够实现某种功能的神经网络。 它是理论化的人脑神经网络的数学模型，是基于模仿大脑神经网络结构和功能而建立的一种信息处理系统。因其自组织、自学习能力以及具有信息的分布式存储和并行处理，信息存储与处理的合一等特点得到了广泛的关注，已经发展了上百种人工神经网络。
一般来说，人工神经网络从结构上可分为两种:前向网络和反馈网络。典型的前向网络有单层感知器、BP网络等，反馈网络有霍普菲尔德网络等[1]。
人工神经网络已经被广泛应用于模式识别、信号处理、专家系统、优化组合、智能控制等各个方面，其中采用人工神经网络进行模式识别具有一些传统技术所没有的优点:良好的容错能力[2j、分类能力、并行处理能力和自学习能力，并且其运行速度快，自适应性能好，具有较高的分辨率。单层感知器、BP网络和霍普菲尔德网络均可以用于字符识别。
本文通过具体采用感知器网络、BP网络和霍普菲尔德反馈网络对26个英文字母进行识别的应用，通过实验给出各自的识别出错率，通过比较，可以看出这3种神经网络的识别能力以及各自的优缺点。
2 字符识别问题描述与网络识别前的预处理
字符识别在现代日常生活的应用越来越广泛，比如车辆牌照自动识别系统[3，4]，手写识别系统[5]，办公自动化等等[6]。毕业论文 本文采用单层感知器、BP网络和霍普菲尔德网络对26个英文字母进行识别。首先将待识别的26个字母中的每一个字母都通过长和宽分别为7×5的方格进行数字化处理，并用一个向量表示。其相应有数据的位置置为1，其他位置置为O。图1给出了字母A、B和C的数字化过程，其中最左边的为字母A的数字化处理结果所得对应的向量为:IetterA~「00100010100101010001111111000110001〕’，由此可得每个字母由35个元素组成一个向量。由26个标准字母组成的输人向量被定义为一个输人向量矩阵alphabet，即神经网络的样本输人为一个35×26的矩阵。其中alphabet=[letterA，letterB，lettere，……letterZj。网络样本输出需要一个对26个输人字母进行区分输出向量，对于任意一个输人字母，网络输出在字母对应的顺序位置上的值为1，其余为O，即网络输出矩阵为对角线上为1的26×26的单位阵，定义target=eye(26)。
本文共有两类这样的数据作为输人:一类是理想的标准输人信号;另一类是在标准输人信号中加上用MATLAB工具箱里的噪声信号，即randn函数。
3 识别字符的网络设计及其实验分析
3.1单层感知器的设计及其识别效果
选取网络35个输人节点和26个输出节点，设置目标误差为0.0001，最大训练次数为40。设计出的网络使输出矢量在正确的位置上输出为1，在其他位置上输出为O。医学论文 首先用理想输人信号训练网络，得到无噪声训练结果，然后用两组标准输入矢量加上两组带有随机噪声的输人矢量训练网络，这样可以保证网络同时具有对理想输人和噪声输人分类的能力。网络训练完后，为保证网络能准确无误地识别出理想的字符，再用无噪声的标准输入训练网络，最终得到有能力识别带有噪声输人的网络。下一步是对所设计的网络进行性能测试:给网络输人任意字母，并在其上加人具有平均值从。~0.2的噪声，随机产生100个输人矢量，分别对上述两种网络的字母识别出错率进行实验，结果如图2所示。其中纵坐标所表示的识别出错率是将实际输出减去期望输出所得的输出矩阵中所有元素的绝对值和的一半再除以26得到的;虚线代表用无噪声的标准输人信号训练出网络的出错率，实线代表用有噪声训练出网络的出错率。从图中可以看出，无噪声训练网络对字符进行识别时，当字符一出现噪声时，该网络识别立刻出现错误;当噪声均值超过0.02时，识别出错率急剧上升，其最大出错率达到21.5%。由此可见，无噪声训练网络识别几乎没有抗干扰能力。而有噪声训练出的网络具有一定的抗干扰能力，它在均值为。~0.06之间的噪声环境下，能够准确无误地识别;其最大识别出错率约为6.6%，远远小于无噪声训练出的网络。
3.2BP网络的设计及其识别效果
该网络设计方法在文献[lj中有详细介绍。网络具有35个输人节点和26个输出节点。目标误差为0.0001，采用输人在(0，l)范围内对数S型激活函数两层109519/109519网络，隐含层根据经验选取10个神经元。和单层感知器一样，分别用理想输人信号和带有随机噪声的输人训练网络，得到有噪声训练网络和无噪声训练网络。由于噪声输人矢量可能会导致网络的1或o输出不正确，或出现其他值，所以为了使网络具有抗干扰能力，在网络训练后，再将其输出经过一层竞争网络的处理，使网络的输出只在本列中的最大值的位t为1，保证在其他位置输出为O，其中网络的训练采用自适应学习速率加附加动量法，在MATLAB工具箱中直接调用traingdx。在与单层感知器相同的测试条件下对网络进行性能测试，结果如图3所示。其中虚线代表用无噪声训练网络的出错率，实线代表用有噪声训练网络的出错率。从图中可以看出，在均值为o一0.12之间的噪声环境下，两个网络都能够准确地进行识别。在0.12~0.15之间的噪声环境下，由于噪声幅度相对较小，待识别字符接近于理想字符，故无噪声训练网络的出错率较有噪声训练网络略低。当所加的噪声均值超过。.15时，待识别字符在噪声作用下不再接近于理想字符，无噪声训练网络的出错率急剧上升，此时有噪声训练网络的性能较优.
转贴于 3.3离散型，霍普菲尔德网络的设计及其识别效果
此时网络输人节点数目与输出神经元的数目是相等的，有r=s=35，采用正交化的权值设计方法。在MATLAB工具箱中可直接调用函数newh叩.m。要注意的是，由于调用函数newhoP.m，需要将输人信号中所有的。英语论文 变换为一1。如letterA~[一1一11~1-1一11一11一l一11一11一11一1一1一11111111一l一l一111一1一1一11〕’。设计离散型霍普菲尔德网络进行字符识别，只需要让网络记忆所要求的稳定平衡点，即待识别的26个英文字母。故只需要用理想输人信号来训练网络。对于训练后的网络，我们进行性能测试。给网络输入任意字母，并在其上加人具有平均值从。~0.5的噪声，随机产生100个输人矢量，观察字母识别出错率，结果如图4所示。从图中可以看出，在均值为0~0.33之间的噪声环境下，网络能够准确地进行识别。在0.33~0.4之间的噪声环境下，识别出错率不到1%，在0.4以上的噪声环境下，网络识别出错率急剧上升，最高达到大约10%。可以看出，该网络稳定点的吸引域大约在0.3~。.4之间。当噪声均值在吸引域内时，网络进行字符识别时几乎不出错，而当噪声均值超过吸引域时，网络出错率急剧上升。
4结论
本文设计了3种人工神经网络对26个英文字母进行了识别。可以看出，这3种人工神经网络均能有效地进行字符识别，并且识别速度快，自适应性能好，分辨率较高。由图2和图3可以看出，单层感知器的有噪声训练网络在均值为O~0.06之间的噪声环境下可以准确无误的识别，而有噪声训练的BP网络可以在o~0.12之间的噪声环境下准确无误的识别，故BP络网络容错性比单层感知器的容错性好;此外，噪声达到0.2时，单层感知器的有噪声训练网络的识别出错率为6.6%，而有噪声训练的BP网络的识别出错率为2.1%，故BP网络比单层感知器识别能力强。另外，由图2、图3和图4可以看出，这3种网络中霍普菲尔德网络识别率最高，它在噪声为0.33以前几乎不会出错，BP网络次之，感知器最差。
通过设计、应用与性能对比，我们可得单层感知器网络结构和算法都很简单，训练时间短，但识别出错率较高，容错性也较差。BP网络结构和算法比单层感知器结构稍复杂，但其识别率和容错性都较好。霍普菲尔德网络具有设计简单且容错性最好的双重优点。因此，我们应根据网络的特点以及实际要求来选择人工神经网络对字符进行识别。 参考文献
[1]丛爽.面向MATLAB工具箱的神经网络理论与应用「M.合肥:中国科学技术大学出版社，2003.
[2]武强，童学锋，季隽.基于人工神经网络的数字字符识别[J].计算机工程，2003，29(14):112一113.
[3]廖翔云，许锦标，龚仕伟.车牌识别技术研究[J].徽机发展，2003，13:30一35.
BP神经网络也称为反向传播网络，包括输出层，隐含层，输入层三部分，同时BP的神经网络具有非线性的特点，能够解决没有规则，多约束条件或数据不完全等问题，适合处理复杂的分类及模式识别等问题。BP神经网络具有一个或一个以上的信息隐含层，能够将相邻的两层完全连接起来。
要建立学生数学能力评价的BP神经网络模型，就需要建立具有代表性的数据库，以便于进行评价。就数据库的建立而言，为了提高评价的准确性及标准性，BP神经网络需要建立完善的选取设置体系，在输入层与输出层的设计应多样化，才能够保证测试评价的效果。对于普通学校来说，样本的选取量应该不低于200人。
对于隐含层神经元的点数，计算时应根据样本的选取量进行调整，基本的模型设计流程是从BP神经网络的构建开始到BP网络训练，以及最后的BP网络预测，其中最重要的是BP网络训练，本文采取的是trainlm算法，从而建立其BP神经网络模型。
2 学生数学学习能力评价
对学生进行数学学习能力评价是为了对学生的数学学习能力进行测试，帮助教师掌握学生的学习情况，以便于调整教学方法以及教学进度，让学生能够提高学习能力。评价的内容是学习思路，学习方法，学习过程及学习效果。要对这四点进行评价，首先就要确定各内容的评价标准及方式。以往的评价方式是通过测试及课堂问答，通过学生的测验成绩及回答进行分析，从而判断学生所处的学习状态，教学方法以教学进度安排的合理程度。利用BP神经网络进行评价的化，就要将各个标准程序化，将原先教师的主观评价变为网络的程序化运行，根据运行的结果对学生的数学学习能力进行判断，这就是利用BP网络对学生数学学习能力评价的理论，实际上要进行实践并不简单，BP神经网络评价的构建是难题的关键点。
3 基于BP神经网络的学生数学能力评价模型
BP神经网络评价模型的建立是由三部分组成的，最关键的就是构建BP神经网络。建立评价模型首先要做的就是对各项能力的得分率进行分析，设定个性能力的得分标准，并对其进行深入分析最后进行程序化设置。对于数学学习能力的划分方法有很多，不同的年级所划分的方法尽不相同，每一个方法都有其侧重点，这需要根据输入的相关变量进行改正，与实际情况进行整合得出准确结论。就拿某市中考数学试题来说吧，其主要是测查学生的学习思路，学习方法，学习过程及学习效果这四项能力。对学生的数学学习能力进行测试，就要把学生对这四个能力评价的相关试题得分作为BP神经网络的输入，并且要将输入数值进行数量级差异设定，从而将每种能力试题的得分做归一化处理。利用二进制，使输入数据在[0，1]之间。在这之前要有准确的评分标准，才能够得出相关结论。这就需要专家对试卷上各项能力试题的得分进行排表，便于BP网络数据设置，但在这之前需要专家对学生样本进行判断。一般样本的选择在200人为合适，所以选择的学生人数为200人。专家对这200人的试卷进行阅览从而判断出每个人每项能力的情况，看那一项是最为薄弱的，然后对所有学生的情况进行整合处理。将其中100人的成绩作为判定结果，最为薄弱的能力作为BP神经网络的期望输出参考，再利用二进制的数字进行结果表达。例如输出为0时则表示学生该项能力差，这就能够为BP网络的构成提供最基本的运行数据，为BP网络构建提供基础。此外的100人，将他们的得分情况作为好的检验样本进行输入，然后进行检验，若是期望输出与专家评价结果基本符合，则表示该神经网络可进行有效运用，对学生数学学习能力进行评价，反之则需改进。
中图分类号:TP 183
文献标志码:A文章编号:1672-8513(2011)06-0511-04
The Design of Traffic Light Controller Based on BP Fuzzy Neural Network
WANG Shichun
(Taizhou Vocational & Technical College, Taizhou 317000, China)
Abstract: Aiming at improving the poor condition of the existing time-control traffic signal light system, a new control system based on neuro-fuzzy network has been put forward, which can intelligently control the time of the traffic signal light according to the traffic flow after fuzzlization and off-line training based on BP calculation. The experiment has proved its accuracy, quicker response, more intelligence and better robustness compared with the use of fuzzy control only.
Key words: intelligentize; traffic signal light; BP fuzzy neural network; network training
近年来，国内外许多专家学者致力于开发城市交通信号灯的控制方案，取得了一些成果[1-2]，模糊控制是其中的研究方向之一，它是无模型的控制方法，便于结合人的思维和经验，可满足实时性的要求，是一种比较好的交通控制方法.但是普通的模糊控制，其量化因子是固定不变的，稳态性能较差，且很难使2种性能指标都达到理想要求复杂的系统，单纯的模糊控制难以保证控制精度，有时甚至会降低控制系统的鲁棒性.神经网络具有良好的非线性映射能力、学习能力、并行处理能力、容错能力和自学习能力[3]，可以克服这个缺点.如果能将模糊理论表达知识的能力和神经网络的自学习能力结合起来[4]，提高整个系统对知识的学习和表达能力，无疑会受到控制工程界的极大欢迎.
1 交通信号灯控制原理
1.1 交通信号灯
一般交通信号灯用4个相位来实现，每个相位相当于1个状态，根据正在放行车道上的车辆数（取平均数）与下一相位的车辆数相比较，来决定是否转到下一相位.在1状态，把车辆数输入到模糊神经网络控制器，设定初始绿灯时间，当执行完后，根据下一相位的车辆数来决定是否转到下一相位，若不转移，则增加绿灯时间T，如总时间超过设定最大时间（一般驾驶员最大能承受时间120s[5]），则执行完后必须转到下一相位；如还小于最大时间，则反复执行此过程.模糊神经网络控制器的输入是检测到的车辆数，输出为绿灯时间Gt，通过模糊神经网络推理可以对绿灯时间进行控制.
1.2 具体实现
模糊神经网络经过离线训练[6-10]，结合PLC硬件，实现总的控制过程.
步骤1:在状态1中，即东西方向红灯期间，检测出南北方向车辆数L，采用模糊神经控制算法，得出初始绿灯时间Gs，令Gs=T,将T通过PLC的功能指令传送给计时器并由PLC开始执行;
步骤2:在ΔG=Gs内根据检测器送来的车辆到达和离开交叉口的数据,分别计算当前放行相位及下一个放行相位的排队长度,设其分别为Li和Li+1;
步骤3: 若Li=0,或Lie(r≥0,e≥0),或累积绿灯时间Gi=Gimax,则将绿灯转到下一相位,回到步骤2,否则继续;
步骤4:按照Li及ΔLi值的大小来确定新的绿灯延长时间ΔGi,若Gi+ΔGi≥Gimax,则ΔGi=Gimax-Gi, 否则Gi+ΔGi,回到步骤3.
算法中的交通需求通常用2种方法描述[11]:①用交叉口停止线前的排队长度即停止线前相隔一定距离(通常为80~100m)的2检测器之间的车辆数来表示交通需求.②当占有率不低于某一基准占有率时，用占有率表示交通需求;当占有率小于某一基准占有率且交通量不低于某一基准交通量时，则用交通量表示交通需求.检测器在指定的时间T(通常为6min)内测得的计数值(方波数)为交通量;检测器在T内测得的方波宽度总和与该时间值的比为占有率.
2 模糊神经网络控制
2.1 初始绿灯模块设计
2.1.1 模糊化
本设计采取模糊神经控制的方法,根据各相位的实时队长Li，对相位初始绿灯时间进行模糊设定.模糊控制器的输入变量为Li，其变化范围为1~30辆；输出为Gs, 根据现场测试，输出变量t的变化范围为15～60 s.它们的论域分别为(1,2,3,4,5,6)、（1，2，3，4，5）.量化因子分别为0.18和0.09，量化因子是把清晰值从物理论域X,变换(映射)到模糊论域N上的变换系数；经过推理得出的是模糊量,需要经过清晰化模块的处理变成清晰量，这个清晰化论域与需求的物理论域未必一致，进行变换的系数为比例因子，此外比例因子为0.9.模糊集为(A1,A2,A3),(B1,B2,B3) .
2.2.3 神经网络控制器
令x1~x7为输入量队长之差模糊子集，x8~x12为用时之差；y1~y7为输出控制量模糊子集，通过对专家控制规则的样本进行离线训练，当训练结束，神经网络已经记忆了模糊控制规则，具有联想记忆功能.
BP网络由3层组成，如图3所示，输入层有12个节点，中间层有23个结点，中间层神经元的传递函数为tansig,计算公式为：n=2/(1+exp(-2*n))-1.训练函数采用=newff(minmax(p),［23,7］,{‘tansig’,‘logsig’},‘traingdx’).
该网络为了验证控制器的性能，利用Matlab进行仿真.由网络误差曲线图4可知，网络的最大误差不超过0.13，说明网络性能是可以满足控制要求.
经过1000次训练后，目标误差基本达到要求.
3 结论
本文提出根据车流量，来决定相位是否转移和绿灯延时时间，有助于提高车辆通行效率.所提出方法优于单纯用模糊控制的算法[14]，用BP神经网络离线训练，有利于提高控制的精度，同时采用效果改进的BP神经网络，使网络稳定，有较好的收敛.仿真实验表明，改进后的算法训练是非常逼近目标，网络性能达到要求.
参考文献:
［1］PAPAGEORGIOU M，DIAKAKI C，DINOPOULOU V, et al. Review of road traffic control strateies［J］.Proceedings of the IEEE，2003，91(12)：2043-2067．
［2］CHO Y J,UN C K．Performance analysis of ARQ error controls under Markovian block error pattern［J］.IEEE Transactions on Communications, 1994，42(234)：2051-2061．
［3］张德丰.MATLAB神经网络仿真与应用［M］.北京:电子工业出版社,2009.
［4］付磊，王金党.基于粗糙集理论的RBF神经网络在LVCC分类浅析［J］.云南师范大学学报：自然科学版，2010，30（3）：28-31.
［5］梁子伊．一种交通信号灯遥控系统的设计［J］.微型机与应用，2001，5(2)：25-30.
［6］陈建平，房海蓉，胡准庆．城市交通的智能控制系统综述［J］.北京汽车，2001，5(4)：10-14．
［7］JIANG Rui，WU Qingsong．The traffic flow controlled by the traffic lights in the speed gradient continuum mode［J］.Physica A:Statistical Mechanics and its Applications，2005，355(2/4)：551-564．
［8］杨显富．基于EDA技术的交通灯自适应控制系统［J］.成都大学学报:自然科学版,2003，22(3)：19-24．
［9］彭志刚．利用单片机改进交通灯控制系统［J］.湖南工业职业技术学院学报，2003，2(2)：25-27．
［10］刘智勇，吴今培，李秀平．城市交通干线递阶模糊控制［J］．公路交通科技，1997, 1(3)：17-23.
［11］徐吉万，徐冬玲．城市交通的计算机控制和管理测绘出版社［M］.北京：测绘出版社，1998：3-15．
中图分类号： TN911?34 文献标识码： A 文章编号： 1004?373X（2013）22?0014?03
0 引 言
BP（Back Propagation）神经网络是1986年由Rumelhart和McCelland提出的，它是一种误差按反向传播的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP神经网络具有非常强的非线性映射能力，能以任意精度逼近任意连续函数，因此在人工智能的许多领域都得到了广泛的应用，如函数逼近、模式识别、分类和数据压缩等领域[1?2]。由于目前一个神经网络只能同时对一个函数进行拟合，针对此本文提出了一直串联BP网络同时实现两个函数的拟合。
1 BP网络结构与学习算法
BP神经网络是目前应用最广泛的拓扑结构。BP模型是一种多层前向网络，这里采用的是三层BP神经网络模型，它由输入层、隐层和输出层组成，其结构如图1所示，分别为：
（1）输入层节点，其输出等于[xi]（[i]=1，2，…，n），将控制变量值传输到隐含层；
（2）隐层节点[j]，其输入[hj]，输出[oj] 分别为：
[hj=i=1nwjxi-θj=i=1n+1wjxi]
[oj=f（hj）]
（3）输出节点[k]，其输入[hk]，输出[ok] 分别为：
[hk=j=1m+1wjkoj]
[ok=f（hk）]
式中：[k]=1，2，…，[l]；[f]为传输函数。
BP算法分两步进行，即正向传播和反向传播[3]。
（1）正向传播
输入的样本从输入层经过隐单元逐层进行处理，通过所有的隐层之后，在传向输出层。在逐层处理的过程中，每一层神经元的状态只对下一层神经元的状态产生影响。在输出层把现行输出和期望输出进行比较，如果现行输出不等于期望输出，则进入反向传播过程。
（2）反向传播
反向传播时，把误差信号按原来正向传播的通路反向传回，并对每个隐层的各个神经元的权系数进行修改，以望误差信号趋向最小[4]。
2 BP网络的串联模型
神经网络串联即由两个或两个以上的神经网络串联所组成的新型网络模型，用于串联的各神经网络称为子神经网络。神经网络串联模型中的各子神经网络首尾相连，如图2所示。
假设总的神经网络由k个子神经网络串联而成，即第一个神经网络的输出作为第二个神经网络的输入，第二个神经网络的输出做为第三个神经网络的输入，以此类推下去。每一个子神经网络均由同类型的神经网络构成，在本文中，每一个子网络都采用最常用的BP神经网络，其子网络的构建都遵循现有的BP网络的构建形式，其基本的子网络结构采用三层模式，一个输入层，一个隐含层和一个输出层[5?6]。
通过Matlab神经网络工具箱的自定义的方法来实现两个子BP网络的串联。
部分程序如下所示：
net=network；
net.numinputs=2；
net.numlayers=6；
net.biasConnect=[1；1；1；1；1；1]；
net.inputConnect=[1 0；0 0；0 0；0 1；0 0；0 0]；
net.layerConnect=[ 0 0 0 0 0 0；1 0 0 0 0 0 ；0 1 0 0 0 0；
0 0 1 0 0 0 ；0 0 0 1 0 0；0 0 0 0 1 0]；
net.outputConnect=[ 0 0 1 0 0 1]；
网络的拓扑结构如图3所示，其中每个子网络的隐含层节点为20个，传递函数为tansig，输出层采用线性函数[7]。
3 实验测试与分析
运用本串联BP网络在Matlab 2011的环境中同时对两个目标函数进行拟合。其目标函数为：
目标函数1：
[y=sin x]
目标函数2：
[y=x（1-16x2）e-x]
训练样本输入的设置：输入样本p={p1’，p1’}其中p1=[-1：0.05：1]，目标向量T={t1’；t2’}，其中t1= sin（3*pi*p1），t2= p1.*（1-1/6*p1.^2）.*exp（-p1）。并加入噪声t3=sin（3*pi*p1）+0.15*randn（size（p1））；t4=t2+0.15*randn（size（p1））；T={[t3]’；[t4]’}；对其进行训练仿真[8?10]。
网络的输出y包含了两个待拟合函数的拟合后的数据通过下面操作：
y1=cell2mat（y）；
y2=y1’；
a=y2（1：1：41）；
b=y2（42：1：82）；
得到各自的拟合数据。
仿真结果如图4～图6所示。
由图4、图5仿真拟合曲线与待拟合函数曲线的比较可以看出此串联网络在通过加噪声的训练样本训练后能够很好的对两个待拟合函数进行拟合。由图6知在经过342次训练后其误差达到了0.000 978。可见，通过此串联BP神经网络准确地拟合了待拟合函数曲线。
4 结 语
通过以上叙述可以看出本文设计的串联神经网络能够和好地对函数曲线进行拟合，为同时实现多函数曲线的拟合提供了新的方法。
参考文献
[1] 张雨浓，蔡炳煌.人工神经网络研究进展及过程[M].北京：电子工业出版社，2010.
[2] 蒋正金，汪晓东，端木春江.采用BP神经网络拟合光纤位移传感器特性曲线[J].微型机与应用，2012，31（4）：67?69.
[3] 郭军.BP神经网络算法研究[D].武汉：华中科技大学，2005.
[4] 贾丽会，张修如.BP算法分析与改进[J].计算机技术与发展，2006，16（10）：102?107.
[5] 刘华，高大启.RBF_LBF 串联神经网络的分类应用及其学习算法[J].计算机应用，2004，24（10）：100?104.
[6] 邓秋香.神经网络串并联学习算法在B超图像识别中的应用[D].武汉：武汉理工大学，2008.
[7] 张德丰.Matlab神经网络应用设计[M].北京：机械工业出版社，2012.
[8] 陈小宇，乔翠兰，汪瑞祥，等.基于BP算法神经网络的物理实验曲线拟合[J].物理实验，2002，22（9）：10?13.
DOIDOI：10.11907/rjdk.162852
中图分类号：TP319
文献标识码：A文章编号文章编号：16727800（2017）005004704
0引言
图像识别是一项利用计算机对图像进行处理、分析和理解，以识别各种不同模式目标和对象的技术[1]。图像识别技术目前还不能达到人类的认知水平，但在特定应用环境中，可以通过模式识别或者神经网络的方法来对图像中的事物进行分类判断。一般而言，一个数字字符识别系统主要由3个部分组成，如图1所示。
图1系统组成
其中，预处理模块将图片格式（例如JPG格式）转换为计算机能识别的二进制数据流；图像处理模块则实现图像采集与转换、边缘提取、归一化等功能；字符识别模块可以由两种方法实现：模式识别或者神经网络方式，本文系统采用神经网络方式。
1识别目标及预期结果
此系统识别目标是在没有强干扰下，系统能够准确识别出图片中的0～9这10个数字。示例图片如图2所示。
系统识别中所用到的含单个数字的图片取自图2，均为纯色背景（不一定必须为白色背景）图片，且图片中数字图像无较大噪声干扰。系统经过一系列处理后，能成功识别，给出识别结果，并且给出处理过程中各个阶段的图片，以便更好地理解图像处理过程。
2预处理
预处理是将图片二值化的过程。预处理的目的简单来说就是把彩色图片处理为计算机更好处理的二进制数据流。预处理的过程主要分两部分：彩色图转灰白图，灰白图转二进制矩阵形式数据。
目前用于彩色图转换为灰度图的基本算法主要有：最大值法、平均值法、加权法，本文采用加权法。加权法的主要思想是设当前像素的三分量分别为R，G，B，然后利用公式（1）得到转换后的像素分量值：
GRAY=0.3*R+0.59*G+0.11*B（1）
在MATLAB中，函数img2gray就是采用加权法实现的。图像二值化就是将图像像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的黑白效果。二值化的处理过程是将图像中有意义的特征和需要应用的特征进行分割，利用前景和背景灰度特性的差异，低于阈值的像素设定为一个灰度值，高于阈值的像素设定为另一个灰度值。这样可将前景色与背景色以明显差异的灰度级区分开来[2]。阈值选取有手动选取和自适应选取两种方法。MATLAB中图像二值化的实现主要依靠im2bw函数来实现。图像二值化过程中，最重要的是阈值变换。比如数组a=[120，254，0，200，99]，设定一个阈值125，并对a进行阈值变换，那么a中凡是大于125的，则变为255，小于等于125的则变为0。具体对临界情况处理可能不同，不过MATLAB中im2bw函数是按照上述方法处理的。a经过阈值变换后变为[0，255，0，255，0]。在MATLAB中使用im2bw函数进行图像二值化处理时（将图像转换为二值图像），人为设定阈值并不总是十分有效。MATLAB工具箱提供了graythresh函数[3]。该函数使用最大类间方差法得到一个阈值，利用这个阈值进行图像二值化通常有效。
经过预处理后得到的二值化图像，还要经过一系列图像处理过程，才能用于神经网络训练。
3图像处理
图像处理的目的是将图片变为神经网络能处理的数据流。图像处理流程如下：
（1）利用梯度锐化。使得图像更加突出，以便分析。算法：当前点像素值与其下一个像素值之差的绝对值，加上当前点像素值与其下一行当前像素值之差的绝对值，如果结果大于阈值，则当前像素值置为此结果。
（2）去除离散噪声。利用递归方法查找当前像素8个方向是否存在黑色像素，这里设置连续长度为15，如果用递归方法得到连续像素值大于15，则认为不是噪声；相反，则认为是噪声，则置为白色像素。
（3）字符倾斜度调整。尽量保存每个字符的位置一致。
（4）分割字符。找出每个字符的区域，用矩形记录，记录每个字符矩形数据。
（5）字符归一化。根据图像预处理准备阶段设置的归一化标准，把每个字符的区域进行归一化，使得所有字符区域矩形一样大，只是位置不一样。
（6）字符紧密排列。把所有字符紧密排列，以备识别使用。
本文示例样本图片中只有单个数字，且无较大干扰，所以不需要去除离散噪声、字符倾斜度调整、分割字符和字符紧密排列等步骤。经过预处理的图像数据，只需要进行锐化和归一化处理，就可以用于神经网络训练。
图像梯度锐化的目的是使原来的模糊图像变得清晰。MATLAB中使用的梯度函数为gradient函数。Gradient（F）函数求的是数值上的梯度，计算规则：[Fx，Fy]=gradient（F），其中Fx为其水平方向上的梯度，Fy为其垂直方向上的梯度，Fx的第一列元素为原矩阵第二列与第一列元素之差，Fx的第二列元素为原矩阵第三列与第一列元素之差除以2，以此类推，如公式（2）。
最后一列则为最后两列之差。同理，可以得到Fy。
归一化就是把需要处理的数据经过处理后（通过某种算法）限制在要求范围内。对于图像处理中的w一化而言，就是将所有数字图像中的字符归化成为一个具有同一高度、同一宽度的图像，也即让其中的字符具有同样规格。MATLAB中用于实现图像矩阵归一化功能的函数是mat2gray函数[5]。该函数在数字图像处理中经常用到，归一化的具体流程如图4所示。
经过归一化处理之后的图片数据，将其存储在一个矩阵中，用于神经网络的训练。
4神经网络训练
人工神经网络算法主要有两种：一种是先对待识别字符进行特征提取，然后用所获得的特征来训练神经网络分类器[6]；另一种方法是直接把待处理图像输入网络，由网络自动实现特征提取直至识别出结果。前一种方法识别结果与特征提取有关，而特征提取比较耗时。因此，特征提取是关键。后一种方法无需特征提取和模板匹配，随着相关技术的进步，这种方法更实用。
神经网络有许多种，在MATLAB中已经有集成神经网络工具箱。本文系统中，对数字图像的识别采用BP神经网络来进行训练。BP神经网络为前馈神经网络，网络的学习状态为有导师学习状态。它是一种具有学习能力和记忆能力的神经网络，主要由输入层、中间层、输出层3个部分组成。输入层、中间层和输出层可以具有不同数量的节点，具体数量随需求而定，没有具体的标准。单层神经网络结构如图6所示。
BP神经网络是误差反传误差反向传播算法的学习过程，由误差的反向传播和信息的正向传播两个过程组成[7]。输入层各神经元首先接收来自外界的输入信息，然后传递给中间层各神经元；输入信息经过中间层内部信息处理，实现信息变换，按照信息变化能力需要，中间层可以布局成多隐层或者单隐层结构；最后，一个隐层传递把信息传递给输出层，通过进一步处理，实现一次学习的正向传播处理过程，输出层把信息处理结果输向外界。当输出结果和预先期望效果不符时，就进行误差反向传播。误差通过输出层，根据误差梯度下降的方式改变各层权值，由隐层向输入层依次反传。多次交替的信息正向传播和误差反向传播过程，是各层连续修正的过程，也是神经网络学习训练的过程，这个步骤一直执行到最终输出的误差降低到能够接受的范围，或者预先输入的学习次数为止。
此系统中所使用的神经网络在中间层设置25个节点，1个输出节点。此系统采用三层神经网络来实现。采用s型对数函数logsig作为隐含层各神经元的传递函数，并采用纯线性函数purelin作为输出层各神经元的传递函数。此神经网络的训练函数采用traingdx，学习模式函数为learngdm。训练步数最长设为5 000，性能目标设为0.001。
神经网络模块的部分代码如下：
net=newff（pr，[25 1]，{'logsig' 'purelin'}，'traingdx'，'learngdm'）；
net.trainParam.epochs=5000；
net.trainParam.goal=0.001；
pr为前面图像处理所获得的矩阵数据。
神经网络的训练结果如图7所示。神经网络的性能曲线如图8所示。
5用艚换
考虑到该系统具有一定交互功能，让用户能自主选择需要识别的图片，向系统中添加如下代码段：
test=input（'请输入用于测试的图片编号：'，'s'）；
x=imread（test，'jpg'）；
开始运行时，会提醒用户选择需要识别的图片编号，效果如图9所示。
用户输入需要识别的图片序号后，系统给出识别结果和图像处理各阶段中的图片，此处用subplot函数来实现一个窗口中显示多张图片的效果，部分代码如下：
6结语
通过样本识别验证，本文数字识别系统具有一定识别精度。本系统基本做到样本图片的100%识别，对于其它只有单数字的图片，经过训练之后，也能准确识别。本系统实现了部分人机交互功能，能让用户自主选择需要识别的图片，并输出识别结果和各个处理过程中的图片。
参考文献参考文献：
[1]冈萨雷斯.数字图像处理（MATLAB版）[M].阮秋琦，译.北京：电子工业出版社，2006.
[2]梁路宏，艾海舟，徐光佑，人脸检测研究综述[J].计算机学报，2002，25（5）：449458.
[3]罗华飞.MATLAB GUI设计学习手记[M].北京：北京航空航天大学出版社，2009.
[4]聂影.MATLAB软件应用研究[J].软件导刊，2014，13（7）：102104.
【Abstract】active queue management （AQM） plays a significant role in network congestion. A new adaptive pid controller for AQM is presented to overcome the shortcomings of pid AQM， such as parameters cannot be adjusted with time， cannot be adapted to the dynamic and nonlinear network. The new algorithm combines the advantages of both PID controller and neural network algorithm，at the same time， the new AQM algorithm is superior to a typical pid controller on the time delay， throughput and queue stability.
【Key words】Neural network； PID controller； AQM
0 引言
近年来人们对计算机网络的服务质量要求越来越高，路由器的主动队列管理（AQM）是一项减少端到端的时间延时和吞吐量的重要技术。随机早期检测算法（Random Early Detection， RED）是最早提出的符合主动队列管理思想的算法，它的基本思想是在缓冲区溢出或网络拥塞发生之前随机的丢弃数据包。对于不同的网络条件，RED算法的参数很难调整，同时RED算法的参数对不同网络负载非常敏感。
随着TCP协议和模拟计算机网络的发展，基于控制理论的AQM成为了一个研究热点。相比RED算法，在AQM中基于经典控制理论的P与PI控制器都有很好的队列稳定性，但它们的响应速度较慢。文献1基于增益和相位裕度提出了一种PID控制器，它比RED算法具有更好的队列稳定性，但PID控制器的参数很难调整，尤其是在不确定的时变网络环境中更难调整。为了解决AQM和ECN标记的问题，文献[2]提出了一种基于神经网络的自适应PID控制器，为了克服PID控制器在AQM中的不足，本文基于神经网络提出了一种改进的PID控制算法，新算法结构简单易于实现。
1 TCP/AQM系统模型
根据流体流动理论，Misra[3]利用非线性微分方程对TCP窗W（t）和队列行为函数q（t）进行了描述，
为了分析系统的稳定性，在图1中给出了线性化的AQM控制系统框图
传输函数C（s）表示AQM的控制策略，例如RED算法或PID控制器。图1中对象传输函数P（s）可以表示为网络参数，即P（s）=Ptcp（s）Pqueue（s）。
2 基于神经网络PID控制器的设计
文献[4]首先提出了基于神经网络的PID控制器，本文基于在线自学习和任意函数近似表示性能，利用PID控制器解决网络拥塞问题。在AQM中，我们根据网络的变化对损失概率进行调整，由于信息源能根据丢包程度不同随时间进行响应，因此我们采用一个简单的基于神经网络的PID控制器（SPIDNN）作为输出。SPIDNN是三层前馈神经网络，其结构设定为2 * 3 * 1。神经网络的输入层有两个神经元，可以接收两个输入信息。隐含层有三个神经元，它们分别是比例、积分、微分神经元，这些神经元可以实现比例、积分、微分操作。输出层只有一个神经元作为控制器的输出，图2是一个基于神经网络的PID控制器框图。
3 两种提高SPIDNN学习率的方法
一种是附加动量法。在从输入层到输出层网络权值学习的过程中，我们不仅要考虑误差在梯度中所起的作用，同时还要考虑误差的影响趋势。为了避免在学习过程中的权值振荡，收敛速度慢和目标函数陷入局部极小值，我们可以用附加动量法。该方法从本质上考虑先前的权值在当前权值中所起的作用，因此它能确保权值调整方向的正确性，最终通过反响传播算法得到新的权值。权值调整的新规则如下：
另一种是自适应学习速率法。在SPIDNN算法中？浊是学习速率，它的值影响SPIDNN的学习速度，如果学习率小，该算法的收敛性较好，但学习速度慢。如果学习率大，学习速度快，但该系统易于振荡。在学习速率固定的情况下，很难在收敛和学习速度间得到一个平衡。通常人们根据根据经验来选取学习率。对于一个固定的学习率，训练开始是更好的，但在后面的训练中可能就不适合了。为了解决这个问题，可以在训练过程中不断调节学习率。
自适应学习速率法的基本思想是：将当前误差与先前误差进行对比，如果误差反弹或上升，表明过调制，然后我们就减少学习率。如果误差一直在下降，表明学习率较小应该增大，当误差再次反弹时，我们再次减小学习速率，从而反复对收敛速度进行调整，这种方法也避免了自适应学习陷入局部极小。自适应学习率的计算公式如下：
4 小结
本文提出一种新的应用于AQM的神经网络PID控制器算法，提出了两种学习率改进方法，本文算法结合了PID控制和神经网络算法两者的优点，同时在时延、吞吐量和稳定性方面均优于一般的PID控制器。
【参考文献】
[1]Chu S Y， Teng C C. Tuning of PID controllers based on gain and phase margin specifications using fuzzy neural network[J]. Fuzzy sets and systems， 1999，101（1）： 21-30.
1、引言
为了克服传统人工定期现场抄表技术复杂、信息不及时、人为误差大、管理不方便、人力物力浪费等缺点,随着经济的发展,迫切需要研究开发出一种智能远程动态抄表系统,保证电力运营商进行电能经济合理的计量管理。本文利用改进bp神经网络强大数据分析处理、模型自动学习预测等功能,对视频扫描获得的远程电能数据进行集中模块化“学习”训练,获得相应的模块约束值和预定值,并通过计算机程序自动进行图像数据,最终形成动态的电能数据表格,为电能远程自动采集提供了丰富的理论技术。
2、抄表技术概况
2.1 传统人工抄表
传统人工抄表是通过电力运营商雇佣相应电能抄表员登门查表,完成电能抄表校对工作。随着电网规模的扩大,加上电力用户分散,给供电企业抄表带来的巨大的困难。抄表员需要花大量的时间进行抄表和电能数据校对工作,大大增加了电力运营商的负担,造成了大量的人力浪费,同时由于人为误差的存在,给电力用户带来了许多不便,整个电能的抄录过程在时间上存在着明显的离散性,不利于电力运营商的统一管理。
2.2 远程自动抄表
随着电力电子技术和计算机通信技术的不断成熟,远程自动抄表技术已经逐步取代传统人工抄表技术,成为电力运营企业电能抄表的核心技术。远程抄表系统一般由电能检测表计、视频数据采集模块、数据储存模块、数据通信模块、计算机综合数据管理模块五大部分构成,整个系统采用集散式典型结构,具有明显的树型综合通信结构,利用综合通信技术实现了对电能数据的实时动态采集,便于电力运营商进行电能的检测、综合数据分析管理和收费自动化的要求的实现。
3、改进bp神经网络
改进bp是一种基于误差反馈综合比较的神经网络,由于该模型不需要具有精确的数学模型,只需要将外界已知的原始数据作为系统的输入,对整个网络模型进行“学习”训练,网络层通过输入层(input)获得相关的数据信息,通过中间层(recurrent)进行数据信息处理,再通过输出层(output)获得对应的数据信息。
4、图像识别
数字识别技术包括图像处理和数据识别两项重要的任务,是利用计算机对图像分析处理的核心,在目前较多的图像识别、图像复原、图像预测等领域得到了广泛的发展。
4.1 图像采集模块
图像采集器由视频监控单元、coms图像传感器单元、环境照明、数据初步处理单元(dsp)及rs-485通信网络单元。图像采集模块的系统结构图如图1所示:
图1中,利用低端coms图像传感器对电能数据进行采集,当采集系统核心单片机系统收到通信网络传输的上级电能数据读取命令时,通过内部控制立即打开coms图像传感器,在照明灯的帮助下,实现对电能数据的拍摄。单片机数据处理中心进行对刚拍摄的电能图像数据进行裁剪和压缩,形成系统默认的图像格式,并通过ram储存模块进行保存,完成对电能数据的实时动态采集。当单片系统获得上级发出的图片传送命令时,就会用串行方式通过rs485网络将电能图像数据传输给改进bp神经网络系统,进行相应的数据分析,获得实时动态的电能数据。
4.2图象特征提取
通过图像采集器采集到的电能数据图像,需要通过数据提取技术将图像中所包含的数据信息从模拟化状态提取为实际计算机默认的二维代码,供给改进bp神经网络系统进行学习判断。在图像特征值提取过程中,广泛采用字符分割和数据归一化等技术,将不规则的图像信息转变为规则整齐的数据信号,并作为特征向量矩阵供给改进bp网络系统进行训练,就可以实现改进bp网络的图像字符的识别。
5、实例分析
5.1 仿真结果
为了验证基于改进bp网络电能预测系统的可靠性,利用已采集的图像和图像中所包含的实际电能数字作为改进bp神经网络的学习样本。将图像中实际数字作为输出矩阵, 原始图像信息作为神经网络的输入数据,采用反馈误差最小思想对改进bp神经网络进行“学习”训练,通过系统自动学习获得模型的权值和阀值。本次实验采用10组数据进行分析,其结构如表1所示。
从表1中所获得结构可知,通过改进bp神经网络对视频采集到的电能数据图片特征进行分析识别,其获得对应电能数据的识别率高达99%以上,且整个系统的误差都在10-2量级以内,说明了整个系统的建模精度十分的高,可以满足图像识别技术的要求,达到了电能数据远程采集、自动传输、数字识别等功能,给电能远程采集提供了一个新的研究思路。
6、结束语
改进bp神经网络具有明显的非线性数据处理能力,能够对图像特征数字等进行预测判断,可以有效提高电能数据的处理效率和精度。利用coms图像采集单元,将远程的电能数据信息通过摄像功能进行拍摄,通过单片机进行图像的预处理,变成系统默认的图片格式,并通过ram储存器进行图片信息保存,在上级命令的驱动下自动采集和传输电能数据图像。并通过rs485传输给神经网络系统,通过系统自动识别完成对电能数据的分析,实现电能数据的综合分析。基于改进bp神经网络的远程电能采集系统实现远程电能数据采集、分析判断和统一管理,提高了运营商的电能合理经济的计量管理水平。
参考文献
[1] 李国华等.身份证号码的自动识别系统[j].华南理工大学学报,2002,(3):94-96.
[2] 崔政.一种在线图像编码识别系统的设计[j].微计算机信息,2006,22(2):243-245.
1、引言
为了克服传统人工定期现场抄表技术复杂、信息不及时、人为误差大、管理不方便、人力物力浪费等缺点,随着经济的发展,迫切需要研究开发出一种智能远程动态抄表系统,保证电力运营商进行电能经济合理的计量管理。本文利用改进bp神经网络强大数据分析处理、模型自动学习预测等功能,对视频扫描获得的远程电能数据进行集中模块化“学习”训练,获得相应的模块约束值和预定值,并通过计算机程序自动进行图像数据,最终形成动态的电能数据表格,为电能远程自动采集提供了丰富的理论技术。
2、抄表技术概况
2.1 传统人工抄表
传统人工抄表是通过电力运营商雇佣相应电能抄表员登门查表,完成电能抄表校对工作。随着电网规模的扩大,加上电力用户分散,给供电企业抄表带来的巨大的困难。抄表员需要花大量的时间进行抄表和电能数据校对工作,大大增加了电力运营商的负担,造成了大量的人力浪费,同时由于人为误差的存在,给电力用户带来了许多不便,整个电能的抄录过程在时间上存在着明显的离散性,不利于电力运营商的统一管理。
2.2 远程自动抄表
随着电力电子技术和计算机通信技术的不断成熟,远程自动抄表技术已经逐步取代传统人工抄表技术,成为电力运营企业电能抄表的核心技术。远程抄表系统一般由电能检测表计、视频数据采集模块、数据储存模块、数据通信模块、计算机综合数据管理模块五大部分构成,整个系统采用集散式典型结构,具有明显的树型综合通信结构,利用综合通信技术实现了对电能数据的实时动态采集,便于电力运营商进行电能的检测、综合数据分析管理和收费自动化的要求的实现。
3、改进bp神经网络
改进bp是一种基于误差反馈综合比较的神经网络,由于该模型不需要具有精确的数学模型,只需要将外界已知的原始数据作为系统的输入,对整个网络模型进行“学习”训练,网络层通过输入层(input)获得相关的数据信息,通过中间层(recurrent)进行数据信息处理,再通过输出层(output)获得对应的数据信息。
4、图像识别
数字识别技术包括图像处理和数据识别两项重要的任务,是利用计算机对图像分析处理的核心,在目前较多的图像识别、图像复原、图像预测等领域得到了广泛的发展。
4.1 图像采集模块
图像采集器由视频监控单元、coms图像传感器单元、环境照明、数据初步处理单元(dsp)及rs-485通信网络单元。图像采集模块的系统结构图如图1所示:
图1中,利用低端coms图像传感器对电能数据进行采集,当采集系统核心单片机系统收到通信网络传输的上级电能数据读取命令时,通过内部控制立即打开coms图像传感器,在照明灯的帮助下,实现对电能数据的拍摄。单片机数据处理中心进行对刚拍摄的电能图像数据进行裁剪和压缩,形成系统默认的图像格式,并通过ram储存模块进行保存,完成对电能数据的实时动态采集。当单片系统获得上级发出的图片传送命令时,就会用串行方式通过rs485网络将电能图像数据传输给改进bp神经网络系统,进行相应的数据分析,获得实时动态的电能数据。
4.2图象特征提取
通过图像采集器采集到的电能数据图像,需要通过数据提取技术将图像中所包含的数据信息从模拟化状态提取为实际计算机默认的二维代码,供给改进bp神经网络系统进行学习判断。在图像特征值提取过程中,广泛采用字符分割和数据归一化等技术,将不规则的图像信息转变为规则整齐的数据信号,并作为特征向量矩阵供给改进bp网络系统进行训练,就可以实现改进bp网络的图像字符的识别。
5、实例分析
5.1 仿真结果
为了验证基于改进bp网络电能预测系统的可靠性,利用已采集的图像和图像中所包含的实际电能数字作为改进bp神经网络的学习样本。将图像中实际数字作为输出矩阵, 原始图像信息作为神经网络的输入数据,采用反馈误差最小思想对改进bp神经网络进行“学习”训练,通过系统自动学习获得模型的权值和阀值。本次实验采用10组数据进行分析,其结构如表1所示。
从表1中所获得结构可知,通过改进bp神经网络对视频采集到的电能数据图片特征进行分析识别,其获得对应电能数据的识别率高达99%以上,且整个系统的误差都在10-2量级以内,说明了整个系统的建模精度十分的高,可以满足图像识别技术的要求,达到了电能数据远程采集、自动传输、数字识别等功能,给电能远程采集提供了一个新的研究思路。
6、结束语
改进bp神经网络具有明显的非线性数据处理能力,能够对图像特征数字等进行预测判断,可以有效提高电能数据的处理效率和精度。利用coms图像采集单元,将远程的电能数据信息通过摄像功能进行拍摄,通过单片机进行图像的预处理,变成系统默认的图片格式,并通过ram储存器进行图片信息保存,在上级命令的驱动下自动采集和传输电能数据图像。并通过rs485传输给神经网络系统,通过系统自动识别完成对电能数据的分析,实现电能数据的综合分析。基于改进bp神经网络的远程电能采集系统实现远程电能数据采集、分析判断和统一管理,提高了运营商的电能合理经济的计量管理水平。
参考文献
[1] 李国华等.身份证号码的自动识别系统[j].华南理工大学学报,2002,(3):94-96.
[2] 崔政.一种在线图像编码识别系统的设计[j].微计算机信息,2006,22(2):243-245.
