畢業(yè)設(shè)計(jì)開題報(bào)告 神經(jīng)網(wǎng)絡(luò)在信號(hào)預(yù)測(cè)中的應(yīng)用

《畢業(yè)設(shè)計(jì)開題報(bào)告 神經(jīng)網(wǎng)絡(luò)在信號(hào)預(yù)測(cè)中的應(yīng)用》由會(huì)員分享，可在線閱讀，更多相關(guān)《畢業(yè)設(shè)計(jì)開題報(bào)告 神經(jīng)網(wǎng)絡(luò)在信號(hào)預(yù)測(cè)中的應(yīng)用（5頁(yè)珍藏版）》請(qǐng)?jiān)谘b配圖網(wǎng)上搜索。

1、畢業(yè)設(shè)計(jì)開題報(bào)告 題目： 神經(jīng)網(wǎng)絡(luò)在信號(hào)預(yù)測(cè)中的應(yīng)用 專業(yè)： 指導(dǎo)教師： 學(xué)院： 自動(dòng)化 學(xué)號(hào)： 班級(jí)： 姓名： 關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò) 信號(hào)預(yù)測(cè) 一、 選題的目的、意義： 在科學(xué)研究和工程應(yīng)用中，為了有效的獲取信息以及利用信息，必須對(duì)信號(hào)進(jìn)行分析處理與預(yù)測(cè)。信號(hào)預(yù)測(cè)是分析與處理的基礎(chǔ)上進(jìn)行的。在大型復(fù)

2、雜的系統(tǒng)控制中都需要信號(hào)的預(yù)測(cè)控制，通常需要大量的數(shù)學(xué)運(yùn)算和借助計(jì)算機(jī)編制相應(yīng)的程序達(dá)到信號(hào)加工變換的目的。目前流行用BASIC、FORTRAN 和C語(yǔ)言編制程序既需要對(duì)有關(guān)算法有深刻的了解,又需熟練掌握所用語(yǔ)言的語(yǔ)法和編程技巧，同時(shí)具備這兩方面的能力有一定困難。并且編制程序是復(fù)雜的，不僅浪費(fèi)人力和物力，且影響工作進(jìn)程和效率。在這種情況下，就想找到一種現(xiàn)成的仿真軟件。 MATLAB現(xiàn)已成為國(guó)際上公認(rèn)的最優(yōu)秀的數(shù)值計(jì)算和仿真分析軟件。神經(jīng)網(wǎng)絡(luò)工具箱是MATLAB環(huán)境下所開發(fā)出來(lái)的許多工具箱之一，它是以人工神經(jīng)網(wǎng)絡(luò)理論為基礎(chǔ)，用MATLAB語(yǔ)言構(gòu)造出典型神經(jīng)網(wǎng)絡(luò)的激活函數(shù)。用MATLAB可以編寫

3、各種網(wǎng)絡(luò)設(shè)計(jì)與訓(xùn)練的子程序，并根據(jù)自己的需要去調(diào)用有關(guān)神經(jīng)網(wǎng)絡(luò)的工具箱。 自20世紀(jì)80年代初興起第二次的神經(jīng)網(wǎng)絡(luò)熱潮以來(lái)，神經(jīng)網(wǎng)絡(luò)以它特有的自學(xué)習(xí)、自組織、聯(lián)想記憶和并行處理等功能，被應(yīng)用到眾多的領(lǐng)域。人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks， 簡(jiǎn)寫為ANNs）也簡(jiǎn)稱為神經(jīng)網(wǎng)絡(luò)（NNs）或稱作連接模型（Connectionist Model），是對(duì)人腦或自然神經(jīng)網(wǎng)絡(luò)（Natural Neural Network）若干基本特性的抽象和模擬。人工神經(jīng)網(wǎng)絡(luò)以對(duì)大腦的生理研究成果為基礎(chǔ)的，其目的在于模擬大腦的某些機(jī)理與機(jī)制，實(shí)現(xiàn)某個(gè)方面的功能。并且特有非線性適應(yīng)性信息處理

4、能力。 信號(hào)是聲、光、電等運(yùn)載消息的物理量，它們是時(shí)間或空間的函數(shù)，所攜帶的消息就在變化之中。其中，確定性信號(hào)對(duì)任意一時(shí)刻都對(duì)應(yīng)有確定的函數(shù)值，包括未來(lái)時(shí)刻；隨機(jī)信號(hào)不遵循任何確定性規(guī)律變化，未來(lái)值不能用精確的時(shí)間函數(shù)描述，一般的方法是很難準(zhǔn)確地預(yù)測(cè)。相比之下，神經(jīng)網(wǎng)絡(luò)在這方面顯示了明顯的優(yōu)越性。近年來(lái)，人們將神經(jīng)網(wǎng)絡(luò)模型引入系統(tǒng)建模和辨識(shí)中，利用神經(jīng)網(wǎng)絡(luò)所具有的對(duì)任意非線性映射的任意逼近的能力，來(lái)模擬實(shí)際輸入-輸出關(guān)系。 人是萬(wàn)物之靈，區(qū)別人與動(dòng)物的是其發(fā)達(dá)的大腦及進(jìn)化的智慧。研究神經(jīng)網(wǎng)絡(luò)，特別是神經(jīng)學(xué)習(xí)的機(jī)理，對(duì)認(rèn)識(shí)和促進(jìn)人自身發(fā)展有特殊的意義。 BP神經(jīng)網(wǎng)絡(luò) 在人工神經(jīng)網(wǎng)絡(luò)發(fā)展

5、歷史中，很長(zhǎng)一段時(shí)間里沒有找到隱層的連接權(quán)值調(diào)整問(wèn)題的有效算法。直到誤差反向傳播算法（BP算法）的提出，成功地解決了求解非線性連續(xù)函數(shù)的多層前饋神經(jīng)網(wǎng)絡(luò)權(quán)重調(diào)整問(wèn)題。 　　BP (Back Propagation)神經(jīng)網(wǎng)絡(luò)，即誤差反傳誤差反向傳播算法的學(xué)習(xí)過(guò)程，由信息的正向傳播和誤差的反向傳播兩個(gè)過(guò)程組成。輸入層各神經(jīng)元負(fù)責(zé)接收來(lái)自外界的輸入信息，并傳遞給中間層各神經(jīng)元；中間層是內(nèi)部信息處理層，負(fù)責(zé)信息變換，根據(jù)信息變化能力的需求，中間層可以設(shè)計(jì)為單隱層或者多隱層結(jié)構(gòu)；最后一個(gè)隱層傳遞到輸出層各神經(jīng)元的信息，經(jīng)進(jìn)一步處理后，完成一次學(xué)習(xí)的正向傳播處理過(guò)程，由輸出層向外界輸出信息處理結(jié)果。當(dāng)實(shí)際

6、輸出與期望輸出不符時(shí)，進(jìn)入誤差的反向傳播階段。誤差通過(guò)輸出層，按誤差梯度下降的方式修正各層權(quán)值，向隱層、輸入層逐層反傳。周而復(fù)始的信息正向傳播和誤差反向傳播過(guò)程，是各層權(quán)值不斷調(diào)整的過(guò)程，也是神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練的過(guò)程，此過(guò)程一直進(jìn)行到網(wǎng)絡(luò)輸出的誤差減少到可以接受的程度，或者預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止。 　　BP神經(jīng)網(wǎng)絡(luò)模型BP網(wǎng)絡(luò)模型包括其輸入輸出模型、作用函數(shù)模型、誤差計(jì)算模型和自學(xué)習(xí)模型。 　　 （1）節(jié)點(diǎn)輸出模型 　 隱節(jié)點(diǎn)輸出模型：Oj=f(∑WijXi-qj) (1) 　 輸出節(jié)點(diǎn)輸出模型：Yk=f(∑TjkOj-qk) (2) 　　f-非線形作用函數(shù)；q -神經(jīng)單元閾值。 　　圖1

7、 典型BP網(wǎng)絡(luò)結(jié)構(gòu)模型 　　 （2）作用函數(shù)模型 作用函數(shù)是反映下層輸入對(duì)上層節(jié)點(diǎn)刺激脈沖強(qiáng)度的函數(shù)又稱刺激函數(shù)，一般取為(0,1)內(nèi)連續(xù)取值Sigmoid函數(shù)： f(x)=1/(1+e) （3） 　　 （3）誤差計(jì)算模型 誤差計(jì)算模型是反映神經(jīng)網(wǎng)絡(luò)期望輸出與計(jì)算輸出之間誤差大小的函數(shù)： Ep=1/2∑(tpi-Opi) (4) 　tpi- i節(jié)點(diǎn)的期望輸出值；Opi-i節(jié)點(diǎn)計(jì)算輸出值。 　　 （4）自學(xué)習(xí)模型 　　神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程，即連接下層節(jié)點(diǎn)和上層節(jié)點(diǎn)之間的權(quán)重拒陣Wij的設(shè)定和誤差修正過(guò)程。BP網(wǎng)絡(luò)有師學(xué)習(xí)方式-需要設(shè)定期望值和無(wú)師學(xué)習(xí)方式-只需輸入模式之分。自學(xué)習(xí)模型為

8、　　△Wij(n+1)= h ФiOj+a△Wij(n) （5） 　　h -學(xué)習(xí)因子；Фi-輸出節(jié)點(diǎn)i的計(jì)算誤差；Oj-輸出節(jié)點(diǎn)j的計(jì)算輸出；a-動(dòng)量因子。BP神經(jīng)網(wǎng)絡(luò)的應(yīng)用及不足 神經(jīng)網(wǎng)絡(luò)可以用作分類、聚類、預(yù)測(cè)等。神經(jīng)網(wǎng)絡(luò)需要有一定量的歷史數(shù)據(jù)，通過(guò)歷史數(shù)據(jù)的訓(xùn)練，網(wǎng)絡(luò)可以學(xué)習(xí)到數(shù)據(jù)中隱含的知識(shí)。在你的問(wèn)題中，首先要找到某些問(wèn)題的一些特征，以及對(duì)應(yīng)的評(píng)價(jià)數(shù)據(jù)，用這些數(shù)據(jù)來(lái)訓(xùn)練神經(jīng)網(wǎng)絡(luò)。 雖然BP網(wǎng)絡(luò)得到了廣泛的應(yīng)用，但自身也存在一些缺陷和不足，主要包括以下幾個(gè)方面的問(wèn)題。 首先，由于學(xué)習(xí)速率是固定的，因此網(wǎng)絡(luò)的收斂速度慢，需要較長(zhǎng)的訓(xùn)練時(shí)間。對(duì)于一些復(fù)雜問(wèn)題，BP算法需要的訓(xùn)練時(shí)

9、間可能非常長(zhǎng)，這主要是由于學(xué)習(xí)速率太小造成的，可采用變化的學(xué)習(xí)速率或自適應(yīng)的學(xué)習(xí)速率加以改進(jìn)。 其次，BP算法可以使權(quán)值收斂到某個(gè)值，但并不保證其為誤差平面的全局最小值，這是因?yàn)椴捎锰荻认陆捣赡墚a(chǎn)生一個(gè)局部最小值。對(duì)于這個(gè)問(wèn)題，可以采用附加動(dòng)量法來(lái)解決。 再次，網(wǎng)絡(luò)隱含層的層數(shù)和單元數(shù)的選擇尚無(wú)理論上的指導(dǎo)，一般是根據(jù)經(jīng)驗(yàn)或者通過(guò)反復(fù)實(shí)驗(yàn)確定。因此，網(wǎng)絡(luò)往往存在很大的冗余性，在一定程度上也增加了網(wǎng)絡(luò)學(xué)習(xí)的負(fù)擔(dān)。 最后，網(wǎng)絡(luò)的學(xué)習(xí)和記憶具有不穩(wěn)定性。也就是說(shuō)，如果增加了學(xué)習(xí)樣本，訓(xùn)練好的網(wǎng)絡(luò)就需要從頭開始訓(xùn)練，對(duì)于以前的權(quán)值和閾值是沒有記憶的。但是可以將預(yù)測(cè)、分類或聚類做的比較好的

10、權(quán)值保存。 二、國(guó)內(nèi)外研究現(xiàn)狀： 人工神經(jīng)網(wǎng)絡(luò)的發(fā)展歷史 1943年，心理學(xué)家WMcculloch和數(shù)理邏輯學(xué)家WPitts在分析、總結(jié)神經(jīng)元基本特性的基礎(chǔ)上首先提出神經(jīng)元的數(shù)學(xué)模型。此模型沿用至今，并且直接影響著這一領(lǐng)域研究的進(jìn)展。因而，他們兩人可稱為人工神經(jīng)網(wǎng)絡(luò)研究的先驅(qū)。1945年馮諾依曼領(lǐng)導(dǎo)的設(shè)計(jì)小組試制成功存儲(chǔ)程序式電子計(jì)算機(jī)，標(biāo)志著電子計(jì)算機(jī)時(shí)代的開始。1948年，他在研究工作中比較了人腦結(jié)構(gòu)與存儲(chǔ)程序式計(jì)算機(jī)的根本區(qū)別，提出了以簡(jiǎn)單神經(jīng)元構(gòu)成的再生自動(dòng)機(jī)網(wǎng)絡(luò)結(jié)構(gòu)。但是，由于指令存儲(chǔ)式計(jì)算機(jī)技術(shù)的發(fā)展非常迅速，迫使他放棄了神經(jīng)網(wǎng)絡(luò)研究的新途徑，繼續(xù)投身于指令存儲(chǔ)式計(jì)算機(jī)技術(shù)的

11、研究，并在此領(lǐng)域作出了巨大貢獻(xiàn)。雖然，馮諾依曼的名字是與普通計(jì)算機(jī)聯(lián)系在一起的，但他也是人工神經(jīng)網(wǎng)絡(luò)研究的先驅(qū)之一。 　　50年代末，F(xiàn)Rosenblatt設(shè)計(jì)制作了“感知機(jī)”，它是一種多層的神經(jīng)網(wǎng)絡(luò)。這項(xiàng)工作首次把人工神經(jīng)網(wǎng)絡(luò)的研究從理論探討付諸工程實(shí)踐。當(dāng)時(shí)，世界上許多實(shí)驗(yàn)室仿效制作感知機(jī)，分別應(yīng)用于文字識(shí)別、聲音識(shí)別、聲納信號(hào)識(shí)別以及學(xué)習(xí)記憶問(wèn)題的研究。然而，這次人工神經(jīng)網(wǎng)絡(luò)的研究高潮未能持續(xù)很久，許多人陸續(xù)放棄了這方面的研究工作，這是因?yàn)楫?dāng)時(shí)數(shù)字計(jì)算機(jī)的發(fā)展處于全盛時(shí)期，許多人誤以為數(shù)字計(jì)算機(jī)可以解決人工智能、模式識(shí)別、專家系統(tǒng)等方面的一切問(wèn)題，使感知機(jī)的工作得不到重視；其次，當(dāng)時(shí)的電

12、子技術(shù)工藝水平比較落后，主要的元件是電子管或晶體管，利用它們制作的神經(jīng)網(wǎng)絡(luò)體積龐大，價(jià)格昂貴，要制作在規(guī)模上與真實(shí)的神經(jīng)網(wǎng)絡(luò)相似是完全不可能的；另外，在1968年一本名為《感知機(jī)》的著作中指出線性感知機(jī)功能是有限的，它不能解決如異感這樣的基本問(wèn)題，而且多層網(wǎng)絡(luò)還不能找到有效的計(jì)算方法，這些論點(diǎn)促使大批研究人員對(duì)于人工神經(jīng)網(wǎng)絡(luò)的前景失去信心。60年代末期，人工神經(jīng)網(wǎng)絡(luò)的研究進(jìn)入了低潮。 另外，在60年代初期，Widrow提出了自適應(yīng)線性元件網(wǎng)絡(luò)，這是一種連續(xù)取值的線性加權(quán)求和閾值網(wǎng)絡(luò)。后來(lái)，在此基礎(chǔ)上發(fā)展了非線性多層自適應(yīng)網(wǎng)絡(luò)。當(dāng)時(shí)，這些工作雖未標(biāo)出神經(jīng)網(wǎng)絡(luò)的名稱，而實(shí)際上就是一種人工神經(jīng)網(wǎng)絡(luò)

13、模型。隨著人們對(duì)感知機(jī)興趣的衰退，神經(jīng)網(wǎng)絡(luò)的研究沉寂了相當(dāng)長(zhǎng)的時(shí)間。80年代初期，模擬與數(shù)字混合的超大規(guī)模集成電路制作技術(shù)提高到新的水平，完全付諸實(shí)用化，此外，數(shù)字計(jì)算機(jī)的發(fā)展在若干應(yīng)用領(lǐng)域遇到困難。這一背景預(yù)示，向人工神經(jīng)網(wǎng)絡(luò)尋求出路的時(shí)機(jī)已經(jīng)成熟。美國(guó)的物理學(xué)家Hopfield于1982年和1984年在美國(guó)科學(xué)院院刊上發(fā)表了兩篇關(guān)于人工神經(jīng)網(wǎng)絡(luò)研究的論文，引起了巨大的反響。人們重新認(rèn)識(shí)到神經(jīng)網(wǎng)絡(luò)的威力以及付諸應(yīng)用的現(xiàn)實(shí)性。隨即，一大批學(xué)者和研究人員圍繞著 Hopfield提出的方法展開了進(jìn)一步的工作，形成了80年代中期以來(lái)人工神經(jīng)網(wǎng)絡(luò)的研究熱潮。 研究方向 神經(jīng)網(wǎng)絡(luò)的研究可以分為理論研

14、究和應(yīng)用研究?jī)纱蠓矫妗? 理論研究可分為以下兩類： 　 1、利用神經(jīng)生理與認(rèn)知科學(xué)研究人類思維以及智能機(jī)理。 　　 2、利用神經(jīng)基礎(chǔ)理論的研究成果，用數(shù)理方法探索功能更加完善、性能更加優(yōu)越的神經(jīng)網(wǎng)絡(luò)模型，深入研究網(wǎng)絡(luò)算法和性能，如：穩(wěn)定性、收斂性、容錯(cuò)性、魯棒性等；開發(fā)新的網(wǎng)絡(luò)數(shù)理理論，如：神經(jīng)網(wǎng)絡(luò)動(dòng)力學(xué)、非線性神經(jīng)場(chǎng)等。 　　 應(yīng)用研究可分為以下兩類： 　　 1、神經(jīng)網(wǎng)絡(luò)的軟件模擬和硬件實(shí)現(xiàn)的研究。 　　 2、神經(jīng)網(wǎng)絡(luò)在各個(gè)領(lǐng)域中應(yīng)用的研究。這些領(lǐng)域主要包括：模式識(shí)別、信號(hào)處理、知識(shí)工程、專家系統(tǒng)、優(yōu)化組合、機(jī)器人控制等。隨著神經(jīng)網(wǎng)絡(luò)理論本身以及相關(guān)理論、相關(guān)技術(shù)的不斷發(fā)展，神經(jīng)

15、網(wǎng)絡(luò)的應(yīng)用定將更加深入。 三、主要參考資料： 1.神經(jīng)網(wǎng)絡(luò)，候媛彬，杜京義，汪梅編 西安電子科技大學(xué)出版社，2007年。 2. MATLAB 6.5輔助神經(jīng)網(wǎng)絡(luò)分析與設(shè)計(jì)，飛思科技產(chǎn)品研發(fā)中心主編，電子工業(yè)出版社，2003年。 3. 神經(jīng)元網(wǎng)絡(luò)控制，王永驥，涂建編 機(jī)械工業(yè)出版社，1999年 4. 基于人工神經(jīng)網(wǎng)絡(luò)的森林資源管理模型研究，洪偉，吳承禎，何東進(jìn)編 化學(xué)工業(yè)出版社，2004年。 5. MATLAB與SIMULINK工程應(yīng)用，Mohand Mokhtari Michel Marie編，電子工業(yè)出版社，2002年。 6. 信號(hào)分析與處理，趙光宙， 舒勤編機(jī)械工業(yè)出版社

16、2001年8月 四、設(shè)計(jì)內(nèi)容： 本工程設(shè)計(jì)是關(guān)于神經(jīng)網(wǎng)絡(luò)在信號(hào)預(yù)測(cè)中的應(yīng)用mathlab自控設(shè)計(jì)。 畢業(yè)設(shè)計(jì)內(nèi)容包括： 1、畢業(yè)設(shè)計(jì)說(shuō)明書：采用一個(gè)神經(jīng)網(wǎng)絡(luò)對(duì)每個(gè)采樣間隔的信號(hào)值進(jìn)行預(yù)測(cè)。通過(guò)在每個(gè)離散時(shí)刻 增加有效值，推導(dǎo)出估計(jì)預(yù)測(cè)值，在t時(shí)刻和t-1時(shí)刻之間信號(hào)的變化在神經(jīng)網(wǎng)絡(luò)中反向傳播以便進(jìn)行學(xué)習(xí)。 2、設(shè)計(jì)方案，使用技術(shù)。 五、設(shè)計(jì)方法及技術(shù)路線： 1、熟悉mathlab軟件神經(jīng)元設(shè)計(jì) 這是設(shè)計(jì)的第一步。在這個(gè)階段還需要收集信號(hào)處理中的有關(guān)物性參數(shù)和重要數(shù)據(jù)。 2、確定設(shè)計(jì)方案，完成流程圖 了解設(shè)計(jì)方案，充分了解設(shè)計(jì)內(nèi)容，并在此基礎(chǔ)上可畫出流程圖。 3、編制有關(guān)

17、設(shè)計(jì)信息的設(shè)計(jì)文件 確定設(shè)計(jì)方案和流程圖，按照方案提供的數(shù)據(jù)和流程圖，查閱有關(guān)說(shuō)明，選定數(shù)據(jù)、測(cè)試系統(tǒng)可靠性。 4、根據(jù)自控專業(yè)有關(guān)的其他設(shè)備、材料選用等情況，完成有關(guān)的設(shè)計(jì)文件 六、設(shè)計(jì)時(shí)間安排 第0周:根據(jù)前期調(diào)研完成開題報(bào)告，并準(zhǔn)備開題答辯。 第一二三周:熟悉課題任務(wù)書，熟悉相關(guān)軟件的使用 第四周：學(xué)習(xí)使用熟悉相關(guān)軟件。 第五、六周：學(xué)習(xí)使用軟件，設(shè)計(jì)相關(guān)。 第七、八周：弄清程序流程，制定設(shè)計(jì)方案 第九、十周：寫出說(shuō)明書草稿。 第十一、十二周：根據(jù)流程及控制要求進(jìn)行自控裝置的選型，中期檢查。 第十四周：編寫儀表選型參數(shù)表；繪出儀表回路圖。 第十五周：設(shè)計(jì)出程序，調(diào)試結(jié)果等。 第十六周：整理出設(shè)計(jì)說(shuō)明書，準(zhǔn)備答辯。 第十七周：答辯。 七、預(yù)期成果 能夠設(shè)計(jì)開發(fā)出脫硫島工段的的檢測(cè)裝置，實(shí)現(xiàn)對(duì)生產(chǎn)過(guò)程的檢測(cè)；制定出完整的控制方案（包括被控變量、操縱變量、控制閥氣開、氣關(guān)型式、口徑、控制器正反作用的選擇等）；計(jì)算完整的控制閥計(jì)算書；完成裝置選擇并達(dá)到自動(dòng)化裝置選型工藝防爆、防腐要求； 按施工圖設(shè)計(jì)深度繪制出合格圖紙，包括儀表數(shù)據(jù)表、工藝控制流程圖、端子配線圖、儀表回路圖、電纜管纜外部連接系統(tǒng)圖、各個(gè)參數(shù)表圖并提交說(shuō)明書，準(zhǔn)備答辯。