MATLAB大作业

课程报告。题目：神经网络**与应用

姓名：吴彬斌。

专业：建筑与土木工程。

教师：王德玲副教授。

时间： 2012-2013学年第一学期

rbf神经网络即径向基函数神经网络（radical basis function）。径向基函数神经网络是一种高效的前馈式神经网络，它具有其他前向网络所不具有的最佳逼近性能和全局最优特性，并且结构简单，训练速度快。同时，它也是一种可以广泛应用于模式识别、非线性函数逼近等领域的神经网络模型。

rbf神经网络是一种性能优良的前馈型神经网络，rbf网络可以任意精度逼近任意的非线性函数，且具有全局逼近能力，从根本上解决了bp网络的局部最优问题，而且拓扑结构紧凑，结构参数可实现分离学习，收敛速度快。rbf网络和模糊逻辑能够实现很好的互补，提高神经网络的学习泛化能力。

rbf网络的局部接受特性使得其决策时隐含了距离的概念，即只有当输入接近rbf网络的接受域时，网络才会对之作出响应。这就避免了bp网络超平面分割所带来的任意划分特性。在rbf 网络中，输入层至输出层之间的所有权重固定为1，隐层rbf单元的中心及半径通常也预先确定，仅隐层至输出层之间的权重可调。

rbf网络的隐层执行一种固定不变的非线性变换，将输入空间rn映射到一个新的隐层空间 rh，输出层在该新的空间中实现线性组合。显然由于输出单元的线性特性，其参数调节极为简单，且不存在局部极小问题。

rbf神经网络除了具有一般神经网络的优点，如多维非线性映射能力，泛化能力，并行信息处理能力等，还具有很强的聚类分析能力，学习算法简单方便等优点；径向基函数(rbf) 神经网络是一种性能良好的前向网络，利用在多维空间中插值的传统技术，可以对几乎所有的系统进行辩识和建模，它不仅在理论上有着任意逼近性能和最佳逼近性能，而且在应用中具有很多优势，如和sigmo id 函数作为激活函数的神经网络相比，算法速度大大高于一般的bp 算法。

已经证明：一个rbf网络，在隐层节点足够多的情况下，经过充分学习，可以用任意精度逼近任意非线性函数，而且具有最优泛函数逼近能力，另外，它具有较快的收敛速度和强大的抗噪和修复能力。在理论上，rbf网络和bp网络一样能以任意精度逼近任何非线性函数。

但由于它们使用的激励函数不同，其逼近性能也不相同。已经被证明，rbf网络是连续函数的最佳逼近，而bp网络不是。bp网络使用的sigmoid函数具有全局特性，它在输入值的很大范围内每个节点都对输出值产生影响，并且激励函数在输入值的很大范围内相互重叠，因而相互影响，因此bp网络训练过程很长。

此外，由于bp算法的固有特性，bp网络容易陷入局部极小的问题不可能从根本上避免，并且bp网络隐层节点数目的确定依赖于经验和试凑，很难得到最优网络。采用局部激励函数的rbf网络在很大程度上克服了上述缺点，rbf不仅有良好的泛化能力，而且对于每个输入值，只有很少几个节点具有非零激励值，因此只需很少部分节点及权值改变。学习速度可以比通常的bp算法提高上千倍，容易适应新数据，其隐层节点的数目也在训练过程中确定，并且其收敛性也较bp网络易于保证，因此可以得到最优解。

基于神经网络的水循环系统故障诊断。

问题背景。水循环系统是锅炉系统中的一个控制单元，用于对锅炉的用水供给和冷却，其组成结构如下图所示。

贮藏在沉淀水池中的水，经过过滤器将杂质过滤后送入离心泵的入口，流经泵体进行循环，离心泵则由电机进行驱动。

水循环冷却系统的工作流程是冷却水经离心泵加压后流至喷淋塔顶部的喷淋头，喷淋头在此与自下而上的冷却气体进入热交换。冷却水经换热后温度升高，在塔内积存起来，并保持一定液位，防止气体逸出。塔底的排水管排出的冷却水进入凉水塔，在凉水塔中冷却水由风扇鼓出的凤进行冷却后，回到沉淀池，整个水循环一周。

对于以上水循环系统构建一个故障诊断模块，自动地从该系统当前工艺参数中辨别和判断故障，既可避免控制人员对大量工艺参数进行检测，又可以使控制人员更全面地判断当前生产状态和**将来的情况，从而及时采取有效应对措施。水循环系统的故障诊断对于现场控制人员来说是非常有用的。

问题实例。水循环系统故障诊断实例。通过传感器采集的试验数据，建立锅炉水循环系统故障诊断神经网络，运用该神经网络进行水循环系统的故障诊断。

水循环系统故障类型集包含为3种状态，其编码如表1所示。

表1 水循环系统故障类型集。

采集参数包括监测点的进口压力（x1），出口压力（x2），出流量（x3），轴承温度（x4），及电机电流（x5），以此实验数据加故障类型编码向量构成输入样本，如表2所示。此数据存于excel文件16_5_p中。

表2 输入样本。

1 定义输入样本向量。输入如下命令：

filename, pathname] =uigetfile('16_5_')

file=[pathname filename];

x=xlsread(file);

p=x; p=p';

2 定义期望输出向量，其中3种故障类型的编码格式如表1所示。在matlab命令空间中输入命令：

t1=[1 0 0]'

t2=[0 1 0]'

t3=[0 0 1]'

t = t1 t1 t1 t1 t1 t2 t2 t2 t2 t2 t3 t3 t3 t3 t3];

3 构建神经网络，此处采用径向基神经网络进行故障判断。输入命令：

spread = 0.6;

net = newrbe(p,t,spread);

网络选用的散步常数值设定为0.6。

4 应用验证样本对此网络进行**测试，一共有6个测试样本，其定义如表3所示，这些数据存于excel文件16_5_ptest文件中。

表3 测试样本。

输入命令：filename, pathname] =uigetfile('16_5_')

file=[pathname filename];

xtest=xlsread(file);

ptest=xtest;

ptest=ptest';

ans = sim(net, ptest),输出结果为：ans =

将**结果列表，如表4所示。

可以看到的，上述构造的rbf神经网络能够用于此锅炉水循环系统的故障诊断。需要说明的是，散步常数是一个可调的值，对于不同的散步常数，生成的网络性能是不一样的。

MATLAB大作业

matlab大作业

MATLAB大作业

MATLAB大作业

其他用户还读了