神经网络的鲁棒性精选(九篇)

第1篇：神经网络的鲁棒性范文

Abstract： The article uses theory of complex network structure to analyze the structure characteristics of regional collaborative innovation network. It takes the degree distribution， aggregation coefficient and average shortest path length as the variables to further explore the robustness influence of structure variables on regional collaborative innovation network structure.

关键词： 协同创新；网络结构；鲁棒性；区域发展

Key words： collaborative innovation；network structure；robustness；regional development

中图分类号：F425 文献标识码：A 文章编号：1006-4311（2016）04-0081-03

0 引言

作为具有复杂网络系统一般特征的区域协同网络创新结构，其本身具有生产功能，对区域创新核心要素配置和运行效率起着重要影响作用，亦决定着区域协同创新的行为。可以说，区域协同创新网络结构并非一个静态的概念，它既是区域协同创新要素之间博弈的动态过程，也是区域协同网络结构各节点和链接互动的过程。文章通过对区域协同创新网络结构的内涵、特征及其组成要素进行探索。希望达到对区域协同创新网络结构的系统结构拓扑特征的描述，并以此为前提进一步研究协同创新网络结构的鲁棒性从而实现深入理解和评价区域协同创新的可持续发展能力，为区域协同创新的发展提供理论支撑和现实依据。

1 协同创新网络结构研究现状

我们认为区域协同创新网络结构是指区域内创新主体构成的网络节点之间产生的能够反映区域创新网络结构演化过程的各种正式和非正式的联系。作为创造竞争优势的新范式，区域协同创新网络具有其他形式无法比拟的群体竞争优势及协同整合效应。协同创新网络是各个节点进行资源共享的平台，作为创新主体的节点和链接基于创新的要求进行的彼此间交流和竞争使得创新主体间的相互影响逐渐强化。同时，由于创新自身所呈现出的非线性经营模式的特征，也使得协同创新网络结构呈现出开放性特点，反过来进一步促进了新的创新。特别是当区域中出现了新的和强有力的创新主体或者创新要素时，由于“溢出效应”的存在，创新将会通过网络结构中的相关节点和链接在整个区域协同网络中进行传递和反馈并形成震荡，在区域协同创新网络中形成“追赶效应”和“拉拨效应”。随着此种效应的扩散，区域协同创新网络各节点最终将共同成长及竞争力不断提升。

2 协同创新网络结构鲁棒性研究

随着区域发展要求的提升，协同创新网络也表现出多层次及复杂性，网络节点之间的关系也变得错综复杂，对区域创新网络结构整体的抗风险能力及可持续发展能力的要求也渐渐进入到人们的视野，研究中通常用鲁棒性进行衡量。

一般而言，鲁棒性有两个参量值，一是级联失效过程中的最大连通子团大小，该值越大，网络结构的鲁棒性就越好；二是渗流阈值。是指当网络结构中的故障节点达到一定比例时，网络完全破碎，此时就会发生由网络结构由有序到无序的转变，这一故障节点比例阈值就是渗流阈值。在对网络结构鲁棒性进行测量时，常用到的测量指标有网络结构的节点数、度分布、节点之间的路径长度、聚类系数等，如图1所示。

结构嵌入性分析一般从结构洞、网络密度、网络核心度、网络层次等角度研究网络结构中的竞争优势。Burt从信息冗余的角度指出处于结构洞中位置的组织具在网络具有更多的信息优势和控制优势。Albert和Barabasi中比较了ER随机图和BA无标度网络的连通性对节点去除的鲁棒性。江可申与田颖杰（2002）进行的实证研究，结果表明创新网络具有小世界特征。冯锋，张瑞青，闫威（2006）用小世界网络的特征路径长度和集团化系数对企业创新网络结构中节点间的交流频率和集聚程度进行测量，为研究创新网络结构的特征提供了数量分析基础。李守伟，钱省三，沈运红（2007）通过对IC产业网络的节点度分布和集聚系数进行了计算，结论说明产业网络是小世界网络。Wang D（2009）以物流网络为对象，从网络线路的冗余、供应流的分散性和网络节点间的路径研究了物流网络的鲁棒性。赵顺龙，张艳君（2010）用平均最短路径和聚集系数计算了技术联盟中的知识交流频率、交流集中度等知识转移网络中相关的统计参数，并对网络结构的建设及优化提出建议。庞俊亭，游达明（2012）认为创新网络结构具有无标度，研究结果强调了网络结构的核心节点在资源整合过程中的体现出的资源的吸收、加工、创新、输出的主导作用。李彬，季建华，陈娟孟等（2012）以供应链网络为对象进行研究，认为供应链网络具有小世界特性。

经上述研究可知：协同创新网络结构的鲁棒性是指网络结构中一些节点被随意或者蓄意去除后创新网络结构的连通性问题。如果节点被去除之后创新网络中大部分的节点仍然是连通的，称为该网络结构具有鲁棒性，反之则反是。对于区域协同创新网络结构的鲁棒性而言，如果在协同创新扩散的过程中，随机让某些节点不参与协同创新的过程，如果创新最终扩散的程度不会发生很大的变化，特别是当网络结构不连通时，网络能承受的抗干扰次数越多，说明该网络结构的鲁棒性越强。因此，协同创新网络结构的鲁棒性在一定程度上反映了区域内个创新节点对创新的敏感程度和吸收能力，节点效率越高，表明该节点越重要。

3 研究方法及结果阐释

在对实际数据进行计算过程中，由于所涉及到的数据信息量较大，基本计算过程都是依赖相关软件完成。通常的步骤是在对数据进行预处理之后，形成协同创新网络结构中各个节点之间的一一对应关系，在此基础上借用Matlab软件将这种关系转换成矩阵的形式，之后利用TXT和EXCEL导入到Uicnet软件中，通过Netdraw的功能对协同创新网络结构的特征进行计算并作出网络结构图。

在随机删除节点的过程中，本研究主要借用Matlab中的rand函数对节点进行取样，A=fix（N*rand（1，X）），据此可以得到A（1*X）这样一个随机矩阵，其元素组成为各个移除节点的编号。若矩阵A中有相同元素，则多次随机取样，其中N为原网络节点数，Z为移除节点数目，分别取节点总数的7%、14%、20%进行移除；在计算移除的节点时，采用最近整数法，即仿真试验中的节点数目取为所得数最接近整数，每一相同数目节点移除的工作进行5次，取五次的平均值进行分析。

在蓄意删除网络节点的过程中，本研究主要采用CB（Comprehensive Between-ness）攻击模式，即介数下的删除模式，具体步骤为先得出网络结构中各节点的介数表，对节点介数进行从高到低排序，然后依次选取高节点介数的节点进行移除。

4 研究结果及理论解释

本节主要是应用复杂网络分析软件及MATLAB对已建模的惠莞深区域协同创新网络进行拓扑结构特征分析。考虑反映网络的几个特征参数，即网络度分布、聚类系数、节点介数、平均路径长度。利用PAJEK中Net/Partitions/Degree菜单下的In/Out/All三个命令可分别对有向图的节点求其入度，出度和总的度。对于无向图，则只需用All-个命令即可。然后运用MATLAB进行数据统计处理，得到该网络的度分布，以及累计度分布。

根据表1节点度分布统计数据，应用MATLAB绘制度分布图如图2，累计度分布图如3。

按照表1和表2提供的数据，通过Matlab进行数据拟合处理后绘制出故障模拟各统计特征参数的变化曲线图如图4所示。

5 主要结论及政策启示

区域协同创新网络结构的鲁棒性对区域发展和创新推动至关重要。本研究借用复杂网络理论，试图从一个全新的角度对区域协同创新网络结构进行建模分析，并对区域协同网络结构的鲁棒性作了推导和研究。基于上述研究，可以得到下述结论：

区域协同创新网络发展到一定规模时，是一种无标度网络，并服从幂率分布，因此它具有小世界网络的统计特征，即区域创新网络结构中各节点之间的连接状况具有严重的不均匀分布性；而这种无标度网络对随意去除节点的行为具有极高的鲁棒性。为此，要提升区域协同创新网络结构的鲁棒性，可以通过改变网络结构的形成机制，加强网络维护，消除其无标度的特征，以达到提升其鲁棒性的目的。

另外，网络结构的鲁棒性在很大程度上也取决于各个节点和链接之间的交互数量，若个节点和链接具有良好的协同创造精神，能够充分发挥每个节点自身的主动精神和创新能力，尊重网络结构中每一个节点和链接的意见，无论在何种策略的干扰下，区域协同创新网络结构总能保持较高的鲁棒性。

参考文献：

[1]赵莉.基于复杂网络视角的企业组织鲁棒性分析[J].统计与决策，2013（15）：74-177.

第2篇：神经网络的鲁棒性范文

摘要：针对港口现有岸电电源产品所采用控制策略的不足，研究分析了岸电电源PWM可逆变流器数学模型在DQ坐标系下的特点，提出了一种基于改进的重复控制和神经网络内模控制的变流器输出波形复合控制策略采用BP神经网络结构作为内模控制器的预估模型和控制器，神经网络预估模型可在线学习建立与被控对象相匹配的精确模型，神经网络控制器动态响应快，输出无静差，扰抗性好实验证明，应用该复合控制策略的系统整流功率因数接近于1；供电非线性混合负载输出波形失真率低于2%；动态响应快，在2个周期内恢复稳定输出

关键词：神经网络；可逆变流器；波形复合控制；重复控制

中图分类号：TM9215 文献标识码：A

岸电电源是供电停港船舶的港口岸上电源，可代替停港船舶的主辅燃油发电机供电，是控制港区空气质量日益恶化的重要方式PWM可逆变流器是岸电电站的核心研究对象，与传统变流技术相比，具有高功率因素和低谐波污染的优点，在岸电电源、UPS、军用设备、太阳能和风能等清洁能源使用中得到广泛的应用

港口现有岸电变流器多使用PID控制、内模控制、无差拍控制和重复控制等方式，无法同时满足大功率、强冲击、高稳定的供电需求而未得到广泛使用PID控制虽鲁棒性较强，但在非线性负载、噪声或扰动影响下，设定的控制参数无法得到稳定和精确的控制效果内模控制虽参数简明，动态响应较好并有较强的鲁棒性和抗干扰性，但难于建立精准模型无差拍控制静态输出稳定及动态反应较快，但易出现较强振荡，鲁棒性较差重复控制较大改进了电源变流器的稳定输出，但因有一个周期的控制延迟影响了动态响应效果神经内模控制在有精确模型的基础上可确保系统有很好的鲁棒性和动态性能，但因其需要在线训练学习才能获得精确模型，致使算法还未获得大量应用[2-6]目前，各种输出高精稳定且抗扰性强的智能控制策略成为高性能变流器的研究热点

针对两电平三相PWM可逆变流器在DQ坐标系下的特点，本文利用改进的重复控制策略与神经网络内模控制策略相结合，设计了变流器输出波形复合控制器，并通过实验测试了该控制策略性能

1变流器拓扑结构及模型解耦

两电平三相PWM可逆变流器拓扑结构如图1所示该结构共分为网侧滤波单元、电压型PWM整流单元、直流储能单元、电压型PWM逆变单元与负载侧滤波单元等5个部分

2重复控制单元控制器设计

重复控制理论是建立在内模控制的基础上，其核心在于内部模型设计在常用重复控制策略模型应用中普遍存在两个方面不足一是由于延时单元的存在，使得系统动态性能较差，对扰动调节时间超过了一个周期二是因滤波器Q（z）的使用，使得系统增强稳定性的同时存在了静差

滤波单元时，系统理论上可以实现无静差，但是这种纯积分控制结构使系统稳定性和鲁棒性变得很差，在工程实际应用中是被禁止的因此为改善系统稳定性，一般使辅助补偿器Q（z）为低通滤波形式或者为略小于1的常数，如095

延时单元是内模组成部分，当控制信号检测到误差信息时使延时至下一个周期动作的存在虽然影响了系统动态性能却是重复控制内模的固有组成部分，不能舍弃因指令和扰动在很多情形下都重复出现，如图2所示，经改进的嵌入式结构使系统保留了指令信号的快速响应通道

补偿器将获得的系统补偿量在下一周期作用于控制对象校正输出取，该设计可保证系统运行稳定性并改善修正效果，超强补偿相位幅值其中为重复控制幅值增益补偿；为相位补偿；S（z）起滤波作用消除谐振峰值、校正中低频增益并增强高频衰减特性的存在虽然使的相位补偿相对滞后，却增强了系统的高频抗干扰能力和系统稳定性

3神经网络内模控制单元设计

神经内模控制器设计如图3所示，分别用神经网络控制器NNC（neural network controller）和神经网络预估模型NNM（neural network model）取代内模控制结构中的被控对象预估模型和内模控制器由内模原理可知，只要NNM和NNC稳定则系统稳定，即当NNC为NNM的逆时，系统误差

32神经网络控制器NNC设计

根据内模原理稳定性充分条件，控制器NNC设计结构应是预估模型NNM结构的逆，故NNC应采用与NNM同样的三层BP神经网络结构设计由图4知，NNC结构比NNM多一个输入层网络节点

4复合控制器设计及实验验证

复合控制器结构框图设计如图5所示通过改进的重复控制单元和神经网络内模控制单元共同作用于可逆变流器中电流输入和电压输出该控制方案中，重复控制单元通过改进可保证在稳态时输出高精度的稳态波形，能够适用于船舶各精密仪器用电需求，但一旦有给定指令，重复控制器需延时至下一个周期作用被控制对象神经内模控制单元控制无静差，动态响应快，在重复控制的延时周期能快速动态响应指令，很好的填补了重复控制单元的不足，但神经网络内模控制单元中NNM预估模型需要在线训练学习才能获得精确模型因此神经网络内模控制与重复控制单元综合的波形复合控制器使系统的负载适应性和鲁棒性得到增强，强有效地改善了可逆变流器的输出波形

搭建如图6所示实验平台验证该波形复合控制策略，以TI公司生产的时钟频率达150 MHz的TMS320F28335为DSP控制芯片，辅以各采样电路、驱动电路及保护电路等用泰克TDS3032示波器和电能质量分析仪Fluke43B做为测试工具，采用表1中参数验证可逆变流器波形复合控制器的实际控制效果

41稳态性能

通过搭建的实验平台分别测试PWM整流器和PWM逆变器稳态性能图7（a）为电能质量分析仪对PWM整流器稳态时输入A相的功率因数测试结果，表明整流网侧功率因数高达099图7（b）为PWM整流器输出直流电压波形和A相输入电流波形测试结果表明输出电压稳定在600 V±2%，A相波形失真率为19%可见PWM整流器功率因数高，对电网无谐波污染

42动态响应

采用负载突然增加或减少来验证该复合控制器的动态响应性能图10为变流器负载突变时PWM逆变器波形测试结果由输出波形可知变流器均在负载突变的第一个周期迅速响应，在两个周期内输出均稳定下来，证明采用复合控制器的变流器具有良好的动态响应性能

图11为采用复合控制与采用PI控制PWM逆变器动态输出波形比较测试结果，显示突加负载时采用复合控制的输出波形在突变周期的顶部稍有失真，随后没有明显的变化采用PI控制的输出波形则有严重的失真，随后波形有幅值变化显然采用复合控制的波形明显好于PI控制波形

43鲁棒性和扰抗性

通过调节实验平台PWM整流部分输出的直流电压大小，测试PWM逆变部分输出电压的波动大小，分析该系统的鲁棒性和扰抗性测试数据如表2所示，逆变部分在直流母线波动的状况下，输出始终稳定其中相电压误差始终稳定在2%以内，THD值在18%以内，输出频率稳定

5结语

分析了港口现有岸电电源产品所采用控制策略的不足，研究了岸电电源中PWM可逆变流器的数学模型在DQ坐标系下的特点，提出了一种基于改进的重复控制和神经网络内模控制的波形复合控制策略，该策略能够很好的综合两种控制策略的优势，互补不足通过搭建实验平台验证该控制策略，实验证明，应用该复合控制策略的PWM可逆变流器波形输出稳定，精度高，THD值低，负载适应性强，动态响应快，符合船级社的船舶用电标准，可以在岸电电源应用中推广使用

参考文献

[1]杨金辉数字化PWM逆变系统控制关键技术研究及其应用[D]长沙：湖南大学电气与信息工程，2010

YANG JinhuiDigital PWM inverter system control key technologies and its applications study[D]Changsha： College of Electrical and Information Engineering， Hunan University，2010（In Chinese）

[2]KHERSONSKY Y，ISLAM M， PETERSON K Challenges of connecting shipboard marine systems to medium voltage shoreside electrical power[J] IEEE Transactions on Industry Applications，2007，43（3）.

[3]李士勇.模糊控制·神经控制和智能控制论[M]哈尔滨：哈尔滨工业大学出版社，1998：91-101

LI ShiyongFuzzy control·neurocontrol and intelligent cybernetics[M]Harbin： Harbin Institute of Technology Press，1998：91-101 （In Chinese）

[4]SHIGEMATSU J，SUDUO S， SHI A Present conditions and future trends for AMP[J] Shikawajima Harima Engineering Review， 2006，46（4）：156-160

[5]郜克存，戴瑜兴，杨金辉，等三相高功率因数整流器的神经网络内模控制[J]电机与控制学报，2012，16（2）：44-49

GAO Kecun，DAI Yuxing， YANG Jinhui，et al The control method of threephase rectifier based on neural network internal model theory[J].Electric Machines and Control，2012，16（2）：44-49 （In Chinese）

[6]SHIGEMATSU J，SUDOU S， SHI A. Present conditions and future trends for shikawajima[J].Harima Engineering Review，2006， 46（4）：156-160

[7]KEVIN L P， PCNIAMIN B C， MOHAMMEDL， et alTackling ship pollution from shore side[J] IEEE Industry Applications Magazine， 2009， JanFeb：56-60

第3篇：神经网络的鲁棒性范文

【关键词】上证指数 人工神经网络 拟合度 实证分析

一、引言

随着西方发达国家股票市场的兴起，随着时代的不断进步和变迁，股票市场逐渐拓展至发展中国家和一些相对落后的国家。对于股票价格进行时间序列预测无论对于投资者，政策分析者等等都有非常重要的作用，然而股票价格是一个复杂多变，难以描述的序列，影响因素繁杂且有些难以量化，因此至今学者们仍在探索能更好的描述它的方法[1]。

近几年计算智能技术在时间序列领域逐渐流行，作为一种新兴的信息处理技术，计算智能技术现在已经成为重要的分析与预测工具。计算智能技术有普通统计方法所不能比拟的优点，它的预测更加精准，并且具有自学习、自组织、自适应的特征和简单、通用、鲁棒性强、适于并行处理的优点[2]。

在上面提到的计算智能技术中，最有名的当属人工神经网络，此模型在过去的二十年间有着很快的发展，因为其在认知的输入和输出的映射的表现公认的非常有效，甚至在面对一些难以判断的不确切输入输出关系时，仍表现出很好的拟合行，因此现在成为了时间序列非线性方法中最常被使用的到模型，当然也成为了股票价格时间序列预测模型中较为有效的并常被使用的模型之一[3]。

不论是基于哪一种数学模型，现有的拟合方法往往过于追求样本内的拟合精度，而忽略了拟合的模型在样本外的表现。在实际应用中，往往需要更加精确的样本外拟合度。因此本文基于样本外拟合的精度，分别从长期和短期两个时间维度考虑了神经网络模型预测的表现及其鲁棒性，得到了一些关于神经网络模型的结论。

二、研究模型介绍

本文将要对智能计算方法中的人工神经网络模型进行分析研究，下面就该模型的算法进行简单介绍。

神经网络是由大量的神经元按一定的拓扑结构和学习调整方法所构成的。神经元一般表现为一个多输入、单输出的非线性器件。

神经网络代表了一种新的方法体系，所以它能在实际的应用中表现一些独特的功能[6、8]。一般来说，神经网络具有如下的四个基本的特点：强大的学习能力；分布式存储信息；并行性，即并行的计算能力，可以处理快速实时的信息；非线性，即可以很好地模拟非线性系统。

神经网络可以通过自身强大的学习能力，来获取知识，神经网络性能的改善是随着时间一步步通过某种事先定义的量度来调整自身的参数的（比如权值）。一般来说，神经网络主要有监督学习、无监督学习、强化学习三种。

三、数据选取

在众多关于中国股票市场有效性的研究结果表明，中国的股票市场是一种渐进有效的市场或是一种半强有效市场，这样股票价格基本上反映过去信息和公开信息。正是在如此的假设下，我们运用统计学的方法，从股票指数（股票价格加权和）入手来分析和预测股票市场。选择从1998年12月23号开始的上证综指收盘运用神经网络模型进行了固定样本内模型和滚动样本内模型下的短期和长期的拟合预测。

四、实证结果

（一）固定模型下的神经网络模型拟合分析

对从1998年12月23号开始的上证指数收盘价运用MATLAB进行神经网络模型短期拟合预测。首先我们选取前1000个点进行样本内的拟合，对后20个点进行短期预测，并依此以步长20向前滚动，共二十期。

应用MATLAB进行求解，对样本内1000个点进行拟合，并按照拟合得到的模型对后20期以20为步长，向后滚动预测。

同样，我们选取前1000个点进行样本内的拟合，对后100个点（相当于5个月左右的数据）进行长期预测，并依此以步长100向前滚动，共二十期。

神经网络的拟合度在短期内十分精准，可以到了80%以上，有的甚至达到了95%以上，并且未出现50%以下的拟合度，然而长期来看，拟合度的差别非常大，对于趋势的判断有时很准有时完全颠倒，预测拟合度的跨度从90%到-90%。波动性非常大，可见神经网络对于达到一定长度的长期数据（五年以上）拟合的鲁棒性很差，长期来看无法适应不断变化的股市大盘。

（二）滚动模型下的神经网络模型拟合分析

短期内，神经网络模型拟合度仍然十分精准，可以到了80%以上，然而长期来看，由于样本内数据的不断更新，因此样本外的拟合精度十分稳定，表现优异，平均拟合值达到了93%除了一项为60%多，其他均达到了80%以上。说明在半年的长度范围内，人工神经网络的拟合度很好，拟合可靠性较高。

五、结论

本文通过对上证指数1998年后的数据使用人工神经网络进行了短期长期的滚动预测。发现在短期内，神经网络模型的拟合效果一直很好。而在长期来看，人工神经网络，对5年内的数据拟合度很高，然而更长的时间段内鲁棒性不高，拟合度下降很快。

参考文献

[1]顾岚.时间序列分析预测与控制[M].北京：中国统计出版社.1997.

[2]KuanC.M and White，H.Artifieial Neural Networks：AN econometric Perspective （with discussion）[J].Econometrics Reviews，1994，（13）：l-143.

第4篇：神经网络的鲁棒性范文

关键词动态矩阵控制预测控制稳定性鲁棒性

动态矩阵控制由卡特勒等于1980年提出。DMC算法适用于渐近稳定的线性对象。由于该算法比较简单,计算量较少,鲁棒性强,近年来已在冶金、石油、化工等工业过程控制中得到十分成功的应用。

经过近三十年的发展,动态矩阵控制的理论研究有了很大的进展,而且,在许多领域其成功应用的报道层出不穷。但随着工业的发展,动态矩阵控制的常规算法不能满足实际的需要,于是在算法上有了很大的进展。

一、动态矩阵控制算法的发展和现状

1.多变量系统的DMC算法

DMC算法由预测模型、参考轨迹和滚动优化控制三个部分构成,算法的结构原理如图所示:

工业中通常能获得的对象模型是非参数模型,这种情况下很容易得到开环预测。但是开环预测未计对象控制通道的模型误差,也未考虑不可测干扰的影响,为了提高预测精度,在开环预测方程的基础上加上能检测到的任一采样时刻的预测偏差,进行反馈校正,从而变为闭环预测;工业过程控制通常有许多相互作用的变量组成多输入多输出(MIMO)系统,而常规的DMC算法是基于单输入单输出(SISO)系统的。因此,许多学者自然地将其推广到多变量系统的MDMC方法;当设定值发生跃变时,若要求设定值迅速跟踪变化,往往需要加大控制变量,这样会导致系统振荡加剧,这时工程上往往要在控制器前添加前置滤波器以平抑控制器的剧烈动作。预测控制算法中也增加这个环节,设定一条系统输出的参考轨迹,引导输出由当前值逐步地过渡到目标设定值,“柔化”控制作用的实施。

2.动态矩阵控制的参数优化设计

动态矩阵控制是一种重要的预测控制算法,适用于具有大纯滞后的工业对象和非最小相位系统,在实际应用中需要确定多个参数。被控对象可以用稳定的阶跃响应描述是动态矩阵控制的一个前提条件,这一前提条件导致DMC存在下列不足:DMC仅仅适用于渐进稳定系统,存在描述被控对象的预测状态空间维数过大的问题。可以利用现代控制理论,用状态观测器和反馈控制组成的扩展动态算法。

二、与其他控制算法相结合的新型的DMC算法

近年来,控制领域取得了丰硕的成果,一些新的理论、算法不断涌现,这些理论同DMC相结合,大大推动了动态矩阵控制理论的发展,随之出现了一些新理论、新方法。主要有以下几种情况:

1.基于神经网络的DMC,把神经网络与DMC结合起来。减少了在线计算量,并且给出了求解DMC的Hopfield电子模拟网络。

2.2DMC与模糊控制的结合。利用多变量模糊辨识算法求得被控对象的数学模型状态空间描述形式,依此数学模型设计出动态矩阵预测控制器,进而给出了多变量模糊模型动态矩阵控制算法的具体步骤。

3.3DMC与自适应控制的结合。该算法的给出减少了在线辨识参数的数量,使得DMC的在线计算量大大减少,显著提高了DMC的实时性。

三、动态矩阵控制系统的稳定性和鲁棒性分析

DMC是一种综合性能很好,特别是鲁棒性相当强的控制算法。目前有关DMC鲁棒性的研究方法一般有两种:一是基于状态方程表示的动态矩阵控制算法上进行的,其研究成果不但引入了较强的数学条件,而且大部分结论是定性的。另一种方法则是将DMC算法变换成等价的内模结构。

动态矩阵控制领域迄今还没有完整、系统的结果,这主要由于:(1)由于DMC采用非最小化对象模型,其闭环系统方程阶次高,且由于系统的可调参数比较多,因而难以用解析的方法直接对系统的稳定性和鲁棒性进行分析;(2)状态空间描述有利于系统的稳定性分析,但动态矩阵控制中研究的大多是输人输出模型描述的对象;(3)动态矩阵的特殊性也给分析稳定性和鲁棒性带来困难,它的反馈信号已由普通负反馈中的输出全反馈结构变为模型失配和扰动估计量的反馈,因而从普通负反馈结构中发展出的稳定性分析方法不能直接应用于动态矩阵结构中。

四、动态矩阵控制在工业过程领域应用分析

基于对象阶跃响应模型的动态矩阵控制是复杂工业控制系统优化和计算机技术飞速发展相结合的产物,相对于常规PID控制具有更多适合工业环境的优点:

1.建立模型方便:采用工业过程中较易得到的对象阶跃响应曲线,过程的描述可以通过简单的实验获得,不需要深入了解过程的内部机理。

第5篇：神经网络的鲁棒性范文

【关键词】交流系统；STATCOM；神经网络；滑模控制

0.引言

交流系统电压波动和闪变问题严重威胁着系统的安全高效运行。静止同步补偿器（STATCOM）在交流系统电压波动和闪变调节与控制中能有效调节系统无功以解决电压波动与闪变、三相电压不平衡等电能质量问题，从而吸引了大批研究学者的研究热情，推动了该领域的持续发展与进步[1]。

目前较为传统的补偿方式是SVC，其原理就是为了实现动态无功补偿的目的，而利用电弧炉和TCR补偿装置，使其吸收的电流值和尽量的小，来达到抑制闪变的作用[2]。由于补偿容量会受到装置本身的影响，所以在连续投切电容器组的时候会产生非常多的谐波。电弧炉工作时，其电流往往会发生急剧的变化，SVC的感应速度又比较慢，响应速度和补偿容量一会对闪变的抑制效果产生影响[2]。可以迅速反应的STATCOM装置，可以将无功功率稳定迅速吸收，校正功率因数，调节系统的电压。由于具有如此多的优势，STATCOM也正在成为新的研究的热点[3]。

由于STATCOM是一个非线性系统，其控制方法也相对复杂。使用PI控制，采用非线性鲁棒控制。然而PI控制参数难以确定，并且其对参数变化以及扰动也非常敏感；而非线性鲁棒控制设计过程非常复杂；相对而言，滑模控制更容易实现，且对模型参数的变化和外部扰动具有较强的鲁棒性。实质上，滑模控制是非线性控制的一个特殊的情况，不连续性的控制输入是其非线性的一个表现，而在一个动态的过程是，是可以依据系统的不同状态，可以做有目的性的并且不停的变化的控制输入量，这样以来可以令滑动模态的状态轨迹按照系统预定做轨迹运动。所以本文采用滑模变结构控制的方法设计STATCOM的无功补偿控制策略。

本文主要研究基于STATCOM无功补偿的交流系统电压波动和闪变调节与控制问题。采用直接电流控制[2]，提出了基于神经网络与滑模控制相结合的方法。通过建立控制对象的滑模等效控制器，利用神经网络优化等效控制与切换控制以实现STATCOM自适应控制。最后通过数值仿真验证了所提出方法的有效性。

1.神经网络-滑模控制器设计

在STATCOM的控制中，应用比较普遍和适用的方法是双闭环电流控制方法，选择内外环控制结构。外环指直流电压环，通常采用形式比较固定的反馈PI控制，但是本文创新性地采用滑模控制来实现外环电压指令的自适应控制。内环指的是无功电流环以及有功电流环，直流电压外环的输出作为有功电流控制的参考输入。本文针对的主要是内环控制，即将有功电流和无功电流作为输入。由于本文将电流环作为控制的重点，所以在电压环只采用传统滑模控制的设计方案。本文利用RBF对切换增益进行估计，并利用切换增益消除干扰项，从而消除抖振，使得对负载干扰和参数变化具有很好的鲁棒性。

2.仿真实验与结果分析

为了探讨交流系统电压波动和闪变的抑制在实际工程中应用的可行性，利用科学研究软件MATLAB建立了的基于STATCOM的交流系统电压波动和闪变抑制模型，并对比了神经网络-滑模控制与传统PID控制在系统电能质量控制方面的性能。

在稳态运行时STATCOM调节无功电流来维持直流侧电压有名值的恒定。如果电源产生的电压高或低于系统电压、STATCOM生成（或吸收）无功功率。无功功率的数量取决于电源电压大小和变压器漏电抗。本节采用上述基于神经网络-滑模自适应控制的直接电流控制策略进行系统性能仿真。

当系统电源电压突变时，STATCOM迅速反应，通过控制交流侧电流来调整STATCOM功率输出，以补偿交流系统的功率变化，从而达到调节系统电压稳定的目的。在STATCOM静止无功补偿调节作用下，虽然电源输出电压出现了较为频繁的波动，但是系统电压能够平稳的保持在额定值上面，为负载提供稳定优质的电能。

进一步，为了深入研究交流系统的动态响应，STATCOM直流侧直流电压波形，STATCOM无功调节波形。当系统电源电压突变时，STATCOM直流侧迅速反应，通过放电与吸收电能来调节系统电压波动；为了抑制电源电压波动造成系统电压不稳定的情况，STATCOM大量吸收/释放无功功率，能量通过直流侧在纯电阻态和纯电感态之间不断循环，继而实现了交流系统的无功功率补偿，达到稳定系统电压的目的。

对比神经网络-滑模控制方法和传统PID控制方法的控制性能后发现，在0.1s系统电压从标识值1pu突然降低到0.975pu时，STATCOM迅速释放补偿电能到系统，以平稳系统负载电压；而在0.2s系统电压波动到1.025 pu时，STATCOM迅速吸收系统电能并存储到直流侧电容原件，从而抑制系统电压飙升。接着在后来的电压波动当中，STATCOM通过不断的能量吸收与释放来为负载提供稳定优质的电能。同时，传统的PID控制的能量吸收与释放的持续时间与快速性不如滑模控制。因此，本文所提出的神经网络-滑模控制具有更好的控制品质。

从以上仿真结果可见，神经网络-滑模控制器和传统PID控制器均能在系统参考指令时变情况下有效补偿系统无功功率。但是，由于采用了神经网络的强化学习，以及滑模控制的自适应能力，所设计的神经网络-滑模控制具有比传统PID控制器更快的反应速度与更优的控制效果。所设计的神经网络-滑模控制器能够有效补偿系统电压波动，实现STATCOM系统的高性能控制，且控制性能比传统PID控制器好。

3.结论

STATCOM无功补偿系统是一个复杂非线性的控制对象，利用传统的PID控制器很难得到理想的控制性能。为了提高控制系统控制性能，提出了神经网络-滑模控制器。创新点在于利用滑模控制器对伺服系统电压与电流环进行控制，并在电流环利用神经网络控制来优化滑模控制律，从而达到消除滑模抖振问题，实现STATCOM系统高精度控制。最后通过MATLAB仿真平台进行了实验测试研究，结果表明所设计的神经网络-滑模控制器能够有效控制STATCOM无功补偿系统，保证系统即使在较频繁电压波动与闪变情况下稳定工作，为负载提供优质电能，保证交流系统高效可靠运行。■

【参考文献】

[1]张秀峰，连级三，高仕斌.基于三相变四相变压器的新型同相牵引供电系统[J].中国电机工程学报，2006，26（15）：19-23.

第6篇：神经网络的鲁棒性范文

（新疆职业大学机械电子工程学院，新疆 乌鲁木齐 830013）

【摘　要】为提高电力负荷预测精度，本文采用Elman神经网络建立模型，提出了一种基于Elman神经网络的电力负荷预测方法，采用自适应学习速率动量梯度下降反向传播算法进行网络训练，对乌鲁木齐电网的实际历史数据进行了仿真，仿真结果表明，Elman神经网络对电力负荷进行预测具有收敛速度快，预测精度高的优点。

关键词 Elman神经网络；预测模型；电力负荷；仿真

Design of Power Load Forecasting Based on Neural Network

SUN Wen-ge

(Deparnment of mechatronic engineering, Xinjiang Vocational University, Urumqi Xinjiang 830013, China)

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

作者简介：孙文革（1967.06—），汉族，甘肃人，本科，实验师，研究方向为电子技术及自动控制技术。

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

Elman网络的非线性状态空间表达式为：

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。

神经网络网络预测曲线及预测误差曲线分别如图2和图3所示。

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．

［3］飞思科技产品研发中心．神经网络与MATLAB7实现[M]．北京:电子工业出版社,2005．

［4］吴微,徐东坡,李正学．Elman网络梯度学习法的收敛性[J]．应用数学和力学,2008(9):114-119．

第7篇：神经网络的鲁棒性范文

关键词：直流伺服电机；PID；Hopfield神经网络；参数整定

中图分类号：TP27文献标识码：Adoi: 10.3969/j.issn.1003-6970.2011.03.029

PID based on Hopfield neural network in the application of DC servo motor

LV Ting-ting, CHEN Li, WANG Kai

(School of Information and Electrical Engineering of CUMT, Xuzhou, 221008)

【Abstract】For the nonlinear and time-varying factors of DC servo motor,we introduced a control method based on Hopfield neural network,combining with features of the traditional PID controller,in this paper. This method used of self-learning ability of Hopfield neural network.After training in the limited time,we can get the optimalparameters for PID controller. Simulated constructed model and did tracking experiment through Matlab. Experiments show that this method not only simplified the tuning complexity of classic PID control parameters, but also enabled real-time,better stability and tracking property.The effect on the control of the controlled object is an ideal.

【Key words】DC servo motor,PID,Hopfield neural network, parameter tuning

0引言

直流伺服系统广泛应用行器、船舵、火炮等系统[1]。随着工业过程的不断发展，对直流伺服系统也提出了更高的要求。由于直流伺服电机本身存在很多非线性特性，而且抗干扰的能力很差，能否设计出良好的控制器是工业生产中必须解决的问题。PID控制是工业过程控制中最常见的一种控制策略，传统的 PID控制器具有直观、实用和鲁棒性好等优点，但对高精度的伺服系统，显然传统的控制理论是不能满足需求的。神经网络具有良好的自学习和非线性逼近能力，可以有效的克服直流伺服系统中参数时变、非线性等问题[2]。本文将Hopfield神经网络（简称CHNN）与PID 控制器相结合，共同完成对直流伺服电机的控制。仿真与实验表明，该控制器具有较强的自学习能力和良好的跟踪性能。

1基于CHNN的PID控制器参数优化

1.1Hopfield神经网络介绍

1986年美国物理学家J.J.Hopfield利用非线性动力学理论中的能量函数的方法去研究反馈人工神经网络的稳定性时，提出了Hopfield神经网络[3]。基本的Hopfield神经网络是一个由非线性元件构成的全连接型单层反馈系统，Hopfield网络中的每一个神经元都将自己的输出通过连接权传送给网络中的其它神经元，同时又都接收其它神经元传递过来的信息[4]。

反馈型网络是一种动态网络，它需要工作一段时间才能达到稳定[5]。 反馈型Hopfield神经网络主要采用Hebb学习规则，计算收敛快，它与电子电路存在着对应关系，使该神经网络易于理解和硬件的实现。Hopfield神经网络的能量函数表征网络状态的变化趋势，并可以依据Hopfield工作运行规则不断进行状态变化，最终能够达到的某个极小值的目标函数。网络收敛就是指能量函数达到极小值[4]。

1.2控制模型

CHNN主要由于 PID控制器参数的优化设计，其控制结构图如下：

图1基于CHNN优化的PID控制结构

该控制器由两部分组成：一部分是传统PID控制器的结构，如图1中虚线框图内所示，对系统的偏差信号进行比例、积分和微分计算并加权重相加处理，而且权重值就是相应的比例、积分和微分的系数；另一部是Hopfield神经网络，根据系统输出输入的相关信息，通过反复学习和调整，确定网络的权值矩阵和阈值，从而调节PID控制器所需要的参数[6]。在图1中，被控对象采用线性离散系统空间表达式描述，本文以单输入单输出二阶系统进行讨论。

（1）

y(k)=Cx(k)

其中：

，，C=[01]

此时PID控制器在k时刻输出为：

（2）

其中kp、ki、kd分别为比例、积分、微分系数；e(k)为控制系统在k时刻的误差：e(k)=r(k)-y(k)；设CHNN在第k时刻的输出为：

V(k)=[V1(k)，V2(k)，V3(k)]T=[kp，ki，kd]T （3）

2在直流伺服电机中的应用

2.1直流伺服电机的数学模型

图2为永磁直流伺服电机无控驱动装置的原理图，根据此图推导其传递函数。

图2直流伺服电机装置原理图

根据直流电机的工作原理及基尔霍夫定律，直流电机的四大平衡方程：

电枢回路电压平衡方程：

（4）

电磁转矩方程：

Mm(t)=Kaia(t) （5）

转矩平衡方程：

（6）

由电磁感应关系得：Ea=Kbω(t) （7）

其中，Ra和La分别为电枢回路电阻和电感，Ea为电机的反电势，Mm(t)为电枢电流产生的电磁转矩，Ka为电机转矩系数，Ja为机械旋转转动惯量，f为旋转的粘性摩擦系数，ua(t)为电枢电压，ω(t)为电动机转动速度，ia(t)为电枢回路电流。电动机负载变化为电动机转动速度的扰动因数，用负载力矩Md(t)表示[7]。

2.2算法的实现

控制系统的输入为阶跃函数r(k)=1(k)，针对直流伺服电机的数学模型，采用由两个神经元组成的CHNN对PI控制器进行优化设计。为了描述Hopfield网络的动态稳定性，定义网络的能量函数为[8]：

(8)

其中权值矩阵W是对称的，即ωij=ωji。

选择控制系统的目标函数为：

(9)

现在将PI控制器的输出u(k)代入式(9)，我们就可以得到权值矩阵：

(10)

而Hopfield神经网络的阈值为：

(11)

网络选择对称型S非线性作用函数，其中增益为K：

(12)

这时网络的输出模型为：

(13)

离散化，并设则有：

(14)

3系统仿真

以直流伺服电机PI控制系统为对象，在matlab软件软件环境下进行仿真。被控对象的数学模型为：

(15)

当采样周期T=0.1s时，可以得到直流伺服电机的离散表达式：

y(k)=1.2397y(k-1)-0.2397y(k-2)+0.0842u(k-1) (16)

仿真结果如图3和图4所示。

从图3可以看出，整个系统在单位阶跃信号的激励下，系统响应的峰值时间为0.08s，调节时间为0.3s，超调量为0.35，而且无静差，具有很好的动态特性；在图4中，对正弦波进行跟踪实验。结果表明神经网络有限次学习后得到的PID控制参数，可以有效的实现跟踪控制，系统具有较好的自学习能力和很强的自适应性。

4结论

本文以直流伺服电机为背影，介绍了一种基于Hopfield神经网络的PID控制算法。这种算法一方面继承了经典PID控制器良好的实用性和较强的鲁棒性，另一方面也利用了神经网络的自学习、适应性强的特性，而且能够充分结合两者的优点对控制直流伺服电机进行有效地控制。仿真实验表明：该方法计算量小，参数调整快，实时性好，且具有较强的鲁棒性和较高的控制精度。可用于实时性要求较高的直流伺服系统的跟踪控制，因而有较高的实用价值。

参考文献

[1] 张菊丽，王新民，张举中.RBF神经网络和FC复合控制在电动伺服系统中的应用[J].微电机，2007（5）：39-41

[2] 侯远龙，童忠志.电气传动系统PID自适应控制研究[J].工业仪表与自动化装置，2001（2）：11-13

[3] 魏东旭，冯小勤.基于Hopfield网络的PID模型参考自适应控制的研究与仿真[J].2009（11）：113-115

[4] 刘金琨.智能控制[M].北京：电子工业出版社，2005.5

[5] 孙增圻，张再兴，邓志东.智能控制理论与技术[M].北京：清华大学出版社，1997.4

[6] 舒怀林.PID神经网络及其控制系统[M].北京：国防工业出版社，2006.6

[7] 历虹，杨黎明，艾红.伺服技术[M].北京：国防工业出版社，2008.8

[8] 徐丽娜.神经网络控制[M].北京：电子工业出版社，2009.7

第8篇：神经网络的鲁棒性范文

关键词: 挤压机;小脑模型神经网络;PID控制;并行控制

0 引言

挤压机是一个复杂系统,其动态特性直接影响到整个生产系统的经济性和安全性。目前挤压机使用最广泛的任然是常规的PID控制。主要是由于常规PID控制结构简单,且具有一定的鲁棒性等特点[1]。但常规的PID控制,不但参数难以整定,而且还依赖于对象的精确数学模型,适应性较差,对复杂过程不能保证其控制精度。本文根据挤压机具有非线性、不确定性过程,采用了一种CMAC和PID并行控制的控制方法,用该种方法控制能得到更好的控制精度和更快的响应速度。

1 CMAC的基本原理

CMAC神经网络(Cerebellar Model Articulation Controller)

是J.S.Albus在1975年根据神经生理学小脑皮层结构特点提出的一种模拟小脑功能的神经网络模型。它是一种表达复杂非线性函数的表格查询自适应神经网络。该网络通过学习算法改变表格的内容,具有分类存储的能力[2]。

CMAC的设计方法分为三步:

1)量化(概念映射)

在输入层对N维输入空间进行划分,每一输入都降落到N维网格基的一个超立方体单元内。中间层由若干个判断区间构成,对任意一个输入只有少数几个去见输出为非零值,非零值区间的个数为范化参数c,它规定了网络内部影响网络输出的区域大小。

2)地址映射(实际映射)

采用除余数法,将输入样本映射至概念存储器的地址,除以一个数,得到的余数作为实际存储器的地址值。即将概念存储器中的c个单元映射至实际存储器的c个地址。

3)CMAC的函数计算(CMAC输出)

将输入映射至实际存储器的c个单元,每个单元中存放着相应权值,CMAC的输出为c个实际存储器单元加权之和。

CMAC的结构如图1所示。

2 CMAC与PID并行控制原理

本文采用的是CMAC前馈控制,CMAC与PID复合控制结构如图2所示,该系统通过CMAC和PID的复合控制实现前馈反馈控制。其特点为:

1)小模型神经控制器实现前馈控制,实现被控对象的逆动态模型;

2)常规控制器实现反馈控制,保证系统的稳定性,且抑制扰动。

复合控制算法步骤如下:

由图3可以看出,与常规的PID控制相比,CMAC和PID并行控制输出响应更快,超调量小,加快了控制响应速度,体现了CMAC控制特点,响应速度快,实时性好,鲁棒性强等特点。

由图4可以看出,系统开始的时候由PD控制器进行控制,通过CMAC的学习,使得PD控制器的输出 逐渐为0,CMAC控制的输出 逐渐逼近控制器的总输出。

4 总结

本文针对挤压自动加水、加酶制剂加工过程系统进行CMAC和PID并行控制。仿真结果表明,引入CMAC控制器以后,提高了系统的响应速度,而且输出无超调,提高了系统的跟踪精度,改善了系统的品质,提高了控制的效果。

参考文献:

[1]王川川、赵锦成,基于CMAC与PID复合控制的柴油机调速系统[J].计算机仿真,2009,26(11):170-171.

[2]刘大磊,道路模拟实验台CMAC与PID复合控制仿真研究[D].杭州:浙江工业大学,2009:50-51.

第9篇：神经网络的鲁棒性范文

关键词：模糊神经网络；字符识别；角点；连通域

0 引言

印刷体字符识别技术具有极大的实用价值，被广泛应用于大量文报资料、财务票据、文案扫描等文件处理领域[1]。它采用模式识别方法，将通过光学扫描输入得到的印刷品图像，转化为计算机能够处理的电子文档，其技术衡量指标包括识别率、识别速度、版面理解正确率及版面还原满意度四个方面[2]。

近年来，以模糊逻辑、神经网络与遗传算法为代表的人工智能这一新兴学科以其强大的学习功能在字符识别领域得到了广泛的应用。其中，模糊控制常用于少量字符情况下，它具有不依赖被控对象的精确模型、鲁棒性强、算法简明易懂等特点，但是其规则库难于设计，学习功能差；神经网络可以用于大规模字符识别，它具有能够逼近任意非线性函数关系的能力和比较方便的学习手段等特点[3,4]，但其参数不易收敛，推理功能差。而模糊神经网络集两者优势于一体，具有高鲁棒性和高度非线性学习能力，能够准确、快速的对已有数据进行学习，并在一定程度上提高了字符识别效率。本文利用模糊神经网络，采用角点定位和连通域提取等技术，设计了一套印刷体字符识别的新方法。

1 FNN结构和学习算法

FNN结构如图1所示，第一层为输入层，该层的各个结点直接于输入图像向量的各分量x1连接，它起着将输入值x=[x1 x2 …xn]T传送到下一层的作用，该层结点数N1=n；第二层每个结点代表一个模糊语言变量值，如PB，NS等。它的作用是计算各输入分量属于各语言变量值模糊集合的隶属度u，本文的隶属度函数采用最常用的高斯函数，该层结点数N2=m1+m2+…mn；第三层的每个结点代表一条模糊规则，它的作用是用来匹配模糊规则的前件，计算出每条的适用度，即ai=min{ ui1，ui1，ui2…uin}，对于给定的输入，只有在输入点附近的那些语言变量值才有较大的隶属度值，远离输入点的语言变量值的隶属度很小或者是0，该层结点数为m；第四层用于归一化计算，其结点数与第三层相同；第五层是输出层，实现清晰化计算，其yi=wi1a1+ wi2a2+ … wirar，i=1,2,..r。

图1

该网络学习方法与BP反向传播网络训练方法类似，基本步骤为：①初始化网络的随机权值wi；②计算结果与期望输出向量的误差；③按a=0.7的比例学习因数调整第五层神经元的权重，以减少与期望的误差；④将误差返回到上层的每个神经元；⑤重复③④调整每个神经元的权重，直到网络满足要求为止。

2 字符特征提取

图2为系统流程图，在图像采集后，需要将图像规则化，这通过滤波、二值化、平移、旋转等操作来实现。图像滤波方法很多，本文采用常用的平滑滤波；而旋转变换则需要判断出图像的角度。一般印刷品具有规则的几何形状，故在标准平面坐标下，根据图像四个角之间相对距离的不变性，经过旋转后的图像必与水平坐标呈某一角度[5] ，故可以检测出图像的四个角作为角点，计算出角点间连线与水平坐标的夹角，进而将待检测图像及标准图像恢复到水平位置，即可做进一步的单个字符提取，按照正确的角度去识别印刷品上的内容。

角点是二维图像亮度变化剧烈的点或图像边缘曲线上曲率极大值的点，通过对待检测图像求其二次梯度图，可知其每个象素点的灰度变化剧烈程度，进而获得图像四个角的坐标值。然后，通过角点坐标，我们可以计算出图像的倾斜角度，则角度旋转后可将图像转化为与标准模板相同的角度。

下一步就是提取单个字符并识别，本文采用连通域分析法进行字符提取。

象素的连通域是一个基本概念，它能够对数字图像区域和边界等概念进行简化。当两个象素相邻并且象素值满足一定的相似性准则，则这两个象素连通，依据具体范围需要，一般分为4邻接连通域，8邻接连通域和m连接连通域。本实验是在已知字符大小的情况下，将规定的、大小合理的提取线框从左、上到右、下进行逐行移动，依据各种标点符号的类型，汉字的上下、左右等构成方式，把规定合理范围内最相近连通域结合，视为一个字符。为了防止产品印刷过程中漏印、飞墨、针孔、刮擦等情况出现，我们又针对不同的连通域使用不同的图像处理方法，比如：为防止漏印，将4连接连通域和8连接连通域结合使用，减少漏印象素的影响；为防止飞墨，将完全连通域取中值，以恢复其合理的结构。

3 仿真研究

本文仿真软件使用MatlabR2010b，图像采集设备为工业摄像头。模糊神经网络输入为上述规定方框的象素值，输出为人工设定的字符标号，比如：0表示阿拉伯数字‘0’，55表示汉字‘人’字，80表示英文字母‘B’。

该系统采用监督学习方法，依据1、2所述原理，第一步为训练阶段，采集标准印刷品图像上面300个常见字符作为训练数据，对所建模糊神经网络进行训练。第二步是学习测试阶段，将作为训练的印刷品作为测试样本，其学习准确率为98%，高于单独使用神经网络（92%）；第三步是实际测试阶段，将其他类似印刷品字符作为测试数据，得出的字符识别准确率是86.53%，高于单独使用神经网络（74%）。

4 结论

本文利用模糊神经网络，使用角点定位和连通域分析等技术，建立了一个印刷品字符识别器。实验结果表明，相对于单纯学习算法，该模糊神经网络具有很好的学习能力和很强的鲁棒性，能够很好应用于印刷品字符识别领域。未来工作可放在改进学习算法和在字符大小不同情况下的识别两个方面。

图2

参考文献

[1] 李果. 自动印刷质量检测技术及系统综述[J]. 印刷质量与标准化，2011．

[2] 钟辉. 彩色印刷品图像缺陷自动检测系统算法的研究[D]. 吉林大学，2007

[3] 赵晓霞. 一种粗糙模糊神经网络识别器及其应用[J]. 中北大学学报(自然科学版），2009

[4] 周泽华, 胡学友等. 基于神经网络的印刷体数字字符的识别[J]. 自动化与仪器仪表，2009

[5] 王诗琴, 程耀瑜等. 等基于角点定位的印刷品缺陷监测[J]. 信号与系统， 2011

作者简介