神經(jīng)網(wǎng)絡前向傳播算法

前言：想要寫出一篇令人眼前一亮的文章嗎？我們特意為您整理了5篇神經(jīng)網(wǎng)絡前向傳播算法范文，相信會為您的寫作帶來幫助，發(fā)現(xiàn)更多的寫作思路和靈感。

神經(jīng)網(wǎng)絡前向傳播算法范文第1篇

關鍵字 ：神經(jīng)網(wǎng)絡，BP模型，預測

中圖分類號：TP183文獻標識碼： A

1 引言

在系統(tǒng)建模、辨識和預測中，對于線性系統(tǒng)，在頻域，傳遞函數(shù)矩陣可以很好地表達系統(tǒng)的黑箱式輸入輸出模型；在時域，Box-Jenkins方法、回歸分析方法、ARMA模型等，通過各種參數(shù)估計方法也可以給出描述。對于非線性時間序列預測系統(tǒng)，雙線性模型、門限自回歸模型、ARCH模型都需要在對數(shù)據(jù)的內(nèi)在規(guī)律知道不多的情況下對序列間關系進行假定。可以說傳統(tǒng)的非線性系統(tǒng)預測，在理論研究和實際應用方面，都存在極大的困難。相比之下，神經(jīng)網(wǎng)絡可以在不了解輸入或輸出變量間關系的前提下完成非線性建模[4，6]。神經(jīng)元、神經(jīng)網(wǎng)絡都有非線性、非局域性、非定常性、非凸性和混沌等特性，與各種預測方法有機結合具有很好的發(fā)展前景，也給預測系統(tǒng)帶來了新的方向與突破。建模算法和預測系統(tǒng)的穩(wěn)定性、動態(tài)性等研究成為當今熱點問題。目前在系統(tǒng)建模與預測中，應用最多的是靜態(tài)的多層前向神經(jīng)網(wǎng)絡，這主要是因為這種網(wǎng)絡具有通過學習逼近任意非線性映射的能力。利用靜態(tài)的多層前向神經(jīng)網(wǎng)絡建立系統(tǒng)的輸入/輸出模型，本質上就是基于網(wǎng)絡逼近能力，通過學習獲知系統(tǒng)差分方程中的非線性函數(shù)。但在實際應用中，需要建模和預測的多為非線性動態(tài)系統(tǒng)，利用靜態(tài)的多層前向神經(jīng)網(wǎng)絡必須事先給定模型的階次，即預先確定系統(tǒng)的模型，這一點非常難做到。近來，有關基于動態(tài)網(wǎng)絡的建模和預測的研究，代表了神經(jīng)網(wǎng)絡建模和預測新的發(fā)展方向。

2 BP神經(jīng)網(wǎng)絡模型

BP網(wǎng)絡是采用Widrow-Hoff學習算法和非線性可微轉移函數(shù)的多層網(wǎng)絡。典型的BP算法采用梯度下降法，也就是Widrow-Hoff算法。現(xiàn)在有許多基本的優(yōu)化算法，例如變尺度算法和牛頓算法。如圖1所示，BP神經(jīng)網(wǎng)絡包括以下單元：①處理單元(神經(jīng)元)（圖中用圓圈表示），即神經(jīng)網(wǎng)絡的基本組成部分。輸入層的處理單元只是將輸入值轉入相鄰的聯(lián)接權重，隱層和輸出層的處理單元將它們的輸入值求和并根據(jù)轉移函數(shù)計算輸出值。②聯(lián)接權重(圖中如V,W)。它將神經(jīng)網(wǎng)絡中的處理單元聯(lián)系起來，其值隨各處理單元的聯(lián)接程度而變化。③層。神經(jīng)網(wǎng)絡一般具有輸入層x、隱層y和輸出層o。④閾值。其值可為恒值或可變值，它可使網(wǎng)絡能更自由地獲取所要描述的函數(shù)關系。⑤轉移函數(shù)F。它是將輸入的數(shù)據(jù)轉化為輸出的處理單元，通常為非線性函數(shù)。

圖1 BP神經(jīng)網(wǎng)絡結構

2.1 基本算法

BP算法主要包含4步，分為向前傳播和向后傳播兩個階段：

1）向前傳播階段

（1）從樣本集中取一個樣本（Xp，Yp），將Xp輸入網(wǎng)絡；

（2）計算相應的實際輸出Op

在此階段，信息從輸入層經(jīng)過逐級的變換，傳送到輸出層。這個過程也是網(wǎng)絡在完成訓練后正常運行時的執(zhí)行過程。

2）向后傳播階段

（1）計算實際輸出Op與相應的理想輸出Yp的差；

（2）按極小化誤差的方式調(diào)整權矩陣。

這兩個階段的工作受到精度要求的控制，在這里取 作為網(wǎng)絡關于第p個樣本的誤差測度，而將網(wǎng)絡關于整個樣本集的誤差測度定義為 。圖2是基本BP算法的流程圖。

圖2 BP基本算法流程

2.2 動態(tài)BP神經(jīng)網(wǎng)絡預測算法

在經(jīng)典的BP算法以及其他的訓練算法中都有很多變量，這些訓練算法可以確定一個ANN結構，它們只訓練固定結構的ANN權值（包括聯(lián)接權值和結點轉換函數(shù)）。在自動設計ANN結構方面，也已有較多的嘗試，比如構造性算法和剪枝算法。前一種是先隨機化網(wǎng)絡，然后在訓練過程中有必要地增加新的層和結點；而剪枝法則正好相反。文獻[2]中提出了演化神經(jīng)網(wǎng)絡的理念，并把EP算法與BP進行了組合演化；也有很多學者把遺傳算法和BP進行結合，但這些算法都以時間復雜度以及空間復雜度的增加為代價。根據(jù)Kolmogorov定理,對于任意給定的L2型連續(xù)函數(shù)f: [ 0, 1 ]n Rm , f可以精確地用一個三層前向神經(jīng)網(wǎng)絡來實現(xiàn)，因而可以只考慮演化網(wǎng)絡的權值和結點數(shù)而不影響演化結果。基于此，在BP原有算法的基礎上，增加結點數(shù)演化因子，然后記錄每層因子各異時演化出的結構，最后選取最優(yōu)的因子及其網(wǎng)絡結構，這樣就可以避免由于增加或剪枝得到的局部最優(yōu)。根據(jù)實驗得知，不同的預測精度也影響網(wǎng)絡層神經(jīng)元的結點數(shù)，所以可根據(jù)要求動態(tài)地建立預測系統(tǒng)。具體步驟如下：

（1）將輸入向量和目標向量進行歸一化處理。

（2）讀取輸入向量、目標向量，記錄輸入維數(shù)m、輸出層結點數(shù)n。

（3）當訓練集確定之后，輸入層結點數(shù)和輸出層結點數(shù)隨之而確定，首先遇到的一個十分重要而又困難的問題是如何優(yōu)化隱層結點數(shù)和隱層數(shù)。實驗表明，如果隱層結點數(shù)過少，網(wǎng)絡不能具有必要的學習能力和信息處理能力。反之，若過多，不僅會大大增加網(wǎng)絡結構的復雜性（這一點對硬件實現(xiàn)的網(wǎng)絡尤其重要），網(wǎng)絡在學習過程中更易陷入局部極小點，而且會使網(wǎng)絡的學習速度變得很慢。隱層結點數(shù)的選擇問題一直受到神經(jīng)網(wǎng)絡研究工作者的高度重視。Gorman指出隱層結點數(shù)s與模式數(shù)N的關系是：s＝log2N；Kolmogorov定理表明，隱層結點數(shù)s＝2n＋1（n為輸入層結點數(shù)）；而根據(jù)文獻[7]：s＝sqrt（0.43mn＋0.12nn＋2.54m＋0.77n＋0.35）＋0.51[7]。

（4）設置結點數(shù)演化因子a。為了快速建立網(wǎng)絡，可以對其向量初始化，

并從小到大排序[4，7]。

（5）建立BP神經(jīng)網(wǎng)絡。隱含層傳遞函數(shù)用tansig，輸出層用logsig，訓練函數(shù)采用動態(tài)自適應BP算法，并制訂停止準則：目標誤差精度以及訓練代數(shù)。

（6）初始化網(wǎng)絡。

（7）訓練網(wǎng)絡直到滿足停止判斷準則。

（8）用測試向量對網(wǎng)絡進行預測，并記錄誤差和逼近曲線，評估其網(wǎng)絡的適應性。其適應度函數(shù)采取規(guī)則化均方誤差函數(shù)。

（9）轉到（5），選取下一個演化因子，動態(tài)增加隱含層結點數(shù)，直到最后得到最佳預測網(wǎng)絡。

3 基于神經(jīng)網(wǎng)絡的預測原理[4]

3.1 正向建模

正向建模是指訓練一個神經(jīng)網(wǎng)絡表達系統(tǒng)正向動態(tài)的過程，這一過程建立的神經(jīng)網(wǎng)絡模型稱為正向模型，其結構如圖3所示。其中，神經(jīng)網(wǎng)絡與待辨識的系統(tǒng)并聯(lián)，兩者的輸出誤差用做網(wǎng)絡的訓練信號。顯然，這是一個典型的有導師學習問題，實際系統(tǒng)作為教師，向神經(jīng)網(wǎng)絡提供算法所需要的期望輸出。當系統(tǒng)是被控對象或傳統(tǒng)控制器時，神經(jīng)網(wǎng)絡多采用多層前向網(wǎng)絡的形式，可直接選用BP網(wǎng)絡或它的各種變形。而當系統(tǒng)為性能評價器時，則可選擇再勵學習算法，這時網(wǎng)絡既可以采用具有全局逼近能力的網(wǎng)絡（如多層感知器），也可選用具有局部逼近能力的網(wǎng)絡（如小腦模型控制器等）。

圖3 正向建模結構

3.2 逆向建模

建立動態(tài)系統(tǒng)的逆模型，在神經(jīng)網(wǎng)絡中起著關鍵作用，并且得到了廣泛的應用。其中，比較簡單的是直接逆建模法，也稱為廣義逆學習。其結構如圖4所示，擬預報的系統(tǒng)輸出作為網(wǎng)絡的輸入，網(wǎng)絡輸出與系統(tǒng)輸入比較，相應的輸入誤差用于訓練，因而網(wǎng)絡將通過學習建立系統(tǒng)的逆模型。但是，如果所辨識的非線性系統(tǒng)是不可逆的，利用上述方法將得到一個不正確的逆模型。因此，在建立系統(tǒng)時，可逆性應該先有所保證。

圖4 直接逆建模結構

4 應用實例分析

以我國西南某地震常發(fā)地區(qū)的地震資料作為樣本來源，實現(xiàn)基于動態(tài)神經(jīng)網(wǎng)絡的地震預報。根據(jù)資料，提取出7個預報因子和實際發(fā)生的震級M作為輸入和目標向量。預報因子為半年內(nèi)M>=3的地震累計頻度、半年內(nèi)能量釋放積累值、b值、異常地震群個數(shù)、地震條帶個數(shù)、是否處于活動期內(nèi)以及相關地震區(qū)地震級。在訓練前，對數(shù)據(jù)進行歸一化處理。由于輸入樣本為7維的輸入向量，一般情況下輸入層設7個神經(jīng)元。根據(jù)實際情況，輸出層神經(jīng)元個數(shù)為1。隱含層神經(jīng)元的傳遞函數(shù)為S型正切函數(shù)，輸出層也可以動態(tài)選擇傳遞函數(shù)。實例數(shù)據(jù)來自文獻[4]，將數(shù)據(jù)集分為訓練集、測試集和確定集。表1中的7×7數(shù)組表示歸一化后的訓練向量，第一個7表示預報因子數(shù)，第二個7表示樣本數(shù)。

表1 歸一化后的訓練向量

在不同神經(jīng)元數(shù)情況下，對網(wǎng)絡進行訓練和仿真，得到如圖5所示的一組預測誤差曲線。其中，曲線A表示隱層結點數(shù)為6時的預測誤差曲線，曲線B表示隱含層結點數(shù)為3時的預測誤差曲線，曲線C表示隱含層結點數(shù)為5時的預測誤差曲線，曲線D表示隱含層結點數(shù)為4時的預測誤差曲線。將五種情況下的誤差進行對比，曲線C表示的網(wǎng)絡預測性能最好，其隱含層神經(jīng)元數(shù)為5，圖中曲線E表示的是隱含層結點數(shù)為15時的預測誤差曲線（文獻[4]中的最好結果）。同時也證明，在設計BP網(wǎng)絡時，不能無限制地增加層神經(jīng)元的個數(shù)。若過多，不僅會大大增加網(wǎng)絡結構的復雜性，網(wǎng)絡在學習過程中更易陷入局部極小點，而且會使網(wǎng)絡的學習速度、預測速度變得很慢。

圖5 不同神經(jīng)元數(shù)預測誤差對比曲線

5 結論

本文針對基本的BP神經(jīng)網(wǎng)絡，提出了可動態(tài)改變神經(jīng)元數(shù)（與精度相關）的BP神經(jīng)網(wǎng)絡預測方法，可以根據(jù)實際情況建立預測系統(tǒng)。用此種方法可以建立最好的神經(jīng)網(wǎng)絡，不會有多余的神經(jīng)元，也不會讓網(wǎng)絡在學習過程中過早陷于局部極小點。

參考文獻

[1]潘正君，康立山，陳毓屏. 演化計算[M ]. 北京:清華大學出版社，1998

[2]飛思科技產(chǎn)品研發(fā)中心. 神經(jīng)網(wǎng)絡理論與實現(xiàn). 北京:電子工業(yè)出版社，2005

[3]蔡曉芬，方建斌. 演化神經(jīng)網(wǎng)絡算法. 江漢大學學報，第33卷第3期，2005.9

神經(jīng)網(wǎng)絡前向傳播算法范文第2篇

關鍵詞：脫硫脫硝；BP神經(jīng)網(wǎng)絡；反向傳播；預測

中圖分類號：X73文獻標識碼：A文章編號：16749944（2014）07021303

1技術背景

煤炭燃燒產(chǎn)生的煙氣中，含有大量的氮硫氧化物，這些氧化物直接排放到空氣中，會導致酸雨等自然災害的發(fā)生。因此，各國都在積極研究煙氣脫硫脫硝技術。目前最新的技術是采用臭氧的強氧化性對煙氣中的NO進行處理，使之溶解于水，降低煙氣中的氮硫氧化物。

現(xiàn)有的技術對于臭氧的添加采用的是PID控制，此控制技術經(jīng)過多年的發(fā)展，已經(jīng)相對成熟。其控制設備簡單，控制思路清晰，但在控制過程中也存在很多問題，比如對于大慣性環(huán)節(jié)控制滯后，震蕩過度等問題。在添加臭氧的過程中，通過檢測煙氣輸入端的氮硫氧化物的摩爾量，利用反應方程式計算理想狀態(tài)下需要的臭氧摩爾量，然后再通過檢測通入堿性廢水中和前的NOx，SO2的濃度，完成PID調(diào)節(jié)，改變臭氧的添加量。

在添加的過程中，因為影響臭氧添加量的各個因素之間是非線性的，所以無法進行單一的線性補償，導致臭氧添加量過大或者過少。過大會造成添加臭氧的浪費，過小會使煙氣反應不完全，導致煙氣排放不達標，所以本發(fā)明的目的就是根據(jù)歷史數(shù)據(jù)對臭氧的需求量建立預測模型，通過數(shù)據(jù)的分析，預測臭氧的消耗量，以達到減少浪費或者減少煙氣不達標的情況。

人工神經(jīng)網(wǎng)絡是利用計算機模擬人腦的結構和功能的一門新學科[1]，能夠利用自身的優(yōu)良處理性能，解決高度非線性和嚴重不確定性系統(tǒng)的復雜問題，在此適合進行對臭氧需求量進行預測，所以提出建立一個三層BP神經(jīng)網(wǎng)絡預測模型，使用改進的算法進行訓練，并對煙氣脫硫脫硝中臭氧需求量的預測的方法[2]。

2BP網(wǎng)絡及動量梯度下降算法

BP（Back Propagation）網(wǎng)絡是1986年由Rumelhart和McCelland為首的科學家小組提出的，一種按誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伨W(wǎng)絡，是目前應用最廣泛的神經(jīng)網(wǎng)絡模型之一。BP網(wǎng)絡能學習和存貯大量的輸入-輸出模式映射關系，并且無需事前揭示描述這種映射關系的數(shù)學方程。它的學習規(guī)則是使用最速下降法，通過反向傳播來不斷調(diào)整網(wǎng)絡的權值和閾值，使網(wǎng)絡的誤差平方和最小。BP神經(jīng)網(wǎng)絡模型拓撲結構包括輸入層（input layer）、隱含層（hide layer）和輸出層（output layer）。

網(wǎng)絡學習規(guī)則又稱為 學習規(guī)則，對于給定的一組訓練模式，不斷用一個個訓練模式重復前向傳播和誤差反向傳播過程，各個訓練模式都滿足要求時，則說明BP網(wǎng)絡已學習好了。從網(wǎng)絡學習的角度來看，網(wǎng)絡狀態(tài)前向更新及誤差信號傳播過程中，信息的傳播是雙向的，但是不意味著網(wǎng)絡層與層之間的結構也是雙向的。

BP神經(jīng)網(wǎng)絡能夠以任意精度逼近任何非線性連續(xù)函，使得其特別適合于求解內(nèi)部機制復雜的問題，即BP神經(jīng)網(wǎng)絡具有較強的非線性映射能力；其次BP神經(jīng)網(wǎng)絡具有高度自學習和自適應的能力。還有泛化能力，即BP神經(jīng)網(wǎng)絡具有將學習成果應用于新知識的能力。容錯能力：BP神經(jīng)網(wǎng)絡具有一定的容錯能力，即使系統(tǒng)在受到局部損傷時還是可以正常工作（圖1）。

從（2）式可看出，如果比例系數(shù)μ=0，則為高斯-牛頓法；如果μ取值很大，則LM算法接近梯度下降法，每迭代成功一步，則μ減小一些，這樣在接近誤差目標的時候，逐漸與高斯-牛頓法相似[4]。高斯-牛頓法在接近誤差的最小值的時候，計算速度更快，精度也更高。由于LM算法利用了近似的二階導數(shù)信息，它比梯度下降法快得多，實踐證明，采用LM算法可以較原來的梯度下降法提高速度幾十甚至上百倍。另外由于[JT（w）J（w）+μw]是正定的，所以（2）式的解總是存在的，從這個意義上說，LM算法也優(yōu)于高斯-牛頓法，因為對于高斯-牛頓法來說，JTJ是否滿秩還是個潛在的問題。

在實際的操作中，μ是一個試探性的參數(shù)，對于給定的μ，如果求得的 能使誤差指標函數(shù) 降低，則E（w）降低；反之，則μ增加。用（2）式修改一次權值和閾值時需要求n階的代數(shù)方程（n為網(wǎng)絡中權值數(shù)目）。LM算法的計算復雜度為O（n3/6），若n很大，則計算量和存儲量都非常大。然而，每次迭代效率的顯著提高，可大大改善其整體性能，特別是在精度要求高的時候[5]。

3臭氧脫硫脫硝需求量的預測

以BP神經(jīng)網(wǎng)絡模型為原始模型，建立一個三層BP神經(jīng)網(wǎng)絡預測模型，使用改進的算法進行訓練，并對煙氣脫硫脫硝中臭氧需求量的預測[6]，主要步驟分析為以下幾個方面。

（1）根據(jù)生產(chǎn)工藝流程，臭氧將難溶于水的NOx，SO2等氮硫氧化物氧化成易溶于水的高價氧化物，通過堿性廢水進行中和，同時脫硫脫硝的目的。通過分析可知，影響臭氧需求量的主要因素是：煙氣的流速，反應前煙氣中氧氣的濃度，反應中管道內(nèi)的平均氧氣濃度，反應管道中臭氧與SO2的摩爾比，臭氧與NOx的摩爾比，氣體在反應管道中的停留時間，堿性廢水吸收液的溫度，堿性廢水吸收液中堿離子的濃度和煙氣的溫度等因素。在此，選取以上影響因素作為BP神經(jīng)網(wǎng)絡模型的輸入變量，通入的臭氧的流速作為輸出變量。

在建立BP神經(jīng)網(wǎng)絡模型過程中，隱含層節(jié)點數(shù)對BP神經(jīng)網(wǎng)絡預測精度有較大的影響，節(jié)點數(shù)太少，網(wǎng)絡不能很好地學習，需要增加訓練次數(shù)，訓練的精度也受影響；節(jié)點數(shù)太多，訓練時間增加，網(wǎng)絡容易過擬合[7，8]。最佳隱含層節(jié)點數(shù)的選擇可參考如下公式。

4結語

改進的BP網(wǎng)絡預測模型，對同時脫硫脫硝臭氧需求量進行預測，訓練算法采用動態(tài)自適應學習率的梯度下降算法，能夠更快的進行訓練，預測誤差也較小，預測值有很好的利用價值；通過對臭氧需求量的預測，能夠實時的根據(jù)工況自動改變臭氧的添加量，既能滿足脫硫脫硝的技術要求，同時也可以降低臭氧的需求量，降低企業(yè)成本，提高公司效益。本文只是設計了方法，結果需要經(jīng)過試驗進行驗證，并進行改進。

參考文獻：

[1] 吳昌設.基于人工神經(jīng)網(wǎng)絡的電網(wǎng)日負荷預測研究[D].杭州：浙江大學，2011.

[2] 姜成科.基于遺傳算法的神經(jīng)網(wǎng)絡在大壩變形預報中的應用 [D].大連：大連理工大學，2008.

[3] 劉曉悅，姚樂樂，聚類分析在超短期電力負荷中的應用[J].河北聯(lián)合大學學報：自然科學版，2013，35（3）：74～80.

[4] 沙瑞華.基于神經(jīng)網(wǎng)絡的水電機組動載識別研究[D].大連：大連理工大學，2005.

[5] 黃豪彩，楊冠魯.基于LM算法的神經(jīng)網(wǎng)絡系統(tǒng)辨識[J].組合機床與自動化加工技術，2003（2）：6～8.

[6] 馮居易，郭曄.基于LM算法的石油期貨價格預測研究[J].技術經(jīng)濟與管理研究，2009（5）：19～21.

[7] 項灝，張俊.一種改進的量子遺傳模擬退火算法及其在神經(jīng)網(wǎng)絡智能故障診斷中的應用[J].機床與液壓，2012.40（13）：196～200.

神經(jīng)網(wǎng)絡前向傳播算法范文第3篇

關鍵詞：BP神經(jīng)網(wǎng)絡；計算機實驗室管理；評價指標分析

中圖分類號：TP183 文獻標識碼：A 文章編號：1674-7712 （2013） 04-0088-01

一、BP神經(jīng)網(wǎng)絡

從本質上講，BP神經(jīng)網(wǎng)絡算法是以網(wǎng)絡誤差平方和為目標函數(shù)，運用梯度法求目標函數(shù)達到最小值的算法。糾錯原則是BP算法最為基本的一個原理，將網(wǎng)絡輸出的誤差進行反向傳播，運用梯度下降法，對網(wǎng)絡的連接權值進行調(diào)整和修改，使其誤差最小。在學習過程中，BP算法可以劃分為兩個階段，一是前向計算，一是誤差反向傳播。在這里我們主要通過具體的來分析，假設一個兩層的 BP神經(jīng)網(wǎng)絡，其輸入為p，輸入神經(jīng)元有r個，隱含層內(nèi)神經(jīng)元有s1個，激活函數(shù)為F1，輸出層內(nèi)有神經(jīng)元s2個，對應的激活函數(shù)為F2，輸出為A，目標矢量為T，那么信息在進行正向傳遞時，具體的情況如下：

二、模型設計

其次是模型設計。BP神經(jīng)網(wǎng)絡的建立，在確定了相關指標體系以后，就需要將確定相關的結點數(shù)，如輸入結點數(shù)、隱含結點數(shù)、輸出結點數(shù)、每一層的結點數(shù)等，在起初建立時，需要根據(jù)初始網(wǎng)絡參數(shù)，適當?shù)卣{(diào)整網(wǎng)絡結構，通過網(wǎng)絡訓練，使得整個學習過程更加穩(wěn)定，與此同時，對于指定的誤差進行調(diào)整，并且規(guī)定最大值，并且利用相關的測試數(shù)據(jù)來進行BP神經(jīng)網(wǎng)絡的優(yōu)化處理，確定其達到設計的準確性與規(guī)范性，那么一個BP神經(jīng)網(wǎng)絡模型就建立起來了。第三是模型確立。對于模型的確立主要體現(xiàn)在三個方面，這里作簡單分析，一是輸入輸出神經(jīng)元個數(shù)確立，通常情況下，實驗室管理指標主要有13個二級指標和4個一級指標，其中，這13個指標就是輸入神經(jīng)元的個數(shù)，同時將輸出的神經(jīng)元作業(yè)評價的結果，由于評價的結果只有一個，那么輸出神經(jīng)元的個數(shù)也只有1個。二是隱含神經(jīng)元個數(shù)確立。

三、仿真分析

根據(jù)以上分析我們知道，BP神經(jīng)網(wǎng)絡算法是以網(wǎng)絡誤差平方和為目標函數(shù)，運用梯度法求目標函數(shù)達到最小值的算法。為此，對于仿真分析，需要根據(jù)糾錯原則，確定網(wǎng)絡輸出的誤差的反向傳播，并且結合梯度下降法，優(yōu)化網(wǎng)絡的連接權值，調(diào)整和修改誤差值，通過Matlab軟件編程，構造BP神經(jīng)網(wǎng)絡，確定指標體系后，確定相關的結點數(shù)，設置權值，nntool中input的value設置，根據(jù)初始網(wǎng)絡參數(shù)，調(diào)整網(wǎng)絡結構，并指定的誤差進行調(diào)整，利用相關的測試數(shù)據(jù)來進行BP神經(jīng)網(wǎng)絡的優(yōu)化處理，確定其達到設計的準確性與規(guī)范性。

四、總結

總而言之，BP神經(jīng)網(wǎng)絡評價模型的建立，不僅可以促進實驗室管理的規(guī)范化，而且有利于提高實驗室日常管理水平，因此，要對其模型建立進行具體分析，優(yōu)化其結構和和功能，最大限度發(fā)揮其價值和作用。

參考文獻：

[1]李俊青，陳鶴年，嚴麗麗，季文天.基于BP神經(jīng)網(wǎng)絡的計算機實驗室管理評價指標[J].實驗室研究與探索，2011（04）：71-73.

神經(jīng)網(wǎng)絡前向傳播算法范文第4篇

【關鍵詞】BP神經(jīng)網(wǎng)絡；遺傳算法；變壓器；故障診斷

1 引言

變壓器作為電力系統(tǒng)重要的變電設備，其運行狀態(tài)直接影響到供電的可靠性和整個系統(tǒng)的正常運行。一旦發(fā)生事故，將對電力系統(tǒng)和終端用戶造成嚴重的影響。因此研究變壓器故障診斷技術，對電力系統(tǒng)安全運行有著重要的現(xiàn)實意義。

對變壓器油中溶解氣體進行色譜分析（DGA）是變壓器內(nèi)部故障診斷的一種重要的手段。基于此技術，采用具有高度的非線性映射以及自組織、自學習能力的人工神經(jīng)網(wǎng)絡，現(xiàn)階段在進行故障診斷時多采用BP神經(jīng)網(wǎng)絡。BP算法是基于梯度的方法，容易陷入局部極小值，且收斂速度慢。GA遺傳算法的發(fā)展為我們提供了一個全局的、穩(wěn)健的搜索優(yōu)化方法，本文充分利用GA具有不受函數(shù)可微與連續(xù)的制約，并且能達到全局最優(yōu)的特點，由GA尋找最優(yōu)的BP網(wǎng)絡權值與相應節(jié)點的閾值，并加入動量因子，此方法彌補了傳統(tǒng)優(yōu)化方法的不足，極大地改善了BP網(wǎng)絡的性能。

2 BP神經(jīng)網(wǎng)絡及遺傳算法原理

2.1 BP神經(jīng)網(wǎng)絡的基本原理

BP神經(jīng)網(wǎng)絡是一種利用反向傳播訓練算法的前饋型神經(jīng)網(wǎng)絡，BP學習算法基本原理是梯度最速下降法，中心思想是調(diào)整權值使網(wǎng)絡總誤差最小，即采用梯度搜索技術，以使其網(wǎng)絡的實際輸出值與期望輸出值的誤差均方值為最小。

BP學習算法包括前向傳播和誤差反向傳播兩個學習階段。當給定網(wǎng)絡的一個輸入模式時，輸入信號經(jīng)隱層逐層處理后傳到輸出層，并由輸出層處理后產(chǎn)生一個輸出模式，稱為前向傳播；當輸出響應與期望的輸出模式有誤差時，則轉入誤差反向傳播。即將誤差值沿原來的連接通路逐層反向傳播直至輸入層，并修正各層連接權值。對于給定的一組訓練模式，不斷地重復前向傳播和誤差反向傳播的過程，通過沿途修改各層神經(jīng)元間的連接權和神經(jīng)元閾值使得誤差達到最小。當各個訓練模式都滿足要求時，就說BP網(wǎng)絡已學習好。BP神經(jīng)網(wǎng)絡模型的基本結構如圖1。

2.2 附加動量的BP神經(jīng)網(wǎng)絡

傳統(tǒng)的BP神經(jīng)網(wǎng)絡訓練在修正權值時，是按著k時刻的負梯度方式進行修正，而忽略了之前積累的經(jīng)驗，導致權值的學習過程發(fā)生振蕩，收斂緩慢。因此提出加入動量因子a，此時k+1時刻的權值為：

附加動量法總是力圖使同一梯度方向上的修正量增加。這種方法加速了收斂速度，并在一定程度上減小了陷入局部極小的概率。

2.3 GA遺傳算法的基本原理

GA是模擬自然界優(yōu)勝劣汰的進化現(xiàn)象，把搜索空間映射為遺傳空間，把可能的解編碼成一個向量（染色體），向量的每個元素稱為基因。通過不斷計算各染色體的適應值，選擇最好的染色體，獲得最優(yōu)解。

首先把問題解用遺傳表示出來，在對種群中的個體進行逐個解碼并根據(jù)目標函數(shù)計算其適應值。根據(jù)適應值的大小而決定某些個體是否得以存活的操作，把適應值高的個體取出復制再生，再將兩個個體的某些部分互換并重新組合而成新的個體，經(jīng)過交叉后隨機地改變個體的某些基因位從而產(chǎn)生新的染色體。這樣的過程反復循環(huán)，經(jīng)過若干代后，算法就收斂到一個最優(yōu)的個體，問題最終獲得全局最優(yōu)解。GA流程圖如圖2所示：

3 GA優(yōu)化BP神經(jīng)網(wǎng)絡的變壓器故障診斷模型設計

GA-BP算法主要思想是：先利用神經(jīng)網(wǎng)絡試探出最好的網(wǎng)絡的隱層節(jié)點數(shù)，再利用遺傳算法在整體尋優(yōu)的特點將網(wǎng)絡的權值優(yōu)化到一個較小的范圍，進而用BP算法繼續(xù)優(yōu)化。

3.1 BP網(wǎng)絡的建立

（1）輸入模式的確定

本文為了充分利用在線監(jiān)測中的特征氣體而又不使輸入量過大，特取C2H2/C2H4、C2H4/C2H6、CH4/H2的比值歸一后作為輸入矢量。

（2）輸出模式的確定

本文對輸出層采用正常、低溫過熱、中溫過熱、高溫過熱、局部放電、低能放電、高能放電共7個神經(jīng)元。輸出值最大為l，數(shù)值越大則表明該類型的故障的可能性和嚴重程度也越大，如表2.1：

（3）隱含層神經(jīng)元數(shù)確定

本文參考關于隱含層神經(jīng)元數(shù)的理論研究和經(jīng)驗公式，獲得理論值為5～15。再利用matlab 軟件，通過試湊法對網(wǎng)絡進行訓練，將隱層節(jié)點設置為6、8、10、12、14，將其輸入計算機，在相同訓練條件下進行訓練，得知隱層節(jié)點數(shù)為12時網(wǎng)絡收斂性能好，收斂時間較短。故選節(jié)點數(shù)為12。

綜上所述，本文構建一個輸入層為3，隱含層為12，輸出層為7的BP神經(jīng)網(wǎng)絡。

3.2 GA對BP網(wǎng)絡進行優(yōu)化

（1）初始化種群P、以及權值、閾值初始化；在編碼中，采用實數(shù)進行編碼，本文初始種群取30；

（2）計算每一個個體評價函數(shù)，并將其排序；可按下式概率值選擇網(wǎng)絡個體：

其中 i為染色體個數(shù)，k為輸出層節(jié)點數(shù)，YK為訓練值，P為學習樣本數(shù)，T為期望目標值；

（3）進行選擇復制、交叉、變異遺傳操作；

（4）將新個體插入到種群P中，并計算新個體的評價函數(shù)；

（5）計算BP的誤差平方和，若達到預定值則進行BP神經(jīng)網(wǎng)絡的訓練，否則重復進行遺傳操作；

（6）結束GA操作，以GA遺傳出的優(yōu)化初值作為初始權值，運用BP神經(jīng)網(wǎng)絡進行訓練，計算其誤差，并不斷修改其權值和閾值，直至滿足精度要求，此時說明BP網(wǎng)絡已經(jīng)訓練好，保存網(wǎng)絡權值和閾值。

4 故障診斷系統(tǒng)的仿真

本文選取了具有代表性的30組作為訓練樣本， 在建立的GA-BP變壓器故障診斷網(wǎng)絡中輸入樣本進行訓練，其遺傳算法適應度曲線、誤差平方和曲線和GA-BP的訓練目標曲線圖分別見圖3、圖4和圖5。

從圖中可以看出，適應度較高的個體被遺傳了下來，適應度較低的則被淘汰；GA進行了150代的遺傳操作達到了目標值；GA-BP算法進行了106步左右就收斂到指定精度0.0005。由此看出，此GA優(yōu)化BP建立的變壓器故障診斷模型的收斂精度和收斂速度都比較高。

采用實際檢測到的10組電力變壓器故障實例（表2）來驗證網(wǎng)絡性能，神經(jīng)網(wǎng)絡診斷結果和實際故障結果的比較，如表3所示：

由表3可見，基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡的變壓器故障診斷系統(tǒng)在故障診斷中達到了很高的準確率，能較好地滿足變壓器故障診斷的要求，極大的提高了診斷的可靠性和準確性。

5 結束語

文中將遺傳算法與BP網(wǎng)絡相結合，在DGA的基礎上設計了適用于變壓器故障診斷的3-12-7結構的BP神經(jīng)網(wǎng)絡。先對網(wǎng)絡的權值閾值進行GA算法處理，并在傳統(tǒng)的BP算法中加入動量因子，通過MATLAB編程實現(xiàn)了GA優(yōu)化BP網(wǎng)絡。通過仿真分析可知GA優(yōu)化BP網(wǎng)絡收斂性能的提高改善了BP網(wǎng)絡的學習效率，并在下一步的診斷工作中體現(xiàn)其高準確率，推廣了此優(yōu)化網(wǎng)絡在變壓器故障診斷的實用性。

參考文獻：

[1]張緒錦，譚劍波，韓江洪.基于BP神經(jīng)網(wǎng)絡的故障診斷方法[J].系統(tǒng)工程理論與實踐，2002（6）.

[2]王少芳，蔡金錠.GA―BP混合算法在變壓器色譜診斷法中的應用[J].高電壓技術，2003（7）.

[3]鄭高，戴玉松.人工智能方法在變壓器故障診斷中的應用[J].四川工業(yè)學院報，2004 （5）.

[4]李國勇.智能控制機器MATLAB實現(xiàn)[M].電子工業(yè)出版社，2005.

[5]徐志鈕，律方成.多神經(jīng)網(wǎng)絡方法在變壓器油色譜故障診斷中的應用[J].高壓電器，2005（3）.

神經(jīng)網(wǎng)絡前向傳播算法范文第5篇

關鍵詞:功率放大器; 預失真技術; 神經(jīng)網(wǎng)絡; 單入雙出; 互調(diào)失真

中圖分類號:TP18 文獻標識碼:A

文章編號:1004-373X(2010)09-0107-05

Research of Self-adaptive Digital Predistortion Technology Based on SIDO-neural Network

QIU Wei, LIU Yu-peng, ZHANG Lei-lei

(The base of China Ocean Measure, Jiangyin 214431, China)

Abstract: Because of inherent nonlinearity of high-power amplifier, which may cause bad influence on communication systems, it is necessary to make a linearization processing to overcome or weaken it. The math analysis of nonlinear distortion for the high-power amplifier(HPA) is performed. The basic principle of digital predistortion and the foundamental knowledge of neural network are described. A self-adaptive digital predistortion technology based on SIDO-neural network is proposed according to the amplifying amplitude and the distortion characteristic of phase, which can be improved by the technology. Taking a double-sound signal and 16QAM signal as an example, the Matlab simulation is carried out, The result proves that this technology is superior.

Keywords: power amplifier; predistortion technology; neural network; SIDO; intermodulation distortion

0 引 言

無線通信技術迅猛發(fā)展,人們對通信系統(tǒng)的容量要求也越來越大。為了追求更高的數(shù)據(jù)速率和頻譜效率,現(xiàn)代通信系統(tǒng)都普遍采用線性調(diào)制方式,如16QAM和QPSK方式,以及多載波配置[1]。

但這些技術產(chǎn)生的信號峰均比都較大,均要求功率放大器具有良好的線性特性,否則就會出現(xiàn)較大的互調(diào)失真,同時會導致頻譜擴展,造成臨道干擾,使誤碼率惡化,從而降低系統(tǒng)性能。

預失真技術是一項簡單易行的功放線性化技術,具有電路形式簡單,調(diào)整方便,效率高,造價低等優(yōu)點[2]。其中,基帶預失真還能采用現(xiàn)代的數(shù)字信號處理技術,是最為看好的一項功放線性化技術。這里利用一種簡單的單入雙出三層前向神經(jīng)網(wǎng)絡來進行自適應預失真處理,同時補償由高功率放大器非線性特性引起的幅度失真和相位失真,從而實現(xiàn)其線性化。

文中分析了基于這種結構的自適應算法,并做了相應的仿真。仿真結果表明,該方法能有效克服功放的非線性失真,且收斂速度比一般多項式預失真更快,具有一定的優(yōu)勢。

1 高功率放大器非線性分析

高功率放大器一般都是非線性器件,特別是當輸入信號幅度變化較大時,放大器的工作區(qū)將在飽和區(qū)、截止區(qū)、放大區(qū)之間來回轉換,非線性失真嚴重,會產(chǎn)生高次諧波和互調(diào)失真分量。由于理論上任何函數(shù)都可以分解為多項式的形式,故放大器的輸入和輸出關系表示為:

Vo=a1Vi+a2V2i+a3V3i+…+anVni(1)

假設輸入的雙音信號為:

Vi=V1cos(ω1t)+V2cos(ω2t)(2)

把式(2)代入式(1),得到輸出電壓為:

Vo=a22(V21+V22)+a1V1+a334V31+32V1V22+…cos(ω1t)+a2V2+a334V32+32V2V21+…cos(ω2t)+12a2V21+…cos(2ω1t)+12a2V22+…cos(2ω2t)+14a3V31+…cos(3ω1t)+14a3V32+…cos(3ω2t)+a2V1V2[cos(ω1+ω2)t+cos(ω1-ω2)t]+34a3V21V2[cos(2ω1+ω2)t+cos(2ω1-ω2)t]+

34a3V22V1[cos(2ω2+ω1)t+cos(2ω2-ω1)t]+58a5V31V22cos(3ω2-2ω1)t+58a5V21V32cos(3ω1-2ω2)t+…

從上式可以看出,輸出信號中不僅包含了2個基頻ω1,ω2,還產(chǎn)生了零頻,2次及高次諧波以及互調(diào)分量。通常2ω1-ω2,2ω2-ω1,3ω1-2ω2和2ω1-3ω2會落在通頻帶內(nèi),一般無法濾除,是對通信影響最大的非線性失真分量,即所謂的三階互調(diào)和五階互調(diào)。放大器線性化的目標就是在保證一定效率的前提下最大地減小┤階和┪褰諄サ鞣至俊

2 預失真基本原理及其自適應

預失真就是在信號通過放大器之前通過預失真器對信號做一個與放大器失真特性相反的失真,然后與放大器級聯(lián),從而保證輸出信號相對輸入信號是線性變化。預失真器產(chǎn)生一個非線性的轉移特性,這個轉移特性在相位上與放大器轉移特性相反,實質上就是一個非線性發(fā)生器。其原理圖如圖1所示。

圖1 預失真基本原理

預失真器的實現(xiàn)通常有查詢表法和非線性函數(shù)兩種方式[2]。由于查表法結構簡單,易于實現(xiàn),早期的預失真多采用此方法,但它對性能的改善程度取決于表項的大小,性能改善越大,需要的表項越大,所需要的存儲空間也越大,每次查找遍歷表項的每個數(shù)據(jù)和更新表項所需要的時間和計算時間也越長,因此在高速信息傳輸?shù)慕裉煲呀?jīng)不可取。非線性函數(shù)法是用一個非線性工作函數(shù)來擬合放大器輸出信號采樣值及其輸入信號的工作曲線,然后根據(jù)預失真器特性與放大器特性相反,求出預失真器的非線性特性函數(shù),從而對發(fā)送信號進行預失真處理。這種方法只需要更新非線性函數(shù)的幾個系數(shù),而不需要大的存儲空間,因此是近年來研究的熱點。

假設預失真器傳輸函數(shù)為F(x),放大器傳輸函數(shù)為G(x),F和G均為復函數(shù)。若輸入信號為x(t),則經(jīng)過預失真器之后的信號為u(t)=F[x(t)],放大器輸出函數(shù)為y(t)=G[u(t)]=G{F[x(t)]},預失真的目的就是使x(t)通過預失真器和放大器級聯(lián)后輸出y(t)=ax(t),a為放大器增益。通過一定的方法可以找到合適的F,使實際輸出和期望輸出的誤差最小。

由于溫度、電器特性、使用環(huán)境等因素的不斷變化,放大器的傳輸特性也會發(fā)生變化,從而預失真器傳輸函數(shù)F(x)的各參數(shù)也會隨之而變化,因此現(xiàn)代數(shù)字預失真技術一般都要采用自適應技術以跟蹤調(diào)整參數(shù)的變化。目前常用的兩種自適應預失真結構如圖2、圖3所示。

圖2 自適應預失真系統(tǒng)結構圖

圖3 復制粘帖式自適應預失真系統(tǒng)結構圖

圖2是一般的通用自適應結構,結構簡單,思路明確,但一些經(jīng)典的自適應算法由于多了放大器求導項而不能直接應用,且需要辨識放大器的傳輸特性,而圖3的復制粘帖式結構(非直接學習)則不存在這些問題,關于這種結構的優(yōu)缺點比較和具體性能分析見文獻[3]。本文將采用后一種自適應結構。

3 基于一種單入雙出式神經(jīng)網(wǎng)絡的自適應預失真技術

3.1 神經(jīng)網(wǎng)絡

神經(jīng)網(wǎng)絡是基于生物學神經(jīng)元網(wǎng)絡的基本原理而建立的。它是由許多稱為神經(jīng)元的簡單處理單元組成的一類自適應系統(tǒng),所有神經(jīng)元通過前向或回饋的方式相互關聯(lián)、相互作用。由Minsky和Papert提出的多層前向神經(jīng)元網(wǎng)絡是目前最為常用的網(wǎng)絡結構,已廣泛應用到模式分類和函數(shù)逼近中,且已證明含有任意多個隱層神經(jīng)元的多層前向神經(jīng)元網(wǎng)絡可以逼近任意的連續(xù)函數(shù)[4]。本文利用神經(jīng)網(wǎng)絡的這種功能來擬合預失真器的特性曲線,并且用改進的反向傳播算法來自適應更新系數(shù)。

多層前向神經(jīng)元網(wǎng)絡由輸入層、一個或多個隱層和輸出層并以前向方式連接而成,其每一層又由許多人工神經(jīng)元組成,前一層的輸出作為下一層神經(jīng)元的輸入數(shù)據(jù)。三層前向神經(jīng)元網(wǎng)絡示意圖如圖4所示,其中輸入層有M個人工神經(jīng)元,隱層有K個神經(jīng)元,輸出層有N個神經(jīng)元。關于人工神經(jīng)元的具體介紹參考文獻[5-6]。

圖4 三層前向神經(jīng)元網(wǎng)絡

3.2 基于單入雙出式神經(jīng)網(wǎng)絡的自適應預失真系統(tǒng)模型

對于圖5所示的單入雙出式三層前向神經(jīng)網(wǎng)絡,假設隱層包含K個神經(jīng)元。輸入數(shù)據(jù)經(jīng)過一系列權系數(shù){w11,w12,…w1K}加權后到達隱層的各個神經(jīng)元。隱層中的神經(jīng)元將輸入進來的數(shù)據(jù)通過一個激勵函數(shù)(核函數(shù)),將其各神經(jīng)元的輸出經(jīng)過一系列權系數(shù){w21,w22,…,w2K}和{w31,w32,…,w3K}加權并求和后分別作為輸入層第一個神經(jīng)元和第二個神經(jīng)元的輸入,然后各神經(jīng)元的輸入通過激勵函數(shù)得到兩個輸出。

將圖5代替圖3中的函數(shù)發(fā)生器,即得到本文中所提到的基于單入雙出式前向神經(jīng)網(wǎng)絡的預失真器結構圖,如圖6所示。

神經(jīng)網(wǎng)絡的三組系數(shù)向量開始都隨機初始化。設輸入序列為xi(i=1,2,…),通過幅度提取和相位提取后得到信號的幅度序列和相位序列。若神經(jīng)網(wǎng)絡的輸入為原始輸入序列的幅度序列ri(i=1,2,…),則隱層各單元輸入I1k=w1kri-θ1k。經(jīng)過核函數(shù)后,隱層各單元的輸出為J1k=f(I1k),其中f(x)=11+e-x為核函數(shù),輸出層的靜輸入為z1=∑Kk=1w2k*J1k-θ1,z2=∑Kk=1w3k*J1k-θ2,輸出層神經(jīng)元1的輸出,即預失真器幅度預失真分量為U1=f(z1)。

圖5 單入雙出三層前向神經(jīng)元網(wǎng)絡

圖6 單入雙出式前向神經(jīng)網(wǎng)絡預失真器結構圖

由于相位失真分量的輸出范圍沒有限制在0和1之間,因此不能用核函數(shù)加以限制,這里設定輸出層神經(jīng)元2的輸出等于其輸入,即預失真器相位預失真分量為U2=z2,最后預失真后的幅度和相位和的指數(shù)相乘得到送入功放的復信號。功率放大器的輸出信號設為yi(i=1,2,…),其幅度和相偏分別為yai(i=1,2,…)和ypi(i=1,2,…)。最后整個系統(tǒng)的幅度絕對誤差為ea(i)=Gri-ya(i),相位絕對誤差為ep(i)=U2(i)+yp(i),整個系統(tǒng)的絕對誤差和為e(i)=ea(i)+ep(i),然而直接把此誤差運用到反向傳播算法(BP算法)中會導致算法出現(xiàn)局部收斂且收斂速度極慢。因此本文對誤差信號做了改進,即把誤差信號改為:

e(i)=12[λ(ea(i)]2+(1-λ)φ[ea(i)]+

λ[ep(i)]2+(1-λ)φ[ep(i)]

其中:φ(x)=In[cos(βx)]/β,加入的調(diào)整因子λ和輔助項φ,能把算法從局部收斂點拉出來,且收斂速度得到一定的提高。最后根據(jù)反向傳播算法,得到訓練神經(jīng)網(wǎng)絡的權系數(shù)更新式如下(下標2為隱層到輸出層權系數(shù),下標1為輸入層到隱層權系數(shù)):

δ2a(i)=ca(i)*[1+U1(i)]*[1-U1(i)](3)

δ2p(i)=cp(i)(4)

w2(i)=α*δ2a(i)*J1+η*w2(i-1)(5)

θ2(i)=α*δ2a(i)+η*θ2(i-1)(6)

w3(i)=-α*δ2p(i)*J1+η*w3(i-1)(7)

θ3(i)=-α*δ2p(i)+η*θ2(i-1)(8)

δ1(i)=(δ2a(i)*w2-δ2p(i)*w3)*

J1(i)*[1-J1(i)](9)

w1(i)=β*δ1(i)*ri+η*w1(i-1)(10)

θ1(i)=β*δ1(i)+η*θ1(i)(11)

式中:ca(i)=λea(i)-1-λ2tan[β*ea(i)];cp(i)=λ*ep(i)-1-λ2tan[β*ep(i)]。

預失真權系數(shù)可分為訓練和跟蹤兩個階段。根據(jù)上面的迭代公式,得到一組訓練神經(jīng)網(wǎng)絡的權系數(shù),用當前的權系數(shù)替代預失真器神經(jīng)網(wǎng)絡中原來的權系數(shù),得到一組新的預失真系數(shù),之后重新計算誤差,繼續(xù)上面的過程循環(huán)迭代運算,直到誤差小于規(guī)定的范圍,即整個系統(tǒng)收斂,則預失真器訓練完成,此時為訓練階段。之后隨著溫度、輸入的調(diào)制信號不同,以及環(huán)境等變化可能引起功放特性的變化,可以設置一個誤差門限值,一旦發(fā)現(xiàn)誤差超過此門限,立即重新啟動上面的循環(huán)迭代,重新訓練,直到滿足條件,此時為跟蹤階段。這種改進型BP算法的收斂速度快,能滿足實時運算的要求。同時在硬件實現(xiàn)上,只要做一個核函數(shù)發(fā)生器,其他都是乘累加運算,硬件實現(xiàn)要簡單得多,因此具有一定的實用性。

4 性能仿真

文中使用雙音信號進行了仿真分析,雙音信號為:

xs=0.5[sin(2π×10×t)+sin(2π×8×t)]

放大器模型采用經(jīng)典salef[9]模型,神經(jīng)網(wǎng)絡的隱層數(shù)設為15。圖7為雙音信號原始頻譜。

圖8是為雙音信號直接通過放大器和通過文中所提的預失真網(wǎng)絡后再通過放大器的頻譜圖對比。由此可見,雙音信號直接通過放大器后產(chǎn)生了較大的失真,其中的三階互調(diào)達到了-16 dB,五階互調(diào)也有-29 dB。通過對文中所提神經(jīng)網(wǎng)絡預失真系統(tǒng)進行處理后,即信號通過預失真器再通過放大器后,三階互調(diào)被抑制到-42 dB,五階互調(diào)也被抑制到-48 dB以下,此時三階互調(diào)改善26 dB,五階互調(diào)改善19 dB,使放大器的非線性失真得到較大的抑制。

圖7 原始信號歸一化頻譜圖

圖8 預失真前后信號歸一化頻譜圖

下面以16QAM信號為例,說明這種預失真技術對功放非線性特性的改善,如圖9所示。

圖9(a)為16QAM信號規(guī)則星座圖,調(diào)制信號均勻地分布在正方形的16個點上;圖9(b)為16QAM信號經(jīng)過功率放大器后解調(diào)的星座圖。由圖可見,信號經(jīng)過放大器后,幅度受到壓縮,相位發(fā)生偏移,并且輸入信號幅度越大,輸出信號幅度壓縮越大,相位偏移越嚴重,最后出現(xiàn)嚴重的“云團效應”,使得接收端不能正確解調(diào)信號。圖9(c)是經(jīng)過本節(jié)所提出的單入雙出式神經(jīng)網(wǎng)絡預失真器處理后解調(diào)信號的星座圖。由圖可見,經(jīng)過預失真處理后,由于放大器非線性引起的幅度壓縮和相位旋轉都得到較好的糾正,“云團效應”明顯減弱,最后各個點基本都在理想點上,與┩9(a)對比,基本消除了失真。

5 結 語

針對放大器固有的非線性特性問題,從數(shù)學上分析了放大器的非線性失真,介紹了基于預失真基本原理和神經(jīng)網(wǎng)絡基本概念,提出了一種單入雙出式神經(jīng)網(wǎng)絡自適應預失真技術。仿真結果表明,該技術能對三階互調(diào)能抑制29 dB左右,對五階互調(diào)能抑制19 dB左右,對QAM調(diào)制信號由于放大器非線性引起的幅度壓縮和相位旋轉都得到較好的糾正,在很大程度上克服了放大器非線性特性,改善了通信系統(tǒng)的性能。

圖9 16QAM信號星座圖失真及改善對比

參考文獻

[1]趙慧,漆蘭芬.射頻放大器的工作函數(shù)預失真線性化[J].無線電工程,2001,31(12):58-61.

[2]賈建華,劉戰(zhàn)勝.關于自適應預失真射頻功率放大器線性化研究[J].微波學報,2005,21(3):48-50.

[3]錢業(yè)青.一種高效的用于RF功率放大器線性化的自適應預失真結構[J].通信學報,2006,27(5):35-40,46.

[4]CYBENKO G. Approximations by superpositions of a sigmoidal function[J]. Mathematics of Control, Signals and Systems, 1989(2): 183-192.

[5]劉寶碇,趙瑞清,王綱.不確定規(guī)劃及應用[M].北京:清華大學出版社,2003.

[6]朱劍英.只能系統(tǒng)非經(jīng)典數(shù)學方法[M].武漢:華中科技大學出版社,2001.

[7]WU Shan-yin, SIMON H S F, WONG Y M. The use of nonlinear curvefitting in digital predistortion for linearizing RF power amplifiers[J]. IEEE ICICS, 2005, 3: 960-963.

[8]GLENTIS G O, BERBERDIS K, THEODORIDID S. Efficient least sqares adaptive algorithms for FIR transversal filtering[J].IEEE Signal Processing Magazine,1999,16(4):13-41.