神經網絡的魯棒性

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篇神經網絡的魯棒性范文，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。

神經網絡的魯棒性范文第1篇

關鍵詞：星圖識別；構建識別特征星庫；GRNN網絡

星敏感器是衛(wèi)星中最精確的姿態(tài)傳感器。隨著光電技術的發(fā)展，星敏感器在航天器上的應用前景十分廣闊。利用神經網絡在星圖識別方面具有良好的效果，但由于訓練效率低，難以實現(xiàn)星敏感器的在線應用。本文將廣義回歸神經網絡應用于星圖識別過程中，在大視場條件下，通過構建特征矢量作為網絡輸入，實驗結果表明，該方法準確率較高且識別時間較短。

1星敏感器原理

星敏感器是對恒星進行觀察和分析，通過提取拍攝視場中恒星的信息與數(shù)據(jù)庫進行比較來定位局部范圍的高精度姿態(tài)測量設備[1]。星敏感器的工作流程圖如圖1所示。利用基本星表提取出赤經、赤緯和星等信息，并根據(jù)提取的信息進行導航星庫的構建。導航星庫由兩個部分組成，即基本信息庫和識別特征庫，兩者具有一一對應的關系。基于星敏感器實際拍攝星圖的困難性[2]，使用加入噪聲的模擬星圖進行替代。對獲取的星圖需要進行去噪和圖像處理，即星圖預處理。經處理后的星圖中，觀測星特征矢量的構建方法與導航星庫中識別特征庫的構建方法相同。識別特征庫中的特征矢量作為神經網絡的訓練集輸入數(shù)據(jù)，輸出為對應導航星的赤經和赤緯，即導航星的特征信息包含在連接權值中。故向神經網絡輸入觀測星特征矢量時，無需多次迭代即可直接輸出對應的赤經、赤緯。

2導航星庫的構造

2.1識別特征星庫的構建

圖2是利用神經網絡算法構造特征矢量[3]的方法。具體實現(xiàn)方法如下：（1）選取視場中亮度最大的8顆星，其中最亮的星為導航星G1，距離G1最近的星為導航星G2。若最亮的星有多顆，則選擇離視場中心最近的星為G1；（2）以G1G2的連線作為基線，計算其余觀測星與導航星G1的連線與基線的逆時針夾角，并按照夾角值由小到大命名剩余6顆觀測星G3~G8；（3）計算導航星G1到G2~G8的距離17r~r；（4）對于整個視場，可以得到由7個距離值r和6個夾角余弦值構的特征矢量：

2.2驗證集的獲取

以赤道為起點并根據(jù)赤道上(10°，10°)對應的空間立體角進行劃分，示意圖見圖3。在保證赤緯β=10°的基礎上，利用式2計算赤經αn的變化值，將天球分為n個子塊，其中南北兩極處為球冠，其余部分為球面環(huán)帶。本文利用空間立體角法將天球分為386個子塊，在每個子塊中隨機抽取1顆星，并利用該星對應的基本信息獲得其特征矢量。

3神經網絡與星圖識別

神經網絡進行星圖識別屬于模式識別方法，識別的目的是獲得一個映射f,使b=f(a)，其中，a為輸入星模式，b為對應的星信息。神經網絡的輸入為特征矢量，輸出為對應的赤經和赤緯。在神經網絡的輸入值為x1，x2，...，xn時，預測輸出值為y1，y2，...，ym，ωij和ωjk為神經網絡權值；設隱含層閾值參數(shù)α，則在隱含層的輸出為利用輸出閾值參數(shù)b來計算神經網絡預測輸出Ok（k=1,2,...,m），并根據(jù)期望輸出值Tk確定預測誤差ek。

4實驗結果

4.1星圖模擬

本文中為了簡化計算，將二維高斯模型的x和y方向的標準偏差取為1，并將相關系數(shù)取0，以獲得高斯模型式中，(x0,y0)為中心點坐標，星點像素最大灰度值I0利用敏感星等對應的最大灰度值g0與恒星星等m求得。

4.2神經網絡訓練結果

神經網絡基于MATLAB平臺構建，為驗證廣義回歸神經網絡GRNN在星圖識別中的優(yōu)越性，測試了不同神經網絡在星圖識別中的性能，并將BP神經網絡與GRNN網絡進行性能對比。將導航星特征向量輸入，其赤經、赤緯坐標作為輸出進行訓練。隨后將均勻抽取的包含384個導航星的驗證數(shù)據(jù)集輸入網絡。我們將BP神經網絡中間層設為兩層，激活函數(shù)設為tansigmoid，BP神經網絡的驗證結果輸出值與真實值相差較大，若要達到良好的效果需要花費更多的訓練時間成本，難以滿足要求。利用GRNN網絡進行訓練時，多次試驗尋找到合適的擴散系數(shù)，并將驗證集數(shù)據(jù)輸入到網絡中得到的赤經與赤緯與真實值進行對比并計算相對誤差。GRNN網絡輸出坐標與實際坐標基本一致，識別成功率很高。為進一步驗證GRNN網絡在星圖識別中的有效性，我們對其魯棒性進行了簡要探究。魯棒性評價的目的是評估星圖識別算法的成功率受到不同干擾因素的影響程度，由于星圖中會存在一定的位置噪聲和干擾星，因此我們向驗證集中隨機添加距離誤差和角度誤差。測試表明，在像素距離誤差為±5%、角度誤差為±2°時，驗證樣本的識別正確率在97%以上；在像素距離誤差為±10%、角度誤差為±5°時，驗證樣本的識別正確率在95%以上。由此可見本文算法具有很強的魯棒性。此外，在訓練時間方面，BP神經網絡訓練時間至少需要300秒；而GRNN網絡訓練時間僅為1s左右，具有明顯優(yōu)勢。

5結論

本文提出了基于廣義回歸神經網絡GRNN的星圖識別方法，相比于BP神經網絡，GRNN網絡具有訓練時間短，魯棒性也較高。向特征矢量中添加較大角度誤差和距離誤差后，識別正確率仍然能夠保證，在像素距離誤差為±10%、角度誤差為±5°時，驗證樣本的識別正確率在95%以上。因此本方法更適用于星敏感器的實際應用，能夠提高星敏感器在受到較大干擾時的有效性。

參考文獻

[1]Toloei,Alireza1(AUTHOR);Zahednamazi,Mona1(AUTHOR);Ghasemi,Reza2(AUTHOR);Mohammadi,Fazel3(AUTHOR)(fazel@uwindsor.ca).Acomparativeanalysisofstaridentificationalgorithms.[J].Astrophysics&SpaceScience,2020,Vol.365(4):1-9.

[2]孫龍,蔡佳楠.一種折射星圖的模擬方法[J].電子科技,2018,31(03):21-23+31.

神經網絡的魯棒性范文第2篇

【關鍵詞】人工神經網絡;教育資源;管理系統(tǒng)

【中圖分類號】G40-057 【文獻標識碼】A 【論文編號】1009―8097(2009)07―0120―04

教育資源是信息化教學的基礎。隨著教育信息化的深層次推進,互聯(lián)網中的信息資源以指數(shù)方式增長,這些資源不僅在內容上多種多樣,在表現(xiàn)形式上更是豐富多彩。它對教育領域的沖擊與滲透使得網絡教育資源的利用受到重視,并隨之出現(xiàn)了新型教學模式,如:基于資源的自主探索式學習和協(xié)作學習等。然而海量的網絡教育資源既為教育帶來了強大的服務功能,也為資源的建設與管理帶來了新的挑戰(zhàn)。教育資源具有數(shù)據(jù)量大、形式多樣、針對性強、教育性強等諸多特點,如何將分散、無序的資源整合起來,使“用戶能方便、高效地將其利用于自己的學習和工作之中,并在大范圍內實現(xiàn)共享是網絡教育資源建設者必須慎重面對的問題。”[1]

一 教育資源管理面臨的問題

隨著信息資源飛速增長,對教育資源管理的要求也更加苛刻。而網絡環(huán)境的復雜給教育資源的管理帶來許多不確定性。

1 教育資源管理系統(tǒng)在網絡過載,受到攻擊的情況下很容易崩潰。系統(tǒng)一旦崩潰,所有辛辛苦苦積累起來的資料化為烏有,資源的開發(fā)利用和共享無從談起。目前“教育資源管理系統(tǒng)在輸入錯誤、磁盤故障、網絡過載或有意攻擊情況下,很容易死機和崩潰。”[2]而魯棒性(robustness)的大小是在異常和危險情況下系統(tǒng)生存的關鍵,代表了系統(tǒng)健壯與否。簡而言之,系統(tǒng)的魯棒性有待加強。

2 教育資源管理系統(tǒng)需要連續(xù)不斷地吸收新的教育資源。向用戶提供可靠的信息輸出。但是在發(fā)生故障時,教育資源管理系統(tǒng)容易停止工作,給用戶帶來較大的損失。而容錯性(Fault Tolerance)是指在故障存在的情況下管理系統(tǒng)不失效,仍然能夠正常工作的特性。很明顯,管理系統(tǒng)的容錯性較差,猶如一個經常斷電的供電站,給廣大用戶帶來不必要的煩惱與損失。

3 教育資源的擴張速度極快,對海量教育資源的分類顯得越來越困難。原先的人為分類跟不上信息傳遞的頻率,導致很難在較短的時間內找到用戶迫切需要的資料,浪費用戶的時間,也給教育資源的進一步推廣使用帶來障礙。

二 人工神經網絡的特點

人工智能(Artificial Intelligence)是探討人類智能的基本機理,研究如何利用各種自動機來模擬人的某些思維過程和智能行為,從而構造智能人工制品的科學。

人類對人工智能的研究可以分成兩種方式,對應著兩種不同的技術:基于心理角度模擬的傳統(tǒng)人工智能技術和基于生理角度模擬的人工神經網絡技術。從人腦的生理結構來觀察,人腦的每個神經元大約有103~4個樹突及相應的突觸,一個人的大腦總計約形成1014~15個突觸。用神經網絡的術語來說,即是人腦具有1014~15個互相連接的存儲潛力。雖然每個神經元的運算功能十分簡單,且信號傳輸速率也較低(大約100次/秒),但由于各神經元之間的極度并行互連功能,最終使得一個普通人的大腦在約1秒內就能完成現(xiàn)行計算機至少需要數(shù)10億次處理步驟才能完成的任務。根據(jù)人腦的生理特點,人工神經網絡(Artificial Neural Networks,ANN)是由大量并行分布的單元廣泛互連而成,通過各組成部分非同步化的變換,實現(xiàn)信息的整體處理任務,它的這一結構特點決定著人工神經網絡具有高速信息處理的能力。它實質上是一種模仿動物神經網絡行為特征,進行分布式并行信息處理的算法數(shù)學模型。其“工作原理是通過調整內部大量節(jié)點之間相互連接的關系,從而達到處理信息的目的。” [3]所以它具有自學習和自適應的能力,可以通過預先提供的一批相互對應的輸入――輸出數(shù)據(jù),分析掌握兩者之間潛在的規(guī)律,最終根據(jù)這些規(guī)律,用新的輸入數(shù)據(jù)來推算輸出結果。

人工神經網絡中神經元處理單元可表示不同的對象,例如特征、字母、概念,或者一些有意義的抽象模式。網絡中處理單元的類型分為三類:輸入單元、輸出單元和隱單元。輸入單元接受外部世界的信號與數(shù)據(jù);輸出單元實現(xiàn)系統(tǒng)處理結果的輸出;隱單元是處在輸入和輸出單元之間,不能由系統(tǒng)外部觀察的單元。神經元間的連接權值反映了單元間的連接強度,“信息的表示和處理體現(xiàn)在網絡處理單元的連接關系中。”[4]人工神經網絡的本質是通過網絡的變換和動力學行為得到一種并行分布式的信息處理功能,并在不同程度和層次上模仿人腦神經系統(tǒng)的信息處理功能。正因為這個重要特征,“人工神經網絡采用了與傳統(tǒng)人工智能技術完全不同的機理,克服了傳統(tǒng)的基于邏輯符號的人工智能在處理直覺、非結構化信息方面的缺陷,具有自適應、自組織和實時學習的特點。”[5]它與專家系統(tǒng)的最大區(qū)別是,專家系統(tǒng)屬于人類智能的功能模擬,而人工神經網絡則偏重走結構模擬的路子。與其它智能系統(tǒng)相比,人工神經網絡具有以下特點:

1 學習能力:學習能力是神經網絡具有智能的重要表現(xiàn),即通過訓練可抽象出訓練樣本的主要特征,表現(xiàn)出強大的自適應能力。例如實現(xiàn)圖像識別時,只有先把許多不同的圖像樣板和對應的應識別的結果輸入人工神經網絡,網絡就會通過自學習功能,慢慢學會識別類似的圖像。

2 分布式結構:人工神經網絡力圖“體現(xiàn)大腦的分布式并行計算和非線性等特征,依此而建構的網絡是一種具有大量連接的并行分布式處理器。”[6]具有通過學習獲取知識并解決問題的能力,且知識是分布存儲在與大腦神經元突觸相類似的連接的權重中。在傳統(tǒng)的串行體系計算機中信息分布在獨立的存儲單元中,而在神經網絡中,信息則分散在神經元的連接上。神經網絡的信息分布特性,使之具有強大的容錯能力和記憶聯(lián)想能力。信息的分布存儲提供容錯功能。由于信息被分布存放在幾乎整個網絡中,所以,“當其中的某一個點或者某幾個點被破壞時,信息仍然可以被存取。系統(tǒng)在受到局部損傷時還可以正常工作。”[5]

3 并行處理:神經網絡主要是對人腦的結構模擬。各種神經元在處理信息時是獨立完成的,不同神經元之間具有并行性,這種并行處理使得信息處理速度大大加快。信息處理方式由原來馮•諾依曼設計的串行處理變?yōu)閷π畔⒉⑿刑幚怼?/p>

三 人工神經網絡應用于教育技術資源的管理之中

將網絡布線由原來的星型布線轉向神經網絡布線方式。應用神經網絡軟件,網絡采用分布式結構,信息采用統(tǒng)一并行處理的方式處理,從而加強了網絡的魯棒性、容錯性。同時發(fā)揮神經網絡的自學習能力,對待不同的信息資源進行模式分類。神經網絡模型考慮采用目前比較成熟的誤差反向傳播網(BP神經網絡)。教育資源分類考慮設計關鍵詞進行訓練,同時設立樣本訓練方法,用BP算法對該網絡進行訓練。訓練結束之后,神經網絡就可以作為教育資源分類器來進行使用。

BP(Back propagation反向傳播)網絡又稱誤差信號反饋網絡,是神經網絡中使用最廣泛的一類。它是一種有教師的學習網絡,能夠實現(xiàn)從N維到M維的非線性映射,采用梯度下降法實現(xiàn)快速收斂。BP神經網絡采用的是并行網格結構,包括輸入層、隱含層和輸出層,經作用函數(shù)后,再把隱節(jié)點的輸出信號傳遞到輸出節(jié)點,最后給出輸出結果。由圖1可見各層次的神經元之間形成全互連連接,各層次內的神經元之間沒有連接。

該算法的學習過程由信息的前向傳播和誤差的反向傳播組成。在前向傳播的過程中,輸入信息從輸入層經隱含層逐層處理,并傳向輸出層。第一層神經元的狀態(tài)只影響下一層神經元的狀態(tài)。如果在輸出層得不到期望的輸出結果,則轉入反向傳播,將誤差信號(目標值與網絡輸出之差)沿原來的連接通道返回,通過修改各層神經元權值,使得誤差均方最小。神經網絡理論已經證明“BP網絡具有強大的非線性映射能力和泛化功能,任一連續(xù)函數(shù)或映射均可采用三層網絡加以實現(xiàn)。”[3]

其BP神經網絡模型設計方案如下:輸入層、隱含層、輸出層。輸入層與外界的信息來源渠道緊密相連,稱之為接受信息的服務器。隱含層包含若干個存儲器,代表若干個知識單元。存儲器需要具備輸入輸出渠道,具備自學習能力,可以接受外界信息,也可以傳送信息。輸出層由傳送信息的服務器組成。輸出層接受到隱含層傳來的信息之后,根據(jù)用戶要求傳送相關信息。層間聯(lián)接根據(jù)模型設計方案來鋪設。神經網絡中的每一個節(jié)點,無論其在輸入層、隱含層、輸出層上,每臺計算機上必須有相應的神經元器件,以便網絡進行自學與聯(lián)想記憶。BP神經網絡管理系統(tǒng)的硬件實現(xiàn)。是將協(xié)處理器插入標準計算機中,通過運行神經網絡軟件包,以實現(xiàn)神經網絡的硬件功能,可以使神經網絡在任何計算機硬件和軟件環(huán)境中得到所需要的教育資源處理能力。其設計的模型具有如下特點:

1 教育資源并行分布方式處理:在神經網絡中教育資源是分布儲存和并行處理的,即神經網絡把教育資源分布地存儲在神經元之間的連接強度上,而且對教育資源的處理是由網絡中神經元集體完成的。在BP神經網絡中,教育資源的存儲表現(xiàn)為神經元之間分布式的物理聯(lián)系,它分散地表示和存儲于整個網絡內的各神經元及其連線上。每個神經元及其連線只表示一部分教育資源,而不是一個完整具體概念。只有通過各神經元的分布式綜合效果才能表達出特定的概念和知識。由于人工神經網絡中神經元個數(shù)眾多以及整個網絡存儲容量的巨大,使得它具有很強的不確定性處理能力。即使輸入教育資源不完全、不準確或模糊不清,神經網絡仍然能夠聯(lián)想思維持在于記憶中事物的完整圖像。只要輸入的模式接近于訓練樣本,系統(tǒng)就能給出正確的推理結論。

2 魯棒性與容錯性比較強:人工神經網絡的結構特點和其信息存儲的分布式特點,使得它相對于其它的判斷識別系統(tǒng)如專家系統(tǒng)等,具有另一個顯著的優(yōu)點健壯性。當一個人的大腦因意外事故受輕微損傷之后,并不會失去原有事物的全部記憶。人工神經網絡不會因為個別神經元的損失(網絡過載、停電、突發(fā)故障)而失去對原有模式的記憶(管理功能)。另外“即使是突發(fā)事件,暫時使網絡的硬件實現(xiàn)還是軟件實現(xiàn)中的某個或某些神經元失效,整個網絡仍然能繼續(xù)工作。”[7]BP神經網絡是一種非線性的處理系統(tǒng)。只有當神經元對所有的輸入信號的綜合處理結果超過某一閾值后才輸出一個信號。因此神經網絡是一種具有高度非線性的超大規(guī)模連續(xù)時間動力學系統(tǒng),可以實現(xiàn)對教育資源不間斷、長時間的持續(xù)管理。它突破了傳統(tǒng)管理系統(tǒng)的局限,標志著教育資源管理能力的較大提升。因而神經網絡具有極強的魯棒性與容錯性,有聯(lián)想記憶抽象概括和自適應能力。

3 具有自學習和自適應能力:神經網絡抽象概括和自適應能力稱之為自學習能力,自學習是神經網絡中最重要的特征。通過學習,網絡能夠獲得教育資源的分類知識,適應環(huán)境。在訓練時,能從輸入、輸出的數(shù)據(jù)中提取出規(guī)律性的分類知識,記憶于網絡的權值中。并具有泛化能力,即將這組權值應用于一般教育資源分類的能力。另外,BP神經網絡的分類能力學習也可以在線進行。

以教育學院教育技術學資源管理為例,輸入層由兩臺高性能的服務器組成,中間設七個知識單元,輸出由兩臺輸出服務器組成。隱層的七個神經元分別為計算機軟件資源室、課堂教學資源室、“影視創(chuàng)作資源室、計算機教育應用資源室、網絡技術資源室、傳統(tǒng)教學資源室、傳統(tǒng)媒體使用資源室。”[8]模型圖如圖2所示:

教育技術學資源管理系統(tǒng)一種可編程的動力系統(tǒng),其存貯、加工和提取教育資源均是可編程的。輸入層負責對教育技術學的相關教育資源進行篩選比較,然后根據(jù)學習后的分類能力對資源予以分類,將所有的教育技術資源分布式存儲在隱層的各神經元中,需要處理時根據(jù)用戶需要,從各個神經元中取出信息并行處理,輸出到輸出服務器中,提供給用戶。用戶可以將用戶要求直接給輸出處理平臺,傳遞給輸出層后,由輸出層將用戶要求反饋給中間隱層。也可以將要求送給輸入處理平臺,傳遞給輸入層,進行篩選之后將信息傳送給中間隱層。即使系統(tǒng)突然面臨網絡過載問題,由于存儲是分布式的,可以很容易地將信息資源分配下去。即使突然停電,由于相關資源已經存儲完畢,損失微乎其微。系統(tǒng)的魯棒性大大加強。同時如果系統(tǒng)發(fā)生突然故障,由于輸入渠道有兩條,所以可以很輕松地用另一個服務器處理。輸出處理時也是如此。因此系統(tǒng)的容錯性也得到提高。至于模式分類,則需要較長時間的訓練和大量的樣本。一旦BP神經網絡模型訓練完畢,日后教育技術學資源分類就顯得十分輕松。只需將關鍵詞輸入準確,便可以進入相應的知識單元存儲起來。處理信息時,根據(jù)用戶需要,有不少不同類別的資源需要統(tǒng)籌規(guī)劃、聯(lián)合利用,才能得到用戶需要的結果。這兒就可以充分發(fā)揮神經網絡并行處理的特點,有條不紊地對信息加以處理。其總體示意圖如圖3所示:

四 結語

教育信息化的核心問題是教育資源的應用和管理。神經網絡式的教育資源管理系統(tǒng)把教育資源存儲、教育資源管理、教育資源分類、教育資源動態(tài)升級四大特色功能進行整合,全面突破了“當前基礎教育信息化過程中的應用‘瓶頸’。” [9]其最大的特點就是突出了教育資源的管理功能,通過以一個統(tǒng)一管理平臺為核心的方式,對各類教育資源進行優(yōu)化、整合,改善了以往教育資源管理從單一功能角度進行設計,各功能之間不能相互結合,造成資源管理困難和資源互不兼容的問題,實現(xiàn)了教育資源的價值最大化。值得注意的是,由于管理系統(tǒng)采用神經網絡的結構特點進行設計,其魯棒性、容錯性和模式分類能力較強,較之傳統(tǒng)教育資源管理方式比較起來,不僅提取和輸入變得十分簡單,而且對大量資源的分類式識別也大大加快,提高了管理效率。分布式存儲提高了教育資源的存儲容量,而“并行式處理又加大了教育資源的處理速度,同時系統(tǒng)在應付突發(fā)事件和網絡攻擊方面,應變能力大大增強,”[10]其可靠性與可用性也有突破性的提高。同時,在教育資源管理過程中,系統(tǒng)能抓住教育資源應用與管理過程中的關鍵問題,關注用戶的反饋,即時更新教育資源,加強了教育資源的建設,為教育信息化的持續(xù)發(fā)展提供了有力的保障。

參考文獻

[1] 余勝泉,朱凌云.教育資源建設技術規(guī)范體系結構與應用模式[J].中國電化教育,2006,(3):58-59.

[2] 穆肅.校本學科教學資源庫的設計和實現(xiàn)[J].中國電化教育,2004,(1):56-61.

[3] 周志華著.神經網絡及其應用(第1版)[M].北京:清華大學出版社,2004.

[4] 張廣瑩,徐麗娜,鄧正隆.“神經網絡控制”CAI課件研制中的幾個問題[J].現(xiàn)代教育技術,1997,(2):32-33.

[5] 韓立群著.人工神經網絡理論設計及應用(第1版)[M].北京:化學工業(yè)出版社,2002.

[6] 陶劍文.一種分布式智能推薦系統(tǒng)的設計[J].計算機工程,2007,(15):207-208.

[7] 王國旗,張辛亥,肖.采用前向多層神經網絡預測煤的自然發(fā)火期[J].湖南科技大學學報(自科版),2008,(2):20-22.

[8] 茹洪麗.教育技術學課程設置問題探略[J].電化教育研究,2005,(12):38-41.

神經網絡的魯棒性范文第3篇

1 引言

在現(xiàn)代機械制造領域中，隨著工廠機械制造機器人的普及，機械臂已經變得越來越重要。與傳統(tǒng)的工業(yè)機械臂相比，未來的機械臂要能夠完成更加復雜的機械加工任務。在實際的機械制造機器人應用中，衡量機械臂的工作性能主要是工作效率和工作可靠性指標。

機械臂是一個開鏈式的多連桿機構，用固定基座來進行固定，機械臂可以根據(jù)需要在自由端安裝執(zhí)行器來實現(xiàn)工廠生產操作，關節(jié)之間的運動可以帶動連桿運動，使得機械臂運動來達到不同的姿態(tài)。本文主要針對這個問題展開研究，探討機械臂的路徑規(guī)劃問題。

2 徑向基函數(shù)神經網絡介紹

神經網絡具有分布式存儲、并行協(xié)同處理和對信息具有自組織自學習等優(yōu)點，所以廣泛應用在人工智能方面。神經網絡的大量神經元之間的連接權值和分布分別代表著特定的信息，當網絡受損時可以保證網絡的輸出正確，這種信息處理方式大大提高了網絡的容錯性和魯棒性。

徑向基函數(shù)神經網絡是基于函數(shù)逼近理論的，是根據(jù)系統(tǒng)的海量樣本數(shù)據(jù)來選擇隱含層神經元的徑向基激活函數(shù)，可以用基函數(shù)來表示，能夠無限的逼近真實的算法表達，它選擇合理的隱含層單元個數(shù)和作用函數(shù)，能夠把原來的非線性不可分問題映射成線性可分問題，把不好處理的非線性問題方便的簡化為線性問題。徑向基函數(shù)神經網絡在訓練時，在給定訓練樣本后學習算法要解決的核心問題是：設計神經網絡的網絡結構和求解相關的參數(shù)。網絡結構設計主要包括網絡的輸入、網絡的輸出個數(shù)，隱含層節(jié)點數(shù)目。相關的參數(shù)主要包括涉及的參數(shù)有徑向基函數(shù)的中心值、以及函數(shù)寬度和權值。

徑向基函數(shù)神經網絡屬于一種性能較優(yōu)的前饋型神經網絡，它具有多維度非線性的映射能力和并行信息處理的能力，以及強大的聚類分析能力。與BP神經網絡相比，徑向基函數(shù)神經網絡的網絡拓撲結構采用的是徑向對稱的核函數(shù)，這樣可以大幅提高神經網絡的學習速度，同時能夠避免陷入局部極小，具有較好的全局尋優(yōu)能力，同時也具有較好的逼近任意非線性映射能力。

3 機械臂路徑規(guī)劃設計

機械臂軌跡規(guī)劃主要研究的是機械臂在多維空間中的運動路線，即給定一個初始狀態(tài)位姿，一個期望的末端執(zhí)行器的位姿，根據(jù)規(guī)定的要求來尋找連接初始狀態(tài)和期望狀態(tài)的最優(yōu)有效路徑，然后把最優(yōu)路徑轉變?yōu)闄C械臂各個關節(jié)的空間坐標，進一步轉化為機械臂的各個關節(jié)的位移、速度和加速度，就形成了機械臂的路徑。

機械臂的動力學狀態(tài)模型為：

其中：D（q）為對稱正定的慣量矩陣，為哥式力與離心力矩陣，G（q）為重力項矩陣，q為機械臂關節(jié)角位移矢量，為機械臂的角速度矢量，為機械臂的角加速度矢量，為機械臂各關節(jié)控制力矩輸入矢量。

機械臂的動力學參考模型為：

其中，y為2n+1的參考模型狀態(tài)矢量，r為n×1的參考模型輸入矢量。

徑向基函數(shù)神經網絡包括一個輸入層、一個隱層和一個輸出層。隱層由一個徑向基函數(shù)組成，和每個隱層節(jié)點相關的參數(shù)為網絡中心向量和半徑。本文選擇高斯函數(shù)作為徑向基函數(shù)。本文選擇的神經網絡訓練方法為：輸入層到隱層用無導師的聚類算法來訓練，常用的是K-均值算法和模糊聚類算法，來確定神經網絡的中心向量和半徑，隱層和輸出層的權值調整用有導師指導算法，來確定權重向量。

算法流程如下：首先對樣本數(shù)據(jù)進行聚類，然后確定神經網絡的隱層節(jié)點的中心的初始值，將這些樣本進行分組，然后將訓練樣本按照距離的遠近向隱層節(jié)點的中心聚類，完成后計算樣本的均值，將樣本均值賦值給隱層中心作為下一次迭代的聚類中心，下一步要判斷聚類過程是否結束，聚類結束標志是當劃分的每個聚類的樣本中心不再變化。然后再計算下寬度半徑，寬度半徑等于每個聚類中心與該訓練樣本之間的平均距離。

通過算法驗證，對機械臂的路徑規(guī)劃驗證了算法的合理性和可行性，規(guī)劃后支反力和扭矩等動力性能較好，完全滿足工程需求。

神經網絡的魯棒性范文第4篇

關鍵詞：車牌字符；BP人工神經網絡；圖像識別；模式識別

引言

近年來，神經網絡的智能化特征與能力使其應用領域日益擴大，潛力日趨明顯。許多用傳統(tǒng)信息處理方法無法解決的問題采用神經網絡后取得了良好的效果。其中，神經網絡在車牌字符識別中的應用效果尤為明顯。目前，車牌字符識別主要采用兩種方法，即模式匹配法和神經網絡法。由于神經網絡模式識別方法能夠實現(xiàn)基于計算理論層次上的模式識別理論所無法完成的模式信息處理工作，這種方法是選用適當?shù)淖址麍D像特征提取方法，然后使用訓練樣本訓練網絡并構建一個識別網絡作為分類器。所以，相信未來一段時期內神經網絡在車牌字符識別領域中的應用還會是趨于主導地位。

1 人工神經網絡簡介

人工神經網絡來提取特征向量，把字符平均分成8份，統(tǒng)計每一份內黑色像素點的個數(shù)作為8個特征, 即分別統(tǒng)計這8個區(qū)域中的黑色像素點的數(shù)目，可以得到8個特征。然后統(tǒng)計水平方向中間兩列和豎直方向中間兩列的黑色像素點的個數(shù)作為4個特征，最后統(tǒng)計所有黑色像素點的個數(shù)作為第13個特征。如下圖所示:

                         

 圖3 13特征提取法

神經網絡的魯棒性范文第5篇

[摘要]該文介紹了神經網絡的發(fā)展、優(yōu)點及其應用和發(fā)展動向，著重論述了神經網絡目前的幾個研究熱點，即神經網絡與遺傳算法、灰色系統(tǒng)、專家系統(tǒng)、模糊控制、小波分析的結合。

[關鍵詞]遺傳算法灰色系統(tǒng)專家系統(tǒng)模糊控制小波分析

一、前言

神經網絡最早的研究20世紀40年代心理學家Mcculloch和數(shù)學家Pitts合作提出的，他們提出的MP模型拉開了神經網絡研究的序幕。神經網絡的發(fā)展大致經過三個階段：1947~1969年為初期，在這期間科學家們提出了許多神經元模型和學習規(guī)則，如MP模型、HEBB學習規(guī)則和感知器等；1970~1986年為過渡期，這個期間神經網絡研究經過了一個低潮，繼續(xù)發(fā)展。在此期間，科學家們做了大量的工作，如Hopfield教授對網絡引入能量函數(shù)的概念，給出了網絡的穩(wěn)定性判據(jù)，提出了用于聯(lián)想記憶和優(yōu)化計算的途徑。1984年，Hiton教授提出Boltzman機模型。1986年Kumelhart等人提出誤差反向傳播神經網絡，簡稱BP網絡。目前，BP網絡已成為廣泛使用的網絡；1987年至今為發(fā)展期，在此期間，神經網絡受到國際重視，各個國家都展開研究，形成神經網絡發(fā)展的另一個。神經網絡具有以下優(yōu)點：

(1)具有很強的魯棒性和容錯性，因為信息是分布貯于網絡內的神經元中。

(2)并行處理方法，使得計算快速。

(3)自學習、自組織、自適應性，使得網絡可以處理不確定或不知道的系統(tǒng)。

(4)可以充分逼近任意復雜的非線性關系。

(5)具有很強的信息綜合能力，能同時處理定量和定性的信息，能很好地協(xié)調多種輸入信息關系，適用于多信息融合和多媒體技術。

二、神經網絡應用現(xiàn)狀

神經網絡以其獨特的結構和處理信息的方法，在許多實際應用領域中取得了顯著的成效，主要應用如下：

(1)圖像處理。對圖像進行邊緣監(jiān)測、圖像分割、圖像壓縮和圖像恢復。

(2)信號處理。能分別對通訊、語音、心電和腦電信號進行處理分類；可用于海底聲納信號的檢測與分類，在反潛、掃雷等方面得到應用。

(3)模式識別。已成功應用于手寫字符、汽車牌照、指紋和聲音識別，還可用于目標的自動識別和定位、機器人傳感器的圖像識別以及地震信號的鑒別等。

(4)機器人控制。對機器人眼手系統(tǒng)位置進行協(xié)調控制，用于機械手的故障診斷及排除、智能自適應移動機器人的導航。

(5)衛(wèi)生保健、醫(yī)療。比如通過訓練自主組合的多層感知器可以區(qū)分正常心跳和非正常心跳、基于BP網絡的波形分類和特征提取在計算機臨床診斷中的應用。

(6)焊接領域。國內外在參數(shù)選擇、質量檢驗、質量預測和實時控制方面都有研究，部分成果已得到應用。

(7)經濟。能對商品價格、股票價格和企業(yè)的可信度等進行短期預測。

(8)另外，在數(shù)據(jù)挖掘、電力系統(tǒng)、交通、軍事、礦業(yè)、農業(yè)和氣象等方面亦有應用。

三、神經網絡發(fā)展趨勢及研究熱點

1.神經網絡研究動向

神經網絡雖已在許多領域應用中取得了廣泛的成功，但其發(fā)展還不十分成熟，還有一些問題需進一步研究。

(1)神經計算的基礎理論框架以及生理層面的研究仍需深入。這方面的工作雖然很困難，但為了神經計算的進一步發(fā)展卻是非做不可的。

(2)除了傳統(tǒng)的多層感知機、徑向基函數(shù)網絡、自組織特征映射網絡、自適應諧振理論網絡、模糊神經網絡、循環(huán)神經網絡之外，一些新的模型和結構很值得關注，例如最近興起的脈沖神經網絡(spikingneuralnetwork)和支持向量機(supportvectormachine)。

(3)神經計算技術與其他技術尤其是進化計算技術的結合以及由此而來的混合方法和混合系統(tǒng)，正成為一大研究熱點。

(4)增強神經網絡的可理解性是神經網絡界需要解決的一個重要問題。這方面的工作在今后若干年中仍然會是神經計算和機器學習界的一個研究熱點。

(5)神經網絡的應用領域將不斷擴大，在未來的幾年中有望在一些領域取得更大的成功，特別是多媒體技術、醫(yī)療、金融、電力系統(tǒng)等領域。

2.研究熱點

(1)神經網絡與遺傳算法的結合。遺傳算法與神經網絡的結合主要體現(xiàn)在以下幾個方面：網絡連接權重的進化訓練；網絡結構的進化計算；網絡結構和連接權重的同時進化；訓練算法的進化設計。基于進化計算的神經網絡設計和實現(xiàn)已在眾多領域得到應用，如模式識別、機器人控制、財政等，并取得了較傳統(tǒng)神經網絡更好的性能和結果。但從總體上看，這方面研究還處于初期階段，理論方法有待于完善規(guī)范，應用研究有待于加強提高。神經網絡與進化算法相結合的其他方式也有待于進一步研究和挖掘。

(2)神經網絡與灰色系統(tǒng)的結合。灰色系統(tǒng)理論是一門極有生命力的系統(tǒng)科學理論，自1982年華中理工大學的鄧聚龍教授提出灰色系統(tǒng)后迅速發(fā)展，以初步形成以灰色關聯(lián)空間為基礎的分析體系，以灰色模型為主體的模型體系，以灰色過程及其生存空間為基礎與內的方法體系，以系統(tǒng)分析、建模、預測、決策、控制、評估為綱的技術體系。目前，國內外對灰色系統(tǒng)的理論和應用研究已經廣泛開展，受到學者的普遍關注。灰色系統(tǒng)理論在在處理不確定性問題上有其獨到之處，并能以系統(tǒng)的離散時序建立連續(xù)的時間模型，適合于解決無法用傳統(tǒng)數(shù)字精確描述的復雜系統(tǒng)問題。

神經網絡與灰色系統(tǒng)的結合方式有：(1)神經網絡與灰色系統(tǒng)簡單結合；(2)串聯(lián)型結合；(3)用神經網絡增強灰色系統(tǒng)；(4)用灰色網絡輔助構造神經網絡；(5)神經網絡與灰色系統(tǒng)的完全融合。

(3)神經網絡與專家系統(tǒng)的結合。基于神經網絡與專家系統(tǒng)的混合系統(tǒng)的基本出發(fā)點立足于將復雜系統(tǒng)分解成各種功能子系統(tǒng)模塊，各功能子系統(tǒng)模塊分別由神經網絡或專家系統(tǒng)實現(xiàn)。其研究的主要問題包括：混合專家系統(tǒng)的結構框架和選擇實現(xiàn)功能子系統(tǒng)方式的準則兩方面。由于該混合系統(tǒng)從根本上拋開了神經網絡和專家系統(tǒng)的技術限制，是當前研究的熱點。把粗集神經網絡專家系統(tǒng)用于醫(yī)學診斷，表明其相對于傳統(tǒng)方法的優(yōu)越性。

(4)神經網絡與模糊邏輯的結合

模糊邏輯是一種處理不確定性、非線性問題的有力工具。它比較適合于表達那些模糊或定性的知識，其推理方式比較類似于人的思維方式，這都是模糊邏輯的優(yōu)點。但它缺乏有效的自學習和自適應能力。

而將模糊邏輯與神經網絡結合，則網絡中的各個結點及所有參數(shù)均有明顯的物理意義，因此這些參數(shù)的初值可以根據(jù)系統(tǒng)的模糊或定性的知識來加以確定，然后利用學習算法可以很快收斂到要求的輸入輸出關系，這是模糊神經網絡比單純的神經網絡的優(yōu)點所在。同時，由于它具有神經網絡的結構，因而參數(shù)的學習和調整比較容易，這是它比單純的模糊邏輯系統(tǒng)的優(yōu)點所在。模糊神經網絡控制已成為一種趨勢，它能夠提供更加有效的智能行為、學習能力、自適應特點、并行機制和高度靈活性，使其能夠更成功地處理各種不確定的、復雜的、不精確的和近似的控制問題。

模糊神經控制的未來研究應集中于以下幾個方面：

(1)研究模糊邏輯與神經網絡的對應關系，將對模糊

控制器的調整轉化為等價的神經網絡的學習過程，用等價的模糊邏輯來初始化神經網絡；

(2)完善模糊神經控制的學習算法，以提高控制算法的速度與性能，可引入遺傳算法、BC算法中的模擬退火算法等，以提高控制性能；

(3)模糊控制規(guī)則的在線優(yōu)化，可提高控制器的實時性與動態(tài)性能；(4)需深入研究系統(tǒng)的穩(wěn)定性、能控性、能觀性以及平衡吸引子、混沌現(xiàn)象等非線性動力學特性。

關于神經網絡與模糊邏輯相結合的研究已有很多，比如，用于氬弧焊、機器人控制等。

(5)神經網絡與小波分析的結合

小波變換是對Fourier分析方法的突破。它不但在時域和頻域同時具有良好的局部化性質，而且對低頻信號在頻域和對高頻信號在時域里都有很好的分辨率，從而可以聚集到對象的任意細節(jié)。

利用小波變換的思想初始化小波網絡，并對學習參數(shù)加以有效約束，采用通常的隨機梯度法分別對一維分段函數(shù)、二維分段函數(shù)和實際系統(tǒng)中汽輪機壓縮機的數(shù)據(jù)做了仿真試驗，并與神經網絡、小波分解的建模做了比較，說明了小波網絡在非線性系統(tǒng)黑箱建模中的優(yōu)越性。小波神經網絡用于機器人的控制，表明其具有更快的收斂速度和更好的非線性逼近能力。

四、結論

經過半個多世紀的發(fā)展，神經網絡理論在模式識別、自動控制、信號處理、輔助決策、人工智能等眾多研究領域取得了廣泛的成功，但其理論分析方法和設計方法還有待于進一步發(fā)展。相信隨著神經網絡的進一步發(fā)展，其將在工程應用中發(fā)揮越來越大的作用。

參考文獻：

[1]張曾科.模糊數(shù)學在自動化技術中的應用[M].清華大學出版社，1997.

[2]李士勇.模糊控制·神經控制和智能控制論[M].哈爾濱工業(yè)大學出版，1996.250-387.

[3]謝聯(lián)峻.模糊控制在列車自動駕駛中的應用[J].自動化與儀器儀表，1999，(4).

[4]CollierWC，Weiland，RJSmartCarts，SmartHighways[J].IEEESpec-trum，1994，31(4)：27-33.

[5]HatwalH，MikulcikEC.someInverseSolutionstoanAutomobilePathTrackingProblemwithInputControlofSteeringandBreaks，Ve-hiclesystemDynamics，1986，(15)：61-71.

[6]KosugeK，F(xiàn)ukudaT，AsadaH.AcquisitionifHumanSkillsforRoboticSystem[C].In：ProcIEEEIntSympOnIntelligenControl，1991.469-489.

[7]王小平，曹立明.遺傳算法—理論、應用與軟件實現(xiàn).西安交通大學出版社，2002.

[8]ManiezzoV.Geneticevolutionofthetopologhandweightdistribution

ofneuralnetwork[J].IEEETransonNeuralNetwork，1994，5(1)35-67.

[9]HarraldPG，KamstraM.Evolvingartificialneuralnetworkstocombinefinancialforecase[J].IEEETransonEvolComputer，1997，1(1)：39-54.

[10]鄧聚龍.灰色系統(tǒng)理論教程.華中理工大學出版社，1990.

[11]呂宏輝，鐘珞，夏紅霞.灰色系統(tǒng)與神經網絡融合技術探索.微機發(fā)展，2000，23(4)：67-109.