導(dǎo)言：作為寫(xiě)作愛(ài)好者，不可錯(cuò)過(guò)為您精心挑選的10篇神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)，它們將為您的寫(xiě)作提供全新的視角，我們衷心期待您的閱讀，并希望這些內(nèi)容能為您提供靈感和參考。

篇1

中圖分類(lèi)號(hào):TP18文獻(xiàn)標(biāo)識(shí)碼:A

文章編號(hào):1004-373X(2010)15-0071-03

Application of Neural Network in Antenna Design

ZHANG Shan-shan

(Xi’an Institute of Electronic Engineering, Xi’an 710100, China)

Abstract: The application of neural network in antenna design is put forward because the processing speed of many antenna design softwares is not fast enough. A neural network-based optimization is to train the neural network with the input and output of a system, and by its associative memory self-learning function to make the output of the network is similar to the output of the original system in the case of the same input. In this way, the network can be used to simulate the output of the original system to achieve the fast calculation since the processing speed of neural networks is generally fast enough.

Keywords: neural network; BP network; antenna; EDA

0 引 言

隨著通信技術(shù)和計(jì)算機(jī)技術(shù)的日趨成熟和完善,微波通信、移動(dòng)通信、衛(wèi)星通信等無(wú)線(xiàn)通信都在高速的發(fā)展,人們預(yù)計(jì)無(wú)線(xiàn)通信將在通信行業(yè)占領(lǐng)愈來(lái)愈重要的地位。天線(xiàn)是無(wú)線(xiàn)通信領(lǐng)域中非常重要的元器件,對(duì)天線(xiàn)的研究是無(wú)線(xiàn)通信研究中的一個(gè)重要的課題。目前,有很多電磁仿真軟件可以用來(lái)輔助天線(xiàn)設(shè)計(jì),應(yīng)用較為廣泛的Agilent公司的ADS和Ansoft公司HFSS,分別基于矩量法(Method of Moments,MoM)與有限元法(Finite Element Method,FEM),均具有較精確的天線(xiàn)設(shè)計(jì)方案,但是處理速度一般都不是很理想。隨著天線(xiàn)設(shè)計(jì)的復(fù)雜程度提高,而設(shè)計(jì)周期卻在減小,提高微波EDA的處理速度成為迫切需要解決的問(wèn)題。如果在不大幅度降低精確性的同時(shí)對(duì)處理速度進(jìn)行改進(jìn),就要找到一種處理方法,它必須滿(mǎn)足兩點(diǎn):第一,可以充分逼近任意復(fù)雜的非線(xiàn)性關(guān)系;第二,使得快速進(jìn)行大量運(yùn)算成為可能[1]。

而神經(jīng)網(wǎng)絡(luò)就滿(mǎn)足這兩個(gè)條件,基于神經(jīng)網(wǎng)絡(luò)的優(yōu)化計(jì)算就是利用神經(jīng)網(wǎng)絡(luò)的聯(lián)想存儲(chǔ)及自學(xué)習(xí)功能,以某一系統(tǒng)的輸入作為網(wǎng)絡(luò)的輸入,以這一系統(tǒng)的輸出作為網(wǎng)絡(luò)的目標(biāo),反復(fù)訓(xùn)練網(wǎng)絡(luò),最終使網(wǎng)絡(luò)具有與原系統(tǒng)相似的輸出。這樣,在相同的輸入下,就可以用網(wǎng)絡(luò)的輸出來(lái)模擬原系統(tǒng)的輸出。這里以天線(xiàn)設(shè)計(jì)中某些要變化的參數(shù)作為網(wǎng)絡(luò)的輸入,以天線(xiàn)的某些性能指標(biāo)為網(wǎng)絡(luò)的訓(xùn)練目標(biāo),用少量的原始數(shù)據(jù)(由微波EDA得出)訓(xùn)練網(wǎng)絡(luò),直到誤差符合要求,并且用一定量的數(shù)據(jù)來(lái)測(cè)試網(wǎng)絡(luò),以確保網(wǎng)絡(luò)的輸出接近真實(shí)值。訓(xùn)練完畢后,就可以用所訓(xùn)練的網(wǎng)絡(luò)來(lái)代替原EDA進(jìn)行計(jì)算,而神經(jīng)網(wǎng)絡(luò)的處理速度要快得多,從而達(dá)到了加速的目的。

1 神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介

人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network,ANN)早期的研究工作應(yīng)追溯至20世紀(jì)40年代,W.Mcculloch和W.Pitts首先提出神經(jīng)元的數(shù)學(xué)模型。1982年和1984年美國(guó)物理學(xué)家Hopfield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。隨即,一大批學(xué)者和研究人員圍繞著 Hopfield提出的方法展開(kāi)了進(jìn)一步的工作,形成了上世紀(jì)80年代中期以來(lái)人工神經(jīng)網(wǎng)絡(luò)的研究熱潮[2]。

表征神經(jīng)網(wǎng)絡(luò)需要3個(gè)方面:網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)、神經(jīng)元特性、以及學(xué)習(xí)(或訓(xùn)練)方法。人工神經(jīng)網(wǎng)絡(luò)是由簡(jiǎn)單的處理單元所組成的大量并行分布的處理機(jī),這種處理機(jī)具有存儲(chǔ)和應(yīng)用經(jīng)驗(yàn)知識(shí)的自然特性,它與人腦的相似之處概括為兩方面:一是通過(guò)學(xué)習(xí)過(guò)程利用神經(jīng)網(wǎng)絡(luò)從外部環(huán)境中獲取知識(shí);二是內(nèi)部神經(jīng)元用來(lái)存儲(chǔ)獲取的知識(shí)信息[3]。

2 天線(xiàn)饋電匹配設(shè)計(jì)

微帶貼片天線(xiàn)以其體積小、重量輕、易與載體共形、電氣性能多樣化等特點(diǎn),在無(wú)線(xiàn)通信領(lǐng)域得到越來(lái)越廣泛的應(yīng)用,因此,本文以貼片天線(xiàn)的貼片尺寸對(duì)S11參數(shù)影響為例說(shuō)明神經(jīng)網(wǎng)絡(luò)在天線(xiàn)饋電匹配設(shè)計(jì)中的應(yīng)用。

利用Ansoft公司HFSS建立天線(xiàn)模型,如圖1所示。基底:中心坐標(biāo)(-30,-30,0) mm,x軸90 mm,y軸80 mm,z軸1.6 mm,介電常數(shù)4.4。貼片:中心坐標(biāo)(0,0,1.6) mm,x軸37.5 mm,y軸25 mm。饋電探針:中心坐標(biāo)(2.76,10,0) mm,方向z軸,直徑0.63 mm,高16 mm。接地探針:中心坐標(biāo)(1,10,0) mm,方向z軸,直徑0.32 mm,高1.6 mm。以貼片長(zhǎng)寬為變量,設(shè)為fx,fy,在本例中fx范圍[3.5,4.0] cm,步長(zhǎng)01 cm;fy范圍[2.2,2.7] cm,步長(zhǎng)01 cm;頻率范圍[22,24] GHz, 步長(zhǎng)0002 GHz。以fx,fy,f為變量進(jìn)行掃描,共掃描點(diǎn)數(shù):3 636個(gè)。

圖1 貼片天線(xiàn)HFSS模型

目前,神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的選擇尚無(wú)一種統(tǒng)一而完整的理論指導(dǎo),一般只能由經(jīng)驗(yàn)選定。而網(wǎng)絡(luò)的結(jié)構(gòu)直接影響網(wǎng)絡(luò)的逼近能力及推廣性質(zhì)。因此,應(yīng)用中如何選擇合適的網(wǎng)絡(luò)結(jié)構(gòu)是一個(gè)重要的問(wèn)題。本文中采取三層的BP網(wǎng)絡(luò),BP網(wǎng)絡(luò)實(shí)質(zhì)上是實(shí)現(xiàn)了一個(gè)從輸入到輸出的映射功能,而數(shù)學(xué)理論已證明它具有實(shí)現(xiàn)任何復(fù)雜非線(xiàn)性映射的功能。這使得它特別適合于求解內(nèi)部機(jī)制復(fù)雜的問(wèn)題,而且網(wǎng)絡(luò)能通過(guò)學(xué)習(xí)帶正確答案的實(shí)例集自動(dòng)提取合理的求解規(guī)則,即具有自學(xué)習(xí)能力,并具有一定的推廣、概括能力[4]。

為了使網(wǎng)絡(luò)收斂速度加快對(duì)訓(xùn)練樣本(輸入和輸出),一般采取先歸一化再訓(xùn)練的方法[5],即樣本的取值范圍都是[0,1]。中間層訓(xùn)練函數(shù)tansig,輸出層訓(xùn)練函數(shù)tansig的定義域都是[-1,+1],都包括了樣本的取值范圍。在這里學(xué)習(xí)函數(shù)設(shè)為trainlm收斂速度較其他學(xué)習(xí)函數(shù)要快。誤差設(shè)為0000 1,是因?yàn)橛?xùn)練樣本采取了先歸一化再訓(xùn)練的方法,其結(jié)果的誤差會(huì)隨著反歸一化變換時(shí)被放大,所以目標(biāo)誤差設(shè)定要小一點(diǎn),但是不能太小,否則會(huì)產(chǎn)生過(guò)擬和現(xiàn)象。

Matlab程序(BP網(wǎng)絡(luò)的訓(xùn)練部分):

net=newff(Pr,[75,1],{′tansig′,′tansig′},′trainlm′); net.trainParam.epochs=1 500; net.trainParam.goal=0000 1;

net.trainParam.show=1; net.trainParam.lr=0.08; net =train(net,p,T);

網(wǎng)絡(luò)的逼近、推廣能力同學(xué)習(xí)樣本的典型性密切相關(guān),而從問(wèn)題中選取典型樣本實(shí)例組成訓(xùn)練集是一個(gè)很困難的問(wèn)題。一般來(lái)說(shuō),要保證BP網(wǎng)絡(luò)模擬曲線(xiàn)逼近原參數(shù)曲線(xiàn),在選取訓(xùn)練點(diǎn)時(shí)注意兩個(gè)條件:第一,盡量使訓(xùn)練點(diǎn)分布平均,即在各個(gè)S參數(shù)曲線(xiàn)上的訓(xùn)練點(diǎn)盡量相等[6];第二,盡量在S參數(shù)曲線(xiàn)上保持平均分布。本文為了說(shuō)明BP網(wǎng)絡(luò)性質(zhì)是隨機(jī)選取的訓(xùn)練點(diǎn),可能不滿(mǎn)足這兩個(gè)條件,但是在應(yīng)用HFSS時(shí),就可以在平均在各個(gè)S參數(shù)曲線(xiàn)上取訓(xùn)練點(diǎn),而且在各個(gè)S參數(shù)曲線(xiàn)上按一定步長(zhǎng)選取訓(xùn)練點(diǎn),這樣就可以保證上述兩個(gè)條件,使BP網(wǎng)絡(luò)模擬曲線(xiàn)盡量逼近原參數(shù)曲線(xiàn),獲得一定數(shù)量的預(yù)測(cè)值[7]。

2.1 改變樣本點(diǎn)數(shù)量

圖2為樣本點(diǎn)為2 500時(shí)的模擬S11曲線(xiàn)。圖3為樣本點(diǎn)為1 500時(shí)的模擬S11曲線(xiàn)。訓(xùn)練誤為差0000 1,學(xué)習(xí)效率為008,中間層數(shù)為75,中間層訓(xùn)練函數(shù)tansig,輸出層訓(xùn)練函數(shù)tansig,學(xué)習(xí)函數(shù)trainlm。

圖2 樣本點(diǎn)為2 500時(shí)的模擬S11曲線(xiàn)

由圖2,圖3可知,在訓(xùn)練目標(biāo)誤差為0000 10的情況下,用1 500個(gè)點(diǎn)頻值模擬3 600個(gè)值的S11參數(shù)曲線(xiàn),減小了多一半的工作量,可以看出,隨著樣本數(shù)量的減少,網(wǎng)絡(luò)逼近能力變差。

一般來(lái)說(shuō),隨著樣本數(shù)量的減少,網(wǎng)絡(luò)的泛化能力將變差。泛化能力差,預(yù)測(cè)能力(也稱(chēng)逼近能力)也差,并且一定程度上,隨訓(xùn)練能力地提高,預(yù)測(cè)能力也提高。但這種趨勢(shì)有一個(gè)極限,當(dāng)達(dá)到此極限時(shí),隨訓(xùn)練能力的提高,預(yù)測(cè)能力反而下降,即出現(xiàn)所謂“過(guò)擬合”現(xiàn)象[8]。此時(shí),網(wǎng)絡(luò)學(xué)習(xí)了過(guò)多的樣本細(xì)節(jié),而不能反映樣本內(nèi)含的規(guī)律。

圖3 樣本點(diǎn)為1 500時(shí)的模擬S11曲線(xiàn)

2.2 改變中間層數(shù)量

圖4(a)是中間層為200的情況,訓(xùn)練目標(biāo)誤差為0000 10,訓(xùn)練達(dá)到目標(biāo)誤差所用步數(shù)為98步。圖4(b)是中間層為75 的情況,訓(xùn)練目標(biāo)誤差為0000 10,訓(xùn)練達(dá)到目標(biāo)誤差所用步數(shù)為153步。圖4(c)是中間層為50的情況,訓(xùn)練目標(biāo)誤差為0000 10,訓(xùn)練達(dá)到目標(biāo)誤差所用步數(shù)為512步。

由圖4可知,中間層數(shù)量對(duì)訓(xùn)練函數(shù)所用迭代次數(shù)有影響,這實(shí)質(zhì)上是網(wǎng)絡(luò)容量的可能性與可行性的關(guān)系問(wèn)題,即學(xué)習(xí)復(fù)雜性問(wèn)題。同時(shí)中間層數(shù)量對(duì)訓(xùn)練函數(shù)的收斂性也有重要的影響,中間層數(shù)過(guò)少,可能會(huì)導(dǎo)致訓(xùn)練函數(shù)過(guò)程的不收斂[9]。從數(shù)學(xué)角度看,BP算法為┮恢知局部搜索的優(yōu)化方法,但它要解決的問(wèn)題為求解復(fù)雜非線(xiàn)性函數(shù)的全局極值,因此,中間層數(shù)量過(guò)少時(shí),算法很有可能陷入局部極值,使訓(xùn)練失敗[10]。

2.3 改變學(xué)習(xí)效率

圖5(a)是學(xué)習(xí)效率為0.08的情況,訓(xùn)練達(dá)到目標(biāo)誤差所用步數(shù)為153步。圖5(b)是學(xué)習(xí)效率為0.04的情況,訓(xùn)練達(dá)到目標(biāo)誤差所用步數(shù)209步。圖5(c)是學(xué)習(xí)效率為0.02的情況,訓(xùn)練達(dá)到目標(biāo)誤差所用步數(shù)為296步。

由圖5可知,學(xué)習(xí)效率對(duì)BP網(wǎng)絡(luò)預(yù)測(cè)效果,即泛化能力影響不大,對(duì)訓(xùn)練達(dá)到目標(biāo)誤差所用迭代次數(shù)有影響。由于BP算法本質(zhì)上為梯度下降法,而它所要優(yōu)化的目標(biāo)函數(shù)又非常復(fù)雜,因此,隨著學(xué)習(xí)效率降低,必然會(huì)出現(xiàn)鋸齒形現(xiàn)象,這使得BP算法低效,而且由于優(yōu)化的目標(biāo)函數(shù)很復(fù)雜,它必然會(huì)在神經(jīng)元輸出接近0或1的情況下,出現(xiàn)一些平坦區(qū),在這些區(qū)域內(nèi),權(quán)值誤差改變很小,使訓(xùn)練過(guò)程幾乎停頓,即存在麻痹現(xiàn)象[7]。

圖4 不同中間層數(shù)的模擬S11曲線(xiàn)

圖5 不同學(xué)習(xí)效率下的模擬S11曲線(xiàn)

3 結(jié) 語(yǔ)

本文以計(jì)算貼片天線(xiàn)的S11參數(shù)為例,具體說(shuō)明了神經(jīng)網(wǎng)絡(luò)(這里用的是BP網(wǎng)絡(luò))在天線(xiàn)設(shè)計(jì)中的應(yīng)用, 基于神經(jīng)網(wǎng)絡(luò)的優(yōu)化計(jì)算是用某系統(tǒng)的輸入輸出來(lái)訓(xùn)練網(wǎng)絡(luò),利用神經(jīng)網(wǎng)絡(luò)的聯(lián)想存儲(chǔ)及自學(xué)習(xí)功能,在相同的輸入下,使網(wǎng)絡(luò)具有與原系統(tǒng)相似的輸出。這樣,就可以用網(wǎng)絡(luò)的輸出來(lái)模擬原系統(tǒng)的輸出,而神經(jīng)網(wǎng)絡(luò)的處理速度一般來(lái)說(shuō)是很快的,從而達(dá)到加快計(jì)算的目的。隨著天線(xiàn)設(shè)計(jì)的復(fù)雜程度提高,設(shè)計(jì)周期在減小,本方法具有廣泛的應(yīng)用前景。

參考文獻(xiàn)

[1]鐘順時(shí).微帶天線(xiàn)理論與應(yīng)用[M].西安:西安電子科技大學(xué)出版社,2000.

[2]張青貴.人工神經(jīng)網(wǎng)絡(luò)導(dǎo)論[M].北京:中國(guó)水利水電出版社,2004.

[3]海金.神經(jīng)網(wǎng)絡(luò)原理[M].葉世偉,譯.北京:機(jī)械工業(yè)出版社,2004.

[4]飛思科技產(chǎn)品研發(fā)中心.神經(jīng)網(wǎng)絡(luò)理論與Matlab 7實(shí)現(xiàn)[M].北京:電子工業(yè)出版社,2005.

[5]哈根.神經(jīng)網(wǎng)絡(luò)設(shè)計(jì) [M].戴葵,譯.北京:機(jī)械工業(yè)出版社,2005.

[6]Georg Dorffner. Artificial Neural Networks [M]. [S.l.]: ICANN, 2001.

[7]許東.基于Matlab 6.X 的系統(tǒng)分析與設(shè)計(jì)――神經(jīng)網(wǎng)絡(luò)[M].西安:西安電子科技大學(xué)出版社,1998.

篇2

中圖分類(lèi)號(hào)：TP183 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1007-9599 (2011) 20-0000-02

Design of Control System Based on FNN PID

Duan Zhengjun1,Zhao Ran1,Tian Wenxue2

(1.TISCO Stainless Steel Pipe company,Taiyuan030000,China;2. China Chemical Engineering Second Construction Corporation,Taiyuan030000,China)

Abstract:At present,many of intelligent algorithm apply to the non-linear control system,it is intelligent control systems,for example,neural network,fuzzy control.According to the neural networks and fuzzy control in this article,introduced design principles and implementation based on neural nerwork and PID algorithm.

Keywords:Fuzzy neural network;PID;Control System;Nonlinear

一、引言

模糊神經(jīng)網(wǎng)絡(luò)（FNN）是模糊邏輯控制和神經(jīng)網(wǎng)絡(luò)兩者結(jié)合的產(chǎn)物。模糊邏輯控制和神經(jīng)網(wǎng)絡(luò)兩者單獨(dú)使用時(shí)候，都會(huì)有一定的缺陷。模糊邏輯在一定的論域上面有很好的收斂性，在進(jìn)行模糊量的運(yùn)算上有優(yōu)勢(shì)；而神經(jīng)網(wǎng)絡(luò)具有強(qiáng)的自學(xué)習(xí)、自適應(yīng)、并行運(yùn)算和精確計(jì)算的能力。因此，兩者結(jié)合可以?xún)?yōu)勢(shì)互補(bǔ)，從而很大提高綜合能力。FNN-PID是將模糊神經(jīng)網(wǎng)絡(luò)融進(jìn)PID算法中，實(shí)現(xiàn)二者結(jié)合。FNN-PID算法具有PID控制器優(yōu)點(diǎn)、模糊控制的良好收斂性和對(duì)模糊量的運(yùn)算優(yōu)勢(shì)，也有神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)、自適應(yīng)的特性。

二、FNN系統(tǒng)結(jié)構(gòu)

FNN具有很多種結(jié)構(gòu)和算法，對(duì)于不同的控制對(duì)象，在綜合考慮運(yùn)算速度和精度的情況下，可以使模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)有所不同。本文模糊神經(jīng)網(wǎng)絡(luò)采用如圖1的結(jié)構(gòu)，兩個(gè)輸入變量是有 、 ，為誤差E與誤差變化量EC。輸出變量為Y，為PID三要素中的一個(gè)。根據(jù)專(zhuān)家經(jīng)驗(yàn)知識(shí)把每個(gè)輸入因子分為（NM，NS，ZO，PS，PM）五個(gè)模糊狀態(tài)記為T(mén)[ ]。

圖1.模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

第一層至第三層是實(shí)現(xiàn)模糊控制規(guī)則，第四層去除模糊化并實(shí)現(xiàn)輸出實(shí)際控制對(duì)象的值，每層的作用如下：

第一層為輸入層，該層的節(jié)點(diǎn)直接與輸入層相連，起著將輸入向量X傳送到下一層的作用，其節(jié)點(diǎn)個(gè)數(shù)等于輸入變量個(gè)數(shù)。輸入輸出關(guān)系可表示為：

， i=1，2（1）

第二層為隸屬函數(shù)層，其作用是計(jì)算輸入量屬于各語(yǔ)言變量值模糊集合的隸屬函數(shù)值，節(jié)點(diǎn)個(gè)數(shù) ，每個(gè)節(jié)點(diǎn)代表一個(gè)模糊集合，可表示為：

， j=1，2，3（2）

式中j―― 的模糊分割數(shù)， 、 ――高斯函數(shù)中第j個(gè)輸入對(duì)第i個(gè)結(jié)點(diǎn)的中心和寬度。

第三層為模糊規(guī)則層，每個(gè)節(jié)點(diǎn)代表一條模糊規(guī)則。采用IF-THEN模糊規(guī)則，可表示為：

：If is and is and…is THEN Yis（3）

式中，1≤n≤2，1≤i≤3： （4）

第四層為輸出層： （5）

三、FNN的學(xué)習(xí)算法及步驟

在學(xué)習(xí)方法上，我們選擇在線(xiàn)學(xué)習(xí)，在線(xiàn)學(xué)習(xí)就是針對(duì)整個(gè)訓(xùn)練集的每一個(gè)輸入和對(duì)應(yīng)的輸出要求，每學(xué)習(xí)一條規(guī)則，就進(jìn)行一次連接權(quán)的調(diào)整；這樣一輪一輪不斷的自動(dòng)的調(diào)整網(wǎng)絡(luò)連接權(quán)，知道整個(gè)網(wǎng)絡(luò)達(dá)到所有的要求的響應(yīng)為止。學(xué)習(xí)目的是對(duì)產(chǎn)生樣本規(guī)律的統(tǒng)計(jì)特性進(jìn)行建模，從具體觀測(cè)推測(cè)隱含的規(guī)律，輸出結(jié)果與樣本接近。為了提高測(cè)量的精度，要求 、 和 三個(gè)參數(shù)能夠適應(yīng)環(huán)境的變化，即可實(shí)時(shí)調(diào)節(jié)高斯隸屬函數(shù)和連接第三、第四層的權(quán)重比。具體算法如下：

式（5）可以按下式表示：（6）

設(shè) ， ， ，從而得到式（6）的簡(jiǎn)化形式為： ，由式子（6）和式子（7）得到（8）式：

（9）

（10）

定義輸出誤差為： （11），其中 ――k時(shí)刻的輸出值， ――k時(shí)刻的輸出期望值。

定義系統(tǒng)的性能指標(biāo)為：（12）

采用反方向傳播方法進(jìn)行監(jiān)督學(xué)習(xí)，使性能指標(biāo)E值最小化。根據(jù)梯度下降方法有：

以上式子分別為（13），（14），（15）。其中 為學(xué)習(xí)速度，由于采用在線(xiàn)學(xué)習(xí)，那么 為一個(gè)定值。根據(jù)性能指標(biāo)選取規(guī)則和專(zhuān)家經(jīng)驗(yàn)知識(shí)，取終止條件為E≤0.005，具體的學(xué)習(xí)步驟如下：

步驟1： 、 、 及 的初始值在[0，1]之間隨機(jī)選取， 的值為恒定值，根據(jù)經(jīng)驗(yàn)決定。

步驟2：根據(jù)式子（11），（13），（14），（15）計(jì)算得出比較理想的 ， ， 值。

步驟3：根據(jù)式子（12）計(jì)算E，若E≤0.002，迭代結(jié)束。否則，令 ， ， 為初始值并返回步驟2。

四、PID-FNN系統(tǒng)的設(shè)計(jì)及實(shí)現(xiàn)

根據(jù)FNN結(jié)構(gòu)可知，輸入是誤差和誤差變化量，輸出是PID控制參數(shù)中的一個(gè)，故我們?cè)O(shè)計(jì)PID-FNN系統(tǒng)時(shí)要使用3個(gè)FNN，選擇這樣的FNN結(jié)構(gòu)是為了更加精確的得到PID所需要的修正值。當(dāng)然，這里所用的FNN是已經(jīng)結(jié)束學(xué)習(xí)過(guò)程的。PID-FNN控制系統(tǒng)的具體結(jié)構(gòu)如圖2所示。

PID-FNN系統(tǒng)具體實(shí)現(xiàn)過(guò)程如下：①根據(jù)FNN的學(xué)習(xí)算法，通過(guò)提供的樣本對(duì)FNN-Kp、FNN-Ki和FNN-Kd進(jìn)行訓(xùn)練，使其得到合適的權(quán)值，滿(mǎn)足性能指標(biāo)為止。②誤差和誤差變化量做歸一化處理，作為FNN-Kp、FNN-Ki和FNN-Kd的輸入。③根據(jù)式子（1）（2）（4）（5）計(jì)算FNN的各層的輸出，F(xiàn)NN-Kp、FNN-Ki和FNN-Kd最后一層的輸出就是PID控制參數(shù)Kp、Ki和Kd的修正值。④利用③中得到的修正值，對(duì)經(jīng)典PID控制器所得出的Kp、Ki和Kd的值進(jìn)行修正。⑤Kp、Ki和Kd的修正后的值傳送給控制對(duì)象，并由圖2中所示，控制結(jié)果反饋回到計(jì)算誤差處進(jìn)行誤差計(jì)算。由此跳轉(zhuǎn)到②步。

圖2.FNN-PID系統(tǒng)結(jié)構(gòu)

五、結(jié)束語(yǔ)

FNN融合了模糊控制和神經(jīng)網(wǎng)絡(luò)的特點(diǎn)，本文利用這一點(diǎn)設(shè)計(jì)了PID-FNN控制系統(tǒng)并予以實(shí)現(xiàn)。文章中介紹了FNN的系統(tǒng)結(jié)構(gòu)和學(xué)習(xí)過(guò)程的算法以及步驟，然后設(shè)計(jì)了PID-FNN的系統(tǒng)結(jié)構(gòu)，并且描述了具體的實(shí)現(xiàn)過(guò)程。

本文作者創(chuàng)新點(diǎn)：模糊神經(jīng)網(wǎng)絡(luò)（FNN）是模糊邏輯控制和神經(jīng)網(wǎng)絡(luò)兩者結(jié)合的產(chǎn)物。兩者結(jié)合可以?xún)?yōu)勢(shì)互補(bǔ)，從而很大提高綜合能力。從而能夠更迅速、更精確的對(duì)PID參數(shù)進(jìn)行修正，已達(dá)到最佳的控制狀態(tài)。

參考文獻(xiàn)：

[1]李士勇.模糊控制,神經(jīng)控制和智能控制論[M].哈爾濱:哈爾濱工業(yè)大學(xué)出版社,1996

[2]曾黃麟.智能計(jì)算[M].重慶:重慶大學(xué)出版社,2004

[3]晁勤,傅成華.自動(dòng)控制原理[M].重慶:重慶大學(xué)出版社,2005

篇3

關(guān)鍵詞: BP神經(jīng)網(wǎng)絡(luò);傳感器陣列;氣體檢測(cè)

Key words: BP Neural Network;sensor array;gas detection

中圖分類(lèi)號(hào):TP315文獻(xiàn)標(biāo)識(shí)碼:A文章編號(hào):1006-4311(2010)31-0204-02

1概述

氣體檢測(cè)系統(tǒng)的工作原理是模擬生物嗅覺(jué)系統(tǒng)對(duì)被測(cè)氣體進(jìn)行感知、分析和識(shí)別,由氣體傳感器陣列、信號(hào)處理子系統(tǒng)和模式識(shí)別子系統(tǒng)三大部分組成[1]。將氣體傳感器陣列與人工神經(jīng)網(wǎng)絡(luò)的模式識(shí)別相結(jié)合,是對(duì)混合氣體進(jìn)行定性識(shí)別和定量檢測(cè)的一種有效的方法。用氣體傳感器陣列對(duì)氣體進(jìn)行檢測(cè)具有響應(yīng)速度快、靈敏度高、制作簡(jiǎn)單等優(yōu)點(diǎn),但同時(shí)存在交叉敏感等缺陷,在實(shí)際應(yīng)用中很難有選擇地響應(yīng)被測(cè)氣體的某種成分,對(duì)氣體測(cè)量的精度有著較大的影響。本課題通過(guò)實(shí)驗(yàn)研究,將氣體傳感器陣列采集的輸出信號(hào)經(jīng)信號(hào)處理,作為神經(jīng)網(wǎng)絡(luò)的輸入信號(hào),實(shí)現(xiàn)了對(duì)CO、H2S和CH4三種混合氣體的定性定量識(shí)別。本文重點(diǎn)研究氣體檢測(cè)系統(tǒng)中BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計(jì)與實(shí)現(xiàn)。

2BP網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì)和實(shí)現(xiàn)

進(jìn)行BP網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì)時(shí),一般應(yīng)從網(wǎng)絡(luò)的層數(shù)、每層的神經(jīng)元個(gè)數(shù)和相應(yīng)的激活函數(shù)、初始值的設(shè)置以及學(xué)習(xí)速度等因素進(jìn)行考慮。

2.1 輸入和輸出層的網(wǎng)絡(luò)設(shè)計(jì)BP網(wǎng)絡(luò)的輸入層和輸出層神經(jīng)元個(gè)數(shù)的確定是根據(jù)具體的實(shí)驗(yàn)需要設(shè)定的。網(wǎng)絡(luò)中,輸入類(lèi)別為n個(gè),檢測(cè)類(lèi)別數(shù)m,則一般確定輸入層的神經(jīng)元數(shù)為n,輸出層神經(jīng)元個(gè)數(shù)為m。如果訓(xùn)練樣本Xi屬于第j類(lèi),則輸出結(jié)果公式為[2]:

Y=(0,0,…,,)(1)

上述公式表示為輸出向量中第j個(gè)輸出為1,其余全部為0。輸入層的神經(jīng)元可以根據(jù)對(duì)求解的問(wèn)題和數(shù)據(jù)表示的方式確定,在實(shí)際過(guò)程中,應(yīng)盡量減少系統(tǒng)的規(guī)模,使學(xué)習(xí)的時(shí)間和系統(tǒng)的復(fù)雜性減少。

本課題實(shí)驗(yàn)系統(tǒng)確定的傳感器陣列中的傳感器個(gè)數(shù)為6個(gè),因此網(wǎng)絡(luò)的輸入將是一個(gè)六維向量,即需要6個(gè)輸入神經(jīng)元,每個(gè)神經(jīng)元分別和傳感器的輸出信號(hào)一一對(duì)應(yīng)。實(shí)驗(yàn)中對(duì)CO、H2S和CH4三種氣體組成的混合氣體進(jìn)行定性識(shí)別和定量檢測(cè),因此該網(wǎng)絡(luò)的輸出是一個(gè)三維向量,分別對(duì)應(yīng)三種氣體的輸出值。用二進(jìn)制編碼區(qū)分三種氣體的輸出模式,期望輸出分別是[1 0 0]、[0 1 0]、[0 0 1]。

2.2 隱層的設(shè)計(jì)對(duì)于隱層的設(shè)計(jì),要考慮隱層層數(shù)的選擇和每個(gè)隱層中神經(jīng)元單元數(shù)的確定。根據(jù)Robert Hecht-Nielsen的研究,對(duì)于任何在閉區(qū)間內(nèi)連續(xù)的函數(shù)都可以用具有一個(gè)隱層的BP網(wǎng)絡(luò)來(lái)任意逼近,因而一個(gè)三層的BP網(wǎng)絡(luò)可以完成任意的n維輸入到m維輸出的映射。根據(jù)問(wèn)題的復(fù)雜性,也可以設(shè)計(jì)多個(gè)隱層。當(dāng)各節(jié)點(diǎn)均采用s型函數(shù)時(shí),一個(gè)隱層就足以實(shí)現(xiàn)任意判決分類(lèi)問(wèn)題,兩個(gè)隱層則足以表示輸入圖形的任意輸出函數(shù)。對(duì)于用作分類(lèi)的BP網(wǎng)絡(luò),可參考以下幾個(gè)經(jīng)驗(yàn)公式[3,4]:

K

此式中,K為樣本數(shù),n1為隱層單元數(shù),n為輸入單元數(shù)。當(dāng)i>n1時(shí),C=0。

n=+a(3)

此式中,m為輸出單元數(shù),n為輸入單元數(shù),a為1至10之間的常數(shù)。針對(duì)本課題需要,輸入單元數(shù)n=6,輸出單元數(shù)m=3,根據(jù)上式可得隱層單元數(shù)n1在[4,14]之間。

n=logn(4)

此式中,n為輸入單元數(shù),由此可得n的值設(shè)置為3。

2.3 初始值的確定在網(wǎng)絡(luò)學(xué)習(xí)之前,首現(xiàn)要對(duì)網(wǎng)絡(luò)的權(quán)值、閾值進(jìn)行初始化工作。由于系統(tǒng)的非線(xiàn)性特性,初始值的選擇對(duì)于網(wǎng)絡(luò)學(xué)習(xí)是否會(huì)達(dá)到局部最小、訓(xùn)練時(shí)間的長(zhǎng)短以及能否收斂都有著很大的關(guān)系。如果不對(duì)網(wǎng)絡(luò)中的連接權(quán)值進(jìn)行初始化,網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程可能會(huì)不收斂。如果初始值賦予的太大,網(wǎng)絡(luò)的神經(jīng)元就很可能會(huì)趨于飽和,致使反向傳播中的局部梯度呈現(xiàn)出一個(gè)最小值,導(dǎo)致反向傳播學(xué)習(xí)過(guò)程緩慢。如果賦予的初始值太小,反向傳播算法可能會(huì)局限于誤差曲面原點(diǎn)的一個(gè)非常平緩的區(qū)域。一般希望加權(quán)后每個(gè)神經(jīng)元的輸出值接近于0,這樣可以保證每個(gè)神經(jīng)元的權(quán)值都能在S型激勵(lì)函數(shù)變化最大之處進(jìn)行調(diào)節(jié),因此通常BP算法初始權(quán)值和閾值的選定在(-1,1)內(nèi)的隨機(jī)數(shù),經(jīng)過(guò)反復(fù)調(diào)整,獲得穩(wěn)定值。

2.4 BP網(wǎng)絡(luò)的Matlab實(shí)現(xiàn)

2.4.1 BP網(wǎng)絡(luò)的初始化當(dāng)網(wǎng)絡(luò)創(chuàng)建后,網(wǎng)絡(luò)的權(quán)值和閾值的初始值默認(rèn)為0。在對(duì)神經(jīng)網(wǎng)絡(luò)訓(xùn)練之前,要對(duì)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行初始化,所使用的函數(shù)是init(),函數(shù)的命令格式為:

net=init(net)

函數(shù)根據(jù)網(wǎng)絡(luò)的初始化函數(shù)及其參數(shù)值對(duì)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行初始化,分別表示為net.initFcn和net.initParam。

2.4.2 BP網(wǎng)絡(luò)的創(chuàng)建與仿真Matlab神經(jīng)網(wǎng)絡(luò)工具箱提供了創(chuàng)建BP網(wǎng)絡(luò)的函數(shù)newff(),常用的指令格式為:

net=newff(P,T,[S1,S2…SN],{TF1 TF2…TFN1})

其中,P,T分別為輸入樣本和期望響應(yīng);Si為第i層神經(jīng)元的數(shù)目,總共為N層;TFi為網(wǎng)絡(luò)各層的傳遞函數(shù)的類(lèi)型。執(zhí)行的結(jié)果為創(chuàng)建一個(gè)N層的BP神經(jīng)網(wǎng)絡(luò),默認(rèn)情況下,網(wǎng)絡(luò)中間的隱層采用tansig函數(shù),輸出層采用purelin函數(shù)。

BP網(wǎng)絡(luò)的仿真采用函數(shù)sim(),對(duì)于高維的多個(gè)輸入,也可以使用sim函數(shù)仿真輸出。

2.4.3 BP網(wǎng)絡(luò)的的傳遞函數(shù)傳遞函數(shù)的作用是將網(wǎng)絡(luò)的輸入轉(zhuǎn)換為輸出,又稱(chēng)為激活函數(shù)。在BP網(wǎng)絡(luò)中,傳遞函數(shù)必須是可微的。常用到的傳遞函數(shù)為S型對(duì)數(shù)函數(shù)和雙曲正切S型函數(shù)。

2.4.4 BP網(wǎng)絡(luò)的訓(xùn)練對(duì)神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值初始化后,就可以對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練既可以在指定學(xué)習(xí)算法的條件下調(diào)用普通的train函數(shù),也可以直接調(diào)用不同訓(xùn)練算法的對(duì)應(yīng)函數(shù)。函數(shù)train()是通過(guò)調(diào)用參數(shù)net.trainFcn設(shè)定訓(xùn)練函數(shù)來(lái)實(shí)現(xiàn)網(wǎng)絡(luò)訓(xùn)練的,并且訓(xùn)練方式由參數(shù)net.train.Param的值來(lái)確定。同樣adapt函數(shù)是調(diào)用參數(shù)為net.adaptFcn設(shè)定的訓(xùn)練函數(shù)進(jìn)行網(wǎng)絡(luò)訓(xùn)練,訓(xùn)練方式由net.adaptParam的值確定。在BP網(wǎng)絡(luò)訓(xùn)練算法中,都是通過(guò)計(jì)算性能函數(shù)的梯度,再沿負(fù)梯度方向調(diào)整權(quán)值和閾值,從而使得性能函數(shù)達(dá)到最小。第i個(gè)循環(huán)中的調(diào)整公式表示為:

x=x-ag(5)

其中x表示當(dāng)前的權(quán)值和閾值,g表示當(dāng)前梯度,a是學(xué)習(xí)率。

2.4.5 BP網(wǎng)絡(luò)的仿真輸出對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行設(shè)置和訓(xùn)練,其目的是應(yīng)用。神經(jīng)網(wǎng)絡(luò)訓(xùn)練完成之后,將后續(xù)測(cè)得的實(shí)驗(yàn)數(shù)據(jù)輸入,利用仿真函數(shù)得到網(wǎng)絡(luò)的輸出。仿真函數(shù)的格式為:

Sim=(net,P)

其中,net為已經(jīng)訓(xùn)練好的人工神經(jīng)網(wǎng)絡(luò),P為網(wǎng)絡(luò)的輸入矩陣。

3實(shí)驗(yàn)數(shù)據(jù)和誤差分析

3.1 定性識(shí)別實(shí)驗(yàn)中,采用6個(gè)氣體傳感器組成傳感器陣列對(duì)CO、H2S和CH4三種氣體進(jìn)行檢測(cè)。對(duì)每種氣體分別配制12組不同的濃度,即共獲得12×3=36組不同氣體濃度的氣體樣本。隱層采用10個(gè)神經(jīng)元,輸入層神經(jīng)元數(shù)由氣體傳感器陣列的維數(shù)決定,即有6個(gè)神經(jīng)元,輸出層有3個(gè)神經(jīng)元,其輸出分別對(duì)應(yīng)三種不同的氣體。用于定性識(shí)別的網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

對(duì)于實(shí)驗(yàn)獲取的36組氣體數(shù)據(jù)樣本,取氣體樣本的24組用于網(wǎng)絡(luò)的訓(xùn)練,取其余的12組用于網(wǎng)絡(luò)的測(cè)試。網(wǎng)絡(luò)的期望輸出為:

yyyyyyyyy=100010001

神經(jīng)網(wǎng)絡(luò)經(jīng)過(guò)訓(xùn)練后,得到網(wǎng)絡(luò)固定的連接權(quán)值和閾值,然后對(duì)測(cè)試樣本進(jìn)行分析驗(yàn)證。用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)對(duì)測(cè)試樣本進(jìn)行驗(yàn)證時(shí),對(duì)于網(wǎng)絡(luò)輸出y1,規(guī)定滿(mǎn)足以下條件即可認(rèn)為測(cè)得樣本輸出為1,即認(rèn)為是正確的識(shí)別結(jié)果:

(1)y=max{y,y,y}

(2)y0.7

(3)y-y0.3, y-y0.3

同理以上條件適合于網(wǎng)絡(luò)輸出y和y。經(jīng)過(guò)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和識(shí)別,得出對(duì)樣本的測(cè)試結(jié)果,實(shí)現(xiàn)了對(duì)不同氣體的定性識(shí)別,并且識(shí)別率達(dá)到了100%。

3.2 定量檢測(cè)針對(duì)每種氣體傳感器的測(cè)量范圍,對(duì)三種氣體分別取39種不同濃度的實(shí)驗(yàn)樣本,總共樣本數(shù)為39×3=117。取每種氣體樣本的2/3作為網(wǎng)絡(luò)的訓(xùn)練樣本,其余的1/3作為測(cè)試樣本。為了使實(shí)驗(yàn)數(shù)據(jù)不因被測(cè)氣體濃度的影響而造成誤差,選擇訓(xùn)練樣本和測(cè)試樣本時(shí)取等差濃度的序列。由于實(shí)驗(yàn)樣本數(shù)目龐大,表1只列出了實(shí)驗(yàn)中部分輸出結(jié)果。

通過(guò)實(shí)驗(yàn)分析可知,對(duì)CO、H2S和CH4三種氣體定量檢測(cè)的最大誤差分別為8.51%、9.35%和7.45%。對(duì)CO定量檢測(cè)的平均誤差為4.18%,對(duì)H2S定量檢測(cè)的平均誤差為4.02%,對(duì)CH4定量檢測(cè)的平均誤差為3.60%,達(dá)到了實(shí)驗(yàn)預(yù)期的要求。

4結(jié)束語(yǔ)

本文將氣體傳感器陣列和神經(jīng)網(wǎng)絡(luò)模式識(shí)別相結(jié)合,將傳感器陣列對(duì)氣體檢測(cè)的輸出響應(yīng)(處理后)作為BP網(wǎng)絡(luò)的輸入,構(gòu)建了適合混合氣體定性定量檢測(cè)識(shí)別的BP網(wǎng)絡(luò)模型,并成功地對(duì)CO、H2S和CH4三種實(shí)驗(yàn)氣體實(shí)現(xiàn)了定性識(shí)別和定量檢測(cè),實(shí)驗(yàn)誤差在實(shí)驗(yàn)允許范圍內(nèi)。

參考文獻(xiàn):

[1]J.W. Gardner, P. N .Bartlett. A brief history of electronic noses[J]. Sensors and Actuators, 1994, B18-19: 211-220.

篇4

中圖分類(lèi)號(hào)：TP183 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1671-2064（2017）01-0044-01

近年來(lái)，在網(wǎng)絡(luò)游戲發(fā)展過(guò)程中，圖像的呈現(xiàn)質(zhì)量已經(jīng)提升到了一個(gè)極高的水平，人工智能游戲已經(jīng)成為決定一款游戲成功與否的重要關(guān)鍵，并受到了游戲開(kāi)發(fā)商的廣泛關(guān)注和高度重視。網(wǎng)絡(luò)游戲作為一種目標(biāo)性、競(jìng)爭(zhēng)性、互動(dòng)性、情節(jié)性的娛樂(lè)作品，它的智能水平對(duì)游戲的質(zhì)量和可玩性具有著直接的影響作用。因此，將計(jì)算機(jī)圖形學(xué)和人工智能有機(jī)的結(jié)合起來(lái)，把人工智能中的預(yù)測(cè)、路徑規(guī)劃、搜索、學(xué)習(xí)等技術(shù)有效的應(yīng)用到網(wǎng)絡(luò)游戲的研發(fā)工作中去，不僅能夠提升游戲的質(zhì)量和可玩性，同時(shí)還有利于促進(jìn)游戲開(kāi)發(fā)企業(yè)的發(fā)展。

1 人工神經(jīng)網(wǎng)絡(luò)分析

人腦可以用一套較為獨(dú)特的方法來(lái)解決相關(guān)問(wèn)題，并且還能夠從正反兩面的行為差異中進(jìn)行學(xué)習(xí)，經(jīng)過(guò)研究發(fā)現(xiàn)，人腦是由十萬(wàn)種類(lèi)的遺傳因子中的十萬(wàn)億個(gè)細(xì)胞組合而成，人工神經(jīng)網(wǎng)絡(luò)就相當(dāng)于模擬人腦功能的一個(gè)數(shù)學(xué)模型。其中神經(jīng)元作為人腦系統(tǒng)中處理基本信息的單元，是人體神經(jīng)器官的重要組成部分，通過(guò)軸將各個(gè)神經(jīng)元進(jìn)行有效連接，而其他神經(jīng)元的發(fā)送的信號(hào)能夠使當(dāng)前神經(jīng)元產(chǎn)生相應(yīng)的反映，這一反映如果能夠達(dá)到特定的閾值，就會(huì)逐漸產(chǎn)生一種新的信號(hào)，并且沿著軸將信號(hào)傳輸?shù)狡渌窠?jīng)元[1]。人工神經(jīng)網(wǎng)絡(luò)主要就是由各種節(jié)點(diǎn)相互連接組合形成的，節(jié)點(diǎn)類(lèi)似于人腦的各個(gè)神經(jīng)元細(xì)胞，會(huì)存在一些節(jié)點(diǎn)連接外部環(huán)境，主要負(fù)責(zé)相關(guān)的信息輸出和輸入工作，被稱(chēng)作是輸出點(diǎn)或者輸入點(diǎn)，而另外一些網(wǎng)絡(luò)內(nèi)部的節(jié)點(diǎn)，通常被稱(chēng)作隱藏節(jié)點(diǎn)。隱藏節(jié)點(diǎn)的信息輸出通常是輸出節(jié)點(diǎn)的信息輸入，輸入節(jié)點(diǎn)的信息輸出通常是隱藏節(jié)點(diǎn)的信息輸入。

此外，人工神經(jīng)網(wǎng)絡(luò)的主要核心思想就是對(duì)人類(lèi)大腦神經(jīng)系統(tǒng)功能進(jìn)行模擬的機(jī)器學(xué)習(xí)的一種方法，并且通過(guò)對(duì)系統(tǒng)內(nèi)部各個(gè)神經(jīng)元的各種連接參數(shù)進(jìn)行反復(fù)的調(diào)節(jié)，使得神經(jīng)網(wǎng)絡(luò)系統(tǒng)得到訓(xùn)練，并且在遇到一定情況時(shí)能夠做出最佳的反映[2]?？傊?，神經(jīng)網(wǎng)絡(luò)作為一項(xiàng)發(fā)展較為成熟的技術(shù)，其在解決相關(guān)問(wèn)題之后，將會(huì)使網(wǎng)絡(luò)游戲的智能化提升到一個(gè)全新的高度。

2 人工神經(jīng)網(wǎng)絡(luò)中的游戲?qū)W習(xí)設(shè)計(jì)分析

與傳統(tǒng)方法相比，神經(jīng)網(wǎng)絡(luò)解決問(wèn)題的方式有著明顯的不同，其具有著較強(qiáng)的自主學(xué)習(xí)能力，經(jīng)過(guò)不斷的學(xué)習(xí)，ANN可以從未知式中的各種復(fù)雜數(shù)據(jù)信息中發(fā)現(xiàn)規(guī)律[3]。這種神經(jīng)網(wǎng)絡(luò)方法在很大程度上克服了傳統(tǒng)方法在分析中的復(fù)雜性以及各種模型函數(shù)選擇的困難，通過(guò)訓(xùn)練對(duì)問(wèn)題進(jìn)行解答，ANN可以較為快速的建立解決問(wèn)題的非線(xiàn)性和線(xiàn)性模型。如果想要人工神經(jīng)網(wǎng)絡(luò)進(jìn)行運(yùn)作，首先就需要讓網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)，不斷的訓(xùn)練網(wǎng)絡(luò)，幫助它獲取更多的知識(shí)信息，最后將這些信息有效的存儲(chǔ)起來(lái)。一旦完成相關(guān)的訓(xùn)練和學(xué)習(xí)，就可以將知識(shí)有效的存儲(chǔ)在權(quán)值中。在游戲的開(kāi)發(fā)過(guò)程中，將神經(jīng)網(wǎng)絡(luò)模型看作是人物建模的基礎(chǔ)，通過(guò)對(duì)玩家將要進(jìn)行的動(dòng)作或者選擇的畫(huà)面場(chǎng)景進(jìn)行預(yù)測(cè)，運(yùn)用神經(jīng)網(wǎng)絡(luò)進(jìn)行信息存儲(chǔ)，并且在游戲的運(yùn)行過(guò)程中要保證學(xué)習(xí)元素的有效運(yùn)行，進(jìn)而讓神經(jīng)網(wǎng)絡(luò)潛移默化的學(xué)會(huì)相應(yīng)的自適應(yīng)技術(shù)，最終實(shí)現(xiàn)游戲的可玩性和趣味性，提升游戲的開(kāi)發(fā)設(shè)計(jì)質(zhì)量和效果，進(jìn)而吸引更多的游戲玩家。

3 BP神經(jīng)網(wǎng)絡(luò)游戲開(kāi)發(fā)設(shè)計(jì)分析

在神經(jīng)網(wǎng)絡(luò)的眾多模型中，BP算法是其中較為常用的一種神經(jīng)網(wǎng)絡(luò)，一般分為輸入層、輸出層、中間層等三個(gè)部分，各個(gè)層之間按順序進(jìn)行連接，因?yàn)橹虚g存在隱含層，可以從中發(fā)現(xiàn)一定的學(xué)習(xí)規(guī)律，可以通過(guò)對(duì)這種網(wǎng)絡(luò)的有效訓(xùn)練，進(jìn)而形成一種較為復(fù)雜、多樣的決策界面[4]。同時(shí)，BP神經(jīng)網(wǎng)絡(luò)具有一個(gè)強(qiáng)大的功能，其主要就是能夠封裝一個(gè)將信息輸入映射到信息輸出的非線(xiàn)性函數(shù)。假如不存在隱含層，那么神經(jīng)網(wǎng)絡(luò)只能發(fā)現(xiàn)信息輸入與信息輸出之間存在的線(xiàn)性關(guān)系。但是，僅僅是為感知網(wǎng)絡(luò)增添一個(gè)隱含層還是遠(yuǎn)遠(yuǎn)不夠的，需要通過(guò)非線(xiàn)性激活函數(shù)為網(wǎng)絡(luò)連接提供相應(yīng)的非線(xiàn)性元素。大多數(shù)的非線(xiàn)性函數(shù)基本上都能夠進(jìn)行使用，但是多項(xiàng)式函數(shù)除外。

在游戲中，設(shè)置網(wǎng)絡(luò)作為神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)的基本步驟，可以將特定數(shù)據(jù)當(dāng)做輸入訓(xùn)練網(wǎng)絡(luò)，并且在游戲的具體輸入中進(jìn)行實(shí)際應(yīng)用。在游戲問(wèn)題的神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)中，應(yīng)該注意結(jié)構(gòu)、學(xué)習(xí)、神經(jīng)元特點(diǎn)等三個(gè)方面的因素。其中結(jié)構(gòu)主要就是指要進(jìn)行構(gòu)造的神經(jīng)網(wǎng)絡(luò)組織、連接方式以及基本類(lèi)型。而且在神經(jīng)網(wǎng)絡(luò)中節(jié)點(diǎn)數(shù)設(shè)計(jì)要遵循相關(guān)的原則就是越少越好。神經(jīng)網(wǎng)絡(luò)中的節(jié)點(diǎn)數(shù)越多，那么神經(jīng)網(wǎng)絡(luò)搜索正確解的空間范圍就越廣闊[5]。神經(jīng)網(wǎng)絡(luò)中輸入節(jié)點(diǎn)數(shù)在一定程度上決定著模式匹配或網(wǎng)絡(luò)分類(lèi)的變量數(shù)，例如，籃球類(lèi)型的游戲中，運(yùn)動(dòng)員投籃命中、灌籃動(dòng)作、球員分布、難度等級(jí)等變量數(shù)。

4 結(jié)語(yǔ)

總而言之，網(wǎng)絡(luò)游戲作為一種新型的娛樂(lè)方式，具有著較強(qiáng)的生活模擬性和互動(dòng)性，深受廣大社會(huì)群眾的喜愛(ài)。因此，我國(guó)應(yīng)該重視游戲產(chǎn)業(yè)的發(fā)展，不斷加大對(duì)網(wǎng)絡(luò)游戲的開(kāi)發(fā)和設(shè)計(jì)，將神經(jīng)網(wǎng)絡(luò)有效的應(yīng)用到網(wǎng)絡(luò)游戲開(kāi)發(fā)的實(shí)踐中去，尤其是BP神經(jīng)網(wǎng)絡(luò)，它不僅可以預(yù)測(cè)玩家的行為，及時(shí)提供信息反饋，同時(shí)還能提高網(wǎng)絡(luò)游戲的可玩性和趣味性，提升游戲設(shè)計(jì)的整體質(zhì)量和效果，有利于促進(jìn)我國(guó)游戲開(kāi)發(fā)產(chǎn)業(yè)的發(fā)展和進(jìn)步。

參考文獻(xiàn)：

[1]余穎.基于神經(jīng)網(wǎng)絡(luò)和遺傳算法的人工智能游戲研究與應(yīng)用[D].湖南大學(xué)，2011.

[2]王淑琴.神經(jīng)網(wǎng)絡(luò)和遺傳算法在游戲設(shè)計(jì)中的應(yīng)用研究[D].東北師范大學(xué)，2014.

篇5

論文摘要：針對(duì)汽車(chē)發(fā)動(dòng)機(jī)設(shè)計(jì)和性能評(píng)測(cè)當(dāng)中有關(guān)參數(shù)計(jì)算的特點(diǎn)，提出應(yīng)用人工神經(jīng)網(wǎng)絡(luò)方法進(jìn)行輔助計(jì)算，以提高數(shù)據(jù)計(jì)算的結(jié)構(gòu)化程度和處理速度。通過(guò)對(duì)具體數(shù)據(jù)的實(shí)際操作表明，應(yīng)用本方法能夠很好地表達(dá)原圖表數(shù)據(jù)關(guān)系，所得結(jié)果的精度能夠滿(mǎn)足計(jì)算要求。

汽車(chē)發(fā)動(dòng)機(jī)的性能包括動(dòng)力性、經(jīng)濟(jì)性、生態(tài)特性——排放與噪聲、可靠性及耐久性等多個(gè)方面，這些參數(shù)要通過(guò)在一定條件下的測(cè)試計(jì)算來(lái)獲得。當(dāng)發(fā)動(dòng)機(jī)在非標(biāo)準(zhǔn)環(huán)境下運(yùn)轉(zhuǎn)時(shí)，其相關(guān)計(jì)算要通過(guò)參數(shù)進(jìn)行修正，比如發(fā)動(dòng)機(jī)的有效功率和燃油消耗率的計(jì)算。當(dāng)發(fā)動(dòng)機(jī)在非標(biāo)準(zhǔn)環(huán)境下運(yùn)轉(zhuǎn)時(shí)，其有效功率及燃油消耗率應(yīng)修正到標(biāo)準(zhǔn)環(huán)境狀況，當(dāng)然也可由標(biāo)準(zhǔn)環(huán)境狀況修正到現(xiàn)場(chǎng)環(huán)境狀況，其中的有效功率和燃油消耗率修正系數(shù)在GB1105..1-87中以圖表的形式給出，使用很不方便，本文應(yīng)用人工神經(jīng)網(wǎng)絡(luò)對(duì)此圖表信息進(jìn)行處理，提高了數(shù)據(jù)計(jì)算的結(jié)構(gòu)化程度和處理速度，取得了滿(mǎn)意的效果。

1.神經(jīng)網(wǎng)絡(luò)的識(shí)別原理

在神經(jīng)網(wǎng)絡(luò)系統(tǒng)中，其知識(shí)是以大量神經(jīng)元的互連和各連接的權(quán)值來(lái)表示的.神經(jīng)網(wǎng)絡(luò)映射辯識(shí)方法主要通過(guò)大量的樣本進(jìn)行訓(xùn)練，經(jīng)過(guò)網(wǎng)絡(luò)內(nèi)部自適應(yīng)算法不斷調(diào)整其權(quán)值，以達(dá)到目的.狀態(tài)識(shí)別器就隱含在網(wǎng)絡(luò)中，具體就在互連形式與權(quán)值上.在網(wǎng)絡(luò)的使用過(guò)程中，對(duì)于特定的輸入模式，神經(jīng)網(wǎng)絡(luò)通過(guò)前向計(jì)算，產(chǎn)生一輸出模式，通過(guò)對(duì)輸出信號(hào)的比較和分析可以得出特定解。目前神經(jīng)網(wǎng)絡(luò)有近40多種類(lèi)型，其中BP(Back Propagation，即反向傳播)網(wǎng)絡(luò)是最常用和比較重要的網(wǎng)絡(luò)之一，本文就應(yīng)用一種改進(jìn)型的BP網(wǎng)絡(luò)進(jìn)行相應(yīng)數(shù)據(jù)圖表的識(shí)別映射。

BP網(wǎng)絡(luò)由輸入結(jié)點(diǎn)、輸出層結(jié)點(diǎn)和隱層結(jié)點(diǎn)構(gòu)成，相連層用全互連結(jié)構(gòu).神經(jīng)網(wǎng)絡(luò)的工作過(guò)程主要有兩個(gè)階段：一個(gè)是學(xué)習(xí)期，通過(guò)樣本學(xué)習(xí)修改各權(quán)值，達(dá)到一穩(wěn)定狀態(tài)；一個(gè)是工作期，權(quán)值不變，計(jì)算網(wǎng)絡(luò)輸出。

B

P網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程由正向傳播和反向傳播兩部分組成。在正向傳播過(guò)程中，輸入信息從輸入層經(jīng)隱層單元逐層處理，并傳向輸出層，每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)。如果在輸出層不能得到期望的輸出，則轉(zhuǎn)入反向傳播，將誤差信號(hào)沿原來(lái)的路徑返回，通過(guò)修改各層神經(jīng)元的權(quán)值，使得誤差信號(hào)最小。

當(dāng)給定一輸入模式X=(x1，x2，….，xm)和希望輸出模式Y(jié)=(y1，y2，…..，yn)時(shí)，網(wǎng)絡(luò)的實(shí)際輸出和輸出誤差可用下列公式求出：

隱含層輸出：

式中——輸入層至隱含層，隱含層至輸出層的連接權(quán)；

——隱含層結(jié)點(diǎn)、輸出層結(jié)點(diǎn)的閥值；

m、h、n——輸入層、隱含層、輸出層結(jié)點(diǎn)數(shù)；

f—— s型函數(shù)，f(x)=(1+e-x)-1.

如果誤差太大不能滿(mǎn)足要求，則需要用下列公式修正各連接權(quán)和閥值

為網(wǎng)絡(luò)提供一組特定的訓(xùn)練模式，隨機(jī)產(chǎn)生初始連接權(quán)和閥值，不斷幣復(fù)上述計(jì)算過(guò)程，直到網(wǎng)絡(luò)全局誤差小于給定的極小值為止.

由于BP網(wǎng)絡(luò)的高識(shí)別能力，應(yīng)用中采用了此結(jié)構(gòu)形式.同時(shí)為提高其識(shí)別效果，加快網(wǎng)絡(luò)的訓(xùn)練速度，縮短工作周期，應(yīng)用了附加動(dòng)量項(xiàng)和自適應(yīng)速率的改進(jìn)算法.

附加動(dòng)量項(xiàng)法使網(wǎng)絡(luò)在修正其權(quán)值時(shí)，不僅考慮誤差在梯度上的作用，而且考慮在誤差曲面上變化趨勢(shì)的影響，其作用如同一個(gè)低通濾波器，允許網(wǎng)絡(luò)上的微小變化特性，使網(wǎng)絡(luò)陷入局部極小值的可能性大大減少。自適應(yīng)速率是通過(guò)改變學(xué)習(xí)率，提高BP算法的有效性和收斂性，縮短訓(xùn)練時(shí)間.

2具體應(yīng)用

根據(jù)以上理論，采用改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)形式，動(dòng)量因子取0.9，對(duì)有效功率校正系數(shù)和燃油消耗率校正系數(shù)與指示功率比和機(jī)械效率的關(guān)系同時(shí)進(jìn)行識(shí)別，采用雙輸入雙輸出的2-10-2結(jié)構(gòu)、2-15-2結(jié)構(gòu)、2-20-2結(jié)構(gòu)進(jìn)行訓(xùn)練，識(shí)別情況分別如表3-5所示。

轉(zhuǎn)貼于

從實(shí)際的應(yīng)用效果來(lái)看，2-15-2和2-20-2的逼近能力相似，2-15-2的速度快于2-20-2結(jié)構(gòu)，而2-20-2結(jié)構(gòu)的識(shí)別能力要遠(yuǎn)低于前兩種結(jié)構(gòu)，采用更少的隱層結(jié)點(diǎn)數(shù)就會(huì)使訓(xùn)練的時(shí)間過(guò)長(zhǎng)，甚至使訓(xùn)練過(guò)程無(wú)法進(jìn)行.因此最后選擇2-15-2的BP網(wǎng)絡(luò)結(jié)構(gòu)作為最終的神經(jīng)網(wǎng)絡(luò)形式。如圖1所示為訓(xùn)練次數(shù)與誤差平方和之間的關(guān)系曲線(xiàn)，表4為部分網(wǎng)絡(luò)輸出與實(shí)際數(shù)值的比較.

通過(guò)以上計(jì)算分析可見(jiàn)，神經(jīng)網(wǎng)絡(luò)的映射輸出能力是相當(dāng)強(qiáng)的，通過(guò)合理的網(wǎng)絡(luò)結(jié)構(gòu)選擇和具體的參數(shù)應(yīng)用，完全可以滿(mǎn)足優(yōu)化設(shè)計(jì)的計(jì)算要求，大大縮短優(yōu)化當(dāng)中的計(jì)算迭代時(shí)間，提高計(jì)算效率。

3結(jié)論

（1）人工神經(jīng)網(wǎng)絡(luò)有很強(qiáng)的數(shù)據(jù)映射能力，能夠很好地識(shí)別所給數(shù)據(jù)之間的對(duì)應(yīng)關(guān)系，映射的精度可以滿(mǎn)足一般設(shè)計(jì)計(jì)算要求.

（2）對(duì)于包含無(wú)規(guī)律圖表數(shù)據(jù)的有關(guān)計(jì)算問(wèn)題，應(yīng)用神經(jīng)網(wǎng)絡(luò)是一個(gè)很好的加快運(yùn)算速度的解決方法.

（3）在數(shù)據(jù)的映射識(shí)別當(dāng)中，網(wǎng)絡(luò)的結(jié)構(gòu)形式和參數(shù)選擇對(duì)于問(wèn)題的求解精度和速度都是致關(guān)重要的’同時(shí)應(yīng)當(dāng)注意數(shù)據(jù)的過(guò)度訓(xùn)練問(wèn)題.

（4）智能算法的應(yīng)用為具體的工程計(jì)算提供了更方便、有效的手段，尋找有效的計(jì)算方法，以及多種算法的混合應(yīng)用將是擺在設(shè)計(jì)人員的一個(gè)課題.

參考文獻(xiàn)

[1]焦李成.神經(jīng)網(wǎng)絡(luò)系統(tǒng)理論[M]西安:西安電子科技大學(xué)出版社，1990.

[2]焦李成.神經(jīng)網(wǎng)絡(luò)的應(yīng)用與實(shí)現(xiàn)[M].西安:西安電子科技大學(xué)出版社，1993.

[3]王文成.神經(jīng)網(wǎng)絡(luò)及其在汽車(chē)工程中的應(yīng)用[M].北京:北京理工大學(xué)出版社，1998.

[4]張成寶，丁玉蘭，雷雨成.人工神經(jīng)網(wǎng)絡(luò)在汽車(chē)變速器齒輪故障診斷中的應(yīng)用[J].汽車(chē)工程，1999，21(6) 374-378.

篇6

中圖分類(lèi)號(hào)：TP391文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044(2011)16-3917-03

Research and Implementation of Intelligent Design System Based on Artificial Neural Network

WU Zheng

(The CAD Research Center of Tongji University, Shanghai 200092)

Abstract：Axisymmetric part of the design for the introduction of the concept of the feature encoded file, its characteristic features in a coded form to be expressed. In order to achieve intelligent process state model output, the use of artificial neural networks for automatic reasoning capabilities. Through the intelligent reasoning system to remove the experience of design continued exploration and improvement, will be part of the feature modeling input, the system can automatically determine the parts of the process, then automate production. The intelligent system can help developers and designers to quickly produce design example, so developers can focus more on product innovation activities of enterprises to improve product design and R & D has important practical significance.

Key words: neural network; intelligent design; feature coding; intelligent reasoning; KBE

產(chǎn)品工藝設(shè)計(jì)是產(chǎn)品開(kāi)發(fā)的首要環(huán)節(jié)，也是關(guān)系到產(chǎn)品設(shè)計(jì)成功與否的核心問(wèn)題。提高工藝設(shè)計(jì)集成化、系統(tǒng)化和智能化程度，實(shí)現(xiàn)經(jīng)驗(yàn)設(shè)計(jì)向科學(xué)設(shè)計(jì)的飛躍是研究人員多年追求的目標(biāo)。而智能設(shè)計(jì)作為現(xiàn)階段的熱點(diǎn)技術(shù)，吸引了越來(lái)越多的專(zhuān)家和學(xué)者的目光。[1]伴隨著計(jì)算機(jī)軟硬件的成熟，以及圖形圖像學(xué)、CAD、人工智能設(shè)計(jì)技術(shù)和工藝模式理論的發(fā)展，顯著的提高了設(shè)計(jì)的質(zhì)量和效率，大大縮短了設(shè)計(jì)周期和工時(shí)，形成了工藝設(shè)計(jì)的的新領(lǐng)域，對(duì)我國(guó)智能設(shè)計(jì)和計(jì)算機(jī)輔助設(shè)計(jì)的發(fā)展起到了極其重要的推動(dòng)作用。[2]

1 人工神經(jīng)網(wǎng)絡(luò)智能設(shè)計(jì)系統(tǒng)模型的表達(dá)

1.1 智能設(shè)計(jì)系統(tǒng)的體系結(jié)構(gòu)

該智能設(shè)計(jì)系統(tǒng)主要的結(jié)構(gòu)模塊如圖1所示。本文將該智能設(shè)計(jì)系統(tǒng)主要?jiǎng)澐譃橐韵聨讉€(gè)模塊，特征造型器主要將零件的特征進(jìn)行錄入，數(shù)據(jù)會(huì)同用戶(hù)的輸入數(shù)據(jù)共同進(jìn)入特征編碼器；特征編碼器相當(dāng)于一個(gè)接口，將形式數(shù)據(jù)轉(zhuǎn)化為模式映射器能夠識(shí)別的規(guī)范化數(shù)據(jù)（即特征編碼文件），在模式映射器內(nèi)部，通過(guò)神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)的處理，同時(shí)結(jié)合已有的經(jīng)驗(yàn)知識(shí)庫(kù)、材料庫(kù)、規(guī)則設(shè)計(jì)庫(kù)、工藝特征庫(kù)、映射規(guī)則和標(biāo)準(zhǔn)庫(kù)的數(shù)據(jù)交互，將數(shù)據(jù)輸出到數(shù)值公式計(jì)算模塊。數(shù)值公式計(jì)算模塊主要是在具體的場(chǎng)景中將約束條件進(jìn)行量化，結(jié)合具體的設(shè)計(jì)要求將工藝設(shè)計(jì)順序進(jìn)行調(diào)整。最后將結(jié)果反饋到用戶(hù)界面，實(shí)現(xiàn)智能設(shè)計(jì)。

1.2 KBE思想和本系統(tǒng)的有機(jī)結(jié)合

在工程實(shí)踐中，人們發(fā)現(xiàn)專(zhuān)家知識(shí)一般來(lái)源于該領(lǐng)域內(nèi)專(zhuān)家的經(jīng)驗(yàn)和積累，具有很大程度的不確定性和模糊性，這對(duì)于知識(shí)的交流和繼承帶來(lái)了很大的困難。歐洲面向KBE應(yīng)用的方法和軟件工具研究聯(lián)盟提出了KBE的概念，KBE是計(jì)算機(jī)輔助工程領(lǐng)域的一個(gè)進(jìn)步，它是一種將面向?qū)ο蠓椒?Object Oriented Methods)、AI和CAD技術(shù)三者集成的工程方法，能夠提供設(shè)計(jì)過(guò)程客戶(hù)化、變量化和自動(dòng)化的解決方案[3-4]。，我們認(rèn)為：KBE是通過(guò)知識(shí)驅(qū)動(dòng)和繁衍，對(duì)工程問(wèn)題和任務(wù)提供最佳解決方案的計(jì)算機(jī)集成處理技術(shù)，是AI和CAx技術(shù)的有機(jī)融合。[5-6]

KBE系統(tǒng)的要點(diǎn)主要是知識(shí)的表示、知識(shí)建模、知識(shí)推理和知識(shí)的繁衍。本系統(tǒng)主要通過(guò)特征造型器進(jìn)行知識(shí)的表示，進(jìn)而在特征編碼器中對(duì)所得知識(shí)建模，形成了特征編碼文件。模式映射器利用人工神經(jīng)網(wǎng)絡(luò)對(duì)于特征編碼文件進(jìn)行不斷的映射，實(shí)現(xiàn)了知識(shí)推理；同時(shí)模式映射器將學(xué)習(xí)所得的知識(shí)存儲(chǔ)在相應(yīng)的知識(shí)庫(kù)中，進(jìn)行知識(shí)繁衍。將經(jīng)驗(yàn)知識(shí)和隱形知識(shí)轉(zhuǎn)化為顯式知識(shí)，實(shí)現(xiàn)了智能系統(tǒng)的關(guān)鍵一步。我們將KBE的思想結(jié)合到本文所開(kāi)發(fā)的系統(tǒng)中來(lái)。

2 零件的工藝特征及特征的編碼

2.1 特征的確定和數(shù)字化表達(dá)

首先我們需要確定零件的特征，進(jìn)而將零件的特征數(shù)字化。本文根據(jù)以下原則確立零件的特征：

1）現(xiàn)實(shí)性。零件的特征是客觀存在的，不因人的主觀意志的轉(zhuǎn)移而改變?cè)撎卣鳌?）可測(cè)量性。相比于傳統(tǒng)的經(jīng)驗(yàn)化設(shè)計(jì)模式，能夠準(zhǔn)確的測(cè)量和量化零件特征是智能設(shè)計(jì)的重要要求。3）唯一性。作為零件信息的重要載體，特征的無(wú)歧義性是需要重點(diǎn)考慮的原則，不能同時(shí)將一個(gè)特征收錄到兩個(gè)屬性中，進(jìn)而造成建模中零件屬性的混亂。

本文主要針對(duì)軸對(duì)稱(chēng)的零件工藝模式，我們將主要研究零件的以下特征：沖孔、翻邊、正向拉深、反向拉深、帶孔小階梯成形法等。

考慮到神經(jīng)網(wǎng)絡(luò)我們采用的是S型參數(shù)，所以我們將特征編碼確定為0到1之間的數(shù)，本文共確定了10種特征形狀。如表1所示。

通過(guò)確定特征參數(shù)，進(jìn)而可以構(gòu)建特征造型器，特征造型器以零件的實(shí)體特征為基礎(chǔ)，結(jié)合零件的幾何信息和拓?fù)湫畔ⅲ瑢?shù)化設(shè)計(jì)思想和特征編碼思想統(tǒng)一，用尺寸驅(qū)動(dòng)的方法來(lái)定義特征，便于計(jì)算機(jī)對(duì)于零件特征的識(shí)別和處理。

2.2 面向?qū)ο蟮奶卣鹘ＵZ(yǔ)言

由于在實(shí)際設(shè)計(jì)征的復(fù)雜性和多樣性，而面向?qū)ο蟮恼Z(yǔ)言具有數(shù)據(jù)的封裝性、數(shù)據(jù)與操作的集成性、對(duì)象重載、現(xiàn)實(shí)世界對(duì)象的數(shù)據(jù)和行為的全面抽象、對(duì)象數(shù)據(jù)的繼承性等等許多的優(yōu)點(diǎn)，目前已成為設(shè)計(jì)領(lǐng)域廣泛采用的設(shè)計(jì)手段，應(yīng)用在特征設(shè)計(jì)領(lǐng)域，可將特征的對(duì)象數(shù)據(jù)類(lèi)型抽象出來(lái)。

特征對(duì)象首先具有本身的特征尺寸和屬性，考慮到具體的應(yīng)用，這些尺寸要能夠?qū)崿F(xiàn)參數(shù)化，除此之外，還具有公差、材料、技術(shù)設(shè)計(jì)要求等信息；特征的操作類(lèi)型主要分為兩種：一種是成型過(guò)程，即所謂的造型映射，另一種操作是特征在零件上的形成位置即有關(guān)位置的變動(dòng)操作。在這兩種操作中，造型映射與工藝設(shè)計(jì)的過(guò)程聯(lián)系緊密，而特征位置操作則與產(chǎn)品的設(shè)計(jì)過(guò)程相關(guān)。下面主要是該特征對(duì)象的基類(lèi)型的原型定義。

class Feature

{Stringfeature ;//零件對(duì)象的三維實(shí)體名。

StringName;//零件特征名。

Stringmaterial;//特征的材料。

intfeature_parametre; //特征尺寸的參數(shù)。

intfeature_num.;// 特征類(lèi)型的編號(hào)。

intfeature_code;// 特征的編碼。

intpt1,pt2,pt3;//特征基點(diǎn)的坐標(biāo)。

int angle1,angle2,angle3;//特征在三維空間中與X, Y, Z軸的夾角。

Public:

virtualvoidmodel();//構(gòu)造三維實(shí)體特征。

virtualvoidlocate();//確定特征的空間位置。

voidmove (ap_solid *sol, ap_real tx, ap_real ty, ap_real tz);//將特征移動(dòng){tx,ty,tz}。

voidrotate (ap_solid *sol, ap_real rx, ap_real ry, ap_real rz);//將特征旋轉(zhuǎn)。

void chang_feature_para (int class_name, ap_solid *sol, ads_point pt, ap_direc ang, feature_parametre, void model); //該特征的幾何尺寸的參數(shù)化修改操作。

voidcal_area(); // 特征面積的計(jì)算。

voidcal_circl();//特征周長(zhǎng)的計(jì)算。

}

通過(guò)實(shí)例化語(yǔ)言，我們能夠?qū)α慵奶卣鬟M(jìn)行描述，進(jìn)而便于計(jì)算機(jī)識(shí)別和處理。特征編碼的構(gòu)造加入到零件基類(lèi)中，具體零件的定義將繼承特征編碼的操作，并能夠進(jìn)行適當(dāng)?shù)闹剌d。

3 特征編碼器和特征編碼文件

將特征數(shù)字化表示后，本系統(tǒng)主要通過(guò)特征編碼器將特征組成特征編碼文件，使后續(xù)的人工神經(jīng)網(wǎng)絡(luò)能夠?qū)ξ募M(jìn)行處理。有了特征編碼，我們能夠讓機(jī)器識(shí)別特征；但是為了保存特征的其他信息，如沖孔工藝中孔的直徑，翻邊的高度等等，我們引入了特征參數(shù)的概念。特征參數(shù)即為了更明確的定義特征的幾何、物理屬性，跟隨在特征編碼后面的一系列數(shù)值。圖3表示了部分特征編碼所對(duì)應(yīng)的特征參數(shù)。

我們將特征編碼和特征參數(shù)組成特征編碼文件，輸入到模式映射器中。特征編碼文件的格式為：每一行表示切僅表示一個(gè)特征，其中第一個(gè)數(shù)字為特征編碼，特征參數(shù)在特征編碼之后給出。圖4顯示了一個(gè)特征編碼文件的實(shí)例。

4 智能設(shè)計(jì)系統(tǒng)中工藝模式的生成、映射以及神經(jīng)網(wǎng)絡(luò)的構(gòu)造

4.1 工藝模式映射的過(guò)程

我們將零件的特征編碼文件輸入人工神經(jīng)網(wǎng)絡(luò)后，人工神經(jīng)網(wǎng)絡(luò)進(jìn)行反向推理，將零件的成型信息反向輸出，同時(shí)結(jié)合知識(shí)庫(kù)、材料庫(kù)等已有的信息，輸出結(jié)果。

工藝模式用于指導(dǎo)工藝計(jì)算模塊的工作，而經(jīng)過(guò)特征造型之后的零件信息只有特征編碼文件。因此，人工神經(jīng)網(wǎng)絡(luò)的任務(wù)就是根據(jù)零件的特征編碼組信息，推導(dǎo)出生成零件的各個(gè)中間成形形狀的特征編碼組，以及各個(gè)中間形狀在零件成形過(guò)程中的排列順序。

因?yàn)閷?duì)于神經(jīng)網(wǎng)絡(luò)來(lái)講，得到的是設(shè)計(jì)者輸入的零件模式信息，輸出是零件成形的各個(gè)中間狀態(tài)（特征編碼表示），這就決定了工藝模式在神經(jīng)網(wǎng)絡(luò)中的映射過(guò)程是一個(gè)“逆順序”的過(guò)程，這一過(guò)程又可以描述為“反推導(dǎo)”過(guò)程，即：將零件的特征編碼組（零件模式）輸入到經(jīng)過(guò)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)中，由其輸出該零件成形的各個(gè)過(guò)程的中間形狀的特征編碼（中間形狀模式）。我們以計(jì)算機(jī)的視角來(lái)看待零件的分解，即：零件->特征->特征編碼文件->人工神經(jīng)網(wǎng)絡(luò)。在人工神經(jīng)網(wǎng)絡(luò)中，特征編碼文件被反編譯，特征結(jié)構(gòu)后得出特征形成的順序，進(jìn)而輸出，即：人工神經(jīng)網(wǎng)絡(luò)->特征反編譯->特征工藝序列->特征編碼組->特征->零件。由此可見(jiàn)，人工神經(jīng)網(wǎng)絡(luò)是用于處理工藝模式的主要工具，在前面的特征造型器、特征編碼器中生成的零件的工藝模式，以及特征編碼組等概念，都是為了便于神經(jīng)網(wǎng)絡(luò)的處理而建立的。

最后，由這些“中間形狀模式”、“零件模式”等特征編碼組信息及其排列順序，組成該零件成形的“工藝模式”信息文件。這一過(guò)程，就是以零件模式作為輸入、以經(jīng)過(guò)訓(xùn)練。

4.2 神經(jīng)網(wǎng)絡(luò)的比較及選擇

人工神經(jīng)網(wǎng)絡(luò)用于工藝模式映射的工作主要是以下幾個(gè)：1）是針對(duì)輸入的零件模式經(jīng)過(guò)映射后輸出該零件成形的中間形狀；2）生成按照工藝成形的過(guò)程而排列的零件成形中間形狀的排列順序；3）進(jìn)行反向?qū)W習(xí)，從輸入的特征編碼文件中提取零件成型順序，存儲(chǔ)到知識(shí)庫(kù)中。[7]

神經(jīng)網(wǎng)絡(luò)主要由以下幾類(lèi)：1）分解映射結(jié)構(gòu)；2）集中映射結(jié)構(gòu)；3）前向網(wǎng)絡(luò)；4）集中反饋式網(wǎng)絡(luò)。[8]

我們選擇的是集中反饋式的神經(jīng)網(wǎng)絡(luò)，相比于其他類(lèi)型的網(wǎng)絡(luò)，反饋式結(jié)構(gòu)的優(yōu)點(diǎn)是：統(tǒng)一的網(wǎng)絡(luò)便于訓(xùn)練模式的組織和映射工作的開(kāi)展；輸入單元和輸出單元的數(shù)目相同，可以形成對(duì)稱(chēng)的網(wǎng)絡(luò)結(jié)構(gòu)，使得網(wǎng)絡(luò)的穩(wěn)定性和收斂性有了保障；工藝模式的成形順序性問(wèn)題不占用網(wǎng)絡(luò)的實(shí)際結(jié)構(gòu)形式，順序性問(wèn)題轉(zhuǎn)化為反饋映射的順序問(wèn)題，映射的順序代表成形的順序；網(wǎng)絡(luò)在結(jié)構(gòu)上將保證各個(gè)單步成形映射的準(zhǔn)確性，從而提高網(wǎng)絡(luò)的訓(xùn)練質(zhì)量。[9]

表2給出了神經(jīng)網(wǎng)絡(luò)訓(xùn)練的相關(guān)內(nèi)容，由于神經(jīng)網(wǎng)絡(luò)中節(jié)點(diǎn)和隱層數(shù)目的不同會(huì)極大的影響神經(jīng)網(wǎng)絡(luò)的性能，本文主要對(duì)各個(gè)不同的網(wǎng)絡(luò)進(jìn)行了比較，得出了一個(gè)最優(yōu)的網(wǎng)絡(luò)（即網(wǎng)絡(luò)7）。

5 實(shí)例模型

本文在研究的基礎(chǔ)上開(kāi)發(fā)了一個(gè)應(yīng)用實(shí)例，該實(shí)例主要是設(shè)計(jì)者將零件的特征編碼和特征參數(shù)輸入系統(tǒng)后，經(jīng)過(guò)神經(jīng)網(wǎng)絡(luò)的智能推理，將輸出反饋到設(shè)計(jì)平臺(tái)上。

系統(tǒng)首先進(jìn)行特征編碼的輸入，以確定零件的特征造型；然后輸入每一個(gè)特征編碼對(duì)應(yīng)的特征參數(shù)，圖5顯示了拉深工序?qū)?yīng)的特征參數(shù)的錄入。特征參數(shù)錄入完成后可以選擇繼續(xù)添加特征或者生成特征編碼文件。圖6為一個(gè)以記事本方式打開(kāi)的特征編碼文件。將特征編碼文件輸入人工神經(jīng)網(wǎng)絡(luò)，對(duì)應(yīng)的輸出為特征造型順序文件（Y.SFM），數(shù)值公式計(jì)算模塊處理該文件，最后給出智能設(shè)計(jì)工藝流程（圖7）。

圖5特征參數(shù)錄入 圖6特征編碼文件圖7 智能設(shè)計(jì)系統(tǒng)給出的零件成型順序及計(jì)算結(jié)果

6 結(jié)論

本文提出了軸對(duì)稱(chēng)零件成型工藝的產(chǎn)品建模方法，然后給出了面向?qū)ο蟮慕ＵZ(yǔ)言，能夠量化表示零件的特征，在將零件的特征編碼文件通過(guò)神經(jīng)網(wǎng)絡(luò)映射和輸出的同時(shí)，運(yùn)用KBE系統(tǒng)的自學(xué)習(xí)理念，將習(xí)得的知識(shí)存儲(chǔ)。實(shí)踐表明，通過(guò)人工神經(jīng)網(wǎng)絡(luò)和工藝智能設(shè)計(jì)系統(tǒng)的應(yīng)用，能夠解決實(shí)際的零件設(shè)計(jì)成型問(wèn)題。

參考文獻(xiàn)：

[1] 高偉.工藝設(shè)計(jì)信息系統(tǒng)中的知識(shí)發(fā)現(xiàn)技術(shù)研究[D].成都:四川大學(xué),2005:22-23.

[2] 羅小賓.機(jī)械產(chǎn)品圖像識(shí)別技術(shù)及其在反求設(shè)計(jì)中的應(yīng)用研究[D].成都:四川大學(xué),2004:15-16.

[3] The Knowledge Engineering and Management Centre at Coventry University,UK,[EB/OL].kbe.cov.ar.uk.

[4] MOKA-Methodology & soft-ware tools-- Knowledge based engineering Applications[M].ESPRIT proposal EP25418,1997.

[5] Peng Ying-hong,Zhao Zhen,Ruen Xue-yu.Application of KBE technology in Die & Mold Design[J].International Conference on Die end Mold Technology, Beijing,2000,90-86.

[6] Peng Ying-hong,Zhao Zhen,Ruen Xue.KBE technology in Engineering Design[J].International Conference on Engineering end Technological Sciences 2000, Beijing,2000:94-100

[7] 劉振凱.智能CAD人工神經(jīng)網(wǎng)絡(luò)專(zhuān)家系統(tǒng)的模型和結(jié)構(gòu)[J].中國(guó)機(jī)械工程,1997(2).

篇7

1、引言

為了克服傳統(tǒng)人工定期現(xiàn)場(chǎng)抄表技術(shù)復(fù)雜、信息不及時(shí)、人為誤差大、管理不方便、人力物力浪費(fèi)等缺點(diǎn)，隨著經(jīng)濟(jì)的發(fā)展，迫切需要研究開(kāi)發(fā)出一種智能遠(yuǎn)程動(dòng)態(tài)抄表系統(tǒng)，保證電力運(yùn)營(yíng)商進(jìn)行電能經(jīng)濟(jì)合理的計(jì)量管理。本文利用改進(jìn)BP神經(jīng)網(wǎng)絡(luò)強(qiáng)大數(shù)據(jù)分析處理、模型自動(dòng)學(xué)習(xí)預(yù)測(cè)等功能，對(duì)視頻掃描獲得的遠(yuǎn)程電能數(shù)據(jù)進(jìn)行集中模塊化“學(xué)習(xí)”訓(xùn)練，獲得相應(yīng)的模塊約束值和預(yù)定值，并通過(guò)計(jì)算機(jī)程序自動(dòng)進(jìn)行圖像數(shù)據(jù)，最終形成動(dòng)態(tài)的電能數(shù)據(jù)表格，為電能遠(yuǎn)程自動(dòng)采集提供了豐富的理論技術(shù)。

2、抄表技術(shù)概況

2.1 傳統(tǒng)人工抄表

傳統(tǒng)人工抄表是通過(guò)電力運(yùn)營(yíng)商雇傭相應(yīng)電能抄表員登門(mén)查表，完成電能抄表校對(duì)工作。隨著電網(wǎng)規(guī)模的擴(kuò)大，加上電力用戶(hù)分散，給供電企業(yè)抄表帶來(lái)的巨大的困難。抄表員需要花大量的時(shí)間進(jìn)行抄表和電能數(shù)據(jù)校對(duì)工作，大大增加了電力運(yùn)營(yíng)商的負(fù)擔(dān)，造成了大量的人力浪費(fèi)，同時(shí)由于人為誤差的存在，給電力用戶(hù)帶來(lái)了許多不便，整個(gè)電能的抄錄過(guò)程在時(shí)間上存在著明顯的離散性，不利于電力運(yùn)營(yíng)商的統(tǒng)一管理。

2.2 遠(yuǎn)程自動(dòng)抄表

隨著電力電子技術(shù)和計(jì)算機(jī)通信技術(shù)的不斷成熟，遠(yuǎn)程自動(dòng)抄表技術(shù)已經(jīng)逐步取代傳統(tǒng)人工抄表技術(shù)，成為電力運(yùn)營(yíng)企業(yè)電能抄表的核心技術(shù)。遠(yuǎn)程抄表系統(tǒng)一般由電能檢測(cè)表計(jì)、視頻數(shù)據(jù)采集模塊、數(shù)據(jù)儲(chǔ)存模塊、數(shù)據(jù)通信模塊、計(jì)算機(jī)綜合數(shù)據(jù)管理模塊五大部分構(gòu)成，整個(gè)系統(tǒng)采用集散式典型結(jié)構(gòu)，具有明顯的樹(shù)型綜合通信結(jié)構(gòu)，利用綜合通信技術(shù)實(shí)現(xiàn)了對(duì)電能數(shù)據(jù)的實(shí)時(shí)動(dòng)態(tài)采集，便于電力運(yùn)營(yíng)商進(jìn)行電能的檢測(cè)、綜合數(shù)據(jù)分析管理和收費(fèi)自動(dòng)化的要求的實(shí)現(xiàn)。

3、改進(jìn)BP神經(jīng)網(wǎng)絡(luò)

改進(jìn)BP是一種基于誤差反饋綜合比較的神經(jīng)網(wǎng)絡(luò)，由于該模型不需要具有精確的數(shù)學(xué)模型，只需要將外界已知的原始數(shù)據(jù)作為系統(tǒng)的輸入，對(duì)整個(gè)網(wǎng)絡(luò)模型進(jìn)行“學(xué)習(xí)”訓(xùn)練，網(wǎng)絡(luò)層通過(guò)輸入層(INPUT)獲得相關(guān)的數(shù)據(jù)信息，通過(guò)中間層(Recurrent)進(jìn)行數(shù)據(jù)信息處理，再通過(guò)輸出層(OUTPUT)獲得對(duì)應(yīng)的數(shù)據(jù)信息。

4、圖像識(shí)別

數(shù)字識(shí)別技術(shù)包括圖像處理和數(shù)據(jù)識(shí)別兩項(xiàng)重要的任務(wù)，是利用計(jì)算機(jī)對(duì)圖像分析處理的核心，在目前較多的圖像識(shí)別、圖像復(fù)原、圖像預(yù)測(cè)等領(lǐng)域得到了廣泛的發(fā)展。

4.1 圖像采集模塊

圖像采集器由視頻監(jiān)控單元、COMS圖像傳感器單元、環(huán)境照明、數(shù)據(jù)初步處理單元(DSP)及RS-485通信網(wǎng)絡(luò)單元。圖像采集模塊的系統(tǒng)結(jié)構(gòu)圖如圖1所示:

圖1中，利用低端COMS圖像傳感器對(duì)電能數(shù)據(jù)進(jìn)行采集，當(dāng)采集系統(tǒng)核心單片機(jī)系統(tǒng)收到通信網(wǎng)絡(luò)傳輸?shù)纳霞?jí)電能數(shù)據(jù)讀取命令時(shí)，通過(guò)內(nèi)部控制立即打開(kāi)COMS圖像傳感器，在照明燈的幫助下，實(shí)現(xiàn)對(duì)電能數(shù)據(jù)的拍攝。單片機(jī)數(shù)據(jù)處理中心進(jìn)行對(duì)剛拍攝的電能圖像數(shù)據(jù)進(jìn)行裁剪和壓縮，形成系統(tǒng)默認(rèn)的圖像格式，并通過(guò)RAM儲(chǔ)存模塊進(jìn)行保存，完成對(duì)電能數(shù)據(jù)的實(shí)時(shí)動(dòng)態(tài)采集。當(dāng)單片系統(tǒng)獲得上級(jí)發(fā)出的圖片傳送命令時(shí)，就會(huì)用串行方式通過(guò)RS485網(wǎng)絡(luò)將電能圖像數(shù)據(jù)傳輸給改進(jìn)BP神經(jīng)網(wǎng)絡(luò)系統(tǒng)，進(jìn)行相應(yīng)的數(shù)據(jù)分析，獲得實(shí)時(shí)動(dòng)態(tài)的電能數(shù)據(jù)。

4.2圖象特征提取

通過(guò)圖像采集器采集到的電能數(shù)據(jù)圖像，需要通過(guò)數(shù)據(jù)提取技術(shù)將圖像中所包含的數(shù)據(jù)信息從模擬化狀態(tài)提取為實(shí)際計(jì)算機(jī)默認(rèn)的二維代碼，供給改進(jìn)BP神經(jīng)網(wǎng)絡(luò)系統(tǒng)進(jìn)行學(xué)習(xí)判斷。在圖像特征值提取過(guò)程中，廣泛采用字符分割和數(shù)據(jù)歸一化等技術(shù)，將不規(guī)則的圖像信息轉(zhuǎn)變?yōu)橐?guī)則整齊的數(shù)據(jù)信號(hào)，并作為特征向量矩陣供給改進(jìn)BP網(wǎng)絡(luò)系統(tǒng)進(jìn)行訓(xùn)練，就可以實(shí)現(xiàn)改進(jìn)BP網(wǎng)絡(luò)的圖像字符的識(shí)別。

5、實(shí)例分析

5.1 仿真結(jié)果

為了驗(yàn)證基于改進(jìn)BP網(wǎng)絡(luò)電能預(yù)測(cè)系統(tǒng)的可靠性，利用已采集的圖像和圖像中所包含的實(shí)際電能數(shù)字作為改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)樣本。將圖像中實(shí)際數(shù)字作為輸出矩陣， 原始圖像信息作為神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)，采用反饋誤差最小思想對(duì)改進(jìn)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行“學(xué)習(xí)”訓(xùn)練，通過(guò)系統(tǒng)自動(dòng)學(xué)習(xí)獲得模型的權(quán)值和閥值。本次實(shí)驗(yàn)采用10組數(shù)據(jù)進(jìn)行分析，其結(jié)構(gòu)如表1所示。

從表1中所獲得結(jié)構(gòu)可知，通過(guò)改進(jìn)BP神經(jīng)網(wǎng)絡(luò)對(duì)視頻采集到的電能數(shù)據(jù)圖片特征進(jìn)行分析識(shí)別，其獲得對(duì)應(yīng)電能數(shù)據(jù)的識(shí)別率高達(dá)99%以上，且整個(gè)系統(tǒng)的誤差都在10-2量級(jí)以?xún)?nèi)，說(shuō)明了整個(gè)系統(tǒng)的建模精度十分的高，可以滿(mǎn)足圖像識(shí)別技術(shù)的要求，達(dá)到了電能數(shù)據(jù)遠(yuǎn)程采集、自動(dòng)傳輸、數(shù)字識(shí)別等功能，給電能遠(yuǎn)程采集提供了一個(gè)新的研究思路。

6、結(jié)束語(yǔ)

改進(jìn)BP神經(jīng)網(wǎng)絡(luò)具有明顯的非線(xiàn)性數(shù)據(jù)處理能力，能夠?qū)D像特征數(shù)字等進(jìn)行預(yù)測(cè)判斷，可以有效提高電能數(shù)據(jù)的處理效率和精度。利用COMS圖像采集單元，將遠(yuǎn)程的電能數(shù)據(jù)信息通過(guò)攝像功能進(jìn)行拍攝，通過(guò)單片機(jī)進(jìn)行圖像的預(yù)處理，變成系統(tǒng)默認(rèn)的圖片格式，并通過(guò)RAM儲(chǔ)存器進(jìn)行圖片信息保存，在上級(jí)命令的驅(qū)動(dòng)下自動(dòng)采集和傳輸電能數(shù)據(jù)圖像。并通過(guò)RS485傳輸給神經(jīng)網(wǎng)絡(luò)系統(tǒng)，通過(guò)系統(tǒng)自動(dòng)識(shí)別完成對(duì)電能數(shù)據(jù)的分析，實(shí)現(xiàn)電能數(shù)據(jù)的綜合分析?；诟倪M(jìn)BP神經(jīng)網(wǎng)絡(luò)的遠(yuǎn)程電能采集系統(tǒng)實(shí)現(xiàn)遠(yuǎn)程電能數(shù)據(jù)采集、分析判斷和統(tǒng)一管理，提高了運(yùn)營(yíng)商的電能合理經(jīng)濟(jì)的計(jì)量管理水平。

參考文獻(xiàn)

[1] 李國(guó)華等.身份證號(hào)碼的自動(dòng)識(shí)別系統(tǒng)[J].華南理工大學(xué)學(xué)報(bào)，2002，(3):94-96.

[2] 崔政.一種在線(xiàn)圖像編碼識(shí)別系統(tǒng)的設(shè)計(jì)[J].微計(jì)算機(jī)信息，2006，22(2):243-245.

篇8

在現(xiàn)代機(jī)械制造領(lǐng)域中，隨著工廠(chǎng)機(jī)械制造機(jī)器人的普及，機(jī)械臂已經(jīng)變得越來(lái)越重要。與傳統(tǒng)的工業(yè)機(jī)械臂相比，未來(lái)的機(jī)械臂要能夠完成更加復(fù)雜的機(jī)械加工任務(wù)。在實(shí)際的機(jī)械制造機(jī)器人應(yīng)用中，衡量機(jī)械臂的工作性能主要是工作效率和工作可靠性指標(biāo)。

機(jī)械臂是一個(gè)開(kāi)鏈?zhǔn)降亩噙B桿機(jī)構(gòu)，用固定基座來(lái)進(jìn)行固定，機(jī)械臂可以根據(jù)需要在自由端安裝執(zhí)行器來(lái)實(shí)現(xiàn)工廠(chǎng)生產(chǎn)操作，關(guān)節(jié)之間的運(yùn)動(dòng)可以帶動(dòng)連桿運(yùn)動(dòng)，使得機(jī)械臂運(yùn)動(dòng)來(lái)達(dá)到不同的姿態(tài)。本文主要針對(duì)這個(gè)問(wèn)題展開(kāi)研究，探討機(jī)械臂的路徑規(guī)劃問(wèn)題。

2 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)介紹

神經(jīng)網(wǎng)絡(luò)具有分布式存儲(chǔ)、并行協(xié)同處理和對(duì)信息具有自組織自學(xué)習(xí)等優(yōu)點(diǎn)，所以廣泛應(yīng)用在人工智能方面。神經(jīng)網(wǎng)絡(luò)的大量神經(jīng)元之間的連接權(quán)值和分布分別代表著特定的信息，當(dāng)網(wǎng)絡(luò)受損時(shí)可以保證網(wǎng)絡(luò)的輸出正確，這種信息處理方式大大提高了網(wǎng)絡(luò)的容錯(cuò)性和魯棒性。

徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)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(lái)選擇隱含層神經(jīng)元的徑向基激活函數(shù)，可以用基函數(shù)來(lái)表示，能夠無(wú)限的逼近真實(shí)的算法表達(dá)，它選擇合理的隱含層單元個(gè)數(shù)和作用函數(shù)，能夠把原來(lái)的非線(xiàn)性不可分問(wèn)題映射成線(xiàn)性可分問(wèn)題，把不好處理的非線(xiàn)性問(wèn)題方便的簡(jiǎn)化為線(xiàn)性問(wèn)題。徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)在訓(xùn)練時(shí)，在給定訓(xùn)練樣本后學(xué)習(xí)算法要解決的核心問(wèn)題是：設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)和求解相關(guān)的參數(shù)。網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)主要包括網(wǎng)絡(luò)的輸入、網(wǎng)絡(luò)的輸出個(gè)數(shù)，隱含層節(jié)點(diǎn)數(shù)目。相關(guān)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(quán)值。

徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)屬于一種性能較優(yōu)的前饋型神經(jīng)網(wǎng)絡(luò)，它具有多維度非線(xiàn)性的映射能力和并行信息處理的能力，以及強(qiáng)大的聚類(lèi)分析能力。與BP神經(jīng)網(wǎng)絡(luò)相比，徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)采用的是徑向?qū)ΨQ(chēng)的核函數(shù)，這樣可以大幅提高神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速度，同時(shí)能夠避免陷入局部極小，具有較好的全局尋優(yōu)能力，同時(shí)也具有較好的逼近任意非線(xiàn)性映射能力。

3 機(jī)械臂路徑規(guī)劃設(shè)計(jì)

機(jī)械臂軌跡規(guī)劃主要研究的是機(jī)械臂在多維空間中的運(yùn)動(dòng)路線(xiàn)，即給定一個(gè)初始狀態(tài)位姿，一個(gè)期望的末端執(zhí)行器的位姿，根據(jù)規(guī)定的要求來(lái)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(zhuǎn)變?yōu)闄C(jī)械臂各個(gè)關(guān)節(jié)的空間坐標(biāo)，進(jìn)一步轉(zhuǎn)化為機(jī)械臂的各個(gè)關(guān)節(jié)的位移、速度和加速度，就形成了機(jī)械臂的路徑。

機(jī)械臂的動(dòng)力學(xué)狀態(tài)模型為：

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

機(jī)械臂的動(dòng)力學(xué)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(jīng)網(wǎng)絡(luò)包括一個(gè)輸入層、一個(gè)隱層和一個(gè)輸出層。隱層由一個(gè)徑向基函數(shù)組成，和每個(gè)隱層節(jié)點(diǎn)相關(guān)的參數(shù)為網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)訓(xùn)練方法為：輸入層到隱層用無(wú)導(dǎo)師的聚類(lèi)算法來(lái)訓(xùn)練，常用的是K-均值算法和模糊聚類(lèi)算法，來(lái)確定神經(jīng)網(wǎng)絡(luò)的中心向量和半徑，隱層和輸出層的權(quán)值調(diào)整用有導(dǎo)師指導(dǎo)算法，來(lái)確定權(quán)重向量。

算法流程如下：首先對(duì)樣本數(shù)據(jù)進(jìn)行聚類(lèi)，然后確定神經(jīng)網(wǎng)絡(luò)的隱層節(jié)點(diǎn)的中心的初始值，將這些樣本進(jìn)行分組，然后將訓(xùn)練樣本按照距離的遠(yuǎn)近向隱層節(jié)點(diǎn)的中心聚類(lèi)，完成后計(jì)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(lèi)中心，下一步要判斷聚類(lèi)過(guò)程是否結(jié)束，聚類(lèi)結(jié)束標(biāo)志是當(dāng)劃分的每個(gè)聚類(lèi)的樣本中心不再變化。然后再計(jì)算下寬度半徑，寬度半徑等于每個(gè)聚類(lèi)中心與該訓(xùn)練樣本之間的平均距離。

篇9

中圖分類(lèi)號(hào)：TP273文獻(xiàn)標(biāo)識(shí)碼：A

Design of Adaptive Neural Network Controllers for LEO Dragfree Satellite

LI Ji,FAN Huijin

(School of Automation, Huazhong University of Science and Technology, Wuhan,Hubei 430074, China)

Abstract:Lowdisturbance environment can be achieved by the LEO(LowEarth Orbit) dragfree satellite, which benefits the validation of relativity, detection of gravitational waves and measurement of gravity field. For dragfree control purpose, most researches proposed controllers with linearized model and ignoring the nonlinear characteristics, which lower the accuracy of controllers. In this paper, by taking into account of the nonlinear characteristics, an adaptive neural network controller is established based on Lyapunov methods and adaptive backstepping control theory. For nonlinear characteristics and unmodeled dynamics, RBF neural network is employed for approximation. At the same time, we introduce the update laws of adaptive neural network weights, which guarantee the stability of the closedloop system and satisfy requirements of the dragfree satellite control system. The simulation results indicate that the controller is effective and the accuracy of the dragfree satellite can be satisfied．

Key words:Dragfree satellite;adaptive control;RBF neural network;backstepping

1 引 言

低軌衛(wèi)星在太空飛行的過(guò)程中，承受著來(lái)自星際空間的各種擾動(dòng)［1］，例如，地球、太陽(yáng)、月亮引力的影響，以及大氣阻力、太陽(yáng)輻射和地面反射等非慣性力的影響。然而相對(duì)論的驗(yàn)證、引力波探測(cè)以及地球重力場(chǎng)的測(cè)量等都需要低干擾試驗(yàn)環(huán)境。為了消除非慣性力的影響，文獻(xiàn)［1］提出無(wú)拖曳(drag-free)技術(shù)，設(shè)計(jì)了無(wú)拖曳衛(wèi)星：用一個(gè)質(zhì)量塊置于衛(wèi)星本體內(nèi)部，質(zhì)量塊將不受大氣阻力等外部干擾力的影響，因?yàn)橘|(zhì)量塊不與衛(wèi)星本體接觸，所以幾乎處于自由漂移狀態(tài)，成為理想的寧?kù)o參考源。衛(wèi)星本體保持與質(zhì)量塊之間相互隔離的狀態(tài)，在適當(dāng)傳感器和控制算法條件下，從而保證衛(wèi)星本體實(shí)現(xiàn)較高的寧?kù)o性［1］。

無(wú)拖曳衛(wèi)星控制器不但可以使衛(wèi)星保持穩(wěn)定，而且良好的控制效果有助于航天任務(wù)的完成以及降低對(duì)硬件的要求，所以無(wú)拖曳衛(wèi)星控制器設(shè)計(jì)一直是無(wú)拖曳衛(wèi)星研究的重點(diǎn)。Stephan Theil［2-3］等人考慮了無(wú)拖曳衛(wèi)星控制系統(tǒng)的不確定性，利用分散控制策略設(shè)計(jì)了系統(tǒng)的魯棒控制器。E.Canuto［4-5］等人針對(duì)GOCE衛(wèi)星，建立離散時(shí)間狀態(tài)方程，利用嵌入式模型控制策略設(shè)計(jì)了可調(diào)控制器。文獻(xiàn)［6］基于干擾觀測(cè)模型，設(shè)計(jì)了混合H2/H

SymboleB@

最優(yōu)控制器，并以L(fǎng)MI形式給出了求解控制器的條件并證明了控制器的穩(wěn)定性。文獻(xiàn)［7］針對(duì)衛(wèi)星本體與質(zhì)量塊相對(duì)軌道動(dòng)力學(xué)模型，采用卡爾曼濾波方法對(duì)狀態(tài)和干擾進(jìn)行了估計(jì)，并基于狀態(tài)估計(jì)設(shè)計(jì)了最優(yōu)控制器，有效地抑制了干擾對(duì)系統(tǒng)的影響。文獻(xiàn)［8］基于H2優(yōu)化理論設(shè)計(jì)了最優(yōu)控制器，通過(guò)傳遞函數(shù)法及數(shù)值法雙重分析表明所設(shè)計(jì)的控制器符合控制要求。

在這些已有的控制器設(shè)計(jì)中，大多未考慮系統(tǒng)的非線(xiàn)性環(huán)節(jié)或采用線(xiàn)性化方法，將系統(tǒng)簡(jiǎn)化為線(xiàn)性模型，從而降低了控制器的精度。由于無(wú)拖曳衛(wèi)星控制系統(tǒng)本質(zhì)上是一個(gè)復(fù)雜的非線(xiàn)性系統(tǒng)，本文將直接針對(duì)非線(xiàn)性模型，考慮到系統(tǒng)的非線(xiàn)性特征及未建模動(dòng)態(tài)，利用神經(jīng)網(wǎng)絡(luò)對(duì)函數(shù)的有效逼近能力，對(duì)系統(tǒng)模型中的非線(xiàn)性部分進(jìn)行擬合。首先，本文將無(wú)拖曳衛(wèi)星控制系統(tǒng)根據(jù)控制目標(biāo)劃分為三個(gè)子系統(tǒng)：衛(wèi)星本體與質(zhì)量塊相對(duì)位移子系統(tǒng)，即drag-free子系統(tǒng)；衛(wèi)星本體姿態(tài)子系統(tǒng)；以及衛(wèi)星本體與質(zhì)量塊相對(duì)姿態(tài)子系統(tǒng)。接著，針對(duì)每個(gè)二階子系統(tǒng)，利用徑向基函數(shù)(Radial Basis Function)神經(jīng)網(wǎng)絡(luò)對(duì)系統(tǒng)的非線(xiàn)性部分進(jìn)行擬合，通過(guò)對(duì)基函數(shù)中心和方差進(jìn)行學(xué)習(xí)，并采用自適應(yīng)反步控制方法，設(shè)計(jì)相應(yīng)控制器，建立神經(jīng)網(wǎng)絡(luò)權(quán)值自適應(yīng)律以及分散自適應(yīng)控制律。仿真結(jié)果驗(yàn)證了所設(shè)計(jì)的控制器的有效性。

計(jì)算技術(shù)與自動(dòng)化2014年6月

第33卷第2期李 季等：低軌無(wú)拖曳衛(wèi)星的自適應(yīng)神經(jīng)網(wǎng)絡(luò)控制器設(shè)計(jì)

本文下面內(nèi)容安排如下：第2節(jié)問(wèn)題描述，建立無(wú)拖曳衛(wèi)星的動(dòng)力學(xué)模型；第3節(jié)針對(duì)drag-free控制回路、衛(wèi)星本體姿態(tài)控制回路以及衛(wèi)星本體與質(zhì)量塊相對(duì)姿態(tài)控制回路，分別設(shè)計(jì)控制器，同時(shí)給出了穩(wěn)定性分析；第4節(jié)通過(guò)仿真證明所設(shè)計(jì)的控制器的有效性；第5節(jié)給出結(jié)論與進(jìn)一步的工作。

2 問(wèn)題描述

本文所考慮的低軌無(wú)拖曳衛(wèi)星結(jié)構(gòu)設(shè)計(jì)如下：無(wú)拖曳衛(wèi)星只包含一個(gè)質(zhì)量塊，且形狀為立方體，衛(wèi)星內(nèi)腔壁上的位置敏感器能夠測(cè)量衛(wèi)星本體和質(zhì)量塊的相對(duì)位置。這里采用靜電位置懸浮及測(cè)量系統(tǒng)EPS(Electrostatic Positioning/Measurement System) 來(lái)測(cè)量質(zhì)量塊相對(duì)移動(dòng)并對(duì)其施加靜電力和力矩，根據(jù)EPS的測(cè)量結(jié)果，命令推進(jìn)器輸出相應(yīng)的推力，使衛(wèi)星本體跟蹤質(zhì)量塊。推進(jìn)器可以選擇場(chǎng)發(fā)射推進(jìn)器和微膠體推進(jìn)器，它們具有極低的噪聲干擾，而且可以實(shí)現(xiàn)極小的推力，非常適合無(wú)拖曳控制。但在近地環(huán)境中，大氣阻力有時(shí)比較大，尤其在衛(wèi)星的迎風(fēng)面，此時(shí)需要采用推力較大的推進(jìn)器，如離子推進(jìn)器。所以在近地環(huán)境中，無(wú)拖曳控制往往采用了多種推進(jìn)器組合的方式［1,8］。本文將無(wú)拖曳衛(wèi)星控制系統(tǒng)根據(jù)控制目標(biāo)劃分為三個(gè)控制回路：衛(wèi)星本體與質(zhì)量塊相對(duì)位移控制回路，即dragfree控制回路，衛(wèi)星本體姿態(tài)控制回路以及衛(wèi)星本體與質(zhì)量塊相對(duì)姿態(tài)控制回路，相關(guān)動(dòng)力學(xué)方程如下［9］：

衛(wèi)星本體與質(zhì)量塊相對(duì)位移動(dòng)力學(xué)方程：

rel=1mtm(FGtm+FDtm+FSCtm)－

1msc(FGsc+FCsc+FDsc+FTMsc)－

2ωsc×rel－ωsc×(ωsc×(rh+rrel))－

sc×(rh+rrel)(1)

其中，rrel表示衛(wèi)星本體和質(zhì)量塊的相對(duì)位移，rh表示敏感器空腔中心與衛(wèi)星質(zhì)心的距離，mtm表示質(zhì)量塊的質(zhì)量，msc代表衛(wèi)星本體的質(zhì)量，ωsc表示衛(wèi)星本體姿態(tài)角速度，F(xiàn)Gtm、FGsc分別表示衛(wèi)星本體和質(zhì)量塊受到的重力，F(xiàn)Dtm、FDsc分別表示衛(wèi)星本體和質(zhì)量塊受到的非慣性力，F(xiàn)Csc表示衛(wèi)星本體受到的控制力，F(xiàn)SCtm、FTMsc表示衛(wèi)星本體和質(zhì)量塊之間的耦合力。

衛(wèi)星本體姿態(tài)動(dòng)力學(xué)方程：

sc=I－1sc［TCsc+TDsc+TTMsc－ωsc×(Iscωsc)］(2)

其中，ωsc表示衛(wèi)星本體姿態(tài)角速度，Isc表示衛(wèi)星本體的轉(zhuǎn)動(dòng)慣量，TCsc，TDsc，TTMsc分別表示衛(wèi)星本體受到的控制力矩、干擾力矩和耦合力矩。

衛(wèi)星本體和質(zhì)量塊的相對(duì)姿態(tài)動(dòng)力學(xué)方程：

rel=tm－ATSsc+ωtm×ATSωsc=

I－1tm［TCtm+TDtm+TSCtm－

(ωrel+ωsc)×(Itm(ωrel+ωsc))］－

ATSsc－ATSωsc×ωrel(3)

其中，ωrel表示衛(wèi)星本體和質(zhì)量塊的相對(duì)姿態(tài)角速度，ωtm表示質(zhì)量塊的姿態(tài)角速度，ωsc表示衛(wèi)星本體姿態(tài)角速度，TCtm，TDtm，TSCtm分別表示質(zhì)量塊受到的控制力矩、干擾力矩和耦合力矩，ATS表示從衛(wèi)星本體坐標(biāo)系到質(zhì)量塊本體坐標(biāo)系的旋轉(zhuǎn)矩陣。

通常將質(zhì)量塊和衛(wèi)星間的靜電耦合基本模型看作一個(gè)彈簧―阻尼系統(tǒng)，以質(zhì)量塊為例，在敏感器坐標(biāo)系下受到的耦合力和力矩形式如下：

FSCtm=－Ktransrrel－Dtransrel(4)

TSCtm=－Krotθrel－Drotrel (5)

其中，Ktrans為衛(wèi)星本體和質(zhì)量塊之間的耦合水平彈性系數(shù)，Dtrans為水平阻尼系數(shù)，Krot為衛(wèi)星本體和質(zhì)量塊之間的耦合旋轉(zhuǎn)彈性系數(shù)，Drot為旋轉(zhuǎn)阻尼系數(shù)。

通過(guò)線(xiàn)性化處理后，得到低軌無(wú)拖曳衛(wèi)星控制系統(tǒng)的動(dòng)力學(xué)簡(jiǎn)化模型如下：

rel=vrel

rel=-Ktransmtmrrel-Dtransmtmvrel-1mscFCsc+

f1(rrel,vrel

sc=ωsc

sc=I-1scTCsc+f2(φsc,ωsc)

rel=ωrel

rel=I-1tmKrotφrel+I-1tmDrotωrel+

I-1tmTCtm-I-1scTCsc+f3(φrel,ωrel)(6)

系統(tǒng)(6)中，φsc、ωsc分別表示衛(wèi)星本體的姿態(tài)角和姿態(tài)角速度，rrel、vrel分別表示衛(wèi)星本體和質(zhì)量塊的相對(duì)位移和相對(duì)運(yùn)動(dòng)速度，φrel、ωrel分別表示衛(wèi)星本體和質(zhì)量塊的相對(duì)姿態(tài)角和相對(duì)姿態(tài)角速度。本文以歐拉角的形式給出了衛(wèi)星本體和質(zhì)量塊的姿態(tài)。

f1(rrel,vrel)，f2(φsc,ωsc)，f3(φrel,ωrel)為未知光滑函數(shù)，代表系統(tǒng)的非線(xiàn)性特征、未建模動(dòng)態(tài)及未知擾動(dòng)。

注2.1與文獻(xiàn)［9］相比，本文將擾動(dòng)項(xiàng)1mscFDsc包含在了f1中，I－1scTDsc包含在了f2中，I－1tmTDtm、I－1scTDsc包含在了f3中，因此，文獻(xiàn)［9］中所研究的模型是本文系統(tǒng)(6)的特例。

上述系統(tǒng)中所涉及的變量均為3維：包含x、y、z三個(gè)坐標(biāo)軸方向。為了清晰地闡述本文的主要思想，以下將僅考慮單個(gè)坐標(biāo)軸方向，并且假設(shè)變量之間以及坐標(biāo)軸之間的交叉耦合量足夠小。

定義x=［x11,x12,x21,x22,x31,x32］T，其中狀態(tài)變量依次代表rrel、vrel、φsc、ωsc、φrel、ωrel。

系統(tǒng)(6)可寫(xiě)成如下三個(gè)子系統(tǒng)：

衛(wèi)星本體與質(zhì)量塊相對(duì)位移子系統(tǒng)，即dragfree子系統(tǒng)：

Σ1:11=x1212=a1x11+b1x12+c1u1+f1(x11,x12)(7)

衛(wèi)星本體姿態(tài)子系統(tǒng)：

Σ2:21=x2222=c2u2+f2(x21,x22)(8)

衛(wèi)星本體與質(zhì)量塊相對(duì)姿態(tài)子系統(tǒng)：

Σ3:31=x3232=a2x31+b2x32－c2u2+c3u3+f3(x31,x32) (9)

其中，a1=－Ktransmtm，a2=I－1tmKrot，b1=－Dtransmtm，b2=I－1tmDrot，c1=－1msc，c2=I－1sc，c3=I－1tm，u1=FCsc，u2=TCsc，u3=TCtm。f1(x11,x12)，f2(x21,x22)，f3(x31,x32)代表系統(tǒng)的不確定性、未建模動(dòng)態(tài)及未知擾動(dòng)。

3 控制器設(shè)計(jì)

3.1 RBF神經(jīng)網(wǎng)絡(luò)

本文的目的是基于Lyapunov穩(wěn)定性理論和自適應(yīng)反步控制，對(duì)無(wú)拖曳衛(wèi)星控制系統(tǒng)的非線(xiàn)性模型進(jìn)行分析，設(shè)計(jì)一種自適應(yīng)神經(jīng)網(wǎng)絡(luò)控制器。

人工神經(jīng)網(wǎng)絡(luò)形式多種多樣，RBF神經(jīng)網(wǎng)絡(luò)是其中應(yīng)用較為廣泛的一種，表達(dá)形式如下［10-11］：

Ψ(X)=WTΦ(X) (10)

其中，W=［w1,w2,...,wl］T∈Rl為權(quán)重向量，Φ(x)=［φ1(X),φ2(X),...,φl(shuí)(X)］T為基函數(shù)向量，l為隱含層神經(jīng)元的個(gè)數(shù)，X=［x1,x2,...,xn］代表系統(tǒng)中的狀態(tài)變量，并作為網(wǎng)絡(luò)的訓(xùn)練樣本輸入。基函數(shù)i(X)選擇高斯函數(shù)，表達(dá)式如下：

φi(X)=exp －X－ci22σ2i(11)

其中，ci=［ci1,ci2,...,cin］T是隱含層第i個(gè)徑向基函數(shù)的中心點(diǎn)，n為輸入層向量的維數(shù)，σi是徑向基函數(shù)的寬度。

3.2 dragfree控制回路

3.2.1 控制器設(shè)計(jì)

系統(tǒng)Σ1表示dragfree控制回路：

Σ1:11=x1212=a1x11+b1x12+c1u1+f1(x11,x12)

f1(x11,x12)為未知光滑函數(shù)，由于RBF神經(jīng)網(wǎng)絡(luò)對(duì)于光滑函數(shù)的有效逼近能力，此時(shí)我們采用RBF神經(jīng)網(wǎng)絡(luò)對(duì)其進(jìn)行擬合，表達(dá)式如下：

f1(x11,x12)=WT1Φ1(x11,x12) (12)

定義1為權(quán)值的估計(jì)值，1為權(quán)值的估計(jì)誤差。即：

1=W1－1(13)

本節(jié)將采用RBF神經(jīng)網(wǎng)絡(luò)來(lái)對(duì)f1進(jìn)行擬合，結(jié)合自適應(yīng)反步控制，建立權(quán)重W1的自適應(yīng)律，通過(guò)調(diào)節(jié)權(quán)重，可以達(dá)到系統(tǒng)自適應(yīng)控制的目的。

第一步：考慮x11子系統(tǒng)，選擇Lyapunov函數(shù)：

V11(x11)=12x211 (14)

對(duì)V11求導(dǎo)，得：

11=x1111=

x11x12(15)

將x12看成x11子系統(tǒng)的虛擬控制，令：

x12=z12+α11(x11)(16)

其中，z12為引入的新的虛擬控制，α11(x11)滿(mǎn)足α11(0)=0，并選取為：

α11(x11)=－k11x11 (17)

其中，k11＞0為可調(diào)參數(shù)。所以

11=x11(z12+α11(x11))=

－k11x211+x11z12(18)

第二步：考慮系統(tǒng)(x11,x12)，選擇Lyapunov函數(shù)：

V12(x12,x12)=V11(x11)+

12z212+12T1Γ11(19)

其中，Γ1為正定矩陣。

對(duì)V12求導(dǎo)，得：

12=－k11x211+x11z12+z1212+•T1Γ11=

－k11x211+z12(x11+12－α11x1111)+•T1Γ11=

－k11x211+z12(x11+a1x11+b1x12+

c1u1+WT1Φ1+k11x12)+•T1Γ11=

－k11x211+z12(x11+a1x11+b1x12+

c1u1+T1Φ1+k11x12)+z12T1Φ1+

•T1Γ11=

－k11x211+z12(x11+a1x11+b1x12+

c1u1+T1Φ1+k11x12)+(z12ΦT1+•T1Γ1)1 (20)

選取控制量為

u1=1c1(－x11－a1x11－b1x12－T1Φ1－

k11x12－k12z12) (21)

其中，k11＞0，k12＞0為可調(diào)參數(shù)。

權(quán)值自適應(yīng)律1為

•1=z12Γ－T1Φ1=

(x12+k11x11)Γ－T1Φ1(22)

3.2.2 穩(wěn)定性分析

定理 1［12］ 考慮如下非線(xiàn)性系統(tǒng)

=f(x)

且

f(0)0 (23)

若存在具有連續(xù)1階偏導(dǎo)數(shù)的標(biāo)量函數(shù)V(x)，滿(mǎn)足以下條件：

1)V(x)是正定的；

2)(x)=dV(x)/dt是負(fù)定的；

3)當(dāng)x

SymboleB@

時(shí)，V(x)

SymboleB@

。

則在系統(tǒng)原點(diǎn)處的平衡狀態(tài)是大范圍漸近穩(wěn)定的。

通過(guò)上述控制器設(shè)計(jì)，由式(19)，顯然V12是正定的，又12=－k11x211－k12z212，由于k11，k12為大于零的可調(diào)參數(shù)，所以12是負(fù)定的，當(dāng)x11

SymboleB@

，z12

SymboleB@

時(shí)，V12

SymboleB@

，所以x11，z12在平衡狀態(tài)是大范圍漸近穩(wěn)定的。又由式(16)和式(17)可知，當(dāng)t

SymboleB@

，x110，z120時(shí)，有x120，所以x11，x12在平衡狀態(tài)是大范圍漸近穩(wěn)定的。

3.3 姿態(tài)控制回路

3.3.1 衛(wèi)星本體姿態(tài)控制回路

衛(wèi)星本體姿態(tài)狀態(tài)方程如下：

Σ2:21=x2222=c2u2+f2(x21,x22)

f2(x21,x22)為未知光滑函數(shù)，我們采用RBF神經(jīng)網(wǎng)絡(luò)對(duì)其進(jìn)行擬合，表達(dá)式如下：

f2(x21,x22)=WT2Φ2(x21,x22)(24)

定義2為權(quán)值的估計(jì)值，2為權(quán)值的估計(jì)誤差。即：

2=W2－2(25)

本節(jié)將采用RBF神經(jīng)網(wǎng)絡(luò)來(lái)對(duì)f2進(jìn)行擬合，結(jié)合自適應(yīng)反步控制，建立權(quán)重W2的自適應(yīng)律，通過(guò)調(diào)節(jié)權(quán)重，可以達(dá)到系統(tǒng)自適應(yīng)控制的目的。

第一步：考慮x21子系統(tǒng)，選擇Lyapunov函數(shù)：

V21(x21)=12x221(26)

對(duì)V21求導(dǎo)，得：

21=x2121=x21x22(27)

將x22看成x21子系統(tǒng)的虛擬控制，令：

x22=z22+α21(x21)(28)

其中，z22為引入的新的虛擬控制，α21(x21)滿(mǎn)足α21(0)=0，并選取為：

α21(x21)=－k21x21(29)

其中，k21＞0為可調(diào)參數(shù)。所以

21=x21(z22+α21(x21))=－k21x221+x21z22(30)

第二步：考慮系統(tǒng)(x21,x22)，選擇Lyapunov函數(shù)：

V22(x21,x22)=V21(x21)+

12z222+12T2Γ22(31)

其中，Γ2為正定矩陣。

對(duì)V22求導(dǎo)，得：

22=－k21x221+x21z22+z2222+•T2Γ22=

－k21x221+z22(x21+22－α21x2121)+•T2Γ22=

－k21x221+z22(x21+c2u2+WT2Φ2+

k21x22)+•T2Γ22=

－k21x221+z22(x21+c2u2+T2Φ2+

k21x22)+z22T2Φ2+•T2Γ22=

－k21x221+z22(x21+c2u2+T2Φ2+

k21x22)+(z22ΦT2+•T2Γ2)2 (32)

選取控制量為

u2=1c2(－x21－T2Φ2－

k21x22－k22z22) (33)

其中，k21＞0，k22＞0為可調(diào)參數(shù)。

權(quán)值自適應(yīng)律2為

•2=z22Γ－T2Φ2=(x22+k21x21)Γ－T2Φ2 (34)

3.3.2 衛(wèi)星本體與質(zhì)量塊相對(duì)姿態(tài)控制回路

衛(wèi)星本體與質(zhì)量塊相對(duì)姿態(tài)狀態(tài)方程如下：

Σ3:31=x3232=a2x31+b2x32－c2u2+c3u3+f3(x31,x32)

f3(x31,x32)為未知光滑函數(shù)，我們采用RBF神經(jīng)網(wǎng)絡(luò)對(duì)其進(jìn)行擬合，表達(dá)式如下：

f3(x31,x32)=WT3Φ3(x31,x32) (35)

定義3為權(quán)值的估計(jì)值，3為權(quán)值的估計(jì)誤差。即：

3=W3－3(36)

本節(jié)將采用RBF神經(jīng)網(wǎng)絡(luò)來(lái)對(duì)f3進(jìn)行擬合，結(jié)合自適應(yīng)反步控制，建立權(quán)重W3的自適應(yīng)律，通過(guò)調(diào)節(jié)權(quán)重，可以達(dá)到系統(tǒng)自適應(yīng)控制的目的。

第一步：考慮x31子系統(tǒng)，選擇Lyapunov函數(shù)：

V31(x31)=12x231 (37)

對(duì)V31求導(dǎo)，得：

31=x3131=x31x32(38)

將x32看成x31子系統(tǒng)的虛擬控制，令：

x32=z32+α31(x31)(39)

其中，z32為引入的新的虛擬控制，α31(x31)滿(mǎn)足α31(0)=0，并選取為：

α31(x31)=－k31x31 (40)

其中，k31＞0為可調(diào)參數(shù)。所以

31=x31(z32+α31(x31))=－k31x231+x31z32(41)

第二步：考慮系統(tǒng)(x31,x32)，選擇Lyapunov函數(shù)：

V32(x31,x32)=V31(x31)+

12z232+12T3Γ33(42)

其中，Γ3為正定矩陣。

對(duì)V32求導(dǎo)，得：

32=－k31x231+x31z32+z3232+•T3Γ33=

－k31x231+z32(x31+32－α31x3131)+•T3Γ33=

－k31x231+z32(x31+a2x31+b2x32－c2u2+

c3u3+WT3Φ3+k31x32)+•T3Γ33=

－k31x231+z32(x31+a2x31+b2x32－c2u2+

c3u3+T3Φ3+k31x32)+z32T3Φ3+

•T3Γ33=

－k31x231+z32(x31+a2x31+b2x32－c2u2+

c3u3+T3Φ3+k31x32)+(z32ΦT3+•T3Γ3)3 (43)

選取控制量為

u3=1c3(－x31－a2x31－b2x32+c2u2－

T3Φ3－k31x32－k32z32)(44)

其中，k31＞0，k32＞0為可調(diào)參數(shù)。

權(quán)值自適應(yīng)律3為

•3=z32Γ－T3Φ3=(x32+k31x31)Γ－T3Φ3(45)

3.3.3 穩(wěn)定性分析

由定理1，對(duì)于子系統(tǒng)Σ2，由式(31)，顯然V22是正定的，又22=－k21x221－k22z222，由于k21，k22為大于零的可調(diào)參數(shù)，所以22是負(fù)定的，當(dāng)x21

SymboleB@

，z22

SymboleB@

時(shí)，V22

SymboleB@

，所以x21，z22在平衡狀態(tài)是大范圍漸近穩(wěn)定的。又由式(28)和式(29)可知，當(dāng)t

SymboleB@

，x210，z220時(shí)，有x220，所以x21，x22在平衡狀態(tài)是大范圍漸近穩(wěn)定的。同理可得，x31，x32在平衡狀態(tài)是大范圍漸近穩(wěn)定的。

4 仿真分析

本節(jié)為了證實(shí)所提出的控制器的有效性，在matlab/simulink環(huán)境下進(jìn)行了仿真驗(yàn)證。

仿真參數(shù)如下［9］：衛(wèi)星本體質(zhì)量為1050 kg，質(zhì)量塊質(zhì)量為1 kg，衛(wèi)星本體和質(zhì)量塊之間的初始相對(duì)距離為rrel=1×10－3m，衛(wèi)星本體和質(zhì)量塊之間的初始相對(duì)姿態(tài)為φrel=1•π/180rad，衛(wèi)星本體和質(zhì)量塊之間的耦合水平彈性系數(shù)Ktrans=1×10－6N/m，水平阻尼系數(shù)Dtrans=1.4×10－11N/m2，衛(wèi)星本體和質(zhì)量塊之間的耦合旋轉(zhuǎn)彈性系數(shù)Krot=1×10－9N•m/rad，旋轉(zhuǎn)阻尼系數(shù)Drot=3.3×10－14N/rad，衛(wèi)星本體的轉(zhuǎn)動(dòng)慣量Isc=200kg•m2，質(zhì)量塊的轉(zhuǎn)動(dòng)慣量Itm=2.667×10－4kg•m2。

仿真結(jié)果如圖1―圖3所示。

圖1 衛(wèi)星本體與質(zhì)量塊的相對(duì)位移

圖2 衛(wèi)星本體的姿態(tài)

從圖1中可以看出，在含有不確定的情況下，通過(guò)設(shè)計(jì)的控制器，衛(wèi)星本體與質(zhì)量塊的相對(duì)位移最終趨于零，說(shuō)明衛(wèi)星本體能夠很好的跟蹤質(zhì)量塊，達(dá)到dragfree控制的要求，并且精度在10－6數(shù)量級(jí)，滿(mǎn)足dragfree控制的精度需求。圖2~圖3給出了衛(wèi)星本體的姿態(tài)以及衛(wèi)星本體與質(zhì)量塊的相對(duì)姿態(tài)及其控制精度，仿真結(jié)果很好的滿(mǎn)足了衛(wèi)星本體與質(zhì)量塊姿態(tài)的一致性。

圖3 衛(wèi)星本體與質(zhì)量塊的相對(duì)姿態(tài)

5 結(jié) 論

本文針對(duì)無(wú)拖曳衛(wèi)星控制系統(tǒng)，考慮到系統(tǒng)的不確定性、未建模動(dòng)態(tài)以及外界的未知擾動(dòng)，采用神經(jīng)網(wǎng)絡(luò)的方法進(jìn)行補(bǔ)償，基于Lyapunov 穩(wěn)定性理論，結(jié)合自適應(yīng)反步控制，得到權(quán)值的更新律以及相應(yīng)的控制器。仿真結(jié)果表明，所設(shè)計(jì)的控制器有效地抑制了不確定對(duì)控制系統(tǒng)的影響。

與傳統(tǒng)衛(wèi)星控制系統(tǒng)相比，無(wú)拖曳衛(wèi)星對(duì)控制系統(tǒng)提出了極高的性能指標(biāo)要求，下一步將考慮存在耦合時(shí)，衛(wèi)星模型的建立和控制器的設(shè)計(jì)。

參考文獻(xiàn)

［1］ 施梨，曹喜濱，張錦繡，等. 無(wú)阻力衛(wèi)星發(fā)展現(xiàn)狀［J］. 宇航學(xué)報(bào), 2010,31(6):1511-1520.

［2］ PETTAZZI L, LANZON A,THEILS. Design of Robust Decentralized Controllers for Dragfree Satellite［C］.Proc.47th IEEE conf. Decision and Control, 2008:602-607.

［3］ PETTAZZI A,LANZON A,THEIL S. Design of Robust Drag-Free Controllers with Given Structure［J］. GUIDANCE, CONTROL, AND DYNAMICS, 2009,32(5):1609=1620.

［4］ ANDREIS D,CANUTO E. DragFree and Attitude Control for the GOCE satellite［C］.Proc.44th IEEE conf. Decision and Control, 2005:4041-4046.

［5］ CANUTO E,BONA B,CALAFIORE BM. Indri. Dragfree control for the European satellite GOCE. Part I:modelling［C］.Proc.41th IEEE conf. Decision andControl, 2002:1269-1274.

［6］ 曹喜濱，施梨，董曉光，等. 基于干擾觀測(cè)的無(wú)阻力衛(wèi)星控制器設(shè)計(jì)［J］.宇航學(xué)報(bào), 2012,33(4):411-418.

［7］ 李傳江，王玉爽，馬廣富，等. 帶卡爾曼估計(jì)器的無(wú)拖曳衛(wèi)星干擾補(bǔ)償控制［J］.哈爾濱工業(yè)大學(xué)學(xué)報(bào), 2012,44(7):8-13.

［8］ 李洪銀，胡明. 單測(cè)試質(zhì)量無(wú)拖曳衛(wèi)星無(wú)拖曳及姿態(tài)系統(tǒng)仿真及其控制研究［J］.天文學(xué)報(bào), 2011,52(6):525-536.

［9］ 王玉爽. 無(wú)拖曳衛(wèi)星控制方法研究［D］. 哈爾濱：哈爾濱工業(yè)大學(xué), 2011.

篇10

中圖分類(lèi)號(hào)： TP183

文獻(xiàn)標(biāo)識(shí)碼：A

0引言

隨著計(jì)算機(jī)圖形學(xué)和硬件技術(shù)的高速發(fā)展，計(jì)算機(jī)游戲近十幾年也取得了很大的發(fā)展，游戲軟件已成為軟件產(chǎn)業(yè)中非常重要的內(nèi)容。游戲的類(lèi)型主要包括FPS（第一人稱(chēng)射擊）、RPG（角色扮演類(lèi)型）和RTS（即時(shí)戰(zhàn)略游戲）等幾種類(lèi)型，這些不同類(lèi)型的游戲都要求游戲控制的角色（NPC）與玩家控制的角色（PLAYER）要有行為的交互，交互的方式直接影響玩家對(duì)游戲的興趣度。因此，對(duì)NPC與PLAYER之間的角色交互行為方式的研究已經(jīng)成為游戲軟件中的一個(gè)非常重要的研究課題。

目前大多數(shù)游戲中的角色行為的交互方式采用的是確定型的交互行為，其特征主要表現(xiàn)在角色的行為都是預(yù)先確定的，這種類(lèi)型的行為實(shí)現(xiàn)起來(lái)較為簡(jiǎn)單，也是目前大多數(shù)游戲所采用的交互方式。像這種確定性的行為往往體現(xiàn)不出角色的自主性，而且還會(huì)導(dǎo)致角色行動(dòng)單調(diào)乏味，其行動(dòng)很容易被玩家所預(yù)測(cè),降低游戲的可玩性。為此,我們需要在游戲軟件中設(shè)計(jì)和實(shí)現(xiàn)這樣的NPC角色，它能夠根據(jù)當(dāng)前環(huán)境的變化以及以往的經(jīng)驗(yàn)知識(shí)來(lái)動(dòng)態(tài)地改變對(duì)PLAYER的行為。具有這種能力的角色，我們稱(chēng)之為自主角色,也稱(chēng)為自適應(yīng)角色。具有自主和自適應(yīng)特點(diǎn)的角色可具有推理能力和自適應(yīng)能力,在游戲環(huán)境下可更受玩家的歡迎。

一款擁有自主角色的游戲能夠牢牢地吸引玩家的注意力，從而延長(zhǎng)這款游戲的生命周期，因此促使游戲開(kāi)發(fā)人員花更多的時(shí)間來(lái)研究自主角色的實(shí)現(xiàn)。一些公司已經(jīng)開(kāi)始嘗試從人工智能領(lǐng)域發(fā)展出更加高級(jí)的技術(shù)，如采用決策樹(shù)或者強(qiáng)化學(xué)習(xí)來(lái)實(shí)現(xiàn)角色的自主性，也有的像著名的游戲Colin McRae Rally2則采用了學(xué)習(xí)系統(tǒng)和神經(jīng)網(wǎng)絡(luò)來(lái)實(shí)現(xiàn)角色的自主性。

有關(guān)自主角色行為的論文已經(jīng)有很多做出了卓有成效的成績(jī)，如在Reynolds的文獻(xiàn)［1］中，對(duì)自主角色的群體行為進(jìn)行了描述。Blumberg和Galyean［2］中引入更多的行為控制機(jī)制，并考慮了行為學(xué)習(xí)這樣一個(gè)令人感興趣的問(wèn)題。對(duì)于自主角色的更高層次的認(rèn)知能力方面，John David Fungc［3］中指出，認(rèn)知模型是用于創(chuàng)建虛擬世界的模型“金字塔”的頂層，底層的行為模型作為認(rèn)知模型和物理學(xué)模型之間的緩沖區(qū)，并將情景演算(situation calculus)［4］用于高度動(dòng)態(tài)的虛擬世界。

但是，上述各種方法因?yàn)閭?cè)重點(diǎn)不同，各有優(yōu)缺點(diǎn)，且相互之間較為獨(dú)立，因此本文結(jié)合上述一些方法的優(yōu)點(diǎn)，在此基礎(chǔ)上提出了基于認(rèn)知角色建模，采用神經(jīng)網(wǎng)絡(luò)和遺傳算法相結(jié)合的游戲自主角色的設(shè)計(jì)思路?；诖?，各小節(jié)安排如下：

第一節(jié)確定了基于認(rèn)知建模方法的游戲自主角色模型；第二節(jié)介紹了神經(jīng)網(wǎng)絡(luò)在實(shí)現(xiàn)自主角色中的應(yīng)用；第三節(jié)說(shuō)明了遺傳算法對(duì)神經(jīng)網(wǎng)絡(luò)的優(yōu)化；第四節(jié)對(duì)自主角色的實(shí)驗(yàn)進(jìn)行了分析。

1基于認(rèn)知建模的角色自主性模型

由于認(rèn)知建模方法能夠采用精確的數(shù)學(xué)方式來(lái)定義自主角色的行為和學(xué)習(xí)模式，因此本文采用認(rèn)知建模方法來(lái)對(duì)游戲角色的自主性進(jìn)行建模。這里將游戲中存在的非玩家控制的角色簡(jiǎn)稱(chēng)為NPC,通過(guò)認(rèn)知建模方法研究NPC的高級(jí)行為規(guī)劃，指導(dǎo)NPC,提高NPC的智能水平能力，使NPC能夠?qū)Νh(huán)境作出判斷，并根據(jù)當(dāng)前的狀態(tài)進(jìn)行推理，進(jìn)而完成相應(yīng)的行動(dòng)序列,有利于創(chuàng)建聰明自主的智能體――具有認(rèn)知能力的自主的角色。

在計(jì)算機(jī)游戲中，我們將游戲角色關(guān)于他所在世界的內(nèi)部模型稱(chēng)“認(rèn)知模型”(Cognitive Model)。認(rèn)知模型可以用于游戲中，控制一類(lèi)自主的角色。通過(guò)認(rèn)知模型支配游戲角色對(duì)其所在環(huán)境的了解程度，如何獲取知識(shí)，以及如何利用知識(shí)選擇行動(dòng)。

NPC的行為分為“預(yù)定義的”和“非確定性的”兩種，建立的認(rèn)知模型也各不相同。建立預(yù)定義行為的認(rèn)知模型比較簡(jiǎn)單，只要將事先定義好的NPC所在環(huán)境的領(lǐng)域知識(shí)賦予NPC系統(tǒng)，NPC就可以根據(jù)人們的要求采取某種行動(dòng)。而非確定性的行為不容易控制。為了實(shí)現(xiàn)人為的控制，我們采取一種折中的方法，即將領(lǐng)域知識(shí)和人的指導(dǎo)賦予NPC，使NPC主動(dòng)地向人們希望它達(dá)到的目標(biāo)發(fā)展?？捎上旅娴墓奖硎?

知識(shí)+指導(dǎo)=行為

領(lǐng)域知識(shí)能夠用來(lái)規(guī)劃目標(biāo)，而指導(dǎo)對(duì)如何達(dá)到目標(biāo)提供一種框架計(jì)劃。

當(dāng)然NPC在決定采取什么樣的行動(dòng)時(shí)并不需要整個(gè)虛擬世界的知識(shí)。所以，我們認(rèn)為NPC的認(rèn)知模型是角色對(duì)其虛擬世界的一種內(nèi)部簡(jiǎn)化模型〔simplified model〕。

為此我們?cè)诂F(xiàn)有游戲系統(tǒng)之上營(yíng)造一個(gè)通過(guò)認(rèn)知模型定義的高級(jí)行為規(guī)劃器來(lái)實(shí)現(xiàn)對(duì)NPC的行為指導(dǎo)。規(guī)劃器模型設(shè)計(jì)如圖1所示。

NPC的預(yù)定義行為和非確定行為都可以形式化為認(rèn)知模型，通過(guò)認(rèn)知模型來(lái)指導(dǎo)NPC高級(jí)行為規(guī)劃器，由于神經(jīng)網(wǎng)絡(luò)在非確定中的強(qiáng)大的學(xué)習(xí)作用，因此本項(xiàng)目通過(guò)神經(jīng)網(wǎng)絡(luò)來(lái)實(shí)現(xiàn)NPC高級(jí)行為規(guī)劃器的三個(gè)方面：目標(biāo)引導(dǎo)、行為協(xié)調(diào)、約束滿(mǎn)足。

2基于人工神經(jīng)網(wǎng)絡(luò)的角色自主系統(tǒng)

這里,我們采用的是神經(jīng)網(wǎng)絡(luò)中的BP網(wǎng)絡(luò)作為NPC的感知系統(tǒng)。BP算法是一種用于多層前向網(wǎng)絡(luò)的學(xué)習(xí)算法，它包括輸入層、輸出層和隱含層，隱含層可以是多層結(jié)構(gòu)。BP網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程包括兩個(gè)階段:第一階段計(jì)算前向輸出;第二階段從反向調(diào)整連接權(quán)矩陣。

在前向傳播過(guò)程中，輸入信息從輸入層經(jīng)隱含層逐層處理，并傳向輸出層，每一層神經(jīng)元的輸出作為上層神經(jīng)元的輸入.如果在輸出層，實(shí)際輸出值與期望輸出值有誤差時(shí)，則以反向?qū)⒄`差信號(hào)逐層修改連接權(quán)系數(shù)并且反復(fù)迭代，最后使實(shí)際輸出值與期望值的均方差為最小。在修正連接權(quán)系數(shù)時(shí)，通常采用梯度下降算法。

BP神經(jīng)網(wǎng)絡(luò)使用的是指導(dǎo)式的學(xué)習(xí)方法,即在學(xué)習(xí)過(guò)程中,向網(wǎng)絡(luò)提供有明確輸入和輸出目標(biāo)的樣本對(duì)。BP學(xué)習(xí)算法是基于最小二乘法LMS 算法,運(yùn)用梯度下降方法,使網(wǎng)絡(luò)的實(shí)際輸出與期望輸出的均方差最小。網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程是一種誤差邊向后傳播邊修正連接權(quán)的過(guò)程。因?yàn)锽P網(wǎng)絡(luò)對(duì)以分類(lèi)為主要目的的學(xué)習(xí)非常有效,所以,我們采用B P網(wǎng)絡(luò)進(jìn)行NPC分類(lèi)的自學(xué)習(xí)。需要輸入NPC自主系統(tǒng)中BP網(wǎng)絡(luò)的特征參數(shù)主要是NPC的生命值,NPC的攻擊力，NPC的防御力，NPC的情感值等，玩家虛擬角色的生命值,玩家虛擬角色的攻擊力，玩家虛擬角色的防御力，玩家虛擬角色的情感值等。

NPC在虛擬游戲環(huán)境下，在與玩家的不斷交互中刺激著感知系統(tǒng)，在外界環(huán)境發(fā)生變化時(shí)產(chǎn)生認(rèn)知模型指導(dǎo)下的自主行為，通過(guò)神經(jīng)網(wǎng)絡(luò)最終演化成具有自主性的行為系統(tǒng)，同時(shí)，利用遺傳算法使適應(yīng)度有一定程度的增加，使NPC更適應(yīng)外界環(huán)境的變化。關(guān)于NPC的感知系統(tǒng)的設(shè)置如下：

1） 輸入?yún)?shù)的確定

NPC的感知系統(tǒng)由人工神經(jīng)網(wǎng)絡(luò)構(gòu)成，虛擬游戲環(huán)境的特征參數(shù)作為輸入送入神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)。在我們的游戲項(xiàng)目中，輸入主要包括三種類(lèi)型：布爾類(lèi)型、枚舉類(lèi)型和連續(xù)類(lèi)型三種，但是這三種類(lèi)型都需要轉(zhuǎn)化成神經(jīng)網(wǎng)絡(luò)所認(rèn)可的實(shí)數(shù)類(lèi)型。

2） 權(quán)重的確定

權(quán)重有些類(lèi)似于生物神經(jīng)網(wǎng)絡(luò)的樹(shù)突聯(lián)結(jié)，權(quán)重影響了輸出變量的值，并且定義了神經(jīng)網(wǎng)絡(luò)的行為，實(shí)際上訓(xùn)練或者演化神經(jīng)網(wǎng)絡(luò)的主要目標(biāo)就是確定NPC神經(jīng)網(wǎng)絡(luò)的權(quán)重。為了確定每個(gè)輸入?yún)?shù)的權(quán)重，需要確定激活函數(shù)。

3） 激活函數(shù)的確定

激活函數(shù)確定了輸入與輸出參數(shù)之間的映射關(guān)系，針對(duì)NPC自主角色的神經(jīng)網(wǎng)絡(luò)，我們采用的是非線(xiàn)性激活函數(shù)，具體采用的是S型激活函數(shù)。

3基于遺傳算法的神經(jīng)網(wǎng)絡(luò)優(yōu)化

神經(jīng)網(wǎng)絡(luò)的基本特征是大規(guī)模并行處理、容錯(cuò)性、自適應(yīng)性和自組織性，適合處理直覺(jué)和形象思維信息。神經(jīng)網(wǎng)絡(luò)與遺傳算法的結(jié)合使神經(jīng)網(wǎng)絡(luò)的訓(xùn)練有了一個(gè)嶄新的面貌，目標(biāo)函數(shù)既不要求連續(xù)，也不要求可微，僅要求該問(wèn)題可計(jì)算，而且它的搜索始終遍及整個(gè)解空間，因此容易得到全局最優(yōu)解。用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)，可以使得神經(jīng)網(wǎng)絡(luò)具有自進(jìn)化、自適應(yīng)能力，從而構(gòu)造出進(jìn)化的神經(jīng)網(wǎng)絡(luò)(ENN)［5］。

研究NPC的進(jìn)化,要建立NPC在虛擬環(huán)境中進(jìn)行的各種行為模型。另外,同虛擬環(huán)境本身也會(huì)發(fā)生競(jìng)爭(zhēng)。由于適應(yīng)度是NPC競(jìng)爭(zhēng)力大小的直接反映,為了建立NPC的競(jìng)爭(zhēng)機(jī)制,首先要建立NPC的適應(yīng)度函數(shù)。

首先,NPC的適應(yīng)度函數(shù)和NPC的種類(lèi)相關(guān)。在同一環(huán)境下,不同NPC的適應(yīng)度肯定是不相同的［6］。同時(shí),為了表現(xiàn)NPC自學(xué)習(xí)對(duì)進(jìn)化的影響,有了學(xué)習(xí)能力的同種NPC適應(yīng)度的取值也有所不同。其次,NPC的適應(yīng)度還與其所處的不同階段有關(guān)。適應(yīng)度取值在其不同階段中不是一成不變的。

在環(huán)境不發(fā)生變化時(shí),NPC的適應(yīng)度函數(shù)F(t)可以用此函數(shù)表示:

其中,參數(shù)a表示NPC的生命力值;參數(shù)k表示NPC的類(lèi)型,不同的NPC對(duì)同一游戲環(huán)境的適應(yīng)性是不一樣的,當(dāng)k取不同的值時(shí),會(huì)得到適應(yīng)度不同的各種NPC。接著按照以下工作步驟操作：

1） 從NPC神經(jīng)網(wǎng)絡(luò)中提取權(quán)重向量；

2） 用遺傳算法演化出一個(gè)新的網(wǎng)絡(luò)權(quán)重群體；

3） 把新的權(quán)重插入到NPC神經(jīng)網(wǎng)絡(luò)；

4） 轉(zhuǎn)到第一步進(jìn)行重復(fù)，直至獲得理想的性能。

4試驗(yàn)分析

我們的實(shí)驗(yàn)測(cè)試場(chǎng)景如下：

在一個(gè)仿真的三維游戲環(huán)境下,游弋著若干個(gè)NPC角色和一個(gè)玩家控制的虛擬角色,主角可以漫游整個(gè)游戲場(chǎng)景,這些NPC當(dāng)遇到主角后,可能會(huì)對(duì)主角采取不同的行為,比如攻擊行為,逃避行為,團(tuán)隊(duì)作戰(zhàn)行為,對(duì)話(huà)行為等,所有這些行為的決策都取自于神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。

在采用神經(jīng)網(wǎng)絡(luò)算法之前，所有的NPC無(wú)論強(qiáng)弱，都會(huì)主動(dòng)向玩家角色發(fā)起攻擊，而在采用神經(jīng)網(wǎng)絡(luò)算法之后，這些NPC都具有了一個(gè)人工大腦，每個(gè)NPC在與玩家角色的交互過(guò)程不斷地學(xué)習(xí)，不斷地演化，最終變成自主角色，具體表現(xiàn)在：NPC根據(jù)以往與玩家角色交互過(guò)程中的經(jīng)驗(yàn)，從而產(chǎn)生較為理智的行為，比如當(dāng)NPC感覺(jué)玩家的綜合實(shí)力要高于自己時(shí)，它可能會(huì)采取逃避的行為，而當(dāng)NPC感覺(jué)其綜合實(shí)力要高于玩家時(shí)，它往往會(huì)主動(dòng)攻擊玩家。

表1和表2列舉了應(yīng)用神經(jīng)網(wǎng)絡(luò)算法前后的測(cè)試數(shù)據(jù)。

應(yīng)用神經(jīng)網(wǎng)絡(luò)算法所采取的實(shí)驗(yàn)方案如下：

(1) 對(duì)于NPC感知系統(tǒng)的輸入，包括與虛擬玩家角色的距離， 虛擬玩家的攻擊力，防御力，生命力，魔法力，信譽(yù)度，NPC自身的攻擊力，防御力，生命力，魔法力，信譽(yù)度。并將參數(shù)歸一化，使最終的參數(shù)范圍位于[-1, 1]之間；

(2) 對(duì)于NPC感知系統(tǒng)的輸出，包括躲避，單獨(dú)攻擊，潛伏，召喚同伴，團(tuán)隊(duì)攻擊等行為。即將神經(jīng)元的輸出元設(shè)計(jì)成五個(gè)，這些行為通過(guò)一些標(biāo)志符來(lái)確定，例如， 如果代表攻擊的輸出位為1，則其他位為零。