毕业设计开题报告--- 神经网络在信号预测中的应用

《毕业设计开题报告--- 神经网络在信号预测中的应用》由会员分享，可在线阅读，更多相关《毕业设计开题报告--- 神经网络在信号预测中的应用（5页珍藏版）》请在毕设资料网上搜索。

1、毕业设计开题报告 题目 ： 神经网络在信号预测中的应用 专业： 指导教师： 学院： 自动化 学号： 班级： 姓名： 关键词： 神经网络 信号预测 一、 选题的目的、意义： 在科学研究和工程应用中，为了有效的获取信息以及利用信息，必须对信 号进行分析处理与预测。信号预测是分析与处理的基础上进行的。在大型复杂的系统控制中都需要信号的预测控制，通常需要大量的数学运算和借助计算机编制相应的程序达到信号加工变换的目的。目前流行用 BASIC、 FORTRAN 和 C 语言 编制程序既需要对有关算法有深刻的了解 ,又需熟练掌握所用语言的语法和编程技巧，同时具备这两方面的能力有一定困难。并且编制程序是复杂的

2、，不仅浪费人力和物力，且影响工作进程和效率。在这种情况下，就想找到一种现成的仿真软件。 MATLAB 现已成为国际上公认的最优秀的数值计算和 仿真分析软件。 神经网络工 具箱是 MATLAB 环境下所开发出来的许多工具箱之一，它是以 人 工神经网络理论为基础，用 MATLAB 语言构造出典型神经网络的激活函数。用 MATLAB 可以编写各种网络设计与训练的子程序，并根据自己的需要去调用有关神经网络的工具箱。 自 20 世纪 80 年代初兴起第二次的神经网络热潮以来，神经网络以它特有的自学习、自组织、联想记忆和并行处理等功能，被应用到众多的领域。 人 工神经网络（ Artificial Neur

3、al Networks， 简写为 ANNs）也简称为神经网络（ NNs）或称作连接模型（ Connectionist Model），是对人脑或自然神经网络（ Natural Neural Network）若干基本特性的抽象和模拟。人工神经网络以对大脑的生理研究成果为基础的，其目的在于模拟大脑的某些机理与机制，实现某个方面的功能。并且特有非线性适应性信息处理能力。 信号是声、光、电等运载消息的物理量，它们是时间或空间的函数，所携带的消息就在变化之中。其中，确定性信号对任意一时刻都对应有确定的函数值，包括未来时刻；随机信号不遵循任何确定性规律变化，未来值不能用精确的时间函数描述，一般的方法是很难准

4、确地预测。相比之下，神经网络在这 方面显示了明显的优越性。近年来，人们将神经网络模型引入系统建模和辨识中，利用神经网络所具有的对任意非线性映射的任意逼近的能力，来模拟实际输入 -输出关系。 人是万物之灵，区别人与动物的是其发达的大脑及进化的智慧。研究神经网络，特别是神经学习的机理，对认识和促进人自身发展有特殊的意义。 BP 神经网络 在人工神经网络发展历史中，很长一段时间里没有找到隐层的连接权值调整问题的有效算法。直到误差反向传播算法（ BP 算法）的提出，成功地解决了求解非线性连续函数的多层前馈神经网络权重调整问题。 BP (Back Propagation)神经网络，即误差反传误差反向传播

5、算法的学习过程，由信息的正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变换，根据信息变化能力的需求，中间层可以设计为单隐层或者多隐层结构；最后一个隐层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。当实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输 入层逐层反传。周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程，此过程一直进行到网络输出的误

6、差减少到可以接受的程度，或者预先设定的学习次数为止。 BP神经网络模型 BP 网络模型包括其输入输出模型、作用函数模型、误差计算模型和自学习模型。 （ 1） 节点输出模型 隐节点输出模型： Oj=f( Wij Xi-qj) (1) 输出节点输出模型： Yk=f( Tjk Oj-qk) (2) f-非线形作用函数； q -神经单元阈值。 图 1 典型 BP 网络结构模 型 （ 2） 作用函数模型 作用函数是反映下层输入对上层节点刺激脉冲强度的函数又称刺激函数，一般取为 (0,1)内连续取值 Sigmoid 函数： f(x)=1/(1+e) （ 3） （ 3）误差计算模型 误差计算模型是反映神经网

7、络期望输出与计算输出之间误差大小的函数： Ep=1/2 (tpi-Opi) (4) tpi- i 节点的期望输出值；Opi-i 节点计算输出值。 （ 4）自学习模型 神经网络的学习过程，即连接下层节点和上层节点之间的权重拒阵 Wij 的设定和误差修正过程。 BP 网络有师学习方式 -需要设定期望值和无师学习方式 -只需输入模式之分。自学习模型为 Wij(n+1)= h i Oj+a Wij(n) （ 5） h -学习因子； i-输出节点 i 的计算误差； Oj-输出节点 j 的计算输出； a-动量因子。 BP 神经网络的应用及不足 神经网络可以用作分类、聚类、预测等。神经网络需要有一定量的历史

8、数据，通过历史数据的训练，网络可以学习到数据中隐含的知识。在你的问题中，首先要找到某些问题的一些特征，以及对应的评价数据，用这些数据来训练神经网络。 虽然 BP 网络得到了广泛的应用，但自身也存在一些缺 陷和不足，主要包括以下几个方面的问题。 首先，由于学习速率是固定的，因此网络的收敛速度慢，需要较长的训练时间。对于一些复杂问题， BP 算法需要的训练时间可能非常长，这主要是由于学习速率太小造成的，可采用变化的学习速率或自适应的学习速率加以改进。 其次， BP 算法可以使权值收敛到某个值，但并不保证其为误差平面的全局最小值，这是因为采用梯度下降法可能产生一个局部最小值。对于这个问题，可以采用附加动量法来解决。 再次，网络隐含层的层数和单元数的选择尚无理论上的指导，一般是根据经验或者通过反复实验确定。因此，网络 往往存在很大的冗余性，在一定程度上也增加了网络学习的负担。 最后，网络的学习和记忆具有不稳定性。也就是说，如果增加了学习样本，训练好的网络就需要从头开始训练，对于以前的权值和阈值是没有记忆的。但是可以将预测、分类或聚类做的比较好的权值保存。 二、国内外研究现状： 人工神经网络的发展历史 1943 年，心理学家 W Mcculloch 和数理逻辑学家 W Pitts 在分析、