学年论文
题目：基于神经网络预测方法在
投资统计数据分析中的应用
学院：
专业：
班级： 1 班
学生姓名：
学号：
指导教师：
基于神经网络预测方法在投资统计数据分析中的应用
摘要：基于主成分-神经网络预测模型，并将该预测模型应用于社会固定资产投资统计数据分析。研究对象时统计年鉴中按照行业分固定资产投资统计数据，该数据含有中国31个省直辖市自治区从2003年至2012年来的社会固定总资产数据，每个样本有农林牧渔业、采矿业等十九个变量数值，通过对建立神经网络模型用于预测2013年31个省直辖市自治区的社会固定资产投资数据，并将该数据与2013年的真实数据作对比，研究基于神经网络的预测算法在本文数据分析中的应用，同时，与线性预测方法作对比，发现主成分-神经网络预测算法效果比较好.通过我所引用的文章，既了解了社会固定资产投资方面的知识，又学习了数据挖掘中的预测算法.
关键词：主成分分析，预测，神经网络，数据挖掘
1. 前言
1.1 选题背景
2013年，面对错综复杂的国内外形势，党中央、国务院团结带领全国各族人民深入贯彻落实党的十八大精神，坚持稳中求进工作总基调，坚持宏观政策要稳、微观政策要活、社会政策要托底的思路，统筹稳增长、调结构、促改革，探索创新宏观调控方式，经济社会发展稳中有进、稳中向好，实现了良好开局.从2013年的统计数据来看，2013年我国的国内生产总值（GDP ）增速比较平稳，其中，在第一季度增长了百分之七点七，在第二季度增长了百分之七点五五，在第三个季度增长率百分之七点七，由第二季度的GDP 增速下降再到第三季度的GDP 增速的回升，最后使得GDP 增速又达到百分之七点七，趋于稳定.
注：2012年国内生产总值增速为初步核实数，2013年为初步核算数。
图1 国内生产总值同比增增长速度
以“政商重构 市场还权”为主题的2014网易经济学家年会夏季论坛中，全国政协常委、经济委员会副主任，工业和信息化部原部长李毅中在会上表示，2013年，当年的投资和GDP 的比例大76.7%，而这个比例“十一五”是59.5%，“十五”是41.58%，“九五”是32.83%，随着时间的推移，固定资产投资和当年GDP 的比例是越来越高，高达76%.
2013年，全年固定资产投资（不含农户）436528亿元，比去年增长19.6%（扣除价格因素实际增长19.2%），实际增速比去年略微回落0.1个百分点.
分行业看，第一产业投资9241亿元，同比增长32.5%，增速比1-11月份加快0.8个百分点；第二产业投资184804亿元，增长17.4%，增速加快0.1
个百分点；地酸产业
7.45
7.57.557.67.657.77.757.87.857.97.9520
12
年
第
1季
度
20
12
年
第2季
度
20
12
年
第3季
度
20
12
年
第4季
度
20
13
年
第1季
度
20
13
年
第2季
度
20
13
年
第3季
度
20
13
年
第
4季
度
投资242482亿元，增长21%，增速回落0.5个百分点。第二产业中，工业投资181864亿元，增长17.8%，增速回落0.1个百分点；其中，采矿业投资14750亿元，增长10.9%，增速回落1.1个百分点；制造业投资147370亿元，增长18.5%，增速回落0.1个百分点；电力、热力、燃气及水的生产和供应业投资19744亿元，增长18.4%，增速加快0.7个百分点.
图2 近几年全社会固定资产投资
全社会固定资产投资是全世界都在研究的课题之一，它的英文翻译为Total Investment in Fixed Assets.全社会投资和全社会固定资产投资是两个不同的概念，全社会投资包括社会固定资产投资和全社会不固定资产投资两个方面，而这里研究的是全社会固定资产投资.
全社会固定资产投资的具体定义是指用货币的形式来表现的建造固定资产活动和购置固定资产活动方面的工作量，它是一种综合性的指标，反映的主要是全社会的固定资产投资的规模，全社会的固定资产投资的速度，全社会的固定资产投资方面的比例关系，全社会的固定资产投资相关的使用方向。它的本质是指反映固定资产投资方面的相关的信息.
1.2 选题来源
本文的选题数据来源于《2014年中国统计年鉴》[1]，该年鉴统计了中国自改革开放以来三十多年的汇总多方面的经济数据，并且按照时间、按照地区等多方面划分来研究中国的经济数据.
1.3数据挖掘
数据挖掘[2] [3]是一门综合性的研究学科，它综合了数学知识、概率知识、数据库知识、生物知识等各种学科的交叉学科，并且在当前社会的经济、数学、生物、科学等多方面的领域里均有着广泛的应用.
预测[4]-[7]在我们目前的社会生活中有着广泛的应用。预测是数据挖掘中的重点知识之一，预测就是利用我们目前的数据和现有的条件来预测将来的数据，从而为当前我们需要了解的信息提供大概的动向和趋势。预测在数据挖掘中有着很多的预测算法，包括线性预测算法，神经网络预测算法，灰色序列预测算法等多种预测算法.
2理论知识介绍
2.1 线性预测算法
线性预测算法是预测算法中的一种常用的预测算法，它主要是利用数据之间线性的关系建立起来的一种线性预测的算法，满足线性预测算法的数据模型一般数据呈现线性关系.
2.2 几种神经网络预测算法
神经网络预测算法是通过神经网络的算法来达到预测的目的。神经网络是生物学中的知识，通过神经细胞里各种结构来模拟当前的数据信息，从而建立模型来传递数据信
图3 人工神经网络
下面主要介绍几种神经网络算法，包括BP神经网络算法、RBF神经网络算法.
BP[8-10]神经网络算之神经网络算法是神经网络算法中常用的一种算法，它包含有两个阶段，一个是正向的数据传播的阶段，另一个是反向的误差反馈的阶段.
BP神经网络算法重点在于它的双向性，将样本进行参数处理后进行学习训练，经过网络训练学习，从而计算误差函数E，判断误差是否收敛，如果收敛则输出权重，如果
不收敛，则继续计算权重然后进行网络训练学习再计算误差函数E，直到误差函数收敛为止。输出权重后，赋值给中间层和输出层之间的权值，从而进行实现预测算法。正向的传递是数据信息的传递，反向的传播是计算误差函数收敛的传递.
RBF [11-13」神经网络算法是指径向基函数神经网络算法，它主要是利用径向基函数作为其节点的阶段函数，从而达到预测的目的.
RBF神经网络的英文全称为Radial Basis Function Neural Network，它包含有三个级别的层次，第一层为输入层，把数据样本的信息作为输入层。第二次为隐含层，隐含层的计算函数为径向基函数，它使用平滑的曲线进行计算，有利于计算权值，从而将神经网络的学习过程训练更好。第三层为输出层.
径向基函数的表达式为：()(||||)
Φ=Φ，最常用的为高斯函数，表达式如下：
x x
22
()
=
f x ae--
()x b c
其中a、b、c为实数常数，且a>0.2c=2的高斯函数是傅里叶变换的特征函数.
2.3 主成分分析
主成分分析[14-16]的英文全称为Principal Component Analysis，因此，主成分分析可以简写为PCA .
主成分分析是指将数据从高维通过数据的计算映射到低维数据信息的过程。它一般从一个维度映射到另一个维度，通过线性代数的方式来体现两种维度之间的关系.
主成分分析就是利用少数变量来表示多种变量之间的过程，它将信息进行压缩，将冗余信息去除，通过线性代数的方式来体现主成分和变量之间的关系.
建立主成分-神经网络模型的具体方法如下：
（1）对数据进行预处理。由于一般的数据信息存在着缺项或者零信息，在数据计算的时候带来不方便，所以要对数据先进行预处理，即，使用数据计算的方式将数据信息映射到同一个范围内或者可以比较的范围内.
（2）对数据进行主成分分析。将进行预处理后的数据进行主成分分析，达到降维的目的，从而得到主成分分析的结果.
（3）将得到的主成分结果进行神经网络预测。在神经网络算法中，一般包含有输入层和输出层，将得到的主成分结果作为神经网络的输入层进行计算，按照神经网络自身的Array算法进行预测，得到预测结果.
将主成分-神经网络预测模型表示为流
程图，见图4.
图4 主成分-神经网络预测模型
基于主成分-神经网络的预测模型，先通过SPSS软件进行主成分分析，然后再通过MATLAB编写代码来实现该预测模型.
3.多种预测方法在社会固定资产投资统计数据分析中的应用
3.1 社会固定资产投资数据
《2014年中国统计年鉴》是中华人民共和国国家统计局出版的统计年鉴，统计了中国自八十年代以来在各个方面的经济数据，从2014年中国统计年鉴显示的统计数据可以透视出中国很多的经济数据和经济发展情况，对研究我国的经济发展有着重要的作用.
社会固定资产投资统计数据包含有年份，合计以及农林牧渔业、采矿业等十九个变量，年份是从2003年到2013年，中国统计年鉴统计的19个变量从19个不同的行业来划分各个行业的全社会固定资产投资.
文章针对的是《中国统计年鉴》中的社会固定资产投资统计数据，及全国31个省、直辖市、自治区的2002年至2012年的社会固定资产投资方面的统计数据预测全国31省、直辖市、自治区的2013年的社会固定资产投资数据，并与实际的2013年的31个省、直辖市、自治区实际数据作比较，建立不同的预测模型.
3.2线性预测模型在统计数据分析中的应用
将统计数据中的数据信息进行多元线性回归计算。文章采用的是多元线性回归模型。对数据建立多元线性回归模型，对数据进行预测.
文章采用的方法是使用SPSS软件来实现多元线性回归方法.
多元线性回归是建立因变量和多个自变量之间的线性关系，在文章中，因变量是来年的社会固定资产数据，自变量是31个省直辖市自治区本年度的变量，包括农林牧渔业、采矿业等十九个变量。31个省直辖市自治区本年度的社会固定资产投资统计数据，见附录.
经过建模，使用多元线性回归方法中的进入法进行多元线性回归，将十九个变量移
去一些，排除制造业、电力热力燃力及水生产和供应业等十三个变量，见表1.
建立的多元线性回归模型保留了农林牧渔业、采矿业、建筑业等六个变量，建立模型如表3所示
定义变量
设：X1：农、林、牧、渔业
X2：采矿业
X3：建筑业
X4：信息传输、软件和信息技术业
X5：金融业
X6：教育
表2 农林牧渔业、采矿业等六种变量和社会固定资产数据资料该表格显示了文章主要分析的农、林、牧、渔业，采矿业，建筑业，信息传输、软件和信息技术服务业，金融业，教育六种变量和2013年全社会固定资产投资数据之间的数据资料.
表3 多元线性回归模型
得到的预测结果如图5所示。
图5 线性预测结果
3.3 神经网络预测模型在统计数据分析中的应用
将统计数据进行单纯的神经网络预测算法进行计算。采用RBF 神经网络算法进行预测，得到的预测结果见图6.
5
10
1520
25
30
35
00.2
0.4
0.6
0.8
1
1.21.4
31个省自治区直辖市
2013年全社会固定资产投资数
据
图 6 RBF 神经网络预测值
3.4 主成分-神经网络预测模型在统计数据分析中的应用
将统计数据进行主成分-神经网络预测模型进行计算。在本小节中，包含有三个步骤，第一，对数据进行数据预处理计算；第二，对于处理后的数据通过使用SPSS 软件进行主成分分析；第三，对主成分分析后的结果进行神经网络预测，从而得到预测结果。 主成分分析主要包含有以下几个步骤: (1)将数据进行数据标准化的计算. (2)求变量之间的相关系数矩阵.
(3)针对变量之间的相关系数矩阵进行一系列正交变换，使非对角线上的数置0，加到主对角上.
(4)通过计算行列式，得到特征根，这个特征根就是相应那个主成分引起变异的方差，并按照从大到小的顺序把特征根排列. (5)求各个特征根对应的特征向量. (6)计算各个主成分.
KMO ( Kaiser-Meyer-Olkin)检验统计量是用于比较变量间简单相关系数和偏相关
系数的指标，它的取值范围是0到1, KMO 检验结果越接近1，说明变量之间的相关性越强，检验结果见表4.
510
1520
253035
00.2
0.4
0.6
0.8
1
1.2
1.4
31个省自治区直辖市
2013年全社会固定资产投资数据
表4 KMO和Bartlett的检验
在实验中，通过KMO检测结果可以看出，取样足够度的KMO度量结果为0.822，说明适合做做因子分析提取主成分，提取的公因子差见表5.
通过解释的总方差表格6可以看出，提取出的第一个主成分信息可以反映数据信息的60.095%，第二个主成分可以反映数据信息的12.160%，提取出的第三个主成分可以反映数据信息的1.676%，前三个主成分可以反映数据信息的81.079%，这也可以成为累积的贡献率.
表5 公因子方差
表6 解释的总方差
表7 系数矩阵
3.5 建立主成分一神经网络预测模型
把得到的主成分结果作为神经网络的输入端，从而进行神经网络算法预测.
00.10.20.30.40.50.60.70.80.9131个省自治区直辖市
2013年全社会固定资产投资数据
图7 主成分—神经网络预测结果
使用RBF 神经网络进行预测，得到预测结果见图7.
3.6 几种预测模型结果比较
将线性预测、BRF 神经网络预测和主成分-神经网络预测算法得到的结果放在一起比较. 将几种预测算到的结果计算误差，将误差结果比较见表8.
表8 几种预测算法结果比较
图8 几种预测模型结果比较
将几种预测算法的预测结果放在同一个图中进行观察，得到如图8所示.
通过线性预测算法、RBF 神经网络预测算法和主成分一神经网络预测算法的结果
比较，可以看出，主成分一神经网络预测算法的预测效果最好，误差最小.由此说明，主成分和神经网络的结合算法既把数据信息压缩，除去冗余信息，又有效利用了神经网
510
1520
253035
00.2
0.4
0.6
0.8
1
1.2
1.4
31个省自治区直辖市
2013年全社会固定资产投资数
据
络的学习算法，使得预测精度提高。该实验有效的验证了主成分一神经网络的预测效果.
4.总结
全社会投资和全社会固定资产投资是两个不同的概念，全社会投资包括全社会固定资产投资和全社会不固定资产投资两个方面，我所借鉴的文章研究的是全社会固定资产投资。全社会固定资产投资的具体定义是指用货币的形式来表现的建造固定资产活动和购置固定资产活动方面的工作量，它是一种综合性的指标，反映的主要是全社会的固定资产投资的规模，全社会的固定资产投资的速度，全社会的固定资产投资方面的比例关系，全社会的固定资产投资相关的使用方向.它的本质是指反映固定资产投资方面的相关的信息.文章将主成分分析算法和神经网络算法相结合，充分利用了主成分分析算法降维的优势和神经网络非线性能表达非线性关系的优势，建立了主成分一神经网络的预测模型，并把该算法用于社会固定资产投资数据分析.
基于主成分一神经网络的预测算法适用范围满足以下两个特点:一是样本为高维数据，二是研究的变量和目标量之间的预测关系为非线性映射关系.文章建立了主成分一神经网络预测模型，并将该预测模型应用于社会固定资产投资统计数据分析。研究对象是统计年鉴中按照行业分固定资产投资统计数据，该数据含有中国31个省直辖市自治区从2003年至2012年来的社会固定总资产数据，每个样本有农林牧渔业、采矿业等十九个变量数值，本文通过建立神经网络模型用于预测2013年31个省直辖市自治区的的社会固定资产投资数据，并将该数据与2013年的真实数据作对比，研究基于神经网络的预测算法在本文数据分析中的应用，同时，与线性预测方法作对比，发现主成分一神经网络预测算法效果比较好。通过本文，既了解了社会固定资产投资方面的知识，又学习了数据挖掘中的预测算法.
通过文章，我学习了数据挖掘中的主成分分析算法和神经网络算法，并且能够通过SPSS软件和MATLAB软件来实现。研究了中国统计年鉴，了解中国社会固定资产投资方面相关的知识.
参考文献
[1]国家统计局.中国统计年鉴2014[M].北京:中国统计出版社，2014.
[2]Jinhui Lei, Xianfeng Yang. Construction the E-commerce Trading Platform Based on Rough Set Data
Mining Technology[J]，JCIT, V ol. 8, No. 3, pp. 460-469, 2013
[3]Gebeyehu Belay Gebremeskel, Zhongshi He, Yuanyuan Jia. The Development of Invisible Data
Mining Functionality for Discovering Interesting Knowledge: In the case of Bioinformatics[J]，JCIT，V ol. 8, No. 5, pp. 1246一1256, 2013
[4]Xiangrong Zhang, Qingliang Zhang. Using Grey Prediction Model, OW A Operator and
Fuzzy Group Decision-Making Method for Choosing Comprehensively The AdvertisementAgents[J]，JCIT，Vol. 8, No. 1，pp. 77一84,2013
[5]Zhang Junxia, Cao Lin, Su Hailong, Wang Xinting. The Prediction Model of Slips and Falls
Probability Based on the Utilized Coefficient of Friction[J]，JCIT，Vol.8, No. 1，pp. 409一416, 2013 [6]Shuo Li, Gaochao Xu, Xiaozhong Geng, Xiaolin Qiao, Feng Wu. Multi-level Cache Prediction and
Partitioning Mechanism in CMP[J]，AISS, V ol. 5, No. 1 pp. 135一144, 2013
[7]Gongxun Cheng, Lilan Liu, Huahuan Lei, Zhiqi Lin, Manping Li, Tao Yu. QoS-Prediction Cloud
Service Recommendation by Collaborative Filtering in Cloud Manufacturing Platform[J]，AISS, V ol. 5, No. 3, pp. 295一304, 2013
[8]Yang Liu, Dequan Zheng, Enyan Wang. Research on Evaluation of Project Management Maturity
Model Based on BP Neural Network[J]，AISS, V ol. 5, No 2, pp. 693一701，2013
[9]Zhiyu Feng, Weiren Shi, Rong Hu. A Method for Multi-Sensor Information Fusion Based on
Combining GA-BP Network with D-S Evidence Theory[J] JDCTA, V ol. 7, No. 8, pp. 75一83, 2013 [10]Yu Liu, Ran Niu, Changwen Wang, Le Wang. Random Error Model and Compensation of
MEMS Gyroscope Based on BP Neural Network[J]，JDCTA,Vol. 7, No. 8, pp. 284一290, 2013 [11]Jun Bi, Qiuping Xu, Kai Wang, Dong Zhang. The State of Charge Estimation of Li-Ion Batteries in
Electric Vehicle Based on RBF Neural Network Optimized by Genetic Algorithm[J]，JDCTA, V ol. 7, No. 5, pp. 366一373, 2013
[12]Biao Yang, Jun Chang, etc. Self-Adaptive PID Controller Integrated with RBFNN Identification
Applied to Microwave Drying Process[J]，JCIT，Vol. 8, No. 1，PP} 779一789, 2013
[13]Hongsheng Optimized Su. Large Turbine Fault Diagnosis Using RBF Neural Network with Artificial
Fish Swarm Algorithm[J]，IJACT, V ol. 4, No. 15, pp. 454一461，2012
[14]Jian Wang, Nan Jiang. Novel Digital Watermarking Algorithm against Image Distortion Based on
2DPCA[J]，JDCTA, V ol. 7, No. 1，pp. 249一256, 2013
[15]WANG Xue-guang, CHEN Shu-bong. A Face Recognition Method based on PCA and GEP[J]，AISS,
V ol. 5, No. 1，pp. 291一297, 2013
[16]Liu Xia, Wang Bo, Zhao Xingyu, Wang Yuzhu. A Fusion Algorithm for Facial Biometric Encryption
Based on Haar Wavelet Transform and (2D)2PCA[J] IJACT, V ol. 5, No. 8, pp. 233一239, 2013
附录
模糊神经网络的预测算法 ——嘉陵江水质评价 一、案例背景 1、模糊数学简介 模糊数学是用来描述、研究和处理事物所具有的模糊特征的数学，“模糊”是指他的研究对象，而“数学”是指他的研究方法。 模糊数学中最基本的概念是隶属度和模糊隶属度函数。其中，隶属度是指元素μ属于模糊子集f的隶属程度，用μf(u)表示，他是一个在[0,1]之间的数。μf(u)越接近于0，表示μ属于模糊子集f的程度越小；越接近于1，表示μ属于f的程度越大。 模糊隶属度函数是用于定量计算元素隶属度的函数，模糊隶属度函数一般包括三角函数、梯形函数和正态函数。 2、T-S模糊模型 T-S模糊系统是一种自适应能力很强的模糊系统，该模型不仅能自动更新，还能不断修正模糊子集的隶属函数。T-S模糊系统用如下的“if-then”规则形式来定义，在规则为R i 的情况下，模糊推理如下： R i:If x i isA1i,x2isA2i,…x k isA k i then y i =p0i+p1i x+…+p k i x k 其中，A i j为模糊系统的模糊集；P i j(j=1,2,…,k)为模糊参数；y i为根据模糊规则得到的输出，输出部分（即if部分）是模糊的，输出部分（即then部分）是确定的，该模糊推理表示输出为输入的线性组合。 假设对于输入量x=[x1,x2,…,x k]，首先根据模糊规则计算各输入变量Xj的隶属度。 μA i j=exp(-(x j-c i j)/b i j)j=1,2,…,k;i=1,2,…,n式中，C i j，b i j分别为隶属度函数的中心和宽度；k为输入参数数；n为模糊子集数。 将各隶属度进行模糊计算，采用模糊算子为连乘算子。 ωi=μA1j（x1）*μA2j（x2）*…*μA k j i=1,2,…,n 根据模糊计算结果计算模糊型的输出值y i。 Y I=∑n i=1ωi(P i0+P i1x1+…+P i k xk)/ ∑n i=1ωi 3、T-S模糊神经网络模型 T-S模糊神经网络分为输入层、模糊化层、模糊规则计划层和输出层四层。输入层与输入向量X I连接，节点数与输入向量的维数相同。模糊化层采用隶属度函数对输入值进行模
年份 (年) 1(1988) 2(1989) 3(1990) 4(1991) 5(1992) 6(1993) 7(1994) 8(1995) 实际值 (ERI) 年份 (年) 9(1996) 10(1997) 11(1998) 12(1999) 13(2000) 14(2001) 15(2002) 16(2003) 实际值 (ERI) BP 神经网络的训练过程为: 先用1988 年到2002 年的指标历史数据作为网络的输入,用1989 年到2003 年的指标历史数据作为网络的输出,组成训练集对网络进行训练,使之误差达到满意的程度,用这样训练好的网络进行预测. 采用滚动预测方法进行预测:滚动预测方法是通过一组历史数据预测未来某一时刻的值,然后把这一预测数据再视为历史数据继续预测下去,依次循环进行,逐步预测未来一段时期的值. 用1989 年到2003 年数据作为网络的输入,2004 年的预测值作为网络的输出. 接着用1990 年到2004 年的数据作为网络的输入,2005 年的预测值作为网络的输出.依次类推,这样就得到2010 年的预测值。 目前在BP 网络的应用中,多采用三层结构. 根据人工神经网络定理可知,只要用三层的BP 网络就可实现任意函数的逼近. 所以训练结果采用三层BP模型进行模拟预测. 模型训练误差为,隐层单元数选取8个,学习速率为,动态参数,Sigmoid参数,最大迭代次数3000.运行3000次后,样本拟合误差等于。 P=[。。。];输入T=[。。。];输出 % 创建一个新的前向神经网络 net_1=newff(minmax(P),[10,1],{'tansig','purelin'},'traingdm') % 当前输入层权值和阈值 inputWeights={1,1} inputbias={1} % 当前网络层权值和阈值 layerWeights={2,1} layerbias={2} % 设置训练参数 = 50; = ; = ; = 10000; = 1e-3;
《自动化工程案例分析》课程总结报告 时光如白驹过隙，转眼间，大学已经步入了第四年的光景。短暂的回眸，激荡起那一片片的涟漪，却才开始发现，案例分析，在我心中挥之不去，留下了难以磨灭的记忆。四位老师的倾情传授，为我们的大学生涯留下的不止是斑驳的光影，还有那一缕盘旋不去的温情。 四位老师给我们深入浅出地讲解了很多详细的实例，这些例子和我们所学的知识相互印证，加深了我们对专业知识的了解。也让我们对毕业后的工作方向有了一个更直观的认识，让我们更加有勇气，更加自信的面对即将到来的工作或者是研究生的学习生涯。 叶老师给我们演示的是“中石化某油库计量系统”。首先叶老师讲了背景：中国石化担负着保障国家能源安全的重要责任,一年的原油加工量约为亿吨,其中原油依赖进口,因此,如何降低原油的采购运输成本成为了影响企业生产经营效益的重要问题。原油运输大型化或者原油运输管道化已成为中国石化降低原油输送成本的主要手段。国外的油库管理中已经引入了先进的工业控制技术、网络技术、数据库技术等,对油库日常的收发油品作业、储油管理、油库监控系统等进行全方位的综合管理。而我国的油库自动化技术与国际先进水平相比还是有一定的差距。各种计量仪表的精度较低,稳定性较差,控制系统的控制精度比较低,信息化管理水平不够健全。我国的油库自动化控制和管理系统曾经历了一个较长的发展时期,各种系统操作方式各异,水平也参差不齐,其中还存在着许多人工开票、开阀、手动控泵的原始发油手段。这些系统一方面是可靠性不高,影响油库的经济效益另一方
面没有运用现代化信息技术使有关人员能够方便及时的了解现场的实时运行情况以及历史生产信息,不能为生产调度决策提供可靠的数据依据,同时也不利于提高整个企业的科学化管理水平。 自动化项目浏览： 油库监控自动化系统 原油调合自动化系统 选矿自动化系统 嵌入式项目浏览： 智能防溜系统 海关油气液体化工品物流监控系统 综合项目要求，从整个系统分析，我们需要： 自动化/嵌入式项目浏览 投标与方案 监控系统设计 监控系统调试 监控系统验收 项目管理 油库是储存和供应石油产品的专业性仓库,是协调原油生产和加工、成品油运输及供应的纽带。长期以来,我国油库数据采集工作中的许多操作都是采用人工作业的方式。一方面,不仅工作效率低,而且容易出现人为因素造成的失误另一方面,也不便于有关人员及时了解现场的实时运行情况,不利于提高企业的规范化管理水平。随着自动化
求用matlab编BP神经网络预测程序 求一用matlab编的程序 P=[。。。];输入T=[。。。];输出 % 创建一个新的前向神经网络 net_1=newff(minmax(P),[10,1],{'tansig','purelin'},'traingdm') % 当前输入层权值和阈值 inputWeights=net_1.IW{1,1} inputbias=net_1.b{1} % 当前网络层权值和阈值 layerWeights=net_1.LW{2,1} layerbias=net_1.b{2} % 设置训练参数 net_1.trainParam.show = 50; net_1.trainParam.lr = 0.05; net_1.trainParam.mc = 0.9; net_1.trainParam.epochs = 10000; net_1.trainParam.goal = 1e-3; % 调用 TRAINGDM 算法训练 BP 网络 [net_1,tr]=train(net_1,P,T); % 对 BP 网络进行仿真 A = sim(net_1,P); % 计算仿真误差 E = T - A; MSE=mse(E) x=[。。。]';%测试 sim(net_1,x) %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% 不可能啊我2009 28
对初学神经网络者的小提示 第二步：掌握如下算法: 2.最小均方误差,这个原理是下面提到的神经网络学习算法的理论核心,入门者要先看《高等数学》（高等教育出版社，同济大学版）第8章的第十节：“最小二乘法”。 3.在第2步的基础上看Hebb学习算法、SOM和K-近邻算法，上述算法都是在最小均方误差基础上的改进算法，参考书籍是《神经网络原理》（机械工业出版社，Simon Haykin著，中英文都有）、《人工神经网络与模拟进化计算》（清华大学出版社，阎平凡，张长水著）、《模式分类》（机械工业出版社，Richard O. Duda等著，中英文都有）、《神经网络设计》（机械工业出版社，Martin T. Hargan等著，中英文都有）。 4.ART(自适应谐振理论),该算法的最通俗易懂的读物就是《神经网络设计》（机械工业出版社，Martin T. Hargan等著，中英文都有）的第15和16章。若看理论分析较费劲可直接编程实现一下16.2.7节的ART1算法小节中的算法. 4.BP算法,初学者若对误差反传的分析过程理解吃力可先跳过理论分析和证明的内容,直接利用最后的学习规则编个小程序并测试,建议看《机器学习》(机械工业出版社，Tom M. Mitchell著，中英文都有）的第4章和《神经网络设计》（机械工业出版社，Martin T. Hargan等著，中英文都有）的第11章。 BP神经网络Matlab实例（1） 分类：Matlab实例 采用Matlab工具箱函数建立神经网络，对一些基本的神经网络参数进行了说明，深入了解参考Matlab帮助文档。 % 例1 采用动量梯度下降算法训练 BP 网络。 % 训练样本定义如下： % 输入矢量为 % p =[-1 -2 3 1 % -1 1 5 -3] % 目标矢量为 t = [-1 -1 1 1] close all clear clc
神经网络模型预测控制器 摘要：本文将神经网络控制器应用于受限非线性系统的优化模型预测控制中，控制规则用一个神经网络函数逼近器来表示，该网络是通过最小化一个与控制相关的代价函数来训练的。本文提出的方法可以用于构造任意结构的控制器，如减速优化控制器和分散控制器。 关键字：模型预测控制、神经网络、非线性控制 1.介绍 由于非线性控制问题的复杂性，通常用逼近方法来获得近似解。在本文中，提出了一种广泛应用的方法即模型预测控制（MPC），这可用于解决在线优化问题，另一种方法是函数逼近器，如人工神经网络，这可用于离线的优化控制规则。 在模型预测控制中，控制信号取决于在每个采样时刻时的想要在线最小化的代价函数，它已经广泛地应用于受限的多变量系统和非线性过程等工业控制中[3,11,22]。MPC方法一个潜在的弱点是优化问题必须能严格地按要求推算，尤其是在非线性系统中。模型预测控制已经广泛地应用于线性MPC问题中[5]，但为了减小在线计算时的计算量，该部分的计算为离线。一个非常强大的函数逼近器为神经网络，它能很好地用于表示非线性模型或控制器，如文献[4,13,14]。基于模型跟踪控制的方法已经普遍地应用在神经网络控制，这种方法的一个局限性是它不适合于不稳定地逆系统，基此本文研究了基于优化控制技术的方法。 许多基于神经网络的方法已经提出了应用在优化控制问题方面，该优化控制的目标是最小化一个与控制相关的代价函数。一个方法是用一个神经网络来逼近与优化控制问题相关联的动态程式方程的解[6]。一个更直接地方法是模仿MPC方法，用通过最小化预测代价函数来训练神经网络控制器。为了达到精确的MPC技术，用神经网络来逼近模型预测控制策略，且通过离线计算[1,7.9,19]。用一个交替且更直接的方法即直接最小化代价函数训练网络控制器代替通过训练一个神经网络来逼近一个优化模型预测控制策略。这种方法目前已有许多版本，Parisini[20]和Zoppoli[24]等人研究了随机优化控制问题，其中控制器作为神经网络逼近器的输入输出的一个函数。Seong和Widrow[23]研究了一个初始状态为随机分配的优化控制问题，控制器为反馈状态，用一个神经网络来表示。在以上的研究中，应用了一个随机逼近器算法来训练网络。Al-dajani[2]和Nayeri等人[15]提出了一种相似的方法，即用最速下降法来训练神经网络控制器。 在许多应用中，设计一个控制器都涉及到一个特殊的结构。对于复杂的系统如减速控制器或分散控制系统，都需要许多输入与输出。在模型预测控制中，模型是用于预测系统未来的运动轨迹，优化控制信号是系统模型的系统的函数。因此，模型预测控制不能用于定结构控制问题。不同的是，基于神经网络函数逼近器的控制器可以应用于优化定结构控制问题。 在本文中，主要研究的是应用于非线性优化控制问题的结构受限的MPC类型[20,2,24,23,15]。控制规则用神经网络逼近器表示，最小化一个与控制相关的代价函数来离线训练神经网络。通过将神经网络控制的输入适当特殊化来完成优化低阶控制器的设计，分散和其它定结构神经网络控制器是通过对网络结构加入合适的限制构成的。通过一个数据例子来评价神经网络控制器的性能并与优化模型预测控制器进行比较。 2.问题表述 考虑一个离散非线性控制系统： 其中为控制器的输出，为输入，为状态矢量。控制
模糊神经网络（备课笔记） 参考书： 杨纶标，高英仪。《模糊数学原理及应用》（第三版），广 州：华南理工大学出版社 彭祖赠。模糊数学及其应用。武汉：武汉科技大学 胡宝清。模糊理论基础。武汉：武汉大学出版社 王士同。模糊系统、模糊神经网络及应用程序设计。 《模糊系统、模糊神经网络及应用程序设计》 本书全面介绍了模糊系统、模糊神经网络的基本要领概念与原理，并以此为基础，介绍了大量的应用实例及编程实现实例。 顾名思义，模糊神经网络就是模糊系统和神经网络的结合，本质上就是将常规的神经网络（如前向反馈神经网络，Hopfield神经网络）赋予模糊输入信号和模糊权值。 选自【模糊神经网络P17】 预备知识 复杂的东西是难以精确化的，这使得人们所需要的精确性和问题的复杂性间形成了尖锐的矛盾。 正如模糊数学的创始人L.A.Zadeh(查德)教授（美国加利福尼亚大学）所说：“当系统的复杂性增加时，我们使它精确化的能力将减小。直到达到一个阈值，一旦超越它，复杂性和精确性将相互排斥。”这就是著名的“互克性原理”。 该原理告诉我们，复杂性越高，有意义的精确化能力就越低；而复杂性意味着因素众多，以致人们往往不可能同时考察所有因素，只能把研究对象适当简化或抽象成模型，即抓住其中的主要部分而忽略掉次要部分。当在一个被压缩了的低维因素空间考虑问题时，即使本来是明确的概念，也会变得模糊起来。或者某些抽象简化模型本身就带有概念的不清晰，如“光滑铰链”这个力学模型，什么叫“光滑”、什么叫“粗糙”就没有一个明确的定义，客观上两者之间没有绝对分明的界限；主观上，决策者对此类非程序化决策做出判断时，主要是根据他的经验、能力和直观感觉等模糊概念进行决策的。 或者判断一个人的好坏，本来有很多因素，比如人品、性格、相貌
模糊神经网络技术研究的现状及展望 摘要：本文对模糊神经网络技术研究的现状进行了综述，首先介绍了模糊控制技术和神经网络技术的发展，然后结合各自的特点讨论了模糊神经网络协作体的产生以及优越性，接着对模糊神经网络的常见算法、结构确定、规则的提取等进行了阐述，指出了目前模糊神经网络的研究发展中还存在的一些问题，并对模糊神经网络的发展进行了展望。 关键字：模糊控制；神经网络；模糊神经网络 引言 系统的复杂性与所要求的精确性之间存在尖锐的矛盾。为此，通过模拟人类学习和自适应能力，人们提出了智能控制的思想。控制理论专家Austrom（1991）在IFAC大会上指出：模糊逻辑控制、神经网络与专家控制是三种典型的智能控制方法。通常专家系统建立在专家经验上，并非建立在工业过程所产生的操作数据上，且一般复杂系统所具有的不精确性、不确定性就算领域专家也很难把握，这使建立专家系统非常困难。而模糊逻辑和神经网络作为两种典型的智能控制方法，各有优缺点。模糊逻辑与神经网络的融合——模糊神经网络由于吸取了模糊逻辑和神经网络的优点，避免了两者的缺点，已成为当今智能控制研究的热点之一了。 1 模糊神经网络的提出 模糊集理论由美国著名控制论专家L.A.Zadeh于1965年创立[1]。1974年，英国著名学者E.H.Mamdani将模糊逻辑和模糊语言用于工业控制，提出了模糊控制论。至今，模糊控制已成功应用在被控对象缺乏精确数学描述及系统时滞、非线性严重的场合。 人工神经网络理论萌芽于上世纪40年代并于80年代中后期重掀热潮，其基本思想是从仿生学的角度对人脑的神经系统进行功能化模拟。人工神经网络可实现联想记忆，分类和优化计算等功能，在解决高度非线性和严重不确定系统的控制问题方面，显示了巨大的优势和潜力模糊控制系统与神经网络系统具有整体功能的等效性[2]，两者都是无模型的估计器，都不需要建立任何的数学模型，只需要根据输入的采样数据去估计其需要的决策：神经网络根据学习算法，而模糊控制系统则根据专家提出的一些语言规则来进行推理决策。实际上，两者具有相同的正规数学特性，且共享同一状态空间[3]。 另一方面，模糊控制系统与神经网络系统具有各自特性的互补性[。神经网络系统完成的是从输入到输出的“黑箱式”非线性映射，但不具备像模糊控制那样的因果规律以及模糊逻辑推理的将强的知识表达能力。将两者结合，后者正好弥补前者的这点不足，而神经网络的强大自学习能力则可避免模糊控制规则和隶属函数的主观性，从而提高模糊控制的置信度。因此，模糊逻辑和神经网络虽然有着本质上的不同，但由于两者都是用于处理不确定性问题，不精确性问题，两者又有着天然的联系。Hornik和White(1989)证明了神经网络的函数映射能力[4]；Kosko(1992)证明了可加性模糊系统的模糊逼近定理(FAT，Fuzzy Approximation Theorem)[5]；Wang和Mendel(1992)、Buckley和Hayashi(1993)、Dubots和Grabish(1993)、Watkins(1994)证明了各种可加性和非可加性模糊系统的模糊逼近定理[6]。这说明模糊逻辑和神经网络有着密切联系，正是由于这类理论上的共性，才使模糊逻辑和神经网络的结合成为可能。 2 模糊神经网络的学习算法 各种类型的模糊神经网络学习算法的共同方面是结构学习和参数学习两部分。结构学习是指按照一定的性能要求确定模糊系统的推理规则的条数，每条规则的前提和结论的隶属度函数以及由清晰化得到具体的规则数。参数学习是指进一步细化各隶属函数的参数以及模糊规则的其他参数，以使系统达到最优。结构学习主要是从输入输出数据中提取规则或由输入空间模糊划分获得规则，主要有启发式搜索、模糊网格法、树形划分法、基于模糊聚类的学习算
b p神经网络及m a t l a b实现
图1. 人工神经元模型 图中x1~xn是从其他神经元传来的输入信号，wij表示表示从神经元j到神经元i的连接权值，θ表示一个阈值 ( threshold )，或称为偏置( bias )。则神经元i的输出与输入的关系表示为： 图中 yi表示神经元i的输出，函数f称为激活函数 ( Activation Function )或转移函数 ( Transfer Function ) ，net称为净激活(net activation)。若将阈值看成是神经元i的一个输入x0的权重wi0，则上面的式子可以简化为： 若用X表示输入向量，用W表示权重向量，即： X = [ x0 , x1 , x2 , ....... , xn ]
则神经元的输出可以表示为向量相乘的形式： 若神经元的净激活net为正，称该神经元处于激活状态或兴奋状态(fire)，若净激活net为负，则称神经元处于抑制状态。 图1中的这种“阈值加权和”的神经元模型称为M-P模型 ( McCulloch-Pitts Model )，也称为神经网络的一个处理单元( PE, Processing Element )。 2. 常用激活函数 激活函数的选择是构建神经网络过程中的重要环节，下面简要介绍常用的激活函数。 (1) 线性函数 ( Liner Function ) (2) 斜面函数 ( Ramp Function ) (3) 阈值函数 ( Threshold Function ) 以上3个激活函数都属于线性函数，下面介绍两个常用的非线性激活函数。 (4) S形函数 ( Sigmoid Function ) 该函数的导函数：
题目：模糊神经网络的预测算法在嘉陵江水质评测中的应用 院（系）：物联网工程学院 专业: 计算机科学与技术 班级：计科0802 姓名：刘伟 学号： 0304080230 设计时间： 10-11 学年 2 学期 2011年5月
一、模糊数学简介 模糊数学是用来描述、研究和处理事物所具有的模糊特征的数学，“模糊”是指他的研究对象，而“数学”是指他的研究方法。 模糊数学中最基本的概念是隶属度和模糊隶属度函数。其中，隶属度是指元素μ属于模糊子集f的隶属程度，用μf(u)表示，他是一个在[0,1]之间的数。μf(u)越接近于0，表示μ属于模糊子集f的程度越小；越接近于1，表示μ属于f的程度越大。 模糊隶属度函数是用于定量计算元素隶属度的函数，模糊隶属度函数一般包括三角函数、梯形函数和正态函数。 二、T-S模糊模型 T-S模糊系统是一种自适应能力很强的模糊系统，该模型不仅能自动更新，还能不断修正模糊子集的隶属函数。T-S模糊系统用如下的“if-then”规则形式来定义，在规则为R i 的情况下，模糊推理如下： R i:If x i isA1i,x2isA2i,…x k isA k i then y i =p0i+p1i x+…+p k i x k 其中，A i j为模糊系统的模糊集；P i j(j=1,2,…,k)为模糊参数；y i为根据模糊规则得到的输出，输出部分（即if部分）是模糊的，输出部分（即then部分）是确定的，该模糊推理表示输出为输入的线性组合。 假设对于输入量x=[x1,x2,…,x k]，首先根据模糊规则计算各输入变量Xj的隶属度。 μA i j=exp(-(x j-c i j)/b i j)j=1,2,…,k;i=1,2,…,n式中，C i j，b i j 分别为隶属度函数的中心和宽度；k为输入参数数；n为模糊子集数。 将各隶属度进行模糊计算，采用模糊算子为连乘算子。 ωi=μA1j（x1）*μA2j（x2）*…*μA k j i=1,2,…,n 根据模糊计算结果计算模糊型的输出值y i。 Y I=∑n i=1ωi(P i0+P i1x1+…+P i k xk)/ ∑n i=1ωi 三、T-S模糊神经网络模型 T-S模糊神经网络分为输入层、模糊化层、模糊规则计划层和输出层四层。输入层与输入向量X I连接，节点数与输入向量的维数相同。模糊化层采用隶属度函数对输入值进行模糊化得到模糊隶属度值μ。模糊规则计算层采用模糊连乘公式计算得到ω。输出层采用公式计算模糊神经网络的输出。 四、嘉陵江水质评测 水质评测是根据水质评测标准和采样水样本各项指标值，通过一定的数学模型计算确定采样水样本的水质等级。水质评测的目的是能够准确判断出采样水样本的污染等级，为污染防治和水源保护提供依据。 水体水质的分析主要包括氨氮、溶解氧、化学需氧量、高锰酸盐指数、总磷和总氮六项
close all clear echo on clc % NEWFF——生成一个新的前向神经网络 % TRAIN——对 BP 神经网络进行训练 % SIM——对 BP 神经网络进行仿真 % 定义训练样本 % P为输入矢量 P=[0.7317 0.6790 0.5710 0.5673 0.5948;0.6790 0.5710 0.5673 0.5948 0.6292; ... 0.5710 0.5673 0.5948 0.6292 0.6488;0.5673 0.5948 0.6292 0.6488 0.6130; ... 0.5948 0.6292 0.6488 0.6130 0.5654; 0.6292 0.6488 0.6130 0.5654 0.5567; ... 0.6488 0.6130 0.5654 0.5567 0.5673;0.6130 0.5654 0.5567 0.5673 0.5976; ... 0.5654 0.5567 0.5673 0.5976 0.6269;0.5567 0.5673 0.5976 0.6269 0.6274; ... 0.5673 0.5976 0.6269 0.6274 0.6301;0.5976 0.6269 0.6274 0.6301 0.5803; ... 0.6269 0.6274 0.6301 0.5803 0.6668;0.6274 0.6301 0.5803 0.6668 0.6896; ... 0.6301 0.5803 0.6668 0.6896 0.7497]; % T为目标矢量 T=[0.6292 0.6488 0.6130 0.5654 0.5567 0.5673 0.5976 ... 0.6269 0.6274 0.6301 0.5803 0.6668 0.6896 0.7497 0.8094]; % Ptest为测试输入矢量 Ptest=[0.5803 0.6668 0.6896 0.7497 0.8094;0.6668 0.6896 0.7497 0.8094 0.8722; ... 0.6896 0.7497 0.8094 0.8722 0.9096]; % Ttest为测试目标矢量 Ttest=[0.8722 0.9096 1.0000]; % 创建一个新的前向神经网络 net=newff(minmax(P'),[12,1],{'logsig','purelin'},'traingdm'); % 设置训练参数 net.trainParam.show = 50; net.trainParam.lr = 0.05; net.trainParam.mc = 0.9; net.trainParam.epochs = 5000; net.trainParam.goal = 0.001; % 调用TRAINGDM算法训练 BP 网络 [net,tr]=train(net,P',T); % 对BP网络进行仿真 A=sim(net,P'); figure; plot((1993:2007),T,'-*',(1993:2007),A,'-o'); title('网络的实际输出和仿真输出结果，*为真实值，o为预测值'); xlabel('年份'); ylabel('客运量'); % 对BP网络进行测试 A1=sim(net,Ptest');
Workbench高级工程实例分析培训 第1例：齿轮动态接触分析 该实例系统讲解模型的导入，接触设置，齿轮实现转动的方法和原理解释，并给学员演示空载荷负载作用下的齿轮结构的应力计算比较。 图1 斜齿轮接触的有限元模型 图2 动态接触过程中某一时刻的等效应力云图（空载）
图3 动态接触过程中某一时刻的等效应力云图（负载200N.m） 第2例：过盈装配结构分析 该实例会系统讲解过盈装配结构的应力分析方法。不同设置过盈量的计算结果比较和讨论设置过盈量的合理方法，摩擦系数，旋转速度对过盈装配应力的影响。 图4 过盈量为0.00005m时的等效应力（转速=0）图5 过盈量为0.00005m时的接触应力（转速=0）
图6 过盈量为0.00005m 时的等效应力（转速=4000） 图7 过盈量为0.00005m 时的接触应力（转速=4000） 第3例：液压阀结构的分析 该实例会讲解施加随空间变化的压力载荷和系统分析接触设置对求解的影响，并给出如何合理选取接触参数来实现较为准确的求解。 图8 变化压力载荷分布云图 图9 接触压力云图（摩擦系数=0.1，增强拉格朗日算法） 第4例：发动机活塞机构的多体动力学分析 该实例会讲解如何为多体设置驱动力和约束多体之间的运动关系的方法，并讲解柔性体的多体动力学分析和刚-柔耦合的多体动力学分析。
图10 0.12s时刻的等效应力云图（柔性体）图11 1.17s时刻的等效应力云图（柔性体） 图12 0.12s时刻的等效应力云图（刚-柔耦合）图13 1.17s时刻的等效应力云图（刚-柔耦合）第5例：薄壁结构的非线性屈曲分析 该实例会讲解如何在Workbench环境下完成薄壁结构的非线性屈曲分析并获得非线性屈曲载荷的方法，研究不同初始缺陷，弹塑性对非线性屈曲载荷的影响。
神经网络预测控制综述 摘要：近年来，神经网络预测控制在工业过程控制中不仅得到广泛的应用，而且其理论研究也取得了很大进展。对当前各种神经刚络预测控制方法的现状及其工业应用进行了较深入地分析，并对其存在的问题和今后可能的发展趋势作了进一步探讨。 关键词：神经网络；预测控制：非线性系统；工业过程控制 Abstract: In recent years, neural network predictive control has not only been widely used in industrial process control, but also has made great progress in theoretical research. The current status of various neural network prediction control methods and their industrial applications are analyzed in depth, and the existing question and possible future development trends are further discussed. Keywords: neural network; predictive control: nonlinear system; industrial process control
20世纪70年代以来，人们从工业过程的特点出发，寻找对模型精度要去不高而同样能实现高质量控制性能的方法，预测控制就是在这种背景下发展起的[1]。预测控制技术最初山Richalet和Cutler提出[2],具有多步预测、滚动优化、反馈校正等机理，因此能够克服过程模型的不确定性，体现出优良的控制性能，在工业过程控制中取得了成功的应用。如Shell公司、Honeywell公司、Centum 公司，都在它们的分布式控制系统DCS上装备了商业化的预测控制软件包．并广泛地将其应用于石油、化工、冶金等工业过程中[3]。但是，预测函数控制是以被控对象的基函数的输出响应可以叠加为前提的，因而只适用于线性动态系统控制。对于实际中大量的复杂的非线性工业过程。不能取得理想的控制效果。而神经网络具有分布存储、并行处理、联想记忆、自组织和自学习等功能，以神经元组成的神经网络可以逼近任意的：线性系统。使控制系统具有智能化、鲁棒性和适应性，能处理高维数、非线性、干扰强、难建模的复杂工业过程。因此，将神经网络应用于预测控制，既是实际应用的需要，同时也为预测控制理论的发展开辟了广阔的前景。本文对基于神经网络的预测控制的研究现状进行总结，并展望未来的发展趋势。 l神经网络预测控制的基本算法的发展[4] 实际中的控制对象都带有一定的菲线性，大多数具有弱非线性的对象可用线性化模型近似，并应用已有的线性控制理论的研究成果来获得较好的控制效果。而对具有强非线性的系统的控制则一直是控制界研究的热点和难点。 就预测控制的基本原理而言，只要从被控对象能够抽取出满足要求的预测模型，它便可以应用于任何类型的系统，包括线性和非线性系统。 由于神经网络理论在求解非线性方面的巨大优势，很快被应用于非线性预测控制中。其主要设计思想是：利用一个或多个神经刚络，对非线性系统的过程信息进行前向多步预测，然后通过优化一个含有这些预测信息的多步优化目标函数，获得非线性预测控制律。在实际应用与理论研究中形成了许多不同的算法。如神经网络的内模控制、神经网络的增量型模型算法控制等，近来一些学者对有约束神经网络的预测控制也作了相应的研究。文献[5]设计了多层前馈神经网络，使控制律离线求解。文献[6]采用两个网络进行预测，但结构复杂，距离实际应用还有一定的距离，文献[7]利用递阶遗传算法，经训练得出离线神经网络模型．经多步预测得出对象的预测模型，给出了具有时延的非线性系统的优化预测控制。将神经网络用于GPC的研究成果有利用Tank．Hopfield网络处理GPC矩阵求逆的算法，基于神经网络误差修正的GPC算法、利用小脑模型进行提前计算的GPC 算法、基于GPC的对角递归神经网络控制方法以及用神经网络处理约束情形的预
BP 网络用于催化剂配方建模--MATLAB 实例 本例是《人工神经网络理论、设计及应用》（第二版）中BP 网络应用与设计的例子，现用MATLABF 仿真。 介绍：理论上已经证明，三层前馈神经网络可以任意精度逼近任意连续函数。本例采用BP 神经网络对脂肪醇催化剂配方的实验数据进行学习，以训练后的网络作为数学模型映射配方与优化指标之间的复杂非线形关系，获得了较高的精度。网络设计方法与建模效果如下： （1）网络结构设计与训练首先利用正交表安排实验，得到一批准确的实验数据作为神经网络的学习样本。根据配方的因素个数和优化指标的个数设计神经网络的结构，然后用实验数据对神经网络进行训练。完成训练之后的多层前馈神经网络，其输入与输出之间形成了一种能够映射配方与优化指标内在联系的连接关系，可作为仿真实验的数学模型。图3.28给出针对五因素、三指标配方的实验数据建立的三层前馈神经网络。五维输入向量与配方组成因素相对应，三维输出向量与三个待优化指标[脂肪酸甲脂转化率TR（%）、脂肪醇产率Y （%）和脂肪醇选择性S (%)]相对应。通过试验确定隐层结点数为4。正交表安排了18OH OH 组实验，从而得到18对训练样本。训练时采用了改进BP 算法： ) 1()(??+=?t W X t W αηδ（2）BP 网络模型与回归方程仿真结果的对比表3.3给出BP 网络配方模型与回归方程建立的配方模型的仿真结果对比。其中回归方程为经二次多元逐步回归分析，在一定置信水平下经过F 检验而确定的最优回归方程。从表中可以看出，采用BP 算法训练的多层前馈神经网络具有较高的仿真精度。
表3.3注：下标1表示实测结果，下标2表示神经网络输出结果，下标3表示回归方程 以下是具体操作： 编号A/Cu Z n/C u B/Cu C/Cu Mn/Cu T R1/% 1 T R2/% T R3/% Y OH 1/%Y OH 2/% Y OH 3/% S OH 1/% S OH 2/% S OH 3/% 10.050.130.080.140.0494.594.62 83.8396.3 96.56 95.9897.8 97.24 102.8320.0650.070.120.160.0288.05 88.0592.4375.575.97 76.5 86.586.68 79.6530.08 0.190.080.060.060.25 60.4382.0340.2141.4344.8796.2595.3681.9240.0950.110.060.160.0493.05 93.1194.3197.3196.29105.4399.3 99.39 103.0850.11 0.050.020.060.0294.65 94.7285.7988.5588.0677.8995.297.49 87.1260.1250.170.00.140.096.05 95.9697.0895.5 96.69 105.4399.599.52 104.7170.14 0.090.160.040.0461.00 61.1365.3959.7258.954.76 67.3569.1 73.52 80.1550.030.120.140.0270.40 70.3980.4437.5 41.83 46.3652.2551.3871.4590.17 0.150.10.040.083.383.32 70.2282.8580.4659.5 99.2 96.53 74.3 100.050.070.060.120.0584.585.27 70.2290.9 90.46 91.5195.997.87 92.75110.0650.190.040.020.0369.569.45 80.7761.865.03 55.2288.292.41 98.44120.08 0.130.00.120.0194.55 95.694.75 97.695.74 92.4499.697.93 101.65130.0950.050.160.020.0570.95 69.5192.8862.5460.452.5 60.162.63 68.12140.11 0.170.140.10.0387.287.16 78.6491.0 89.19 76.9299.899.36 92.22150.1250.110.10.00.0164.264.08 69.5958.359.12 54.0258.960.22 72.5 160.14 0.030.080.10.0586.15 86.1582.4 75.65 61.4329.9386.578.07 79.28170.1550.150.040.00.0377.15 77.1775.2371.971.72 83.9491.891.74 94.2318 0.17 0.090.020.080.0196.05 96 87.05 94.60 94.62 94.61 98.00 99.12 90.35
BP神经网络matlab代码 p=[284528334488;283344884554;448845542928;455429283497;29283497 2261;... 349722616921;226169211391;692113913580;139135804451;35804451 2636;... 445126363471;263634713854;347138543556;385435562659;35562659 4335;... 265943352882;433528824084;433528821999;288219992889;19992889 2175;... 288921752510;217525103409;251034093729;340937293489;37293489 3172;... 348931724568;317245684015;]'; %====期望输出======= t=[4554292834972261692113913580445126363471385435562659... 4335288240841999288921752510340937293489317245684015... 3666]; ptest=[284528334488;283344884554;448845542928;455429283497;29283497 2261;... 349722616921;226169211391;692113913580;139135804451;35804451 2636;... 445126363471;263634713854;347138543556;385435562659;35562659 4335;... 265943352882;433528824084;433528821999;288219992889;19992889 2175;... 288921752510;217525103409;251034093729;340937293489;37293489 3172;... 348931724568;317245684015;456840153666]'; [pn,minp,maxp,tn,mint,maxt]=premnmx(p,t);%将数据归一化 NodeNum1=20;%隐层第一层节点数 NodeNum2=40;%隐层第二层节点数 TypeNum=1;%输出维数 TF1='tansig'; TF2='tansig'; TF3='tansig'; net=newff(minmax(pn),[NodeNum1,NodeNum2,TypeNum],{TF1TF2 TF3},'traingdx');
数控专业毕业论文选题 1、普通车床的数控化改造技术分析 2、对数控机床故障诊断的分析及研究 3、典型零件的数控加工工艺分析 4、车床工作台进给系统的结构分析 5、电脑外壳塑料模具设计 6、自车飞轮模具设计 7、简易立车自动回转刀架的设计 8、管内爬行机器人驱动机构设计 9、液压电梯闭式回路电液控制系统设计 10、带式运输机传动装置系统设计 11、气压传动机械手设计 12、零件的数控编程加工工艺流程 13、铣削组合机床及其主轴组件设计 14、数控机床的故障原因分析与处理 15、数控车床液压系统的设计分析 16、数控车床系统的故障诊断与维修 17、数控机床液压系统常见故障分析及诊断方法 18、数控机床控制及故障诊断系统分析与实现 19、数控机床机械加工效率的改进方法研究 20、数控机床维修的具体措施分析 21、数控机床维修改造中的问题与对策 22、试论数控机床的安装调试及维护 23、浅谈数控维修维修人才的培养 24、基于工艺特征的数控编程方法研究 25、数控机床变频器故障维修及解决方案 26、数控机床零件的加工工艺流程研究 27、数控机床中高速切削加工运用分析
28、浅析数控加工生产效率的运用 29、数控机床电气控制系统的PLC设计 30、数控机床排屑机构的改造与设计 31、PLC在数控机床电气控制方面的应用 32、数控机床改造中的弊端及应对措施 33、数控机床机床维修及保养 34、数控机床常见故障的基本处理及研究 35、基于PLC的数控机床电气控制系统分析 36、PLC应用技术在数控机床电气控制中的具体运用 37、基于PLC的数控机床电气控制 38、加工中心数控系统改造及维护应用 39、FANUC数控故障维修与保养 40、数控机床主轴系统实用案例分析 41、基于机器人数控技术的机械制造行业研究 42、机械模具数控加工制造技术分析 43、现代自动化机械制造中的数控技术应用 44、数控技术在机械加工技术中的探讨 45、数控机床中的电气控制系统故障及维护方法 46、数控技术在智能制造中的应用 47、数控刀具对数控加工工艺的影响分析 48、机械零件数控加工精度的方法 49、数控机械加工效率优化措施分析 50、UG软件对工程制图课及数控加工教学中的帮助运用 52、浅析数控加工生产效率的改进 53、一种数控加工自动上下料机械手的设计 54、人工智能在数控加工中的具体应用 55、机械数控加工技术水平的提高策略 56、基于UG带槽组合体的数控铣削加工研究 57、数控加工技术在机械模具制造中的具体应用