基于人工神經(jīng)網(wǎng)絡的過閘流量軟測量研究

　　由于系統(tǒng)是非線性的，初始值對于學習是否達到局部最小、是否能夠收斂以及訓練時間的長短的關(guān)系很大。一般選取初始權(quán)值為(-1，1)之間的隨機數(shù)。在MATLAB工具箱中可采用函數(shù)initnw.m初始化隱含層權(quán)值。學習速率決定每一次循環(huán)訓練中所產(chǎn)生的權(quán)值變化量。若學習速率過大可能導致系統(tǒng)的不穩(wěn)定;但學習速率過小會導致訓練時間較長，收斂速度很慢，不過能保證網(wǎng)絡的誤差值不跳出誤差表面的低谷而最終趨于最小誤差值。所以在一般情況下，傾向于選取較小的學習速率以保證系統(tǒng)的穩(wěn)定性。學習速率的選取范圍在0.01到0.8之間。綜合考慮一下，本系統(tǒng)選取學習速率為0.1。BP網(wǎng)絡訓練程序如下所示^[9]：

　　%定義輸入向量和目標向量

　　P=[0.5 0.6 0.8 ……;0.7082 0.7081 0.7079 ……];
　　T=[0.3744 0.4533 0.3735 0.648 ……];

　　%創(chuàng)建BP網(wǎng)絡和定義訓練函數(shù)及參數(shù)

　　net=newcf( minmax(P),[15,1],{‘logsig’,‘purelin’},‘traingd’);
　　net=initnw(net,1);
　　net.trainParam.epochs=5000;
　　net.trainParam.lr=0.1;
　　net.trainParam.goal=0.00001;

　　%訓練神經(jīng)網(wǎng)絡

　　[net,tr]=train(net,P,T);

　　待網(wǎng)絡訓練好后，利用選定的20組測試樣本對其進行測試，以測量其泛化能力。測試結(jié)果如圖2和圖3所示。

　　圖2為真實流量值與通過BP網(wǎng)絡軟測量模型的預測值之間的擬合曲線，方框代表預測值，圓點代表真實值。

　　圖3為BP網(wǎng)絡模型過閘流量估計誤差曲線，從圖中可以看出網(wǎng)絡估計誤差在5%以內(nèi)，與流量真值符合良好，反映了軟測量模型良好的測量能力。通過改變網(wǎng)絡結(jié)構(gòu)、神經(jīng)元的激活函數(shù)、學習算法，進一步增強神經(jīng)網(wǎng)絡對模糊數(shù)據(jù)的識別能力和容錯性，從而可進一步提高模型精度。

　　結(jié)論

　　本文提出了一個基于兩層BP網(wǎng)絡的過閘流量軟測量模型，訓練與測試結(jié)果表明：該網(wǎng)絡對過閘流量有很好的預測性，誤差在5%以內(nèi)。而一般傳統(tǒng)的流速儀測流的誤差也為5%，因此該模型能滿足工程測量的需要。另外，預測值與流量真值具有較好的一致性，也充分顯示了人工神經(jīng)網(wǎng)絡解決工程問題的適用性。因此，可以通過基于人工神經(jīng)網(wǎng)絡的軟測量模型來解決過閘流量與各影響因素之間的復雜非線性關(guān)系，為過閘流量的測量提供了一種可供選擇的有效手段。

　　參考文獻：

　　[1] 穆祥鵬,陳文學,崔巍等.弧形閘門流量計算方法的比較與分析[J].南水北調(diào)與水利科技,2009,7(5):20-22
　　[2] 王知生,楊艷玲,王廣森.海日蘇攔河閘過閘流量的測驗方法[J].內(nèi)蒙古科技與經(jīng)濟,2002,7:72
　　[3] 王孝紅,劉文光,于宏亮.工業(yè)過程軟測量研究[J].濟南大學學報(自然科學版),2009,23(1):80-85.
　　[4] 姜萬錄,雷亞飛,張齊生等.基于神經(jīng)網(wǎng)絡軟測量的動態(tài)流量測量方法研究[J].流體傳動與控制,2007,6:25-30
　　[5] 叢爽.面向MATLAB工具箱的神經(jīng)網(wǎng)絡理論與應用[M].第3版.合肥:中國科學技術(shù)大學出版社,2009:65-80
　　[6] 侯媛彬,杜京義,汪梅.神經(jīng)網(wǎng)絡[M].西安:西安電子科技大學出版社,2007:35-39
　　[7] 孫增圻.智能控制理論與技術(shù)[M].北京:清華大學出版社,1997:129-134
　　[8] 王崢,王帆.基于神經(jīng)網(wǎng)絡調(diào)速系統(tǒng)故障診斷的數(shù)學模[J].三峽大學學報(自然科學版),2004,26(2):123-126
　　[9] 周開利 抗藥紅.神經(jīng)網(wǎng)絡模型及其MATLAB仿真程序設計[M].北京：清華大學出版社,2005:89-100