時間：2023-12-25 15:34:22
開篇：寫作不僅是一種記錄，更是一種創造，它讓我們能夠捕捉那些稍縱即逝的靈感，將它們永久地定格在紙上。下面是小編精心整理的12篇梯度下降法的基本原理，希望這些內容能成為您創作過程中的良師益友，陪伴您不斷探索和進步。
關鍵詞：建筑電氣設備故障；模糊理論與神經網絡；設備故障診斷專家系統
中圖分類號：TP207 文獻標識碼：A DOI：10.11974/nyyjs.20160132074
隨著當今社會經濟的不斷發展，人們對生活品質的追求越來越高，電氣設備變得多樣化和先進化，不同區域間聯系更加緊密，而在給人們的生活帶來便利的同時，簡單的人工故障診斷方法已經無法滿足結構日益復雜、功能日益完善的電氣系統，建立電氣設備控制系統智能故障診斷專家系統已經成為目前能滿足社會需求的選擇。近年來，模糊理論被廣泛的應用于建立故障診斷神經網絡，將模糊系統與神經網絡技術結合而形成的故障診斷技術也正在發展和應用。
1 建筑電氣設備常見故障類型及危害
1.1 電氣設備常見故障類型
1.1.1 電源故障
1.1.2 線路故障
1.1.3 元器件故障
1.1.4 防雷接地處理故障
1.2 電氣設備故障危害
電氣設備的運行需要很多電器元件的相互配合，產生故障通常是因為電能或控制信息在傳遞、分配、轉換過程中失去控制。斷路、短路、異常接地、漏電、電氣設備或電器元件損壞、電子設備受電磁干擾而發生錯誤動作、控制系統元件的偶然失效都屬于電氣設備故障[1]，而這些故障也很有可能造成大范圍的人員傷亡以及造成嚴重的財產損失，一旦發生，也會造成其他相關領域不同程度的癱瘓。由此可見，電氣設備出現故障的概率較高，危害范圍也比較大。
2 神經網絡與模糊理論
神經網絡是一種模仿動物神經網絡行為的特征，進行分布式并行信息處理的算法數學模型[2]。這個模型可以根據不同系統自己的特征來選擇處理不同信息的方式，在很多不同領域都有比較廣泛的應用，當然，它本身也有一些缺陷，比如它不能求解不確定性問題、不能處理符號性信息等，因此，它需要結合其它相關理論和方法來彌補自身的不足，以便更好地解決特定領域中的問題。
模糊理論是指用到了模糊集合的基本概念或連續隸屬度函數的理論[3]。模糊控制是一種基于規則的控制，它可以直接采用語言型控制規則，在設計過程中不需要建立被控對象的精確數學模型，控制原理和策略通俗易懂，便于人們接受與理解，控制效果好，具有一定的智能水平，應用起來很方便，適用于對那些數學模型難以獲取、動態特性不易掌握或變化非常顯著的對象。模糊控制器是一種比較容易控制、掌握起來比較理想的非線性控制器，具有一定的適應能力和強健性。
將模糊系統與神經網絡技術相結合而形成的模糊神經網絡可以作為對電氣設備進行故障診斷的模型，這一技術的提出為電氣設備故障的診斷帶來發展和進步，模糊理論被廣泛的應用于建立故障診斷神經網絡，這2種理論的結合將會給故障診斷研究提供解決思路，值得推廣應用[4]。
3 建立電氣設備故障診斷系統
由于電氣設備故障機理的復雜性，系統在實際運用過程中，可能會發生隨機故障模式，故障征兆信息的正確與否直接關系到故障診斷的正確性，因此利用現有的電氣設備系統控制平臺，對電氣設備控制系統的信號進行實時采集和及時與PC 機進行通信，建立電氣設備控制系統故障診斷系統便顯得特別重要。
3.1 BP神經網絡模型
BP（Back Propagation）模型是一種最常用的人工神經網絡模型，它的基本原理為利用誤差反向傳播算法，從而得到多層前向神經網絡模型。在故障診斷方面使用BP模型在一定條件下能夠加強工作效率，使得故障診斷問題變得更加直觀。利用模糊理論與神經網絡相結合的模糊神經網絡解決建筑電氣設備故障的診斷，是一種智能化控制的手段，也將逐漸發展成為未來的趨勢[5]。其模型原理圖如圖1。
要建立模糊神經網絡系統，要根據相關理論或實際工作中的經驗，將故障現象和故障原因相對應，作為系統的學習樣本。按照輸入與輸出相對應的關系輸入學習樣本，系統經過內部的算法不斷提高精度，當精度達到設定的要求時，模糊神經網絡系統的學習過程結束。此時，將測試樣本的輸入數據放入系統輸入端，如果輸出數據與測試樣本基本相同，那么模糊神經網絡系統建立成功。
在模糊神經網絡系統的實際使用時，必然會遇到輸入數據與樣本不同的狀況。根據內部算法，系統將會找到與學習樣本最相似的一組數據作為參考，自主得到輸出數據。與此同時，如果系統自主算出的結果得到采納，那么這組數據將會做為新的樣本存入數據庫，成為參考數據。
3.2 BP學習算法
目前，BP算法是應用很廣泛、完善性比較高的神經網絡訓練算法，方便、容易實現、計算量小、并行性強是這個方法領先其他算法的優勢。BP算法的基本原理[6]為先求解誤差函數的最小值，根據梯度下降法，按誤差對權值做負反饋。
BP算法需要依次根據輸入對輸出進行矯正，也就是對每組數據都要計算比對。然而，全局誤差的梯度下降算法，要求連接權和閾值的矯正是在批量進行學習樣本的輸入之后再進行的，所以要修改各個連接權值。利用梯度下降法來修改各個連接權值，以便達到近似全局誤差的算法效果。全局誤差梯度下降算法流程如圖2所示。
4 結 語
電氣設備的故障診斷已經成為值得重視的問題，為保證運行系統能夠正常運行，因此需要建立起更加科學完善的電氣設備管理系統，逐漸減少電氣設備運行出現故障的可能性，保障電力系統的穩定能力，本文簡單介紹將模糊理論與神經網絡結合，更好的解決電氣設備故障問題，結合傳感器檢測技術、自動控制技術、通信與網絡技術等方法，建立電氣設備控制故障診斷系統，希望可以早日應用到生活中的建筑電氣設備故障診斷中去。
參考文獻
[1]電氣設備及控制電路常見故障分析[EB]. 電工學習網.
[2]田景文.人工神經網絡算法研究與應用[M]. 北京理工大學出版社，2006.
[3]諸靜.模糊控制原理與應用[M].機械工業出版社，1995.
[4]龍祥，錢志博.模糊理論在設備故障診斷神經網絡中的典型應用[J].廣東工業大學學報，2006.
[5]陳流豪.神經網絡BP算法研究綜述[J].電腦知識與技術，2010.
【關鍵詞】PID控制 神經網絡 系統辨識 模型構建
1 神經元基礎模型分析
單神經元是一種被稱為MoCulloch-Pitts（1943年）模型的人工神經元。它是模仿生物神經元的結構和功能、并從數學角度進行描述的一個基本單位，由人腦神經元進行抽象簡化后得到。人工神經元是神經網絡的最基本的組成部分。
2 基于神經網絡的辨識
系統辨識（System Identification）是現代控制理論中一個很重要的組成部分。在現代的控制過程中，由于系統越來越復雜，被控對象的實際數學模型已經無法進行精確的給定與描述，故需要一門控制理論，在掌握被控對象的變化規律下，由另一種方法確定一個近似的、易于描述與控制的數學模型來近似代替這個不可知的復雜模型。
根據L.A.Zadel的系統辨識的定義（1962），辨識就是在分析輸入和輸出數據的基礎上，從一組給定的模型類（Model Set）中，按照一定的規則，確定一個與所測系統等價的模型，如果所測系統模型未知，那么這個等價的模型就可以來近似代替系統模型。從定義中可以得到辨識的三要素：輸入輸出數據、模型類、等價準則。
神經網絡對非線性函數的逼近能力非常好，當神經網絡滿足一定條件時，可以以任意精度逼近任意非線性連續的函數或者分段連續的函數。因此，用神經網絡來完成非線性系統辨識功能是一個很好的選擇。
神經網絡系統辨識一般有并聯型和串-并聯型兩種辨識結構。并聯模型由待辨識系統、神經網絡、誤差反饋實現。串―并聯型模型由待辨識系統、時延網絡、誤差反饋與神經網絡實現，這兩種系統都可以實現通過誤差對系統進行在線調整，但是后者用待辨識系統的輸入輸出數據作為辨識信息，并用誤差進行校正，能使系統更收斂、穩定，因此，串―并聯型模型應用較多。
這兩種模型均屬于正向模型，是利用多層前饋神經網絡（指BP網絡類型的神經網絡），通過訓練與學習，建立一個模型，使其能表達系統的正向動力學特性。另外還有一種逆模型，前提是其擬辨識的非線性系統可逆，因為并不是所有的系統都滿足這一點，故其應用沒有正向模型廣泛。
基本結構的的Elman神經網絡是階層結構，類似于一般的多層前饋神經網絡，也有輸入層，隱含層和輸出層。但除此之外，Elman神經網絡還有一層特殊的結構單元―銜接層，銜接層中的節點一一對應于隱含層中的節點，隱含層的輸出經過一步延遲后反饋到銜接層，將隱含層過去的狀態與神經網絡下一時刻的輸入一起作為隱含層單元的輸入，從而使得Elman神經網絡具有了動態記憶能力。
3 基于神經網絡的非線性自整定PID控制
PID控制是發展最早的經典控制算法之一，而且PID控制器一直是控制領域的基本控制方式，其算法簡單，可靠性高，利用系統的偏差，基于比例（P）、積分（I）、微分（D）來進行控制。
3.1 PID控制基本原理
經典PID控制器系統如圖1所示。
經典的PID控制器是一種線性控制器，該系統由PID控制系統與被控對象組成。它將輸入值rin（t）與實際輸出值yout（t）的偏差e（t）作為控制量輸入，將偏差的比例（P）、積分（I）和微分（D）進行線性組合，作為被控對象的控制量u（t），對其進行控制。其控制器的輸入輸出關系可用式3來描述。
在計算機技術日益普及的現代工業生產過程中，將PID控制算法等控制方法應用于計算機中，組成計算機控制系統，能夠完成更多更復雜的計算與控制。由于計算機處理的是數字量，故需將PID控制算法數字化。
3.2 基于神經網絡的非線性PID自整定原理及設計
將神經網絡應用于PID參數的自整定方案設計如圖2所示。
其中NNC與NNI神經網絡均采用遞歸神經網絡，經過上面的研究我們知道Elman神經網絡具有很好的跟蹤特性，故在這里應用Elman神經網絡，并用梯度下降法進行修正。NNI是神經網絡系統辨識過程，在上面已經介紹過，所以在下面只介紹神經網絡控制器NNC的學習算法。
我們知道，u（k）的求出需要u（k-1），e（k），e（k-1），e（k-2）四個數據，神經網絡的作用在于在線調整Kp、KI、KD三個系數，故神經網絡的輸出為這三個數。給定神經網絡的輸入為u（k-1），y（k-1），隱含層個數為hc個（可以改變）。其學習算法如下：
3.2.1 前向計算
基于遞歸神經網絡的非線性自整定PID控制器算法過程歸納如下：
（1）設定初始狀態與參數初始值，包括NNC系統的連接權值wc、vc，學習速率，和一些中間變量的初始化。
（2）進行離線辨識過程，在訓練有限步數后，使得y（k）與充分逼近，取此時的連接權值，用于在線過程。
（3）用上一步得到的連接權值用NNI進行在線辨識，求出系統輸出y（k），并進行修正，
記錄下修正后的的值。
（4）給定系統的輸入yr（k），求出y（k）與yr（k）的誤差E（k）。
（5）用u（k）、y（k）作為NNC的輸入，求出PID控制器的三個參數，并用式3-9求出下一步的輸入u（k+1），前兩步時e（k-1）、e（k-2）未知，默認初始值為0。并用梯度下降法進行連接權值的修正，也即NNC網絡的輸出的修正，完成PID控制器的參數在線自調整。
（6）使k=k+1，返回第三步重新計算，直到完成設定的訓練步數上限。
4 結論
通過以上分析可以看出本論文提出Elman神經網絡進行非線性自整定PID控制器的設計，并加入神經網絡的非線性系統辨識過程，用辨識過程中的中間值參與參數自整定環節，可以使自整定環節更加精確，從而提高系統的工作性能。
參考文獻
[1]陶永華.新型PID控制及其應用[M].北京：機械工業出版社，2002，17-49.
[2]朱慶A.BP多層神經網絡在控制中的應用[D].廣西：廣西大學，2004（05）.
Abstract： Neural network is widely applied for character recognition. Through the analysis of the problems， this paper recognizes character by the application of improved BP neural network， so as to improve recognition rate. This method has high recognition rate， fast speed， strong practicability， and can be applied to various high noise environment.
關鍵詞： 神經網絡；圖像預處理；特征提取；字符識別
Key words： neural network；image preprocessing；feature extraction；character recognition
中圖分類號：TP301.6 文獻標識碼：A 文章編號：1006-4311（2014）10-0206-02
0 引言
字符識別是指采用掃描儀、數碼相機等輸入設備，把英文字母、數字、條形碼等特殊字符的圖形文件輸入計算機，由識別軟件對圖片信息上的字符信息進行識別并變換成可編輯文檔的識別技術。主要有光學字符識別（Optical
Character Recognition，OCR）、圖像字符識別（Image Character Recognition，ICR）和智能字符識別（Intelligent Character Recognition，ICR），實際上這三種自動識別技術的基本原理大致相同。
1 常用字符識別方法
字符識別方法基本上都是為了區分結構識別、統計識別以及兩者相結合的三大類方法，這三大類方法都包含具體的識別方法。
1.1 結構識別 結構識別是早期字符識別的研究的主要方法，我們也可以稱之為句法結構識別。其思想是提取含有一定規律的結構信息，作為識別的依據。識別過程類似一個邏輯推理過程。結構識別的優點在于對字符變化的適應性強，區分相似字符能力強。但是在實際獲取字符圖像的過程中，由于存在著很多扭曲、傾斜等因素，就導致不能夠準確地提取結構特征，后面的識別過程就成了無源之水。此外，結構識別的算法描述也較為復雜，匹配過程的復雜度也很高，因此，我們原有的句法識別就受到新的挑戰。
1.2 統計識別 統計決策論的發展相對較早而且成熟，是為了提取待識別字符的一組統計特征，然后按照一定的準則進行決策函數的分類判決的。而統計識別是將字符點陣看作是一個能夠經過大量統計數據得到的整體，是以后所用的特征都需要經過的。統計特征主要是以抗干擾能力強為主要特點，以實現匹配與分類的算法簡單，且容易實現的。不足之處在于細分能力較弱，區分相似字的能力差一些。
1.3 結構識別與統計識別相結合 上述方法各有優缺點，而隨著研究的深入，這些方法逐漸得到融合。網格化特征就是結合的產物。特征的統計以網格為單位，即使個別點的統計有誤差也不會造成大的影響，增強了特征的抗干擾性。這種方法正得到日益廣泛的應用。
字符的結構特征直接反映了字符的特有屬性，而用字符的統計特征進行字符識別則是利用了計算機軟件善于處理數字的特點。雖然近幾年流行的神經網絡方法主要采用的是局部特征，但其分類機理也與傳統的統計識別方法相類似，優點是靈活性強。
2 字符識別流程
字符識別技術在當今社會的許多領域都有著廣泛的商業應用前景。常見應用有條碼識別、車牌識別、盲人的輔助閱讀設備和郵包自動分檢等。本文以車牌識別為例說明字符識別的應用以及識別流程。車牌識別系統的工作流程如圖1所示。
經過字符分割后，得到可以進行字符識別的圖像。本文采用神經網絡方法進行字符識別，識別的具體過程如圖2所示。
3 基于改進型BP神經網絡的字符識別算法
3.1 BP神經網絡簡介 神經網絡最早的研究是20世紀40年代，由心理學家Mcculloch和數學家Pitts合作提出的，由此拉開了神經網絡研究的序幕。人工神經網絡是通過對人腦生物神經機理進行簡化，抽象和模擬之后建立起來的一種計算模型，屬于機器學習的重要研究領域。人工神經網絡可以應用于字符識別、人臉識別等領域。
隨著神經網絡的威力逐漸顯現以及付諸應用的現實性，大量的學者對此進行了深入研究，出現了多種神經網絡，如徑向基神經網絡和Hopfield網絡等。1986年科學家Rumelhart和McCelland提出了BP（Back Propagation）神經網絡，是一種按誤差逆傳播算法訓練的多層前饋網絡，是目前在字符識別中應用最廣泛的神經網絡模型之一。BP網絡能學習和存儲大量的輸入輸出模式映射關系，而無需事前揭示描述這種映射關系的數學方程。它的學習規則是使用最速下降法，通過反向傳播來不斷調整網絡的權值和閾值，使網絡的誤差平方和最小。
BP神經網絡的結構如圖3所示。從左至右分別是輸入層、隱含層和輸出層。
從圖3可以看出，某一層的輸出就是下一層的輸入，即：am+1=fm+1（Wm+1am+bm+1），m=0，1，…M-1……
這里，M為神經網絡的層數。第一層的神經元的輸入為a0=p，最后一層神經元的輸出是a=aM，即為整個神經網絡的輸出。BP神經網絡雖然在字符識別領域有著重要的應用價值，但其存在如下問題：①進行字符識別時存在局部極小值問題；②算法通常需要迭代幾千步甚至更多，收斂速度慢；③隱含層和隱含層節點的數量難以確定。要解決上述問題，就需對BP神經網絡算法進行改進。
3.2 基于改進型BP神經網絡的字符識別
3.2.1 圖像預處理 在字符圖像采集、輸入的過程中由于受到多種噪聲的干擾，會使圖像質量下降，為字符識別工作帶來困難，因此需要對初始圖像進行必要的預處理。圖像預處理的具體步驟如下：①選取合適的閾值進行圖像二值化；②灰度變換增強對比度，改善視覺效果；③選取合適的方法去除噪聲，常用的有中值濾波、均值濾波、高通濾波等方法；④圖像分割，即將圖像中的字符獨立的分割出來。
3.2.2 字符特征值的提取 如果直接采用分割后的字符進行對比，那么需要對比的信息量很大，程序運行的時間也會大大增加。所以需要對分割后的字符進行特征提取，本文使用了類似九宮格的方法進行特征提取，即在字符圖像的水平方向上將圖像均勻分成三部分，在每一部分用一條水平方向的掃描線從左至右穿過字符，進行查找；垂直方向上原理相同，掃描線從上到下穿過字符，進行查找。取這六條線上的特征作為字符圖像的特征，這樣就得到了每個字符的六個特征值。
3.2.3 改進型BP神經網絡 針對BP神經網絡的局限性，為了避免落入局部極小值點，提高網絡訓練的精度和速度，對其算法進行了改進，常用的方法有：①優化初始權重。由于BP網絡的誤差曲面存在多個局部最小點和算法采用誤差梯度下降的方法調整網絡權重，因此導致了網絡的訓練結果極容易落入局部極小點。所以，網絡的初始權重對網絡的最終訓練結果影響非常大，它是影響網絡最終能否達到需求精度的重要因素之一。②調整自適應學習率。學習率η也稱步長，在標準的算法中為常數。BP算法的收斂特性和收斂速度很大程度上取決于學習率，對于不同的問題，其取值范圍也會不同。η取值過大可以加快學習速度，但會導致學習過程不收斂；η取值過小，則迭代次數明顯增加，導致學習速度過慢。為了加速收斂的過程，可以自適應改變學習速率。③附加動量法。動量法是指在反向傳播的基礎上，在每個權值調整值上加上一項正比于前次權值變化的值，并根據反向傳播法來產生新的權值變化。
本文為了簡單起見，采用附加動量法只對數字和英文字母進行字符識別，利用梯度下降法，使權值沿函數的負梯度方向改變。提高了學習速度，增加了算法的可靠性。
帶有附加動量項的權值調節公式為：
Wij（k+1）=Wij（k）+η[（1-α）D（k）+αD（k-1）]
其中，α是附加的動量項，取值范圍為0
3.2.4 設計改進型BP神經網絡進行字符識別 本系統采用了兩個BP網絡來進行數字和字母的識別。BP神經網絡的建立主要是三個層的神經元數目的確定。①輸入層節點數。此節點個數即為圖像預處理后所輸出的特征的維數。本系統輸入層節點數為24×48。②隱含層節點數。確定隱含層節點數的基本原則是：在滿足精度要求的前提下取盡可能緊湊的結構，即取盡可能少的隱含層節點數。本系統的兩個神經網絡，可以根據輸出層神經元的多少來確定其個數，即輸出層神經元越多，其隱含層神經元個數也越多。③輸出層節點數。用于識別數字的BP網絡，由于只有10個數字，所以采用了8421碼進行編碼，輸出層的神經元數目為4。而識別26個字母的BP網絡，其輸出層的神經元數目為5。待識別的字符圖像和訓練好網絡后識別的結果分別如圖4和圖5所示。
4 結束語
在字符識別的過程中，每一步都會有不同程度的誤差，本文神經網絡經驗證后識別率可達95.1%，平均識別時間為0.6s。影響識別成功率的主要因素是訓練樣本的數量和訓練次數，要保證一定數量以上的訓練樣本和訓練次數，以保證識別率。另外，神經網絡的層數和各層神經元的個數，對神經網絡算法的運行速度和識別率也有著直接的影響，其數量越多，識別率越高，但也制約著識別速度，因此，如何處理好兩者關系很重要。
參考文獻：
[1]關學忠，劉勇智.基于數字圖像處理的車牌定位及字符分割方法[J].裝備制造，2010（01）.
[2]武桐.基于圖像匹配的漢字識別系統研究與實現[D].上海：上海交通大學，2010.
一、前言
目前，網絡化、數字化、智能化是視頻監控的必然趨勢，視頻監控系統的應用越來越廣泛，在生產管理和安全防范起到不可替代的作用，但是由于軟硬件各方面因素的限制，視頻監控在關鍵技術方面，存在著一些不足之處，視頻監控錄像回放分辨率往往不能達到使用要求。在監控圖像的采集與處理過程中，由于各種因素影響，會導致圖像分辨率的下降，其主要表現為模糊、噪聲和變形，達不到監控的要求，影響系統功能。
二、控制方法
采用盡可能低的經濟代價提高視頻監控系統視頻圖像回放分辨率。
三、目標
1、將原先圖像分辨率270視頻線（360*270）提高到300電視線（400*300）以上；
2、回放圖像清晰度要求：峰值信噪比≥28；
3、回放圖像還原度要求：平均絕對差≤0.1
4、回放圖像視覺要求：信噪比改善因子≥7
四、原理分析
要提高視頻監控系統視頻圖像的分辨率，首先要對視頻圖像分辨率不高的原因進行分析，對視頻圖像成像儲存的環節進行分析，才能根據不同的原因采取不同的解決方案。
視頻監控系統的視頻圖像的應用分為4個步驟：圖像采集、圖像傳輸、圖像儲存、圖像回放。
1、圖像采集：圖像采集就是利用攝像機中電子傳感器把光學影像轉換成電信號，以便與傳輸及儲存。傳感器的形狀和尺寸、光學部件性能的好壞直接影響圖像的分辨率。
2、圖像傳輸：圖像傳輸就是利用光纜、電纜、無線等方式將采集來的圖像傳輸到顯示或者儲存設備。在傳輸過程中，會引入不同類型的噪聲，而且噪聲的引入方式也不同，加性噪聲和乘性噪聲都會直接影響到圖像的分辨率。
3、圖像儲存：目前模擬錄像機已基本淘汰，應用最廣是數字硬盤錄像機，基本原理是將模擬的音視頻信號通過數據壓縮形式轉變為MPEG數字信號存儲在硬盤上。數字化采集過程也會降低圖像分辨率。
4、圖像回放：圖像回放就是重現存儲在系統中的視頻圖像資料。
五、圖像質量優化控制方案
根據視頻監控系統的工作原理，針對視頻圖像應用的各個環節，主要有硬件和軟件兩大類，本文用優化攝像機、存儲圖像處理、優化錄像機、優化錄像格式、存儲圖像處理5種方案。
1、優化攝像機
傳感器固有的采樣頻率限制了圖像的空間分辨率，目前在監控系統中廣泛使用的是CCD傳感器，提高分辨率最直接的方法是降低像素尺寸，提高單位面積的像素數目。
2、優化傳輸系統
圖像傳輸過程中引進的噪聲會直接影響到圖像的分辨率。對傳輸系統進行優化，如更新為先進的光纜傳輸系統、增加長距離補償器、增加視頻抗干擾器等可以提高圖像的信噪比，相應提高圖像分辨率。
3、優化錄像機
考慮到錄像資料儲存時間的限制，攝像機采集到的圖像在儲存時采用壓縮的格式，去除了不必要的高頻部分，相應的視頻圖像則損失了圖像細節，即降低了分辨率。如果更換硬盤錄像機，減少壓縮比例，則可以明顯提高圖像分辨率。
4、優化錄像格式
針對視頻圖像儲存的步驟：采樣、量化、編碼。由于硬盤錄像機直接影響監控系統的分辨率，如果對儲存過程的參數進行調整，例如改變編碼格式，提高錄像文件所含信息量，也可以提高視頻圖像的分辨率。
5、存儲圖像處理
視頻監控主要功能之一就是在發生突發事件時能進行圖像回放，往往在需要監控的區域可能事先沒有考慮到高清錄像，回放效果不盡如人意，這時候再進行設備更新來不及，只能在現有的圖像資料的基礎上進行軟件處理，利用軟件的辦法提高視頻圖像分辨率。
以上5個方案進行比較結果如下：
采用基于信號處理的軟件方法對圖像的空間分辨率進行提高，對圖進行處理有以下幾個優點：軟件處理視覺效果較為明顯，而且應用范圍廣，屬于事后彌補，實用性強；基本沒有硬件投資，在原有基礎上進行軟件處理，經濟性很好；立足現有設備，大批原有設備可以得到利用，為區域改造節約大筆資金，提高監控系統現代化程度。
六、細化方案
1、圖像處理原理
視頻圖像處理方案，其核心思想是用時間帶寬（獲取同一場景的多幀圖像序列）通過運算合成得到高分辨率圖像，實現時間分辨率向空間分辨率的轉換，使得重建后圖像的視覺效果超過任何一幀低分辨率圖像。
下圖表示了高、低分辨率圖像像素之間的關系。圖中左邊三幀Y1，Y2，Y3具有相對位移的低分辨率圖像，通過對錄像過程中圖像變化規律即運動的估計，進行相應的插值運算，可以合成得到如圖所示的高空間分辨率圖像X。
2、圖像處理方法分類
視頻圖像處理分類目前視頻圖像處理方法主要分為頻域和空域兩大類，其中空域又可以分為最大后驗概率估計方法（MAP）、凸集投影算法（POCS）和混合MAP/POCS方法三種。
1）頻域法
頻域方法實際上是在頻域內解決圖像內插問題，其主要方法主要利用傅里葉變換的移位性質，對原始圖像進行摸轉數變換，使圖像轉變為可修改的傅里葉方程模型。
優點：
理論簡單，運算復雜度低，很容易實現并行處理，具有直觀的去變形超分辨率機制。
缺點：
所基于的理論前提過于理想化，不能有效地應用于多數場合，只能局限于全局平移運動和線性空間不變降質模型，包含空域先驗知識的能力有限。
2）空域法
空域方法主要在空間域分布上進行圖像重建，如下圖所示，對一系列低分辨率圖像所含像素信息進行定位后組合成一張高分辨率圖片。
空域方法適用范圍較廣，主要包括非均勻樣本內插法、迭代反投影方法、集合論方法（如凸集投影：POCS）、統計復原方法（最大后驗概率估計MAP 和最大似然估計ML）、混合MAP/POCS 方法以及自適應濾波方法等。而目前凸集投影法；最大后驗概率估計；混合MAP/POCS 方法較為適合本技術的目的
最大后驗概率估計方法
優點：
在解中可以直接加入先驗約束、能確保解的存在和唯一、降噪能力強和收斂穩定性高等；即該方法能夠保證圖像清晰度，減少干擾信號在運算過程中的累加對圖像所造成的影響，提高信噪比。
缺點：
運算速度較慢和運算量大。另外，由于該方法能夠過濾細微干擾信號數據，同時也會將圖像的細微部分進行過濾、排除，因此，由這類方法獲得的高分辨率圖像上的細節容易被忽略，平均絕對差相對較高，不利于圖像有效還原。
凸集投影方法
優點：
可以方便地加入先驗信息，可以很好地保持高分辨率圖像上的邊緣和細節；得到圖像平均絕對誤差較低，即能夠有效保證圖像還原度。
缺點：
解不唯一、解依賴于初始估計、收斂慢、運算量大和收斂穩定性不高等。即運算過于復雜，且不穩定導致圖像信噪比改進因子較低，圖像視覺效果較差。
混合MAP/POCS方法
本文提出了一種基于接收信號強度并結合BP神經網絡算法的一種新型定位方法。該方法首先建立一個定位環境模型，用有限數量的參考節點先組建一個無線傳感器網絡。然后采集樣本數據，讀取RSSI和實測盲節點的位置坐標，把這些數據用作訓練和測試BP神經網絡模型。最后把得到的BP神經網絡模型應用于具體問題并檢測應用效果。經實踐檢驗，該定位方法在短距離定位中比較可行，具有較好的定位性能。
【關鍵詞】無線傳感器網絡 BP算法 神經網絡 定位
隨著通信技術、嵌入式計算技術和傳感器技術的飛速發展和日益成熟，人們研制出了各種具有感知能力、計算能力和通信能力的微型傳感器。許多的微型傳感器構成了無線傳感器網絡引起了人們的極大關注。無線傳感網可以使人們在任何時間、地點和任何環境條件下獲取大量詳實可靠的物理世界的信息，將被廣泛地用于國防軍事、國家安全、環境監測、交通管理、醫療衛生、制造業、反恐抗災等領域。
傳感器節點的定位技術是無線傳感網絡的支撐技術。目前，廣泛使用的ZigBee無線傳感器網絡的原理是測量節點間的距離實現網絡傳輸，無線傳感器網絡定位技術通常采用的方法是在保證信號接收強度（RSSI）的基礎上進行測量。這種測量方法采取的主要方式是設置已知的參考節點，通過待定位節點接收到的RSSI值對該節點到各個參考節點的距離進行計算，再利用計算結果、采用不同的算法對目標點的坐標進行推導。本文對一種新型的定位方法進行了分析，此種方法得到未知節點坐標的途徑是利用待定位節點與多個固定參考節點間的RSSI值對BP神經網絡模型進行訓練得到的。
1 無線信號傳輸模型
根據無線通信的基本原理，無線信號在自由空間中傳播時信號隨傳播距離的增加而有規律的變弱。但是在一些復雜的環境里與自由空間相比，無線信號的傳播規律性比較差。即便是傳播距離相等，所測得的信號強度的差別也比較大。傳統的定位技術受接受信號強度的影響，利用無線信號傳播模型，利用擬合技術或憑經驗得到模型中的未知參數A和N，接著在傳播模型中代入信號強度值，計算出對應的距離，最后利用位置距離算法實現定位。此種方法的缺點是經驗性強，普遍適用性差，不能得到較高的精度。而且在復雜多變的空間環境中，接收信號強度（RSSI）與傳播距離（d）的關系就更加復雜多變。
2 用BP神經網絡擬合RSSI-d非線性函數關系
Kolmogorov定理對此的證明顯示，一個三層BP網絡可以實現所有連續函數，所以RSSI與距離d之間建立的非線性函數關系完全可以用BP神經網絡來擬合。誤差反向傳遞神經網絡是BP神經網絡的別稱。該網絡具有前反饋性，利用的學習方式是均方差。BP網絡同時具備輸入層和輸出層，另外還有一層或多層隱藏神經元結構。該種網絡的采用全局逼近方法的學習算法，所以該網絡的泛化和容錯能力都比較強。
3 BP神經網絡與無線傳感網定位方法
3.1 神經網絡模型建立
本文采用RSSI方法測量盲節點與各參考節點之間的距離，參考節點固定，盲節點通常是移動的，盲節點每隔一定時間發送一次廣播信息，參考節點將監聽到廣播信息后，將測得的各RSSI值發送至中心盲節點，盲節點收集好信息后再發送給協調器及上位機。
3.2 樣本數據庫建立
通過對訓練樣本的學習，BP網絡才能獲得節點位置預測的能力。一般來說，訓練樣本數量越多，BP神經網絡預測能力越強，所以為了提高定位的精準度，應適當多采樣來訓練樣本，同時采用平均值法使樣本數據更有效。
3.3 BP神經網絡參數確定
本文采用3層的BP神經網絡來實現，只包含一個隱含層。基本BP算法采用梯度下降法使得誤差均方趨向最小，直到達到誤差要求。經比較發現，traincgf算法收斂速度快，并且可沿共軛方向達到全局最小點，適合應用于節點位置估測；隱含層節點數對BP神經網絡的預測精度有較大影響，隱含層節點數過多會增加訓練網絡的時間，網絡容易過擬合。本文取經驗值3為隱含層節點數，經仿真驗證，可達到很好的效果。
4 仿真結果分析
不同測距誤差下BP定位算法與最小二乘估計法的比較：BP定位算法與最小二乘法定位效果表中，進行一千次實驗后得到的BP定位算法，利用參考節點與盲節點之間的坐標得到最小二乘法的數據。定位結果到未知節點真實值之間的距離成為定位誤差，通過比較BP定位算法得到的平均誤差與較之最小二乘估計法得到的誤差，前者的誤差較小。圖1中顯示，隨著誤差的增大，與最小二乘估計法相比BP定位算法得到的誤差增大速度慢。可以說，當測距誤差較大時，BP定位算法有較大的優勢，由此可以說明BP定位算法的定位性能比最小二乘估計法好。
5 結語
定位技術是無線傳感器網絡的關鍵技術，對提高生產效率、人員安全檢查具有重要意義。將智能算法與實際測量相結合，提高了定位精度。具體應用時，可以將C語言編程實現BP神經網絡，將編程實現的BP神經網絡封裝成單個函數的形式，此函數的輸入即為RSSI值，輸出即為對應的距離d。
參考文獻
[1]王小平，羅軍，沈昌祥.無線傳感器網絡定位理論和算法[J].計算機研究與發展，2011（03）：353-363.
[2]王福豹，史龍，任豐原.無線傳感器網絡中的自身定位系統和算法[J].軟件學報，2005（05）：857-868.
[3]吳黎愛.基于不同網絡模型的無線傳感器網絡定位算法研究[D].南昌航空大學，2012.
[4]任梅.基于無線傳感器網絡定位技術的研究[D].西安電子科技大學，2013.
[5]張穎.無線定位優化算法的研究[D].西安郵電學院，2011.
作者簡介
衣治安，碩士學位，現為東北石油大學計算機與信息技術學院副院長，主研領域為計算機網絡。
馬莉，碩士研究生。
本文利用人工神經網絡的鋼材表面缺陷快速識別系統以及BP神經網絡的缺陷檢測和分類的方法，實現鋼材表面疵病的準確檢測與分類。選用Matlab作為系統軟件工具，以BP神經網絡作為其缺陷檢測的計算方法，實現冷軋帶鋼表面缺陷檢測技術的軟件方案設計，完成BP神經網絡在鋼材表面缺陷檢測的應用研究，滿足帶鋼生產線的表面缺陷檢測要求。
關鍵詞：缺陷檢測；人工神經網絡；BP神經網絡
中圖分類號：TN711 文獻標識碼：A 文章編號：
冷軋帶鋼已成為汽車生產、機械制造、化工、航空航天、造船等工業不可缺少的原材料，在國民經濟中占據重要地位。而鋼材表面缺陷是影響帶鋼質量的重要因素，因此，表面缺陷的識別檢測對提高帶鋼的質量具有十分重要的意義。
本文根據鋼材表面的缺陷情況，研究需要系統識別的常見鋼材表面缺陷類型，結合表面缺陷檢測系統的主要技術要求，提出基于人工神經網絡的鋼材表面缺陷識別系統的總體方案。利用計算機和圖像采集設備，使軟件和硬件協同配合，實現圖像信息的實時采集及處理，為BP神經網絡的訓練學習建立鋼材表面缺陷數據庫，通過訓練可以實時自動識別鋼材表面存在的缺陷。
1BP神經網絡的基本原理
BP（Back Propagation）神經網絡是一種神經網絡學習算法，全稱基于誤差反向傳播算法的人工神經網絡。它是目前研究最多、應用最廣泛的神經網絡模型之一【1】。BP網絡是一種多層前向反饋神經網絡，把樣本的輸入輸出變成一個非線性優化問題，使用了最優化中最普遍的梯度下降算法，用迭代運算求解權值，它可以實現從輸入到輸出的任意連續的非線性映射。BP網絡主要用于函數逼近、模式識別、數據壓縮等。BP神經網絡由輸入層、隱含層和輸出層三部分組成，其結構如圖1所示。
圖1BP神經網絡結構示意圖
Fig. 1 The BP neural network structure diagram
BP神經網絡在具體工作之前必須通過學習獲得一定的“智能”，才可以在實際的應用中取得良好的效果。其學習由四個過程組成：
第一是輸入向量由輸入層經隱含層向輸出層的“正向傳播”過程；
第二是網絡實際輸出與網絡的希望輸出之間的誤差信號由輸出層經隱含層向輸入層逐層修正連接權值的“誤差反向傳播”過程；
第三是由“正向傳播”與“誤差反向傳播”的反復交替進行的網絡“記憶訓練”過程；
第四是網絡的全局誤差趨向極小值的“學習收斂”過程。
2BP算法在鋼材表面缺陷識別的具體實現
為了使用BP神經網絡實現鋼材表面缺陷檢測方法研究，首先需要對鋼材圖像進行預處理，去除圖像噪聲，并進行圖像增強處理，保留圖像重要信息；然后，從樣本圖像中選擇部分有缺陷的圖像，進行樣本圖像分割，分割成適合網絡訓練的特征圖像，并將分割結果分類為正常圖像和缺陷圖像樣本集合；再使用各種圖像特征提取方法分別提取出正常圖像和缺陷圖像的特征值，構成BP神經網絡訓練集合；再將訓練集合輸入BP網絡訓練器中，按照設定參數，設置選定精度，進行網絡權值訓練，得到所需的分類器；最后將測試樣本輸入分類器中，實現最終的缺陷分類識別。
系統選用Matlab作為系統軟件工具。Matlab中專門編制了大量有關BP網絡的工具函數，為BP網絡的應用研究提供了強有力的便利工具【2】。BP網絡的設計過程如下：
（1）輸入訓練樣本
缺陷的出現會破壞其所在區域灰度值的排布規律，基于此先從帶缺陷圖像的缺陷區域截取圖像，再從無缺陷的圖像中截取相同大小的圖像，然后從這些圖像中提取特征向量【3】。對特征向量X進行歸一化，再進行主分量分析進行降維處理，最后把處理后的特征向量的每一列作為一個樣本輸入神經網絡。
（2）初始化網絡
采用initff函數初始化網絡。在建立網絡對象的同時，自動調用初始化函數，根據缺省的參數對網絡的連接權值和閾值進行初始化。initff函數格式：
[w1,b1,w2,b2]=initff(p,s1,f1,s2,f2)（1）
式中：w1表示隱含層神經元與輸入層神經元之間的連接權重系數矩陣；
w2表示輸出層神經元與隱含層神經元之間的連接權重系數矩陣；
b1、b2表示隱含層和輸出層神經元的閾值矩陣；
p表示輸入樣本矩陣；
s1、s2表示隱含層和輸出層神經元個數；
f1、f2表示隱含層和輸出層激活函數形式。
運行initff函數，系統能自動根據給定的p,s1,f1,s2,f2的值對w1,b1,w2,b2賦予一個初始值。
（3）訓練網絡
采用trainbp函數訓練網絡。用基本梯度下降法訓練網絡函數進行BP網絡訓練，獲取最終的權值與閾值矩陣。trainbp函數格式：
[w1,b1,w2,b2,te,tr]=trainbp(w1,b1,f1,w2,b2,f2,p,t,tp)(2)
式中：t表示輸出樣本矩陣；
te為網絡的實際訓練步數；
tr為訓練過程中的誤差平方和；
tp為網絡訓練參數。
選擇訓練參數tp進行訓練，tp=[df,me,err,lr]
式中：df是指定兩次更新顯示間的訓練次數；
me是指定訓練的最大次數；
err是誤差平方和指標；
lr是指定學習速率，即權值和閾值更新的比例。
trainbp函數以w1，w2，b1，b2的初始值和給定的f1，f2，p，t，tp開始訓練，使當輸入n時，網絡的輸出為目標矢量t。當訓練過程中誤差平方和小于等于目標誤差平方和或者訓練步數到達給定的最大步數時，停止訓練。此時的w1，w2，b1，b2的值就是已訓練好的網絡參數。
（4）網絡仿真
采用simuff函數對網絡進行仿真。在網絡訓練前后分別進行輸入輸出的仿真，以做比較，從而對網絡進行修改評價。simuff函數格式：
a=simuff(p，w1，b1，f1，w2，b2，f2) (3)
式中：a表示訓練好的BP網絡的實際輸出；
w1、w2、b1、b2 是訓練好的網絡參數；
p、f1、f2 與（1）式相同。
網絡訓練后，形成穩定的權值和閾值，使網絡輸入和網絡輸出形成了較好的映射，從而可以對其他輸入樣本進行輸出參數的預測。
3實際應用情況
從現場采集冷軋帶鋼樣本，并對這些樣本中的缺陷進行標定。將測試樣本圖像輸入神經網絡檢測缺陷區域，得到每類樣本的缺陷區域。將所有原始訓練樣本、測試樣本圖像，按照前面的預處理方法進行預處理，然后按照同樣的分割方式進行分割，提取出樣本塊的特征信息，構成一序列的向量，輸入已經訓練完成的分類器，進行缺陷識別，檢測出樣本的缺陷區域。
經工業現場實踐表明，經過訓練的BP神經網絡分類器對表面缺陷的識別分類較好,基本上能夠滿足帶鋼表面缺陷的分類識別要求。但是，神經網絡技術也存在訓練過程緩慢、需要大量的訓練數據、對其決策過程無法得到透徹理解、參數的設計無規律可循等缺點。
事實上，基于BP網絡的分類器只能識別BP網絡已知的模式類別。如果出現了新的模式類別，分類器就不能正確地識別，只能再次對分類器進行訓練，也就是說分類器沒有自學功能。因此，在優化BP神經網絡參數的基礎上，我們可以考慮將現在已經構建的BP神經網絡模型的分類器，分解成兩步來實現表面缺陷的分類，即首先構建神經網絡來對把缺陷和非缺陷識別分類開來，然后再對缺陷進行分類，以期提高分類識別的準確率。我們還需要研究基于其它神經網絡模型的分類器，利用各自的長處，實現分類器的融合，并使分類器具有自學的功能，對新出現的缺陷能夠記憶識別的功能，更好的滿足工業現場的要求。
參考文獻
[1]王婷,江文輝,肖南峰.基于改進BP神經網絡的數字識別.電子設計工程.2011,19(3):108-112.
本文通過對BP神經網絡在我國運用現狀的分析，對BP神經網絡的結構作了介紹和舉例說明，提出了建筑工程造價中神經網絡的重要作用，以及為有效地將神經網絡運用到建筑工程造價中提出一定的建議。
關鍵詞：建筑；工程造價；BP神經網絡；應用
一、神經網絡在建筑工程中的運用現狀
目前，我國社會經濟的發展越來越快，城市化進程也在不斷加快,諸如地鐵工程的建設也已經成為我國城市基礎設施的一項重要發展領域。可是,我國工程建設資金條件還比較短缺,建筑工程高昂的造價限制了大部分城市的地鐵等工程的發展。所以,如何采取有效的措施來降低地鐵工程造價,越來越成為加快工程建設的首要課題。在建筑工程造價管理中,關于可行性研究階段的造價估算對于項目的決策和工程造價的控制起著至關重要的作用,因此研究該階段的造價估算方法具有重要的現實意義。最近幾年來,人工神經網絡憑借其強大的學習、聯想以及自適應能力被廣泛地應用在工程造價估算領域當中。
許多相關研究成果也應運而生，很多學者通過大量查閱與深入研究國內外建設工程造價估算方法，并針對不同工程造價的特點,提出將BP神經網絡結合的工程造價估算模型。第一,利用模糊數學方法對工程造價估算樣本進行篩選,從而提高工程造價估算模型的準確度；第二,綜合分析不同建筑工程的主要特征,然后將這些特征與它的工程造價相聯系,構建出基于BP神經網絡的建筑工程造價估算模型。在實現模型方面,利用相關語言對模型進行訓練與仿真測試,并運用工程實例進行驗證,最后結果表明了，該模型具有較好的泛化能力,并且能夠比較準確地估算建筑工程的造價。
二、BP神經網絡模型結構
1、網絡結構
人工神經網絡系統，即模擬人腦中神經元的工作原理的一種方法。一個典型的生物神經元都具有稱之為樹突的部分，樹突從細胞體中伸到其它神經元，在突觸的聯結點上接受信息，接著將這些信息累加起來。如果細胞體中累加的激發信息超過了某一閥值的時候，細胞就會被激活，那么，該細胞的軸突部分就會向其他神經細胞發出相應的信息。模擬人工神經網絡在此過程中有很多種方法，而BP神經網絡就是其中的一種比較簡單但應用廣泛的一種。許多研究成果已經證明，含有一個隱含層(即三層BP神經網絡系統)可以任意逼近連續函數，該隱含層中的每一個神經元只要都含有一個連續Sigmoid非線性函數就可以了。而三層BP神經網絡由輸入層與一層隱含層、輸出層組成，它們采用全互連接，但同一層中的各單元并不連接。
2、BP算法
由上面的BP網絡的基本結構可以看出，BP算法就是一個不斷計算誤差從而調整閥值與連接權值的過程。如常規的BP算法中采用的是最速下降法，就是按照誤差函數負梯度方向對各值進行修改。
利用BP神經網絡的基本原理建立起工程估算模型，并依賴專家經驗獲取待定造價的工程特征，以及在對15個典型實際的工程樣本分析基礎上，利用軟件的宏命令來編制BP神經網絡模塊，從工程特征到工程造價的非線性映射關系來進行模擬，并將它們運用于實際工程估算，其精度能夠達到建筑工程估算要求，在實際工程中能對估算快速準確的要求提供新的方法。
三、BP神經網絡在建筑工程中的實例應用
如何建立模型呢？建筑工程造價遵循的是“二八原則”，就是a類20％的分項工程占總造價的80％，而b類30％的分項工程則占總造價的15％，那么其余c類50％的分項工程就只占工程造價的5％。一個建筑工程中，主導分項工程的a、b兩類分項工程可以根據其特征來概括，也就是，若一個工程的某幾個特征一旦確定，那么其主要分項的工程量也可以確定，當然，估算工程造價也就可以確定了。這種基本思想就是通過案例推理把BP神經網絡運用到工程估算當中。
另外，對于工程特征的選取，多采用的是專家評審法。比如說，邀請某一家公司的兩位工作經驗都在十年以上的造價工程師，讓他們對建筑工程中會影響到工程造價的各種因素進行一個評定打分，如最后選擇了如下因素：建筑類型、高度、層高、建筑主體結構類型、面積、墻體、內外墻作法、建筑門窗類別、工程造價的年綜合指數以及施工企業的資質等級，其中，最后兩個因素分別是考慮到造價估算的時間因素差別與施工單位的施工、管理水平而暫時作為標準來評定。
在這種情況下，同時收集整理了北京十五個建筑工程造價實例，而工程造價指數則是按2005年作為基準，采用加權平均之后得出的年綜合指數。在工程實例中，工程范圍是指建筑結構工程。因此，在進行分類整理時，樣本的有些特征是定性描述，這就需要進行定量化的處理后才能作為樣本輸出，處理方法多是按照同一工程特征中，其工程造價的相對大小來進行的，造價比較大的，相應的數值也比較大。
四、總結
通過以上材料，可以得知，把三層BP網絡模型運用在工程估價方面是可行的，因為工程14和15單方造價的預測精確度浮動都在10％以內，但砼用量和鋼筋的用量數據預測則存在較大的出入，尤其是工程14的砼用量，其誤差高達20％以上，分析主要原因可能就是工程樣本中，設計結構圖紙時，細節處的差異較大，所取樣本的數量較小，或是工程特征到輸出的映射函數學習力度不強。因此，隨著樣本的增加，精度會進一步的提高。
關鍵詞：軟測量；神經網絡；軟件設計
中圖分類號：TP18文獻標識碼：A文章編號：1009-3044(2011)04-0753-04
The Development and Design of the Modeling Software for Soft Sensor
HOU Yan-song, XIE Gang, ZHANG Min, LIU Ya-ru
(Automation Research Institute of Lanzhou Petrochemical Company Petrochina, Lanzhou 730060, China)
Abstract: This paper designs a soft-sensing modeling software for chemical production process, Considering the complexity in the practical industry process, the software applies the linear regression modeling approach and the nonlinear neural network modeling approach to design the measurement software. Practice have been carried on the production process of Ethyl benzene and Starch content prediction, and the results show that the software can fulfill the function of trend prediction.
Key words: soft-sensor; neural network; software development
在工業實際中，產品質量控制是所有工業過程控制的核心。要對產品質量進行實時有效的控制，就必須及時準確的了解產品的質量參數，從而及時調整工藝參數和控制參數，以期獲得良好的產品質量監測和控制。然而實際中，過程的質量參數通常是無法直接測量的，即使能夠利用分析儀表測量，也存在較大的分析滯后[1]，無法完全滿足過程控制的需要。總的來說，我國石油化工行業現有的儀表設備很難實時的提供過程控制所需的質量參數信息。基于這種現實，更高一層的先進控制技術，過程優化技術，產品質量的監測管理等上層應用就受到了測量信息不足這一瓶頸問題的極大限制。在這種背景下，工業過程對過程檢測的內容和時效性均提出了新的要求。一方面，僅獲取流量、溫度、壓力、液位等常規過程參數的測量信息已不能滿足工藝操作指導和質量控制的要求，迫切需要獲取諸如成分、物性等與過程工藝操作和質量控制密切相關的檢測參數的測量信息。另一方面，測量從靜態或穩態向動態測量發展，在許多應用場合還需要綜合運用所獲得的各種過程測量信息，才能實現有效的過程控制、對生產過程或測量系統進行故障診斷、狀態監測。近年來，作為以計算機技術為基礎的軟測量技術成為了解決上述工業控制瓶頸問題的有效途徑之一，越來越受到關注[2-5]。
就苯乙烯、丙烯腈、乙烯及丁二烯抽提等化工裝置而言，產品質量數據主要是產品的純度。針對這一特點，本軟件采用基于數據驅動的建模方法，并考慮到實際的工業過程對象復雜多變，軟件采用了線性回歸建模和非線性神經網絡建模兩種方法來設計軟測量軟件。最后，根據工藝機理，我們通過建立苯乙烯裝置乙苯塔塔頂乙苯含量軟測量數學模型，完成了對塔頂乙苯含量的準確預測。
1 乙苯含量軟測量模型的建立
1.1 軟測量
軟測量的工作原理（見圖1），就是在常規檢測的基礎上，利用輔助變量與主導變量的關系，通過軟件計算 ，得到主導變量的測量值。軟測量技術的核心是建立用來預測主導變量的可靠的軟測量模型。初始軟測量模型是對過程變量的歷史數據進行辨識而來的。在應用過程中，軟測量模型的參數和結構并不是一成不變的，隨時間遷移工況和操作點可能發生改變，需要對它進行在線或離線修正，以得到更適合當前狀況的軟測量模型，提高模型的適合范圍。因此，軟測量結構可分為歷史數據處理、離線建模、在線運行（包括校正）三大模塊。
1.2 輔助變量的選擇
通過對苯乙烯裝置乙苯塔工藝機理研究，我們選擇通過DCS收集的1000組過程參數作為建模樣本集，300組過程數據作為校驗樣本集，運用統計學方法將樣本數據中隱含的對象信息進行濃縮和提取，通過工程師的經驗以及多元回歸分析方法，尋找最優變量來建模，從而建立主導變量和輔助變量之間的數學模型，見表1。
2 軟測量建模軟件的實現
2.1 軟件框架
選用微軟VC++6.0開發環境[6]，軟件的整體設計采用面向對象的程序設計方法，考慮到軟測量儀表本身側重于數值計算和參數的頻繁傳遞，因此選用基于對話框的應用程序框架。該軟件框架結構簡單，易于人機參數傳遞。從程序的角度來說，軟件總共分四個主要模塊：主對話框模塊、算法模塊、矩陣運算模塊、圖形編輯模塊。如圖2所示。
1）主對話框模塊：即人機界面UI，提供基本的人機交流界面，以及數據文件操作。
2）算法模塊：是整個軟件的核心，包括了軟件中所有的算法程序，并且留有擴充借口，可隨時根據軟件的升級增加新的算法。軟件在調用算法時需要用戶傳遞的參數和算法結果的返回利用子對話框來傳遞。該模塊分為三個子模塊：① 數據歸一化模塊：主要功能是對原始樣本數據進行歸一化處理；② 樣本數據分析模塊：主要功能是對輔助變量進行相關性分析和主元分析；③ 建模算法模塊：偏最小二乘法建模、神經網絡建模。
3）矩陣運算模塊：主要功能是為算法模塊提供必需的矩陣運算支持。軟件中數據歸一化、樣本分析、建模的大多數算法在數學上表現為大量的矩陣運算，微軟MFC基礎類庫并沒有提供可以直接使用的矩陣運算類。為了使得建模算法代碼更為簡潔，易于修改。矩陣運算模塊將常用的矩陣運算操作寫成一個類――矩陣類，供算法程序調用。
4）圖形編輯模塊：主要功能是按照需要對工作空間中的數據進行曲線圖形顯示。作用是當離線建模完成后，需要對所建立的模型進行擬合試驗，將試驗結果以曲線的形式表現出來，軟件允許用戶自己設定坐標范圍和圖形標題。
2.2 偏最小二乘回歸法
偏最小二乘回歸是建立在主元分析原理上的化學計量學方法。它通過多元投影變換的方法，分析兩個不同矩陣間的相互關系。在主元分析中，提取主元的過程只是強調了主元對輔助變量信息的最大綜合能力，并沒有考慮主導變量。偏最小二乘法不僅利用對系統中的數據進行分析和篩選的方式辨識系統中的信息和噪聲，從而克服變量的多重線性相關性對建模的影響，而且在提取主元時還考慮主元和因變量的相關性，即主元對主導變量的解釋作用。因此，偏最小二乘回歸可以集多元線性回歸，主元分析，典型相關分析的基本功能為一體。
該算法原理如下：
假設有兩個數據矩陣X和Y,其中X∈Rn×m,Y∈Rn×1,X和Y之間的關系表示如下：
Y=Xβ+e （1）
式中：e表示殘差；β表示自適應因子。
自適應因子β的估計值可以用最小二乘法得到，即：
（2）
如果數據矩陣X具有較強的相關性，則式（2）中存在病態矩陣的求逆，結果誤差較大，而部分最小二乘法可以避免對病態矩陣求逆。其基本原理是將式（1）中的X和Y的關系分解為兩個內部關系和一個外部關系：式（3）、（4）和（5）。
（3）
（4）
其中，矩陣T=[t1 t2 … tα]，U=[u1 u2 …uα]；分別稱為X和Y的得分矩陣，而th和uh分別稱為矩陣X和Y的第h主元。P=[p1 p2 … pα]和Q=[Q1 Q2 … Qα]稱為荷載矩陣，U和T之間的關系表示如下：
（5）
式中：E、F、R為殘差矩陣。
該算法將高維空間信息投影到由幾個隱含變量組成的低維信息空間中，隱含變量包含了原始數據的重要信息，且隱含變量間是互相獨立的。
2.3 神經網絡法
基于人工神經網絡（Artificial Neural Network，ANN）的軟測量建模方法是近年來研究最多、發展很快和應用范圍很廣泛的一種軟測量建模方法[7-8]。能適用于高度非線性和嚴重不確定性系統，因此它為解決復雜系統過程參數的軟測量問題提供了一條有效途徑。
化工裝置產品含量預測建模通常處理的是非線性建模問題，而多層前向網絡已被證明具有以任意精確度進行復雜非線性函數的擬合能力[7]，因此選擇前向網絡結構。網絡層數方面，除了網絡必須包含的輸入輸出層外，對于化工裝置產品含量預測這類軟測量建模，問題的復雜程度一般要求隱層數目為1。因此，軟件中采用包含一個隱含層的三層結構前饋網絡。
確定好網絡結構后，神經網絡用于軟測量建模實際上就是利用產品的歷史數據經過一定的算法來確定網絡的連接權值和閾值。BP算法是應用較早的學習算法，它充分利用了前向網絡的結構優勢，在正反傳播過程中的每一層計算都是并行的。但BP算法存在兩個缺點，即訓練時間長和容易陷入局部最小。針對此缺陷，本軟件在設計時采用了帶動量因子的改進方法來加快網絡訓練速度。改進的BP神經網絡的網絡設置和參數設置如圖3所示。
神經網絡建模算法采用BP算法，算法不再是簡單的矩陣操作。根據前饋神經網絡的結構將神經網絡用兩個類來描述，即神經網絡類和神經網絡層類。經過處理后，主程序算法簡潔，可讀性強。如果要改進BP算法，代碼的修改只需在類的方法中修改即可，不必修改主程序。神經網絡類的設計和神經網絡層類的設計主要代碼如下：
神經網絡類
屬性：
輸入層：CNeuralNetworkLayerInputLayer;
隱層： CNeuralNetworkLayerHiddenLayer;
輸出層：CNeuralNetworkLayer OutputLayer;
方法：
void Initialize(int nNodesInput, int nNodesHidden, int nNodesOutput); // 初始化函數確定了三層網絡的層次關系，有點類似構造函數
void SetInput(int i, double value); // 網絡輸入函數
double GetOutput(int i); // 網絡輸出函數
void SetDesiredOutput(int i, double value); // 設置網絡期望輸出函數
void LoadWeight(const CMatrix& I_H, const CMatrix& H_O, const CMatrix& H, const CMatrix& O); // 給網絡加載權值和閾值
void FeedForward(void); // 前向計算函數
void BackPropagate(void);// 反向權值調整函數(標準的最速梯度下降法)
void Levenberg_Marquardt(void);// 反向權值調整函數(Levenberg_Marquardt法)
double CalculateError(void); // 計算網絡全局誤差函數
void SetLearningRate(double rate1,double rate2); // 設置學習效率
void SetLinearOutput(bool useLinear); // 是否線性輸出
void SetMomentum(bool useMomentum, double factor); // 設置動量因素
神經網絡層類
屬性：
int NumberOfNodes; // 層中神經元數目
int NumberOfChildNodes; // 子層神經元數目
int NumberOfParentNodes; // 父層神經元數目
double**Weights; // 網絡權值數組
double**WeightChanges; // 權值改變數組
double* NeuronValues; // 神經元值
double* DesiredValues; // 導師信號
double* Errors; // 局部誤差
double* BiasWeights; // 偏差權值
double* BiasValues; // 偏差值
doubleLearningRate; // 學習效率
boolLinearOutput; // 是否線性輸出
boolUseMomentum; // 是否有動量因素
doubleMomentumFactor; // 動力因素大小值
CNeuralNetworkLayer* ParentLayer; // 父層
CNeuralNetworkLayer* ChildLayer; // 子層
方法：
void Initialize(int NumberOfNodes, CNeuralNetworkLayer* parent, CNeuralNetworkLayer* child); // 初始化（分配存儲空間）
void RandomizeWeights(void); // 權值初始化函數
void OrderWeights(const CMatrix& WeightsMatrix,const CMatrix& BiasWeightsMatrix); // 權值給定函數
void CalculateErrors(void); // 計算局部誤差函數
void AdjustWeights(void); // 調整權值函數
void CalculateNeuronValues(void); // 計算神經元值函數
void CleanUp(void); // 清除網絡層（有析構函數的作用）
2.4 軟測量模型的在線校正
由于軟測量對象的時變性、非線性及模型的不完整性等因素，必須經過模型的在線校正才能適應新工況。根據被估計變量的離線測量值與軟測量估計值的誤差，對軟測量模型進行在線修正，使軟測量儀表能跟蹤系統特性的緩慢變化，提高靜態自適應能力。一般采用在線校正算法為常數項修正法，即通過化驗值或分析值計算新的偏差，并把新的偏差寫入軟測量儀表，修正偏差。即：
新偏差=（采樣時刻計算值-化驗值）×偏差權重+舊偏差×（1-偏差權重）
3 工業應用
乙苯含量是乙苯精餾塔塔釜采出產品中一個十分重要的質量控制指標[9]，通過輔助變量塔頂壓力、塔頂溫度、塔靈敏板溫度、回流量及塔釜溫度來預測乙苯含量變化趨勢。通過本軟件進行仿真，乙苯含量軟測量偏最小二乘建模數據擬合圖如圖4所示。其中，紅線為實際值，綠線為擬合值。誤差平方和：0.765762856683714，均方誤差：0.0033294037247118。
針對某裝置淀粉含量預測問題選擇神經網絡方法進行仿真研究，均方誤差：9.14971253690028e-009；擬合曲線：紅線為化驗值，綠線為擬合值。淀粉含量軟測量神經網絡建模數據擬合圖如圖5所示。
4 結束語
本文采用了微軟基礎類庫（MFC）提供的基于對話框的應用程序框架實現了軟測量建模軟件的開發。軟件主要是從數學的角度分別研究了線性和非線性軟測量建模算法，重點強調了建模算法對給定歷史數據的擬合和泛化能力。在具體的應用中，根據工藝知識對軟測量問題進行初步數學抽象，然后以本軟件作為一種工具建模，輔以必要的工藝機理分析檢驗模型的合理性。通過對實際中兩個化工過程進行的仿真表明，該軟件基本具備了軟測量建模預測產品含量變化趨勢的能力，可以得到較好的效果。
參考文獻：
[1] 王樹青.先進控制技術及應用[M].北京:化學工業出版社,2005.
[2] Morris A J,Montague G A,Tham M T.Soft-sensors in industrial process control[C].London,UK:Applied developments in process control,1989.
[3] 王躍宣.先進控制策略與軟件實現及應用研究[D].杭州:浙江大學,2003.
[4] 俞金壽.軟測量技術及其在石油化工中的應用[M].北京:化學工業出版社,2000.
[5] 馬勇,黃德先,金以慧.動態軟測量建模方法初探[J].化工學報,2005,56(8):1516-1519.
[6] 侯俊杰.深入淺出MFC[M].2版.武漢:華中科技大學出版社,2001.
[7] 薄翠梅,張,李俊,等.基于神經網絡的軟測量技術在精餾塔上的應用[J].過程工程學報,2003,3(4):371-375.
