能否结合分析和归纳的优点设计出一种新的算法，使用近似的先验知识结合可用数据来形成一般假设。这有别于使用纯粹的归纳学习算法时，基于特定学习任务的先验知识来选择设计方案。例如：在利用神经网络解决问题时，设下面是小编为大家整理的2023年神经网络算法【五篇】（精选文档）,供大家参考。
神经网络算法范文第1篇
能否结合分析和归纳的优点设计出一种新的算法，使用近似的先验知识结合可用数据来形成一般假设。这有别于使用纯粹的归纳学习算法时，基于特定学习任务的先验知识来选择设计方案。
例如：在利用神经网络解决问题时，设计者必须选择输入和输出数据的编码方式、在梯度下降中被最小化的误差函数、隐藏单元的数量、网络的拓扑结构、学习速率和冲量等。在选择这些参量时，也可将领域特定的知识嵌入到学习算法中。
但结果仍然是归纳算法反向传播的一个实现。新的系统能将先验知识作为显式的输入给学习器，训练数据也同样作为显式输入。这样可以形成通用算法，但利用了领域的特定知识。即：最终构造的是领域无关算法，这种算法使用显式输入的领域相关的知识。
KBANN学习方法
将领域理论和训练数据结合起来进行搜索的做法可以将其看作是一种搜索多个可选假设空间的任务。为了将大多数学习任务刻画为搜索算法，需要定义待搜索的假设空间H，搜索的开始点为初始假设ho以及指定搜索目标的判据G。
用这种方法，领域理论B被用于建立一个与B一致的初始假设hO。然后以这个初始假设ho为起点应用标准归纳方法。在设计神经网络网络时可以利用先验知识确定初始网络的互联结构和权值，此初始设计的网络假设利用反向传播算法和训练数据被归纳精华。
从一个与领域理论一致的假设开始搜索，使得最终输出假设更有可能拟合此理论。这种方法被用于KBANN(Knowledge―Based Artificial NeuralNetwork，基于知识的人工神经网络)算法中。
利用人工神经网络自动构建应用系统的性能分析模型。以往为应用程序建模主要采用统计分析的方法。但随着应用程序可调参数空间的增大，如果仍使用传统的统计方法建立性能分析模型，必然会对输入参数做简化假设。
这种建模方法只能预测一些粗略的趋势预测，不能顾及每个输入参数对性能的影响，尤其是不能预测在参数空间内各种组合对性能的影响。基于这种现状考虑使用人工神经网络进行性能分析建模。KBANN算法使用先验知识的方法是将假设初始化为完美拟合领域理论，然后按照需要归纳地精华此初始假设以拟合训练数据。
KBANN与纯归纳的反向传播算法比较
理论比较：两者的关键区别在于执行权值调节所基于的初始假设。在有多个假设能拟合数据的情况下，KBANN更有可能收敛到这样的假设，他从训练数据中泛化与领域理论的预测更相似。
另一方面，反向传播收敛到的特定假设可能是小权值的假设，它大致对应在训练样例间平滑插值的泛化偏置。KBANN使用一个领域特定的理论来偏置泛化，反向传播算法使用―个与领域无关的语法偏置。从图例中可以看出KBANN算法效果好于传统的纯归纳反向传播算法。
神经网络算法范文第2篇
>> 基于MATLAB的BP神经网络算法在多元非线性系统建模中的应用 改进的求解非线性方程组的迭代神经网络算法 基于非线性粒子群算法与神经网络的天气预测 演化算法在非线性方程求解方面的应用 基于BP神经网络的非线性函数拟合 非线性倒立摆系统的神经网络辨识 基于遗传小波神经网络的非线性动态自治网络故障诊断仿真算法 一种基于正交基神经网络的非线性卫星信道预失真补偿算法 神经网络在电路故障诊断方面的应用 神经网络在钢铁企业质量预测方面的应用 BP神经网络在坐标转换方面的应用 人工神经网络在电涡流传感器非线性补偿中的应用研究 基于神经网络的通用非线性神经自适应控制研究 基于BP神经网络的非线性网络流量预测 改进的基于神经网络的非线性多元回归分析 基于径向基神经网络的非线性系统辨识 基于OBF神经网络的温度传感器非线性补偿方法 基于RBF神经网络的非线性控制系统 群智能算法优化神经网络在网络安全的应用 浅谈基于BP神经网络的水源热泵在建筑节能方面的应用 常见问题解答 当前所在位置：中国 > 教育 > 神经网络算法非线性优化方面的应用 神经网络算法非线性优化方面的应用 杂志之家、写作服务和杂志订阅支持对公帐户付款！安全又可靠！ document.write("作者：
方达 胡忠刚")
申明:本网站内容仅用于学术交流，如有侵犯您的权益，请及时告知我们，本站将立即删除有关内容。
摘 要：文章通过神经网络算法对一类非线性优化方面的问题进行了分析，得到了应用神经网络非线性优化算法求解该类问题的具体步骤和算法方案，并给出了实例进行验证，证明了神经网络非线性优化算法是有效的，具有理论意义和实用价值。
关键词：：神经网络算法;MTLAB;非线性优化最优化
中图分类号：G622 文献标识码：B 文章编号：1002-7661（2014）22-002-01
人工神经网络是由简单的处理单元所组成的大量并行分布的处理机，这种处理机具有储存和应用经念知识的自然特性，它与人脑的相似之处概括两个方面：一是通过学习过程利用神经网络从外部环境中获取知识;二是内部神经元（突触权值）用来存储获取的知识信息。
一、神经网络非线性优化求解铁路空车调度组合优化问题
目前铁路局对空车调度计划是利用表上作业法，采用计算机辅助统计，要经过分局管内各主要站和各区段的车种别空车调度，分局间分界站车种别交接空车数的确定;局间分界站车种别交接空车数的确定来编制整个铁路局的空车调度计划.下面用神经网络优化方法解决该问题。
空车调度问题一般指的是：设有个空车发送站，个空车到达站数的距离为，设空车产生站 到空车需求站的空车数为，由发出的空车数为，则应满足
空车需求站接受到的空车数为，则应满足
假设空车产生数等于空车的需求数，即平衡运输，则
总的空车走行公里数为
由于神经元的输出值在之间，而空车数目是大于1的数，则将（ ）作为实际空车数，这样就可以保证在（ ）之间，求为在中所占的百分比，为了用Hopfield神经网络求解空车调度问题，建立能量函数如下
式中
表示空车发送站的空车数应等于的约束，当且仅当发车数为时，该项为0; 表示空车到达站所需的空车数应等于的约束，当且仅当到达的空车数为时，该项为0;
表示对空车调度的总体约束;
表示对目标项的约束;
表示惩罚项系数，为目标项系数.
当计算能量函数 达到最小时，对应于空车调整计划的一个最佳计划方案.其算法如下
则动态迭代过程为
其中 ，分别代表迭代次数，选取0.001.
二、结束语
神经网络算法范文第3篇
关键词：人脸检测；
Adaboost算法；
神经网络；
样本扩张
中图分类号：TP391.41 文献标识码：A 文章编号：1007-9599 （2012） 17-0000-02
0 引言
本文采用样本扩张策略使得样本信息可以更全面的覆盖人脸和非人脸信息，克服了原有算法在样本选择上的随机性，加强了训练样本的代表性，再利用Adaboost算法与神经网络串联对人脸进行检测，从而降低了原有算法对人脸检测的错检和重复检测率。
1 Adaboost算法的人脸检测
1.1 Adaboost算法原理
Adaboost是一种迭代算法，其算法思想简单说就是把一组弱分类器通过多次迭代，调整正负样本的权重，并把这些弱分类器按一定权重累加起来，最终得到所期望的强分类器。利用这个强分类器就可以对图像进行人脸检测了。
具体算法：
每个样本都赋予一个权重，T次迭代，每次迭代后，对分类错误的样本加大权重，使得下一次的迭代更加关注这些样本。
输入：（X1，Y1）， （X2，Y2），…（Xn，Yn）
Xi∈X， Yi∈Y={+1，-1}
初始化权值：D1（i）=1/n
For t=1，…，T
在Dt下训练，
得到弱的假设ht：
X->{-1，+1}，
错误率：Εt=ΣDt（i） [ht（Xi）≠Yi]
选择αt=1/2 ln （ （1- Εt）/ Εt ），
更改权值：
if ht（Xi）≠Yi ， Dt+1（i）=Dt（i）* e αt /Zt
if ht（Xi）=Yi ， Dt+1（i）=Dt（i）* e -αt /Zt
输出：H（X）=sign（ ∑αtht（X） ）
1.2 弱分类器的生成
为减少计算量和主要特征参数，本文采用主成分分析方法（PCA）得到弱分类器。PCA用于人脸识别，其实是假设所有的人脸都处于一个低维线性空间，而且不同的人脸在这个空间中具有可分性。其具体做法是由高维图像空间经K—L变换后得到的一组新的正交基，对这组正交基进行一定的取舍，保留其中的一部分生成低维的人脸空间。
每一个PCA特征都对应着一个弱分类器，每一个弱分类器都是根据它所对应的特征的参数来定义的。利用上述特征的位置信息，对训练样本进行统计就可以得到对应的特征参数。
1.3 测试环境和结果分析
影响本算法的因素：正负样本的个数，循环次数i的大小；
缩放的大小；
级联结构的级数；
每一级中的循环次数；
每一级中所选取的PCA提取特征的数目以及判断为正人脸样本的特征的个数。
本算法选取了 2000 个正样本，2000 个负样本。
实验环境：Pentium（R） 4 CPU 2.93GHz 1.00GB内存。MATLAB：R2010b。测试结果如图1
图 1
由图可看出，此算法在多人脸检测情况下，有较高的错检率和重复检测率。
2 Adaboost算法与神经网络串联检测人脸
2.1 人工神经网络概述
人工神经网络是人脑神经网络的数学模型，是基于模仿大脑神经网络结构和功能而建立的一种信息处理系统。它实际上是由大量简单元件相互连接而成的复杂网络，具有高度的非线性，能够进行相关的逻辑操作和非线性关系实现的系统。
在现有神经网络中，BP网络、RBF网络、反馈网络和LVQ网络是目前使用较多的网络，也是在模式识别领域应用最广泛的网络。
LVQ网络学习简单，速度相对来说较快，相同情况下与其他网络相比可以实现更好的效果，因此本文采用了LVQ网络在Adaboost的基础之上进行分类识别。
2.2 样本扩张和串联检测思路
Adaboost算法的效果与前期训练时若分类其的选取关系重大，而弱分类器的选取在一定程度上依赖于样本集的选取，因而训练样本集显得十分重要。在Adaboost算法中，人脸和非人脸的选取比较重要随机，不能很好的表达人脸和非人脸的信息。针对这一现象，采用样本扩张的策略，使扩张后的训练样本可以比较全面的覆盖人脸和非人脸信息。
样本扩张的实现过程如下：1、用随机选取的人脸和非人脸样本构成初始训练库；
2、利用该训练库训练神经网络，再将训练好的神经网络对Adaboost分类器判断为正样本的图片进行进一步判断，如果神经网络判断为负样本，则将图片加入初始训练库，用神经网络进行训练，同时直接将Adaboost分类器判断为负样本的图片加入初始训练库中，用神经网络进行训练。
因此，通过样本扩张形成的新训练库更具有代表性，可以很好的涵盖人脸和非人脸信息，再进行Adaboost和神经网络串联进行判断，可以得到很好的效果。
2.3 测试环境和结果分析
本算法选取了 2000 个正样本，2000 个负样本。
实验环境：Pentium（R） 4 CPU 2.93GHz 1.00GB内存。MATLAB：R2010b。测试结果如图3
图 2
评价：
在adaboost加入神经网络串联后，图1与图3相比，错误和重复检测消除了很多。实际运行中，由于神经网络训练权值的随机的初始化的影响，会造成图片横纵方向都每隔两个点扫描检测时可能会随机多出1到2个错检，或者就没有错检出现，这个是没有办法避免的，但是效果已经相对来说提高了很多了。
3 两种算法在给定测试样本数目下识别率的比较
实验环境：Pentium（R） 4 CPU 2.93GHz 1G内存
MATLAB：R2010b
说明：训练样本如果为10，则表示正样本为5，负样本也为5，训练样本如果为20，则表示正样本为10，负样本也为10，以此类推；
每一次试验做30次取其均值
实验数据来源：mit人脸数据库
结果分析：在测试样本数目，循环次数以及PCA能量给定的情况下，采用Adaboost算法进行试验，当训练样本数目较少时，识别率比较低；
当训练样本数增加的时候，增大到一定的程度，识别率不会有所提高了，反而所需的时间增加了，因此当选择训练样本的数目为20的时候，识别率有所提到，而且所用时间没有明显增大。
表2 改变循环次数T（Train Sample = 20， Test Sample = 500， PCA（98%），Adaboost算法）
结果分析：在测试样本数目，训练样本数目以及PCA能量给定的情况下，采用Adaboost算法进行试验，当循环次数较少的时候识别率比较低，当循环次数增大到一定程度以后，再增加循环次数，识别率没有明显提升反而所需时间增加了，因此选择循环次数为10次的时候技能有较高的识别率，所需时间没有明显增加。
在选择了训练样数目以及循环次数后，基本排除了这两个因素对识别率的影响，进行PCA能量的选择来比较一下Adaboost算法与增加神经网络后的算法的识别率的大小。
由上表可以看出，Adaboost算法与神经网络串联后的的算法具有很好的识别率。本次试验是在识别的基础之上做的，针对的是给定数目的测试样本，要是做到人脸检测需要更多的训练样本来提取人脸特征。
4 结论
本文提出的基于神经网络扩张的adaboost人脸检测算法在原有adaboost算法的基础上加入了LVQ神经网络串联，在经过两个算法的分类识别和样本扩张后，降低了原有算法的错检率和重复检测率，在给定测试样本数的实验中，本文提出的方法要比原算法在识别率上有15%左右的提升。
参考文献：
[1]李维维.基于肤色和AdaBoost算法的人脸检测[J].网络安全技术与应用，2012.
神经网络算法范文第4篇
关键词：神经网络；
车牌图像；
定位算法
中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2016）14-0177-02
1引言
车牌定位就是指将车牌区域从复杂的汽车图像背景中分割出来，是实现交通管理智能化的关键技术之一，其车牌的快速、准确定位是车牌识别系统中的核心问题，直接关系到识别的成败。现阶段，国内外比较有名的汽车拍照识别技术有IC卡识别技术、条形码技术、人工神经网络识别技术等。这几种技术具有适应性强、组织性强、识别功能强、抗干扰性强的特点，被人们广泛地应用在各个领域。
我国汽车车牌图像特点具体体现在以下几方面：第一，机动车的前方车牌一般会被安装在车辆前段的中间或者右边，后方车牌一般被安装在车辆的中间或者右边。需要注意的是车牌的安装要进行良好的固定处理，并要尽可能地保持水平安装，对于纵向安装的不能出现倒置的情况，也不能让任何东西盖住安装。第二，车牌的标准格式一般由七个字符组成，第一个字符代表省市、自治区和直辖市，第二个字符是英文。第三个字符是英文字母或阿拉伯数字，第四到第七是阿拉伯数字。第三，车辆拍照区域中底色与字符颜色对比大，且在字符与底色交界处有较大的灰度值跳变，第四，拍照的长宽对比约3：1
为了有效减少交通应急和交通事故的发生，需要有关人员解决车辆的智能管理问题，加强对车辆牌照问题的研究。在这个过程中，车牌智能识别技术发挥出了自身总要的作用和价值意义。为了准确的定位车牌图像，现阶段常用的方法主要是水平线的搜索定位方法、扫描行的车牌提取算法、自适应边界搜索算法的定位算法，本文提出基于神经网络的定位算法，通过实验，该方法定位准确、速度快、误检率、漏检率高，能达到预期的效果。
2 神经网络算法
2.1 神经网络原理
随着神经网络理论研究的深入及其在计算机视觉、医学图像配准、航空摄影测量和飞行器匹配等领域广泛应用，利用神经网络进行图像匹配的方法研究一直深受研究人员广泛关注和高度重视。神经网络结构简单，算法成熟，且具有精确的寻优等优点，因此利用神经网络进行图像匹配是当前研究的一个重点，但标准算法具有易陷入局部极小、收敛速度慢等缺点，遗传算法具有很强的宏观搜索能力，并具有简单通用、鲁棒性强、并行运算的特点，所以用它来完成当前搜索能较好的克服神经网络的缺点，基于在图像匹配中遇到的实际问题和对神经网络算法的分析，本文提出了基于遗传算法和神经网络图像匹配算法，对车牌图像进行定位研究。神经网络主要是指对整理搜集到的样本车牌图像进行训练，在训练之后做好与之相对应的处理，最终利用训练的神经网络来提取有关车牌区域。这种方法的计算量很大，但是具有很高的准确率，且拥有良好的适应能力，减少网络局限对信息处理的影响。在一般情况下，神经网络是由常规线性排列成祖，每一个处理单元都具有很多的输入量，且每一个输入量之间都会对应一个相互关联的权重，在单元处理的过程中能够将输入量信息在加工之后传送到下一层系统神经元中。现阶段，关于神经元模式，有关人员提出了很多种，其中最大的是Pitts在分析总结神经元基本特性的基础上首先提出的M-P模型，它是大多数神经网络模型的基础，如下图所示。
[Yj（t）=f（i=1nwjixi-θj）] （1）
式（1）中，Yj是神经元单元的偏置（阈值），[wji]是连接权的有关系数（对于激发状态，[wji]取正值，对于抑制状态，[wji]取负值），n为输入信号数目，[Yj]为神经元输出，t为时间，f（）为输出变换函数，这种变换函数的应用往往采用0和1二值函数或S形函数。
2.2遗传算法
遗传算法主要是一种解决问题的最优化方法，主要是在生物遗传技术和自然选择基础上发展起来的。随着社会的进步和科技的发展，人们 对遗传算法的研究进一步加强，设计的领域范围不断拓展，具体包括如机器学习、模式识别、图像处理、神经网络等方面，遗传算法的特点具体体现在以下几个方面：第一，从问题的解集开始进行搜索处理是对原有生物进化过程的一种抽象，，而不是从某一个单个解开始；
第二，遗传算法求解过程中所应用特定问题的信息较少，很容易形成一种通用的算法程序；
第三，遗传算法体现很强的容纳力；
迪迪，遗传算法能够实现随机的选择和操作，不受各种条件和规定的约束；
第四，遗传算法具有并行性的 特点。文章重点将遗传算法应用在车牌定位中，利用这种搜索算法获得良好的车牌定位效果。
2.3神经网络算法过程
神经网络算法过程具体体现在以下几方面：第一，能够为车牌中的汉子收集到七个到八个的训练样本。其中，每个样本大概有两部分组成，包括输入信息和期望值的输出结果等。第二，从各个训练样本中选取一个样本例子，将具体的输入信息输入到相关网络中；
第三，对神经元处理之后得到的信息计算后输出；
第四，对实际输出误差和期望输出误差进行计算；
第五，从输出层的反向计算，慢慢渗透在相关的隐层中，并按照一定的误差缩小原则，实现对网络中各个神经元连接的调整和有效取值。第六，对每一个训练样本集的每一个样例反复重复第三点和第五点的步骤，直到对整个训练样本集的误差达到要求为止。
这种算法在训练自适应增强算法的支持下能够实现对车牌的充分检测，进而寻找出有效的车牌信息，并在形态学的办法支持下提取重要的对比特征，这些对比特征能够总结出在不同光照变化下神经网络也具有很强的应用性能，具体的实验结果分析如下所示：
3 实验结果分析
根据车牌的纹理特征能够发现，在任何一条扫描线上，都会出现笔画和背景胶体出现的情况，呈现了一种灰度截面上的峰谷交替特征，通过对每条扫描线上显著峰谷位置的检测，能够实现对所有扫描线的峰谷的综合，进而得到可能的车牌区域。具体方法包括两种：第一，在局部的小窗口上来对其边缘密度信息进行计算，并在密度值较高的小窗口上取出相关的形成区域，通过对区域形状的分析来获得有关车牌信息，另一种方法是对原始图像进行中值滤波等降噪处理，通过对具有代表性区域的确定和 分析来确定字符的候选区，从而确定车牌的候选区。本实验图像库中共有120幅图（640个样本），其中80幅作为训练集（420个样本）；
40幅图作为测试集（220个样本）。
本文在MATLAB环境下运行，达到了预期的效果。由实验可知，图（A）是白天拍摄的原始图，图（B）夜晚拍摄的原始图像，（C）、（D）为神经网络算法定位后的图像。，由实验可知，因为光照的影响，黑暗下车牌定位存在模糊不清的现象。
参考文献：
[1]丁伟.改进神经网络算法在车牌识别中的应用[J].计算机仿真，2011（8）.
[2]赵先军.基于神经网络的车牌识别技术研究[J].西安电子科技大学，2014（8）.
[3]范春梅.车牌识别算法的研究与实现[J].五邑大学，2013（10）.
[4]王智文.基于改进BP神经网络的车牌字符识别研究[J].广西工学院，2012（3）.
[5]王润民.基于小波和神经网络的车牌识别系统研究[J].湖南师范大学，2014（3）.
神经网络算法范文第5篇
关键词：智能车；
电磁循迹；
路径识别；
神经网络；
偏差量
中图分类号：TP391.41 文献标识码：A 文章编号：1007-9599 （2012） 17-0000-02
1 引言
人工神经网络是模拟生物神经系统建立起来的非线性动力学系统具有自我学习、联想存储以及高速寻求最优解的强大功能，它的分类能力和非线性映射能力使得它在系统辨识、模式识别、图像处理、智能控制等领域有着广泛而吸引人的前景，并且越来越多地被人们所运用。
“飞思卡尔”杯全国大学生智能车竞赛中的电磁组是依据电磁感应原理，实现智能车的自动循迹。以飞思卡尔公司生产的MC9S12XS128芯片作为微控制器，以通有固定频率和电流值的导线作为目标路径，用电磁传感器检测智能车偏离导线的偏差量，配合舵机和电机的动作在50cm宽的赛道上实现自动循迹。其中偏差量的检测与计算是智能车能否准确快速跟踪引导线的关键。当前偏差量的计算算法主要有两种，一种是取感应电动势最大的传感器位置作为线径所在位置，这种方法本质上以点来检测，测量精度低，需要的传感器数量大。另外一种是根据感应电动势的特点，将两个传感器的感应电动势作差值计算，得到电动势与偏差量之间的一个二次函数，这种方式计算是关于二次函数来进行的，计算量大，对检测的实时性会有所影响。本文提出的方案，是以电感线圈作为传感器来检测路径，基于人工神经网络算法来计算车身相对引导线的偏移量，把样本数据放在matlab环境下训练，得到满足误差要求的参数，然后将参
2 BP神经网络模型基本原理
BP神经网络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，中间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、输入层逐层反向传播。BP神经网络的拓扑结构如所示：
BP神经网络主要由输入层、隐含层和输出层构成。输入信号先向前传播到隐含层节点，经作用函数后，把隐节点的输出信号传播到输出节点，最后得出输出结果。本文中隐层节点的激励函数选取双曲正切S型函数，
（1）
在正向传播过程中，输入信息从输入层经隐含层逐层处理，并传向输出层。每一层神经元的状态只影响下一层神经元的状态。如果输出层得不到期望的输出，则转入反向传播，将误差信号沿原来的连接通道返回，通过修改各层神经元的权值，使得误差信号最小。
前向传播过程：
（1）隐层神经元的输入为输入神经元的加权和加上输入层到隐层的阈值。
（2）
（2）隐层神经元的输出为：
（3）
（3）输出层神经元输出为隐层神经元的输出加权和加上隐层到输出层阈值。
（4）
网络输出y1与理想输出y01的误差e1为：
e1=y10-y1 （5）
反向传播采用L-M优化算法，调整各层间的权值。L-M算法是一种利用标准的数值优化技术的快速算法，它是梯度下降法与高斯-牛顿法的结合。设W（k）表示第 k 次迭代的权值和阈值所组成的向量新的权值和阈值组成的向量W（k+1）可根据下面的规则求得：
（6）
对于L-M算法则有：
（7）
其中，J为雅克比矩阵。比例系数μ>0为常数，I为单位矩阵。当 μ=0即为高斯-牛顿法；
当μ取值很大则接近梯度下降法。实践证明，采用L-M算法可以较原来的梯度下降法提高速度几十甚至上百倍。本文采用L-M算法进行训练。
3 Matlab中神经网络算法的实现
3.1 获取样本数据
根据麦克斯韦电磁场理论，通有交变电流的导线会在其周围产生交变的电磁场，如果在里面放置一个电感线圈，电磁感应作用会使线圈中产生交变的感应电压。智能车使用电感线圈作为传感器检测导线周围磁场信息，由电磁学可知，水平放置的电感线圈在导线磁场内的感应电动势E=h/（h2+x2），h表示传感器离导线的垂直距离，x代表传感器距离导线的水平距离。假设h=5cm，x在±15cm内电动势和水平距离的关系曲线如2所示：
经过实际测试，使用四路传感器比较合适。传感器分布以车轴为中心，间隔为12cm 呈“一”字均匀排列构成前瞻，传感器距离水平面15cm，距离车身50cm。布局示意图如图3所示：
图2电动势和水平距离的曲线图 3前瞻分布示意图
将传感器的感应电动势进行检波放大 ，把处理后的信号经AD转换得到传感器信号值。转换过程如图4所示。
本系统的BP神经网络的输入为四路传感器的感应电压信号，输出为小车车身偏移引导线的水平偏移量，综合考虑训练误差和速度，设置隐含层得神经元个数为10。训练目标误差平方和取为0.000005 ，训练次数为5000次。
3.2 智能车算法实现：
最终算法的实现需要将神经网络的训练好的权重和阈值移植到智能车的微控制器中去。通过BP神经网络对智能车采集到的输入信号进行处理运算，计算得到的输出层的神经元输出值就是当前车轴中心线偏离引导线的偏差量，根据此值进行相应的打舵与调速操作，以实现智能车的快速稳定循迹。
4 实验结果与分析
记录并分析实验数据，matlab训练得到的实际输出与理想输出之间的关系如图5所示：
由上图可知，基于BP神经网络算法计算出的偏差量与理想偏差量之间的误差在±1cm以内。在“飞思卡尔”杯智能汽车竞赛中，由于神经网络的非线性映射能力和高速寻求最优解能力，把它应用到智能车的循迹上来效果是很明显的，它不需要计算感应电动势和偏差量之间的非线性关系，把计算量很大的训练过程放在matlab环境下进行，微控制器直接使用matlab下训练得到的参数就可以了。
5 结论
本文在当前主流循迹算法的基础上，提出了基于BP神经网络的路径识别算法，并详细叙述了基本原理和具体的实现方法。实验结果证明：使用BP神经网络计算得到的结果误差在±1cm以内，它可以大幅度地提高智能小车对环境的适应性，从而降低系统对智能小车硬件的要求。但其激励函数和学习算法仍需要深入研究，并且在实际运用中还有待提高，以达到更好的应用效果。
参考文献：
[1]卓晴，黄开胜，邵贝贝.学做智能车[M].北京：北京航天航空出版社，2007.
[2]马锐.人工神经网络原理[M].机械工业出版社，2010.
[3]张雨浓，杨逸文，李巍.神经网络权值直接确定法[M].中山大学出版社，2010.
[4]陈杰，黄鸿.传感器与检测技术[M].北京：高等教育出版社，2002.
[5]飞思卡尔竞赛管理秘书处，电磁组竞赛车模路径检测设计参考方案，2010.
[6]童诗白，华成英.模拟电子技术基础[M].高等教育出版社，2000.
[7]傅荟璇，赵红等.MATLAB神经网络应用设计[M].机械工业出版社，2010.
[8]CS12微控器原理及应用[M].北京航天航空大学出版社，2007.
相关热词搜索： 神经网络 算法 五篇 神经网络算法【五篇】 神经网络算法(精选5篇) 神经网络算法介绍