基于BP神经网络的水泵水轮机全特性曲线拟合ppt课件.ppt

基于BP神经网络的水泵水轮机全特性曲线拟合目录课题研究的目的与现状现状：Suter变换分区插值分段函数拟合

最小二乘曲面拟合等

虽针对曲线非线性、多值性等情况做

出了改善，但拟合精度仍然不够BP神经网络

人工神经网络系统是对人类的大脑神经网络系统的一种物理结构上的模拟，它由许多具有非线性映射能力的神经元组成。神经元之间是通过加权有向弧连接成的。这种大规模并行、分布结构与传统的计算机处理方式有着根本的不同，它的信息的处理与存储是通过大量神经元的分布来实现的。因而它具有极高的容错能力、快速的推理能力以及强大的联想能力。

BP神经网络结构
BP网络是一种分层型的多层网络，它含有输入层、隐含层及输出层，层与层之间多数是采用全连接方式，同一层的单元之间是不存在相互连接的。

3层BP网络结构图

BP网络学习过程
BP网络模型的学习由4个过程组成的。模式顺传播过程：当给出网络的一个输入模式时，它先由输入层单元传至隐含层单元，经隐含层单元逐个处理后传至输出层单元，再由输出层单元处理来产生一个输出模式。这是一个逐层状态更新的过程，也被称作前向传播。误差逆传播过程：若输出响应同期望输出有误差，不能满足要求，那么就会转入误差逆传播，将此误差值沿连接通路逐层地传递并修正各层的连接权值。将以上两个过程的反复交替进行的网络“记忆训练”过程归结起来，就是模式顺传播至误差逆传播、记忆训练、学习收敛的过程。对于给定的某一训练模式，不断地用训练模式来重复前向传播及误差反向传播过程，当各个训练模式都满足要求时，就可以说BP网络已经学习好了。

BP学习算法
BP学习算法是通过调整网络权值w来使网络输出与目标输出均方误差达到最小：

近似计算均方误差，则有：

我们定义敏感性为

利用网络将敏感性反向传播：

最后得到权值的调整公式：

全特性曲线拟合
网络性能指标：精度泛化能力训练时间

泛化能力：网络的泛化能力是用来表征网络学以致用的程度，也是评定学习结果好坏的一项重要指标，在人工神经网络的学习中会出现隐含层节点数过多而导致网络泛化能力变差的现象。当隐含层神经元过多时，可以调节的神经元连接权很多，常常能比较容易地将训练所用的学习样本学习好，但是当有测试样本在学习样本之间内插或是外延时，就有可能会出现较大的偏差。预测力矩的神经网络
网络结构：

网络训练及拟合情况：

训练情况：
拟合情况：
预测流量的神经网络
网络结构：

网络训练及拟合情况：

训练情况：
拟合情况：
总结与展望
1总结
BP网络能够实现任意的非线性映射，它结构简单，易于实现，与其他拟合方法相比能省去了大量复杂计算，节省工作人员工作，且最终所训练好的网络能够取得较高的拟合精度。2存在的问题与展望
受个人的水平及研究时间的限制，本文仍存在一些不足之处需要改进：
(1)实验中仅重点考虑了网络的精度，未对网络的泛化能力进行详细地验证。同时网络的隐含层节点数的确定也没有固定的方法，常常需要以个人的经验作为依据。
(2)训练样本中只包含14条开度线下的数据，稍显不足，这会影响到网络拟合的精度。

谢谢！