智能传感器实验--BP神经网络

BP神经网络实验

2010年12月目录

1自主学习模块 (2)

1.1书面回答预习问题 (2)

1.1.1训练神经网络网络之前，需要进行的三个步骤的准备工作是

什么？ (2)

1.1.2神经网络（例如BP 训练仪）训练的中止条件是什么？ (2)

1.1.3如何根据检验结果判断训练好的网络可用来实测？ (2)

1.2远程测控实验室网上学习与练习 (2)

1.2.1经典常规传感器的交叉敏感与传感器的稳定性 (2)

1.2.2多传感器数据融合改善传感器稳定性的基本原理 (3)

1.2.3数据融合算法简介 (4)

1.2.4 BP神经网络 (6)

2自主训练模块 (12)

2.1实验目的 (12)

2.2实验内容 (12)

2.2.1基本训练部分一 (12)

2.2.2基本训练部分二 (14)

2.2.3用BP 网络训练仪消除压力传感器对工作电流的交叉敏感，

提高压力测量精度 (19)

2.2.4 组建智能压力传感器系统 (22)

3自主应用模块 (23)

3.1实验目的 (23)

3.2实验内容 (23)

3.3实验步骤 (23)

3.3.1 消除压力传感器对温度的交叉敏感 (24)

3.3.2消除压力传感器对电流的交叉敏感 (26)

4．自主提高模块 (27)

4.1 神经网络结构的移植与实测 (27)

4.2思考问题 (28)

1自主学习模块

1.1书面回答预习问题

1.1.1训练神经网络网络之前，需要进行的三个步骤的准备工作是

什么？

训练神经网络网络之前，需要进行的三个步骤的准备工作是：准备训练样本、根据实际情况设置神经网络各层节点数及测量误差目标值与迭代次数（反向传播次数）、输入样本训练及检验。

1.1.2神经网络（例如BP 训练仪）训练的中止条件是什么？将网络输出结果与期望输出样本比较，计算其偏差。若偏差小于给定的目标值，则训练结束；反之，则要调整网络结构参数，进行新的网络训练，直至偏差小于目标值。如设置网络训练终止条件：如训练代数为1000，均方差指标为1*10-61.1.3如何根据检验结果判断训练好的网络可用来实测？将检验输入样本输入训练好的网络，并计算网络输出结果与期望输出样本的偏差。偏差满足实测要求，则可进行实测；反之，则要调整网络结构参数，进行新的网络训练与检验，直至偏差小于目标值。1.2远程测控实验室网上学习与练习

神经网络法以强大的信息处理能力在模式识别、智能控制、组合优化及预测等领域得到了成功应用。本模块以改善一个测量系统性能为例，介绍BP 神经网络在拟合系统输入输出关系、消除系统交叉敏感及改善系统稳定性方面的作用。

1.2.1经典常规传感器的交叉敏感与传感器的稳定性

常规的经典传感器都存在交叉灵敏度。表现在传感器的输出值不只决定于一个标称的目标参量，当其它非目标参量变化时，其输出值也随之发生变化。如：压力传感器，其目标参量压力恒定，而环境温度T或供电电压U/电流I等参量变化时，其输出值也发生变化，则压力传感器就存在对环境温度或供电电压/电流的交叉灵敏度。也就是说，经典压力传感器的标成参量压力P 不是传感器输出电压U 的一元函数，而是与非目标参量温度T，供电电流I 等参量有关的多元函数，即：

U f (P, I,T, ) (1-1) 但是，常规做法却是将压力传感器的输入压力P与输出电压U的关系作为一元函数处理，即：

U = f (P) (1-2) 常规传感器测量与输出显示系统框图如图1-1所示

图 1-1 常规（压力）传感器测量系统

图 1-1 中，传感器及调理电路单元的静态模型为U = f (x = P)，由输入P输出U 特性表征，经静态标定实验获得。

信号处理单元的基本功能是进行刻度转换，根据U = f (x = P) 函数关系的反函数P = f -1(U)，将接收到的电压U值转换为被测量压力值P输出。称U = f (x = P)函数关系为正模型，其反函数P = f -1(U)为逆模型。由于正模型不能完备代表多元敏感的实际系统，再根据不完备的正模型建立逆模型获得的被测量值将会有很大的误差。例如不同温度条件下的正逆模型U = f (P)与P = f -1(U)如图1-2 所示：

由图示清楚可见，当传感器系统工作环境温度从T1 变至T3，其特性也随之漂移，但仍按T1时之正、逆模型获得的测量值P1’与实际值P1之间存在很大偏离。故存在交叉灵敏度的传感器及其系统性能不稳定，测量结果精度低，准确性差。这是常规经典传感器普遍存在的问题。

1.2.2多传感器数据融合改善传感器稳定性的基本原理

传感器数据融合改善传感器稳定性的基本思路有两个：一是模型法；二是冗余法；本实验介绍模型法，改善稳定性的多传感器----智能传感器系统框图如图1-3所示：

（1）传感器单元

x1为主传感器及其调理电路单元。其目标参量为压力x1=P，x2、x3分别为辅传感器及其调理电路单元，它们的目标参量分别是温度x2=T与电流x3=I，这些参量是主传感器的干扰量。每个传感器的输出分别为：

主传感器Yp=Fp(x1,x2,x3)=Fp(P,T,I)，是三元函数模型

辅传感器（温度）Yt=Ft(x1,x2,x3)=Ft(T)，可用一元函数模型近似

辅传感器（电流）Yi=F1(x1,x2,x3)=Fi(I)，可用一元函数模型近似

图 1-3的多传感器—智能传感器系统，是为消除n=2个干扰量（温度T，电流I）改善压力传感器 x1=P（压力）而建立的（m=3）三传感器---智能传感器系统。系统中传感器的总数m等于欲消除的干扰量数n再加1，即：

m=n+1 （1-3）

（2）信号处理单元

图 1-3 种的信号处理单元是在计算机内完成的智能化软件模块，该模块实现将m=3 个传感器输出数据P T I y , y , y 的某种融合算法，建立的由P T I y , y , y 与主传感器目标参量x1=P，也可以是主传感器的干扰量T与I关系的逆模型。由该逆模型的输出值P=x1=g(Yp,Yt,Yi)是消除干扰量T与I影响的更接近实际值P 的。

1.2.3数据融合算法简介

改善传感器静态特性，提高系统稳定性的多传感器数据融合算法是建立多传感器输出数据Y1,Y2,…，与主传感器目标参量x 之间的对应关系，该对应关系称为逆模型。如图1-4 所示：

m 个传感器的输出1 2 m y、y Ly 与主传感器目标参量x 之间的对应关系---逆模型，有两种类型表示方式：一种是严格的数学解析表达式---回归分析法；另一种是建立某种结构的映射关系---神经网络法或支持向量机法。根据不同神经网络又有：BP误差反向传播神经网络、RBF径向基函数神经网络、GANN遗传神经网络。

（1）回归分析法

1)二传感器信息融合算法m=2

该融合算法可消除一个干扰量，设为温度T，由二维回归方程给出逆模型，所以压力传感器为主传感器，温度传感器为辅传感器作为例子。二传感器的输出量分别为yP=U，yT=UT，二者与主传感器目标参量压力P及干扰量温度T的关系由二维回归方程描述如下：

为了求解式（1-4）中6个未知系数需建立6个方程，36 个已知数据；求解式（1-5）中6个未知系数也需建立6 个方程，36 个已知数据；按最小二乘法原理，由实验标定数据计算出均方误差最小条件下的方程系数，那么测量时由压力传感器输出值U与温度传感器输出值UT就可由式（1-4）计算出被测目标参量P；同理由式（1-5）就可计算出干扰量温度。

2）三传感器信息融合算法m=3

仍以压力传感器为例，该融合算法可消除二个干扰量，设为温度T，供电电流I，添加二个辅传感器：温度与电流传感器。主传感器的目标参量压力P 与干扰量温度T、电流I 的关系由三维回归方程描述如下：

根据三维（P、T、I）标定实验数据，按最小二乘法原理，可求得均方误差最小条件下的A0~A9.已知后，测量时，由三个传感器的输出值U、UT、UI值代入式（1-6）中就可计算出被测目标参量压力的值P，其值是消除了干扰量温度T、电流变化的影响的，故是更接近实际压力值P 的更为准确的值。

1.2.4 BP神经网络

BP 神经网络是由于其权值和阈值采用反向传播(Back Propagation)的学习算法而得名。BP 神经网络一般采用三层（输入层、隐层、输出层）网络结构，如图1-5所示。网络中隐层节点和输出节点(神经元)的输入为前一层网络输出的加权和，例如：

BP神经网络是由于其权值采用反向传播（Back Propagation）的学习算法而得名。Rumelhart、McClelland和他们的同事于1982年成立了一个PDP小组，研究并行分布信息处理方法，探索人类认知的微结构，经过3年的努力，于1985年发展了BP神经网络学习算法。BP网络也是一种多层前馈神经网络，其神经元的变换函数是S型函数，因此其输出量为0到1之间的连续量，它可以实现从输入到输出的任意的非线性映射。在确定了BP网络的结构后，利用输入输出样本集对其进行训练，也即对网络的权值和偏置值（bias）进行学习和调整，以使网络实现给定的输入输出映射关系。经过训练的BP网络，对于不是样本集中的输入，也能给出合适的输出，这种性质称为泛化（generalization）功能，因此，BP神经网络具有拉格朗日（Lagrange）插值法、牛顿（Newton）插值法等类似

的插值功能，只是拉格朗日（Lagrange）插值法和牛顿插（Newton）值只能用于二维空间的曲线插值，而BP神经网络可实现多维空间的曲面插值。

(1) BP神经网络的神经元模型

BP神经网络一般由多层神经元构成，因此它的神经元可以有多种类型，其神经元的选用需要示具体情况而定。由于BP神经网络是通过误差反向传播来实现的，因此，BP神经网络中的神经元必须是连续可微的，所以，BP神经网络的神经元函数不能选用限幅函数。对于输出范围比较小的网络，可以将其所有的神经元全部选为S型函数，若网络的输出范围比较大，则一般把隐含层神经元选为S型函数，而把输出层神经元选用纯线性函数，从理论上讲，这样选择神经元函数可以任意精度地逼近任意的一个平滑函数。

(2) BP网络结构

BP神经通常有一个或多个隐层。在实际应用中，用得最多的还数三层BP神经网络。如图7-6，是三层BP神经网络的网络模型。网络的输入层包含i个节点，隐层包含j个节点，输出层有k个节点。连接权值w(j, i)表示输入层第i 个节点与隐层的第j个节点的连接权值。v(k, j)表示隐层第j个节点与输出层第k个节点的连接权值。

图7-7 BP神经网络

(3) BP神经网络的学习算法

1)初始化

从BP神经网络的网络结构和神经元的函数可知，BP神经网络本身含有待定的参数，即连接权值和神经元的偏置值（bias），这些参数一般不能象求解方程组一样直接求得，只能亦步亦趋地逐步逼近。BP神经网络的学习过程实质上就是对网络参数的调节过程，使得网络的参数一步一步地从远离最佳点的位置走向最佳位置点。因此，在进行参数调节之前，网络的参数必须有一个初始值，对网络参数的初始值的确定，就是网络的初始化。

BP神经网络参数的初始化在网络的训练中非常重要，如果参数的初始值不合适，网络可能不收敛，或是收敛速度比较慢。通过多方的验证发现，网络的权值随机地在[-1，1]范围内取初始值，而偏置值（bias）在[-3，3]内，网络的收敛速度较快。

(b) 网

（a）神经

2) 训练

BP 神经网络的训练是通过误差反向传播来实现的，所有参数都是根据总误差对其本身的一阶偏微分来修正的，因此，在网络正式进行训练前，首先要确定总误差对每一参数的偏微分的数学表达式。一般地，神经网络的总误差取为：

∑-=

k d k y E 2)]()([21

（7.10）

式中E 为某一次训练的总误差，y(k)为网络输出层第k 个神经元的实际输出，d(k)为对应于y(k)的期望输出。网络的训练，也就是调整网络的参数，使得E 足够小。若网络的神经元函数全部选为对数S 型函数，那么网络参数的修正数学表达式的求取如下：

● 求总误差对输出层神经元的输入和的偏微分

]

1[][][--=??-=??=k k k k k

k k k k k y y d y p y d y p E

σ （7.11）

式中pk 为输出层第k 个神经元的总输入。相应地，总误差对输出层神经元的偏置值（bias ）的偏微分为

]

1[][][k k k k k

k k k k k y y d y y d y E --=??-=??=?θθθ （7.12）

● 求总误差对输出层神经元与隐含层神经元的连接权值的偏微分

j k j

k k k j k j

k o v p p E

v E v σ=????=??=?,,, （7.13）

式中Oj 为隐含层第j 个神经元的实际输出。相应地，总误差对隐含层的输出的偏微分为：

k k j

k j j v o p p E o E o ,σ=????=??=

? （7.14）

● 求总误差对隐含层神经元的输入和的偏微分

∑-=????=??=k

k k j j j j

j j j v o o q o o E q E ,]1[σδ （7.15）

式中qj 为隐含层第j 个神经元的总输入。

相应地，总误差对隐含层神经元的偏置值（bias ）的偏微分为

∑-=????=??=

k k j j j j

j j j v o o o o E E ,]1[σααα （7.16）

● 求总误差对输入层与隐含层的连接权值的偏微分

j i i

j j j i j i

j x w o o E

w E w δ=????=??=?,,, （7.17）

于是得到网络的参数的修正公式为：

)

1()1()(,,,-?--=t v t v t v j k j k j k η （7.18）

)1()1()(-?--=t t t k k θηθθ （7.19）

)

1()1()(,,,-?--=t w t w t w i j i j i j η （7.20）

)

1()1()(-?--=t t t j j αηαα （7.21）

这里η为学习步长。

从上述算法的推导可知，标准的BP 算法是一种最速下降静态寻优算法，其参数的修正只按t 时刻的负梯度方式进行修正，而没有考虑以前的积累经验，从使得标准的BP 算法存在如下的3个主要缺点：

1）收敛速度慢； 2）局部极值；

3）难以确定隐层和隐层节点的个数。

为了克服这些缺点，从事神经网络研究的科学工作者在标准BP 算法上作了改进，在对网络参数进行修正时，把以前的学习经验也考虑进去。例如，权值wji 的修正公式改为下式：

)]

2()1()1[()1()(-?+-?---=t w t w t w t w ji ji ji ji γλα（7.22）

这里α为学习率，λ为动量因子，且0≤λ≤1。

这种算法后来被称之为动量法。动量法减小了学习过程的振荡趋势，降低了网络对于误差曲面局部细节的敏感性，能有效地抑制网络陷于局部最小，从而改善了收敛性。

在Matlab 环境中，可以用newff 函数来创建一个BP 神经网络。 §7.2.1.3 径向基函数（RBF ）网络

网络的函数逼近角度来说，神经网络可分为全局逼近神经网络和局部逼近神经网络。前面谈到的BP 神经网络由于对每个输入输出数据对，网络的每一个权值均需要调整，因此是全局逼近网络。RBF 神经网络对于每个输入输出对，只有少量的权值需要进行调整，所以是局部逼近神经网络。也正因为RBF 网络的局部逼近特性，使得它在逼近能力、分类能力和学习速度等方面均优于BP 网络。

(1) RBF 神经网络模型

RBF 神经网络的神经元相应函数采用高斯型函数，其神经元模型如图7-8。它同前面所谈到的神经元有所不同，前面谈到的感知器神经元和BP 网络的神经元的总输入是对各输入和偏置值（bias ）进行加权求和得到，即

∑=i

i k x k x )

()(。

而如图7-8所示的RBF 网络的神经元的总输入是权值矩阵的行向量与输入向量的

向量距与偏置值（bias）的乘积，其数学表达式为：

∑-=

j ji

i p

n2)

(

（7.23）

式中ni为网络隐层第i个神经

元的总输入，bi为第i个神经元的

偏置值（bias），wij为隐层权值矩

阵的第i个行向量的第j个元素，

pji是第j个输入向量的i时刻输入

值。

RBF神经网络模型同BP网络类似，通常其输出层是纯线性神经元，只是其隐层神经元是称之为radbas型的神经元。RBF神经网络模型如图7-9。

图7-9 径向

基神经网络模型

(2) RBF神经网络的的训练

由高斯函数的函数表达式可知，其输出最大值为1，当输入向量与权值向量的向量矩减小时，神经元的输出增大。偏置b用来调节高斯函数对输入的灵敏度，b的绝对值越大，神经元对输入越灵敏，也就是说，神经元的响应函数曲线越“宽”。对应于图7-5，也就是函数的输出为0.5时的两个总输入之差的绝对值越大。对于b的取值，一般由训练样本的样本距和样本的范围决定，b的取值大于两个相邻样本点的最大距离，而小于任意两个样本的最大距离。例如，对于一个单输入单输出的RBF神经网络，输入的样本为{-6，-4，0，2，4，7}，那么b的取值应大于4而小于13。

RBF神经网络中，其隐层神经元的数量可以说是由样本点的数量来决定，有多少个输入样本点，就有多少个隐层神经元。对于每个隐层神经元的输入，其输出满足下列条件：

1)若是其对应的样本点，我们也称其为该神经元的特征输入点，那么其

对应的输出应趋于1；

2)对于非样本点输入，输入与特征输入的点距离越远，则神经元的输出

越小。

因此，RBF 神经网络的输入权值是由样本决定的，而与期望输出并没有太大关系。

在输入权值、隐层神经元的偏置值（bias ）全部确定好之后，那么隐层的输出也就确定了。由于RBF 神经网络的输出层神经元的响应函数是纯线性函数，因此，在选定输出层神经元之后，隐层与输出层之间的神经元连接权值可以由下式确定：

T a a a b b w w b w w w w w w w s s s s s s s s =?

????????????????????????

??12

211

22212,,21,12

,2,22

,11,1,21,1

（7.24）

式中wi,j 为输出层第i 个神经元与隐层第j 个神经元的连接权值；i b 为输出层第i 个神经元的偏置值（bias ）；aj 为隐层第j 个神经元的输出向量；T 为理想输出矩阵。求解（7.24）式，即可得到输出层与隐层的连接权值。

在Matlab 环境中，可以用newrb 函数来创建一个RBF 神经网络。

2自主训练模块

2.1实验目的

1. 掌握BP网络训练仪的使用方法；

2. 消除压力传感器对工作电流的交叉敏感，提高压力测量精度。

2.2实验内容

2.2.1基本训练部分一

1.打开仪器面板，选择example1,此时训练的为“消除气体传感器在四组份

混合气体（C2H2,H2,CO,C2H4）中的交叉敏感”。输入的测试样本(b1)，测试期望(b2)，学习样本(b3)，学习期望(b4)分别为

b1=[-0.5925 -0.2594 0.0434 0.3489 0.6501 0.9543 -0.6219 -0.1950

0.2156 0.6272 1.0387 1.4515 -0.6591 -0.0885 0.5292 1.1484 1.7684

2.3860 -0.7975 -0.0454 0.6647 1.3767 2.0880 2.8030 -1.0451 -0.0275

0.7300 1.4884 2.2440 3.0020

-0.5897 -0.2576 0.0447 0.3478 0.6510 0.9547 -0.6957 -0.1936 0.2165

0.6282 1.0395 1.4518 -0.7483 -0.0873 0.5309 1.1503 1.7701 2.3880

-0.8387 -0.0431 0.6681 1.3805 2.0900 2.8050 -0.8925 -0.0272 0.7275

1.4838

2.2400 2.9970

0.3000 0.3000 0.3000 0.3000 0.3000 0.3000 0.4000 0.4000 0.4000

0.4000 0.4000 0.4000 0.6000 0.6000 0.6000 0.6000 0.6000 0.6000

0.7000 0.7000 0.7000 0.7000 0.7000 0.7000 0.7500 0.7500 0.7500

0.7500 0.7500 0.7500]

b2=[0.0000 0.1000 0.2000 0.3000 0.4000 0.5000 0.0000 0.1000

0.2000 0.3000 0.4000 0.5000 0.0000 0.1000 0.2000 0.3000 0.4000

0.5000 0.0000 0.1000 0.2000 0.3000 0.4000 0.5000 0.0000 0.1000

0.2000 0.3000 0.4000 0.5000]

b3=[-0.5925 -0.1950 0.3666 1.1484 2.0880

-0.5897 -0.1936 0.3670 1.1503 2.0900

0.3000 0.4000 0.5000 0.6000 0.7000]

b4=[0.0000 0.1000 0.2000 0.3000 0.4000]

2.在参数输入窗中，输入:输入层几点数(3),学习样本组数（30），输出层节

点数（1），隐层节点数（5），测试样本组数（5）,训练次数（1000）。

3.运行程序，从输出窗口看出测试误差，测试样本结果，测试期望值，以

及均方差，遗传因子，步长，训练结束时的最大样本误差，还有学习次数与误差图。

2.2.2基本训练部分二：

1．在样本文件输入窗中，选择example1, 此时训练的为消除压力传感器在四组份混合气体（C2H2,H2,CO,C2H4）中的交叉敏感, 输入的测试样本(bm1)，测试期望(bm2)，学习样本(bm3)，学习期望(bm4)分别为: bm1=[ 0.3300 0.3400 0.3500 0.3900 0.4100 0.4200 0.4400 0.4600

0.4900 0.5200 0.5400 0.4400 0.5100 0.3900 0.5600 0.3000 0.3500

0.4200 0.4400 0.4500 0.4600 0.4600 0.4700 0.7900 0.8300 0.8800

0.9600 1.0000 1.0700 0.8600 0.9000 0.9500 0.9800 1.0100 1.0400

0.6200 0.6900 0.7200 0.7500 0.7700 0.8000 0.7600 0.8100 0.8500

0.8600 0.8800 0.9000 0.7300 0.7600 0.8300 0.9200 0.9500 1.0400

0.9100 1.0300 1.0600 0.6100 0.7100 0.9200 0.9600

0.7100 0.7300 0.7500 0.7800 0.8000 0.8200 0.8400 0.8600 0.8800

0.9000 0.9200 0.9600 1.0300 0.8200 1.0700 0.7100 0.8400 0.9300

1.0200 1.0600 1.1500 1.2400 1.2700 1.5900 1.6700 1.7500 1.8600

1.9500

2.0400 1.9300 1.9800 2.0300 2.0500 2.0700 2.0900 1.5000

1.6000 1.6400 1.6600 1.6800 1.7000 1.8500 1.9200 1.9600

2.0200

2.0600 2.0700 1.8600 1.9600 2.0500 2.1500 2.1800 2.2600 2.0700

2.0700 2.2000 1.4700 1.7600 2.2500 2.3500

0.9000 0.9900 1.0400 1.1300 1.1900 1.2300 1.2700 1.3100 1.3600

1.4000 1.4400

2.6300 2.6300 1.9900 2.6100 2.1100 2.5400 1.9400

2.3700 2.5300 2.7700 2.9600

3.0300 2.5600 2.7100 2.8300 3.0100

3.1200 3.2500 3.2200 3.2600 3.2800 3.2900 3.3000 3.3100 2.9200

2.9800 2.9800 2.9900

3.0100 3.0200 3.2300 3.3500 3.4500 3.5600

3.6700 3.7000 3.4000 3.4500 3.5500 3.6400 3.6600 3.7500 3.7700

3.8000 3.8200 3.1700 3.4500 3.8400 3.9400

0.6600 0.6800 0.7000 0.7500 0.7700 0.7900 0.8000 0.8200 0.8400

0.8700 0.8800 1.8000 1.8100 1.1300 1.8200 1.2000 1.6300 1.2200

1.5400 1.6600 1.9100

2.1100 2.1600 2.0300 2.1500 2.2500 2.4200

2.5500 2.6600 2.7100 2.7600 2.7700 2.7700 2.7800 2.7900 2.2300

2.3200 2.3400 2.3500 2.3600 2.3700 2.7100 2.8200 2.9200

3.0300

3.1100 3.1400 2.7500 2.9000 3.0000 3.1400 3.1900 3.3200 3.2300 3.3200 3.3400 2.2600 2.8100 3.3500 3.5400

0.6400 0.6400 0.6500 0.6700 0.6900 0.7000 0.7200 0.7400 0.7700 0.7900 0.8000 0.9700 1.0100 0.7700 1.0500 0.7200 0.8600 0.8700

0.9500 1.0400 1.1400 1.2500 1.2700 1.7200 1.7900 1.8300 1.9200

1.9700

2.0300 2.0500 2.0700 2.0900 2.1000 2.1100 2.1200 1.6100

1.6600 1.6800 1.7000 1.7100 1.7200 1.9800

2.0200 2.0700 2.1100

2.1500 2.1600 2.1400 2.1500 2.2200 2.2600 2.2700 2.3300 2.1600 2.2200 2.2200 1.5500 1.9500 2.4400 2.5700

0.3100 0.3200 0.3300 0.3400 0.3500 0.3600 0.3700 0.3700 0.3900 0.4000 0.4000 0.4000 0.4300 0.3500 0.4500 0.3100 0.3600 0.4100

0.4400 0.4500 0.4600 0.5000 0.4500 1.0500 1.0800 1.0700 1.1100

1.1100 1.1100 1.0400 1.0500 1.0600 1.0600 1.0700 1.0700 0.7500

0.7500 0.7700 0.7900 0.8000 0.8200 0.9300 0.9400 0.9700 1.0100

1.0500 1.0700 0.9500 1.0100 1.0400 1.1100 1.1200 1.1500 1.0500 1.0500 1.1100 0.8000 0.9500 1.2400 1.3500

0.3400 0.3700 0.3800 0.4100 0.4200 0.4400 0.4600 0.4700 0.4900 0.5100 0.5200 0.5000 0.5500 0.4300 0.5600 0.3600 0.4200 0.5400

0.5700 0.5600 0.5500 0.6500 0.6300 1.4400 1.4900 1.5100 1.5700

1.5600 1.6300 1.6000 1.6100 1.6300 1.6300 1.6500 1.6600 1.1500 1.1900 1.2000 1.2100 1.2200 1.2300 1.3700 1.4000 1.4200 1.4300 1.4600 1.4700 1.5500 1.5500 1.5900 1.6400 1.6600 1.7000 1.5000 1.5100 1.5200 1.1100 1.4000 1.8100 1.9400

0.2800 0.2900 0.2900 0.3100 0.3200 0.3300 0.3400 0.3400 0.3600 0.3800 0.3800 0.4300 0.4600 0.3500 0.4600 0.3200 0.3700 0.3600 0.4200 0.4300 0.4500 0.5000 0.5000 0.5600 0.6100 0.6000 0.6400 0.7600 0.8300 0.6400 0.7300 0.6100 0.7700 0.8800 0.8900 0.5400 0.5700 0.6000 0.6100 0.6200 0.7100 0.8000 0.8300 0.8600 0.9100 0.9400 0.9600 0.7200 0.7600 0.7900 0.9900 1.0500 0.9500 0.9100 0.9500 0.9700 0.5500 0.6400 0.8600 0.9600

0.5400 0.5300 0.5400 0.5500 0.5500 0.5500 0.5600 0.5600 0.5800 0.5800 0.5800 0.5400 0.5500 0.5500 0.5600 0.4800 0.5100 0.5700 0.5500 0.6000 0.6200 0.6400 0.6400 0.7000 0.7200 0.7400 0.7700

0.7600 0.8100 0.7700 0.7800 0.8000 0.8100 0.8200 0.8300 0.6600 0.6700 0.6800 0.6900 0.7000 0.6900 0.7300 0.7600 0.7700 0.8100 0.8300 0.8400 0.7500 0.8200 0.8300 0.8600 0.8700 0.8500 0.8500 0.8600 0.8500 0.7000 0.8200 0.9500 1.0500

0.4400 0.4500 0.4600 0.4800 0.4900 0.5000 0.5100 0.5200 0.5300 0.5400 0.5500 0.5000 0.5200 0.4900 0.5400 0.4000 0.4500 0.4500 0.5000 0.5300 0.5400 0.5700 0.5700 0.3300 0.3600 0.3900 0.4300 0.4500 0.4500 0.4200 0.4400 0.5000 0.5000 0.5400 0.5600 0.4400 0.6000 0.6200 0.6400 0.6500 0.6700 0.6900 0.7100 0.7600 0.7600 0.8000 0.8100 0.4400 0.4600 0.5100 0.5300 0.5500 0.6300 0.5300 0.6000 0.6200 0.6000 0.7200 0.9400 1.0400

0.5700 0.5600 0.5600 0.5700 0.5700 0.5700 0.5700 0.5800 0.5800 0.5900 0.5900 0.6200 0.6400 0.5700 0.6500 0.5300 0.5800 0.6400 0.6500 0.7100 0.7500 0.8000 0.8200 0.7300 0.7700 0.8000 0.8600 0.8600 0.9300 0.9100 0.9300 0.9500 0.9700 0.9800 0.9900 0.8100

0.8200 0.8300 0.8400 0.8400 0.8500 0.9300 0.9700 1.0200 1.0600

1.1000 1.1200 1.0500 1.1300 1.1600 1.1900 1.2000 1.2300 1.1200 1.1600 1.1700 0.8500 1.0300 1.2600 1.3400

0.4900 0.4800 0.4800 0.4900 0.4900 0.5000 0.5000 0.5100 0.5200 0.5200 0.5300 0.6300 0.6500 0.5200 0.6700 0.4900 0.5600 0.5600

0.6600 0.6500 0.7600 0.8300 0.8600 0.9200 0.9800 1.0200 1.1000

1.1400 1.2000 1.1600 1.2000 1.2300 1.2600 1.2700 1.2800 0.8900

0.9300 0.9500 0.9700 0.9800 0.9800 1.1100 1.1800 1.2500 1.3000

1.3500 1.3700 1.2300 1.3000 1.3400 1.4100 1.4200 1.4600 1.2500 1.3600 1.3700 0.8600 1.1000 1.5000 1.6400]

bm2=[ 0.0000 1.0000 2.0000 4.0000 5.0000 6.0000 7.0000 8.0000 9.0000 10.0000 11.0000 6.0000 9.0000 3.0000 11.0000 1.0000 3.0000

0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 1.0000 1.0000 1.0000

1.0000 1.0000 1.0000 1.0000

2.0000 4.0000 6.0000 8.0000

10.0000 1.0000 3.0000 5.0000 7.0000 9.0000 11.0000 4.0000 4.0000

4.0000 4.0000 4.0000 4.0000

5.0000 5.0000 5.0000 5.0000 5.0000

5.0000 1.0000 2.0000 4.0000 2.0000 2.0000 2.0000 2.0000

0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 4.0000 4.0000 2.0000 4.0000 4.0000 4.0000 3.0000 5.0000 6.0000 8.0000 10.0000 11.0000 1.0000 1.0000 1.0000 1.0000

1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000

2.0000

2.0000 2.0000 2.0000 2.0000 2.0000 1.0000

3.0000 5.0000 7.0000

9.0000 10.0000 5.0000 5.0000 5.0000 5.0000 5.0000 5.0000

10.0000 10.0000 10.0000 4.0000 4.0000 4.0000 4.0000

0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 100.0000 100.0000

100.0000 100.0000 100.0000 100.0000 200.0000 200.0000 200.0000 200.0000 200.0000 200.0000 100.0000 100.0000 100.0000 100.0000 100.0000 100.0000 200.0000 200.0000 200.0000 200.0000 200.0000 200.0000 300.0000 300.0000 300.0000 300.0000 300.0000 300.0000 200.0000 200.0000 200.0000 100.0000 200.0000 300.0000 300.0000

0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 1.0000 2.0000 3.0000 5.0000 7.0000 9.0000 5.0000 5.0000 5.0000 5.0000 5.0000 5.0000 3.0000

3.0000 3.0000 3.0000 3.0000 3.0000

4.0000 4.0000 4.0000 4.0000

4.0000 4.0000 1.0000 2.0000 3.0000

5.0000

6.0000 8.0000 8.0000 8.0000 8.0000 2.0000 2.0000 2.0000 2.0000]

bm3=[ 0.3700 0.5200 0.3200 0.3800 0.4900 0.4200 0.9100 0.9300 1.0000 0.7000 0.8400 0.8900

0.7600 1.0400 0.7700 0.8800 1.0000 0.9200 1.8200 2.0100 2.0600

1.6200 1.9500

2.1200

1.0900

2.6100 2.4200 2.5900 2.6000 2.6300 2.9200

3.2700 3.2900

2.9800

3.4000 3.6000

0.7300 1.8200 1.4600 1.7000 1.8000 1.7700 2.3400 2.7700 2.7700 2.3300 2.8700 3.0900

0.6600 1.0300 0.8000 0.8900 0.9900 0.9400 1.8600 2.0900 2.1000

1.6700

2.0500 2.2500

0.3400 0.4300 0.3400 0.3700 0.4200 0.3500 1.1100 1.0600 1.0700 0.7600 0.9600 1.0900

0.4000 0.5600 0.4100 0.4500 0.5200 0.4600 1.5500 1.6200 1.6300

1.2000 1.4100 1.6500

0.2800 0.4700 0.3400 0.3800 0.4400 0.4100 0.6200 0.7600 0.8500 0.5600 0.8600 0.8900

0.5400 0.5600 0.4900 0.5100 0.5400 0.5300 0.7600 0.7900 0.8100 0.6800 0.7700 0.8500

0.4700 0.5300 0.4300 0.4600 0.5100 0.4600 0.4100 0.4600 0.5100

0.6100 0.7500 0.5300

0.5600 0.6400 0.5600 0.5900 0.6300 0.6100 0.8300 0.9400 0.9700

0.8300 1.0000 1.1700

0.4900 0.6600 0.5300 0.5800 0.6400 0.6100 1.0600 1.2200 1.2700

0.9400 1.2200 1.3800]

bm4=[ 3.0000 9.0000 2.0000 4.0000 8.0000 5.0000 1.0000 3.0000

7.0000 3.0000 5.0000 5.0000

0.0000 4.0000 4.0000 4.0000 4.0000 4.0000 1.0000 1.0000 1.0000

2.0000 4.0000 5.0000

0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 100.0000 200.0000

200.0000 100.0000 200.0000 300.0000

0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 4.0000 5.0000 5.0000

3.0000

4.0000 4.0000];

2．入参数如下：输入层几点数(12),学习样本组数（60），输出层节点数（4），隐层节点数（18），测试样本组数（12），训练次数（1000），可以供实验。3．行程序，从输出窗口看出测试误差，测试样本结果，测试期望值，以及均方差，遗传因子，步长，训练结束时的最大样本误差，还有学习次数与误差图。

4．

2.2.3用BP 网络训练仪消除压力传感器对工作电流的交叉敏感，

提高压力测量精度

本实验使用“NN data 2005”文件夹中的四个样本： p1outdata1.dat, p1outdata2.dat, p1outdata3.dat, p1outdata4.dat，将其输入BP网路设计以进行检验，检验结果如下：

本次实验选择输入层节点数为3，输出层节点数为1，根据样本文件其学习样本组数为30，而测试样本组数为5。通过改变设置隐层节点数和迭代运行次数观察结果的变化。神经网络的隐层响应函数为logsig，输出层响应函数为purelin，迭代次数为1000次。表2-1为多次试验后的数据。

从表中可以看出，当神经网络除了隐层节点数不同，其它参数都相同时，神经网络的计算误差并不是随隐层节点数的增加而减小的。也就是说，我们不能一味的通过增加隐层节点数来挺高神经网络的准确性，隐层节点过少或过多都会是输出值与期望值之间的方差增大。

通过本次实验知道，对于实验所用样本，选择隐层节点数为5会获得最好的效果。

表2-1 建立BP神经网络实验数据

通过实验还知道，当输入、隐层、输出节点数固定，隐层和输出层响应函数也固定的情况下，迭代次数不同也会造成误差不同，表2-2给出了这些差异。

表2-2 迭代次数对输出误差的影响

基于BP神经网络的数字字母识别系统设计——系统分析设计【开题报告】

开题报告电气工程及其自动化基于BP神经网络的数字字母识别系统设计——系统分析设计一、课题研究意义及现状随着信息科技技术的飞速发展，神经网络从当年的无人问津到现在广泛应用于各个领域，这个不是偶然而是其功能大部分能适应生产生活的各方面需求。特别是在人工智能、自动控制、计算机科学、信息处理、机器人、模式识别等方面有重大的应用。 BP神经网络已被广泛地应用于各个领域，它的基本思想是，学习过程由信号的正向传播与误差的反向传播两个过程组成。正向传播时，输入样本从输入从输入层传入，经各隐层逐层处理后，传向输出层。若输出层的实际输出与期望输出不符，则转入误差的反向传播阶段。误差反传是将输出误差以某种形式通过隐层向输入层逐层反传，并将误差分摊给各层的所有单元，从而获得各层单元的误差信号，此误差信号即作为修正各单元权值的依据。这种信号正向传播与误差反向传播的各层权值调整过程是周而复始地进行的。此过程一直进行到网络输出误差减少到可以接受的程度，或进行预先设定的学习次数为止。本课题就是利用BP神经网络的工作原理，对0、1、2、3、4、5、6、7、8、9十个数字的图像提取特征向量作为神经网络识别输入向量的基础上，分析建立对0、1、2、3、4、5、6、7、8、9十个数字进行识别的BP神经网络拓扑结构，为程序实现识别系统创造条件。目前，手写体字符识别是一个非常重要和活跃的研究领域，它涉及到模式识别、图像处理、人工智能、模糊数学、信息论、计算机等学科，是一门综合性技术，有广阔的应用背景与巨大的市场需求。因此，对字符识别的研究具有理论与应用的双重意义。二、课题研究的主要内容和预期目标（一）研究内容（1）熟悉BP神经网络的基本原理及其算法；（2）掌握人工神经网络的拓扑结构模型，并利用该模型构建识别系统（3）在含有噪声的情况下对识别系统的影响，并能提高识别的准确率（4）研究出最好的方案分别使识别率，复杂度方面达到理想状态（二）预期目标结合自己的所学的BP神经网络知识对0到9十个数字字符进行编码，变成神经网络可以接受的输入向量形式，构建数字字符识别的BP神经网络拓扑结构模型，完成基于BP神经网络数字识别系统设计。

基于matlab人脸识别技术开题报告

毕业设计（论文）开题报告毕业设计（论文）课题情况，根据所查阅的文献资料，每人撰写2500字以上的文献综述，文后应列出所查阅的文献资料。基于matlab人脸识别技术的实现文献综述一、MATLAB概述 MATLAB是矩阵实验室（Matrix Laboratory）的简称，是美国MathWorks公司出品的商业数学软件，用于算法开发、数据可视化、数据分析以及数值计算的高级技术计算语言和交互式环境，主要包括MATLAB和Simulink两大部分。MATLAB主要面对科学计算、可视化以及交互式程序设计的高科技计算环境。它将数值分析、矩阵计算、科学数据可视化以及非线性动态系统的建模和仿真等诸多强大功能集成在一个易于使用的视窗环境中，为科学研究、工程设计以及必须进行有效数值计算的众多科学领域提供了一种全面的解决方案，并在很大程度上摆脱了传统非交互式程序设计语言（如C、Fortran）的编辑模式，代表了当今国际科学计算软件的先进水平。应用于工程计算、控制设计、信号处理与通讯、图像处理、信号检测、金融建模设计与分析等领域。而在本文中主要用到的功能是图像处理功能。二、BP神经网络概述人工神经网络（Artificial Neural Net works，简写为ANNs）也简称为神经网络（NNs）或称作连接模型（Connectionist Model），它是一种模范动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。人工神经网络发展的主要历程有:20世纪50年代末,Rosenblatt提出的感知器模型和Widrow提出的自适应线性元件,出现了简单的线性分类器;1986年,Rumelhart和Mcllelland 提出了层网络“误差反向传播算法(BP)”,使有导师学习多层感知器网络(ML PN)模式分类器走向实用化,在此基础上又派生出若干前向网络,如径向基函数网络( RBFN)和函数链网络等;1982年,美国加州工学院的物理学家Hopfield提出的一种用于联想记忆和优化计算的反馈网络模型,由于引进了“能量函数” 的概念,使网络走向具体电路有了保证;20世纪70年代,Watanabe 提出了使用模式子空间的概念来设计不同类别对应的子空间,由不同类别聚类的子空间实现模式识别; Kohonen提出的自组织特征映射网络模型等都为神经网络模式识别理论提供了进一步的根据。构成人工神经网络的三个基本要素是:神经元、络拓扑结构和网络的训练(学习)方法。神经元(节点)的作用是把若干输入加权求和,并对这种加权和进行非线性处理后输出。神经元的选择一般有以下特点:每个神经元都具有多个输入、个输出,具有闭值,采用非线性函数。 1、神经元

硕士论文开题报告(最新)

一、论文名称、课题来源、选题依据论文名称：基于bp神经网络的技术创新预测与评估模型及其应用研究课题来源：单位自拟课题或省政府下达的研究课题选题依据：技术创新预测和评估是企业技术创新决策的前提和依据。通过技术创新预测和评估, 可以使企业对未来的技术发展水平及其变化趋势有正确的把握, 从而为企业的技术创新决策提供科学的依据, 以减少技术创新决策过程中的主观性和盲目性。只有在正确把握技术创新发展方向的前提下, 企业的技术创新工作才能沿着正确方向开展,企业产品的市场竞争力才能得到不断加强。在市场竞争日趋激烈的现代商业中, 企业的技术创新决定着企业生存和发展、前途与命运, 为了确保技术创新工作的正确性,企业对技术创新的预测和评估提出了更高的要求。二、本课题国内外研究现状及发展趋势现有的技术创新预测方法可分为趋势外推法、相关分析法和专家预测法三大类。 (1)趋势外推法。指利用过去和现在的技术、经济信息, 分析技术发展趋势和规律, 在分析判断这些趋势和规律将继续的前提下, 将过去和现在的趋势向未来推演。生长曲线法是趋势外推法中的一种应用较为广泛的技术创新预测方法,美国生物学家和人口统计学家raymond pearl提出的pearl曲线(数学模型为: y=l∕ [1+a?exp(-b·t)] )及英国数学家和统计学家gompertz提出的gompertz曲线(数学模型为exp(-b·t))皆属于生长曲线, 其预测值y为技术性能指标, t为时间自变量, l、a、b皆为常数。ridenour模型也属于生长曲线预测法, 但它假定新技术的成长速度与熟悉该项技术的人数成正比, 主要适用于新技术、新产品的扩散预测。 (2)相关分析法。利用一系列条件、参数、因果关系数据和其他信息, 建立预测对象与影响因素的因果关系模型, 预测技术的发展变化。相关分析法认为, 一种技术性能的改进或其应用的扩展是和其他一些已知因素高度相关的, 这样, 通过已知因素的分析就可以对该项技术进行预测。相关分析法主要有以下几种: 导前-滞后相关分析、技术进步与经验积累的相关分析、技术信息与人员数等因素的相关分析及目标与手段的相关分析等方法。 (3)专家预测法。

基于BP神经网络的字符识别算法的实现毕业论文

一、原始依据（包括设计或论文的工作基础、研究条件、应用环境、工作目的等。）工作基础：了解C++的基本概念和语法，熟练使用Visual C++6.0软件。研究条件：BP神经网络的基本原理以及图像处理的基本常识。应用环境：基于BP神经网络的图片图像文件中的字符识别。工作目的：掌握基于Visual C++6.0应用程序的开发。了解人工智能的基本概念并掌握神经网络算法的基本原理。掌握Visual C++6.0中的图片处理的基本过程。二、参考文献 [1]人工智能原理及其应用，王万森，电子工业，2007. [2]VC++深入详解，鑫，电子工业，2006. [3]人工神经网络原理, 马锐，机械工业，2010. [4]Visual C++数字图像处理典型案例详解，晶，机械工业，2012. [5]Application of Image Processing to the Characterization of Nanostructures Manuel F. M. Costa，Reviews on Advanced Materials Science,2004. 三、设计（研究）容和要求（包括设计或研究容、主要指标与技术参数，并根据课题性质对学生提出具体要求。） 1、掌握C++的基本概念和语法。 2、掌握二维神经网络的基本原理。了解BP神经网络的基本概念。 3、完成Visual C++中对于图像的灰度、二值化等预处理。 4、完成基于样本的神经网络的训练以及图像中数字的识别，并对其性能进行统计和总结，分析其中的不足。

指导教师（签字）年月日审题小组组长（签字）年月日理工大学本科生毕业设计（论文）开题报告

BP神经网络的技术创新研究开题报告

BP神经网络的技术创新研究开题报告论文名称：基于BP神经网络的技术创新预测与评估模型及其应用研究课题来源：单位自拟课题或省政府下达的研究课题选题依据：技术创新预测和评估是企业技术创新决策的前提和依据。通过技术创新预测和评估,可以使企业对未来的技术发展水平及其变化趋势有正确的把握,从而为企业的技术创新决策提供科学的依据,以减少技术创新决策过程中的主观性和盲目性。只有在正确把握技术创新发展方向的前提下,企业的技术创新工作才能沿着正确方向开展,企业产品的市场竞争力才能得到不断加强。在市场竞争日趋激烈的现代商业中,企业的技术创新决定着企业生存和发展、前途与命运,为了确保技术创新工作的正确性,企业对技术创新的预测和评估提出了更高的要求。二、本课题国内外研究现状及发展趋势现有的技术创新预测方法可分为趋势外推法、相关分析法和专家预测法三大类。 (1)趋势外推法。指利用过去和现在的技术、经济信息,分析技术发展趋势和规律,在分析判断这些趋势和规律将继续的前提下,将过去和现在的趋势向未来推演。生长曲线法是趋势外推法中的一种应用较为广泛的技术创新预测方法,美国生物学家和人口统计学家RaymondPearl提出的Pearl曲线(数学模型为:Y=L∕[1+A?exp(-B·t)])及英国数学家和统

计学家Gompertz提出的Gompertz曲线(数学模型为:Y=L·exp(-B·t))皆属于生长曲线,其预测值Y为技术性能指标,t为时间自变量,L、A、B 皆为常数。Ridenour模型也属于生长曲线预测法,但它假定新技术的成长速度与熟悉该项技术的人数成正比,主要适用于新技术、新产品的扩散预测。 (2)相关分析法。利用一系列条件、参数、因果关系数据和其他信息,建立预测对象与影响因素的因果关系模型,预测技术的发展变化。相关分析法认为,一种技术性能的改进或其应用的扩展是和其他一些已知因素高度相关的,这样,通过已知因素的分析就可以对该项技术进行预测。相关分析法主要有以下几种:导前-滞后相关分析、技术进步与经验积累的相关分析、技术信息与人员数等因素的相关分析及目标与手段的相关分析等方法。 (3)专家预测法。以专家意见作为信息来源,通过系统的调查、征询专家的意见,分析和整理出预测结果。专家预测法主要有:专家个人判断法、专家会议法、头脑风暴法及德尔菲法等,其中,德尔菲法吸收了前几种专家预测法的长处,避免了其缺点,被认为是技术预测中最有效的专家预测法。趋势外推法的预测数据只能为纵向数据,在进行产品技术创新预测时,只能利用过去的产品技术性能这一个指标来预测它的随时间的发展趋势,并不涉及影响产品技术创新的科技、经济、产业、市场、社会及政策等多方面因素。在现代商业经济中,对于产品技术发展的预测不能

贵州大学开题报告

贵州大学开题报告开题报告包含的论文提纲可以是粗线条的，是一个研究构想的基本框架。可采用整句式或整段式提纲形式。在开题阶段，提纲的目的是让人清楚论文的基本框架，没有必要像论文目录那样详细，下面是小编整理的贵州大学开题报告范文，希望能给大家带来帮助！开题报告范文论文名称：基于BP神经网络的技术创新预测与评估模型及其应用研究课题来源：单位自拟课题或省政府下达的研究课题选题依据：技术创新预测和评估是企业技术创新决策的前提和依据。通过技术创新预测和评估，可以使企业对未来的技术发展水平及其变化趋势有正确的把握，从而为企业的技术创新决策提供科学的依据，以减少技术创新决策过程中的主观性和盲目性。只有在正确把握技术创新发展方向的前提下，企业的技术创新工作才能沿着正确方向开展，企业产品的市场竞争力才能得到不断加强。在市场竞争日趋激烈的现代商业中，企业的技术创新决定着企业生存和发展、前途与命运，为了确保技术创新工作的正确性，企业对技术创新的预测和评估提出了更高的要求。现有的技术创新预测方法可分为趋势外推法、相关分析法和专家预测法三大类。

趋势外推法。指利用过去和现在的技术、经济信息，分析技术发展趋势和规律，在分析判断这些趋势和规律将继续的前提下，将过去和现在的趋势向未来推演。生长曲线法是趋势外推法中的一种应用较为广泛的技术创新预测方法，美国生物学家和人口统计学家RaymondPearl提出的Pearl曲线]）及英国数学家和统计学家Gompertz提出的Gompertz 曲线）皆属于生长曲线，其预测值Y为技术性能指标，t为时间自变量，L、A、B皆为常数。Ridenour模型也属于生长曲线预测法，但它假定新技术的成长速度与熟悉该项技术的人数成正比，主要适用于新技术、新产品的扩散预测。相关分析法。利用一系列条件、参数、因果关系数据和其他信息，建立预测对象与影响因素的因果关系模型，预测技术的发展变化。相关分析法认为，一种技术性能的改进或其应用的扩展是和其他一些已知因素高度相关的，这样，通过已知因素的分析就可以对该项技术进行预测。相关分析法主要有以下几种：导前-滞后相关分析、技术进步与经验积累的相关分析、技术信息与人员数等因素的相关分析及目标与手段的相关分析等方法。专家预测法。以专家意见作为信息来源，通过系统的调查、征询专家的意见，分析和整理出预测结果。专家预测法主要有：专家个人判断法、专家会议法、头脑风暴法及德尔菲法等，其中，德尔菲法吸收了前几种专家预测法的长处，

我的毕业论文开题报告.doc

我的毕业论文开题报告一、选题背景和意义信用卡起源于美国。192019年，美国的一些百货商店、饮食娱乐业、汽油公司向特定顾客发放一种金属徽章作为信用筹码，顾客可凭徽章在商店及其分号赊购商品，约期付款，这就是信用卡的雏形。上述筹码在1950年演变为具有证明身份和支付功能的卡片，这是世界上第一张塑料卡。1951年，美国纽约弗兰克林国民银行发行了允许持卡人在规定的信用额度内在指定商户消费的卡片，开始了银行发行信用卡的历史。20世纪70年代，美国的一些银行发行了直接从客户活期账户扣款、专供ATM取款使用的借记卡，开始了银行发行借记卡的历史。与国外相比，我国的信用卡业务起步较晚。信用卡在我国流通领域中出现始于八十年代初期。随着改革开放，大批外国人士来华旅游或公干，传统的现金结算方式无法满足国外来宾的需要，中国银行先后与国外七家信用卡公司签订了办理这七家公司发行的七种国际主要信用卡的取现和直接购货。1986年中国银行又率先发行了中国第一张信用卡——人民币长城卡。1988年又推出了中国第一张长城万事达卡，1990年中国工商银行和中国建设银行也开始发行万事达卡。1995年广东发展银行发行了我国第一张具有循环信用功能的信用卡。信用卡在中国从代理到发行，经历了大约2019年时间，从无到有，并逐渐成为一种重要的支付方式。近年来，由于我国信用环境建设不完善，银行与持卡人之间的信息不对称、持卡人违约等问题日益突出，加之法律法规不健全，发卡机构在

经营和管理过程中风险控制乏力及银行间的无序竞争，致使该业务存在的问题和风险逐步显现，突出表现在信用卡持卡人违约和欺诈行为出现攀升的势头。因此，商业银行在大力拓展信用卡发卡过程中，必须对信用卡业务风险进行认真分析和研究，以便采取措施，这对于商业银行防范和化解信用卡风险从而增加经济效益具有重要意义。二、国内外研究现状信用风险分析是一个世界性问题，从60年代开始，美国、欧洲一些国家的学者已经开始信用风险评价模型的研究，并逐步应用到银行业的客户信用评分与风险管理之中。这期间统计学和运筹学等定量分析工具被运用到信用评分领域，主要采用传统的多元参数统计方法，包括多元判别分析法（MDA）、Logit模型（Martin 1997,Ohlson 1980）以及运筹学的线性规划分析方法等。20世纪90年代兴起以神经网络为代表的非参数统计方法，并逐步应用到信用评分模型。包括多层感知器(MLP)、BP算法网络、概率神经网络（PNN）（Eric andLong 1995）、自组织映射神经网络（SOM）（Kiviluoto and Bergius 1997）、玻尔兹曼机神经网络（Boltzman Machine）（Kryzanowsk,Galler,Wright1993）、遗传算法以及多智能体系统等。 2019年1月，人民银行的个人征信系统在全国正式运行，可以查询到个人在商业银行的借还款、信用卡、担保等信用信息，以及相关的身份识别信息。我国绝大部分商业银行已将查询个人征信系统纳入信贷管理流程。根据信用报告上的个人信息，在信贷审批和贷后管理时能够甄别出高风险客户群体，然后采取相应措施，降低风险损失。

基于BP算法的神经网络技术毕业论文

毕业设计（论文）题目：基于BP算法的神经网络技术研究与应用

毕业设计（论文）原创性声明和使用授权说明原创性声明本人郑重承诺：所呈交的毕业设计（论文），是我个人在指导教师的指导下进行的研究工作及取得的成果。尽我所知，除文中特别加以标注和致谢的地方外，不包含其他人或组织已经发表或公布过的研究成果，也不包含我为获得及其它教育机构的学位或学历而使用过的材料。对本研究提供过帮助和做出过贡献的个人或集体，均已在文中作了明确的说明并表示了谢意。作者签名：日期：指导教师签名：日期：使用授权说明本人完全了解大学关于收集、保存、使用毕业设计（论文）的规定，即：按照学校要求提交毕业设计（论文）的印刷本和电子版本；学校有权保存毕业设计（论文）的印刷本和电子版，并提供目录检索与阅览服务；学校可以采用影印、缩印、数字化或其它复制手段保存论文；在不以赢利为目的前提下，学校可以公布论文的部分或全部内容。作者签名：日期：

学位论文原创性声明本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写的成果作品。对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明的法律后果由本人承担。作者签名：日期：年月日学位论文版权使用授权书本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。涉密论文按学校规定处理。作者签名：日期：年月日导师签名：日期：年月日

2020年计算机网络技术开题报告

计算机网络技术开题报告通过技术创新预测和评估,可以使企业对未来的技术发展水平及其变化趋势有正确的把握,从而为企业的技术创新决策提供科学的依据。下面为你送上计算机网络技术开题报告。一、论文名称：基于BP神经网络的技术创新预测与评估模型及其应用研究课题：单位自拟课题或省政府下达的研究课题选题依据：技术创新预测和评估是企业技术创新决策的前提和依据。通过技术创新预测和评估,可以使企业对未来的技术发展水平及其变化趋势有正确的把握,从而为企业的技术创新决策提供科学的依据,以减少技术创新决策过程中的主观性和盲目性。只有在正确把握技术创新发展方向的前提下,企业的技术创新工作才能沿着正确方向开展,企业产品的市场竞争力才能得到不断加强。在市场竞争日趋激烈的现代商业中,企业的技术创新决定着企业生存和发展、前途与命运,为了确保技术创新工作的正确性,企业对技术创新的预测和评估提出了更高的要求。二、本课题国内外研究现状及发展趋势现有的技术创新预测方法可分为趋势外推法、相关分析法和专家预测法三大类。 (1)趋势外推法。指利用过去和现在的技术、经济信息,分析技术发展趋势和规律,在分析判断这些趋势和规律将继续的前提下,将

过去和现在的趋势向未来推演。生长曲线法是趋势外推法中的一种应用较为广泛的技术创新预测方法,美国生物学家和人口统计学家RaymondPearl提出的Pearl曲线(数学模型为:Y=L?M[1+A?exp(-B·t)])及英国数学家和统计学家Gompertz提出的Gompertz曲线(数学模型为:Y=L·exp(-B·t))皆属于生长曲线, 其预测值Y为技术性能指标,t为时间自变量,L、A、B皆为常数。Ridenour模型也属于生长曲线预测法,但它假定新技术的成长速度与熟悉该项技术的人数成正比,主要适用于新技术、新产品的扩散预测。 (2)相关分析法。利用一系列条件、参数、因果关系数据和其他信息,建立预测对象与影响因素的因果关系模型,预测技术的发展变化。相关分析法认为,一种技术性能的改进或其应用的扩展是和其他一些已知因素高度相关的,这样,通过已知因素的分析就可以对该项技术进行预测。相关分析法主要有以下几种:导前-滞后相关分析、技术进步与经验积累的相关分析、技术信息与人员数等因素的相关分析及目标与手段的相关分析等方法。 (3)专家预测法。以专家意见作为信息,通过系统的调查、征询专家的意见,分析和出预测结果。专家预测法主要有:专家个人判断法、专家会议法、头脑风暴法及德尔菲法等,其中,德尔菲法吸收了前几种专家预测法的长处,避免了其缺点,被认为是技术预测中最有效的专家预测法。趋势外推法的预测数据只能为纵向数据,在进行产品技术创新预测时,只能利用过去的产品技术性能这一个指标来预测它的随时间

基于BP神经网络的变压器故障诊断研究毕业设计

……………………. ………………. …………………毕业设计装题目：基于BP神经网络的变压器故障诊断研究订线……………….……. …………. …………. ………

2020年推荐课题开题报告范例

推荐课题开题报告范例《推荐课题开题报告范例》是一篇好的范文，觉得有用就收藏了，看完如果觉得有帮助请记得（）。论文最好能建立在平日比较注意探索的问题的基础上，写论文主要是反映学生对问题的思考，详细内容请看下文课题开题报告范例。一、论文名称、课题、选题依据论文名称：基于BP神经网络的创新与评估模型及其应用研究课题：单位自拟课题或 ___下达的研究课题选题依据：技术创新预测和评估是技术创新决策的前提和依据。通过技术创新预测和评估,可以使企业对未来的技术水平及其变化趋势有正确的把握,从而为企业的技术创新决策提供科学的依据,以减少技术创新决策过程中的主观性和盲目性。只有在正确把握技术创新发展方向的前提下,企业的技术创新工作才能沿着正确方向开展,企业产品的市场竞争力才能得到不断加强。在市场竞争日趋激烈的现代商业中,

企业的技术创新决定着企业生存和发展、前途与命运,为了确保技术创新工作的正确性,企业对技术创新的预测和评估提出了更高的要求。二、本课题国内外研究现状及发展趋势现有的技术创新预测方法可分为趋势外推法、相关分析法和专家预测法三大类。 (1) 趋势外推法。指利用过去和现在的技术、经济信息,分析技术发展趋势和规律,在分析判断这些趋势和规律将继续的前提下,将过去和现在的趋势向未来推演。生长曲线法是趋势外推法中的一种应用较为广泛的技术创新预测方法,美国生物学家和人口统计学家Raymond Pearl提出的Pearl曲线(数学模型为: Y=L∕[1+A?exp(-Bt)] )及英国数学家和统计学家Gompertz提出的Gompertz曲线(数学模型为: Y=Lexp(-Bt))皆属于生长曲线,其预测值Y为技术性能指标,t为时间自变量,L、A、B皆为常数。Ridenour模型也属于生长曲线预测法,但它假定新技术的成长速度与熟悉该项技术的人数成正比,主要适用于新技术、新产品的扩散预测。 (2)相关分析法。利用一系列条件、参数、因果关系数据和其他信息,建立预测对象与影响因素的因果关系模型,预测技术的发展变

人工神经网络在认知科学的研究中的应用状况毕业论文

本科毕业设计(论文) 题目：人工神经网络在认知科学的研究中的应用状况的报告

开题报告模式

开题报告怎么写一、课题开题报告含义与作用开题报告，就是当课题方向确定之后，课题负责人在调查研究的基础上撰写的报请上级批准的选题计划。它主要说明这个课题应该进行研究，自己有条件进行研究以及准备如何开展研究等问题，也可以说是对课题的论证和设计。开题报告是提高选题质量和水平的重要环节。

二、开题报告的结构与写法开题报告主要包括以下几个方面： (一)课题名称 (二)课题研究的目的、意义 (三)国内外研究现状、水平和发展趋势。就是本课题有没有人研究，研究达到什么水平，存在什么不足以及正在向什么方向发展等。开题报告写这些内容一方面可以论证本课题研究的地位和价值，另一方面也说明课题研究人员对本课题研究是否有较好的把握。我们进行任何科学研究，必须对该问题的研究现状有清醒的了解，这在第一部分已经谈到。 (四)课题研究的理论依据。我们现在进行的课题基本上都是应用研究和发展研究，这就要求我们的研究必须有一些基本的理论依据来保证研究的科学性。比如：我们要进行活动课实验研究，我们就必须以课程理论、学习心理理论、教育心理学理论为研究试验的理论依据。我们进行教学模式创新实验，就必须以教学理论、教育实验理论等为理论依据。 (五)课题主要研究内容、方法 (六)研究工作的步骤 (七)课题参加人员的组成和专长。主要看参加人员的整体素质与水平，尤其是课题负责人的水平怎么样。如果参加人员和负责人既没有理论又没有实践经验，这个课题就无法很好地完成，也就无法批准立项。 (八)现有基础。主要是人员基础和物质基础。很多课题对人员和设备方面要求是比较高的，如果基本的研究条件都没有，这个课题同样不能立项。 (九)经费估算。就是课题在哪些方面要用钱，用多少钱，怎么管理等。如何撰写教育科研课题的开题报告一、开题报告开题报告就是课题方向确定之后，课题负责人或课题组主研人员在调查研究的基础上撰写的报请上级批准的选题、研究计划。它主要说明这个课题应该进行研究，自己有条件进行研究，准备如何开展研究等问题，是对课题的再论证和再设计。

简述课题开题报告范文

简述课题开题报告范文一、论文名称、课题来源、选题依据论文名称：基于bp神经网络的技术创新预测与评估模型及其应用研究课题来源：单位自拟课题或省政府下达的研究课题选题依据：技术创新预测和评估是企业技术创新决策的前提和依据。通过技术创新预测和评估,可以使企业对未来的技术发展水平及其变化趋势有正确的把握,从而为企业的技术创新决策提供科学的依据,以减少技术创新决策过程中的主观性和盲目性。只有在正确把握技术创新发展方向的前提下,企业的技术创新工作才能沿着正确方向开展,企业产品的市场竞争力才能得到不断加强。在市场竞争日趋激烈的现代商业中,企业的技术创新决定着企业生存和发展、前途与命运,为了确保技术创新工作的正确性,企业对技术创新的预测和评估提出了更高的要求。二、本课题国内外研究现状及发展趋势现有的技术创新预测方法可分为趋势外推法、相关分析法和专家预测法三大类。 (1)趋势外推法。指利用过去和现在的技术、经济信息,分析技术发展趋势和规律,在分析判断这些趋势和规律将继续的前提下,将过去和现在的趋势向未来推演。生

长曲线法是趋势外推法中的一种应用较为广泛的技术创新预测方法,美国生物学家和人口统计学家raymond pearl提出的pearl曲线(数学模型为:y=l∕[1+a?exp(-b·t)])及英国数学家和统计学家gompertz提出的gompertz曲线(数学模型为:y=l·exp(-b·t))皆属于生长曲线,其预测值y为技术性能指标,t为时间自变量,l、a、b皆为常数。ridenour模型也属于生长曲线预测法,但它假定新技术的成长速度与熟悉该项技术的人数成正比,主要适用于新技术、新产品的扩散预测。 (2)相关分析法。利用一系列条件、参数、因果关系数据和其他信息,建立预测对象与影响因素的因果关系模型,预测技术的发展变化。相关分析法认为,一种技术性能的改进或其应用的扩展是和其他一些已知因素高度相关的, 这样,通过已知因素的分析就可以对该项技术进行预测。相关分析法主要有以下几种:导前-滞后相关分析、技术进步与经验积累的相关分析、技术信息与人员数等因素的相关分析及目标与手段的相关分析等方法。 (3)专家预测法。以专家意见作为信息来源,通过系统的调查、征询专家的意见,分析和整理出预测结果。专家预测法主要有:专家个人判断法、专家会议法、头脑风暴法及德尔菲法等,其中,德尔菲法吸收了前几种专家预测法的长处,避免了其缺点,被认为是技术预测中最有效的

bp神经网络开题报告

毕业设计(论文)开题报告学生姓名：窦朝阳学号：P1501080614所在学院：自动化与电气工程学院专业：自动化设计(论文)题目：基于神经网络改进算法的水质评价指导教师：夏美娟 2012年3月15日

开题报告填写要求 1．开题报告（含“文献综述”）作为毕业设计（论文）答辩委员会对学生答辩资格审查的依据材料之一。此报告应在指导教师指导下，由学生在毕业设计（论文）工作前期内完成，经指导教师签署意见及所在专业审查后生效； 2．开题报告内容必须用黑墨水笔工整书写或按教务处统一设计的电子文档标准格式（可从教务处网页上下载）打印，禁止打印在其它纸上后剪贴，完成后应及时交给指导教师签署意见； 3．“文献综述”应按论文的格式成文，并直接书写（或打印）在本开题报告第一栏目内，学生写文献综述的参考文献应不少于15篇（不包括辞典、手册）； 4．有关年月日等日期的填写，应当按照国标GB/T7408—94《数据元和交换格式、信息交换、日期和时间表示法》规定的要求，一律用阿拉伯数字书写。如“2004年4月26日”或“2004-04-26”。

毕业设计（论文）开题报告 1．结合毕业设计（论文）课题情况，根据所查阅的文献资料，每人撰写2000字左右的文献综述：文献综述一．研究意义与背景与意义：水是人类生存和发展的物质基础。随着生产的发展和人口的增长，水资源短缺、水质污染问题越来越突出。水环境质量评价是认识和研究水环境的一项重要内容，其目的是准确反映环境的质量和污染状况，预测未来的发展趋势，是水环境管理保护和治理的一项重要基础性工作。总的来说，生物存活和人类生产、科研都需要水、且对水质都有不同的要求，为更好地保护地球环境、使得地球生物不受有害水体的侵害及更好地满足人类生产、科研的用水需求，需要进行水质检测与评价。水质综合评价就是将水质监测因子和水质评价标准联合起来进行研究,从而建立水质评价模型,对水体的水质等级进行综合评判以便为水质目标责任管理提供科学依据,为水体的科学管理和污染防治提供决策依据。水环境质量综合评价涉及到的多项评价指标之间通常存在不相容性和模糊性,而且一般认为各项指标与环境质量等级之间存在的是非线性关系,因此水质评价模型需要有很强的容错能力和处理非线性能力。二．课题研究的内容：（1）神经网络方面的知识： ①神经网络改进算法方面的基本结构： BP网络是一种单向传播的多层前向网络。网络结构是由输入层、输出层和隐含层组成,各层神经元的作用是不同的:输入层接受外界信息,输出层对输入层信息进行判别和决策,中间的隐含层用来表示或存贮信息。 BP神经网络在实际应用中,分导师知识学习训练和模式识别决策两个过程。导师知识学习训练过程归结起来分为4个过程,输入模式由输入层经中间层向输出层方向“模式顺传播”，网络的希望输出和网络的实际输出之间的误差信号,由输出层经中间层向输入层逐渐修正连接权的“误差逆传播”，由“模式顺传播”和“误差逆传播”的反复交替进行的网络“学习记忆”训练过程,使网络趋向收敛,即全局误差趋向极小值的“学

毕设开题报告

毕设开题报告毕设开题报告毕设开题报告（一）姓名：*** 学号：*** 专业年级：**级指导教师：*** 一、课题意义（包括课题的理论意义和现实意义）中等生是在班级中成绩中等，平时表现不突出（既不特别优秀也不特别差），也没有突出特长吸引老师、家长注意的学生。单从心理健康教育这一点来说，中等生是学校家长和老师最需要关注的群体，其原因其实很简单：相对于优等生和后进生，中等生面临的升学压力和精神压力更大。他们是班级的主体，学习上有一定基础，将来班级升学率的高低主要取决于他们，所以老师对他们抱有极大的期望，同样家长对这部分学生也怀着极大的期望，往往在有意无意中给他们加压。而他们自己也同样怀着较大的希望，希望自己能不断进步，力争摆脱中等生的位置。为此他们往往表现得十分懂事，学习上特别刻苦用功，甚至废寝忘食。但由于学习基础、方法、能力和先天素质等多方面的原因，往往使得他们的学习效果欠佳，一次次冲击都不能如愿，甚至倒退，最终使他们彻底丧失了信心，把一切失败的根源都归结为一个字：笨，从而产生了严重的自卑心理以及其他常见的心理问题。更要命的是，这些学生的性格往往内向，平时安分守已，表现良好。所以他们的心理问题更具有隐蔽性，不易被人发现，班主任老师为其表面现象所迷惑，再加上受“抓两头，带中间”的传统教育格局的影响，往往没有对中等生普遍存在的心理问题引起足够的认识和重视，更谈不上及时的心理疏导，导致这些学生的心理问题越来越严重，严重影响了他们的学习和生活。有极少数学生甚至发展成为精神病患者。本论文在学生学习生活中常见的心理状态上，立足于中等生的常见心理问题，对不同性别、年级的中等生进行调查，根据其教师、家长的教育方法，研究对他们成长的影响，从而找到适合中等生的教育，促进青少年成长。二、文献综述（包括：1.理论的渊源及演进过程 2.国内外对本课题的研究现状和有待解决的问题 3.本人对所查文献的评述等）（一）理论渊源及其演进过程：皮格马利翁效应，也有译“毕马龙效应”、“比马龙效应”，由美国著名心理学家罗森塔尔和雅格布森在小学教学上予以验证提出。亦称“罗森塔尔效应（robertrosenthal effect）”或“期待效应”。这是一次期望心理实验。他们