BP神经网络在结构边界参数识别中的应用

2025-02-27

BP神经网络在结构边界参数识别中的应用（共5篇）（共5篇）

1.BP神经网络在结构边界参数识别中的应用篇一

非结构动网格在可动边界问题中的应用研究

本文对用于非结构动网格生成的弹簧近似方法进行了研究.通过采用顶点弹簧方法,分析研究了弹簧倔强系数的取值,同时通过引入挤压倔强系数和边界修正,对标准弹簧近似方法进行了改进.改进后的方法可以大大提高网格变形能力和网格质量.应用本文发展的非结构动网格生成方法并通过耦合求解基于(Arbitrary Lagrangian-Eulerian ALE)描述的`Euler方程,模拟了谐和振动NACA0012翼型及M6机翼的跨音速绕流,计算结果与参考文献提供的结果及实验结果吻合良好.

作者：王军利白俊强詹浩 WANG Jun-li BAI Jun-qiang ZHAN Hao 作者单位：西北工业大学,航空学院,西安,710072 刊名：力学季刊 ISTIC PKU英文刊名：CHINESE QUARTERLY OF MECHANICS 年，卷(期)： 27(2) 分类号：V211 O35 关键词：非结构动网格弹簧近似运动边界非定常流动 Euler方程

2.BP神经网络在结构边界参数识别中的应用篇二

鉴于BP神经网络在目标识别领域的优势,文中在雷达目标识别中应用BP神经网络,通过BP神经网络学习训练雷达目标特征数据,从而自动识别雷达目标类型。实验结果表明该方法能够有效提高雷达识别系统的效率,在雷达目标识别中可以发挥重要作用。

1 BP神经网络算法概述

BP神经网络[3]包含输入层,输出层和一层或多层的隐含层。以3层BP神经网络为例,如图1所示。

BP神经网络最显著的特点是不需要输入与输出之间的精确数学表达式,只需要对BP神经网络加以训练,通过学习一定数量的样本数据,BP网络就能建立输入与输出之间的映射关系。

如图1的3层网络结构,假设输入层神经元数为n、隐含层神经元数为l、输出层神经元数为m,网络输入层、隐含层和输出层的输出向量分别为X=(x1,x2,…,xn)T、H=(h1,h2,…,hl)T、Y=(y1,y2,…,ym)T,目标输出向量为D=(d1,d2,…,dm)T,第i个输入层神经元和第j个隐含层神经元之间的连接权重为wij,第j个隐含层神经元和第k个输出层神经元之间的连接权重为wjk,第j个隐含层单元和第k个输出层单元的阈值分别为φj和θk。

那么隐含层神经元的输出值为

$h_{j} = f (\sum_{i = 1}^{n} w_{i j} x_{i} + φ_{j}) (1)$

输出层神经元的输出值为

$y_{k} = f (\sum_{i = 1}^{n} w_{j k} h_{j} + θ_{k}) (2)$

其中,f(*)是激励函数,采用S型函数

$f (x) = \frac{1}{1 + e^{- x}} (3)$

根据最小均方误差理论,可以得到连接权值的调整公式为

wjk(t+1)=wjk(t)+η·hj(1-hj)(dj-hj)yk (4)

$w_{i j} (t + 1) = w_{i j} (t) + η \cdot y_{i} \cdot (1 - y_{i}) \cdot x_{j} \cdot \sum_{k = 1}^{m} h_{i} (1 - h_{i}) \cdot (d_{i} - h_{i}) \cdot w_{k i} (5)$

式中,t为训练次数;η为学习速率。

在上述定义下,BP网络的学习训练过程如下:

(1)选取训练样本集。

(2)初始化权值和阈值,对其分配一些数值较小的随机值。

(3)利用式(1)和式(2)对每个输入样本数据进行前向计算,得出隐含层输出值和输出层输出值。

(4)根据式(4)和式(5)修正其权值和阈值。

(5)当本次样本训练结束后,判断网络误差是否满足要求或者是否达到最大训练次数,如果没有,则继续下一轮迭代,反之,则训练结束。BP 神经网络完成学习训练后即可投入使用。

2 雷达目标识别

雷达目标识别是指用雷达设备获取目标的特征信息,并利用已掌握的各种目标的先验知识来判别未知目标的类别属性。识别系统中采用的识别算法是整个系统的核心,系统识别算法需要满足下述要求:

(1)能够高效处理海量数据,实现对雷达目标识别系统产生的海量数据的有效利用和高效处理。

(2)能够辨别复杂多样的目标特性,克服雷达目标波形复杂多变的特性对识别带来的困难。

(3)可以有效处理不完整和模糊数据,实现对数据量有限且易受到多种干扰的目标信号进行处理。

(4)能够快速适应多变的电磁环境,当出现新的目标类型或特性时,可以快速构建新的训练网络,对目标进行识别。

考虑到雷达目标识别系统需要满足上述要求,采用BP神经网络构造系统的识别算法,并通过实验验证该方法的有效性。

3 BP神经网络在雷达目标识别中的应用及实验结果

选取6类目标的回波数据进行实验,每类目标的回波数据数目各为200,每个数据是从雷达回波中提取的11维目标特征向量,将数据划分为训练样本集和测试样本集两部分。

本文借鉴文献[4]采用的BP网络结构。BP网络输入层含有11个神经元,包括目标距离、方位以及回波波形的时域特征,如跳动特性、扭动特性、展宽等[5]。第一隐含层含有15个神经元。第二隐含层含有8个神经元。输出层含有6个神经元。

表1给出了采用100的随机数种子初始化权值和阈值,BP网络所产生的学习训练和测试结果。表2的随机数种子为500。

从表1中可以看出,当初始随机数种子为100时,网络收敛速度较快,得到了较好的识别结果,识别性能稳定。表2的结果表明,在初始随机数种子变为500时,网络收敛速度有所减慢,识别准确率相对表1有所降低,但识别结果仍然在可以接受的范围内。

4 结束语

利用BP神经网络进行雷达目标识别,BP网络具有学习功能,能够有效降低技术人员的工作量,提高雷达目标识别系统的效率。实验结果表明BP网络能够满足雷达目标识别的特定需求,具有较高的目标识别准确率,在雷达目标识别中可以发挥重要的作用。

摘要：针对雷达目标信号复杂多样的特点,提出了基于BP神经网络的雷达目标识别方法。BP神经网络具有学习功能,能够有效地提高雷达目标识别系统的效率。实验结果证明了该方法的有效性和实用性。

关键词：BP神经网络,雷达目标识别,目标特性

参考文献

[1]郭桂蓉,庄钊文,陈曾平.电磁特征抽取与目标识别[M].长沙:国防科技大学出版社,1996.

[2]张立明.人工神经网络的模型及其应用[M].上海:复旦大学出版社,1994.

[3]M.Riedmiiler,H Braun.A Direct Adaptive Method forFaster Back Propagation Leaning:The RPROP Algorithm[C].San Fraucisco:ICNN,1993.

[4]宋锐,张静,夏胜平,等.一种基于BP神经网络群的自适应分类方法及其应用[J].电子学报,2001,12(A):1131-1140.

3.BP神经网络在结构边界参数识别中的应用篇三

利用4次降雨过程的多普勒雷达体扫的回波强度资料及相应的雨量计观测资料,通过BP神经网络方法来估测临沂地区的降雨量,同时以改进的最佳窗概率配对法建立的Z-R关系估测的降雨量为对照,进一步验证BP神经网络方法的优越性.根据各个站点的平均相对误差、均方根差、相关系数和相关曲线斜率4个指标的.比较,小时雨量和累计降雨量估测结果表明: BP神经网络估测精度要明显优于Z-R关系式,训练样本的精度高于检验样本的精度,BP神经网络估测的降雨量与站点实测雨量吻合性较好,能够较真实地反映地面降雨情况;Z-R关系式估测的降雨量随着雨强的不同表现为不同程度的低估现象.

作者：邵月红张万昌刘永和孙成武傅成玉 SHAO Yue-hong ZHANG Wan-chang LIU Yong-he SUN Cheng-wu FU Cheng-yu 作者单位：邵月红,SHAO Yue-hong(南京大学,国际地球系统科学研究所,南京,江苏210093)

张万昌,刘永和,ZHANG Wan-chang,LIU Yong-he(中国科学院,大气物理所东亚区域气候-环境重点实验室/全球变化东亚区域研究中心,北京100029)

孙成武,傅成玉,SUN Cheng-wu,FU Cheng-yu(临沂市气象局,临沂,山东276004)

4.BP神经网络在结构边界参数识别中的应用篇四

针对误差反向传播(BP)算法训练速度慢和易于陷入局部最小值的缺点,提出了利用遗传算法(GA)的.全局寻优性,结合GA和BP的各自优点,分析和建立了进化神经网络(GA-BP)模型,并将该模型应用于似大地水准面模型精化.最后以南方某市E级GPS控制网高程数据为例,进行BP和GA-BP模型的对比实验,通过对内、外符合精度及MAPE(平均绝对误差百分比)指标分析,验证了该方法的可行性.

作者：作者单位：刊名：全球定位系统英文刊名：GNSS WORLD OF CHINA 年，卷(期)： 34(4) 分类号：P225 关键词：BP神经网络遗传算法 GPS高程似大地水准面