畢業(yè)設(shè)計(jì)（論文）開題報(bào)告 設(shè)計(jì)（論文）題目 : 基于 C 語言的 BP 神經(jīng)網(wǎng)絡(luò)預(yù)測程序開發(fā) 院 系 名 稱 : 汽車與交通工程學(xué)院 專 業(yè) 班 級 : 車輛工程 B07-11班 學(xué) 生 姓 名 : 導(dǎo) 師 姓 名 : 開 題 時(shí) 間 : 2011 年 3 月 2 日 指導(dǎo)委員會(huì) 審查意見： 簽字： 年 月 日 畢業(yè)設(shè)計(jì)（論文）開題報(bào)告 學(xué)生姓名 系部 汽車與交通工程 學(xué)院 專業(yè)、班級 車輛 07-11 班 指導(dǎo)教師姓名 職稱 實(shí)驗(yàn)師 從事 專業(yè) 汽車工程 指導(dǎo)教師姓名 王悅新 題目名稱 基于 C 語言的 BP 神經(jīng)網(wǎng)絡(luò)預(yù)測程序開發(fā) 一、 課題研究 現(xiàn)狀、 選題 目的 和意義 神經(jīng)網(wǎng)絡(luò)是在現(xiàn)代神經(jīng)科學(xué)研究成果的基礎(chǔ)上 , 對生物神經(jīng)系統(tǒng)的結(jié)構(gòu)和功能進(jìn)行數(shù)學(xué)抽象、簡化和模仿而逐步發(fā)展起來的一種新型信息處理和計(jì)算系統(tǒng)。人工神經(jīng)網(wǎng)絡(luò)由大量結(jié)構(gòu)簡單的神經(jīng)元按各種拓?fù)浣Y(jié)構(gòu)組成 , 它的整體特征是由 每個(gè)節(jié)點(diǎn)的特性、網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)和學(xué)習(xí)算法決定的。建立人工神經(jīng)網(wǎng)絡(luò)模型 , 運(yùn)用其記憶能力對一直數(shù)據(jù)進(jìn)行學(xué)習(xí)記憶 , 再利用其聯(lián)想能力對為止問題進(jìn)行識別和預(yù)測等。誤差反向傳遞訓(xùn)練算法的 BP 網(wǎng)絡(luò)是神經(jīng)網(wǎng)絡(luò)中最常見的一類網(wǎng)絡(luò)形式 , 也是目前研究最多、最成熟的神經(jīng)網(wǎng)絡(luò)系統(tǒng)。據(jù)統(tǒng)計(jì) , 80% 90%的神經(jīng)網(wǎng)絡(luò)模型采用了 BP 網(wǎng)絡(luò)或者它的改進(jìn)形式。 BP 神經(jīng)網(wǎng)絡(luò)采用誤差反傳學(xué)習(xí)算法 ( 也稱 BP 算法 ) , 是一種多層前饋網(wǎng)絡(luò)使用的監(jiān)控式學(xué)習(xí)算法。 BP 網(wǎng)絡(luò)是一種有導(dǎo)師的學(xué)習(xí)算法 ,其主要思想是把整個(gè)學(xué)習(xí)過程分為 4 個(gè)部分 : 一是輸入模式從輸入層經(jīng)隱含層傳向輸出層的 : “模式順傳播”過程 ； 二是網(wǎng)絡(luò)的希望輸出與實(shí)際輸出之差的誤差信號由輸出層經(jīng)隱含層向輸入層逐層修正連接權(quán)的“誤差逆?zhèn)鞑ァ边^程 ； 三是由“模式順傳播”和“誤差逆?zhèn)鞑ァ钡姆磸?fù)交替進(jìn)行的網(wǎng)絡(luò)“記憶訓(xùn)練”過程 ； 四是網(wǎng)絡(luò)趨向收斂即網(wǎng)絡(luò)的全局誤差趨向極小值的“學(xué)習(xí)收斂”過程。 人工神經(jīng)網(wǎng)絡(luò)是在現(xiàn)代神經(jīng)生物學(xué)研究基礎(chǔ)上提出的模擬生物過程，反映人腦某些特性的一種計(jì)算結(jié)構(gòu)。它不是人腦神經(jīng)系統(tǒng)的真實(shí)描寫，而只是它的某種抽象、簡化和模擬。根據(jù)前面對生物神經(jīng)網(wǎng)絡(luò)的介紹可知，神經(jīng) 元及其突觸是神經(jīng)網(wǎng)絡(luò)的基本器件。因此，模擬生物神經(jīng)網(wǎng)絡(luò)應(yīng)首先模擬生物神經(jīng)元。在人工神經(jīng)網(wǎng)絡(luò)中，神經(jīng)元常被稱為 “處理單元 ”，有時(shí)從網(wǎng)絡(luò)的觀點(diǎn)出發(fā)常把它稱為 “節(jié)點(diǎn) ”。人工神經(jīng)元是對生物神經(jīng)元的一種形式化描述，它對生物神經(jīng)元的信息處理過程進(jìn)行抽象，并用數(shù)學(xué)語言予以描述；對生物神經(jīng)元的結(jié)構(gòu)和功能進(jìn)行模擬，并用模型圖予以表達(dá)。 目前人們提出的神經(jīng)元模型己有很多，其中最早提出且影響最大的，是 1943 年心理學(xué)索 McCul1oh 和數(shù)學(xué)家 W.Pitts 在分析總結(jié)神經(jīng)元基本特性的基礎(chǔ)上首先提出的 M-P模型。該模型經(jīng) 過不斷改進(jìn)后，形成目前廣泛應(yīng)用的神經(jīng)元模型形式。關(guān)于神經(jīng)元的信息處理機(jī)制，該模型在簡化的基礎(chǔ)上提出以下 6 點(diǎn)假定進(jìn)行描述： (1)每個(gè)神經(jīng)元都是一個(gè)多輸入單輸出的信息處理單元； (2)神經(jīng)元輸入分興奮性輸入和抑制性輸入兩種類型； (3)神經(jīng)元具有空間整合特性和閡值特性； (4)神經(jīng)元輸入與輸出間有固定的時(shí)滯，主要取決于突觸延擱； (5)忽略時(shí)間整合作用和不應(yīng)期； (6)神經(jīng)元本身是非時(shí)變的，即其突觸時(shí)延和突觸強(qiáng)度均為常數(shù)。 神經(jīng)細(xì)胞是構(gòu)筑神經(jīng)系統(tǒng)和人 腦的基本單元，它既具有結(jié)構(gòu)和功能的動(dòng)態(tài)特性，又具有時(shí)間和空間的動(dòng)態(tài)特性，其簡單有序的編排構(gòu)成了完美復(fù)雜的大腦。神經(jīng)細(xì)胞之間的通信是通過其具有可塑性的突觸禍合實(shí)現(xiàn)的，這使它們成為一個(gè)有機(jī)的整體。人工神經(jīng)網(wǎng)絡(luò)就是通過對人腦的基本單元 神經(jīng)細(xì)胞一一的建模和連接，來探索模擬人腦神經(jīng)系統(tǒng)功能的模型，其任務(wù)是構(gòu)造具有學(xué)習(xí)、聯(lián)想、記憶和模式識別等智能信息處理功能的人工系統(tǒng)。 在各種智能信息處理模型中，人工神經(jīng)網(wǎng)絡(luò)是最具有大腦風(fēng)格的智能信息處理模型，許多網(wǎng)絡(luò)都能反映人腦功能的若干基本特性，但并非生物系統(tǒng)的逼真描述，只是對其 局部電路的某種模仿、簡化和抽象。 大量神經(jīng)元組成龐大的神經(jīng)網(wǎng)絡(luò)，才能實(shí)現(xiàn)對復(fù)雜信息的處理與存儲(chǔ)，并表現(xiàn)出各種優(yōu)越的特性。神經(jīng)網(wǎng)絡(luò)的強(qiáng)大功能與其大規(guī)模并行互連、非線性處理以及互連結(jié)構(gòu)的可塑性密切相關(guān)。因此必須按一定規(guī)則將神經(jīng)元連接成神經(jīng)網(wǎng)絡(luò)，并使網(wǎng)絡(luò)中各神經(jīng)元的連接權(quán)按一定規(guī)則變化。生物神經(jīng)網(wǎng)絡(luò)由數(shù)以億計(jì)的生物神經(jīng)元連接而戒，而人工神經(jīng)網(wǎng)絡(luò)限于物理實(shí)現(xiàn)的困難和為了計(jì)算簡便，是由相對少量的神經(jīng)元按一定規(guī)律構(gòu)成的網(wǎng)絡(luò)。人工神經(jīng)網(wǎng)絡(luò)中的神經(jīng)元常稱為節(jié)點(diǎn)或處理單元，每個(gè)節(jié)點(diǎn)均具有相同的結(jié)構(gòu)，其動(dòng)作在時(shí)間和空間上均同步 。 人工神經(jīng)網(wǎng)絡(luò)的模型很多，可以按照不同的方法進(jìn)行分類。其中常見的兩種分類方法是：按網(wǎng)絡(luò)連接的拓?fù)浣Y(jié)構(gòu)分類和按網(wǎng)絡(luò)內(nèi)部的信息流向分類。 （ 1） 按照網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)類型 神經(jīng)元之間的連接方式不同，網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)也不同。根據(jù)神經(jīng)元之間連接方式，可將神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)分為層次型結(jié)構(gòu)、互連型結(jié)構(gòu)兩大類。 （ 2） 根據(jù)神經(jīng)網(wǎng)絡(luò)內(nèi)部信息的傳遞方向，可分為前饋型網(wǎng)絡(luò)、反饋型網(wǎng)絡(luò)兩種類型。 目前國外在工程上獲得實(shí)際應(yīng)用的神經(jīng)元模型，大部分是 BP（ Back Propagition BP，誤差反饋）網(wǎng)絡(luò)。 BP（ Back Propagation）網(wǎng)絡(luò)是 1986 年由 Rumelhart 和 McCelland 為首的科學(xué)家小組提出，是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。 BP 網(wǎng)絡(luò)能學(xué)習(xí)和存貯大量的輸入 -輸出模式映射關(guān)系，而無需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程。它的學(xué)習(xí)規(guī)則是使用最速下降法，通過反向傳播來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小。 BP 神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)包括輸入層（ input）、隱層 (hide layer)和輸出層 (output layer)（如圖 3.9 所示 ）。 BP 網(wǎng)絡(luò)的學(xué) 習(xí)過程主要由四部分組成： （ 1） 輸入模式順傳播（輸入模式由輸入層經(jīng)中間層向輸出層傳播計(jì)算）； （ 2） 輸出誤差逆?zhèn)鞑ィㄝ敵龅恼`差由輸出層經(jīng)中間層傳向輸入層）； （ 3） 循環(huán)記憶訓(xùn)練（模式順傳播與誤差逆?zhèn)鞑サ挠?jì)算過程反復(fù)交替循環(huán)進(jìn)行）； （ 4） 學(xué)習(xí)結(jié)果判別（判定全局誤差是否趨向極小值）。 就是根據(jù) 這四個(gè)過程并分別編程 。 二、設(shè)計(jì)（論文） 的基本內(nèi)容 1. 熟悉 C 語言軟件 2研究 BP 網(wǎng)絡(luò)工作原理 3. 神經(jīng)網(wǎng)絡(luò)訓(xùn)練、測試過程編程 4. 預(yù)測實(shí)例 三、技術(shù)路線（研究方法） 用數(shù)據(jù)對系統(tǒng)進(jìn)行測試 四、進(jìn)度安排 （ 1） 熟悉任務(wù)書，了解相關(guān)信息，準(zhǔn)備資料，填寫開題報(bào)告：第 12 周（ 3 月 1 日 3 月14 日） （ 2） 建立精確 BP 數(shù)學(xué)模型，提 相應(yīng)問題：第 34 周（ 3 月 15 日 3 月 28 日） （ 3） 確定算法 及中期檢查：第 56 周（ 3 月 29 日 4 月 11 日） （ 4） 編程序 ：第 711 周（ 4 月 12 日 5 月 9 日） （ 5） 運(yùn)行調(diào)試；第 12 13 周（ 5 月 10 日 5 月 30 日） （ 6） 設(shè)計(jì)說明書評閱、審核及修改不足：第 14 16 周（ 5 月 31 日 6 月 20 日） （ 7） 為 畢業(yè)設(shè)計(jì)答辯做準(zhǔn)備及答辯 ：第 17 周（ 6 月 21 日 6 月 27 日） 對系統(tǒng)進(jìn)行數(shù)學(xué)建模 設(shè)計(jì)算法 調(diào)查研究、收集資料 用 C 語言編寫程序 對系統(tǒng)進(jìn)行學(xué)習(xí)訓(xùn)練 調(diào)試程序 整理文檔，形成設(shè)計(jì)說明書 五、 參考文獻(xiàn) 1艾立群 . 人工神經(jīng)網(wǎng)絡(luò)在鋼鐵工業(yè)中的應(yīng)用 J. 鋼鐵研究學(xué)報(bào) . 1997, 9(4):60-63. 2王秀梅 , 王國棟 , 劉相華 . 人工神經(jīng)網(wǎng)絡(luò)和數(shù)學(xué)模型在熱連軋機(jī)組軋制力預(yù)報(bào)中的綜合應(yīng)用 J.鋼鐵， 1999, 34(3):37-43. 3牛濟(jì)泰 , 孫雷劍 , 李海濤 .基于人工神經(jīng)網(wǎng)絡(luò)的微合金鋼熱軋奧氏體晶粒尺寸模型的研究 J. 材料科學(xué)與工藝， 1999, 7(3):12-16. 4高永生 , 張鵬 , 崔軍 , 等 . 應(yīng)用人工神經(jīng) 網(wǎng)絡(luò)預(yù)測 50CrV4鋼的變形抗力 J. 鋼鐵 , 1998， 33(4):27-30. 5王鐵 , 陳進(jìn) . BP算法中學(xué)習(xí)率及形狀因子對學(xué)習(xí)速度的綜合影響 J. 上海交通大學(xué)學(xué)報(bào)， 1997， 31(3) :109-112. 6Bellomo P, Palchetti M, Maria E S， et al . Neural Networks Utilization for Breakout MonitoringA. Steelmaking Conference ProceedingC. Nashville : A Publication of t he Iron and Steel Society, 1995. 345. 7Ludwig. Thermophysical Properties Necessary for Advanced Casting SimulationJ. Interna