1、：ZHEJIANGUNIVERSITYOFSCIENCE&TECHNOLOGY智能控制基礎(chǔ)研究生課程設(shè)計(jì)報(bào)告題目基于BP神經(jīng)網(wǎng)絡(luò)的故障診斷方法學(xué)院機(jī)械與汽車(chē)工程學(xué)院專(zhuān)業(yè)班級(jí)車(chē)輛工程學(xué)號(hào)學(xué)1601852020學(xué)生姓名李躍軒指導(dǎo)教師武曉莉完成日期2016年12月10日目錄1設(shè)計(jì)概述2.1.1 研究對(duì)象介紹2.1.2 設(shè)計(jì)內(nèi)容及目標(biāo)2.2設(shè)計(jì)原理、方法及步驟3.2.1 基于BP算法的神經(jīng)網(wǎng)絡(luò)模型32.2 神經(jīng)網(wǎng)絡(luò)信息融合故障診斷步驟43結(jié)果及分析6.3.1 數(shù)據(jù)仿真.6.3.2 結(jié)果分析8.4設(shè)計(jì)小結(jié)9.參考文獻(xiàn)1Q附錄程序111設(shè)計(jì)概述1.1 研究對(duì)象介紹信息融合是多源信息綜合處理的一項(xiàng)新

2、技術(shù)，是將來(lái)自某一目標(biāo)（或狀態(tài)）的多源信息加以智能化合成，產(chǎn)生比單一信息源更精確、更完全的估計(jì)和判決。信息融合所處理的多傳感器信息具有更為復(fù)雜的形式，可以在不同的信息層次上出現(xiàn)。多傳感器信息融合的優(yōu)點(diǎn)突出地表現(xiàn)在信息的冗余性、容錯(cuò)性、互補(bǔ)性、實(shí)時(shí)性和低成本性。神經(jīng)網(wǎng)絡(luò)是由大量互聯(lián)的處理單元連接而成，它是基于現(xiàn)代神經(jīng)生物學(xué)以及認(rèn)知科學(xué)在信息處理領(lǐng)域應(yīng)用的研究成果。它具有大規(guī)模并行模擬處理、連續(xù)時(shí)間動(dòng)力學(xué)和網(wǎng)絡(luò)全局作用等特點(diǎn)，有很強(qiáng)的自適應(yīng)學(xué)習(xí)和非線(xiàn)性擬合能力，從而可以替代復(fù)雜耗時(shí)的傳統(tǒng)算法，使信號(hào)處理過(guò)程更接近人類(lèi)思維活動(dòng)。柴油機(jī)故障具有相似性，故障與征兆的關(guān)系不明確，具有較強(qiáng)的模糊性，故障特征

3、相互交織，柴油機(jī)故障診斷是一個(gè)復(fù)雜的問(wèn)題。綜合柴油機(jī)故障的特點(diǎn)以及神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì)，采用基于BP神經(jīng)網(wǎng)絡(luò)的多傳感器信息融合技術(shù)對(duì)柴油機(jī)機(jī)械故障進(jìn)行診斷。1.2 設(shè)計(jì)內(nèi)容及目標(biāo)設(shè)計(jì)內(nèi)容：針對(duì)傳統(tǒng)故障診斷方法存在的診斷準(zhǔn)確性不高的問(wèn)題，提出了BP神經(jīng)網(wǎng)絡(luò)信息融合的方法，實(shí)現(xiàn)對(duì)柴油機(jī)的機(jī)械故障診斷。由多個(gè)傳感器采集信號(hào)，分別經(jīng)過(guò)快速傅里葉變換后獲得故障頻域特征值，再經(jīng)BP神經(jīng)網(wǎng)絡(luò)對(duì)柴油機(jī)進(jìn)行故障局部診斷，能夠?qū)ο鄳?yīng)傳感器的不同故障類(lèi)型做出一個(gè)準(zhǔn)確地分類(lèi)，最終完成對(duì)汽輪機(jī)機(jī)械故障的準(zhǔn)確診斷。實(shí)驗(yàn)結(jié)果表明，該方法克服了單個(gè)傳感器的局限性和不確定性，是一種有效的故障診斷方法。采用方法：通過(guò)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行局

4、部診斷，最終判定故障及故障類(lèi)型。基于BP神經(jīng)網(wǎng)絡(luò)多傳感器信息融合，故障診斷方法是特征層狀態(tài)屬性融合，并利用MATLAB仿真。2設(shè)計(jì)原理、方法及步驟基于神經(jīng)網(wǎng)絡(luò)多傳感器信息融合故障診斷方法是特征層狀態(tài)屬性融合，也就是特征層聯(lián)合識(shí)別方法，多傳感器檢測(cè)系統(tǒng)為識(shí)別提供了比單傳感器更多的有關(guān)目標(biāo)(狀態(tài))的特征信息，增大了特征空間維數(shù)。本文運(yùn)用神經(jīng)網(wǎng)絡(luò)多傳感器信息融合方法對(duì)機(jī)械設(shè)備運(yùn)行狀態(tài)進(jìn)行診斷識(shí)別，是基于這樣一種思想：設(shè)備運(yùn)行狀態(tài)與其各種征兆參數(shù)(溫度、壓力、電壓、電流、振動(dòng)信號(hào)等)之間存在著因果關(guān)系，而這種關(guān)系之復(fù)雜是難用公式表達(dá)的，由于神經(jīng)網(wǎng)絡(luò)所具有的信息分布式存儲(chǔ)方式、大規(guī)模自適應(yīng)并行處理、高度

5、的容錯(cuò)能力等是其可用于模式識(shí)別的基礎(chǔ)，特別是其學(xué)習(xí)能力、容錯(cuò)能力和高度的非線(xiàn)性映射能力對(duì)機(jī)械設(shè)備運(yùn)行狀態(tài)的不確定性模式識(shí)別具有獨(dú)到之處。2.1基于BP算法的神經(jīng)網(wǎng)絡(luò)模型本文采用的是3層BP神經(jīng)網(wǎng)絡(luò)模型，由輸入層、隱層和輸出層構(gòu)成，圖1所示為一個(gè)典型的三層BP神經(jīng)網(wǎng)絡(luò)模型圖1一個(gè)簡(jiǎn)單的BP神經(jīng)網(wǎng)絡(luò)模型網(wǎng)絡(luò)的前饋意義在于每一層節(jié)點(diǎn)的輸入僅來(lái)自前面一層節(jié)點(diǎn)的輸出。對(duì)于輸入信號(hào)，先前向傳播到隱層節(jié)點(diǎn)，經(jīng)過(guò)激活函數(shù)后，再把隱層節(jié)點(diǎn)的輸出信息傳播到輸出節(jié)點(diǎn)，最后得到輸出結(jié)果。(1)輸入層節(jié)點(diǎn)i(i=1,2,.,n),其輸出Oi等于輸入Xi,將變量值傳送到第二層。(2)隱層節(jié)點(diǎn)j(j=1,2,.,p),其輸

6、入Ij,輸出Oj分別為：nIj=£叫Oj+Hj(2-1)i1Oj=f(Ij)=1/1+exp(-Ij)(2-2)式中，切ji為隱層節(jié)點(diǎn)j與輸入層節(jié)點(diǎn)i之間的權(quán)值，句為隱層節(jié)點(diǎn)j的偏置，f為sigmoid函數(shù)，其表達(dá)式為：f(x)=1/1+exp(-x)(2-3)(3)輸出層節(jié)點(diǎn)k(k=1,2,.,m),其輸入1,輸出yk分別為:pIk=£防0wk(2-4)j4yk=f(Ik)=1/1+exp(Ik)(2-5)式中，6勾為輸入層節(jié)點(diǎn)k與隱層節(jié)點(diǎn)j之間的連接權(quán)值，譏為輸出層節(jié)點(diǎn)k的偏置。對(duì)于給定的訓(xùn)練樣本(xp1,xp2,.,xpn),p為樣本數(shù)(p=1,2,.,P),網(wǎng)絡(luò)輸出

7、與訓(xùn)練目標(biāo)之間的均方誤差可表示為：1 p/、E=£Ep(2-6)ppm_12/cr、Ep=-Z(tpijpi)(2-7)2 11其中p為樣本數(shù)，tpi為第p個(gè)樣本的第l個(gè)輸出單元的目標(biāo)輸出結(jié)果，yp為第p個(gè)樣本的第l個(gè)輸出單元的網(wǎng)絡(luò)運(yùn)算結(jié)果。BP網(wǎng)絡(luò)訓(xùn)練的過(guò)程包括網(wǎng)絡(luò)內(nèi)部的前向計(jì)算和誤差的反向傳播，其目的就是通過(guò)調(diào)整網(wǎng)絡(luò)內(nèi)部連接權(quán)值使網(wǎng)絡(luò)輸出誤差最小。對(duì)于多層前饋網(wǎng)絡(luò)中輸入層與隱層之間、隱層與輸出層之間連接權(quán)值利用BP算法調(diào)整。2.2神經(jīng)網(wǎng)絡(luò)信息融合故障診斷步驟神經(jīng)網(wǎng)絡(luò)知識(shí)表示是一種知識(shí)的隱式表示，知識(shí)表現(xiàn)為網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)和連接權(quán)值，采用神經(jīng)網(wǎng)絡(luò)技術(shù)的專(zhuān)家系統(tǒng)，由于神經(jīng)網(wǎng)絡(luò)是一種信息

8、存儲(chǔ)和處理統(tǒng)一的網(wǎng)絡(luò)系統(tǒng)，因此，在采用神經(jīng)網(wǎng)絡(luò)技術(shù)的專(zhuān)家系統(tǒng)中，知識(shí)的存儲(chǔ)與問(wèn)題求解過(guò)程中的推理過(guò)程均在系統(tǒng)的神經(jīng)網(wǎng)絡(luò)模塊中進(jìn)行，是推理機(jī)和知識(shí)庫(kù)的統(tǒng)一。首先從已有的設(shè)備特征信號(hào)提取特征數(shù)據(jù)，經(jīng)過(guò)數(shù)據(jù)預(yù)處理（歸一化處理）后作為神經(jīng)網(wǎng)絡(luò)輸入，從已知的故障結(jié)果提取數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)輸出，構(gòu)建BP神經(jīng)網(wǎng)絡(luò)，利用已有的特征數(shù)據(jù)和已知的故障結(jié)果數(shù)據(jù)形成的訓(xùn)練樣本集對(duì)構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和網(wǎng)絡(luò)自學(xué)習(xí)，使BP神經(jīng)網(wǎng)絡(luò)的權(quán)值、閥值與已知的故障結(jié)果之間存在對(duì)應(yīng)關(guān)系達(dá)到期望的故障結(jié)果輸出。當(dāng)BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練完畢后，就可以利用訓(xùn)練成功的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷。故障診斷的過(guò)程如下：1）將故障樣本輸入給輸入層各節(jié)

9、點(diǎn)，同時(shí)它也是該層神經(jīng)元的輸出。2）由式（2-2）求出隱層神經(jīng)元的輸出，并將其作為輸出層的輸入。3）從式（2-5）求得輸出層神經(jīng)元的輸出。4）由閾值函數(shù)判定輸出層神經(jīng)元的最終輸出結(jié)果。柴油機(jī)的故障診斷首先從待診斷的故障信號(hào)中提取數(shù)據(jù)并進(jìn)行數(shù)據(jù)預(yù)處理，而后將待診斷故障數(shù)據(jù)輸入訓(xùn)練成功的神經(jīng)網(wǎng)絡(luò)。利用神經(jīng)網(wǎng)絡(luò)信息融合進(jìn)行故障診斷步驟如圖2所示:壓力傳感器待測(cè)原件信號(hào)采集特征提取特征關(guān)聯(lián)神經(jīng)網(wǎng)絡(luò)分類(lèi)器診斷結(jié)果，溫度傳感器圖2信息融合進(jìn)行故障診斷步驟3結(jié)果及分析3.1 數(shù)據(jù)仿真以某種柴油機(jī)中的4個(gè)實(shí)際故障樣本為例，每個(gè)故障樣本有5個(gè)故障特征值，因此選取網(wǎng)絡(luò)的輸入節(jié)點(diǎn)為5。將樣本輸入到神經(jīng)網(wǎng)絡(luò)模型中，每

10、個(gè)輸出節(jié)點(diǎn)代表一種故障類(lèi)型，則這4種故障類(lèi)型和一個(gè)正常狀態(tài)共需5個(gè)輸出節(jié)點(diǎn)與之相對(duì)應(yīng)，因此網(wǎng)絡(luò)的輸出節(jié)點(diǎn)為5。表3-1訓(xùn)練數(shù)據(jù)。表3-1訓(xùn)練數(shù)據(jù)樣本序號(hào)故障特征值X溫度壓力電壓電流振動(dòng)rp10.00000.00000.00130.00000.000020.00740.03350.00150.00320.010630.00430.02230.00000.00470.005340.00560.03150.00120.00270.008650.00630.02050.00200.00330.006660.00490.03000.00180.00260.007870.55200.31070.25810

11、.30940.231680.54520.27930.26110.29880.203690.55020.24580.27170.31150.2347100.54060.28620.26450.30090.2145110.56040.30280.28350.31250.2225120.55250.31250.27780.30050.2164130.24620.15080.09470.09640.0999140.25350.10610.09680.09710.0810150.26650.08940.09370.09440.0908160.25560.14650.09880.10000.1000170

12、.26280.14320.308990.09650.0899180.25620.09990.09000.09990.0998190.66150.52510.51950.47101.000200.67380.44130.52250.47320.9667210.66650.47490.52550.47690.9758220.66890.46520.52000.47560.9899230.67000.47480.52350.48251.0000240.66230.48320.52680.46690.9887251.00001.00000.98121.00000.8206260.97970.97771

13、.00000.99600.8206270.98460.97270.98470.98570.7600280.98000.98250.98350.98870.8000290.99650.99340.98620.98990.7800301.00000.99120.99380.99610.8014在表3-1訓(xùn)練數(shù)據(jù)中樣本序號(hào)16是正常狀態(tài)；樣本序號(hào)712是故障1狀態(tài)；樣本序號(hào)1318是故障2狀態(tài)；樣本序號(hào)1924是故障3狀態(tài)；樣本序號(hào)2530是故障4狀態(tài)。表3-2是測(cè)試數(shù)據(jù)。表3-2測(cè)試數(shù)據(jù)樣本序號(hào)故障特征值X溫度壓力電壓電流振動(dòng)振p10.54930.26260.26590.30880.222120.

14、00310.02350.00050.00300.004530.99200.98990.99790.99370.797940.67040.49720.52350.47410.979150.25720.10060.09580.09810.089060.98000.98250.98350.98870.8000根據(jù)故障診斷的特點(diǎn)建立BP神經(jīng)網(wǎng)絡(luò)模型，網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)、隱層節(jié)點(diǎn)和輸出層節(jié)點(diǎn)個(gè)數(shù)分別為5、60和5,設(shè)置系統(tǒng)誤差為1e-3,學(xué)習(xí)率為1,最大迭代次數(shù)為1000次，其中輸入層到隱層之間的激活函數(shù)為雙曲正切函數(shù)，隱層到輸出層之間的激活函數(shù)設(shè)置為logsig的S型傳遞函數(shù)，在輸出端設(shè)置的閾值為0.8

15、5,即網(wǎng)絡(luò)輸出值大于0.85的置1,小于等于0.85的置0來(lái)處理，利用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱建立BP神經(jīng)網(wǎng)絡(luò)模型3.2 結(jié)果分析在本文中將正常狀態(tài)設(shè)置為10000,故障1設(shè)置為01000,故障2設(shè)置為00100,故障3設(shè)置為00010,故障4設(shè)置為00001,輸出閾值設(shè)置為0.85,即在輸出值大于0.85即為1,否則為0o根據(jù)輸出數(shù)據(jù)的分析判斷屬于哪種故障，表3-3為仿真輸出。表3-3仿真輸出樣本序號(hào)網(wǎng)絡(luò)輸出y正常故障1故障2故障3故障410.00061.00080.0021-0.00960.001121.01390.0007-0.01150.0021-0.00243-0.0014-0.0

16、0190.0010-0.00190.992340.0410-0.0090-0.01590.9811-0.01445-0.0014-0.00201.0039-0.00270.00156-0.00020.00040.00250.00090.9970將表3-2中“樣本序號(hào)1”的5個(gè)故障特征值輸給網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)，則網(wǎng)絡(luò)輸出層節(jié)點(diǎn)與其對(duì)應(yīng)的輸出為表3-3中“樣本序號(hào)1”所在行的5個(gè)輸出值,其中只有y2=1.0008>0.85,其他5個(gè)輸出均遠(yuǎn)小于0.85,所以，網(wǎng)絡(luò)故障診斷的結(jié)果為故障1;表3-2中“樣本序號(hào)2”的5個(gè)故障特征值輸給網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)，則網(wǎng)絡(luò)輸出層節(jié)點(diǎn)與其對(duì)應(yīng)的輸出為表3-3中“樣

17、本序號(hào)2”所在行的5個(gè)輸出值，其中只有y=1.0139>0.85,其他5個(gè)輸出均遠(yuǎn)小于0.85,所以，網(wǎng)絡(luò)故障診斷的結(jié)果為正常狀態(tài)；表3-2中“樣本序號(hào)3”的5個(gè)故障特征值輸給網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)，則網(wǎng)絡(luò)輸出層節(jié)點(diǎn)與其對(duì)應(yīng)的輸出為表3-3中“樣本序號(hào)3”所在行的5個(gè)輸出值，其中只有y4=0.9923>0.85,其他5個(gè)輸出均遠(yuǎn)小于0.85,所以，網(wǎng)絡(luò)故障診斷的結(jié)果為故障4,其他類(lèi)型的故障診斷以此類(lèi)推。4設(shè)計(jì)小結(jié)因?yàn)閷W(xué)習(xí)的專(zhuān)業(yè)是車(chē)輛工程，因此選擇了對(duì)柴油機(jī)故障診斷這一研究對(duì)象。此篇設(shè)計(jì)經(jīng)過(guò)查閱文獻(xiàn)資料，對(duì)BP神經(jīng)網(wǎng)絡(luò)的故障診斷及Matlab仿真有了一定的認(rèn)識(shí)。柴油機(jī)故障診斷是一個(gè)非常復(fù)雜

18、的過(guò)程，其故障與征兆關(guān)系不是很明確，存在一種非線(xiàn)性映射關(guān)系。BP神經(jīng)網(wǎng)絡(luò)具有良好的學(xué)習(xí)能力，利用BP網(wǎng)絡(luò)信息融合方法，能夠在足夠多的樣本數(shù)目前提下網(wǎng)絡(luò)保證良好的容錯(cuò)性和魯棒性是比較好的。所以在故障診斷的過(guò)程中，神經(jīng)網(wǎng)絡(luò)信息融合發(fā)揮其聯(lián)想記憶和分布并行處理能力，不僅能夠診斷出已有的故障還能對(duì)故障進(jìn)行一個(gè)預(yù)測(cè)，從而滿(mǎn)足柴油機(jī)故障斷的要求。人工神經(jīng)網(wǎng)絡(luò)信息融合為智能診斷提供了良好的方法，為自適應(yīng)學(xué)習(xí)和決策高度智能化控制系統(tǒng)提供了強(qiáng)有力的基礎(chǔ)，并具有廣泛的應(yīng)用潛力和發(fā)展前景。參考文獻(xiàn)1朱大奇，于盛林.基于D-S證據(jù)理論的數(shù)據(jù)融合算法及其在電路故障診斷中的應(yīng)用J.電子學(xué)報(bào),2002,30(2):221-

19、223.2王萬(wàn)良.人工智能及其應(yīng)用(第3版)(附光盤(pán))(BZ)M.高等教育出版社，2016.3朱大奇，于盛林.電子電路故障診斷的神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合算法J.東南大學(xué)學(xué)報(bào)(自然科學(xué)版),2001,31(2):87-90.4何友，王國(guó)宏.多傳感器信息融合及應(yīng)用M.北京：電子工業(yè)出版社,2000.5張緒錦，譚劍波，韓江洪.基于BP神經(jīng)網(wǎng)絡(luò)的故障診斷方法J.系統(tǒng)工程理論與實(shí)踐,2002,22(6):61-66.6 Y.G.Lei,Z.J.He,Y.Y.Zi,Q.Hu,FaultdiagnosisofrotatingmachinerybasedonmultipleANFIScombinationwithGa

20、sJ.Mech.Syst.SignalProcess.2007(21)2280W294.7 V.T.Tran,F.AlThobiani,A.Ball,AnapproachtofaultdiagnosisofreciprocatingcompressorvalvesusingTeager-KaiserenergyoperatoranddeepbeliefnetworksJ.ExpertSyst.Appl.2014(41)4113-4122.附錄程序clcclear%喻入訓(xùn)練數(shù)據(jù)（包括正常數(shù)據(jù)和故障數(shù)據(jù)）%”練樣本中，每一列分別代表：“溫度”，“壓力”，“電壓”，“電流”和“振動(dòng)信號(hào)”；每一行分別

21、代表一個(gè)樣本p11=0.00000.00000.00130.00000.0000'；p12=0.00740.03350.00150.00320.0106'p13=0.00430.02230.00000.00470.0053'p14=0.00560.03150.00120.00270.0086'p15=0.00630.02050.00200.00330.0066'p16=0.00490.03000.00180.00260.0078'%正常數(shù)據(jù)p21=0.55200.31070.25810.30940.2316'p22=0.54520.279

22、30.26110.29880.2036'p23=0.55020.24580.27170.31150.2347'p24=0.54060.28620.26450.30090.2145'p25=0.56040.30280.28350.31250.2225'p26=0.55250.31250.27780.30050.2164'%故障1p31=0.24620.15080.09470.09640.0999'p32=0.25350.10610.09680.09710.0810'p33=0.26650.08940.09370.09940.0908'

23、;p34=0.25560.14650.09880.10000.1000'p35=0.26280.14320.08990.09650.0899'p36=0.25620.09990.09000.09990.0998'%故障2p41=0.66150.52510.51950.47101.0000'p42=0.67380.44130.52250.47320.9667'p43=0.66650.47490.52550.47690.9758'p44=0.66890.46520.52000.47560.9899'p45=0.67000.47480.5235

24、0.48251.0000'p46=0.66230.48320.52680.46690.9887'%故障3p51=1.0001.00000.98121.00000.8206'p52=0.97970.97771.00000.99600.7759'p53=0.98460.97270.98470.98570.7600'p54=0.98000.98250.98350.98870.8000'p55=0.99650.99340.98620.98990.7800'p56=1.00000.99120.99380.99610.8014'%故障4p=p

25、11p12p13p14p15p16p21p22p23p24p25p26p31p32p33p34p35p36p41p42p43p44p45p46p51p52p53p54p55p56;將該數(shù)據(jù)集設(shè)置%將所有的數(shù)據(jù)：包括正常數(shù)據(jù)和異常數(shù)據(jù)放在一個(gè)數(shù)據(jù)集中，為輸入神經(jīng)網(wǎng)絡(luò)的特征值%喻被檢測(cè)對(duì)象類(lèi)別進(jìn)行編碼（設(shè)置目標(biāo)值，即標(biāo)簽，用二進(jìn)制類(lèi)型表示）%normalt11=10000't12=10000't13=10000't14=10000't15=10000't16=10000't21=01000't22=01000't23=01000

26、9;t24=01000't25=01000't26=01000'%fault1t31=00100't32=00100't33=00100't34=00100't35=00100't36=00100'%fault2t41=00010't42=00010't43=00010't44=00010't45=00010't46=00010'%fault3t51=00001't52=00001't53=00001't54=00001't55=00001&#

27、39;t56=00001'%fault4t=t11t12t13t14t15t16t21t22t23t24t25t26t31t32t33t34t35t36t41t42t43t44t45t46t51t52t53t54t55t56;p,s1=mapminmax(p);%俞入樣本歸一化歸一化的范圍是(-1,1),s1記錄歸一化的參數(shù)net=newff(minmax(p),60,5,'tansig','purelin','trainlm');%新建BP網(wǎng)絡(luò)，p為樣本輸入：p=martric(5*30)分別表示5個(gè)傳感器，30個(gè)樣本%隱層神經(jīng)元個(gè)數(shù)為60,根據(jù)輸出目標(biāo)t確定輸出層神經(jīng)元個(gè)數(shù)為5,%從輸入層到隱層的激勵(lì)函數(shù)為雙曲正切，隱層到輸出層的激勵(lì)函數(shù)為線(xiàn)性函數(shù)，訓(xùn)練方法利用LM(Levenberg-Marquardt)算法進(jìn)行網(wǎng)絡(luò)參數(shù)sita=W,b的更新%吸置網(wǎng)絡(luò)訓(xùn)練參數(shù)net.trainParam.show=10;%設(shè)置數(shù)據(jù)顯示刷新頻率，學(xué)習(xí)次刷新一次圖象net.trainParam.epochs=1000;%最大訓(xùn)練次數(shù)net.trainParam.goal=1e-5;%設(shè)置訓(xùn)練誤差net=init(net);%網(wǎng)絡(luò)初始化nettr=train(net,p,t);%訓(xùn)練網(wǎng)絡(luò)%testingp1=0.54930.