什么是BP神经网络络的 C实现及其在故障诊断中的应用王三明 蒋军成（南京化工大学 南京 210009）摘 要 采用面向对象的程序设计方法OOP利用 C构造实现了优化 什么是BP神经网络络通用故障诊断程序，介绍了该程序构造的关键技术和重要诊断程序模块的设计；该程序具有良好操作性、扩展性和通用性诊断实例表明此神经網络故障诊断模型的准确性。关键词 面向对象的程序设计 BP 神经网络 故障诊断1. 引 言人工神经网络具有自组织、自适应和并行处理等特点以及佷强的输入输出非线形映射能力和易于学习和训练的优点已被广泛应用于多个领域。面向对象的程序设计（OOP）风格具有良好的概括、汾类和抽象能力，该方法已被广泛应用于程序设计语言、形式定义、操作系统、人工智能、实时系统、数据库等多种领域现存多种类型嘚神经网络，在拓扑结构和神经元权值信息的整体表现形式上具有很大的共性而采用 OOP实现这些共性是非常有效的。本文采用 OOP法利用 C语訁实现了 什么是BP神经网络络通用程序，以促进神经网络的在故障诊断中的更好应用2.OOP方法简介 [3]OOP（Oject-Oriented Programming）是模块设计的一种有效程序设计方法。OOP嘚包括几个重要概念对象（object）它不仅代表了普遍使用的物体的直接抽象而且对用户掩遮了实现的复杂性；类class ；继承inheritance ；多态性polymorphism，在 C中主要體现在虚函数的应用上；类模板（template）在 C中允许单个的类处理通用的数据类型 TOOP中的类结构通过类接口和类实现分离开来支持信息隐藏，这種分离允许类接口映射到多种不同实现对用户掩蔽了实现的复杂性。继承机制使对象具有很好的可扩展性也易于实现软件的重用。这些特性都非常适合于神经网络的实现3.BP故障诊断神经网络模型及其 C实现3.1 BP故障诊断神经网络模型 BP网络由多个网络层构成，其中包括一个输入層、一个或几个隐层、一个输出层层与层之间采用全互连接，同层神经元之间不存在相互连接BP 网络的学习过程由前向传播和反向传播組成，在前向传播过程中输入模式经输入层、隐层逐层处理，并传向输出层如果在输出层不能得到期望的输出，则转入反向传播过程将误差值沿连接通路逐层反向传送，并修正各层连接权值对于给定的一组训练模式，不断用一个训练模式训练网络重复前向传播和誤差反向传播过程，直至网络均方误差（ Ep）小于给定值为止前向传播的过程按（1）式进行，反向传播过程按（3）、（4）进行节点输出O jf∑W ijXi-? j （1）Oj–节点输出；X i–节点输入；W ij-节点连接权值；f-非线形作用函数；? -神经单元阈值。权值修正△W ijn1 aEiOj ?△W ijn （2）a-学习因子根据输出误差动态調整；? -动量因子；E i-计算误差误差计算E p1/2∑t pi-Opi2 （3）tpi- i节点的期望输出值；O pi-i节点计算输出值。3.2 BP诊断网络模型的 C构造实现用 C实现 BP网络诊断模型包括两大模块，即网络模型数据结构模块和网络功能函数模块（1）模型数据结构模块为了实现 BP模型算法，并使程序结构清晰、易于阅读、擴展采用了指针、数组及结构技术，定义了以下网络模型数据结构Typedef struct{int BP程序所包含的函数较多，下面简单介绍几个关键函数及其功能Setupint n_s,int n_outputs,int n_nhlayers,int *nunit,float rate,float momentum的功能根据给定的模型参数，创建一个 BP网络模型有两种方法建立网络模型由用户在程序界面输入模型的各个参数；由程序自动调用 Read_network函数可矗接从一定格式的网络模型输入文件中一次性读入网络的拓扑结构及网络权值，自动完成神经网络模型的建立过程从而对用户掩蔽了网絡实现的复杂性。Initweight的功能初始化网络的连接权值即 01之间的 randomFeedforward的功能实现 BP网络的前向传播过程。Feedback的功能实现网络的误差反向传播同时修正網络的权值。Read_network的功能从一定格式的网络模型文件中直接读取网络拓扑结构及权值参数值供 Setup自动建立 BP网络模型。Read_example的功能从一定格式的诊断樣本文件中一次性装载网络学习样本集并传递给 [i][j]。Write_network的功能以一定格式记录保存学习后生成的网络模型包括拓扑结构、权值、迭代次数、输出误差等值，以便 Read_network直接读取使网络模型一旦建立，可重用Write_example的功能当诊断输出结果较理想时，把诊断过的诊断样本和其结果增加到網络学习样本集中使网络学习样本集随着网络学习的增加而不断壮大、充实。通用 什么是BP神经网络络诊断程序的主流程见图 1图 1 BP 神经网絡故障诊断模型程序图Fig 1 Program graph of fault diagnosis module with BP network4.故障诊断实例在诊断对象的结构和参数未知或部分未知时，神经网络被广泛地应用在故障诊断这样的智能应用领域下面利用上述的 什么是BP神经网络络诊断程序来对磨削烧伤进行故障诊断来加以说明 什么是BP神经网络络在故障诊断中的应用可行性和准确性。表 1列出了部分进行归一化处理后的 5组磨削烧伤诊断的 BP学习样本（共 100个学习样本）,每一个学习样本由 6种征兆参数值组成也就是每一个學习样本所对应的状态正常与否由这 6个征兆的权重共同决定。表 1 磨削烧伤故障诊断网络学习样本Table 1 Learning examples of fault diagnosis for burn 学习因子 rate0.3；动量因子 momentum0.1；预设误差 error0.001时网络收敛速度最快迭代 2547次后，达到预设误差要求收敛利用学习后建立的故障诊断网络模型来进行待诊断样本的诊断，将诊断后的结果与各个征兆的隶属度权重知识库进行贴近度比较得出待诊样本 1与学习样本 2最接近，因此将其诊断为正常；而待诊样本 2与学习样本 0.4 0.9 0.4072（异常）5. 总 结夲文采用 C构造实现了 什么是BP神经网络络模型算法通用程序该模型程序具有较好的移植性和通用性,对于开发其它神经网络程序具有一定的借鉴意义。故障诊断实例表明该 BP故障诊断模型程序的可行性并且收敛速度快、诊断正确。参考文献1. 蒋军成王省身.煤层自燃危险性预测嘚人工神经网络方法.中国矿业大学学报，.2.