畢業設計（論文）開題報告 設計（論文）題目 : 基于 C 語言的 BP 神經網絡預測程序開發 院 系 名 稱 : 汽車與交通工程學院 專 業 班 級 : 車輛工程 B07-11 班 學 生 姓 名 : 導 師 姓 名 : 開 題 時 間 : 2011 年 3 月 2 日 指導委員會 審查意見： 簽字： 年 月 日 畢業設計（論文）開題報告 學生姓名 系部 汽車與交通工程 學院 專業、班級 指導教師姓名 職稱 實驗師 從事 專業 汽車工程 指導教師姓名 題目名稱 基于 C 語言的 BP 神經網絡預測程序開發 一、 課題研究 現狀、 選題 目的 和意義 神經網絡是在現代神經科學研究成果的基礎上 , 對生物神經系統的結構和功能進行數學抽象、簡化和模仿而逐步發展起來的一種新型信息處理和計算系統。人工神經網絡由大量結構簡單的神經元按各種拓撲結構組成 , 它的整體特征是由每個節點的特性、 網絡的拓撲結構和學習算法決定的。建立人工神經網絡模型 , 運用其記憶能力對一直數據進行學習記憶 , 再利用其聯想能力對為止問題進行識別和預測等。誤差反向傳遞訓練算法的 BP 網絡是神經網絡中最常見的一類網絡形式 , 也是目前研究最多、最成熟的神經網絡系統。據統計 , 80% 90%的神經網絡模型采用了 BP 網絡或者它的改進形式。 BP 神經網絡采用誤差反傳學習算法 ( 也稱 BP 算法 ) , 是一種多層前饋網絡使用的監控式學習算法。 BP 網絡是一種有導師的學習算法 ,其主要思想是把整個學習過程分為 4 個部分 : 一是輸入模式從 輸入層經隱含層傳向輸出層的 : “模式順傳播”過程 ； 二是網絡的希望輸出與實際輸出之差的誤差信號由輸出層經隱含層向輸入層逐層修正連接權的“誤差逆傳播”過程 ； 三是由“模式順傳播”和“誤差逆傳播”的反復交替進行的網絡“記憶訓練”過程 ； 四是網絡趨向收斂即網絡的全局誤差趨向極小值的“學習收斂”過程。 人工神經網絡是在現代神經生物學研究基礎上提出的模擬生物過程，反映人腦某些特性的一種計算結構。它不是人腦神經系統的真實描寫，而只是它的某種抽象、簡化和模擬。根據前面對生物神經網絡的介紹可知，神經元及其突觸是神經 網絡的基本器件。因此，模擬生物神經網絡應首先模擬生物神經元。在人工神經網絡中，神經元常被稱為 “處理單元 ”，有時從網絡的觀點出發常把它稱為 “節點 ”。人工神經元是對生物神經元的一種形式化描述，它對生物神經元的信息處理過程進行抽象，并用數學語言予以描述；對生物神經元的結構和功能進行模擬，并用模型圖予以表達。 目前人們提出的神經元模型己有很多，其中最早提出且影響最大的，是 1943 年心理學索 McCul1oh 和數學家 W.Pitts 在分析總結神經元基本特性的基礎上首先提出的 M-P模型。該模型經過不斷改進后，形 成目前廣泛應用的神經元模型形式。關于神經元的信息處理機制，該模型在簡化的基礎上提出以下 6 點假定進行描述： (1)每個神經元都是一個多輸入單輸出的信息處理單元； (2)神經元輸入分興奮性輸入和抑制性輸入兩種類型； (3)神經元具有空間整合特性和閡值特性； (4)神經元輸入與輸出間有固定的時滯，主要取決于突觸延擱； (5)忽略時間整合作用和不應期； (6)神經元本身是非時變的，即其突觸時延和突觸強度均為常數。 神經細胞是構筑神經系統和人腦的基本單元，它 既具有結構和功能的動態特性，又具有時間和空間的動態特性，其簡單有序的編排構成了完美復雜的大腦。神經細胞之間的通信是通過其具有可塑性的突觸禍合實現的，這使它們成為一個有機的整體。人工神經網絡就是通過對人腦的基本單元 神經細胞一一的建模和連接，來探索模擬人腦神經系統功能的模型，其任務是構造具有學習、聯想、記憶和模式識別等智能信息處理功能的人工系統。 在各種智能信息處理模型中，人工神經網絡是最具有大腦風格的智能信息處理模型，許多網絡都能反映人腦功能的若干基本特性，但并非生物系統的逼真描述，只是對其局部電路的某種模 仿、簡化和抽象。 大量神經元組成龐大的神經網絡，才能實現對復雜信息的處理與存儲，并表現出各種優越的特性。神經網絡的強大功能與其大規模并行互連、非線性處理以及互連結構的可塑性密切相關。因此必須按一定規則將神經元連接成神經網絡，并使網絡中各神經元的連接權按一定規則變化。生物神經網絡由數以億計的生物神經元連接而戒，而人工神經網絡限于物理實現的困難和為了計算簡便，是由相對少量的神經元按一定規律構成的網絡。人工神經網絡中的神經元常稱為節點或處理單元，每個節點均具有相同的結構，其動作在時間和空間上均同步。 人工神經網絡 的模型很多，可以按照不同的方法進行分類。其中常見的兩種分類方法是：按網絡連接的拓撲結構分類和按網絡內部的信息流向分類。 （ 1） 按照網絡拓撲結構類型 神經元之間的連接方式不同，網絡的拓撲結構也不同。根據神經元之間連接方式，可將神經網絡結構分為層次型結構、互連型結構兩大類。 （ 2） 根據神經網絡內部信息的傳遞方向，可分為前饋型網絡、反饋型網絡兩種類型。 目前國外在工程上獲得實際應用的神經元模型，大部分是 BP（ Back Propagition BP，誤差反饋）網絡。 BP（ Back Propagation）網絡是 1986 年由 Rumelhart 和 McCelland 為首的科學家小組提出，是一種按誤差逆傳播算法訓練的多層前饋網絡，是目前應用最廣泛的神經網絡模型之一。 BP 網絡能學習和存貯大量的輸入 -輸出模式映射關系，而無需事前揭示描述這種映射關系的數學方程。它的學習規則是使用最速下降法，通過反向傳播來不斷調整網絡的權值和閾值，使網絡的誤差平方和最小。 BP 神經網絡模型拓撲結構包括輸入層（ input）、隱層 (hide layer)和輸出層 (output layer)（如圖 3.9 所示 ）。 BP 網絡的學習過程主要由四部 分組成： （ 1） 輸入模式順傳播（輸入模式由輸入層經中間層向輸出層傳播計算）； （ 2） 輸出誤差逆傳播（輸出的誤差由輸出層經中間層傳向輸入層）； （ 3） 循環記憶訓練（模式順傳播與誤差逆傳播的計算過程反復交替循環進行）； （ 4） 學習結果判別（判定全局誤差是否趨向極小值）。 就是根據 這四個過程并分別編程 。 二、設計（論文） 的基本內容 1. 熟悉 C 語言軟件 2研究 BP 網絡工作原理 3. 神經網絡訓練、測試過程編程 4. 預測實例 三、技術路線（研究方法） 用數據 對系統進行測試 四、進度安排 （ 1） 熟悉任務書，了解相關信息，準備資料，填寫開題報告：第 12 周（ 3 月 1 日 3 月14 日） （ 2） 建立精確 BP 數學模型，提 相應問題：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） 運行調試；第 12 13 周（ 5 月 10 日 5 月 30 日） （ 6） 設計說明書評閱、審核及修改不足：第 14 16 周（ 5 月 31 日 6 月 20 日） （ 7） 為 畢業設計答辯做準備及答辯：第 17 周（ 6 月 21 日 6 月 27 日） 對系統進行數學建模 設計算法 調查研究、收集資料 用 C 語言編寫程序 對系統進行學習訓練 調試程序 整理文檔，形成設計說明書 五、 參考文獻 1艾立群 . 人工神經網絡在鋼鐵工業中的應用 J. 鋼鐵研究學報 . 1997, 9(4):60-63. 2王秀梅 , 王國棟 , 劉相華 . 人工神經網絡和數學模型在熱連軋機組軋制力預報中的綜合應用 J.鋼鐵， 1999, 34(3):37-43. 3牛濟泰 , 孫雷劍 , 李海濤 .基于人工神經網絡的微合金鋼熱軋奧氏體晶粒尺寸模型的研究 J. 材料科學與工藝， 1999, 7(3):12-16. 4高永生 , 張鵬 , 崔軍 , 等 . 應用人工神經網絡預測 50CrV4鋼的變形抗力 J. 鋼鐵 , 1998， 33(4):27-30. 5王鐵 , 陳進 . BP算法中學習率及形狀因子對學習速度的綜合影響 J. 上海交通大學學報， 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. Internat