神经网络回归算法

前言：想要写出一篇令人眼前一亮的文章吗？我们特意为您整理了5篇神经网络回归算法范文，相信会为您的写作带来帮助，发现更多的写作思路和灵感。

神经网络回归算法范文第1篇

关键词 径向基神经网络；大坝变形；监控模型；预测预报；白石水库

中图分类号 TV135.3 文献标识码 A 文章编号 1007-5739（2013）06-0191-01

变形监控是了解大坝工作状态，实施安全管理的重要内容之一。变形观测方法简便易行，其成果直观可靠，能够真实反映大坝的工作性态，既是大坝安全监测的主要监测量，又是大坝安全监控的重要指标。

早期人们通过绘制过程线、相关图，直观地了解大坝变形测值的变化大小和规律，并运用比较法、特征值统计法，检查变形在数量变化大小、规律、趋势等方面是否具有一致性和合理性，对大坝变形进行定性分析。随着各种分析理论的产生，模糊数学、突变理论、灰色系统理论、神经网络等理论方法被相继引入大坝变形监控领域。

1 径向基神经网络

1.1 人工神经网络概述

人工神经网络是人工智能控制技术的主要分支之一，具有自适应、自组织和实时学习等智能特点，能够实现联想记忆、非线性映射、分类识别等功能[1]。应用人工神经网络的非线性函数逼近能力，构建大坝监控模型，能够实现对大坝变形的实时、有效监控，其预报效果和精度远远高于传统的逐步回归统计模型[2]。

基于BP算法的多层前馈神经网络应用较为广泛，但是存在建模难度较大，训练时间较长，容易陷入局部极小点，不易找到理想模型等固有的缺陷。径向基神经网络解决非线性影射（曲线拟合）问题，是通过网络的学习训练，在高维空间中寻找一个统计意义上能够最佳拟合样本数据的曲面，泛化（预测预报）等价于利用这个多维曲面对样本进行插值[3]。它采用局部逼近的方法，学习速度快，能够更好地解决有实时性要求的在线分析问题。

1.2 径向基函数神经网络

径向基函数神经网络一般由3层组成，输入层只传递输入信号到隐层，隐层节点由类高斯函数的辐射状基函数构成，输出层节点通常是简单的线性函数。

基函数对输入信号在局部产生响应，当输入信号靠近基函数中央位置，即欧几里得距离（欧氏距离）较近时，隐层节点将产生较大的输出。神经元根据各输入向量与每个神经元权值的距离产生输出，只有那些与神经元权值相差较小，距离较近的输入向量才能激活，产生响应。这种局部响应，使得径向基网络具有良好局部逼近能力。

一般对于一个n维输入、m维隐层节点的径向基网络，其输入向量表示为：

X=（x1，x2，…，xi，…，xn）T（1）

那么，网络输出Y为：

Y=■wiφi（||X-vi||）（2）

式中，φi（||X-vi||）为径向基函数；||X-vi||为欧氏距离（范数）；vi为第i个径向基函数中心，一个与X同维数的向量；wi为阈值。

1.3 径向基神经网络和基于BP算法的多层前馈神经网络比较

径向基网络和基于BP算法的多层前馈神经网络一样，都属于有导师学习方式的前馈型反向传播网络，都能解决非线性函数的拟合、逼近问题，但是他们之间也存在差异。

（1）网络结构不同。径向基网络只有一个隐层，而多层前馈神经网络的隐层可以是多层的，也可以是单层的。

（2）神经元模型不同。径向基网络的隐层和输出层激励函数，分别是基函数和线性函数。而多层前馈神经网络的隐层激励函数一般为非线性函数，输出层激励函数可以是非线性函数，也可以是线性函数。

（3）隐层激励函数计算方法不同。径向基网络基函数计算的是输入向量与函数中心的欧氏距离，而多层前馈神经网络隐层激励函数计算的是输入向量与其连接权值向量的内积。

（4）非线性映射的特性不同。由于它们所采用的隐层激励函数以及激励函数的计算方法不同，使得这2种网络的权值、阈值修正方式也不同。在径向基网络训练过程中，只有被激活的神经元才能修正权值和阈值，这种以指数衰减形式映射的局部特性被称为函数的局部逼近。多层前馈神经网络的训练过程，也是所有权值和阈值的调整过程，属于全局寻优模式。

2 白石水库大坝变形径向基神经网络模型

2.1 白石水库工程概况

白石水库位于辽宁省北票市上园镇附近的大凌河干流上，总库容16.45亿m3，是干流上唯一的大（I）型控制性骨干工程。大坝为混凝土重力坝，部分采用RCD碾压混凝土技术。最大坝高49.3 m，坝顶长513 m，分为32个坝段。水库1996年9月正式开工，1999年9月下闸蓄水。

2.2 大坝变形径向基神经网络模型

一般情况下，大坝变形数学模型分为3个分量，即水压变形分量（δH）、温度变形分量（δT）和时效变形分量（δt），模型可以表示为[4]：

δ=δH+δT+δt（3）

该文水压变形分量采用坝前水深（H）的一次幂、二次幂、三次幂呈线性关系；温度变形分量采用1、15、30、60、90 d的库区日常平均气温；时效变形分量选用对数函数和线性函数2种。根据公式（3），设计网络输入为11个节点，输出为1个节点的3层大坝变形径向基神经网络。

2.3 神经网络模型预测、预报效果分析

为比较径向基神经网络的拟合和预报效果，以白石水库6#坝段坝顶变形为例，分别建立传统的逐步回归统计模型、BP神经网络与径向基神经网络模型3种模型，特征值见表1，预报曲线见图1。可以看出：①径向基神经网络模型、BP神经网络模型、统计回归模型的复相关系数均高于0.9，说明3种模型拟合程度良好，3种模型均可以作为变形监控模型；②从残差平方和、平均相对误差、残差变幅等方面比较，广义回归径向基神经网络监控模型的拟合效果最佳，其次是BP神经网络模型，统计回归模型最差；③基于LM算法的BP神经网络监控模型的残差平方和、残差最小值，分别为10.15和-0.90 mm，相比之下预报精度最高；广义回归径向基神经网络监控模型次之，残差平方和、残差最小值分别为50.22和-2.38 mm；统计回归模型最差，残差平方和、残差最小值分别为110.89和-2.70 mm。

3 结论

应用人工神经网络，建立大坝变形的人工智能监控模型，能够实现对大坝变形的实时、有效监控，其预报效果和精度远远高于传统的逐步回归统计模型。BP网络的预报精度最高，但它存在建模难度较大，训练时间较长，容易陷入局部极小点，不易找到理想模型等缺点。径向基神经网络模型，虽然在预报精度上略逊于BP神经网络，但是在不过于苛求预报精度的前提下，从建模容易程度、训练速度和预报精度等方面综合考虑，远远好于BP神经网络。

4 参考文献

[1] 韩力群.人工神经网络教程[M].北京：北京邮电大学出版社，2006.

[2] 韩卫.基于神经网络的大坝变形智能监控模型研究[D].大连：大连理工大学，2009.

神经网络回归算法范文第2篇

用PCA-BP神经网络模型对公路客运量进行预测，预测精度与收敛速度都不是很理想，为克服PCA-BP神经网络算法存在的非线性逼近、迭代次数过多，易陷入局部极值等不足，提出将PCA-BP神经网络模型与动态陡度因子、附加动量因子和动态调整学习率算法结合的方法，给出具体的网络学习方法，并结合实际调查数据进行对比测试，分析结果证明了改进型PCA-BP神经网络模型对公路客运量预测有效性．

关键词:

PCA-BP神经网络;动态陡度因子;动态调整学习率算法;客运量;预测

公路客运量预测属于复杂非线性系统问题，早期的预测方法主要有多元线性回归预测模型、自回归模型、自回归滑动平均模型、指数平滑预测模型等．SherifIshak等［1］应用实时数据分析和评价了几种交通客运量预测模型的效果;孙煦、陆化普［2］等对公路客运量预测难以建立精确预测模型的问题，引入基于蚁群优化的支持向量机算法对公路客运量进行预测．这些方法可以实现交通客运量的预测工作，但缺点是没有摆脱建立精确数学模型的困扰，其预测效果很大程度上取决于参数的选取，并且非线性拟合能力不突出．Tung、Chrobok、Quek［3-5］等人采用神经网络模型进行预测，证明神经网络得到的结果的精确性较传统预测模型高．董春娇［6］等在传统的BP(BackPropa-gation)神经络算法中有所改进，采用Elman神经网络的交通流短时预测，通过在前馈网络的隐含层中增加一个承接层，作为延时算子使系统具有适应时变特性的能力．在公路客运量的预测方面，神经网络应用较多，但传统的BP神经网络存在的非线性逼近、迭代次数过多，易陷入局部极值等不足，而且预测结果影响因素分析较少，对预测指标的选取没有进行全面充分的系统考虑．本文在PCA(PrincipleComponentAnalysis)与BP神经网络相结合构成PCA-BP网络模型的基础上，将动态陡度因子、附加动量因子和动态调整学习率等方法融入模型的运作过程，进一步完善算法，提出改进PCA-BP神经网络模型，并将其运用到公路客运量的预测．

1PCA-BP模型的基本原理

公路客运量受人口总数、区域经济发展水平、居民消费水平等多种因素影响．在用BP神经网络进行模拟预测时，首先要确定对预测指标有影响的主要因素(即系统输入)．运用PCA-BP神经网络模型可以实现减少输入变量个数，达到降维目的，并使其包含原输入变量群的绝大部分信息，从而提高神经网络的运行效率和预测精度．PCA-BP神经网络模型流程见图1．

1．1PCA原理［7］在所有的线性组合中选取方差最大的p1为第一主成分．若p1不足以代表原来的m个指标的信息，则选取p2即第二个线性组合．

1．2BP神经网络原理模型拓扑结构有三层，即输入层、隐含层和输出层，同一层的节点之间相互不关联，异层的神经元间前向连接．当一对样本学习模式提供网络后，神经元的激活值从输入层经中间层向输出层传播，在输出层各神经元获得网络的输入响应．之后，按减少希望输出与实际输出误差的方向，从输出层经各中间层逐层修正各连接权，最后到输入层．

2改进PCA-BP神经网络模型的思想

本文基于PCA-BP神经网络模型，采用动态陡度因子、附加动量因子和动态调整学习率算法，将网络模型进行优化，最后将降维的样本集合和优化的权值代入网络，在经过PCA-BP神经网络训练之后，用检验样本集合对其进行检验．

2．1附加动量法传统BP算法在调整权值时，只按照当前时刻的负梯度方向调整，没有考虑到以前各次运算中的梯度方向，导致新样本对迭代过程的影响太大，会导致数据训练过程中调整方向发生振荡，导致不稳定和收敛速度慢．附加动量的BP算法［10］考虑了以前时刻的贡献，其权值迭代公式如下所示。

2．2动态调整学习率［8］传统BP模型中，学习率是固定的．学习率对模型运算性能影响较大，动态的学习率可以改善训练算法的性能．学习率η与误差函数相关联，在网络的每一步学习过程中动态调整η的值，对不同的误差质的变化，每一步学习后学习率都进行相应的调整．

3改进PCA-BP模型的预测流程

3．1网络初始化对所得的社会经济指标进行主成分分析，得出输入节点数与输出节点数m，n;采用经验公式确定节点数的上下限，隐节点数的上限作为初始隐节点数l．初始化输入层、隐含层和输出层各神经元间权值wij，wjk．隐含层阈值a，输出层阈值b;给定初始化的学习速率η;网络输入和输出为(X，Y)．

3．2计算隐含层输出根据给定的输入向量X，输入层和隐含层间连接权值wij以及隐含层阀值a，计算隐含层输出H.

4改进PCA-BP模型在城市交通流预测中的实际应用

为验证模型预测效果，选取山东潍坊市1996年至2005年10个样本为学习样本，将2006至2012年7个样本作为检验样本，数据见表1．利用SPSS统计工具，对数据进行因子分析，根据实验和经验［11］，公式中的参数可以设定为a=1．05，b=0．7，ηmin=0．025;tmax=5000;q=0．85．选取特征值大于1的作为主成分，可以发现当取到3个主成分，其累积贡献率达86．26%＞80%，满足要求，即神经网络的输入节点为3个．将各个参数代入模型之后可以得出:P0=90，Pmin=0．1．结果如表2、表3所示．经主成分分析，可以确定出神经网络的输入节点为3个，即:第一个主成分分数=0.208×总人口数－0.102×人均旅行次数－0.112×居民消费指数+0.202×居民消费水平+0.162×机动车保有量+0.212×地区生产总值+0.119×人口密度+0.217×消费总额;第二个主成分分数=0.241×总人口数+0.305×人均旅行次数+0.219×居民消费指数－0.210×居民消费水平－0.253×机动车保有量+0.249×地区生产总值－0.075×人口密度+0.253×消费总额;第三个主成分分数=－0．160×总人口数－0．090×人均旅行次数+0．840×居民消费指数+0．222×居民消费水平－0．097×机动车保有量－0．114×地区生产总值+0．651×人口密度－0.077×消费总额;运用MATLAB等软件分别对传统PCA－BP神经网络以及改进型PCA-BP神经网络模型进行运算．后七年的公路客运量实际值与预测值数据比较见图3．从上述表格数据可知，改进型PCA-BP模型的迭代次数2361次，准确率为88．91%比传统的PCA-BP模型更为理想，预测效果较好．

5结论

神经网络回归算法范文第3篇

关键词：身体素质；专项成绩；跳高；递归神经网络

中图分类号：G804.2文献标识码：A文章编号：1007-3612(2008)02-0202-03

随着我国体育事业的蓬勃开展，特别是2008年奥运会的成功申办，大幅提高各项体育运动水平已成为体育管理部门、教练员和运动员关注的焦点。在以往的奥运会中，我国的跳高运动员的成绩并不理想，与世界一流水平还存在一定差距。为了缩小差距，更快地提高我国跳高运动员的专项成绩，争取在2008年奥运会上取得较大进步，准确建立起反映运动员专项成绩与身体素质相关关系的数学模型是必要的也是必须的。为了更准确地建立起映射专项成绩与身体素质函数关系的数学模型，本文利用递归神经网络强大的动态映射能力，在不需要事先确定模型数学表达形式的条件下，通过递归神经网络对训练样本的学习，建立了世界优秀男子跳高运动员的神经网络模型。

1研究对象与方法

1.1研究对象通过查阅有关文献资料，收集世界前15名男子跳高运动员的专项成绩与身体素质训练水平的历史数据（表1）。根据这些数据，分析优秀男子跳高运动员的专项成绩与身体素质训练指标之间的相关关系，建立起映射身体素质训练水平与专项成绩相关关系的递归神经网络模型。

1.2研究方法人工神经网络（Artificial Neural Network－ANN）是为模仿人脑的工作方式而设计的一种机器，是一种具有分布式存储、平行处理和自适应学习的信息处理系统。自从20世纪50年代Rosenblatt首次将单层感知器应用于模式分类学习以来，已经有了30多年的研究历史。近年来，随着神经网络理论水平的发展和应用领域的拓宽，神经网络强大的映射能力已得到人们的公认，并在许多应用领域中取得了丰硕的成果。其中，递归神经网络（Recurrent Neural Network，RNN）因其具有动态映射能力而受到青睐。80年代末，国际上一些神经网络专家，如Jordan、Pineda、Williams和Elman等提出了递归神经网络。递归神经网络的本质特征是在神经元之间既具有内部的反馈连接又有前馈连接。从系统观点看，它是一个反馈动力系统。在计算过程中它体现出动态特性，比BP前馈神经网络具有更强的动态行为和计算能力。本文采用递归神经网络来建立数学模型可以拟合跳高运动员的专项成绩与身体素质训练之间的任何一种函数关系，真正反映出它们的内在特征，从而克服多元回归模型和灰色模型的不足。目前，国际上有10种左右的递归神经网络模型，应用最广泛的是Elman网络，其结构见图1。它具有输入层、隐层、输出层以及反馈层，反馈层用来保存隐层单元前一时刻的输出状态。Elman型递归神经元网络的特点是隐藏层的输出通过反馈层的延迟、存储，自联到隐藏层的输入，这种自联方式使其对历史状态的数据具有敏感性，内部反馈网络的加入增加了网络本身处理动态信息的能力，有利于动态过程的建模。

图1Elman递归神经网络当递归神经网络的结构确定以后，便需进行神经网络的学习，在递归神经网络的学习算法中，最基本也是最重要的学习算法为动态反向传播算法（Dynamic Back Propagation）。该学习算法由正向传播和反向传播组成。在正向传播过程中，输入信号从输入层通过作用函数，逐层向隐含层、输出层以及反馈层传播。如果在输出层得不到期望的输出，则转入反向传播，将误差信号沿原来的连接通路返回，通过修改各层神经元的连接权值，使得输出误差信号最小。此学习过程不断地反复进行，直到输出误差信号小于某一给定数值，这样便获得了映射输入与输出信号的一组连接权值，得到训练好的神经网络模型。

2运动员的Elman递归神经网络模型

2.1身体素质训练指标的选取

依据15名跳高运动员7项身体素质训练指标与专项成绩的历史数据，进行身体素质训练指标与专项成绩之间的相关分析和关联分析，其相关系数和关联度见表2。从表2可以看出，100m跑、立定三级跳远、助跑手摸高、4-6步助跑高、后抛铅球、高抓杠铃和深蹲杠铃这7项身体素质训练与专项成绩的相关系数和关联度均较高。经专家评定，确认这7项素质训练指标与跳高运动员的专项成绩关系密切。

2.2神经网络模型Elman神经网络模型的建立一般可分为2个步骤：步骤1为确定神经网络模型的结构，步骤2为采用动态反向传播算法对训练样本进行学习，获得最优的连接权值。

2.2.1神经网络结构的确定选取神经网络的输入神经元数为7，分别对应7项身体素质训练指标；输出神经元数为1，代表专项成绩。神经网络的隐层数取1层，隐层神经元数目为10个。隐含层神经元的传递函数采用Sigmoid函数，输出层神经元的传递函数采用线性函数。

2.2神经网络的学习以7项素质训练指标与专项成绩对应的15组历史数据作为神经网络的训练样本，15组训练样本的数据见表3。

将以上训练样本进行归一化处理，变换成之间的数据。采用Levenberg-Marquardt动态反向传播算法对15组训练样本进行学习，从而获得最优的神经网络权值。这里，我们运用Matlab 6.5软件中的神经网络开发工具，方便和简单地实现了Elman神经网络的学习。整个学习过程耗时0.3 s（计算机的为，内存为），动态反向传播算法的学习过程曲线见图2。学习之后的神经网络模型，即神经网络的连接权值见表4，它映射出运动员素质训练与专项成绩之间的函数关系。

2.3神经网络模型的拟合精度将7项素质训练指标的数据代入神经网络模型中，获得专项成绩的预测值，计算结果见表5。采用多元线性回归模型，通过利用最小二乘法来拟合身体素质训练指标与专项成绩之间的15组数据，获得的数学模型为：

利用该数学公式，同样计算出运动员的专项成绩，计算结果见表5。

比较两种数学模型的拟合精度。从表5可以看出，神经网络模型的拟合精度要高于多元线性回归模型，即递归神经网络模型更好地映射出运动员身体素质训练水平与专项成绩之间的函数关系，为运动员训练提供了更为合理的数学模型。

2.4神经网络模型的应用在建立了运动员神经网络模型之后，便可根据运动员的实际情况，设定运动员身体素质训练水平的变化范围。并利用递归神经网络模型，计算出在该训练水平范围内的专项成绩。假定运动员1的深蹲杠铃成绩在之间变化，而其它素质训练指标取表1中的数据，运动员1的跳高专项成绩与深蹲杠铃成绩的相关曲线见图3。

同样，可绘制其它素质训练指标与专项成绩之间的关系曲线。利用这些曲线，教练员和运动员可以分析出素质训练对运动员专项成绩的影响程度。最后依据此分析结果来科学安排运动员的训练计划，为运动员创造优异成绩提供理论依据。

3结论

利用递归神经网络强大的动态映射能力，本文建立起世界优秀跳高运动员身体素质训练水平与专项成绩相关关系的递归神经网络模型，该模型克服了多元回归模型和灰色模型的缺点，不需要事先确定数学模型的数学表达形式，更为客观地反映了跳高运动员的身体素质训练水平与专项成绩之间的函数关系，从而获得了更高的拟合精度。教练员和运动员利用该神经网络模型，可以更为准确地掌握运动员专项成绩的发展趋势，从而安排出更为科学的运动员训练计划。

参考文献：

［1］ 范秦海,周越,周健.跳高运动员专项身体素质与专项成绩相关关系的研究［J］.中国体育科技,2002,38(2):35-38.

［2］ 刘嘉津.运用GM(1,h)模型规划田径训练的量化方法［J］.西安体育学院学报,2003,20(6):57-58.

［3］ 张乃尧,阎平凡.神经网络与模糊控制［M］.北京:清华大学出版社,1998：53-150.

神经网络回归算法范文第4篇

关键词：遗传算法 神经网络 瓦斯突出 预测

中图分类号：TD712 文献标识码：A 文章编号：1672-3791（2017）01（a）-0000-00

预测煤层中的瓦斯含量是进行煤与瓦斯突出风险研究的重要一环，由于影响瓦斯含量的地质因素复杂多样，以及各因素间存在着复杂的非线性关系，迄今为止，对瓦斯突出的预测主要使用回归分析方法，预测的结果往往跟实际的情况差别较大，因此需要使用新的方法建立预测模型来实现对瓦斯突出高精度的预测。

1 利用遗传算法改进的神经网络建立瓦斯突出预测模型

（1）网络输入参数的确定：经查阅相关文献和咨询得知瓦斯突出的主要影响因素有：煤层底板标高、煤层到断层距离、煤层到最近剥蚀面距离、顶板砂岩比、统计单元中有无断层、基岩厚度、煤厚。

（2）网络输出参数的确定：选择二进制数0和1分别表征瓦斯不突出和突出。

（3）网络的构造： 一般地可以用一个三层神经网络实现预测功能，此神经网络的输入层有n个神经元，根据经验公式选取隐含层有（2n+1）个神经元，输出层有m个神经元，因此本模型中的神经网络可以采用3层神经网络。

（4）网络的训练：训练样本取自唐山开滦多个矿井具有代表性的10个突出点，利用突出点的数据训练神经网络，得到预测模型。

（5）网络的精确度验证： 利用已完成的人工神经网络对实际问题进行试验研究。把在开滦矿井采取的11～20组数据的瓦斯突出指标输入已经训练的网络中，验证人工神经网络的预测结果与实际突出情况的吻合度，如果吻合度低，就需要对网络进行改动，直至达到满意的吻合度。

（6）利用遗传算法对神经网络的权值和阈值进行优化

个体的编码：将神经网络各层之间可能存在的连接权值和阈值编码成实数码串或者进行二进制码串，每条码串中包含着网络中的所有权值、阈值其排列顺序可以随意定义，不受限制，组成一个染色体。

产生初始种群：随机生成一定数量的码串个体作为一个初始种群。

计算适应度：设网络有K个训练样本，让所有的训练样本依次通过解码后生成的神经网络，计算所有训练样本一次通过的平均总误差作为每条染色体的适应度， 其中， 为瓦斯含量的实测值， 为网络的输出值。

④将网络的所有连接权值和阈值进行实数编码，构成一个染色体，每条染色体代表一个神经网络模型的权值和阈值。设定初始种群规模为20，进化代数为220，交叉概率0.2 ，变异概率为0.1，为了防止遗传算法的早熟现象，变异概率先定义为0.1，然后在逐渐递增。算法运行到158代时获得最佳的连接权值，网络平均总误差为0.001。

2 实例分析及算例求解

选取唐山开滦煤矿为例，对该地进行瓦斯含量预测研究。对影响瓦斯含量的主要因素进行分析，归纳确定了神经网络的输入层神经元个数为7，对应为7个输入变量即7个影响瓦斯含量的因素。其中对输入变量中的顶板砂岩比、统计单元中有无断层、顶板基岩厚度、煤层厚度四个影响因素采用二变量比值法将其定量化。处理方法的划分条件如表1所示，输出层神经元个数是1。在开滦集团获得的相关数据如表2所示，其中1～10作为网络训练样本，11～20作为网络检验样本，用来检验模型的预测精度。

利用前10组数分别训练自适应的BP神经网络和与遗传算法结合改进的网络得到瓦斯突出预测模型，如图1和2所示。然后利用11～20组的样本对网络性能进行检验，并将检验结果和实测值的数据进行对比，对比后的结果如表3所示。 由图1、2可知用遗传算法改进的神经网络收敛速度更快，由表3可知用遗传算法改进后的神经网络预测的值跟实际的值更加的逼近即预测精度高。

3 结论

本文采用遗传算法与神经网络相结合的方法，通过优化神经网络的权值和阈值，使得预测的绝对误差从-0.0119～0.2000缩小到-0.0013～0.0611，提高了预测的精度，加快了收敛速度。对煤矿安全发展具有一定的意义。

参考文献

[1]曾文飞，张英杰，颜玲.遗传算法的基本原理及其应用研究[J]，软件导刊，2009

[2]梁芳.遗传算法的改进及其应用[D].武汉理工大学，2008.

[3]彭海雁.影响煤与瓦斯突出的主控因素研究[D].东北大学，2013.

神经网络回归算法范文第5篇

关键词：光纤光栅；温度补偿；传感器；BP神经网络

中图分类号：TP212.14 文献标识码：A文章编号：1007-9599 (2011) 14-0000-02

FBG Sensor Temperature Compensation Research

Shao Jun1,4,Jiang Tao2,Li Wu3,Liu Junhua4

(1. Xi'an Petroleum Oil University,Xi'an710065,China;2.Great Wall of China Petroleum Drilling Company Sulige Gas Field Project Department,Panjin124010,China;3.China National Petroleum Logging Co.,Division of Tarim,Kuerle841001,China;4.School of Electrical Engineering,Xi'an Jiaotong University,Xi'an710049,China)

Abstract:Two methods,including Steady Coefficient Linear Regression Analysis and BP neutral network are compared in this paper.The BP method is effective:the temperature coefficient of zero position grows down from 34.5%℃-1 to 0.02%℃-1 and the sensitivity temperature coefficient comes down from 34.2%℃-1 to 0.07%℃-1.It fully reveales that BP neutral network is available approach to improve temperature interference to fiber grating sensors.

Keywords:Fiber grating;Temperature compensation;Sensor;BP neutral network

一、引言

光纤光栅同时敏感温度和应变。当测量与应变相关的被测量时，就需要补偿温度影响。如何补偿温度的影响一直是科研人员潜心研究的问题[1-4]。

目前，用于补偿温度对光纤光栅影响的算法多是需要建立输入输出解析表达式的定常数线性回归分析法[1，2，4]。另一类方法是不需要建立输入输出解析关系的机器学习算法，如神经网络法。BP神经网络在建立预测模型[5，6]、气体分析[6，7]等方面获得了较为成功的应用。因此，本文将BP神经网络用于聚合物封装光纤光栅压力传感器进行温度补偿，进而实现将机器学习法引入到光纤光栅传感器领域以抑制温度的干扰。

本文将这两种方法进行比较分析，找出适合用于光纤光栅聚合物传感器的温度补偿方法。

二、光纤光栅的温度补偿原理

目前，光纤光栅传感器进行温度补偿采用的定常系数线性回归算法的思路是利用式（1）进行的，即设定温度T和被测量x与光纤光栅波长的变化都是线性关系，建立输入输出模型为

（1）

式中：

， ―光纤光栅波长偏移量； ―环境温度下的自由波长； ―光纤的有效弹光系数； ―被测量x与光纤光栅应变的关系； ―温度的变化量； ―光纤的热膨胀系数，表示光栅周期随温度的变化率， ； ―光纤光栅的热光系数，表示折射率随温度的变化率， ， ―常系数，i，j=1，2。

求出式(1)中的常系数 ，就可以在实际测量中补偿温度的影响。

三、温度压力二维标定实验

根据式（1），进行温度补偿需要知道压力传感器随温度变化的规律，为此，首先对聚合物封装光纤光栅传感器进行温度压力实验标定，并对温度的影响进行评估。

实验装置如图1所示，将聚合物封装的光纤光栅传感器放在压力罐中，再将压力罐置于恒温箱中，通过热电偶记录温度。由光谱仪测出光纤光栅峰值波长的变化。

图1：聚合物封装光纤光栅压力传感器实验装置图

压力范围为0-14MPa，共15个标定点；温度范围为19℃―75℃，共8个标定点。若取环境温度19℃时的光纤光栅反射波长作为基准值，则随温度升高，峰值波长逐渐增大。利用零位温度系数、灵敏度温度系数两个指标来表征传感器的温度性能。

由标定数据可得

（2）

（3）

―零位温度系数； ―灵敏度温度系数； ―当温度变化 时，零位值的最大改变量； ―当温度变化 时，在全量程范围内某一输入量对应输出值随温度漂移的最大值； ―满量程输出。

由以上两个系数可见，该光纤光栅压力传感器输出受温度的影响很大，对其进行温度补偿是非常有必要的。接下来，利用定常数线性回归分析法补偿温度的影响。

四、不同补偿方法比较

（一）回归分析法补偿温度影响的研究

回归分析法用于光纤光栅温度补偿的步骤可以分为三步：（1）建立正模型，即根据实验标定的数据建立输出光纤光栅反射波长与输入压力和干扰量温度的解析表达式；（2）建立逆模型，即求出压力与光纤光栅反射波长的关系；（3）根据测量得到的温度和光纤光栅反射波长，计算待测压力，实现温度补偿。

利用回归分析法，得

与补偿前 和 相比，收到了一定的补偿效果，但补偿效果仍然不够理想，如当标定压力是14MPa时，温度为60℃的补偿压力为75.77MPa，与标定压力的误差达441%，不能完成压力传感器测量压力的功能。

（二）BP神经网络补偿温度影响的研究

利用BP神经网络进行温度补偿包括以下步骤：（1）形成训练样本和检验样本，它包括输入输出数据的归一化处理、训练样本和检验样本的选定；（2）建立BP神经网络模型；（3）网络补偿效果评价。图2是利用BP网络补偿温度对聚合物光纤光栅压力影响的框图。

图2：BP神经网络算法补偿光纤光栅传感器框图

利用零位温度系数和灵敏度温度系数评价温度补偿的效果。零位值的最大改变量 为0.48MPa，在全量程范围内压力最大波动值 为0.80Mpa， 为14Mpa， ，将以上结果分别代入式（2）和（3），得[8]

与补偿前 和 相比，提高近3个数量级。可见，通过BP神经网络的温度补偿，光纤光栅压力传感器测压稳定性大大提高。

五、结论

由于温度会影响光纤光栅非温度传感器的性能，本文分析比较了定长系数线性回归法和P神经网络补偿温度的效果。对于聚合物封装光纤光栅压力传感器，线性回归法效果不是很理想；而利用BP网络融合处理后的数据，其零位温度系数和灵敏度温度系数从补偿前的34.5%℃-1和34.2%℃-1分别下降到0.06%℃-1和0.1%℃-1，提高了近3个数量级，充分证明BP神经网络法对光纤光栅非温度传感器进行温度补偿的有效性。

参考文献：

[1]单光纤光栅对温度与应变的同步测量[J].光电子,激光,2010,12

[2]高温高压油气井下光纤光栅传感器的应用研究[J].光电子,激光,2011,1

[3]基于温度补偿方法去敏的新型光纤光栅压力传感器[J].仪器仪表学报,2009,11

[4]温度补偿式光纤光栅土压力传感器[J].应用光学,2010,1

[5]周彩兰,刘敏.BP神经网络在石油产量预测中的应用[J].武汉理工大学学报,2009,31(3):125-129

[6]韩应哲,李素梅,张延.大气杂质气体神经网络识别的推广性研究[J].光电子,激光,2005,16(6):710-713

[7]张永怀.分光型红外多组分气体分析相关技术研究[D].西安:西安交通大学,2003