LabVIEW中BP神经网络的实现和应用.docVIP

0 引 言 　　LabVIEW是美国NI公司开发的高效图形化虚拟仪器开发平台，它的图形化编程具有直观、简便、快速、易于开发和维护等优点，在虚拟仪器设计和测控系统开发等相关领域得到了日益广泛的应用，它无需任何文本程序代码，而是把复杂、繁琐的语言编程简化成图形，用线条把各种图形连接起来。BP神经网络属于前馈神经网络，它广泛应用函数逼近、模式识别、分类和数据压缩等领域，若将神经网络与虚拟仪器有机结合，则可以为提高虚拟仪器测控系统的性能提供重要的依据。 　　1 BP神经网络学习算法 　　BP模型是一种应用最广泛的多层前向拓扑结构，以三层BP神经网络作为理论依据进行编程，它由输入层、隐层和输出层构成。设输入层神经元个数为I，隐层神经元个数为J，输出层神经元个数为K，学习样本有N个(x，Y，)向量，表示为：输入向量X{x1，x2，…，xI}，输出向量l，{Y1，Y2，…，Yx)，理想输出向量为T{tl，t2，…，tK}。 　　(1)输入层节点i，其输出等于xi(i=1，2，…，I，将控制变量值传输到隐含层，则隐层第j个神经元的输入： 　　  HYPERLINK /2009_07_14/1247546657_ddvip_7275.jpeg \t _blank 　　  　　其中：Wji是隐层第J个神经元到输入层第i个神经元的连接权值。 　　(2)隐层第J个神经元的输出： 　　  HYPERLINK /2009_07_14/1247546657_ddvip_6070.jpeg \t _blank 　　  　　(3)神经网络输出层，第k个神经元的输入为： 　　  HYPERLINK /2009_07_14/1247546657_ddvip_7692.jpeg \t _blank 　　  　　其中：Vkj是输出层第k个神经元到隐层第j个神经元的连接权值。 　　(4)神经网络输出层，第志个神经元的输出为： 　　  HYPERLINK /2009_07_14/1247546658_ddvip_6927.jpeg \t _blank 　　  　　(5)设定网络误差函数E：  HYPERLINK /2009_07_14/1247546659_ddvip_3169.jpeg \t _blank 　　  　　(6)输出层到隐层的连接权值调整量△Vkj： 　　  HYPERLINK /2009_07_14/1247546660_ddvip_7007.jpeg \t _blank 　　  　　(7)隐层到输入层的连接权值调整量wji： 　　  HYPERLINK /2009_07_14/1247546661_ddvip_5991.jpeg \t _blank 　　  　　2 用LabVlEW实现BP神经网络的两种方法 　　用LabVIEw实现BP神经网络的两种方法为： 　　(1)由于Matlab具有强大的数学运算能力以及在测控领域的广泛应用。在LabVIEW中提供了MatlabScript节点，用户可在节点中编辑Matlab程序，并在Lab—VIEW中运行；也可以在LabVIEW程序运行时直接调用已经存在的Matlab程序，如使用节点则必须在系统中安装：Matlab5以上版本，在写入Matlab节点前要将程序先调试通过，并确保其中变量的数据类型匹配。 　　(2)由于LabVIEW的图形程序是独立于运行平台的，而且是一种数据驱动的语言，可以方便地实现算法且易修改，结合其SubVI技术可以增加程序的利用率，因此可以采用图形编程的方法实现前向网络的算法。 　　2．1 利用Matlab Scriipt节点实现 　　在此以对一个非线性函数的逼近作为例子来说明实现流程，其中输入矢量p=[一1：O．05：1]；目标矢量f—sin(2。pi*p)+0．1randn(size(p))。利用．Mat—lab Script节点实现BP算法的过程如下： (1)新建一个LabVIEw vi，在框图程序中添加Matlab Script节点。 　　(2)在节点内添加Matlab的动量BP算法实现代码，并分别在节点左右边框分别添加对应的输入／输出参数，如图1所示。 　　(3)在vi的前面板添加相应的控件，设置输入参数，连接输出控件。执行程序，结果如图2、图3所示。  HYPERLINK /2009_07_14/1247546665_ddvip_6082.jpeg \t _blank 　　  　　此方法能够直接利用Matlab强大的神经网络工具箱，程序运行时会自动调用系统中已安装的Matlab进行计算，不用进行复杂的编程，开发效率很高。 　　2．2 利用图形编程实现 　　LabVIEw是美国NI公司推出的基于图形化编程的虚拟仪器软件开发工具，它无需任