第２２卷第１期 河 北 省 科 学’院 学 报 Ｖｏ１．２２ ＮＯ．１ ２００５年３月 Ｊｏｕｒｎａｌ ｏｆ ｔｈｅ Ｈｅｂｅｉ Ａｃａｄｅｍｙ ｏｆ Ｓｃｉｅｎｃｅｓ Ｍａｒ．２００５ 文章编号：１００１—９３８３（２００５）０１—００１１－０４ 基于ＢＰ神经网络的负载识别和Ｃ语言实现 王娟，高蒙，亢海伟 （石家庄铁道学院电气工程系，石家庄０５００４３） 摘 要：对学生公寓用电负载的类型进行识别，识别出负载中计算机功率的值，进而判断检测到的总功率中所 含的非计算机功率，以限制大功率负载的应用，对学生公寓的用电管理有重大意义。对所采集不同负载类型 的电压、电流信号进行傅立叶变换，提取特征值，并加入总功率参数作为ＢＰ神经网络的训练样本，训练网络 对负载中计算机功率进行识别，并用ｃ语言编程实现。对石家庄铁道学院学生公寓电器类型的识别结果表 明，神经网络方法用于识别电器类型具有可靠性和实用性。 关键词：神经网络；负载识别；Ｃ语言 中图分类号：ＴＢ１８３ 文献标识码：Ａ Ａｐｐｌｉｃａｔｉｏｎ ｏｆ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ ｉｎ ｒｅｃｏｇｎｉｚｉｎｇ ｔｈｅ ｅｌｅｃｔｒｉｃａｌ ａｐｐｌｉａｎｃｅｓ ＷＡＮＧ Ｊｕａｎ，ＧＡＯ Ｍｅｎｇ，ＫＡＮＧ Ｈａｉ－ｗｅｉ （Ｄｅｐａｒｔｍｅｎｔ ｏｆＥｌｅｃｔｒｉｃａｌＥｎ ｎｅｅｒｉｎｇ，ＳｈＯｉａｚｈｕａｎｇＲａｉｌ￣ｏａｙＩｎｓｔｉｔｕｔｅ，ＳｈｉｊｉａｚｈｕａｎｇＩ－Ｉｅｂｅｉ ０５００４３，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｒｅｃｏｇｎｉｚｉｎｇ ｔｈｅ ｌｏａｄ ｉｎ ｔｈｅ ａｐａｒｔｍｅｎｔ ｏｆ ｓｔｕｄｅｎｔ ａｎｄ ｔｈｅ ｃｏｍｐｕｔｅｒ ｐｏｗｅｒ ｉｎ ｔｈｅ ｓｕｍ—ｐｏｗｅｒ ｈａｖｅ ｉｍｐｏｒｔａｎｔ ｖａｌｕｅ ｔｏ ｔｈｅ ｍａｎａｇｅｍｅｎｔ ｏｆ ｓｔｕｄｅｎｔｓ’ａｐａｒｔｍｅｎｔ．Ｔｈｅ ｖａｌｕｅ ｏｆ ｓｕｍ—ｐｏｗｅｒ ａｎｄ ｄｉｆｆｅｒｅｎｔ ｆｒｅｑｕｅｎｃｙ ｗｈａｔ ｃｏｍｅ ｆｒｏｍ ｔｈｅ ｆａｓｔ Ｆｏｕｒｉｅｒ ｔｒａｎｓｆｏｒｒｎ ｔｏ ｔｈｅ ｖｏｌｔａｇｅ ａｎｄ ｔｈｅ ｅｌｅｃｔｉｒｃ ｃｕｒｒｅｎｔ ｓｉｇｎａｌｓ ｏｆ ａｌｌ ｋｉｎｄｓ ｏｆ ｌｏａｄｓ ａｓ ｔｈｅ ｉｎｐｕｔ ｏｆ ｔｈｅ ＢＰ ｎｅｔｗｏｒｋ ａｎｄ ｔｈｅ ｏｐｗｅｒ ｏｆ ｃｏｍｐｕｔｅｒ ａｓ ｔｈｅ ｏｕｔｐｕｔ ｏｆ ｔｈｅ ＢＰ ｎｅｔｗｏｒｋ ｗｅｒｅ ｔａｋｅｎ．Ｔｈｅ ｎｅｔｗｏｒｋ ｔｏ ｒｅｃｏｇｎｉｚｅ ｔｈｅ ｏｐｗｅｒ ｏｆ ｃｏｍｐｕｔｅｒ ｉｎ ｔｈｅ ｓｕｍ—ｐｏｗｅｒ ｗａｓ ｔｒａｉｎｅｄ．Ｔｈｅｎ ｗｅ ｃａｒｒｙ ｏｕｔ ｔｈｅ ｓｙｓｔｅｍ ｂｙ Ｃ ｌａｎｇｕａｇｅ．Ｔｈｅ ｒｅｓｕｌｔｓ ｏｆ ｒｅｃｏｇｎｉｚｉｎｇ ｔｈｅ ｌｏａｄ ｏｆ ｓｔｕｄｅｎｔｓ’ａｐａｒｔｍｅｎｔ ｓｈｏｗ ｔｈａｔ ｔｈｅ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｕｓｅｄ ｉｎ ｒｅｃｏｇｎｉｚｉｎｇ ｔｈｅ ｅｌｅｃｔｒｉｃａｌ ａｐｐｌｉａｎｃｅｓ ｈａｓ ｒｅｌｉａｂｉｌｉｔｙ ａｎｄ ｐｒａｃｔｉｃａｂｉｌｉｔｙ． Ｋｅｙｗｏｒｄｓ：Ｎｅｕｒａｌ ｎｅｔｗｏｒｋ；Ｒｅｃｏｇｎｉｚｉｎｇ ｔｈｅ Ｅｌｅｃｔｒｉｃａｌ Ａｐｐｌｉａｎｃｅｓ；Ｃ ｌａｎｇｕａｇｅ １ ＢＰ神经网络基础 人工神经网络是在现代神经生物学基础上提出的模拟生物过程以及反映人脑某些特征的计算结构。具有分布并行 处理、非线性映射、自适应学习和鲁棒容错等特征。 ＢＰ神经网络通常是指基于误差反向传播（Ｅｒｒｏｒ Ｂａｃｋ Ｐｒｏｒａｇａｔｉｏｎ，简称ＢＰ） 算法的多层前馈神经网络，它是继Ｈｏｐｆｉｅｌｄ网络之后，由Ｄ．Ｅ．Ｒｕｍｅｌｈａｒｔ和Ｊ．Ｌ． ＭｅＣｅＵａｎｄ及其研究小组在１９８６年研究并设计出来的。ＢＰ网络神经元采用的 输出层 传递函数通常是Ｓｉｇｍｏｉｄ型可微函数，所以可以实现输入和输出间的任意非线性 映射，这使得它在诸如函数逼近、模式识别、数据压缩等领域有着更加广泛的应 用…。是现今网络界应用较广泛的多层前馈神经网络。 １．１ ＢＰ神经网络模型 ＢＰ神经网络通常采用基于ＢＰ神经元的多层前向神经网络结构形式，一个 输人层 典型的ＢＰ网络结构如图１所示。 典型的ＢＰ神经网络模型可分为输入层、隐层（也称中间层）和输出层，其特 点是：各层神经元仅与相邻层神经元之间有连接，连接权值可通过学习来调节， 图１ ＢＰ网络结构 收稿日期：２００４—０９—０３ 作者简介：ＺＥ￣１（１９７３一），女，河北行唐人，石家铁道学院在读研究生，主要从事计算机检测与控制的研究 维普资讯 http://www.cqvip.com
１２ 河北省科学院学报 ２００５年第２２卷 各层内神经元之间无任何连接，各层神经元之间无反馈连接。 １．２ ＢＰ学习算法 ＢＰ学习算法的基本思想是：学习过程由信号的正向传播和误差的反向传播两个过程组成。给定网络的一个输入模 式时，由输入层单元传到隐层单元，再由输出层单元处理后产生一个输出模式。若输出与期望输出不符，则转入误差反 向传播阶段。误差反传是将误差信号以某种形式通过隐层向输入层逐层反传，获得各层单元的误差信号，此误差信号作 为修正各单元权值的依据。信号的正向传播与误差的反向传播是周而复始地进行【２］。权值的不断调整过程，也就是网 络的不断学习训练过程。此过程一直进行到网络误差减小到预先设定值，或进行到预先设定的训练次数。 ＢＰ学习算法的具体过程如下： 网络实际输出与期望输出不相等时，存在输出误差Ｅｐ＝１／２（ｄｐ—Ｏｐ） ＝１／２∑（ｄ 一０肚） 将上述误差定义展开 至输入层， Ｅｔ，＝１２／∑｛ｄ 一ｆ２［∑伽 （∑ 。 ）］｝ 可以看出，网络的误差是各层权值Ｗ．，Ｗ２的函数，对于输出层和隐层各定义一个误差信号，输出层误差信号为 ａｏ一 一 × （１－。肚） 隐层误差信号为 ＝一 ＝一 ×鼍＝（奎 ｚ业 （・ 根据 学习规则，利用梯度最速下降法，使权值的调整量与误差负梯度成正比，学习率为 ，若权值的变化量记为 ＡＷ，可得ＢＰ网络学习算法的权值调整公式为 Ａｗ２ｉｋ＝ ＝ｒｌ（ｄｒ＊一。 ）。 （１一。 ）Ｙｉ Ａｗ． ＝ ＝ （∑ ２ 业） （１一 ） ２基于ＢＰ神经网络的负载识别 ２．１试验背景 学生公寓人员密集、负载类型较多、用电管理复杂。一些违章大功率电器的应用极易引发火灾事故，直接威胁人身 和财产安全，并且给学校带来负面的社会影响，所以属于违章电器设备，严禁使用。而一些特殊的较大功率电器如计算 机是允许使用的。对学生公寓的负载类型进行识别，识别出其中所含有的计算机功率，对于学生公寓的用电管理有着重 要的意义。 ２．２训练样本集的准备 本文采用ｌ２位的ＡＤ１６７４对电器负载的电压、电流信号进行Ａ／Ｄ采样，转换速度是１０ｍｓ，采样频率为６４００Ｈｚ，采样 点个数为１２８个。采集石家庄铁道学院学生公寓６８种不同的负载类型组合，每个类型采集４组信号。对所采集各种电 器负载的电压、电流信号进行傅立叶变换，提取电流５０Ｈｚ、１００Ｈｚ、１５０Ｈｚ和电压５０Ｈｚ这些频率的幅值，再计算出所采集 信号负载的总功率。将这五个量作为神经网络的输入。将这６８种负载类型４组不同信号提取的特征值，按不同的顺序 交叉输入，将负载中所含有的计算机功率作为神经网络的输出，形成２７２种训练模式对．训练前将输入量、期望输出进行 归一化处￣ｊ［３ｌ。 ２．３网络的结构设计 ＢＰ神经网络模型中的传递函数，通常采用可微的单调递增函数，输入层到隐层之间的转移函数采用双曲正切函数 １一。一２ｘ ｆ（ｚ） ｝ ，ＢＰ网络最后一层神经元的特性决定了整个神经网络的输出特性。当最后一层神经元采用Ｓｉｇｍｏｉｄ型 函数时，整个网络的输出就被限制在一个较小的范围内；如果最后一层神经元采用ｐｕｒｅｌｉｎ型函数时，则整个网络输出可 取任意值。由于本文中输出量计算机功率为任意值，隐层到输出层的转移函数采用线性ｐｕｒｅｌｉｎ函数，（ ）＝ｋ× 。 理论证明，具有单隐层的前馈网可以映射所有的连续函数，只有当学习不连续函数时才需两个隐层。因此我们采用 单隐层的前馈网。隐层节点的作用是从样本中提取并储存其内在规律，隐层节点数太少，网络不足以从样本中获得足够 的信息，不足以概括提取样本规律，出现“欠学习”问题；隐层节点数太多，又可能记牢样本中非规律的东西，出现“过学 维普资讯 http://www.cqvip.com
第１期 王娟等：基于ＢＰ神经网络的负载识别和Ｃ语言实现 １３ 习”问题。根据试凑法，本网络的隐层节点数确定为１１个。 本文选取３层ＢＰ网络，输入层５个神经元，隐层ｌ１个神经元，输出层１个神经元。 ３ Ｃ语言实现 用Ｃ语言实现网络的学习训练，进行负载识别，为实时控制提供 了程序基础。程序框图如图２，程序流程如下： （１）初始化（２）归一化对权值矩阵赋随机数，将样本模式计数器Ｐ和训练 将输入量和期望输出进行归一化处理。 次数计数器ｑ置０。 （３）输入训练样本对，计算各层输出。将当前样本Ｘｐ＝（ １， ２， Ｘ３， ・， ｓ）加到输入层，计算隐层单元输出 ，ｔ（ ｅ ） ｝ 和输出层单元输出Ｏｋ＝＾（ｎｅｔＩ）＝Ｋ（ｎｅｔＩ）。 （４）计算输出层误差信号 ２＝（ｄ 一 ） ｎｅｔｔ）＝（ｄ 一ｏａｔ）Ｋ 隐层误差信号 ｆ ＝（∑ 硼 ）（１一∞） ★ｚＯ （５）根据式Ｚ２Ｖ￣．Ｏ．２ｊ￣＝ ２∞＝，ｌ（ｄ 一 ）Ｋ ￣［１Ａｗｔ ＝ ｆ ＝ 而 围２程序框围 （∑ ２硼２ ）（１一 ）而调整权值； ●＿０ （６）重复（３），直到达到预先设定的训练步数ｑ； （７）计算网络误差 网络对应不同的ｎＰ个样本具有不同的误差Ｅｐ＝４∑（ｄ 一 ） ，用其均方根误差 Ｔ●－０ 厂■— ｅ —一 √去 （Ｅｐ）２代表网络的总误差。 （８）检查网络的总误差是否满足要求，若满足，训练结束。若不满足，重新设定训练次数，再次训练，直到误差满足要 求。 ４网络负载识别结果 ＢＰ网络的学习进程由网络的均方根误差来衡量。在训练过程中，我们采用的是梯度最速下降算法，均方根误差应 该逐渐减小【４】。学生公寓的负载识别要求误差小于０．２。本程序中选取合适的学习因子 ＝０．００７５，动量因子ａ＝ ０．０８５，迭代次数为１０００次，绘出误差变化曲线如图３所示。 通过误差曲线可以看出，样本集选择组织合，理误差收敛很快，训练误差结果满意，表明对给定训练集网络学习已经 满足要求了。为了对网络误差定量判断，我们采用均方误差函数，运行程序得网络的均方误差为０．１１８３４８，满足学生公 寓负载识别误差小于０．２的要求。 为了直观分析网络识别结果，对网络的输出结果和期望输出作线性回归分析，并得到两者的相关系数，从而作为网 络训练结果是否优良的判断依据。图４给出了网络输出的线性回归分析结果曲线。相关系数为０．９９４，可见，网络计算 机功率的检测结果相关系数几乎达到了１。非常满意。 表１给出了６８种负载类型一组信号的ＢＰ网络识别结果。从表１中可以看出，除了个别不含计算机的负载组合外， 对其他负载类型中所含的计算机功率都能较准确的识别出来。 ５结束语 本文在对ＢＰ神经网络理论回顾的基础上，讨论了该理论在实际中的应用，对石家庄铁道学院学生公寓电器负载类 型进行识别。检测结果相关系数达到了０．９９４。实际输出和期望输出的均方误差满足设计要求。神经网络方法用于电 器负载类型识别具有可靠性和实用性。 维普资讯 http://www.cqvip.com
１４ 河北省科学院学报 ２００５年第２２卷 图３误差变化曲线 图４网络输出的回归分析 表１网络负载识别结果 期望值实际值 期望值实际值 期望值实际值 期望值实际值 期望值实际值 期望值１００ 实际值 ９０．６３ １２５ １２４．５１ ７０ １０５．６Ｏ ４４０ ４３８．６５ ０ Ｏ ４．６１ Ｏ．１１ １１５ １１Ｏ．６４ １１５ ９６．２６ １２０ １０８．６８ ２４０ ２５４．２４ ０ —２．２２ Ｏ ０ 一９．１３ ９．９１ １１５ １１４．５８ ２６０ ２６５．１８ ０ Ｏ ０．８１ ６．３２ １００ １１５．８９ ３９０ ４０７．９１ ０ １２．Ｏ２ ４３０ ４２５．６５ Ｏ Ｏ １．７８ ２．１１ ４２５ ４０６．４６ ０ ０ １７．６３ ０．６４ Ｏ 一１２．２３ ２１０ １７６．１４ ２１０ １９８．２Ｏ ２１Ｏ １５７．４２ ３２０ ３２７．８２ ２８０ ２９９．５４ ５５５ ５３９．１９ ３２０ ３０５．Ｏ８ ２８０ ３００．０７ ５５５ ５６６．２２ ３２０ ３０９．９１ ４１５ ４０８．７５ ５５５ ５４６．２８ ３２０ ３４４．８７ ４１５ ４２６．６７ ２８０ ２８４．５０ ２８０ ２８８．６５ ４１５ ４０７．３４ ２８０ ２９４．１１ ２８０ ２９９．１９ ５５５ ５４５．３８ ２８０ ２７９．３５ ２８０ ２７８．１５ ０ ６０．３２ １００ １０４．５４ ０ —６．７２ Ｏ ６．１８ １００ ９７．５５ １００ ０ ９９．２８ ２．８３ Ｏ ２７．０７ Ｏ ２２．０７ ０ —５．７４ ２５０ ２２２．３６ １５０ １４８．７８ ２５０ ２５３．５４ ２５０ ２８０．０４ ２５０ ２３４．６２ 应注意的问题是，ＢＰ学习过程是一个非线性优化过程，所以有可能会遇到局部极小点问题［ ；网络的隐层单元个数 的选取尚无理论上的指导，而是根据经验选取；ＢＰ网络并不是一个非线性动力学系统，功能上有其局限性。 参考文献 ［１］许东，吴铮．基于ＭＡＴＬＡＢ６．ｘ的系统分析与设计一神经网络［Ｍ］．西安：西安电子科技大学出版社，２００２．２０￣２１ ［２］韩力群．人工神经网络理论、设计及应用［Ｍ］．北京：化学工业出版社，２００２．５５～５６ ［３］党建武．神经网络技术及应用［Ｍ］．北京：中国铁道出版社，２０００．２５～３３ ［４］尚爵．基于ＢＰ网络的自学习算法和Ｃ语言实现［Ｊ］．工业控制计算机．２００２，１５（４）：１３～１７ ［５］靳蓍．神经计算智能基础原理・方法［Ｍ］．成都：西南交通大学出版社。２０００．１３１～１３６
因篇幅问题不能全部显示，请点此查看更多更全内容