LabVIEW中BP神经网络的实现及应用

liyf

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：   

    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：   

    (3)神经网络输出层，第k个神经元的输入为：   

    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：   

    (5)设定网络误差函数E：

    (6)输出层到隐层的连接权值调整量△Vkj：   

    (7)隐层到输入层的连接权值调整量wji：   

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。

    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。在此以一个设备状态分类器设计作为例子来说明实现流程输入，该设备有8个输入分量，即温度、湿度等外部条件；而输出状态则有3种，分别为正常、偏小、偏大。这里采用12个训练样本，每个样本有8个分量，3类输出分别编码为(O 1)，(1 0)，(1 1)，以下即为输入样本及标准输出数据(见图4、图5)。



   
                          
                       
                          
                                 bP神经网络隐层输入在LabVIEw中的实现。根据bP学习算法中式(1)编写相应的程序。其中x为输入样本；w为隐层输入权值，主要应用LabVIEw中的函数一数学一线性代数一矩阵A×b实现权值与输入样本的矩阵相乘，并通过For循环计算得到bP神经网络的隐层输人H(见图6)。    (2)bP神经网络隐层输出H的图形化程序。根据算法中的式(2)编写，由于在很多测试实践中参数间的关系是非线性的，这里主要应用Sigmoid型tansig函数作为隐层的传递函数，主要应用程序面板中函数一数学一数值及基本与特殊函数等数学控件实现(见图7)。    (3)bP神经网络输出层的输入及输出程序框图与隐层的类似，分别根据式(3)、式(4)编程即可实现，在此不再重复。    (4)网络误差函数E的图形化程序。根据算法中式(5)编写程序，其中：t为理想输出，y为网络输出。其中应用函数一数学一基本与特殊函数中的指数函数控件来实现(见图8)。

    (5)bP神经网络各参数调整量的图形化程序根据上述学习算法中的式(6)和式(7)，其中：x为网络输入样本；y，￡分别为网络实际输出和期望输出；h为隐层输出；v为隐层输出权值。通过调用LabVIEw软件中数学计算控件，经过一系列数学计算，分别得到网络隐层输出权值调整量△v以及隐层输入权值调整量△w，如图9、图10所示。    (6)完整的学习算法的图形化程序。将以上各个程序模块综合在一起，可以得到完整的学习算法实现程序，如图11所示。

    通过设定网络的输入样本z、输出期望t、隐层输入权值w，输出v的初始值，经过一系列的矩阵运算，获得调整后隐层权值w,v参数值。运行结果如图12所示，由图可以非常直观看出，网络输出与网络理想输出相当接近，说明网络训练的结果是满意的。

3 结 语    在利用LabVIEw实现bP神经网络的计算，方法一通过直接调用Matlab程序，简单易行，只是事先需要装有Matlab5．O以上的版本。方法二运用图形化编程对bP神经网络进行仿真，具有形象、直观、便于使用和理解的优于传统文本编程语言的特点。