LabVIEW中BP神经网络的实现及应用

1、最新LabVIEW中BP神经网络的实现及应用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，假设将神经网络与虚拟仪器有机结合，那么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

2、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Xx1，x2，xI，输出向量l，Y1，Y2，Yx)，理想输出向量为Ttl，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，那么隐层第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

3、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LabVIEW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，如使用节点那么必须在系统中安装：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

4、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。21 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：O05：1；目标矢量fsin(2。pi*p)+01randn(size(p)。利用Matlab 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

5、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。22 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；而输出状态那么有3种，分别为正常、偏小、偏大。这里

6、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AB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

7、序面板中函数一数学一数值及根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根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