基于BP神經(jīng)網(wǎng)絡(luò)的故障診斷方法

1、智能把握基礎(chǔ)爭辯生課程設(shè)計(jì)報(bào)告題 目 基于BP神經(jīng)網(wǎng)絡(luò)的故障診斷方法 學(xué) 院 機(jī)械與汽車工程學(xué)院 專業(yè)班級(jí) 車輛工程 學(xué) 號(hào) 221601852020 同學(xué)姓名 李躍軒 指導(dǎo)老師 武曉莉 完成日期 2016年12月10日 歡迎下載名目1 設(shè)計(jì)概述21.1爭辯對(duì)象介紹21.2設(shè)計(jì)內(nèi)容及目標(biāo)22 設(shè)計(jì)原理、方法及步驟32.1基于BP算法的神經(jīng)網(wǎng)絡(luò)模型32.2 神經(jīng)網(wǎng)絡(luò)信息融合故障診斷步驟43 結(jié)果及分析63.1數(shù)據(jù)仿真63.2 結(jié)果分析84 設(shè)計(jì)小結(jié)9參考文獻(xiàn)10附錄程序111 設(shè)計(jì)概述1.1爭辯對(duì)象介紹信息融合是多源信息綜合處理的一項(xiàng)新技術(shù)，是將來自某一目標(biāo)(或狀態(tài))的多源信息加以智能化合成，產(chǎn)

2、生比單一信息源更精確、更完全的估量和判決。信息融合所處理的多傳感器信息具有更為簡單的形式，可以在不同的信息層次上消滅。多傳感器信息融合的優(yōu)點(diǎn)突出地表現(xiàn)在信息的冗余性、容錯(cuò)性、互補(bǔ)性、實(shí)時(shí)性和低成本性。神經(jīng)網(wǎng)絡(luò)是由大量互聯(lián)的處理單元連接而成，它是基于現(xiàn)代神經(jīng)生物學(xué)以及認(rèn)知科學(xué)在信息處理領(lǐng)域應(yīng)用的爭辯成果。它具有大規(guī)模并行模擬處理、連續(xù)時(shí)間動(dòng)力學(xué)和網(wǎng)絡(luò)全局作用等特點(diǎn)，有很強(qiáng)的自適應(yīng)學(xué)習(xí)和非線性擬合力量，從而可以替代簡單耗時(shí)的傳統(tǒng)算法，使信號(hào)處理過程更接近人類思維活動(dòng)。柴油機(jī)故障具有相像性，故障與征兆的關(guān)系不明確，具有較強(qiáng)的模糊性，故障特征相互交織，柴油機(jī)故障診斷是一個(gè)簡單的問題。綜合柴油機(jī)故障的特

3、點(diǎn)以及神經(jīng)網(wǎng)絡(luò)的優(yōu)勢，接受基于BP神經(jīng)網(wǎng)絡(luò)的多傳感器信息融合技術(shù)對(duì)柴油機(jī)機(jī)械故障進(jìn)行診斷。1.2設(shè)計(jì)內(nèi)容及目標(biāo)設(shè)計(jì)內(nèi)容：針對(duì)傳統(tǒng)故障診斷方法存在的診斷精確性不高的問題，提出了BP神經(jīng)網(wǎng)絡(luò)信息融合的方法，實(shí)現(xiàn)對(duì)柴油機(jī)的機(jī)械故障診斷。由多個(gè)傳感器采集信號(hào)，分別經(jīng)過快速傅里葉變換后獲得故障頻域特征值，再經(jīng)BP神經(jīng)網(wǎng)絡(luò)對(duì)柴油機(jī)進(jìn)行故障局部診斷，能夠?qū)ο鄳?yīng)傳感器的不同故障類型做出一個(gè)精確地分類，最終完成對(duì)汽輪機(jī)機(jī)械故障的精確診斷。試驗(yàn)結(jié)果表明，該方法克服了單個(gè)傳感器的局限性和不確定性，是一種有效的故障診斷方法。接受方法：通過BP神經(jīng)網(wǎng)絡(luò)進(jìn)行局部診斷，最終判定故障及故障類型。基于BP神經(jīng)網(wǎng)絡(luò)多傳感器信息融

4、合，故障診斷方法是特征層狀態(tài)屬性融合，并利用MATLAB仿真。2 設(shè)計(jì)原理、方法及步驟基于神經(jīng)網(wǎng)絡(luò)多傳感器信息融合故障診斷方法是特征層狀態(tài)屬性融合，也就是特征層聯(lián)合識(shí)別方法，多傳感器檢測系統(tǒng)為識(shí)別供應(yīng)了比單傳感器更多的有關(guān)目標(biāo)(狀態(tài))的特征信息，增大了特征空間維數(shù)。本文運(yùn)用神經(jīng)網(wǎng)絡(luò)多傳感器信息融合方法對(duì)機(jī)械設(shè)備運(yùn)行狀態(tài)進(jìn)行診斷識(shí)別，是基于這樣一種思想：設(shè)備運(yùn)行狀態(tài)與其各種征兆參數(shù)(溫度、壓力、電壓、電流、振動(dòng)信號(hào)等)之間存在著因果關(guān)系，而這種關(guān)系之簡單是難用公式表達(dá)的，由于神經(jīng)網(wǎng)絡(luò)所具有的信息分布式存儲(chǔ)方式、大規(guī)模自適應(yīng)并行處理、高度的容錯(cuò)力量等是其可用于模式識(shí)別的基礎(chǔ)，特殊是其學(xué)習(xí)力量、容錯(cuò)

5、力量和高度的非線性映射力量對(duì)機(jī)械設(shè)備運(yùn)行狀態(tài)的不確定性模式識(shí)別具有獨(dú)到之處。2.1基于BP算法的神經(jīng)網(wǎng)絡(luò)模型本文接受的是3層BP神經(jīng)網(wǎng)絡(luò)模型，由輸入層、隱層和輸出層構(gòu)成，圖1所示為一個(gè)典型的三層BP神經(jīng)網(wǎng)絡(luò)模型圖1 一個(gè)簡潔的BP神經(jīng)網(wǎng)絡(luò)模型網(wǎng)絡(luò)的前饋意義在于每一層節(jié)點(diǎn)的輸入僅來自前面一層節(jié)點(diǎn)的輸出。對(duì)于輸入信號(hào)，從前向傳播到隱層節(jié)點(diǎn)，經(jīng)過激活函數(shù)后，再把隱層節(jié)點(diǎn)的輸出信息傳播到輸出節(jié)點(diǎn)，最終得到輸出結(jié)果。（1）輸入層節(jié)點(diǎn)其輸出等于輸入，將變量值傳送到其次層。 （2）隱層節(jié)點(diǎn)其輸入，輸出分別為： （2-1） （2-2）式中，為隱層節(jié)點(diǎn)與輸入層節(jié)點(diǎn)之間的權(quán)值，為隱層節(jié)點(diǎn)的偏置，為sigmoid函

6、數(shù)，其表達(dá)式為： （2-3）（3）輸出層節(jié)點(diǎn)其輸入，輸出分別為： （2-4） （2-5）式中，為輸入層節(jié)點(diǎn)與隱層節(jié)點(diǎn)之間的連接權(quán)值，為輸出層節(jié)點(diǎn)的偏置。對(duì)于給定的訓(xùn)練樣本，為樣本數(shù)，網(wǎng)絡(luò)輸出與訓(xùn)練目標(biāo)之間的均方誤差可表示為： （2-6） （2-7）其中為樣本數(shù)，為第個(gè)樣本的第l個(gè)輸出單元的目標(biāo)輸出結(jié)果，為第個(gè)樣本的第l個(gè)輸出單元的網(wǎng)絡(luò)運(yùn)算結(jié)果。BP網(wǎng)絡(luò)訓(xùn)練的過程包括網(wǎng)絡(luò)內(nèi)部的前向計(jì)算和誤差的反向傳播，其目的就是通過調(diào)整網(wǎng)絡(luò)內(nèi)部連接權(quán)值使網(wǎng)絡(luò)輸出誤差最小。對(duì)于多層前饋網(wǎng)絡(luò)中輸入層與隱層之間、隱層與輸出層之間連接權(quán)值利用BP算法調(diào)整。2.2 神經(jīng)網(wǎng)絡(luò)信息融合故障診斷步驟神經(jīng)網(wǎng)絡(luò)學(xué)問表示是一種學(xué)問的

7、隱式表示，學(xué)問表現(xiàn)為網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)和連接權(quán)值，接受神經(jīng)網(wǎng)絡(luò)技術(shù)的專家系統(tǒng)，由于神經(jīng)網(wǎng)絡(luò)是一種信息存儲(chǔ)和處理統(tǒng)一的網(wǎng)絡(luò)系統(tǒng)，因此，在接受神經(jīng)網(wǎng)絡(luò)技術(shù)的專家系統(tǒng)中，學(xué)問的存儲(chǔ)與問題求解過程中的推理過程均在系統(tǒng)的神經(jīng)網(wǎng)絡(luò)模塊中進(jìn)行，是推理機(jī)和學(xué)問庫的統(tǒng)一。首先從已有的設(shè)備特征信號(hào)提取特征數(shù)據(jù)，經(jīng)過數(shù)據(jù)預(yù)處理（歸一化處理）后作為神經(jīng)網(wǎng)絡(luò)輸入，從已知的故障結(jié)果提取數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)輸出，構(gòu)建BP神經(jīng)網(wǎng)絡(luò)，利用已有的特征數(shù)據(jù)和已知的故障結(jié)果數(shù)據(jù)形成的訓(xùn)練樣本集對(duì)構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和網(wǎng)絡(luò)自學(xué)習(xí)，使BP神經(jīng)網(wǎng)絡(luò)的權(quán)值、閥值與已知的故障結(jié)果之間存在對(duì)應(yīng)關(guān)系達(dá)到期望的故障結(jié)果輸出。當(dāng)BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練完畢后，

8、就可以利用訓(xùn)練成功的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷。故障診斷的過程如下：1)將故障樣本輸入給輸入層各節(jié)點(diǎn)，同時(shí)它也是該層神經(jīng)元的輸出。2)由式（2-2）求出隱層神經(jīng)元的輸出，并將其作為輸出層的輸入。3)從式（2-5）求得輸出層神經(jīng)元的輸出。4)由閾值函數(shù)判定輸出層神經(jīng)元的最終輸出結(jié)果。 柴油機(jī)的故障診斷首先從待診斷的故障信號(hào)中提取數(shù)據(jù)并進(jìn)行數(shù)據(jù)預(yù)處理，而后將待診斷故障數(shù)據(jù)輸入訓(xùn)練成功的神經(jīng)網(wǎng)絡(luò)。利用神經(jīng)網(wǎng)絡(luò)信息融合進(jìn)行故障診斷步驟如圖2所示:圖2信息融合進(jìn)行故障診斷步驟3 結(jié)果及分析3.1數(shù)據(jù)仿真以某種柴油機(jī)中的4個(gè)實(shí)際故障樣本為例，每個(gè)故障樣本有5個(gè)故障特征值，因此選取網(wǎng)絡(luò)的輸入節(jié)點(diǎn)為5。將樣本輸

9、入到神經(jīng)網(wǎng)絡(luò)模型中，每個(gè)輸出節(jié)點(diǎn)代表一種故障類型，則這4種故障類型和一個(gè)正常狀態(tài)共需5個(gè)輸出節(jié)點(diǎn)與之相對(duì)應(yīng)，因此網(wǎng)絡(luò)的輸出節(jié)點(diǎn)為5。表3-1訓(xùn)練數(shù)據(jù)。表3-1 訓(xùn)練數(shù)據(jù)樣本序號(hào)故障特征值X溫度壓力電壓電流振動(dòng)信號(hào)1234560.00000.00740.00430.00560.00630.00490.00000.03350.02230.03150.02050.03000.00130.00150.00000.00120.00200.00180.00000.00320.00470.00270.00330.00260.00000.01060.00530.00860.00660.007878910111

10、20.55200.54520.55020.54060.56040.55250.31070.27930.24580.28620.30280.31250.25810.26110.27170.26450.28350.27780.30940.29880.31150.30090.31250.30050.23160.20360.23470.21450.22250.21641314151617180.24620.25350.26650.25560.26280.25620.15080.1061 0.0894 0.14650.14320.09990.09470.09680.09370.09880.308990.

11、09000.09640.09710.09440.10000.09650.09990.09990.08100.09080.10000.08990.09981920212223 240.66150.67380.66650.66890.67000.66230.52510.44130.47490.46520.47480.48320.51950.52250.52550.52000.52350.52680.47100.47320.47690.47560.48250.46691.0000.96670.97580.98991.00000.9887251.00001.00000.98121.00000.8206

12、26272829300.97970.98460.98000.99651.00000.97770.97270.98250.99340.99121.00000.98470.98350.98620.99380.99600.98570.98870.98990.99610.82060.76000.80000.78000.8014在表3-1 訓(xùn)練數(shù)據(jù)中,樣本序號(hào)16是正常狀態(tài)；樣本序號(hào)712是故障1狀態(tài)；樣本序號(hào)1318是故障2狀態(tài)；樣本序號(hào)1924是故障3狀態(tài)；樣本序號(hào)2530是故障4狀態(tài)。表3-2是測試數(shù)據(jù)。表3-2測試數(shù)據(jù)樣本序號(hào)故障特征值X溫度壓力電壓電流振動(dòng)信號(hào)1234560.54930.003

13、10.99200.67040.25720.98000.26260.02350.98990.49720.10060.98250.26590.00050.99790.52350.09580.98350.30880.00300.99370.47410.09810.98870.22210.00450.79790.97910.08900.8000依據(jù)故障診斷的特點(diǎn)建立BP神經(jīng)網(wǎng)絡(luò)模型，網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)、隱層節(jié)點(diǎn)和輸出層節(jié)點(diǎn)個(gè)數(shù)分別為5、60和5，設(shè)置系統(tǒng)誤差為1e-3，學(xué)習(xí)率為1，最大迭代次數(shù)為1000次，其中輸入層到隱層之間的激活函數(shù)為雙曲正切函數(shù)，隱層到輸出層之間的激活函數(shù)設(shè)置為logsig的S型傳

14、遞函數(shù)，在輸出端設(shè)置的閾值為0.85，即網(wǎng)絡(luò)輸出值大于0.85的置1，小于等于0.85的置0來處理，利用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱建立BP神經(jīng)網(wǎng)絡(luò)模型。3.2 結(jié)果分析在本文中將正常狀態(tài)設(shè)置為1 0 0 0 0 ，故障1設(shè)置為0 1 0 0 0 ，故障2設(shè)置為0 0 1 0 0 ，故障3設(shè)置為0 0 0 1 0 ，故障4設(shè)置為0 0 0 0 1 ，輸出閾值設(shè)置為0.85，即在輸出值大于0.85即為1，否則為0。依據(jù)輸出數(shù)據(jù)的分析推斷屬于哪種故障，表3-3為仿真輸出。表3-3仿真輸出樣本序號(hào)網(wǎng)絡(luò)輸出y正常故障1故障2故障3故障41234560.0006 1.0139 -0.0014 0.0410

15、 -0.0014 -0.00021.0008 0.0007 -0.0019 -0.0090 -0.0020 0.00040.0021 -0.0115 0.0010 -0.0159 1.0039 0.0025-0.0096 0.0021 -0.0019 0.9811 -0.0027 0.00090.0011 -0.0024 0.9923 -0.0144 0.0015 0.9970將表3-2中“樣本序號(hào)1”的5個(gè)故障特征值輸給網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)，則網(wǎng)絡(luò)輸出層節(jié)點(diǎn)與其對(duì)應(yīng)的輸出為表3-3中“樣本序號(hào)1”所在行的5個(gè)輸出值，其中只有y2=1.0008>0.85，其他5個(gè)輸出均遠(yuǎn)小于0.85，所以，

16、網(wǎng)絡(luò)故障診斷的結(jié)果為故障1；表3-2中“樣本序號(hào)2”的5個(gè)故障特征值輸給網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)，則網(wǎng)絡(luò)輸出層節(jié)點(diǎn)與其對(duì)應(yīng)的輸出為表3-3中“樣本序號(hào)2”所在行的5個(gè)輸出值，其中只有y1=1.0139>0.85，其他5個(gè)輸出均遠(yuǎn)小于0.85，所以，網(wǎng)絡(luò)故障診斷的結(jié)果為正常狀態(tài)；表3-2中“樣本序號(hào)3”的5個(gè)故障特征值輸給網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)，則網(wǎng)絡(luò)輸出層節(jié)點(diǎn)與其對(duì)應(yīng)的輸出為表3-3中“樣本序號(hào)3”所在行的5個(gè)輸出值，其中只有y4=0.9923>0.85，其他5個(gè)輸出均遠(yuǎn)小于0.85，所以，網(wǎng)絡(luò)故障診斷的結(jié)果為故障4，其他類型的故障診斷以此類推。4 設(shè)計(jì)小結(jié)由于學(xué)習(xí)的專業(yè)是車輛工程，因此選擇了對(duì)

17、柴油機(jī)故障診斷這一爭辯對(duì)象。此篇設(shè)計(jì)經(jīng)過查閱文獻(xiàn)資料，對(duì)BP神經(jīng)網(wǎng)絡(luò)的故障診斷及Matlab仿真有了肯定的生疏。柴油機(jī)故障診斷是一個(gè)格外簡單的過程，其故障與征兆關(guān)系不是很明確，存在一種非線性映射關(guān)系。BP神經(jīng)網(wǎng)絡(luò)具有良好的學(xué)習(xí)力量，利用BP網(wǎng)絡(luò)信息融合方法，能夠在足夠多的樣本數(shù)目前提下網(wǎng)絡(luò)保證良好的容錯(cuò)性和魯棒性是比較好的。所以在故障診斷的過程中，神經(jīng)網(wǎng)絡(luò)信息融合發(fā)揮其聯(lián)想記憶和分布并行處理力量，不僅能夠診斷出已有的故障還能對(duì)故障進(jìn)行一個(gè)猜測，從而滿足柴油機(jī)故障斷的要求。人工神經(jīng)網(wǎng)絡(luò)信息融合為智能診斷供應(yīng)了良好的方法，為自適應(yīng)學(xué)習(xí)和決策高度智能化把握系統(tǒng)供應(yīng)了強(qiáng)有力的基礎(chǔ)，并具有廣泛的應(yīng)用潛力

18、和進(jìn)展前景。參考文獻(xiàn)1 朱大奇,于盛林基于D-S證據(jù)理論的數(shù)據(jù)融合算法及其在電路故障診斷中的應(yīng)用J.電子學(xué)報(bào),2002, 30(2):221-223.2 王萬良.人工智能及其應(yīng)用(第3版)(附光盤)(BZ)M. 高等教育出版社, 2016.3 朱大奇,于盛林電子電路故障診斷的神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合算法J.東南高校學(xué)報(bào)(自然科學(xué)版),2001,31(2):87-90.4 何友,王國宏多傳感器信息融合及應(yīng)用M.北京:電子工業(yè)出版社,2000.5 張緒錦,譚劍波,韓江洪基于BP神經(jīng)網(wǎng)絡(luò)的故障診斷方法J.系統(tǒng)工程理論與實(shí)踐,2002,22(6):61-66.6 Y.G. Lei, Z.J. He, Y.Y.

19、 Zi, Q. Hu, Fault diagnosis of rotating machinery based on multiple ANFIS combination with GasJ.Mech. Syst. Signal Process.2007(21)22802294.7 V.T. Tran, F. AlThobiani, A. Ball, An approach to fault diagnosis of reciprocating compressor valves using TeagerKaiser energy operator and deep belief networ

20、ksJ.Expert Syst.Appl.2014(41)41134122.附錄程序clcclear%輸入訓(xùn)練數(shù)據(jù)（包括正常數(shù)據(jù)和故障數(shù)據(jù)）%訓(xùn)練樣本中，每一列分別代表：“溫度”，“壓力”，“電壓”，“電流”和“振動(dòng)信號(hào)”；每一行分別代表一個(gè)樣本p11=0.0000 0.0000 0.0013 0.0000 0.0000'p12=0.0074 0.0335 0.0015 0.0032 0.0106'p13=0.0043 0.0223 0.0000 0.0047 0.0053'p14=0.0056 0.0315 0.0012 0.0027 0.0086'p15=0

21、.0063 0.0205 0.0020 0.0033 0.0066'p16=0.0049 0.0300 0.0018 0.0026 0.0078' %正常數(shù)據(jù)p21=0.5520 0.3107 0.2581 0.3094 0.2316'p22=0.5452 0.2793 0.2611 0.2988 0.2036'p23=0.5502 0.2458 0.2717 0.3115 0.2347'p24=0.5406 0.2862 0.2645 0.3009 0.2145'p25=0.5604 0.3028 0.2835 0.3125 0.2225

22、9;p26=0.5525 0.3125 0.2778 0.3005 0.2164' % 故障1p31=0.2462 0.1508 0.0947 0.0964 0.0999'p32=0.2535 0.1061 0.0968 0.0971 0.0810'p33=0.2665 0.0894 0.0937 0.0994 0.0908'p34=0.2556 0.1465 0.0988 0.1000 0.1000'p35=0.2628 0.1432 0.0899 0.0965 0.0899'p36=0.2562 0.0999 0.0900 0.0999 0.

23、0998' % 故障2p41=0.6615 0.5251 0.5195 0.4710 1.0000'p42=0.6738 0.4413 0.5225 0.4732 0.9667'p43=0.6665 0.4749 0.5255 0.4769 0.9758'p44=0.6689 0.4652 0.5200 0.4756 0.9899'p45=0.6700 0.4748 0.5235 0.4825 1.0000'p46=0.6623 0.4832 0.5268 0.4669 0.9887' %故障3p51=1.000 1.0000 0.981

24、2 1.0000 0.8206'p52=0.9797 0.9777 1.0000 0.9960 0.7759'p53=0.9846 0.9727 0.9847 0.9857 0.7600'p54=0.9800 0.9825 0.9835 0.9887 0.8000'p55=0.9965 0.9934 0.9862 0.9899 0.7800'p56=1.0000 0.9912 0.9938 0.9961 0.8014' %故障4p=p11 p12 p13 p14 p15 p16 p21 p22 p23 p24 p25 p26 p31 p32 p3

25、3 p34 p35 p36 p41 p42 p43 p44 p45 p46 p51 p52 p53 p54 p55 p56; %將全部的數(shù)據(jù)：包括正常數(shù)據(jù)和特別數(shù)據(jù)放在一個(gè)數(shù)據(jù)集中，將該數(shù)據(jù)集設(shè)置為輸入神經(jīng)網(wǎng)絡(luò)的特征值%對(duì)被檢測對(duì)象類別進(jìn)行編碼（設(shè)置目標(biāo)值，即標(biāo)簽，用二進(jìn)制類型表示）t11=1 0 0 0 0't12=1 0 0 0 0't13=1 0 0 0 0't14=1 0 0 0 0't15=1 0 0 0 0't16=1 0 0 0 0' % normalt21=0 1 0 0 0't22=0 1 0 0 0't23=0

26、 1 0 0 0't24=0 1 0 0 0't25=0 1 0 0 0't26=0 1 0 0 0' % fault1t31=0 0 1 0 0't32=0 0 1 0 0't33=0 0 1 0 0't34=0 0 1 0 0't35=0 0 1 0 0't36=0 0 1 0 0'% fault2t41=0 0 0 1 0't42=0 0 0 1 0't43=0 0 0 1 0't44=0 0 0 1 0't45=0 0 0 1 0't46=0 0 0 1 0'

27、% fault3t51=0 0 0 0 1't52=0 0 0 0 1't53=0 0 0 0 1't54=0 0 0 0 1't55=0 0 0 0 1't56=0 0 0 0 1'% fault4t=t11 t12 t13 t14 t15 t16 t21 t22 t23 t24 t25 t26 t31 t32 t33 t34 t35 t36 t41 t42 t43 t44 t45 t46 t51 t52 t53 t54 t55 t56;p, s1 = mapminmax(p);%輸入樣本歸一化 歸一化的范圍是（-1,1），s1 記錄歸一化的參

28、數(shù)net=newff(minmax(p),60,5,'tansig','purelin','trainlm');%新建BP網(wǎng)絡(luò)，p為樣本輸入：p=martric(5*30) 分別表示5個(gè)傳感器，30個(gè)樣本% 隱層神經(jīng)元個(gè)數(shù)為60，依據(jù)輸出目標(biāo)t確定輸出層神經(jīng)元個(gè)數(shù)為5，% 從輸入層到隱層的激勵(lì)函數(shù)為雙曲正切，隱層到輸出層的激勵(lì)函數(shù)為線性函數(shù)，訓(xùn)練方法利用LM（Levenberg-Marquardt）算法進(jìn)行網(wǎng)絡(luò)參數(shù)sita=W,b的更新%設(shè)置網(wǎng)絡(luò)訓(xùn)練參數(shù) net.trainParam.show=10; %設(shè)置數(shù)據(jù)顯示刷新頻率，學(xué)習(xí)次刷新一次圖象net.trainParam.epochs=1000; %最大 訓(xùn)練次數(shù)net.trainParam.goal=1e-5; % 設(shè)置訓(xùn)練誤差net=init(net);%網(wǎng)絡(luò)初始化net tr=train(net,p,t);%訓(xùn)練網(wǎng)絡(luò)%testingp1=0.5493 0.2626 0.2659 0.3088 0.2221'p2=0.0031 0.0235 0.0005 0.0030 0.0045'p