時(shí)間：2023-09-18 17:04:19
序論：在您撰寫網(wǎng)絡(luò)行為審計(jì)時(shí)，參考他人的優(yōu)秀作品可以開闊視野，小編為您整理的7篇范文，希望這些建議能夠激發(fā)您的創(chuàng)作熱情，引導(dǎo)您走向新的創(chuàng)作高度。
關(guān)鍵詞：方法；維修性評(píng)估；BP神經(jīng)網(wǎng)絡(luò)
1 概述
維修性是現(xiàn)代航空武器裝備重要的設(shè)計(jì)特性，是影響其使用可用度和作戰(zhàn)效能的重要因素。定型試飛階段是裝備維修性評(píng)價(jià)的重要環(huán)節(jié)，其目的是驗(yàn)證裝備的維修性水平是否達(dá)標(biāo)，為改進(jìn)裝備維修性設(shè)計(jì)提供重要參考，提高裝備的維修性水平。試飛階段的維修性評(píng)價(jià)主要是通過(guò)試飛階段產(chǎn)生的維修信息，驗(yàn)證裝備的維修性水平。維修性評(píng)估除了有量化指標(biāo)要求外，還有很多是一些非量化和無(wú)法量化的要求和指標(biāo)。對(duì)這些非量化的指標(biāo)和要求進(jìn)行評(píng)價(jià)是非常困難的，往往不易下結(jié)論或者結(jié)論不夠準(zhǔn)確。目前，人們一般采用層次分析法（AHP）、模糊綜合評(píng)判法或灰色評(píng)價(jià)法進(jìn)行評(píng)價(jià)，但這些方法具有較強(qiáng)的主觀性，缺乏自學(xué)習(xí)能力，實(shí)際評(píng)判中易受判定隨機(jī)性、參評(píng)人員主觀不確定性及認(rèn)識(shí)模糊性等諸多因素的制約。針對(duì)以上情況，文章在建立維修性定性評(píng)估指標(biāo)體系的基礎(chǔ)上，采用目前比較成熟且最常用的一種神經(jīng)網(wǎng)絡(luò)方法，即BP神經(jīng)網(wǎng)絡(luò)，建立了評(píng)價(jià)模型，并給出了評(píng)價(jià)結(jié)果。
2 BP神經(jīng)網(wǎng)絡(luò)方法
人工神經(jīng)網(wǎng)絡(luò)是在現(xiàn)代神經(jīng)生理學(xué)和心理學(xué)的研究基礎(chǔ)上，模仿人的大腦神經(jīng)元結(jié)構(gòu)特性而建立的一種非線性動(dòng)力學(xué)網(wǎng)絡(luò)系統(tǒng)，它由大量簡(jiǎn)單的非線性處理單元（類似人腦的神經(jīng)元）高度并聯(lián)、互聯(lián)而成，具有對(duì)人腦某些基本特性的簡(jiǎn)單的數(shù)學(xué)模擬能力。
2.1 BP網(wǎng)絡(luò)結(jié)構(gòu)
BP神經(jīng)網(wǎng)絡(luò)是一種單向傳播的多層前饋神經(jīng)網(wǎng)絡(luò)，由一個(gè)輸入層、一個(gè)輸出層和若干中間層（隱層）構(gòu)成。每層由若干神經(jīng)元組成，不同層次的神經(jīng)元之間形成全互連接。層內(nèi)神經(jīng)元相互獨(dú)立，不同層次之間的神經(jīng)元以權(quán)值W單向連接。每層神經(jīng)元在節(jié)點(diǎn)接受前一層的輸出，同時(shí)進(jìn)行線性復(fù)合和映射（線性或非線性），通過(guò)復(fù)合反映不同神經(jīng)元之間的耦合和映射對(duì)輸入信息作出反應(yīng)。
BP神經(jīng)網(wǎng)絡(luò)對(duì)于輸入值要先向前傳播到隱層節(jié)點(diǎn)，經(jīng)作用函數(shù)運(yùn)算后，再把隱層節(jié)點(diǎn)的輸出信息傳播到輸出節(jié)點(diǎn)，最后給出輸出值。文章采用一種具有個(gè)n2輸入節(jié)點(diǎn)、n1個(gè)隱層節(jié)點(diǎn)和單個(gè)輸出節(jié)點(diǎn)的三層BP神經(jīng)網(wǎng)絡(luò)，它的數(shù)學(xué)模型是：
Y=f（WijX+？茲1） （1）
Z=f（WjY+？茲2） （2）
其中，X，Y，Z分別為輸入層、隱層和輸出層矢量（節(jié)點(diǎn)向量）；Wij，？茲1和Wj，？茲2分別表示輸入層與隱含層以及隱含層與輸出層之間的連接權(quán)和閾值，i=1，2，…，n2；j=1，2，…，n1；f（x）為網(wǎng)絡(luò)激活函數(shù)或傳遞函數(shù)，通常采用S形函數(shù)，即f（x）=■，如果整個(gè)網(wǎng)絡(luò)的輸出要取實(shí)數(shù)域內(nèi)任何值，則網(wǎng)絡(luò)輸出層可以采用線性函數(shù)作為傳遞函數(shù)，即f（x）=x，其結(jié)構(gòu)如圖1所示。
圖2 圖1中神經(jīng)元j的結(jié)構(gòu)模型
圖1中Xk=（xp1，xp2，？撰，xpn2）為評(píng)價(jià)指標(biāo)屬性值，k=1，2，…，s，其中s是輸入樣本量；Z為樣本模式P的輸出。B=[b1，b2，？撰，bs]T=[bp]s×1為與樣本模式P對(duì)應(yīng)的評(píng)價(jià)結(jié)果，也是神經(jīng)網(wǎng)絡(luò)的期望輸出值。實(shí)際輸出Z與期望輸出bp的誤差函數(shù)Ep定義為Ep=（bp-Z）2/2。
對(duì)于圖1中隱層的神經(jīng)元j，其結(jié)構(gòu)模型如圖2。
神經(jīng)元j模型可以表示為：
（3）
2.2 BP網(wǎng)絡(luò)學(xué)習(xí)過(guò)程
BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程由正向傳播和反向傳播兩部分組成，在正向傳播過(guò)程中，輸入模式從輸入層經(jīng)過(guò)隱層神經(jīng)元的處理后，傳向輸出層，每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元狀態(tài)。如果在輸出層得不到期望的輸出，則轉(zhuǎn)入反向傳播，此時(shí)誤差信號(hào)從輸出層向輸入層傳播并沿途調(diào)整各層向連接權(quán)值和閾值。以使誤差不斷減小，直到達(dá)到精度要求。該算法實(shí)際上是求誤差函數(shù)的極小值，它通過(guò)多個(gè)樣本的反復(fù)訓(xùn)練，并采用最快下降法使得權(quán)值沿著誤差函數(shù)負(fù)梯度方向改變，并收斂于最小點(diǎn)。
3 維修性定性評(píng)價(jià)指標(biāo)體系
根據(jù)GJB 368B裝備維修性通用工作要求中維修性定性評(píng)價(jià)內(nèi)容可確定維修性定性評(píng)估的指標(biāo)體系如圖3所示。
圖3 維修性定性評(píng)價(jià)指標(biāo)體系
維修性評(píng)價(jià)的最主要目的就是得出分析對(duì)象的維修性好壞。對(duì)于二級(jí)指標(biāo)，這里為了方便現(xiàn)場(chǎng)操作人員評(píng)價(jià)打分，每個(gè)指標(biāo)又細(xì)化為多個(gè)評(píng)價(jià)準(zhǔn)則。這里給出了互換性與標(biāo)準(zhǔn)化評(píng)價(jià)準(zhǔn)則表，見表1。操作人員只需對(duì)評(píng)價(jià)準(zhǔn)則進(jìn)行回答，即可得出每個(gè)指標(biāo)的評(píng)價(jià)值。文章以可達(dá)性中視覺(jué)可達(dá)為例介紹專家打分方法和評(píng)價(jià)過(guò)程。由于影響視覺(jué)可達(dá)的條件不同，因此具體項(xiàng)目和分值應(yīng)根據(jù)實(shí)際操作進(jìn)行調(diào)整。打分共有好、中、差等3項(xiàng)指標(biāo)，“好”指標(biāo)對(duì)應(yīng)分值為80～100分，“中”指標(biāo)對(duì)應(yīng)分值為60～80分，“差”指標(biāo)對(duì)應(yīng)分值為60分以下，滿分100代表最好的視覺(jué)可達(dá)狀況。為了便于神經(jīng)網(wǎng)絡(luò)訓(xùn)練，對(duì)得到的百分制評(píng)價(jià)結(jié)果進(jìn)行了處理，即每個(gè)分值除以100得到神經(jīng)網(wǎng)絡(luò)輸入向量的元素，例如，如果專家對(duì)視覺(jué)可達(dá)的最終打分結(jié)果是85分，對(duì)應(yīng)文章的輸入向量的元素值為0.850。
附表1 互換性與標(biāo)準(zhǔn)化評(píng)價(jià)準(zhǔn)則表
4 維修性BP神經(jīng)網(wǎng)絡(luò)評(píng)估模型
文章利用MATLAB實(shí)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)的編程。將維修性定性評(píng)估指標(biāo)體系中的16個(gè)指標(biāo)作為神經(jīng)網(wǎng)絡(luò)的輸入向量，將其評(píng)估結(jié)果作為唯一輸出，建立一個(gè)如圖1的16×midnote×1的3層BP神經(jīng)網(wǎng)絡(luò)。
其中16是輸入樣本的維數(shù)；
midnote是隱層節(jié)點(diǎn)數(shù)，隱層節(jié)點(diǎn)數(shù)目太多會(huì)導(dǎo)致學(xué)習(xí)時(shí)間過(guò)長(zhǎng)、誤差不一定最佳，也會(huì)導(dǎo)致容錯(cuò)性差、不能識(shí)別以前沒(méi)有看到的樣本，因此一定存在一個(gè)最佳的隱層節(jié)點(diǎn)數(shù)。以下3個(gè)公式可用于選擇最佳隱層節(jié)點(diǎn)數(shù)時(shí)的參考公式：
（1）■C■■>k，其中k為樣本數(shù)，n1為隱層節(jié)點(diǎn)數(shù)，n2為輸入節(jié)點(diǎn)數(shù)。如果i>n1，C■■=0；
（2）n1=■+a，其中m為輸出節(jié)點(diǎn)數(shù)，n2為輸入節(jié)點(diǎn)數(shù)，a為[1，10]之間的常數(shù)；
（3）n1=log2n2，其中，n2為輸入節(jié)點(diǎn)數(shù)。
1 是輸出層節(jié)點(diǎn)數(shù)。
網(wǎng)絡(luò)輸入層與隱層之間的傳遞函數(shù)f（x）為tansig，即S型的雙曲正切函數(shù)；隱層與輸出層之間的傳遞函數(shù)f（x）為purelin，即f（x）=x；網(wǎng)絡(luò)訓(xùn)練函數(shù)為traingd，即梯度下降BP算法函數(shù)；對(duì)于BP網(wǎng)絡(luò)創(chuàng)建函數(shù)newff，其性能函數(shù)默認(rèn)為“mse”，即均方誤差性能函數(shù)，其權(quán)值和閾值的BP學(xué)習(xí)算法默認(rèn)為“l(fā)earngdm”。下面將介紹學(xué)習(xí)步長(zhǎng)、初始權(quán)值和目標(biāo)精度的選取要求。
4.1 學(xué)習(xí)步長(zhǎng)、初始權(quán)值、目標(biāo)精度的選取
學(xué)習(xí)步長(zhǎng)是在學(xué)習(xí)過(guò)程中對(duì)權(quán)值的修正量，與網(wǎng)絡(luò)的穩(wěn)定性有關(guān)。步長(zhǎng)過(guò)短，則學(xué)習(xí)效率低，步長(zhǎng)過(guò)長(zhǎng)，則網(wǎng)絡(luò)穩(wěn)定性差，學(xué)習(xí)步長(zhǎng)一般取0.05。
初始權(quán)值選取和輸出結(jié)果是否最接近實(shí)際，是否能夠收斂，學(xué)習(xí)時(shí)間的長(zhǎng)短等關(guān)系很大，由于MATLAB仿真軟件會(huì)根據(jù)初始化函數(shù)自動(dòng)生成相應(yīng)的初始權(quán)值和閾值。
目標(biāo)精度是確定神經(jīng)網(wǎng)絡(luò)的精度標(biāo)準(zhǔn)，當(dāng)誤差達(dá)到目標(biāo)精度要求后網(wǎng)絡(luò)停止。目標(biāo)精度的確定是根據(jù)實(shí)際情況對(duì)精度的要求而定。
4.2 實(shí)例驗(yàn)證
訓(xùn)練根據(jù)實(shí)際數(shù)據(jù)和專家評(píng)定，選定用于訓(xùn)練和測(cè)試的10組樣本數(shù)據(jù)，其中X矩陣的前9行，即9組訓(xùn)練樣本，X矩陣的第10行為1組測(cè)試樣本，B為10組樣本的目標(biāo)輸出矩陣，Q為待估樣本矩陣。
（1） 學(xué)習(xí)樣本矩陣、目標(biāo)輸出矩陣、待評(píng)估矩陣的數(shù)據(jù)輸入
（2）BP神經(jīng)網(wǎng)絡(luò)模型程序代碼設(shè)計(jì)：
net=newff （min max（X（1：9，inf）'）， [midnote 1]， {'tansig'，'purelin'}，'traingd'）%創(chuàng)建網(wǎng)絡(luò)并初始化
net.trainparam.show=50 顯示訓(xùn)練狀態(tài)間隔次數(shù)
net.trainparam.lr=0.05 學(xué)習(xí)步長(zhǎng)
net.trainparam.epochs=500 仿真次數(shù)
net.trainparam.goal=0.001 目標(biāo)精度
[net，tr]=train（net， X（1：9，inf）'，B'） 網(wǎng)絡(luò)訓(xùn)練
Zsim=sim（net， X（10，inf）'） 仿真計(jì)算
（3）仿真結(jié)果輸出及分析
待評(píng)估矩陣的仿真結(jié)果為：Zsim=0.762066，它表示的意義是在16個(gè)二級(jí)評(píng)估指標(biāo)能力值分別為待評(píng)估矩陣所給定值時(shí)，該維修性的評(píng)估結(jié)果是0.762066。圖4為BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練圖。從圖中可以看出，訓(xùn)練仿真到351次時(shí)，達(dá)到設(shè)定的目標(biāo)精度0.001，訓(xùn)練停止。文章只對(duì)BP神經(jīng)網(wǎng)絡(luò)解決維修性評(píng)估的方法上進(jìn)行了初步的探索，隨著裝備維修性研究的不斷深入和神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展，BP神經(jīng)網(wǎng)絡(luò)方法在維修性評(píng)估中的應(yīng)用將更加廣泛。
圖4神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差曲線
5 結(jié)束語(yǔ)
文章將BP神經(jīng)網(wǎng)絡(luò)方法應(yīng)用于對(duì)航空維修性的評(píng)價(jià)，意在建立更加接近于人類思維模式的定性與定量相結(jié)合的綜合評(píng)價(jià)模型。通過(guò)對(duì)給定樣本模式的學(xué)習(xí)，獲取評(píng)價(jià)專家的經(jīng)驗(yàn)、知識(shí)、主觀判斷及對(duì)目標(biāo)重要性的傾向，當(dāng)需對(duì)有關(guān)對(duì)象作出綜合評(píng)價(jià)時(shí)，便可再現(xiàn)評(píng)價(jià)專家的經(jīng)驗(yàn)、知識(shí)和直覺(jué)思維，從而實(shí)現(xiàn)了定性分析和定量分析的有效結(jié)合，也較好地保證了評(píng)價(jià)結(jié)果的客觀性，此外仿真結(jié)果精確度高，可信性強(qiáng)。
參考文獻(xiàn)
[1]黃書峰，端木京順，唐學(xué)琴，等.航空維修保障能力的神經(jīng)網(wǎng)絡(luò)評(píng)估方法與應(yīng)用[J].航空維修與工程，2008.
[2]GJB 368A-1994.裝備維修性通用大綱[S].
【關(guān)鍵詞】 神經(jīng)網(wǎng)絡(luò)； 財(cái)務(wù)危機(jī)； 預(yù)警模型
一、企業(yè)財(cái)務(wù)危機(jī)預(yù)警的現(xiàn)實(shí)意義
財(cái)務(wù)危機(jī)是由于種種原因?qū)е碌钠髽I(yè)財(cái)務(wù)狀況持續(xù)惡化，財(cái)務(wù)風(fēng)險(xiǎn)加劇，出現(xiàn)不能清償債務(wù)的信用危機(jī)，直至最終破產(chǎn)的一系列事件的總稱。財(cái)務(wù)危機(jī)將危害到企業(yè)正常的生產(chǎn)經(jīng)營(yíng)，制約企業(yè)的發(fā)展后勁，打亂企業(yè)正常的生產(chǎn)經(jīng)營(yíng)秩序，挫傷職工的生產(chǎn)積極性等。而有效的企業(yè)預(yù)警機(jī)制能夠起到提高企業(yè)危機(jī)管理意識(shí)，提高企業(yè)適應(yīng)能力和競(jìng)爭(zhēng)能力等作用，對(duì)企業(yè)進(jìn)行有效的監(jiān)督和預(yù)警也直接關(guān)系到企業(yè)相關(guān)利益人決策、市場(chǎng)競(jìng)爭(zhēng)機(jī)制的客觀要求、財(cái)務(wù)監(jiān)督、財(cái)務(wù)預(yù)測(cè)等方面。所以，對(duì)我國(guó)企業(yè)財(cái)務(wù)危機(jī)進(jìn)行有效的預(yù)警就變得迫切和必要。
二、財(cái)務(wù)危機(jī)預(yù)警模型指標(biāo)體系的選擇
任何一種經(jīng)濟(jì)現(xiàn)象都具有多方面的特征，財(cái)務(wù)指標(biāo)體系就是對(duì)經(jīng)濟(jì)現(xiàn)象特征的整體描述。在以往的研究成果和我國(guó)的企業(yè)評(píng)價(jià)指標(biāo)體系的基礎(chǔ)上，結(jié)合我國(guó)企業(yè)的具體特征，充分考慮各個(gè)指標(biāo)的實(shí)際應(yīng)用效果和獲取指標(biāo)的難易程度，可選擇下列指標(biāo)來(lái)建立適合我國(guó)企業(yè)財(cái)務(wù)危機(jī)預(yù)警模型的指標(biāo)體系：資產(chǎn)負(fù)債率；流動(dòng)比率；凈資產(chǎn)收益率；總資產(chǎn)周轉(zhuǎn)率；主營(yíng)業(yè)務(wù)收入增長(zhǎng)率和每股經(jīng)營(yíng)活動(dòng)產(chǎn)生的現(xiàn)金流量?jī)纛~。這些指標(biāo)兼顧到了償債能力、盈利能力、資產(chǎn)營(yíng)運(yùn)能力、增長(zhǎng)能力以及現(xiàn)金流量狀況五個(gè)方面，同時(shí)鑒于針對(duì)的是企業(yè)的財(cái)務(wù)危機(jī)的預(yù)警指標(biāo)，所以在選擇構(gòu)成指標(biāo)時(shí)，也適當(dāng)側(cè)重了企業(yè)的償債能力和盈利能力指標(biāo)。
三、基于BP神經(jīng)網(wǎng)絡(luò)的財(cái)務(wù)危機(jī)模型的建立及預(yù)測(cè)結(jié)果分析
（一）BP神經(jīng)網(wǎng)絡(luò)原理與財(cái)務(wù)危機(jī)預(yù)警的可行性分析
BP神經(jīng)網(wǎng)絡(luò)是一種調(diào)整連接權(quán)值及結(jié)點(diǎn)閾值時(shí)采用的誤差逆?zhèn)鞑W(xué)習(xí)方法，是一種典型的誤差修正方法。其基本思想是：把網(wǎng)絡(luò)學(xué)習(xí)時(shí)輸出層出現(xiàn)的與“事實(shí)”不符的誤差，歸結(jié)為連接層中各單元間連接權(quán)值及閾值的“過(guò)錯(cuò)”，通過(guò)把輸出層單元的誤差逐層向輸入層逆向傳播以“分?jǐn)偂苯o各連接單元，并據(jù)此對(duì)各連接權(quán)進(jìn)行相應(yīng)的調(diào)整，使網(wǎng)絡(luò)適應(yīng)所要求的映射（圖1）。而財(cái)務(wù)危機(jī)預(yù)警的6項(xiàng)指標(biāo)與企業(yè)的財(cái)務(wù)狀況之間的關(guān)系是很難用普通的方法加以定量化的表述，而通過(guò)大量的樣本表現(xiàn)出的數(shù)學(xué)統(tǒng)計(jì)學(xué)特征的準(zhǔn)確表達(dá)正是神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì)所在，為此，我們認(rèn)為神經(jīng)網(wǎng)絡(luò)是可行的。
（二）財(cái)務(wù)危機(jī)預(yù)警模型樣本的選擇
考慮到我國(guó)近幾年在經(jīng)濟(jì)、法律、會(huì)計(jì)方面進(jìn)行了較大的政策調(diào)整，因此在選擇樣本的過(guò)程中我們選取了信息較為連續(xù)可比、取得較為容易的上市公司中制造業(yè)行業(yè)的6個(gè)子行業(yè)2000―2002年之間的數(shù)據(jù)，選擇了行業(yè)中25家ST公司和25家非ST公司作為訓(xùn)練樣本，ST公司樣本數(shù)據(jù)為其被ST的前一年的數(shù)據(jù)資料，隨機(jī)選擇的非ST公司的樣本數(shù)據(jù)為與ST公司同期的數(shù)據(jù)。我們還選擇了2003年同行業(yè)的38家ST公司和隨機(jī)選擇的同期非ST公司作為檢驗(yàn)樣本，用模型的預(yù)測(cè)結(jié)果與已知的實(shí)際結(jié)果進(jìn)行對(duì)照，以檢驗(yàn)?zāi)Ｐ偷臏?zhǔn)確性。選擇這一期間的樣本數(shù)據(jù)是因?yàn)檫@些樣本數(shù)據(jù)的時(shí)間跨度不大，在這幾年中，國(guó)家的會(huì)計(jì)制度、稅收政策和退市制度也沒(méi)有太明顯的變化，整個(gè)國(guó)民經(jīng)濟(jì)的發(fā)展比較穩(wěn)定，無(wú)明顯的經(jīng)濟(jì)周期影響。
（三）網(wǎng)絡(luò)結(jié)構(gòu)及參數(shù)的選取
1.網(wǎng)絡(luò)結(jié)構(gòu)的確定
輸入節(jié)點(diǎn)數(shù)由控制的目標(biāo)確定，控制目標(biāo)為6個(gè)，因此輸入節(jié)點(diǎn)數(shù)為6個(gè)；輸出節(jié)點(diǎn)數(shù)由風(fēng)險(xiǎn)因素確定，輸出節(jié)點(diǎn)為2個(gè)。一個(gè)S型隱含層加上一個(gè)線性輸出層的網(wǎng)絡(luò)，能夠逼近任何有理函數(shù)，增加隱層數(shù)主要可以更進(jìn)一步降低誤差，提高訓(xùn)練的精度，本系統(tǒng)中只設(shè)一個(gè)隱含層，主要通過(guò)調(diào)節(jié)隱層節(jié)點(diǎn)數(shù)、動(dòng)量項(xiàng)、學(xué)習(xí)率提高網(wǎng)絡(luò)的訓(xùn)練精度。
2.各參數(shù)選取
把經(jīng)過(guò)處理后88組樣本數(shù)據(jù)輸入到神經(jīng)網(wǎng)絡(luò)，前50組作為訓(xùn)練樣本，后38組作為預(yù)測(cè)樣本，網(wǎng)絡(luò)的預(yù)期誤差0.001。利用神經(jīng)網(wǎng)絡(luò)系統(tǒng)對(duì)學(xué)習(xí)數(shù)據(jù)反復(fù)訓(xùn)練，得到實(shí)驗(yàn)結(jié)果最好的一次，各參數(shù)如下：
動(dòng)量項(xiàng)?準(zhǔn)=0.3；學(xué)習(xí)率?濁=0.4；學(xué)習(xí)次數(shù)n=10000；隱層節(jié)點(diǎn)數(shù)p=6；網(wǎng)絡(luò)實(shí)際誤差?孜=0.0024
（四）財(cái)務(wù)危機(jī)預(yù)警預(yù)測(cè)結(jié)果分析
利用前述訓(xùn)練結(jié)果，對(duì)38個(gè)檢驗(yàn)樣本進(jìn)行預(yù)測(cè)，預(yù)測(cè)的結(jié)果（表3）根據(jù)下列標(biāo)準(zhǔn)進(jìn)行判斷，如果預(yù)測(cè)結(jié)果逼近于1，則判斷為非財(cái)務(wù)危機(jī)公司，如果預(yù)測(cè)結(jié)果偏離1就可判斷有財(cái)務(wù)危機(jī)的可能性，可以發(fā)出財(cái)務(wù)危機(jī)預(yù)警。
通過(guò)預(yù)測(cè)結(jié)果與實(shí)際結(jié)果的比較，可以得出以下驗(yàn)證結(jié)果：
1.對(duì)于非ST公司，預(yù)測(cè)的準(zhǔn)確率為94.74%；
2.對(duì)于ST公司，預(yù)測(cè)的準(zhǔn)確率為84.21%；
3.綜合預(yù)測(cè)準(zhǔn)確率為89.47%。
四、該財(cái)務(wù)危機(jī)預(yù)警模型的局限性分析
利用神經(jīng)網(wǎng)絡(luò)進(jìn)行財(cái)務(wù)危機(jī)預(yù)警模型的研究，從模型的訓(xùn)練和預(yù)測(cè)結(jié)果可以看出，還是具有一定的可行性和有效性。但也存在一些問(wèn)題：
（一）忽視了企業(yè)規(guī)模對(duì)企業(yè)財(cái)務(wù)狀況的影響
本次研究中所選擇的ST樣本是所屬行業(yè)的全部樣本量，而配對(duì)樣本則是隨機(jī)抽取的，在選擇的過(guò)程中，沒(méi)有重點(diǎn)關(guān)注企業(yè)規(guī)模對(duì)財(cái)務(wù)危機(jī)指標(biāo)標(biāo)準(zhǔn)的不同要求。
（二）非ST樣本公司的代表性
所選取的ST企業(yè)被界定為財(cái)務(wù)危機(jī)公司還不容易引起爭(zhēng)議，但對(duì)非ST公司而言，每個(gè)公司仍然存在財(cái)務(wù)狀況非常好、較好或一般的差異，因此用不同的非ST公司和ST公司配對(duì)，就不能排除財(cái)務(wù)危機(jī)公司財(cái)務(wù)狀況之間的差異，這也直接影響了預(yù)測(cè)數(shù)據(jù)判別的準(zhǔn)確率。
（三）ST界定自身具有的不適應(yīng)性
根據(jù)我國(guó)對(duì)ST公司的劃分標(biāo)準(zhǔn)，可以看出其主要看中的還是公司的盈利能力和資本結(jié)構(gòu)比率，而財(cái)務(wù)危機(jī)是企業(yè)綜合財(cái)務(wù)狀況出現(xiàn)問(wèn)題的集中表現(xiàn)，它受到多項(xiàng)能力和指標(biāo)的影響，兩者之間并不對(duì)等。
（四）神經(jīng)網(wǎng)絡(luò)理論自身的缺陷
神經(jīng)網(wǎng)絡(luò)自身擅長(zhǎng)解決不精確和模糊的信息處理問(wèn)題，在處理過(guò)程中，他會(huì)有自動(dòng)刪除樣本“噪聲”和自動(dòng)調(diào)整的功能，如果其修正數(shù)據(jù)的過(guò)程中出現(xiàn)偏差，或訓(xùn)練過(guò)程中參數(shù)確定的不準(zhǔn)確，也會(huì)直接影響預(yù)測(cè)的準(zhǔn)確性。
（五）樣本選擇的局限性
本次預(yù)測(cè)過(guò)程中受諸多因素的影響，所選擇的樣本不具有普遍的代表性，局限在了上市公司，連續(xù)數(shù)據(jù)的選擇也導(dǎo)致了數(shù)據(jù)的時(shí)效性較差，對(duì)當(dāng)前新經(jīng)濟(jì)形勢(shì)下的企業(yè)財(cái)務(wù)危機(jī)的參考作用有待觀察。
五、結(jié)論
財(cái)務(wù)危機(jī)預(yù)警模型通過(guò)神經(jīng)網(wǎng)絡(luò)原理，在目前是可以實(shí)現(xiàn)的，只要在模型建立的過(guò)程中，將不穩(wěn)定因素的影響降低到最低，就可以極大地提高預(yù)測(cè)的準(zhǔn)確率。另外，由于不同的行業(yè)有其不同的生產(chǎn)和財(cái)務(wù)特性，他們的數(shù)據(jù)表現(xiàn)的要求也不盡相同，因此對(duì)于差異較大的行業(yè)，應(yīng)適當(dāng)建立行業(yè)財(cái)務(wù)危機(jī)預(yù)警模型，以更好地提高預(yù)測(cè)的準(zhǔn)確程度。
當(dāng)然，企業(yè)財(cái)務(wù)危機(jī)預(yù)警模型作為財(cái)務(wù)危機(jī)預(yù)警系統(tǒng)的一個(gè)有機(jī)組成部分。它的作用必須借助于整個(gè)系統(tǒng)作用的發(fā)揮，也需要企業(yè)的高層管理者確實(shí)認(rèn)識(shí)到財(cái)務(wù)危機(jī)預(yù)警的必要性，才能真正實(shí)現(xiàn)對(duì)財(cái)務(wù)危機(jī)抑制和防范作用。
【參考文獻(xiàn)】
［1］ 盧雁影.財(cái)務(wù)分析［M］.湖北:武漢大學(xué)出版社，2002:296-303.
基金項(xiàng)目：國(guó)家社科基金重大項(xiàng)目(10ZD&054)。
作者簡(jiǎn)介：鐘陽(yáng)(1982―)，女，滿族，黑龍江哈爾濱人，吉林大學(xué)經(jīng)濟(jì)學(xué)院博士研究生，主要從事國(guó)際金融研究；丁一兵(1973―)，男，湖北武漢人，吉林大學(xué)經(jīng)濟(jì)學(xué)院教授，博士生導(dǎo)師，主要從事世界經(jīng)濟(jì)、國(guó)際金融研究；何彬(1979一)，男，云南昆明人，吉林大學(xué)國(guó)有經(jīng)濟(jì)研究中心博士，主要從事應(yīng)用計(jì)量經(jīng)濟(jì)學(xué)、公共經(jīng)濟(jì)學(xué)研究。
中圖分類號(hào)：F821.0
文獻(xiàn)標(biāo)識(shí)碼：A
文章編號(hào)：i006―1096(2012102-0070―05
關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò)；連拱隧道；圍巖分類；圍巖穩(wěn)定性分析
中圖分類號(hào)：U452.12文獻(xiàn)標(biāo)識(shí)碼：A
文章編號(hào)：1672-1098（2012）03-0007-05
對(duì)隧道圍巖穩(wěn)定性進(jìn)行分析評(píng)價(jià)的前提是通過(guò)各種手段確定圍巖的穩(wěn)定性類別。圍巖分類是應(yīng)用工程類比方法進(jìn)行圍巖評(píng)價(jià)，為工程的設(shè)計(jì)和施工提供依據(jù)的基礎(chǔ)，具有重要的實(shí)用價(jià)值。圍巖分類，以及在此基礎(chǔ)上對(duì)各類圍巖的成洞條件、開挖、支護(hù)要求做出評(píng)價(jià)，并以此作為設(shè)計(jì)和施工的依據(jù)，是國(guó)外在二十世紀(jì)四十年代就很通用的方法。但是，隨著人類對(duì)巖體力學(xué)特性認(rèn)識(shí)的深入，隧道工程經(jīng)驗(yàn)的積累和隧道工程施工技術(shù)的發(fā)展，圍巖分類的原則和分類系統(tǒng)也在不斷的改進(jìn)和完善[1-5]，而現(xiàn)有的圍巖分類方法，大多是根據(jù)圍巖情況進(jìn)行的主觀判斷，定量的手段還不盡完善。
1工程概況
銅（陵）-黃（山）高速公路屯溪至湯口段呈近南北向通往我省黃山風(fēng)景區(qū)，它是加速我省經(jīng)濟(jì)和旅游發(fā)展，加強(qiáng)安徽省與江、浙、贛、滬等省市聯(lián)系的重要交通干道。皖南山區(qū)地形復(fù)雜，高速公路穿越各種地貌單元，特別是黃山湯口-歙縣程坎等地段山高坡陡，為保護(hù)黃山風(fēng)景區(qū)的自然和生態(tài)環(huán)境免受破壞，高速公路都以隧道穿越，其中富溪隧道位于黃山市徽州區(qū)富溪鄉(xiāng)境內(nèi)，地質(zhì)條件相當(dāng)復(fù)雜，是該高速公路上的一座雙連拱隧道，全長(zhǎng)649 m，最大埋深122.0 m。隧道單幅設(shè)計(jì)凈寬9.88 m，雙幅凈寬22.06 m，凈高6.83 m，設(shè)計(jì)時(shí)速80 km/h，設(shè)計(jì)荷載為汽車超-20、掛車-120，2%單向橫坡，路線前進(jìn)方向?yàn)?%向上縱坡，直線型隧道。
隧址區(qū)地處休寧盆地邊緣，地質(zhì)條件較為復(fù)雜。構(gòu)造形態(tài)上表現(xiàn)為一南翼被截?cái)嗟膹?fù)背斜，地層主要由中元古界薊縣系牛屋組和大谷運(yùn)組及鎮(zhèn)頭組組成[6]。
2圍巖穩(wěn)定性分析
2.1人工神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介
人工神經(jīng)網(wǎng)絡(luò)（ANN）理論是人工智能領(lǐng)域的新技術(shù)，其獨(dú)特的拓?fù)浣Y(jié)構(gòu)和信息處理特點(diǎn)，很適于解決巖土工程中“寬而淺”及非線性、非定量的技術(shù)問(wèn)題。是由大量的處理單元（神經(jīng)元，即網(wǎng)絡(luò)節(jié)點(diǎn)）組成的高度并行的非線性動(dòng)力學(xué)系統(tǒng)。人工神經(jīng)網(wǎng)絡(luò)的知識(shí)獲取只需提供樣本（范例），因而易于獲取隧道工程知識(shí)、管理特性；工作時(shí)通過(guò)感知環(huán)境變化，由神經(jīng)元的微活動(dòng)產(chǎn)生系統(tǒng)的宏效應(yīng)[7]。因此，人工神經(jīng)網(wǎng)絡(luò)非常適于用來(lái)進(jìn)行隧道圍巖分類。
2.2圍巖分類的神經(jīng)網(wǎng)絡(luò)模型構(gòu)建
由于遂道圍巖穩(wěn)定性受多種因素的影響，且各種影響因素的作用相互交叉，某種因素的影響程度會(huì)因地、因時(shí)、因工藝不同而變化。在網(wǎng)絡(luò)模型中，要全面考慮所有的影響因素，目前還是不可能的；只能考慮一些起重要作用的因素，根據(jù)大量現(xiàn)場(chǎng)觀測(cè)結(jié)果和實(shí)踐經(jīng)驗(yàn)，并參照文獻(xiàn)[4]的方法選取如下的主要影響因素：
1） 巖石質(zhì)量指標(biāo)（RQD）；
2） 巖石單軸飽和抗壓強(qiáng)度RW/（MPa）；
3） 巖石完整性系數(shù)（KV）；
4） 結(jié)構(gòu)面強(qiáng)度系數(shù)（KF）；
5） 地下水滲水量W（L·min-1）。
選取以上確定的5個(gè)主要影響因素作為網(wǎng)絡(luò)的輸入節(jié)點(diǎn)，即輸入節(jié)點(diǎn)數(shù)為5個(gè)。輸出節(jié)點(diǎn)即是反映圍巖分類結(jié)果的定量指標(biāo)，也選取5個(gè)節(jié)點(diǎn)；對(duì)圍巖穩(wěn)定性，根據(jù)文獻(xiàn)[8]及國(guó)內(nèi)巖分類的經(jīng)驗(yàn)，將圍巖分為五級(jí)，為簡(jiǎn)化算法和提高學(xué)習(xí)速度， 采用規(guī)一化法對(duì)分類標(biāo)準(zhǔn)進(jìn)行處理，歸一化后的分類標(biāo)準(zhǔn)如表1所示。學(xué)習(xí)訓(xùn)練時(shí)網(wǎng)絡(luò)輸出節(jié)點(diǎn)的期望輸出值所代表的圍巖類別[9-14]如表2所示。
2.3神經(jīng)網(wǎng)絡(luò)結(jié)果檢驗(yàn)
利用收集到的統(tǒng)計(jì)資料， 選取12個(gè)樣本（表3前12個(gè)數(shù)據(jù)）對(duì)圍巖分類神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)訓(xùn)練。 由于現(xiàn)場(chǎng)測(cè)量樣本過(guò)少， 而且要留取一部分樣本用于訓(xùn)練好了的BP網(wǎng)絡(luò)中， 來(lái)識(shí)別圍巖類別， 因此，為了有足夠的學(xué)習(xí)樣本空間， 提高網(wǎng)絡(luò)的判別能力。根據(jù)文獻(xiàn)[8]構(gòu)造了表3中的后12個(gè)學(xué)習(xí)樣本。
訓(xùn)練時(shí)隱層節(jié)點(diǎn)數(shù)取6，迭代次數(shù)為僅為6次，控制誤差為0.00001；學(xué)習(xí)完成后即建立辨識(shí)模型，然后選取3個(gè)樣本對(duì)網(wǎng)絡(luò)進(jìn)行檢驗(yàn)，檢驗(yàn)結(jié)果如表4所示。
學(xué)習(xí)訓(xùn)練時(shí)，網(wǎng)絡(luò)均采用導(dǎo)入規(guī)則將各輸入節(jié)點(diǎn)的指標(biāo)值轉(zhuǎn)變?yōu)閇0，1]區(qū)間的數(shù)值；也將神經(jīng)元計(jì)算后的在[0，1]區(qū)間的輸出節(jié)點(diǎn)輸出值按導(dǎo)出規(guī)則轉(zhuǎn)變?yōu)樵瓉?lái)的表達(dá)形式。其中，第二組網(wǎng)絡(luò)輸出數(shù)據(jù)為（0.05， 0.08，0.82，0.92，0.08），分析可能是Ⅳ類，也可能是Ⅲ類圍巖，但Ⅳ類圍巖可能性較大。
2.4分析結(jié)果
用訓(xùn)練好的網(wǎng)絡(luò)對(duì)富溪隧道各測(cè)設(shè)段進(jìn)行了分類（見表5）。其中K205+828～K205+970段的樣本，經(jīng)網(wǎng)絡(luò)處理后最終輸出為（0.05， 0.10， 0.85，0.72，0.02），第三節(jié)點(diǎn)和第四節(jié)點(diǎn)輸出值較接近，說(shuō)明該段巖體分類等級(jí)判為IV偏I(xiàn)II或III偏I(xiàn)V，但前者可能性較大。
由于現(xiàn)行公路隧道圍巖分類標(biāo)準(zhǔn)與文獻(xiàn)[8]分類標(biāo)準(zhǔn)不同，但有關(guān)聯(lián)性，文獻(xiàn)[15]將圍巖分為六級(jí)，但第六級(jí)主要考慮的是土體，而文獻(xiàn)[8]主要以巖體為分類對(duì)象。因此，對(duì)于巖體穩(wěn)定性分類，上述兩種分類體系在圍巖分類級(jí)別上是一致的。經(jīng)上述方法確定的富溪隧道圍巖分類結(jié)果與專家確定的圍巖分類結(jié)果對(duì)比如表6所示。
上述圍巖分類結(jié)果與專家意見基本一致，這說(shuō)明運(yùn)用BP神經(jīng)網(wǎng)絡(luò)模型對(duì)圍巖進(jìn)行分類是可行的，結(jié)果的準(zhǔn)確性是可靠的。
3結(jié)論
1） 從表4的檢驗(yàn)結(jié)果看，圍巖分類神經(jīng)網(wǎng)絡(luò)模型的辨識(shí)正確率較高，具有準(zhǔn)確、簡(jiǎn)便等特點(diǎn)，可以考慮大量影響因素，這些因素既可以是定量因素，也可以是定性或不確定因素，這是其它方法難以比擬的；該模型不僅免除了其它方法中對(duì)所選擇的影響因素要事先賦予權(quán)值的過(guò)程，而且也不需要對(duì)各影響因素進(jìn)行復(fù)雜的相關(guān)性分析，重復(fù)的因素或者沒(méi)有影響的因素加入輸入值也不會(huì)影響最后的結(jié)果，它們的權(quán)值會(huì)在運(yùn)算中自動(dòng)地迭代到零，這就給選擇輸入節(jié)點(diǎn)創(chuàng)造了比較寬松的條件。因此，BP神經(jīng)網(wǎng)絡(luò)用于隧道圍巖分類的方法值得進(jìn)一步完善和推廣。
2） 由表7知，富溪隧道整體圍巖穩(wěn)定性較差，尤其是隧道進(jìn)口和出口（占隧道全長(zhǎng)的27.1%），為極不穩(wěn)定圍巖段。就隧道整體圍巖類別而言，綜合判定富溪隧道圍巖穩(wěn)定性介于穩(wěn)定差和極不穩(wěn)定之間。因此隧道成洞施工時(shí)應(yīng)注意選用適當(dāng)?shù)氖┕し椒ǎ苊獯竺娣e整體開挖，應(yīng)充分做好超前支護(hù)及初期支護(hù)，施工爆破時(shí)應(yīng)注意選取適當(dāng)藥量。雨季施工時(shí)，應(yīng)嚴(yán)格做好防止邊坡滑塌措施。
參考文獻(xiàn)：
[1]于學(xué)馥，鄭穎人，劉懷恒，等.地下工程圍巖穩(wěn)定分析[M].北京：煤炭工業(yè)出版社，1980：23-35.
[2]陳振平，王鵬. 基于BP神經(jīng)網(wǎng)絡(luò)的隧道圍巖分類[J].路基工程，2011（1）：97-99.
[3]周盛全.銅（陵）-黃（山）高速公路富溪隧道圍巖分類及穩(wěn)定性研究[D].合肥：合肥工業(yè)大學(xué)，2006.
[4]朱素平，周楚良.地下圓形隧道圍巖穩(wěn)定性的粘彈性力學(xué)分析[J].同濟(jì)大學(xué)學(xué)報(bào)，1994，22（3）：329-333.
[5]CHARLES FAIRHURS，JUEMIN PEI.A Comparison Between the Distinct Element Method and the Finite Element Method for Analysis of the Stability of an Excavation in Jointed Rock[J].Tunnelling and Under-ground Space Technology， 1990， 5（1）：111-117.
[6]王軍號(hào)，孟祥瑞.可視化煤礦巷道支護(hù)設(shè)計(jì)專家系統(tǒng)的開發(fā)研究[J].煤炭工程，2011（5）：7-9.
[7]雷學(xué)文，湯斌，王瑞芳.工程圍巖穩(wěn)定性分類的人工神經(jīng)網(wǎng)絡(luò)識(shí)別[C]//中國(guó)巖石力學(xué)與工程學(xué)會(huì)第七次學(xué)術(shù)大會(huì)論文集.北京：中國(guó)科學(xué)技術(shù)出版社，2002：300-301.
[8]水利部東北勘測(cè)設(shè)計(jì)研究院.SL279-2002 水工隧洞設(shè)計(jì)規(guī)范[S].北京：中國(guó)水利水電出版社，2003.
[9]叢爽.面向?qū)ο驧ATLAB工具箱的神經(jīng)網(wǎng)絡(luò)理論與應(yīng)用[M].第2版.合肥：中國(guó)科技大學(xué)，2003：15-24.
[10]Y YANG，Q ZHANG.A Hierarchical for Rock Engineering Using Artificial Networks[J].Rock Mechnics and Rock Engnieering，1997，30（4）：207-222.
[11]聞新，周露，李翔，等.MATLAB神經(jīng)網(wǎng)絡(luò)仿真與應(yīng)用[M].北京：科學(xué)出版社，2003：68-75.
[12]周志華，曹存根.神經(jīng)網(wǎng)絡(luò)及其應(yīng)用[M].北京：清華大學(xué)出版社，2004：15-19.
[13]饒運(yùn)章，侯運(yùn)炳.神經(jīng)網(wǎng)絡(luò)方法在圍巖穩(wěn)定性分級(jí)評(píng)價(jià)中的應(yīng)用[J].黃金，2001，22（10）：15-17.
關(guān)鍵詞:室內(nèi)定位;RSS; BP神經(jīng)網(wǎng)絡(luò);IEEE 802.11b
中圖分類號(hào):TN911.23 文獻(xiàn)標(biāo)識(shí)碼:A
1 引 言
目前,室內(nèi)定位算法主要有以下幾種｡
1)Time of arrival(TOA)
TOA定位的基本原理是通過(guò)測(cè)量節(jié)點(diǎn)間電波傳播的時(shí)間來(lái)確定節(jié)點(diǎn)的位置｡
TOA算法要求參加定位的各個(gè)基站在時(shí)間上實(shí)現(xiàn)嚴(yán)格同步｡在室內(nèi)環(huán)境中,由于已知點(diǎn)到待測(cè)點(diǎn)的距離通常不遠(yuǎn),無(wú)線電波的傳播速度太快,且存在嚴(yán)重的多徑干擾,因此無(wú)法利用無(wú)線電波進(jìn)行測(cè)距｡目前,基于TOA的室內(nèi)定位技術(shù)通常是利用超聲波傳播速度較慢的特點(diǎn)(在20攝氏度時(shí)超聲波的傳播速度為343.38m/s),來(lái)測(cè)量出已知點(diǎn)和待測(cè)點(diǎn)間的距離,進(jìn)而求出待測(cè)點(diǎn)的位置[1]｡
2)GPS L1 Re-radiating
GPS(Global Positioning System)是70年代初由美國(guó)開發(fā)的衛(wèi)星導(dǎo)航定位系統(tǒng),本質(zhì)上它也是一個(gè)基于TOA的定位系統(tǒng)｡
GPS L1 Re-radiating是將GPS在L1頻段上的信號(hào),通過(guò)戶外天線接收后,增益放大為室內(nèi)可接收信號(hào),進(jìn)而基于GPS實(shí)現(xiàn)室內(nèi)定位｡
3)Received signal strength,RSS
RSS定位的基本原理是利用移動(dòng)裝置偵測(cè)所接收到的無(wú)線電波信號(hào)強(qiáng)弱,然后根據(jù)經(jīng)驗(yàn)?zāi)Ｐ突騌SS隨距離衰減的模型來(lái)推斷節(jié)點(diǎn)間的距離,進(jìn)而實(shí)現(xiàn)定位[2]｡
該技術(shù)主要使用無(wú)線網(wǎng)絡(luò)本身的無(wú)線電信號(hào)來(lái)定位,不需額外添加硬件,是一種低功率､廉價(jià)的定位技術(shù)[3]｡
基于信號(hào)強(qiáng)度的室內(nèi)定位方法分為經(jīng)驗(yàn)?zāi)Ｐ头ê托盘?hào)衰減模型法｡
(1)經(jīng)驗(yàn)?zāi)Ｐ头?/p>
在經(jīng)驗(yàn)?zāi)Ｐ头ㄖ?將RSSI數(shù)據(jù)轉(zhuǎn)換為位置信息的方法主要有判定法和概率法兩種｡
(2)信號(hào)衰減模型法
信號(hào)衰減模型法則無(wú)需實(shí)地測(cè)量位置和RSSI,而是依據(jù)信號(hào)強(qiáng)度和距離的特定關(guān)系,結(jié)合三角測(cè)量法,根據(jù)來(lái)自三個(gè)(或以上)AP的RSSI來(lái)計(jì)算出待測(cè)點(diǎn)的位置｡
基于TOA的定位模型在開放的室外環(huán)境中非常有效,但在室內(nèi)環(huán)境卻存在一些問(wèn)題｡使用超聲波雖可克服無(wú)線電波傳輸速度快的問(wèn)題,但需構(gòu)建專門的超聲波系統(tǒng)｡GPS也主要是針對(duì)戶外目標(biāo)設(shè)計(jì)的定位系統(tǒng),應(yīng)用于室內(nèi)存在定位精度不高等問(wèn)題｡基于RSS的定位模型中,經(jīng)驗(yàn)法需進(jìn)行大量的實(shí)地測(cè)量,同時(shí)無(wú)法保護(hù)定位用戶的隱私;而信號(hào)衰減法在室內(nèi)受NLOS(非視距傳播)等因素影響,也使得定位精度較低｡
因此,本文提出了一種基于BP神經(jīng)網(wǎng)絡(luò)的室內(nèi)定位模型并借助MATLAB 7.0加以實(shí)現(xiàn)｡采用該方法進(jìn)行室內(nèi)定位,不需要WLAN以外的其他資源｡由于不需要知道定位節(jié)點(diǎn)和建筑物的詳細(xì)特性,用戶的隱私將隨之得到完全的保護(hù)｡
2 基于BP神經(jīng)網(wǎng)絡(luò)的室內(nèi)定位模型
BP神經(jīng)網(wǎng)絡(luò)通常是指基于誤差反向傳播算法(Backpropagation)的多層前向神經(jīng)網(wǎng)絡(luò),目前,該算法已成為應(yīng)用最為廣泛的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法[4]｡
BP神經(jīng)網(wǎng)絡(luò)采用的是并行網(wǎng)絡(luò)結(jié)構(gòu),包括輸入層､隱含層和輸出層,經(jīng)作用函數(shù)后,再把隱節(jié)點(diǎn)的輸出信號(hào)傳遞到輸出節(jié)點(diǎn),最后給出輸出結(jié)果｡該算法的學(xué)習(xí)過(guò)程由信息的前向傳播和誤差的反向傳播組成｡在前向傳播的過(guò)程中,輸入信息從輸入層經(jīng)隱含層逐層處理,并傳向輸出層｡第一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)｡如果在輸出層得不到期望的輸出結(jié)果,則轉(zhuǎn)入反向傳播,將誤差信號(hào)(目標(biāo)值與網(wǎng)絡(luò)輸出之差)沿原來(lái)的連接通道返回,通過(guò)修改各層神經(jīng)元權(quán)值,使得誤差均方最小｡神經(jīng)網(wǎng)絡(luò)理論已經(jīng)證明BP神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的非線性映射能力和泛化功能,任一連續(xù)函數(shù)或映射均可采用三層網(wǎng)絡(luò)加以實(shí)現(xiàn)｡
計(jì)算技術(shù)與自動(dòng)化2007年6月第26卷第2期李 瑛等:一種基于BP神經(jīng)網(wǎng)絡(luò)的室內(nèi)定位模型2.1 樣本數(shù)據(jù)的采集和處理
輸入向量為待測(cè)點(diǎn)收到的來(lái)自至少三個(gè)不同位置AP的RSSI值,輸出向量為待測(cè)點(diǎn)的坐標(biāo)值(X,Y)｡
樣本采集在一個(gè)10mX10m的室內(nèi)場(chǎng)地中進(jìn)行｡使用3個(gè)來(lái)自SMC公司的AP和1臺(tái)配置了ORiNOCO PC CARD的筆記本電腦｡AP及無(wú)線網(wǎng)卡符合并工作在IEEE 802.11b標(biāo)準(zhǔn)下｡筆記本電腦所使用的操作系統(tǒng)為RedHat Linux 9.0｡樣本均勻分布在6mx6m的中心區(qū)域中｡
2.2 網(wǎng)絡(luò)結(jié)構(gòu)的確定
Kolmogorov定理已經(jīng)證明[5],任意一連續(xù)函數(shù)可由一個(gè)三層BP 網(wǎng)絡(luò)來(lái)實(shí)現(xiàn)｡雖然研究表明三層以上的BP網(wǎng)絡(luò)可以減少隱含層節(jié)點(diǎn)數(shù),提高計(jì)算效率,但在缺乏理論指導(dǎo)的BP網(wǎng)絡(luò)設(shè)計(jì)中這樣做容易使問(wèn)題趨向復(fù)雜化｡因此選擇三層BP神經(jīng)網(wǎng)絡(luò),即只有1個(gè)隱含層的BP神經(jīng)網(wǎng)絡(luò)｡
該網(wǎng)絡(luò)輸入層的節(jié)點(diǎn)數(shù)由輸入向量的維數(shù)決定,輸入向量的維數(shù)是3,所以輸入層節(jié)點(diǎn)數(shù)確定為3個(gè)｡輸出層節(jié)點(diǎn)數(shù)由輸出向量的維數(shù)決定,這里輸出節(jié)點(diǎn)數(shù)為2 ｡
隱含層節(jié)點(diǎn)數(shù)的選擇在BP網(wǎng)絡(luò)設(shè)計(jì)中是一個(gè)難點(diǎn),目前還沒(méi)有理論上的指導(dǎo)｡過(guò)多的網(wǎng)絡(luò)節(jié)點(diǎn)會(huì)增加訓(xùn)練網(wǎng)絡(luò)的時(shí)間,也會(huì)使網(wǎng)絡(luò)的泛化能力減弱,網(wǎng)絡(luò)的預(yù)測(cè)能力下降｡然而網(wǎng)絡(luò)節(jié)點(diǎn)過(guò)少則不能反映后續(xù)值與前驅(qū)值的相關(guān)關(guān)系,建模不充分｡經(jīng)反復(fù)試驗(yàn),將隱含層節(jié)點(diǎn)數(shù)定為30,這樣形成了一個(gè)3-30-2結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò),如圖1所示｡
2.3 學(xué)習(xí)算法的選擇
基本BP 算法采用梯度下降法使得誤差均方(mse)趨向最小,直至達(dá)到誤差要求｡但在實(shí)際應(yīng)用中,存在收斂速度慢､局部極值等缺點(diǎn)｡Matlab 7.0神經(jīng)網(wǎng)絡(luò)工具箱中提供了十多種快速學(xué)習(xí)算法,一類是采用啟發(fā)式學(xué)習(xí)方法,如引入動(dòng)量因子的traingdm 算法､變速率學(xué)習(xí)算法traingda ､“彈性”學(xué)習(xí)算法trainrp等;另一類采用數(shù)值優(yōu)化方法,如共軛梯度學(xué)習(xí)算法traincgf 等｡本研究選擇traincgf 算法｡該算法在不增加算法復(fù)雜性的前提下,可以提高收斂速度,并且可沿共扼方向達(dá)到全局最小點(diǎn),較好地解決了經(jīng)典BP算法所存在的收斂速度慢和可能出現(xiàn)局部最優(yōu)解的問(wèn)題｡
2.4 BP神經(jīng)網(wǎng)絡(luò)的初始化､訓(xùn)練與仿真
1)建立網(wǎng)絡(luò)
net==newff(P3,[30,2],{′tansig′,′purelin′},′traincgf′)
newff()為建立BP 神經(jīng)網(wǎng)絡(luò)的函數(shù);P3為6維矩陣,表示3維輸入向量中每維輸入的最小值和最大值之間的范圍｡[30,2]表示隱層節(jié)點(diǎn)數(shù)是30,輸出層節(jié)點(diǎn)數(shù)是2,{′tansig′,′purelin′}表示隱含層中的神經(jīng)元采用tansig轉(zhuǎn)換函數(shù),輸出層采用purelin函數(shù),′traincgf′表示選擇的學(xué)習(xí)算法｡
2)權(quán)重和閾值初始化
net==init(net)
給各連接權(quán)重LW{1,1}､LW{2,1}及閾值b{1}､b{2}賦予(-1,+1)間的隨機(jī)值｡
3)訓(xùn)練
[net,tr]=train(net,P,T)
P為輸入向量,T為目標(biāo)向量,根據(jù)網(wǎng)絡(luò)學(xué)習(xí)誤差逆?zhèn)鬟f算法,利用阻尼最小二乘算法迭代,由前一次訓(xùn)練得到的網(wǎng)絡(luò)權(quán)重及閾值訓(xùn)練得到新的網(wǎng)絡(luò)權(quán)重及閾值｡
為了使生成的BP網(wǎng)絡(luò)對(duì)輸入向量有一定的容錯(cuò)能力,最好的方法是既使用理想的信號(hào)又使用帶有噪聲的信號(hào)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練｡具體做法是先用理想的輸入信號(hào)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,直到起平方和誤差足夠小;然后,使用20組理想信號(hào)和帶有噪聲的信號(hào)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練｡經(jīng)過(guò)上述訓(xùn)練后,網(wǎng)絡(luò)對(duì)無(wú)誤差的信號(hào)也可能會(huì)采用對(duì)付帶有噪聲信號(hào)的辦法,這樣會(huì)導(dǎo)致很大的代價(jià),因此,需要采用理想的向量對(duì)網(wǎng)絡(luò)再次訓(xùn)練,以保證網(wǎng)絡(luò)能對(duì)理想信號(hào)作出最好的反應(yīng)｡
使用函數(shù)traincgf對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練時(shí),當(dāng)網(wǎng)絡(luò)平方和誤差小于3時(shí)停止網(wǎng)絡(luò)的訓(xùn)練｡訓(xùn)練過(guò)程中的誤差變化情況如圖2所示｡
根據(jù)訓(xùn)練后的網(wǎng)絡(luò)及輸入向量進(jìn)行仿真輸出｡
3 實(shí)驗(yàn)結(jié)果及分析
利用訓(xùn)練后的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行了36次定位,并統(tǒng)計(jì)了36次定位的平均誤差,結(jié)果如圖3所示｡
與利用信號(hào)衰減模型定位相比(如圖4所示),利用BP神經(jīng)網(wǎng)絡(luò)定位具有更高的統(tǒng)計(jì)精度｡
與信號(hào)衰減模型相比,雖然BP神經(jīng)網(wǎng)絡(luò)的模型解釋直觀性略有不足,但卻可獲得更精確的定位結(jié)果｡
利用BP神經(jīng)網(wǎng)絡(luò),雖然可解決傳統(tǒng)處理方法所不能處理的非線性映射問(wèn)題,但在實(shí)際應(yīng)用中,對(duì)如何選擇和確定一個(gè)合適的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)沒(méi)有確切的理論指導(dǎo),只能通過(guò)試驗(yàn)―調(diào)整―再試驗(yàn)的過(guò)程來(lái)確定一個(gè)合適的網(wǎng)絡(luò)結(jié)構(gòu)｡同時(shí),BP神經(jīng)網(wǎng)絡(luò)的隱含層作用機(jī)理和隱含層節(jié)點(diǎn)個(gè)數(shù)的選擇是BP神經(jīng)網(wǎng)絡(luò)的難點(diǎn)問(wèn)題｡隱含層的節(jié)點(diǎn)個(gè)數(shù)的選擇需反復(fù)進(jìn)行試驗(yàn),當(dāng)多次輸出結(jié)果在一定誤差范圍內(nèi)時(shí)才可確定｡
4 結(jié)束語(yǔ)
本文提出了一種基于BP神經(jīng)網(wǎng)絡(luò)的室內(nèi)定位模型,并在基于IEEE 802.11b標(biāo)準(zhǔn)的WLAN環(huán)境中對(duì)此模型進(jìn)行了測(cè)試｡一個(gè)基于信號(hào)衰減模型的定位算法也在同樣的環(huán)境中進(jìn)行了測(cè)試｡對(duì)比結(jié)果表明,利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行室內(nèi)定位能取得更好的定位精度｡
關(guān)鍵詞：無(wú)拖曳衛(wèi)星；自適應(yīng)控制；RBF神經(jīng)網(wǎng)絡(luò)；反步法
中圖分類號(hào)：TP273文獻(xiàn)標(biāo)識(shí)碼：A
Design of Adaptive Neural Network Controllers for LEO Dragfree Satellite
LI Ji,FAN Huijin
(School of Automation, Huazhong University of Science and Technology, Wuhan,Hubei 430074, China)
Abstract:Lowdisturbance environment can be achieved by the LEO(LowEarth Orbit) dragfree satellite, which benefits the validation of relativity, detection of gravitational waves and measurement of gravity field. For dragfree control purpose, most researches proposed controllers with linearized model and ignoring the nonlinear characteristics, which lower the accuracy of controllers. In this paper, by taking into account of the nonlinear characteristics, an adaptive neural network controller is established based on Lyapunov methods and adaptive backstepping control theory. For nonlinear characteristics and unmodeled dynamics, RBF neural network is employed for approximation. At the same time, we introduce the update laws of adaptive neural network weights, which guarantee the stability of the closedloop system and satisfy requirements of the dragfree satellite control system. The simulation results indicate that the controller is effective and the accuracy of the dragfree satellite can be satisfied．
Key words:Dragfree satellite;adaptive control;RBF neural network;backstepping
1 引 言
低軌衛(wèi)星在太空飛行的過(guò)程中，承受著來(lái)自星際空間的各種擾動(dòng)［1］，例如，地球、太陽(yáng)、月亮引力的影響，以及大氣阻力、太陽(yáng)輻射和地面反射等非慣性力的影響。然而相對(duì)論的驗(yàn)證、引力波探測(cè)以及地球重力場(chǎng)的測(cè)量等都需要低干擾試驗(yàn)環(huán)境。為了消除非慣性力的影響，文獻(xiàn)［1］提出無(wú)拖曳(drag-free)技術(shù)，設(shè)計(jì)了無(wú)拖曳衛(wèi)星：用一個(gè)質(zhì)量塊置于衛(wèi)星本體內(nèi)部，質(zhì)量塊將不受大氣阻力等外部干擾力的影響，因?yàn)橘|(zhì)量塊不與衛(wèi)星本體接觸，所以幾乎處于自由漂移狀態(tài)，成為理想的寧?kù)o參考源。衛(wèi)星本體保持與質(zhì)量塊之間相互隔離的狀態(tài)，在適當(dāng)傳感器和控制算法條件下，從而保證衛(wèi)星本體實(shí)現(xiàn)較高的寧?kù)o性［1］。
無(wú)拖曳衛(wèi)星控制器不但可以使衛(wèi)星保持穩(wěn)定，而且良好的控制效果有助于航天任務(wù)的完成以及降低對(duì)硬件的要求，所以無(wú)拖曳衛(wèi)星控制器設(shè)計(jì)一直是無(wú)拖曳衛(wèi)星研究的重點(diǎn)。Stephan Theil［2-3］等人考慮了無(wú)拖曳衛(wèi)星控制系統(tǒng)的不確定性，利用分散控制策略設(shè)計(jì)了系統(tǒng)的魯棒控制器。E.Canuto［4-5］等人針對(duì)GOCE衛(wèi)星，建立離散時(shí)間狀態(tài)方程，利用嵌入式模型控制策略設(shè)計(jì)了可調(diào)控制器。文獻(xiàn)［6］基于干擾觀測(cè)模型，設(shè)計(jì)了混合H2/H
SymboleB@
最優(yōu)控制器，并以LMI形式給出了求解控制器的條件并證明了控制器的穩(wěn)定性。文獻(xiàn)［7］針對(duì)衛(wèi)星本體與質(zhì)量塊相對(duì)軌道動(dòng)力學(xué)模型，采用卡爾曼濾波方法對(duì)狀態(tài)和干擾進(jìn)行了估計(jì)，并基于狀態(tài)估計(jì)設(shè)計(jì)了最優(yōu)控制器，有效地抑制了干擾對(duì)系統(tǒng)的影響。文獻(xiàn)［8］基于H2優(yōu)化理論設(shè)計(jì)了最優(yōu)控制器，通過(guò)傳遞函數(shù)法及數(shù)值法雙重分析表明所設(shè)計(jì)的控制器符合控制要求。
在這些已有的控制器設(shè)計(jì)中，大多未考慮系統(tǒng)的非線性環(huán)節(jié)或采用線性化方法，將系統(tǒng)簡(jiǎn)化為線性模型，從而降低了控制器的精度。由于無(wú)拖曳衛(wèi)星控制系統(tǒng)本質(zhì)上是一個(gè)復(fù)雜的非線性系統(tǒng)，本文將直接針對(duì)非線性模型，考慮到系統(tǒng)的非線性特征及未建模動(dòng)態(tài)，利用神經(jīng)網(wǎng)絡(luò)對(duì)函數(shù)的有效逼近能力，對(duì)系統(tǒng)模型中的非線性部分進(jìn)行擬合。首先，本文將無(wú)拖曳衛(wèi)星控制系統(tǒng)根據(jù)控制目標(biāo)劃分為三個(gè)子系統(tǒng)：衛(wèi)星本體與質(zhì)量塊相對(duì)位移子系統(tǒng)，即drag-free子系統(tǒng)；衛(wèi)星本體姿態(tài)子系統(tǒng)；以及衛(wèi)星本體與質(zhì)量塊相對(duì)姿態(tài)子系統(tǒng)。接著，針對(duì)每個(gè)二階子系統(tǒng)，利用徑向基函數(shù)(Radial Basis Function)神經(jīng)網(wǎng)絡(luò)對(duì)系統(tǒng)的非線性部分進(jìn)行擬合，通過(guò)對(duì)基函數(shù)中心和方差進(jìn)行學(xué)習(xí)，并采用自適應(yīng)反步控制方法，設(shè)計(jì)相應(yīng)控制器，建立神經(jīng)網(wǎng)絡(luò)權(quán)值自適應(yīng)律以及分散自適應(yīng)控制律。仿真結(jié)果驗(yàn)證了所設(shè)計(jì)的控制器的有效性。
計(jì)算技術(shù)與自動(dòng)化2014年6月
第33卷第2期李 季等：低軌無(wú)拖曳衛(wèi)星的自適應(yīng)神經(jīng)網(wǎng)絡(luò)控制器設(shè)計(jì)
本文下面內(nèi)容安排如下：第2節(jié)問(wèn)題描述，建立無(wú)拖曳衛(wèi)星的動(dòng)力學(xué)模型；第3節(jié)針對(duì)drag-free控制回路、衛(wèi)星本體姿態(tài)控制回路以及衛(wèi)星本體與質(zhì)量塊相對(duì)姿態(tài)控制回路，分別設(shè)計(jì)控制器，同時(shí)給出了穩(wěn)定性分析；第4節(jié)通過(guò)仿真證明所設(shè)計(jì)的控制器的有效性；第5節(jié)給出結(jié)論與進(jìn)一步的工作。
2 問(wèn)題描述
本文所考慮的低軌無(wú)拖曳衛(wèi)星結(jié)構(gòu)設(shè)計(jì)如下：無(wú)拖曳衛(wèi)星只包含一個(gè)質(zhì)量塊，且形狀為立方體，衛(wèi)星內(nèi)腔壁上的位置敏感器能夠測(cè)量衛(wèi)星本體和質(zhì)量塊的相對(duì)位置。這里采用靜電位置懸浮及測(cè)量系統(tǒng)EPS(Electrostatic Positioning/Measurement System) 來(lái)測(cè)量質(zhì)量塊相對(duì)移動(dòng)并對(duì)其施加靜電力和力矩，根據(jù)EPS的測(cè)量結(jié)果，命令推進(jìn)器輸出相應(yīng)的推力，使衛(wèi)星本體跟蹤質(zhì)量塊。推進(jìn)器可以選擇場(chǎng)發(fā)射推進(jìn)器和微膠體推進(jìn)器，它們具有極低的噪聲干擾，而且可以實(shí)現(xiàn)極小的推力，非常適合無(wú)拖曳控制。但在近地環(huán)境中，大氣阻力有時(shí)比較大，尤其在衛(wèi)星的迎風(fēng)面，此時(shí)需要采用推力較大的推進(jìn)器，如離子推進(jìn)器。所以在近地環(huán)境中，無(wú)拖曳控制往往采用了多種推進(jìn)器組合的方式［1,8］。本文將無(wú)拖曳衛(wèi)星控制系統(tǒng)根據(jù)控制目標(biāo)劃分為三個(gè)控制回路：衛(wèi)星本體與質(zhì)量塊相對(duì)位移控制回路，即dragfree控制回路，衛(wèi)星本體姿態(tài)控制回路以及衛(wèi)星本體與質(zhì)量塊相對(duì)姿態(tài)控制回路，相關(guān)動(dòng)力學(xué)方程如下［9］：
衛(wèi)星本體與質(zhì)量塊相對(duì)位移動(dòng)力學(xué)方程：
rel=1mtm(FGtm+FDtm+FSCtm)－
1msc(FGsc+FCsc+FDsc+FTMsc)－
2ωsc×rel－ωsc×(ωsc×(rh+rrel))－
sc×(rh+rrel)(1)
其中，rrel表示衛(wèi)星本體和質(zhì)量塊的相對(duì)位移，rh表示敏感器空腔中心與衛(wèi)星質(zhì)心的距離，mtm表示質(zhì)量塊的質(zhì)量，msc代表衛(wèi)星本體的質(zhì)量，ωsc表示衛(wèi)星本體姿態(tài)角速度，F(xiàn)Gtm、FGsc分別表示衛(wèi)星本體和質(zhì)量塊受到的重力，F(xiàn)Dtm、FDsc分別表示衛(wèi)星本體和質(zhì)量塊受到的非慣性力，F(xiàn)Csc表示衛(wèi)星本體受到的控制力，F(xiàn)SCtm、FTMsc表示衛(wèi)星本體和質(zhì)量塊之間的耦合力。
衛(wèi)星本體姿態(tài)動(dòng)力學(xué)方程：
sc=I－1sc［TCsc+TDsc+TTMsc－ωsc×(Iscωsc)］(2)
其中，ωsc表示衛(wèi)星本體姿態(tài)角速度，Isc表示衛(wèi)星本體的轉(zhuǎn)動(dòng)慣量，TCsc，TDsc，TTMsc分別表示衛(wèi)星本體受到的控制力矩、干擾力矩和耦合力矩。
衛(wèi)星本體和質(zhì)量塊的相對(duì)姿態(tài)動(dòng)力學(xué)方程：
rel=tm－ATSsc+ωtm×ATSωsc=
I－1tm［TCtm+TDtm+TSCtm－
(ωrel+ωsc)×(Itm(ωrel+ωsc))］－
ATSsc－ATSωsc×ωrel(3)
其中，ωrel表示衛(wèi)星本體和質(zhì)量塊的相對(duì)姿態(tài)角速度，ωtm表示質(zhì)量塊的姿態(tài)角速度，ωsc表示衛(wèi)星本體姿態(tài)角速度，TCtm，TDtm，TSCtm分別表示質(zhì)量塊受到的控制力矩、干擾力矩和耦合力矩，ATS表示從衛(wèi)星本體坐標(biāo)系到質(zhì)量塊本體坐標(biāo)系的旋轉(zhuǎn)矩陣。
通常將質(zhì)量塊和衛(wèi)星間的靜電耦合基本模型看作一個(gè)彈簧―阻尼系統(tǒng)，以質(zhì)量塊為例，在敏感器坐標(biāo)系下受到的耦合力和力矩形式如下：
FSCtm=－Ktransrrel－Dtransrel(4)
TSCtm=－Krotθrel－Drotrel (5)
其中，Ktrans為衛(wèi)星本體和質(zhì)量塊之間的耦合水平彈性系數(shù)，Dtrans為水平阻尼系數(shù)，Krot為衛(wèi)星本體和質(zhì)量塊之間的耦合旋轉(zhuǎn)彈性系數(shù)，Drot為旋轉(zhuǎn)阻尼系數(shù)。
通過(guò)線性化處理后，得到低軌無(wú)拖曳衛(wèi)星控制系統(tǒng)的動(dòng)力學(xué)簡(jiǎn)化模型如下：
rel=vrel
rel=-Ktransmtmrrel-Dtransmtmvrel-1mscFCsc+
f1(rrel,vrel
sc=ωsc
sc=I-1scTCsc+f2(φsc,ωsc)
rel=ωrel
rel=I-1tmKrotφrel+I-1tmDrotωrel+
I-1tmTCtm-I-1scTCsc+f3(φrel,ωrel)(6)
系統(tǒng)(6)中，φsc、ωsc分別表示衛(wèi)星本體的姿態(tài)角和姿態(tài)角速度，rrel、vrel分別表示衛(wèi)星本體和質(zhì)量塊的相對(duì)位移和相對(duì)運(yùn)動(dòng)速度，φrel、ωrel分別表示衛(wèi)星本體和質(zhì)量塊的相對(duì)姿態(tài)角和相對(duì)姿態(tài)角速度。本文以歐拉角的形式給出了衛(wèi)星本體和質(zhì)量塊的姿態(tài)。
f1(rrel,vrel)，f2(φsc,ωsc)，f3(φrel,ωrel)為未知光滑函數(shù)，代表系統(tǒng)的非線性特征、未建模動(dòng)態(tài)及未知擾動(dòng)。
注2.1與文獻(xiàn)［9］相比，本文將擾動(dòng)項(xiàng)1mscFDsc包含在了f1中，I－1scTDsc包含在了f2中，I－1tmTDtm、I－1scTDsc包含在了f3中，因此，文獻(xiàn)［9］中所研究的模型是本文系統(tǒng)(6)的特例。
上述系統(tǒng)中所涉及的變量均為3維：包含x、y、z三個(gè)坐標(biāo)軸方向。為了清晰地闡述本文的主要思想，以下將僅考慮單個(gè)坐標(biāo)軸方向，并且假設(shè)變量之間以及坐標(biāo)軸之間的交叉耦合量足夠小。
定義x=［x11,x12,x21,x22,x31,x32］T，其中狀態(tài)變量依次代表rrel、vrel、φsc、ωsc、φrel、ωrel。
系統(tǒng)(6)可寫成如下三個(gè)子系統(tǒng)：
衛(wèi)星本體與質(zhì)量塊相對(duì)位移子系統(tǒng)，即dragfree子系統(tǒng)：
Σ1:11=x1212=a1x11+b1x12+c1u1+f1(x11,x12)(7)
衛(wèi)星本體姿態(tài)子系統(tǒng)：
Σ2:21=x2222=c2u2+f2(x21,x22)(8)
衛(wèi)星本體與質(zhì)量塊相對(duì)姿態(tài)子系統(tǒng)：
Σ3:31=x3232=a2x31+b2x32－c2u2+c3u3+f3(x31,x32) (9)
其中，a1=－Ktransmtm，a2=I－1tmKrot，b1=－Dtransmtm，b2=I－1tmDrot，c1=－1msc，c2=I－1sc，c3=I－1tm，u1=FCsc，u2=TCsc，u3=TCtm。f1(x11,x12)，f2(x21,x22)，f3(x31,x32)代表系統(tǒng)的不確定性、未建模動(dòng)態(tài)及未知擾動(dòng)。
3 控制器設(shè)計(jì)
3.1 RBF神經(jīng)網(wǎng)絡(luò)
本文的目的是基于Lyapunov穩(wěn)定性理論和自適應(yīng)反步控制，對(duì)無(wú)拖曳衛(wèi)星控制系統(tǒng)的非線性模型進(jìn)行分析，設(shè)計(jì)一種自適應(yīng)神經(jīng)網(wǎng)絡(luò)控制器。
人工神經(jīng)網(wǎng)絡(luò)形式多種多樣，RBF神經(jīng)網(wǎng)絡(luò)是其中應(yīng)用較為廣泛的一種，表達(dá)形式如下［10-11］：
Ψ(X)=WTΦ(X) (10)
其中，W=［w1,w2,...,wl］T∈Rl為權(quán)重向量，Φ(x)=［φ1(X),φ2(X),...,φl(shuí)(X)］T為基函數(shù)向量，l為隱含層神經(jīng)元的個(gè)數(shù)，X=［x1,x2,...,xn］代表系統(tǒng)中的狀態(tài)變量，并作為網(wǎng)絡(luò)的訓(xùn)練樣本輸入。基函數(shù)i(X)選擇高斯函數(shù)，表達(dá)式如下：
φi(X)=exp －X－ci22σ2i(11)
其中，ci=［ci1,ci2,...,cin］T是隱含層第i個(gè)徑向基函數(shù)的中心點(diǎn)，n為輸入層向量的維數(shù)，σi是徑向基函數(shù)的寬度。
3.2 dragfree控制回路
3.2.1 控制器設(shè)計(jì)
系統(tǒng)Σ1表示dragfree控制回路：
Σ1:11=x1212=a1x11+b1x12+c1u1+f1(x11,x12)
f1(x11,x12)為未知光滑函數(shù)，由于RBF神經(jīng)網(wǎng)絡(luò)對(duì)于光滑函數(shù)的有效逼近能力，此時(shí)我們采用RBF神經(jīng)網(wǎng)絡(luò)對(duì)其進(jìn)行擬合，表達(dá)式如下：
f1(x11,x12)=WT1Φ1(x11,x12) (12)
定義1為權(quán)值的估計(jì)值，1為權(quán)值的估計(jì)誤差。即：
1=W1－1(13)
本節(jié)將采用RBF神經(jīng)網(wǎng)絡(luò)來(lái)對(duì)f1進(jìn)行擬合，結(jié)合自適應(yīng)反步控制，建立權(quán)重W1的自適應(yīng)律，通過(guò)調(diào)節(jié)權(quán)重，可以達(dá)到系統(tǒng)自適應(yīng)控制的目的。
第一步：考慮x11子系統(tǒng)，選擇Lyapunov函數(shù)：
V11(x11)=12x211 (14)
對(duì)V11求導(dǎo)，得：
11=x1111=
x11x12(15)
將x12看成x11子系統(tǒng)的虛擬控制，令：
x12=z12+α11(x11)(16)
其中，z12為引入的新的虛擬控制，α11(x11)滿足α11(0)=0，并選取為：
α11(x11)=－k11x11 (17)
其中，k11＞0為可調(diào)參數(shù)。所以
11=x11(z12+α11(x11))=
－k11x211+x11z12(18)
第二步：考慮系統(tǒng)(x11,x12)，選擇Lyapunov函數(shù)：
V12(x12,x12)=V11(x11)+
12z212+12T1Γ11(19)
其中，Γ1為正定矩陣。
對(duì)V12求導(dǎo)，得：
12=－k11x211+x11z12+z1212+•T1Γ11=
－k11x211+z12(x11+12－α11x1111)+•T1Γ11=
－k11x211+z12(x11+a1x11+b1x12+
c1u1+WT1Φ1+k11x12)+•T1Γ11=
－k11x211+z12(x11+a1x11+b1x12+
c1u1+T1Φ1+k11x12)+z12T1Φ1+
•T1Γ11=
－k11x211+z12(x11+a1x11+b1x12+
c1u1+T1Φ1+k11x12)+(z12ΦT1+•T1Γ1)1 (20)
選取控制量為
u1=1c1(－x11－a1x11－b1x12－T1Φ1－
k11x12－k12z12) (21)
其中，k11＞0，k12＞0為可調(diào)參數(shù)。
權(quán)值自適應(yīng)律1為
•1=z12Γ－T1Φ1=
(x12+k11x11)Γ－T1Φ1(22)
3.2.2 穩(wěn)定性分析
定理 1［12］ 考慮如下非線性系統(tǒng)
=f(x)
且
f(0)0 (23)
若存在具有連續(xù)1階偏導(dǎo)數(shù)的標(biāo)量函數(shù)V(x)，滿足以下條件：
1)V(x)是正定的；
2)(x)=dV(x)/dt是負(fù)定的；
3)當(dāng)x
SymboleB@
時(shí)，V(x)
SymboleB@
。
則在系統(tǒng)原點(diǎn)處的平衡狀態(tài)是大范圍漸近穩(wěn)定的。
通過(guò)上述控制器設(shè)計(jì)，由式(19)，顯然V12是正定的，又12=－k11x211－k12z212，由于k11，k12為大于零的可調(diào)參數(shù)，所以12是負(fù)定的，當(dāng)x11
SymboleB@
，z12
SymboleB@
時(shí)，V12
SymboleB@
，所以x11，z12在平衡狀態(tài)是大范圍漸近穩(wěn)定的。又由式(16)和式(17)可知，當(dāng)t
SymboleB@
，x110，z120時(shí)，有x120，所以x11，x12在平衡狀態(tài)是大范圍漸近穩(wěn)定的。
3.3 姿態(tài)控制回路
3.3.1 衛(wèi)星本體姿態(tài)控制回路
衛(wèi)星本體姿態(tài)狀態(tài)方程如下：
Σ2:21=x2222=c2u2+f2(x21,x22)
f2(x21,x22)為未知光滑函數(shù)，我們采用RBF神經(jīng)網(wǎng)絡(luò)對(duì)其進(jìn)行擬合，表達(dá)式如下：
f2(x21,x22)=WT2Φ2(x21,x22)(24)
定義2為權(quán)值的估計(jì)值，2為權(quán)值的估計(jì)誤差。即：
2=W2－2(25)
本節(jié)將采用RBF神經(jīng)網(wǎng)絡(luò)來(lái)對(duì)f2進(jìn)行擬合，結(jié)合自適應(yīng)反步控制，建立權(quán)重W2的自適應(yīng)律，通過(guò)調(diào)節(jié)權(quán)重，可以達(dá)到系統(tǒng)自適應(yīng)控制的目的。
第一步：考慮x21子系統(tǒng)，選擇Lyapunov函數(shù)：
V21(x21)=12x221(26)
對(duì)V21求導(dǎo)，得：
21=x2121=x21x22(27)
將x22看成x21子系統(tǒng)的虛擬控制，令：
x22=z22+α21(x21)(28)
其中，z22為引入的新的虛擬控制，α21(x21)滿足α21(0)=0，并選取為：
α21(x21)=－k21x21(29)
其中，k21＞0為可調(diào)參數(shù)。所以
21=x21(z22+α21(x21))=－k21x221+x21z22(30)
第二步：考慮系統(tǒng)(x21,x22)，選擇Lyapunov函數(shù)：
V22(x21,x22)=V21(x21)+
12z222+12T2Γ22(31)
其中，Γ2為正定矩陣。
對(duì)V22求導(dǎo)，得：
22=－k21x221+x21z22+z2222+•T2Γ22=
－k21x221+z22(x21+22－α21x2121)+•T2Γ22=
－k21x221+z22(x21+c2u2+WT2Φ2+
k21x22)+•T2Γ22=
－k21x221+z22(x21+c2u2+T2Φ2+
k21x22)+z22T2Φ2+•T2Γ22=
－k21x221+z22(x21+c2u2+T2Φ2+
k21x22)+(z22ΦT2+•T2Γ2)2 (32)
選取控制量為
u2=1c2(－x21－T2Φ2－
k21x22－k22z22) (33)
其中，k21＞0，k22＞0為可調(diào)參數(shù)。
權(quán)值自適應(yīng)律2為
•2=z22Γ－T2Φ2=(x22+k21x21)Γ－T2Φ2 (34)
3.3.2 衛(wèi)星本體與質(zhì)量塊相對(duì)姿態(tài)控制回路
衛(wèi)星本體與質(zhì)量塊相對(duì)姿態(tài)狀態(tài)方程如下：
Σ3:31=x3232=a2x31+b2x32－c2u2+c3u3+f3(x31,x32)
f3(x31,x32)為未知光滑函數(shù)，我們采用RBF神經(jīng)網(wǎng)絡(luò)對(duì)其進(jìn)行擬合，表達(dá)式如下：
f3(x31,x32)=WT3Φ3(x31,x32) (35)
定義3為權(quán)值的估計(jì)值，3為權(quán)值的估計(jì)誤差。即：
3=W3－3(36)
本節(jié)將采用RBF神經(jīng)網(wǎng)絡(luò)來(lái)對(duì)f3進(jìn)行擬合，結(jié)合自適應(yīng)反步控制，建立權(quán)重W3的自適應(yīng)律，通過(guò)調(diào)節(jié)權(quán)重，可以達(dá)到系統(tǒng)自適應(yīng)控制的目的。
第一步：考慮x31子系統(tǒng)，選擇Lyapunov函數(shù)：
V31(x31)=12x231 (37)
對(duì)V31求導(dǎo)，得：
31=x3131=x31x32(38)
將x32看成x31子系統(tǒng)的虛擬控制，令：
x32=z32+α31(x31)(39)
其中，z32為引入的新的虛擬控制，α31(x31)滿足α31(0)=0，并選取為：
α31(x31)=－k31x31 (40)
其中，k31＞0為可調(diào)參數(shù)。所以
31=x31(z32+α31(x31))=－k31x231+x31z32(41)
第二步：考慮系統(tǒng)(x31,x32)，選擇Lyapunov函數(shù)：
V32(x31,x32)=V31(x31)+
12z232+12T3Γ33(42)
其中，Γ3為正定矩陣。
對(duì)V32求導(dǎo)，得：
32=－k31x231+x31z32+z3232+•T3Γ33=
－k31x231+z32(x31+32－α31x3131)+•T3Γ33=
－k31x231+z32(x31+a2x31+b2x32－c2u2+
c3u3+WT3Φ3+k31x32)+•T3Γ33=
－k31x231+z32(x31+a2x31+b2x32－c2u2+
c3u3+T3Φ3+k31x32)+z32T3Φ3+
•T3Γ33=
－k31x231+z32(x31+a2x31+b2x32－c2u2+
c3u3+T3Φ3+k31x32)+(z32ΦT3+•T3Γ3)3 (43)
選取控制量為
u3=1c3(－x31－a2x31－b2x32+c2u2－
T3Φ3－k31x32－k32z32)(44)
其中，k31＞0，k32＞0為可調(diào)參數(shù)。
權(quán)值自適應(yīng)律3為
•3=z32Γ－T3Φ3=(x32+k31x31)Γ－T3Φ3(45)
3.3.3 穩(wěn)定性分析
由定理1，對(duì)于子系統(tǒng)Σ2，由式(31)，顯然V22是正定的，又22=－k21x221－k22z222，由于k21，k22為大于零的可調(diào)參數(shù)，所以22是負(fù)定的，當(dāng)x21
SymboleB@
，z22
SymboleB@
時(shí)，V22
SymboleB@
，所以x21，z22在平衡狀態(tài)是大范圍漸近穩(wěn)定的。又由式(28)和式(29)可知，當(dāng)t
SymboleB@
，x210，z220時(shí)，有x220，所以x21，x22在平衡狀態(tài)是大范圍漸近穩(wěn)定的。同理可得，x31，x32在平衡狀態(tài)是大范圍漸近穩(wěn)定的。
4 仿真分析
本節(jié)為了證實(shí)所提出的控制器的有效性，在matlab/simulink環(huán)境下進(jìn)行了仿真驗(yàn)證。
仿真參數(shù)如下［9］：衛(wèi)星本體質(zhì)量為1050 kg，質(zhì)量塊質(zhì)量為1 kg，衛(wèi)星本體和質(zhì)量塊之間的初始相對(duì)距離為rrel=1×10－3m，衛(wèi)星本體和質(zhì)量塊之間的初始相對(duì)姿態(tài)為φrel=1•π/180rad，衛(wèi)星本體和質(zhì)量塊之間的耦合水平彈性系數(shù)Ktrans=1×10－6N/m，水平阻尼系數(shù)Dtrans=1.4×10－11N/m2，衛(wèi)星本體和質(zhì)量塊之間的耦合旋轉(zhuǎn)彈性系數(shù)Krot=1×10－9N•m/rad，旋轉(zhuǎn)阻尼系數(shù)Drot=3.3×10－14N/rad，衛(wèi)星本體的轉(zhuǎn)動(dòng)慣量Isc=200kg•m2，質(zhì)量塊的轉(zhuǎn)動(dòng)慣量Itm=2.667×10－4kg•m2。
仿真結(jié)果如圖1―圖3所示。
圖1 衛(wèi)星本體與質(zhì)量塊的相對(duì)位移
圖2 衛(wèi)星本體的姿態(tài)
從圖1中可以看出，在含有不確定的情況下，通過(guò)設(shè)計(jì)的控制器，衛(wèi)星本體與質(zhì)量塊的相對(duì)位移最終趨于零，說(shuō)明衛(wèi)星本體能夠很好的跟蹤質(zhì)量塊，達(dá)到dragfree控制的要求，并且精度在10－6數(shù)量級(jí)，滿足dragfree控制的精度需求。圖2~圖3給出了衛(wèi)星本體的姿態(tài)以及衛(wèi)星本體與質(zhì)量塊的相對(duì)姿態(tài)及其控制精度，仿真結(jié)果很好的滿足了衛(wèi)星本體與質(zhì)量塊姿態(tài)的一致性。
圖3 衛(wèi)星本體與質(zhì)量塊的相對(duì)姿態(tài)
5 結(jié) 論
本文針對(duì)無(wú)拖曳衛(wèi)星控制系統(tǒng)，考慮到系統(tǒng)的不確定性、未建模動(dòng)態(tài)以及外界的未知擾動(dòng)，采用神經(jīng)網(wǎng)絡(luò)的方法進(jìn)行補(bǔ)償，基于Lyapunov 穩(wěn)定性理論，結(jié)合自適應(yīng)反步控制，得到權(quán)值的更新律以及相應(yīng)的控制器。仿真結(jié)果表明，所設(shè)計(jì)的控制器有效地抑制了不確定對(duì)控制系統(tǒng)的影響。
與傳統(tǒng)衛(wèi)星控制系統(tǒng)相比，無(wú)拖曳衛(wèi)星對(duì)控制系統(tǒng)提出了極高的性能指標(biāo)要求，下一步將考慮存在耦合時(shí)，衛(wèi)星模型的建立和控制器的設(shè)計(jì)。
參考文獻(xiàn)
［1］ 施梨，曹喜濱，張錦繡，等. 無(wú)阻力衛(wèi)星發(fā)展現(xiàn)狀［J］. 宇航學(xué)報(bào), 2010,31(6):1511-1520.
［2］ PETTAZZI L, LANZON A,THEILS. Design of Robust Decentralized Controllers for Dragfree Satellite［C］.Proc.47th IEEE conf. Decision and Control, 2008:602-607.
［3］ PETTAZZI A,LANZON A,THEIL S. Design of Robust Drag-Free Controllers with Given Structure［J］. GUIDANCE, CONTROL, AND DYNAMICS, 2009,32(5):1609=1620.
［4］ ANDREIS D,CANUTO E. DragFree and Attitude Control for the GOCE satellite［C］.Proc.44th IEEE conf. Decision and Control, 2005:4041-4046.
［5］ CANUTO E,BONA B,CALAFIORE BM. Indri. Dragfree control for the European satellite GOCE. Part I:modelling［C］.Proc.41th IEEE conf. Decision andControl, 2002:1269-1274.
［6］ 曹喜濱，施梨，董曉光，等. 基于干擾觀測(cè)的無(wú)阻力衛(wèi)星控制器設(shè)計(jì)［J］.宇航學(xué)報(bào), 2012,33(4):411-418.
［7］ 李傳江，王玉爽，馬廣富，等. 帶卡爾曼估計(jì)器的無(wú)拖曳衛(wèi)星干擾補(bǔ)償控制［J］.哈爾濱工業(yè)大學(xué)學(xué)報(bào), 2012,44(7):8-13.
［8］ 李洪銀，胡明. 單測(cè)試質(zhì)量無(wú)拖曳衛(wèi)星無(wú)拖曳及姿態(tài)系統(tǒng)仿真及其控制研究［J］.天文學(xué)報(bào), 2011,52(6):525-536.
［9］ 王玉爽. 無(wú)拖曳衛(wèi)星控制方法研究［D］. 哈爾濱：哈爾濱工業(yè)大學(xué), 2011.
［10］宋申民，于志剛，段廣仁. BTT導(dǎo)彈自適應(yīng)神經(jīng)網(wǎng)絡(luò)控制［J］.宇航學(xué)報(bào), 2007,28(5):1224-1230.
關(guān)鍵詞： 正交基神經(jīng)網(wǎng)絡(luò)； 非線性； 衛(wèi)星信道； 預(yù)失真
中圖分類號(hào)： TN927?34 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2013）09?0040?03
0 引 言
高功率放大器是衛(wèi)星通信系統(tǒng)中的重要組成部分，當(dāng)其工作在飽和區(qū)附近時(shí)，衛(wèi)星信道具有嚴(yán)重的非線性。這種非線性對(duì)信號(hào)的影響主要有兩方面[1]：一是信號(hào)星座圖發(fā)生變形，造成碼間串?dāng)_（ISI）；二是頻譜再生，引起鄰近信道干擾（ICI）。
隨著現(xiàn)代通信技術(shù)和多媒體業(yè)務(wù)的高速發(fā)展，大容量高速率的信息傳輸十分必要，衛(wèi)星通信也以不可抵擋之勢(shì)向高速率大容量的方向迅猛發(fā)展。由于通信速率和通信帶寬的迅猛增加，頻譜資源越來(lái)越緊張，現(xiàn)代衛(wèi)星通信更趨向于采用比恒包絡(luò)調(diào)制頻譜效率更高的幅度相位聯(lián)合調(diào)制方式，如DVB?S2標(biāo)準(zhǔn)中的APSK等調(diào)制方式[2?3]。與傳統(tǒng)的相位調(diào)制技術(shù)相比，APSK信號(hào)由于其信號(hào)幅度的變化，對(duì)衛(wèi)星信道的非線性失真更加敏感。為保證通信性能，必須對(duì)信道的非線性失真進(jìn)行補(bǔ)償。
1 高功放的非線性特性及其對(duì)系統(tǒng)性能的影響
高功放的工作特性分為線性區(qū)和非線性區(qū)，當(dāng)輸入信號(hào)功率較低時(shí)，輸出和輸入功率關(guān)系是線性的；當(dāng)輸入功率較高時(shí)，輸出和輸入功率關(guān)系呈現(xiàn)出非線性，當(dāng)輸出功率達(dá)到飽和，再增加輸入功率，輸出功率不會(huì)增大還可能會(huì)減小。
高功放非線性模型非常多，本文采用經(jīng)典的Saleh模型，該模型中幅度和相位的輸出僅與輸入信號(hào)的幅度有關(guān)。其幅度和相位轉(zhuǎn)移特性曲線如圖1所示，當(dāng)輸入信號(hào)歸一化幅度小于0.6時(shí)，幅度轉(zhuǎn)移和相位轉(zhuǎn)移呈現(xiàn)線性，大于0.6時(shí)，其轉(zhuǎn)移特性呈現(xiàn)非線性。
圖2為16APSK信號(hào)經(jīng)過(guò)非線性高功放的收發(fā)信號(hào)星座圖?？梢钥闯?，接收信號(hào)星座圖已經(jīng)發(fā)生嚴(yán)重畸變，外圈星座點(diǎn)半徑被壓縮，內(nèi)圈星座點(diǎn)半徑擴(kuò)大，內(nèi)外圈星座點(diǎn)歐式距離被縮?。恍亲c(diǎn)相對(duì)原來(lái)位置發(fā)生逆時(shí)針旋轉(zhuǎn)；碼間串?dāng)_很大，星座點(diǎn)扭曲嚴(yán)重。由于高功放非線性效應(yīng)的影響，在不加補(bǔ)償?shù)那闆r下，接收機(jī)已經(jīng)不能正常工作。
2 正交基神經(jīng)網(wǎng)絡(luò)
正交基前向神經(jīng)網(wǎng)絡(luò)模型如圖3所示。該網(wǎng)絡(luò)模型由輸入層、隱藏層和輸出層組成。其中輸入層、輸出層各有一個(gè)神經(jīng)元，使用線性激勵(lì)函數(shù)[f（x）=x]，隱藏層有[n]個(gè)神經(jīng)元，采用一組階次逐漸增高的正交多項(xiàng)式[φ（x）]作為其激勵(lì)函數(shù)。
傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)存在收斂速率慢和易陷入局部極小等缺點(diǎn)，文獻(xiàn)[4]提出了一種Chebyshev正交基神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)的隱藏層神經(jīng)元采用Chebyshev正交多項(xiàng)式，即文獻(xiàn)[4]采用基于偽逆的方法，實(shí)現(xiàn)了一步權(quán)值直接確定，不需要迭代，具有更高的計(jì)算速率和工作精度，同時(shí)不存在局部極小的問(wèn)題?？紤]到Chebyshev正交基神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)，將其應(yīng)用到衛(wèi)星非線性信道的補(bǔ)償技術(shù)中。
3 基于正交基神經(jīng)網(wǎng)絡(luò)的預(yù)失真補(bǔ)償算法
正交神經(jīng)網(wǎng)絡(luò)預(yù)失真系統(tǒng)框圖如圖4所示。[x（n）]為預(yù)失真器的輸入，[y（n）]為預(yù)失真器的輸出、高功放的輸入，[z（n）]為高功放的輸出，用[M（?）]和[N（?）]分別表示預(yù)失真器的幅度和相位轉(zhuǎn)移特性，預(yù)失真器的輸入輸出關(guān)系為[1]：
