基于C语言的BP神经网络预测程序开发开题报告

毕业设计（论文）开题报告设计（论文）题目: 基于C语言的BP神经网络预测程序开发院 系 名 称: 汽车与交通工程学院 专 业 班 级: 车辆工程B07-11班 学 生 姓 名: 导 师 姓 名: 开 题 时 间: 2011年3月2日 指导委员会审查意见： 签字： 年 月 日毕业设计（论文）开题报告学生姓名系部汽车与交通工程学院专业、班级指导教师姓名职称实验师从事专业汽车工程指导教师姓名题目名称基于C语言的BP神经网络预测程序开发一、课题研究现状、选题目的和意义神经网络是在现代神经科学研究成果的基础上, 对生物神经系统的结构和功能进行数学抽象、简化和模仿而逐步发展起来的一种新型信息处理和计算系统。人工神经网络由大量结构简单的神经元按各种拓扑结构组成, 它的整体特征是由每个节点的特性、网络的拓扑结构和学习算法决定的。建立人工神经网络模型, 运用其记忆能力对一直数据进行学习记忆, 再利用其联想能力对为止问题进行识别和预测等。误差反向传递训练算法的BP 网络是神经网络中最常见的一类网络形式, 也是目前研究最多、最成熟的神经网络系统。据统计, 80%90%的神经网络模型采用了BP 网络或者它的改进形式。BP 神经网络采用误差反传学习算法( 也称BP 算法) , 是一种多层前馈网络使用的监控式学习算法。BP 网络是一种有导师的学习算法,其主要思想是把整个学习过程分为4 个部分: 一是输入模式从输入层经隐含层传向输出层的: “模式顺传播”过程; 二是网络的希望输出与实际输出之差的误差信号由输出层经隐含层向输入层逐层修正连接权的“误差逆传播”过程; 三是由“模式顺传播”和“误差逆传播”的反复交替进行的网络“记忆训练”过程; 四是网络趋向收敛即网络的全局误差趋向极小值的“学习收敛”过程。 人工神经网络是在现代神经生物学研究基础上提出的模拟生物过程，反映人脑某些特性的一种计算结构。它不是人脑神经系统的真实描写，而只是它的某种抽象、简化和模拟。根据前面对生物神经网络的介绍可知，神经元及其突触是神经网络的基本器件。因此，模拟生物神经网络应首先模拟生物神经元。在人工神经网络中，神经元常被称为“处理单元”，有时从网络的观点出发常把它称为“节点”。人工神经元是对生物神经元的一种形式化描述，它对生物神经元的信息处理过程进行抽象，并用数学语言予以描述；对生物神经元的结构和功能进行模拟，并用模型图予以表达。 目前人们提出的神经元模型己有很多，其中最早提出且影响最大的，是1943年心理学索 McCul1oh和数学家W.Pitts在分析总结神经元基本特性的基础上首先提出的M-P模型。该模型经过不断改进后，形成目前广泛应用的神经元模型形式。关于神经元的信息处理机制，该模型在简化的基础上提出以下6点假定进行描述： (1)每个神经元都是一个多输入单输出的信息处理单元； (2)神经元输入分兴奋性输入和抑制性输入两种类型； (3)神经元具有空间整合特性和阂值特性； (4)神经元输入与输出间有固定的时滞，主要取决于突触延搁； (5)忽略时间整合作用和不应期； (6)神经元本身是非时变的，即其突触时延和突触强度均为常数。 神经细胞是构筑神经系统和人脑的基本单元，它既具有结构和功能的动态特性，又具有时间和空间的动态特性，其简单有序的编排构成了完美复杂的大脑。神经细胞之间的通信是通过其具有可塑性的突触祸合实现的，这使它们成为一个有机的整体。人工神经网络就是通过对人脑的基本单元神经细胞一一的建模和连接，来探索模拟人脑神经系统功能的模型，其任务是构造具有学习、联想、记忆和模式识别等智能信息处理功能的人工系统。在各种智能信息处理模型中，人工神经网络是最具有大脑风格的智能信息处理模型，许多网络都能反映人脑功能的若干基本特性，但并非生物系统的逼真描述，只是对其局部电路的某种模仿、简化和抽象。大量神经元组成庞大的神经网络，才能实现对复杂信息的处理与存储，并表现出各种优越的特性。神经网络的强大功能与其大规模并行互连、非线性处理以及互连结构的可塑性密切相关。因此必须按一定规则将神经元连接成神经网络，并使网络中各神经元的连接权按一定规则变化。生物神经网络由数以亿计的生物神经元连接而戒，而人工神经网络限于物理实现的困难和为了计算简便，是由相对少量的神经元按一定规律构成的网络。人工神经网络中的神经元常称为节点或处理单元，每个节点均具有相同的结构，其动作在时间和空间上均同步。人工神经网络的模型很多，可以按照不同的方法进行分类。其中常见的两种分类方法是：按网络连接的拓扑结构分类和按网络内部的信息流向分类。（1）按照网络拓扑结构类型神经元之间的连接方式不同，网络的拓扑结构也不同。根据神经元之间连接方式，可将神经网络结构分为层次型结构、互连型结构两大类。（2）根据神经网络内部信息的传递方向，可分为前馈型网络、反馈型网络两种类型。 目前国外在工程上获得实际应用的神经元模型，大部分是BP（Back Propagition BP，误差反馈）网络。BP（Back Propagation）网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层（input）、隐层(hide layer)和输出层(output layer)（如图3.9所示）。 BP网络的学习过程主要由四部分组成：（1） 输入模式顺传播（输入模式由输入层经中间层向输出层传播计算）；（2） 输出误差逆传播（输出的误差由输出层经中间层传向输入层）；（3） 循环记忆训练（模式顺传播与误差逆传播的计算过程反复交替循环进行）；（4） 学习结果判别（判定全局误差是否趋向极小值）。就是根据这四个过程并分别编程。二、设计（论文）的基本内容1. 熟悉C语言软件2研究BP网络工作原理3. 神经网络训练、测试过程编程4. 预测实例三、技术路线（研究方法）调查研究、收集资料对系统进行数学建模设计算法用C语言编写程序调试程序对系统进行学习训练用数据对系统进行测试整理文档，形成设计说明书 四、进度安排（1）熟悉任务书，了解相关信息，准备资料，填写开题报告：第12周（3月1日3月14日）（2）建立精确BP数学模型，提相应问题：第34周（3月15日3月28日）（3）确定算法及中期检查：第56周（3月29日4月11日）（4）编程序：第711周（4月12日5月9日）（5）运行调试；第1213周（5月10日5月30日）（6）设计说明书评阅、审核及修改不足：第1416周（5月31日6月20日）（7）为毕业设计答辩做准备及答辩：第17周（6月21日6月27日）五、参考文献1艾立群. 人工神经网络在钢铁工业中的应用J. 钢铁研究学报. 1997, 9(4):60-63.2王秀梅, 王国栋, 刘相华. 人工神经网络和数学模型在热连轧机组轧制力预报中的综合应用J.钢铁，1999, 34(3):37-43.3牛济泰, 孙雷剑, 李海涛.基于人工神经网络的微合金钢热轧奥氏体晶粒尺寸模型的研究J. 材料科学与工艺，1999, 7(3):12-16.4高永生, 张鹏, 崔军, 等. 应用人工神经网络预测50CrV4钢的变形抗力J. 钢铁, 1998， 33(4):27-30.5王铁, 陈进. BP算法中学习率及形状因子对学习速度的综合影响J. 上海交通大学学报，1997， 31(3) :109-112.6Bellomo P, Palchetti M, Maria E S，et al . Neural Networks Utilization for Breakout MonitoringA. Steelmaking Conference ProceedingC. Nashville : A Publication of t he Iron and Steel Society, 1995. 345.7Ludwig. Thermophysical Properties Necessary for Advanced Casting SimulationJ. International Journal of Thermophysics. 2002, 23(5):1131-1146.8Kurz W, Grugel R N. Columnar dendritic growth: experiment and theory J. Materials Science Forum, 1991, (77): 185-204.指导教师意见：签字： 年 月 日 学生姓名：