LabVIEW中BP神經網絡的實現及應用

1 BP神經網絡學習算法
BP模型是一種應用最廣泛的多層前向拓撲結構，以三層BP神經網絡作為理論依據進行編程，它由輸入層、隱層和輸出層構成。設輸入層神經元個數為I，隱層神經元個數為J，輸出層神經元個數為K，學習樣本有N個(x，Y，)向量，表示為：輸入向量X{x1，x2，…，xI}，輸出向量l，{Y1，Y2，…，Yx)，理想輸出向量為T{tl，t2，…，tK}。
(1)輸入層節點i，其輸出等于xi(i=1，2，…，I，將控制變量值傳輸到隱含層，則隱層第j個神經元的輸入：

其中：Wji是隱層第J個神經元到輸入層第i個神經元的連接權值。
(2)隱層第J個神經元的輸出：

(3)神經網絡輸出層，第k個神經元的輸入為：

其中：Vkj是輸出層第k個神經元到隱層第j個神經元的連接權值。
(4)神經網絡輸出層，第志個神經元的輸出為：

(5)設定網絡誤差函數E：

(6)輸出層到隱層的連接權值調整量△Vkj：

(7)隱層到輸入層的連接權值調整量wji：

2 用LabVlEW實現BP神經網絡的兩種方法
用LabVIEw實現BP神經網絡的兩種方法為：
(1)由于Matlab具有強大的數學運算能力以及在測控領域的廣泛應用。在LabVIEW中提供了MatlabScript節點，用戶可在節點中編輯Matlab程序，并在Lab―VIEW中運行；也可以在LabVIEW程序運行時直接調用已經存在的Matlab程序，如使用節點則必須在系統中安裝：Matlab5以上版本，在寫入Matlab節點前要將程序先調試通過，并確保其中變量的數據類型匹配。
(2)由于LabVIEW的圖形程序是獨立于運行平臺的，而且是一種數據驅動的語言，可以方便地實現算法且易修改，結合其SubVI技術可以增加程序的利用率，因此可以采用圖形編程的方法實現前向網絡的算法。
2．1 利用Matlab Scriipt節點實現
在此以對一個非線性函數的逼近作為例子來說明實現流程，其中輸入矢量p=[一1：O．05：1]；目標矢量f―sin(2。pi*p)+0．1randn(size(p))。利用．Mat―lab Script節點實現BP算法的過程如下：
(1)新建一個LabVIEw vi，在框圖程序中添加Matlab Script節點。
(2)在節點內添加Matlab的動量BP算法實現代碼，并分別在節點左右邊框分別添加對應的輸入／輸出參數，如圖1所示。
(3)在vi的前面板添加相應的控件，設置輸入參數，連接輸出控件。執行程序，結果如圖2、圖3所示。

此方法能夠直接利用Matlab強大的神經網絡工具箱，程序運行時會自動調用系統中已安裝的Matlab進行計算，不用進行復雜的編程，開發效率很高。
2．2 利用圖形編程實現
LabVIEw是美國NI公司推出的基于圖形化編程的虛擬儀器軟件開發工具，它無需任何文本程序代碼，而是把復雜、繁瑣的語言編程簡化成圖形，用線條把各種圖形連接起來。在此以一個設備狀態分類器設計作為例子來說明實現流程輸入，該設備有8個輸入分量，即溫度、濕度等外部條件；而輸出狀態則有3種，分別為正常、偏小、偏大。這里采用12個訓練樣本，每個樣本有8個分量，3類輸出分別編碼為(O 1)，(1 0)，(1 1)，以下即為輸入樣本及標準輸出數據(見圖4、圖5)。