应用神经网络校准测量仪器

　　现代土业的发展，对产品质量的要求越来越高，而各种测量仪器的精度是质量控制的币要依据和保证。如何经济有效地提高测量仪器的精度成了众多生产者一所考虑的一方自。事实上，人们在对很多测量仪器定标时一，都采用了传统的曲线拟合或取近似直线段的方法来确定输入输出量间的关系，人为地把测量系统视作线性系统;另一方ICI，测量仪器在使用中，往往受到多种因素的影响，使得它们的输入输出特性存在复杂的非线性，势必会产生误差。木文运用人土神经网络artificial cural ctworks /对仪器进行校准，并通过实验来验证。从而为提高仪器的不值精度提供了一种新方法。

　　1 ANN基木原理

　　八NN的基木组成单儿是神经儿，其构成如图1所不。分别为神经儿的，个输入信号，何个信号乘以代表它与该神经儿连接紧密程度的权系数、然后相加，日与其阀值e相比较，得到该神经儿的净输入J:v n即

　　再经过一个非线性激发函数F的作用后，就成为该神经W的输出值OUT。一般的激发函数有阶跃函数，双曲正切函数和S形函数，通常选用后者一，即

　　将这样的许多神经儿分层排列，就形成了神经网络。

　　2 BY神经网络模型及算法

　　BP hack Propagation)神经网络是一种应用泛的多层前馈网络，其学习算法是建立在误差梯度下降基础上的权值优化过程，由正向传播和反向传播组成。在正向传播中，输入信号从输入层通过作用函数，向隐层和输出层传播。何一层神经儿的状态只影响下一层的状态。如果在输出层得不到期望的输出，则转入反向传播，将误差沿原路返回，一路修改各神经儿的连接权值，再正向传播，直到输出误差满足精度要求为止。图2为其典型模型，它由输入层、中间层能层)和输出层构成。图中隐层只有一层。由神经网络基木原理可知，各层的输出值分别为

　　式中:X为输入层第i个节点的输入值;Y}为中间层第j个节点的输出值;Z,.为输出层第h.个节点的输出值;、。为输入层第i个节点到中间层第j个节点的权系数J、为中间层第j个节点到输出层第h.个节点的权系数;乓为中间层第j个节点的内部阀值;B、为输出层第h个节点的内部阀值。

　　如果输出层第h个节点的输出期望值为C}J.，则网络误差五为

　　我们用许多训练样木侮个样木含有输入信号X, } Xz，XI和输出期望值d, } d2，d },来训练网络，何次训练后，权系数改变一次，中间层到输出层权系数修改公式为

　　这样使得网络权系数合理改变，最终满足精度要求E<3经过训练的即网络，对十不是样木中的输入，也能给出合适的输出，这种性质就是所谓的泛化功能;而从拟合的角度看，PP网络无疑具有插值功能。