1 BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法
    BP模型是一種應(yīng)用最廣泛的多層前向拓?fù)浣Y(jié)構(gòu)，以三層BP神經(jīng)網(wǎng)絡(luò)作為理論依據(jù)進(jìn)行編程，它由輸入層、隱層和輸出層構(gòu)成。設(shè)輸入層神經(jīng)元個(gè)數(shù)為I，隱層神經(jīng)元個(gè)數(shù)為J，輸出層神經(jīng)元個(gè)數(shù)為K，學(xué)習(xí)樣本有N個(gè)(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(jié)點(diǎn)i，其輸出等于xi(i=1，2，…，I，將控制變量值傳輸?shù)诫[含層，則隱層第j個(gè)神經(jīng)元的輸入：

   
    其中：Wji是隱層第J個(gè)神經(jīng)元到輸入層第i個(gè)神經(jīng)元的連接權(quán)值。
    (2)隱層第J個(gè)神經(jīng)元的輸出：

   
    (3)神經(jīng)網(wǎng)絡(luò)輸出層，第k個(gè)神經(jīng)元的輸入為：

   
    其中：Vkj是輸出層第k個(gè)神經(jīng)元到隱層第j個(gè)神經(jīng)元的連接權(quán)值。
    (4)神經(jīng)網(wǎng)絡(luò)輸出層，第志個(gè)神經(jīng)元的輸出為：

   
    (5)設(shè)定網(wǎng)絡(luò)誤差函數(shù)E：

    (6)輸出層到隱層的連接權(quán)值調(diào)整量△Vkj：

   
    (7)隱層到輸入層的連接權(quán)值調(diào)整量wji：

2 用LabVlEW實(shí)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)的兩種方法
    用LabVIEw實(shí)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)的兩種方法為：
    (1)由于Matlab具有強(qiáng)大的數(shù)學(xué)運(yùn)算能力以及在測控領(lǐng)域的廣泛應(yīng)用。在LabVIEW中提供了MatlabScript節(jié)點(diǎn)，用戶可在節(jié)點(diǎn)中編輯Matlab程序，并在Lab—VIEW中運(yùn)行；也可以在LabVIEW程序運(yùn)行時(shí)直接調(diào)用已經(jīng)存在的Matlab程序，如使用節(jié)點(diǎn)則必須在系統(tǒng)中安裝：Matlab5以上版本，在寫入Matlab節(jié)點(diǎn)前要將程序先調(diào)試通過，并確保其中變量的數(shù)據(jù)類型匹配。
    (2)由于LabVIEW的圖形程序是獨(dú)立于運(yùn)行平臺(tái)的，而且是一種數(shù)據(jù)驅(qū)動(dòng)的語言，可以方便地實(shí)現(xiàn)算法且易修改，結(jié)合其SubVI技術(shù)可以增加程序的利用率，因此可以采用圖形編程的方法實(shí)現(xiàn)前向網(wǎng)絡(luò)的算法。
2．1 利用Matlab Scriipt節(jié)點(diǎn)實(shí)現(xiàn)
    在此以對(duì)一個(gè)非線性函數(shù)的逼近作為例子來說明實(shí)現(xiàn)流程，其中輸入矢量p=[一1：O．05：1]；目標(biāo)矢量f—sin(2。pi*p)+0．1randn(size(p))。利用．Mat—lab Script節(jié)點(diǎn)實(shí)現(xiàn)BP算法的過程如下：
    (1)新建一個(gè)LabVIEw vi，在框圖程序中添加Matlab Script節(jié)點(diǎn)。
    (2)在節(jié)點(diǎn)內(nèi)添加Matlab的動(dòng)量BP算法實(shí)現(xiàn)代碼，并分別在節(jié)點(diǎn)左右邊框分別添加對(duì)應(yīng)的輸入／輸出參數(shù)，如圖1所示。
    (3)在vi的前面板添加相應(yīng)的控件，設(shè)置輸入?yún)?shù)，連接輸出控件。執(zhí)行程序，結(jié)果如圖2、圖3所示。

    此方法能夠直接利用Matlab強(qiáng)大的神經(jīng)網(wǎng)絡(luò)工具箱，程序運(yùn)行時(shí)會(huì)自動(dòng)調(diào)用系統(tǒng)中已安裝的Matlab進(jìn)行計(jì)算，不用進(jìn)行復(fù)雜的編程，開發(fā)效率很高。
2．2 利用圖形編程實(shí)現(xiàn)
    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(fā)工具，它無需任何文本程序代碼，而是把復(fù)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(gè)設(shè)備狀態(tài)分類器設(shè)計(jì)作為例子來說明實(shí)現(xiàn)流程輸入，該設(shè)備有8個(gè)輸入分量，即溫度、濕度等外部條件；而輸出狀態(tài)則有3種，分別為正常、偏小、偏大。這里采用12個(gè)訓(xùn)練樣本，每個(gè)樣本有8個(gè)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(biāo)準(zhǔn)輸出數(shù)據(jù)(見圖4、圖5)。

    BP神經(jīng)網(wǎng)絡(luò)隱層輸入在LabVIEw中的實(shí)現(xiàn)。根據(jù)BP學(xué)習(xí)算法中式(1)編寫相應(yīng)的程序。其中x為輸入樣本；w為隱層輸入權(quán)值，主要應(yīng)用LabVIEw中的函數(shù)一數(shù)學(xué)一線性代數(shù)一矩陣A×B實(shí)現(xiàn)權(quán)值與輸入樣本的矩陣相乘，并通過For循環(huán)計(jì)算得到BP神經(jīng)網(wǎng)絡(luò)的
隱層輸人H(見圖6)。
    (2)BP神經(jīng)網(wǎng)絡(luò)隱層輸出H的圖形化程序。根據(jù)算法中的式(2)編寫，由于在很多測試實(shí)踐中參數(shù)間的關(guān)系是非線性的，這里主要應(yīng)用Sigmoid型tansig函數(shù)作為隱層的傳遞函數(shù)，主要應(yīng)用程序面板中函數(shù)一數(shù)學(xué)一數(shù)值及基本與特殊函數(shù)等數(shù)學(xué)控件實(shí)現(xiàn)(見圖7)。
    (3)BP神經(jīng)網(wǎng)絡(luò)輸出層的輸入及輸出程序框圖與隱層的類似，分別根據(jù)式(3)、式(4)編程即可實(shí)現(xiàn)，在此不再重復(fù)。
    (4)網(wǎng)絡(luò)誤差函數(shù)E的圖形化程序。根據(jù)算法中式(5)編寫程序，其中：t為理想輸出，y為網(wǎng)絡(luò)輸出。其中應(yīng)用函數(shù)一數(shù)學(xué)一基本與特殊函數(shù)中的指數(shù)函數(shù)控件來實(shí)現(xiàn)(見圖8)。

    (5)BP神經(jīng)網(wǎng)絡(luò)各參數(shù)調(diào)整量的圖形化程序根據(jù)上述學(xué)習(xí)算法中的式(6)和式(7)，其中：x為網(wǎng)絡(luò)輸入樣本；y，￡分別為網(wǎng)絡(luò)實(shí)際輸出和期望輸出；h為隱層輸出；v為隱層輸出權(quán)值。通過調(diào)用LabVIEw軟件中數(shù)學(xué)計(jì)算控件，經(jīng)過一系列數(shù)學(xué)計(jì)算，分別得到網(wǎng)絡(luò)隱層輸出權(quán)值調(diào)整量△v以及隱層輸入權(quán)值調(diào)整量△w，如圖9、圖10所示。
    (6)完整的學(xué)習(xí)算法的圖形化程序。將以上各個(gè)程序模塊綜合在一起，可以得到完整的學(xué)習(xí)算法實(shí)現(xiàn)程序，如圖11所示。

    通過設(shè)定網(wǎng)絡(luò)的輸入樣本z、輸出期望t、隱層輸入權(quán)值w，輸出v的初始值，經(jīng)過一系列的矩陣運(yùn)算，獲得調(diào)整后隱層權(quán)值w,v參數(shù)值。運(yùn)行結(jié)果如圖12所示，由圖可以非常直觀看出，網(wǎng)絡(luò)輸出與網(wǎng)絡(luò)理想輸出相當(dāng)接近，說明網(wǎng)絡(luò)訓(xùn)練的結(jié)果是滿意的。

3 結(jié) 語
    在利用LabVIEw實(shí)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)的計(jì)算，方法一通過直接調(diào)用Matlab程序，簡單易行，只是事先需要裝有Matlab5．O以上的版本。方法二運(yùn)用圖形化編程對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行仿真，具有形象、直觀、便于使用和理解的優(yōu)于傳統(tǒng)文本編程語言的特點(diǎn)。