【正文】 j][i],amp。wdsth1[i])。jwIN。 float x。 /*printf(循環(huán) %4d 次后 err[%d]為 : %e\n,ct,i,err[i])。 } if ((wfperr=fopen(wszerr,w))==NULL) { /* printf(Can39。 wOV[i]=wpbMap(x,m,n,h,l)。 } wforward()。 } for (k=0。 float l=wymax[wIN+k]。wIT[j][i])。iwTN。 } for (i=0。t write output data file:%s!,wszOut)。wdv[j][i],amp。wdsth[i],amp。i++) { for (j=0。 float err[wON]。 28 一些數據不止一個數量級，存在奇異樣本數據，訓練前要對輸入參數進 行歸一化處理。*/ } fclose(wfperr)。t write Weight data file:%s!,wszWt)。 } fprintf(wfpwt,%e,%e,%e\n,wsth[i],wdsth[i],wdsth1[i])。 if ((wfpwt=fopen(wszWt,w))==NULL) { /*printf(Can39。iwON。k++) { for (i=0。 printf(Please wait patiently!\n)。 printf(\n)。 wdw1[i][j]=wdw[i][j]。 wdsto1[j]=wdsto[j]。j++) { for (i=0。iwHN。 j =1， 2， … ， p t =1， 2， … ， q k=1， 2， … ， m 中間層至輸入層的校正量為 ..kkij j iW e a??? （ ） . kjje???? （ ） 式中： kje ——中間層 j 單元的校正誤差。j++) { sum+=wv[j][i]*wHV[j]。j++) { sum+=ww[j][i]*wIV[j]。 利用以上各式就可以計算出一個輸入模式的順傳播過程。特別是它的數學意義明確、步驟分明的學習算法，更使其具有廣泛的應用前景。主要是對數據的正向傳播和誤差數據的反向傳播。)，輸出層的傳遞函數為 f2( 第 j 個神經元的凈輸入值 Sj 為： jjijini bxwxw ????? ??1js 圖 BP 神經元 其中： Tni xxxxX ]. . .. . .[ 21? ， ]......[ 21 jnjijjj wW ? 若視 1x0? ， jj bw?0 ，即令 x 及 jw 包括 ox 及 0jw ，則 Tnxxxxx ]...[ 210? ， ]. . . .. . .[ 210 jnjijjj j ? 于是節(jié)點 j 的凈輸入 Sj 可表示為： xwxws jijinij ??? ??? 0 凈輸入 Sj 通過傳遞函數（ Transfer Function） f( BP (Back Propagation)神經網絡，即誤差反傳誤差反向傳播算法的學習過程，由信息的正向傳播和誤差的反向傳播兩個過程組成。是在生物神經細胞的基礎上建立起來的。這一過? 12 程稱為神經網絡的學 習或訓練，其本質是可變權值的動態(tài)調整。 關于學習的神經機制，涉及神經元如何分布、處理和存儲信息。 人工神經網絡的模型有很多種，可以按照不同的方法分類。神經細胞之間的通信是通過其具有可塑性的突觸禍合實現的，這使它們成為一個的整體。最常用的非線性變換函數是單極性的 Sigmoid 函數曲線，簡稱 S型函數 (圖 )，其特點是函數本身及其導數都是連續(xù)的，因而在處理上十分方便。基本單元的神經元模型包括三個基本要素：一組求和函數 (對應于生 物神經元的突觸 )—連接強度由各連接上的權值表示，權值為正表示啟動，為負表示抑制；一個求和單元 —用于求取各輸入信號的加權和 (線性組合 )；一個非線性啟動函數 —起非線性映射作用并將神經元輸出幅度限制在一定范圍內 (一般限制在 (0， l)或 (1， +l)之間 )。在人工神經網絡中，神經元常被稱為 “處理單元 ”，有時從網絡的觀點出發(fā)常把它稱為 “節(jié)點 ”。突觸使神經細胞的膜電位發(fā)生變化，且電位的變化是可以累加的，該神經細胞膜電位是它所有突觸產生的電位總和，當該神經細胞的膜電位升高到超過一個閾值時，會產生一個脈沖，從而總和的膜電位直接影響該神經細胞興奮發(fā)放的脈沖數。在高等動物的神經細胞，除了特殊的無 “軸突 ”神經元外，一般每個神經元從細胞體伸出一根粗細均勻、表面光滑的突起，長度從幾微米到 1m左右，稱為軸突，它的功能是傳出從細胞體來的神經信息。 最后，網絡的學習和記憶具有不穩(wěn)定性。誤差通過輸出層，按誤差梯度下降的方式修正各 層權值，向隱層、輸入層逐層反傳。在網絡模型與算法研究的基礎上，利用人工神經網絡組成實際的應用系統，例如，完成某種信號處理或 模式識別 的功能、構作專家系統、制成機器人等等。從生理學、心理學、解剖學、腦科學、病理學等生物科學方面研究神經細胞、神經網絡、神經系統的生物原型結構及其功能機理。 2． 信息處理是通過神經元之間同時相互作用的動態(tài)過程來完成的。這一背景預示，向人工神經網絡尋求出路的時機已經成熟。當時，世界上許多實驗室仿效制作感知機，分別應用于文字識別、聲音識別、聲納信號識別以及學習記憶問題的研究。諾依曼領導的設計小組試制成功存儲程序式電子計算機，標志著電子計算機時代的開始。 關鍵字 ： BP 神經網絡；應用； C 語言 ；汽車保有量；預測 全套設計，加 153893706 II ABSTRACT Artificial neural work theory is newly developed the interdisciplinary, adopting physical device or puter hardware and software simulation of the nerve cells in biological structure and function, and then some of its application in engineering field, especially suitable for highly plex nonlinear dynamic system simulation. Artificial neural work has been in the binatorial optimization, pattern recognition, image processing, automatic control, signal processing, robot, and artificial intelligence and other areas to be wide ly applied, especially in engineering areas has been gradually paid more attention . Artificial neural work for nonlinear dynamic system research in automotive dynamics, recently modeling and simulation field also get great attention. Many industrial production process exist time delay and large time constant, bigger control difficulty, traditional control strategies on such controlling problems is difficult to obtain satisfactory results. In order to solve this kind of problem, predictive control arises at the historic moment. Predictive control is a model based control strategy. Back propagation (BP) neural work is currently the most widely used neural work, it is simple in structure, work, and a large number of stable status work algorithm are proposed to increase training speed. Key words: BP neural work； Application； C language； Auto possession； Prediction 目 錄 摘要 ............................................................................................................................... I ABSTRACT ...............................................................................................................II 第 1 章 緒論 .............................................................................................................. 1 人工神經網絡的發(fā)展歷史 .............................................................................. 1 人工神經網絡的特性 ...................................................................................... 2 BP 神經網絡 .................................................................................................. 3 第 2 章 神經網絡預測基本原理 ......................................................................... 5 生物神經元模型 .............................................................................................. 5 人工神經元模型 .............................................................................................. 6 人工神經網絡模型 ........................................................................................ 10 人工神經網絡的學習 .................................................................................... 11 本章小結 ........................................................................................................ 12 第 3 章 BP 神經網絡結構及數學模型 ........................................................... 13 BP 神經網絡結構 ........................................................................................... 13 BP 神經元 ....................................................................................................... 14 BP 網絡 ............................