【文章內(nèi)容簡介】 ren [ Shape { appearance Appearance { material Material { diffuseColor 1 0 0 } } geometry Cylinder { radius 2 height } }, Transform { scale 1 translation 0 1 0 children Shape { appearance Appearance { material Material { diffuseColor 0 1 1 } } geometry Box { size 5 5 5 } } } ] } ]}圖23 旋鈕開關(guān)形成圖像 由零件組成控制面板的小單元整個(gè)控制面板由電源控制器、變頻器面板、智能位式調(diào)節(jié)儀面板、比值器/前饋—反饋補(bǔ)償器、解藕裝置等眾多單元構(gòu)成，下面僅以變頻器面板為例說明各零部件的組合過程。變頻器面板由變頻器，3個(gè)顏色各異的大插孔，7個(gè)顏色各異的小插孔以及一個(gè)電源開關(guān)構(gòu)成。其中變頻器可以用一個(gè)長方體和一個(gè)擠出造型以及一個(gè)圓柱體構(gòu)成，具體制作過程不做贅述。各部件的組合過程是通過控制3D造型進(jìn)行平移，旋轉(zhuǎn)以及比例縮放。這些功能都是通過Transform節(jié)點(diǎn)來實(shí)現(xiàn)，每一個(gè)Transform節(jié)點(diǎn)都創(chuàng)建一個(gè)相對(duì)己有坐標(biāo)系的新坐標(biāo)系，該節(jié)點(diǎn)可以將各種造型有效地更好地結(jié)合在一起創(chuàng)建出更真實(shí)更美觀的VRML虛擬場景。Transform節(jié)點(diǎn)同Group節(jié)點(diǎn)一樣是編組節(jié)點(diǎn)，其語法定義如下：Transform{exposedField MFNode children []exposedField SFVec3f translation exposedField SFRotation rotation exposedField SFVec3f scale exposedField SFRotation scaleOrientation field SFVec3f bboxCenter field SFVec3f bboxSize exposedField SFVec3f center eventIn MFNode addChildren eventIn MFNode removeChildren translation域的域值指定了在父坐標(biāo)系的原點(diǎn)和新坐標(biāo)系的原點(diǎn)之間X，Y，Z方向上的距離。該域值的第一個(gè)值為X方向上的距離，第二個(gè)值為Y方向上的距離，第三個(gè)值為Z方向上的距離。該域值既可正，也可為負(fù)，只是方向相反而已。 ，表示個(gè)方向的距離為0，新坐標(biāo)系和父坐標(biāo)系重合。rotation域的域值指定了一個(gè)旋轉(zhuǎn)軸和旋轉(zhuǎn)角度。新坐標(biāo)系是圍繞該旋轉(zhuǎn)軸旋轉(zhuǎn)一個(gè)該域值所設(shè)定的旋轉(zhuǎn)角度。該域的前三個(gè)值為一個(gè)三維梭鏢的X，Y，Z分量，該三維坐標(biāo)是在新坐標(biāo)系上的，原點(diǎn)和該點(diǎn)相連的虛線就是旋轉(zhuǎn)軸。該域值的第四個(gè)值為以弧度為計(jì)量單位的旋轉(zhuǎn)角度。 ，表示以Z軸為旋轉(zhuǎn)軸，但不發(fā)生旋轉(zhuǎn)[9]。scale域的域值指定了新坐標(biāo)系在X，Y，Z方向上的縮放系數(shù)。該域值的三個(gè)值分別為X，Y，Z方向的縮放系數(shù)。 ，表示在X，Y，Z方向上沒有縮放。利用Transform節(jié)點(diǎn)的這些域進(jìn)行調(diào)整，最終可以將各零部件組成完整的單元。組合好的變頻器面板如圖25所示：圖25 變頻器面板的3D造型 各控制單元組成完整的控制面板控制面板是一個(gè)特殊的造型，因?yàn)榭刂泼姘迳嫌∮泻芏嗟恼f明文字以及電路圖，這些都是控制面板的重要組成部分，而且構(gòu)造十分復(fù)雜然，而利用VRML來實(shí)現(xiàn)這些文字或圖像卻不容易而且效果也不好。因此利用貼圖的方式來實(shí)現(xiàn)這些圖像，將各單元正面的照片貼在做好的單元主體上，再把之前做好的各零部件通過Transform節(jié)點(diǎn)放置在照片上的相應(yīng)位置，將照片上的原型遮擋住。這樣做不但將面板上的文字和電路圖完全重現(xiàn)，而且零部件的定位也更加容易和準(zhǔn)確，這是預(yù)期結(jié)果圖。圖26 控制面板的造型第三章 神經(jīng)網(wǎng)絡(luò)理論BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)模型是神經(jīng)網(wǎng)絡(luò)模型中使用最廣泛的一種。由于BP神經(jīng)網(wǎng)絡(luò)能以任意精度逼近任意非線性函數(shù)、大規(guī)模并行處理和分布式信息存儲(chǔ)及較高的學(xué)習(xí)速率等特性，且結(jié)構(gòu)簡單、易于編程處理，它的應(yīng)用范圍極廣泛。本章來介紹一下BP神經(jīng)網(wǎng)絡(luò)。人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks簡稱ANN)是也簡稱為神經(jīng)網(wǎng)絡(luò)（NNs）或稱作連接模型（Connectionist Model），是對(duì)人腦或自然神經(jīng)網(wǎng)絡(luò)（Natural Neural Network）若干基本特性的抽象和模擬[10]。它由大量的、同時(shí)也是很簡單的神經(jīng)元廣泛互連形成復(fù)雜的非線性系統(tǒng)，已經(jīng)在信息處理模式識(shí)別、智能控制及系統(tǒng)建模等領(lǐng)域得到越來越廣泛的應(yīng)用。人工神經(jīng)網(wǎng)絡(luò)以對(duì)大腦的生理研究成果為基礎(chǔ)的，其目的在于模擬大腦的某些機(jī)理與機(jī)制，實(shí)現(xiàn)某個(gè)方面的功能。國際著名的神經(jīng)網(wǎng)絡(luò)研究專家，第一家神經(jīng)計(jì)算機(jī)公司的創(chuàng)立者與領(lǐng)導(dǎo)人Hecht Nielsen給人工神經(jīng)網(wǎng)絡(luò)下的定義就是：“人工神經(jīng)網(wǎng)絡(luò)是由人工建立的以有向圖為拓?fù)浣Y(jié)構(gòu)的動(dòng)態(tài)系統(tǒng)，它通過對(duì)連續(xù)或斷續(xù)的輸入作狀態(tài)相應(yīng)而進(jìn)行信息處理?！边@一定義是恰當(dāng)?shù)摹Ｈ斯ど窠?jīng)網(wǎng)絡(luò)的研究，可以追溯到 1957年Rosenblatt提出的感知器模型（Perceptron）。它幾乎與人工智能—AI（Artificial Intelligence）同時(shí)起步，但30余年來卻并未取得人工智能那樣巨大的成功，中間經(jīng)歷了一段長時(shí)間的蕭條。直到80年代，獲得了關(guān)于人工神經(jīng)網(wǎng)絡(luò)切實(shí)可行的算法，以及以Von Neumann體系為依托的傳統(tǒng)算法在知識(shí)處理方面日益顯露出其力不從心后，人們才重新對(duì)人工神經(jīng)網(wǎng)絡(luò)發(fā)生了興趣，導(dǎo)致神經(jīng)網(wǎng)絡(luò)的復(fù)興。目前在神經(jīng)網(wǎng)絡(luò)研究方法上已形成多個(gè)流派，最富有成果的研究工作包括：多層網(wǎng)絡(luò)BP算法，Hopfield網(wǎng)絡(luò)模型，自適應(yīng)共振理論，自組織特征映射理論等。人工神經(jīng)網(wǎng)絡(luò)是在現(xiàn)代神經(jīng)科學(xué)的基礎(chǔ)上提出來的[11]。它雖然反映了人腦功能的基本特征，但遠(yuǎn)不是自然神經(jīng)網(wǎng)絡(luò)的逼真描寫，而只是它的某種簡化抽象和模擬。神經(jīng)網(wǎng)絡(luò)的研究可以分為理論研究和應(yīng)用研究兩大方面。理論研究可分為以下兩類：1)．利用神經(jīng)生理與認(rèn)知科學(xué)研究人類思維以及智能機(jī)理。2)．利用神經(jīng)基礎(chǔ)理論的研究成果，用數(shù)理方法探索功能更加完善、性能更加優(yōu)越的神經(jīng)網(wǎng)絡(luò)模型，深入研究網(wǎng)絡(luò)算法和性能，如：穩(wěn)定性、收斂性、容錯(cuò)性、魯棒性等；開發(fā)新的網(wǎng)絡(luò)數(shù)理理論，如：神經(jīng)網(wǎng)絡(luò)動(dòng)力學(xué)、非線性神經(jīng)場等。應(yīng)用研究可分為以下兩類：1）．神經(jīng)網(wǎng)絡(luò)的軟件模擬和硬件實(shí)現(xiàn)的研究。2）．神經(jīng)網(wǎng)絡(luò)在各個(gè)領(lǐng)域中應(yīng)用的研究。這些領(lǐng)域主要包括：模式識(shí)別、信號(hào)處理、知識(shí)工程、專家系統(tǒng)、優(yōu)化組合、機(jī)器人控制等。 隨著神經(jīng)網(wǎng)絡(luò)理論本身以及相關(guān)理論、相關(guān)技術(shù)的不斷發(fā)展，神經(jīng)網(wǎng)絡(luò)的應(yīng)用定將更加深入。神經(jīng)網(wǎng)絡(luò)具有以下特點(diǎn)[12]：（1）可以充分逼近任意復(fù)雜的非線性關(guān)系；（2）所有定量或定性的信息都等勢(shì)分布貯存于網(wǎng)絡(luò)內(nèi)的各神經(jīng)元，故有很強(qiáng)的魯棒性和容錯(cuò)性；（3）采用并行分布處理方法，使得快速進(jìn)行大量運(yùn)算成為可能；（4）可學(xué)習(xí)和自適應(yīng)不知道或不確定的系統(tǒng)；（5）能夠同時(shí)處理定量、定性知識(shí)。 BP神經(jīng)網(wǎng)絡(luò)基于誤差反向傳播( Error Back Propagation)算法的多層前饋網(wǎng)絡(luò)(Multiple Layer Feed forward Network) (簡稱BP網(wǎng)絡(luò))，可以以任意精度逼近任意的連續(xù)函數(shù)，所以廣泛應(yīng)用于非線性建模、函數(shù)逼近、模式分類等方面[13]。雖然BP神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用最廣泛、研究較多的一種網(wǎng)絡(luò)。但是關(guān)于它的開發(fā)設(shè)計(jì)目前為止還沒有一套完整的理論。拓?fù)浣Y(jié)構(gòu)的單隱層前饋網(wǎng)絡(luò)，一般稱為三層前饋網(wǎng)或三層感知器，即：輸入層、中間層（也稱隱層）和輸出層。它的特點(diǎn)是：各層神經(jīng)元僅與相鄰層神經(jīng)元之間相互全連接，同層內(nèi)神經(jīng)元之間無連接，各層神經(jīng)元之間無反饋連接，構(gòu)成具有層次結(jié)構(gòu)的前饋型神經(jīng)網(wǎng)絡(luò)系統(tǒng)。單計(jì)算層前饋神經(jīng)網(wǎng)絡(luò)只能求解線性可分問題，能夠求解非線性問題的網(wǎng)絡(luò)必須是具有隱層的多層神經(jīng)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)，即誤差反傳誤差反向傳播算法的學(xué)習(xí)過程，由信息的正向傳播和誤差的反向傳播兩個(gè)過程組成。輸入層各神經(jīng)元負(fù)責(zé)接收來自外界的輸入信息，并傳遞給中間層各神經(jīng)元；中間層是內(nèi)部信息處理層，負(fù)責(zé)信息變換，根據(jù)信息變化能力的需求，中間層可以設(shè)計(jì)為單隱層或者多隱層結(jié)構(gòu)；最后一個(gè)隱層傳遞到輸出層各神經(jīng)元的信息，經(jīng)進(jìn)一步處理后，完成一次學(xué)習(xí)的正向傳播處理過程，由輸出層向外界輸出信息處理結(jié)果。當(dāng)實(shí)際輸出與期望輸出不符時(shí)，進(jìn)入誤差的反向傳播階段。誤差通過輸出層，按誤差梯度下降的方式修正各層權(quán)值，向隱層、輸入層逐層反傳。周而復(fù)始的信息正向傳播和誤差反向傳播過程，是各層權(quán)值不斷調(diào)整的過程，也是神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練的過程，此過程一直進(jìn)行到網(wǎng)絡(luò)輸出的誤差減少到可以接受的程度，或者預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止。BP網(wǎng)絡(luò)模型處理信息的基本原理是：輸入信號(hào)Xi通過中間節(jié)點(diǎn)（隱層點(diǎn)）作用于輸出節(jié)點(diǎn)，經(jīng)過非線形變換，產(chǎn)生輸出信號(hào)Yk，網(wǎng)絡(luò)訓(xùn)練的每個(gè)樣本包括輸入向量X和期望輸出量T，網(wǎng)絡(luò)輸出值Y與期望輸出值T之間的偏差，通過調(diào)整輸入節(jié)點(diǎn)與隱層節(jié)點(diǎn)的聯(lián)接強(qiáng)度取值Wij和隱層節(jié)點(diǎn)與輸出節(jié)點(diǎn)之間的聯(lián)接強(qiáng)度Tjk以及閾值，使誤差沿梯度方向下降，經(jīng)過反復(fù)學(xué)習(xí)訓(xùn)練，確定與最小誤差相對(duì)應(yīng)的網(wǎng)絡(luò)參數(shù)（權(quán)值和閾值），訓(xùn)練即告停止。此時(shí)經(jīng)過訓(xùn)練的神經(jīng)網(wǎng)絡(luò)即能對(duì)類似樣本的輸入信息，自行處理輸出誤差最小的經(jīng)過非線形轉(zhuǎn)換的信息。BP網(wǎng)絡(luò)模型包括其輸入輸出模型、作用函數(shù)模型、誤差計(jì)算模型和自學(xué)習(xí)模型[14]。第四章 基于MATLAB的BP神經(jīng)網(wǎng)絡(luò)控制器的設(shè)計(jì)及其實(shí)驗(yàn)仿真此為本次設(shè)計(jì)的核心部分，這次虛擬實(shí)驗(yàn)室的實(shí)驗(yàn)控制器采用BP神經(jīng)網(wǎng)絡(luò)控制器來控制，以不同的輸入函數(shù)及不同的學(xué)習(xí)速率、慣性系數(shù)來對(duì)比控制效果，達(dá)到從實(shí)驗(yàn)可以得到學(xué)習(xí)的效果。 基于 BP神經(jīng)網(wǎng)絡(luò)控制器的設(shè)計(jì)PID控制要取得較好的控制效果，就必須通過調(diào)整好比例、積分和微分三種控制作用，形成控制量中既相互配合又相互制約的關(guān)系，這種關(guān)系不一定是簡單的“線性組合”，從變化無窮的非線性組合中可以找出最佳的關(guān)系。神經(jīng)網(wǎng)絡(luò)所具有的任意非線性表達(dá)能力，可以通過對(duì)系統(tǒng)性能的學(xué)習(xí)來實(shí)現(xiàn)具有最佳組合的PID控制。采用BP網(wǎng)絡(luò)，可以建立參數(shù)Kp，Ki，Kd自學(xué)習(xí)的PID控制器[15]?；贐P(Back propagation)網(wǎng)絡(luò)的PID控制系統(tǒng)結(jié)構(gòu)如圖41所示，控制器由兩部分構(gòu)成：圖41 BP網(wǎng)絡(luò)結(jié)構(gòu)（1）經(jīng)典的PID控制器，直接對(duì)被控對(duì)象進(jìn)行閉環(huán)控制，并且三個(gè)參數(shù)Kp，Ki，Kd為在線調(diào)整方式；（2）神經(jīng)網(wǎng)絡(luò)，根據(jù)系統(tǒng)的運(yùn)行狀態(tài)，調(diào)節(jié)PID控制器的參數(shù)，以期達(dá)到某種件能指標(biāo)的最優(yōu)化，使輸出層神經(jīng)元的輸出狀態(tài)對(duì)應(yīng)于PID控制器的三個(gè)Kp，Ki，Kd通過神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)、加權(quán)系數(shù)調(diào)整，使神經(jīng)網(wǎng)絡(luò)輸出對(duì)應(yīng)于某種最優(yōu)控制律下的PID控制器參數(shù)。經(jīng)典增量式數(shù)字PID的控制算法如下（）為： () 式中，Kp，Ki，Kd分別為比例、積分、微分系數(shù)。網(wǎng)絡(luò)輸入層的輸入為： j=1,2,…M ()式中，輸入變量的個(gè)數(shù)M取決于被控系統(tǒng)的復(fù)雜程度。網(wǎng)絡(luò)隱含層的輸入、輸出為： () (i=1,…Q) —隱含層加權(quán)系數(shù)；上角標(biāo)(1)、(2)、(3)分別代表輸入層、隱層和輸出層。 隱層神經(jīng)元的活化函數(shù)取正負(fù)對(duì)稱的Sigmoid函數(shù)： ()網(wǎng)絡(luò)輸出層的輸入輸出為： (l=1,2,3) () 輸山層輸出節(jié)點(diǎn)分別對(duì)應(yīng)三個(gè)可調(diào)參數(shù)Kp，Ki，Kd。由于Kp，Ki，Kd不能為負(fù)值，所以輸出層神經(jīng)元的活化函數(shù)取非負(fù)的Sigmoid函數(shù)。 () 取性能指標(biāo)函數(shù)為： ()按照梯度下降法修正網(wǎng)絡(luò)的權(quán)系數(shù)，即按E（k）對(duì)加權(quán)系數(shù)的負(fù)梯度力向搜索調(diào)整，并附加使搜索快速收斂全局極小的慣性項(xiàng)。