发布时间 : 星期六 文章基于MATLAB的BP神经网络控制器的设计及其实验仿真更新完毕开始阅读efdabbf8910ef12d2af9e75a
中原工学院毕业设计（论文）
}
]
}
]
diffuseColor 1 0 0 } } geometry Cylinder { radius 2 height 1.5 } },
Transform { scale 0.2 0.3 1 translation 0 1 0 children Shape { appearance Appearance { material Material { diffuseColor 0 1 1 } } geometry Box { size 5 5 5 } } }
图2-3 旋钮开关形成图像
2.3.2 由零件组成控制面板的小单元
整个控制面板由电源控制器、变频器面板、智能位式调节仪面板、比值器/前馈—反馈补偿器、解藕装置等众多单元构成，下面仅以变频器面板为例说明各零部件的组合过程。
14
中原工学院毕业设计（论文）
变频器面板由变频器，3个颜色各异的大插孔，7个颜色各异的小插孔以及一个电源开关构成。其中变频器可以用一个长方体和一个挤出造型以及一个圆柱体构成，具体制作过程不做赘述。各部件的组合过程是通过控制3D造型进行平移，旋转以及比例缩放。这些功能都是通过Transform节点来实现，每一个Transform节点都创建一个相对己有坐标系的新坐标系，该节点可以将各种造型有效地更好地结合在一起创建出更真实更美观的VRML虚拟场景。Transform节点同Group节点一样是编组节点，其语法定义如下：
Transform{
#exposedField MFNode children []
#exposedField SFVec3f translation 0.0 0.0 0.0 #exposedField SFRotation rotation 0.0 0.0 0.0 #exposedField SFVec3f scale 1.0 1.0 1.0
#exposedField SFRotation scaleOrientation 0.0 0.0 1.0 0.0 #field SFVec3f bboxCenter 0.0 0.0 0.0 #field SFVec3f bboxSize -1.0 -1.0 -1.0 #exposedField SFVec3f center 0.0 0.0 0.0 #eventIn MFNode addChildren #eventIn MFNode removeChildren
translation域的域值指定了在父坐标系的原点和新坐标系的原点之间X，Y，Z方向上的距离。该域值的第一个值为X方向上的距离，第二个值为Y方向上的距离，第三个值为Z方向上的距离。该域值既可正，也可为负，只是方向相反而已。该域值的缺省值为0.0 0.0 0.0，表示个方向的距离为0，新坐标系和父坐标系重合。
rotation域的域值指定了一个旋转轴和旋转角度。新坐标系是围绕该旋转轴旋转一个该域值所设定的旋转角度。该域的前三个值为一个三维梭镖的X，Y，Z分量，该三维坐标是在新坐标系上的，原点和该点相连的虚线就是旋转轴。该域值的第四个值为以弧度为计量单位的旋转角度。该域值的缺省值为0.0 0.0 1.0 0.0，表示以Z轴为旋转轴，但不发生旋转[9]。
scale域的域值指定了新坐标系在X，Y，Z方向上的缩放系数。该域值的三个值分别为X，Y，Z方向的缩放系数。该域值的缺省值为1.0 1.0 1.0，表示在X，Y，Z方向上没有缩放。利用Transform节点的这些域进行调整，最终可以将各零部件组成完整的单元。
组合好的变频器面板如图2-5所示：
15
中原工学院毕业设计（论文）
图2-5 变频器面板的3D造型
2.3.3 各控制单元组成完整的控制面板
控制面板是一个特殊的造型，因为控制面板上印有很多的说明文字以及电路图，这些都是控制面板的重要组成部分，而且构造十分复杂然，而利用VRML来实现这些文字或图像却不容易而且效果也不好。因此利用贴图的方式来实现这些图像，将各单元正面的照片贴在做好的单元主体上，再把之前做好的各零部件通过Transform节点放置在照片上的相应位置，将照片上的原型遮挡住。这样做不但将面板上的文字和电路图完全重现，而且零部件的定位也更加容易和准确，这是预期结果图。
图2-6 控制面板的造型
16
中原工学院毕业设计（论文）
第三章 神经网络理论
BP(Back Propagation)神经网络模型是神经网络模型中使用最广泛的一种。由于BP神经网络能以任意精度逼近任意非线性函数、大规模并行处理和分布式信息存储及较高的学习速率等特性，且结构简单、易于编程处理，它的应用范围极广泛。本章来介绍一下BP神经网络。
3.1神经网络理论概述
人工神经网络(Artificial Neural Networks简称ANN)是也简称为神经网络（NNs）或称作连接模型（Connectionist Model），是对人脑或自然神经网络（Natural Neural Network）若干基本特性的抽象和模拟[10]。它由大量的、同时也是很简单的神经元广泛互连形成复杂的非线性系统，已经在信息处理模式识别、智能控制及系统建模等领域得到越来越广泛的应用。人工神经网络以对大脑的生理研究成果为基础的，其目的在于模拟大脑的某些机理与机制，实现某个方面的功能。国际著名的神经网络研究专家，第一家神经计算机公司的创立者与领导人Hecht Nielsen给人工神经网络下的定义就是：“人工神经网络是由人工建立的以有向图为拓扑结构的动态系统，它通过对连续或断续的输入作状态相应而进行信息处理。”这一定义是恰当的。
人工神经网络的研究，可以追溯到 1957年Rosenblatt提出的感知器模型（Perceptron）。它几乎与人工智能—AI（Artificial Intelligence）同时起步，但30余年来却并未取得人工智能那样巨大的成功，中间经历了一段长时间的萧条。直到80年代，获得了关于人工神经网络切实可行的算法，以及以Von Neumann体系为依托的传统算法在知识处理方面日益显露出其力不从心后，人们才重新对人工神经网络发生了兴趣，导致神经网络的复兴。目前在神经网络研究方法上已形成多个流派，最富有成果的研究工作包括：多层网络BP算法，Hopfield网络模型，自适应共振理论，自组织特征映射理论等。人工神经网络是在现代神经科学的基础上提出来的[11]。它虽然反映了人脑功能的基本特征，但远不是自然神经网络的逼真描写，而只是它的某种简化抽象和模拟。
神经网络的研究可以分为理论研究和应用研究两大方面。 理论研究可分为以下两类：
1)．利用神经生理与认知科学研究人类思维以及智能机理。
2)．利用神经基础理论的研究成果，用数理方法探索功能更加完善、性能更加优越的神经网络模型，深入研究网络算法和性能，如：稳定性、收敛性、容错性、鲁棒性等；开发新的网络数理理论，如：神经网络动力学、非线性神经场等。
17