LabVIEW中BP神经网络的实现及应用

1 BP神经网络学习算法
BP模型是一种应用最广泛的多层前向拓扑结构，以三层BP神经网络作为理论依据进行编程，它由输入层、隐层和输出层构成。设输入层神经元个数为I，隐层神经元个数为J，输出层神经元个数为K，学习样本有N个(x，Y，)向量，表示为：输入向量X{x1，x2，…，xI}，输出向量l，{Y1，Y2，…，Yx)，理想输出向量为T{tl，t2，…，tK}。
(1)输入层节点i，其输出等于xi(i=1，2，…，I，将控制变量值传输到隐含层，则隐层第j个神经元的输入：

其中：Wji是隐层第J个神经元到输入层第i个神经元的连接权值。
(2)隐层第J个神经元的输出：

(3)神经网络输出层，第k个神经元的输入为：

其中：Vkj是输出层第k个神经元到隐层第j个神经元的连接权值。
(4)神经网络输出层，第志个神经元的输出为：

(5)设定网络误差函数E：

(6)输出层到隐层的连接权值调整量△Vkj：

(7)隐层到输入层的连接权值调整量wji：

2 用LabVlEW实现BP神经网络的两种方法
用LabVIEw实现BP神经网络的两种方法为：
(1)由于Matlab具有强大的数学运算能力以及在测控领域的广泛应用。在LabVIEW中提供了MatlabScript节点，用户可在节点中编辑Matlab程序，并在Lab―VIEW中运行；也可以在LabVIEW程序运行时直接调用已经存在的Matlab程序，如使用节点则必须在系统中安装：Matlab5以上版本，在写入Matlab节点前要将程序先调试通过，并确保其中变量的数据类型匹配。
(2)由于LabVIEW的图形程序是独立于运行平台的，而且是一种数据驱动的语言，可以方便地实现算法且易修改，结合其SubVI技术可以增加程序的利用率，因此可以采用图形编程的方法实现前向网络的算法。
2．1 利用Matlab Scriipt节点实现
在此以对一个非线性函数的逼近作为例子来说明实现流程，其中输入矢量p=[一1：O．05：1]；目标矢量f―sin(2。pi*p)+0．1randn(size(p))。利用．Mat―lab Script节点实现BP算法的过程如下：
(1)新建一个LabVIEw vi，在框图程序中添加Matlab Script节点。
(2)在节点内添加Matlab的动量BP算法实现代码，并分别在节点左右边框分别添加对应的输入／输出参数，如图1所示。
(3)在vi的前面板添加相应的控件，设置输入参数，连接输出控件。执行程序，结果如图2、图3所示。

此方法能够直接利用Matlab强大的神经网络工具箱，程序运行时会自动调用系统中已安装的Matlab进行计算，不用进行复杂的编程，开发效率很高。
2．2 利用图形编程实现
LabVIEw是美国NI公司推出的基于图形化编程的虚拟仪器软件开发工具，它无需任何文本程序代码，而是把复杂、繁琐的语言编程简化成图形，用线条把各种图形连接起来。在此以一个设备状态分类器设计作为例子来说明实现流程输入，该设备有8个输入分量，即温度、湿度等外部条件；而输出状态则有3种，分别为正常、偏小、偏大。这里采用12个训练样本，每个样本有8个分量，3类输出分别编码为(O 1)，(1 0)，(1 1)，以下即为输入样本及标准输出数据(见图4、图5)。