﻿ 基于自适应学习率BP神经网络的火点定位模型
 计算机系统应用  2019, Vol. 28 Issue (3): 250-254 PDF

1. 陕西国防工业职业技术学院, 西安 710300;
2. 西安全阶智能科技有限公司, 西安 710016

Fire Location Model Based on Adaptive Learning Rate BP Neural Network
WANG Gu-Sen1, GAO Bo2
1. Shaanxi Institute of Technology, Xi’an 710300, China;
2. Xi’an full scale Intelligent Technology Co. Ltd., Xi’an 710016, China
Abstract: In order to solve the problem of slow convergence of traditional BP (Back Propagation) neural network, through the BP neural network build the fire point prediction model, we use an adaptive learning rate method to improve the BP neural network, by comparison, the algorithm converges faster, and the output of the model achieves the desired effect. At the same time, an improved algorithm is realized by using the dynamic reconfigurable technology of FPGA. Through the simulation and results test, the design greatly reduces the prediction time on the basis of the prediction results and provides a theoretical basis for environmental prediction and detection trajectory planning.
Key words: BP Neural Network (BPNN)     FPGA     fire point prediction     adaptive learning rate

1 引言

2 火点预测模型构建

2.1 数据来源

2.2 神经网络模型构建

BP神经网络分为正向传递和误差信号反向传递两个过程.

 ${S_{{j}}} = \sum\limits_{i = 0}^{m - 1} {{w_{ij}}} {x_i} + {b_j}$ (1)
 ${x_{{j}}} = f({S_j}) = \frac{{1 - {e^{ - {S_j}}}}}{{1 + {e^{ - {S_j}}}}}$ (2)

 图 1 BP神经网络结构

 $E(w,b) = \frac{1}{2}\sum\limits_{j = 0}^{n - 1} {{{({d_j} - {y_j})}^2}}$ (3)

 $\frac{{\partial E(w,b)}}{{\partial {w_{ij}}}} = {\delta _{ij}}\cdot {x_i}$ (4)

 ${\delta _{ij}} = ({d_j} - {y_j}) \cdot f({S_j}) \cdot (1 - f({S_j}))$

 $\begin{gathered} {w_{ij}} = {w_{ij}} - \eta \cdot \frac{{\partial E(w,b)}}{{\partial {w_{ij}}}} \\ = {w_{ij}} - \eta \cdot {\delta _{ij}}\cdot {x_i} \\ \end{gathered}$ (5)

 $\begin{gathered} {w_{ij}}(k + 1) = {w_{ij}}(k) - \eta (k) \cdot \{ {\delta _{ij}}(k) \cdot {x_i}(k) \\ \;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;- {\delta _{ij}}(k - 1) \cdot {x_i}(k - 1) \cdot \mu - 1\} \end{gathered}$ (6)
 $\eta (k) = {2^\lambda }\eta (k{\rm{ - }}1)$ (7)
 $\lambda = {\rm{sign[}}{\delta _{ij}}(k) \cdot {x_i}(k) \cdot {\delta _{ij}}(k - 1) \cdot {x_i}(k - 1)]$ (8)

3 模型训练及验证

 ${m_{{j}}} = 360^\circ /(2\pi R \cdot \cos 40)$ (9)
 ${m_{{w}}} = 360^\circ /2\pi R$ (10)
 ${\rm{e}}(t) = \sqrt {{{(\frac{{{x_{ot}} - {x_{it}}}}{{{m_j}}})}^2} + {{(\frac{{{y_{ot}} - {y_{it}}}}{{{m_w}}})}^2}}$ (11)

 图 2 输出矢量误差图

 图 3 固定学习率收敛曲线

 图 4 自适应学习率收敛曲线

4 BP神经网络的FPGA实现

FPGA的动态可重构技术, 指的是按照时序把整个设计划分成各个不同的功能模块, 并且可以根据实际需要通过对功能模块的增加或减少来动态调整整个电路系统. 在设计中使用该技术可以使 FPGA 硬件资源利用率得到有效提高.

4.1 激活函数

4.2 运算模块

4.3 权值更新

 图 5 权值更新模块示意图

4.4 外围接口

4.5 总控制状态机

 图 6 神经网络控制状态机

5 仿真及验证

 图 7 学习率自适应仿真图

 图 8 FPGA实际输出矢量误差

6 结束语

 [1] 黎育权. 基于BP神经网络的多因素人口增长预测. 电子技术与软件工程, 2018(10): 169. [2] 中华人民共和国生态环境部. 秸秆焚烧监测报告. http://www.mee.gov.cn/hjzl/dqhj/jgjsjcbg/. (2011-06-26) [2018-01-09] [3] 高宇航. 一种改善BP神经网络性能的方法研究. 微型机与应用, 2017, 36(6): 53-57, 61. DOI:10.19358/j.issn.1674-7720.2017.06.017 [4] 位俊雷, 张利军, 李泽元. 基于FPGA的神经网络PID控制器设计与实现. 自动化与仪器仪表, 2017(10): 106-108. DOI:10.14016/j.cnki.1001-9227.2017.10.106 [5] 曾武序, 钱文彬, 王映龙, 等. 一种基于Python和BP神经网络的股票预测方法. 计算机时代, 2018(6): 72-75, 80. DOI:10.16644/j.cnki.cn33-1094/tp.2018.06.021 [6] 于群, 张铮, 屈玉清, 等. 基于ARMA-BP神经网络组合模型的电网大停电事故损失负荷预测. 数学的实践与认识, 2018, 48(9): 144-153. [7] 杨景明, 杜韦江, 吴绍坤, 等. 基于FPGA的BP神经网络硬件实现及改进. 计算机工程与设计, 2018, 39(6): 1733-1737, 1773. DOI:10.16208/j.issn1000-7024.2018.06.041