毕业论文神经网络优化学习算法综述.doc

神经网络优化学习算法综述摘要：人工神经网络的研究始于二十世纪四十年代，神经网络的优化学习一直是研究的热点。神经网络的优化算法就是利用神经网络中的神经元的协同并行计算能力来构造的优化算法，它将实际问题的优化解与神经网络的稳定状态相对应，把对实际问题的优化过程映射为神经网络系统的演化过程。本文对目前几种常见的神经网络优化学习算法，感知器，Widrow-Hoff学习算法，BP学习算法等进行了综述性研究。关键词：人工神经网络，优化学习，感知器，Widrow-Hoff，BP，RBFA Survey on Neural Network Optimization Learning AlgorithmsAbstract: Artificial neural network research began in the 1940s, neural network optimization study has been on the hot. Neural network optimization algorithm is that it uses the neural networks of neurons in the synergy parallel computing capacity to optimize the structure of the algorithm, it make the optimization of the practical problems correspond with the stable state of the neural network, and the optimization process of practical problems is mapped for the evolvement process of the neural network systems. In this paper, several of the current common neural networks with their learning algorithm optimizations are given an overviewed research, such as perceptron, Widrow-Hoff learning algorithm, BP learning algorithm, and so on.Key words: neural networks, learning algorithm, perceptron, BP，RBF, Widrow-Hoff一 引言神经网络的研究至今已有近60年的历史，其发展道路曲折，目前已得到较深入而广泛的研究与应用。1943年心理学家McCulloch和数学家Pitts合作提出了形式神经元的数学模型，即MP模型，他们利用逻辑的数学工具研究客观世界的事件在形式神经网络中的表达。1949年，心理学家Hebb通过对大脑神经细胞、学习和条件反射的观察和研究，剔除了改变神经元连接的Hebb规则，现在多数学习机仍遵循Hebb学习规则。50年代末， Rosenblatt设计发展了MP模型，剔除了多层感知机，即Perceptron，试图模拟动物和人脑的感知和学习能力。60年代初，Widrow提出了自适应线性单元模型，即Adaline，以及一种有效的网络学习方法，即Widrow-Hebb规则，或称为规则。鉴于上述研究，神经网络一起了许多科学家的兴趣。但是，1962年，但是具有较高学术地位的人工智能创始人Minsky和Papert出版了Perceptron一书，对以感知机为代表的神经网路的功能和局限性从数学上进行了深入分析，并指出Perceptron只能进行线性分类求解一阶谓词问题同时寻找多层感知机的有效学习算法并不乐观。这导致许多学者放弃了对神经网络的研究，使神经网络的研究陷入了低潮。直到80年代，Hopfield通过引入能量函数的概念，研究网络的动力学性质，并用电子线路设计出相应的网络，从而开拓了神经网络用于联想记忆和优化计算的新途径，进而掀起了神经网络的研究热潮，为神经优化的研究奠定了基础。Rumelhart和MaClelland等提出了PDP理论，尤其是发展了多层前向网络的BP算法，为解决多层前向网络的学习问题开辟了有效途径，并成为迄今应用最普遍的学习算法。随后开拓性的研究工作又大大发展了神经网络的模型与学习算法，并加深了人们对神经网络的认识。二 神经网络模型及其优化算法按结构方式分类神经网络可分为两大类模型，即前馈（feed-forward）模型和后馈（feed-back）模型。按照神经网络的拓扑结构与学习算法相结合的方法，将神经网络分为前馈网络、竞争网络、反馈网络和随机网络四大类，下面介绍感知机神经网络、BP神经网络、RBF网络、自适应线性神经网络（ADALINE-Adaptive Linear Neuron）、Hopfield反馈神经网络模型（HNN）等并对其学习算法进行比较分析，以揭示神经网络所具有的功能和特征。2.1、感知机神经网络感知机神经网络是第一个完整的人工神经网络，它的输入可以是非离散量，它的权值不仅是非离散量，而且可以通过调整学习而得到。感知机可以对输入的样本矢量进行模式分类，而且多层的感知机，在某些样本点上对函数进行逼近，但感知机是一个线性阈值单元组成的网络，在结构和算法上是其他前馈网络的基础。2.1.1、 单层感知机单层感知机模型如图（2.1）所示，它具有简单的模式识别能力，但只能解决线性分类，而不能解决非线性问题。 图2.1单层感知机模型为联接权值；y为输出；f为阈值函数，即当输入的加权和大于或等于阈值时，感知器的输出为1，否则为0或者-1。它与MP模型的不同之处是假定神经元间的耦合程度（联接权值）可变，这样它就可以学习。感知机的输入与输出关系可描述如下（2-1）式：感知器的学习是有师学习，它可以通过多次训练达到学习的目的。训练的要素有两个：训练样本集和训练规则。训练规则就是误差修正规则；训练样本集是由若干个输入-输出模式对构成的集合，这里的输出模式指对应于输入模式的期望输出。学习过程的基本思想是针对给定的输入-输出模式，求出输入模式的实际输出与期望输出之间的误差，用迭代方法调整连接权值和阈值，直到使各样本的实际输出与期望输出一致。单层感知器的局限性是：若输入模式为线性不可分集合，则网络的学习算法将无法收敛，也就不能进行正确的分类。单层感知器虽然有它的局限性，但它在神经网络研究中有着重要的意义和地位，它提出了自组织、自学习的思想；对能够解决的问题，有一个收敛的算法，并从数学上给出了严格的证明。如果在输入和输出层之间加上一层或多层隐单元，则构成的多层感知器具有很强的处理功能，可以解决异或问题。 2.2.2、 多层感知机一个M层的多层感知机（前向网络）可描述如下： 网络包含一个输入层（定义为第0层）和M-1个隐层，最后一个隐层称为输出层。 第层包含个神经元和一个阈值单元（定义为每层的第0单元），输出层不含阈值单元。 第层第i个单元到第层的第个单元的权值表为。 第层（0）第个（0）神经元的输入定义为，输出定义为，其中为隐单元激励函数，常采用Sigmoid函数，。输入单元一般采用线性激励函数，阈值单元的输出始终是1. 目标函数通常采用其中P为样本数，为第p个样本的第个输出分量。 对于典型的三层前向网络，其结构如图2.2所示。三层感知器可以识别任一图多变形或误解的图区域。更多层的感知器网络可识别更为复杂的图形。对于多层感知器网络，有以下结果，假定隐层的节点可以根据需要任意设置，那么用三层阈值节点的网络可以实现任意的二值逻辑函数。 由于感知器的传输函数是阈值函数，所以在函数不是线性可分时，感知器学习方法得不出任何结果，为此，人们用可为函数如Sigmoid曲线来代替阈值函数，用梯度下降法来修正权值，得到误差回传BP网络。2.2、误差回传神经网络（BP） 2.2.1、概述BP网络即误差回传神经网络（Back-Propagation Neural Network），它是一种无反馈的前向网络，网络中的神经元分层排列。除了有输入层、输出层之外，还至少有一层隐蔽层；每一层内神经元的输出均传送到下一层，这种传送由联接权来达到增强、减弱或抑制这些输出的作用，除了输入层的神经元外，隐蔽层和输出层神经元的净输入是前一层神经元输出的加权和。每个神经元均由它的输入、活化函数和阈值来决定它的活化程度。BP网络的工作过程分为学习期和工作期两个部分。学习期由输入信息的正向传播和误差的反向传播两个过程组成。在正向传播的过程中，输入信息从输入层到隐蔽层再到输出层进行逐层处理，每一层神经元的状态只影响下一层神经元的状态，如果输出层的输出与给出的样本希望输出不一致，则计算出输出误差，转让误差反向传播过程，将误差沿原来的联接通路返回。通过修改各层神经元之间的权值，使得误差达到最小。经过大量学习样本训练之后，各层之间的联接层就固定下来了，可以开始工作期。工作期中只有输入信息的正向传播。正向传播的计算按前述神经元模型工作过程进行。因此，BP网络的计算关键在于学习期中的误差反向传播过程，此过程是通过使一个目标函数最小化来完成的。通常目标函数定义为实际输出与希望输出之间的误差平方和（当然也可以定义为熵或线性误差函数），可以使用梯度下降法导出计算公式。 2.2.2、BP网络的计算BP网络结构与多层感知机结构图相比，二者是类似的，但差异也是显著的。首先，多层感知机结构中只有一层权值可调，其他各层权值是固定的、不可学习的；BP网络的每一层连接权值都可通过学习来调节。其次，感知机结构中的处理单元为二进制的0或1；而BP网络的基本处理单元（输入层除外）为非线性的输入输出关系，一般选用S型函数。 图2.31）传统的BP算法在训练网络的学习阶段，设有个训练样本，先假定用其中的某一个样本的输入/输出模式对和对网络进行训练，隐含层的第个神经元在样本作用下的输入为式中，和分别为输入节点在样本作用时的输入和输出，对输入节点而言两者相当；为输入层神经元与隐含层神经元之间的连接权值；为隐含层神经元的阈值；为输入层的节点数，即输入的个数。隐含层第个神经元的输出为式中，为激活函数。 对于Sigmoid型激活函数式中，参数表示偏值，正的使激活函数向左移动；的作用是调节Sigmoid函数形状，较小的使Sigmoid函数逼近一个阶跃限幅函数，而较大的将使Sigmoid函数变得较为平坦，如图2.4 所示。 图2.4隐含层激活函数的微分函数为隐含层第个神经元的输出将通过权系数向前传播到输出层第个神经元并作为它的输入之一，而输出层第个神经元的总输入为式中，为隐含层神经元与输出层神经元之间的连接权值；为输出层神经元的阈值；为隐含层的节点数。输出层的第个神经元的实际输出为输出层激活函数的微分函数为若其输出与给定模式对的期望输出不一致，则将其误差信号从输出端反向传播回来，并在传播过程中对加权系数不断修正，直到在输出层神经元上得到所需要的期望输出值为止。对样本完成网络权系数的调整后，再送入另一样本模式对进行类似学习，直到完成个样本的训练学习为止。BP网络权系数的调整规则对于每一样本的输入模式对的二次型误差函数为则系统对所有个训练样本的总误差函数为式中，为模式样本对数；为网络输出几点数。一般来说，基于还是基于来完成加权系数空间的梯度搜索会获得不同的结果。在Rumelhart等人的学习加权的规则中，学习过程按使误差函数减小最快的方向调整加权系数直到获得满意的加权系数集为止。这里加权系数的修正是顺序操作的，网络对各模式对一个一个地顺序输入并不断进行学习，类似于生物神经网络的处理过程，但不是真正的梯度搜索过程。系统最小误差的真是梯度搜索方法是基于上式的最小化方法。传统的BP网络总结起来，具有以下主要优点：（1） 只要有足够多的隐含层和隐节点，BP网络可以逼近任意的非线性映射关系；（2） BP网络的学习算法属于全局逼近的方法，因而它具有较好的泛化能力。同时BP算法有两个突出的弱点：（1） 收敛到局部极小点；（2） 收敛速度慢； 为此，许多人对BP网络的学习算法进行了广泛的研究，提出了许多改进的算法，下面介绍典型的几种。2）改进的BP算法1） 引入动量项的BP算法上述标准BP算法实质上是一种简单的最速下降静态寻优算法，在修正时，只是按时刻的负梯度方向进行修正，而没有考虑以前积累的经验，即以前时刻的梯度方向，从而常常使学习过程发生振荡，收敛缓慢。为此，有人提出了如下的改进算法，即式中，既可表示单个的连接权系数，也可表示连接权向量（其元素为连接权系数）；为时刻的负梯度；是时刻的负梯度；为学习速率，；为动量项因子，。该方法所加入的动量项实质上相当于阻尼项，它减小了学习过程的振荡趋势，改善了收敛性，这是目前应用比较广泛的一种改进算法。 (2)自适应BP算法传统BP算法中，学习率是一个人为设定的常数，为防止误差下降率太快产生的震荡发散现象一般要求足够小，然而一旦过小必然影响学习过程的收敛速度。自适应BP算法就是为了让学习率能够进行自我调整，以改变原始BP算法的收敛特性。的自适应律可设定为：其中：a,b均大于0；（1）表示BP网络前N次迭代学习的均方误差函数梯度值小于零； （2）表示BP网络前N次迭代学习的均方误差函数梯度值大于零。学习速率进行自适应调整的方法可以保证神经网络总是以可接受的、最大的学习速率进行训练。当一个较大的学习速率仍能够使网络稳定学习，使其误差继续下降，则增加学习速率，使其以更大的学习速率进行学习。一旦学习速率调得过大，而不能保证误差继续减少，则减少学习速率直到使其学习过程稳定为止。(3)弹性BP算法 隐含层sigmoid函数的特性决定了当输入很大时，斜率接近0导致权值的修正停止。弹性BP学习算法依靠偏导数的符号决定权值更新的方向，能有效地解决这个问题，其权值修正过程如下： (6.3.33)其中，为供设计者选择的参数；符号函数。其初始值要根据实际应用预先设定。事实证明弹性BP算法的收敛速度优于附加动量法和自适应BP算法。(4)增广LPIDBP学习算法R.Vitthal受PID调节器的启发，发明了利用误差梯度函数的比例，积分，微分组合形成调节量的RPIDBP学习算法：其中：，为比例，积分，微分系数；为当前梯度值；为当前梯度变化量。仅有比例项时即为标准BP算法。但此算法的不仅参数较多又不易设定，而且容易产生积分饱和，所以提出了增广LPIDBP学习算法，其原理如下(图2.5)：图2.5设PID传递函数为：其中：为比例增益；为积分增益；为微分常数；为为消除高频干扰而引入滤波器的常数，取值范围为（3，10）。设T为采样时间，对上述方程取一阶近似离散化后有：其中：。由原理图有如下算式对离散化后的传函取双线性变换，代换后可得： 其中：， 。此算法的修正公式中相当于增加了惯性项，可以在一定程度上抑制振荡和积分饱和，经验证，增广LPIDBP学习算法也具有很好的收敛性。（5）共轭梯度BP算法原始BP算法使用的梯度下降法存在收敛速度慢且容易掉入局部极小的缺陷。共轭梯度法的基本思想在于：要求在中的极小点，就必须选择好每一步的搜索方向。将第次迭代的搜索方向指向将第次迭代时的最速下降方向与将第次迭代的搜索方向的线性组合，并且，与是共轭向量。但是，由于BP网络的均方误差函数无法导出形如的二次型函数，所以一般的共轭梯度法不能直接应用于BP网络，需要进行修正。其计算公式为：其中：方向因子，即为误差的性能函数。共轭梯度法兼取最陡下降法和牛顿法的优点，同时克服了收敛速度慢及易陷入局部极小等缺点，是一种有效的算法。2.3、径向基函数（Radial Basis Function,RBF）网络算法RBF网络是一种三层前馈式神经网洛，具有全局逼近的性质，且不存在局部极小的问题，已广泛应用与系统辨识和参数逼近。 图2.6图2.6示意了RBF神经网络的拓扑结构，同样由输入层、隐含层和输出层组成。输入层仅起到数据信息的传递作用，与隐含层之间的连接权值为1，即对输入信息不进行任何变换。隐层神经元的核函数（或称作用函数）可以有很多种：高斯核、三角核、双指数核、辛格核等，通常取为高斯函数，对输入信息进行空间映射变换。输出层神经元的作用函数为线性函数，对隐层神经元输出的信息进行线性加权后输出，作为网络的输出结果。设输入层、隐层、输出层上的神经元数分别为R、M、N，输入信息模式（或向量）记为，输出信息模式（或向量）记为，。隐层第个神经元的输入输出关系为： =1，2,，M式中：为隐层第个神经元的输出值；为隐层第个神经元的中心向量，由隐层第个神经元对应于输入层所有神经元的中心分量构成，。为隐层第个神经元的宽度向量，与相对应，为欧氏范数。输出层神经元的输入输出关系表达式是： =1，2,，N式中：为输出层第 个神经元的输出值；为输出层第个神经元与隐层第个神经元间的权值。可以看出，RBF神经网络的参数在此主要是指中心向量、宽度向量和权值。2.4、自适应线性神经网络的学习ADALINE网络结构如图2.7所示。单神经元感知器结构与McCulloch和Pitts提出的神经元模型十分相似， 图2.7ADALINE网络结构图2.2所示的神经网络输出为 其中：是ADALINE网络的输出向量；是各神经元之间的连接权系数矩阵；是ADALINE网络的输入向量；是ADALINE网络的阈值向量； 是ADALINE网络中的作用函数，取线性函数。在ADALINE网络中，第个神经元的输出为： 其中：是输入向量与第个神经元间的连接权值；是第个神经元的阈值。为了讨论方便，这里考虑一个两输入的ADALINE，如图2.8所示。图2.8两输入的ADALINE 对于图6.2.2所示的ADALINE，其净输入为： 由于ADALINE的作用函数为：；故神经元的输出为： 若令ADALINE的净输入为零，则有，该表达式实质上在输入向量空间中定义了一条直线。若令，则可求出该直线在轴上的截距；若令，则可求出该直线在轴上的截距。两点确定了一条直线，如图2.9所示，该直线将输入向量空间分成两部分。图中灰色区域对应，白色区域对应，说明ADALINE网络也可以将输入对象分为两类。但是，前提条件是对象必须是线性可分的。因此，ADALINE网络具有和感知机同样的局限性。图2.9两输入ADALINE的类别界限自适应线性神经网络加权系数修正采用Widrow-Hoff学习规则，又称为最小Square均方误差算法（LMS）。它的实质是利用梯度最速下降法，是权值沿误差函数的负梯度方向改变。Widrow-Hoff学习规则的权值变化量正比于网络的输出误差及网络的输入矢量。根据梯度法，可得输出层的任意神经元的加权系数修正公式为式中，学习速率，为常值，当时，可使算法收敛。随着输入样本自适应地调整。因为定义则由于激活函数为线性函数，故 所以输出层的任意神经元的加权系数修正公式为同理，阈值的修正公式为以上两式构成了最小Square均方误差算法（LMS），或Widrow-Hoff学习算法，它实际上也是学习规则的一种特例。2.5、离散Hopfield网络Hopfield最早提出的网络是二值神经网络，神经元的输出只取1和0这两个值，所以，也称离散Hopfield神经网络。在离散HopfieId网络中，所采用的神经元是二值神经元；故而，所输出的离散值1和0分别表示神经元处于激活和抑制状态。首先考虑由三个神经元组成的离散Hopfield神经网络，其结构如图2.10中所示。在图中，第0层仅仅是作为网络的输人，它不是实际神经元，所以无计算功能；而第一层是实际神经元，故而执行对输人信息和权系数乘积求累加和，并由非线性函数f处理后产生输出信息。f是一个简单的阀值函效，如果神经元的输出信息大于阀值，那么，神经元的输出就取值为1；小于阀值，则神经元的输出就取值为。图2.10 三神经元组成的Hopfield网络 对于二值神经元，它的计算公式如下 其中：xi为外部输入。并且有：Yi=1， 当Uii时；Yi=0， 当Uii时；对于一个离散的Hopfield网络，其网络状态是输出神经元信息的集合。对于一个输出层是n个神经元的网络，则其t时刻的状态为一个n维向量：Y(t)=Y1(t),Y2(t),.,Yn(t)T故而，网络状态有2n个状态；因为Yj(t)(j1n)可以取值为1或0；故n维向量Y(t)有2n种状态，即是网络状态。对于三个神经元的离散Hopfield网络，它的输出层就是三位二进制数；每一个三位二进制数就是一种网络状态，从而共有8个网络状态。这些网络状态如图2.11中所示。在图中，立方体的每一个顶角表示一种网络状态。同理，对于n个神经元的输出层，它有2n个网络状态，也和一个n维超立方体的顶角相对应。图2.11 三神经元输出层的网络状态 如果Hopfield网络是一个稳定网络，那么在网络的输入端加入一个输入向量，则网络的状态会产生变化，也就是从超立方体的一个顶角转移向另一个顶角，并且最终稳定于一个特定的顶角。 对于一个由n个神经元组成的离散Hopfield网络，则有n*n权系数矩阵w：W=Wij i=1,2,.,n j=1,2,.,n同时，有n维阀值向量：=1,2,.nT一船而言，w和可以确定一个唯一的离散Hopfield网络。对于图2.10所示的三神经元组成的Hopfield网络，也可以改用图2.12所示的图形表示，这两个图形的意义是一样的。考虑离散Hopfield网络的一船节点状态；用Yj(t)表示第j个神经元，即节点j在时刻t的状态，则节点的下一个时刻(t+1)的状态可以求出如下：当Wij在ij时等于0，则说明一个神经元的输出并不会反馈到它自己的输入；这时，离散的HopfieId网络称为无自反馈网络。当Wij在ij时不等于0，则说明个神经元的输出会反馈到它自己的输入；这时，离散的Hopfield网络称为有自反馈的网络。 图2.12 离散Hopfield网络的另外一种图示三 总结近年来，各种有关神经网络结构及其学习算法的研究也取得了不少成果，已经演化出了多种网络结构。本篇综述文章首先概述了神经网络的一些基本知识，对几种典型的网络结构如感知机神经网络、BP神经网络、RBF网络、自适应线性神经网络（ADALINE-Adaptive Linear Neuron）、Hopfield反馈神经网络模型（HNN）进行了综述性描述，也介绍了一些典型的优化算法。当然，现在各种算法都有很多改进的地方，使其应用更加灵活，在这里没有一一介绍。随着各种神经网络及其优化算法的日渐成熟，必将在实际应用中发挥重要作用，也将给人们提供更加智能的手段。参考文献：1.神经计算科学：在细胞的水平上模拟脑功能 阮晓钢 编著，国防工业出版社，2006.52.智能控制及其MATLAB实现 李国勇 编著， 电子工业出版社，2005.53人工神经网络原理及仿真实例 高隽 编著， 机械工业出版社，2003.74. Beigy H.Meybodi M.R. Adaptation of parameters of BP algorithm using learning automata. Neural Networks, 2000.24 31.5. Haibin Cai,Liangxu Liu,Qiying Cao. A Novel BP Algorithm Based on Self-adaptive Parameters and Performance Analysis. Innovative Computing, Information and Control,2006.383 38741参考：毕业论文（设计）工作记录及成绩评定册题 目： 学生姓名： 学 号： 专 业： 班 级： 指 导 教 师： 职称： 助理指导教师： 职称： 年 月 日实验中心制使 用 说 明一、此册中各项内容为对学生毕业论文（设计）的工作和成绩评定记录，请各环节记录人用黑色或蓝色钢笔（签字笔）认真填写（建议填写前先写出相应草稿，以避免填错），并妥善保存。二、此册于学院组织对各专业题目审查完成后，各教研室汇编选题指南，经学生自由选题后，由实验中心组织发给学生。三、学生如实填好本册封面上的各项内容和选题审批表的相应内容，经指导教师和学院领导小组批准后，交指导教师；指导老师填好毕业论文（设计）任务书的各项内容，经教研室审核后交学生签名确认其毕业论文（设计）工作任务。四、学生在指导老师的指导下填好毕业论文（设计）开题报告各项内容，由指导教师和教研室审核通过后，确定其开题，并将此册交指导老师保存。五、指导老师原则上每周至少保证一次对学生的指导，如实按时填好毕业论文（设计）指导教师工作记录，并请学生签字确认。六、中期检查时，指导老师将此册交学生填写前期工作小结，指导教师对其任务完成情况进行评价，学院中期检查领导小组对师生中期工作进行核查，并对未完成者提出整改意见，后将此册交指导老师保存。七、毕业论文（设计）定稿后，根据学院工作安排，学生把论文（打印件）交指导老师评阅。指导老师应认真按毕业论文（设计）指导教师成绩评审表对学生的论文进行评审并写出评语，然后把论文和此册一同交教研室。八、教研室将学生的论文和此册分别交两位评阅人评阅后交回教研室保存。九、学院答辩委员会审核学生答辩资格，确定答辩学生名单，把具有答辩资格学生的论文连同此册交各答辩小组。十、学生答辩后由答辩小组记录人填好毕业论文（设计）答辩记录表中各项内容，然后把学生的论文和此册一同交所在答辩小组，答辩小组对其答辩进行评审并填写评语后交教研室。十一、学院答辩委员会进行成绩总评定，填好毕业论文（设计）成绩评定表中各项内容，然后把论文（印刷版和电子版（另传）和此册等资料装入专用档案袋中，教教研室后由实验中心统一保存。目 录1毕业论文（设计）选题审批表2. 毕业论文（设计）任务书3毕业论文（设计）开题报告4. 学生毕业论文（设计）题目更改申请表5毕业论文（设计）指导老师工作记录6毕业论文（设计）中期检查记录7毕业论文（设计）指导教师成绩评审表8毕业论文（设计）评阅人成绩评审表9. 毕业论文（设计）答辩申请表10毕业论文（设计）答辩记录表11毕业论文（设计）答辩成绩评审表12毕业论文（设计）成绩评定表毕业设计（论文）选题审批表题目名称 基于单片机的超声波测距题目性质工程设计理论研究实验研究计算机软件综合论文其它题目来源科研题目 生产现场教学 其它自拟题目选题理由：由于超声波指向性强，能量消耗缓慢，在介质中传播的距离较远，因而超声波经常用于距离的测量。利用超声波检测距离，设计比较方便，计算处理也较简单，精度也能达到使用要求，超声波测距应用于各种工业领域，如工业自动控制，建筑工程测量和机器人视觉识别等方面。超声波作为一种检测技术，采用的是非接触式测量，由于它具有不受外界因素影响，对环境有一定的适应能力，且操作简单、测量精度高等优点而被广泛应用。这些特点可使测量仪器不受被测介质的影响，大大解决了传统测量仪器存在的问题，比如，在粉尘多情况下对人引起的身体接触伤害，腐蚀性质的被测物对测量仪器腐蚀，触电接触不良造成的误测等。此外该技术对被测元件无磨损，使测量仪器牢固耐用，使用寿命加长，而且还降低了能量耗损，节省人力和劳动的强度。因此，利用超声波检测既迅速、方便、计算简单，又易于实时控制，在测量精度方面能达到工业实用的要求。 指导教师意见： 签名： 年 月 日院（系）领导小组意见： 签名： 年 月 日注：此表由学生填写毕业论文（设计）任务书1、毕业论文（设计）应达到的目的：（1）能对学生在学期间所学知识的检验与总结，培养和提高学生独立分析问题和解决问题的能力，使学生受到科学研究、工程设计和撰写技术报告等方面的基本训练。（2）提高学生对工作认真负责、一丝不苟，对事物能潜心观察、用于开拓、用于实践的基本素质；（3）培养学生综合运用所学知识，结合实际独立完成课题的工作能力。（4）对学生的知识面、掌握知识的深度、运用理论结合实际去处理问题的能力、实践能力、计算机运用水平、书面及口头表达能力进行考核。2、毕业论文（设计）的内容和要求（包括原始数据、技术要求、工作要求等）：以单片机为核心设计了基于激光测距的防撞预警系统，采用TDC-GP2芯片作为激光飞行计时单元,给出激光发射及回波接收放大电路，基于模块化思想设计、完成系统软件设计流程；最后通过实验测试，系统要能很好测出前方车辆距离及运行状态，并能及时发出报警，利用Matlab对其测试结果进行验证，修正。3、对毕业论文（设计）成果的要求包括图表、实物等硬件要求：设计完成后，要提供电路图，实验电路版，控制原始程序，实验要保存大量的原始数据。完成设计论文。4、毕业论文（设计）工作进度计划：序号论文（设计）工作进度日期（起止周数）1根据所出题目，结合自身所学知识，选择合适课题，确定毕业设计论文题目。13-14-1第16周止2根据所定题目，全面搜集素材，列出各种设计方案，并一一比较，选择出最好的设计方案。13-14-1第18周止3联系指导老师，将自己的设计方案与老师沟通、交流，得到指导老师的认同与指点，开始设计。13-14-1第19周止4根据方案，确定所要用的器材。设计总体框架结构，分出各大的模块，并将其展开，以得到比较细的设计模式。13-14-2第1周止5 根据所列框图，结合自己所学知识，开始各分支电路模块的设计。13-14-2第2周止6完成初稿，将所做的模块给指导老师查阅，看是否有不当之处，再进行改进。并将大电路的设计方案告之老师，得到老师更好的建议。13-14-2第3周止7大胆进行设计，将每一个小的电路，大的模块，都精心设计好，完成整个硬件和软件部分的设计过程。13-14-2第6周止8将所有设计整理结合，形成设计论文，交与指导老师检查，并经老师指点，做进一步的改进工作。13-14-2第7周止9改进毕业设计论文，得到自己及老师认为满意的论文。13-14-2第10周止指导教师日期年 月 日教研室审查意见：签字： 年 月 日学院负责人意见：签字： 年 月 日学生签字： 接受任务时间： 年 月 日注：任务书由指导教师填写。 毕业论文（设计）开题报告题目基于单片机的超声波测距1、本课题的研究意义，国内外研究现状、水平和发展趋势 近年来，随着电子测量技术的发展，运用超声波作出精确测量已成可能。随着经济发展，电子测量技术应用越来越广泛，而超声波测量精确高，成本低，性能稳定则备受青睐。超声波是指频率在20kHz以上的声波，它属于机械波的范畴。超声波也遵循一般机械波在弹性介质中的传播规律，如在介质的分界面处发生反射和折射现象，在进入介质后被介质吸收而发生衰减等。正是因为具有这些性质，使得超声波可以用于距离的测量中。随着科技水平的不断提高，超声波测距技术被广泛应用于人们日常工作和生活之中。一般的超声波测距仪可用于固定物位或液位的测量，适用于建筑物内部、液位高度的测量等。 随着科学技术的快速发展，超声波将在测距仪中的应用越来越广。但就目前技术水平来说，人们可以具体利用的测距技术还十分有限，因此，这是一个正在蓬勃发展而又有无限前景的技术及产业领域。展望未来，超声波测距仪作为一种新型的非常重要有用的工具在各方面都将有很大的发展空间，它将朝着更加高定位高精度的方向发展，以满足日益发展的社会需求，如声纳的发展趋势基本为：研制具有更高定位精度的被动测距声纳，以满足水中武器实施全隐蔽攻击的需要；继续发展采用低频线谱检测的潜艇拖曳线列阵声纳，实现超远程的被动探测和识别；研制更适合于浅海工作的潜艇声纳，特别是解决浅海水中目标识别问题；大力降低潜艇自噪声，改善潜艇声纳的工作环境。无庸置疑，未来的超声波测距仪将与自动化智能化接轨，与其他的测距仪集成和融合，形成多测距仪。随着测距仪的技术进步，测距仪将从具有单纯判断功能发展到具有学习功能，最终发展到具有创造力。在新的世纪里，面貌一新的测距仪将