3　实验

实验采用Matlab2009a,在主频为3 GHz内存2 G的IBM P4机上运行。

3. 1　数据预处理
       由于原始数据不同维数之间的取值范围相差较大,例如L取值范围较大,r取值范围较小,因此规定预先将其统一映射到区间[-1, 1]中,然后送入神经网络训练[14]。输出的结果再实施一个反变换,映射到原来的区间。

3. 2　最佳隐层神经元数
设置n的初始值为30,图4显示了采用剪枝法得到的MSE与隐层节点关系图。显然,最佳隐层数目为22，对应的MSE为1.424 X 10-11。

图4 MSE与隐层节点n的关系

3. 4　回归分析
       将36个数据重新送入网络,计算网络输出,然后对实际输出值与期望输出值进行回归分析,结果示于图6。理想情况下,网络的输出值应等于期望输出值,此时回归线是一条“y=x”的直线。从图6可见,本文预测模型的回归线与y=x几乎重合,这也说明了神经网络拟合非常好。

图6 回归分析

4　结论
        提出一种改进的BPNN,并将之应用与EMC预测。以共地平行线间电磁耦合干扰为具体算例,证实了本文模型的预测能力。未来进一步的研究方向在于,如何将其推广到更广泛的EMC模型中去。