面向对象 算法【面向对象的编程方式在网络神经元算法中的应用】
摘要： 网络神经元算法是一个建立非线性模型的算法，在自动化控制领域得到了较高的评价。但同时应用起来较为困难的算法。在建立一个实际的自动化控制模型时，必须根据控制对象采用合适的网络及合适训练方法，因此在研发过程中需要不断的调整程序和算法。在这个繁琐的过程中，一个好的设计和编程方法是非常重要的。该文章通过一个实践中网络神经元算法开发过程的案例，对比采用面向对象方法编程的过程，分析了这种编程方式的得失。
Abstract: Network neuron is the algorithm of establishing nonlinear model, which has been gotten higher evaluation in field of automation control. However, its application is relatively difficult. When establishing a practical automation control model, we must adopt appropriate network and proper training method according to the control object, therefore, it needs to constantly adjust procedures and algorithm in process of R&D, and in this cumbersome process, a good design and programming method is very important. In this paper, through the practical case of development of network neuron algorithm and the comparison of the process of using object-oriented programming, the gain and loss of this programming were analyzed.
关键词： 面向对象；网络神经元
Key words: object-oriented；network neurons
中图分类号：TP2 文献标识码：A 文章编号：1006-4311（2012）24-0023-02
1 概述
面向对象（Object Oriented，OO）的编程方法从20世纪90年代以来，逐渐成为计算机软件的主流。但并非所有人都能熟练掌握这一方法。本文通过一个工作中的实例，讨论面向对象编程的优势。
2 面向对象的编程方式
面向对象的编程方式，主要特点有以下几方面。
2.1 唯一性 每个对象都有自身唯一的标识，通过这种标识，可找到相应的对象。
2.2 抽象性 抽象性是指将具有一致的数据结构（属性）和行为（操作）的对象抽象成类。一个类就是这样一种抽象，它反映了与应用有关的重要性质，而忽略其他一些无关内容。任何类的划分都必须与具体的应用有关。
2.3 继承性 继承性是子类自动共享父类数据结构和方法的机制，这是类之间的一种关系。在定义和实现一个类时，可以在一个已经存在的类的基础之上，把这个已经存在的类所定义的内容作为自己的内容，并加入若干新内容。
2.4 多态性 多态性是指相同的操作或函数、过程可作用于多种类型的对象上并获得不同的结果。不同的对象，收到同一消息可以产生不同的结果。多态性允许每个对象以适合自身的方式去响应共同的消息。
一旦理解和把握好面向对象的方法，可以给设计和编程带来极大的方便，并且程序的可维护性也得到了极大的提高。虽然，面向对象的方法，给软件设计和编程带来了极大的好处，但是掌握起来并不容易，下面这个实例，就是我们在网络神经元算法中一个尝试和体会的过程。
3 网络神经元算法
我们在自动化实践中，需要用网络神元算法进行测试。网络神经元算法的结构图如图1。
隐含层可为多层。
具体算法如下：正向计算
3.1 隐含层中第i个节点神经元输出
a1i=f1（■w1ijpj+b1i）
r——输入神经元个数，j——输入层神经元编号，i——隐含层神经元编号，f1——S型激活函数或双曲正切激活函数。
3.2 输出层中第k个神经元的输出
a2k=f2（■w2kia1i+b2k） s1——隐含层神经元个数，k——输出层神经元节点编号，f2——线形激活函数。
3.3 误差函数
E（W，B）=■■（tk-a2k）2 s2——输出层神经元节点个数。图2为单个神经元节点结构。
4 探索的过程与得失
网络神经元算法最初在测试时，数据结构采用了简单数组结构，算法包括正相计算和反相计算。但是随着实际工作的推进发现很多混乱，影响了整体工作的进展，大致如下。
数据结构的不确定性。由于需要对算法进行测试，隐含层的层数需要变化，隐含层的节点数需要调整。输入节点数量发生变化，输出节点发生变化。整个网络结构的不确定性需要一个能适应这种变化的数据结构。
多个网络造成存储混乱。训练过的网络需存储，可能有多个网络存在，需要随时调用不同的网络，在程序内，不同的网络结构不一样，算法有差异，函数调用不同。为了适应多个网络同时存在，需要每个网络之间具有独立性。
不同算法之间造成的混乱。不同的网络需要不同的算法，同一个网络不同的需求下需要不同的算法。在训练时，需要根据不同的状况处理训练样本。