3.4基于MATLAB的BP神经网络实现
　　为提高数据分析的效率和可靠性，没有采用根据BP神经网络原理重新封装函数的方法，而是调用MATLAB中更加成熟的BP函数。但是MATLAB对BP相关的函数有着严格的版权保护，仅凭调用接口的方式无法实现BP神经网络算法。经过多方面研究，本系统拟采用在C#下调用MATLAB引擎的方式，把参数送到后台MATLAB中，由MATLAB计算后，再送回编译器分析。
　　实现步骤如下。
　　⑴在MATLAB中编写.m文件。函数功能分别是创建BP神经网络、训练BP神经网络和仿真。
　　⑵利用.NET组件技术。通过MATLAB中的Deploytool工具将m文件编译成dll，然后在系统中调用。
　　⑶在VisualStudio中创建解决方案。右键解决方案，选择添加com引用，引用名称为“MatlabApplication（Version7.14）Typelibaray”。其中，7.14为版本号，不同系列的软件版本号不同。
　　⑷添加之后在引用中会看到一个名为MLApp的文件，选择该文件，将属性EmbedInteropTypes的True值改为False。如果不更改，会提示cannotembed;
　　⑸通过MLAppClassmatlab=newMLAppClass（）;引入MATLAB类，打开后台的MATLAB，然后通过matlab.PutFullMatrix传递参数，matlab.Execute（@"bpcreat（a，b，NodeNum1，TypeNum）"）;来执行MATLAB命令。
　　⑹注意执行MATLAB命令之前要把执行路径更换成待执行的.m所在路径下。
　　4功能测试
　　我们在模拟的热力管道工况上进行了数据接入和数据分析测试。数据分析以动态计算模式监测共14400分钟，每5分钟训练一次BP神经网络，BP神经网络训练结果如图5所示。测试采用5个监测点的分析数据，模拟实验中分别在节点4和节点3模拟泄漏，模拟数据BP网络输出情况如表2所示，可以看出，对于超出正常工况的压力数据，输出结果接近1;而正常的压力数据，输出结果接近0。测试结果表明，在传感器材质良好和GPRS网络连接通畅的情况下，远程数据采集的准确性可达到100%。经过1000次的测试，通过动态计算训练出来的BP网络模拟预测成功精确度达98%。
　　5结束语
　　本文设计并实现了一种结合GPRS技术与BP神经网络算法的热力管网监测系统，对远端传来的供暖管道监测数据进行实时的数据分析，可以及时发现管道的漏水情况以及漏水位置。系统操作流程简单，测试效果良好。在技术方面，本系统结合了传感器、GPRS和BP神经网络算法;在实际运用方面，本系统一定程度上可以解决现今热力管道泄漏发现不及时、地下管道情况难预测，以及热力资源浪费严重等问题。其数据分析算法可以推广到其他泄漏监测系统。

---

期刊库（http://www.zgqkk.com），是一个专门从事期刊推广、投稿辅导的网站。
　　本站提供如何投稿辅导，寻求投稿辅导合作，快速投稿辅导，投稿辅导格式指导等解决方案：省级投稿辅导/国家级投稿辅导/核心期刊投稿辅导//职称投稿辅导。

---

　　【免责声明】本文仅代表作者本人观点，与投稿辅导_期刊发表_中国期刊库专业期刊网站无关。投稿辅导_期刊发表_中国期刊库专业期刊网站站对文中陈述、观点判断保持中立，不对所包含内容的准确性、可靠性或完整性提供任何明示或暗示的保证。请读者仅作参考，并请自行承担全部责任。