单向的，所以不能将其看成一种非线性动力学系统，而只是一种非线性映射关系。具有隐含层BP网络的结构如图所示，图中设有M个输入节点X1，X2，??Xm,L个输出节点Y1，Y2，??Yl，网络的隐含层共有q个神经元。
误差反传ikx1输入x2模式x3jy1输出模式xm...MWij输入层......WkiqL输出层y2...yl隐含层BP网络的结构
BP网络结构与多层感知机结构相比，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，其他各层权值使固定的、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采用了阶跃限幅函数，其单元输出为二进制的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，其单元输出可为0~1间的任意值。、
3. 2 整体工况的逻辑分析
根据导盲机器人的整体工作状况做出相应的逻辑分析，这就包括导盲机器人的总体工作模式逻辑建模以及各个子模块工作模式的逻辑建模。并且得到相应的逻辑曲线用来分析逻辑结果的合理性。
导盲机器人主要是针对外界环境的改变来做出相应的调整。本文中限定人的
活动空间主要是室内。对于盲人来说主要是对这种空间的信息获取比正常人少很多，所以对这个空间进行探测与感知是导盲机器人的主要任务。
3. 3. 2逻辑模块相关参数定义
导盲机器人所有的事件及数据定义如表3.1所示。
名称 Power alarm left right turn 含义 电源 语音提示 左转 右转 转弯开关 类型 double double double double 作用范围 Input from simulink Output from simulink Output from simulink Output from simulink Input from simulink Alarm代表语音提示动作，可以用来检测语音模块的工作状况。Left与right分别代表左转弯动作与右转弯动作，用来检测电机左右动作的监控量。
3. 3. 2 BP神经网络算法仿真
本文选用11个传感器（9个超声波传感器，2个红外传感器），对于多传感器的信息融合分析和单一的输出，我们通过BP神经网络算法加以模拟。
利用神经网络工具箱进行设计和仿真的具体步骤：
1)确定信息表达方式：将实际问题抽象成神经网络求解所能接受的数据形式；
2)确定网络模型：选择网络的类型、结构等； 3)选择网络参数：如神经元数，隐含层数等；
4)确定训练模式：选择训练算法，确定训练步数，指定训练目标误差等； 5)网络测试：选择合适的训练样本进行网络测试。 第一步 问题的提出
设计一个简单的BP网络，实现对非线性函数的逼近，通过改变BP网络的隐层神经元的数目，采用不同的训练方法来观察训练时间和训练误差的变化情
况。
X = [0 1; 0 1]; % 限制类中心的范围 clusters = 5; % 指定类别数目
points = 11; % 指定每一类的点的数目 std_dev = 0.05; % 每一类的标准差 P = nngenc(X,clusters,points,std_dev); plot(P(1,:),P(2,:),'+r'); title('输入样本向量');
输入样本向量
第二步 网络建立
应用newff ()建立两层的BP网络，隐层神经元数目可以改变，此时S=3,输出层11个神经元，隐层和输出层的传递函数分别为tansig和purelin，学习算法采用Levenberg- Marquadt (tlainlm)。用sim0观察初始化网络输出如图3所示。
xlabel('p(1)'); ylabel('p(2)'); %建立网络
net=newc([0 1;0 1],11,0.1); %设置神经元数目为11 %得到网络权值，并在图上绘出 figure;
plot(P(1,:),P(2,:),'+r'); w=net.iw{1} hold on;
plot(w(:,1),w(:,2),'ob'); hold off;
title('输入样本向量及初始权值');
未训练的输出结果
xlabel('p(1)');
ylabel('p(2)'); figure;
plot(P(1,:),P(2,:),'+r'); hold on;
第三步 网络训练
将训练时间设为7，用train()函数进行训练。 net.trainParam.epochs=7; net=init(net); net=train(net,P); 第四步网络测试
用sim（）观察训练后的网络输出如图5所小。
w=net.iw{1}
plot(w(:,1),w(:,2),'ob');