矩陣論在神經(jīng)網(wǎng)絡(luò)中的應(yīng)用精選(九篇)
前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的矩陣論在神經(jīng)網(wǎng)絡(luò)中的應(yīng)用主題范文，僅供參考，歡迎閱讀并收藏。
第1篇：矩陣論在神經(jīng)網(wǎng)絡(luò)中的應(yīng)用范文
【關(guān)鍵詞】自組織神經(jīng)網(wǎng)絡(luò)；智能建筑管理；BP神經(jīng)網(wǎng)絡(luò)
1 基于自組織神經(jīng)網(wǎng)絡(luò)技術(shù)原理
基于大規(guī)模自組織神經(jīng)網(wǎng)絡(luò)技術(shù)[1]是在自組織神經(jīng)網(wǎng)絡(luò)技術(shù)和專家系統(tǒng)的基礎(chǔ)原理運(yùn)用多層數(shù)據(jù)融合彌補(bǔ)了單循環(huán)數(shù)據(jù)在智能建筑工程管理分析數(shù)據(jù)處理的不足和邏輯的缺陷學(xué)科.多跳自組織神經(jīng)網(wǎng)絡(luò)是智能傳感器采集數(shù)據(jù)訓(xùn)練樣本仿真學(xué)習(xí)模型即自動(dòng)增速各個(gè)自組織神經(jīng)元連接權(quán)閥值與感知識(shí)別隱式分布在整個(gè)網(wǎng)絡(luò)結(jié)構(gòu)體系中實(shí)現(xiàn)自組織神經(jīng)網(wǎng)絡(luò)模式記憶與信息處理應(yīng)用.
2 基于大規(guī)模自組織神經(jīng)網(wǎng)絡(luò)在智能建筑管理中研究
2.1 基于多跳自組織神經(jīng)網(wǎng)絡(luò)在造價(jià)預(yù)測研究
基于大規(guī)模自組織BP神經(jīng)模型應(yīng)用40個(gè)高層智能建筑工程樣本訓(xùn)練并用工程實(shí)例進(jìn)行驗(yàn)證高精確性;而用大規(guī)模自組織神經(jīng)網(wǎng)絡(luò)模擬與輸入層和隱含層加入了偏置自組織神經(jīng)元來促進(jìn)學(xué)習(xí)訓(xùn)練樣本數(shù)據(jù)中有噪聲、干擾等會(huì)造成過度學(xué)習(xí)現(xiàn)象,同時(shí)采用遺傳優(yōu)化算法進(jìn)行建筑結(jié)構(gòu)優(yōu)化.基于BP神經(jīng)在智能建筑工程估價(jià)中的應(yīng)用“特征提取器”的運(yùn)算大量過去的工程資料中自動(dòng)提取工程特征與預(yù)算資料的規(guī)律關(guān)系數(shù)據(jù).
2.2 基于大規(guī)模自組織神經(jīng)網(wǎng)絡(luò)在工程管理績效評(píng)價(jià)中的應(yīng)用
運(yùn)用大規(guī)模自組織BP神經(jīng)模型對(duì)工程管理績效評(píng)價(jià)問題進(jìn)行研究建立綜合考慮工期、質(zhì)量、費(fèi)用、安全四大控制指標(biāo)的工程管理績效評(píng)價(jià)模型[2].實(shí)踐證明,基于BP神經(jīng)網(wǎng)絡(luò)在運(yùn)算工程管理績效評(píng)估模型有利于多跳自組織神經(jīng)網(wǎng)絡(luò)預(yù)測工程工期、質(zhì)量、成本、安全與績效之間復(fù)雜的非線性關(guān)系來提高管理績效的評(píng)價(jià)數(shù)據(jù).
2.3 基于遺傳算法模型在建設(shè)工程評(píng)標(biāo)結(jié)構(gòu)優(yōu)化應(yīng)用
基于多層神經(jīng)網(wǎng)絡(luò)的工作原理是先將輸入信號(hào)傳輸?shù)较乱粚庸?jié)點(diǎn)運(yùn)算函數(shù)處理后再將該節(jié)點(diǎn)的輸出信息向下一層節(jié)點(diǎn)傳輸?shù)叫盘?hào)傳輸?shù)捷敵鰧庸?jié)點(diǎn)為止.同時(shí)運(yùn)用遺傳算法模型構(gòu)造及算法設(shè)計(jì)進(jìn)行方案優(yōu)劣排序、換位矩陣以及能量函數(shù)構(gòu)造、大規(guī)模自組織神經(jīng)元之間連接和輸出,并用實(shí)例說明了該方法的優(yōu)越性和實(shí)用性與非線性.
2.4 基于BP神經(jīng)網(wǎng)絡(luò)模型在建設(shè)工程招投標(biāo)管理應(yīng)用研究
基于BP神經(jīng)網(wǎng)絡(luò)多層數(shù)據(jù)融合多跳自組織神經(jīng)網(wǎng)絡(luò)技術(shù)原理分析自動(dòng)預(yù)測工程招投標(biāo)的招標(biāo)價(jià)格和風(fēng)險(xiǎn)因素分析以及競標(biāo)單位資格審查等方面的應(yīng)用指出多跳自組織神經(jīng)網(wǎng)絡(luò)具有的高度并行處理和可完成復(fù)雜輸入輸出的非線性映射組合結(jié)構(gòu),不僅可以保證高的中標(biāo)率,且可避免招標(biāo)過程中不確定性因素的影響.運(yùn)用大規(guī)模自組織神經(jīng)網(wǎng)絡(luò)的工程承包招投標(biāo)報(bào)價(jià)的研究,提出了一個(gè)多因素確定高層智能建筑投標(biāo)報(bào)價(jià)的大規(guī)模自組織模型影響報(bào)高率的諸多因素,并確定了其權(quán)值即確定了用BP神經(jīng)網(wǎng)絡(luò)實(shí)施黑箱操作的樣本輸入值和目標(biāo)值再通過訓(xùn)練樣本自主調(diào)整修正輸入節(jié)點(diǎn)和輸出節(jié)點(diǎn)間的聯(lián)系得出符合各種情況要求的權(quán)值矩陣算法.
2.5 基于智能建筑算法模型研究
基于BP神經(jīng)網(wǎng)絡(luò)是以訓(xùn)練樣本算法即誤差反向傳播算法即BP神經(jīng)算法的學(xué)習(xí)過程分為信息的正向傳播和誤差的反向傳播[1],其通過訓(xùn)練樣本前一次迭代的權(quán)值和閾值來應(yīng)用神經(jīng)網(wǎng)絡(luò)技術(shù)的第一層向后計(jì)算各層大規(guī)模自組織神經(jīng)元的輸出和最后層向前計(jì)算各層權(quán)值和閾值對(duì)總誤差的梯度進(jìn)而對(duì)前面各層的權(quán)值和閾值進(jìn)行修改運(yùn)算反復(fù)直到神經(jīng)網(wǎng)絡(luò)樣本收斂 BP神經(jīng)網(wǎng)絡(luò)輸入向量為
X=( )T;隱含層輸出向量為Y=( )T;輸出層的輸出向量為O= )T;期望輸出向量為 ;輸入層到隱含層之間的權(quán)值矩陣 ,其中列向量 為隱含層第j個(gè)大規(guī)模自組織神經(jīng)元對(duì)應(yīng)的權(quán)向量;隱含層到輸入層之間的權(quán)值矩陣 ,其中列向量 為輸出層第k個(gè)大規(guī)模自組織神經(jīng)元對(duì)應(yīng)的權(quán)向量.各層信號(hào)之間的算法結(jié)構(gòu)為:
以上式中的 均為S類型函數(shù), 的導(dǎo)數(shù)方程為: （5）
神經(jīng)網(wǎng)絡(luò)輸出與期望輸出的均方誤差為: （6）
則訓(xùn)練樣本輸出層和隱含層的權(quán)值調(diào)整量分別為:
式中: 為比例系數(shù),在模型訓(xùn)練中代表學(xué)習(xí)速率.如果BP自組織神經(jīng)網(wǎng)絡(luò)有 個(gè)隱含層,各隱含層節(jié)點(diǎn)分別記為 ,各隱含層輸出分別記為 ,則各層權(quán)值調(diào)整計(jì)算公式分別如下:
輸出層
綜合上述預(yù)測分析在BP神經(jīng)學(xué)習(xí)算法運(yùn)用各層權(quán)值調(diào)整公式均由學(xué)習(xí)速率、本層輸出的誤差信號(hào)和本層輸入數(shù)字離散信號(hào)決定在訓(xùn)練樣本學(xué)習(xí)的過程受決策環(huán)境復(fù)雜程度和訓(xùn)練樣本的收斂性即需要增大樣本量來提高網(wǎng)絡(luò)技術(shù)所學(xué)知識(shí)的代表性應(yīng)注意在收集某個(gè)問題領(lǐng)域的樣本時(shí),注意樣本的全面性、代表性以及提高樣本的精確性,增大抗干擾噪聲,還可以采用其他方法收集多層訓(xùn)練樣本數(shù)據(jù).
3 結(jié)束語
自組織神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用在智能建筑管理領(lǐng)域是在多層智能傳感器等多種信息技術(shù)飛速發(fā)展的多學(xué)科交叉研究領(lǐng)域得到廣泛應(yīng)用.
參考文獻(xiàn):
[1]周小佳.電力系統(tǒng)可靠性神經(jīng)網(wǎng)絡(luò)模型及實(shí)現(xiàn)研究[D].博士學(xué)位論文,1997.
[2]胡保清等.神經(jīng)網(wǎng)絡(luò)在土木工程領(lǐng)域的應(yīng)用[J].低溫智能建筑,2004(2).
作者介紹:
第2篇：矩陣論在神經(jīng)網(wǎng)絡(luò)中的應(yīng)用范文
關(guān)鍵詞 神經(jīng)網(wǎng)絡(luò)模型；模糊綜合評(píng)價(jià)；權(quán)重；水質(zhì)評(píng)價(jià)
中圖分類號(hào)：X824 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1671-7597（2014）07-0147-01
目前，水污染很嚴(yán)重，治理好水污染，改善環(huán)境，防止造成進(jìn)一步的污染，已經(jīng)成為了社會(huì)所研究的重點(diǎn)。因此，水質(zhì)的評(píng)價(jià)成為了一項(xiàng)重要的研究熱點(diǎn)，根據(jù)水質(zhì)的相關(guān)的指標(biāo)的特點(diǎn)，綜合分析得到水質(zhì)的狀況，能夠?yàn)檎扇『侠淼拇胧┨峁┮罁?jù)。目前，神經(jīng)網(wǎng)絡(luò)模型對(duì)水質(zhì)進(jìn)行評(píng)價(jià)已經(jīng)成為了熱點(diǎn)，神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)在于權(quán)重的確定方面，能夠合理的確定各個(gè)指標(biāo)的權(quán)重，但是在評(píng)價(jià)的模型上[1]，神經(jīng)網(wǎng)絡(luò)用的層層分析模型，沒有做夠好的進(jìn)行水質(zhì)的評(píng)價(jià)，本文在神經(jīng)網(wǎng)絡(luò)中融合模糊綜合評(píng)價(jià)模型，能夠很好的對(duì)水質(zhì)進(jìn)行評(píng)價(jià)。
1 神經(jīng)網(wǎng)絡(luò)理論
人工神經(jīng)網(wǎng)絡(luò)（AnificialNeural Nemorks，ANN）是通利用數(shù)學(xué)模型的方法進(jìn)行抽象和模擬，是一種模仿人腦結(jié)構(gòu)和它的功能的非線性的信息處理系統(tǒng)。它主要是大量的單元相互連接而組成的網(wǎng)絡(luò)結(jié)構(gòu)，來實(shí)現(xiàn)大腦的感知和學(xué)習(xí)功能。神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)可以分為前饋多層式網(wǎng)絡(luò)模型、反饋遞歸式網(wǎng)絡(luò)模型和隨機(jī)型網(wǎng)絡(luò)模型等。根據(jù)研究水質(zhì)問題多因素權(quán)重問題以及神經(jīng)網(wǎng)絡(luò)的相關(guān)理論，前饋多層式網(wǎng)絡(luò)中的反向傳播神經(jīng)網(wǎng)絡(luò)（BP神經(jīng)網(wǎng)絡(luò)）具有良好的持久性以及適時(shí)預(yù)報(bào)性，因此在本文的評(píng)價(jià)模型中，我們都采用BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)方式[2]。
前饋神經(jīng)網(wǎng)絡(luò)分為了神經(jīng)元分層排列，包含了輸入層、隱含層和輸出層三個(gè)層次結(jié)構(gòu)，每個(gè)層次的神經(jīng)元只能夠接收前一個(gè)層次的神經(jīng)元，層層對(duì)應(yīng)。這是一種比較強(qiáng)有力的學(xué)習(xí)系統(tǒng)，它的結(jié)構(gòu)相對(duì)而言較為簡單，并且編程也比較容易，是一種靜態(tài)的非線性映射，通過簡單的非線性處理進(jìn)行復(fù)合映射，能夠得到更加復(fù)雜的處理能力。這些前饋網(wǎng)絡(luò)學(xué)習(xí)，它們分類能力和模式識(shí)別的特點(diǎn)都要強(qiáng)于一般的反饋網(wǎng)絡(luò)。典型的前饋網(wǎng)絡(luò)有感知器網(wǎng)絡(luò)和BP網(wǎng)絡(luò)。水質(zhì)評(píng)價(jià)模型中，一般采用的都是BP神經(jīng)網(wǎng)絡(luò)，能夠很好的處理各個(gè)指標(biāo)之間的關(guān)系特點(diǎn)，做到很好的評(píng)價(jià)，但是需要一個(gè)更好的模型結(jié)合神經(jīng)網(wǎng)絡(luò)確定權(quán)重的特點(diǎn)進(jìn)行水質(zhì)評(píng)價(jià)，能夠收到更好的效果。
2 模糊綜合評(píng)價(jià)的基本理論
模糊數(shù)學(xué)是利用數(shù)學(xué)方法進(jìn)行研究與處理模糊現(xiàn)象的數(shù)學(xué)。模糊綜合評(píng)價(jià)作為一門新的評(píng)價(jià)科學(xué)，是典型數(shù)學(xué)、統(tǒng)計(jì)數(shù)學(xué)之后的發(fā)展起來的一門新的數(shù)學(xué)學(xué)科，可以處理很多之前數(shù)學(xué)無法解決的問題。開始具有爭議，經(jīng)過一段時(shí)間，開始迅速發(fā)展，而且涉及的應(yīng)用領(lǐng)域越來越廣泛，已經(jīng)遍及理、工、農(nóng)、醫(yī)及社會(huì)科學(xué)，充分體現(xiàn)了評(píng)價(jià)模型的優(yōu)越之處。
模糊綜合評(píng)價(jià)法是一種利用模糊數(shù)學(xué)為基礎(chǔ)的綜合評(píng)標(biāo)方法。綜合評(píng)價(jià)法利用模糊數(shù)學(xué)隸屬度理論和模糊變換原理，根據(jù)給出的評(píng)價(jià)標(biāo)準(zhǔn)與實(shí)測值，考慮到被評(píng)價(jià)事物的各個(gè)相關(guān)因素，對(duì)其進(jìn)行綜合評(píng)價(jià)。對(duì)于模糊綜合評(píng)價(jià)向量，即綜合隸屬度，可用如下公式：
A為輸入，代表參加評(píng)價(jià)因子的權(quán)重經(jīng)歸一化處理得到的一個(gè)1×n階矩陣；R為模糊變換裝置，是通過單因素評(píng)判得到的隸屬度向量，是一個(gè)n×m階的模糊關(guān)系矩陣；B為輸出，代表綜合評(píng)判結(jié)果，是一個(gè)1×m階矩陣[3]。
其中評(píng)價(jià)因子是m集合為：，分別為參與評(píng)價(jià)的n個(gè)評(píng)價(jià)因子。其中評(píng)價(jià)等級(jí)共m個(gè)等級(jí)，組成集合為：。
評(píng)判矩陣和隸屬度的式子為：
3 神經(jīng)網(wǎng)絡(luò)和模糊綜合評(píng)價(jià)結(jié)合算法
神經(jīng)網(wǎng)絡(luò)模型評(píng)價(jià)的精華在于權(quán)重的分析確定上，模糊綜合評(píng)價(jià)模型的優(yōu)點(diǎn)在于系統(tǒng)的評(píng)價(jià)模型，因此在評(píng)價(jià)的時(shí)候，只要將這兩者的優(yōu)點(diǎn)結(jié)合起來，就能夠得到很好的效果，因此設(shè)計(jì)了以下算法模型，能夠合理的對(duì)水質(zhì)進(jìn)行評(píng)價(jià)，為科學(xué)的采取污染防治措施提供依據(jù)。
Step1：網(wǎng)絡(luò)初始化。根據(jù)系統(tǒng)輸入輸出序列（X，Y）確定網(wǎng)絡(luò)輸入層節(jié)點(diǎn)數(shù)p、隱含輸入層節(jié)點(diǎn)數(shù)l，輸出層節(jié)點(diǎn)數(shù)q，初始化輸入層、隱含層和輸出層神經(jīng)元之間的連接權(quán)值α和β（α為初始權(quán)重，β為臨界值，均隨機(jī)設(shè)為較小的數(shù)）給定學(xué)習(xí)速率和神經(jīng)元[4][5]。
Step2：輸出計(jì)算。將已有的樣本數(shù)值加在網(wǎng)絡(luò)上，利用公式算出其輸出值：
Step3：調(diào)整權(quán)系數(shù)。根據(jù)網(wǎng)絡(luò)預(yù)測誤差，按已知輸出數(shù)據(jù)與上面算出的輸出數(shù)據(jù)之差，調(diào)整權(quán)重系數(shù)，其中調(diào)整量為：其中：因?yàn)殡[節(jié)點(diǎn)的輸出內(nèi)部抑制，利用反向推算可以得到：誤差值從輸出層反向推導(dǎo)得到。
Step4：對(duì)各層的權(quán)重系數(shù)進(jìn)行調(diào)整后，得到調(diào)整后的權(quán)
重為：
BP神經(jīng)網(wǎng)絡(luò)利用梯度下降算法，通過迭代運(yùn)算，不斷調(diào)整mij的數(shù)值，當(dāng)?shù)玫降妮敵稣`差小于所設(shè)定的閥值時(shí)，將認(rèn)為獲得的mijBP神經(jīng)網(wǎng)絡(luò)是合理的。而不斷迭代的方法相當(dāng)于對(duì)各類情況進(jìn)行調(diào)整，具有一定的學(xué)習(xí)記憶特征。
基金項(xiàng)目
國家自然科學(xué)基金青年基金（11201485）；徐州工程學(xué)院校青年項(xiàng)目（XKY2010201）。
參考文獻(xiàn)
[1]劉起霞，李清波，鄒劍峰.環(huán)境工程地質(zhì)[M].鄭州：黃河水利出版社，2001.
[2]孫會(huì)君，王新華.應(yīng)用人工神經(jīng)網(wǎng)絡(luò)確定評(píng)價(jià)指標(biāo)的權(quán)重[J].山東科技大學(xué)學(xué)報(bào)（自然科學(xué)版），2001，20（3）：84-86.
[3]萬金保，李媛媛.模糊綜合評(píng)價(jià)法在鄱陽湖水質(zhì)評(píng)價(jià)中的應(yīng)用[J].上海環(huán)境科學(xué)，2007，26（05）：215-218.
[4]金菊良，魏一鳴，丁晶.基于改進(jìn)層次分析法的模糊綜合評(píng)價(jià)模型[J].水利學(xué)報(bào)，2004（03）：65-70.
[5]郭慶春，何振芳，李力，等.BP人工神經(jīng)網(wǎng)絡(luò)模型在太湖水污染指標(biāo)預(yù)測中的應(yīng)用[J].南方農(nóng)業(yè)學(xué)報(bào)，2011，42（10）.
第3篇：矩陣論在神經(jīng)網(wǎng)絡(luò)中的應(yīng)用范文
關(guān)鍵詞：服務(wù)沖突;TRIZ;沖突矩陣;BP網(wǎng)絡(luò)
服務(wù)業(yè)的快速發(fā)展和人們生活水平的提高，使得服務(wù)質(zhì)量成為企業(yè)在劇烈的市場競爭中取勝的關(guān)鍵因素。然而，目前很多服務(wù)企業(yè)的服務(wù)質(zhì)量水平還遠(yuǎn)低于人們的期望。雖然企業(yè)在努力提高其服務(wù)質(zhì)量，然而由于服務(wù)質(zhì)量往往是由多個(gè)屬性來共同刻畫，人們努力改善服務(wù)的某方面的質(zhì)量屬性的同時(shí)卻有可能降低了其另一方面的質(zhì)量屬性，這種現(xiàn)象被稱為服務(wù)沖突 [1]。例如，對(duì)于網(wǎng)絡(luò)在線游戲，游戲提供商需每周關(guān)閉游戲服務(wù)器維護(hù)系統(tǒng)，而這就必須強(qiáng)迫玩家與服務(wù)器連接中斷，在這種情況下，要想保持顧客滿意度，游戲提供商就要在保證在“等待時(shí)間”不變的情況下，提高產(chǎn)品的“易維修性”。因此，對(duì)于服務(wù)這項(xiàng)無形的“產(chǎn)品”，它內(nèi)部屬性之間的矛盾也是影響服務(wù)質(zhì)量提高的重大障礙。
如何解決這種服務(wù)沖突，傳統(tǒng)的是采用妥協(xié)、折中的方式，但這些方法只能避開矛盾，并沒有解決矛盾。G.S.Altshuler等提出的TRIZ的沖突解決矩陣就是專門解決產(chǎn)品內(nèi)部矛盾的比較成熟的方法，它能夠解決工程領(lǐng)域產(chǎn)品之間的大部分矛盾[2]。本文借鑒TRIZ中沖突矩陣的思路，構(gòu)建了一個(gè)基于BP神經(jīng)網(wǎng)絡(luò)的服務(wù)沖突消解模型。該模型允許企業(yè)根據(jù)實(shí)際情況增加新的參數(shù)及沖突解決方案，更針對(duì)性的解決服務(wù)企業(yè)沖突問題。
一、TRIZ理論及其在服務(wù)領(lǐng)域的應(yīng)用
（一）TRIZ理論。TRIZ是俄文發(fā)明問題解決理論的縮寫。前蘇聯(lián)G.S. Altshuler等研究人員在分析研究世界各國250萬件專利的基礎(chǔ)上、花費(fèi)1500個(gè)人年的時(shí)間提出的包括ARIZ算法、物質(zhì)--場分析法、沖突矩陣、預(yù)測、效應(yīng)庫等系列的TRIZ方法。其中沖突矩陣是TRIZ的核心工具之一，它由39個(gè)工程參數(shù)和40個(gè)發(fā)明原理構(gòu)成。矩陣的行和列分別為39個(gè)改善和惡化的工程參數(shù)，矩陣元素Xi，j為第i個(gè)改善的參數(shù)和第j個(gè)惡化的參數(shù)所構(gòu)成的沖突所對(duì)應(yīng)的發(fā)明原理。TRIZ沖突矩陣是個(gè)對(duì)稱矩陣，即Xi，j與Xj，i相同，Xi，i為空。表1為沖突矩陣示意圖。
表1 沖突解決矩陣
（二）TRIZ在服務(wù)中的應(yīng)用。TRIZ用獨(dú)特的沖突矩陣來分析問題。在技術(shù)領(lǐng)域，沖突相對(duì)而言更清晰和更易于察覺。盡管服務(wù)產(chǎn)品不同于實(shí)體產(chǎn)品，沖突卻不可避免地存在著，與技術(shù)領(lǐng)域不同的是，服務(wù)沖突更無形、更抽象[3]。例如，“標(biāo)準(zhǔn)化和顧客定制化”、“差異化和專一化”、“概括信息和詳細(xì)信息”、“安全性和透明度”等等都是服務(wù)企業(yè)常見的沖突問題。
Berry和Lampo（2000）通過對(duì)大量服務(wù)案例的分析得出結(jié)論，可以由五種典型的方式來重新設(shè)計(jì)服務(wù)。它們是：自服務(wù)、直接服務(wù)、預(yù)先服務(wù)、捆綁服務(wù)、“有形”服務(wù)?？梢钥闯?，這五種服務(wù)設(shè)計(jì)模式和TRIZ40條發(fā)明創(chuàng)造原理中的某些原理非常類似。如自服務(wù)，對(duì)應(yīng)原理-25自服務(wù)：使一物體通過附加功能產(chǎn)生自己服務(wù)于自己的功能;直接服務(wù)對(duì)應(yīng)原理-2分離：將一個(gè)物體的“干擾”部分分離出去;預(yù)先服務(wù)對(duì)應(yīng)原理-10預(yù)操作：在操作開始前，使物體局部或全部產(chǎn)生所需的變化;捆綁服務(wù)對(duì)應(yīng)原理-5合并：在空間上將相似的物體連接在一起，使其完成并行的操作;“有形”服務(wù)對(duì)應(yīng)原理-15動(dòng)態(tài)化：使一個(gè)物體在操作的每個(gè)階段自動(dòng)調(diào)整，以達(dá)到優(yōu)化的性能。
二、服務(wù)沖突矩陣的構(gòu)建
（一）服務(wù)參數(shù)的提取。由于服務(wù)具有主觀、互動(dòng)、抽象的特點(diǎn)，并且具有與實(shí)體產(chǎn)品不同的特征（無形性、異質(zhì)性、顧客參與、服務(wù)生產(chǎn)與消費(fèi)同時(shí)等），因此，對(duì)于服務(wù)領(lǐng)域不能用TRIZ通用的工程參數(shù)來描述沖突。這里要做的是找出適用于服務(wù)領(lǐng)域的類似工程參數(shù)的服務(wù)屬性。關(guān)于服務(wù)屬性的選取，這里作必要的說明。
首先，通過分析借鑒其他學(xué)者對(duì)相關(guān)問題的研究。Brady和Cronin（2001）等學(xué)者研究提出了服務(wù)質(zhì)量的三因素模型，認(rèn)為服務(wù)質(zhì)量由交互質(zhì)量、實(shí)體環(huán)境質(zhì)量和結(jié)果質(zhì)量三個(gè)維度組成。Parasuraman，Zeithaml對(duì)幾類不同的服務(wù)進(jìn)行研究人士影響服務(wù)質(zhì)量的有：可靠性、響應(yīng)性、勝任力、接近性、禮貌性、溝通性、信賴性、安全性、了解性和有形性。梁文賓（2005）[3]在前人研究的基礎(chǔ)上整理出了旅游業(yè)的21個(gè)服務(wù)屬性并把這些屬性與TRIZ的工程參數(shù)進(jìn)行了配適。其次，由于服務(wù)屬性有行業(yè)特點(diǎn)，不同的服務(wù)行業(yè)，服務(wù)屬性可能有所不同，各個(gè)屬性的重要性也會(huì)存在差異。因此，這里只給出一個(gè)一般的參考指標(biāo)，實(shí)際應(yīng)用時(shí)依據(jù)行業(yè)特點(diǎn)再作些調(diào)整。具體的服務(wù)參數(shù)如表2所示。
表2 服務(wù)參數(shù)指標(biāo)體系
注：資料整理來源于文獻(xiàn)
（二）服務(wù)沖突矩陣的構(gòu)建。根據(jù)上面的21個(gè)服務(wù)參數(shù)，建立21*21服務(wù)沖突矩陣。其中矩陣行所代表的參數(shù)是需要改善的一方，列所描述的參數(shù)為可能引起惡化的一方。在沖突矩陣中，除了主對(duì)角線外，行與列的交叉點(diǎn)可能構(gòu)成一對(duì)沖突，表3為服務(wù)沖突矩陣示意圖。
表3 服務(wù)沖突矩陣
注：服務(wù)參數(shù)與工程參數(shù)的配適參考文獻(xiàn)[2]。
服務(wù)沖突矩陣的應(yīng)用過程為：根據(jù)實(shí)際存在的沖突，在22個(gè)服務(wù)參數(shù)中，確定需要改善及防治惡化的參數(shù)，在矩陣中找到其對(duì)應(yīng)得行與列。例如，對(duì)于網(wǎng)絡(luò)在線游戲，游戲提供商需要每周關(guān)閉游戲服務(wù)器維護(hù)系統(tǒng)，在這種情況下，要想保持顧客滿意度，游戲提供商就要保證在“等待時(shí)間X14”不變的情況下，提高產(chǎn)品的“易維修性X17”，即行17與列14。其解決原理為有原理1-分割、原理10-預(yù)操作、原理-25自服務(wù)。原理1的具體解決方案為把維修分成幾個(gè)部分進(jìn)行，對(duì)游戲分部分獨(dú)立維修，這樣，當(dāng)我們?cè)诓糠志S修的時(shí)候玩家也可以繼續(xù)玩。具體40條解決原理見表4。
表4 發(fā)明原理在服務(wù)中的實(shí)例
注：資料整理來源于文獻(xiàn)
該服務(wù)沖突矩陣參數(shù)是根據(jù)TRIZ沖突矩陣中的工程參數(shù)配適出來的，對(duì)于服務(wù)“產(chǎn)品”可能具有而實(shí)體產(chǎn)品卻不具有的功能參數(shù)，該矩陣就無法描述。為更加全面的解決服務(wù)沖突問題，本文把建立一個(gè)基于BP神經(jīng)網(wǎng)絡(luò)的沖突消解模型，在模型中，企業(yè)能根據(jù)自身情況添加新的輸入或輸出節(jié)點(diǎn)數(shù)也就是增加新的參數(shù)或解決原理，來解決本企業(yè)的沖突問題。
三、基于BP神經(jīng)網(wǎng)絡(luò)的服務(wù)沖突消解模型
人工神經(jīng)網(wǎng)絡(luò)是由大量處理單元廣泛互連而成的網(wǎng)絡(luò)，是對(duì)人腦信息處理功能的模擬和延伸。目前，在神經(jīng)網(wǎng)絡(luò)的實(shí)際應(yīng)用中，BP網(wǎng)絡(luò)是最成熟、應(yīng)用最廣的一種前饋神經(jīng)網(wǎng)絡(luò)，它主要用于函數(shù)逼近、模式識(shí)別、分類和數(shù)據(jù)壓縮。其結(jié)構(gòu)由一個(gè)輸入層、一個(gè)或多個(gè)隱含層、一個(gè)輸出層組成，各層由若干個(gè)神經(jīng)元（節(jié)點(diǎn)）構(gòu)成，每一個(gè)節(jié)點(diǎn)的輸出值與輸入值得關(guān)系由作用函數(shù)和閥值決定，神經(jīng)元可以實(shí)現(xiàn)輸入和輸出之間的任意非線性映射。
（一）BP網(wǎng)絡(luò)模型的構(gòu)建。（1）網(wǎng)絡(luò)層數(shù)的配置。根據(jù)輸入和輸出的要求，選擇網(wǎng)絡(luò)的隱含層是非常重要的。理論分析證明，具有單隱層的前饋網(wǎng)可以映射所有連續(xù)函數(shù)。因此，本文選用三層BP神經(jīng)網(wǎng)絡(luò)，即由一個(gè)輸入層，一個(gè)隱含層和一個(gè)輸出層組成。（2）網(wǎng)絡(luò)輸入節(jié)點(diǎn)數(shù)的確定。由沖突矩陣可以看出，每個(gè)沖突既包括一對(duì)工程參數(shù)，又表明參數(shù)的改善與惡化情況。若直接按沖突矩陣來設(shè)置輸入節(jié)點(diǎn)數(shù)，則需要21*21-21=402個(gè)輸入節(jié)點(diǎn);若僅用21個(gè)節(jié)點(diǎn)，又不能確定改善與惡化的服務(wù)參數(shù)，故引入一個(gè)判斷輸入節(jié)點(diǎn)X22.當(dāng)其為0時(shí)，表示Xi改善，Xj惡化（Xi、Xj均為1，且i
傳遞函數(shù)：隱含層中的神經(jīng)元和輸出層神經(jīng)元均采用正切S型傳遞函數(shù)（tansig）。學(xué)習(xí)周期：預(yù)設(shè)為1000個(gè)。學(xué)習(xí)目標(biāo)：總均方誤差MSE小于誤差限1e-2。學(xué)習(xí)算法：選用有彈回的BP算法。初始連接權(quán)值和閥值：利用Matlab的函數(shù)init（）產(chǎn)生初始連接權(quán)值和閥值。Init（）采用nguyen-widrow初始化算法。
（二）網(wǎng)絡(luò)樣本的設(shè)計(jì)。網(wǎng)絡(luò)的樣本來自于服務(wù)領(lǐng)域已解決的問題。本文選取30個(gè)沖突案例作為數(shù)據(jù)樣本集，其中25個(gè)作為訓(xùn)練樣本，5個(gè)作為測試樣本。
對(duì)于每一個(gè)樣本案例，首先要將問題抽象對(duì)應(yīng)為沖突矩陣中某一特定的沖突，解決的方法抽象對(duì)應(yīng)為40條沖突解決原理中的一條。如，解決旅行社的“行前解約”問題給旅客帶來的不滿，需要顧及個(gè)別差異，若顧及個(gè)別差異就可能會(huì)拖延處理問題的時(shí)間。這樣，需要改善的屬性是“彈性”，而需維持不受影響的屬性為“服務(wù)補(bǔ)救能力”。最終的解決方案是先將團(tuán)員們分成獨(dú)立個(gè)體，再派專人單獨(dú)與旅客們針對(duì)其需要迅速解決問題，采用的原則是分割。按表5的過程就得到了一組學(xué)習(xí)樣本。
表5 獲取學(xué)習(xí)樣本
（三）運(yùn)行結(jié)果及分析。神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過程誤差曲線如圖1所示。從圖中可以看出，網(wǎng)絡(luò)訓(xùn)練到617步時(shí)訓(xùn)練誤差達(dá)到期望誤差，收斂效果良好。因此，網(wǎng)絡(luò)選擇的隱含層節(jié)點(diǎn)數(shù)，學(xué)習(xí)函數(shù)等網(wǎng)絡(luò)參數(shù)比較適合。
圖1 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過程誤差曲線
依據(jù)學(xué)習(xí)好的網(wǎng)絡(luò)，只要將實(shí)際問題依據(jù)表5抽象化以后輸入到網(wǎng)絡(luò)中，就能得到相應(yīng)的沖突解決原理。表6為測試樣本的實(shí)際輸出與理論輸出的對(duì)照表，從表中可以看出樣本的實(shí)際輸出與理論輸出很接近，誤差很小，驗(yàn)證了該網(wǎng)絡(luò)的可行性。
表6 測試樣本輸出對(duì)照表
結(jié)論：本文從服務(wù)“產(chǎn)品”內(nèi)部矛盾影響服務(wù)質(zhì)量的角度，借鑒TRIZ沖突矩陣的思路，在構(gòu)建服務(wù)沖突矩陣的基礎(chǔ)上，建立了基于BP神經(jīng)網(wǎng)絡(luò)的服務(wù)沖突消解模型。該模型不僅能解決原有的服務(wù)沖突問題，還允許企業(yè)添加新的參數(shù)和解決方案，增加新的實(shí)例，建立適合自己的網(wǎng)絡(luò)沖突模型。然而，由于BP神經(jīng)網(wǎng)絡(luò)自身的局限，使得該模型在實(shí)際應(yīng)用中也存在一些問題。例如，網(wǎng)絡(luò)的穩(wěn)定性和可塑性較差，當(dāng)它遇到一個(gè)新模式時(shí)，會(huì)將已有的權(quán)值和閥值打亂，導(dǎo)致學(xué)習(xí)好的模式信息丟失。另外，隱含層的神經(jīng)元個(gè)數(shù)設(shè)置多少合適，少量的學(xué)習(xí)樣本結(jié)果是否具有一般性應(yīng)用等問題，還需進(jìn)一步研究。
參考文獻(xiàn)：
第4篇：矩陣論在神經(jīng)網(wǎng)絡(luò)中的應(yīng)用范文
關(guān)鍵詞：甘蔗葉片；光譜反射率；葉綠素含量；PCA算法；BP神經(jīng)網(wǎng)絡(luò)
中圖分類號(hào)：O657.3； TP722.4文獻(xiàn)標(biāo)識(shí)碼：ADOI：10.3969/j.issn.10036199.2017.01.008
1引言
甘蔗是廣西地區(qū)最重要的經(jīng)濟(jì)作物，新臺(tái)糖22號(hào)甘蔗是廣西蔗區(qū)種植面積最廣的品種。但是與發(fā)達(dá)地區(qū)相比，廣西的甘蔗生產(chǎn)水平相對(duì)較低，生產(chǎn)成本偏高，產(chǎn)品的國際競爭力不強(qiáng)。了解甘蔗的生長狀況，建立與作物長勢(shì)有關(guān)的作物生化指數(shù)（這里指的是葉綠素含量）的預(yù)測模型是精細(xì)農(nóng)業(yè)研究的重要內(nèi)容。葉片葉綠素含量植物的狀態(tài)，而光譜為無損估算葉片葉綠素含量提供了[1-4]。
Gitelson等[5]通過對(duì)不同作物的冠層反射光譜進(jìn)行研究，發(fā)現(xiàn)在波長550 nm和700 nm附近的光譜與葉綠素的含量相關(guān)性顯著；Hansena and Schjoerring[6]通過比較預(yù)先假設(shè)的NDVI的兩個(gè)長波段的預(yù)測模型，采用偏最小二乘法選擇相關(guān)性最高的波段組合，結(jié)果發(fā)現(xiàn)用于估算葉片葉綠素含量的模型準(zhǔn)確度高；趙春江、張金恒等[7-8]研究認(rèn)為利用紅邊波段的反射光譜可以估算葉片葉綠素含量。
BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)通常是指基于誤差反向傳播算法的多層前向神經(jīng)網(wǎng)絡(luò)。目前BP神經(jīng)網(wǎng)絡(luò)已成為近紅外光譜定量分析中應(yīng)用最廣的非線性多元校正方法。劉建學(xué)等[9-12]基于BP神經(jīng)網(wǎng)絡(luò)建立了大米淀粉含量的預(yù)測模型；王艷斌[7]等針對(duì)不同餾程柴油的近紅外光譜進(jìn)行校正，認(rèn)為人工神經(jīng)網(wǎng)絡(luò)具有較好的準(zhǔn)確性和抗干擾性；張欽禮等[13]針對(duì)礦巖可爆性進(jìn)行預(yù)測分析，建立了基于主成分析（Principal Component Analysis，PCA）和BP組合的礦巖可爆性分級(jí)評(píng)價(jià)模型，預(yù)測值與期望值之間的相對(duì)誤差控制在6%以內(nèi)；陳建宏等[14]建立了基于PCA和BP相結(jié)合的采礦方法優(yōu)選模型了數(shù)據(jù)處理速度較慢的缺陷。王棟等[15]研究發(fā)現(xiàn)基于灰色關(guān)聯(lián)和BP神經(jīng)網(wǎng)絡(luò)的汽車保有量預(yù)測模型具有較高的精度，最大相對(duì)誤差為2.2%，平均相對(duì)誤差為1.5%。
人工神經(jīng)網(wǎng)絡(luò)方法具有很強(qiáng)的非線性逼近能力，已經(jīng)在近紅外分析中得到廣泛的應(yīng)用。針對(duì)甘蔗作物光譜特性進(jìn)行研究的文獻(xiàn)少，研究基于PCA和BP神經(jīng)網(wǎng)絡(luò)算法，建立了甘蔗葉片葉綠素含量的預(yù)測模型。
2實(shí)驗(yàn)數(shù)據(jù)獲取
該實(shí)驗(yàn)是在2015年5月26日，在廣西大學(xué)農(nóng)學(xué)院試驗(yàn)田進(jìn)行。甘蔗品種選擇新臺(tái)糖22號(hào)（ROC22）。采用“3414”施肥方案，肥料選擇尿素（N）、氯化鉀（K）和鈣鎂磷肥（P）。此次試驗(yàn)是在每個(gè)小區(qū)，共42個(gè)樣本。實(shí)驗(yàn)使用的是島津紫外可見分光光度計(jì)UV-2600，其測量的測波長范圍是220-1400 nm，分辨率為0.1 nm?？捎糜跍y量甘蔗葉片的反射光譜和葉綠素含量
a和Cb分別為葉綠素a、b的濃度，葉綠素濃度。A645與A663分別為645 nm與663 nm波長下的萃取液吸光度。3基于PCA和BP神經(jīng)網(wǎng)絡(luò)的葉綠素含量預(yù)測模型設(shè)計(jì)
本實(shí)驗(yàn)利用甘蔗葉片在可見光-近紅外區(qū)域的反射率數(shù)據(jù)作為該模型的輸入，光譜矩陣X，葉綠素的含量值作為其輸出。本研究主要基于BP算法的思想建立預(yù)測葉綠素含量的模型。但是直接將光譜矩陣X作為神經(jīng)元的輸入，導(dǎo)致BP網(wǎng)的規(guī)模比較大，訓(xùn)練也較為復(fù)雜。我們首先利用PCA消除光譜數(shù)據(jù)之間的多重共線性，對(duì)原始光譜矩陣進(jìn)行降維處理，提取出主成分。進(jìn)一步確定最終主成分的數(shù)目，并將這些主成分作為BP網(wǎng)的輸入。另外，根據(jù)BP神經(jīng)網(wǎng)絡(luò)理論，編寫B(tài)P算法的程序，建立葉綠素含量的預(yù)測模型。
3.1PCA算法和BP神經(jīng)網(wǎng)絡(luò)算法的原理
PCA是對(duì)多變量數(shù)據(jù)進(jìn)行統(tǒng)計(jì)處理的一種數(shù)據(jù)線性投影方法，它在盡可能保留原有信息的基礎(chǔ)上將高維空間中的樣本映射到較低維的主成分空間中。其基本思路是以一種最優(yōu)的方法把相互相關(guān)的一組數(shù)據(jù)，通過正交變換使其變?yōu)橐唤M相互無關(guān)的變量，以達(dá)到簡化光譜矩陣，降低維數(shù)的目的。對(duì)于一個(gè)具有n個(gè)樣本p個(gè)波長點(diǎn)光譜矩陣
以上測試結(jié)果表明：在一定的誤差范圍內(nèi)，利用經(jīng)過改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)模型能較好預(yù)測葉綠素含量。這主要是因?yàn)榍?個(gè)主成分幾乎原始光譜信息另外BP神經(jīng)網(wǎng)絡(luò)自身的結(jié)構(gòu)特點(diǎn)也決定了其具有較好的預(yù)測能力。
4結(jié)語
本論文主要研究了處于分蘗初期的甘蔗葉片在可見-近紅外波段的光譜特性對(duì)其葉綠素含量的預(yù)測能力。首先對(duì)光譜范圍為400 nm～1000 nm的甘蔗葉片反射率進(jìn)行了主成分分析，以盡可能地減少冗余信息；接下來，采用前5個(gè)主成分作為BP神經(jīng)網(wǎng)絡(luò)的輸入，建立了葉綠素的預(yù)測模型。研究發(fā)現(xiàn)，采用PCA及BP神經(jīng)網(wǎng)絡(luò)算法相結(jié)合的方法建立的預(yù)測模型具有較強(qiáng)的預(yù)測能力（R2=0.8929，pvalue=0.0016）。但是，利用全波段的光譜信息來作為預(yù)測模型的輸入，數(shù)據(jù)量較大，數(shù)據(jù)獲取成本較高，增加了模型的復(fù)雜性及應(yīng)用成本，不利于后期推廣。另外，由于研究中用到的樣本數(shù)據(jù)較少，該模型仍存在一定的不穩(wěn)定因素，后期可通過增加訓(xùn)練樣本數(shù)量集，進(jìn)一步增加模型的魯棒性。
參考文獻(xiàn)
[1]THENKABAIL P S， SMITH R B， DE PAUW E. Hyperspectral vegetation indices and their relationships with agricultural crop characteristics[J]. Remote Sensing of Environment， 2001，71：158-182.
[2]FILELLA I， SERRANO I， SERRA J，et al.Evaluating wheat nitrogen status with canopy relfectance indices and discriminant analysis[J]. Crop Sci，1995，35：1400-1405.
[3]RICHARDSON A D， DUIGAN S P， BERLYN G P. An evaluation of noninvasive methods to estimate foliar chlorophyll content[J]. New Phytol，2002，153：185-194.
[4]李修華， 陳曉， 周永華，等. 不同施肥情況下甘蔗葉片光譜特性分析及其葉綠素含量預(yù)測[J].農(nóng)業(yè)工程學(xué)報(bào)，2015，31：118-123.
[5]GITELSON A A， MERZLYAK M N J. PhotochemPhotobiol， Quantitative estimation of chlorophyll a using reflectance spectra： Experiments with autumn chestnut and maple leaves. J Photochem Photobiol，1994a，（B） 22：247-252.
[6]HANSENA P M.，SCHJOERRING J K. Reflectance measurement of canopy biomass and nitrogen status in wheat crops using normalized difference vegetation indices and partial least squares regression[J].Remote Sensing of Environment，2003，86： 542-553.
[7]趙春江，黃文江，王紀(jì)華，等.不同品種和肥水條件下冬小麥光譜紅邊參數(shù)研究[A]. 成像光譜技術(shù)與應(yīng)用研討會(huì)論文集[C]. 2002，69-73.
[8]張金恒，王珂，王人潮. 高光譜評(píng)價(jià)植被葉綠素含量的研究進(jìn)展[J].上海交通大學(xué)學(xué)報(bào)， 2003， 21（4）： 349-360.
[9]RIAR A. In： Bhullar GS， Bhullar NKA （eds） Agricultural Sustainability Progress and Prospects in Crop Research[J]， 1st edn. Jamestown Road， London. 2013.
[10]CRAMARIUC R，NISIPARU L，TANASE G.Test for the electrostatic crop spraying as a method of treatment with vctra low volume，the modern problems of electrostatics with applications in environment protection[J].NATO ASI Seriea，1998，118：33-38，379-392.
[11]O紅，李民贊，周志艷，等.玉米生長期葉片葉綠素含量檢測研究.光譜學(xué)與光譜分析，2010，4： 1080-1083.
[12]APARICIO N，VILLEGAS D，CASADESUS J，et al.Spectral vegetation indices as non-destructive Curran PJ[J]， Agronomy Journal，2000，92： 83-91.
[13]張欽禮，劉偉軍，楊偉，等. 基于PCA和改進(jìn)BP組合預(yù)測模型的礦巖可爆性研究[J]. 爆破， 2016，33（1）：19-30.
[14]陳建宏， 劉浪， 周智勇， 等. 基于主成分分析與神經(jīng)網(wǎng)絡(luò)的采礦方法優(yōu)選[J]. 中南大學(xué)學(xué)報(bào)：自然科學(xué)版，2010，41（5）：1967-1974.
[15]王棟，鄧北川. 山區(qū)高速公路直線段車速預(yù)測方法[J]. 交通科學(xué)與工程，2014，30（2）：81-86.
第5篇：矩陣論在神經(jīng)網(wǎng)絡(luò)中的應(yīng)用范文
關(guān)鍵詞：電力系統(tǒng)；人工智能；模糊控制；神經(jīng)網(wǎng)絡(luò)
引言
伴隨著社會(huì)的不斷進(jìn)步，用戶對(duì)電能的要求也在不斷提高:安全、可靠、優(yōu)質(zhì)、環(huán)保。電力系統(tǒng)在實(shí)際工作中也確實(shí)存在一些技術(shù)難題：首先，電力系統(tǒng)是一種復(fù)雜大系統(tǒng)，系統(tǒng)參數(shù)包含著諸多的不確定因素，并且具有很強(qiáng)的非線性；其次，電力系統(tǒng)應(yīng)當(dāng)具有較強(qiáng)的魯棒性能，以克服系統(tǒng)中的擾動(dòng)，而且系統(tǒng)對(duì)多目標(biāo)尋優(yōu)的控制方法要求也較高；最后，復(fù)雜系統(tǒng)是由多個(gè)子系統(tǒng)相互影響、關(guān)聯(lián)組成，電力系統(tǒng)需要將多個(gè)局部的控制系統(tǒng)相互連接，綜合控制。因此，這一系列尖端的技術(shù)難題需要應(yīng)用更為先進(jìn)的自動(dòng)化控制技術(shù)即智能控制技術(shù)。
1智能控制技術(shù)
控制理論的不斷發(fā)展，為人類帶來了更加先進(jìn)的自動(dòng)化技術(shù)，使得人們?cè)O(shè)計(jì)的控制系統(tǒng)穩(wěn)定、可靠、智能、高效。典型的智能控制技術(shù)包括：模糊控制、人工神經(jīng)網(wǎng)絡(luò)、專家系統(tǒng)、遺傳算法等。
1.1模糊控制。模糊控制是基于模糊數(shù)學(xué)理論的一種控制方法。傳統(tǒng)的控制理論能夠解決模型明朗、確定的系統(tǒng)的控制問題。但當(dāng)面對(duì)類似于電力系統(tǒng)的復(fù)雜、模型不確定、因素多的大系統(tǒng)傳統(tǒng)的控制方法就無法高效地解決控制問題。為了克服上述問題，科研人員提出了用模糊數(shù)學(xué)的理論來解決一些復(fù)雜系統(tǒng)的控制問題。模糊控制是一種非線性的控制理論。它采用的是理論與實(shí)際相結(jié)合的方法解決實(shí)際的問題。一般模糊控制技術(shù)包含如下幾個(gè)部分：定義變量、模糊化、知識(shí)庫、邏輯判斷及反模糊化。而其中的邏輯判斷部分運(yùn)用模糊邏輯、模糊推論方法進(jìn)行分析，得到最優(yōu)的模糊控制輸出。
1.2人工神經(jīng)網(wǎng)絡(luò)。人工神經(jīng)網(wǎng)絡(luò)（ArtificialNeuralNetworks，簡寫為ANNs）也簡稱為神經(jīng)網(wǎng)絡(luò)（NNs），此類數(shù)學(xué)模型模仿動(dòng)物神經(jīng)網(wǎng)絡(luò)的組成，進(jìn)行分布式信息處理。通過調(diào)整系統(tǒng)內(nèi)部的各個(gè)節(jié)點(diǎn)之間的聯(lián)系，最終達(dá)到控制系統(tǒng)的目的。強(qiáng)魯棒性、非線性特性、自組織自學(xué)習(xí)的能力和并行處理能力是人工神經(jīng)網(wǎng)絡(luò)基本特性，受到了人們的普遍關(guān)注。人工神經(jīng)網(wǎng)絡(luò)在工作前先對(duì)控制準(zhǔn)則學(xué)習(xí)，減少系統(tǒng)工作過程中發(fā)生錯(cuò)誤動(dòng)作的概率?？刂频臏?zhǔn)確性可以經(jīng)過學(xué)習(xí)之后逐漸完善，提高系統(tǒng)正確動(dòng)作的權(quán)值。
1.3專家系統(tǒng)。專家系統(tǒng)實(shí)際上是一個(gè)包含著某個(gè)專業(yè)領(lǐng)域內(nèi)的大量人類專家知識(shí)的一種智能計(jì)算機(jī)程序系統(tǒng)。該系統(tǒng)通過程序模擬人類專家應(yīng)用其豐富的知識(shí)經(jīng)驗(yàn)進(jìn)行分析、解決問題的過程，最終解決復(fù)雜的控制系統(tǒng)的問題。專家系統(tǒng)中的知識(shí)庫是反映系統(tǒng)性能的主要部分，系統(tǒng)在解決問題時(shí)是通過模擬專家的思維來實(shí)現(xiàn)的。用戶在使用過程中可以通過不斷完善專家?guī)靵硖岣邔＜蚁到y(tǒng)的性能。專家系統(tǒng)通過反復(fù)比對(duì)系統(tǒng)的輸入信息，與專家系統(tǒng)中的知識(shí)庫的規(guī)則進(jìn)行匹配，最終找到能使數(shù)據(jù)庫的內(nèi)容與實(shí)際的目標(biāo)的規(guī)則。在改善動(dòng)態(tài)品質(zhì)和提高遠(yuǎn)距離輸電線路能力的問題上，盧強(qiáng)等人提出了利用最優(yōu)勵(lì)磁控制手段，研究成果指出：利用最優(yōu)勵(lì)磁控制方式，可以使大型機(jī)組取代古典勵(lì)磁方式。
2智能控制技術(shù)在電力系統(tǒng)的應(yīng)用
2.1模糊控制技術(shù)在繼電保護(hù)領(lǐng)域的應(yīng)用。電力系統(tǒng)中的繼電保護(hù)裝置具有這重要的意義，繼電保護(hù)裝置的可靠工作能使電力系統(tǒng)穩(wěn)定、可靠、安全的運(yùn)行。對(duì)繼電保護(hù)裝置的故障識(shí)別與診斷越來越嚴(yán)苛，電力系統(tǒng)中龐大復(fù)雜的故障現(xiàn)象，普通的識(shí)別系統(tǒng)無法準(zhǔn)確及時(shí)地解決問題。因此，采用先進(jìn)的人工智能技術(shù)進(jìn)行電力系統(tǒng)的繼電保護(hù)裝置的故障識(shí)別與診斷的工作更加迫切。應(yīng)用模糊控制技術(shù)監(jiān)視電力系統(tǒng)中變壓器的工作狀態(tài)，根據(jù)變壓器的參數(shù)的變化，結(jié)合已知的輸入輸出，利用模糊控制技術(shù)進(jìn)行變壓器的故障診斷。利用最小二乘法的原理將變壓器的一些參數(shù)，例如電介質(zhì)的損耗、泄漏電流、絕緣電阻、變壓器的吸收比等參數(shù)作為模糊控制的輸入。將這些輸入?yún)?shù)通過一定的規(guī)則進(jìn)行量化，作為模糊輸入的矩陣，再將變壓器的狀態(tài)分為合格、不合格、故障等按照規(guī)則量化得到輸出的模糊矩陣。參考其他一些實(shí)際經(jīng)驗(yàn)中的數(shù)據(jù)作為擴(kuò)展出來的輸入輸出矩陣，應(yīng)用最小二乘法的迭代運(yùn)算得到輸入與輸出的關(guān)系矩陣。應(yīng)用得出的輸入輸出的關(guān)系矩陣就可以對(duì)一些變壓器的試驗(yàn)信息進(jìn)行分析，診斷。
2.2神經(jīng)網(wǎng)絡(luò)在電力系統(tǒng)故障診斷中的應(yīng)用。在電力系統(tǒng)故障診斷的過程中，神經(jīng)網(wǎng)絡(luò)將系統(tǒng)的故障報(bào)警信息作為神經(jīng)網(wǎng)絡(luò)的輸入量。神經(jīng)網(wǎng)絡(luò)的輸出是電力系統(tǒng)故障診斷的結(jié)論。應(yīng)先讓神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)，對(duì)其輸入特定的故障報(bào)警，建立一個(gè)全面的故障報(bào)警樣本庫。通過樣本庫不斷對(duì)神經(jīng)網(wǎng)絡(luò)系統(tǒng)進(jìn)行訓(xùn)練，使得系統(tǒng)對(duì)不同的故障報(bào)警輸入產(chǎn)生相應(yīng)的權(quán)重，最終能夠輸出準(zhǔn)確的故障診斷的結(jié)果。神經(jīng)網(wǎng)絡(luò)故障診斷技術(shù)不僅可以應(yīng)用在電網(wǎng)的故障診斷方面，還可以用于電力設(shè)備的故障診斷、電力系統(tǒng)中的變壓器的故障診斷等。神經(jīng)網(wǎng)絡(luò)的算法多種多樣較為常用的有BP神經(jīng)網(wǎng)絡(luò)算法，迭代步長算法，以及變步長法等。在輻射型配電系統(tǒng)中采用BP神經(jīng)網(wǎng)絡(luò)，用ANN模擬各個(gè)地區(qū)不同電弧電阻下的故障情況，測量阻抗量應(yīng)用BP神經(jīng)網(wǎng)絡(luò)判斷電力系統(tǒng)出現(xiàn)的問題。該方法能夠有效解決由于電弧引起的測量阻抗不準(zhǔn)確，導(dǎo)致保護(hù)系統(tǒng)不能正常工作的問題。專家系統(tǒng)在電力變壓器其的故障診斷的應(yīng)用電力系統(tǒng)中已經(jīng)有多個(gè)部分在控制過程中建立出了數(shù)學(xué)模型，但是依然存在一些復(fù)雜的、規(guī)律性不明顯的系統(tǒng)無法抽象出具體的數(shù)學(xué)模型。這就需要專家系統(tǒng)解決相應(yīng)的問題。專家控制系統(tǒng)在電力系統(tǒng)中多用于分辨系統(tǒng)的故障報(bào)警的狀態(tài)，進(jìn)行分析，提出故障的應(yīng)急解決方案以及系統(tǒng)的恢復(fù)控制方案。專家系統(tǒng)中的知識(shí)庫用于提供解決問題的知識(shí)，應(yīng)用推理機(jī)使用該專家的知識(shí)庫。知識(shí)庫可以根據(jù)變壓器的不同故障分為多個(gè)子系統(tǒng)，例如油位、負(fù)荷、溫度等。推理機(jī)調(diào)用程序根據(jù)當(dāng)前的狀態(tài)，按照規(guī)定的規(guī)則調(diào)用系統(tǒng)的特定知識(shí)。推理機(jī)調(diào)用知識(shí)庫中的數(shù)據(jù)時(shí)可以采用正向推理、反向推理、混合推理。經(jīng)過反復(fù)的匹配直到找出故障的原因，故障原因可能是多個(gè)，將找出的多個(gè)原因組合為一個(gè)相互關(guān)聯(lián)的矩陣。最終實(shí)現(xiàn)了經(jīng)過專家系統(tǒng)做出的故障診斷分析。
3總結(jié)
人工智能技術(shù)是一項(xiàng)新穎先進(jìn)的技術(shù)。在電力系統(tǒng)中應(yīng)用人工智能技術(shù)是電力自動(dòng)化發(fā)展的必然趨勢(shì)。針對(duì)類似于電力系統(tǒng)的具有非線性、多參數(shù)、不確定因素多的復(fù)雜大系統(tǒng)，人工智能技術(shù)擁有更加優(yōu)越的控制性能。模糊控制、神經(jīng)網(wǎng)絡(luò)、專家系統(tǒng)等控制理論已經(jīng)漸漸的成熟，在生產(chǎn)生活的多個(gè)方面已經(jīng)有了越來越多的應(yīng)用。經(jīng)過人工智能技術(shù)的不斷完善，電力系統(tǒng)自動(dòng)化的不斷深入，人工智能對(duì)電力系統(tǒng)的控制會(huì)使電力系統(tǒng)運(yùn)行更穩(wěn)定、更經(jīng)濟(jì)，魯棒性能更優(yōu)越。
參考文獻(xiàn)
[1]朱亮亮,王艷.基于人工智能的電力系統(tǒng)自動(dòng)化控制[J].科技致富向?qū)?2014,09:300.
[2]丘智蔚.基于人工智能的方法對(duì)智能電網(wǎng)進(jìn)行安全改進(jìn)[D].華南理工大學(xué),2014.
[3]馮宗英.配電網(wǎng)狀態(tài)估計(jì)及量測系統(tǒng)的魯棒性配置研究[D].山東大學(xué),2014.
第6篇：矩陣論在神經(jīng)網(wǎng)絡(luò)中的應(yīng)用范文
【關(guān)鍵詞】BP人工神經(jīng)網(wǎng)絡(luò)；車間調(diào)度；模擬退火算法；SA＼LM混合算法
0 引言
車間調(diào)度指標(biāo)工時(shí)達(dá)成率是評(píng)價(jià)車間調(diào)度優(yōu)異程度的重要指標(biāo)，它直接體現(xiàn)出車間設(shè)備的利用率、工人效率、庫存大小，同時(shí)工時(shí)達(dá)成率的影響因素很多，如原料到位情況、設(shè)備健康狀況、人員到崗狀況、批次大小、加班情景等。車間調(diào)度問題是滿足任務(wù)條件和約束要求的資源分配問題，是最困難的組合優(yōu)化問題，解決車調(diào)度問題首先要建立準(zhǔn)確的車間生產(chǎn)模型，模型的優(yōu)異程度由預(yù)測輸出指標(biāo)的準(zhǔn)確性決定，BP人工神經(jīng)網(wǎng)絡(luò)是建立預(yù)測模型尋求最優(yōu)值的有效工具。
國內(nèi)外學(xué)者對(duì)人工神經(jīng)網(wǎng)絡(luò)在調(diào)度問題及建立預(yù)測模型有相關(guān)研究。A.Azadeh、M.Jeihoonian等采用集成神經(jīng)網(wǎng)絡(luò)研究了雙標(biāo)準(zhǔn)雙級(jí)裝配流水作業(yè)調(diào)度問題[1]；Azadeh提出了采用復(fù)雜人工神經(jīng)網(wǎng)絡(luò)和模糊優(yōu)化算法優(yōu)化仿真模型來解決流水生產(chǎn)車間的調(diào)度問題[2]；Golmohammadi， Davood等人采用神經(jīng)網(wǎng)絡(luò)模型開發(fā)的智能系統(tǒng)，研究表明零部件的批次大小比原材料的到位時(shí)間及延時(shí)時(shí)間對(duì)調(diào)度結(jié)果更有影響[3]；A.Azadeh， A. Negahban采用混合人工神經(jīng)網(wǎng)絡(luò)仿真并優(yōu)化隨機(jī)生產(chǎn)的調(diào)度問題[4]；Braglia 和 Grassi提出了最小化車間平均工時(shí)并最大限度延遲的車間調(diào)度混合模型，他們采用NawazCEnscoreCHam和多目標(biāo)遺傳局部搜索算法來解決問題[5]；祝翠玲、蔣志方等基于BP神經(jīng)網(wǎng)絡(luò)建立空氣質(zhì)量預(yù)測模型，將空氣污染源的數(shù)據(jù)輸入到該模型中，可以準(zhǔn)確預(yù)測出污染物的檢測值[6]；陳廉清，郭建亮等提出了基于BP神經(jīng)網(wǎng)絡(luò)和遺傳算法構(gòu)建表面粗糙度預(yù)測模型的開放式試驗(yàn)系統(tǒng)，該系統(tǒng)提高了外圓磨削產(chǎn)品表面粗糙度預(yù)測模型的收斂速度和預(yù)測精度[7]；崔吉峰、乞建勛等提出了采用粒子群算法改進(jìn)BP神經(jīng)網(wǎng)絡(luò)算法，建立了對(duì)能源需求的預(yù)測模型，作者首先利用灰色預(yù)測方法和自回歸移動(dòng)平均模型建立初步預(yù)測結(jié)果，再將該結(jié)果作為BP神經(jīng)網(wǎng)絡(luò)的輸入，在此基礎(chǔ)上進(jìn)行訓(xùn)練和預(yù)測，將預(yù)測精度提高了5%左右[8]；張喜忠作了基于神經(jīng)網(wǎng)絡(luò)預(yù)測模型的發(fā)動(dòng)機(jī)異響信號(hào)提取的研究，豐富了發(fā)動(dòng)機(jī)異響信號(hào)提取的新方法，拓寬了發(fā)動(dòng)機(jī)故障診斷的應(yīng)用范圍[9]；王德明、王莉提出了遺傳算法和BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的風(fēng)場短期風(fēng)速預(yù)測模型，該模型具有預(yù)測精度高、收斂速度快的優(yōu)點(diǎn)[10]；陳耀武、汪樂宇等提出了基于神經(jīng)網(wǎng)絡(luò)、模糊聚類分析和模式識(shí)別理論，建立組合式神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)載預(yù)測模型，該模型能夠準(zhǔn)確預(yù)測普通工作日及節(jié)假日的電力負(fù)載[11]。
神經(jīng)網(wǎng)絡(luò)BP學(xué)習(xí)算法具有逼近非線性連續(xù)映射的能力，廣泛應(yīng)用與非線性系統(tǒng)的建模及控制領(lǐng)域。但是BP神經(jīng)網(wǎng)絡(luò)存在一些缺點(diǎn)，主要是收斂速度慢，往往收斂于局部極小值，數(shù)值穩(wěn)定性差，學(xué)習(xí)率、動(dòng)量項(xiàng)系數(shù)和初始權(quán)值等參數(shù)難以調(diào)整。本文提出采用LM和SA混合算法，彌補(bǔ)了神經(jīng)網(wǎng)絡(luò)的缺點(diǎn)，并通過調(diào)整神經(jīng)網(wǎng)絡(luò)數(shù)量，最終得到較準(zhǔn)確的車間生產(chǎn)工時(shí)達(dá)成率預(yù)測模型。
1 研究方法及理論
1.1 人工神經(jīng)網(wǎng)絡(luò)研究方法
人工神經(jīng)網(wǎng)絡(luò)可以處理多元空間信息，成為模式識(shí)別、系統(tǒng)辨別、預(yù)測等功能的有力工具。人工神經(jīng)網(wǎng)絡(luò)的最主要的優(yōu)點(diǎn)是不需要在訓(xùn)練之前明確定義近似函數(shù)。BP神經(jīng)網(wǎng)絡(luò)是最常用的神經(jīng)網(wǎng)絡(luò)，因?yàn)锽P神經(jīng)網(wǎng)絡(luò)可以基于輸入?yún)?shù)及輸出參數(shù)計(jì)算出近似的仿真模型?；谌斯ど窠?jīng)網(wǎng)絡(luò)的特性，它被廣泛應(yīng)用于尋找問題最優(yōu)解。圖1所示為BP人工神經(jīng)網(wǎng)絡(luò)解決問題的一般流程：
1）收集分析數(shù)據(jù)：收集大量數(shù)據(jù)，分析數(shù)據(jù)自身的相關(guān)性，找出主要參數(shù)作為輸入。剔除數(shù)據(jù)中的奇異的，并將數(shù)據(jù)歸一化用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)。
2）選擇網(wǎng)絡(luò)類型與結(jié)構(gòu)：根據(jù)問題的特點(diǎn)，選擇神經(jīng)網(wǎng)絡(luò)為網(wǎng)絡(luò)類型，并確定網(wǎng)絡(luò)層數(shù)、每層節(jié)點(diǎn)數(shù)、初始權(quán)值、學(xué)習(xí)算法。其中隱含層的節(jié)點(diǎn)數(shù)選擇比較麻煩，一般原則是在保證正確反應(yīng)輸入輸出之間關(guān)系的基礎(chǔ)上盡量少選隱含層節(jié)點(diǎn)數(shù)。
3）訓(xùn)練與驗(yàn)證：采用真實(shí)數(shù)據(jù)反復(fù)訓(xùn)練并驗(yàn)證神經(jīng)網(wǎng)絡(luò)直至得到合適的映射效果。在訓(xùn)練時(shí)初始權(quán)重可以隨機(jī)產(chǎn)生，并且可取多組神經(jīng)網(wǎng)絡(luò)同時(shí)進(jìn)行，通過取平均值來提高神經(jīng)網(wǎng)絡(luò)模型的準(zhǔn)確性，該方法可以克服初始數(shù)據(jù)不充足的缺點(diǎn)。
4）對(duì)新數(shù)據(jù)實(shí)施預(yù)測，輸出預(yù)測值。
1.2 SA＼LM混合算法原理
人工神經(jīng)網(wǎng)絡(luò)中LM算法結(jié)合了高斯-牛頓法和最小梯度法的優(yōu)點(diǎn)，包含了高斯-牛頓法的局部收斂性和梯度下降法的全局特性，它通過自適應(yīng)調(diào)整阻尼因子達(dá)到局部收斂性，并且其迭代收斂速度高，可以補(bǔ)償BP網(wǎng)絡(luò)收斂速度慢的缺點(diǎn)[12]，使其在很多非線性問題中得到穩(wěn)定可靠解。但是初始值對(duì)LM算法的計(jì)算工程中具有很大的影響，若選取的初始值靠近真實(shí)值，在得到全局最優(yōu)解的情景下減少運(yùn)算時(shí)間，假設(shè)初始值的質(zhì)量較差，優(yōu)化結(jié)果會(huì)偏離全局最優(yōu)解而得到局部最優(yōu)解。通過兩種方法可以解決該問題，一是采用盡量多的原始數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，使其具有較準(zhǔn)確的預(yù)測能力，二是選擇合理的優(yōu)化算法與LM形成混合算法，消除其對(duì)初始值的高依賴性[13]。該研究對(duì)象為典型的離散生產(chǎn)型車間，無法獲得所有的歷史數(shù)據(jù)，第二種方式較合適。退火（SA）算法能夠在算法執(zhí)行過程中，基于較差初始函數(shù)值得到近似的最佳解決方案，這使得SA算法擁有在峰谷之間搜索找到全最小點(diǎn)的能力，無疑是最佳優(yōu)化算法之一[14]。如圖2所示為LM和SA混合算法在神經(jīng)網(wǎng)絡(luò)模型中的應(yīng)用模式，首先基于有限的原始數(shù)據(jù)，采用SA算法訓(xùn)練神經(jīng)網(wǎng)絡(luò)預(yù)測模型，得到初始預(yù)測模型，將該模型中神經(jīng)網(wǎng)絡(luò)各層的權(quán)重矩陣及閥值作為LM算法的初始化參數(shù)，再次訓(xùn)練得到更優(yōu)秀的神經(jīng)網(wǎng)絡(luò)預(yù)測模型。該混合算法能夠捕捉并模擬車間排產(chǎn)員的經(jīng)驗(yàn)知識(shí)和生產(chǎn)流程記錄來形成制造過程中的系統(tǒng)知識(shí)，最終得到較優(yōu)秀的車間調(diào)度模型。
2 人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
在50臺(tái)加工系統(tǒng)組成的機(jī)加工車間中，有加工工人N人（工人充裕且有熟練度區(qū)分，其中有工序?qū)?yīng)唯一工人），需要完成14個(gè)待加工零部件，每個(gè)工件都包含若干道工序，且工序流程一定。50臺(tái)加工系統(tǒng)中包含車床組、銑床組、刨床組、鉗床組、磨床組、焊接組，各組設(shè)備的加工能力一致， 以每個(gè)月該車間的工時(shí)達(dá)成率作為關(guān)鍵指標(biāo)，工時(shí)達(dá)成率以實(shí)際完成工時(shí)與額定工時(shí)的比值為計(jì)算方式。車間調(diào)度員通過最佳的調(diào)度，并為各工序選配最佳資源，在滿足設(shè)備加工能力及人員匹配的情況下獲得最佳的工時(shí)達(dá)成率。
該調(diào)度問題有如下初始約束條件：1）任何設(shè)備無法同時(shí)加工超過兩個(gè)工序；2）任意工件無法同時(shí)在多臺(tái)設(shè)備上加工；3）工件必須嚴(yán)格按照工藝路線在指定機(jī)器上加工；4）除特定工序指定工人外忽略工人的熟練程度；5）工件的安裝及拆卸時(shí)間已經(jīng)包含在該工序的加工工時(shí)中；6）一般情況下有設(shè)備就有工人，除特殊情況工人處于充足狀態(tài)；7）每個(gè)訂單的14種原材料到位時(shí)間隨機(jī)，遵循板材、管材、棒材的到位順序。
根據(jù)該車間調(diào)度問題的特點(diǎn)，定義人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)。神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)為各零件的加工對(duì)象、可用設(shè)備、設(shè)備數(shù)量、分批大小、延遲值、工時(shí)、前置工序耗時(shí)、后置工序耗時(shí)等210個(gè)參數(shù)，輸出參數(shù)既目標(biāo)函數(shù)為工時(shí)達(dá)成率。根據(jù)輸入、輸出參數(shù)的量確定采用兩層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，既一層隱含層一層輸出層，并且隱含層包含10個(gè)節(jié)點(diǎn)，可保證獲得全局最優(yōu)的情況下避免出現(xiàn)過計(jì)算。圖3所示為人工神經(jīng)網(wǎng)絡(luò)的總體結(jié)構(gòu)，經(jīng)過多次試驗(yàn)驗(yàn)證，該神經(jīng)網(wǎng)絡(luò)中核心參數(shù)如下：
網(wǎng)絡(luò)層閾值參數(shù)biasConnect= [1；1]，隱含層與輸出層均有閾值；
輸入層關(guān)系參數(shù)inputConnect = [1；0]，輸入層與隱含層有權(quán)值連接，與輸出層無關(guān)系；
網(wǎng)絡(luò)層關(guān)系參數(shù)layerConnect = [0 0；1 0]，隱含層與輸出層神經(jīng)元相連；
輸出層關(guān)系參數(shù)outputConnect = [0 1]，輸出層的神經(jīng)元產(chǎn)生網(wǎng)絡(luò)輸出；
網(wǎng)絡(luò)傳遞函數(shù)layers{1}.transferFcn= 'tansig'，隱含層與輸出層的傳遞函數(shù)；
隱含層初始函數(shù)layers{1}.initFcn = 'initnw'，隱含層初始化函數(shù)；
訓(xùn)練算法參數(shù)trainFcn = 'trainlm'，LM基礎(chǔ)算法；
網(wǎng)絡(luò)初始化函數(shù)initFcn = 'initlay'，網(wǎng)絡(luò)初始化函數(shù)；
神經(jīng)網(wǎng)絡(luò)數(shù)量參數(shù)networks=20、50、100。
3 預(yù)測結(jié)果及分析
54套歷史數(shù)據(jù)作為訓(xùn)練驗(yàn)證樣本并不能完全覆蓋所有情景，本研究提出采用多神經(jīng)網(wǎng)絡(luò)并行計(jì)算求平均值的方法提高模型準(zhǔn)確性。為了得到最準(zhǔn)確的預(yù)測模型，神經(jīng)網(wǎng)絡(luò)數(shù)量和訓(xùn)練算法是本研究中優(yōu)化對(duì)象。神經(jīng)網(wǎng)絡(luò)的訓(xùn)練算法主要以LM算法和SA＼LM混合算法為研究對(duì)象，神經(jīng)網(wǎng)絡(luò)數(shù)量以20、50、100為研究對(duì)象。取54套樣本中的51套為訓(xùn)練驗(yàn)證樣本，3套為預(yù)測模型的測試數(shù)據(jù)，通過對(duì)比工時(shí)達(dá)成率預(yù)測值與真實(shí)值的均方差來判斷神經(jīng)網(wǎng)絡(luò)模型的優(yōu)異程度。訓(xùn)練數(shù)據(jù)中每套數(shù)據(jù)的210個(gè)參數(shù)生成51*210的矩陣，它們形象地表現(xiàn)出每個(gè)調(diào)度的輸入與輸出，這些矩陣將成為LM算法和SA＼LM混合算法神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)，經(jīng)過計(jì)算生成各自的神經(jīng)網(wǎng)絡(luò)預(yù)測模型，最后用3套調(diào)度方案去測試準(zhǔn)確性，表1中顯示了神經(jīng)網(wǎng)絡(luò)數(shù)為20、50、100的LM算法和SA＼LM混合算法神經(jīng)網(wǎng)絡(luò)預(yù)測模型的測試結(jié)果。
從表1中清晰地顯示了兩種算法及三種不同神經(jīng)網(wǎng)絡(luò)數(shù)預(yù)測模型的預(yù)測誤差，神經(jīng)網(wǎng)絡(luò)數(shù)量從20-50-100的梯度選擇中預(yù)測模型的準(zhǔn)確性誤差呈8.46%-8.28%-6.87%的下降趨勢(shì)，經(jīng)過試驗(yàn)確定在該項(xiàng)目中采用100個(gè)神經(jīng)網(wǎng)絡(luò)數(shù)，該方法有效緩解了初始數(shù)據(jù)不充足的缺陷。圖4中顯示LM算法和LM＼SA混合算法預(yù)測誤差對(duì)比，其中LM算法預(yù)測誤差均值為8.92%，LM＼SA混合算法將該誤差縮小到6.82%，證明混合算法能夠通過改善LM單一算法中初始權(quán)重值及閥值，最終得到更優(yōu)異的預(yù)測模型。
4 結(jié)論及展望
采用BP人工神經(jīng)網(wǎng)絡(luò)能夠建立較準(zhǔn)確的生產(chǎn)車間調(diào)度模型，并且使用SA算法建立人工神經(jīng)網(wǎng)絡(luò)的初始權(quán)重矩陣及初始閥值，再以LM算法進(jìn)行優(yōu)化的混合算法是建立車間調(diào)度模型的最佳算法；對(duì)于初始數(shù)據(jù)不充足的問題，可采用多神經(jīng)網(wǎng)絡(luò)并行計(jì)算求平均值的方法來提高模型準(zhǔn)確性。得到較優(yōu)秀的車間調(diào)度模型后，通過優(yōu)化延遲值、批次大小、設(shè)備數(shù)量等輸入?yún)?shù)可獲得全局最優(yōu)的工時(shí)達(dá)成率，最終輸出離散車間效率最高的調(diào)度方案，這是今后的研究重點(diǎn)。
【參考文獻(xiàn)】
[1]A.Azadeh， M. Jeihoonian， B. Maleki Shoja， S.h. Seyedmahmoudi. “An Integrated Neural NetworkCsimulation Algorithm for Performance Optimisation of the Bi-criteria Two-stage Assembly Flow-shop Scheduling Problem with Stochastic Activities.” International Journal of Production Research 50.24（2012）： 7271-7284[Z].
[2]Azadeh， Ali， Mohsen Moghaddam， Pegah Geranmayeh， Arash Naghavi. “A Flexible Artificial Neural NetworkCfuzzy Simulation Algorithm for Scheduling a Flow Shop with Multiple Processors.”The International Journal of Advanced Manufacturing Technology 50.5-8（2010）： 699-715[Z].
[3]Golmohammadi， Davood. “A Neural Network Decision-making Model for Job-shop Scheduling.” International Journal of Production Research，51，17（2013）： 5142-5157[Z].
[4]A.Azadeh， A. Negahban， M. Moghaddam. “A Hybrid Computer Simulation-artificial Neural Network Algorithm for Optimisation of Dispatching Rule Selection in Stochastic Job Shop Scheduling Problems.” International Journal of Production Research， 50， 2 （2011）： 551-566[Z].
[5]Braglia， M. and Grassi， A.， 2009. A new heuristic for the flowshop scheduling problem to minimize makespan and maximum tardiness. International Journal of Production Research， 47（1）： 273-288[Z].
[6]祝翠玲，蔣志方，王強(qiáng).基于B-P神經(jīng)網(wǎng)絡(luò)的環(huán)境空氣質(zhì)量預(yù)測模型[J]《計(jì)算機(jī)工程與應(yīng)用，2007，22（43）：223-227.
[7]陳廉清，郭建亮，楊勛，遲軍，趙霞.基于進(jìn)化神經(jīng)網(wǎng)絡(luò)的磨削粗糙度預(yù)測模型[J].計(jì)算機(jī)集成制造系統(tǒng)，2013，11（19）：2855-2863.
[8]崔吉峰，乞建勛，楊尚東.基于粒子群改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的組合預(yù)測模型及其應(yīng)用[J].中南大學(xué)學(xué)報(bào)，2009，1（40）：190-194.
[9]張喜忠.基于神經(jīng)網(wǎng)絡(luò)預(yù)測模型的發(fā)動(dòng)機(jī)異響信號(hào)提取研究[D].長春：吉林大學(xué)，2008.
[10]王德明，王莉，張廣明.基于遺傳BP神經(jīng)網(wǎng)絡(luò)的短期風(fēng)速預(yù)測模型[J].浙江大學(xué)學(xué)報(bào)，2012，5（46）：837-841.
[11]陳耀武，汪樂宇，龍洪玉.基于組合式神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測模型[J].中國電機(jī)工程學(xué)報(bào)，2001，4（21）：79-82.
[12]裴浩東.基于神經(jīng)網(wǎng)絡(luò)的穩(wěn)態(tài)優(yōu)化和控制研究[D].杭州：浙江大學(xué)，2001.
第7篇：矩陣論在神經(jīng)網(wǎng)絡(luò)中的應(yīng)用范文
1機(jī)器人的鍵合圖模型
研究對(duì)象是CyCab，該機(jī)器人是一個(gè)四輪驅(qū)動(dòng)的雙轉(zhuǎn)向系統(tǒng)小車，重約350kg，可以達(dá)到最高5m/s的速度。本文的建模及參數(shù)辨識(shí)算法研究主要針對(duì)機(jī)器人的轉(zhuǎn)向系統(tǒng)，如圖1所示。轉(zhuǎn)向系統(tǒng)由運(yùn)動(dòng)控制器、直流電機(jī)、減速器、皮帶、油泵、油缸活塞和車輪構(gòu)成。運(yùn)動(dòng)控制器驅(qū)動(dòng)直流電機(jī)，帶動(dòng)減速器將能量通過皮帶傳送到油泵，油泵推動(dòng)油缸活塞控制車輪轉(zhuǎn)向。車輪的旋轉(zhuǎn)角速度可以用電機(jī)上的編碼器測量，增量式編碼器裝在減速器的末端轉(zhuǎn)向系統(tǒng)中的電機(jī)、皮帶和油泵傳動(dòng)機(jī)構(gòu)鍵合圖模型［6］如圖2所示。系統(tǒng)由輸入電壓控制，圖中TF是變換器，表征系統(tǒng)能量傳遞中勢(shì)變量對(duì)勢(shì)變量、流變量對(duì)流變量的變換關(guān)系;GY是回轉(zhuǎn)器，表征能量傳遞中勢(shì)變量與流變量之間的變換關(guān)系。k1是電機(jī)中流過的電流的系數(shù)，k2是電機(jī)轉(zhuǎn)矩系數(shù)，k3是減速器系數(shù)，k4是皮帶系數(shù)。電機(jī)內(nèi)的摩擦力由兩部分組成，R2V是粘性摩擦力，R2C表示庫倫摩擦力;油泵的內(nèi)摩擦力是R3C和R3V。R1是電阻，J1和J分別是電機(jī)和油泵的轉(zhuǎn)動(dòng)慣量，電機(jī)的電感忽式中:e5為回轉(zhuǎn)器k2的流變量;e6為慣性元件J1的流變量;e7為電機(jī)內(nèi)摩擦力R1的勢(shì)變量;e8為變換器k3的勢(shì)變量。
2參數(shù)辨識(shí)
2.1最小二乘法本文設(shè)計(jì)的模型可以表示為最小二乘法的思想就是尋找一個(gè)θ的估計(jì)值θ^，使得實(shí)際測量的Yi與由估計(jì)θ^確定的Y^i=Xiθ^之差的平方和最小。經(jīng)典的遞推最小二乘法為
2.2基于神經(jīng)網(wǎng)絡(luò)的參數(shù)辨識(shí)傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)做參數(shù)辨識(shí)，存在初始權(quán)值難以合適選擇、收斂速度慢、訓(xùn)練算法易陷入局部極小值等缺點(diǎn)。本文將最小二乘法辨識(shí)得到的參數(shù)值作為BP網(wǎng)絡(luò)的初始權(quán)值，在網(wǎng)絡(luò)訓(xùn)練上采用權(quán)值變速訓(xùn)練的方法，網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。網(wǎng)絡(luò)的權(quán)值矩陣分為兩部分:辨識(shí)權(quán)值矩陣W，非辨識(shí)權(quán)值矩陣U和V。BP網(wǎng)絡(luò)的權(quán)值調(diào)整可使網(wǎng)絡(luò)輸出不斷地接近樣本輸出，為了加快網(wǎng)絡(luò)收斂，使用最小二乘法辨識(shí)出的數(shù)據(jù)作為W的初值。在訓(xùn)練網(wǎng)絡(luò)時(shí)，當(dāng)系統(tǒng)的輸出誤差較大時(shí)，網(wǎng)絡(luò)加大非辨識(shí)權(quán)值矩陣的調(diào)整力度，減小辨識(shí)權(quán)值矩陣的調(diào)整;當(dāng)系統(tǒng)輸出誤差變小時(shí)，則加大對(duì)辨識(shí)權(quán)值矩陣調(diào)整。為了實(shí)現(xiàn)權(quán)值調(diào)整力度隨著實(shí)時(shí)變化，引入權(quán)重因子μ，取sigmoid函數(shù)這樣，在誤差E很大的情況下，U、V調(diào)整量的權(quán)重因子會(huì)變得很大，W調(diào)整量的權(quán)重因子會(huì)變得很小，這時(shí)網(wǎng)絡(luò)會(huì)主要調(diào)整U、V權(quán)值;相應(yīng)地，在誤差E很小的情況下，網(wǎng)絡(luò)會(huì)主要調(diào)整W權(quán)值。適當(dāng)?shù)恼{(diào)整參數(shù)h可以改變權(quán)重調(diào)整的傾向。由以上理論可得到BP網(wǎng)絡(luò)參數(shù)辨識(shí)具體步驟為:1)將所有的非辨識(shí)參數(shù)權(quán)值取隨機(jī)數(shù)，利用公式(7)得到的最小二乘法辨識(shí)值賦給辨識(shí)參數(shù)矩陣;2)用實(shí)際系統(tǒng)的輸入輸出數(shù)據(jù)構(gòu)成一個(gè)訓(xùn)練樣本集，進(jìn)行數(shù)據(jù)的歸一化處理，將樣本的數(shù)據(jù)輸入到神經(jīng)網(wǎng)絡(luò)中，得到網(wǎng)絡(luò)輸出Y^;3)根據(jù)公式(9)計(jì)算誤差E，由公式(10)計(jì)算權(quán)重因子，進(jìn)而根據(jù)公式(11)對(duì)所有權(quán)值進(jìn)行調(diào)整;4)返回執(zhí)行3)，當(dāng)輸出誤差到達(dá)系統(tǒng)要求或訓(xùn)練次數(shù)大于指定值時(shí)，終止訓(xùn)練;5)將訓(xùn)練好的辨識(shí)參數(shù)權(quán)值轉(zhuǎn)化為系統(tǒng)待辨識(shí)參數(shù)。
3實(shí)驗(yàn)結(jié)果
采集機(jī)器人正常工作時(shí)轉(zhuǎn)向系統(tǒng)的角速度θ•1值、系統(tǒng)的輸入電壓vin值和加速度θ••1值，剔除野值，數(shù)據(jù)歸一化后得到一組樣本數(shù)據(jù)。從數(shù)據(jù)手冊(cè)可查到k1=2.5V/A，k2=0.031527N•m/A，k3=4/70，則需要辨識(shí)的參數(shù)為J1，R2V和R2C。將系統(tǒng)的模型公式(6)變換為最小二乘法模型的標(biāo)準(zhǔn)形式，利用遞推最小二乘法得到進(jìn)而得到［R2V，R2C，J1］T的最小二乘法辨識(shí)值，將其作為神經(jīng)網(wǎng)絡(luò)訓(xùn)練的初值，角速度θ•1、電壓vin和加速度θ••1作為系統(tǒng)的輸入輸出，利用第2.2節(jié)中的方法對(duì)［R2V，R2C，J1］T再次進(jìn)行辨識(shí)。實(shí)驗(yàn)進(jìn)行到14s左右，模型的辨識(shí)參數(shù)值趨于穩(wěn)定，神經(jīng)網(wǎng)絡(luò)對(duì)［R2V，R2C，J1］T的辨識(shí)結(jié)果如圖4所示，由最小二乘法和神經(jīng)網(wǎng)絡(luò)的辨識(shí)結(jié)果如表1所示。為了驗(yàn)證算法的有效性，將兩種辨識(shí)方法得到的參數(shù)值代入模型方程中，得到角速度θ•1的兩種估計(jì)值。兩種算法得到的θ•1和傳感器采集到的θ•1真實(shí)值的之間的比較結(jié)果如圖5所示。
第8篇：矩陣論在神經(jīng)網(wǎng)絡(luò)中的應(yīng)用范文
關(guān)鍵詞：系統(tǒng)辨識(shí) BP算法 線性網(wǎng)絡(luò) 局部式反傳網(wǎng)絡(luò) 靈敏度
中圖分類號(hào)：O241 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-3973（2012）012-089-03
1 引言
BP（Back-Propagation）神經(jīng)網(wǎng)絡(luò)是一種反向傳播學(xué)習(xí)的非線性網(wǎng)絡(luò)，以其具有自學(xué)習(xí)和自適應(yīng)能力、泛化能力和優(yōu)良的非線性映射能力，受到眾多領(lǐng)域?qū)W者的關(guān)注。為了提高BP算法收斂速度，大量學(xué)者開展了有效的研究。文獻(xiàn)[1]采用變步長的方法提高學(xué)習(xí)速率，而文獻(xiàn)[2]通過加入動(dòng)量項(xiàng)提高收斂速度。文獻(xiàn)[3]提出的自適應(yīng)調(diào)節(jié)學(xué)習(xí)率和動(dòng)態(tài)調(diào)整S型激勵(lì)函數(shù)相結(jié)合的改進(jìn)BP算法也是一種有效地提高訓(xùn)練速度的方法之一。
考慮到BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的初始值不確定和不能靈活調(diào)整各層權(quán)值的缺點(diǎn)，本文在BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上將線性網(wǎng)絡(luò)和局部式反傳網(wǎng)絡(luò)結(jié)合給出一種混合式改進(jìn)BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。
2 改進(jìn)BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
2.1神經(jīng)網(wǎng)絡(luò)靈敏度定義
神經(jīng)網(wǎng)絡(luò)靈敏度是指神經(jīng)網(wǎng)絡(luò)系統(tǒng)辨識(shí)的過程中對(duì)各種信號(hào)的變化和擾動(dòng)的調(diào)整能力。對(duì)第i 個(gè)樣本，神經(jīng)網(wǎng)絡(luò)辨識(shí)器的靈敏度定義為：
其中：MSE為方差，|E|為網(wǎng)絡(luò)輸入、權(quán)值變化及被辨識(shí)系統(tǒng)變化引起的綜合誤差。yim是由信號(hào)的各種變化及擾動(dòng)引起的網(wǎng)絡(luò)輸出變化。
2.2混合式BP神經(jīng)網(wǎng)絡(luò)分析
神經(jīng)網(wǎng)絡(luò)辨識(shí)的優(yōu)劣很大程度上取決于網(wǎng)絡(luò)初始值是否正好在理想值附近，由于標(biāo)準(zhǔn)的BP算法和前人的改進(jìn)算法都是隨機(jī)初始化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值，這就使得神經(jīng)網(wǎng)絡(luò)建模初值不確定性增加，學(xué)習(xí)和訓(xùn)練的實(shí)時(shí)性下降。由于線性網(wǎng)絡(luò)的訓(xùn)練不需要求激勵(lì)函數(shù)的導(dǎo)數(shù)，全是線性運(yùn)算，因此訓(xùn)練速度很快，又加上其能在理想值附近建模，使得BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練負(fù)擔(dān)大大減輕，從而縮短了整個(gè)辨識(shí)網(wǎng)絡(luò)的辨識(shí)時(shí)間。
傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)是一種全反傳式的前向網(wǎng)絡(luò)，只要有誤差反傳信號(hào)，整個(gè)網(wǎng)絡(luò)所有層的權(quán)值都會(huì)修改，會(huì)造成學(xué)習(xí)時(shí)間延長，并且當(dāng)誤差較小時(shí)，容易出現(xiàn)權(quán)值修改過量，影響精度。在關(guān)于神經(jīng)網(wǎng)絡(luò)靈敏度的研究中得知，神經(jīng)網(wǎng)絡(luò)隱含層與輸出層的權(quán)值矩陣 的元素值的大小對(duì)網(wǎng)絡(luò)輸出影響大于輸入層與隱含層之間的權(quán)值矩陣 以及各隱含層之間權(quán)值矩陣 。當(dāng)網(wǎng)絡(luò)結(jié)構(gòu)變化或系統(tǒng)參數(shù)變化時(shí)，通過動(dòng)態(tài)地控制BP神經(jīng)網(wǎng)絡(luò)各層特別是輸出層權(quán)值修正，可以使網(wǎng)絡(luò)輸出的均方差MSE（yim）快速減小，從而使網(wǎng)絡(luò)靈敏度 降低，達(dá)到提高辨識(shí)速率和精度的效果。
本文嘗試先在BP神經(jīng)網(wǎng)絡(luò)之前加入一級(jí)線性網(wǎng)絡(luò)，通過線性網(wǎng)絡(luò)首先進(jìn)行辨識(shí)的粗調(diào)，當(dāng)在理想值附近建立粗略的線性模型后，再通過局部式反傳BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)，辨識(shí)之前線性網(wǎng)絡(luò)無法建模的非線性部分?；旌鲜礁倪M(jìn)BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。
2.3混合式BP神經(jīng)網(wǎng)絡(luò)工作過程
首先對(duì)于圖1中的線性網(wǎng)絡(luò)部分，令網(wǎng)絡(luò)輸出為：
式（2）中：line（k）是線性網(wǎng)絡(luò)的權(quán)值，b（k）是網(wǎng)絡(luò)的閥值，x（k）為辨識(shí)網(wǎng)絡(luò)的輸入信號(hào)。
對(duì)于線性網(wǎng)絡(luò)部分，神經(jīng)元之間參數(shù)修改采用遞推最小二乘法；其權(quán)值和閥值修改公式分別見式（3）和式（4）
對(duì)于圖1中局部式反傳BP神經(jīng)網(wǎng)絡(luò)部分，令網(wǎng)絡(luò)輸出為yn（k）。神經(jīng)元之間權(quán)值修改采用引入動(dòng)量項(xiàng)和變步長法的改進(jìn)BP算法。該網(wǎng)絡(luò)權(quán)值調(diào)整過程主要由綜合誤差決定，為方便取誤差絕對(duì)值，本文采用誤差的平方作為調(diào)整參考值。調(diào)節(jié)過程如下：
（1）當(dāng) 時(shí)，由靈敏度定義的式（1）可知，靈敏度函數(shù)是綜合誤差|E|的反比例函數(shù)，此時(shí)靈敏度較小，故可按標(biāo)準(zhǔn)BP算法執(zhí)行。
（2）當(dāng) 時(shí)，協(xié)調(diào)器控制網(wǎng)絡(luò)輸出層的權(quán)值矩陣，調(diào)整wbij的大小，同時(shí)停止其他層權(quán)值的修正，使網(wǎng)絡(luò)靈敏度 降低。
（3）當(dāng) 時(shí)，協(xié)調(diào)器控制只允許靠近網(wǎng)絡(luò)輸入層的第一或二級(jí)隱含層權(quán)值修正，同時(shí)停止網(wǎng)絡(luò)輸出層的權(quán)值陣 和其他級(jí)隱層權(quán)值的修正。
然后將兩個(gè)網(wǎng)絡(luò)結(jié)合，令辨識(shí)網(wǎng)絡(luò)總輸出為：
訓(xùn)練采用的教師信號(hào)為網(wǎng)絡(luò)實(shí)際輸出與辨識(shí)輸出的誤差的均方值。
3 辨識(shí)結(jié)果研究
針對(duì)一個(gè)典型的非線性對(duì)象，通過仿真來研究結(jié)合線性網(wǎng)絡(luò)的局部反傳BP神經(jīng)網(wǎng)絡(luò)對(duì)非線性對(duì)象的建模能力，并與單獨(dú)使用BP網(wǎng)絡(luò)的建模效果進(jìn)行比較，來說明所提方法對(duì)提高網(wǎng)絡(luò)學(xué)習(xí)速率及精度的效果。
為了保證學(xué)習(xí)信號(hào)的多樣性，網(wǎng)絡(luò)辨識(shí)學(xué)習(xí)選用的輸入信號(hào)樣本前半部分為隨機(jī)信號(hào)，后半部分為正弦信號(hào)。為了考察本文給出的混合型改進(jìn)BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)對(duì)被辨識(shí)對(duì)象參數(shù)改變和模型結(jié)構(gòu)改變的適應(yīng)能力，本文選取的辨識(shí)對(duì)象為如公式（6）所示的三個(gè)不同的三階非線性對(duì)象，在K=250時(shí)刻對(duì)象模型中的常數(shù)2.5變?yōu)榱?，在K=500時(shí)刻對(duì)象模型的分子和分母均作了改變：
（6）
仿真采用的神經(jīng)元結(jié)構(gòu)采用圖1的三層結(jié)構(gòu)，在BP神經(jīng)網(wǎng)絡(luò)辨識(shí)之前先通過一層線性網(wǎng)絡(luò)，采用基于BP算法的多層前向網(wǎng)絡(luò)的結(jié)構(gòu) （表示一個(gè)三層網(wǎng)絡(luò)，輸入層，隱含層各有5個(gè)神經(jīng)元，輸出層有1個(gè)神經(jīng)元）。激勵(lì)函數(shù)采用Sigmoid函數(shù) ，取初始學(xué)習(xí)率 ，動(dòng)量項(xiàng) =0.3。
結(jié)合線性網(wǎng)絡(luò)的局部反傳BP神經(jīng)網(wǎng)絡(luò)的辨識(shí)結(jié)果如圖2，本文改進(jìn)算法與標(biāo)準(zhǔn)BP算法和引入局部反饋算法的教師信號(hào)比較如圖3所示，由于改進(jìn)算法與標(biāo)準(zhǔn)算法的教師信號(hào)不在同一數(shù)量級(jí)上，將改進(jìn)算法的教師信號(hào)另外畫出，如圖4所示。
（1）由圖2可以看出改進(jìn)網(wǎng)絡(luò)結(jié)構(gòu)后的辨識(shí)結(jié)果和實(shí)際輸出吻合度很高。
（2）由圖3可以看出，在相同的學(xué)習(xí)步數(shù)情況下，引入局部反饋改進(jìn)算法相比于標(biāo)準(zhǔn)算法，學(xué)習(xí)時(shí)間短，且基本不受輸入變化的影響，本文改進(jìn)后網(wǎng)絡(luò)結(jié)構(gòu)對(duì)比引入局部反饋改進(jìn)算法的辨識(shí)精度高，收斂速度快，而且能保持穩(wěn)定。
（3）由圖4可以看出，改進(jìn)后的算法辨識(shí)效果明顯，主要體現(xiàn)在初始誤差就很小。在相同訓(xùn)練步數(shù)下，改進(jìn)算法的均方誤差在訓(xùn)練開始時(shí)就幾乎維持在10-3附近，當(dāng)訓(xùn)練結(jié)束時(shí)更是達(dá)到了10-4以上的精度。
4 結(jié)論
本文通過分析傳統(tǒng)BP網(wǎng)絡(luò)的缺點(diǎn)及其成因，在其基礎(chǔ)上將線性網(wǎng)絡(luò)和局部式反傳網(wǎng)絡(luò)結(jié)合成一種混合式BP神經(jīng)網(wǎng)絡(luò)。
（1）線性網(wǎng)絡(luò)的引進(jìn)增加了粗調(diào)環(huán)節(jié)，在繼續(xù)保持BP神經(jīng)網(wǎng)絡(luò)非線性表達(dá)能力強(qiáng)的優(yōu)點(diǎn)的前提下，得到了更快的收斂速度和更小的誤差。
（2）引入局部反傳網(wǎng)絡(luò)，當(dāng)網(wǎng)絡(luò)結(jié)構(gòu)變化或系統(tǒng)參數(shù)變化時(shí)，通過動(dòng)態(tài)地控制網(wǎng)絡(luò)各層權(quán)值修正，降低網(wǎng)絡(luò)靈敏度，提高辨識(shí)精度，是一種訓(xùn)練BP網(wǎng)絡(luò)的有效方法。
參考文獻(xiàn)：
[1] 楊源杰，黃道.人工神經(jīng)網(wǎng)絡(luò)算法研究及應(yīng)用[J].華東理工大學(xué)學(xué)報(bào)，2002，6（4）：319-323.
[2] 鄭高峰.帶動(dòng)量項(xiàng)的BP神經(jīng)網(wǎng)絡(luò)收斂性分析[D].大連：大連理工大學(xué)，2005.
[3] 孫娓娓，劉瓊蓀.BP神經(jīng)網(wǎng)絡(luò)的聯(lián)合優(yōu)化算法[J].計(jì)算機(jī)工程與應(yīng)用，2009，45（12）：50-54.
[4] 周榮，王福利.一種改進(jìn)的神經(jīng)元網(wǎng)絡(luò)及學(xué)習(xí)算法[J].礦冶，1997，6（2）：85-88.
第9篇：矩陣論在神經(jīng)網(wǎng)絡(luò)中的應(yīng)用范文
關(guān)鍵詞：高速公路；交通流預(yù)測；BP神經(jīng)網(wǎng)絡(luò)
中圖分類號(hào)：TP393.0 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2095-2163（2015）04-
Highway Dynamic Traffic Flow Prediction based on BP Neural Network
DAI Hongbo，ZENG Xianhui
（College of Information Science and Technology，Donghua University，Shanghai 201620，China）
Abstract：This paper takes highway traffic fIow prediction as object of study，simplifies the highway macroscopic dynamic traffic flow model and establishes a BP neural network model to train and predict based on Matlab neural network toolbox. It models and predicts real data collection from traffic flow nearby JiaXing station. From the predicted results， this BP neural network model is proved to be highly reliable. It carries out that the simplified model of traffic flow is more concise， predictions can also describe a certain space and time of the site’s traffic situation through a point to an area.
Keywords： Highway； Traffic Flow Prediction； BP Neural Network
0 引 言
隨著社會(huì)經(jīng)濟(jì)的發(fā)展和私家車保有量的逐年遞增，出行車輛日漸增多，隨之而來的交通擁堵，交通事故等問題即已成為困擾社情民生的重大事件。智能交通系統(tǒng)作為這一狀況的有效解決手段，也已吸引了時(shí)下眾多專家的關(guān)注和重視[1]，其中的短時(shí)交通流則是交通控制、車輛導(dǎo)航等領(lǐng)域亟待解決的熱點(diǎn)課題。近些年，鑒于神經(jīng)網(wǎng)絡(luò)具有的表示任意非線性關(guān)系和學(xué)習(xí)的能力，為此展開了基于人工神經(jīng)網(wǎng)絡(luò)預(yù)測模型的大量研究，且均已取得了令人滿意的預(yù)測效果[2]。通過對(duì)各個(gè)模型的分析，指出了神經(jīng)網(wǎng)絡(luò)在智能交通領(lǐng)域的工具性應(yīng)用潛力，而且在實(shí)時(shí)交通預(yù)測中，神經(jīng)網(wǎng)絡(luò)要比其它方法更具不可比擬的優(yōu)越性。
1 建立流量預(yù)測模型
短時(shí)段交通流預(yù)測是指預(yù)測尺度不超過十五分鐘的交通流[3]。交通流是由數(shù)以萬計(jì)的出行者群體行為生成的，具有高度的時(shí)變性、非線性和不確定性。但就道路上某一特定觀測點(diǎn)來說，對(duì)于短時(shí)段交通流，隨著觀測尺度的縮短，交通流受隨機(jī)因素影響較大，其統(tǒng)計(jì)行為不是定常、周期或準(zhǔn)周期的，多是表現(xiàn)為純隨機(jī)行為。
在交通流量預(yù)測研究中，Markos Papageorgiou 提出了一個(gè)比較有代表性的高速公路交通流宏觀流體模型[4-5]，其中主要描述了高速公路的交通流量、速度以及交通密度之間的相互關(guān)系，以此來反應(yīng)交通流隨道路空間的分布以及隨時(shí)間變化的規(guī)律，從而準(zhǔn)確描述短時(shí)間內(nèi)的交通流的真實(shí)行為。
以交通流宏觀流體模型為基礎(chǔ)，本文提出了一個(gè)簡化的交通流預(yù)測模型，如圖1所示。該模型參考了對(duì)短時(shí)間交通流預(yù)測的思想，實(shí)現(xiàn)對(duì)高速公路站點(diǎn)短時(shí)間交通流預(yù)測。
圖1 交通流預(yù)測模型
Fig.1 Traffic flow forecasting model
在對(duì)高速交通網(wǎng)絡(luò)中的站點(diǎn)進(jìn)行實(shí)時(shí)預(yù)測時(shí)，路網(wǎng)中當(dāng)前和過去若干時(shí)段內(nèi)的交通流信息是實(shí)時(shí)預(yù)測的數(shù)據(jù)基礎(chǔ)。因此首先必須采集實(shí)時(shí)交通數(shù)據(jù)，建立得到動(dòng)態(tài)的交通數(shù)據(jù)庫。在數(shù)據(jù)處理分析時(shí)，結(jié)合上述交通流模型，通過一定的數(shù)據(jù)挖掘方法分析得到有效的數(shù)據(jù)。如模型中指出， 站點(diǎn) 上的交通流量與本站點(diǎn)前后若干個(gè)時(shí)段的交通流量有著必然的關(guān)聯(lián)， 同時(shí)在預(yù)測站點(diǎn)路段的交通情況時(shí)，該站點(diǎn)上下游路段交通情況也是一個(gè)關(guān)鍵因素。 這樣便可以利用預(yù)測站點(diǎn)前幾個(gè)時(shí)段的交通流量數(shù)據(jù)以及上下游站點(diǎn)交通流量數(shù)據(jù)來預(yù)測特定站點(diǎn)交通流量， 上述簡化的交通流預(yù)測模型所要闡述的基本概念就在這。
設(shè)站點(diǎn) （代號(hào)為15，下同）為要預(yù)測的路段， 為預(yù)測路段當(dāng)前時(shí)刻 的交通流量，而 為要預(yù)測的該路段下一時(shí)刻 的交通流量，并與該站點(diǎn) 、 時(shí)刻的交通流量有著必然的聯(lián)系，同時(shí)上下游站點(diǎn)（13、14、17等） 時(shí)刻的交通流量也將會(huì)影響著站點(diǎn)15下一時(shí)刻的交通流量。于是 與該站點(diǎn)以及附近站點(diǎn)的交通流量存在某種函數(shù)關(guān)系，具體表達(dá)則如方程（1）所示。
（1）
根據(jù)實(shí)際采集到的交通流數(shù)據(jù)，結(jié)合上述模型，利用Matlab平臺(tái)建立BP神經(jīng)網(wǎng)絡(luò)來訓(xùn)練學(xué)習(xí)方程（1），并實(shí)現(xiàn)短時(shí)間交通流預(yù)測。
2 BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建
經(jīng)過研究可知，Matlab中的神經(jīng)網(wǎng)絡(luò)工具箱是進(jìn)行神經(jīng)網(wǎng)絡(luò)系統(tǒng)分析與設(shè)計(jì)的有力工具。使用Matlab平臺(tái)構(gòu)造神經(jīng)網(wǎng)絡(luò)的預(yù)測過程通?？煞譃椋簲?shù)據(jù)預(yù)處理、網(wǎng)絡(luò)構(gòu)建、訓(xùn)練和網(wǎng)絡(luò)預(yù)測[6]。
數(shù)據(jù)歸一化就是將數(shù)據(jù)通過某種算法處理后，使得數(shù)據(jù)映射到[0，1]或者[-1，1]等范圍內(nèi)，并且再經(jīng)相應(yīng)變換，最終將有量綱的表達(dá)式轉(zhuǎn)化為無量綱的表達(dá)式，其結(jié)果即將限制在一定范圍內(nèi)。這不僅利于數(shù)據(jù)的進(jìn)一步處理，同時(shí)還可以保證程序運(yùn)行時(shí)收斂速度加快。本文中數(shù)據(jù)處理采用的是線性函數(shù)歸一化：
（2）
其中， 、 分別為歸一化前后的值， 、 分別為樣本的最大值和最小值。
神經(jīng)網(wǎng)路的核心在于網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計(jì)，其重點(diǎn)在于網(wǎng)絡(luò)層數(shù)以及各層節(jié)點(diǎn)數(shù)的確定[7-11]。理論已經(jīng)證明，增加網(wǎng)絡(luò)層數(shù)可以進(jìn)一步降低誤差提高精度，但同時(shí)也會(huì)使網(wǎng)絡(luò)復(fù)雜，降低實(shí)時(shí)性，加大網(wǎng)絡(luò)的訓(xùn)練時(shí)間；而誤差精度則可以通過增加隱含層中的神經(jīng)元節(jié)點(diǎn)數(shù)目來獲得提高，就其訓(xùn)練效果的觀察和調(diào)整均比增加層數(shù)更為容易，所以一般情況下需優(yōu)先考慮增加隱層神經(jīng)元數(shù)目。對(duì)神經(jīng)元網(wǎng)絡(luò)輸入層與輸出層來說，則需要研究實(shí)例中求解的問題、具體的表示方式來確定各自神經(jīng)元數(shù)目，同時(shí)考慮盡可能地減小系統(tǒng)規(guī)模，系統(tǒng)的訓(xùn)練時(shí)間和復(fù)雜性?；谇笆龅慕煌黝A(yù)測模型分析，聯(lián)系方程（1）可知，可將 、 、 、 、 、 、 和 等八個(gè)數(shù)據(jù)作為輸入層，將下一時(shí)刻流量 作為輸出層。文獻(xiàn)[7]指出，適當(dāng)增加隱層中的神經(jīng)元數(shù)目可以在更大程度上降低誤差、提高精度，隱層神經(jīng)元數(shù)目可選擇為輸入層神經(jīng)元數(shù)目的平方，即 。經(jīng)過實(shí)驗(yàn)反復(fù)驗(yàn)證，文中隱層節(jié)點(diǎn)取為20。綜上所述設(shè)定，文中的BP神經(jīng)網(wǎng)絡(luò)模型如圖2所示。
圖2 交通流神經(jīng)網(wǎng)絡(luò)模型
Fig.2 Neural network model of Traffic flow
神經(jīng)網(wǎng)絡(luò)采用自適應(yīng)學(xué)習(xí)的負(fù)梯度下降法實(shí)現(xiàn)交通流的學(xué)習(xí)和預(yù)測， 網(wǎng)絡(luò)的響應(yīng)函數(shù)選擇Sigmoid 型激勵(lì)函數(shù)[12]，函數(shù)形式為 。
3 預(yù)測仿真與結(jié)果分析
數(shù)據(jù)使用的是浙江省某段高速公路2015年1月1日某幾個(gè)站點(diǎn)的交通車輛收費(fèi)數(shù)據(jù)，目的在于對(duì)其中一站點(diǎn)的車流量進(jìn)行預(yù)測。從數(shù)據(jù)庫中抽取浙江省嘉興站點(diǎn)（代號(hào)15）當(dāng)日的車流量數(shù)據(jù)以及短時(shí)間內(nèi)車流量變化，具體如圖3、圖4所示。
圖3 15站日間車流量變化
Fig.3 The curve of traffic flow dairy
圖4 9-11時(shí)車流量變化
Fig.4 Curve of traffic flow hourly
由圖3可以分析得出，一天中的交通流變化大致經(jīng)過如下階段：凌晨交通流，低谷期；早晨交通流，攀升期；中午交通流，平峰期；下午交通流，高峰期；晚上交通流，下降期。結(jié)合圖3，且由圖4可分析獲知，在9～11點(diǎn)期間為車流量高峰期，短時(shí)間流量變化起伏很大，但總體維持在每分鐘10～15輛左右。再次細(xì)致分析附近站點(diǎn)車流量變化趨勢(shì)并與該站點(diǎn)比較發(fā)現(xiàn)，各臨近站點(diǎn)車輛起伏變化相近，并且短時(shí)間內(nèi)各站點(diǎn)之間車流量變化存在著某種相互影響的關(guān)聯(lián)作用。于是，本文采取上述交通流預(yù)測模型來進(jìn)行站點(diǎn)短時(shí)間內(nèi)的車流量預(yù)測，該模型較其他宏觀動(dòng)態(tài)車流量模型更為簡單，相應(yīng)預(yù)測結(jié)果亦可反映當(dāng)前附近站點(diǎn)范圍內(nèi)的車流量情況。
本論文重點(diǎn)即在結(jié)合當(dāng)天該站點(diǎn)及附件站點(diǎn)車流量對(duì)本站日常車流量進(jìn)行預(yù)測。訓(xùn)練數(shù)據(jù)選取附近六個(gè)站點(diǎn)日間車流量及結(jié)合本站車流量數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)訓(xùn)練仿真。MATLAB仿真程序如下：
%首先導(dǎo)入已處理好的數(shù)據(jù)矩陣；
%矩陣p 輸入矩陣，矩陣t為輸入矩陣； [pn，minp，maxp，tn，mint，maxt]=premnmx（p，t）；%對(duì)矩陣進(jìn)行歸一化；
net=newff（minmax（pn），[8，20，1]，{'tansig'，'tansig'，'purelin'}，'traingdx'）； %建立net網(wǎng)絡(luò)，輸入節(jié)點(diǎn)為8，輸出節(jié)點(diǎn)為1，隱層節(jié)點(diǎn)為20；
net.trainParam.show=50；
net.trainParam.lr=0.05；
net.trainParam.mc=0.9；
net.trainParam.epochs=10 000；
net.trainParam.goal=1e-3；
>> net=train（net，pn，tn）；%網(wǎng)絡(luò)創(chuàng)建，訓(xùn)練；
%pi為測試數(shù)據(jù)；
pin=tramnmx（pi，minp，maxp）；%測試數(shù)據(jù)的歸一化；
an=sim（net，pin）；%測試
[a]=postmnmx（an，mint，maxt）； %測試結(jié)果數(shù)據(jù)的反歸一化，最終得到預(yù)測結(jié)果；
本文針對(duì)該站點(diǎn)日間9點(diǎn)～11點(diǎn)每分鐘車流量展開仿真預(yù)測。訓(xùn)練時(shí)以9～11點(diǎn)時(shí)間段內(nèi)120組數(shù)據(jù)進(jìn)行訓(xùn)練，而用其后十分鐘內(nèi)的10組數(shù)據(jù)進(jìn)行預(yù)測。9～11點(diǎn)車流量訓(xùn)練誤差變化圖如圖5所示。
圖5 車流量訓(xùn)練誤差變化
Fig.5 Training error curve of traffic flow
預(yù)測樣本結(jié)果如表1。
表1 預(yù)測樣本結(jié)果比較分析
Tab.1 Compare and analysis with Predicted results
預(yù)測數(shù)據(jù)號(hào) 實(shí)際車流量 預(yù)測車流量 誤差
1 13 13.440 6 3.39%
2 11 12.064 8 9.68%
3 18 15.259 5 15.23%
4 17 12.533 9 26.27%
5 13 15.418 7 18.61%
6 16 17.147 7.17%
7 12 12.360 2 3.00%
8 12 10.536 3 12.20%
9 11 9.834 3 10.60%
10 10 10.300 7 3.01%
表1 預(yù)測樣本結(jié)果比較分析
Tab.1 Compare and analysis with Predicted results
由表1可知，預(yù)測車流量與實(shí)際車流量很接近，部分誤差較大，但實(shí)際數(shù)值相差不大，車流量預(yù)測成功，基于BP神經(jīng)網(wǎng)絡(luò)的交通流預(yù)測模型具有很高的可靠度[12-16]。 然而上述預(yù)測卻仍有不足，因存在不同道路、瞬時(shí)變化的交通狀況的差異，作為神經(jīng)網(wǎng)絡(luò)輸入的交通流量信息在選擇上太過簡單，實(shí)驗(yàn)結(jié)果單一，還應(yīng)持續(xù)反復(fù)實(shí)驗(yàn)和多次比對(duì)探索。在交通流量預(yù)測中，如何選擇與預(yù)測時(shí)段相關(guān)性強(qiáng)交通流量信息作為神經(jīng)網(wǎng)絡(luò)的輸入對(duì)于預(yù)測精度的提高具有明確的必要性和重要性[17]。
4 結(jié)束語
本文在研究宏觀動(dòng)態(tài)交通流模型的基礎(chǔ)上對(duì)其進(jìn)行了簡化，并針對(duì)某個(gè)站點(diǎn)的交通流隨時(shí)間變化進(jìn)行分析，同時(shí)結(jié)合了附近站點(diǎn)的交通流對(duì)其建立了基于BP神經(jīng)網(wǎng)絡(luò)的高速公路交通流預(yù)測。從預(yù)測結(jié)果中得知，基于BP神經(jīng)網(wǎng)絡(luò)交通流預(yù)測模型具有頗高的可靠度，該簡化的交通流模型更為精確，預(yù)測結(jié)果亦可綜合總體地描述該站點(diǎn)一定空間及時(shí)間范圍內(nèi)的交通流情況。
參考文獻(xiàn)：
[1]張可，齊彤巖，劉冬梅，等.中國智能交通系統(tǒng)（ITS）體系框架研究進(jìn)展[J].國家智能交通系統(tǒng)工程技術(shù)研究中心，2005（5）：6-11.
[2]王進(jìn)，史其信.神經(jīng)網(wǎng)絡(luò)模型在短期交通流預(yù)測領(lǐng)域應(yīng)用綜述[J]-河南科技大學(xué)學(xué)報(bào)（自然科學(xué)版），2005（2）.23-25.
[3]朱中，楊兆升.實(shí)時(shí)交通流量人工神經(jīng)網(wǎng)絡(luò)預(yù)測模型[J].中國公路學(xué)報(bào)，1998，11（4）：89-92.
[4] MARKOS P，JEAN-MARC B，SAIEHADJ H.ModeIing and reaI - time controI of traffic fIow on the southern part of bouIevard peripherigue in Paris[J].Transportation research，l990，24A（5）： 345-359.
[5]撒元功，湖郁蔥，徐建閩.高速公路動(dòng)態(tài)交通流的神經(jīng)網(wǎng)絡(luò)模型[J].華南理工大學(xué)學(xué)報(bào)。2002，30（8）：91-94.
[6]Simon Haykin. Neural networks：A comprehensive foundation[M].北京：清華大學(xué)出版社，2000.
[7]賈丹.基于神經(jīng)網(wǎng)絡(luò)的交通流的預(yù)測[J].錦州師范學(xué)院學(xué)報(bào)（自然科學(xué)版），2002，23（3）.27-29.
[8]袁曾任.人工神經(jīng)元網(wǎng)絡(luò)及其應(yīng)用[M].北京：清華大學(xué)出版社，1999 .
[9]許宏科，穆魏，焦家華.高速公路動(dòng)態(tài)交通流模型及其參數(shù)的分段辨識(shí)[J].武漢理工大學(xué)學(xué)報(bào)（交通科學(xué)與工程版），2005，29（1）：91-93.
[10]梁新榮，劉智勇，毛宗源.高速公路動(dòng)態(tài)交通流 Elman 神經(jīng)網(wǎng)絡(luò)模型[J].交通運(yùn)輸工程學(xué)報(bào)，2006（9）：50-56
[11]樊小紅，賀昱曜，劉勇順. 自動(dòng)化高速公路交通流密度的反演變結(jié)構(gòu)控制[J].計(jì)算機(jī)工程與應(yīng)用，2008，44（12）：244-248.
[12]溫惠英，周瑋明.基于S型函數(shù)預(yù)處理的RBF神經(jīng)網(wǎng)絡(luò)交通流量預(yù)測[J].交通信息與安全，2009（4）：22-25.
[13] HERN?NDEZ P J A， GARCIA A M A. Trys-tram G. Neural networks for the heat and mass transfer prediction during drying of cassava and mango[J] ，2004（01）.57-64.
[14]任雪蓮，陳曉芬，馬駿. 遺傳神經(jīng)網(wǎng)絡(luò)在交通流預(yù)測中的應(yīng)用[J].交通科技與經(jīng)濟(jì) ，2009（4）：10-12
[15]譚國真，丁浩.廣義神經(jīng)網(wǎng)絡(luò)的研究及其在交通流預(yù)測中的應(yīng)用.控制與決策，2002，17（B 11）：777-780.