人工神經(jīng)網(wǎng)絡(luò)的優(yōu)點精選(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人工神經(jīng)網(wǎng)絡(luò)的優(yōu)點主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：人工神經(jīng)網(wǎng)絡(luò)的優(yōu)點范文

【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)度指標工時達成率是評價車間調(diào)度優(yōu)異程度的重要指標，它直接體現(xiàn)出車間設(shè)備的利用率、工人效率、庫存大小，同時工時達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確的車間生產(chǎn)模型，模型的優(yōu)異程度由預測輸出指標的準確性決定，BP人工神經(jīng)網(wǎng)絡(luò)是建立預測模型尋求最優(yōu)值的有效工具。

國內(nèi)外學者對人工神經(jīng)網(wǎng)絡(luò)在調(diào)度問題及建立預測模型有相關(guān)研究。A.Azadeh、M.Jeihoonian等采用集成神經(jīng)網(wǎng)絡(luò)研究了雙標準雙級裝配流水作業(yè)調(diào)度問題[1]；Azadeh提出了采用復雜人工神經(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間及延時時間對調(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)量預測模型，將空氣污染源的數(shù)據(jù)輸入到該模型中，可以準確預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)建表面粗糙度預測模型的開放式試驗系統(tǒng)，該系統(tǒng)提高了外圓磨削產(chǎn)品表面粗糙度預測模型的收斂速度和預測精度[7]；崔吉峰、乞建勛等提出了采用粒子群算法改進BP神經(jīng)網(wǎng)絡(luò)算法，建立了對能源需求的預測模型，作者首先利用灰色預測方法和自回歸移動平均模型建立初步預測結(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)上進行訓練和預測，將預測精度提高了5%左右[8]；張喜忠作了基于神經(jīng)網(wǎng)絡(luò)預測模型的發(fā)動機異響信號提取的研究，豐富了發(fā)動機異響信號提取的新方法，拓寬了發(fā)動機故障診斷的應(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)合的風場短期風速預測模型，該模型具有預測精度高、收斂速度快的優(yōu)點[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別理論，建立組合式神經(jīng)網(wǎng)絡(luò)的短期電力負載預測模型，該模型能夠準確預測普通工作日及節(jié)假日的電力負載[11]。

神經(jīng)網(wǎng)絡(luò)BP學習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，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，學習率、動量項系數(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，彌補了神經(jīng)網(wǎng)絡(luò)的缺點，并通過調(diào)整神經(jīng)網(wǎng)絡(luò)數(shù)量，最終得到較準確的車間生產(chǎn)工時達成率預測模型。

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，成為模式識別、系統(tǒng)辨別、預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)點是不需要在訓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)，因為BP神經(jīng)網(wǎng)絡(luò)可以基于輸入?yún)?shù)及輸出參數(shù)計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，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)點數(shù)、初始權(quán)值、學習算法。其中隱含層的節(jié)點數(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)點數(shù)。

3）訓練與驗證：采用真實數(shù)據(jù)反復訓練并驗證神經(jīng)網(wǎng)絡(luò)直至得到合適的映射效果。在訓練時初始權(quán)重可以隨機產(chǎn)生，并且可取多組神經(jīng)網(wǎng)絡(luò)同時進行，通過取平均值來提高神經(jīng)網(wǎng)絡(luò)模型的準確性，該方法可以克服初始數(shù)據(jù)不充足的缺點。

4）對新數(shù)據(jù)實施預測，輸出預測值。

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，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)整阻尼因子達到局部收斂性，并且其迭代收斂速度高，可以補償BP網(wǎng)絡(luò)收斂速度慢的缺點[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LM算法的計算工程中具有很大的影響，若選取的初始值靠近真實值，在得到全局最優(yōu)解的情景下減少運算時間，假設(shè)初始值的質(zhì)量較差，優(yōu)化結(jié)果會偏離全局最優(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)訓練神經(jīng)網(wǎng)絡(luò)，使其具有較準確的預測能力，二是選擇合理的優(yōu)化算法與LM形成混合算法，消除其對初始值的高依賴性[13]。該研究對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算法訓練神經(jīng)網(wǎng)絡(luò)預測模型，得到初始預測模型，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)，再次訓練得到更優(yōu)秀的神經(jīng)網(wǎng)絡(luò)預測模型。該混合算法能夠捕捉并模擬車間排產(chǎn)員的經(jīng)驗知識和生產(chǎn)流程記錄來形成制造過程中的系統(tǒng)知識，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臺加工系統(tǒng)組成的機加工車間中，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個待加工零部件，每個工件都包含若干道工序，且工序流程一定。50臺加工系統(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， 以每個月該車間的工時達成率作為關(guān)鍵指標，工時達成率以實際完成工時與額定工時的比值為計算方式。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達成率。

該調(diào)度問題有如下初始約束條件：1）任何設(shè)備無法同時加工超過兩個工序；2）任意工件無法同時在多臺設(shè)備上加工；3）工件必須嚴格按照工藝路線在指定機器上加工；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間已經(jīng)包含在該工序的加工工時中；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）每個訂單的14種原材料到位時間隨機，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，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)為各零件的加工對象、可用設(shè)備、設(shè)備數(shù)量、分批大小、延遲值、工時、前置工序耗時、后置工序耗時等210個參數(shù)，輸出參數(shù)既目標函數(shù)為工時達成率。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個節(jié)點，可保證獲得全局最優(yōu)的情況下避免出現(xiàn)過計算。圖3所示為人工神經(jīng)網(wǎng)絡(luò)的總體結(jié)構(gòu)，經(jīng)過多次試驗驗證，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 預測結(jié)果及分析

54套歷史數(shù)據(jù)作為訓練驗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)并行計算求平均值的方法提高模型準確性。為了得到最準確的預測模型，神經(jīng)網(wǎng)絡(luò)數(shù)量和訓練算法是本研究中優(yōu)化對象。神經(jīng)網(wǎng)絡(luò)的訓練算法主要以LM算法和SA＼LM混合算法為研究對象，神經(jīng)網(wǎng)絡(luò)數(shù)量以20、50、100為研究對象。取54套樣本中的51套為訓練驗證樣本，3套為預測模型的測試數(shù)據(jù)，通過對比工時達成率預測值與真實值的均方差來判斷神經(jīng)網(wǎng)絡(luò)模型的優(yōu)異程度。訓練數(shù)據(jù)中每套數(shù)據(jù)的210個參數(shù)生成51*210的矩陣，它們形象地表現(xiàn)出每個調(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)過計算生成各自的神經(jīng)網(wǎng)絡(luò)預測模型，最后用3套調(diào)度方案去測試準確性，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)預測模型的預測誤差，神經(jīng)網(wǎng)絡(luò)數(shù)量從20-50-100的梯度選擇中預測模型的準確性誤差呈8.46%-8.28%-6.87%的下降趨勢，經(jīng)過試驗確定在該項目中采用100個神經(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混合算法預測誤差對比，其中LM算法預測誤差均值為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)并行計算求平均值的方法來提高模型準確性。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)的工時達成率，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。

【參考文獻】

[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.基于B-P神經(jīng)網(wǎng)絡(luò)的環(huán)境空氣質(zhì)量預測模型[J]《計算機工程與應(yīng)用，2007，22（43）：223-227.

[7]陳廉清，郭建亮，楊勛，遲軍，趙霞.基于進化神經(jīng)網(wǎng)絡(luò)的磨削粗糙度預測模型[J].計算機集成制造系統(tǒng)，2013，11（19）：2855-2863.

[8]崔吉峰，乞建勛，楊尚東.基于粒子群改進BP神經(jīng)網(wǎng)絡(luò)的組合預測模型及其應(yīng)用[J].中南大學學報，2009，1（40）：190-194.

[9]張喜忠.基于神經(jīng)網(wǎng)絡(luò)預測模型的發(fā)動機異響信號提取研究[D].長春：吉林大學，2008.

[10]王德明，王莉，張廣明.基于遺傳BP神經(jīng)網(wǎng)絡(luò)的短期風速預測模型[J].浙江大學學報，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)的短期電力負荷預測模型[J].中國電機工程學報，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，2001.

第2篇：人工神經(jīng)網(wǎng)絡(luò)的優(yōu)點范文

關(guān)鍵詞：BP人工神經(jīng)網(wǎng)絡(luò)模型；多元線性回歸；逐步回歸；擬合精度

中圖分類號：TP183；Q945.17 文獻標識碼：A 文章編號：0439-8114（2014）02-0434-03

Application of Artificial Neural Network in Predicting Trunk Sap Flow

XIE Heng-xing1，ZHANG Zhen-hua2

（1.College of Chemistry and Life Science， Weinan Normal University， Weinan 714099， Shaanxi， China；

2. College of Geography and Planning， Ludong University， Yantai 264025， Shandong， China）

Abstract： The BP artificial neural network model， multi-linear regression model and stepwise regression model were used to fit trunk sap flow velocity and the fitted precision was compared. Results showed that the fitting effect was the best in BP artificial neural network model with a deciding coefficient of 0.944 3， the smauest relative error within the range of -31.120 0%～36.755 5%. In the fitting effect of sap flow， BP artificial neural network was the best one.

Key words： BP artificial neural network model； multi-linear regression； stepwise regression； fitting precision

液流是指蒸騰在植株體內(nèi)引起的上升流，植株根部吸收的水分99.8%以上消耗在蒸騰上[1]，而樹干是樹木液流通道的咽喉部位，因此通過精確測量樹干部位的液流速率、液流量可以基本反映植株的蒸騰狀況。熱技術(shù)是目前測量植株液流應(yīng)用最廣泛的方法[2]，熱技術(shù)根據(jù)不同的原理可分為熱脈沖法、熱平衡法和熱擴散法[3]。國內(nèi)外學者應(yīng)用熱技術(shù)對植株液流進行了研究，如劉奉覺等[4]、司建華等[5]應(yīng)用熱脈沖技術(shù)分別研究了楊樹和胡楊的液流；嚴昌榮等[6]、曹文強等[7]應(yīng)用熱平衡技術(shù)分別研究了胡桃楸和遼東櫟等樹木的液流；馬長明等[8]、孟平等[9]應(yīng)用熱擴散技術(shù)對山楊和蘋果等樹木的液流進行了研究。但研究多停留在對植株液流現(xiàn)象的描述上，對植株液流與環(huán)境因子的定量分析也僅僅是簡單的回歸分析或逐步回歸分析[4-9]，缺乏系統(tǒng)的量化研究。Ford等[10]利用熱擴散技術(shù)觀測了火炬松的液流變化，并應(yīng)用ARIMA（差分自回歸移動平均）模型擬合了土壤水分虧缺條件下火炬松樹冠蒸騰。人工神經(jīng)網(wǎng)絡(luò)是一個具有高度非線性的超大規(guī)模連續(xù)時間動力系統(tǒng)，因其具有自學習功能、聯(lián)想存貯功能、高速尋找優(yōu)化解功能等優(yōu)點而在經(jīng)濟、化工、水文、農(nóng)業(yè)等領(lǐng)域得到了廣泛應(yīng)用[11-14]。樹干液流與環(huán)境因子之間很難建立一個準確的數(shù)學方程[15]，本試驗嘗試利用BP人工神經(jīng)網(wǎng)絡(luò)模型來擬合液流速率，以求為液流速率和環(huán)境因子之間建立準確的數(shù)量關(guān)系。

1 材料與方法

1.1 研究區(qū)概況

1.2 儀器安裝

2 結(jié)果與分析

2.1 BP人工神經(jīng)網(wǎng)絡(luò)基本原理

2.2 液流速率BP人工神經(jīng)網(wǎng)絡(luò)分析

3 結(jié)論

液流速率是植物蒸騰強弱的表現(xiàn)，蒸騰受溫度、濕度、風速和太陽輻射諸多因子的影響，而環(huán)境因子之間又存在復雜的關(guān)系，這給液流速率的預測帶來了很大的難度。BP人工神經(jīng)網(wǎng)絡(luò)在超大規(guī)模非線性模擬中顯示了一定的優(yōu)越性，利用人工神經(jīng)網(wǎng)絡(luò)研究液流與環(huán)境因子的定量關(guān)系具有廣闊的適用性。本試驗的擬合結(jié)果表明，BP人工神經(jīng)網(wǎng)絡(luò)模型明顯優(yōu)于多元線性回歸和逐步回歸模型，其液流速率的擬合值與觀察值相對誤差最小。

參考文獻：

[1] 王沙生，高榮孚，吳貫明.植物生理學[M]. 第二版.北京：中國林業(yè)出版社，1991.192.

[2] 孫慧珍，周曉峰，康紹忠.應(yīng)用熱技術(shù)研究樹干液流進展[J].應(yīng)用生態(tài)學報，2004，15（6）：1074-1078.

[3] SWANSON R H. Significant historical developments in thermal methods for measuring sap flow in trees[J]. Agric For Meteorol，1994，72（1-2）：113-132.

[4] 劉奉覺，EDWARDS W R N，鄭世鍇，等.楊樹樹干液流時空動態(tài)研究[J].林業(yè)科學研究，1993，6（4）：368-372.

[5] 司建華，馮 起，張小由.熱脈沖技術(shù)在確定胡楊幼樹干液流中的應(yīng)用[J].冰川凍土，2004，26（4）：503-508.

[6] 嚴昌榮，ALEC D，韓興國，等.北京山區(qū)落葉闊葉林中核桃楸在生長中期的樹干液流研究[J].生態(tài)學報，1999，19（6）：793-797.

[7] 曹文強，韓海榮，馬欽彥，等.山西太岳山遼東櫟夏季樹干液流通量研究[J].林業(yè)科學，2004，40（2）：174-177.

[8] 馬長明，管 偉，葉 兵，等.利用熱擴散式邊材液流探針（TDP）對山楊樹干液流的研究[J].河北農(nóng)業(yè)大學學報，2005，28（1）：39-43.

[9] 孟 平，張勁松，王鶴松，等.蘋果樹蒸騰規(guī)律及其與冠層微氣象要素的關(guān)系[J].生態(tài)學報，2005，25（5）：1075-1081.

[10] FORD C R，GORANSON C E， MITCHELL R J， et al. Modeling canopy transpiration using time series analysis： A case study illustrating the effect of soil moisture deficit on Pinus taeda[J]. Agric Forest Meteorol， 2005，130（3-4）：163-175.

[11] 劉 艷，楊 鵬.基于ANN的預警指標預測系統(tǒng)在企業(yè)經(jīng)濟運行預警中的應(yīng)用[J].統(tǒng)計與決策，2006（4）：161-163.

[12] 胡燕瑜，桂衛(wèi)華，李勇剛，等.基于BP神經(jīng)網(wǎng)絡(luò)的熔融鋅液流量檢測[J].有色金屬，2003，55（3）：143-146.

[13] 過仲陽，陳中原，李綠芊，等.人工神經(jīng)網(wǎng)絡(luò)技術(shù)在水質(zhì)動態(tài)預測中的應(yīng)用[J].華東師范大學學報（自然科學版），2001（1）：84-89.

第3篇：人工神經(jīng)網(wǎng)絡(luò)的優(yōu)點范文

    論文摘要:隨著計算機技術(shù)的飛速發(fā)展,智能計算方法的應(yīng)用領(lǐng)域也越來越廣泛。本文介紹了當前存在的一些智能計算方法,闡述了其工作原理和特點,同時對智能計算方法的發(fā)展進行了展望。

    The Analysis for Several Classic Algorism of Intellegence Computation

    YANG Ming-hui

    (Wuhan University of Technology, Wuhan 430074, China)

    Abstract: As the computer technology develops fast, the field for intelligence algorism become wider and wider.In this paper, I introduce some methods for intelligence, and analyze their Principles and characters, finally make a Forecast of the develop of integellence computation.

    Key words:Intelligence Computation; Artificial Neural Network Algorithm;Genetic algorithm;Annealing Algorithm

    1 引言

    智能算法也稱作為“背影算法”,是人們從現(xiàn)實的生活中的各種現(xiàn)象總結(jié)出來的算法。它是從自然界得到啟發(fā),模仿它的原理而得到的算法,這樣我們可以利用仿生原理進行設(shè)計我們的解決問題的路徑,這就是智能計算的思想。這方面的內(nèi)容很多,如人工神經(jīng)網(wǎng)絡(luò)技術(shù)、遺傳算法、模擬退火算法等,下面分別對其進行分析。

    2 人工神經(jīng)網(wǎng)絡(luò)算法

    2.1 人工神經(jīng)網(wǎng)絡(luò)(ARTIFICIAL NEURAL NETWORK,簡稱ANN)

    人工神經(jīng)網(wǎng)絡(luò)是在對人腦組織結(jié)構(gòu)和運行機制的認識理解基礎(chǔ)之上模擬其結(jié)構(gòu)和智能行為的一種工程系統(tǒng)。早在本世紀40年代初期,心理學家McCulloch、數(shù)學家Pitts就提出了人工神經(jīng)網(wǎng)絡(luò)的第一個數(shù)學模型,從此開創(chuàng)了神經(jīng)科學理論的研究時代。其后,F Rosenblatt、Widrow和J. J .Hopfield等學者又先后提出了感知模型,使得人工神經(jīng)網(wǎng)絡(luò)技術(shù)得以蓬勃發(fā)展。

    2.2 人工神經(jīng)網(wǎng)絡(luò)的特點

    人工神經(jīng)網(wǎng)絡(luò)的知識存儲容量很大。在神經(jīng)網(wǎng)絡(luò)中,知識與信息的存儲表現(xiàn)為神經(jīng)元之間分布式的物理聯(lián)系。它分散地表示和存儲于整個網(wǎng)絡(luò)內(nèi)的各神經(jīng)元及其連線上。每個神經(jīng)元及其連線只表示一部分信息,而不是一個完整具體概念。只有通過各神經(jīng)元的分布式綜合效果才能表達出特定的概念和知識。

    由于人工神經(jīng)網(wǎng)絡(luò)中神經(jīng)元個數(shù)眾多以及整個網(wǎng)絡(luò)存儲信息容量的巨大,使得它具有很強的不確定性信息處理能力。即使輸入信息不完全、不準確或模糊不清,神經(jīng)網(wǎng)絡(luò)仍然能夠聯(lián)想思維存在于記憶中的事物的完整圖像。只要輸入的模式接近于訓練樣本,系統(tǒng)就能給出正確的推理結(jié)論。

    正是因為人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)特點和其信息存儲的分布式特點,使得它相對于其它的判斷識別系統(tǒng),如:專家系統(tǒng)等,具有另一個顯著的優(yōu)點:健壯性。生物神經(jīng)網(wǎng)絡(luò)不會因為個別神經(jīng)元的損失而失去對原有模式的記憶。最有力的證明是,當一個人的大腦因意外事故受輕微損傷之后,并不會失去原有事物的全部記憶。人工神經(jīng)網(wǎng)絡(luò)也有類似的情況。因某些原因,無論是網(wǎng)絡(luò)的硬件實現(xiàn)還是軟件實現(xiàn)中的某個或某些神經(jīng)元失效,整個網(wǎng)絡(luò)仍然能繼續(xù)工作。

    人工神經(jīng)網(wǎng)絡(luò)是一種非線性的處理單元。只有當神經(jīng)元對所有的輸入信號的綜合處理結(jié)果超過某一門限值后才輸出一個信號。因此神經(jīng)網(wǎng)絡(luò)是一種具有高度非線性的超大規(guī)模連續(xù)時間動力學系統(tǒng)。它突破了傳統(tǒng)的以線性處理為基礎(chǔ)的數(shù)字電子計算機的局限,標志著人們智能信息處理能力的一大飛躍。

    3 遺傳算法

    3.1 特點

    遺傳算法是解決搜索問題的一種通用算法,對于各種通用問題都可以使用。搜索算法的共同特征為:(1)首先組成一組候選解;(2)依據(jù)某些適應(yīng)性條件測算這些候選解的適應(yīng)度;(3)根據(jù)適應(yīng)度保留某些候選解,放棄其他候選解;(4)對保留的候選解進行某些操作,生成新的候選解。在遺傳算法中,上述幾個特征以一種特殊的方式組合在一起:基于染色體群的并行搜索,帶有猜測性質(zhì)的選擇操作、交換操作和突變操作。這種特殊的組合方式將遺傳算法與其它搜索算法區(qū)別開來。

    遺傳算法還具有以下幾方面的特點:

    (1)遺傳算法從問題解的串集開始嫂索,而不是從單個解開始。這是遺傳算法與傳統(tǒng)優(yōu)化算法的極大區(qū)別。傳統(tǒng)優(yōu)化算法是從單個初始值迭代求最優(yōu)解的;容易誤入局部最優(yōu)解。遺傳算法從串集開始搜索,覆蓋面大,利于全局擇優(yōu)。

    (2)許多傳統(tǒng)搜索算法都是單點搜索算法,容易陷入局部的最優(yōu)解。遺傳算法同時處理群體中的多個個體,即對搜索空間中的多個進行評估,減少了陷入局部最優(yōu)解的風險,同時算法本身易于實現(xiàn)并行化。

    (3)遺傳算法基本上不用搜索空間的知識或其它輔助信息,而僅用適應(yīng)度函數(shù)值來評估個體,在此基礎(chǔ)上進行遺傳操作。適應(yīng)度函數(shù)不僅不受連續(xù)可微的約束,而且其定義域可以任意設(shè)定。這一特點使得遺傳算法的應(yīng)用范圍大大擴展。

    3.2 運用領(lǐng)域

    前面描述是簡單的遺傳算法模型,可以在這一基本型上加以改進,使其在科學和工程領(lǐng)域得到廣泛應(yīng)用。下面列舉了一些遺傳算法的應(yīng)用領(lǐng)域:(1)優(yōu)化:遺傳算法可用于各種優(yōu)化問題。既包括數(shù)量優(yōu)化問題,也包括組合優(yōu)化問題;(2)程序設(shè)計:遺傳算法可以用于某些特殊任務(wù)的計算機程序設(shè)計;(3)機器學習:遺傳算法可用于許多機器學習的應(yīng)用,包括分類問題和預測問題等。

    4 退火算法

    模擬退火算法來源于固體退火原理,將固體加溫至充分高,再讓其徐徐冷卻,加溫時,固體內(nèi)部粒子隨溫升變?yōu)闊o序狀,內(nèi)能增大,而徐徐冷卻時粒子漸趨有序,在每個溫度都達到平衡態(tài),最后在常溫時達到基態(tài),內(nèi)能減為最小。根據(jù)Metropolis準則,粒子在溫度T時趨于平衡的概率為e-ΔE/(kT),其中ΔE為溫度T時的內(nèi)能,ΔE為其改變量,k為Boltzmann常數(shù)。用固體退火模擬組合優(yōu)化問題,將內(nèi)能E模擬為目標函數(shù)值f ,溫度T演化成控制參數(shù)t,即得到解組合優(yōu)化問題的模擬退火算法:由初始解i和控制參數(shù)初值t開始,對當前解重復“產(chǎn)生新解計算目標函數(shù)差接受或舍棄”的迭代,并逐步衰減t值,算法終止時的當前解即為所得近似最優(yōu)解,這是基于蒙特卡羅迭代求解法的一種啟發(fā)式隨機搜索過程。退火過程由冷卻進度表(Cooling Schedule)控制,包括控制參數(shù)的初值t及其衰減因子Δt,每個t值時的迭代次數(shù)L和停止條件S。

    5 展望

    目前的智能計算研究水平暫時還很難使“智能機器”真正具備人類的常識,但智能計算將在21世紀蓬勃發(fā)展。不僅僅只是功能模仿要持有信息機理一致的觀點。即人工腦與生物腦將不只是功能模仿,而是具有相同的特性。這兩者的結(jié)合將開辟一個全新的領(lǐng)域,開辟很多新的研究方向。智能計算將探索智能的新概念,新理論,新方法和新技術(shù),而這一切將在以后的發(fā)展中取得重大成就。

第4篇：人工神經(jīng)網(wǎng)絡(luò)的優(yōu)點范文

水工隧洞一般都有過水要求，加上其復雜的地質(zhì)條件，因此正確的進行圍巖分類后采取相應(yīng)的支護措施將對保證隧洞穩(wěn)定性起決定性的作用。圍巖分類是一類非線性的綜合判定問題，用人工神經(jīng)網(wǎng)絡(luò)方法來判別水工隧洞圍巖類別是一種新的嘗試和新的方法。

1．圍巖分類的判定依據(jù)

水工隧洞圍巖工程地質(zhì)分類應(yīng)以控制圍巖穩(wěn)定的巖石強度、巖體完整程度、張開度、地下水力狀態(tài)和主要結(jié)構(gòu)面產(chǎn)狀等五項因素綜合評分為依據(jù)，圍巖強度應(yīng)力比為限定依據(jù)，見表1。

表1圍巖工程地質(zhì)分類依據(jù)

指標名稱評價因素

巖石強度（A1）采用巖塊的單軸抗壓強度（MPa）

巖體完整程度（A2）采用完整性系數(shù)Kv

張開度（A3）考慮結(jié)構(gòu)面的連續(xù)性、粗糙度和充填物

地下水狀態(tài)（A4）考慮地下水的發(fā)育程度，用單位洞長單位時間的涌水量

主要結(jié)構(gòu)面產(chǎn)狀（A5）采用結(jié)構(gòu)面走向與洞軸線的夾角

以上五個因素是控制圍巖穩(wěn)定性的主要因素，圍巖的分類標準見表2。

表2圍巖工程地質(zhì)分類標準

評價因素圍巖類別

Ⅰ（穩(wěn)定）Ⅱ（基本穩(wěn)定）Ⅲ（局部穩(wěn)定性差）Ⅳ（不穩(wěn)定）Ⅴ（極不穩(wěn)定）

A1（MPa）>200100~20050~10025~50<25

A20.9~1.00.75~0.90.5~0.750.25~0.5<0.25

A3（mm）<0.50.5~11~33~5>5

A4(L/min·10m)<2525~5050~100100~125>125

A5(o)90~7575~6060~4545~30<30

2.水工隧洞圍巖分類的人工神經(jīng)網(wǎng)絡(luò)模型

神經(jīng)網(wǎng)絡(luò)系統(tǒng)是由大量的、簡單的處理單元廣泛的互相連接而形成的復雜的網(wǎng)絡(luò)系統(tǒng)。人工神經(jīng)網(wǎng)絡(luò)模型最基本的有兩大類：一類是以Hopfield網(wǎng)絡(luò)模型為代表的反饋型模型，它具有非線性和動態(tài)性；另一類是以多層感知器為基礎(chǔ)的前饋模型。其中BP(BackPropagation)網(wǎng)絡(luò)是目前應(yīng)用最廣泛的多層前饋神經(jīng)網(wǎng)絡(luò)模型。本文采用BP網(wǎng)絡(luò)模型。

2．1BP神經(jīng)網(wǎng)絡(luò)模型及其算法

BP神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層和輸出層三層感知器組成，每層由若干個神經(jīng)元組成。輸入層接受信息，傳入到隱含層，經(jīng)過作用函數(shù)后，再把隱結(jié)點的輸出信號傳到輸出層輸出結(jié)果。節(jié)點的作用函數(shù)選用Sigmoid函數(shù)，即：

（1）

BP神經(jīng)網(wǎng)絡(luò)采用誤差逆?zhèn)鞑シ磳W習算法。學習過程由正向傳播和反向傳播組成。在正向傳播過程中，輸入信號由輸入層經(jīng)隱含層處理后傳向輸出層，每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)。如果在輸出層得不到一個期望的輸出，則轉(zhuǎn)向反傳播，將輸出信號的誤差按原來的連接通路返回，通過修改各層神經(jīng)元的權(quán)值，使得誤差信號最小，得到合適的網(wǎng)絡(luò)連接權(quán)后，便可對新的樣本進行識別。BP網(wǎng)絡(luò)學習過程具體步驟如下：

（1）初始化，設(shè)置網(wǎng)絡(luò)結(jié)構(gòu)，賦初始權(quán)值；

（2）為網(wǎng)絡(luò)提供一組學習樣本，包括M個樣本對（），輸入向量，輸出向量，n、m分別為輸入層和輸出層神經(jīng)元個數(shù)，；

（3）對每個學習樣本P進行（4）~（8）；

（4）逐層正向計算網(wǎng)絡(luò)各節(jié)點的實際輸出：

(2)

其中，為神經(jīng)元i、j之間的權(quán)值；為前層第i個神經(jīng)元的實際輸出，為式（1）給出的函數(shù)；

（5）計算網(wǎng)絡(luò)輸出誤差：

第P個樣本的輸出誤差為(3)

其中，，分別為輸出層第j個神經(jīng)元的期望輸出和實際輸出。

網(wǎng)絡(luò)總誤差為；(4)

（6）當E小于允許誤差或達到指定迭代次數(shù)時，學習過程結(jié)束，否則進行誤差逆向傳播，轉(zhuǎn)向（7）；

（7）逆向逐層計算網(wǎng)絡(luò)各節(jié)點誤差：

對于輸出層，(5)

對于隱含層，(6)

其中代表后層第個神經(jīng)元。

（8）修正網(wǎng)絡(luò)連接權(quán)：，其中為學習次數(shù)，為學習因子，值越大，產(chǎn)生的振蕩越大。通常在權(quán)值修正公式中加入一個勢態(tài)項，變成：

(7)

其中，a稱為勢態(tài)因子，它決定上次學習的權(quán)值變化對本次權(quán)值更新的影響程度。

2．2圍巖分類的BP模型

在以表2中數(shù)據(jù)為基礎(chǔ)進行網(wǎng)絡(luò)訓練前，須對表中指標作如下處理：Ⅰ、Ⅴ類對應(yīng)的指標取其界限值或平均值；Ⅱ、Ⅲ、Ⅳ類對應(yīng)的指標取其平均值。作上述處理后，可以得到網(wǎng)絡(luò)訓練模型的5個學習樣本，如表3。

表3圍巖類別識別模型的學習樣本

類別樣本類別A1A2A3A4A5

P1Ⅰ2000.950.52582.5

P2Ⅱ1500.8250.7537.567.5

P3Ⅲ750.62527552.5

P4Ⅳ37.50.3754112.537.5

P5Ⅴ250.25512530

以上表中5個類別樣本作為神經(jīng)網(wǎng)絡(luò)的學習樣本，在輸入層和隱含層各設(shè)置一個特殊單元作為閾值單元，其值設(shè)為1。模型結(jié)構(gòu)如下圖1所示。

圖1圍巖類別分類的BP網(wǎng)絡(luò)模型

設(shè)圍巖類別為P1、P2、P3、P4、P5這5個類別樣本的預期輸出矢量，各分量定義為

網(wǎng)絡(luò)訓練時，當所有樣本在網(wǎng)絡(luò)輸出節(jié)點的實際輸出與網(wǎng)絡(luò)期望輸出之間的最大誤差小于預先給定的常數(shù)，即時學習結(jié)束。

網(wǎng)絡(luò)經(jīng)過15000次訓練，每個樣本的網(wǎng)絡(luò)輸出與期望輸出最大誤差為0.2，絕大部分在0.1之內(nèi)。應(yīng)用訓練后的BP模型劃分新的圍巖類別樣本，等判定圍巖類別樣本W(wǎng)經(jīng)網(wǎng)絡(luò)變換后輸出O與各期望輸出比較，設(shè)，。

如果，則，，即隧洞圍巖類別樣本屬于級。

3．沙灣隧洞的圍巖分類應(yīng)用實例

東深供水改造工程沙灣隧洞位于深圳市北東面內(nèi)15公理處，區(qū)域地勢東高西低。工程區(qū)域周圍沉積巖、巖漿巖和變質(zhì)巖三大巖類均有出露。隧洞線路地帶分布的地層，除洞口溝谷部位為第四系松散堆積層外，其余均為侏羅系中統(tǒng)塘夏群碎屑巖，基本為單斜構(gòu)造，但末端因受深圳斷裂帶影響，巖層產(chǎn)狀較為紊亂，地質(zhì)條件復雜多變。

隧洞開挖后，測得三種圍巖地段的力學性質(zhì)和環(huán)境條件，取三個樣本為a、b、c。用BP人工神經(jīng)網(wǎng)絡(luò)判定該工程隧洞圍巖類別。

根據(jù)水利水電工程地質(zhì)勘察規(guī)范，隧洞圍巖類別分為5級：Ⅰ（穩(wěn)定）、Ⅱ（基本穩(wěn)定）、Ⅲ（局部穩(wěn)定性差）、Ⅳ（不穩(wěn)定）、Ⅴ（極不穩(wěn)定）。對照學習樣本各特征變量，用訓練好的BP模型對a、b、c三個樣本進行判定，其結(jié)果見表4。

表4沙灣隧洞三組樣本實測指標與圍巖類別判定結(jié)果

指標名稱實測指標值

abc

巖石強度（A1）2845100

巖體完整程度（A2）0.220.50.55

張開度（A3）341

地下水狀態(tài)（A4）1208025

主要結(jié)構(gòu)面產(chǎn)狀（A5）305060

圍巖類別判定結(jié)果ⅤⅣⅢ

4．結(jié)論

水工隧洞圍巖類別判定，不僅影響因素多，而且具有很大的模糊性和不確定性。人工神經(jīng)網(wǎng)絡(luò)是一門新興的交叉學科，它具有聯(lián)想、記憶功能和判別識別的模糊性等優(yōu)點，用它來進行圍巖類別分類，不需對輸入輸出指標的關(guān)系作任何假設(shè)，這種關(guān)系是神經(jīng)網(wǎng)絡(luò)從實例中自適應(yīng)學習而獲得的，大大減少了人為因素的影響，省去了事后的經(jīng)驗判斷。實踐證明，它在理論和應(yīng)用上都是可行的和有實際意義的。

參考文獻

第5篇：人工神經(jīng)網(wǎng)絡(luò)的優(yōu)點范文

關(guān)鍵詞：電力系統(tǒng)；繼電保護；新技術(shù)；人工神經(jīng)網(wǎng)絡(luò)；自適應(yīng)技術(shù)；網(wǎng)絡(luò)繼電保護

1 繼電保護概述

1.1 繼電保護的概念及其基本任務(wù)

電力系統(tǒng)繼電保護和安全自動裝置是在電力系統(tǒng)發(fā)生故障和不正常運行情況時，用于快速切除故障，隔離不正常設(shè)備的重要自動化技術(shù)和設(shè)備。當電力系統(tǒng)發(fā)生故障或發(fā)生危及其安全運行的事件時，它能及時發(fā)出告警，或直接發(fā)出跳閘命令以終止事件。

繼電保護的基本任務(wù)一是檢測故障信息、識別故障信號，進而作出是否出口跳閘的決定；二是反映電氣元件的不正常運行狀態(tài)并向值班人員發(fā)出信號，以便及時進行處理。

1.2 繼電保護的發(fā)展歷程

電力系統(tǒng)繼電保護先后經(jīng)歷了不同的發(fā)展時期，電磁型繼電保護、晶體管繼電保護、基于集成運算放大器的集成電路保護，到了20世紀90年代，我國繼電保護技術(shù)全面進入了微機保護時代，微機保護有強大的邏輯處理能力、數(shù)值計算能力和記憶能力，它不僅具有傳統(tǒng)保護和自動裝置的功能，而且還能發(fā)展到故障測距、故障錄波等功能。微機保護經(jīng)過20多年的發(fā)展，已經(jīng)取得巨大的成功并積累了豐富的運行經(jīng)驗。

2 繼電保護新技術(shù)的應(yīng)用

隨著科技的飛速發(fā)展以及微機繼電保護的普遍應(yīng)用，許多新技術(shù)不斷應(yīng)用到繼電保護領(lǐng)域，例如IT技術(shù)的應(yīng)用，實現(xiàn)了保護、控制、測量、數(shù)據(jù)通信一體化；應(yīng)用人工神經(jīng)網(wǎng)絡(luò)，可以解決電力系統(tǒng)復雜的非線性化問題；應(yīng)用自適應(yīng)技術(shù)使繼電保護獲得更強的故障信息處理能力和自適應(yīng)能力，顯著提高其動作性能。應(yīng)用網(wǎng)絡(luò)繼電保護可以實現(xiàn)保護功能的集成、自適應(yīng)進行保護配置和定值計算等。

2.1 人工神經(jīng)網(wǎng)絡(luò)在繼電保護裝置中的應(yīng)用

人工神經(jīng)網(wǎng)絡(luò)是模擬生物神經(jīng)元的結(jié)構(gòu)而提出的一種信息處理方法。人工神經(jīng)網(wǎng)絡(luò)由大量的模擬人腦的神經(jīng)元互聯(lián)組成，是一種非線性映射系統(tǒng)，具有強大的模式識別能力，通過對反映輸入特征量的大量樣本學習，可以對任意復雜狀態(tài)或過程進行分類和識別。近年來，人工神經(jīng)網(wǎng)絡(luò)和模糊控制理論逐步應(yīng)用于電力系統(tǒng)繼電保護裝置中，涉及故障類型的判別、故障距離的測定、方向保護、主設(shè)備保護等方面。

2.1.1人工神經(jīng)網(wǎng)絡(luò)在線路保護中的應(yīng)用

輸電線路常見的保護有縱聯(lián)差動保護、高頻方向保護、距離保護、電流保護等，其中縱聯(lián)差動保護是廣泛應(yīng)用于220kV及以上輸電線路的主保護，區(qū)外短路時，差動電流繼電器的比率制動特性可防止不平衡電流引起的誤動，但這種常規(guī)方式在實驗得出的動作區(qū)域有變化時，常規(guī)微機保護原理需重新設(shè)計算法。人工神經(jīng)網(wǎng)絡(luò)避免了常規(guī)差動保護整定的不靈活性和原理上的不足，文獻[1]提出了基于BP算法的差動保護，為簡化計算，BP網(wǎng)的輸入取制動和差動電流，輸入層單元數(shù)為2個，輸出則為動作信號0或1（0表示不動作，1表示動作），輸出層單元數(shù)為1個；隱含層的單元數(shù)根據(jù)網(wǎng)絡(luò)規(guī)模及試驗確定，這里取4個。因此，BP網(wǎng)的結(jié)構(gòu)為“2-4-1”型。仿真試驗結(jié)果表明，神經(jīng)網(wǎng)絡(luò)用于線路縱聯(lián)差動保護是合理、可行的。

電流保護是低壓線路的主要保護形式，具有簡單、經(jīng)濟等優(yōu)點。但其定值整定、保護范圍和靈敏系數(shù)等方面受電網(wǎng)接線方式及運行方式的影響明顯，如電流速斷保護，其整定值是按照系統(tǒng)最大運行方式下發(fā)生三相短路來整定的，當系統(tǒng)運行方式發(fā)生較大變化時，可能出現(xiàn)系統(tǒng)在最小運行下發(fā)生兩相短路，或者被保護線路長度很短，電流速斷無保護范圍的現(xiàn)象[2]。人工神經(jīng)網(wǎng)絡(luò)由于其可對不確定系統(tǒng)進行學習或?qū)崿F(xiàn)自適應(yīng)，具有高度的容錯性、魯棒性及多輸入多輸出并行工作的特點，適合于復雜系統(tǒng)和對象的控制，文獻[3]表明，基于人工神經(jīng)網(wǎng)絡(luò)的電流保護，在系統(tǒng)的各種運行方式下及各種故障中，不僅能夠自適應(yīng)識別線路的故障類型、相別和故障點位置，還可以準確地區(qū)分振蕩與故障兩種情況。

2.1.2人工神經(jīng)網(wǎng)絡(luò)在變壓器保護中的應(yīng)用

在變壓器保護中關(guān)于勵磁涌流狀態(tài)的識別一直是困擾繼電保護研究人員的棘手問題。文獻[4]基于人工神經(jīng)網(wǎng)絡(luò)，綜合考慮變壓器勵磁涌流狀態(tài)和故障狀態(tài)的特征，提出并建立了一個三層前向神經(jīng)網(wǎng)絡(luò)模型，它利用EMTP進行了大量的仿真計算，并將計算結(jié)果作為訓練樣本，對所建立的神經(jīng)網(wǎng)絡(luò)模型進行訓練。對該模型進行故障狀態(tài)檢驗結(jié)果表明，所建立的神經(jīng)網(wǎng)絡(luò)能夠?qū)ψ儔浩魉l(fā)生的故障狀態(tài)作出正確響應(yīng)。

2.2自適應(yīng)技術(shù)在繼電保護裝置中的應(yīng)用

自適應(yīng)繼電保護是20世紀80年代提出的研究課題，其基本思想是使保護裝置盡可能地適應(yīng)電力系統(tǒng)各種運行方式和復雜故障類型，通過各種數(shù)字信號處理方法、數(shù)學分析工具和人工智能技術(shù)有效提取并處理故障信息，從而獲得更可靠的保護。

2.2.1 自適應(yīng)技術(shù)在電流速斷保護中的應(yīng)用

電流速斷保護動作值是按躲開線路末端的三相短路故障電流而整定的。在發(fā)生兩相短路時，保護動作的靈敏度會大大減小。采用自適應(yīng)技術(shù)后，當故障發(fā)生時，保護首先判別系統(tǒng)運行方式和故障類型，再根據(jù)不同的故障類型自適應(yīng)調(diào)整電流保護動作值，從而大大提高動作的靈敏度。為實現(xiàn)電流速斷的定值自適應(yīng)整定，必須實時確定短路故障的類型和系統(tǒng)等值阻抗，文獻[5]提出了實現(xiàn)自適應(yīng)電流速斷保護的基本方法。

2.2.2 自適應(yīng)技術(shù)在自動重合閘中的應(yīng)用

文獻[6]提出了一種將模糊綜合決策用于單相自動重合閘自適應(yīng)優(yōu)化判據(jù)的方法，以提高重合閘的成功率。文中將電容耦合電壓與互感電壓的比值作為模糊控制器的第1個輸入變量，將故障端電壓與互感電壓的比值作為模糊控制器的第2個輸入變量，跳閘信號作為模糊控制器的輸出。這種方法利用電容耦合電壓等故障邊界條件信息以及模糊控制器可自適應(yīng)修正原有的電壓判據(jù)。經(jīng)理論分析和動模試驗結(jié)果表明，這種方法具有良好的應(yīng)用前景。

2.2.3 自適應(yīng)技術(shù)在串補輸電線路保護中的應(yīng)用

文獻[7]介紹了串補輸電線路自適應(yīng)保護的基本特點。該保護方案以卡爾曼濾波器和自適應(yīng)卡爾曼濾波器為基礎(chǔ)，利用串補輸電線路正常狀態(tài)和故障狀態(tài)時電流暫態(tài)信號的差異，實現(xiàn)對串補輸電線路的故障定位并確定故障相。

2.3 網(wǎng)絡(luò)繼電保護在電力系統(tǒng)中的應(yīng)用

當前網(wǎng)絡(luò)已經(jīng)成為信息和數(shù)據(jù)通信工具技術(shù)的基礎(chǔ)，微機繼電保護同樣也離不開網(wǎng)絡(luò)通信強的支持。目前，除差動和縱聯(lián)保護外，其他繼電保護裝置只反映保護安裝處的電氣量，其重要原因是缺乏有力的數(shù)據(jù)通訊、數(shù)據(jù)處理以及數(shù)據(jù)上傳的聯(lián)網(wǎng)手段。如果將分散的繼電保護裝置和安全自動裝置網(wǎng)絡(luò)化并由主站統(tǒng)一進行協(xié)調(diào)管理，就可以使繼電保護裝置獲取更多的系統(tǒng)信息，從而更加準確的判斷、處理故障，整個系統(tǒng)安全性與可靠性將得到提升。另外，網(wǎng)絡(luò)繼電保護還存在保護配置可通過運行方式自適應(yīng)調(diào)整、保護定值可根據(jù)運行方式自動計算、二次回路簡單化、運維工作量小等傳統(tǒng)繼電保護不可比擬的優(yōu)點。

在實際應(yīng)用方面，一是目前運行的微機保護程序和軟件原理成熟、功能完善，能夠滿足開發(fā)網(wǎng)絡(luò)繼電保護與控制軟件的基本要求；二是基于EMS系統(tǒng)的數(shù)據(jù)支撐平臺及體系結(jié)構(gòu)的開放化和標準化已取得很大進展，這成為了開發(fā)開放化和標準化網(wǎng)絡(luò)繼電保護與控制系統(tǒng)的支撐平臺及體系結(jié)構(gòu)的技術(shù)基礎(chǔ)；三是隨著光纖通信技術(shù)的發(fā)展，利用就地測控裝置組網(wǎng)的方式形成數(shù)字數(shù)據(jù)網(wǎng)，存在容量大、防干擾、信號衰減小的優(yōu)點，可以提高繼電保護運行的環(huán)境質(zhì)量。從上述的技術(shù)基礎(chǔ)上看，網(wǎng)絡(luò)繼電保護具備實現(xiàn)的可能性，雖然在開發(fā)和推進過程中還存在很多難題和挑戰(zhàn)，但它依然為繼電保護的發(fā)展指明了一條道路。

3 結(jié)論

總之，隨著電力系統(tǒng)的高速發(fā)展和計算機技術(shù)、通信技術(shù)的進步，繼電保護已經(jīng)呈現(xiàn)出了微機化、智能化的特征，為當今電力系統(tǒng)的高速發(fā)展提供了可靠、穩(wěn)定的保護。同時，繼電保護也將隨著各種技術(shù)新一輪的發(fā)展呈現(xiàn)更新的特征，也將獲得更廣泛的應(yīng)用。

參考文獻：

[1] 賈德香，韓凈.神經(jīng)網(wǎng)絡(luò)差動保護技術(shù)[J].電工技術(shù)，2003（3）：11-12.

[2] 賀家李.電力系統(tǒng)繼電保護原理[M].天津：天津大學，1991.

[3] 李營，楊奇遜.分布式微機母線保護的探討[J].電力系統(tǒng)自動化，1999，23（1）.

[4] Perez L G，F(xiàn)lechsig A J.Training an artificial neural network to discriminate between magnetizing inrush and internal faults[J].IEEE PWRD，1994，9（1）：434-441.

[5] 趙夢華，葛耀中.微機式自適應(yīng)饋線保護的研究和開發(fā)[J].電力系統(tǒng)自動化，1999，23（3）：19-22.

第6篇：人工神經(jīng)網(wǎng)絡(luò)的優(yōu)點范文

關(guān)鍵詞：數(shù)據(jù) 神經(jīng)網(wǎng)絡(luò) 數(shù)據(jù)挖掘

中圖分類號：TP311 文獻標識碼：A 文章編號：1007-9416（2015）12-0000-00

1引言

信息在數(shù)據(jù)庫中被搜集出來通過統(tǒng)計、人工智能、情報檢索、在線分析處理、機器學習等多種方法來進行數(shù)據(jù)的整理和分析，將數(shù)據(jù)整理的結(jié)果應(yīng)用于商業(yè)管理、工程開發(fā)、股票管理和科學研究等多個方面。隨著社會的不斷進步人們對數(shù)據(jù)的要求也逐漸的增加，通過對數(shù)據(jù)的收集和分析來解決問提并提供更加可行的方案。而面對數(shù)據(jù)時代中大量的數(shù)據(jù)其中有真有偽，如何從中提取隱含在其中對決策有意義的信息，提高信息資源的利用率成為信息時代亟須解決的問題。這一需求就要求我們不斷推進神經(jīng)網(wǎng)絡(luò)的研究和技術(shù)深化數(shù)字挖掘，才能讓神經(jīng)網(wǎng)絡(luò)在數(shù)據(jù)挖掘中進行應(yīng)用，方便社會中商業(yè)、科研等各領(lǐng)域的使用。

2數(shù)據(jù)挖掘

從海量的數(shù)據(jù)庫中挖掘信息的過程挖掘就稱之為數(shù)據(jù)挖掘（Data Mining）[1]。簡而言之，數(shù)據(jù)挖掘就是從大量的、隨機的數(shù)據(jù)中，提取隱含在其中的、但是又是潛在有用的信息和知識的過程[2]。

數(shù)據(jù)挖掘的主要流程是獲取和整理數(shù)據(jù)的來源、使用相關(guān)的技術(shù)和知識、整合和檢查數(shù)據(jù)、刪除隱含著錯誤的數(shù)據(jù)、建立模型和假設(shè)、進行數(shù)據(jù)挖掘、測試和檢驗數(shù)據(jù)挖掘結(jié)果最終將挖掘的數(shù)據(jù)進行應(yīng)用。

數(shù)據(jù)挖掘的主要功能數(shù)據(jù)的分類是指在數(shù)據(jù)挖掘的過程中將數(shù)據(jù)庫之中根據(jù)不同事物的屬性、特點的不同進行劃分，利用不同的組類來描繪事物以便對事物進行了解；數(shù)據(jù)的聚類是指根據(jù)分析對象的內(nèi)在規(guī)律將數(shù)據(jù)庫中的數(shù)據(jù)進行群組的劃分，將整個數(shù)據(jù)庫劃分出不同的群組，并保證同一群組中數(shù)據(jù)的相似性以及不同群組之間有一定的差別；數(shù)據(jù)的關(guān)聯(lián)規(guī)則和序列模式是指找出數(shù)據(jù)庫中具有相關(guān)性的數(shù)據(jù)，就是某一事物在發(fā)生變化之后與之就有相關(guān)性的數(shù)據(jù)也會發(fā)生這一變化；數(shù)據(jù)的偏差檢測是指針對數(shù)據(jù)中極少數(shù)的極端數(shù)據(jù)、偏差數(shù)據(jù)進行分析，找出其中的內(nèi)在原因。

3人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是某種抽象、簡化和模擬，根據(jù)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和功能，先后提出的神經(jīng)元模型有上百種。[3]

人工神經(jīng)網(wǎng)絡(luò)的主要優(yōu)勢是具有自學習功能。這種自學習功能能夠在圖像識別的過程中進行使用，只要把多個圖像樣板和需要識別的結(jié)果輸入到神經(jīng)網(wǎng)絡(luò)之中就能夠通過自學習功能對圖像進行識別。這一功能對未來的預測具有極其重要的意義。通過人工神經(jīng)網(wǎng)絡(luò)對未來進行預測能夠為經(jīng)濟、股市、市場等提供發(fā)展方向，推動經(jīng)濟發(fā)展。通過人工神經(jīng)網(wǎng)絡(luò)對一復雜問題進行大量的計算來尋求優(yōu)化解。這一功能主要是依靠神經(jīng)網(wǎng)絡(luò)的高速運算能力來完成的，能夠在短期內(nèi)對問題進行優(yōu)化解。

4 神經(jīng)網(wǎng)絡(luò)在數(shù)據(jù)挖掘中的應(yīng)用

在最開始神經(jīng)網(wǎng)絡(luò)應(yīng)用于數(shù)據(jù)挖掘之中并不被眾人所看好，其主要原因是由于神經(jīng)網(wǎng)絡(luò)再解釋自身行為上的能力欠缺以及神經(jīng)網(wǎng)絡(luò)容易出現(xiàn)過度訓練，造成訓練數(shù)據(jù)效果好而檢驗數(shù)據(jù)的效果不佳等問題造成的。然而不可忽視的是神經(jīng)網(wǎng)絡(luò)在數(shù)據(jù)挖據(jù)應(yīng)用的過程之中的優(yōu)勢，可以用于數(shù)據(jù)中有時間單元的情況還能夠?qū)υ肼晹?shù)據(jù)進行很好的處理，與此同時還能夠保證較低的錯誤率。

4.1數(shù)據(jù)準備

數(shù)據(jù)準備是整個數(shù)據(jù)挖掘之中至關(guān)重要的一項。只有數(shù)據(jù)準備的過程之中對數(shù)據(jù)進行合理處理、定義和表示，才能讓數(shù)據(jù)挖掘的過程之中順利的對數(shù)據(jù)進行的使用和分析。

數(shù)據(jù)清洗是指數(shù)據(jù)在裝入數(shù)據(jù)庫之前，通過基于規(guī)則的方法對字段定義域以及其與其他字段的相互關(guān)系對數(shù)據(jù)進行評估；通過可視化的方法將數(shù)據(jù)集以圖形的形式展現(xiàn)出來，能夠更快速的分辨臟數(shù)據(jù)；利用統(tǒng)計學方法更改錯誤數(shù)據(jù)，填補缺失數(shù)據(jù)。數(shù)據(jù)選擇則是通過列和行利用SQL語言對本次數(shù)據(jù)挖掘所需要的數(shù)據(jù)進行選擇。

數(shù)據(jù)處理是利用新字段、數(shù)據(jù)值的比例變換等方法對數(shù)據(jù)進行一個增強處理。這種信息增強處理不僅能夠提高數(shù)據(jù)挖掘的質(zhì)量而且能夠降低數(shù)據(jù)挖掘的時間消耗，提高效率。由于神經(jīng)網(wǎng)絡(luò)只能夠?qū)?shù)值性的數(shù)據(jù)進行處理，這就要求我們對數(shù)據(jù)進行轉(zhuǎn)換，將文本數(shù)據(jù)處理成與之相對應(yīng)的映射表，從而轉(zhuǎn)化成為神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)挖掘算法能夠接受的形式。

4.2規(guī)則提取

目前，規(guī)則提取主要使用的方法有符號方法和連接主義方法兩大類。符號方法基于粗集理論、決策樹等技術(shù)支持，對分類知識進行分類規(guī)則的轉(zhuǎn)換；而連接主義方法則主要在其結(jié)構(gòu)中進行知識的存儲但是不利于人們的理解。神經(jīng)網(wǎng)絡(luò)的這一方法不利于數(shù)據(jù)的挖掘，但由于神經(jīng)網(wǎng)絡(luò)分類精度高、魯棒性好等優(yōu)點在分類問題中表現(xiàn)突出，大多數(shù)的學者更注重專研從神經(jīng)網(wǎng)絡(luò)中進行提取規(guī)則。

4.3規(guī)則評估

在一個數(shù)據(jù)庫之中隱藏著大量規(guī)則，為了在給定數(shù)據(jù)庫中取得好的效果要對提取的原則進行最優(yōu)的評估。規(guī)則評估主要從以下幾方面進行考慮：首先要覆蓋所有神經(jīng)網(wǎng)絡(luò)的知識，其次規(guī)則判定與神經(jīng)網(wǎng)絡(luò)知識相一致，再次判定是否存在相同前提下得出不同結(jié)論的規(guī)則，最后判斷是否存在冗余規(guī)則。規(guī)則的正確性能夠保證神經(jīng)網(wǎng)絡(luò)中的知識全部被提取，也能夠保證提取規(guī)則與神經(jīng)網(wǎng)絡(luò)的一致性。

5結(jié)語

目前采用神經(jīng)網(wǎng)絡(luò)進行數(shù)據(jù)挖掘是比較常見的方式，因為能夠?qū)Υ罅康臄?shù)值性數(shù)據(jù)進行快速的處理，但是仍存在著文字數(shù)據(jù)等非數(shù)值型數(shù)據(jù)的處理、構(gòu)造神經(jīng)網(wǎng)絡(luò)時要求對其訓練許多遍等多種問題。這些問題都需要在將來的神經(jīng)網(wǎng)絡(luò)在數(shù)據(jù)挖掘的應(yīng)用之中逐漸的解決，這些問題的解決能夠給神經(jīng)網(wǎng)絡(luò)在數(shù)據(jù)挖掘的應(yīng)用帶來更強大的生命力。

參考文獻

[1]沈達安 等.萬維網(wǎng)知識挖掘方法的研究.計算機科學，2000，（2）：79-8210.

第7篇：人工神經(jīng)網(wǎng)絡(luò)的優(yōu)點范文

【關(guān)鍵詞】計算機科學與技術(shù) 經(jīng)濟管理 應(yīng)用分析

1 計算機科學與技術(shù)在經(jīng)濟管理中所體現(xiàn)的作用

在進行經(jīng)濟管理工作的時候，需要對工作產(chǎn)生的巨大信息進行分析與處理，這些數(shù)據(jù)都是企業(yè)及事業(yè)單位的重要性資源，需要這些資源來做到對決策的分析。但是，對于經(jīng)濟管理人員來說，如何對這些信息進行處理，使得這些資源能夠更好的對決策進行服務(wù)，是經(jīng)濟管理人員需要不斷探討的問題，并且很多的研究人員在研究過程中提出了很多的方法來對數(shù)據(jù)進行處理，但是得到真正的應(yīng)用的并不是很多，人們對于決策還是憑著自己感覺來進行。但還因為計算機技術(shù)的發(fā)展，使得人們在對這些數(shù)據(jù)進行處理的過程時，有著極大的便利，因為計算機可以有效的對大量的數(shù)據(jù)進行處理、分析，因此，計算機科學與技術(shù)為經(jīng)濟管理人員在工作的過程中提供了很大的便利。

2 計算機科學與技術(shù)在經(jīng)濟管理過程中的應(yīng)用形式

2.1 運用人工神經(jīng)網(wǎng)絡(luò)的形式來對信息進行分析

在動物界的神經(jīng)傳遞過程中，兩個神經(jīng)元之間會有一個突觸，來起到對信息之間的傳遞作用。在傳遞的過程中，會使用到一些神經(jīng)遞質(zhì)來進行傳播，這些神經(jīng)遞質(zhì)具有不同的種類，在對這些神經(jīng)元進行接收的時候，在軸突上，會存在著許多的分支。神經(jīng)遞質(zhì)傳遞到受體細胞，然后再次的在神經(jīng)元內(nèi)對信息進行傳遞。這種信息的傳遞形式具有很多優(yōu)點，科研人員在受到這些啟示之后，就發(fā)明了具有自組織特征的映射算法來對信息做到有效的傳遞。

因為對于計算機技術(shù)的發(fā)展過程來說，其在對外界進行表達的時候，都是以數(shù)字向量的方式來進行的，而對于神經(jīng)系統(tǒng)來說，其在信息的傳播過程中也是將信號進行轉(zhuǎn)變。所以使用計算機技術(shù)來對信息進行處理的時候，與神經(jīng)信息傳遞之間有著很相似的地方。

2.2 這種人工神經(jīng)網(wǎng)絡(luò)的信息處理方式具備的功能

對于這種人工神經(jīng)網(wǎng)絡(luò)的信息處理方式，其是根據(jù)生物學中神經(jīng)網(wǎng)絡(luò)的形式來研究出來的，所在對于這種人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)來說，其有很大一部分特點都是跟生物學的中神經(jīng)系統(tǒng)是相似的，具備一些智能的功能。首先它所體現(xiàn)出來的一種特點是在記憶方面，因為它是根據(jù)生物神經(jīng)模式來進行設(shè)計的，因此其在對信息進行儲存及分析過程中，會第一這些信息進行保留，并且還具備聯(lián)想記憶的功能。其次其具備的特點就是可以進行非線性映射。因為在很多的實現(xiàn)操作過程中，很多輸出的信息與輸入的信息之間并不能夠建立起一種線性的關(guān)系，使得很多熟悉的模型不能夠在其它信息處理系統(tǒng)中進行設(shè)計出來。但是使用人工神經(jīng)網(wǎng)絡(luò)的設(shè)計方式，就使得在信息處理的過程中能夠做到滿足非線性映射，并且還可以在設(shè)計的過程中建立起很大的非線性的數(shù)學模型，并且各個領(lǐng)域中都可以得到應(yīng)用。另外，在這種人工神經(jīng)網(wǎng)絡(luò)的信息處理模式中，還可以對輸入的信息進行識別，并做到有效的分類，這對原來在信息處理過程中存在的信息不易分離與辨別的問題做到了有效的解決。最后一項具備的功能就是它可以對輸入與輸出的信息及知識內(nèi)容進行一個有效的處理，因為人工神經(jīng)網(wǎng)絡(luò)模式具備生物學中神經(jīng)傳遞的特點，所以它可以在信息到達的時候，對其進行分析及處理，對于那些符合條件的信息加以利用，并進行儲存。這就使得在信息的處理過程中，能夠做到對數(shù)據(jù)根據(jù)其特征來進行分類與分析。

3 人工神經(jīng)網(wǎng)絡(luò)的信息處理技術(shù)在經(jīng)濟管理中的應(yīng)用

計算機科學與技術(shù)發(fā)展過程中所帶來的這種神經(jīng)網(wǎng)絡(luò)的信息處理模式，因為其具備的一些特征與功能，因此在眾多的領(lǐng)域中得到了有效的利用，解決了傳統(tǒng)信息處理過程中那些不能夠進行解決的問題，并且都取得了很好的效果。所以，目前這種信息的處理方式不僅在經(jīng)濟管理過程中得以使用，還在醫(yī)學、工程技術(shù)及其它經(jīng)濟領(lǐng)域中都得到廣泛的應(yīng)用。

3.1 在信貸分析過程中需要對這種信息處理技術(shù)加以利用

對于信貸分析工作來說，信用評估機構(gòu)是具備自己特征的，因此在信息處理過程中，因為這些企業(yè)所帶來的信息形式的不同，使得在對其信用度進行評判的過程中，帶來很大的問題，也很難對其進行判斷，使得很多時候都會帶來很多的經(jīng)濟損失。但是對這種人工神經(jīng)網(wǎng)絡(luò)信息的處理技術(shù)的使用，就會對所出現(xiàn)的問題做到有效的解決了。在對這些貸款企業(yè)進行信用評價的時候，只需要將信息轉(zhuǎn)化為編碼來輸入進去，就可以對數(shù)據(jù)進行分析，并且因為輸入的信息量比較大，使得在評價的過程中更做到具有更大的準確性。對這種技術(shù)的使用，不僅可以做到準確性，還可以避免操作人員的主觀思維形式。這是這些優(yōu)勢的存在，使得其在對企業(yè)風險進行分析的過程中得到很廣泛的應(yīng)用。

3.2 使用這種方法可以對市場做到更準確的預測

在經(jīng)濟管理過程中，需要對市場中出現(xiàn)的一些因素做到有效的分析，并做到對未來發(fā)展趨勢進行相關(guān)的預測，使得在決策的過程中，能夠起到參考的作用，使得風險得到降低。使用人工神經(jīng)網(wǎng)絡(luò)的信息處理技術(shù)來對市場進行預測，使得對市場中變動的價格與走勢進行考量與分析，使得一個可靠的市場模型可以得到建立。例如在期貨市場上運用這種技術(shù)，可以對其未來價格進行預測。并且這種技術(shù)在股票市場中也有所應(yīng)用。

四、結(jié)束語

隨著科學技術(shù)的發(fā)展以及電子計算機技術(shù)的日趨成熟，使得原本很復雜的工作在其處理之下都得到了很好的解決。在經(jīng)濟管理過程中，其產(chǎn)生的大量數(shù)據(jù)，使用傳統(tǒng)的方式難以進行解決，但是使用計算機科學與技術(shù)，就可以模仿人對在神經(jīng)傳遞中對信息的處理方式來進行處理，為其工作提供了很大的便利。

參考文獻

[1]李苗苗.論我國企業(yè)的經(jīng)濟管理[J].現(xiàn)代經(jīng)濟信息，2009.

[2]張信賓.高校計算機基礎(chǔ)教育的教學思路與方法研究[J].沿海企業(yè)與科技，2005.

第8篇：人工神經(jīng)網(wǎng)絡(luò)的優(yōu)點范文

【關(guān)鍵詞】輸電網(wǎng)絡(luò)；故障；人工智能；應(yīng)用

電能的正常供應(yīng)影響著人們的諸多方面，工作、學習、生活、娛樂等，電能供應(yīng)的最基本要求就是穩(wěn)定性和連續(xù)性，但是，輸電網(wǎng)絡(luò)越來越復雜，偶爾出現(xiàn)故障也會難免的，為了能夠在輸電網(wǎng)絡(luò)出現(xiàn)故障時快速的診斷故障找出故障原因，減小相關(guān)損失，必須要找到一種合適的技術(shù)手段來解決這個問題，相關(guān)的研究人員也一直在致力于該方面的研究。人工智能技術(shù)就是研究人員在這方面的一個突破，人工智能技術(shù)能夠模擬人類處理問題的思維方式，且具備一定的學習能力，本文將圍繞這些方面進行一些探討。

1 專家系統(tǒng)在輸電網(wǎng)絡(luò)故障診斷中的應(yīng)用

專家系統(tǒng)在人工智能技術(shù)中開發(fā)的比較早，技術(shù)上也有了一定的厚度積累，從應(yīng)用的角度來說，專家系統(tǒng)就是一個集合了大量程序的系統(tǒng)，它里面存儲了相關(guān)專家在相應(yīng)問題方面的見解，根據(jù)這些見解對問題進行推斷，類似于專家解決問題的過程，節(jié)省了時間，目前，專家系統(tǒng)在人工智能中應(yīng)用的已經(jīng)非常廣泛。專家系統(tǒng)在輸電網(wǎng)絡(luò)故障診斷中最典型的應(yīng)用就是基于產(chǎn)生式規(guī)則的系統(tǒng)，把相關(guān)電路保護措施的信息和相關(guān)技術(shù)人員的診斷經(jīng)驗用程序表示出來，從而形成一個比較完備的專家知識庫，一旦輸電網(wǎng)絡(luò)發(fā)生故障，則可以根據(jù)這個專輯知識庫，快速的對故障進行診斷，迅速的找出解決方案。專家系統(tǒng)之所以在輸電網(wǎng)絡(luò)故障診斷中得到廣泛的應(yīng)用，主要有這么幾個方面的原因：第一，輸電網(wǎng)絡(luò)中相關(guān)保護功能的信息能夠有效、明了的表達出來；第二，基于產(chǎn)生式規(guī)則的專家系統(tǒng)允許根據(jù)實際情況的變化，對專家知識庫進行合理的變更，跟上技術(shù)不斷進步的腳步；第三，由于專家系統(tǒng)的智能功能，使其能夠解決一些不確定的故障；第四，初步具備人類的思維，得出的結(jié)論能夠被相關(guān)技術(shù)人員看懂。從上面的理論分析可以看出，專家系統(tǒng)在輸電網(wǎng)絡(luò)故障診斷中很有應(yīng)用的前景和應(yīng)用的必要，但是它也存在著一些問題：上面的分析可以看出，專家系統(tǒng)對故障的診斷基于專家知識庫里的知識容量多少，因此，專家系統(tǒng)是否具有詳細、準確的專家知識庫能夠影響整個故障診斷的效果，如果專家知識庫達不到使用的實際標準，那么在進行故障推理低調(diào)時候，很有可能導致錯誤的結(jié)論，將相關(guān)技術(shù)人員引導到錯誤的道路上；專家系統(tǒng)在診斷大型輸電系統(tǒng)故障的時候，需要從專家知識庫進行知識的匹配，這個過程可能會比較慢；大部分專家系統(tǒng)不具備學習的能力，一旦診斷的故障超出了專家知識庫中的內(nèi)容， 那么專家系統(tǒng)很容易得出錯誤的結(jié)論。

2 人工神經(jīng)網(wǎng)絡(luò)在輸電網(wǎng)絡(luò)故障診斷中的應(yīng)用

人工神經(jīng)網(wǎng)絡(luò)技術(shù)在輸電網(wǎng)絡(luò)故障診斷中應(yīng)用的也越來越廣泛，人工神經(jīng)網(wǎng)絡(luò)技術(shù)（ANN）就是模擬人體大腦的結(jié)構(gòu)和處理問題方式的一種人工智能技術(shù)，它是人工智能技術(shù)重要的一個分支，它具有很多優(yōu)點，例如能夠?qū)崿F(xiàn)并行式處理、自適應(yīng)等，這些優(yōu)點與輸電網(wǎng)絡(luò)故障診斷相結(jié)合，顯示出了巨大的潛力，是一個比較熱門的研究方向?；谌斯ど窠?jīng)網(wǎng)絡(luò)的輸電網(wǎng)絡(luò)故障診斷，其總的診斷網(wǎng)絡(luò)比較復雜，為了方便實時的偵測，一般將總的網(wǎng)絡(luò)進行分區(qū)處理，然后在各個區(qū)創(chuàng)建基于BP算法的故障診斷模塊，要得到診斷結(jié)果的時候，將各個分區(qū)的診斷結(jié)果進行綜合后即可得出。例如，將總的故障診斷按照分工的不能區(qū)劃成幾個功能不同的診斷網(wǎng)絡(luò)，比如一個子網(wǎng)絡(luò)用來診斷故障的發(fā)生位置；一個子網(wǎng)絡(luò)用來診斷故障的性質(zhì)；一個子網(wǎng)絡(luò)用來診斷故障對整個系統(tǒng)的危害程度等等，最后將這些子網(wǎng)絡(luò)的結(jié)論按照一定的規(guī)則進行組合分析，即可得到需要的結(jié)論。人工神經(jīng)網(wǎng)絡(luò)的方法雖然相對于專家系統(tǒng)來說取得了一些突破，例如能夠突破專家系統(tǒng)知識庫知識獲取難、診斷網(wǎng)絡(luò)更加便于維護等，但是也具有一些缺點：人工神經(jīng)網(wǎng)絡(luò)不能夠?qū)l(fā)性的知識進行分析和判斷，且人工神經(jīng)網(wǎng)絡(luò)技術(shù)不夠成熟，涵蓋的范圍大，學習困難，這些都在一定程度上影響了人工神經(jīng)網(wǎng)絡(luò)技術(shù)在輸電網(wǎng)絡(luò)故障診斷中的應(yīng)用，并且，人工神經(jīng)網(wǎng)絡(luò)如何在大的輸電網(wǎng)絡(luò)故障診斷中應(yīng)用一直是一個難點，還有待于相關(guān)人員取得新的突破?？傮w而言，人工神經(jīng)網(wǎng)絡(luò)方法在輸電網(wǎng)絡(luò)中還是很有應(yīng)用前景的，可以加大的相關(guān)難題的科技攻關(guān)力度，進一步提高其有效性。

3 模糊理論在輸電網(wǎng)絡(luò)故障診斷中的應(yīng)用

隨著模糊理論的不斷成熟，它在輸電網(wǎng)絡(luò)診斷中應(yīng)用的也越來越廣泛。在輸電網(wǎng)絡(luò)的故障中，其發(fā)生的故障和故障發(fā)生前的征兆之間聯(lián)系是具有模糊性質(zhì)的，這種模糊既具有不確定性又具有不準確定，因而，得出恰當?shù)脑\斷結(jié)果也是比較困難的，必須要采用模糊判斷的額方法，一般情況下是建立相關(guān)的模糊關(guān)系矩陣。隨著模糊理論的不斷完善，其受重視的程度越來越高，特別是在解決具有不確定性問題的情況中；模糊理論能夠借助相關(guān)的數(shù)據(jù)庫對問題進行分析，并得出一些列解決結(jié)論，且把這些結(jié)論按照模糊的程度進行排列；模糊知識庫所使用的描述語言更容易為相關(guān)技術(shù)人員所接受。模糊故障診斷系統(tǒng)在結(jié)構(gòu)上和專家系統(tǒng)有點相像，因此也具有一定的缺點：對大的輸電網(wǎng)絡(luò)系統(tǒng)故障診斷時速度比較慢；其可維護性比較差；不具備自主學習的能力?？傮w而言，模糊理論一般都是與其它人工智能技術(shù)結(jié)合使用，在一定程度上能夠提高故障診斷的結(jié)果準確度，但是相關(guān)研究人員也必須要在它存在的缺點上有進一步的突破。

4 遺傳算法在輸電網(wǎng)絡(luò)故障診斷中的應(yīng)用

遺傳算法目前在很多工業(yè)控制領(lǐng)域得到了推廣和應(yīng)用，在輸電網(wǎng)絡(luò)診斷中應(yīng)用的也越來越多，遺傳算法在基于生物進化的基礎(chǔ)上推算出的一種自適應(yīng)算法。遺傳算法能夠從錯綜負責的網(wǎng)絡(luò)中，自動匹配出解決問題的最優(yōu)算法，求出最優(yōu)解，且比較簡單，且可解決問題的范圍比較大，一般應(yīng)用于解決中小型規(guī)模的問題。目前，在遺傳算法應(yīng)用到輸電網(wǎng)絡(luò)故障診斷的過程中，如何建立正確數(shù)學模型至關(guān)重要，它是制約整個求解過程的關(guān)鍵，如果能夠采用適當?shù)姆椒▽旊娋W(wǎng)絡(luò)建立合理的數(shù)學模型，那么將有助于提高輸電網(wǎng)絡(luò)故障診斷的精確性。

5 結(jié)論

目前，人工智能技術(shù)已經(jīng)在很多領(lǐng)域得到了應(yīng)用，例如設(shè)備狀態(tài)監(jiān)測、設(shè)備自動化控制等，在現(xiàn)代輸電網(wǎng)絡(luò)越來越復雜的情況下，其應(yīng)用于故障診斷中也顯得越來越重要，本文分別介紹了專家系統(tǒng)、人工神經(jīng)網(wǎng)絡(luò)、遺傳算法、模糊理論在輸電網(wǎng)絡(luò)故障診斷中的應(yīng)用，指出了優(yōu)點和缺點，希望本文能夠?qū)ο嚓P(guān)的工作人員產(chǎn)生一定的指導意義。

參考文獻：

[1]畢天株，霓以信.人工智能技術(shù)在輸電網(wǎng)絡(luò)故障診斷中的應(yīng)用述評[J].電力系統(tǒng)自動化，2012（11）.

[2]曾素瓊.人工智能及其在輸配電網(wǎng)絡(luò)故障診斷中的應(yīng)用[J].海南大學學報（自然科學版），2012（6）.

第9篇：人工神經(jīng)網(wǎng)絡(luò)的優(yōu)點范文

【關(guān)鍵詞】PID控制;BP神經(jīng)網(wǎng)絡(luò);模糊PID控制

Abstruct：PID control are widely used in industrial process control，but the traditional PID control because of its control parameters are fixed，and it is difficult to adjust its parameters online.So this paper studies a new adaptive fuzzy PID control method，to solve problem without the ability to learn，and put forward a kind of adaptive fuzzy control method based on BP neural network in this paper.It is the effective combination of fuzzy control，neural network and PID control.Simulation results show that this fuzzy PID control method based on BP neural network has good control effect.

Keywords：PID control;BP neural network;Fuzzy PID control

1.引言

常規(guī)PID在控制領(lǐng)域被廣泛應(yīng)用，利用數(shù)學算法來整定參數(shù)。而且隨著控制系統(tǒng)的復雜，被控對象很難建立數(shù)學模型，人們開始探索新的控制方式。模糊控制不要求掌握被控對象的精確的數(shù)學模型，根據(jù)人工控制規(guī)則組織控制決策表，然后由該表決定控制量的大小。在一般的模糊系統(tǒng)設(shè)計中，規(guī)則是由經(jīng)驗豐富的專業(yè)人員以語言的方式表達出來的。但對于某些問題即使是很有經(jīng)驗的專業(yè)人員也很難將他們的經(jīng)驗總結(jié)、歸納為一些比較明確而簡化的規(guī)則。在這種情況下，就可以應(yīng)用神經(jīng)網(wǎng)絡(luò)的方法，依靠BP神經(jīng)網(wǎng)絡(luò)的自學習功能，實現(xiàn)模糊控制的神經(jīng)、模糊融合技術(shù)，并借助其并行分布的結(jié)構(gòu)來估計輸入到輸出的映射關(guān)系，直接從原始的工作數(shù)據(jù)中歸納出若干控制規(guī)則。從而為模糊系統(tǒng)建立起行之有效的決策規(guī)則。

2.PID控制器原理

2.1 PID控制的微分方程

PID控制器是一種線性控制器，它將給定值r（t）與實際輸出值c（t）的偏差的比例（p）、積分（I）、微分（D）通過線性組合構(gòu)成控制量，對控制對象進行控制。

式中：

2.2 PID控制器各環(huán)節(jié)的作用

（1）比例環(huán)節(jié)：及時成比例地反應(yīng)控制系統(tǒng)的偏差信號e（t），偏差一旦產(chǎn)生，控制器立即產(chǎn)生控制作用以減小偏差。

（2）積分環(huán)節(jié)：積分作用會使系統(tǒng)穩(wěn)定性下降，Kd大會使系統(tǒng)不穩(wěn)定，但能消除靜態(tài)誤差。

（3）微分環(huán)節(jié)：能反應(yīng)偏差信號的變化趨勢，并能在偏差信號值變得太大之前，在系統(tǒng)中引入一個早期修正信號，從而加快系統(tǒng)的動作速度，減小調(diào)節(jié)時間。Kd偏大時，超調(diào)較大，調(diào)節(jié)時間短;Kd偏小時，超調(diào)量也較大，調(diào)節(jié)時間長;只有Kd合適時才能超調(diào)小，時間短。

3.BP神經(jīng)網(wǎng)絡(luò)與模糊控制

模糊控制是運用語言歸納操作人員的控制策略，運用變量和模糊集合理論形成控制算法的一種控制。如何讓機器像人一樣識別、理解模糊規(guī)則并進行模糊邏輯推理，最終得出新的結(jié)論并實現(xiàn)自動控制是模糊控制研究的主要內(nèi)容。模糊控制器的基本結(jié)構(gòu)如圖1所示。

圖1 模糊控制結(jié)構(gòu)

人工神經(jīng)網(wǎng)絡(luò)是由大量人工神經(jīng)元經(jīng)廣泛互連二組成的，它可用來模擬腦神經(jīng)系統(tǒng)的結(jié)構(gòu)和功能。人工神經(jīng)網(wǎng)絡(luò)可以看成是以人工神經(jīng)元為節(jié)點，用有向加權(quán)弧連接起來的有向圖。BP網(wǎng)絡(luò)是一種利用誤差反向傳播訓練算法的神經(jīng)網(wǎng)絡(luò)，是一種有隱含層的多層前饋網(wǎng)絡(luò)，系統(tǒng)地解決了多層網(wǎng)絡(luò)中隱含單元連接權(quán)的學習問題。BP學習算法的基本原理是梯度最速下降法，它的中心思想是調(diào)整權(quán)值使網(wǎng)絡(luò)總誤差最小。也就是采用梯度搜索技術(shù)，以期使網(wǎng)絡(luò)的實際輸出值與期望輸出值的誤差均方值為最小。網(wǎng)絡(luò)學習過程是一種誤差邊向后傳播邊修正權(quán)系數(shù)的過程。其結(jié)構(gòu)如圖2所示。

圖2中隱含層第一層神經(jīng)元為7個，分別對應(yīng)7個模糊子集：NB、NM、NS、ZO、PS、PM、PB。第二層49個神經(jīng)元代表49條規(guī)則。第三層7個神經(jīng)元代表輸出的7個模糊子集。模糊控制不依靠對象的數(shù)學模型，但模糊規(guī)則的建立需要人工經(jīng)驗。采用BP算法對工程經(jīng)驗和專家經(jīng)驗的模糊規(guī)則進行訓練，其實就是把模糊規(guī)則用神經(jīng)網(wǎng)絡(luò)來表示，即經(jīng)過神經(jīng)網(wǎng)絡(luò)的學習，將模糊規(guī)則以加權(quán)系數(shù)的形式表現(xiàn)出來，規(guī)則的生成就轉(zhuǎn)化為加權(quán)系數(shù)的確定和修改。

神經(jīng)網(wǎng)絡(luò)是大規(guī)模并行運算，但由于網(wǎng)絡(luò)結(jié)構(gòu)復雜，訓練和學習需要大量的時間，所以目前還無法實現(xiàn)實時控制。在具體應(yīng)用中，我們是先離線將神經(jīng)網(wǎng)絡(luò)的各層權(quán)值和閾值訓練出來，將其參數(shù)固定下來，然后將有系統(tǒng)檢測、計算得到的誤差變化直接代入非線性映射關(guān)系中，由計算機算出控制量，再用作被控對象。在matlab下以、、為輸出的BP網(wǎng)絡(luò)仿真訓練如圖3、圖4、圖5所示。

4.模糊PID控制器的原理與仿真

對于某一BP神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)，其中內(nèi)部變化及被控對象的數(shù)學模型為：

利用模糊控制對PID參數(shù)實現(xiàn)在線調(diào)節(jié)，原理如圖6。

圖6 模糊PID控制原理圖

采用Z-N法和試湊法相結(jié)合，借助MATLAB的SIMULINK平臺，對被控對象進行常規(guī)PID仿真。參數(shù)值：kp=15，ki=6，kd=0.05。如圖7。作為比較，建立模糊PID控制器的仿真模型如圖8。

圖9、圖10分別為被控對象G（s）在階躍輸入下常規(guī)PID和模糊PID仿真結(jié)果的比較。

經(jīng)過仿真發(fā)現(xiàn)，常規(guī)PID控制缺點是超調(diào)量大，調(diào)節(jié)時間長，動態(tài)性能差。優(yōu)點是控制精度高，穩(wěn)定性能好。模糊控制動態(tài)性能很好，上升速度快，基本無超調(diào)。但由于模糊化所造成的穩(wěn)態(tài)誤差，在沒有積分環(huán)節(jié)的情況下很難消除，故穩(wěn)態(tài)性能差。模糊PID繼承了二者的優(yōu)點，摒棄二者缺點，具有更全面優(yōu)良的控制性能。

5.結(jié)論

針對大滯后、慢時變、非線性的復雜系統(tǒng)，提出了一種基于BP神經(jīng)網(wǎng)絡(luò)的模糊PID控制算法，該算法不依賴被控對象的精確數(shù)學模型，可實現(xiàn)在線自調(diào)整模糊規(guī)則，從而增強了模糊控制器的自學習能力。通過算法的仿真研究，驗證了算法的可行性。

參考文獻

[1]李華.計算機控制系統(tǒng)[M].北京：機械工業(yè)出版社，2007.

[2]高雋.人工神經(jīng)網(wǎng)絡(luò)原理及仿真實例[M].北京：機械工業(yè)出版社，2007.

[3]蔡自興.智能控制[M].北京：電子工業(yè)出版社，2003.

[4]李國勇.智能控制及其MATLAB實現(xiàn)[M].北京：電子工業(yè)出版社，2005.

[5]張德豐.MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計[M].北京：機械工業(yè)出版社，2009.

[6]劉金琨.先進PID控制及其MATLAB仿真[M].北京：電子工業(yè)出版社，2003.

[7]劉玲.三容水箱的單神經(jīng)元自適應(yīng)PID控制研究[J].信息技術(shù)，2005，3（8）：32-137.