神經(jīng)網(wǎng)絡(luò)的基本功能精選(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神經(jīng)網(wǎng)絡(luò)的基本功能主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：神經(jīng)網(wǎng)絡(luò)的基本功能范文

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò) BP網(wǎng)絡(luò)

中圖分類號：TP3 文獻標識碼：A 文章編號：1672-3791（2014）01（c）-0240-02

神經(jīng)網(wǎng)絡(luò)是一門發(fā)展十分迅速的交叉學科，它是由大量的處理單元組成非線性的大規(guī)模自適應(yīng)動力系統(tǒng)。神經(jīng)網(wǎng)絡(luò)具有分布式存儲、并行處理、高容錯能力以及良好的自學習、自適應(yīng)、聯(lián)想等特點。該模型對于擬合現(xiàn)實復雜世界有著重要的實用價值。

1 神經(jīng)網(wǎng)絡(luò)簡介

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN），亦稱神經(jīng)網(wǎng)絡(luò)（Neural Network，NN），是一種應(yīng)用類似于大腦神經(jīng)突觸連接結(jié)構(gòu)進行信息處理的數(shù)學模型，它是在人類對自身大腦組織結(jié)合和思維機制的認識理解基礎(chǔ)之上模擬出來的，它是根植于神經(jīng)科學、數(shù)學、統(tǒng)計學、物理學、計算機科學以及工程科學的一門技術(shù)。心理學家Mcculloch，數(shù)學家Pitts在20世紀40年代第一次提出了神經(jīng)網(wǎng)絡(luò)模型，從此開創(chuàng)了神經(jīng)科學理論的研究時代，此后半個世紀神經(jīng)網(wǎng)絡(luò)技術(shù)蓬勃發(fā)展。神經(jīng)網(wǎng)絡(luò)是一種計算模型，由大量的神經(jīng)元個體節(jié)點和其間相互連接的加權(quán)值共同組成，每個節(jié)點都代表一種運算，稱為激勵函數(shù)（activation function）。每兩個相互連接的節(jié)點間都代表一個通過該連接信號加權(quán)值，稱值為權(quán)重（weight），神經(jīng)網(wǎng)絡(luò)就是通過這種方式來模擬人類的記憶，網(wǎng)絡(luò)的輸出則取決于網(wǎng)絡(luò)的結(jié)構(gòu)、網(wǎng)絡(luò)的連接方式、權(quán)重和激勵函數(shù)。而網(wǎng)絡(luò)本身通常是對自然界或者人類社會某種算法或函數(shù)的逼近，也可能是一種邏輯策略的表達。神經(jīng)網(wǎng)絡(luò)的構(gòu)筑理念是受到生物的神經(jīng)網(wǎng)絡(luò)運作啟發(fā)而產(chǎn)生的。人工神經(jīng)網(wǎng)絡(luò)則是把對生物神經(jīng)網(wǎng)絡(luò)的認識與數(shù)學統(tǒng)計模型向結(jié)合，借助數(shù)學統(tǒng)計工具來實現(xiàn)。另一方面在人工智能學的人工感知領(lǐng)域，我們通過數(shù)學統(tǒng)計學的方法，使神經(jīng)網(wǎng)絡(luò)能夠具備類似于人的決定能力和簡單的判斷能力，這種方法是對傳統(tǒng)邏輯學演算的進一步延伸。

2 神經(jīng)網(wǎng)絡(luò)模型及訓練

2.1 生物神經(jīng)元模型

人腦是自然界所造就的高級動物，人的思維是由人腦來完成的，而思維則是人類智能的集中體現(xiàn)。人腦的皮層中包含100億個神經(jīng)元、60萬億個神經(jīng)突觸，以及他們的連接體。神經(jīng)系統(tǒng)的基本結(jié)構(gòu)和功能單位就是神經(jīng)細胞，即神經(jīng)元，它主要由細胞體、樹突、軸突和突觸組成。人類的神經(jīng)元具備以下幾個基本功能特性：時空整合功能；神經(jīng)元的動態(tài)極化性；興奮與抑制狀態(tài)；結(jié)構(gòu)的可塑性；脈沖與電位信號的轉(zhuǎn)換；突觸延期和不延期；學習、遺忘和疲勞；神經(jīng)網(wǎng)絡(luò)是由大量的神經(jīng)元單元相互連接而構(gòu)成的網(wǎng)絡(luò)系統(tǒng)。

2.2 人工神經(jīng)網(wǎng)絡(luò)模型

人工神經(jīng)網(wǎng)絡(luò)，使通過模仿生物神經(jīng)網(wǎng)絡(luò)的行為特征，進行分布式并行信息處理的數(shù)學模型。這種網(wǎng)絡(luò)依靠系統(tǒng)的復雜度，通過調(diào)整內(nèi)部大量節(jié)點之間相互連接的關(guān)系，從而達到信息處理的目的。人工神經(jīng)網(wǎng)絡(luò)具有自學習和自適應(yīng)的能力，可以通過預(yù)先提供的一批相互對應(yīng)的輸入輸出數(shù)據(jù)，分析兩者的內(nèi)在關(guān)系和規(guī)律，最終通過這些規(guī)律形成一個復雜的非線性系統(tǒng)函數(shù)，這種學習分析過程被稱作“訓練”。神經(jīng)元的每一個輸入連接都有突觸連接強度，用一個連接權(quán)值來表示，即將產(chǎn)生的信號通過連接強度放大，每一個輸入量都對應(yīng)有一個相關(guān)聯(lián)的權(quán)重。處理單元將經(jīng)過權(quán)重的輸入量化，然后相加求得加權(quán)值之和，計算出輸出量，這個輸出量是權(quán)重和的函數(shù)，一般稱此函數(shù)為傳遞函數(shù)。

2.3 神經(jīng)網(wǎng)絡(luò)的訓練

當神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)確定以后，接下來的工作就是訓練和學習。神經(jīng)網(wǎng)絡(luò)不是通過改變處理單元的本身來完成訓練和學習過程的，而是依靠改變網(wǎng)絡(luò)中各神經(jīng)元節(jié)點的連接權(quán)重來完成的。因此若處理單元要學會正確的處理所給定的問題，唯一用以改變處理單元性能的元素就是連接權(quán)重。

2.4 神經(jīng)網(wǎng)絡(luò)的分類

神經(jīng)網(wǎng)絡(luò)按照不同的結(jié)構(gòu)、功能，以及學習算法，對網(wǎng)絡(luò)進行分類，可以分為：（1）感知器神經(jīng)網(wǎng)絡(luò)：最簡單的神經(jīng)網(wǎng)絡(luò)類型，只有單層的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，采用硬限值作為網(wǎng)絡(luò)傳遞函數(shù)，主要適用于簡單的線性二類劃分問題，在此類問題中處理的效率較高。但不適合本論文的課題。（2）線性神經(jīng)網(wǎng)絡(luò)：單層結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)，采用線性函數(shù)作為網(wǎng)絡(luò)的傳遞，主要也是用于解決線性逼近問題。

3 BP神經(jīng)網(wǎng)絡(luò)

目前應(yīng)用最為廣泛的網(wǎng)絡(luò)，具有多層網(wǎng)絡(luò)結(jié)構(gòu)，可以由一個或者多個隱含層。BP網(wǎng)絡(luò)采用Widrow―Hoff學習算法和非線性傳遞函數(shù)，典型的BP網(wǎng)絡(luò)采用的是梯度下降算法，也就是Widrow―Hoff算法所規(guī)定的。BP，即Back Propagation，就是指為非線性多層網(wǎng)絡(luò)訓練中梯度計算是采用信號正向傳播、誤差反向傳播的方式。通過采用非線性傳遞函數(shù)，BP網(wǎng)絡(luò)能夠以仁義的精度逼近任何非線性函數(shù)，由于采用隱含中間層的結(jié)構(gòu)，BP網(wǎng)絡(luò)能夠提取出更高階的統(tǒng)計性質(zhì)，尤其是當輸入規(guī)模龐大時，網(wǎng)絡(luò)能夠提取高階統(tǒng)計性質(zhì)的能力就顯得非常重要了，結(jié)合本文的課題，將采用BP神經(jīng)網(wǎng)絡(luò)及其改進算法進行組合集成實驗，用以解決財務(wù)預(yù)警的實際問題，在后面的章節(jié)會采用相關(guān)實驗證明組合集成的BP神經(jīng)網(wǎng)絡(luò)的優(yōu)勢。

4 徑向基神經(jīng)網(wǎng)絡(luò)

徑向基神經(jīng)網(wǎng)絡(luò)又稱為RBF網(wǎng)絡(luò)，它與BP網(wǎng)絡(luò)同為多層前向網(wǎng)絡(luò)，也能夠以任意的精度逼近任何非線性函數(shù)，只是它與BP網(wǎng)絡(luò)采用的傳遞函數(shù)不同，BP通常采用的是Sigmoid函數(shù)或線性函數(shù)作為傳遞函數(shù)，而RBF網(wǎng)絡(luò)則采用徑向基函數(shù)作為傳遞函數(shù)。本文后面將采用徑向基函網(wǎng)絡(luò)與BP網(wǎng)絡(luò)進行對比。

5 競爭神經(jīng)網(wǎng)絡(luò)

競爭神經(jīng)網(wǎng)絡(luò)的特點是它的各個神經(jīng)元之間是相互競爭的關(guān)系，眾多神經(jīng)元之間相互競爭以決定勝出者，或勝神經(jīng)元決定哪一種原模型最能代表輸入模式。

6 反饋神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)（Fredric M.Ham Ivica Kostanic Principles of Neurocomputing for Science―Engineering 2007）BP神經(jīng)網(wǎng)絡(luò)具有sigmoid隱含層以及線性輸出層，具有很強的映射能力，本節(jié)我們對BP網(wǎng)絡(luò)神經(jīng)元和網(wǎng)絡(luò)結(jié)構(gòu)進行介紹。神經(jīng)網(wǎng)絡(luò)方法的具體步驟是：向網(wǎng)絡(luò)提供訓練例子，即學習樣本，包括輸入和期望的輸出。確定網(wǎng)絡(luò)的實際輸出和期望輸出之間允許的誤差。改變網(wǎng)絡(luò)中所有連接權(quán)值，使網(wǎng)絡(luò)產(chǎn)生的輸出更接近于期望輸出，直到滿足確定的允許誤差。下圖給出了一個具有N個輸入的基本的BP神經(jīng)元模型結(jié)構(gòu)。途中每一個輸入都被賦予一定的權(quán)值，與偏差求和和后形成神經(jīng)元傳遞函數(shù)的輸入。

我們來看看三層BP神經(jīng)網(wǎng)絡(luò)模型的數(shù)學表達，首先我們來確定途中各個參數(shù)所代表的涵義：

（1）輸入向量：X=（x1，x2，…，xi，…，xn）T；

（2）隱層輸出向量：Y=（y1，y2，…，yj，…，ym）T；

（3）輸出層輸出向量：O=（O1，O2，…，Ok，…，Ol）T；

（4）期望輸出向量：d=（d1，d2，…，dk，…，dl）T；

（5）輸入層到隱層之間的權(quán)值矩陣：V=（V1，V2，…，Vj，…，Vm）；

（6）隱層到輸出層之間的權(quán)值矩陣：W=（W1，W2，…，Wk，…，Wl）。

BP神經(jīng)網(wǎng)絡(luò)就是通過構(gòu)建上述變量來完成網(wǎng)絡(luò)的描述。

我們從上至下，從輸出層開始看BP網(wǎng)絡(luò)的工作原理，對于輸出層：

k=1，2，…，l （1）

k=1，2，…，l （2）

對于隱層：j=1，2，…，m （3）

j=1，2，…，m （4）

其中的是傳遞函數(shù)我們可以采用單極性Sigmoid函數(shù)： （5）

（1）網(wǎng)絡(luò)誤差與權(quán)值調(diào)整

輸出誤差E定義：

（6）

（7）

在這一步的基礎(chǔ)上，進一步展開至輸入層：

（8）

j=0，1，2，…，m；k=1，2，…，l （9）

i=0，1，2，…，n；j=1，2，…，m （10）

式中負號表示梯度下降，常數(shù)η∈（0，1）表示比例系數(shù)。在全部推導過程中，對輸出層有j=0，1，2，…，m；k=1，2，…，l，對隱層有i=0，1，2，…，n；j=1，2，…，m

（2）BP算法推導

對于輸出層，式（9）可寫為：

（8）對隱層，式（9）可寫為：（10），對于隱層，利用式（7）：

可得： （11）

將以上結(jié)果代入式（8），并應(yīng)用式（5）：，得到：

（12）

（13）

至此兩個誤差信號的推導已完成。將式（12）代回到式（8），得到三層前饋網(wǎng)的BP學習算法權(quán)值調(diào)整計算公式為：

（14）

第2篇：神經(jīng)網(wǎng)絡(luò)的基本功能范文

關(guān)鍵詞：電阻點焊；神經(jīng)網(wǎng)絡(luò)；消音鋸片

0序言

電阻點焊過程是一個高度非線性，既有多變量靜態(tài)疊加又有動態(tài)耦合，同時又具有大量隨機不確定因素的復雜過程。這種復雜性使得傳統(tǒng)方法確定最佳工藝參數(shù)存在操作復雜、精度低等缺陷。

本文通過深入研究提出了一種神經(jīng)網(wǎng)絡(luò)優(yōu)化消音鋸片電阻點焊工藝參數(shù)方法。以試驗數(shù)據(jù)為樣本，通過神經(jīng)網(wǎng)絡(luò)，建立焊接工藝參數(shù)與焊接性能之間的復雜模型，充分發(fā)揮神經(jīng)網(wǎng)絡(luò)的非線性映射能力。為準確預(yù)測點焊質(zhì)量提高依據(jù)。在運用試驗手段、神經(jīng)網(wǎng)絡(luò)高度非線性擬合能力結(jié)合的方式，能在很大程度上克服傳統(tǒng)方法的缺陷，完成網(wǎng)絡(luò)的訓練、檢驗和最優(yōu)評價，為電阻點焊過程的決策和控制提供可靠依據(jù)。

1原理

人工神經(jīng)網(wǎng)絡(luò)是用物理模型模擬生物神經(jīng)網(wǎng)絡(luò)的基本功能和結(jié)構(gòu)，可以在未知被控對象和業(yè)務(wù)模型情況下達到學習的目的。建立神經(jīng)網(wǎng)絡(luò)是利用神經(jīng)網(wǎng)絡(luò)高度并行的信息處理能力，較強的非線性映射能力及自適應(yīng)學習能力，同時為消除復雜系統(tǒng)的制約因素提供了手段。人工神經(jīng)網(wǎng)絡(luò)在足夠多的樣本數(shù)據(jù)的基礎(chǔ)上，可以很好地比較任意復雜的非線性函數(shù)。另外，神經(jīng)網(wǎng)絡(luò)的并行結(jié)構(gòu)可用硬件實現(xiàn)的方法進行開發(fā)。目前應(yīng)用最成熟最廣泛的一種神經(jīng)網(wǎng)絡(luò)是前饋多層神經(jīng)網(wǎng)絡(luò)（bp），通常稱為bp神經(jīng)網(wǎng)絡(luò)。

神經(jīng)網(wǎng)絡(luò)方法的基本思想是：神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)輸入與神經(jīng)網(wǎng)絡(luò)輸出的數(shù)學關(guān)系用以表示系統(tǒng)的結(jié)構(gòu)參數(shù)與系統(tǒng)動態(tài)參數(shù)之間的復雜的物理關(guān)系，即訓練。我們發(fā)現(xiàn)利用經(jīng)過訓練的模型進行權(quán)值和閾值的再修改和優(yōu)化（稱之為學習）時，其計算速度要大大快于基于其他優(yōu)化計算的速度。

bp神經(jīng)網(wǎng)絡(luò)一般由大量的非線性處理單元——神經(jīng)元連接組成的。具有大規(guī)模并行處理信息能力和極強的的容錯性。每個神經(jīng)元有一個單一的輸出，但可以把這個輸出量與下一層的多個神經(jīng)元相連，每個連接通路對應(yīng)一個連接權(quán)系數(shù)。根據(jù)功能可以把神經(jīng)網(wǎng)絡(luò)分為輸入層，隱含層（一或多層），輸出層三個部分。設(shè)每層輸入為ui(q)輸出為vi(q)。同時，給定了p組輸入和輸出樣本 ，dp（p=200）。

（6）

該網(wǎng)絡(luò)實質(zhì)上是對任意非線性映射關(guān)系的一種逼近，由于采用的是全局逼近的方法，因而bp網(wǎng)絡(luò)具有較好的泛化的能力。

我們主要是利用神經(jīng)網(wǎng)絡(luò)的非線性自適應(yīng)能力，將它用于消音鋸片的電阻點焊過程。訓練過程是：通過點焊實驗獲得目標函數(shù)與各影響因素間的離散關(guān)系，用神經(jīng)網(wǎng)絡(luò)的隱式來表達輸入輸出的函數(shù)關(guān)系，即將實驗數(shù)據(jù)作為樣本輸入網(wǎng)絡(luò)進行訓練，建立輸入輸出之間的非線性映射關(guān)系，并將知識信息儲存在連接權(quán)上，從而利用網(wǎng)絡(luò)的記憶功能形成一個函數(shù)。不斷地迭代可以達到sse（誤差平方和）最小。

我們這次做的消音金剛石鋸片電焊機，通過實驗發(fā)現(xiàn)可以通過采用雙隱層bp神經(jīng)網(wǎng)絡(luò)就可以很好的反應(yīng)輸入輸出參數(shù)的非線性關(guān)系。輸入神經(jīng)元為3，分別對應(yīng)3個電阻點焊工藝參數(shù)。輸出神經(jīng)元為1，對應(yīng)焊接質(zhì)量指標參數(shù)。設(shè)第1隱含層神經(jīng)元取為s1，第2隱含層神經(jīng)元取為s2。輸入層和隱含層以及隱層之間的激活函數(shù)都選取log-sigmoid型函數(shù)，輸出層的激活函數(shù)選取pureline型函數(shù)。

2點焊樣本的選取

影響點焊質(zhì)量的參數(shù)有很多，我們選取點焊時的控制參數(shù)，即點焊時間，電極力和焊接電流，在固定式點焊機上進行實驗。選用鋼種為50mn2v，φ600m的消音型薄型圓鋸片基體為進行實驗。對需要優(yōu)化的參數(shù)為點焊時間，電極力和焊接電流3個參數(shù)進行的訓練。最后的結(jié)果為焊接質(zhì)量，通常以鋸片的抗拉剪載荷為指標。

建立bp神經(jīng)網(wǎng)絡(luò)時，選擇樣本非常重要。樣本的選取關(guān)系到所建立的網(wǎng)絡(luò)模型能否正確反映所選點焊參數(shù)和輸出之間的關(guān)系。利用插值法，將輸入變量在較理想的區(qū)間均勻分布取值，如果有m個輸入量，每個輸入量均勻取n個值（即每個輸入量有m個水平數(shù)）, 則根據(jù)排列組合有nm個樣本。對應(yīng)于本例，有3個輸入量，每個變量有5個水平數(shù)，這樣訓練樣本的數(shù)目就為53=125個。

我們的實驗，是以工人的經(jīng)驗為參考依據(jù)，發(fā)現(xiàn)點焊時間范圍為2~8s，電極力范圍為500~3000n，點焊電流范圍為5~20ka時，焊接質(zhì)量比較好。我們先取點焊電流，電極力為定量，在合理的范圍內(nèi)不斷改變點焊時間，得到抗拉剪載荷。如此，可以得到不同點焊電流和電極力的抗拉剪載荷。根據(jù)點焊數(shù)據(jù)的情況，我們共選用200組數(shù)據(jù)。部分測試數(shù)據(jù)如表1：

神經(jīng)網(wǎng)絡(luò)建模的關(guān)鍵是訓練，而訓練時隨著輸入?yún)?shù)個數(shù)的增加樣本的排列組合數(shù)也急劇增加，這就給神經(jīng)網(wǎng)絡(luò)建模帶來了很大的工作量，甚至于無法達到訓練目的。

3神經(jīng)網(wǎng)絡(luò)

我們用200組訓練樣本對進行神經(jīng)網(wǎng)絡(luò)訓練，以err_goal=0.01為目標。調(diào)用matlab神經(jīng)網(wǎng)絡(luò)工具箱中的函數(shù)編程計算，實現(xiàn)對網(wǎng)絡(luò)的訓練，訓練完成后便得到一個網(wǎng)絡(luò)模型。

程序如下：

x1=[2.1 2.5 3 3.5 4……]； %點焊時間輸入，取200組

x2=[1.3 1.5 1.9 2.1 2.3……]；%電極力輸入，取200組

x3=[9 10 11 12 13……];%點焊電流輸入，取200組

y=[2756 3167 3895 3264 2877……]； %輸出量，取200組

net=newff([1 10;0.5 3;5 20],[10 10 1],{'tansig''tansig''purelin'});

%初始化網(wǎng)絡(luò)

net.trainparam.goal = 0.01;%設(shè)定目標值

net=train(net,[x1;x2;x3],y);%訓練網(wǎng)絡(luò)

figure； %畫出圖像

選取不同的s1,s2，經(jīng)過不斷的神經(jīng)網(wǎng)絡(luò)訓練，發(fā)現(xiàn)當s1=8,s2=6時，神經(jīng)網(wǎng)絡(luò)可以達到要求。工具箱示意圖如下圖1。

圖 1工具箱示意圖

工具箱示意圖非常清晰地表示了本實驗的神經(jīng)網(wǎng)絡(luò)的輸入，輸出以及訓練的過程。

神經(jīng)網(wǎng)絡(luò)的訓練結(jié)果，如圖2所示:

圖2神經(jīng)網(wǎng)絡(luò)的學習過程

圖中可以看出雙層網(wǎng)絡(luò)訓練的sse在訓練100次時，已經(jīng)接近0.0001，效果較理想。

為了驗證經(jīng)過訓練的網(wǎng)絡(luò)模型的泛化能力，在輸入變量所允許的區(qū)域內(nèi)又另選多個樣本進行了計算。發(fā)現(xiàn)：利用bp神經(jīng)網(wǎng)絡(luò)模型計算的測試輸出與期望輸出值相符，誤差小于2％。

在已經(jīng)訓練好的網(wǎng)絡(luò)中找出最大值：

for i=2:10 %點焊時間選擇

for j=0.5:0.1:3%電極力選擇

fork=5:0.1:20%點焊電流選擇

a=sim(net,[i,j,k])；%仿真

ifa>n %比較仿真結(jié)果與最大值，取最大值n=a；

i(1)=i；%最大值的時間

j(1)=j；%最大值的電極力

k(1)=k； %最大值的電流

end

end

end

end

將i（1）,j（1）,k（1）以及n輸出，n為最大值。得到點焊時間為3.4s，電極力為12.7kn，點焊電流為11.8ka，此時的抗剪拉剪載荷為4381n，為訓練結(jié)果的最大值。將點焊時間為3.4s，電極力為12.7kn，點焊電流為11.8ka在點焊機上進行實驗，得到結(jié)果為4297n。并且通過與實際的結(jié)果相比較，發(fā)現(xiàn)誤差也在2%以內(nèi)。

4結(jié)論

1）本文采用了插值法作為選取bp神經(jīng)網(wǎng)絡(luò)訓練樣本的方法。并且在數(shù)據(jù)變化劇烈的地方多選取了75組數(shù)據(jù)，這樣可以得到較高精度的網(wǎng)絡(luò)模型，使點焊模型的可行性。

2）基于此方法建立了三個點焊參數(shù)的bp神經(jīng)網(wǎng)絡(luò)模型，而且所建的bp模型具有較高的精度，可以很好的描述了這三個點焊參數(shù)與點焊質(zhì)量的映射關(guān)系。

3）由于神經(jīng)網(wǎng)絡(luò)模型將系統(tǒng)結(jié)構(gòu)參數(shù)與傳統(tǒng)動態(tài)特性參數(shù)之間的物理關(guān)系，反映為神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)輸入與網(wǎng)絡(luò)輸出的數(shù)學關(guān)系，因此，在神經(jīng)網(wǎng)絡(luò)模型上進行結(jié)構(gòu)修正與優(yōu)化比在其他模型上更直接，簡單與高效。

本文采用神經(jīng)網(wǎng)絡(luò)的方法優(yōu)化復合消音鋸片的點焊工藝參數(shù)，為分析點焊質(zhì)量提供了很好的輔助手段。通過與以前工藝相比較，提高了點焊質(zhì)量。

參考文獻：

[1] 方平,熊麗云.點焊電流有效值神經(jīng)網(wǎng)絡(luò)實時計算方法研究.[j].機械工程學報,2004（11）.148-152.

第3篇：神經(jīng)網(wǎng)絡(luò)的基本功能范文

摘要：旅游需求的預(yù)測預(yù)報研究一直是旅游學研究的一個重要課題。本文在對到訪澳門地區(qū)中國內(nèi)地游客量分析的基礎(chǔ)上,運用人工神經(jīng)網(wǎng)絡(luò)(ANN)的理論和方法,構(gòu)建了ANN模型分析中的3層BP模型,以澳門近10年（1996-20__）入境來訪的中國內(nèi)地旅游人數(shù)為例進行模型驗證，模擬結(jié)果表明,BP神經(jīng)網(wǎng)絡(luò)預(yù)測的結(jié)果能夠高程度的吻合原始數(shù)據(jù)，在旅游市場預(yù)測中，BP神經(jīng)網(wǎng)絡(luò)預(yù)測是一種有效的預(yù)測方法。一．問題的提出與分析近年來，對澳門地區(qū)的旅游業(yè)來說，中國內(nèi)地旅客是旅游收入的主要來源。目前旅游業(yè)已成為澳門地區(qū)經(jīng)濟發(fā)展特別是第二產(chǎn)業(yè)發(fā)展的支柱。建立科學的可操作的旅游預(yù)測模型是實現(xiàn)澳門地區(qū)旅游業(yè)持續(xù)健康穩(wěn)定發(fā)展的理論基石和前提。由于影響某地旅游人數(shù)的因素各異，還不存在普遍適用的神經(jīng)網(wǎng)絡(luò)模型?；诖耍疚臄M用3層BP神經(jīng)網(wǎng)絡(luò)模型來仿真模擬分析和預(yù)測澳門地區(qū)旅游需求,以此為旅游需求預(yù)測提供一種新的方法。二．模型的假設(shè)與符號說明1．基本假設(shè)1）交通在旅游中通常不是重要的，為了研究的方便（主要是無法獲得交通數(shù)據(jù)），把交通這個影響忽略。2）假設(shè)澳門的接待能力都滿足需求。3）在本例旅游需求預(yù)測模型中，我們考慮的主要因素有：客源地的人口，客源地的總收入，客源地的消費水平，旅游目的地的生活水平。4）為了研究的方便，假定以上四因子之間相互獨立，本例旅游需求即為上述四因子的函數(shù)，即y=f(GDI,POP,GDE,M-GP)。就用這四個因素作為人工神經(jīng)網(wǎng)絡(luò)模型輸入層的神經(jīng)元。2．符號說明T澳門內(nèi)地游客量GDI中國內(nèi)地國民總收入POP中國內(nèi)地人口總數(shù)GDE中國內(nèi)地國民消費水平M-GP澳門生產(chǎn)總值三．模型的建立與求解1．人工神經(jīng)網(wǎng)絡(luò)模型理論原理

人工神經(jīng)網(wǎng)絡(luò)（ArtificialNeuralNetwork）是由大量的、簡單元件（神經(jīng)元）廣泛相互聯(lián)結(jié)而成的非線性的、動態(tài)的復雜網(wǎng)絡(luò)信息處理系統(tǒng)，它是在現(xiàn)代神經(jīng)學研究成果基礎(chǔ)上提出的，能模擬人腦的若干基本功能[1]。它具有并行分布的信息處理結(jié)構(gòu)，可以通過“自學習”或“訓練”的方式完成某一特定的工作。它可以從積累的工作案例中學習知識，盡可能多地把各種定性或定量的因素作為變量加以輸入，從而建立各種影響因素與結(jié)論之間的高度非線性映射，采用自適應(yīng)模式識別方法來完成預(yù)測工作[2]。人工神經(jīng)網(wǎng)絡(luò)模型尤其是對處理內(nèi)部規(guī)律不甚了解、不能用一組規(guī)則或方程進行描述的復雜的、開放的非線性系統(tǒng)顯得較為優(yōu)越。人工神經(jīng)網(wǎng)絡(luò)模型一般由處理單元、激活狀態(tài)、單元輸出、連接模式、激活規(guī)則、學習規(guī)則等6個部分組成。一個多層神經(jīng)網(wǎng)絡(luò)中包含有很多個信息處理單元,分布于不同的層次中。根據(jù)每項輸入和相應(yīng)的權(quán)重獲取一個綜合信號，當信號超過閾值則激活神經(jīng)元而產(chǎn)生輸出。各類影響因素和最終輸出結(jié)果之間可以假定存在一種映射,即輸出結(jié)果＝F（影響因素）。為了尋求最佳的映射關(guān)系F，將訓練樣本集合和輸入、輸出轉(zhuǎn)化為一種非線性關(guān)系，通過對簡單非線性函數(shù)的復合，從而建立一個高度的非線性映射關(guān)系F,最終實現(xiàn)輸出值的最優(yōu)逼近［3］。在人工神經(jīng)網(wǎng)絡(luò)的實際應(yīng)用中，80~90的人工神經(jīng)網(wǎng)絡(luò)是采用前饋反向傳播網(wǎng)絡(luò)（back-propagation-network,簡稱BP網(wǎng)絡(luò)）或它的變化形式。BP神經(jīng)網(wǎng)絡(luò)（如圖一）是一種單項傳播的多層前向神經(jīng)網(wǎng)絡(luò)，分為輸入層、隱含層和輸出層，層與層之間采用全連接方式，同一層單元之間不存在相互連接。它是前向網(wǎng)絡(luò)的核心部分，體現(xiàn)了人工神經(jīng)網(wǎng)絡(luò)最精華的部分[4]。標準的BP網(wǎng)絡(luò)是根據(jù)W-H學習規(guī)則，采用梯度下降算法，對非線性可微函數(shù)進行權(quán)值訓練的多層網(wǎng)絡(luò)。圖一：BP神經(jīng)網(wǎng)絡(luò)的每一層的權(quán)值通過學習來調(diào)節(jié)，其基本處理單元為非線性輸入－輸出關(guān)系，選用S型作用函數(shù)：其中：xj為該神經(jīng)元第i個輸入；wij為前一層第i個神經(jīng)元至該神經(jīng)元j的連接權(quán)值，i＝0時的權(quán)值為閾值。其計算步驟如下：（1）給定一組隨機的權(quán)值和閾值初始值及步長系數(shù)η與勢態(tài)因子α；（2）取學習樣本數(shù)據(jù)，根據(jù)學習樣本、權(quán)值及閥值計算輸出，并與學習期望輸出比較，當誤差滿足要求時結(jié)束訓練，否則將誤差向后逐層傳播，并修正各層連接權(quán)值，調(diào)整公式為：其中：k取j結(jié)點所在層的前一層所有結(jié)點。5）澳門內(nèi)地旅客人數(shù)神經(jīng)網(wǎng)絡(luò)模型的建立(一)BP網(wǎng)絡(luò)設(shè)計網(wǎng)絡(luò)設(shè)計是一個綜合性問題，它應(yīng)滿足多種不同要求，例如，希望所涉及的網(wǎng)絡(luò)有較好的推理能力，易于硬件實現(xiàn)，訓練速度快等，其中有較好的推理能力是最主要的。一般來說，推廣能力決定于3個主要因素，即問題本身的復雜程度、網(wǎng)絡(luò)結(jié)構(gòu)以及樣本量大小。在一般情況下，旅游需求預(yù)測研究中樣本的數(shù)量是一定的，因此可歸結(jié)為在樣本量一定的情況下，如何選擇網(wǎng)絡(luò)規(guī)模的問題。在進行BP網(wǎng)絡(luò)預(yù)測模型設(shè)計中，我們主要考慮以下因素：網(wǎng)絡(luò)的層數(shù)、每層中的神經(jīng)元個數(shù)、初始值的選擇、學習速率和期望誤差。i)網(wǎng)絡(luò)的層數(shù)已證明：具有偏差和至少一個S型隱含層加上一個線性輸出層的網(wǎng)絡(luò)，能夠逼近任何有理函數(shù)。所以，本文選擇一個3層的BP網(wǎng)絡(luò)。ii)每層中神經(jīng)元的個數(shù)輸入層和輸出層神經(jīng)元的個數(shù)根據(jù)解決具體問題的復雜程度而定。為了提高網(wǎng)絡(luò)訓練的精度，可以通過采用一個隱含層，再加上1到2個神經(jīng)元以加快誤差的下降速度即可。因此，本文輸入層神經(jīng)元個數(shù)選擇為4個，隱含層神經(jīng)元個數(shù)分別選擇了9、12、15個，輸出層神經(jīng)元個數(shù)選擇為1個。iii)初始值的選擇由于人工神經(jīng)網(wǎng)絡(luò)是一個非線性系統(tǒng)，初始值的選擇對于網(wǎng)絡(luò)學習是否達到局部最小、是否能夠收斂以及訓練時間的長短都有較大影響。在初始值的選擇上一般是使經(jīng)過初始值加權(quán)后的每個神經(jīng)元的輸出值都接近零，這樣可以保證每一個神經(jīng)元的連接權(quán)值都能夠在它們的S型激活函數(shù)變化最大處進行調(diào)解。所以，初始值一般選擇在（-1,1）之間的隨機數(shù)。本文的初始值為默認值。iv)學習速率對于任何一個網(wǎng)絡(luò)都對應(yīng)一個合適的學習速率。學習速率決定每一次循環(huán)訓練中所產(chǎn)生的權(quán)值的變化量。大的學習速率可以導致網(wǎng)絡(luò)的不穩(wěn)定，但是小的學習速率又會導致訓練時間延長，收斂速度較慢，不能保證網(wǎng)絡(luò)的誤差能最終趨于最小。綜合上述考慮，在學習速率的選擇上傾向于選擇較小的學習速率以保證網(wǎng)絡(luò)的穩(wěn)定性，本文選擇的學習速率為0.01。v)期望誤差值期望誤差值的確定也是通過網(wǎng)絡(luò)對不同誤差值分別進行訓練比較后確定的最適合值。所謂的最適合值是相對于所需要的隱含層的節(jié)點數(shù)來確定的，一個較小的誤差值的獲得需要增加隱含層的節(jié)點以及訓練時間。本文經(jīng)過不斷測試，選擇0.0001為期望誤差值。（二）1．網(wǎng)絡(luò)訓練模式的選擇訓練網(wǎng)絡(luò)有兩類模式：逐變模式和批變模式。在逐變模式中，每一個輸入被作用于網(wǎng)絡(luò)后，權(quán)重和偏置量被更新一次。在批變模式中，所有的輸入被應(yīng)用于網(wǎng)絡(luò)后，權(quán)重和偏置量才被更新 一次。使用批變模式不需要為每一層的權(quán)重和偏置量設(shè)定訓練函數(shù)，而只需為整個網(wǎng)絡(luò)制定一個訓練函數(shù)，使用起來相對方便，因此，本文在進行網(wǎng)絡(luò)訓練時采用批變模式。表格一：年度

澳門的內(nèi)地游客量(T)（千人）中國內(nèi)地國民總收入(GDI)（億元）中國內(nèi)地人口數(shù)(POP)（萬人）中國內(nèi)地居民消費水平（GDE）（元）澳門生產(chǎn)總值（M-GP）(億美元)1996604．270142.5122389278966.31997529．877653.1123626300266.71998816．883024.3124761315961.919991645．288189.0125786334659.220__2274．798000.5126743363261.020__3005．7108068.2127627386961.920__4240．4119095.7128453410668.220__5742．0135174.0129227441179.220__9529．7159586.71299884925103.320__10463183956.11307565439115.62．數(shù)據(jù)和模型的建立神經(jīng)網(wǎng)絡(luò)模型要求數(shù)據(jù)具有：A、易獲得性B、可靠性C、可測度性。本項研究采用很可靠的官方發(fā)表的數(shù)據(jù)作為分析的數(shù)據(jù)源（見表1），主要來自于中國統(tǒng)計局網(wǎng)。用3層BP網(wǎng)絡(luò)模型對本例旅游需求進行模擬，根據(jù)BP網(wǎng)絡(luò)的映射原理，對于樣本集合X和輸出Y，可以假設(shè)存在一映射F。為了尋求F的最佳映射值，BP網(wǎng)絡(luò)模型將樣本集合的輸入、輸出轉(zhuǎn)化為非線性優(yōu)化，通過對簡單的非線性函數(shù)的復合，建立一個高度的非線性映射關(guān)系，實現(xiàn)F值的最優(yōu)逼近。對于本例旅游需求模型的模擬：其輸入層結(jié)點數(shù)（4個神經(jīng)元）：中國內(nèi)地國民總收入（GDI）、中國內(nèi)地人口總數(shù)（POP）、中國內(nèi)地國民消費水平（GDE）、澳門生產(chǎn)總值（M-GP）。把澳門內(nèi)地游客量（T）作為輸出結(jié)點。從而得出3層前饋反向傳播神經(jīng)網(wǎng)絡(luò)模型。四．模型結(jié)果及分析1網(wǎng)絡(luò)訓練性能的檢查。不同個數(shù)的隱層單元組成的BP網(wǎng)絡(luò)訓練曲線如圖1，2，3所示。通過比較發(fā)現(xiàn)，中間層神經(jīng)元個數(shù)為9和12時，網(wǎng)絡(luò)的收斂速度比較快。2網(wǎng)絡(luò)預(yù)測性能的考查。在數(shù)據(jù)列表中選取1996年到20__年的數(shù)據(jù)作為網(wǎng)絡(luò)的測試數(shù)據(jù)。20__、20__年的(文秘站:)游客量檢驗誤差曲線如圖4。其仿真結(jié)果令人滿意，達到預(yù)期的效果。圖1圖2圖3圖4五．模型的應(yīng)用與評價（優(yōu)缺點與改進）從上面的分析可以看出，3層BP神經(jīng)網(wǎng)絡(luò)模型的仿真模擬效果是鄰人滿意的?？梢钥闯?，人工神經(jīng)網(wǎng)絡(luò)的擬合精度比較高，主要是基于人工神經(jīng)網(wǎng)絡(luò)抗干擾能力強，穩(wěn)定性好，能自動準確地找出各種輸入和輸出之間的線性或非線性關(guān)系，具有較強的模擬適應(yīng)能力等特點。在本例對于澳門的內(nèi)地游客量的旅游預(yù)測中BP神經(jīng)網(wǎng)絡(luò)模型是一種有效的預(yù)測方法。這一研究方法為旅游學的定量預(yù)測研究提供了一種新的思路，也為工程實踐問題中的一些研究工作提供了一種非常好的指導方法。雖然BP網(wǎng)絡(luò)得到了廣泛應(yīng)用，但其自身也存在一些缺陷和不足，主要包括幾個方面的問題。首先，由于學習速率是固定的，因此，網(wǎng)絡(luò)的收斂速度慢，需要較強的訓練時間。再次，網(wǎng)絡(luò)隱含層的層數(shù)和單元數(shù)的選擇尚無理論上的指導，一般是根據(jù)應(yīng)驗或者通過反復試驗確定的。因此，網(wǎng)絡(luò)往往存在很大的冗余性，在一定上也增加了網(wǎng)絡(luò)學習的負擔。六．原題附帶問題簡析通過對本例旅游需求模型的分析，我們認為在利用數(shù)學建模的方法對旅游需求進行預(yù)測預(yù)報時，對于數(shù)據(jù)的采集和整理工作需要認真做好。對于數(shù)據(jù)的分析有助于我們尋求變量間的關(guān)系，以形成初步的想法。如何獲得數(shù)據(jù)以及如何獲得準確的數(shù)據(jù)對于我們研究實際問題具有相當重大的意義。收集數(shù)據(jù)并非多多益善，而是要弄清究竟需要哪些數(shù)據(jù)，剔除不必要的數(shù)據(jù)，從而減少冗余的工作。同時，需要什么形式的數(shù)據(jù)也是我們應(yīng)該思考的一個問題，這與建立模型的目的和所選擇的模型的特點有關(guān)。[參考文獻][1]王士同，等．問題求解的人工智能：神經(jīng)網(wǎng)絡(luò)方法[M].北京：氣象出版社，1995.[2]HillT,MarquezO’connorM,RemusW.ArtificialNeuralNetworkMedelsfor

ForecastingandDecisionMaking[J].InternationalJournalofForecasting,1993,

第4篇：神經(jīng)網(wǎng)絡(luò)的基本功能范文

近年來，一系列高分辨率衛(wèi)星的相繼上天，高分辨率衛(wèi)星遙感的應(yīng)用也因此成為可能，也凸現(xiàn)出遙感影像數(shù)據(jù)處理的重要性日益顯現(xiàn)。遙感影像數(shù)據(jù)處理的主要內(nèi)容就是對遙感數(shù)據(jù)（主要是高分辨率遙感影像數(shù)據(jù)）進行自動（半自動）圖像處理分析，從而獲取人們需要的信息。

Taries軟件是具有自主知識產(chǎn)權(quán)的軟件產(chǎn)品，由中科院遙感所國家遙感應(yīng)用工程技術(shù)研究中心下屬的空間信息關(guān)鍵技術(shù)研發(fā)部開發(fā)。Taries軟件主要應(yīng)用于對高分辨率遙感影像的各種信息的處理、提取與分析，其功能包括影像的預(yù)處理、影像分割、影像分類、特征提取與表達、特征分析、目標識別等。它是集矢量和柵格于一體化的軟件系統(tǒng)。

Taries主要功能

1. 影像處理

（1）采用幾何精糾正方法：建立基于空間投影理論與有限控制點的全局自適應(yīng)方法，并建立基于控制點、線、面特征的局部自適應(yīng)相結(jié)合的影像幾何精糾正模型。

（2）實現(xiàn)多源遙感影像信息的特征級融合: 在像元級、高精度的多源遙感信息分析技術(shù)基礎(chǔ)上，發(fā)展了各種特征估計器和融合評判規(guī)則，建立特征級的多源遙感信息融合的方法以及相應(yīng)的算法。

2. 影像信息提取

（1）在復雜環(huán)境中的目標信息增強: 采用具有空間自適應(yīng)能力的目標特征的信息增強模型與方法，特別是弱目標信息的增強方法，并對無關(guān)背景信息進行抑制。

（2）高分辨率影像分割: 基于空間特征（包括紋理特征、形狀特征和動態(tài)特征）以及高維統(tǒng)計特征，采用面向特征的高分辨率影像分割技術(shù)（如基于模糊集理論、EM模型、Markov模型、MCMC模型、小波分析等）。

（3）基于智能計算模型的目標特征提取: 基于神經(jīng)網(wǎng)絡(luò)、支撐向量機等智能計算模型，研究和發(fā)展針對目標的紋理特征、結(jié)構(gòu)特征的提取方法，并實現(xiàn)相應(yīng)算法。

（4）目標識別與提取系統(tǒng)原型: 采用組件技術(shù)，研制開發(fā)目標識別與提取軟件系統(tǒng)原型，包括影像精處理、目標單元分割與特征提取、目標識別等模塊。

3. 矢量數(shù)據(jù)顯示、處理與分析

（1）兼容ArcGIS SHP等矢量數(shù)據(jù)存儲格式，能夠采用系統(tǒng)的矢柵一體化數(shù)據(jù)模型對相應(yīng)的矢量數(shù)據(jù)進行讀取與顯示。

（2）基于底層數(shù)據(jù)模型，能夠?qū)崿F(xiàn)基于Taries軟件的矢量數(shù)據(jù)的修改功能，包括基本對象（點、線、面）的增、刪、改等操作。

（3）基于相應(yīng)的矢量數(shù)據(jù)建立拓撲關(guān)系，并在此基礎(chǔ)上進行相應(yīng)的空間分析功能（如最優(yōu)路徑查詢分析等）。

（4）具有常規(guī)的矢量數(shù)據(jù)顯示軟件的基本功能，并可在此基礎(chǔ)開發(fā)進一步的應(yīng)用（如移動目標定位與車輛跟蹤系統(tǒng)等）。

關(guān)鍵技術(shù)

1. 高分辨率影像的高精度幾何糾正技術(shù)

考慮到高分辨率影像的特點，首先應(yīng)對高分辨率影像進行包括如下兩項技術(shù)的精處理:

（1）基于重疊影像的高精度影像配準技術(shù): 采用既滿足一定精度要求、又保證一定運算速度與適應(yīng)性的子像素匹配技術(shù)，從而確定具有一定重疊的兩幅圖像間的幾何對應(yīng)關(guān)系，獲得對應(yīng)的控制點對，采用整體匹配技術(shù)使配準精度達到一個像元。

（2）空間自適應(yīng)高精度幾何糾正: 針對高空間分辨率影像的特征，采用具有局部自適應(yīng)的高精度幾何糾正方法，消除常規(guī)最小二乘法平面擬合糾正方法對圖像局部糾正誤差較大的問題。

2. 復雜自然環(huán)境下的信息增強

針對地形復雜、植被茂密的復雜自然環(huán)境，采用針對特征的統(tǒng)計信息增強技術(shù)，對具有重要意義的地面信息進行初步的檢測性增強，特別是弱目標信息的增強，并對其他背景信息進行抑制。建立基于多種影像以及已有目標信息與判別知識的潛在目標快速檢測技術(shù)，使用方法包括微觀特征提取、動態(tài)變化檢測等。

3. 高分辨率影像分割技術(shù)

以影像理解研究為基礎(chǔ)，建立融遙感圖像信息、地理時/空信息與地學知識為一體的目標空間認知結(jié)構(gòu)模型。該模型為對中高分辨率遙感圖像目標單元群體的處理和分析，提供面向紋理特征和結(jié)構(gòu)特征，并能夠最大限度地利用地學分類知識與時/空推理模型的智能化識別與提取方法。目前軟件包括十余種不同的遙感影像分割算法。

基于目標空間認知結(jié)構(gòu)模型和空間特征（包括紋理特征、形狀特征、動態(tài)特征和輪廓特征）以及高維統(tǒng)計特征，研究面向特征的高分辨率影像分割技術(shù)，并采用穩(wěn)健統(tǒng)計機制來保證分割算法具有較強的穩(wěn)健性，將分割后的特征按照其幾何關(guān)系、屬性關(guān)系、統(tǒng)計關(guān)系和操縱方式，以面向?qū)ο蟮哪Ｊ竭M行統(tǒng)一化管理，從而將連續(xù)的圖像形式轉(zhuǎn)化為離散的、便于操作的特征群體，便于目標特征的快速提取。

4. 智能計算模型的目標特征提取技術(shù)

針對遙感信息特征的提取問題，在傳統(tǒng)統(tǒng)計和人工神經(jīng)網(wǎng)絡(luò)方法基礎(chǔ)上，發(fā)展新型針對高分辨率遙感影像的目標特征提取模型，主要包括: 基于知識的神經(jīng)網(wǎng)絡(luò)模型來處理混合密度分布的特征提取和分類; ARTMAP神經(jīng)網(wǎng)絡(luò)作為低維空間結(jié)構(gòu)特征的聯(lián)想記憶模型; 基于統(tǒng)計學習理論的支撐向量機（SVM）。SVM是近幾年最新提出的機器學習算法，它可以作為高維有限特征的記憶單元來實現(xiàn)對高分辨率遙感影像目標特征信息的提取。應(yīng)用SVM模型進行特征提取，需要重點解決的問題有: 高維映射函數(shù)定義、領(lǐng)域知識融合、支撐向量集極小優(yōu)化和高維信息壓縮。

在以上有關(guān)特征提取的智能計算模型基礎(chǔ)上，針對不同復雜程度的目標特征提取問題，可分別采用MCMC統(tǒng)計模型、RBF/EBF神經(jīng)網(wǎng)絡(luò)、ARTMAP神經(jīng)網(wǎng)絡(luò)、支撐向量機來對目標庫中的目標特征進行提取和表達。

5. 視覺尺度空間變化的特征表達與目標識別技術(shù)

針對空間數(shù)據(jù)的多尺度特征，引進尺度空間視覺聚類方法，對空間數(shù)據(jù)的尺度特征變化進行描述（圖1）?；驹硎? 模擬人眼對目標特征從近到遠逐步綜合的視覺過程，來定量化地劃分不同尺度上的空間單元。在目標識別過程中，將采用視覺空間尺度變換理論和方法，對遙感影像空間特征集采用逐步綜合的特征多尺度聚類，從而在尺度空間轉(zhuǎn)換上實現(xiàn)對影像特征集的樹狀方式管理，以滿足不同尺度上的特征組合與表達。

圖2 Taries軟件處理矢量數(shù)據(jù)界面

6. 目標識別與提取的RS與GIS集成化處理技術(shù)

遙感圖像給出了地面目標的柵格化波譜表達，突出并準確地再現(xiàn)了地物的大小、形狀（包括點、線、面）和紋理變化; 而GIS則有著對地物邊界的精細刻畫能力，并能夠?qū)Φ匚镩g的空間關(guān)系進行拓撲變換與推理分析。因此，從空間單元數(shù)據(jù)處理的粒度入手，并將GIS的空間關(guān)系拓撲變換與時空推理分析引入到對遙感圖像信息的智能化處理中，極大地提高了目標群體的識別精度與提取的一致性，為基于矢柵一體化數(shù)據(jù)模型的分析提供重要支撐技術(shù)。

7.矢量數(shù)據(jù)顯示、處理與分析技術(shù)

除具有矢量數(shù)據(jù)的顯示與基本操作外（如電子地圖縮放、漫游等），系統(tǒng)還對矢量數(shù)據(jù)的編輯功能進行了實現(xiàn)，包括: 特征點顯示、點選、矩選、圓選、分裂、合并、增加控制點、刪除控制點、移動控制點、增加對象、刪除對象、移動對象等功能，并實現(xiàn)了相應(yīng)的空間分析功能（如拓撲關(guān)系建立，最優(yōu)路徑選取等）。

第5篇：神經(jīng)網(wǎng)絡(luò)的基本功能范文

關(guān)鍵詞：物聯(lián)網(wǎng)；精準農(nóng)業(yè)；果蔬種植；預(yù)警系統(tǒng)；專家系統(tǒng)

中圖分類號：S126；TP391 文獻標識碼：A 文章編號：0439-8114（2016）14-3741-04

DOI：10.14088/ki.issn0439-8114.2016.14.051

Abstract： The Internet of thing early warning system for precision agriculture， relying on expert system， neural network based on genetic algorithm to optimize of disease diagnosis of early warning platform， production management early warning platform and logistics platform is constructed， reasonable arrangement of sensors， at the same time， the application of Internet of things technology such as RFID，3G， ZigBee， GPRS. The system applied in the production of rinse hot demonstration in the process of production and transportation， the environment parameters beyond good value for early warning， and fine regulation and water， the effect of temperature and humidity， pesticide and so on， in order to reduce the production cost， wide range application can create better economic benefits.

Key words： the Internet of things； precision agriculture； fruit and vegetable production； early warning system； expert system

精準農(nóng)業(yè)，也稱精細農(nóng)業(yè)，是根據(jù)作物生長的土壤墑情來調(diào)節(jié)對作物的投入，以最節(jié)省的投入達到更高的收入，并能改善環(huán)境的生產(chǎn)方式。精準農(nóng)業(yè)技術(shù)由田間信息采集、智能決策和智能裝備技術(shù)組成，通過對信息采集、加工及應(yīng)用，以實現(xiàn)糧食增產(chǎn)和農(nóng)民增收的目標。其中，從田間實時、準確地采集各種影響作物生長的環(huán)境信息及作物長勢是實現(xiàn)精準農(nóng)業(yè)的基礎(chǔ)[1]。物聯(lián)網(wǎng)作為現(xiàn)代信息技術(shù)發(fā)展的產(chǎn)物，具有全面感知、可靠傳送、智能處理等特征，將其用于農(nóng)業(yè)生產(chǎn)中，為實現(xiàn)田間信息采集、遠程監(jiān)測及控制提供可靠保障。物聯(lián)網(wǎng)是指通過射頻識別、傳感器、全球定位系統(tǒng)、激光掃描器等信息傳感設(shè)備，按照約定的協(xié)議，把物品與互聯(lián)網(wǎng)連接起來，進行信息交換和通信，采用智能計算技術(shù)對信息進行分析處理，以實現(xiàn)智能識別、定位、跟蹤、智能決策和監(jiān)控的一種網(wǎng)絡(luò)。物聯(lián)網(wǎng)技術(shù)已經(jīng)深入應(yīng)用在許多領(lǐng)域[2-6]，而將精準農(nóng)業(yè)與物聯(lián)網(wǎng)技術(shù)相結(jié)合，可最大限度提高農(nóng)業(yè)生產(chǎn)力，是實現(xiàn)優(yōu)質(zhì)、高產(chǎn)、低耗、環(huán)保等可持續(xù)發(fā)展農(nóng)業(yè)的有效途徑。

本研究提出基于物聯(lián)網(wǎng)的精準農(nóng)業(yè)果蔬種植預(yù)警系統(tǒng)，利用各種傳感設(shè)備實時獲取田間信息，通過無線網(wǎng)絡(luò)技術(shù)傳至上位機，依托專家系統(tǒng)進行分析、處理，對影響作物生長的因素做出預(yù)警與調(diào)控，使果蔬生長在最佳的環(huán)境中，從而實現(xiàn)精準農(nóng)業(yè)作業(yè)的經(jīng)濟化及智能化。基于物聯(lián)網(wǎng)精準農(nóng)業(yè)的果蔬種植預(yù)警系統(tǒng)包括軟、硬件兩部分，軟件開發(fā)含3個預(yù)警平臺，依托專家系統(tǒng)，實現(xiàn)病害診斷預(yù)警平臺、生產(chǎn)管理預(yù)警平臺和物流運輸預(yù)警平臺，通過合理布置無線傳感器，融合3G、ZigBee等無線網(wǎng)絡(luò)，運用物聯(lián)網(wǎng)技術(shù)實現(xiàn)高效、便捷、實時的科學化果蔬生產(chǎn)管理體系。

1 專家系統(tǒng)構(gòu)建

專家系統(tǒng)（Expert System）是人工智能的一個重要分支，包括知識庫與推理機，將人類專家的知識及經(jīng)驗以適當?shù)男问酱嫒胗嬎銠C，利用一定的算法對知識進行推理，做出判斷和決策等。知識庫是專家系統(tǒng)的核心，是問題求解的集合，包括基本事實、規(guī)則和其他相關(guān)信息。推理機是專家系統(tǒng)運用知識對數(shù)據(jù)進行推理的邏輯核心，它控制著知識庫中的知識，對數(shù)據(jù)庫中的數(shù)據(jù)進行推理，以得出新的結(jié)論。用戶提供事實或信息給專家系統(tǒng)，相應(yīng)地收到專家系統(tǒng)的建議或?qū)ｉT知識。

農(nóng)業(yè)是一個復雜的巨系統(tǒng)，農(nóng)業(yè)生產(chǎn)具有復雜多變性。從不同作物的生長需求出發(fā)，通過總結(jié)、收集作物栽培領(lǐng)域的知識、專家經(jīng)驗和試驗數(shù)據(jù)構(gòu)建專家知識庫，實現(xiàn)具有咨詢和決策能力的應(yīng)用服務(wù)平臺，是現(xiàn)代農(nóng)業(yè)技術(shù)的研究熱點。本研究以果蔬種植為例，采用B/S三層體系結(jié)構(gòu)，在Windows NT Server平臺下使用，以SQL Server 2008為數(shù)據(jù)庫管理系統(tǒng)，采用Visual C#.NET編程語言，整個軟件分基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的病害預(yù)警、生產(chǎn)管理預(yù)警、產(chǎn)品運輸預(yù)警等服務(wù)平臺，平臺包括表現(xiàn)層、業(yè)務(wù)層、數(shù)據(jù)訪問層和數(shù)據(jù)庫4層。數(shù)據(jù)訪問用于所有業(yè)務(wù)層與數(shù)據(jù)庫之間的數(shù)據(jù)管理，是一個公共層，由數(shù)據(jù)訪問組件與數(shù)據(jù)庫連接組件構(gòu)成。業(yè)務(wù)層根據(jù)不同的管理對象建立不同的業(yè)務(wù)組件，如用戶注冊管理組件、信息采集組件、實施控制組件等，還可根據(jù)實際需求的變化方便地增改組件，易于系統(tǒng)的維護和升級[7]。在果蔬生產(chǎn)管理中，依托專家系統(tǒng)，對物聯(lián)網(wǎng)技術(shù)獲取的影響果蔬生長的環(huán)境參數(shù)進行推理，并做出決策及調(diào)控，以實現(xiàn)動態(tài)調(diào)節(jié)適宜果蔬生長的最佳條件，為果蔬種植實現(xiàn)智能、節(jié)能、高效的管理提供保障。

2 基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的病蟲害診斷預(yù)警平臺

實現(xiàn)果蔬病害的預(yù)警預(yù)報，是有效防治和控制病害發(fā)生發(fā)展，減少農(nóng)藥施用和生產(chǎn)無公害果蔬的最佳途徑。影響果蔬病蟲害發(fā)生的因素較多，包括氣象、自然環(huán)境、本身表現(xiàn)出的密度和非密度制約因素等。其中，氣象因子與病害密切相關(guān)，大棚內(nèi)濕度、溫度不適是造成病害發(fā)生和蔓延的主要原因。如涮涮辣種植中常見病害有疫病、葉斑病、灰霉病、炭疽病等，每種病害有其獨特的生長習性，其中疫病在溫度為25～30 ℃、濕度高于85%時發(fā)病較重。但氣象因子與病害不具備線性關(guān)系，若用數(shù)理統(tǒng)計方法找出氣象因子與病害之間的某種函數(shù)關(guān)系有一定難度。BP神經(jīng)網(wǎng)絡(luò)理論是一種非線性識別理論，它具有自學習、自適應(yīng)和容錯能力，在模式識別中得到廣泛應(yīng)用。但BP神經(jīng)網(wǎng)絡(luò)容易陷入局部最優(yōu)的缺點，而遺傳算法可很好克服此缺陷，可先用遺傳算法搜索BP神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值，求出最優(yōu)的權(quán)值和閾值后再訓練BP神經(jīng)網(wǎng)絡(luò)，以實現(xiàn)全局最優(yōu)。其思想是對神經(jīng)元的連接權(quán)值和閾值進行編碼，使之成為碼串的初始群體，進而通過遺傳選擇、交叉、變異操作對每一代群體進行計算和篩選，直到獲得最佳權(quán)值和閾值。將神經(jīng)網(wǎng)絡(luò)輸出的均方誤差作為遺傳算法的個體適應(yīng)度，經(jīng)重復計算，將誤差降至全局最小[8]。遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的算法流程如圖1所示。

本研究基于遺傳優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)采用三層結(jié)構(gòu)，即輸入層、隱含層和輸出層，每層神經(jīng)元個數(shù)分別用s、q、m表示，則可表示為BP（s，q，m）。以最高溫度、最低溫度、平均溫度、最高濕度、最低濕度、平均濕度、光照強度共7個因素為輸入?yún)?shù)，以作物病感指數(shù)為輸出。病感指數(shù)的計算分別見表1病害分級標準和公式（1）。

隱層節(jié)點數(shù)的確定采用試湊法，以涮涮辣常見病害：疫病、青枯病、猝倒病為例進行訓練，根據(jù)表2的訓練結(jié)果，最后確定的網(wǎng)絡(luò)結(jié)構(gòu)為BP（7，19，1）。用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的病害預(yù)警模型的步驟及用Matlab2009a實現(xiàn)的偽代碼如下：

1）創(chuàng)建BP神經(jīng)網(wǎng)絡(luò)

net=newff（minmax（P），[S1，3]，{‘tansig’，‘tansig’}，’trainlm’）/*S1為隱含層神經(jīng)元數(shù)，R、S2分別為輸入、輸出神經(jīng)元數(shù)

2）對初始化參數(shù)選定

3）用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值、閾值

R=size（pn，1）；

S2=size（tn，1）；

S1=20；

S=R*S1+S1*S2+S1+S2；/*S為遺傳算法編碼長度

主程序?qū)崿F(xiàn)：/*P，T為訓練樣本的輸入、輸出維數(shù)

[P，T，R，S1，S2，S]=nninit/*初始化

bb=ones（S，1）*[-1，1]；/*初始化種群

initPbb=initializega（popa，bb，'gabpEval'）；/*初始化遺傳算法

計算最優(yōu)的網(wǎng)絡(luò)權(quán)值與閾值：

[W1，B1，W2，B2]=gadecod（x）；

net.IW{1，1}=W1；

net.LW{2，1}=W2；

net.b{1}=B1；

net.b{2}=B2；

net=train（net，P，T）；/*用新的權(quán)值及閾值訓練網(wǎng)絡(luò)

4）仿真操作

訓練停止后可用語句tn_bp_sim=sim（net_bp，P_test）進行仿真，5個測試樣本的正確率分別為98%、99%、100%、92%，97%，平均正確率為97.2%。

3 生產(chǎn)管理預(yù)警服務(wù)平臺

果蔬生產(chǎn)管理預(yù)警平臺包括視頻監(jiān)控、農(nóng)業(yè)環(huán)境監(jiān)測、采集數(shù)據(jù)的存儲及遠程控制模塊組成。視頻監(jiān)控用于定點、定時的觀測果蔬生長情況，該系統(tǒng)包括遠程Web在線查看、視頻數(shù)據(jù)存儲、回放等功能。農(nóng)業(yè)環(huán)境監(jiān)測是精準農(nóng)業(yè)的基礎(chǔ)部分，用于監(jiān)測影響果蔬生長的環(huán)境參數(shù)變化。本研究以物聯(lián)網(wǎng)技術(shù)為核心，監(jiān)測影響果蔬生長的光照強度、CO2濃度，溫度、濕度，土壤含氮量、pH等環(huán)境信息[9，10]，生產(chǎn)管理者可通過智能終端、Web瀏覽器等方式實時查看監(jiān)控區(qū)域的詳細監(jiān)測信息和經(jīng)推理后的預(yù)警信息。

1）大棚精準農(nóng)業(yè)檢測控制系統(tǒng)設(shè)計。在果蔬大棚內(nèi)合理布置各種傳感器，以實現(xiàn)實時監(jiān)測各項環(huán)境參數(shù)，同時安裝可調(diào)控設(shè)施（如抽風機、噴淋系統(tǒng)、加熱器、補光燈等設(shè)備），基于物聯(lián)網(wǎng)精準農(nóng)業(yè)的果蔬種植預(yù)警管理系統(tǒng)如圖2所示。該系統(tǒng)可實時采集棚內(nèi)環(huán)境參數(shù)，將數(shù)據(jù)通過有線或無線方式發(fā)送至上位機，服務(wù)器對數(shù)據(jù)進行分析，最后以直觀的曲線、圖表、報警信息等通過終端展現(xiàn)給用戶。同時，系統(tǒng)軟件為棚內(nèi)可控設(shè)施預(yù)留了端口，可通過預(yù)警后的人工操作，或用智能終端開啟或關(guān)閉調(diào)控設(shè)施實現(xiàn)自動調(diào)控，使作物生長在最佳環(huán)境中。

不同果蔬對環(huán)境、氣象在不同時期有不同的需求，如涮涮辣生長過程中，播種后3～4 d，溫度要控制在30 ℃左右，當種子破土后，白天溫度要控制在15～20 ℃，晚上控制在12～16 ℃；當?shù)谝黄樔~露尖后白天控制在20～25 ℃，晚上控制在適15～20 ℃；當分苗后前3 d，要保持好空氣濕度和溫度，保證白天25～30 ℃，晚上控制在15～20 ℃左右，其他時期最宜溫度平均為16～21 ℃。這些溫度值可預(yù)先在專家系統(tǒng)進行設(shè)置，若監(jiān)測到的溫度超出設(shè)定的范圍，系統(tǒng)將自動報警。同樣光照、濕度、CO2濃度、肥水的最佳范圍值及自動控制策略均可在專家系統(tǒng)中設(shè)定。

2）物聯(lián)網(wǎng)傳感平臺節(jié)點布置?；谖锫?lián)網(wǎng)的精準農(nóng)業(yè)生產(chǎn)預(yù)警系統(tǒng)，無線傳感器節(jié)點是采集信息單元。傳感器節(jié)點通常是一個嵌入式系統(tǒng)，各傳感器節(jié)點集成有傳感器其執(zhí)行器模塊、計算與存儲模塊、通信模塊和電源模塊[11，12]，其結(jié)構(gòu)如圖3所示。為確保大棚果蔬能在最適宜的環(huán)境中生長，對傳感器節(jié)點的設(shè)計提出了較高要求，既要求傳感器節(jié)點能夠精確檢測大棚內(nèi)的各種氣象、土壤墑情等參數(shù)，又要求傳感器有效覆蓋大棚的每個角落。

該系統(tǒng)在涮涮辣大棚中進行試驗，傳感器節(jié)點的處理器單元和無線傳輸單元采用CHIPCON公司的CC2430芯片，它是一種基于ZigBee協(xié)議，集成89C51內(nèi)核處理器芯片和ZigBee無線收發(fā)模塊，內(nèi)置RF2420射頻芯片，并增加CC2591增益放大芯片。單點之間傳輸有效距離可達700 m，系統(tǒng)監(jiān)測并存儲大棚內(nèi)各個環(huán)境數(shù)據(jù)，所有監(jiān)測節(jié)點均采用無線傳輸。棚內(nèi)空氣溫濕度、CO2濃度、光照強度按每隔10 m布置一個監(jiān)測節(jié)點，每個監(jiān)測點分上、中、下3個層次，距地面高度分別為50、100、160 cm。每個大棚部署3個土壤溫濕度傳感器監(jiān)測點，每個監(jiān)測點又分土層5、15、30 cm 3個層次，布置3個pH和氨氮傳感器監(jiān)測點，每個監(jiān)測點分土層5、、15、30 cm 3個層次。若還需增加監(jiān)測節(jié)點，只需在軟件系統(tǒng)中設(shè)置即可，硬件的采集節(jié)點無需修改。施工采用支架式插入土壤，種植時可快速方便布置，而在空閑季節(jié)，可方便回收至倉庫保管。采集節(jié)點供電采用鋰電池供電和太陽能板供電二種模式，根據(jù)無線節(jié)點的采集頻率和傳感器耗電量而定，當采集頻率間隔≥5 min/次，無線節(jié)點的低功耗模式啟動，節(jié)點可持續(xù)工作6個月。

4 物流管理預(yù)警平臺

物流管理預(yù)警平臺是果蔬生產(chǎn)管理的擴展平臺，是保證其價值量的環(huán)節(jié)之一。據(jù)統(tǒng)計數(shù)據(jù)顯示，每年在運輸過程中腐爛變質(zhì)的水果、蔬菜、乳制品等易損壞食品的總價值達1 000億元以上，損失率高達25%～30%，而發(fā)達國家果蔬的損失率一般控制在5%。因此對鮮嫩易爛的果蔬在運輸車輛中安裝GPS定位、溫濕度傳感器及RFID射頻識別，實時采集車輛、產(chǎn)品的基本信息，通過3G、GPRS等技術(shù)[13]傳至監(jiān)控中心，依托專家系統(tǒng)對采集的數(shù)據(jù)分析，對貨損、延遲、失竊、線路異常等情況預(yù)警，以便實現(xiàn)調(diào)度和調(diào)控，從而有效降低果蔬運輸中因腐爛變質(zhì)的損失率。其運輸預(yù)警功能結(jié)構(gòu)如圖4所示。

底層信息集由GPS衛(wèi)星導航定位、RFID貨物基本信息采集、傳感器貨物狀態(tài)信息采集等軟硬件組成。監(jiān)控中心的軟件包含數(shù)據(jù)接收存儲、異常報警、基本功能、GIS電子地圖繪制等組成。其中GPS導航定位每隔5 min采集車輛途中的實時經(jīng)緯度、速度及方向信息，通過3G上傳至監(jiān)管中心，監(jiān)管中心收到信息，計算并結(jié)合GIS功能在電子地圖上顯示，若與預(yù)設(shè)的不一致，通過3G向管理員及駕駛員發(fā)出異常報警信息；RFID定時采集物品的基本信息[14]，如物品編碼、采摘日期、數(shù)量、價格、目的地等信息，并與RFID中的初始信息對比，若出現(xiàn)信息不一致，則將異常信息通過3G上傳至監(jiān)管中心，并發(fā)出報警信息；傳感器主要集物品的溫濕度、壓力等狀態(tài)信息，這些參數(shù)通過無線通訊網(wǎng)傳至監(jiān)控中心，計算是否在適宜值范圍內(nèi)，否則發(fā)出預(yù)警信息，并通知運輸人員采取相應(yīng)措施，實現(xiàn)對環(huán)境的精準調(diào)控，以滿足產(chǎn)品對保鮮保質(zhì)的需求，降低果蔬在運輸過程中的損失率。

5 小結(jié)

基于物聯(lián)網(wǎng)的精準農(nóng)業(yè)果蔬種植預(yù)警系統(tǒng)還處于試驗階段，由于該系統(tǒng)可根據(jù)不同作物在不同時期對影響其生長的環(huán)境參數(shù)按需求設(shè)定，并可隨時采集環(huán)境環(huán)境參數(shù)傳至上位機，依托專家系統(tǒng)對數(shù)據(jù)分析，用戶可通過終端設(shè)備對環(huán)境參數(shù)進行監(jiān)測，當參數(shù)超出了預(yù)設(shè)值范圍，將收到警報信息，并能精細控制肥水、及時預(yù)警病蟲害、對環(huán)境參數(shù)調(diào)控等功能。因此，基于物聯(lián)網(wǎng)的精準果蔬預(yù)警系既能節(jié)約人工工時，將生產(chǎn)成本降低20%左右，又能提高生產(chǎn)效率、提高果蔬的品質(zhì)，為高品質(zhì)果蔬打下良好口碑，為強化區(qū)域生態(tài)果蔬，打造本地高端精品果蔬的推廣做了鋪墊工作。

參考文獻：

[1] 王汝傳，孫力娟.物聯(lián)網(wǎng)技術(shù)導論[M].北京：清華大學出版社，2011.

[2] 朱會霞，王福林，索瑞霞，等.物聯(lián)網(wǎng)在中國現(xiàn)代農(nóng)業(yè)中的應(yīng)用[J].中國農(nóng)學通報，2011，33（8）：226-228.

[3] 方 露.淺析物聯(lián)網(wǎng)技術(shù)在科技館中的應(yīng)用[J]，科技通報，2012，28（3）：165-168.

[4] 朱景鋒.物聯(lián)網(wǎng)環(huán)境下電子政務(wù)信息系統(tǒng)入侵檢測技術(shù)分析與對策研究[J]，科技通報，2012，28（4）：130-132.

[5] 張國軍，賴小龍，楊睿茜，等.物聯(lián)網(wǎng)技術(shù)在精準農(nóng)業(yè)環(huán)境監(jiān)測系統(tǒng)中的應(yīng)用研究[J].湖南農(nóng)業(yè)科學，2011，（15）：173-176.

[6] 付 兵.物聯(lián)網(wǎng)精準農(nóng)業(yè)系統(tǒng)在瓜果種植中的應(yīng)用[J].科技通報，2014，30（1）：106-109.

[7] 楊 嵐，李書琴.基于Web Service的農(nóng)產(chǎn)品交易系統(tǒng)的研究與設(shè)計[J].計算機工程與設(shè)計，2008，29（8）：2118-2120.

[8] 王福順，孫小華.基于優(yōu)化神經(jīng)網(wǎng)絡(luò)的溫室厚皮甜瓜病害預(yù)測[J].河南農(nóng)業(yè)科學，2012，41（11）：103-106.

[9] 馬斌強，劉美琪，季寶杰，等.ZigBee技術(shù)在精準農(nóng)業(yè)中的應(yīng)用[J].江西農(nóng)業(yè)學報，2008，20（10）：121-123.

[10] 洪 霞，江 洪，余樹全.高光譜遙感在精準農(nóng)業(yè)生產(chǎn)中的應(yīng)用[J].安徽農(nóng)業(yè)科學，2010（1）：529-531.

[11] 董方敏，王紀華，任 東.農(nóng)業(yè)物聯(lián)網(wǎng)技術(shù)及應(yīng)用[M].北京：中國農(nóng)業(yè)出版社，2012.

[12] 丁海峽，賈寶磊，倪遠平.基于GPRS和ZigBee的精準農(nóng)業(yè)模式研究[J].自動化儀表，2009，4（30）：17-23.

第6篇：神經(jīng)網(wǎng)絡(luò)的基本功能范文

【關(guān)鍵詞】電力系統(tǒng)遠動控制自動化

中圖分類號：F407.61 文獻標識碼：A 文章編號：

隨著我國電力系統(tǒng)的城網(wǎng)和農(nóng)網(wǎng)大規(guī)模改造以及大型工礦企業(yè)的升級，變電站對自動化程度的要求越來越高，要求能夠綜合監(jiān)控整個電網(wǎng)的運行狀況，監(jiān)控一次設(shè)備的狀態(tài)，實現(xiàn)“四遙”以及歷史記錄、報表、事故分析等等。然而電力系統(tǒng)要想實現(xiàn)調(diào)度真正自動化，就必須結(jié)合計算機技術(shù)和通信技術(shù)，通過遠動控制技術(shù)來實現(xiàn)。因此，遠動控制技術(shù)在加快電力系統(tǒng)自動化的進程中起著至關(guān)重要的作用。

一、遠動控制技術(shù)及工作原理

遠動控制技術(shù)主要由調(diào)度和控制端以及執(zhí)行終端（發(fā)電廠、變電站等）組成，完成電力系統(tǒng)的遙控、遙信、遙測和遙調(diào)等技術(shù)，以確保電力系統(tǒng)運行的穩(wěn)定可靠和經(jīng)濟性。首先調(diào)度需要從終端（發(fā)電廠、變電站等）采集系統(tǒng)運行數(shù)據(jù)和相關(guān)參數(shù)，如設(shè)備位置信號等。對獲取的系統(tǒng)運行狀況進行分析判斷后，下達命令給執(zhí)行端（發(fā)電廠、變電站等）進行設(shè)備的操作和參數(shù)的調(diào)整，實時完成測控任務(wù)。由此可見，遠動控制設(shè)備是變電站與調(diào)度、執(zhí)行端之間信息傳遞的橋梁。其主要模塊有集中監(jiān)視模塊和集中控制模塊。前者是實現(xiàn)在正常的情況下監(jiān)視系統(tǒng)運行是否合理。當系統(tǒng)出現(xiàn)故障時，及時處理所發(fā)生的故障，以確保電力系統(tǒng)的安全穩(wěn)定運行；后者是工作人員利用遠動設(shè)備采用人機交互的方式實現(xiàn)電力系統(tǒng)的遙控和遙調(diào)，在提高系統(tǒng)運行效率和質(zhì)量的同時，大大減少所需的人力物力，并減少電力系統(tǒng)的運行維護費用。隨著我國電力系統(tǒng)自動化遠動控制技術(shù)應(yīng)用的不斷深入，其獲取的經(jīng)濟效益將更加明顯。

遙測、遙信、遙控和遙調(diào)是遠動系統(tǒng)的基本功能。應(yīng)用通信技術(shù)傳送被測變量的測量值，稱為遠程測量，簡稱遙測。應(yīng)用通信技術(shù)完成對設(shè)備狀態(tài)信息的監(jiān)視，稱為遠程信號，簡稱遙信。

應(yīng)用通信技術(shù)，完成改變運行設(shè)備狀態(tài)的命令稱為遠程命令，又稱遙控。調(diào)度控制中心送給終端（發(fā)電廠或變電所等）的遠程命令有控制命令和調(diào)節(jié)命令等。當調(diào)度控制中心需要直接抑制發(fā)電廠、變電所中的某些設(shè)備，如斷路器的合閘、分閘，發(fā)電機的開機、停機，無功補償設(shè)備的投入、切除等，就發(fā)出相應(yīng)的控制命令。這種應(yīng)用通信技術(shù)，完成對有兩個確定狀態(tài)的運行設(shè)備的控制稱為遠程切換。在我國通常把遠程切換也稱為遙控。遠動系統(tǒng)的功能根據(jù)電力系統(tǒng)的實際需要還在不斷地擴展，為了有助于分析電力系統(tǒng)的事故、保證遠方設(shè)備的正常運行和便于維護，將來的遠動控制系統(tǒng)還將具有自檢查、自診斷等功能。

電力系統(tǒng)遠動控制技術(shù)實現(xiàn)的功能主要是四遙功能，分別是遙測（YC）和遙信（YX）、遙控（YK）和遙調(diào)（YT）四方面的功能，遙測與遙信是遠動設(shè)置RTU將采集的廠站運行參數(shù)和狀態(tài)按規(guī)約上傳送給調(diào)度中心，遙控和遙調(diào)則是調(diào)度中心發(fā)給遠動設(shè)置RTU的改變運行狀態(tài)和調(diào)整設(shè)備運行參數(shù)的命令。遠動控制在電力系統(tǒng)中主要運用的是數(shù)據(jù)采集術(shù)、信道編碼技術(shù)和通信傳輸技術(shù)3部分，其原理如圖1所示。

圖1 遠動控制原理

二、電力系統(tǒng)自動化中遠動控制技術(shù)的應(yīng)用

1、數(shù)據(jù)采集技術(shù)應(yīng)用

電力系統(tǒng)自動化中遠動控制數(shù)據(jù)采集技術(shù)主要涉及變送器和A/D轉(zhuǎn)換等技術(shù)。該系統(tǒng)的信號處理，多采用的是TTL電平信號，一般是0～5 V。由于在電力系統(tǒng)中運行的設(shè)備都屬于高電壓、大功率設(shè)備，因此，必須要利用變送器來轉(zhuǎn)換這些高電壓、大功率設(shè)備的運行參數(shù)，才能使這些數(shù)據(jù)能夠在遠動控制裝置中得到處理，也就是將電力系統(tǒng)中的電壓、電流等轉(zhuǎn)換成合適的TTL電平信號，同時模擬信號則利用A/D技術(shù)轉(zhuǎn)化成數(shù)字信號，實現(xiàn)YX信息的編碼和YC信息的采集。其中，YX量的傳送要利用光電隔離設(shè)備進行采集，并將對象狀態(tài)中的二進制碼編寫到遙信數(shù)據(jù)幀中，再利用數(shù)字多路開關(guān)輸出到接口電路。通過CT、PT以及傳感器獲取電壓電流信號后，由濾波放大環(huán)節(jié)將高次諧波去除，并送入取樣保持環(huán)節(jié)同步采集，獲得與信號源同步信號，然后由A/D轉(zhuǎn)換信號后，送入STD空機等高級環(huán)節(jié)中，實現(xiàn)數(shù)據(jù)的采集。

2、信道編碼技術(shù)應(yīng)用

在電力系統(tǒng)自動化中遠動控制信道編碼技術(shù)主要涉及信道的編、譯碼以及信息傳輸協(xié)議等。遠動控制裝置所采集到的信息要想被使用，就要通過信道傳輸?shù)秸{(diào)度控制中心。由于信道存在擾的缺陷，因此，為了能夠使信息具有較強的抗干擾性，就必須對信道進行編、譯碼。如圖2所示。

圖2 數(shù)字傳輸系統(tǒng)

在通信系統(tǒng)中，針對信道編、譯碼的方式有許多，電力系統(tǒng)自動化中所采用的編、譯碼主要是線性分組碼。其中，還采用了循環(huán)碼進行編、譯。

3、遠動系統(tǒng)中的循環(huán)式數(shù)據(jù)傳送規(guī)約

在電力系統(tǒng)遠動控制中，為了實現(xiàn)變電站、電廠和調(diào)度中心的數(shù)據(jù)通信，在信道編譯碼前，必須建立一種預(yù)先約定的通信方式和數(shù)據(jù)格式，這就是通信規(guī)約或協(xié)議。目前電力系統(tǒng)中主要采用循環(huán)式數(shù)據(jù)傳送（CDT）規(guī)約進行數(shù)據(jù)傳送。在數(shù)據(jù)傳送過程中，一般是以幀結(jié)構(gòu)進行傳送的，在遠動系統(tǒng)中，重要遙測安排在A幀，次要遙測安排在B幀，一般遙測安排在C幀傳送，遙信狀態(tài)信息、電能脈沖計數(shù)值分別安排在D1和D2幀，而事件順序記錄安排在E幀進行傳送。對于幀結(jié)構(gòu)，一般以同步字開頭，并有控制字和信息字，其長度可變，結(jié)構(gòu)如下。

通過幀格式的包裝之后，數(shù)據(jù)就可以按照規(guī)約進行傳送，完成信道的全部編譯碼工作。

4、通信傳輸技術(shù)應(yīng)用

在電力系統(tǒng)自動化中遠動控制通信傳輸技術(shù)主要涉及調(diào)制與解調(diào)2種技術(shù)。電力系統(tǒng)自動化系統(tǒng)通過自身所具有的電力通信網(wǎng)絡(luò)資源與方式（例如衛(wèi)星和微波、光纜和載波等通信方式）來構(gòu)建電力通信專用網(wǎng)。由于目前電力系統(tǒng)自動化系統(tǒng)主要是采用電力線載波和光纖通訊形式來完成信號的傳輸，其中電力線載波數(shù)據(jù)通信的實現(xiàn)是通過在信號發(fā)射端中進行編碼后產(chǎn)生的基帶信號，以及電力線中的高頻諧波信號為載波信號，并利用多種調(diào)制技術(shù)將其轉(zhuǎn)換模擬信號后，以電流和電壓的方式順從電力線進行通信傳輸；同時在接收端中，利用解調(diào)技術(shù)將轉(zhuǎn)換的模擬信號還原成為數(shù)字信號。電力系統(tǒng)自動化是由調(diào)制解調(diào)器調(diào)制解調(diào)技術(shù)，實現(xiàn)數(shù)據(jù)通信。目前，隨著光纖傳輸技術(shù)可靠性的不斷提高，光通道設(shè)備造價的不斷降低，全國范圍內(nèi)電力系統(tǒng)自動化控制光纖傳輸網(wǎng)絡(luò)正迅速形成，這種新型的通信傳輸網(wǎng)絡(luò)必將很快取代微波傳輸技術(shù)，成為電力系統(tǒng)自動化控制通信傳輸?shù)闹饕绞健?/p>

三、電力系統(tǒng)自動化提高途徑

1、神經(jīng)網(wǎng)絡(luò)控制技術(shù)的應(yīng)用

由于神經(jīng)網(wǎng)絡(luò)具有本質(zhì)的非線性特性、并行處理能力、強魯棒性以及自組織自學習的能力，所以受到人們的普遍關(guān)注。神經(jīng)網(wǎng)絡(luò)是由大量簡單的神經(jīng)元以一定的方式連接而成的。神經(jīng)網(wǎng)絡(luò)將大量的信息隱含在其連接權(quán)值上，根據(jù)一定的學習算法調(diào)節(jié)權(quán)值，使神經(jīng)網(wǎng)絡(luò)實現(xiàn)從m維空間到n維空間復雜的非線性映射。目前神經(jīng)網(wǎng)絡(luò)理論研究主要集中在神經(jīng)網(wǎng)絡(luò)模型及結(jié)構(gòu)的研究、神經(jīng)網(wǎng)絡(luò)學習算法的研究、神經(jīng)網(wǎng)絡(luò)的硬件實現(xiàn)問題等。

2、模糊邏輯控制技術(shù)的應(yīng)用

模糊方法使控制十分簡單而易于掌握，在家用電器中也顯示出優(yōu)越性建立模型來實現(xiàn)控制是現(xiàn)代比較先進的方法，實踐證明它有巨大的優(yōu)越性。模糊控制理論的應(yīng)用非常廣泛。例如我們?nèi)粘Ｋ玫碾姛釥t、電風扇等電器。這里介紹用模糊邏輯控制器改進常規(guī)恒溫器的例子。電熱爐一般用恒溫器來保持幾檔溫度，以供烹飪者選用，模糊控制的方法很簡單，輸入量為溫度及溫度變化兩個語言變量，每個語言的論域用5組語言變量互相跨接來描述。

3、專家系統(tǒng)控制技術(shù)的應(yīng)用

專家系統(tǒng)在電力系統(tǒng)中的應(yīng)用范圍很廣，包括對電力系統(tǒng)處于警告狀態(tài)或緊急狀態(tài)的辨識，提供緊急處理，系統(tǒng)恢復控制，非常慢的狀態(tài)轉(zhuǎn)換分析，切負荷，系統(tǒng)規(guī)劃，電壓無功控制，故障點的隔離，配電系統(tǒng)自動化，調(diào)度員培訓，電力系統(tǒng)的短期負荷預(yù)報，靜態(tài)與動態(tài)安全分析，以及先進的人機接口等方面。雖然專家系統(tǒng)在電力系統(tǒng)中得到了廣泛的應(yīng)用，但仍存在一定的局限性，如難以模仿電力專家的創(chuàng)造性。

4、線性最優(yōu)控制技術(shù)的應(yīng)用

最優(yōu)控制是現(xiàn)代控制理論的一個重要組成部分，也是將最優(yōu)化理論用于控制問題的一種體現(xiàn)。線性最優(yōu)控制是目前諸多現(xiàn)代控制理論中應(yīng)用最多，最成熟的一個分支。盧強等人提出了利用最優(yōu)勵磁控制手段提高遠距離輸電線路輸電能力和改善動態(tài)品質(zhì)的問題，取得了一系列重要的研究成果。該研究指出了在大型機組方面應(yīng)直接利用最優(yōu)勵磁控制方式代替古典勵磁方式。另外，最優(yōu)控制理論在水輪發(fā)電機制動電阻的最優(yōu)時間控制方面也獲得了成功的應(yīng)用。

結(jié)束語

隨著計算機技術(shù)和網(wǎng)絡(luò)通信技術(shù)的高速發(fā)展，遠動控制技術(shù)也在不斷的變革和改進，在加快電力系統(tǒng)綜合自動化的發(fā)展進程中將會發(fā)揮更加重要的作用。

參考文獻

[1] 張凱. 電力系統(tǒng)調(diào)度自動化中遠動控制技術(shù)的應(yīng)用[J]. 科技風. 2010(24)

第7篇：神經(jīng)網(wǎng)絡(luò)的基本功能范文

關(guān)鍵詞 人工神經(jīng)網(wǎng)絡(luò) 供暖熱網(wǎng)預(yù)測 外時延 內(nèi)時延 反饋型BP網(wǎng)絡(luò) Elman網(wǎng)絡(luò)

一些復雜的生產(chǎn)過程，如熱網(wǎng)供熱，由于其反應(yīng)機理非常復雜，具有很強的非線性、大滯后、時變性和不確定性，難以建立被控對象的數(shù)學模型，至今仍很少實現(xiàn)閉環(huán)控制，只好有經(jīng)驗的操作人員進行調(diào)節(jié)。操作人員雖然沒有被控對象的數(shù)學模型，但是由于他們比較熟悉供暖熱網(wǎng)和設(shè)備，且在長期的現(xiàn)場工作中積累了豐富的操作經(jīng)驗，他們通過觀察儀表指示的變化，如熱網(wǎng)的從、回水溫度、室外溫度等參數(shù)，并且預(yù)估某些參數(shù)將要發(fā)生的變化，然后調(diào)整供熱負荷，以保證熱網(wǎng)供暖正常。這種人工控制方式一般也能達到較好的控制效果，但是由于操作人員的經(jīng)驗與能力的不同，或由于人的疲勞、責任心等原因，也時常會因操作不當造成熱網(wǎng)供暖不正常，或在產(chǎn)生突發(fā)事件時，不能預(yù)測將會發(fā)展或延續(xù)擴大的嚴重故障，而引發(fā)更大的故障。

預(yù)測對于提供未來的信息，為當前人人作出有利的決策具有重要意義。現(xiàn)有的預(yù)測方法如時間序列分析中的AR模型預(yù)測方法，只適用于線性預(yù)測，而且，還需要對所研究的時間序列進行平穩(wěn)性、零均值等假定，其適用范圍受到一定的限制。近年來，人工神經(jīng)網(wǎng)絡(luò)以其高度的非線性映射能力，在某些領(lǐng)域的預(yù)測中得到廣泛的關(guān)注。本文利用神經(jīng)網(wǎng)絡(luò)技術(shù)辨識供暖熱網(wǎng)動態(tài)預(yù)報系統(tǒng)的模型，并對其進行了實際訓練和測試，分別建立了外時延反饋型BP網(wǎng)絡(luò)模型和內(nèi)時延反饋型Elman網(wǎng)絡(luò)的預(yù)測模型。

1 外時延反饋BP網(wǎng)絡(luò)

多層前向網(wǎng)絡(luò)是研究和應(yīng)用的最廣泛也是最成功的人工神經(jīng)元網(wǎng)絡(luò)之一。多層前向網(wǎng)絡(luò)是一種映射型網(wǎng)絡(luò)。理論上，隱層采用Sigmoid激活函數(shù)的三層前向網(wǎng)絡(luò)能以任意精度逼近任一非線函數(shù)，神經(jīng)元網(wǎng)絡(luò)可以根據(jù)與環(huán)境的相互作用對自身進行調(diào)節(jié)即學習，一個BP網(wǎng)絡(luò)即是一個多層前向網(wǎng)絡(luò)加上誤差反向傳播學習算法，因此一個BP網(wǎng)絡(luò)應(yīng)有三項基本功能：（1）信息由輸入單元傳到隱單元，最后傳到輸出單元的信息正向傳播；（2）實際輸出與期望輸出之間的誤差由輸出單元傳到隱單元，最后傳到輸入單元的誤差反向傳播；（3）利用正向傳播的信息和反向傳播的誤差對網(wǎng)絡(luò)權(quán)系數(shù)進行修正的學習過程。目前，多層前向網(wǎng)絡(luò)的權(quán)系數(shù)學習算法大多采用BP算法及基于BP算法的改進算法，如帶動量項的BP算法等。BP網(wǎng)絡(luò)雖然有很廣泛的應(yīng)用，但由于它是一個靜態(tài)網(wǎng)絡(luò)，所以只能用于處理與時間無關(guān)的對象，如文字識別、空間曲線的逼近等問題。熱網(wǎng)供暖的各項參數(shù)都是與時間有關(guān)系的，而且我們即將建立的供暖熱網(wǎng)預(yù)報模型必須是一個動態(tài)模型。為此，必須在網(wǎng)絡(luò)中引入記憶和反饋功能。可以有兩種方式實現(xiàn)這一功能，一是采用外時延反饋網(wǎng)絡(luò)，即反輸入量以前的狀態(tài)存在延時單元中，且在輸入端引入輸出量以前狀態(tài)的反饋，如圖1所示；另一種方式是采用內(nèi)時延反饋網(wǎng)絡(luò)，既在網(wǎng)絡(luò)內(nèi)部引入反饋，使網(wǎng)絡(luò)本身構(gòu)成一個動態(tài)系統(tǒng)，如下面將要介紹的Elman網(wǎng)絡(luò)。

圖1 處延時反饋網(wǎng)絡(luò)

2 Elman網(wǎng)絡(luò)

如前所述，在BP網(wǎng)絡(luò)外部加入延時單元，把時間信號展開成空間表示后再送給靜態(tài)的前向網(wǎng)絡(luò)作為一類輸入，從而實現(xiàn)時間序列建模和預(yù)測。然而，這種方式大大增加了輸入節(jié)點個數(shù)因而導致了網(wǎng)絡(luò)結(jié)構(gòu)膨脹，訓練精度下降，訓練時間過長。

Elman動態(tài)網(wǎng)絡(luò)是動態(tài)遞歸網(wǎng)絡(luò)中較為簡單的一種結(jié)構(gòu)，如圖2所示。

圖2 Elman網(wǎng)絡(luò)

由輸入層、隱含層、結(jié)構(gòu)層（聯(lián)系單元層）和輸出層組成，結(jié)構(gòu)層記憶隱含層過去的狀態(tài)，并在下一時刻與網(wǎng)絡(luò)的輸入，一同輸入隱含層，起到一步延時算子作用。因此，Elman動態(tài)遞歸網(wǎng)絡(luò)具有動態(tài)記憶的功能，無需使用較多的系統(tǒng)狀態(tài)作為輸入，從而減少了輸入層單元數(shù)。

3 供熱網(wǎng)絡(luò)預(yù)報模型

根據(jù)研究問題的性質(zhì)不同，選擇不同的網(wǎng)絡(luò)結(jié)構(gòu)和激活函數(shù)，以便建立準確的神經(jīng)網(wǎng)絡(luò)預(yù)報模型。外時延反饋網(wǎng)絡(luò)和內(nèi)時延反饋網(wǎng)絡(luò)都將其時延單元和反饋單元視為BP網(wǎng)絡(luò)的輸入?yún)?shù)，因此可以應(yīng)用BP算法訓練網(wǎng)絡(luò)，其隱含層和輸出層的節(jié)點激活函數(shù)可選擇tansig、purelin函數(shù)，表達式為：

tansig函數(shù)：

purelin函數(shù)：　f2(x)=kx

輸出：

其中：xi----熱網(wǎng)輸入；

wji----由輸入層節(jié)點i隱層節(jié)點j之間的權(quán)值；

θj----隱層節(jié)點j的閾值；

wkj----由隱層節(jié)點j至輸出層節(jié)點k之間的權(quán)值；

θk----輸出層層節(jié)點k的閾值。

從成因上分析供暖熱網(wǎng)的影響因子，運用相關(guān)圖法或逐步回歸分析法等對初選影響因子進行顯著性分析和檢驗，剔除不顯著因子。在此基礎(chǔ)上，研究基于人工神經(jīng)網(wǎng)絡(luò)的供暖熱網(wǎng)實時預(yù)報模型的建模和預(yù)報問題。本文選用牡丹江西海林小區(qū)鍋爐房2000年11月～2001年4月的部分測量數(shù)據(jù)進行建模及測試，預(yù)測在相應(yīng)時刻的熱網(wǎng)供水溫度、回水溫度及室外溫度值。

3．1 模型I：外進延反饋網(wǎng)絡(luò)

輸入?yún)?shù)為當前時刻與過去時刻的①室外溫度（i）（i-1）（i-2）（i-3）（i-4）; ②供水流量（i）（i-1）（i-2）（i-3）（i-4）;③補水流量（i）（i-1）（i-2）（i-3）（i-4）; ④供水溫度（i）（i-1）（i-2）（i-3）（i-4）;⑤回水溫度（i）（i-1）（i-2）（i-3）（i-4）;，共二十五個輸入量。輸出量為未來時刻的①室外溫度（i +1）（i+2）；②供水溫度（i +1）（i+2）；③回水溫度（i +1）（i+2）；共六個輸出量。其中每一周期間隔15min。訓練樣本為前2000個數(shù)據(jù)組，測試樣本為后2000個數(shù)據(jù)組。輸出曲線有訓練樣本與計算數(shù)據(jù)比較曲線和測試樣本與計算數(shù)據(jù)比較曲線。

網(wǎng)絡(luò)結(jié)構(gòu)共三層，輸入層節(jié)點25個，隱層節(jié)點25個，輸出層節(jié)點6個。取學習率η=0.7，動量因子a=0.3，訓練精度ε=4.5e-3，經(jīng)過1000次正反向傳播和學習，網(wǎng)絡(luò)訓練滿足設(shè)定條件，此時訓練計算的均方差為0.00449767。將檢驗樣本輸入訓練好的網(wǎng)絡(luò)模型，其檢驗結(jié)果如圖3、圖4（因篇幅所限僅給出回水溫度預(yù)報值）所示。

圖3 回水溫度一步預(yù)報曲線

實線：計算數(shù)據(jù)；虛線：實際數(shù)據(jù)

圖4 回水溫度二步預(yù)報曲線

實線：計算數(shù)據(jù)；虛線：實際數(shù)據(jù)

3．2 模型II：內(nèi)時延反饋Elman網(wǎng)絡(luò)。

輸入?yún)?shù)為當前時刻的①室外溫度（i）; ②供水流量（i））;③補水流量（i）; ④供水溫度（i）;⑤回水溫度（i）;，共五個輸入量。輸出量為未來時刻的①室外溫度（i +1）（i+2）；②供水溫度（i +1）（i+2）；③回水溫度（i +1）（i+1）；共六個輸出量。其中每一周期間隔15min。訓練樣本為前2000個數(shù)據(jù)組，測試樣本為后2000個數(shù)據(jù)組。輸出曲線有訓練樣本與計算數(shù)據(jù)比較曲線和測試樣本與計算數(shù)據(jù)比較曲線。

網(wǎng)絡(luò)結(jié)構(gòu)共三層，輸入層節(jié)點25個，隱層節(jié)點25個，輸出層節(jié)點6個。取學習率η=0.7，動量因子a=0.3，訓練精度ε=4.5e-3，經(jīng)過1000次正反向傳播和學習，網(wǎng)絡(luò)訓練滿足設(shè)定條件，此時訓練計算的均方差為0.0044999。將檢驗樣本輸入訓練好的Elman網(wǎng)絡(luò)模型，其檢驗結(jié)果如圖5、圖6（因篇幅所限僅給出回水溫度預(yù)報值）所示。

圖5 回水溫度一步預(yù)報曲線

實線：計算數(shù)據(jù)；虛線：實際數(shù)據(jù)

圖6 回水溫度二步預(yù)報曲線

實線：計算數(shù)據(jù)；虛線：實際數(shù)據(jù)

第8篇：神經(jīng)網(wǎng)絡(luò)的基本功能范文

關(guān)鍵詞：農(nóng)村電力系統(tǒng)；繼電保護；新技術(shù)；應(yīng)用；分析

Abstract: with the rapid development of electric power industrialization, to push for the power system protection the improvement of new technology, this paper briefly reviews the development course of the electric protection technology, and introduced the relay protection to the development of new technologies, features, including computers, networks, intelligence and protection, control, measurement and data communications integration, and its application in electric power system in rural areas are analyzed.

Key words: the rural power system; The relay protection; New technology; Application; analysis

中圖分類號：G812.42文獻標識碼：A 文章編號：

繼電保護技術(shù)是隨著電力系統(tǒng)的發(fā)展而發(fā)展起來的。從2O世紀50年代開始到目前為止，繼電保護已經(jīng)歷了從電磁式保護裝置到晶體管式繼電保護裝置、到集成電路繼電保護裝置、再到微機繼電保護裝置4個發(fā)展階段。近年來，隨著計算機技術(shù)、通信技術(shù)和網(wǎng)絡(luò)技術(shù)為代表的現(xiàn)代信息技術(shù)的迅猛發(fā)展，繼電保護技術(shù)得到快速發(fā)展。農(nóng)村電力系統(tǒng)相對于城市電力系統(tǒng)，其繼電保護的性能和水平、信息化的發(fā)展、運行的安全、穩(wěn)定和可靠等方面還存在一定的差距。本文對近年來繼電保護新技術(shù)的發(fā)展趨勢及其在農(nóng)村電力系統(tǒng)中應(yīng)用加以介紹，以對我國農(nóng)村電力系統(tǒng)的發(fā)展提供借鑒。

1 電力系統(tǒng)繼電保護的計算機化

電力工業(yè)化的不斷發(fā)展，繼電保護裝置除了具有繼電保護的基本功能外，還應(yīng)具備有大容量故障信息和數(shù)據(jù)的長期存放空間功能、數(shù)據(jù)快速處理功能、強大的通信功能和全系統(tǒng)數(shù)據(jù)共享功能等。因此，要實現(xiàn)這些功能，繼電保護計算機化是繼電保護技術(shù)發(fā)展的必然趨勢。

繼電保護計算機化是以數(shù)字式計算機為基礎(chǔ)而構(gòu)成的繼電保護。一整的微機保護裝置主要由硬件和軟件二部分構(gòu)成：硬件指模擬和數(shù)字電子電路，提供軟件運行的平臺，并且提供微機保護裝置與外部系統(tǒng)的電氣聯(lián)系，具體包括數(shù)據(jù)采集系統(tǒng)、CPU主系統(tǒng)、開關(guān)量輸出、輸入系統(tǒng)及設(shè)備等；軟件指計算機程序，由它按照保護原理和功能的要求對硬件進行控制，有序地完成數(shù)據(jù)采集、外部信息交換、數(shù)字運算和邏輯判斷以及動作指令執(zhí)行等各項操作。

從20世紀7O年代末，華中理工大學、東南大學、華北電力學院、西安交通大學等高等院校和科研院所即已開始了計算機繼電保護的研究，相繼研制了不同原理、不同型式的微機保護裝置。隨著微機保護裝置的研究，在微機保護軟件、算法等方面也取得了很多理論成果。從20世紀90年代開始，我國繼電保護技術(shù)已進入了微機保護的時代。由于計算機繼電保護與傳統(tǒng)保護裝置相比具有靈活、可靠、穩(wěn)定，且可方便地擴充其他輔助功能。因此，隨著近年來農(nóng)網(wǎng)改造的逐步深入，計算機繼電保護在農(nóng)網(wǎng)中將得到廣泛應(yīng)用。

2 電力系統(tǒng)繼電保護網(wǎng)絡(luò)化

繼電保護裝置的作用不只限于切除故障元件和限制事故影響范圍，還要保證全系統(tǒng)的安全穩(wěn)定運行。目前，繼電保護裝置除了縱差動保護和縱聯(lián)保護外，都只能反應(yīng)保護安裝處的電氣量，繼電保護的作用也只限于切除故障元件和縮小事故影響的范圍。因此，如果每個保護單元都能共享全系統(tǒng)的運行和故障信息的數(shù)據(jù)，并在此基礎(chǔ)上協(xié)調(diào)動作，將可確保系統(tǒng)的安全穩(wěn)定運行。網(wǎng)絡(luò)計劃技術(shù)就是利用網(wǎng)絡(luò)圖表達計劃任務(wù)的進度安排及其各項作業(yè)之間的相互關(guān)系，進而對網(wǎng)絡(luò)進行分析并計算網(wǎng)絡(luò)時間值，確定關(guān)鍵工序和關(guān)鍵路線并運用一定的技術(shù)組織措施對項目進行優(yōu)化的方案。繼電保護網(wǎng)絡(luò)化技術(shù)通過計算機網(wǎng)絡(luò)將全系統(tǒng)各主要設(shè)備的保護裝置聯(lián)接起來，即實現(xiàn)微機保護裝置的網(wǎng)絡(luò)化。其基本系統(tǒng)是一個基于B／S模式的三層結(jié)構(gòu)系統(tǒng)(見圖1)。

圖1 基于B／S模式的三層結(jié)構(gòu)系統(tǒng)

系統(tǒng)由5大功能子系統(tǒng)構(gòu)成，子系統(tǒng)完成自己特定功能并處于不同物理位置提供服務(wù)。這種用計算機網(wǎng)絡(luò)實現(xiàn)的分布式母線保護原理，比傳統(tǒng)的集中式母線保護原理有較高的可靠性，可大大提高保護性能，用戶能夠利用該系統(tǒng)通過計算機網(wǎng)絡(luò)進行繼電保護相關(guān)的各種業(yè)務(wù)，包括保護配置管理、參數(shù)管理、實驗記錄管理、安全措施管理和運行指標管理等。

農(nóng)網(wǎng)繼電保護系統(tǒng)由于工作地點分散，人員之間的協(xié)調(diào)、溝通難度大，值班調(diào)度人員難以及時了解和記錄繼電保護設(shè)備的運行情況，現(xiàn)場的操作人員也不能夠及時地得到調(diào)度人員的傳票進行現(xiàn)場調(diào)整，采用計算機網(wǎng)絡(luò)系統(tǒng)，將可有效解決這些問題。

3 電力系統(tǒng)繼電保護智能化

近年來，人工智能技術(shù)如神經(jīng)網(wǎng)絡(luò)、遺傳算法、進化規(guī)劃、模糊邏輯等在電力系統(tǒng)各個領(lǐng)域都得到了應(yīng)用，在繼電保護領(lǐng)域也開始得到應(yīng)用。在電力系統(tǒng)里存在很多非線性問題，用傳統(tǒng)的方法，難以得到滿意的解決，而應(yīng)用人工神經(jīng)網(wǎng)絡(luò)理論，則能夠迎刃而解 。例如在輸電線兩側(cè)系統(tǒng)電勢角度擺開情況下發(fā)生經(jīng)過渡電阻的短路就是一種非線性問題，距離保護很難正確作出故障位置的判別，從而造成誤動或拒動。如果用神經(jīng)網(wǎng)絡(luò)方法，經(jīng)過大量故障樣本的訓練，只要樣本集中充分考慮了各種情況，則在發(fā)生任何故障時都可正確判別 。這些人工智能方法在農(nóng)村復雜的電網(wǎng)中得以應(yīng)用，一方面在管理上使得電力系統(tǒng)減少了不必要的資源浪費，另一方面在其它各項技術(shù)的運用方面為工作人員提供了廣闊的技術(shù)空間，具有廣闊的發(fā)展前景。

4 繼電保護、控制、測量和數(shù)據(jù)通信一體化

在實現(xiàn)繼電保護的計算機化和網(wǎng)絡(luò)化條件下，繼電保護裝置是整個電力系統(tǒng)計算機網(wǎng)絡(luò)上的一個智能終端。一方面它可以從網(wǎng)上獲取電力系統(tǒng)運行和故障的任何信息。同時，也可將自身所獲得的被保護元件的任何信息傳送給網(wǎng)絡(luò)控制中心或任一終端。因此，每個計算機保護裝置不但可以完成繼電保護功能，而且可控制、測量和數(shù)據(jù)通信，達到實現(xiàn)保護、控制、測量、數(shù)據(jù)通信一體化。華中科技大學石東源等開發(fā)了電網(wǎng)繼電保護分析計算及管理一體化系統(tǒng)，其同時可實現(xiàn)整定計算、故障計算、在線校核、故障信息遠傳、故障綜合分析、運行管理、參數(shù)管理、設(shè)備管理和圖檔管理等多重任務(wù)。該一體化系統(tǒng)已經(jīng)在國家電力調(diào)度通信中心投入運行，在實現(xiàn)整定計算和故障計算等分析計算自動化的同時，還實現(xiàn)了對6個500kV發(fā)電廠和變電站內(nèi)主要繼電保護裝置和故障錄波裝置的遠程在線監(jiān)測，并在故障情況下能夠?qū)崿F(xiàn)故障信息的準實時上送，從而實現(xiàn)調(diào)度端對故障的及時準確處理。

農(nóng)網(wǎng)為了測量、保護和控制的需要，各個地點的室外變電站的所有設(shè)備，如變壓器、線路等的二次電壓、電流都必須用控制電纜引到主控室。這不僅要鋪設(shè)大量的控制電纜，而且使二次回路非常復雜。如果采用保護、控制、測量和數(shù)據(jù)通信一體化計算機裝置，則可有效解決以上問題。

5 結(jié)束語

農(nóng)網(wǎng)繼電保護方面是我國電網(wǎng)繼電保護的薄弱環(huán)節(jié)，許多新技術(shù)在農(nóng)網(wǎng)繼電保護上的應(yīng)用還較少，農(nóng)網(wǎng)繼電保護新技術(shù)的應(yīng)用是一項極具挑戰(zhàn)性和戰(zhàn)略性的事業(yè)，開展多領(lǐng)域跨學科的合作是提升農(nóng)網(wǎng)繼電保護水平，實現(xiàn)農(nóng)村電網(wǎng)安全、穩(wěn)定和可靠地運行，對我國新農(nóng)村建設(shè)具有重要意義。

參考文獻

[1]孫麗萍．繼電保護原理最新研究進展[J]．煤炭技術(shù)，2009(2)：46—48．

[2]馬順緒．淺談電力系統(tǒng)繼電保護技術(shù)的發(fā)展趨勢[J]．科技經(jīng)濟市場，2010(4)27—28

[3]李任種，田有文．信息技術(shù)在農(nóng)網(wǎng)繼電保護中的應(yīng)用[J]．農(nóng)機化研究，2008(2)：175—176．

[4]胡乃有，李輝．配電網(wǎng)網(wǎng)絡(luò)化繼電保護[J]．農(nóng)村電氣化，2006(12)：29—30．

[5]丁鋒．基于網(wǎng)絡(luò)信息平臺的繼電保護管理系統(tǒng)研究[J]．內(nèi)蒙古科技與經(jīng)濟，2007(4)：99—102．

[6]杜萬秋．繼電保護技術(shù)的發(fā)展歷程及人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用[J]．哈爾濱職業(yè)技術(shù)學院學報2005(4)

[7]唐蕾，陳維榮．神經(jīng)網(wǎng)絡(luò)在電力系統(tǒng)自適應(yīng)單相重合閘中的應(yīng)用[J]．繼電器，2003，31(8)：26—29．

第9篇：神經(jīng)網(wǎng)絡(luò)的基本功能范文

電力系統(tǒng)的飛速發(fā)展對繼電保護不斷提出新的要求，電子技術(shù)、計算機技術(shù)與通信技術(shù)的飛速發(fā)展又為繼電保護技術(shù)的發(fā)展不斷地注入了新的活力，因此，繼電保護技術(shù)得天獨厚，在40余年的時間里完成了發(fā)展的4個歷史階段。

建國后，我國繼電保護學科、繼電保護設(shè)計、繼電器制造工業(yè)和繼電保護技術(shù)隊伍從無到有，在大約10年的時間里走過了先進國家半個世紀走過的道路。50年代，我國工程技術(shù)人員創(chuàng)造性地吸收、消化、掌握了國外先進的繼電保護設(shè)備性能和運行技術(shù)［1］，建成了一支具有深厚繼電保護理論造詣和豐富運行經(jīng)驗的繼電保護技術(shù)隊伍，對全國繼電保護技術(shù)隊伍的建立和成長起了指導作用。阿城繼電器廠引進消化了當時國外先進的繼電器制造技術(shù)，建立了我國自己的繼電器制造業(yè)。因而在60年代中我國已建成了繼電保護研究、設(shè)計、制造、運行和教學的完整體系。這是機電式繼電保護繁榮的時代，為我國繼電保護技術(shù)的發(fā)展奠定了堅實基礎(chǔ)。

自50年代末，晶體管繼電保護已在開始研究。60年代中到80年代中是晶體管繼電保護蓬勃發(fā)展和廣泛采用的時代。其中天津大學與南京電力自動化設(shè)備廠合作研究的500kV晶體管方向高頻保護和南京電力自動化研究院研制的晶體管高頻閉鎖距離保護，運行于葛洲壩500kV線路上［2］，結(jié)束了500kV線路保護完全依靠從國外進口的時代。

在此期間，從70年代中，基于集成運算放大器的集成電路保護已開始研究。到80年代末集成電路保護已形成完整系列，逐漸取代晶體管保護。到90年代初集成電路保護的研制、生產(chǎn)、應(yīng)用仍處于主導地位，這是集成電路保護時代。在這方面南京電力自動化研究院研制的集成電路工頻變化量方向高頻保護起了重要作用［3］，天津大學與南京電力自動化設(shè)備廠合作研制的集成電路相電壓補償式方向高頻保護也在多條220kV和500kV線路上運行。

我國從70年代末即已開始了計算機繼電保護的研究［4］，高等院校和科研院所起著先導的作用。華中理工大學、東南大學、華北電力學院、西安交通大學、天津大學、上海交通大學、重慶大學和南京電力自動化研究院都相繼研制了不同原理、不同型式的微機保護裝置。1984年原華北電力學院研制的輸電線路微機保護裝置首先通過鑒定，并在系統(tǒng)中獲得應(yīng)用［5］，揭開了我國繼電保護發(fā)展史上新的一頁，為微機保護的推廣開辟了道路。在主設(shè)備保護方面，東南大學和華中理工大學研制的發(fā)電機失磁保護、發(fā)電機保護和發(fā)電機?變壓器組保護也相繼于1989、1994年通過鑒定，投入運行。南京電力自動化研究院研制的微機線路保護裝置也于1991年通過鑒定。天津大學與南京電力自動化設(shè)備廠合作研制的微機相電壓補償式方向高頻保護，西安交通大學與許昌繼電器廠合作研制的正序故障分量方向高頻保護也相繼于1993、1996年通過鑒定。至此，不同原理、不同機型的微機線路和主設(shè)備保護各具特色，為電力系統(tǒng)提供了一批新一代性能優(yōu)良、功能齊全、工作可靠的繼電保護裝置。隨著微機保護裝置的研究，在微機保護軟件、算法等方面也取得了很多理論成果?？梢哉f從90年代開始我國繼電保護技術(shù)已進入了微機保護的時代。

2繼電保護的未來發(fā)展

繼電保護技術(shù)未來趨勢是向計算機化，網(wǎng)絡(luò)化，智能化，保護、控制、測量和數(shù)據(jù)通信一體化發(fā)展。

2.1計算機化

隨著計算機硬件的迅猛發(fā)展，微機保護硬件也在不斷發(fā)展。原華北電力學院研制的微機線路保護硬件已經(jīng)歷了3個發(fā)展階段：從8位單CPU結(jié)構(gòu)的微機保護問世，不到5年時間就發(fā)展到多CPU結(jié)構(gòu)，后又發(fā)展到總線不出模塊的大模塊結(jié)構(gòu)，性能大大提高，得到了廣泛應(yīng)用。華中理工大學研制的微機保護也是從8位CPU，發(fā)展到以工控機核心部分為基礎(chǔ)的32位微機保護。

南京電力自動化研究院一開始就研制了16位CPU為基礎(chǔ)的微機線路保護，已得到大面積推廣，目前也在研究32位保護硬件系統(tǒng)。東南大學研制的微機主設(shè)備保護的硬件也經(jīng)過了多次改進和提高。天津大學一開始即研制以16位多CPU為基礎(chǔ)的微機線路保護，1988年即開始研究以32位數(shù)字信號處理器(DSP)為基礎(chǔ)的保護、控制、測量一體化微機裝置，目前已與珠海晉電自動化設(shè)備公司合作研制成一種功能齊全的32位大模塊，一個模塊就是一個小型計算機。采用32位微機芯片并非只著眼于精度，因為精度受A/D轉(zhuǎn)換器分辨率的限制，超過16位時在轉(zhuǎn)換速度和成本方面都是難以接受的；更重要的是32位微機芯片具有很高的集成度，很高的工作頻率和計算速度，很大的尋址空間，豐富的指令系統(tǒng)和較多的輸入輸出口。CPU的寄存器、數(shù)據(jù)總線、地址總線都是32位的，具有存儲器管理功能、存儲器保護功能和任務(wù)轉(zhuǎn)換功能，并將高速緩存(Cache)和浮點數(shù)部件都集成在CPU內(nèi)。

電力系統(tǒng)對微機保護的要求不斷提高，除了保護的基本功能外，還應(yīng)具有大容量故障信息和數(shù)據(jù)的長期存放空間，快速的數(shù)據(jù)處理功能，強大的通信能力，與其它保護、控制裝置和調(diào)度聯(lián)網(wǎng)以共享全系統(tǒng)數(shù)據(jù)、信息和網(wǎng)絡(luò)資源的能力，高級語言編程等。這就要求微機保護裝置具有相當于一臺PC機的功能。在計算機保護發(fā)展初期，曾設(shè)想過用一臺小型計算機作成繼電保護裝置。由于當時小型機體積大、成本高、可靠性差，這個設(shè)想是不現(xiàn)實的?，F(xiàn)在，同微機保護裝置大小相似的工控機的功能、速度、存儲容量大大超過了當年的小型機，因此，用成套工控機作成繼電保護的時機已經(jīng)成熟，這將是微機保護的發(fā)展方向之一。天津大學已研制成用同微機保護裝置結(jié)構(gòu)完全相同的一種工控機加以改造作成的繼電保護裝置。這種裝置的優(yōu)點有：(1)具有486PC機的全部功能，能滿足對當前和未來微機保護的各種功能要求。(2)尺寸和結(jié)構(gòu)與目前的微機保護裝置相似，工藝精良、防震、防過熱、防電磁干擾能力強，可運行于非常惡劣的工作環(huán)境，成本可接受。(3)采用STD總線或PC總線，硬件模塊化，對于不同的保護可任意選用不同模塊，配置靈活、容易擴展。

繼電保護裝置的微機化、計算機化是不可逆轉(zhuǎn)的發(fā)展趨勢。但對如何更好地滿足電力系統(tǒng)要求，如何進一步提高繼電保護的可靠性，如何取得更大的經(jīng)濟效益和社會效益，尚須進行具體深入的研究。\

2.2網(wǎng)絡(luò)化

計算機網(wǎng)絡(luò)作為信息和數(shù)據(jù)通信工具已成為信息時代的技術(shù)支柱，使人類生產(chǎn)和社會生活的面貌發(fā)生了根本變化。它深刻影響著各個工業(yè)領(lǐng)域，也為各個工業(yè)領(lǐng)域提供了強有力的通信手段。到目前為止，除了差動保護和縱聯(lián)保護外，所有繼電保護裝置都只能反應(yīng)保護安裝處的電氣量。繼電保護的作用也只限于切除故障元件，縮小事故影響范圍。這主要是由于缺乏強有力的數(shù)據(jù)通信手段。國外早已提出過系統(tǒng)保護的概念，這在當時主要指安全自動裝置。因繼電保護的作用不只限于切除故障元件和限制事故影響范圍(這是首要任務(wù))，還要保證全系統(tǒng)的安全穩(wěn)定運行。這就要求每個保護單元都能共享全系統(tǒng)的運行和故障信息的數(shù)據(jù)，各個保護單元與重合閘裝置在分析這些信息和數(shù)據(jù)的基礎(chǔ)上協(xié)調(diào)動作，確保系統(tǒng)的安全穩(wěn)定運行。顯然，實現(xiàn)這種系統(tǒng)保護的基本條件是將全系統(tǒng)各主要設(shè)備的保護裝置用計算機網(wǎng)絡(luò)聯(lián)接起來，亦即實現(xiàn)微機保護裝置的網(wǎng)絡(luò)化。這在當前的技術(shù)條件下是完全可能的。

對于一般的非系統(tǒng)保護，實現(xiàn)保護裝置的計算機聯(lián)網(wǎng)也有很大的好處。繼電保護裝置能夠得到的系統(tǒng)故障信息愈多，則對故障性質(zhì)、故障位置的判斷和故障距離的檢測愈準確。對自適應(yīng)保護原理的研究已經(jīng)過很長的時間，也取得了一定的成果，但要真正實現(xiàn)保護對系統(tǒng)運行方式和故障狀態(tài)的自適應(yīng)，必須獲得更多的系統(tǒng)運行和故障信息，只有實現(xiàn)保護的計算機網(wǎng)絡(luò)化，才能做到這一點。

對于某些保護裝置實現(xiàn)計算機聯(lián)網(wǎng)，也能提高保護的可靠性。天津大學1993年針對未來三峽水電站500kV超高壓多回路母線提出了一種分布式母線保護的原理［6］，初步研制成功了這種裝置。其原理是將傳統(tǒng)的集中式母線保護分散成若干個(與被保護母線的回路數(shù)相同)母線保護單元，分散裝設(shè)在各回路保護屏上，各保護單元用計算機網(wǎng)絡(luò)聯(lián)接起來，每個保護單元只輸入本回路的電流量，將其轉(zhuǎn)換成數(shù)字量后，通過計算機網(wǎng)絡(luò)傳送給其它所有回路的保護單元，各保護單元根據(jù)本回路的電流量和從計算機網(wǎng)絡(luò)上獲得的其它所有回路的電流量，進行母線差動保護的計算，如果計算結(jié)果證明是母線內(nèi)部故障則只跳開本回路斷路器，將故障的母線隔離。在母線區(qū)外故障時，各保護單元都計算為外部故障均不動作。這種用計算機網(wǎng)絡(luò)實現(xiàn)的分布式母線保護原理，比傳統(tǒng)的集中式母線保護原理有較高的可靠性。因為如果一個保護單元受到干擾或計算錯誤而誤動時，只能錯誤地跳開本回路，不會造成使母線整個被切除的惡性事故，這對于象三峽電站具有超高壓母線的系統(tǒng)樞紐非常重要。

由上述可知，微機保護裝置網(wǎng)絡(luò)化可大大提高保護性能和可靠性，這是微機保護發(fā)展的必然趨勢。

2.3保護、控制、測量、數(shù)據(jù)通信一體化

在實現(xiàn)繼電保護的計算機化和網(wǎng)絡(luò)化的條件下，保護裝置實際上就是一臺高性能、多功能的計算機，是整個電力系統(tǒng)計算機網(wǎng)絡(luò)上的一個智能終端。它可從網(wǎng)上獲取電力系統(tǒng)運行和故障的任何信息和數(shù)據(jù)，也可將它所獲得的被保護元件的任何信息和數(shù)據(jù)傳送給網(wǎng)絡(luò)控制中心或任一終端。因此，每個微機保護裝置不但可完成繼電保護功能，而且在無故障正常運行情況下還可完成測量、控制、數(shù)據(jù)通信功能，亦即實現(xiàn)保護、控制、測量、數(shù)據(jù)通信一體化。

目前，為了測量、保護和控制的需要，室外變電站的所有設(shè)備，如變壓器、線路等的二次電壓、電流都必須用控制電纜引到主控室。所敷設(shè)的大量控制電纜不但要大量投資，而且使二次回路非常復雜。但是如果將上述的保護、控制、測量、數(shù)據(jù)通信一體化的計算機裝置，就地安裝在室外變電站的被保護設(shè)備旁，將被保護設(shè)備的電壓、電流量在此裝置內(nèi)轉(zhuǎn)換成數(shù)字量后，通過計算機網(wǎng)絡(luò)送到主控室，則可免除大量的控制電纜。如果用光纖作為網(wǎng)絡(luò)的傳輸介質(zhì)，還可免除電磁干擾?，F(xiàn)在光電流互感器(OTA)和光電壓互感器(OTV)已在研究試驗階段，將來必然在電力系統(tǒng)中得到應(yīng)用。在采用OTA和OTV的情況下，保護裝置應(yīng)放在距OTA和OTV最近的地方，亦即應(yīng)放在被保護設(shè)備附近。OTA和OTV的光信號輸入到此一體化裝置中并轉(zhuǎn)換成電信號后，一方面用作保護的計算判斷；另一方面作為測量量，通過網(wǎng)絡(luò)送到主控室。從主控室通過網(wǎng)絡(luò)可將對被保護設(shè)備的操作控制命令送到此一體化裝置，由此一體化裝置執(zhí)行斷路器的操作。1992年天津大學提出了保護、控制、測量、通信一體化問題，并研制了以TMS320C25數(shù)字信號處理器(DSP)為基礎(chǔ)的一個保護、控制、測量、數(shù)據(jù)通信一體化裝置。

2.4智能化

近年來，人工智能技術(shù)如神經(jīng)網(wǎng)絡(luò)、遺傳算法、進化規(guī)劃、模糊邏輯等在電力系統(tǒng)各個領(lǐng)域都得到了應(yīng)用，在繼電保護領(lǐng)域應(yīng)用的研究也已開始［7］。神經(jīng)網(wǎng)絡(luò)是一種非線性映射的方法，很多難以列出方程式或難以求解的復雜的非線性問題，應(yīng)用神經(jīng)網(wǎng)絡(luò)方法則可迎刃而解。例如在輸電線兩側(cè)系統(tǒng)電勢角度擺開情況下發(fā)生經(jīng)過渡電阻的短路就是一非線性問題，距離保護很難正確作出故障位置的判別，從而造成誤動或拒動；如果用神經(jīng)網(wǎng)絡(luò)方法，經(jīng)過大量故障樣本的訓練，只要樣本集中充分考慮了各種情況，則在發(fā)生任何故障時都可正確判別。其它如遺傳算法、進化規(guī)劃等也都有其獨特的求解復雜問題的能力。將這些人工智能方法適當結(jié)合可使求解速度更快。天津大學從1996年起進行神經(jīng)網(wǎng)絡(luò)式繼電保護的研究，已取得初步成果［8］。可以預(yù)見，人工智能技術(shù)在繼電保護領(lǐng)域必會得到應(yīng)用，以解決用常規(guī)方法難以解決的問題。

3結(jié)束語

建國以來，我國電力系統(tǒng)繼電保護技術(shù)經(jīng)歷了4個時代。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，繼電保護技術(shù)面臨著進一步發(fā)展的趨勢。國內(nèi)外繼電保護技術(shù)發(fā)展的趨勢為：計算機化，網(wǎng)絡(luò)化，保護、控制、測量、數(shù)據(jù)通信一體化和人工智能化，這對繼電保護工作者提出了艱巨的任務(wù)，也開辟了活動的廣闊天地。

作者單位：天津市電力學會(天津300072)

參考文獻

1王梅義.高壓電網(wǎng)繼電保護運行技術(shù).北京：電力工業(yè)出版社，1981

2HeJiali,ZhangYuanhui,YangNianci.NewTypePowerLineCarrierRelayingSystemwithDirectionalComparisonforEHVTransmissionLines.IEEETransactionsPAS-103，1984(2)

3沈國榮.工頻變化量方向繼電器原理的研究.電力系統(tǒng)自動化，1983(1)

4葛耀中.數(shù)字計算機在繼電保護中的應(yīng)用.繼電器，1978(3)

5楊奇遜.微型機繼電保護基礎(chǔ).北京：水利電力出版社，1988

6HeJiali,Luoshanshan,WangGang,etal.ImplementationofaDigitalDistributedBusProtection.IEEETransactionsonPowerDelivery,1997,12(4)