神經(jīng)網(wǎng)絡的實現(xiàn)過程精選(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)絡的實現(xiàn)過程主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：神經(jīng)網(wǎng)絡的實現(xiàn)過程范文

關鍵詞：神經(jīng)網(wǎng)絡 化工過程 人工智能

中圖分類號：TM835 文獻標識碼：A 文章編號：1007-9416（2016）12-0024-01

大量的處理單元就如同神經(jīng)單元一樣，經(jīng)過一系列的排列組合構(gòu)成了復雜的神經(jīng)網(wǎng)絡系統(tǒng)，廣泛應用于復雜信息處理、機器視覺、智能化控制等方面。仿生學的設計和智能化軟件的設計，使得神經(jīng)網(wǎng)絡系統(tǒng)具有自動處理數(shù)據(jù)、自動組織、自動學習，使得化工過程控制具有高精度、高安全系數(shù)、智能化的特點。化工生產(chǎn)是一個復雜的生產(chǎn)過程，其中涉及的設備多，涉及的工藝復雜，控制難度高，如何促進化工生產(chǎn)的過程控制，從而實現(xiàn)科學管理、優(yōu)化生產(chǎn)、提高生產(chǎn)率的目的。設備的多樣、工藝的復雜、流程復雜等一系列的因素，使得神元或者是多個單元實現(xiàn)智能化控制，既能收集生產(chǎn)過程產(chǎn)生的數(shù)據(jù)，而且也能對這些數(shù)據(jù)進行處理，達到監(jiān)測生產(chǎn)環(huán)境、監(jiān)控生產(chǎn)過程、實時優(yōu)化生產(chǎn)的目的。

1 神經(jīng)網(wǎng)絡技術的基本理論和基本結(jié)構(gòu)

神經(jīng)網(wǎng)絡技術的發(fā)展是建立在對人腦神經(jīng)系統(tǒng)的構(gòu)成和作用機制認識的基礎上，神經(jīng)單元構(gòu)成了龐大的神經(jīng)系統(tǒng)，神經(jīng)單元接受信息并傳遞信息，神經(jīng)中樞處理信息并反饋信息。神經(jīng)網(wǎng)絡技術模擬神經(jīng)系統(tǒng)處理單元類似于神經(jīng)單元，計算機控制系統(tǒng)相當于神經(jīng)中樞，分析數(shù)據(jù)、處理數(shù)據(jù)、輸出結(jié)果。計算機技術的發(fā)展、傳感器的應用，為神經(jīng)網(wǎng)絡的發(fā)展提供了基礎。神經(jīng)網(wǎng)絡包括一個輸入層和輸出層，若干的隱含層。輸入層的作用是接受外部信息并傳遞信息；輸出層的作用是接受輸入層傳遞的信息，處理信息并反饋信息；隱含層的作用是將輸入層的信息進行組合，預處理。信息的接受、傳遞、處理和反饋一系列的過程使神經(jīng)網(wǎng)絡發(fā)揮作用的過程。

由于處理單元的應用，使得神經(jīng)網(wǎng)絡系統(tǒng)是一種自學習、自處理、自組織的智能化系統(tǒng)。神經(jīng)系統(tǒng)的運行類似于人學習的過程，由簡單到復雜，不斷的修正節(jié)點的連接方式，直到輸出滿意的結(jié)果和符合實際應用。神經(jīng)網(wǎng)絡系統(tǒng)是建立在數(shù)學模型的基礎上，利用數(shù)學建模搭建神經(jīng)網(wǎng)絡節(jié)點，建模主要有M-P模型、BP模型、RBF模型等。根據(jù)外部參數(shù)的不同和應用的目的，采用不同的函數(shù)，如可逆函數(shù)、線性函數(shù)、非線性函數(shù)、S函數(shù)等等，建立數(shù)學模型，輸入?yún)?shù)，不斷的優(yōu)化模型，優(yōu)化的過程使神經(jīng)網(wǎng)絡系統(tǒng)自學的過程。神經(jīng)網(wǎng)絡訓練算法與模型的設置有關，如BP模型采取反傳處理誤差的訓練算法，優(yōu)化算法，達到優(yōu)化模型的目的，使建立的模型更加符合實際應用情況。

2 神經(jīng)網(wǎng)絡在化工過程控制中的應用

神經(jīng)網(wǎng)絡具有很強的信息處理能力、自學習能力、自組織能力。根據(jù)輸出的信息，可以建立信息之間的關系和處理多余的信息，簡化生產(chǎn)過程中的信息，檢測生產(chǎn)環(huán)境，監(jiān)控生產(chǎn)，達到最優(yōu)化的生產(chǎn)過程。神經(jīng)網(wǎng)絡覆蓋生產(chǎn)過程中的所有要考慮的因素，因此神經(jīng)網(wǎng)絡的應用也覆蓋化工過程控制的方方面面。

化工生產(chǎn)涉及的環(huán)節(jié)多種多樣，當某一環(huán)節(jié)發(fā)生故障，若處理不及時，將使這一環(huán)節(jié)癱瘓甚至使整個生產(chǎn)過程癱瘓，造成重大安全事故。高效、實時、預測的檢測和診斷故障的系統(tǒng)是化工過程控制中安全、高效生產(chǎn)的保障。美國的科學家首次提出將神經(jīng)網(wǎng)絡技術用于化工過程控制中，用于檢測、診斷、預警故障。神經(jīng)網(wǎng)絡系統(tǒng)是一種仿生系統(tǒng)，具有思維、意識和學習能力的動力學系統(tǒng)，能夠處理復雜的事物和環(huán)境，根據(jù)實際生產(chǎn)過程不斷校正系統(tǒng)，實時監(jiān)測參數(shù)的變化，對故障進行診斷和報警。目前主流的故障診斷的神經(jīng)網(wǎng)絡系統(tǒng)有：反傳動態(tài)經(jīng)網(wǎng)絡控制系統(tǒng)、自適應神經(jīng)網(wǎng)絡控制系統(tǒng)和RBF神經(jīng)網(wǎng)絡控制系統(tǒng)。

神經(jīng)網(wǎng)絡技術主要靠傳感器接受外部信息，大量傳感器的應用，有利于智能化控制生產(chǎn)過程?；み^程的控制主要是對生產(chǎn)過程中的機器控制，生產(chǎn)過程涉及的機器種類繁多，同時維持安全、高效率階段比較困難。神經(jīng)網(wǎng)絡系統(tǒng)自動控制機器生產(chǎn)，控制生產(chǎn)參數(shù)和生產(chǎn)流程，最優(yōu)化生產(chǎn)過程控制和安全化控制，實時跟蹤控制生產(chǎn)?？刂浦饕袃煞N基本的方法，一種數(shù)學建模，將對象的目標信息作為標準，經(jīng)過不斷的訓練和反饋，修正誤差，化模型，優(yōu)化控制模式；另外一種是控制器設置，如PID控制器，實現(xiàn)實時控制，不僅對精確知識進行處理，而且對模糊信息也能進行處理。國內(nèi)外都已經(jīng)有成熟的化工過程控制中的神經(jīng)網(wǎng)絡系統(tǒng)，如對乙酸乙烯酯聚合成乳液過程的實時控制，氯氣生產(chǎn)過程的故障預報神經(jīng)網(wǎng)絡系統(tǒng)。

3 總結(jié)

神經(jīng)網(wǎng)絡技術是21世紀最重要的技術之一，化工過程控制是化工生產(chǎn)的安全保障?；み^程控制應用神經(jīng)網(wǎng)絡技術，有利于提高控制的安全系數(shù)，提高生產(chǎn)效率，有利于智能化管理，提高管理水平，有利于整個社會生產(chǎn)力水平的提高和社會智能化發(fā)展?；み^程控制采取神經(jīng)網(wǎng)絡技術，有利于工業(yè)技術的創(chuàng)新和改善工人工作環(huán)境，保障工人人身安全。

參考文獻

第2篇：神經(jīng)網(wǎng)絡的實現(xiàn)過程范文

隨著社會工業(yè)化速度的不斷加速，能源的競爭愈來愈激烈。生物質(zhì)能源作為一種可再生的清潔能源被廣泛認可，生物氣化技術就是利用生物質(zhì)能的一種有效手段，對經(jīng)濟的發(fā)展和環(huán)境的保護都起到積極作用。但是，生物氣化技術是一種熱化學處理技術，其工作過程十分復雜，包含著大量的不確定因素，這就需要運用生物質(zhì)氣化爐的智能控制系統(tǒng)來達到預期的控制效果。新形勢下，積極運用模糊神經(jīng)網(wǎng)絡對生物質(zhì)氣化爐進行智能控制，是實現(xiàn)可靠控制效果的重要舉措。

【關鍵詞】模糊神經(jīng)網(wǎng)絡 生物質(zhì)氣化爐 智能控制

生物質(zhì)氣化過程是一項復雜化學反應過程，具有非線性、不穩(wěn)定性、負荷干擾等特性，只有實行智能控制才能受到良好的控制效果。模糊神經(jīng)網(wǎng)絡作為智能研究比較活躍的領域，有效融合了神經(jīng)網(wǎng)絡和模糊理論的優(yōu)點，能夠有效的解決生物質(zhì)氣化過程中的非線性、模糊性等問題，既保證控制的精確度，又能進行快速地升降溫。本文通過對模糊神經(jīng)網(wǎng)絡的內(nèi)涵特征進行全面分析，闡述了基于模糊神經(jīng)網(wǎng)絡的生物質(zhì)氣化爐的智能控制，并通過仿真實驗進行反復驗證。

1 模糊神經(jīng)網(wǎng)絡的內(nèi)涵功能

簡而言之模糊神經(jīng)網(wǎng)絡就是具有模糊權(quán)值和輸入信號的神經(jīng)網(wǎng)絡。模糊神經(jīng)網(wǎng)絡是自動化控制領域內(nèi)一門新興技術，其本質(zhì)上是將常規(guī)的神經(jīng)網(wǎng)絡輸入模糊信號，因而模糊神經(jīng)網(wǎng)絡具備了模糊系統(tǒng)和神經(jīng)網(wǎng)絡的優(yōu)勢，集邏輯推理、語言計算等能力于一身，具有學習、聯(lián)想、模糊信息處理等功能。模糊神經(jīng)網(wǎng)絡是智能控制和自動化不斷發(fā)展的產(chǎn)物，在充分利用神經(jīng)網(wǎng)絡的并行處理能力的基礎上，大大提高了模糊系統(tǒng)的推理能力。

模糊神經(jīng)網(wǎng)絡是科技發(fā)展的產(chǎn)物，有效吸收了神經(jīng)網(wǎng)絡系統(tǒng)和模糊系統(tǒng)的優(yōu)點，在智能控制和自動化發(fā)展等方面有著重要的作用，能夠有效地處理非線性、模糊性等諸多問題，在處理智能信息方面能夠發(fā)揮巨大潛力。模糊神經(jīng)網(wǎng)絡形式多種多樣，主要包括邏輯模糊神經(jīng)網(wǎng)絡、算術模糊神經(jīng)網(wǎng)絡、混合模糊神經(jīng)網(wǎng)絡等多種類型，被廣泛的運用于模糊回歸、模糊控制器、模糊譜系分析、通用逼近器等方面的研究中，隨著智能控制和自動化領域的不斷發(fā)展，模糊神經(jīng)網(wǎng)絡廣泛應用于智能控制領域。

2 基于模糊神經(jīng)網(wǎng)絡的生物質(zhì)氣化爐的智能控制系統(tǒng)

2.1 溫度智能控制系統(tǒng)

生物質(zhì)熱值、給料理以及一次風量等因素變化能夠影響到生物質(zhì)氣化爐的爐溫，但是最重要的影響因素是在氣化爐工作過程中物料物理和化學反應的放熱和吸熱。由于生物質(zhì)氣化工作過程中的生物質(zhì)熱值的變化范圍較小，在實際運行中很難測量與控制，有時可以忽略不計，同時，該工作過程中存在非線性和大滯后等問題，采用傳統(tǒng)的數(shù)學模型達不到預期測量效果，因此需要利用模糊神經(jīng)網(wǎng)絡設計氣化爐爐溫控制系統(tǒng)，不斷的提高溫度的控制效果。模糊神經(jīng)網(wǎng)絡首先根據(jù)當前溫度以及設定溫度設，主控制器對最優(yōu)的生物質(zhì)物料添加量進行預測，然后由副控制根據(jù)該添加量，全面跟蹤控制送料速度，從而能夠進行精確上料和控制爐溫。模糊神經(jīng)網(wǎng)絡系統(tǒng)十分龐大復，其中包含了大量錯綜復雜的神經(jīng)元，蘊含對非線性的可微分函數(shù)訓練權(quán)值的基本理念。模糊神經(jīng)網(wǎng)絡具有正向傳遞和反向傳播兩個不同的功能，在信息的正向傳遞中，采用逐步運算的方式對輸入的數(shù)據(jù)信息進行處理，信息依次進入輸入層、隱含層最終到達輸出層。假如在輸出層獲得的輸出信息沒達到預期效果時，就會在計算輸出層的偏差變化值后通過網(wǎng)絡將偏差信號按原路反向傳回，與此同時各層神經(jīng)元的權(quán)值也會隨之進行改變，直到符合預期的控制效果。

2.2 含氧量智能控制系統(tǒng)

在生物質(zhì)氣化工作過程中，可燃氣體的含氧量是衡量其生產(chǎn)質(zhì)量的重要依據(jù)，能夠嚴重影響氣化產(chǎn)物的安全使用，因此，通過模糊神經(jīng)網(wǎng)絡實現(xiàn)生物質(zhì)氣化爐含氧量的智能控制十分重要。其含氧量智能控制系統(tǒng)的目的是為了合理控制可燃氣體的含氧量，從而穩(wěn)定氣化爐的溫度。但是，一次風進風量是影響可燃氣體的含氧量的重要因素，所以可以把控制一次風量作為主要調(diào)節(jié)手段，有效地解決含氧量控制和爐溫控制之間的矛盾，在控制爐溫的前提條件下，最大程度地降低可燃氣體含氧量，進而有效控制氣化產(chǎn)物含氧量的。生物質(zhì)氣化爐含氧量的智能控制系統(tǒng)是嚴格運用模糊神經(jīng)網(wǎng)絡控制原理，主控制器采用溫度模糊免疫 PID控制，根據(jù)爐內(nèi)含氧量和溫度的偏差進行推算，查找出鼓風機轉(zhuǎn)速的最優(yōu)狀態(tài)，副控制則以此為根據(jù)，全面跟隨與控制鼓風機的速度，確保鼓風機轉(zhuǎn)速。生物質(zhì)氣化爐工作過程中的不同階段和部件具有不同的控制要求，模糊神經(jīng)網(wǎng)絡就要充分發(fā)揮被控對象的優(yōu)良性能，根據(jù)不同的控制要求，合理運用模糊神經(jīng)網(wǎng)絡控制原理對 PID參數(shù)模型中的數(shù)據(jù)信息進行在線修改，從而達到預期的控制效果。

3 基于模糊神經(jīng)網(wǎng)絡的生物質(zhì)氣化爐智能控制系統(tǒng)的仿真實驗

為了驗證運用模糊神經(jīng)網(wǎng)絡進行生物質(zhì)氣化爐的智能控制的真實效果，對生物質(zhì)氣化爐的溫度智能控制系統(tǒng)進行仿真實驗，并進行詳細地分析。為了保證生物質(zhì)氣化爐能夠在條件大體一致的狀態(tài)下進行運行狀況，仿真實驗可以采用組合預測算法。首先要到某廠氣化爐現(xiàn)場采集2000組干燥層溫度數(shù)據(jù)，并且從中選取連續(xù)1500組作為仿真實驗樣本數(shù)據(jù)，然后對剩余500組實驗樣本數(shù)據(jù)進行研究，通過兩組數(shù)據(jù)的分析建立預測模型。然后采用模糊神經(jīng)網(wǎng)絡對生物質(zhì)氣化爐的溫度控制系統(tǒng)進行三次模擬化實驗，三種不同情況下的仿真試驗結(jié)果為：在無外界任何干擾的情況下，模糊神經(jīng)網(wǎng)絡控制無論在超調(diào)量還是其他方面，都比單純的模糊控制效果好；在生物質(zhì)給料量擾動的情況下，模糊神經(jīng)網(wǎng)絡控制要比單純的模糊控制所受的影響要小很多；在發(fā)生一次風量攪動的情況下，模糊神經(jīng)網(wǎng)絡控制仍受到極小的影響。從三種不同情況下的仿真試驗中可以看出基于模糊神經(jīng)網(wǎng)絡的生物質(zhì)氣化爐的爐溫智能控制系統(tǒng)效果較好，具有極強的抗干擾性，能夠有效地預測氣化爐溫度實時值，把平均誤差控制在很小范圍內(nèi)，并且智能控制系統(tǒng)能實時跟蹤實際溫度的變化，根據(jù)實際溫度的變化做出相應的變化，從而能夠有效地控制氣化爐溫度和可燃氣體含氧量。

4 結(jié)束語

總之，基于模糊神經(jīng)網(wǎng)絡的生物質(zhì)氣化爐的智能控制系統(tǒng)具有較好的控制效果，有效的解決了生物質(zhì)氣化過程中的一系列問題，能夠十分精確地控制生物質(zhì)氣化爐的爐溫及可燃氣體的含氧量，對于保證社會經(jīng)濟的穩(wěn)定發(fā)展以及生態(tài)環(huán)境的改善發(fā)揮了重要作用。

參考文獻

[1]王春華.基于模糊神經(jīng)網(wǎng)絡的生物質(zhì)氣化爐的智能控制[J].動力工程，2009（09）：828-830.

[2]王中賢.熱管生物質(zhì)氣化爐的模擬與試驗[J].江蘇大學學報：自然科學版，2008，29（6）：512-515.

第3篇：神經(jīng)網(wǎng)絡的實現(xiàn)過程范文

關鍵詞：圖像復原 BP神經(jīng)網(wǎng)絡 Hopfield神經(jīng)網(wǎng)絡 應用

中圖分類號：TP391.41 文獻標識碼：A 文章編號：1007-9416（2013）11-0040-02

1 引言

圖像復原是一項富有現(xiàn)實意義的工作，它涉及到廣泛的技術領域，是圖像處理領域研究的焦點之一。在得到圖像的過程中，由于各種各樣的原因，包括與觀測對象的相對運動、介質(zhì)散射、成像系統(tǒng)缺陷和環(huán)境噪聲等原因，使得最終的圖像都會有一定程度的退化。圖像復原就是從退化的圖像中恢復圖像的本來面目。傳統(tǒng)的圖像復原處理問題的關鍵在于建立退化模型，估計退化過程中的參數(shù)，由此通過相應的逆過程得到原始圖像。獲得準確的圖像退化模型是比較困難的事情。大多數(shù)圖像復原的實際問題是點擴展函數(shù)以及原始圖像均未知的盲復原問題，這類問題具有更嚴重的病態(tài)性因而進一步增加了解決的難度。人工神經(jīng)網(wǎng)絡（Artificial Neural Network，ANN）為圖像復原問題的解決提供了另外一條路徑，這是基于人工神經(jīng)網(wǎng)絡具有的模擬人類神經(jīng)的非線性、自組織、自學習、自適應特性。一般而言，人工神經(jīng)網(wǎng)絡適合于解決無法或很難精確建立數(shù)學模型、不完全清楚內(nèi)部機理的問題，人工神經(jīng)網(wǎng)絡的很多特性適合解決圖像復原問題。近些年來，對人工神經(jīng)網(wǎng)絡應用于圖像復原的研究越來越多，形成了很多豐富的神經(jīng)網(wǎng)絡模型和算法。BP（Back Propagation反向傳播）和Hopfield（霍普菲爾德）是典型的人工神經(jīng)網(wǎng)絡類型，也是在圖像復原領域應用較多的神經(jīng)網(wǎng)絡類型。

2 BP神經(jīng)網(wǎng)絡在圖像復原中的應用

2.1 BP神經(jīng)網(wǎng)絡的特性

BP神經(jīng)網(wǎng)絡是上世紀80年代美國加州大學的Rumelhart、McClelland及其團隊研究并行分布信息處理時提出的采用反向傳播算法的多層前饋網(wǎng)絡。BP神經(jīng)網(wǎng)絡具有良好的泛化能力，其隱層的非線性傳遞函數(shù)神經(jīng)元可以學習輸入輸出之間的線性或非線性關系。在1989年，RobertHecht-Nielson證明了對于任何一個在閉區(qū)間內(nèi)連續(xù)的函數(shù)都可以由具有一個隱含層的BP網(wǎng)絡來逼近，這樣，一個三層（輸入層、隱層和輸出層）的BP神經(jīng)網(wǎng)絡即能完成對多維度函數(shù)的逼近。這些特性，使得選用BP神經(jīng)網(wǎng)絡簡單地實現(xiàn)在未知點擴展函數(shù)的情況下，擬合原始圖像與退化圖像之間的關系，從而得到滿意的圖像復原結(jié)果成為可能。

2.2 BP神經(jīng)網(wǎng)絡應用于圖像復原

BP神經(jīng)網(wǎng)絡用退化圖像與相對應的原始圖像進行訓練，退化圖像為網(wǎng)絡的輸入，原始圖像為網(wǎng)絡的輸出。訓練完成的神經(jīng)網(wǎng)絡會在退化圖像與原始圖像之間建立非線性的映射關系，使得利用這種非線性關系即可實現(xiàn)在只有退化圖像的情況下對齊進行復原。

利用BP神經(jīng)網(wǎng)絡進行圖像復原，一般用輸入圖像的N×N鄰域內(nèi)的N2個像素點對應輸出圖像的一個像素點。這樣的對應方法會使整個運算量增大，但正由于參與運算的像素點增加，使得網(wǎng)絡具有更好的泛化和魯棒能力。由于三層BP神經(jīng)網(wǎng)絡可以任意精度逼近某一多維度函數(shù)，因而其應用于圖像復原時使用三層網(wǎng)絡結(jié)構(gòu)。輸入層和輸入層節(jié)點數(shù)分別由輸入圖像像素數(shù)量和輸出圖像像素數(shù)量決定，隱層節(jié)點數(shù)量和訓練方法在很大程度上決定了網(wǎng)絡性能。

為了便于網(wǎng)絡計算，通過神經(jīng)網(wǎng)絡計算前通常將輸入圖像進行歸一化。以灰度圖像為例，將圖像數(shù)據(jù)[0～255]轉(zhuǎn)換到[-1～1]或[0～1]。圖像經(jīng)過神經(jīng)網(wǎng)絡復原后還需進行反歸一化轉(zhuǎn)換，將計算得到的數(shù)據(jù)轉(zhuǎn)換為圖像數(shù)據(jù)，即將[-1～1]或[0～1]轉(zhuǎn)換到[0～255]。

通常，運用BP網(wǎng)絡進行圖像復原算法流程包括：（1）圖像的預處理，得到歸一化的便于神經(jīng)網(wǎng)絡計算的數(shù)據(jù)；（2）使用退化圖像與對應的原始圖像（訓練BP神經(jīng)網(wǎng)絡；（3）將待復原圖像輸入訓練好的BP神經(jīng)網(wǎng)絡進行圖像復原；（4）數(shù)據(jù)的后處理，將網(wǎng)絡輸出數(shù)據(jù)進行反歸一化，得到復原圖像。

3 Hopfield神經(jīng)網(wǎng)絡在圖像復原中的應用

3.1 Hopfield神經(jīng)網(wǎng)絡的特性

不同于BP神經(jīng)網(wǎng)絡，Hopfield神經(jīng)網(wǎng)絡是一種單層反饋網(wǎng)絡，信號在網(wǎng)絡中不僅向前傳遞，還在神經(jīng)元之間傳遞。圖1是有三個神經(jīng)元的Hopfield神經(jīng)網(wǎng)絡結(jié)構(gòu)圖。Hopfield神經(jīng)網(wǎng)絡由美國加州理工學院物理學家J·J·Hopfield在上世紀80年代提出，并首次在神經(jīng)網(wǎng)絡研究中引入了計算能量函數(shù)的概念，通過研究網(wǎng)絡的穩(wěn)定性與計算能量函數(shù)的相關性給出了網(wǎng)絡的穩(wěn)定性判據(jù)。J·J·Hopfield運用Hopfield神經(jīng)網(wǎng)絡成功地探討了旅行商問題（TSP）的求解方法。HNN神經(jīng)網(wǎng)絡采用灌輸式學習方式，其網(wǎng)絡權(quán)值是事先按一定規(guī)則計算出來的，確定之后不再改變，各神經(jīng)元的狀態(tài)在運行過程中不斷更新，網(wǎng)絡穩(wěn)定時各神經(jīng)元的狀態(tài)便是問題的解。Hopfield神經(jīng)網(wǎng)絡的這些自身特征使其適于應用于聯(lián)想記憶和求解最優(yōu)化問題。

3.2 Hopfield神經(jīng)網(wǎng)絡應用于圖像復原

利用神經(jīng)網(wǎng)絡進行圖像復原的方法分為兩類：一種是用原始圖像和模糊圖像構(gòu)成的樣本訓練神經(jīng)網(wǎng)絡，在訓練好的網(wǎng)絡中建立起原始圖像與模糊圖像的非線性映射關系，然后以帶復原的模糊圖像作為網(wǎng)絡的輸入，經(jīng)過網(wǎng)絡輸出的圖像數(shù)據(jù)就是經(jīng)過復原的圖像，BP神經(jīng)網(wǎng)絡就是運用這種方法進行圖像復原的典型神經(jīng)網(wǎng)絡。另一種是經(jīng)過神經(jīng)網(wǎng)絡反復的數(shù)學迭代計算復原，運用Hopfield神經(jīng)網(wǎng)絡進行圖像復原屬于這類方法。

其中是神經(jīng)網(wǎng)絡的狀態(tài)向量，為網(wǎng)絡的權(quán)值矩陣，為由網(wǎng)絡中各神經(jīng)元閾值構(gòu)成的向量。Hopfield神經(jīng)網(wǎng)絡的運行結(jié)果即網(wǎng)絡達到穩(wěn)定狀態(tài)就是達到最小值時的狀態(tài)。由式（4）和（5）可以看出圖像復原的目標函數(shù)與Hopfield神經(jīng)網(wǎng)絡能量函數(shù)具有相似的表達形式，因而可以建立兩者之間的聯(lián)系，從而將圖像復原問題轉(zhuǎn)變?yōu)樯窠?jīng)網(wǎng)絡的運算問題，這也就是Hopfield神經(jīng)網(wǎng)絡應用于圖像復原的基本原理。

運用Hopfield神經(jīng)網(wǎng)絡解決圖像復原問題首先要確定網(wǎng)絡的權(quán)值矩陣?？梢园凑誋ebb學習規(guī)則得出[4]。完成網(wǎng)絡初始化后，將退化圖像輸入網(wǎng)絡，從網(wǎng)絡中選取一個神經(jīng)元按照Hopfield神經(jīng)網(wǎng)絡的運算規(guī)則得出神經(jīng)元的輸出，將所有神經(jīng)元求出輸出后判斷該網(wǎng)絡是否達到穩(wěn)定狀態(tài)，即計算前后的網(wǎng)絡能量函數(shù)的誤差是否小于要求的范圍。如果網(wǎng)絡不穩(wěn)定，需要重復迭代計算；網(wǎng)絡達到穩(wěn)定狀態(tài)時，神經(jīng)網(wǎng)絡的狀態(tài)向量就是要求的原始圖像。經(jīng)過一定的后處理就能得到具有一定精度的原始圖像。

4 結(jié)語

人工神經(jīng)網(wǎng)絡在圖像復原問題中的應用已經(jīng)擴展到了很多方面，包括三維顯微圖像、高能閃光照相等領域[5-6]。神經(jīng)網(wǎng)絡在圖像復原中的應用機理也不斷得到深入研究。這些得益于神經(jīng)網(wǎng)絡算法不依賴求解問題本身數(shù)學模型的特點，以及自身強大的泛化能力。BP和Hopfield神經(jīng)網(wǎng)絡都能成功地運用在圖像復原問題中，在選用神經(jīng)網(wǎng)絡進行圖像復原研究時要注意到BP神經(jīng)網(wǎng)絡強烈地依賴退化圖像與原始圖像構(gòu)成的樣本集合對網(wǎng)絡進行訓練，這就要求得到足夠的先驗知識或者通過某種算法得到退化圖像與原始圖像相對應的樣本群。Hopfield神經(jīng)網(wǎng)絡不依賴于退化圖像與原始圖像的先驗知識，可以直接針對退化圖像進行復原。這就需要根據(jù)不同的實際情況選取合適的網(wǎng)絡類型來解決問題。

參考文獻

[1]尚鋼，鐘珞，陳立耀.神經(jīng)網(wǎng)絡結(jié)構(gòu)與參數(shù)選取[J].武漢工業(yè)大學學報，1997，19（2）.

[2]王晗.基于Hopfield神經(jīng)網(wǎng)絡的圖像恢復[D].武漢：華中科技大學南京理工大學，2006年4月.

[3]席旭剛，羅志增.用Hopfield神經(jīng)網(wǎng)絡實現(xiàn)觸覺圖像恢復[J].儀器儀表學報，2008，30（10）.

[4] Bianchini M，F(xiàn)rasconi P.Learning without local minima in radial basis function networks[J].IEEE Transaction on Neural Networks，1995，6（3）：749～756.

第4篇：神經(jīng)網(wǎng)絡的實現(xiàn)過程范文

【關鍵詞】神經(jīng)網(wǎng)絡 手寫 識別系統(tǒng) 應用

隨著計算機技術的快速發(fā)展，其在人們的辦公學習和日常生活成了不可替代的工具。鍵盤已經(jīng)幾乎完全替代了筆在人們生活中的地位，隨之而來的后果就是人們越來越少的區(qū)書寫漢字，導致越來越多的中國人甚至都忘記了漢字該如何書寫，這種現(xiàn)象在很多研究和報道中都有體現(xiàn)。計算機和鍵盤是由西方國家發(fā)明的，其符合西方國家的語言習慣，對于中國人來說，用字母、符號去完成方塊漢字的輸入就需要使用者非常熟悉漢語拼音或者五筆編碼，對于文化程度較低的使用者來說，這些都限制著他們使用計算機。鑒于計算機鍵盤的這些缺陷，聯(lián)機手寫輸入法應運而生，這為計算機的輸入帶來了新的發(fā)展機遇和挑戰(zhàn)。

1 聯(lián)機漢字手寫識別的意義及難點

聯(lián)機漢字識別是用書寫板代替?zhèn)鹘y(tǒng)紙張，筆尖通過數(shù)字化書寫板的軌跡通過采樣系統(tǒng)按時間先后發(fā)送到計算機中，計算機則自動的完成漢字的識別和顯示。

1.1 聯(lián)機漢字手寫識別的意義

聯(lián)機手寫漢字識別的誕生具有非常重要的意義。首先這種輸入方法延續(xù)了幾千年中華文明的寫字習慣，實現(xiàn)用戶的手寫輸入，對于長時間不提筆寫字的用戶來說能夠加強其對漢字書寫方面的認識，防止“提筆忘字”現(xiàn)象的繼續(xù)惡化。其次，手寫漢字輸入不需要學習和記憶計算機的漢字編碼規(guī)則，其完全符合中國人的寫字習慣，使人機之間的交流更人性化，更方便快捷。另外，隨著移動智能終端的不斷普及，聯(lián)機漢字手寫識別的應用范圍將進一步擴大，以適用于不同層次人群對信息輸入的需要，具有較大的市場發(fā)展前景。

1.2 聯(lián)機手寫漢字識別問題的難點

手寫漢字識別是光學字符讀出器中最難的部分，也是其最終的目標，手寫漢字識別的應用主要依賴于其正確識別率和識別速度[1]。手寫漢字識別系統(tǒng)的問題具有其特殊性：

（1）中國漢字量大。我國目前的常用漢字大概在4000個左右，在實際應用中的漢字識別系統(tǒng)應該能夠完全識別這些常用的字才能夠滿足需要，由于超大的漢字量，使得手寫識別的正確率和識別速度一直不高。

（2）字體多，結(jié)構(gòu)復雜。漢字的手寫字體豐富多彩，且漢字的筆畫繁多，以及復雜的結(jié)構(gòu)，再加上漢字中的形近字頗多，這些都為漢字識別系統(tǒng)的發(fā)展造成了很大的困難。

（3）書寫變化大。不同用戶在進行手寫輸入時其字體的變化是很大的，這種變化因人而異，對漢字識別造成了很大的干擾，增加了漢字匹配的難度。

2 人工神經(jīng)網(wǎng)絡概述

人工神經(jīng)網(wǎng)絡是一種應用類似于大腦神經(jīng)突觸聯(lián)接的結(jié)構(gòu)進行信息處理的數(shù)學模型，通常簡稱為神經(jīng)網(wǎng)絡，是一種仿生物神經(jīng)的信號處理模型。在二十世紀四十年代初人們開始進行神經(jīng)網(wǎng)絡的研究，經(jīng)過幾十年的發(fā)展，神經(jīng)網(wǎng)絡也產(chǎn)生了一系列的突破，目前應用最多的是Hopfield模型和BP算法。

神經(jīng)網(wǎng)絡的一般模型一般包括十個方面：環(huán)境、處理單元、傳播規(guī)則、神經(jīng)網(wǎng)絡的狀態(tài)、互聯(lián)模式、穩(wěn)定狀態(tài)、操作模式、活躍規(guī)則、活化函數(shù)和學習算法。其中，神經(jīng)元、互聯(lián)模式、學習算法是神經(jīng)網(wǎng)絡模型中的三個關鍵因素。神經(jīng)網(wǎng)絡的一個重要內(nèi)容就是學習，其學習方式可以分為監(jiān)督學習和無監(jiān)督學習，其學習過程一般遵循Hebb規(guī)則，誤差修正學習算法以及勝者為王的學習規(guī)則，其中Hebb規(guī)則是神經(jīng)網(wǎng)絡學習中最基本的規(guī)則。

人工神經(jīng)網(wǎng)絡具有獨特的優(yōu)越性。首先其具有主動學習的功能，在漢字識別過程中，先將漢字模板及可能的識別結(jié)果輸入到神經(jīng)網(wǎng)絡中，神經(jīng)網(wǎng)絡能夠通過其自身的學習過程來實現(xiàn)對漢字的識別，自學功能對于神經(jīng)網(wǎng)絡的預測功能具有非常重要的意義。其次，神經(jīng)網(wǎng)絡系統(tǒng)具有聯(lián)想存儲功能，其反饋功能能夠?qū)崿F(xiàn)這種聯(lián)想。另外，通過計算機的高速運算能力，神經(jīng)網(wǎng)絡具有高速尋找優(yōu)化解的能力。

3 人工神經(jīng)網(wǎng)絡在聯(lián)機手寫識別系統(tǒng)中的應用

漢字識別屬于大類別模式識別，人工神經(jīng)網(wǎng)絡可以通過函數(shù)逼近、數(shù)據(jù)分類、數(shù)據(jù)聚類三種作用方式以及“聯(lián)想”的特殊模式對漢字進行識別。Hopfield神經(jīng)網(wǎng)絡作為反饋網(wǎng)絡的一種，其自聯(lián)想記憶網(wǎng)絡可以使系統(tǒng)不需要通過大量的訓練即可對漢字進行識別，因此Hopfield神經(jīng)網(wǎng)絡對于漢字識別來說具有獨特的優(yōu)勢。其中的離散型Hopfield神經(jīng)網(wǎng)絡能夠通過串行異步和并行同步的工作方式，使其反饋過程具有非常好的穩(wěn)定性，而網(wǎng)絡只有通過不斷的演變穩(wěn)定在某一吸引子狀態(tài)時，才能夠?qū)崿F(xiàn)正確的聯(lián)想。

聯(lián)機手寫識別可以分為訓練階段和識別階段。訓練階段流程依次為：標準書寫字符圖像預處理，提取特征并建立特征庫，建立Hopfield網(wǎng)絡模型，訓練網(wǎng)絡，保存權(quán)值。識別階段的流程為：坐標序列轉(zhuǎn)化為bmp圖像，預處理測試樣本，提取特征，送入網(wǎng)絡運行，運行網(wǎng)絡到平衡狀態(tài)，分析結(jié)果值。根據(jù)聯(lián)機手寫識別的工作流程以及Hopfield網(wǎng)絡模型的理論，基于Hopfield神經(jīng)網(wǎng)絡的聯(lián)機手寫識別系統(tǒng)在Matlab環(huán)境下得到了仿真模擬，效果非常理想。

4 總結(jié)

手寫識別系統(tǒng)能夠彌補普通鍵盤的不足，在提高漢字書寫頻率的同時，能夠滿足不同層次人群對計算機應用的技術需要?；贖opfield神經(jīng)網(wǎng)絡的聯(lián)機手寫識別系統(tǒng)一起自身獨特的性能，不僅能夠滿足手寫漢字識別的正確率，而且其識別過程速度非?？臁Ｒ虼怂鼘τ趯崿F(xiàn)聯(lián)機手寫識別以及圖像識別具有非常重要的意義。

參考文獻

[1]俞慶英.聯(lián)機手寫漢字識別系統(tǒng)的研究與實現(xiàn)[D].安徽大學，2005（5）.

[2]郭力賓.交叉點的神經(jīng)網(wǎng)絡識別及聯(lián)機手寫字符的概率神經(jīng)網(wǎng)絡識別初探[D].大連理工大學，2003（03）.

[3]趙蓉.基于神經(jīng)網(wǎng)絡的聯(lián)機手寫識別系統(tǒng)研究與實現(xiàn)[D].西安電子科技大學，2011（01）.

第5篇：神經(jīng)網(wǎng)絡的實現(xiàn)過程范文

關鍵詞:神經(jīng)網(wǎng)絡;BP算法;PID控制;Matlab仿真

中圖分類號:TP274文獻標識碼:A

文章編號:1004-373X(2009)10-143-03

PID Control and Simulation Based on BP Neural Network

WU Wei,YAN Mengyun,WEI Hangxin

(School of Mechanical Engineering,Xi′an Shiyou University,Xi′an,710065,China)

Abstract:The neural network PID control method is introduced,which the parameters of PID controller is adjusted by use of the self-study ability.So the PID controller has the capability of self-adaptation.The dynamic BP algorithms of three-layer networks realize the online real-time control,which displays the robustness of the PID control,and the capability of BP neural networks to deal with nonlinear and uncertain system.A simulation example is made by using of this method.The result of simulation shows that the neural network PID controller is better than the conventional PID controller,and has higher accuracy and stronger adaptability,it can get the satisfied control result.

Keywords:neural network;BP algorithm;PID control;Matlab simulation

0 引 言

在工業(yè)控制中,PID控制是最常用的方法。因為PID控制器結(jié)構(gòu)簡單,實現(xiàn)容易,控制效果良好[1]。隨著工業(yè)的發(fā)展,對象的復雜程度不斷加深,尤其對于大滯后、時變的、非線性的復雜系統(tǒng),常規(guī)PID控制顯得無能為力。因此常規(guī)PID控制的應用受到很大的限制和挑戰(zhàn)。為了使控制器具有較好的自適應性,實現(xiàn)控制器參數(shù)的自動調(diào)整,可以采用神經(jīng)網(wǎng)絡控制的方法[2]。

利用神經(jīng)網(wǎng)絡所具有的非線性映射能力、自學習能力、概括推廣能力,結(jié)合常規(guī)PID控制理論,通過吸收兩者的優(yōu)勢,使系統(tǒng)具有自適應性,可自動調(diào)節(jié)控制參數(shù),適應被控過程的變化,提高控制性能和可靠性[3]。

1 神經(jīng)網(wǎng)絡PID控制

神經(jīng)網(wǎng)絡PID控制是神經(jīng)網(wǎng)絡應用于PID控制并與傳統(tǒng)PID控制相結(jié)合而產(chǎn)生的一種新型控制方法,是對傳統(tǒng)的PID控制的一種改進和優(yōu)化[4]。

1.1 常規(guī)的PID控制器

傳統(tǒng)的PID控制器算式如下:

u(t)=KP[e(t)+(1/T1)∫t0e(t)dt+TDde(t)/dt](1)

相應的離散算式為:

u(k)=KPe(k)+KI∑kj=0e(j)+KD[e(k)-e(k-1)](2)

式中: KP,KI,KD分別為比例、積分、微分系數(shù);e(k)為第k次采樣的輸入偏差值;u(k)為第k次采樣時刻的輸出值。

PID控制器由比例(P)、積分(I)、微分(D)三個部分組成,直接對被控對象進行閉環(huán)控制,并且三個參數(shù)KP,KI,KD為在線調(diào)整方式。

1.2 神經(jīng)網(wǎng)絡

BP神經(jīng)網(wǎng)絡的結(jié)構(gòu)如圖1所示。

BP神經(jīng)網(wǎng)絡通常采用基于BP神經(jīng)元的多層前向神經(jīng)網(wǎng)絡的結(jié)構(gòu)形式。典型的BP神經(jīng)網(wǎng)絡是3層網(wǎng)絡,包括輸入層、隱層和輸出層,各層之間實行全連接。輸入層節(jié)點只是傳遞輸入信號到隱含層;隱含層神經(jīng)元(即BP節(jié)點)的傳遞函數(shù)f常取可微的單調(diào)遞增函數(shù),輸出層神經(jīng)元的特性決定了整個網(wǎng)絡的輸出特性。當最后一層神經(jīng)元采用Sigmoid函數(shù)時,整個網(wǎng)絡的輸出被限制在一個較小的范圍內(nèi);如果最后一層神經(jīng)元采用Purelin型函數(shù),則整個網(wǎng)絡的輸出可以取任意值。

圖1 三層BP網(wǎng)絡結(jié)構(gòu)圖

設,x1,x2,…,xn為BP網(wǎng)絡的輸入;y1,y2,…,yn為BP網(wǎng)絡的輸出;w1ji為輸入層到隱含層的連接權(quán)值;w2ij為隱含層到輸出層的連接權(quán)值。

圖1中各參數(shù)之間的關系為:

輸入層: xi=xi0

隱含層:

θ1j=∑ni=0w1jixi, x1j=f(θ1j)(3)

輸出層:

θ2i=∑ni=0w2ijxj, x2i=g(θ2i)(4)

BP神經(jīng)網(wǎng)絡采用誤差的反向傳播來修正權(quán)值,使性能指標E(k)=(1/2)\2最小。按照梯度下降法修正網(wǎng)絡的權(quán)值:

輸出層:

δ2=e(k)g′\;

w2ij(k+1)=w2ij(k)+ηδ2x1j(k)(5)

隱含層:

δ1=δ2w2ijf′\;

w1ji(k+1)=w1ji(k)+ηδ1x0i(k)(6)

1.3 神經(jīng)網(wǎng)絡PID控制器結(jié)構(gòu)

基于BP神經(jīng)網(wǎng)絡的PID控制系統(tǒng)結(jié)構(gòu)如圖2所示?？刂破饔沙Ｒ?guī)的PID控制器和神經(jīng)網(wǎng)絡兩部分組成。PID控制要取得較好的控制效果,必須通過調(diào)整好比例、積分和微分三種控制作用,形成控制量中相互配合又相互制約的關系。

常規(guī)的PID控制器直接對被控對象進行閉環(huán)控制,并且其控制參數(shù)為KP,KI,KD在線調(diào)整方式。神經(jīng)網(wǎng)絡根據(jù)系統(tǒng)的運行狀態(tài),調(diào)節(jié)PID控制器的參數(shù),以期達到某種性能指標的最優(yōu)化,使輸出層神經(jīng)元的輸出對應于PID控制器的三個可調(diào)參數(shù)KP,KI,KD。神經(jīng)網(wǎng)絡所具有的任意非線性表達能力,可以通過對系統(tǒng)性能的學習來實現(xiàn)具有最佳組合的PID控制。

圖2 基于BP神經(jīng)網(wǎng)絡的PID控制器結(jié)構(gòu)

1.4 神經(jīng)網(wǎng)絡PID控制器的控制算法

(1) 確定神經(jīng)網(wǎng)絡的結(jié)構(gòu),即確定輸人節(jié)點數(shù)和隱含層節(jié)點數(shù),并給出各層加權(quán)系數(shù)的初值w(1)ij(0)和w(2)ji(0),并選定學習速率η和慣性系數(shù)α,令k=1;

(2) 采樣得到r(k)和y(k),計算當前時刻的誤差e(k)=r(k)-y(k);

(3) 計算各神經(jīng)網(wǎng)絡的輸入/輸出,其輸出層的輸出即為PID控制器的三個控制參數(shù)KP,KI,KD;

(4) 計算PID控制器的輸出;

(5) 進行神經(jīng)網(wǎng)絡學習,在線調(diào)整加權(quán)系數(shù),實現(xiàn)PID控制參數(shù)的自適應調(diào)整;

(6) 令k=k+1,返回(1)。

2 神經(jīng)網(wǎng)絡的Matlab仿真

為了檢驗神經(jīng)網(wǎng)絡PID控制系統(tǒng)的能力,在此進行大量的仿真實驗。下面以一階時滯系統(tǒng)作為被控對象,進行仿真實驗。

設被控對象為:

G(s)=160s+1e-0.5s

相應的控制系統(tǒng)的階躍響應曲線如圖3、圖4所示。

圖3 普通PID控制階躍響應

可以看出,采用傳統(tǒng)的PID控制,其調(diào)節(jié)時間ts=120 s,超調(diào)量達到65%;采用神經(jīng)網(wǎng)絡PID控制,系統(tǒng)調(diào)節(jié)時間ts=120,超調(diào)量只有20%。由此說明,后者響應的快速性和平穩(wěn)性都比前者要好,也說明了這種方法的有效性。

圖4 神經(jīng)網(wǎng)絡PID控制階躍響應

3 結(jié) 語

神經(jīng)網(wǎng)絡PID控制方法簡單,借助神經(jīng)網(wǎng)絡的自學習、自組織能力,可實現(xiàn)PID參數(shù)的在線自整定和優(yōu)化,避免了人工整定PID參數(shù)的繁瑣工作。從文中可以得出,神經(jīng)網(wǎng)絡PID控制有如下的優(yōu)點:

(1) 無需建立被控系統(tǒng)的數(shù)學模型;

(2) 控制器的參數(shù)整定方便;

(3)對于大滯后、時變的、非線性的復雜系統(tǒng)有很好的動靜態(tài)特性。實現(xiàn)有效控制和PID控制參數(shù)的在線自整定。

參考文獻

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

[2]韓豫萍,孫濤,盛新.基于BP神經(jīng)網(wǎng)絡的PID控制及仿真[J].可編程控制器與工廠自動化,2007(12):91-93.

[3]黃金燕,葛化敏,唐明軍.基于BP神經(jīng)網(wǎng)絡的PID控制方法的研究[J].微計算機信息,2006(26):278-280.

[4]曾軍,方厚輝.神經(jīng)網(wǎng)絡PID控制及其Matlab仿真[J].現(xiàn)代電子技術,2004,27(2):51-52.

[5]趙娟平.神經(jīng)網(wǎng)絡PID控制策略及其Matlab仿真研究[J].微計算機信息,2007(7):59-60.

[6]Zhang Mingguang,Qiang Minghui.Study of PID Neural Network Control for Nonlinear System[J].Institute of Electrical and Electronics Engineers Inc,2007.

[7]孫潔.神經(jīng)網(wǎng)絡PID算法在流量控制中的應用與仿真研究[D].合肥:合肥工業(yè)大學,2007.

[8]王亞斌.基于BP神經(jīng)網(wǎng)絡PID控制及其仿真[J].江蘇冶金,2008(2):33-35.

[9]廖方方,肖建.基于BP神經(jīng)網(wǎng)絡PID參數(shù)自整定的研究\.系統(tǒng)仿真學報,2005(7):1 711-1 713.

第6篇：神經(jīng)網(wǎng)絡的實現(xiàn)過程范文

關鍵詞：發(fā)電燃料；供應預測；BP神經(jīng)網(wǎng)絡；預測方法

中圖分類號：TM 762 文獻標示碼：A

0 引言

發(fā)電燃料的供應受到能源政策、供需形勢、資源分布、供應價格、交通運輸、市場博弈等多種復雜因素的影響，長期以來缺乏合理有效的供應預測方法和技術手段，尤其是廠網(wǎng)分離后鮮見相關的研究工作。

文獻1《遼寧火電廠燃料管理信息系統(tǒng)的開發(fā)與研制》開發(fā)和研制了覆蓋遼寧全體直屬電廠燃料公司并同東電局進行廣域網(wǎng)數(shù)據(jù)交換，同時能進行審核管理和業(yè)務信息方便傳輸?shù)娜剂暇C合管理信息系統(tǒng)。

文獻2《電力系統(tǒng)燃料MIS系統(tǒng)開發(fā)研究》探討了燃料管理信息系統(tǒng)的組成、功能、結(jié)構(gòu)及開發(fā)應用，為綜述性理論研究。

以上文獻均未對發(fā)電燃料供應提供較有效的預測方法。本文提出一種基于BP神經(jīng)網(wǎng)絡的發(fā)電燃料供應量預測方法，利用神經(jīng)網(wǎng)絡原理，通過數(shù)據(jù)收集、數(shù)據(jù)修正和神經(jīng)網(wǎng)絡結(jié)構(gòu)選擇建立起基于BP神經(jīng)網(wǎng)絡的發(fā)電燃料供應預測模型。通過MATLAB實際仿真，證明該預測方法預測較準確，并具有靈活的適應性。

基金項目：中國南方電網(wǎng)有限責任公司科技項目（K-ZD2013-005）

1 預測方法

按預測方法的性質(zhì)不同，預測可分為定性預測和定量預測。常用的定性預測方法有主觀概率法、調(diào)查預測法、德爾菲法、類比法、相關因素分析法等。定量方法又可以分為因果分析法和時間序列分析法等，因果分析法也叫結(jié)構(gòu)關系分析法。它是通過分析變化的原因，找出原因與結(jié)果之間的聯(lián)系方式，建立預測模型，并據(jù)此預測未來的發(fā)展變化趨勢及可能水平。時間序列分析法也叫歷史延伸法。它是以歷史的時間序列數(shù)據(jù)為基礎，運用一定的數(shù)學方法尋找數(shù)據(jù)變動規(guī)律向外延伸，預測未來的發(fā)展變化趨勢。由于時間序列模型無法引入對負荷影響的其它變量，所以，單純應用時間序列模型進行供應預測精度難以提高。

運用人工神經(jīng)網(wǎng)絡技術進行預測，其優(yōu)點是可以模仿人腦的智能化處理過程，對大量非結(jié)構(gòu)性、非精確性規(guī)律具有自適應功能，具有信息記憶、自主學習、知識推理和優(yōu)化計算的特點，特別是其自學習和自適應功能是常規(guī)算法和專家系統(tǒng)所不具備的，因此，預測是人工神經(jīng)網(wǎng)絡的最有潛力的應用領域之一，有非常廣泛的前途。

2 BP神經(jīng)網(wǎng)絡模型

2.1 人工神經(jīng)網(wǎng)絡概述

人工神經(jīng)網(wǎng)絡是由神經(jīng)元以一定的拓撲結(jié)構(gòu)和連接關系組成的信息表現(xiàn)、儲存和變換系統(tǒng)，是模仿人腦結(jié)構(gòu)的一種信息系統(tǒng)，可較好地模擬人的形象思維能力。它是對自然界中生物體神經(jīng)系統(tǒng)進行抽象和改造，并模擬生物體神經(jīng)系統(tǒng)功能的產(chǎn)物。神經(jīng)網(wǎng)絡的重要特點是具有記憶和學習能力，經(jīng)過一定訓練之后，能夠?qū)o定的輸入做出相應處理。

人工神經(jīng)網(wǎng)絡適用于處理實際中不確定性、精確性不高等引起的系統(tǒng)難以控制的問題，映射輸入輸出關系。人工神經(jīng)網(wǎng)絡優(yōu)于傳統(tǒng)方法在于：

1）實現(xiàn)了非線性關系的隱式表達，不需要建立復雜系統(tǒng)的顯示關系式；

2）容錯性強，可以處理信息不完全的預測問題，而信息不完全的情況在實際中經(jīng)常遇到；

3）由于神經(jīng)網(wǎng)絡具有一致逼進效果，訓練后的神經(jīng)網(wǎng)絡在樣本上輸出期望值，在非樣本點上表現(xiàn)出網(wǎng)絡的聯(lián)想記憶功能；

4）由于大規(guī)模并行機制，故預測速度快；

5）動態(tài)自適應能力強，可適應外界新的學習樣木，使網(wǎng)絡知識不斷更新。

圖1是一個人工神經(jīng)元的典型結(jié)構(gòu)圖。

圖1 神經(jīng)元典型結(jié)構(gòu)圖

它相當于一個多輸入單輸出的非線性閾值器件。，表示該神經(jīng)元的輸入向量；為權(quán)值向量；θ為神經(jīng)元的閾值，如果神經(jīng)元輸入向量加權(quán)和大于0，則神經(jīng)元被激活；f表示神經(jīng)元的輸入輸出關系函數(shù)，即傳輸函數(shù)。因此，神經(jīng)元的輸出可以表示為：

其中傳輸函數(shù)是神經(jīng)元以及網(wǎng)絡的核心。網(wǎng)絡解決問題的能力與功效除了與網(wǎng)絡結(jié)構(gòu)有關，在很大程度上取決于網(wǎng)絡所采用的傳輸函數(shù)。

幾種常見的傳輸函數(shù)如圖2所示：

（1）為閾值型，將任意輸入轉(zhuǎn)化為0或1輸出，其輸入/輸出關系為：

（2）為線性型，其輸入/輸出關系為：

（3）、（4）為S型，它將任意輸入值壓縮到（0，1）的范圍內(nèi)，此類傳遞函數(shù)常用對數(shù)（logsig）或雙曲正切（tansig）等一類S形狀的曲線來表示，如對數(shù)S型傳遞函數(shù)的關系為：

而雙曲正切S型曲線的輸入/輸出函數(shù)關系是：

（1） （2）

（3） （4）

圖2 常見的傳遞函數(shù)圖形

2.2 BP神經(jīng)網(wǎng)絡概述

神經(jīng)網(wǎng)絡的魅力在于它超強的映射能力，單層感知器可實現(xiàn)性分類，多層前向網(wǎng)絡則可以逼近任何非線性函數(shù)?？梢詫P網(wǎng)絡視為從輸入到輸出的高度非線性映射，而有關定理證明BP神經(jīng)網(wǎng)絡通過對簡單的非線性函數(shù)進行數(shù)次復合，可以近似任何復雜的函數(shù)。

在人工神經(jīng)網(wǎng)絡的實際應用中，80%-90%的人工神經(jīng)網(wǎng)絡模型是采用BP網(wǎng)絡和它的變化形式，它也是前向網(wǎng)絡的核心，體現(xiàn)了人工神經(jīng)網(wǎng)絡最精華的部分。在人們掌握反向傳播網(wǎng)絡的設計之前，感知器和自適應線性元件都只能適用于對單層網(wǎng)絡模型的訓練，只是后來才得到進一步拓展。

BP神經(jīng)網(wǎng)絡主要應用有：

（1）函數(shù)逼近：用輸入矢量和相應的輸出矢量訓練一個網(wǎng)絡逼近一個函數(shù)。

（2）模式識別：用一個特定的輸出矢量將它與輸入矢量聯(lián)系起來。

（3）分類：把輸入矢量以所定義的合適方式進行分類。

（4）數(shù)據(jù)壓縮：減少輸出矢量維數(shù)以便于傳輸或存儲。

2.3 誤差反向傳播算法原理

BP神經(jīng)網(wǎng)絡是一種多層前饋神經(jīng)網(wǎng)絡，名字源于網(wǎng)絡權(quán)值的調(diào)整規(guī)則，采用的是誤差反向傳播算法（Error Back-Propagation Training Algorithm）即BP算法。BP神經(jīng)網(wǎng)絡是單向傳播的多層前向神經(jīng)網(wǎng)絡。除輸入輸出節(jié)點之外，有一層或多層的隱藏節(jié)點，同層節(jié)點之間無任何連接。典型的BP網(wǎng)絡是三層前饋階層網(wǎng)絡，即：輸入層、隱含層（中間層）和輸出層，各層之間實行全連接。BP神經(jīng)網(wǎng)絡結(jié)構(gòu)如圖3所示：

圖3 BP神經(jīng)網(wǎng)絡結(jié)構(gòu)示意圖

BP網(wǎng)絡學習過程包括誤差正向傳播和反向傳播兩個過程。在正向傳播過程中，輸入樣本從輸入層傳入，經(jīng)各隱含逐層處理后，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)。若輸出層的實際輸出與期望的輸出不符，則轉(zhuǎn)入誤差的反向傳播階段。誤差反傳是將輸出誤差的某種形式通過隱含層向輸入層逐層反傳，并將誤差分攤給各層的所有單元，從而獲得各層單元的誤差信號，此誤差信號即作為修正各神經(jīng)元之間權(quán)值的依據(jù)。這種信號正向傳播與誤差反向傳播的各層權(quán)值調(diào)整過程，是周而復始地進行的。權(quán)值不斷調(diào)整的過程，也就是網(wǎng)絡學習訓練的過程。此過程一直進行到網(wǎng)絡輸出的誤差減小到可接受的程度，或進行到預先設定的學習次數(shù)為止。

BP神經(jīng)元與其他神經(jīng)元類似，不同的是，由于BP神經(jīng)元的傳遞函數(shù)必須是處處可微的，它不能采用二值型{0，1}或符號函數(shù){-1，1}，所以其傳遞函數(shù)為非線性函數(shù)，最常用的函數(shù)S型函數(shù)，有時也采用線性函數(shù)。本文采用S型（Sigmoid）函數(shù)作為激發(fā)函數(shù)：

式中，為網(wǎng)絡單元的狀態(tài)：

則單元輸出為：

其中，為單元的閥值。在這種激發(fā)函數(shù)下，有：

故對輸出層單元：

對隱層單元：

權(quán)值調(diào)節(jié)為：

在實際學習過程中，學習速率對學習過程的影響很大。是按梯度搜索的步長。越大，權(quán)值的變化越劇烈。實際應用中，通常是以不導致振蕩的前提下取盡量大的值。為了使學習速度足夠快而不易產(chǎn)生振蕩，往往在規(guī)則中再加一個“勢態(tài)項”，即：

式中，是一個常數(shù)，它決定過去權(quán)重的變化對目前權(quán)值變化的影響程度。

圖4為BP算法流程圖。

圖4 BP算法流程圖

3 發(fā)電燃料供應預測BP神經(jīng)網(wǎng)絡模型建立

3.1 數(shù)據(jù)的收集與整理

發(fā)電燃料供應是一個龐大的系統(tǒng)，其中的數(shù)據(jù)資料紛繁復雜。在進行模型的搭建之前，需要進行歷史資料的整理，提取出所需的數(shù)據(jù)。本模型中，選取與燃料供應有關的數(shù)據(jù)作為影響因素，如電廠發(fā)電量、能源政策、能源供需形勢、交通運輸狀況、燃料價格和機組能耗等。

3.2 數(shù)據(jù)的修正

如果在數(shù)據(jù)采集與傳輸時受到一定干擾，就會出現(xiàn)資料出錯或數(shù)據(jù)丟失的情況，此時都會產(chǎn)生影響預測效果的壞數(shù)據(jù)，這些壞數(shù)據(jù)將會掩蓋實際模型的規(guī)律，直接影響模型的效果與精度。據(jù)此，需對樣本數(shù)據(jù)進行預處理，以確保在建模和預測過程中所運用的歷史數(shù)據(jù)具有真實性、正確性和同規(guī)律性。一般樣本數(shù)據(jù)預處理方法主要有經(jīng)驗修正法、曲線置換法、插值法、20%修正法、數(shù)據(jù)橫向縱向?qū)Ρ确?、小波分析去噪法等。對于簡單問題，采用數(shù)據(jù)的橫向縱向?qū)Ρ燃纯蓪崿F(xiàn)壞數(shù)據(jù)的剔除。

3.3 BP神經(jīng)網(wǎng)絡的結(jié)構(gòu)選擇

理論證明，3層前向式神經(jīng)網(wǎng)絡能夠以任意精度實現(xiàn)任意函數(shù)，所以，本模型中采用3層前向網(wǎng)絡。同時，當有N個影響時， 3層BP神經(jīng)網(wǎng)絡的輸入層節(jié)點數(shù)為N個，隱含層節(jié)點數(shù)一般為2N ～ 4N，最佳取值可根據(jù)實際問題試湊得，輸出層為1個節(jié)點， 因此可以取其平均結(jié)構(gòu)為N - 3N - 1型， 輸入層激發(fā)函數(shù)為線性函數(shù)， 中間層和輸出層的激發(fā)函數(shù)為S型函數(shù)。

3.4 BP神經(jīng)網(wǎng)絡模型建立

對于實際的燃料供應模型，數(shù)據(jù)的選擇要有針對性，結(jié)構(gòu)要合適，這在預測過程中是重中之重。為便于模型選擇、結(jié)果對比，可同時采用幾種不同的數(shù)學模型進行預測。在完成對恰當?shù)念A測模型的選擇后，利用提取自歷史資料的訓練數(shù)據(jù)對建立好的預測數(shù)學模型進行參數(shù)訓練。當模型的參數(shù)訓練好以后，即可利用此模型進行預測。

具體操作步驟如下：

（1）對訓練樣本與預測樣本進行歸一化預處理，公式表示如式（1）。

（1）

其中表示經(jīng)過歸一化后的值，表示實際值，，分別是訓練集中數(shù)據(jù)的最大值和最小值，k表示輸入向量的維數(shù)，i表示有作用因素的個數(shù)。

（2）對預測的數(shù)據(jù)樣本進行提取，并分別列出訓練與測試的樣本集合。

（3）對BP神經(jīng)網(wǎng)絡的輸入層、隱含層、輸出層的節(jié)點進行定義，對網(wǎng)絡的權(quán)重、閾值進行初始賦值。

（4）利用訓練樣本對BP神經(jīng)網(wǎng)絡進行訓練，建立符合實際問題的模型。

（5）利用事先預備的測試樣本對訓練好的網(wǎng)絡進行測試，若效果不佳，則重新訓練，若效果好則繼續(xù)下一步。

（6）利用預測樣本及訓練好的模型進行預測。

具體流程圖如圖5所示：

圖5 模型建立流程圖

4 基于BP神經(jīng)網(wǎng)絡模型的發(fā)電燃料供應預測

（1）樣本數(shù)據(jù)的選擇

以各類影響耗煤的因素作為輸入 。

（2）進行歸一化處理

避免量綱對模型的影響。同時，降低數(shù)據(jù)的數(shù)量級，可以提高BP網(wǎng)絡的訓練的速度，避免飽和。

（3）確定BP神經(jīng)網(wǎng)絡的結(jié)構(gòu)

3層BP神經(jīng)網(wǎng)絡的輸入層節(jié)點為1個（可根據(jù)實際情況調(diào)整），對應于輸入樣本，隱含層節(jié)點為15，輸出層節(jié)點為1，對應于輸出樣本。網(wǎng)絡初始連接權(quán)及神經(jīng)元初始閾值采用隨機賦值方式。神經(jīng)元的激發(fā)函數(shù)為S函數(shù)，最大迭代次數(shù)為400，學習步長為0.001，學習誤差為0.00001。

（4）利用訓練樣本進行網(wǎng)絡的訓練

（5）利用測試樣本進行模型的測試

人為選定5%相對誤差為模型訓練好壞的判別標準。若測試樣本的測試結(jié)果的相對誤差在5%以內(nèi)，則進行下一步，否則重新訓練。

（6）利用預測樣本和已訓練好的模型進行預測

南方電網(wǎng)全網(wǎng)發(fā)電燃料供應量預測結(jié)果值與實際值的對比如圖6所示：

圖6 南網(wǎng)全網(wǎng)發(fā)電燃料供應預測值與實際值對比圖

5 結(jié)論

隨著廠網(wǎng)分離的實施，電網(wǎng)公司和電力調(diào)度機構(gòu)對發(fā)電燃料供應的掌握嚴重不足，已經(jīng)不能滿足電力供應工作的要求，尤其是在來水偏枯、電力供應緊張的時期，發(fā)電燃料供應的預測對緩解電力供需矛盾、有序做好發(fā)用電管理起著舉足輕重的作用，因此，迫切需要開展發(fā)電燃料供應影響因素及預測方法的研究工作。

本文在收集、掌握發(fā)電燃料供應來源、價格、運輸?shù)惹闆r的基礎上，基于BP神經(jīng)網(wǎng)絡研究建立發(fā)電燃料供應量的預測模型和預測方法。通過MATLAB仿真預測，對預測結(jié)果值和實際值進行了對標分析，證明該預測方法預測較準確，并具有靈活的適應性。本文的研究有利于提升發(fā)電燃料的管理水平和掌控力度，為合理有序做好電力供應工作提供有力支持。

參考文獻：

[1]孫長青.基于OSGI的發(fā)電集團燃料管控系統(tǒng)設計與實現(xiàn)[D].導師：陳有青.中山大學，2011.

[2]史新梅，裴珍.遼寧火電廠燃料管理信息系統(tǒng)的開發(fā)與研制[J].安徽工業(yè)大學學報，2001，（04）：359-362+366.

[3]付民慶.基于J2EE架構(gòu)燃料管理信息系統(tǒng)的研究與實現(xiàn)[D].導師：申曉留.華北電力大學（北京），2008.

[4]魏學軍.DF電廠燃料管理信息系統(tǒng)的研究與應用[D].導師：胡立德；戴鶴.重慶大學，2008.

[5]孫文君.發(fā)電企業(yè)燃料自動監(jiān)管系統(tǒng)設計及應用[D].導師：張慶超；關萬祥.天津大學，2010.

第7篇：神經(jīng)網(wǎng)絡的實現(xiàn)過程范文

[摘要]該文介紹了神經(jīng)網(wǎng)絡的發(fā)展、優(yōu)點及其應用和發(fā)展動向，著重論述了神經(jīng)網(wǎng)絡目前的幾個研究熱點，即神經(jīng)網(wǎng)絡與遺傳算法、灰色系統(tǒng)、專家系統(tǒng)、模糊控制、小波分析的結(jié)合。

[關鍵詞]遺傳算法灰色系統(tǒng)專家系統(tǒng)模糊控制小波分析

一、前言

神經(jīng)網(wǎng)絡最早的研究20世紀40年代心理學家Mcculloch和數(shù)學家Pitts合作提出的，他們提出的MP模型拉開了神經(jīng)網(wǎng)絡研究的序幕。神經(jīng)網(wǎng)絡的發(fā)展大致經(jīng)過三個階段：1947~1969年為初期，在這期間科學家們提出了許多神經(jīng)元模型和學習規(guī)則，如MP模型、HEBB學習規(guī)則和感知器等；1970~1986年為過渡期，這個期間神經(jīng)網(wǎng)絡研究經(jīng)過了一個低潮，繼續(xù)發(fā)展。在此期間，科學家們做了大量的工作，如Hopfield教授對網(wǎng)絡引入能量函數(shù)的概念，給出了網(wǎng)絡的穩(wěn)定性判據(jù)，提出了用于聯(lián)想記憶和優(yōu)化計算的途徑。1984年，Hiton教授提出Boltzman機模型。1986年Kumelhart等人提出誤差反向傳播神經(jīng)網(wǎng)絡，簡稱BP網(wǎng)絡。目前，BP網(wǎng)絡已成為廣泛使用的網(wǎng)絡；1987年至今為發(fā)展期，在此期間，神經(jīng)網(wǎng)絡受到國際重視，各個國家都展開研究，形成神經(jīng)網(wǎng)絡發(fā)展的另一個。神經(jīng)網(wǎng)絡具有以下優(yōu)點：

(1)具有很強的魯棒性和容錯性，因為信息是分布貯于網(wǎng)絡內(nèi)的神經(jīng)元中。

(2)并行處理方法，使得計算快速。

(3)自學習、自組織、自適應性，使得網(wǎng)絡可以處理不確定或不知道的系統(tǒng)。

(4)可以充分逼近任意復雜的非線性關系。

(5)具有很強的信息綜合能力，能同時處理定量和定性的信息，能很好地協(xié)調(diào)多種輸入信息關系，適用于多信息融合和多媒體技術。

二、神經(jīng)網(wǎng)絡應用現(xiàn)狀

神經(jīng)網(wǎng)絡以其獨特的結(jié)構(gòu)和處理信息的方法，在許多實際應用領域中取得了顯著的成效，主要應用如下：

(1)圖像處理。對圖像進行邊緣監(jiān)測、圖像分割、圖像壓縮和圖像恢復。

(2)信號處理。能分別對通訊、語音、心電和腦電信號進行處理分類；可用于海底聲納信號的檢測與分類，在反潛、掃雷等方面得到應用。

(3)模式識別。已成功應用于手寫字符、汽車牌照、指紋和聲音識別，還可用于目標的自動識別和定位、機器人傳感器的圖像識別以及地震信號的鑒別等。

(4)機器人控制。對機器人眼手系統(tǒng)位置進行協(xié)調(diào)控制，用于機械手的故障診斷及排除、智能自適應移動機器人的導航。

(5)衛(wèi)生保健、醫(yī)療。比如通過訓練自主組合的多層感知器可以區(qū)分正常心跳和非正常心跳、基于BP網(wǎng)絡的波形分類和特征提取在計算機臨床診斷中的應用。

(6)焊接領域。國內(nèi)外在參數(shù)選擇、質(zhì)量檢驗、質(zhì)量預測和實時控制方面都有研究，部分成果已得到應用。

(7)經(jīng)濟。能對商品價格、股票價格和企業(yè)的可信度等進行短期預測。

(8)另外，在數(shù)據(jù)挖掘、電力系統(tǒng)、交通、軍事、礦業(yè)、農(nóng)業(yè)和氣象等方面亦有應用。

三、神經(jīng)網(wǎng)絡發(fā)展趨勢及研究熱點

1.神經(jīng)網(wǎng)絡研究動向

神經(jīng)網(wǎng)絡雖已在許多領域應用中取得了廣泛的成功，但其發(fā)展還不十分成熟，還有一些問題需進一步研究。

(1)神經(jīng)計算的基礎理論框架以及生理層面的研究仍需深入。這方面的工作雖然很困難，但為了神經(jīng)計算的進一步發(fā)展卻是非做不可的。

(2)除了傳統(tǒng)的多層感知機、徑向基函數(shù)網(wǎng)絡、自組織特征映射網(wǎng)絡、自適應諧振理論網(wǎng)絡、模糊神經(jīng)網(wǎng)絡、循環(huán)神經(jīng)網(wǎng)絡之外，一些新的模型和結(jié)構(gòu)很值得關注，例如最近興起的脈沖神經(jīng)網(wǎng)絡(spikingneuralnetwork)和支持向量機(supportvectormachine)。

(3)神經(jīng)計算技術與其他技術尤其是進化計算技術的結(jié)合以及由此而來的混合方法和混合系統(tǒng)，正成為一大研究熱點。

(4)增強神經(jīng)網(wǎng)絡的可理解性是神經(jīng)網(wǎng)絡界需要解決的一個重要問題。這方面的工作在今后若干年中仍然會是神經(jīng)計算和機器學習界的一個研究熱點。

(5)神經(jīng)網(wǎng)絡的應用領域?qū)⒉粩鄶U大，在未來的幾年中有望在一些領域取得更大的成功，特別是多媒體技術、醫(yī)療、金融、電力系統(tǒng)等領域。

2.研究熱點

(1)神經(jīng)網(wǎng)絡與遺傳算法的結(jié)合。遺傳算法與神經(jīng)網(wǎng)絡的結(jié)合主要體現(xiàn)在以下幾個方面：網(wǎng)絡連接權(quán)重的進化訓練；網(wǎng)絡結(jié)構(gòu)的進化計算；網(wǎng)絡結(jié)構(gòu)和連接權(quán)重的同時進化；訓練算法的進化設計?；谶M化計算的神經(jīng)網(wǎng)絡設計和實現(xiàn)已在眾多領域得到應用，如模式識別、機器人控制、財政等，并取得了較傳統(tǒng)神經(jīng)網(wǎng)絡更好的性能和結(jié)果。但從總體上看，這方面研究還處于初期階段，理論方法有待于完善規(guī)范，應用研究有待于加強提高。神經(jīng)網(wǎng)絡與進化算法相結(jié)合的其他方式也有待于進一步研究和挖掘。

(2)神經(jīng)網(wǎng)絡與灰色系統(tǒng)的結(jié)合?；疑到y(tǒng)理論是一門極有生命力的系統(tǒng)科學理論，自1982年華中理工大學的鄧聚龍教授提出灰色系統(tǒng)后迅速發(fā)展，以初步形成以灰色關聯(lián)空間為基礎的分析體系，以灰色模型為主體的模型體系，以灰色過程及其生存空間為基礎與內(nèi)的方法體系，以系統(tǒng)分析、建模、預測、決策、控制、評估為綱的技術體系。目前，國內(nèi)外對灰色系統(tǒng)的理論和應用研究已經(jīng)廣泛開展，受到學者的普遍關注。灰色系統(tǒng)理論在在處理不確定性問題上有其獨到之處，并能以系統(tǒng)的離散時序建立連續(xù)的時間模型，適合于解決無法用傳統(tǒng)數(shù)字精確描述的復雜系統(tǒng)問題。

神經(jīng)網(wǎng)絡與灰色系統(tǒng)的結(jié)合方式有：(1)神經(jīng)網(wǎng)絡與灰色系統(tǒng)簡單結(jié)合；(2)串聯(lián)型結(jié)合；(3)用神經(jīng)網(wǎng)絡增強灰色系統(tǒng)；(4)用灰色網(wǎng)絡輔助構(gòu)造神經(jīng)網(wǎng)絡；(5)神經(jīng)網(wǎng)絡與灰色系統(tǒng)的完全融合。

(3)神經(jīng)網(wǎng)絡與專家系統(tǒng)的結(jié)合?；谏窠?jīng)網(wǎng)絡與專家系統(tǒng)的混合系統(tǒng)的基本出發(fā)點立足于將復雜系統(tǒng)分解成各種功能子系統(tǒng)模塊，各功能子系統(tǒng)模塊分別由神經(jīng)網(wǎng)絡或?qū)＜蚁到y(tǒng)實現(xiàn)。其研究的主要問題包括：混合專家系統(tǒng)的結(jié)構(gòu)框架和選擇實現(xiàn)功能子系統(tǒng)方式的準則兩方面。由于該混合系統(tǒng)從根本上拋開了神經(jīng)網(wǎng)絡和專家系統(tǒng)的技術限制，是當前研究的熱點。把粗集神經(jīng)網(wǎng)絡專家系統(tǒng)用于醫(yī)學診斷，表明其相對于傳統(tǒng)方法的優(yōu)越性。

(4)神經(jīng)網(wǎng)絡與模糊邏輯的結(jié)合

模糊邏輯是一種處理不確定性、非線性問題的有力工具。它比較適合于表達那些模糊或定性的知識，其推理方式比較類似于人的思維方式，這都是模糊邏輯的優(yōu)點。但它缺乏有效的自學習和自適應能力。

而將模糊邏輯與神經(jīng)網(wǎng)絡結(jié)合，則網(wǎng)絡中的各個結(jié)點及所有參數(shù)均有明顯的物理意義，因此這些參數(shù)的初值可以根據(jù)系統(tǒng)的模糊或定性的知識來加以確定，然后利用學習算法可以很快收斂到要求的輸入輸出關系，這是模糊神經(jīng)網(wǎng)絡比單純的神經(jīng)網(wǎng)絡的優(yōu)點所在。同時，由于它具有神經(jīng)網(wǎng)絡的結(jié)構(gòu)，因而參數(shù)的學習和調(diào)整比較容易，這是它比單純的模糊邏輯系統(tǒng)的優(yōu)點所在。模糊神經(jīng)網(wǎng)絡控制已成為一種趨勢，它能夠提供更加有效的智能行為、學習能力、自適應特點、并行機制和高度靈活性，使其能夠更成功地處理各種不確定的、復雜的、不精確的和近似的控制問題。

模糊神經(jīng)控制的未來研究應集中于以下幾個方面：

(1)研究模糊邏輯與神經(jīng)網(wǎng)絡的對應關系，將對模糊

控制器的調(diào)整轉(zhuǎn)化為等價的神經(jīng)網(wǎng)絡的學習過程，用等價的模糊邏輯來初始化神經(jīng)網(wǎng)絡；

(2)完善模糊神經(jīng)控制的學習算法，以提高控制算法的速度與性能，可引入遺傳算法、BC算法中的模擬退火算法等，以提高控制性能；

(3)模糊控制規(guī)則的在線優(yōu)化，可提高控制器的實時性與動態(tài)性能；(4)需深入研究系統(tǒng)的穩(wěn)定性、能控性、能觀性以及平衡吸引子、混沌現(xiàn)象等非線性動力學特性。

關于神經(jīng)網(wǎng)絡與模糊邏輯相結(jié)合的研究已有很多，比如，用于氬弧焊、機器人控制等。

(5)神經(jīng)網(wǎng)絡與小波分析的結(jié)合

小波變換是對Fourier分析方法的突破。它不但在時域和頻域同時具有良好的局部化性質(zhì)，而且對低頻信號在頻域和對高頻信號在時域里都有很好的分辨率，從而可以聚集到對象的任意細節(jié)。

利用小波變換的思想初始化小波網(wǎng)絡，并對學習參數(shù)加以有效約束，采用通常的隨機梯度法分別對一維分段函數(shù)、二維分段函數(shù)和實際系統(tǒng)中汽輪機壓縮機的數(shù)據(jù)做了仿真試驗，并與神經(jīng)網(wǎng)絡、小波分解的建模做了比較，說明了小波網(wǎng)絡在非線性系統(tǒng)黑箱建模中的優(yōu)越性。小波神經(jīng)網(wǎng)絡用于機器人的控制，表明其具有更快的收斂速度和更好的非線性逼近能力。

四、結(jié)論

經(jīng)過半個多世紀的發(fā)展，神經(jīng)網(wǎng)絡理論在模式識別、自動控制、信號處理、輔助決策、人工智能等眾多研究領域取得了廣泛的成功，但其理論分析方法和設計方法還有待于進一步發(fā)展。相信隨著神經(jīng)網(wǎng)絡的進一步發(fā)展，其將在工程應用中發(fā)揮越來越大的作用。

參考文獻：

[1]張曾科.模糊數(shù)學在自動化技術中的應用[M].清華大學出版社，1997.

[2]李士勇.模糊控制·神經(jīng)控制和智能控制論[M].哈爾濱工業(yè)大學出版，1996.250-387.

[3]謝聯(lián)峻.模糊控制在列車自動駕駛中的應用[J].自動化與儀器儀表，1999，(4).

[4]CollierWC，Weiland，RJSmartCarts，SmartHighways[J].IEEESpec-trum，1994，31(4)：27-33.

[5]HatwalH，MikulcikEC.someInverseSolutionstoanAutomobilePathTrackingProblemwithInputControlofSteeringandBreaks，Ve-hiclesystemDynamics，1986，(15)：61-71.

[6]KosugeK，F(xiàn)ukudaT，AsadaH.AcquisitionifHumanSkillsforRoboticSystem[C].In：ProcIEEEIntSympOnIntelligenControl，1991.469-489.

[7]王小平，曹立明.遺傳算法—理論、應用與軟件實現(xiàn).西安交通大學出版社，2002.

[8]ManiezzoV.Geneticevolutionofthetopologhandweightdistribution

ofneuralnetwork[J].IEEETransonNeuralNetwork，1994，5(1)35-67.

[9]HarraldPG，KamstraM.Evolvingartificialneuralnetworkstocombinefinancialforecase[J].IEEETransonEvolComputer，1997，1(1)：39-54.

[10]鄧聚龍.灰色系統(tǒng)理論教程.華中理工大學出版社，1990.

[11]呂宏輝，鐘珞，夏紅霞.灰色系統(tǒng)與神經(jīng)網(wǎng)絡融合技術探索.微機發(fā)展，2000，23(4)：67-109.

第8篇：神經(jīng)網(wǎng)絡的實現(xiàn)過程范文

關鍵詞：小波；神經(jīng)網(wǎng)絡；網(wǎng)絡流量；預測

Abstract: predict the network traffic while there are many ways, but the use of wavelet neural network to predict accuracy is the highest, this kind of method integration of the wavelet transform and neural network advantages. This paper mainly to the wavelet neural network and the network traffic prediction are analyzed, and the further proof that the wavelet neural network advantages and feasibility.

Keywords: small wave. Neural network; Network flow; forecast

中圖分類號：F272.1文獻標識碼：A 文章編號：

隨著網(wǎng)絡的迅猛發(fā)展，網(wǎng)絡擁塞的現(xiàn)象越來越嚴重，此時預測網(wǎng)絡流量顯得如此重要。網(wǎng)絡流量是一個復雜的系統(tǒng)工程，其具有很多特性，如突發(fā)性、長相關等。預測網(wǎng)絡流量方法很多，如用小波變換、用神經(jīng)網(wǎng)絡等，這些方法雖然都能夠?qū)崿F(xiàn)預測網(wǎng)絡流量，但是由于這些方法的局限性，預測結(jié)果的準確率有所不同。因此，找出一個準確率高的方法進行網(wǎng)絡流量預測是非常關鍵的。

1.小波神經(jīng)網(wǎng)絡

1.1小波神經(jīng)網(wǎng)絡的結(jié)構(gòu)形式

小波神經(jīng)網(wǎng)絡其實就是小波分析理論與神經(jīng)網(wǎng)絡理論相結(jié)合的一種產(chǎn)物。這兩種理論相結(jié)合可以分為兩類：（1）“松散型”結(jié)合。這種類型的結(jié)合就是指小波分析作為神經(jīng)網(wǎng)絡的前置處理手段，主要提供輸入特征向量，為神經(jīng)網(wǎng)絡做準備。經(jīng)小波變換后，再向常規(guī)神經(jīng)網(wǎng)絡輸入，進而使分類、函數(shù)逼近等功能實現(xiàn)。（2）“緊致型”結(jié)合。這種類型的結(jié)合就是小波分析和神經(jīng)網(wǎng)絡直接融合，采用小波函數(shù)來將常規(guī)單隱層前饋神經(jīng)網(wǎng)絡的隱節(jié)點激活，由小波函數(shù)的伸縮與平移參數(shù)來分別代替相應的輸入層到隱層的權(quán)值及隱層閾值。

1.2多分辨小波神經(jīng)網(wǎng)絡模型的網(wǎng)絡結(jié)構(gòu)

從理論上講，小波理論對時間序列進行分解預測是可行的。已經(jīng)有研究表明，小波變換可以解決一切能夠用傅立葉變換解決的問題，小波變換在解決這些問題時不會損失任何東西，只是將我們通常觀察問題的視角改變了。如果把流量曲線看作不同的信號分量疊加，分別預測各個分量，最后重新疊加各個分量預測結(jié)果，最后就能夠?qū)㈩A測結(jié)果得到。其實利用小波方法就是這個過程來完成預測的。以下只對“松散型”小波神經(jīng)網(wǎng)絡進行分析:

先對t時刻的原始序列f(t)進行小波分解，分解尺度為n，an(t)為t時刻第n層低頻系數(shù)序列，dn(t)為t時刻第n層高頻系數(shù)序列，an(t)、d1(t)、d2(t)…dn(t)作為神經(jīng)網(wǎng)絡的輸入，再分別對每一層小波系數(shù)用神經(jīng)網(wǎng)絡模型進行預測，得到an(t+T)、d1(t+T)、d2(t+T)…dn(t+T)共n+l個預測值，最后將這些預測值合成就得到f(t+T)，即t+T時刻的預測值。根據(jù)以上假設，使用小波分析的變換對數(shù)據(jù)進行多分辨分解，即利用小波分解的特點，根據(jù)變化的頻度將序列中變化頻率不同的成分分解出來。由于小波分解可以使影響流量值大小的因素相對集中起來，因此分解后的小波分量具有明顯的規(guī)律性，這就使得我們便于針對不同的規(guī)律采用不同的預測技術，從而可以達到提高預測精度的同時縮短預測時間的目的，提高整個模型的效率。

2.神經(jīng)網(wǎng)絡預測

本實驗選取了360個樣本數(shù)據(jù)，將其生成小波分解所需的信號文件，如圖1所示。

圖1 歷史數(shù)據(jù)

對流量序列作多分辨分析。經(jīng)過5層分解后的各層信號波形如圖2所示。

圖2 小波分解結(jié)果

將上述小波分解的各分量，經(jīng)預處理成為樣本向量后輸入BP神經(jīng)網(wǎng)絡預測模型，得出各分量的預測值如圖3所示。

圖3各分量預測結(jié)果

3.實驗結(jié)果對比

將各分量分別預測出后，重構(gòu)各分量的預測結(jié)果，得到最終的流量預測結(jié)果。將BP神經(jīng)網(wǎng)絡模型與小波神經(jīng)網(wǎng)絡模型進行對比，在網(wǎng)絡中采集了360組數(shù)據(jù)，對數(shù)據(jù)進行一定的操作后，分別測試兩種網(wǎng)絡，實驗結(jié)果如圖4所示。

圖4

將實驗結(jié)果進行對比，對其測試主要采用小波神經(jīng)網(wǎng)絡來進行，這樣對網(wǎng)絡流量預測的準確率會更準確。因此，構(gòu)建小波神經(jīng)網(wǎng)絡進行預測，識別準確率達到90%以上，彌補了BP神經(jīng)網(wǎng)絡預測精準度不高的缺陷。

4.結(jié)語

近年來，網(wǎng)絡流量預測成為研究熱點。本文主要講BP神經(jīng)網(wǎng)絡和小波變換進行對比，將這兩者的優(yōu)點結(jié)合起來用于預測網(wǎng)絡流量，在很大程度上提高了預測的精準度。

參考文獻：

[1]胡俊,胡玉清,肖中卿.基于小波變換的網(wǎng)絡流量預測模型[J]. 計算機工程. 2008(19).

第9篇：神經(jīng)網(wǎng)絡的實現(xiàn)過程范文

Abstract: According to ANN theory and method, a BP neural network model for tourism security early warning was built. The result shows that the application of BP neural network in tourism security early warning is feasible. This model possesses strong functions of study, association and fault tolerance, moreover, both its analysis results and process approach the metal process and analysis method of human brain, which greatly improves the accuracy for tourism security early warning.

關鍵詞：人工神經(jīng)網(wǎng)絡；旅游安全；預警系統(tǒng)

Key words: artificial neural network；tourism security；early warning system

中圖分類號：TP31 文獻標識碼：A文章編號：1006-4311（2011）18-0158-01

0引言

旅游業(yè)在世界范圍內(nèi)已成為最重要的產(chǎn)業(yè)之一，占全球GDP 份額已超過10%，隨著人們生活水平的提高和旅游資源的開發(fā)利用，旅游業(yè)正逐漸成為我國一些地區(qū)的“支柱產(chǎn)業(yè)”和“新的經(jīng)濟增長點”，但是旅游者在旅游過程中遭遇到各種災害性事故的頻率也有較大幅度的提高，因此旅游安全預警勢在必行。人工神經(jīng)網(wǎng)絡方法比傳統(tǒng)線性方法具有以下突出的優(yōu)越性：所有定量或定性的信息都等勢分布貯存于網(wǎng)絡內(nèi)的各神經(jīng)元，故有很強的魯棒性和容錯性；神經(jīng)網(wǎng)絡具有高度的并行結(jié)構(gòu)和并行實現(xiàn)能力，具有高速尋找優(yōu)化解的能力，能夠發(fā)揮計算機的高速運算能力，可能很快找到優(yōu)化解；神經(jīng)網(wǎng)絡模擬人的思維是非線性的，這一特性有助于處理非線性問題；通過對過去的歷史數(shù)據(jù)的學習，訓練出一個具有歸納全部數(shù)據(jù)的特定的神經(jīng)網(wǎng)絡，自學習功能對于預測有特別重要的意義。在神經(jīng)網(wǎng)絡模型中，BP人工神經(jīng)網(wǎng)絡是當前最具代表性和應用最為廣泛的一種神經(jīng)網(wǎng)絡，其結(jié)構(gòu)簡單，工作狀態(tài)穩(wěn)定，易于實現(xiàn)，是通用性和適應性較強的網(wǎng)絡，已在多個領域中得到初步的應用[1-2]。因此應用BP神經(jīng)網(wǎng)絡對旅游安全預警系統(tǒng)進行了研究。

1旅游安全預警的神經(jīng)網(wǎng)絡模型

BP網(wǎng)絡算法即逆向傳播學習算法（back propagation learning algorithm）由輸入層、輸出層和若干隱層組成。當信號輸入時，先傳到隱層神經(jīng)元，經(jīng)神經(jīng)元作用函數(shù)轉(zhuǎn)換后，再把信號傳播到輸出神經(jīng)元，經(jīng)過處理后輸出結(jié)果。BP人工神經(jīng)元網(wǎng)絡通過對許多簡單神經(jīng)元作用函數(shù)的復合來逼近輸入、輸出之間的映射，它是一種快速下降的迭代方法，目的是使實際輸出和預期樣本輸出之間的均方差最小化。影響旅游安全預警的主要因素可歸納為旅游地災害頻度、出游設施安全度和旅游地區(qū)域安全度3大類。具體分為以下3類10個子因素，包括主客文化沖突潛在指數(shù)、居民消費價格指數(shù)上漲率、暴發(fā)瘟疫性疾病的頻率、交通路況安全度、社會治安穩(wěn)定度、社會實際失業(yè)率、地震地質(zhì)災害發(fā)生頻率、水文氣象災害發(fā)生頻率、旅游設施使用飽和度、政治穩(wěn)定度。

研究中，將10個子因素作為輸入向量，數(shù)據(jù)來源于文獻[2]，一般來說三層神經(jīng)網(wǎng)絡可以逼近任何函數(shù)關系，因此本文采用三層網(wǎng)絡，在訓練前饋網(wǎng)絡之前，權(quán)重和偏置必須被初始化，初始化權(quán)重和偏置的工作用命令init來實現(xiàn)，這個函數(shù)接收網(wǎng)絡對象并初始化權(quán)重和偏置后返回網(wǎng)絡對象。隱含層神經(jīng)元的確定沒有統(tǒng)一的方法，這里采用試錯法，經(jīng)過反復訓練確定隱含層為7個神經(jīng)元，輸出向量為1個神經(jīng)元，期望值1、2、3、4分別代表旅游安全的4種狀況：優(yōu)秀、良好、合格和惡劣。目前傳統(tǒng)神經(jīng)網(wǎng)絡面臨的難題是學習時間較長，特別是大規(guī)模神經(jīng)網(wǎng)絡學習時間太長，令人難以忍受；很容易陷入局部極小值，常常收斂于局部最優(yōu)解。因此采用改進BP算法的神經(jīng)網(wǎng)絡，RPROP是權(quán)重和閾值更新值的直接修改，它和以學習速率為基礎的算法相反，RPROP引入Resilient（有彈性的）更新值的概念直接修改權(quán)步的大小，和最初的反傳算法比較，在計算上僅有少量的耗費。

2結(jié)果

現(xiàn)有樣本數(shù)目共40個，利用它們訓練神經(jīng)網(wǎng)絡，為了驗證模型的有效性，精度檢驗時每次抽取39個樣本，用剩下的1個進行檢驗，得到該模型的使用精度93.2%；結(jié)果說明該模型預測精度較高，可以較好地滿足旅游安全預警系統(tǒng)的需要。

3結(jié)論

為了滿足我國旅游業(yè)未來發(fā)展的需要，在處理應急旅游安全突發(fā)性事件時，需要必要的事前預警和相關的知識儲備，運用修正的BP網(wǎng)絡建立旅游安全的預警系統(tǒng)，提高了網(wǎng)絡的收斂速度和學習訓練的效率，一定程度上克服了一般方法的主觀性，通過合理地期望輸出的選取并以此來劃分等級，能夠客觀地反映旅游安全的真實情況，保證了結(jié)果的客觀性。綜上所述，BP網(wǎng)絡用于旅游安全的預警系統(tǒng)構(gòu)建有很大的優(yōu)越性，值得進一步探索。

參考文獻：