導(dǎo)語：如何才能寫好一篇人工神經(jīng)網(wǎng)絡(luò)的優(yōu)點，這就需要搜集整理更多的資料和文獻(xiàn)，歡迎閱讀由公文云整理的十篇范文，供你借鑒。

篇1

【關(guān)鍵詞】人工神經(jīng)網(wǎng)絡(luò) BP神經(jīng)網(wǎng)絡(luò) 圖像識別 識別技術(shù)

通常而言，所謂圖像處理與識別，便是對實際圖像進(jìn)行轉(zhuǎn)換與變換，進(jìn)而達(dá)到識別的目的。圖像往往具有相當(dāng)龐大的信息量，在進(jìn)行處理圖像的時候要進(jìn)行降維、 數(shù)字化、濾波等程序，以往人們進(jìn)行圖像識別時采用投影法、不變矩法等方法，隨著計算機(jī)技術(shù)的飛速發(fā)展，人工神經(jīng)網(wǎng)絡(luò)的圖像識別技術(shù)將逐漸取代傳統(tǒng)的圖像識別方法，獲得愈來愈廣泛的應(yīng)用。

1 人工神經(jīng)網(wǎng)絡(luò)圖像識別技術(shù)概述

近年來，人工智能理論方面相關(guān)的理論越來越豐富，基于人工神經(jīng)網(wǎng)絡(luò)的圖像識別技術(shù)也獲得了非常廣泛的應(yīng)用，將圖像識別技術(shù)與人工神經(jīng)網(wǎng)絡(luò)技術(shù)結(jié)合起來的優(yōu)點是非常顯著的，比如說：

（1）由于神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)功能，可以使得系統(tǒng)能夠適應(yīng)識別圖像信息的不確定性以及識別環(huán)境的不斷變化。

（2）在一般情況下，神經(jīng)網(wǎng)絡(luò)的信息都是存儲在網(wǎng)絡(luò)的連接結(jié)構(gòu)以及連接權(quán)值之上，從而使圖像信息表示是統(tǒng)一的形式，如此便使得知識庫的建立與管理變得簡便起來。

（3）由于神經(jīng)網(wǎng)絡(luò)所具有的并行處理機(jī)制，在處理圖像時可以達(dá)到比較快的速度，如此便可以使圖像識別的實時處理要求得以滿足。

（4）由于神經(jīng)網(wǎng)絡(luò)可增加圖像信息處理的容錯性，識別系統(tǒng)在圖像遭到干擾的時候仍然能正常工作，輸出較準(zhǔn)確的信息。

2 圖像識別技術(shù)探析

2.1 簡介

廣義來講，圖像技術(shù)是各種與圖像有關(guān)的技術(shù)的總稱。根據(jù)研究方法以及抽象程度的不同可以將圖像技術(shù)分為三個層次，分為：圖像處理、圖像分析以及圖像理解，該技術(shù)與計算機(jī)視覺、模式識別以及計算機(jī)圖形學(xué)等學(xué)科互相交叉，與生物學(xué)、數(shù)學(xué)、物理學(xué)、電子學(xué)計算機(jī)科學(xué)等學(xué)科互相借鑒。此外，隨著計算機(jī)技術(shù)的發(fā)展，對圖像技術(shù)的進(jìn)一步研究離不開神經(jīng)網(wǎng)絡(luò)、人工智能等理論。

2.2 圖像處理、圖像識別與圖像理解的關(guān)系

圖像處理包括圖像壓縮、圖像編碼以及圖像分割等等，對圖像進(jìn)行處理的目的是判斷圖像里是否具有所需的信息并濾出噪聲，并對這些信息進(jìn)行確定。常用方法有灰度，二值化，銳化，去噪等；圖像識別則是將經(jīng)過處理的圖像予以匹配，并且對類別名稱進(jìn)行確定，圖像識別可以在分割的基礎(chǔ)之上對所需提取的特征進(jìn)行篩選，然后再對這些特征進(jìn)行提取，最終根據(jù)測量結(jié)果進(jìn)行識別；所謂圖像理解，指的是在圖像處理與圖像識別的基礎(chǔ)上，根據(jù)分類作結(jié)構(gòu)句法分析，對圖像進(jìn)行描述與解釋。所以，圖像理解包括圖像處理、圖像識別和結(jié)構(gòu)分析。就圖像理解部分而言，輸入是圖像，輸出是對圖像的描述解釋 。

3 人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和算法

在上個世紀(jì)八十年代，McClelland與Rumelhant提出了一種人工神經(jīng)網(wǎng)絡(luò)，截止現(xiàn)在，BP神經(jīng)網(wǎng)絡(luò)已經(jīng)發(fā)展成為應(yīng)用最為廣泛的神經(jīng)網(wǎng)絡(luò)之一，它是一種多層前饋神經(jīng)網(wǎng)絡(luò)，包括輸入層、輸出層和輸入層輸出層之間隱藏層，如圖1所示，便是一種典型的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

BP神經(jīng)網(wǎng)絡(luò)是通過不斷迭代更新權(quán)值使實際輸入與輸出關(guān)系達(dá)到期望，由輸出向輸入層反向計算誤差，從而通過梯度下降方法不斷修正各層權(quán)值的網(wǎng)絡(luò)。

BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)算法如下所述：

（1）對權(quán)值矩陣，學(xué)習(xí)速率，最大學(xué)習(xí)次數(shù)，閾值等變量和參數(shù)進(jìn)行初始化設(shè)置；

（2）在黑色節(jié)點處對樣本進(jìn)行輸入；

（3）對輸入樣本，前向計算人工神經(jīng)網(wǎng)絡(luò)隱層及輸出層各層神經(jīng)元的輸出；

（4）使用梯度下降方法不斷修正各層權(quán)值及閥值，由梯度算子得到的權(quán)值為

（6）判斷，判斷是否大于最大迭代次數(shù)或者是否誤差已經(jīng)達(dá)到要求。如果大于最大迭代次數(shù)或誤差達(dá)到要求，那么便直接轉(zhuǎn)到第（7）步，否則，轉(zhuǎn)到第（4）步對各個矩陣的權(quán)值繼續(xù)修正，反復(fù)訓(xùn)練；

（7）看是否遍歷所有樣本，是則結(jié)束，否則跳回第（3）步繼續(xù)。

BP神經(jīng)網(wǎng)絡(luò)操作簡單而有效，可通過Opencv的CvANN_MLP類， Matlab的模式識別工具箱Nprtool等實現(xiàn)，經(jīng)驗得出在如下情況中人工神經(jīng)網(wǎng)絡(luò)尤為適用：

（1）大量數(shù)據(jù)可用，卻不知道與輸出之間關(guān)系；

（2）問題的解決方案隨時間變化而變化；

（3）輸出是模糊的函數(shù)關(guān)系，而非精確數(shù)字。

4 人工神經(jīng)網(wǎng)絡(luò)圖像識別

傳感器或攝像儀輸入圖像識別系統(tǒng)以后，其目標(biāo)圖像不能夠與系統(tǒng)全部的參考圖像完全一樣， 這是由于對應(yīng)噪聲干擾，光線不足和放縮旋轉(zhuǎn)等問題。 基于人工神經(jīng)網(wǎng)絡(luò)對畸變圖像識別進(jìn)行深層分析，并且利用 CCD 攝像頭對圖像信息進(jìn)行采集，在此過程之中通過對攝像頭方位進(jìn)行更改對易出現(xiàn)畸變的圖像進(jìn)行采集，從而使得畸變圖像所帶信息組成樣本庫。在電腦里面輸入樣本庫中的圖像信息，并且進(jìn)行模數(shù)的轉(zhuǎn)化，變成數(shù)字圖像，利用數(shù)字濾波來對數(shù)字圖像信息進(jìn)行處理。在神經(jīng)網(wǎng)絡(luò)之中輸入樣本圖像數(shù)字信息來進(jìn)行訓(xùn)練，一方面可以基于數(shù)字圖像的像素點集合組成輸入矩陣，用高維數(shù)據(jù)作為訓(xùn)練樣本，通過主成分分析（PCA）的方法進(jìn)行降維，大大簡化計算量；一方面可以基于數(shù)字圖像的特征空間進(jìn)行聚類分割，提取幾何特征或者統(tǒng)計特征，輸入到SOFM神經(jīng)網(wǎng)絡(luò)或者Hopfield神經(jīng)網(wǎng)絡(luò)，從而使其生成圖像識別神經(jīng)網(wǎng)絡(luò)系統(tǒng)。在進(jìn)行圖像識別的時候使用CCD 攝像頭來采集識別圖像，并且把其模型轉(zhuǎn)化為數(shù)字圖像，預(yù)處理后，將其輸入到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)識別系統(tǒng)里面，就其可以開展快速的計算，并進(jìn)行識別。把圖像識別技術(shù)與人工神經(jīng)網(wǎng)絡(luò)理論有機(jī)結(jié)合起來，可以非常有效地實現(xiàn)神經(jīng)網(wǎng)絡(luò)信息系統(tǒng)的一致性， 此外，還可以將其對網(wǎng)絡(luò)連接結(jié)果與權(quán)值進(jìn)行存儲，促進(jìn)管理效率的提高，并對于知識庫的構(gòu)建也具有積極的作用。

5 結(jié)論

本文就基于人工神經(jīng)網(wǎng)絡(luò)的圖像識別技術(shù)進(jìn)行了詳細(xì)地闡述，由綜上研究可以基于人工神經(jīng)網(wǎng)絡(luò)的圖像識別技術(shù)具有比較多的優(yōu)點以及比較高的可行性，然而，我們對該技術(shù)存在的網(wǎng)絡(luò)規(guī)模及復(fù)雜圖像識別準(zhǔn)確度上還應(yīng)繼續(xù)進(jìn)行深入研究，以求技術(shù)突破。在將來，圖像識別技術(shù)隨著科技的不斷發(fā)展將會獲得更多的應(yīng)用，其勢必會發(fā)展為一門獨立且具備強(qiáng)大生命力的學(xué)科

參考文獻(xiàn)

[1]王強(qiáng)，張小溪，韓一紅.基于神經(jīng)網(wǎng)絡(luò)的圖像識別[J].電子設(shè)計工程，2012.

[2]雷建鋒，孫俊逸.基于人工神經(jīng)網(wǎng)絡(luò)下的圖像識別的研究[J].現(xiàn)代電子技術(shù)，2008.

篇2

一個完整的智能健康監(jiān)測專家系統(tǒng)簡單來說可以分為三個部分[3],即信號采集、信號處理和損傷診斷。其中損傷診斷是健康監(jiān)測的核心問題,是對結(jié)構(gòu)進(jìn)行安全性評估和維護(hù)決策的基礎(chǔ)。目前損傷診斷方法有多種,而人工神經(jīng)網(wǎng)絡(luò)(簡稱ANN)診斷技術(shù)在知識獲取、并行推理、適應(yīng)性學(xué)習(xí)、聯(lián)想推理、容錯能力等方面具有較大的優(yōu)越性。

1. 神經(jīng)網(wǎng)絡(luò)在損傷識別診斷中得應(yīng)用

神經(jīng)網(wǎng)絡(luò)技術(shù)之所以適合于結(jié)構(gòu)損傷診斷,主要有三個原因[4],①訓(xùn)練過的神經(jīng)網(wǎng)絡(luò)能夠存儲有關(guān)過程的知識,根據(jù)對象的正常歷史數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò),然后將此信息與當(dāng)前測量數(shù)據(jù)進(jìn)行比較,以確定損傷。②神經(jīng)網(wǎng)絡(luò)具有濾出噪聲及在有噪聲情況下得出正確結(jié)論的能力。③神經(jīng)網(wǎng)絡(luò)具有分辨損傷原因及損傷類型的能力。

損傷診斷可分為無模型識別法(Free-Model)和有模型識別法(Model-Based)兩大類[5]。

無模型識別是指損傷識別過程中不需要建立結(jié)構(gòu)的數(shù)學(xué)與力學(xué)模型,完全基于結(jié)構(gòu)現(xiàn)場實時檢測數(shù)據(jù)并考慮專家經(jīng)驗建立結(jié)構(gòu)狀態(tài)知識庫,然后采用人工神經(jīng)網(wǎng)絡(luò)診斷技術(shù)進(jìn)行診斷。因為結(jié)構(gòu)在不同狀態(tài)下其本身的某些往往會發(fā)生變化,這些變化包含了結(jié)構(gòu)損傷位置和損傷程度的信息,根據(jù)結(jié)構(gòu)特性變化分析就可以反演結(jié)構(gòu)是否存在損傷以及損壞位置和損傷程度。這是一個反分析過程,需要建立結(jié)構(gòu)關(guān)鍵性能指標(biāo)變化與結(jié)構(gòu)狀態(tài)的非線性關(guān)系。人工神經(jīng)網(wǎng)絡(luò)通過對實測數(shù)據(jù)加專家經(jīng)驗建立的知識信息進(jìn)行學(xué)習(xí),通過權(quán)值記下所學(xué)過的樣本知識并掌握輸入、輸出之間復(fù)雜的非線性關(guān)系。在診斷過程中,根據(jù)實測關(guān)鍵性能指標(biāo)的變化與儲存在已建知識庫的各種狀態(tài)的損傷識別量進(jìn)行模式匹配來進(jìn)行結(jié)構(gòu)的損傷檢測與診斷。建立在實測數(shù)據(jù)基礎(chǔ)上的專家數(shù)據(jù)知識庫,其知識信息具有真實性、連續(xù)性、準(zhǔn)確性,可以不斷更新。

基于模型的損傷診斷技術(shù)是在結(jié)構(gòu)健康診斷過程中,通過建立精細(xì)的能夠反映結(jié)構(gòu)的真實形態(tài)的結(jié)構(gòu)數(shù)學(xué)與力學(xué)模型,分析計算結(jié)構(gòu)在各種狀態(tài)下的參數(shù)指標(biāo),輔助實測數(shù)據(jù)以及考慮專家經(jīng)驗建立結(jié)構(gòu)狀態(tài)知識信息庫,利用人工神經(jīng)網(wǎng)絡(luò)的模式識別功能進(jìn)行結(jié)構(gòu)損傷狀態(tài)的診斷。所謂精細(xì)的模型是指理論分析的數(shù)據(jù)應(yīng)該和實測數(shù)據(jù)吻合得較好,兩者偏差要在允許范圍內(nèi),這與設(shè)計分析所需建立的計算模型相比要求更加嚴(yán)格,如果用于損傷識別的模型存在較大的模型誤差,會使計算的參數(shù)產(chǎn)生與損傷引起的參數(shù)改變相當(dāng),甚至更大的偏差,就可能使基于這些參數(shù)改變的損傷檢測方法識別結(jié)果較差,甚至失效。

通常采用有限元法建立結(jié)構(gòu)力學(xué)模型作為損傷診斷的基準(zhǔn)參考。進(jìn)行精細(xì)有效的有限元動力分析,一種方法是利用商業(yè)化軟件如ANSYS、ABAQUS和ADINA等。但這些程序?qū)τ谝恍┙Y(jié)構(gòu)有特殊要求的分析就無能為力,例如混凝土壩考慮動水壓力影響下的動力分析。這就需要利用自編程序來進(jìn)行分析,但是工作量較大。但已有的有限元模型修正技術(shù)僅適用“小誤差模型”的修正[6],而較大“誤差”的情況則屬于非適定的、非線性的問題。人工神經(jīng)網(wǎng)絡(luò)強(qiáng)大的非線性映射功能就非常適合解決結(jié)構(gòu)模型修正中非線性問題[7]。建立結(jié)構(gòu)有限元力學(xué)模型,選擇不同的材料物理參數(shù)與邊界條件可以計算不同的結(jié)構(gòu)響應(yīng),因此結(jié)構(gòu)響應(yīng)和結(jié)構(gòu)設(shè)計變量之間存在復(fù)雜的映射函數(shù)關(guān)系,這種近似映射函數(shù)關(guān)系用常規(guī)方法來確定比較困難。在前蘇聯(lián)數(shù)學(xué)家Kolmogorov提出的任意連續(xù)函數(shù)表示定理基礎(chǔ)上,Robert HN提出了Kolmogorov多層神經(jīng)網(wǎng)絡(luò)映射存在定理,從理論上論證了一個任意的連續(xù)函數(shù)都能與一個三層神經(jīng)網(wǎng)絡(luò)建立映射關(guān)系。這為人工神經(jīng)網(wǎng)絡(luò)用于結(jié)構(gòu)模型修正提供了理論基礎(chǔ)[7]。

2. 基于神經(jīng)網(wǎng)絡(luò)損傷診斷的兩級識別策略

采用人工神經(jīng)網(wǎng)絡(luò)方法對結(jié)構(gòu)損傷的發(fā)生、定位和損傷類型與程度進(jìn)行研究,可以采用基于網(wǎng)絡(luò)判別指標(biāo)過濾方法的兩級識別策略[8]。

2.1 自適應(yīng)神經(jīng)網(wǎng)絡(luò)方法檢測結(jié)構(gòu)損傷

自適應(yīng)神經(jīng)網(wǎng)絡(luò)方法(Auto-associate Neural Network)利用健康結(jié)構(gòu)在正常情況下的序列測量數(shù)據(jù)作為訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)的輸入和輸出數(shù)據(jù)X,Y,依次構(gòu)造一個自相關(guān)的神經(jīng)網(wǎng)絡(luò)Net=T(XY)。訓(xùn)練完成后,將輸入數(shù)據(jù)X再次輸入已訓(xùn)練的神經(jīng)網(wǎng)絡(luò)Net以便得到一組網(wǎng)絡(luò)輸出數(shù)據(jù),比較測量數(shù)據(jù)Y和網(wǎng)絡(luò)輸出數(shù)據(jù)的差值向量,采用某種距離測度函數(shù)加以測量形成健康結(jié)構(gòu)的判別指標(biāo)。判別指標(biāo)可以采用結(jié)構(gòu)某個動力特性參數(shù)加以構(gòu)造,也可將多個動力特性參數(shù)同時考慮加以構(gòu)造。具體結(jié)構(gòu)中最終如何構(gòu)造判別指標(biāo),需要根據(jù)結(jié)構(gòu)特點進(jìn)行判別指標(biāo)對結(jié)構(gòu)損傷的敏感度的分析加以確定。

當(dāng)同一個結(jié)構(gòu)可能發(fā)生損傷以后的測量數(shù)據(jù)被作為輸入數(shù)據(jù)通過已經(jīng)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)Net,由本次輸入數(shù)據(jù)和輸出數(shù)據(jù)可以計算得到的新的判別指標(biāo),與健康結(jié)構(gòu)的判別指標(biāo)相比較,就可以預(yù)告結(jié)構(gòu)是否發(fā)生損傷。如果兩者差值(可以稱為損傷指標(biāo))較大,就認(rèn)為結(jié)構(gòu)已經(jīng)發(fā)生損傷。

2.2 概率神經(jīng)網(wǎng)絡(luò)方法檢測結(jié)構(gòu)損傷的位置和類型

結(jié)構(gòu)損傷指標(biāo)的判定通常只能檢測損傷的發(fā)生,難以確定損傷的位置和損傷的類型。概率神經(jīng)網(wǎng)絡(luò)(Probabilistic Neural Network,簡稱PNN)可以用于判定損傷的位置和類型。

PNN[9-11]是通過具有無參數(shù)估計量的已知數(shù)據(jù)集的概率密度函數(shù)來實現(xiàn)貝葉斯決策,將其加在人工神經(jīng)網(wǎng)絡(luò)框架中,接著進(jìn)行判別未知數(shù)據(jù)最大可能屬于哪個已知數(shù)集,對于具有,,…,,…,的多類指標(biāo)問題來說,基于p維試驗向量X的貝葉斯決策d(X)為: (1)

式中――分類指標(biāo)的先驗概率

――與錯誤分類的相關(guān)損失,在損傷檢測問題中兩者通常假定相等

――概率密度函數(shù)

采用多變量高斯(Gauss)分布函數(shù):

(2)

將該貝葉斯決策映射為一個人工神經(jīng)網(wǎng)絡(luò)構(gòu)成一個概率神經(jīng)網(wǎng)絡(luò),該網(wǎng)絡(luò)分為四層,即輸入層、模式層、求和層和決策層,如圖1所示。

輸入向量X的每個元素作為輸入層的輸入?yún)?shù)。由權(quán)重向量和向量X的點積構(gòu)成中間層的神經(jīng)元,而相對于分類號q的決策層神經(jīng)元輸出為:

(3)

式中 ――高斯核的標(biāo)準(zhǔn)差

傳統(tǒng)PNN對所有高斯核都采用統(tǒng)一的值。影響傳統(tǒng)PNN廣泛應(yīng)用的最大障礙就是所有的參數(shù)具有同一個參數(shù)值。對于自適應(yīng)PNN,每一測量維數(shù)具有不同的參數(shù)。

假定具有不同損傷部位(即損傷模式)和不同剛度損傷程度(如0%,20%,75%和90%)的有限元分析得到的模態(tài)數(shù)據(jù)作為輸入數(shù)據(jù)輸入PNN進(jìn)行訓(xùn)練,數(shù)據(jù)可以加入或者不加入環(huán)境“污染”分量。損傷位置或類型假定有多種。如果結(jié)構(gòu)損傷標(biāo)識量選用自振頻率變化率,輸入向量X為P個自振頻率變化率,將帶有某種類型損傷(或混合模式損傷)的實測模態(tài)數(shù)據(jù)輸入訓(xùn)練好的PNN,則得到?jīng)Q策層(輸出層)各個損傷形態(tài)在試驗向量點對應(yīng)的概率密度函數(shù)PDF的估計值,具有最大PDF的損傷模式將給出損傷的位置或者類型。

這種損傷診斷方法最大優(yōu)勢在于可以降低測量誤差對損傷識別結(jié)果的影響。因為損傷識別指標(biāo)對模態(tài)參數(shù)變化率敏感,對于具有相同環(huán)境“污染”程度的前后兩次數(shù)據(jù),其“污染”造成的誤差可以抵消,從而對損傷識別精度的影響較小。從本質(zhì)上說,如果網(wǎng)絡(luò)訓(xùn)練階段并不需要數(shù)學(xué)模型分析而直接采用健康結(jié)果的實測數(shù)據(jù),則神經(jīng)網(wǎng)絡(luò)算法并不需要數(shù)學(xué)模型,這也是該算法的一個優(yōu)點。

研究表明[12, 13],在損傷診斷過程中,模型誤差對損傷識別結(jié)果的影響要比測量誤差小,而且隨著損傷程度的增加而變化不大。用誤差≯10%的模型來訓(xùn)練人工神經(jīng)網(wǎng)絡(luò),是完全可以接受的。神經(jīng)網(wǎng)絡(luò)對損傷的識別結(jié)果受測量誤差影響較大,但隨損傷程度的增加而降低。改善測量誤差,降低其對識別結(jié)果的影響極其重要。

3. 基于WPNN與數(shù)據(jù)融合的損傷檢測方法

近年來。不斷發(fā)展起來的多傳感器數(shù)據(jù)融合(或稱信息融合)技術(shù)以其強(qiáng)大的時空覆蓋能力和對多源不確定性信息的綜合處理能力,可以有效進(jìn)行結(jié)構(gòu)系統(tǒng)的監(jiān)測和診斷。雖然目前基于動力響應(yīng)的各種智能損傷診斷技術(shù)得到研究,但這些技術(shù)存在著識別精度不高或適用條件等缺陷。目前迅速發(fā)展的數(shù)據(jù)融合技術(shù)具有充分利用各個數(shù)據(jù)源包含的冗余和互補(bǔ)信息的優(yōu)點,可以提高系統(tǒng)決策的準(zhǔn)確性和魯棒性。姜紹飛等[14]提出的基于小波概率神經(jīng)網(wǎng)絡(luò)(wavelet probabilistic neural network WPNN)和數(shù)據(jù)融合的結(jié)構(gòu)損傷檢測方法將兩者有機(jī)結(jié)合,推動了神經(jīng)網(wǎng)絡(luò)技術(shù)在土木結(jié)構(gòu)健康檢測中應(yīng)用的發(fā)展。

3.1 數(shù)據(jù)融合

數(shù)據(jù)融合是多源信息綜合處理的一項新技術(shù),是將來自某一目標(biāo)(結(jié)構(gòu))的多源信息加以智能化合成,得到比單一傳感器更精確、更完全的估計,其有點突出表現(xiàn)在信息的冗余性、容錯性、互補(bǔ)性、實時性和低成本性。神經(jīng)網(wǎng)絡(luò)是由大量單元組成的非線性大規(guī)模自適應(yīng)動力系統(tǒng),具有學(xué)習(xí)、容錯、記憶、計算以及智能處理,二者在結(jié)構(gòu)上存在著相似性,可以充分利用神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)優(yōu)勢,考慮傳感器或者信息處理單元之間的互相影響、互相制約的關(guān)系,體現(xiàn)了信息融合系統(tǒng)是一個有機(jī)的整體,而不是多種信息的羅列和簡單的代數(shù)加減關(guān)系。根據(jù)信息(數(shù)據(jù))表征的級次,數(shù)據(jù)融合可以分為數(shù)據(jù)級融合、特征級融合和決策級融合。

3.2 小波變化及小波概率神經(jīng)網(wǎng)絡(luò)

設(shè)函數(shù),如果滿足,則稱為基本小波或母小波。將母小波函數(shù)伸縮和平移,得到的函數(shù)稱為小波函數(shù),簡稱小波。

設(shè)信號,則其小波變換定義為

基于小波變化的神經(jīng)網(wǎng)絡(luò)稱為小波神經(jīng)網(wǎng)絡(luò),它是小波分析與神經(jīng)網(wǎng)絡(luò)的融合(結(jié)合)二者的結(jié)合有兩種途徑:其一,將小波分析作為神經(jīng)網(wǎng)絡(luò)的前置處理手段,為神經(jīng)網(wǎng)絡(luò)提供輸入特征向量,也稱松散型小波神經(jīng)網(wǎng)絡(luò)、其二,將小波分析與神經(jīng)網(wǎng)絡(luò)直接融合,即以小波函數(shù)和尺度函數(shù)來形成神經(jīng)元,也稱緊湊型小波神經(jīng)網(wǎng)絡(luò)。小波神經(jīng)網(wǎng)絡(luò)繼承了小波分析與神經(jīng)網(wǎng)絡(luò)的優(yōu)點,通過訓(xùn)練自適應(yīng)地調(diào)整小波基的形狀實現(xiàn)小波變換,具有良好的函數(shù)逼近能力和模式分類能力。

3.3 基于WPNN與數(shù)據(jù)融合的損傷檢測方法

為了充分發(fā)揮數(shù)據(jù)融合與WPNN的優(yōu)點,提出了基于WPNN與數(shù)據(jù)融合的損傷模型(見圖2),它首先將來自傳感器1的結(jié)構(gòu)響應(yīng)進(jìn)行數(shù)據(jù)預(yù)處理、特征提取,采用小波理論,獲得該傳感器的小波能量特征向量;依次類推,獲得其他傳感器的小波能量特征向量;然后將這些小波能量特征向量放入WPNN中,進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練及融合計算;最后根據(jù)最大的概率密度函數(shù)值得到融合損傷識別結(jié)果及損傷類型。

為了驗證該方法的有效性,姜紹飛運(yùn)用美國土木工程學(xué)會提出的一個4層鋼結(jié)構(gòu)框架模型進(jìn)行驗證[14]。通過驗證可見,基于WPNN與數(shù)據(jù)融合的損傷檢測方法的識別效果比用單傳感器進(jìn)行損傷識別分類的效果好,它對損傷最敏感,受噪聲的干擾影響最小;另一方面也說明,數(shù)據(jù)融合能夠使不同傳感器的信息相互補(bǔ)充,從而減小了損傷檢測數(shù)據(jù)(信息)的不確定性,使結(jié)構(gòu)的信息具有更高的精度和可靠性,進(jìn)而能夠獲得更準(zhǔn)確的損傷識別結(jié)果及最優(yōu)的結(jié)構(gòu)狀態(tài)估計。

4. 用于損傷診斷的神經(jīng)網(wǎng)絡(luò)輸入?yún)?shù)選擇

采用什么參數(shù)作為神經(jīng)網(wǎng)絡(luò)的輸入向量是利用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行結(jié)構(gòu)損傷診斷中需要考慮的極其關(guān)鍵的一個問題。神經(jīng)網(wǎng)絡(luò)輸入?yún)?shù)的選擇及其表達(dá)形式直接影響損傷診斷的結(jié)果。采用結(jié)構(gòu)動力參數(shù)作為結(jié)構(gòu)損傷識別的方法現(xiàn)在得到大量的應(yīng)用。其原因一方面是結(jié)構(gòu)動力參數(shù)是結(jié)構(gòu)本身固有特性,受外界環(huán)境干擾較小。另一方面結(jié)構(gòu)自振頻率和振動模態(tài)等動力參數(shù)比較容易從少量的動態(tài)測量中得到,而且測量方法比較簡單?；诮Y(jié)構(gòu)動力特性的損傷診斷方法,其基本思想是結(jié)構(gòu)的物理參數(shù)如剛度、質(zhì)量和阻尼比等在結(jié)構(gòu)不同狀態(tài)中的變化會改變結(jié)構(gòu)動力特性――固有頻率和模態(tài)。因此可以根據(jù)結(jié)構(gòu)的固有頻率、模態(tài)振型或者兩者一起考慮等方法進(jìn)行檢測,另外還可以利用這些模態(tài)參數(shù)計算模態(tài)曲率、應(yīng)變模態(tài)、結(jié)構(gòu)柔度、模態(tài)阻尼比等力學(xué)指標(biāo),然后采用神經(jīng)網(wǎng)絡(luò)算法等對結(jié)構(gòu)的損傷發(fā)生、損傷定位、損傷程度進(jìn)行檢測。對于簡單的構(gòu)件來說,采用結(jié)構(gòu)固有振動頻率作為網(wǎng)絡(luò)輸入?yún)?shù)就可以得到良好的診斷結(jié)果[15-17]。固有頻率可以在結(jié)構(gòu)的一個點上測到,并且與測點位置相對獨立,是一個能反映結(jié)構(gòu)整體的動力特性。但對于一般結(jié)構(gòu),固有頻率包含的結(jié)構(gòu)損傷信息還不足以進(jìn)行識別與定位,例如對稱結(jié)構(gòu),兩個對稱位置的損傷所引起的固有頻率變化是完全相同的。因此有人建議采用固有頻率和關(guān)鍵點的振型模態(tài)作為組合參數(shù)進(jìn)行神經(jīng)網(wǎng)絡(luò)損傷診斷比較實用[18, 19],這可以解決對稱結(jié)構(gòu)和測量模態(tài)數(shù)據(jù)不完備問題。

對于結(jié)構(gòu)損傷診斷來說,固有頻率和振動模態(tài)是檢測的全局量,可以用來對結(jié)構(gòu)整體狀態(tài)進(jìn)行描述。但對于復(fù)雜結(jié)構(gòu),像大跨徑橋梁,其贅余度大,造成結(jié)構(gòu)局部損傷對整體性能反映影響不大,也就是說全局參數(shù)指標(biāo)對局部損傷不敏感。例如結(jié)構(gòu)局部損傷導(dǎo)致的固有頻率變化很小,估計

采用全局量可以判斷結(jié)構(gòu)是否損傷,而用于結(jié)構(gòu)損傷定位的物理參數(shù)需要選擇局域量,且需滿足四個基本條件[22],①對局部損傷敏感,且為結(jié)構(gòu)損傷的單調(diào)函數(shù)。②具有明確的位置坐標(biāo)。③在損傷位置,損傷標(biāo)識量應(yīng)出現(xiàn)明顯的峰值變化。④在非損傷位置,損傷標(biāo)識量或者不發(fā)生變化,或者變化幅度小于預(yù)定的閾值。

陸秋海[23]比較了六種不同輸入?yún)?shù)對于結(jié)構(gòu)損傷的敏感程度。得到的結(jié)論是,六種輸入?yún)?shù)對結(jié)構(gòu)損傷的敏感程度從低到高依次為:位移模態(tài)指標(biāo)、固有振動頻率指標(biāo)、位移頻響函數(shù)指標(biāo)、曲率、應(yīng)變模態(tài)指標(biāo)以及應(yīng)變頻響函數(shù)指標(biāo)。相比較來看,應(yīng)變模態(tài)指標(biāo)是較好的結(jié)構(gòu)動力損傷診斷的損傷識別標(biāo)識量,而且有對結(jié)構(gòu)局部損傷敏感的優(yōu)點,可以用作大型土木結(jié)構(gòu)局部損傷定位的人工神經(jīng)網(wǎng)絡(luò)診斷輸入?yún)?shù)。

5. 用于損傷診斷的神經(jīng)網(wǎng)絡(luò)選擇

人工神經(jīng)網(wǎng)絡(luò)是在人類對其大腦神經(jīng)網(wǎng)絡(luò)認(rèn)識理解的基礎(chǔ)上人工構(gòu)造的能實現(xiàn)某種功能的神經(jīng)網(wǎng)絡(luò)。它是理論化的人腦神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)模型,是基于模仿大腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和功能而建立的一種信息處理系統(tǒng)。

人工神經(jīng)網(wǎng)絡(luò)發(fā)展幾十年來,形成了數(shù)十種網(wǎng)絡(luò),包括多層感知器,BP網(wǎng)絡(luò)、Hopfield網(wǎng)絡(luò)、RBF網(wǎng)絡(luò)、自適應(yīng)共振理論和概率神經(jīng)網(wǎng)絡(luò)等等。這些網(wǎng)絡(luò)由于結(jié)構(gòu)不同,應(yīng)用范圍業(yè)有所不同,但這些神經(jīng)網(wǎng)絡(luò)模型原則上講都可用來進(jìn)行結(jié)構(gòu)損傷診斷,只是存在簡單與復(fù)雜、穩(wěn)定與不穩(wěn)定、診斷效果高低與診斷結(jié)果好壞的差別。前面介紹的大型結(jié)構(gòu)基于神經(jīng)網(wǎng)絡(luò)的兩級損傷識別策略是采用以自適應(yīng)共振理論為基礎(chǔ)的自組織神經(jīng)網(wǎng)絡(luò)和概率神經(jīng)網(wǎng)絡(luò)。

建立大型土木結(jié)構(gòu)的智能健康監(jiān)測專家系統(tǒng),首先要建立損傷診斷的子系統(tǒng)。采用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行記誒構(gòu)損傷診斷,首先要根據(jù)各種神經(jīng)網(wǎng)絡(luò)的特點和適用范圍,選擇解決自己問題的合適模型,然后采用某種程序語言進(jìn)行編制。若采用商業(yè)化軟件建立損傷診斷子系統(tǒng),則不能很好地與信號采集系統(tǒng)及專家知識庫進(jìn)行有效鏈接,從而妨礙實施在線檢測與連續(xù)診斷。Matla現(xiàn)已成為國際上公認(rèn)的最優(yōu)秀的數(shù)值計算和仿真軟件,其強(qiáng)大的擴(kuò)展功能為各個領(lǐng)域的應(yīng)用提供了基礎(chǔ),由各個領(lǐng)域的專家在Matlab平臺上推出了30多個應(yīng)用的工具箱。神經(jīng)網(wǎng)絡(luò)工具箱是Matlab環(huán)境下所開發(fā)的許多工具箱之一,它是以人工神經(jīng)網(wǎng)絡(luò)理論為基礎(chǔ),用Matlab語言構(gòu)造出各種神經(jīng)網(wǎng)絡(luò)算法。因此建立人工神經(jīng)網(wǎng)絡(luò)進(jìn)行損傷診斷時,利用Matlab語言可以減少工作量,提高效率。

參考文獻(xiàn):

[1] 李宏男,李東升. 土木工程結(jié)構(gòu)安全性評估、健康監(jiān)測及診斷述評[J]. 地震工程與工程振動. 2002(3): 82.

[2] 謝強(qiáng),薛松濤. 土木工程結(jié)構(gòu)健康監(jiān)測的研究狀況與進(jìn)展[R]. , 2001.

[3] 周智,歐進(jìn)萍. 土木工程智能健康監(jiān)測與診斷系統(tǒng)[J]. 傳感器技術(shù). 2001, 20(11): 1-4.

[4] 姜紹飛,周廣師,劉紅兢,劉明. 考慮不確定性因素的結(jié)構(gòu)損傷檢測方法[J]. 沈陽建筑工程學(xué)院學(xué)報(自然科學(xué)版). 2002(2): 85-87.

[5] 陳,羅躍剛等. 結(jié)構(gòu)損傷檢測與智能診斷[M]. 北京: 科學(xué)出版社, 2001.

[6] 張德文,魏阜旋. 模型修正與破損診斷[M]. 北京: 科學(xué)出版社, 1999.

[7] 段雪平, 朱宏平, 熊世樹. 神經(jīng)網(wǎng)絡(luò)在建筑物有限元模型修正中的應(yīng)用[J]. 噪聲與振動控制. 2000(2): 11.

[8] 姜紹飛. 基于神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)優(yōu)化與損傷識別[M]. 北京: 科學(xué)出版社, 2002.

[9] 王柏生,倪一清,高贊明. 用概率神經(jīng)網(wǎng)絡(luò)進(jìn)行解雇損傷位置識別[J]. 振動工程學(xué)報. 2001, 14(1): 60-64.

[10] 姜紹飛,倪一清,高贊明. 基于概率神經(jīng)網(wǎng)絡(luò)的青馬懸索橋定位的仿真研究[J]. 工程力學(xué). 2001: 965-969.

[11] 杜德潤. 地震作用下大體積混凝土結(jié)構(gòu)損傷識別研究[D]. 南京: 東南大學(xué), 2002.

[12] 王柏生,丁皓江,倪一清,高贊明. 模型參數(shù)誤差對用神經(jīng)網(wǎng)絡(luò)進(jìn)行結(jié)構(gòu)損傷識別的影響[J]. 土木工程學(xué)報. 2000(1): 50-55.

[13] Wang Bai-sheng,ni Yi-qing K J. Influence of measurement errors on structural damage identification using artificial neural networks[J]. Journal of Zhenjiang University. 2000, 1(3): 191-299.

[14] 姜紹飛,付春,陳仲堂, 盛巖. 基于WPNN與數(shù)據(jù)融合的損傷檢測方法[J]. 沈陽建筑大學(xué)學(xué)報(自然科學(xué)版). 2005(2).

[15] 陳建林,郭杏林. 基于神經(jīng)網(wǎng)絡(luò)的簡支梁損傷檢測研究[J]. 煙臺大學(xué)學(xué)報(自然科學(xué)與工程版). 2001(3).

[16] 羅躍綱, 陳, 王占國. 鋼梁損傷的神經(jīng)網(wǎng)絡(luò)診斷分析[J]. 工業(yè)建筑. 2002(1).

[17] 羅躍綱, 劉紅兢, 王政奎. 鋼板結(jié)構(gòu)損傷對其動力特性的影響研究[J]. 沈陽工業(yè)大學(xué)學(xué)報. 2002(3).

[18] 郭國會,易偉建. 基于神經(jīng)網(wǎng)絡(luò)的框架結(jié)構(gòu)破損評估[J]. 重慶建筑大學(xué)學(xué)報. 1999, 21(3): 106-121.

[19] 王柏生,倪一清,高贊明. 框架結(jié)構(gòu)連接損傷識別神經(jīng)網(wǎng)絡(luò)輸入?yún)?shù)的確定[J]. 振動工程學(xué)報. 2000, 13(1): 137-142.

[20] 雷俊卿,錢冬生. 長大跨橋?qū)崟r監(jiān)測預(yù)警系統(tǒng)研究[J]. 公路. 2002(2): 1-4.

[21] 瞿偉廉,陳偉. 多層及高層框架結(jié)構(gòu)地震損傷診斷的神經(jīng)網(wǎng)絡(luò)方法[J]. 地震工程與工程振動. 2002, 22(1): 43-48.

篇3

關(guān)鍵詞：計算機(jī)網(wǎng)絡(luò)模型；神經(jīng)網(wǎng)絡(luò)算法

計算機(jī)網(wǎng)絡(luò)在人們?nèi)粘Ｉ钤絹碓街匾?，被廣泛應(yīng)用到各個行業(yè)。隨著社會不斷發(fā)展，人們需求不斷加高，使計算機(jī)得到良好改善，目前，計算機(jī)網(wǎng)絡(luò)運(yùn)用集線式服務(wù)器來實現(xiàn)網(wǎng)絡(luò)互連，促進(jìn)網(wǎng)絡(luò)發(fā)展。但是也有很大弊端，過多的聯(lián)想信息雖然滿足人們需求，但是對技術(shù)的要求也更加苛刻，現(xiàn)有的技術(shù)滿足不了計算機(jī)網(wǎng)絡(luò)運(yùn)行，使人們?nèi)粘２僮鞑环奖?。為了解決這一問題，研究人員需要全面優(yōu)化計算機(jī)網(wǎng)絡(luò)，提高運(yùn)行能力和性能，運(yùn)用神經(jīng)網(wǎng)絡(luò)算法，使計算機(jī)更加適合現(xiàn)代社會發(fā)展，儲存更多信息。

1神經(jīng)網(wǎng)絡(luò)算法概論分析

1.1神經(jīng)網(wǎng)絡(luò)算法整體概論神經(jīng)網(wǎng)絡(luò)算法是按照人體大腦的思維方式進(jìn)行模擬，根據(jù)邏輯思維進(jìn)行推理，將信息概念化形成人們認(rèn)知的符號，呈現(xiàn)在顯示屏前。根據(jù)邏輯符號按照一定模式進(jìn)行指令構(gòu)造，使計算機(jī)執(zhí)行。目前，神經(jīng)網(wǎng)絡(luò)被廣泛使用，使直觀性的思維方式分布式存儲信息，建立理論模型。優(yōu)化網(wǎng)絡(luò)的神經(jīng)網(wǎng)絡(luò)主要是Hop?eld神經(jīng)網(wǎng)絡(luò)，是1982年由美國物理學(xué)家提出的，它能夠模擬神經(jīng)網(wǎng)絡(luò)的記憶機(jī)理，是全連接的神經(jīng)網(wǎng)絡(luò)。Hop?eld神經(jīng)網(wǎng)絡(luò)中的每個神經(jīng)元都能夠信號輸出，還能夠?qū)⑿盘柾ㄟ^其他神經(jīng)元為自己反饋，那么其也稱之為反饋性神經(jīng)網(wǎng)絡(luò)。

1.2優(yōu)化神經(jīng)網(wǎng)絡(luò)基本基礎(chǔ)Hop?eld神經(jīng)網(wǎng)絡(luò)是通過能量函數(shù)分析系統(tǒng)，結(jié)合儲存系統(tǒng)和二元系統(tǒng)的神經(jīng)網(wǎng)絡(luò)，Hop?eld神經(jīng)網(wǎng)絡(luò)能收斂到穩(wěn)定的平衡狀態(tài)，并以其認(rèn)為樣本信息，具備聯(lián)想記憶能力，使某種殘缺信息進(jìn)行回想還原，回憶成完整信息。但是Hop?eld神經(jīng)網(wǎng)絡(luò)記憶儲存量有限，而且大多數(shù)信息是不穩(wěn)定的，合理優(yōu)化計算機(jī)聯(lián)想問題，使Hop?eld神經(jīng)網(wǎng)絡(luò)能夠建設(shè)模型。

1.3神經(jīng)網(wǎng)絡(luò)算法優(yōu)化步驟簡述人工神經(jīng)網(wǎng)絡(luò)是模擬思維，大多是根據(jù)邏輯思維進(jìn)行簡化，創(chuàng)造指令使計算機(jī)執(zhí)行。神經(jīng)網(wǎng)絡(luò)算法是按照人體思維進(jìn)行建設(shè)，通過反應(yīng)問題的方法來表述神經(jīng)思維的解；利用有效條件和能量參數(shù)來構(gòu)造網(wǎng)絡(luò)系統(tǒng)，使神經(jīng)網(wǎng)絡(luò)算法更加可靠；大多數(shù)動態(tài)信息需要神經(jīng)網(wǎng)絡(luò)來根據(jù)動態(tài)方程計算，得出數(shù)據(jù)參數(shù)來進(jìn)行儲存。

2神經(jīng)網(wǎng)絡(luò)算法的特點與應(yīng)用

2.1神經(jīng)網(wǎng)絡(luò)主要特點神經(jīng)網(wǎng)絡(luò)是根據(jù)不同組件來模擬生物體思維的功能，而神經(jīng)網(wǎng)絡(luò)算法是其中一種程序，將信息概念化，按照一定人們認(rèn)知的符號來編程指令，使計算機(jī)執(zhí)行，應(yīng)用于不同研究和工程領(lǐng)域。神經(jīng)網(wǎng)絡(luò)在結(jié)構(gòu)上是由處理單元組成，模擬人體大腦神經(jīng)單元，雖然每個單元處理問題比較簡單，但是單元進(jìn)行組合可以對復(fù)雜問題進(jìn)行預(yù)知和處理的能力，還可以進(jìn)行計算，解決問題能力突出，能夠運(yùn)用在計算機(jī)上，可以提高計算機(jī)運(yùn)算準(zhǔn)確度，從而保障計算機(jī)運(yùn)行能力。而且一般神經(jīng)網(wǎng)絡(luò)有較強(qiáng)容錯性，不同單元的微小損傷并不阻礙整體網(wǎng)絡(luò)運(yùn)行，如果有部分單元受到損傷，只會制約運(yùn)算速度，并不妨礙準(zhǔn)確度，神經(jīng)網(wǎng)絡(luò)在整體性能上能夠正常工作。同時，神經(jīng)網(wǎng)絡(luò)主干部分受到損傷，部分單元會進(jìn)行獨立計算，依然能夠正常工作。

2.2神經(jīng)網(wǎng)絡(luò)信息記憶能力神經(jīng)網(wǎng)絡(luò)信息存儲能力非常強(qiáng)，整體單元組合進(jìn)行分布式存儲。目前，神經(jīng)網(wǎng)絡(luò)算法是單元互相連接，形成非線性動態(tài)系統(tǒng)，每個單元存儲信息較少，大量單元互相結(jié)合存儲信息大量增加。神經(jīng)網(wǎng)絡(luò)具備學(xué)習(xí)能力，通過學(xué)習(xí)可以得到神經(jīng)網(wǎng)絡(luò)連接結(jié)構(gòu)，在進(jìn)行日常圖像識別時，神經(jīng)網(wǎng)絡(luò)會根據(jù)輸入的識別功能進(jìn)行自主學(xué)習(xí)，過后在輸入相同圖像，神經(jīng)網(wǎng)絡(luò)會自動識別。自主學(xué)習(xí)能力給神經(jīng)網(wǎng)絡(luò)帶來重要意義，能夠使神經(jīng)網(wǎng)絡(luò)不斷成長，對人們未來日常工作能夠很好預(yù)測，滿足人們的需求。

2.3神經(jīng)網(wǎng)絡(luò)的突出優(yōu)點近年來，人工神經(jīng)網(wǎng)絡(luò)得到越來越多人重視，使神經(jīng)網(wǎng)絡(luò)得到足夠資源進(jìn)行良好創(chuàng)新。人工神經(jīng)網(wǎng)絡(luò)是由大量基本元件構(gòu)成，對人腦功能的部分特性進(jìn)行模仿和簡化，人工神經(jīng)網(wǎng)絡(luò)具備復(fù)雜線性關(guān)系，與一般計算機(jī)相比，在構(gòu)成原理和功能特點更加先進(jìn)，人工神經(jīng)網(wǎng)絡(luò)并不是按照程序來進(jìn)行層次運(yùn)算，而是能夠適應(yīng)環(huán)境，根據(jù)人們提供的數(shù)據(jù)進(jìn)行模擬和分析，完成某種運(yùn)算。人工神經(jīng)系統(tǒng)具備優(yōu)良容錯性，由于大量信息存儲在神經(jīng)單元中，進(jìn)行分布式存儲，當(dāng)信息受到損害時，人工神經(jīng)系統(tǒng)也可以正常運(yùn)行。人工神經(jīng)網(wǎng)絡(luò)必須要有學(xué)習(xí)準(zhǔn)則制約來能夠自主學(xué)習(xí)，然后進(jìn)行工作。目前，人工神經(jīng)網(wǎng)絡(luò)已經(jīng)逐步具備自適應(yīng)和自組織能力，在學(xué)習(xí)或訓(xùn)練過程中改變突觸權(quán)重值，以適應(yīng)周圍環(huán)境的要求。通過一定學(xué)習(xí)方式和某些規(guī)則，人工神經(jīng)網(wǎng)絡(luò)可以自動發(fā)現(xiàn)環(huán)境特征和規(guī)律性，更貼近人腦某些特征。采用并行分布處理方法，使得快速進(jìn)行大量運(yùn)算成為可能。神經(jīng)網(wǎng)絡(luò)的一個很大的優(yōu)點是很容易在并行計算機(jī)上實現(xiàn)，可以把神經(jīng)的節(jié)點分配到不同的CPU上并行計算。錢藝等提出了一種神經(jīng)網(wǎng)絡(luò)并行處理器的體系結(jié)構(gòu)，能以較高的并行度實現(xiàn)典型的前饋網(wǎng)絡(luò)如BP網(wǎng)絡(luò)和典型的反饋網(wǎng)絡(luò)(如Hop?eld網(wǎng)絡(luò))的算法。該算法以SIMD(SingleInstructionMultipleData)為主要計算結(jié)構(gòu)，結(jié)合這兩種網(wǎng)絡(luò)算法的特點設(shè)計了一維脈動陣列和全連通的互連網(wǎng)絡(luò)，能夠方便靈活地實現(xiàn)處理單元之間的數(shù)據(jù)共享。結(jié)合粒子群優(yōu)化算法和個體網(wǎng)絡(luò)的并行學(xué)習(xí)機(jī)制，提出了一種基于粒子群優(yōu)化的并行學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)集成構(gòu)造方法。

3結(jié)束語

全球化的發(fā)展，信息交流不斷加快，促使各個行業(yè)相互融合。神經(jīng)網(wǎng)絡(luò)算法具備簡單、穩(wěn)定等不同優(yōu)勢，神經(jīng)網(wǎng)絡(luò)研究內(nèi)容相當(dāng)廣泛，神經(jīng)網(wǎng)絡(luò)算法能夠與其它算法相互結(jié)合，在一定程度提高計算機(jī)網(wǎng)絡(luò)模型運(yùn)算能力。但是計算機(jī)網(wǎng)絡(luò)模型中神經(jīng)網(wǎng)絡(luò)算法學(xué)習(xí)能力比較低下，梯度下降法不準(zhǔn)確，所以需要有關(guān)人員進(jìn)行深度研究，探索神經(jīng)網(wǎng)絡(luò)算法，使其更加完善，從而保證計算機(jī)整體性能的提高。

參考文獻(xiàn)：

[1]陳竺.計算機(jī)網(wǎng)絡(luò)連接增強(qiáng)優(yōu)化中的神經(jīng)網(wǎng)絡(luò)算法[J].電子技術(shù)與軟件工程,2014(19).

篇4

Abstract: Financial management decision support system (hereinafter referred to as the DSS) is to assist decision-makers at various levels realize financial management. It achieves scientific management through mainly the man-machine interactive way and the use of a lot of financial data and numerous model. Neural network is a complicated nonlinear network system, and it mainly consists of many processing units which are similar to neuron. The combination of financial management and neural network and decision support system can realize the automation of adaptive, associating and reasoning, and data mining, and make the financial management, decision-making, and execution more scientific, standardized, and intelligent.

關(guān)鍵詞： 財務(wù)管理；神經(jīng)網(wǎng)絡(luò)；決策支持系統(tǒng)；專家系統(tǒng)

Key words: financial management；nerve network；decision support system （DSS）；expert system

中圖分類號：F275 文獻(xiàn)標(biāo)識碼：A 文章編號：1006-4311（2012）03-0126-02

0 引言

DSS是80年代迅速發(fā)展起來的新型計算機(jī)科學(xué)。它是一個有著廣泛應(yīng)用背景的十分熱門的交叉科學(xué)。神經(jīng)網(wǎng)絡(luò)是一個具有高度非線性的超大規(guī)模連續(xù)時間的動力系統(tǒng)。結(jié)合神經(jīng)網(wǎng)絡(luò)的智能決策支持系統(tǒng)是目前研究的前沿之一，它極具理論和使用價值。

財務(wù)管理的信息化、數(shù)字化是財務(wù)規(guī)范和科學(xué)管理的趨勢。與DSS的結(jié)合將更加有利于數(shù)據(jù)標(biāo)準(zhǔn)的統(tǒng)一，有利于數(shù)據(jù)采集的模塊化，有利于決策支持的科學(xué)化，有利于財務(wù)公開的透明化。

1 財務(wù)管理決策支持系統(tǒng)的研究現(xiàn)狀

決策支持系統(tǒng)經(jīng)過二十多年的發(fā)展，形成了如圖1所示公認(rèn)的體系結(jié)構(gòu)。它把模型并入信息系統(tǒng)軟件中，依靠管理信息系統(tǒng)和運(yùn)籌學(xué)這兩個基礎(chǔ)逐步發(fā)展起來。它為解決非結(jié)構(gòu)化決策問題提供了相應(yīng)的有用信息，給各級管理決策人員的工作帶來了便利。

從圖1可以看出決策支持系統(tǒng)體系結(jié)構(gòu)可劃分為三級，即語言系統(tǒng)（LS）級、問題處理系統(tǒng)（PPS）級和知識系統(tǒng)（KS）級。其中問題處理系統(tǒng)級包括推理機(jī)系統(tǒng)（RS）、模型庫管理系統(tǒng)（MBMS）、知識庫管理系統(tǒng)（KBMS）及數(shù)據(jù)庫管理系統(tǒng)（DBMS）。知識系統(tǒng)級包括模型庫（MB）、知識庫（KB）及數(shù)據(jù)庫（DB）。

九十年代中期，興起了三個輔助決策技術(shù)：數(shù)據(jù)倉庫（DW）、聯(lián)機(jī)分析處理（OLAP）和數(shù)據(jù)挖掘（DM）。聯(lián)機(jī)分析處理是以客戶/服務(wù)器的方式完成多維數(shù)據(jù)分析。數(shù)據(jù)倉庫是根據(jù)決策主題的需要匯集大量的數(shù)據(jù)庫，通過綜合和分析得到輔助決策的信息。數(shù)據(jù)挖掘顧名思義，是為了獲得有用的數(shù)據(jù)，在大量的數(shù)據(jù)庫中進(jìn)行篩選。人工智能技術(shù)建立一個智能的DSS人機(jī)界面，可進(jìn)行圖、文、聲、像、形等多模式交互，人機(jī)交互此時變得更為自然和諧，人們能沉浸其中，進(jìn)行合作式、目標(biāo)向?qū)降慕换シ椒ā?/p>

從目前情況來看，財務(wù)決策支持系統(tǒng)的研究還處于初級發(fā)展階段，財務(wù)數(shù)據(jù)的保密性、特殊性決定了財務(wù)決策不能全部公開化、透明化，但隨著中央及國務(wù)院相關(guān)部門財務(wù)預(yù)決算數(shù)據(jù)的公開，財務(wù)決策系統(tǒng)及其支持系統(tǒng)和過程也將隨之公開，這就要求決策者充分利用財務(wù)知識和決策支持系統(tǒng)的知識“聰明”決策、合理決策、科學(xué)決策、規(guī)范決策。

2 財務(wù)管理神經(jīng)網(wǎng)絡(luò)智能決策支持系統(tǒng)總體研究框架

2.1 神經(jīng)網(wǎng)絡(luò)運(yùn)行機(jī)制 神經(jīng)網(wǎng)絡(luò)的著眼點是采納生物體中神經(jīng)細(xì)胞網(wǎng)絡(luò)中某些可利用的部分，來彌補(bǔ)計算機(jī)的不足之處，而不是單單用物理的器件去完整地復(fù)制。

第一，神經(jīng)網(wǎng)絡(luò)中的鏈接的結(jié)構(gòu)和鏈接權(quán)都可以通過學(xué)習(xí)而得到，具有十分強(qiáng)大的學(xué)習(xí)功能；第二，神經(jīng)網(wǎng)絡(luò)所記憶的信息是一種分布式的儲存方式，大多儲存在神經(jīng)元之間的權(quán)中；第三，神經(jīng)網(wǎng)絡(luò)部分的或局部的神經(jīng)元被破壞后，仍可以繼續(xù)進(jìn)行其他活動，不影響全局的活動，因此說，神經(jīng)網(wǎng)絡(luò)的這種特性被稱作容錯性；第四，神經(jīng)網(wǎng)絡(luò)是由大量簡單的神經(jīng)元組成的，每個神經(jīng)元雖然結(jié)構(gòu)簡單，但是它們組合到一起并行活動時，卻能爆發(fā)出較快較強(qiáng)的速度來。

我們可以利用神經(jīng)網(wǎng)絡(luò)的上述特點，將之應(yīng)用于模式識別、自動控制、優(yōu)化計算和聯(lián)想記憶、軍事應(yīng)用以及決策支持系統(tǒng)中。

2.2 財務(wù)管理神經(jīng)網(wǎng)絡(luò)集成智能財務(wù)DSS的必然性 在企業(yè)經(jīng)營管理、政府機(jī)構(gòu)財務(wù)活動中，人們時常面臨著財務(wù)決策。人們往往需要根據(jù)有關(guān)的理論及經(jīng)驗制定出一系列的衡量標(biāo)準(zhǔn)。這種評價是一個非常復(fù)雜的非結(jié)構(gòu)化決策過程，一般都是由內(nèi)行專家根據(jù)一定的專業(yè)理論憑經(jīng)驗和直覺在收集大量不完全、不確定信息基礎(chǔ)上建立起多級指標(biāo)體系。但在這種指標(biāo)體系中，各種指標(biāo)之間的關(guān)系很難明確，而且還受評價者的效用標(biāo)準(zhǔn)和主觀偏好所左右。因此，很難在指標(biāo)體系和評價目標(biāo)間建立起準(zhǔn)確的定量或定性模型。因此，我們需要采用一種可處理不確定性、不完全性信息的評價方法以支持決策。自然，利用人工神經(jīng)網(wǎng)絡(luò)構(gòu)造系統(tǒng)模式來支持這類評價決策問題是目前財務(wù)管理智能決策支持系統(tǒng)的一種發(fā)展趨勢和必然趨勢[4]。

2.3 財務(wù)管理神經(jīng)網(wǎng)絡(luò)集成智能DSS系統(tǒng)框架 神經(jīng)網(wǎng)絡(luò)智能決策支持系統(tǒng)主要以知識、數(shù)據(jù)和模型為主體，結(jié)合神經(jīng)網(wǎng)絡(luò)進(jìn)行推理與數(shù)據(jù)開采。圖2給出了神經(jīng)網(wǎng)絡(luò)智能決策支持系統(tǒng)研究框架[2]。研究中有兩個重點，即神經(jīng)網(wǎng)絡(luò)推理系統(tǒng)和神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)開采系統(tǒng)。

2.3.1 神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)開采系統(tǒng) 神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)開采時利用神經(jīng)網(wǎng)絡(luò)技術(shù)協(xié)助從數(shù)據(jù)中抽取模式。數(shù)據(jù)開采有五項基本任務(wù)：相關(guān)分析、聚類、概念描述、偏差監(jiān)測、預(yù)測。

常用的前饋式神經(jīng)網(wǎng)絡(luò)，如BP網(wǎng)絡(luò)，可用于進(jìn)行概念描述及預(yù)測。對向傳播（Counter Propagation，簡稱CP）神經(jīng)網(wǎng)路可用來進(jìn)行統(tǒng)計分析和聚類。

CP網(wǎng)絡(luò)是美國神經(jīng)計算專家Robert Hecht-Nielsen提出的一種新型特征映射網(wǎng)絡(luò)，其網(wǎng)絡(luò)結(jié)構(gòu)分輸入、競爭、輸出三層。該網(wǎng)絡(luò)吸取了無教師示教型網(wǎng)絡(luò)分類錄活、算法簡練的優(yōu)點，又采納了有教師示教型網(wǎng)絡(luò)分類精細(xì)、準(zhǔn)確的好處，使兩者有機(jī)地結(jié)合起來。由競爭層至輸出層，網(wǎng)絡(luò)按基本競爭型網(wǎng)絡(luò)學(xué)習(xí)規(guī)則得到各輸出神經(jīng)元的實際輸出值，并按有教師示教的誤差校正方法調(diào)整由競爭層至輸出層的鏈接權(quán)。經(jīng)過這樣反復(fù)地學(xué)習(xí)，可以將任意輸入模式映射為輸出模式。

2.3.2 財務(wù)管理神經(jīng)網(wǎng)絡(luò)推理系統(tǒng) 財務(wù)管理神經(jīng)網(wǎng)絡(luò)推理系統(tǒng)主要利用神經(jīng)網(wǎng)絡(luò)的并行處理機(jī)制來解決傳統(tǒng)推理方法中存在的“組合爆炸”、“無窮遞歸”，等問題。在神經(jīng)網(wǎng)絡(luò)系統(tǒng)中，計算與存儲時完全合二為一的，即信息的存儲體現(xiàn)在神經(jīng)元互連的分布上，并以大規(guī)模并行方式處理。流動的過程就是從部分信息找到全部信息的過程，這就是聯(lián)想記憶的基本原理。若視動力系統(tǒng)的穩(wěn)定吸引子為系統(tǒng)計算能量函數(shù)的極小點，系統(tǒng)最終會流向期望的最小點，計算也就在運(yùn)動過程中悄悄地完成了。因而，可用雙向聯(lián)想記憶（BAM）網(wǎng)絡(luò)或CP網(wǎng)絡(luò)實現(xiàn)并行推理。CP網(wǎng)絡(luò)具有特殊的聯(lián)想推理映射功能。將輸入學(xué)習(xí)模式和期望輸出模式取為同一模式，且將之分為X和Y兩部分。網(wǎng)絡(luò)通過提供的樣本對進(jìn)行充分的學(xué)習(xí)后，就可用來進(jìn)行模式間的聯(lián)想推理。

3 財務(wù)管理神經(jīng)網(wǎng)絡(luò)智能DSS研究展望

當(dāng)前世界上最熱門的研究課題，是模仿人類的思維方式來解決實際問題。專家系統(tǒng)和人工神經(jīng)網(wǎng)絡(luò)是比較常用的技術(shù)，但由于自身的局限性，它們都側(cè)重于人類思維方式的某一方面。平時解決簡單的問題的時候還好，但真遇到解決復(fù)雜的問題的時候，它就顯得力不從心了，所以，這個時候我們可以將兩種技術(shù)結(jié)合起來解決，除了它們要自身不斷發(fā)展和完善外，還要注重兩者的協(xié)調(diào)配合，神經(jīng)網(wǎng)絡(luò)DSS未來的發(fā)展趨勢就是依靠這兩種技術(shù)不斷結(jié)合，從而能幫助我們解決更多的實際問題。

3.1 財務(wù)管理神經(jīng)網(wǎng)絡(luò)支持專家系統(tǒng) 常見的財務(wù)管理神經(jīng)網(wǎng)絡(luò)支持專家系統(tǒng)主要包括幾個方面：知識維護(hù)、知識表示、知識獲取、推理等，我們針對各個步驟展開討論。

3.1.1 知識維護(hù)。如果知識是通過人工神經(jīng)網(wǎng)絡(luò)來獲取的，我們就可以同樣利用人工神經(jīng)網(wǎng)絡(luò)，來讓維護(hù)工作變得更加方便快捷，維護(hù)可以通過人工神經(jīng)網(wǎng)絡(luò)來自動完成，我們需要做的只是重新運(yùn)行網(wǎng)絡(luò)模塊，或者重新訓(xùn)練網(wǎng)絡(luò)模塊，又或是增加新的網(wǎng)絡(luò)模塊。

3.1.2 推理。一般的專家系統(tǒng)只是求解專門性問題，應(yīng)用的領(lǐng)域非常狹窄，同時由于控制策略不靈活，推理方法簡單，容易出現(xiàn)一些這樣或那樣的問題，推理效率低、速度慢。人工神經(jīng)網(wǎng)絡(luò)可以解決這一問題，從根本上提升工作效率，提高工作速度，它可以拓展知識空間，不只局限在狹窄的領(lǐng)域。

3.1.3 知識表示。很多專家知識事實上很難用規(guī)則表示出來，但在現(xiàn)實工作中，我們大部分財務(wù)管理專家卻都采取這種方式，無論是直接的還是間接的。其它的知識表示方法也存在著同樣的問題。為了解決這一問題，我們可以采用人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)來將知識提供給專家系統(tǒng)，這樣做就可以避免這一問題，當(dāng)專家系統(tǒng)需要相應(yīng)知識時，就不需要用規(guī)則來表示知識，直接調(diào)用人工神經(jīng)網(wǎng)絡(luò)就可以了。

3.1.4 知識獲取。人工神經(jīng)網(wǎng)絡(luò)可以幫專家系統(tǒng)來獲取知識，知識獲取是通過人機(jī)對話的形式進(jìn)行的。首先，專家系統(tǒng)向?qū)＜姨岢鰡栴}，人工神經(jīng)網(wǎng)路則負(fù)責(zé)對這些信息進(jìn)行收集、處理，在人工神經(jīng)網(wǎng)絡(luò)的聯(lián)結(jié)權(quán)值中已經(jīng)具有通用的知識，所以這一步驟會很方便，之后再產(chǎn)生相應(yīng)的數(shù)據(jù)結(jié)果。接著，專家系統(tǒng)在對這些數(shù)據(jù)進(jìn)行進(jìn)一步的分析。在這一過程中，專家系統(tǒng)只運(yùn)用很少的規(guī)則就可以獲得相關(guān)的知識，大大提高了工作效率。

3.2 財務(wù)管理專家系統(tǒng)支持神經(jīng)網(wǎng)絡(luò) 財務(wù)管理專家主要通過三種方式來對神經(jīng)網(wǎng)絡(luò)提供必要的支持：第一，提供相應(yīng)的必要的解釋；第二，進(jìn)行預(yù)處理；第三，聯(lián)合應(yīng)用。

3.2.1 解釋。作為專家系統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)，它做不到同其他專家系統(tǒng)那樣，具體詳細(xì)地跟蹤問題求解的過程，以獲得答案的原因，它只能依靠增加一個小型的專家來解決這一問題，以獲得答案的原因，這個專家系統(tǒng)可以反向推理，從結(jié)果到初始輸入，系統(tǒng)提供具體的解決方法。

在這種模式中，經(jīng)過訓(xùn)練的人工神經(jīng)網(wǎng)絡(luò)來解決問題。當(dāng)用戶要求解釋的時候，就可以通過網(wǎng)絡(luò)輸入一個并行的專家系統(tǒng)。

3.2.2 預(yù)處理。對于人工神經(jīng)網(wǎng)絡(luò)來說，處理數(shù)據(jù)這項工作比較難。專家系統(tǒng)可以幫助人工神經(jīng)做好這些工作：選擇合適的收斂算法，確定訓(xùn)練神經(jīng)網(wǎng)絡(luò)的樣本的數(shù)量，選擇合適的神經(jīng)網(wǎng)絡(luò)。收集正確數(shù)據(jù)的工作，對于人工神經(jīng)網(wǎng)絡(luò)來說至關(guān)重要，事先對它們進(jìn)行預(yù)處理，可以確保各項工作順利的完成。

3.2.3 聯(lián)合應(yīng)用。將一個復(fù)問題分解為幾個子問題，如下圖3所示，再將各個子問題來逐個解決，這就是我們所常說說的聯(lián)合應(yīng)用方法。它可以直接采用人工神經(jīng)網(wǎng)絡(luò)、專家系統(tǒng)以及其種可能的方法來解決問題，指導(dǎo)實際應(yīng)用。

我們當(dāng)前計算機(jī)所要解決的主要問題，是如何解決半結(jié)構(gòu)化和非結(jié)構(gòu)化的決策等問題，它是人們在日常生活中所經(jīng)常遇到的，在財務(wù)活動中會大量存在。如何更科學(xué)、更合理地處理這些問題是我們當(dāng)前工作的主要方向。運(yùn)用人工神經(jīng)網(wǎng)絡(luò)技術(shù)處理半結(jié)構(gòu)化和非結(jié)構(gòu)化的決策是一種智能化的求解方式。但是此種方式并不是完美無缺的，它還存在著一定程度上的缺點，我們只有改善這種技術(shù)上的不成熟，將智能化研究進(jìn)行到底，才能讓神經(jīng)網(wǎng)絡(luò)決策支持系統(tǒng)的研究出現(xiàn)新的進(jìn)展。

參考文獻(xiàn)：

[1]陳文偉.智能決策技術(shù).電子工業(yè)出版社，1998年.

[2]鐘義信.智能理論與技術(shù)——人工智能與神經(jīng)網(wǎng)絡(luò).人民郵電出版社，1992年.

篇5

關(guān)鍵詞性能對比感知器BP網(wǎng)絡(luò)霍普菲爾德網(wǎng)絡(luò)字符識別

1引言

人工神經(jīng)網(wǎng)絡(luò)是在人類對其大腦神經(jīng)網(wǎng)絡(luò)認(rèn)識理解的基礎(chǔ)上人工構(gòu)造的能夠?qū)崿F(xiàn)某種功能的神經(jīng)網(wǎng)絡(luò)。 它是理論化的人腦神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)模型，是基于模仿大腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和功能而建立的一種信息處理系統(tǒng)。因其自組織、自學(xué)習(xí)能力以及具有信息的分布式存儲和并行處理，信息存儲與處理的合一等特點得到了廣泛的關(guān)注，已經(jīng)發(fā)展了上百種人工神經(jīng)網(wǎng)絡(luò)。

一般來說，人工神經(jīng)網(wǎng)絡(luò)從結(jié)構(gòu)上可分為兩種:前向網(wǎng)絡(luò)和反饋網(wǎng)絡(luò)。典型的前向網(wǎng)絡(luò)有單層感知器、BP網(wǎng)絡(luò)等，反饋網(wǎng)絡(luò)有霍普菲爾德網(wǎng)絡(luò)等[1]。

人工神經(jīng)網(wǎng)絡(luò)已經(jīng)被廣泛應(yīng)用于模式識別、信號處理、專家系統(tǒng)、優(yōu)化組合、智能控制等各個方面，其中采用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行模式識別具有一些傳統(tǒng)技術(shù)所沒有的優(yōu)點:良好的容錯能力[2j、分類能力、并行處理能力和自學(xué)習(xí)能力，并且其運(yùn)行速度快，自適應(yīng)性能好，具有較高的分辨率。單層感知器、BP網(wǎng)絡(luò)和霍普菲爾德網(wǎng)絡(luò)均可以用于字符識別。

本文通過具體采用感知器網(wǎng)絡(luò)、BP網(wǎng)絡(luò)和霍普菲爾德反饋網(wǎng)絡(luò)對26個英文字母進(jìn)行識別的應(yīng)用，通過實驗給出各自的識別出錯率，通過比較，可以看出這3種神經(jīng)網(wǎng)絡(luò)的識別能力以及各自的優(yōu)缺點。

2 字符識別問題描述與網(wǎng)絡(luò)識別前的預(yù)處理

字符識別在現(xiàn)代日常生活的應(yīng)用越來越廣泛，比如車輛牌照自動識別系統(tǒng)[3，4]，手寫識別系統(tǒng)[5]，辦公自動化等等[6]。畢業(yè)論文 本文采用單層感知器、BP網(wǎng)絡(luò)和霍普菲爾德網(wǎng)絡(luò)對26個英文字母進(jìn)行識別。首先將待識別的26個字母中的每一個字母都通過長和寬分別為7×5的方格進(jìn)行數(shù)字化處理，并用一個向量表示。其相應(yīng)有數(shù)據(jù)的位置置為1，其他位置置為O。圖1給出了字母A、B和C的數(shù)字化過程，其中最左邊的為字母A的數(shù)字化處理結(jié)果所得對應(yīng)的向量為:IetterA~「00100010100101010001111111000110001〕’，由此可得每個字母由35個元素組成一個向量。由26個標(biāo)準(zhǔn)字母組成的輸人向量被定義為一個輸人向量矩陣alphabet，即神經(jīng)網(wǎng)絡(luò)的樣本輸人為一個35×26的矩陣。其中alphabet=[letterA，letterB，lettere，……letterZj。網(wǎng)絡(luò)樣本輸出需要一個對26個輸人字母進(jìn)行區(qū)分輸出向量，對于任意一個輸人字母，網(wǎng)絡(luò)輸出在字母對應(yīng)的順序位置上的值為1，其余為O，即網(wǎng)絡(luò)輸出矩陣為對角線上為1的26×26的單位陣，定義target=eye(26)。

本文共有兩類這樣的數(shù)據(jù)作為輸人:一類是理想的標(biāo)準(zhǔn)輸人信號;另一類是在標(biāo)準(zhǔn)輸人信號中加上用MATLAB工具箱里的噪聲信號，即randn函數(shù)。

3 識別字符的網(wǎng)絡(luò)設(shè)計及其實驗分析

3.1單層感知器的設(shè)計及其識別效果

選取網(wǎng)絡(luò)35個輸人節(jié)點和26個輸出節(jié)點，設(shè)置目標(biāo)誤差為0.0001，最大訓(xùn)練次數(shù)為40。設(shè)計出的網(wǎng)絡(luò)使輸出矢量在正確的位置上輸出為1，在其他位置上輸出為O。醫(yī)學(xué)論文 首先用理想輸人信號訓(xùn)練網(wǎng)絡(luò)，得到無噪聲訓(xùn)練結(jié)果，然后用兩組標(biāo)準(zhǔn)輸入矢量加上兩組帶有隨機(jī)噪聲的輸人矢量訓(xùn)練網(wǎng)絡(luò)，這樣可以保證網(wǎng)絡(luò)同時具有對理想輸人和噪聲輸人分類的能力。網(wǎng)絡(luò)訓(xùn)練完后，為保證網(wǎng)絡(luò)能準(zhǔn)確無誤地識別出理想的字符，再用無噪聲的標(biāo)準(zhǔn)輸入訓(xùn)練網(wǎng)絡(luò)，最終得到有能力識別帶有噪聲輸人的網(wǎng)絡(luò)。下一步是對所設(shè)計的網(wǎng)絡(luò)進(jìn)行性能測試:給網(wǎng)絡(luò)輸人任意字母，并在其上加人具有平均值從。~0.2的噪聲，隨機(jī)產(chǎn)生100個輸人矢量，分別對上述兩種網(wǎng)絡(luò)的字母識別出錯率進(jìn)行實驗，結(jié)果如圖2所示。其中縱坐標(biāo)所表示的識別出錯率是將實際輸出減去期望輸出所得的輸出矩陣中所有元素的絕對值和的一半再除以26得到的;虛線代表用無噪聲的標(biāo)準(zhǔn)輸人信號訓(xùn)練出網(wǎng)絡(luò)的出錯率，實線代表用有噪聲訓(xùn)練出網(wǎng)絡(luò)的出錯率。從圖中可以看出，無噪聲訓(xùn)練網(wǎng)絡(luò)對字符進(jìn)行識別時，當(dāng)字符一出現(xiàn)噪聲時，該網(wǎng)絡(luò)識別立刻出現(xiàn)錯誤;當(dāng)噪聲均值超過0.02時，識別出錯率急劇上升，其最大出錯率達(dá)到21.5%。由此可見，無噪聲訓(xùn)練網(wǎng)絡(luò)識別幾乎沒有抗干擾能力。而有噪聲訓(xùn)練出的網(wǎng)絡(luò)具有一定的抗干擾能力，它在均值為。~0.06之間的噪聲環(huán)境下，能夠準(zhǔn)確無誤地識別;其最大識別出錯率約為6.6%，遠(yuǎn)遠(yuǎn)小于無噪聲訓(xùn)練出的網(wǎng)絡(luò)。

3.2BP網(wǎng)絡(luò)的設(shè)計及其識別效果

該網(wǎng)絡(luò)設(shè)計方法在文獻(xiàn)[lj中有詳細(xì)介紹。網(wǎng)絡(luò)具有35個輸人節(jié)點和26個輸出節(jié)點。目標(biāo)誤差為0.0001，采用輸人在(0，l)范圍內(nèi)對數(shù)S型激活函數(shù)兩層109519/109519網(wǎng)絡(luò)，隱含層根據(jù)經(jīng)驗選取10個神經(jīng)元。和單層感知器一樣，分別用理想輸人信號和帶有隨機(jī)噪聲的輸人訓(xùn)練網(wǎng)絡(luò)，得到有噪聲訓(xùn)練網(wǎng)絡(luò)和無噪聲訓(xùn)練網(wǎng)絡(luò)。由于噪聲輸人矢量可能會導(dǎo)致網(wǎng)絡(luò)的1或o輸出不正確，或出現(xiàn)其他值，所以為了使網(wǎng)絡(luò)具有抗干擾能力，在網(wǎng)絡(luò)訓(xùn)練后，再將其輸出經(jīng)過一層競爭網(wǎng)絡(luò)的處理，使網(wǎng)絡(luò)的輸出只在本列中的最大值的位t為1，保證在其他位置輸出為O，其中網(wǎng)絡(luò)的訓(xùn)練采用自適應(yīng)學(xué)習(xí)速率加附加動量法，在MATLAB工具箱中直接調(diào)用traingdx。在與單層感知器相同的測試條件下對網(wǎng)絡(luò)進(jìn)行性能測試，結(jié)果如圖3所示。其中虛線代表用無噪聲訓(xùn)練網(wǎng)絡(luò)的出錯率，實線代表用有噪聲訓(xùn)練網(wǎng)絡(luò)的出錯率。從圖中可以看出，在均值為o一0.12之間的噪聲環(huán)境下，兩個網(wǎng)絡(luò)都能夠準(zhǔn)確地進(jìn)行識別。在0.12~0.15之間的噪聲環(huán)境下，由于噪聲幅度相對較小，待識別字符接近于理想字符，故無噪聲訓(xùn)練網(wǎng)絡(luò)的出錯率較有噪聲訓(xùn)練網(wǎng)絡(luò)略低。當(dāng)所加的噪聲均值超過。.15時，待識別字符在噪聲作用下不再接近于理想字符，無噪聲訓(xùn)練網(wǎng)絡(luò)的出錯率急劇上升，此時有噪聲訓(xùn)練網(wǎng)絡(luò)的性能較優(yōu).

轉(zhuǎn)貼于 3.3離散型，霍普菲爾德網(wǎng)絡(luò)的設(shè)計及其識別效果

此時網(wǎng)絡(luò)輸人節(jié)點數(shù)目與輸出神經(jīng)元的數(shù)目是相等的，有r=s=35，采用正交化的權(quán)值設(shè)計方法。在MATLAB工具箱中可直接調(diào)用函數(shù)newh叩.m。要注意的是，由于調(diào)用函數(shù)newhoP.m，需要將輸人信號中所有的。英語論文 變換為一1。如letterA~[一1一11~1-1一11一11一l一11一11一11一1一1一11111111一l一l一111一1一1一11〕’。設(shè)計離散型霍普菲爾德網(wǎng)絡(luò)進(jìn)行字符識別，只需要讓網(wǎng)絡(luò)記憶所要求的穩(wěn)定平衡點，即待識別的26個英文字母。故只需要用理想輸人信號來訓(xùn)練網(wǎng)絡(luò)。對于訓(xùn)練后的網(wǎng)絡(luò)，我們進(jìn)行性能測試。給網(wǎng)絡(luò)輸入任意字母，并在其上加人具有平均值從。~0.5的噪聲，隨機(jī)產(chǎn)生100個輸人矢量，觀察字母識別出錯率，結(jié)果如圖4所示。從圖中可以看出，在均值為0~0.33之間的噪聲環(huán)境下，網(wǎng)絡(luò)能夠準(zhǔn)確地進(jìn)行識別。在0.33~0.4之間的噪聲環(huán)境下，識別出錯率不到1%，在0.4以上的噪聲環(huán)境下，網(wǎng)絡(luò)識別出錯率急劇上升，最高達(dá)到大約10%?？梢钥闯?，該網(wǎng)絡(luò)穩(wěn)定點的吸引域大約在0.3~。.4之間。當(dāng)噪聲均值在吸引域內(nèi)時，網(wǎng)絡(luò)進(jìn)行字符識別時幾乎不出錯，而當(dāng)噪聲均值超過吸引域時，網(wǎng)絡(luò)出錯率急劇上升。

4結(jié)論

本文設(shè)計了3種人工神經(jīng)網(wǎng)絡(luò)對26個英文字母進(jìn)行了識別?？梢钥闯觯@3種人工神經(jīng)網(wǎng)絡(luò)均能有效地進(jìn)行字符識別，并且識別速度快，自適應(yīng)性能好，分辨率較高。由圖2和圖3可以看出，單層感知器的有噪聲訓(xùn)練網(wǎng)絡(luò)在均值為O~0.06之間的噪聲環(huán)境下可以準(zhǔn)確無誤的識別，而有噪聲訓(xùn)練的BP網(wǎng)絡(luò)可以在o~0.12之間的噪聲環(huán)境下準(zhǔn)確無誤的識別，故BP絡(luò)網(wǎng)絡(luò)容錯性比單層感知器的容錯性好;此外，噪聲達(dá)到0.2時，單層感知器的有噪聲訓(xùn)練網(wǎng)絡(luò)的識別出錯率為6.6%，而有噪聲訓(xùn)練的BP網(wǎng)絡(luò)的識別出錯率為2.1%，故BP網(wǎng)絡(luò)比單層感知器識別能力強(qiáng)。另外，由圖2、圖3和圖4可以看出，這3種網(wǎng)絡(luò)中霍普菲爾德網(wǎng)絡(luò)識別率最高，它在噪聲為0.33以前幾乎不會出錯，BP網(wǎng)絡(luò)次之，感知器最差。

通過設(shè)計、應(yīng)用與性能對比，我們可得單層感知器網(wǎng)絡(luò)結(jié)構(gòu)和算法都很簡單，訓(xùn)練時間短，但識別出錯率較高，容錯性也較差。BP網(wǎng)絡(luò)結(jié)構(gòu)和算法比單層感知器結(jié)構(gòu)稍復(fù)雜，但其識別率和容錯性都較好?；羝辗茽柕戮W(wǎng)絡(luò)具有設(shè)計簡單且容錯性最好的雙重優(yōu)點。因此，我們應(yīng)根據(jù)網(wǎng)絡(luò)的特點以及實際要求來選擇人工神經(jīng)網(wǎng)絡(luò)對字符進(jìn)行識別。 參考文獻(xiàn)

[1]叢爽.面向MATLAB工具箱的神經(jīng)網(wǎng)絡(luò)理論與應(yīng)用「M.合肥:中國科學(xué)技術(shù)大學(xué)出版社，2003.

[2]武強(qiáng)，童學(xué)鋒，季雋.基于人工神經(jīng)網(wǎng)絡(luò)的數(shù)字字符識別[J].計算機(jī)工程，2003，29(14):112一113.

[3]廖翔云，許錦標(biāo)，龔仕偉.車牌識別技術(shù)研究[J].徽機(jī)發(fā)展，2003，13:30一35.

[4]李中凱，王效岳，魏修亭.BP網(wǎng)絡(luò)在汽車牌照字符識別中的應(yīng)用[J].東理工大學(xué)學(xué)報，2004，18(4):69一72.

篇6

關(guān)鍵詞:BP神經(jīng)網(wǎng)絡(luò);住宅項目;特征定價

中圖分類號:F293.3文獻(xiàn)標(biāo)識碼:A

新建住宅項目定價能否被消費(fèi)者認(rèn)同,對于項目投資者來說,能夠快速準(zhǔn)確地了解項目定價的合理區(qū)間是非常重要的。目前,在實際操作中運(yùn)用的市場比較法、收益還原法等基本方法在估算精度、速度乃至應(yīng)用范圍上都具有局限性。隨著計算機(jī)技術(shù)的迅速發(fā)展,近些年來興起的人工神經(jīng)網(wǎng)絡(luò)模型的一個明顯特征就是具有通過學(xué)習(xí)最佳逼近非線性映射的能力。因此,項目特征到項目定價的非線性映射關(guān)系通過人工神經(jīng)網(wǎng)絡(luò)來進(jìn)行模擬求解是可行的。

一、應(yīng)用BP神經(jīng)網(wǎng)絡(luò)的原理

神經(jīng)網(wǎng)絡(luò)在回歸分析中較傳統(tǒng)方法具有相對優(yōu)越性,它能從大量的離散實驗數(shù)據(jù)中經(jīng)過學(xué)習(xí)訓(xùn)練,建立起反映實際過程內(nèi)在規(guī)律的系統(tǒng)模型,BP神經(jīng)網(wǎng)絡(luò)是其中的一種較為簡單但應(yīng)用廣泛的方法。

(一)BP人工神經(jīng)網(wǎng)絡(luò)模型構(gòu)造概述。BP神經(jīng)網(wǎng)絡(luò),由輸入層、隱含層和輸出層構(gòu)成,各層采用全互連接,同一層中各單元不連接。通過調(diào)整各個權(quán)值和閾值,直到達(dá)到期望的誤差即可。

(二)基于LM法的BP算法改進(jìn)。由于標(biāo)準(zhǔn)BP算法用的梯度下降法隨著接近最優(yōu)值,梯度趨于零,致使誤差函數(shù)下降緩慢。LM法的優(yōu)點是迭代次數(shù)少,收斂速度快,精確度高,因此在訓(xùn)練樣本時采用LM法。

二、住宅項目定價模型構(gòu)建

(一)住宅項目定價特征的選取。根據(jù)Lancaster特征價格理論,模型的一般形式是:P=F(X1,X2,X3…XN),P為住宅項目均價,F為函數(shù)形式,X為住宅項目特征變量。住宅項目特征變量通?？紤]的因素,可以分為建筑特征、區(qū)位特征、鄰里特征、需求特征四大類,分別用L、M、N、R表示,如下:

P=F(Z)=F(L,M,N,R)(1)

變量應(yīng)選取與項目整體相關(guān)的特征因素,對于特征的選取,采用專家評審法,邀請一家咨詢公司5位工作8年以上的項目策劃師,對住宅項目中影響定價的各種因素進(jìn)行選取打分,最終選取的特征變量如表1所示。(表1)

(二)BP神經(jīng)網(wǎng)絡(luò)模型的建立。由于僅含有一個隱含層可以任意逼近連續(xù)函數(shù),因此BP神經(jīng)網(wǎng)絡(luò)采用3層結(jié)構(gòu)。BP神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點為7(對應(yīng)特征變量數(shù)),輸出節(jié)點為數(shù)為1(對應(yīng)項目均價),隱層節(jié)點數(shù)根據(jù)以下公式來確定:

s=+0.51(2)

其中,m為輸入層節(jié)點數(shù);n為輸出層節(jié)點數(shù);s為隱層節(jié)點數(shù)。

將m=7,n=1帶入上式,通過計算s=5,即建立7*5*1的拓?fù)浣Y(jié)構(gòu)。

三、應(yīng)用分析

(一)研究對象。選取2008年北京、天津、沈陽、上海、南京等20個城市的78個普通住宅項目為研究對象。在選取過程中盡量保證市場的同一性,使不同城市之間的商品住宅具有可比性。

(二)變量的量化。由于樣本數(shù)據(jù)較多,這里只選取測試樣本數(shù)據(jù)做說明。參照表1進(jìn)行量化,量化結(jié)果見表2。(表2)

(三)BP網(wǎng)絡(luò)參數(shù)設(shè)置及訓(xùn)練。將規(guī)格化后的66個樣本數(shù)據(jù)代入神經(jīng)網(wǎng)絡(luò)模型中,采用LM改進(jìn)算法進(jìn)行訓(xùn)練,隱含層激活函數(shù)為tansig,輸出層激活函數(shù)為logsig,BP神經(jīng)網(wǎng)絡(luò)經(jīng)過所設(shè)定的220次訓(xùn)練后,網(wǎng)絡(luò)目標(biāo)誤差達(dá)到精度要求,此時的誤差為:res=0.000991452。訓(xùn)練結(jié)束后,固定連接值和閾值并輸入測試數(shù)據(jù),測試數(shù)據(jù)的BP輸出結(jié)果見表3。(表3)

(四)結(jié)果分析。樣本項目的預(yù)測輸出和實際值的相對誤差值在0.6%～7.8%之間,平均誤差為0.3828。這說明,BP神經(jīng)網(wǎng)絡(luò)在項目定價預(yù)測中具有相對的穩(wěn)定性和優(yōu)越性。

四、結(jié)論

與傳統(tǒng)的住宅項目均價定價方法相比,利用BP神經(jīng)網(wǎng)絡(luò)確定新建項目均價一方面具有較高的精度;另一方面簡化了計算過程,減少資源的投入,是一種快速、便捷、有效的新方法。當(dāng)然,樣本要盡量選取經(jīng)典的,去掉一些“噪聲”比較大的樣本和特別復(fù)雜的項目。

(作者單位:重慶大學(xué)建設(shè)管理與房地產(chǎn)學(xué)院)

主要參考文獻(xiàn):

[1]LANCASTER KJ.A new approach to consumer theory[J].Journal of Political Economy,1966.74.1.

[2]張吉禮.模糊神經(jīng)網(wǎng)絡(luò)控制原理與工程應(yīng)用[M].哈爾濱:哈爾濱工業(yè)出版社,2004.

[3]王其文,呂景峰,劉廣靈等.人工神經(jīng)網(wǎng)絡(luò)與線性回歸的比較[J].決策與決策支持,1993.3.3.

[4]張良均,曹晶,蔣世忠.神經(jīng)網(wǎng)絡(luò)實用教程[M].北京:機(jī)械工業(yè)出版社,2008.2.

篇7

關(guān)鍵詞：礦床定位；綜合物化探找礦預(yù)測；RBF神經(jīng)網(wǎng)絡(luò)

中圖分類號：P641.4+63文獻(xiàn)標(biāo)識碼： A 文章編號：

因為近年來地質(zhì)成礦的復(fù)雜性與非線性，人們目前所面臨的重要課題就是尋找隱伏礦床。要想對成礦進(jìn)行準(zhǔn)確的預(yù)測，采用簡單的線性分析的方法來尋找礦標(biāo)志信息的效率是比較低的。隨著現(xiàn)代化科學(xué)技術(shù)的發(fā)展，在處理復(fù)雜非線性問題時，人工神經(jīng)網(wǎng)絡(luò)已經(jīng)成為了一種有效的方法，在礦產(chǎn)定量預(yù)測方面已經(jīng)廣泛地使用到這種技術(shù)。人工神經(jīng)網(wǎng)絡(luò)具有自組織性、自學(xué)習(xí)性、高度非線性、可變性、巨量并行性等特點。文章以RBF網(wǎng)絡(luò)對礦區(qū)綜合物化探信息進(jìn)行成礦預(yù)測為例，探析地質(zhì)找礦定量預(yù)測方法的同時，較為成功地對鉛鋅礦成礦有利區(qū)段進(jìn)行有效確定。綜合物化探方法可按照任務(wù)目標(biāo)，用于快速現(xiàn)場找礦。國內(nèi)外的地質(zhì)工作者們在找礦的探測深度技術(shù)和理論中，進(jìn)行了關(guān)鍵技術(shù)的突破，使得綜合物化探找礦的方面得到了飛速的發(fā)展，對推進(jìn)探找礦事業(yè)做出了貢獻(xiàn)。綜合物化探的方法也具有很多，其中包括了地電地球化學(xué)學(xué)法、金屬活動態(tài)測量法等化探技術(shù)方法，也包括了可控源音頻大地電磁測深、瞬變電磁測深等物探技術(shù)和方法。

1、RBF神經(jīng)網(wǎng)絡(luò)概念

人工神經(jīng)網(wǎng)絡(luò)也成為連接模型或神經(jīng)網(wǎng)絡(luò)，其網(wǎng)絡(luò)依靠系統(tǒng)的程度較為復(fù)雜，信息的處理是通過對內(nèi)部大量節(jié)點之間相互連接的關(guān)系進(jìn)行調(diào)整，最終得以實現(xiàn)的。神經(jīng)網(wǎng)絡(luò)是分布式并行信息處理的算法數(shù)學(xué)模型，它是以模范動物神經(jīng)網(wǎng)絡(luò)行為為特征。在諸多的領(lǐng)域中，人工神經(jīng)網(wǎng)絡(luò)因為具有獨特的處理信息的能力而被廣泛使用。RBF為徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)，它具有全局最優(yōu)以及最佳逼近的性能，它是一種有效的、新型前饋式神經(jīng)網(wǎng)絡(luò)。徑向基函數(shù)為一個取值只依賴于離原點距離的實值函數(shù)。徑向函數(shù)用到了近似給定函數(shù)，神經(jīng)網(wǎng)絡(luò)是這種近似的最終解釋。在支持向量機(jī)中，徑向基函數(shù)也被用做核函數(shù)。在對非線性時間序列的預(yù)測中，RBF得到了比較廣泛的應(yīng)用。RBF在初次應(yīng)用于神經(jīng)網(wǎng)絡(luò)設(shè)計的時間是1988年，它構(gòu)成了徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)，也就是今天我們的主角RBF神經(jīng)網(wǎng)絡(luò)。RBF網(wǎng)絡(luò)的基本思想是：RBF把低維的模式輸入數(shù)據(jù)轉(zhuǎn)變至高維空間，期間，變換了一次輸入矢量，將隱單元作為隱含層空間，通過隱單元輸出加權(quán)求和最終得到輸出。RBF網(wǎng)絡(luò)的構(gòu)成有3層。第一層有信號源節(jié)點組成，是為輸入層。第二層，作為一種局部分布非負(fù)非線性函數(shù)，隱單元的變換函數(shù)對中心點徑向?qū)ΨQ，并且進(jìn)行逐步衰減，所以第二層是為隱含層，由所描述問題的需要來對隱含層的單元數(shù)進(jìn)行確定。第三層網(wǎng)絡(luò)的輸出為隱單元輸出的線性加權(quán)，是為輸出層。RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖所示。輸出層輸出的節(jié)點是簡單的線性函數(shù)，隱含層的隱層節(jié)點有輻射狀作用函數(shù)構(gòu)成，輸入層只將輸入信號傳遞到隱層。

圖RBF神經(jīng)網(wǎng)絡(luò)圖

2、RBF神經(jīng)網(wǎng)絡(luò)優(yōu)點

RBF神經(jīng)網(wǎng)絡(luò)的全稱是基于誤差反向傳播算法的人工神經(jīng)網(wǎng)絡(luò)，是一種神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法。RBF神經(jīng)網(wǎng)絡(luò)具備了很強(qiáng)的生物學(xué)背景，它還反映出人腦的反應(yīng)特點。RBF網(wǎng)絡(luò)的優(yōu)點如下：①選取基函數(shù)中心是關(guān)鍵所在，對于網(wǎng)絡(luò)性能而言，BRF網(wǎng)絡(luò)中的非線性激活函數(shù)形式具有著深遠(yuǎn)的影響。②網(wǎng)絡(luò)響應(yīng)在輸入接近RBF網(wǎng)絡(luò)的接受域的情況下產(chǎn)生，BRF網(wǎng)絡(luò)在做出響應(yīng)時的決策包含了距離的概念，這就說明BRF網(wǎng)絡(luò)具有局部接受特性。在RBF網(wǎng)絡(luò)中，要預(yù)先確定隱層RBF單元半徑以及中心，在輸入層和輸出層之間的全部權(quán)值則為“1”，可對隱層到輸出層間的權(quán)值是可以進(jìn)行調(diào)整。RBF網(wǎng)絡(luò)的隱層將輸入空間映射到另一個隱層空間，在新的空間中，輸出層實現(xiàn)線性組合。③隱單元的非零響應(yīng)為在輸入空間的指定區(qū)域中輸入時才會產(chǎn)生，即隱單元的激活函數(shù)一般是具有局部接受域的函數(shù)。④前向網(wǎng)絡(luò)。前向神經(jīng)網(wǎng)絡(luò)通過對參數(shù)的選擇，能夠連續(xù)函數(shù)接近一定的精確值。目前，已被很多領(lǐng)域應(yīng)用。它需要以非線性優(yōu)化技術(shù)為基礎(chǔ)，通過梯度下降算法，最終滿足優(yōu)化標(biāo)準(zhǔn)的局部最小化。

在鉛鋅礦床預(yù)測中RBF網(wǎng)絡(luò)的應(yīng)用

決定了成礦信息隱含性和多解性的就是成礦作用的復(fù)雜性。以鉛鋅礦體的外為隱伏礦體預(yù)測為說明，在選擇預(yù)測變量時，要根據(jù)本地域指示礦化富集帶異常實際物化探資料來進(jìn)行。預(yù)測變量包含了土壤化探測量的具體數(shù)據(jù)，變量包括了。包括電阻率和極化率的中梯剖面測量數(shù)據(jù)。要想獲得基于RBF神經(jīng)網(wǎng)絡(luò)的神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測，作為輸入相量，采用已知的勘探剖面數(shù)據(jù)來對人工神經(jīng)網(wǎng)絡(luò)進(jìn)行建立、訓(xùn)練。在使用建立好的神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測。

礦區(qū)的地層為下侏羅統(tǒng)楓評組沉積巖和前寒武系八都群變質(zhì)巖。前寒武系八都群變質(zhì)巖的主要巖性為斜長角閃巖與片麻巖，而下侏羅統(tǒng)楓評組沉積巖則為泥巖、砂巖。在礦產(chǎn)中所賦予的是變質(zhì)巖，二這兩種巖則為角度不整合，亦或斷層接觸。在獲得等的土壤化探數(shù)據(jù)后，使用RBF網(wǎng)絡(luò)對其進(jìn)行檢驗和訓(xùn)練和成礦有力度預(yù)測，就可獲得成礦有力度。鉛鋅礦床表現(xiàn)在組合異常、電阻低、極化高，檢驗的結(jié)果表現(xiàn)為有較高的成礦有力度，礦體同樣位于成礦有力度區(qū)域內(nèi)。因素覆蓋于下侏羅統(tǒng)楓評組砂巖下下，鉛鋅礦為較弱土壤化探異常組合，且極化率和電阻率的表現(xiàn)極不明顯。但是，隱伏鉛鋅礦體所處位置也表現(xiàn)出一定的成礦有力度，其在變質(zhì)巖內(nèi)，說明隱伏的鉛鋅礦體可以被RBF網(wǎng)絡(luò)預(yù)測出來。在進(jìn)行了一系列的研究與分析后，說明RBF網(wǎng)絡(luò)模型可以輕松完成預(yù)測已知礦區(qū)外網(wǎng)找礦工作。通過對RBF網(wǎng)絡(luò)模型的應(yīng)用， 可以客觀地預(yù)測出隱伏鉛鋅礦體。

OLS算法

確定RBF神經(jīng)網(wǎng)絡(luò)模型可分為：采用線性優(yōu)化算法來得到輸出層權(quán)值；對隱層中心和節(jié)點數(shù)進(jìn)行確定。文章采用 OLS，即正交最小二乘法來對隱層中心和節(jié)點數(shù)，以及輸出層權(quán)值進(jìn)行有效確定。假設(shè)輸出層存在一個神經(jīng)元，網(wǎng)絡(luò)訓(xùn)練樣本集中d(n)是網(wǎng)絡(luò)期望輸出響應(yīng)，而N作為訓(xùn)練樣本數(shù)?？梢圆捎镁€性回歸模型來表示RBF神經(jīng)網(wǎng)絡(luò)。權(quán)值矩陣的選擇可采用誤差比最大的原則，最終可以對RBF網(wǎng)絡(luò)的中心進(jìn)行確定。，按照預(yù)先設(shè)定的誤差容限來確定隱層節(jié)點數(shù)P，參考公式如下：＞。

結(jié)束語

RBF神經(jīng)網(wǎng)絡(luò)預(yù)測模型可以對中梯剖面信息和已知剖面土壤化探為主的隱伏鉛鋅礦床進(jìn)行有效預(yù)測。使用該預(yù)測模型可以快速預(yù)測出隱伏的鉛鋅礦成礦的有利地段，還可對其數(shù)據(jù)進(jìn)行檢驗、訓(xùn)練。RBF網(wǎng)絡(luò)有助于地質(zhì)找礦工作的順利開展與有效實施。礦產(chǎn)預(yù)測的重要途徑之一就是以RBF人工神經(jīng)網(wǎng)絡(luò)理論為基礎(chǔ)，來進(jìn)行成礦有力度預(yù)測。特別是在信息豐富多元化和找礦手段較多的二十一世紀(jì)的今天，想要真正提高成礦預(yù)測的效率和精度就必須采用綜合、有效的預(yù)測方法。

參考文獻(xiàn)

[1]陳少華,尹勝蘭,莫哲.基于免疫RBF網(wǎng)絡(luò)改進(jìn)小波分析的小電流接地故障選線[J].電力系統(tǒng)保護(hù)與控制,2012(3).

篇8

關(guān)鍵詞：自主導(dǎo)航；人工智能；模糊神經(jīng)網(wǎng)絡(luò)；避障；BP神經(jīng)網(wǎng)絡(luò)

中圖分類號：TP79文獻(xiàn)標(biāo)識碼：A文章編號：1005-3824（2014）03-0083-03

0引言

2013年12月14日21時11分，嫦娥三號探測器在月球表面預(yù)選著陸區(qū)域成功著陸，裝著紅外成像光譜儀、避障相機(jī)、機(jī)械臂和激光點陣器等設(shè)備的月球車“玉兔”驅(qū)動著6個輪子在月球表面留下了歷史的痕跡。這標(biāo)志著我國已成為世界上第3個實現(xiàn)地外天體軟著陸的國家，也展現(xiàn)出了智能控制系統(tǒng)[1]在航天事業(yè)上的卓越應(yīng)用。在如今的社會生活中，隨處體現(xiàn)著智能技術(shù)的存在，人們已經(jīng)離不開智能技術(shù)，智能機(jī)器人的發(fā)展也飛速前進(jìn)，從兒童的玩具機(jī)器人到太空探索的機(jī)器人，可以預(yù)見智能機(jī)器人的應(yīng)用將更加廣泛。近年來，非線性動態(tài)系統(tǒng)的自適應(yīng)控制在我國引起了廣泛的研究，模糊神經(jīng)網(wǎng)絡(luò)控制是一個重要的自適應(yīng)方法，因此得到了很多專家學(xué)者的青睞。

模糊邏輯控制在宏觀上模仿人的思維，處理語言和思維中的模糊性概念，它是以模糊集合論、模糊語言變量和模糊邏輯推理為基礎(chǔ)的一種計算機(jī)數(shù)字控制技術(shù)；神經(jīng)網(wǎng)絡(luò)是從微觀上模仿人的智能行為，進(jìn)行分布式并行信息處理算法的數(shù)學(xué)模型，它是根據(jù)人腦的生理結(jié)構(gòu)和信息處理過程創(chuàng)造的[2]。模糊控制與神經(jīng)網(wǎng)絡(luò)各自都有一定的應(yīng)用局限，因此，人們早在20世紀(jì)80―90年代就把它們相結(jié)合，組成更為完善的控制方法。模糊控制與神經(jīng)網(wǎng)絡(luò)的結(jié)合有多種方式，根據(jù)研究角度和應(yīng)用領(lǐng)域的變化而不同。1模糊控制與神經(jīng)網(wǎng)絡(luò)的介紹

1.1模糊邏輯控制系統(tǒng)

模糊邏輯控制系統(tǒng)主要包含輸入變量、模糊控制器、被控對象和偏差。模糊邏輯控制系統(tǒng)結(jié)構(gòu)如圖1所示。

知識庫：是模糊控制器的核心。由數(shù)據(jù)庫和規(guī)則庫組成，數(shù)據(jù)庫中存著有關(guān)模糊化、模糊推理、解模糊的一切知識，規(guī)則庫是由若干模糊規(guī)則組成的。

模糊推理機(jī)：根據(jù)模糊邏輯法則把邏輯規(guī)則庫中的模糊“if-then”轉(zhuǎn)換成某種映射。

反模糊化：反模糊化的方法一般有最大隸屬度平均法、最大中點法、面積等分法、重心法和加權(quán)平均法等。

模糊控制的優(yōu)點：可以在預(yù)先不知道被控對象的精確數(shù)學(xué)模型；規(guī)則一般是由有經(jīng)驗的操作人員或者專家的經(jīng)驗總結(jié)出來并且以條件語句表示的，便于學(xué)習(xí)和理解；控制是由人的語言形式表示，有利于人機(jī)對話和系統(tǒng)知識的處理等。不足之處：精度不夠高；自適應(yīng)能力有限；模糊規(guī)則庫非常龐大，難以進(jìn)行更改優(yōu)化[3]。

1.2人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)（ANN）是一種模擬人腦神經(jīng)系統(tǒng)的結(jié)構(gòu)和功能的運(yùn)算模型，由大量的節(jié)點，即神經(jīng)元及相互之間連接構(gòu)成的，它是人工方式構(gòu)造的一種網(wǎng)絡(luò)系統(tǒng)。神經(jīng)元結(jié)構(gòu)模型如圖3所示。

傳遞函數(shù)f又稱轉(zhuǎn)移函數(shù)或激活函數(shù)，是單調(diào)上升的有界函數(shù)，常用的轉(zhuǎn)移函數(shù)有線性函數(shù)、斜坡函數(shù)、階躍函數(shù)及單雙極S型函數(shù)等。但是最常用的還是單極S型函數(shù)：

神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)形式也有幾種，例如，全互連型結(jié)構(gòu)、層次型結(jié)構(gòu)和網(wǎng)孔型結(jié)構(gòu)等[4]。前饋型網(wǎng)絡(luò)是一類單方向?qū)哟涡途W(wǎng)絡(luò)模塊，其最基本的單層神經(jīng)元網(wǎng)絡(luò)如圖4所示。

圖4單層神經(jīng)元網(wǎng)絡(luò)3層BP神經(jīng)網(wǎng)絡(luò)是比較常用的結(jié)構(gòu)，圖5是它的基本結(jié)構(gòu)。

圖5BP神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)BP神經(jīng)網(wǎng)絡(luò)至少有3層，圖5中，第Ⅰ層是輸入層，第Ⅱ?qū)訛殡[藏層，第Ⅲ層為輸出層。由于3層的BP神經(jīng)網(wǎng)絡(luò)就具有了模糊系統(tǒng)中萬能逼近的能力[5]，為了不使系統(tǒng)變得更復(fù)雜，本文就只用了3層的BP神經(jīng)網(wǎng)絡(luò)，當(dāng)然，也可以根據(jù)自身的實際應(yīng)用情況增加隱層的層數(shù)，但并不是層數(shù)越多，精度就越高，相對的系統(tǒng)的反應(yīng)時間就會增加，時延也會增長。

神經(jīng)網(wǎng)絡(luò)的優(yōu)點：能夠通過學(xué)習(xí)和訓(xùn)練獲取用數(shù)據(jù)表達(dá)的知識，不僅可以記憶一直獲得的信息，還具有較強(qiáng)的概括及聯(lián)想記憶能力，它的應(yīng)用已經(jīng)延伸到各個領(lǐng)域，在各方面取得很好的進(jìn)展等。不足之處：缺乏統(tǒng)一的方法處理非線性系統(tǒng)；網(wǎng)絡(luò)的權(quán)值是隨機(jī)選取的；學(xué)習(xí)的時間長；無法利用系統(tǒng)信息和專家經(jīng)驗等語言信息；難以理解建立的模型等[6]。

所以，綜合以上模糊邏輯系統(tǒng)與神經(jīng)網(wǎng)絡(luò)各自的優(yōu)缺點，就提出了一種它們的結(jié)合方法，即模糊神經(jīng)網(wǎng)絡(luò)控制方法。

2模糊神經(jīng)網(wǎng)絡(luò)的結(jié)合方式

模糊神經(jīng)網(wǎng)絡(luò)大致分為3種形式：邏輯模糊神經(jīng)網(wǎng)絡(luò)、算術(shù)模糊神經(jīng)網(wǎng)絡(luò)和混合模糊神經(jīng)網(wǎng)絡(luò)。

在這3種形式的系統(tǒng)中，模糊神經(jīng)混合系統(tǒng)是根據(jù)模糊控制系統(tǒng)和神經(jīng)網(wǎng)絡(luò)各自不同的功能、用途集成在一個系統(tǒng)里面的[7]。在這類系統(tǒng)中，我們可以將神經(jīng)網(wǎng)絡(luò)用于輸入信號處理，模糊邏輯系統(tǒng)用于行為決策[8]（如圖6），或者把模糊邏輯系統(tǒng)作為輸入信號處理，神經(jīng)網(wǎng)絡(luò)系統(tǒng)作為輸出行為決策，再或者是將神經(jīng)網(wǎng)絡(luò)去代替模糊控制器的一部分，還可以將基于神經(jīng)元網(wǎng)絡(luò)的模糊系統(tǒng)或者神經(jīng)元網(wǎng)絡(luò)用在模糊神經(jīng)混合系統(tǒng)中。

在本文的應(yīng)用中，使用的是輪式智能小車，它一共安裝了3個超聲波傳感器、3個紅外傳感器和1個角度傳感器，紅外傳感器除了應(yīng)用在小車循跡外，還用來增加控制系統(tǒng)測量的精確性和彌補(bǔ)超聲波測距的盲區(qū)。例如，在某一路或者幾路超聲波受到了外界的干擾時，紅外線就可以測量出系統(tǒng)所需要的數(shù)量值。超聲波與紅外線用來測量小車到左、前、右障礙物的距離Ll，Lf，Lr；模糊神經(jīng)系統(tǒng)中控制器的輸入包括： Ll，Lf，Lr，小車與障礙物的夾角tg；輸出為小車的轉(zhuǎn)角sa和小車的加速度va。將Ll，Lf，Lr的模糊變量設(shè)為{near ，far}，論域為（0―2 m）；tg的模糊變量為{LB，LM，ZO，RM，RB}表示{左大，左小，零，右小，右大}，論域為（-1800，1800）；距離和夾角的隸屬度函數(shù)如圖7和圖8所示。輸出變量的隸屬度函數(shù)在這里就不再贅述了。

在系統(tǒng)解模糊化時，是將一個模糊量轉(zhuǎn)換成確定量，常用的解模糊化的方法有最大隸屬度函數(shù)法、重心法、加權(quán)平均法。在本文中用的是重心法。

智能小車避障的控制系統(tǒng)如圖9所示。

篇9

關(guān)鍵詞：負(fù)荷預(yù)y；電力市場；時間序列法；回歸分析法；人工神經(jīng)網(wǎng)絡(luò)法

中圖分類號：TM715

文獻(xiàn)標(biāo)識碼：A

文章編號：1009-2374(2011)22-0005-03

一、負(fù)荷預(yù)y的含義及意義

在社會發(fā)展過程中，電力工業(yè)是國民經(jīng)濟(jì)發(fā)展的基礎(chǔ)產(chǎn)業(yè)，對整個國民經(jīng)濟(jì)的發(fā)展起著舉足輕重的作用，電力市場需求、電力系統(tǒng)規(guī)劃建設(shè)的基礎(chǔ)、依據(jù)是負(fù)荷預(yù)y，其準(zhǔn)確度直接影響到電力的投資、布局和網(wǎng)絡(luò)運(yùn)行的合理性和穩(wěn)定性，因此。負(fù)荷預(yù)y在國民發(fā)展的規(guī)劃中顯得尤為重要。

在電力系統(tǒng)中，負(fù)荷指電力需求量或用電量。需求量是指能量隨時問的變化率，即指功率。負(fù)荷預(yù)y包括兩個方面的含義：對未來需求量的預(yù)y和用電量的預(yù)y。電力負(fù)荷的準(zhǔn)確預(yù)y是不僅是電力系統(tǒng)安全運(yùn)行的前提，還是電力市場分析的基礎(chǔ)，對電力生產(chǎn)和國民經(jīng)濟(jì)都有重要意義，隨著我國電力事業(yè)的不斷發(fā)展，高質(zhì)量、高效率的電網(wǎng)管理已經(jīng)受到國家和電力部門的高度重視，高質(zhì)量的電力負(fù)荷預(yù)y問題研究已經(jīng)成為現(xiàn)代電力系統(tǒng)運(yùn)行研究的重要課題之一。

二、電力負(fù)荷預(yù)y

(一)負(fù)荷預(yù)y的分類

電力負(fù)荷預(yù)y按期限不同可以分為年度預(yù)y、月度預(yù)y和日度預(yù)y，從大的方面來分類，也可以分為長期、中期、短期和超短期負(fù)荷預(yù)y。長期預(yù)y大概為30年；中期預(yù)y為5-6年；短期預(yù)y是指幾個月、幾周、幾天、幾小時甚至更短；超短期預(yù)y一般指小時級或分鐘級的預(yù)y。

(二)負(fù)荷預(yù)y的模型

電力系統(tǒng)總負(fù)荷預(yù)y模型一般可以按四個分量模型描述為L(t)=B(t)+W(t)+s(t)+V(t)．L為時刻t的系統(tǒng)總負(fù)荷；B為時刻t的基本正常負(fù)荷分量；w為時刻t的天氣敏感負(fù)荷分量；s為時刻t的特別時間負(fù)荷分量；V為時刻t的隨機(jī)負(fù)荷分量。對于中長期負(fù)荷預(yù)y來說，E呈明顯增長趨勢的周期性變化，對于短期來說，B一般呈周期性變化；對于超短期負(fù)荷預(yù)y，B近似線性變化。

由以上可見不同的預(yù)y周期，B的內(nèi)涵有不同的內(nèi)涵，而對于基本正常負(fù)荷分量，可以用線性變化模型和周期變化模型描述。線性變化模型是將前面時刻的負(fù)荷描述成一條直線，其延長線即可預(yù)y下一時刻的負(fù)荷；周期變化模型，是用來反應(yīng)負(fù)荷有按日、月、年得周期變化特性。

(三)負(fù)荷預(yù)y方法

電力負(fù)荷預(yù)y按預(yù)y方法可以分為經(jīng)典預(yù)y方法和現(xiàn)代預(yù)y方法。

1．經(jīng)典預(yù)y方法分為趨勢分析法，時間序列法，回歸分析法。

趨勢分析法是指根據(jù)若干歷史資料來擬合一條能反映負(fù)荷本身的增長趨勢曲線，之后再根據(jù)這個增長趨勢曲線，根據(jù)未來某一點估計出該時刻的負(fù)荷預(yù)y值。主要有有線性趨勢模型、線性趨勢模型、多項式趨勢模型、對數(shù)趨勢模型、指數(shù)趨勢模型、冪函數(shù)趨勢模型、邏輯斯蒂(Logistic)模型、龔伯茨(Gompertz)模型等模型。但是，只有符合以下兩個條件時才能正確應(yīng)用趨勢分析法：一是負(fù)荷并未呈現(xiàn)跳躍式變化趨勢，二是負(fù)荷發(fā)展因素不變或變化較小。對于趨勢分析法的應(yīng)用來說，選擇合適趨勢模型至關(guān)重要，選擇趨勢模型的方法有兩種，一是圖形識別法，二是差分法。大多數(shù)情況下，能夠選擇好適當(dāng)?shù)内厔萸€，能夠預(yù)y出較好的結(jié)果。其中的關(guān)鍵在于，人們要根據(jù)地區(qū)發(fā)展的不同情況，來選擇合適的模型。

時間序列法是目前電力系統(tǒng)短期負(fù)荷預(yù)y中發(fā)展較為成熟的算法，是根據(jù)負(fù)荷的歷史數(shù)據(jù)的一個時間系列，建立描述電力負(fù)荷隨時問變化的數(shù)學(xué)模型，在該模型的摹礎(chǔ)上確立負(fù)荷預(yù)y的表達(dá)式，并對未來負(fù)荷進(jìn)行預(yù)y。時間序列方法優(yōu)點是所需數(shù)據(jù)少，工作量小；計算速度較快；反映了負(fù)荷近期變化的連續(xù)性。時間序列方法存在的不足是建模過程比較復(fù)雜，需要較高的理論知識；該模型對原始時間序列的平穩(wěn)性要求較高，只適用于負(fù)荷變化比較均勻的短期預(yù)y；沒有考慮影響負(fù)荷變化的因素，對不確定性因素(如天氣、節(jié)假日等)考慮不足，當(dāng)天氣變化較大或遇到節(jié)假日時，該模型預(yù)y誤差較大。

回歸分析法是根據(jù)歷史數(shù)據(jù)的變化規(guī)律和影響負(fù)荷變化的因素，尋找自變量與因變量之間的相關(guān)關(guān)系及其回歸方程式，確定模型參數(shù)，據(jù)此推斷將來時刻的負(fù)荷值?；貧w分析法的優(yōu)點是計算原理和結(jié)構(gòu)形式簡單，預(yù)y速度快，外推性能好，對于歷史上沒有出現(xiàn)的情況有較好的預(yù)y。存在的不足是對歷史數(shù)據(jù)要求較高，采用線性方法描述比較復(fù)雜的問題，結(jié)構(gòu)形式過于簡單，精度較低；該模型無法詳細(xì)描述各種影響負(fù)荷的因素，模型初始化難度較大，需要豐富的經(jīng)驗和較高的技巧。

2．現(xiàn)代預(yù)y方法是基于非參數(shù)模型的，主要采用專家系統(tǒng)、灰色系統(tǒng)、模糊邏輯和人工神經(jīng)網(wǎng)絡(luò)理論建立的方法。

專家系統(tǒng)預(yù)y法是一個用基于專家知識的程序設(shè)計方法建立起來的計算機(jī)系統(tǒng)(在現(xiàn)階段主要表現(xiàn)為計算機(jī)軟件系統(tǒng))，它擁有某個特殊領(lǐng)域內(nèi)專家的知識和經(jīng)驗，并能像專家那樣運(yùn)用這些知識，通過推理在某個領(lǐng)域內(nèi)作出智能決策，所以，一個完整的專家系統(tǒng)由4個部分組成：知識庫、推理機(jī)、知識獲取部分和解釋界面。專家系統(tǒng)技術(shù)應(yīng)用到負(fù)荷預(yù)y上，可以克服單一算法的片面性；同時全過程的程序化，使本方法還具有快速決斷的優(yōu)點。此方法雖然有較廣泛的使用前景，但由于預(yù)y專家比較缺乏，預(yù)y過程容易出現(xiàn)人為差錯，在建數(shù)據(jù)庫及將專家經(jīng)驗轉(zhuǎn)化為數(shù)學(xué)規(guī)則時存在一系列的困難。目前，此方法在實踐中應(yīng)用不廣泛。

灰色系統(tǒng)預(yù)y法是利用部分明確信息，通過形成必要的有限數(shù)列和微分方程，尋求各參數(shù)間的規(guī)律，從而推出不明確信息發(fā)展趨勢的分析方法?；疑A(yù)y又稱GM模型。GM(1，N)表示一階的N變量的微分方程模型，GM(1，1)則是一階一個變量的微分方程模型，灰色預(yù)y模型的優(yōu)點是，建模時不需要計算統(tǒng)計特性量，從理論上講，可以適用于任何非線性變化的負(fù)荷指標(biāo)預(yù)y；不足之處是，其微分方程指數(shù)解比較適合于具有指數(shù)增長趨勢的負(fù)荷指標(biāo)，對于具有其它趨勢的指標(biāo)則擬合灰度較大，精度難以提高。

模糊邏輯預(yù)y法是以模糊集合論、模糊語言變量及模糊邏輯推理為基礎(chǔ)的非線性智能控制，它基于模糊推理，模仿人的思維方式，對難以建立精確數(shù)學(xué)模型的對象實施的一種控制。它是模糊數(shù)學(xué)同控制理論相結(jié)合的產(chǎn)物，模糊控制器的設(shè)計依賴于實踐經(jīng)驗。但是，有時人們對過程認(rèn)識不足，或者總結(jié)不出完整經(jīng)驗，這樣模糊邏輯勢必粗糙，不完善用于負(fù)荷預(yù)y，難以滿足對精度的要求。

負(fù)荷預(yù)y技術(shù)經(jīng)過幾十年的發(fā)展，人們提出了許多預(yù)y方法。現(xiàn)在的預(yù)y方法大體可以分為兩大類：數(shù)學(xué)方法統(tǒng)計和人工智能方法。人工智能方法是在20世紀(jì)90年代中期開始運(yùn)用，其中人工神經(jīng)網(wǎng)絡(luò)方法屬于運(yùn)用較成功的方法。

(四)人工神經(jīng)網(wǎng)絡(luò)法

傳統(tǒng)意義上的電力負(fù)荷預(yù)y都是通過人工完成的，工作人員通過整理收集歷史負(fù)荷數(shù)據(jù)，采用一定的預(yù)y方法，對歷史數(shù)據(jù)加以計算，得到預(yù)y結(jié)果后，再結(jié)合自己的經(jīng)驗加以修正，便得出了最后的預(yù)y數(shù)據(jù)。在整個過程中，整理以前的數(shù)據(jù)，預(yù)y算法的選用和預(yù)y工作人員的經(jīng)驗，都是制約預(yù)y結(jié)果的因素，而這些因素是不可避免的會存在問題，會對預(yù)y結(jié)果產(chǎn)生很大的影響，使預(yù)y的精度難以保證。

如果負(fù)荷預(yù)y出現(xiàn)問題，電網(wǎng)的發(fā)展便不能適應(yīng)實際發(fā)展的需要，就無法滿足用戶正常用電需求。因此，電力企業(yè)迫切需要建立適合自己本企業(yè)的電力負(fù)荷預(yù)y系統(tǒng)，這種系統(tǒng)必須保證企業(yè)在現(xiàn)有的資源條件下，能夠克服人工預(yù)y的各種弊端，這就要求預(yù)y系統(tǒng)不僅達(dá)到較高的預(yù)y精度，還要具備自動化和智能化的特征。

人工神經(jīng)網(wǎng)絡(luò)法是以人類大腦神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，模擬人類神經(jīng)活動的仿生系統(tǒng)。具有以下很多優(yōu)于傳統(tǒng)人工計算負(fù)荷量的特點：

1．高度的非線性。不是單純的數(shù)學(xué)計算，會綜合考慮到經(jīng)濟(jì)、時間、天氣、地域等影響負(fù)荷的因素，可以連續(xù)多日進(jìn)行負(fù)荷預(yù)y電力系統(tǒng)，這樣就保證了負(fù)荷預(yù)y的精準(zhǔn)度。

2．良好的自學(xué)習(xí)和自適應(yīng)性。從真正意義上來說，不只是一個單板的計算機(jī)，可以對大量非結(jié)構(gòu)性、非精確性規(guī)律具有自適應(yīng)功能，可以根據(jù)自己的學(xué)習(xí)要求，來適應(yīng)各方面的發(fā)展和變化，其自學(xué)習(xí)和自適應(yīng)功能是常規(guī)算法和傳統(tǒng)技術(shù)所不具備的。

3．良好的容錯性和聯(lián)想記憶能力。新增的這一能力就保證了計算機(jī)的智能化和自動化，可以把歷史預(yù)y數(shù)據(jù)記錄下來，降低再出現(xiàn)的出錯率，并且可以根據(jù)這些歷史數(shù)據(jù)，預(yù)y出可能出現(xiàn)的問題，這就大大提高了預(yù)y的準(zhǔn)確性。

4．人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)簡單。它是由許多的簡單處理單元組合而成，是理論化的人腦神經(jīng)網(wǎng)絡(luò)的模型，它的工作工程是通過模仿大腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和功能，建立信息處理系統(tǒng)，將收集和記錄的負(fù)荷數(shù)據(jù)，預(yù)y未來的用電量。

因此，負(fù)荷預(yù)y被當(dāng)作人工神經(jīng)網(wǎng)絡(luò)具有最有潛力的應(yīng)用領(lǐng)域之一。

三、人工神經(jīng)網(wǎng)絡(luò)的發(fā)展

人工神經(jīng)網(wǎng)絡(luò)技術(shù)由于自身的優(yōu)點并且經(jīng)過不斷發(fā)展已逐漸成熟，并成功的應(yīng)用于模式識別基于人工神經(jīng)網(wǎng)絡(luò)的電力負(fù)荷預(yù)y系統(tǒng)?；谲浖缑婕軜?gòu)來保證系統(tǒng)與其他應(yīng)用的良好集成，避免過去人工預(yù)y的盲目與隨意，保證了負(fù)荷預(yù)y更準(zhǔn)確，更高效。

人工神經(jīng)網(wǎng)絡(luò)技術(shù)預(yù)y手段的先進(jìn)性。包含兩層意思：一是預(yù)y工具的先進(jìn)性，由于數(shù)據(jù)量很大，人工神經(jīng)網(wǎng)絡(luò)是通過計算機(jī)進(jìn)行各種統(tǒng)計分析及預(yù)y工作，預(yù)y人員可以從繁雜的大量計算中解脫出來；二是預(yù)y理論的先進(jìn)性，由于人工神經(jīng)網(wǎng)絡(luò)可以不斷發(fā)展和應(yīng)用新的預(yù)y理論，借鑒其他領(lǐng)域預(yù)y工作中的成功經(jīng)驗，這樣就使電力系統(tǒng)負(fù)荷預(yù)y達(dá)到一個較高的水平。以現(xiàn)代化的地理信息系統(tǒng)為基礎(chǔ)，與市場營銷系統(tǒng)、調(diào)度自動化系統(tǒng)、負(fù)荷控制系統(tǒng)等系統(tǒng)聯(lián)網(wǎng)，建立現(xiàn)代化的市場營銷地理信息系統(tǒng)，所以說通過人工神經(jīng)網(wǎng)絡(luò)電力負(fù)荷預(yù)y可以是準(zhǔn)確把握市場脈搏，高速快效的分析未來電力需求的走勢。四、電力市場環(huán)境下對負(fù)荷預(yù)y的要求

負(fù)荷預(yù)y是電力系統(tǒng)安全并且經(jīng)濟(jì)運(yùn)行的一個重要手段，是電力交易的主要數(shù)據(jù)源，在電力市場環(huán)境里，存在著大量的不確定性因素，并且各個因素之問有著比較復(fù)雜的影響關(guān)系，本文上述方法均有一定的適用場合，各有各的優(yōu)勢和缺陷，在實際運(yùn)行中，工作人員應(yīng)結(jié)合當(dāng)?shù)仉娋W(wǎng)的實際負(fù)荷情況及特點，考慮各種環(huán)境因素的影響，以需求預(yù)y管理為基礎(chǔ)，以計算機(jī)技術(shù)為支撐，建立負(fù)荷預(yù)y軟件與電力市場的軟件的有效接口，靈活地選用預(yù)y模型，積極探索預(yù)y模型的新思路和新方法。不斷提高負(fù)荷預(yù)y的準(zhǔn)確性，促進(jìn)電力企業(yè)整體經(jīng)濟(jì)效益的提高，推動整個國民經(jīng)濟(jì)的發(fā)展。

為了做好負(fù)荷預(yù)y工作，必須對電力系統(tǒng)負(fù)荷的現(xiàn)狀及歷史統(tǒng)計資料進(jìn)行認(rèn)真調(diào)查，搜集規(guī)劃期各行業(yè)用戶的發(fā)展資料，要不斷研究那些電力負(fù)荷所代表的國民經(jīng)濟(jì)各行各業(yè)的發(fā)展規(guī)律，認(rèn)清行業(yè)實際發(fā)展的可能性和未來性，更好的把握電力市場環(huán)境的發(fā)展方向。

參考文獻(xiàn)

[1]鐘慶，吳捷，鐘丹虹．基于系統(tǒng)論的負(fù)荷預(yù)y集成化方法

[J]．電力自動化設(shè)備,2002，(10)．

[2]王天華，王平洋，袁欽成．空間負(fù)荷預(yù)y中不確定性因素

的處理方法[J]電網(wǎng)技術(shù),2001，(1)．

[3]李歷波．城市配網(wǎng)空間負(fù)荷預(yù)y方法及應(yīng)用研究[D]，重

慶大學(xué)，2002．

[4]王天華，王平洋，袁欽成．空間負(fù)荷預(yù)y中不確定性因素

篇10

關(guān)鍵詞： FPGA； BP神經(jīng)網(wǎng)絡(luò)； 線性擬合； 非線性擬合； 自適應(yīng)訓(xùn)練

中圖分類號： TN702.2?34； TP183 文獻(xiàn)標(biāo)識碼： A 文章編號： 1004?373X（2016）15?0115?04

Abstract： Using software for neural network has the disadvantages of low parallelism and slow speed， the hardware design resource utilization of the traditional neural network is high， and the network training is uncontrollable. To solve these problems， a new FPGA?based design method of back propagation （BP） neural network is proposed. The method can realize the Sigmoid excitation function through piecewise linear fitting and nonlinear fitting based on symmetry， and uses the finite state machine （FSM） to accomplish the training times adaption based on error. The Verilog HDL language is used to design the 1?3?1 BP neural network to approximate the function [y=cosx.] The resource occupancy of the network is 2 756 LEs， the training times are 1 583， the average relative error of the network test sample is 0.6%， and the maximum clock frequency is 82.3 MHz. The verification results show that the neural network designed with the method has the advantages of less resource occupancy， high accuracy and fast running speed， and can control the network training automatically.

Keywords： FPGA； BP neural network； linear fitting； nonlinear fitting； adaptive training

0 引 言

人工神經(jīng)網(wǎng)絡(luò)（ANNs）[1]通常都是采用基于軟件的方法實現(xiàn)。但作為一個并行計算系統(tǒng)，軟件實現(xiàn)的方法存在速度慢的缺點，而硬件方式具有高并行性的特點，適合于人工神經(jīng)網(wǎng)絡(luò)。FPGA作為一種通用的硬件設(shè)計平臺，其內(nèi)部分布式的資源與神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)非常契合，是一個實現(xiàn)神經(jīng)網(wǎng)絡(luò)硬件化設(shè)計的良好選擇。

資源占用是FPGA設(shè)計的一個重要考量因素，而網(wǎng)絡(luò)訓(xùn)練是神經(jīng)網(wǎng)絡(luò)功能實現(xiàn)的基礎(chǔ)。已有的神經(jīng)網(wǎng)絡(luò)硬件設(shè)計工作在這兩方面還存在巨大的空間。例如，薛維琴等利用FPGA實現(xiàn)了BP神經(jīng)網(wǎng)絡(luò)[2]，該網(wǎng)絡(luò)經(jīng)過訓(xùn)練能夠描述非線性函數(shù)，但沒有提出BP神經(jīng)網(wǎng)絡(luò)的激勵函數(shù)和訓(xùn)練控制模塊的具體硬件實現(xiàn)方法。李利歌等提出了直接利用查找表實現(xiàn)神經(jīng)網(wǎng)絡(luò)激勵函數(shù)的方法[3]，但是查找表存在占用資源大，運(yùn)行速度慢的缺點。張海燕等采用基于查找表的STAM算法實現(xiàn)神經(jīng)網(wǎng)絡(luò)激勵函數(shù)[4]，且文中也沒有提到訓(xùn)練控制模塊。Javier Valls等提出利用CORDIC算法實現(xiàn)神經(jīng)網(wǎng)絡(luò)的激勵函數(shù)[5]，資源利用率低，但是存在精度不足的問題。劉培龍利用分段擬合實現(xiàn)激勵函數(shù)[6]，但是激勵函數(shù)資源占用較多。

基于這一現(xiàn)狀，本文通過對Sigmoid函數(shù)基于對稱性分段擬合以及基于誤差的訓(xùn)練自適應(yīng)技術(shù)，提出了一種新的神經(jīng)網(wǎng)絡(luò)FPGA設(shè)計方法。該方法設(shè)計的神經(jīng)網(wǎng)絡(luò)資源占用少，網(wǎng)絡(luò)訓(xùn)練自適應(yīng)，同時還具有精度高，運(yùn)行速度快的優(yōu)點。

1 BP神經(jīng)網(wǎng)絡(luò)的FPGA設(shè)計

根據(jù)BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，本文將網(wǎng)絡(luò)劃分為神經(jīng)元模塊、激勵函數(shù)模塊、誤差計算模塊，權(quán)值更新模塊、權(quán)值存儲模塊以及自適應(yīng)網(wǎng)絡(luò)訓(xùn)練模塊。圖1給出了不同功能模塊之間的連接和訓(xùn)練過程。其中，權(quán)值存儲模塊和輸入神經(jīng)元將輸入層的權(quán)值以及訓(xùn)練的樣本輸入到隱含層神經(jīng)元進(jìn)行乘累加運(yùn)算，其結(jié)果輸入到激勵函數(shù)模塊得到激勵函數(shù)輸出，該輸出和隱含層的權(quán)值作為輸出層神經(jīng)元的輸入得到本次訓(xùn)練結(jié)果。該結(jié)果再經(jīng)過誤差計算模塊計算誤差值和權(quán)值改變量。權(quán)值改變量在權(quán)值更新模塊中得到新權(quán)值存入到權(quán)值存儲模塊。誤差值輸入到自適應(yīng)網(wǎng)絡(luò)訓(xùn)練模塊判斷網(wǎng)絡(luò)訓(xùn)練是否達(dá)到最優(yōu)。網(wǎng)絡(luò)訓(xùn)練達(dá)到最優(yōu)前，該過程循環(huán)，當(dāng)網(wǎng)絡(luò)訓(xùn)練達(dá)到最優(yōu)，自適應(yīng)訓(xùn)練模塊控制網(wǎng)絡(luò)停止訓(xùn)練。

系統(tǒng)中神經(jīng)元模塊、誤差計算模塊、權(quán)值更新模塊按照BP網(wǎng)絡(luò)算法規(guī)則可調(diào)用加、乘、乘累加等功能模塊，權(quán)值存儲模塊可調(diào)用RAM模塊。激勵函數(shù)模塊和自適應(yīng)訓(xùn)練模塊關(guān)乎系統(tǒng)資源占用及訓(xùn)練過程的實現(xiàn)，是本文BP神經(jīng)網(wǎng)絡(luò)FPGA設(shè)計的重點。

1.1 激勵函數(shù)模塊設(shè)計

激勵函數(shù)模塊是影響整個神經(jīng)網(wǎng)絡(luò)資源利用的主要因素之一，在保證誤差足夠小的前提下，激勵函數(shù)模塊資源占用越小越好。

式中含有指數(shù)運(yùn)算，較難在FPGA 中直接實現(xiàn)。利用Sigmoid函數(shù)具有對稱性以及較好的線性區(qū)域和非線性區(qū)域分界的特點，本文提出一種資源占用小、精度高的基于對稱性分段擬合的激勵函數(shù)硬件實現(xiàn)的方法。

考慮到Sigmoid函數(shù)的對稱性，只需完成[x>0]的區(qū)域硬件實現(xiàn)，根據(jù)對稱性即可求出[x0]區(qū)域，根據(jù)Sigmoid函數(shù)線性區(qū)域和非線性區(qū)域分界良好的特點，分別采用線性擬合和非線性擬合的方法分段逼近。具體而言，如圖2所示，將整個激勵函數(shù)模塊分為預(yù)處理模塊、函數(shù)逼近模塊以及最終輸出模塊三個子模塊。

1.1.1 預(yù)處理模塊

激勵函數(shù)的輸入[x]為16位定點數(shù)，最高位為符號位，中間五位為整數(shù)部分，后十位為小數(shù)部分。當(dāng)[x]輸入到激勵函數(shù)模塊時，首先進(jìn)行預(yù)處理。截取二進(jìn)制輸入[x]的最高位判斷[x>0]或者[x0]時，[x=x，]將[x]輸入到后續(xù)處理模塊，若判斷出[x

1.1.2 函數(shù)逼近模塊

基于對輸入[x]的預(yù)處理，此子模塊只需要對[x>0]的情況做線性擬合和非線性擬合。分段逼近函數(shù)如表1所示。

1.1.3 最終輸出模塊

最終輸出模塊由預(yù)處理模塊輸出的控制信號控制。若[x>0，]則控制信號控制最終輸出模塊直接輸出函數(shù)逼近模塊中[x]對應(yīng)的輸出[fx；]若[x

1.1.4 激勵函數(shù)模塊分析

按照上述設(shè)計方法完成激勵函數(shù)模塊的設(shè)計后，對激勵函數(shù)模塊進(jìn)行功能仿真和誤差分析。從-8～8以0.001為間隔生成測試數(shù)據(jù)輸入到激勵函數(shù)模塊，得到的ModelSim仿真結(jié)果如圖3所示，其各區(qū)間絕對誤差如表2所示。從中可以看出，各區(qū)間的誤差值均很小且誤差分布較為平均，體現(xiàn)出良好的逼近效果。

1.2 自適應(yīng)訓(xùn)練模塊設(shè)計

網(wǎng)絡(luò)訓(xùn)練是神經(jīng)網(wǎng)絡(luò)功能實現(xiàn)的基礎(chǔ)。神經(jīng)網(wǎng)絡(luò)隨著訓(xùn)練的進(jìn)行，權(quán)值逐漸改變，誤差逐漸減小，但如果網(wǎng)絡(luò)訓(xùn)練不能適時結(jié)束，造成過度訓(xùn)練，則網(wǎng)絡(luò)性能會變差。然而對網(wǎng)絡(luò)訓(xùn)練的控制在硬件上并不易設(shè)計，故很多工作未討論這一點或簡單的以固定周期來完成訓(xùn)練。本文提出了一種基于可容忍誤差值的自適應(yīng)網(wǎng)絡(luò)訓(xùn)練硬件設(shè)計方法，可有效的自動控制神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程。

分析神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程，每一次輸入樣本值都會在本次訓(xùn)練完成時得到一個誤差值，當(dāng)誤差在可以容忍的范圍內(nèi)可以認(rèn)為網(wǎng)絡(luò)已經(jīng)訓(xùn)練完成。認(rèn)為在給定的可容忍誤差值的情況下，如果連續(xù)兩次整個樣本集輸入得到的誤差絕對值都要比給定的可容忍誤差值要小，則該神經(jīng)網(wǎng)絡(luò)訓(xùn)練已經(jīng)達(dá)到最優(yōu)。根據(jù)這個思想，提出利用有限狀態(tài)機(jī)實現(xiàn)自適應(yīng)網(wǎng)絡(luò)訓(xùn)練。

如圖4所示，有限狀態(tài)機(jī)的狀態(tài)數(shù)是樣本集中樣本數(shù)的兩倍，狀態(tài)機(jī)初始為零狀態(tài)。當(dāng)某一次訓(xùn)練得到的誤差絕對值小于可容忍誤差值時，狀態(tài)機(jī)進(jìn)入第一個狀態(tài)。若緊鄰的下一次訓(xùn)練得到的誤差絕對值也小于可容忍誤差值，狀態(tài)機(jī)進(jìn)入下一個狀態(tài)，否則狀態(tài)機(jī)狀態(tài)回到第0個狀態(tài)。當(dāng)狀態(tài)機(jī)跳轉(zhuǎn)到最后一個狀態(tài)時，網(wǎng)絡(luò)訓(xùn)練完成，此時輸出控制信號控制權(quán)值存儲模塊停止權(quán)值更新，提示信號提示訓(xùn)練完成。該模塊的分析需要結(jié)合網(wǎng)絡(luò)中的其他模塊，故測試結(jié)果在下一節(jié)中給出。

2 驗證和分析

2.1 驗證平臺

根據(jù)上述方法，設(shè)計了一個1?3?1三層BP神經(jīng)網(wǎng)絡(luò)驗證其性能。驗證平臺為Altera公司的EP2C70F896C6。

以[y=cosx]函數(shù)為學(xué)習(xí)對象，從[0～2π]之間以[0.062 5π]為間隔選取33個樣本組成樣本集，隨機(jī)選取其中25個作為訓(xùn)練樣本，剩下8個作為測試樣本。神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值的選取具有一定的隨機(jī)性，根據(jù)網(wǎng)絡(luò)需要逼近的函數(shù)數(shù)值大小，輸入層到隱含層的初始權(quán)值矩陣[W1=[2.5，0.5，-0.3]，]隱含層到輸出層的初始權(quán)值矩陣[W2=[0.35，0.4，0.3]，]隱含層閾值選為[0.2，0.3，0.4]，輸出層閾值選為[0.3]。隱含層的學(xué)習(xí)率設(shè)為0.4，輸出層的學(xué)習(xí)率設(shè)為0.3，容忍誤差設(shè)為0.01。

2.2 結(jié)果分析

ModelSim仿真得到的結(jié)果如圖5所示，從圖5中可以看出該BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練是自適應(yīng)的。當(dāng)網(wǎng)絡(luò)訓(xùn)練到最優(yōu)時，產(chǎn)生一個控制信號和一個提示信號以及網(wǎng)絡(luò)訓(xùn)練的次數(shù)，此時權(quán)值存儲器的值不再變化，訓(xùn)練完成。

25個訓(xùn)練樣本集訓(xùn)練的平均誤差為0.003，分析8個測試樣本集的誤差，如表3所示。從表3中可以看出，其誤差與訓(xùn)練數(shù)據(jù)的誤差大體相當(dāng)且均很小。計算測試樣本的平均相對誤差為0.6%，小于1%，說明該方法實現(xiàn)的基于FPGA的BP神經(jīng)網(wǎng)絡(luò)精度較高。

將該網(wǎng)絡(luò)下載至Altera公司EP2C70F896C6的FPGA中，其最高時鐘頻率為82.3 MHz，可見該方法具有運(yùn)行速度快的優(yōu)點。將該神經(jīng)網(wǎng)絡(luò)資源占用情況與已有相關(guān)工作的資源占用情況作對比，如表4所示。雖然其中各設(shè)計的規(guī)模和平臺有所差異（如1 Slice≈4 LEs），但仍可估算出即便添加了自適應(yīng)訓(xùn)練模塊，本設(shè)計對資源的占用依然較低。

從表5中可以看到，當(dāng)學(xué)習(xí)對象不同時，網(wǎng)絡(luò)訓(xùn)練的次數(shù)也不同，實現(xiàn)了訓(xùn)練過程的自適應(yīng)。由此亦可推至，若采用傳統(tǒng)的預(yù)設(shè)固定次數(shù)的方式完成訓(xùn)練，則對于不同學(xué)習(xí)對象難免會造成訓(xùn)練不充分或過度訓(xùn)練的情況，從而影響網(wǎng)絡(luò)的性能。因此，該表也進(jìn)一步證明了該設(shè)計自適應(yīng)訓(xùn)練的優(yōu)越性。

3 結(jié) 論

本文以典型的BP神經(jīng)網(wǎng)絡(luò)為例，提出了一種自適應(yīng)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)FPGA設(shè)計方法。通過對Sigmoid激勵函數(shù)基于對稱性做分段擬合減少了資源占用，使用基于可容忍誤差完成了網(wǎng)絡(luò)訓(xùn)練自適應(yīng)。該方法設(shè)計的神經(jīng)網(wǎng)絡(luò)具備訓(xùn)練可控、資源占用低、精度高的優(yōu)點。此方法不僅適合于 BP網(wǎng)絡(luò)，也可推廣至采用Sigmoid函數(shù)及需要訓(xùn)練控制的其他類型的神經(jīng)網(wǎng)絡(luò)。

注：本文通訊作者為常勝。

參考文獻(xiàn)

[1] 蔣宗禮.人工神經(jīng)網(wǎng)絡(luò)導(dǎo)論[M].北京：高等教育出版社，2001：15?16.

[2] 薛維琴，李莉華，戴明.基于FPGA的人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)的實現(xiàn)方法[J].電子設(shè)計工程，2010，18（9）：151?154.

[3] 李利歌，閻保定，侯忠.基于FPGA的神經(jīng)網(wǎng)絡(luò)硬件可重構(gòu)實現(xiàn)[J].河南科技大學(xué)學(xué)報（自然科學(xué)版），2009，30（1）：37?40.

[4] 張海燕，李欣，田書峰.基于BP神經(jīng)網(wǎng)絡(luò)的仿真線設(shè)計及其FPGA實現(xiàn)[J].電子與信息學(xué)報，2007，29（5）：1267?1270.

[5] VALLS J， KUHLMANN M， PARHI K K. Evaluation of CORDIC algorithms for FPGA design [J]. Journal of VLSI signal processing， 2002， 32（3）： 207?222.