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

篇1

人工神經(jīng)網(wǎng)絡(luò)是近年來迅猛發(fā)展的前沿課題，它對(duì)突破現(xiàn)有科學(xué)技術(shù)的瓶頸起到重大的作用。本文剖析了人工神經(jīng)網(wǎng)絡(luò)的特征、模型結(jié)構(gòu)以及未來的發(fā)展趨勢(shì)。

【關(guān)鍵詞】人工神經(jīng)網(wǎng)絡(luò) 神經(jīng)元 矩陣

1 人工神經(jīng)網(wǎng)絡(luò)概述

人工神經(jīng)網(wǎng)絡(luò)（ANN）是一種用計(jì)算機(jī)網(wǎng)絡(luò)系統(tǒng)模擬生物神經(jīng)網(wǎng)絡(luò)的智能神經(jīng)系統(tǒng)，它是在現(xiàn)代神經(jīng)生物學(xué)研究成果的基礎(chǔ)上發(fā)展起來的，模擬人腦信息處理機(jī)制的一種網(wǎng)絡(luò)系統(tǒng)，它不但具有處理數(shù)值數(shù)據(jù)的計(jì)算能力，而且還具有處理知識(shí)的學(xué)習(xí)、聯(lián)想和記憶能力。

人工神經(jīng)網(wǎng)絡(luò)模擬了大腦神經(jīng)元的組織方式，反映了人腦的一些基本功能，為研究人工智能開辟了新的途徑。它具有以下基本特征：

1.1 并行分布性

因?yàn)槿斯ど窠?jīng)網(wǎng)絡(luò)中的神經(jīng)元排列并不是雜亂無章的，往往是以一種有規(guī)律的序列排列，這種結(jié)構(gòu)非常適合并行計(jì)算。同時(shí)如果將每一個(gè)神經(jīng)元看作是一個(gè)基本的處理單元，則整個(gè)系統(tǒng)可以是一個(gè)分布式處理系統(tǒng)，使得計(jì)算快速。

1.2 可學(xué)習(xí)性和自適應(yīng)性

一個(gè)相對(duì)很小的人工神經(jīng)網(wǎng)絡(luò)可存儲(chǔ)大量的專家知識(shí)，并能根據(jù)學(xué)習(xí)算法，或利用指導(dǎo)系統(tǒng)模擬現(xiàn)實(shí)環(huán)境（稱為有教師學(xué)習(xí)），或?qū)斎脒M(jìn)行自適應(yīng)學(xué)習(xí)（稱為無教師學(xué)習(xí)），可以處理不確定或不知道的事情，不斷主動(dòng)學(xué)習(xí)，不斷完善知識(shí)的存儲(chǔ)。

（3）魯棒性和容錯(cuò)性

由于采用大量的神經(jīng)元及其相互連接，具有聯(lián)想映射與聯(lián)想記憶能力，容錯(cuò)性保證網(wǎng)絡(luò)將不完整的、畸變的輸入樣本恢復(fù)成完整的原型，魯棒性使得網(wǎng)絡(luò)中的神經(jīng)元或突觸遭到破壞時(shí)網(wǎng)絡(luò)仍然具有學(xué)習(xí)和記憶能力，不會(huì)對(duì)整體系統(tǒng)帶來嚴(yán)重的影響。

1.3 泛化能力

人工神經(jīng)網(wǎng)絡(luò)是大規(guī)模的非線性系統(tǒng)，提供了系統(tǒng)協(xié)同和自組織的潛力，它能充分逼近任意復(fù)雜的非線性關(guān)系。如果輸入發(fā)生較小變化，則輸出能夠保持相當(dāng)小的差距。

1.4 信息綜合能力

任何知識(shí)規(guī)則都可以通過對(duì)范例的學(xué)習(xí)存儲(chǔ)于同一個(gè)神經(jīng)網(wǎng)絡(luò)的各連接權(quán)值中，能同時(shí)處理定量和定性的信息，適用于處理復(fù)雜非線性和不確定對(duì)象。

2 人工神經(jīng)網(wǎng)絡(luò)模型

神經(jīng)網(wǎng)絡(luò)是在對(duì)人腦思維方式研究的基礎(chǔ)上，將其抽象模擬反映人腦基本功能的一種并行處理連接網(wǎng)絡(luò)。神經(jīng)元是神經(jīng)網(wǎng)絡(luò)的基本處理單元。

在神經(jīng)網(wǎng)絡(luò)的發(fā)展過程中，從不同角度對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行了不同層次的描述和模擬，提出了各種各樣的神經(jīng)網(wǎng)絡(luò)模型，其中最具有代表性的神經(jīng)網(wǎng)絡(luò)模型有：感知器、線性神經(jīng)網(wǎng)絡(luò)、BP網(wǎng)絡(luò)、自組織網(wǎng)絡(luò)、徑向基函數(shù)網(wǎng)絡(luò)、反饋神經(jīng)網(wǎng)絡(luò)等等。

3 神經(jīng)元矩陣

神經(jīng)元矩陣是神經(jīng)網(wǎng)絡(luò)模型的一種新構(gòu)想，是專門為神經(jīng)網(wǎng)絡(luò)打造的一個(gè)矩陣，它符合神經(jīng)元的一切特征。

神經(jīng)元矩陣采用矩陣形式，它可為n維向量組成。引入向量觸頭和信使粒的概念，向量觸頭可生長，即長度可變，方向可變，信使粒可“游蕩”在矩陣中，建立各種聯(lián)系。如圖1即是神經(jīng)元矩陣模型

（1）容器可產(chǎn)生一種無形的約束力，使系統(tǒng)得以形成，容器不是全封閉的，從而保證系統(tǒng)與外界的溝通和交互；各向量間可用相互作用的力來聯(lián)系，而各個(gè)信使粒則受控于容器、中空向量以及其它的信使粒。各神經(jīng)元之間自主交互，神經(jīng)元矩陣是一種多層次的管理，即一層管理一層。系統(tǒng)具有明顯的層級(jí)制和分塊制，每層每塊均獨(dú)立且協(xié)同工作，即每層每塊均含組織和自組織因素。

（2）向量觸頭是中空的，信使?？梢酝ㄟ^向量或存儲(chǔ)于向量中，所以又稱為中空向量。向量存儲(chǔ)了信使粒后，可以吸引更多的信使粒在附近，或使鄰近向量轉(zhuǎn)向、伸長，進(jìn)而形成相對(duì)穩(wěn)定的信息通路。

（3）當(dāng)兩條或更多的信息通路匯集時(shí)，可能伴隨著通路的增強(qiáng)、合并，以及信使粒的聚集、交換，這是神經(jīng)元矩陣運(yùn)算的一種主要形式。通路的形成過程，也就是是神經(jīng)元矩陣分塊、分層、形成聯(lián)接的過程，也為矩陣系統(tǒng)宏觀管理、層級(jí)控制的實(shí)現(xiàn)奠定了基礎(chǔ)。

神經(jīng)元矩陣亦是一種具有生物網(wǎng)絡(luò)特征的數(shù)學(xué)模型，綜合了數(shù)學(xué)上矩陣和向量等重要概念，是一種立體的矩陣結(jié)構(gòu)。尤其是將矩陣的分塊特性和向量的指向特征結(jié)合起來，更好的體現(xiàn)了神經(jīng)網(wǎng)絡(luò)的整體性和單元獨(dú)立性，系統(tǒng)的組織和自組織特征也更為凸顯。信使粒以“點(diǎn)”的數(shù)學(xué)概念，增強(qiáng)了系統(tǒng)的信息特征，尤其是增強(qiáng)了矩陣的存儲(chǔ)和運(yùn)算功能。

4 人工神經(jīng)網(wǎng)絡(luò)的發(fā)展趨勢(shì)

人工神經(jīng)網(wǎng)絡(luò)是邊緣叉科學(xué)，它涉及計(jì)算機(jī)、人工智能、自動(dòng)化、生理學(xué)等多個(gè)學(xué)科領(lǐng)域，研究它的發(fā)展具有非常重要意義。針對(duì)神經(jīng)網(wǎng)絡(luò)的社會(huì)需求以及存在的問題，今后神經(jīng)網(wǎng)絡(luò)的研究趨勢(shì)主要側(cè)重以下幾個(gè)方面。

4.1 增強(qiáng)對(duì)智能和機(jī)器關(guān)系問題的認(rèn)識(shí)

人腦是一個(gè)結(jié)構(gòu)異常復(fù)雜的信息系統(tǒng)，我們所知道的唯一智能系統(tǒng)，隨著信息論、控制論、計(jì)算機(jī)科學(xué)、生命科學(xué)的發(fā)展，人們?cè)絹碓襟@異于大腦的奇妙。對(duì)人腦智能化實(shí)現(xiàn)的研究，是神經(jīng)網(wǎng)絡(luò)研究今后的需要增強(qiáng)的地發(fā)展方向。

4.2 發(fā)展神經(jīng)計(jì)算和進(jìn)化計(jì)算的理論及應(yīng)用

利用神經(jīng)科學(xué)理論的研究成果，用數(shù)理方法探索智能水平更高的人工神經(jīng)網(wǎng)絡(luò)模型，深入研究網(wǎng)絡(luò)的算法和性能，使離散符號(hào)計(jì)算、神經(jīng)計(jì)算和進(jìn)化計(jì)算相互促進(jìn)，開發(fā)新的網(wǎng)絡(luò)數(shù)理理論。

4.3 擴(kuò)大神經(jīng)元芯片和神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的作用

神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)體現(xiàn)了結(jié)構(gòu)和算法的統(tǒng)一，是硬件和軟件的混合體，神經(jīng)元矩陣即是如此。人工神經(jīng)網(wǎng)絡(luò)既可以用傳統(tǒng)計(jì)算機(jī)來模擬，也可以用集成電路芯片組成神經(jīng)計(jì)算機(jī)，甚至還可以生物芯片方式實(shí)現(xiàn)，因此研制電子神經(jīng)網(wǎng)絡(luò)計(jì)算機(jī)潛力巨大。如何讓傳統(tǒng)的計(jì)算機(jī)、人工智能技術(shù)和神經(jīng)網(wǎng)絡(luò)計(jì)算機(jī)相融合也是前沿課題，具有十分誘人的前景。

4.4 促進(jìn)信息科學(xué)和生命科學(xué)的相互融合

信息科學(xué)與生命科學(xué)的相互交叉、相互促進(jìn)、相互滲透是現(xiàn)代科學(xué)的一個(gè)顯著特點(diǎn)。神經(jīng)網(wǎng)絡(luò)與各種智能處理方法有機(jī)結(jié)合具有很大的發(fā)展前景，如與專家系統(tǒng)、模糊邏輯、遺傳算法、小波分析等相結(jié)合，取長補(bǔ)短，可以獲得更好的應(yīng)用效果。

參考文獻(xiàn)

[1]鐘珞.饒文碧.鄒承明著.人工神經(jīng)網(wǎng)絡(luò)及其融合應(yīng)用技術(shù).科學(xué)出版社.

篇2

隨著計(jì)算機(jī)網(wǎng)絡(luò)、信息技術(shù)、自動(dòng)化技術(shù)的進(jìn)步，極大的改變了我們的生活。人工神經(jīng)網(wǎng)絡(luò)技術(shù)是一種全新的控制技術(shù)，通過互聯(lián)網(wǎng)進(jìn)行動(dòng)態(tài)模擬，從而建立一種新的控制互聯(lián)網(wǎng)的系統(tǒng)。經(jīng)過十幾年的發(fā)展，人工神經(jīng)網(wǎng)絡(luò)技術(shù)研究取得了巨大的進(jìn)步，已經(jīng)廣泛應(yīng)用在社會(huì)各個(gè)領(lǐng)域，使現(xiàn)代計(jì)算機(jī)中的難題得到了解決。本文主要從人工神經(jīng)網(wǎng)絡(luò)技術(shù)的概念出發(fā)，探討了它在現(xiàn)代社會(huì)領(lǐng)域的具體應(yīng)用。

【關(guān)鍵詞】人工神經(jīng)網(wǎng)絡(luò) 信息技術(shù) 發(fā)展趨勢(shì)

人工神經(jīng)網(wǎng)絡(luò)技術(shù)在處理實(shí)際問題主要包括兩個(gè)過程，一個(gè)是學(xué)習(xí)訓(xùn)練過程，另外一個(gè)是記憶聯(lián)想過程。近年來隨著人工網(wǎng)絡(luò)技術(shù)的發(fā)展，人工神經(jīng)網(wǎng)絡(luò)技術(shù)在信號(hào)處理、圖像處理、智能識(shí)別等領(lǐng)域已經(jīng)取得了巨大的改變，為人們研究各類科學(xué)問題提供了一種新的方法和手段，使人們?cè)诮煌ㄟ\(yùn)輸、人工智能、軍事、信息領(lǐng)域的工作更加便捷，近年來隨著AI的l展，人工神經(jīng)網(wǎng)絡(luò)技術(shù)得到了快速的發(fā)展階段。

1 人工神經(jīng)網(wǎng)絡(luò)技術(shù)

人工神經(jīng)網(wǎng)絡(luò)技術(shù)也稱ANN，是隨著上個(gè)世紀(jì)八十年代人工智能發(fā)展興起的一個(gè)研究熱點(diǎn)，它的主要工作原理對(duì)人腦神經(jīng)網(wǎng)絡(luò)進(jìn)行抽象處理，并仿造人腦神經(jīng)網(wǎng)絡(luò)建立簡單的模型，按照不同的連接方式組成一個(gè)完整的網(wǎng)絡(luò)，因此學(xué)術(shù)界也直接將它成為神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)其實(shí)就是一種運(yùn)算模型，它是通過大量的節(jié)點(diǎn)――神經(jīng)元連接起來的，其中不同的節(jié)點(diǎn)所代表的輸出函數(shù)也不同，也就是所謂的激勵(lì)函數(shù)；當(dāng)有兩個(gè)節(jié)點(diǎn)連接起來時(shí)稱之為通過該連接信號(hào)的加權(quán)值，也稱為權(quán)重，這就相當(dāng)人腦神經(jīng)網(wǎng)絡(luò)記憶。人工神經(jīng)網(wǎng)絡(luò)技術(shù)是采用并行分布式系統(tǒng)，這種工作機(jī)理與傳統(tǒng)的信息處理技術(shù)和人工智能技術(shù)完全不同，是一種全新的技術(shù)，它克服了傳統(tǒng)基于邏輯符號(hào)的人工智能處理非結(jié)構(gòu)信息化和直覺方面的缺陷，具有實(shí)時(shí)學(xué)習(xí)、自適應(yīng)性和自組織性等特點(diǎn)。

2 人工神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用分析

隨著人工神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展，它在模式識(shí)別、知識(shí)工程、信號(hào)處理、專家系統(tǒng)、機(jī)器人控制等方面的應(yīng)用較廣。

2.1 生物信號(hào)的檢測分析

目前大部分醫(yī)學(xué)檢測設(shè)備都是通過連續(xù)波形得到相關(guān)數(shù)據(jù)，從而根據(jù)所得數(shù)據(jù)對(duì)病情進(jìn)行診斷。人工神經(jīng)網(wǎng)絡(luò)技術(shù)就是應(yīng)用了這樣的方式將多個(gè)神經(jīng)元組合起來構(gòu)成，解決了生物醫(yī)學(xué)信號(hào)檢測方面的難題，其適應(yīng)性和獨(dú)立性強(qiáng)，分布貯藏功能多。在生物醫(yī)學(xué)領(lǐng)域該技術(shù)主要應(yīng)用于對(duì)心電信號(hào)、聽覺誘發(fā)電位信號(hào)、醫(yī)學(xué)圖像、肌電荷胃腸等信號(hào)的處理、識(shí)別和分析。

2.2 醫(yī)學(xué)專家系統(tǒng)

傳統(tǒng)的醫(yī)院專家系統(tǒng)是直接將專家的經(jīng)驗(yàn)、學(xué)歷、臨床診斷方面取得的成績等存儲(chǔ)在計(jì)算機(jī)中，構(gòu)建獨(dú)立的醫(yī)學(xué)知識(shí)庫，通過邏輯推理進(jìn)行診斷的一種方式。進(jìn)入到二十一世紀(jì)，醫(yī)院需要存儲(chǔ)的醫(yī)學(xué)知識(shí)越來越多，每天產(chǎn)生新的病況和知識(shí)，過去的一些專家系統(tǒng)顯然已經(jīng)無法適應(yīng)醫(yī)院的發(fā)展需求，因此醫(yī)院的效率很低。而人工神經(jīng)網(wǎng)絡(luò)技術(shù)的出現(xiàn)為醫(yī)院專家系統(tǒng)的構(gòu)建提出了新的發(fā)展方向，通過人工神經(jīng)網(wǎng)絡(luò)技術(shù)，系統(tǒng)能夠自主學(xué)習(xí)、自己組織、自行推理。因此在醫(yī)學(xué)專家系統(tǒng)中該網(wǎng)絡(luò)技術(shù)應(yīng)用面較廣。麻醉醫(yī)學(xué)、重癥醫(yī)學(xué)中生理變量分析和評(píng)估較多，目前臨床上一些還沒有確切證據(jù)或者尚未發(fā)現(xiàn)的關(guān)系與現(xiàn)象，通過人工神經(jīng)網(wǎng)絡(luò)便能有效地解決。

2.3 市場價(jià)格預(yù)測

在經(jīng)濟(jì)活動(dòng)中，傳統(tǒng)統(tǒng)計(jì)方法受到一些因素的制約，無法對(duì)價(jià)格變動(dòng)做出準(zhǔn)確的預(yù)測，因此難免在預(yù)測的時(shí)候出現(xiàn)失誤的現(xiàn)象。人工神經(jīng)網(wǎng)絡(luò)技術(shù)能夠處理那些不完整的、規(guī)律不明顯、模糊不確定的數(shù)據(jù)，并作出有效地預(yù)測，因此人工神經(jīng)網(wǎng)絡(luò)技術(shù)具有傳統(tǒng)統(tǒng)計(jì)方法無法比擬的優(yōu)勢(shì)。例如人工神經(jīng)網(wǎng)絡(luò)技術(shù)可以通過分析居民人均收入、貸款利率和城市化發(fā)展水平，從而組建一個(gè)完整的預(yù)測模型，準(zhǔn)確預(yù)測出商品的價(jià)格變動(dòng)情況。

2.4 風(fēng)險(xiǎn)評(píng)價(jià)

在從事某一項(xiàng)特定的活動(dòng)時(shí)，由于社會(huì)上一些不確定因素，可能造成當(dāng)事人經(jīng)濟(jì)上或者其他方面的損失。因此在進(jìn)行某一項(xiàng)活動(dòng)時(shí)，對(duì)活動(dòng)進(jìn)行有效的預(yù)測和評(píng)估，避免風(fēng)險(xiǎn)。人工神經(jīng)網(wǎng)絡(luò)技術(shù)可以根據(jù)風(fēng)險(xiǎn)的實(shí)際來源，構(gòu)筑一套信用風(fēng)險(xiǎn)模型結(jié)構(gòu)和風(fēng)險(xiǎn)評(píng)估系數(shù)，從而提出有效地解決方案。通過信用風(fēng)險(xiǎn)模型分析彌補(bǔ)主觀預(yù)測方面的不足，從而達(dá)到避免風(fēng)險(xiǎn)的目的。

3 人工神經(jīng)網(wǎng)絡(luò)技術(shù)未來發(fā)展

人工神經(jīng)網(wǎng)絡(luò)克服了傳統(tǒng)人工智能對(duì)語言識(shí)別、模式、非結(jié)構(gòu)化信息處理的缺陷，因此在模式識(shí)別、神經(jīng)專家系統(tǒng)、智能控制、信息處理和天氣預(yù)測等領(lǐng)域廣泛應(yīng)用。隨著科學(xué)技術(shù)的進(jìn)步，AI的快速發(fā)展，AI與遺傳算法、模糊系統(tǒng)等方面結(jié)合，形成了計(jì)算智能，很多企業(yè)和國家開始大規(guī)模研發(fā)AI，人工神經(jīng)網(wǎng)絡(luò)正在模擬人類認(rèn)知的方向發(fā)展，目前市場已經(jīng)有很多不少人工智能產(chǎn)品面世。

4 結(jié)語

通過上述研究分析，人工神經(jīng)網(wǎng)絡(luò)技術(shù)已經(jīng)取得了相應(yīng)的發(fā)展，但還存在很多不足：應(yīng)用范圍狹窄、預(yù)測精度低、通用模型缺乏創(chuàng)新等，因此需要我們?cè)诖嘶A(chǔ)上不斷尋找新的突破點(diǎn)，加強(qiáng)對(duì)生物神經(jīng)元系統(tǒng)的研究和探索，進(jìn)一步挖掘其潛在的價(jià)值，將人工神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用在更多領(lǐng)域中，為社會(huì)創(chuàng)造更大的財(cái)富。

參考文獻(xiàn)

[1]周文婷，孟琪.運(yùn)動(dòng)員賽前心理調(diào)控的新策略――基于人工神經(jīng)網(wǎng)絡(luò)技術(shù)的比賽場地聲景預(yù)測（綜述）[J].哈爾濱體育學(xué)院學(xué)報(bào)，2015，33（03）：15-21.

[2]張紅蘭.人工神經(jīng)網(wǎng)絡(luò)技術(shù)的應(yīng)用現(xiàn)狀分析[J].中國新通信，2014（02）：76-76.

[3]張廣軍.人工神經(jīng)網(wǎng)絡(luò)技術(shù)在光電檢測中的應(yīng)用[J].北京航空航天大學(xué)學(xué)報(bào)，2001，27（05）：564-568.

篇3

【關(guān)鍵詞】人工神經(jīng)網(wǎng)絡(luò)；故障診斷；模式識(shí)別；Matlab軟件

一、人工神經(jīng)網(wǎng)絡(luò)綜述

BP神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用最為廣泛和成功的神經(jīng)網(wǎng)絡(luò)之一，它是由一個(gè)輸入層，一個(gè)或多個(gè)隱層以及一個(gè)輸出層組成，上下層之間實(shí)現(xiàn)全連接，而每層神經(jīng)元之間沒有連接。網(wǎng)絡(luò)的學(xué)習(xí)過程包括信號(hào)正向傳播和誤差反向傳播。在正向傳播進(jìn)程中，輸入信息從輸入層經(jīng)隱層加權(quán)處理傳向輸出層，經(jīng)功能函數(shù)運(yùn)算后得到的輸出值與期望值進(jìn)行比較，若有誤差，則誤差反向傳播，沿原先的連接通道返回，通過逐層修改各層的權(quán)重系數(shù)，減小誤差。隨著這種誤差逆向傳播修正的不斷進(jìn)行，網(wǎng)絡(luò)對(duì)輸入模式響應(yīng)的正確率也不斷上升。

二、人工神經(jīng)網(wǎng)絡(luò)的識(shí)別、診斷過程

滾動(dòng)軸承在設(shè)備中是比較典型的，本文以滾動(dòng)軸承的故障識(shí)別、診斷為例。進(jìn)行模式識(shí)別的大體步驟為：首先對(duì)經(jīng)過零均值化后的振動(dòng)信號(hào)數(shù)據(jù)進(jìn)行時(shí)域、頻域分析，將篩選后的有效時(shí)域、頻域特征值作為人工神經(jīng)網(wǎng)絡(luò)輸入層的輸入，經(jīng)Matlab軟件進(jìn)行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，最后可得出一個(gè)可以識(shí)別軸承工作狀態(tài)的神經(jīng)網(wǎng)絡(luò)，進(jìn)而可以對(duì)滾動(dòng)軸承進(jìn)行模式識(shí)別?？梢姴捎谜駝?dòng)信號(hào)檢測法對(duì)機(jī)器設(shè)備進(jìn)行故障診斷的過程包含信號(hào)采集、特征提取、狀態(tài)識(shí)別、故障分析和決策干預(yù)等五個(gè)基本環(huán)節(jié)，在滾動(dòng)軸承故障診斷中，振動(dòng)信號(hào)的采集是關(guān)鍵，保證信號(hào)采集的準(zhǔn)確性、合理性和實(shí)時(shí)性是正確實(shí)現(xiàn)故障診斷的前提。（1）信號(hào)采集。每臺(tái)機(jī)器設(shè)備都有自身的固有頻率，若設(shè)備發(fā)生故障，其頻率變化，其振動(dòng)信號(hào)也會(huì)發(fā)生變化。因此，振動(dòng)信號(hào)可以作為故障診斷的一個(gè)重要標(biāo)準(zhǔn)。在信號(hào)采集中主要用到加速度傳感器、電荷放大器、帶濾波的A/D轉(zhuǎn)換器。先通過壓電式加速度傳感器對(duì)振動(dòng)信號(hào)進(jìn)行拾取，然后經(jīng)過電荷放大器及通過帶濾波的A/D轉(zhuǎn)換電路得到微機(jī)可以識(shí)別的數(shù)字信號(hào)，從而實(shí)現(xiàn)振動(dòng)信號(hào)的采集。（2）特征值提取。為了便于觀察，要把采樣點(diǎn)的值分布在0附近，故先對(duì)采集的采樣點(diǎn)值進(jìn)行零均值化。用matlab對(duì)零均值化后的的采樣點(diǎn)進(jìn)行時(shí)域、頻域分析。時(shí)域分析是計(jì)算振動(dòng)信號(hào)的在時(shí)域范圍內(nèi)的特征參數(shù)，包括：平均值、方差、均方根、峰值峰值因子、峭度系數(shù)等參數(shù)。頻域分析是對(duì)零均值化后數(shù)據(jù)進(jìn)行傅里葉變換，繪制頻譜圖，對(duì)不同樣本故障軸承和正常軸承的頻譜圖進(jìn)行對(duì)比，找出幅值差別比較明顯的幾組，作為頻域分析的特征值。由于各個(gè)特征值的幅值大小不一致，不便于比較同一特征值在不同樣本之間的差異，所以對(duì)所有有效特征值進(jìn)行歸一化，歸一化后的結(jié)果可以作為神經(jīng)網(wǎng)絡(luò)的輸入值。（3）模式識(shí)別和故障分析。在狀態(tài)檢測過程中，樣本數(shù)據(jù)來源于實(shí)驗(yàn)數(shù)據(jù)分析后提取的有效特征值，這些有效的特征值作為神經(jīng)網(wǎng)絡(luò)的輸入。神經(jīng)網(wǎng)絡(luò)的輸出為軸承狀態(tài)，分為正常軸承和故障軸承（也可以把故障具體分，比如內(nèi)圈、外圈、滾動(dòng)體故障等），可以用（0 1）表示正常軸承，（1 1）表示故障軸承，因此網(wǎng)絡(luò)中設(shè)計(jì)2個(gè)輸出神經(jīng)元表示這2個(gè)狀態(tài)。對(duì)軸承的不同狀態(tài)進(jìn)行識(shí)別，建立神經(jīng)網(wǎng)絡(luò)對(duì)它進(jìn)行訓(xùn)練，可以用公式（其中是輸入層神經(jīng)元數(shù)，是隱層神經(jīng)元數(shù)）大體的計(jì)算出隱層神經(jīng)元層數(shù)。我們?cè)O(shè)計(jì)一個(gè)隱層可以隨意改變的BP神經(jīng)網(wǎng)絡(luò)，通過誤差對(duì)比確定隱層數(shù)目。設(shè)定神經(jīng)網(wǎng)絡(luò)的隱含層神經(jīng)元的傳遞函數(shù)為tansig，輸出層神經(jīng)元的傳遞函數(shù)為logsig，目標(biāo)誤差為0.001，最大訓(xùn)練步數(shù)為1000。由以上設(shè)計(jì)寫出網(wǎng)絡(luò)訓(xùn)練代碼，經(jīng)Matlab運(yùn)行，找出網(wǎng)絡(luò)誤差最小所對(duì)應(yīng)層數(shù)，該層數(shù)作為神經(jīng)網(wǎng)絡(luò)的隱層。

確定神經(jīng)網(wǎng)絡(luò)的隱層后便可確定神經(jīng)網(wǎng)絡(luò)的最終結(jié)構(gòu)，下一步就要對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，使人工神經(jīng)網(wǎng)絡(luò)所產(chǎn)生的網(wǎng)絡(luò)誤差小于目標(biāo)誤差，對(duì)神經(jīng)網(wǎng)絡(luò)訓(xùn)練好以后，接下來就是對(duì)軸承的測試，神經(jīng)網(wǎng)絡(luò)測試代碼為：y=sim（net，測試數(shù)據(jù)）。把正常軸承和故障軸承的測試數(shù)據(jù)導(dǎo)入Matlab程序中，結(jié)果整理后可得（以實(shí)驗(yàn)室中的一組實(shí)驗(yàn)數(shù)據(jù)為例）：

用均值表示結(jié)果為：

把預(yù)先設(shè)定好的狀態(tài)值和測試后的結(jié)果進(jìn)行比較，很清楚的可以辨別出正常軸承和故障軸承?？梢?，對(duì)機(jī)器設(shè)備或者系統(tǒng)的故障診斷實(shí)質(zhì)是一個(gè)模式識(shí)別過程。利用神經(jīng)網(wǎng)絡(luò)的模式識(shí)別能力，直接識(shí)別系統(tǒng)的當(dāng)前模式，實(shí)現(xiàn)正常模式和故障模式之間、以及不同故障模式或不同故障程度之間的區(qū)分。

參 考 文 獻(xiàn)

篇4

關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò)；前饋神經(jīng)網(wǎng)絡(luò)；遞歸神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)： TP183 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1673-1069（2017）06-165-2

1 緒論

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network， ANN）是由大量處理單元互聯(lián)組成的非線性、自適應(yīng)信息處理系統(tǒng)。它是在現(xiàn)代神經(jīng)科學(xué)研究成果的基礎(chǔ)上提出的，試圖通過模擬大腦神經(jīng)網(wǎng)絡(luò)處理、記憶信息的方式進(jìn)行信息處理。ANN通過模仿人類大腦的結(jié)構(gòu)和功能，并借鑒生物神經(jīng)科學(xué)的研究成果，實(shí)現(xiàn)對(duì)信息的處理，是一種新興的交叉學(xué)科，不但推動(dòng)了智能化計(jì)算的應(yīng)用和發(fā)展，同時(shí)也為信息科學(xué)和神經(jīng)生物學(xué)的研究方法帶來革命性的變化，現(xiàn)已成功應(yīng)用于腦科學(xué)，認(rèn)知科學(xué)，模式識(shí)別，智能控制，計(jì)算機(jī)科學(xué)等多個(gè)領(lǐng)域。

在實(shí)際應(yīng)用中，人工神經(jīng)網(wǎng)絡(luò)的選取通常包括適當(dāng)?shù)纳窠?jīng)網(wǎng)絡(luò)模型，合理的網(wǎng)絡(luò)結(jié)構(gòu)及快速有效的網(wǎng)絡(luò)參數(shù)訓(xùn)練算法[1]。而針對(duì)某一特定網(wǎng)絡(luò)模型，ANN的研究主要集中在結(jié)構(gòu)的調(diào)整和訓(xùn)練算法的改進(jìn)兩個(gè)方面。所謂神經(jīng)網(wǎng)絡(luò)訓(xùn)練，也就是網(wǎng)絡(luò)參數(shù)的學(xué)習(xí)和調(diào)整，是一個(gè)反復(fù)調(diào)節(jié)節(jié)點(diǎn)之間權(quán)值和閾值的過程，其學(xué)習(xí)可以分成三類，即有監(jiān)督學(xué)習(xí)（Supervised learning），無監(jiān)督學(xué)習(xí)（Unsupervised learning）和強(qiáng)化學(xué)習(xí)（Reinforcement learning），本文基于有監(jiān)督和無監(jiān)督學(xué)習(xí)進(jìn)行分類，分別分析了前饋神經(jīng)網(wǎng)絡(luò)的特點(diǎn)及研究現(xiàn)狀、遞歸神經(jīng)網(wǎng)絡(luò)的特點(diǎn)及研究現(xiàn)狀。

2 前饋神經(jīng)網(wǎng)絡(luò)

2.1 前饋神經(jīng)網(wǎng)絡(luò)的特點(diǎn)

前饋神經(jīng)網(wǎng)絡(luò)的主要種類包括：感知器，線性神經(jīng)網(wǎng)絡(luò)，BP網(wǎng)絡(luò)，徑向基網(wǎng)絡(luò)（RBF）等。其訓(xùn)練算法主要采用梯度下降法（Gradient descent），包括：誤差反向傳播算法（Back Propagation， BP），改進(jìn)的BP算法，Levenberg-Marquardt法（LM）等。前饋神經(jīng)網(wǎng)絡(luò)具有學(xué)習(xí)簡單，收斂較快等優(yōu)點(diǎn)，因此在實(shí)際應(yīng)用中，一般選取三層或以上的網(wǎng)絡(luò)結(jié)構(gòu)，神經(jīng)網(wǎng)絡(luò)的任意逼近定理指出，訓(xùn)練合適的多層前饋神經(jīng)網(wǎng)絡(luò)能夠以任意精度逼近任意連續(xù)函數(shù)[2]。當(dāng)網(wǎng)絡(luò)結(jié)構(gòu)已知的情況下，訓(xùn)練前饋神經(jīng)網(wǎng)絡(luò)的本質(zhì)就是確定最優(yōu)權(quán)值和閾值的方法，前饋神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方式一般采用網(wǎng)絡(luò)理想輸出和實(shí)際輸出的誤差作為權(quán)值調(diào)整信號(hào)，解空間一般是多峰函數(shù)，由于訓(xùn)練過程中很容易陷入局部極小，因此網(wǎng)絡(luò)的訓(xùn)練目標(biāo)就是求解一組最優(yōu)的權(quán)值，使誤差達(dá)到最小。

傳統(tǒng)的誤差反向傳播算法由于為網(wǎng)絡(luò)的訓(xùn)練提供了簡單而有效的實(shí)現(xiàn)途徑，目前已成為研究和應(yīng)用最廣泛的有監(jiān)督學(xué)習(xí)算法。但BP算法存在許多問題，例如在多層網(wǎng)絡(luò)中收斂較慢且容易陷入局部極小，而且不能對(duì)多個(gè)網(wǎng)絡(luò)進(jìn)行同時(shí)訓(xùn)練[3]。改進(jìn)的BP算法有多種形式，主要有通過附加動(dòng)量和學(xué)習(xí)率的引入改進(jìn)BP網(wǎng)絡(luò)的自適應(yīng)能力等方法，附加動(dòng)量方法雖然在一定程度上改善了易陷入局部極小的問題，仍然存在收斂速度較慢的問題。調(diào)整學(xué)習(xí)率方法通過將學(xué)習(xí)率限制在一定范圍內(nèi)自動(dòng)調(diào)整，雖然能夠提高網(wǎng)絡(luò)收斂速率，但對(duì)權(quán)值的改變和影響并不大，仍然導(dǎo)致誤差較大問題。LM法具有訓(xùn)練時(shí)間段，收斂速度快的優(yōu)點(diǎn)，但由于LM法需要計(jì)算誤差的Jacobian矩陣，這是一個(gè)復(fù)雜的高維運(yùn)算問題，需要占用大量系統(tǒng)存儲(chǔ)空間，同時(shí)，LM也存在易陷入局部極小的問題[4、5]。

2.2 前饋神經(jīng)網(wǎng)絡(luò)的研究現(xiàn)狀

在傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中，預(yù)估校正法或者經(jīng)驗(yàn)選擇是最常被使用的網(wǎng)絡(luò)結(jié)構(gòu)選取方式[6]。在訓(xùn)練和優(yōu)化網(wǎng)絡(luò)權(quán)值和閾值過程中，訓(xùn)練算法在上述分析中已知，存在著容易陷入局部最優(yōu)并且難以跳出的缺點(diǎn)，因此誤差函數(shù)要求必須是連續(xù)可求導(dǎo)的函怠R虼耍這些權(quán)值訓(xùn)練方法常和進(jìn)化算法等全局搜索算法相結(jié)合。使用全局搜索算法的全局搜索能力幫助網(wǎng)絡(luò)跳出局部極小。在編碼時(shí)采用實(shí)數(shù)編碼，克服二進(jìn)制編碼受到編碼串長度和精度的限制。例如，Sexton等人用一種改進(jìn)的遺傳算法優(yōu)化前饋神經(jīng)網(wǎng)路權(quán)值，結(jié)果表明改進(jìn)的算法使網(wǎng)路訓(xùn)練精度得到顯著提高[3]。Abbass通過將傳統(tǒng)BP算法和差分進(jìn)化算法相結(jié)合，提出了一種的新的權(quán)值訓(xùn)練方法并用于乳腺癌的預(yù)測實(shí)驗(yàn)，取得較好結(jié)果[7]。Iionen等人使用差分進(jìn)化算法對(duì)前饋網(wǎng)絡(luò)的權(quán)值進(jìn)行訓(xùn)練和優(yōu)化，將優(yōu)化結(jié)果與其他幾種基于梯度下降的網(wǎng)絡(luò)訓(xùn)練方法比較，結(jié)果表明該方法具有較好的精度[8]。更多研究成果表明，將DE、PSO應(yīng)用于網(wǎng)絡(luò)權(quán)值在線訓(xùn)練和優(yōu)化具有明顯優(yōu)勢(shì)，這些改進(jìn)方法也成功應(yīng)用在了醫(yī)學(xué)和工程技術(shù)等領(lǐng)域[9、10]。

此外，多種優(yōu)化算法相結(jié)合也被證明是有效的。例如，在文獻(xiàn)[11]中，作者提出了一種DE和LM相結(jié)合的神經(jīng)網(wǎng)絡(luò)快速訓(xùn)練方法。Liu等人提出一種粒子群算法（Particle Swarm Optimization， PSO）和共軛梯度算法相結(jié)合的混合算法，并將其應(yīng)用于神經(jīng)網(wǎng)絡(luò)的權(quán)值優(yōu)化[12]。在優(yōu)化過程中，首先確定網(wǎng)絡(luò)結(jié)構(gòu)，然后使用PSO的全局搜索能力獲得最后權(quán)值組合，最后使用傳統(tǒng)方法進(jìn)行權(quán)值微調(diào)，取得較好結(jié)果。在文獻(xiàn)[13]中，作者采用相反方式將基本PSO和傳統(tǒng)BP算法相結(jié)合使用，首先用BP算法對(duì)網(wǎng)絡(luò)權(quán)值進(jìn)行計(jì)算，然后使用PSO對(duì)網(wǎng)絡(luò)結(jié)構(gòu)固定的權(quán)值進(jìn)行優(yōu)化和改進(jìn)。有學(xué)者提出一種具有控制參數(shù)自適應(yīng)選擇能力的差分進(jìn)化算法，用于訓(xùn)練前饋網(wǎng)絡(luò)，并將該方法用于奇偶分類實(shí)驗(yàn)中，將實(shí)驗(yàn)結(jié)果與幾種其他方法進(jìn)行比較得知，提出的方法具有更好的準(zhǔn)確性。Epitropakis等人在訓(xùn)練離散Pi-Sigma神經(jīng)網(wǎng)絡(luò)實(shí)驗(yàn)中，采用一種分布式離散差分進(jìn)化算法和分布式離散PSO算法相結(jié)合的方式。該離散網(wǎng)絡(luò)仍然是一種多層前饋網(wǎng)絡(luò)，在輸出層，通過將神經(jīng)元求積的方式獲得輸出，作者認(rèn)為這種整數(shù)權(quán)值的離散方式更適合用于硬件實(shí)現(xiàn)[14]。在離散化權(quán)值方面，Bao等人的工作表明，通過采用一種可重建的動(dòng)態(tài)差分進(jìn)化算法，可以有效用于訓(xùn)練固定結(jié)構(gòu)的網(wǎng)絡(luò)權(quán)值。

在不同領(lǐng)域中，任務(wù)往往各不相同，因此針對(duì)不同的動(dòng)態(tài)系統(tǒng)，不同類型的遞歸網(wǎng)絡(luò)的也相繼被提出并得到研究，使之成為人工智能界的研究熱點(diǎn)之一。因其具有獨(dú)特的優(yōu)化能力，聯(lián)想記憶功能，遞歸神經(jīng)網(wǎng)絡(luò)已引起AI界極大的研究和關(guān)注，并成功應(yīng)用于多種模式識(shí)別問題，例如圖像處理，聲音辨識(shí)，信號(hào)處理等。

4 結(jié)論

本章分析和研究了神經(jīng)網(wǎng)絡(luò)的兩種主要類型，前饋型和遞歸型，并對(duì)其特點(diǎn)進(jìn)行了分析。前饋網(wǎng)絡(luò)的主要特點(diǎn)是計(jì)算簡單，運(yùn)算方便，缺點(diǎn)是耗時(shí)較長，容易陷入局部極??；遞歸網(wǎng)絡(luò)的特點(diǎn)是具有動(dòng)力學(xué)特性和聯(lián)想記憶特性，但使用時(shí)需要注意穩(wěn)定性和收斂性，且對(duì)初始狀態(tài)具有高度敏感特性。針對(duì)兩類神經(jīng)網(wǎng)絡(luò)的特點(diǎn)，可通過多種優(yōu)化相結(jié)合的方法解決收斂較慢且容易陷入局部極小問題，應(yīng)用參數(shù)學(xué)習(xí)訓(xùn)練算法和網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化算法對(duì)遞歸網(wǎng)絡(luò)進(jìn)行適當(dāng)?shù)恼{(diào)整，以應(yīng)用于具體問題。

參 考 文 獻(xiàn)

[1] N. Garcia-Pedrajas， C. Hervas-Martinez， J. Munoz-Perez. COVNET： a cooperative coevolutionary model for evolving artificial neural networks [J]. IEEE Transaction on Neural Networks， 2003， 14（3）： 575-596.

[2] K. Hornick， M. Stinchcombe， H. White. Multilayer feedforward networks are universal approximators [J]. Neural Networks， 1989， 2： 359-366.

[3] R.S. Sexton， R.S. Sriram， H. Etheridge. Improving decision effectiveness of artificial neural networks： a modified genetic algorithm approach [J]. Decis Sci， 2003， 34（3）：421-442.

[4] 商琳， 王金根， 姚望舒，等. 一N基于多進(jìn)化神經(jīng)網(wǎng)絡(luò)的分類方法[J]. 軟件學(xué)報(bào)， 2005， 16（9）： 1577-1583.

[5] S.U. Ahmed， M. Shahjahan， K. Murase. Injecting chaos in feedforward neural networks [J]. Neural Process Lett， 2011， 34（1）： 87-100.

[6] Serkan Kiranyaz， Turker Ince， Alper Yildirim， et al. Evolutionary artificial neural networks by multi-dimensional particle swarm optimization [J]. Neural Networks， 2009， 22： 1448-1462.

[7] H.A. Abbass. An evolutionary artificial neural networks approach for breast cancer diagnosis [J]. Artificial Intelligence in Medicine， 2002 ， 25 （3） ： 265-281.

[8] J. Iionen， J.K. Kamarainen， J. Lampinen. Differential Evolution Training Algorithm for Feed-forward Neural Networks [J]. Neural Processing Letters， 2003， 17（1） ： 93-105.

[9] D.M. George， P.P. Vassilis， N.V. Michael. Neural network-based colonoscopic diagnosis using on-line learning and differential evolution [J]. Applied Soft Computing， 2004， （4） ： 369-379.

[10] B. Liu， L. Wang， Y.H. Jin， et al. Designing neural networks using hybrid particle swarm optimization [C]. Lecture Notes in Computer Science. Berlin ： Springer ， 2005 ： 391-397.

[11] 王剛， 高陽， 夏潔. 基于差異進(jìn)化算法的人工神經(jīng)網(wǎng)絡(luò)快速訓(xùn)練研究 [J]. 管理學(xué)報(bào)， 2005， 2 （4） ： 450-454.

[12] L. B. Liu， Y. J. Wang， D. Huang. Designing neural networks using PSO-based memetic algorithm [C]. in： Proceedings of the Fourth International Symposium on Neural Networks （ISNN’07）， 2007， pp. 219-224.

篇5

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)；非線性回歸網(wǎng)絡(luò)；ARIMA模型

中圖分類號(hào)：TP393 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)；1009-3044（2017）07-0162-03

1介紹

預(yù)測股市指數(shù)及其趨勢(shì)已被認(rèn)為是時(shí)間序列預(yù)測中最具挑戰(zhàn)性的應(yīng)用之一。根據(jù)現(xiàn)有提出的有效市場理論，股價(jià)遵循隨機(jī)路徑，實(shí)際上不可能根據(jù)歷史數(shù)據(jù)制定特定的長期預(yù)測模型。ARIMA和ANN技術(shù)已經(jīng)成功地用于建模和預(yù)測金融時(shí)間序列。與作為復(fù)雜預(yù)測系統(tǒng)的ANN模型相比，ARIMA模型被認(rèn)為是更容易的訓(xùn)練和預(yù)測技術(shù)。神經(jīng)網(wǎng)絡(luò)的一個(gè)重要特征是能夠從他們的環(huán)境中學(xué)習(xí)，并通過學(xué)習(xí)在某種意義上提高性能。其中一個(gè)新的趨勢(shì)是專門的神經(jīng)結(jié)構(gòu)與學(xué)習(xí)算法的發(fā)展，提供替代工具用來解決特征提取，信號(hào)處理和數(shù)據(jù)預(yù)測等問題。近年來，在使用ARIMA模型進(jìn)行金融時(shí)間序列預(yù)測的金融數(shù)據(jù)分析領(lǐng)域中進(jìn)行了一系列研究。Meyler等人使用ARIMA模型來預(yù)測愛爾蘭通貨膨脹。Contreras等人使用ARIMA方法預(yù)測第二天的電價(jià)。FxJiger等人用于ARIMA模型來預(yù)測在土耳其通過燃料一次能源的需求。Datta使用相同的Box和Jenkins方法預(yù)測孟加拉國的通貨膨脹率。A1-Zeaud已經(jīng)使用ARIMA模型來建模和預(yù)測銀行部門的波動(dòng)率。

本文的結(jié)構(gòu)如下。在本文的第二部分，我們簡要介紹ARIMA模型進(jìn)行預(yù)測。接下來，給出了旨在預(yù)測特定股票收盤價(jià)的外部輸入的非線性自回歸網(wǎng)絡(luò)。應(yīng)用于數(shù)據(jù)預(yù)測的基于ANN的策略是針對(duì)ARIMA模型進(jìn)行分析的，并且在文章的第四部分中描述了這些模型的比較分析。關(guān)于報(bào)告的研究的結(jié)論在本文的最后部分提出。

2RIM模型

自回歸積分移動(dòng)平均（ARIMA）模型和Box-Jenkins方法是一種統(tǒng)計(jì)分析模型。它主要用于時(shí)間序列分析的計(jì)量經(jīng)濟(jì)學(xué)和統(tǒng)計(jì)學(xué)。ARIMA模型使用時(shí)間序列數(shù)據(jù)來預(yù)測系列中的未來點(diǎn)。非季節(jié)性ARIMA模型由ARIMA（p，d，q）表示，其中p，d，q是非負(fù)整數(shù)，它們分別是自回歸（AR），集成（I）和移動(dòng)平均（MA）的參數(shù)。

（1）

（2）

（3）

可以使用ARMA過程開發(fā)的預(yù)測技術(shù)的擴(kuò)展來解決預(yù)測ARIMA過程的問題。預(yù)測ARMA（p，q）過程中最常用的方法之一是用于計(jì)算最佳線性預(yù)測變量（Durbin-Levison算法，創(chuàng)新算法等）的遞歸技術(shù)類。在下面我們描述使用創(chuàng)新算法的遞歸預(yù)測方法。

3用于預(yù)測股票收盤價(jià)的基于ANN的模型

具有旨在預(yù)測特定股票的收盤價(jià)的外部輸入的非線性自回歸網(wǎng)絡(luò)的過程如下所示；

我們假設(shè)Yt是時(shí)間z時(shí)刻的股票收盤價(jià)。對(duì)于每個(gè)時(shí)刻t，我們用Xt=（Xt（1），Xt（2），…，Xt（n）表示與Yt顯著相關(guān)的指標(biāo)的值的向量，即在Xt（i）和Yt之間的相關(guān)系數(shù)大于某一閾值。

我們研究中使用的神經(jīng)模型是一個(gè)動(dòng)態(tài)網(wǎng)絡(luò)。直接法用于建立股票平倉值的預(yù)測模型，具體描述如下。

（4）

（5）

（6）

所考慮的延遲對(duì)訓(xùn)練集和預(yù)測過程具有顯著影響。我們使用相關(guān)圖為我們的神經(jīng)網(wǎng)絡(luò)選擇適當(dāng)?shù)拇翱诖笮　Ｎ覀冃枰糠肿韵嚓P(guān)函數(shù)（PACF）在統(tǒng)計(jì)上不相關(guān)的滯后。

具有外部輸入的非線性自回歸網(wǎng)絡(luò)（NARX）是一個(gè)遞歸動(dòng)態(tài)網(wǎng)絡(luò)，反饋連接包含網(wǎng)絡(luò)的多個(gè)層。NARX網(wǎng)絡(luò)的輸出可以被認(rèn)為是某個(gè)非線性動(dòng)態(tài)系統(tǒng)的輸出估計(jì)。由于在網(wǎng)絡(luò)訓(xùn)練期間實(shí)際輸出是可用的，所以產(chǎn)生串并聯(lián)架構(gòu)，其中估計(jì)輸出被實(shí)際輸出替代。這個(gè)模型的優(yōu)點(diǎn)有兩個(gè)方面；一方面，在訓(xùn)練階段中使用的輸入更精確，另一方面，由于所得到的網(wǎng)絡(luò)具有前饋結(jié)構(gòu)，因此可以使用靜態(tài)反向傳播類型的學(xué)習(xí)。

NARX網(wǎng)絡(luò)在這里用作預(yù)測器，預(yù)測公式如下：

（7）

在圖1中描述了該串并聯(lián)神經(jīng)網(wǎng)絡(luò)的示例，其中d=2，n=10并且隱層中的神經(jīng)元的數(shù)量是24。

隱藏層和輸出層中的神經(jīng)元的激活函數(shù)可以以多種方式定義。在我們的測試中，我們采用邏輯函數(shù)（8）來模擬屬于隱藏層的神經(jīng)元的激活函數(shù)，并且單位函數(shù)對(duì)屬于輸出層的神經(jīng)元的輸出進(jìn)行建模。

（8）

在訓(xùn)練步驟之后，串并聯(lián)架構(gòu)被轉(zhuǎn)換為并行配置，以便執(zhí)行多級(jí)提前預(yù)測任務(wù)。相應(yīng)的神經(jīng)網(wǎng)絡(luò)架構(gòu)如圖2所示。我們使用標(biāo)準(zhǔn)性能函數(shù)，由網(wǎng)絡(luò)誤差的平均和確定。取消數(shù)據(jù)分割過程以避免提前停止。

用于更新權(quán)重和偏差參數(shù)的網(wǎng)絡(luò)訓(xùn)練函數(shù)對(duì)應(yīng)于具有反向傳播算法的自適應(yīng)學(xué)習(xí)速率變體的梯度下降。在下面，我們考慮基于梯度的學(xué)習(xí)算法的類，其一般更新規(guī)則由下式所以：

（9）

在本文中我們用E來表示誤差函數(shù)，該誤差函數(shù)根據(jù)訓(xùn)練集合上的平方差誤差函數(shù)的和來定義。具有自適應(yīng)學(xué)習(xí)速率的基于反向傳播梯度的算法通過使誤差函數(shù)最小化而產(chǎn)生。

為了提供基于準(zhǔn)牛頓法的正割方程的兩點(diǎn)近似，在每個(gè)時(shí)期定義的學(xué)習(xí)速率為；

（10）

在這種情況下，基于梯度的學(xué)習(xí)方法可能超過最佳點(diǎn)或者甚至發(fā)散。

4實(shí)驗(yàn)結(jié)果

我們用樣本數(shù)據(jù)集測試了模型。樣本是在2009和2014之間的每周觀察量的一組變量S。集合S包含來自證券交易所的SNP股票的開盤價(jià)，收盤價(jià)，最高價(jià)和最低價(jià)，以及從股票市場的技術(shù)和基礎(chǔ)分析獲得的七個(gè)指標(biāo)。

相關(guān)圖顯示，對(duì)于所有變量，PACF函數(shù)在第二滯后之后立即下降。這意味著所有變量的窗口大小可以設(shè)置為2。在我們的測試中，我們使用200個(gè)樣本用于訓(xùn)練目的和100個(gè)樣本用于數(shù)據(jù)預(yù)測。

神經(jīng)網(wǎng)絡(luò)參數(shù)基于以下過程確定：

1.初始化NN的參數(shù)。

2.使用6000個(gè)時(shí)期中的訓(xùn)練樣本集訓(xùn)練NN。

對(duì)于已經(jīng)訓(xùn)練的數(shù)據(jù)，根據(jù)MSE測量計(jì)算的總體預(yù)測誤差小于某個(gè)閾值。

在我們的測試中，閾值設(shè)置為0J 001。如果我們用T=（T（1），T（2），…，T（nr）表示目標(biāo)值的向量，并用（P（1），P（2），…，P（nr））表示其條目對(duì)應(yīng)于預(yù)測值的向量，則MSE誤差測量由：

（11）

使用上述技術(shù)獲得的結(jié)果報(bào)告如下。對(duì)已經(jīng)訓(xùn)練的數(shù)據(jù)預(yù)測計(jì)算的總體預(yù)測誤差為0.000 35。在已訓(xùn)練的數(shù)據(jù)上計(jì)算的回歸系數(shù)和數(shù)據(jù)擬合在圖3中示出。在已經(jīng)訓(xùn)練樣本的情況下的網(wǎng)絡(luò)預(yù)測與實(shí)際數(shù)據(jù)在圖4中示出。在新數(shù)據(jù)預(yù)測上計(jì)算的總預(yù)測誤差為0.001 2。在圖5中示出了在新穎鏡那榭魷碌耐絡(luò)預(yù)測與實(shí)際數(shù)據(jù)。

我們用基于神經(jīng)網(wǎng)絡(luò)的方法和ARIMA預(yù)測方法進(jìn)行比較分析。首先，我們使用自相關(guān)函數(shù)（ACF）和部分自相關(guān)函數(shù)（PACF）來確定時(shí)間序列是否穩(wěn)定。在平穩(wěn)時(shí)間序列的情況下，ACF迅速衰減。由于ACF的計(jì)算值表明函數(shù)衰減非常緩慢，我們認(rèn)為考慮的時(shí)間序列是非穩(wěn)定的。為了調(diào)整ARIMA模型的差分參數(shù)，分別計(jì)算了一階和二階差分序列。由于在使用一階差分系列的情況下，ACF的值非常小，我們得出結(jié)論，ARIMA模型的差分參數(shù)應(yīng)設(shè)置為1。

基于以下標(biāo)準(zhǔn)調(diào)整與AR（p）和MA（g）過程相關(guān)的ARIMA模型的參數(shù)：BIC（貝葉斯信息準(zhǔn)則）的相對(duì)小的值，調(diào)整的R2（確定系數(shù)）的相對(duì)高的值和相對(duì)小回歸標(biāo)準(zhǔn)誤差（SER）。根據(jù)這些結(jié)果，從上述標(biāo)準(zhǔn)的角度來看，最佳模型是ARIMA（1，1，1）模型。我們得出結(jié)論，最佳擬合模型是ARIMA（1，1，0）和ARMA（1，1，1）。

在使用ARIMA（1，1，0）模型的情況下，對(duì)新數(shù)據(jù)預(yù)測計(jì)算的總體預(yù)測誤差為0.007 7，而在使用ARIMA（1，1，1）模型的情況下為0.009 6。預(yù)測的結(jié)果如圖6所示。

篇6

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

通常而言，所謂圖像處理與識(shí)別，便是對(duì)實(shí)際圖像進(jìn)行轉(zhuǎn)換與變換，進(jìn)而達(dá)到識(shí)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(shí)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(shí)別時(shí)采用投影法、不變矩法等方法，隨著計(jì)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(shí)別技術(shù)將逐漸取代傳統(tǒng)的圖像識(shí)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(shí)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(shí)別技術(shù)也獲得了非常廣泛的應(yīng)用，將圖像識(shí)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(diǎn)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(shí)別圖像信息的不確定性以及識(shí)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(chǔ)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(shí)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(shí)可以達(dá)到比較快的速度，如此便可以使圖像識(shí)別的實(shí)時(shí)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(cuò)性，識(shí)別系統(tǒng)在圖像遭到干擾的時(shí)候仍然能正常工作，輸出較準(zhǔn)確的信息。

2 圖像識(shí)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(gè)層次，分為：圖像處理、圖像分析以及圖像理解，該技術(shù)與計(jì)算機(jī)視覺、模式識(shí)別以及計(jì)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(jì)算機(jī)科學(xué)等學(xué)科互相借鑒。此外，隨著計(jì)算機(jī)技術(shù)的發(fā)展，對(duì)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(shí)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(duì)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(duì)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(shí)別則是將經(jīng)過處理的圖像予以匹配，并且對(duì)類別名稱進(jìn)行確定，圖像識(shí)別可以在分割的基礎(chǔ)之上對(duì)所需提取的特征進(jìn)行篩選，然后再對(duì)這些特征進(jìn)行提取，最終根據(jù)測量結(jié)果進(jìn)行識(shí)別；所謂圖像理解，指的是在圖像處理與圖像識(shí)別的基礎(chǔ)上，根據(jù)分類作結(jié)構(gòu)句法分析，對(duì)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(shí)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(duì)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(gè)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(shí)際輸入與輸出關(guān)系達(dá)到期望，由輸出向輸入層反向計(jì)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(duì)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(diǎn)處對(duì)樣本進(jìn)行輸入；

（3）對(duì)輸入樣本，前向計(jì)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(duì)各個(gè)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(shí)別工具箱Nprtool等實(shí)現(xiàn)，經(jīng)驗(yàn)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(shí)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(shí)別

傳感器或攝像儀輸入圖像識(shí)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(duì)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(duì)畸變圖像識(shí)別進(jìn)行深層分析，并且利用 CCD 攝像頭對(duì)圖像信息進(jìn)行采集，在此過程之中通過對(duì)攝像頭方位進(jìn)行更改對(duì)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(duì)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(diǎn)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(jì)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(jì)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(shí)別神經(jīng)網(wǎng)絡(luò)系統(tǒng)。在進(jìn)行圖像識(shí)別的時(shí)候使用CCD 攝像頭來采集識(shí)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(shí)別系統(tǒng)里面，就其可以開展快速的計(jì)算，并進(jìn)行識(shí)別。把圖像識(shí)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(shí)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(duì)網(wǎng)絡(luò)連接結(jié)果與權(quán)值進(jìn)行存儲(chǔ)，促進(jìn)管理效率的提高，并對(duì)于知識(shí)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(shí)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(shí)別技術(shù)具有比較多的優(yōu)點(diǎn)以及比較高的可行性，然而，我們對(duì)該技術(shù)存在的網(wǎng)絡(luò)規(guī)模及復(fù)雜圖像識(shí)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(shí)別技術(shù)隨著科技的不斷發(fā)展將會(huì)獲得更多的應(yīng)用，其勢(shì)必會(huì)發(fā)展為一門獨(dú)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(shí)別[J].電子設(shè)計(jì)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(shí)別的研究[J].現(xiàn)代電子技術(shù)，2008.

篇7

關(guān)鍵詞：項(xiàng)目管理 風(fēng)險(xiǎn)分析 BP 神經(jīng)網(wǎng)絡(luò) 模型

中圖分類號(hào)：F282 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1674-098X（2015）10（c）-0062-02

1 工程項(xiàng)目中的風(fēng)險(xiǎn)

風(fēng)險(xiǎn)在任何工程項(xiàng)目中都存在，按照風(fēng)險(xiǎn)種類分類有自然風(fēng)險(xiǎn)、政治風(fēng)險(xiǎn)、經(jīng)濟(jì)風(fēng)險(xiǎn)、技術(shù)風(fēng)險(xiǎn)、責(zé)任風(fēng)險(xiǎn)和決策風(fēng)險(xiǎn)等。工程項(xiàng)目實(shí)施過程中，可能遇到暴雨、洪水、泥石流、不良的地質(zhì)條件等自然風(fēng)險(xiǎn);工程所在國政局動(dòng)蕩等政治風(fēng)險(xiǎn);通貨膨脹、資金籌措困難等經(jīng)濟(jì)風(fēng)險(xiǎn);設(shè)計(jì)不完善、施工工藝很落后等技術(shù)風(fēng)險(xiǎn);合約方違約等責(zé)任風(fēng)險(xiǎn);信息失真和經(jīng)驗(yàn)缺失等帶來的決策風(fēng)險(xiǎn)。諸如此類風(fēng)險(xiǎn)都會(huì)造成工程項(xiàng)目的不確定性，如工期延長、成本超支、工程質(zhì)量未達(dá)要求等，導(dǎo)致工程項(xiàng)目無法正常交付使用。

2 傳統(tǒng)風(fēng)險(xiǎn)分析的方法

傳統(tǒng)的風(fēng)險(xiǎn)分析方法可分為定性和定量兩種。

2.1 定性風(fēng)險(xiǎn)分析方法

定性風(fēng)險(xiǎn)分析的方法一般是憑經(jīng)驗(yàn)界定風(fēng)險(xiǎn)源，如列舉法、專家經(jīng)驗(yàn)法（Delphi法）及決策樹方法等。以專家經(jīng)驗(yàn)法為例，風(fēng)險(xiǎn)分析的過程為專家憑借在工程項(xiàng)目中的大量經(jīng)驗(yàn)識(shí)別出工程項(xiàng)目可能存在的風(fēng)險(xiǎn)源，并給出對(duì)每一類風(fēng)險(xiǎn)源的綜合印象，判明各種風(fēng)險(xiǎn)源可能對(duì)工程項(xiàng)目造成的破壞，是一種定性對(duì)風(fēng)險(xiǎn)的嚴(yán)重程度進(jìn)行分析的方法。

2.2 定量風(fēng)險(xiǎn)分析方法

傳統(tǒng)的定量的風(fēng)險(xiǎn)分析方法是在定性分析的基礎(chǔ)上進(jìn)行數(shù)學(xué)處理而實(shí)現(xiàn)的。如PRA（概率風(fēng)險(xiǎn)評(píng)估），DPRA（動(dòng)態(tài)風(fēng)險(xiǎn)概率評(píng)估）及仿真通用軟件VERT（風(fēng)險(xiǎn)評(píng)審技術(shù)）等。在定性分析的基礎(chǔ)上，定量風(fēng)險(xiǎn)分析對(duì)工程項(xiàng)目中各個(gè)風(fēng)險(xiǎn)源發(fā)生的概率，給出各個(gè)風(fēng)險(xiǎn)源的風(fēng)險(xiǎn)量化指標(biāo)，通過進(jìn)行數(shù)學(xué)處理，得到工程項(xiàng)目中各類風(fēng)險(xiǎn)的量化值。

3 BP神經(jīng)網(wǎng)絡(luò)模型

3.1 人工神經(jīng)網(wǎng)絡(luò)模型

神經(jīng)網(wǎng)絡(luò)的研究始于20世紀(jì)40年代，人工神經(jīng)網(wǎng)絡(luò)，是指模擬人類神經(jīng)細(xì)胞群學(xué)習(xí)特性的結(jié)構(gòu)和功能而構(gòu)成的一種信息處理系統(tǒng)或計(jì)算機(jī)系統(tǒng)，由于人工神經(jīng)網(wǎng)絡(luò)模型適用于復(fù)雜環(huán)境，可實(shí)現(xiàn)多目標(biāo)控制要求，并具有以任意精度逼近任意非線性連續(xù)數(shù)的特性，已應(yīng)用于許多復(fù)雜控制系統(tǒng)的領(lǐng)域。

3.2 BP神經(jīng)網(wǎng)絡(luò)

1986年D.E.Runelhart和J.L.McCelland及其研究小組提出PDP（Parallel Dis2t ributed Processing）網(wǎng)絡(luò)思想，他們還提出了一種網(wǎng)絡(luò)學(xué)習(xí)算法――BP算法（誤差反向傳播算法），至今在人工神經(jīng)網(wǎng)絡(luò)中，影響最大、使用最廣泛的一類就是BP神經(jīng)網(wǎng)絡(luò)。BP網(wǎng)絡(luò)在結(jié)構(gòu)上分為輸入層、隱層和輸出層，是典型的多層網(wǎng)絡(luò)結(jié)構(gòu)，層與層之間多采用全互連方式，同一層單元之間不存在相互連接。3層的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)見圖1。

除輸入層單元外，BP神經(jīng)網(wǎng)絡(luò)的其他基本處理單元均為非線性輸入輸出關(guān)系，層與層之間的的連接權(quán)值也是可以調(diào)節(jié)的，一般選用以下函數(shù)計(jì)算公式。

4 基于BP神經(jīng)網(wǎng)絡(luò)的風(fēng)險(xiǎn)分析模型

在BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，我們建立模型對(duì)工程項(xiàng)目中的風(fēng)險(xiǎn)進(jìn)行分析，可分為3個(gè)階段：風(fēng)險(xiǎn)辨識(shí)、BP神經(jīng)網(wǎng)絡(luò)處理和風(fēng)險(xiǎn)評(píng)估。

4.1 風(fēng)險(xiǎn)辨識(shí)

辨識(shí)工程項(xiàng)目所面臨的風(fēng)險(xiǎn)為工程項(xiàng)目風(fēng)險(xiǎn)分析的第一階段，我們將工程項(xiàng)目所面臨的風(fēng)險(xiǎn)進(jìn)行分類，分為6種：自然風(fēng)險(xiǎn)、政治風(fēng)險(xiǎn)、經(jīng)濟(jì)風(fēng)險(xiǎn)、技術(shù)風(fēng)險(xiǎn)、責(zé)任風(fēng)險(xiǎn)和決策風(fēng)險(xiǎn)，也可根據(jù)具體工程項(xiàng)目實(shí)際情況確定風(fēng)險(xiǎn)分類;然后，根據(jù)已做出的工程項(xiàng)目風(fēng)險(xiǎn)分類，列出每一類風(fēng)險(xiǎn)可能會(huì)造成工程項(xiàng)目的無法正常完成的不確定因素。

4.2 BP神經(jīng)網(wǎng)絡(luò)處理

根據(jù)風(fēng)險(xiǎn)辨識(shí)得到的工程項(xiàng)目風(fēng)險(xiǎn)因素清單，我們首先要對(duì)各種風(fēng)險(xiǎn)因素的歷史數(shù)據(jù)進(jìn)行格式化處理，以便完成輸入層信息的輸入。還需提供歷史的項(xiàng)目風(fēng)險(xiǎn)系數(shù)，然后進(jìn)行BP神經(jīng)網(wǎng)絡(luò)中連接權(quán)值的訓(xùn)練，得到輸入層、隱層及輸出層的之間權(quán)值。完成訓(xùn)練后，在具體的某一工程項(xiàng)目中，即可根據(jù)現(xiàn)有的專家風(fēng)險(xiǎn)評(píng)估數(shù)據(jù)作為輸入，得到風(fēng)險(xiǎn)評(píng)價(jià)系數(shù)。

項(xiàng)目風(fēng)險(xiǎn)系數(shù)是一種評(píng)價(jià)項(xiàng)目的風(fēng)險(xiǎn)程度的指標(biāo)，工期、費(fèi)用和效益投入比是用于評(píng)價(jià)工程項(xiàng)目的3個(gè)客觀指標(biāo)，工程項(xiàng)目的風(fēng)險(xiǎn)系數(shù)可以用下式表述。

式中：r為風(fēng)險(xiǎn)系數(shù);

、分別為實(shí)際工期和計(jì)劃工期;

、分別為實(shí)際費(fèi)用和計(jì)劃費(fèi)用;

、分別為實(shí)際效能和預(yù)計(jì)效能;

分別是時(shí)間、費(fèi)用和效能的加權(quán)系數(shù)，結(jié)合工程項(xiàng)目對(duì)各種資源的要求確定3個(gè)指標(biāo)的值，且滿足=1的條件。

4.3 風(fēng)險(xiǎn)評(píng)估

風(fēng)險(xiǎn)評(píng)價(jià)系數(shù)的取值越小，說明風(fēng)險(xiǎn)越小，取值越大，說明風(fēng)險(xiǎn)越大，風(fēng)險(xiǎn)狀況的分區(qū)需要根據(jù)工程項(xiàng)目的具體情況進(jìn)行劃分。以下列出了5個(gè)區(qū)間的劃分方法。

（1）r<0.2，工程項(xiàng)目的風(fēng)險(xiǎn)很低，即使損失發(fā)生，對(duì)工期、費(fèi)用和效益投入比的影響很小;

（2）0.2r<0.4，工程項(xiàng)目的風(fēng)險(xiǎn)較低，如果損失發(fā)生，對(duì)工期、費(fèi)用和效益投入比有一定的影響;

（3）0.4r<0.6，工程項(xiàng)目的風(fēng)險(xiǎn)處于中等水平，如果損失發(fā)生，有出現(xiàn)重大損失的可能;

（4）0.6r<0.8，工程項(xiàng)目的風(fēng)險(xiǎn)較大，必須采取避險(xiǎn)措施，杜絕損失發(fā)生;

（5）0.8r<1，工程項(xiàng)目的風(fēng)險(xiǎn)極大，建議重新進(jìn)行對(duì)該工程項(xiàng)目決策論證。

5 結(jié)語

將人工神經(jīng)網(wǎng)絡(luò)方法應(yīng)用于工程項(xiàng)目風(fēng)險(xiǎn)分析之中，在大量的歷史數(shù)據(jù)的基礎(chǔ)上，采用BP神經(jīng)網(wǎng)絡(luò)模型對(duì)風(fēng)險(xiǎn)進(jìn)行定量分析，大大提高了對(duì)風(fēng)險(xiǎn)評(píng)價(jià)系數(shù)預(yù)測的準(zhǔn)確性，為工程項(xiàng)目的投資決策提供可信度較高的風(fēng)險(xiǎn)評(píng)價(jià)方案，特別適用于有著豐富的同類項(xiàng)目實(shí)施經(jīng)驗(yàn)和資料的企業(yè)。

參考文獻(xiàn)

[1] 成虎.工程項(xiàng)目管理[M].北京：中國建筑工業(yè)出版社，2001.

[2] 雷勝強(qiáng).國際工程風(fēng)險(xiǎn)管理與保險(xiǎn)[M].北京：中國建筑工業(yè)出版社，1996.

[3] 聞新.Matlab神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計(jì)[M].北京：科學(xué)出版社，2001.

[4] 焦李成.神經(jīng)網(wǎng)絡(luò)系統(tǒng)理論[M].西安：西安電子科技大學(xué)出版社，1991.

篇8

關(guān)鍵詞：新疆；棉花產(chǎn)量；神經(jīng)網(wǎng)絡(luò)；預(yù)測

中圖分類號(hào)：F32 文獻(xiàn)標(biāo)識(shí)碼：A

收錄日期：2012年9月5日

我國是紡織服裝業(yè)大國，棉花的穩(wěn)定供給對(duì)我國棉紡業(yè)意義重大。2011年新疆棉花種植面積2，393.9萬畝，產(chǎn)量289.8萬噸，連續(xù)19年保持面積、單產(chǎn)、總產(chǎn)、調(diào)出量全國第一。棉花產(chǎn)業(yè)發(fā)展的穩(wěn)定與否，不僅關(guān)系到國家棉花安全和棉紡工業(yè)穩(wěn)定發(fā)展，也關(guān)系到新疆農(nóng)村經(jīng)濟(jì)發(fā)展和社會(huì)的穩(wěn)定。而棉花產(chǎn)業(yè)的穩(wěn)定發(fā)展，離不開棉花產(chǎn)量的預(yù)測。分析與預(yù)測新疆棉花產(chǎn)量，不僅可以了解新疆棉花產(chǎn)量的走勢(shì)，而且有助于統(tǒng)籌安排新疆棉花的種植、消費(fèi)、出口等相關(guān)事宜，從而穩(wěn)定棉花市場的供求，同時(shí)兼顧棉農(nóng)的利益。

棉花屬于純經(jīng)濟(jì)作物，受市場價(jià)格變化影響很大，因此棉花種植面積具有很大波動(dòng)性，同時(shí)氣候變化對(duì)于棉花產(chǎn)量的影響至關(guān)重要。因此，相比糧食作物來說，棉花產(chǎn)量的預(yù)測具有較大難度。

時(shí)間序列預(yù)測和灰色系統(tǒng)GM（1，1） 等模型均是假設(shè)所有的影響因素都蘊(yùn)含在單一歷史序列中，主要依靠總產(chǎn)量數(shù)據(jù)建立預(yù)測模型，需要的數(shù)據(jù)較少，比較容易操作；適合于具有長期趨勢(shì)的序列，對(duì)于波動(dòng)比較劇烈的序列預(yù)測效果較差。目前，對(duì)新疆棉花產(chǎn)量預(yù)測的研究大部分都是此類。

回歸分析預(yù)測和神經(jīng)網(wǎng)絡(luò)預(yù)測屬于因果關(guān)系預(yù)測，假定一個(gè)因素的變動(dòng)是由另一個(gè)或幾個(gè)變量引起的，通過掌握自變量的變動(dòng)可以知道因變量的變動(dòng)趨勢(shì)。要求占有盡可能多的資料，而對(duì)數(shù)列的波動(dòng)趨勢(shì)沒有特別要求?；貧w分析需要假設(shè)關(guān)系的數(shù)量模型形式，然后用最小二乘法擬合，而神經(jīng)網(wǎng)絡(luò)則不需要假設(shè)數(shù)量關(guān)系的形式，通過反復(fù)多次的學(xué)習(xí)和訓(xùn)練達(dá)到模擬變量關(guān)系的目的。本文擬選用BP神經(jīng)網(wǎng)絡(luò)對(duì)棉花總產(chǎn)量進(jìn)行預(yù)測。

一、建立人工神經(jīng)網(wǎng)絡(luò)模型的方法

篇9

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)、圖像分割、特征提取

Abstract: the image recognition process including the image preprocessing, feature extraction, image understanding and analysis. Which BP artificial neural network in the image segmentation using better; In the feature extraction phase BP neural network is also very good find application, and obtain the better feature extraction results; In the image understanding and the analysis phase using neural network classifier design, can get accurate classification results.

Keywords: BP neural network, image segmentation, feature extraction

中圖分類號(hào)：TP183 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：

引言

BP人工神經(jīng)網(wǎng)絡(luò)算法是現(xiàn)今應(yīng)用較為廣泛的多層前向反饋式神經(jīng)網(wǎng)絡(luò)算法，BP人工神經(jīng)網(wǎng)絡(luò)有較好的容錯(cuò)能力、魯棒性、并行協(xié)同處理能力和自適應(yīng)能力，受到了國內(nèi)外眾多領(lǐng)域?qū)W者的關(guān)注。由于神經(jīng)網(wǎng)絡(luò)高效率的集體計(jì)算能力和較強(qiáng)的魯棒性，它在圖像分割方面的應(yīng)用已經(jīng)很廣泛，Jain和Karu采用了多通道濾波與前向神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法實(shí)現(xiàn)圖像紋理分割算法。神經(jīng)網(wǎng)絡(luò)算法在特征提取階段，壓縮特征數(shù)量，以提高分類速度和精度。在圖像識(shí)別領(lǐng)域中神經(jīng)網(wǎng)絡(luò)作為分類器的研究也得到了很大的進(jìn)展，尤其是其學(xué)習(xí)能力和容錯(cuò)性對(duì)于模式識(shí)別是非常有利的，在一定程度上提高了訓(xùn)練速度和識(shí)別率。Le Cun等人提出了多層特征選擇(Multilayer Selection Procedure)方法用于字符識(shí)別，每一層神經(jīng)網(wǎng)絡(luò)處理較低層次的特征，獲取該層特征信息并傳給上一層。

BP神經(jīng)網(wǎng)絡(luò)的基本原理

人工神經(jīng)網(wǎng)絡(luò)的研究起源于對(duì)生物神經(jīng)系統(tǒng)的研究，它將若干處理單元（即神經(jīng)元）通過一定的互連模型連結(jié)成一個(gè)網(wǎng)絡(luò)，這個(gè)網(wǎng)絡(luò)通過一定的機(jī)制可以模仿人的神經(jīng)系統(tǒng)的動(dòng)作過程，以達(dá)到識(shí)別分類的目的。人工神經(jīng)網(wǎng)絡(luò)區(qū)別于其他識(shí)別方法的最大特點(diǎn)是它對(duì)待識(shí)別的對(duì)象不要求有太多的分析與了解，具有一定的智能化處理的特點(diǎn)。神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程實(shí)際上就是不斷地調(diào)整權(quán)值和閾值的過程。根據(jù)有無訓(xùn)練樣本的指導(dǎo)可以將神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方式分為兩種：監(jiān)督學(xué)習(xí)方式和非監(jiān)督學(xué)習(xí)方式，也稱為有導(dǎo)師指導(dǎo)學(xué)習(xí)方式和無導(dǎo)師指導(dǎo)學(xué)習(xí)方式。監(jiān)督學(xué)習(xí)方式，是在給定固定的輸入輸出樣本集的情況下，由網(wǎng)絡(luò)根據(jù)一定的學(xué)習(xí)規(guī)則進(jìn)行訓(xùn)練學(xué)習(xí)，每一次學(xué)習(xí)完成后，通過對(duì)比實(shí)際的輸出和期望的輸出，以此決定網(wǎng)絡(luò)是否需要再學(xué)習(xí)，如果還沒有達(dá)到期望的誤差，則將實(shí)際誤差反饋到網(wǎng)絡(luò)，進(jìn)行權(quán)值和閾值的調(diào)整，使實(shí)際的誤差隨著學(xué)習(xí)的反復(fù)進(jìn)行而逐步減小，直至達(dá)到所要求的性能指標(biāo)為止。非監(jiān)督學(xué)習(xí)方式，是在沒有外界的指導(dǎo)下進(jìn)行的學(xué)習(xí)方式，在學(xué)習(xí)過程中，調(diào)整網(wǎng)絡(luò)的權(quán)重不受外來教師的影響，但在網(wǎng)絡(luò)內(nèi)部會(huì)對(duì)其性能進(jìn)行自適應(yīng)調(diào)節(jié)。

BP神經(jīng)網(wǎng)絡(luò)分類器的設(shè)計(jì)

BP神經(jīng)網(wǎng)絡(luò)是基于誤差反向傳播算法(Back Propagation Algorithm，BPA)的多層前向神經(jīng)網(wǎng)絡(luò)，由輸入層、輸出層、一個(gè)或多個(gè)隱含層所組成。BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)確定之后，通過對(duì)輸出和輸入樣本集進(jìn)行訓(xùn)練，反復(fù)修正網(wǎng)絡(luò)的權(quán)值和閾值，達(dá)到學(xué)習(xí)訓(xùn)練的期望誤差，以使網(wǎng)絡(luò)能夠?qū)崿F(xiàn)給定的輸入輸出映射關(guān)系。BP人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程分為兩個(gè)階段，第一階段是輸入己知的學(xué)習(xí)樣本數(shù)據(jù)，給定網(wǎng)絡(luò)的結(jié)構(gòu)和初始連接權(quán)值和閾值，從輸入層逐層向后計(jì)算各神經(jīng)元的輸出；第二階段是對(duì)權(quán)值和閾值進(jìn)行修改，即根據(jù)網(wǎng)絡(luò)誤差從最后一層向前反饋計(jì)算各層權(quán)值和閾值的增減量，來逐層修正各層權(quán)值和閾值。以上正反兩個(gè)階段反復(fù)交替，直到網(wǎng)絡(luò)收斂。具體實(shí)現(xiàn)步驟如下：

(1) 網(wǎng)絡(luò)的初始化：首先對(duì)輸入的學(xué)習(xí)訓(xùn)練樣本進(jìn)行歸一化處理，對(duì)權(quán)值矩陣W和閾值向量賦初值，將網(wǎng)絡(luò)計(jì)數(shù)器和訓(xùn)練次數(shù)計(jì)數(shù)器置為1，網(wǎng)絡(luò)誤差置為0。

(2) 輸入訓(xùn)練樣本，計(jì)算輸入層，隱含層以及輸出層的實(shí)際輸出。

(3) 計(jì)算網(wǎng)絡(luò)輸出誤差。將實(shí)際的輸出和期望的輸出值進(jìn)行對(duì)比，采用均方根誤差指標(biāo)作為網(wǎng)絡(luò)的誤差性能函數(shù)。

(4) 若誤差還沒達(dá)到期望標(biāo)準(zhǔn)，則根據(jù)誤差信號(hào)，逐層調(diào)整權(quán)值矩陣和閾值向量。

(5) 若最終調(diào)整之后的網(wǎng)絡(luò)輸出達(dá)到了誤差范圍之內(nèi)，則進(jìn)行下一組訓(xùn)練樣本繼續(xù)訓(xùn)練網(wǎng)絡(luò)。

(6) 若全部的訓(xùn)練樣本訓(xùn)練完畢，并且達(dá)到了期望的誤差，則訓(xùn)練結(jié)束，輸出最終的網(wǎng)絡(luò)聯(lián)接權(quán)值和閾值。

BP神經(jīng)網(wǎng)絡(luò)可以逼近任意連續(xù)函數(shù)，具有很強(qiáng)的非線性映射能力，而且BP神經(jīng)網(wǎng)絡(luò)中間層數(shù)、各層神經(jīng)元數(shù)及網(wǎng)絡(luò)學(xué)習(xí)速率等參數(shù)均可以根據(jù)具體情況設(shè)定，靈活性較強(qiáng)，所以BP神經(jīng)網(wǎng)絡(luò)在許多領(lǐng)域中廣泛應(yīng)用。一般來說，神經(jīng)網(wǎng)絡(luò)方法應(yīng)同傳統(tǒng)的人工智能方法相聯(lián)系的。神經(jīng)網(wǎng)絡(luò)本身結(jié)構(gòu)及性能上的特點(diǎn)使其對(duì)問題的處理更富有彈性，更加穩(wěn)健。神經(jīng)網(wǎng)絡(luò)的基本特點(diǎn)是采用自下而上的設(shè)計(jì)思路，使其容易確定具體的目標(biāo)分割或識(shí)別算法，在增加了不確定因素的同時(shí)也產(chǎn)生了網(wǎng)絡(luò)最優(yōu)化的問題，這就是所謂的偽狀態(tài)(pseudo-trap)。盡管在實(shí)踐中并非所有的偽狀態(tài)對(duì)應(yīng)完全失敗的結(jié)果，但是畢竟這不符合對(duì)之完美的或者說合理的期望。人工智能則一般采用自上而下的方法，偏重于邏輯推理建立系統(tǒng)模型。因此將神經(jīng)網(wǎng)絡(luò)同人工智能結(jié)合起來，相當(dāng)于賦予神經(jīng)網(wǎng)絡(luò)高層指導(dǎo)的知識(shí)及邏輯推理的能力，具有潛在的優(yōu)勢(shì)。

輸入層中間層 輸出層

圖1 BP人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練

4.1 BP神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)

BP神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)主要包括兩方面內(nèi)容：一是神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的確定，特別是隱含層層數(shù)及隱含層單元數(shù)目的確定；二是高精度收斂問題，隱含層和隱含層單元數(shù)過多，將導(dǎo)致訓(xùn)練時(shí)間過長并出現(xiàn)過度擬和的問題，隱含層單元數(shù)過少又導(dǎo)致網(wǎng)絡(luò)收斂速度慢甚至不收斂，達(dá)不到誤差精度要求。在確定隱含層層數(shù)以及隱含層單元數(shù)目時(shí)，沒有一個(gè)嚴(yán)格的理論依據(jù)指導(dǎo)，需要根據(jù)特定的問題，結(jié)合經(jīng)驗(yàn)公式確定大致范圍來進(jìn)行逐步試算比較得到。

4.2 數(shù)據(jù)預(yù)處理

為了加快網(wǎng)絡(luò)的訓(xùn)練速度，通常在網(wǎng)絡(luò)訓(xùn)練前進(jìn)行神經(jīng)網(wǎng)絡(luò)輸入和輸出數(shù)據(jù)預(yù)處理，即將每組數(shù)據(jù)都?xì)w一化變?yōu)閇-1,1]之間的數(shù)值的處理過程。

4.3 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練

%當(dāng)前輸入層權(quán)值和閾值

inputWeights=net.IW{1,1}

inputbias=net.b{1}

%當(dāng)前網(wǎng)絡(luò)層權(quán)值和閾值

layerWeights=net.LW{2,1}

layerbias=net.b{2}

%設(shè)置訓(xùn)練參數(shù)

net.trainParam.show = 1000;%限時(shí)訓(xùn)練迭代過程

net.trainParam.lr = 0.1; %學(xué)習(xí)率，缺省為0.01

net.trainParam.epochs = 100000; %最大訓(xùn)練次數(shù)，缺省為100

net.trainParam.goal = 0.001; %訓(xùn)練要求精度，缺省為0

[net,tr]=train(net,P,T);%調(diào)用 TRAINGDM 算法訓(xùn)練 BP 網(wǎng)絡(luò)

A = sim(net,P) %對(duì) BP 網(wǎng)絡(luò)進(jìn)行仿真

E = T - A;%計(jì)算仿真誤差

MSE=mse(E)

結(jié)束語

BP網(wǎng)絡(luò)因?yàn)榫哂休^強(qiáng)的學(xué)習(xí)性、自適應(yīng)型和容錯(cuò)性，在很多領(lǐng)域均已經(jīng)大量運(yùn)用。本文將BP人工神經(jīng)網(wǎng)絡(luò)運(yùn)用于圖像的識(shí)別，探索人工神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別領(lǐng)域中的重要的現(xiàn)實(shí)意義。研究表明，BP人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于圖像識(shí)別在一定程度上提高了識(shí)別的效率和準(zhǔn)確率。但是，BP神經(jīng)網(wǎng)絡(luò)算法還存在以下幾點(diǎn)不足之處：（1）權(quán)的調(diào)整方法存在局限性，容易陷入局部最優(yōu)；（2）網(wǎng)絡(luò)的結(jié)構(gòu)需要提前指定或者在訓(xùn)練過程中不斷的修正；（3）過分依賴學(xué)習(xí)樣本，由于學(xué)習(xí)樣本是有限的或者學(xué)習(xí)樣本質(zhì)量不高，那么會(huì)導(dǎo)致訓(xùn)練達(dá)不到效果；（4）對(duì)于規(guī)模較大的模式映射問題，存在收斂速度慢、容易陷入局部極小點(diǎn)、判斷不準(zhǔn)確等缺陷?？傊绾谓鉀Q以上問題，如何進(jìn)一步提高識(shí)別精度，擴(kuò)大識(shí)別范圍，使之更具有更好的工程實(shí)用性，是有待進(jìn)一步研究的內(nèi)容。

參考文獻(xiàn)：

[1] WE Blanz，S L Gish．A Connectionist Classifier Architecture Applied to Image Segmentation．Proc．10th ICPR，1990，272-277．

[2] Y Le Cun，L D Jackel，B Boser，J S Denker，H P Graf，I Guyon，D Henderson，R E Howard，and W Hubbard，Handwriten Digit Recognition：Applications of Neural Network Chips and Automatic Learning，IEEE Comm．Magazine．Nov．1989．

[3] A K Jain and K Karu，Automatic Filter Design for Texture Discrimination，Proc．12th Int’l Conf．NeuralNetworks，Orlando，Oct．1994，454-458．

[4] 邊肇其，張學(xué)工．模式識(shí)別（第二版）[M]．清華大學(xué)出版社，北京．1999，12．

[5] 陳書海，傅錄祥．實(shí)用數(shù)字圖像處理[M]．科學(xué)出版社，北京．2005．

[6] 萬來毅，陳建勛．基于BP神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別研究[J]．武漢科技大學(xué)學(xué)報(bào)（自然科學(xué)版）．2006，6．

[7] 叢爽．面向MATLAB工具箱的神經(jīng)網(wǎng)絡(luò)理論與應(yīng)用（第2版）[M]．北京：中國科學(xué)技術(shù)出版社，2003．

[8] 王娟，慈林林等．特征方法綜述[J]．計(jì)算機(jī)工程與科學(xué)．2005．27（12）．68-71．

[9] 賈花萍．基于神經(jīng)網(wǎng)絡(luò)的特征選擇與提取方法研究[J]．網(wǎng)絡(luò)安全．2008，7．33-35．

[10] 龔聲榮，劉純平等編著．?dāng)?shù)字圖像處理與分析[M]．清華大學(xué)出版社，北京．2006．7．

篇10

關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò)；電力變壓器；故障診斷

中圖分類號(hào)：TP393 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2016）32-0174-03

1引言

電力變壓器在長期的運(yùn)行中，故障是不可避免的。變壓器一旦損壞會(huì)造成大面積停電且故障修復(fù)耗時(shí)長，因此變壓器故障的及早發(fā)現(xiàn)和處理具有非常重要的意義。

電力變壓器的故障一般有機(jī)械故障、熱性故障和電性故障，由于機(jī)械故障一般都以熱性故障和電性故障的形式體現(xiàn)，因此主要以熱性故障和電性故障為主。熱性故障一般為中低溫過熱和高溫過熱，電性故障一般為低能放電和高能放電。傳統(tǒng)的變壓器故障診斷方法存在著效率偏低以及診斷準(zhǔn)確率不高的問題，因此我們可以利用人工神經(jīng)網(wǎng)絡(luò)的方法對(duì)電力變壓器的故障進(jìn)行自動(dòng)診斷。

2人工神經(jīng)網(wǎng)絡(luò)

2.1 人工神經(jīng)網(wǎng)絡(luò)概述

人工神經(jīng)網(wǎng)絡(luò)（ANNs）是對(duì)人腦或生物神經(jīng)網(wǎng)絡(luò)若干基本特性的抽象和模擬。

依靠系統(tǒng)的復(fù)雜程度，ANNs可通過調(diào)整內(nèi)部大量節(jié)點(diǎn)之間相互連接的關(guān)系，進(jìn)而對(duì)有效信息進(jìn)行可靠處理。而BP神經(jīng)網(wǎng)絡(luò)通常是指基于誤差反向傳播（Back Propagation）算法的多層前向神經(jīng)網(wǎng)絡(luò)， 不僅能對(duì)輸入-輸出模式映射關(guān)系進(jìn)行學(xué)習(xí)和存儲(chǔ)，而且對(duì)描述此種映射關(guān)系的數(shù)學(xué)方程不需要事前揭示。最速下降法為BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則，通過反向傳播來持續(xù)調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使其誤差平方和最小。

本文采用BP神經(jīng)網(wǎng)絡(luò)的三層前饋結(jié)構(gòu)，分別為（input）、隱含層（hide layer）和輸出層（output layer）。輸入層的節(jié)點(diǎn)數(shù)為5（對(duì)應(yīng)電力變壓器油中氣體H2、CH4、C2H4、C2H2、C2H6），輸出層則有5個(gè)節(jié)點(diǎn)（對(duì)應(yīng)無故障，中低溫過熱，高溫過熱，低能放電，高能放電），隱含層的節(jié)點(diǎn)數(shù)根據(jù)經(jīng)驗(yàn)公式確定：

其中，r為隱層的節(jié)點(diǎn)數(shù)，n為輸入的節(jié)點(diǎn)數(shù)，m為輸出的節(jié)點(diǎn)數(shù)，a則為1～10之間的常數(shù)。經(jīng)試驗(yàn)，本文r取13。各層間神經(jīng)元相互連接，且各層內(nèi)沒有連接。如圖1所示：

BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練首先對(duì)每一層的權(quán)值和偏差進(jìn)行初始化（用小的隨機(jī)數(shù)），以免被大的加權(quán)輸入飽和，并且需對(duì)一些參數(shù)進(jìn)行設(shè)定及初始化（期望的誤差最小值、最大循環(huán)次數(shù)、修正權(quán)值的學(xué)習(xí)效率）；第二步需要對(duì)網(wǎng)絡(luò)各層輸出矢量及網(wǎng)絡(luò)誤差進(jìn)行計(jì)算；第三步需要對(duì)各層反向傳播的誤差變化、各層權(quán)層的修正值及新的權(quán)值進(jìn)行計(jì)算，最后需要對(duì)權(quán)值修正后的誤差平方和進(jìn)行計(jì)算，若符合要求則訓(xùn)練完成，若不符合要求則繼續(xù)。

2.2電力變壓器故障診斷的BP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)

2.2.1樣本數(shù)據(jù)的定義

電力變壓器的故障主要體現(xiàn)為中低溫過熱、高溫過熱、低能放電和高能放電。電力變壓器的故障數(shù)據(jù)一共為70組，其中樣本集數(shù)據(jù)為50組，測試集數(shù)據(jù)為20組，且分別定義樣本數(shù)據(jù)如下：

無故障，記為10000；

中低溫過熱，記為01000；

高溫過熱，記為00100；

低能放電，記為00010；

高能放電，記為00001。

2.2.2樣本數(shù)據(jù)的預(yù)處理

為提高神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效率，本論文對(duì)數(shù)據(jù)進(jìn)行了標(biāo)準(zhǔn)化處理，使其落入[-1，1]區(qū)間；并且對(duì)輸入樣本集數(shù)據(jù)進(jìn)行了主元分析，以減小各樣本矢量的相關(guān)性，從而達(dá)到降維的目的。

2.2.3 BP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)參數(shù)設(shè)置

MATLAB中，BP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)需要定義有關(guān)參數(shù)：訓(xùn)練步數(shù)、顯示訓(xùn)練結(jié)果的間隔步數(shù)、訓(xùn)練目標(biāo)誤差、訓(xùn)練允許時(shí)間和訓(xùn)練中最小允許梯度值等，最終可返回訓(xùn)練后的權(quán)值、循環(huán)訓(xùn)練的總數(shù)和最終誤差。神經(jīng)網(wǎng)絡(luò)對(duì)象的一些主要訓(xùn)練參數(shù)及含義如表1所示。

2.2.4 BP神經(jīng)網(wǎng)絡(luò)驗(yàn)證

表2列出了20組測試集數(shù)據(jù)，最后一列為網(wǎng)絡(luò)期望輸出，對(duì)應(yīng)變壓器的實(shí)際故障類型。

由電力變壓器故障診斷的誤差變化曲線可知：在使用BP神經(jīng)網(wǎng)絡(luò)法對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練時(shí)，網(wǎng)絡(luò)只訓(xùn)練了112步，速度非常的快。網(wǎng)絡(luò)的訓(xùn)練均方誤差此時(shí)已經(jīng)達(dá)到目標(biāo)誤差0.01的數(shù)量級(jí)，因此該網(wǎng)絡(luò)可用。對(duì)樣本集數(shù)據(jù)進(jìn)行訓(xùn)練后，我們可得到一個(gè)相關(guān)的BP神經(jīng)網(wǎng)絡(luò)模型，再用測試集數(shù)據(jù)對(duì)改模型進(jìn)行驗(yàn)證，驗(yàn)證結(jié)果如表3所示。（注：圖中*號(hào)表示該BP神經(jīng)網(wǎng)絡(luò)模型診斷錯(cuò)誤的數(shù)據(jù)組）

由以上BP神經(jīng)網(wǎng)絡(luò)自動(dòng)診斷結(jié)果可以得知：電力變壓器故障診斷正確的個(gè)數(shù)為18個(gè)，故診斷正確率為90%左右。

3 結(jié)論

本文應(yīng)用人工神經(jīng)網(wǎng)絡(luò)的方法對(duì)電力變壓器的故障進(jìn)行了自動(dòng)診斷，診斷正確率可達(dá)90%。隨著計(jì)算機(jī)技術(shù)和人工智能技術(shù)的發(fā)展，利用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行變壓器的故障診斷有利于有效地實(shí)現(xiàn)對(duì)故障的綜合診斷，從而提高故障診斷的準(zhǔn)確性，可靠性和診斷效率，為變壓器故障診斷技術(shù)的發(fā)展拓展新的途徑。

參考文獻(xiàn)：

[1] 張錚，徐超，任淑霞，等.數(shù)字圖像處理與機(jī)器視覺――Visual C++與Matlab實(shí)現(xiàn)[M].北京：人民郵電出版社，2014.

[2] 馬銳.人工神經(jīng)網(wǎng)絡(luò)原理[M].北京：機(jī)械工業(yè)出版社，2010.

[3] 郭磊，董秀成.BP神經(jīng)網(wǎng)絡(luò)在變壓器故障診斷中的應(yīng)用[J] .西華大學(xué)學(xué)報(bào)，2008（5）：10-13.

[4] 殷躍.基于BP神經(jīng)網(wǎng)絡(luò)的電力變壓器故障診斷的研究[D].吉林：吉林大學(xué)通信工程學(xué)院，2007.

[5] 王連成.基于神經(jīng)網(wǎng)絡(luò)的DGA法在變壓器故障診斷中的應(yīng)用研究[D].黑龍江：哈爾濱工業(yè)大學(xué)電氣工程及自動(dòng)化學(xué)院，2009.

[6] 李霖.基于BP神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷方法研究[D].湖南：長沙理工大學(xué)電氣與信息工程學(xué)院，2013.

[7] 曾成碧，蒲維，曾先鋒.BP神經(jīng)網(wǎng)絡(luò)在油浸式變壓器過熱性故障診斷中的應(yīng)用[J]. 四川電力技術(shù)，2012（4）：60-63.

[8] 陳小玉.改進(jìn)的神經(jīng)網(wǎng)絡(luò)在變壓器故障診斷中的應(yīng)用[J].計(jì)算機(jī)仿真，2012（8）：318-321.

[9] 宋彩利， 吳宏岐.神經(jīng)網(wǎng)絡(luò)在變壓器故障診斷中的應(yīng)用研究[J].微計(jì)算機(jī)信息，2008（34）：155-157.