導(dǎo)語：如何才能寫好一篇神經(jīng)網(wǎng)絡(luò)常用算法，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

摘要目前，神經(jīng)計算及其應(yīng)用已經(jīng)滲透到多個學(xué)科，并在信號處理、智能控制、模式識別、機(jī)器視覺、非線性優(yōu)化、自動目標(biāo)識別、知識處理、遙感技術(shù)等領(lǐng)域取得了豐碩的成果。神經(jīng)計算不僅是科學(xué)家的興趣所在，還受到了各國政府和軍隊等權(quán)力部門的密切關(guān)注，世界上許多國家和地區(qū)的政府及工業(yè)界都十分關(guān)注并積極投資神經(jīng)計算技術(shù)的研究，其進(jìn)展不僅將促進(jìn)科學(xué)和技術(shù)的進(jìn)步，還會對各國的國力產(chǎn)生一定的影響。

本文針對神經(jīng)計算中亟需解決的5個問題進(jìn)行了研究，包括加快神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速度、增強(qiáng)神經(jīng)網(wǎng)絡(luò)的可理解性、設(shè)計出易于使用的工程化神經(jīng)計算方法、更好地模擬生物神經(jīng)系統(tǒng)以及將神經(jīng)計算與傳統(tǒng)人工智能技術(shù)相結(jié)合。本文的創(chuàng)造性研究成果主要有：

(1)提出了一個快速神經(jīng)分類器FAC和一個快速神經(jīng)回歸估計器FANRE，實驗結(jié)果表明，這兩個算法學(xué)習(xí)速度快、歸納能力強(qiáng)，在性能上明顯優(yōu)于目前常用的一些神經(jīng)網(wǎng)絡(luò)分類學(xué)習(xí)算法和回歸估計算法。在此基礎(chǔ)上，成功地將FAC應(yīng)用于石油勘探巖性識別領(lǐng)域。

(2)提出了一個神經(jīng)網(wǎng)絡(luò)規(guī)則抽取算法STARE，實驗結(jié)果表明，STARE可以從訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)中抽取出保真度高、精確、簡潔的符號規(guī)則，從而較好地增強(qiáng)神經(jīng)網(wǎng)絡(luò)的可理解性。在此基礎(chǔ)上，提出了一個基于神經(jīng)計算的分類規(guī)則挖掘框架NEUCRUM，并成功地將其應(yīng)用于臺風(fēng)預(yù)報領(lǐng)域。

(3)提出了一種基于遺傳算法的選擇性神經(jīng)網(wǎng)絡(luò)集成方法GASEN，實驗結(jié)果表明，GASEN的性能優(yōu)于目前常用的一些方法。設(shè)計了一種多視角神經(jīng)網(wǎng)絡(luò)集成方法VS，將神經(jīng)網(wǎng)絡(luò)集成應(yīng)用于多視角人臉識別，不需進(jìn)行偏轉(zhuǎn)角度預(yù)估計就能取得很高的識別精度。設(shè)計了一種新型結(jié)論組合方法和一種二級集成結(jié)構(gòu)，將神經(jīng)網(wǎng)絡(luò)集成應(yīng)用于肺癌細(xì)胞識別，并嵌入到肺癌早期診斷系統(tǒng)LCDS中，大大降低了肺癌細(xì)胞的漏識率。

(4)針對前饋網(wǎng)絡(luò)的單點(diǎn)斷路故障，提出了一種基于遺傳算法的進(jìn)化容錯神經(jīng)網(wǎng)絡(luò)方法EFANET，實驗結(jié)果表明，該方法不僅可以進(jìn)化出容錯性好、泛化能力強(qiáng)的網(wǎng)絡(luò)，還較好地保持了網(wǎng)絡(luò)結(jié)構(gòu)、訓(xùn)練算法與容錯處理的獨(dú)立性。針對前饋網(wǎng)絡(luò)的多點(diǎn)斷路故障，提出了一種三階段方法T3，并將其應(yīng)用于FAC網(wǎng)絡(luò)，實驗結(jié)果表明，T3方法可以較好地在網(wǎng)絡(luò)容錯能力與結(jié)構(gòu)復(fù)雜度之間達(dá)成折衷。

(5)提出了一種結(jié)合決策樹與前饋神經(jīng)網(wǎng)絡(luò)的混合決策樹方法HDT，描述了樹的生長算法和神經(jīng)處理機(jī)制。對增量學(xué)習(xí)和構(gòu)造性歸納進(jìn)行了研究，界定了三種不同的增量學(xué)習(xí)問題的概念，并給出了HDT的增量學(xué)習(xí)和構(gòu)造性歸納算法。實驗結(jié)果表明，HDT及其增量學(xué)習(xí)、構(gòu)造性歸納算法都具有很好的性能。此外，還成功地將HDT應(yīng)用于情報軟件故障診斷。

關(guān)鍵詞：神經(jīng)計算，神經(jīng)網(wǎng)絡(luò)，機(jī)器學(xué)習(xí)，快速學(xué)習(xí)，規(guī)則抽取，集成，容錯神經(jīng)網(wǎng)絡(luò)，混合學(xué)習(xí)，增量學(xué)習(xí)，構(gòu)造性歸納，決策樹，知識獲取，數(shù)據(jù)挖掘，遺傳算法，進(jìn)化計算，斷路故障，人臉識別，計算機(jī)輔助醫(yī)療診斷，巖性識別，故障診斷

ContributiotoSeveralIuesofNeuralComputing

Neuralcomputinganditsalicatiohavealreadycomeintomanydisciplinesandachievedplentifulfruitsindiversifiedfields,includingsignalproceing,intelligentcontrolling,patternrecognition,machinevision,nonlinearoptimization,automatictargetidentification,knowledgeproceing,remoteseing,etc.Ithasbecomenotonlythetastesofscientistsbutalsotheinterestsofgovernmentsandforces.Thegovernmentsandindustrialcommunitiesofmanycountries/regioaresokeenonneuralcomputingtechniquesthattheyhaveinvestedalargeamountofmoneyoncorreondingresearch.Thereforetheprogreofneuralcomputingwillnotonlypromotethedevelopmentofscienceandtechnologybutalsoinfluencethenationalpowers.

Inthisdiertation,5problemsstandinginneedofsolutioareinvestigated,whichincludesexpeditingthelearningeedofneuralnetworks,improvingthecompreheibilityofneuralnetworks,designingengineeringneuralcomputingmethodsthatareeasytouse,simulatingbiologicalneuralsystemsmorebetterthanever,andcombiningneuralcomputingwithtraditionalartificialintelligencetechniques.Themaincontributioofthisdiertationaresummarizedasfollows:

Firstly,afastneuralclaifiernamedFACandafastneuralregreionestimatornamedFANREareproposed.Experimentalresultsshowthatthosetwoalgorithmsthathavefastlearningabilityandstronggeneralizationabilityreectivelyoutperformsomeprevailingneuralclaificationalgorithmsandneuralregreionestimationalgorithmsatpresent.Besides,FACissuccefullyaliedinlithologyidentificationofoilexploration.

Secondly,aneuralnetworkruleextractionalgorithmnamedSTAREisproposed.ExperimentalresultsshowthatSTAREcanextractaccurateandcompactsymbolicrulesthathavehighfidelity,sothatthecompreheibilityoftrainedneuralnetworksareimproved.Additionally,aneuralcomputingbasedclaificationrulemi ningframeworknamedNEUCRUMisproposedandsuccefullyaliedtotyphoonforecastingdomain.

Thirdly,ageneticalgorithmbasedselectiveneuralnetworkeemblearoachnamedGASENisproposed.ExperimentalresultsshowthatGASENoutperformspopulareemblearoachesatpresent.Then,aviewecificeemblearoachnamedVSisdevelopedtoalyneuralnetworkeembletoviewinvariantfacerecognition,whichhastheabilityofperforminghighqualityrecognitionwithoutviewpre-estimation.Moreover,bothanoveloutput-combiningmethodandauniquetwo-layer-eemblearchitecturearedesigned,sothatneuralnetworkeembleisembeddedinthelungcancerearlystagediagnosissystemLCDStoperformlungcancercellidentification,whichgreatlylowerstherateofmiedidentificationoflungcancercells.

Fourthly,ageneticalgorithmbasedaroachnamedEFANETthatevolvesfault-tolerantneuralnetworksforsingle-nodeopenfaultisproposed.ExperimentalresultsshowthatEFANETcanevolveneuralnetworkswithbothrobustfault-tolerantabilityandstronggeneralizationabilitywhilekeepingtheindependenceamongnetworktopology,trainingalgorithm,andfault-tolerantproceing.Besides,athree-phrasearoachnamedT3isproposedformulti-nodeopenfault,whichhasbeenaliedtoFAC.ExperimentalresultsshowthatT3cantradeoffthefault-tolerantabilityandstructuralcomplexityoftheneuralnetwork.

篇2

關(guān)鍵詞 神經(jīng)網(wǎng)絡(luò)；BP；優(yōu)化算法

中圖分類號：TP183 文獻(xiàn)標(biāo)識碼：A 文章編號：1671-7597（2014）13-0066-01

1 人工神經(jīng)網(wǎng)絡(luò)模型

人工神經(jīng)網(wǎng)絡(luò)簡稱ANN，它是一種將人類大腦的組織結(jié)構(gòu)和運(yùn)行機(jī)制作為其研究基礎(chǔ)來模擬人類大腦內(nèi)部結(jié)構(gòu)和其智能行為的處理系統(tǒng)。人工神經(jīng)網(wǎng)絡(luò)中的神經(jīng)元細(xì)胞將其接收到的所有信號進(jìn)行處理，如加權(quán)求和等操作，進(jìn)行操作后經(jīng)軸突輸出。

2 人工神經(jīng)網(wǎng)絡(luò)的分類

2.1 前饋型神經(jīng)網(wǎng)絡(luò)

前饋型神經(jīng)網(wǎng)絡(luò)通過對其網(wǎng)絡(luò)中的神經(jīng)元之間的連接關(guān)系進(jìn)行復(fù)合映射，因此這種網(wǎng)絡(luò)模型具有非常強(qiáng)的非線性處理的能力。如圖1所示，在這里前饋型神經(jīng)網(wǎng)絡(luò)模型被分為三層，分別為輸入層、輸出層和隱含層，一般常用的前饋型神經(jīng)網(wǎng)絡(luò)有BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)、自組織神經(jīng)網(wǎng)絡(luò)等。

圖1 前向神經(jīng)網(wǎng)絡(luò)模型

2.2 反饋型神經(jīng)網(wǎng)絡(luò)

反饋型神經(jīng)網(wǎng)絡(luò)其結(jié)構(gòu)，在這個模型中我們假設(shè)網(wǎng)絡(luò)總的神經(jīng)元個數(shù)為N，則每個神經(jīng)元節(jié)點(diǎn)都有N個輸入值及一個輸出值，每個神經(jīng)元節(jié)點(diǎn)都如此，節(jié)點(diǎn)之間相互聯(lián)系?，F(xiàn)在被大量使用的反饋型神經(jīng)網(wǎng)絡(luò)一般有離散Hopfield神經(jīng)網(wǎng)絡(luò)模型、Elman神經(jīng)網(wǎng)絡(luò)模型等等。

3 BP神經(jīng)網(wǎng)絡(luò)

3.1 BP神經(jīng)網(wǎng)絡(luò)簡介

1986年，Rumelhant和McCelland提出了BP神經(jīng)網(wǎng)絡(luò)的一般模型，BP神經(jīng)網(wǎng)絡(luò)是一種具有多層網(wǎng)絡(luò)的反向傳播學(xué)習(xí)算法。BP神經(jīng)網(wǎng)絡(luò)模型的基本思想是：整個過程主要由信號的正向傳播和誤差的反向傳播兩個過程組成。目前，BP神經(jīng)網(wǎng)絡(luò)的應(yīng)用范圍為數(shù)據(jù)壓縮、數(shù)據(jù)分類、預(yù)測分析和模式識別等領(lǐng)域。

3.2 BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

如圖2所示，這里是BP神經(jīng)網(wǎng)絡(luò)的一種模型結(jié)構(gòu)，在這種模型結(jié)構(gòu)中輸入信號量為m，具有隱含層的數(shù)量為j，輸出信號量為q的模型結(jié)構(gòu)。

BP神經(jīng)網(wǎng)絡(luò)一般具有一個或多個隱含層單元，其差別主要體現(xiàn)在激活函數(shù)的不同。針對BP神經(jīng)網(wǎng)絡(luò)所使用的激活函數(shù)一

圖2 BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)

般采用S型對數(shù)函數(shù)或者采用正切激活函數(shù)，而輸出層則一般采用線性函數(shù)作為激活函數(shù)。

3.3 BP神經(jīng)網(wǎng)絡(luò)的改進(jìn)方法

BP神經(jīng)網(wǎng)絡(luò)作為當(dāng)今對研究電力負(fù)荷預(yù)測應(yīng)用最多的一種神經(jīng)網(wǎng)絡(luò)，但標(biāo)準(zhǔn)的BP神經(jīng)網(wǎng)絡(luò)算法存在的一些缺陷，這里就對一些經(jīng)常使用的典型改進(jìn)方法進(jìn)行描述。

1）增加動量項。在一般的BP神經(jīng)網(wǎng)絡(luò)算法中，其模型中的各層權(quán)值在進(jìn)行更新的過程中，是按照t時刻誤差曲線進(jìn)行梯度下降方式進(jìn)行調(diào)整的，在這里并沒有考慮其之間的梯度下降的方向，如果使用這種方式進(jìn)行調(diào)整則會造成訓(xùn)練的過程不穩(wěn)定，容易發(fā)生振蕩，導(dǎo)致收斂過程緩慢的結(jié)果。因此有些學(xué)者就為了使網(wǎng)絡(luò)訓(xùn)練的速度提高，收斂過程加快，就在一般網(wǎng)絡(luò)模型的權(quán)值更新環(huán)節(jié)添加了一個動量項因子即：

（1）

在這個式子中，W表示BP神經(jīng)網(wǎng)絡(luò)中每一層的權(quán)值矩陣，O則表示神經(jīng)網(wǎng)絡(luò)中每一層的輸出向量矩陣，α則被稱為該神經(jīng)網(wǎng)絡(luò)的動量系數(shù)因子，其取值范圍在0到1之間，在該網(wǎng)絡(luò)在進(jìn)行訓(xùn)練的過程中，如果其誤差梯度網(wǎng)線出現(xiàn)了局部極小值現(xiàn)象，雖然在這里的第一項會趨摟于零，但是這一項，

這樣就會使該訓(xùn)練過程避免了限入局部極小值區(qū)域的形勢，從而加快了其訓(xùn)練速度，使該神經(jīng)網(wǎng)絡(luò)收斂速度加快，因此這種帶有動量項因子的BP神經(jīng)網(wǎng)絡(luò)算法應(yīng)用到了很多的BP網(wǎng)絡(luò)中。

2）學(xué)習(xí)速度的自適應(yīng)調(diào)節(jié)方法。學(xué)習(xí)速度η在一個標(biāo)準(zhǔn)的BP神經(jīng)網(wǎng)絡(luò)中是以一個常數(shù)出現(xiàn)的我們也稱為之步長，而在實際的運(yùn)算過程中，很難找到一個數(shù)值作為最優(yōu)學(xué)習(xí)速度。我們從誤差曲面圖形中可以看出，當(dāng)曲面中區(qū)域處于一個平坦區(qū)域時，我們需要設(shè)置一個比較大的η值，使它能夠跳出這個平坦的區(qū)域；而當(dāng)曲面中的區(qū)域處于變化比較很大的區(qū)域時，這時的η的數(shù)值我們又需要將其進(jìn)行減小或者增大操作。自適應(yīng)調(diào)整學(xué)習(xí)速度η則可以根據(jù)網(wǎng)絡(luò)的總誤差來進(jìn)行自我調(diào)整，在網(wǎng)絡(luò)經(jīng)過多次調(diào)整后，如果E總繼續(xù)上升，則表明這里的調(diào)整是無效的，且η=βη， ；而經(jīng)常調(diào)整這里的E總下降了，則表明這里的調(diào)整是有效果的，且η=αη，。

3）引入陡度因子（防止飽和）。在網(wǎng)絡(luò)訓(xùn)練的過程中，由于其誤差曲面具有平坦區(qū)，當(dāng)處于這個區(qū)域時，由于S型激活函數(shù)有飽和特性，促使權(quán)值的調(diào)整速度放慢，從而影響了調(diào)整的速度。在訓(xùn)練的過程中，如果算法調(diào)整進(jìn)入了這個區(qū)域，我們可以減小神經(jīng)元的輸入量，使其輸出值迅速脫離激活函數(shù)的飽和區(qū)域，這里誤差函數(shù)的數(shù)值則會隨之發(fā)生改變，其權(quán)值的調(diào)整也就脫離了該平坦區(qū)。想要實現(xiàn)以上思路則需要在激活函數(shù)中引入一個陡度因子λ。

（2）

當(dāng)趨近于0時，而數(shù)值較大時，調(diào)整其進(jìn)入誤差曲面中的平坦區(qū)，此時λ的值應(yīng)選擇大于1的數(shù)值；而當(dāng)調(diào)整脫離平坦區(qū)域后，再設(shè)置λ大于1，使激活函數(shù)能夠恢復(fù)到原始數(shù)值。

4 總結(jié)

綜上所述，設(shè)計一個人工神經(jīng)網(wǎng)絡(luò)應(yīng)用到實際問題中，可以歸結(jié)為網(wǎng)絡(luò)自身權(quán)值參數(shù)的學(xué)習(xí)與合理的設(shè)計網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)這兩大類優(yōu)化問題。由于人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練是一個非常復(fù)雜的問題，使用傳統(tǒng)的學(xué)習(xí)算法進(jìn)行訓(xùn)練則要花費(fèi)很長的時間，BP算法用到了梯度下降法，才只能在一定范圍內(nèi)找到合適的參數(shù)值及其模型結(jié)構(gòu)。因此，為了更好的提高神經(jīng)網(wǎng)絡(luò)的泛化能力，及將網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)設(shè)計的更加合理，大量關(guān)于神經(jīng)網(wǎng)絡(luò)的優(yōu)化算法相繼產(chǎn)生。

參考文獻(xiàn)

篇3

但當(dāng)BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于預(yù)測模型尤其對于未來增長趨勢比較明顯的預(yù)測模型時，雖然其收斂精度較高，但其值域范圍受限導(dǎo)致訓(xùn)練樣本擬合函數(shù)與預(yù)測數(shù)據(jù)有較大差異，導(dǎo)致其局部搜索能力較強(qiáng)但全局搜索能力較差，易陷入局部最優(yōu)值。本文通過引入遺傳算法，發(fā)揮該算法全局搜索能力較強(qiáng)的特點(diǎn)，對BP神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值進(jìn)行預(yù)優(yōu)化，賦予各層較佳輸出解空間，發(fā)揮BP神經(jīng)網(wǎng)絡(luò)局部搜索能力強(qiáng)的特點(diǎn)，實現(xiàn)強(qiáng)強(qiáng)聯(lián)合，提高時間序列預(yù)測的精準(zhǔn)度。

1．1BP神經(jīng)網(wǎng)絡(luò)

BP(BackPropagationnetwork)神經(jīng)網(wǎng)絡(luò)是當(dāng)今預(yù)測領(lǐng)域應(yīng)用最廣泛的一種神經(jīng)網(wǎng)絡(luò)算法。BP神經(jīng)網(wǎng)絡(luò)由3層組成:輸入層、隱含層和輸出層。每一層中都包含若干節(jié)點(diǎn)(神經(jīng)元)，不同層之間節(jié)點(diǎn)通過權(quán)值進(jìn)行全連接，同層節(jié)點(diǎn)之間無連接。其中，隱含層可為多層，實際應(yīng)用過程中有一個隱含層的三層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)即可實現(xiàn)非線性函數(shù)擬合。

1．2遺傳算法

本文中的優(yōu)化對象為BP神經(jīng)網(wǎng)絡(luò)各層間權(quán)值和閾值。因此，在種群初始化時，遺傳算法采用常用的二進(jìn)制編碼，并由農(nóng)業(yè)機(jī)械數(shù)量的歷史樣本數(shù)目確定遺傳算法將優(yōu)化的參數(shù)(權(quán)值和閾值)個數(shù)，從而確定種群的編碼長度。因BP神經(jīng)網(wǎng)絡(luò)隱含層神經(jīng)元采用S型傳遞函數(shù)，為減小計算誤差，減少或避免計算結(jié)果落入局部最小值，權(quán)值和閾值應(yīng)避免選擇區(qū)間內(nèi)較小和較大數(shù)值，選擇在［－0．5，0．5］區(qū)間內(nèi)的隨機(jī)數(shù)。遺傳算法計算流程。

2預(yù)測結(jié)果與分析

本文采用基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)，以我國從1997－2013年的農(nóng)業(yè)機(jī)械數(shù)量為基礎(chǔ)數(shù)據(jù)進(jìn)行訓(xùn)練和測試和預(yù)測。其中，遺傳算法群體規(guī)模M=50，交叉概率pc=0．6，變異概率pm=0．01，BP神經(jīng)網(wǎng)絡(luò)權(quán)值閾值取值空間為［－0．5，0．5］，訓(xùn)練次數(shù)為1000，訓(xùn)練目標(biāo)為0．01，學(xué)習(xí)速率為0．1。我國在1997－2013年期間的農(nóng)機(jī)總動力、農(nóng)用大中型拖拉機(jī)數(shù)量和小型拖拉機(jī)數(shù)量的預(yù)測值與歷史樣本數(shù)據(jù)之間的絕對值平絕誤差分別為1．080%、1．352%和1．765%。由此看出，使用基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)對于以農(nóng)業(yè)機(jī)械數(shù)量為預(yù)測對象的時間序列預(yù)測模型的預(yù)測精度較好，預(yù)測精度穩(wěn)定性較佳。從預(yù)測誤差可以看出，本文所使用的BP神經(jīng)網(wǎng)絡(luò)在預(yù)測本時間序列模型時，基本避免運(yùn)算結(jié)果落入局部最小值，收斂性能較好，與前文中遺傳算法和BP神經(jīng)網(wǎng)絡(luò)優(yōu)勢互補(bǔ)、強(qiáng)強(qiáng)聯(lián)合的理論設(shè)想較為一致。2014年我國農(nóng)機(jī)總動力、農(nóng)用大中型拖拉機(jī)數(shù)量和小型拖拉機(jī)數(shù)量的預(yù)測結(jié)果來看，該預(yù)測結(jié)果與2013年度數(shù)值比較有較大增長，但增長幅度有所下降。預(yù)計到2014年，我國農(nóng)機(jī)總動力、大中型拖拉機(jī)數(shù)量和小型拖拉機(jī)數(shù)量分別為11．251×108kW、587．012萬臺和2043．201萬臺，與1997年相比分別增加了167．86%、751．96%和94．87%，與2013年相比分別增加了4．17%、10．75%和2．16%。其中，2014年農(nóng)機(jī)總動力和小型拖拉機(jī)數(shù)量增長率分別小于2013年的增長率5．88%和3．3%，農(nóng)用大中型拖拉機(jī)數(shù)量增長率大于2013年的增長率9．19%。由于我國在2004年出臺了一系列鼓勵提高農(nóng)業(yè)機(jī)械化的法律、政策、法規(guī)，中央財政農(nóng)機(jī)購置補(bǔ)貼資金投入連年大幅增加，極大地調(diào)動了農(nóng)民購機(jī)的積極性和企業(yè)生產(chǎn)的積極性，促進(jìn)我國農(nóng)機(jī)裝備總量持續(xù)增長和農(nóng)機(jī)結(jié)構(gòu)優(yōu)化。隨著跨區(qū)作業(yè)和農(nóng)業(yè)生產(chǎn)合作社的逐步發(fā)展，有效提高了農(nóng)用大中型拖拉機(jī)在農(nóng)業(yè)生產(chǎn)中的的利用率，降低了農(nóng)民勞動強(qiáng)度，提高生產(chǎn)效率，因而其近幾年的保有量有較大增幅。小型拖拉機(jī)受農(nóng)業(yè)產(chǎn)業(yè)結(jié)構(gòu)調(diào)整和農(nóng)業(yè)機(jī)械大型化的影響，其近幾年的保有量增幅逐年降低。

3結(jié)論

篇4

【摘要】 人工神經(jīng)網(wǎng)絡(luò)由于其具有高度的自適應(yīng)性、非線性、善于處理復(fù)雜關(guān)系的特點(diǎn)，在許多研究領(lǐng)域得到了廣泛應(yīng)用，并取得了令人矚目的成就。對其目前在醫(yī)學(xué)研究領(lǐng)域中的應(yīng)用做一簡單綜述。

【關(guān)鍵詞】 人工神經(jīng)網(wǎng)絡(luò)； 應(yīng)用

人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network，ANN)方法自從本世紀(jì)40年代被提出以來，許多從事人工智能、計算機(jī)科學(xué)、信息科學(xué)的科學(xué)家都在對它進(jìn)行研究，已在軍事、醫(yī)療、航天、自動控制、金融等許多領(lǐng)域取得了成功的應(yīng)用。目前出現(xiàn)了許多模仿動物和人的智能形式與功能的某個方面的神經(jīng)網(wǎng)絡(luò)，例如，Grossberg提出的自適應(yīng)共振理論（Adaptive Resonance Theory，ART），T-Kohenen的自組織特征映射網(wǎng)絡(luò)(Self-Organizing feature Map，SOM)，徑向基函數(shù)網(wǎng)絡(luò)（Radial Basis Function，RBF），Hopfield網(wǎng)等。進(jìn)入90年代以后，由于計算機(jī)技術(shù)和信息技術(shù)的發(fā)展，以及各種算法的不斷提出，神經(jīng)網(wǎng)絡(luò)的研究逐漸深化，應(yīng)用面也逐步擴(kuò)大，本研究對常用的神經(jīng)網(wǎng)絡(luò)方法及其在醫(yī)學(xué)領(lǐng)域中的應(yīng)用做一簡單綜述。

1 自組織特征映射網(wǎng)絡(luò)（self-organizing feature map，SOM）在基因表達(dá)數(shù)據(jù)分析中的應(yīng)用

1.1 方法介紹

腦神經(jīng)學(xué)的研究表明，人腦中大量的神經(jīng)元處于空間的不同區(qū)域，有著不同的功能，各自敏感著各自的輸入信息模式的不同特征。芬蘭赫爾辛基大學(xué)神經(jīng)網(wǎng)絡(luò)專家T.Kohonen根據(jù)大腦神經(jīng)系統(tǒng)的這一特性，于1981年提出了自組織特征映射網(wǎng)絡(luò)，它模擬人的大腦，利用競爭學(xué)習(xí)的方式進(jìn)行網(wǎng)絡(luò)學(xué)習(xí)，具有很強(qiáng)的自組織、自適應(yīng)學(xué)習(xí)能力，魯棒性和容錯能力，其理論及應(yīng)用發(fā)展很快，目前已在信息處理、模式識別、圖像處理、語音識別、機(jī)器人控制、數(shù)據(jù)挖掘等方面都有成功應(yīng)用的實例。

Kohonen網(wǎng)絡(luò)由輸入層和競爭層組成，網(wǎng)絡(luò)結(jié)構(gòu)見圖1。輸入層由N個神經(jīng)元組成，競爭層由M個輸出神經(jīng)元組成，輸入層與競爭層各神經(jīng)元之間實現(xiàn)全互連接，競爭層之間實行側(cè)向連接。設(shè)輸入向量為x=(x1，…，xd)T ，輸出神經(jīng)元j對應(yīng)的權(quán)重向量為wj=(wj1，…，wjd)T ，對每一輸出神經(jīng)元計算輸入向量x 和權(quán)重向量wj 間的距離，據(jù)此利用競爭學(xué)習(xí)規(guī)則對權(quán)向量進(jìn)行調(diào)節(jié)。在網(wǎng)絡(luò)的競爭層，各神經(jīng)元競爭對輸入模式的響應(yīng)機(jī)會，最后僅一個神經(jīng)元成為勝利者，并對與獲勝神經(jīng)元有關(guān)的各權(quán)重朝著更有利于它競爭的方向調(diào)整，這樣在每個獲勝神經(jīng)元附近形成一個“聚類區(qū)”，學(xué)習(xí)的結(jié)果使聚類區(qū)內(nèi)各神經(jīng)元的權(quán)重向量保持與輸入向量逼近的趨勢，從而使具有相近特性的輸入向量聚集在一起，這種自組織聚類過程是系統(tǒng)自主、無教師示教的聚類方法，能將任意維輸入模式在輸出層映射成一維或二維離散圖形，并保持其拓?fù)浣Y(jié)構(gòu)不變。網(wǎng)絡(luò)通過對輸入模式的學(xué)習(xí)，網(wǎng)絡(luò)競爭層神經(jīng)元相互競爭，自適應(yīng)地形成對輸入模式的不同響應(yīng)，模擬大腦信息處理的聚類功能、自組織、自學(xué)習(xí)功能，實現(xiàn)用低維目標(biāo)空間的點(diǎn)去表示高維原始空間的點(diǎn)，其工作原理和聚類算法及改進(jìn)方法參見相關(guān)文獻(xiàn)［1］。

1.2 應(yīng)用

基因芯片技術(shù)的應(yīng)用使得人們可以從基因水平探討疾病的病因及預(yù)后，而基因芯片產(chǎn)生的數(shù)據(jù)具有高維度（變量多）、樣本量小、高噪聲的特點(diǎn)，樣本量遠(yuǎn)小于變量數(shù)，如何從海量的數(shù)據(jù)中挖掘信息或知識成為重大課題。聚類分析是數(shù)據(jù)挖掘中的一類重要技術(shù)，傳統(tǒng)方法主要有系統(tǒng)聚類、k-means聚類等，但在處理復(fù)雜非線性關(guān)系及變量間的交互作用時效果較差，受異常值影響較大。近年來神經(jīng)網(wǎng)絡(luò)技術(shù)法成為聚類領(lǐng)域的研究熱點(diǎn)，其中自組織特征映射網(wǎng)絡(luò)由于其良好的自適應(yīng)性，其算法對基因表達(dá)數(shù)據(jù)的聚類有較高的穩(wěn)定性和智能性，尤其在處理基因表達(dá)中有缺失數(shù)據(jù)及原始空間到目標(biāo)空間存在非線性映射結(jié)構(gòu)時有較好的體現(xiàn)，適用于復(fù)雜的多維數(shù)據(jù)的模式識別和特征分類等探索性分析，同時可實現(xiàn)聚類過程和結(jié)果的可視化［2］。目前Kohonen網(wǎng)絡(luò)已被成功用到許多基因表達(dá)數(shù)據(jù)的分析中，Jihua Huang等［3］設(shè)計6×6的網(wǎng)絡(luò)對酵母細(xì)胞周期數(shù)據(jù)進(jìn)行分析，總正確率為67.7%；曹暉等［4］將其算法改進(jìn)后用在酵母菌基因表達(dá)數(shù)據(jù)中，總正確率高達(dá)84.73%，有較高的聚類效能；鄧慶山［5］將該模型與K平均值聚類方法結(jié)合用于公開的結(jié)腸基因表達(dá)數(shù)據(jù)集和白血病基因表達(dá)數(shù)據(jù)集，聚類的準(zhǔn)確率分別為94.12%和90.32%。目前Kohonen網(wǎng)絡(luò)在醫(yī)學(xué)領(lǐng)域中主要應(yīng)用前景有：① 發(fā)現(xiàn)與疾病相關(guān)的新的未知基因，對目標(biāo)基因進(jìn)一步研究，提高診斷的正確率，并對藥物的開發(fā)研究提供重要的線索；② 對腫瘤組織的基因表達(dá)譜數(shù)據(jù)聚類，以期發(fā)現(xiàn)新的、未知的疾病亞型（腫瘤亞型），以便提出更加有針對性的治療方案，為從分子水平對疾病分型、診斷、預(yù)后等提供依據(jù)；③ 發(fā)現(xiàn)與已知基因有相似功能的基因，為推斷未知基因的可能功能提供線索。

2 BP神經(jīng)網(wǎng)絡(luò)在醫(yī)學(xué)研究中的應(yīng)用

2.1 BP神經(jīng)網(wǎng)絡(luò)在疾病輔助診斷中的應(yīng)用

2.1.1 方法介紹

BP神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用最多的神經(jīng)網(wǎng)絡(luò)，一般由一個輸入層（input layer）、一個輸出層（output layer）、一個或幾個中間層（隱層）組成。每一層可包含一個或多個神經(jīng)元，其中每一層的每個神經(jīng)元和前一層相連接，同一層之間沒有連接。輸入層神經(jīng)元傳遞輸入信息到第一隱層或直接傳到輸出層，隱層的神經(jīng)元對輸入層的信息加權(quán)求和，加一個常數(shù)后，經(jīng)傳遞函數(shù)運(yùn)算后傳到下一個隱層（或輸出層），常用的傳遞函數(shù)是logistic函數(shù)，即Φh=1/(1+exp(-z)) ，輸出層神經(jīng)元對前一層的輸入信息加權(quán)求和經(jīng)傳遞函數(shù)Φ0 （線性或logistic函數(shù)或門限函數(shù)）運(yùn)算后輸出，BP神經(jīng)網(wǎng)絡(luò)一般采用BP算法訓(xùn)練網(wǎng)絡(luò)，關(guān)于BP算法及改進(jìn)可參考相關(guān)文獻(xiàn)［1］。

人工神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的非線性映射能力，含一個隱層的網(wǎng)絡(luò)可以實現(xiàn)從輸入到輸出間的任意非線性映射，是典型的非線性數(shù)學(xué)模型，建立BP神經(jīng)網(wǎng)絡(luò)模型的一般步驟為：① BP網(wǎng)訓(xùn)練集、校驗集、測試集的確定；② 輸入數(shù)據(jù)的預(yù)處理：使輸入變量的取值落在0到1的范圍內(nèi)，如果是無序分類變量，以啞變量的形式賦值；③ 神經(jīng)網(wǎng)絡(luò)模型的建立及訓(xùn)練：學(xué)習(xí)率、傳遞函數(shù)、隱層數(shù)、隱單元數(shù)的選擇，注意防止過度擬合。一般使用靈敏度、特異度、陽性預(yù)測值、陰性預(yù)測值、ROC曲線對模型的預(yù)測性能進(jìn)行評價。

2.1.2 應(yīng)用

BP神經(jīng)網(wǎng)絡(luò)已廣泛用于臨床輔助診斷中，白云靜等［6］用于中醫(yī)證候的非線性建模，建立了RA證侯BP網(wǎng)絡(luò)模型和DN證侯BP網(wǎng)絡(luò)模型，結(jié)果顯示平均診斷準(zhǔn)確率分別為90.72%、92.21%，具有較高的診斷、預(yù)測能力。曹志峰［7］采用PROBEN1中的甲狀腺疾病數(shù)據(jù)庫用于甲狀腺疾病（甲亢、甲減、正常）的診斷，結(jié)果顯示訓(xùn)練樣本的正確識別率為99.3% ，測試樣本的正確識別率為98.2%，提示對臨床診斷甲狀腺疾病提供有益的幫助；還有學(xué)者用于急性心肌梗塞、甲狀腺功能紊亂、乳腺癌、前列腺癌、宮頸癌、肺癌、卵巢癌、急性肺梗塞等的輔助診斷等［8］。

2.2 BP神經(jīng)網(wǎng)絡(luò)在生存分析中的應(yīng)用

2.2.1 方法介紹

傳統(tǒng)的生存分析方法有非參數(shù)、半?yún)?shù)、參數(shù)模型，參數(shù)模型主要有指數(shù)回歸模型、Weibull回歸模型，都要求對基線風(fēng)險做一定的假設(shè)，但實際資料常常不符合條件，生存分析中應(yīng)用最為廣泛的半?yún)?shù)模型:Cox比例風(fēng)險模型，但它要求滿足比例風(fēng)險的假定，在很多情況下也難以滿足。基于神經(jīng)網(wǎng)絡(luò)的生存分析模型可以克服這些困難，可以探測復(fù)雜的非線性效應(yīng)，復(fù)雜的交互效應(yīng)，模型中協(xié)變量的效應(yīng)可以隨時間變化，對數(shù)據(jù)的分布不做要求。目前一些策略被用到神經(jīng)網(wǎng)絡(luò)預(yù)測方法中分析含有刪失的生存數(shù)據(jù)，主要有Faraggi-Simon(1995)法、Liestol-Andersen-Andersen(1994) 法、改良uckley-James(1979)法等。

BP神經(jīng)網(wǎng)絡(luò)建立生存分析模型常用的方法有［9］：連續(xù)時間模型（continuous time models）與離散時間模型（discrete time models）。常用的Faraggi和Simon［10］提出的連續(xù)時間模型擴(kuò)展了Cox回歸模型，允許非線性函數(shù)代替通常的協(xié)變量的線性組合，這種方法既保持了Cox回歸模型的比例風(fēng)險的特點(diǎn)，又提供了處理復(fù)雜非線性關(guān)系、交互作用能力的好方法。

離散時間模型常用的模型有：① 輸出層為單個結(jié)點(diǎn)：模型的輸出層只有一個神經(jīng)元結(jié)點(diǎn)，是最簡單的神經(jīng)網(wǎng)絡(luò)模型，生存時間被分成兩個區(qū)間，當(dāng)研究者僅僅對某一時間點(diǎn)的預(yù)后感興趣時，例如預(yù)測癌癥患者的5年生存情況，如欲預(yù)測多個時間點(diǎn)，則需建立多個神經(jīng)網(wǎng)絡(luò)模型（每個模型對應(yīng)一個時間區(qū)間）；② 輸出層為多個結(jié)點(diǎn)：生存時間被分成幾個離散的區(qū)間，估計某個時間區(qū)間事件發(fā)生的概率，Liestol法是常用的離散時間模型。還有研究者在建立多個時間區(qū)間模型時將時間也做為一個輸入變量，也有學(xué)者將神經(jīng)網(wǎng)絡(luò)納入Bayes方法的研究框架。

一般采用靈敏度、特異度、一致性指數(shù)C(Concordance index)作為預(yù)測準(zhǔn)確性的評價指標(biāo)，神經(jīng)網(wǎng)絡(luò)在生存分析中的應(yīng)用主要在于［11］：個體患者預(yù)后的預(yù)測，研究預(yù)后因子的重要性，研究預(yù)后因子的相互作用，對于預(yù)測變量的影響力強(qiáng)弱及解釋性，還有待進(jìn)一步探討。

2.2.2 應(yīng)用

國外Ruth M.Ripley等［9］將7種不同的神經(jīng)網(wǎng)絡(luò)生存分析模型（3種離散時間模型，4種連續(xù)時間模型）用于1335例乳腺癌患者復(fù)發(fā)概率的預(yù)測，并對其精確性、靈敏度、特異度等預(yù)測性能指標(biāo)進(jìn)行比較，結(jié)果證明神經(jīng)網(wǎng)絡(luò)方法能成功用于生存分析問題，可以提取預(yù)后因子所蘊(yùn)涵的最大可能的信息。Anny Xiang等［12］采用Monte Carlo模擬研究方法，在9種實驗條件下（不同的輸入結(jié)點(diǎn)、刪失比例、樣本含量等）對Faraggi-Simon法、Liestol-Andersen-Andersen法、改良Buckley-James法處理右刪失生存數(shù)據(jù)的性能與Cox回歸作比較，研究結(jié)果提示神經(jīng)網(wǎng)絡(luò)方法可以作為分析右刪失數(shù)據(jù)的一個有效的方法。D.J.Groves［13］等將Cox回歸與神經(jīng)網(wǎng)絡(luò)方法對兒童急性淋巴母細(xì)胞白血病的預(yù)后進(jìn)行了比較，Lucila Ohno-Machado等［14］建立輸出層為4個結(jié)點(diǎn)的離散時間神經(jīng)網(wǎng)絡(luò)模型做為AIDS預(yù)后研究的工具，并使用ROC曲線下面積、靈敏度、特異度、陽性預(yù)測值、陰性預(yù)測值對不同時間區(qū)間的預(yù)測性能做了評價。國內(nèi)用于生存分析方面的研究還較少，黃德生［15］等利用BP神經(jīng)網(wǎng)絡(luò)建立time-coded model和single-time point model用于肺鱗癌預(yù)后預(yù)測，賀佳［16］等把BP網(wǎng)絡(luò)用于預(yù)測肝癌患者術(shù)后無瘤生存期，也有學(xué)者對AIDS、惡性腫瘤的預(yù)后做了相關(guān)的研究。

2.3 BP神經(jīng)網(wǎng)絡(luò)在其它方面的應(yīng)用

近年來BP神經(jīng)網(wǎng)絡(luò)在疾病篩查中的的應(yīng)用引起學(xué)者的關(guān)注，例如在乳腺癌、宮頸癌、糖尿病的篩查都有成功的應(yīng)用［17］。神經(jīng)網(wǎng)絡(luò)在法醫(yī)學(xué)研究領(lǐng)域具有實用性和廣泛的應(yīng)用前景，法醫(yī)學(xué)家將其用在死亡時間推斷、死因分析、個體識別和毒物分析等研究中［18］。在藥學(xué)研究中也有一定的應(yīng)用，例如在定量藥物設(shè)計、藥物分析、藥動/藥效學(xué)研究中，都有成功的應(yīng)用案例，相秉仁等［19］對其做了詳細(xì)的綜述。曹顯慶［20］等還將神經(jīng)網(wǎng)絡(luò)用于ECG、EEG等信號的識別和處理、醫(yī)學(xué)圖像分析中，取得了較好的結(jié)果。

人工神經(jīng)網(wǎng)絡(luò)是在研究生物神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上建立的模型，迄今為止有代表性的網(wǎng)絡(luò)模型已達(dá)數(shù)10種，人工神經(jīng)網(wǎng)絡(luò)不需要精確的數(shù)學(xué)模型，沒有任何對變量的假設(shè)要求，能通過模擬人的智能行為處理復(fù)雜的、不確定的、非線性問題。在醫(yī)學(xué)研究領(lǐng)域，變量間關(guān)系往往非常復(fù)雜，為了探測變量間的復(fù)雜模式，神經(jīng)網(wǎng)絡(luò)正逐漸變成分析數(shù)據(jù)的流行工具。目前國際上已出現(xiàn)許多著名的神經(jīng)網(wǎng)絡(luò)專業(yè)雜志：Neural Network，Neural Computation，IEEE Transaction on Neural Networks等，同時已有許多商業(yè)化的神經(jīng)網(wǎng)絡(luò)開發(fā)軟件，如Matlab軟件， S-plus軟件，SNNS(Stuttgart Neural Network Simulator)等，高版本SAS系統(tǒng)中的Enterprise Miner應(yīng)用模塊中也可以建立神經(jīng)網(wǎng)絡(luò)模型，隨著計算機(jī)技術(shù)的進(jìn)一步發(fā)展，人工神經(jīng)網(wǎng)絡(luò)在醫(yī)學(xué)領(lǐng)域的應(yīng)用前景也會更加廣闊。

【參考文獻(xiàn)】

1 余雪麗，主編.神經(jīng)網(wǎng)絡(luò)與實例學(xué)習(xí).中國鐵道出版社，1996.

2 白耀輝，陳明.利用自組織特征映射神經(jīng)網(wǎng)絡(luò)進(jìn)行可視化聚類.計算機(jī)仿真，2006，23(1):180~183.

3 Jinua Huang，Hiroshi Shimizu，Suteaki Shioya.Clustering gene expression pattern and extracting relationship in gene network based on artificial neural networks.Journal of bioscience and bioengineering，2003，96(5):421~428.

4 曹暉，席斌，米紅.一種新聚類算法在基因表達(dá)數(shù)據(jù)分析中的應(yīng)用.計算機(jī)工程與應(yīng)用，2007，43(18)：234~238.

5 鄧慶山.聚類分析在基因表達(dá)數(shù)據(jù)上的應(yīng)用研究.計算機(jī)工程與應(yīng)用，2005，41(35):210~212.

6 白云靜，申洪波，孟慶剛，等.基于人工神經(jīng)網(wǎng)絡(luò)的中醫(yī)證侯非線性建模研究.中國中醫(yī)藥信息雜志，2007，14（7）:3~4.

7 曹志峰. BP 神經(jīng)網(wǎng)絡(luò)在臨床診斷中的應(yīng)用與探討.實用醫(yī)技雜志，2005，12(9):2656~2657.

8 William G Baxt. Application of artificial neural networks to clinical medicine. The Lancet，1995，346(8983):1135~1138.

9 Ruth M.Ripley，Adrian L.Harris，Lionel Tarassenko.Non-linear survival analysis using neural networks. Statistics in medicine，2004，23(5):825~842.

10 David Faraggi，Richard Simon.A neural network model for survival data. Statistics in medicine，1995，14(1):73~82.

11 高蔚，聶紹發(fā)，施侶元，等.神經(jīng)網(wǎng)絡(luò)在生存分析中的應(yīng)用進(jìn)展.中國衛(wèi)生統(tǒng)計，2006，23（4）：358~360.

12 Anny Xiang，Pablo Lapuerta， Alex Ryutov.Comparison of the performance of neural network methods and Cox regression for censored survival data.Computational statistics ＆ data analysis，2000，34(2):243~257.

13 D.J.Groves，S.W.Smye，S.E.Kinsey.A comparison of Cox regression and neural networks for risk stratification in case of acute lymphoblastic leukaemia in children.Neural computing ＆ applications，1999，8(3):257~264.

14 Lucila Ohno-Machado.A comparison of cox proportional hazards and artificial neural network models for medicial prognosis.Comput Biol Med，1997，27(1):55~65.

15 黃德生，周寶森，劉延齡，等.BP人工神經(jīng)網(wǎng)絡(luò)用于肺鱗癌預(yù)后預(yù)測.中國衛(wèi)生統(tǒng)計，2000，17(6):337~340.

16 賀佳，張智堅，賀憲民.肝癌術(shù)后無瘤生存期的人工神經(jīng)網(wǎng)絡(luò)預(yù)測.數(shù)理統(tǒng)計與管理，2002，21（4）：14~16.

17 黎衍云，李銳，張勝年.人工神經(jīng)網(wǎng)絡(luò)及其在疾病篩查中的應(yīng)用前景.環(huán)境與職業(yè)醫(yī)學(xué)，2006，23(1):71~73.

18 汪嵐，劉良.人工神經(jīng)網(wǎng)絡(luò)的法醫(yī)學(xué)應(yīng)用.中國法醫(yī)學(xué)雜志，2005，20(3)：161~163.

篇5

關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò) 反向傳播算法 故障診斷

1 引言

隨著經(jīng)濟(jì)的發(fā)展，空調(diào)系統(tǒng)得到了越來越廣泛的應(yīng)用，空調(diào)設(shè)備已成為重要的生活必備品之一。這就要求空調(diào)系統(tǒng)可靠性高且功能齊全，而且在故障診斷維修服務(wù)方面達(dá)到一定的水平。國內(nèi)目前的大部分空調(diào)系統(tǒng)中無故障診斷系統(tǒng)，當(dāng)空調(diào)系統(tǒng)出現(xiàn)故障后，維保人員往往不能及時、準(zhǔn)確地了解系統(tǒng)出現(xiàn)故障的原因及相關(guān)信息，空調(diào)系統(tǒng)無法得到及時修復(fù)，這種情況急需得到改善。

2 關(guān)于故障診斷技術(shù)

故障診斷FD(fault diagnosis)是一種了解和掌握設(shè)備在使用過程中的技術(shù)，確定其整體或局部是否正常，早期發(fā)現(xiàn)故障及其原因并能預(yù)報故障發(fā)展趨勢的技術(shù)。在診斷過程中，必須利用被診斷對象表現(xiàn)出來的各種有用信息，經(jīng)過適當(dāng)?shù)靥幚砗头治觯龀稣_的診斷結(jié)論。在制冷暖通空調(diào)領(lǐng)域，1987年在彥啟森教授的建議下，才開始了故障診斷專家系統(tǒng)在制冷暖通空調(diào)領(lǐng)域的研究應(yīng)用[1]。

3 人工神經(jīng)網(wǎng)絡(luò)用于空調(diào)系統(tǒng)故障診斷的基本原理

人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network．簡稱ANN)正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)。它實際上是由大量簡單元件相互連接而成的復(fù)雜網(wǎng)絡(luò)，具有高度的非線性，能夠進(jìn)行復(fù)雜的邏輯操作和非線性關(guān)系實現(xiàn)的系統(tǒng)。

典型的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

在眾多的人工神經(jīng)網(wǎng)絡(luò)模型中，最常用的是BP(Back Propagation)模型，即利用誤差反向傳播算法求解的多層前向神經(jīng)網(wǎng)絡(luò)模型[2]。BP網(wǎng)絡(luò)在故障診斷、模式識別、圖像識別、管理系統(tǒng)等方面都得到了廣泛的應(yīng)用。本文討論利用神經(jīng)網(wǎng)絡(luò)中的BP模型進(jìn)行空調(diào)系統(tǒng)的故障診斷。

首先需要進(jìn)行知識的獲取。由專家提供關(guān)于各種空調(diào)系統(tǒng)故障現(xiàn)象(征兆集)及相應(yīng)的故障原因(故障集)實例作為學(xué)習(xí)樣本。將數(shù)據(jù)分為兩部分，一部分用于訓(xùn)練網(wǎng)絡(luò)，另一部分用于測試。將訓(xùn)練網(wǎng)絡(luò)的數(shù)據(jù)按一定順序編碼，分別賦給網(wǎng)絡(luò)輸入、輸出節(jié)點(diǎn)，通過神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法對樣本進(jìn)行學(xué)習(xí)，經(jīng)過網(wǎng)絡(luò)內(nèi)部自適應(yīng)算法不斷修正權(quán)值，直到達(dá)到所要求的學(xué)習(xí)精度為止。此時在大量神經(jīng)元之間聯(lián)結(jié)權(quán)值上就分布著專家知識和經(jīng)驗。訓(xùn)練完畢后，再將測試網(wǎng)絡(luò)的數(shù)據(jù)從初始狀態(tài)出發(fā)，向前推理，將顯示出的故障結(jié)果與實際的測試數(shù)據(jù)結(jié)果相比較，如果誤差很小，說明網(wǎng)絡(luò)的權(quán)值建立正確；如果誤差較大，說明網(wǎng)絡(luò)的權(quán)值建立有誤，需要重新進(jìn)行網(wǎng)絡(luò)的訓(xùn)練。

將訓(xùn)練樣本訓(xùn)練完畢后，即可進(jìn)行空調(diào)系統(tǒng)的故障診斷。只要實際輸入模式接近于某一個訓(xùn)練時的學(xué)習(xí)樣本的輸入模式，則可產(chǎn)生出接近學(xué)習(xí)樣本的輸出結(jié)果，也就是所謂的自聯(lián)想功能。同時，由于網(wǎng)絡(luò)計算上的大量并行性，當(dāng)機(jī)器運(yùn)行狀況改變，出現(xiàn)網(wǎng)絡(luò)學(xué)習(xí)未考慮的情況時，系統(tǒng)亦能給出正確分類結(jié)果。同時將新數(shù)據(jù)并入網(wǎng)絡(luò)，實現(xiàn)系統(tǒng)的自適應(yīng)。一般來說，學(xué)習(xí)的故障實例樣本越多，診斷結(jié)果的準(zhǔn)確率越高。

4 BP學(xué)習(xí)算法

BP算法因其簡單、易行、計算量小、并行性強(qiáng)等優(yōu)點(diǎn)，是目前神經(jīng)網(wǎng)絡(luò)訓(xùn)練采用最多也是最成熟的訓(xùn)練算法之一。BP算法的實質(zhì)是求解誤差函數(shù)的最小值問題，由于它采用非線性規(guī)劃中的梯度下降法（Gradient Descent），按誤差函數(shù)的負(fù)梯度方向修正權(quán)值 [3]。其主要思路是如果求出訓(xùn)練網(wǎng)絡(luò)的指標(biāo)函數(shù)誤差：

一般的BP算法稱為標(biāo)準(zhǔn)誤差逆?zhèn)鞑ニ惴?，也就是對?yīng)每一次輸入都校正一次權(quán)值。這種算法不是全局誤差意義上的梯度下降計算。對各個神經(jīng)元的輸出求偏導(dǎo)數(shù)，那么就可以算出誤差對所有連接權(quán)值的偏導(dǎo)數(shù)，從而可以利用梯度下降法來修改各個連接權(quán)值。真正的全局誤差意義上的梯度下降算法是在全部訓(xùn)練模式都學(xué)習(xí)完后才校正連接權(quán)和閾值。其計算流程如圖2所示：

5 故障診斷實例 5.1 空調(diào)系統(tǒng)故障診斷的BP網(wǎng)絡(luò)建立

空調(diào)系統(tǒng)故障模式及故障機(jī)制分析[4]如表1所示

表1 空調(diào)系統(tǒng)故障模式及故障機(jī)制分析 表示

符號

表示

符號

房間溫度均偏高

1.冷凍機(jī)產(chǎn)冷量不足

2.噴水堵塞

3.通過空氣處理設(shè)備的風(fēng)量過大，熱交換不良

4.回風(fēng)量大于送風(fēng)量

5.送風(fēng)量不足（可能空氣過濾氣堵塞）

6.表冷器結(jié)霜，造成堵塞

相對濕度均偏低

7.室外空氣未經(jīng)加濕處理

系統(tǒng)實測風(fēng)量大于設(shè)計風(fēng)量

8.系統(tǒng)的實際阻力小于設(shè)計阻力

9.設(shè)計時選用風(fēng)機(jī)容量偏大

房間氣流速度超過允許流速

10.送風(fēng)口速度過大

篇6

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò) 入侵檢測；自動變速率；隨機(jī)優(yōu)化算子

中圖分類號：TP18 文獻(xiàn)標(biāo)識碼：A 文章編號：1009-3044（2014）03-0614-03

隨著互聯(lián)網(wǎng)應(yīng)用的發(fā)展，更現(xiàn)顯了網(wǎng)絡(luò)安全的重要性。入侵檢測技術(shù)在安全防護(hù)中是一種主動防護(hù)技術(shù)，能及時地檢測各種惡意入侵，并在網(wǎng)絡(luò)系統(tǒng)受到危害時進(jìn)行響應(yīng)，因此在為安全防御體系中入侵檢測系統(tǒng)占有重要的地位。但是在現(xiàn)實的應(yīng)用中，入侵檢測系統(tǒng)沒有充分發(fā)揮其作用。這是因為，不斷變化的入侵方式要求入侵檢測模型必須具有分析大量數(shù)據(jù)的能力。無論這些數(shù)據(jù)是不完全的，是非結(jié)構(gòu)化的，或者是含有噪音的。而且，有些攻擊是由處于不同網(wǎng)絡(luò)位置上的多個攻擊者協(xié)作進(jìn)行的，這就要求入侵檢測模型又必須具備處理來自非線性數(shù)據(jù)源的大量數(shù)據(jù)的能力。神經(jīng)網(wǎng)絡(luò)具有聯(lián)想記憶能力、自學(xué)習(xí)能力和模糊運(yùn)算的能力。因此將神經(jīng)網(wǎng)絡(luò)應(yīng)用入侵檢測中，它不僅可以識別出曾見過的入侵，還可以識別出未曾見過的入侵。該文首先介紹了一種改進(jìn)的神經(jīng)網(wǎng)絡(luò)算法，然后分析了該算法在入侵檢測中的應(yīng)用，并給出試驗仿真結(jié)果。

1 BP神經(jīng)網(wǎng)絡(luò)與入侵檢測

1.1 BP神經(jīng)網(wǎng)絡(luò)的特點(diǎn)與不足

BP神經(jīng)網(wǎng)絡(luò)是神經(jīng)網(wǎng)絡(luò)模型中應(yīng)用最廣泛一種。它基于成熟的BP算法，主要有以下幾個特點(diǎn)：1）它能夠?qū)崿F(xiàn)自組織、自學(xué)習(xí)，根據(jù)給定的輸入輸出樣本自動調(diào)整它的網(wǎng)絡(luò)參數(shù)來模擬輸入輸出之間的非線性關(guān)系。2）在存儲上采用分布式存儲，所有的信息分布存儲在每一個神經(jīng)元中。3）它還可以實現(xiàn)并行處理，下一層的每個神經(jīng)元可以根據(jù)接收到的上一層信息同時獨(dú)立地計算。這些特點(diǎn)使其很適合應(yīng)用于入侵檢測技術(shù)，滿足入侵檢測的適應(yīng)性、可靠性、安全性和高效性的要求。

但是傳統(tǒng)的BP算法也存在著以下幾個方面的不足：1）局部極小；2）學(xué)習(xí)算法收斂速度慢；3）隱含層節(jié)點(diǎn)選取缺乏理論；4）加入新的樣本會影響已經(jīng)學(xué)完的樣本；5）每次輸入樣本特征的數(shù)目必須確定且相同。

1.2 入侵檢測技術(shù)

通過對系統(tǒng)數(shù)據(jù)的分析，當(dāng)發(fā)現(xiàn)有非授權(quán)的網(wǎng)絡(luò)訪問和攻擊行為時，采取報警、切斷入侵線路等措施來維護(hù)網(wǎng)絡(luò)安全，這被就是入侵檢測技術(shù)。采用此技術(shù)設(shè)計的系統(tǒng)稱為入侵檢測系統(tǒng)。根據(jù)采用的技術(shù)來說入侵檢測系統(tǒng)應(yīng)具有以下幾個特性：1）監(jiān)視用戶及系統(tǒng)活動；2） 分析用戶及系統(tǒng)活動；3） 異常行為模式分析；4） 識別已知的進(jìn)攻活動模式并反映報警；5） 系統(tǒng)構(gòu)造和弱點(diǎn)的審計，操作系統(tǒng)的審計跟蹤管理；6） 評估重要的系統(tǒng)和數(shù)據(jù)文件的完整性，并識別用戶違反安全策略的行為。

目前最常用的攻擊手段有：拒絕服務(wù)、探測、非授權(quán)訪問和非授權(quán)獲得超級用戶權(quán)限攻擊。而且這些攻擊手段在實際中還有很大的變異，因此給入侵檢測帶來了一定的難度。BP神經(jīng)網(wǎng)絡(luò)的自組織自學(xué)習(xí)能力，使得經(jīng)過訓(xùn)練后的BP神經(jīng)網(wǎng)絡(luò)對以前觀察到的入侵檢測行為模式進(jìn)行歸納總結(jié)，除了可以識別出已經(jīng)觀察到的攻擊，還可以識別出由已知攻擊變異出的新的攻擊，甚至是全新的攻擊。

2.3 改進(jìn)的神經(jīng)網(wǎng)絡(luò)算法

人工神經(jīng)網(wǎng)絡(luò)在模式識別、非線性處理、信號檢測等領(lǐng)域應(yīng)用非常多，這是由于人工神經(jīng)網(wǎng)絡(luò)具有的良好的自適應(yīng)和自組織性，高度的非線性特性以及大規(guī)模并行處理和分布式信息存儲能力的特性。BP神經(jīng)網(wǎng)絡(luò)算法實質(zhì)上是非線性優(yōu)化問題的梯度算法，該算法在收斂性問題上存在限制與不足。即該算法學(xué)習(xí)的結(jié)果不能保證一定收斂到均方誤差的全局最小點(diǎn)，也有可能落入局部極小點(diǎn)，使算法不收斂，導(dǎo)致陷入錯誤的工作模式。因此本文選擇了改進(jìn)的神經(jīng)網(wǎng)絡(luò)，改進(jìn)主要有以下幾點(diǎn)：

2）自動變速率學(xué)習(xí)法

傳統(tǒng)的BP算法是以梯度為基礎(chǔ)，采用LMS學(xué)習(xí)問題的最陡下降法，學(xué)習(xí)步長是一個固定不變的較小值，不利于網(wǎng)絡(luò)的收斂。因此，選擇了基于梯度方向來自動調(diào)節(jié)學(xué)習(xí)速率的方法。利用梯度確定學(xué)習(xí)的方向，由速率決定在梯度方向上學(xué)習(xí)的步長。因此，如果相鄰兩次的梯度方向相同則說明在該方向是有利收斂的方向，如果相鄰兩次的梯度方向相反則說明此處存在不穩(wěn)定。因此，可以利用兩次相對梯度變化來確定學(xué)習(xí)步長，當(dāng)兩次梯度方向相同時則增大學(xué)習(xí)步長，加快在該方向上的學(xué)習(xí)速度；而如果兩次梯度方向相反那么減小學(xué)習(xí)步長，加快整個網(wǎng)絡(luò)的收斂速度。這種方法的自適應(yīng)速率調(diào)節(jié)公式如下：

2）引入遺忘因子

本文所采用的自適應(yīng)變速率學(xué)習(xí)法是依據(jù)相鄰兩次梯度變化來確定學(xué)習(xí)步長的算法，但單純的學(xué)習(xí)速率的變化還不能即完全地既保證收斂速度，又不至于引起振蕩。因此考慮變相的學(xué)習(xí)速率的學(xué)習(xí)。即在權(quán)值的調(diào)節(jié)量上再加一項正比于前幾次加權(quán)的量。權(quán)值調(diào)節(jié)量為：

我們將[τ]稱為遺忘因子。遺忘因子項的引入就是對學(xué)習(xí)過程中等效的對學(xué)習(xí)速率進(jìn)行微調(diào)的效果。遺忘因子起到了緩沖平滑的作用，使得調(diào)節(jié)向著底部的平均方向變化。

3）隨機(jī)優(yōu)化算子

雖然采用自動變速率學(xué)習(xí)法，并引入遺忘因子的神經(jīng)網(wǎng)絡(luò)算法可以對學(xué)習(xí)速率進(jìn)行微調(diào)，但是仍存在著BP神經(jīng)網(wǎng)絡(luò)的限制與不足因此引入隨機(jī)優(yōu)化算子。也就是當(dāng)網(wǎng)絡(luò)的權(quán)值誤差迭代一定的次數(shù)后，仍沒有明顯的收斂，或者系統(tǒng)誤差函數(shù)的梯度連續(xù)幾次發(fā)生改變，這說明網(wǎng)絡(luò)進(jìn)入了一個比較疲乏的狀態(tài)，需要借助外界的推動力來激活網(wǎng)絡(luò)。當(dāng)發(fā)現(xiàn)上述的兩種情況時，就產(chǎn)生與權(quán)值維數(shù)相同的隨機(jī)數(shù)，并將隨機(jī)數(shù)與權(quán)值直接相加，然后判斷系統(tǒng)誤差的變化。如果誤差沒有降低，那么就再繼續(xù)產(chǎn)生隨機(jī)數(shù)來修改權(quán)值，直到誤差減少，再從新的權(quán)值開始繼續(xù)BP算法。隨機(jī)優(yōu)化算子可以令搜索方向隨機(jī)變化，從而擺脫局部極小點(diǎn)。

4）改進(jìn)算法與傳統(tǒng)算法比較

以200個訓(xùn)練樣本為例，分別采用改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)和經(jīng)典BP神經(jīng)網(wǎng)絡(luò)的方法進(jìn)行學(xué)習(xí)、訓(xùn)練。兩種算法的誤差收斂對比曲線如圖1所示。

3 采用改進(jìn)算法的入侵檢測仿真實驗

入侵檢測系統(tǒng)進(jìn)行測試和評估需要標(biāo)準(zhǔn)的、可重現(xiàn)的并包含入侵的大量數(shù)據(jù)。本仿真實驗選取DARPA數(shù)據(jù)集網(wǎng)絡(luò)連接數(shù)據(jù)集作為實驗數(shù)據(jù)。然后，對這些數(shù)據(jù)選三組特征值進(jìn)行實驗，并給出實驗結(jié)果。

3.1 數(shù)據(jù)源的選取

該實驗的數(shù)據(jù)采用DARPA 1988入侵檢測評估數(shù)據(jù)庫的數(shù)據(jù)。該數(shù)據(jù)有大量的連接數(shù)據(jù)記錄。每個一記錄代表一次網(wǎng)絡(luò)連接，且每個記錄均有41個特征值，其中各個特征的含義不同，大致可分為三類：1）表示網(wǎng)絡(luò)連接內(nèi)容特征；2）表示網(wǎng)絡(luò)連接基本特征；3）表示網(wǎng)絡(luò)連接流量特征。

模擬的入侵主要有以下四種類型：DOS 、 R2L、U2R、Probing，考慮到設(shè)計的實用性分別對三類特征值用神經(jīng)網(wǎng)絡(luò)分別進(jìn)行訓(xùn)練和識別。實驗選取了13000組數(shù)據(jù)進(jìn)行仿真實驗，其中3000組用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)，10000組用于系統(tǒng)測試。

3.2 仿真實驗結(jié)果

對三類特征組的訓(xùn)練集數(shù)據(jù)應(yīng)用改進(jìn)神經(jīng)網(wǎng)絡(luò)分別訓(xùn)練出三個神經(jīng)網(wǎng)絡(luò)，表示網(wǎng)絡(luò)連接內(nèi)容特征的神經(jīng)網(wǎng)絡(luò)，表示網(wǎng)絡(luò)連接基本特征的神經(jīng)網(wǎng)絡(luò)以及表示網(wǎng)絡(luò)連接流量的特征的神經(jīng)網(wǎng)絡(luò)在訓(xùn)練成功時的迭代步數(shù)分別為7056，386，3030。然后再對測試集數(shù)據(jù)進(jìn)行測試，結(jié)果如下：

1）表示網(wǎng)絡(luò)連接內(nèi)容特征組，利用改進(jìn)神經(jīng)網(wǎng)絡(luò)進(jìn)行檢測識別，結(jié)果如表1所示。

2）表示網(wǎng)絡(luò)連接基本特征組，利用改進(jìn)神經(jīng)網(wǎng)絡(luò)進(jìn)行檢測識別，結(jié)果如表2所示。

3）網(wǎng)絡(luò)連接流量特征組，利用改進(jìn)神經(jīng)網(wǎng)絡(luò)進(jìn)行檢測識別，結(jié)果如表3所示：

從表中數(shù)據(jù)可以看出對常見的四種攻擊，不同的特征分組在改進(jìn)神經(jīng)網(wǎng)絡(luò)的作用下檢測各有優(yōu)勢。

4 結(jié)論

論文采用自動變速率學(xué)習(xí)法，利用遺忘因子進(jìn)行微調(diào)，同時引入隨機(jī)優(yōu)化算子對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行了改進(jìn)。改進(jìn)神經(jīng)網(wǎng)絡(luò)的收斂速度比經(jīng)典BP神經(jīng)網(wǎng)絡(luò)更快，同時穩(wěn)定性也較好。并將該算法應(yīng)用于入侵檢測實驗，實驗結(jié)果顯示改進(jìn)后的算法具有較好的識別攻擊的能力。

參考文獻(xiàn)：

[1] 肖道舉，毛輝.BP神經(jīng)網(wǎng)絡(luò)在入侵檢測中的應(yīng)用[J].華中科技大學(xué)學(xué)報，2003（5）.

[2] 汪潔.基于神經(jīng)網(wǎng)路的入侵檢測系統(tǒng)的設(shè)計與實現(xiàn)[J].計算機(jī)應(yīng)用與軟件，2013（5）.

篇7

關(guān)鍵詞：風(fēng)電機(jī)組；matlab；人工神經(jīng)網(wǎng)絡(luò)；風(fēng)功率預(yù)測

1 風(fēng)電功率預(yù)測模型

1.1 徑向基神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)算法是近年來發(fā)展起來的一種新型人工智能算法。不同于以往的數(shù)學(xué)算法，它是一種模仿動物神經(jīng)網(wǎng)絡(luò)行為特征，進(jìn)行分布式并行信息處理的算法數(shù)學(xué)模型，具有自學(xué)習(xí)、自適應(yīng)和自組織能力的特點(diǎn)。

徑向基神經(jīng)網(wǎng)絡(luò)（即RBF神經(jīng)網(wǎng)絡(luò)）是一種三層前向網(wǎng)絡(luò)，由輸入層、隱含層和輸出層組成，網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。由輸入到輸出的映射是非線性的，而隱含層到輸出層是線性的，從而大大加快了學(xué)習(xí)速度并避免局部極小問題。

根據(jù)徑向基函數(shù)中心選取方法的不同，RBF神經(jīng)網(wǎng)絡(luò)有很多學(xué)習(xí)方法，如隨機(jī)選取中心法、梯度訓(xùn)練法、有監(jiān)督選取中心法和正交最小二乘法等。這里，選用梯度訓(xùn)練法作為RBF神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法。

1.2 梯度訓(xùn)練方法

RBF網(wǎng)的梯度訓(xùn)練方法是通過最小化目標(biāo)函數(shù)實現(xiàn)對各隱節(jié)點(diǎn)數(shù)據(jù)中心、擴(kuò)展常數(shù)和輸出權(quán)值的調(diào)節(jié)。使用一種帶遺忘因子的單輸出RBF網(wǎng)學(xué)習(xí)方法，此時神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的目標(biāo)函數(shù)為：

（1）

其中，？茁j為遺忘因子，誤差信號ej的定義為：

（2）

由于神經(jīng)網(wǎng)絡(luò)函數(shù)F（X）對數(shù)據(jù)中心ci、擴(kuò)展常數(shù)ri和輸出權(quán)值wi的梯度分別為：

（3）

（4）

（5）

考慮所有訓(xùn)練樣本和遺忘因子的影響，ci、ri和wi的調(diào)節(jié)量為

（6）

（7）

（8）

其中，？椎i（Xj）為第i個隱節(jié)點(diǎn)對Xj的輸出，？濁為學(xué)習(xí)速率。

1.3 數(shù)據(jù)歸一化

數(shù)據(jù)歸一化是神經(jīng)網(wǎng)絡(luò)預(yù)測前對數(shù)據(jù)常用的一種處理方法。數(shù)據(jù)歸一化處理將所有數(shù)據(jù)都轉(zhuǎn)化為[0，1]之間的數(shù)，其目的是取消各維數(shù)據(jù)間數(shù)量級別差，避免因為輸入輸出數(shù)據(jù)數(shù)量級差別較大而造成神經(jīng)網(wǎng)絡(luò)預(yù)測誤差較大。

風(fēng)速歸一化：應(yīng)用多年統(tǒng)計的極限風(fēng)速對風(fēng)速數(shù)據(jù)進(jìn)行歸一化處理

（9）

其中，Vg為歸一化處理后的風(fēng)速標(biāo)量值；vt為應(yīng)用于預(yù)測的歷史風(fēng)速值；vmax為風(fēng)場氣象觀測到的歷史最大風(fēng)速，如不超過風(fēng)場風(fēng)機(jī)最大切除風(fēng)速，則取為風(fēng)機(jī)的切除風(fēng)度。

風(fēng)功率歸一化：根據(jù)風(fēng)電機(jī)組額定功率，采用與風(fēng)速歸一化相同的方式，對風(fēng)電機(jī)組歷史出力情況進(jìn)行歸一化，并對網(wǎng)絡(luò)預(yù)測的輸出功率進(jìn)行反歸一化，得到預(yù)測結(jié)果。

1.4 神經(jīng)網(wǎng)絡(luò)的構(gòu)建

首先挑選幾組數(shù)據(jù)風(fēng)功率作為樣本，將每個樣本的前n個風(fēng)速和風(fēng)功率值進(jìn)行歸一化處理，將處理后的數(shù)值作為RBF神經(jīng)網(wǎng)絡(luò)的輸入；可將每個樣本的后n個風(fēng)速和風(fēng)功率值進(jìn)行歸一化處理，將處理后的數(shù)值作為RBF神經(jīng)網(wǎng)絡(luò)的目標(biāo)輸出，通過對RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練學(xué)習(xí)，實現(xiàn)從輸入空間到輸出空間的映射。

2 短期風(fēng)功率預(yù)測結(jié)果

將前10天的風(fēng)功率數(shù)據(jù)作為訓(xùn)練樣本，對風(fēng)機(jī)功率提前1小時進(jìn)行預(yù)測。圖2預(yù)測風(fēng)功率與實測風(fēng)功率比較可知，可以看到神經(jīng)網(wǎng)絡(luò)預(yù)測風(fēng)功率變化趨勢與實際風(fēng)功率變化基本趨勢一致，并且預(yù)測功率比實際功率變化平緩。

神經(jīng)網(wǎng)絡(luò)在風(fēng)功率預(yù)測時，每點(diǎn)的預(yù)報誤差不盡相同，這主要與早晚溫差造成的風(fēng)速突然變化以及當(dāng)天天氣變化情況等有關(guān)，從預(yù)測曲線的總體趨勢以及與實際曲線誤差值大小來看，該神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果基本令人滿意。

3 結(jié)束語

采用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測精度較高、訓(xùn)練速度快，適用于在線預(yù)測的場合。但是由于所用訓(xùn)練數(shù)據(jù)為風(fēng)速相對平穩(wěn)時期的數(shù)據(jù)，所以該模型對于突變風(fēng)速的處理能力仍然有限，為提高預(yù)測結(jié)果的精度，還需對模型進(jìn)行進(jìn)一步改進(jìn)?？傮w而言，通過建立神經(jīng)網(wǎng)絡(luò)模型，對短期風(fēng)功率進(jìn)行預(yù)測，雖有一定局限性，但其預(yù)測精度滿足工程要求。

參考文獻(xiàn)

[1]Tony Burton，等.風(fēng)能技術(shù)[M].北京：科學(xué)出版社，2007.

篇8

【關(guān)鍵詞】神經(jīng)網(wǎng)絡(luò) 手寫 識別系統(tǒng) 應(yīng)用

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

1 聯(lián)機(jī)漢字手寫識別的意義及難點(diǎn)

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

1.1 聯(lián)機(jī)漢字手寫識別的意義

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

1.2 聯(lián)機(jī)手寫漢字識別問題的難點(diǎn)

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

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

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

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

2 人工神經(jīng)網(wǎng)絡(luò)概述

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

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

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

3 人工神經(jīng)網(wǎng)絡(luò)在聯(lián)機(jī)手寫識別系統(tǒng)中的應(yīng)用

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

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

4 總結(jié)

手寫識別系統(tǒng)能夠彌補(bǔ)普通鍵盤的不足，在提高漢字書寫頻率的同時，能夠滿足不同層次人群對計算機(jī)應(yīng)用的技術(shù)需要。基于Hopfield神經(jīng)網(wǎng)絡(luò)的聯(lián)機(jī)手寫識別系統(tǒng)一起自身獨(dú)特的性能，不僅能夠滿足手寫漢字識別的正確率，而且其識別過程速度非常快。因此它對于實現(xiàn)聯(lián)機(jī)手寫識別以及圖像識別具有非常重要的意義。

參考文獻(xiàn)

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

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

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

作者簡介

周珍娟（1979-）， 女，江西撫州人。計算機(jī)專業(yè)碩士。現(xiàn)為江蘇城市職業(yè)學(xué)院講師。主要研究方向為網(wǎng)絡(luò)安全，模式識別。

篇9

關(guān)鍵詞：  人工神經(jīng)網(wǎng)絡(luò)； 應(yīng)用

人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network，ANN)方法自從本世紀(jì)40年代被提出以來，許多從事人工智能、計算機(jī)科學(xué)、信息科學(xué)的科學(xué)家都在對它進(jìn)行研究，已在軍事、醫(yī)療、航天、自動控制、金融等許多領(lǐng)域取得了成功的應(yīng)用。目前出現(xiàn)了許多模仿動物和人的智能形式與功能的某個方面的神經(jīng)網(wǎng)絡(luò)，例如，Grossberg提出的自適應(yīng)共振理論（Adaptive Resonance Theory，ART），T-Kohenen的自組織特征映射網(wǎng)絡(luò)(Self-Organizing feature Map，SOM)，徑向基函數(shù)網(wǎng)絡(luò)（Radial Basis Function，RBF），Hopfield網(wǎng)等。進(jìn)入90年代以后，由于計算機(jī)技術(shù)和信息技術(shù)的發(fā)展，以及各種算法的不斷提出，神經(jīng)網(wǎng)絡(luò)的研究逐漸深化，應(yīng)用面也逐步擴(kuò)大，本研究對常用的神經(jīng)網(wǎng)絡(luò)方法及其在醫(yī)學(xué)領(lǐng)域中的應(yīng)用做一簡單綜述。

    1  自組織特征映射網(wǎng)絡(luò)（self-organizing feature map，SOM）在基因表達(dá)數(shù)據(jù)分析中的應(yīng)用

   1.1   方法介紹

    腦神經(jīng)學(xué)的研究表明，人腦中大量的神經(jīng)元處于空間的不同區(qū)域，有著不同的功能，各自敏感著各自的輸入信息模式的不同特征。芬蘭赫爾辛基大學(xué)神經(jīng)網(wǎng)絡(luò)專家T.Kohonen根據(jù)大腦神經(jīng)系統(tǒng)的這一特性，于1981年提出了自組織特征映射網(wǎng)絡(luò)，它模擬人的大腦，利用競爭學(xué)習(xí)的方式進(jìn)行網(wǎng)絡(luò)學(xué)習(xí)，具有很強(qiáng)的自組織、自適應(yīng)學(xué)習(xí)能力，魯棒性和容錯能力，其理論及應(yīng)用發(fā)展很快，目前已在信息處理、模式識別、圖像處理、語音識別、機(jī)器人控制、數(shù)據(jù)挖掘等方面都有成功應(yīng)用的實例。

    Kohonen網(wǎng)絡(luò)由輸入層和競爭層組成，網(wǎng)絡(luò)結(jié)構(gòu)見圖1。輸入層由N個神經(jīng)元組成，競爭層由M個輸出神經(jīng)元組成，輸入層與競爭層各神經(jīng)元之間實現(xiàn)全互連接，競爭層之間實行側(cè)向連接。設(shè)輸入向量為x=(x1,…,xd)T ，輸出神經(jīng)元j對應(yīng)的權(quán)重向量為wj=(wj1,…,wjd)T ，對每一輸出神經(jīng)元計算輸入向量x 和權(quán)重向量wj 間的距離，據(jù)此利用競爭學(xué)習(xí)規(guī)則對權(quán)向量進(jìn)行調(diào)節(jié)。在網(wǎng)絡(luò)的競爭層，各神經(jīng)元競爭對輸入模式的響應(yīng)機(jī)會，最后僅一個神經(jīng)元成為勝利者，并對與獲勝神經(jīng)元有關(guān)的各權(quán)重朝著更有利于它競爭的方向調(diào)整，這樣在每個獲勝神經(jīng)元附近形成一個“聚類區(qū)”，學(xué)習(xí)的結(jié)果使聚類區(qū)內(nèi)各神經(jīng)元的權(quán)重向量保持與輸入向量逼近的趨勢，從而使具有相近特性的輸入向量聚集在一起，這種自組織聚類過程是系統(tǒng)自主、無教師示教的聚類方法，能將任意維輸入模式在輸出層映射成一維或二維離散圖形，并保持其拓?fù)浣Y(jié)構(gòu)不變。網(wǎng)絡(luò)通過對輸入模式的學(xué)習(xí)，網(wǎng)絡(luò)競爭層神經(jīng)元相互競爭，自適應(yīng)地形成對輸入模式的不同響應(yīng)，模擬大腦信息處理的聚類功能、自組織、自學(xué)習(xí)功能，實現(xiàn)用低維目標(biāo)空間的點(diǎn)去表示高維原始空間的點(diǎn)，其工作原理和聚類算法及改進(jìn)方法參見相關(guān)文獻(xiàn)［1］。

    1.2  應(yīng)用

    基因芯片技術(shù)的應(yīng)用使得人們可以從基因水平探討疾病的病因及預(yù)后，而基因芯片產(chǎn)生的數(shù)據(jù)具有高維度（變量多）、樣本量小、高噪聲的特點(diǎn)，樣本量遠(yuǎn)小于變量數(shù)，如何從海量的數(shù)據(jù)中挖掘信息或知識成為重大課題。聚類分析是數(shù)據(jù)挖掘中的一類重要技術(shù)，傳統(tǒng)方法主要有系統(tǒng)聚類、k-means聚類等，但在處理復(fù)雜非線性關(guān)系及變量間的交互作用時效果較差，受異常值影響較大。近年來神經(jīng)網(wǎng)絡(luò)技術(shù)法成為聚類領(lǐng)域的研究熱點(diǎn)，其中自組織特征映射網(wǎng)絡(luò)由于其良好的自適應(yīng)性，其算法對基因表達(dá)數(shù)據(jù)的聚類有較高的穩(wěn)定性和智能性，尤其在處理基因表達(dá)中有缺失數(shù)據(jù)及原始空間到目標(biāo)空間存在非線性映射結(jié)構(gòu)時有較好的體現(xiàn)，適用于復(fù)雜的多維數(shù)據(jù)的模式識別和特征分類等探索性分析，同時可實現(xiàn)聚類過程和結(jié)果的可視化［2］。目前Kohonen網(wǎng)絡(luò)已被成功用到許多基因表達(dá)數(shù)據(jù)的分析中，Jihua Huang等［3］設(shè)計6×6的網(wǎng)絡(luò)對酵母細(xì)胞周期數(shù)據(jù)進(jìn)行分析，總正確率為67.7%；曹暉等［4］將其算法改進(jìn)后用在酵母菌基因表達(dá)數(shù)據(jù)中，總正確率高達(dá)84.73%，有較高的聚類效能；鄧慶山［5］將該模型與K平均值聚類方法結(jié)合用于公開的結(jié)腸基因表達(dá)數(shù)據(jù)集和白血病基因表達(dá)數(shù)據(jù)集，聚類的準(zhǔn)確率分別為94.12%和90.32%。目前Kohonen網(wǎng)絡(luò)在醫(yī)學(xué)領(lǐng)域中主要應(yīng)用前景有：① 發(fā)現(xiàn)與疾病相關(guān)的新的未知基因，對目標(biāo)基因進(jìn)一步研究，提高診斷的正確率，并對藥物的開發(fā)研究提供重要的線索；② 對腫瘤組織的基因表達(dá)譜數(shù)據(jù)聚類，以期發(fā)現(xiàn)新的、未知的疾病亞型（腫瘤亞型），以便提出更加有針對性的治療方案，為從分子水平對疾病分型、診斷、預(yù)后等提供依據(jù)；③ 發(fā)現(xiàn)與已知基因有相似功能的基因，為推斷未知基因的可能功能提供線索。

    2  BP神經(jīng)網(wǎng)絡(luò)在醫(yī)學(xué)研究中的應(yīng)用

    2.1  BP神經(jīng)網(wǎng)絡(luò)在疾病輔助診斷中的應(yīng)用

    2.1.1  方法介紹

    BP神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用最多的神經(jīng)網(wǎng)絡(luò)，一般由一個輸入層（input layer）、一個輸出層（output layer）、一個或幾個中間層（隱層）組成。每一層可包含一個或多個神經(jīng)元，其中每一層的每個神經(jīng)元和前一層相連接，同一層之間沒有連接。輸入層神經(jīng)元傳遞輸入信息到第一隱層或直接傳到輸出層，隱層的神經(jīng)元對輸入層的信息加權(quán)求和，加一個常數(shù)后，經(jīng)傳遞函數(shù)運(yùn)算后傳到下一個隱層（或輸出層），常用的傳遞函數(shù)是logistic函數(shù)，即Φh=1/(1+exp(-z)) ，輸出層神經(jīng)元對前一層的輸入信息加權(quán)求和經(jīng)傳遞函數(shù)Φ0 （線性或logistic函數(shù)或門限函數(shù)）運(yùn)算后輸出，BP神經(jīng)網(wǎng)絡(luò)一般采用BP算法訓(xùn)練網(wǎng)絡(luò)，關(guān)于BP算法及改進(jìn)可參考相關(guān)文獻(xiàn)［1］。

篇10

本文調(diào)查了國內(nèi)外電動機(jī)各種保護(hù)方法和各類保護(hù)裝置的研究發(fā)展?fàn)顩r，結(jié)合實際情況，提出了一種通過人工神經(jīng)網(wǎng)絡(luò)預(yù)測電機(jī)繞組溫升的方案，由PC機(jī)通過RS485總線實時讀取下位機(jī)采集的電機(jī)運(yùn)行參數(shù)，進(jìn)行溫升預(yù)測，并將預(yù)測結(jié)果傳輸回下位機(jī)，從而實現(xiàn)了對電動機(jī)長期穩(wěn)定負(fù)載運(yùn)行的過載保護(hù)。

關(guān)鍵詞

電機(jī)保護(hù)；溫升預(yù)測

電動機(jī)是一種電能到機(jī)械能的能量轉(zhuǎn)換設(shè)備，是現(xiàn)代社會生產(chǎn)中的主要動力形式。在產(chǎn)業(yè)部門中，以電動機(jī)作動力的比例已占全部動力的90%。在電動機(jī)實際使用過程當(dāng)中，惡劣的運(yùn)行環(huán)境和超負(fù)荷的運(yùn)行時間是導(dǎo)致電動機(jī)故障頻繁的主要原因。因此電動機(jī)的保護(hù)尤其是對大型電動機(jī)保護(hù)的開發(fā)研究對國民經(jīng)濟(jì)有著重要的意義。

1電動機(jī)保護(hù)的發(fā)展趨勢

可以預(yù)測,應(yīng)用電動機(jī)內(nèi)部故障分析和利用先進(jìn)信號處理方法進(jìn)行精確的故障特征量追蹤捕捉這兩者的有效結(jié)合，再加上業(yè)內(nèi)已成熟的微機(jī)保護(hù)技術(shù)，可以將大型電動機(jī)的故障診斷、故障保護(hù)等功能綜合于一體，實現(xiàn)電動機(jī)運(yùn)行全過程的在線監(jiān)測、故障診斷與保護(hù)。

2神經(jīng)網(wǎng)絡(luò)溫升預(yù)測設(shè)計

2.1神經(jīng)網(wǎng)絡(luò)算法

2.1.1BP算法設(shè)含有共L層和n個節(jié)點(diǎn)的一個任意網(wǎng)絡(luò)，每層單元只接受前一層的輸出信息并輸給下一層各單元，各節(jié)點(diǎn)的特性為Sigmoid型。

2.1.2改進(jìn)的BP算法

鑒于改進(jìn)的算法利用目標(biāo)函數(shù)的二階導(dǎo)數(shù)信息。常用改進(jìn)BP算法和標(biāo)準(zhǔn)BP算法進(jìn)行比較，各改進(jìn)BP算法比標(biāo)準(zhǔn)BP算法有不同程度的改善。LM(Levenberg-Marquardt)算法是為了訓(xùn)練中等規(guī)模的前饋神經(jīng)網(wǎng)絡(luò)（多達(dá)算百個連接權(quán)）而提出的最快速算法。目前LM算法在訓(xùn)練速度上是最快的，并且它所達(dá)到的訓(xùn)練平均誤差和收斂精度較其他算法具有明顯的優(yōu)勢。

2.2神經(jīng)網(wǎng)絡(luò)在電機(jī)繞組溫升預(yù)測中的應(yīng)用

2.2.1電機(jī)熱過載保護(hù)的現(xiàn)狀熱過載保護(hù)是電機(jī)保護(hù)研究中的熱點(diǎn)和難點(diǎn)。國內(nèi)外不少的研究工作者一直在從事電動機(jī)過載保護(hù)的研究，提出不少的保護(hù)方案，概括起來分為兩大類：直接測溫法和間接測溫法。直接測溫法就是把溫感裝置（如熱電阻、熱電偶和溫度繼電器等）直接埋入電動機(jī)繞組的熱點(diǎn)進(jìn)行檢測，當(dāng)溫度達(dá)到長期使用允許溫度時，就令繼電器動作斷開電動機(jī)的控制回路，從而達(dá)到保護(hù)電動機(jī)的目的。間接測溫法是在電動機(jī)外部通過檢測一些相關(guān)參數(shù)來計算電動機(jī)的溫度。

2.2.2神經(jīng)網(wǎng)絡(luò)預(yù)測繞組溫升方法鑒于直接測溫法和間接測溫法各自存在不足，本文探索了一種通過采用神經(jīng)網(wǎng)絡(luò)預(yù)測繞組溫升來完成對電動機(jī)長期穩(wěn)定負(fù)載運(yùn)行進(jìn)行過載保護(hù)的方法。

（1）訓(xùn)練樣本的數(shù)據(jù)處理實現(xiàn)神經(jīng)網(wǎng)絡(luò)對電機(jī)進(jìn)行溫升預(yù)測關(guān)鍵的一步是采集訓(xùn)練樣本并且進(jìn)行必要的數(shù)據(jù)處理。以電動機(jī)為例進(jìn)行分析。電機(jī)的具體參數(shù)如下：Pe=220kW，Ue=6kV，Ie=26.7A，n=2976rpm，f=50Hz，絕緣等級F級。通過對電動機(jī)進(jìn)行溫升試驗，采集了從額定電流(26.7A)到堵轉(zhuǎn)電流(150A)共20組不同的數(shù)據(jù)。表1給出了訓(xùn)練網(wǎng)絡(luò)和測試網(wǎng)絡(luò)的數(shù)據(jù)分配情況。其中15組用于訓(xùn)練網(wǎng)絡(luò)，其余幾組用于測試訓(xùn)練后的網(wǎng)絡(luò)的正確性與適用性，將采集到的15組訓(xùn)練數(shù)據(jù)，繪制成曲線，如圖1。

（2）電機(jī)長期穩(wěn)定負(fù)載運(yùn)行繞組溫升預(yù)測的網(wǎng)絡(luò)結(jié)構(gòu)由于本系統(tǒng)研究的長期穩(wěn)定負(fù)載運(yùn)行情況下，電動機(jī)的過載溫升，所以電源電壓、電源頻率、功率因數(shù)都可認(rèn)為保持不變，而僅將電流、環(huán)境溫度和轉(zhuǎn)速作為變量。同時考慮到影響轉(zhuǎn)速的三個要素電流、頻率和電壓，有兩個因素近似認(rèn)為不變，因此轉(zhuǎn)速和電流存在著很強(qiáng)的相關(guān)性，兩者不必都作為輸入變量，只選擇電流作為輸入變量即可。通過以上分析可以將溫升預(yù)測系統(tǒng)簡化成輸入為電流和當(dāng)前溫度的雙輸入單輸出的三層BP網(wǎng)絡(luò)。這樣，就可以使基于神經(jīng)網(wǎng)絡(luò)的電動機(jī)長期穩(wěn)定負(fù)載運(yùn)行繞組溫升預(yù)測的設(shè)計在對電機(jī)進(jìn)行過載保護(hù)方面充分發(fā)揮作用。

3總結(jié)