導(dǎo)語(yǔ)：如何才能寫(xiě)好一篇神經(jīng)網(wǎng)絡(luò)實(shí)驗(yàn)總結(jié)，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

關(guān)鍵詞：BP算法 訓(xùn)練樣本 小車(chē)自動(dòng)尋徑

中圖分類號(hào)：TP273.3 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9416（2013）07-0102-02

1 引言

隨著生產(chǎn)技術(shù)的發(fā)展和自動(dòng)化程度的提高，在自動(dòng)化領(lǐng)域中，許多復(fù)雜性操作或?qū)θ梭w有害的工作都由機(jī)器自動(dòng)完成，為了實(shí)現(xiàn)這一工作，機(jī)器就必須具有智能性。

人工神經(jīng)網(wǎng)絡(luò)是由人工神經(jīng)元（簡(jiǎn)稱神經(jīng)元）互連組成的網(wǎng)絡(luò)，以大規(guī)模模擬并行處理為主，具有很強(qiáng)的魯棒性和容錯(cuò)性自學(xué)習(xí)能力，是一個(gè)大規(guī)模自適應(yīng)非線性動(dòng)力系統(tǒng)；具有集體運(yùn)算的能力。多層前向神經(jīng)網(wǎng)絡(luò)（BP網(wǎng)絡(luò)）是神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)形式中應(yīng)用較多的自學(xué)設(shè)計(jì)方法之一。BP算法可以通過(guò)已知數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)模型，應(yīng)用于對(duì)未知數(shù)據(jù)的預(yù)測(cè)[3]。因此能很好的應(yīng)用于小車(chē)自動(dòng)尋徑，使小車(chē)具有智能性。

2 BP算法神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)（Back-Propagation networks）包括三個(gè)層次：輸入層、隱含層、輸出層[2]。

2.1 BP算法流程簡(jiǎn)述

BP神經(jīng)網(wǎng)絡(luò)的本質(zhì)是誤差反向傳輸?shù)亩鄬忧梆伨W(wǎng)絡(luò)，BP算法的基本思想是，學(xué)習(xí)過(guò)程由信號(hào)的正向傳播與誤差的反向傳播兩個(gè)過(guò)程組成。正向傳播時(shí)，先自行對(duì)權(quán)重進(jìn)行初始化，輸入樣本從輸入層傳入，經(jīng)各隱層逐層處理后，傳向輸出層，如圖1為BP神經(jīng)網(wǎng)絡(luò)模型[3]，若輸出層的實(shí)際輸出與期望的輸出（理想輸出）不符，則轉(zhuǎn)入誤差的反向傳播階段。

2.2 隱層神經(jīng)元個(gè)數(shù)的確定

一般情況下，隱層神經(jīng)元個(gè)數(shù)是根據(jù)網(wǎng)絡(luò)收斂性能的好壞來(lái)確定的，在總結(jié)大量網(wǎng)絡(luò)結(jié)構(gòu)的基礎(chǔ)上，在單隱層神經(jīng)網(wǎng)絡(luò)中，得出以下經(jīng)驗(yàn)公式：

其中，為輸入層神經(jīng)元個(gè)數(shù)，為輸出層神經(jīng)元個(gè)數(shù)。

3 創(chuàng)建BP神經(jīng)網(wǎng)絡(luò)模型

3.1 問(wèn)題描述

隨機(jī)的繪制一張彩色地圖，地圖中有各種顏色的建筑和一條貫穿的公路（白色），引入BP神經(jīng)網(wǎng)絡(luò)，使該小車(chē)具有一定的智能，可以自動(dòng)地判斷前方是否為公路，進(jìn)而沿著公路從地圖的一端走到另一端。本次實(shí)驗(yàn)所用的地圖如圖2所示（地圖及小車(chē)由本人按照一定的比例用電腦的畫(huà)圖工具所畫(huà)）：

3.2 地圖及小車(chē)圖片的灰度化

由于Matlab默認(rèn)為rgb模式打開(kāi)圖片，故為了更簡(jiǎn)單的解決問(wèn)題，必須對(duì)圖片進(jìn)行灰度處理，處理之后地圖及小車(chē)分別為520*1100和20*25維矩陣。

3.3 地圖及小車(chē)圖片的二值化

為了BP網(wǎng)絡(luò)更好的收斂，需對(duì)相應(yīng)圖片進(jìn)行二值化處理，如圖3所示。由于本次實(shí)驗(yàn)公路為白色，小車(chē)為黑色。故將地圖中除公路以外的部分的像素值置為0，公路上的像素值置為255，小車(chē)的像素值置為255。

所以，在小車(chē)的“眼里”，世界是黑白的。如下圖：

3.4 小車(chē)的視野

小車(chē)必須有一定的視野，可以“看到”前方的路況，否則當(dāng)小車(chē)發(fā)現(xiàn)情況不妙準(zhǔn)備轉(zhuǎn)彎的時(shí)候就已經(jīng)撞到路邊了。本次實(shí)驗(yàn)取的小車(chē)的視野為小車(chē)前方和左右方30像素范圍，這樣小車(chē)可以“預(yù)感到”自己前方和左右方向上的路況，進(jìn)而及早調(diào)整方向。

3.5 訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)

訓(xùn)練樣本作為BP網(wǎng)絡(luò)的輸入數(shù)據(jù)集，對(duì)于網(wǎng)絡(luò)的訓(xùn)練具有重要的作用[4]，本文建立單隱層BP神經(jīng)網(wǎng)絡(luò)，訓(xùn)練樣本選取為小車(chē)在地圖上某個(gè)方位的對(duì)應(yīng)位置的差矩陣，共20個(gè)樣本，其中10個(gè)是對(duì)的樣本（即小車(chē)在公路上），10個(gè)為錯(cuò)的樣本（即小車(chē)的車(chē)體不完全在路面上）。這樣輸入的樣本矩陣的大小即為小車(chē)圖片對(duì)應(yīng)的像素矩陣的大小，為20*25，故輸入層神經(jīng)元個(gè)數(shù)取為500。輸出層只有兩種情況，在公路上為對(duì)，不在公路上為錯(cuò)，故輸出層神經(jīng)元個(gè)數(shù)為2。

由式（2）可得隱層神經(jīng)元的個(gè)數(shù)為42，選取誤差精度10-4，初始學(xué)習(xí)速率0.5，初始權(quán)值為（-1，1）區(qū)間內(nèi)隨機(jī)值。

經(jīng)過(guò)245次訓(xùn)練以后，總體期望誤差達(dá)到了給定范圍，網(wǎng)絡(luò)訓(xùn)練過(guò)程中的誤差變化曲線[15]如圖4所示。

4 實(shí)驗(yàn)結(jié)果

所有算法均在MATLAB R2009a中運(yùn)行，微機(jī)配置為Core Processor 4000+2.10GHz，內(nèi)存為2G。

用前面選出的訓(xùn)練樣本對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，訓(xùn)練之后小車(chē)即具有了一定的智能，可以識(shí)別前方和左右方的路況，實(shí)驗(yàn)結(jié)果表明，小車(chē)可以很好的沿著公路從地圖的一側(cè)行駛到另一側(cè)。

5 結(jié)論

通過(guò)對(duì)BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練后，小車(chē)可以正確地沿著公路地圖的一側(cè)行駛到另一側(cè)，說(shuō)明BP神經(jīng)網(wǎng)絡(luò)可以很好地應(yīng)用于路徑識(shí)別和自動(dòng)駕駛領(lǐng)域。

參考文獻(xiàn)

[1] 楊國(guó)才，王建峰，王玉昆.基于Web的遠(yuǎn)程自學(xué)型教學(xué)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J].計(jì)算機(jī)應(yīng)用， 2000，20（4）：61-63.

[2] 安淑芝.數(shù)據(jù)倉(cāng)庫(kù)與數(shù)據(jù)挖掘[M].北京：清華大學(xué)出版社， 2005：100-101.

[3] 蔡自興，徐光佑.人工智能及其應(yīng)用[M].北京：清華大學(xué)出版社， 2003.

篇2

【關(guān)鍵詞】深度學(xué)習(xí) 卷積神經(jīng)網(wǎng)絡(luò) 權(quán)值共享 下采樣 R-CNN Fast-R-CNN

1 緒論

隨著電子信息技術(shù)的快速發(fā)展，芯片的設(shè)計(jì)與生產(chǎn)進(jìn)入了納米時(shí)代，計(jì)算機(jī)的計(jì)算能力與計(jì)算速度得到了空前的提高，但是人們的需求是無(wú)限的，要求計(jì)算機(jī)能更加任性化的服務(wù)于我們的生活，這也就要求計(jì)算機(jī)本身能像人一樣識(shí)別與感知周?chē)沫h(huán)境，并對(duì)復(fù)雜的環(huán)境做出正確的判斷。而圖片信息是我們周?chē)h(huán)境最直觀的，最容易獲取的信息，要求計(jì)算機(jī)能對(duì)為的環(huán)境做出識(shí)別與判斷也就要求計(jì)算機(jī)能夠智能的識(shí)別圖像信息。深度學(xué)習(xí)是機(jī)器學(xué)習(xí)中的一個(gè)新的研究領(lǐng)域。通過(guò)深度學(xué)習(xí)的方法構(gòu)建深度網(wǎng)絡(luò)來(lái)抽取目標(biāo)特征進(jìn)而識(shí)別周?chē)沫h(huán)境。卷積神經(jīng)網(wǎng)絡(luò)對(duì)圖像的處理具有平移，旋轉(zhuǎn)，扭曲不變的優(yōu)良特性。在處理圖像是更加快捷和便利。卷積神經(jīng)網(wǎng)絡(luò)使得計(jì)算機(jī)在感知識(shí)別周?chē)h(huán)境的能力有了巨大的提升，使得計(jì)算機(jī)更加智能。卷積神經(jīng)網(wǎng)絡(luò)擁有強(qiáng)大的特征提取能力，使得其在圖像分類識(shí)別，目標(biāo)跟蹤等領(lǐng)域有著強(qiáng)大的運(yùn)用。

1.1 國(guó)內(nèi)外研究現(xiàn)狀

1986年，Rumelhart和Mc Celland提出BP算法。BP算法反向傳導(dǎo)神經(jīng)網(wǎng)絡(luò)輸出誤差進(jìn)行訓(xùn)練神經(jīng)網(wǎng)絡(luò)。通過(guò)BP算法，神經(jīng)網(wǎng)絡(luò)能夠從大量訓(xùn)練數(shù)據(jù)中的學(xué)習(xí)到相關(guān)統(tǒng)計(jì)信息，學(xué)習(xí)到的數(shù)據(jù)統(tǒng)計(jì)信息能夠反映關(guān)于輸入-輸出數(shù)據(jù)模型的函數(shù)映射關(guān)系。

自2006年以來(lái)，Geoffery Hinton教授提出深度信念網(wǎng)絡(luò)。從此深度學(xué)習(xí)在學(xué)術(shù)界持續(xù)升溫。深度學(xué)習(xí)不僅改變著傳統(tǒng)的機(jī)器學(xué)習(xí)方法，也影響著我們對(duì)人類感知的理解，迄今已在語(yǔ)音識(shí)別和圖像理解等應(yīng)用領(lǐng)域引起了突破性的變革。各種相關(guān)的算法和模型都取得了重要的突破，使得深度學(xué)習(xí)在圖像分類，語(yǔ)音識(shí)別，自然語(yǔ)言處理等領(lǐng)域有廣泛的運(yùn)用。

2013年百度成立百度深度學(xué)習(xí)研究院以來(lái)我國(guó)的人工智能領(lǐng)域取得了長(zhǎng)足的進(jìn)步。在人工智能專家吳恩達(dá)的帶領(lǐng)下，百度陸續(xù)推出一系列人工智能產(chǎn)品，無(wú)人駕駛技術(shù)，DuerOS語(yǔ)音交互計(jì)算平臺(tái)，人臉識(shí)別技術(shù)，美樂(lè)醫(yī)等優(yōu)秀產(chǎn)品。此外Imagenet圖像識(shí)別大賽中也誕生了一系列經(jīng)典的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，VGG，F(xiàn)ast-R-CNN，SPP-net等等，可以說(shuō)人工智能技術(shù)在近幾年得到了空前的發(fā)展。

2 深度學(xué)習(xí)概述

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)新方向，通過(guò)學(xué)習(xí)樣本數(shù)據(jù)內(nèi)在規(guī)律和深層特征深度，深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)能夠像人一樣有分析和學(xué)的能力，尤其在文字處理，圖像識(shí)別，語(yǔ)音等領(lǐng)域更加突出。能夠自主學(xué)習(xí)一些新的東西。目前深度學(xué)習(xí)使用的典型技術(shù)是通過(guò)特征表達(dá)和分類器來(lái)進(jìn)行目標(biāo)識(shí)別等任務(wù)的。并在語(yǔ)音識(shí)別、圖像處理、機(jī)器翻譯等領(lǐng)域取得很多成果。

深度學(xué)習(xí)不同于以往的淺層學(xué)習(xí)，淺層學(xué)習(xí)模型值包含一個(gè)隱藏層，或者不存在隱藏層，深度學(xué)習(xí)則是由很多隱藏層組成的，上一層的輸出作為下一層的輸入，實(shí)驗(yàn)對(duì)輸入信息進(jìn)行分級(jí)表達(dá)。目前深度學(xué)習(xí)框架主要包含三種深度學(xué)習(xí)框架，如圖1、2、3所示。

3 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)層次比傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)復(fù)雜，卷積神經(jīng)網(wǎng)絡(luò)包含大量的隱藏層，相鄰的卷積核或者下采樣核采用局部感受野全鏈接，神經(jīng)元權(quán)值共享的規(guī)則，因此卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練參數(shù)的數(shù)量遠(yuǎn)比傳統(tǒng)神經(jīng)網(wǎng)絡(luò)少，卷積神經(jīng)網(wǎng)絡(luò)在訓(xùn)練和前向測(cè)試的復(fù)雜度大幅度降低，同時(shí)也減少了神經(jīng)網(wǎng)絡(luò)訓(xùn)練參數(shù)過(guò)擬合的幾率。卷積神經(jīng)網(wǎng)絡(luò)主要有兩部分，分別是卷積核和下采樣核。卷積核主要對(duì)上一層的圖像進(jìn)行卷積運(yùn)算，提取圖像特征，下采樣核則是對(duì)上層的數(shù)據(jù)進(jìn)行將為處理，減少神經(jīng)網(wǎng)絡(luò)的復(fù)雜度。

卷積神經(jīng)網(wǎng)絡(luò)中每一個(gè)神經(jīng)元的輸入與前一層的局部感受野相連，提取局部感受野的特征，比如圖像的輪廓，顏色等特征，而這些特征不僅包括傳統(tǒng)人類能理解的特征，也包括神經(jīng)網(wǎng)絡(luò)自身能夠識(shí)別的特征，卷積核全職共享，因此這些特征提取與圖像的位置無(wú)關(guān)。

圖4是經(jīng)典的LeNet5卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)，LeNet5架構(gòu)中卷積核和下采樣核交替出現(xiàn)，下采樣核及時(shí)的將卷積核生成的特征向量進(jìn)行降維，減少神經(jīng)網(wǎng)絡(luò)的運(yùn)算量。LeNet5算法在1962年幼Hubel等人提出，在識(shí)別手寫(xiě)數(shù)字mnist中有極高的準(zhǔn)確率。

4 R-CNN、Fast-R-CNN對(duì)比分析

卷積神經(jīng)網(wǎng)絡(luò)在對(duì)圖像進(jìn)行識(shí)別具有平移，旋轉(zhuǎn)，扭曲不變的優(yōu)良特性，并且能夠?qū)崿F(xiàn)高準(zhǔn)確率識(shí)別圖像，但是在現(xiàn)實(shí)生活運(yùn)用中往往需要神經(jīng)網(wǎng)絡(luò)標(biāo)記出目標(biāo)的相對(duì)位置，這是傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)不具備的功能。因此在前人傳統(tǒng)卷積神經(jīng)網(wǎng)路基礎(chǔ)上對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)，產(chǎn)生了具有對(duì)圖像中目標(biāo)進(jìn)行識(shí)別和定位的卷積神經(jīng)網(wǎng)絡(luò)R-CNN，F(xiàn)ast-R-CNN等改良算法。

4.1 R-CNN

R-CNN為Region Convoluntional Neural Network的縮寫(xiě)即對(duì)圖像進(jìn)行局部區(qū)域的卷積處理，其核心思想主要是利用候選區(qū)圖像對(duì)物體探測(cè)中位置信息進(jìn)行精確處理和利用監(jiān)督式預(yù)訓(xùn)練和區(qū)域特殊化的微調(diào)方法，代替了傳統(tǒng)的非監(jiān)督式預(yù)訓(xùn)練和監(jiān)督式微調(diào)。

在CNN中，全連接層輸入是固定大小的，因此R-CNN用計(jì)算機(jī)視覺(jué)算法將每一張圖片分割成1000-2000張的候選區(qū)圖片后，要將這些候選區(qū)圖片進(jìn)行變換，生成固定大小的候選圖片，在訓(xùn)練提取特征時(shí)一般采用經(jīng)過(guò)預(yù)訓(xùn)練的模型參數(shù)進(jìn)行finetuning，榱嗽黽友盜費(fèi)本，模型在也將生成的候選框以及標(biāo)定的標(biāo)簽作為訓(xùn)練樣本進(jìn)行訓(xùn)練。R-CNN采用SVMs分類器對(duì)特征向量進(jìn)行分類，在訓(xùn)練SVMs時(shí)將候選框經(jīng)過(guò)卷積神經(jīng)網(wǎng)絡(luò)提取的特征和SVM標(biāo)定結(jié)果輸入到SVMs分類器訓(xùn)練分類器模型。而在測(cè)試時(shí)將圖像全部候選框經(jīng)過(guò)卷積神經(jīng)網(wǎng)絡(luò)提取的特征輸入到SVMs分類器中，得到每一類的評(píng)分結(jié)果。但是R-CNN在處理一張圖片是要處理需要對(duì)一張圖片1000-2000個(gè)候選區(qū)圖像進(jìn)行前向運(yùn)算，保存所有后選取圖片的特征值，要求計(jì)算硬件有大量的存儲(chǔ)空間，同時(shí)處理每一張圖片的時(shí)間也會(huì)增加。由于訓(xùn)練集龐大，本文采用hard negative mining method方法提高存儲(chǔ)的利用率。

R-CNN的體現(xiàn)出了極大的優(yōu)勢(shì)，其中MAP也可以大幅度提高，但是正如本文上述，R-CNN計(jì)算的時(shí)間成本很大，達(dá)不到實(shí)時(shí)的計(jì)算效果，R-CNN在對(duì)候選區(qū)進(jìn)行處理時(shí)會(huì)使得圖像失真，部分信息丟失。

4.2 Fast-R-CNN

Fast-R-CNN則是再次改進(jìn)的一種基于卷積神經(jīng)網(wǎng)絡(luò)目標(biāo)跟蹤定位算法。相比于R-CNN，F(xiàn)ast-R-CNN從單輸入變?yōu)殡p輸入，在全連接層后有了兩個(gè)輸出，引入了Rol層。

Fast-R-CNN在運(yùn)行的時(shí)候同樣會(huì)生成大量的候選區(qū)，同時(shí)將原始的圖片用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取，將原始圖片提取的特征與生成的候選區(qū)坐標(biāo)送入Rol層為每一個(gè)候選區(qū)生成一個(gè)固定大小的特征向量。最后將Rol生成的特征向量全連接層產(chǎn)生最終的LOSS。Fast-R-CNN中的LOSS采用多LOSS模式，SoftMax LOSS用于計(jì)算K+1分類的損失，K為第K個(gè)目標(biāo)，1為背景；Regression LOSS計(jì)算候選區(qū)的四個(gè)角的坐標(biāo)。

Fast-R-CNN在MAP上有了大幅度的提升，速度也得到了提升，但是在計(jì)算候選區(qū)是仍存在瓶頸，這也是限制Fast-R-CNN速度的因素。

5 實(shí)驗(yàn)測(cè)試

對(duì)于本文提出的卷積神經(jīng)網(wǎng)絡(luò)識(shí)別圖像定位圖像目標(biāo)算法R-CNN，F(xiàn)ast-R-CNN，在本章給出實(shí)驗(yàn)結(jié)果。實(shí)驗(yàn)平臺(tái)為基于Linux系統(tǒng)的debian8下運(yùn)行caffe進(jìn)行訓(xùn)練，采用顯卡K620進(jìn)行實(shí)驗(yàn)。

訓(xùn)練模型初始化參數(shù)在是服從高斯隨機(jī)分布，R-CNN采用的網(wǎng)絡(luò)結(jié)構(gòu)如圖7所示，F(xiàn)ast-R-CNN的網(wǎng)絡(luò)結(jié)構(gòu)如圖8所示。

本次實(shí)現(xiàn)的訓(xùn)練樣本為錄制實(shí)驗(yàn)室視頻數(shù)據(jù)，將視頻數(shù)據(jù)轉(zhuǎn)換成幀圖片，對(duì)每張圖片數(shù)據(jù)進(jìn)行裁剪，裁剪后圖像大小在256*256，共有500張，再將裁剪后的圖片進(jìn)行旋轉(zhuǎn)，平移，扭曲，鏡像，加噪聲等處理，最后生成144萬(wàn)張樣本圖片，其中136.8萬(wàn)張圖片作為訓(xùn)練樣本，7.2萬(wàn)張作為測(cè)試樣本。

6 總結(jié)

在目標(biāo)識(shí)別定位領(lǐng)域，卷積神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的圖像處理能力，對(duì)圖像的識(shí)別定位具有很高度平移，旋轉(zhuǎn)，扭曲不變形的優(yōu)良性能。卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)R-CNN和Fast-R-CNN都有強(qiáng)大的圖像處理能力。Fast-R-CNN在識(shí)別準(zhǔn)確率上比R-CNN高。R-CNN算法復(fù)雜，對(duì)一張圖片需要進(jìn)行1000-2000次的卷積運(yùn)算，特征重復(fù)提取。因此在訓(xùn)練和前向測(cè)試時(shí)，R-CNN用的時(shí)間長(zhǎng)，不能很好的適用于處理實(shí)時(shí)圖片數(shù)據(jù)，尤其視頻數(shù)據(jù)。R-CNN在對(duì)每個(gè)候選區(qū)進(jìn)行特征提取之后需要將提取的特征向量存入內(nèi)存，降低訓(xùn)練測(cè)試時(shí)間的同時(shí)也需要耗費(fèi)大量?jī)?nèi)存。因此從各方面分析可知，F(xiàn)ast-R-CNN性能優(yōu)于R-CNN。

參考文獻(xiàn)

[1]謝寶劍.基于卷積神經(jīng)網(wǎng)絡(luò)圖像分類方法研究[D].合肥工業(yè)大學(xué)，2015.

[2]鄭胤，陳權(quán)崎，章毓晉.深度學(xué)習(xí)及其在目標(biāo)和行為識(shí)別中的新進(jìn)展[J].中國(guó)圖象圖形學(xué)報(bào)，2014（02）：175-184.

[3]陳先昌.基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)算法與運(yùn)用研究[D].杭州：浙江工商大學(xué)，2006（04）：603-617.

[4]李彥冬，郝宗波，雷航等.卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J].計(jì)算機(jī)應(yīng)用，2016.

[5]Gibson.J J.The perception of the Visual World[J].Cambridge，England，1950.

[6]HORN B，SCHUNCK P.Determining optical flow[J].Artificial Intelligence， 1981，17：185-203.

[7]R.Girshick，J.Donahue，T. Darrell，and J.Malik，“Rich feature hierarchies for accurate object detection and semantic segmentation，”in CVPR，2014

[8]Ross Girshick，Wicrosoft Research. Fast R-CNN，.

[9]R.Girshick.Fast R-CNN. arXiv：1504.08083，2015.

篇3

1.1人工神經(jīng)網(wǎng)絡(luò)基本原理

人工神經(jīng)網(wǎng)絡(luò)是一個(gè)并行的分布式數(shù)據(jù)處理與決策系統(tǒng)，將人工神經(jīng)網(wǎng)絡(luò)理論應(yīng)用到故障診斷當(dāng)中，不僅能夠提高診斷的數(shù)據(jù)處理速度和診斷精度，而且還能夠按照人們的設(shè)定對(duì)特定工作環(huán)境進(jìn)行學(xué)習(xí)，具有良好的環(huán)境適應(yīng)能力。人工神經(jīng)網(wǎng)絡(luò)的模型時(shí)模擬人類的大腦結(jié)構(gòu)和工作原理進(jìn)行信息處理的，其基本單元是神經(jīng)元其中，wi表示每個(gè)輸入xi所占的權(quán)重，當(dāng)wi為正數(shù)時(shí)表示該輸入xi對(duì)神經(jīng)元產(chǎn)生激勵(lì)，為負(fù)數(shù)時(shí)代表該輸入對(duì)神經(jīng)元產(chǎn)生抑制。其中f(x)是一個(gè)非線性函數(shù)，可以是閾值函數(shù)或者Sigmoid函數(shù)中的一種，標(biāo)準(zhǔn)的BP神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層和輸出層三層神經(jīng)元結(jié)構(gòu)構(gòu)成，其結(jié)構(gòu)如圖3所示。BP神經(jīng)網(wǎng)絡(luò)通過(guò)輸出層神經(jīng)元的逐層向前傳播，以將輸出誤差“分?jǐn)?rdquo;隱含層和輸入層的每個(gè)神經(jīng)元，進(jìn)而得到各個(gè)層單元的參考誤差和相應(yīng)的權(quán)值，最終使誤差加權(quán)值能夠滿足系統(tǒng)的誤差要求。

1.2決策樹(shù)

決策樹(shù)是從一些雜亂無(wú)章的數(shù)據(jù)中通過(guò)層層歸納總結(jié)，得到最終決策結(jié)果的過(guò)程，它的結(jié)構(gòu)是自上而下的，在每一個(gè)節(jié)點(diǎn)處都要進(jìn)行屬性判斷，每一個(gè)分支表示數(shù)據(jù)流的通路，每個(gè)分支的終點(diǎn)表示決策的一類屬性。決策樹(shù)的基本結(jié)構(gòu)如圖4所示。

2故障診斷系統(tǒng)設(shè)計(jì)

故障診斷系統(tǒng)將人工神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用到專家系統(tǒng)，使系統(tǒng)具有了良好的學(xué)習(xí)功能，能夠很好的適應(yīng)礦井下復(fù)雜的工作環(huán)境，實(shí)現(xiàn)對(duì)采礦機(jī)械系統(tǒng)故障準(zhǔn)確診斷的目的。

2.1建立訓(xùn)練樣本

實(shí)驗(yàn)以河南平頂山煤礦的一款煤炭采掘機(jī)作為實(shí)驗(yàn)對(duì)象，首先對(duì)其正常的工作狀態(tài)進(jìn)行監(jiān)測(cè)分析，然后分別對(duì)機(jī)頭和電機(jī)底座的螺絲進(jìn)行人為的松動(dòng)，對(duì)系統(tǒng)的主軸和各個(gè)齒輪進(jìn)行人為不同程度的破壞，建立訓(xùn)練集，對(duì)系統(tǒng)進(jìn)行訓(xùn)練。

2.2預(yù)測(cè)模型的建立

該系統(tǒng)采用CC55號(hào)測(cè)振動(dòng)點(diǎn)和振動(dòng)強(qiáng)度分別為150dB、160dB、170dB、180dB、190dB、200dB、210dB、220dB作為人工神經(jīng)網(wǎng)絡(luò)的輸入層，輸出層包含一個(gè)神經(jīng)單元，用于表示CC55號(hào)振動(dòng)點(diǎn)的故障位置，中間層選擇16個(gè)神經(jīng)元對(duì)輸出誤差進(jìn)行平攤，盡可能減小輸出層的輸出誤差，最后利用判決樹(shù)的結(jié)構(gòu)對(duì)預(yù)測(cè)結(jié)果進(jìn)行定性判決，最終輸出故障原因預(yù)測(cè)結(jié)果。

2.3預(yù)測(cè)結(jié)果與分析

試驗(yàn)中通過(guò)多次實(shí)驗(yàn)對(duì)比，選定人工神經(jīng)網(wǎng)絡(luò)的最大迭代次數(shù)為2萬(wàn)次，學(xué)習(xí)精度為0.005，在WIN7系統(tǒng)上運(yùn)行MATLAB2011建立煤礦采掘機(jī)的BP人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，并首先利用150～220dB的振動(dòng)強(qiáng)度對(duì)模型進(jìn)行訓(xùn)練，然后分別對(duì)各個(gè)部位的小故障進(jìn)行預(yù)測(cè)分析。以采煤機(jī)的常見(jiàn)故障主軸軸承損壞為例進(jìn)行說(shuō)明，主軸軸承損壞會(huì)加大一部分波段的振動(dòng)強(qiáng)度，如圖5所示，該振動(dòng)強(qiáng)度區(qū)域比較密集地分布在一個(gè)區(qū)域中，采用BP人工網(wǎng)絡(luò)3級(jí)處理的方法能夠高效且盡可能多地將該區(qū)域覆蓋，具有良好的效果。BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)誤差與訓(xùn)練迭代次數(shù)的關(guān)系曲線如圖6所示，由圖6中可以看出，當(dāng)訓(xùn)練次數(shù)達(dá)到6000次時(shí)，模型的預(yù)測(cè)誤差遠(yuǎn)遠(yuǎn)小于0.005，達(dá)到了預(yù)期迭代20000次。

3結(jié)果與討論

1)由于人工神經(jīng)網(wǎng)絡(luò)具有很好的自組織和廣泛的學(xué)習(xí)能力，在得到充分的學(xué)習(xí)和訓(xùn)練后，網(wǎng)絡(luò)能夠達(dá)到很高的精度，且具有很好的收斂性，因此在煤礦井下機(jī)械設(shè)備故障診斷中可以通過(guò)建立BP－人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型對(duì)機(jī)械設(shè)備的故障進(jìn)行監(jiān)測(cè)。

篇4

【關(guān)鍵詞】測(cè)試 GRNN類神經(jīng)網(wǎng)絡(luò) 應(yīng)用 探討

1 類人工神經(jīng)網(wǎng)絡(luò)特性

類人工神經(jīng)網(wǎng)絡(luò)技術(shù)（Artificial Neural Networks）是近年發(fā)展起來(lái)的一個(gè)新的研究領(lǐng)域，反映了人腦功能的若干基本特性，從而使計(jì)算機(jī)能夠模仿人的大腦，具有較強(qiáng)的形象思維能力。

我們目前應(yīng)用的神經(jīng)網(wǎng)絡(luò)多是模糊神經(jīng)網(wǎng)絡(luò)，即神經(jīng)網(wǎng)絡(luò)與模糊系統(tǒng)的結(jié)合，此方法既改進(jìn)了原有的測(cè)試系統(tǒng)的實(shí)時(shí)性能，又使神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)得到了指導(dǎo)，有利于收斂。但是，此方法單純地強(qiáng)調(diào)了無(wú)模型的冗余式學(xué)習(xí)和模擬，必然造成對(duì)計(jì)量對(duì)象以及計(jì)量目標(biāo)本身的忽略。所以，我們開(kāi)始嘗試使用多層反饋式神經(jīng)網(wǎng)絡(luò)，即本文要探討的GRNN（Generlized Regnssion Neurl Network）神經(jīng)網(wǎng)絡(luò)。通過(guò)上面的介紹我們可以總結(jié)出類人工神經(jīng)網(wǎng)絡(luò)具有以下優(yōu)點(diǎn)非線性映射逼近能力；

（1）對(duì)信息的并行分布處理能力；

（2）高強(qiáng)的容錯(cuò)能力；

（3）對(duì)學(xué)習(xí)結(jié)果的泛化和自適應(yīng)能力；

（4）很強(qiáng)的信息綜合能力；

（5）信息的優(yōu)化計(jì)算能力；

（6） 便于集成實(shí)現(xiàn)和計(jì)算模擬

2 建議在石油領(lǐng)域應(yīng)用類人工神經(jīng)網(wǎng)絡(luò)于產(chǎn)量預(yù)測(cè)

由于上述類神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)，我們可以知道可以通過(guò)監(jiān)督學(xué)習(xí)的方法，將專家的故障分析經(jīng)驗(yàn)傳遞給神經(jīng)網(wǎng)絡(luò)，或用神經(jīng)網(wǎng)絡(luò)來(lái)建立參數(shù)觀測(cè)系統(tǒng)，從而避免了數(shù)學(xué)建模的困難，同時(shí)，診斷信息還能被用于系統(tǒng)的容錯(cuò)控制。我們利用三層GRNN神經(jīng)網(wǎng)絡(luò)來(lái)訓(xùn)練網(wǎng)絡(luò)，可以根據(jù)輸入到網(wǎng)絡(luò)的一些樣本提供一套權(quán)重來(lái)進(jìn)行石油領(lǐng)域的一些預(yù)測(cè)，在網(wǎng)絡(luò)訓(xùn)練之后，可以將任何新輸入的資料劃分為有效產(chǎn)能或無(wú)效產(chǎn)能。

雖然神經(jīng)網(wǎng)絡(luò)作為一種分類工具似乎比其他方法較具吸引力，在石油領(lǐng)域解決實(shí)際問(wèn)題的應(yīng)用到目前為止還不多。神經(jīng)網(wǎng)絡(luò)（ANN）人工智能方法能處理一系列的信息輸入如比率等，并能產(chǎn)生相應(yīng)的輸出，而其運(yùn)算分析能生成一個(gè)成功反映所有輸入輸出變量相應(yīng)關(guān)系的模式。除此之外，神經(jīng)網(wǎng)絡(luò)并不依賴于變量之間必須線性相關(guān)或是相互獨(dú)立的假設(shè)。變量之間存有微妙聯(lián)系，如同數(shù)據(jù)不連續(xù)或不完全一樣，均可被系統(tǒng)辨識(shí)并生成定性評(píng)估。簡(jiǎn)而言之，除了部分不明確的結(jié)果之外，神經(jīng)網(wǎng)絡(luò)能夠在相似點(diǎn)和類似點(diǎn)方面給出有根據(jù)的結(jié)論，在很大程度上，神經(jīng)網(wǎng)絡(luò)方法在油井的判別上有相似的

作用。

3 GRNN類神經(jīng)網(wǎng)絡(luò)模型數(shù)學(xué)模型及計(jì)算

3.1 GRNN類神經(jīng)網(wǎng)絡(luò)模型數(shù)學(xué)模型

GRNN（Generlized Regnssion Neurl

Network）是徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的一種，主要用于函數(shù)逼近。GRNN 網(wǎng)絡(luò)為含1個(gè)輸入層、1個(gè)隱層和1個(gè)輸出層的3層結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)。隱層傳遞函數(shù)為徑向基函數(shù)Radbas，輸出層為線性函數(shù)Purelin：Radbs（x）=exp（-x2），Purelin（x）=x，GRNN網(wǎng)絡(luò)設(shè)置隱層的權(quán)重W1為：W1=P’式中為P’輸入向量P的轉(zhuǎn)置矩陣：隱層的偏差b1為：b1 =0.8326/ spread

式中spread為徑向基函數(shù)的展形。輸出層的權(quán)重W2=T，T為目標(biāo)向量。

模型設(shè)計(jì)輸入變量為油井的平均壓力和平均氣溫，輸出變量為油井的月平均流量。為防止部分神經(jīng)元達(dá)到過(guò)飽和，提高網(wǎng)絡(luò)收斂程度和計(jì)算速度，對(duì)原始資料應(yīng)做標(biāo)準(zhǔn)化處理。

3.2 GRNN類神經(jīng)網(wǎng)絡(luò)模型數(shù)學(xué)計(jì)算

測(cè)試實(shí)驗(yàn)?zāi)康氖橇私庑碌木斫Y(jié)構(gòu)及管柱所允許的單井產(chǎn)能，并盡可能求取最大產(chǎn)量。設(shè)計(jì)采用6個(gè)油嘴進(jìn)行回壓法測(cè)試。回壓測(cè)試結(jié)束后用21.57mm油嘴測(cè)試，日產(chǎn)油300.44×104m3，預(yù)測(cè)生產(chǎn)壓差6.056MPa。井下入四支高精度PPC型存儲(chǔ)式井下電子壓力溫度計(jì)同時(shí)測(cè)試。采用MCALLSTER型的直讀式電子井下壓力溫度計(jì)，取得了較好效果。

井筒中的動(dòng)力異常是造成壓力異常的主要原因。分隔器密封不嚴(yán)、節(jié)流影響、井筒積液、溫度變化都會(huì)造成井筒中的動(dòng)力異常。采用變井筒溫度模型井的試井?dāng)?shù)據(jù)進(jìn)行了校正，校正后的平均地層壓力上升了約1.2MPa，壓力恢復(fù)曲線也呈上升趨勢(shì)。從圖1中看出GRNN模擬效果極好，驗(yàn)證結(jié)果也基本令人滿意。

4 結(jié)論和展望

4.1 結(jié)論

大慶油田由于多年開(kāi)采，井下地質(zhì)條件復(fù)雜，使用神經(jīng)網(wǎng)絡(luò)模型（如GRNN和BP神經(jīng)網(wǎng)絡(luò)）進(jìn)行監(jiān)測(cè)效果分析，可獲得比較好的結(jié)果；

在儲(chǔ)層四性特征及其四特性關(guān)系研究的基礎(chǔ)上，以巖心分析數(shù)據(jù)為標(biāo)定，測(cè)井為工具，GRNN神經(jīng)網(wǎng)絡(luò)為方法，基本可以實(shí)現(xiàn)儲(chǔ)層物性參數(shù)的精確預(yù)測(cè)，且比常規(guī)數(shù)理方法具有較高的精度，顯示出BP神經(jīng)網(wǎng)絡(luò)在儲(chǔ)層參數(shù)預(yù)測(cè)中具有較為廣闊的應(yīng)用前景。

多層反饋式神經(jīng)網(wǎng)絡(luò)具有特定的標(biāo)準(zhǔn)結(jié)構(gòu)和非線性收斂特性。在求解具體問(wèn)題時(shí)，只要把具體確定的能量函數(shù)與標(biāo)準(zhǔn)能量函數(shù)相對(duì)應(yīng)，就能確定相應(yīng)的神經(jīng)網(wǎng)絡(luò)參數(shù)。在合適的能量函數(shù)指導(dǎo)下，根據(jù)計(jì)量目標(biāo)設(shè)計(jì)基于反饋式神經(jīng)網(wǎng)絡(luò)的系統(tǒng)結(jié)構(gòu)和動(dòng)態(tài)參數(shù)，并將基于此網(wǎng)絡(luò)的參數(shù)辯識(shí)和計(jì)量結(jié)合起來(lái)，使其具有更強(qiáng)的自適應(yīng)性。

4.2 展望

（1）如何在矢量控制的框架下補(bǔ)償參數(shù)隨時(shí)間常數(shù)的變化對(duì)計(jì)量性能帶來(lái)的影響，是一個(gè)重要的研究課題，也是我們以往研究結(jié)果的基礎(chǔ)上進(jìn)一步努力的方向；

（2）GRNN神經(jīng)網(wǎng)絡(luò)的優(yōu)越特性必然能在其它的石油領(lǐng)域中得到更廣泛的應(yīng)用，關(guān)于此項(xiàng)的研究任務(wù)是一項(xiàng)長(zhǎng)期的任務(wù)。

參考文獻(xiàn)

篇5

【關(guān)鍵詞】PID控制;BP神經(jīng)網(wǎng)絡(luò);模糊PID控制

Abstruct：PID control are widely used in industrial process control，but the traditional PID control because of its control parameters are fixed，and it is difficult to adjust its parameters online.So this paper studies a new adaptive fuzzy PID control method，to solve problem without the ability to learn，and put forward a kind of adaptive fuzzy control method based on BP neural network in this paper.It is the effective combination of fuzzy control，neural network and PID control.Simulation results show that this fuzzy PID control method based on BP neural network has good control effect.

Keywords：PID control;BP neural network;Fuzzy PID control

1.引言

常規(guī)PID在控制領(lǐng)域被廣泛應(yīng)用，利用數(shù)學(xué)算法來(lái)整定參數(shù)。而且隨著控制系統(tǒng)的復(fù)雜，被控對(duì)象很難建立數(shù)學(xué)模型，人們開(kāi)始探索新的控制方式。模糊控制不要求掌握被控對(duì)象的精確的數(shù)學(xué)模型，根據(jù)人工控制規(guī)則組織控制決策表，然后由該表決定控制量的大小。在一般的模糊系統(tǒng)設(shè)計(jì)中，規(guī)則是由經(jīng)驗(yàn)豐富的專業(yè)人員以語(yǔ)言的方式表達(dá)出來(lái)的。但對(duì)于某些問(wèn)題即使是很有經(jīng)驗(yàn)的專業(yè)人員也很難將他們的經(jīng)驗(yàn)總結(jié)、歸納為一些比較明確而簡(jiǎn)化的規(guī)則。在這種情況下，就可以應(yīng)用神經(jīng)網(wǎng)絡(luò)的方法，依靠BP神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)功能，實(shí)現(xiàn)模糊控制的神經(jīng)、模糊融合技術(shù)，并借助其并行分布的結(jié)構(gòu)來(lái)估計(jì)輸入到輸出的映射關(guān)系，直接從原始的工作數(shù)據(jù)中歸納出若干控制規(guī)則。從而為模糊系統(tǒng)建立起行之有效的決策規(guī)則。

2.PID控制器原理

2.1 PID控制的微分方程

PID控制器是一種線性控制器，它將給定值r（t）與實(shí)際輸出值c（t）的偏差的比例（p）、積分（I）、微分（D）通過(guò)線性組合構(gòu)成控制量，對(duì)控制對(duì)象進(jìn)行控制。

式中：

2.2 PID控制器各環(huán)節(jié)的作用

（1）比例環(huán)節(jié)：及時(shí)成比例地反應(yīng)控制系統(tǒng)的偏差信號(hào)e（t），偏差一旦產(chǎn)生，控制器立即產(chǎn)生控制作用以減小偏差。

（2）積分環(huán)節(jié)：積分作用會(huì)使系統(tǒng)穩(wěn)定性下降，Kd大會(huì)使系統(tǒng)不穩(wěn)定，但能消除靜態(tài)誤差。

（3）微分環(huán)節(jié)：能反應(yīng)偏差信號(hào)的變化趨勢(shì)，并能在偏差信號(hào)值變得太大之前，在系統(tǒng)中引入一個(gè)早期修正信號(hào)，從而加快系統(tǒng)的動(dòng)作速度，減小調(diào)節(jié)時(shí)間。Kd偏大時(shí)，超調(diào)較大，調(diào)節(jié)時(shí)間短;Kd偏小時(shí)，超調(diào)量也較大，調(diào)節(jié)時(shí)間長(zhǎng);只有Kd合適時(shí)才能超調(diào)小，時(shí)間短。

3.BP神經(jīng)網(wǎng)絡(luò)與模糊控制

模糊控制是運(yùn)用語(yǔ)言歸納操作人員的控制策略，運(yùn)用變量和模糊集合理論形成控制算法的一種控制。如何讓機(jī)器像人一樣識(shí)別、理解模糊規(guī)則并進(jìn)行模糊邏輯推理，最終得出新的結(jié)論并實(shí)現(xiàn)自動(dòng)控制是模糊控制研究的主要內(nèi)容。模糊控制器的基本結(jié)構(gòu)如圖1所示。

圖1 模糊控制結(jié)構(gòu)

人工神經(jīng)網(wǎng)絡(luò)是由大量人工神經(jīng)元經(jīng)廣泛互連二組成的，它可用來(lái)模擬腦神經(jīng)系統(tǒng)的結(jié)構(gòu)和功能。人工神經(jīng)網(wǎng)絡(luò)可以看成是以人工神經(jīng)元為節(jié)點(diǎn)，用有向加權(quán)弧連接起來(lái)的有向圖。BP網(wǎng)絡(luò)是一種利用誤差反向傳播訓(xùn)練算法的神經(jīng)網(wǎng)絡(luò)，是一種有隱含層的多層前饋網(wǎng)絡(luò)，系統(tǒng)地解決了多層網(wǎng)絡(luò)中隱含單元連接權(quán)的學(xué)習(xí)問(wèn)題。BP學(xué)習(xí)算法的基本原理是梯度最速下降法，它的中心思想是調(diào)整權(quán)值使網(wǎng)絡(luò)總誤差最小。也就是采用梯度搜索技術(shù)，以期使網(wǎng)絡(luò)的實(shí)際輸出值與期望輸出值的誤差均方值為最小。網(wǎng)絡(luò)學(xué)習(xí)過(guò)程是一種誤差邊向后傳播邊修正權(quán)系數(shù)的過(guò)程。其結(jié)構(gòu)如圖2所示。

圖2中隱含層第一層神經(jīng)元為7個(gè)，分別對(duì)應(yīng)7個(gè)模糊子集：NB、NM、NS、ZO、PS、PM、PB。第二層49個(gè)神經(jīng)元代表49條規(guī)則。第三層7個(gè)神經(jīng)元代表輸出的7個(gè)模糊子集。模糊控制不依靠對(duì)象的數(shù)學(xué)模型，但模糊規(guī)則的建立需要人工經(jīng)驗(yàn)。采用BP算法對(duì)工程經(jīng)驗(yàn)和專家經(jīng)驗(yàn)的模糊規(guī)則進(jìn)行訓(xùn)練，其實(shí)就是把模糊規(guī)則用神經(jīng)網(wǎng)絡(luò)來(lái)表示，即經(jīng)過(guò)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)，將模糊規(guī)則以加權(quán)系數(shù)的形式表現(xiàn)出來(lái)，規(guī)則的生成就轉(zhuǎn)化為加權(quán)系數(shù)的確定和修改。

神經(jīng)網(wǎng)絡(luò)是大規(guī)模并行運(yùn)算，但由于網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜，訓(xùn)練和學(xué)習(xí)需要大量的時(shí)間，所以目前還無(wú)法實(shí)現(xiàn)實(shí)時(shí)控制。在具體應(yīng)用中，我們是先離線將神經(jīng)網(wǎng)絡(luò)的各層權(quán)值和閾值訓(xùn)練出來(lái)，將其參數(shù)固定下來(lái)，然后將有系統(tǒng)檢測(cè)、計(jì)算得到的誤差變化直接代入非線性映射關(guān)系中，由計(jì)算機(jī)算出控制量，再用作被控對(duì)象。在matlab下以、、為輸出的BP網(wǎng)絡(luò)仿真訓(xùn)練如圖3、圖4、圖5所示。

4.模糊PID控制器的原理與仿真

對(duì)于某一BP神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)，其中內(nèi)部變化及被控對(duì)象的數(shù)學(xué)模型為：

利用模糊控制對(duì)PID參數(shù)實(shí)現(xiàn)在線調(diào)節(jié)，原理如圖6。

圖6 模糊PID控制原理圖

采用Z-N法和試湊法相結(jié)合，借助MATLAB的SIMULINK平臺(tái)，對(duì)被控對(duì)象進(jìn)行常規(guī)PID仿真。參數(shù)值：kp=15，ki=6，kd=0.05。如圖7。作為比較，建立模糊PID控制器的仿真模型如圖8。

圖9、圖10分別為被控對(duì)象G（s）在階躍輸入下常規(guī)PID和模糊PID仿真結(jié)果的比較。

經(jīng)過(guò)仿真發(fā)現(xiàn)，常規(guī)PID控制缺點(diǎn)是超調(diào)量大，調(diào)節(jié)時(shí)間長(zhǎng)，動(dòng)態(tài)性能差。優(yōu)點(diǎn)是控制精度高，穩(wěn)定性能好。模糊控制動(dòng)態(tài)性能很好，上升速度快，基本無(wú)超調(diào)。但由于模糊化所造成的穩(wěn)態(tài)誤差，在沒(méi)有積分環(huán)節(jié)的情況下很難消除，故穩(wěn)態(tài)性能差。模糊PID繼承了二者的優(yōu)點(diǎn)，摒棄二者缺點(diǎn)，具有更全面優(yōu)良的控制性能。

5.結(jié)論

針對(duì)大滯后、慢時(shí)變、非線性的復(fù)雜系統(tǒng)，提出了一種基于BP神經(jīng)網(wǎng)絡(luò)的模糊PID控制算法，該算法不依賴被控對(duì)象的精確數(shù)學(xué)模型，可實(shí)現(xiàn)在線自調(diào)整模糊規(guī)則，從而增強(qiáng)了模糊控制器的自學(xué)習(xí)能力。通過(guò)算法的仿真研究，驗(yàn)證了算法的可行性。

參考文獻(xiàn)

[1]李華.計(jì)算機(jī)控制系統(tǒng)[M].北京：機(jī)械工業(yè)出版社，2007.

[2]高雋.人工神經(jīng)網(wǎng)絡(luò)原理及仿真實(shí)例[M].北京：機(jī)械工業(yè)出版社，2007.

[3]蔡自興.智能控制[M].北京：電子工業(yè)出版社，2003.

[4]李國(guó)勇.智能控制及其MATLAB實(shí)現(xiàn)[M].北京：電子工業(yè)出版社，2005.

[5]張德豐.MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計(jì)[M].北京：機(jī)械工業(yè)出版社，2009.

[6]劉金琨.先進(jìn)PID控制及其MATLAB仿真[M].北京：電子工業(yè)出版社，2003.

[7]劉玲.三容水箱的單神經(jīng)元自適應(yīng)PID控制研究[J].信息技術(shù)，2005，3（8）：32-137.

篇6

關(guān)鍵詞：瓦斯突出；微粒群算法；RBF神經(jīng)網(wǎng)絡(luò)；MATLAB

中國(guó)分類號(hào): TP183；文獻(xiàn)標(biāo)識(shí)碼: A

前言

瓦斯突出的產(chǎn)生機(jī)理和預(yù)測(cè)過(guò)程比較復(fù)雜， RBF神經(jīng)網(wǎng)絡(luò)在瓦斯突出預(yù)測(cè)中起到了很重要的作用。煤礦瓦斯突出的影響指標(biāo)很多，并且各個(gè)指標(biāo)與瓦斯突出之間的關(guān)系為非線性的關(guān)系，因此要求RBF神經(jīng)網(wǎng)絡(luò)具有很好的非線性逼近能力。

RBF神經(jīng)網(wǎng)絡(luò)是以函數(shù)逼近理論為基礎(chǔ)構(gòu)造的一類前向網(wǎng)絡(luò)，網(wǎng)絡(luò)結(jié)構(gòu)自適應(yīng)確定，輸入與初始值無(wú)關(guān)，結(jié)構(gòu)簡(jiǎn)單，訓(xùn)練簡(jiǎn)潔，能夠逼近任意非線性函數(shù)，而且在逼近能力、分類能力和學(xué)習(xí)速度方面均優(yōu)于BP網(wǎng)絡(luò)。RBF神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)的設(shè)計(jì)包括三部分：神經(jīng)元功能函數(shù)的設(shè)計(jì)，神經(jīng)元之間的連接形式的確定以及網(wǎng)絡(luò)訓(xùn)練方式的確定。在這三部分中隱單元RBF的設(shè)計(jì)是比較重要的。RBF函數(shù)是一種局部分布的對(duì)中心點(diǎn)徑向?qū)ΨQ的非負(fù)非線性函數(shù)。但是在神經(jīng)元功能函數(shù)的設(shè)計(jì)中，RBF功能函數(shù)的中心ci的確定有很大的難度。

通常使用隨機(jī)選取固定中心法，中心的自組織選擇法等，但是由于這些學(xué)習(xí)訓(xùn)練方法的局限性，通過(guò)這些方法得到的神經(jīng)網(wǎng)絡(luò)適用性和泛化能力比較差，不能滿足瓦斯突出預(yù)測(cè)的要求。本文利用微粒群算法來(lái)計(jì)算出通過(guò)學(xué)習(xí)訓(xùn)練得到的RBF神經(jīng)網(wǎng)絡(luò)的隱單元RBF的中心ci的適應(yīng)度的方法來(lái)確定最后的隱單元RBF的中心ci，并且不斷的在以后的實(shí)踐應(yīng)用中更新學(xué)習(xí)訓(xùn)練所用的數(shù)據(jù)庫(kù)，系統(tǒng)根據(jù)數(shù)據(jù)庫(kù)的變化，可以優(yōu)化原有的隱單元RBF的中心ci ，提高了神經(jīng)網(wǎng)絡(luò)的逼近能力，有效的客服了RBF神經(jīng)網(wǎng)絡(luò)局部最優(yōu)的缺點(diǎn)。

1、微粒群算法

1.1基本微粒群算法

微粒群算法（particle swarm optimization，PSO）是1995年由美國(guó)社會(huì)心理學(xué)家J.Kennedy和電氣工程師R.Heppner共同提出的，其基本思想是受鳥(niǎo)類群體行為研究結(jié)果的啟發(fā)，并利用了生物學(xué)家F.Heppner的生物群體模型[2]。算法原理如下：

微粒群算法主要是使用微粒的適應(yīng)度大小進(jìn)行尋找全局最優(yōu)和優(yōu)化參數(shù)。他將種群中的每個(gè)個(gè)體看作是N維空間的一個(gè)沒(méi)有質(zhì)量和體積的微粒，并且在搜索空間以一定的速度飛行，在飛行過(guò)程中不斷根據(jù)環(huán)境的改變來(lái)改變自身的速度和方向，直到找到適應(yīng)度最好的位置。假設(shè)Xi=（xa1，xa2，xa3，……xan為微粒i的當(dāng)前位置，Vi=（va1，va2，va3，…… van）代表微粒當(dāng)前的飛行速度，Pi=（pa1，pa2，pa3，……pan）表示微粒經(jīng)歷的適應(yīng)度最好的位置，這是局部最優(yōu)位置。

當(dāng)f(xi(a+1))≥f(Pi(a)) 時(shí)Pi(a+1)= Pi(a)

當(dāng)f(xi(a+1) ＜f(P(a)) 時(shí)Pi(a+1)= Xi(a+1) 所以全局最優(yōu)位置P（a）=min{f(P0(a) ，P1(a)……Pn(a)}。同時(shí)可以得出進(jìn)化方程為：vij (t+1)=vij (t)+c1v1j(t)[pij (t)-xij (t)]+c2r2j(t)[pgj (t)-xij (t)]

為了更好的確定和優(yōu)化RBF的中心ci，計(jì)算每個(gè)數(shù)據(jù)庫(kù)得到的中心ci的均方誤差，計(jì)算出每個(gè)中心ci的適應(yīng)度：

E（Xp）=[Yk,p(Xp)-tk,p]

有適應(yīng)度來(lái)確定的適應(yīng)度函數(shù)如下：

f(x)=

1.2帶慣性權(quán)重的微粒群算法

在全局搜索過(guò)程中，搜索能力和收斂速度是相對(duì)立的，如果搜索能力高了，收斂速度就會(huì)相對(duì)變慢，為了解決這一問(wèn)題，在速度進(jìn)化方程中引用了慣性權(quán)重，具體公式如下：

vij(t+1)=wvij(t)+c1v1j(t)[pij(t)-xij(t)]+c2r2j(t)[pgj(t)-xij(t)] 式中w稱為慣性權(quán)重。

在全局搜索利過(guò)程中，慣性權(quán)重w可以根據(jù)要求按照一定趨勢(shì)改變，這樣就既能保證搜索能力又能加快收斂速度。

2、RBF神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是對(duì)人類大腦系統(tǒng)一階特性的一種描述，有類似人的神經(jīng)元的處理單元通過(guò)各種連接方式連接起來(lái)構(gòu)成，整個(gè)網(wǎng)絡(luò)同時(shí)具有一個(gè)或是多個(gè)的輸入和輸出，能夠?qū)π畔⑦M(jìn)行并行和分布處理。人工神經(jīng)網(wǎng)絡(luò)主要包括三方面的內(nèi)容：激活函數(shù)，神經(jīng)元之間的連接形式，網(wǎng)絡(luò)的學(xué)習(xí)或者是訓(xùn)練。

激活函數(shù)為徑向基函數(shù)（RBF）的神經(jīng)網(wǎng)絡(luò)為RBF神經(jīng)網(wǎng)絡(luò)，RBF神經(jīng)網(wǎng)絡(luò)是一個(gè)單隱層的三層前饋網(wǎng)絡(luò)，分別為輸入層，隱含層，輸出層。隱含層的傳遞函數(shù)為radbas。徑向基網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。實(shí)驗(yàn)已經(jīng)證明：徑向基網(wǎng)絡(luò)能夠以任意精度逼近任意連續(xù)函數(shù)。每個(gè)RBF的節(jié)點(diǎn)有一個(gè)“參考”輸入x*i,f是輸入與“參考”輸入的距離d(x*i,xi )的函數(shù)，函數(shù)中的距離有節(jié)點(diǎn)輸出y =f(d(x*i,xi ))來(lái)計(jì)算。

RBF神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)主要有兩種：中心自組織選擇法和中心的監(jiān)督選擇發(fā)。中心的自組織選擇法是一種無(wú)導(dǎo)師，也稱非監(jiān)督學(xué)習(xí)，是對(duì)所有的輸入進(jìn)行聚類，求得各隱單元RBF的中心ci。中心的監(jiān)督選擇法是一種有導(dǎo)師的學(xué)習(xí)，也稱為監(jiān)督學(xué)習(xí)算法。主要是通過(guò)一個(gè)有導(dǎo)師或是有監(jiān)督的學(xué)習(xí)過(guò)程來(lái)確定隱單元RBF的中心ci。

3、RBF神經(jīng)網(wǎng)絡(luò)隱單元RBF的中心ci 的確定和優(yōu)化的過(guò)程

本文利用普通的學(xué)習(xí)訓(xùn)練法和帶慣性權(quán)重的微粒群算法相結(jié)合的方法來(lái)進(jìn)行RBF神經(jīng)網(wǎng)絡(luò)隱單元RBF的中心ci的確定和優(yōu)化。具體過(guò)程如圖1所示。

（1）用一定數(shù)量的與瓦斯突出有關(guān)信息組成一個(gè)數(shù)據(jù)庫(kù)，并且將這個(gè)數(shù)據(jù)庫(kù)分為若干個(gè)子數(shù)據(jù)庫(kù).使用這些子數(shù)據(jù)庫(kù)分別對(duì)RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到隱單元RBF的中心c1,c2,c3……。

（2）將上面得到的若干個(gè)隱單元RBF的中心作為一個(gè)個(gè)體（微粒），有這些個(gè)體組成一個(gè)種群，其中每個(gè)個(gè)體代表先前計(jì)算出的一個(gè)隱單元RBF的中心。初始化Gbest和Lbest。

（3）使用帶慣性權(quán)重的微粒群算法來(lái)確定最后的隱單元中心，通過(guò)計(jì)算每個(gè)微粒適應(yīng)度來(lái)確定中心ci，然后通過(guò)適應(yīng)度函數(shù)來(lái)優(yōu)化中心ci，最后形成RBF神經(jīng)網(wǎng)絡(luò)。

（4）把井下測(cè)得的數(shù)據(jù)作為輸入，來(lái)進(jìn)行瓦斯突出預(yù)測(cè)，并且把井下的信息和預(yù)測(cè)結(jié)果，作為下次更新數(shù)據(jù)庫(kù)和優(yōu)化隱單元中心的依據(jù)。

（5）每進(jìn)行一次預(yù)測(cè)，數(shù)據(jù)庫(kù)的信息就根據(jù)實(shí)際情況和預(yù)測(cè)結(jié)果進(jìn)行一次更新，根據(jù)更新的數(shù)據(jù)庫(kù)，對(duì)得到的隱單元中心進(jìn)行優(yōu)化，提高了系統(tǒng)的適應(yīng)能力和自學(xué)習(xí)能力。

4、帶慣性權(quán)重的微粒群算法的Matlab程序設(shè)計(jì)和瓦斯突出預(yù)測(cè)

使用Matlab進(jìn)行程序時(shí)所用到的函數(shù)如下：

PSO：主函數(shù)，用于調(diào)用微粒群算法。

DrawSwarm：繪圖函數(shù)，主要用來(lái)反映每個(gè)微粒的進(jìn)化過(guò)程。

psoOption：參數(shù)顯示函數(shù)，主要用于顯示帶慣性權(quán)重的微粒群算法的參數(shù)設(shè)置情況。

使用多個(gè)函數(shù)形成函數(shù)模塊，實(shí)現(xiàn)對(duì)隱單元RBF的中心ci的確定和優(yōu)化。帶慣性權(quán)重的微粒群算法進(jìn)行確定和優(yōu)化神經(jīng)網(wǎng)絡(luò)隱單元RBF的中心ci的函數(shù)模塊為：[fxmin,xmin,Swarm,history]=pso(input,psoOptions);

選取一定量的信息形成數(shù)據(jù)庫(kù)，然后隨機(jī)的劃分為若干個(gè)子數(shù)據(jù)庫(kù)，通過(guò)學(xué)習(xí)訓(xùn)練來(lái)產(chǎn)生一些中心c1,c2,c3……，然后再組成種群，利用函數(shù)模塊來(lái)確定和優(yōu)化RBF的中心。具體實(shí)驗(yàn)數(shù)據(jù)如下表1所示：

利用Matlab運(yùn)行該函數(shù)模塊來(lái)確定和優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)時(shí)，算法程序運(yùn)行時(shí)出現(xiàn)的最優(yōu)適應(yīng)度值隨著迭代次數(shù)的變化如圖2所示。

當(dāng)函數(shù)模塊算法程序運(yùn)行時(shí)出現(xiàn)的適應(yīng)度值滿足要求時(shí)，說(shuō)明此時(shí)的ci的最優(yōu)化完成，可以來(lái)確定RBF神經(jīng)網(wǎng)絡(luò)。

把上面經(jīng)過(guò)優(yōu)化神經(jīng)網(wǎng)絡(luò)來(lái)進(jìn)行瓦斯突出預(yù)測(cè)，需要預(yù)測(cè)的樣本數(shù)據(jù)如下表2所示：

其中運(yùn)行結(jié)果用1表示安全，-1表示突出。

運(yùn)用MATLAB對(duì)樣本數(shù)據(jù)進(jìn)行測(cè)試，測(cè)試代碼如下：

pl=[0.809.011.530.2 ]；

p2=[0.153.51.27.3]：

y1=sim(net，p1) ；

y2=sim(net，p2) ；

最后預(yù)測(cè)結(jié)果是y1=-0.9908，y2=1.005；

可見(jiàn)該系統(tǒng)能夠準(zhǔn)確的預(yù)測(cè)出瓦斯突出。

總結(jié)

使用RBF神經(jīng)網(wǎng)絡(luò)來(lái)進(jìn)行瓦斯突出預(yù)測(cè)比其他方式的預(yù)測(cè)具有很好的效果，但是由于煤礦的環(huán)境比較特殊，瓦斯突出產(chǎn)生的機(jī)理比較復(fù)雜，并且不同煤礦的影響瓦斯突出的因素也不相同，所以要求神經(jīng)網(wǎng)絡(luò)具有很好的適應(yīng)性和自學(xué)習(xí)能力。但是RBF神經(jīng)網(wǎng)絡(luò)的隱單元RBF的中心ci的確定是基于數(shù)據(jù)空間局部的信息，很難都到全局最優(yōu)，嚴(yán)重影響了RBF神經(jīng)網(wǎng)絡(luò)的適應(yīng)性和自學(xué)習(xí)能力。本文利用帶慣性權(quán)重的微粒群算法來(lái)確定和優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)，慣性權(quán)重w能起到保證全局最優(yōu)和局部搜索能力的平衡的作用，能夠在保證全局最優(yōu)的前提下，提高搜索全局最優(yōu)的速度，提高了預(yù)測(cè)的準(zhǔn)確度。

參考文獻(xiàn)

篇7

中圖分類號(hào)：TP3文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9416（2012）04-0000-00

交通流量預(yù)測(cè)是現(xiàn)在研究智能交通系統(tǒng)的熱門(mén)研究課題，通過(guò)交通流量預(yù)測(cè)方法對(duì)相關(guān)數(shù)據(jù)進(jìn)行建模，預(yù)測(cè)未來(lái)交通流量，進(jìn)一步更好地制定忙時(shí)交通分流預(yù)案，配備合適的運(yùn)營(yíng)資源。因此我們?cè)诒疚姆治隽爽F(xiàn)在流行的交通流量預(yù)測(cè)的發(fā)展方向及進(jìn)展。具體介紹了交通流量預(yù)測(cè)的相關(guān)模型，并對(duì)這些模型進(jìn)行了討論，驗(yàn)證數(shù)據(jù)挖掘技術(shù)在高速公路流量監(jiān)測(cè)上應(yīng)用的可行性。。

現(xiàn)有的短時(shí)交通流量預(yù)測(cè)方法大致可以分為以下兩大類：第一類是以數(shù)理統(tǒng)計(jì)和微積分等傳統(tǒng)數(shù)學(xué)和物理方法為基礎(chǔ)的，它主要包括早期的歷史平均模型，自回歸滑動(dòng)平均模型(ARMA)，以及后來(lái)研究的更復(fù)雜、更精度的多元回歸模型，Kalman濾波模型，ARIMA模型等；第二類是無(wú)數(shù)學(xué)模型的預(yù)測(cè)方法，它需要自己建立新的算法來(lái)實(shí)現(xiàn)，主要方法有非參數(shù)回歸，譜分析法，基于小波理論的方法，神經(jīng)網(wǎng)絡(luò)等。

BP神經(jīng)網(wǎng)絡(luò)模型把一組樣本的I/O的輸入輸出問(wèn)題轉(zhuǎn)化一個(gè)非線性優(yōu)化的問(wèn)題，它實(shí)際是優(yōu)化中最普通的梯度下降法。假如把這種神經(jīng)網(wǎng)絡(luò)的看作是從輸入層到輸出層的映射，則這個(gè)映射是一個(gè)高度非線性得關(guān)系。

設(shè)計(jì)一個(gè)神經(jīng)網(wǎng)絡(luò)模型其重點(diǎn)在于模型網(wǎng)絡(luò)的構(gòu)成以及學(xué)習(xí)算法的取向問(wèn)題。總體來(lái)看，結(jié)構(gòu)是根據(jù)所研究領(lǐng)域以及所要解決的實(shí)際問(wèn)題所決定的。通過(guò)對(duì)其所研究的問(wèn)題的大量歷史資料數(shù)據(jù)的研究以及當(dāng)前對(duì)神經(jīng)網(wǎng)絡(luò)理論發(fā)展水平，建立適當(dāng)?shù)木W(wǎng)絡(luò)模型，并針對(duì)所選的網(wǎng)絡(luò)模型采用適合這種模型的學(xué)習(xí)算法，在整個(gè)網(wǎng)絡(luò)學(xué)習(xí)過(guò)程中，要不斷地調(diào)整網(wǎng)絡(luò)從而調(diào)整其相應(yīng)的參數(shù)，直到輸出精確的結(jié)果，達(dá)到預(yù)測(cè)的目的。

BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)步驟為：

首先是要對(duì)訓(xùn)練樣本進(jìn)行選取和預(yù)處理。根據(jù)研究狀況以及目標(biāo)，選取合適的訓(xùn)練樣本和檢驗(yàn)樣本，由于BP神經(jīng)網(wǎng)絡(luò)各層轉(zhuǎn)換函數(shù)以及學(xué)習(xí)規(guī)則是不同的，所以在輸入樣本之前要對(duì)輸入的樣本作一下預(yù)處理；然后再去確定建造BP網(wǎng)絡(luò)的結(jié)構(gòu)，這包括變量的選取，隱層和隱層節(jié)點(diǎn)數(shù)的選取等問(wèn)題；把輸入樣本輸入到BP神經(jīng)網(wǎng)絡(luò)模型中，再進(jìn)行仿真訓(xùn)練，最后預(yù)測(cè)出該網(wǎng)絡(luò)的輸出值，再拿該期望值與實(shí)際輸出進(jìn)行比較，根據(jù)誤差去反復(fù)的修改誤差，從而改變權(quán)值以及閾值，直到誤差一個(gè)可接受的范圍，完了再用檢驗(yàn)樣本進(jìn)行對(duì)比，判斷結(jié)果；然后對(duì)結(jié)果進(jìn)行比較分析，最后認(rèn)可該網(wǎng)絡(luò)模型的算法，就可以對(duì)未來(lái)交通流量進(jìn)行精確地預(yù)測(cè)了。

BP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)大致可以包含以下幾個(gè)部分：首先是對(duì)模型的建立、數(shù)據(jù)采集并且預(yù)處理，然后對(duì)輸入到模型特征向量的數(shù)據(jù)進(jìn)行預(yù)測(cè)、通過(guò)預(yù)測(cè)的數(shù)值去判斷是否符合實(shí)際數(shù)值等。該模型網(wǎng)絡(luò)的建立是整個(gè)系統(tǒng)是否成功的關(guān)鍵，本文的設(shè)計(jì)也是神經(jīng)網(wǎng)絡(luò)的一個(gè)應(yīng)用，只要選擇的數(shù)據(jù)完備、可靠、準(zhǔn)確，就有可能得到符合預(yù)測(cè)的網(wǎng)絡(luò)模型。數(shù)據(jù)的采取需要有實(shí)時(shí)的數(shù)據(jù)采集系統(tǒng)。事實(shí)上預(yù)處理的過(guò)程要求根據(jù)數(shù)據(jù)的實(shí)際情況進(jìn)行預(yù)處理，我們的文章的數(shù)據(jù)都是來(lái)自高速公路監(jiān)控部門(mén)，故具有完備的、一致的，因此要首先要對(duì)其進(jìn)行數(shù)據(jù)變換。對(duì)于系統(tǒng)的輸出數(shù)值是否滿足實(shí)際數(shù)值，只要將其所得到的預(yù)測(cè)值和數(shù)學(xué)期望值進(jìn)行比較，所得的數(shù)值滿足在數(shù)學(xué)期望值的附近(一般誤差在10％以下，該系統(tǒng)設(shè)計(jì)是成功的)且其誤差值小于預(yù)先設(shè)定的誤差值時(shí)，就可以認(rèn)為該系統(tǒng)可以成功預(yù)測(cè)高速公路交通流量，可以先把它記下來(lái)；反之，認(rèn)為將得不到合適的數(shù)值，需要不斷的改變權(quán)值。

對(duì)輸入到網(wǎng)絡(luò)模型特征向量數(shù)據(jù)進(jìn)行預(yù)測(cè)是我所研究的重點(diǎn)，這第一步首先是需要建立合適的網(wǎng)絡(luò)模型，首先將對(duì)應(yīng)的高速公路交通流量的特征向量數(shù)據(jù)預(yù)處理后，輸入到網(wǎng)絡(luò)進(jìn)行訓(xùn)練，仿真訓(xùn)練結(jié)束后，用檢驗(yàn)樣本的特征向量進(jìn)行檢驗(yàn)，然后用最后一組數(shù)據(jù)對(duì)該模型測(cè)試，分析其模型的實(shí)際是否有效，判斷其是否是符合實(shí)際交通流量預(yù)測(cè)的模型，那么此系統(tǒng)就可以進(jìn)入到實(shí)際的預(yù)測(cè)階段。綜上所述，只要特征向量的數(shù)值的選擇較為合適，就有可能建立起較為合適的模型，可以用此來(lái)對(duì)高速公路交通流量進(jìn)行預(yù)測(cè)。所以，BP神經(jīng)網(wǎng)絡(luò)作用于高速公路交通流量的預(yù)測(cè)中是可行的并且是可靠地。

在相同的結(jié)構(gòu)的網(wǎng)絡(luò)中，因?yàn)锽P算法它本身存在多個(gè)局部的極小點(diǎn)，所以要不斷的改變賦予網(wǎng)絡(luò)連接權(quán)值以此來(lái)求得相應(yīng)的網(wǎng)絡(luò)極小點(diǎn)，從而通過(guò)比較這些極小點(diǎn)的網(wǎng)絡(luò)誤差，然后再確定整個(gè)網(wǎng)絡(luò)結(jié)構(gòu)的極小點(diǎn)，以此得到適合該網(wǎng)絡(luò)的合適權(quán)值。在該網(wǎng)絡(luò)中，神經(jīng)網(wǎng)絡(luò)的訓(xùn)練的過(guò)程事實(shí)上是求該網(wǎng)絡(luò)結(jié)構(gòu)的極小點(diǎn)的問(wèn)題，所以，在全局極小點(diǎn)領(lǐng)域內(nèi)，各個(gè)網(wǎng)絡(luò)連接權(quán)值之間存在著巨大的差異，也會(huì)導(dǎo)致各個(gè)神經(jīng)元的重要性發(fā)生相應(yīng)的變化。當(dāng)在不滿足隱含層節(jié)點(diǎn)數(shù)的條件時(shí)，也可以求得該網(wǎng)絡(luò)模型的訓(xùn)練樣本誤差很小的極小點(diǎn)值，同時(shí)該檢驗(yàn)樣本的誤差也許比該值要大許多；如果網(wǎng)絡(luò)的初值改變了，相應(yīng)的網(wǎng)絡(luò)計(jì)算出的結(jié)果會(huì)發(fā)生很大的改變。

篇8

1計(jì)算機(jī)神經(jīng)網(wǎng)絡(luò)體系

人們?yōu)榱艘驅(qū)τ?jì)算機(jī)迅猛發(fā)展帶來(lái)的危機(jī)在上世紀(jì)40年代就提出了神經(jīng)網(wǎng)絡(luò)體的設(shè)想,并對(duì)此加以研究實(shí)驗(yàn)。自80年代后已經(jīng)成為人們?cè)u(píng)價(jià)計(jì)算機(jī)網(wǎng)絡(luò)安全的重要標(biāo)準(zhǔn)。大量簡(jiǎn)單的神經(jīng)元通過(guò)相互連接形成更復(fù)雜的神經(jīng)結(jié)構(gòu),神經(jīng)結(jié)構(gòu)之間相互連接最終形成神經(jīng)網(wǎng)絡(luò)體系。神經(jīng)網(wǎng)絡(luò)體系具有十分強(qiáng)的的信息處理工能,可以存儲(chǔ)分布、處理分布,有包容性和學(xué)習(xí)能力,能夠處理非線性的復(fù)雜關(guān)系,是一個(gè)成長(zhǎng)型的系統(tǒng)。神經(jīng)網(wǎng)絡(luò)系統(tǒng)通過(guò)調(diào)節(jié)自身節(jié)點(diǎn)之間的關(guān)系,來(lái)完成對(duì)信息的分析處理,模仿人的大腦對(duì)信息的處理方式。其具有很強(qiáng)的靈活性和針對(duì)性,可以進(jìn)行初步的理性分析,優(yōu)化其自身的信息資料庫(kù),找尋最優(yōu)的解決方案。計(jì)算機(jī)神經(jīng)網(wǎng)絡(luò)系統(tǒng)是人類邁向人工智能化時(shí)代的一大創(chuàng)舉,隨著人工智能技術(shù)的不斷進(jìn)步,更加智能的機(jī)器人將隨之產(chǎn)生。

2計(jì)算機(jī)網(wǎng)絡(luò)安全的評(píng)估標(biāo)準(zhǔn)

計(jì)算機(jī)的使用者們根據(jù)當(dāng)前計(jì)算機(jī)的使用狀態(tài)制定了一系列的計(jì)算機(jī)網(wǎng)絡(luò)安全現(xiàn)行標(biāo)準(zhǔn)。

2.1網(wǎng)絡(luò)安全的定義

網(wǎng)絡(luò)安全指的就是人們?cè)谶\(yùn)用互聯(lián)網(wǎng)時(shí)信息的安全保密不被竊取和惡意破壞,系統(tǒng)、軟件設(shè)備、硬件設(shè)備都處在良好的狀態(tài)中。在計(jì)算機(jī)系統(tǒng)運(yùn)行時(shí)不會(huì)受到木馬病毒、惡意插件的攻擊。信息安全、密碼安全、通信安全等領(lǐng)域的安全都處在網(wǎng)絡(luò)安全的范疇之中。計(jì)算機(jī)網(wǎng)絡(luò)安全有四大原則:可控性原則,即計(jì)算機(jī)網(wǎng)絡(luò)信息的傳播控制在一定的范圍內(nèi),網(wǎng)絡(luò)上流傳的信息要在法律允許的范圍之內(nèi),網(wǎng)絡(luò)管理者可以通過(guò)網(wǎng)絡(luò)對(duì)其進(jìn)行有力的控制。完整性原則,即網(wǎng)絡(luò)數(shù)據(jù)信息未經(jīng)過(guò)官方和其發(fā)行者的授權(quán)不可以私人篡改,保持網(wǎng)絡(luò)數(shù)據(jù)的完整性就是保證網(wǎng)絡(luò)信息的可用性?？捎眯栽瓌t,即網(wǎng)絡(luò)使用者當(dāng)前是否能夠使用網(wǎng)絡(luò)中的信息。保密性原則,即對(duì)計(jì)算機(jī)網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行訪問(wèn)時(shí),不得隨意泄露信息給未獲得網(wǎng)絡(luò)授權(quán)的用戶。在這個(gè)信息全球化的時(shí)代,網(wǎng)絡(luò)安全是人們生活安全中至關(guān)重要的一項(xiàng)。

2.2網(wǎng)絡(luò)安全評(píng)估標(biāo)準(zhǔn)

當(dāng)今社會(huì)人們對(duì)網(wǎng)絡(luò)信息的要求逐步提高,相應(yīng)的產(chǎn)生了一套大家公認(rèn)的評(píng)估標(biāo)準(zhǔn)。這套標(biāo)準(zhǔn)是依據(jù)現(xiàn)有的計(jì)算機(jī)網(wǎng)絡(luò)技術(shù),全面的、合理的、客觀的、科學(xué)的,考慮計(jì)算機(jī)網(wǎng)絡(luò)運(yùn)用的方方面面制定出來(lái)的。堅(jiān)持評(píng)估標(biāo)準(zhǔn)與實(shí)際生活相結(jié)合,便于檢測(cè)和操作的可行性原則;堅(jiān)持條理清晰、層次分明,有代表性的簡(jiǎn)明性原則;堅(jiān)持真實(shí)準(zhǔn)確,避免環(huán)節(jié)重復(fù),避免節(jié)點(diǎn)之間相互影響的獨(dú)立性原則;堅(jiān)持運(yùn)用完整的、全面的、準(zhǔn)確可靠的完備性原則為信息全評(píng)價(jià)標(biāo)準(zhǔn);堅(jiān)持聯(lián)系實(shí)際以現(xiàn)行的計(jì)算機(jī)技術(shù)水平為評(píng)價(jià)指標(biāo)的準(zhǔn)確性原則。按照以上的網(wǎng)絡(luò)安全標(biāo)準(zhǔn)一定要與當(dāng)前所在的區(qū)域網(wǎng)相結(jié)合,做到具體問(wèn)題具體分析。

2.3網(wǎng)絡(luò)安全體系的設(shè)定

根據(jù)計(jì)算機(jī)網(wǎng)絡(luò)安全檢查建立不同的計(jì)算機(jī)網(wǎng)絡(luò)安全等級(jí),大致可分為四個(gè)層次:很危險(xiǎn)、危險(xiǎn)、有風(fēng)險(xiǎn)、安全。很危險(xiǎn)可用紅色表示,計(jì)算機(jī)網(wǎng)絡(luò)系統(tǒng)存在高危漏洞,需要緊急查殺木馬病毒和惡意插件,關(guān)機(jī)后再重新啟動(dòng)。危險(xiǎn)可用橙色表示,表示網(wǎng)絡(luò)系統(tǒng)中有安全隱患需要處理,網(wǎng)絡(luò)的安全等級(jí)有限,需要及時(shí)的進(jìn)行殺毒處理。有風(fēng)險(xiǎn)可用黃色表示,這種情況表示計(jì)算機(jī)中有風(fēng)險(xiǎn)項(xiàng),需要對(duì)計(jì)算機(jī)網(wǎng)絡(luò)進(jìn)行檢測(cè)處理。安全表示當(dāng)前的計(jì)算機(jī)網(wǎng)絡(luò)狀態(tài)良好無(wú)任何風(fēng)險(xiǎn)項(xiàng),可用綠色表示。這種設(shè)計(jì)可以給計(jì)算機(jī)的應(yīng)用者最直觀的感受來(lái)判斷計(jì)算機(jī)的狀態(tài)。

3神經(jīng)網(wǎng)絡(luò)系統(tǒng)在計(jì)算機(jī)網(wǎng)絡(luò)安全中的應(yīng)用

計(jì)算機(jī)網(wǎng)絡(luò)的主要作用是傳遞信息,其廣泛的應(yīng)用于電子商務(wù),信息處理,電子辦公等方方面面。網(wǎng)絡(luò)黑客通過(guò)木馬病毒盜取用戶信息,倒賣(mài)客戶資料,竊取他人財(cái)產(chǎn),對(duì)網(wǎng)絡(luò)的和諧安全產(chǎn)生了及其惡劣的影響。神經(jīng)網(wǎng)絡(luò)系統(tǒng)在計(jì)算機(jī)網(wǎng)絡(luò)信息的傳播當(dāng)中起到了橋梁和過(guò)濾器的作用。信息在網(wǎng)絡(luò)中傳播不是單向的而是雙向的,信息的輸入和輸出都是通過(guò)神經(jīng)網(wǎng)絡(luò)的神經(jīng)元來(lái)完成的。計(jì)算機(jī)神經(jīng)網(wǎng)絡(luò)有三個(gè)層次組成,分別是輸出層、隱藏層、輸入層,通過(guò)這三個(gè)部分對(duì)信息進(jìn)行加工處理。其中的隱藏層起到了傳輸中樞的作用,輸入的信息輸出時(shí)需要先輸入到隱藏層中,再由隱藏層對(duì)其進(jìn)行處理,最后傳輸?shù)捷敵鰧又休敵觥Ｔ诖藭r(shí)系統(tǒng)發(fā)現(xiàn)信息有誤將會(huì)回溯至上一階段對(duì)信息進(jìn)行核對(duì),信息精確后會(huì)再次傳輸回來(lái)發(fā)送至輸出層。通過(guò)神經(jīng)網(wǎng)絡(luò)系統(tǒng)的應(yīng)用能夠大量準(zhǔn)確的對(duì)信息進(jìn)行合理的處理,方便了人們的生活,提高了人們的工作效率。

4神經(jīng)網(wǎng)絡(luò)系統(tǒng)對(duì)計(jì)算機(jī)網(wǎng)絡(luò)安全的影響

神經(jīng)網(wǎng)絡(luò)系統(tǒng)作為廣泛應(yīng)用于人們生活中的技術(shù),其即存在著優(yōu)點(diǎn),也存在著不足。神經(jīng)網(wǎng)絡(luò)技術(shù)具有良好的靈活性包容性,與傳統(tǒng)的曲線擬合體系相比其對(duì)缺失信息和噪音反應(yīng)不靈敏。一個(gè)節(jié)點(diǎn)只能反應(yīng)一個(gè)問(wèn)題,一個(gè)節(jié)點(diǎn)中發(fā)現(xiàn)的問(wèn)題在整個(gè)神經(jīng)網(wǎng)絡(luò)體系的表現(xiàn)中將產(chǎn)生嚴(yán)重影響。其具有良好的延展性,可以把個(gè)體中的多數(shù)樣本引入部分當(dāng)中,將部分當(dāng)中的多數(shù)樣本引入到整體當(dāng)中。神經(jīng)網(wǎng)絡(luò)系統(tǒng)具有強(qiáng)大的學(xué)習(xí)適應(yīng)能力,可以自行總結(jié)系統(tǒng)處理的信息中的規(guī)律,自我調(diào)整輸出模式,減少系統(tǒng)的誤差。神經(jīng)網(wǎng)絡(luò)有線應(yīng)用潛力,有線應(yīng)用潛力是神經(jīng)網(wǎng)絡(luò)系統(tǒng)自身的基本能力,神經(jīng)網(wǎng)絡(luò)是由一個(gè)又一個(gè)節(jié)點(diǎn)連接而成的,兩點(diǎn)之間的直線距離最短,處理信息的速度最快。神經(jīng)網(wǎng)絡(luò)系統(tǒng)具有自動(dòng)處理信息關(guān)系的能力。其已經(jīng)具有初步的人工智能化能力,可以自主分析較為簡(jiǎn)單的問(wèn)題。雖然神經(jīng)網(wǎng)絡(luò)系統(tǒng)功能十分強(qiáng)大,但是也存在著一些不足之處。神經(jīng)網(wǎng)絡(luò)系統(tǒng)的結(jié)構(gòu)多樣化,在信息處理的過(guò)程中也會(huì)出現(xiàn)多種組合。因此只能出現(xiàn)最精確的處理結(jié)果,無(wú)法得出最準(zhǔn)確的處理結(jié)果。神經(jīng)網(wǎng)絡(luò)系統(tǒng)自身的結(jié)構(gòu)決定了其對(duì)局部極小問(wèn)題的忽視,這種特性會(huì)影響其處理問(wèn)題的準(zhǔn)確性。對(duì)于非常復(fù)雜的數(shù)據(jù)問(wèn)題其處理效果會(huì)減慢。隨著計(jì)算機(jī)的應(yīng)用大量的信息被記載入數(shù)據(jù)庫(kù),信息量過(guò)于龐大會(huì)影響到信息處理的效率。神經(jīng)網(wǎng)絡(luò)系統(tǒng)并不是真正的人腦只達(dá)到了出步的人工智能程度,其處理問(wèn)題存在一定的機(jī)械性。這種問(wèn)題只有通過(guò)科學(xué)家的不斷研究才能得到改善。

篇9

1節(jié)能控制電力電壓控制閥的電壓參數(shù)

1.1最優(yōu)組合法

電力電氣控制閥中的電壓若是存在波動(dòng)的問(wèn)題，那么就會(huì)造成各種關(guān)鍵控制信號(hào)中誤差增大，其控制過(guò)程的精度方面也會(huì)出現(xiàn)較大的模糊性，最終導(dǎo)致出現(xiàn)過(guò)高的能源消耗問(wèn)題。為了將這種模糊性有效的去除，設(shè)置參數(shù)E，用來(lái)對(duì)控制閥電壓的波動(dòng)控制誤差進(jìn)行準(zhǔn)確的描述，然后在電力電氣控制系統(tǒng)中引入該參數(shù)，設(shè)置e（t）為控制閥電壓波動(dòng)的誤差信號(hào)量，同時(shí)設(shè)置Ec為電壓波動(dòng)率，另外設(shè)置K為可變控制系數(shù)。于是可以得到Ec=Kec（t）和E=Ke（t）兩個(gè)控制模型。當(dāng)出現(xiàn)異常波動(dòng)的電壓時(shí)，可以使用U=βE+（1-β）Ec模型描述電壓信號(hào)的控制規(guī)律。其中電壓波動(dòng)幅度系數(shù)表示為β，普遍將β的值設(shè)為1。若是出現(xiàn)較大的電壓波動(dòng)時(shí)，可以使用該種方法有效的統(tǒng)計(jì)誤差。同時(shí)在整個(gè)控制過(guò)程中都可以使用控制閥電壓波動(dòng)下的電氣控制來(lái)測(cè)試控制效果，但是在電壓波動(dòng)的狀態(tài)下，電壓、控制誤差之間具有不穩(wěn)定的關(guān)系[1]。

在控制數(shù)據(jù)較多的時(shí)候，對(duì)采集數(shù)據(jù)進(jìn)行分析，控制法電壓在實(shí)際運(yùn)行中出現(xiàn)的波動(dòng)變化可以使用ΔKd、ΔKi、ΔKp來(lái)表示，并在（-1，1）區(qū)間內(nèi)對(duì)這些變化參數(shù)進(jìn)行歸化，并限制其電壓波動(dòng)范圍。然后采取假設(shè)其模糊子集的方法，設(shè)置發(fā)生變化的模糊標(biāo)準(zhǔn)，另外在得懂電壓控制參數(shù)ΔKd等的變化規(guī)則之后，采取最優(yōu)化的關(guān)聯(lián)控制方法控制這些參數(shù)，以便對(duì)消除電氣控制閥波動(dòng)干擾提供保障。

1.2尋優(yōu)法

2多層神經(jīng)網(wǎng)絡(luò)控制方法

2.1建立模型

智能化節(jié)能調(diào)節(jié)控制閥電壓時(shí)可以采取建立多層次神經(jīng)網(wǎng)絡(luò)模型的方法，多層神經(jīng)網(wǎng)絡(luò)的屬于前向網(wǎng)絡(luò)的一種形式，非線性是電力電氣控制閥中電壓變化所表現(xiàn)出的特征，而線性是神經(jīng)網(wǎng)絡(luò)輸入層、輸出層的特征，將該系統(tǒng)輸入層的數(shù)據(jù)選為電力電氣控制閥電壓控制過(guò)程中的參數(shù)，而輸出層的數(shù)據(jù)選擇其最優(yōu)電壓參數(shù)，同時(shí)電力電氣控制閥電壓動(dòng)態(tài)變化有多層神經(jīng)網(wǎng)絡(luò)的隱含層來(lái)負(fù)責(zé)，具體的控制模型如圖1 所示

根據(jù)該模型可以得到的參數(shù)，可以對(duì)神經(jīng)網(wǎng)絡(luò)輸出層的最優(yōu)節(jié)能電壓值進(jìn)行確定，同時(shí)使用這種方法得到的訓(xùn)練效率最高，所以不恰當(dāng)?shù)卦O(shè)置初始值造成局部控制電壓出現(xiàn)最小值的問(wèn)題是不存在的，使用該種方法有利于促進(jìn)電壓節(jié)能控制精度的提高[3]。

2.2仿真實(shí)驗(yàn)

在提出該模型之后，為了驗(yàn)證其可行性，于是提出對(duì)其進(jìn)行仿真實(shí)驗(yàn)的方法，節(jié)能控制對(duì)象使用大型電力設(shè)備，該設(shè)備的能量源選擇10v-30v的電壓，在信號(hào)采集時(shí)選擇高精度信號(hào)采集卡設(shè)備，且在實(shí)驗(yàn)中保證控制電壓在安全的應(yīng)用范圍內(nèi)，對(duì)于數(shù)據(jù)的搜集使用核心處理器，然后在利用轉(zhuǎn)換裝置將其變?yōu)槟軌驊?yīng)用到電氣設(shè)備中的可用電壓，然后合理調(diào)控電壓，使其始終能夠在合理的高精度范圍內(nèi)變化，最后又計(jì)算機(jī)輸入?yún)?shù)變化結(jié)果，并仿真統(tǒng)計(jì)變化結(jié)果。

篇10

關(guān)鍵詞：電子政務(wù)；績(jī)效評(píng)價(jià)；神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)： TP18文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044(2011)13-3103-02

Research on Performance Evaluation of E-government

NING Bin, WU Zhao, ZHOU Jian-wei

(Maths & Computer Science School, Xiangfan University, Xiangfan 441053, China)

Abstract: In the thesis, beginning with ananalysis of methods ofperformance evaluation of E-government, performance evaluation system of its is built up. And then model applying neural network to evaluate the performance of E-government is designed, which offers a new method for evaluating the performance of E-government.

Key words: e-government; performance evaluation; neural network

隨著電子政務(wù)的建設(shè)與應(yīng)用，電子政務(wù)的績(jī)效評(píng)價(jià)研究也引起了我國(guó)各級(jí)政府的高度重視。電子政務(wù)績(jī)效評(píng)價(jià)，是指運(yùn)用一定的評(píng)估方法、量化指標(biāo)及評(píng)估標(biāo)準(zhǔn)，綜合性考核與評(píng)估電子政務(wù)的建設(shè)、運(yùn)行和管理過(guò)程，以促進(jìn)電子政務(wù)管理水平和應(yīng)用績(jī)效的提高。現(xiàn)有的評(píng)測(cè)方法及其內(nèi)容很多，歸納起來(lái)主要集中在評(píng)價(jià)視角、評(píng)價(jià)方法、調(diào)查手段等三個(gè)方面。

1 電子政務(wù)績(jī)效評(píng)價(jià)方法

1）從評(píng)價(jià)視角來(lái)看。電子政務(wù)的用戶主要分為兩種角色:“提供者”和“需求者”?；凇疤峁┱摺苯巧u(píng)價(jià)就是從政府電子政務(wù)實(shí)施的視角出發(fā)，基于政府對(duì)用戶需求的理解來(lái)設(shè)計(jì)評(píng)價(jià)屬性。這類評(píng)價(jià)主要是通過(guò)調(diào)查電子政務(wù)的外在表現(xiàn)形式（網(wǎng)站）來(lái)了解信息可得性、電子服務(wù)提供和質(zhì)量，對(duì)特殊用戶、安全、交互的支持等方面的情況。但缺乏收集有關(guān)政府職員和公眾真正需求的數(shù)據(jù)。另一方面，“需求者”角色評(píng)價(jià)則從用戶體驗(yàn)和需求的角度出發(fā)，采取與用戶交互的方式來(lái)調(diào)查電子政務(wù)提供的各種要素（包括信息內(nèi)容、電子服務(wù)等）的使用效果，用戶對(duì)各項(xiàng)服務(wù)的感興趣程度以及不使用某些服務(wù)的原因等方面的情況，從而評(píng)定電子政務(wù)的服務(wù)水平和質(zhì)量。

目前，從“提供者”角色出發(fā)的電子政務(wù)評(píng)價(jià)，往往不能很好反映用戶的需求和體驗(yàn)，更不能適應(yīng)電子政府“面向用戶”的發(fā)展趨勢(shì)，而基于“需求者”角色的評(píng)價(jià)則恰恰相反。但目前，從需求者角度出發(fā)的評(píng)價(jià)大多采用定性化問(wèn)題來(lái)隨機(jī)調(diào)查用戶，獲得的答案再量化成分值。這樣通常會(huì)產(chǎn)生兩個(gè)問(wèn)題：①如果問(wèn)卷設(shè)計(jì)的不合理（如問(wèn)題缺少定量化描述或表述不清楚），會(huì)造成評(píng)價(jià)結(jié)果過(guò)于粗略，無(wú)法真實(shí)反映用戶體驗(yàn)；②如果采用的調(diào)查方式不合理，不能全面獲得各類用戶的反饋，評(píng)價(jià)結(jié)果的科學(xué)性將大打折扣。

2）從評(píng)價(jià)方法看?，F(xiàn)有基于電子政務(wù)評(píng)價(jià)大體可分為四類：網(wǎng)站技術(shù)屬性和信息內(nèi)容（如網(wǎng)站可用性、易用性和信息可得性）、在線服務(wù)的使用（如服務(wù)的數(shù)量和質(zhì)量）、電子服務(wù)和電子政務(wù)效果及對(duì)用戶的影響。這四種類型由淺入深構(gòu)成了電子政務(wù)評(píng)價(jià)發(fā)展的層次。目前，大多數(shù)評(píng)價(jià)停留在評(píng)價(jià)網(wǎng)站的使用和信息可得性方面，而對(duì)服務(wù)功能、質(zhì)量有效性等方面的評(píng)價(jià)還處于探索階段。

3）從調(diào)查手段、收集數(shù)據(jù)方式來(lái)看。目前的評(píng)價(jià)采用的主要調(diào)查方式有：網(wǎng)上/網(wǎng)下問(wèn)卷調(diào)查、面對(duì)面訪問(wèn)/電話訪問(wèn)等。在實(shí)際用用中，可以針對(duì)不同類型數(shù)據(jù)，采用不同的方法收集，避免采用單一的收集方式。當(dāng)然，需要考慮收集收集時(shí)所需要的成本因素。如：可用性測(cè)試數(shù)據(jù)，可采用專家評(píng)估法或?qū)嶒?yàn)測(cè)試法收集；用戶反饋數(shù)據(jù)，可采用網(wǎng)上隨機(jī)抽樣問(wèn)卷調(diào)查、網(wǎng)下抽樣問(wèn)卷調(diào)查、集中面對(duì)面訪問(wèn)/電話訪問(wèn)等方式收集；使用情況類數(shù)據(jù)， 可采用網(wǎng)絡(luò)日志分析等方式獲得；網(wǎng)絡(luò)特性類數(shù)據(jù)，可采用一些網(wǎng)絡(luò)性能測(cè)試軟件來(lái)獲取。

2 電子政務(wù)績(jī)效評(píng)價(jià)體系

對(duì)于如何采用科學(xué)的指標(biāo)體系來(lái)定性定量的評(píng)價(jià)電子政務(wù)的績(jī)效尚缺乏具有權(quán)威性的統(tǒng)一認(rèn)識(shí)，但電子政務(wù)的效益和質(zhì)量是兩個(gè)核心指標(biāo)。

電子政務(wù)系統(tǒng)的效益主要是從政務(wù)系統(tǒng)的提供者（政府角度）和使用者（用戶角度）來(lái)考察。政府角度考察電子政務(wù)帶來(lái)的時(shí)間、費(fèi)用節(jié)省和辦事效率的提高；用戶角度考察通過(guò)該電子政務(wù)，用戶得到的信息量以及辦事效率的提高等。其次，電子政務(wù)是一個(gè)運(yùn)行的系統(tǒng)，其績(jī)效水平的高低不僅僅直接地表現(xiàn)為系統(tǒng)的效益，而且取決于電子政務(wù)的質(zhì)量及運(yùn)行過(guò)程中的能力和屬性。其質(zhì)量主要包括信息更新率、用戶滿意度、防病毒能力和用戶界面友好程度等方面。

歸納起來(lái)，電子政務(wù)績(jī)效評(píng)價(jià)指標(biāo)體系，表現(xiàn)為以“信息公開(kāi)、在線辦事、公眾參與、網(wǎng)站建設(shè)與內(nèi)容保障”等主要內(nèi)容，如表1所示。

3 基于神經(jīng)網(wǎng)絡(luò)的電子政務(wù)績(jī)效評(píng)價(jià)模型

神經(jīng)網(wǎng)絡(luò)是一個(gè)簡(jiǎn)單而有效的網(wǎng)絡(luò)，可應(yīng)用于電子政務(wù)的績(jī)效評(píng)價(jià)。其過(guò)程是：把用來(lái)描述電子政務(wù)績(jī)效基本特征的評(píng)價(jià)指標(biāo)信息作為神經(jīng)網(wǎng)絡(luò)的輸入向量X=（x1,x2,...,xn），將代表相應(yīng)綜合評(píng)價(jià)結(jié)果的值作為神經(jīng)網(wǎng)絡(luò)的輸出Y；然后，再用足夠的樣本即實(shí)例來(lái)訓(xùn)練這個(gè)網(wǎng)絡(luò)，經(jīng)過(guò)反復(fù)迭代，使不同的輸入向量得到不同的輸出量值，這樣神經(jīng)網(wǎng)絡(luò)所持有的權(quán)系數(shù)值Wij、閾值(當(dāng)i=0時(shí)，Wij代表閾值)，就是網(wǎng)絡(luò)經(jīng)過(guò)自適應(yīng)學(xué)習(xí)所得到的內(nèi)部表示。

基于神經(jīng)網(wǎng)絡(luò)的電子政務(wù)績(jī)效評(píng)價(jià)模型如圖1所示，特征參量由輸入層神經(jīng)元輸入，然后直接輸出，而隱含層和輸出層的每個(gè)神經(jīng)元輸入量為上一層神經(jīng)元的輸出的加權(quán)和。其學(xué)習(xí)的過(guò)程就是調(diào)整神經(jīng)元間的連接權(quán)重，使得輸出值等于或接近理想的目標(biāo)值。一旦神經(jīng)網(wǎng)絡(luò)訓(xùn)練完畢，即可作為，電子政務(wù)績(jī)效評(píng)價(jià)的有效工具。

4 結(jié)束語(yǔ)

本文從評(píng)價(jià)視角、評(píng)價(jià)方法、調(diào)查手段等三個(gè)方面深入的分析現(xiàn)有的電子政務(wù)績(jī)效評(píng)價(jià)對(duì)象和過(guò)程，在此基礎(chǔ)上總結(jié)電子政務(wù)系統(tǒng)績(jī)效評(píng)價(jià)的共性特征,以其效益、質(zhì)量等兩個(gè)內(nèi)涵方面為主,確定了電子政務(wù)績(jī)效評(píng)價(jià)體系；嘗試神經(jīng)網(wǎng)絡(luò)應(yīng)用于電子政務(wù)績(jī)效評(píng)價(jià)，為評(píng)價(jià)電子政務(wù)的績(jī)效水平提供一種參考模型和評(píng)價(jià)依據(jù)。但是，神經(jīng)網(wǎng)絡(luò)模型要求具有一定的學(xué)習(xí)樣本。因此，在后續(xù)的改進(jìn)和研究工作中，需要進(jìn)一步確定高質(zhì)量的學(xué)習(xí)樣本，以提高神經(jīng)網(wǎng)絡(luò)模型的學(xué)習(xí)性能。

參考文獻(xiàn)：

[1] 彭細(xì)正.電子政務(wù)門(mén)戶網(wǎng)站績(jī)效評(píng)估研究[J].信息化建設(shè),2004(10).

[2] 楊云飛,白慶華.電子政務(wù)評(píng)價(jià)指標(biāo)體系[J].計(jì)算機(jī)應(yīng)用與軟件,2004(8).

[3] 謝一帆.電子政務(wù)績(jī)效評(píng)估的國(guó)際背景研究[J].電子政務(wù),2005(9).