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

篇1

【關(guān)鍵詞】過(guò)程神經(jīng)網(wǎng)絡(luò) 量子混合蛙跳算法

過(guò)程神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的信息處理能力，在實(shí)際中有著廣泛應(yīng)用。然而隨著信息量的增加及處理的復(fù)雜化，該技術(shù)的不足之處也漸漸顯露，如對(duì)較大樣本的學(xué)習(xí)很難解決、不能滿足系統(tǒng)反映時(shí)變輸入信息對(duì)輸出的累積效應(yīng)等。在長(zhǎng)期探索中，多位專業(yè)人員不斷提出新的方法，但都有一定的缺陷。量子進(jìn)化計(jì)算的全局尋優(yōu)能力較強(qiáng)，蛙跳算法則具備計(jì)算簡(jiǎn)單快速的優(yōu)勢(shì)，在此將二者相結(jié)合，提出一種的新的算法，以提高過(guò)程神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性。

1 量子混合蛙跳算法在過(guò)程神經(jīng)網(wǎng)絡(luò)優(yōu)化中的應(yīng)用

1.1 個(gè)體編碼方案設(shè)計(jì)

|0〉和|1〉是微觀粒子基本狀態(tài)在量子計(jì)算中的表現(xiàn)形式，用其線性組合|φ〉=α |0〉+β|1〉可表示單量子比特的所有狀態(tài)，但其應(yīng)符合|α|2 +|β|2 =1的要求。因此，可按照疊加理論，將量子比特的全部狀態(tài)均表示為：

|φ〉=cos|0〉+eiφsin |1〉

上式中，θ[0， π]，φ[0， 2π]，且（cos）2 +（eiφsin ）2 =1

可見(jiàn)，量子比特是由θ及φ兩個(gè)變量所刻畫的矢量空間，并可利用Bloch球面進(jìn)行直觀的描述。設(shè)種群為m，優(yōu)化空間為n維，采用Bloch球面坐標(biāo)編碼，可將第i個(gè)待優(yōu)化的個(gè)體編碼為：

其中，i=1，2，…，m；j=1，2，…，n；θij[0， π]，φij[0， 2π]

1.2 QSFLA的種群評(píng)估

1.2.1 個(gè)體解空間變換

QSFLA中的每只青蛙都有三組Bloch坐標(biāo)，x=cosφsinθ，y=sinφsinθ，z=cosθ，各自都表示一個(gè)優(yōu)化解?？紤]到x、y、z都 [-1，1]，需對(duì)其進(jìn)行解空間變換。設(shè)待優(yōu)化問(wèn)題的第j維變量[Min（j），Max（j）]，可將解空間變化表示如下：

Xij = [Min（j）（1xij） + Max（j）（1+xij）]

Yij = [Min（j）（1yij） + Max（j）（1+yij）]

Zij = [Min（j）（1zij） + Max（j）（1+zij）]

1.2.2 QSFLA的種族評(píng)估

依次將青蛙個(gè)體各自對(duì)應(yīng)的解代入到適應(yīng)度函數(shù)，對(duì)其適應(yīng)度進(jìn)行計(jì)算。確保整個(gè)種群中最優(yōu)青蛙所對(duì)應(yīng)的幅角為θg和φg，而子種群中的最優(yōu)青蛙相對(duì)應(yīng)的幅角則為θb和φb，子種群中的最差青蛙相對(duì)應(yīng)的幅值為θw和φw 。

1.3 QSFLA的種群進(jìn)化

1.3.1 QSFLA個(gè)體更新

針對(duì)子種群中最差的青蛙量子位幅角增量的更新：

Δθ=rand（）（θb-θw），Δφ =rand（）（φb-φw）

在此借助量子旋轉(zhuǎn)門改變量子比特的相位：

基于量子旋轉(zhuǎn)門的量子位概率幅更新：

對(duì)上式進(jìn)行分析，Δθ和Δφ兩轉(zhuǎn)角的大小和符號(hào)分別決定著收斂速度和方向，因此極為關(guān)鍵。為不影響算法效率，可將其看做是Block球面的旋轉(zhuǎn)，即量子比特在上面繞著某一固定軸進(jìn)行旋轉(zhuǎn)。通過(guò)旋轉(zhuǎn)可使兩個(gè)參數(shù)同時(shí)改變，以提升優(yōu)化能力。

1.3.2 自適應(yīng)混沌旋轉(zhuǎn)角度算子

混沌優(yōu)化方法適用于小空間搜索，在較大空間中搜索效果較弱，與蛙跳算法子群內(nèi)部的全局遍歷十分適應(yīng)。其公式如下：

δ（t）=δmin + × L×（δmaxδmin）

上式中，結(jié)合旋轉(zhuǎn)角度和進(jìn)化代數(shù)進(jìn)行適應(yīng)調(diào)整，在進(jìn)化初期，便可實(shí)現(xiàn)算法較大幅角的搜索工作。進(jìn)化代數(shù)不斷增加，幅角隨之減小，為進(jìn)化后期的精細(xì)搜索提供了便利。Lj+1=μLj（1Lj），μ=4是一個(gè)Logistic混沌序列，可讓旋轉(zhuǎn)操作在解空間內(nèi)進(jìn)行遍歷，對(duì)提高搜索效率較為有利。為提高收斂速度，用δmin和δmax分別表示允許旋轉(zhuǎn)角的最小及最大值。通過(guò)自適應(yīng)調(diào)整，使得局部?jī)?yōu)化的遍歷性有所增強(qiáng)，且不需要將量子門轉(zhuǎn)角的方向與當(dāng)前最優(yōu)個(gè)體對(duì)比，有利于促進(jìn)種群的進(jìn)一步優(yōu)化。

2 量子混合蛙跳算法的改進(jìn)

在混合蛙跳算法分組中，若采用標(biāo)準(zhǔn)的分法，適應(yīng)值較差的青蛙常分在最后一組，則其向最好青蛙學(xué)習(xí)的效果較弱。為此，提出一種新方法：初始種群P，先按照標(biāo)準(zhǔn)分組的方式將種群分為m個(gè)子群，均包含有n只青蛙；然后從其他組隨機(jī)選擇一只與該組中的最優(yōu)青蛙進(jìn)行對(duì)比更新，得到一個(gè)新青蛙，使得每組擴(kuò)大到n+（m-1）個(gè)青蛙，使得分組更為多樣；當(dāng)每組進(jìn)化迭代完成后，再將各組進(jìn)行重新合并，形成一個(gè)新種群，對(duì)其中青蛙的適應(yīng)值進(jìn)行計(jì)算閉關(guān)重新排序，取前P個(gè)進(jìn)入下一輪迭代。

3 結(jié)束語(yǔ)

該方法將過(guò)程神經(jīng)網(wǎng)絡(luò)的基函數(shù)展開(kāi)項(xiàng)數(shù)、隱層神經(jīng)元個(gè)數(shù)和其他常熟參數(shù)作為一個(gè)優(yōu)化整體，具有很多優(yōu)勢(shì)，在實(shí)踐中也證明了該算法的合理性，值得推廣應(yīng)用。

作者簡(jiǎn)介

張小軍（1980-），男，河南省人。現(xiàn)為河南教育學(xué)院信息技術(shù)系講師。主要研究方向?yàn)樵朴?jì)算、數(shù)據(jù)挖掘、通信技術(shù)。

作者單位

篇2

關(guān)鍵詞： 網(wǎng)絡(luò)流量檢測(cè)； 群智能算法； RBF神經(jīng)網(wǎng)絡(luò)； 網(wǎng)絡(luò)安全

中圖分類號(hào)： TN926?34； TP393 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2016）20?0012?03

Abstract： The application of swarm intelligence optimizing neural network in network security and a network traffic detection model based on neural network algorithm are studied in this paper. QAPSO algorithm is used to optimize the basis function center and base function width of RBF neural network， and the connection weights of the output layer and the hidden layer as well. The detection model studied in this paper is analyzed by means of an example. The collected data is used to train the network traffic identification system and test its performance. The method researched in this paper is compared with the algorithms based on the conventional PSO and HPSO. The results show that the detection method has a faster recognition speed and better recognition accuracy， and can avoid the occurrence of local optimal solutions.

Keywords： network traffic detection； swarm intelligence algorithm； RBF neural network； network security

0 引 言

隨著互聯(lián)網(wǎng)技術(shù)不斷發(fā)展和普及，互聯(lián)網(wǎng)絡(luò)中的應(yīng)用和服務(wù)類型不斷增加，為了提高網(wǎng)絡(luò)安全，保護(hù)網(wǎng)民、公司企業(yè)以及政府部門等的財(cái)產(chǎn)與利益，需要對(duì)網(wǎng)絡(luò)流量進(jìn)行高效的監(jiān)測(cè)[1?2]。

RBF神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的非線性擬合能力，即非線性映射能力，以及自學(xué)能力，同時(shí)便于計(jì)算機(jī)實(shí)現(xiàn)，因而在網(wǎng)絡(luò)流量檢測(cè)等網(wǎng)絡(luò)安全領(lǐng)域得到了廣泛應(yīng)用。但是RBF神經(jīng)網(wǎng)絡(luò)的性能特別依賴網(wǎng)絡(luò)參數(shù)選取的好壞，而傳統(tǒng)RBF神經(jīng)網(wǎng)絡(luò)參數(shù)通常由人為按經(jīng)驗(yàn)或隨機(jī)選取，因此網(wǎng)絡(luò)的性能具有較強(qiáng)的隨機(jī)性[3?4]。

近年來(lái)，群智能優(yōu)化算法逐漸發(fā)展并得到較為廣泛的應(yīng)用，其中粒子群優(yōu)化算法是一種能夠全局優(yōu)化，具有建模速度快、收斂效率高的群智能優(yōu)化算法，然而使用常規(guī)PSO算法優(yōu)化神經(jīng)網(wǎng)絡(luò)仍然存在收斂速度和全局優(yōu)化能力不能夠達(dá)到平衡等問(wèn)題[5?7]。因此本文研究一種基于量子自適應(yīng)粒子群優(yōu)化算法（QAPSO），對(duì)RBF神經(jīng)網(wǎng)絡(luò)的基函數(shù)中心[Ci]、基函數(shù)的寬度[σi]以及輸出層與隱含層的連接權(quán)值[wi]進(jìn)行優(yōu)化。

1 基于群智能優(yōu)化的神經(jīng)網(wǎng)絡(luò)算法

本文研究的QAPSO優(yōu)化算法主要分為4部分，分別為初始化種群、估計(jì)進(jìn)化狀態(tài)、控制參數(shù)自適應(yīng)以及處理變異[8]。

1.1 初始化種群

2 實(shí)例分析

為驗(yàn)證本文建立基于QAPSO優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量檢測(cè)模型的性能，使用基于Libsvm軟件包的C#程序并結(jié)合數(shù)值計(jì)算軟件Matlab R2014對(duì)網(wǎng)絡(luò)流量進(jìn)行采集、計(jì)算以及分類。網(wǎng)絡(luò)流量檢測(cè)類型如表2所示。

表2 網(wǎng)絡(luò)流量檢測(cè)類型

使用常規(guī)PSO優(yōu)化算法及HPSO優(yōu)化算法對(duì)RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，并建立同樣的網(wǎng)絡(luò)流量檢測(cè)模型，使用同樣的訓(xùn)練數(shù)據(jù)樣本進(jìn)行訓(xùn)練，使用同樣的測(cè)試數(shù)據(jù)樣本進(jìn)行性能測(cè)試。常規(guī)PSO優(yōu)化算法的參數(shù)為空間維度[D=24]，粒子數(shù)量[N=30]，最大迭代次數(shù)[tmax=200]，連接權(quán)值[w=0.9～0.4]，加速系數(shù)[c1]和[c2]均為2。HPSO優(yōu)化算法的參數(shù)為空間維度[D=24]，粒子數(shù)量[N=30]，最大迭代次數(shù)[tmax=200]，連接權(quán)值[w=0.8～0.2]，加速系數(shù)[c1]和[c2]均為2.5，[Vmaxd=0.5×Range]。QAPSO算法的參數(shù)為空間維度[D=24]，粒子數(shù)量[N=30]，最大迭代次數(shù)[tmax=200]，連接權(quán)值[w=0.8～0.2]，加速系數(shù)[c1]和[c2]為1.5～2.5，[Vmaxd=Range]，[r1d]和[r2d]為0～1之間的隨機(jī)數(shù)。

從圖1可以看出，常規(guī)PSO優(yōu)化算法使得適應(yīng)度函數(shù)收斂到穩(wěn)定值時(shí)的迭代次數(shù)為171次，HPSO優(yōu)化算法使用了112次，而本文研究的QAPSO優(yōu)化算法只使用了76次。同時(shí)，本文研究的QAPSO優(yōu)化算法的收斂值更低，適應(yīng)度函數(shù)的值即為RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練誤差，因此適應(yīng)度函數(shù)越小，RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練誤差越小，性能越好。因此，本文研究的QAPSO優(yōu)化算法相比另外兩種PSO優(yōu)化算法具有更快的收斂速度和更高的收斂精度，極大地提高了RBF神經(jīng)網(wǎng)絡(luò)的泛化能力。使用本文研究的QAPSO?RBF檢測(cè)模型及常規(guī)PSO和HPSO優(yōu)化RBF算法的檢測(cè)模型對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行識(shí)別。表3為三種檢測(cè)模型的檢測(cè)準(zhǔn)確率與反饋率對(duì)比。圖2為三種模型的平均檢測(cè)率和反饋率對(duì)比。

通過(guò)表3的數(shù)據(jù)可以看出，本文研究的QAPSO?RBF檢測(cè)模型對(duì)12種類型網(wǎng)絡(luò)服務(wù)與應(yīng)用均有較好的識(shí)別準(zhǔn)確率和反饋率，平均識(shí)別準(zhǔn)確率達(dá)到了92.81%，比HPSO?RBF算法的平均識(shí)別準(zhǔn)確率高出3.49%，比PSO?RBF算法的平均識(shí)別準(zhǔn)確率高出6.99%。QAPSO?RBF識(shí)別算法的平均識(shí)別反饋率達(dá)到了94.81%，比HPSO?RBF算法的平均識(shí)別反饋率高出3.51%，比PSO?RBF算法的平均識(shí)別反饋率高出7.28%?？杀砻飨啾绕渌Ｗ尤簝?yōu)化算法，本文研究的QAPSO優(yōu)化算法在進(jìn)行多次迭代后仍然具有較好的活躍性，跳出局部最優(yōu)解，對(duì)最佳值的全局搜索能力具有非常顯著的提高，加快了算法收斂速率，提高了識(shí)別準(zhǔn)確率。

3 結(jié) 論

本文研究一種群智能優(yōu)化神經(jīng)網(wǎng)絡(luò)算法的網(wǎng)絡(luò)流量檢測(cè)模型。通過(guò)實(shí)際測(cè)試驗(yàn)證，相比其他粒子群優(yōu)化算法，本文研究的QAPSO優(yōu)化算法在進(jìn)行多次迭代后仍然具有較好的活躍性，跳出局部最優(yōu)解，對(duì)最佳值的全局搜索能力具有非常顯著的提高，加快了算法收斂速率，提高了識(shí)別準(zhǔn)確率。

參考文獻(xiàn)

[1] 盧金娜.基于優(yōu)化算法的徑向基神經(jīng)網(wǎng)絡(luò)模型的改進(jìn)及應(yīng)用[D].太原：中北大學(xué)，2015.

[2] 鐘建坤，周永福.群智能算法優(yōu)化神經(jīng)網(wǎng)絡(luò)在網(wǎng)絡(luò)安全的應(yīng)用研究[J].激光雜志，2015，36（4）：143?146.

[3] 李博.粒子群優(yōu)化算法及其在神經(jīng)網(wǎng)絡(luò)中的應(yīng)用[D].大連：大連理工大學(xué)，2005.

[4] 蔣林利.改進(jìn)的PSO算法優(yōu)化神經(jīng)網(wǎng)絡(luò)模型及其應(yīng)用研究[D].廈門：廈門大學(xué)，2014.

[5] 陳偉.基于群體智能算法的人工神經(jīng)網(wǎng)絡(luò)優(yōu)化及其應(yīng)用[D].無(wú)錫：江南大學(xué)，2007.

[6] 劉曉剛.群體智能算法在RBF神經(jīng)網(wǎng)絡(luò)中的應(yīng)用[D].青島：青島大學(xué)，2008.

[7] 馬汝輝.基于網(wǎng)絡(luò)流量異常檢測(cè)的網(wǎng)絡(luò)安全技術(shù)研究[D].無(wú)錫：江南大學(xué)，2008.

篇3

關(guān)鍵詞：電網(wǎng)規(guī)劃；交流線路；線路長(zhǎng)度；多元回歸；神經(jīng)網(wǎng)絡(luò) 文獻(xiàn)標(biāo)識(shí)碼：A

中圖分類號(hào)：TP273 文章編號(hào)：1009-2374（2016）22-0062-03 DOI：10.13535/ki.11-4406/n.2016.22.030

1 概述

電網(wǎng)規(guī)劃是電網(wǎng)安全穩(wěn)定運(yùn)行的基石，電網(wǎng)規(guī)劃數(shù)據(jù)的準(zhǔn)確性尤其是數(shù)據(jù)中交流架空線路參數(shù)的準(zhǔn)確性對(duì)規(guī)劃結(jié)果的合理性具有重要影響。

對(duì)于輸電線路的參數(shù)辨識(shí)方法較多，例如增廣狀態(tài)估計(jì)法、偏移向量法、卡爾曼濾波法等傳統(tǒng)數(shù)值方法，這些方法能較好地逼滑目標(biāo)函數(shù)的極值點(diǎn)，但其迭代過(guò)程都依賴量測(cè)方程的增廣雅可比矩陣，苛刻地要求量測(cè)系統(tǒng)必須同時(shí)滿足狀態(tài)可觀測(cè)和參數(shù)可估計(jì)條件，并且可能遭受數(shù)值問(wèn)題的干擾。參考文獻(xiàn)[4]中提出一種線路參數(shù)估計(jì)啟發(fā)式方法，將目標(biāo)函數(shù)從增廣解空間垂直投影到參數(shù)空間，以啟發(fā)式方法搜索參數(shù)空間，尋找投影下表面的下確解，較好地解決了數(shù)值問(wèn)題的干擾。參考文獻(xiàn)[5]在基于雙端PMU數(shù)據(jù)的線路線性數(shù)學(xué)模型和相應(yīng)的最小二乘辨識(shí)的基礎(chǔ)上，引入基于IGG法的抗差準(zhǔn)則。

2 BP人工神經(jīng)網(wǎng)絡(luò)

2.1 BP神經(jīng)網(wǎng)絡(luò)模型

BP神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層和輸出層三層網(wǎng)絡(luò)組成。BP神經(jīng)網(wǎng)絡(luò)的核心在于其誤差反向傳播，反向傳播的學(xué)習(xí)規(guī)則是基于梯度下降法，由輸出端的實(shí)際輸出值與期望輸出值的誤差平方和進(jìn)行鏈?zhǔn)角髮?dǎo)，從而各層之間的連接權(quán)值。

2.2 BP神經(jīng)網(wǎng)絡(luò)模型算法優(yōu)缺點(diǎn)分析

神經(jīng)網(wǎng)絡(luò)可以充分逼近任意復(fù)雜的非線性關(guān)系；采用并行分布處理方法；可學(xué)習(xí)和自適應(yīng)不確定的系統(tǒng)等。

BP神經(jīng)網(wǎng)絡(luò)算法的極小化代價(jià)函數(shù)易產(chǎn)生收斂慢或者振蕩的現(xiàn)象；代價(jià)函數(shù)不是二次的，而是非凸的，存在許多局部極小點(diǎn)的超曲面。這也導(dǎo)致神經(jīng)網(wǎng)絡(luò)算法對(duì)初值的要求較高，給定較好的初值，BP神經(jīng)網(wǎng)絡(luò)的收斂速度會(huì)大大加快，而且不易陷入局部極小值。

3 線路參數(shù)辨識(shí)中多元回歸模型與神經(jīng)網(wǎng)絡(luò)的結(jié)合

3.1 線路長(zhǎng)度回歸計(jì)算模型

實(shí)際工程中，線路長(zhǎng)度與阻抗導(dǎo)納值之間的關(guān)系是確定的，對(duì)于架空線路，當(dāng)長(zhǎng)度小于300km時(shí)，其阻抗導(dǎo)納參數(shù)等于該型號(hào)架空線路單位長(zhǎng)度的阻抗導(dǎo)納值與線路長(zhǎng)度的乘積，此時(shí)阻抗導(dǎo)納參數(shù)與線路長(zhǎng)度為簡(jiǎn)單的線性關(guān)系；而當(dāng)長(zhǎng)度大于300km時(shí)，其阻抗導(dǎo)納參數(shù)的值就需要考慮長(zhǎng)距離輸電線路分布參數(shù)的情況，此時(shí)并不能用簡(jiǎn)單的線性關(guān)系來(lái)描述。

在建立線路長(zhǎng)度回歸計(jì)算模型時(shí)，首先忽略線路的分布參數(shù)特性，建立回歸模型如下：

式中：L表示線路長(zhǎng)度；lX表示通過(guò)電抗參數(shù)除以單位長(zhǎng)度的電抗值得到的線路長(zhǎng)度；lR表示通過(guò)電阻參數(shù)得到的線路長(zhǎng)度；lG表示通過(guò)電導(dǎo)參數(shù)得到的線路長(zhǎng)度；lB表示通過(guò)電納參數(shù)得到的線路長(zhǎng)度；K1、K2、K3、K4、K5分別為各自的系數(shù)值。

回歸方程的求解采用最小二乘法，目標(biāo)是使長(zhǎng)度的計(jì)算值與長(zhǎng)度的實(shí)際值差值的平方和達(dá)到最小，目標(biāo)函數(shù)為：

J=∑Ni=1（Li～-Li）2

式中：J為線路長(zhǎng)度計(jì)算值與實(shí)際值差值平方和；N為樣本線路的條數(shù)；Li～為線路長(zhǎng)度的實(shí)際值；Li為線路長(zhǎng)度通過(guò)回歸模型的計(jì)算值。

3.2 BP神經(jīng)網(wǎng)絡(luò)模型的建立

當(dāng)考慮線路長(zhǎng)度的分布參數(shù)情況時(shí)，線路參數(shù)之間就不僅是簡(jiǎn)單的線性關(guān)系，本文建立了神經(jīng)網(wǎng)絡(luò)模型，輸入層為線路的電阻、電抗、電導(dǎo)和電納參數(shù)值；隱含層包含5個(gè)神經(jīng)元；輸出層為線路的長(zhǎng)度值。

如圖1所示，神經(jīng)網(wǎng)絡(luò)模型的輸入層為線路的阻抗導(dǎo)納值；輸出層結(jié)果為線路長(zhǎng)度，其中隱含層到輸出層的連接權(quán)值采用3.1中回歸模型的5個(gè)系數(shù)值作為初始值，然后輸入樣本值對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，直到輸出實(shí)際值與理想值滿足誤差要求時(shí)停止。

4 回歸分析與神經(jīng)網(wǎng)絡(luò)結(jié)合模型在線路參數(shù)辨識(shí)中的應(yīng)用

4.1 線路參數(shù)辨識(shí)流程

根據(jù)以下步驟建立線路參數(shù)辨識(shí)模型，完成對(duì)BPA中交流架空線路的電阻、電抗、電導(dǎo)和電納參數(shù)的辨識(shí)。

第一步：提取BPA中所有交流架空線路的完整參數(shù)信息。

第二步：訓(xùn)練回歸模型和神經(jīng)網(wǎng)絡(luò)模型，直至滿足收斂標(biāo)準(zhǔn)。

第三步：判斷線路長(zhǎng)度參數(shù)是否填寫。如果已填寫線路長(zhǎng)度則進(jìn)入步驟四，若沒(méi)有填寫線路長(zhǎng)度進(jìn)入步驟五。

第四步：根據(jù)已訓(xùn)練完成的神經(jīng)網(wǎng)絡(luò)模型反推線路的長(zhǎng)度值，并比較線路長(zhǎng)度的訓(xùn)練值與長(zhǎng)度填寫值之間的差距，如果兩者差距在合理范圍之內(nèi)，進(jìn)入步驟六，如果兩者差距過(guò)大，則采用長(zhǎng)度訓(xùn)練值進(jìn)行后續(xù)的參數(shù)辨識(shí)過(guò)程。

第五步：根據(jù)已訓(xùn)練完成的神經(jīng)網(wǎng)絡(luò)模型反推線路的長(zhǎng)度值。

第六步：根據(jù)單位標(biāo)準(zhǔn)參數(shù)值與線路長(zhǎng)度計(jì)算得到線路參數(shù)的標(biāo)準(zhǔn)值，將標(biāo)準(zhǔn)值與線路參數(shù)的實(shí)際填寫值進(jìn)行比對(duì)，如果計(jì)算得到的標(biāo)準(zhǔn)值與實(shí)際填寫值之差沒(méi)有超過(guò)閾度值，則進(jìn)入步驟七；反之進(jìn)入步驟八。

第七步：線路參數(shù)填寫合理，進(jìn)入第十步。

第八步：線路參數(shù)填寫存在問(wèn)題并按照計(jì)算得到的標(biāo)準(zhǔn)值作為推薦的修改值，并標(biāo)識(shí)修改后的線路。

第九步：輸出標(biāo)識(shí)的不合理數(shù)據(jù)，由規(guī)劃人員審核是否接受建議的修改值。

第十步：結(jié)束參數(shù)辨識(shí)。

4.2 辨識(shí)結(jié)果分析

4.2.1 線路長(zhǎng)度訓(xùn)練結(jié)果分析。如圖2所示，采用100條線路測(cè)試樣例，長(zhǎng)度值由小到大進(jìn)行排序，折線表示線路長(zhǎng)度的實(shí)際值，折線表示的是通過(guò)本論文所建立的神經(jīng)網(wǎng)絡(luò)模型得到的線路長(zhǎng)度計(jì)算值。

對(duì)模型的訓(xùn)練誤差做進(jìn)一步分析可得：

訓(xùn)練長(zhǎng)度的平均誤差為1.35；訓(xùn)練長(zhǎng)度誤差最大值為8.9；訓(xùn)練長(zhǎng)度誤差最小值為0；訓(xùn)練長(zhǎng)度誤差均方差為1.68。

由以上數(shù)據(jù)可以看出，本論文所提的線路長(zhǎng)度訓(xùn)練算法準(zhǔn)確度較高，能夠滿足參數(shù)辨識(shí)工作的需要。

4.2.2 線路參數(shù)辨識(shí)結(jié)果。算例采用數(shù)據(jù)為某電網(wǎng)某年的實(shí)際BPA規(guī)劃數(shù)據(jù)，辨識(shí)結(jié)果如表1所示：

由表1和表2的對(duì)比可以看出，上述交流線路的電納參數(shù)的填寫的確存在問(wèn)題，由表2可以看出線路電阻和電抗的填寫值與標(biāo)準(zhǔn)值的差距很小，這說(shuō)明線路填寫的電阻和電抗值是合理的，而電納的填寫值與標(biāo)準(zhǔn)值差距較大，由此可以說(shuō)明線路電納值的填寫有誤；將表1中的辨識(shí)電納結(jié)果值與表2中的標(biāo)準(zhǔn)電納值做比較可以發(fā)現(xiàn)兩者之間差距不大，如表3所示，這說(shuō)明采用該算法進(jìn)行線路參數(shù)的辨識(shí)是有效合理的，辨識(shí)的結(jié)果值具有很大的參考價(jià)值。以上結(jié)果證明了算法的有效性，可以對(duì)參數(shù)填寫存在問(wèn)題的交流線路進(jìn)行辨識(shí)，并給出準(zhǔn)確性較高的辨識(shí)結(jié)果值作為建議修正值。

5 結(jié)語(yǔ)

本文提出了電網(wǎng)規(guī)劃數(shù)據(jù)中輸電線路參數(shù)辨識(shí)算法。算法的創(chuàng)新點(diǎn)是根據(jù)線路阻抗導(dǎo)納參數(shù)與長(zhǎng)度之間的潛在關(guān)系，首先建立線性回歸模型得到回歸系數(shù)作為BP神經(jīng)網(wǎng)絡(luò)模型隱含層到輸出層的初始連接權(quán)值，然后建立神經(jīng)網(wǎng)絡(luò)模型，訓(xùn)練線路參數(shù)與線路長(zhǎng)度之間的非線性關(guān)系。采用電網(wǎng)規(guī)劃中的實(shí)際BPA數(shù)據(jù)進(jìn)行了算法有效性的驗(yàn)證，結(jié)果表明本文提出的解決思路和算法對(duì)規(guī)劃工作具有很大的實(shí)際應(yīng)用價(jià)值。

參考文獻(xiàn)

[1] 于爾鏗.電力系統(tǒng)狀態(tài)估計(jì)[M].北京：水利電力出

版社，1985.

[2] Liu W H E，Wu F F，Lun S M.Estimation of parameter

errors from measurement residuals in stateestimation[J].

IEEE Transactions on Power Systems，1992，7（1）.

[3] Slutsker I W，Clements K A.Real time recursive

parameter estimation in energy management systems[J].

IEEE Transactions on Power Systems，1996，11（3）.

[4] 趙紅嘎，薛禹勝，汪德星，等.計(jì)及PMU支路電流

相量的狀態(tài)估計(jì)模型[J].電力系統(tǒng)自動(dòng)化，2004，28

（17）.

[5] 戴長(zhǎng)春，王正風(fēng)，張兆陽(yáng)，等.基于IGG準(zhǔn)則的抗差

最小二乘輸電線路參數(shù)辨識(shí)[J].現(xiàn)代電力，2014，31

（2）.

[6] 陳珩.電力系統(tǒng)穩(wěn)態(tài)分析[M].北京：中國(guó)電力出版

社，2007.

[7] 曾明，魏衍.一種BP神經(jīng)網(wǎng)絡(luò)改進(jìn)算法的研究及應(yīng)用

[J].微計(jì)算機(jī)信息，2009，（18）.

[8] 孟棟，樊重俊，王家楨.混沌遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)

的改進(jìn)研究[J].數(shù)學(xué)理論與應(yīng)用，2014，34（1）.

[9] 吳俊利，張步涵，王魁.基于Adaboost的BP神經(jīng)網(wǎng)

絡(luò)改進(jìn)算法在短期風(fēng)速預(yù)測(cè)中的應(yīng)用[J].電網(wǎng)技術(shù)，

2012，36（9）.

[10] 楊耿煌，溫渤嬰.基于量子行為粒子群優(yōu)化――人

工神經(jīng)網(wǎng)絡(luò)的電能質(zhì)量擾動(dòng)識(shí)別[J].中國(guó)電機(jī)工程學(xué)

報(bào)，2008，28（10）.

[11] 王越，衛(wèi)志農(nóng)，吳佳佳.人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)技術(shù)

在微網(wǎng)運(yùn)行中的應(yīng)用[J].電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)，

2012，24（2）.

[12] 龐清樂(lè).基于粗糙集理論的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)算法及

其在短期負(fù)荷預(yù)測(cè)中的應(yīng)用[J].電網(wǎng)技術(shù)，2010，34

（12）.

[13] 師彪，李郁俠，于新花，等.基于改進(jìn)粒子群-徑向

基神經(jīng)網(wǎng)絡(luò)模型的短期電力負(fù)荷預(yù)測(cè)[J].電網(wǎng)技術(shù)，

2009，33（17）.

[14] 王旭東，劉金鳳，張雷.蟻群神經(jīng)網(wǎng)絡(luò)算法在電動(dòng)

車用直流電機(jī)起動(dòng)過(guò)程中的應(yīng)用[J].中國(guó)電機(jī)工程學(xué)

篇4

關(guān)鍵詞:模糊神經(jīng)網(wǎng)絡(luò);擴(kuò)展卡爾曼濾波;自組織學(xué)習(xí)

doi:10.3969/j.issn.1001-3695.2010.07.016

fast self-organizing learning algorithm based on ekf for fuzzy neural network

zhou shang-bo,liu yu-jiong

(college of computer science, chongqing university, chongqing 400044, china)

abstract:to construct an effective fuzzy neural network, this paper presented a self-organizing learning algorithm based on extended kalman filter for fuzzy neural network. in the algorithm, the network grew rules according to the proposed growing criteria without pruning, speeding up the online learning process.all the free parameters were updated by the extended kalman filter approach and the robustness of the network was obviously enhanced. the simulation results show that the proposed algorithm can achieve fast learning speed, high approximation precision and generation capability.

key words:fuzzy neural network; extended kalman filter(ekf); self-organizing learning

模糊神經(jīng)網(wǎng)絡(luò)起源于20世紀(jì)80年代后期的日本,由于其簡(jiǎn)單、實(shí)用,已經(jīng)被廣泛應(yīng)用在工業(yè)控制、系統(tǒng)辨識(shí)、模式識(shí)別、數(shù)據(jù)挖掘等許多領(lǐng)域[1~4]。然而,如何從可用的數(shù)據(jù)集和專家知識(shí)中獲取合適的規(guī)則數(shù)仍然是一個(gè)尚未解決的問(wèn)題。為了獲取模糊規(guī)則,研究人員提出了不同的算法,如文獻(xiàn)[5]利用正交最小二乘算法確定徑向基函數(shù)的中心,但是該算法訓(xùn)練速度比較慢;文獻(xiàn)[6]提出了基于徑向基函數(shù)的自適應(yīng)模糊系統(tǒng),其算法使用了分層自組織學(xué)習(xí)策略,但是逼近精度低。擴(kuò)展卡爾曼濾波(ekf)算法作為一種非線性更新算法,在神經(jīng)網(wǎng)絡(luò)中得到了廣泛應(yīng)用。文獻(xiàn)[7]利用擴(kuò)展卡爾曼濾波算法調(diào)整多層感知器的權(quán)值,文獻(xiàn)[8]利用擴(kuò)展卡爾曼濾波算法調(diào)整徑向基函數(shù)網(wǎng)絡(luò)的權(quán)值。

本文提出了一種模糊神經(jīng)網(wǎng)絡(luò)的快速自組織學(xué)習(xí)算法(sfnn)。該算法基于無(wú)須修剪過(guò)程的生長(zhǎng)準(zhǔn)則增加模糊規(guī)則,加速了網(wǎng)絡(luò)學(xué)習(xí)過(guò)程,同時(shí)使用ekf調(diào)整網(wǎng)絡(luò)的參數(shù)。在該算法中,模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)不是預(yù)先設(shè)定的,而是在學(xué)習(xí)過(guò)程中動(dòng)態(tài)變化的,即在學(xué)習(xí)開(kāi)始前沒(méi)有一條模糊規(guī)則,在學(xué)習(xí)過(guò)程中逐漸增加模糊規(guī)則。與傳統(tǒng)的模糊神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法相比,本算法所得到的模糊規(guī)則數(shù)并不會(huì)隨著輸入變量的增加而呈指數(shù)增長(zhǎng),特別是本算法無(wú)須領(lǐng)域的專家知識(shí)就可以實(shí)現(xiàn)對(duì)系統(tǒng)的自動(dòng)建模及抽取模糊規(guī)則。當(dāng)然,如果設(shè)計(jì)者是領(lǐng)域?qū)＜?其知識(shí)也可以直接用于系統(tǒng)設(shè)計(jì)。本算法所得到的模糊神經(jīng)網(wǎng)絡(luò)具有結(jié)構(gòu)小、避免出現(xiàn)過(guò)擬合現(xiàn)象等特點(diǎn)。

1 sfnn的結(jié)構(gòu)

本文采用與文獻(xiàn)[9]相似的網(wǎng)絡(luò)結(jié)構(gòu),如圖1所示。其中,r是輸入變量個(gè)數(shù);xi(i=1,2,…,r)是輸入語(yǔ)言變量;y是系統(tǒng)的輸出;mfij是第i個(gè)輸入變量的第j個(gè)隸屬函數(shù);rj表示第j條模糊規(guī)則;wj是第j條規(guī)則的結(jié)果參數(shù);u是系統(tǒng)總的規(guī)則數(shù)。

下面是對(duì)該網(wǎng)絡(luò)各層含義的詳細(xì)描述。

第一層:輸入層。每個(gè)節(jié)點(diǎn)代表一個(gè)輸入語(yǔ)言變量。

第二層:隸屬函數(shù)層。每個(gè)節(jié)點(diǎn)代表一個(gè)隸屬函數(shù),隸屬函數(shù)采用如下的高斯函數(shù):

μij=exp(-(xi-cij)2σ2ij);i=1,2,…,r; j=1,2,…,u(1)

其中:r是輸入變量數(shù);u是隸屬函數(shù)個(gè)數(shù),也代表系統(tǒng)的總規(guī)則數(shù);μij是xi的第j個(gè)高斯隸屬函數(shù);cij是xi的第j個(gè)高斯隸屬函數(shù)的中心;σij是xi的第j個(gè)高斯隸屬函數(shù)的寬度。

第三層:t-范數(shù)層。每個(gè)節(jié)點(diǎn)代表一個(gè)可能的模糊規(guī)則的if-部分,也代表一個(gè)rbf單元,該層節(jié)點(diǎn)個(gè)數(shù)反映了模糊規(guī)則數(shù)。如果計(jì)算每個(gè)規(guī)則觸發(fā)權(quán)的t-范數(shù)算子是乘法,則在第三層中第j條規(guī)則rj的輸出為

φj=exp(-ri=1(xi-cij)2σ2ij);j=1,2,…,u(2)

第四層:輸出層。該層每個(gè)節(jié)點(diǎn)代表一個(gè)輸出變量,該輸出是所有輸入變量的疊加。

y(x)=uj=1wjφj(3)

其中:y是網(wǎng)絡(luò)的輸出;wj是then-部分。

2 sfnn的學(xué)習(xí)算法

如前文所述,第三層的每個(gè)節(jié)點(diǎn)代表一個(gè)可能的模糊規(guī)則的if-部分或者一個(gè)rbf單元。如果需要辨識(shí)系統(tǒng)的模糊規(guī)則數(shù),則不能預(yù)先選擇模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)。于是,本文提出一種新的學(xué)習(xí)算法,該算法可以自動(dòng)確定系統(tǒng)的模糊規(guī)則并能達(dá)到系統(tǒng)的特定性能。

2.1 模糊規(guī)則的產(chǎn)生準(zhǔn)則

在模糊神經(jīng)網(wǎng)絡(luò)中,如果模糊規(guī)則數(shù)太多,不僅增加系統(tǒng)的復(fù)雜性,而且增加計(jì)算負(fù)擔(dān)和降低網(wǎng)絡(luò)的泛化能力;如果規(guī)則數(shù)太少,系統(tǒng)將不能完全包含輸入/輸出狀態(tài)空間,將降低網(wǎng)絡(luò)的性能。是否加入新的模糊規(guī)則取決于系統(tǒng)誤差、可容納邊界和誤差下降率三個(gè)重要因素。

2.1.1 系統(tǒng)誤差

誤差判據(jù):對(duì)于第i個(gè)觀測(cè)數(shù)據(jù)(xi,ti),其中xi是輸入向量,ti是期望輸出,由式(3)計(jì)算網(wǎng)絡(luò)現(xiàn)有結(jié)構(gòu)的全部輸出yi。

定義:ei=ti-yi;i=1,2,…,n(4)

如果ei>ke ke=max[emax×βi,emin](5)

則說(shuō)明網(wǎng)絡(luò)現(xiàn)有結(jié)構(gòu)的性能比較差,要考慮增加一條新的規(guī)則;否則,不生成新規(guī)則。其中:ke是根據(jù)網(wǎng)絡(luò)期望的精度預(yù)先選擇的值;emax是預(yù)定義的最大誤差;emin是期望的輸出精度;β(0<β<1)是收斂因子。

2.1.2 可容納邊界

從某種意義上來(lái)講,模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的學(xué)習(xí)是對(duì)輸入空間的高效劃分。模糊神經(jīng)網(wǎng)絡(luò)的性能和結(jié)構(gòu)與輸入隸屬函數(shù)緊密相關(guān)。本文使用的是高斯隸屬函數(shù),高斯函數(shù)輸出隨著與中心距離的增加而單調(diào)遞減。當(dāng)輸入變量采用高斯隸屬函數(shù)時(shí),則認(rèn)為整個(gè)輸入空間由一系列高斯隸屬函數(shù)所劃分。如果某個(gè)新樣本位于某個(gè)已存在的高斯隸屬函數(shù)覆蓋范圍內(nèi),則該新樣本可以用已存在的高斯隸屬函數(shù)表示,不需要網(wǎng)絡(luò)生成新的高斯單元。

可容納邊界:對(duì)于第i個(gè)觀測(cè)數(shù)據(jù)(xi,ti),計(jì)算第i個(gè)輸入值xi與已有rbf單元的中心cj之間的距離di(j),即

di(j)=xi-cj;i=1,2,…,n; j=1,2,…,u(6)

其中:u是現(xiàn)有的模糊規(guī)則或rbf單元的數(shù)量。令

di,min=arg min(di(j))(7)

如果di,min>kd,kd=max[dmax×γi,dmin](8)

則說(shuō)明已存在的輸入隸屬函數(shù)不能有效地劃分輸入空間。因此,需要增加一條新的模糊規(guī)則,否則,觀測(cè)數(shù)據(jù)可以由已存在的距離它最近的rbf單元表示。其中:kd是可容納邊界的有效半徑;dmax是輸入空間的最大長(zhǎng)度;dmin是所關(guān)心的最小長(zhǎng)度;γ(0<γ<1)是衰減因子。

2.1.3 誤差下降率

傳統(tǒng)的學(xué)習(xí)算法把誤差減少率(err)[5]用于網(wǎng)絡(luò)生長(zhǎng)后的修剪過(guò)程,算法會(huì)因?yàn)樾藜暨^(guò)程而增加計(jì)算負(fù)擔(dān),降低學(xué)習(xí)速度。本文把誤差減少率用于生長(zhǎng)過(guò)程形成一種新的生長(zhǎng)準(zhǔn)則,算法無(wú)須經(jīng)過(guò)修剪過(guò)程,從而加速網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程。

給定n個(gè)輸入/輸出數(shù)據(jù)對(duì)(xi,ti),t=1,2,…,n,把式(3)看做線性回歸模型的一種特殊情況,該線性回歸模型為

t(i)=uj=1hj(i)θj+ε(i)(9)

式(9)可簡(jiǎn)寫為

d=hθ+e(10)

d=tt∈rn是期望輸出,h=φt∈rn×u是回歸量,θ=wt∈ru是權(quán)值向量,并且假設(shè)e∈rn是與回歸量不相關(guān)的誤差向量。

對(duì)于矩陣φ,如果它的行數(shù)大于列數(shù),通過(guò)qr分解:

h=pq(11)

可把h變換成一組正交基向量集p=[p1,p2,…,pu]∈rn×u,其維數(shù)與h的維數(shù)相同,各列向量構(gòu)成正交基,q∈ru×u是一個(gè)上三角矩陣。通過(guò)這一變換,有可能從每一基向量計(jì)算每一個(gè)分量對(duì)期望輸出能量的貢獻(xiàn)。把式(11)代入式(10)可得

d=pqθ+e=pg+e(12)

g的線性最小二乘解為g=(ptp)-1ptd,或

gk=ptkdptkpk;k=1,2,…,u(13)

q和θ滿足下面的方程:

qθ=g(14)

當(dāng)k≠l時(shí),pk和pl正交,d的平方和由式(15)給出:

dtd=uk=1g2kptkpk+ete(15)

去掉均值后,d的方差由式(16)給出:

n-1dtd=n-1uk=1g2kptkpk+n-1ete(16)

由式(16)可以看到,n-1uk=1g2kptkpk是由回歸量pk所造成的期望輸出方差的一部分。因此,pk的誤差下降率可以定義如下:

errk=g2kptkpkdtd,1≤k≤u(17)

把式(13)代入式(17)可得

errk=(ptkd)2ptkpkdtd,1≤k≤u(18)

式(18)為尋找重要回歸量子集提供了一種簡(jiǎn)單而有效的方法,其意義在于errk揭示了pk和d的相似性。errk值越大,表示pk和d的相似度越大,且pk對(duì)于輸出影響越顯著。利用err定義泛化因子(gf),gf可以檢驗(yàn)算法的泛化能力,并進(jìn)一步簡(jiǎn)化和加速學(xué)習(xí)過(guò)程。定義:

gf=uk=1errk(19)

如果gf

2.2 參數(shù)調(diào)整

需要注意的是,不管是新生成的隱節(jié)點(diǎn)還是已存在的隱節(jié)點(diǎn),都需要對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行調(diào)整。傳統(tǒng)的方法是使用lls[10]方法對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行調(diào)整,本文提出使用ekf方法調(diào)節(jié)網(wǎng)絡(luò)的參數(shù)。由于lls方法在確定最優(yōu)參數(shù)時(shí)計(jì)算簡(jiǎn)單、速度快,但該方法對(duì)噪聲敏感,其學(xué)習(xí)速度隨著信噪比的增加而下降。另外,與lls方法相關(guān)的問(wèn)題是其求解可能是病態(tài)的,這使得參數(shù)估計(jì)變得很困難。ekf方法由于其自適應(yīng)過(guò)程比較復(fù)雜,計(jì)算速度沒(méi)有l(wèi)ls方法快,但是ekf方法在噪聲環(huán)境下具有魯棒性,使用ekf方法可以實(shí)現(xiàn)一種健壯的在線學(xué)習(xí)算法。網(wǎng)絡(luò)參數(shù)可以用下面的ekf[11]方法進(jìn)行調(diào)整。事實(shí)上,網(wǎng)絡(luò)的參數(shù)向量θ可以看做一個(gè)非線性系統(tǒng)的狀態(tài),并用下面的方程描述:

θi=θi-1

ti=h(θi-1,xi)+ei(20)

在當(dāng)前的估計(jì)值i-1處將非線性函數(shù)h(θi-1,xi)展開(kāi),則狀態(tài)模型可以重寫為

θi=θi-1

ti=hiθi-1+εi+ei(21)

其中:εi=h(i-1 ,xi)-hii-1+ρi。hi是如下的梯度向量:

hi=h(θ,xi)θ|θ=i-1 (22)

參數(shù)向量θ使用下面的擴(kuò)展卡爾曼濾波算法更新:

ki=pi-1hti[hipi-1hti+ri]-1

θi=θi-1+ki(ti-h(θi-1,xi))

pi=pi-1-kihipi-1+qi(23)

其中:ki是卡爾曼增益矩陣;pi是逼近誤差方差陣;ri是量測(cè)噪聲方差陣;qi是過(guò)程噪聲方差陣。

全局?jǐn)U展卡爾曼濾波算法會(huì)涉及大型矩陣運(yùn)算,增加計(jì)算負(fù)擔(dān),因此可以將全局問(wèn)題劃分為一系列子問(wèn)題從而簡(jiǎn)化全局方法。網(wǎng)絡(luò)的前件部分具有非線性特性,利用擴(kuò)展卡爾曼濾波算法對(duì)其進(jìn)行調(diào)整;網(wǎng)絡(luò)的后件部分具有線性特性,利用卡爾曼濾波算法對(duì)其進(jìn)行調(diào)整,該方法等同于將全局方法簡(jiǎn)化為一系列解耦方法,可以降低計(jì)算負(fù)擔(dān)。由于高斯函數(shù)的中心對(duì)系統(tǒng)的性能影響不明顯,為了簡(jiǎn)化計(jì)算,只對(duì)高斯隸屬函數(shù)的寬度進(jìn)行調(diào)整。

前件參數(shù)使用如下的擴(kuò)展卡爾曼濾波算法更新:

kδi=pδi-1gti[ri+gipδi-1gti]-1

δi=δi-1+kδi(ti-wi-1φi)

pδi=pδi-1-kδigipδi-1+qi(24)

后件參數(shù)使用如下的卡爾曼濾波算法更新:

kwi=pwi-1φti[ri+φipwi-1φti]-1

wi=wi-1+kwi(ti-wi-1φi)

pwi=pwi-1-kwiφipwi-1+qi(25)

2.3 模糊規(guī)則的增加過(guò)程

在sfnn學(xué)習(xí)算法中,模糊規(guī)則增加過(guò)程如下:

a)初始參數(shù)分配。當(dāng)?shù)玫降谝粋€(gè)觀測(cè)數(shù)據(jù)(x1,t1) 時(shí),此時(shí)的網(wǎng)絡(luò)還沒(méi)有建立起來(lái),因此這個(gè)數(shù)據(jù)將被選為第一條模糊規(guī)則:c0=x0,δ1=δ0,w1=t1。其中δ0是預(yù)先設(shè)定的常數(shù)。

b)生長(zhǎng)過(guò)程。當(dāng)?shù)玫降趇個(gè)觀測(cè)數(shù)據(jù)(xi,ti)時(shí),假設(shè)在第三層中已存在u個(gè)隱含神經(jīng)元,根據(jù)式(4)(7)和(19),分別計(jì)算ei、di,min、gf。如果

ei>ke,di,min>kd,且gf

則增加一個(gè)新的隱含神經(jīng)元。其中ke、kd分別在式(5)和(8)中給出。新增加的隱含神經(jīng)元的中心、寬度和權(quán)值賦值為:cu+1=xi,δu+1=k0di,min,wu+1=ei,其中k0(k0>1)是重疊因子。

c)參數(shù)調(diào)整。當(dāng)增加新神經(jīng)元后,所有已有神經(jīng)元的參數(shù)通過(guò)式(24)(25)描述的算法調(diào)整。

3 仿真研究

時(shí)間序列預(yù)測(cè)在解決許多實(shí)際問(wèn)題中是非常重要的。它在經(jīng)濟(jì)預(yù)測(cè)、信號(hào)處理等很多領(lǐng)域都得到了廣泛應(yīng)用。

本文采用的時(shí)間序列由mackey-glass差分延遲方程產(chǎn)生,其方程定義為[5]

x(t+1)=(1-a)x(t)+bx(t-τ)1+x10(t-τ)(27)

為了能夠與文獻(xiàn)[5,6]在相同的基礎(chǔ)上進(jìn)行比較,取值δt=p=6,式(27)中的參數(shù)選擇為:a=0.1,b=0.2,τ=17。預(yù)測(cè)模型表示為

x(t+6)=f[x(t),x(t-6),x(t-12),x(t-18)](28)

為了獲得時(shí)間序列,利用式(27)生成2 000個(gè)數(shù)據(jù),式(27)的初始條件為:x(0)=1.2。為了訓(xùn)練和測(cè)試,在t=124和t=1 123之間選擇1 000個(gè)樣本作為式(28)的輸入/輸出樣本數(shù)據(jù)。使用前500個(gè)數(shù)據(jù)對(duì)作為訓(xùn)練數(shù)據(jù)集,后面的500個(gè)數(shù)據(jù)對(duì)驗(yàn)證該模型的預(yù)測(cè)性能。圖2顯示了sfnn生成的模糊規(guī)則數(shù);圖3顯示了從t=124到t=623的訓(xùn)練結(jié)果;圖4顯示了sfnn良好的預(yù)測(cè)性能。表1列出了sfnn與其他算法的比較結(jié)果。表1顯示,與ols、rbf-afs算法相比,sfnn具有最少的規(guī)則數(shù)、最小的誤差和良好的泛化能力,同時(shí)具有快速的學(xué)習(xí)速度。sfnn的快速性就在于:采用無(wú)須修剪過(guò)程的生長(zhǎng)準(zhǔn)則,加速了網(wǎng)絡(luò)學(xué)習(xí)過(guò)程;利用擴(kuò)展卡爾曼濾波調(diào)整網(wǎng)絡(luò)的參數(shù),可以縮短網(wǎng)絡(luò)的學(xué)習(xí)周期。從上面的分析可以看出,sfnn具有緊湊的結(jié)構(gòu)、快速的學(xué)習(xí)速度、良好的逼近精度和泛化能力。

4 結(jié)束語(yǔ)

sfnn采用在線學(xué)習(xí)方法、參數(shù)估計(jì)和結(jié)構(gòu)辨識(shí)同時(shí)進(jìn)行,提高了網(wǎng)絡(luò)的學(xué)習(xí)速度?；谠摲椒ㄉ傻哪：窠?jīng)網(wǎng)絡(luò)具有緊湊的結(jié)構(gòu),網(wǎng)絡(luò)結(jié)構(gòu)不會(huì)持續(xù)增長(zhǎng),避免了過(guò)擬合及過(guò)訓(xùn)練現(xiàn)象,確保了系統(tǒng)的泛化能力。

參考文獻(xiàn):

[1]

huang huan,wu cong-xin.approximation capabilities of multilayer fuzzy neural networks on the set of fuzzy-valued functions[j].information sciences,2009,179(16):2762-2773.

[2]deng xing-sheng,wang xin-zhou.incremental learning of dynamic fuzzy neural networks for accurate system modeling[j].fuzzy sets and systems,2009,160(7):972-987.

[3]韋玉科,汪仁煌,李江平,等.一種新的數(shù)據(jù)智能化處理算法[j].計(jì)算機(jī)應(yīng)用研究,2008,25(5):1328-1329.

[4]chen sheng,hong xia,luk b l,et al.orthogonal-least-squares regression:a unified approach for data modeling[j].neurocompu-ting,2009,72(10-12):2670-2681.

[5]chen s,cowan c f n,grant p m.orthogonal least squares learning algorithm for radial basis function networks[j].ieee trans on neural networks,1991,2(2):302-309.

[6]cho k b,wang b h.radial basis function based adaptive fuzzy systems and their applications to system identification and prediction[j].fuzzy sets and systems,1996,83(3):325-339.

[7]rivals i,personnaz l.a recursive algorithm based on the extended kalman filter for the training of feedforward neural models[j].neurocomputing,1998,20(1):279-294.

[8]simon d.training radial basis neural networks with the extended kalman filter[j].neurocomputing,2002,48(1):455-475.

[9]wu shi-qian,er m j,gao yang.a fast approach for automatic generation of fuzzy rules by generalized dynamic fuzzy neural networks[j].ieee trans on fuzzy systems,2001,9(4):578-594.

篇5

關(guān)鍵詞 計(jì)算機(jī) 云計(jì)算技術(shù) 未來(lái)發(fā)展

中圖分類號(hào)：TP3 文獻(xiàn)標(biāo)識(shí)碼：A

1云計(jì)算技術(shù)的飛速發(fā)展

1.1云計(jì)算的提出

著名的美國(guó)計(jì)算機(jī)科學(xué)家、圖靈獎(jiǎng) （Turing Award）得主麥卡錫（John McCarthy， 1927-）在半個(gè)世紀(jì)前就曾思考過(guò)這個(gè)問(wèn)題。1961年，他在麻省理工學(xué)院 （MIT） 的百年紀(jì)念活動(dòng)中做了一個(gè)演講。在那次演講中，他提出了像使用其它資源一樣使用計(jì)算資源的想法，這就是時(shí)下IT界的時(shí)髦術(shù)語(yǔ)“云計(jì)算”（Cloud Computing） 的核心想法。

1.2云計(jì)算的含義

云計(jì)算是基于互聯(lián)網(wǎng)的相關(guān)服務(wù)的增加、使用和交付模式，通常涉及通過(guò)互聯(lián)網(wǎng)來(lái)提供動(dòng)態(tài)易擴(kuò)展且經(jīng)常是虛擬化的資源。云是網(wǎng)絡(luò)、互聯(lián)網(wǎng)的一種比喻說(shuō)法。過(guò)去在圖中往往用云來(lái)表示電信網(wǎng)，后來(lái)也用來(lái)表示互聯(lián)網(wǎng)和底層基礎(chǔ)設(shè)施的抽象。狹義云計(jì)算指IT基礎(chǔ)設(shè)施的交付和使用模式，指通過(guò)網(wǎng)絡(luò)以按需、易擴(kuò)展的方式獲得所需資源；廣義云計(jì)算指服務(wù)的交付和使用模式，指通過(guò)網(wǎng)絡(luò)以按需、易擴(kuò)展的方式獲得所需服務(wù)。這種服務(wù)可以是IT和軟件、互聯(lián)網(wǎng)相關(guān)，也可是其他服務(wù)。它意味著計(jì)算能力也可作為一種商品通過(guò)互聯(lián)網(wǎng)進(jìn)行流通。

1.3云計(jì)算的特點(diǎn)

（1）資源配置動(dòng)態(tài)化。根據(jù)消費(fèi)者的需求動(dòng)態(tài)劃分或釋放不同的物理和虛擬資源，當(dāng)增加一個(gè)需求時(shí)，可通過(guò)增加可用的資源進(jìn)行匹配，實(shí)現(xiàn)資源的快速?gòu)椥蕴峁蝗绻脩舨辉偈褂眠@部分資源時(shí)，可釋放這些資源。云計(jì)算為客戶提供的這種能力是無(wú)限的，實(shí)現(xiàn)了IT資源利用的可擴(kuò)展性。

（2）需求服務(wù)自助化。云計(jì)算為客戶提供自助化的資源服務(wù)，用戶無(wú)需同提供商交互就可自動(dòng)得到自助的計(jì)算資源能力。同時(shí)云系統(tǒng)為客戶提供一定的應(yīng)用服務(wù)目錄，客戶可采用自助方式選擇滿足自身需求的服務(wù)項(xiàng)目和內(nèi)容。

（3）網(wǎng)絡(luò)訪問(wèn)便捷化。客戶可借助不同的終端設(shè)備，通過(guò)標(biāo)準(zhǔn)的應(yīng)用實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)訪問(wèn)的可用能力，使對(duì)網(wǎng)絡(luò)的訪問(wèn)無(wú)處不在。

（4）服務(wù)可計(jì)量化。在提供云服務(wù)過(guò)程中，針對(duì)客戶不同的服務(wù)類型，通過(guò)計(jì)量的方法來(lái)自動(dòng)控制和優(yōu)化資源配置。即資源的使用可被監(jiān)測(cè)和控制，是一種即付即用的服務(wù)模式。

（5）資源的虛擬化。借助于虛擬化技術(shù)，將分布在不同地區(qū)的計(jì)算資源進(jìn)行整合，實(shí)現(xiàn)基礎(chǔ)設(shè)施資源的共享。

1.4云計(jì)算技術(shù)的發(fā)展應(yīng)用

云計(jì)算的發(fā)展也給我們的生活方面帶來(lái)各種各樣的變化，主要包括基礎(chǔ)設(shè)施即服務(wù)，平臺(tái)即服務(wù)和軟件即服務(wù)三方面的服務(wù)。這些服務(wù)應(yīng)用在很多領(lǐng)域，如云物聯(lián)、云安全、云存儲(chǔ)、私有云、云游戲、云教育等方面。

2未來(lái)計(jì)算機(jī)

2.1量子計(jì)算機(jī)

量子計(jì)算機(jī)是一類遵循量子力學(xué)規(guī)律進(jìn)行高速數(shù)學(xué)和邏輯運(yùn)算、存儲(chǔ)及處理的量子物理設(shè)備，當(dāng)某個(gè)設(shè)備是由兩子元件組裝，處理和計(jì)算的是量子信息，運(yùn)行的是量子算法時(shí)，它就是量子計(jì)算機(jī)。

2.2神經(jīng)網(wǎng)絡(luò)計(jì)算機(jī)

人腦總體運(yùn)行速度相當(dāng)于每秒1000萬(wàn)億次的電腦功能，可把生物大腦神經(jīng)網(wǎng)絡(luò)看做一個(gè)大規(guī)模并行處理的、緊密耦合的、能自行重組的計(jì)算網(wǎng)絡(luò)。從大腦工作的模型中抽取計(jì)算機(jī)設(shè)計(jì)模型，用許多處理機(jī)模仿人腦的神經(jīng)元機(jī)構(gòu)，將信息存儲(chǔ)在神經(jīng)元之間的聯(lián)絡(luò)中，并采用大量的并行分布式網(wǎng)絡(luò)就構(gòu)成了神經(jīng)網(wǎng)絡(luò)計(jì)算機(jī)。

2.3化學(xué)、生物計(jì)算機(jī)

在運(yùn)行機(jī)理上，化學(xué)計(jì)算機(jī)以化學(xué)制品中的微觀碳分子作信息載體，來(lái)實(shí)現(xiàn)信息的傳輸與存儲(chǔ)。DNA分子在酶的作用下可以從某基因代碼通過(guò)生物化學(xué)反應(yīng)轉(zhuǎn)變?yōu)榱硪环N基因代碼，轉(zhuǎn)變前的基因代碼可以作為輸入數(shù)據(jù)，反應(yīng)后的基因代碼可以作為運(yùn)算結(jié)果，利用這一過(guò)程可以制成新型的生物計(jì)算機(jī)。生物計(jì)算機(jī)最大的優(yōu)點(diǎn)是生物芯片的蛋白質(zhì)具有生物活性，能夠跟人體的組織結(jié)合在一起，特別是可以和人的大腦和神經(jīng)系統(tǒng)有機(jī)的連接，使人機(jī)接口自然吻合，免除了繁瑣的人機(jī)對(duì)話，這樣，生物計(jì)算機(jī)就可以聽(tīng)人指揮，成為人腦的外延或擴(kuò)充部分，還能夠從人體的細(xì)胞中吸收營(yíng)養(yǎng)來(lái)補(bǔ)充能量，不要任何外界的能源，由于生物計(jì)算機(jī)的蛋白質(zhì)分子具有自我組合的能力，從而使生物計(jì)算機(jī)具有自調(diào)節(jié)能力、自修復(fù)能力和自再生能力，更易于模擬人類大腦的功能?，F(xiàn)今科學(xué)家已研制出了許多生物計(jì)算機(jī)的主要部件―生物芯片。

2.4光計(jì)算機(jī)

篇6

1.1生物醫(yī)學(xué)信號(hào)及其特點(diǎn)

生物醫(yī)學(xué)信號(hào)是一種由復(fù)雜的生命體發(fā)出的不穩(wěn)定的自然信號(hào),屬于強(qiáng)噪聲背景下的低頻微弱信號(hào),信號(hào)本身特征、檢測(cè)方式和處理技術(shù),都不同于一般的信號(hào)。生物醫(yī)學(xué)信號(hào)可以為源于一個(gè)生物系統(tǒng)的一類信號(hào),這些信號(hào)通常含有與生物系統(tǒng)生理和結(jié)構(gòu)狀態(tài)相關(guān)的信息。生物醫(yī)學(xué)信號(hào)種類繁多,其主要特點(diǎn)是:信號(hào)弱、隨機(jī)性大、噪聲背景比較強(qiáng)、頻率范圍一般較低,還有信號(hào)的統(tǒng)計(jì)特性隨時(shí)間而變,而且還是非先驗(yàn)性的。

1.2生物醫(yī)學(xué)信號(hào)分類

按性質(zhì)生物信號(hào)可分為生物電信號(hào)(BioelectricSignals),如腦電、心電、肌電、胃電、視網(wǎng)膜電等;生物磁信號(hào)(BiomagneticSignals),如心磁場(chǎng)、腦磁場(chǎng)、神經(jīng)磁場(chǎng);生物化學(xué)信號(hào)(BiochemicalSignals),如血液的pH值、血?dú)?、呼吸氣體等;生物力學(xué)信號(hào)(BiomechanicalSignals),如血壓、氣血和消化道內(nèi)壓和心肌張力等;生物聲學(xué)信號(hào)(BioacousticSignal),如心音、脈搏、心沖擊等。按來(lái)源生物醫(yī)學(xué)信號(hào)可大致分為兩類:(1)由生理過(guò)程自發(fā)產(chǎn)生的主動(dòng)信號(hào),例如心電(ECG)、腦電(EEG)、肌電(EMG)、眼電(EOG)、胃電(EGG)等電生理信號(hào)和體溫、血壓、脈博、呼吸等非電生信號(hào);(2)外界施加于人體、把人體作為通道、用以進(jìn)行探查的被動(dòng)信號(hào),如超聲波、同位素、X射線等。

2生物醫(yī)學(xué)信號(hào)的檢測(cè)及方法

生物醫(yī)學(xué)信號(hào)檢測(cè)是對(duì)生物體中包含的生命現(xiàn)象、狀態(tài)、性質(zhì)和成分等信息進(jìn)行檢測(cè)和量化的技術(shù),涉及到人機(jī)接口技術(shù)、低噪聲和抗干擾技術(shù)、信號(hào)拾取、分析與處理技術(shù)等工程領(lǐng)域,也依賴于生命科學(xué)研究的進(jìn)展。信號(hào)檢測(cè)一般需要通過(guò)以下步驟(見(jiàn)圖1)。①生物醫(yī)學(xué)信號(hào)通過(guò)電極拾取或通過(guò)傳感器轉(zhuǎn)換成電信號(hào);②放大器及預(yù)處理器進(jìn)行信號(hào)放大和預(yù)處理;③經(jīng)A/D轉(zhuǎn)換器進(jìn)行采樣,將模擬信號(hào)轉(zhuǎn)變?yōu)閿?shù)字信號(hào);④輸入計(jì)算機(jī);⑤通過(guò)各種數(shù)字信號(hào)處理算法進(jìn)行信號(hào)分析處理,得到有意義的結(jié)果。生物醫(yī)學(xué)信號(hào)檢測(cè)技術(shù)包括:(1)無(wú)創(chuàng)檢測(cè)、微創(chuàng)檢測(cè)、有創(chuàng)檢測(cè);(2)在體檢測(cè)、離體檢測(cè);(3)直接檢測(cè)、間接檢測(cè);(4)非接觸檢測(cè)、體表檢測(cè)、體內(nèi)檢測(cè);(5)生物電檢測(cè)、生物非電量檢測(cè);(6)形態(tài)檢測(cè)、功能檢測(cè);(7)處于拘束狀態(tài)下的生物體檢測(cè)、處于自然狀態(tài)下的生物體檢測(cè);(8)透射法檢測(cè)、反射法檢測(cè);(9)一維信號(hào)檢測(cè)、多維信號(hào)檢測(cè);(10)遙感法檢測(cè)、多維信號(hào)檢測(cè);(11)一次量檢測(cè)、二次量分析檢測(cè);(12)分子級(jí)檢測(cè)、細(xì)胞級(jí)檢測(cè)、系統(tǒng)級(jí)檢測(cè)。

3生物醫(yī)學(xué)信號(hào)的處理方法

生物醫(yī)學(xué)信號(hào)處理是研究從擾和噪聲淹沒(méi)的信號(hào)中提取有用的生物醫(yī)學(xué)信息的特征并作模式分類的方法。生物醫(yī)學(xué)信號(hào)處理的目的是要區(qū)分正常信號(hào)與異常信號(hào),在此基礎(chǔ)上診斷疾病的存在。近年來(lái)隨著計(jì)算機(jī)信息技術(shù)的飛速發(fā)展,對(duì)生物醫(yī)學(xué)信號(hào)的處理廣泛地采用了數(shù)字信號(hào)分析處理方法:如對(duì)信號(hào)時(shí)域分析的相干平均算法;對(duì)信號(hào)頻域分析的快速傅立葉變換算法和各種數(shù)字濾波算法;對(duì)平穩(wěn)隨機(jī)信號(hào)分析的功率譜估計(jì)算法和參數(shù)模型方法;對(duì)非平穩(wěn)隨機(jī)信號(hào)分析的短時(shí)傅立葉變換、時(shí)頻分布(維格納分布)、小波變換、時(shí)變參數(shù)模型和自適應(yīng)處理等算法;對(duì)信號(hào)的非線性處理方法如混沌與分形、人工神經(jīng)網(wǎng)絡(luò)算法等。下面介紹幾種主要的處理方法。

3.1頻域分析法

信號(hào)的頻域分析是采用傅立葉變換將時(shí)域信號(hào)x(t)變換為頻域信號(hào)X(f),從而將時(shí)間變量轉(zhuǎn)變成頻率變量,幫助人們了解信號(hào)隨頻率的變化所表現(xiàn)出的特性。信號(hào)頻譜X(f)描述了信號(hào)的頻率結(jié)構(gòu)以及在不同頻率處分量成分的大小,直觀地提供了從時(shí)域信號(hào)波形不易觀察得到頻率域信息。頻域分析的一個(gè)典型應(yīng)用即是對(duì)信號(hào)進(jìn)行傅立葉變換,研究信號(hào)所包含的各種頻率成分,從而揭示信號(hào)的頻譜、帶寬,并用以指導(dǎo)最優(yōu)濾波器的設(shè)計(jì)。

3.2相干平均分析法

生物醫(yī)學(xué)信號(hào)常被淹沒(méi)在較強(qiáng)的噪聲中,且具有很大的隨機(jī)性,因此對(duì)這類信號(hào)的高效穩(wěn)健提取比較困難。最常用的常規(guī)提取方法是相干平均法。相干平均(CoherentAverage)主要應(yīng)用于能多次重復(fù)出現(xiàn)的信號(hào)的提取。如果待檢測(cè)的醫(yī)學(xué)信號(hào)與噪聲重疊在一起,信號(hào)如果可以重復(fù)出現(xiàn),而噪聲是隨機(jī)信號(hào),可用疊加法提高信噪比,從而提取有用的信號(hào)。這種方法不但用在誘發(fā)腦電的提取,也用在近年來(lái)發(fā)展的心電微電勢(shì)(希氏束電、心室晚電位等)的提取中。

3.3小波變換分析法

小波分析是傳統(tǒng)傅里葉變換的繼承和發(fā)展,是20世紀(jì)80年代末發(fā)展起來(lái)的一種新型的信號(hào)分析工具。目前,小波的研究受到廣泛的關(guān)注,特別是在信號(hào)處理、圖像處理、語(yǔ)音分析、模式識(shí)別、量子物理及眾多非線性科學(xué)等應(yīng)用領(lǐng)域,被認(rèn)為是近年來(lái)在工具及方法上的重大突破。小波分析有許多特性:多分辨率特性,保證非常好的刻畫信號(hào)的非平穩(wěn)特征,如間斷、尖峰、階躍等;消失矩特性,保證了小波系數(shù)的稀疏性;緊支撐特性,保證了其良好的時(shí)頻局部定位特性;對(duì)稱性,保證了其相位的無(wú)損;去相關(guān)特性,保證了小波系數(shù)的弱相關(guān)性和噪聲小波系數(shù)的白化性;正交性,保證了變換域的能量守恒性;所有上述特性使小波分析成為解決實(shí)際問(wèn)題的一個(gè)有效的工具。小波變換在心電、腦電、脈搏波等信號(hào)的噪聲去除、特征提取和自動(dòng)分析識(shí)別中也已經(jīng)取得了許多重要的研究成果。

篇7

關(guān)鍵詞　數(shù)字圖像處理；邊緣檢測(cè)；量子圖像

中圖分類號(hào)　TP391 文獻(xiàn)標(biāo)識(shí)碼　A 文章編號(hào)　10002537（2012）04002605

邊緣檢測(cè)是圖像處理和計(jì)算機(jī)視覺(jué)中的基本問(wèn)題，其目的是標(biāo)識(shí)數(shù)字圖像中亮度變化明顯的點(diǎn)．邊緣檢測(cè)是底層視覺(jué)處理中最重要的環(huán)節(jié)之一，　也是圖像分割、目標(biāo)區(qū)域識(shí)別、區(qū)域形狀提取等圖像分析方法的基礎(chǔ)，目前已經(jīng)逐漸被廣泛地應(yīng)用于生物醫(yī)學(xué)、模式識(shí)別以及工程技術(shù)中的零部件檢查、故障診斷等更多領(lǐng)域．一直以來(lái)，如何準(zhǔn)確快速地提取圖像邊緣是圖像處理領(lǐng)域中的熱點(diǎn)問(wèn)題．

篇8

關(guān)鍵詞：粒群；算法；優(yōu)化；壓縮

中圖分類號(hào)：TP301文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044(2007)16-31086-02

Particle Swarm Optimization

SUN Qi,ZHANG Fu-yu

(The Information Management Department of Henan Economy and Trade Vocational College, Zhengzhou 450000,China)

Abstract:first we simply intruduce about the common algorithm ofParticle Swarm,then we discuss the using、develop、prospect and optimize of it。Further more we provide a new CSV2PSO algorithm based on compressed space,give the details of it and analyse the differences compared to other algorithms.CSV2PSO enhances the Particle Swarm’s rate of convergence,reduces the ratio of forwardness convergence,and it has a very goodfuture of apply.

Key words:Particle Swarm;algorithm;optimize;ompress

粒子群優(yōu)化算法PSO(Particle Swarm Optimization)由Kennedy和Eberhart于1995年提出，算法模擬鳥(niǎo)群飛行覓食的行為，通過(guò)鳥(niǎo)之間的集體協(xié)作使群體達(dá)到最優(yōu)。與遺傳算法類似，它也是基于群體迭代，但沒(méi)有交叉、變異算子，群體在解空間中追隨最優(yōu)粒子進(jìn)行搜索。

1 算法介紹

1.1 產(chǎn)生背景

復(fù)雜適應(yīng)系統(tǒng)CAS(Complex Adaptive Sys2tem)理論于1994年正式提出，CAS中的成員稱為主體。主體有適應(yīng)性，它能夠與環(huán)境及其他主體進(jìn)行交流，并且根據(jù)交流的過(guò)程中“學(xué)習(xí)”或“積累經(jīng)驗(yàn)”改變自身結(jié)構(gòu)和行為。整個(gè)系統(tǒng)的演變或進(jìn)化包括:新層次的產(chǎn)生;分化和多樣性的出現(xiàn);新的、更大的主體的出現(xiàn)等都基于此。CAS有4個(gè)基本特點(diǎn):首先，主體是主動(dòng)的、活的實(shí)體;其次，個(gè)體與環(huán)境及其他個(gè)體的相互影響、相互作用，是系統(tǒng)演變和進(jìn)化的主要?jiǎng)恿?再次，將宏觀和微觀有機(jī)地聯(lián)系起來(lái);最后，系統(tǒng)引入了隨機(jī)因素。PSO源于對(duì)1個(gè)CAS:鳥(niǎo)群社會(huì)系統(tǒng)的仿真研究，也包含這4個(gè)基本特點(diǎn)。如何利用生物技術(shù)研究計(jì)算問(wèn)題是人工生命研究的重要方向，現(xiàn)已有了很多源于生物現(xiàn)象的計(jì)算技巧，如人工神經(jīng)網(wǎng)絡(luò)和遺傳算法等?！叭褐悄堋笔菍?duì)社會(huì)型生物系統(tǒng)的模擬，目前計(jì)算智能領(lǐng)域有3種基于群智能的算法:蟻群算法、文化算法和PSO。

1.2 基本PSO算法介紹

PSO初始化為一群隨機(jī)粒子，然后通過(guò)迭代找到最優(yōu)解。每次迭代，粒子通過(guò)跟蹤2個(gè)“極值”:粒子本身所找到的最優(yōu)解PBest和群體找到的最優(yōu)解GBest來(lái)更新自己。

標(biāo)準(zhǔn)PSO的算法流程如下：

1.2.1 初始化：

1.2.1.1 設(shè)置常量c1，c2，w，NrVmax粒子數(shù)目P和最大迭代次數(shù)Kmax給定精度δ；

1.2.1.2 隨機(jī)初始化粒子位置；

1.2.1.3 隨機(jī)初始化粒子速度；

1.2.1.4 K=1,i=1;

1.2.2 優(yōu)化：

1.2.2.8 轉(zhuǎn)到步驟1.2.2.1

1.2.3 輸出結(jié)果，程序終止。

1.3 算法分析與發(fā)展

與其他全局優(yōu)化算法(如遺傳算法)一樣，粒子群優(yōu)化算法同樣存在早熟收斂現(xiàn)象，尤其是在比較復(fù)雜的多峰搜索問(wèn)題中。為解決這一問(wèn)題并提高算法的收斂速度，粒群優(yōu)化算法的發(fā)展也經(jīng)過(guò)了一系列的過(guò)程：

1.3.1 PSO參數(shù)改進(jìn)與優(yōu)化

基本PSO的參數(shù)是固定的，在對(duì)某些函數(shù)優(yōu)化上的精度較差，因此，Shi提出慣性因子w線性遞減的改進(jìn)算法，使算法在搜索初期有著較大探索能力，而在后期又能得到較精確的結(jié)果，一定程度上提高了算法性能。2001年Shi又提出了自適應(yīng)模糊調(diào)節(jié)w的PSO，在對(duì)單峰函數(shù)的處理中取得了良好的效果，但無(wú)法推廣。Bergh通過(guò)使粒子群中的最佳粒子GBest始終處于運(yùn)動(dòng)狀態(tài)，得到了保證收斂到局部最優(yōu)的GCPSO，但其性能并不佳。

1.3.2 粒子群拓?fù)浣Y(jié)構(gòu)改進(jìn)

在提出Local版之后，Kennedy等又進(jìn)一步研究粒子群的拓?fù)浣Y(jié)構(gòu)，分析粒子間的信息流，提出了一系列的拓?fù)浣Y(jié)構(gòu)，并作實(shí)驗(yàn)研究，如圖1所示。除靜態(tài)拓?fù)浣Y(jié)構(gòu)外，也有研究者提出動(dòng)態(tài)粒子群拓?fù)浣Y(jié)構(gòu)。

1.3.3 PSO混合算法

PSO和其他優(yōu)化算法的結(jié)合是改進(jìn)研究的熱點(diǎn)。Angeline將選擇算子引入PSO中，選擇每次迭代后的較好粒子復(fù)制到下一代，以保證每次迭代的粒子群都具有較好的性能，這種算法對(duì)某些單峰函數(shù)效果良好。L?準(zhǔn)vbjerg在粒子群每次迭代后，按幾率在粒子間交換各維，通過(guò)交叉來(lái)生成更優(yōu)秀的粒子，算法對(duì)某些多峰函數(shù)效果較好。Higashi等人分別提出了自己的變異PSO算法，基本思路均是希望通過(guò)引入變異算子跳出局部極值點(diǎn)的吸引，從而提高算法的全局搜索能力，得到較高的搜索成功率。高鷹等人則引入免疫機(jī)制的概念，提高粒子群的多樣性和自我調(diào)節(jié)能力，以增強(qiáng)粒子的全局搜索能力。Baskar、Bergh等人各自提出了自己的協(xié)同PSO算法，通過(guò)使用多群粒子分別優(yōu)化問(wèn)題的不同維、多群粒子協(xié)同優(yōu)化等辦法來(lái)對(duì)基本算法進(jìn)行改進(jìn)嘗試。Al-kazemi所提出的Multi-Phase PSO在粒子群中隨機(jī)選取部分個(gè)體向GBest飛，而其他個(gè)體向反方向飛，以擴(kuò)大搜索空間。

除以上的混合算法之外，還出現(xiàn)了量子PSO、模擬退火PSO、耗散PSO、自適應(yīng)PSO等混合改進(jìn)算法，也有采取PSO與基于梯度的優(yōu)化方法相結(jié)合的辦法。

2 一種基于壓縮搜索空間的CSV2PSO算法

為了提高PSO算法收斂速度與收斂精度，降低早熟收斂的比率，本文提出了壓縮搜索空間與速度范圍的粒子群優(yōu)化(CSV2PSO)算法，對(duì)基本PSO算法進(jìn)行了以下改進(jìn)。

2.1 慣性權(quán)重的確定

把慣性權(quán)重w引入到粒子群算法中，并研究了其對(duì)優(yōu)化性能的影響，發(fā)現(xiàn)較大的w值有利于跳出局部最優(yōu)點(diǎn)，而較小的w值有利于算法收斂，因此提出了自適應(yīng)調(diào)整w的策略，即隨著迭代的進(jìn)行，線性地減小w的值，非線性地減少w的值:

其中w0為事先給定的正常數(shù)，k為飛行次數(shù)，n為以優(yōu)化目標(biāo)函數(shù)而定的正常數(shù)。

2.2 速度范圍的確定

不同的vmax(最大飛行速度)對(duì)壓縮因子PSO算法收斂速度有很大的影響。事實(shí)上，數(shù)值試驗(yàn)表明vmax對(duì)各種PSO算法收斂速度及收斂精度都有影響。為了便于問(wèn)題的描述，假設(shè)粒子群在M維空間里飛行速度的上下限分別表示為矢量：

Vmax=[vmax1,vmax2,…,vmaxM]和vmin=[vmin1,vmin2,…,vminM]搜索空間的上下限分別用矢量[vmax1,vmax2,…,vmaxM]和vmin=[vmin1,vmin2,…,vminM]表示，則粒子群在M維空間里飛行速度的上下限可用下式表達(dá):

式中，D=1,2,…,M,a大小可用下式確定：

其中，a0為事先給定的正常數(shù)，k為飛行次數(shù)，m為以優(yōu)化目標(biāo)函數(shù)而定的正常數(shù)

2.3 搜索空間的確定

大量的數(shù)值試驗(yàn)證明:隨著粒子群體不斷進(jìn)化，粒子群體逐漸向問(wèn)題空間的優(yōu)秀解域靠近?因此，隨著進(jìn)化的進(jìn)行，適當(dāng)?shù)膲嚎s粒子群的搜索空間將有利于加速算法收斂，這在后面的數(shù)值仿真中得到驗(yàn)證?壓縮搜索空間由式(7)和式(8)完成:

U’maxd=β0(U’maxd-Gcd)+Gcd(7)

D’mind=β0(D’mind-Gcd)+Gcd(8)

其中，0

式中，Npop為粒子群的群體規(guī)模。

隨著搜索空間的壓縮，一方面問(wèn)題的最優(yōu)解有可能被排擠在壓縮后的搜索空間之外，這樣問(wèn)題的最優(yōu)解將無(wú)法被搜索到;另一方面粒子的飛行范圍被大大縮減，降低了算法突破局部最優(yōu)的能力。如果大部分粒子均在相同的局部極值附近飛行時(shí)，PSO算法容易出現(xiàn)暫時(shí)的“停滯”現(xiàn)象，突破局部極值的限制可能需要經(jīng)過(guò)很長(zhǎng)一段時(shí)間，也可能無(wú)法突破這一限制而陷入局部最優(yōu)點(diǎn)。為此，當(dāng)算法出現(xiàn)暫時(shí)“停滯”時(shí)，需重新對(duì)粒子進(jìn)行初始化，本文把粒子分為兩部分，一部分在壓縮空間初始化，一部分在原始空間內(nèi)初始化。數(shù)值試驗(yàn)證明了該方法的可行性CSV－PSO算法以目標(biāo)函數(shù)的函數(shù)值為其適應(yīng)值求函數(shù)的最優(yōu)解，算法的具體流程如下:

(1)初始化慣性權(quán)重w0，學(xué)習(xí)因子c1和c2，群體規(guī)模Npop，停滯進(jìn)化代數(shù)Ns，常數(shù)α0和β0及進(jìn)化結(jié)束標(biāo)志，進(jìn)化代數(shù)Ng和ε0，進(jìn)入步(2);

(2)在?WDmin,Umax內(nèi)隨機(jī)初始化粒子的位置，由式(4)和式(5)確定粒子飛行速度的極限Vmin和Vmax，然后在[Vmin,Vmax]內(nèi)隨機(jī)初始化粒子的飛行速度;令群體進(jìn)化代數(shù)N= 0，進(jìn)入步(3);

(7)根據(jù)公式(4)和式(5)動(dòng)態(tài)調(diào)整粒子飛行速度的極限，并由式(7)和式(8)壓縮粒子的搜索空間，進(jìn)行步(8);

(8)把粒子分為兩部分，一部分在壓縮空間?WDmin,Umax內(nèi)重新初始化，一部分在原始空間?WDmin,Umax內(nèi)重新初始化，進(jìn)行步(3)。

2.4數(shù)值測(cè)試

為了驗(yàn)證改進(jìn)算法的性能，選用了5個(gè)常用的非線性基準(zhǔn)函數(shù)，函數(shù)基本特征如表1所示。最大進(jìn)化代數(shù)Ng=10 000，學(xué)習(xí)因子c1=c2=2，群體規(guī)模Npop=30;變量維數(shù)、變量范圍、優(yōu)化目標(biāo)函數(shù)值如表1所示;設(shè)置參數(shù)w0=1。本文引入的參數(shù)停滯進(jìn)化代數(shù)Ns=50，α0=019和β0=018(對(duì)函數(shù)f6,α0=015)。隨機(jī)運(yùn)行20次，適應(yīng)值達(dá)到目標(biāo)函數(shù)值時(shí)的平均進(jìn)化代數(shù)及進(jìn)化代數(shù)范圍如表2所示：

表1

表2中，Nave和Nr分別為20次運(yùn)行中收斂情況下進(jìn)化代數(shù)的平均值和進(jìn)化代數(shù)的范圍(例如，若20次運(yùn)行中有3次不收斂，則Nave和Nr分別為17次收斂運(yùn)行的進(jìn)化代數(shù)平均值和進(jìn)化代數(shù)的范圍)。對(duì)函數(shù)f2，壓縮因子法(Vmax=100 000)和改進(jìn)壓縮因子法(Vmax=Xmax)，20次運(yùn)行中各有1次不收斂(進(jìn)化了10 000代適應(yīng)值仍沒(méi)有達(dá)到目標(biāo)函數(shù)值);對(duì)函數(shù)f3，慣性權(quán)重法在目標(biāo)函數(shù)值設(shè)置為0105時(shí)得到的表中結(jié)果，壓縮因子法(Vmax=100 000)有3次不收斂，改進(jìn)壓縮因子法(Vmax=Xmax)有1次不收斂?由表中結(jié)果可以看出與慣性權(quán)重法、壓縮因子法(Vmax=100 000)和改進(jìn)壓縮因子法(Vmax=Xmax)相比，CSV2PSO算法收斂速度更快，運(yùn)行更為穩(wěn)定(不易出現(xiàn)早熟現(xiàn)象)。

表2

2.5 算法總結(jié)

2.5.1 針對(duì)基本PSO算法的不足，對(duì)其進(jìn)行了改進(jìn)，提出了CSV2PSO算法，數(shù)值仿真結(jié)果表明該算法收斂速度更快，精度更高，運(yùn)行更為穩(wěn)定。

2.5.2 隨著粒子群體不斷進(jìn)化，粒子群體逐漸向問(wèn)題空間的優(yōu)秀解域靠近，此時(shí)適當(dāng)壓縮粒子群搜索空間與粒子群飛行速度范圍有利于加速算法收斂，提高收斂精度。

2.5.3 CSV2PSO算法在PSO算法的基礎(chǔ)上引入了幾個(gè)參變量，如Ns，α0，β0，這些變量如何影響PSO算法性能，有待于進(jìn)一步研究。

3 PSO算法的應(yīng)用

3.1 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練：PSO用于神經(jīng)網(wǎng)絡(luò)的訓(xùn)練中，主要包含3個(gè)方面:連接權(quán)重、網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)及傳遞函數(shù)、學(xué)習(xí)算法。每個(gè)粒子包含神經(jīng)網(wǎng)絡(luò)的所有參數(shù)，通過(guò)迭代來(lái)優(yōu)化這些參數(shù)，從而達(dá)到訓(xùn)練的目的。

3.2 參數(shù)優(yōu)化：PSO已廣泛應(yīng)用于各類連續(xù)問(wèn)題和離散問(wèn)題的參數(shù)優(yōu)化。例如，在模糊控制器的設(shè)計(jì)、機(jī)器人路徑規(guī)劃、信號(hào)處理和模式識(shí)別等問(wèn)題上均取得了不錯(cuò)的效果。

除了以上領(lǐng)域外，PSO在組合優(yōu)化、多目標(biāo)優(yōu)化、自動(dòng)目標(biāo)檢測(cè)、生物信號(hào)識(shí)別、決策調(diào)度、系統(tǒng)辨識(shí)以及游戲訓(xùn)練等方面也取得了一定的成果。

參考文獻(xiàn)：

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

[2]陳慧萍,趙躍華,錢旭.人工智能教程[M].北京:電子工業(yè)出版社,2001.

[3]何華燦.人工智能導(dǎo)論[M].西安:西北工業(yè)大學(xué)出版社,1988.

[4]羅建宏,張忠能.并行仿真的粒子群優(yōu)化算法異步模式研究[J].計(jì)算機(jī)仿真,2005,22(6).

[5]譚皓,沈春林,李錦.混合粒子群算法在高維復(fù)雜函數(shù)尋優(yōu)中的應(yīng)用[J].系統(tǒng)工程與電子技術(shù),2005,27(8).

篇9

關(guān)鍵詞： 機(jī)場(chǎng)能耗信息采集系統(tǒng)； 經(jīng)驗(yàn)?zāi)Ｊ椒纸猓?果蠅參數(shù)優(yōu)化； 最小二乘支持向量機(jī)； 組合預(yù)測(cè)

中圖分類號(hào)：TP181 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1006-8228（2017）04-35-06

Abstract： Focused on the periodic， random and non-stationary time series characteristics of Airport energy consumption data， an improved prediction algorithm based on empirical mode decomposition（EMD） and least squares support vector machine （LSSVM） with fruit fly parameter optimization is proposed. On the basis of the original LSSVM， decompose the data into multiple different intrinsic mode function components with EMD first， using fruit fly optimization algorithm to choose appropriate regularization parameter and kernel function parameters in LSSVM. And then depending on the each decomposition variation construct deferent least squares support vector machine model to predict respectively， and use fruit fly optimization algorithm to find the optimal regularization parameter and kernel function parameters. Finally， the superposition of each predicted result is the final forecast value. The simulation results with the three airport energy consumption prediction algorithms show that， the decomposition of data highlights the local characteristics of the original data after EMD， and fruit fly optimization algorithm gets better regularization parameter and kernel function parameters， thus has higher prediction accuracy.

Key words： airport energy information collection system； empirical mode decomposition； parameter optimization； least squares support vector machine； prediction

0 引言

M入二十一世紀(jì)以來(lái)，機(jī)場(chǎng)信息化發(fā)展迅速，研發(fā)了各類能耗信息管理系統(tǒng)，同時(shí)收集到了海量的機(jī)場(chǎng)能耗數(shù)據(jù)，這些數(shù)據(jù)可用于機(jī)場(chǎng)能耗預(yù)測(cè)。機(jī)場(chǎng)能耗預(yù)測(cè)是機(jī)場(chǎng)能源優(yōu)化調(diào)度和綜合管理的前提。機(jī)場(chǎng)能耗預(yù)測(cè)精度越高，就越有利于提高機(jī)場(chǎng)大型用電設(shè)備的效率，同時(shí)能為后期的調(diào)度工作提供有效的數(shù)據(jù)支持[1]。

機(jī)場(chǎng)能耗數(shù)據(jù)具有隨機(jī)性、周期性、跳變性等特征，目前主流能耗預(yù)測(cè)方法是假設(shè)它為周期性的穩(wěn)定序列，這導(dǎo)致分析數(shù)據(jù)特征的精度不高。為了更有效的掌握能耗序列變化的信息，運(yùn)用經(jīng)驗(yàn)?zāi)Ｊ椒纸猓‥MD）方法對(duì)其進(jìn)行數(shù)據(jù)預(yù)處理，再根據(jù)分解后各分量的特點(diǎn)完成后面模型建立和能耗預(yù)測(cè)。文獻(xiàn)[2]中提到EMD是一種將原序列的時(shí)域特性和頻域特性組合在一起分析的自適應(yīng)信號(hào)分解方法，它將非平穩(wěn)序列分解成若干個(gè)不同頻率的本征模態(tài)分量（Intrinsic mode function，IMF），各個(gè)分量包含不同的特征信息，對(duì)各分量分別進(jìn)行分析可以減少了序列中不同特征信息之間的干涉或耦合[2]。

研究能耗預(yù)測(cè)的方法主要有回歸分析法[3]、時(shí)間序列法[4-5]、神經(jīng)網(wǎng)絡(luò)法[6-9]等。其中神經(jīng)網(wǎng)絡(luò)能耗預(yù)測(cè)法應(yīng)用廣泛，但其計(jì)算速度緩慢、模型的網(wǎng)絡(luò)結(jié)構(gòu)難以確定、容易陷入局部極小值而難以找到全局最優(yōu)解，由此造成能耗預(yù)測(cè)精度不高[10]。支持向量機(jī)（SVM）算法其優(yōu)點(diǎn)是結(jié)構(gòu)簡(jiǎn)單、學(xué)習(xí)速度快、全局最優(yōu)、泛化性好，等優(yōu)點(diǎn)一度被認(rèn)為是神經(jīng)網(wǎng)絡(luò)的替代方法，已在模式識(shí)別、函數(shù)估計(jì)和信號(hào)處理領(lǐng)域廣泛應(yīng)用[11-12]。最小二乘支持向量機(jī)（LSSVM）改進(jìn)了原有支持向量機(jī)求解的方法，所以具有更高效的計(jì)算速度和更高的預(yù)測(cè)精度，但在正則化參數(shù)與核函數(shù)參數(shù)選取方面仍存在盲目性問(wèn)題，采用果蠅優(yōu)化算法對(duì)LSSVM進(jìn)行參數(shù)尋優(yōu)可以有效提高模型的準(zhǔn)確性，果蠅優(yōu)化算法有程序簡(jiǎn)潔，計(jì)算速度快，尋找最優(yōu)解能力強(qiáng)，實(shí)用性強(qiáng)等優(yōu)點(diǎn)。利用果蠅算法尋優(yōu)能力強(qiáng)的優(yōu)點(diǎn)對(duì)LSSVM算法進(jìn)行改進(jìn)，自動(dòng)尋找最優(yōu)的正則化參數(shù)與核函數(shù)參數(shù)。

本文將EMD與果蠅參數(shù)優(yōu)化的LSSVM方法相結(jié)合，對(duì)機(jī)場(chǎng)能耗進(jìn)行組合預(yù)測(cè)。先運(yùn)用EMD對(duì)機(jī)場(chǎng)能耗數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，將非平穩(wěn)的機(jī)場(chǎng)能耗序列分解成不同頻率的本征模態(tài)分量的疊加。然后利用果蠅參數(shù)優(yōu)化的最小二乘支持向量機(jī)對(duì)這些具有各自特征的分量進(jìn)行分析。最后綜合有分量回歸的預(yù)測(cè)值得到最終的預(yù)測(cè)值。選取2012到2016年天津?yàn)I海國(guó)際機(jī)場(chǎng)部分站點(diǎn)的能耗數(shù)據(jù)為例，進(jìn)行本文的方法應(yīng)用。并將本文方法與未經(jīng)EMD處理的果蠅參數(shù)優(yōu)化LSSVM和未進(jìn)行過(guò)果蠅參數(shù)優(yōu)化的EMD-LSSVM方法進(jìn)行對(duì)比分析，Matlab仿真結(jié)果表明本文方法有較高的預(yù)測(cè)精度。

1 機(jī)場(chǎng)能耗數(shù)據(jù)的采集

能耗稻堇叢從諤旖蟣鹺9際機(jī)場(chǎng)的能源站監(jiān)控系統(tǒng)。上位機(jī)是由VS2013和SQL2005聯(lián)合開(kāi)發(fā)的一套數(shù)據(jù)采集與監(jiān)控程序。機(jī)場(chǎng)各站點(diǎn)將采集到的能耗數(shù)據(jù)發(fā)送到互聯(lián)網(wǎng)，機(jī)場(chǎng)能源站上位機(jī)負(fù)責(zé)接受并儲(chǔ)存這些數(shù)據(jù)。系統(tǒng)結(jié)構(gòu)圖如圖1所示。

2 經(jīng)驗(yàn)?zāi)Ｊ椒纸?/p>

機(jī)場(chǎng)能耗數(shù)序列具有復(fù)雜性、周期性、隨機(jī)性等特征。利用經(jīng)驗(yàn)?zāi)Ｊ椒纸猓‥MD）將機(jī)場(chǎng)能耗序列分解成若干個(gè)不同頻率的本征分量（IMF），IMF具如下特點(diǎn)：極值（極大值和極小值）數(shù)與過(guò)零點(diǎn)的數(shù)目相等或最多相差一個(gè)；在任意頻率里其上、下包絡(luò)線的均值必須是零[13]。原機(jī)場(chǎng)能耗序列經(jīng)過(guò)EMD分解可以看出其周期項(xiàng)、隨機(jī)項(xiàng)、趨勢(shì)項(xiàng)，從而達(dá)到機(jī)場(chǎng)能耗序列平穩(wěn)化的效果。具體的分解過(guò)程如下：

⑴ 根據(jù)原能耗序列X（t）的局部極值求出其上、下包絡(luò)線的平均值M1；

⑵ 將原能耗序列減去平均包絡(luò)后即可得一個(gè)去掉低頻的新序列F1=X（t）-M1；判斷F1是否滿足本征分量的條件，若不滿足將F1看作新X（t），重復(fù)上述處理過(guò)程，直到F1滿足為止，記F1為IMF1；

⑶ 將R1=X（t）-F1看作新的X（t），重復(fù)以上⑴和⑵步驟，即可依次得到IMF2，IMF3…直到Fn或Rn滿足給定的終止條件時(shí)篩選結(jié)束。最后，原始的數(shù)據(jù)序列X（t）可表示為：

式⑴表明，EMD處理之后原能耗序列X（t）分解成了幾個(gè)不同特征的分量，其中每個(gè)分量都代表一個(gè)特征尺度的能耗序列，對(duì)這些分量進(jìn)行分析，可以降低后續(xù)建模的難度。

3 基于果蠅算法的正則化參數(shù)與高斯核函數(shù)的參數(shù)優(yōu)化

對(duì)機(jī)場(chǎng)能耗數(shù)據(jù)進(jìn)行EMD的數(shù)據(jù)預(yù)處理之后得到了若干個(gè)本征分量，根據(jù)各分量的變化特征采用參數(shù)優(yōu)化的LSSVM方法分別進(jìn)行建模。LSSVM可以有效克服算法計(jì)算量大，計(jì)算時(shí)間長(zhǎng)等缺點(diǎn)，但是在正則化參數(shù)與核函數(shù)參數(shù)選取方面仍存在盲目性的問(wèn)題，本文采用果蠅參數(shù)尋優(yōu)的方法對(duì)LSSVM進(jìn)行優(yōu)化。具體推導(dǎo)過(guò)程如下：

LSSVM用如下函數(shù)形式對(duì)未知系統(tǒng)進(jìn)行估計(jì)。

首先確定γ和σ的取值范圍，然后在取值范圍內(nèi)隨機(jī)賦予若干個(gè)果蠅的初始位置，計(jì)算初始果蠅的味道濃度判定值并將其代入味道濃度判定函數(shù)即⑼式，找出濃度最低的果蠅，記下此時(shí)味道濃度最優(yōu)的γ和σ以及濃度值并更新果蠅的位置，通過(guò)反復(fù)的迭代重復(fù)上述步驟，直到滿足跳出條件時(shí)得到一組最優(yōu)目標(biāo)值即最優(yōu)的的γ和σ，將其代入式⑻得到最終的預(yù)測(cè)模型。

4 基于EMD和果蠅參數(shù)優(yōu)化的LSSVM預(yù)測(cè)模型

利用EMD對(duì)能耗序列分解，分解后的本征分量突出了原能耗序列的局部特征，在此基礎(chǔ)上，根據(jù)各個(gè)本征分量的變化特點(diǎn)分別用參數(shù)優(yōu)化的LSSVM算法建立不同的預(yù)測(cè)模型，利用果蠅參數(shù)尋優(yōu)算法對(duì)正則化參數(shù)與高斯核函數(shù)參數(shù)進(jìn)行尋優(yōu)，以預(yù)測(cè)準(zhǔn)確率最大為優(yōu)化目標(biāo)，設(shè)置跳出條件為兩代果蠅在一定限度之內(nèi)，反復(fù)迭代直到找到最佳的正則化參數(shù)與核函數(shù)參數(shù)。因各個(gè)本征分量對(duì)最終的預(yù)測(cè)值貢獻(xiàn)有差異，最后將預(yù)測(cè)結(jié)果由SVM組合得到最終預(yù)測(cè)結(jié)果。其預(yù)測(cè)方法結(jié)構(gòu)見(jiàn)圖2，步驟為：

⑴ 對(duì)能耗序列進(jìn)行EMD分解得到n個(gè)IMF分量與一個(gè)余量Rn；

⑵ 對(duì)分解后的IMF分別建立合適的LSSVM能耗預(yù)測(cè)模型。

⑶ 設(shè)置果蠅參數(shù)尋優(yōu)算法兩代果蠅味道濃度小于m時(shí)為迭代結(jié)束的跳出條件。

⑷ 將果蠅參數(shù)優(yōu)化算法確定的正則化參數(shù)與高斯核函數(shù)的最優(yōu)參數(shù)γ和σ代入式⑻中建立最終的數(shù)學(xué)模型。采用多個(gè)輸入、單輸出的一步預(yù)測(cè)方法；

⑸ 由于分解后的IMF分量特征相異，所以對(duì)最終結(jié)果影響存在差異，直接疊加會(huì)降低整體的預(yù)測(cè)精度，這里采用支持向量機(jī)加權(quán)組合的方法，通過(guò)支持向量機(jī)組合得到最終能耗預(yù)測(cè)值。

5 仿真實(shí)驗(yàn)

數(shù)據(jù)來(lái)源于天津?yàn)I海國(guó)際機(jī)場(chǎng)能源站能耗數(shù)據(jù)，利用2012年1月1日至2016年1月1日整點(diǎn)天津?yàn)I海國(guó)際機(jī)場(chǎng)一號(hào)航站樓電能能耗數(shù)值，天氣狀況，節(jié)假日類型作為學(xué)習(xí)樣本，預(yù)測(cè)2016年9月31日全天機(jī)場(chǎng)電能能耗值。

采用相對(duì)誤差（Pe）和平均絕對(duì)百分比誤差（MAPE）作為評(píng)價(jià)最終的能耗預(yù)測(cè)的標(biāo)準(zhǔn)，如下式，其中pi為實(shí)際的能耗值，qi為預(yù)測(cè)的能耗值，N為預(yù)測(cè)值總個(gè)數(shù)。

圖3給出航站樓電能能耗序列的EMD分解局部圖，得到七個(gè)IMF分量，可以看到IMF1為數(shù)值較小劇烈變化的高頻分量，IMF2與IMF3與原序列周期變化相似，IMF4到IMF7為數(shù)值較小低頻分量，R8為趨勢(shì)項(xiàng)?？梢钥吹椒纸夂蟮姆至客怀隽嗽芎男蛄械木植刻卣?，能更明顯的看出原能耗序列的周期項(xiàng)、隨機(jī)項(xiàng)和趨勢(shì)項(xiàng)，能更好的把握能耗序列的特性。

根據(jù)各分量的變化規(guī)律選用不同LSSVM模型，并利用果蠅算法進(jìn)行參數(shù)尋優(yōu)，其中果蠅種群數(shù)為3，種群規(guī)模為30，最大迭代次數(shù)為100，預(yù)測(cè)值與訓(xùn)練值的均方差作為目標(biāo)函數(shù)，以搜索最小均方差為目標(biāo)，迭代結(jié)束時(shí)可得各個(gè)IMF的參數(shù)γ和σ如表1所示。

為了驗(yàn)證本文方法的有效性，采用EMD與果蠅參數(shù)優(yōu)化的LSSVM、 EMD和未進(jìn)行參數(shù)優(yōu)化的LSSVM、單一果蠅參數(shù)優(yōu)化的LSSVM三種方法分別進(jìn)行預(yù)測(cè)，三種方法的預(yù)測(cè)結(jié)果圖如圖4，圖5和圖6所示?？梢钥闯霰疚姆椒ǖ钠茖?shí)際值較大的點(diǎn)較少，預(yù)測(cè)曲線更平滑。其預(yù)測(cè)的平均絕對(duì)百分誤差和相對(duì)誤差的對(duì)比數(shù)據(jù)如表2所示。從三種方法的預(yù)測(cè)精度可以看出，EMD與果蠅參數(shù)優(yōu)化LSSVM的平均絕對(duì)百分比誤差為1.02%，EMD與未進(jìn)行參數(shù)優(yōu)化的LSSVM的平均絕對(duì)百分比誤差為1.56%，而單一果蠅參數(shù)優(yōu)化的LSSVM的百分比誤差為2.87%。本文方法在整點(diǎn)預(yù)測(cè)的相對(duì)誤差最小。

對(duì)比圖4，圖5。本文方法在分析機(jī)場(chǎng)能耗數(shù)據(jù)特征的基礎(chǔ)上，利用果蠅算法良好的全局尋優(yōu)的能力對(duì)LSSVM的正則化參數(shù)γ與高斯核函數(shù)參數(shù)σ進(jìn)行尋優(yōu)。通過(guò)設(shè)定味道濃度判定函數(shù)和最優(yōu)味道濃度的跳出條件，反復(fù)迭代不同的果蠅，直到迭代結(jié)束找出濃度最低的果蠅，得到最合適的正則化參數(shù)語(yǔ)高斯核函數(shù)參數(shù)γ和σ。相對(duì)于沒(méi)有進(jìn)行參數(shù)優(yōu)化的方法，合適的γ和σ使模型具有更佳的泛化和學(xué)習(xí)能力，使機(jī)場(chǎng)能耗的預(yù)測(cè)精度大幅提升，從表2可以看到本文的預(yù)測(cè)方法的相對(duì)誤差最大為1.02%最小則達(dá)到0.5%，從最終的預(yù)測(cè)曲線可以看出回歸函數(shù)更為平滑。

對(duì)比圖4，圖6。本文方法加入EMD后，將原本復(fù)雜機(jī)場(chǎng)能耗序列分解為一系列不同頻率的簡(jiǎn)單的平穩(wěn)分量，這些分量包含了原機(jī)場(chǎng)能耗序列的局部特征信息。隨著這些分量階數(shù)的提高，其隨機(jī)性減弱，對(duì)各個(gè)分量分別進(jìn)行建模分析能更準(zhǔn)確的把握原機(jī)場(chǎng)能耗序列的特征信息，使得能耗預(yù)測(cè)準(zhǔn)確性大大提高。從最終的預(yù)測(cè)曲線可以看出，沒(méi)有加入EMD方法其預(yù)測(cè)效果誤差偏大，曲線偏移嚴(yán)重，而加入EMD之后預(yù)測(cè)準(zhǔn)確性有顯著提高。

6 結(jié)束語(yǔ)

針對(duì)機(jī)場(chǎng)能耗數(shù)據(jù)的復(fù)雜性和隨機(jī)性造成預(yù)測(cè)精度不高的問(wèn)題，本文提出EMD與果蠅參數(shù)優(yōu)化的LSSVM預(yù)測(cè)方法。EMD分解可以分離出機(jī)場(chǎng)能耗序列的重要特征信息，根據(jù)分解之后各個(gè)分量的特點(diǎn)建立不同的最小二乘支持向量機(jī)子模型，然后利用果蠅算法良好的全局尋優(yōu)能力進(jìn)行關(guān)鍵參數(shù)的尋優(yōu)，最后通過(guò)加權(quán)組合個(gè)分量的預(yù)測(cè)結(jié)果，得到最終預(yù)測(cè)結(jié)果。仿真結(jié)果表明，本文方法能進(jìn)一步提高機(jī)場(chǎng)能耗預(yù)測(cè)的精度。未來(lái)研究工作將會(huì)對(duì)算法做進(jìn)一步改進(jìn)，加入實(shí)際數(shù)據(jù)的反饋，減少訓(xùn)練樣本的添加影響，實(shí)現(xiàn)在線實(shí)時(shí)預(yù)測(cè)。

參考文獻(xiàn)（References）：

[1] 李永超.民用機(jī)場(chǎng)能源信息管理系統(tǒng)[D].北京交通大學(xué)碩士

學(xué)位論文，2010：1-6

[2] An X， J D， Zhao M， et al. Short-term prediction of wind

power using EMD and chaotic theory[J].Communications in Nonlinear Science and Numerical Simulation，2012.17（2）：1036-1042

[3] Lehmann A， Overton J M C， Leathwick J R. GRASP：

generalized regression analysis and spatial prediction[J].Ecological modelling，2002.157（2）：189-207

[4] 李瑞，張宏立，王雅.基于量子粒子群優(yōu)化算法的新型正交

基神經(jīng)網(wǎng)絡(luò)分?jǐn)?shù)階混沌時(shí)間序列單步預(yù)測(cè)[J].計(jì)算機(jī)應(yīng)用，2015.35（8）：2227-2232

[5] Weigend A S. Time series prediction： forescasting the

future and understanding the past[M]，1994.

[6] 王德明，王莉，張廣明.基于遺傳 BP 神經(jīng)網(wǎng)絡(luò)的短期風(fēng)速預(yù)

測(cè)模型[J].浙江大學(xué)學(xué)報(bào)（工學(xué)版），2012.46（5）：837-841

[7] HUANG J， Luo H， WANG H， et al. Prediction of time

sequence based on GA-BP neural net[J]. Journal of University of Electronic Science and Technology of China，2009.5：029

[8] Jin W， Li Z J， Wei L S， et al. The improvements of BP

neural network learning algorithm[C]//Signal Processing Proceedings， 2000. WCCC-ICSP 2000. 5th International Conference on. IEEE，2000.3：1647-1649

[9] Yu S， Zhu K， Diao F. A dynamic all parameters adaptive

BP neural networks model and its application on oil reservoir prediction[J]. Applied mathematics and computation，2008.195（1）：66-75

[10] Junsong W， Jiukun W， Maohua Z， et al. Prediction of

internet traffic based on Elman neural network[C]//Control and Decision Conference， 2009. CCDC'09. Chinese. IEEE，2009：1248-1252

[11] Vapnik V. The nature of statistical learning theory[M].

Springer Science & Business Media，2013.

[12] 祝志輝，孫云聯(lián)，季寧.基于EMD和SVM的短期負(fù)荷預(yù)測(cè)[J].

高電壓技術(shù)，2007.33（5）：118-112

[13] Wu Z， Huang N E. Ensemble empirical mode

decomposition： a noise-assisted data analysis method[J]. Advances in adaptive data analysis，2009.1：1-41

[14] Comak E， Polat K， Güne? S， et al. A new medical

decision making system： least square support vector machine（LSSVM） with fuzzy weighting pre-processing[J].Expert Systems with Applications， 2007.32（2）：409-414

篇10

特斯拉自動(dòng)輔助駕駛技術(shù)

特斯拉增強(qiáng)型自動(dòng)輔助駕駛系統(tǒng)包括8個(gè)攝像頭、12個(gè)超聲波傳感器，以及裝有聲納、雷達(dá)軟件的高速處理器。最遠(yuǎn)監(jiān)控距離達(dá)250米，覆蓋360度可視范圍。當(dāng)駕駛員使用鑰匙“召喚”，車輛便會(huì)自動(dòng)駛出車庫(kù)，?？吭隈{駛員身邊。當(dāng)車輛收到變道信息，系統(tǒng)會(huì)根據(jù)道路情況自動(dòng)完成變換車道。車輛接近目的地時(shí)，系統(tǒng)還會(huì)自動(dòng)搜尋車位，自動(dòng)完成泊車。

“我本人每天都使用這個(gè)技術(shù)，每次都感受到了完美的體驗(yàn)?！?/p>

――成果人：特斯拉全球副總裁 任宇翔。

IBM“Watson”類腦計(jì)算機(jī)

“Watson”是一部類腦計(jì)算機(jī)，計(jì)算能力相當(dāng)于40億個(gè)神經(jīng)突出，功率只有2.5瓦。目前Watson已在醫(yī)療健康、教育、金融、零售等行業(yè)開(kāi)發(fā)出各項(xiàng)應(yīng)用。例如在遠(yuǎn)程醫(yī)療領(lǐng)域，通過(guò)網(wǎng)絡(luò)連線Watson可對(duì)邊遠(yuǎn)地區(qū)患者的核磁共振片進(jìn)行解讀，甚至遠(yuǎn)程分析基因圖譜。等同于在邊遠(yuǎn)地區(qū)建成三甲醫(yī)院，為民眾健康提供科技支撐。

“所有科學(xué)都是在于發(fā)現(xiàn)，在于探索，在于求知，而科技在于發(fā)明，在于創(chuàng)造，在于造福于人類。”

――成果人：IBM全球副總裁 陳黎明

“飛天開(kāi)放平臺(tái)”高可用電子商務(wù)交易處理平臺(tái)

阿里飛天平臺(tái)具備支撐每秒數(shù)十萬(wàn)筆的高并發(fā)交易能力和彈性伸縮能力。為數(shù)億用戶提供安全、快捷、個(gè)性化的購(gòu)物體驗(yàn)，支撐電子商務(wù)快速創(chuàng)新，并可通過(guò)云服務(wù)實(shí)現(xiàn)普惠科技價(jià)值。即使“雙11”海量用戶同時(shí)訪問(wèn)，平臺(tái)也可以每秒鐘17.5萬(wàn)筆訂單的速度處理，零錯(cuò)誤零報(bào)錯(cuò)。

“飛天平臺(tái)已經(jīng)推出全球首個(gè)基于VR技術(shù)為基礎(chǔ)的‘?dāng)〖矣脩趔w驗(yàn)’，完整的購(gòu)物支付購(gòu)買場(chǎng)景現(xiàn)在已經(jīng)可以完成。”

――成果人：阿里巴巴集團(tuán)CEO 張勇

卡巴斯基工控安全平臺(tái)2016

應(yīng)對(duì)網(wǎng)絡(luò)攻擊對(duì)工業(yè)企業(yè)造成的威脅，卡巴斯基工控安全平臺(tái)已對(duì)能源、化工、油氣、鋼鐵、水資源、食品加工等企業(yè)實(shí)施保護(hù)。不可及時(shí)發(fā)現(xiàn)異?，F(xiàn)象，報(bào)告、處理可疑命令，也不會(huì)影響工業(yè)流程。

“我們認(rèn)為只有通過(guò)公共和相關(guān)部門的合作才能更好地保護(hù)好我們的網(wǎng)絡(luò)，保護(hù)好我們的工業(yè)企業(yè)?！?/p>

――成果人：卡巴斯基實(shí)驗(yàn)室全球副總裁 安東?新格羅夫

量子通信技術(shù)

隨著計(jì)算能力的快速提升，傳統(tǒng)通信的加密算法逐漸遭到破解，量子通信應(yīng)運(yùn)而生。

據(jù)了解，量子通信利用了單光子不可分割的特性，可以實(shí)現(xiàn)一次不可破譯的加密方式。為實(shí)現(xiàn)廣大范圍的量子通信，需要先用光纖實(shí)現(xiàn)城域網(wǎng)，利用衛(wèi)星實(shí)現(xiàn)廣域網(wǎng)，再利用中繼器把兩個(gè)城市連接起來(lái)，實(shí)現(xiàn)廣域的量子通信。

“到目前為止，中科院的量子中心在相關(guān)部門的支持之下，已經(jīng)實(shí)現(xiàn)集成化的量子通信終端，通過(guò)交換實(shí)現(xiàn)局域網(wǎng)之間無(wú)條件的安全，也可以實(shí)現(xiàn)量子網(wǎng)絡(luò)的推廣，目前的能力已經(jīng)能夠覆蓋大概6000平方公里的城市，可以支持千節(jié)點(diǎn)、萬(wàn)用戶的主網(wǎng)的需求?！?/p>

――成果人：中國(guó)科學(xué)院量子信息與量子科技前沿卓越創(chuàng)新中心主任 潘建偉

微軟Hololens混合現(xiàn)實(shí)全息眼鏡

微軟HoloLens全息眼鏡是一副眼鏡，更是一部全息計(jì)算機(jī)，完全獨(dú)立運(yùn)營(yíng)。通過(guò)眾多傳感器實(shí)時(shí)掃描，進(jìn)行三維建模。醫(yī)療領(lǐng)域，學(xué)生戴上眼鏡可通過(guò)全息影像學(xué)習(xí)解剖。在航天領(lǐng)域，宇航員能夠戴著HoloLens學(xué)習(xí)探索火星。在設(shè)計(jì)領(lǐng)域，HoloLens可透視機(jī)械內(nèi)部結(jié)構(gòu)。

“我們認(rèn)為下一個(gè)大事件將會(huì)是混合現(xiàn)實(shí)，這就是虛擬的數(shù)字世界和物理的現(xiàn)實(shí)世界的無(wú)縫融合?！?/p>

――成果人：微軟全球執(zhí)行副總裁 沈向洋

“Transistor Density Increase by 1000X”鰭式晶體管密度增加技術(shù)

加州大學(xué)伯克利團(tuán)隊(duì)創(chuàng)新發(fā)明“鰭式晶體管”，將晶體管做成垂直的薄膜，使晶體管密度增加，令半導(dǎo)體微型化大幅度再成長(zhǎng)。只要薄膜做得更薄，晶體管微型化就能繼續(xù)，從而不斷提高電子產(chǎn)品的運(yùn)算速度。

“現(xiàn)在晶體管的三極已經(jīng)可以縮小到1納米的寬度，未來(lái)半導(dǎo)體晶體管的密度還將再增加1000倍。這也就意味著互聯(lián)網(wǎng)將來(lái)的速度和普及度也還有千百倍成長(zhǎng)的空間?！?/p>

――成果人：美國(guó)加州大學(xué)伯克利分校教授 胡正明

“百度大腦”人工智能技術(shù)

“百度大腦”是人工智能的核心技術(shù)，由“超大規(guī)模計(jì)算”、“先進(jìn)算法”、“海量大數(shù)據(jù)”三部分組成，并已建成覆蓋全球的深度學(xué)習(xí)“神經(jīng)網(wǎng)絡(luò)”。目前，百度大腦的語(yǔ)音技術(shù)已經(jīng)達(dá)到97%的準(zhǔn)確率，無(wú)人駕駛汽車也由百度大腦操控。2016年9月，百度大腦的核心算法已經(jīng)對(duì)外開(kāi)放。

“我們現(xiàn)在看到的只是人工智能冰山一個(gè)小角，在未來(lái)的20年、30年，會(huì)有巨大的創(chuàng)新空間和商業(yè)機(jī)遇，共同開(kāi)啟人工智能的新時(shí)代?！?/p>

――成果人：百度公司總裁 張亞勤

“寒武紀(jì)1A”深度神經(jīng)元網(wǎng)絡(luò)處理器

模仿人腦的工作原理，中國(guó)科學(xué)院初步建成計(jì)算機(jī)神經(jīng)元網(wǎng)絡(luò)處理器。在語(yǔ)音識(shí)別和視頻識(shí)別領(lǐng)域，該處理器的識(shí)別精度已經(jīng)超越人類。

“這顆為人工智能而生的處理器，將出現(xiàn)在智能玩具里，攝像頭里，家庭服務(wù)機(jī)器人里，也會(huì)出現(xiàn)在后臺(tái)云端數(shù)據(jù)中心里……讓我們一起擁抱智能時(shí)代。”

――成果人：中國(guó)科學(xué)院計(jì)算技術(shù)研究所研究員 孫凝暉

三星復(fù)合生物信號(hào)處理器

該處理器采用45納米特殊半導(dǎo)體工藝制成，內(nèi)嵌快閃存儲(chǔ)器，可以監(jiān)測(cè)5種生物信號(hào)，并轉(zhuǎn)化成數(shù)據(jù)。能準(zhǔn)確了解人體健康狀態(tài)，從而提供便利、低廉的醫(yī)療保健服務(wù)。

“病人可以在韓國(guó)、中國(guó)或世界上任何一個(gè)國(guó)家享受醫(yī)療服務(wù)，超越地理界限，幫助人們拯救生命?！?/p>

――成果人：三星電子高級(jí)副總裁 樸庸仁

“神威?太湖之光”超級(jí)計(jì)算機(jī)

“神威?太湖之光”采用全國(guó)產(chǎn)綜合處理器，是世界首臺(tái)性能超過(guò)10億億次，并行規(guī)模超千萬(wàn)核的新型超級(jí)計(jì)算機(jī)。

它的亮點(diǎn)為：性能指標(biāo)世界第一，芯片結(jié)構(gòu)世界領(lǐng)先，低功耗設(shè)計(jì)更為高效，支持千萬(wàn)核應(yīng)用的系統(tǒng)支撐軟件。

“下一步超算中心將圍繞國(guó)家重大需求和國(guó)際需求開(kāi)展高性能計(jì)算應(yīng)用和計(jì)算任務(wù)，共同為世界科技的創(chuàng)新做出更多工作?！?/p>

――成果人：清華大學(xué)教授、國(guó)家超級(jí)計(jì)算無(wú)錫中心主任 楊廣文

SAP工業(yè)4.0互聯(lián)網(wǎng)制造解決方案

SAP與中科院沈自所聯(lián)合研發(fā)的工業(yè)4.0智能制造生產(chǎn)線，旨在實(shí)現(xiàn)創(chuàng)意制造、協(xié)同制造、綠色制造，推動(dòng)中國(guó)制造與德國(guó)“工業(yè)4.0”結(jié)合，幫助中國(guó)制造實(shí)現(xiàn)數(shù)字化轉(zhuǎn)型。

“在工業(yè)4.0的時(shí)代，我們既需要解決個(gè)性化定制，也要符合環(huán)保和綠色的要求，SAP希望通過(guò)與中科院的合作來(lái)推動(dòng)中國(guó)制造與德國(guó)‘工業(yè)4.0’的結(jié)合，幫助中國(guó)制造實(shí)現(xiàn)數(shù)字化轉(zhuǎn)型?！?/p>

――成果人：SAP全球副總裁、中國(guó)區(qū)總經(jīng)理李強(qiáng)

微信生態(tài)創(chuàng)新

微信在技術(shù)、產(chǎn)業(yè)、社會(huì)等多層面提升生態(tài)創(chuàng)新能力，從溝通工具發(fā)展為開(kāi)放平臺(tái)，并成為新的生活方式。通過(guò)語(yǔ)音識(shí)別、圖像識(shí)別、音頻指紋、微信BOT平臺(tái)、生物識(shí)別等技術(shù)服務(wù)，創(chuàng)新了人機(jī)交互方式。

“微信有個(gè)理念，好的產(chǎn)品是用完即走，這就好像我們?cè)谝粋€(gè)大森林里可以自由行走，暢快呼吸?！?/p>

――成果人：騰訊公司副總裁 江陽(yáng)

華為麒麟960手機(jī)SoC芯片

華為麒麟960搭載了自主研發(fā)的全網(wǎng)通Modem，它可以支持所有的移油ㄐ牛幫助廣大用戶享受更加快速、可靠的連接服務(wù)。

華為在手機(jī)性能和功耗的平衡設(shè)計(jì)方面做了深入的研究，從處理器的核心、架構(gòu)、系統(tǒng)工藝等方面都做了持續(xù)優(yōu)化。

“麒麟960的照相技術(shù)來(lái)自于法國(guó)、俄羅斯和日本等團(tuán)隊(duì)，部分通信技術(shù)來(lái)自于美國(guó)、比利時(shí)和瑞典等團(tuán)隊(duì)。感謝世界互聯(lián)網(wǎng)大會(huì)將我們和全球合作伙伴召集在一起?！?/p>

――成果人：華為技術(shù)有限公司副總裁 艾偉

Qualcomm“5GNR（新空口）原型系統(tǒng)和試驗(yàn)平臺(tái)”

5GNR是全新孔口設(shè)計(jì)的全球性5G標(biāo)準(zhǔn)，也是下一代蜂窩移動(dòng)技術(shù)的基礎(chǔ)。