導語：如何才能寫好一篇神經(jīng)網(wǎng)絡(luò)的局限性，這就需要搜集整理更多的資料和文獻，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：期貨價格預測BP神經(jīng)網(wǎng)絡(luò)遺傳算法

引言及文獻綜述

20世紀以來，我國期貨市場得到了長足發(fā)展，但相對而言，由于我國期貨市場仍處于低級階段，市場操縱嚴重，投資者投資理念不科學等問題使市場風險事件不斷發(fā)生，直接阻礙了中國期貨市場走向成熟。諸多風險事件歸根結(jié)蒂，就是期貨價格的波動問題，故分析與預測期貨價格變化趨勢自然成為期貨市場風險控制研究的重中之重，與此同時，了解期貨價格走勢也有助于幫助投資者降低風險、提高收益，實現(xiàn)金融市場的整體穩(wěn)定與協(xié)調(diào)。

國外期貨市場起步較早，在期貨市場預測的研究和實踐方面開展了大量有價值的工作，Shaikh A.Hamid，Zahid Iqba（2004）用神經(jīng)網(wǎng)絡(luò)預測標普500指數(shù)期貨價格的波動；Shahriar Yousefi，Ilna WEinrEIch等（2005）提出一種基于小波變換的預測程序并用來對原油期貨進行預測。在我國，學者們也試圖通過計量模型對期貨價格進行預測：張方杰、胡燕京（2005）的ARMA模型，王習濤（2005）的ARIMA模型，劉軼芳、遲國泰（2006）的GARCH—EWMA的期貨價格預測模型、楊熙亮、朱東華、劉怡菲（2006）的BP神經(jīng)網(wǎng)絡(luò)模型等都在期貨價格預測中得到應(yīng)用。

總結(jié)國內(nèi)外對期貨價格的預測研究，可以發(fā)現(xiàn)對期貨的預測存在一系列問題，比如：期貨數(shù)據(jù)具有高噪聲；各因素之間的相關(guān)性錯綜復雜；期貨價格具有非線性特征等等。在這種情況下，人工神經(jīng)網(wǎng)絡(luò)方法就顯示出其特有的優(yōu)勢，因此本文選擇了BP網(wǎng)絡(luò)模型作為期貨短期預測的基本因果模型，并根據(jù)實際應(yīng)用的需要做了創(chuàng)造性的改進。

實證分析

1.變量的選取及數(shù)據(jù)來源

本文選擇大連商品交易所的大豆期貨合約為研究對象，作為比較穩(wěn)定的交易品種，它的走勢一定程度上可以反映所在交易所的交易狀況，對它的預測情況在一定程度上也可以反映對其交易所其他期貨預測的可行性。綜合考慮數(shù)據(jù)可得性、完整性等因素，本文選取2009年1月5日~10月29日的大豆期貨主力A1001合約共200個交易數(shù)據(jù)作為訓練數(shù)據(jù)，10月30日~11月12日的10個數(shù)據(jù)為測試數(shù)據(jù)。數(shù)據(jù)來源于大連商品交易所。

由于期貨價格變化受許多因素的影響，為了盡可能提高預測的準確性，輸入變量選擇為當日開盤價、當日最高價、當天最低價、當日收盤價、結(jié)算價、當日成交量、成交金額以及當日持倉量，總共8個輸入量。

2. BP神經(jīng)網(wǎng)絡(luò)模型的建立及實現(xiàn)

誤差反傳模型（BP神經(jīng)網(wǎng)絡(luò)模型）可任意逼近非線性函數(shù)，其運行過程分為信號的正向傳播和誤差的反向傳播兩階段：第一階段，將樣本從輸入層傳入，經(jīng)各隱層處理后，傳向輸出層。若輸出層的實際輸出與期望的輸出不符，則轉(zhuǎn)入第二階段，將輸出誤差以某種形式通過隱層向輸入層逐層反傳，并將誤差分攤給各層的所有單元，從而獲得各層單元的誤差信號，并以此來修正各單元權(quán)值。

根據(jù)kolmogorov定理，一個三層的BP神經(jīng)網(wǎng)絡(luò)足以完成任意的n維到m維的映射，即一般只需要采用一個隱層就足夠。隱層節(jié)點個數(shù)本文采用試湊法確定為20個。為使提高訓練精度，本文將初始學習率定為0.05，并采用自適應(yīng)調(diào)節(jié)學習率功能，在以后的訓練過程中根據(jù)訓練誤差來自動調(diào)節(jié)學習率。同時，本文選取連續(xù)可微的S型正切函數(shù)即tansig函數(shù)作為傳導函數(shù)，該函數(shù)的可微分性與飽和非線性特性，增強了網(wǎng)絡(luò)的非線性映射能力。

依據(jù)以上模型與參數(shù)設(shè)定，在matlab中予以實現(xiàn)，結(jié)果圖1所示，從圖中可以看出，對大豆期貨價格預測的走勢是大致相同的，但是整體誤差較大。雖然利用自適應(yīng)調(diào)節(jié)學習率來改善收斂情況，但梯度下降的BP算法仍存在較大的局限性。為了改善神經(jīng)網(wǎng)絡(luò)的權(quán)值調(diào)整，所以用遺傳算法對BP神經(jīng)網(wǎng)絡(luò)進行優(yōu)化。

3.模型的改進及實現(xiàn)

遺傳算法是一種全局優(yōu)化搜索算法，其基本思想是首先將問題求解表示成基因型，通過選擇，交叉，變異從中選取適應(yīng)環(huán)境的個體，求得問題最優(yōu)解，有較好的全局搜索性能。將遺傳算法運用到神經(jīng)網(wǎng)絡(luò)模型，實現(xiàn)了兩者的優(yōu)勢互補，發(fā)揮了神經(jīng)網(wǎng)絡(luò)的廣泛映射能力和遺傳算法的全局搜索能力，也加快了網(wǎng)絡(luò)的學習速度，綜合提高了整個學習過程中模型的逼近能力和泛化能力。

在MATLAB中運行結(jié)果如圖2所示，從中可以看出，加入遺傳算法對權(quán)值和閾值進行優(yōu)化以后的GA-BP模型結(jié)果能更好的貼近真實值，更準確的擬合。在本例中GA-BP模型的優(yōu)勢突出的表現(xiàn)在收斂速度快，周期短上面。相對于傳統(tǒng)的BP算法減少了權(quán)值閾值初始化的隨機性，GA-BP就可以大大縮短收斂時間。收斂情況如表1所示：

表中以前200次迭代為例，遺傳算法可以將mse縮減到e-5數(shù)量級，而簡單的BP神經(jīng)網(wǎng)絡(luò)卻只能達到e-3，并且迭代的后期下降的幅度越來越不明顯。

結(jié)論

基于BP神經(jīng)網(wǎng)絡(luò)模型進行實證分析，從預測的結(jié)果來看，預測值和實際值的走勢是一致的，但預測值和實際值具有較大的偏差，這是由于BP神經(jīng)網(wǎng)絡(luò)自身存在的問題所導致的。

為解決BP神經(jīng)網(wǎng)絡(luò)模型不能精確預測的價格的問題，考慮到是由于BP算法調(diào)整權(quán)值的局限性，本文用遺傳算法進行優(yōu)化模型。利用遺傳算法可以對權(quán)值進行全局搜索，避免了BP算法的局限性。從結(jié)果來看，預測值和實際值誤差較小，能夠精確的預測期貨價格。

篇2

【關(guān)鍵詞】熱工對象；大滯后；滯后時間消弱器；智能PID控制；BP神經(jīng)網(wǎng)絡(luò)

1 引言

熱工被控對象通常具有大滯后特點，傳統(tǒng)的PID控制器對大滯后性系統(tǒng)控制得不到良好的控制效果?？刂破鞯目刂谱饔靡?jīng)過一個純滯后時間，這就會引起調(diào)節(jié)品質(zhì)下降，控制系統(tǒng)穩(wěn)定性變差。從控制系統(tǒng)傳遞函數(shù)上看， 當系統(tǒng)對象具有純滯后特性時，閉環(huán)系統(tǒng)特征方程引入純滯后環(huán)節(jié)， 從而使得控制變得復雜， 因此， 它被認為是最難控制的動態(tài)系統(tǒng)之一。Smith 預估器從理論上消除滯后因素的影響并改善系統(tǒng)的穩(wěn)定性和響應(yīng)特性。但它需要精確且穩(wěn)定的數(shù)學模型，其性能對模型參數(shù)的變化十分敏感，參數(shù)變化超過一定限度Smith預估器就失去了補償效果。而實際控制過程卻往往難以獲得準確的數(shù)學模型，或?qū)ο蟊旧砭褪菚r變模型，因此Smith預估器在工程應(yīng)用中還存在一定的局限性。針對這個局限性，本文提出一種先通過滯后時間消弱器將對象的大滯后時間變成小滯后時間，后通過BP神經(jīng)網(wǎng)絡(luò)PID控制器對變換后系統(tǒng)進行控制的一種策略。仿真結(jié)果證明該方案對被控對象參數(shù)的改變適應(yīng)性強，具有較好的魯棒性。

2 帶滯后時間消弱器的BP 神經(jīng)網(wǎng)絡(luò)PID 控制器結(jié)構(gòu)

控制系統(tǒng)結(jié)構(gòu)如圖1 所示，系統(tǒng)有三部分組成。

2.1 PID 控制器

增量型的PID控制器的離散方程如下：

它直接對被控對象進行閉環(huán)控制，并且三個參數(shù)K P 、KI 、K D 為在線調(diào)整方式。

2.2 滯后時間消弱器

圖中被控對象的傳遞函數(shù) 。

其中：不含滯后環(huán)節(jié)，為滯后時間常數(shù)。

由圖中可以得到滯后時間消弱器的等效傳遞函數(shù)：

其中Z+為一個正數(shù)。對滯后環(huán)節(jié)進行2次泰勒展開

后，可以得到該等效傳遞函數(shù)為：

由上式可以看出經(jīng)過滯后時間消弱器后得到的對象滯后時間比原來對象減少了1+Z+倍。只要Z+取得合適完全可以達到，實驗證明當其小于0.3以后，其控制效果不會太明顯。

BP神經(jīng)網(wǎng)絡(luò)PID控制器算法實現(xiàn)

根據(jù)系統(tǒng)的運行狀態(tài)，調(diào)節(jié)PID 控制器的參數(shù)，以期達到某種性能指標的最優(yōu)化，使輸出層神經(jīng)元的輸出狀態(tài)對應(yīng)于PID 控制器的三個可調(diào)參數(shù)K P 、K I 、K D 通過神經(jīng)網(wǎng)絡(luò)的自學習、加權(quán)系數(shù)調(diào)整，使神經(jīng)網(wǎng)絡(luò)輸出對應(yīng)于某種最優(yōu)控制下的PID 控制器參數(shù)。在本文中采用4-5-4三層BP網(wǎng)絡(luò)，其結(jié)構(gòu)如圖2 所示。

網(wǎng)絡(luò)層輸入層的輸入為：

，，

隱含層的輸入為：=

隱含層的輸出為：

輸出層的輸入為：

=

輸出層的輸出為：

，，

隱含層神經(jīng)元的活化函數(shù)取正負對稱的Sigmoid函數(shù)：

輸出層神經(jīng)元的活化函數(shù)取非負的Sigmoid函數(shù)：

網(wǎng)絡(luò)層輸出層加權(quán)系數(shù)的學習算法：

（i=1，2，3，4）

同理可得隱含層加權(quán)系數(shù)的學習算法：

（j=1，2，3）

3 仿真分析

設(shè)熱工對象的傳遞函數(shù)為：

由上式可知，即該對象為大滯后對象。采用本文給出的方案對其進行仿真[3]，令學習速率，慣性系數(shù)。由2.2中分析可知滯后時間消弱器的參數(shù)Z+取3為宜，這時。

3.1 系統(tǒng)的單位階躍響應(yīng)曲線與權(quán)值變化曲線

通過仿真可得圖3和圖4，從程序中看到訓練到800步左右，訓練提前停止，此時誤差為 0.01。對于熱工對象來說響應(yīng)速度也可以了。

3.2 系統(tǒng)在突加擾動時的響應(yīng)曲線和權(quán)值變化曲線

由圖5和圖6可以看出，系統(tǒng)輸出有明顯的跳變，但最后系統(tǒng)能夠及時的恢復，這充分說明了系統(tǒng)具有良好的抗擾性能。

3.3 對象發(fā)生變化后系統(tǒng)的響應(yīng)

當系統(tǒng)運行到一定時候，對象本身參數(shù)發(fā)生了一些變化，其傳遞函數(shù)變?yōu)椋?/p>

這時系統(tǒng)的響應(yīng)曲線如下：

4 結(jié)論

從系統(tǒng)仿真結(jié)果可以看出，通過引入滯后時間消弱器來改變大滯后為小滯后系統(tǒng)，并結(jié)合BP神經(jīng)網(wǎng)絡(luò)對PID進行在線參數(shù)優(yōu)化，能使大滯后系統(tǒng)具有良好的抗擾性能、自適應(yīng)能力以及較強的魯棒性。對于提高具有大滯后特點的熱工對象的控制品質(zhì)和穩(wěn)定性有著現(xiàn)實的意義。

參考文獻：

[1]Diwekar U M. Batch distillation， simulation ，optimal design and control [M] .London ：Taylor & Francis ，1995 .

[2]胡志軍，王建國，王鴻斌.基于優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)的PID控制研究與仿真[J].微電子學與計算機，2006 （12） ：1382140.

[3]劉金琨.先進PID控制MATLAB仿真[M].2 版.北京：清華大學出版社，2004.

[4]孫堅平，屈穎等.大滯后系統(tǒng)的模糊-Smith控制及參數(shù)優(yōu)化[J].儀器儀表學報，2006.（4）.

[5]孫育剛，嵇啟春.基于神經(jīng)網(wǎng)絡(luò)的Smith預估PID控制器設(shè)計與仿真[J].自動化技術(shù)與應(yīng)，2009（10）.

[6]曾琳，張文濤.基于RBF神經(jīng)網(wǎng)絡(luò)的智能PID控制算法[J].計算機與數(shù)字工程，2011（01）.

篇3

關(guān)鍵詞：PSO-GA；混合優(yōu)化算法；真空退火爐；解耦控制；神經(jīng)網(wǎng)絡(luò)

中圖分類號：TP273 文獻標識碼：A 文章編號：1009-3044（2017）17-0180-03

1概述

真空退火爐是在航空、航天、國防工業(yè)等尖端領(lǐng)域中廣泛應(yīng)用的熱處理設(shè)備，常見的內(nèi)熱式、外熱式兩種類型。文中以內(nèi)熱式真空退火爐控制為研究對象，由于其三個溫區(qū)的溫度輸出存在的強耦合現(xiàn)象，而導致控制系統(tǒng)產(chǎn)生波動，嚴重影響了產(chǎn)品的退火質(zhì)量，因此對真空退火溫度進行解耦控制非常重要。

通過大量實驗研究發(fā)現(xiàn)：為了獲得更為理想的控制效果，采用基于神經(jīng)網(wǎng)絡(luò)的解耦控制方法是實現(xiàn)解耦控制的一種有效途徑。由于神經(jīng)網(wǎng)絡(luò)自身的局限性，單獨使用時很難滿足系統(tǒng)的要求，所以通常結(jié)合其他的算法來實現(xiàn)耦合系統(tǒng)的解耦控制。針對內(nèi)熱式真空退火爐的控制問題，本文提出了基于PSO-GA算法的神經(jīng)網(wǎng)絡(luò)解耦控制新方法對多變量系統(tǒng)進行解耦控制，并將此新方法應(yīng)用于真空退火系統(tǒng)中。

2真空退火爐溫度解耦控制的設(shè)計

2.1真空退火爐溫度解耦控制方案

圖1為真空退火爐溫度控制系統(tǒng)的結(jié)構(gòu)圖，其中G（s）和D（s）分別是溫度控制對象和控制器的傳遞函數(shù)矩陣；R（s）和Y，（s）分別是給定值向量和輸出向量。

圖7、圖8和圖9分為頂部、中部和底部溫區(qū)的MATLAB仿真對比圖，將多輸入多輸出的系統(tǒng)解耦為單變量系統(tǒng)控制。仿真對比圖顯示：穩(wěn)態(tài)下，基于PSO-GA算法的神經(jīng)網(wǎng)絡(luò)解耦控制方法可以全解耦，還能實現(xiàn)較精確的跟蹤控制，并且速度快，超調(diào)量小，控制效果比傳統(tǒng)HD控制好很多。

2）與單純的PSO算法PID神經(jīng)網(wǎng)絡(luò)解耦控制結(jié)果比較

由圖11和圖12所示的仿真圖可以看出，基于混合算法的神經(jīng)網(wǎng)絡(luò)PID控制策略在跟蹤速度、控制準確性和穩(wěn)定性上都比基于未康PS0算法的神經(jīng)網(wǎng)絡(luò)PID控制方法要好。

篇4

［關(guān)鍵詞］城市物流能力；DEA；BP神經(jīng)網(wǎng)絡(luò)；組合模型

［中圖分類號］F252 ［文獻標識碼］A ［文章編號］1005-6432（2011）28-0021-02

一個城市要想提高它的競爭力必須重視城市物流管理。為了實行城市物流管理,需先評價一個城市物流能力。針對不同的物流城市能力,提出不同的物流管理方法。

本文通過對國內(nèi)城市物流理論及相關(guān)理論的研究,認為城市物流能力主要表現(xiàn)在物流投入產(chǎn)出的效率上,并以12個城市為研究對象,構(gòu)建了物流能力評價指標體系,通過DEA和BP神經(jīng)網(wǎng)絡(luò)組合模型對物流能力進行測算評價,應(yīng)用到城市物流能力的識別中,并取得了比較理想的實證結(jié)果,為物流振興提供決策支持。

1 DEA和BP神經(jīng)網(wǎng)路組合模型

目前,對城市物流能力評價的研究很少,在評價城市物流能力方法有層次分析法、因子分析法、數(shù)據(jù)包絡(luò)方法(DEA)、遺傳算法等。每個方法各有優(yōu)缺點,僅僅只選用一種方法得到的評價結(jié)果不能讓人信服,所以本文采用了組合評價研究思路。

(1)DEA在城市物流能力中的應(yīng)用。數(shù)據(jù)包絡(luò)方法是對多指標投入和多指標產(chǎn)出的相同類型部門進行相對有效性綜合評價的方法。DEA中非阿基米德無窮小ε的CCR模型：

判斷標準：

當θ=1,表示決策單元j0為弱DEA有效。

當θ=1,并且s-=0,s+=0時,表示決策單元j0為DEA有效。

當θ1，則決策單元j0規(guī)模收益遞減，表明決策單元j0對投入量的增加，不會帶來產(chǎn)出更高比例的增加，反而使投入產(chǎn)出比例減少；若1/θλ*j

但DEA方法存在一些局限性：①要求指標之間具有低相關(guān)性。②要求較少的指標個數(shù)。③DEA方法的CCR模型是基于線性規(guī)劃的理論而實現(xiàn)的,對非線性的現(xiàn)實世界問題的解釋會存在較大的偏差。

(2)BP神經(jīng)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)是指基于誤差反向傳播(Back propagation)算法的多層前饋人工神經(jīng)網(wǎng)絡(luò)。

BP神經(jīng)網(wǎng)絡(luò)的局限性：目標輸出的確定對BP神經(jīng)網(wǎng)絡(luò)至關(guān)重要。因為BP神經(jīng)網(wǎng)絡(luò)是“有教師學習”型網(wǎng)絡(luò),要求“教師”給出與所有輸入模式對應(yīng)的輸出的正確答案,但目標的輸出是十分難確定的,有時帶有主觀性和隨意性,所以本文用DEA的輸出結(jié)果作為目標輸出更加具有客觀性。

(3)DEA和BP組合模型的構(gòu)建思想。首先用因子分析法對輸入和輸出指標選取公共因子指標,帶入CCR模型求解,得出各個城市物流能力所屬的規(guī)模收益狀態(tài)。選取原始數(shù)據(jù)的投入產(chǎn)出指標作為輸入,把DEA得到的結(jié)果為目標輸出,構(gòu)成訓練樣本集,最后將其帶入BP神經(jīng)網(wǎng)絡(luò)模型,對網(wǎng)絡(luò)進行反復訓練仿真,得到一個可以對城市物流能力進行識別的網(wǎng)絡(luò)。DEA和BP神經(jīng)網(wǎng)絡(luò)的組合可以充分發(fā)揮各自的優(yōu)點。

2 指標體系的建立

建立有效的評價指標體系要遵循指標的代表性、可比性和穩(wěn)定性。本文構(gòu)建城市物流能力評價指標體系為3級指標,輸入指標為經(jīng)濟基礎(chǔ)指標(全社會固定資產(chǎn)投資),物流基礎(chǔ)指標(交通運輸固定資產(chǎn)投資,鐵路營業(yè)里程、公路里程),支持指標(物流從業(yè)人員、公路營運汽車擁有量)；輸出指標為直接產(chǎn)量(貨運量、客運量),間接產(chǎn)量(郵政業(yè)務(wù)量)。見表1。

3 各城市物流能力實證研究

在東西中部地區(qū)分別選取4個城市,東部北京、河北、福建、浙江，西部內(nèi)蒙古、甘肅、云南、重慶，中部湖北、湖南、江西、安徽，分析它們的物流能力。

業(yè)里程、物流從業(yè)人員、公路營運汽車擁有量組合成兩個公共因子FAC1_1、FAC2_1為輸入指標,貨運量、客運量、郵政業(yè)務(wù)量組合成一個公共因子FAC3_1為輸出指標。因為公共因子得分存在負值,不能直接用DEA方法,將數(shù)據(jù)進行無量綱化處理,無量綱處理方法如下：設(shè)xmax為公共因子指標中的最大值,xmin為公共因子指標中的最小值。x'=0.1+0.9×(x-xmin)/(xmax-xmin),x'∈［0.1,1］

(2)DEA模型求解。把因子分析法分析出來的公共因子當做DEA模型的輸入和輸出,Matlab計算1/θλ*j結(jié)果為北京1.0000,河北1.2319,福建0.7015,浙江1.0000,內(nèi)蒙古0.9903,甘肅0.1686,云南0.7134,重慶0.6526,湖北0.9140,湖南0.9679,江西0.5869,安徽1.0000。從結(jié)果可以看出,北京市為DEA有效；浙江、安徽為弱DEA有效；福建、內(nèi)蒙古、甘肅、云南、重慶、湖北、湖南、江西為規(guī)模收益遞增；河北為規(guī)模收益遞減。

(3)BP神經(jīng)網(wǎng)絡(luò)。首先對初始數(shù)據(jù)及參數(shù)處理,針對BP網(wǎng)絡(luò)本身的特性采用標準化處理,先將樣本集數(shù)據(jù)的均值和方差作標準化處理,使均值為0,方差為1,變換式為：xi=(xi-u)/δ,在MATLAB中使用［pn,meanp,stdp］=prestd(p)語句來標準化,然后將DEA結(jié)果進行編碼把最佳規(guī)模收益編為100,規(guī)模收益遞增編為010,規(guī)模收益遞減編為001作為目標(T)輸出,形成神經(jīng)網(wǎng)絡(luò)的訓練樣本對,針對本例,設(shè)隱含層和輸出層的節(jié)點數(shù)分別為64、3,最大訓練步長為1000,期望誤差為0.01。

使用MATLAB中BP神經(jīng)網(wǎng)絡(luò)工具對DEA模型進行預測,結(jié)果顯示為北京100,河北001,福建010,浙江100,內(nèi)蒙古010,甘肅010,云南010,重慶010,湖北010,湖南010,江西010,安徽100。

4 結(jié) 論

從DEA和BP神經(jīng)網(wǎng)絡(luò)的組合模型得出的結(jié)果,我們對各個省市的物流能力有了一些認識：福建、內(nèi)蒙古、甘肅、云南、重慶、湖北、湖南、江西對于區(qū)域內(nèi)各要素的配置基本合理,但仍有改進的余地。進一步優(yōu)化區(qū)城市物流資源的配置水平,提升物流能力。

目前北京市對城市物流各要素的配置已經(jīng)達到最優(yōu),模型考慮到的各投入產(chǎn)出要素中不存在投入過多和產(chǎn)出不足的情況。因此北京市應(yīng)密切監(jiān)測各投入產(chǎn)出要素配置狀況,實時掌握影響城市物流發(fā)展的外部影響因素,如政策變化、自然災(zāi)害、意外事故發(fā)生的影響等,把握開發(fā)的機遇,保持北京市物流能力核心競爭力的同時,注意發(fā)掘新的優(yōu)勢,推動北京物流向更高水平發(fā)展。

河北物流能力要素的配置是不合理的,且對外表現(xiàn)為產(chǎn)出不足。說明投資的成效不明顯,導致物流運作效率不高,而且該區(qū)域?qū)Y源配置的無效率,導致各投資不能有效發(fā)揮作用,而未能實現(xiàn)最大產(chǎn)出。因此河北應(yīng)著力調(diào)整產(chǎn)業(yè)結(jié)構(gòu),擴大物流市場規(guī)劃等方法來提高物流能力,培育河北省的物流核心競爭力。

參考文獻:

篇5

關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò)；信息處理；風險評估

中圖分類號：TP18 文獻標識碼：A 文章編號：1009-3044（2014）06-1285-02

Research on the Application of Artificial Neural Network

LI Hong-chao

（China University of Petroleum （East China）， Qingdao 266580，China）

Abstract： Artificial neural networks are part of an integrated artificial intelligence， it is proposed is based on research of modern neuroscience. With the continuous development of artificial neural networks， and their use more widely. This article first analyzes the basic concepts and features of artificial neural networks， from six aspects of information， medicine， psychology and other details of the application of artificial neural networks.

Key words： artificial neural network； information processing； risk assessment

1 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)，英文名為“Artificial Neural Network”，簡稱ANN，它充分分析大腦神經(jīng)突觸聯(lián)接的結(jié)構(gòu)特點，對其進行模擬，然后進行信息處理。簡單來說，人工神經(jīng)網(wǎng)絡(luò)就是對人腦結(jié)構(gòu)、人腦功能的模仿。它的特點有很多，比如非線性、非局限性、非常定性、非凸性等。這些特點鑄就了人工神經(jīng)網(wǎng)絡(luò)的各種功能，促進了它的應(yīng)用。

2 人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用

隨著人們對人工神經(jīng)網(wǎng)絡(luò)的不斷研究，人工神經(jīng)網(wǎng)絡(luò)的作用越來越大，給人們提供了更好的服務(wù)，下面就以人工神經(jīng)網(wǎng)絡(luò)在信息領(lǐng)域、醫(yī)學、經(jīng)濟領(lǐng)域、控制領(lǐng)域、交通運輸、心理學六個方面分別介紹其應(yīng)用。

2.1 信息領(lǐng)域

人工神經(jīng)網(wǎng)絡(luò)在信息領(lǐng)域的應(yīng)用分為兩個方面，一個是信息處理，一個是信息識別。

1）信息處理

由于現(xiàn)代信息的多樣化和多變性的特點，信息處理就變得復雜起來，人工神經(jīng)網(wǎng)絡(luò)可以對人的一部分思維能力進行模仿甚至代替，解決傳統(tǒng)信息處理的困難。在通常情況下，人工神經(jīng)網(wǎng)絡(luò)可以自動診斷問題，開啟問題求解模式。另外，人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)的容錯性能高，當其連接線遭到破壞，自身的組織功能還是可以保持它的優(yōu)化工作狀態(tài)。因此，軍事系統(tǒng)充分利用這一優(yōu)勢，在其電子設(shè)備廣泛應(yīng)用人工網(wǎng)絡(luò)信息系統(tǒng)。

2）模式識別

這項功能的理論基礎(chǔ)有兩個，一個是貝葉斯的概率論，另一個是申農(nóng)提出的信息論。模式識別主要是分析和處理存在于目標體上的各種形式的信息，然后在處理和分析的基礎(chǔ)上對目標體進行描述、辨認等過程。隨著人工神經(jīng)網(wǎng)絡(luò)在模式識別中的應(yīng)用，傳統(tǒng)的模式識別逐漸被取代。隨著模式識別的發(fā)展，已經(jīng)逐漸應(yīng)用到語音識別、人臉識別、文字識別等各個方面。

2.2 醫(yī)學領(lǐng)域

人體是非常復雜的，在醫(yī)學中，想要弄清楚疾病的類型、疾病的嚴重情況等，僅僅依靠傳統(tǒng)的望聞問切診斷方法是遠遠不夠的，醫(yī)學的發(fā)展需要運用新技術(shù)。人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于醫(yī)學中，可以分析生物信號，觀察信息的表現(xiàn)形式以及研究信息的變化規(guī)律，將這三者的結(jié)果進行分析和比較，從而掌握病人的病情。

1）生物信號的檢測與分析

在醫(yī)學診斷中，醫(yī)生基本上都是通過對醫(yī)學設(shè)備中呈現(xiàn)出來的連續(xù)波形進行分析。人工神經(jīng)網(wǎng)絡(luò)中有一套自適應(yīng)的動力學系統(tǒng)，該系統(tǒng)由一些數(shù)量龐大的簡單處理單元互相連接。因此，它具有多種功能，比如Massively Parallelism，即所謂的巨量并行，分布式存貯功能以及強大的自組織自學習功能等。用常規(guī)處理法處理生物醫(yī)學信號分析非常困難，而人工神經(jīng)網(wǎng)絡(luò)的功能可以有效解決難題，其在生物醫(yī)學人腦檢測與處理中的應(yīng)用非常廣泛，比如分析電腦信號，對心電信號進行壓縮處理，醫(yī)學圖像的識別等，在很大程度上促進了醫(yī)學的發(fā)展。

2）醫(yī)學專家系統(tǒng)

對于傳統(tǒng)的專家系統(tǒng)而言，其工作原理基本上就是先由專家根據(jù)自己多年的醫(yī)學經(jīng)歷，總結(jié)自己的經(jīng)驗和所掌握的知識，以某種規(guī)則的形式將這些經(jīng)驗和知識存儲在電腦中，建立一個專家的知識庫，然后借助邏輯推理等方式開展醫(yī)療診斷工作。但是，隨著專家知識的不斷增長和經(jīng)驗的日益豐富化，數(shù)據(jù)庫的規(guī)模會越來越大，極有可能產(chǎn)生知識“爆炸”的現(xiàn)象。同時，專家在獲取知識的過程中也會遇到困難，導致工作效率低下。人工神經(jīng)網(wǎng)絡(luò)中的非線性并行處理方式解決了傳統(tǒng)專家系統(tǒng)中的困難，在知識推理、自組織等方面都有了很大的提高，醫(yī)學專家系統(tǒng)也開始逐漸采用人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)。

在醫(yī)學領(lǐng)域中，麻醉和危重醫(yī)學的研究過程中，存在很多的生理方面的分析與檢測工作，人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)有良好的信號處理能力，排除干擾信號，準確檢測臨床狀況的相關(guān)情況，有力促進了醫(yī)學的發(fā)展。

2.3 經(jīng)濟領(lǐng)域

經(jīng)濟的快速有效增長是基于人們對市場規(guī)律良好的掌握和運用以及對經(jīng)濟活動中的風險評估，及時應(yīng)對和解決，這樣才能保障經(jīng)濟活動的快速發(fā)展。人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于經(jīng)濟領(lǐng)域，主要有預測市場價格和評估經(jīng)濟風險兩個方面。

1）預測市場價格的波動情況

商品的價格主要是由市場的供求關(guān)系和國家宏觀調(diào)控來變化的。國家的宏觀調(diào)控是客觀存在的，我們可以在遵循國家宏觀調(diào)控的前提之下分析市場的供求關(guān)系，從而預測商品的市場價格。在傳統(tǒng)的統(tǒng)計學方法中，在預測價格波動時因其自身的局限性，難以做出科學的判斷。人工神經(jīng)網(wǎng)絡(luò)可以有效處理不完整數(shù)據(jù)和規(guī)律性不強的數(shù)據(jù)，它是傳統(tǒng)統(tǒng)計方法所不能達到的。人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)基于市場價格的確定機制，綜合分析影響商品價格的因素，比如城市化水平、人均工資水平、貸款情況等，將這些復雜的因素綜合起來，建立一個模型，通過模型中的數(shù)據(jù)顯示，科學預測商品的市場價格波動情況，有效利用商品的價格優(yōu)勢。

2）評估經(jīng)濟風險

經(jīng)濟風險，即Economic Exposure，它指的是由于經(jīng)濟前景的一些不確定因素，導致經(jīng)濟實體出現(xiàn)重大的經(jīng)濟損失。在處理經(jīng)濟風險的時候，做好的措施就是防患于未然，做好評估和預測，將經(jīng)濟風險扼殺在萌芽時期。人為的主觀判斷經(jīng)濟風險具有一定的可靠性，但是也存在很多的不足。將人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)應(yīng)用于評估經(jīng)濟風險，可以有效彌補人為判斷風險的不足。人工神經(jīng)網(wǎng)絡(luò)先提取具體風險來源，然后在此基礎(chǔ)上構(gòu)建出一個模型，這個模型一般要符合實際情況，通過對模型的研究，得出風險評價系數(shù)，最終確定有效的解決方案。

2.4 控制領(lǐng)域

隨著人工神經(jīng)網(wǎng)絡(luò)的不斷發(fā)展，人們開始研究其在控制領(lǐng)域的應(yīng)用。比如現(xiàn)在的機器人的攝像機控制、飛機控制等。它主要是通過控制圖像傳感器，再結(jié)合圖像表面的非線性關(guān)系，進行計算和分析，另外，它還可以將圖像傳感器瞄準到處于運動狀態(tài)中的目標物上。

2.5 交通運輸

交通問題具有高度的非線性特點，它的數(shù)據(jù)處理是非常龐大和復雜的，這與人工神經(jīng)網(wǎng)絡(luò)有很大的吻合性。就目前來講，人工神經(jīng)網(wǎng)絡(luò)應(yīng)用到交通領(lǐng)域有模擬駕駛員的行為、分析交通的模式等等。

2.6 心理學

人工神經(jīng)網(wǎng)絡(luò)是對人腦神經(jīng)元的信息處理能力的模擬，本身就帶有一定的抽象性，它可以訓練很多的認知過程，比如感覺、記憶、情緒等。人們通過對人工神經(jīng)系統(tǒng)的不斷研究，多個角度分析了其認知功能。就目前來看，人工神經(jīng)網(wǎng)絡(luò)可以分析人的認知，同時對認知方面有缺陷的病人進行模擬，取得了很大的進步。當然，人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于心理學領(lǐng)域也存在很多的問題，比如結(jié)果精確度不高、模擬算法的速度不夠等，這些都需要人們持之以恒的研究。突破這些難題，促使人工神經(jīng)網(wǎng)絡(luò)有效應(yīng)用于心理學領(lǐng)域。

3 結(jié)束語

綜上所述，隨著人工神經(jīng)網(wǎng)絡(luò)的不斷發(fā)展，它特有的非線性適應(yīng)能力和自身的模擬結(jié)構(gòu)都有效推動了其應(yīng)用范圍。我們應(yīng)該不斷運用新技術(shù)，不斷完善人工神經(jīng)網(wǎng)絡(luò)的功能，拓寬其應(yīng)用范圍，促進其智能化、功能化方向發(fā)展。

參考文獻：

[1] 毛健，趙紅東，姚婧婧.人工神經(jīng)網(wǎng)絡(luò)的發(fā)展及應(yīng)用[J].電子設(shè)計工程，2011（12）.

[2] 林和平，張秉正，喬幸娟.回歸分析人工神經(jīng)網(wǎng)絡(luò)[J].吉林大學學報：信息科學版，2010（3）.

[3] 李雷雷.人工神經(jīng)網(wǎng)絡(luò)在建筑工程估算中的應(yīng)用研究[D].華北電力大學，2012.

篇6

【關(guān)鍵詞】三電平光伏逆變器；故障診斷；小波變換；極限學習機神經(jīng)網(wǎng)絡(luò)

0 引言

近年來，新能源的運用越來越廣泛，尤其是光伏產(chǎn)業(yè)受到了很大重視，逆變技術(shù)作為其中的關(guān)鍵技術(shù)之一，光伏逆變器的安全、穩(wěn)定運行受到很大關(guān)注。由于多電平技術(shù)的發(fā)展及多電平技術(shù)的優(yōu)勢，目前應(yīng)用較多的是三電平光伏逆變器，其輸出波形諧波小，開關(guān)應(yīng)力低。

雖然三電平逆變器優(yōu)勢很大，但其在效率提高的同時也帶來了一定的麻煩，三電平逆變器的開關(guān)器件較兩電平逆變器增加了一倍，而開關(guān)器件正是整個逆變器中最薄弱的環(huán)節(jié)，這就增加了逆變器發(fā)生故障的可能性，因此做到對逆變器故障的及時診斷就尤為重要。

本文以應(yīng)用較多的三電平中點鉗位型（NPC）光伏逆變器為研究對象，對目前廣泛使用的一些故障診斷方法進行總結(jié)、分析，提出一種新的故障診斷方法，以提高目前故障診斷的速度及正確率。

1 故障類型分析

三電平逆變器的拓撲結(jié)構(gòu)比較復雜，因此其故障形式也比較復雜。對于逆變器電路，大多數(shù)故障表現(xiàn)為功率開關(guān)器件的損壞，主要是由器件的開關(guān)特性引起的，其中以功率開關(guān)器件的開路故障和直通故障最為常見。直通故障存在時間很短，難以診斷，因此其診斷和保護方法多采用基于硬件電路的設(shè)計。所以本文只研究功率開關(guān)器件開路故障的情況。

三電平中點鉗位型逆變器功率器件較多，故障組合數(shù)目眾多，故障情況復雜，且其是三相對稱結(jié)構(gòu)，各相故障情況相同，因此本文只對其中一相（A相）進行分析，這樣可以達到對所有故障類型都得以分析而又使診斷模型得到簡化。三電平NPC型逆變器分為單功率器件故障和多功率器件故障兩種情況，多功率器件故障又以兩功率器件故障作為常見，所以本文主要研究單功率器件故障和兩功率器件故障的情況。

三電平NPC型逆變器正常工作時A相有六種工作狀態(tài)，而每種故障形式均對應(yīng)其中的一種工作狀態(tài)，但僅依靠工作狀態(tài)還不能將各種故障形式一一區(qū)別出來，因為有不同的故障形式對應(yīng)同一種工作狀態(tài)的情況，因此還需要結(jié)合其他信息將故障情況進行區(qū)分。

故障情況分類可分為以下幾種：

（1）正常運行，沒有功率器件故障

（2）任一功率器件故障

（3）同一相兩個功率器件故障

（4）不同相兩個功率器件故障（可看為每個單相發(fā)生故障時的疊加情況）

2 常用故障診斷方法分析

目前國內(nèi)關(guān)于三電平NPC型光伏逆變器的故障診斷已展開了大量研究?，F(xiàn)階段，三電平NPC型逆變器的故障診斷主要集中在兩個方面：一是只考慮單個功率器件的開路故障，二是考慮到多功率器件故障模式，但目前尚缺少成熟故障診斷模型，以快速、精確的定位故障位置。

對于單功率器件的開路情況，文獻[1]提出通過檢測逆變器輸出側(cè)PWM電壓和輸出電流極性以識別功率管的開路故障，但其診斷結(jié)果沒有精確定位到某個器件，需要進行人工查找，且對于高于三電平的多電平逆變器存在過多開路故障而不能精確定位的問題[2]。對于多功率器件故障模式，目前有不少文獻提出了可行的方案，但也存在一定的問題，可靠性不高、診斷模型復雜等，都會對診斷結(jié)果造成較大影響。

故障診斷流程大致可分為故障信號采集、信號特征提取、故障診斷分類等幾個步驟。故障診斷方法目前應(yīng)用較多的是傅里葉分析、小波變換和人工神經(jīng)網(wǎng)絡(luò)、支持向量機、鍵合圖理論等相結(jié)合的方法，但由于各自發(fā)展的局限性及診斷模型搭建的復雜性，其診斷效果有待進一步提高。

常用故障診斷方法可分為以下幾類：

（1）基于信號處理的故障診斷方法

（2）基于人工神經(jīng)網(wǎng)絡(luò)的故障診斷方法

（3）基于支持向量機的故障診斷方法

（4）基于鍵合圖理論的故障診斷方法

（5）其它一些故障診斷方法

3 故障診斷方法設(shè)計

本文通過對常用的一些故障診斷方法的分析，提出了一種新的三電平NPC型逆變器故障診斷方法。該方法采用小波變換對故障信號進行特征提取，然后利用極限學習機神經(jīng)網(wǎng)絡(luò)對故障情況進行分類識別。

小波變換的運用解決了傅里葉分析只能在頻域上對穩(wěn)定信號進行分析的局限性；極限學習機神經(jīng)網(wǎng)絡(luò)是一種將極限學習方法與單隱層前向神經(jīng)網(wǎng)絡(luò)相結(jié)合形成的新型分類方法，該方法具有參數(shù)易于選擇且泛化能力好等優(yōu)點，在保證計算精度的同時可以大幅度的縮短訓練時間。

該新型故障診斷方法利用小波變換提取故障信號的能量譜作為故障特征向量；然后將故障特征向量輸入到極限學習機神經(jīng)網(wǎng)絡(luò)中進行訓練、診斷，由極限學習機神經(jīng)網(wǎng)絡(luò)的輸出向量來對應(yīng)不同的故障模式。

通過仿真實驗表明，該方法可實現(xiàn)三電平NPC型逆變器的多模式故障診斷，且具有精度高、速度快等優(yōu)點。

4 結(jié)論

本文通過對三電平中點鉗位型逆變器的故障類型和當前國內(nèi)常用的一些故障診斷方法進行了分析，發(fā)現(xiàn)目前的診斷模型或多或少的存在一些缺陷，不能很好的將故障精確快速的診斷出來。最后本文提出一種基于小波變換和極限學習機神經(jīng)網(wǎng)絡(luò)相結(jié)合的逆變器故障診斷方法，能夠克服以往故障診斷模型中的不足之處，通過仿真實驗證明了該方法具有很好的實用性。

【參考文獻】

[1]湯清泉，顏世超，盧松升，等.三電平逆變器的功率管開路故障診斷[J].中國電機工程學報，2008，28（21）：26-32.

篇7

關(guān)鍵詞：曲率模態(tài)；神經(jīng)網(wǎng)絡(luò)；梁；裂紋

The damage sensitivity analysis of beam crack based on curvature modal

DU GANG-QIAN，LIU JING-HONG，ZHANG XI-PING，ZHANG HUA，GAO ZONG-ZANG

(College of UrbanConstruction, Agricultural University of Hebei, Baoding 071001, China)

Abstract : Carrying the value simulation to the crack fault, we used the direction beam crack model to replace the traditional falling rigidity model, and compared the two model’s sensitivity on curvature modal. The result showed the new way have better sensitivity. Curvature modal as the characteristic parameters of input, the position of crack fault in beam was diagnosed and forecasted, applying artificial neural network. It showed that it feasible to synthetically diagnose and forecast the crack fault in beam structure.

Key words:; curvature modal; neural network; beam crack

中圖分類號：O571.21+1 文獻標識碼： A 文章編號：

結(jié)構(gòu)的損傷首先表現(xiàn)為結(jié)構(gòu)裂紋的出現(xiàn)和擴展。結(jié)構(gòu)裂紋的存在，在某種程度上決定著結(jié)構(gòu)的可靠性。對結(jié)構(gòu)是否產(chǎn)生裂紋、裂紋的位置、裂紋的損傷程度進行及時診斷和評估，從而維持其正常使用成為工程中必需的技術(shù)[1]。

1 梁裂紋仿真

1.1傳統(tǒng)方法

一般文獻對梁式構(gòu)件局部損傷的模擬，都采用降低該部位剛度的方法，見圖1。

由于結(jié)構(gòu)損傷會引起剛度減少，阻尼變大，因此可采用降低該損傷部位單元剛度來模擬損傷，并以剛度降低到不同的百分比來反應(yīng)各種損傷程度。

該方法原理可行，建立模型方便，但缺點是：模型比較粗糙，不能很好的反應(yīng)損傷形狀和具體部位，以及損傷范圍和分布程度[2][3]。

1.2精確裂紋模型

考慮到剛度法下降法的對損傷程度和部位預測的不確定性，采用精確裂紋模型進行模擬，使模型更接近于實際。例如一個簡支梁，長6m,截面300mm×600mm,兩端加約束，跨中設(shè)置受彎豎裂縫，兩側(cè)設(shè)定受剪斜裂縫。

跨中裂縫采用高度為h/3的豎直裂縫（圖2），兩側(cè)采用與水平軸線成夾角的斜裂縫，模擬（圖3）。

2 兩種損傷模型曲率模態(tài)的敏感性分析

2.1曲率模態(tài)

曲率模態(tài)測量是一種用位移測量間接檢測應(yīng)力應(yīng)變。避免應(yīng)變片測量局限性的方法。由材料力學給出的直梁彎曲靜力關(guān)系

（1）

截面損傷，抗彎剛度的減少，必然引起曲率的增大，而可由直梁彎曲近似方程得到：(2)

可進一步由位移模態(tài)通過差分方程得到：

(3)

式中：為m截而處梁的彎曲撓度，和為其相鄰的沿梁相距處的兩個測點處梁的彎曲撓度。

2.2兩種損傷模型的比較

應(yīng)用（3）式計算曲率模態(tài)。低階模態(tài)對局部損傷有更好的敏感性，故取前五階模態(tài)進

行比較，圖4到圖5為前兩階模態(tài)的剛度下降模型與精確裂紋模型的對損傷的敏感性對比圖。

通過圖中可以看出，精確裂紋模型，相比較傳統(tǒng)的剛度下降模型，在損傷位置有著更為明顯的尖峰變化。

3 梁損傷定位

采用神經(jīng)網(wǎng)絡(luò)對損傷部位進行判定。

3.1神經(jīng)網(wǎng)絡(luò)參數(shù)

曲率模態(tài)作歸一化處理。在梁L/7，2L/7，3L/7，4L/7，5L/7，6L/7處，設(shè)置損傷裂縫，按裂縫長度為100mm,200mm兩種情況，提取前兩階應(yīng)變模態(tài)數(shù)據(jù)，作為網(wǎng)絡(luò)訓練樣本。訓練參數(shù)如下：輸入節(jié)點20，隱形節(jié)點40，輸出節(jié)點2個，學習率0.7，動量系數(shù)0.5，允許誤差0.001，訓練網(wǎng)絡(luò)直至收斂[3][5]-[8]。

3.3網(wǎng)絡(luò)測試結(jié)果

對梁L/7，5L/7兩處位置長度為110mm,210mm裂縫進行測試，輸出結(jié)果為形式，其中的值為（1，0），當實際輸出的值大于0.75時，認為該處損傷值存在，當實際輸出值小于0.25時，認為該處損傷不存在，測試結(jié)果見表1。

通過網(wǎng)絡(luò)輸出結(jié)果可知，神經(jīng)網(wǎng)絡(luò)對損傷部位的判斷基本正確，同時可看出隨著裂縫的

加劇，網(wǎng)絡(luò)反應(yīng)的靈敏度增加。

4 結(jié)論

本文采用方向裂紋模型對梁裂紋進行仿真，通過對比發(fā)現(xiàn)，與傳統(tǒng)的剛度下降法相比，該模擬方法具有更好的敏感度。文中避開了動力學中傳統(tǒng)的應(yīng)變模態(tài)、頻率模態(tài)，采用曲率模態(tài)作為混凝土結(jié)構(gòu)損傷定位的敏感參數(shù)，證明了它的合理性和有效性。文中結(jié)構(gòu)損傷的模擬，位置的確定做了分析，但對于損傷程度的精確診斷，今后仍需做更為深入的工作。

參考文獻：

[1].陳建林，郭杏林.基于神經(jīng)網(wǎng)絡(luò)的簡支梁損傷檢測研究[J].煙臺大學學報,2001，14卷7期

[2].陸熙.基于曲率模態(tài)理論的城市公路橋梁損傷識別研究，北京工業(yè)大學碩士論文,2004.21-32

[3].李秀芬.基于改進遺傳-神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)損傷識別研究，北京工業(yè)大學碩士論文,2005.21-27

[4].鄧焱，嚴普強.梁及橋梁應(yīng)變模態(tài)與損傷測量的新方法[J].清華大學學報,2000，40卷11期

[5].趙琛.概率神經(jīng)網(wǎng)絡(luò)對混凝土拱壩進行損傷位置識別的研究,浙江大學碩士論文,2005,9-11

[6].胡良紅，劉效堯.改進的BP神經(jīng)網(wǎng)絡(luò)的鋼桁梁橋損傷識別[J].合肥工業(yè)大學學報,2006，29卷5期

篇8

摘 要 遺傳算法具有很強的全局搜索能力，但是容易造成未成熟的收斂，而徑向基函數(shù)RBF神經(jīng)網(wǎng)絡(luò)的優(yōu)勢在于采用全局收斂的線性優(yōu)化算法，唯一最佳逼近點唯一，二者結(jié)合的應(yīng)用能彌補各自的缺陷。兩種方法結(jié)合應(yīng)用到核電廠安全管理評價領(lǐng)域，建立基于遺傳算法和RBF神經(jīng)網(wǎng)絡(luò)的核電廠安全管理評價模型，對核電廠安全管理存在的風險進行評價，有助于核電廠安全管理人員及時發(fā)現(xiàn)風險，采取應(yīng)對措施，對于降低核電廠安全管理風險，確保人民群眾生命財產(chǎn)安全和社會環(huán)境安全都具有極其重要的現(xiàn)實意義。

關(guān)鍵詞 遺傳算法 神經(jīng)網(wǎng)絡(luò) 核電廠 安全管理評價

核電廠的安全管理評價是對核電廠的安全管理現(xiàn)狀進行的評價分析。科學合理準確的評價可以對核電廠的日常安全管理提供指導，為科學的開展安全管理提升提供參考。

利用遺傳算法對RBF神經(jīng)網(wǎng)絡(luò)進行優(yōu)化，保證了并行處理規(guī)模較大信息的能力，發(fā)揮了概括、聯(lián)想、類比、推理等綜合處理數(shù)據(jù)的能力。因此常被用來處理復雜問題，并做出科學的預測。建立基于遺傳算法和RBF神經(jīng)網(wǎng)絡(luò)的核電廠安全管理評價模型，既確保了對大規(guī)模數(shù)據(jù)的處理能力，又提升了安全管理評價的科學化水平，對于準確掌握核電廠安全管理現(xiàn)狀，提升核電廠日常管理水平，有效保障企業(yè)員工的生命安全、國家財產(chǎn)安全和生態(tài)環(huán)境安全具有重要意義。

一、遺傳算法和RBF神經(jīng)網(wǎng)路原理

遺傳算法于1975年，由美國的J.Holland教授提出。該隨機化搜索方法借鑒了自然進化法則，即優(yōu)勝劣汰、適者生存的遺傳機制。該方法直接對結(jié)構(gòu)對象進行操作；選用概率化的尋優(yōu)方法，自動獲取和指導優(yōu)化的搜索范圍。但該方法在實際應(yīng)用中也存在部分局限性：因借鑒了優(yōu)勝劣汰、適者生存的遺傳機制，所以如果出現(xiàn)優(yōu)勢個體（局部最優(yōu)解）時，就造成了過早收斂現(xiàn)象，也就無法搜索產(chǎn)生全局最優(yōu)解；其次在經(jīng)過多次重組演化后，容易丟失上一代的的基因片段，即同樣造成無法得到全局最優(yōu)值；再次傳統(tǒng)的遺傳算法通過雜交變異的手段，確定搜索空間，導致相似模式的數(shù)據(jù)種群占據(jù)優(yōu)勢，同樣無法產(chǎn)生全局最優(yōu)解。

RBF神經(jīng)網(wǎng)絡(luò)是一種前饋式神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)結(jié)構(gòu)分為三部分：輸入層、隱含層、輸出層。它依據(jù)輸入層少數(shù)的神經(jīng)元（基礎(chǔ)數(shù)據(jù)），利用隱含層（高效徑向基函數(shù)），決定神經(jīng)網(wǎng)絡(luò)的輸出層（預測數(shù)據(jù)）。隱含層（高效徑向基函數(shù)），實際是通過利用高斯函數(shù)，執(zhí)行固定的非線性操作指令，即將輸入層（基礎(chǔ)數(shù)據(jù)）映射到一個新的空間，通過輸出層節(jié)點線性加權(quán)組合，輸出形成結(jié)果。

輸出函數(shù)為：

為隱含層神經(jīng)元的輸出， 為權(quán)值，二者的乘積累加和即為RBF神經(jīng)網(wǎng)絡(luò)的輸出。輸入層、隱含層相互連接，其中隱含層為一系列同一類型的徑向基函數(shù)（高斯函數(shù)）[3]。RBF神經(jīng)網(wǎng)絡(luò)由高斯函數(shù)表示為：

其中，Ci代表了基函數(shù)的中心， 代表了函數(shù)的寬度參數(shù)。從上述公式中可以看出：高斯函數(shù)的徑向范圍與 函數(shù)的寬度參數(shù)成反比。在實際計算中，函數(shù)寬度參數(shù) 的確定一般采用自適應(yīng)梯度下降法確定，而確定Ci 、 、w的取值也就確定了為隱含層神經(jīng)元的輸出 。

二、對RBF神經(jīng)網(wǎng)路原理的優(yōu)化

依據(jù)生物神經(jīng)網(wǎng)絡(luò)的機理建立基于RBF神經(jīng)網(wǎng)絡(luò)安全管理評價模型，通過在不同網(wǎng)絡(luò)傳遞環(huán)節(jié)選取恰當?shù)乃惴▽δＰ瓦M行優(yōu)化改進，以此得到安全管理評價的優(yōu)化模型。但是在應(yīng)用過程中RBF神經(jīng)網(wǎng)絡(luò)關(guān)鍵函數(shù)基函數(shù)中心值、網(wǎng)絡(luò)權(quán)值等難以得到最優(yōu)解，因此選擇遺傳算法，利用其優(yōu)勢對神經(jīng)網(wǎng)絡(luò)模型進行優(yōu)化完善。

（一）最優(yōu)基函數(shù)中心值的確定

應(yīng)用遺傳算法進行數(shù)據(jù)編碼。將學習樣本進行編號：1，2，3，……，N，進而從樣本中隨機選擇M個數(shù)據(jù)為一組中心矢量作為種群中的一個個體進行編碼。如下所示，以第i個染色體為例，神經(jīng)網(wǎng)絡(luò)的m應(yīng)度函數(shù) 為期望輸出 和實際輸出 之差的絕對值累加和的倒數(shù)：

從上一代中任意選取兩個母體進行交叉以此獲得兩個子個體，再將兩個子個體以一定的概率進行變異，染色體其他位的編號值用1，2，3，……，N，中任意值以一定的變異概率替換。將母體與子體進行比較從中選擇優(yōu)勢個體即完成一次進化。以此方式循環(huán)迭代，直到個體達到給定最大代數(shù)或滿足給定的精度，此時個體則為最優(yōu)基函數(shù)中心值。

（二）最優(yōu)權(quán)值w的確定

權(quán)值的優(yōu)化是一個長期復雜的過程，實數(shù)編碼值能夠較好地反應(yīng)現(xiàn)實情況，用一個數(shù)碼代表一個染色體，一個染色體則代表一個X值；群體初始化，根據(jù)遺傳算法的搜索范圍將權(quán)值以 分布隨機確定（-0.8，0.4，0.65，0.5）；選取適應(yīng)度函數(shù)，將輸出樣本的平方作為適應(yīng)度函數(shù)：

根據(jù)遺傳操作原理，采用染色體交叉變異，選擇交叉的概率Pn、變異的概率Pm。

U11=（-0.8，0.4，0.65，0.5），U21=（0.3，0.7，0.6，-0.8），交叉：U21=（-0.8，0.4，0.6，0.5）變異：U22=（-0.8，0.4，0.5，0.5）

三、安全管理評價模型的建立

依據(jù)核電廠安全管理評價指標，建立基于遺傳算法和RBF神經(jīng)網(wǎng)絡(luò)的核電廠安全管理評價模型。其實現(xiàn)流程如圖所示：

四、結(jié)語

本文建立基于遺傳算法和RBF神經(jīng)網(wǎng)絡(luò)的核電廠安全管理評價模型，對核電廠安全管理存在的風險進行評價，有助于核電廠安全管理人員及時發(fā)現(xiàn)風險，采取應(yīng)對措施，切實降低了核電廠安全管理風險，并為核電廠科學管理，安全管理提升提供參考和技術(shù)支持。

參考文獻：

[1] 郭贊.基于遺傳算法和RBF神經(jīng)網(wǎng)絡(luò)的鈾尾礦庫安全預警模型[J].綠色科技，2015.3：243-245.

[2] 魏艷強.基于RBF神經(jīng)網(wǎng)絡(luò)的公路貨運量預測方法研究[J].天津理工大學學報，2008.2（1）：17-20.

[3] 徐杰.基于遺傳算法的RBF神經(jīng)網(wǎng)絡(luò)優(yōu)化及應(yīng)用[J].信息技術(shù)，2011（5）：165-168.

篇9

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)；無線網(wǎng)絡(luò)；故障節(jié)點定位；干擾處理

隨著科學技術(shù)的高速發(fā)展，無線傳感網(wǎng)絡(luò)的應(yīng)用領(lǐng)域不斷擴張。但是無線傳感網(wǎng)絡(luò)中的節(jié)點受到自身以及外界因素的干擾，會出現(xiàn)較多的故障，導致傳感網(wǎng)絡(luò)質(zhì)量降低[1⁃2]。傳統(tǒng)無線網(wǎng)絡(luò)故障節(jié)點定位方法，無法有效處理節(jié)點功率波動以及模糊環(huán)境對故障節(jié)點定位精度的干擾，具有較高的局限性。因此，尋求有效的方法對故障節(jié)點進行準確定位，具有重要的應(yīng)用意義。

1基于小波神經(jīng)網(wǎng)絡(luò)的無線網(wǎng)絡(luò)故障節(jié)點定位技術(shù)

1.1小波神經(jīng)網(wǎng)絡(luò)在節(jié)點故障定位的作用形式

根據(jù)小波神經(jīng)網(wǎng)絡(luò)在節(jié)點故障定位中作用，將小波神經(jīng)網(wǎng)絡(luò)在故障節(jié)點定位過程作用劃分成如下三種形式：（1）將小波神經(jīng)網(wǎng)絡(luò)當成分類器，將節(jié)點輸出當成小波神經(jīng)網(wǎng)絡(luò)的輸入值，用“1”和“0”描述節(jié)點存在故障以及不存在故障，并將節(jié)點狀態(tài)當成網(wǎng)絡(luò)輸出[3]，通過不同的故障模式對小波神經(jīng)網(wǎng)絡(luò)實施訓練，采用訓練好的小波神經(jīng)網(wǎng)絡(luò)分類器對無線網(wǎng)絡(luò)故障節(jié)點進行定位。該方法的定位原理如圖1所示。（2）將小波神經(jīng)網(wǎng)絡(luò)當成觀測器，基于大量的隱層，小波神經(jīng)網(wǎng)絡(luò)可對系統(tǒng)輸入/輸出樣本實施自主學習，逼近真實的動態(tài)系統(tǒng)[4]。基于傳統(tǒng)觀測原理塑造小波神經(jīng)網(wǎng)絡(luò)觀測器，通過正常工作情況下的數(shù)據(jù)對小波神經(jīng)網(wǎng)絡(luò)進行訓練，采用訓練好的小波神經(jīng)網(wǎng)絡(luò)觀測器形成故障殘差，完成無線傳感故障節(jié)點的定位[5]。定位原理如圖2所示。絡(luò)塑造傳感網(wǎng)絡(luò)節(jié)點的預測模型，小波神經(jīng)網(wǎng)絡(luò)的輸入值為節(jié)點的前一時刻輸出值，網(wǎng)絡(luò)輸出是節(jié)點的輸出預測值，對比該預測值同節(jié)點的真實輸出值，產(chǎn)生殘差實施故障節(jié)點定位。該方法的定位原理如圖3所示。在對孤立節(jié)點進行故障定位時，將小波神經(jīng)網(wǎng)絡(luò)當成觀測器，將節(jié)點當前時刻的輸入當成神經(jīng)網(wǎng)絡(luò)的輸入，逼近節(jié)點當前時刻的正常輸出為神經(jīng)網(wǎng)絡(luò)的輸出[6⁃7]。融合形式1和3定位冗余節(jié)點故障，將小波神經(jīng)網(wǎng)絡(luò)當成預測器，將前一采樣時刻的正常輸出當成小波神經(jīng)網(wǎng)絡(luò)的輸入，預測節(jié)點當前采樣時刻的輸出，獲取差值信號，再同預先設(shè)置的閾值實施對比，則高于閾值的差值信號對應(yīng)的節(jié)點為故障節(jié)點。

1.2無線傳感器網(wǎng)絡(luò)冗余節(jié)點故障定位

無線傳感器網(wǎng)絡(luò)冗余節(jié)點故障定位示意圖見圖4.其由無線傳感網(wǎng)絡(luò)、小波神經(jīng)網(wǎng)絡(luò)預測器以及信息定位方案構(gòu)成。無線傳感網(wǎng)絡(luò)中有n個檢測值存在冗余關(guān)系的傳感器節(jié)點，x1,x2,⋯,xn-1,xn用于描述n個傳感器節(jié)點的輸出值。采用圖3描述的結(jié)構(gòu)圖，將小波神經(jīng)網(wǎng)絡(luò)當成預測器，獲取節(jié)點后續(xù)時刻的正常輸出。本文方法定位無線網(wǎng)絡(luò)故障節(jié)點前，需要塑造n個小波神經(jīng)網(wǎng)絡(luò)預測器，并訓練這些預測器。在無線傳感網(wǎng)絡(luò)簇中全部節(jié)點的運行狀態(tài)都是正常時，采集訓練樣本。通過交叉訓練方法對訓練樣本實施訓練[8]，交叉訓練k個小波神經(jīng)網(wǎng)絡(luò)預測器的過程如圖5所示。其他預測器的訓練方式也采用該交叉訓練方式。由圖5可知，若無線傳感網(wǎng)絡(luò)節(jié)點的采樣時刻是t0,t1,t2,⋯,tn，傳感節(jié)點在t0,t1,t2,⋯,ti(i<n)時刻正常運行，則基于t0,t1,t2,⋯,ti(i<n)時刻的節(jié)點輸入/輸出塑造訓練樣本，交叉訓練n個小波神經(jīng)網(wǎng)絡(luò)預測器，在對無線傳感網(wǎng)絡(luò)的故障節(jié)點進行定位[9⁃10]。

2實驗驗證

實驗采用本文提出的基于小波神經(jīng)網(wǎng)絡(luò)的無線網(wǎng)絡(luò)故障節(jié)點定位方法，對某無線傳感測溫系統(tǒng)中的溫度傳感節(jié)點故障進行定位分析，檢測本文方法的性能，實驗設(shè)置閾值為0.5℃。實驗將歸一化的檢測樣本輸入到訓練好的小波神經(jīng)網(wǎng)絡(luò)預測器內(nèi)，并對其輸出進行反歸一化處理，同溫度節(jié)點故障檢測樣本進行對比，獲取溫度節(jié)點產(chǎn)生1℃偏差故障、0.05倍數(shù)故障以及短路故障的殘差曲線，分別如圖6、圖7所示。分析圖6可得，無線傳感網(wǎng)絡(luò)溫度傳感節(jié)點存在1℃附加故障后，其殘差曲線高于報警閾值，有效定位出了故障。能看出當無線傳感網(wǎng)絡(luò)節(jié)點存在附加故障，小波神經(jīng)網(wǎng)絡(luò)預測器在其殘差高于閾值下，準確定位出該故障節(jié)點。圖7所示的無線傳感溫度節(jié)點的倍數(shù)故障是平穩(wěn)波動的故障，隨著采樣節(jié)點的增加，節(jié)點同小波神經(jīng)網(wǎng)絡(luò)預測器輸出形成的殘差也逐漸提升，如果殘差高于報警閾值，則小波神經(jīng)網(wǎng)絡(luò)預測器可定位出故障節(jié)點。

3結(jié)論

篇10

關(guān) 鍵 詞 BP神經(jīng)網(wǎng)絡(luò)；地下水水質(zhì)；水井

中圖分類號：X824 文獻標識碼：A 文章編號：1671—7597（2013）032-048-02

我國隨著經(jīng)濟步伐的加快，導致地下水環(huán)境日趨惡化，地下水污染的防治工作儼然已成為自然環(huán)境保護迫切需要解決的問題?？墒?，地下水系統(tǒng)具有復雜性、多變性、不確定性的特點，導致傳統(tǒng)的評價方法難以定量地描述。隨著計算機網(wǎng)絡(luò)的不斷發(fā)展進步，模糊數(shù)學評判法、灰色聚類法、灰色模式識別法應(yīng)用進了地下水水質(zhì)評價中，然而，這些方法受主觀因素影響嚴重，導致評價結(jié)果的精度受到質(zhì)疑，本文針對地下水水環(huán)境的特點，應(yīng)用BP神經(jīng)網(wǎng)絡(luò)的理論與方法評價地下水水質(zhì)，通過分析地下水環(huán)境要素間的非線性關(guān)系，評價地下水水環(huán)境質(zhì)量。

1 BP神經(jīng)網(wǎng)絡(luò)理論

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）是一種非線性的動力學系統(tǒng)，它通過對人腦或自然的神經(jīng)網(wǎng)絡(luò)若干基本特性進行抽象和模擬，具有將強的處理和分布式存儲信息的能力。BP神經(jīng)網(wǎng)絡(luò)屬于前饋人工神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)由輸入層、隱含層及輸出層組成。BP神經(jīng)網(wǎng)絡(luò)的建立首先要調(diào)整輸出與隱含層之間的權(quán)值，其次調(diào)整隱含層單元之間的權(quán)值，最后調(diào)整隱含層各個單元與輸出層之間的權(quán)值。BP神經(jīng)網(wǎng)絡(luò)學習訓練過程如圖1所示。

2 應(yīng)用

2.1 研究區(qū)概況

研究區(qū)選取吉林省輝南縣，地處長白山系龍崗山脈的中北部。研究區(qū)屬于低山丘陵地貌，屬北溫帶大陸性季風氣候區(qū)，主要氣候特點是夏季溫熱多雨，春季風大干旱，秋季涼爽短促，冬季寒冷漫長。輝南氣象站多年平均氣溫4.1℃，最高氣溫為34.6℃，最低氣溫為-40.3℃，無霜期130天，≥10℃積溫2650℃，多年平均降雨量為754.7 mm，多年平均蒸發(fā)量為752.4 mm，多年平均風速為3.4 m/s，風向NW，多年平均日照時數(shù)為2572小時，最大凍土深度1.5 m。

由于輝南縣屬于低山丘陵區(qū)，且由東南向西北傾斜，因此，地表水系統(tǒng)發(fā)達，縣城內(nèi)屬于輝發(fā)河水系10 km以上河流就有22條，主要有輝發(fā)河、三統(tǒng)河等。輝發(fā)河發(fā)源于遼寧省清源縣，自西向東流經(jīng)縣城，并有大沙河、一統(tǒng)河、三通河、亮子河、蛤蟆河、蛟河匯入輝發(fā)河。俗有“九行下哨”之稱。輝發(fā)河歷年平均水位高程298 m，最高供水位高程302.25 m，最低水位294 m。平均流速0.5 m/s -0.8 m/s，最大流量4850 m3/s，含沙量2.14 kg/m3。

2.2 數(shù)據(jù)來源與處理

野外樣品分別在2011年5月、7月和10月進行三期同點采集。根據(jù)輝南縣6口水井的地下水水環(huán)境質(zhì)量監(jiān)測資料以及采樣數(shù)據(jù)，采用計算污染分擔率的方法確定水質(zhì)評價因子。污染分擔率達到了72.36%，選取水質(zhì)指標總硬度、硝酸鹽氮、揮發(fā)酚、六價鉻、砷、鐵等組分作為評價因子。

2.3 BP神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建

建立6-3-1結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)模型，如圖2所示。以地下水質(zhì)量標準（GB/T 14848-93）作為地下水水質(zhì)評價標準，由于活化函數(shù)值域范圍在[0，1]間，經(jīng)過5500次迭代，網(wǎng)絡(luò)收斂，達到指定精度10-5。BP神經(jīng)網(wǎng)絡(luò)模型評價結(jié)果見表1。

表1 地下水水質(zhì)BP神經(jīng)網(wǎng)絡(luò)模型評價結(jié)果

由表1、表2分析可以看出，采用尼梅羅綜合污染指數(shù)法評價的地下水水質(zhì)并無明顯變化，而應(yīng)用BP神經(jīng)網(wǎng)絡(luò)模型計算后得出的結(jié)果地下水水質(zhì)環(huán)境變化顯著。這主要是由于2011年7月份與8月份輝南縣降水豐富，一些工礦企業(yè)的生產(chǎn)污水隨降雨入滲到地下，從而引起地下水水環(huán)境質(zhì)量惡化，因此應(yīng)用BP神經(jīng)網(wǎng)絡(luò)模型得出的地下水水質(zhì)評價結(jié)果才是客觀合理的。

3 結(jié)論

本文將BP神經(jīng)網(wǎng)絡(luò)的理論與方法引入到地下水水環(huán)境質(zhì)量評價中，針對地下水水環(huán)境系統(tǒng)的復雜性、多變性與不確定性，構(gòu)造出地下水水質(zhì)評價的BP神經(jīng)網(wǎng)絡(luò)模型，通過分析地下水與其他影響因素間的非線性關(guān)系，評價了地下水水環(huán)境質(zhì)量。通過應(yīng)用發(fā)現(xiàn)，BP神經(jīng)網(wǎng)絡(luò)模型在求解地下水水環(huán)境系統(tǒng)中變量間不確定性問題方面，BP神經(jīng)網(wǎng)絡(luò)具有很強的自適應(yīng)、自學習的能力。通過實例應(yīng)用表明BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于地下水水質(zhì)評價中是切實可行的，其評價結(jié)果符合客觀實際，提高了地下水水質(zhì)評價的精度，具有廣闊的應(yīng)用前景。

參考文獻

[1]劉志明，王貴玲，張薇.BP神經(jīng)網(wǎng)絡(luò)方法在地下水動態(tài)監(jiān)測網(wǎng)質(zhì)量評價中的應(yīng)用[J].水文地質(zhì)工程地質(zhì)，2006（2）：12-15.

[2]白玉娟，殷國棟. 地下水水質(zhì)評價方法與地下水研究進展[J].水資源與水工程學報，2001，8（2）：42-46.

[3]王春艷，馮淑丹.基于BP神經(jīng)網(wǎng)絡(luò)的串聯(lián)塘水質(zhì)綜合評價模型[J].哈爾濱師范大學自然科學學報， 2008，6：35-42.

[4]黃志洪，武鵬林.基于BP神經(jīng)網(wǎng)絡(luò)模型的水質(zhì)評價方法探討[J].太原理工大學學報，2005，36（2）：174-176.

[5]馬細霞，趙道全.BP網(wǎng)絡(luò)隱含層對水質(zhì)評價結(jié)果的影響分析[J].水電能源科學，2002（3）：38-43.