神經網絡算法的優缺點精選(九篇)

前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的神經網絡算法的優缺點主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：神經網絡算法的優缺點范文

關鍵詞：切削數據庫；數據尋優算法；實例推理；粒子群算法；神經網絡算法

中圖分類號：TG506 文獻標志碼：A 文章編號：1007-2683（2013）01-0001-06

0.引言

近年來，隨著數控機床及切削刀具技術的不斷發展，切削數據在機械制造領域中越來越顯示出其重要性，并且已經成為一種極為重要的資源。

數據庫是集中、保存和管理某一領域內所有這些信息的集合，是管理信息系統的核心。切削數據庫是切削加工技術與計算機技術相結合的產物。切削數據庫最初只是管理加工中出現的切削數據，隨著神經網絡算法、粒子群算法等優化算法的應用，切削數據庫中添加了優化切削數據和切削數據的智能化評價等功能，使得切削數據庫系統得到了很大的發展并已受到各相關行業的高度重視。選擇合理的優化算法建立切削數據庫，可以合理地選擇切削參數，對提高生產率、降低生產成本有著非常重要的意義。對于解決某一類問題，可以通過多種算法來實現但并不是每一種算法都能找到最優解，需要根據每個算法自身的優缺點、適合的領域、優化方式等來選擇合適的算法，從而使尋優路徑達到最短，優化效果達到最好。但是傳統的優化算法也存在一定的弊端，為此提出了算法的改進算法，在很大程度上增強了算法的尋優能力。

1.數據獲取技術在切削數據庫中的應用

1.1神經網絡推理技術

神經網絡算法是指模擬生物的神經結構以及其處理信息的方式來進行計算的一種算法。神經網絡可以處理例外及不正常的輸入數據，這對于很多系統都很重要。黃傳真等研究的汽車覆蓋件模具鋼高速切削數據庫將分別基于MATLAB神經網絡和基于指數函數的刀具磨損預報模型的擬合誤差相比較，優選出基于MATLAB神經網絡的刀具磨損預報模型，并將.NET框架和MATLAB環境引入到刀具磨損集成預報系統中，實現了模具鋼精加工過程中對刀具磨損的在線預報，實現了對高速切削加工技術的合理應用。

為了實現神經網絡模型的智能尋優，將其與蟻群算法相結合使用，用蟻群算法的啟發式尋優和全局優化的特點來訓練神經網絡的權值即用蟻群算法來訓練神經網絡，最終解決尋優問題。如詹曉娟等研究的基于蟻群神經網絡銑削數據庫系統就是利用蟻群算法優化神經網絡的方法，使系統在切削參數的選擇具有一定的智力水平，實現了切削參數的合理選擇。這種智能尋優的方法不僅避免了以往算法收斂速度慢易陷入局部最優等缺陷，提高了系統的運行速度和運算效率，還能夠通過自學習提高自身決策能力，使決策結果更趨合理。

神經網絡在解決非線性映射問題如切削用量選擇上可達到良好的效果，在機械工程領域具有很高的利用價值。但是當前的神經網絡仍普遍存在收斂速度慢、計算量大、訓練時間長和不可解釋等缺點。

1.2動力學仿真優化技術

切削參數數據庫的數據主要來源于切削手冊、生產實踐和切削實驗，傳統來源的切削參數難以完全滿足切削加工的要求。為了存儲優化型仿真切削數據，保證切削加工穩定性，趙海洋等在平臺下開發了基于B/S數據庫結構的動力學仿真優化型切削數據庫系統。該系統通過動力學仿真優化方式獲取優化型切削參數，實現了高速加工過程中的穩定高效切削。

將動力學仿真優化技術引入到切削數據庫及其應用系統中，不僅能使系統具有良好的結構和可擴展性，還能提供工藝人員合理的切削參數，大大減少了以往試切所帶來的經濟和時間上的浪費，從而提高了生產效率，降低了生產成本。

1.3實例推理技術

1982年Schank通過研究人和機器學習的動態存儲理論，提出了基于實例的推理（case-based reason-ing，CBR）其本質是利用舊問題的解決方案來解決新問題，并且具有自學習功能，CBR原理如圖1所示。

利用實例推理技術，將其與規則推理相結合使用，把以往取得的經驗應用于新問題的解決上，減少知識獲取的工作量，不僅可以為建立切削參數數據庫提供一個有效可行的方法，還可以為新的工件加工問題提供參考解決方案，對切削技術的推廣應用具有非常重要的意義。

CBR是一種人工智能的推理方法，廣泛應用于問題求解領域，在一定程度上突破了知識獲取的瓶頸問題。由于CBR中實例都是以往問題的優化結果，因此其本身就包含了大量的設計經驗知識，不僅避免了在獲取知識上的時間的浪費，而且設計結果的實用性也很強。CBR為快速設計新的工藝提供了依據。

2.切削數據優化算法分析對比

2.1多目標優化算法的比較

從古老的時代開始，人們就力求在解決一個問題的眾多方案中尋求一種最優方案，因此實際中優化問題大多數是多目標優化問題，它也是一類普遍存在的問題。基于群體智能進化的群體智能優化算法在解決多目標優化問題上提高了人們解決和處理優化問題的能力。但是粒子群算法等群體智能優化算法在解決多目標優化問題時有著各自的優缺點，需要對它們進行比較以選擇合適的算法。表1是幾種智能優化算法的比較。

通過表1中幾種算法的對比可以看出，每種優化算法都有自己獨特的優缺點，但是在處理高維復雜問題時都出現易陷入局部最優、收斂效果不好的問題。粒子群算法和遺傳算法都屬于全局優化算法，利用目標函數來衡量個體的優劣程度，粒子群算法計算復雜度比遺傳算法低，可以短時間內找到最優解，但粒子群算法在搜索性能上好于混洗蛙跳算法?？梢詫追N算法結合使用或者對某種算法進行改進，彌補以往算法的缺點，從而達到更好的解決多目標優化問題的目的。

2.2知識獲取的推理方式比較

規則推理、人工神經網絡、實例推理、模糊邏輯、遺傳算法和混合推理等智能推理方法被普遍應用在工程中。實例推理作為基于規則推理技術的一個重要補充，已受到人們越來越廣泛的關注。但目前比較常用的智能推理方法有規則推理、神經網絡和實例推理，它們在解決不同問題上表現出各自的優缺點，如表2所示。

根據表2列出的3種智能推理方式的比較可以看出，在總體上來看實例推理表現最好，但在解決復雜知識獲取問題上仍表現出明顯的不足。針對這一問題研究人員將實例推理、規則推理、人工神經網絡三者結合，產生了各種各樣的混合推理，這些推理不僅結合了它們各自的優點，而且很大程度上克服了單個方法的缺點，可

以很好的解決復雜問題，如高速切削數據庫系統的建立就是采用規則推理和實例相結合的混合推理方式，通過這一方式使該系統的數據采集和知識更新變得簡單易行。

2.3數據查詢優化算法比較

隨著現代切削數據庫規模的不斷擴大，高效率的信息提取技術逐漸成為人們研究的熱點。高效的查詢被用來體現一個系統性能的好壞，查詢的效率也就成為了評價切削數據庫系統的重要指標。提高查詢效率是建立一個系統首要解決的問題之一，因此對作為有效手段的查詢優化的研究就顯得尤為重要。但是一個較好的優化算法，并不是通用和萬能的，根據不同的環境不同的優化算法適用于不同的的問題及用戶。目前常用的數據查尋優化算法有啟發式搜索算法又稱為A算法，它是在貪婪算法的基礎上提出的一種基于人工智能理論的改進算法；基于Agent的分布式查詢優化算法，它結合了分布式人工智能與切削數據庫管理系統兩個領域；遺傳算法，它是模擬生物在環境中遺傳和進化過程而形成得一種自適應的全局優化概率搜索算法；全局查詢優化算法如模擬退火算法、快速分解模擬退火等，能夠找出全局最優解；等聯結操作結果估算模型，它是一種改進算法，能保證優化方法在一定條件下生成的任意兩個相鄰的操作次序是最優的；分裂大表算法即將大表分成若干個子表和一個索引表，將子表放在不同的邏輯設備上，各子表的名稱和分裂條件存放在索引表里來提高查詢速度；神經網絡技術的異構數據庫集成，它可以通過將全局查詢快速地分解為各個子查詢，來進行優化操作；多元連接查詢優化算法，針對遠程網和局域網這兩種不同的網絡，提出了最小生成樹算法和改進的最小生成樹算法兩種全局優化算法，反復使用此算法可使預先估計的總代價最?。环植际讲樵儍灮惴ǎ暮诵氖荢DD-1查詢優化算法，該算法在一定程度上可以使整個網絡上的傳輸量保持最小。對數據庫進行查詢時，可供選擇查詢優化算法很多，需要根據一定的標準來評價各算法是否適用于此環境，以提高效率的目的。為此研究人員提出了評價算法的4個標準：一是否適用于大數據量；二是否能應付異構數據庫的要求；三是局部優化還是全局優化；四是算法的效率是否滿足大數據量、高復雜性的要求。表3是幾種數據查詢優化算法的比較。

由表3可知，對數據庫進行查詢時，對查詢優化算法的選擇需要考慮很多因素，不能通過一個固定的原則來評價優化算法的優劣，需要根據當時的系統環境來選擇合適的優化算法，這樣才能充分利用算法的優點。

3.數據尋優算法的改進

目前許多數據優化算法被廣泛應用在機械加工領域，在一定程度上達到了數據尋優的目的，提高了系統的尋優能力，但是面臨一些復雜的問題時一些算法表現出收斂速度慢、陷入局優等問題，為了解決這一問題，對一些算法提出了改進，下面介紹了幾種算法的改進算法。

3.1變形遺傳算法

變形遺傳算法是從簡單遺傳算法發展而來的，是對其運算因子的擴展和補充。簡單遺傳算法存在許多的不足之處，變形遺傳算法在此基礎上進行了一些改進：改進編碼方式，改進初始群體的生成方式，改進適應度函數的定義方式，改進選擇算子操作方式，改進變異算子操作方式，改進算法終止條件。這些算法增強了變形遺傳算法搜索過程的方向性，從而增強了算法搜索尋優的方向性。圖2為切削用量優化的變形遺傳算法的流程圖。

變形遺傳算法有兩個優點：一是具有局部的隨機搜索能力；二是可維持群體多樣性，防止出現未成熟收斂現象，從而使收斂概率達到大值。

3.2改進的粒子群算法

粒子群優化算法在函數優化等領域蘊涵了廣闊的應用前景，利用粒子群優化參數原理（如圖3），并與局部搜索算法混合，可以提高了算法在局部區域內進行精細搜索的能力。尋找到最優化的加工參數。目前針對粒子群算法存在的問題，已提出了多種粒子群算法改進算法，并且這些改進的算法廣泛應用于函數優化，神經網絡訓練，模式分類等領域。其中一種改進的粒子群算法是針對粒子群算法在求解高維函數時易陷入局部最優的問題提出的，該算法通過對粒子的速度和位置更新公式進行改進，使粒子在其最優位置的基礎上進行位置更新，從而增強算法的尋優能力。如圖4為改進的粒子群算法流程圖。

另外兩種典型的粒子群算法的改進算法為：①全局鄰域模式和局部鄰域模式粒子群優化算法，前者收斂速度快，但易陷入局部極小值；后者收斂速度慢，但能在較大程度上避開局部極小值；②混沌粒子群優化算法，它不但具有混沌的隨機性、遍歷性、規律性等特性，還能引導粒子及其組成的群落搜索全局最優解。

3.3協同優化算法的改進

協同優化算法（eollaborati Veoptimization，CO）是多學科設計優化方法中應用最廣、效果最好的算法，但是在應用中存在計算困難的問題，根據這一問題提出了改進的協同優化算法一ICO（Improvedeollaborati Veoptimization）多學科設計優化方法。

ICO多學科設計優化方法保持了CO算法模塊化和學科自治性的優點，以新的表達方式來克服CO算法的計算困難。ICO算法利用快速啟動方法提高了計算速度，使得ICO算法比標準CO算法更加穩定、可靠，計算效率明顯提高。以往協同粒子群算法不能保證全局收斂，易產生偽最優值的問題，根據這一問題提出改進的協同粒子群優化算法，它將混沌理論引入協同粒子群算法中，改善了協同粒子群算法的性能，使其具備了求解高維優化問題的優越性。但是IC0算法還需要在大型復雜工程系統設計優化中進行應用、檢驗及進一步完善。

Matherton提出Kriging數學理論之后，Kriging技術在許多領域得到應用，研究人員以此為基礎并基于統計學理論提出了Kriging模型，Kriging模型被視為一種最優的線性無偏估計。對于計算量大的問題可以利用基于Kriging模型的改進協同優化算法（Kriging-CO算法）來提高系統的優化效率，該改進算法的原理如圖5所示。Kriging-CO算法適用于解決共享變量多、子模型復雜的問題，應用該算法減少迭代次數，提高運算效率。

雖然一些改進算法彌補了以往算法一些不足，但切削數據庫技術的發展越來越快，對切削數據庫性能的要求越來越高，出現的問題也會越來越多，因此對算法的研究也必須更加深入。

4.結語

第2篇：神經網絡算法的優缺點范文

關鍵詞： 供應鏈績效評價；模糊綜合評估；粗糙集；BP神經網絡

中圖分類號：C93 文獻標識碼： A文章編號：1003-7217(2011)05-0119-06

一、引 言

在供應鏈條件下，各節點企業運作行為往往具有隨機性和不確定性。動態供應鏈績效評價是一個包含多個指標和輸入輸出的復雜評估系統，各績效指標具有模糊性、不確定性，彼此之間存在非線性關聯性。軟計算［1-7］理論與方法是處理動態供應鏈績效這樣復雜的、具有大量不確定性和模糊性的評估系統的重要技術。在相當多的領域（自然科學、社會科學與工程技術）中，都涉及到對不完備信息和不確定因素的處理。從實際系統中采集到的數據常常包含著噪聲、不精確甚至不完整，如果我們采用純數學上的假設來消除或回避這種不確定性，效果往往不理想。但如果對這種信息使用恰當的方式進行處理，常常有助于實際系統問題的解決。

二、相關研究評述

多年來，研究人員一直在努力尋找科學地處理不完整性和不確定性的有效途徑，實踐證明，1965年Zadeh［8］創立的模糊集理論與1982年Pawlak［9］倡導的粗糙集理論是處理不確定性的兩種很好的方法。事實上，除了上述兩種方法外，基于概率統計方法的證據理論也是處理不確定性的一種有效方法。以上眾多的方法都屬于軟計算［10－15］(Soft Computing)的范疇。Zadeh教授提出了軟計算的概念，軟計算的主要工具包括粗糙集、模糊邏輯(Fuzzy Logic)、神經網絡、概率推理(Probability Reasoning)、信任度網絡(Belief Network)、遺傳算法（Genetic Arithmetic）、混沌理論(Chaos)等。傳統的計算方法，即所謂的硬計算(Hard Computing)，使用精確、固定和不變的算法來表達和解決問題，軟計算利用所允許的不精確性、不確定性和部分真實性得到易于處理、魯棒性強和成本較低的解決方案，以便更好地與現實系統相協調。因此，軟計算作為知識獲取和智能信息處理的重要手段，在許多研究領域有著廣泛而深入的應用。

（一）基于模糊綜合評估的供應鏈績效評價

模糊集理論是經典理論的推廣，它認為元素總是以一定的程度屬于某個集合， 也可能以不同的程度屬于幾個集合。經典理論中集合的邊界是清晰的，而模糊集理論中集合的邊界是不清晰的，對人們顯示生活中大量使用的一些含義確定但不準確的語言表述，模糊數學可以較好地表達，因而可以自然地用于事物的評價。

在動態供應鏈績效評價體系中，各績效指標之間往往存在著復雜的因果關系，這些指標中既有定性指標也有定量指標，具有模糊和不確定的特點，模糊綜合評估方法為處理這種不確定性提供了有力的工具，它能夠盡可能地減少個人主觀臆斷所帶來的危害，為合理評價決策提供科學的依據。作者在文獻［16］中詳細討論了基于模糊綜合分析的供應鏈績效評價方法，并結合Markov鏈預測理論給出了供應鏈績效未來的發展趨勢。

（二）基于粗糙集約簡的供應鏈績效評價

Rough集理論是一種刻畫含噪聲、不完整、不精確、不相容的數學工具，它能有效分析和處理不精確、不一致、不完整等各種不完備信息，并從中發現隱含的知識，揭示潛在的規律，是一種重要的軟計算技術。其主要思想是在保持分類能力不變的前提下，通過知識約簡，導出概念的分類原則。Rough 集理論是基于不可分辨的思想和知識簡化的方法，從數據中推理邏輯規則作為知識系統模型。

如前所述，在供應鏈條件下，各節點企業運作策略具有動態可調節性，其運作行為具有隨機性和不確定性，這就要求在對供應鏈績效進行評價必須采用動態評價方法，同時對供應鏈在未來某一時刻的整體績效進行預測。粗糙集及其約簡理論是處理這種不確定性的重要技術。作者在文獻［17］中基于粗糙集理論的績效評價模型，建立了動態供應鏈績效評價決策表，利用粗糙集約簡方法得到了預測績效評價結果的決策規則集，并把粗糙集約簡和模糊綜合評估技術相結合進行動態供應鏈績效評價，顯然地縮小了數據處理的規模，降低了模型的計算復雜度。

（三）基于神經網絡的供應鏈績效評價

神經網絡可大規模地并行處理和分布式地存儲信息，具有良好的自適應、自組織性以及很強的學習功能、聯想功能和容錯功能。與當今的馮諾依曼式計算機相比，更加接近人腦的信息處理模式，主要表現為能夠處理連續的模擬信號。神經網絡并行分布工作，各組成部分同時參與運算，單個神經元的動作速度不高，但總體的處理速度很快。神經網絡信息存儲分布于全網絡各個權重變換之中，某些單元障礙并不影響信息的完整。傳統計算機要求有準確的輸入條件, 才能給出精確解。神經網絡只要求部分條件，甚至對于包含有部分錯誤的輸入，也能得出較好的解答，因此具有較好的容錯性。

動態供應鏈績效評價是一個包含多個指標輸入輸出的復雜評估系統，各績效指標具有模糊性，彼此之間存在非線性關聯性。針對這樣一個復雜的評估系統，作者曾利用BP神經網絡技術來找出供應鏈績效評價系統輸入-輸出之間的非線性映射關系，從而對動態供應鏈績效評價結果進行學習和預測。通過與粗糙集約簡理論相結合，簡化了BP神經網絡的結構設計，減小了運算量。

（四）幾種軟計算方法的優缺點

軟計算是一個方法的集合體，目前主要包括粗糙集、模糊邏輯、神經網絡、概率推理、信任度網絡、遺傳算法以及混沌理論等。軟計算方法已廣泛應用于包括模式識別、數據挖掘、系統評價、故障診斷、專家系統等在內的諸多領域的不精確、不確定問題。軟計算方法按照其特點各有優勢。例如，模糊集可以通過對人類思維建模來給不確定性問題提供自然的解決機制；粗糙集在屬性約簡和規則抽取方面性能優良；神經網絡對噪聲具有強魯棒性，分類精度高；遺傳算法廣泛用于優化搜索問題。 同時，以上軟計算方法依照算法的不同有各自的局限性：模糊集過度依賴專家知識，遺傳算法收斂速度慢、穩定性差，神經網絡訓練時間過長、知識解釋性差，而粗糙集對數據中的噪聲較敏感。本文為了克服單一方法的局限，試圖通過集成兩種或兩種以上的軟計算方法的軟計算融合系統來解決供應鏈績效評價的實際問題［6, 7］。

財經理論與實踐(雙月刊)2011年第5期2011年第5期(總第173期)鄭 培，萬 煒：基于智能信息處理的供應鏈績效評價方法

（五）軟計算融合技術在動態供應鏈績效評價中的應用

作者詳細研究了模糊綜合分析、粗糙集理論、神經網絡等軟計算技術在動態供應鏈績效評價中的應用方法。從文獻［16-17］實驗結果可以初步看出，通過把幾種軟計算技術融合起來應用于供應鏈績效評價，就能夠克服單一智能信息處理方法的缺陷，取得更好的效果。本文使用的幾種軟計算技術能在多個方面進行融合［6, 7］。

粗糙集和神經網絡的融合。通過粗糙集的屬性約簡可以顯著減少原始數據量，使神經網絡訓練時間縮短，從訓練后的神經網絡中抽取規則也可顯著提高神經網絡中知識可理解性；神經網絡的強魯棒性也可解決粗糙集處理數據中的噪聲問題。

粗糙集理論和模糊集理論的融合。粗糙集理論和模糊集理論都是研究信息系統中知識不完善、不精確問題的方法，但粗糙集理論解決問題的出發點是信息系統中知識的不可分辨性，而模糊集理論則關注信息系統中知識的模糊性，兩者在處理方法上各有特色。兩者的結合可以更好地解決信息系統中不完善、不精確性知識的問題。

模糊集和神經網絡的融合。模糊集和神經網絡的融合主要有模糊神經網絡和神經模糊系統。神經模糊系統以神經網絡為主，結合模糊集理論，將神經網絡作為實現模糊模型的工具，即在神經網絡的框架下實現模糊系統或其一部分功能。從結構上看，一般是四層或五層的前向神經網絡。模糊神經網絡是神經網絡的模糊化，即以模糊集、模糊邏輯為主，結合神經網絡方法，利用神經網絡的自組織性，達到柔性信息處理的目的。

三、基于智能信息處理的供應鏈績效評價方法比較

（一）基本思路

在作者以前的研究里，曾應用模糊綜合分析、粗糙集理論和BP神經網絡等智能信息處理方法建立了多個供應鏈績效評價模型，本文對這些評價模型的效果和優缺點進行了分析和總結。我們的基本思路是以某動態供應鏈為例，選取合適的績效指標集，對得到的績效指標按照評價模型的數據要求進行預處理，然后輸入到不同的動態績效評價模型中進行處理，對各個績效評價模型進行解算。通過對模型輸出的結果的比較和分析來歸納各個績效評價模型的主要特點，并對評價模型的實際效果進行總結。

（二）數據預處理

如前所述，本文已經根據文獻［15］提出的供應鏈五維平衡計分卡，選擇了15個關鍵績效指標作為動態供應鏈的績效評價指標集C，C＝{F1, F2, F3, C1, C2, C3, P1, P2, P3, P4, L1, L2, L3, S1, S2}。在15個績效指標中，既有定性指標，也有定量指標。由于BP神經網絡只能處理數值向量，因此在這些績效指標輸入BP網絡訓練之前必須對它們進行預處理。在基于粗糙集理論的供應鏈績效評價模型里，根據決策表信息約簡的要求，需要對所有屬性的取值進行離散化處理。這里對某動態聯盟供應鏈績效決策表條件屬性采用表1的方法進行離散化處理。

假設根據歷史經驗或供應鏈行規，把供應鏈的績效評價結果劃分為G1、G2、G3、G4四個等級，分別對應供應鏈績效評價為優、良、中、差的狀態，其劃分的依據如表1所示。

在基于模糊綜合評估的供應鏈績效評價模型里，表1將作為構造各績效指標屬于各類的隸屬度函數的依據。

（三）實驗結果比較與分析

實驗的數據源仍采用文獻［15］某供應鏈相關指標的調查結果，經調查得到該供應鏈在2007年1~12個月的績效指標取值和績效綜合評價結果。本文已經詳細討論了對該供應鏈績效采用基于BP網絡訓練和學習的過程，并結合粗糙集約簡給出兩者相結合的混合績效評價方法及結果。

BP網絡學習完畢后，就可以用來對下一評估時刻的供應鏈績效進行預測。針對上述供應鏈，經調查得到該供應鏈在2008年前4個月的績效指標取值結果，如表2所示。

將上述各績效指標規一化后輸入訓練好的BP網絡，得到相應的輸出向量分別為(0.0023, 0.998, -0.002, 0.007)、(-0.008, 0.003, 0.988, -0.005)、(-0.008, 0.958, -0.008, -0.002)和(0.987, -0.010, -0.005, 0.005)。據此可判斷該供應鏈在2008年1~4月的績效綜合評價結果分別為G2、G3、G2、G1。

進一步，針對表1所示的供應鏈績效分級標準，可以通過Rough約簡得到供應鏈績效分級決策表的最佳約簡，即供應鏈績效評價的關鍵績效指標集。通過約簡得到供應鏈績效評價的關鍵指標集為{F1, F2, F3, C1, C2, P1, P2, P3, L1, L2, L3, S1}，這樣這12個關鍵績效指標就構成了BP網絡的輸入層節點。把表2所示的供應鏈在2008年1~4月的關鍵績效指標量化結果輸入訓練好的BP網絡，可求出其相應的績效評價結果分別為G2、G3、G2、G1，與供應鏈績效實際調查結果一致。

下面，針對同一供應鏈，分別采用基于粗糙集理論的動態供應鏈績效評價模型、基于模糊綜合評估的供應鏈績效評價模型及兩者的結合來得出供應鏈績效評價結果，并進行方法間的比較。

在基于粗糙集理論的供應鏈績效評價模型里，先對各績效指標進行離散化處理,離散化后的該動態供應鏈績效決策表如下。

對于表3所示的績效評價決策表，利用約簡算法對決策表進行屬性約簡，以便去掉決策表的冗余條件屬性。進一步，利用歸納值約簡算法對績效決策表進行值約簡，可以得到一系列用于供應鏈績效評價的決策規則集。由于決策屬性值被離散化為四個等級，亦即信息系統具有四個概念。針對這四個概念的最一般規則分別為：

根據上述關于決策屬性取值的最一般規則，就可以對某一考察周期動態聯盟的綜合績效評價結果作出判斷。當條件屬性集不完全滿足規則前件時，可以選取關于各個概念的次一般(或可信度較高)的生成式規則對績效作出綜合評估。

把表2所示的該供應鏈在2008年前4個月的績效指標離散化，然后針對上述供應鏈績效評價決策規則進行匹配，可得這4個月供應鏈績效綜合評價結果分別為G3、G3、G2、G1。

接著，采用模糊綜合評估方法來對同一供應鏈的績效評價結果進行分析。首先建立模糊關系矩陣，單因素評價矩陣取各因素在評價集上的隸屬度，各隸屬度函數均取為二次函數。根據供應鏈績效分類標準表1，建立F1屬于各類的隸屬度函數為：

同理，可分別建立其它績效指標屬于各類的隸屬度函數，對應績效評價指標集C的權向量取為：

W=(0.17,0.06,0.02,0.08,0.13,0.02,0.05,0.04,0.10,0.01,0.10,0.04,0.05,0.11,0.02)

于是，由模糊綜合評估法可求出該供應鏈在2008年前4個月的績效分別為G3、G3、G2、G1。

最后，采用結合了粗糙集約簡和模糊綜合評估的動態供應鏈績效評價方法來得到該供應鏈績效評價結果。首先借助于動態供應鏈績效評價決策表對績效評價指標進行約簡和降維，通過Rough約簡得到供應鏈績效評價的關鍵績效指標集為{F1, F2, F3, C1, C2, P1, P2, P3, L1, L2, L3, S1}，根據供應鏈績效分類標準表2分別建立上述關鍵績效指標屬于各類的隸屬度函數，然后利用模糊評估方法對供應鏈績效進行綜合評價。根據該混合供應鏈績效評價方法求出該供應鏈在2008年前4個月的績效分別為G2、G3、G3、G1。

我們給出了采用上述五種基于智能信息處理的績效評價方法得到的該供應鏈在2007年1月~2008年4月間績效評價結果的變化趨勢，如圖1所示。其中，如圖例所示圓圈、方塊實線、下三角實線、粗標圓卷實線和帶星虛線分別代表了對應月份由五種評估方法得到的供應鏈績效評價結果。

圖1 某供應鏈采用五種績效綜合評估方法得到的評價結果

從圖1可以看出，采用五種不同的供應鏈績效評價方法得到的結果略有差異。這一差異由多種原因引起，首先基于BP神經網絡的績效評價方法和基于粗糙集理論的績效評價方法都是有監督的智能學習算法，即在對動態供應鏈績效評價結果作出預測之前，都有個訓練的過程，這需要大量的歷史數據。而基于模糊綜合評估的供應鏈績效評價方法隸屬度函數主要由績效分級標準確定，并不“顯式”地需要歷史績效結果。其次，許多基于智能信息處理的績效評價模型都需要事先確定一些參數，如BP網絡需要確定網絡結構、學習速率、沖量因子；模糊綜合評估需要確定指標權值和隸屬度函數表示方法等。另外，不同的績效評價模型對輸入數據的要求各不相同，BP神經網絡和模糊綜合評估處理的是連續數據，粗糙集約簡處理的是離散數據，而實際獲得的績效指標中既有定性指標，也有定量指標，這就需要在績效指標輸入模型之前進行預處理，預處理方法的不同導致模型輸出有很大的差異。上述幾種不同的基于智能信息處理的供應鏈績效評價方法輸出結果與供應鏈實際績效基本相符，在實際使用時要根據情況靈活選擇。

此外,實驗結果也表明通過幾種智能信息處理方法融合在動態供應鏈績效評價中能取得更好的效果。通過粗糙集約簡和模糊綜合評估的融合，顯然縮小了數據處理的規模，降低了評估模型的計算復雜度，同時克服了模糊評估過度依賴專家知識（領域知識）的缺點。通過粗糙集約簡和BP神經網絡的融合，降低BP網絡的設計復雜度，克服了神經網絡訓練時間長、知識解釋性較差的缺點。兩種融合方法都保持了較高的準確度，在動態供應鏈績效評價中更為有效。

本文的研究結果彌補了目前國內外動態供應鏈績效評價中智能信息處理方法的融合理論研究少、應用不夠深入的缺點，對實際供應鏈運作與管理中基于軟計算的動態績效評價模型和方法的選擇與應用具有理論指導意義。

四、結 論

軟計算作為知識獲取和智能信息處理的重要手段，在供應鏈績效評價領域有著良好的應用前景。越來越多的學者開始集成兩種或兩種以上的軟計算方法的智能信息融合算法來克服單一方法的局限性。本文針對之前使用的模糊綜合評估、粗糙集約簡及BP神經網絡等軟計算方法在動態供應鏈績效評價中的主要特點和效果進行了簡要的比較和分析，指出了每種方法的優缺點。然而，由于每種智能信息處理方法存在著本質上的差異，對這些方法間的效果差異進行嚴格的比較存在理論上的困難。某種智能信息處理方法可能適用于某種供應鏈，而另一種智能信息處理方法則可能更適用于另一種供應鏈。因此，在實際使用時，要根據供應鏈具體情況靈活選擇或融合多種智能信息處理方法以取得更好的效果。

參考文獻：

［1］Anna, M. R. and Etienne, E. K. A comparative study of fuzzy rough sets［J］. Fuzzy Sets and System, 2002 ，126（2): 137-155.

［2］Nagatanit, Helbingd. Stability analysis and stabilization strategies for linear supply chains.［J］.Physica A., 2004, 35 (3-4): 644-660.

［3］Mohamed. Q. A-RST: a generation of rough set theory［J］. Information Science, 2000 ，124（1-4): 301-316.

［4］Roman, W. S., Larry, H. Rough sets as a front end of neuraln-etworks texture classifiers［J］. Neurocomputing, 2001, 36: 85-102.

［5］Yahia, M. E., Mahmod R. and N. Sulaiman, et al. Rough neural expert systems［J］. Expert Systems with Applications. 2002, 18: 87-99.

［6］McKee, T. E., Terje, L. Genetic programming and rough sets: a hybrid approach to bankruptcy classification［J］. European Journal of Operational Research, 2002 ,138: 436-451.

［7］Bolch G., Greine, S., H. D. Meer, etc. Queuing networks and markov chains-modeling and performance evaluation with computer science applications (2nd edition)［M］. A John Wiley & Sons, Inc., publication, 2006.

［8］Zadeh L. A. Fuzzy sets［J］. Information and Control. 1965, 8 (3): 338-353.

［9］Pawlak, Z. Rough set-theoretical aspects of reasoning about data ［M］. Boston: MA: Kluwer Academic Publishers, 1991.

［10］曹慶奎,阮俊虎.基于粗糙集-未確知測度的礦井通風系統合理性評價［J］.科學決策,2009.5:89-94.

［11］劉敬學,陳曦. 基于神經網絡的專家預測方法研究［J］.科學決策,2009,11:78-81.

［12］Bhagwat and Sharma.Management of information system in SMEs: an exploratory study. ［J］.International Journal of Enterprise and Network Management. 2006,1(1): 99-125.

［13］Bititici et al..Implementation of performance measurement systems:private and public sectors［J］. Editorial, Production Planning and Control. 2005,16(2):99-100.

［14］鄭培，黎建強. 基于BP神經網絡的供應鏈績效評價方法［J］.運籌與管理，2010,19(2):26-32.

［15］宋莎莎,戴鋒,衛保璐.基于模糊層次分析法和聚類分析的突發事件分級研究［J］.科學決策,2010,10:68-72.

［16］鄭培，黎建強. 基于模糊評估和馬爾可夫預測的供應鏈動態平衡記分卡研究 ［J］. 系統工程理論與實踐，2008，4(4): 57-64.

［17］鄭培，黎建強. 基于粗糙集理論的供應鏈動態績效評估方法研究 ［J］. 運籌與管理,2008,10(5):6-11.

［18］王俊峰,劉立東.基于博弈論的閉環供應鏈中三方協調研究［J］.科學決策,2009,(3):33-37.

Supply Chain Performance Measurement Methods based on Intelligent Information Processing

ZHENG Pei 1, WAN Wei2

（College of Business Administration, Hunan University, Changsha Hunan 410082, China）

第3篇：神經網絡算法的優缺點范文

關鍵字：預測模型

一．時間序列分析法

（一）原理

ARMA模型被廣泛的應用于時間序列的分析和預測。ARMA（p，q）模型中包括了p自回歸項和q滑動平均項，它是自回歸模型（AR模型）和滑動平均模型（MA模型）的一般形式，下面就分別介紹AR模型，MA模型和ARMA模型。

(1)自回歸AR（P）模型

AR模型即自回歸模型，滿足： 其中 是模型的參數，c是常數項， 是誤差項，E（ ）=0，E（ ）= ，E（ ）=0，t=s。為了簡化，常省去常數項c。為了保持AR模型的穩定性，對于模型的參數常有些限制條件，如誤差項 是均值為0方差為 的白噪聲。

(2)滑動平均MA(q)模型

MA模型既滑動平均模型，滿足： ，其中 ，i=1，…,q是模型的參數， ，i=1，…,q是誤差項。滿足以上方程的時間序列｛ ｝是q―階滑動平均過程，記為MA（q）。

(3)自回歸滑動平均ARMA（p，q）模型

ARMA（p，q）模型中包含了p自回歸項和q滑動平均項，它是自回歸模型（ARMA模型）和滑動平均模型（MA模型）的一般形式，ARMA（p，q）模型可以表示為 = + ，其中 ，…， 是模型的參數， 是常數項， 是誤差項。如果q=0，則ARMA模型就簡化成AR模型，如果p=0，則ARMA模型就簡化成MA模型。

由此可以看出AR（p），MA（q），ARMA（p，q）模型之間存在著深刻的聯系。

（二）模型評價

時間序列預測法期限是短期，中期預測。主要適用于經濟預測，商業預測，需求預測，庫存預測等。時間序列分析預測法是根據市場過去的變化趨勢未來的發展，它的前提是假定事物的過去會同樣延續到未來。事物的現實是歷史發展的結果，而事物的未來又是顯示的延伸，事物的過去和未來是有聯系的。優點是簡單易行，便于掌握，能夠充分運用原時間序列的各項數據，計算速度快。采用組合的時間序列或者把時間序列和其他模型組合效果更好。缺點是不能反映事物的內在聯系，不能分析兩個因素的相關關系。當遇到外界發生較大變化往往會有較大偏差。

二.神經網絡（BP）預測模型

(一)原理

BP網絡是采用Widrow―Hoff學習算法和非線性可轉移函數的多層網絡。典型的BP算法采用梯度下降法，也就是Widrow―Hoff算法?，F在有許多基本的優化算法，例如變尺度算法和牛頓算法。BP神經網絡包括一下單元：①處理單元（神經元），級神經網絡的基本組成部分。輸入層的處理單元只是將輸入值轉入相鄰的聯接權重，隱層和輸出層的處理單元將它們的輸出值求和并根據轉移函數計算輸出值。②聯接權重。它將神經網絡中的處理單元聯系起來，其值隨各處理單元的聯接程度而變化。③層。神經網絡一般具有輸入層x、隱層y和輸入層o。④閾值。其值可為恒值或可變值，它可使網絡能更自由地獲取所要描述的函數關系。⑤轉移函數F。它是將輸入的數據轉化為輸出的處理單元，通常為非線性函數。

（二）模型評價

BP神經網絡模型適用于中長期的預測。優點：逼近效果好，計算速度快。不需要建立數學模型，精度高。具有強非線性擬合能力。缺點是無法表達和分析被預測系統的輸入和輸出間的關系，預測人員無法參與預測過程，收斂速度慢，難以處理海量數據，得到的網絡容錯能力差，算法不完備。

三.灰色預測模型

灰色系統理論以“部分信息已知，部分信息未知”的“小樣本”，“貧信息”不確定型系統的研究對象。

(一)原理

灰色系統有多種模型。n階h個變量的灰色模型幾座GM（n，h）。預測模型中，最常用的是GM（1，1）模型。GM（1，1）模型的微分方式為

d+a其中t表示時間序號；a，u表示原始數據

灰色模型的基本思路可以概括為以下幾點：

（1）建立模型常用數據有以下幾種：1.科學實驗數據；2.經驗數據；3.生產數據；4.決策數據。

（2）序列生成數據是建立灰色模型的基礎數據。

（3）一般非負序列累加生成后，得到準光滑序列。對于滿足光滑條件的序列，即可建立GM微分模型。

（4）模型精度可以通過不同的會輸生成方式。數據的取舍，序列的調整，修正以及不同級別的殘差GM模型補充得到提高。

（5）灰色系統理論采用殘差大小檢驗，關聯度檢驗，后嚴查檢驗三種方法檢驗，判斷模型的精度。

（二）模型評價

核心體系是灰色模型，即對原始數據作累加生成得到近似的指數規律再進行建模的模型方法。優點是不需要很多的數據，一般只需要4個數據就夠了，能解決歷史數據少。序列的完整性及可靠性低的問題。運算簡便，易于檢驗。具有不考慮分布規律和變化趨勢的特點。缺點是只適合用與中長期的預測，只適合指數增長的預測，數據波動性大對預測精度有較大影響，預測結果較差。

以上三種預測模型有各自的優缺點，針對數據的特點，有針對性的選擇合適的預測模型。有時也可以結合模型的優點進行組合應用。

參考文獻

[1]陳蓉 話務量分析和多種預測模型的比較研究

[2]朱峰 淺談數學建模中預測方法 --- 高校講壇

第4篇：神經網絡算法的優缺點范文

Abstract： Neural network is widely applied for character recognition. Through the analysis of the problems， this paper recognizes character by the application of improved BP neural network， so as to improve recognition rate. This method has high recognition rate， fast speed， strong practicability， and can be applied to various high noise environment.

關鍵詞： 神經網絡；圖像預處理；特征提??；字符識別

Key words： neural network；image preprocessing；feature extraction；character recognition

中圖分類號：TP301.6 文獻標識碼：A 文章編號：1006-4311（2014）10-0206-02

0 引言

字符識別是指采用掃描儀、數碼相機等輸入設備，把英文字母、數字、條形碼等特殊字符的圖形文件輸入計算機，由識別軟件對圖片信息上的字符信息進行識別并變換成可編輯文檔的識別技術。主要有光學字符識別（Optical

Character Recognition，OCR）、圖像字符識別（Image Character Recognition，ICR）和智能字符識別（Intelligent Character Recognition，ICR），實際上這三種自動識別技術的基本原理大致相同。

1 常用字符識別方法

字符識別方法基本上都是為了區分結構識別、統計識別以及兩者相結合的三大類方法，這三大類方法都包含具體的識別方法。

1.1 結構識別 結構識別是早期字符識別的研究的主要方法，我們也可以稱之為句法結構識別。其思想是提取含有一定規律的結構信息，作為識別的依據。識別過程類似一個邏輯推理過程。結構識別的優點在于對字符變化的適應性強，區分相似字符能力強。但是在實際獲取字符圖像的過程中，由于存在著很多扭曲、傾斜等因素，就導致不能夠準確地提取結構特征，后面的識別過程就成了無源之水。此外，結構識別的算法描述也較為復雜，匹配過程的復雜度也很高，因此，我們原有的句法識別就受到新的挑戰。

1.2 統計識別 統計決策論的發展相對較早而且成熟，是為了提取待識別字符的一組統計特征，然后按照一定的準則進行決策函數的分類判決的。而統計識別是將字符點陣看作是一個能夠經過大量統計數據得到的整體，是以后所用的特征都需要經過的。統計特征主要是以抗干擾能力強為主要特點，以實現匹配與分類的算法簡單，且容易實現的。不足之處在于細分能力較弱，區分相似字的能力差一些。

1.3 結構識別與統計識別相結合 上述方法各有優缺點，而隨著研究的深入，這些方法逐漸得到融合。網格化特征就是結合的產物。特征的統計以網格為單位，即使個別點的統計有誤差也不會造成大的影響，增強了特征的抗干擾性。這種方法正得到日益廣泛的應用。

字符的結構特征直接反映了字符的特有屬性，而用字符的統計特征進行字符識別則是利用了計算機軟件善于處理數字的特點。雖然近幾年流行的神經網絡方法主要采用的是局部特征，但其分類機理也與傳統的統計識別方法相類似，優點是靈活性強。

2 字符識別流程

字符識別技術在當今社會的許多領域都有著廣泛的商業應用前景。常見應用有條碼識別、車牌識別、盲人的輔助閱讀設備和郵包自動分檢等。本文以車牌識別為例說明字符識別的應用以及識別流程。車牌識別系統的工作流程如圖1所示。

經過字符分割后，得到可以進行字符識別的圖像。本文采用神經網絡方法進行字符識別，識別的具體過程如圖2所示。

3 基于改進型BP神經網絡的字符識別算法

3.1 BP神經網絡簡介 神經網絡最早的研究是20世紀40年代，由心理學家Mcculloch和數學家Pitts合作提出的，由此拉開了神經網絡研究的序幕。人工神經網絡是通過對人腦生物神經機理進行簡化，抽象和模擬之后建立起來的一種計算模型，屬于機器學習的重要研究領域。人工神經網絡可以應用于字符識別、人臉識別等領域。

隨著神經網絡的威力逐漸顯現以及付諸應用的現實性，大量的學者對此進行了深入研究，出現了多種神經網絡，如徑向基神經網絡和Hopfield網絡等。1986年科學家Rumelhart和McCelland提出了BP（Back Propagation）神經網絡，是一種按誤差逆傳播算法訓練的多層前饋網絡，是目前在字符識別中應用最廣泛的神經網絡模型之一。BP網絡能學習和存儲大量的輸入輸出模式映射關系，而無需事前揭示描述這種映射關系的數學方程。它的學習規則是使用最速下降法，通過反向傳播來不斷調整網絡的權值和閾值，使網絡的誤差平方和最小。

BP神經網絡的結構如圖3所示。從左至右分別是輸入層、隱含層和輸出層。

從圖3可以看出，某一層的輸出就是下一層的輸入，即：am+1=fm+1（Wm+1am+bm+1），m=0，1，…M-1……

這里，M為神經網絡的層數。第一層的神經元的輸入為a0=p，最后一層神經元的輸出是a=aM，即為整個神經網絡的輸出。BP神經網絡雖然在字符識別領域有著重要的應用價值，但其存在如下問題：①進行字符識別時存在局部極小值問題；②算法通常需要迭代幾千步甚至更多，收斂速度慢；③隱含層和隱含層節點的數量難以確定。要解決上述問題，就需對BP神經網絡算法進行改進。

3.2 基于改進型BP神經網絡的字符識別

3.2.1 圖像預處理 在字符圖像采集、輸入的過程中由于受到多種噪聲的干擾，會使圖像質量下降，為字符識別工作帶來困難，因此需要對初始圖像進行必要的預處理。圖像預處理的具體步驟如下：①選取合適的閾值進行圖像二值化；②灰度變換增強對比度，改善視覺效果；③選取合適的方法去除噪聲，常用的有中值濾波、均值濾波、高通濾波等方法；④圖像分割，即將圖像中的字符獨立的分割出來。

3.2.2 字符特征值的提取 如果直接采用分割后的字符進行對比，那么需要對比的信息量很大，程序運行的時間也會大大增加。所以需要對分割后的字符進行特征提取，本文使用了類似九宮格的方法進行特征提取，即在字符圖像的水平方向上將圖像均勻分成三部分，在每一部分用一條水平方向的掃描線從左至右穿過字符，進行查找；垂直方向上原理相同，掃描線從上到下穿過字符，進行查找。取這六條線上的特征作為字符圖像的特征，這樣就得到了每個字符的六個特征值。

3.2.3 改進型BP神經網絡 針對BP神經網絡的局限性，為了避免落入局部極小值點，提高網絡訓練的精度和速度，對其算法進行了改進，常用的方法有：①優化初始權重。由于BP網絡的誤差曲面存在多個局部最小點和算法采用誤差梯度下降的方法調整網絡權重，因此導致了網絡的訓練結果極容易落入局部極小點。所以，網絡的初始權重對網絡的最終訓練結果影響非常大，它是影響網絡最終能否達到需求精度的重要因素之一。②調整自適應學習率。學習率η也稱步長，在標準的算法中為常數。BP算法的收斂特性和收斂速度很大程度上取決于學習率，對于不同的問題，其取值范圍也會不同。η取值過大可以加快學習速度，但會導致學習過程不收斂；η取值過小，則迭代次數明顯增加，導致學習速度過慢。為了加速收斂的過程，可以自適應改變學習速率。③附加動量法。動量法是指在反向傳播的基礎上，在每個權值調整值上加上一項正比于前次權值變化的值，并根據反向傳播法來產生新的權值變化。

本文為了簡單起見，采用附加動量法只對數字和英文字母進行字符識別，利用梯度下降法，使權值沿函數的負梯度方向改變。提高了學習速度，增加了算法的可靠性。

帶有附加動量項的權值調節公式為：

Wij（k+1）=Wij（k）+η[（1-α）D（k）+αD（k-1）]

其中，α是附加的動量項，取值范圍為0

3.2.4 設計改進型BP神經網絡進行字符識別 本系統采用了兩個BP網絡來進行數字和字母的識別。BP神經網絡的建立主要是三個層的神經元數目的確定。①輸入層節點數。此節點個數即為圖像預處理后所輸出的特征的維數。本系統輸入層節點數為24×48。②隱含層節點數。確定隱含層節點數的基本原則是：在滿足精度要求的前提下取盡可能緊湊的結構，即取盡可能少的隱含層節點數。本系統的兩個神經網絡，可以根據輸出層神經元的多少來確定其個數，即輸出層神經元越多，其隱含層神經元個數也越多。③輸出層節點數。用于識別數字的BP網絡，由于只有10個數字，所以采用了8421碼進行編碼，輸出層的神經元數目為4。而識別26個字母的BP網絡，其輸出層的神經元數目為5。待識別的字符圖像和訓練好網絡后識別的結果分別如圖4和圖5所示。

4 結束語

在字符識別的過程中，每一步都會有不同程度的誤差，本文神經網絡經驗證后識別率可達95.1%，平均識別時間為0.6s。影響識別成功率的主要因素是訓練樣本的數量和訓練次數，要保證一定數量以上的訓練樣本和訓練次數，以保證識別率。另外，神經網絡的層數和各層神經元的個數，對神經網絡算法的運行速度和識別率也有著直接的影響，其數量越多，識別率越高，但也制約著識別速度，因此，如何處理好兩者關系很重要。

參考文獻：

[1]關學忠，劉勇智.基于數字圖像處理的車牌定位及字符分割方法[J].裝備制造，2010（01）.

[2]武桐.基于圖像匹配的漢字識別系統研究與實現[D].上海：上海交通大學，2010.

第5篇：神經網絡算法的優缺點范文

關鍵詞：神經網絡；模式；分類

中圖分類號：TP183文獻標識碼：A文章編號：1009-3044(2009)04-0922-02

The Research of the Classification of Model with Neural Network

GUO Xiao-yan

(Gansu Agriculture University, Information & Science Technology College, Lanzhou 730070, China)

Abstract: The problems of classification of model with neural network can be solved by the help oftutors information, and also be solved by the help of clustering without the tutors information.This article analyzes andcompares several neural network models being used for classification of model,reach a conclusionthat inparticular situation different models of neural network can bechoiced , and if nessesary aintegratedway can be used.

Key words: neural network; classification; model

傳統的分類方法對于同類相聚，異類分離比較有優勢，但客觀世界中許多事物在樣本空間中的區域分割曲面非常復雜，相近的樣本可能屬于不同的類，而遠離的樣本可能屬于同一類1。模式是對某些感興趣的客體的定量描述或結構描述，模式類是具有某些共同特征的模式的集合。模式分類可分為兩種類型，分類和聚類，分類是在類別知識等導師信息的指導下，將待識別的輸入模式分配到各自的模式類中去。聚類是無導師的分類方法，它是將相似的模式樣本劃歸為一類，而將不相似的分離開，實現了模式樣本類內相似性和類間分離性。通過聚類，可以發現原始樣本的分布特性。

神經網絡對外界的輸入樣本具有很強的識別能力，可以發現輸入樣本自身的聯系和規律以及輸入樣本和期望輸出之間的非線性規律，因此在模式分類方面具有傳統分類方法無法比擬的優點。人工神經網絡在模式分類方面提出了大量了網絡模型，發現了許多學習算法。

1 無導師分類機制

對于無導師的模式分類只從輸入樣本入手，通過分析與比較，找到輸入樣本的特征和內在規律，從而將具有相似性的樣本聚為一類。

1.1 SOM網

SOM 網屬于自組織映射神經網絡，SOM神經網絡接收外界的輸入模式時，會分為不同的對應區域，各區域對不同的輸入模式會有不同的響應特征，利用這個特征可以對輸入模式進行分類。

算法思想：

它的學習規則是“勝者為王”。找出和輸入向量最為相似的競爭層神經元（即獲勝神經元），在一個以該神經元為中心的鄰域內對本區域內的所有神經元的權值進行不同程度的調整，調整的原則是由遠及近，由興奮變為抑制，權值調整的結果是使競爭層的特定神經元變得對輸入層的某些樣本敏感，從而達到分類的目的。

算法步驟：

1) 找出獲勝神經元

對于每一個輸入模式向量 X，競爭層的所有神經元對應的內星權向量Wj(j=1,2,…,m)均與X進行比較，將與X最為相似的神經元判為獲勝神經元。其權值記為Wj*。相似性量度為X和W的歐氏距離或夾角余弦。

■

m是競爭層神經元個數。

d=||X-Wj*||=min||X-Wj*||(j=1,2,…,n)

d為輸入向量X離獲勝神經元的距離

2) 找出一個Wj*的一個鄰域Sj，對于Sj內的所有權值進行調整。

3) 權值調整

Wj(t+1)=Wj(t)+α[X-Wj(t)]

α為學習率，隨著t的增加，α的值在不斷地減小。

權值的調整是使得獲勝結點更加接近輸入樣本，從而使競爭層的每一個神經元變為一個聚類中心。當向網絡輸入一個模式時，競爭層中哪個神經元獲勝使輸出為1，當前輸入就歸為哪類。

通過聚類進行模式劃分的方法還有模糊聚類，K-均值聚類，HCM，最近鄰聚類(NN算法)等，這些算法的最主要優點就是不需要導師信號，這對于一些無法得到導師信號的模式分類情況來說是有優勢的。

2 有導師分類機制

基于無導師的聚類算法只考慮輸入樣本，而沒有考慮輸入樣本所對應的輸出、這就使得這樣的分類不是最優的。

2.1 BP神經網絡

BP神經網絡利用導師信號和輸入樣本來訓練網絡的權值，從而找到從輸入樣本到導師信號（期望輸出）之間的非經性變幻規律來修整權值，經過測試樣本和期望輸出的多次訓練來使成熟的網絡穩定，當有新的輸入時，就可根據此規律對它樣本進行正確的分類。

BP神經網絡的算法思想是：輸入樣本自輸入層傳入，由各隱層處理后，傳向輸出層，這屬于正向傳播；如果輸出與期望輸出(導師信號)不符，得到誤差值，輸出誤差通過隱層向輸入層逐反向傳播，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，此誤差信號成為修正各單元權值的依據。

2.1.1 BP神經網絡的描述1(圖2)

1） 正向傳播

對于有單個隱層單元的BP神經網絡而言

隱層輸出：

■

輸出層：

■

l 為輸出層神經元的個數m為隱層神經元的個數n為輸入層神經元的個數

f(x)可采用單極性的Sigmoid函數：

■

2）反向修正權值

輸出誤差E定義如下：

■

其中d為導師信號（期望輸出），o為實際輸出

進一步展開至輸入層，有：

■

權值修正：

■

η是學習率，可以控制學習的時間和快慢。

在BP神經網絡中，利用導師信號和神經網絡的輸出得到總誤差E,調整權值時，按誤差梯度下降的原則進行。利用BP神經網絡進行分類時，可以利用導師信息先規定類別信息，再利用輸入樣本和類別信息得出E，從而反向調整ω，ν值，如果網絡的總誤差小于一個特定的值，可認為網絡訓練結束，得到最終的ω，ν值。對于新的樣本，此訓練好的網絡便可進行正確分類。

3 徑向基函數神經網絡

利用BP網絡進行分類時，完全沒有考慮輸入樣本的特征，只利用導師信息進行權值的修正，因此學習時間很長，分類的精度也不是非常高，錯分的情況很多。通常，輸入樣本本身具有某種規律性，利用現有樣本的自身規律加上導師信號的限制，可以大大提高分類的精度，同時可以縮短學習的時間。徑向基函數網絡就是基于這種思想。

用徑向基函數作為隱單元的“基”，構成隱含層空間。隱含層對輸入向量進行變換，將低維空間的模式變到高維空間中，使低維空間中的不可分問題在高維空間中變得可分。

算法思想：

1）找到分類中心向量，也稱基向量，(一般用K-均值法，動態聚類法等)，假定分類中心向量個數為 個，這也就決定隱層神經元的個數。

2）算出輸入樣本到各個分類中心向量的距離d，利用基函數f(x),自變量為d，得到隱層輸出，只有離分類中心最近的向量得到較大的輸出。

■

p是輸入樣本個數，j是聚類中心的個數，k是樣本和聚類中心向量的維數。

■

3）最后通過隱層到輸出層的線性變換得到最終的輸出，則：

■

學習算法：

1）利用無導師機制選取分類中心向量；

2）利用有導師信號修正隱層到輸出層的權值，權值的修正仍用類似BP神經網絡的梯度下降算法。

徑向基函數網絡對于輸入層向隱層的變換是非線性的，而隱層到輸出層變換進線性的，在確定中心結點時，可采用無導師的聚類機制，當修正隱層到輸出層的權值時可采用有導師機制，此兩種方法結合即可發現輸入樣本中的內在規律，又可利用導師信號進行約束從而提高分類的精度和縮短學習的時間。

3 結論

利用神經網絡進行分類時，如果可以得到導師信號，可采用徑向基神經網絡，或BP神經網絡，徑向基神經網絡收縮速度快，不容易陷入局部極小值，在解決分類時和般優越于BP神經網絡，如果無法得到導師信號，則可采用自組織神經網絡SOM網絡，通常SOM也可以用在徑向基神經網絡的選用中心向量問題上。

參考文獻：

[1] 韓力群.人工神經網絡理論、設計及應用[M].2版.北京:化學工業出版社,2007.

第6篇：神經網絡算法的優缺點范文

關鍵詞：模擬電路；故障診斷；模糊數學；BP網絡；模糊BP網絡

0引言

電路故障是指在規定的條件下，電路工作時它的一個或幾個性能參數不能保持在要求的上、下限之間，其結構、組件、元器件等出現性能減退、老化、破損、斷裂、擊穿等現象，喪失了在規定條件和環境下完成所需功能的能力。

長期以來，學界對模擬電路工作特點的研究已相當深入，但對于故障診斷方法的研究卻困難較大，這是由于模擬電路本身的特性決定的：1）輸入激勵和輸出響應都是連續量，模擬電路中的故障模型復雜，量化難度大；2）模擬電路信號量程寬，不管電壓、電流的量程還是頻率都可達十幾個數量級，測量難度大；3）模擬電路中的元器件參數具有容差，導致電路的故障狀態的模糊性，而無法準確定位；4）模擬電路中存在廣泛的反饋回路和非線性問題，使計算的難度更加復雜。因此，學界提出了許多模型和方法來完成對某些符合特定條件的模擬電路的故障診斷。其中神經網絡法的使用就相當普遍，在硬和軟故障診斷中都有應用，因為神經網絡的技術優勢針對模擬電路故障診斷有較好的適用性，這主要體現在：1）神經網絡的大規模并行處理特點，大大提高了診斷效率；2）自適應與自組織能力使神經網絡在學習和訓練中改變權重值，發展出新的功能。同時，模糊數學也與神經網絡相結合，這是利用了模糊數學對待診斷模擬元器件的故障不確定性進行量化處理，能夠有效克服模擬電路元器件因為容差、非線性及噪聲造成的電路參數模糊性。

本文的研究目的就是分別利用單純BP神經網絡和模糊BP神經網絡的方法建立模擬電路故障診斷模型，利用電路仿真收集電路不同工作狀態下的關鍵點電壓，代入診斷模型并得到診斷結果。根據各網絡的結果分析比較各診斷模型的優缺點，找出模糊數學對改進模擬電路故障診斷模型的具體表現。

1模糊神經網絡的故障診斷模型

1.1典型模糊神經網絡診斷模型介紹

圖1顯示的是一個典型的模糊神經網絡模型，該模型由原始知識獲取（Fundamental Knowledge Acquire，FKA）、特征參數處理（Characteristic Parameter Produce，CDP）、知識提?。↘nowledge Extracted，KE）、經驗知識庫（Experience Knowledge Base，EKB）、學習樣本集（Learning Sample Set，LSS）和模糊神經網絡（Fuzzy Neural Networks，FNN）共6個模塊共同組成，其工作流程是：

圖1 典型模糊神經網絡診斷模型

1）原始知識獲取模塊通過對電路工作原理進行分析，模擬或仿真各類故障發生時輸入和輸出參數，從而獲取原始知識（X，Y），將其傳入知識提取模塊中供系統學習，所得經驗集存入經驗知識庫中；

2）將原始知識和已經存放在經驗知識庫中的經驗知識（初始庫可為空）一起輸入學習樣本組織模塊中，進行學習樣本的構建，合成訓練樣本集為（X1，Y1）；

3）將（X1，Y1）輸入到模糊神經網絡模塊，學習訓練，并在達到指定精度后停止；

4）將從模擬電路中獲得的實測參數Xc輸入至特征參數提取模塊中，完成數據分析和處理，輸出特征參數數據Xc'；

5）將特征參數數據輸入到學習收斂后的模糊神經網絡中，進行診斷推理，得出診斷結果Yc'；

6）將得到的實測數據集（Xc'，Yc'）輸入學習樣本組織模塊，動態增強模糊神經網絡的自適應能力；

7）將得到的實測數據集（Xc'，Yc'）輸入知識提取模塊，進行分析和處理，如能提取出經驗知識，則歸入經驗知識庫中[1]。

1.2模糊神經網絡結構

模糊神經網絡的結構應該包括4層，如圖2所示。

模糊層的作用是將輸入量進行模糊化。每一個模糊層節點對應一個該論域中的模糊子集和隸屬函數。該層接收精確數值輸入，經過模糊化計算得出對應的隸屬度并輸出。

圖2 模糊神經網絡結構圖

輸入層、隱含層和輸出層共同構成一個完整的神經網絡。輸入層不具有運算功能，它只是將所感知的輸入值精確傳遞到神經網絡中；隱含層的作用相當于特征檢測器，提取輸入模式中包含的有效特征信息，使輸出層所處理的模式是線性可分的，該層節點是模糊神經元，與輸入層間的連接權值是隨機設定的固定值；輸出層節點也是模糊神經元，與隱含層之間采用全連接方式，其連接權值是可調的，作用是輸出用模糊量表示的結果[2]。

1.3輸入層、輸出層和隱含層節點數確定

輸入層的個數代表了電路故障診斷的關鍵測試點的個數N1，輸出點為電路所具有的潛在故障模式種類數N3。

根據輸入層和輸出層的個數，隱含層節點數N2的確定有以下4種經驗公式[3]：

（1）

（為0～10之間的常數）（2）

（為0～10之間的常數）（3）

（4）

2模糊數學和神經網絡的算法介紹

2.1模糊數學和隸屬度函數

模糊數學的作用是對測試點測得的電壓信號進行特征提取——模糊化處理。因為在模擬電路測試中，參數值會隨著故障原因的不同和故障階段不同而發生變化，所以在進行數據處理時常用方法是使用精確事實規則。即用正態分布函數作為隸屬度函數表示“大約為a”的模糊概念，此外還有如三角分布和梯形分布等[4]。在使用中，正態分布使用較多，其中的a是該測試點的理想狀態工作點，b為該測試點在各種可能狀態下的工作電壓均方差。

2.2BP神經網絡與算法

圖3BP神經網絡模型結構圖

反向傳播網絡（Back-Propagation Network，簡稱BP網絡），是一種有隱含層的多層前饋網絡。每一層均有一個或多個神經元節點，信息從輸入層依次經各隱含層向輸出層傳遞，層間的連接關系強弱由連接權值W來表征。BP算法是一種監督的學習，基本原理是梯度最速下降法，中心思想是調整權值使網絡總誤差最小。通過連續不斷地在相對于誤差函數斜率下降的方向上計算網絡權值和偏差值的變化而逐漸逼近目標的。每一次權值和偏差的變化都與網絡的誤差的影響成正比，并以反向傳播的方式傳遞到每一層。BP網絡模型結構如圖3所示。

以BP神經網絡模型結構圖為例進行BP算法推導，其輸入為P，輸入神經元有r個，隱含層內有s1個神經元，激活函數為F1，輸入層內有s2個神經元，對應的激活函數為F2，輸出為A，目標矢量為T。

1）隱含層輸出：（i=1，2，…，s1）（5）

2）輸出層輸出： （k=1，2，…，s2） （6）

3）定義誤差函數：（7）

4）輸入層的權值變化量：（8）

其中：

同理可得：（9）

5）隱含層權值變化有： （10）

其中：

同理： （11）

BP網絡經常使用的是S型的對數、正切激活函數或線性函數[5]。

3電路故障診斷算法驗證

圖4 共集-共射電路的直流通路圖

例：如圖4所示的直流通路圖，電阻的標稱值如圖中所注。利用Multism軟件在直流狀態下進行多次Monte Carlo分析仿真該電路[6]，并考慮電阻的容差影響，取40個樣本作為模糊神經網絡的訓練樣本，另取5個樣本為測試樣本。設電阻R1～R5的容差值為-5%～5%。測試點選為A、B、C、D和E五點，所測電壓值為VA、VB、VC、VD和VE。

表1 部分電路實驗樣本原始數據

表2 測試樣本原始數據

表1列舉了40組電路實驗樣本原始數據的11組，包含了該電路在11種工作狀態下的五個關鍵點電壓值，所以N1=5，N2=11，隱含層的節點數可以依據公式2.3確定為12個，其中a為5。

表2則列舉了5組測試樣本的原始數據。

步驟一：數據模糊化

根據用正態分布函數作為隸屬度函數表示“大約為a”模糊概念的思路，可以分別得到各測試點上電壓隸屬度函數的參數值。

a1=5.57、a2=4.97、a3=4.9、a4=5.7和a5=5.69以及b1=4.3729、b2=4.4817、b3=3.9091、b4=4.2870和b5=3.7944。

由各測試點的隸屬度函數可得到網絡的訓練樣本見表3。

表3 神經網絡部分輸入、輸出訓練樣本

步驟二：將訓練樣本輸入神經網絡進行訓練

將全部40個原始值和模糊化值的輸入樣本和對應的輸出樣本分別輸入BP神經網絡中進行訓練。

步驟三：將測試樣本輸入神經網絡進行檢測

將全部5個原始值和模糊化值的輸入樣本和對應的輸出樣本分別輸入已經訓練好的BP神經網絡中，輸出診斷結果見表4。

表4 輸出診斷結果

表4中的數據是經過故障診斷后得到的結果，在此只是各隨機選用了一組數據加以比較說明。通過對故障診斷的試驗觀察和結果的比較可以作出以下分析。

1）模糊化數據能夠有效減少神經網絡的收斂次數。如在BP網絡診斷中，使用模糊化數據的迭代次數由886減少到263次，收斂速度明顯加快；

2）模糊化數據能夠有效提高神經網絡訓練的效果。通過表4中數據的對比可以發現對于相同的神經網絡，經過模糊化數據的訓練，其準確性更高。這主要表現在電路所對應的狀態結果普遍高于未經模糊化數據訓練的網絡得出的結果；同時，其他狀態對應的機率更低，皆低于0.1，且更多值為0，說明數據模糊化能使神經網絡的診斷結果更集中，正確率更高，有效性更加明顯。

4結論

通過分別采用BP網絡和模糊BP網絡建立了電路故障診斷模型，對電路相同工作狀態參數的診斷結果進行比較，得出了模糊數學對提高電路故障診斷模型精度和有效性效果明顯的結論。模糊數學和神經網路理論的組合有效地提高了模擬電路故障診斷模型的收斂速度，提高了故障診斷的工作效率，還提高了診斷的準確性，有效性得到了充分顯示。

參考文獻

[1] 呂律，魏蛟龍.基于模糊神經網絡的板級電路故障診斷研究[J].計算機與數字工程，2003（3）:21-23.

[2] 李國勇.智能預測控制及其MATLAB實現[M].北京:電子工業出版社，2010.

[3] MATLAB中文論壇.MATLAB神經網絡30個案例分析[M].北京:北京航空航天大學出版社，2010.

[4] 朱大奇.電子設備故障診斷原理與實踐[M].北京:電子工業出版社，2004.

第7篇：神經網絡算法的優缺點范文

關鍵詞：數字PID；超調控制

中圖分類號：TP273 文獻標識碼：A 文章編號：1674-7712 （2013） 24-0000-01

PID控制因其具有結構簡單、穩定性好、可靠性高等優點，而被廣泛應用在工業控制領域。但是，現代的工業控制過程中，許多被控對象機理復雜，具有嚴重的非線性、時變不確定性和純滯后性，采用傳統PID控制不能達到理想的控制效果，這種情況下，智能PID控制應運而生。

一、傳統PID控制

（一）控制原理

PID控制規律是比例（P）、積分（I）和微分（D）控制，根據系統的產生誤差，利用比例（P）、積分（I）和微分（D）算法，計算出控制調節量進行控制的。

（二）PID控制的特點

1.比例（P）控制

比例（P）控制是最基本、也是最簡單的控制方式，控制器的輸出信號成比例反映輸入信號。只要系統有誤差，控制器就會起控制作用，減小系統的穩態誤差。比例系數KP決定比例控制的強弱，增大KP能提高系統開環增益，提高系統的控制精度，但是KP過大，又會降低系統的相對穩定性，甚至導致閉環系統不穩定。

2.積分（I）控制

積分（I）控制的輸出與輸入誤差的積分成正比關系。對于有差系統，要消除穩態誤差，就必須在控制器中加入積分項，積分項隨著時間的增加而加大，使系統的穩態誤差進一步減小，直到為0，消除穩態誤差。通常，積分（I）控制的主要作用使系統沒有穩態誤差，但是積分作用會產生相位滯后，因此如果積分作用太強，會使被控系統的穩定性變差。

3.微分（D）控制

微分（D）控制的輸出與輸入誤差的微分成正比關系。微分（D）控制能夠反映誤差的變化率，只要系統有誤差，而且誤差隨時間變化時，控制器對誤差進行微分，提前抑制誤差，避免被控系統產生過大的超調量。但是對于無變化或是變化緩慢的控制對象，微分（D）控制不起作用。

由于比例（P）控制、積分（I）控制和微分（D）控制都有優缺點，因此，在工業控制系統中，多采用組合控制―PI、PD或是PID控制?？刂破鞲鶕豢貙ο蟮奶匦?，調整PID的三個參數，使系統達到滿意的控制效果。

（三）控制算法介紹

計算機PID控制系統中使用數字PID控制器。目前經常使用的有位置式PID控制算法、增量式PID控制算法。（1）位置式PID控制算法。該算法的優點是原理簡單、使用方便；不足是對e（k）的累加增大了計算機的存儲量和運算的工作量；u（k）的直接輸出易造成執行機構的大幅度變化。（2）增量式PID控制算法。該算法的優點是：只計算增量，計算精度對控制量的影響較?。徊粚ζ罾奂?，不易引起積分飽和；得出的是控制量的增量，誤動作影響小；易于實現手動到自動的無沖擊切換。缺點是有靜態誤差、積分截斷效應大、溢出影響大。

二、智能PID控制

傳統PID控制算法簡單，調整參數方便，且具有一定的控制精度，所以在生產實際中，有95%以上的工業控制使用PID控制。但是，隨著工業控制系統的越來越復雜，傳統PID控制器的弊端也越來越明顯。比如，傳統PID控制只有用在時不變系統時，才能達到滿意的效果；對于非線性或是不確定性系統，則可能致使系統性能變差甚至造成系統的不穩定。因此，工程技術人員在使用傳統PID控制的同時，也對其進行了多種改進，其中，智能PID控制器就是眾多控制系統中較為典型的新一代控制器。

智能PID控制是以傳統PID控制為核心，應用智能控制技術研發的新型控制器。具備兩者的優點，既具有傳統PID控制器結構簡單、可靠性高和整定方便的特點，又具備智能控制系統自學習、自適應、自組織的功能，能夠在線調增PID控制器的三個參數，以適應過程參數變化。

智能PID控制根據智能技術的類別主要分為三類：專家PID控制、模糊PID控制、神經網絡PID控制。下面主要介紹一下幾種智能PID控制器的特點。

（一）專家PID控制

專家PID控制的實質是通過人工智能技術組織和利用被控對象和傳統PID控制規律的專家知識，求得被控系統盡可能的實用化和優化。專家PID控制采用傳統PID控制形式，根據專家知識和經驗，在線調整PID三個參數，使響應曲線達到某種最佳響應曲線。專家PID控制具有良好的控制特性，能應付控制過程中出現的不確定性。但是，專家PID控制，進行實時自適應控制的依據是專家知識或是大量經驗。因此，獲取專家知識和總結實驗經驗尤為重要，是設計控制器的重點也是難點。

（二）模糊PID控制

模糊PID控制器優點是不需要被控對象的數學模型，而是依據現有的控制系統知識，運用模糊控制方法建立控制決策表，由該表決定控制量的大小。模糊PID控制既具備模糊控制靈活和適應性強的特點，又具備傳統PID控制器結構簡單、精度高的優點。模糊PID控制系統的控制效果在于如何建立模糊控制器規則和確保模糊關系的真實性，但是建立模糊規則通常帶有主觀性，這就一定會影響到系統的動態特性，因此，一些學者在模糊控制器設計中增加自學習的功能，使系統能夠自我完善。

（三）神經網絡PID控制

基于神經網絡的PID控制與模糊PID控制和專家PID控制不同，是直接利用神經網絡作為控制器。神經網絡作為在線估計器，控制信號由常規控制器發出。首先，神經網絡通過學習算法進行離線學習，然后介入控制系統，間接地調整PID參數，給出最佳控制規律下的PID控制器的參數，同時，繼續自學習，根據受控對象不斷變化調整神經網絡的權系數，獲得最理想的控制效果。

不論是何種智能控制PID控制方式都是基于傳統PID控制基本原理，將智能控制技術與傳統PID控制結合，直接或間接地動態整定PID參數，使控制達到更優的效果。

三、結束語

智能控制理論研究的深入，必將帶動智能PID控制器的研發，從而完善PID控制性能，提高控制效果。

參考文獻：

[1]石辛民，郝整清.模糊控制及其Matlab仿真[M].北京：清華大學出版社，2008.

第8篇：神經網絡算法的優缺點范文

關鍵詞：發動機；智能故障診斷；人工神經網絡

中圖分類號：U472.4 文獻標識碼：A 文章編號：1006-8937（2013）06-0006-02

發動機是汽車的動力源，是一個復雜的系統，其與汽車的一些基本技術性能都有著直接或間接的聯系。由于工作條件不穩定，部分零件運行環境惡劣，汽車發動機故障在汽車全部故障占據著一個較大的比重，而發動機一旦發生故障不僅會影響自身性能，還會對汽車其他結構性能帶來影響，造成較大的損失，嚴重時還可能造成人身傷亡，因此對發動機故障的及時診斷和排除十分重要。智能故障診斷技術是伴隨著安全生產要求的不斷提高和計算機技術、智能技術等現代先進技術的發展而產生發展起來的，其被應用于機械設備的故障診斷中，極大地提高了故障診斷水平，對保證機械安全可靠性有著十分重要的意義。隨著汽車制造技術的發展，發動機的結構也越來越復雜，其故障的準確判斷也更為困難，在此形勢下，利用智能故障診斷技術開發汽車發動機智能故障診斷系統對減少汽車安全事故發生率，降低損失有著十分重要的現實意義。

1 智能故障診斷

故障診斷是指在實際工作中針對系統、設備運行過程中的異常情況，利用各種檢查和檢測的方法，對系統和設備進行檢測，查看系統或設備是否存在故障，并進一步確定出故障所在部位的過程，智能故障診斷是借助智能技術，根據系統設備運行中的技術參數和物理現象等對系統、設備的運行情況進行判斷，并根據故障的特征對故障信息作出評估，進而判斷出故障發生的原因和部位的一種故障診斷方法。

智能故障診斷主要有故障檢測與診斷和故障容錯控制兩個部分，其系統主要包括人機接口、知識庫和數據庫、機器學習、診斷信息獲取、診斷推理以及解釋機構等幾主要的功能模塊，其一般結構如圖1所示。

在實際工作的過程中，通過建立系統設備運行的技術參數和物理現象等知識庫和數據庫，利用機器學習模型對其進行樣本訓練和學習，在獲取系統設備運行的信息后，診斷模塊根據訓練學習的相關知識對信息作出診斷，并將診斷的過程和結果通過解釋機構模塊反映給用戶，從而幫助用戶了解診斷對象的具體運及故障情況，及時處理故障，保障系統和設備正常運行。

2 汽車發動機智能故障診斷

2.1 汽車發動機智能故障診斷方法

汽車發動機結構的復雜化使得發動機故障診斷更困難，開發智能故障診斷系統也成為其發展的必然要求。汽車發動機智能故障診斷技術主要有基于人工智能的故障診斷和基于數學模型的故障診斷兩種，具體劃分起來有基于數學模型、基于參數估計、基于信號處理、基于知識、基于實例、基于模糊理論和基于神經網絡的故障診斷等多種方法。

在智能化故障診斷系統中，其智能化的水平與機器學習能力的關系十分密切，通常機器學習的能力越強，其智能故障診斷的能力也就越高。因此選擇合理的數學模型對系統進行訓練十分重要。

2.2 基于神經網絡的汽車發動機智能故障診斷系統

人工神經網絡是一種應用類似大腦神經突觸聯結的結構進行信息處理的數學模型，是由大量的節點（神經元）和之間相互聯接構成的一種運算模型，其是基于現代神經科學的研究成果建立起的非線性、非局限性、非常定性和非凸性的自適應信息處理系統，能通過模擬大腦神經網絡處理、記憶信息的方式進行信息處理。具有部分神經元損壞時不影響系統整體性能、輸入信息模糊、殘缺或變形時能通過聯系恢復完整記憶，對不完整的信息進行正確的識別，給出次優的逼近解，是機器學習較為常用的一種數學模型。人工神經網絡又有著MLP（Multi-layer Perceptron，多層感知器）模型、Hopfield模型、BP（Back-propagation Network）模型等多種不同的模型，其中以BP網絡模型應用最為廣泛。利用人工神經網絡模型建立的汽車發動機故障診斷系統結構如圖2所示。

BP網絡是一種按照誤差逆傳播算法訓練的多層前饋網絡，其結構包括輸入層、隱層和輸出層三層，其不需要事前揭示輸入—輸出模式映射關系的數學模型即能學習和存貯大量的映射關系，使用的最速下降法能通過反向傳播來調整網絡權值和閥值，使網絡誤差平方和最小，但并不能保證誤差平面的全局最小值，另外還存在著網絡收斂速度較慢，訓練時間長，學習和記憶不穩定等問題，而由于遺傳算法具有全局搜索的特性，切搜索不依賴梯度信息，也不需要求解函數可微，能夠較好地補充BP網絡的不足，因此可以利用其對系統進行優化。

汽車發動機的故障診斷主要是依據發動機的振動信號進行的，在實際應用的過程中，可以信號的特值和速度作為神經網絡的輸入單元，輸出單元為發動機的工況代碼，通過調入學習特征向量和教師向量，利用遺傳算法對網絡結構和權值進行優化，利用函數對網絡進行訓練計算出網絡輸出后，完成輸入層到輸出層單元的映射，進而完成智能診斷，其智能診斷的流程如圖3所示。

3 結 語

發動機是汽車的核心部件，其運行的安全可靠與否直接影響著汽車的正常安全使用，因此，利用智能診斷診斷技術建立起汽車發動機智能故障診斷系統根據發動機的振動信號，分析、診斷發動機故障，有著十分重要的現實意義。汽車發動機智能故障診斷有多種方法，各種方法都有著各自的優缺點，在實際應用過程中，應當綜合利用各種智能技術，對其進行不斷的優化，提高其智能診斷能力，充分發揮出智能診斷技術的優點，以保障汽車的正?？煽渴褂?。

參考文獻：

[1] 徐斌.基于智能診斷技術的發動機故障排查研究進展[J].重慶電子工程職業學院學報，2012，（1）.

[2] 廖中文，楊旭志.汽車發動機故障診斷系統的虛擬樣機硬件研發[J].汽車維修與保養，2012，（4）.

[3] 劉福偉.神經網絡技術及其在發動機故障診斷中的應用[J].工程機械與維修，2006，（6）.

第9篇：神經網絡算法的優缺點范文

關鍵詞：沉降預測；曲線擬合；灰色預測；神經網路.

1 引言

高速公路軟土地基路段的建設過程中,軟土地基的復雜性,為了控制施工進度,指導后期的施工組織與安排,如何利用沉降觀測資料較為準確地推算后期沉降(包括最終沉降)顯得至關重要。本文研究了曲線擬合法、灰色系統法、人工神經網絡法、遺傳算法等多種沉降預測方法的原理及應用,為準確預測高速公路軟土路基的沉降提供一定的參考。

2沉降預測方法

此法采用與沉降曲線相似的曲線對沉降過程進行擬合，再外延推求最終沉降量。包括雙曲線法、星野法、泊松曲線法及Asaoka法等。

2.1 雙曲線法

雙曲線法[1]假定沉降量S與時間t按“沉降平均速度呈雙曲線遞減”的規律變化，其表達式為：

（1）

由上式看出,α和β分別為(t- t0) /(st-s0)―(t-t0)關系圖中的截距和斜率，可用圖解法求出。將得到的α、β和S0、t0代入式(1)，則可求得任意時刻t的預估沉降量S(t)。最終沉降量為：

（2）

基于太沙基一維固結理論，U與T之間應該是指數關系，而雙曲線法簡化了此關系，且可用圖解法簡單易行，適合工程人員用。但此法只能推算地基最終沉降量，難以反映地基固結參數，已有的工程實例表明預測結果比實測值偏大。

2.2對數拋物線擬合法

文獻[2]在路基完建后的沉降-對數坐標系上看出沉降大致由兩部分組成：第一部分可用拋物線擬合；第二（即次固結）部分可由直線擬合。實踐證明，除有機質含量高的土體外，沉降量主要集中在第一部分，表達式為：

（3）

式中A、B、C可用優化法求得。

該法僅需掌握短期觀測資料，便可求得滿足要求的工后沉降量及鋪設路面時的沉降速率。

2.3泊松曲線法

泊松曲線[4]法，亦稱邏輯斯蒂(Logistic)曲線。此曲線開始增長緩慢，中間段增長快，尾端增長趨勢越來越小，這符合飽和粘土的沉降-時間發展關系。表達式為：

（4）

式中：yt―t時刻對應的預測值（長度單位）；

t―時間；

a―待定參數且為正，無量綱；

b―待定參數且為正，單位為時間的倒數；

k―待定參數且為正，單位與yt相同。

利用時間序列求出上3個參數即可建立泊松方程，從而可對今后的yt進行預測。

該法能很好地反映全過程的沉降量與時間的“S”形關系，且能通過觀測過程中的點（包括施工過程和運營過程）不斷的進行預測和調整預測。

2.4 Asaoka法

Asaoka法亦稱圖解法[3]，以一維豎向固結理論為基礎，簡化預測方程為：

（5）

式中：S―固結沉降量；

a、b―取決固結系數和土層邊界的常數。固定邊界條件下上式的解為：

（6）

此法可計算固結系數及最終沉降，當固結度達到60%后，用短期內觀測資料就可得到可靠的沉降推算值。其是過分依賴于時間間隔的劃分。

除了上述常用模型之外，還有指數曲線法(三點法)[1] 、沉降速率法[3] 與星野法[3]等，限于篇幅，筆者在此不再贅述。

2.5 灰色模型

沉降過程難以作精確描述，通過觀測得到的較少信息，運用灰色系統理論，把路基沉降過程看成一個灰色系統，建立所需微分方程的動態模型，以此來分析路堤沉降的發展變化[1]。以GM(1,1)為例，前一個“1”表示階數，后一個“1”表示變量個數，在路基沉降為時間。已知等距時間序列數據：

（7）

式中， ，將式（7）作一次累加（即1-AGO）后，得到序列：

（8）

式中，對S(1)建立白化形式的微分方程：

（9）

方程的解為：

（10）

式中 a，b為待定參數，可通過最小二乘法得到：

（11）

GM(1,1)模型不太適合于對數據序列的長期預測，因此還有改進方法：短期預測宜采用連續型直接數據GM(1,1)模型；沉降中長期預測，宜采用等維新息GM(1,1)模型。此法需要原始數據少，計算簡單，無需因素數據，但其僅限于用時間序列預測，不能反映預測對象在各個發展階段的特征或趨勢。

2.6神經網絡法

神經網絡算法常用BP網絡，即誤差反向傳播算法的學習過程。BP神經網絡模型是所建模型中精度較高的一種，由于其自身良好的學習功能，可通過前饋和反饋的動態連接，對大量的測量樣本進行自我訓練，使得模型具有一定的人工智能水平。BP算法訓練網絡權值，其本質上是一種梯度下降的最小化方法，但有學者研究證明基于梯度下降的BP算法依賴于初始權值的選擇，收斂速度慢且容易陷入局部最優[5]。

實例中：杭甬高速公路，用前250 d 的沉降數據訓練網絡，再用網絡來預測后期沉降；金山油庫，用前69 d 的沉降數據訓練網絡，再用網絡來預測后期沉降，可以發現：用前期數據訓練網絡，再用訓練好的網絡來預測后期沉降，預測值與實測值吻合較好，可以達到預期效果[6]。

3.結論