神經網絡的優(yōu)化方法精選(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的優(yōu)化方法主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：神經網絡的優(yōu)化方法范文

關鍵詞： 神經網絡；模擬電路；故障智能診斷

Applications of Neural network in analog circuit fault intelligent diagnosis

Huang Qian1 ，Lu Li2

Nanchang institute of technology JiangXi NanChang 330029

Abstract： The article mainly describe development course of neural network simulation circuit and the common method of fault diagnosis of simulation power based on neural network at this stage， the focus analysised BP neural network fault dictionary method and the SOM neural network fault dictionary method and respective of calculation method， and basic thought， and technology difficulties analysis， discussed application problem of neural network method in in analog circuit fault intelligent diagnosis， last talk about development trend of simulation circuit neural network diagnosis method.

Keyword： Neural network；Analog circuits；Intelligent fault diagnosis

引 言

隨著神經網絡等人工智能技術的發(fā)展， 模擬電路故障診斷的研究又開辟了一條新路， 基于神經網絡的模擬電路故障診斷方法已經成為新的研究熱點。20世紀80年代末期起有學者研究將人工神經網絡應用到模擬電路的故障診斷中，現階段已經提出多種基于神經網絡的模擬電路故障診斷方法，有些方法如BP（ Error Back Propagation Network）神經網絡故障字典法已經能有效應用于濾波電路、模擬放大電路等非線性容差電路的故障診斷， 效果優(yōu)于傳統(tǒng)的故障字典法。

1神經網絡故障字典法

神經網絡故障字典法把模擬電路的故障診斷看成是一個分類問題， 利用神經網絡的分類功能來診斷故障。在測前把神經網絡訓練成一部故障字典， 字典的信息蘊含在網絡的連接權值中， 只要輸入電路的測量特征， 就可以從其輸出查出故障。

1.1 BP 神經網絡故障字典法

BP 是一種多層網絡誤差反傳學習算法。

1）初始化，隨機給定各連接權[w]，[v]及閥值θi，rt。

（2）由給定的輸入輸出模式對計算隱層、輸出層各單元輸出

式中：bj為隱層第j個神經元實際輸出；ct為輸出層第t個神經元的實際輸出；wij為輸入層至隱層的連接權；vjt為隱層至輸出層的連接權。

式中：dtk為輸出層的校正誤差；ejk為隱層的校正誤差。

（3）計算新的連接權及閥值，計算公式如下：

（4）選取下一個輸入模式對返回第2步反復訓練直到網絡設輸出誤差達到要求結束訓練。

應用BP 神經網絡故障字典法進行模擬電路故障診斷步驟如下：

（1）確定待測電路的故障集和狀態(tài)特征參量， 采用電路仿真或實驗的方法獲取電路每一故障狀態(tài)下的狀態(tài)特征數據， 經篩選和歸一化處理后構造訓練樣本集。設計BP 神經網絡并進行訓練。

（2）用訓練樣本集中的樣本訓練好網絡， 即完成學習的過程。一般采用3 層BP 神經網絡， 輸入層節(jié)點數與電路狀態(tài)特征參量的維數相同， 輸出層節(jié)點數可與電路待測故障類別數相同，也可小于待測故障類別數， 隱層節(jié)點數則需按經驗公式試湊。實際診斷時給被測電路加相同的測試激勵， 將測得的實際狀態(tài)特征參量輸入到訓練好的BP 神經網絡， 則其輸出即可指示相應的故障狀態(tài)。

1.2 SOM神經網絡故障字典法

SOM （Self - organizing Feature Map）神經網絡是芬蘭教授Kohonen于1981 年提出的一種自組織特征映射神經網絡。這種自組織特征映射神經網絡通過對輸入模式的反復學習，使連接權矢量空間分布密度與輸入模式的概率分布趨于一致， 即連接權矢量的空間分布密度能反映輸入模式的統(tǒng)計特性。

SOM二維網絡拓撲結構圖

SOM 網絡能對輸入模式自動分類，通過輸入模式的自組織學習， 在競爭層將分類結果表示出來。應用SOM 神經網絡建立模擬電路故障診斷字典的具體步驟如下：

（1）確定電路的故障集和激勵信號。通過仿真獲取電路在每一故障狀態(tài)下的狀態(tài)特征向量， 并進行預處理得到訓練樣本數據。

（2） 確定SOM 網絡結構。 SOM 網絡只有輸入層和輸出層兩層， 沒有隱層，輸入層的形式與BP 網絡相同， 其結點數應與電路狀態(tài)特征向量的維數相同。輸出層即競爭層的神經元一般采用二維平面陣結構排列， 也可采用一維線陣或三維柵格陣的結構排列。采用一維線陣時， 輸出層結點數可與電路的故障類別數相同。

（3）經過SOM 訓練形成具有容差的故障字典。SOM 網絡的學習算法可采用標準的Kohonen 算法?？梢钥闯?， SOM 網絡法與BP 網絡法構建故障字典的方法步驟完全相似，SOM 網絡法一般適用于交流電路， 以電路響應的頻域參量為狀態(tài)特征，它能更有效地克服容差因素對故障定位的影響，SOM 網絡法實際診斷時容易出現模糊故障集， 診斷過程要比BP網絡法復雜。

1.2神經網絡故障字典法難點

同經典的故障字典法相比， 神經網絡故障字典法突出的優(yōu)點是測后診斷速度快，實時性強，其原因是該方法利用了神經網絡高度并行的信息處理能力。經典的故障字典法需要進行繁瑣的模糊集分割處理， 且一般只能診斷硬故障。而神經網絡故障字典法由于神經網絡的泛化能力，可以診斷容差模擬電路， 而且對軟故障情況也有很好的應用前景。應用該方法難點包括以下幾個方面：

（1）神經網絡的結構和參數等只能依據經驗反復調試， 難以確定所設計的神經網絡是最優(yōu)的。

（2）數據預處理技術和訓練樣本集的篩選至關重要，神經網絡故障字典法的診斷效果主要依賴于此。如何根據實際電路對原始數據進行預處理以突出故障特征信息及如何優(yōu)選訓練樣本。

2 神經網絡優(yōu)化診斷法

傳統(tǒng)的優(yōu)化診斷法依據被測電路的解析關系， 按照一定的判據（目標函數） ， 估計出最有可能出現故障的元件。優(yōu)化診斷法是一種測后模擬的逼近法， 可在較少的測量數據下診斷故障，避免元件的容差問題， 可以診斷軟故障和多故障但傳統(tǒng)優(yōu)化診斷法存在一個復雜的重復過程， 需要多個優(yōu)化過程和多次電路模擬， 測后計算量很大。

神經網絡優(yōu)化診斷法對傳統(tǒng)方法進行改進， 利用Hopfield 神經網絡的優(yōu)化計算功能尋優(yōu)， 克服了傳統(tǒng)的優(yōu)化診斷方法測后計算量大、實時性差的缺點。由于該方法最終是通過求解元件參數或參數增量來判定故障元件的。

神經網絡優(yōu)化診斷法的基本思想是將模擬電路的故障診斷方程轉換為帶約束條件的優(yōu)化問題， 然后利用Hopfield 神經網絡進行優(yōu)化問題的求解。將優(yōu)化問題映射到一種神經網絡的特定組態(tài)上， 此組態(tài)相應于優(yōu)化問題的可能解， 然后再構造一個適合于待優(yōu)化問題的能量函數（對應于目標函數）， 當Hopfield 神經網絡從某一初始狀態(tài)沿著能量函數減小的方向運動， 其穩(wěn)定平衡解即對應于優(yōu)化問題的解。對于線性電阻電路， 可以以元件參數增量和可測節(jié)點電壓變化量建立故障診斷方程， 該診斷方程通常為一組欠定方程。

應用Hopfield 神經網絡求解此類帶約束條件的優(yōu)化問題的步驟如下：

（1）分析問題： 分析網絡輸出與問題的解相對應。

（2）構造網絡能量函數： 將實際待解決優(yōu)化問題的目標函數表達成能量函數的相應形式， 能量函數最小值對應問題最佳解。

（3）設計網絡結構： 將能量函數與目標函數相比較， 求出能量函數中的權值和偏流。

（4）運行網絡求出穩(wěn)定平衡態(tài)： 由網絡結構建立網絡的電子線路， 運行該電子線路直至穩(wěn)定， 所得穩(wěn)態(tài)解即為優(yōu)化問題所希望的解。

3 其它神經網絡故障診斷法

ART （Adaptive Resonance Theory）神經網絡故障診斷法。ART 神經網絡是一種基于自適應共振理論ART的學習算法， 包括ART1 型、ART2 型和ART3 型三種結構形式。文獻三中的作者探討了一種采用ART1 型神經網絡進行模擬電路故障診斷的方法，將電路的各種故障分出層次，并按一定特征給故障類型進行編碼形成故障數據樣本，將故障數據樣本輸入ART1型神經網絡進行訓練， 訓練完成后該ART 網絡即可用于診斷。ART最大的特點是既能識別已有的故障模式， 又能較好地診斷新發(fā)故障?；谏窠浘W絡的網絡撕裂法。網絡撕裂法是一種大規(guī)模模擬電路分層診斷的方法， 將網絡撕裂法與神經網絡故障字典法相結合就形成基于神經網絡的網絡撕裂法。

ART的基本思路是， 當電路網絡分解到一定程度后， 電路子網絡繼續(xù)分解往往越來越困難， 這時可以引入神經網絡故障字典法， 分別為每一電路子網絡構建一個神經網絡， 則電路子網絡級的診斷采用神經網絡故障字典實現。

與傳統(tǒng)的網絡撕裂法相比， 該方法測后工作量小， 診斷過程更加簡單，診斷速度加快?；谏窠浘W絡求解非線性方程的模擬電路故障診斷方法。

4 模擬電路神經網絡診斷法發(fā)展趨勢

近年來， 一個值得重視的現象是神經網絡與專家系統(tǒng)、模糊控制、遺傳算法和小波分析等技術相結合應用于模擬電路的故障診斷領域的研究。如神經網絡與模糊邏輯理論相結合， 即所謂的“模糊神經網絡”用于模擬電路的故障診斷， 其基本思想是在BP 神經網絡的輸入層與輸出層中間增加1到2 層模糊層構造模糊神經網絡，利用神經網絡處理低層感知數據， 利用模糊邏輯描述高層的邏輯框架，其對模擬電路軟故障的診斷效果優(yōu)于單一的神經網絡分類器。又如小波分析與神經網絡結合應用于模擬電路的故障診斷。

小波與神經網絡的結合有以下兩個途徑：

（1） 輔助式結合， 比較典型的是利用小波分析對信號進行預處理， 然后用神經網絡學習與判別。

（2）嵌套式結合， 即把小波變換的運算融入到神經網絡中去， 其基本思想是用小波元代替了神經元，即激活函數為已定位的小波函數基， 通過仿射變換建立小波變換與神經網絡的聯(lián)接，小波神經網絡由于把神經網絡的自學習特性和小波的局部特性結合起來，具有自適應分辨性和良好的容錯性。

參考文獻

[1] 王顯強.談談神經網絡在模擬電路故障診斷中的應用問題[J]

電路技術.2012（06）

[2] 劉華.基于神經網絡的模擬電路故障診斷方法研究[J]微電子學報.2010（03）

[3]董偉.談ART1 型神經網絡進行模擬電路故障診斷方式分析. [J]電路科技. 2012（05）

[4]王承. 基于神經網絡的模擬電路故障診斷方案探究.[J]電路科技. 2013（06）

[5]張宇. 基于神經網絡的模擬電路故障診斷方案探究.[J]計算機測量與控制. 2012（07）

[6]王承. 基于神經網絡的模擬電路故障診斷方案探究.[J]電路故障. 2013（02）

[7]劉盛燦. 神經網絡的模擬電路故障的應用.[J]電路科技. 2013（06）

[8] 萬磊.神經網絡在模擬電路故障診斷中的應用若干問題探討[J]

電路技術.2011（08）

[9] 郭明強.神經網絡在模擬電路故障診斷中的發(fā)展歷程分析[J]電路技術.2013（08）

第2篇：神經網絡的優(yōu)化方法范文

安全評價的關鍵與基礎是選取與確立評價的指標體系，它對評價的結果是否符合實際情況至關重要?；て髽I(yè)安全評價指標體系應盡可能反映化工企業(yè)的主要特征和基本狀況。評價過程中指標體系的要素組成非常關鍵，如果選取的要素太多，有可能使評價指標體系更加龐大和冗雜，從而增加評價的困難程度，甚至會使一些重要因素被忽略;如果指標因素太少，則難以較完整地反映被評價系統(tǒng)的客觀實際情況。•33•通過查閱研究某大型煉油化工企業(yè)的相關文獻和資料［4］，由人、機和環(huán)境3個方面構成的系統(tǒng)模型出發(fā)，把生產系統(tǒng)所有重要環(huán)節(jié)包含其中，從而建立出化工企業(yè)的安全評價指標體系如圖1和表1至表4所示。

2化工企業(yè)的遺傳神經網絡安全評價模型

2．1遺傳神經網絡遺傳算法優(yōu)化神經網絡的方法主要有2種:對神經網絡的初始權值和閾值進行優(yōu)化;對神經網絡的結構進行優(yōu)化［5］。本文在保持神經網絡的結構不變的情況下，用遺傳算法對BP神經網絡初始權值和閾值進行優(yōu)化。

2．2遺傳神經網絡評價模型遺傳神經網絡優(yōu)化的數學模型［6］如下:本文構建的遺傳神經網絡模型的運行過程如下:(1)初始化BP神經網絡。(2)把BP神經網絡的全部權值與閾值實數編碼，確定其長度l，確定其為遺傳算法的初始種群個體。(3)設置遺傳算法的相關參數以及終止條件，執(zhí)行遺傳算法;遺傳算法包括對群體中個體適應度進行評價，執(zhí)行選擇、交叉、變異遺傳操作，進化生成新的群體;反復操作至設定的進化代數，最終取得最佳染色體個體。(4)把最佳染色體個體解碼，分解為BP網絡對應的權值、閾值，輸入訓練樣本，利用BP網絡進行訓練。(5)得到訓練好的BP神經網絡，則可輸入實例樣本進行評價。

3遺傳神經網絡評價模型在化工企業(yè)的應用

3．1學習樣本的準備根據前文所確定的評價指標體系和對某大型煉油化工有限公司成氨分廠提供的空氣分離、渣油氣化、碳黑回收、一氧化碳變換、甲醇洗滌、液氮洗滌等工序的安全原始數據，參考文獻中化工企業(yè)安全評價指標取值標準，進行分析和整理，得出11個實例樣本，如表5所示。選擇10個樣本作為遺傳神經網絡的訓練樣本，1個樣本作為測試樣本。

3．2BP網絡結構的確定BP網絡拓撲結構一般是由網絡層數、輸入層節(jié)點數、隱含層節(jié)點數、隱含層數以及輸出層節(jié)點數等來確定。本文建立的遺傳神經網絡模型是根據經驗來確定神經網絡的層數，一般選取BP神經網絡的層數為3層［7］。通過化工企業(yè)安全評價指標的分析，得出BP神經網絡輸入層神經元數目為評價指標的總數12+6+8+5=31。模型最后輸出的結果為綜合安全評價結果，因此，神經網絡的輸出層節(jié)點數確定為1。隱含層中節(jié)點數的范圍通過經驗公式來確定，本文在其確定范圍內選12。依據訓練樣本的規(guī)模，設定學習率為0．1，最大訓練誤差值設為10－5，循環(huán)學習次數為1000次。網絡輸出層為1個節(jié)點，即化工企業(yè)的安全評價結果?；て髽I(yè)安全等級一般分為5級［7］，如表6所示。

3．3遺傳算法優(yōu)化遺傳算法中，參數設定如下:種群規(guī)模設為300，交叉概率設為0．7，進化代數設為100，變異率設為0．05。本文運用MATLAB軟件中的遺傳算法工具箱gads，在GUI操作界面中輸入以上參數，并輸入適應度函數，對神經網絡的權閾值進行優(yōu)化。經過遺傳操作后，運行遺傳算法工具箱，則可得出最佳適應度曲線圖和最佳個體圖(圖2)，得到最佳適應度個體，將其進行解碼，作為該網絡的初始權值和閾值賦給BP神經網絡。

3．4GA－BP神經網絡訓練在MATLAB界面中編程語言，得到輸出向量和網絡均方差變化圖。訓練結果與期望輸出見表7，BP網絡訓練過程如圖3所示。從訓練結果可以看出，該網絡的誤差值不超過10－5，滿足設定要求。用該網絡對實例樣本進行安全評價，得到結果為3．9956，對照安全評價輸出結果等級表為較安全，與目標值吻合。從而訓練后的網絡穩(wěn)定性得到驗證，可以用于化工企業(yè)安全評價。

4結論

第3篇：神經網絡的優(yōu)化方法范文

【關鍵詞】遺傳算法；BP神經網絡；柴油機；故障診斷

柴油機缸蓋振動信號中包含著豐富的工作狀態(tài)信息，在對其現代診斷技術中，基于振動信號分析的診斷方法顯示出了其優(yōu)越性，利用缸蓋振動信號診斷柴油機故障是一種有效方法。故障特征的提取和故障類型的識別是利用振動信號分析法在對柴油機進行故障診斷過程中兩個最為重要的過程。根據提取的故障特征識別柴油機的故障類型是一個典型的模式識別問題，對柴油機故障類型識別采用恰當的模式識別方法就尤為重要。神經網絡作為一種自適應的模式識別技術，其通過自身的學習機制自動形成所要求的決策區(qū)域，而不需要預先給出有關模式的經驗知識和判斷函數；它可以充分利用狀態(tài)信息，對來自于不同狀態(tài)的信息逐一進行訓練而獲得某種映射關系。鑒于其自身特性，在故障模式識別領域中有著越來越廣泛的應用。而據統(tǒng)計，有80%～90%的神經網絡模型都是采用了BP網絡或者是它的變形。BP網絡是前向網絡的核心部分，是神經網絡中最精華、最完美的部分。但是它也存在一些缺陷，例如學習收斂速度、不能保證收斂到全局最小點、網絡結構不易確定。遺傳算法是一種基于生物自然選擇與遺傳機理的隨機搜索算法。其基本操作是選擇、交叉和變異，核心內容是參數編碼、初始群體的設定、適應度函數的設計、遺傳操作設計和控制參數的設定。遺傳算法通過種群隨機搜索，對數據進行并行處理，將結果收斂到全局最優(yōu)解。因此，將遺傳算法與BP神經網絡結合應用于柴油機故障診斷中，可以提高網絡的性能，避免網絡陷入局部極小解，進而實現對設備故障的識別。

1 BP神經網絡

1.1 BP神經元模型在柴油機故障診斷中的應用

BP神經網絡是一種多層前饋型神經網絡，其神經元的傳遞是S型函數，輸出量為0至1之間的連續(xù)量，它可以實現從輸入到輸出的任意非線性映射。由于權值的調整采用反向傳播學習算法，因此也稱為其為BP網絡。

圖1 BP神經元模型

上圖給出一個基本的BP神經元模型，它具有R個輸入，每個輸入都通過一個適當的權值和ω下一層相連，網絡輸入可表示為：

a=f（wp+b）

f就是表示輸入/輸出關系的傳遞函數。

BP神經網絡的結構與所有影響齒輪故障的特征因素有關。柴油機運動部件多而復雜，激勵源眾多且其頻率范圍寬廣，加之噪聲的融入，使得柴油機表面振動信號極為復雜?；谶@種特點，可以確定用于柴油機故障診斷的BP神經網絡的輸入層、輸出層隱含層以及節(jié)點數等。由小波包提取各柴油機故障的特征值作為輸入節(jié)點，輸出節(jié)點數目與柴油機故障類別的數目有關。

1.2 BP神經網絡與遺傳算法

BP神經網絡又稱為反向傳播算法，其算法數學意義明確、步驟分明，是神經網絡中最為常用、最有效、最活躍的一種網絡模型。常用方法梯度下降法和動量法，但是梯度下降法訓練速度較慢，效率比較低，訓練易陷入癱瘓，而且其實質是單點搜索算法，不具有全局搜索能力；動量法因為學習率的提高通常比單純的梯度下降法要快一些，但在實際應用中速度還是不夠；BP神經網絡學習訓練開始時網絡的結構參數是隨機給定的，因此結果存在一定的隨機性。

遺傳算法（Genetic Algorithm，GA）是模擬達爾文的遺傳選擇和自然淘汰的生物進化過程的計算模型，它是由美國密歇根大學的J.Holland 教授于1975年首先提出來的，遺傳算法具有很強的宏觀搜索能力和良好的全局優(yōu)化性能，因此將遺傳算法與BP神經網絡結合，訓練時先用遺傳算法對神經網絡的權值進行尋找，將搜索范圍縮小后，再利用BP網絡來進行精確求解，可以達到全局尋找和快速高效的目的，并且可以避免局部極小點問題。該算法不僅具有全局搜索能力，而且提高了局部搜索能力，從而增強了在搜索過程中自動獲取和積累搜索空間知識及自應用地控制搜索的能力，從而使結果的性質得以極大的改善。

2 基于遺傳算法的BP神經網絡

遺傳算法優(yōu)化BP神經網絡主要分為：BP神經網絡結構確定、遺傳算法優(yōu)化權值和閥值、BP神經網絡訓練及預測。其中，BP神經網絡的拓撲結構是根據樣本的輸入/輸出個數確定的，這樣就可以確定遺傳算法優(yōu)化參數的個數，從而確定種群個體的編碼長度。因為遺傳算法優(yōu)化參數是BP神經網絡的初始權值和閥值，只要網絡結構已知，權值和閥值的個數就已知了。神經網絡的權值和閥值一般是通過隨機初始化為[-0.5，0.5]區(qū)間的隨機數，這個初始化參數對網絡訓練的影響很大，但是又無法準確獲得，對于相同的初始權重值和閥值，網絡的訓練結果是一樣的，引入遺傳算法就是為了優(yōu)化出最佳的初始權值和閥值。

2.1 基于遺傳算法的BP神經網絡在柴油機故障診斷中的應用

通過基于遺傳算法的BP神經網絡建立小波包特征量與故障之間的對應關系。表1為柴油機常見故障在不同頻段的能量分布，構成了人工神經網絡的訓練樣本。表2為網絡輸出樣本，“0”代表沒有故障，“1”代表發(fā)生故障。利用表1中的訓練樣本對基于遺傳算法的BP神經網絡進行訓練，經1000次訓練達到了理想訓練效果。

表1 訓練樣本

表2 網絡理想輸出

表3 待診斷的故障樣本

表4 診斷結果

將表3中的待診斷的故障樣本輸入到已經訓練好的BP神經網絡，得到診斷結果如表4所示。第1組待診斷的信號第1個輸出節(jié)點接近1，可以根據訓練樣本結果判斷該組數據故障為供油提前角晚；第2組待診斷的信號第4個輸出節(jié)點接近1，根據訓練樣本結果可以判斷該組數據故障類型為供油提前角早；第3組待診斷的信號第7個數據節(jié)點接近1 ，可以判斷故障類型為針閥卡死，其診斷結果和現場勘查結果一致。

3 結語

遺傳算法優(yōu)化BP神經網絡的目的是通過遺傳算法得到更好的網絡初始值和閥值。通過以上研究可以看出，遺傳算法和BP算法有機的融合，可以有效地彌補BP神經網絡結構、權值和閥值選擇上的隨機性缺陷，充分利用了遺傳算法的全局搜索能力和BP神經網絡的局部搜索能力，克服了傳統(tǒng)的BP神經網絡柴油機故障診斷的缺點，提高了柴油機故障診斷的精度。

【參考文獻】

第4篇：神經網絡的優(yōu)化方法范文

（四川信息職業(yè)技術學院，四川廣元628017）

摘要：考慮到傳統(tǒng)BP神經網絡在進行P2P流量識別時，具有系統(tǒng)識別速度慢、精度低，神經網絡自身容易陷入局部最小值等問題，使用遺傳算法對BP神經網絡進行優(yōu)化。遺傳算法具有較強的自適應性和魯棒性，因此使用遺傳算法對BP神經網絡的權值和閾值進行優(yōu)化處理，能夠有效提高神經網絡的性能。建立基于遺傳神經網絡的識別系統(tǒng)，采集處理大量樣本數據，對識別系統(tǒng)進行訓練和測試。研究結果表明，基于遺傳神經網絡的P2P流量識別系統(tǒng)具有識別精度高、識別速度快等優(yōu)點，相比傳統(tǒng)BP神經網絡，其識別性能有明顯提高。

關鍵詞 ：遺傳算法；P2P；流量識別；BP神經網絡

中圖分類號：TN711?34；TP393 文獻標識碼：A 文章編號：1004?373X（2015）17?0117?04

隨著計算機科學技術的不斷發(fā)展與進步，P2P技術已經廣泛應用于網絡視頻音頻多媒體播放、網絡文件共享以及數據傳輸等領域，P2P技術不斷吸引了越來越多的網絡用戶、網絡應用服務開發(fā)者以及提供商的目光，各種各樣的基于P2P技術的網絡應用和服務不斷涌現，為人們在網絡中提供了便利。然而，隨著人們享受著P2P技術帶來的各種便利的同時，P2P技術的各種負面效應也隨之而來。目前P2P應用存在對網絡流量消耗巨大，監(jiān)管難度大，以及易于網絡病毒傳播，為網絡帶來安全隱患等問題。因此，對P2P流量的精確識別和監(jiān)測成為了對P2P技術研究的重中之重[1?5]。

1 P2P 流量識別技術

1.1 典型P2P流量識別技術

典型的P2P流量識別技術主要有：基于端口的識別技術、基于深層數據包的識別技術以及基于流量變化特征的識別技術。

基于端口的識別技術是一種應用最早的識別技術，其主要根據早期P2P應用的固定端口進行識別，具有算法簡便，易于實現等優(yōu)點，但是對于現如今復雜的網絡環(huán)境，此種技術已經不再適用[6?7]。

基于深層數據包的識別技術往往因為存在識別滯后、隱私保護以及算法復雜等缺點而得不到廣泛普及應用。

基于流量變化特征的識別技術通過對P2P流量數據進行采集，通過處理數據得到數據流的統(tǒng)計特征，使用統(tǒng)計特征作為機器學習的訓練樣本，得到經過訓練的識別系統(tǒng)。此識別技術具有算法簡便、效率高等優(yōu)點[8?9]。

1.2 基于神經網絡的P2P流量識別技術

BP 神經網絡是一種有督導的智能機器學習算法，已經在機械、計算機、通信等領域得到了廣泛應用，其技術發(fā)展已經相對成熟。將BP神經網絡用于對P2P流量的識別是一種可行有效的識別技術和手段。

然而將BP神經網絡算法用于P2P流量識別雖然克服了傳統(tǒng)識別方法存在的諸多問題，但是由于算法自身特性也隨之帶來了新的問題。

BP神經網絡實際上是梯度下降算法的一種迭代學習方法。由于梯度下降算法要求具有較小的學習速度時才能進行穩(wěn)定的學習，因此其收斂速度較慢。并且，由于BP神經網絡在進行訓練時，會在某點沿著誤差斜面而漸進誤差極值，不同的起點會得到不同的誤差極值和不同的解。因此傳統(tǒng)BP神經網絡具有學習速度慢、抗干擾能力弱以及容易陷入局部最小值等缺點[10?11]。

2 BP 神經網絡和遺傳神經網絡

2.1 BP神經網絡

BP神經網絡結構如圖1所示。通常由輸入層、輸出層和隱含層組成。

4 結論

本文對P2P 流量識別技術進行了深入研究。P2P技術在網絡中已經得到了廣泛應用，其流量在網絡總流量中占有重要地位，因此對其流量進行實時監(jiān)測識別具有重要意義。本文對P2P流量識別技術進行了分析，對使用比較廣泛的BP神經網絡模型進行了深入研究，并針對其缺點，使用遺傳算法進行優(yōu)化，建立基于遺傳神經網絡的P2P流量識別模型。通過實驗采集大量網絡訓練樣本和測試樣本，對建立的識別系統(tǒng)進行測試。測試結果表明，基于遺傳算法的神經網絡的識別速度和識別精度要高于BP神經網絡，具有較高的工程應用價值。

參考文獻

[1] 譚紅春，楊松濤，闞紅星.校園網P2P 流量綜合檢測技術研究[J].長沙大學學報，2015（2）：70?72.

[2] 劉興光.一種混合式BT流量實時檢測方法[J].網絡安全技術與應用，2014（3）：53?55.

[3] 湯偉.基于數據流特征向量識別的P2P 僵尸網絡檢測方法研究[D].青島：中國海洋大學，2014.

[4] 席鵬.基于距離判決算法的P2P流量識別模型研究[D].昆明：云南大學，2013.

[5] 鄧力為.基于遺傳神經網絡的P2P流量檢測研究[D].成都：電子科技大學，2013.

[6] 張龍璨.基于粒子群優(yōu)化半監(jiān)督學習的網絡流量分類方法研究[D].武漢：華中科技大學，2013.

[7] 張瀚.基于DPI技術的P2P流量檢測系統(tǒng)設計[D].北京：北京郵電大學，2013.

[8] 馬容生.基于自適應神經網絡的P2P流量檢測研究[J].通信技術，2012（6）：113?116.

[9] 張瀚，朱洪亮，辛陽.基于DPI 技術的P2P 流量檢測系統(tǒng)設計[J].信息網絡安全，2012（10）：36?40.

[10] 張小敏.基于DPI的P2P流量識別方法研究[D].南京：南京郵電大學，2012.

[11] 周雪蓮.P2P流量應用層實時檢測技術研究[D].長春：吉林大學，2012.

[12] 賀毅朝，宋建民，張敬敏，等.利用遺傳算法求解靜態(tài)與動態(tài)背包問題的研究[J].計算機應用研究，2015（4）：1011?1015.

[13] 王曉瑜，原思聰，李曼.基于自適應蟻群遺傳混合算法的PID參數優(yōu)化[J].計算機應用研究，2015（5）：1376?1378.

[14] 劉奕君，趙強，郝文利.基于遺傳算法優(yōu)化BP 神經網絡的瓦斯?jié)舛阮A測研究[J].礦業(yè)安全與環(huán)保，2015，42（2）：56?60.

[15] 吳連平，楊曉翔.基于神經網絡與遺傳算法的關節(jié)軸承擠壓模具優(yōu)化[J].中國機械工程，2015，26（10）：1351?1355.

[16] 李麟青，楊哲，朱艷琴.一種混合式BitTorrent流量檢測方法[J].計算機應用，2011，31（12）：3210?3214.

第5篇：神經網絡的優(yōu)化方法范文

關鍵詞:神經網絡;BP算法;PID控制;Matlab仿真

中圖分類號:TP274文獻標識碼:A

文章編號:1004-373X(2009)10-143-03

PID Control and Simulation Based on BP Neural Network

WU Wei,YAN Mengyun,WEI Hangxin

(School of Mechanical Engineering,Xi′an Shiyou University,Xi′an,710065,China)

Abstract:The neural network PID control method is introduced,which the parameters of PID controller is adjusted by use of the self-study ability.So the PID controller has the capability of self-adaptation.The dynamic BP algorithms of three-layer networks realize the online real-time control,which displays the robustness of the PID control,and the capability of BP neural networks to deal with nonlinear and uncertain system.A simulation example is made by using of this method.The result of simulation shows that the neural network PID controller is better than the conventional PID controller,and has higher accuracy and stronger adaptability,it can get the satisfied control result.

Keywords:neural network;BP algorithm;PID control;Matlab simulation

0 引 言

在工業(yè)控制中,PID控制是最常用的方法。因為PID控制器結構簡單,實現容易,控制效果良好[1]。隨著工業(yè)的發(fā)展,對象的復雜程度不斷加深,尤其對于大滯后、時變的、非線性的復雜系統(tǒng),常規(guī)PID控制顯得無能為力。因此常規(guī)PID控制的應用受到很大的限制和挑戰(zhàn)。為了使控制器具有較好的自適應性,實現控制器參數的自動調整,可以采用神經網絡控制的方法[2]。

利用神經網絡所具有的非線性映射能力、自學習能力、概括推廣能力,結合常規(guī)PID控制理論,通過吸收兩者的優(yōu)勢,使系統(tǒng)具有自適應性,可自動調節(jié)控制參數,適應被控過程的變化,提高控制性能和可靠性[3]。

1 神經網絡PID控制

神經網絡PID控制是神經網絡應用于PID控制并與傳統(tǒng)PID控制相結合而產生的一種新型控制方法,是對傳統(tǒng)的PID控制的一種改進和優(yōu)化[4]。

1.1 常規(guī)的PID控制器

傳統(tǒng)的PID控制器算式如下:

u(t)=KP[e(t)+(1/T1)∫t0e(t)dt+TDde(t)/dt](1)

相應的離散算式為:

u(k)=KPe(k)+KI∑kj=0e(j)+KD[e(k)-e(k-1)](2)

式中: KP,KI,KD分別為比例、積分、微分系數;e(k)為第k次采樣的輸入偏差值;u(k)為第k次采樣時刻的輸出值。

PID控制器由比例(P)、積分(I)、微分(D)三個部分組成,直接對被控對象進行閉環(huán)控制,并且三個參數KP,KI,KD為在線調整方式。

1.2 神經網絡

BP神經網絡的結構如圖1所示。

BP神經網絡通常采用基于BP神經元的多層前向神經網絡的結構形式。典型的BP神經網絡是3層網絡,包括輸入層、隱層和輸出層,各層之間實行全連接。輸入層節(jié)點只是傳遞輸入信號到隱含層;隱含層神經元(即BP節(jié)點)的傳遞函數f常取可微的單調遞增函數,輸出層神經元的特性決定了整個網絡的輸出特性。當最后一層神經元采用Sigmoid函數時,整個網絡的輸出被限制在一個較小的范圍內;如果最后一層神經元采用Purelin型函數,則整個網絡的輸出可以取任意值。

圖1 三層BP網絡結構圖

設,x1,x2,…,xn為BP網絡的輸入;y1,y2,…,yn為BP網絡的輸出;w1ji為輸入層到隱含層的連接權值;w2ij為隱含層到輸出層的連接權值。

圖1中各參數之間的關系為:

輸入層: xi=xi0

隱含層:

θ1j=∑ni=0w1jixi, x1j=f(θ1j)(3)

輸出層:

θ2i=∑ni=0w2ijxj, x2i=g(θ2i)(4)

BP神經網絡采用誤差的反向傳播來修正權值,使性能指標E(k)=(1/2)\2最小。按照梯度下降法修正網絡的權值:

輸出層:

δ2=e(k)g′\;

w2ij(k+1)=w2ij(k)+ηδ2x1j(k)(5)

隱含層:

δ1=δ2w2ijf′\;

w1ji(k+1)=w1ji(k)+ηδ1x0i(k)(6)

1.3 神經網絡PID控制器結構

基于BP神經網絡的PID控制系統(tǒng)結構如圖2所示。控制器由常規(guī)的PID控制器和神經網絡兩部分組成。PID控制要取得較好的控制效果,必須通過調整好比例、積分和微分三種控制作用,形成控制量中相互配合又相互制約的關系。

常規(guī)的PID控制器直接對被控對象進行閉環(huán)控制,并且其控制參數為KP,KI,KD在線調整方式。神經網絡根據系統(tǒng)的運行狀態(tài),調節(jié)PID控制器的參數,以期達到某種性能指標的最優(yōu)化,使輸出層神經元的輸出對應于PID控制器的三個可調參數KP,KI,KD。神經網絡所具有的任意非線性表達能力,可以通過對系統(tǒng)性能的學習來實現具有最佳組合的PID控制。

圖2 基于BP神經網絡的PID控制器結構

1.4 神經網絡PID控制器的控制算法

(1) 確定神經網絡的結構,即確定輸人節(jié)點數和隱含層節(jié)點數,并給出各層加權系數的初值w(1)ij(0)和w(2)ji(0),并選定學習速率η和慣性系數α,令k=1;

(2) 采樣得到r(k)和y(k),計算當前時刻的誤差e(k)=r(k)-y(k);

(3) 計算各神經網絡的輸入/輸出,其輸出層的輸出即為PID控制器的三個控制參數KP,KI,KD;

(4) 計算PID控制器的輸出;

(5) 進行神經網絡學習,在線調整加權系數,實現PID控制參數的自適應調整;

(6) 令k=k+1,返回(1)。

2 神經網絡的Matlab仿真

為了檢驗神經網絡PID控制系統(tǒng)的能力,在此進行大量的仿真實驗。下面以一階時滯系統(tǒng)作為被控對象,進行仿真實驗。

設被控對象為:

G(s)=160s+1e-0.5s

相應的控制系統(tǒng)的階躍響應曲線如圖3、圖4所示。

圖3 普通PID控制階躍響應

可以看出,采用傳統(tǒng)的PID控制,其調節(jié)時間ts=120 s,超調量達到65%;采用神經網絡PID控制,系統(tǒng)調節(jié)時間ts=120,超調量只有20%。由此說明,后者響應的快速性和平穩(wěn)性都比前者要好,也說明了這種方法的有效性。

圖4 神經網絡PID控制階躍響應

3 結 語

神經網絡PID控制方法簡單,借助神經網絡的自學習、自組織能力,可實現PID參數的在線自整定和優(yōu)化,避免了人工整定PID參數的繁瑣工作。從文中可以得出,神經網絡PID控制有如下的優(yōu)點:

(1) 無需建立被控系統(tǒng)的數學模型;

(2) 控制器的參數整定方便;

(3)對于大滯后、時變的、非線性的復雜系統(tǒng)有很好的動靜態(tài)特性。實現有效控制和PID控制參數的在線自整定。

參考文獻

[1]劉金琨.先進PID控制及Matlab仿真[M].北京:電子工業(yè)出版社,2003.

[2]韓豫萍,孫濤,盛新.基于BP神經網絡的PID控制及仿真[J].可編程控制器與工廠自動化,2007(12):91-93.

[3]黃金燕,葛化敏,唐明軍.基于BP神經網絡的PID控制方法的研究[J].微計算機信息,2006(26):278-280.

[4]曾軍,方厚輝.神經網絡PID控制及其Matlab仿真[J].現代電子技術,2004,27(2):51-52.

[5]趙娟平.神經網絡PID控制策略及其Matlab仿真研究[J].微計算機信息,2007(7):59-60.

[6]Zhang Mingguang,Qiang Minghui.Study of PID Neural Network Control for Nonlinear System[J].Institute of Electrical and Electronics Engineers Inc,2007.

[7]孫潔.神經網絡PID算法在流量控制中的應用與仿真研究[D].合肥:合肥工業(yè)大學,2007.

[8]王亞斌.基于BP神經網絡PID控制及其仿真[J].江蘇冶金,2008(2):33-35.

[9]廖方方,肖建.基于BP神經網絡PID參數自整定的研究\.系統(tǒng)仿真學報,2005(7):1 711-1 713.

第6篇：神經網絡的優(yōu)化方法范文

關鍵詞:RBF神經網絡;訓練方法;函數逼近

中圖分類號:TP183文獻標識碼:A

1引言

RBF神經網絡是近幾年提出的一種新型的前向網絡｡與應用廣泛的BP網絡相比,RBF神經網絡不僅具有在任意精度下逼近任意非線性映射的能力,而且可以達到最佳逼近精度[1][2]｡RBF神經網絡結構上具有輸出-權值線性關系,訓練速度快,這些優(yōu)點給RBF神經網絡的應用奠定了良好的基礎｡但是,由于RBF神經網絡本質上是一種局部網絡,要得到良好的逼近性能,一般要增加隱節(jié)點數目,這無疑是以犧牲網絡的計算速度作為代價｡本文提出了一種新型的廣義RBF神經網絡模型,將徑向基輸出權值改為權函數,采用高次函數取代了線性加權,從而大大改善了網絡性能｡

2廣義RBF神經網絡模型

不失一般性,考慮多輸入單輸出歸一化形式的廣義模糊RBF神經網絡,廣義RBF神經網絡結構如圖1所示｡網絡共分四層｡定義以下參數:式中,Ψk為徑向基函數,一般取高斯函數｡

第二層:對基函數輸出值進行加權｡

第三層:歸一化處理｡

第四層:計算總輸出｡

當fk(x)時,其作用類似于常規(guī)RBF神經網絡的輸出層權值｡隨著fk(x)的不同,輸出將不單純是各基函數節(jié)點輸出的超平面,也可能是超曲面｡與一般的RBF神經網絡比較,這種結構主要是將徑向基輸出權值改為權函數,可采用高次函數取代線性加權,從而改善網絡性能｡詳細的分析見后文的實例仿真｡

如果基函數具有相同的指數和寬度,也就是說當lk1=lk2=…=lkn=2且σk1=σk2=…=σkn=σk時,廣義RBF神經網絡退化為常規(guī)的RBF神經網絡,可見常規(guī)的RBF神經網絡是廣義RBF神經網絡的特例｡計算技術與自動化2007年3月第26卷第1期黨開放等:一種新型的廣義RBF神經網絡及其訓練方法

3廣義RBF神經網絡的學習算法

廣義RBF神經網絡比單純的RBF神經網絡具有更多的參數,其學習相對來說就會更為復雜｡總的說來,學習方法有兩種:第1種方法是全調節(jié)的,類似于BP網絡的反向遞推,也就是說按照使得代價函數(通常取誤差平方和)最小的原則,調整所有的參數,本質上是一個非線性優(yōu)化問題｡第2種方法,采用模糊聚類和專家知識預先優(yōu)化網絡前幾層的參數,包括隱節(jié)點數目N､中心向量Ck､寬度σk,指數lk等,而以最小二乘方法在線優(yōu)化fk(x),k=1,2,…,N｡第一種方法收斂速度慢,可能存在局部極值,只能夠離線進行,可以應用于模式識別等領域;第二種方法計算量小,可以在線調節(jié),適合于控制系統(tǒng)等對于實時性要求高的場合,但是一般需要系統(tǒng)的專家知識｡本文介紹第2種方法｡

廣義RBF神經網絡按照如下步驟進行學習:

1) 確定合適的網絡隱節(jié)點數｡增加網絡的隱節(jié)點數目,可以提高網絡逼近精度,但同時增加了網絡的學習時間｡一般初始時選取比較少的網絡隱節(jié)點數目｡

2) 根據網絡隱節(jié)點數選取合理的φk(x)參數,包括中心參數ck和寬度參數σk｡

3) 取vk=1,確定fk(x)的參數｡在下文中,給出了2維輸入網絡fk(x)參數的計算方法,多維參數的推導類似｡

4) 考核誤差,如果小于設定誤差,則訓練結束;否則回到1) 增加網絡隱節(jié)點數目,重復上 述步驟｡

在以上步驟中,最關鍵的是網絡輸出層權函數參數的調整,下文著重討論｡

4廣義RBF神經網絡輸出層權函數參數的調整

以x為二維向量(x1,x2)的情況進行分析｡

權值調整的目的是使得網絡的輸出能夠滿足誤差平方和

最小,即E=min,下面分為三種情況進行討論｡

a.fk(x)為常數項的情況

此時,fk(x)=wk,相應的誤差平方和為

對權值求偏導數,可以得到以下N元一次方程組

b.fk(x)為網絡輸入1次冪函數的情況

此時,fk(x)=wk0+wk1x1+w k2,x2,相應的誤差平方和為

若使上式最小,可以得到以下3N組方程

c.fk(x為網絡輸入2次冪函數的情況

此時,,相應的誤差平方和為

推導過程與前類似,此處從略｡

由以上可以看出,fk(x)取為網絡輸入的高 次多項式,使得網絡具有更加優(yōu)良的 逼近性能的同時,保留了輸出層權值的線性性質,從而可以采用最小二乘等方法優(yōu)化權值｡

5參數選取對網絡性能的影響

取期望函數為yd=sin(πx1)cos(πx2)x1∈[-1,1],x2∈[-1,1](15)考查廣義RBF神經網絡的函數逼近能力｡1) φk(x)函數參數σ對仿真結果的影響設φk(x)中心在參數空間內均勻分布｡由于參數空間的范圍相同(都為2),且訓練點取n2個(n=2,3,4),因此φk(x)中心的間隔在區(qū)間[x1,x2]也都相同,為Δx=2/(n-1)｡記相對寬度為ne,則有ne=σ/Δx｡圖2給出了ne對系統(tǒng)輸出誤差的影響曲線,誤差都采用441組非訓練點進行計算｡從圖中可以看出ne取值范圍為0.6~1.8(即σ取0.6Δx~1.8Δx)時,網絡輸出誤差比較小｡

2)fk(x)冪次對仿真結果的影響

圖3為采用隱節(jié)點數目為9的網絡,121組訓練數據,φk(x)函數中心均勻分布,σ=1.2時得到的網絡輸出 曲面和誤差曲面,其中誤差曲面采用441組非訓練點計算｡從圖中可以看出,在網絡隱節(jié)點數目相同的情況下,隨著fk(x)冪次的升高,網絡的逼近性能越好｡

圖2參數σ對誤差的影響

表1為采用不同冪次和不同隱節(jié)點數目時的網絡訓練時間和網絡輸出誤差對比｡網絡隱節(jié)點數為N,網絡訓練時間復雜度為O(N3)｡從表中可以看出,在隱節(jié)點數目相同時,隨fk(x)冪次的增高,訓練時間略有增加｡在fk(x)為2次冪函數時,網絡取9個隱節(jié)點時的網絡輸出誤差和fk(x)為1次冪函數時,網絡取16個隱節(jié)點時的網絡輸出誤差以及fk(x)為0次冪函數時,網絡取64個隱節(jié)點時的網絡輸出誤差相當,但是計算時間大大減少｡可見,提高fk(x)冪次,可減少網絡隱節(jié)點數,縮短網絡訓練時間｡表1不同冪次和隱節(jié)點數時的網絡輸出誤差冪次隱節(jié)點數目計算時間(ms)

6結論

第7篇：神經網絡的優(yōu)化方法范文

關鍵詞：神經網絡 化工過程 人工智能

中圖分類號：TM835 文獻標識碼：A 文章編號：1007-9416（2016）12-0024-01

大量的處理單元就如同神經單元一樣，經過一系列的排列組合構成了復雜的神經網絡系統(tǒng)，廣泛應用于復雜信息處理、機器視覺、智能化控制等方面。仿生學的設計和智能化軟件的設計，使得神經網絡系統(tǒng)具有自動處理數據、自動組織、自動學習，使得化工過程控制具有高精度、高安全系數、智能化的特點。化工生產是一個復雜的生產過程，其中涉及的設備多，涉及的工藝復雜，控制難度高，如何促進化工生產的過程控制，從而實現科學管理、優(yōu)化生產、提高生產率的目的。設備的多樣、工藝的復雜、流程復雜等一系列的因素，使得神元或者是多個單元實現智能化控制，既能收集生產過程產生的數據，而且也能對這些數據進行處理，達到監(jiān)測生產環(huán)境、監(jiān)控生產過程、實時優(yōu)化生產的目的。

1 神經網絡技術的基本理論和基本結構

神經網絡技術的發(fā)展是建立在對人腦神經系統(tǒng)的構成和作用機制認識的基礎上，神經單元構成了龐大的神經系統(tǒng)，神經單元接受信息并傳遞信息，神經中樞處理信息并反饋信息。神經網絡技術模擬神經系統(tǒng)處理單元類似于神經單元，計算機控制系統(tǒng)相當于神經中樞，分析數據、處理數據、輸出結果。計算機技術的發(fā)展、傳感器的應用，為神經網絡的發(fā)展提供了基礎。神經網絡包括一個輸入層和輸出層，若干的隱含層。輸入層的作用是接受外部信息并傳遞信息；輸出層的作用是接受輸入層傳遞的信息，處理信息并反饋信息；隱含層的作用是將輸入層的信息進行組合，預處理。信息的接受、傳遞、處理和反饋一系列的過程使神經網絡發(fā)揮作用的過程。

由于處理單元的應用，使得神經網絡系統(tǒng)是一種自學習、自處理、自組織的智能化系統(tǒng)。神經系統(tǒng)的運行類似于人學習的過程，由簡單到復雜，不斷的修正節(jié)點的連接方式，直到輸出滿意的結果和符合實際應用。神經網絡系統(tǒng)是建立在數學模型的基礎上，利用數學建模搭建神經網絡節(jié)點，建模主要有M-P模型、BP模型、RBF模型等。根據外部參數的不同和應用的目的，采用不同的函數，如可逆函數、線性函數、非線性函數、S函數等等，建立數學模型，輸入參數，不斷的優(yōu)化模型，優(yōu)化的過程使神經網絡系統(tǒng)自學的過程。神經網絡訓練算法與模型的設置有關，如BP模型采取反傳處理誤差的訓練算法，優(yōu)化算法，達到優(yōu)化模型的目的，使建立的模型更加符合實際應用情況。

2 神經網絡在化工過程控制中的應用

神經網絡具有很強的信息處理能力、自學習能力、自組織能力。根據輸出的信息，可以建立信息之間的關系和處理多余的信息，簡化生產過程中的信息，檢測生產環(huán)境，監(jiān)控生產，達到最優(yōu)化的生產過程。神經網絡覆蓋生產過程中的所有要考慮的因素，因此神經網絡的應用也覆蓋化工過程控制的方方面面。

化工生產涉及的環(huán)節(jié)多種多樣，當某一環(huán)節(jié)發(fā)生故障，若處理不及時，將使這一環(huán)節(jié)癱瘓甚至使整個生產過程癱瘓，造成重大安全事故。高效、實時、預測的檢測和診斷故障的系統(tǒng)是化工過程控制中安全、高效生產的保障。美國的科學家首次提出將神經網絡技術用于化工過程控制中，用于檢測、診斷、預警故障。神經網絡系統(tǒng)是一種仿生系統(tǒng)，具有思維、意識和學習能力的動力學系統(tǒng)，能夠處理復雜的事物和環(huán)境，根據實際生產過程不斷校正系統(tǒng)，實時監(jiān)測參數的變化，對故障進行診斷和報警。目前主流的故障診斷的神經網絡系統(tǒng)有：反傳動態(tài)經網絡控制系統(tǒng)、自適應神經網絡控制系統(tǒng)和RBF神經網絡控制系統(tǒng)。

神經網絡技術主要靠傳感器接受外部信息，大量傳感器的應用，有利于智能化控制生產過程?；み^程的控制主要是對生產過程中的機器控制，生產過程涉及的機器種類繁多，同時維持安全、高效率階段比較困難。神經網絡系統(tǒng)自動控制機器生產，控制生產參數和生產流程，最優(yōu)化生產過程控制和安全化控制，實時跟蹤控制生產?？刂浦饕袃煞N基本的方法，一種數學建模，將對象的目標信息作為標準，經過不斷的訓練和反饋，修正誤差，化模型，優(yōu)化控制模式；另外一種是控制器設置，如PID控制器，實現實時控制，不僅對精確知識進行處理，而且對模糊信息也能進行處理。國內外都已經有成熟的化工過程控制中的神經網絡系統(tǒng)，如對乙酸乙烯酯聚合成乳液過程的實時控制，氯氣生產過程的故障預報神經網絡系統(tǒng)。

3 總結

神經網絡技術是21世紀最重要的技術之一，化工過程控制是化工生產的安全保障?；み^程控制應用神經網絡技術，有利于提高控制的安全系數，提高生產效率，有利于智能化管理，提高管理水平，有利于整個社會生產力水平的提高和社會智能化發(fā)展?；み^程控制采取神經網絡技術，有利于工業(yè)技術的創(chuàng)新和改善工人工作環(huán)境，保障工人人身安全。

參考文獻

第8篇：神經網絡的優(yōu)化方法范文

[關鍵詞]神經網絡、網絡安全評價、網絡安全

中圖分類號：TP183 文獻標識碼：A 文章編號：1009-914X（2015）13-0301-01

引言

對于計算機網絡安全評價中，優(yōu)化計算機網絡安全評價方法，應用神經網絡，發(fā)揮非線性安全評價能力，提升計算機網絡安全評價速度，有助于提高網絡安全評價的精度。以下對此做具體分析。

1、網絡安全評價與神經網絡

1.2 計算機網絡安全評價

網絡安全評價，就是針對影響計算機網絡安全的因素，建立全面、合理的評價指標，能夠客觀、科學地反映網絡安全影響因素。網絡安全評價，應具備、可行性、簡要性、獨立性、完備性、準確性，這樣才可以準確反映評價信息。

1.2 神經網絡

針對神經網絡，形成初期，就是以人體腦部信息處理的形式作為基礎，然后，再經過數學模型的匹配，以此作為研究腦細胞結構、腦細胞動作以及人體生物神經元特征的網絡結構[1]。后來，隨著計算機技術的發(fā)展，在先前神經網絡模型的基礎上，不僅增加神經網絡的學習機制，同時，還提出針對神經網絡的感知器模型，并將其應用在工程建設之中，然后利用映射拓撲性質，形成映射自組織網絡模型，在計算中進行模擬。

2、應用神經網絡技術的優(yōu)點

對于網絡安全評價中，應用神經網絡不僅可以提升網絡完全評價的質量，還可以提升網絡安全效應，其主要具備以下優(yōu)點。首先，就是在網絡安全評價中，應用的神經網絡，神經網絡有自適應性與容錯性，通過自我調整可以減小網絡誤差[2]；神經網絡知識是存儲在連接權上的，依據生物神經元學習與記憶形成，同時還具備外推性、自動抽提的功能，可以對直接的數據以及數值進行學習訓練，神經網絡技術中，還可以自動的確定出原因同結果之間的關系，同時總結網絡的安全評價規(guī)律，能夠將已學的知識應用到網絡安全評價樣本之中[3]。并且，針對神經網絡技術，其應用范圍較廣，還具備實時應用的潛力，在網絡安全評價中，可以有效保證網絡的安全，確保其評價結果的準確性與客觀性。

3、神經網絡算法

3.1 粒子群優(yōu)化算法

每個粒子i包含為一個D維的位置向量xi=（ xi1， xi2， ……， xiD ） 和速度向量vi = （ vi1， vi2，……， viD ）， 網絡安全評價中，粒子i在搜索空間時， 可以保存搜索的最優(yōu)經歷位置p i = （ pi1， pi2， ……， piD ），并且可以在神經網絡的每次迭代開始之時， 該粒子就可以根據自身的慣性與經驗，在群體的最優(yōu)經歷位置上調整速度向量，達到最好的位置。c1、c2 作為正常數，也就是加速因子； r1、r2就是[ 0， 1]中的均勻分布隨機數， d是D維維數，ω就是慣性權重因子。粒子位置與速度更新公式如下：

初始化網絡安全評價神經網絡種群后，可以將種群大小記為N?；诰W絡安全評價中，神經網絡的適應度支配思想，可以將種群劃成兩個子群，一個作為非支配子集A，一個作為支配子集B， 并且兩個子集基數需要滿足子群基數之和。粒子群優(yōu)化算法中，其算法終止準則，就是最大迭代次數Tmax，以及計算精度ε以及最優(yōu)解最大凝滯步數t，則可結束網絡安全評價工作。

3.2 BP神經網絡學習算法

對網絡安全評價神經網絡權系數置初值。

對網絡安全評價神經網絡各層的權系數，可以置一個較小非零隨機數，但網絡安全評價神經網絡中，。

輸入網絡安全評價神經網絡的一個樣本，，并以與其對應的期望輸出結果。

計算網絡安全評價神經網絡各層輸出，針對其第k層的第i個神經元，其輸出為，公式為：

，

計算網絡安全評價神經網絡的學習誤差，

計算神經網絡輸入向量與隱層神經元以及輸入層權值的距離，距離較大為獲勝神經元。求出各層學習的誤差。針對輸出層，有

對于神經網絡隱層，僅計算獲勝神經元的學習誤差，i為獲勝神經元。

修正神經網絡局部權系數和閥值

調整神經網絡，與獲勝神經元相連弧線的權值和閥值

其中：

當求出網絡安全評價中神經網絡的各層各個權系數后，可按給定的品質指標，以此判別網絡安全是否滿足使用要求；如果說已經滿足了要求，則可以結束算法；如果，沒有滿足要求，則進行返回處理執(zhí)行。

4、基于神經網絡的網絡安全評價

4.1 設計網絡安全評價模型

網絡安全評價中，輸入層神經元節(jié)點的數量，必須要和計算機網絡的安全評價指標數量相同，例如，針對計算機網絡安全評價體系中，就可以設計18個二級的指標，針對計算機網絡安全評價模型的輸入層，在其設計神經元節(jié)點數量時，也必須是要是18個指標[4]。并且，對于大部分BP神經網絡中，還應該采用單向的隱含層，針對隱含層節(jié)點數量，可以根據需求的神經網絡性能進行設計。針對網絡安全評價中，如果說隱含層節(jié)點數數量過多，就會使網絡安全評價中的神經網絡學習時間延長，故此在通常情況下，可以將隱含層設計為5個。針對神經網絡輸出層設計中，主要就是輸出網絡安全評價結果，可以將神經網絡輸出節(jié)點數設2個，其輸出結果是（1，1），以此來表示安全；輸出結果是（1，0）表示基本安全；輸出結果是（0，1）表示不安全；輸出結果是（0，0）表示很不安全。

4.2 構建網絡安全評價體系

針對網絡安全評價中，使用粒子群優(yōu)化算法，優(yōu)化傳統(tǒng)的BP神經系統(tǒng)，有效克服網絡安全評價的局限性。其優(yōu)化方法如下：可以將BP神經網絡的目標向量以及傳遞函數、結構，進行初始化；然后設置粒子群初始速度、動量系數、初始位置等參數，并且可以利用粒子群訓練集，訓練網絡安全評價中的BP神經網絡，使其在網絡安全評價中具備適應度值；可以將每個粒子歷史以及最好適應度值，同當前的適應度值進行比較。當前比歷史適應度值優(yōu)，需要保存當前粒子的適應度值，使其作為最好適應度值；并且，還需要計算粒子慣性權值；降低在網絡安全評價中，粒子適應度值的誤差。針對網絡安全評價的BP神經網絡中，其學習過程之中，對于任何一個給定樣本以及期望輸出，都應該將其執(zhí)行到滿足所有的輸入輸出為止。

結論

綜上所述，在網絡安全評價中應用神經網絡，具有可行性，有效避免傳統(tǒng)網絡安全評價中的存在的弊端，引入神經網絡技術，可以基于粒子優(yōu)化神經網絡，確保計算機網絡安全評價結果的準確性、客觀性，發(fā)揮積極的應用價值。

參考文獻

[1]李忠武，陳麗清.計算機網絡安全評價中神經網絡的應用研究 [J].現代電子技術， 2014，（10）， 80-82.

[2]鄭剛.計算機網絡安全評價中神經網絡的應用研究 [J].網絡安全技術與應用， 2014，（09）， 55-57.

第9篇：神經網絡的優(yōu)化方法范文

論文關鍵詞：人工神經網絡(ANN)，船舶與海洋工程，海洋預報與預測，海洋資源評估，海洋環(huán)境監(jiān)測

 

人工神經網絡是對人類大腦特性的一種描述。它是一個數學模型，可以用電子線路實現，也可以用計算機程序來模擬。是人工智能研究的一種方法。主要功能有：聯(lián)想記憶、分類識別、優(yōu)化計算、非線性映射。由于其具有好的容錯性、并行處理信息、自學習性及非線性映射逼近能力等特點,因此被廣泛的應用于各個領域。

ANN在海洋領域的應用起步較晚。20世紀90年代以來，國內外掀起了應用ANN研究海洋問題的熱潮。相比傳統(tǒng)方法，由于ANN提高了預測的準確性，減少了對數據的要求并且便于應用，到目前為止，ANN模型的應用已經遍布海洋工程（包括港口、沿海、近海和深海工程）海洋環(huán)境監(jiān)測，海洋預報與預測，海洋資源與環(huán)境等各方面，并且應用前景不斷擴大。本文通過梳理相關文獻，分析和總結了ANN在海洋領域的研究進展和主要成果，以期為相關研究提供參考。

1 船舶與海洋工程

鋼材腐蝕問題是海洋工程的重大課題。國內許多學者通過建立ANN模型考察海水環(huán)境相關參數與鋼材腐蝕速度的相關性。劉學慶等根據四層BP神經網絡分析了3C鋼腐蝕速度與海水環(huán)境參數的相關性,建立了3C鋼在海洋環(huán)境中腐蝕速度的人工神經網絡模型，證明該方法在監(jiān)測與評價區(qū)域海洋環(huán)境腐蝕性方面具有實際應用價值[1]。鄧春龍等研究建立了海洋環(huán)境材料腐蝕與防護數據庫，收集和整理了大量的材料腐蝕數據。并在此基礎上建立了誤差反傳（BP）人工神經網絡預測模型和灰色GM（1,1）腐蝕預測模型。從而形成一套較完整的數據采集、處理和分析網絡系統(tǒng)[2]。王佳等采用電化學、人工神經網絡和數據庫方法研究了5種海洋工程鋼材在深海環(huán)境中非現場腐蝕行為評價技術。結果表明,結合采用多種非現場方法可以可靠評價深海環(huán)境鋼材的腐蝕行為[3]。劉艷俠等同樣利用三層BP神經網絡,根據已有的3C鋼在不同海水環(huán)境參數下的腐蝕速度數據,建立了3C鋼在海洋環(huán)境中腐蝕速度的人工神經網絡模型;并分析預測了海水環(huán)境參數與腐蝕速度之間的關系 [4]。

ANN在海洋工程中的應用主要是海洋平臺的抗擊性和穩(wěn)定性的模擬。許亮斌等針對海洋平臺樁基模擬中存在的問題，將神經網絡應用于樁基分析 [5]。淙在引進遺傳算法的基礎上構造了工程結構優(yōu)化的神經網絡模型,計算結果表明這一方法具有很好的穩(wěn)定性和全局收斂性[6]。周亞軍等將經典最優(yōu)控制算法與人工神經網絡相結合，采用BP神經網絡模型，實現了受隨機波浪力作用下的海洋平臺的振動主動控制[7]。由于神經網絡的優(yōu)越性能，克服了傳統(tǒng)算法本身的時滯問題，為海洋平臺的振動控制提供了一條新的思路。

以上學者都對神經網絡進行了一定程度的改進和完善，達到了良好的模擬和預測效果，推進了海洋工程中ANN理論的發(fā)展。除此以外，針對波浪數據的完備性對于海岸海洋工程設計的關鍵作用, 人工神經網絡作為一個具有高度非線性映射能力的計算模型，在工程中具有廣泛的應用前景。在數值預測方面，它不需要預選確定樣本的數學模型海洋環(huán)境監(jiān)測，僅通過學習樣本數據即可以進行預測論文格式范文。

2 海洋預報與預測

赤潮作為海洋災害的一種，對海洋經濟造成巨大影響。蔡如鈺利用人工神經網絡BP算法,建立了赤潮預報模型 。楊建強通過比較發(fā)現人工神經網絡方法在模擬和預測方面優(yōu)于傳統(tǒng)的統(tǒng)計回歸模型,具有較強的模擬預測能力及實用性 。在此基礎上，為克服BP網絡訓練易陷入局部最優(yōu)的缺點，王晶采用遺傳算法改進網絡訓練方法，建立赤潮生物密度與環(huán)境因子的人工神經網絡的預報模型，保證網絡達到全局最優(yōu)。此外，還有部分學者將改進的人工神經網絡模型用于赤潮預報，經過實證研究，取得良好的預測效果。

潮汐預報對人類活動和降低海洋環(huán)境建筑成本是非常重要的。為了解決潮位預測中存在的時滯問題,提高預測精度，不少學者進行了初步探索，并且普遍認為BP模型應用于潮汐預報具有較高的預測精度和良好的泛化能力,它為海洋潮汐預報工作提供了一種全新的思路和方法。張韌利用人工神經網絡BP模型及其優(yōu)化算法，建立起了赤道太平洋緯向風和滯后的東太平洋海溫之間的映射關系和預報模型，結果表明，這種方法可有效用于辯識和反演復雜的大氣、海洋動力系統(tǒng)及其預報模型.馮利華針對海洋預報問題，初步建立了基于神經網絡的預報分析系統(tǒng)，給出了應用實例。以我國東南沿海地區(qū)一次登陸臺風所造成的最大24小時暴雨量為例來說明ANN在海洋預報中的應用問題。羅忠輝采用人工神經網絡智能方法，建立了多參數聲速預報神經網絡模型海洋環(huán)境監(jiān)測，克服了回歸擬合方法在獲得海底沉積物聲速預報中存在的不足，為海底沉積物的聲速預報提供了一條新途徑。

3 海洋資源評估

張富元等利用東太平洋CC區(qū)多波束海底地形測量、結核覆蓋率深拖系統(tǒng)探測、結核豐度地質采樣和地球物理地震勘探資料,運用板塊構造和沉積動力學理論,并與豐度趨勢面和神經網絡分析結果對比,對東太平洋CC區(qū)構造與多金屬結核資源效應關系進行了探討。李少波等討論了如何利用神經網絡預測天然氣水合物的合成和分解。利用了聲速、幅度、頻率來反映天然氣水合物的合成，建立了一個3層前向型網絡,通過實驗,人工神經網絡的引用取得了良好的效果。近年來人工神經網絡還越來越多地被用來預測水資源。在水資源應用中,前饋神經網絡建模技術是使用最廣泛的類型。

4 海洋環(huán)境監(jiān)測

非法排放油污和海上漏油事件對海洋生態(tài)系統(tǒng)造成的嚴重危害，人工神經網絡可以有效的用于海水石油污染診斷。李偉認為海中懸移質是決定海洋光學性質、海洋水質,河口海岸帶演變動力過程的重要環(huán)境參數。利用模擬遙感反射比數據集建立人工神經網絡反演懸移質濃度,并利用東中國?，F場同步數據對該算法進行驗證，神經網絡技術對于反演大洋水和沿岸海域中的組分濃度有一個很好的前景。劉輝等采用BP神經網絡和廣義回歸神經網絡2種方法進行訓練,建立了南海南部海區(qū)的上混合層深度人工神經網絡計算模型 。結果顯示,人工神經網絡方法精度較高,是一種切實可行的上混合層深度估算方法。

5 結語

人工神經網絡在海洋領域的應用遍布海洋工程、海洋科學技術、海洋環(huán)境資源等各個方面。國內外學者根據研究的需要設立了不同的ANN模型，隨著時間的發(fā)展，這些模型的預測和分析能力逐步完善。大量實證結果表明，很多ANN模型都取得了良好的模擬和預測效果。大部分的人工神經網絡模型對傳統(tǒng)的統(tǒng)計回歸計算、時間序列分析、模型匹配和數值方法等產生了替代或補充作用。在某些情況下，神經網絡的應用減少了對數據的要求。在未來，隨著現有模型的不斷完善和ANN模型缺陷的不斷糾正，先進和混合神經網絡結構很可能會在海洋領域更多方面得到廣泛應用。

參考文獻

[1]劉學慶,唐曉,王佳.3C鋼腐蝕速度與海水環(huán)境參數關系的人工神經網絡分析[J].中國腐蝕與防護學報, 2005,(1):11-14.

[2]鄧春龍,孫明先,李文軍等.海洋環(huán)境中材料腐蝕數據采集處理網絡系統(tǒng)的研究[J].裝備環(huán)境工程,2006,(3):58-62.

[3]王佳,孟潔,唐曉等.深海環(huán)境鋼材腐蝕行為評價技術[J].中國腐蝕與防護學報. 2007,(1):1-7.

[4]劉艷俠,高新琛,張國英等.BP神經網絡對3C鋼腐蝕性能的預測分析[J].材料科學與工程學報,2008,(1):94-97.

[5]許亮斌,陳國明.神經網絡在平臺樁基分析中的應用[J].中國海上油氣(工程),2001,(1):7-10.

[6]淙.海洋工程結構優(yōu)化的遺傳Hopfield神經網絡算法研究[J].中國海洋平臺,2001,(5-6):58-61.

[7]周亞軍,趙德有,馬駿.基于人工神經網絡的海洋平臺振動主動控制[J].船舶力學, 2003,(5):65-69.