人工神經網絡的優點精選(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人工神經網絡的優點主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：人工神經網絡的優點范文

【關鍵詞】BP人工神經網絡；車間調度；模擬退火算法；SA＼LM混合算法

0 引言

車間調度指標工時達成率是評價車間調度優異程度的重要指標，它直接體現出車間設備的利用率、工人效率、庫存大小，同時工時達成率的影響因素很多，如原料到位情況、設備健康狀況、人員到崗狀況、批次大小、加班情景等。車間調度問題是滿足任務條件和約束要求的資源分配問題，是最困難的組合優化問題，解決車調度問題首先要建立準確的車間生產模型，模型的優異程度由預測輸出指標的準確性決定，BP人工神經網絡是建立預測模型尋求最優值的有效工具。

國內外學者對人工神經網絡在調度問題及建立預測模型有相關研究。A.Azadeh、M.Jeihoonian等采用集成神經網絡研究了雙標準雙級裝配流水作業調度問題[1]；Azadeh提出了采用復雜人工神經網絡和模糊優化算法優化仿真模型來解決流水生產車間的調度問題[2]；Golmohammadi， Davood等人采用神經網絡模型開發的智能系統，研究表明零部件的批次大小比原材料的到位時間及延時時間對調度結果更有影響[3]；A.Azadeh， A. Negahban采用混合人工神經網絡仿真并優化隨機生產的調度問題[4]；Braglia 和 Grassi提出了最小化車間平均工時并最大限度延遲的車間調度混合模型，他們采用NawazCEnscoreCHam和多目標遺傳局部搜索算法來解決問題[5]；祝翠玲、蔣志方等基于BP神經網絡建立空氣質量預測模型，將空氣污染源的數據輸入到該模型中，可以準確預測出污染物的檢測值[6]；陳廉清，郭建亮等提出了基于BP神經網絡和遺傳算法構建表面粗糙度預測模型的開放式試驗系統，該系統提高了外圓磨削產品表面粗糙度預測模型的收斂速度和預測精度[7]；崔吉峰、乞建勛等提出了采用粒子群算法改進BP神經網絡算法，建立了對能源需求的預測模型，作者首先利用灰色預測方法和自回歸移動平均模型建立初步預測結果，再將該結果作為BP神經網絡的輸入，在此基礎上進行訓練和預測，將預測精度提高了5%左右[8]；張喜忠作了基于神經網絡預測模型的發動機異響信號提取的研究，豐富了發動機異響信號提取的新方法，拓寬了發動機故障診斷的應用范圍[9]；王德明、王莉提出了遺傳算法和BP神經網絡相結合的風場短期風速預測模型，該模型具有預測精度高、收斂速度快的優點[10]；陳耀武、汪樂宇等提出了基于神經網絡、模糊聚類分析和模式識別理論，建立組合式神經網絡的短期電力負載預測模型，該模型能夠準確預測普通工作日及節假日的電力負載[11]。

神經網絡BP學習算法具有逼近非線性連續映射的能力，廣泛應用與非線性系統的建模及控制領域。但是BP神經網絡存在一些缺點，主要是收斂速度慢，往往收斂于局部極小值，數值穩定性差，學習率、動量項系數和初始權值等參數難以調整。本文提出采用LM和SA混合算法，彌補了神經網絡的缺點，并通過調整神經網絡數量，最終得到較準確的車間生產工時達成率預測模型。

1 研究方法及理論

1.1 人工神經網絡研究方法

人工神經網絡可以處理多元空間信息，成為模式識別、系統辨別、預測等功能的有力工具。人工神經網絡的最主要的優點是不需要在訓練之前明確定義近似函數。BP神經網絡是最常用的神經網絡，因為BP神經網絡可以基于輸入參數及輸出參數計算出近似的仿真模型。基于人工神經網絡的特性，它被廣泛應用于尋找問題最優解。圖1所示為BP人工神經網絡解決問題的一般流程：

1）收集分析數據：收集大量數據，分析數據自身的相關性，找出主要參數作為輸入。剔除數據中的奇異的，并將數據歸一化用于訓練神經網絡。

2）選擇網絡類型與結構：根據問題的特點，選擇神經網絡為網絡類型，并確定網絡層數、每層節點數、初始權值、學習算法。其中隱含層的節點數選擇比較麻煩，一般原則是在保證正確反應輸入輸出之間關系的基礎上盡量少選隱含層節點數。

3）訓練與驗證：采用真實數據反復訓練并驗證神經網絡直至得到合適的映射效果。在訓練時初始權重可以隨機產生，并且可取多組神經網絡同時進行，通過取平均值來提高神經網絡模型的準確性，該方法可以克服初始數據不充足的缺點。

4）對新數據實施預測，輸出預測值。

1.2 SA＼LM混合算法原理

人工神經網絡中LM算法結合了高斯-牛頓法和最小梯度法的優點，包含了高斯-牛頓法的局部收斂性和梯度下降法的全局特性，它通過自適應調整阻尼因子達到局部收斂性，并且其迭代收斂速度高，可以補償BP網絡收斂速度慢的缺點[12]，使其在很多非線性問題中得到穩定可靠解。但是初始值對LM算法的計算工程中具有很大的影響，若選取的初始值靠近真實值，在得到全局最優解的情景下減少運算時間，假設初始值的質量較差，優化結果會偏離全局最優解而得到局部最優解。通過兩種方法可以解決該問題，一是采用盡量多的原始數據訓練神經網絡，使其具有較準確的預測能力，二是選擇合理的優化算法與LM形成混合算法，消除其對初始值的高依賴性[13]。該研究對象為典型的離散生產型車間，無法獲得所有的歷史數據，第二種方式較合適。退火（SA）算法能夠在算法執行過程中，基于較差初始函數值得到近似的最佳解決方案，這使得SA算法擁有在峰谷之間搜索找到全最小點的能力，無疑是最佳優化算法之一[14]。如圖2所示為LM和SA混合算法在神經網絡模型中的應用模式，首先基于有限的原始數據，采用SA算法訓練神經網絡預測模型，得到初始預測模型，將該模型中神經網絡各層的權重矩陣及閥值作為LM算法的初始化參數，再次訓練得到更優秀的神經網絡預測模型。該混合算法能夠捕捉并模擬車間排產員的經驗知識和生產流程記錄來形成制造過程中的系統知識，最終得到較優秀的車間調度模型。

2 人工神經網絡結構

在50臺加工系統組成的機加工車間中，有加工工人N人（工人充裕且有熟練度區分，其中有工序對應唯一工人），需要完成14個待加工零部件，每個工件都包含若干道工序，且工序流程一定。50臺加工系統中包含車床組、銑床組、刨床組、鉗床組、磨床組、焊接組，各組設備的加工能力一致， 以每個月該車間的工時達成率作為關鍵指標，工時達成率以實際完成工時與額定工時的比值為計算方式。車間調度員通過最佳的調度，并為各工序選配最佳資源，在滿足設備加工能力及人員匹配的情況下獲得最佳的工時達成率。

該調度問題有如下初始約束條件：1）任何設備無法同時加工超過兩個工序；2）任意工件無法同時在多臺設備上加工；3）工件必須嚴格按照工藝路線在指定機器上加工；4）除特定工序指定工人外忽略工人的熟練程度；5）工件的安裝及拆卸時間已經包含在該工序的加工工時中；6）一般情況下有設備就有工人，除特殊情況工人處于充足狀態；7）每個訂單的14種原材料到位時間隨機，遵循板材、管材、棒材的到位順序。

根據該車間調度問題的特點，定義人工神經網絡的結構。神經網絡的輸入參數為各零件的加工對象、可用設備、設備數量、分批大小、延遲值、工時、前置工序耗時、后置工序耗時等210個參數，輸出參數既目標函數為工時達成率。根據輸入、輸出參數的量確定采用兩層神經網絡結構，既一層隱含層一層輸出層，并且隱含層包含10個節點，可保證獲得全局最優的情況下避免出現過計算。圖3所示為人工神經網絡的總體結構，經過多次試驗驗證，該神經網絡中核心參數如下：

網絡層閾值參數biasConnect= [1；1]，隱含層與輸出層均有閾值；

輸入層關系參數inputConnect = [1；0]，輸入層與隱含層有權值連接，與輸出層無關系；

網絡層關系參數layerConnect = [0 0；1 0]，隱含層與輸出層神經元相連；

輸出層關系參數outputConnect = [0 1]，輸出層的神經元產生網絡輸出；

網絡傳遞函數layers{1}.transferFcn= 'tansig'，隱含層與輸出層的傳遞函數；

隱含層初始函數layers{1}.initFcn = 'initnw'，隱含層初始化函數；

訓練算法參數trainFcn = 'trainlm'，LM基礎算法；

網絡初始化函數initFcn = 'initlay'，網絡初始化函數；

神經網絡數量參數networks=20、50、100。

3 預測結果及分析

54套歷史數據作為訓練驗證樣本并不能完全覆蓋所有情景，本研究提出采用多神經網絡并行計算求平均值的方法提高模型準確性。為了得到最準確的預測模型，神經網絡數量和訓練算法是本研究中優化對象。神經網絡的訓練算法主要以LM算法和SA＼LM混合算法為研究對象，神經網絡數量以20、50、100為研究對象。取54套樣本中的51套為訓練驗證樣本，3套為預測模型的測試數據，通過對比工時達成率預測值與真實值的均方差來判斷神經網絡模型的優異程度。訓練數據中每套數據的210個參數生成51*210的矩陣，它們形象地表現出每個調度的輸入與輸出，這些矩陣將成為LM算法和SA＼LM混合算法神經網絡的輸入參數，經過計算生成各自的神經網絡預測模型，最后用3套調度方案去測試準確性，表1中顯示了神經網絡數為20、50、100的LM算法和SA＼LM混合算法神經網絡預測模型的測試結果。

從表1中清晰地顯示了兩種算法及三種不同神經網絡數預測模型的預測誤差，神經網絡數量從20-50-100的梯度選擇中預測模型的準確性誤差呈8.46%-8.28%-6.87%的下降趨勢，經過試驗確定在該項目中采用100個神經網絡數，該方法有效緩解了初始數據不充足的缺陷。圖4中顯示LM算法和LM＼SA混合算法預測誤差對比，其中LM算法預測誤差均值為8.92%，LM＼SA混合算法將該誤差縮小到6.82%，證明混合算法能夠通過改善LM單一算法中初始權重值及閥值，最終得到更優異的預測模型。

4 結論及展望

采用BP人工神經網絡能夠建立較準確的生產車間調度模型，并且使用SA算法建立人工神經網絡的初始權重矩陣及初始閥值，再以LM算法進行優化的混合算法是建立車間調度模型的最佳算法；對于初始數據不充足的問題，可采用多神經網絡并行計算求平均值的方法來提高模型準確性。得到較優秀的車間調度模型后，通過優化延遲值、批次大小、設備數量等輸入參數可獲得全局最優的工時達成率，最終輸出離散車間效率最高的調度方案，這是今后的研究重點。

【參考文獻】

[1]A.Azadeh， M. Jeihoonian， B. Maleki Shoja， S.h. Seyedmahmoudi. “An Integrated Neural NetworkCsimulation Algorithm for Performance Optimisation of the Bi-criteria Two-stage Assembly Flow-shop Scheduling Problem with Stochastic Activities.” International Journal of Production Research 50.24（2012）： 7271-7284[Z].

[2]Azadeh， Ali， Mohsen Moghaddam， Pegah Geranmayeh， Arash Naghavi. “A Flexible Artificial Neural NetworkCfuzzy Simulation Algorithm for Scheduling a Flow Shop with Multiple Processors.”The International Journal of Advanced Manufacturing Technology 50.5-8（2010）： 699-715[Z].

[3]Golmohammadi， Davood. “A Neural Network Decision-making Model for Job-shop Scheduling.” International Journal of Production Research，51，17（2013）： 5142-5157[Z].

[4]A.Azadeh， A. Negahban， M. Moghaddam. “A Hybrid Computer Simulation-artificial Neural Network Algorithm for Optimisation of Dispatching Rule Selection in Stochastic Job Shop Scheduling Problems.” International Journal of Production Research， 50， 2 （2011）： 551-566[Z].

[5]Braglia， M. and Grassi， A.， 2009. A new heuristic for the flowshop scheduling problem to minimize makespan and maximum tardiness. International Journal of Production Research， 47（1）： 273-288[Z].

[6]祝翠玲，蔣志方，王強.基于B-P神經網絡的環境空氣質量預測模型[J]《計算機工程與應用，2007，22（43）：223-227.

[7]陳廉清，郭建亮，楊勛，遲軍，趙霞.基于進化神經網絡的磨削粗糙度預測模型[J].計算機集成制造系統，2013，11（19）：2855-2863.

[8]崔吉峰，乞建勛，楊尚東.基于粒子群改進BP神經網絡的組合預測模型及其應用[J].中南大學學報，2009，1（40）：190-194.

[9]張喜忠.基于神經網絡預測模型的發動機異響信號提取研究[D].長春：吉林大學，2008.

[10]王德明，王莉，張廣明.基于遺傳BP神經網絡的短期風速預測模型[J].浙江大學學報，2012，5（46）：837-841.

[11]陳耀武，汪樂宇，龍洪玉.基于組合式神經網絡的短期電力負荷預測模型[J].中國電機工程學報，2001，4（21）：79-82.

[12]裴浩東.基于神經網絡的穩態優化和控制研究[D].杭州：浙江大學，2001.

第2篇：人工神經網絡的優點范文

關鍵詞：BP人工神經網絡模型；多元線性回歸；逐步回歸；擬合精度

中圖分類號：TP183；Q945.17 文獻標識碼：A 文章編號：0439-8114（2014）02-0434-03

Application of Artificial Neural Network in Predicting Trunk Sap Flow

XIE Heng-xing1，ZHANG Zhen-hua2

（1.College of Chemistry and Life Science， Weinan Normal University， Weinan 714099， Shaanxi， China；

2. College of Geography and Planning， Ludong University， Yantai 264025， Shandong， China）

Abstract： The BP artificial neural network model， multi-linear regression model and stepwise regression model were used to fit trunk sap flow velocity and the fitted precision was compared. Results showed that the fitting effect was the best in BP artificial neural network model with a deciding coefficient of 0.944 3， the smauest relative error within the range of -31.120 0%～36.755 5%. In the fitting effect of sap flow， BP artificial neural network was the best one.

Key words： BP artificial neural network model； multi-linear regression； stepwise regression； fitting precision

液流是指蒸騰在植株體內引起的上升流，植株根部吸收的水分99.8%以上消耗在蒸騰上[1]，而樹干是樹木液流通道的咽喉部位，因此通過精確測量樹干部位的液流速率、液流量可以基本反映植株的蒸騰狀況。熱技術是目前測量植株液流應用最廣泛的方法[2]，熱技術根據不同的原理可分為熱脈沖法、熱平衡法和熱擴散法[3]。國內外學者應用熱技術對植株液流進行了研究，如劉奉覺等[4]、司建華等[5]應用熱脈沖技術分別研究了楊樹和胡楊的液流；嚴昌榮等[6]、曹文強等[7]應用熱平衡技術分別研究了胡桃楸和遼東櫟等樹木的液流；馬長明等[8]、孟平等[9]應用熱擴散技術對山楊和蘋果等樹木的液流進行了研究。但研究多停留在對植株液流現象的描述上，對植株液流與環境因子的定量分析也僅僅是簡單的回歸分析或逐步回歸分析[4-9]，缺乏系統的量化研究。Ford等[10]利用熱擴散技術觀測了火炬松的液流變化，并應用ARIMA（差分自回歸移動平均）模型擬合了土壤水分虧缺條件下火炬松樹冠蒸騰。人工神經網絡是一個具有高度非線性的超大規模連續時間動力系統，因其具有自學習功能、聯想存貯功能、高速尋找優化解功能等優點而在經濟、化工、水文、農業等領域得到了廣泛應用[11-14]。樹干液流與環境因子之間很難建立一個準確的數學方程[15]，本試驗嘗試利用BP人工神經網絡模型來擬合液流速率，以求為液流速率和環境因子之間建立準確的數量關系。

1 材料與方法

1.1 研究區概況

1.2 儀器安裝

2 結果與分析

2.1 BP人工神經網絡基本原理

2.2 液流速率BP人工神經網絡分析

3 結論

液流速率是植物蒸騰強弱的表現，蒸騰受溫度、濕度、風速和太陽輻射諸多因子的影響，而環境因子之間又存在復雜的關系，這給液流速率的預測帶來了很大的難度。BP人工神經網絡在超大規模非線性模擬中顯示了一定的優越性，利用人工神經網絡研究液流與環境因子的定量關系具有廣闊的適用性。本試驗的擬合結果表明，BP人工神經網絡模型明顯優于多元線性回歸和逐步回歸模型，其液流速率的擬合值與觀察值相對誤差最小。

參考文獻：

[1] 王沙生，高榮孚，吳貫明.植物生理學[M]. 第二版.北京：中國林業出版社，1991.192.

[2] 孫慧珍，周曉峰，康紹忠.應用熱技術研究樹干液流進展[J].應用生態學報，2004，15（6）：1074-1078.

[3] SWANSON R H. Significant historical developments in thermal methods for measuring sap flow in trees[J]. Agric For Meteorol，1994，72（1-2）：113-132.

[4] 劉奉覺，EDWARDS W R N，鄭世鍇，等.楊樹樹干液流時空動態研究[J].林業科學研究，1993，6（4）：368-372.

[5] 司建華，馮 起，張小由.熱脈沖技術在確定胡楊幼樹干液流中的應用[J].冰川凍土，2004，26（4）：503-508.

[6] 嚴昌榮，ALEC D，韓興國，等.北京山區落葉闊葉林中核桃楸在生長中期的樹干液流研究[J].生態學報，1999，19（6）：793-797.

[7] 曹文強，韓海榮，馬欽彥，等.山西太岳山遼東櫟夏季樹干液流通量研究[J].林業科學，2004，40（2）：174-177.

[8] 馬長明，管 偉，葉 兵，等.利用熱擴散式邊材液流探針（TDP）對山楊樹干液流的研究[J].河北農業大學學報，2005，28（1）：39-43.

[9] 孟 平，張勁松，王鶴松，等.蘋果樹蒸騰規律及其與冠層微氣象要素的關系[J].生態學報，2005，25（5）：1075-1081.

[10] FORD C R，GORANSON C E， MITCHELL R J， et al. Modeling canopy transpiration using time series analysis： A case study illustrating the effect of soil moisture deficit on Pinus taeda[J]. Agric Forest Meteorol， 2005，130（3-4）：163-175.

[11] 劉 艷，楊 鵬.基于ANN的預警指標預測系統在企業經濟運行預警中的應用[J].統計與決策，2006（4）：161-163.

[12] 胡燕瑜，桂衛華，李勇剛，等.基于BP神經網絡的熔融鋅液流量檢測[J].有色金屬，2003，55（3）：143-146.

[13] 過仲陽，陳中原，李綠芊，等.人工神經網絡技術在水質動態預測中的應用[J].華東師范大學學報（自然科學版），2001（1）：84-89.

第3篇：人工神經網絡的優點范文

    論文摘要:隨著計算機技術的飛速發展,智能計算方法的應用領域也越來越廣泛。本文介紹了當前存在的一些智能計算方法,闡述了其工作原理和特點,同時對智能計算方法的發展進行了展望。

    The Analysis for Several Classic Algorism of Intellegence Computation

    YANG Ming-hui

    (Wuhan University of Technology, Wuhan 430074, China)

    Abstract: As the computer technology develops fast, the field for intelligence algorism become wider and wider.In this paper, I introduce some methods for intelligence, and analyze their Principles and characters, finally make a Forecast of the develop of integellence computation.

    Key words:Intelligence Computation; Artificial Neural Network Algorithm;Genetic algorithm;Annealing Algorithm

    1 引言

    智能算法也稱作為“背影算法”,是人們從現實的生活中的各種現象總結出來的算法。它是從自然界得到啟發,模仿它的原理而得到的算法,這樣我們可以利用仿生原理進行設計我們的解決問題的路徑,這就是智能計算的思想。這方面的內容很多,如人工神經網絡技術、遺傳算法、模擬退火算法等,下面分別對其進行分析。

    2 人工神經網絡算法

    2.1 人工神經網絡(ARTIFICIAL NEURAL NETWORK,簡稱ANN)

    人工神經網絡是在對人腦組織結構和運行機制的認識理解基礎之上模擬其結構和智能行為的一種工程系統。早在本世紀40年代初期,心理學家McCulloch、數學家Pitts就提出了人工神經網絡的第一個數學模型,從此開創了神經科學理論的研究時代。其后,F Rosenblatt、Widrow和J. J .Hopfield等學者又先后提出了感知模型,使得人工神經網絡技術得以蓬勃發展。

    2.2 人工神經網絡的特點

    人工神經網絡的知識存儲容量很大。在神經網絡中,知識與信息的存儲表現為神經元之間分布式的物理聯系。它分散地表示和存儲于整個網絡內的各神經元及其連線上。每個神經元及其連線只表示一部分信息,而不是一個完整具體概念。只有通過各神經元的分布式綜合效果才能表達出特定的概念和知識。

    由于人工神經網絡中神經元個數眾多以及整個網絡存儲信息容量的巨大,使得它具有很強的不確定性信息處理能力。即使輸入信息不完全、不準確或模糊不清,神經網絡仍然能夠聯想思維存在于記憶中的事物的完整圖像。只要輸入的模式接近于訓練樣本,系統就能給出正確的推理結論。

    正是因為人工神經網絡的結構特點和其信息存儲的分布式特點,使得它相對于其它的判斷識別系統,如:專家系統等,具有另一個顯著的優點:健壯性。生物神經網絡不會因為個別神經元的損失而失去對原有模式的記憶。最有力的證明是,當一個人的大腦因意外事故受輕微損傷之后,并不會失去原有事物的全部記憶。人工神經網絡也有類似的情況。因某些原因,無論是網絡的硬件實現還是軟件實現中的某個或某些神經元失效,整個網絡仍然能繼續工作。

    人工神經網絡是一種非線性的處理單元。只有當神經元對所有的輸入信號的綜合處理結果超過某一門限值后才輸出一個信號。因此神經網絡是一種具有高度非線性的超大規模連續時間動力學系統。它突破了傳統的以線性處理為基礎的數字電子計算機的局限,標志著人們智能信息處理能力的一大飛躍。

    3 遺傳算法

    3.1 特點

    遺傳算法是解決搜索問題的一種通用算法,對于各種通用問題都可以使用。搜索算法的共同特征為:(1)首先組成一組候選解;(2)依據某些適應性條件測算這些候選解的適應度;(3)根據適應度保留某些候選解,放棄其他候選解;(4)對保留的候選解進行某些操作,生成新的候選解。在遺傳算法中,上述幾個特征以一種特殊的方式組合在一起:基于染色體群的并行搜索,帶有猜測性質的選擇操作、交換操作和突變操作。這種特殊的組合方式將遺傳算法與其它搜索算法區別開來。

    遺傳算法還具有以下幾方面的特點:

    (1)遺傳算法從問題解的串集開始嫂索,而不是從單個解開始。這是遺傳算法與傳統優化算法的極大區別。傳統優化算法是從單個初始值迭代求最優解的;容易誤入局部最優解。遺傳算法從串集開始搜索,覆蓋面大,利于全局擇優。

    (2)許多傳統搜索算法都是單點搜索算法,容易陷入局部的最優解。遺傳算法同時處理群體中的多個個體,即對搜索空間中的多個進行評估,減少了陷入局部最優解的風險,同時算法本身易于實現并行化。

    (3)遺傳算法基本上不用搜索空間的知識或其它輔助信息,而僅用適應度函數值來評估個體,在此基礎上進行遺傳操作。適應度函數不僅不受連續可微的約束,而且其定義域可以任意設定。這一特點使得遺傳算法的應用范圍大大擴展。

    3.2 運用領域

    前面描述是簡單的遺傳算法模型,可以在這一基本型上加以改進,使其在科學和工程領域得到廣泛應用。下面列舉了一些遺傳算法的應用領域:(1)優化:遺傳算法可用于各種優化問題。既包括數量優化問題,也包括組合優化問題;(2)程序設計:遺傳算法可以用于某些特殊任務的計算機程序設計;(3)機器學習:遺傳算法可用于許多機器學習的應用,包括分類問題和預測問題等。

    4 退火算法

    模擬退火算法來源于固體退火原理,將固體加溫至充分高,再讓其徐徐冷卻,加溫時,固體內部粒子隨溫升變為無序狀,內能增大,而徐徐冷卻時粒子漸趨有序,在每個溫度都達到平衡態,最后在常溫時達到基態,內能減為最小。根據Metropolis準則,粒子在溫度T時趨于平衡的概率為e-ΔE/(kT),其中ΔE為溫度T時的內能,ΔE為其改變量,k為Boltzmann常數。用固體退火模擬組合優化問題,將內能E模擬為目標函數值f ,溫度T演化成控制參數t,即得到解組合優化問題的模擬退火算法:由初始解i和控制參數初值t開始,對當前解重復“產生新解計算目標函數差接受或舍棄”的迭代,并逐步衰減t值,算法終止時的當前解即為所得近似最優解,這是基于蒙特卡羅迭代求解法的一種啟發式隨機搜索過程。退火過程由冷卻進度表(Cooling Schedule)控制,包括控制參數的初值t及其衰減因子Δt,每個t值時的迭代次數L和停止條件S。

    5 展望

    目前的智能計算研究水平暫時還很難使“智能機器”真正具備人類的常識,但智能計算將在21世紀蓬勃發展。不僅僅只是功能模仿要持有信息機理一致的觀點。即人工腦與生物腦將不只是功能模仿,而是具有相同的特性。這兩者的結合將開辟一個全新的領域,開辟很多新的研究方向。智能計算將探索智能的新概念,新理論,新方法和新技術,而這一切將在以后的發展中取得重大成就。

第4篇：人工神經網絡的優點范文

水工隧洞一般都有過水要求，加上其復雜的地質條件，因此正確的進行圍巖分類后采取相應的支護措施將對保證隧洞穩定性起決定性的作用。圍巖分類是一類非線性的綜合判定問題，用人工神經網絡方法來判別水工隧洞圍巖類別是一種新的嘗試和新的方法。

1．圍巖分類的判定依據

水工隧洞圍巖工程地質分類應以控制圍巖穩定的巖石強度、巖體完整程度、張開度、地下水力狀態和主要結構面產狀等五項因素綜合評分為依據，圍巖強度應力比為限定依據，見表1。

表1圍巖工程地質分類依據

指標名稱評價因素

巖石強度（A1）采用巖塊的單軸抗壓強度（MPa）

巖體完整程度（A2）采用完整性系數Kv

張開度（A3）考慮結構面的連續性、粗糙度和充填物

地下水狀態（A4）考慮地下水的發育程度，用單位洞長單位時間的涌水量

主要結構面產狀（A5）采用結構面走向與洞軸線的夾角

以上五個因素是控制圍巖穩定性的主要因素，圍巖的分類標準見表2。

表2圍巖工程地質分類標準

評價因素圍巖類別

Ⅰ（穩定）Ⅱ（基本穩定）Ⅲ（局部穩定性差）Ⅳ（不穩定）Ⅴ（極不穩定）

A1（MPa）>200100~20050~10025~50<25

A20.9~1.00.75~0.90.5~0.750.25~0.5<0.25

A3（mm）<0.50.5~11~33~5>5

A4(L/min·10m)<2525~5050~100100~125>125

A5(o)90~7575~6060~4545~30<30

2.水工隧洞圍巖分類的人工神經網絡模型

神經網絡系統是由大量的、簡單的處理單元廣泛的互相連接而形成的復雜的網絡系統。人工神經網絡模型最基本的有兩大類：一類是以Hopfield網絡模型為代表的反饋型模型，它具有非線性和動態性；另一類是以多層感知器為基礎的前饋模型。其中BP(BackPropagation)網絡是目前應用最廣泛的多層前饋神經網絡模型。本文采用BP網絡模型。

2．1BP神經網絡模型及其算法

BP神經網絡由輸入層、隱含層和輸出層三層感知器組成，每層由若干個神經元組成。輸入層接受信息，傳入到隱含層，經過作用函數后，再把隱結點的輸出信號傳到輸出層輸出結果。節點的作用函數選用Sigmoid函數，即：

（1）

BP神經網絡采用誤差逆傳播反學習算法。學習過程由正向傳播和反向傳播組成。在正向傳播過程中，輸入信號由輸入層經隱含層處理后傳向輸出層，每一層神經元的狀態只影響下一層神經元的狀態。如果在輸出層得不到一個期望的輸出，則轉向反傳播，將輸出信號的誤差按原來的連接通路返回，通過修改各層神經元的權值，使得誤差信號最小，得到合適的網絡連接權后，便可對新的樣本進行識別。BP網絡學習過程具體步驟如下：

（1）初始化，設置網絡結構，賦初始權值；

（2）為網絡提供一組學習樣本，包括M個樣本對（），輸入向量，輸出向量，n、m分別為輸入層和輸出層神經元個數，；

（3）對每個學習樣本P進行（4）~（8）；

（4）逐層正向計算網絡各節點的實際輸出：

(2)

其中，為神經元i、j之間的權值；為前層第i個神經元的實際輸出，為式（1）給出的函數；

（5）計算網絡輸出誤差：

第P個樣本的輸出誤差為(3)

其中，，分別為輸出層第j個神經元的期望輸出和實際輸出。

網絡總誤差為；(4)

（6）當E小于允許誤差或達到指定迭代次數時，學習過程結束，否則進行誤差逆向傳播，轉向（7）；

（7）逆向逐層計算網絡各節點誤差：

對于輸出層，(5)

對于隱含層，(6)

其中代表后層第個神經元。

（8）修正網絡連接權：，其中為學習次數，為學習因子，值越大，產生的振蕩越大。通常在權值修正公式中加入一個勢態項，變成：

(7)

其中，a稱為勢態因子，它決定上次學習的權值變化對本次權值更新的影響程度。

2．2圍巖分類的BP模型

在以表2中數據為基礎進行網絡訓練前，須對表中指標作如下處理：Ⅰ、Ⅴ類對應的指標取其界限值或平均值；Ⅱ、Ⅲ、Ⅳ類對應的指標取其平均值。作上述處理后，可以得到網絡訓練模型的5個學習樣本，如表3。

表3圍巖類別識別模型的學習樣本

類別樣本類別A1A2A3A4A5

P1Ⅰ2000.950.52582.5

P2Ⅱ1500.8250.7537.567.5

P3Ⅲ750.62527552.5

P4Ⅳ37.50.3754112.537.5

P5Ⅴ250.25512530

以上表中5個類別樣本作為神經網絡的學習樣本，在輸入層和隱含層各設置一個特殊單元作為閾值單元，其值設為1。模型結構如下圖1所示。

圖1圍巖類別分類的BP網絡模型

設圍巖類別為P1、P2、P3、P4、P5這5個類別樣本的預期輸出矢量，各分量定義為

網絡訓練時，當所有樣本在網絡輸出節點的實際輸出與網絡期望輸出之間的最大誤差小于預先給定的常數，即時學習結束。

網絡經過15000次訓練，每個樣本的網絡輸出與期望輸出最大誤差為0.2，絕大部分在0.1之內。應用訓練后的BP模型劃分新的圍巖類別樣本，等判定圍巖類別樣本W經網絡變換后輸出O與各期望輸出比較，設，。

如果，則，，即隧洞圍巖類別樣本屬于級。

3．沙灣隧洞的圍巖分類應用實例

東深供水改造工程沙灣隧洞位于深圳市北東面內15公理處，區域地勢東高西低。工程區域周圍沉積巖、巖漿巖和變質巖三大巖類均有出露。隧洞線路地帶分布的地層，除洞口溝谷部位為第四系松散堆積層外，其余均為侏羅系中統塘夏群碎屑巖，基本為單斜構造，但末端因受深圳斷裂帶影響，巖層產狀較為紊亂，地質條件復雜多變。

隧洞開挖后，測得三種圍巖地段的力學性質和環境條件，取三個樣本為a、b、c。用BP人工神經網絡判定該工程隧洞圍巖類別。

根據水利水電工程地質勘察規范，隧洞圍巖類別分為5級：Ⅰ（穩定）、Ⅱ（基本穩定）、Ⅲ（局部穩定性差）、Ⅳ（不穩定）、Ⅴ（極不穩定）。對照學習樣本各特征變量，用訓練好的BP模型對a、b、c三個樣本進行判定，其結果見表4。

表4沙灣隧洞三組樣本實測指標與圍巖類別判定結果

指標名稱實測指標值

abc

巖石強度（A1）2845100

巖體完整程度（A2）0.220.50.55

張開度（A3）341

地下水狀態（A4）1208025

主要結構面產狀（A5）305060

圍巖類別判定結果ⅤⅣⅢ

4．結論

水工隧洞圍巖類別判定，不僅影響因素多，而且具有很大的模糊性和不確定性。人工神經網絡是一門新興的交叉學科，它具有聯想、記憶功能和判別識別的模糊性等優點，用它來進行圍巖類別分類，不需對輸入輸出指標的關系作任何假設，這種關系是神經網絡從實例中自適應學習而獲得的，大大減少了人為因素的影響，省去了事后的經驗判斷。實踐證明，它在理論和應用上都是可行的和有實際意義的。

參考文獻

第5篇：人工神經網絡的優點范文

關鍵詞：電力系統；繼電保護；新技術；人工神經網絡；自適應技術；網絡繼電保護

1 繼電保護概述

1.1 繼電保護的概念及其基本任務

電力系統繼電保護和安全自動裝置是在電力系統發生故障和不正常運行情況時，用于快速切除故障，隔離不正常設備的重要自動化技術和設備。當電力系統發生故障或發生危及其安全運行的事件時，它能及時發出告警，或直接發出跳閘命令以終止事件。

繼電保護的基本任務一是檢測故障信息、識別故障信號，進而作出是否出口跳閘的決定；二是反映電氣元件的不正常運行狀態并向值班人員發出信號，以便及時進行處理。

1.2 繼電保護的發展歷程

電力系統繼電保護先后經歷了不同的發展時期，電磁型繼電保護、晶體管繼電保護、基于集成運算放大器的集成電路保護，到了20世紀90年代，我國繼電保護技術全面進入了微機保護時代，微機保護有強大的邏輯處理能力、數值計算能力和記憶能力，它不僅具有傳統保護和自動裝置的功能，而且還能發展到故障測距、故障錄波等功能。微機保護經過20多年的發展，已經取得巨大的成功并積累了豐富的運行經驗。

2 繼電保護新技術的應用

隨著科技的飛速發展以及微機繼電保護的普遍應用，許多新技術不斷應用到繼電保護領域，例如IT技術的應用，實現了保護、控制、測量、數據通信一體化；應用人工神經網絡，可以解決電力系統復雜的非線性化問題；應用自適應技術使繼電保護獲得更強的故障信息處理能力和自適應能力，顯著提高其動作性能。應用網絡繼電保護可以實現保護功能的集成、自適應進行保護配置和定值計算等。

2.1 人工神經網絡在繼電保護裝置中的應用

人工神經網絡是模擬生物神經元的結構而提出的一種信息處理方法。人工神經網絡由大量的模擬人腦的神經元互聯組成，是一種非線性映射系統，具有強大的模式識別能力，通過對反映輸入特征量的大量樣本學習，可以對任意復雜狀態或過程進行分類和識別。近年來，人工神經網絡和模糊控制理論逐步應用于電力系統繼電保護裝置中，涉及故障類型的判別、故障距離的測定、方向保護、主設備保護等方面。

2.1.1人工神經網絡在線路保護中的應用

輸電線路常見的保護有縱聯差動保護、高頻方向保護、距離保護、電流保護等，其中縱聯差動保護是廣泛應用于220kV及以上輸電線路的主保護，區外短路時，差動電流繼電器的比率制動特性可防止不平衡電流引起的誤動，但這種常規方式在實驗得出的動作區域有變化時，常規微機保護原理需重新設計算法。人工神經網絡避免了常規差動保護整定的不靈活性和原理上的不足，文獻[1]提出了基于BP算法的差動保護，為簡化計算，BP網的輸入取制動和差動電流，輸入層單元數為2個，輸出則為動作信號0或1（0表示不動作，1表示動作），輸出層單元數為1個；隱含層的單元數根據網絡規模及試驗確定，這里取4個。因此，BP網的結構為“2-4-1”型。仿真試驗結果表明，神經網絡用于線路縱聯差動保護是合理、可行的。

電流保護是低壓線路的主要保護形式，具有簡單、經濟等優點。但其定值整定、保護范圍和靈敏系數等方面受電網接線方式及運行方式的影響明顯，如電流速斷保護，其整定值是按照系統最大運行方式下發生三相短路來整定的，當系統運行方式發生較大變化時，可能出現系統在最小運行下發生兩相短路，或者被保護線路長度很短，電流速斷無保護范圍的現象[2]。人工神經網絡由于其可對不確定系統進行學習或實現自適應，具有高度的容錯性、魯棒性及多輸入多輸出并行工作的特點，適合于復雜系統和對象的控制，文獻[3]表明，基于人工神經網絡的電流保護，在系統的各種運行方式下及各種故障中，不僅能夠自適應識別線路的故障類型、相別和故障點位置，還可以準確地區分振蕩與故障兩種情況。

2.1.2人工神經網絡在變壓器保護中的應用

在變壓器保護中關于勵磁涌流狀態的識別一直是困擾繼電保護研究人員的棘手問題。文獻[4]基于人工神經網絡，綜合考慮變壓器勵磁涌流狀態和故障狀態的特征，提出并建立了一個三層前向神經網絡模型，它利用EMTP進行了大量的仿真計算，并將計算結果作為訓練樣本，對所建立的神經網絡模型進行訓練。對該模型進行故障狀態檢驗結果表明，所建立的神經網絡能夠對變壓器所發生的故障狀態作出正確響應。

2.2自適應技術在繼電保護裝置中的應用

自適應繼電保護是20世紀80年代提出的研究課題，其基本思想是使保護裝置盡可能地適應電力系統各種運行方式和復雜故障類型，通過各種數字信號處理方法、數學分析工具和人工智能技術有效提取并處理故障信息，從而獲得更可靠的保護。

2.2.1 自適應技術在電流速斷保護中的應用

電流速斷保護動作值是按躲開線路末端的三相短路故障電流而整定的。在發生兩相短路時，保護動作的靈敏度會大大減小。采用自適應技術后，當故障發生時，保護首先判別系統運行方式和故障類型，再根據不同的故障類型自適應調整電流保護動作值，從而大大提高動作的靈敏度。為實現電流速斷的定值自適應整定，必須實時確定短路故障的類型和系統等值阻抗，文獻[5]提出了實現自適應電流速斷保護的基本方法。

2.2.2 自適應技術在自動重合閘中的應用

文獻[6]提出了一種將模糊綜合決策用于單相自動重合閘自適應優化判據的方法，以提高重合閘的成功率。文中將電容耦合電壓與互感電壓的比值作為模糊控制器的第1個輸入變量，將故障端電壓與互感電壓的比值作為模糊控制器的第2個輸入變量，跳閘信號作為模糊控制器的輸出。這種方法利用電容耦合電壓等故障邊界條件信息以及模糊控制器可自適應修正原有的電壓判據。經理論分析和動模試驗結果表明，這種方法具有良好的應用前景。

2.2.3 自適應技術在串補輸電線路保護中的應用

文獻[7]介紹了串補輸電線路自適應保護的基本特點。該保護方案以卡爾曼濾波器和自適應卡爾曼濾波器為基礎，利用串補輸電線路正常狀態和故障狀態時電流暫態信號的差異，實現對串補輸電線路的故障定位并確定故障相。

2.3 網絡繼電保護在電力系統中的應用

當前網絡已經成為信息和數據通信工具技術的基礎，微機繼電保護同樣也離不開網絡通信強的支持。目前，除差動和縱聯保護外，其他繼電保護裝置只反映保護安裝處的電氣量，其重要原因是缺乏有力的數據通訊、數據處理以及數據上傳的聯網手段。如果將分散的繼電保護裝置和安全自動裝置網絡化并由主站統一進行協調管理，就可以使繼電保護裝置獲取更多的系統信息，從而更加準確的判斷、處理故障，整個系統安全性與可靠性將得到提升。另外，網絡繼電保護還存在保護配置可通過運行方式自適應調整、保護定值可根據運行方式自動計算、二次回路簡單化、運維工作量小等傳統繼電保護不可比擬的優點。

在實際應用方面，一是目前運行的微機保護程序和軟件原理成熟、功能完善，能夠滿足開發網絡繼電保護與控制軟件的基本要求；二是基于EMS系統的數據支撐平臺及體系結構的開放化和標準化已取得很大進展，這成為了開發開放化和標準化網絡繼電保護與控制系統的支撐平臺及體系結構的技術基礎；三是隨著光纖通信技術的發展，利用就地測控裝置組網的方式形成數字數據網，存在容量大、防干擾、信號衰減小的優點，可以提高繼電保護運行的環境質量。從上述的技術基礎上看，網絡繼電保護具備實現的可能性，雖然在開發和推進過程中還存在很多難題和挑戰，但它依然為繼電保護的發展指明了一條道路。

3 結論

總之，隨著電力系統的高速發展和計算機技術、通信技術的進步，繼電保護已經呈現出了微機化、智能化的特征，為當今電力系統的高速發展提供了可靠、穩定的保護。同時，繼電保護也將隨著各種技術新一輪的發展呈現更新的特征，也將獲得更廣泛的應用。

參考文獻：

[1] 賈德香，韓凈.神經網絡差動保護技術[J].電工技術，2003（3）：11-12.

[2] 賀家李.電力系統繼電保護原理[M].天津：天津大學，1991.

[3] 李營，楊奇遜.分布式微機母線保護的探討[J].電力系統自動化，1999，23（1）.

[4] Perez L G，Flechsig A J.Training an artificial neural network to discriminate between magnetizing inrush and internal faults[J].IEEE PWRD，1994，9（1）：434-441.

[5] 趙夢華，葛耀中.微機式自適應饋線保護的研究和開發[J].電力系統自動化，1999，23（3）：19-22.

第6篇：人工神經網絡的優點范文

關鍵詞：數據 神經網絡 數據挖掘

中圖分類號：TP311 文獻標識碼：A 文章編號：1007-9416（2015）12-0000-00

1引言

信息在數據庫中被搜集出來通過統計、人工智能、情報檢索、在線分析處理、機器學習等多種方法來進行數據的整理和分析，將數據整理的結果應用于商業管理、工程開發、股票管理和科學研究等多個方面。隨著社會的不斷進步人們對數據的要求也逐漸的增加，通過對數據的收集和分析來解決問提并提供更加可行的方案。而面對數據時代中大量的數據其中有真有偽，如何從中提取隱含在其中對決策有意義的信息，提高信息資源的利用率成為信息時代亟須解決的問題。這一需求就要求我們不斷推進神經網絡的研究和技術深化數字挖掘，才能讓神經網絡在數據挖掘中進行應用，方便社會中商業、科研等各領域的使用。

2數據挖掘

從海量的數據庫中挖掘信息的過程挖掘就稱之為數據挖掘（Data Mining）[1]。簡而言之，數據挖掘就是從大量的、隨機的數據中，提取隱含在其中的、但是又是潛在有用的信息和知識的過程[2]。

數據挖掘的主要流程是獲取和整理數據的來源、使用相關的技術和知識、整合和檢查數據、刪除隱含著錯誤的數據、建立模型和假設、進行數據挖掘、測試和檢驗數據挖掘結果最終將挖掘的數據進行應用。

數據挖掘的主要功能數據的分類是指在數據挖掘的過程中將數據庫之中根據不同事物的屬性、特點的不同進行劃分，利用不同的組類來描繪事物以便對事物進行了解；數據的聚類是指根據分析對象的內在規律將數據庫中的數據進行群組的劃分，將整個數據庫劃分出不同的群組，并保證同一群組中數據的相似性以及不同群組之間有一定的差別；數據的關聯規則和序列模式是指找出數據庫中具有相關性的數據，就是某一事物在發生變化之后與之就有相關性的數據也會發生這一變化；數據的偏差檢測是指針對數據中極少數的極端數據、偏差數據進行分析，找出其中的內在原因。

3人工神經網絡

人工神經網絡是某種抽象、簡化和模擬，根據神經網絡的結構和功能，先后提出的神經元模型有上百種。[3]

人工神經網絡的主要優勢是具有自學習功能。這種自學習功能能夠在圖像識別的過程中進行使用，只要把多個圖像樣板和需要識別的結果輸入到神經網絡之中就能夠通過自學習功能對圖像進行識別。這一功能對未來的預測具有極其重要的意義。通過人工神經網絡對未來進行預測能夠為經濟、股市、市場等提供發展方向，推動經濟發展。通過人工神經網絡對一復雜問題進行大量的計算來尋求優化解。這一功能主要是依靠神經網絡的高速運算能力來完成的，能夠在短期內對問題進行優化解。

4 神經網絡在數據挖掘中的應用

在最開始神經網絡應用于數據挖掘之中并不被眾人所看好，其主要原因是由于神經網絡再解釋自身行為上的能力欠缺以及神經網絡容易出現過度訓練，造成訓練數據效果好而檢驗數據的效果不佳等問題造成的。然而不可忽視的是神經網絡在數據挖據應用的過程之中的優勢，可以用于數據中有時間單元的情況還能夠對噪聲數據進行很好的處理，與此同時還能夠保證較低的錯誤率。

4.1數據準備

數據準備是整個數據挖掘之中至關重要的一項。只有數據準備的過程之中對數據進行合理處理、定義和表示，才能讓數據挖掘的過程之中順利的對數據進行的使用和分析。

數據清洗是指數據在裝入數據庫之前，通過基于規則的方法對字段定義域以及其與其他字段的相互關系對數據進行評估；通過可視化的方法將數據集以圖形的形式展現出來，能夠更快速的分辨臟數據；利用統計學方法更改錯誤數據，填補缺失數據。數據選擇則是通過列和行利用SQL語言對本次數據挖掘所需要的數據進行選擇。

數據處理是利用新字段、數據值的比例變換等方法對數據進行一個增強處理。這種信息增強處理不僅能夠提高數據挖掘的質量而且能夠降低數據挖掘的時間消耗，提高效率。由于神經網絡只能夠對數值性的數據進行處理，這就要求我們對數據進行轉換，將文本數據處理成與之相對應的映射表，從而轉化成為神經網絡數據挖掘算法能夠接受的形式。

4.2規則提取

目前，規則提取主要使用的方法有符號方法和連接主義方法兩大類。符號方法基于粗集理論、決策樹等技術支持，對分類知識進行分類規則的轉換；而連接主義方法則主要在其結構中進行知識的存儲但是不利于人們的理解。神經網絡的這一方法不利于數據的挖掘，但由于神經網絡分類精度高、魯棒性好等優點在分類問題中表現突出，大多數的學者更注重專研從神經網絡中進行提取規則。

4.3規則評估

在一個數據庫之中隱藏著大量規則，為了在給定數據庫中取得好的效果要對提取的原則進行最優的評估。規則評估主要從以下幾方面進行考慮：首先要覆蓋所有神經網絡的知識，其次規則判定與神經網絡知識相一致，再次判定是否存在相同前提下得出不同結論的規則，最后判斷是否存在冗余規則。規則的正確性能夠保證神經網絡中的知識全部被提取，也能夠保證提取規則與神經網絡的一致性。

5結語

目前采用神經網絡進行數據挖掘是比較常見的方式，因為能夠對大量的數值性數據進行快速的處理，但是仍存在著文字數據等非數值型數據的處理、構造神經網絡時要求對其訓練許多遍等多種問題。這些問題都需要在將來的神經網絡在數據挖掘的應用之中逐漸的解決，這些問題的解決能夠給神經網絡在數據挖掘的應用帶來更強大的生命力。

參考文獻

[1]沈達安 等.萬維網知識挖掘方法的研究.計算機科學，2000，（2）：79-8210.

第7篇：人工神經網絡的優點范文

【關鍵詞】計算機科學與技術 經濟管理 應用分析

1 計算機科學與技術在經濟管理中所體現的作用

在進行經濟管理工作的時候，需要對工作產生的巨大信息進行分析與處理，這些數據都是企業及事業單位的重要性資源，需要這些資源來做到對決策的分析。但是，對于經濟管理人員來說，如何對這些信息進行處理，使得這些資源能夠更好的對決策進行服務，是經濟管理人員需要不斷探討的問題，并且很多的研究人員在研究過程中提出了很多的方法來對數據進行處理，但是得到真正的應用的并不是很多，人們對于決策還是憑著自己感覺來進行。但還因為計算機技術的發展，使得人們在對這些數據進行處理的過程時，有著極大的便利，因為計算機可以有效的對大量的數據進行處理、分析，因此，計算機科學與技術為經濟管理人員在工作的過程中提供了很大的便利。

2 計算機科學與技術在經濟管理過程中的應用形式

2.1 運用人工神經網絡的形式來對信息進行分析

在動物界的神經傳遞過程中，兩個神經元之間會有一個突觸，來起到對信息之間的傳遞作用。在傳遞的過程中，會使用到一些神經遞質來進行傳播，這些神經遞質具有不同的種類，在對這些神經元進行接收的時候，在軸突上，會存在著許多的分支。神經遞質傳遞到受體細胞，然后再次的在神經元內對信息進行傳遞。這種信息的傳遞形式具有很多優點，科研人員在受到這些啟示之后，就發明了具有自組織特征的映射算法來對信息做到有效的傳遞。

因為對于計算機技術的發展過程來說，其在對外界進行表達的時候，都是以數字向量的方式來進行的，而對于神經系統來說，其在信息的傳播過程中也是將信號進行轉變。所以使用計算機技術來對信息進行處理的時候，與神經信息傳遞之間有著很相似的地方。

2.2 這種人工神經網絡的信息處理方式具備的功能

對于這種人工神經網絡的信息處理方式，其是根據生物學中神經網絡的形式來研究出來的，所在對于這種人工神經網絡系統來說，其有很大一部分特點都是跟生物學的中神經系統是相似的，具備一些智能的功能。首先它所體現出來的一種特點是在記憶方面，因為它是根據生物神經模式來進行設計的，因此其在對信息進行儲存及分析過程中，會第一這些信息進行保留，并且還具備聯想記憶的功能。其次其具備的特點就是可以進行非線性映射。因為在很多的實現操作過程中，很多輸出的信息與輸入的信息之間并不能夠建立起一種線性的關系，使得很多熟悉的模型不能夠在其它信息處理系統中進行設計出來。但是使用人工神經網絡的設計方式，就使得在信息處理的過程中能夠做到滿足非線性映射，并且還可以在設計的過程中建立起很大的非線性的數學模型，并且各個領域中都可以得到應用。另外，在這種人工神經網絡的信息處理模式中，還可以對輸入的信息進行識別，并做到有效的分類，這對原來在信息處理過程中存在的信息不易分離與辨別的問題做到了有效的解決。最后一項具備的功能就是它可以對輸入與輸出的信息及知識內容進行一個有效的處理，因為人工神經網絡模式具備生物學中神經傳遞的特點，所以它可以在信息到達的時候，對其進行分析及處理，對于那些符合條件的信息加以利用，并進行儲存。這就使得在信息的處理過程中，能夠做到對數據根據其特征來進行分類與分析。

3 人工神經網絡的信息處理技術在經濟管理中的應用

計算機科學與技術發展過程中所帶來的這種神經網絡的信息處理模式，因為其具備的一些特征與功能，因此在眾多的領域中得到了有效的利用，解決了傳統信息處理過程中那些不能夠進行解決的問題，并且都取得了很好的效果。所以，目前這種信息的處理方式不僅在經濟管理過程中得以使用，還在醫學、工程技術及其它經濟領域中都得到廣泛的應用。

3.1 在信貸分析過程中需要對這種信息處理技術加以利用

對于信貸分析工作來說，信用評估機構是具備自己特征的，因此在信息處理過程中，因為這些企業所帶來的信息形式的不同，使得在對其信用度進行評判的過程中，帶來很大的問題，也很難對其進行判斷，使得很多時候都會帶來很多的經濟損失。但是對這種人工神經網絡信息的處理技術的使用，就會對所出現的問題做到有效的解決了。在對這些貸款企業進行信用評價的時候，只需要將信息轉化為編碼來輸入進去，就可以對數據進行分析，并且因為輸入的信息量比較大，使得在評價的過程中更做到具有更大的準確性。對這種技術的使用，不僅可以做到準確性，還可以避免操作人員的主觀思維形式。這是這些優勢的存在，使得其在對企業風險進行分析的過程中得到很廣泛的應用。

3.2 使用這種方法可以對市場做到更準確的預測

在經濟管理過程中，需要對市場中出現的一些因素做到有效的分析，并做到對未來發展趨勢進行相關的預測，使得在決策的過程中，能夠起到參考的作用，使得風險得到降低。使用人工神經網絡的信息處理技術來對市場進行預測，使得對市場中變動的價格與走勢進行考量與分析，使得一個可靠的市場模型可以得到建立。例如在期貨市場上運用這種技術，可以對其未來價格進行預測。并且這種技術在股票市場中也有所應用。

四、結束語

隨著科學技術的發展以及電子計算機技術的日趨成熟，使得原本很復雜的工作在其處理之下都得到了很好的解決。在經濟管理過程中，其產生的大量數據，使用傳統的方式難以進行解決，但是使用計算機科學與技術，就可以模仿人對在神經傳遞中對信息的處理方式來進行處理，為其工作提供了很大的便利。

參考文獻

[1]李苗苗.論我國企業的經濟管理[J].現代經濟信息，2009.

[2]張信賓.高校計算機基礎教育的教學思路與方法研究[J].沿海企業與科技，2005.

第8篇：人工神經網絡的優點范文

【關鍵詞】輸電網絡；故障；人工智能；應用

電能的正常供應影響著人們的諸多方面，工作、學習、生活、娛樂等，電能供應的最基本要求就是穩定性和連續性，但是，輸電網絡越來越復雜，偶爾出現故障也會難免的，為了能夠在輸電網絡出現故障時快速的診斷故障找出故障原因，減小相關損失，必須要找到一種合適的技術手段來解決這個問題，相關的研究人員也一直在致力于該方面的研究。人工智能技術就是研究人員在這方面的一個突破，人工智能技術能夠模擬人類處理問題的思維方式，且具備一定的學習能力，本文將圍繞這些方面進行一些探討。

1 專家系統在輸電網絡故障診斷中的應用

專家系統在人工智能技術中開發的比較早，技術上也有了一定的厚度積累，從應用的角度來說，專家系統就是一個集合了大量程序的系統，它里面存儲了相關專家在相應問題方面的見解，根據這些見解對問題進行推斷，類似于專家解決問題的過程，節省了時間，目前，專家系統在人工智能中應用的已經非常廣泛。專家系統在輸電網絡故障診斷中最典型的應用就是基于產生式規則的系統，把相關電路保護措施的信息和相關技術人員的診斷經驗用程序表示出來，從而形成一個比較完備的專家知識庫，一旦輸電網絡發生故障，則可以根據這個專輯知識庫，快速的對故障進行診斷，迅速的找出解決方案。專家系統之所以在輸電網絡故障診斷中得到廣泛的應用，主要有這么幾個方面的原因：第一，輸電網絡中相關保護功能的信息能夠有效、明了的表達出來；第二，基于產生式規則的專家系統允許根據實際情況的變化，對專家知識庫進行合理的變更，跟上技術不斷進步的腳步；第三，由于專家系統的智能功能，使其能夠解決一些不確定的故障；第四，初步具備人類的思維，得出的結論能夠被相關技術人員看懂。從上面的理論分析可以看出，專家系統在輸電網絡故障診斷中很有應用的前景和應用的必要，但是它也存在著一些問題：上面的分析可以看出，專家系統對故障的診斷基于專家知識庫里的知識容量多少，因此，專家系統是否具有詳細、準確的專家知識庫能夠影響整個故障診斷的效果，如果專家知識庫達不到使用的實際標準，那么在進行故障推理低調時候，很有可能導致錯誤的結論，將相關技術人員引導到錯誤的道路上；專家系統在診斷大型輸電系統故障的時候，需要從專家知識庫進行知識的匹配，這個過程可能會比較慢；大部分專家系統不具備學習的能力，一旦診斷的故障超出了專家知識庫中的內容， 那么專家系統很容易得出錯誤的結論。

2 人工神經網絡在輸電網絡故障診斷中的應用

人工神經網絡技術在輸電網絡故障診斷中應用的也越來越廣泛，人工神經網絡技術（ANN）就是模擬人體大腦的結構和處理問題方式的一種人工智能技術，它是人工智能技術重要的一個分支，它具有很多優點，例如能夠實現并行式處理、自適應等，這些優點與輸電網絡故障診斷相結合，顯示出了巨大的潛力，是一個比較熱門的研究方向。基于人工神經網絡的輸電網絡故障診斷，其總的診斷網絡比較復雜，為了方便實時的偵測，一般將總的網絡進行分區處理，然后在各個區創建基于BP算法的故障診斷模塊，要得到診斷結果的時候，將各個分區的診斷結果進行綜合后即可得出。例如，將總的故障診斷按照分工的不能區劃成幾個功能不同的診斷網絡，比如一個子網絡用來診斷故障的發生位置；一個子網絡用來診斷故障的性質；一個子網絡用來診斷故障對整個系統的危害程度等等，最后將這些子網絡的結論按照一定的規則進行組合分析，即可得到需要的結論。人工神經網絡的方法雖然相對于專家系統來說取得了一些突破，例如能夠突破專家系統知識庫知識獲取難、診斷網絡更加便于維護等，但是也具有一些缺點：人工神經網絡不能夠對啟發性的知識進行分析和判斷，且人工神經網絡技術不夠成熟，涵蓋的范圍大，學習困難，這些都在一定程度上影響了人工神經網絡技術在輸電網絡故障診斷中的應用，并且，人工神經網絡如何在大的輸電網絡故障診斷中應用一直是一個難點，還有待于相關人員取得新的突破。總體而言，人工神經網絡方法在輸電網絡中還是很有應用前景的，可以加大的相關難題的科技攻關力度，進一步提高其有效性。

3 模糊理論在輸電網絡故障診斷中的應用

隨著模糊理論的不斷成熟，它在輸電網絡診斷中應用的也越來越廣泛。在輸電網絡的故障中，其發生的故障和故障發生前的征兆之間聯系是具有模糊性質的，這種模糊既具有不確定性又具有不準確定，因而，得出恰當的診斷結果也是比較困難的，必須要采用模糊判斷的額方法，一般情況下是建立相關的模糊關系矩陣。隨著模糊理論的不斷完善，其受重視的程度越來越高，特別是在解決具有不確定性問題的情況中；模糊理論能夠借助相關的數據庫對問題進行分析，并得出一些列解決結論，且把這些結論按照模糊的程度進行排列；模糊知識庫所使用的描述語言更容易為相關技術人員所接受。模糊故障診斷系統在結構上和專家系統有點相像，因此也具有一定的缺點：對大的輸電網絡系統故障診斷時速度比較慢；其可維護性比較差；不具備自主學習的能力。總體而言，模糊理論一般都是與其它人工智能技術結合使用，在一定程度上能夠提高故障診斷的結果準確度，但是相關研究人員也必須要在它存在的缺點上有進一步的突破。

4 遺傳算法在輸電網絡故障診斷中的應用

遺傳算法目前在很多工業控制領域得到了推廣和應用，在輸電網絡診斷中應用的也越來越多，遺傳算法在基于生物進化的基礎上推算出的一種自適應算法。遺傳算法能夠從錯綜負責的網絡中，自動匹配出解決問題的最優算法，求出最優解，且比較簡單，且可解決問題的范圍比較大，一般應用于解決中小型規模的問題。目前，在遺傳算法應用到輸電網絡故障診斷的過程中，如何建立正確數學模型至關重要，它是制約整個求解過程的關鍵，如果能夠采用適當的方法對輸電網絡建立合理的數學模型，那么將有助于提高輸電網絡故障診斷的精確性。

5 結論

目前，人工智能技術已經在很多領域得到了應用，例如設備狀態監測、設備自動化控制等，在現代輸電網絡越來越復雜的情況下，其應用于故障診斷中也顯得越來越重要，本文分別介紹了專家系統、人工神經網絡、遺傳算法、模糊理論在輸電網絡故障診斷中的應用，指出了優點和缺點，希望本文能夠對相關的工作人員產生一定的指導意義。

參考文獻：

[1]畢天株，霓以信.人工智能技術在輸電網絡故障診斷中的應用述評[J].電力系統自動化，2012（11）.

[2]曾素瓊.人工智能及其在輸配電網絡故障診斷中的應用[J].海南大學學報（自然科學版），2012（6）.

第9篇：人工神經網絡的優點范文

【關鍵詞】PID控制;BP神經網絡;模糊PID控制

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

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

1.引言

常規PID在控制領域被廣泛應用，利用數學算法來整定參數。而且隨著控制系統的復雜，被控對象很難建立數學模型，人們開始探索新的控制方式。模糊控制不要求掌握被控對象的精確的數學模型，根據人工控制規則組織控制決策表，然后由該表決定控制量的大小。在一般的模糊系統設計中，規則是由經驗豐富的專業人員以語言的方式表達出來的。但對于某些問題即使是很有經驗的專業人員也很難將他們的經驗總結、歸納為一些比較明確而簡化的規則。在這種情況下，就可以應用神經網絡的方法，依靠BP神經網絡的自學習功能，實現模糊控制的神經、模糊融合技術，并借助其并行分布的結構來估計輸入到輸出的映射關系，直接從原始的工作數據中歸納出若干控制規則。從而為模糊系統建立起行之有效的決策規則。

2.PID控制器原理

2.1 PID控制的微分方程

PID控制器是一種線性控制器，它將給定值r（t）與實際輸出值c（t）的偏差的比例（p）、積分（I）、微分（D）通過線性組合構成控制量，對控制對象進行控制。

式中：

2.2 PID控制器各環節的作用

（1）比例環節：及時成比例地反應控制系統的偏差信號e（t），偏差一旦產生，控制器立即產生控制作用以減小偏差。

（2）積分環節：積分作用會使系統穩定性下降，Kd大會使系統不穩定，但能消除靜態誤差。

（3）微分環節：能反應偏差信號的變化趨勢，并能在偏差信號值變得太大之前，在系統中引入一個早期修正信號，從而加快系統的動作速度，減小調節時間。Kd偏大時，超調較大，調節時間短;Kd偏小時，超調量也較大，調節時間長;只有Kd合適時才能超調小，時間短。

3.BP神經網絡與模糊控制

模糊控制是運用語言歸納操作人員的控制策略，運用變量和模糊集合理論形成控制算法的一種控制。如何讓機器像人一樣識別、理解模糊規則并進行模糊邏輯推理，最終得出新的結論并實現自動控制是模糊控制研究的主要內容。模糊控制器的基本結構如圖1所示。

圖1 模糊控制結構

人工神經網絡是由大量人工神經元經廣泛互連二組成的，它可用來模擬腦神經系統的結構和功能。人工神經網絡可以看成是以人工神經元為節點，用有向加權弧連接起來的有向圖。BP網絡是一種利用誤差反向傳播訓練算法的神經網絡，是一種有隱含層的多層前饋網絡，系統地解決了多層網絡中隱含單元連接權的學習問題。BP學習算法的基本原理是梯度最速下降法，它的中心思想是調整權值使網絡總誤差最小。也就是采用梯度搜索技術，以期使網絡的實際輸出值與期望輸出值的誤差均方值為最小。網絡學習過程是一種誤差邊向后傳播邊修正權系數的過程。其結構如圖2所示。

圖2中隱含層第一層神經元為7個，分別對應7個模糊子集：NB、NM、NS、ZO、PS、PM、PB。第二層49個神經元代表49條規則。第三層7個神經元代表輸出的7個模糊子集。模糊控制不依靠對象的數學模型，但模糊規則的建立需要人工經驗。采用BP算法對工程經驗和專家經驗的模糊規則進行訓練，其實就是把模糊規則用神經網絡來表示，即經過神經網絡的學習，將模糊規則以加權系數的形式表現出來，規則的生成就轉化為加權系數的確定和修改。

神經網絡是大規模并行運算，但由于網絡結構復雜，訓練和學習需要大量的時間，所以目前還無法實現實時控制。在具體應用中，我們是先離線將神經網絡的各層權值和閾值訓練出來，將其參數固定下來，然后將有系統檢測、計算得到的誤差變化直接代入非線性映射關系中，由計算機算出控制量，再用作被控對象。在matlab下以、、為輸出的BP網絡仿真訓練如圖3、圖4、圖5所示。

4.模糊PID控制器的原理與仿真

對于某一BP神經網絡控制系統，其中內部變化及被控對象的數學模型為：

利用模糊控制對PID參數實現在線調節，原理如圖6。

圖6 模糊PID控制原理圖

采用Z-N法和試湊法相結合，借助MATLAB的SIMULINK平臺，對被控對象進行常規PID仿真。參數值：kp=15，ki=6，kd=0.05。如圖7。作為比較，建立模糊PID控制器的仿真模型如圖8。

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

經過仿真發現，常規PID控制缺點是超調量大，調節時間長，動態性能差。優點是控制精度高，穩定性能好。模糊控制動態性能很好，上升速度快，基本無超調。但由于模糊化所造成的穩態誤差，在沒有積分環節的情況下很難消除，故穩態性能差。模糊PID繼承了二者的優點，摒棄二者缺點，具有更全面優良的控制性能。

5.結論

針對大滯后、慢時變、非線性的復雜系統，提出了一種基于BP神經網絡的模糊PID控制算法，該算法不依賴被控對象的精確數學模型，可實現在線自調整模糊規則，從而增強了模糊控制器的自學習能力。通過算法的仿真研究，驗證了算法的可行性。

參考文獻

[1]李華.計算機控制系統[M].北京：機械工業出版社，2007.

[2]高雋.人工神經網絡原理及仿真實例[M].北京：機械工業出版社，2007.

[3]蔡自興.智能控制[M].北京：電子工業出版社，2003.

[4]李國勇.智能控制及其MATLAB實現[M].北京：電子工業出版社，2005.

[5]張德豐.MATLAB神經網絡應用設計[M].北京：機械工業出版社，2009.

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

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