前言：中文期刊網(wǎng)精心挑選了人工神經(jīng)網(wǎng)絡(luò)的實(shí)際應(yīng)用范文供你參考和學(xué)習(xí)，希望我們的參考范文能激發(fā)你的文章創(chuàng)作靈感，歡迎閱讀。

人工神經(jīng)網(wǎng)絡(luò)的實(shí)際應(yīng)用范文1

【關(guān)鍵詞】BP神經(jīng)網(wǎng)絡(luò)；預(yù)測(cè)；誤差

1.引言

許多金融學(xué)家和計(jì)量學(xué)家對(duì)發(fā)達(dá)國(guó)家成熟市場(chǎng)的波動(dòng)性進(jìn)行了廣泛的研究，但是在對(duì)股市的預(yù)測(cè)上，由于人們?cè)谥R(shí)、能力、經(jīng)驗(yàn)上存在著較大的差異，加之問(wèn)題本身又具有很大的隨機(jī)性和高度的非線性，即使是一些金融專(zhuān)家、炒股高手對(duì)出現(xiàn)的同一復(fù)雜行情進(jìn)行分析，往往也會(huì)得出不同的結(jié)論。此外，傳統(tǒng)方法還要事先知道各種參數(shù)，以及這些參數(shù)在什么情況下應(yīng)作怎樣的修正。這都給預(yù)測(cè)股市帶來(lái)一定的困難。

基于以上股市預(yù)測(cè)的困難性，本文提出了人工神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)方法。隨著計(jì)算機(jī)、人工智能尤其是專(zhuān)家系統(tǒng)的發(fā)展，人工神經(jīng)網(wǎng)絡(luò)技術(shù)逐漸成熟并開(kāi)始應(yīng)用于各個(gè)領(lǐng)域。人工神經(jīng)網(wǎng)絡(luò)（ANN，簡(jiǎn)稱(chēng)神經(jīng)網(wǎng)絡(luò)）作為一種由大量簡(jiǎn)單神經(jīng)元廣泛相互聯(lián)接而成的非線性映射或自適應(yīng)動(dòng)力系統(tǒng)，恰好能有效解決股市預(yù)測(cè)處理中常見(jiàn)的困難，因此它很快在股市預(yù)測(cè)分析與處理領(lǐng)域得到了廣泛的應(yīng)用。

2.BP神經(jīng)網(wǎng)絡(luò)介紹

2.1 BP 網(wǎng)絡(luò)算法的基本原理

2.1.1 標(biāo)準(zhǔn)的BP 網(wǎng)絡(luò)算法的基本原理

BP(Back Propagation)網(wǎng)絡(luò)是反向傳播的多層前饋式網(wǎng)絡(luò)，是目前使用最為廣泛的一種人工神經(jīng)網(wǎng)絡(luò)。它的核心是BP算法，一種對(duì)于多基本子系統(tǒng)構(gòu)成的大系統(tǒng)進(jìn)行微商計(jì)算的嚴(yán)格而有效的方法，采用最小均方差學(xué)習(xí)方式。BP 神經(jīng)網(wǎng)絡(luò)的原理說(shuō)到底就是給它一些輸入變量，然后就有一個(gè)輸出，輸出值的情況與實(shí)際的情況進(jìn)行比較，差多少，然后再進(jìn)行網(wǎng)絡(luò)的內(nèi)部調(diào)整，屬于有導(dǎo)師的學(xué)習(xí)規(guī)則，使得網(wǎng)絡(luò)輸出與實(shí)際逼近。

神經(jīng)網(wǎng)絡(luò)能學(xué)習(xí)和存貯大量的輸入―輸出模式映射關(guān)系，而無(wú)需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程。人工神經(jīng)網(wǎng)絡(luò)由非線性函數(shù)組成，而由一系列不同權(quán)重的線性過(guò)濾器組合而成：

2.1.2 BP網(wǎng)絡(luò)算法的優(yōu)化

由于常用的BP算法主要缺點(diǎn)為收斂速度慢，局部極值，難以確定隱含層和隱含層的個(gè)數(shù)，使得在實(shí)際應(yīng)用中BP算法很難應(yīng)用，因此，出現(xiàn)了許多改進(jìn)算法。BP算法的改進(jìn)主要有兩種途徑，一種是采用啟發(fā)式學(xué)習(xí)方法；另一種則是采用更有效的優(yōu)化算法，本文采用了動(dòng)量法和學(xué)習(xí)率自適應(yīng)調(diào)整的策略，從而提高了學(xué)習(xí)速度并增加了算法的可靠性。動(dòng)量法降低了網(wǎng)絡(luò)對(duì)于誤差曲面局部極值的敏感性，有效地抑制了網(wǎng)絡(luò)陷于局部極小。

2.2 BP神經(jīng)網(wǎng)絡(luò)的模型識(shí)別及步驟

模式通常指對(duì)事物的一種定量描述或結(jié)構(gòu)描述，“識(shí)別”是指對(duì)客觀事物按其物理特征進(jìn)行分類(lèi)。模式識(shí)別的基本原理就是從待識(shí)別對(duì)象和理想標(biāo)本之間若干特征的相似性推斷它們之間總體的相似性。BP神經(jīng)網(wǎng)絡(luò)模式識(shí)別過(guò)程分為訓(xùn)練階段和模式分類(lèi)階段，分為初始化、數(shù)據(jù)與處理、網(wǎng)絡(luò)訓(xùn)練以及模式分類(lèi)四個(gè)步驟。以下利用實(shí)證分析來(lái)進(jìn)行著四個(gè)步驟。

3.實(shí)例分析

下面以上證的某股600個(gè)交易日的股票價(jià)格收盤(pán)指數(shù)作為原始樣本數(shù)據(jù)，對(duì)上述神經(jīng)網(wǎng)絡(luò)模型進(jìn)行求解，預(yù)測(cè)20天的收盤(pán)價(jià)，與實(shí)際收盤(pán)價(jià)進(jìn)行比較，并求出其誤差：

式中，表示第日的實(shí)際收盤(pán)指數(shù)，表示第日的預(yù)測(cè)值，表示誤差。主要按照如下幾部分來(lái)處理：（1）準(zhǔn)備600個(gè)數(shù)據(jù)的時(shí)間序列，進(jìn)行歸一化。BP神經(jīng)網(wǎng)絡(luò)中每個(gè)神經(jīng)元的輸出值由傳遞函數(shù)Sigmoid函數(shù)來(lái)計(jì)算，其輸出值的范圍是（0，1）；（2）留出最后20個(gè)數(shù)據(jù)，作為預(yù)測(cè)檢驗(yàn)使用；（3）繪制圖像，包括實(shí)際值和預(yù)測(cè)值，能量函數(shù)；（4）分析實(shí)際和預(yù)測(cè)兩曲線的趨勢(shì)。

采用I-J-K學(xué)習(xí)模型，該模型是輸入層I個(gè)神經(jīng)元，隱層J 個(gè)神經(jīng)元，輸出層K個(gè)神經(jīng)元。利用BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練500次、800次、1000次的輸出值和期望值以及能量函數(shù)（或者叫誤差函數(shù)）E，結(jié)果見(jiàn)圖1到圖3。

通過(guò)上面的圖示，可以看到用BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的效果比較明顯，這說(shuō)明該模型適用于短期預(yù)測(cè)嗎，股市的波動(dòng)在很多地區(qū)都是非常劇烈的，各種因素的綜合作用也使得長(zhǎng)期股指的變動(dòng)具有極大的不確定性，使得預(yù)測(cè)變得很困難。而B(niǎo)P網(wǎng)絡(luò)的算法原理和自學(xué)習(xí)的特點(diǎn)使其能夠充分挖掘出隱含在樣本數(shù)據(jù)中的規(guī)律性，實(shí)現(xiàn)從輸入空間到輸出空間的非線性映射，對(duì)樣本數(shù)據(jù)進(jìn)行精確的擬合。從而B(niǎo)P神經(jīng)網(wǎng)絡(luò)的方法對(duì)于股市上的一些很難看出規(guī)律的數(shù)據(jù)列的預(yù)測(cè)而言，無(wú)疑是一個(gè)比較精確的預(yù)測(cè)方法。

4.結(jié)論

本文介紹了股市的特點(diǎn)以及股市預(yù)測(cè)的困難性，提出了利用BP神經(jīng)網(wǎng)絡(luò)的方法來(lái)解決股市預(yù)測(cè)問(wèn)題。文章介紹了BP神經(jīng)網(wǎng)絡(luò)算法的基本原理，BP神經(jīng)網(wǎng)絡(luò)算法的優(yōu)化，BP神經(jīng)網(wǎng)絡(luò)模型識(shí)別及步驟，最后后以上海證券交易所每日股票價(jià)格收盤(pán)指數(shù)為分析對(duì)象，把原理應(yīng)用于實(shí)際，利用BP神經(jīng)網(wǎng)絡(luò)對(duì)股票價(jià)格收盤(pán)指數(shù)進(jìn)行了短期預(yù)測(cè)，并計(jì)算出預(yù)測(cè)值和實(shí)際值的誤差。通過(guò)實(shí)驗(yàn)發(fā)現(xiàn)該模型收斂速度快，預(yù)測(cè)精度非常高，對(duì)預(yù)測(cè)短周期內(nèi)股指波動(dòng)具有較強(qiáng)的適用性。

參考文獻(xiàn)

[1]高琴.人工神經(jīng)網(wǎng)絡(luò)在股市預(yù)測(cè)模型中的應(yīng)用[J].微電子學(xué)與計(jì)算機(jī),2007年第24卷第11期.

[2]周翠紅,路邁西.線性回歸與人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)煤炭發(fā)熱量[J].煤炭科學(xué)技術(shù),第37卷第12期.

[3]尹慶雙,奉瑩.人工神經(jīng)網(wǎng)絡(luò)在第三產(chǎn)業(yè)就業(yè)分析中的應(yīng)用[J].人口與經(jīng)濟(jì),2009年第6期.

[4]鄒文安,劉寶,姜波,楊春生.基于Excel 技術(shù)平臺(tái)人工神經(jīng)網(wǎng)絡(luò)BP模型及應(yīng)用[J].水文,第30卷第1期.

[5]康進(jìn),劉敬偉.非參數(shù)回歸估計(jì)與人工神經(jīng)網(wǎng)絡(luò)方法的預(yù)測(cè)效果比較[J].統(tǒng)計(jì)與決策,2009年第23 期.

[6]楊本昭,田耕.基于人工神經(jīng)網(wǎng)絡(luò)的客戶價(jià)值分類(lèi)研究[J].科技管理研究,2007年第12期.

人工神經(jīng)網(wǎng)絡(luò)的實(shí)際應(yīng)用范文2

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)；邊坡；穩(wěn)定性

引言

邊坡的穩(wěn)定性是目前巖土工程界研究的重大課題，在礦山工程、水利工程以及建筑工程等諸多領(lǐng)域都涉及到邊坡的穩(wěn)定性問(wèn)題。邊坡工程是一個(gè)動(dòng)態(tài)開(kāi)放的、復(fù)雜的、非線性的系統(tǒng)問(wèn)題，影響邊坡穩(wěn)定性的因素不但有地質(zhì)和工程因素，而且還具有不確定性。目前，評(píng)價(jià)邊坡穩(wěn)定性的方法有層次分析法、灰色理論法、極限平衡法、有限元法等方法，但是這些方法難以擺脫人為因素的影響，計(jì)算復(fù)雜，具有一定的局限性。本文將人工神經(jīng)網(wǎng)絡(luò)的知識(shí)應(yīng)用到邊坡穩(wěn)定性的預(yù)測(cè)中，結(jié)合人工神經(jīng)網(wǎng)絡(luò)在結(jié)構(gòu)上的分布式存儲(chǔ)和并行處理的特點(diǎn)，使人工神經(jīng)網(wǎng)絡(luò)具有較好的容錯(cuò)性、高度非線性映射、以及自適應(yīng)、自組織學(xué)習(xí)的能力，從而能夠捕捉邊坡穩(wěn)定性與影響邊坡穩(wěn)定因素之間的相關(guān)規(guī)律，彌補(bǔ)傳統(tǒng)方法在預(yù)測(cè)邊坡穩(wěn)定性上面的不足，實(shí)現(xiàn)對(duì)邊坡穩(wěn)定性的可靠預(yù)測(cè)。

1 神經(jīng)網(wǎng)絡(luò)原理

人工神經(jīng)網(wǎng)絡(luò)ANN（artificial neural network）是屬于人工智能（artificial intelligence）范疇的一種計(jì)算技術(shù)，它根據(jù)人們對(duì)生物神經(jīng)網(wǎng)絡(luò)的研究成果設(shè)計(jì)出來(lái)，具有良好的數(shù)學(xué)描述，可以方便地用計(jì)算機(jī)程序加以模擬。

目前，最常用的人工神經(jīng)網(wǎng)絡(luò)模型有線性神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)、BP神經(jīng)網(wǎng)絡(luò)等，本文采用誤差信號(hào)反向傳播的BP神經(jīng)網(wǎng)絡(luò)對(duì)邊坡的穩(wěn)定性進(jìn)行研究。BP神經(jīng)網(wǎng)絡(luò)在訓(xùn)練時(shí)，由信號(hào)的正向傳播和信號(hào)的反向傳播共同構(gòu)成神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程，其訓(xùn)練流程示意圖如圖 1 所示。

圖1 基于 BP 算法的神經(jīng)元網(wǎng)絡(luò)結(jié)構(gòu)訓(xùn)練流程圖

2 神經(jīng)網(wǎng)絡(luò)模型建立及訓(xùn)練

2.1 輸入樣本和輸出樣本的選擇

基于BP人工神經(jīng)網(wǎng)絡(luò)的邊坡穩(wěn)定性預(yù)測(cè)模型的建立，首先是確定神經(jīng)網(wǎng)絡(luò)模型各層的節(jié)點(diǎn)個(gè)數(shù)。本文采用某礦山的邊坡工程實(shí)例進(jìn)行 BP 神經(jīng)網(wǎng)絡(luò)模型的有效檢驗(yàn)，選取影響邊坡穩(wěn)定性的6個(gè)主控因素為輸入樣本，即：確定輸入變量為 D1—邊坡高度指標(biāo)，D2—重度指標(biāo)，D3—內(nèi)聚力指標(biāo)，D4—摩擦角指標(biāo)，D5—邊坡角指標(biāo)，D6—孔隙壓力比指標(biāo)。

輸出向量是邊坡穩(wěn)定性狀態(tài)代碼，將邊坡穩(wěn)定性狀態(tài)代碼分為兩種類(lèi)型：即1代表邊坡穩(wěn)定性狀態(tài)為破壞，0代表邊坡穩(wěn)定性狀態(tài)為穩(wěn)定。

2.2 模型的訓(xùn)練和預(yù)測(cè)

本文通過(guò)編寫(xiě)程序語(yǔ)言，結(jié)合Matlab7.0來(lái)實(shí)現(xiàn)邊坡穩(wěn)定性的預(yù)測(cè)，應(yīng)用人工神經(jīng)網(wǎng)絡(luò)工具箱中的newff函數(shù)來(lái)建立一個(gè)前饋型的邊坡穩(wěn)定性預(yù)測(cè)網(wǎng)絡(luò)模型，在進(jìn)行網(wǎng)絡(luò)樣本訓(xùn)練時(shí)，其中各參數(shù)的設(shè)定情況為：學(xué)習(xí)效率設(shè)為0.5，網(wǎng)絡(luò)訓(xùn)練的最大迭代次數(shù)為15000次，其收斂精度設(shè)置為0.001，采用隨機(jī)賦值的方法設(shè)定網(wǎng)絡(luò)訓(xùn)練中權(quán)值和閾值的初始值。網(wǎng)絡(luò)的輸入層和隱含層均采用對(duì)數(shù)型S型函數(shù)作為傳遞函數(shù)。通過(guò)BP神經(jīng)網(wǎng)絡(luò)信號(hào)誤差反向傳播算法所建立的邊坡穩(wěn)定性預(yù)測(cè)網(wǎng)絡(luò)模型，在樣本訓(xùn)練的過(guò)程中，當(dāng)網(wǎng)絡(luò)訓(xùn)練達(dá)到所設(shè)置的目標(biāo)精度或者滿足最大迭代次數(shù)時(shí)，自動(dòng)停止訓(xùn)練。

本文收集整理了國(guó)內(nèi)外各類(lèi)礦山及巖土工程中潛在或滑動(dòng)破壞模式為圓弧形滑落的穩(wěn)定邊坡和失穩(wěn)破壞邊坡實(shí)例共10個(gè)（破壞4，穩(wěn)定6）。根據(jù)提供信息包括邊坡結(jié)構(gòu)參數(shù)，巖土體的物理力學(xué)性質(zhì)參數(shù)，邊坡穩(wěn)定狀態(tài)及極限平衡法計(jì)算安全系數(shù)（表1）。輸入層的6個(gè)神經(jīng)元分別對(duì)應(yīng)參數(shù)：重度、粘聚力、摩擦角、邊坡角、邊坡高度、孔隙壓力比。將10個(gè)樣本提供網(wǎng)絡(luò)學(xué)習(xí)，經(jīng)922次迭代后網(wǎng)絡(luò)收斂。訓(xùn)練樣本的神經(jīng)網(wǎng)絡(luò)的計(jì)算結(jié)果見(jiàn)表2。網(wǎng)絡(luò)訓(xùn)練誤差曲線圖如圖2所示。

根據(jù)以上預(yù)測(cè)結(jié)果可知，預(yù)測(cè)精度達(dá)到了預(yù)定的要求0.001，預(yù)測(cè)結(jié)果與邊坡穩(wěn)定性的實(shí)際情況相符，本文建立的BP神經(jīng)網(wǎng)絡(luò)邊坡穩(wěn)定性預(yù)測(cè)模型預(yù)測(cè)效果較好，預(yù)測(cè)精度較高，能夠滿足實(shí)際工作的需要，輸出結(jié)果與現(xiàn)場(chǎng)情況吻合。

3 結(jié)論

人工神經(jīng)網(wǎng)絡(luò)將制約和影響邊坡穩(wěn)定的可直接取實(shí)測(cè)數(shù)據(jù)的定性因素包括邊坡結(jié)構(gòu)參數(shù)（高度、角度等）以及巖土體的物理力學(xué)性質(zhì)（粘聚力、摩擦角、干容重等）納入模型參與穩(wěn)定性評(píng)價(jià)，借助計(jì)算軟件MATLAB編制計(jì)算程序加以實(shí)現(xiàn)。

實(shí)際應(yīng)用表明，神經(jīng)網(wǎng)絡(luò)模型由于具有很強(qiáng)的自學(xué)習(xí)、自組織的能力和高度非線形動(dòng)態(tài)處理能力，用來(lái)評(píng)價(jià)邊坡的穩(wěn)定性有較好的適用性，可以加以推廣應(yīng)用。

參考文獻(xiàn)

[1] 飛思科技產(chǎn)品研發(fā)中心. 神經(jīng)網(wǎng)絡(luò)理論與MATLAB7實(shí)現(xiàn)[M]. 北京： 電子工業(yè)出版社， 2005： 97-116.

[2] 李春輝. 基于BP神經(jīng)網(wǎng)絡(luò)的煤與瓦斯突出危險(xiǎn)性預(yù)測(cè)的研究[D]. 昆明：昆明理工大學(xué)， 2010： 40-58.

[3] 劉勇， 江成玉. 基于BP神經(jīng)網(wǎng)絡(luò)的煤與瓦斯突出危險(xiǎn)性的預(yù)測(cè)研究[J]. 潔凈煤技術(shù)，2011（1）： 97-100.

[4] 馮夏庭， 王泳嘉， 盧世宗. 邊坡穩(wěn)定性的神經(jīng)網(wǎng)絡(luò)估計(jì)[J].工程地質(zhì)學(xué)報(bào)，1995（4）： 54-61

[5] 侯殿昆， 宋秀琴， 劉景凡. 基于神經(jīng)網(wǎng)絡(luò)的多參數(shù)露天邊坡穩(wěn)定性分析[J]. 遼寧工程技術(shù)大學(xué)學(xué)報(bào)， 2007， 26（5）： 649-651.

[6] 鄒義懷， 江成玉， 李春輝. 人工神經(jīng)網(wǎng)絡(luò)在邊坡穩(wěn)定性預(yù)測(cè)中的應(yīng)用[J]. 礦 冶， 2011， 20（4）： 38-41.

人工神經(jīng)網(wǎng)絡(luò)的實(shí)際應(yīng)用范文3

人工神經(jīng)網(wǎng)絡(luò)（Aartificial Neural Network，下簡(jiǎn)稱(chēng)ANN）是模擬生物神經(jīng)元的結(jié)構(gòu)而提出的一種信息處理方法。早在1943年，已由心理學(xué)家Warren S.Mcculloch和數(shù)學(xué)家Walth H.Pitts提出神經(jīng)元數(shù)學(xué)模型，后被冷落了一段時(shí)間，80年代又迅猛興起［1］。ANN之所以受到人們的普遍關(guān)注，是由于它具有本質(zhì)的非線形特征、并行處理能力、強(qiáng)魯棒性以及自組織自學(xué)習(xí)的能力。其中研究得最為成熟的是誤差的反傳模型算法（BP算法，Back Propagation），它的網(wǎng)絡(luò)結(jié)構(gòu)及算法直觀、簡(jiǎn)單，在工業(yè)領(lǐng)域中應(yīng)用較多。

經(jīng)訓(xùn)練的ANN適用于利用分析振動(dòng)數(shù)據(jù)對(duì)機(jī)器進(jìn)行監(jiān)控和故障檢測(cè)，預(yù)測(cè)某些部件的疲勞壽命［2］。非線形神經(jīng)網(wǎng)絡(luò)補(bǔ)償和魯棒控制綜合方法的應(yīng)用（其魯棒控制利用了變結(jié)構(gòu)控制或滑動(dòng)?？刂疲趯?shí)時(shí)工業(yè)控制執(zhí)行程序中較為有效［3］。人工神經(jīng)網(wǎng)絡(luò)（ANN）和模糊邏輯（Fuzzy Logic）的綜合，實(shí)現(xiàn)了電動(dòng)機(jī)故障檢測(cè)的啟發(fā)式推理。對(duì)非線形問(wèn)題，可通過(guò)ANN的BP算法學(xué)習(xí)正常運(yùn)行例子調(diào)整內(nèi)部權(quán)值來(lái)準(zhǔn)確求解［4］。

因此，對(duì)于電力系統(tǒng)這個(gè)存在著大量非線性的復(fù)雜大系統(tǒng)來(lái)講，ANN理論在電力系統(tǒng)中的應(yīng)用具有很大的潛力，目前已涉及到如暫態(tài)，動(dòng)穩(wěn)分析，負(fù)荷預(yù)報(bào)，機(jī)組最優(yōu)組合，警報(bào)處理與故障診斷，配電網(wǎng)線損計(jì)算，發(fā)電規(guī)劃，經(jīng)濟(jì)運(yùn)行及電力系統(tǒng)控制等方面［5］。

本文介紹了一種基于人工神經(jīng)網(wǎng)絡(luò)（ANN）理論的保護(hù)原理。

1、人工神經(jīng)網(wǎng)絡(luò)理論概述

BP算法是一種監(jiān)控學(xué)習(xí)技巧，它通過(guò)比較輸出單元的真實(shí)輸出和希望值之間的差別，調(diào)整網(wǎng)絡(luò)路徑的權(quán)值，以使下一次在相同的輸入下，網(wǎng)絡(luò)的輸出接近于希望值。

在神經(jīng)網(wǎng)絡(luò)投運(yùn)前，就應(yīng)用大量的數(shù)據(jù)，包括正常運(yùn)行的、不正常運(yùn)行的，作為其訓(xùn)練內(nèi)容，以一定的輸入和期望的輸出通過(guò)BP算法去不斷修改網(wǎng)絡(luò)的權(quán)值。在投運(yùn)后，還可根據(jù)現(xiàn)場(chǎng)的特定情況進(jìn)行現(xiàn)場(chǎng)學(xué)習(xí)，以擴(kuò)充ANN內(nèi)存知識(shí)量。從算法原理看，并行處理能力和非線性功能是BP算法的一大優(yōu)點(diǎn)。

2、神經(jīng)網(wǎng)絡(luò)型繼電保護(hù)

神經(jīng)網(wǎng)絡(luò)理論的保護(hù)裝置，可判別更復(fù)雜的模式，其因果關(guān)系是更復(fù)雜的、非線性的、模糊的、動(dòng)態(tài)的和非平穩(wěn)隨機(jī)的。它是神經(jīng)網(wǎng)絡(luò)（ANN）與專(zhuān)家系統(tǒng)（ES）融為一體的神經(jīng)網(wǎng)絡(luò)專(zhuān)家系統(tǒng)，其中，ANN是數(shù)值的、聯(lián)想的、自組織的、仿生的方式，ES是認(rèn)知的和啟發(fā)式的。

文獻(xiàn)［1］認(rèn)為全波數(shù)據(jù)窗建立的神經(jīng)網(wǎng)絡(luò)在準(zhǔn)確性方面優(yōu)于利用半波數(shù)據(jù)窗建立的神經(jīng)網(wǎng)絡(luò)，因此保護(hù)應(yīng)選用全波數(shù)據(jù)窗。

ANN保護(hù)裝置出廠后，還可以在投運(yùn)單位如網(wǎng)調(diào)、省調(diào)實(shí)驗(yàn)室內(nèi)進(jìn)行學(xué)習(xí)，學(xué)習(xí)內(nèi)容針對(duì)該省的保護(hù)的特別要求進(jìn)行（如反措）。到現(xiàn)場(chǎng)，還可根據(jù)該站的干擾情況進(jìn)行反誤動(dòng)、反拒動(dòng)學(xué)習(xí)，特別是一些常出現(xiàn)波形間斷的變電站內(nèi)的高頻保護(hù)。

3、結(jié)論

本文基于現(xiàn)代控制技術(shù)提出了人工神經(jīng)網(wǎng)絡(luò)理論的保護(hù)構(gòu)想。神經(jīng)網(wǎng)絡(luò)軟件的反應(yīng)速度比純數(shù)字計(jì)算軟件快幾十倍以上，這樣，在相同的動(dòng)作時(shí)間下，可以大大提高保護(hù)運(yùn)算次數(shù)，以實(shí)現(xiàn)在時(shí)間上即次數(shù)上提高冗余度。

一套完整的ANN保護(hù)是需要有很多輸入量的，如果對(duì)某套保護(hù)來(lái)說(shuō)，區(qū)內(nèi)、區(qū)外故障時(shí)其輸入信號(hào)幾乎相同，則很難以此作為訓(xùn)練樣本訓(xùn)練保護(hù)，而每套保護(hù)都增多輸入量，必然會(huì)使保護(hù)、二次接線復(fù)雜化。變電站綜合自動(dòng)化也許是解決該問(wèn)題的一個(gè)較好方法，各套保護(hù)通過(guò)總線聯(lián)網(wǎng)，交換信息，充分利用ANN的并行處理功能，每套保護(hù)均對(duì)其它線路信息進(jìn)行加工，以此綜合得出動(dòng)作判據(jù)。每套保護(hù)可把每次錄得的數(shù)據(jù)文件，加上對(duì)其動(dòng)作正確性與否的判斷，作為本身的訓(xùn)練內(nèi)容，因?yàn)榧词褂袝r(shí)人工分析也不能區(qū)分哪些數(shù)據(jù)特征能使保護(hù)不正確動(dòng)作，特別是高頻模擬量。

神經(jīng)網(wǎng)絡(luò)的硬件芯片現(xiàn)在仍很昂貴，但技術(shù)成熟時(shí)，應(yīng)利用硬件實(shí)現(xiàn)現(xiàn)在的軟件功能。另外，神經(jīng)網(wǎng)絡(luò)的并行處理和信息分布存儲(chǔ)機(jī)制還不十分清楚，如何選擇的網(wǎng)絡(luò)結(jié)構(gòu)還沒(méi)有充分的理論依據(jù)。所有這些都有待于對(duì)神經(jīng)網(wǎng)絡(luò)基本理論進(jìn)行深入的研究，以形成完善的理論體系，創(chuàng)造出更適合于實(shí)際應(yīng)用的新型網(wǎng)絡(luò)及學(xué)習(xí)算法［5］。

參考文獻(xiàn)

1、陳炳華。采用模式識(shí)別（智能型）的保護(hù)裝置的設(shè)想。中國(guó)電機(jī)工程學(xué)會(huì)第五屆全國(guó)繼電保護(hù)學(xué)術(shù)會(huì)議，［會(huì)址不詳］，1993

2、Robert E.Uhrig.Application of Artificial Neural Networks in Industrial Technology.IEEE Trans，1994，10（3）。（1）：371～377

3、Lee T H，Wang Q C，Tan W K.A Framework for Robust Neural Network-Based Control of Nonlinear Servomechannisms.IEEE Trans，1993，3（2）。（3）：190～197

人工神經(jīng)網(wǎng)絡(luò)的實(shí)際應(yīng)用范文4

關(guān)鍵詞：發(fā)電燃料；供應(yīng)預(yù)測(cè)；BP神經(jīng)網(wǎng)絡(luò)；預(yù)測(cè)方法

中圖分類(lèi)號(hào)：TM 762 文獻(xiàn)標(biāo)示碼：A

0 引言

發(fā)電燃料的供應(yīng)受到能源政策、供需形勢(shì)、資源分布、供應(yīng)價(jià)格、交通運(yùn)輸、市場(chǎng)博弈等多種復(fù)雜因素的影響，長(zhǎng)期以來(lái)缺乏合理有效的供應(yīng)預(yù)測(cè)方法和技術(shù)手段，尤其是廠網(wǎng)分離后鮮見(jiàn)相關(guān)的研究工作。

文獻(xiàn)1《遼寧火電廠燃料管理信息系統(tǒng)的開(kāi)發(fā)與研制》開(kāi)發(fā)和研制了覆蓋遼寧全體直屬電廠燃料公司并同東電局進(jìn)行廣域網(wǎng)數(shù)據(jù)交換，同時(shí)能進(jìn)行審核管理和業(yè)務(wù)信息方便傳輸?shù)娜剂暇C合管理信息系統(tǒng)。

文獻(xiàn)2《電力系統(tǒng)燃料MIS系統(tǒng)開(kāi)發(fā)研究》探討了燃料管理信息系統(tǒng)的組成、功能、結(jié)構(gòu)及開(kāi)發(fā)應(yīng)用，為綜述性理論研究。

以上文獻(xiàn)均未對(duì)發(fā)電燃料供應(yīng)提供較有效的預(yù)測(cè)方法。本文提出一種基于BP神經(jīng)網(wǎng)絡(luò)的發(fā)電燃料供應(yīng)量預(yù)測(cè)方法，利用神經(jīng)網(wǎng)絡(luò)原理，通過(guò)數(shù)據(jù)收集、數(shù)據(jù)修正和神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)選擇建立起基于BP神經(jīng)網(wǎng)絡(luò)的發(fā)電燃料供應(yīng)預(yù)測(cè)模型。通過(guò)MATLAB實(shí)際仿真，證明該預(yù)測(cè)方法預(yù)測(cè)較準(zhǔn)確，并具有靈活的適應(yīng)性。

基金項(xiàng)目：中國(guó)南方電網(wǎng)有限責(zé)任公司科技項(xiàng)目（K-ZD2013-005）

1 預(yù)測(cè)方法

按預(yù)測(cè)方法的性質(zhì)不同，預(yù)測(cè)可分為定性預(yù)測(cè)和定量預(yù)測(cè)。常用的定性預(yù)測(cè)方法有主觀概率法、調(diào)查預(yù)測(cè)法、德?tīng)柗品?、?lèi)比法、相關(guān)因素分析法等。定量方法又可以分為因果分析法和時(shí)間序列分析法等，因果分析法也叫結(jié)構(gòu)關(guān)系分析法。它是通過(guò)分析變化的原因，找出原因與結(jié)果之間的聯(lián)系方式，建立預(yù)測(cè)模型，并據(jù)此預(yù)測(cè)未來(lái)的發(fā)展變化趨勢(shì)及可能水平。時(shí)間序列分析法也叫歷史延伸法。它是以歷史的時(shí)間序列數(shù)據(jù)為基礎(chǔ)，運(yùn)用一定的數(shù)學(xué)方法尋找數(shù)據(jù)變動(dòng)規(guī)律向外延伸，預(yù)測(cè)未來(lái)的發(fā)展變化趨勢(shì)。由于時(shí)間序列模型無(wú)法引入對(duì)負(fù)荷影響的其它變量，所以，單純應(yīng)用時(shí)間序列模型進(jìn)行供應(yīng)預(yù)測(cè)精度難以提高。

運(yùn)用人工神經(jīng)網(wǎng)絡(luò)技術(shù)進(jìn)行預(yù)測(cè)，其優(yōu)點(diǎn)是可以模仿人腦的智能化處理過(guò)程，對(duì)大量非結(jié)構(gòu)性、非精確性規(guī)律具有自適應(yīng)功能，具有信息記憶、自主學(xué)習(xí)、知識(shí)推理和優(yōu)化計(jì)算的特點(diǎn)，特別是其自學(xué)習(xí)和自適應(yīng)功能是常規(guī)算法和專(zhuān)家系統(tǒng)所不具備的，因此，預(yù)測(cè)是人工神經(jīng)網(wǎng)絡(luò)的最有潛力的應(yīng)用領(lǐng)域之一，有非常廣泛的前途。

2 BP神經(jīng)網(wǎng)絡(luò)模型

2.1 人工神經(jīng)網(wǎng)絡(luò)概述

人工神經(jīng)網(wǎng)絡(luò)是由神經(jīng)元以一定的拓?fù)浣Y(jié)構(gòu)和連接關(guān)系組成的信息表現(xiàn)、儲(chǔ)存和變換系統(tǒng)，是模仿人腦結(jié)構(gòu)的一種信息系統(tǒng)，可較好地模擬人的形象思維能力。它是對(duì)自然界中生物體神經(jīng)系統(tǒng)進(jìn)行抽象和改造，并模擬生物體神經(jīng)系統(tǒng)功能的產(chǎn)物。神經(jīng)網(wǎng)絡(luò)的重要特點(diǎn)是具有記憶和學(xué)習(xí)能力，經(jīng)過(guò)一定訓(xùn)練之后，能夠?qū)o定的輸入做出相應(yīng)處理。

人工神經(jīng)網(wǎng)絡(luò)適用于處理實(shí)際中不確定性、精確性不高等引起的系統(tǒng)難以控制的問(wèn)題，映射輸入輸出關(guān)系。人工神經(jīng)網(wǎng)絡(luò)優(yōu)于傳統(tǒng)方法在于：

1）實(shí)現(xiàn)了非線性關(guān)系的隱式表達(dá)，不需要建立復(fù)雜系統(tǒng)的顯示關(guān)系式；

2）容錯(cuò)性強(qiáng)，可以處理信息不完全的預(yù)測(cè)問(wèn)題，而信息不完全的情況在實(shí)際中經(jīng)常遇到；

3）由于神經(jīng)網(wǎng)絡(luò)具有一致逼進(jìn)效果，訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)在樣本上輸出期望值，在非樣本點(diǎn)上表現(xiàn)出網(wǎng)絡(luò)的聯(lián)想記憶功能；

4）由于大規(guī)模并行機(jī)制，故預(yù)測(cè)速度快；

5）動(dòng)態(tài)自適應(yīng)能力強(qiáng)，可適應(yīng)外界新的學(xué)習(xí)樣木，使網(wǎng)絡(luò)知識(shí)不斷更新。

圖1是一個(gè)人工神經(jīng)元的典型結(jié)構(gòu)圖。

圖1 神經(jīng)元典型結(jié)構(gòu)圖

它相當(dāng)于一個(gè)多輸入單輸出的非線性閾值器件。，表示該神經(jīng)元的輸入向量；為權(quán)值向量；θ為神經(jīng)元的閾值，如果神經(jīng)元輸入向量加權(quán)和大于0，則神經(jīng)元被激活；f表示神經(jīng)元的輸入輸出關(guān)系函數(shù)，即傳輸函數(shù)。因此，神經(jīng)元的輸出可以表示為：

其中傳輸函數(shù)是神經(jīng)元以及網(wǎng)絡(luò)的核心。網(wǎng)絡(luò)解決問(wèn)題的能力與功效除了與網(wǎng)絡(luò)結(jié)構(gòu)有關(guān)，在很大程度上取決于網(wǎng)絡(luò)所采用的傳輸函數(shù)。

幾種常見(jiàn)的傳輸函數(shù)如圖2所示：

（1）為閾值型，將任意輸入轉(zhuǎn)化為0或1輸出，其輸入/輸出關(guān)系為：

（2）為線性型，其輸入/輸出關(guān)系為：

（3）、（4）為S型，它將任意輸入值壓縮到（0，1）的范圍內(nèi)，此類(lèi)傳遞函數(shù)常用對(duì)數(shù)（logsig）或雙曲正切（tansig）等一類(lèi)S形狀的曲線來(lái)表示，如對(duì)數(shù)S型傳遞函數(shù)的關(guān)系為：

而雙曲正切S型曲線的輸入/輸出函數(shù)關(guān)系是：

（1） （2）

（3） （4）

圖2 常見(jiàn)的傳遞函數(shù)圖形

2.2 BP神經(jīng)網(wǎng)絡(luò)概述

神經(jīng)網(wǎng)絡(luò)的魅力在于它超強(qiáng)的映射能力，單層感知器可實(shí)現(xiàn)性分類(lèi)，多層前向網(wǎng)絡(luò)則可以逼近任何非線性函數(shù)。可以將BP網(wǎng)絡(luò)視為從輸入到輸出的高度非線性映射，而有關(guān)定理證明BP神經(jīng)網(wǎng)絡(luò)通過(guò)對(duì)簡(jiǎn)單的非線性函數(shù)進(jìn)行數(shù)次復(fù)合，可以近似任何復(fù)雜的函數(shù)。

在人工神經(jīng)網(wǎng)絡(luò)的實(shí)際應(yīng)用中，80%-90%的人工神經(jīng)網(wǎng)絡(luò)模型是采用BP網(wǎng)絡(luò)和它的變化形式，它也是前向網(wǎng)絡(luò)的核心，體現(xiàn)了人工神經(jīng)網(wǎng)絡(luò)最精華的部分。在人們掌握反向傳播網(wǎng)絡(luò)的設(shè)計(jì)之前，感知器和自適應(yīng)線性元件都只能適用于對(duì)單層網(wǎng)絡(luò)模型的訓(xùn)練，只是后來(lái)才得到進(jìn)一步拓展。

BP神經(jīng)網(wǎng)絡(luò)主要應(yīng)用有：

（1）函數(shù)逼近：用輸入矢量和相應(yīng)的輸出矢量訓(xùn)練一個(gè)網(wǎng)絡(luò)逼近一個(gè)函數(shù)。

（2）模式識(shí)別：用一個(gè)特定的輸出矢量將它與輸入矢量聯(lián)系起來(lái)。

（3）分類(lèi)：把輸入矢量以所定義的合適方式進(jìn)行分類(lèi)。

（4）數(shù)據(jù)壓縮：減少輸出矢量維數(shù)以便于傳輸或存儲(chǔ)。

2.3 誤差反向傳播算法原理

BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，名字源于網(wǎng)絡(luò)權(quán)值的調(diào)整規(guī)則，采用的是誤差反向傳播算法（Error Back-Propagation Training Algorithm）即BP算法。BP神經(jīng)網(wǎng)絡(luò)是單向傳播的多層前向神經(jīng)網(wǎng)絡(luò)。除輸入輸出節(jié)點(diǎn)之外，有一層或多層的隱藏節(jié)點(diǎn)，同層節(jié)點(diǎn)之間無(wú)任何連接。典型的BP網(wǎng)絡(luò)是三層前饋階層網(wǎng)絡(luò)，即：輸入層、隱含層（中間層）和輸出層，各層之間實(shí)行全連接。BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示：

圖3 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

BP網(wǎng)絡(luò)學(xué)習(xí)過(guò)程包括誤差正向傳播和反向傳播兩個(gè)過(guò)程。在正向傳播過(guò)程中，輸入樣本從輸入層傳入，經(jīng)各隱含逐層處理后，傳向輸出層，每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)。若輸出層的實(shí)際輸出與期望的輸出不符，則轉(zhuǎn)入誤差的反向傳播階段。誤差反傳是將輸出誤差的某種形式通過(guò)隱含層向輸入層逐層反傳，并將誤差分?jǐn)偨o各層的所有單元，從而獲得各層單元的誤差信號(hào)，此誤差信號(hào)即作為修正各神經(jīng)元之間權(quán)值的依據(jù)。這種信號(hào)正向傳播與誤差反向傳播的各層權(quán)值調(diào)整過(guò)程，是周而復(fù)始地進(jìn)行的。權(quán)值不斷調(diào)整的過(guò)程，也就是網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練的過(guò)程。此過(guò)程一直進(jìn)行到網(wǎng)絡(luò)輸出的誤差減小到可接受的程度，或進(jìn)行到預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止。

BP神經(jīng)元與其他神經(jīng)元類(lèi)似，不同的是，由于BP神經(jīng)元的傳遞函數(shù)必須是處處可微的，它不能采用二值型{0，1}或符號(hào)函數(shù){-1，1}，所以其傳遞函數(shù)為非線性函數(shù)，最常用的函數(shù)S型函數(shù)，有時(shí)也采用線性函數(shù)。本文采用S型（Sigmoid）函數(shù)作為激發(fā)函數(shù)：

式中，為網(wǎng)絡(luò)單元的狀態(tài)：

則單元輸出為：

其中，為單元的閥值。在這種激發(fā)函數(shù)下，有：

故對(duì)輸出層單元：

對(duì)隱層單元：

權(quán)值調(diào)節(jié)為：

在實(shí)際學(xué)習(xí)過(guò)程中，學(xué)習(xí)速率對(duì)學(xué)習(xí)過(guò)程的影響很大。是按梯度搜索的步長(zhǎng)。越大，權(quán)值的變化越劇烈。實(shí)際應(yīng)用中，通常是以不導(dǎo)致振蕩的前提下取盡量大的值。為了使學(xué)習(xí)速度足夠快而不易產(chǎn)生振蕩，往往在規(guī)則中再加一個(gè)“勢(shì)態(tài)項(xiàng)”，即：

式中，是一個(gè)常數(shù)，它決定過(guò)去權(quán)重的變化對(duì)目前權(quán)值變化的影響程度。

圖4為BP算法流程圖。

圖4 BP算法流程圖

3 發(fā)電燃料供應(yīng)預(yù)測(cè)BP神經(jīng)網(wǎng)絡(luò)模型建立

3.1 數(shù)據(jù)的收集與整理

發(fā)電燃料供應(yīng)是一個(gè)龐大的系統(tǒng)，其中的數(shù)據(jù)資料紛繁復(fù)雜。在進(jìn)行模型的搭建之前，需要進(jìn)行歷史資料的整理，提取出所需的數(shù)據(jù)。本模型中，選取與燃料供應(yīng)有關(guān)的數(shù)據(jù)作為影響因素，如電廠發(fā)電量、能源政策、能源供需形勢(shì)、交通運(yùn)輸狀況、燃料價(jià)格和機(jī)組能耗等。

3.2 數(shù)據(jù)的修正

如果在數(shù)據(jù)采集與傳輸時(shí)受到一定干擾，就會(huì)出現(xiàn)資料出錯(cuò)或數(shù)據(jù)丟失的情況，此時(shí)都會(huì)產(chǎn)生影響預(yù)測(cè)效果的壞數(shù)據(jù)，這些壞數(shù)據(jù)將會(huì)掩蓋實(shí)際模型的規(guī)律，直接影響模型的效果與精度。據(jù)此，需對(duì)樣本數(shù)據(jù)進(jìn)行預(yù)處理，以確保在建模和預(yù)測(cè)過(guò)程中所運(yùn)用的歷史數(shù)據(jù)具有真實(shí)性、正確性和同規(guī)律性。一般樣本數(shù)據(jù)預(yù)處理方法主要有經(jīng)驗(yàn)修正法、曲線置換法、插值法、20%修正法、數(shù)據(jù)橫向縱向?qū)Ρ确?、小波分析去噪法等。?duì)于簡(jiǎn)單問(wèn)題，采用數(shù)據(jù)的橫向縱向?qū)Ρ燃纯蓪?shí)現(xiàn)壞數(shù)據(jù)的剔除。

3.3 BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)選擇

理論證明，3層前向式神經(jīng)網(wǎng)絡(luò)能夠以任意精度實(shí)現(xiàn)任意函數(shù)，所以，本模型中采用3層前向網(wǎng)絡(luò)。同時(shí)，當(dāng)有N個(gè)影響時(shí)， 3層BP神經(jīng)網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)數(shù)為N個(gè)，隱含層節(jié)點(diǎn)數(shù)一般為2N ～ 4N，最佳取值可根據(jù)實(shí)際問(wèn)題試湊得，輸出層為1個(gè)節(jié)點(diǎn)， 因此可以取其平均結(jié)構(gòu)為N - 3N - 1型， 輸入層激發(fā)函數(shù)為線性函數(shù)， 中間層和輸出層的激發(fā)函數(shù)為S型函數(shù)。

3.4 BP神經(jīng)網(wǎng)絡(luò)模型建立

對(duì)于實(shí)際的燃料供應(yīng)模型，數(shù)據(jù)的選擇要有針對(duì)性，結(jié)構(gòu)要合適，這在預(yù)測(cè)過(guò)程中是重中之重。為便于模型選擇、結(jié)果對(duì)比，可同時(shí)采用幾種不同的數(shù)學(xué)模型進(jìn)行預(yù)測(cè)。在完成對(duì)恰當(dāng)?shù)念A(yù)測(cè)模型的選擇后，利用提取自歷史資料的訓(xùn)練數(shù)據(jù)對(duì)建立好的預(yù)測(cè)數(shù)學(xué)模型進(jìn)行參數(shù)訓(xùn)練。當(dāng)模型的參數(shù)訓(xùn)練好以后，即可利用此模型進(jìn)行預(yù)測(cè)。

具體操作步驟如下：

（1）對(duì)訓(xùn)練樣本與預(yù)測(cè)樣本進(jìn)行歸一化預(yù)處理，公式表示如式（1）。

（1）

其中表示經(jīng)過(guò)歸一化后的值，表示實(shí)際值，，分別是訓(xùn)練集中數(shù)據(jù)的最大值和最小值，k表示輸入向量的維數(shù)，i表示有作用因素的個(gè)數(shù)。

（2）對(duì)預(yù)測(cè)的數(shù)據(jù)樣本進(jìn)行提取，并分別列出訓(xùn)練與測(cè)試的樣本集合。

（3）對(duì)BP神經(jīng)網(wǎng)絡(luò)的輸入層、隱含層、輸出層的節(jié)點(diǎn)進(jìn)行定義，對(duì)網(wǎng)絡(luò)的權(quán)重、閾值進(jìn)行初始賦值。

（4）利用訓(xùn)練樣本對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，建立符合實(shí)際問(wèn)題的模型。

（5）利用事先預(yù)備的測(cè)試樣本對(duì)訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行測(cè)試，若效果不佳，則重新訓(xùn)練，若效果好則繼續(xù)下一步。

（6）利用預(yù)測(cè)樣本及訓(xùn)練好的模型進(jìn)行預(yù)測(cè)。

具體流程圖如圖5所示：

圖5 模型建立流程圖

4 基于BP神經(jīng)網(wǎng)絡(luò)模型的發(fā)電燃料供應(yīng)預(yù)測(cè)

（1）樣本數(shù)據(jù)的選擇

以各類(lèi)影響耗煤的因素作為輸入 。

（2）進(jìn)行歸一化處理

避免量綱對(duì)模型的影響。同時(shí)，降低數(shù)據(jù)的數(shù)量級(jí)，可以提高BP網(wǎng)絡(luò)的訓(xùn)練的速度，避免飽和。

（3）確定BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

3層BP神經(jīng)網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)為1個(gè)（可根據(jù)實(shí)際情況調(diào)整），對(duì)應(yīng)于輸入樣本，隱含層節(jié)點(diǎn)為15，輸出層節(jié)點(diǎn)為1，對(duì)應(yīng)于輸出樣本。網(wǎng)絡(luò)初始連接權(quán)及神經(jīng)元初始閾值采用隨機(jī)賦值方式。神經(jīng)元的激發(fā)函數(shù)為S函數(shù)，最大迭代次數(shù)為400，學(xué)習(xí)步長(zhǎng)為0.001，學(xué)習(xí)誤差為0.00001。

（4）利用訓(xùn)練樣本進(jìn)行網(wǎng)絡(luò)的訓(xùn)練

（5）利用測(cè)試樣本進(jìn)行模型的測(cè)試

人為選定5%相對(duì)誤差為模型訓(xùn)練好壞的判別標(biāo)準(zhǔn)。若測(cè)試樣本的測(cè)試結(jié)果的相對(duì)誤差在5%以內(nèi)，則進(jìn)行下一步，否則重新訓(xùn)練。

（6）利用預(yù)測(cè)樣本和已訓(xùn)練好的模型進(jìn)行預(yù)測(cè)

南方電網(wǎng)全網(wǎng)發(fā)電燃料供應(yīng)量預(yù)測(cè)結(jié)果值與實(shí)際值的對(duì)比如圖6所示：

圖6 南網(wǎng)全網(wǎng)發(fā)電燃料供應(yīng)預(yù)測(cè)值與實(shí)際值對(duì)比圖

5 結(jié)論

隨著廠網(wǎng)分離的實(shí)施，電網(wǎng)公司和電力調(diào)度機(jī)構(gòu)對(duì)發(fā)電燃料供應(yīng)的掌握嚴(yán)重不足，已經(jīng)不能滿足電力供應(yīng)工作的要求，尤其是在來(lái)水偏枯、電力供應(yīng)緊張的時(shí)期，發(fā)電燃料供應(yīng)的預(yù)測(cè)對(duì)緩解電力供需矛盾、有序做好發(fā)用電管理起著舉足輕重的作用，因此，迫切需要開(kāi)展發(fā)電燃料供應(yīng)影響因素及預(yù)測(cè)方法的研究工作。

本文在收集、掌握發(fā)電燃料供應(yīng)來(lái)源、價(jià)格、運(yùn)輸?shù)惹闆r的基礎(chǔ)上，基于BP神經(jīng)網(wǎng)絡(luò)研究建立發(fā)電燃料供應(yīng)量的預(yù)測(cè)模型和預(yù)測(cè)方法。通過(guò)MATLAB仿真預(yù)測(cè)，對(duì)預(yù)測(cè)結(jié)果值和實(shí)際值進(jìn)行了對(duì)標(biāo)分析，證明該預(yù)測(cè)方法預(yù)測(cè)較準(zhǔn)確，并具有靈活的適應(yīng)性。本文的研究有利于提升發(fā)電燃料的管理水平和掌控力度，為合理有序做好電力供應(yīng)工作提供有力支持。

參考文獻(xiàn)：

[1]孫長(zhǎng)青.基于OSGI的發(fā)電集團(tuán)燃料管控系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D].導(dǎo)師：陳有青.中山大學(xué)，2011.

[2]史新梅，裴珍.遼寧火電廠燃料管理信息系統(tǒng)的開(kāi)發(fā)與研制[J].安徽工業(yè)大學(xué)學(xué)報(bào)，2001，（04）：359-362+366.

[3]付民慶.基于J2EE架構(gòu)燃料管理信息系統(tǒng)的研究與實(shí)現(xiàn)[D].導(dǎo)師：申曉留.華北電力大學(xué)（北京），2008.

[4]魏學(xué)軍.DF電廠燃料管理信息系統(tǒng)的研究與應(yīng)用[D].導(dǎo)師：胡立德；戴鶴.重慶大學(xué)，2008.

[5]孫文君.發(fā)電企業(yè)燃料自動(dòng)監(jiān)管系統(tǒng)設(shè)計(jì)及應(yīng)用[D].導(dǎo)師：張慶超；關(guān)萬(wàn)祥.天津大學(xué)，2010.

人工神經(jīng)網(wǎng)絡(luò)的實(shí)際應(yīng)用范文5

（宿州學(xué)院 經(jīng)濟(jì)管理學(xué)院，安徽 宿州 234000）

摘 要：抽取滬深兩市A股市場(chǎng)上IT企業(yè)作為研究對(duì)象，構(gòu)建人工神經(jīng)網(wǎng)絡(luò)模型，對(duì)企業(yè)的財(cái)務(wù)狀況進(jìn)行預(yù)測(cè)，引入正交試驗(yàn)設(shè)計(jì)法優(yōu)化財(cái)務(wù)危機(jī)預(yù)警模型.研究表明，正交試驗(yàn)設(shè)計(jì)法對(duì)于神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)具有很好的效果，財(cái)務(wù)預(yù)警分析顯示出穩(wěn)定、連續(xù)的預(yù)測(cè)性能，這正好適合構(gòu)建具有實(shí)際應(yīng)用價(jià)值的預(yù)警系統(tǒng)，使研究精度有較大的提高.

關(guān)鍵詞 ：人工神經(jīng)網(wǎng)絡(luò)；正交設(shè)計(jì)；IT企業(yè)；財(cái)務(wù)預(yù)警系統(tǒng)

中圖分類(lèi)號(hào)：F275 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1673-260X（2015）03-0096-02

基金項(xiàng)目：安徽省高等學(xué)校省級(jí)優(yōu)秀青年人才基金項(xiàng)目（2012SQRW176）；宿州學(xué)院人文社會(huì)科學(xué)研究項(xiàng)目（2011yyb36）

1 引言

近年來(lái)高科技板塊對(duì)全球股市和中國(guó)股市的變動(dòng)作用十分明顯，新興的IT（Information Technology）企業(yè)也是受關(guān)注較多、變化較大、交易比較活躍、對(duì)大盤(pán)影響較大的群體，因此，研究IT企業(yè)對(duì)投資界、社會(huì)投資者都具有一定的意義.信息技術(shù)飛速發(fā)展的今天，IT企業(yè)同樣面臨著巨大的財(cái)務(wù)風(fēng)險(xiǎn)，一旦風(fēng)險(xiǎn)積聚到一定程度，如果不及時(shí)采取措施，就會(huì)陷入財(cái)務(wù)危機(jī).財(cái)務(wù)危機(jī)系統(tǒng)作為IT企業(yè)風(fēng)險(xiǎn)管理的重要一環(huán)，它作為經(jīng)濟(jì)運(yùn)行的晴雨表和企業(yè)經(jīng)營(yíng)的指示燈，不僅具有較高的學(xué)術(shù)價(jià)值，而且有著巨大的應(yīng)用價(jià)值.IT企業(yè)信息流、物流和資金流“三流合一”的特性使得企業(yè)傳統(tǒng)財(cái)務(wù)預(yù)警系統(tǒng)不能滿足其要求.我國(guó)IT企業(yè)內(nèi)部治理結(jié)構(gòu)上的缺陷，使得企業(yè)的經(jīng)營(yíng)效率不斷下降，從證券監(jiān)管機(jī)構(gòu)的新增ST企業(yè)公告就可窺見(jiàn)一斑，急需構(gòu)建IT企業(yè)財(cái)務(wù)預(yù)警系統(tǒng)來(lái)預(yù)防危機(jī)的發(fā)生.IT企業(yè)的大量出現(xiàn)對(duì)現(xiàn)有企業(yè)財(cái)務(wù)危機(jī)的預(yù)測(cè)方法產(chǎn)生巨大的沖擊，不再局限于傳統(tǒng)的統(tǒng)計(jì)方法，利用人工神經(jīng)網(wǎng)絡(luò)理論知識(shí)，研究人工 （Back-Propagate）神經(jīng)網(wǎng)絡(luò)算法，財(cái)務(wù)預(yù)警研究中的預(yù)警指標(biāo)體系需要考慮非財(cái)務(wù)因素的影響，使得財(cái)務(wù)預(yù)警系統(tǒng)的應(yīng)用具有實(shí)際價(jià)值.因此，本文試圖從公司治理結(jié)構(gòu)、審計(jì)意見(jiàn)、關(guān)聯(lián)交易等方面探討非財(cái)務(wù)因素在IT企業(yè)財(cái)務(wù)預(yù)警中的作用，利用MATLAB軟件構(gòu)建神經(jīng)網(wǎng)絡(luò)模型，對(duì)IT企業(yè)的財(cái)務(wù)狀況進(jìn)行預(yù)測(cè)，引入正交試驗(yàn)法優(yōu)化財(cái)務(wù)危機(jī)預(yù)警系統(tǒng).

2 文獻(xiàn)綜述

人工神經(jīng)網(wǎng)絡(luò)技術(shù)被廣泛應(yīng)用于模式識(shí)別、優(yōu)化計(jì)算、智能控制、經(jīng)濟(jì)、金融、管理等領(lǐng)域，其中包括財(cái)務(wù)危機(jī)預(yù)測(cè)研究.Tam和Kiang（1992）應(yīng)用神經(jīng)網(wǎng)絡(luò)方法對(duì)得克薩斯的銀行財(cái)務(wù)失敗案例進(jìn)行預(yù)測(cè).國(guó)內(nèi)學(xué)者也對(duì)我國(guó)基于神經(jīng)網(wǎng)絡(luò)的企業(yè)財(cái)務(wù)危機(jī)系統(tǒng)進(jìn)行研究，我國(guó)學(xué)者楊保安（2009）選取15個(gè)財(cái)務(wù)指標(biāo)運(yùn)用人工神經(jīng)網(wǎng)絡(luò)方法建立供銀行進(jìn)行信用評(píng)價(jià)的預(yù)警系統(tǒng).人工神經(jīng)網(wǎng)絡(luò)模型由輸入層、隱含層和輸出層組成，信息處理分為信息正向傳播和誤差反向傳播兩步進(jìn)行，當(dāng)正向傳播時(shí)，輸入信號(hào)從輸入層經(jīng)過(guò)隱含層后傳向輸出層，每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài).網(wǎng)絡(luò)的反向傳播是一種誤差從輸出層到輸入層向后傳播并修正權(quán)值和閾值的過(guò)程，學(xué)習(xí)的目的是網(wǎng)絡(luò)的實(shí)際輸出逼近某個(gè)給定的期望輸出.運(yùn)用正交試驗(yàn)設(shè)計(jì)法對(duì)這些參數(shù)選擇進(jìn)行優(yōu)化，對(duì)于神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)具有很好效果.它利用正交表安排試驗(yàn)，其理論基礎(chǔ)是拉丁方理論和群論，可以用來(lái)安排多因素試驗(yàn)，試驗(yàn)次數(shù)對(duì)各因素和各水平的全排列組合來(lái)說(shuō)是大大減少了，是一種優(yōu)良的試驗(yàn)設(shè)計(jì)方法.它相對(duì)于全面試驗(yàn)而言，只是部分試驗(yàn)，但對(duì)其中任何兩個(gè)因素來(lái)說(shuō)，可以用比全面試驗(yàn)法少得多的試驗(yàn)，獲得反映全面情況的實(shí)驗(yàn)資料.

3 研究設(shè)計(jì)

3.1 樣本選取

本文中的財(cái)務(wù)危機(jī)企業(yè)樣本為2013年-2014年以來(lái)因財(cái)務(wù)狀況異常而被特別處理的IT企業(yè)，一共30家財(cái)務(wù)危機(jī)企業(yè).同時(shí)依據(jù)行業(yè)和資產(chǎn)規(guī)模相近的標(biāo)準(zhǔn)構(gòu)造了配對(duì)的財(cái)務(wù)正常企業(yè)樣本.

3.2 指標(biāo)變量

由于財(cái)務(wù)指標(biāo)涉及到企業(yè)經(jīng)營(yíng)管理的各個(gè)方面，借鑒國(guó)內(nèi)外學(xué)者的研究成果，從公司的盈利能力、經(jīng)營(yíng)能力、償債能力、資本結(jié)構(gòu)、成長(zhǎng)能力等方面確定變量.

3.3 數(shù)據(jù)處理

對(duì)總樣本連續(xù)三年數(shù)據(jù)進(jìn)行顯著性分析檢驗(yàn)后，發(fā)現(xiàn)ST公司和非ST公司存在顯著差異，根據(jù)T檢驗(yàn)以及Mann-Whitney U非參數(shù)檢驗(yàn)的結(jié)果，剔除一些變量，指標(biāo)變量通過(guò)顯著性檢驗(yàn).

4 實(shí)證分析

本文運(yùn)用軟件Matlab構(gòu)建了三層人工網(wǎng)絡(luò)財(cái)務(wù)預(yù)警系統(tǒng)，并選取樣本進(jìn)行實(shí)驗(yàn).由于輸入是連續(xù)變量，輸出是布爾型離散向量， 訓(xùn)練或測(cè)試前使用Matlab的Premnmx函數(shù)對(duì)樣本進(jìn)行歸一化處理，作為網(wǎng)絡(luò)的輸入數(shù)據(jù).人工神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)包括輸入層、隱含層、輸出層、傳遞函數(shù)、訓(xùn)練函數(shù)、網(wǎng)絡(luò)參數(shù)等網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)置，具體到本文的研究，設(shè)置如下：

（1）輸入層：輸入層神經(jīng)元個(gè)數(shù)由輸入向量P決定，確定了18個(gè)輸入節(jié)點(diǎn).

（2）輸出層：輸出層神經(jīng)元的個(gè)數(shù)由輸出類(lèi)別決定.網(wǎng)絡(luò)的輸出層定義為1個(gè)節(jié)點(diǎn)，即企業(yè)的實(shí)際財(cái)務(wù)狀況.在訓(xùn)練樣本集中，樣本的輸出向量設(shè)為T(mén)（當(dāng)為ST公司時(shí)，T=1；當(dāng)為非ST公司時(shí)，T=0）.

（3）隱含層：關(guān)于隱含層節(jié)點(diǎn)數(shù)選取過(guò)少，將影響到網(wǎng)絡(luò)的有效性，過(guò)多，會(huì)大幅度增加網(wǎng)絡(luò)訓(xùn)練的時(shí)間，根據(jù)經(jīng)驗(yàn)可以參照公式進(jìn)行設(shè)計(jì)，其中n為隱含層節(jié)點(diǎn)數(shù)，n1為輸入節(jié)點(diǎn)數(shù)，n2為輸出節(jié)點(diǎn)數(shù)，a取1-10之間的常數(shù).

（4）傳遞函數(shù)：傳遞函數(shù)對(duì)一個(gè)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效率至關(guān)重要.本文對(duì)輸入層到隱含層的傳遞函數(shù)確定為正切函數(shù)tansig（n），它將神經(jīng)元的輸入范圍從（-∞，+∞）映射到（1，-1），隱含層到輸出層之間的傳遞函數(shù)確定為對(duì)數(shù)函數(shù)logsig（n），它將神經(jīng)元輸入范圍從（-∞，+∞）映射到（0，1）.

（5）網(wǎng)絡(luò)參數(shù)：目標(biāo)誤差0.001或0.00001，學(xué)習(xí)率通常在0.01～0.9之間，一般來(lái)說(shuō)，學(xué)習(xí)率越小，訓(xùn)練次數(shù)越多，但學(xué)習(xí)率過(guò)大，會(huì)影響網(wǎng)絡(luò)結(jié)構(gòu)的穩(wěn)定性.誤差通常需要根據(jù)輸出要求來(lái)定，e越低，說(shuō)明要求的精度越高.設(shè)置學(xué)習(xí)速率為0.05，學(xué)習(xí)速率增加的比率為1.03，學(xué)習(xí)速率減少的比率為0.9，動(dòng)量常數(shù)為0.7，最大誤差比率為1.08，訓(xùn)練循環(huán)次數(shù)為550次.

（6）訓(xùn)練函數(shù)：人工網(wǎng)絡(luò)訓(xùn)練函數(shù)采用traingdx.它采用動(dòng)量法和學(xué)習(xí)率自適應(yīng)調(diào)整兩種策略，從而抑制網(wǎng)絡(luò)陷于局部極小和縮短學(xué)習(xí)時(shí)間.

為提高人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)精度，下面將采用正交設(shè)計(jì)試驗(yàn)法對(duì)人工神經(jīng)網(wǎng)絡(luò)的相關(guān)參數(shù)進(jìn)行優(yōu)化，選用三個(gè)因素兩個(gè)水平的正交表（見(jiàn)表1）.它相對(duì)于全面試驗(yàn)而言，只是部分試驗(yàn)，但對(duì)其中任何兩個(gè)因素來(lái)說(shuō)，可以用比全面試驗(yàn)法少得多的試驗(yàn)，獲得反映全面情況的實(shí)驗(yàn)資料.

依據(jù)表2的設(shè)計(jì)方案，借助Matlab語(yǔ)言編制了神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和測(cè)試程序，將30家建模樣本t-2、t-3、t-4年的指標(biāo)數(shù)據(jù)分四次試驗(yàn)進(jìn)行學(xué)習(xí)訓(xùn)練，選擇最優(yōu)的試驗(yàn)方案作測(cè)試.從上述結(jié)果可以確定各年最優(yōu)的人工網(wǎng)絡(luò)模型的函數(shù)和參數(shù)：

（1）t-2年的試驗(yàn)中，試驗(yàn)4的結(jié)果相對(duì)最優(yōu)，判別準(zhǔn)確率達(dá)到100%，所以人工網(wǎng)絡(luò)模型結(jié)構(gòu)為18-16-1，目標(biāo)誤差為0.00001，訓(xùn)練函數(shù)為trainlm，在PC上經(jīng)過(guò)10個(gè)訓(xùn)練周期達(dá)到目標(biāo)要求.

（2）t-3年的試驗(yàn)中，試驗(yàn)2的結(jié)果相對(duì)最優(yōu)，判別準(zhǔn)確率達(dá)到94%，所以人工網(wǎng)絡(luò)模型結(jié)構(gòu)為18-7-1，目標(biāo)誤差為0.00001，訓(xùn)練函數(shù)為traingdx，在PC上經(jīng)過(guò)285個(gè)訓(xùn)練周期達(dá)到目標(biāo)要求.

（3）t-4年的試驗(yàn)中，試驗(yàn)3的結(jié)果相對(duì)最優(yōu)，判別準(zhǔn)確率達(dá)到97%，所以人工網(wǎng)絡(luò)模型結(jié)構(gòu)為18-16-1，目標(biāo)誤差為0.001，訓(xùn)練函數(shù)為traingdx，在PC上經(jīng)過(guò)114個(gè)訓(xùn)練周期達(dá)到目標(biāo)要求.

5 結(jié)論

本文在回顧國(guó)內(nèi)外財(cái)務(wù)預(yù)警系統(tǒng)經(jīng)典文獻(xiàn)和研究成果的基礎(chǔ)上，以我國(guó)滬深A(yù)股IT企業(yè)為研究對(duì)象，依據(jù)公司財(cái)務(wù)危機(jī)前兩年至四年的指標(biāo)數(shù)據(jù)人工神經(jīng)網(wǎng)絡(luò)模型來(lái)進(jìn)行研究，采用正交設(shè)計(jì)試驗(yàn)法對(duì)人工神經(jīng)網(wǎng)絡(luò)的相關(guān)參數(shù)進(jìn)行優(yōu)化，選用三個(gè)因素兩個(gè)水平的正交表，并取得了較好的預(yù)測(cè)效果，實(shí)證研究得到以下結(jié)論：

（一）我國(guó)企業(yè)的財(cái)務(wù)指標(biāo)包含著預(yù)測(cè)財(cái)務(wù)困境的信息含量，因此利用企業(yè)的財(cái)務(wù)比率可以預(yù)測(cè)其是否陷入財(cái)務(wù)困境.本文所選指標(biāo)涵蓋了反映公司財(cái)務(wù)狀況的各方面因素，說(shuō)明所建立指標(biāo)體系是合理恰當(dāng)?shù)?

（二）對(duì)于較長(zhǎng)時(shí)間跨度的模型預(yù)測(cè)問(wèn)題，需要找出對(duì)企業(yè)整體經(jīng)營(yíng)狀況有指示能力的變量，因此本文在篩選初始變量時(shí)，設(shè)定了三年連續(xù)顯著的標(biāo)準(zhǔn)，選出具有前瞻能力的變量.

（三）運(yùn)用正交設(shè)計(jì)法對(duì)人工神經(jīng)網(wǎng)路輸入?yún)?shù)的選擇進(jìn)行分析，結(jié)果表明正交試驗(yàn)法對(duì)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)具有很好的效果，減少網(wǎng)絡(luò)訓(xùn)練誤差，它只需很少的樣本就能達(dá)到實(shí)踐中所要求的精度，很大程度上提高企業(yè)財(cái)務(wù)預(yù)警系統(tǒng)的準(zhǔn)確率，控制財(cái)務(wù)危機(jī)現(xiàn)象產(chǎn)生的源頭，從而實(shí)現(xiàn)企業(yè)財(cái)務(wù)預(yù)測(cè)的動(dòng)態(tài)系統(tǒng)，具有廣闊發(fā)展前景.

（四）從模型的超前預(yù)測(cè)能力看，距離ST的時(shí)間越近，預(yù)警系統(tǒng)的判別準(zhǔn)確率就越高，尤其是t-2年，說(shuō)明預(yù)警系統(tǒng)的預(yù)測(cè)水平隨著距離ST時(shí)間長(zhǎng)短而逐漸降低的.

在今后的研究方向上，希望在以下幾個(gè)方面進(jìn)行更深入的探討和挖掘：在樣本數(shù)據(jù)條件具備的情況下，可以從多個(gè)角度分析，例如分中小型企業(yè)進(jìn)行財(cái)務(wù)危機(jī)預(yù)警系統(tǒng)的比較研究，預(yù)警指標(biāo)的選擇方面，除了一些定量指標(biāo)，還要綜合考慮管理層素質(zhì)、員工素質(zhì)、市場(chǎng)變化、宏觀經(jīng)濟(jì)環(huán)境等定性指標(biāo)的影響，可以利用層次分析法和模糊綜合評(píng)價(jià)方法將定性指標(biāo)量化，確保企業(yè)財(cái)務(wù)信息真實(shí)性.

參考文獻(xiàn)：

〔1〕馬超群，吳麗華.基于鄰域粗糙集和神經(jīng)網(wǎng)絡(luò)的財(cái)務(wù)預(yù)警研究[J].軟科學(xué)，2009（11）.

人工神經(jīng)網(wǎng)絡(luò)的實(shí)際應(yīng)用范文6

該機(jī)器人決策系統(tǒng)工作在4萬(wàn)平方米水域，水深1.5米。其功能是收集水面固體垃圾、檢測(cè)水質(zhì)并根據(jù)水質(zhì)投放水處理藥劑、表演等。為了完成以上功能，系統(tǒng)采用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行決策。根據(jù)機(jī)器人工作環(huán)境特點(diǎn)，首先對(duì)其應(yīng)用的神經(jīng)網(wǎng)絡(luò)數(shù)學(xué)模型進(jìn)行了分析和建立，特別是引進(jìn)了調(diào)整輸入與輸出關(guān)系的斜率因子，以便使系統(tǒng)的決策靈敏度提高，機(jī)器人決策或動(dòng)作更敏捷。同時(shí)也研究了機(jī)器人的屬性和抉擇的對(duì)應(yīng)關(guān)系。由于其特殊的工作環(huán)境，機(jī)器人的抉擇結(jié)果存在許多復(fù)雜的模式識(shí)別、運(yùn)動(dòng)控制及大規(guī)模的組合及數(shù)據(jù)融合。傳統(tǒng)方法對(duì)它們難以處理甚至是無(wú)能為力。在這里，神經(jīng)網(wǎng)絡(luò)的引入就可以較好地解決這些問(wèn)題。隨著神經(jīng)網(wǎng)絡(luò)理論研究和實(shí)際應(yīng)用的不斷深入，神經(jīng)網(wǎng)絡(luò)在機(jī)器人決策系統(tǒng)中的應(yīng)用越來(lái)越受到人們的重視。

2 機(jī)器人決策設(shè)計(jì)

本系統(tǒng)采用前向神經(jīng)網(wǎng)絡(luò)作為機(jī)器人決策的理論依據(jù)，并將其看作是對(duì)輸入與輸出間的變換器，即輸入向量x對(duì)輸出y的一個(gè)映射。其變換原理可用數(shù)學(xué)模型推出。而后尋找建立模型的參數(shù)進(jìn)行推導(dǎo)。

(1) 前向神經(jīng)網(wǎng)絡(luò)數(shù)學(xué)模型及算法

該模型數(shù)學(xué)表達(dá)式：

式中：

τij――輸入和輸出的延時(shí)；

Tj――神經(jīng)元j的閥值；

wij――神經(jīng)元i神經(jīng)元j的突觸連接系數(shù)或稱(chēng)權(quán)重值；

f()――神經(jīng)元的轉(zhuǎn)移函數(shù)（既符號(hào)函數(shù)）。

由輸入列向量可以決定神經(jīng)網(wǎng)絡(luò)輸入層的節(jié)點(diǎn)，在實(shí)際應(yīng)用中，網(wǎng)絡(luò)的輸入層可以調(diào)節(jié)。每個(gè)結(jié)點(diǎn)的輸入可以為n個(gè)，例如K輸入單輸出的神經(jīng)元模型。對(duì)于單個(gè)神經(jīng)元來(lái)講，把它看成是微處理器毫不為過(guò)。

其實(shí)，人類(lèi)對(duì)事務(wù)的判斷與決策完全取決于它的信息量的性質(zhì)。性質(zhì)不同，其數(shù)學(xué)模型也完全不同。機(jī)器人通過(guò)視覺(jué)對(duì)圖象理解并作出判斷，進(jìn)而給出決策時(shí)，首先對(duì)圖象的特征信息進(jìn)行處理，才能建立可靠運(yùn)行、決策正確的數(shù)學(xué)模型。已知機(jī)器人的活動(dòng)范圍在4萬(wàn)平方米的水域中活動(dòng)，需要決策的對(duì)象已在參考模板中，如何用神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)機(jī)器人決策？神經(jīng)網(wǎng)絡(luò)對(duì)特征信息的訓(xùn)練精度，輸入與輸出間的數(shù)學(xué)模型的建立是非常關(guān)鍵的。因?yàn)樗蛑械膱D象是靜止的，顏色基本為透明并呈現(xiàn)藍(lán)色，這些參數(shù)設(shè)為固定的，所以我們采用圖象壓縮技術(shù)和灰度等級(jí)固定的參數(shù)使之成為背影，在機(jī)器人決策中不需要參與運(yùn)算。機(jī)器人決策的激勵(lì)對(duì)象是圖象的特征參數(shù)，為一組列向量，它包括物體的顏色、形狀、尺寸、物體的環(huán)境因素（風(fēng)速、天氣溫度、濕度、季節(jié)等）等參數(shù)。根據(jù)機(jī)器人工作的具體環(huán)境，經(jīng)過(guò)分析實(shí)驗(yàn)，找出輸入與輸出的關(guān)系符合線性函數(shù)，如圖所示。

其中：

b 是背景參數(shù)；（水域背景）

C 是斜率，可以調(diào)整；

x 是輸入列向量;（該值可能為正或負(fù)，與實(shí)際取值有關(guān)）

其斜率的取值反應(yīng)了圖象識(shí)別敏捷性。也間接地反應(yīng)了機(jī)器人決策的靈敏性和可靠性。設(shè)輸入與輸出的線性關(guān)系斜率為C，C的取值根據(jù)系統(tǒng)調(diào)試來(lái)決定。斜率越大，神經(jīng)網(wǎng)絡(luò)訓(xùn)練越快，輸出與參考模板匹配越快，系統(tǒng)靈敏度越高，機(jī)器人給出的決策也越機(jī)敏。

(2) 機(jī)器人決策分析

系統(tǒng)的決策最終表現(xiàn)為系統(tǒng)通過(guò)大量的信息處理之后作出的判斷，即決定系統(tǒng)的最終的結(jié)果。例如：機(jī)器人從得到信息到作出判斷或行動(dòng)，則信息的誤差率對(duì)決策有著至關(guān)重要的作用。人類(lèi)對(duì)事物的認(rèn)知很大程度上可以視為從屬性描述中進(jìn)行歸納的行為。機(jī)器人對(duì)事物的判斷如同醫(yī)生對(duì)病人的診斷，就是通過(guò)觀察病例的有關(guān)屬性即病癥，掌握必要的數(shù)據(jù)后，再根據(jù)臨床經(jīng)驗(yàn)和知識(shí)作出判斷。由此可見(jiàn)，基于屬性的描述是一類(lèi)重要的知識(shí)表示方法。系統(tǒng)中信息是以屬性集的形式出現(xiàn)的，屬性由屬性名與可取值的范圍來(lái)定義，所有的屬性組成一個(gè)固有的屬性集。

考慮系統(tǒng)的抉擇問(wèn)題，屬性集由系統(tǒng)出現(xiàn)的初期狀態(tài)和差錯(cuò)狀態(tài)組成，通過(guò)這些狀態(tài)信息來(lái)表征系統(tǒng)最后的異常，至于對(duì)應(yīng)系統(tǒng)的抉擇集具體的描述如下：

令FS是系統(tǒng)S的抉擇集FS={f0,f1,f2,…,fn},具體含義在不同的系統(tǒng)中有所不同，在后面的示例中將給出一組對(duì)應(yīng)該示例的含義。在機(jī)器人系統(tǒng)中，系統(tǒng)S的抉擇集就是圖形參考模板，它是具有學(xué)習(xí)功能的系統(tǒng)，這在以后的文章中闡述，在此僅把參考模板看作是不便的常數(shù)來(lái)分析。

ASi={A|A屬性作為系統(tǒng)S的動(dòng)態(tài)屬性，能表示由抉擇fi導(dǎo)致的差錯(cuò)}

IN_AS={Ak|Ak屬性作為S的輸入屬性，能決定S動(dòng)態(tài)特性}

由此得到系統(tǒng)S的抉擇集FS對(duì)應(yīng)的屬性集AS,不妨設(shè)AS={A1, A2, A3,… ,Am}。t是可判斷出系統(tǒng)S的抉擇，下式表示抉擇fi：

式中Aj(t)表示屬性Aj在時(shí)刻t的取值，j = 1, 2,… ,m。 Φ也代表具體的作出抉擇的方法。若把Φ看作是系統(tǒng)進(jìn)行的抉擇，則取值應(yīng)是屬性集AS在0―t 時(shí)間段上的所有取值，而抉擇結(jié)果可能不僅僅是某個(gè)f ，而是FS中若干抉擇結(jié)果的邏輯運(yùn)算。因此從本質(zhì)上講，系統(tǒng)的抉擇就是尋找獲得的信息到系統(tǒng)抉擇的映射。

屬性集包括的數(shù)據(jù)為：正前方的圖象信息、左方的圖象信息、溫度信息、右方的圖象信息、水的質(zhì)量信息、時(shí)間信息、自身所帶的地圖信息、天氣信息。

最終的決策為：

決策一：向左運(yùn)動(dòng) 左方有目標(biāo)或前方有障礙物；

決策二：向右運(yùn)動(dòng) 右方有目標(biāo)或前方有障礙物；

決策三：向后退 前方有障礙物（由正前方圖象信息發(fā)現(xiàn)）；

決策四：調(diào)節(jié)水質(zhì) 水質(zhì)超標(biāo)；

決策五：開(kāi)始運(yùn)動(dòng) 機(jī)器人初始狀態(tài)S0；

決策六：停止工作 由工作時(shí)間決定（定時(shí)器Tx）；

決策七：調(diào)節(jié)地圖信息 MAPx；

決策八：收集垃圾 目標(biāo)y出現(xiàn)；（y可以是參考模板中的機(jī)器人撲獲對(duì)象中的任意一種垃圾）；

決策九：調(diào)節(jié)運(yùn)動(dòng)的速度 天氣信息（溫度、濕度、季節(jié)）。

學(xué)習(xí)過(guò)程如下：

① 選擇訓(xùn)練樣本。隨機(jī)選取一定數(shù)量的屬性抉擇值對(duì)，以這些屬性對(duì)作為訓(xùn)練用例。

② 學(xué)習(xí)訓(xùn)練。用學(xué)習(xí)算法進(jìn)行訓(xùn)練，尋找出神經(jīng)網(wǎng)絡(luò)訓(xùn)練出的結(jié)果。

③ 對(duì)新增的屬性決策對(duì)，在已有的神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，通過(guò)調(diào)整權(quán)值，進(jìn)行爭(zhēng)搶學(xué)習(xí)。

④ 檢驗(yàn)抉擇結(jié)果。對(duì)已形成的神經(jīng)網(wǎng)絡(luò)有其他的屬性――抉擇對(duì)進(jìn)行驗(yàn)證，當(dāng)抉擇的正確率不滿足要求的時(shí)候，則將那些不滿足要求的用例增加到訓(xùn)練的用例中，返回到③重新進(jìn)行學(xué)習(xí)，直到滿足要求為止。

3 人工神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法分析

這里假定神經(jīng)元有兩個(gè)狀態(tài)，所以每個(gè)神經(jīng)元定義輸入空間上的一個(gè)超平面。各個(gè)神經(jīng)元的連接權(quán){wj}將通過(guò)梯度方法分別進(jìn)行計(jì)算。訓(xùn)練的方式為實(shí)例教學(xué)，訓(xùn)練集是由例子矢量Xk及期望輸出bk組成的模式對(duì){Xk，bk}的集合。

神經(jīng)元的變化函數(shù)為符號(hào)函數(shù)，一旦訓(xùn)練結(jié)束還是采用兩狀態(tài)神經(jīng)元，其最小化準(zhǔn)則是：

其中b=f(∑jwjxjk),這里f為符號(hào)函數(shù)。

學(xué)習(xí)規(guī)則表示為：

對(duì)單層結(jié)構(gòu)，學(xué)習(xí)規(guī)則能確保收斂到均方最小解。如果類(lèi)是線性可分的，該準(zhǔn)則能對(duì)其進(jìn)行較好地劃分。一般情況下的δ學(xué)習(xí)規(guī)則的學(xué)習(xí)結(jié)果優(yōu)于其他的學(xué)習(xí)算法。這里的敘述忽略了對(duì)神經(jīng)閥值θ的討論。因?yàn)檫@可以把θ視為已連接權(quán)。固定輸入為－1，這樣就可以將θ的學(xué)習(xí)合并到w中，即w0=θ。

這里主要介紹屬性集的建立和屬性集各個(gè)分量的含義，以及神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程。

4 神經(jīng)網(wǎng)絡(luò)的軟件實(shí)現(xiàn)

神經(jīng)網(wǎng)絡(luò)軟件要求在硬件平臺(tái)上實(shí)現(xiàn)。編程語(yǔ)言可以是高級(jí)語(yǔ)言也可以是低級(jí)語(yǔ)言（匯編語(yǔ)言）。C語(yǔ)言是神經(jīng)網(wǎng)絡(luò)應(yīng)用軟件的基本編程工具，也可以使用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱。目前流行的神經(jīng)網(wǎng)絡(luò)工具箱N(xiāo)eural Networks Toolbox2.0版本，它幾乎概括了現(xiàn)有的神經(jīng)網(wǎng)絡(luò)的成果，涉及的網(wǎng)絡(luò)模型有感知器。

5 結(jié)束語(yǔ)

本文將機(jī)器人的決策作為一種分類(lèi)問(wèn)題進(jìn)行研究，采用兩層前向神經(jīng)網(wǎng)絡(luò)算法進(jìn)行機(jī)器人的決策。由于采用了神經(jīng)網(wǎng)絡(luò)，可以在訓(xùn)練的同時(shí)建立與問(wèn)題對(duì)應(yīng)的網(wǎng)絡(luò)結(jié)構(gòu)，因此確保了最終形成的網(wǎng)絡(luò)的分類(lèi)和抉擇的能力。在保證學(xué)習(xí)精度的同時(shí)，又有算法較強(qiáng)的自適應(yīng)學(xué)習(xí)能力，同時(shí)也保證了網(wǎng)絡(luò)對(duì)新采集決策例子可以進(jìn)行增量式的學(xué)習(xí)。

參考文獻(xiàn)

[1]李士勇,模糊控制、神經(jīng)控制和智能控制.哈爾濱：哈爾濱工業(yè)大學(xué)出版社,1998.

[2]趙林明,多層前向人工神經(jīng)網(wǎng)絡(luò).鄭州：黃河水利出版社,1999.

[3]何佳洲,周志華,陳兆乾.系統(tǒng)故障診斷的一種神經(jīng)網(wǎng)絡(luò)方法.計(jì)算機(jī)工程與應(yīng)用,1996.

[4]韓力群.人工神經(jīng)網(wǎng)絡(luò)理論、設(shè)計(jì)及應(yīng)用.北京：化學(xué)工業(yè)出版社,2004.

[5]周開(kāi)利，康耀紅.神經(jīng)網(wǎng)絡(luò)及其MATLAB仿真程序設(shè)計(jì).北京：清華大學(xué)出版社,2005.

[6]閻平凡.人工神經(jīng)網(wǎng)絡(luò)與模擬進(jìn)化計(jì)算.北京：清華大學(xué)出版社,2000.