在线客服

神经网络研究现状实用13篇

引论:我们为您整理了13篇神经网络研究现状范文,供您借鉴以丰富您的创作。它们是您写作时的宝贵资源,期望它们能够激发您的创作灵感,让您的文章更具深度。

神经网络研究现状

篇1

要对人工神经网络技术的应用进行了解,首先要掌握人工神经网络的基本模型和结构。它的结构是并行分布的,通过大量的神经元的模型组成,是用来进行信息处理的网络。各个神经元之间相互联系,相互之间联系的方式很多,每个特定的链接之中都有相应的权系数,而各个神经元的输出是特定的。

二、人工神经网络技术的应用现状

人工神经网络技术由于其结构上的优势和对信息处理的高效性,使得在很多方面都有广泛的应用,例如,运用人工神经网络技术进行图像处理、智能识别、自动监控、信号处理、机器人监控等,使得其在生活的各个方面都发挥了重要的作用,为交通、电力、军事等部门提供了便利。下面对人工神经网络技术的具体应用做简单的分析。

第一,BP神经网络。基于人工神经网络技术的BP神经网络,在进行优化预测、分类和函数逼近等方面有着广泛的应用。网络的应用大体有分类、函数逼近、优化预测等方面。比如,将胃电图和心电图进行分类,对某些函数的最小二乘进行逼近,对工业生产过程中的数据进行整合,对电力系统中的负荷量和一些数据进行优化和预测等。特别是在进行时间序列的预测中,发挥着重要的积极作用。使用BP神经网络还能对国家经济发展中的一些数据进行处理。相对其它人工神经网络技术的网络而言,BP网络复杂性较低,所以在很多工业产业上应用较多。在某些需要进行控制的系统内,BP神经网络能够对系统进行有效的控制。其具体的优势主要有以下几点:利用BP神经网络在识别和分类中的优势,能够及时快速的判断一些系统中的故障,相比以往的谱分析技术,其工作效率有了较大的提高。BP神经网络中也存在着一些不足,表现在其网络的鲁棒性和容错性不够,在对故障进行判断和检测时,不能有效地确保其准确性。此外,这种算法的收敛速度不快,在选择网络隐层节点中还没有形成完善的配套理论。这些都在某种程度上对其应用造成了影响。

第二,ART神经网络。基于人工神经网络技术的ART神经网络,广泛的应用在对图像、语音。文字等的识别过程中。其在某些工业产业中也普遍应用,主要应用在对系统的控制方面。例如,对故障判断,问题预警和事故检测等较为繁琐的生产过程进行控制,进行数据挖掘,从有关的数据中找到能够应用的数据。ART神经网络在应用中的优势主要是其具有很强的稳定性,能够在环境变化的情况下稳定的工作,其算法也十分简单而且为快速。其缺点主要是在要求对参数和模型等进行准确的判断时,其网络的结构还需要进行完善。

第三,RBF神经网络。基于人工神经网络技术的RBF神经网络目前在建模、分类、函数近似、识别、信号处理等方面有着广泛的引用。比于其他的神经网络,RBF神经网络的结构较为简单,其在非线性的逼近上的效果较为显著,收敛的速度也较快,能够有效的对整体进行收敛。其存在的缺点是,在函数逼近方面还不够完善,仍然要进行性改进。

第四,Hopfield神经网络。作为反馈神经网络的一种,Hopfield神经网络能够在连接性较高的神经网络中进行集中自动的计算。目前其在工业产业中有着广泛的应用。优点是,对于一些线性问题,避免了只是用数学方法所带来的繁琐,在进行数模之间的转化时,能够快速准确的进行。

三、人工神经网络技术的发展

人工神经网络技术和理论的不断发展和进步,在较多领域中,人工神经网络技术引起了人们的关注。但是,目前在技术的运用和技术本身仍存在着一些问题。

篇2

[3] 陈伟超 国内移动学习研究现状及发展建议[J].中国电力教育,2009 No.9

篇3

1 绪论

人工神经网络(Artificial Neural Network, ANN)是由大量处理单元互联组成的非线性、自适应信息处理系统。它是在现代神经科学研究成果的基础上提出的,试图通过模拟大脑神经网络处理、记忆信息的方式进行信息处理。ANN通过模仿人类大脑的结构和功能,并借鉴生物神经科学的研究成果,实现对信息的处理,是一种新兴的交叉学科,不但推动了智能化计算的应用和发展,同时也为信息科学和神经生物学的研究方法带来革命性的变化,现已成功应用于脑科学,认知科学,模式识别,智能控制,计算机科学等多个领域。

在实际应用中,人工神经网络的选取通常包括适当的神经网络模型,合理的网络结构及快速有效的网络参数训练算法[1]。而针对某一特定网络模型,ANN的研究主要集中在结构的调整和训练算法的改进两个方面。所谓神经网络训练,也就是网络参数的学习和调整,是一个反复调节节点之间权值和阈值的过程,其学习可以分成三类,即有监督学习(Supervised learning),无监督学习(Unsupervised learning)和强化学习(Reinforcement learning),本文基于有监督和无监督学习进行分类,分别分析了前馈神经网络的特点及研究现状、递归神经网络的特点及研究现状。

2 前馈神经网络

2.1 前馈神经网络的特点

前馈神经网络的主要种类包括:感知器,线性神经网络,BP网络,径向基网络(RBF)等。其训练算法主要采用梯度下降法(Gradient descent),包括:误差反向传播算法(Back Propagation, BP),改进的BP算法,Levenberg-Marquardt法(LM)等。前馈神经网络具有学习简单,收敛较快等优点,因此在实际应用中,一般选取三层或以上的网络结构,神经网络的任意逼近定理指出,训练合适的多层前馈神经网络能够以任意精度逼近任意连续函数[2]。当网络结构已知的情况下,训练前馈神经网络的本质就是确定最优权值和阈值的方法,前馈神经网络的训练方式一般采用网络理想输出和实际输出的误差作为权值调整信号,解空间一般是多峰函数,由于训练过程中很容易陷入局部极小,因此网络的训练目标就是求解一组最优的权值,使误差达到最小。

传统的误差反向传播算法由于为网络的训练提供了简单而有效的实现途径,目前已成为研究和应用最广泛的有监督学习算法。但BP算法存在许多问题,例如在多层网络中收敛较慢且容易陷入局部极小,而且不能对多个网络进行同时训练[3]。改进的BP算法有多种形式,主要有通过附加动量和学习率的引入改进BP网络的自适应能力等方法,附加动量方法虽然在一定程度上改善了易陷入局部极小的问题,仍然存在收敛速度较慢的问题。调整学习率方法通过将学习率限制在一定范围内自动调整,虽然能够提高网络收敛速率,但对权值的改变和影响并不大,仍然导致误差较大问题。LM法具有训练时间段,收敛速度快的优点,但由于LM法需要计算误差的Jacobian矩阵,这是一个复杂的高维运算问题,需要占用大量系统存储空间,同时,LM也存在易陷入局部极小的问题[4、5]。

2.2 前馈神经网络的研究现状

在传统的神经网络训练过程中,预估校正法或者经验选择是最常被使用的网络结构选取方式[6]。在训练和优化网络权值和阈值过程中,训练算法在上述分析中已知,存在着容易陷入局部最优并且难以跳出的缺点,因此误差函数要求必须是连续可求导的函怠R虼耍这些权值训练方法常和进化算法等全局搜索算法相结合。使用全局搜索算法的全局搜索能力帮助网络跳出局部极小。在编码时采用实数编码,克服二进制编码受到编码串长度和精度的限制。例如,Sexton等人用一种改进的遗传算法优化前馈神经网路权值,结果表明改进的算法使网路训练精度得到显著提高[3]。Abbass通过将传统BP算法和差分进化算法相结合,提出了一种的新的权值训练方法并用于乳腺癌的预测实验,取得较好结果[7]。Iionen等人使用差分进化算法对前馈网络的权值进行训练和优化,将优化结果与其他几种基于梯度下降的网络训练方法比较,结果表明该方法具有较好的精度[8]。更多研究成果表明,将DE、PSO应用于网络权值在线训练和优化具有明显优势,这些改进方法也成功应用在了医学和工程技术等领域[9、10]。

此外,多种优化算法相结合也被证明是有效的。例如,在文献[11]中,作者提出了一种DE和LM相结合的神经网络快速训练方法。Liu等人提出一种粒子群算法(Particle Swarm Optimization, PSO)和共轭梯度算法相结合的混合算法,并将其应用于神经网络的权值优化[12]。在优化过程中,首先确定网络结构,然后使用PSO的全局搜索能力获得最后权值组合,最后使用传统方法进行权值微调,取得较好结果。在文献[13]中,作者采用相反方式将基本PSO和传统BP算法相结合使用,首先用BP算法对网络权值进行计算,然后使用PSO对网络结构固定的权值进行优化和改进。有学者提出一种具有控制参数自适应选择能力的差分进化算法,用于训练前馈网络,并将该方法用于奇偶分类实验中,将实验结果与几种其他方法进行比较得知,提出的方法具有更好的准确性。Epitropakis等人在训练离散Pi-Sigma神经网络实验中,采用一种分布式离散差分进化算法和分布式离散PSO算法相结合的方式。该离散网络仍然是一种多层前馈网络,在输出层,通过将神经元求积的方式获得输出,作者认为这种整数权值的离散方式更适合用于硬件实现[14]。在离散化权值方面,Bao等人的工作表明,通过采用一种可重建的动态差分进化算法,可以有效用于训练固定结构的网络权值。

在不同领域中,任务往往各不相同,因此针对不同的动态系统,不同类型的递归网络的也相继被提出并得到研究,使之成为人工智能界的研究热点之一。因其具有独特的优化能力,联想记忆功能,递归神经网络已引起AI界极大的研究和关注,并成功应用于多种模式识别问题,例如图像处理,声音辨识,信号处理等。

4 结论

本章分析和研究了神经网络的两种主要类型,前馈型和递归型,并对其特点进行了分析。前馈网络的主要特点是计算简单,运算方便,缺点是耗时较长,容易陷入局部极小;递归网络的特点是具有动力学特性和联想记忆特性,但使用时需要注意稳定性和收敛性,且对初始状态具有高度敏感特性。针对两类神经网络的特点,可通过多种优化相结合的方法解决收敛较慢且容易陷入局部极小问题,应用参数学习训练算法和网络结构优化算法对递归网络进行适当的调整,以应用于具体问题。

参 考 文 献

[1] N. Garcia-Pedrajas, C. Hervas-Martinez, J. Munoz-Perez. COVNET: a cooperative coevolutionary model for evolving artificial neural networks [J]. IEEE Transaction on Neural Networks, 2003, 14(3): 575-596.

[2] K. Hornick, M. Stinchcombe, H. White. Multilayer feedforward networks are universal approximators [J]. Neural Networks, 1989, 2: 359-366.

[3] R.S. Sexton, R.S. Sriram, H. Etheridge. Improving decision effectiveness of artificial neural networks: a modified genetic algorithm approach [J]. Decis Sci, 2003, 34(3):421-442.

[4] 商琳, 王金根, 姚望舒,等. 一N基于多进化神经网络的分类方法[J]. 软件学报, 2005, 16(9): 1577-1583.

[5] S.U. Ahmed, M. Shahjahan, K. Murase. Injecting chaos in feedforward neural networks [J]. Neural Process Lett, 2011, 34(1): 87-100.

[6] Serkan Kiranyaz, Turker Ince, Alper Yildirim, et al. Evolutionary artificial neural networks by multi-dimensional particle swarm optimization [J]. Neural Networks, 2009, 22: 1448-1462.

[7] H.A. Abbass. An evolutionary artificial neural networks approach for breast cancer diagnosis [J]. Artificial Intelligence in Medicine, 2002 , 25 (3) : 265-281.

[8] J. Iionen, J.K. Kamarainen, J. Lampinen. Differential Evolution Training Algorithm for Feed-forward Neural Networks [J]. Neural Processing Letters, 2003, 17(1) : 93-105.

[9] D.M. George, P.P. Vassilis, N.V. Michael. Neural network-based colonoscopic diagnosis using on-line learning and differential evolution [J]. Applied Soft Computing, 2004, (4) : 369-379.

[10] B. Liu, L. Wang, Y.H. Jin, et al. Designing neural networks using hybrid particle swarm optimization [C]. Lecture Notes in Computer Science. Berlin : Springer , 2005 : 391-397.

[11] 王刚, 高阳, 夏洁. 基于差异进化算法的人工神经网络快速训练研究 [J]. 管理学报, 2005, 2 (4) : 450-454.

篇4

A Review of the Research and Development of the Artificial Neural Nets

WANG Hui

(Xinjiang Petroleum Institute,Urumqi 830000,China)

Abstract: This paper reviews the history and the current situation of the theory of neural nets. It discusses two aspects: the Vapnik-Chervonenkis dimension calculation and the data mining in neural nets. It also touches upon such research areas as calculation theory, methods and application of neural nets.

Key words: neural nets;Vapnik-Chervonenkis dimension;Data Mining

1 引言

本世纪初,科学家们就一直探究大脑构筑函数和思维运行机理。特别是近二十年来。对大脑有关的感觉器官的仿生做了不少工作,人脑含有数亿个神经元,并以特殊的复杂形式组成在一起,它能够在计算某些问题(如难以用数学描述或非确定性问题等)时,比目前最快的计算机还要快许多倍。大脑的信号传导速度要比电子元件的信号传导要慢百万倍,然而,大脑的信息处理速度比电子元件的处理速度快许多倍,因此科学家推测大脑的信息处理方式和思维方式是非常复杂的,是一个复杂并行信息处理系统。1943年McCulloch和Pitts结合了神经生理学和数理逻辑的研究描述了一个神经网络的逻辑演算。他们的神经元模型假定遵循一种所谓“有或无”(all-or-none)规则。如果如此简单的神经元数目足够多和适当设置突触连接并且同步操作,McCulloch和Pitts证明这样构成的网络原则上可以计算任何可计算的函数,这标志着神经网络学科的诞生。

2 发展历史及现状

2.1 人工神经网络理论的形成

早在40年代初,神经解剖学、神经生理学、心理学以及人脑神经元的电生理的研究等都富有成果。其中,神经生物学家McCulloch提倡数字化具有特别意义。他与青年数学家Pitts合作[1],从人脑信息处理观点出发,采用数理模型的方法研究了脑细胞的动作和结构及其生物神经元的一些基本生理特性,他们提出了第一个神经计算模型,即神经元的阈值元件模型,简称MP模型,他们主要贡献在于结点的并行计算能力很强,为计算神经行为的某此方面提供了可能性,从而开创了神经网络的研究。50年代初,神经网络理论具备了初步模拟实验的条件。Rochester,Holland与IBM公司的研究人员合作,他们通过网络吸取经验来调节强度,以这种方式模拟Hebb的学习规则,在IBM701计算机上运行,取得了成功,几乎有大脑的处理风格。但最大规模的模拟神经网络也只有1000个神经元,而每个神经元又只有16个结合点。再往下做试验,便受到计算机的限制。人工智能的另一个主要创始人Minsky于1954年对神经系统如何能够学习进行了研究,并把这种想法写入他的博士论文中,后来他对Rosenblatt建立的感知器(Perceptron)的学习模型作了深入分析。

2.2 第一阶段的研究与发展

1958年计算机科学家Rosenblatt基于MP模型,增加了学习机制,推广了MP模型。他证明了两层感知器能够将输入分为两类,假如这两种类型是线性并可分,也就是一个超平面能将输入空间分割,其感知器收敛定理:输入和输出层之间的权重的调节正比于计算输出值与期望输出之差。他提出的感知器模型,首次把神经网络理论付诸工程实现。1960年Widrow和Hoff提出了自适应线性元件ADACINE网络模型,是一种连续取值的线性网络,主要用于自适应系统。他们研究了一定条件下输入为线性可分问题,期望响应与计算响应的误差可能搜索到全局最小值,网络经过训练抵消通信中的回波和噪声,它还可应用在天气预报方面。这是第一个对实际问题起作用的神经网络。可以说,他们对分段线性网络的训练有一定作用,是自适应控制的理论基础。Widrow等人在70年代,以此为基础扩充了ADALINE的学习能力,80年代他们得到了一种多层学习算法。

Holland于1960年在基因遗传算法及选择问题的数学方法分析和基本理论的研究中,建立了遗传算法理论。遗传算法是一种借鉴生物界自然选择和自然遗传机制的高度并行、随机、自适应搜索算法,从而开拓了神经网络理论的一个新的研究方向。1976年Grossberg提出自适应共振理论(ART),这是感知器较完善的模型,即superrised学习方式。本质上说,仍是一种unsuperrised学习方式。随后,他与Carpenter一起研究ART网络,它有两种结构ART1和ART2,能够识别或分类任意多个复杂的二元输入图像,其学习过程有自组织和自稳定的特征,一般认为它是一种先进的学习模型。另外还有Werbos提出的BP理论以及提出的反向传播原理;Fukushima 提出了视觉图象识别的Neocognitron模型这些研究成果坚定的神经网络理论的继续研究。

2.3 第二次研究的阶段

Hopfield于1982年至1986年提出了神经网络集体运算功能的理论框架,随后,引起许多学者研究Hopfield 网络的热潮,对它作改进、提高、补充、变形等,至今仍在进行,推动了神经网络的发展。1983年Kirkpatrick等人先认识到模拟退火算法可应用于NP完全组合优化问题的求解。这种思想最早是由Metropolis等人在1953年提出的,即固体热平衡问题,通过模拟高温物体退火过程的方法,来找全局最优或近似全局最优,并给出了算法的接受准则。这是一种很有效的近似算法。1984年Hinton等人提出了Boltzmann机模型,借用统计物理学中的概念和方法,引入了模拟退火方法,可用于设计分类和学习算法方面,并首次表明多层网络是可训练的。Sejnowski于1986年对它进行了改进,提出了高阶Boltzmann机和快速退火等。

1986年Rumelhart和McClelland 合著的Parallel Distributed Processing: Exploratio n in the Microstructures of Cognition两卷书出版,对神经网络的进展起了极大的推动作用。它展示了PDP研究集团的最高水平,包括了物理学、数学、分子生物学、神经科学、心理学和计算机科学等许多相关学科的著名学者从不同研究方向或领域取得的成果。他们建立了并行分布处理理论,主要致力于认知的微观研究。尤其是,Rumelhart提出了多层网络Back-Propagation法或称Error Propagation法,这就是后来著名的BP算法。

2.4 新发展阶段

90年代以来,人们较多地关注非线性系统的控制问题,通过神经网络方法来解决这类问题已取得了突出的成果,它是一个重要的研究领域。1990年Narendra和Parthasarathy提出了一种推广的动态神经网络系统及其连接权的学习算法,它可表示非线性特性,增强了鲁棒性。他们给出了一种新的辨识与控制方案,以multilayer网络与recarrent网络统一的模型描述非线性动态系统,并提出了动态BP 参数在线调节方法。尤其是进化计算的概念在1992年形成,促进了这一理论的发展。1993年诞生了国际性杂志Evolutionary Computation。近几年它成为一个热点研究领域。1993年Yip和Pao提出了一种带区域指引的进化模拟退火算法,他们将进化策略引入区域指引,它经过选优过程,最终达到求解问题的目的。

从上述各个阶段发展轨迹来看,神经网络理论有更强的数学性质和生物学特征,尤其是神经科学、心理学和认识科学等方面提出一些重大问题,是向神经网络理论研究的新挑战,因而也是它发展的最大机会。90年代神经网络理论日益变得更加外向,注视着自身与科学技术之间的相互作用,不断产生具有重要意义的概念和方法,并形成良好的工具。

3 神经网络的发展趋势

3.1 神经网络VC维计算

神经计算技术已经在很多领域得到了成功的应用,但由于缺少一个统一的理论框架,经验性成分相当高。最近十年里,很多研究者都力图在一个统一的框架下来考虑学习与泛化的问题 。PAC(Probably Approximately Correct)学习模型就是这样一个框架。作为PAC学习的核心以及学习系统学习能力的度量,VC维(Vapnik-Chervonenkis dimension)在确定神经网络的容量(capacity)、泛化能力(generalization)、训练集规模等的关系上有重要作用。如果可以计算出神经网络的VC维,则我们可以估计出要训练该网络所需的训练集规模;反之,在给定一个训练集以及最大近似误差时,可以确定所需要的网络结构。

Anthony将VC维定义为:设F为一个从n维向量集X到{0, 1}的函数族,则F的VC维为X的子集E的最大元素数,其中E满足:对于任意S?哿E,总存在函数fs ∈F,使得当x ∈ S时fs(x) =1,x?埸S但x∈E时fs(x) =0。

VC维可作为函数族F复杂度的度量,它是一个自然数,其值有可能为无穷大,它表示无论以何种组合方式出现均可被函数族F正确划分为两类的向量个数的最大值。对于实函数族,可定义相应的指示函数族,该指示函数族的VC维即为原实函数族的VC维。

3.2 基于神经网络的数据挖掘

1996年,Fayyad、Piatetsky-Shapiro和Smyth对KDD(Knowledge Discovery from Databases)和数据挖掘的关系进行了阐述。但是,随着该领域研究的发展,研究者们目前趋向于认为KDD和数据挖掘具有相同的含义,即认为数据挖掘就是从大型数据库的数据中提取人们感兴趣的知识。

数据挖掘的困难主要存在于三个方面:首先,巨量数据集的性质往往非常复杂,非线性、时序性与噪音普遍存在;其次,数据分析的目标具有多样性,而复杂目标无论在表述还是在处理上均与领域知识有关;第三,在复杂目标下,对巨量数据集的分析,目前还没有现成的且满足可计算条件的一般性理论与方法。在早期工作中,研究者们主要是将符号型机器学习方法与数据库技术相结合,但由于真实世界的数据关系相当复杂,非线性程度相当高,而且普遍存在着噪音数据,因此这些方法在很多场合都不适用。如果能将神经计算技术用于数据挖掘,将可望借助神经网络的非线性处理能力和容噪能力,较好地解决这一问题。

4 结束语

经过半个多世纪的研究,神经计算目前已成为一门日趋成熟,应用面日趋广泛的学科。本文对神经计算的研究现状和发展趋势进行了综述,主要介绍了神经网络VC维计算、基于神经网络的数据挖掘领域的相关研究成果。需要指出的是,除了上述内容之外,神经计算中还有很多值得深入研究的重要领域,例如:与符号学习相结合的混合学习方法的研究;脉冲神经网络(Pulsed Neural Networks)的研究;循环神经网络(Recurrent Neural Networks)的研究等;神经网络与遗传算法、人工生命的结合;支持向量机(Support Vector Machine)的研究;神经网络的并行、硬件实现;容错神经网络的研究。

参考文献:

[1] McCulloch W S, Pitts W. A Logical Calculus of the Ideas Immanent in Nervous Activity, Bulletin of Mathematical Biophysics, 1943.

[2] N.维纳著,郝季仁译,控制论,科学出版,1985.

[3] Von Neumann J. The General and Logical Theory of Automata, Cerebral Mechanisms in Behavior; The Hixon Sympsium, 1951.

[4] Hebb D O. The Organization of Behavior, New York:Wiley, 1949.

[5] 陈世福,陈兆乾. 人工智能与知识工程[M]. 南京: 南京大学出版社,1998.

篇5

随着科学技术的发展,各个行业和领域都在进行人工智能化的研究工作,已经成为专家学者研究的热点。人工神经网络就是在人工智能基础上发展而来的重要分支,对人工智能的发展具有重要的促进作用。人工神经网络从形成之初发展至今,经历了不同的发展阶段,并且在经济、生物、医学等领域得到了广泛的应用,解决了许多技术上的难题。

1人工神经网络概述

关于人工神经网络,到目前为止还没有一个得到广泛认可的统一定义,综合各专家学者的观点可以将人工神经网络简单的概括为是模仿人脑的结构和功能的计算机信息处理系统[1]。人工神经网络具有自身的发展特性,其具有很强的并行结构以及并行处理的能力,在实时和动态控制时能够起到很好的作用;人工神经网络具有非线性映射的特性,对处理非线性控制的问题时能给予一定的帮助;人工神经网络可以通过训练掌握数据归纳和处理的能力,因此在数学模型等难以处理时对问题进行解决;人工神经网络的适应性和集成性很强,能够适应不同规模的信息处理和大规模集成数据的处理与控制;人工神经网络不但在软件技术上比较成熟,而且近年来在硬件方面也得到了较大发展,提高了人工神经网络系统的信息处理能力。

2人工神经网络的发展历程

2.1 萌芽时期

在20世纪40年代,生物学家McCulloch与数学家Pitts共同发表文章,第一次提出了关于神经元的模型M-P模型,这一理论的提出为神经网络模型的研究和开发奠定了基础,在此基础上人工神经网络研究逐渐展开。1951年,心理学家Hebb提出了关于连接权数值强化的法则,为神经网络的学习功能开发进行了铺垫。之后生物学家Eccles通过实验证实了突触的真实分流,为神经网络研究突触的模拟功能提供了真实的模型基础以及生物学的依据[2]。随后,出现了能够模拟行为以及条件反射的处理机和自适应线性网络模型,提高了人工神经网络的速度和精准度。这一系列研究成果的出现为人工神经网络的形成和发展提供了可能。

2.2 低谷时期

在人工神经网络形成的初期,人们只是热衷于对它的研究,却对其自身的局限进行了忽视。Minskyh和Papert通过多年对神经网络的研究,在1969年对之前所取得的研究成果提出了质疑,认为当前研究出的神经网络只合适处理比较简单的线性问题,对于非线性问题以及多层网络问题却无法解决。由于他们的质疑,使神经网络的发展进入了低谷时期,但是在这一时期,专家和学者也并没有停止对神经网络的研究,针对他们的质疑也得出一些相应的研究成果。

2.3 复兴时期

美国的物理学家Hopfield在1982年提出了新的神经网络模型,并通过实验证明在满足一定的条件时,神经网络是能够达到稳定的状态的。通过他的研究和带动,众多专家学者又重新开始了对人工神经网络方面的研究,推动了神经网络的再一次发展[3]。经过专家学者的不断努力,提出了各种不同的人工神经网络的模型,神经网络理论研究不断深化,新的理论和方法层出不穷,使神经网络的研究和应用进入了一个崭新的时期。

2.4 稳步发展时期

随着人工神经网络研究在世界范围内的再次兴起,我国也迎来了相关理论研究的热潮,在人工神经网络和计算机技术方面取得了突破性的进展。到20世纪90年代时,国内对于神经网络领域的研究得到了进一步的完善和发展,而且能够利用神经网络对非线性的系统控制问题进行解决,研究成果显著。随着各类人工神经网络的相关刊物的创建和相关学术会议的召开,我国人工神经网络的研究和应用条件逐步改善,得到了国际的关注。

随着人工神经网络的稳步发展,逐渐建立了光学神经网络系统,利用光学的强大功能,提高了人工神经网络的学习能力和自适应能力。对非线性动态系统的控制问题,采取有效措施,提高超平面的光滑性,对其精度进行改进。之后有专家提出了关于人工神经网络的抽取算法,虽然保证了精度,但也加大了消耗,在一定程度上降低了神经网络的效率,因此在此基础上又提出了改进算法FERNN。混沌神经网络的发展也得到了相应的进步,提高了神经网络的泛化能力。

3人工神经网络的应用

3.1 在信息领域中的应用

人工神经网络在信息领域中的应用主要体现在信息处理和模式识别两个方面。由于科技的发展,当代信息处理工作越来越复杂,利用人工神经网络系统可以对人的思维进行模仿甚至是替代,面对问题自动诊断和解决,能够轻松解决许多传统方法无法解决的问题,在军事信息处理中的应用极为广泛[4]。模式识别是对事物表象的各种信息进行整理和分析,对事物进行辨别和解释的一个过程,这样对信息进行处理的过程与人类大脑的思维方式很相像。模式识别的方法可以分为两种,一种是统计模式识别,还有一种是结构模式识别,在语音识别和指纹识别等方面得到了广泛的应用。

3.2 在医学领域的应用

人工神经网络对于非线性问题处理十分有效,而人体的构成和疾病形成的原因十分复杂,具有不可预测性,在生物信号的表现形式和变化规律上也很难掌握,信息检测和分析等诸多方面都存在着复杂的非线性联系,所以应用人工神经网络决解这些非线性问题具有特殊意义[5]。目前,在医学领域中的应用涉及到理论和临床的各个方面,最主要的是生物信号的检测和自动分析以及专家系统等方面的应用。

3.3 在经济领域中的应用

经济领域中的商品价格、供需关系、风险系数等方面的信息构成也十分复杂且变幻莫测,人工神经网络可以对不完整的信息以及模糊不确定的信息进行简单明了的处理,与传统的经济统计方法相比具有其无法比拟的优势,数据分析的稳定性和可靠性更强。

3.4 在其他领域的应用

人工神经网络在控制领域、交通领域、心理学领域等方面都有很广泛的应用,能够对高难度的非线性问题进行处理,对交通运输方面进行集成式的管理,以其高适应性和优秀的模拟性能解决了许多传统方法无法解决的问题,促进了各个领域的快速发展。

4总结

随着科技的发展,人工智能系统将进入更加高级的发展阶段,人工神经网络也将得到更快的发展和更加广泛的应用。人工神经网络也许无法完全对人脑进行取代,但是其特有的非线性信息处理能力解决了许多人工无法解决的问题,在智能系统的各个领域中得到成功应用,今后的发展趋势将向着更加智能和集成的方向发展。

参考文献

[1]徐用懋,冯恩波.人工神经网络的发展及其在控制中的应用[J].化工进展,1993(5):8-12,20.

[2]汤素丽,罗宇锋.人工神经网络技术的发展与应用[J].电脑开发与应用,2009(10):59-61.

篇6

随着环境污染日益严重、能源供给压力不断增大等问题的凸显,转变经济增长方式,走低碳化发展道路,已经成为世界各国的普遍共识。燃气发电厂由于使用天然气等清洁能源,各项排放指标优于燃煤电厂[1,2],使得燃气发电不仅可以有效减少碳排放,而且可以缓解煤炭等传统能源的供需压力。

随着燃气发电越来越受到重视,很多学者对燃气发电进行了实证分析和研究。如文献[1]分析了我国燃气发电现状及规划,并对行业前景从天然气开采、发电量等方面进行预测;文献[3]在随机生产模拟的基础上,对天然气发电效益进行分析;文献[4-5]从风险评价方面对天然气市场或发电方面进行研究。本文在已有研究的基础上,从燃气发电现状入手,建立我国燃气发电行业的风险评价指标体系,结合模糊神经网络方法,对我国燃气发电进行风险评价。

1 燃气发电风险评价指标体系

基于风险评价指标体系的构建原则,本文将我国燃气发电的风险分为以下五类并进行评价。

(1)资源风险:对于燃气电厂来说,资源的可采储量、采选方式可能与计划结果存在偏差,导致燃气发电成本增加或发电量乃至电网收到影响。(2)生产风险:燃气电厂对天然气供应的要求很高,而其在与天然气供应商签订“照付不议”合同、与电网公司的协调方面,都存在一定程度的不确定性,并会对发电产生影响。(3)技术风险:随着燃气发电的应用扩大化和机组大型化趋势日益明显,技术和工作原理也更加复杂,因此存在一定的技术风险。(4)市场风险:燃气发电的市场风险主要包括市场竞争、市场供求和发电效益三个方面[6,7]。(5)环境风险:国内外天然气、电力市场的变动以及国际经济形势也会对燃气发电的发展起重要作用,因此存在一定的环境风险。

根据上述对燃气发电风险的分析,构建我国燃气发电风险评价指标体系,如表1所示。

2 模糊神经网络模型的构建

2.1 模糊神经网络结构

模糊神经网络将模糊理论和神经网络理论结合起来,本文构建的模糊神经网络模型采用模糊系统和神经网络串联连接方式,即输入经过隶属函数转化为模糊量后,再进入神经网络系统进行处理[8-10]。模型结构的第1层为输入层,第2层为模糊化层,第3层为模糊推理层,第4层为输出层。本文模糊神经网络结构如图1所示。

2.2 模糊化处理步骤

根据已建立的燃气发电风险评价指标体系,采用模糊综合评价法对燃气发电风险因素的指标量化处理,使得模糊处理系统的输出作为神经网络系统的输入,具体步骤如下。

(1)确定因素集。根据风险指标体系构造因素集X={x1,x2,…,xk}和每个二级指标的因素集Xi={Xi1,Xi2,...Xin},i=1,2,…k。

(2)确定评语集。对于因素Xi来说,专家对各风险因素逐个给出风险程度评语,将各指标的评语分为m个等级,评语集为Y={y1,y2,…ym}。

(3)做单因素评价,得评价矩阵R。构造模糊映射f,XF(Y),F(Y)是Y上的模糊集,映射f为风险因素xi对评语集Y的隶属向量Ri={ri1,ri2,…rim},i=1,2…n。由此得到评价矩阵R=(rij)n×m∈F(X×F)。

(4)做综合评价。对评语集中每个评价指标赋予权重A=(a1,a2,…,an), ai=1,ai?叟0由模糊运算得到一级评价结果B=A・R,并以类似方法求出二级评价结果C=(c1,c2,…,cn),该向量作为神经网络的输入。

2.3 神经网络模型

设输入层节点数为m,隐含层节点数为e,输出层节点数为n,其中隐含层节点数通常采用Kol-mogorov定理的经验处理公式e= +c,式中,c为介于1~10的常数。对任一神经元i,其输入、输出关系可表述为Oi=f( ?棕ijhj+?兹i),式中,hj为神经元的第j个输入,Oi为神经元的第i个输出;?棕ij是所有与第i个神经元相连的权值;?兹i是神经元第i节点的阈值。f(x)为传递函数,一般采用sigmoid型:f(x)=(1+exp(-x))-1。

设有p组训练样本,用其中的第k组的样本的输入、输出模式对网络进行训练。设定收敛误差界值为?着min,最大学习次数为N,经过反复迭代运算,根据误差函数,得出样本误差Ek= (hoi(k)-yoi(k)),训练集误差E= Ek。若网络输出值与期望输出值之间的误差不满足误差精度要求,则将误差反向传播,误差传播过程中,要不断地反复修正网络中连接权值和阈值,直至满足误差精度要求。连接权值和阈值修正公式为?驻k?棕(t+1)=?浊?啄jkoik+?琢?驻k?棕ij(t),?兹j(t+1)=?兹j+ ?驻k?兹j。式中,?浊学习率,?琢为动力因子,二者均介于0到1之间;?琢?驻k?棕ij(t)为动力项,?啄jk为输出节点计算误差,t为训练次数。

3 算例分析

以我国燃气发电为例,用模糊神经网络风险评价法对其风险进行评。

(1)确定因素集和评语集,根据评价矩阵得出模糊评价结果。

本文的评价对象为我国燃气发电风险,由评价体系可知,一级指标因素集为X={x1,x2,x3,x4,x5}={资源风,生产风险,技术风险,市场风险,环境风险},二级指标因素集分别为X1={x11,x12,x13}={储量风险,开采风险,地理地质条件风险},X2={x21,x22,x23}={天然气供应风险,燃气设备选择风险,技术选择风险},X3={x31,x32,x33}={技术研发风险,技术成熟度风险,技术应用性风险},X4={x41,x42,x43}={市场竞争风险,市场供求风险,发电效益风险},X5={x51,x52,x53}={国家政策法律风险,国际政治和经济环境风险,自然环境风险}。评语集为Y={y1,y2,y3,y4,y5}={大,较大,中等,较小,小},相对应的分值为1.0,0.7,0.5,0.3,0.1。由15个专家组成评分小组,得到一级评价矩阵和二级评价矩阵,以及由评价矩阵求得的最大特征向量得到的权重向量得出15个样本的综合评价得分矩阵为?滋=(?滋1,?滋2,…,?滋15)=(0.669,0.623,0.691,

0.691,0.611,0.637,0.668,0.582,0.604,0.548,0.612,0.621,0.607,0.641,0.625,0.632)。模糊化后15个样本各列得分和综合得分结果如表2所示。

(2)神经网络训练和测试阶段

设置训练参数时,在BP神经网络的训练选择22×13×1的网络结构,训练最大次N=1000,学习率?浊=0.01,动量因子?琢=0.5,最收敛误差界?着min=10-4,传递函数选择对数S函数logsig,训练函数为traingdx,学习函数为learndm,权值矩阵初值由系统随机给定。BP网络模型的仿真结果均由Matlab软件给出。选取表1的前10组数据作为训练样本,后5组数据作为测试集,模拟待评估对象。经过BP神经网络训练后的前10组样本输出结果如下图2所示。

利用训练好的BP神经网络模型对表2中的第11到15组数据进行测试,测试结果如下图3所示。

将测试结果与专家评价结果进行对比分析,如下表3所示。

表3 BP神经网络测试结果

由上表看出,5个测试集仿真评价的结果与专家评价结果非常接近,平均相对误差为2.90%,除了测试样本13的训练相对误差相比于其它测试样本稍微偏大为8.89%,但是仍保持在较低的误差水平。因此可以认为所建立的模糊神经网络模型训练精度较高,模拟测试结果较好。测试结果显示,当前我国燃气发电风险得分值在0.5与0.7之间,根据划定的评价集,可判断出当前我国燃气发电风险为较大和中等之间。

4 结束语

本文运用模糊神经网络对目前我国燃气发电风险进行了评价研究,可以得到以下主要结论:

(1)该模糊神经网络模型能够充分避免主观、人为因素的影响,具有自学习、自组织适应能力强等优点,算例分析结果也显示出该模型训练精度高,预测结果好,评价结果较为客观;

(2)建立模糊神经网络模型应合理确定网络层数及隐含层的神经元数,设置不合理会影响网络的学习能力和效率;

(3)基于模糊神经网络对我国燃气发电进行评价,有利于业内人士更加客观、清楚地了解当前我国燃气发电现状和问题,从而有利于促进该行业的发展。

参考文献

[1]张斌.我国天然气发电现状及前景分析[J].中国能源,2012,34(11):12-16.

[2]李强.燃气发电企业的市场营销战略[J].现代商业,2007,(36):163.

[3]董军,阴少华,王江波等.基于随机生产模拟的天然气发电环境效益与可靠性效益分析[J].陕西电力,2010,38(7):6-9.

[4]刘毅军,李松玲,徐小辉等.天然气产业链下游市场风险评价模型探讨[J].天然气工业,2006,26(7):136-138.

[5]熊焰,周伟国,严铭卿等.模糊神经网络在燃气风险评价的应用[J].煤气与热力,2006,26(6):6-9.

[6]唐永伟. 燃气电厂风险分析[J].中国电力,2002,35(4):1-4.

[7]刘毅军,夏新生,宋建新.天然气产业链下游市场风险评价指标体系探讨[J].天然气工业,2006,26(增刊):172-174.

[8]魏阳,李凌云,马明娟等.基于模糊综合评价法的聚光型太阳能光热发电风险评价研究[J].陕西电力,2012,40(3):1-5.

[9]M. Mosleha, M. Otadia, S. Abbasbandyb. Evaluation of fuzzy regression models by fuzzy neural network[J]. Journal of Computational and Applied Mathematics, 2011, 234(3):825-834.

篇7

2 T-S模糊神经网络

模糊系统在模糊建模的过程中常存在学习能力缺乏,辨识过程复杂,模型参数优化困难等问题。而人工神经网络具有自学习、自组织和自适应的能力,具有强大的非线性处理能力。二者的结合构成模糊神经网络,可以有效地发挥模糊逻辑与神经网络的各自优势,弥补各自的不足[14]。

2.1 T-S模糊神经网络的结构

基于标准型的T -S模糊神经网络结构如图1所示。图1中第1层为输入层;第2层每个结点表示一个语言变量值;第3层用来匹配模糊规则前件,计算出每条规则的隶属度;第4层用于归一化计算,输出第 条规则的平均激活度[14];第5层是输出层,它所实现的是清晰化计算。T -S模糊神经网络由前件网络和后件网络两部分组成。前件网络用来匹配模糊规则的前件,其结构与图1的前4层结构完全相同;后件网络用来产生模糊规则的后件,由N个结构相同的并列子网络组成[15]。

2.2 T-S模糊神经网络的学习算法

T -S模糊神经网络需要学习的参数主要有后件网络的连接权pkki以及前件网络第二层各结点隶属函数的中心值ckj及宽度σkj。设取误差代价函数为:

3 应用研究

以下通过实例介绍T -S模糊神经网络在地下水水质评价中的应用。

3.1 研究区概况

吉林省西部地区位于松嫩平原的西南部,地理坐标为东经123°09′~124°22′,北纬44°57′~45°46′。研究区东接吉林省长春市,南接四平市及辽宁省,西邻,北接黑龙江省,东北以嫩江、松花江和拉林河与黑龙江省为界。吉林省西部属半干旱半湿润的大陆性季风气候区,四季变化明显。该区多年平均气温3~6℃,多年平均降雨量为400~500mm。研究区大部分属于松嫩盆地,该盆地为一个巨大的含水层系统,埋藏有多层含水层,包括孔隙潜水含水层和承压水含水层(分别为浅层、中深层)、上第三系大安组、泰康组孔隙-裂隙含水层(深层)和白垩系下统及上统裂隙孔隙含水层(深层)。研究区的地下水补给来源主要为降水入渗,排泄以潜水蒸发和人工开采为主。

3.2 原始数据

原始数据取自于吉林西部2005年50个地下水水化学监测点的水质监测数据,结合研究区地下水水质状况,有针对性地选择了铁、氨氮、硝酸盐、亚硝酸盐、硫酸盐、氯化物、溶解性总固体、氟化物和总硬度共9项指标作为评价因子。地下水水质评价标准参照GB/T 14848-93《地下水质量标准》,评价标准见表1。

3.3 神经网络的准备工作

(1)训练样本、检验样本及其期望目标的生成。采用Mat-lab7.0的linspace函数在各级评价标准之间按随机均匀分布方式内插生 成 训 练 样 本。各 级 评 价 标 准 之 间 生 成500个,共2 000个训练样本,以解决仅利用各级评价标准作为训练样本,导致训练样本数过少的问题[16]。检验样本用生成训练样本同理的方法生成400个样本。小于一级标准的训练样本和检验样本的期望目标为按照生成训练样本和检验样本的内例产生对应的0~1.5之间的数值;一、二级标准之间的训练样本和检验样本的期望目标为按照生成训练样本和检验样本的内例产生对应的1.5~2.5之间的数值;同理,二、三级和三、四级标准之间的训练样本和检验样本的期望目标为2.5~3.5、3.5~4.5之间的数值。(2)水质评价等级的划分界限。据上述生成训练样本与检验样本目标输出的思路可以确定一、二、三、四、五各级水的网络输出范围分别为:<1.5、1.5~2.5、2.5~3.5、3.5~4.5、>4.5。(3)原始数据的预处理。利用Matlab7.0中的mapminmax函数将原始数据归一化到0与1之间。

3.4 T-S模糊神经网络的建立、训练、检验及水质评价

3.4.1 T-S模糊神经网络的建立

模糊神经网络的构建根据训练样本维数确定模糊神经网络输入/输出结点数、模糊隶属度函数个数。由于输入数据为9维,输出数据为1维,通过试错法确定模糊神经网络结构为9-18-1,即有18个隶属度函数。选择10组系数p0-p9,模糊隶属度函数中心和宽度c和σ随机得到,通过动态BP算法对网络的权值在线调整。隶属度函数采用高斯函数,模糊推理采用sum-product[14],解模糊采用加权平均法。网络模型的概化如图1所示。T -S模糊神经网络的第3层输出为输入数据的隶属度函数;第4层输出为第 条规则的平均激活度;后件网络实现了T -S模型模糊规则空间到输出空间的映射,输出为yj=pjk0+pjk1x1+…+pjkmxm和y=∑αk×yj。

3.4.2 网络的训练、检验及水质评价

采用归一化的训练样本和检验样本数据,对网络进行训练和检验。以10个水质待评点的基础数据(表2)为例,利用已训练好的模糊神经网络对其进行水质评价。网络输出结果见表3。

3.4.3 不同水质评价方法的对比分析

篇8

我国的卫生事业虽然取得了很大的发展,但却存在明显的卫生人力资源失衡现象,突出表现在:卫生人员总量过剩、人员地区分布不均衡尤其是城乡差距较大、卫生人员总体素质不高。因而迫切需要加强卫生人力预测研究,使其更合理地从数量上、质量上和分布上调整现有存量、优化增量,以推动整个卫生事业的发展进程[1,2]。

人工神经网络作为一种综合信息处理和模拟技术,其特有的非线性适应性信息处理能力,克服了传统方法的局限性,而且还具有学习预测精度高、容错能力强和预测速度快的特点[3]。本研究基于人工神经网络方法,构建出一套合理、有效的测算卫生人力需求量的指标体系。

1人工神经网络简介

人工神经网络基本组成单位是神经元(节点),神经元之间按一定的方式相互连接,构成神经网络系统,可以通过预先提供的一批相互对应的输入--输出数据,分析掌握两者之间潜在的规律,最终根据这些规律,用新的输入数据来推算输出结果[4,5]。

迄今为止,已有多种人工神经网络模型被开发和应用。本文应用较为成熟的误差反向传播学习算法人工神经网络(BP-ANN)。BP神经网络从模拟生物的神经网络出发[6],其最基本的结构是3层前馈网络,即输入层、隐含层、输出层(见图1),层与层之间多采用全互连方式,同一层单元间不存在相互连接。

图1 人工神经网络结构

BP网络模型的应用过程包括训练和预测两个过程。训练时,输入信息从输入层经隐含层逐层处理,并传向输出层。如果输出层得不到期望的输出,则将误差信号沿原来的连接通道返回,通过修改各层神经元的连接权值,使得误差最小。网络重复以上过程进行迭代计算,直至收敛,由此构成了非线性映射模型,掌握了隐含在样本内部各元素间的特殊关系[7]。经训练后的人工神经网络不仅对拟合过的样本有效,而且对未经拟合的样本也可以较准确地预测。人工神经网络以其独特的信息储存方式、良好的容错性、大规模的非线性并行处理方式[8]以及强大的自组织自拟合和自适应能力,已应用于信号处理、模式识别、综合评价、预测分析等领域。

2指标筛选

本文的研究对象是卫生人力的数量。人工神经网络要求选择那些影响输出的主要因素作为输入层,选定的输入变量数必须足够且具有代表性[9,10],基于这一点,经过文献评阅分析及专家小组讨论,本研究对于输入变量,即测算指标的选择主要从以下几方面进行:

2.1人口数量变化 人口数量的变化是影响卫生人力需求量的最重要的因素。人口的增减会引起卫生服务需求量的增减,从而引起卫生人力需求量的波动。对应的变量选择了总人口数、就诊人次数、住院人次数。

2.2经济发展水平 随着社会经济迅猛发展,居民的生活水平不断提高,人们对生活质量要求也逐步提高,而健康是衡量生活质量的重要指标之一,所以随着居民对健康意识的增强,卫生服务需求量将会加大,卫生人力的需求量也随之增加[11,12]。对应的变量选择了卫生总费用、人均卫生费用、人均国民生产总值。

2.3医院发展规模 医院规模直接影响整个卫生人力需求量和卫生人力内部构成。医院规模的大小通常是以病床数来衡量的,而病床数又是人员编配的重要标准[13]。对应的变量选择了医院机构数、总床位数。

2.4卫生人力供给 每年都有大量的医学生走向工作岗位,为医疗系统注入新的血液。对应的变量选择了高等医学院校毕业生数、中等医学院校毕业生数[14]。

3结果与讨论

得到卫生人力的测算指标包括总人口数(万人)、就诊人次数(亿次)、住院人次数(万人)、卫生总费用(亿元)、人均卫生费用(元)、人均国民生产总值(元)、医院机构数、总床位数(万张)、高等医学院校毕业生数、中等医学院校毕业生数10项指标。鉴于年鉴收录自国家及各省市地方统计局的历年统计资料,具有资料翔实,信息密集的特点,所有数据均从统计年鉴中获取,按照年份顺序进行整理,过滤缺失的数据,建立起从1990~2008年的有关卫生人力资源的数据库。

参考文献:

[1]薛娅,高歌,沈月平.常州市卫生人力需要量统计预测研究[J].中国卫生统计,2007,24(3):287.

[2]Francis Omaswa. Human resources for global health: time for action is now[J].The Lancet.2008,371:625.

[3]蒋宗礼.人工神经网络导论[M].北京:高等教育出版社,2002.

[4]任宏,姜庆五.人工神经网络及其在预防医学领域的应用[J].上海预防医学,2003,15(1):22.

[5]黎衍云,李锐,张胜年.人工神经网络及其在疾病筛查中的应用前景[J].环境与职业医学,2006,23(1):71.

[6]钱玲,施侣元,程茂金.应用人工神经网络预测糖尿病/糖耐量异常[J].中国公共卫生,2003,19(10):1272.

[7]Qian AI,Shrestha GB.An ANN based load model for fast transient stability calculations[J].Elec Power Syst Res,2006,76:217.

[8]RiccardoB,DarioG,LauroC,works and robust Bayesian classfiers for risk stratification following uncomplicated myocardial infarction[J].Int J Cardiol,2005,101:481.

[9]薛娅,高歌. 卫生人力需求量预测研究综述[J].上海预防医学杂志,2005,17(12):589.

[10]钟珞,饶文碧,邹承明.人工神经网络及其融合应用技术[M].北京:科学出版社,2007:12.

[11]陈力凌.江苏省卫生人力资源现状及需要量预测研究[D].硕士学位论文,2006:23.

篇9

2.1神经网络运行机制神经网络的着眼点是采纳生物体中神经细胞网络中某些可利用的部分,来弥补计算机的不足之处,而不是单单用物理的器件去完整地复制。第一,神经网络中的链接的结构和链接权都可以通过学习而得到,具有十分强大的学习功能;第二,神经网络所记忆的信息是一种分布式的储存方式,大多储存在神经元之间的权中;第三,神经网络部分的或局部的神经元被破坏后,仍可以继续进行其他活动,不影响全局的活动,因此说,神经网络的这种特性被称作容错性;第四,神经网络是由大量简单的神经元组成的,每个神经元虽然结构简单,但是它们组合到一起并行活动时,却能爆发出较快较强的速度来。我们可以利用神经网络的上述特点,将之应用于模式识别、自动控制、优化计算和联想记忆、军事应用以及决策支持系统中。

2.2财务管理神经网络集成智能财务DSS的必然性在企业经营管理、政府机构财务活动中,人们时常面临着财务决策。人们往往需要根据有关的理论及经验制定出一系列的衡量标准。这种评价是一个非常复杂的非结构化决策过程,一般都是由内行专家根据一定的专业理论凭经验和直觉在收集大量不完全、不确定信息基础上建立起多级指标体系。但在这种指标体系中,各种指标之间的关系很难明确,而且还受评价者的效用标准和主观偏好所左右。因此,很难在指标体系和评价目标间建立起准确的定量或定性模型。因此,我们需要采用一种可处理不确定性、不完全性信息的评价方法以支持决策。自然,利用人工神经网络构造系统模式来支持这类评价决策问题是目前财务管理智能决策支持系统的一种发展趋势和必然趋势圈。

2.3财务管理神经网络集成智能DSS系统框架神经网络智能决策支持系统主要以知识、数据和模型为主体,结合神经网络进行推理与数据开采。图2给出了神经网络智能决策支持系统研究框架『2I。研究中有两个重点,即神经网络推理系统和神经网络数据开采系统。

2.3.1神经网络数据开采系统神经网络数据开采时利用神经网络技术协助从数据中抽取模式。数据开采有五项基本任务:相关分析、聚类、概念描述、偏差监测、预测。常用的前馈式神经网络,如BP网络,可用于进行概念描述及预测。对向传播(CounterPropagation,简称CP)神经网路可用来进行统计分析和聚类。CP网络是美国神经计算专家RobertHecht—Nielsen提出的一种新型特征映射网络,其网络结构分输入、竞争、输出三层。该网络吸取了无教师示教型网络分类录活、算法简练的优点,又采纳了有教师示教型网络分类精细、准确的好处,使两者有机地结合起来。由竞争层至输出层,网络按基本竞争型网络学习规则得到各输出神经元的实际输出值,并按有教师示教的误差校正方法调整由竞争层至输出层的链接权。经过这样反复地学习,可以将任意输入模式映射为输出模式。

2.3.2财务管理神经网络推理系统财务管理神经网络推理系统主要利用神经网络的并行处理机制来解决传统推理方法中存在的“组合爆炸”、“无穷递归”,等问题。在神经网络系统中,计算与存储时完全合二为一的,即信息的存储体现在神经元互连的分布上,并以大规模并行方式处理。流动的过程就是从部分信息找到全部信息的过程,这就是联想记忆的基本原理。若视动力系统的稳定吸引子为系统计算能量函数的极小点,系统最终会流向期望的最小点,计算也就在运动过程中悄悄地完成了。因而,可用双向联想记忆(BAM)网络或CP网络实现并行推理。CP网络具有特殊的联想推理映射功能。将输入学习模式和期望输出模式取为同一模式,且将之分为x和Y两部分。网络通过提供的样本对进行充分的学习后,就可用来进行模式问的联想推理。

3财务管理神经网络智能DSS研究展望

当前世界上最热门的研究课题,是模仿人类的思维方式来解决实际问题。专家系统和人工神经网络是比较常用的技术,但由于自身的局限性,它们都侧重于人类思维方式的某一方面。平时解决简单的问题的时候还好,但真遇到解决复杂的问题的时候,它就显得力不从心了,所以,这个时候我们可以将两种技术结合起来解决,除了它们要自身不断发展和完善外,还要注重两者的协调配合,神经网络DSS未来的发展趋势就是依靠这两种技术不断结合,从而能帮助我们解决更多的实际问题。

3.1财务管理神经网络支持专家系统常见的财务管理神经网络支持专家系统主要包括几个方面:知识维护、知识表示、知识获取、推理等,我们针对各个步骤展开讨论。

3.1.1知识维护。如果知识是通过人工神经网络来获取的,我们就可以同样利用人工神经网络,来让维护工作变得更加方便快捷,维护可以通过人工神经网络来自动完成,我们需要做的只是重新运行网络模块,或者重新训练网络模块,又或是增加新的网络模块。

3.1.2推理。一般的专家系统只是求解专门性问题,应用的领域非常狭窄,同时由于控制策略不灵活,推理方法简单,容易出现一些这样或那样的问题,推理效率低、速度慢。人-T-~$经网络可以解决这一问题,从根本上提升工作效率,提高工作速度,它可以拓展知识空间,不只局限在狭窄的领域。

3.1.3知识表示。很多专家知识事实上很难用规则表示出来,但在现实工作中,我们大部分财务管理专家却都采取这种方式,无论是直接的还是间接的。其它的知识表示方法也存在着同样的问题。为了解决这一问题,我们可以采用人工神经网络系统来将知识提供给专家系统,这样做就可以避免这一问题,当专家系统需要相应知识时,就不需要用规则来表示知识,直接调用人工神经网络就可以了。

3.1.4知识获取。人工神经网络可以帮专家系统来获取知识,知识获取是通过人机对话的形式进行的。首先,专家系统向专家提出问题,人工神经网路则负责对这些信息进行收集、处理,在人工神经网络的联结权值中已经具有通用的知识,所以这一步骤会很方便,之后再产生相应的数据结果。接着,专家系统在对这些数据进行进一步的分析。在这一过程中,专家系统只运用很少的规则就可以获得相关的知识,大大提高了工作效率。

3.2财务管理专家系统支持神经网络财务管理专家主要通过三种方式来对神经网络提供必要的支持:第一,提供相应的必要的解释;第二,进行预处理:第三,联合应用。

篇10

交流电动机伺服驱动系统由于其结构简单、易于维护的优点逐渐成为现代产业的基础。其中交流伺服系统在机器人与操作机械手的关节驱动以及精密数控机床等方面得到越来越广泛的应用。交流伺服系统由交流电动机组成,交流电动机的数字模型不是简单的线性模型,而具有非线性、时变、耦合等特点,用传统的基于对象模型的控制方法难以进行有效的控制。对于交流伺服系统的性能,一方面要求快速跟踪性能好,即要求系统对输入信号的响应快,跟踪误差小,过渡时间短,且无超调或超调小,振荡次数少。另一方面,要求稳态精度高,即系统稳态误差小,定位精度高。在交流伺服控制中,常规控制方法普遍是以PID控制为基础,然而单纯的PID控制存在超调量大,调节时间长,控制效率低等缺点,而且其参数的选取比较困难。近年来,随着计算机技术的发展,人们利用人工智能的方法将操作人员的调整经验作为知识存入计算机中,根据现场的实际情况,计算机能自动调整PID参数,这样就出现了智能PID控制器,并在实际工业控制中获得了许多成功的应用。大多数基于神经网络的自适应控制方案均采用多层前馈神经网络[1],前馈神经网络是一个静态网络,然而,在处理交流电动机伺服系统中需要通过引入时滞环节来描述系统的动态特性[2],但这就需要大量的神经元来表示动态响应。动态递归网络利用网络的内部状态反馈来描述系统的非线性动力学特性,能更直接地反映系统的动态特性,因此,比前向神经网络更适合应用于动态系统的控制问题[3]。对角递归神经网络[4,5]既具有一般动态网络易于处理动态非线性问题的特点,又具有结构简单、容易构造训练算法等优点。因此,本文采用对角递归神经网络整定PID控制控制的参数,仿真结果证明了该控制方案的有效性。

2.系统结构设计

神经网络PID交流伺服系统结构如图1所示,系统中有两个神经网络。其中,NNC为自整定PID控制器,DRNNI为系统在线辨识器。图中为给定角位移,为电机转轴的实际角位移,e为和进行比较而得到的偏差,ec为偏差的变化率。则有:

(1)

(2)

图1 神经网络PID控制的交流伺服系统

图1中,u为神经网络PID控制的转速期望值;为期望电机转速;为实际电机转速;与的偏差经过转速调节器产生期望的电机电磁转矩Ted。由于内环的不足可由外环控制来弥补,所以转速调节器采用一般的PI调节器即可,而电机的电磁转矩控制则采用直接转矩控制方法。

3.神经网络PID控制器设计

3.1 神经网络PID控制器

PID控制是一种技术成熟、应用广泛的控制方法,其结构简单,而且对大多数过程均有较好的控制效果。其离散PID控制规律为:

(3)

式中,u(k)为k时刻控制器的输出量;KP,KI,KD分别为比例系数,积分系数和微分系数;e(k)为当前时刻的交流伺服系统的位置与期望值之差;e(k-1)为上次采样时刻的交流伺服系统的位置与期望值之差。由式(3)可得到控制器输出第k个周期时刻的控制量u(k)和第k-1个周期时刻的控制量u(k-1)之间的增量为:

(4)

传统的PID控制最主要的问题是参数整定问题,一旦整定计算好后,在整个控制过程中都是固定不变的,而在实际系统中,由于系统状态和参数等发生变化时,过程中会出现状态和参数的不确定性,系统很难达到最佳的控制效果。本文利用两层线性神经网络对PID控制器的三个参数进行在线调整。神经网络的输入为:

(5)

定义NNC的性能指标为:

(6)

则:

(7)

(8)

(9)

其中,为学习率,为对象的Jaco-bian信息,该信息可以由DRNN网络进行辨识。

3.2 对角递归神经网络辨识器

对角递归神经网络(DRNN)是一种特殊的递归神经网络,其网络结构有三层,隐层为递归层。考虑一个多输入单输出的对角递归神经网络,其结构如图2所示。

图2 对角递归神经网络结构图

各层的输入输出关系函数如下:

第一层为输入层,有n个输入节点,其输入:

(10)

式中,Ii(k)为第i个神经元的输入。

第二层为隐层,有m个节点,其输入为:

(11)

式中,wI和wD为网络输入层和递归层的权值。

输出为:

(12)

第三层为输出层,其输出为:

(13)

式中,wO为网络输出层的权值。

在采用如图2所示的DRNN来对交流伺服系统进行辨识时,网络的输入为:

(14)

网络的输出为:

(15)

训练DRNNI的性能指标函数定义为:

(16)

学习算法采用梯度下降法:

(17)

(18)

(19)

权值的更新算法:

(20)

(21)

(22)

其中,递归层神经元取S函数:

(23)

(24)

(25)

式中,、、分别为输入层、递归层和输出层权值的学习率,为惯性系数。

交流伺服系统的Jacobian信息为:

(26)

4.实验研究

用于实验的交流电机参数为Pn=2.2kW, Un=220V,In=5A,nn=1440r/min,r1=2.91Ω,r2=3.04Ω,Is=0.45694H,Ir=0.45694H,Im= 0.44427H, Ten=14N・m,np=2,J=0.002276kg・m2,ψn=0.96Wb。数字控制采样频率为10kHz。

采用基于DRNN神经网络整定的PID控制,控制器的网络结构为3-7-1,辨识器的结构为2-6-1,学习率都设置为,惯性系数。权值的初始值取[-1,+1]之间的随机值。

通过实验表明,神经网络PID控制有效地结合了神经网络和PID控制方法,充分发挥了PID控制调节精度高的优点,利用神经网络对PID控制器的参数进行实时整定,进一步提高了系统的控制精度,增加了系统的在线自适应能力。

5.结论

本文提出了一种基于动态递归神经网络PID控制的交流伺服系统,采用动态递归神经网络作为交流伺服系统的辨识器,两层线性神经网络作为控制器,这种控制方法提高了系统的精度。

仿真实验结果表明,该控制器具有良好的控制性能和很强的鲁棒性,是一种行之有效的控制器。

参考文献

[1]许大中.交流电机调速理论[M].杭州:浙江大学出版社,1994.

[2]Sun F C,Sun Z Q.Stable neural network-based adaptive control for sampled2data nonlinear systems[J].IEEE Transactions on Neural Networks,1998,9(5):956-968.

[3]李明忠.基于递归神经网络的一类非线性无模型系统的自适应控制[J].控制与决策,1997,12(1):64-67.

[4]Ku C C,Lee K Y.Diagonal recurrent neural networks for dynamic system control [J].IEEE Transactions on Neural Network,1993,6(1):144-156.

篇11

关键词 ]神经网络;非线性;经济预测

[DOI]10?13939/j?cnki?zgsc?2015?09?025

人工神经网络(Artificial Neural Networks,ANNs)也简称为神经网络(NNs),是一种模仿人脑神经网络特征,进行分布式并行信息处理的数学模型。NNs具有强大的非线性处理能力,为经济预测提供了更多的可能性。

1BP神经网络在经济预测中的应用及改进

神经网络模型的类型较多月前已不下数十种。代表性的神经网络模型有BP神经网络、GMDH网络、RBF网络、Hopfield模型、Boltzmann机、自适应共振理论、CPN模型等。Rumelhart等于1986年提出的误差反向传播算法,简称BP算法,是目前应用最广泛的神经网络模型之一。

Lapedes等人(1987)最先将神经网络用于经济预测。Vaifis(1990)应用神经网络解决经济时间序列数据的预测问题。Wedding(1996)提出使用径向基函数网络与Box-Jenkins模结合。近年来,国内经济预测中有大量文献涉及神经网络算法。周柳青等(2011)运用BP人工神经网络方法,对广东省县域经济发展差异进行综合评估。认为BP神经网络的评价结果可以较好地模拟县域经济发展差异,能有效避免主观确定权重所确定带来的误差,提高测度的准确性。傅建华等(2012)构建了企业绿色营销绩效评估的AHP-BP神经网络模型,模型以AHP评价结果为神经网络输入,利用反向逆传播神经网络对评价结果进行训练与检验,降低了人为主观随意性的缺陷,计算结果准确、方法可行、误差可控,在企业绿色营销绩效评估领域具有推广价值。

BP网络能够模仿非线性函数、分段函数等;能利用变量的属性内含地建立相关的变量及变量之间的函数关系,且不需要预先假设基本的参数分布。因此,当变量之间的关系不适合假定的模型时,可以尝试用BP神经网络构建模型。但BP神经网络模型预测的准确性受参数的选择、神经网络拓扑结构的优劣等影响。运用神经网络构建模型的最主要的障碍是缺乏神经网络拓扑结构的设计理论,且有时候会陷入局部极小值。针对这些问题,许多学者做了积极的改进。陈健等(2006)把对数据的归一化变为对数据增长率的归一化,因而只要预测的经济数据增长率不超过以往的经济数据增长率,则不再会发生外延问题。肖冬荣等(2007)通过综合运用附加动量法、改变作用函数法以及把预测对象从生产总值调整为生产总值增长率等技巧,来改进预测精度、建模收敛速度、局部极小值等问题。吴俊利等(2012)引入Adaboost算法对BP神经网络算法进行改进,提出了基于Adaboost的BP神经网络算法,并将该方法应用于短期风速预测。刘向荣、孙红英(2013)在对权值和阈值进行修改时加入了动量项α,改进了预测效果。

2径向基神经网络的应用

不同于BP神经网络函数逼近时的负梯度下降法,径向基神经网络(RBF)由于采用高斯型传递函数,有着较快的收敛速度和较强的非线性映射能力,在非线性经济预测方面具有很好的应用前景。许增福等(2008)根据经济发展的实际指标数据,构造径向基神经网络模型,设计了有监督和无监督两段学习算法,并利用历史经济数据证明了该方法的有效性。张亚平、张立伟(2011)利用径向基函数(RBF)神经网络建立投资预测模型,有效解决经济投资预测中非线性预测问题。通过仿真实验证明模型既真实地表达了投资要素之间的高度非线性关系,又考虑了分配结构的优化问题,具有很高的预测精度和较强的实际应用意义。郭立(2014)建立了基于径向基神经网络的矿产品价格非线性预测模型,并应用某金属的中长期价格进行仿真,结果表明该模型具有较好的可靠性和实用性。

3遗传算法、模糊算法与神经网络的结合应用

1975年美国Michigan大学的Holland提出的模拟达尔文遗传选择和自然淘汰的生物进化论的计算模型——遗传算法(Genetic Algorithm,GA)。在神经网络中结合应用遗传算法,能够克服神经网络利用梯度下降法所带来的缺点,将它们应用于经济预测可以得到较好的预测效果。陈朝阳等(1997)提出将遗传算法用于神经网络结合,并将其应用于经济的预测及组合预测中,得到了比常规经济学模型更优的效果。李玲、陶启萍(2005)利用遗传算法和人工神经网络建立数学模型,同时结合企业态势分析法(SWOT)选取各类指标形成完善的企业决策模型。张双(2014)利用遗传算法对权值和阈值的初始值进行优化改进后的BP神经网络对预测残差进行修正,建立灰色遗传优化神经网络模型,并利用加权法对多元回归分析和灰色神经网络进行组合,更好地利用了不同单一模型的优势。通过实证分析证明这种组合预测模型较灰色预测模型误差率可以减少40%~70%。

模糊模型因其善于处理分类边界模糊的数据以及易于引入启发性知识的能力而在自动控制、模式辨识等方面得到广泛应用。目前在把人工神经网络和模糊系统结合起来形成模糊神经系统方面已取得了很大进展。贺京同等(2000)运用模糊逻辑推理将经济专家经验引入到宏观经济的预警分析中,将神经网络理论与模糊系统理论相结合,建立了宏观经济非线性预警模型。张婕等(2010)运用模糊学和BP神经网络的基本理论,构建包装企业的安全生产方案决策模型,进行安全生产方案的决策选择,认为该方法能够达到提高安全生产能力、增强企业的经济效益与社会效益的目的。张广平等(2012)借助广义动态模糊神经网络(GD-FNN)设计了一种模糊神经网络模型并应用于台风灾害损失的预测预警中,定量地研究了台风灾害致灾因子与灾情指标因子之间的规律。王晖、唐静(2013)将模糊理论和神经网络理论结合,构建了教育经济贡献度分析模型,用于度量教育对于我国经济的发展的作用。

综上所述,神经网络在经济预测中的应用已得到了深入的研究。包括应用BP神经网络、径向基网络对经济数据进行建模分析,以及将遗传算法、模糊系统算法与神经网络的结合应用,并通过实证分析证明了多种模型的有效性。

如今,神经网络已广泛应用于智能控制、计算机视觉、模式识别、自动目标识别、连续语音识别、信号处理、自适应滤波、非线性优化、传感技术与机器人、知识处理、生物医学工程等领域,在经济预测对复杂经济变量的非线性关系预测上具有较高的精度。对于一些经济理论尚不明确的经济关系也能给出较为准确的预测。神经网络的进一步发展,也会带给经济预测领域更新的方法。

参考文献:

[1]Varfis, A?and Versino, C?, Univariate Economic Time Series Forecasting by Connectionist Method[M]?IEEE ICNN-90,1990?

篇12

食品辐照技术是20世纪发展起来的一种新型灭菌保鲜技术。采用辐射加工技术手段,运用高能射线如x-射线、γ-射线等对食品进行加工处理,在能量的传递和转移过程中,产生理化效应和生物效应达到杀虫、杀菌的目。因为是冷杀菌手段,所以有效的提高了食品卫生质量,保持营养品质及风味和延长货架期。本文采用无防腐剂的香肠作为对象,排除了化学防腐剂对保鲜效果影响,同时为了食品加工行业发展提供方向,不添加化学防腐效果成分的同时也可以采用辐照的方法有效提升货架期,有效提高企业效益,延伸销售链;对于不同种类的香肠制品,从肉质到成分,都会有所差别,通过大量辐照试验获得辐照工艺的方法,不仅耗时长,而且检验指标及检验方法也过于繁琐,因此结合采用人工智能神经网络算法,在有限次数实验数据的基础上,建立不同剂量60Co-γ射线对香肠品质影响的规律模型为科学辐照提供理论依据。

1 实验方法与理化指标的检测

1.1 样品辐照

本项目采用不含任何防腐效果的特制香肠为对象,在黑龙江省科学院技术物理研究所辐照中心进行。采用静态堆码式60Co-γ放射源,跟踪剂量计为Ag2Cr2O7经中国剂量科学研究院丙氨酸剂量计(NDAS)传递比对校准,分别采用不同剂量(2-6)kGy,进行静态辐照。完成辐照2天内进行理化指标的检测,在(22.0±1)℃下保存30天后进行微生物指标的检测。

1.2 理化指标及微生物指标测定方法

1.2.1 菌落总数,参照国家标准GB/T4789.2-2008采取实验方法测定菌落总数。

1.2.2 水分含量,参照国家标准GB/T6965.15可用蒸馏法或直接干燥法。本项目采用直接烘干法。

1.2.3 氯化钠含量,参照国家标准GB/T9695.8进行测定,采用水浸出后用硝酸盐标准溶液滴定法测定。

1.2.4 蛋白质,参照国家标准GB/T9695.11进行测定。

1.2.5 菌落总数,参照GB4789.2-2010进行测定。

1.3 检测结果与数据处理

采用以上检测方法进行检测,由于实验过程产生个别认为误差,利用matlab软件plot函数对每组数据进行拟合,将误差较大的个别数据进行剔除,最终得到50组数据,部分数据如表1。

表1 60Co-γ射线辐照保鲜无防腐剂香肠检测结果

2 神经网络算法

2.1 BP神经网络

通常BP神经网络具有3层结构,分别为输入层、隐含层和输出层。通常来说隐含层采用Sigmoid函数,输出层采用Pureline函数,因为符号函数标准输入、输出现代为[0,1],因此在学习过程中,通过转化层将辐照工艺参数进行转化限定区间,避开网络输出的饱和区。五层神经网络结构如图1。

2.2 性能指标

性能指数是衡量网络性能的量化标准,BP神经网络一般采用网络军方误差作为性能指标:

式中:Ed为网络的均方误差;n为学习集体样本总数,tp为第P组训练的期望输出值,ap为第P组的实际输出值。影响神经网络泛化能力主要依赖于网络结构和训练样本的特性,因此可以选择合适的训练策略和优化网络结构来提高其泛化能力。本文选取贝叶斯正则化算法对BP神经网络进行修正,网络性能指数变为:

式中:w为网络的权值向量,EW=m-1■?棕■■为网络所有权值的均方误差,其中m为网络权值的总数,Wj为网络权值,a和b为正则化系数,其大小直接影响训练效果。

2.3 贝叶斯正则化BP神经网络训练步骤

(1)确定网络结构,初始化超参数α=0和β=1,根据先验分布对网络参数赋初值。

(2)用BP算法训练网络使总误差F(W)最小。

(3)利用高斯牛顿逼近法计算出有效参数个数。

(4)计算超参数α和β的新的估计值。

(5)重复执行(2)、(3)、(4)直到达到所需精度。

贝叶斯方法正则化神经网络是个迭代过程,每个迭代过程总误差函数随着超参数的变化而变化,最小点也在变化,网络的参数也在不断修正,最终达到总误差函数在迭代过程中没用较大改变。目前在网络结构的选择方面还没有理想的方法,在实际工作中常常需要用试验的方法确定最佳的网络结构,因此可采用不同的网络结构进行网络训练,然后比较这些网络模型的显著度,选择显著度较大的网络作为模型。

3 神经网络建模及预测

通过上述实验获得的50组数据中,45组数据作为人工神经网络训练样本,另选择其他5组数据作为检验样本,运用MATLAB软件,进行人工神经网络的训练和预测。网络输入剂量、剂量率,输出为水分、氯化钠含量,通过应用均方差函数比较目标值和预测值的差异,计算目标值与预测值间的误差,观察网络模型对训练情况,网络拟合图性能进行评价。

网络训练结果显示,经过1500步训练后,网络误差平方和均值为5×10-3,达到了设定的最小训练目标值。网络训练完毕后,得到数学模型后,利用剩余5组数据进行预测验证,网络训练效果如图2-5所示。

4 结束语

采用辐照的方法进行无防腐剂香肠保质期的时间跟辐照剂量相关,采用4kGy的剂量进行辐照可使香c的保质期达到1个月以上,且香肠的颜色仍在可接受范围内,说明辐照方法有效的提高了香肠的卫生质量,延长保质期。采用神经网络建立了香肠辐照工艺与理化、微生物指标的模型,并通过实验验证了模型的准确性,为进一步确定辐照工艺提供理论支持。

参考文献

[1]2015-2020年中国肉制品市场现状及战略咨询报告[R].北京:中国产业信息网,2015.

[2]郭淑珍.辐照保藏五花肉的品质特性及影响因素的研究[D].四川农业大学,2007.

[3]贾巧唤,任石苟.我国辐照食品的研究现状及发展前景[J].食品工程,2008(4):12-14.

[4]陈秀兰,曹宏.鹅肉制品的辐照保质研究[J].核科学报,2005(4):371-374.

篇13

联合收获机是农业生产过程中最重要的装备之一,对于提高农业生产的质量和作业效率发挥了重要的作用,大大降低了农民的作业成本和劳动强度。但是,联合收获机作业过程中普遍存在脱粒效果差、可靠性低及机械故障高等问题,这主要是由于联合收获机一般采用人工操作,对于不同的作业环境,驾驶员不能及时对工作状态做出相应的调整,从而导致脱粒滚筒的负荷较大,造成一系列的故障。脱粒滚筒是联合收获机的核心部件,也是堵塞故障率最高的部件,为了提高脱粒的效率、降低故障率,需要对脱粒滚筒结构进行改进。因此,采用适当的控制方法对滚筒进行控制,对于提高联合收获机的整体效率和降低整体故障率具有重要的意义。

1联合收获机滚筒结构改进

联合收获机工作过程中,脱粒是最主要的作业流程,主要是将谷物颗粒从谷物穗上脱下,同时将谷物颗粒和其他茎秆等脱出物分离。收获机作业时,通过行走自动地将谷物送入脱粒滚筒,在抓取力的作用下进入滚筒和凹板的脱粒间隙;脱粒元件对谷物进行冲击和揉搓,然后将谷粒和脱出物中的秸秆和颖壳分离,进行清选作业。联合收获机脱粒滚筒的工艺流程主要包括谷物的脱粒和清选过程,其性能的要求是脱粒干净、不损伤谷物颗粒、脱粒滚筒的功率消耗低、生产效率高及综合性能好。根据性能要求可以对脱粒滚筒进行改进,采用双滚筒或者多滚筒的布置形式,可以有效地提高脱粒的综合效果。本研究对传统的联合收获机结构进行了改进,采用双滚筒横轴流的布置形式,滚筒前后布置,其结构和运动参数不同,具体结构如图2所示。图2中,前滚筒的作用主要是脱粒作用,将成熟和易脱粒的谷穗先脱下,滚筒转速较低,脱粒的间隙较大,凹板结构为脱粒性能好的栅格凹板;后滚筒的主要作用是分离,主要作用是将剩余颗粒脱净和将谷物颗粒与脱出物分离,滚筒转速一般较高,脱粒间隙较小,凹板采用大间距栅格。滚筒的转动是由电机通过轴来带动的,当喂入量不同时,滚筒内切齿受到的阻力不同,会影响滚筒的总体转速。当滚筒总体转速较低时,需要适当加大驱动电机的转速,滚筒的转速可以通过传感器进行监测,其中,Dg表示滚筒直径,vg表示滚筒的线速度。一般可以通过经验值来判断脱粒效果较好的线速度,然后推算出较适宜的角速度。转筒速度的控制可以通过传感器反馈信息,进行闭环控制,利用适当的算法可以提高控制过程的精度。本次选用小波神经网络算法对转筒转速进行调节,其流程如图4所示。图4中,首先通过反复试验得到脱粒效果比较好的滚筒转速和喂入速度;然后利用传感器对喂入量进行实时监测,通过喂入量调整滚筒的速度。当滚筒转速和脱粒效果达到指定的精度时,收获机机械工作;如果滚筒转速达不到指定的转速精度,脱粒效果不佳,则通过小波神经网络对控制精度进行调节,提高滚筒脱粒的自适应性。

2滚筒速度控制小波神经网络算法

小波算法主要是基于傅里叶变化过程中存在的不足发展而来,小波变换可以实现离散时间内的定点监测,从而可以对被监测信号进行定时分析和下一时刻的预测。小波变换一般是将基本的小波函数Ψ(t)进行平移b后,在不同尺寸下将待分析信号a与其做内积。小波神经网络将小波算法和神经网络算法结合了起来,将神经网络的传递函数设置为隐含层的节点,信号向前传播时误差会反向传播,从而提高了神经网络算法的控制精度。假设滚筒转速的不同时刻输入信号为x1,x2,…,xk,小波神经网络的预测输出信号为y1,y2,…,yk,其结构如图5所示。小波函数通过修正权值的方法,使小波神经网络的滚筒转速预测值和期望值不断逼近,输出层的表达式为y(k)=∑ωkh(i)(4)小波神经网络的预测误差为e=∑yn(k)-y(k)(5)根据预测误差,对小波基函数系数和神经网络权值进行修正,其表达式为wi+1n,k=win,k+Δwi+1n,k(6)ai+1k=aik+Δai+1k(7)bi+1k=bik+Δbi+1k(8)其中,Δwi+1n,k、Δai+1k、Δbi+1k的数值可以根据网络预测计算得到,则有Δwi+1n,k=-ηΔewin,k(9)Δai+1k=-ηΔeaik(10)Δbi+1k=-ηΔebik(11)其中,η表示学习效率。小波神经网络算法的滚筒转速预测和调节过程主要分为5个步骤,具体如下:1)小波神经网络初始化。设置小波函数的伸缩和平移因子ak、bk,设置设计网络权值和学习效率k、η。2)将样本进行分类。样本分为训练和测试样本,训练样本通过输入信号得到,测试样本测试预测精度。3)预测滚筒转速输出。通过训练样本,计算预测值和期望值的误差。4)权值修正。根据误差值对权值和小波参数进行修正,使网络输入值和期望输出值逼近。5)结束。根据输出值和误差,判断计算是否结束。利用小波神经网络,可以对滚筒的转速进行预测和调节,可大大提高脱粒滚筒转速的控制精度,提高脱粒效果。

3脱粒滚筒性能实验和仿真模拟

收获机脱粒滚筒性能好坏直接决定脱粒的脱净率和破碎率等性能,在实验和仿真模拟时,可以以脱净率和破碎率作为参考结果。本次测试使用玉米联合收获机为研究对象。本次采用的联合收获机上设计了改进后的双滚筒装置,并利用单片机实现小播神经网络控制算法。为了验证测试的可靠性,建立了仿真虚拟模型和测试实验结果进行对比。根据脱粒滚筒的三维设计结合尺寸,采用三维CAD软件建立了脱粒滚筒的仿真模型。其中,凹板部分设计为不规则的曲面,利用离散元软件将模型分获成若干的小三角形;设置碰撞接触边界条件后,可以对脱粒过程进行仿真模拟,其模拟过程如图8所示。其中,谷物颗粒和脱粒工具接触后脱落,通过不断地迭代计算,可以得到最终谷物颗粒的破碎率。实验测试和仿真模拟的破碎率结果如表1所示。由表1可以看出:通过仿真模拟得到的破碎率和实验测试得到的破碎率基本吻合,从而验证了实验测试的可靠性。为了进一步研究小波神经网络算法对滚筒转速调节和脱净率的影响,对不同滚筒转速下使用不同算法得到的脱净率进行了测试。测试过程使用玉米果穗作为研究对象,一次性投入10穗,选择6种不同的滚筒转速,分别对神经网络算法和小波神经网络算法下的脱净率进行了测试,其测试结果如图9所示。由测试结果可以看出:使用神经网络算法和小波神经网络算法都可以提高果穗的脱净率,但小波神经网络算法要比神经网络算法的脱净率高,从而验证了小波神经网络算法在提高脱净率方面发挥的作用,可以将其应用在联合收获机滚筒的设计中。

4结论

设计了一种双滚筒脱粒滚筒,利用传感器采集滚筒信息形成了闭环反馈调节机制;采用小波神经网络算法对转速进行了精确调整,从而较大幅度地提高了脱粒滚筒的脱粒效率和精度,以及联合收获机整体的可靠性。

参考文献:

[1]宗望远,廖庆喜,陈立,等.完熟期油菜果荚不同脱粒方式的脱粒效果[J].农业工程学报,2012,28(9):29-34.

[2]郝金魁,高清海,信占莹.联合收获机工作部件控制系统设计[J].中国农机化,2011(1):104-106.

[3]姬江涛,王荣先,符丽君.联合收获机喂入量灰色预测模糊PID控制[J].农业机械学报,2008,39(3):63-66.

[4]李耀明,周金枝,徐立章,等.纵轴流脱粒分离装置功耗分析与试验[J].农业机械学报,2011,42(6):93-97.

[5]李媛媛,孙曙光,林爱琴.凹板间隙对谷物联合收割机作业性能影响的试验研究[J].装备制造技术,2009(3):22-23.

[6]卢文涛,刘宝,张东兴.谷物联合收获机喂入量建模与试验[J].农业机械学报,2011(11):82-85.

[7]倪军,毛罕平,程秀花.脱粒滚筒自调整模糊控制及VLSI实现技术[J].农业工程学报,2010(4):134-138.

[8]秦云,赵德安,李发忠.基于RBF网络的联合收获机脱粒滚筒恒速控制[J].农业机械学报,2009(11):59-63.

[9]金诚谦,吴崇友.油菜收获技术基础研究现状与展望[J].农机化研究,2010,32(1):5-9.

[10]周良墉.介绍三种全喂入式稻麦油菜联合收割机[J].农家顾问,2010(6):55-56.

[11]周良墉.星光至尊4LL-2.0D型全喂入履带收割机[J].现代农机,2011(6):41.

[12]张敏,吴崇友,卢晏,等.油菜分段收获脱粒分离功率消耗试验研究[J].中国农业大学学报,2010,15(4):120-123.

[13]吴崇友,丁为民,张敏,等.油菜分段收获脱粒清选试验[J].农业机械学报,2010,41(8):72-76.

[14]李耀明,李洪昌,徐立章.短纹杆-板齿与钉齿脱粒滚筒的脱粒对比试验研究[J].农业工程学报,2008,24(3):139-142.

[15]王显仁,李耀明.脱粒原理与脱粒过程的研究现状与趋势[J].农机化研究,2010,32(1):218-221.

[16]刘德军,赵秀荣,高连兴,等.不同收获方式含水率对油菜收获物流损失的影响[J].农业工程学报,2011,27(10):339-342.

[17]李洪昌,李耀明,唐忠.风筛式清洗装置清选性能试验研究[J].中国农机化,2010(6):54-57.

[18]唐忠,李耀明,李洪昌,等.联合收获机风筛式清选装置清选室内涡流试验[J].农业机械学报,2010,41(12):62-66.

[19]德启科.使用水稻收获机械的技术要点分析[J].农业科技与装备,2012(1):58-59.

[20]尹健,杨宁,王妍.基于结构模块化的微型山地稻麦联合收割机设计[J].农机化研究,2011,33(11):106-109.

[21]李银海,丁启朔,罗海兵,等.微型联合收割机气流式清选装置的仿真研究[J].农机化研究,2009,31(1):85-88.

[22]王升升,师清翔,倪长安,等.旋风分离清洗系统阻力特性及工况的试验研究[J].河南科技大学学报:自然科学版,2011,32(4):53-56.

[23]倪长安,张利娟,刘师多,等.无导向片旋风分离清选系统的试验分析[J].农业工程学报,2008,24(8):135-138.

[24]王继刚,郑纬民,钟卫东,等.基于Linux的混合实时操作系统[J].清华大学学报(自然科学版)网络.预览,2009,49(7):1028-1031.

[25]胡曙辉,陈健.几种嵌入式实时操作系统的分析与比较[J].单片机与嵌入式系统应用,2007(5):5-8.

[26]屈文新,樊晓桠.基于嵌入式微处理器的VxWorks系统移植[J].计算机应用研究,2007,24(6):262-264.