引论：我们为您整理了13篇神经网络基本原理范文，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。
篇1
1 概述
数字识别在车辆牌照识别、银行支票识别和邮政储蓄票据识别等领域有着广泛的应用，因而成为研究人员近年来研究的一个焦点[1]。而人脑神经系统模型的建立为人工神经网络的产生提供了理论模型依据， 使其具有模拟人脑部分形象思维的能力[2]，因而使其成为人工智能技术的重要组成部分和常用方法。人工神经网络由简单信息处理单元相互连接组成，通过简单处理单元间的相互作用来实现对其所接收信息的处理。而随着人工神经网络技术的快速发展，其为解决模式识别邻域的相关问题提供了新的解决思路和方法，其突出的优点在于它具有对接收信息可进行并行分布式处理能力和自我学习反馈能力，因而吸引了众多研究人员对其进行广泛和深入的研究。而误差反向传播网络（Back-Propagation），即BP神经网络，是一种典型的人工神经网络，它具有人工神经网络的所有优点，因而在众多技术邻域有着广泛的应用[3]。该文首先对BP神经网络的基本原理进行了详细介绍，在分析了其基本原理的基础上，针对数字识别问题，设计了一种利用BP神经网络技术进行数字识别的方法。经实验表明，该方法合理可行，且其识别效果正确有效。
2 相关原理与知识
由于本文针对数字识别问题，利用BP神经网络技术对其进行方法设计和实现，首先必须了解BP神经网络的基本原理，即了解其具体构成形式、模型分类和其功能特点。其次，在了解了BP神经网络基本原理的基础上，进一步了解其所处理数据的特点和组成形式，并根据处理数据的特点和其数据结构设计相应的数字识别方法。下面分别对它们进行详细的介绍。
2.1 BP神经网络基本原理
BP神经网络算法由数据信息流的前向计算，即正向信息流的正向传递，误差信息的反向回馈两个部分组成。当信息流进行正向传递时，其传递方向为从输入层到隐层再到输出层的顺序，器每层神经元所处的状态只会影响下一层神经元的状态。若在最后的输出层没有得到理想的输出信息，则应立即进入误差信息的反向回馈过程[6]。最终经过这两个过程的相互交替运行，同时在权向量空间使用误差函数梯度下降策略，动态迭代搜索得到一组权向量，使得该BP神经网络的误差函数值达到最小，从而完成对信息提取和记忆过程[7]。
2.2 BMP二值图像文件数据结构
由于本文处理的数据源为BMP二值图像，则必须了解其数据结构，才能对其进行进一步的识别方法设计。由数字图像处理基础知识可知，常见BMP二值图像文件的数据结构由以下三部分组成：（1）位图文件头，其包含了BMP二值图像的文件类型、文件大小和位图数据起始位置等信息；（2）位图信息头，它包含了BMP二值图像的位图宽度和高度、像素位数、压缩类型、位图分辨率和颜色定义等信息；（3）位图数据体，其记录了位图数据每一个像素点的像素值，记录顺序在扫描行内是从左到右，扫描行之间是从下到上。因此，根据BMP二值图像数据结构信息，读出所需要的图像数据，并对这些图像数据做进一步的处理。在本文给定的训练图像中，图像数据大小为80个字节，而图像数据体距离其文件头的偏移量为62个字节。但为了减少数据处理数量，该文在进行实验时直接使用位图数据体中的数据，没有通过读出位图文件头来得到位图数据体中的数据。
3 数字识别具体设计方法
由上文可知，该文使用数据源为图像大小为20*20的BMP二值图像，由于是对位图数据体的数据直接进行操作，因此省去了对图像其他数据结构数据的繁杂处理过程，将问题的核心转向BP神经网络的设计方法步骤。
4 实验结果
图4所示为BP神经网络训练及测试结果图。该文选择10个训练样本，通过实验结果可以看出，由这10个训练样本训练出来的BP神经网络对于训练样本中的图像数值识别率达100%，训练时间也比较短，其迭代次数大概为700次左右。对于一些含有噪声的图片，只要噪声系数小于0.85个字符，其数字识别率可达96%。
5 结束语
针对二值图像数字识别问题，该文在对BP神经网络的基础理论进行分析后，设计了一种基于BP神经网络的数字识别方法，并通过实验验证了该BP神经网络用于数字识别的可行性和有效性。而对于BP神经网络存在的收敛速度慢、易陷入局部最优和学习、记忆具有不稳定性等问题，还有待于对其进行一步研究。
参考文献：
[1] 韩力群.人工神经网络教程[M].北京：北京邮电大学出版社，2006.
[2] 吕俊，张兴华.几种快速BP算法的比较研究[J].现代电子技术，2003，24（167）：96-99.
[3] 陆琼瑜，童学锋.BP算法改进的研究[J].计算机工程与设计，2007（10）：96-97.
[4] Sven Behnke，Marcus Pfister.A Study on the Combination of Classifiers for Handwritten Digit Recognition，2004.
[5] 马耀名，黄敏.基于BP神经网络的数字识别研究[J].信息技术，2007（4）：87-88.
[6] Hasan soltanzadeh.Mohammad Rahmati.Recogniton of Persian Handwritten Digits Using Image Profiles of Multiple Orientations[J].Pattern Recognition Leaers，2004（15）.
篇2
（二）BrainCell神经网络实现步骤
1.网络层数的确定根据Kolmogrov理论可知，含有一个隐含层的三层神经网络可以以任意精度逼近一个从输入到输出的映射关系。因此，在BrainCell神经网络中采用含有单隐层的三层神经网络。2.网络节点的确定输入层节点的多少与评价指标个数是相对应的。因此，根据构建好的B2B电子商务供应链协同绩效评价指标体系，可以将一级指标与二级指标进行合并，作为输入层的节点数，其指标数如表1所示，因此输入层节点数为19个。输出层节点则为1个，在此以B2B电子商务供应链协同绩效等级结果作为输出值。3.网络训练本文采用的训练函数为trainscg，将网络训练的精度设置为10-4并初始化权值和阈值后，从15个样本中选取12个作为训练样本进行批处理训练，开启网络进行学习训练。其具体步骤如下。假设训练样例是形式（a，b），其中a为输入向量，b为输出值。N为输入节点数，M为输出层节点数。从单位i到单位j的输入表示aij，单位i到单位j的权值表示Wij。（1）创建具有N个输入单位，M个输出单位的BrainCell神经网络。（2）用随机数（0或1）初始化某些数字变量网络权值Wij。（3）对于第k个训练样例（a，b），把输入跟着网络前向传播，并计算网络中每个单元x的输出Qx，使误差沿着反向传播。（4）对于每个输出单元u，计算它的误差项。（5）对于每个隐含单元h，计算它的误差项。（6）利用误差项更新调整每个网络权值。（7）重复（3）到（6），直到完成指定的迭代次数或者是其误差值达到可接受的范围。4.网络检验将剩下的3个验证样本数据输入到训练好的网络中，将其训练结果与实际结果相比较，检验BrainCell神经网络得到的输入与输出间的关系是否正确，从而反映出该绩效评价体系的准确性和可靠性。
二、实证研究与分析
（一）确定绩效评价等级
由于各个企业供应链自身发展的情况不同，各具特点，其形式、结构各异，因此如何划分绩效评价等级，如何更好地反映绩效评价等级至关重要。本文以绩效考核成绩最好为1，最低为0为临界值，由高到低划分5个等级，并通过绩效等级系数来体现，见表2所示。
（二）指标数据获取和处理
本文以天猫商城中某珠宝饰品有限责任公司为例，该公司有比较稳定的供应商，且与多家企业都有长期合作关系。根据公司的实际管理情况，整理出该公司供应链协同管理的绩效指标评价体系研究的基础数据，应用BrainCell软件对这些基本数据进行计算。为使各指标在整个系统中具有可比性，本文利用效应系数将指标在闭区间[0，1]上进行同趋势化无量纲化和定性指标定量化处理。结果表明，该公司的供应链整体绩效基本良好，其绩效评价等级系数主要都集中在[0.5,0.8]这部分区间内，与该公司所处供应链实际情况相符。该公司运作情况基本令人满意。
篇3
文章编号:1004-373X(2009)10-133-04
Research of Adaptive Digital Predistortion Based on Neural Network
QIU Wei,XU Yitao,REN Guochun,ZHONG Zhiming
(Communication Engineering College,PLA University of Technology,Nanjing,210007,China)
Abstract:Because of inherent nonlinearity of high power amplifier,f-band distortion and adjacent-channel interference,which may have bad influence on communication system.To overcome it,a linearization process is given.First,this paper makes a math analysis about nonlinearity distortion of HPA,describes the basic principle about digital predistortion.And then,after depicting simple neural network,the paper proposes an adaptive digital predistortion technology based on SISO-neural network,which can improve third-order and fifth-order intermodulation and comparing with polynomial-fitting technology,it has more advantage on convergence speed and difficulty of hardware realization.At last,the paper uses a double-sound signal to make a matlab simulation,the results also prove this technology′s superiority.
Keywords:power amplifier;pre-distortion;neural network;intermodulation distortion
伴随无线通信技术的迅猛发展,使得人们对通信系统的容量要求越来越大。现代通信系统为了追求更高的数据速率和频谱效率,更趋向于采用线性调制方式,如16QAM和QPSK方式,以及多载波配置[1]。这些技术产生的信号峰均比较大,均要求功率放大器具有良好的线性特性,否则就会出现较大的互调失真,同时会导致频谱扩展,造成临道干扰,使误码率恶化,从而降低系统性能。
目前,克服放大器非线性失真主要有三种方法,一是直接制造超线性功率放大器,但制造这样的放大器工艺极其复杂,价格非常昂贵,且一般只适用于小功率放大器。二是采用功率回退技术,使功放工作在线性区,可以使其从饱和功率点做较大回退来满足线性放大的要求,但这样做会使功放效率大大降低,一般小于10%。三是采用线性化技术,即通过适当增加一些电路来克服其非线性影响。目前功放线性化技术主要有前馈、负反馈和预失真技术。负反馈固有的稳定性问题,使得反馈线性化技术工作在无线频率无法保持系统稳定[2]。前馈技术是早期用得比较多的一项技术,比较成熟,但其最大的难点在于为保持不同器件之间的幅度和相位特性完全匹配[2],会使系统和设备都较复杂。预失真技术具有电路形式简单,调整方便,效率高,造价低等优点[3]。其中,基带预失真还能采用现代的数字信号处理技术,是被最为看好的一项功放线性化技术。
文章利用一种简单的单入单出三层前向神经网络来进行自适应预失真处理,补偿由高功率放大器非线性特性引起的信号失真,从而实现其线性化。文中分析基于这种结构的自适应算法,并做了相应的仿真,仿真结构表明,该方法能有效改善三阶互调和五阶互调,且收敛速度比一般多项式预失真更快,具有一定的优势。
1 高功率放大器非线性分析
高功率放大器一般都是非线性器件,特别是当输入信号幅度变化较大时,放大器工作区将在饱和区、截止区、放大区之间来回转换,非线性失真严重,会产生高次谐波和互调失真分量。由于任何函数理论上都可以分解为多项式的形式,故放大器的输入和输出关系表示为:
Vo=a1Vi+a2V2i+a3V3i+…+anVni(1)
假设输入的双音信号为:
Vi=V1cosω1t+V2cosω2t(2)
将式(2)代入式(1),得到输出电压为:
Vo=a22(V21+V22)+
a1V1+a334V31+32V1V22+…〗cosω1t+
a2V2+a334V32+32V2V21+…〗cosω2t+
12a2V21+…cos(2ω1t)+12a2V22+…•
cos(2ω2t)+14a3V31+…cos(3ω1t)+
14a3V32+…cos3ω2t+a2V1V2\ω2)t+cos(ω1-ω2)t\〗+34a3V21V2\ω2)t+cos(2ω1-ω2)t\〗+34a3V22V1\ω1)t+cos(2ω2-ω1)t\〗+58a5V31V22cos(3ω2-
2ω1)t+58a5V21V32cos(3ω1-2ω2)t
从上式可以看出,输出信号中不仅包含2个基频ω1,ω2,还产生了零频,2次及高次谐波以及互调分量。其中的2ω1-ω2,2ω2-ω1,3ω1-2ω2和2ω1-3ω2通常会落在通频带内,一般无法滤除,是对通信影响最大的非线性失真分量,即所谓的三阶互调和五阶互调。放大器线性化的目标就是在保证一定效率的前提下最大地减小三阶和五阶互调分量。
2 预失真基本原理及其自适应
预失真就是在信号通过放大器之前通过预失真器对信号做一个与放大器失真特性相反的失真,然后与放大器级联,从而保证输出信号相对输入信号是线性变化。预失真器产生一个非线性的转移特性,这个转移特性在相位上与放大器转移特性相反,实质上是一个非线性发生器,其原理图如图1所示。
预失真器的实现通常有查询表法和非线性函数两种方式[2]。由于查表法结构简单,易于实现,早期的预失真多采用此方法。但它对性能的改善程度取决于表项的大小,性能改善越大,需要的表项越大,所需要的存储空间也越大,每次查找遍历表项的每个数据和更新表项所需要的时间和计算也越大,因此在高速信息传输的今天已经不可取。非线性函数法是根据对放大器输出信号采样值与其输入信号,用一个非线性工作函数来拟合放大器的工作曲线,然后根据预失真器特性与放大器特性相反,求出预失真器的非线性特性函数,从而对发送信号进行预失真处理。这种方法只需要更新非线性函数的几个系数,也不需要大的存储空间,因此是近年来研究的热点。
图1 预失真基本原理
假设预失真器传输函数为F(x);放大器传输函数为G(x);F和G均为复函数。若输入信号为x(t),则经过预失真器之后的信号为u(t)=F\,放大器的输出函数为y(t)=G\=G{F\}。预失真的目的就是使x(t)通过预失真器和放大器级联后的输出y(t)=ax(t),a为放大器增益。通过一定的方法可以找到合适的F,使实际输出和期望输出的误差最小。
由于温度、电器特性、使用环境等因素的不断变化,放大器的传输特性也会发生变化,从而预失真器传输函数F(x)的各参数也会随之变化。因此,现代数字预失真技术一般都采用自适应技术,以跟踪调整参数的变化。目前,常用的两种自适应预失真结构如图2和图3所示。
图2 自适应预失真系统结构图
图3 复制粘帖式自适应预失真系统结构图
图2是一般的通用自适应结构,结构简单,思路明确,但一些经典的自适应算法由于多了放大器求导项而不能直接应用,且需要辨识放大器的传输特性。图3的复制粘帖式结构(非直接学习)则不存在这些问题,关于这种结构的优缺点比较和具体性能分析见文献[4]。这里将采用后一种自适应结构。
3 基于一种单入单出式神经网络的自适应预失真技术
3.1 神经网络
神经网络是基于生物学的神经元网络的基本原理而建立的。它是由许多称为神经元的简单处理单元组成的一类自适应系统,所有神经元通过前向或回馈的方式相互关联、相互作用。由Minsky和Papert提出的多层前向神经元网络是目前最为常用的网络结构。它被广泛应用到模式分类和函数逼近中,已经证明含有任意多个隐层神经元的多层前向神经元网络可以逼近任意的连续函数[5]。在此,就是利用神经网络的这种功能来拟合预失真器的特性曲线,并且用改进的反向传播算法来自适应更新系数。
多层前向神经元网络由输入层、一个或多个隐层和输出层以前向的方式连接而成,其每一层又由许多人工神经元组成,前一层的输出作为下一层神经元的输入数据。三层前向神经元网络示意图如图4所示,其中输入层有M个人工神经元,隐层有K个神经元,输出层有N个神经元。关于人工神经元的具体介绍
参考文献[6,7]。
图4 三层前向神经元网络
3.2 基于单入单出式神经网络的自适应预失真系统模型
单入单出三层前向神经网络示意图如图5所示,假设隐层包含K个神经元。输入数据经过一系列权系数{w11,w12,…,w1K}加权后到达隐层的各个神经元。隐层中的神经元将输入进来的数据通过一个激励函数(核函数),其各神经元的输出经过一系列权系数{w21,w22,…,w2K}加权并求和后作为输入层的输入,然后该输入通过激励函数的输出作为整个网络的输出。单入单出式神经网络自适应预失真系统模型就是把图5所示的神经网络放入图3所示的自适应预失真模型的预失真器{f}和函数发生器{f′}模块中,两个神经网络的结构和规模是一样的。
图5 单入单出三层前向神经元网络
预失真器神经网络和函数发生器神经网络开始都随机初始化。先看预失真器神经网络,设输入序列为xi(i=1,2,…),则隐层各单元输入I1k=w1kxi-θ1k,经过核函数后,隐层各单元输出为J1k=f(I1k)。其中f(x)=(1-e-2x)/(1+e-2x)为核函数,输出层静输入为z1=∑Kk=1w2kJ1k-θ1,输出层输出即预失真器输出U1=f(z1),经过功放后得到系统输出yi。通过衰减器后的信号作为训练神经网络的输入信号,经过前面神经网络相同的过程训练网络输出层的输出为U2,绝对误差信号e1(i)=U1(i)-U2(i),然而直接把此误差运用到自适应算法中导致算法会局部收敛且收敛速度极慢。因此本文对误差信号做了改进,即把误差信号改为e(i)=(1/2){λ\2+(1-λ)φ\},其中φ(x)=In\/β,加入的调整因子λ和辅助项φ,能把算法从局部收敛点拉出来且收敛速度得到一定的提高。最后根据反向传播算法,得到训练神经网络的权系数更新式如下(下标2为隐层到输出层权系数;下标1为输入层到隐层权系数):
δ2(i)=c(i)\
Δw2(i)=αδ2(i)J2+ηΔw2(i-1)
Δθ2(i)=αδ2(i)+ηΔθ2(i)
δ1(i)=δ2(i)w22(1+J2)(1-J2)
Δw1(i)=αδ1(i)y/G+ηΔw1(i-1)
Δθ1(i)=αδ1(i)+ηΔθ1(i)
预失真权系数可分为训练和跟踪两个阶段。根据上面的迭代公式,得到一组训练神经网络的权系数。把这种权系数拷贝到预失真器神经网络中替代原来的权系数,得到一组新的预失真系数,之后重新计算误差,继续上面的过程循环迭代运算,直到误差小于规定的范围,即整个系统收敛,预失真器训练完成。此时称之为训练阶段。之后随着温度、输入的不同,调制信号、环境等的变化,可能引起功放特性的变化,可以设置一个误差门限值,一旦发现误差超过此门限,立即重新启动上面的循环迭代,重新训练,直到满足条件,即跟踪阶段。这种算法收敛速度快,且能满足实时运算的要求。同时在硬件实现上,只要做一个核函数发生器,其他就全是乘累加运算,与多项式结构的高次幂运算相比,硬件实现要简单得多,因此具有一定的实用性。
4 性能仿真
文中使用双音信号进行了仿真分析,双音信号为:
xs=0.5
放大器模型采用经典salef[9]模型,神经网络的隐层数设为15。双音信号直接通过放大器和通过文中所提的预失真网络后再通过放大器的频谱图如图6所示。
图6 预失真前后信号归一化频谱图
图7 神经网络和多项式结构误差曲线
由图6可见,双音信号通过放大器后产生了较大的失真,其中的三阶互调达到-17 dB,五阶互调也有-36 dB。通过文中所提的神经网络预失真系统处理后,即信号通过预失真器再通过放大器后,三阶互调被抑制到-42 dB,五阶互调也被抑制到-45 dB以下,三阶互调改善25 dB,五阶互调改善11 dB以上。
图7显示文献[10]提到的一般多向式结构和本文所提出的神经网络预失真结构的误差收敛曲线,它们都能达到相同或相似的互调分量改善效果。然而,本文所提的神经网络结构收敛速度明显较前者要快,而且收敛效果也比前者要好。图8是输入信号和通过预失真处理后放大器的输出信号波形图。由图可见,经过本文所提出的神经网络预失真网络处理后,输出信号波形基本没有失真,能与输入信号很好的重合,表明该神经网络预失真技术能很好的实现功放线性化。
图8 输入信号和通过预失真处理后放大的输出信号波形图
5 结 语
本文针对放大器固有的非线性特性问题,从数学上分析了放大器的非线性失真,介绍基于预失真基本原理和神经网络基本概念,提出一种单入单出式神经网络自适应预失真技术。仿真结果表明,该技术能三阶互调能抑制25 dB左右,对五阶互调能抑制11 dB左右。在很大程度上改善了通信系统的性能;而且与一般多项式预失真技术相比,收敛速度和收敛效果都有一定的改善,且硬件实现上只要做好一个核函数发生器,其他运算就全是简单的乘累加过程,可以避免硬件难以完成的多项式高次幂运算,表现出了一定的优势。
参考文献
[1]赵慧,漆兰芬.射频放大器的工作函数预失真线性化[J].无线电工程,2001,31(12):58-61.
[2]钱业青,刘富强.宽带RF功率放大器的预失真线性化技术综述[J].计算机工程与应用,2007,43(32):114-117.
[3]贾建华,刘战胜.关于自适应预失真射频功率放大器线性化研究[J].微波学报,2005,21(3):48-50.
[4]钱业青.一种高效的用于RF功率放大器线性化的自适应预失真结构[J].通信学报,27(5):35-46.
[5]Cybenko G.Approximations by Superpositions of a Sigmoidal Function[J].Mathematics of Control,Signals and Systems,1989(2):183-192.
[6]刘宝碇,赵瑞清,王纲.不确定规划及应用[M].北京:清华大学出版社,2003.
[7]朱剑英.智能系统非经典数学方法[M].武汉:华中科技大学出版社,2001.
[8]Glentis G O,Berberdis K,Theodoridid S.Efficient Least Sqares Adaptive Algorithms for FIR Transversal Filtering[J].IEEE Signal Processing Magazine,1999,16(4):13-41.
篇4
智能小车实际上是一类轮式移动机器人，其运行原理是依据单片机程序来自动实现行使、转向、加速等运动形式。因此对智能小车运动方式的控制属于机器人学的范畴。对智能小车运动轨迹的控制主要依赖于传感器的信息采集技术和智能控制技术。而在智能小车的运动轨迹控制问题中的一个重要问题是如何实现其自动避障。要完成这一任务，需要解决两个方面的问题，一是利用传感器准确的收集小车所在的环境信息，二是将环境信息自动处理后变成控制信息。实践表明，采用的单一的传感器技术已经不能满足收集充足环境信息的需要，而需要多种类型的传感器相配合，从而获得准确的环境信息。对这些通过多种类型传感器获得的环境信息的处理需要实现不同数据的之间的整合，即需要利用多传感器的数据融合技术。常用的数据融合技术如传统的卡尔曼滤波法、D-S证据推理等，但其核心思想是一致的，即通过对多种信息的融合来实现对目标的识别和跟踪。采用基于多传感器的数据融合技术已经成为智能小车避障控制中的重要研究方向。在本文中将以多传感器的数据融合技术为基础，研究智能小车的避障问题。
2.基于多传感器的数据融合
基于多传感器的数据融合技术需要处理来自多个传感器的实时数据，并进行快速的处理。从传感器获得数据的类型来看，这些数据代表不同的物理含义，如速度、距离、角度等，数据类型和特征也不尽相同，分属于不同的层次，因此对来自多个传感器的数据融合实际上要完成对多层次数据的综合评定，这必须依赖于一定的数据融合结构。
2.1 基于多传感器信息的融合结构
从现有的研究成果来看，基于多传感器信息的数据融合结构主要有四种形式：无反馈分布式融合、反馈分布式融合、集中式融合和反馈并行融合，各类融合结构的主要特点分别为：①无反馈分布式融合。无反馈分布式融合模式需要对每个传感器的数据都进行滤波分析，并完成对各传感器的局部信息融合，最后再实现对多个传感器数据的融合。这类数据融合方式的优点是不需要太大的通信开销，融合速度较快，所需的存储空间也较小。②反馈分布式融合。反馈分布式融合的基本原理和无反馈分布式融合类似，但每个传感器多了一个信息反馈通道，可提高预测和状态估计的精度，但需要更大的通信开销。③集中式融合。集中式融合的主要特点是对所有传感器采集的信息进行状态的估计和预测，通过对每个传感器采集信息的检测判定来实现对所有传感器信息的综合判定。由于采用了所有传感器的全部信息，因此这类融合方法的精度较高，但也需要更高的硬件配置。④反馈并行融合。这类数据融合结构综合了以上三类融合结构的优点，对局部、整体的数据处理效率和精度都很高，但对硬件和数据关联技术等要求也较高，是一类重要的研究方向。
2.2 基于多传感器信息的数据融合方法
基于多传感器信息的数据融合方法主要分为两类，一是基于概率统计的方法，如统计决策法、贝叶斯法等，二是人工智能方法，如模糊控制法、人工神经网络、D-S证据推理等。每种方法可参考有关文献，此处不再一一详述。
3.模糊神经网络基本原理
模糊神经网络是模糊控制理论和人工神经网络理论的耦合技术，能够有效的处理对经验性依赖较高的问题，并能广泛的适用于无法精确建模的系统。而人工神经网络则能够具备自学习能力和快速求解能力。通过模糊控制和人工神经网络的结合，能够形成函数估计器，有效的处理模糊信息和完成模糊推理，其性能比单一采用模糊控制或人工神经网络控制效果更优。模糊神经网络的基本原理为：①定义若干各模糊集合，并形成对应的控制规则。定义神经网络的层次(一般分为三层)和节点数量。②定义输入层。将输入层中的节点与输入向量分量之间实现连接。③定义隶属函数层。以语言变量值构成隶属函数层的节点，与输入层的连接权值固定为1，节点阈值为0。④定义规则层。每一条模糊控制规则定义为一个节点，节点的输出为隶属函数的输出。
4.实例应用
4.1 硬件
在本例中，智能小车所采用硬件平台为STC89C52型单片机，动力系统为AUSRO马达130，驱动芯片型号为TA7267，驱动芯片与单片机相连，其输出端和马达直流电机连接，从而实现对小车的方向控制，小车通过两轮驱动。
小车采用的传感器有两种类型：超声波测距系统和红外传感器系统。超声波测距系统的型号为TCT40-10T/R，红外传感器的型号为索尼CX20106。
4.2 传感器数据融合规则
在采用了5路超声波测距系统后，基本上可以对小车周围的障碍状况有比较可靠的了解，红外传感器的作用是为了弥补超声波测距系统的盲区。对这两类传感器所采集数据的处理方式为：①超声波测距系统和红外传感器同时工作；②若红外传感器的有效探测距离内发现障碍，以红外传感器的数据为准；③其他情况以超声波测距系统的探测值为准。
对5个方向的超声波测距的数据所采用的数据融合流程为：开始选择通道发射超声波盲区延时接收信号计算小车与障碍之间的距离数据融合选择小车动作。数据的融合技术采用模糊神经网络法。
4.3 模糊神经网络的构建
结合智能小车避障控制的需要，在小车车身配置5个超声波系统和一个红外系统，分别完成对前、左、左前、右、右前5个方向的测量，因此模糊神经网络共需要建立起5个输入和2个输出的网络结构。各个输入量的物理含义为小车在上述5个方向的与障碍的距离，神经网络的输出量为小车的前进和停止。以红外传感器采集的数据作为小车运动控制的开关量。隶属函数层的函数形式采用高斯型，模糊语言变量分别为｛“远”、“近”｝，因此结合第一层的5个输入，共构成10个神经元。结合输入层和隶属函数层的情况，输出层的神经元数量为2的5次方，共32个神经元。
4.4 模糊控制规则和样本训练
(1)模糊控制规则
模糊控制规则体现的是人为控制经验的总结，分别对5个方向的超声波探测到的距离信息为基础来控制小车的转向。其基本原则为，若距离障碍较近，则小车停止前进，若距离障碍较远，则小车继续前进。分别以F表示前进、TF表示左转、TR表示右转、在实际控制规则中，共有9条，这里仅举一条来进行说明：若前方障碍较近，且左、左前、右、右前距离障碍较远，则小车左转。将上述规则转换为模糊语言后，即可获得具体的控制规则。具体转换方式可参照有关文献。
(2)模糊神经网络的训练样本
依据上述模糊神经网络的基本组成方式，其模糊输入范围的论域为[0,5]，以高斯型隶属度函数来划分距离远近的模糊集合。训练样本的数据量较大，因此这里不便一一列出，神经网络的训练方法可参照有关文献。
4.5 运行效果
在上述的步骤完成后，对小车的避障能力进行了实际验证。实验表明，利用超声波测距系统结合红外传感器后，以模糊神经网络融合上述两类传感器采集的数据可有效的实现智能小车的避障运动。
篇5
1.2交互验证增加属性类似于多项式拟合增加高阶项，增加多项式高阶将会使预测误差总是变小，但属性的个数绝不是越多越好。随着属性个数的增多，对预测的结果的影响越来越小，会明显削弱未参与神经网络训练的那些点的预测能力，甚至造成预测误差反而增大,这种现象称为过度匹配。而且参与运算的属性过多，也会影响到运算速度，因此通过计算验证误差来确定最佳的属性个数，防止过度匹配，该过程就称为交叉验证。通过蕴藏井误差分析的方法，验证出现拟合过度的情况。求取递归系数时，选取一口井作为验证井，不参与运算。利用拟合出的关系，得到验证井的误差值。以此类推，得到每一口井的误差值，以参与运算井的平均误差作为参考标准，来检验属性组合个数是否出现拟合过度的情况。
2应用实例分析
研究区内油气富集区主要为岩性控制，目的层段厚度70m左右，地震剖面上大约50ms，含油砂体主要发育在wellA，wellC附近，向周围变化较快。针对目标层T41-T43之间进行井曲线交汇和岩性统计。wellA，wellC主要是含油砂岩，wellB、D、F主要是泥质砂岩、煤层，岩性差别很大。但从速度、密度曲线交汇图版（图1）来看，曲线交汇统计重叠较大，很难区分含油砂岩和泥质砂岩。wellA、wellB对应层位岩性明显不同，在地震剖面也体现同样的反射特征。因此基于测井和地震模型为基础的常规叠后波阻抗反演很难准确识别这套含油砂岩。而更能反映岩性特征的GR曲线，则对这套砂体较为敏感，明显地区分出了这套含油砂岩（如图3所示）。因此我们采用本文介绍的神经网络技术，在常规波阻抗反演的基础上，预测GR曲线特征体。经过分析，把GR值65~75区间岩性赋值为含油砂岩，从而把这套储层有效的区分出来，在此基础上进一步计算砂岩厚度（图4）。
篇6
负荷预测是实现电力系统优化运行的基础，对于电力系统的安全性、可靠性和经济性都有着显著影响。负荷预测是指从已知的经济、社会发展和电力系统需求出发，考虑政治、经济、气候等相关因素，通过对历史数据的分析和研究，探索事物之间的内在联系和发展规律，以未来经济和社会发展情况的预测结果为依据，对未来的电力需求做出估计和预测[1]。相关研究工作已在国内广泛开展，其研究成果已经广泛应用到电力系统实际运行维护当中，并取得了良好的经济效益。
负荷预测的方法主要分为两大类，分别是基于参数模型预测法和基于非参数模型预测方法。基于参数模型的预测方法主要有单耗法、负荷密度法、电力弹性系数法、回归模型预测法、趋势外推预测法、时间序列预测法等；基于非参数模型预测方法主要有专家系统法、模糊预测法、灰色预测法、人工神经网络预测法、小波分析预测法等[2]。
RBF神经网络具有良好的函数逼近功能，在函数回归上表现出较好的性能，已被广泛应用到人工智能领域。在负荷预测方面，RBF也得到了广泛的应用。本文的主要工作是整理了主要的基于RBF的电力负荷研究内容，对存在的问题进行了分析，并对未来的发展进行了展望。
本文接下来的内容安排如下，第二章介绍了RBF神经网络的基本原理，第三章对基于RBF的电力负荷研究进行了综述，最后给出了总结。
1 RBF神经网络基本原理
RBF网络的结构与多层前向网络类似，如图1所示，它由三层组成：第一层为输入层，第二层为隐含层，第三层为输出层[3]。
假设RBF神经网络的输入向量为n维，学习样本为 （X，Y），其中，X=（X1，X2，…XN），为输入向量，Xi=（Xi1，Xi2，…，XiN）T，1≤i≤Nj；Y=（y1，y2，…，yN），为期望输出；N为训练样本个数。当神经网络输入为Xi时，隐含层第j节点的输出如式（1）所示[4]。
对于全体输入学习样本，RBF神经网络的输出如式（2）所示。
2 基于RBF负荷预测相关研究
文献[4]通过建立径向基（RBF）神经网络和自适应神经网络模糊系统（ANFIs）相结合的短期负荷预测模型来应对实时电价对短期负荷的影响。由于固定电价时代的预测方法在电价敏感环境下效果不理想，文章根据近期实时电价的变化应用ANns系统对RBF神经网络的负荷预测结果进行修正，提高预测效果。
文献[5]研究了基于RBF神经网络的多变量系统建模。文章将正规化正交最小二乘算法引入多输入多输出系统，进行相关研究，建立了基于RBF神经网络的多变量系统的模型。对电厂单元机组负荷系统进行建模仿真研究的结果表明，用该方法建立的多变量热工系统的非线性模型是有效的，具有较高的辨识精度和较好的泛化能力。
文献[6]提出了一种基于交替梯度算法的RBF神经网络，并将之应用到负荷预测领域，取得较好的效果。通过使用交替梯度算法来优化RBF输出层权值和中心与偏差值来得到改进的RBF算法。与传统梯度下降算法相比，改进的RBF算法具有更高的预测精度和更快的收敛速度。模型综合考虑了气象数据、日类型等影响负荷变化的多种因素，实验结果表明改进的RBF网络算法具有更优的性能。
文献[7]将RBF神经网络和专家系统相结合，在深入研究天气和特殊事件对电力负荷的影响的基础上，提出了新的负荷预测模型。利用RBF神经网络的非线性逼近能力预测出日负荷曲线，然后利用专家系统根据天气因素或特殊事件对负荷曲线进行修正，使其在天气突变等情况下也能达到较高的预测精度。表1为文献[7]的实验结果对比表。
文献[8]将模糊聚类分析中的隶属度应用到负荷预测应，通过隶属度原理得到一批与预测日在样本信息上类似的历史日。采用模糊聚类分析获得的样本作为RBF神经网络的训练样本，并应用改进的RBF神经网络进行训练，在不需大量训练样本的前提下实现对短期负荷的预测。
影响电网负荷预测的因素很多，而地区电网负荷易受气象因素影响，文献[9]针对电网负荷预测以上特点，把气象因素作为影响负荷的主要因素，采用模糊规则控制的径向基神经网络（RBF）算法，对某地区电网的日负荷数据进行预测，实验证明采用这种预测方法可以提高负荷预测的速度和精度。表2给出了文献[9]的实验结果表。
3 结束语
本文针对基于RBF神经网络负荷预测进行了综述，但由于文章篇幅的原因，不能将所有的方法列举出来，只列举了具有代表性的方法，希望能起到抛砖引玉的作用。
参考文献：
[1]肖国泉，王春，张福伟.电力负荷预[M].北京：中国电力出版社，2001.
[2]李昀.电力系统中长期负荷预测方法研究与应用[D].2011.
[3]张师玲.基于RBF神经网络与模糊控制的电力系统短期负荷预测[D].江苏大学，2010.
[4]雷绍兰，孙才新，周等.基于径向基神经网络和自适应神经模糊系统的电力短期负荷预测方法[J].中国电机工程学报，2005.
[5]刘志远，吕剑虹，陈来九等.基于RBF神经网络的单元机组负荷系统建模研究[J].控制与决策，2003.
[6]郭伟伟，刘家学，马云龙等.基于改进RBF网络算法的电力系统短期负荷预测[J].电力系统保护与控制，2008.
篇7
1．2人工智能模型
工程造价估算专家系统，是通过人工智能，加上知识库技术而建立起来的，可是这种人工智能模型主要靠专家的知识，来对工程造价进行估计计算的，但是估算的结果是被估算人员的主观意识所影响的，不同专家的性格，知识面的宽窄，经验丰富与否、都是不确定因素，几乎可以会所不一样的估算专家所得出的结果都不会一样。这种方法很容易带有个人偏见和片面性。受专家的主观偏见性较强。
2BP神经网络模型构造与算法
2．1人工神经网络的基本原理
1985，D•E•Rumelhart等人组成的PDP小组提出的一种神经网络模型，这就是我们今天所说的BP神经网络，BP神经网络结构是利用误差反向传播来消除误差的，它有三个层次，有一个输入层，第二个是隐层，最后一个当然就是输出层。在训练估算中，我们可以通过计算输出值和我们预期的期望值，他们之间所产生的误差，逆向思维，去求解输出层单元的一般化误差，然后再把误差进行反向传播，把隐含层单元的一般化误差求解出来，并最终调整输出层和隐含层，包括输入层之间的连接权，还有连接权与隐含层和输出层的阈值，最终目的就是让系统误差达到我们可以接受为止。当先前的系统误差达到我们所需求的时候，权值和阈值就变成了固定不变的了，这样我们再通过反向逆推，就可以测出我们这个项目的未知信息。这就是人工神经网络的基本原理。
2．2BP神经网络模型建立的步骤
(1)我们首先确定模型输入层，隐含层还有输出层的神经元个数。并且以此为依据，确定BP神经网络模型的结构参数;(2)神经网络只能处理－l～l之间的数据，所以在输入网络时，我们不仅需要对原始数据进行规范化处理，还要对隐含单元和各个单元输入信息进行求和;通过反向逆推之后得到本单元的输入信息。所以对原始数据，隐含单元输入模块规范化细致化是非常重要的;(3)隐含单元的输出值可以根据神经网络操作模型得出，只要我们把net信号经过一次激发函数的处理，可以得到这个隐含单元的输出值;(4)对于输出单元节点，我们只要对前一层的隐含层单元输入信息，并且加权求和后，就能得到该单元的输入信息。操作起来非常方便快捷;(5)对权矩阵的调整，因为人工神经网络可以近似实现任意空间的数学映射。所以我们假设，如果神经网络输入单元数为M，输出单元为N，则在m维欧式空间尺中会有一个有界子集A，存在着一个到n维欧式空间，那么R中一个有界子集F(A)的映射。
3基于BP神经网络的工程造价估算模型
3．1定量化描述工程特征的因素
什么是工程特征，在BP神经网络中所说工程特征，就是指不但能表示工程特点，而且还能反映工程的主要成本构成的重要因素。，我们可以通过参照历史工程资料的统计和分析，进行工程特征的选取工作。选取完成之后，再根据专家的经验来确定，这样就可以万无一失了。首先我们可以通过典型住宅工程的造价组成进行分析，然后对建筑结构参数的变化和别的工程做一下对比，通过以上两点得出的结果，分析这些因素对造价的影响，依照以上的理论方法，我们进行了实践性的研究，最终把础类型，结构形式，建筑层数，门窗类型，外墙装饰还有墙体材料以及平面组合等，这7种因素作为工程的主要特征。不同的建筑工程有着不同的类型，比如说结构，可以是砖混结构和框架结构等;砖条基和钢筋砼条基础等都可以作为基础特征，对于这样的特征选取的多样性我们称之为特征类目，通过工程特征不同类目的列举，再跟据定额水平，工程特征对造价影响的相关性，这些对平方米造价的改变，对工程定量化的描述可以主观的给出对应的量化数据。
3．2建立估价模型
工程造价估算的指标体系到该项目的单位造价的非线性映射，就可以统称为是建设项目工程造价的估算问题。BP网络可以根据人们的需求以任意的精度去逼近任意映射关系，究其原因就是上文说的BP网络采用的是三层BP神经网络结构，不同于其他的电脑估算网络。不仅是因为该模型的输入单元为7个，还有他们的项目样本特征也不尽相同。神经网络可以根据已经经过我们优选的模型特征，做为参考估算要素，然后再通过项目工程造价估算中，我们所提供的一定数量的已知样本，采取对样本的神经网络训练，最后根据以往的大的数据库，提取类似的项目估算值，然后才能对其它特征的项目进行估算。这样我们只需要输入指标体系的各指标值，BP神经网络就可以在该项目的单位造价的非线性映射中给出该项目的单位造价。
3．3检测结果的分析
上面我们通过大量的实际实验得知了这两个固定不变的数字，然后我们可以用程序值被收敛后的网络，对现在要进行求解的数据进行检测，在测试后，如果发现总体误差比率较小，那么就满足我们初步设计的概算需求了，同时对工程可行性研究的投资估算需求也已经基本符合了，这些结果能有好的保证，全是依赖我们所选择的模型的宽度够用，模型在所有的因素中具有广泛的代表性。所以估价模型的计算才较为成功。几个工程估算的好坏也不能代表所有的项目都是完美的，也有个别工程造价估算误差大，因为电脑毕竟是人在给其输入程序，电脑的经验，还有就是对一些特征的学习不够用，本身的知识储备还是有局限性的。因为对样本数量的学习始终是有限，不可能面面俱到，而且挑选的样本也不可能针对这个工程而言都是符合这个项目的特性。虽然说BP神经网络模型有这样无法控制的缺点，但是和其他的造价估算模型相比，BP神经网络模型的优点还是可圈可点的，其优点和其他的造价模型相比较优点还是非常明显的。在以后的估算中，随着样本的不断充实，数据的不断积累，经验的不但丰富，其估算的误差也将不断缩小，这些方面的补充，在以后的估算中，必定会取得非常完美的成绩。
篇8
Key words： precise irrigation；nerual network algorithm；greenhouse flowers
中图分类号：S274 文献标识码：A 文章编号：1006-4311（2012）35-0069-02
0 引言
受地形条件和季风气候的影响，我国水资源分布十分不平衡，造成许多地区严重缺水，因此水资源短缺已成为困扰这些地区的首要问题。节水工程是缓解水资源短缺的一项系统性工程，其主要包括时空调节水资源、天然降水的利用以及增加植物自身对水分的利用率等手段。节水灌溉是实现可持续利用水资源的关键技术，如何精细的灌溉花卉也成为人们一直致力于研究的课题。农作物对养分和水分的利用率受施肥量和灌溉量是否合理的影响很大。基于花卉水胁迫声发射的机理可以实现对花卉的精准灌溉，但是如何使得灌溉量最优目前还没有办法解决。本文将通过将人工神经网络引入到花卉灌溉系统中，实现为花卉在生长过程中提供适当的水和肥料，从而可以大大提高花卉的质量、降低生产成本、节约水肥等等。
1 理论知识
1.1 花卉节水灌溉及水胁迫声发射 生命的活动离不开水，植物也不例外。植物产量的下降受水分亏缺的影响很大，据有关资料统计，水分亏缺对植物产量造成的影响比其他因素的总和还要多。植物对水分的吸收和散失一般是由其自身的器官和周围的环境的相互作用来完成的，例如SPAC（土壤-植物-大气连续体）中各个环节的共同作用[3]。土壤、植物、气候这三个方面可以对植物是否缺水进行判别，其主要评价校准一般分为三类：①以植物自身为评分对象；②以环境为对象，利用环境条件的改变对植物的需水量进行估计，例如通过水面的蒸发量来估算植物自身的耗水量，从而得出植物的需水量；③以土壤为对象对植物的水量进行判断。
近年来，随着人们对植物水分机理研究的不断深入，人们发现了植物会通过自己的“语言”来向我们发出缺水信号，也就是我们常说的“会说话的植物”。植物的语言被定义为植物的“声发射”现象，即植物缺水会造成水流在水流通路中出现断裂，从而发出爆裂声。声发射由于物体受外界作用发生形变时激发的能量被迅速释放而产生的一种瞬态应力波[2]。水分在植物体内传输需要依靠张力。干燥的土壤会使张力大大增加，当超过平衡极限时，会造成于水分子对导管壁的粘附力和各分子间的内聚力失效，从而导致连续的水柱遭到破坏，造成断裂，也就是常说的“空穴现象”。空穴一旦出现，张力会因突然被释放产生冲击波，同时产生声发射信号。以往的研究资料表明，声发射信号可以作为自动灌溉系统的信号发生源，以一个特殊的植物相应反馈实现精细灌溉。
1.2 BP神经网络及相关算法[4] BP神经网络算法是Rumelhart于1985年提出的，其基本思想是：通过输出误差来估计输出层得直接前导层的误差，然后利用前导层的误差估计其前导层的误差，随着一层层的传递计算，就能得到所有层的误差估计。BP神经网络模型在处理信息方面有着很好的应用价值，基本原理是：通过中间节点将输入信号Xi作用于输出节点，经过一系列的非线性变换得到输出信号Yk。BP算法的实现过程是在输入层的神经元上加载各项指标数据X，利用连接权向前一步步传递，最后到达隐含层神经元，然后经过转换函数的处理后输出信号被传递到网络输出层。BP神经网络模型一般包括自学习模型、误差计算模型、作用函数模型和输入输出模型。
1.2.1 自学习模型：？驻Wij（n+1）=h×？覫i×oj+a×？驻Wij（n）
式中：h-学习因子；？覫i-输出节点i的计算误差；oj-输出节点j的计算输出；a-动量因子。
1.2.2 误差计算模型 通过误差计算模型能够得到神经网络的计算输出值和期望输出值之间的误差，其函数表达式为：Ep=1/2×？撞（tpi-Opi）2
式中：tpi-i节点的希望输出值；Opi-i节点的计算输出值。
1.2.3 作用函数模型 作用函数又叫作刺激函数，其主要用来反映输入值对上一层的节点刺激脉冲的强度的大小，函数表达式为定义域为（0，1）的Sigmoid函数，即f（x）=1/（1+e-x）。
1.2.4 节点输出模型
a.输出节点输出模型：Yk=f（？撞Tik×Qj-qk）
b.隐节点输出模型：Oi=f（？撞Wij×Xi-qj）
2 温室花卉在水胁迫声发射下的灌溉测量
虽然，利用植物的声发射信号可以知道花卉何时缺水，何时需要开始灌溉，但灌溉量多少也就是何时停止灌溉却无法判别。长期以来，灌溉量一般由花农自己的经验进行判断，然而不同的环境条件下，灌溉量将发生变化，因此很难将经验值引入到自动灌溉系统中。BP神经网络模型具有很好的自学习能力，可以对这个经验值进行学习，从而实现灌溉量的自动控制。本文将利用遗传算法和人工神经网络算法，结合matlab软件和ARM单片机芯片实现对温室花卉在水胁迫发射下灌溉量的预测。
近年来，声发射技术被广泛的应用于水胁迫问题的研究中。植物在缺水情况受到水胁迫的程度可以利用声发射技术进行检测并通过传感器记录下来。当土壤的含水量低于植物生长所需的适宜指标以下时，则灌溉应开始进行，灌溉量得多少可以根据以下公式进行计算：
I=1/1.5（0.085h×d×c-W（T））
式中：I-灌溉量，m3/667m；h-计划层土壤深度，cm；d-土壤容重，g/cm3；c-田间持水量；W（T）-计划层土壤水分存储量预报值，mm。
花卉一般是在温室环境中生长，笔者通过建立土壤水分存储量最小值、蒸发量、空气湿度、光照、环境温度与花卉声发射相互作用的数学模型，利用水胁迫声发射自动检测系统得到相应的数据，从而对不同因素间的相互关系进行研究。自动灌溉系统的模型的基本原理是通过测试系统得到的花卉各参数被输入到ARM中，然后利用BP神经网络算法进行数据处理，从而求出温室花卉的土壤水分存储量的预报值。
2.1 BP神经网络实现多参数综合控制 根据BP神经网络处理信息的原理，将样本中实验所得的输出值作为期望的输出值T，而模型输出Y是通过将各指标值X输入到神经网络模型计算得到的，它们的误差计算函数表达式为：
E=1/2（T-Y）2
利用BP神经网络的自学习模型，经过反复迭代，逐渐降低误差，直到低于容许误差值。
2.2 模型各参数的关联性 在花卉水胁迫自动灌溉系统中，灌溉起始时间和灌溉量的多少是由周围土壤水分存储量的预报值进行控制的。声发射信号和土壤水分存储量的预报值有着紧密的关系，因为土壤中的水含量决定植物吸收水分的多少，当其含水量小于土壤水分存储量的预报值时，植物就会由于缺水导致声发射现象的产生。如果能找到声发射现象发生时的土壤的含水量，那么通过计算花卉正常生长所需的含水量与零界含水量之间的差值，那么灌溉量的多少便可以确定。
植物散失水分主要是因为表面蒸发，当水分的蒸发量大于水分的吸收量时，植物体内便会出现缺水。所以，蒸发量和声发射信号之间的关系也可以作为判别植物水胁迫的指标。植物在灌溉结束初期的蒸发量比较大，声发射频率较高，但随着水胁迫程度的不断增大，表面蒸发量便逐渐减小。温度和光照与声发射信号也具有一定的关系，例如上午的光照强度和温度一般情况下会逐渐增加，植物体内的声发射频率也就逐渐增大；中午之后，随着光照和温度的降低，声发射频率便会响应的减小[5]。
2.2.1 BP神经网络结构模型基本参数的确定 为保证BP神经网络的非线性特性，输入层的传递函数表达式为f（x）=1/（1-exp（-x）），而输出层采用函数体为y（x）=Ax的线性传递函数，这样可以保证神经网络输出值的任意性。本模型的输入节点为4个：光照、蒸发量、温度及声发射信号；输出节点1个：土壤水分存储量预报值。
2.2.2 输入数据归一化 数据归一化是为了把输入数据转变为BP神经网络模型合适的诊断、学习形式，其实质是将输入数据无量纲化。经归一化处理后，每个输入数据都在0-1之间，最后还需利用反归一函数（归一化函数的逆函数）将数据值进行还原。本文所采用的归一化函数和反归一化函数的表达式如下所示：
归一化函数：Xn=2×■-1；
反归一化函数：X1=0.5×（Xn+1）×（Ximax-Ximin）+Ximax
2.2.3 隐层节点数的优化 BP神经网络的学习时间、是否能收敛、容错能力等特性很大程度上是由网络中隐层节点数的多少决定的。逐步回归分析算法可以实现对参数的显著性检查并动态的出去部分线性相关的隐层节点，其基本原理是：当前节点想下一层节点所发出的所有阈值和权值如果都处于死区中时，这一节点便可以删除。最佳隐层节点数的计算公式为：L=（m+n）1/2+c
式中：m-输入节点数；n-输出节点数；c-（1，10）区间内的人艺实数，本模型c=6。
2.2.4 BP神经网络算法的实现过程 本程序所使用的神经网络算法的实现步骤如下：
①对连续权值和阀值的初始化。②将学习数据提供给网络。③计算各中间层各单元的输入与输出。④计算输出层各单元的输入与输出。⑤计算输出层各单元的一般化误差。⑥计算中间层各单元的一般化误差。⑦调整中间层到输出层之间的连接权值和输出层各单元的阀值。⑧调整输入层到中间层之间的连接权值和中间层各单元的阀值。⑨随机选取下一组学习数据对并提供给网络，返回到第③步，直到全部数据训练完成。⑩更新学习次数，返回到③，知道规定的学习次数N完成。
参考文献：
[1]孙景生，康绍忠.我国水资源利用现状与节水灌溉发展对策[J].农业工程学报，2000，16（2）：35-38.
[2]耿荣生.声发射技术发展现状[J].无损检测，1998，20（6）：151-154，158.
篇9
粒子群优化算法是一种相对简单、有效的随机全局优化技术，通过对粒子群优化算法进行相应的改进，以此确保其收敛性，然后再将粒子群优化算法应用到神经网络的学习训练中，能够更有效的找出最优化解。粒子群优化算法和遗传算法相比，粒子群优化算法并没有遗传算法复杂的交叉、变异以及编码，而是对粒子所在解空间的具置进行搜索，不需要对众多的参数进行调整，其收敛速度相对较快。
1 粒子群优化算法的基本原理以及优化改进
1.1 粒子群吧优化算法的基本原理
PSO中，每一个优化问题的解都是搜集空间中的一个“粒子”的状态，粒子群优化算法是对群体的全局进行考虑，通过迭代搜寻选取最优值，通过将系统转化成一组随机的例子，由于例子在解空间追随最优的例子进行凑所，所以粒子群优化算法是一种具有全局寻优能力的优化工具。例子群优化算法的基本原理表现为：假设在一个D维的目标搜集中间中，由N个不同的粒子组成了一个特定的群体，其中第i个粒子表示成其在这个D维空间中的向量（xi），也就是该粒子在D为空间中的位置，每一个粒子的位置都存在一个特定的解，通过将xi带入到相应的目标函数中，通过适当的函数计算就能得到其适应度值，然后根据该xi适应度值的大小，以此衡量xi的优劣程度。其中，第i个粒子飞行的速度表示D维中的另一个向量，表示为vi，将在D维空间中搜索到的第i个粒子的最有位置记录为pi，则整个粒子群搜索到的最有位置pi的粒子群优化算法表现为：公式一：vi=ci+c1r1（pi-xi）+c2r2（pg-xi）；公式二：vik+1=vik+c1×rand（）×（pbest-xik）+c2×rand（）×（gbest-xik）；公式三：xi=xi+vi，其中i=1，2，…N；r1和r2为学习因子，rand（）表示介于[0，1]之间的随机常数，c1和c2表示为非负常数。其中迭代的终止条件是根据选择的最大迭代次数决定的，表示的为第i个李在迄今为止搜索到的最优化位置应该满足的适应度的最小值。
从社会学角度方面来说，粒子群优化算法公式中的表示的是粒子的记忆项以及自身认知项，能够表示上次速度的方向以及大小对粒子造成的影响，还能够将当前的指向粒子当作自身的最优化矢量，以此表示粒子的动作来源于自身的经验，能够反映粒子之间的协同作用以及知识共享，粒子能够根据粒子群中相邻粒子的最好经验，然后再结合自身的经验，以此来决定自身的下一步运动，从而形成PSO的标准形式。
1.2 粒子群优化算法的改进
粒子群粒子群优化算法需要用户确定的参数相对较少，并且其操作相对简单，因此该种方法使用起来非常方便，但是，由于粒子群优化算法容易陷入局部极值点，导致搜索的收敛性相对较低，并且粒子群优化算法的收敛性分析已经收到众多学者的重视，因此，为了增强粒子群优化算法的收敛性，可以将抗体多样性保持机制引入到粒子群优化算法中，其步骤表现为：首先，确定参数值，记忆粒子个数M，即常数因子c1和c2粒子群的个数N，粒子的浓度概率选择阀值Pi，其随机产生的N个粒子xi的飞行速度表示为vi，以此计算粒子的适应度函数值；根据公式计算粒子的选择概率，将粒子群体中前M个最大适应度的粒子当作记忆细胞进行储存，将概率大于Pi的粒子根据相应的方法进行计算，从而把M个记忆细胞替换成适应度最差的M个粒子，以此形成全新的粒子群，最终判断其能付满足相应的选择条件，如果满足输出适应度值最好的要求，则选定该粒子。由此可见，通过上述的方法对粒子群优算法进行改进，能够保证粒子群优化算法的精确性，并且通过实践证明，经过改进后的粒子群优化算法，其计算机的仿真结果显示，该种粒子群优化算法的收敛速度明显优于没有改进的粒子群优化算法的收敛速度。
2 粒子群优化算法在计算机审计网络中的应用
计算机神经网络能够模拟大脑的思维能力，然后通过对各种数据进行分析，从而建立其相应的数学模型，计算机神经网络中除了包含许多处理器以外，还包含了许多与人脑神经相似的节点，这些节点按照一定的规律进行连接。如果将计算机神经网络中的每一个过程都细分为若干个微程序，并且将所有的微程序都交付于处理器进行处理，那么处理器处理所有的微程序的过程，就是一条微程序的处理流水线，这样计算机处理信息的速度也将会显著的提高。粒子群优化算法在计算机神经网络中的应用，包括的内容有组合优化、参数优化、神经网络训练、学习算法、网络拓扑结构和传递函数、链接权重等，通过把个体转化成微粒，其中包括计算机神经网络中的所有能够用到的参数，然后经过一些列的复杂、重复的程序，最终达到最终的训练目标。相对于传统的神经训练法来说，由于BP算法需要可微的函数以及梯度信息等大量的数据，只有通过大量的计算才能得到相应的训练结果，其运行难度较大、程序相对复杂，而采用离子群优化算法，其处理信息的速度显著的提升，能够有效的克服其运行效率低的问题。粒子群优化算法在计算机神经系统网络中的应用，主要表现在两个方面：其一，粒子区优化算法在参数优化中的应用，能够通过解决计算机神经网络中的各种离散型问题，从而进行参数优化；其二，粒子群优化算法在组合优化中的应用，其中典型的应用表现为其在工程经济问题中的应用，其能够通过将各种资源进行科学的组合，通过设置一定的约束条件对这些组合进行排序，通过不断的尝试最终能够找到最有效的解决方案，然后合理的利用所有的组合实现经济效益的最大化。此外，粒子群优化算法不仅能够应用在计算机神经网络中，还能够应用在更多的领域中，例如软件编辑、游戏开发、电力系统等领域中。
3 结束语
文章对计算机神经网络中粒子群优化算法的应用进行了研究，对粒子群优化算法进行了相应的改进，有效的提高了粒子群优化算法的收敛速度。将粒子群优化算法应用在计算机神经网络中，其操作相对简单，比较容易实现，并且其还能够更快的收敛于最优解，有效的克服了传统遗传算法缺点。因此，在计算机神经网络学习训练中，广泛的推广和应用粒子群优化算法具有很大的现实意义。
参考文献：
[1]丁玲，范平，闻彬.粒子群优化算法在计算机神经网络中的应用[J].理论与算法，2013（17）：39-41.
[2]曹大有.一种免疫粒子群优化算法及在小波神经网络学习中的应用[J].计算机应用于软件，2009（06）：189-192.
[3]刘爱军，杨育，李斐.混沌模拟退火粒子群优化算法研究及应用[J].浙江大学学报（工学版），2013（10）：1722-1729.
[4]虞斌能，焦斌，顾幸生.改进协同粒子群优化算法及其在Flow Shop调度中的应用[J].华东理工大学学报（自然科学版），2009（03）：468-474.
篇10
一、BP神经网络原理与过程
BP神经网络（反向传播网络Back Propagation）是一种多层前馈型神经网络，其神经元的激活函数是sigmoid函数，一般为log sigmoid 函数和tan sigoid 函数，函数的图形是S 型的，其值域是为0到1的连续区间。它是严格递增函数，在线性和非线之间有着较好的平衡性。
1.数据归一化处理
数据归一化方法是神经网络预测前对数据常做的一种处理方法。数据归一化处理把所有数据都使其落在[0，1]或[-1，1]之间，其目的是取消各维数据间数量级差别。避免因为输入输出数据数量级差别较大而造成网络预测误差较大。数据归一化的方法主要有以下两种。
（1）平均数方差法，其公式如下：
2.BP神经网络的学习过程
BP网络的学习过程由信号的正向传播和误差的反向传播两个过程组成。其基本原理是：网络先根据输出层的误差来调整输出层和隐含层的权值和阈值，再将部分误差分配置隐含层，然后根据误差来调整隐含层和输入层之间的权值和阈值，并不断地重复上述过程，直到网络的输出与目标之间的误差趋于最小，达到规定的要求。
一般地，BP网络的学习算法描述为如下步骤。
（1）初始化网络及学习参数，如设置网络初始权矩阵，给出学习速率和神经元激活函数等。
（2）提供训练模式，训练网络，直到满足学习要求。
（3）前向传播过程：对给定训练模式输入，计算网络的输出模式，并与期望模式比较，若有误差，若执行步骤（4），否则，返回步骤（2）。
（4）反向传播过程：计算同一层单元的误差，修正权值和阈值，返回步骤（2）。
二、玉米期货价格预测分析
美国是世界上玉米生产大国和消费大国，良好的现货基础为美国玉米期货市场的发展提供了优越条件。其中，以CBOT为代表的美国玉米期货市场同现货市场有效接轨，不仅在美国内玉米生产流通领域发挥了重要作用，而且在世界玉米市场上也影响巨大。
发现价格作为期货市场的基本功能之一，CBOT作为全球最大的玉米期货交易市场，其玉米期货价格的国际影响力是非常巨大的。目前，在国际玉米市场上，玉米贸易价格的形成和交易活动是以CBOT的玉米期货价格为中心展开的，该价格是国际玉米贸易中签约双方需要考虑的最重要的依据之一。美国已经通过芝加哥玉米期货市场取得国际玉米贸易的定价权，在国际玉米市场中发挥着主导作用，并且能够对本国和其他国家玉米产业的发展产生深刻影响。
本文研究所采取的样本来自WIND资讯金融终端，以2008年07月-2015年10月的CBOT的玉米期货为研究对象。共计100组样本数据，将其中92组数据作为训练数据。8组作为分析样本。本文从影响全球玉米的供需平衡的角度出发，从期初库存、产量、进口、饲料消费、国内消费总计、出口、期末库存、总供给、贸易量共九个因素进行分析研究，对玉米期货的价格进行预测。利用MATLAB软件训练生成BP神经网络并进行预测，将隐含层神经元设为20个，训练次数为100次，训练精度为0.00005。最后得到结果见表1。
从表1中可以看出，通过BP神经网络计算得出的预测值与实际值绝对误差相对较小，这说明通过BP神经网络预测模型产生的预测结果的精确度较高。具有较强的实用性。但是由于玉米期货除了受到供需因素的影响外，同时还受金融、经济、政治及投资者心理等众多因素的影响。所以本文的结果还带有一定的局限性。若把上述因素考虑进去，其精确度可能进一步提高。
三、结语
本文采用BP神经网络对美国玉米期货的价格进行了研究。使用了多因素BP神经网络预测模型，对玉米期货的价格进行预测，得到了拟合度在较高的预测值。这说明BP神经网络方法可以对玉米期货价格走势进行有效预测。通过预测，可以对投资者的投资行为进行指导，从而达到规避风险而获取较好的经济利益。
篇11
1 BP神经网络基本原理
BP神经网络，即误差反传误差反向传播算法的学习过程，由信息的正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变换，根据信息变化能力的需求，中间层可以设计为单隐层或者多隐层结构；最后一个隐层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。当实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程，此过程一直进行到网络输出的误差减少到可以接受的程度，或者预先设定的学习次数为止。
2 BP神经网络工作机理
2.1 正向传播
图中，表示神经元的输入，表示输入层与隐含层之间权值，为隐含层与输出层之间的权值，f（）为传递函数，为第k个神经元输出。假设BP神经网络输入层有n个节点，隐含层有q个节点，输出层m个节点。
隐含层第k个神经元的输入：
经过传递函数f（）后，则隐含层第k个神经元的输出：
其中f（）为单调递增且有界，所以一定有最大值。
输出层第j个神经元输出：
2.2 反向传播
输入P个学习样本，通过传入网络后，输出，第P个样本误差：
式中：期望
全局误差E：
输出层权值的变化，通过调整，使得全局误差E最小，得出输出层神经元权值调整公式：
隐含层神经元的调整公式：
3 应用实例
选择AC，DEN，CNL，GR，PE，RD作为输入曲线。XX井的53个点的岩心数据，从中选出30个点作为训练样本，23个点作为预测，构建网络，对全井段处理。结果对比（如图3-1），发现神经网络计算的TOC比传统的法计算的TOC效果好。其中TOC_NN为神经网络预测TOC，TOC_DaltalogR_AC为法计算的TOC。
4 结论
BP神经网络预测TOC克服了常规解释模型的缺陷，不用选择解释参数，计算结果与解释人员经验无关，预测结果精度有较大幅度的提高。利用多种测井解释数据及岩心分析资料作为网络训练样本，通过网络的训练、学习，建立了BP网络TOC模型，并利用该模型预测该地区新井的TOC值，实验证明用该模型进行TOC预测是可行的。
参考文献
[1]杨斌.神经网络及其在石油测井中的应用[M].北京：石油工业出版，2005：111-115.
篇12
1 模型的建立
在其它条件不变的情况下，粮食总产主要取决于播种面积、灌溉面积、农田成灾面积、渍涝盐碱地面积、粮食价格、良种覆盖率、化肥使用量、科技贡献率8个主要因素.为确定粮食总产与影响因子间的定量关系，根据人工神经网络基本原理，设计相应的神经网络：
网络共分四层，一个输入层，二个隐含层，一个输出层.输入层8个节点，输出层1个节点.
篇13
Key word：Harmonic;APF;neural networks
1.引言
在我国的可以发展和社会进步过程中，特别是各种高科技的产品以及衍生物的出现，发展进程不断加快，由于我国的地理结构，特别是资源分布不均决定了电网的地理结构配置，尤其是在恶劣环境状况下长远距离的电网配送传输，这样不得不造成电能在传输过程中的出现诸多问题，基于越来越到的三相交流正弦设备电压的稳定性，尤其是大量的非线性设备在交流电下产生的非正弦电流（电压等）信号，造成了其电能的有效性利用和一系列谐波的干扰等等。有源电力滤波器（Active Power Filter，APF）则应运而生，其优点是可以抑制一些谐波来提高电能的稳定性和电能的质量，其中在谐波处理这一块加入新型的神经网络，如现今的BP、FFT神经网络算法的运用在电力滤波器中，能够在谐波的处理过程中更加的准确和稳定，极大地加快了效率和保证了电能的质量，也是目前市场情景很广的一个重要课题。
2.电力谐波的检测方法
在现代的电力系统中，尤其的当前的三相交流电无时不刻地出现各种干扰性谐波，影响电能质量和效率。在传统的谐波检测中有一些比较传统的方法，特别在最初使用的无源滤波器进行简单且原始地滤波，这种滤波器在使用的同时也带来了很多的不便和出现更多新的问题，在后来也慢慢被淘汰。于是在后来演变了几种比较常用的方法，每种方法有其各自特点及应用范围，因此了解各种谐波检测方法的优缺点及其适用场合对拟制谐波是非常重要的。就目前广泛应用的是那些基于瞬时无功功率理论的p-q法，法和同步检测法以及基于正弦函数正交特性法的检测等方法，然后通过一些仿真比较各自的优缺点及适用场合，为有效拟制谐波提供理论及实际指导。分析及仿真表明，有效利用各种谐波检测方法的特点进行谐波拟制是非常有效、实用的，这是充分利用其反向特点分析的。
2.1 检测法
就目前大部分的谐波检测而言，基本都是运用检测法进行谐波检测，在谐波检测的基本工作原理是：将电压或电感器输出的电流信号转化为电压信号并进行适当的放大或缩小（根据实际信号的输出情况进行放大或缩小）。首先指令运算电路就是谐波检测的重要部分，其作用是在有源电力滤波器的补偿作用下得出其补偿电路的指令信号（电流信号），其中常用且最为重要的部分是三相电路的检测方法，在实际生活中常用的有两种：一种是电路谐波检测法，另一种是无功电流检测法。如下图1是电路-谐波检测的原理示意图.其方法的基本原理是利用三相电压源中的其中一项与同相位的正弦信号和相对应的余弦信号sinωt_cosωt，然后他们由一个相锁环（PLL）和sinωt_cosωt信号的发生电路模块得到。再根据定以及其公式计算出、。在图中、是由、、产生的、于是由、可以计算出、、，进而计算出、、。运算公式如图1所示。
图1 三相电流谐波检测原理示意图
（6）
（7）
（8）
（9）
用给定这些式子可以理想化的酸楚相应的补偿电流出来，这样根据所需的参数量来进行可控补偿。最终达到谐波抑制的目的。
2.2 基于神经网络的电流检测
在传统的APF（有源电力滤波器）中，我们很难有准确的测量方法，即是根据理想化的公式也只能进行理想的运算，然而在实际运行过程中，其测量参数准确度的有很大差距，于是我们提出了一种基于神经网络电流检测方法，这样在有源电力滤波器中有了很好检作用，其神经网络原理图 如下图2所视，它具有多种跟踪捕捉参数的能力，也能更为快速、准确地检测出来，达到的结果更接近理想值，在有源电力滤波器中加入运用神经网络是现今以及未来的一个趋势。
图2 神经网络结构图 图3 基于神经网络的基本原理图
3.建立相关模型并仿真
在APF的滤波基础上加入需要的神经网络模块，更能有效且准确地检测谐波并进行有效的补偿，最终得到需要的电流（电压）信号供日常实际生产。在被控参数的前馈期加入神经网络，可以很好的前馈控制，这样的优点是互惠产生不必要的延迟，同时可以减小工作时间。
3.1 模型建立
由于该研究主要针对于日常用的三相电力系统中，所以本文也是以三相交流为研究对象，其主要原理框图如图4所示
图4 加入神经网络的有源滤波的简易原理框图
我们可以很弄清楚地看到，滤波装置（APF）中加入可控串补神经经网调节模块，由图中可以看出主要对一些交流电流等相关参数进行补偿和抑制，在实际的运行环境中一系列的谐波、内外振荡和非稳定因素等干扰就得到了很好的抑制和处理，电压（电流）变得更稳定并且得到补偿和提高，很接近预期理论计算值，最终改善了运行环境，提高了电能的质量，同时更能有效地节省资源和提高电能有用功率。在每个模块达到自己的理论使用效果后，就可以很好地达到预期的结果。
3.2 仿真结果
本文研究对象主要是针对于三相交流电的电流参数进行测试，得到了一些列的仿真结果，基本能够反映研究的基本目的。下列图形分别给出了其三相交流电流谐波补偿抑制的仿真图像。
（1）当给定电压在380v、50Hz、α=30°时，在给与一定负载，得到的电流波形图如下图5所示，谐波很明显，三相正弦电流波形受到的干扰很明显，在有源滤波器的作用，谐波得到了很好的抑制并且提供了相应的补偿，是电流波形接近正常。
（2）当给定电压为380V、50Hz、α=30°时，同时给与一定负载，得到的电流波形图如下图6所示，谐干很明显，可知三相正弦电流波形受到的干扰很明显，在有加入神经网络后的有源滤波器的作用下，我们能够很明显地看到谐波得到了很好的抑制，且给予的补偿也很充分，电流的曲线图像变得更接近理想值，振幅也比以前增大了，从图像中我们可以得出在神经网络的作用下，有源电力滤波器的作用能够发挥得更加充分和完善，也是我们研究的重点和趋势。
4.总结
本文主要是在谐波污染现状上，对谐波进行系统的研究，尤其是在谐波检测的基础上进行研究，并设计了一种基于神经网络的有源电力谐波检测法，利用神经网络具有逼近任意非线性函数能力，响应快、超调小、误差小、鲁棒性好等一些优点，克服了有源电力滤波器补偿性能不足，检测效率低等缺点。其仿真结果表明基于该神经网络的谐波检测模块的试验中，可以得出其具有快速且准确的检测抑制效果，对今后的谐波抑制方面具有很好的发展前景。
参考文献
[1]杨军，王兆安.三相电路谐波电流两种检测方法的对比研究[J].电工技术学报，2005，6（7）.
[2]王兆安，刘建军.电力电技术[M].北京：机械工业出版社，2010.
