引言：易發(fā)表網(wǎng)憑借豐富的文秘實(shí)踐，為您精心挑選了九篇神經(jīng)網(wǎng)絡(luò)研究現(xiàn)狀范例。如需獲取更多原創(chuàng)內(nèi)容，可隨時聯(lián)系我們的客服老師。

第1篇

【關(guān)鍵詞】模糊系統(tǒng)；神經(jīng)網(wǎng)絡(luò)；結(jié)合；現(xiàn)狀

中圖分類號：Q189文獻(xiàn)標(biāo)識碼： A 文章編號：

一、前言

隨著我國經(jīng)濟(jì)的快速發(fā)展，我國的各項(xiàng)事業(yè)都取得了巨大的成就。其中模糊系統(tǒng)與神經(jīng)網(wǎng)絡(luò)的結(jié)合就是重要的體現(xiàn)，模糊系統(tǒng)與神經(jīng)網(wǎng)絡(luò)的結(jié)合在很多方面都得到了應(yīng)用，同時也引起了更多學(xué)者研究其的愿望。相信模糊系統(tǒng)與神經(jīng)網(wǎng)絡(luò)的結(jié)合在未來會發(fā)展的更好。

二、模糊系統(tǒng)與神經(jīng)網(wǎng)絡(luò)概述

1、模糊系統(tǒng)與神經(jīng)網(wǎng)絡(luò)的概念

（1）、模糊系統(tǒng)概念

模糊系統(tǒng)(Fuzzy System, 簡稱 FS)是仿效人的模糊邏輯思維方法設(shè)計的系統(tǒng), 方法本身明確地說明了系統(tǒng)在工作過程中允許數(shù)值量的不精確性存在。

（2）、神經(jīng)網(wǎng)絡(luò)概念

神經(jīng)網(wǎng)絡(luò)( Neural Network, 簡稱 NN) 是由眾多簡單的神經(jīng)元連接而成的網(wǎng)絡(luò)。盡管每個神經(jīng)元結(jié)構(gòu)、功能都不復(fù)雜, 但網(wǎng)絡(luò)的整體動態(tài)行為極為復(fù)雜, 可組成高度非線性動力學(xué)系統(tǒng), 從而可表達(dá)許多復(fù)雜的物理系統(tǒng)。神經(jīng)網(wǎng)絡(luò)的研究從上世紀(jì)40年代初開始, 目前, 在世界范圍已形成了研究神經(jīng)網(wǎng)絡(luò)前所未有的熱潮。它已在控制、模式識別、圖像和視頻信號處理、金融證券、人工智能、軍事、計算機(jī)視覺、優(yōu)化計算、自適應(yīng)濾波和A/D變換等方面獲得了應(yīng)用。

2、模糊系統(tǒng)與神經(jīng)網(wǎng)絡(luò)的異同

（1）映射集及映度

神經(jīng)網(wǎng)絡(luò)是用點(diǎn)到點(diǎn)的映射得到輸入與輸出的關(guān)系, 它的訓(xùn)練是確定量, 因而它的映射關(guān)系也是一一對應(yīng)的; 模糊系統(tǒng)的輸入、輸出都是經(jīng)過模糊化的量, 不是用明確的數(shù)來表示的, 其輸入輸出已模糊為一個隸屬度的值,因此它是區(qū)域與區(qū)域間的映射, 可像神經(jīng)網(wǎng)絡(luò)一樣映射一個非線性函數(shù)。

（2）知識存儲方式

神經(jīng)網(wǎng)絡(luò)的基本單元是神經(jīng)元, 對映射所用的多層網(wǎng)絡(luò)間是用權(quán)連接的, 因此學(xué)習(xí)的知識是分布在存儲的權(quán)中間的, 而模糊系統(tǒng)則以規(guī)則的方式來存儲知識, 因此在隸屬函數(shù)形式上, 區(qū)域的劃分大小和規(guī)則的制定上人為因素較多。

（3）聯(lián)結(jié)方式

神經(jīng)網(wǎng)絡(luò)的聯(lián)結(jié), 以前饋式網(wǎng)絡(luò)為例, 一旦輸出的隱層確定了, 則聯(lián)結(jié)結(jié)構(gòu)就定了, 通過學(xué)習(xí)后, 幾乎每一個神經(jīng)元與前一層神經(jīng)元都有聯(lián)系, 因此, 在控制迭代中, 每迭代一次,各權(quán)都要學(xué)習(xí)。而在模糊系統(tǒng)中, 每次輸入可能只與幾條規(guī)則有關(guān), 因此聯(lián)結(jié)不固定, 每次輸入輸出聯(lián)系的規(guī)則都在變動, 而每次聯(lián)結(jié)的規(guī)則少, 運(yùn)算簡單方便。

（4）計算量的比較

人工神經(jīng)網(wǎng)絡(luò)的計算方法需要乘法、累加和指數(shù)運(yùn)算, 而模糊系統(tǒng)的計算只需兩個量的比較和累加, 又由于每次迭代的規(guī)則不多, 因此在實(shí)時處理時, 模糊系統(tǒng)的速度比神經(jīng)網(wǎng)絡(luò)快。但是當(dāng)模糊輸入與輸出變量很多的時候,模糊規(guī)則僅靠一張表已不能描述多變量間的關(guān)系, 且規(guī)則的控制存在一定困難, 此時人為的先驗(yàn)指數(shù)變得較少, 那么隸屬函數(shù)、規(guī)則本身都要通過學(xué)習(xí)得到, 因此它的計算量也會增加。

三、模糊和神經(jīng)網(wǎng)絡(luò)的結(jié)合形式

目前,模糊和神經(jīng)網(wǎng)絡(luò)技術(shù)從簡單結(jié)合到完全融合主要體現(xiàn)在四個方面(見圖1)。由于模糊系統(tǒng)和神經(jīng)網(wǎng)絡(luò)的結(jié)合方式目前還處于不斷發(fā)展的進(jìn)程中,所以,還沒有更科學(xué)的分類方法,下述結(jié)合方式是從不同應(yīng)用中綜合分析的結(jié)果。

1、模糊系統(tǒng)和神經(jīng)網(wǎng)絡(luò)系統(tǒng)的簡單結(jié)合(見圖1(a))

模糊系統(tǒng)和神經(jīng)網(wǎng)絡(luò)系統(tǒng)各自以其獨(dú)立的方式存在,并起著一定的作用。¹松散型結(jié)合 在一系統(tǒng)中,對于可用“if-then”規(guī)則來表示的部分,用模糊系統(tǒng)描述;而對很難用“if-then”規(guī)則表示的部分,則用神經(jīng)網(wǎng)絡(luò),兩者之間沒有直接聯(lián)系。

（1）并聯(lián)型結(jié)合 模糊系統(tǒng)和神經(jīng)網(wǎng)絡(luò)在系統(tǒng)中按并聯(lián)方式連接,即享用共同的輸入。按照兩系統(tǒng)所起作用的輕重程度,還可分為等同型和補(bǔ)助型。

（2）串聯(lián)型結(jié)合 模糊系統(tǒng)和神經(jīng)網(wǎng)絡(luò)在系統(tǒng)中按串聯(lián)方式連接,即一方的輸出成為另一方的輸入。

圖表 1模糊系統(tǒng)與神經(jīng)網(wǎng)絡(luò)結(jié)合形式分類

2、用模糊邏輯增強(qiáng)的神經(jīng)網(wǎng)絡(luò)。這種結(jié)合的主要目的是用模糊神經(jīng)系統(tǒng)作為輔助工具,增強(qiáng)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力,克服傳統(tǒng)神經(jīng)網(wǎng)絡(luò)容易陷入局部極小值的弱點(diǎn)。

3、用神經(jīng)網(wǎng)絡(luò)增強(qiáng)的模糊邏輯

這種類型的模糊神經(jīng)網(wǎng)絡(luò)是用神經(jīng)網(wǎng)絡(luò)作為輔助工具,更好地設(shè)計模糊系統(tǒng)。

（1）網(wǎng)絡(luò)學(xué)習(xí)型的結(jié)合 模糊系統(tǒng)設(shè)計的關(guān)鍵是知識的獲取,傳統(tǒng)方法難于有效地獲取規(guī)則和調(diào)整隸屬度函數(shù),而神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力能夠克服這些問題,故用神經(jīng)網(wǎng)絡(luò)增強(qiáng)的模糊系統(tǒng)。

（2）基于知識擴(kuò)展型的結(jié)合 神經(jīng)網(wǎng)絡(luò)和模糊系統(tǒng)的結(jié)合是為了擴(kuò)展知識庫和不費(fèi)時地對知識庫進(jìn)行修正,增強(qiáng)系統(tǒng)的自學(xué)習(xí)能力,這種自學(xué)習(xí)能力是靠神經(jīng)網(wǎng)絡(luò)和模糊系統(tǒng)之間進(jìn)行雙向。

4、模糊系統(tǒng)與神經(jīng)網(wǎng)絡(luò)的等價

（1）函數(shù)通近

模糊系統(tǒng)與神經(jīng)網(wǎng)絡(luò)除了都是無模型系統(tǒng)外,它們都是函數(shù)的全局逼近器.模糊系統(tǒng)以其插值機(jī)理來逼近任意的連續(xù)函數(shù)。不但傳統(tǒng)的模糊系統(tǒng)模型是任意連續(xù)函數(shù)的全局逼近器,而且神經(jīng)網(wǎng)絡(luò)與模糊系統(tǒng)的不同結(jié)合能逼近不同的函數(shù),如模糊神經(jīng)網(wǎng)絡(luò)可以逼近模糊函數(shù)，神經(jīng)網(wǎng)絡(luò)也是任意連續(xù)函數(shù)的全局逼近器。設(shè)任意連續(xù)函數(shù)h(x),對于緊空間X和任意小的正數(shù),總能找到一個三層的前向神經(jīng)網(wǎng)絡(luò)N(x)滿足:

在前向神經(jīng)網(wǎng)絡(luò)家族中,RBF神經(jīng)網(wǎng)絡(luò)是最優(yōu)的函數(shù)逼近器,即對于任意的神經(jīng)網(wǎng)絡(luò)N(x)總存在一個RBF神經(jīng)網(wǎng)絡(luò)N‘(x),滿足:

（2）神經(jīng)網(wǎng)絡(luò)與模糊系統(tǒng)的等價性

模糊系統(tǒng)和神經(jīng)網(wǎng)絡(luò)的等價性主要有兩個方面:模型的等價性和Madani模型的等價性。對于TS模型.首先Jang〔,5〕給出了標(biāo)準(zhǔn)的Gauss,anRBF神經(jīng)網(wǎng)絡(luò)等價于限制的Ts一型模糊系統(tǒng)。Hunt指出推廣的GaussianRBF神經(jīng)網(wǎng)絡(luò)等價于TS一型模糊系統(tǒng)。Benitez證明了若一個三層的神經(jīng)網(wǎng)絡(luò),隱含單元的激發(fā)函數(shù)為對數(shù)函數(shù)(loglst1C),輸出層的激發(fā)函數(shù)為單元函數(shù).設(shè)N(x),則存在一個模糊系統(tǒng)的輸出也為N(x)。

四、模糊系統(tǒng)與神經(jīng)網(wǎng)絡(luò)結(jié)合的現(xiàn)狀

目前, FS和NN的結(jié)合主要有模糊神經(jīng)網(wǎng)絡(luò)和神經(jīng)模糊系統(tǒng)。神經(jīng)模糊系統(tǒng)是以NN為主, 結(jié)合模糊集理論。它將NN作為實(shí)現(xiàn)FS 模型的工具, 即在NN的框架下實(shí)現(xiàn)FS或其一部分功能。神經(jīng)模糊系統(tǒng)雖具有一些自己所具有而NN不具備的特性, 但它沒有跳出NN 的框架。神經(jīng)模糊系統(tǒng)從結(jié)構(gòu)上來看, 一般是四層或五層的前向神經(jīng)網(wǎng)絡(luò)。模糊神經(jīng)網(wǎng)絡(luò)是神經(jīng)網(wǎng)絡(luò)的模糊化。即以模糊集、模糊邏輯為主, 結(jié)合 NN 方法, 利用NN的自組織性, 達(dá)到柔性信息處理的目的。目前,FS理論和NN結(jié)合主要應(yīng)用于商業(yè)及經(jīng)濟(jì)估算、自動檢測和監(jiān)視、機(jī)器人及自動控制、計算機(jī)視覺、專家系統(tǒng)、語音處理、優(yōu)化問題、醫(yī)療應(yīng)用等方面, 并可推廣到工程、科技、信息技術(shù)和經(jīng)濟(jì)等領(lǐng)域。

五、模糊神經(jīng)網(wǎng)絡(luò)的發(fā)展方向及存在問題

然模糊神經(jīng)網(wǎng)絡(luò)得到了突飛猛進(jìn)的發(fā)展,但目前還存在很多問題:（1）多變量、復(fù)雜控制系統(tǒng)中,很難確定網(wǎng)絡(luò)的結(jié)構(gòu)和規(guī)則點(diǎn)的組合“爆炸”問題；（2）傳統(tǒng)的Bp學(xué)習(xí)方法昜陷入局部極小值,并切學(xué)習(xí)速度較慢。

發(fā)展方向主要集中于:（1）模糊邏輯和神經(jīng)網(wǎng)絡(luò)的對應(yīng)關(guān)系,將模糊控制器的調(diào)整轉(zhuǎn)化為等價的神經(jīng)元網(wǎng)絡(luò)學(xué)習(xí),利用等價的模糊邏輯來初始化神經(jīng)元網(wǎng)絡(luò)；（2）尋找一般模糊集的模糊神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法

七、結(jié)束語

近年來隨著信息技術(shù)的發(fā)展，模糊理論和人工神經(jīng)網(wǎng)絡(luò)近年來取得了引人注目的進(jìn)展, 模糊理論和人工神經(jīng)網(wǎng)絡(luò)的各個方面都取得了越來越多的成果。 通過不斷的努力，我們一定可以進(jìn)一步的推進(jìn)模糊理論和神經(jīng)網(wǎng)絡(luò)將會在發(fā)展新理論, 完善各自體系。相信在未來的研究中，模糊和神經(jīng)網(wǎng)絡(luò)的結(jié)合

將會為研究更高智能系統(tǒng)開創(chuàng)一條成功之路，造福人類。

參考文獻(xiàn)

[1]劉增良.模糊技術(shù)與應(yīng)用選篇[J].京航空航天大學(xué)出版社,1997.

[2]莊鎮(zhèn)泉,章勁松.神經(jīng)網(wǎng)絡(luò)與智能信息處理[J].中國科學(xué)技術(shù)大學(xué),2000.

第2篇

人工神經(jīng)網(wǎng)絡(luò)屬于一種對人腦結(jié)構(gòu)及功能進(jìn)行反映的數(shù)學(xué)抽象模型，對人的思維以及存儲知識等功能進(jìn)行模擬，從而完成某項(xiàng)工作。對于巖土工程來說，主要包括巖體和土體兩項(xiàng)內(nèi)容，且這兩項(xiàng)內(nèi)容均具備很高的復(fù)雜性。在巖土工程研究過程中，有必要借助人工神經(jīng)網(wǎng)絡(luò)，從而使巖土工程的研究得到有效進(jìn)步發(fā)展。本文在分析人工神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，進(jìn)一步對人工神經(jīng)網(wǎng)絡(luò)在巖土工程中的應(yīng)用進(jìn)行分析，以期為巖土工程研究的進(jìn)展提供一些具有價值的參考建議。

關(guān)鍵詞:

人工神經(jīng)網(wǎng)絡(luò)；巖土工程；應(yīng)用

巖土工程的研究對象分為兩大類:其一為巖體;其二為土體。巖土工程涉及的介質(zhì)存在兩大特性，即模糊性和隨機(jī)性，這兩大特性又統(tǒng)稱為不確定性。近年來，不少學(xué)者在巖土工程研究過程中，提出了人工神經(jīng)網(wǎng)絡(luò)這一概念，即利用人工神經(jīng)網(wǎng)絡(luò)，將其應(yīng)用到巖土工程研究領(lǐng)域當(dāng)中，從而為深入了解巖土工程的某些介質(zhì)特征奠定有效基礎(chǔ)［1］。從巖土工程研究的優(yōu)化及完善角度考慮，本文對“人工神經(jīng)網(wǎng)絡(luò)在巖土工程中的應(yīng)用”進(jìn)行分析意義重大。

1人工神經(jīng)網(wǎng)絡(luò)分析

1．1人工神經(jīng)網(wǎng)絡(luò)概念

對于人工神經(jīng)網(wǎng)絡(luò)來說，是一種對人腦結(jié)構(gòu)與功能進(jìn)行反映的數(shù)學(xué)抽象模型;主要通過數(shù)理策略，經(jīng)信息處理，進(jìn)一步對人腦神經(jīng)網(wǎng)絡(luò)構(gòu)建某種簡化模型，進(jìn)一步采取大量神經(jīng)元節(jié)點(diǎn)互連，從而形成復(fù)雜網(wǎng)絡(luò)，最終完成人類思維及儲存知識的能力的模擬。神經(jīng)網(wǎng)絡(luò)無需構(gòu)建反映系統(tǒng)物理規(guī)律的數(shù)學(xué)模型，與別的方法比較，在噪聲容忍度方面更強(qiáng)［2］。與此同時，還擁有很強(qiáng)的非線性映射功能，對于大量非結(jié)構(gòu)性以及非精準(zhǔn)性規(guī)律存在自適應(yīng)能力，具備超強(qiáng)的計算能力，可完成信息的記憶以及相關(guān)知識的推理，且其自身還具備自主學(xué)習(xí)能力;與常規(guī)算法相比，優(yōu)勢、特點(diǎn)突出。

1．2BP網(wǎng)絡(luò)簡述

從研究現(xiàn)狀來看，基于實(shí)際應(yīng)用過程中，人工神經(jīng)網(wǎng)絡(luò)模型大多數(shù)采取BP網(wǎng)絡(luò)。BP網(wǎng)絡(luò)即指的是多層前饋網(wǎng)絡(luò)，因多層前饋網(wǎng)絡(luò)的訓(xùn)練通常使用誤差反向傳播算法，所以將BP網(wǎng)絡(luò)稱之為屬于一類誤差反向傳播的多層前饋網(wǎng)絡(luò)。對于其網(wǎng)絡(luò)而言，具備輸入節(jié)點(diǎn)和輸出節(jié)點(diǎn)，同時還具備一層隱層節(jié)點(diǎn)與多層隱層節(jié)點(diǎn)，基于同層節(jié)點(diǎn)當(dāng)中不存在耦合狀態(tài)。其中的輸入信號從輸出層節(jié)點(diǎn)依次傳過各個隱層節(jié)點(diǎn)，進(jìn)一步傳輸至輸出節(jié)點(diǎn)，每一層節(jié)點(diǎn)的輸出只對下一層的節(jié)點(diǎn)輸出產(chǎn)生影響。

2人工神經(jīng)網(wǎng)絡(luò)在巖土工程中的應(yīng)用分析

在上述分析過程中，對人工神經(jīng)網(wǎng)絡(luò)的概念有一定的了解，由于其模型算法的優(yōu)越性，可將其應(yīng)用到巖土工程研究領(lǐng)域當(dāng)中，從而為解決巖土工程問題提供有效憑據(jù)。從現(xiàn)狀來看，人工神經(jīng)網(wǎng)絡(luò)在巖土工程中的應(yīng)用主要體現(xiàn)在以下幾大方面。

2．1在巖石力學(xué)工程中的應(yīng)用

巖石力學(xué)工程是巖土工程中尤為重要的一部分，將神經(jīng)網(wǎng)絡(luò)應(yīng)用到巖石力學(xué)工程當(dāng)中，主要對巖石非線性系統(tǒng)加以識別，同時還能夠?yàn)楣こ處r體分類提供有效幫助，此外在爆破效應(yīng)預(yù)測方面也具備一定的應(yīng)用價值。對于人工神經(jīng)網(wǎng)絡(luò)來說，存在從有限數(shù)據(jù)中獲取系統(tǒng)近似關(guān)系的優(yōu)良特性，而巖石當(dāng)中的各項(xiàng)參數(shù)之間又存在很復(fù)雜的關(guān)系，并且難以獲取完整的參數(shù)集。在這樣的情況下，使用人工神經(jīng)網(wǎng)絡(luò)技術(shù)，便能夠使巖石非線性系統(tǒng)識別問題得到有效解決［3］。此外，有研究者將巖石抗壓強(qiáng)度、抗拉強(qiáng)度以及彈性能量指數(shù)等作為巖爆預(yù)測的評判指標(biāo)，進(jìn)一步對巖爆預(yù)測的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行構(gòu)建，然后預(yù)測了巖爆的發(fā)生與烈度。通過計算得出結(jié)論:采取人工神經(jīng)網(wǎng)絡(luò)方法進(jìn)行巖爆預(yù)測行之有效，值得采納借鑒。

2．2在邊坡工程中的應(yīng)用

對于巖土工程中的邊坡工程來說，邊坡失穩(wěn)狀況突出，且是由多因素造成的，比如邊坡失穩(wěn)的地質(zhì)形成條件、誘發(fā)因素的復(fù)雜性以及隨機(jī)性等。與此同時，由于邊坡動態(tài)監(jiān)測技術(shù)從目前來看尚且不夠成熟，因此邊坡失穩(wěn)在巖土工程研究領(lǐng)域一直視為是一項(xiàng)難以解決的工程項(xiàng)目。而對于神經(jīng)網(wǎng)絡(luò)方法來說，因其具備非常好的預(yù)測功能，因此相關(guān)巖土工程研究工作者通常會采取人工神經(jīng)網(wǎng)絡(luò)對巖土工程中的邊坡工程問題進(jìn)行求解。并且，從現(xiàn)有研究成果來看，將人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于巖土工程的成果突出。有學(xué)者對影響巖質(zhì)邊坡的穩(wěn)定性的相關(guān)因素進(jìn)行了分析，包括地形因素、巖體因素以及外部環(huán)境因素等，并構(gòu)建了邊坡穩(wěn)定性分析的BP網(wǎng)絡(luò)模型［4］。此外，還有學(xué)者將大量水電邊坡工程的穩(wěn)定狀況作為學(xué)習(xí)訓(xùn)練樣本及預(yù)測樣本，對以人工神經(jīng)網(wǎng)絡(luò)技術(shù)的邊坡巖體的穩(wěn)定性進(jìn)行了研究，結(jié)果顯示，采取人工神經(jīng)網(wǎng)絡(luò)對邊坡巖體的穩(wěn)定狀況進(jìn)行預(yù)測可行性高。

2．3在基坑工程中的應(yīng)用

采取人工神經(jīng)網(wǎng)絡(luò)對基坑變形進(jìn)行預(yù)測主要分為兩種情況:其一，對會影響基坑變形的各大因素及位移的神經(jīng)網(wǎng)絡(luò)模型加以構(gòu)建;其二，把變形監(jiān)測數(shù)據(jù)作為一個時間序列，以歷史數(shù)據(jù)為依據(jù)，將系統(tǒng)演變規(guī)律查找出來，進(jìn)一步完成系統(tǒng)未來發(fā)展趨勢的分析及預(yù)測。有學(xué)者針對基坑變形利用了人工神經(jīng)網(wǎng)絡(luò)方法進(jìn)行預(yù)測，結(jié)果表明:對前期實(shí)測結(jié)果加以應(yīng)用，使用此方法能夠?qū)罄m(xù)階段的基坑變形實(shí)時預(yù)測出來，并且預(yù)測結(jié)果和實(shí)測結(jié)果保持一致性。此外，還有學(xué)者根據(jù)具體工程項(xiàng)目，采取人工神經(jīng)網(wǎng)絡(luò)，對深基坑施工中地下連續(xù)墻的位移進(jìn)行了深入分析及預(yù)測，結(jié)果顯示:使用人工神經(jīng)網(wǎng)絡(luò)方法進(jìn)行分析及預(yù)測，在精準(zhǔn)度上非常高，值得在深基坑工程相關(guān)預(yù)測項(xiàng)目中使用［5］。

2．4在地鐵隧道工程中的應(yīng)用

在地鐵隧道施工過程中，存在地表變形和隧道圍巖變形等狀況，為了深入了解這些狀況，可將人工神經(jīng)網(wǎng)絡(luò)應(yīng)用其中。有學(xué)者在對地層的影響因素進(jìn)行分析過程中，列出了可能的影響因素:盾構(gòu)施工參數(shù)、盾構(gòu)物理參數(shù)以及地質(zhì)環(huán)境條件，進(jìn)一步利用人工神經(jīng)網(wǎng)絡(luò)，構(gòu)建了人工神經(jīng)網(wǎng)絡(luò)模型，進(jìn)一步針對盾構(gòu)施工期間的地層移動進(jìn)行實(shí)時動態(tài)預(yù)測，最終得到了不錯的預(yù)測成果。此外，還有學(xué)者對BP網(wǎng)絡(luò)算法進(jìn)行改進(jìn)，然后對某地鐵工程中隧道上方的地表變形進(jìn)行了未來趨勢預(yù)測，結(jié)果表明:和其他地表變形預(yù)測方法相比，人工神經(jīng)網(wǎng)絡(luò)預(yù)測方法的應(yīng)用價值更為顯著。

3結(jié)語

通過本文的探究，認(rèn)識到基于人工神經(jīng)網(wǎng)絡(luò)模型的算法具備很高的優(yōu)越性，由于巖土工程地質(zhì)條件復(fù)雜，為了深入研究巖土工程，可將人工神經(jīng)網(wǎng)絡(luò)應(yīng)用其中。結(jié)合現(xiàn)狀研究成果可知，人工神經(jīng)網(wǎng)絡(luò)在巖石力學(xué)工程、邊坡工程、基坑工程以及地鐵隧道工程中均具備顯著應(yīng)用價值。例如:將人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于巖石力學(xué)工程當(dāng)中，能夠預(yù)測巖爆的發(fā)生與烈度;應(yīng)用于邊坡工程當(dāng)中，能夠邊坡工程的穩(wěn)定性進(jìn)行精準(zhǔn)預(yù)測;應(yīng)用于基坑工程當(dāng)中，實(shí)現(xiàn)對基坑工程變形的實(shí)時動態(tài)監(jiān)測;應(yīng)用于地鐵隧道工程當(dāng)中，能夠進(jìn)一步了解地鐵工程中隧道上方的地表變形情況。

總而言之，人工神經(jīng)網(wǎng)絡(luò)在巖土工程中的應(yīng)用價值高，值得相關(guān)工作者采納應(yīng)用。

作者：張洪飛 單位：山東正元建設(shè)工程有限責(zé)任公司

參考文獻(xiàn)

［1］鄭惠娜．章超樺．秦小明．肖秀春，等．人工神經(jīng)網(wǎng)絡(luò)在食品生物工程中的應(yīng)用［J］．食品工程，2012(01):16－19．

［2］鄒義懷．江成玉．李春輝，等．人工神經(jīng)網(wǎng)絡(luò)在邊坡穩(wěn)定性預(yù)測中的應(yīng)用［J］．礦冶，2011(04):38－41．

［3］曹建智．張健．人工神經(jīng)網(wǎng)絡(luò)在白洋淀水質(zhì)評價中的應(yīng)用［J］．電子技術(shù)與軟件工程，2016(08):261－262．

第3篇

【關(guān)鍵詞】極限學(xué)習(xí)機(jī) 故障診斷 神經(jīng)網(wǎng)絡(luò)

引言

隨著設(shè)備復(fù)雜化程度的提高，對故障診斷的快速性和準(zhǔn)確性提出了更高的要求。將神經(jīng)網(wǎng)絡(luò)應(yīng)用于故障診斷中已成為一個非常活躍的研究領(lǐng)域。利用神經(jīng)網(wǎng)絡(luò)強(qiáng)大的分類能力，進(jìn)行故障模式的分類與學(xué)習(xí)，診斷出故障。

Huang在前人研究的基礎(chǔ)上提出了一種稱為極限學(xué)習(xí)機(jī)（Extreme Learning Machine，ELM）的學(xué)習(xí)方法，在保留計算精度的同時可以大幅度的縮減訓(xùn)練的時間。將ELM運(yùn)用到設(shè)備故障診斷中，極大提高了診斷的快速性和準(zhǔn)確性。

一、極限學(xué)習(xí)機(jī)研究現(xiàn)狀

ELM自2004年提出就一直受到學(xué)者的極大興趣。我們從ELM的理論和應(yīng)用兩方面進(jìn)行闡述。

1.1 ELM的理論

對于傳統(tǒng)ELM算法，網(wǎng)絡(luò)結(jié)構(gòu)、激活函數(shù)類型以及隱層神經(jīng)元的選擇對其泛化性能都有重要的影響。為了提高計算效率，使得ELM適用于更多應(yīng)用領(lǐng)域，研究者提出了許多ELM擴(kuò)展算法。

1.2 ELM的應(yīng)用

研究人員已嘗試?yán)肊LM方法解決現(xiàn)實(shí)中各種模式分類問題。隨著ELM自身理論的進(jìn)一步發(fā)展和完善，在人臉識別、文本分類、醫(yī)療診斷等領(lǐng)域中應(yīng)用廣泛。

二、故障診斷技術(shù)研究現(xiàn)狀

故障診斷技術(shù)是由于建立監(jiān)控系統(tǒng)的需要而發(fā)展起來的。其發(fā)展至今經(jīng)歷了3個階段。新的診斷技術(shù)帶來了領(lǐng)域內(nèi)算法的革新，設(shè)備精密程度的提高也對診斷實(shí)時性提出了更高的要求。如何保證故障的快速準(zhǔn)確診斷成了診斷技術(shù)發(fā)展重要內(nèi)容。

基于神經(jīng)網(wǎng)絡(luò)的故障診斷運(yùn)用廣泛，然而傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方法存在許多問題。與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)相比，極限學(xué)習(xí)機(jī)方法通過隨機(jī)選取輸入權(quán)值及隱層單元的偏置值，可以產(chǎn)生唯一的最優(yōu)解，并具有參數(shù)易于選擇以及泛化能力好等特點(diǎn)，在眾多領(lǐng)域有著廣泛應(yīng)用。

三、基于極限學(xué)習(xí)機(jī)的故障診斷方法研究

3.1基于ELM的故障診斷流程

（1）數(shù)據(jù)預(yù)處理。按照選取的特征向量和故障類型對故障樣本進(jìn)行預(yù)處理，并將處理后的樣本按比例分為訓(xùn)練樣本集和測試樣本集。

（2）ELM的學(xué)習(xí)算法主要有以下3個步驟：確定隱含層神經(jīng)元個數(shù)；隨機(jī)設(shè)定輸入層與隱含層間的連接權(quán)值和隱含層神經(jīng)元的偏置；選擇隱含層神經(jīng)元激活函數(shù)，進(jìn)而計算隱含層輸出矩陣計算輸出層權(quán)值。

（3）用訓(xùn)練好的ELM模型對測試樣本集進(jìn)行分類，并輸出分類結(jié)果。

3.2基于改進(jìn)ELM的故障診斷

針對極限學(xué)習(xí)機(jī)神經(jīng)網(wǎng)絡(luò)初始權(quán)閾值對算法性能的影響問題，提出融合遺傳算法（GA）與粒子群算法（PSO）的GA-PSO算法，用于優(yōu)化ELM神經(jīng)網(wǎng)絡(luò)初始權(quán)閾值。該算法將群組一分為二，分別采用GA和PSO算法，再將優(yōu)秀個體進(jìn)行合并，改善了PSO算法全局搜索能力，同時增強(qiáng)GA算法的局部搜索效能。

第4篇

[關(guān)鍵詞]遺傳算法 灰色系統(tǒng) 專家系統(tǒng) 模糊控制 小波分析

一、前言

神經(jīng)網(wǎng)絡(luò)最早的研究20世紀(jì)40年代心理學(xué)家Mcculloch和數(shù)學(xué)家Pitts合作提出的，他們提出的MP模型拉開了神經(jīng)網(wǎng)絡(luò)研究的序幕。神經(jīng)網(wǎng)絡(luò)的發(fā)展大致經(jīng)過三個階段：1947~1969年為初期，在這期間科學(xué)家們提出了許多神經(jīng)元模型和學(xué)習(xí)規(guī)則， 如MP模型、HEBB學(xué)習(xí)規(guī)則和感知器等；1970~1986年為過渡期，這個期間神經(jīng)網(wǎng)絡(luò)研究經(jīng)過了一個低潮，繼續(xù)發(fā)展。在此期間，科學(xué)家們做了大量的工作，如Hopfield教授對網(wǎng)絡(luò)引入能量函數(shù)的概念，給出了網(wǎng)絡(luò)的穩(wěn)定性判據(jù)，提出了用于聯(lián)想記憶和優(yōu)化計算的途徑。1984年，Hiton教授提出Boltzman機(jī)模型。1986年Kumelhart等人提出誤差反向傳播神經(jīng)網(wǎng)絡(luò)，簡稱BP網(wǎng)絡(luò)。目前，BP網(wǎng)絡(luò)已成為廣泛使用的網(wǎng)絡(luò)；1987年至今為發(fā)展期，在此期間，神經(jīng)網(wǎng)絡(luò)受到國際重視，各個國家都展開研究，形成神經(jīng)網(wǎng)絡(luò)發(fā)展的另一個。神經(jīng)網(wǎng)絡(luò)具有以下優(yōu)點(diǎn)：

(1) 具有很強(qiáng)的魯棒性和容錯性，因?yàn)樾畔⑹欠植假A于網(wǎng)絡(luò)內(nèi)的神經(jīng)元中。

(2) 并行處理方法，使得計算快速。

(3) 自學(xué)習(xí)、自組織、自適應(yīng)性，使得網(wǎng)絡(luò)可以處理不確定或不知道的系統(tǒng)。

(4) 可以充分逼近任意復(fù)雜的非線性關(guān)系。

(5) 具有很強(qiáng)的信息綜合能力，能同時處理定量和定性的信息，能很好地協(xié)調(diào)多種輸入信息關(guān)系，適用于多信息融合和多媒體技術(shù)。

二、神經(jīng)網(wǎng)絡(luò)應(yīng)用現(xiàn)狀

神經(jīng)網(wǎng)絡(luò)以其獨(dú)特的結(jié)構(gòu)和處理信息的方法，在許多實(shí)際應(yīng)用領(lǐng)域中取得了顯著的成效，主要應(yīng)用如下：

(1) 圖像處理。對圖像進(jìn)行邊緣監(jiān)測、圖像分割、圖像壓縮和圖像恢復(fù)。

(2) 信號處理。能分別對通訊、語音、心電和腦電信號進(jìn)行處理分類；可用于海底聲納信號的檢測與分類，在反潛、掃雷等方面得到應(yīng)用。

(3) 模式識別。已成功應(yīng)用于手寫字符、汽車牌照、指紋和聲音識別，還可用于目標(biāo)的自動識別和定位、機(jī)器人傳感器的圖像識別以及地震信號的鑒別等。

(4) 機(jī)器人控制。對機(jī)器人眼手系統(tǒng)位置進(jìn)行協(xié)調(diào)控制，用于機(jī)械手的故障診斷及排除、智能自適應(yīng)移動機(jī)器人的導(dǎo)航。

(5) 衛(wèi)生保健、醫(yī)療。比如通過訓(xùn)練自主組合的多層感知器可以區(qū)分正常心跳和非正常心跳、基于BP網(wǎng)絡(luò)的波形分類和特征提取在計算機(jī)臨床診斷中的應(yīng)用。

(6) 焊接領(lǐng)域。國內(nèi)外在參數(shù)選擇、質(zhì)量檢驗(yàn)、質(zhì)量預(yù)測和實(shí)時控制方面都有研究，部分成果已得到應(yīng)用。

(7) 經(jīng)濟(jì)。能對商品價格、股票價格和企業(yè)的可信度等進(jìn)行短期預(yù)測。

(8) 另外，在數(shù)據(jù)挖掘、電力系統(tǒng)、交通、軍事、礦業(yè)、農(nóng)業(yè)和氣象等方面亦有應(yīng)用。

三、神經(jīng)網(wǎng)絡(luò)發(fā)展趨勢及研究熱點(diǎn)

1.神經(jīng)網(wǎng)絡(luò)研究動向

神經(jīng)網(wǎng)絡(luò)雖已在許多領(lǐng)域應(yīng)用中取得了廣泛的成功，但其發(fā)展還不十分成熟，還有一些問題需進(jìn)一步研究。

(1) 神經(jīng)計算的基礎(chǔ)理論框架以及生理層面的研究仍需深入。這方面的工作雖然很困難，但為了神經(jīng)計算的進(jìn)一步發(fā)展卻是非做不可的。

(2) 除了傳統(tǒng)的多層感知機(jī)、徑向基函數(shù)網(wǎng)絡(luò)、自組織特征映射網(wǎng)絡(luò)、自適應(yīng)諧振理論網(wǎng)絡(luò)、模糊神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)之外，一些新的模型和結(jié)構(gòu)很值得關(guān)注，例如最近興起的脈沖神經(jīng)網(wǎng)絡(luò)(spiking neural network)和支持向量機(jī)(support vector machine)。

(3) 神經(jīng)計算技術(shù)與其他技術(shù)尤其是進(jìn)化計算技術(shù)的結(jié)合以及由此而來的混合方法和混合系統(tǒng)，正成為一大研究熱點(diǎn)。

(4) 增強(qiáng)神經(jīng)網(wǎng)絡(luò)的可理解性是神經(jīng)網(wǎng)絡(luò)界需要解決的一個重要問題。這方面的工作在今后若干年中仍然會是神經(jīng)計算和機(jī)器學(xué)習(xí)界的一個研究熱點(diǎn)。

(5) 神經(jīng)網(wǎng)絡(luò)的應(yīng)用領(lǐng)域?qū)⒉粩鄶U(kuò)大，在未來的幾年中有望在一些領(lǐng)域取得更大的成功，特別是多媒體技術(shù)、醫(yī)療、金融、電力系統(tǒng)等領(lǐng)域。

2.研究熱點(diǎn)

(1)神經(jīng)網(wǎng)絡(luò)與遺傳算法的結(jié)合。遺傳算法與神經(jīng)網(wǎng)絡(luò)的結(jié)合主要體現(xiàn)在以下幾個方面：網(wǎng)絡(luò)連接權(quán)重的進(jìn)化訓(xùn)練；網(wǎng)絡(luò)結(jié)構(gòu)的進(jìn)化計算；網(wǎng)絡(luò)結(jié)構(gòu)和連接權(quán)重的同時進(jìn)化；訓(xùn)練算法的進(jìn)化設(shè)計。基于進(jìn)化計算的神經(jīng)網(wǎng)絡(luò)設(shè)計和實(shí)現(xiàn)已在眾多領(lǐng)域得到應(yīng)用，如模式識別、機(jī)器人控制、財政等，并取得了較傳統(tǒng)神經(jīng)網(wǎng)絡(luò)更好的性能和結(jié)果。但從總體上看，這方面研究還處于初期階段，理論方法有待于完善規(guī)范，應(yīng)用研究有待于加強(qiáng)提高。神經(jīng)網(wǎng)絡(luò)與進(jìn)化算法相結(jié)合的其他方式也有待于進(jìn)一步研究和挖掘。

(2)神經(jīng)網(wǎng)絡(luò)與灰色系統(tǒng)的結(jié)合。灰色系統(tǒng)理論是一門極有生命力的系統(tǒng)科學(xué)理論，自1982年華中理工大學(xué)的鄧聚龍教授提出灰色系統(tǒng)后迅速發(fā)展，以初步形成以灰色關(guān)聯(lián)空間為基礎(chǔ)的分析體系，以灰色模型為主體的模型體系，以灰色過程及其生存空間為基礎(chǔ)與內(nèi)的方法體系，以系統(tǒng)分析、建模、預(yù)測、決策、控制、評估為綱的技術(shù)體系。目前，國內(nèi)外對灰色系統(tǒng)的理論和應(yīng)用研究已經(jīng)廣泛開展，受到學(xué)者的普遍關(guān)注。灰色系統(tǒng)理論在在處理不確定性問題上有其獨(dú)到之處，并能以系統(tǒng)的離散時序建立連續(xù)的時間模型，適合于解決無法用傳統(tǒng)數(shù)字精確描述的復(fù)雜系統(tǒng)問題。

神經(jīng)網(wǎng)絡(luò)與灰色系統(tǒng)的結(jié)合方式有：(1) 神經(jīng)網(wǎng)絡(luò)與灰色系統(tǒng)簡單結(jié)合；(2) 串聯(lián)型結(jié)合；(3) 用神經(jīng)網(wǎng)絡(luò)增強(qiáng)灰色系統(tǒng)；(4) 用灰色網(wǎng)絡(luò)輔助構(gòu)造神經(jīng)網(wǎng)絡(luò)；(5) 神經(jīng)網(wǎng)絡(luò)與灰色系統(tǒng)的完全融合。

(3)神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)的結(jié)合。基于神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)的混合系統(tǒng)的基本出發(fā)點(diǎn)立足于將復(fù)雜系統(tǒng)分解成各種功能子系統(tǒng)模塊，各功能子系統(tǒng)模塊分別由神經(jīng)網(wǎng)絡(luò)或?qū)＜蚁到y(tǒng)實(shí)現(xiàn)。其研究的主要問題包括：混合專家系統(tǒng)的結(jié)構(gòu)框架和選擇實(shí)現(xiàn)功能子系統(tǒng)方式的準(zhǔn)則兩方面。由于該混合系統(tǒng)從根本上拋開了神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)的技術(shù)限制，是當(dāng)前研究的熱點(diǎn)。把粗集神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)用于醫(yī)學(xué)診斷，表明其相對于傳統(tǒng)方法的優(yōu)越性。

(4)神經(jīng)網(wǎng)絡(luò)與模糊邏輯的結(jié)合

模糊邏輯是一種處理不確定性、非線性問題的有力工具。它比較適合于表達(dá)那些模糊或定性的知識，其推理方式比較類似于人的思維方式，這都是模糊邏輯的優(yōu)點(diǎn)。但它缺乏有效的自學(xué)習(xí)和自適應(yīng)能力。

而將模糊邏輯與神經(jīng)網(wǎng)絡(luò)結(jié)合，則網(wǎng)絡(luò)中的各個結(jié)點(diǎn)及所有參數(shù)均有明顯的物理意義，因此這些參數(shù)的初值可以根據(jù)系統(tǒng)的模糊或定性的知識來加以確定，然后利用學(xué)習(xí)算法可以很快收斂到要求的輸入輸出關(guān)系，這是模糊神經(jīng)網(wǎng)絡(luò)比單純的神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)所在。同時，由于它具有神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，因而參數(shù)的學(xué)習(xí)和調(diào)整比較容易，這是它比單純的模糊邏輯系統(tǒng)的優(yōu)點(diǎn)所在。模糊神經(jīng)網(wǎng)絡(luò)控制已成為一種趨勢，它能夠提供更加有效的智能行為、學(xué)習(xí)能力、自適應(yīng)特點(diǎn)、并行機(jī)制和高度靈活性，使其能夠更成功地處理各種不確定的、復(fù)雜的、不精確的和近似的控制問題。

模糊神經(jīng)控制的未來研究應(yīng)集中于以下幾個方面：

(1) 研究模糊邏輯與神經(jīng)網(wǎng)絡(luò)的對應(yīng)關(guān)系，將對模糊

控制器的調(diào)整轉(zhuǎn)化為等價的神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程，用等價的模糊邏輯來初始化神經(jīng)網(wǎng)絡(luò)；

(2) 完善模糊神經(jīng)控制的學(xué)習(xí)算法，以提高控制算法的速度與性能，可引入遺傳算法、BC算法中的模擬退火算法等，以提高控制性能；

(3) 模糊控制規(guī)則的在線優(yōu)化，可提高控制器的實(shí)時性與動態(tài)性能；

(4) 需深入研究系統(tǒng)的穩(wěn)定性、能控性、能觀性以及平衡吸引子、混沌現(xiàn)象等非線性動力學(xué)特性。

關(guān)于神經(jīng)網(wǎng)絡(luò)與模糊邏輯相結(jié)合的研究已有很多，比如，用于氬弧焊、機(jī)器人控制等。

(5)神經(jīng)網(wǎng)絡(luò)與小波分析的結(jié)合

小波變換是對Fourier分析方法的突破。它不但在時域和頻域同時具有良好的局部化性質(zhì)，而且對低頻信號在頻域和對高頻信號在時域里都有很好的分辨率，從而可以聚集到對象的任意細(xì)節(jié)。

利用小波變換的思想初始化小波網(wǎng)絡(luò)，并對學(xué)習(xí)參數(shù)加以有效約束，采用通常的隨機(jī)梯度法分別對一維分段函數(shù)、二維分段函數(shù)和實(shí)際系統(tǒng)中汽輪機(jī)壓縮機(jī)的數(shù)據(jù)做了仿真試驗(yàn)，并與神經(jīng)網(wǎng)絡(luò)、小波分解的建模做了比較，說明了小波網(wǎng)絡(luò)在非線性系統(tǒng)黑箱建模中的優(yōu)越性。小波神經(jīng)網(wǎng)絡(luò)用于機(jī)器人的控制，表明其具有更快的收斂速度和更好的非線性逼近能力。

四、結(jié)論

經(jīng)過半個多世紀(jì)的發(fā)展，神經(jīng)網(wǎng)絡(luò)理論在模式識別、自動控制、信號處理、輔助決策、人工智能等眾多研究領(lǐng)域取得了廣泛的成功，但其理論分析方法和設(shè)計方法還有待于進(jìn)一步發(fā)展。相信隨著神經(jīng)網(wǎng)絡(luò)的進(jìn)一步發(fā)展，其將在工程應(yīng)用中發(fā)揮越來越大的作用。

參考文獻(xiàn)：

[1]張曾科.模糊數(shù)學(xué)在自動化技術(shù)中的應(yīng)用[M].清華大學(xué)出版社，1997.

[2]李士勇.模糊控制?神經(jīng)控制和智能控制論[M].哈爾濱工業(yè)大學(xué)出版，1996.250-387.

[3]謝聯(lián)峻.模糊控制在列車自動駕駛中的應(yīng)用[J].自動化與儀器儀表，1999，(4).

[4]Collier W C，Weiland，R J Smart Carts，Smart Highways[J].IEEE Spec-trum，1994，31(4)：27-33.

[5]Hatwal H，Mikulcik E C.some Inverse Solutions to an Automobile Path Tracking Problem with Input Control of Steeringand Breaks，Ve-hicle system Dynamics，1986，(15)：61-71.

[6]Kosuge K，F(xiàn)ukuda T，Asada H.Acquisition if Human Skills for Robotic System[C].In：Proc IEEE Int Symp On Intelligen Control，1991.469-489.

[7]王小平，曹立明.遺傳算法―理論、應(yīng)用與軟件實(shí)現(xiàn).西安交通大學(xué)出版社，2002.

[8]Maniezzo V.Genetic evolution of the topologh and weight distribution

of neural network[J].IEEE Trans on Neural Network，1994，5(1)35-67.

[9]Harrald P G，Kamstra M.Evolving artificial neural networks to combine financial forecase[J].IEEE Trans on Evol Computer ，1997，1(1)：39-54.

[10]鄧聚龍.灰色系統(tǒng)理論教程.華中理工大學(xué)出版社，1990.

[11]呂宏輝，鐘珞，夏紅霞.灰色系統(tǒng)與神經(jīng)網(wǎng)絡(luò)融合技術(shù)探索.微機(jī)發(fā)展，2000，23(4)：67-109.

第5篇

本文建立相應(yīng)的BP神經(jīng)網(wǎng)絡(luò)模型，根據(jù)民生銀行信貸信用評級指標(biāo)體系，選取BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練樣本和檢驗(yàn)樣本。將訓(xùn)練樣本輸入BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，BP神經(jīng)網(wǎng)絡(luò)模型完成訓(xùn)練后，用檢驗(yàn)樣本對本文建立的BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行檢驗(yàn)。完成訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)模型將根據(jù)企業(yè)的信用評級信息計算出企業(yè)信用得分的預(yù)測值，從而使商業(yè)銀行規(guī)避信貸過程中的信用風(fēng)險，起到風(fēng)險預(yù)警功能。

關(guān)鍵詞：

BP神經(jīng)網(wǎng)絡(luò)；信貸信用；風(fēng)險預(yù)警

我國一直沒有建立起符合市場規(guī)范的信用體系，信用風(fēng)險是商業(yè)銀行面臨的最傳統(tǒng)最基本的風(fēng)險形式，也是最難于控制和管理的風(fēng)險形式。本文建立相應(yīng)的BP神經(jīng)網(wǎng)絡(luò)模型，根據(jù)民生銀行信貸信用評級指標(biāo)體系，選取20個企業(yè)的信用評級信息作為BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練樣本，選取10個企業(yè)的信用評級信息作為BP神經(jīng)網(wǎng)絡(luò)模型的檢驗(yàn)樣本。將訓(xùn)練樣本輸入BP神經(jīng)網(wǎng)絡(luò)，讓BP神經(jīng)網(wǎng)絡(luò)根據(jù)信貸企業(yè)信用得分的輸出值與真實(shí)值之間的誤差不斷調(diào)節(jié)各個神經(jīng)元之間的權(quán)值與閥值，當(dāng)誤差滿足要求時，BP神經(jīng)網(wǎng)絡(luò)模型完成訓(xùn)練。BP神經(jīng)網(wǎng)絡(luò)模型完成訓(xùn)練后，對本文建立的BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行檢驗(yàn)[1]。完成訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)模型將根據(jù)企業(yè)的信用評級信息計算出企業(yè)信用得分的預(yù)測值，為商業(yè)銀行信貸過程中的信用風(fēng)險進(jìn)行預(yù)測評價，從而使商業(yè)銀行規(guī)避信貸過程中的信用風(fēng)險，起到風(fēng)險預(yù)警功能。

一、BP神經(jīng)網(wǎng)絡(luò)理論

BP神經(jīng)網(wǎng)絡(luò)理論是學(xué)習(xí)過程由信號的正向傳播與誤差的反向傳播兩個過程組成。正向傳播時，輸入樣本從輸入層傳人，經(jīng)各隱層逐層處理后，傳向輸出層。若輸出層的實(shí)際輸出與期望的輸出（教師信號）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以某種形式通過隱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，此誤差信號即作為修正各單元權(quán)值的依據(jù)。這種信號正向傳播與誤差反向傳播的各層權(quán)值調(diào)整過程是周而復(fù)始地進(jìn)行的[2]。權(quán)值不斷調(diào)整的過程，也就是網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練過程。此過程一直進(jìn)行到網(wǎng)絡(luò)輸出的誤差減少到可接受的程度，或進(jìn)行到預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止。

（一）BP網(wǎng)絡(luò)模型

采用BP算法的多層感知器是至今為止應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)，在多層感知器的應(yīng)用中，單隱層網(wǎng)絡(luò)的應(yīng)用最為普遍。一般習(xí)慣將單隱層感知器稱為三層感知器，所謂三層包括了輸入層、隱層和輸出層。三層感知器中，輸入向量為()T12,,...,,...,inX=xxxx；隱層輸出向量為()T12,,...,,...,jmY=yyyy；輸出層輸出向量為()T12,,...,,...,klO=oooo；期望輸出向量為()T12,,...,,...,kld=dddd。輸入層到隱層之間的權(quán)值矩陣用V表示，()T12,,...,,...,jmV=VVVV，其中列向量jV為隱層第j個神經(jīng)元對應(yīng)的權(quán)向量；隱層到輸出層之間的權(quán)值矩陣用W表示，()T12,,...,,...,kiW=WWWW，其中列向量kW為輸出層第k個神經(jīng)元對應(yīng)的權(quán)向量[3]。下面分析各層信號之間的數(shù)學(xué)關(guān)系。對于輸出層，有：(net)kko=fk=1,2,...,l（1）0netmkjkjjwy==∑k=1,2,...,l（2）對于隱層，有：(net)jjy=fj=1,2,...,m（3）0netnjijiivx==∑j=1,2,...,m（4）以上兩式中，轉(zhuǎn)移函數(shù)f(x)均為單極性Sigmoid函數(shù)：1()1xfxe−=+（5）f(x)具有連續(xù)、可導(dǎo)的特點(diǎn)，且有：f′(x)=f(x)[1−f(x)]（6）根據(jù)應(yīng)用需要，也可以采用雙極性Sigmoid函數(shù)（或稱雙曲線正切函數(shù)）：1()1xxefxe−−−=+（7）式（1）～式（7）共同構(gòu)成了三層感知器的數(shù)學(xué)模型。

（二）網(wǎng)絡(luò)訓(xùn)練與檢驗(yàn)

網(wǎng)絡(luò)設(shè)計完成后，要應(yīng)用訓(xùn)練樣本進(jìn)行訓(xùn)練。訓(xùn)練時對所有樣本正向運(yùn)行一輪并反向修改權(quán)值一次稱為一次訓(xùn)練。在訓(xùn)練過程中要反復(fù)使用樣本集數(shù)據(jù)，但每一輪最好不要按固定的順序取數(shù)據(jù)，通常訓(xùn)練一個網(wǎng)絡(luò)需要很多次。網(wǎng)絡(luò)的性能好壞主要看其是否具有很好的泛化能力，而對泛化能力的測試不能用訓(xùn)練集的數(shù)據(jù)進(jìn)行，要用訓(xùn)練集以外的測試數(shù)據(jù)來進(jìn)行檢驗(yàn)[4]。一般的做法是，將收集到的可用樣本隨機(jī)地分為兩部分，一部分作為訓(xùn)練樣本，另一部分作為檢驗(yàn)樣本。

二、基于BP神經(jīng)網(wǎng)絡(luò)的民生銀行信用風(fēng)險評價研究

（一）建立保險公司投資風(fēng)險評價指標(biāo)體系

貸款信用評級財務(wù)指標(biāo)包括貸款企業(yè)經(jīng)營管理能力、貸款企業(yè)債務(wù)償還能力和貸款企業(yè)持續(xù)發(fā)展能力。貸款企業(yè)經(jīng)營管理能力包括五個指標(biāo)，分別是資產(chǎn)報酬率、流動資產(chǎn)周轉(zhuǎn)率、應(yīng)收賬款周轉(zhuǎn)率、主營收入現(xiàn)金含量、成本費(fèi)用利潤率；貸款企業(yè)債務(wù)償還能力包括五個指標(biāo)，分別是流動比率、利息保障倍數(shù)、資產(chǎn)負(fù)債率、現(xiàn)金流與流動負(fù)債比、凈資產(chǎn)與貸款余額比；貸款企業(yè)持續(xù)發(fā)展能力包括三個指標(biāo)，分別是凈資產(chǎn)增長率、主營利潤增長率、工資福利增長率。貸款信用評級非財務(wù)指標(biāo)包括五個指標(biāo)，分別財務(wù)報表質(zhì)量評價、企業(yè)員工能力、企業(yè)經(jīng)營者履歷、企業(yè)經(jīng)營者信譽(yù)、行業(yè)現(xiàn)狀及前景。

（二）BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練

選取20個企業(yè)的信用評級信息作為BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練樣本。根據(jù)民生銀行信貸信用評級指標(biāo)體系，訓(xùn)練樣本的輸入向量X由18個指標(biāo)組成，分別是資產(chǎn)報酬率1x、流動資產(chǎn)周轉(zhuǎn)率2x、應(yīng)收賬款周轉(zhuǎn)率3x、主營收入現(xiàn)金含量4x、成本費(fèi)用利潤率5x、流動比率6x、利息保障倍數(shù)7x、資產(chǎn)負(fù)債率8x、現(xiàn)金流與流動負(fù)債比9x、凈資產(chǎn)與貸款余額比10x、凈資產(chǎn)增長率11x、主營利潤增長率12x、工資福利增長率13x、財務(wù)報表質(zhì)量評價14x、企業(yè)員工能力15x、企業(yè)經(jīng)營者履歷16x、企業(yè)經(jīng)營者信譽(yù)17x、行業(yè)現(xiàn)狀及前景18x。訓(xùn)練樣本的輸入向量T121718X=(x,x,,x,x)。訓(xùn)練樣本的輸出向量為Y，代表企業(yè)的信用得分。輸入BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練樣本如表1所示。建立的BP神經(jīng)網(wǎng)絡(luò)模型為三層網(wǎng)絡(luò)，拓?fù)浣Y(jié)構(gòu)為18-5-1。將20個訓(xùn)練樣本輸入BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，讓BP神經(jīng)網(wǎng)絡(luò)根據(jù)信貸企業(yè)信用得分的輸出值與真實(shí)值之間的誤差不斷調(diào)節(jié)各個神經(jīng)元之間的權(quán)值與閥值[5]。采用MATLAB7.0神經(jīng)網(wǎng)絡(luò)工具箱進(jìn)行運(yùn)算，當(dāng)誤差平方和小于10-5時，訓(xùn)練終止。訓(xùn)練樣本中各個信貸企業(yè)的真實(shí)信用得分和BP神經(jīng)網(wǎng)絡(luò)模型輸出值。

（三）BP神經(jīng)網(wǎng)絡(luò)模型檢驗(yàn)

由表1可以看出BP神經(jīng)網(wǎng)絡(luò)模型輸出值與信貸企業(yè)真實(shí)信用得分的誤差很小，下面對本文設(shè)計的BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行檢驗(yàn)。BP神經(jīng)網(wǎng)絡(luò)模型采用10個企業(yè)的信用評級信息作為檢驗(yàn)樣本。對本文建立的BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行檢驗(yàn)，將10個企業(yè)的信用評級信息作為檢驗(yàn)樣本輸入完成訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)模型，完成訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)模型將根據(jù)10個企業(yè)的信用評級信息計算出企業(yè)信用得分的預(yù)測值。檢驗(yàn)樣本中各個信貸企業(yè)的真實(shí)信用得分和BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測值如表2所示。根據(jù)表2的數(shù)據(jù)，得到信貸企業(yè)的真實(shí)信用得分和BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測值之間誤差曲線。檢驗(yàn)樣本中信貸企業(yè)的真實(shí)信用得分和BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測值的擬合度較高，部分樣本真實(shí)值與預(yù)測值基本重合。檢驗(yàn)樣本中信貸企業(yè)的真實(shí)信用得分和BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測值誤差值整體較小，最大誤差11.7%，最小誤差0.27%。假設(shè)以絕對誤差小于5%為容忍度，那么本文建立的BP神經(jīng)網(wǎng)絡(luò)模型的準(zhǔn)確率為70%。假設(shè)以絕對誤差小于10%為容忍度，那么本文建立的BP神經(jīng)網(wǎng)絡(luò)模型的準(zhǔn)確率為90%。

三、結(jié)論

1、檢驗(yàn)樣本中信貸企業(yè)的真實(shí)信用得分和BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測值的擬合度較高，樣本21、26、28的真實(shí)值與預(yù)測值基本重合，樣本24、25的真實(shí)值與預(yù)測值偏差較大。

2、檢驗(yàn)樣本中信貸企業(yè)的真實(shí)信用得分和BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測值誤差值整體較小，最大誤差11.7%，最小誤差0.27%。

3、假設(shè)以絕對誤差小于5%為容忍度，那么本文建立的BP神經(jīng)網(wǎng)絡(luò)模型的準(zhǔn)確率為70%。假設(shè)以絕對誤差小于10%為容忍度，那么本文建立的BP神經(jīng)網(wǎng)絡(luò)模型的準(zhǔn)確率為90%。計算結(jié)果表明本文建立的BP神經(jīng)網(wǎng)絡(luò)模型準(zhǔn)確率較高，可以為商業(yè)銀行信貸過程中的信用風(fēng)險進(jìn)行預(yù)測評價，從而使商業(yè)銀行規(guī)避信貸過程中的信用風(fēng)險，起到風(fēng)險預(yù)警功能。

參考文獻(xiàn)：

[1]許美玲,齊曉娜,李倩等.基于BP神經(jīng)網(wǎng)絡(luò)的村鎮(zhèn)銀行信用風(fēng)險預(yù)警模型的構(gòu)建[J].河南科技,2014(22).

[2]黃夢宇.基于BP神經(jīng)網(wǎng)絡(luò)的手機(jī)銀行風(fēng)險預(yù)警模型研究[J].時代金融(下旬),2014(4).

[3]遲國泰,陳國斌,遲楓等.基于神經(jīng)網(wǎng)絡(luò)的中國商業(yè)銀行效率綜合評價[J].哈爾濱工業(yè)大學(xué)學(xué)報,2006,38(4).

[4]于彤,李海東.基于BP神經(jīng)網(wǎng)絡(luò)的客戶信用風(fēng)險評價[J].現(xiàn)代電子技術(shù),2014(10).

第6篇

隨著計算機(jī)網(wǎng)絡(luò)、信息技術(shù)、自動化技術(shù)的進(jìn)步，極大的改變了我們的生活。人工神經(jīng)網(wǎng)絡(luò)技術(shù)是一種全新的控制技術(shù)，通過互聯(lián)網(wǎng)進(jìn)行動態(tài)模擬，從而建立一種新的控制互聯(lián)網(wǎng)的系統(tǒng)。經(jīng)過十幾年的發(fā)展，人工神經(jīng)網(wǎng)絡(luò)技術(shù)研究取得了巨大的進(jìn)步，已經(jīng)廣泛應(yīng)用在社會各個領(lǐng)域，使現(xiàn)代計算機(jī)中的難題得到了解決。本文主要從人工神經(jīng)網(wǎng)絡(luò)技術(shù)的概念出發(fā)，探討了它在現(xiàn)代社會領(lǐng)域的具體應(yīng)用。

【關(guān)鍵詞】人工神經(jīng)網(wǎng)絡(luò) 信息技術(shù) 發(fā)展趨勢

人工神經(jīng)網(wǎng)絡(luò)技術(shù)在處理實(shí)際問題主要包括兩個過程，一個是學(xué)習(xí)訓(xùn)練過程，另外一個是記憶聯(lián)想過程。近年來隨著人工網(wǎng)絡(luò)技術(shù)的發(fā)展，人工神經(jīng)網(wǎng)絡(luò)技術(shù)在信號處理、圖像處理、智能識別等領(lǐng)域已經(jīng)取得了巨大的改變，為人們研究各類科學(xué)問題提供了一種新的方法和手段，使人們在交通運(yùn)輸、人工智能、軍事、信息領(lǐng)域的工作更加便捷，近年來隨著AI的l展，人工神經(jīng)網(wǎng)絡(luò)技術(shù)得到了快速的發(fā)展階段。

1 人工神經(jīng)網(wǎng)絡(luò)技術(shù)

人工神經(jīng)網(wǎng)絡(luò)技術(shù)也稱ANN，是隨著上個世紀(jì)八十年代人工智能發(fā)展興起的一個研究熱點(diǎn)，它的主要工作原理對人腦神經(jīng)網(wǎng)絡(luò)進(jìn)行抽象處理，并仿造人腦神經(jīng)網(wǎng)絡(luò)建立簡單的模型，按照不同的連接方式組成一個完整的網(wǎng)絡(luò)，因此學(xué)術(shù)界也直接將它成為神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)其實(shí)就是一種運(yùn)算模型，它是通過大量的節(jié)點(diǎn)――神經(jīng)元連接起來的，其中不同的節(jié)點(diǎn)所代表的輸出函數(shù)也不同，也就是所謂的激勵函數(shù)；當(dāng)有兩個節(jié)點(diǎn)連接起來時稱之為通過該連接信號的加權(quán)值，也稱為權(quán)重，這就相當(dāng)人腦神經(jīng)網(wǎng)絡(luò)記憶。人工神經(jīng)網(wǎng)絡(luò)技術(shù)是采用并行分布式系統(tǒng)，這種工作機(jī)理與傳統(tǒng)的信息處理技術(shù)和人工智能技術(shù)完全不同，是一種全新的技術(shù)，它克服了傳統(tǒng)基于邏輯符號的人工智能處理非結(jié)構(gòu)信息化和直覺方面的缺陷，具有實(shí)時學(xué)習(xí)、自適應(yīng)性和自組織性等特點(diǎn)。

2 人工神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用分析

隨著人工神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展，它在模式識別、知識工程、信號處理、專家系統(tǒng)、機(jī)器人控制等方面的應(yīng)用較廣。

2.1 生物信號的檢測分析

目前大部分醫(yī)學(xué)檢測設(shè)備都是通過連續(xù)波形得到相關(guān)數(shù)據(jù)，從而根據(jù)所得數(shù)據(jù)對病情進(jìn)行診斷。人工神經(jīng)網(wǎng)絡(luò)技術(shù)就是應(yīng)用了這樣的方式將多個神經(jīng)元組合起來構(gòu)成，解決了生物醫(yī)學(xué)信號檢測方面的難題，其適應(yīng)性和獨(dú)立性強(qiáng)，分布貯藏功能多。在生物醫(yī)學(xué)領(lǐng)域該技術(shù)主要應(yīng)用于對心電信號、聽覺誘發(fā)電位信號、醫(yī)學(xué)圖像、肌電荷胃腸等信號的處理、識別和分析。

2.2 醫(yī)學(xué)專家系統(tǒng)

傳統(tǒng)的醫(yī)院專家系統(tǒng)是直接將專家的經(jīng)驗(yàn)、學(xué)歷、臨床診斷方面取得的成績等存儲在計算機(jī)中，構(gòu)建獨(dú)立的醫(yī)學(xué)知識庫，通過邏輯推理進(jìn)行診斷的一種方式。進(jìn)入到二十一世紀(jì)，醫(yī)院需要存儲的醫(yī)學(xué)知識越來越多，每天產(chǎn)生新的病況和知識，過去的一些專家系統(tǒng)顯然已經(jīng)無法適應(yīng)醫(yī)院的發(fā)展需求，因此醫(yī)院的效率很低。而人工神經(jīng)網(wǎng)絡(luò)技術(shù)的出現(xiàn)為醫(yī)院專家系統(tǒng)的構(gòu)建提出了新的發(fā)展方向，通過人工神經(jīng)網(wǎng)絡(luò)技術(shù)，系統(tǒng)能夠自主學(xué)習(xí)、自己組織、自行推理。因此在醫(yī)學(xué)專家系統(tǒng)中該網(wǎng)絡(luò)技術(shù)應(yīng)用面較廣。麻醉醫(yī)學(xué)、重癥醫(yī)學(xué)中生理變量分析和評估較多，目前臨床上一些還沒有確切證據(jù)或者尚未發(fā)現(xiàn)的關(guān)系與現(xiàn)象，通過人工神經(jīng)網(wǎng)絡(luò)便能有效地解決。

2.3 市場價格預(yù)測

在經(jīng)濟(jì)活動中，傳統(tǒng)統(tǒng)計方法受到一些因素的制約，無法對價格變動做出準(zhǔn)確的預(yù)測，因此難免在預(yù)測的時候出現(xiàn)失誤的現(xiàn)象。人工神經(jīng)網(wǎng)絡(luò)技術(shù)能夠處理那些不完整的、規(guī)律不明顯、模糊不確定的數(shù)據(jù)，并作出有效地預(yù)測，因此人工神經(jīng)網(wǎng)絡(luò)技術(shù)具有傳統(tǒng)統(tǒng)計方法無法比擬的優(yōu)勢。例如人工神經(jīng)網(wǎng)絡(luò)技術(shù)可以通過分析居民人均收入、貸款利率和城市化發(fā)展水平，從而組建一個完整的預(yù)測模型，準(zhǔn)確預(yù)測出商品的價格變動情況。

2.4 風(fēng)險評價

在從事某一項(xiàng)特定的活動時，由于社會上一些不確定因素，可能造成當(dāng)事人經(jīng)濟(jì)上或者其他方面的損失。因此在進(jìn)行某一項(xiàng)活動時，對活動進(jìn)行有效的預(yù)測和評估，避免風(fēng)險。人工神經(jīng)網(wǎng)絡(luò)技術(shù)可以根據(jù)風(fēng)險的實(shí)際來源，構(gòu)筑一套信用風(fēng)險模型結(jié)構(gòu)和風(fēng)險評估系數(shù)，從而提出有效地解決方案。通過信用風(fēng)險模型分析彌補(bǔ)主觀預(yù)測方面的不足，從而達(dá)到避免風(fēng)險的目的。

3 人工神經(jīng)網(wǎng)絡(luò)技術(shù)未來發(fā)展

人工神經(jīng)網(wǎng)絡(luò)克服了傳統(tǒng)人工智能對語言識別、模式、非結(jié)構(gòu)化信息處理的缺陷，因此在模式識別、神經(jīng)專家系統(tǒng)、智能控制、信息處理和天氣預(yù)測等領(lǐng)域廣泛應(yīng)用。隨著科學(xué)技術(shù)的進(jìn)步，AI的快速發(fā)展，AI與遺傳算法、模糊系統(tǒng)等方面結(jié)合，形成了計算智能，很多企業(yè)和國家開始大規(guī)模研發(fā)AI，人工神經(jīng)網(wǎng)絡(luò)正在模擬人類認(rèn)知的方向發(fā)展，目前市場已經(jīng)有很多不少人工智能產(chǎn)品面世。

4 結(jié)語

通過上述研究分析，人工神經(jīng)網(wǎng)絡(luò)技術(shù)已經(jīng)取得了相應(yīng)的發(fā)展，但還存在很多不足：應(yīng)用范圍狹窄、預(yù)測精度低、通用模型缺乏創(chuàng)新等，因此需要我們在此基礎(chǔ)上不斷尋找新的突破點(diǎn)，加強(qiáng)對生物神經(jīng)元系統(tǒng)的研究和探索，進(jìn)一步挖掘其潛在的價值，將人工神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用在更多領(lǐng)域中，為社會創(chuàng)造更大的財富。

參考文獻(xiàn)

[1]周文婷，孟琪.運(yùn)動員賽前心理調(diào)控的新策略――基于人工神經(jīng)網(wǎng)絡(luò)技術(shù)的比賽場地聲景預(yù)測（綜述）[J].哈爾濱體育學(xué)院學(xué)報，2015，33（03）：15-21.

[2]張紅蘭.人工神經(jīng)網(wǎng)絡(luò)技術(shù)的應(yīng)用現(xiàn)狀分析[J].中國新通信，2014（02）：76-76.

[3]張廣軍.人工神經(jīng)網(wǎng)絡(luò)技術(shù)在光電檢測中的應(yīng)用[J].北京航空航天大學(xué)學(xué)報，2001，27（05）：564-568.

第7篇

【關(guān)鍵詞】互聯(lián)網(wǎng)+ 入侵監(jiān)測 安全防御 遺傳算法

1 引言

入侵檢測是一種網(wǎng)絡(luò)安全防御技術(shù)，其可以部署于網(wǎng)絡(luò)防火墻、訪問控制列表等軟件中，可以檢測流入到系統(tǒng)中的數(shù)據(jù)流，并且識別數(shù)據(jù)流中的網(wǎng)絡(luò)包內(nèi)容，判別數(shù)據(jù)流是否屬于木馬和病毒等不正常數(shù)據(jù)。目前，網(wǎng)絡(luò)安全入侵檢測技術(shù)已經(jīng)誕生了多種，比如狀態(tài)檢測技術(shù)和深度包過濾技術(shù)，有效提高了網(wǎng)絡(luò)安全識別、處理等防御能力。

2 “互聯(lián)網(wǎng)+”時代網(wǎng)絡(luò)安全管理現(xiàn)狀

目前，我國已經(jīng)進(jìn)入到了“互聯(lián)網(wǎng)+”時代，互聯(lián)網(wǎng)已經(jīng)應(yīng)用到了金融、民生、工業(yè)等多個領(lǐng)域。互聯(lián)網(wǎng)的繁榮為人們帶來了許多的便利，同時互聯(lián)網(wǎng)安全事故也頻頻出現(xiàn)，網(wǎng)絡(luò)病毒、木馬和黑客攻擊技術(shù)也大幅度改進(jìn)，并且呈現(xiàn)出攻擊渠道多樣化、威脅智能化、范圍廣泛化等特點(diǎn)。

2.1 攻擊渠道多樣化

目前，網(wǎng)絡(luò)設(shè)備、應(yīng)用接入渠道較多，按照內(nèi)外網(wǎng)劃分為內(nèi)網(wǎng)接入、外網(wǎng)接入；按照有線、無線可以劃分為有線接入、無線接入；按照接入設(shè)備可以劃分為PC接入、移動智能終端接入等多種類別，接入渠道較多，也為攻擊威脅提供了較多的入侵渠道。

2.2 威脅智能化

攻擊威脅程序設(shè)計技術(shù)的提升，使得病毒、木馬隱藏的周期更長，行為更加隱蔽，傳統(tǒng)的網(wǎng)絡(luò)木馬、病毒防御工具無法查殺。

2.3 破壞范圍更廣

隨著網(wǎng)絡(luò)及承載的應(yīng)用軟件集成化增強(qiáng)，不同類型的系統(tǒng)管理平臺都通過SOA架構(gòu)、ESB技術(shù)接入到網(wǎng)絡(luò)集群平臺上，一旦某個系統(tǒng)受到攻擊，病毒可以在很短的時間內(nèi)傳播到其他子系統(tǒng)，破壞范圍更廣。

3 “互聯(lián)網(wǎng)+”時代網(wǎng)絡(luò)安全入侵檢測功能設(shè)計

入侵檢測業(yè)務(wù)流程包括三個階段，分別是采集網(wǎng)絡(luò)數(shù)據(jù)、分析數(shù)據(jù)內(nèi)容和啟動防御措施，能夠?qū)崟r預(yù)估網(wǎng)絡(luò)安全防御狀況，保證網(wǎng)絡(luò)安全運(yùn)行，如圖1所示。

網(wǎng)絡(luò)安全入侵檢測過程中，為了提高入侵檢測準(zhǔn)確度，引入遺傳算法和BP神經(jīng)網(wǎng)絡(luò)，結(jié)合這兩種數(shù)據(jù)挖掘算法的優(yōu)勢，設(shè)計了一個遺傳神經(jīng)網(wǎng)絡(luò)算法，業(yè)務(wù)流程如下：

（1）采集網(wǎng)絡(luò)數(shù)據(jù)，獲取數(shù)據(jù)源。

（2）利用遺傳神經(jīng)網(wǎng)絡(luò)識別數(shù)據(jù)內(nèi)容，對數(shù)據(jù)進(jìn)行建模，將獲取的網(wǎng)絡(luò)數(shù)據(jù)包轉(zhuǎn)換為神經(jīng)網(wǎng)絡(luò)能夠識別的數(shù)學(xué)向量。

（3）使用已知的、理想狀態(tài)的數(shù)據(jù)對遺傳神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

（4）使用訓(xùn)練好的遺傳神經(jīng)網(wǎng)絡(luò)對網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行檢測。

（5）保存遺傳神經(jīng)網(wǎng)絡(luò)檢測的結(jié)果。

（6）網(wǎng)絡(luò)安全響應(yīng)。

遺傳神經(jīng)網(wǎng)絡(luò)在入侵檢測過程中包括兩個階段，分別是訓(xùn)練學(xué)習(xí)階段和檢測分析階段。

（1）訓(xùn)練學(xué)習(xí)階段。遺傳神經(jīng)網(wǎng)絡(luò)訓(xùn)練學(xué)習(xí)可以生成一個功能完善的、識別準(zhǔn)確的入侵檢測模型，系統(tǒng)訓(xùn)練學(xué)習(xí)流程如下：給定樣本庫和期望輸出參數(shù)，將兩者作為遺傳神經(jīng)網(wǎng)絡(luò)輸入?yún)?shù)，學(xué)習(xí)樣本中包含非常典型的具有攻擊行為特征的樣本數(shù)據(jù)和正常數(shù)據(jù)，通過訓(xùn)練學(xué)習(xí)得到的遺傳神經(jīng)網(wǎng)絡(luò)可以與輸入的期望結(jié)果進(jìn)行比較和分析，直到期望輸出的誤差可以達(dá)到人們的期望值。

（2）檢測分析階段。遺傳神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)束之后，使用權(quán)值的形式將其保存起來，將其應(yīng)用到實(shí)際網(wǎng)絡(luò)入侵檢測系統(tǒng)，能夠識別正常行為或異常行為。

4 結(jié)束語

互聯(lián)網(wǎng)的快速發(fā)展和普及為人們的工作、生活和學(xué)習(xí)帶來便利，但同時也潛在著許多威脅，采用先進(jìn)的網(wǎng)絡(luò)安全防御技術(shù)，以便提升網(wǎng)絡(luò)的安全運(yùn)行能力。入侵檢測是網(wǎng)絡(luò)安全主動防御的一個關(guān)鍵技術(shù)，入侵檢測利用遺傳算法和BP神經(jīng)網(wǎng)絡(luò)算法優(yōu)勢，可以準(zhǔn)確地構(gòu)建一個入侵檢測模型，準(zhǔn)確地檢測出病毒、木馬數(shù)據(jù)，啟動病毒木馬查殺軟件，清除網(wǎng)絡(luò)中的威脅，保證網(wǎng)絡(luò)正常運(yùn)行。

參考文獻(xiàn)

[1]徐振華.基于BP神經(jīng)網(wǎng)絡(luò)的分布式入侵檢測模型改進(jìn)算法研究[J].網(wǎng)絡(luò)安全技術(shù)與應(yīng)用，2016，24（2）：111-112.

[2]劉成.試論入侵檢測技術(shù)在網(wǎng)絡(luò)安全中的應(yīng)用與研究[J].網(wǎng)絡(luò)安全技術(shù)與應(yīng)用，2016，24（2）：74-75.

[3]周立軍，張杰，呂海燕.基于數(shù)據(jù)挖掘技術(shù)的網(wǎng)絡(luò)入侵檢測技術(shù)研究[J].現(xiàn)代電子技術(shù)，2016，18（6）：121-122.

[4]謝勝軍.云計算時代網(wǎng)絡(luò)安全現(xiàn)狀與防御措施探討[J].網(wǎng)絡(luò)安全技術(shù)與應(yīng)用，2016，26（2）：41-42.

第8篇

關(guān)鍵詞：

中圖分類號： TP391．4文獻(xiàn)標(biāo)識碼：A文章編號：2095－2163（2011）03－0043－04

Analysis of Training Results based on the Selection of

Parameters Influencing BP Neural Network

HAN Xue

Abstract： Pattern recognition includes two aspects : sample training and sample recognition. And sample training is the premise of sample recognition.Of course, there are lots of training samples and the samples are representative, whichis good, but not the more the better. In the process of training the neural network, it is very important how to determine various parameters that is beneficial to the training efficiency such as the weights and threshold values. This paper is aimed at the use of a simple sample for neural network training, changes parameter values for observing the training effect, thus obtains the different output results and the diagrams. Further study and comparison are carried outto find out the optimal parameter settings. And the experiment method and the conclusion are helpful for application in other identification system development.

Key words：

0引言

在對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練的過程中，很多時候，一些基本參數(shù)和訓(xùn)練函數(shù)參數(shù)是隨機(jī)生成的，但是訓(xùn)練效率并不高。對于BP神經(jīng)網(wǎng)絡(luò)所應(yīng)用的不同領(lǐng)域，這些參數(shù)的設(shè)置也有所區(qū)別。怎樣才能使得訓(xùn)練網(wǎng)絡(luò)的效率更高，就需要了解參數(shù)的變化對于訓(xùn)練結(jié)果的影響。本文要解決的問題就是變化其中的各項(xiàng)參數(shù)值，對得到的不同訓(xùn)練結(jié)果進(jìn)行對比分析，并找出相關(guān)規(guī)律。

1研究現(xiàn)狀

“神經(jīng)網(wǎng)絡(luò)”的研究內(nèi)容主要包括人工神經(jīng)網(wǎng)絡(luò)、生物神經(jīng)網(wǎng)絡(luò)、認(rèn)知科學(xué)和混沌。

在研究方法上，對于神經(jīng)網(wǎng)絡(luò)的研究已經(jīng)收獲了很多不同的研究方法，比較重要且已有一定成果的研究有多層網(wǎng)絡(luò) BP算法、Hopfield網(wǎng)絡(luò)模型、自適應(yīng)共振理論和自組織特征映射理論等。

在研究領(lǐng)域上也可以分為理論研究和應(yīng)用研究兩大方面。理論研究包括兩個方面：其一是理論上的深入研究，通過對已有算法的性能分析來探索功能更完善、效率更高的神經(jīng)網(wǎng)絡(luò)模型，包括對穩(wěn)定性、收斂性、容錯性、魯棒性等各個性能的最優(yōu)化研究；其二是朝著智能的方向發(fā)展，利用神經(jīng)生理與認(rèn)知科學(xué)對人類思維和智能機(jī)理進(jìn)行研究。應(yīng)用研究也包含了兩個方面，分別是神經(jīng)網(wǎng)絡(luò)的軟硬件研究和神經(jīng)網(wǎng)絡(luò)在各個領(lǐng)域中應(yīng)用的研究，其中包括：模式識別、信號處理、知識工程、專家系統(tǒng)、優(yōu)化組合、機(jī)器人控制等[1]。

BP神經(jīng)網(wǎng)絡(luò)是當(dāng)前最流行、應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。但是仍存在一些缺陷，如訓(xùn)練速度較慢，所以很多學(xué)者正在尋找快速有效的BP學(xué)習(xí)算法，而且也取得了一些成效，最重要的幾種快速變體有QuickProp[Fah88]、 SuperSAB [Tol90]和共軛梯度法[Bat92][1]。

除了收斂速度較慢之外，BP神經(jīng)網(wǎng)絡(luò)還存在一些缺點(diǎn)：容易在優(yōu)化的過程中產(chǎn)生局部最優(yōu)解而不是全局最優(yōu)解；在對新樣本訓(xùn)練的同時容易遺忘舊的樣本。基于對以上缺陷的改進(jìn)，目前已有了一些行之有效的解決方法。

為了提高網(wǎng)絡(luò)訓(xùn)練速度，在調(diào)整權(quán)值時增加了動量項(xiàng)，從而對某時刻前后的梯度方向都進(jìn)行了必要的考慮；為了加快算法收斂速度，采用了自適應(yīng)學(xué)習(xí)率調(diào)節(jié)的方法，如VLBP神經(jīng)網(wǎng)絡(luò)，后面的實(shí)驗(yàn)中還會進(jìn)一步比較介紹。

目前，BP神經(jīng)網(wǎng)絡(luò)作為很重要的神經(jīng)網(wǎng)絡(luò)模型之一，在很多應(yīng)用領(lǐng)域中發(fā)揮著重要的作用，包括圖像壓縮編碼、人臉識別、分類、故障診斷、最優(yōu)預(yù)測等。

2算法原理

BP神經(jīng)網(wǎng)絡(luò)的基本思想是通過不斷地訓(xùn)練權(quán)值，并設(shè)有一個標(biāo)準(zhǔn)的輸出，每次訓(xùn)練以后得到的實(shí)際輸出與標(biāo)準(zhǔn)的輸出比較，設(shè)置一個最小誤差，達(dá)到這個誤差就表示網(wǎng)絡(luò)訓(xùn)練好了，否則繼續(xù)訓(xùn)練；經(jīng)過一定的訓(xùn)練次數(shù)后，若還沒有達(dá)到這個誤差標(biāo)準(zhǔn)，就表示網(wǎng)絡(luò)的設(shè)置有問題。本實(shí)驗(yàn)通過對參數(shù)的改變，尋找出最優(yōu)參數(shù)設(shè)置的規(guī)律。

3算法實(shí)現(xiàn)

使用matlab開發(fā)平臺，程序編寫分為定義輸入向量和目標(biāo)向量、創(chuàng)建 BP網(wǎng)絡(luò)設(shè)置訓(xùn)練函數(shù)、初始化權(quán)值閾值、設(shè)置訓(xùn)練函數(shù)參數(shù)、訓(xùn)練神經(jīng)網(wǎng)絡(luò)五個部分。進(jìn)行對比實(shí)驗(yàn)時，只需將相關(guān)參數(shù)進(jìn)行修改即可。對基本的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練時，設(shè)置基本參數(shù)：權(quán)值、閾值；訓(xùn)練函數(shù)參數(shù)：學(xué)習(xí)率、最后達(dá)到的均方誤差、最大步長。分別對學(xué)習(xí)率、均方誤差、初始權(quán)值、初始閾值進(jìn)行修改，對比實(shí)驗(yàn)結(jié)果；基本的BP神經(jīng)網(wǎng)絡(luò)中無法對學(xué)習(xí)率實(shí)現(xiàn)事先最優(yōu)，所以用VLBP神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)。

程序如下：

netbp．trainParam．goal＝0．0001／／設(shè)置最后達(dá)到的均方誤差為 0．0001

netbp．trainParam．epochs＝5000 ／／設(shè)置最大訓(xùn)練步長

[netbp，tr]＝train（netbp，p，t）

4實(shí)驗(yàn)結(jié)果

初始訓(xùn)練樣本的輸入設(shè)為[1；3]，期望輸出設(shè)為[0．95；0．05]，第一層的權(quán)值設(shè)為[1 2；－2 0]，第二層的權(quán)值設(shè)為[1 1；0 －2]，第一層的閾值設(shè)為[－3；1]，第二層的閾值設(shè)為[2；3]，學(xué)習(xí)率設(shè)為1，均方差設(shè)為0．0001。其實(shí)驗(yàn)仿真圖如圖1所示。

4．1改變學(xué)習(xí)率

只改變學(xué)習(xí)率的訓(xùn)練函數(shù)參數(shù)時，運(yùn)行程序后的對比結(jié)果如表1所示。

從表1中的實(shí)驗(yàn)結(jié)果可見：在其他條件不變、學(xué)習(xí)率增大的情況下，所需的訓(xùn)練步長變短，即誤差收斂速度快。但是學(xué)習(xí)率不可以無限制地增大，增大到一定程度后，誤差收斂速度將減慢，甚至有可能達(dá)不到誤差范圍內(nèi)，進(jìn)入局部穩(wěn)定狀態(tài)。

表1中的各組實(shí)驗(yàn)仿真圖如圖2－圖7所示。

4．2改變均方差

將均方差由原來的0．0001變?yōu)?．001后與原初始樣本參數(shù)對比結(jié)果如表2所示。

均方差變?yōu)?．001后的仿真圖如圖8所示。

可見，在其他條件一樣的前提下，將最后要達(dá)到的均方誤差值設(shè)置較大時，網(wǎng)絡(luò)訓(xùn)練步長變短，誤差收斂速度慢些，最后的輸出結(jié)果較為精確些。

4．3改變初始權(quán)值

將初始權(quán)值改變后的對比結(jié)果如表3所示。

改變初始權(quán)值后的仿真圖如圖9所示。

可見，后者的初始權(quán)值比較合適些，因此訓(xùn)練的時間變短，誤差收斂速度明顯快些。

4．4改變初始閾值

將初始閾值改變后的對比結(jié)果如表4所示。

改變初始閾值后的仿真圖如圖10所示。

可見，后者的初始閾值比較合適些，因此訓(xùn)練的時間變短，誤差收斂速度明顯快些。

4．5學(xué)習(xí)率可變的VLBP神經(jīng)網(wǎng)絡(luò)

用最基本的 BP 算法來訓(xùn)練 BP神經(jīng)網(wǎng)絡(luò)時，學(xué)習(xí)率、均方誤差、權(quán)值、閾值的設(shè)置都對網(wǎng)絡(luò)的訓(xùn)練均有影響。選取合理的參數(shù)值會有利于網(wǎng)絡(luò)的訓(xùn)練。在最基本的 BP算法中，學(xué)習(xí)率在整個訓(xùn)練過程是保持不變的。學(xué)習(xí)率過大，算法可能振蕩而不穩(wěn)定；學(xué)習(xí)率過小，則收斂速度慢，訓(xùn)練時間長。而在對網(wǎng)絡(luò)進(jìn)行訓(xùn)練之前是無法選擇最佳學(xué)習(xí)率的。

雖說學(xué)習(xí)率在訓(xùn)練前無法選最優(yōu)，但是在訓(xùn)練的過程中能否可變呢？因此BP神經(jīng)網(wǎng)絡(luò)的一種改進(jìn)算法VLBP可派上用場。也就是說，另外設(shè)置學(xué)習(xí)增量因子和學(xué)習(xí)減量因子，當(dāng)誤差以減少的方式趨于目標(biāo)時，說明修正方向正確，可以使步長增加，因此學(xué)習(xí)率乘以增量因子k，使學(xué)習(xí)率增加；而修正過頭時，應(yīng)減少步長，可以乘以減量因子k，使學(xué)習(xí)率減小。

程序設(shè)計中加入下列語句：

netbp＝newff（[－1 1；－1 1]，[2 2]，‘logsig’ ‘logsig’，‘traingdx’）

netbp．trainParam．lr＿inc＝1．1／／增量因子設(shè)為1．1

netbp．trainParam．lr＿dec＝0．65 ／／減量因子設(shè)為0．65

經(jīng)過訓(xùn)練后最后的輸出結(jié)果為[0．963 8；0．050 0]，訓(xùn)練步長為50，訓(xùn)練后第一層的權(quán)值為[1．004 5 2．013 5；－1．408 4 1．774 8]，訓(xùn)練后第二層的權(quán)值為[0．766 9 0．768 3；－1．544 7 －2．865 0]。

VLBP神經(jīng)網(wǎng)絡(luò)訓(xùn)練仿真圖如圖11所示。

觀察網(wǎng)絡(luò)的收斂速度，采用學(xué)習(xí)率可變的VLBP算法要比學(xué)習(xí)率不變BP算法收斂速度提高很多。以上兩種算法都是沿著梯度最陡的下降方向修正權(quán)值，誤差減小的速度最快。

5結(jié)束語

通過上述驗(yàn)證性實(shí)驗(yàn)，可以看出參數(shù)的選取對網(wǎng)絡(luò)的訓(xùn)練結(jié)果有著很大的影響，當(dāng)然BP算法還很多，但沒有一個算法適合所有 BP 網(wǎng)絡(luò)。在實(shí)際運(yùn)用時，需根據(jù)網(wǎng)絡(luò)自身的特點(diǎn)、誤差要求、收斂速度要求、存儲空間等來做具體選擇。

參考文獻(xiàn)：

[ 1 ] http：／／blog．csdn．net／zrjdds／archive／2008／01／02／2010730．a(chǎn)spx．

[ 2 ] 陳兆乾，周志華，陳世福． 神經(jīng)計算研究現(xiàn)狀及發(fā)展趨勢． 南京

大學(xué)計算機(jī)軟件新技術(shù)國家重點(diǎn)實(shí)驗(yàn)室，2008：3－7．

[ 3 ] 趙艷． 神經(jīng)計算與量子神經(jīng)計算的研究綜述[J]． 計算機(jī)與信息

第9篇

【關(guān)鍵詞】 功率預(yù)測 短期預(yù)測 均方根誤差

發(fā)電與用電必須實(shí)時平衡是電力系統(tǒng)運(yùn)行的重要特點(diǎn)，只有這樣系統(tǒng)才能保證安全和穩(wěn)定。因而無論在國內(nèi)還是國外，電網(wǎng)調(diào)度部門主要負(fù)責(zé)電力系統(tǒng)的調(diào)頻、調(diào)峰、安排發(fā)電計劃和備用容量等業(yè)務(wù)。對于新能源發(fā)電方面，尤其以光伏和風(fēng)電為代表，當(dāng)其在電力系統(tǒng)中達(dá)到較高透率時，準(zhǔn)確預(yù)測其輸出功率不僅有助于調(diào)度部門提前調(diào)整調(diào)度計劃來減輕光伏風(fēng)電間歇性對電網(wǎng)的影響，而且還可減少備用容量的安排，從而降低系統(tǒng)運(yùn)行成本。因此，新能源功率預(yù)測在電網(wǎng)調(diào)度領(lǐng)域占有舉足輕重的地位，更精確的預(yù)測風(fēng)能、太陽能發(fā)電功率有利于制定合理的電力調(diào)度計劃。

1 國內(nèi)外研究現(xiàn)狀

對新能源發(fā)電功率預(yù)測技術(shù)的研究較早起源于國外，尤其以丹麥、德國、瑞士、西班牙和日本等國的相關(guān)大學(xué)和科研機(jī)構(gòu)為代表。上世紀(jì)90年代丹麥開始大力發(fā)展風(fēng)電，促使了其不同公司或高校開始研究新能源功率預(yù)測問題。[1]相繼產(chǎn)生了多個產(chǎn)品，如Riso實(shí)驗(yàn)室開發(fā)了Prediktor系統(tǒng)，丹麥技術(shù)大學(xué)開發(fā)出WPPT（Wind Power Prediction Tool）系統(tǒng)，而后的用于風(fēng)電功率預(yù)測的Zephry系統(tǒng)就是由Prediktor和WPPT整合而來，另外由ENFOR公司研發(fā)的用于光伏功率預(yù)測的SOLARFOR系統(tǒng)也比較有代表性；作為國際上較早大面積應(yīng)用新能源的德國，其Oldenburg大學(xué)開發(fā)了Previento系統(tǒng)，德國太陽能研究所開發(fā)了風(fēng)電功率管理系統(tǒng)（WPMS）；西班牙Joen大學(xué)建立了19kW的光伏發(fā)電站驗(yàn)證其發(fā)電預(yù)報準(zhǔn)確率[2]，通過人工神經(jīng)網(wǎng)絡(luò)算法，以實(shí)測的光伏板溫度、日照輻射強(qiáng)度為輸入值，以其I/V曲線為目標(biāo)函數(shù)，訓(xùn)練神經(jīng)網(wǎng)絡(luò)的多層傳感器，求解出逼近實(shí)際工況的I/V曲線，建立了發(fā)電功率日照強(qiáng)度、板溫之間的函數(shù)關(guān)系，經(jīng)過驗(yàn)證，該系統(tǒng)2003年發(fā)電量預(yù)測值與實(shí)測值的歷史相關(guān)系數(shù)高達(dá)0.998。國內(nèi)方面光伏發(fā)電量預(yù)測技術(shù)研發(fā)起步較晚。華北電力大學(xué)[3]結(jié)合光伏組件數(shù)學(xué)模型和保定地區(qū)氣象資料，模擬了30MW光伏電站發(fā)電量數(shù)據(jù)，利用支持向量機(jī)回歸分析方法進(jìn)行功率預(yù)測，但該方法無實(shí)際光伏電站的實(shí)況發(fā)電量數(shù)據(jù)，缺乏實(shí)驗(yàn)驗(yàn)證，對實(shí)際光伏電站發(fā)電量預(yù)報的指導(dǎo)意義有限。華中科技大學(xué)[4]利用該校屋頂光伏并網(wǎng)發(fā)電系統(tǒng)資料進(jìn)行研究，通過2005―2010年不同季節(jié)氣象因素與發(fā)電量之間的相關(guān)分析，得出光伏發(fā)電量與輻照度的相關(guān)性最大、溫度次之、風(fēng)速再次之。

2 功率預(yù)測方法及分類

為提高功率預(yù)測精度，國內(nèi)外研究機(jī)構(gòu)都在嘗試各種新的預(yù)測方法，主要的功率預(yù)測方法分類如（圖1）。

時間序列分析是持續(xù)預(yù)測法中的一種，其認(rèn)為風(fēng)速、輻照強(qiáng)度預(yù)測值等于最近幾個風(fēng)速、輻照強(qiáng)度歷史數(shù)據(jù)的滑動平均值，通常只是簡單地把最近一點(diǎn)的觀測值作為下一點(diǎn)的預(yù)測值。該模型的預(yù)測誤差較大，且預(yù)測結(jié)果不穩(wěn)定。改進(jìn)的方法有ARMA模型法、卡爾曼濾波法。

人工神經(jīng)網(wǎng)絡(luò)方法被廣泛用來解決非線性問題的建模方法。它由大量簡單元件相互連接而成的復(fù)雜網(wǎng)絡(luò)，具有高度的非線性，能夠進(jìn)行復(fù)雜的邏輯操作的非線性關(guān)系。其具有很多優(yōu)良性能，如非線性映射能力、自組織性和自適應(yīng)性能力、記憶聯(lián)想能力、容錯能力等。

按照風(fēng)電或光伏功率預(yù)測的時間尺度可分為中長期、短期和超短期預(yù)測。對于中長期預(yù)測或更長時間尺度，主要用于風(fēng)光電場或電網(wǎng)的檢修維護(hù)計劃安排等的預(yù)測。對于30分鐘～72小時的預(yù)測，主要用于電力系統(tǒng)的功率平衡和經(jīng)濟(jì)調(diào)度、電力市場交易、暫態(tài)穩(wěn)定評估等稱為短期功率預(yù)測。一般認(rèn)為不超過30分鐘的預(yù)測為超短期預(yù)測。從預(yù)測模型建立角度考慮，不同時間尺度的預(yù)測有本質(zhì)區(qū)別：0～3小時的預(yù)測主要由大氣條件的持續(xù)性決定，所以如果不通過數(shù)值天氣預(yù)報也能得出較好的預(yù)測結(jié)果，如采用可得到更好結(jié)果。對于時間尺度超過3小時的預(yù)測，不考慮數(shù)值天氣預(yù)測無法反應(yīng)大氣運(yùn)動的本質(zhì)，所以難以得到較好的預(yù)測結(jié)果，所以通常的預(yù)測方法都采用數(shù)值天氣預(yù)報的數(shù)據(jù)。

基于物理方法的功率預(yù)測流程示意圖如下（以風(fēng)功率預(yù)測為例）。首先通過數(shù)值天氣預(yù)報得到風(fēng)速、風(fēng)向等氣象數(shù)據(jù)，再根據(jù)電場周圍的地理信息參數(shù)（等高線、粗糙度、障礙物、溫度分層等）采用軟件計算得到風(fēng)機(jī)輪轂高度的風(fēng)速、風(fēng)向、氣溫、氣壓等參數(shù)，最后根據(jù)風(fēng)機(jī)功率曲線計算得到風(fēng)電場輸出功率。因?yàn)樵诓煌娘L(fēng)向和溫度條件下，即使風(fēng)速相同，風(fēng)電場輸出功率也不相等，因此風(fēng)電場功率曲線是一族曲線，同時還應(yīng)考慮風(fēng)電機(jī)組故障和檢修的情況。對整個區(qū)域進(jìn)行風(fēng)電功率預(yù)測時，可對所有的風(fēng)電場輸出功率進(jìn)行預(yù)測，然后求和得到區(qū)域總功率。

基于統(tǒng)計方法的風(fēng)電/光伏的功率預(yù)測不考慮風(fēng)速/輻照變化的物理過程，根據(jù)歷史統(tǒng)計數(shù)據(jù)找出天氣狀況與風(fēng)光電場出力的關(guān)系，然后根據(jù)實(shí)測數(shù)據(jù)和數(shù)值天氣預(yù)報數(shù)據(jù)對電場輸出功率進(jìn)行預(yù)測。

兩種方法各有優(yōu)缺點(diǎn)。物理方法無需大量的測量數(shù)據(jù)，但對大氣的物理特性及風(fēng)/光電場特性的數(shù)學(xué)描述要求較高，這些描述方程求解困難、計算量大。統(tǒng)計方法無需對求解方程，計算速度快，但需要大量歷史數(shù)據(jù)，采用機(jī)器學(xué)習(xí)方法對數(shù)據(jù)進(jìn)行挖掘與訓(xùn)練，得到氣象參數(shù)與風(fēng)/光電場輸出功率的關(guān)系。目前的趨勢是將兩種方法混合使用，稱之為綜合方法。

3 三種預(yù)測方法的對比

通過應(yīng)用三種統(tǒng)計預(yù)測算法于某案例中對其預(yù)測精度進(jìn)行了對比。案例以某島嶼上的分布式風(fēng)光電站發(fā)電量為檢驗(yàn)對象，該電站由25臺30kw并網(wǎng)光伏逆變器、5臺50kw風(fēng)機(jī)組成，合計1000kw。選取2013年4月份的歷史功率數(shù)據(jù)和歷史數(shù)值天氣預(yù)報數(shù)據(jù)作為模型建立依據(jù)，5月份發(fā)電量作為預(yù)測對象（因?yàn)樵搮^(qū)域4，5月份天氣變化相對最小），并采用同時段的歷史功率數(shù)據(jù)對模型的預(yù)測結(jié)果進(jìn)行驗(yàn)證。

3.1 ARMA預(yù)測模型

3.1.1 ARMA模型的基本原理

ARMA模型也稱為自回歸滑動平均模型，是研究時間序列的重要方法之一，是由自回歸與滑動平均兩種模型“混合”而成。常用于長期追蹤資料的研究和用于具有季節(jié)變動特征數(shù)據(jù)的預(yù)測中，所以可將其應(yīng)用于風(fēng)電光伏功率預(yù)測領(lǐng)域。

3.1.2 預(yù)測結(jié)果及誤差分析

運(yùn)用ARMA模型分別對5月1日9時0分至5月31日18時00分進(jìn)行預(yù)測，得到原始風(fēng)電光伏總功率和預(yù)測功率。預(yù)測結(jié)果如（圖3、4）所示。

常見的預(yù)測誤差的評估方法有平均絕對誤差，均方根誤差，相關(guān)系數(shù)等。均方根誤差放大了出現(xiàn)較大誤差的點(diǎn)，能更好的反映光伏電站預(yù)測模型的準(zhǔn)確度，因此本文采用均方根誤差RMSE對模型的誤差進(jìn)行評估。

其中，N-測試樣本數(shù)；P-裝機(jī)容量。

通過Matlab的計算，我們得到各項(xiàng)指標(biāo)結(jié)果如表1。

3.2 卡爾曼濾波預(yù)測模型

3.2.1 模型基本原理

卡爾曼濾波法運(yùn)用了濾波的基本思想，利用前一時刻預(yù)報誤差的反饋信息及時修正預(yù)報方程，以提高下一時刻的預(yù)報精度。要實(shí)現(xiàn)卡爾曼濾波法預(yù)測風(fēng)光功率，首先必須推導(dǎo)出正確的狀態(tài)方程和測量方程。因已通過時間序列分析建立了風(fēng)電功率時間序列的ARMA模型，故可將ARMA模型轉(zhuǎn)換到狀態(tài)空間，建立卡爾曼濾波的狀態(tài)方程和測量方程。

3.2.2 預(yù)測結(jié)果及誤差分析（如圖5、圖6）

通過Matlab的計算，我們得到各項(xiàng)指標(biāo)結(jié)果如（表2）。

3.3 小波神經(jīng)網(wǎng)絡(luò)預(yù)測模型

對于上文的ARMA模型和卡爾曼濾波模型都屬于線性模型，都必須先對模型結(jié)構(gòu)做出假設(shè)，然后對模型參數(shù)的估計得到預(yù)測值。因此，模型結(jié)構(gòu)的合理與否，直接影響到最終預(yù)測的精度。由于風(fēng)光電場功率具有高度的不確定性，因而單一的線性預(yù)測模型不足以挖掘其功率數(shù)據(jù)中的所有信息。而神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)、自組織和自適應(yīng)性，可以充分逼近任意復(fù)雜的非線性關(guān)系，所以本文選擇小波神經(jīng)網(wǎng)絡(luò)方法對風(fēng)光功率進(jìn)行非線性預(yù)測研究。

3.3.1 小波神經(jīng)網(wǎng)絡(luò)法基本原理

小波神經(jīng)網(wǎng)絡(luò)是一種以BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)為基礎(chǔ)，把小波基函數(shù)作為隱含層節(jié)點(diǎn)的傳遞函數(shù)，信號前向傳播的同時誤差反向傳播的神經(jīng)網(wǎng)絡(luò)。小波神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)如圖7。

3.3.2 模型建立

首先采集四月份一整月的光伏風(fēng)電功率數(shù)據(jù)，每隔15min記錄一個時間點(diǎn)，共有960個時間節(jié)點(diǎn)的數(shù)據(jù)，用前四月份30天的功率數(shù)據(jù)訓(xùn)練小波神經(jīng)網(wǎng)絡(luò)，最后用訓(xùn)練好多的神經(jīng)網(wǎng)絡(luò)預(yù)測之后的功率數(shù)據(jù)。基于小波神經(jīng)網(wǎng)絡(luò)的功率預(yù)測算法流程圖如圖8所示。

小波神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)如圖9所示。

小波神經(jīng)網(wǎng)絡(luò)訓(xùn)練：通過數(shù)據(jù)訓(xùn)練小波神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)反復(fù)訓(xùn)練100次。

神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)測試：用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)預(yù)測風(fēng)光功率，并對預(yù)測結(jié)果進(jìn)行分析。

3.3.3 預(yù)測結(jié)果

利用Matlab處理數(shù)據(jù)并進(jìn)行計算，我們得到基于小波神經(jīng)網(wǎng)絡(luò)的功率預(yù)測結(jié)果（圖10、11）。

預(yù)測結(jié)果分析：

本文采用了ARMA模型、卡爾曼濾波預(yù)測算法和小波神經(jīng)網(wǎng)絡(luò)算法對該島的分布式風(fēng)光電功率數(shù)據(jù)樣本進(jìn)行了預(yù)測。分析表1～表3預(yù)測效果評價指標(biāo)，我們得到以下認(rèn)識：小波神經(jīng)網(wǎng)絡(luò)模型中我們得到預(yù)測結(jié)果：超短期預(yù)測精確度誤差最小達(dá)到到7%，短期預(yù)測精確度誤差最小達(dá)到到9%，表明小波神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果已經(jīng)相當(dāng)精確。對小波神經(jīng)網(wǎng)絡(luò)預(yù)測曲線與線性預(yù)測模型的預(yù)測曲線進(jìn)行對比，可以看到：神經(jīng)網(wǎng)絡(luò)對于光伏風(fēng)電功率的描繪更加平緩。

4 結(jié)論與展望

在對國內(nèi)外文獻(xiàn)廣泛調(diào)研的基礎(chǔ)上，較為全面地論述了風(fēng)電、光伏功率預(yù)測技術(shù)的研究現(xiàn)狀和最新動態(tài)，對當(dāng)前功率預(yù)測技術(shù)方法進(jìn)行了總結(jié)歸納，建立了針對某島嶼分布式風(fēng)光互補(bǔ)示范工程的高精度發(fā)電功率預(yù)測模型，成功實(shí)現(xiàn)了分布式電源總輸出（光伏風(fēng)電）的精確預(yù)測，實(shí)驗(yàn)運(yùn)行結(jié)果表明：該系統(tǒng)能夠準(zhǔn)確預(yù)測次日短期和未來4小時超短期光伏發(fā)電出力，短期和超短期預(yù)測的月平均均方根誤差分別為9%和7%。

為了進(jìn)一步提高功率預(yù)測精度還需要提高數(shù)值天氣預(yù)報質(zhì)量，從而得到精度更高更豐富的區(qū)域氣象數(shù)據(jù)。因此需要盡快建立我國數(shù)值天氣預(yù)報商業(yè)化服務(wù)，進(jìn)一步完善風(fēng)電光伏功率預(yù)測系統(tǒng)，提高預(yù)測精度。

參考文獻(xiàn)：

[1]BOSSANYI E A. Short-term wind prediction using Kalman filters[J]. Wind Engineering， 1985，9（1）：1-8.

[2]Almonacid F， Rus C， Perez P J，et al.Estimation of the energy of a PV generator using artificial neural network [J]. Renewable Energy， 2009， 34（12）：2743-2750.