神經(jīng)網(wǎng)絡(luò)的難點(diǎn)精選(九篇)

前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的神經(jīng)網(wǎng)絡(luò)的難點(diǎn)主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：神經(jīng)網(wǎng)絡(luò)的難點(diǎn)范文

關(guān)鍵詞：模糊控制；人工神經(jīng)網(wǎng)絡(luò)；人臉識(shí)別

中圖分類號(hào)：TP18 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044(2011)16-3904-03

隨著人工智能技術(shù)的飛速發(fā)展，機(jī)器視覺已經(jīng)成為當(dāng)前人工智能研究領(lǐng)域的一大熱點(diǎn)，很多國(guó)家的研究人員都開展了對(duì)機(jī)器視覺的研究，其中以機(jī)器視覺識(shí)別人臉最為困難，這主要是因?yàn)槿说拿娌繋в斜砬椋煌娜司哂胁煌哪槪煌哪樉哂胁煌谋砬椋煌谋砬閯t具有不同的面部特征，如何讓計(jì)算機(jī)通過機(jī)器視覺高效率的識(shí)別人臉，成為當(dāng)前機(jī)器視覺和智能機(jī)器人關(guān)鍵技術(shù)領(lǐng)域的技術(shù)難題。

隨著模糊邏輯控制算法和人工神經(jīng)網(wǎng)絡(luò)算法的發(fā)展，對(duì)于機(jī)器視覺識(shí)別人臉特征的算法也有了新的發(fā)展，目前多數(shù)研究算法所采用的人臉識(shí)別從實(shí)現(xiàn)技術(shù)上來(lái)說(shuō)，主要可以分為以下幾個(gè)類別：

1) 基于人臉幾何特征進(jìn)行的識(shí)別算法，該算法運(yùn)算量較小，原理簡(jiǎn)單直觀，但是識(shí)別率較低，適合應(yīng)用于人群面部的分類，而不適宜于每一個(gè)人臉的識(shí)別。

2) 基于人臉特征的匹配識(shí)別算法，這種算法是預(yù)先構(gòu)建常見的人臉特征以及人臉模板，構(gòu)成人臉特征庫(kù)，將被識(shí)別的人臉與特征庫(kù)中的人臉進(jìn)行逐一比對(duì)，從而實(shí)現(xiàn)人臉識(shí)別，該算法識(shí)別效率較高，但是應(yīng)用有一定局限性，只能夠識(shí)別預(yù)先設(shè)立的人臉特征庫(kù)中的人臉模型，因此人臉特征庫(kù)就成為該算法實(shí)現(xiàn)的技術(shù)關(guān)鍵。

3) 基于統(tǒng)計(jì)的人臉識(shí)別算法，該算法將人臉面部進(jìn)行特征參數(shù)的劃分，如兩眼距離大小，五官之間距離等，通過構(gòu)建統(tǒng)計(jì)特征參數(shù)模型實(shí)現(xiàn)對(duì)人臉模型的識(shí)別，該算法識(shí)別率較高，但是算法實(shí)現(xiàn)起來(lái)運(yùn)算量比較大，且識(shí)別效率較低。

4) 基于模糊邏輯的人臉識(shí)別算法，這一類算法主要結(jié)合了模糊邏輯和神經(jīng)網(wǎng)絡(luò)能夠自我訓(xùn)練學(xué)習(xí)的機(jī)制實(shí)現(xiàn)對(duì)人臉的識(shí)別，識(shí)別率較高，且算法運(yùn)算量適中，但是算法的原理較難理解，且模糊邏輯控制規(guī)則的建立存在一定技術(shù)難度。

本論文主要結(jié)合模糊人工神經(jīng)網(wǎng)絡(luò)方法，將其應(yīng)用于計(jì)算機(jī)人臉識(shí)別，以期從中能夠找到有效可靠的人臉識(shí)別方法及其算法應(yīng)用，并以此和廣大同行分享。

1 模糊邏輯及人工神經(jīng)網(wǎng)絡(luò)在圖像辨識(shí)中的應(yīng)用可行性分析

1) 人臉識(shí)別的技術(shù)難點(diǎn)

由于計(jì)算機(jī)只能夠認(rèn)識(shí)0和1，任何數(shù)據(jù)，包括圖像，都必須要轉(zhuǎn)化為0和1才能夠被計(jì)算機(jī)識(shí)別，這樣就帶來(lái)一個(gè)很復(fù)雜很棘手的問題：如何將成千上萬(wàn)的帶有不同表情的人臉轉(zhuǎn)變?yōu)閿?shù)字信號(hào)并被計(jì)算機(jī)識(shí)別。由于人的面部帶有表情，不同的人具有不同的臉，而不同的臉具有不同的表情，不同的表情則具有不同的面部特征，因此這些都成為了計(jì)算機(jī)識(shí)別人臉特征的技術(shù)難點(diǎn)，具體來(lái)說(shuō)，人臉實(shí)現(xiàn)計(jì)算機(jī)識(shí)別的主要技術(shù)難度包括：

① 人臉表情：人有喜怒哀樂等不同表情，不同的表情具有不同的面部特征，因此如何分辨出不同表情下的人臉特征，這是首要的技術(shù)難點(diǎn)；

② 光線陰影的變換：由于人臉在不同光線照射下會(huì)產(chǎn)生陰影，而陰影敏感程度的不一也會(huì)增加計(jì)算機(jī)識(shí)別人臉特征的難度；

③ 其他因素：如人隨著年齡的增長(zhǎng)面部特征會(huì)發(fā)生些微變化，人臉部分因?yàn)檠b飾或者帽飾遮擋而增加識(shí)別難度，以及人臉側(cè)面不同姿態(tài)也會(huì)對(duì)計(jì)算機(jī)識(shí)別帶來(lái)技術(shù)難度。

2) 模糊人工神經(jīng)網(wǎng)絡(luò)在人臉辨識(shí)中的應(yīng)用可行性

如上分析所示，計(jì)算機(jī)識(shí)別人臉，需要考慮的因素太多，并且每一種因素都不是線性化處理那么簡(jiǎn)單，為此，必須要引入新的處理技術(shù)及方法，實(shí)現(xiàn)計(jì)算機(jī)對(duì)人臉的高效識(shí)別。根據(jù)前人的研究表明，模糊人工神經(jīng)網(wǎng)絡(luò)算法是非常有效的識(shí)別算法。

模糊理論和神經(jīng)網(wǎng)絡(luò)技術(shù)是近年來(lái)人工智能研究較為活躍的兩個(gè)領(lǐng)域。人工神經(jīng)網(wǎng)絡(luò)是模擬人腦結(jié)構(gòu)的思維功能，具有較強(qiáng)的自學(xué)習(xí)和聯(lián)想功能，人工干預(yù)少，精度較高，對(duì)專家知識(shí)的利用也較少。但缺點(diǎn)是它不能處理和描述模糊信息，不能很好利用已有的經(jīng)驗(yàn)知識(shí)，特別是學(xué)習(xí)及問題的求解具有黑箱特性，其工作不具有可解釋性，同時(shí)它對(duì)樣本的要求較高;模糊系統(tǒng)相對(duì)于神經(jīng)網(wǎng)絡(luò)而言，具有推理過程容易理解、專家知識(shí)利用較好、對(duì)樣本的要求較低等優(yōu)點(diǎn)，但它同時(shí)又存在人工干預(yù)多、推理速度慢、精度較低等缺點(diǎn)，很難實(shí)現(xiàn)自適應(yīng)學(xué)習(xí)的功能，而且如何自動(dòng)生成和調(diào)整隸屬度函數(shù)和模糊規(guī)則，也是一個(gè)棘手的問題。如果將二者有機(jī)地結(jié)合起來(lái)，可以起到互補(bǔ)的效果。

模糊邏輯控制的基本原理并非傳統(tǒng)的是與不是的二維判斷邏輯，而是對(duì)被控對(duì)象進(jìn)行閾值的設(shè)計(jì)與劃分，根據(jù)實(shí)際值在閾值領(lǐng)域內(nèi)的變化相應(yīng)的產(chǎn)生動(dòng)態(tài)的判斷邏輯，并將邏輯判斷規(guī)則進(jìn)行神經(jīng)網(wǎng)絡(luò)的自我學(xué)習(xí)，逐漸實(shí)現(xiàn)智能判斷，最終實(shí)現(xiàn)準(zhǔn)確的邏輯判斷。相較于傳統(tǒng)的線性判斷規(guī)則，基于模糊規(guī)則的神經(jīng)網(wǎng)絡(luò)是高度復(fù)雜的非線性網(wǎng)絡(luò)，同時(shí)由于其廣闊的神經(jīng)元分布并行運(yùn)算，大大提高了復(fù)雜對(duì)象（如人臉）識(shí)別計(jì)算的效率，因此，將模糊神經(jīng)網(wǎng)絡(luò)算法應(yīng)用于人臉的智能識(shí)別是完全可行的。

2 基于模糊人工神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別方法研究

2.1 基于模糊神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別分類器設(shè)計(jì)

1) 輸入、輸出層的設(shè)計(jì)：針對(duì)模糊神經(jīng)網(wǎng)絡(luò)層的輸入層和輸出層的特點(diǎn)，需要對(duì)識(shí)別分類器的輸入、輸出層進(jìn)行設(shè)計(jì)。由于使用BP神經(jīng)網(wǎng)絡(luò)作為識(shí)別分類器時(shí)，數(shù)據(jù)源的維數(shù)決定輸入層節(jié)點(diǎn)數(shù)量，結(jié)合到人臉的計(jì)算機(jī)識(shí)別，人臉識(shí)別分類器的輸入輸出層，應(yīng)當(dāng)由人臉特征數(shù)據(jù)庫(kù)的類別數(shù)決定，如果人臉數(shù)據(jù)庫(kù)的類別數(shù)為m，那么輸入、輸出層節(jié)點(diǎn)數(shù)也為m，由m個(gè)神經(jīng)元進(jìn)行分布式并行運(yùn)算，能夠極大提高人臉識(shí)別的輸入和輸出速度。

2) 隱藏層結(jié)點(diǎn)數(shù)的選擇：由于一般的BP神經(jīng)網(wǎng)絡(luò)都是由3層BP網(wǎng)絡(luò)構(gòu)成：輸入層，隱藏層和輸出層，隱層的數(shù)量越多，BP神經(jīng)網(wǎng)絡(luò)越復(fù)雜，那么最終能夠?qū)崿F(xiàn)的運(yùn)算精度就越高，識(shí)別率也就越高；但是隨著隱層數(shù)量的增加，隨之而來(lái)的一個(gè)突出的問題就是神經(jīng)網(wǎng)絡(luò)變的復(fù)雜了，神經(jīng)網(wǎng)絡(luò)自我訓(xùn)練和學(xué)習(xí)的時(shí)間變長(zhǎng)，使得識(shí)別效率相對(duì)下降，因此提高精度和提高效率是應(yīng)用模糊神經(jīng)網(wǎng)絡(luò)的一個(gè)不可避免的矛盾。在這里面向人臉識(shí)別的分類器的設(shè)計(jì)中，仍然采用傳統(tǒng)的3層BP神經(jīng)網(wǎng)絡(luò)構(gòu)建人臉識(shí)別分類器，只設(shè)計(jì)一層隱層，能夠在保障識(shí)別精度的前提下有效的保障神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)和訓(xùn)練的效率，增加人臉識(shí)別的正確率。

3) 初始值的選取：在設(shè)計(jì)了3層BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，需要確定神經(jīng)網(wǎng)絡(luò)的輸入初始值。由于模糊神經(jīng)網(wǎng)絡(luò)是非線性的，不但具有線性網(wǎng)絡(luò)的全部?jī)?yōu)點(diǎn)，同時(shí)還具有收斂速度快等特點(diǎn)，而初始值的選取在很大程度上影響神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練時(shí)間的長(zhǎng)短，以及是否最終能夠?qū)崿F(xiàn)收斂輸出得到最優(yōu)值。如果初始值太大，那么對(duì)于初始值加權(quán)運(yùn)算后的輸出變化率趨向于零，從而使得神經(jīng)網(wǎng)絡(luò)自我學(xué)習(xí)訓(xùn)練趨向于停止，最終無(wú)法得到收斂的最優(yōu)值；相反，我們總是希望初始值在經(jīng)過每一次加權(quán)運(yùn)算后的輸出都接近于零，從而能夠保證每一個(gè)參與運(yùn)算的神經(jīng)元都能夠進(jìn)行調(diào)節(jié)，最終實(shí)現(xiàn)快速的收斂。為此，這里將人臉識(shí)別的初始值設(shè)定在[0，0.2]之間，初始運(yùn)算的權(quán)值設(shè)定在[0，0.1]之間，這樣都不太大的輸入初始值和權(quán)值初始值能夠有效的保證神經(jīng)網(wǎng)絡(luò)快速的收斂并得到最優(yōu)值。

如果收斂速度太慢，則需要重新設(shè)置權(quán)值和閾值。權(quán)值和閾值由單獨(dú)文件保存，再一次進(jìn)行訓(xùn)練時(shí)，直接從文件導(dǎo)出權(quán)值和閾值進(jìn)行訓(xùn)練，不需要進(jìn)行初始化，訓(xùn)練后的權(quán)值和閾值直接導(dǎo)入文件。

2.2 人臉識(shí)別的神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法步驟

1) 神經(jīng)網(wǎng)絡(luò)的逐層設(shè)計(jì)步驟：神經(jīng)網(wǎng)絡(luò)需要按層進(jìn)行設(shè)計(jì)，構(gòu)建信號(hào)輸入層、模糊層以及輸出層，同時(shí)還要構(gòu)建模糊化規(guī)則庫(kù)，以構(gòu)建神經(jīng)網(wǎng)絡(luò)模糊算法的完整輸入輸出條件。具體構(gòu)建人臉識(shí)別的神經(jīng)網(wǎng)絡(luò)層可以按照下述步驟執(zhí)行：

Step 1，構(gòu)建信號(hào)輸入層，以視覺攝像頭為坐標(biāo)原點(diǎn)構(gòu)建人臉識(shí)別坐標(biāo)系統(tǒng)，這里推薦采用極坐標(biāo)系統(tǒng)構(gòu)建識(shí)別坐標(biāo)系，以人臉平面所處的角度與距離作為信號(hào)的輸入層，按照坐標(biāo)系的變換得到神經(jīng)網(wǎng)絡(luò)信號(hào)輸入的距離差值和角度差值Δρ，Δθ，作為完整的輸入信號(hào)。

Step 2，構(gòu)建模糊化層，將上一層信號(hào)輸入層傳輸過來(lái)的系統(tǒng)人臉識(shí)別信號(hào)Δρ與Δθ進(jìn)行向量傳輸，將模糊化層中的每一個(gè)節(jié)點(diǎn)直接與輸入信號(hào)向量的分量相連接，并進(jìn)行信號(hào)矢量化傳輸；同時(shí)在傳輸?shù)倪^程中，根據(jù)模糊化規(guī)則庫(kù)的條件制約，對(duì)每一個(gè)信號(hào)向量的傳輸都使用模糊規(guī)則，具體可以采用如下的隸屬度函數(shù)來(lái)進(jìn)行模糊化處理：

(1)

其中c ij 和σij分別表示隸屬函數(shù)的中心和寬度。

Step 3，構(gòu)建信號(hào)輸出層，將模糊化層經(jīng)過模糊處理之后的信號(hào)進(jìn)行清晰化運(yùn)算，并作為最終結(jié)果輸出。

關(guān)于模糊規(guī)則庫(kù)的建立，目前所用的方法都是普遍所采用的匹配模糊規(guī)則，即計(jì)算每一個(gè)傳輸節(jié)點(diǎn)在模糊規(guī)則上的適用度，適用就進(jìn)行模糊化規(guī)則匹配并進(jìn)行模糊化處理，不適用則忽略該模糊規(guī)則并依次向下行尋找合適的模糊規(guī)則。當(dāng)所有的，模糊規(guī)則構(gòu)建好之后，需要對(duì)每條規(guī)則的適用度進(jìn)行歸一化運(yùn)算，運(yùn)算方法為：

(2)

2) 人臉的識(shí)別算法按如下步驟執(zhí)行：

Step 1：一個(gè)樣本向量被提交給網(wǎng)絡(luò)中的每一個(gè)神經(jīng)元；

Step 2：計(jì)算它們與輸入樣本的相似度di；

Step 3：由競(jìng)爭(zhēng)函數(shù)計(jì)算出競(jìng)爭(zhēng)獲勝的神經(jīng)元，若獲勝神經(jīng)元的相似度小于等于相似度門限值ν，則計(jì)算每個(gè)神經(jīng)元的獎(jiǎng)懲系數(shù)γi，否則添加新的神經(jīng)元；

Step 4：根據(jù)學(xué)習(xí)算法更新神經(jīng)元或?qū)⑿绿砑拥纳窠?jīng)元的突觸權(quán)值置為x；

Step 5：學(xué)習(xí)結(jié)束后，判斷是否有錯(cuò)誤聚類存在，有則刪除。

其中，

(3)

di是第i個(gè)神經(jīng)元的相似度值，β為懲罰度系數(shù)，ν為相似度的門限值。γ的計(jì)算方法是對(duì)一個(gè)輸入樣本x，若競(jìng)爭(zhēng)獲勝神經(jīng)元k的相似度dk≤ν，則獲勝神經(jīng)元的γk為1，其它神經(jīng)元的γi=-βdi/ν，i≠k；若dk >ν，則添加新的神經(jīng)元并將其突觸權(quán)值置為x。

實(shí)際上，網(wǎng)絡(luò)訓(xùn)練的目的是為了提高本算法的權(quán)值實(shí)用域，即更加精確的實(shí)現(xiàn)對(duì)人臉特征的識(shí)別，從而提高算法的人臉識(shí)別率，當(dāng)訓(xùn)練結(jié)束后，即可輸出結(jié)果。

2.3 算法仿真測(cè)試

為了驗(yàn)證本論文所提出的人臉識(shí)別模糊神經(jīng)網(wǎng)絡(luò)算法的有效性和可靠性，對(duì)該算法進(jìn)行仿真測(cè)試，同時(shí)為了凸顯該算法的有效性，將該算法與傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行對(duì)比仿真測(cè)試。

該測(cè)試采集樣本500張人臉圖片，分辨率均為128×128，測(cè)試計(jì)算機(jī)配置為雙核處理器，主頻2.1GHz，測(cè)試軟件平臺(tái)為Matlab，分別構(gòu)建BP神經(jīng)網(wǎng)絡(luò)分類器與本算法的神經(jīng)網(wǎng)絡(luò)分類器，對(duì)500幅人臉圖片進(jìn)行算法識(shí)別測(cè)試。

如表1所示，為傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)算法和本論文算法的仿真測(cè)試結(jié)果對(duì)比表格。

從表1所示的算法檢測(cè)對(duì)比結(jié)果可以發(fā)現(xiàn)：傳統(tǒng)的算法也具有人臉特征的識(shí)別，但是相較于本論文所提出的改進(jìn)后的算法，本論文提出的算法具有更高的人臉特征識(shí)別率，這表明了本算法具有更好的魯棒性，神經(jīng)網(wǎng)絡(luò)模糊算法的執(zhí)行上效率更高，因而本算法是具有實(shí)用價(jià)值的，是值得推廣和借鑒的。

3 結(jié)束語(yǔ)

傳統(tǒng)的圖像識(shí)別技術(shù)，很多是基于大規(guī)模計(jì)算的基礎(chǔ)之上的，在運(yùn)算量和運(yùn)算精度之間存在著不可調(diào)和的矛盾。因人工神經(jīng)網(wǎng)絡(luò)技術(shù)其分布式信息存儲(chǔ)和大規(guī)模自適應(yīng)并行處理滿足了對(duì)大數(shù)據(jù)量目標(biāo)圖像的實(shí)時(shí)處理要求，其高容錯(cuò)性又允許大量目標(biāo)圖像出現(xiàn)背景模糊和局部殘缺。相對(duì)于其他方法而言，利用神經(jīng)網(wǎng)絡(luò)來(lái)解決人臉圖像識(shí)別問題，神經(jīng)網(wǎng)絡(luò)對(duì)問題的先驗(yàn)知識(shí)要求較少，可以實(shí)現(xiàn)對(duì)特征空間較為復(fù)雜的劃分，適用于高速并行處理系統(tǒng)來(lái)實(shí)現(xiàn)。正是這些優(yōu)點(diǎn)決定了模糊神經(jīng)網(wǎng)絡(luò)被廣泛應(yīng)用于包括人臉在內(nèi)的圖像識(shí)別。本論文對(duì)模糊神經(jīng)網(wǎng)絡(luò)在人臉圖像識(shí)別中的應(yīng)用進(jìn)行了算法優(yōu)化設(shè)計(jì)，對(duì)于進(jìn)一步提高模糊神經(jīng)網(wǎng)絡(luò)的研究與應(yīng)用具有一定借鑒意義。

參考文獻(xiàn)：

[1] 石幸利.人工神經(jīng)網(wǎng)絡(luò)的發(fā)展及其應(yīng)用[J].重慶科技學(xué)院學(xué)報(bào):自然科學(xué)版,2006(2):99-101.

[2] 胡小鋒,趙輝.Visral C++/MATLAB圖像處理與識(shí)別實(shí)用案例精選[M].北京:人民郵電出版社,2004.

[3] 戰(zhàn)國(guó)科.基于人工神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別方法研究[D].北京:中國(guó)計(jì)量科學(xué)研究院,2007.

[4] 王麗華.基于神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別系統(tǒng)的研究[D].北京:中國(guó)石油大學(xué),2008.

[5] 范立南,韓曉微,張廣淵.圖像處理與模式識(shí)別[M].北京:科學(xué)出版社,2007.

[6] 金忠.人臉圖像特征抽取與維數(shù)研究[D].南京:南京理工大學(xué),1999.

第2篇：神經(jīng)網(wǎng)絡(luò)的難點(diǎn)范文

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)；數(shù)控；自適應(yīng)

中圖分類號(hào)：TP273.2 文I標(biāo)識(shí)碼：A 文章編號(hào)：1007-9416（2017）04-0008-01

1 引言

在大型機(jī)械設(shè)備的數(shù)控加工中，特別是航空機(jī)械設(shè)備，會(huì)有很多復(fù)雜的曲面機(jī)械加工，利用傳統(tǒng)的數(shù)控加工，往往選取保守的切削參數(shù)，這樣就限制了數(shù)控加工的加工效率。傳統(tǒng)的數(shù)控加工的加工參數(shù)主要是根據(jù)最大切削余量來(lái)確定的，一般在整個(gè)加工過程中保持不變，給進(jìn)速率為了保護(hù)數(shù)控機(jī)床和刀具，一般選取也是比較保守速率偏低，這就使得數(shù)控機(jī)床的加工效率大打折扣，不能發(fā)揮高端數(shù)控機(jī)床的高效能力。如何充分利用數(shù)控機(jī)床加工高效特點(diǎn)，提高數(shù)控機(jī)床加工精度和降成本，是目前一個(gè)比較有研究?jī)r(jià)值的課題。

針對(duì)以上問題，本文設(shè)計(jì)了一種利用徑向基神經(jīng)網(wǎng)絡(luò)建立切削參數(shù)和切削負(fù)荷的數(shù)學(xué)模型，通過神經(jīng)網(wǎng)絡(luò)不斷修正參數(shù)，自適應(yīng)控制系統(tǒng)自動(dòng)調(diào)整各個(gè)加工參數(shù)，從而達(dá)到最大限度自適應(yīng)進(jìn)行各類機(jī)械零部件的機(jī)械加工，大幅提高了數(shù)控機(jī)床的加工效率和加工質(zhì)量。

2 徑向基神經(jīng)網(wǎng)絡(luò)介紹

神經(jīng)網(wǎng)絡(luò)具有智能性，能夠自我進(jìn)行學(xué)習(xí)，學(xué)習(xí)過程就是不斷調(diào)節(jié)權(quán)值和閾值的計(jì)算過程，神經(jīng)網(wǎng)絡(luò)中的特定信息主要有神經(jīng)網(wǎng)絡(luò)海量的神經(jīng)元之間的連接權(quán)值進(jìn)行表述，由于神經(jīng)元數(shù)量眾多，當(dāng)神經(jīng)網(wǎng)絡(luò)受損后也可以報(bào)至神經(jīng)網(wǎng)絡(luò)的正確輸出，這種計(jì)算方式能夠大大提高系統(tǒng)的魯棒性和容錯(cuò)性。神經(jīng)網(wǎng)絡(luò)主要有BP神經(jīng)網(wǎng)絡(luò)和徑向基神經(jīng)網(wǎng)絡(luò)。徑向基神經(jīng)網(wǎng)絡(luò)常常用在模式識(shí)別方面，具有收斂速度快和逼近效果好的優(yōu)點(diǎn)，它是一種三層前向型神經(jīng)網(wǎng)絡(luò)。

徑向基神經(jīng)網(wǎng)絡(luò)是根據(jù)海量樣本數(shù)據(jù)來(lái)進(jìn)行隱含層神經(jīng)元徑向基激活函數(shù)的選擇的，基于函數(shù)逼近理論，選擇合理的隱含層單元個(gè)數(shù)和作用函數(shù)，把非線性的問題映射成線性的問題，進(jìn)行了系統(tǒng)簡(jiǎn)化處理。徑向基神經(jīng)網(wǎng)絡(luò)在進(jìn)行訓(xùn)練時(shí)，需要設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)和求解相關(guān)的多個(gè)參數(shù)。這種神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)主要包括網(wǎng)絡(luò)的輸入、輸出個(gè)數(shù)，隱含層節(jié)點(diǎn)數(shù)量。主要參數(shù)有徑向基函數(shù)的中心值、函數(shù)寬度、權(quán)值等。

3 系統(tǒng)設(shè)計(jì)

我們?cè)O(shè)計(jì)的自適應(yīng)系統(tǒng)終極目的是以盡可能大的切削速度來(lái)進(jìn)行機(jī)械零部件加工，利用試切進(jìn)行自適應(yīng)學(xué)習(xí)，試切主要是在批量加工零部件之前，先試加工小量的零部件進(jìn)行神經(jīng)網(wǎng)絡(luò)的自我學(xué)習(xí)，在加工學(xué)習(xí)階段，數(shù)控加工系統(tǒng)監(jiān)測(cè)整個(gè)數(shù)控機(jī)床加工的負(fù)載變化情況，把數(shù)控加工的每次走刀達(dá)到的最大負(fù)荷進(jìn)行全部記錄保存。

徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)包括三個(gè)層級(jí)：輸入層、隱層和輸出層。隱層由一個(gè)徑向基函數(shù)組成，和每個(gè)隱層節(jié)點(diǎn)相關(guān)的參數(shù)為網(wǎng)絡(luò)中心向量和半徑。為了簡(jiǎn)化計(jì)算工作量，我們這里選取高斯函數(shù)作為徑向基函數(shù)。徑向基神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法如下：輸入層到隱層用無(wú)導(dǎo)師的聚類算法來(lái)訓(xùn)練，常用的是K-均值算法和模糊聚類兩種算法，來(lái)計(jì)算神經(jīng)網(wǎng)絡(luò)的中心向量和半徑，隱層和輸出層的權(quán)值調(diào)整采用有導(dǎo)師指導(dǎo)算法來(lái)計(jì)算權(quán)重向量值。

數(shù)控加工過程中，切削負(fù)荷的傳遞主要包括切削力的產(chǎn)生、切削負(fù)荷的傳遞、機(jī)電轉(zhuǎn)換三個(gè)方面。電機(jī)系統(tǒng)與切削力之間的關(guān)系公式：

其中：SN為額定滑差，V1為同步轉(zhuǎn)速，K為電機(jī)到刀具的傳動(dòng)比，R為刀具半徑，m1為定子相數(shù)，r為轉(zhuǎn)子電阻，F(xiàn)為刀刃受到的切削阻力，IN為主軸電流。

通過電機(jī)與切削力負(fù)荷之間的公式，進(jìn)行徑向基神經(jīng)網(wǎng)絡(luò)離線建模，利用電流傳感器在線實(shí)時(shí)監(jiān)測(cè)電機(jī)電流信號(hào)的變化和在線實(shí)時(shí)測(cè)定實(shí)際工況，然后采集實(shí)時(shí)電流信息，利用自適應(yīng)控制系統(tǒng)提取出切削負(fù)荷的特征信息，進(jìn)而判定當(dāng)前切削負(fù)荷的變化情況，然后比較當(dāng)前的切削負(fù)荷與公稱負(fù)荷值，通過實(shí)時(shí)對(duì)走刀給進(jìn)修調(diào)率不斷進(jìn)行調(diào)整，保證在整個(gè)切削過程中，給數(shù)控加工提供連續(xù)的、可靠的、穩(wěn)定的、自動(dòng)的給進(jìn)速率。

徑向基神經(jīng)網(wǎng)絡(luò)的輸出是數(shù)控機(jī)床的主軸電流信息，它包括了三部分內(nèi)容：切削力部分、機(jī)床本體特征部分、外部環(huán)境干擾部分。在此需要把信號(hào)進(jìn)行過濾，去除機(jī)床本體特征部分和外部環(huán)境干擾部分，提取出干凈的主軸電機(jī)有效負(fù)荷特征電流信息。

經(jīng)過實(shí)際驗(yàn)證，本文設(shè)計(jì)的數(shù)控自適應(yīng)加工系統(tǒng)加工效率比傳統(tǒng)數(shù)控加工方法提高17%，該系統(tǒng)具有一定的實(shí)用價(jià)值。

4 結(jié)語(yǔ)

本文針對(duì)機(jī)械設(shè)備傳統(tǒng)數(shù)控加工的加工效率低和加工精度差弊端，設(shè)計(jì)了一種基于徑向基神經(jīng)網(wǎng)絡(luò)的數(shù)控加工自適應(yīng)加工系統(tǒng)，該系統(tǒng)能夠根據(jù)切削的實(shí)時(shí)工況信息，利用神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，自動(dòng)調(diào)整負(fù)荷的特征電流，進(jìn)而改變切削給進(jìn)速率，該系統(tǒng)能夠較好的從切削參數(shù)映射切削負(fù)荷，經(jīng)過實(shí)際驗(yàn)證，該系統(tǒng)能夠大幅提高數(shù)控加工效率。

參考文獻(xiàn)

第3篇：神經(jīng)網(wǎng)絡(luò)的難點(diǎn)范文

【關(guān)鍵詞】 類風(fēng)濕關(guān)節(jié)炎；證候；BP神經(jīng)網(wǎng)絡(luò)；非線性建模

證候是一個(gè)非線性復(fù)雜系統(tǒng)，中醫(yī)證候的診斷過程，實(shí)質(zhì)上是由臨床收集到的各種癥狀，通過分析歸納，獲得證型診斷的過程，這個(gè)過程，可以看作是一個(gè)從觀察指標(biāo)到證型診斷的非線性映射過程，用非線性數(shù)學(xué)模型可以充分模擬。基于黑箱結(jié)構(gòu)的人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks，ANN)具有強(qiáng)大的非線性擬合能力，能夠任意精度逼近非線性函數(shù)，因此，我們將其用于類風(fēng)濕關(guān)節(jié)炎(rehumatoid arthritis，RA)證候的非線性建模研究。

1 臨床資料

本研究采用中國(guó)中醫(yī)科學(xué)院望京醫(yī)院提供的765例RA臨床證候資料。參考《中藥新藥臨床研究指導(dǎo)原則(試行)》[1]、文獻(xiàn)整理結(jié)果及專家經(jīng)驗(yàn)，制定臨床觀察表。共觀察183個(gè)癥狀、體征，每個(gè)癥狀按無(wú)、輕、中、重分別記為0、1、2、3分；并同時(shí)給出肝腎不足證、寒濕阻絡(luò)證、瘀血阻絡(luò)證、氣血兩虛證、痰瘀阻絡(luò)證、陰虛內(nèi)熱證、熱毒蘊(yùn)結(jié)證、寒熱錯(cuò)雜證、脾腎陽(yáng)虛證等10個(gè)基本證型的診斷。從上述病例中抽取臨床癥狀和證型診斷構(gòu)成樣本集合，作為神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)和測(cè)試樣本。在神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程中，癥狀向量作為神經(jīng)網(wǎng)絡(luò)的輸入向量，證型診斷分別對(duì)應(yīng)網(wǎng)絡(luò)的輸出向量。

2 研究方法

2.1 數(shù)據(jù)預(yù)處理及病例分組

先對(duì)所有數(shù)據(jù)進(jìn)行歸一化處理，使處理后的輸入輸出信息均在(0，1)區(qū)間。對(duì)上述數(shù)據(jù)進(jìn)行主成分分析，主成分的選擇標(biāo)準(zhǔn)定為95%。數(shù)據(jù)經(jīng)過主成分分析，前98個(gè)主成分的貢獻(xiàn)率涵蓋了總共183個(gè)指標(biāo)的95.035%的信息，故我們?nèi)∏?8個(gè)主成分作為進(jìn)一步分析的指標(biāo)。通過主成分分析，輸入向量從183個(gè)減至98個(gè)。可見原始數(shù)據(jù)有很大的冗余。

將765例樣本隨機(jī)分為A、B、C 3組，每組255例。依次選取其中兩組作為訓(xùn)練集，另一組作為測(cè)試集，共循環(huán)3次。

2.2 建立基于共軛梯度下降算法的類風(fēng)濕關(guān)節(jié)炎證候BP網(wǎng)絡(luò)模型

2.2.1 類風(fēng)濕關(guān)節(jié)炎證候BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

在MATLAB7.0環(huán)境下，建立基于共軛梯度下降算法的三層前向BP神經(jīng)網(wǎng)絡(luò)模型。該模型包括輸入層、隱層和輸出層，其中輸入層包含183個(gè)輸入神經(jīng)元；隱層有2個(gè)，各包含100個(gè)神經(jīng)元；輸出層包含10個(gè)輸出神經(jīng)元。兩個(gè)隱層之間通過正切S型傳遞函數(shù)(tansig)連接，隱層與輸出層之間用對(duì)數(shù)S型傳遞函數(shù)(logsig)連接。設(shè)定該網(wǎng)絡(luò)的系統(tǒng)誤差小于0.01，最大迭代次數(shù)500次。

2.2.2 類風(fēng)濕關(guān)節(jié)炎證候BP網(wǎng)絡(luò)的輸出方式

將具有肝腎不足證、寒濕阻絡(luò)證、瘀血阻絡(luò)證、氣血兩虛證、痰瘀阻絡(luò)證、陰虛內(nèi)熱證、熱毒蘊(yùn)結(jié)證、寒熱錯(cuò)雜證、脾腎陽(yáng)虛證等10種證型診斷樣本的期望輸出值分別定為(0，1，0，0，0，0，0，0， 0，0)，……，(0，0，0，0，0，0，0，0，0，1)。預(yù)測(cè)整合輸出值為(0， 0.2，0.4，0.6，0.8，1)，這6個(gè)數(shù)值分別對(duì)應(yīng)原始輸出值的(0－0.1，0.1－0.3，0.3－0.5，0.5－0.7，0.7－0.9，0.9－1)區(qū)間的數(shù)值。整合輸出值≤0.4為診斷不成立，≥0.6為診斷成立。

2.2.3 基于共軛梯度下降算法的類風(fēng)濕關(guān)節(jié)炎證候BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練

網(wǎng)絡(luò)參數(shù)的初始值取為[-0.5，+0.5]上均勻分布的隨機(jī)數(shù)，利用train函數(shù)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，第1次訓(xùn)練經(jīng)過89次迭代以后，網(wǎng)絡(luò)的系統(tǒng)誤差降至0.009 450 59；第2次訓(xùn)練經(jīng)過56次迭代后，網(wǎng)絡(luò)的系統(tǒng)誤差降至0.009 423 47；第3次訓(xùn)練經(jīng)過58次迭代以后，網(wǎng)絡(luò)的系統(tǒng)誤差降至0.009 174 36。上述數(shù)值均小于規(guī)定的最小誤差0.01，提示網(wǎng)絡(luò)趨于穩(wěn)定，網(wǎng)絡(luò)性能達(dá)標(biāo)，訓(xùn)練自動(dòng)停止。

2.2.4 類風(fēng)濕關(guān)節(jié)炎證候BP神經(jīng)網(wǎng)絡(luò)模型的測(cè)試

該網(wǎng)絡(luò)模型的權(quán)值趨穩(wěn)，訓(xùn)練結(jié)束后，分3次分別對(duì)1/3測(cè)試樣本做檢驗(yàn)。規(guī)定單證陽(yáng)性診斷的符合情況為單證特異性；所有單證診斷的符合情況為單證準(zhǔn)確率；病例的全部證型診斷符合情況為診斷準(zhǔn)確率。即：?jiǎn)巫C特異性(%)＝預(yù)測(cè)輸出所有單證陽(yáng)性符合例數(shù)/期望輸出所有單證陽(yáng)性例數(shù)×100%；單證準(zhǔn)確率(%)＝預(yù)測(cè)輸出所有單證符合例數(shù)/期望輸出所有單證例數(shù)×100%；診斷準(zhǔn)確率(%)＝預(yù)測(cè)輸出符合例數(shù)/所有病例數(shù)×100%。其中，以整合輸出值的大小排序，主證為證候的前2位證類，兼證為第3位證類，第3位以后的證類忽略不計(jì)。

3 結(jié)果

測(cè)試結(jié)果顯示：3次測(cè)試的平均單證特異性為81.31%，平均單證準(zhǔn)確率為95.70%，平均診斷準(zhǔn)確率為90.72%。結(jié)果見表1。表1 RA證候BP神經(jīng)網(wǎng)絡(luò)模型測(cè)試結(jié)果與臨床診斷結(jié)果的比較（略）

4 討論

ANN的一個(gè)顯著特征是它能夠通過自動(dòng)學(xué)習(xí)來(lái)解決問題，對(duì)樣本的學(xué)習(xí)過程，即為對(duì)網(wǎng)絡(luò)中神經(jīng)元間的聯(lián)系強(qiáng)度(即權(quán)重系數(shù))逐步確定的過程，通過對(duì)樣本的學(xué)習(xí)，可以學(xué)會(huì)識(shí)別自變量與應(yīng)變量間的復(fù)雜的非線性關(guān)系。經(jīng)過充分學(xué)習(xí)后的ANN獲取了樣本的特征規(guī)則，并將這些規(guī)則以數(shù)字的形式分布存貯在網(wǎng)絡(luò)的連接權(quán)中，從而構(gòu)成了系統(tǒng)的非線性映射模型。用ANN建模，可將過程或?qū)ο罂闯梢粋€(gè)“黑箱”，只要測(cè)得輸入輸出數(shù)據(jù)，就可以建立相應(yīng)的模型，不必象傳統(tǒng)的系統(tǒng)辨識(shí)那樣把過程或?qū)ο蠓譃榫€性系統(tǒng)還是非線性系統(tǒng)，也不必對(duì)過程或?qū)ο髢?nèi)部進(jìn)行分析，這對(duì)未知過程的系統(tǒng)辨識(shí)是十分方便的。

中醫(yī)證候體系具有復(fù)雜系統(tǒng)的非線性、開放性、層次性、涌現(xiàn)性和高維性特征，是一個(gè)多維多階多變量的非線性復(fù)雜系統(tǒng)[2-3]。中醫(yī)學(xué)辨證施治過程，實(shí)質(zhì)上是對(duì)大量數(shù)據(jù)信息作出處理，提取規(guī)律的過程。如何從中醫(yī)學(xué)大量現(xiàn)象學(xué)描述中尋找其內(nèi)在規(guī)律，是證的規(guī)范化研究之熱點(diǎn)和難點(diǎn)。以往多采用統(tǒng)計(jì)學(xué)方法，但效果不夠理想。ANN作為一種智能信息處理系統(tǒng)，能夠充分逼近任意復(fù)雜的非線性關(guān)系，獲得樣本數(shù)據(jù)的規(guī)則，較好避免數(shù)據(jù)處理中可能摻雜的主觀因素，客觀如實(shí)地反映研究對(duì)象[4]，因此，可以將其用于中醫(yī)證候的非線性建模研究。

我們?cè)贛ATLAB7.0環(huán)境下，對(duì)一組RA臨床證候資料建立了基于共軛梯度算法的BP神經(jīng)網(wǎng)絡(luò)證候模型，并用3倍交叉驗(yàn)證的方法進(jìn)行測(cè)試，結(jié)果顯示：該模型具有很好的診斷、預(yù)測(cè)能力。說(shuō)明ANN能夠充分模擬癥狀與證型診斷之間的非線性映射關(guān)系。這是目前在不打開人體黑箱的前提下，建立非線性證候模型、反映證候的內(nèi)在規(guī)律和特征的有效方法。

BP神經(jīng)網(wǎng)絡(luò)有一個(gè)明顯的缺點(diǎn)是收斂速度非常慢，為此，我們基于共軛梯度學(xué)習(xí)算法，采用trainscg函數(shù)改進(jìn)train函數(shù)，從而加快了神經(jīng)網(wǎng)絡(luò)的收斂速度。我們建立的RA證候網(wǎng)絡(luò)模型3次訓(xùn)練的迭代次數(shù)分別為89、56、58，說(shuō)明通過改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)具有很好的收斂性能。

另外，針對(duì)臨床證候資料多存在兼夾證以及各證型之間有主次之分的情況，我們首先將模型的輸出采用1個(gè)輸出節(jié)點(diǎn)對(duì)應(yīng)1種證型的方式，比如，RA證候模型共有10個(gè)證型，我們將包含10個(gè)證型的輸出采用(0，1，0，0，1，0，0，0，0，0)的方式，其中，括號(hào)內(nèi)每一個(gè)數(shù)值代表一種證型，“0”表示診斷不成立，“1”表示診斷成立，這樣就可以診斷兼夾證了；然后，我們將整合輸出值整理成(0，0.2，0.4，0.6，0.8，1)等6個(gè)等級(jí)的方式，這6個(gè)數(shù)值分別對(duì)應(yīng)原始輸出值的(0－0.1，0.1－0.3，0.3－0.5， 0.5－0.7，0.7－0.9，0.9－1)區(qū)間的數(shù)值，并規(guī)定整合輸出值≤0.4為診斷不成立，≥0.6為診斷成立，這樣就進(jìn)一步根據(jù)整合輸出值的大小直接判斷有幾個(gè)兼夾證以及各證型的主次地位了。可見，我們建立的RA證候網(wǎng)絡(luò)模型不僅能夠利用神經(jīng)網(wǎng)絡(luò)的自主學(xué)習(xí)能力從大量的樣本中抽提出比較全面的證候內(nèi)在規(guī)律，具有良好的診斷、預(yù)測(cè)能力，而且操作簡(jiǎn)便，真正實(shí)現(xiàn)了證候診斷的智能化。ANN技術(shù)是中醫(yī)證候非線性建模的可行性方法。

雖然我們已經(jīng)證實(shí)了ANN用于證候非線性建模的可行性，但是，以目前的技術(shù)，還無(wú)法從網(wǎng)絡(luò)的聯(lián)接權(quán)中抽提出網(wǎng)絡(luò)通過自動(dòng)學(xué)習(xí)所獲得的證候規(guī)律，今后可以圍繞這個(gè)關(guān)鍵問題繼續(xù)開展研究。另外，證候的診斷信息具有模糊性特征，用模糊神經(jīng)網(wǎng)絡(luò)理論應(yīng)更能夠逼近證候的全貌，我們?cè)?jīng)試圖用模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行證候的非線性建模研究，但是，目前的模糊神經(jīng)網(wǎng)絡(luò)還無(wú)法處理證候的兼夾問題，模糊神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果只能是多類中的一類，因此，我們暫時(shí)未作。今后我們將圍繞這方面展開深入研究，力爭(zhēng)建立證候的模糊神經(jīng)網(wǎng)絡(luò)模型。

總之，一門學(xué)科只有不斷地吸納先進(jìn)的思想與技術(shù)，在繼承的基礎(chǔ)上發(fā)展創(chuàng)新，才能真正具有生命力。中醫(yī)證候復(fù)雜系統(tǒng)研究，呼喚非線性科學(xué)、人工神經(jīng)網(wǎng)絡(luò)、計(jì)算數(shù)學(xué)、模糊數(shù)學(xué)、信息工程、醫(yī)學(xué)工程、復(fù)雜性科學(xué)等多種邊緣學(xué)科、交叉學(xué)科理論和技術(shù)方法的介入，理論上的探討和不斷切實(shí)可行的實(shí)踐探索并行，才能使中醫(yī)證候規(guī)范研究從量的積累上升到質(zhì)的飛躍。

參考文獻(xiàn)

[1] .中藥新藥臨床研究指導(dǎo)原則(試行)[S].北京：中國(guó)醫(yī)藥科技出版社，2002.115－119.

[2] 白云靜，申洪波，孟慶剛，等.基于復(fù)雜性科學(xué)的中醫(yī)學(xué)發(fā)展取向與方略[J].中國(guó)中醫(yī)藥信息雜志，2005，12(1)：2－5.

[3] 白云靜，申洪波，孟慶剛，等.中醫(yī)證候復(fù)雜性特征及證候研究思路探析[J].中國(guó)中醫(yī)藥信息雜志，2004，11(9)：754－756.

[4] 白云靜，申洪波，孟慶剛，等.中醫(yī)證候研究的人工神經(jīng)網(wǎng)絡(luò)方法探析[J].中醫(yī)藥學(xué)刊，2004，22(12)：2221－2223.

3 結(jié)果

測(cè)試結(jié)果顯示：3次測(cè)試的平均單證特異性為81.31%，平均單證準(zhǔn)確率為95.70%，平均診斷準(zhǔn)確率為90.72%。結(jié)果見表1。表1 RA證候BP神經(jīng)網(wǎng)絡(luò)模型測(cè)試結(jié)果與臨床診斷結(jié)果的比較（略）

4 討論

ANN的一個(gè)顯著特征是它能夠通過自動(dòng)學(xué)習(xí)來(lái)解決問題，對(duì)樣本的學(xué)習(xí)過程，即為對(duì)網(wǎng)絡(luò)中神經(jīng)元間的聯(lián)系強(qiáng)度(即權(quán)重系數(shù))逐步確定的過程，通過對(duì)樣本的學(xué)習(xí)，可以學(xué)會(huì)識(shí)別自變量與應(yīng)變量間的復(fù)雜的非線性關(guān)系。經(jīng)過充分學(xué)習(xí)后的ANN獲取了樣本的特征規(guī)則，并將這些規(guī)則以數(shù)字的形式分布存貯在網(wǎng)絡(luò)的連接權(quán)中，從而構(gòu)成了系統(tǒng)的非線性映射模型。用ANN建模，可將過程或?qū)ο罂闯梢粋€(gè)“黑箱”，只要測(cè)得輸入輸出數(shù)據(jù)，就可以建立相應(yīng)的模型，不必象傳統(tǒng)的系統(tǒng)辨識(shí)那樣把過程或?qū)ο蠓譃榫€性系統(tǒng)還是非線性系統(tǒng)，也不必對(duì)過程或?qū)ο髢?nèi)部進(jìn)行分析，這對(duì)未知過程的系統(tǒng)辨識(shí)是十分方便的。

中醫(yī)證候體系具有復(fù)雜系統(tǒng)的非線性、開放性、層次性、涌現(xiàn)性和高維性特征，是一個(gè)多維多階多變量的非線性復(fù)雜系統(tǒng)[2-3]。中醫(yī)學(xué)辨證施治過程，實(shí)質(zhì)上是對(duì)大量數(shù)據(jù)信息作出處理，提取規(guī)律的過程。如何從中醫(yī)學(xué)大量現(xiàn)象學(xué)描述中尋找其內(nèi)在規(guī)律，是證的規(guī)范化研究之熱點(diǎn)和難點(diǎn)。以往多采用統(tǒng)計(jì)學(xué)方法，但效果不夠理想。ANN作為一種智能信息處理系統(tǒng)，能夠充分逼近任意復(fù)雜的非線性關(guān)系，獲得樣本數(shù)據(jù)的規(guī)則，較好避免數(shù)據(jù)處理中可能摻雜的主觀因素，客觀如實(shí)地反映研究對(duì)象[4]，因此，可以將其用于中醫(yī)證候的非線性建模研究。

我們?cè)贛ATLAB7.0環(huán)境下，對(duì)一組RA臨床證候資料建立了基于共軛梯度算法的BP神經(jīng)網(wǎng)絡(luò)證候模型，并用3倍交叉驗(yàn)證的方法進(jìn)行測(cè)試，結(jié)果顯示：該模型具有很好的診斷、預(yù)測(cè)能力。說(shuō)明ANN能夠充分模擬癥狀與證型診斷之間的非線性映射關(guān)系。這是目前在不打開人體黑箱的前提下，建立非線性證候模型、反映證候的內(nèi)在規(guī)律和特征的有效方法。

BP神經(jīng)網(wǎng)絡(luò)有一個(gè)明顯的缺點(diǎn)是收斂速度非常慢，為此，我們基于共軛梯度學(xué)習(xí)算法，采用trainscg函數(shù)改進(jìn)train函數(shù)，從而加快了神經(jīng)網(wǎng)絡(luò)的收斂速度。我們建立的RA證候網(wǎng)絡(luò)模型3次訓(xùn)練的迭代次數(shù)分別為89、56、58，說(shuō)明通過改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)具有很好的收斂性能。

另外，針對(duì)臨床證候資料多存在兼夾證以及各證型之間有主次之分的情況，我們首先將模型的輸出采用1個(gè)輸出節(jié)點(diǎn)對(duì)應(yīng)1種證型的方式，比如，RA證候模型共有10個(gè)證型，我們將包含10個(gè)證型的輸出采用(0，1，0，0，1，0，0，0，0，0)的方式，其中，括號(hào)內(nèi)每一個(gè)數(shù)值代表一種證型，“0”表示診斷不成立，“1”表示診斷成立，這樣就可以診斷兼夾證了；然后，我們將整合輸出值整理成(0，0.2，0.4，0.6，0.8，1)等6個(gè)等級(jí)的方式，這6個(gè)數(shù)值分別對(duì)應(yīng)原始輸出值的(0－0.1，0.1－0.3，0.3－0.5， 0.5－0.7，0.7－0.9，0.9－1)區(qū)間的數(shù)值，并規(guī)定整合輸出值≤0.4為診斷不成立，≥0.6為診斷成立，這樣就進(jìn)一步根據(jù)整合輸出值的大小直接判斷有幾個(gè)兼夾證以及各證型的主次地位了。可見，我們建立的RA證候網(wǎng)絡(luò)模型不僅能夠利用神經(jīng)網(wǎng)絡(luò)的自主學(xué)習(xí)能力從大量的樣本中抽提出比較全面的證候內(nèi)在規(guī)律，具有良好的診斷、預(yù)測(cè)能力，而且操作簡(jiǎn)便，真正實(shí)現(xiàn)了證候診斷的智能化。ANN技術(shù)是中醫(yī)證候非線性建模的可行性方法。

雖然我們已經(jīng)證實(shí)了ANN用于證候非線性建模的可行性，但是，以目前的技術(shù)，還無(wú)法從網(wǎng)絡(luò)的聯(lián)接權(quán)中抽提出網(wǎng)絡(luò)通過自動(dòng)學(xué)習(xí)所獲得的證候規(guī)律，今后可以圍繞這個(gè)關(guān)鍵問題繼續(xù)開展研究。另外，證候的診斷信息具有模糊性特征，用模糊神經(jīng)網(wǎng)絡(luò)理論應(yīng)更能夠逼近證候的全貌，我們?cè)?jīng)試圖用模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行證候的非線性建模研究，但是，目前的模糊神經(jīng)網(wǎng)絡(luò)還無(wú)法處理證候的兼夾問題，模糊神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果只能是多類中的一類，因此，我們暫時(shí)未作。今后我們將圍繞這方面展開深入研究，力爭(zhēng)建立證候的模糊神經(jīng)網(wǎng)絡(luò)模型。

總之，一門學(xué)科只有不斷地吸納先進(jìn)的思想與技術(shù)，在繼承的基礎(chǔ)上發(fā)展創(chuàng)新，才能真正具有生命力。中醫(yī)證候復(fù)雜系統(tǒng)研究，呼喚非線性科學(xué)、人工神經(jīng)網(wǎng)絡(luò)、計(jì)算數(shù)學(xué)、模糊數(shù)學(xué)、信息工程、醫(yī)學(xué)工程、復(fù)雜性科學(xué)等多種邊緣學(xué)科、交叉學(xué)科理論和技術(shù)方法的介入，理論上的探討和不斷切實(shí)可行的實(shí)踐探索并行，才能使中醫(yī)證候規(guī)范研究從量的積累上升到質(zhì)的飛躍。

參考文獻(xiàn)

[1] .中藥新藥臨床研究指導(dǎo)原則(試行)[S].北京：中國(guó)醫(yī)藥科技出版社，2002.115－119.

[2] 白云靜，申洪波，孟慶剛，等.基于復(fù)雜性科學(xué)的中醫(yī)學(xué)發(fā)展取向與方略[J].中國(guó)中醫(yī)藥信息雜志，2005，12(1)：2－5.

第4篇：神經(jīng)網(wǎng)絡(luò)的難點(diǎn)范文

關(guān)鍵詞 深度神經(jīng)網(wǎng)絡(luò) 圖像分類 車型識(shí)別 預(yù)測(cè)

中圖分類號(hào)：TP317.4 文獻(xiàn)標(biāo)識(shí)碼：A

0 引言

所謂的深度學(xué)習(xí)是根據(jù)具有多層結(jié)構(gòu)的人工神經(jīng)網(wǎng)絡(luò)所提出。在具體的深度學(xué)習(xí)中，主要借助模擬神經(jīng)系統(tǒng)中的層次結(jié)構(gòu)，來(lái)進(jìn)行數(shù)據(jù)結(jié)構(gòu)特征的反映，一般來(lái)說(shuō)，細(xì)節(jié)用低層次進(jìn)行表示，抽象數(shù)據(jù)結(jié)構(gòu)則用高層次來(lái)表示，利用這種方式，能夠進(jìn)行數(shù)據(jù)挖掘?qū)W習(xí)，滿足學(xué)習(xí)要求。在傳統(tǒng)的車型識(shí)別發(fā)展中，主要涉及到的技術(shù)包括模式識(shí)別、特征選擇和提取以及檢測(cè)分割等方面內(nèi)容，在技術(shù)發(fā)展中，存在的難點(diǎn)主要涉及到如何將完整的目標(biāo)車輛區(qū)域進(jìn)行分割，這是項(xiàng)基礎(chǔ)工作，也是難點(diǎn)所在。這結(jié)合實(shí)際需求，對(duì)于不同拍攝角度下的汽車圖片，包括皮卡車、SUV、面包車以及小轎車進(jìn)行車型識(shí)別，其目標(biāo)質(zhì)量分割質(zhì)量則是最為關(guān)鍵的技術(shù)，直接影響到最后的判斷效果。所以，應(yīng)該重視進(jìn)行具有代表性特征的選擇處理，并相應(yīng)轉(zhuǎn)化成有效的參數(shù)過程。在獲取特征參數(shù)后，則應(yīng)該結(jié)合項(xiàng)目要求來(lái)選擇合理的分類器，這樣才能保障識(shí)別的準(zhǔn)確率。結(jié)合汽車車型識(shí)別問題的要求，這里網(wǎng)絡(luò)輸入則是原始圖像，利用神經(jīng)網(wǎng)絡(luò)優(yōu)勢(shì)，原始數(shù)據(jù)經(jīng)過卷積層、完全連接層以及Softmax 層的培訓(xùn)學(xué)習(xí)，通過這種深度神經(jīng)網(wǎng)絡(luò)來(lái)進(jìn)行分析處理，免于上述存在難度的圖像分割、手工提取等過程。

1數(shù)據(jù)集

這里的車型識(shí)別目標(biāo)的數(shù)據(jù)集主要包括皮卡車、SUV、面包車以及小轎車等四種類型。其中，訓(xùn)練集和測(cè)試集分別包括1025張和368張?jiān)紙D片。此數(shù)據(jù)集中，包括不同攝像角度中的汽車圖像照片，具有背景復(fù)雜、圖像大小不統(tǒng)一，車輛在圖片中所占比例具有較大差異性等方面問題，這些都在一定程度上造成車型識(shí)別的難度上升。

在預(yù)處理中，為了保證網(wǎng)絡(luò)輸入的一致性，對(duì)于原始圖像進(jìn)行調(diào)整處理為256？56？尺寸。在此基礎(chǔ)上，對(duì)于圖像RGB三個(gè)通道的均值進(jìn)行計(jì)算，并進(jìn)行均值標(biāo)準(zhǔn)化的處理。在具體的網(wǎng)絡(luò)訓(xùn)練測(cè)試的過程中，主要?jiǎng)t是選取224？24？ 的樣本作為輸入。

2網(wǎng)絡(luò)結(jié)構(gòu)探討

結(jié)合文獻(xiàn)所提出的深度神經(jīng)網(wǎng)絡(luò)VGG16的優(yōu)勢(shì)，我們將其應(yīng)用在汽車車型識(shí)別問題中。VGG16網(wǎng)絡(luò)具有較強(qiáng)的優(yōu)勢(shì)，主要包括5個(gè)堆棧式的卷積神經(jīng)網(wǎng)絡(luò)ConvNet，以及3個(gè)完全連接層以及1個(gè)Softmax層，由此可見，其屬于“網(wǎng)絡(luò)中的網(wǎng)絡(luò)”架構(gòu)。在每個(gè)每個(gè)ConvNet中，還有多個(gè)卷積層所構(gòu)成，然后緊跟隨著Max-Pooling層。在進(jìn)行卷積以及池化處理的基礎(chǔ)上，進(jìn)行三層完全連接處理，同時(shí)，Softmax層的輸入則是最后一個(gè)完全連接曾的輸出，在這基礎(chǔ)上，實(shí)現(xiàn)車型分類的要求。結(jié)合實(shí)際需求，將非線性的ReLU層加入該網(wǎng)絡(luò)中，這樣就會(huì)讓ReLU來(lái)處理卷積層和完全連接層的輸出，保證訓(xùn)練時(shí)間有效降低。另外，還將一種正則化Dropout方式應(yīng)用在網(wǎng)絡(luò)中，避免出現(xiàn)完全連接層中的過擬合問題。

另一個(gè)神經(jīng)網(wǎng)絡(luò)Alexnet，結(jié)構(gòu)稍微簡(jiǎn)單一些，主要包括5卷積層、3個(gè)完全連接層、Softmax層等幾部分，在進(jìn)行部分卷積層處理后，在進(jìn)行Max- Pooling層處理。在此網(wǎng)絡(luò)中，同樣采用非線性的ReLU層，所采用難度重疊池化方式，也能有效保證盡量降低過擬合的問題。

3實(shí)驗(yàn)結(jié)果分析

結(jié)合上述分析的深度神經(jīng)網(wǎng)絡(luò)VGG16和AlexNet的基礎(chǔ)上，進(jìn)行Gaffe框架的搭設(shè)，為了保證運(yùn)算效率，建立在GeForce GTX TITAN X CPU的工作站中。經(jīng)過統(tǒng)計(jì)，單一網(wǎng)路訓(xùn)練大約為2小時(shí)，一張圖片測(cè)試大約為0.2秒。在應(yīng)用上述網(wǎng)絡(luò)測(cè)試、訓(xùn)練之外，在分類過程中，還應(yīng)用了經(jīng)典的分類算法KNN。經(jīng)過實(shí)驗(yàn)分析，可以看出，VGG16網(wǎng)絡(luò)能夠具有比較好的分類結(jié)果，能夠?qū)崿F(xiàn)準(zhǔn)確率為97.3%，而AlexNet網(wǎng)絡(luò)準(zhǔn)確率達(dá)到為93.0%，KNN算法不能有效處理較為復(fù)雜背景的圖片，分類準(zhǔn)確率僅為52.3%。在具體的案例中，分析VGG16網(wǎng)絡(luò)錯(cuò)誤分類的情況，面包車具有完全正確的分類效果。在錯(cuò)誤分類的SUV車型中，究其原因，主要包括：車顏色有兩部分組成，紅色部分則和皮卡車車型相同；車型結(jié)構(gòu)太類似于皮卡車；背景中加入其他車型，這樣會(huì)造成分類結(jié)果不準(zhǔn)確。如果圖片中僅僅包括車頭的情況，在進(jìn)行車型識(shí)別中也存在較大的難度，不同車型從前面角度進(jìn)行觀察，并沒有太大的差異化，這點(diǎn)應(yīng)該明確指出。

4結(jié)語(yǔ)

這里采用深度學(xué)習(xí)方法，結(jié)合先進(jìn)的深度神經(jīng)網(wǎng)絡(luò)，以及功能強(qiáng)大的計(jì)算機(jī)工作站，對(duì)于四類汽車進(jìn)行識(shí)別實(shí)驗(yàn)研究。經(jīng)過試驗(yàn)表明，VGG16網(wǎng)絡(luò)具有最好的分類效果，傳統(tǒng)的經(jīng)典分類算法往往僅為其準(zhǔn)確率的一半左右。所以，可以看出深度神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的學(xué)習(xí)能力，能夠在圖像分類問題中表現(xiàn)出很大優(yōu)勢(shì)，應(yīng)該不斷優(yōu)化深度神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，以便其適用于更多的圖像分類要求。

參考文獻(xiàn)

[1] Hinton G E， Osindero S， Teh Y W.A Fast Learning Algorithm For Deep Belief Nets[J]. Neural Computation， 2006， 18（7）：1527-1554.

第5篇：神經(jīng)網(wǎng)絡(luò)的難點(diǎn)范文

關(guān)鍵詞：八角茴香（Illicium verum Hook.f.）；紅外光譜；反向傳播人工網(wǎng)絡(luò)；鑒定

中圖分類號(hào)：R931.5 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：0439-8114（2013）18-4497-02

八角茴香（Illicium verum Hook. f.）為木蘭科常綠喬木八角的干燥成熟果實(shí)，又名大茴香、大料等[1，2]。八角茴香性味辛、甘、溫，具有溫中散寒、理氣止痛的功效，常用于治療胃寒疼痛、嘔逆食少、寒性腰痛等[3]。近期常在市場(chǎng)上發(fā)現(xiàn)八角偽品——同屬植物果實(shí)，因此建立八角的品質(zhì)鑒定標(biāo)準(zhǔn)十分必要[4-7]。人工神經(jīng)網(wǎng)絡(luò)（Artificial neural network，ANN），簡(jiǎn)稱為神經(jīng)網(wǎng)絡(luò)，是利用大量簡(jiǎn)單的處理單元廣泛連接組成的復(fù)雜網(wǎng)絡(luò)，可模仿人腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和功能的一種信息處理系統(tǒng)。目前應(yīng)用較多的是反向傳播人工神經(jīng)網(wǎng)絡(luò)（Back-propagation，BP-ANN），該系統(tǒng)采用誤差逆?zhèn)鞑ニ惴ǎ炊鄬诱`差修正梯度下降法離線學(xué)習(xí)，按離散時(shí)間方式運(yùn)行，該算法通過最小化代價(jià)函數(shù)實(shí)現(xiàn)由輸入到輸出的映射[8-11]。本試驗(yàn)通過人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)對(duì)48個(gè)不同批次、不同產(chǎn)地八角樣品的紅外光譜分析，找到八角茴香和偽八角間的差異，以期為八角茴香的快速鑒定提供借鑒和參考。

1 材料與方法

1.1 材料

PE1730型傅里葉變換紅外光譜儀，配備DTGS檢測(cè)器。

48份八角樣品，采購(gòu)于張家口市某市場(chǎng)，經(jīng)河北北方學(xué)院藥物研究所鑒定。

1.2 方法

1.2.1 樣品測(cè)定 樣品經(jīng)烤箱烘干，機(jī)器粉碎，過60目篩，備用。稱取1～2 mg樣品，研細(xì)，加入100～200 mg溴化鉀，壓制為0.1 mm透明薄片后，上機(jī)測(cè)定。測(cè)定條件：光譜分辨率4 cm-1，測(cè)量范圍4 000～400 cm-1，環(huán)境溫度22 ℃左右。樣品在測(cè)試前掃描背景，掃描30次，取30次測(cè)量值的平均值。

1.2.2 方法學(xué)驗(yàn)證 同一樣品供試片連續(xù)測(cè)定5次，驗(yàn)證方法的精密度；同一份樣品分別取樣5次進(jìn)行壓片測(cè)定，驗(yàn)證方法的重現(xiàn)性；取同一樣品片放入干燥器內(nèi)保存，分別放置0、1、2、4、6、12、24 h 后測(cè)定，驗(yàn)證方法的穩(wěn)定性。

1.2.3 數(shù)據(jù)的采集和處理 采用誤差反向傳播算法的神經(jīng)網(wǎng)絡(luò)（BP-ANN）建立八角樣品的分類模型。神經(jīng)網(wǎng)絡(luò)的輸入層單元為44，輸出層單元為1個(gè)，以1.0代表八角茴香，0.0代表偽八角。對(duì)隱含層單元優(yōu)化選擇。采用Matlab的appcoef函數(shù)進(jìn)行一維小波變換，壓縮光譜。然后使用Trainbpx（快速BP算法）進(jìn)行網(wǎng)絡(luò)訓(xùn)練和建模。為了驗(yàn)證神經(jīng)網(wǎng)絡(luò)建立的分類模型，采用交叉驗(yàn)證方法。使用n中取1的方法選取檢驗(yàn)樣本，即每次選取一個(gè)樣本作為檢驗(yàn)樣本，其余樣本作為訓(xùn)練樣本。每個(gè)樣品作為檢驗(yàn)樣本1次，作為了訓(xùn)練集樣本n-1次。預(yù)測(cè)結(jié)果的判定閾值設(shè)為0.5，即當(dāng)輸出值大于0.5判為八角茴香，當(dāng)輸出值小于0.5判為偽八角。

2 結(jié)果與分析

2.1 方法學(xué)結(jié)果

八角樣品的紅外光譜分析結(jié)果表明，同一樣品連續(xù)測(cè)定5次后以及不同時(shí)間測(cè)定后，其光譜圖一致，同一樣品分別取樣5次后，測(cè)定圖譜的相對(duì)標(biāo)準(zhǔn)偏差為0.1%。結(jié)果表明，本方法具有較好的精密度、重現(xiàn)性和穩(wěn)定性。

2.2 八角的紅外光譜分析

比較八角樣品的紅外光譜（圖1）可知，八角紅外譜圖在3 000～1 600 cm-1間差異較大，以該區(qū)域作為后續(xù)分析對(duì)象。為減少光譜變量，提高神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度，對(duì)該區(qū)域光譜進(jìn)行小波變換壓縮。其光譜變量點(diǎn)由原來(lái)的700個(gè)減少為44個(gè)。為方便比較樣品光譜圖，對(duì)所測(cè)數(shù)據(jù)歸一化處理，得到的紅外光譜圖能較好反映出不同產(chǎn)地不同年限八角的光譜差別。故采用含44個(gè)變量的歸一化八角紅外光譜作為神經(jīng)網(wǎng)絡(luò)分析數(shù)據(jù)。

2.3 隱含層結(jié)點(diǎn)的影響

隱含層的結(jié)點(diǎn)數(shù)決定著BP網(wǎng)絡(luò)的復(fù)雜性。因此把隱含層個(gè)數(shù)從1到8逐一比較（圖2）。隨著隱含層結(jié)點(diǎn)數(shù)的變化，BP-ANN網(wǎng)絡(luò)的識(shí)別正確率也在變化。當(dāng)隱含層結(jié)點(diǎn)數(shù)為1時(shí)，識(shí)別正確率最低，為85.42%；當(dāng)隱含層結(jié)點(diǎn)數(shù)為5時(shí)，識(shí)別正確率最高，達(dá)到91.67%。因此，最佳隱含層結(jié)點(diǎn)數(shù)為5。

2.4 動(dòng)量因子的影響

動(dòng)量因子和學(xué)習(xí)速率是影響B(tài)P神經(jīng)網(wǎng)絡(luò)訓(xùn)練速率和收斂度的2個(gè)重要因素。根據(jù)分析結(jié)果（圖3），本試驗(yàn)確定最合適的動(dòng)量因子為0.5。調(diào)節(jié)動(dòng)量因子，找到最高的識(shí)別正確率，但是如果動(dòng)量因子過大，BP網(wǎng)絡(luò)就不能收斂。

由4圖可知，BP-ANN僅有4個(gè)八角樣品識(shí)別錯(cuò)誤，其他44個(gè)樣品鑒定正確。BP-ANN技術(shù)的識(shí)別正確率達(dá)到91.67%。

3 結(jié)論

通過對(duì)48個(gè)八角樣品的測(cè)試和鑒別可知，采集不同品種的八角樣品圖譜相似性較高，根據(jù)譜圖差異并通過BP-ANN技術(shù)可區(qū)分八角茴香和偽八角。目前，作為藥食兩用的八角尚無(wú)統(tǒng)一質(zhì)量標(biāo)準(zhǔn)，這是制約八角的藥用開發(fā)的重要因素。鑒定八角中是否摻雜其他低劣成分，甚至有害成分，將是今后快速鑒定技術(shù)的攻關(guān)難點(diǎn)，紅外光譜法作為無(wú)損分析方法，較之常規(guī)鑒定方法[3-6]，更直接和快速，因此開發(fā)這類無(wú)損鑒定方法，在中藥鑒偽方面具有較大的應(yīng)用價(jià)值。

參考文獻(xiàn)：

[1] 崔愛民，王桂蘭，付 靜.八角茴香與其偽品的鑒別[J].時(shí)珍國(guó)醫(yī)國(guó)藥，2001，12（6）：513.

[2] 王慶瑞.中國(guó)植物志（五十一卷）[M].北京：科學(xué)出版社，1991.

[3] 國(guó)家藥典委員會(huì). 中華人民共和國(guó)藥典[S]. 北京： 中國(guó)醫(yī)藥科技出版社，2010.

[4] 胡 巖，段天璇，曹 楓，等.八角科植物果皮化學(xué)成分的LC-MS圖譜特征及其在分類和藥材鑒別上的意義[J].中國(guó)中藥雜志，2010，35（14）：1836-1839.

[5] 李 峰，宋曉玲，劉亞魯.八角茴香及其混偽品的鑒別[J].山東中醫(yī)雜志，2011，30（10）：739-740.

[6] 蔡 鵬，彭正松.八角茴香及其混偽品的比較研究[J].廣西農(nóng)業(yè)科學(xué)，2006，37（6）：713-718.

[7] 劉蓬勃，朱世緯，孫素琴.傅里葉變換紅外光譜法無(wú)損快速鑒別八角茴香及其偽品[J].中藥材，2001，24（11）：802-803.

[8] 袁曾任.人工神經(jīng)元網(wǎng)絡(luò)及其應(yīng)用[M].北京： 清華大學(xué)出版社，1999.

[9] 王永驥，涂 健.神經(jīng)元網(wǎng)絡(luò)控制[M].北京：機(jī)械工業(yè)出版社，1998.

第6篇：神經(jīng)網(wǎng)絡(luò)的難點(diǎn)范文

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

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

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

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

1　人工神經(jīng)網(wǎng)絡(luò)理論概述

BP算法是一種監(jiān)控學(xué)習(xí)技巧，它通過比較輸出單元的真實(shí)輸出和希望值之間的差別，調(diào)整網(wǎng)絡(luò)路徑的權(quán)值，以使下一次在相同的輸入下，網(wǎng)絡(luò)的輸出接近于希望值。圖1是人工神經(jīng)Ui的結(jié)構(gòu)模型，圖中Ui為神經(jīng)元內(nèi)部狀態(tài)，Qi為門檻值，Yi為輸出信號(hào)，Xi(i=1，2，…，n)為神經(jīng)元接收信號(hào)。該模型可表示為：

式中

Wji——連接權(quán)值。

BP算法的神經(jīng)網(wǎng)絡(luò)圖形如圖2所示，設(shè)網(wǎng)絡(luò)的輸入模塊為p，令其作用下網(wǎng)絡(luò)輸出單元j的輸出為Opj。如果輸出的希望值是Tpj，則其誤差為Dpj=Tpj－Opj。若輸入模塊的第i個(gè)單元輸入為Ipi，則就輸入模塊p而言，輸入接點(diǎn)I與輸出接點(diǎn)j之間的權(quán)值變化量為：

ΔWpji=zDpjIpi

式中，z是某一個(gè)常數(shù)。當(dāng)反復(fù)迭代該式時(shí)，便可使實(shí)際值收斂于目標(biāo)值［6］。其中隱含層既有輸入網(wǎng)線，又有輸出網(wǎng)線，每一個(gè)箭頭都有一定的權(quán)值。

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

2　神經(jīng)網(wǎng)絡(luò)型繼電保護(hù)

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

如圖3所示，裝置可直接取線路及其周邊的模擬量、數(shù)字量，經(jīng)模式特征變換輸入給神經(jīng)網(wǎng)絡(luò)，根據(jù)以前學(xué)習(xí)過的訓(xùn)練材料，對(duì)數(shù)據(jù)進(jìn)行推理、分析評(píng)價(jià)、輸出。專家系統(tǒng)對(duì)運(yùn)行過程控制和訓(xùn)練，按最優(yōu)方式收集數(shù)據(jù)或由分析過程再收集控制，對(duì)輸出結(jié)果進(jìn)行評(píng)估，判別其正確性、一致性，作出最終判決，經(jīng)變換輸出，去執(zhí)行機(jī)構(gòu)。即使是新型保護(hù)，也會(huì)存在著某些功能模塊不正確動(dòng)作的可能，這時(shí)可以過后人為干預(yù)擴(kuò)展專家系統(tǒng)數(shù)據(jù)庫(kù)或由專家系統(tǒng)作出判別，作為訓(xùn)練樣本訓(xùn)練ANN的這部分功能模塊，改變其某些網(wǎng)線的權(quán)值，以使下次相同情況下減少不正確動(dòng)作的可能。

下面是一個(gè)簡(jiǎn)單的ANN線路保護(hù)例子。當(dāng)電力系統(tǒng)故障時(shí)，輸電線路各相、各序電壓、電流也隨之發(fā)生變化，特別是故障后故障相的相電壓和相電流，以及接地系統(tǒng)在接地故障的零序電流的變化有明顯的代表性。比如選輸入層神經(jīng)元個(gè)數(shù)為14個(gè)，分別是Uar，Uai，Ubr，Ubi，UcrUci，Iai，Ibr，Ibi，Icr，Ici，Ior，Ioi(下標(biāo)r和i分別代表實(shí)部與虛部)，選定輸出層神經(jīng)元個(gè)數(shù)為5個(gè)：YA(A相)，YB(B相)，YC(C相)，YO(接地)，YF(方向)，各輸出值為1，代表選中；輸出值為0，代表沒選中(YF為0代表反向)。這5個(gè)輸出完全滿足線路方向保護(hù)的需求(沒考慮正向超越)，隱含層神經(jīng)元數(shù)目為2N+1(N為輸入層神經(jīng)元數(shù)目)。訓(xùn)練樣本集包含14個(gè)輸入變量和5個(gè)輸出變量，而測(cè)試樣本集中的樣本則只有14個(gè)輸入變量。選圖4的雙側(cè)電源系統(tǒng)作研究對(duì)象，輸電線路、系統(tǒng)的等值正、零序參數(shù)如圖4所示。

考慮的故障類型包括單相接地(K1)，兩相短路(K2)，兩相接地(K1—1)，三相短路(K3)。

對(duì)圖4所示的500 kV雙側(cè)電源系統(tǒng)的各種運(yùn)行方式和故障情況建立訓(xùn)練樣本。

在正常狀態(tài)下，令h∠δ=(EM)/(EN)，h=1，δ

隨負(fù)荷變化，取為－60°，－50°，－40°，－30°，－20°，－10°，0°，10°，20°，30°，40°，50°，60°，有13個(gè)樣本。故障情況下，δ取值為－60°，－30°，0°，30°，60°，故障點(diǎn)選反向出口(－0 km)，正向出口(+0 km)，線路中部(150 km)，線末(300 km)。接地電阻Rg取值0 Ω，50 Ω，100 Ω，150 Ω，200 Ω，相間電阻Rp取值0 Ω，25 Ω，50 Ω，則共有5×4×(5+3+5×3+3)=520個(gè)樣本。每個(gè)樣本的5個(gè)輸出都有一組期望的輸出值，以此作為訓(xùn)練樣本。而實(shí)際運(yùn)行、故障時(shí)，保護(hù)所測(cè)到的電流、電壓極少直接與樣本相同，此時(shí)就需要用到模糊理論，規(guī)定某個(gè)輸出節(jié)點(diǎn)。如YA(A相)在某一取值范圍時(shí)，則被選中。

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

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

3　結(jié)論

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

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

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

參考文獻(xiàn)

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

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

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

4　Chow Mo-Yuen.The Advantage of Machine Fault Detection Using Artificial Neural Networks and Fuzzy Logic Technology.IEEE Trans，1992，5(6).(2)：1078～1085

第7篇：神經(jīng)網(wǎng)絡(luò)的難點(diǎn)范文

關(guān)鍵詞：?jiǎn)误w型；單體型裝配；SNP

中圖分類號(hào)：R394 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9416（2017）01-0124-01

生物信息學(xué)是一個(gè)新興學(xué)科。它以計(jì)算機(jī)為工具對(duì)生物信息進(jìn)行存儲(chǔ)，檢索和分析，探究生命的奧秘。我們知道，每個(gè)人都是獨(dú)立的個(gè)體。沒有完全相同的兩個(gè)人。但是從基因序列的角度來(lái)看，不同的個(gè)體有很高的相似度，因?yàn)閴A基對(duì)有99%是相同的。換句話說(shuō)，僅有1%的堿基對(duì)的不同決定了遺傳上的人與人的不同。例如，不同個(gè)體之間頭發(fā)，鼻子，眼睛的不同等等。

每個(gè)生物都具有基因組，絕大部分的基因組都是由DNA組成，當(dāng)然個(gè)別基因組也可由RNA組成。DNA和RNA是有核苷酸組成的多聚分子。每個(gè)核苷酸包含一個(gè)單糖，一個(gè)磷酸基團(tuán)，和一個(gè)堿基。堿基共四總，A，G，C，T，堿基配對(duì)原則A與T配對(duì)，G與C配對(duì)。一個(gè)基因是位于某條染色體的某個(gè)位置上的核苷酸序列，其中蘊(yùn)含著某種特定的功能產(chǎn)物（如蛋白質(zhì)）的編碼。基因不僅可以通過復(fù)制把遺傳信息韉莞下一代，還可以使遺傳信息得到表達(dá)。染色體中基因組序列中單個(gè)堿基的差異稱為單核苷酸多態(tài)性（SNP），單核苷酸多態(tài)性是人類基因突變中最常見的一種。雙倍體生物的兩條同源染色體幾乎完全相同，每一條染色體上或染色體的某一區(qū)域上的所有SNP位點(diǎn)對(duì)應(yīng)的等位基因構(gòu)成的堿基序列構(gòu)成一條單體型。那么裝配單體型，對(duì)于分析SNP在人群中的分布和規(guī)律，發(fā)現(xiàn)與疾病相關(guān)的基因與多態(tài)位點(diǎn)就顯得尤為重要了。

1 單體型裝配問題[1]

單體型裝配問題針對(duì)的是染色體上的大量SNP數(shù)據(jù)，通過適當(dāng)?shù)姆椒ǎ瑢⑵溲b配成一對(duì)單體型。由于染色體都的成對(duì)出現(xiàn)的。那么，如何將SNP片段分成適當(dāng)?shù)膬蓚€(gè)集合，并且從每個(gè)集合按照一定的原則裝配出一條單體型就是一個(gè)難點(diǎn)。另外，我們通過實(shí)驗(yàn)得到的小的SNP片段存在一些瑕疵，例如某些點(diǎn)數(shù)據(jù)的缺失，某些點(diǎn)通過實(shí)驗(yàn)得到的數(shù)據(jù)是錯(cuò)誤的等等。因此，這些未知的因素使得我們裝配單體型的難度變大了。單體型裝配問題目前主要有三類：最少錯(cuò)誤糾正（MEC）模型，最少片段去除模型，最少SNP去除模型。針對(duì)以上三種模型求解的主要方法，目前研究比較多的是啟發(fā)式算法，這類算法優(yōu)點(diǎn)是運(yùn)用時(shí)間少，可以較快的找到問題的最優(yōu)解。缺點(diǎn)就是找到的是最優(yōu)解，不一定是準(zhǔn)確解。由于得到的數(shù)據(jù)本身就有一定的瑕疵，因此由數(shù)據(jù)求解出的準(zhǔn)確解也不一定是最初問題的準(zhǔn)確解。因此，我們一般認(rèn)為在求解大規(guī)模計(jì)算中求出問題的最優(yōu)解就是可以接受的了，事實(shí)證明，最優(yōu)解和準(zhǔn)確解誤差不大，可以接受。

2 啟發(fā)式算法研究

2.1 基于遺傳算法的啟發(fā)式算法[2]

遺傳算法是Goldberg在1989年提出的，是一個(gè)非常有用的啟發(fā)式算法，已經(jīng)在很多領(lǐng)域包括計(jì)算生物學(xué)如蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)，啟動(dòng)子序列識(shí)別，多序列比對(duì)等問題中成功應(yīng)用。2005年王瑞省博士將遺傳算法引入單體型重構(gòu)問題，針對(duì)的是最少錯(cuò)誤模型（MEC模型）。通過構(gòu)造個(gè)體空間，設(shè)計(jì)適應(yīng)度函數(shù)，選擇算子，設(shè)計(jì)基于遺傳算法的啟發(fā)式算法，為了驗(yàn)證算法的有效性，通過ACE（血管緊縮轉(zhuǎn)移酶）基因數(shù)據(jù)集，DALY數(shù)據(jù)集進(jìn)行驗(yàn)證，結(jié)果顯示，設(shè)計(jì)的遺傳算法適合解決規(guī)格較大的問題。但是針對(duì)SNP錯(cuò)誤率較高的時(shí)候，重構(gòu)率效果不是很好。

2.2 基于粒子群算法的啟發(fā)式算法[3]

粒子群算法（PSO）最早是由心理學(xué)研究學(xué)者Kennedy博士和從事計(jì)算智能研究的Eberhart博士于1995年提出來(lái)的一種智能算法。兩位學(xué)者通過觀察鳥類捕食的過程，從中受到啟發(fā)，進(jìn)而提出的一種算法。后來(lái)逐漸應(yīng)用到優(yōu)化問題當(dāng)中，像車間調(diào)度，路由選擇，以及整數(shù)規(guī)劃問題，并且取得較好的效果。2006年錢偉懿將粒子群算法引入單體型重構(gòu)問題。針對(duì)MEC模型，提出了基于改進(jìn)粒子群算法的啟發(fā)式算法。它在原始粒子群算法中增加了記憶功能，提高了搜索速度。并將其應(yīng)用到ACE基因數(shù)據(jù)集進(jìn)行驗(yàn)證算法的有效性。同時(shí)與王瑞省的遺傳算法進(jìn)行了比較，表明算法的優(yōu)越性，尤其是在SNP錯(cuò)誤率較高的時(shí)候，基于粒子群算法的啟發(fā)式算法重構(gòu)率更高。

2.3 基于前饋神經(jīng)網(wǎng)絡(luò)的啟發(fā)式算法[4]

前饋神經(jīng)網(wǎng)絡(luò)，簡(jiǎn)稱前饋網(wǎng)絡(luò)，是人工神經(jīng)網(wǎng)絡(luò)的一種。1986年，Rumelhart，Hinton和Williams等完整而簡(jiǎn)明提出來(lái)的。在此種神經(jīng)網(wǎng)絡(luò)中，各神經(jīng)元從輸入層開始，接收前一級(jí)輸入，并輸入到下一級(jí)，直至輸出層。整個(gè)網(wǎng)絡(luò)中無(wú)反饋，可用一個(gè)有向無(wú)環(huán)圖表示。前饋神經(jīng)網(wǎng)絡(luò)是最早被提出的人工神經(jīng)網(wǎng)絡(luò)，也是最簡(jiǎn)單的人工神經(jīng)網(wǎng)絡(luò)類型。2008年章祥蓀等將前饋神經(jīng)網(wǎng)絡(luò)引入到單體型重構(gòu)問題。針對(duì)帶基因型信息的最少錯(cuò)誤糾正（MEC/GI）模型，提出了基于前饋神經(jīng)網(wǎng)絡(luò)的啟發(fā)式算法。對(duì)于MEC/GI問題由三層神經(jīng)元組成。對(duì)于m個(gè)SNP片段，n個(gè)SNP位點(diǎn)的例子，網(wǎng)絡(luò)有m個(gè)輸入神經(jīng)元，兩個(gè)隱含神經(jīng)元和一個(gè)輸出神經(jīng)元。為了驗(yàn)證算法的有效性，對(duì)ACE基因數(shù)據(jù)和DALY數(shù)據(jù)集進(jìn)行了測(cè)試，結(jié)果顯示算法非常有效，重構(gòu)率比前面2種算法又有了提高。

3 展望

本文針對(duì)單體型裝配問題的求解方法，給出了3種主要的啟發(fā)式算法。分別是基于遺傳算法的啟發(fā)式算法，基于粒子群算法的啟發(fā)式算法，基于前饋神經(jīng)網(wǎng)絡(luò)算法的啟發(fā)式算法。生物信息的奧秘是永無(wú)止境的，單體型在揭示人類奧秘中扮演著重要的角色。然而，人們對(duì)單體型的研究還處于起步階段，它激勵(lì)著科研工作者努力去探索未知的秘密。

參考文獻(xiàn)

[1]楊英杰.單體型裝配問題研究現(xiàn)狀[J].銅仁學(xué)院學(xué)報(bào)，2011（2）：135-138.

[2]Rui-Sheng Wang， Ling-Yun Wu， Zhen-Ping Li， et al. Haplotype construction from SNP fragments by minimum error correction[J].Bioinformatics，2005，21（10）：2456-2462.

第8篇：神經(jīng)網(wǎng)絡(luò)的難點(diǎn)范文

針對(duì)水電機(jī)組振動(dòng)故障耦合因素多、故障模式復(fù)雜等問題，提出了一種基于量子自適應(yīng)粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)(QAPSO-BP)的故障診斷模型。在QAPSO-BP算法中，利用量子計(jì)算中的疊加態(tài)特性和概率表達(dá)特性，增加了種群的多樣性;根據(jù)各粒子的位置與速度信息，實(shí)現(xiàn)慣性因子的自適應(yīng)調(diào)節(jié);為避免陷入局部最優(yōu)，在算法中加入變異操作;并以此來(lái)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)網(wǎng)絡(luò)的參數(shù)優(yōu)化，進(jìn)而構(gòu)建了機(jī)組的振動(dòng)故障診斷模型。仿真實(shí)例表明，與粒子群優(yōu)化BP網(wǎng)絡(luò)(PSO-BP)法和BP網(wǎng)絡(luò)法相比，該算法具有較高的診斷準(zhǔn)確度，適用于水電機(jī)組振動(dòng)故障的模式識(shí)別。

關(guān)鍵詞:

BP神經(jīng)網(wǎng)絡(luò);量子自適應(yīng)粒子群優(yōu)化算法;水電機(jī)組;振動(dòng);故障診斷

水電機(jī)組的振動(dòng)包含水力、機(jī)械和電磁3個(gè)方面，異常振動(dòng)可能會(huì)破壞機(jī)組的結(jié)構(gòu)。據(jù)統(tǒng)計(jì)，水電機(jī)組約有80%的故障都會(huì)在振動(dòng)信號(hào)中有所反映［1］。因此，從水電機(jī)組的振動(dòng)信號(hào)入手，進(jìn)而建立相應(yīng)的模型已成為診斷機(jī)組故障的重要手段。鑒于水電機(jī)組發(fā)生振動(dòng)故障的原因復(fù)雜多樣，涉及電氣、機(jī)械以及水力等多方面的因素，且故障成因與征兆之間呈現(xiàn)復(fù)雜的非線性，其故障的模式識(shí)別方法就成為研究的熱點(diǎn)及難點(diǎn)［2］。近年來(lái)，針對(duì)水電機(jī)組振動(dòng)故障診斷技術(shù)的研究，相關(guān)人員開展了大量工作，成果顯著。如易輝等［3］采用基于相關(guān)向量機(jī)(RelevanceVectorMachine，RVM)的水電機(jī)組故障診斷方法，并根據(jù)訓(xùn)練樣本的分布情況來(lái)自動(dòng)選取決策結(jié)構(gòu)，提高了診斷的速度和準(zhǔn)確性。張孝遠(yuǎn)等［4］考慮到故障樣本存在著交疊區(qū)域，提出了基于粗糙集與一對(duì)一多類支持向量機(jī)結(jié)合的診斷方法。賈嶸等［5］采用粒子群算法(ParticleSwarmOptimi-zation，PSO)優(yōu)化支持向量機(jī)(SupportVectorMachine，SVM)的故障診斷模型，取得了較好地分類效果。郭鵬程等［6］通過小波分解對(duì)水電機(jī)組的振動(dòng)信號(hào)波形進(jìn)行去噪提純，并建立了基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的故障診斷模型。顯然，相關(guān)研究主要側(cè)重于采用支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)以及諸如粒子群等優(yōu)化算法用于水電機(jī)組的振動(dòng)故障診斷中，但對(duì)基于量子粒子群優(yōu)化算法(QuantumParticleSwarmOptimization，QPSO)的機(jī)組振動(dòng)故障診斷技術(shù)尚未見報(bào)道。PSO算法是美國(guó)Kennedy和Eber-hart受鳥類捕食行為的啟發(fā)，于1995年提出的一種智能優(yōu)化算法。作為一種重要的優(yōu)化工具，粒子群優(yōu)化算法已在組合優(yōu)化、系統(tǒng)辨識(shí)和神經(jīng)網(wǎng)絡(luò)訓(xùn)練等領(lǐng)域得到廣泛應(yīng)用［7－9］。但是，同其它優(yōu)化算法一樣，PSO算法也表現(xiàn)出易陷入局部最優(yōu)等問題，這也推動(dòng)了改進(jìn)PSO算法的研究，而量子粒子群優(yōu)化算法［10］就是從量子力學(xué)角度提出的一種改進(jìn)模型。它認(rèn)為粒子具有量子的行為，能夠在整個(gè)可行解空間進(jìn)行搜索，故而具有較強(qiáng)的全局尋優(yōu)能力，已成功應(yīng)用于風(fēng)電功率預(yù)測(cè)及碳酸鹽巖流體識(shí)別等領(lǐng)域［11－12］。因此，本文受文獻(xiàn)［13］的啟發(fā)，提出了一種基于量子自適應(yīng)粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)(QuantumAdaptiveParticleSwarmOptimizedBPNeuralNetwork，QAPSO-BP)的水電機(jī)組振動(dòng)故障診斷模型。首先由量子自適應(yīng)粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)、閾值參數(shù)，再由優(yōu)化后的BP網(wǎng)絡(luò)進(jìn)行故障診斷，最終實(shí)現(xiàn)了水電機(jī)組振動(dòng)故障集與征兆集之間的有效映射。

1PSO算法基本原理

在D維搜索空間中有m個(gè)粒子組成一個(gè)種群，其中第通過計(jì)算適應(yīng)度函數(shù)值，使粒子按照下式來(lái)實(shí)現(xiàn)速度和位置的更新。

2量子自適應(yīng)粒子群優(yōu)化算法(QAPSO)

2．1量子編碼QAPSO采用量子位的概率幅對(duì)粒子的當(dāng)前位置進(jìn)行編碼，其編碼方案為:由此可見，種群中每個(gè)粒子的位置xiα和xiβ與優(yōu)化問題的兩個(gè)解對(duì)應(yīng)起來(lái)，從而擴(kuò)展了算法的遍歷能力。

2．2狀態(tài)評(píng)估對(duì)粒子i，由下式來(lái)估計(jì)與其它粒子的平均距離及平均速率。

2．3參數(shù)自適應(yīng)調(diào)節(jié)慣性因子ω的選取對(duì)算法的搜索能力影響很大。在QAPSO算法中，根據(jù)粒子的飛行軌跡差異按式(9)來(lái)自適應(yīng)調(diào)整慣性因子。在搜索初期，由式(8)可知，平均軌跡差異的進(jìn)化因子fc=1，此時(shí)ω=0．9。通過賦予ω一個(gè)較大值，有利于提高算法的全局尋優(yōu)能力。而在后期階段，賦予一個(gè)較小的ω，以增強(qiáng)算法的局部搜索能力。隨著算法搜索的進(jìn)行，ω按照S型函數(shù)遞減，避免了線性遞減粒子群算法不能適應(yīng)非線性變化特性的缺陷，從而實(shí)現(xiàn)QAPSO算法在全局收斂與局部搜索能力之間的平衡。

2．4變異操作為了增加種群的多樣性，克服粒子的集聚現(xiàn)象，通過所預(yù)設(shè)的變異概率，對(duì)全局最優(yōu)粒子的量子位采用量子非門進(jìn)行變異操作，以避免算法陷入局部最優(yōu)。其操作過程如下。

2．5QAPSO-BP算法實(shí)現(xiàn)步驟QAPSO-BP算法的實(shí)現(xiàn)步驟如下［14］:步驟1:確定BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)。步驟2:初始化量子自適應(yīng)粒子群，包含粒子數(shù)、空間維數(shù)及最大迭代次數(shù)等，隨機(jī)生成粒子速度，根據(jù)式(3)生成粒子位置的初始編碼。步驟3:構(gòu)建BP神經(jīng)網(wǎng)絡(luò)，將各粒子位置向量所對(duì)應(yīng)的量子態(tài)0〉和1〉的概率幅表示為BP網(wǎng)絡(luò)初始連接權(quán)、閾值的解集合。步驟4:狀態(tài)更新。根據(jù)式(4)～(7)計(jì)算粒子的平均軌跡差異，根據(jù)式(8)、(9)調(diào)整慣性因子，根據(jù)式(1)、(2)更新粒子的速度和位置。步驟5:適應(yīng)度評(píng)估。若粒子當(dāng)前位置優(yōu)于自身所記憶的最優(yōu)位置，則更新個(gè)體最優(yōu)位置;若當(dāng)前個(gè)體歷史最優(yōu)位置優(yōu)于目前所搜索到的全局最優(yōu)位置，則替換成全局最優(yōu)位置。步驟6:變異操作，根據(jù)式(10)進(jìn)行變異操作。步驟7:循環(huán)操作。返回步驟4循環(huán)計(jì)算，若滿足收斂條件或所預(yù)設(shè)的最大迭代次數(shù)，則確定BP神經(jīng)網(wǎng)絡(luò)的最佳參數(shù)，轉(zhuǎn)向下一步驟。步驟8:利用優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)對(duì)水電機(jī)組進(jìn)行振動(dòng)故障診斷。

3水電機(jī)組振動(dòng)故障診斷

3．1水電機(jī)組的振動(dòng)故障分析水電機(jī)組是一個(gè)復(fù)雜的動(dòng)力系統(tǒng)，其故障多以振動(dòng)的形式表現(xiàn)出來(lái)。根據(jù)振動(dòng)的來(lái)源不同，可分為水力振動(dòng)、機(jī)械振動(dòng)和電磁振動(dòng)3大類［15］。水力振動(dòng):水力振動(dòng)是由水力和機(jī)械相互作用而產(chǎn)生的，主要包含:水力不平衡、導(dǎo)葉和輪葉開口不均、尾水管壓力脈動(dòng)、尾水管偏心渦帶、轉(zhuǎn)輪葉片的卡門渦流、轉(zhuǎn)輪葉片斷裂、間隙射流等。機(jī)械振動(dòng):機(jī)械振動(dòng)主要是由于機(jī)組本身結(jié)構(gòu)性缺陷、或在運(yùn)行過程中機(jī)組部件受損而產(chǎn)生的。主要有:轉(zhuǎn)動(dòng)部分質(zhì)量不平衡、軸線不對(duì)中、動(dòng)靜碰磨、軸承瓦間隙大、導(dǎo)軸承缺陷、聯(lián)結(jié)螺絲松動(dòng)等。電磁振動(dòng):電磁振動(dòng)是由磁通密度分布不均以及磁拉力不平衡等原因產(chǎn)生的。主要包含:繞組匝間短路、定轉(zhuǎn)子間氣隙不勻、轉(zhuǎn)子不圓、定子鐵芯松動(dòng)、負(fù)載不平衡等。然而，以上3類振動(dòng)因素又相互作用。比如，當(dāng)水電機(jī)組受水力因素的影響而導(dǎo)致轉(zhuǎn)動(dòng)部分振動(dòng)時(shí)，會(huì)造成定轉(zhuǎn)子間氣隙不均勻，進(jìn)而產(chǎn)生不對(duì)稱磁拉力，反過來(lái)又將阻尼或加劇機(jī)組轉(zhuǎn)動(dòng)部分的振動(dòng)。由此可見，水電機(jī)組振動(dòng)是水力、機(jī)械、電磁共同作用的結(jié)果，且多為多故障并發(fā)，致使機(jī)組振動(dòng)信號(hào)具有高度的非線性。而量子自適應(yīng)粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)算法，既具有量子計(jì)算的高度并行性優(yōu)勢(shì)，又保留了神經(jīng)網(wǎng)絡(luò)的非線性映射能力，可有效應(yīng)用于水電機(jī)組的振動(dòng)故障診斷中。此外，由于水電機(jī)組振動(dòng)的振頻既有引起設(shè)備振動(dòng)的中低頻，又有因水力因素所產(chǎn)生的渦帶振動(dòng)等壓力脈動(dòng)頻率，故而機(jī)組振動(dòng)信號(hào)的頻率范圍較廣。鑒于水電機(jī)組的振動(dòng)故障類別與一定的頻率成分相對(duì)應(yīng)，如不平衡故障的一階轉(zhuǎn)頻能量較大、而不對(duì)中故障主要對(duì)應(yīng)于二階轉(zhuǎn)頻能量等。因此，可通過頻譜分析來(lái)提取機(jī)組故障數(shù)據(jù)的頻率特征。同時(shí)，由于傳統(tǒng)的頻譜分析方法無(wú)法對(duì)水電機(jī)組的振動(dòng)信號(hào)進(jìn)行有效的分析和處理，故采用小波分析進(jìn)行振動(dòng)信號(hào)的降噪處理，以去除噪聲信號(hào)所在的頻段，并對(duì)降噪后的小波系數(shù)進(jìn)行重構(gòu)，最終提取出機(jī)組振動(dòng)故障的特征參數(shù)。

3．2應(yīng)用實(shí)例一以貴州索風(fēng)營(yíng)水電廠機(jī)組故障數(shù)據(jù)［16］為例進(jìn)行驗(yàn)證分析。鑒于頻譜分析能夠很好地揭示機(jī)組振動(dòng)故障的特征，以對(duì)不同的振動(dòng)故障加以區(qū)分。而變工況試驗(yàn)一般是進(jìn)行定水頭、變轉(zhuǎn)速試驗(yàn)，根據(jù)轉(zhuǎn)速的不同來(lái)選取不同的工況點(diǎn)，進(jìn)而確定水力、機(jī)械、電磁3類振源的影響大小［17］。因此，這兩種方法在水電機(jī)組的振動(dòng)故障診斷中較常采用。本文選取水電機(jī)組振動(dòng)頻譜和變工況試驗(yàn)中的9個(gè)特征向量:0．18～0．2f0、1/6～1/2f0、1f0、2f0、3f0(f0為基頻)、50Hz或100Hz頻率、振動(dòng)與轉(zhuǎn)速關(guān)系、振動(dòng)與負(fù)荷的關(guān)系以及振動(dòng)與勵(lì)磁電流的關(guān)系為量子自適應(yīng)粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)，分別用I1～I(xiàn)9表示。對(duì)應(yīng)的5種故障類型:轉(zhuǎn)子不對(duì)中、轉(zhuǎn)子不平衡、動(dòng)靜碰摩、尾水管偏心渦帶和磁極不均勻作為QAPSO-BP模型的輸出參數(shù)，并依次用向量［001］、［010］、［011］、［100］及［101］分別表示，其樣本數(shù)據(jù)見表1。其中樣本1～3為轉(zhuǎn)子不對(duì)中故障，4～6為轉(zhuǎn)子不平衡故障，7～8為動(dòng)靜碰摩故障，9～11為尾水管偏心渦帶故障，余下2個(gè)樣本為磁極不均勻故障。選擇樣本3、6、10為算法的測(cè)試數(shù)據(jù)，其余的為訓(xùn)練樣本。在利用QAPSO-BP算法進(jìn)行故障診斷時(shí)，主要參數(shù)設(shè)置為:網(wǎng)絡(luò)結(jié)構(gòu)9－12－3，種群規(guī)模20，迭代次數(shù)30，加速因子c1=c2=2，變異概率pm=0．05。經(jīng)過多次試驗(yàn)，得出QAPSO-BP和PSO-BP算法的最佳適應(yīng)度函數(shù)及網(wǎng)絡(luò)訓(xùn)練誤差曲線分別見圖1和圖2。從圖1可知，QAPSO算法在迭代8次左右時(shí)，已搜索到全局最優(yōu)解，遠(yuǎn)小于PSO算法的29次，尋優(yōu)速度較快。同時(shí)，由于適應(yīng)度函數(shù)選取為網(wǎng)絡(luò)輸出均方誤差的倒數(shù)，適應(yīng)度值越大說(shuō)明輸出誤差越小。而QAP-SO算法的最大適應(yīng)度值約為175，高出PSO的59．1%。對(duì)于圖2，QAPSO-BP算法在經(jīng)過8次優(yōu)化后，網(wǎng)絡(luò)訓(xùn)練誤差即達(dá)到了設(shè)定的目標(biāo)值10－5，而PSO-BP算法需要34次才實(shí)現(xiàn)。綜合以上可見，無(wú)論是在收斂精度還是收斂速度方面，QAPSO算法都比PSO有著較大的提高。這是因?yàn)镼APSO算法通過將量子計(jì)算與PSO融合，提高了種群的遍歷性;引入慣性因子自適應(yīng)調(diào)整及變異操作，可以使粒子跳出局部極值點(diǎn)，從而提高了算法的全局尋優(yōu)能力及優(yōu)化效率。將訓(xùn)練好的QAPSO-BP模型對(duì)3組測(cè)試樣本進(jìn)行故障診斷，并與PSO-BP算法、BP神經(jīng)網(wǎng)絡(luò)的輸出進(jìn)行比較，對(duì)比結(jié)果見表2。顯然，根據(jù)所預(yù)設(shè)的網(wǎng)絡(luò)輸出向量，QAPSO-BP算法及PSO-BP算法的診斷結(jié)果完全正確，而BP網(wǎng)絡(luò)誤將不平衡故障定位為不對(duì)中故障。同時(shí)，經(jīng)計(jì)算可知，對(duì)于QAPSO-BP算法，其輸出結(jié)果的平均絕對(duì)誤差為1．05%，低于PSO-BP算法和BP神經(jīng)網(wǎng)絡(luò)的相應(yīng)值2．54%與21．7%。由此可見，基于QAPSO-BP的水電機(jī)組振動(dòng)故障診斷算法，其診斷結(jié)果的準(zhǔn)確性較高。

3．3應(yīng)用實(shí)例二為了進(jìn)一步驗(yàn)證該算法在水電機(jī)組振動(dòng)故障診斷中的優(yōu)勢(shì)，采用文獻(xiàn)［18］數(shù)據(jù)進(jìn)行分析。該文獻(xiàn)以振動(dòng)信號(hào)頻譜分量的幅值作為特征向量，對(duì)應(yīng)故障分為不對(duì)中、不平衡和渦帶偏心3種，其樣本數(shù)據(jù)見表3。利用前12組數(shù)據(jù)對(duì)QAPSO-BP模型進(jìn)行訓(xùn)練，并定義網(wǎng)絡(luò)輸出:［001］、［010］和［100］與3種故障對(duì)應(yīng)。在這里，同樣采用應(yīng)用實(shí)例一中的3種算法進(jìn)行診斷結(jié)果的對(duì)比，則對(duì)后3組測(cè)試樣本的網(wǎng)絡(luò)輸出見表4。可見，盡管表4中3種算法的診斷結(jié)果與機(jī)組振動(dòng)故障的實(shí)際類型一致，但是QAPSO-BP模型的輸出結(jié)果更接近于所定義的網(wǎng)絡(luò)輸出值，其平均絕對(duì)誤差僅為2．34%，明顯低于另2種算法的4．30%和8．38%，從而說(shuō)明了基于QAPSO-BP算法的機(jī)組振動(dòng)故障診斷結(jié)果具有一定的普遍性。

4結(jié)論

(1)針對(duì)粒子群優(yōu)化算法易陷入局部最優(yōu)等問題，將量子計(jì)算和PSO結(jié)合起來(lái)，組成量子自適應(yīng)粒子群優(yōu)化算法。采用量子位概率幅的編碼機(jī)制，擴(kuò)展了解空間的遍歷性。根據(jù)種群中各粒子的位置與速度信息，對(duì)慣性因子進(jìn)行自適應(yīng)調(diào)節(jié)，實(shí)現(xiàn)了QAPSO算法在全局收斂與局部搜索能力之間的平衡。為了便于搜索最優(yōu)解，用量子非門進(jìn)行變異操作，提高了種群的多樣性。(2)利用QAPSO算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)、閾值參數(shù)，進(jìn)而構(gòu)建了水電機(jī)組的振動(dòng)故障診斷模型，并通過兩個(gè)實(shí)例進(jìn)行驗(yàn)證。結(jié)果表明，QAPSO-BP算法具有較佳的全局尋優(yōu)能力及優(yōu)化效率，能夠較好地?cái)M合機(jī)組征兆域與故障域之間的復(fù)雜非線性映射關(guān)系，適用于水電機(jī)組的振動(dòng)故障診斷。

參考文獻(xiàn)

［1］張彼德，田源，鄒江平，等．基于Choquet模糊積分的水電機(jī)組振動(dòng)故障診斷［J］．振動(dòng)與沖擊，2013，32(12):61－66．ZHANGBi-de，TIANYuan，ZOUJiang-ping，etal．VibrationfaultdiagnosisofaHydro-generatingunitbasedonchoquetfuzzyintegration［J］．JournalofVibrationandShock，2013，32(12):61－66．

［2］ZhangXiao-yuan，ZhouJian-zhong，GuoJun，etal．Vibrantfaultdiagnosisforhydroelectricgeneratorunitswithanewcombinationofroughsetsandsupportvectormachine［J］．ExpertSystemsWithApplications，2012，39(3):2621－2628．

［3］易輝，梅磊，李麗娟，等．基于多分類相關(guān)向量機(jī)的水電機(jī)組振動(dòng)故障診斷［J］．中國(guó)電機(jī)工程學(xué)報(bào)，2014，34(17):2843－2850．YIHui，MEILei，LILi-juan，etal．Vibrationfaultdiagnosisforhydroelectricgeneratingunitsusingthemulti-classrelevancevectormachine［J］．ProceedingsoftheCSEE，2014，34(17):2843－2850．

［4］張孝遠(yuǎn)，周建中，王常青，等．考慮樣本交疊的水電機(jī)組振動(dòng)故障診斷［J］．電力系統(tǒng)保護(hù)與控制，2012，40(3):8－14．ZHANGXiao-yuan，ZHOUJian-zhong，WANGChang-qing，etal．Vibrantfaultdiagnosisforhydroelectricgeneratorunitconsideringoverlappingfaultpatterns［J］．PowerSystemProtectionandControl，2012，40(3):8－14．

［5］賈嶸，洪剛，武樺，等．基于IPSO優(yōu)化LSSVM的水輪發(fā)電機(jī)組振動(dòng)故障診斷［J］．水利學(xué)報(bào)，2011，42(3):373－378．JIARong，HONGGang，WUHua，etal．VibrationfaultdiagnosisofhydroelectricgeneratingunitbyLeastSquaresSupportVectorMachinebasedonImprovedParticleSwarmOptimization［J］．ShuiliXuebao，2011，42(3):373－378．

［6］郭鵬程，孫龍剛，李輝，等．基于多重分形譜和改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的水電機(jī)組振動(dòng)故障診斷研究［J］．水力發(fā)電學(xué)報(bào)，2014，33(3):299－305．GUOPeng-cheng，SUNLong-gang，LIHui，etal．Vibrationfaultdiagnosisofhydropowerunitbasedonmulti-fractalspectrumandimprovedBPneuralnetwork［J］．JournalofHydroelectricEngineering，2014，33(3):299－305．

［7］李鑫，王少萍．基于卡箍?jī)?yōu)化布局的飛機(jī)液壓管路減振分析［J］．振動(dòng)與沖擊，2013，32(1):14－20．LIXin，WANGShao-ping．Vibrationcontrolanalysisforhydraulicpipelinesinanaircraftbasedonoptimizedclamplayout［J］．JournalofVibrationandShock，2013，32(1):14－20．

［8］張海鵬，韓端鋒，郭春雨．改進(jìn)PSO訓(xùn)練的BPNN方法的艦船主尺度建模［J］．哈爾濱工程大學(xué)學(xué)報(bào)，2012，33(7):806－810．ZHANGHai-peng，HANDuan-feng，GUOChun-yu．ModelingoftheprincipaldimensionsoflargevesselsbasedonaBPNNtrainedbyanimprovedPSO［J］．JournalofHarbinEngineeringUniversity，2012，33(7):806－810．

［9］張曉輝，董興華．含風(fēng)電場(chǎng)多目標(biāo)低碳電力系統(tǒng)動(dòng)態(tài)經(jīng)濟(jì)調(diào)度研究［J］．電網(wǎng)技術(shù)，2013，37(1):24－31．ZHANGXiao-hui，DONGXing-hua．Researchonmulti-objectiveschedulingforlow-carbonpowersystemwithwindfarms［J］．PowerSystemTechnology，2013，37(1):24－31．

［10］LinLiang-kui，XuHui，XuDan，etal．QPSO-basedalgorithmofCSOjointinfraredsuper-resolutionandtrajectoryestimation［J］．JournalofSystemsEngineeringandElectronics，2011，22(3):405－411．

［11］陳道君，龔慶武，金朝意，等．基于自適應(yīng)擾動(dòng)量子粒子群算法參數(shù)優(yōu)化的支持向量回歸機(jī)短期風(fēng)電功率預(yù)測(cè)［J］．電網(wǎng)技術(shù)，2013，37(4):974－980．CHENDao-jun，GONGQing-wu，JINZhao-yi，etal．Short-termwindpowerpredictionbasedonsupportvectorregressionmachineoptimizedbyadaptivedisturbancequantum-behavedparticleswarmoptimization［J］．PowerSystemTechnology，2013，37(4):974－980．

［12］劉立峰，孫贊東，韓劍發(fā)，等．量子粒子群模糊神經(jīng)網(wǎng)絡(luò)碳酸鹽巖流體識(shí)別方法研究［J］．地球物理學(xué)報(bào)，2014，57(3):991－1000．LIULi-feng，SUNZan-dong，HANJian-fa，etal．Acarbonatefluididentificationmethodbasedonquantumparticleswarmfuzzyneuralnetwork［J］．ChineseJournalofGeophysics，2014，57(3):991－1000．

［13］郭通，蘭巨龍，李玉峰，等．基于量子自適應(yīng)粒子群優(yōu)化徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測(cè)［J］．電子與信息學(xué)報(bào)，2013，35(9):2220－2226．GUOTong，LANJu-long，LIYu-feng，etal．Networktrafficpredictionwithradialbasisfunctionneuralnetworkbasedonquantumadaptiveparticleswarmoptimization［J］．JournalofElectronics＆InformationTechnology，2013，35(9):2220－2226．

［14］陳義雄，梁昔明，黃亞飛．基于佳點(diǎn)集構(gòu)造的改進(jìn)量子粒子群優(yōu)化算法［J］．中南大學(xué)學(xué)報(bào):自然科學(xué)版，2013，44(4):1409－1414．CHENYi-xiong，LIANGXi-ming，HUANGYa-fei．Improvedquantumparticleswarmoptimizationbasedongood-pointset［J］．JournalofCentralSouthUniversity:ScienceandTechnology，2013，44(4):1409－1414．

［15］盧娜，肖志懷，符向前．基于蟻群初始化小波網(wǎng)絡(luò)的水電機(jī)組振動(dòng)故障診斷［J］．水力發(fā)電學(xué)報(bào)，2014，33(2):251－258．LUNa，XIAOZhi-huai，F(xiàn)UXiang-qian．VibrationfaultdiagnosisofhydroelectricgeneratingunitbasedonACO-initializedwaveletnetwork［J］．JournalofHydroelectricEngineering，2014，33(2):251－258．

［16］李超順，周建中，肖劍，等．基于引力搜索核聚類算法的水電機(jī)組振動(dòng)故障診斷［J］．中國(guó)電機(jī)工程學(xué)報(bào)，2013，33(2):98－104．LIChao-shun，ZHOUJian-zhong，XIAOJian，etal．Vibrationfaultdiagnosisofhydroelectricgeneratingunitusinggravitationalsearchbasedkernelclusteringmethod［J］．ProceedingsoftheCSEE，2013，33(2):98－104．

［17］肖劍，周建中，張孝遠(yuǎn)，等．基于Levy-ABC優(yōu)化SVM的水電機(jī)組故障診斷方法［J］．振動(dòng)、測(cè)試與診斷，2013，33(5):839－844．XIAOJian，ZHOUJian-zhong，ZHANGXiao-yuan，etal．FaultdiagnosisforHydroelectricGeneratorUnitBasedonLevyFlight-ArtificialBeeColonyandSupportVectorMachine［J］．JournalofVibration，Measurement＆Diagnosis，2013，33(5):839－844．

第9篇：神經(jīng)網(wǎng)絡(luò)的難點(diǎn)范文

摘要：電價(jià)預(yù)測(cè)是電力市場(chǎng)中的一個(gè)重要研究課題。支持向量機(jī)(SVM)已被廣泛應(yīng)用于這一領(lǐng)域。然而，電力市場(chǎng)電價(jià)的高波動(dòng)性和隨機(jī)性等特征給支持向量機(jī)核函數(shù)的選擇帶來(lái)了挑戰(zhàn)。本文在選擇不同核函數(shù)的基礎(chǔ)上，分別建立了兩個(gè)電力價(jià)格預(yù)測(cè)模型，并用真實(shí)電力市場(chǎng)價(jià)格數(shù)據(jù)對(duì)兩個(gè)模型進(jìn)行了驗(yàn)證。實(shí)驗(yàn)結(jié)果表明，與其他支持向量機(jī)預(yù)測(cè)研究相比，本文精心選擇的SVM核函數(shù)對(duì)短期電價(jià)預(yù)測(cè)具有較好性能。

關(guān)鍵詞： 電力市場(chǎng)；預(yù)測(cè)；支持向量機(jī)；核函數(shù)

A Comparison of Kernel Functions of Support Vector Machine for Electricity Price Forecasting

ZHAI Hong-yan1，ZENG Jin-ming2 ,ZENG Ji-xia1

(1.Guangzhou City Polytechnic,Guangzhou 510405,China；

2.China Southern Power Grid Co., LTD, Guangzhou Power Supply Bureau, Guangzhou 510030, China)

ABSTRACT： Accurate forecasting of spot price is an essential issue in electricity market. Support Vector machines (SVM) has been widely adopted to deal with this issue. However, the high fluctuation and randomness features of electricity market present a number of challenges for the choosing of kernel functions for SVM. In this paper, by using different kernel functions, two SVM models for electricity price forecast have been developed. Case studies, adopting data from an actual electricity market, have been performed and the results are presented. In addition, comparisons with results from other SVM forecasting studies have shown that the performance of SVM models could be improved by choosing a tailored kernel function.

KEYWORDS：power market; forecasting; SVM; kernel functions

1 引言

電價(jià)預(yù)測(cè)是近幾年發(fā)展起來(lái)的一個(gè)新的研究方向，現(xiàn)實(shí)的迫切需要使電價(jià)預(yù)測(cè)成為研究熱點(diǎn)[1]。電價(jià)預(yù)測(cè)是指在考慮市場(chǎng)供求關(guān)系、市場(chǎng)參與者的市場(chǎng)力、電力成本、以及電力市場(chǎng)體制結(jié)構(gòu)、社會(huì)經(jīng)濟(jì)形勢(shì)等重要因素影響的條件下，利用數(shù)學(xué)工具對(duì)歷史數(shù)據(jù)進(jìn)行分析和研究，探索事物之間的內(nèi)在聯(lián)系和發(fā)展變化規(guī)律，在滿足一定精度和速度的情況下，對(duì)未來(lái)電力市場(chǎng)中的電力交易價(jià)格進(jìn)行預(yù)測(cè)[2]。目前，世界范圍內(nèi)已在展開電力行業(yè)的市場(chǎng)化改革，我國(guó)也正在進(jìn)行大區(qū)電力市場(chǎng)的試點(diǎn)。在市場(chǎng)環(huán)境下，電力如普通商品一樣進(jìn)行交易，電力價(jià)格成為電力市場(chǎng)中的基本要素。市場(chǎng)參與者均以不斷變化的市場(chǎng)電價(jià)作為參考進(jìn)行電能交易和結(jié)算，電價(jià)直接影響著參與者的收益。然而，電力市場(chǎng)中電價(jià)具有較高的波動(dòng)性和隨機(jī)性，這給電力交易的收益帶來(lái)了風(fēng)險(xiǎn)，市場(chǎng)中的各方均希望能夠準(zhǔn)確預(yù)測(cè)將來(lái)一段時(shí)間的電價(jià)，以選擇資深交易策略和估算效益。

短期電價(jià)預(yù)測(cè)是電價(jià)預(yù)測(cè)的重要組成部分，它主要用于預(yù)測(cè)未來(lái)幾小時(shí)、1天至幾天的電價(jià)。準(zhǔn)確的短期電價(jià)預(yù)測(cè)將有助于發(fā)電商最優(yōu)報(bào)價(jià)策略的選擇，從而最大化其利潤(rùn)，使購(gòu)電方的動(dòng)態(tài)成本控制成為可能，同時(shí)也為監(jiān)管部門的實(shí)時(shí)監(jiān)管提供了重要的科學(xué)依據(jù)，保證電力市場(chǎng)的正常運(yùn)行。目前，短期電價(jià)預(yù)測(cè)主要有四種方法：1．時(shí)間序列法。時(shí)間序列模型已被廣泛應(yīng)用于短期負(fù)荷預(yù)測(cè)中。時(shí)間序列方法的主要難點(diǎn)在于如何選擇恰當(dāng)?shù)哪Ｐ汀Ｔ跁r(shí)間序列分析中，選用何種因子和用何種表達(dá)式有時(shí)只是一種推測(cè)，影響電價(jià)的因子的多樣性和某些因子的不可測(cè)，使得時(shí)間序列分析在某些情況下受到限制，預(yù)測(cè)的精度較低。2．神經(jīng)網(wǎng)絡(luò)(ANN)預(yù)測(cè)法。神經(jīng)網(wǎng)絡(luò)對(duì)大量非結(jié)構(gòu)性、非精確性規(guī)律具有自適應(yīng)功能，能夠有效處理多變量和非線性問題，從而成為目前國(guó)內(nèi)外專家學(xué)者研究得比較多的一種電價(jià)預(yù)測(cè)方法[2]。應(yīng)用神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測(cè)時(shí)，研究的重點(diǎn)大多在于如何構(gòu)成預(yù)測(cè)樣本，如何構(gòu)成輸入層數(shù)據(jù)等。由于模型的網(wǎng)絡(luò)結(jié)構(gòu)的選取大多憑借經(jīng)驗(yàn)，或者采用試湊法，即取測(cè)試集預(yù)測(cè)誤差相對(duì)較小時(shí)的數(shù)值，因此神經(jīng)網(wǎng)絡(luò)存在難以確定合理的網(wǎng)絡(luò)結(jié)構(gòu)和容易收斂到局部最優(yōu)解等問題，使得神經(jīng)網(wǎng)絡(luò)在預(yù)測(cè)精度和收斂性方面存在一定的限制。3．基于小波理論的預(yù)測(cè)方法。小波理論是在傅里葉分析基礎(chǔ)上發(fā)展起來(lái)的一種信號(hào)處理方法，小波變換能將各種交織在一起的不同頻率混合信號(hào)分解成不同頻帶上的塊信號(hào)，然后在各個(gè)時(shí)頻區(qū)域分別進(jìn)行觀察和處理，在時(shí)域和頻域都具有良好的分辨能力。小波神經(jīng)網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)相比，預(yù)測(cè)精度和收斂性方面都有明顯的提高。但是在用輔助式小波神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)時(shí)，需注意小波基和分解尺度的選擇，同時(shí)處理好小波變換過程中的邊界問題，否則即使各個(gè)子序列預(yù)測(cè)得再準(zhǔn)確，總體的預(yù)測(cè)效果也不會(huì)很好。而在用嵌套式小波神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)時(shí)，需注意小波基的數(shù)量和網(wǎng)絡(luò)初始參數(shù)的選擇，選擇不當(dāng)會(huì)導(dǎo)致網(wǎng)絡(luò)收斂速度緩慢甚至出現(xiàn)不收斂。4．組合預(yù)測(cè)方法[2]。鑒于單一預(yù)測(cè)方法的一些弊端，有些學(xué)者開始對(duì)組合預(yù)測(cè)方法進(jìn)行探索，當(dāng)前的主要思路是直接從電價(jià)預(yù)測(cè)機(jī)理的角度將單一預(yù)測(cè)模型進(jìn)行組合，即先對(duì)各種已有的單一預(yù)測(cè)方法優(yōu)缺點(diǎn)進(jìn)行分析，然后通過將兩種或者多種方法進(jìn)行組合，揚(yáng)長(zhǎng)避短，從而建立最優(yōu)的組合預(yù)測(cè)模型[2]。但是我們應(yīng)該意識(shí)到：并非任意兩個(gè)或者多個(gè)數(shù)學(xué)方法的組合就一定能取得更好的預(yù)測(cè)結(jié)果，這需要實(shí)踐檢驗(yàn)其預(yù)測(cè)效果，才能評(píng)價(jià)某種新的數(shù)學(xué)方法的應(yīng)用前景。

作為一種重要的數(shù)據(jù)挖掘算法[3-4]，支持向量機(jī)(Support Vector Machines, SVMs) 正被廣泛應(yīng)用于短期電價(jià)預(yù)測(cè)[5]。支持向量機(jī)的性能與其核函數(shù)(kernel function)的選擇密切相關(guān)。本文針對(duì)支持向量機(jī)核函數(shù)選擇進(jìn)行了一系列實(shí)驗(yàn)，探討在單一環(huán)境下支持向量機(jī)核函數(shù)的表現(xiàn)性能。

本文的后續(xù)結(jié)構(gòu)組織如下：第2節(jié)對(duì)支持向量機(jī)及其原理進(jìn)行介紹；第3節(jié)描述實(shí)驗(yàn)配置以及數(shù)據(jù)；第4節(jié)對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行分析；最后，進(jìn)行實(shí)驗(yàn)結(jié)果總結(jié)與討論，并對(duì)后續(xù)工作的開展進(jìn)行展望。

2 支持向量機(jī)