神經網絡的基本功能精選(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網絡的基本功能主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：神經網絡的基本功能范文

關鍵詞：神經網絡 BP網絡

中圖分類號：TP3 文獻標識碼：A 文章編號：1672-3791（2014）01（c）-0240-02

神經網絡是一門發展十分迅速的交叉學科，它是由大量的處理單元組成非線性的大規模自適應動力系統。神經網絡具有分布式存儲、并行處理、高容錯能力以及良好的自學習、自適應、聯想等特點。該模型對于擬合現實復雜世界有著重要的實用價值。

1 神經網絡簡介

人工神經網絡（Artificial Neural Network，ANN），亦稱神經網絡（Neural Network，NN），是一種應用類似于大腦神經突觸連接結構進行信息處理的數學模型，它是在人類對自身大腦組織結合和思維機制的認識理解基礎之上模擬出來的，它是根植于神經科學、數學、統計學、物理學、計算機科學以及工程科學的一門技術。心理學家Mcculloch，數學家Pitts在20世紀40年代第一次提出了神經網絡模型，從此開創了神經科學理論的研究時代，此后半個世紀神經網絡技術蓬勃發展。神經網絡是一種計算模型，由大量的神經元個體節點和其間相互連接的加權值共同組成，每個節點都代表一種運算，稱為激勵函數（activation function）。每兩個相互連接的節點間都代表一個通過該連接信號加權值，稱值為權重（weight），神經網絡就是通過這種方式來模擬人類的記憶，網絡的輸出則取決于網絡的結構、網絡的連接方式、權重和激勵函數。而網絡本身通常是對自然界或者人類社會某種算法或函數的逼近，也可能是一種邏輯策略的表達。神經網絡的構筑理念是受到生物的神經網絡運作啟發而產生的。人工神經網絡則是把對生物神經網絡的認識與數學統計模型向結合，借助數學統計工具來實現。另一方面在人工智能學的人工感知領域，我們通過數學統計學的方法，使神經網絡能夠具備類似于人的決定能力和簡單的判斷能力，這種方法是對傳統邏輯學演算的進一步延伸。

2 神經網絡模型及訓練

2.1 生物神經元模型

人腦是自然界所造就的高級動物，人的思維是由人腦來完成的，而思維則是人類智能的集中體現。人腦的皮層中包含100億個神經元、60萬億個神經突觸，以及他們的連接體。神經系統的基本結構和功能單位就是神經細胞，即神經元，它主要由細胞體、樹突、軸突和突觸組成。人類的神經元具備以下幾個基本功能特性：時空整合功能；神經元的動態極化性；興奮與抑制狀態；結構的可塑性；脈沖與電位信號的轉換；突觸延期和不延期；學習、遺忘和疲勞；神經網絡是由大量的神經元單元相互連接而構成的網絡系統。

2.2 人工神經網絡模型

人工神經網絡，使通過模仿生物神經網絡的行為特征，進行分布式并行信息處理的數學模型。這種網絡依靠系統的復雜度，通過調整內部大量節點之間相互連接的關系，從而達到信息處理的目的。人工神經網絡具有自學習和自適應的能力，可以通過預先提供的一批相互對應的輸入輸出數據，分析兩者的內在關系和規律，最終通過這些規律形成一個復雜的非線性系統函數，這種學習分析過程被稱作“訓練”。神經元的每一個輸入連接都有突觸連接強度，用一個連接權值來表示，即將產生的信號通過連接強度放大，每一個輸入量都對應有一個相關聯的權重。處理單元將經過權重的輸入量化，然后相加求得加權值之和，計算出輸出量，這個輸出量是權重和的函數，一般稱此函數為傳遞函數。

2.3 神經網絡的訓練

當神經網絡的結構確定以后，接下來的工作就是訓練和學習。神經網絡不是通過改變處理單元的本身來完成訓練和學習過程的，而是依靠改變網絡中各神經元節點的連接權重來完成的。因此若處理單元要學會正確的處理所給定的問題，唯一用以改變處理單元性能的元素就是連接權重。

2.4 神經網絡的分類

神經網絡按照不同的結構、功能，以及學習算法，對網絡進行分類，可以分為：（1）感知器神經網絡：最簡單的神經網絡類型，只有單層的神經網絡結構，采用硬限值作為網絡傳遞函數，主要適用于簡單的線性二類劃分問題，在此類問題中處理的效率較高。但不適合本論文的課題。（2）線性神經網絡：單層結構的神經網絡，采用線性函數作為網絡的傳遞，主要也是用于解決線性逼近問題。

3 BP神經網絡

目前應用最為廣泛的網絡，具有多層網絡結構，可以由一個或者多個隱含層。BP網絡采用Widrow―Hoff學習算法和非線性傳遞函數，典型的BP網絡采用的是梯度下降算法，也就是Widrow―Hoff算法所規定的。BP，即Back Propagation，就是指為非線性多層網絡訓練中梯度計算是采用信號正向傳播、誤差反向傳播的方式。通過采用非線性傳遞函數，BP網絡能夠以仁義的精度逼近任何非線性函數，由于采用隱含中間層的結構，BP網絡能夠提取出更高階的統計性質，尤其是當輸入規模龐大時，網絡能夠提取高階統計性質的能力就顯得非常重要了，結合本文的課題，將采用BP神經網絡及其改進算法進行組合集成實驗，用以解決財務預警的實際問題，在后面的章節會采用相關實驗證明組合集成的BP神經網絡的優勢。

4 徑向基神經網絡

徑向基神經網絡又稱為RBF網絡，它與BP網絡同為多層前向網絡，也能夠以任意的精度逼近任何非線性函數，只是它與BP網絡采用的傳遞函數不同，BP通常采用的是Sigmoid函數或線性函數作為傳遞函數，而RBF網絡則采用徑向基函數作為傳遞函數。本文后面將采用徑向基函網絡與BP網絡進行對比。

5 競爭神經網絡

競爭神經網絡的特點是它的各個神經元之間是相互競爭的關系，眾多神經元之間相互競爭以決定勝出者，或勝神經元決定哪一種原模型最能代表輸入模式。

6 反饋神經網絡

BP神經網絡（Fredric M.Ham Ivica Kostanic Principles of Neurocomputing for Science―Engineering 2007）BP神經網絡具有sigmoid隱含層以及線性輸出層，具有很強的映射能力，本節我們對BP網絡神經元和網絡結構進行介紹。神經網絡方法的具體步驟是：向網絡提供訓練例子，即學習樣本，包括輸入和期望的輸出。確定網絡的實際輸出和期望輸出之間允許的誤差。改變網絡中所有連接權值，使網絡產生的輸出更接近于期望輸出，直到滿足確定的允許誤差。下圖給出了一個具有N個輸入的基本的BP神經元模型結構。途中每一個輸入都被賦予一定的權值，與偏差求和和后形成神經元傳遞函數的輸入。

我們來看看三層BP神經網絡模型的數學表達，首先我們來確定途中各個參數所代表的涵義：

（1）輸入向量：X=（x1，x2，…，xi，…，xn）T；

（2）隱層輸出向量：Y=（y1，y2，…，yj，…，ym）T；

（3）輸出層輸出向量：O=（O1，O2，…，Ok，…，Ol）T；

（4）期望輸出向量：d=（d1，d2，…，dk，…，dl）T；

（5）輸入層到隱層之間的權值矩陣：V=（V1，V2，…，Vj，…，Vm）；

（6）隱層到輸出層之間的權值矩陣：W=（W1，W2，…，Wk，…，Wl）。

BP神經網絡就是通過構建上述變量來完成網絡的描述。

我們從上至下，從輸出層開始看BP網絡的工作原理，對于輸出層：

k=1，2，…，l （1）

k=1，2，…，l （2）

對于隱層：j=1，2，…，m （3）

j=1，2，…，m （4）

其中的是傳遞函數我們可以采用單極性Sigmoid函數： （5）

（1）網絡誤差與權值調整

輸出誤差E定義：

（6）

（7）

在這一步的基礎上，進一步展開至輸入層：

（8）

j=0，1，2，…，m；k=1，2，…，l （9）

i=0，1，2，…，n；j=1，2，…，m （10）

式中負號表示梯度下降，常數η∈（0，1）表示比例系數。在全部推導過程中，對輸出層有j=0，1，2，…，m；k=1，2，…，l，對隱層有i=0，1，2，…，n；j=1，2，…，m

（2）BP算法推導

對于輸出層，式（9）可寫為：

（8）對隱層，式（9）可寫為：（10），對于隱層，利用式（7）：

可得： （11）

將以上結果代入式（8），并應用式（5）：，得到：

（12）

（13）

至此兩個誤差信號的推導已完成。將式（12）代回到式（8），得到三層前饋網的BP學習算法權值調整計算公式為：

（14）

第2篇：神經網絡的基本功能范文

關鍵詞：電阻點焊；神經網絡；消音鋸片

0序言

電阻點焊過程是一個高度非線性，既有多變量靜態疊加又有動態耦合，同時又具有大量隨機不確定因素的復雜過程。這種復雜性使得傳統方法確定最佳工藝參數存在操作復雜、精度低等缺陷。

本文通過深入研究提出了一種神經網絡優化消音鋸片電阻點焊工藝參數方法。以試驗數據為樣本，通過神經網絡，建立焊接工藝參數與焊接性能之間的復雜模型，充分發揮神經網絡的非線性映射能力。為準確預測點焊質量提高依據。在運用試驗手段、神經網絡高度非線性擬合能力結合的方式，能在很大程度上克服傳統方法的缺陷，完成網絡的訓練、檢驗和最優評價，為電阻點焊過程的決策和控制提供可靠依據。

1原理

人工神經網絡是用物理模型模擬生物神經網絡的基本功能和結構，可以在未知被控對象和業務模型情況下達到學習的目的。建立神經網絡是利用神經網絡高度并行的信息處理能力，較強的非線性映射能力及自適應學習能力，同時為消除復雜系統的制約因素提供了手段。人工神經網絡在足夠多的樣本數據的基礎上，可以很好地比較任意復雜的非線性函數。另外，神經網絡的并行結構可用硬件實現的方法進行開發。目前應用最成熟最廣泛的一種神經網絡是前饋多層神經網絡（BP），通常稱為BP神經網絡。

神經網絡方法的基本思想是：神經網絡模型的網絡輸入與神經網絡輸出的數學關系用以表示系統的結構參數與系統動態參數之間的復雜的物理關系，即訓練。我們發現利用經過訓練的模型進行權值和閾值的再修改和優化（稱之為學習）時，其計算速度要大大快于基于其他優化計算的速度。

BP神經網絡一般由大量的非線性處理單元——神經元連接組成的。具有大規模并行處理信息能力和極強的的容錯性。每個神經元有一個單一的輸出，但可以把這個輸出量與下一層的多個神經元相連，每個連接通路對應一個連接權系數。根據功能可以把神經網絡分為輸入層，隱含層（一或多層），輸出層三個部分。設每層輸入為ui(q)輸出為vi(q)。同時，給定了P組輸入和輸出樣本 ，dp（p=200）。

（6）

該網絡實質上是對任意非線性映射關系的一種逼近，由于采用的是全局逼近的方法，因而BP網絡具有較好的泛化的能力。

我們主要是利用神經網絡的非線性自適應能力，將它用于消音鋸片的電阻點焊過程。訓練過程是：通過點焊實驗獲得目標函數與各影響因素間的離散關系，用神經網絡的隱式來表達輸入輸出的函數關系，即將實驗數據作為樣本輸入網絡進行訓練，建立輸入輸出之間的非線性映射關系，并將知識信息儲存在連接權上，從而利用網絡的記憶功能形成一個函數。不斷地迭代可以達到sse（誤差平方和）最小。

我們這次做的消音金剛石鋸片電焊機，通過實驗發現可以通過采用雙隱層BP神經網絡就可以很好的反應輸入輸出參數的非線性關系。輸入神經元為3，分別對應3個電阻點焊工藝參數。輸出神經元為1，對應焊接質量指標參數。設第1隱含層神經元取為s1，第2隱含層神經元取為s2。輸入層和隱含層以及隱層之間的激活函數都選取Log-Sigmoid型函數，輸出層的激活函數選取Pureline型函數。

2點焊樣本的選取

影響點焊質量的參數有很多，我們選取點焊時的控制參數，即點焊時間，電極力和焊接電流，在固定式點焊機上進行實驗。選用鋼種為50Mn2V，Φ600m的消音型薄型圓鋸片基體為進行實驗。對需要優化的參數為點焊時間，電極力和焊接電流3個參數進行的訓練。最后的結果為焊接質量，通常以鋸片的抗拉剪載荷為指標。

建立BP神經網絡時，選擇樣本非常重要。樣本的選取關系到所建立的網絡模型能否正確反映所選點焊參數和輸出之間的關系。利用插值法，將輸入變量在較理想的區間均勻分布取值，如果有m個輸入量，每個輸入量均勻取n個值（即每個輸入量有m個水平數）， 則根據排列組合有nm個樣本。對應于本例，有3個輸入量，每個變量有5個水平數，這樣訓練樣本的數目就為53=125個。

我們的實驗，是以工人的經驗為參考依據，發現點焊時間范圍為2~8s，電極力范圍為500~3000N，點焊電流范圍為5~20kA時，焊接質量比較好。我們先取點焊電流，電極力為定量，在合理的范圍內不斷改變點焊時間，得到抗拉剪載荷。如此，可以得到不同點焊電流和電極力的抗拉剪載荷。根據點焊數據的情況，我們共選用200組數據。部分測試數據如表1：

神經網絡建模的關鍵是訓練，而訓練時隨著輸入參數個數的增加樣本的排列組合數也急劇增加，這就給神經網絡建模帶來了很大的工作量，甚至于無法達到訓練目的。

3神經網絡

我們用200組訓練樣本對進行神經網絡訓練，以err_goal=0.01為目標。調用Matlab神經網絡工具箱中的函數編程計算，實現對網絡的訓練，訓練完成后便得到一個網絡模型。

程序

x1=[2.1 2.5 3 3.5 4……]； %點焊時間輸入，取200組

x2=[1.3 1.5 1.9 2.1 2.3……]；%電極力輸入，取200組

x3=[9 10 11 12 13……];%點焊電流輸入，取200組

y=[2756 3167 3895 3264 2877……]； %輸出量，取200組

net=newff([1 10;0.5 3;5 20]，[10 10 1]，{‘tansig‘‘tansig‘‘purelin‘});

%初始化網絡 轉貼于

net.trainParam.goal = 0.01;%設定目標值

net=train(net，[x1;x2;x3]，y);%訓練網絡

figure； %畫出圖像

選取不同的s1，s2，經過不斷的神經網絡訓練，發現當s1=8，s2=6時，神經網絡可以達到要求。工具箱示意圖如下圖1。

圖 1工具箱示意圖

工具箱示意圖非常清晰地表示了本實驗的神經網絡的輸入，輸出以及訓練的過程。

神經網絡的訓練結果，如圖2所示:

圖2神經網絡的學習過程

圖中可以看出雙層網絡訓練的sse在訓練100次時，已經接近0.0001，效果較理想。

為了驗證經過訓練的網絡模型的泛化能力，在輸入變量所允許的區域內又另選多個樣本進行了計算。發現：利用BP神經網絡模型計算的測試輸出與期望輸出值相符，誤差小于2％。

在已經訓練好的網絡中找出最大值：

for i=2:10 %點焊時間選擇

for j=0.5:0.1:3%電極力選擇

fork=5:0.1:20%點焊電流選擇

a=sim(net，[i，j，k])；%仿真

ifan %比較仿真結果與最大值，取最大值n=a；

i(1)=i；%最大值的時間

j(1)=j；%最大值的電極力

k(1)=k； %最大值的電流

end

end

end

end

將i（1），j（1），k（1）以及n輸出，n為最大值。得到點焊時間為3.4s，電極力為12.7kN，點焊電流為11.8kA，此時的抗剪拉剪載荷為4381N，為訓練結果的最大值。將點焊時間為3.4s，電極力為12.7kN，點焊電流為11.8kA在點焊機上進行實驗，得到結果為4297N。并且通過與實際的結果相比較，發現誤差也在2%以內。

4結論

1）本文采用了插值法作為選取BP神經網絡訓練樣本的方法。并且在數據變化劇烈的地方多選取了75組數據，這樣可以得到較高精度的網絡模型，使點焊模型的可行性。

2）基于此方法建立了三個點焊參數的BP神經網絡模型，而且所建的BP模型具有較高的精度，可以很好的描述了這三個點焊參數與點焊質量的映射關系。

3）由于神經網絡模型將系統結構參數與傳統動態特性參數之間的物理關系，反映為神經網絡模型的網絡輸入與網絡輸出的數學關系，因此，在神經網絡模型上進行結構修正與優化比在其他模型上更直接，簡單與高效。

本文采用神經網絡的方法優化復合消音鋸片的點焊工藝參數，為分析點焊質量提供了很好的輔助手段。通過與以前工藝相比較，提高了點焊質量。

參考文獻

[1] 方平，熊麗云.點焊電流有效值神經網絡實時計算方法研究.[J].機械工程學報，2004（11）.148-152.

第3篇：神經網絡的基本功能范文

摘要：旅游需求的預測預報研究一直是旅游學研究的一個重要課題。本文在對到訪澳門地區中國內地游客量分析的基礎上,運用人工神經網絡(ANN)的理論和方法,構建了ANN模型分析中的3層BP模型,以澳門近10年（1996-20__）入境來訪的中國內地旅游人數為例進行模型驗證，模擬結果表明,BP神經網絡預測的結果能夠高程度的吻合原始數據，在旅游市場預測中，BP神經網絡預測是一種有效的預測方法。一．問題的提出與分析近年來，對澳門地區的旅游業來說，中國內地旅客是旅游收入的主要來源。目前旅游業已成為澳門地區經濟發展特別是第二產業發展的支柱。建立科學的可操作的旅游預測模型是實現澳門地區旅游業持續健康穩定發展的理論基石和前提。由于影響某地旅游人數的因素各異，還不存在普遍適用的神經網絡模型。基于此，本文擬用3層BP神經網絡模型來仿真模擬分析和預測澳門地區旅游需求,以此為旅游需求預測提供一種新的方法。二．模型的假設與符號說明1．基本假設1）交通在旅游中通常不是重要的，為了研究的方便（主要是無法獲得交通數據），把交通這個影響忽略。2）假設澳門的接待能力都滿足需求。3）在本例旅游需求預測模型中，我們考慮的主要因素有：客源地的人口，客源地的總收入，客源地的消費水平，旅游目的地的生活水平。4）為了研究的方便，假定以上四因子之間相互獨立，本例旅游需求即為上述四因子的函數，即y=f(GDI,POP,GDE,M-GP)。就用這四個因素作為人工神經網絡模型輸入層的神經元。2．符號說明T澳門內地游客量GDI中國內地國民總收入POP中國內地人口總數GDE中國內地國民消費水平M-GP澳門生產總值三．模型的建立與求解1．人工神經網絡模型理論原理

人工神經網絡（ArtificialNeuralNetwork）是由大量的、簡單元件（神經元）廣泛相互聯結而成的非線性的、動態的復雜網絡信息處理系統，它是在現代神經學研究成果基礎上提出的，能模擬人腦的若干基本功能[1]。它具有并行分布的信息處理結構，可以通過“自學習”或“訓練”的方式完成某一特定的工作。它可以從積累的工作案例中學習知識，盡可能多地把各種定性或定量的因素作為變量加以輸入，從而建立各種影響因素與結論之間的高度非線性映射，采用自適應模式識別方法來完成預測工作[2]。人工神經網絡模型尤其是對處理內部規律不甚了解、不能用一組規則或方程進行描述的復雜的、開放的非線性系統顯得較為優越。人工神經網絡模型一般由處理單元、激活狀態、單元輸出、連接模式、激活規則、學習規則等6個部分組成。一個多層神經網絡中包含有很多個信息處理單元,分布于不同的層次中。根據每項輸入和相應的權重獲取一個綜合信號，當信號超過閾值則激活神經元而產生輸出。各類影響因素和最終輸出結果之間可以假定存在一種映射,即輸出結果＝F（影響因素）。為了尋求最佳的映射關系F，將訓練樣本集合和輸入、輸出轉化為一種非線性關系，通過對簡單非線性函數的復合，從而建立一個高度的非線性映射關系F,最終實現輸出值的最優逼近［3］。在人工神經網絡的實際應用中，80~90的人工神經網絡是采用前饋反向傳播網絡（back-propagation-network,簡稱BP網絡）或它的變化形式。BP神經網絡（如圖一）是一種單項傳播的多層前向神經網絡，分為輸入層、隱含層和輸出層，層與層之間采用全連接方式，同一層單元之間不存在相互連接。它是前向網絡的核心部分，體現了人工神經網絡最精華的部分[4]。標準的BP網絡是根據W-H學習規則，采用梯度下降算法，對非線性可微函數進行權值訓練的多層網絡。圖一：BP神經網絡的每一層的權值通過學習來調節，其基本處理單元為非線性輸入－輸出關系，選用S型作用函數：其中：xj為該神經元第i個輸入；wij為前一層第i個神經元至該神經元j的連接權值，i＝0時的權值為閾值。其計算步驟如下：（1）給定一組隨機的權值和閾值初始值及步長系數η與勢態因子α；（2）取學習樣本數據，根據學習樣本、權值及閥值計算輸出，并與學習期望輸出比較，當誤差滿足要求時結束訓練，否則將誤差向后逐層傳播，并修正各層連接權值，調整公式為：其中：k取j結點所在層的前一層所有結點。5）澳門內地旅客人數神經網絡模型的建立(一)BP網絡設計網絡設計是一個綜合性問題，它應滿足多種不同要求，例如，希望所涉及的網絡有較好的推理能力，易于硬件實現，訓練速度快等，其中有較好的推理能力是最主要的。一般來說，推廣能力決定于3個主要因素，即問題本身的復雜程度、網絡結構以及樣本量大小。在一般情況下，旅游需求預測研究中樣本的數量是一定的，因此可歸結為在樣本量一定的情況下，如何選擇網絡規模的問題。在進行BP網絡預測模型設計中，我們主要考慮以下因素：網絡的層數、每層中的神經元個數、初始值的選擇、學習速率和期望誤差。i)網絡的層數已證明：具有偏差和至少一個S型隱含層加上一個線性輸出層的網絡，能夠逼近任何有理函數。所以，本文選擇一個3層的BP網絡。ii)每層中神經元的個數輸入層和輸出層神經元的個數根據解決具體問題的復雜程度而定。為了提高網絡訓練的精度，可以通過采用一個隱含層，再加上1到2個神經元以加快誤差的下降速度即可。因此，本文輸入層神經元個數選擇為4個，隱含層神經元個數分別選擇了9、12、15個，輸出層神經元個數選擇為1個。iii)初始值的選擇由于人工神經網絡是一個非線性系統，初始值的選擇對于網絡學習是否達到局部最小、是否能夠收斂以及訓練時間的長短都有較大影響。在初始值的選擇上一般是使經過初始值加權后的每個神經元的輸出值都接近零，這樣可以保證每一個神經元的連接權值都能夠在它們的S型激活函數變化最大處進行調解。所以，初始值一般選擇在（-1,1）之間的隨機數。本文的初始值為默認值。iv)學習速率對于任何一個網絡都對應一個合適的學習速率。學習速率決定每一次循環訓練中所產生的權值的變化量。大的學習速率可以導致網絡的不穩定，但是小的學習速率又會導致訓練時間延長，收斂速度較慢，不能保證網絡的誤差能最終趨于最小。綜合上述考慮，在學習速率的選擇上傾向于選擇較小的學習速率以保證網絡的穩定性，本文選擇的學習速率為0.01。v)期望誤差值期望誤差值的確定也是通過網絡對不同誤差值分別進行訓練比較后確定的最適合值。所謂的最適合值是相對于所需要的隱含層的節點數來確定的，一個較小的誤差值的獲得需要增加隱含層的節點以及訓練時間。本文經過不斷測試，選擇0.0001為期望誤差值。（二）1．網絡訓練模式的選擇訓練網絡有兩類模式：逐變模式和批變模式。在逐變模式中，每一個輸入被作用于網絡后，權重和偏置量被更新一次。在批變模式中，所有的輸入被應用于網絡后，權重和偏置量才被更新 一次。使用批變模式不需要為每一層的權重和偏置量設定訓練函數，而只需為整個網絡制定一個訓練函數，使用起來相對方便，因此，本文在進行網絡訓練時采用批變模式。表格一：年度

澳門的內地游客量(T)（千人）中國內地國民總收入(GDI)（億元）中國內地人口數(POP)（萬人）中國內地居民消費水平（GDE）（元）澳門生產總值（M-GP）(億美元)1996604．270142.5122389278966.31997529．877653.1123626300266.71998816．883024.3124761315961.919991645．288189.0125786334659.220__2274．798000.5126743363261.020__3005．7108068.2127627386961.920__4240．4119095.7128453410668.220__5742．0135174.0129227441179.220__9529．7159586.71299884925103.320__10463183956.11307565439115.62．數據和模型的建立神經網絡模型要求數據具有：A、易獲得性B、可靠性C、可測度性。本項研究采用很可靠的官方發表的數據作為分析的數據源（見表1），主要來自于中國統計局網。用3層BP網絡模型對本例旅游需求進行模擬，根據BP網絡的映射原理，對于樣本集合X和輸出Y，可以假設存在一映射F。為了尋求F的最佳映射值，BP網絡模型將樣本集合的輸入、輸出轉化為非線性優化，通過對簡單的非線性函數的復合，建立一個高度的非線性映射關系，實現F值的最優逼近。對于本例旅游需求模型的模擬：其輸入層結點數（4個神經元）：中國內地國民總收入（GDI）、中國內地人口總數（POP）、中國內地國民消費水平（GDE）、澳門生產總值（M-GP）。把澳門內地游客量（T）作為輸出結點。從而得出3層前饋反向傳播神經網絡模型。四．模型結果及分析1網絡訓練性能的檢查。不同個數的隱層單元組成的BP網絡訓練曲線如圖1，2，3所示。通過比較發現，中間層神經元個數為9和12時，網絡的收斂速度比較快。2網絡預測性能的考查。在數據列表中選取1996年到20__年的數據作為網絡的測試數據。20__、20__年的(文秘站:)游客量檢驗誤差曲線如圖4。其仿真結果令人滿意，達到預期的效果。圖1圖2圖3圖4五．模型的應用與評價（優缺點與改進）從上面的分析可以看出，3層BP神經網絡模型的仿真模擬效果是鄰人滿意的。可以看出，人工神經網絡的擬合精度比較高，主要是基于人工神經網絡抗干擾能力強，穩定性好，能自動準確地找出各種輸入和輸出之間的線性或非線性關系，具有較強的模擬適應能力等特點。在本例對于澳門的內地游客量的旅游預測中BP神經網絡模型是一種有效的預測方法。這一研究方法為旅游學的定量預測研究提供了一種新的思路，也為工程實踐問題中的一些研究工作提供了一種非常好的指導方法。雖然BP網絡得到了廣泛應用，但其自身也存在一些缺陷和不足，主要包括幾個方面的問題。首先，由于學習速率是固定的，因此，網絡的收斂速度慢，需要較強的訓練時間。再次，網絡隱含層的層數和單元數的選擇尚無理論上的指導，一般是根據應驗或者通過反復試驗確定的。因此，網絡往往存在很大的冗余性，在一定上也增加了網絡學習的負擔。六．原題附帶問題簡析通過對本例旅游需求模型的分析，我們認為在利用數學建模的方法對旅游需求進行預測預報時，對于數據的采集和整理工作需要認真做好。對于數據的分析有助于我們尋求變量間的關系，以形成初步的想法。如何獲得數據以及如何獲得準確的數據對于我們研究實際問題具有相當重大的意義。收集數據并非多多益善，而是要弄清究竟需要哪些數據，剔除不必要的數據，從而減少冗余的工作。同時，需要什么形式的數據也是我們應該思考的一個問題，這與建立模型的目的和所選擇的模型的特點有關。[參考文獻][1]王士同，等．問題求解的人工智能：神經網絡方法[M].北京：氣象出版社，1995.[2]HillT,MarquezO’connorM,RemusW.ArtificialNeuralNetworkMedelsfor

ForecastingandDecisionMaking[J].InternationalJournalofForecasting,1993,

第4篇：神經網絡的基本功能范文

近年來，一系列高分辨率衛星的相繼上天，高分辨率衛星遙感的應用也因此成為可能，也凸現出遙感影像數據處理的重要性日益顯現。遙感影像數據處理的主要內容就是對遙感數據（主要是高分辨率遙感影像數據）進行自動（半自動）圖像處理分析，從而獲取人們需要的信息。

Taries軟件是具有自主知識產權的軟件產品，由中科院遙感所國家遙感應用工程技術研究中心下屬的空間信息關鍵技術研發部開發。Taries軟件主要應用于對高分辨率遙感影像的各種信息的處理、提取與分析，其功能包括影像的預處理、影像分割、影像分類、特征提取與表達、特征分析、目標識別等。它是集矢量和柵格于一體化的軟件系統。

Taries主要功能

1. 影像處理

（1）采用幾何精糾正方法：建立基于空間投影理論與有限控制點的全局自適應方法，并建立基于控制點、線、面特征的局部自適應相結合的影像幾何精糾正模型。

（2）實現多源遙感影像信息的特征級融合: 在像元級、高精度的多源遙感信息分析技術基礎上，發展了各種特征估計器和融合評判規則，建立特征級的多源遙感信息融合的方法以及相應的算法。

2. 影像信息提取

（1）在復雜環境中的目標信息增強: 采用具有空間自適應能力的目標特征的信息增強模型與方法，特別是弱目標信息的增強方法，并對無關背景信息進行抑制。

（2）高分辨率影像分割: 基于空間特征（包括紋理特征、形狀特征和動態特征）以及高維統計特征，采用面向特征的高分辨率影像分割技術（如基于模糊集理論、EM模型、Markov模型、MCMC模型、小波分析等）。

（3）基于智能計算模型的目標特征提取: 基于神經網絡、支撐向量機等智能計算模型，研究和發展針對目標的紋理特征、結構特征的提取方法，并實現相應算法。

（4）目標識別與提取系統原型: 采用組件技術，研制開發目標識別與提取軟件系統原型，包括影像精處理、目標單元分割與特征提取、目標識別等模塊。

3. 矢量數據顯示、處理與分析

（1）兼容ArcGIS SHP等矢量數據存儲格式，能夠采用系統的矢柵一體化數據模型對相應的矢量數據進行讀取與顯示。

（2）基于底層數據模型，能夠實現基于Taries軟件的矢量數據的修改功能，包括基本對象（點、線、面）的增、刪、改等操作。

（3）基于相應的矢量數據建立拓撲關系，并在此基礎上進行相應的空間分析功能（如最優路徑查詢分析等）。

（4）具有常規的矢量數據顯示軟件的基本功能，并可在此基礎開發進一步的應用（如移動目標定位與車輛跟蹤系統等）。

關鍵技術

1. 高分辨率影像的高精度幾何糾正技術

考慮到高分辨率影像的特點，首先應對高分辨率影像進行包括如下兩項技術的精處理:

（1）基于重疊影像的高精度影像配準技術: 采用既滿足一定精度要求、又保證一定運算速度與適應性的子像素匹配技術，從而確定具有一定重疊的兩幅圖像間的幾何對應關系，獲得對應的控制點對，采用整體匹配技術使配準精度達到一個像元。

（2）空間自適應高精度幾何糾正: 針對高空間分辨率影像的特征，采用具有局部自適應的高精度幾何糾正方法，消除常規最小二乘法平面擬合糾正方法對圖像局部糾正誤差較大的問題。

2. 復雜自然環境下的信息增強

針對地形復雜、植被茂密的復雜自然環境，采用針對特征的統計信息增強技術，對具有重要意義的地面信息進行初步的檢測性增強，特別是弱目標信息的增強，并對其他背景信息進行抑制。建立基于多種影像以及已有目標信息與判別知識的潛在目標快速檢測技術，使用方法包括微觀特征提取、動態變化檢測等。

3. 高分辨率影像分割技術

以影像理解研究為基礎，建立融遙感圖像信息、地理時/空信息與地學知識為一體的目標空間認知結構模型。該模型為對中高分辨率遙感圖像目標單元群體的處理和分析，提供面向紋理特征和結構特征，并能夠最大限度地利用地學分類知識與時/空推理模型的智能化識別與提取方法。目前軟件包括十余種不同的遙感影像分割算法。

基于目標空間認知結構模型和空間特征（包括紋理特征、形狀特征、動態特征和輪廓特征）以及高維統計特征，研究面向特征的高分辨率影像分割技術，并采用穩健統計機制來保證分割算法具有較強的穩健性，將分割后的特征按照其幾何關系、屬性關系、統計關系和操縱方式，以面向對象的模式進行統一化管理，從而將連續的圖像形式轉化為離散的、便于操作的特征群體，便于目標特征的快速提取。

4. 智能計算模型的目標特征提取技術

針對遙感信息特征的提取問題，在傳統統計和人工神經網絡方法基礎上，發展新型針對高分辨率遙感影像的目標特征提取模型，主要包括: 基于知識的神經網絡模型來處理混合密度分布的特征提取和分類; ARTMAP神經網絡作為低維空間結構特征的聯想記憶模型; 基于統計學習理論的支撐向量機（SVM）。SVM是近幾年最新提出的機器學習算法，它可以作為高維有限特征的記憶單元來實現對高分辨率遙感影像目標特征信息的提取。應用SVM模型進行特征提取，需要重點解決的問題有: 高維映射函數定義、領域知識融合、支撐向量集極小優化和高維信息壓縮。

在以上有關特征提取的智能計算模型基礎上，針對不同復雜程度的目標特征提取問題，可分別采用MCMC統計模型、RBF/EBF神經網絡、ARTMAP神經網絡、支撐向量機來對目標庫中的目標特征進行提取和表達。

5. 視覺尺度空間變化的特征表達與目標識別技術

針對空間數據的多尺度特征，引進尺度空間視覺聚類方法，對空間數據的尺度特征變化進行描述（圖1）。基本原理是: 模擬人眼對目標特征從近到遠逐步綜合的視覺過程，來定量化地劃分不同尺度上的空間單元。在目標識別過程中，將采用視覺空間尺度變換理論和方法，對遙感影像空間特征集采用逐步綜合的特征多尺度聚類，從而在尺度空間轉換上實現對影像特征集的樹狀方式管理，以滿足不同尺度上的特征組合與表達。

圖2 Taries軟件處理矢量數據界面

6. 目標識別與提取的RS與GIS集成化處理技術

遙感圖像給出了地面目標的柵格化波譜表達，突出并準確地再現了地物的大小、形狀（包括點、線、面）和紋理變化; 而GIS則有著對地物邊界的精細刻畫能力，并能夠對地物間的空間關系進行拓撲變換與推理分析。因此，從空間單元數據處理的粒度入手，并將GIS的空間關系拓撲變換與時空推理分析引入到對遙感圖像信息的智能化處理中，極大地提高了目標群體的識別精度與提取的一致性，為基于矢柵一體化數據模型的分析提供重要支撐技術。

7.矢量數據顯示、處理與分析技術

除具有矢量數據的顯示與基本操作外（如電子地圖縮放、漫游等），系統還對矢量數據的編輯功能進行了實現，包括: 特征點顯示、點選、矩選、圓選、分裂、合并、增加控制點、刪除控制點、移動控制點、增加對象、刪除對象、移動對象等功能，并實現了相應的空間分析功能（如拓撲關系建立，最優路徑選取等）。

第5篇：神經網絡的基本功能范文

關鍵詞：物聯網；精準農業；果蔬種植；預警系統；專家系統

中圖分類號：S126；TP391 文獻標識碼：A 文章編號：0439-8114（2016）14-3741-04

DOI：10.14088/ki.issn0439-8114.2016.14.051

Abstract： The Internet of thing early warning system for precision agriculture， relying on expert system， neural network based on genetic algorithm to optimize of disease diagnosis of early warning platform， production management early warning platform and logistics platform is constructed， reasonable arrangement of sensors， at the same time， the application of Internet of things technology such as RFID，3G， ZigBee， GPRS. The system applied in the production of rinse hot demonstration in the process of production and transportation， the environment parameters beyond good value for early warning， and fine regulation and water， the effect of temperature and humidity， pesticide and so on， in order to reduce the production cost， wide range application can create better economic benefits.

Key words： the Internet of things； precision agriculture； fruit and vegetable production； early warning system； expert system

精準農業，也稱精細農業，是根據作物生長的土壤墑情來調節對作物的投入，以最節省的投入達到更高的收入，并能改善環境的生產方式。精準農業技術由田間信息采集、智能決策和智能裝備技術組成，通過對信息采集、加工及應用，以實現糧食增產和農民增收的目標。其中，從田間實時、準確地采集各種影響作物生長的環境信息及作物長勢是實現精準農業的基礎[1]。物聯網作為現代信息技術發展的產物，具有全面感知、可靠傳送、智能處理等特征，將其用于農業生產中，為實現田間信息采集、遠程監測及控制提供可靠保障。物聯網是指通過射頻識別、傳感器、全球定位系統、激光掃描器等信息傳感設備，按照約定的協議，把物品與互聯網連接起來，進行信息交換和通信，采用智能計算技術對信息進行分析處理，以實現智能識別、定位、跟蹤、智能決策和監控的一種網絡。物聯網技術已經深入應用在許多領域[2-6]，而將精準農業與物聯網技術相結合，可最大限度提高農業生產力，是實現優質、高產、低耗、環保等可持續發展農業的有效途徑。

本研究提出基于物聯網的精準農業果蔬種植預警系統，利用各種傳感設備實時獲取田間信息，通過無線網絡技術傳至上位機，依托專家系統進行分析、處理，對影響作物生長的因素做出預警與調控，使果蔬生長在最佳的環境中，從而實現精準農業作業的經濟化及智能化。基于物聯網精準農業的果蔬種植預警系統包括軟、硬件兩部分，軟件開發含3個預警平臺，依托專家系統，實現病害診斷預警平臺、生產管理預警平臺和物流運輸預警平臺，通過合理布置無線傳感器，融合3G、ZigBee等無線網絡，運用物聯網技術實現高效、便捷、實時的科學化果蔬生產管理體系。

1 專家系統構建

專家系統（Expert System）是人工智能的一個重要分支，包括知識庫與推理機，將人類專家的知識及經驗以適當的形式存入計算機，利用一定的算法對知識進行推理，做出判斷和決策等。知識庫是專家系統的核心，是問題求解的集合，包括基本事實、規則和其他相關信息。推理機是專家系統運用知識對數據進行推理的邏輯核心，它控制著知識庫中的知識，對數據庫中的數據進行推理，以得出新的結論。用戶提供事實或信息給專家系統，相應地收到專家系統的建議或專門知識。

農業是一個復雜的巨系統，農業生產具有復雜多變性。從不同作物的生長需求出發，通過總結、收集作物栽培領域的知識、專家經驗和試驗數據構建專家知識庫，實現具有咨詢和決策能力的應用服務平臺，是現代農業技術的研究熱點。本研究以果蔬種植為例，采用B/S三層體系結構，在Windows NT Server平臺下使用，以SQL Server 2008為數據庫管理系統，采用Visual C#.NET編程語言，整個軟件分基于遺傳算法優化神經網絡的病害預警、生產管理預警、產品運輸預警等服務平臺，平臺包括表現層、業務層、數據訪問層和數據庫4層。數據訪問用于所有業務層與數據庫之間的數據管理，是一個公共層，由數據訪問組件與數據庫連接組件構成。業務層根據不同的管理對象建立不同的業務組件，如用戶注冊管理組件、信息采集組件、實施控制組件等，還可根據實際需求的變化方便地增改組件，易于系統的維護和升級[7]。在果蔬生產管理中，依托專家系統，對物聯網技術獲取的影響果蔬生長的環境參數進行推理，并做出決策及調控，以實現動態調節適宜果蔬生長的最佳條件，為果蔬種植實現智能、節能、高效的管理提供保障。

2 基于遺傳算法優化BP神經網絡的病蟲害診斷預警平臺

實現果蔬病害的預警預報，是有效防治和控制病害發生發展，減少農藥施用和生產無公害果蔬的最佳途徑。影響果蔬病蟲害發生的因素較多，包括氣象、自然環境、本身表現出的密度和非密度制約因素等。其中，氣象因子與病害密切相關，大棚內濕度、溫度不適是造成病害發生和蔓延的主要原因。如涮涮辣種植中常見病害有疫病、葉斑病、灰霉病、炭疽病等，每種病害有其獨特的生長習性，其中疫病在溫度為25～30 ℃、濕度高于85%時發病較重。但氣象因子與病害不具備線性關系，若用數理統計方法找出氣象因子與病害之間的某種函數關系有一定難度。BP神經網絡理論是一種非線性識別理論，它具有自學習、自適應和容錯能力，在模式識別中得到廣泛應用。但BP神經網絡容易陷入局部最優的缺點，而遺傳算法可很好克服此缺陷，可先用遺傳算法搜索BP神經網絡權值和閾值，求出最優的權值和閾值后再訓練BP神經網絡，以實現全局最優。其思想是對神經元的連接權值和閾值進行編碼，使之成為碼串的初始群體，進而通過遺傳選擇、交叉、變異操作對每一代群體進行計算和篩選，直到獲得最佳權值和閾值。將神經網絡輸出的均方誤差作為遺傳算法的個體適應度，經重復計算，將誤差降至全局最小[8]。遺傳算法優化BP神經網絡的算法流程如圖1所示。

本研究基于遺傳優化后的BP神經網絡采用三層結構，即輸入層、隱含層和輸出層，每層神經元個數分別用s、q、m表示，則可表示為BP（s，q，m）。以最高溫度、最低溫度、平均溫度、最高濕度、最低濕度、平均濕度、光照強度共7個因素為輸入參數，以作物病感指數為輸出。病感指數的計算分別見表1病害分級標準和公式（1）。

隱層節點數的確定采用試湊法，以涮涮辣常見病害：疫病、青枯病、猝倒病為例進行訓練，根據表2的訓練結果，最后確定的網絡結構為BP（7，19，1）。用遺傳算法優化BP神經網絡的病害預警模型的步驟及用Matlab2009a實現的偽代碼如下：

1）創建BP神經網絡

net=newff（minmax（P），[S1，3]，{‘tansig’，‘tansig’}，’trainlm’）/*S1為隱含層神經元數，R、S2分別為輸入、輸出神經元數

2）對初始化參數選定

3）用遺傳算法優化BP神經網絡的權值、閾值

R=size（pn，1）；

S2=size（tn，1）；

S1=20；

S=R*S1+S1*S2+S1+S2；/*S為遺傳算法編碼長度

主程序實現：/*P，T為訓練樣本的輸入、輸出維數

[P，T，R，S1，S2，S]=nninit/*初始化

bb=ones（S，1）*[-1，1]；/*初始化種群

initPbb=initializega（popa，bb，'gabpEval'）；/*初始化遺傳算法

計算最優的網絡權值與閾值：

[W1，B1，W2，B2]=gadecod（x）；

net.IW{1，1}=W1；

net.LW{2，1}=W2；

net.b{1}=B1；

net.b{2}=B2；

net=train（net，P，T）；/*用新的權值及閾值訓練網絡

4）仿真操作

訓練停止后可用語句tn_bp_sim=sim（net_bp，P_test）進行仿真，5個測試樣本的正確率分別為98%、99%、100%、92%，97%，平均正確率為97.2%。

3 生產管理預警服務平臺

果蔬生產管理預警平臺包括視頻監控、農業環境監測、采集數據的存儲及遠程控制模塊組成。視頻監控用于定點、定時的觀測果蔬生長情況，該系統包括遠程Web在線查看、視頻數據存儲、回放等功能。農業環境監測是精準農業的基礎部分，用于監測影響果蔬生長的環境參數變化。本研究以物聯網技術為核心，監測影響果蔬生長的光照強度、CO2濃度，溫度、濕度，土壤含氮量、pH等環境信息[9，10]，生產管理者可通過智能終端、Web瀏覽器等方式實時查看監控區域的詳細監測信息和經推理后的預警信息。

1）大棚精準農業檢測控制系統設計。在果蔬大棚內合理布置各種傳感器，以實現實時監測各項環境參數，同時安裝可調控設施（如抽風機、噴淋系統、加熱器、補光燈等設備），基于物聯網精準農業的果蔬種植預警管理系統如圖2所示。該系統可實時采集棚內環境參數，將數據通過有線或無線方式發送至上位機，服務器對數據進行分析，最后以直觀的曲線、圖表、報警信息等通過終端展現給用戶。同時，系統軟件為棚內可控設施預留了端口，可通過預警后的人工操作，或用智能終端開啟或關閉調控設施實現自動調控，使作物生長在最佳環境中。

不同果蔬對環境、氣象在不同時期有不同的需求，如涮涮辣生長過程中，播種后3～4 d，溫度要控制在30 ℃左右，當種子破土后，白天溫度要控制在15～20 ℃，晚上控制在12～16 ℃；當第一片針葉露尖后白天控制在20～25 ℃，晚上控制在適15～20 ℃；當分苗后前3 d，要保持好空氣濕度和溫度，保證白天25～30 ℃，晚上控制在15～20 ℃左右，其他時期最宜溫度平均為16～21 ℃。這些溫度值可預先在專家系統進行設置，若監測到的溫度超出設定的范圍，系統將自動報警。同樣光照、濕度、CO2濃度、肥水的最佳范圍值及自動控制策略均可在專家系統中設定。

2）物聯網傳感平臺節點布置。基于物聯網的精準農業生產預警系統，無線傳感器節點是采集信息單元。傳感器節點通常是一個嵌入式系統，各傳感器節點集成有傳感器其執行器模塊、計算與存儲模塊、通信模塊和電源模塊[11，12]，其結構如圖3所示。為確保大棚果蔬能在最適宜的環境中生長，對傳感器節點的設計提出了較高要求，既要求傳感器節點能夠精確檢測大棚內的各種氣象、土壤墑情等參數，又要求傳感器有效覆蓋大棚的每個角落。

該系統在涮涮辣大棚中進行試驗，傳感器節點的處理器單元和無線傳輸單元采用CHIPCON公司的CC2430芯片，它是一種基于ZigBee協議，集成89C51內核處理器芯片和ZigBee無線收發模塊，內置RF2420射頻芯片，并增加CC2591增益放大芯片。單點之間傳輸有效距離可達700 m，系統監測并存儲大棚內各個環境數據，所有監測節點均采用無線傳輸。棚內空氣溫濕度、CO2濃度、光照強度按每隔10 m布置一個監測節點，每個監測點分上、中、下3個層次，距地面高度分別為50、100、160 cm。每個大棚部署3個土壤溫濕度傳感器監測點，每個監測點又分土層5、15、30 cm 3個層次，布置3個pH和氨氮傳感器監測點，每個監測點分土層5、、15、30 cm 3個層次。若還需增加監測節點，只需在軟件系統中設置即可，硬件的采集節點無需修改。施工采用支架式插入土壤，種植時可快速方便布置，而在空閑季節，可方便回收至倉庫保管。采集節點供電采用鋰電池供電和太陽能板供電二種模式，根據無線節點的采集頻率和傳感器耗電量而定，當采集頻率間隔≥5 min/次，無線節點的低功耗模式啟動，節點可持續工作6個月。

4 物流管理預警平臺

物流管理預警平臺是果蔬生產管理的擴展平臺，是保證其價值量的環節之一。據統計數據顯示，每年在運輸過程中腐爛變質的水果、蔬菜、乳制品等易損壞食品的總價值達1 000億元以上，損失率高達25%～30%，而發達國家果蔬的損失率一般控制在5%。因此對鮮嫩易爛的果蔬在運輸車輛中安裝GPS定位、溫濕度傳感器及RFID射頻識別，實時采集車輛、產品的基本信息，通過3G、GPRS等技術[13]傳至監控中心，依托專家系統對采集的數據分析，對貨損、延遲、失竊、線路異常等情況預警，以便實現調度和調控，從而有效降低果蔬運輸中因腐爛變質的損失率。其運輸預警功能結構如圖4所示。

底層信息集由GPS衛星導航定位、RFID貨物基本信息采集、傳感器貨物狀態信息采集等軟硬件組成。監控中心的軟件包含數據接收存儲、異常報警、基本功能、GIS電子地圖繪制等組成。其中GPS導航定位每隔5 min采集車輛途中的實時經緯度、速度及方向信息，通過3G上傳至監管中心，監管中心收到信息，計算并結合GIS功能在電子地圖上顯示，若與預設的不一致，通過3G向管理員及駕駛員發出異常報警信息；RFID定時采集物品的基本信息[14]，如物品編碼、采摘日期、數量、價格、目的地等信息，并與RFID中的初始信息對比，若出現信息不一致，則將異常信息通過3G上傳至監管中心，并發出報警信息；傳感器主要集物品的溫濕度、壓力等狀態信息，這些參數通過無線通訊網傳至監控中心，計算是否在適宜值范圍內，否則發出預警信息，并通知運輸人員采取相應措施，實現對環境的精準調控，以滿足產品對保鮮保質的需求，降低果蔬在運輸過程中的損失率。

5 小結

基于物聯網的精準農業果蔬種植預警系統還處于試驗階段，由于該系統可根據不同作物在不同時期對影響其生長的環境參數按需求設定，并可隨時采集環境環境參數傳至上位機，依托專家系統對數據分析，用戶可通過終端設備對環境參數進行監測，當參數超出了預設值范圍，將收到警報信息，并能精細控制肥水、及時預警病蟲害、對環境參數調控等功能。因此，基于物聯網的精準果蔬預警系既能節約人工工時，將生產成本降低20%左右，又能提高生產效率、提高果蔬的品質，為高品質果蔬打下良好口碑，為強化區域生態果蔬，打造本地高端精品果蔬的推廣做了鋪墊工作。

參考文獻：

[1] 王汝傳，孫力娟.物聯網技術導論[M].北京：清華大學出版社，2011.

[2] 朱會霞，王福林，索瑞霞，等.物聯網在中國現代農業中的應用[J].中國農學通報，2011，33（8）：226-228.

[3] 方 露.淺析物聯網技術在科技館中的應用[J]，科技通報，2012，28（3）：165-168.

[4] 朱景鋒.物聯網環境下電子政務信息系統入侵檢測技術分析與對策研究[J]，科技通報，2012，28（4）：130-132.

[5] 張國軍，賴小龍，楊睿茜，等.物聯網技術在精準農業環境監測系統中的應用研究[J].湖南農業科學，2011，（15）：173-176.

[6] 付 兵.物聯網精準農業系統在瓜果種植中的應用[J].科技通報，2014，30（1）：106-109.

[7] 楊 嵐，李書琴.基于Web Service的農產品交易系統的研究與設計[J].計算機工程與設計，2008，29（8）：2118-2120.

[8] 王福順，孫小華.基于優化神經網絡的溫室厚皮甜瓜病害預測[J].河南農業科學，2012，41（11）：103-106.

[9] 馬斌強，劉美琪，季寶杰，等.ZigBee技術在精準農業中的應用[J].江西農業學報，2008，20（10）：121-123.

[10] 洪 霞，江 洪，余樹全.高光譜遙感在精準農業生產中的應用[J].安徽農業科學，2010（1）：529-531.

[11] 董方敏，王紀華，任 東.農業物聯網技術及應用[M].北京：中國農業出版社，2012.

[12] 丁海峽，賈寶磊，倪遠平.基于GPRS和ZigBee的精準農業模式研究[J].自動化儀表，2009，4（30）：17-23.

第6篇：神經網絡的基本功能范文

【關鍵詞】電力系統遠動控制自動化

中圖分類號：F407.61 文獻標識碼：A 文章編號：

隨著我國電力系統的城網和農網大規模改造以及大型工礦企業的升級，變電站對自動化程度的要求越來越高，要求能夠綜合監控整個電網的運行狀況，監控一次設備的狀態，實現“四遙”以及歷史記錄、報表、事故分析等等。然而電力系統要想實現調度真正自動化，就必須結合計算機技術和通信技術，通過遠動控制技術來實現。因此，遠動控制技術在加快電力系統自動化的進程中起著至關重要的作用。

一、遠動控制技術及工作原理

遠動控制技術主要由調度和控制端以及執行終端（發電廠、變電站等）組成，完成電力系統的遙控、遙信、遙測和遙調等技術，以確保電力系統運行的穩定可靠和經濟性。首先調度需要從終端（發電廠、變電站等）采集系統運行數據和相關參數，如設備位置信號等。對獲取的系統運行狀況進行分析判斷后，下達命令給執行端（發電廠、變電站等）進行設備的操作和參數的調整，實時完成測控任務。由此可見，遠動控制設備是變電站與調度、執行端之間信息傳遞的橋梁。其主要模塊有集中監視模塊和集中控制模塊。前者是實現在正常的情況下監視系統運行是否合理。當系統出現故障時，及時處理所發生的故障，以確保電力系統的安全穩定運行；后者是工作人員利用遠動設備采用人機交互的方式實現電力系統的遙控和遙調，在提高系統運行效率和質量的同時，大大減少所需的人力物力，并減少電力系統的運行維護費用。隨著我國電力系統自動化遠動控制技術應用的不斷深入，其獲取的經濟效益將更加明顯。

遙測、遙信、遙控和遙調是遠動系統的基本功能。應用通信技術傳送被測變量的測量值，稱為遠程測量，簡稱遙測。應用通信技術完成對設備狀態信息的監視，稱為遠程信號，簡稱遙信。

應用通信技術，完成改變運行設備狀態的命令稱為遠程命令，又稱遙控。調度控制中心送給終端（發電廠或變電所等）的遠程命令有控制命令和調節命令等。當調度控制中心需要直接抑制發電廠、變電所中的某些設備，如斷路器的合閘、分閘，發電機的開機、停機，無功補償設備的投入、切除等，就發出相應的控制命令。這種應用通信技術，完成對有兩個確定狀態的運行設備的控制稱為遠程切換。在我國通常把遠程切換也稱為遙控。遠動系統的功能根據電力系統的實際需要還在不斷地擴展，為了有助于分析電力系統的事故、保證遠方設備的正常運行和便于維護，將來的遠動控制系統還將具有自檢查、自診斷等功能。

電力系統遠動控制技術實現的功能主要是四遙功能，分別是遙測（YC）和遙信（YX）、遙控（YK）和遙調（YT）四方面的功能，遙測與遙信是遠動設置RTU將采集的廠站運行參數和狀態按規約上傳送給調度中心，遙控和遙調則是調度中心發給遠動設置RTU的改變運行狀態和調整設備運行參數的命令。遠動控制在電力系統中主要運用的是數據采集術、信道編碼技術和通信傳輸技術3部分，其原理如圖1所示。

圖1 遠動控制原理

二、電力系統自動化中遠動控制技術的應用

1、數據采集技術應用

電力系統自動化中遠動控制數據采集技術主要涉及變送器和A/D轉換等技術。該系統的信號處理，多采用的是TTL電平信號，一般是0～5 V。由于在電力系統中運行的設備都屬于高電壓、大功率設備，因此，必須要利用變送器來轉換這些高電壓、大功率設備的運行參數，才能使這些數據能夠在遠動控制裝置中得到處理，也就是將電力系統中的電壓、電流等轉換成合適的TTL電平信號，同時模擬信號則利用A/D技術轉化成數字信號，實現YX信息的編碼和YC信息的采集。其中，YX量的傳送要利用光電隔離設備進行采集，并將對象狀態中的二進制碼編寫到遙信數據幀中，再利用數字多路開關輸出到接口電路。通過CT、PT以及傳感器獲取電壓電流信號后，由濾波放大環節將高次諧波去除，并送入取樣保持環節同步采集，獲得與信號源同步信號，然后由A/D轉換信號后，送入STD空機等高級環節中，實現數據的采集。

2、信道編碼技術應用

在電力系統自動化中遠動控制信道編碼技術主要涉及信道的編、譯碼以及信息傳輸協議等。遠動控制裝置所采集到的信息要想被使用，就要通過信道傳輸到調度控制中心。由于信道存在擾的缺陷，因此，為了能夠使信息具有較強的抗干擾性，就必須對信道進行編、譯碼。如圖2所示。

圖2 數字傳輸系統

在通信系統中，針對信道編、譯碼的方式有許多，電力系統自動化中所采用的編、譯碼主要是線性分組碼。其中，還采用了循環碼進行編、譯。

3、遠動系統中的循環式數據傳送規約

在電力系統遠動控制中，為了實現變電站、電廠和調度中心的數據通信，在信道編譯碼前，必須建立一種預先約定的通信方式和數據格式，這就是通信規約或協議。目前電力系統中主要采用循環式數據傳送（CDT）規約進行數據傳送。在數據傳送過程中，一般是以幀結構進行傳送的，在遠動系統中，重要遙測安排在A幀，次要遙測安排在B幀，一般遙測安排在C幀傳送，遙信狀態信息、電能脈沖計數值分別安排在D1和D2幀，而事件順序記錄安排在E幀進行傳送。對于幀結構，一般以同步字開頭，并有控制字和信息字，其長度可變，結構如下。

通過幀格式的包裝之后，數據就可以按照規約進行傳送，完成信道的全部編譯碼工作。

4、通信傳輸技術應用

在電力系統自動化中遠動控制通信傳輸技術主要涉及調制與解調2種技術。電力系統自動化系統通過自身所具有的電力通信網絡資源與方式（例如衛星和微波、光纜和載波等通信方式）來構建電力通信專用網。由于目前電力系統自動化系統主要是采用電力線載波和光纖通訊形式來完成信號的傳輸，其中電力線載波數據通信的實現是通過在信號發射端中進行編碼后產生的基帶信號，以及電力線中的高頻諧波信號為載波信號，并利用多種調制技術將其轉換模擬信號后，以電流和電壓的方式順從電力線進行通信傳輸；同時在接收端中，利用解調技術將轉換的模擬信號還原成為數字信號。電力系統自動化是由調制解調器調制解調技術，實現數據通信。目前，隨著光纖傳輸技術可靠性的不斷提高，光通道設備造價的不斷降低，全國范圍內電力系統自動化控制光纖傳輸網絡正迅速形成，這種新型的通信傳輸網絡必將很快取代微波傳輸技術，成為電力系統自動化控制通信傳輸的主要方式。

三、電力系統自動化提高途徑

1、神經網絡控制技術的應用

由于神經網絡具有本質的非線性特性、并行處理能力、強魯棒性以及自組織自學習的能力，所以受到人們的普遍關注。神經網絡是由大量簡單的神經元以一定的方式連接而成的。神經網絡將大量的信息隱含在其連接權值上，根據一定的學習算法調節權值，使神經網絡實現從m維空間到n維空間復雜的非線性映射。目前神經網絡理論研究主要集中在神經網絡模型及結構的研究、神經網絡學習算法的研究、神經網絡的硬件實現問題等。

2、模糊邏輯控制技術的應用

模糊方法使控制十分簡單而易于掌握，在家用電器中也顯示出優越性建立模型來實現控制是現代比較先進的方法，實踐證明它有巨大的優越性。模糊控制理論的應用非常廣泛。例如我們日常所用的電熱爐、電風扇等電器。這里介紹用模糊邏輯控制器改進常規恒溫器的例子。電熱爐一般用恒溫器來保持幾檔溫度，以供烹飪者選用，模糊控制的方法很簡單，輸入量為溫度及溫度變化兩個語言變量，每個語言的論域用5組語言變量互相跨接來描述。

3、專家系統控制技術的應用

專家系統在電力系統中的應用范圍很廣，包括對電力系統處于警告狀態或緊急狀態的辨識，提供緊急處理，系統恢復控制，非常慢的狀態轉換分析，切負荷，系統規劃，電壓無功控制，故障點的隔離，配電系統自動化，調度員培訓，電力系統的短期負荷預報，靜態與動態安全分析，以及先進的人機接口等方面。雖然專家系統在電力系統中得到了廣泛的應用，但仍存在一定的局限性，如難以模仿電力專家的創造性。

4、線性最優控制技術的應用

最優控制是現代控制理論的一個重要組成部分，也是將最優化理論用于控制問題的一種體現。線性最優控制是目前諸多現代控制理論中應用最多，最成熟的一個分支。盧強等人提出了利用最優勵磁控制手段提高遠距離輸電線路輸電能力和改善動態品質的問題，取得了一系列重要的研究成果。該研究指出了在大型機組方面應直接利用最優勵磁控制方式代替古典勵磁方式。另外，最優控制理論在水輪發電機制動電阻的最優時間控制方面也獲得了成功的應用。

結束語

隨著計算機技術和網絡通信技術的高速發展，遠動控制技術也在不斷的變革和改進，在加快電力系統綜合自動化的發展進程中將會發揮更加重要的作用。

參考文獻

[1] 張凱. 電力系統調度自動化中遠動控制技術的應用[J]. 科技風. 2010(24)

第7篇：神經網絡的基本功能范文

關鍵詞 人工神經網絡 供暖熱網預測 外時延 內時延 反饋型BP網絡 Elman網絡

一些復雜的生產過程，如熱網供熱，由于其反應機理非常復雜，具有很強的非線性、大滯后、時變性和不確定性，難以建立被控對象的數學模型，至今仍很少實現閉環控制，只好有經驗的操作人員進行調節。操作人員雖然沒有被控對象的數學模型，但是由于他們比較熟悉供暖熱網和設備，且在長期的現場工作中積累了豐富的操作經驗，他們通過觀察儀表指示的變化，如熱網的從、回水溫度、室外溫度等參數，并且預估某些參數將要發生的變化，然后調整供熱負荷，以保證熱網供暖正常。這種人工控制方式一般也能達到較好的控制效果，但是由于操作人員的經驗與能力的不同，或由于人的疲勞、責任心等原因，也時常會因操作不當造成熱網供暖不正常，或在產生突發事件時，不能預測將會發展或延續擴大的嚴重故障，而引發更大的故障。

預測對于提供未來的信息，為當前人人作出有利的決策具有重要意義。現有的預測方法如時間序列分析中的AR模型預測方法，只適用于線性預測，而且，還需要對所研究的時間序列進行平穩性、零均值等假定，其適用范圍受到一定的限制。近年來，人工神經網絡以其高度的非線性映射能力，在某些領域的預測中得到廣泛的關注。本文利用神經網絡技術辨識供暖熱網動態預報系統的模型，并對其進行了實際訓練和測試，分別建立了外時延反饋型BP網絡模型和內時延反饋型Elman網絡的預測模型。

1 外時延反饋BP網絡

多層前向網絡是研究和應用的最廣泛也是最成功的人工神經元網絡之一。多層前向網絡是一種映射型網絡。理論上，隱層采用Sigmoid激活函數的三層前向網絡能以任意精度逼近任一非線函數，神經元網絡可以根據與環境的相互作用對自身進行調節即學習，一個BP網絡即是一個多層前向網絡加上誤差反向傳播學習算法，因此一個BP網絡應有三項基本功能：（1）信息由輸入單元傳到隱單元，最后傳到輸出單元的信息正向傳播；（2）實際輸出與期望輸出之間的誤差由輸出單元傳到隱單元，最后傳到輸入單元的誤差反向傳播；（3）利用正向傳播的信息和反向傳播的誤差對網絡權系數進行修正的學習過程。目前，多層前向網絡的權系數學習算法大多采用BP算法及基于BP算法的改進算法，如帶動量項的BP算法等。BP網絡雖然有很廣泛的應用，但由于它是一個靜態網絡，所以只能用于處理與時間無關的對象，如文字識別、空間曲線的逼近等問題。熱網供暖的各項參數都是與時間有關系的，而且我們即將建立的供暖熱網預報模型必須是一個動態模型。為此，必須在網絡中引入記憶和反饋功能。可以有兩種方式實現這一功能，一是采用外時延反饋網絡，即反輸入量以前的狀態存在延時單元中，且在輸入端引入輸出量以前狀態的反饋，如圖1所示；另一種方式是采用內時延反饋網絡，既在網絡內部引入反饋，使網絡本身構成一個動態系統，如下面將要介紹的Elman網絡。

圖1 處延時反饋網絡

2 Elman網絡

如前所述，在BP網絡外部加入延時單元，把時間信號展開成空間表示后再送給靜態的前向網絡作為一類輸入，從而實現時間序列建模和預測。然而，這種方式大大增加了輸入節點個數因而導致了網絡結構膨脹，訓練精度下降，訓練時間過長。

Elman動態網絡是動態遞歸網絡中較為簡單的一種結構，如圖2所示。

圖2 Elman網絡

由輸入層、隱含層、結構層（聯系單元層）和輸出層組成，結構層記憶隱含層過去的狀態，并在下一時刻與網絡的輸入，一同輸入隱含層，起到一步延時算子作用。因此，Elman動態遞歸網絡具有動態記憶的功能，無需使用較多的系統狀態作為輸入，從而減少了輸入層單元數。

3 供熱網絡預報模型

根據研究問題的性質不同，選擇不同的網絡結構和激活函數，以便建立準確的神經網絡預報模型。外時延反饋網絡和內時延反饋網絡都將其時延單元和反饋單元視為BP網絡的輸入參數，因此可以應用BP算法訓練網絡，其隱含層和輸出層的節點激活函數可選擇tansig、purelin函數，表達式為：

tansig函數：

purelin函數：　f2(x)=kx

輸出：

其中：xi----熱網輸入；

wji----由輸入層節點i隱層節點j之間的權值；

θj----隱層節點j的閾值；

wkj----由隱層節點j至輸出層節點k之間的權值；

θk----輸出層層節點k的閾值。

從成因上分析供暖熱網的影響因子，運用相關圖法或逐步回歸分析法等對初選影響因子進行顯著性分析和檢驗，剔除不顯著因子。在此基礎上，研究基于人工神經網絡的供暖熱網實時預報模型的建模和預報問題。本文選用牡丹江西海林小區鍋爐房2000年11月～2001年4月的部分測量數據進行建模及測試，預測在相應時刻的熱網供水溫度、回水溫度及室外溫度值。

3．1 模型I：外進延反饋網絡

輸入參數為當前時刻與過去時刻的①室外溫度（i）（i-1）（i-2）（i-3）（i-4）; ②供水流量（i）（i-1）（i-2）（i-3）（i-4）;③補水流量（i）（i-1）（i-2）（i-3）（i-4）; ④供水溫度（i）（i-1）（i-2）（i-3）（i-4）;⑤回水溫度（i）（i-1）（i-2）（i-3）（i-4）;，共二十五個輸入量。輸出量為未來時刻的①室外溫度（i +1）（i+2）；②供水溫度（i +1）（i+2）；③回水溫度（i +1）（i+2）；共六個輸出量。其中每一周期間隔15min。訓練樣本為前2000個數據組，測試樣本為后2000個數據組。輸出曲線有訓練樣本與計算數據比較曲線和測試樣本與計算數據比較曲線。

網絡結構共三層，輸入層節點25個，隱層節點25個，輸出層節點6個。取學習率η=0.7，動量因子a=0.3，訓練精度ε=4.5e-3，經過1000次正反向傳播和學習，網絡訓練滿足設定條件，此時訓練計算的均方差為0.00449767。將檢驗樣本輸入訓練好的網絡模型，其檢驗結果如圖3、圖4（因篇幅所限僅給出回水溫度預報值）所示。

圖3 回水溫度一步預報曲線

實線：計算數據；虛線：實際數據

圖4 回水溫度二步預報曲線

實線：計算數據；虛線：實際數據

3．2 模型II：內時延反饋Elman網絡。

輸入參數為當前時刻的①室外溫度（i）; ②供水流量（i））;③補水流量（i）; ④供水溫度（i）;⑤回水溫度（i）;，共五個輸入量。輸出量為未來時刻的①室外溫度（i +1）（i+2）；②供水溫度（i +1）（i+2）；③回水溫度（i +1）（i+1）；共六個輸出量。其中每一周期間隔15min。訓練樣本為前2000個數據組，測試樣本為后2000個數據組。輸出曲線有訓練樣本與計算數據比較曲線和測試樣本與計算數據比較曲線。

網絡結構共三層，輸入層節點25個，隱層節點25個，輸出層節點6個。取學習率η=0.7，動量因子a=0.3，訓練精度ε=4.5e-3，經過1000次正反向傳播和學習，網絡訓練滿足設定條件，此時訓練計算的均方差為0.0044999。將檢驗樣本輸入訓練好的Elman網絡模型，其檢驗結果如圖5、圖6（因篇幅所限僅給出回水溫度預報值）所示。

圖5 回水溫度一步預報曲線

實線：計算數據；虛線：實際數據

圖6 回水溫度二步預報曲線

實線：計算數據；虛線：實際數據

第8篇：神經網絡的基本功能范文

關鍵詞：農村電力系統；繼電保護；新技術；應用；分析

Abstract: with the rapid development of electric power industrialization, to push for the power system protection the improvement of new technology, this paper briefly reviews the development course of the electric protection technology, and introduced the relay protection to the development of new technologies, features, including computers, networks, intelligence and protection, control, measurement and data communications integration, and its application in electric power system in rural areas are analyzed.

Key words: the rural power system; The relay protection; New technology; Application; analysis

中圖分類號：G812.42文獻標識碼：A 文章編號：

繼電保護技術是隨著電力系統的發展而發展起來的。從2O世紀50年代開始到目前為止，繼電保護已經歷了從電磁式保護裝置到晶體管式繼電保護裝置、到集成電路繼電保護裝置、再到微機繼電保護裝置4個發展階段。近年來，隨著計算機技術、通信技術和網絡技術為代表的現代信息技術的迅猛發展，繼電保護技術得到快速發展。農村電力系統相對于城市電力系統，其繼電保護的性能和水平、信息化的發展、運行的安全、穩定和可靠等方面還存在一定的差距。本文對近年來繼電保護新技術的發展趨勢及其在農村電力系統中應用加以介紹，以對我國農村電力系統的發展提供借鑒。

1 電力系統繼電保護的計算機化

電力工業化的不斷發展，繼電保護裝置除了具有繼電保護的基本功能外，還應具備有大容量故障信息和數據的長期存放空間功能、數據快速處理功能、強大的通信功能和全系統數據共享功能等。因此，要實現這些功能，繼電保護計算機化是繼電保護技術發展的必然趨勢。

繼電保護計算機化是以數字式計算機為基礎而構成的繼電保護。一整的微機保護裝置主要由硬件和軟件二部分構成：硬件指模擬和數字電子電路，提供軟件運行的平臺，并且提供微機保護裝置與外部系統的電氣聯系，具體包括數據采集系統、CPU主系統、開關量輸出、輸入系統及設備等；軟件指計算機程序，由它按照保護原理和功能的要求對硬件進行控制，有序地完成數據采集、外部信息交換、數字運算和邏輯判斷以及動作指令執行等各項操作。

從20世紀7O年代末，華中理工大學、東南大學、華北電力學院、西安交通大學等高等院校和科研院所即已開始了計算機繼電保護的研究，相繼研制了不同原理、不同型式的微機保護裝置。隨著微機保護裝置的研究，在微機保護軟件、算法等方面也取得了很多理論成果。從20世紀90年代開始，我國繼電保護技術已進入了微機保護的時代。由于計算機繼電保護與傳統保護裝置相比具有靈活、可靠、穩定，且可方便地擴充其他輔助功能。因此，隨著近年來農網改造的逐步深入，計算機繼電保護在農網中將得到廣泛應用。

2 電力系統繼電保護網絡化

繼電保護裝置的作用不只限于切除故障元件和限制事故影響范圍，還要保證全系統的安全穩定運行。目前，繼電保護裝置除了縱差動保護和縱聯保護外，都只能反應保護安裝處的電氣量，繼電保護的作用也只限于切除故障元件和縮小事故影響的范圍。因此，如果每個保護單元都能共享全系統的運行和故障信息的數據，并在此基礎上協調動作，將可確保系統的安全穩定運行。網絡計劃技術就是利用網絡圖表達計劃任務的進度安排及其各項作業之間的相互關系，進而對網絡進行分析并計算網絡時間值，確定關鍵工序和關鍵路線并運用一定的技術組織措施對項目進行優化的方案。繼電保護網絡化技術通過計算機網絡將全系統各主要設備的保護裝置聯接起來，即實現微機保護裝置的網絡化。其基本系統是一個基于B／S模式的三層結構系統(見圖1)。

圖1 基于B／S模式的三層結構系統

系統由5大功能子系統構成，子系統完成自己特定功能并處于不同物理位置提供服務。這種用計算機網絡實現的分布式母線保護原理，比傳統的集中式母線保護原理有較高的可靠性，可大大提高保護性能，用戶能夠利用該系統通過計算機網絡進行繼電保護相關的各種業務，包括保護配置管理、參數管理、實驗記錄管理、安全措施管理和運行指標管理等。

農網繼電保護系統由于工作地點分散，人員之間的協調、溝通難度大，值班調度人員難以及時了解和記錄繼電保護設備的運行情況，現場的操作人員也不能夠及時地得到調度人員的傳票進行現場調整，采用計算機網絡系統，將可有效解決這些問題。

3 電力系統繼電保護智能化

近年來，人工智能技術如神經網絡、遺傳算法、進化規劃、模糊邏輯等在電力系統各個領域都得到了應用，在繼電保護領域也開始得到應用。在電力系統里存在很多非線性問題，用傳統的方法，難以得到滿意的解決，而應用人工神經網絡理論，則能夠迎刃而解 。例如在輸電線兩側系統電勢角度擺開情況下發生經過渡電阻的短路就是一種非線性問題，距離保護很難正確作出故障位置的判別，從而造成誤動或拒動。如果用神經網絡方法，經過大量故障樣本的訓練，只要樣本集中充分考慮了各種情況，則在發生任何故障時都可正確判別 。這些人工智能方法在農村復雜的電網中得以應用，一方面在管理上使得電力系統減少了不必要的資源浪費，另一方面在其它各項技術的運用方面為工作人員提供了廣闊的技術空間，具有廣闊的發展前景。

4 繼電保護、控制、測量和數據通信一體化

在實現繼電保護的計算機化和網絡化條件下，繼電保護裝置是整個電力系統計算機網絡上的一個智能終端。一方面它可以從網上獲取電力系統運行和故障的任何信息。同時，也可將自身所獲得的被保護元件的任何信息傳送給網絡控制中心或任一終端。因此，每個計算機保護裝置不但可以完成繼電保護功能，而且可控制、測量和數據通信，達到實現保護、控制、測量、數據通信一體化。華中科技大學石東源等開發了電網繼電保護分析計算及管理一體化系統，其同時可實現整定計算、故障計算、在線校核、故障信息遠傳、故障綜合分析、運行管理、參數管理、設備管理和圖檔管理等多重任務。該一體化系統已經在國家電力調度通信中心投入運行，在實現整定計算和故障計算等分析計算自動化的同時，還實現了對6個500kV發電廠和變電站內主要繼電保護裝置和故障錄波裝置的遠程在線監測，并在故障情況下能夠實現故障信息的準實時上送，從而實現調度端對故障的及時準確處理。

農網為了測量、保護和控制的需要，各個地點的室外變電站的所有設備，如變壓器、線路等的二次電壓、電流都必須用控制電纜引到主控室。這不僅要鋪設大量的控制電纜，而且使二次回路非常復雜。如果采用保護、控制、測量和數據通信一體化計算機裝置，則可有效解決以上問題。

5 結束語

農網繼電保護方面是我國電網繼電保護的薄弱環節，許多新技術在農網繼電保護上的應用還較少，農網繼電保護新技術的應用是一項極具挑戰性和戰略性的事業，開展多領域跨學科的合作是提升農網繼電保護水平，實現農村電網安全、穩定和可靠地運行，對我國新農村建設具有重要意義。

參考文獻

[1]孫麗萍．繼電保護原理最新研究進展[J]．煤炭技術，2009(2)：46—48．

[2]馬順緒．淺談電力系統繼電保護技術的發展趨勢[J]．科技經濟市場，2010(4)27—28

[3]李任種，田有文．信息技術在農網繼電保護中的應用[J]．農機化研究，2008(2)：175—176．

[4]胡乃有，李輝．配電網網絡化繼電保護[J]．農村電氣化，2006(12)：29—30．

[5]丁鋒．基于網絡信息平臺的繼電保護管理系統研究[J]．內蒙古科技與經濟，2007(4)：99—102．

[6]杜萬秋．繼電保護技術的發展歷程及人工神經網絡的應用[J]．哈爾濱職業技術學院學報2005(4)

[7]唐蕾，陳維榮．神經網絡在電力系統自適應單相重合閘中的應用[J]．繼電器，2003，31(8)：26—29．

第9篇：神經網絡的基本功能范文

電力系統的飛速發展對繼電保護不斷提出新的要求，電子技術、計算機技術與通信技術的飛速發展又為繼電保護技術的發展不斷地注入了新的活力，因此，繼電保護技術得天獨厚，在40余年的時間里完成了發展的4個歷史階段。

建國后，我國繼電保護學科、繼電保護設計、繼電器制造工業和繼電保護技術隊伍從無到有，在大約10年的時間里走過了先進國家半個世紀走過的道路。50年代，我國工程技術人員創造性地吸收、消化、掌握了國外先進的繼電保護設備性能和運行技術［1］，建成了一支具有深厚繼電保護理論造詣和豐富運行經驗的繼電保護技術隊伍，對全國繼電保護技術隊伍的建立和成長起了指導作用。阿城繼電器廠引進消化了當時國外先進的繼電器制造技術，建立了我國自己的繼電器制造業。因而在60年代中我國已建成了繼電保護研究、設計、制造、運行和教學的完整體系。這是機電式繼電保護繁榮的時代，為我國繼電保護技術的發展奠定了堅實基礎。

自50年代末，晶體管繼電保護已在開始研究。60年代中到80年代中是晶體管繼電保護蓬勃發展和廣泛采用的時代。其中天津大學與南京電力自動化設備廠合作研究的500kV晶體管方向高頻保護和南京電力自動化研究院研制的晶體管高頻閉鎖距離保護，運行于葛洲壩500kV線路上［2］，結束了500kV線路保護完全依靠從國外進口的時代。

在此期間，從70年代中，基于集成運算放大器的集成電路保護已開始研究。到80年代末集成電路保護已形成完整系列，逐漸取代晶體管保護。到90年代初集成電路保護的研制、生產、應用仍處于主導地位，這是集成電路保護時代。在這方面南京電力自動化研究院研制的集成電路工頻變化量方向高頻保護起了重要作用［3］，天津大學與南京電力自動化設備廠合作研制的集成電路相電壓補償式方向高頻保護也在多條220kV和500kV線路上運行。

我國從70年代末即已開始了計算機繼電保護的研究［4］，高等院校和科研院所起著先導的作用。華中理工大學、東南大學、華北電力學院、西安交通大學、天津大學、上海交通大學、重慶大學和南京電力自動化研究院都相繼研制了不同原理、不同型式的微機保護裝置。1984年原華北電力學院研制的輸電線路微機保護裝置首先通過鑒定，并在系統中獲得應用［5］，揭開了我國繼電保護發展史上新的一頁，為微機保護的推廣開辟了道路。在主設備保護方面，東南大學和華中理工大學研制的發電機失磁保護、發電機保護和發電機?變壓器組保護也相繼于1989、1994年通過鑒定，投入運行。南京電力自動化研究院研制的微機線路保護裝置也于1991年通過鑒定。天津大學與南京電力自動化設備廠合作研制的微機相電壓補償式方向高頻保護，西安交通大學與許昌繼電器廠合作研制的正序故障分量方向高頻保護也相繼于1993、1996年通過鑒定。至此，不同原理、不同機型的微機線路和主設備保護各具特色，為電力系統提供了一批新一代性能優良、功能齊全、工作可靠的繼電保護裝置。隨著微機保護裝置的研究，在微機保護軟件、算法等方面也取得了很多理論成果。可以說從90年代開始我國繼電保護技術已進入了微機保護的時代。

2繼電保護的未來發展

繼電保護技術未來趨勢是向計算機化，網絡化，智能化，保護、控制、測量和數據通信一體化發展。

2.1計算機化

隨著計算機硬件的迅猛發展，微機保護硬件也在不斷發展。原華北電力學院研制的微機線路保護硬件已經歷了3個發展階段：從8位單CPU結構的微機保護問世，不到5年時間就發展到多CPU結構，后又發展到總線不出模塊的大模塊結構，性能大大提高，得到了廣泛應用。華中理工大學研制的微機保護也是從8位CPU，發展到以工控機核心部分為基礎的32位微機保護。

南京電力自動化研究院一開始就研制了16位CPU為基礎的微機線路保護，已得到大面積推廣，目前也在研究32位保護硬件系統。東南大學研制的微機主設備保護的硬件也經過了多次改進和提高。天津大學一開始即研制以16位多CPU為基礎的微機線路保護，1988年即開始研究以32位數字信號處理器(DSP)為基礎的保護、控制、測量一體化微機裝置，目前已與珠海晉電自動化設備公司合作研制成一種功能齊全的32位大模塊，一個模塊就是一個小型計算機。采用32位微機芯片并非只著眼于精度，因為精度受A/D轉換器分辨率的限制，超過16位時在轉換速度和成本方面都是難以接受的；更重要的是32位微機芯片具有很高的集成度，很高的工作頻率和計算速度，很大的尋址空間，豐富的指令系統和較多的輸入輸出口。CPU的寄存器、數據總線、地址總線都是32位的，具有存儲器管理功能、存儲器保護功能和任務轉換功能，并將高速緩存(Cache)和浮點數部件都集成在CPU內。

電力系統對微機保護的要求不斷提高，除了保護的基本功能外，還應具有大容量故障信息和數據的長期存放空間，快速的數據處理功能，強大的通信能力，與其它保護、控制裝置和調度聯網以共享全系統數據、信息和網絡資源的能力，高級語言編程等。這就要求微機保護裝置具有相當于一臺PC機的功能。在計算機保護發展初期，曾設想過用一臺小型計算機作成繼電保護裝置。由于當時小型機體積大、成本高、可靠性差，這個設想是不現實的。現在，同微機保護裝置大小相似的工控機的功能、速度、存儲容量大大超過了當年的小型機，因此，用成套工控機作成繼電保護的時機已經成熟，這將是微機保護的發展方向之一。天津大學已研制成用同微機保護裝置結構完全相同的一種工控機加以改造作成的繼電保護裝置。這種裝置的優點有：(1)具有486PC機的全部功能，能滿足對當前和未來微機保護的各種功能要求。(2)尺寸和結構與目前的微機保護裝置相似，工藝精良、防震、防過熱、防電磁干擾能力強，可運行于非常惡劣的工作環境，成本可接受。(3)采用STD總線或PC總線，硬件模塊化，對于不同的保護可任意選用不同模塊，配置靈活、容易擴展。

繼電保護裝置的微機化、計算機化是不可逆轉的發展趨勢。但對如何更好地滿足電力系統要求，如何進一步提高繼電保護的可靠性，如何取得更大的經濟效益和社會效益，尚須進行具體深入的研究。\

2.2網絡化

計算機網絡作為信息和數據通信工具已成為信息時代的技術支柱，使人類生產和社會生活的面貌發生了根本變化。它深刻影響著各個工業領域，也為各個工業領域提供了強有力的通信手段。到目前為止，除了差動保護和縱聯保護外，所有繼電保護裝置都只能反應保護安裝處的電氣量。繼電保護的作用也只限于切除故障元件，縮小事故影響范圍。這主要是由于缺乏強有力的數據通信手段。國外早已提出過系統保護的概念，這在當時主要指安全自動裝置。因繼電保護的作用不只限于切除故障元件和限制事故影響范圍(這是首要任務)，還要保證全系統的安全穩定運行。這就要求每個保護單元都能共享全系統的運行和故障信息的數據，各個保護單元與重合閘裝置在分析這些信息和數據的基礎上協調動作，確保系統的安全穩定運行。顯然，實現這種系統保護的基本條件是將全系統各主要設備的保護裝置用計算機網絡聯接起來，亦即實現微機保護裝置的網絡化。這在當前的技術條件下是完全可能的。

對于一般的非系統保護，實現保護裝置的計算機聯網也有很大的好處。繼電保護裝置能夠得到的系統故障信息愈多，則對故障性質、故障位置的判斷和故障距離的檢測愈準確。對自適應保護原理的研究已經過很長的時間，也取得了一定的成果，但要真正實現保護對系統運行方式和故障狀態的自適應，必須獲得更多的系統運行和故障信息，只有實現保護的計算機網絡化，才能做到這一點。

對于某些保護裝置實現計算機聯網，也能提高保護的可靠性。天津大學1993年針對未來三峽水電站500kV超高壓多回路母線提出了一種分布式母線保護的原理［6］，初步研制成功了這種裝置。其原理是將傳統的集中式母線保護分散成若干個(與被保護母線的回路數相同)母線保護單元，分散裝設在各回路保護屏上，各保護單元用計算機網絡聯接起來，每個保護單元只輸入本回路的電流量，將其轉換成數字量后，通過計算機網絡傳送給其它所有回路的保護單元，各保護單元根據本回路的電流量和從計算機網絡上獲得的其它所有回路的電流量，進行母線差動保護的計算，如果計算結果證明是母線內部故障則只跳開本回路斷路器，將故障的母線隔離。在母線區外故障時，各保護單元都計算為外部故障均不動作。這種用計算機網絡實現的分布式母線保護原理，比傳統的集中式母線保護原理有較高的可靠性。因為如果一個保護單元受到干擾或計算錯誤而誤動時，只能錯誤地跳開本回路，不會造成使母線整個被切除的惡性事故，這對于象三峽電站具有超高壓母線的系統樞紐非常重要。

由上述可知，微機保護裝置網絡化可大大提高保護性能和可靠性，這是微機保護發展的必然趨勢。

2.3保護、控制、測量、數據通信一體化

在實現繼電保護的計算機化和網絡化的條件下，保護裝置實際上就是一臺高性能、多功能的計算機，是整個電力系統計算機網絡上的一個智能終端。它可從網上獲取電力系統運行和故障的任何信息和數據，也可將它所獲得的被保護元件的任何信息和數據傳送給網絡控制中心或任一終端。因此，每個微機保護裝置不但可完成繼電保護功能，而且在無故障正常運行情況下還可完成測量、控制、數據通信功能，亦即實現保護、控制、測量、數據通信一體化。

目前，為了測量、保護和控制的需要，室外變電站的所有設備，如變壓器、線路等的二次電壓、電流都必須用控制電纜引到主控室。所敷設的大量控制電纜不但要大量投資，而且使二次回路非常復雜。但是如果將上述的保護、控制、測量、數據通信一體化的計算機裝置，就地安裝在室外變電站的被保護設備旁，將被保護設備的電壓、電流量在此裝置內轉換成數字量后，通過計算機網絡送到主控室，則可免除大量的控制電纜。如果用光纖作為網絡的傳輸介質，還可免除電磁干擾。現在光電流互感器(OTA)和光電壓互感器(OTV)已在研究試驗階段，將來必然在電力系統中得到應用。在采用OTA和OTV的情況下，保護裝置應放在距OTA和OTV最近的地方，亦即應放在被保護設備附近。OTA和OTV的光信號輸入到此一體化裝置中并轉換成電信號后，一方面用作保護的計算判斷；另一方面作為測量量，通過網絡送到主控室。從主控室通過網絡可將對被保護設備的操作控制命令送到此一體化裝置，由此一體化裝置執行斷路器的操作。1992年天津大學提出了保護、控制、測量、通信一體化問題，并研制了以TMS320C25數字信號處理器(DSP)為基礎的一個保護、控制、測量、數據通信一體化裝置。

2.4智能化

近年來，人工智能技術如神經網絡、遺傳算法、進化規劃、模糊邏輯等在電力系統各個領域都得到了應用，在繼電保護領域應用的研究也已開始［7］。神經網絡是一種非線性映射的方法，很多難以列出方程式或難以求解的復雜的非線性問題，應用神經網絡方法則可迎刃而解。例如在輸電線兩側系統電勢角度擺開情況下發生經過渡電阻的短路就是一非線性問題，距離保護很難正確作出故障位置的判別，從而造成誤動或拒動；如果用神經網絡方法，經過大量故障樣本的訓練，只要樣本集中充分考慮了各種情況，則在發生任何故障時都可正確判別。其它如遺傳算法、進化規劃等也都有其獨特的求解復雜問題的能力。將這些人工智能方法適當結合可使求解速度更快。天津大學從1996年起進行神經網絡式繼電保護的研究，已取得初步成果［8］。可以預見，人工智能技術在繼電保護領域必會得到應用，以解決用常規方法難以解決的問題。

3結束語

建國以來，我國電力系統繼電保護技術經歷了4個時代。隨著電力系統的高速發展和計算機技術、通信技術的進步，繼電保護技術面臨著進一步發展的趨勢。國內外繼電保護技術發展的趨勢為：計算機化，網絡化，保護、控制、測量、數據通信一體化和人工智能化，這對繼電保護工作者提出了艱巨的任務，也開辟了活動的廣闊天地。

作者單位：天津市電力學會(天津300072)

參考文獻

1王梅義.高壓電網繼電保護運行技術.北京：電力工業出版社，1981

2HeJiali,ZhangYuanhui,YangNianci.NewTypePowerLineCarrierRelayingSystemwithDirectionalComparisonforEHVTransmissionLines.IEEETransactionsPAS-103，1984(2)

3沈國榮.工頻變化量方向繼電器原理的研究.電力系統自動化，1983(1)

4葛耀中.數字計算機在繼電保護中的應用.繼電器，1978(3)

5楊奇遜.微型機繼電保護基礎.北京：水利電力出版社，1988

6HeJiali,Luoshanshan,WangGang,etal.ImplementationofaDigitalDistributedBusProtection.IEEETransactionsonPowerDelivery,1997,12(4)