神經網絡實驗總結范文

導語：如何才能寫好一篇神經網絡實驗總結，這就需要搜集整理更多的資料和文獻，歡迎閱讀由公務員之家整理的十篇范文，供你借鑒。

篇1

關鍵詞：BP算法 訓練樣本 小車自動尋徑

中圖分類號：TP273.3 文獻標識碼：A 文章編號：1007-9416（2013）07-0102-02

1 引言

隨著生產技術的發展和自動化程度的提高，在自動化領域中，許多復雜性操作或對人體有害的工作都由機器自動完成，為了實現這一工作，機器就必須具有智能性。

人工神經網絡是由人工神經元（簡稱神經元）互連組成的網絡，以大規模模擬并行處理為主，具有很強的魯棒性和容錯性自學習能力，是一個大規模自適應非線性動力系統；具有集體運算的能力。多層前向神經網絡（BP網絡）是神經網絡結構形式中應用較多的自學設計方法之一。BP算法可以通過已知數據訓練網絡模型，應用于對未知數據的預測[3]。因此能很好的應用于小車自動尋徑，使小車具有智能性。

2 BP算法神經網絡

BP神經網絡（Back-Propagation networks）包括三個層次：輸入層、隱含層、輸出層[2]。

2.1 BP算法流程簡述

BP神經網絡的本質是誤差反向傳輸的多層前饋網絡，BP算法的基本思想是，學習過程由信號的正向傳播與誤差的反向傳播兩個過程組成。正向傳播時，先自行對權重進行初始化，輸入樣本從輸入層傳入，經各隱層逐層處理后，傳向輸出層，如圖1為BP神經網絡模型[3]，若輸出層的實際輸出與期望的輸出（理想輸出）不符，則轉入誤差的反向傳播階段。

2.2 隱層神經元個數的確定

一般情況下，隱層神經元個數是根據網絡收斂性能的好壞來確定的，在總結大量網絡結構的基礎上，在單隱層神經網絡中，得出以下經驗公式：

其中，為輸入層神經元個數，為輸出層神經元個數。

3 創建BP神經網絡模型

3.1 問題描述

隨機的繪制一張彩色地圖，地圖中有各種顏色的建筑和一條貫穿的公路（白色），引入BP神經網絡，使該小車具有一定的智能，可以自動地判斷前方是否為公路，進而沿著公路從地圖的一端走到另一端。本次實驗所用的地圖如圖2所示（地圖及小車由本人按照一定的比例用電腦的畫圖工具所畫）：

3.2 地圖及小車圖片的灰度化

由于Matlab默認為rgb模式打開圖片，故為了更簡單的解決問題，必須對圖片進行灰度處理，處理之后地圖及小車分別為520*1100和20*25維矩陣。

3.3 地圖及小車圖片的二值化

為了BP網絡更好的收斂，需對相應圖片進行二值化處理，如圖3所示。由于本次實驗公路為白色，小車為黑色。故將地圖中除公路以外的部分的像素值置為0，公路上的像素值置為255，小車的像素值置為255。

所以，在小車的“眼里”，世界是黑白的。如下圖：

3.4 小車的視野

小車必須有一定的視野，可以“看到”前方的路況，否則當小車發現情況不妙準備轉彎的時候就已經撞到路邊了。本次實驗取的小車的視野為小車前方和左右方30像素范圍，這樣小車可以“預感到”自己前方和左右方向上的路況，進而及早調整方向。

3.5 訓練BP神經網絡

訓練樣本作為BP網絡的輸入數據集，對于網絡的訓練具有重要的作用[4]，本文建立單隱層BP神經網絡，訓練樣本選取為小車在地圖上某個方位的對應位置的差矩陣，共20個樣本，其中10個是對的樣本（即小車在公路上），10個為錯的樣本（即小車的車體不完全在路面上）。這樣輸入的樣本矩陣的大小即為小車圖片對應的像素矩陣的大小，為20*25，故輸入層神經元個數取為500。輸出層只有兩種情況，在公路上為對，不在公路上為錯，故輸出層神經元個數為2。

由式（2）可得隱層神經元的個數為42，選取誤差精度10-4，初始學習速率0.5，初始權值為（-1，1）區間內隨機值。

經過245次訓練以后，總體期望誤差達到了給定范圍，網絡訓練過程中的誤差變化曲線[15]如圖4所示。

4 實驗結果

所有算法均在MATLAB R2009a中運行，微機配置為Core Processor 4000+2.10GHz，內存為2G。

用前面選出的訓練樣本對BP神經網絡進行訓練，訓練之后小車即具有了一定的智能，可以識別前方和左右方的路況，實驗結果表明，小車可以很好的沿著公路從地圖的一側行駛到另一側。

5 結論

通過對BP神經網絡訓練后，小車可以正確地沿著公路地圖的一側行駛到另一側，說明BP神經網絡可以很好地應用于路徑識別和自動駕駛領域。

參考文獻

[1] 楊國才，王建峰，王玉昆.基于Web的遠程自學型教學系統的設計與實現[J].計算機應用， 2000，20（4）：61-63.

[2] 安淑芝.數據倉庫與數據挖掘[M].北京：清華大學出版社， 2005：100-101.

[3] 蔡自興，徐光佑.人工智能及其應用[M].北京：清華大學出版社， 2003.

篇2

【關鍵詞】深度學習 卷積神經網絡 權值共享 下采樣 R-CNN Fast-R-CNN

1 緒論

隨著電子信息技術的快速發展，芯片的設計與生產進入了納米時代，計算機的計算能力與計算速度得到了空前的提高，但是人們的需求是無限的，要求計算機能更加任性化的服務于我們的生活，這也就要求計算機本身能像人一樣識別與感知周圍的環境，并對復雜的環境做出正確的判斷。而圖片信息是我們周圍環境最直觀的，最容易獲取的信息，要求計算機能對為的環境做出識別與判斷也就要求計算機能夠智能的識別圖像信息。深度學習是機器學習中的一個新的研究領域。通過深度學習的方法構建深度網絡來抽取目標特征進而識別周圍的環境。卷積神經網絡對圖像的處理具有平移，旋轉，扭曲不變的優良特性。在處理圖像是更加快捷和便利。卷積神經網絡使得計算機在感知識別周圍環境的能力有了巨大的提升，使得計算機更加智能。卷積神經網絡擁有強大的特征提取能力，使得其在圖像分類識別，目標跟蹤等領域有著強大的運用。

1.1 國內外研究現狀

1986年，Rumelhart和Mc Celland提出BP算法。BP算法反向傳導神經網絡輸出誤差進行訓練神經網絡。通過BP算法，神經網絡能夠從大量訓練數據中的學習到相關統計信息，學習到的數據統計信息能夠反映關于輸入-輸出數據模型的函數映射關系。

自2006年以來，Geoffery Hinton教授提出深度信念網絡。從此深度學習在學術界持續升溫。深度學習不僅改變著傳統的機器學習方法，也影響著我們對人類感知的理解，迄今已在語音識別和圖像理解等應用領域引起了突破性的變革。各種相關的算法和模型都取得了重要的突破，使得深度學習在圖像分類，語音識別，自然語言處理等領域有廣泛的運用。

2013年百度成立百度深度學習研究院以來我國的人工智能領域取得了長足的進步。在人工智能專家吳恩達的帶領下，百度陸續推出一系列人工智能產品，無人駕駛技術，DuerOS語音交互計算平臺，人臉識別技術，美樂醫等優秀產品。此外Imagenet圖像識別大賽中也誕生了一系列經典的神經網絡結構，VGG，Fast-R-CNN，SPP-net等等，可以說人工智能技術在近幾年得到了空前的發展。

2 深度學習概述

深度學習是機器學習的一個新方向，通過學習樣本數據內在規律和深層特征深度，深度學習神經網絡能夠像人一樣有分析和學的能力，尤其在文字處理，圖像識別，語音等領域更加突出。能夠自主學習一些新的東西。目前深度學習使用的典型技術是通過特征表達和分類器來進行目標識別等任務的。并在語音識別、圖像處理、機器翻譯等領域取得很多成果。

深度學習不同于以往的淺層學習，淺層學習模型值包含一個隱藏層，或者不存在隱藏層，深度學習則是由很多隱藏層組成的，上一層的輸出作為下一層的輸入，實驗對輸入信息進行分級表達。目前深度學習框架主要包含三種深度學習框架，如圖1、2、3所示。

3 卷積神經網絡

卷積神經網絡的結構層次比傳統的神經網絡復雜，卷積神經網絡包含大量的隱藏層，相鄰的卷積核或者下采樣核采用局部感受野全鏈接，神經元權值共享的規則，因此卷積神經網絡訓練參數的數量遠比傳統神經網絡少，卷積神經網絡在訓練和前向測試的復雜度大幅度降低，同時也減少了神經網絡訓練參數過擬合的幾率。卷積神經網絡主要有兩部分，分別是卷積核和下采樣核。卷積核主要對上一層的圖像進行卷積運算，提取圖像特征，下采樣核則是對上層的數據進行將為處理，減少神經網絡的復雜度。

卷積神經網絡中每一個神經元的輸入與前一層的局部感受野相連，提取局部感受野的特征，比如圖像的輪廓，顏色等特征，而這些特征不僅包括傳統人類能理解的特征，也包括神經網絡自身能夠識別的特征，卷積核全職共享，因此這些特征提取與圖像的位置無關。

圖4是經典的LeNet5卷積神經網絡架構，LeNet5架構中卷積核和下采樣核交替出現，下采樣核及時的將卷積核生成的特征向量進行降維，減少神經網絡的運算量。LeNet5算法在1962年幼Hubel等人提出，在識別手寫數字mnist中有極高的準確率。

4 R-CNN、Fast-R-CNN對比分析

卷積神經網絡在對圖像進行識別具有平移，旋轉，扭曲不變的優良特性，并且能夠實現高準確率識別圖像，但是在現實生活運用中往往需要神經網絡標記出目標的相對位置，這是傳統卷積神經網絡不具備的功能。因此在前人傳統卷積神經網路基礎上對卷積神經網絡進行改進，產生了具有對圖像中目標進行識別和定位的卷積神經網絡R-CNN，Fast-R-CNN等改良算法。

4.1 R-CNN

R-CNN為Region Convoluntional Neural Network的縮寫即對圖像進行局部區域的卷積處理，其核心思想主要是利用候選區圖像對物體探測中位置信息進行精確處理和利用監督式預訓練和區域特殊化的微調方法，代替了傳統的非監督式預訓練和監督式微調。

在CNN中，全連接層輸入是固定大小的，因此R-CNN用計算機視覺算法將每一張圖片分割成1000-2000張的候選區圖片后，要將這些候選區圖片進行變換，生成固定大小的候選圖片，在訓練提取特征時一般采用經過預訓練的模型參數進行finetuning，榱嗽黽友盜費本，模型在也將生成的候選框以及標定的標簽作為訓練樣本進行訓練。R-CNN采用SVMs分類器對特征向量進行分類，在訓練SVMs時將候選框經過卷積神經網絡提取的特征和SVM標定結果輸入到SVMs分類器訓練分類器模型。而在測試時將圖像全部候選框經過卷積神經網絡提取的特征輸入到SVMs分類器中，得到每一類的評分結果。但是R-CNN在處理一張圖片是要處理需要對一張圖片1000-2000個候選區圖像進行前向運算，保存所有后選取圖片的特征值，要求計算硬件有大量的存儲空間，同時處理每一張圖片的時間也會增加。由于訓練集龐大，本文采用hard negative mining method方法提高存儲的利用率。

R-CNN的體現出了極大的優勢，其中MAP也可以大幅度提高，但是正如本文上述，R-CNN計算的時間成本很大，達不到實時的計算效果，R-CNN在對候選區進行處理時會使得圖像失真，部分信息丟失。

4.2 Fast-R-CNN

Fast-R-CNN則是再次改進的一種基于卷積神經網絡目標跟蹤定位算法。相比于R-CNN，Fast-R-CNN從單輸入變為雙輸入，在全連接層后有了兩個輸出，引入了Rol層。

Fast-R-CNN在運行的時候同樣會生成大量的候選區，同時將原始的圖片用卷積神經網絡進行特征提取，將原始圖片提取的特征與生成的候選區坐標送入Rol層為每一個候選區生成一個固定大小的特征向量。最后將Rol生成的特征向量全連接層產生最終的LOSS。Fast-R-CNN中的LOSS采用多LOSS模式，SoftMax LOSS用于計算K+1分類的損失，K為第K個目標，1為背景；Regression LOSS計算候選區的四個角的坐標。

Fast-R-CNN在MAP上有了大幅度的提升，速度也得到了提升，但是在計算候選區是仍存在瓶頸，這也是限制Fast-R-CNN速度的因素。

5 實驗測試

對于本文提出的卷積神經網絡識別圖像定位圖像目標算法R-CNN，Fast-R-CNN，在本章給出實驗結果。實驗平臺為基于Linux系統的debian8下運行caffe進行訓練，采用顯卡K620進行實驗。

訓練模型初始化參數在是服從高斯隨機分布，R-CNN采用的網絡結構如圖7所示，Fast-R-CNN的網絡結構如圖8所示。

本次實現的訓練樣本為錄制實驗室視頻數據，將視頻數據轉換成幀圖片，對每張圖片數據進行裁剪，裁剪后圖像大小在256*256，共有500張，再將裁剪后的圖片進行旋轉，平移，扭曲，鏡像，加噪聲等處理，最后生成144萬張樣本圖片，其中136.8萬張圖片作為訓練樣本，7.2萬張作為測試樣本。

6 總結

在目標識別定位領域，卷積神經網絡具有強大的圖像處理能力，對圖像的識別定位具有很高度平移，旋轉，扭曲不變形的優良性能。卷積神經網絡架構R-CNN和Fast-R-CNN都有強大的圖像處理能力。Fast-R-CNN在識別準確率上比R-CNN高。R-CNN算法復雜，對一張圖片需要進行1000-2000次的卷積運算，特征重復提取。因此在訓練和前向測試時，R-CNN用的時間長，不能很好的適用于處理實時圖片數據，尤其視頻數據。R-CNN在對每個候選區進行特征提取之后需要將提取的特征向量存入內存，降低訓練測試時間的同時也需要耗費大量內存。因此從各方面分析可知，Fast-R-CNN性能優于R-CNN。

參考文獻

[1]謝寶劍.基于卷積神經網絡圖像分類方法研究[D].合肥工業大學，2015.

[2]鄭胤，陳權崎，章毓晉.深度學習及其在目標和行為識別中的新進展[J].中國圖象圖形學報，2014（02）：175-184.

[3]陳先昌.基于卷積神經網絡的深度學習算法與運用研究[D].杭州：浙江工商大學，2006（04）：603-617.

[4]李彥冬，郝宗波，雷航等.卷積神經網絡研究綜述[J].計算機應用，2016.

[5]Gibson.J J.The perception of the Visual World[J].Cambridge，England，1950.

[6]HORN B，SCHUNCK P.Determining optical flow[J].Artificial Intelligence， 1981，17：185-203.

[7]R.Girshick，J.Donahue，T. Darrell，and J.Malik，“Rich feature hierarchies for accurate object detection and semantic segmentation，”in CVPR，2014

[8]Ross Girshick，Wicrosoft Research. Fast R-CNN，.

[9]R.Girshick.Fast R-CNN. arXiv：1504.08083，2015.

篇3

1.1人工神經網絡基本原理

人工神經網絡是一個并行的分布式數據處理與決策系統，將人工神經網絡理論應用到故障診斷當中，不僅能夠提高診斷的數據處理速度和診斷精度，而且還能夠按照人們的設定對特定工作環境進行學習，具有良好的環境適應能力。人工神經網絡的模型時模擬人類的大腦結構和工作原理進行信息處理的，其基本單元是神經元其中，wi表示每個輸入xi所占的權重，當wi為正數時表示該輸入xi對神經元產生激勵，為負數時代表該輸入對神經元產生抑制。其中f(x)是一個非線性函數，可以是閾值函數或者Sigmoid函數中的一種，標準的BP神經網絡由輸入層、隱含層和輸出層三層神經元結構構成，其結構如圖3所示。BP神經網絡通過輸出層神經元的逐層向前傳播，以將輸出誤差“分攤”隱含層和輸入層的每個神經元，進而得到各個層單元的參考誤差和相應的權值，最終使誤差加權值能夠滿足系統的誤差要求。

1.2決策樹

決策樹是從一些雜亂無章的數據中通過層層歸納總結，得到最終決策結果的過程，它的結構是自上而下的，在每一個節點處都要進行屬性判斷，每一個分支表示數據流的通路，每個分支的終點表示決策的一類屬性。決策樹的基本結構如圖4所示。

2故障診斷系統設計

故障診斷系統將人工神經網絡技術應用到專家系統，使系統具有了良好的學習功能，能夠很好的適應礦井下復雜的工作環境，實現對采礦機械系統故障準確診斷的目的。

2.1建立訓練樣本

實驗以河南平頂山煤礦的一款煤炭采掘機作為實驗對象，首先對其正常的工作狀態進行監測分析，然后分別對機頭和電機底座的螺絲進行人為的松動，對系統的主軸和各個齒輪進行人為不同程度的破壞，建立訓練集，對系統進行訓練。

2.2預測模型的建立

該系統采用CC55號測振動點和振動強度分別為150dB、160dB、170dB、180dB、190dB、200dB、210dB、220dB作為人工神經網絡的輸入層，輸出層包含一個神經單元，用于表示CC55號振動點的故障位置，中間層選擇16個神經元對輸出誤差進行平攤，盡可能減小輸出層的輸出誤差，最后利用判決樹的結構對預測結果進行定性判決，最終輸出故障原因預測結果。

2.3預測結果與分析

試驗中通過多次實驗對比，選定人工神經網絡的最大迭代次數為2萬次，學習精度為0.005，在WIN7系統上運行MATLAB2011建立煤礦采掘機的BP人工神經網絡預測模型，并首先利用150～220dB的振動強度對模型進行訓練，然后分別對各個部位的小故障進行預測分析。以采煤機的常見故障主軸軸承損壞為例進行說明，主軸軸承損壞會加大一部分波段的振動強度，如圖5所示，該振動強度區域比較密集地分布在一個區域中，采用BP人工網絡3級處理的方法能夠高效且盡可能多地將該區域覆蓋，具有良好的效果。BP神經網絡預測誤差與訓練迭代次數的關系曲線如圖6所示，由圖6中可以看出，當訓練次數達到6000次時，模型的預測誤差遠遠小于0.005，達到了預期迭代20000次。

3結果與討論

1)由于人工神經網絡具有很好的自組織和廣泛的學習能力，在得到充分的學習和訓練后，網絡能夠達到很高的精度，且具有很好的收斂性，因此在煤礦井下機械設備故障診斷中可以通過建立BP－人工神經網絡預測模型對機械設備的故障進行監測。

篇4

【關鍵詞】測試 GRNN類神經網絡 應用 探討

1 類人工神經網絡特性

類人工神經網絡技術（Artificial Neural Networks）是近年發展起來的一個新的研究領域，反映了人腦功能的若干基本特性，從而使計算機能夠模仿人的大腦，具有較強的形象思維能力。

我們目前應用的神經網絡多是模糊神經網絡，即神經網絡與模糊系統的結合，此方法既改進了原有的測試系統的實時性能，又使神經網絡學習得到了指導，有利于收斂。但是，此方法單純地強調了無模型的冗余式學習和模擬，必然造成對計量對象以及計量目標本身的忽略。所以，我們開始嘗試使用多層反饋式神經網絡，即本文要探討的GRNN（Generlized Regnssion Neurl Network）神經網絡。通過上面的介紹我們可以總結出類人工神經網絡具有以下優點非線性映射逼近能力；

（1）對信息的并行分布處理能力；

（2）高強的容錯能力；

（3）對學習結果的泛化和自適應能力；

（4）很強的信息綜合能力；

（5）信息的優化計算能力；

（6） 便于集成實現和計算模擬

2 建議在石油領域應用類人工神經網絡于產量預測

由于上述類神經網絡的優點，我們可以知道可以通過監督學習的方法，將專家的故障分析經驗傳遞給神經網絡，或用神經網絡來建立參數觀測系統，從而避免了數學建模的困難，同時，診斷信息還能被用于系統的容錯控制。我們利用三層GRNN神經網絡來訓練網絡，可以根據輸入到網絡的一些樣本提供一套權重來進行石油領域的一些預測，在網絡訓練之后，可以將任何新輸入的資料劃分為有效產能或無效產能。

雖然神經網絡作為一種分類工具似乎比其他方法較具吸引力，在石油領域解決實際問題的應用到目前為止還不多。神經網絡（ANN）人工智能方法能處理一系列的信息輸入如比率等，并能產生相應的輸出，而其運算分析能生成一個成功反映所有輸入輸出變量相應關系的模式。除此之外，神經網絡并不依賴于變量之間必須線性相關或是相互獨立的假設。變量之間存有微妙聯系，如同數據不連續或不完全一樣，均可被系統辨識并生成定性評估。簡而言之，除了部分不明確的結果之外，神經網絡能夠在相似點和類似點方面給出有根據的結論，在很大程度上，神經網絡方法在油井的判別上有相似的

作用。

3 GRNN類神經網絡模型數學模型及計算

3.1 GRNN類神經網絡模型數學模型

GRNN（Generlized Regnssion Neurl

Network）是徑向基函數神經網絡的一種，主要用于函數逼近。GRNN 網絡為含1個輸入層、1個隱層和1個輸出層的3層結構神經網絡。隱層傳遞函數為徑向基函數Radbas，輸出層為線性函數Purelin：Radbs（x）=exp（-x2），Purelin（x）=x，GRNN網絡設置隱層的權重W1為：W1=P’式中為P’輸入向量P的轉置矩陣：隱層的偏差b1為：b1 =0.8326/ spread

式中spread為徑向基函數的展形。輸出層的權重W2=T，T為目標向量。

模型設計輸入變量為油井的平均壓力和平均氣溫，輸出變量為油井的月平均流量。為防止部分神經元達到過飽和，提高網絡收斂程度和計算速度，對原始資料應做標準化處理。

3.2 GRNN類神經網絡模型數學計算

測試實驗目的是了解新的井身結構及管柱所允許的單井產能，并盡可能求取最大產量。設計采用6個油嘴進行回壓法測試。回壓測試結束后用21.57mm油嘴測試，日產油300.44×104m3，預測生產壓差6.056MPa。井下入四支高精度PPC型存儲式井下電子壓力溫度計同時測試。采用MCALLSTER型的直讀式電子井下壓力溫度計，取得了較好效果。

井筒中的動力異常是造成壓力異常的主要原因。分隔器密封不嚴、節流影響、井筒積液、溫度變化都會造成井筒中的動力異常。采用變井筒溫度模型井的試井數據進行了校正，校正后的平均地層壓力上升了約1.2MPa，壓力恢復曲線也呈上升趨勢。從圖1中看出GRNN模擬效果極好，驗證結果也基本令人滿意。

4 結論和展望

4.1 結論

大慶油田由于多年開采，井下地質條件復雜，使用神經網絡模型（如GRNN和BP神經網絡）進行監測效果分析，可獲得比較好的結果；

在儲層四性特征及其四特性關系研究的基礎上，以巖心分析數據為標定，測井為工具，GRNN神經網絡為方法，基本可以實現儲層物性參數的精確預測，且比常規數理方法具有較高的精度，顯示出BP神經網絡在儲層參數預測中具有較為廣闊的應用前景。

多層反饋式神經網絡具有特定的標準結構和非線性收斂特性。在求解具體問題時，只要把具體確定的能量函數與標準能量函數相對應，就能確定相應的神經網絡參數。在合適的能量函數指導下，根據計量目標設計基于反饋式神經網絡的系統結構和動態參數，并將基于此網絡的參數辯識和計量結合起來，使其具有更強的自適應性。

4.2 展望

（1）如何在矢量控制的框架下補償參數隨時間常數的變化對計量性能帶來的影響，是一個重要的研究課題，也是我們以往研究結果的基礎上進一步努力的方向；

（2）GRNN神經網絡的優越特性必然能在其它的石油領域中得到更廣泛的應用，關于此項的研究任務是一項長期的任務。

參考文獻

篇5

【關鍵詞】PID控制;BP神經網絡;模糊PID控制

Abstruct：PID control are widely used in industrial process control，but the traditional PID control because of its control parameters are fixed，and it is difficult to adjust its parameters online.So this paper studies a new adaptive fuzzy PID control method，to solve problem without the ability to learn，and put forward a kind of adaptive fuzzy control method based on BP neural network in this paper.It is the effective combination of fuzzy control，neural network and PID control.Simulation results show that this fuzzy PID control method based on BP neural network has good control effect.

Keywords：PID control;BP neural network;Fuzzy PID control

1.引言

常規PID在控制領域被廣泛應用，利用數學算法來整定參數。而且隨著控制系統的復雜，被控對象很難建立數學模型，人們開始探索新的控制方式。模糊控制不要求掌握被控對象的精確的數學模型，根據人工控制規則組織控制決策表，然后由該表決定控制量的大小。在一般的模糊系統設計中，規則是由經驗豐富的專業人員以語言的方式表達出來的。但對于某些問題即使是很有經驗的專業人員也很難將他們的經驗總結、歸納為一些比較明確而簡化的規則。在這種情況下，就可以應用神經網絡的方法，依靠BP神經網絡的自學習功能，實現模糊控制的神經、模糊融合技術，并借助其并行分布的結構來估計輸入到輸出的映射關系，直接從原始的工作數據中歸納出若干控制規則。從而為模糊系統建立起行之有效的決策規則。

2.PID控制器原理

2.1 PID控制的微分方程

PID控制器是一種線性控制器，它將給定值r（t）與實際輸出值c（t）的偏差的比例（p）、積分（I）、微分（D）通過線性組合構成控制量，對控制對象進行控制。

式中：

2.2 PID控制器各環節的作用

（1）比例環節：及時成比例地反應控制系統的偏差信號e（t），偏差一旦產生，控制器立即產生控制作用以減小偏差。

（2）積分環節：積分作用會使系統穩定性下降，Kd大會使系統不穩定，但能消除靜態誤差。

（3）微分環節：能反應偏差信號的變化趨勢，并能在偏差信號值變得太大之前，在系統中引入一個早期修正信號，從而加快系統的動作速度，減小調節時間。Kd偏大時，超調較大，調節時間短;Kd偏小時，超調量也較大，調節時間長;只有Kd合適時才能超調小，時間短。

3.BP神經網絡與模糊控制

模糊控制是運用語言歸納操作人員的控制策略，運用變量和模糊集合理論形成控制算法的一種控制。如何讓機器像人一樣識別、理解模糊規則并進行模糊邏輯推理，最終得出新的結論并實現自動控制是模糊控制研究的主要內容。模糊控制器的基本結構如圖1所示。

圖1 模糊控制結構

人工神經網絡是由大量人工神經元經廣泛互連二組成的，它可用來模擬腦神經系統的結構和功能。人工神經網絡可以看成是以人工神經元為節點，用有向加權弧連接起來的有向圖。BP網絡是一種利用誤差反向傳播訓練算法的神經網絡，是一種有隱含層的多層前饋網絡，系統地解決了多層網絡中隱含單元連接權的學習問題。BP學習算法的基本原理是梯度最速下降法，它的中心思想是調整權值使網絡總誤差最小。也就是采用梯度搜索技術，以期使網絡的實際輸出值與期望輸出值的誤差均方值為最小。網絡學習過程是一種誤差邊向后傳播邊修正權系數的過程。其結構如圖2所示。

圖2中隱含層第一層神經元為7個，分別對應7個模糊子集：NB、NM、NS、ZO、PS、PM、PB。第二層49個神經元代表49條規則。第三層7個神經元代表輸出的7個模糊子集。模糊控制不依靠對象的數學模型，但模糊規則的建立需要人工經驗。采用BP算法對工程經驗和專家經驗的模糊規則進行訓練，其實就是把模糊規則用神經網絡來表示，即經過神經網絡的學習，將模糊規則以加權系數的形式表現出來，規則的生成就轉化為加權系數的確定和修改。

神經網絡是大規模并行運算，但由于網絡結構復雜，訓練和學習需要大量的時間，所以目前還無法實現實時控制。在具體應用中，我們是先離線將神經網絡的各層權值和閾值訓練出來，將其參數固定下來，然后將有系統檢測、計算得到的誤差變化直接代入非線性映射關系中，由計算機算出控制量，再用作被控對象。在matlab下以、、為輸出的BP網絡仿真訓練如圖3、圖4、圖5所示。

4.模糊PID控制器的原理與仿真

對于某一BP神經網絡控制系統，其中內部變化及被控對象的數學模型為：

利用模糊控制對PID參數實現在線調節，原理如圖6。

圖6 模糊PID控制原理圖

采用Z-N法和試湊法相結合，借助MATLAB的SIMULINK平臺，對被控對象進行常規PID仿真。參數值：kp=15，ki=6，kd=0.05。如圖7。作為比較，建立模糊PID控制器的仿真模型如圖8。

圖9、圖10分別為被控對象G（s）在階躍輸入下常規PID和模糊PID仿真結果的比較。

經過仿真發現，常規PID控制缺點是超調量大，調節時間長，動態性能差。優點是控制精度高，穩定性能好。模糊控制動態性能很好，上升速度快，基本無超調。但由于模糊化所造成的穩態誤差，在沒有積分環節的情況下很難消除，故穩態性能差。模糊PID繼承了二者的優點，摒棄二者缺點，具有更全面優良的控制性能。

5.結論

針對大滯后、慢時變、非線性的復雜系統，提出了一種基于BP神經網絡的模糊PID控制算法，該算法不依賴被控對象的精確數學模型，可實現在線自調整模糊規則，從而增強了模糊控制器的自學習能力。通過算法的仿真研究，驗證了算法的可行性。

參考文獻

[1]李華.計算機控制系統[M].北京：機械工業出版社，2007.

[2]高雋.人工神經網絡原理及仿真實例[M].北京：機械工業出版社，2007.

[3]蔡自興.智能控制[M].北京：電子工業出版社，2003.

[4]李國勇.智能控制及其MATLAB實現[M].北京：電子工業出版社，2005.

[5]張德豐.MATLAB神經網絡應用設計[M].北京：機械工業出版社，2009.

[6]劉金琨.先進PID控制及其MATLAB仿真[M].北京：電子工業出版社，2003.

[7]劉玲.三容水箱的單神經元自適應PID控制研究[J].信息技術，2005，3（8）：32-137.

篇6

關鍵詞：瓦斯突出；微粒群算法；RBF神經網絡；MATLAB

中國分類號: TP183；文獻標識碼: A

前言

瓦斯突出的產生機理和預測過程比較復雜， RBF神經網絡在瓦斯突出預測中起到了很重要的作用。煤礦瓦斯突出的影響指標很多，并且各個指標與瓦斯突出之間的關系為非線性的關系，因此要求RBF神經網絡具有很好的非線性逼近能力。

RBF神經網絡是以函數逼近理論為基礎構造的一類前向網絡，網絡結構自適應確定，輸入與初始值無關，結構簡單，訓練簡潔，能夠逼近任意非線性函數，而且在逼近能力、分類能力和學習速度方面均優于BP網絡。RBF神經網絡網絡的設計包括三部分：神經元功能函數的設計，神經元之間的連接形式的確定以及網絡訓練方式的確定。在這三部分中隱單元RBF的設計是比較重要的。RBF函數是一種局部分布的對中心點徑向對稱的非負非線性函數。但是在神經元功能函數的設計中，RBF功能函數的中心ci的確定有很大的難度。

通常使用隨機選取固定中心法，中心的自組織選擇法等，但是由于這些學習訓練方法的局限性，通過這些方法得到的神經網絡適用性和泛化能力比較差，不能滿足瓦斯突出預測的要求。本文利用微粒群算法來計算出通過學習訓練得到的RBF神經網絡的隱單元RBF的中心ci的適應度的方法來確定最后的隱單元RBF的中心ci，并且不斷的在以后的實踐應用中更新學習訓練所用的數據庫，系統根據數據庫的變化，可以優化原有的隱單元RBF的中心ci ，提高了神經網絡的逼近能力，有效的客服了RBF神經網絡局部最優的缺點。

1、微粒群算法

1.1基本微粒群算法

微粒群算法（particle swarm optimization，PSO）是1995年由美國社會心理學家J.Kennedy和電氣工程師R.Heppner共同提出的，其基本思想是受鳥類群體行為研究結果的啟發，并利用了生物學家F.Heppner的生物群體模型[2]。算法原理如下：

微粒群算法主要是使用微粒的適應度大小進行尋找全局最優和優化參數。他將種群中的每個個體看作是N維空間的一個沒有質量和體積的微粒，并且在搜索空間以一定的速度飛行，在飛行過程中不斷根據環境的改變來改變自身的速度和方向，直到找到適應度最好的位置。假設Xi=（xa1，xa2，xa3，……xan為微粒i的當前位置，Vi=（va1，va2，va3，…… van）代表微粒當前的飛行速度，Pi=（pa1，pa2，pa3，……pan）表示微粒經歷的適應度最好的位置，這是局部最優位置。

當f(xi(a+1))≥f(Pi(a)) 時Pi(a+1)= Pi(a)

當f(xi(a+1) ＜f(P(a)) 時Pi(a+1)= Xi(a+1) 所以全局最優位置P（a）=min{f(P0(a) ，P1(a)……Pn(a)}。同時可以得出進化方程為：vij (t+1)=vij (t)+c1v1j(t)[pij (t)-xij (t)]+c2r2j(t)[pgj (t)-xij (t)]

為了更好的確定和優化RBF的中心ci，計算每個數據庫得到的中心ci的均方誤差，計算出每個中心ci的適應度：

E（Xp）=[Yk,p(Xp)-tk,p]

有適應度來確定的適應度函數如下：

f(x)=

1.2帶慣性權重的微粒群算法

在全局搜索過程中，搜索能力和收斂速度是相對立的，如果搜索能力高了，收斂速度就會相對變慢，為了解決這一問題，在速度進化方程中引用了慣性權重，具體公式如下：

vij(t+1)=wvij(t)+c1v1j(t)[pij(t)-xij(t)]+c2r2j(t)[pgj(t)-xij(t)] 式中w稱為慣性權重。

在全局搜索利過程中，慣性權重w可以根據要求按照一定趨勢改變，這樣就既能保證搜索能力又能加快收斂速度。

2、RBF神經網絡

人工神經網絡是對人類大腦系統一階特性的一種描述，有類似人的神經元的處理單元通過各種連接方式連接起來構成，整個網絡同時具有一個或是多個的輸入和輸出，能夠對信息進行并行和分布處理。人工神經網絡主要包括三方面的內容：激活函數，神經元之間的連接形式，網絡的學習或者是訓練。

激活函數為徑向基函數（RBF）的神經網絡為RBF神經網絡，RBF神經網絡是一個單隱層的三層前饋網絡，分別為輸入層，隱含層，輸出層。隱含層的傳遞函數為radbas。徑向基網絡結構如圖1所示。實驗已經證明：徑向基網絡能夠以任意精度逼近任意連續函數。每個RBF的節點有一個“參考”輸入x*i,f是輸入與“參考”輸入的距離d(x*i,xi )的函數，函數中的距離有節點輸出y =f(d(x*i,xi ))來計算。

RBF神經網絡的學習主要有兩種：中心自組織選擇法和中心的監督選擇發。中心的自組織選擇法是一種無導師，也稱非監督學習，是對所有的輸入進行聚類，求得各隱單元RBF的中心ci。中心的監督選擇法是一種有導師的學習，也稱為監督學習算法。主要是通過一個有導師或是有監督的學習過程來確定隱單元RBF的中心ci。

3、RBF神經網絡隱單元RBF的中心ci 的確定和優化的過程

本文利用普通的學習訓練法和帶慣性權重的微粒群算法相結合的方法來進行RBF神經網絡隱單元RBF的中心ci的確定和優化。具體過程如圖1所示。

（1）用一定數量的與瓦斯突出有關信息組成一個數據庫，并且將這個數據庫分為若干個子數據庫.使用這些子數據庫分別對RBF神經網絡進行訓練，得到隱單元RBF的中心c1,c2,c3……。

（2）將上面得到的若干個隱單元RBF的中心作為一個個體（微粒），有這些個體組成一個種群，其中每個個體代表先前計算出的一個隱單元RBF的中心。初始化Gbest和Lbest。

（3）使用帶慣性權重的微粒群算法來確定最后的隱單元中心，通過計算每個微粒適應度來確定中心ci，然后通過適應度函數來優化中心ci，最后形成RBF神經網絡。

（4）把井下測得的數據作為輸入，來進行瓦斯突出預測，并且把井下的信息和預測結果，作為下次更新數據庫和優化隱單元中心的依據。

（5）每進行一次預測，數據庫的信息就根據實際情況和預測結果進行一次更新，根據更新的數據庫，對得到的隱單元中心進行優化，提高了系統的適應能力和自學習能力。

4、帶慣性權重的微粒群算法的Matlab程序設計和瓦斯突出預測

使用Matlab進行程序時所用到的函數如下：

PSO：主函數，用于調用微粒群算法。

DrawSwarm：繪圖函數，主要用來反映每個微粒的進化過程。

psoOption：參數顯示函數，主要用于顯示帶慣性權重的微粒群算法的參數設置情況。

使用多個函數形成函數模塊，實現對隱單元RBF的中心ci的確定和優化。帶慣性權重的微粒群算法進行確定和優化神經網絡隱單元RBF的中心ci的函數模塊為：[fxmin,xmin,Swarm,history]=pso(input,psoOptions);

選取一定量的信息形成數據庫，然后隨機的劃分為若干個子數據庫，通過學習訓練來產生一些中心c1,c2,c3……，然后再組成種群，利用函數模塊來確定和優化RBF的中心。具體實驗數據如下表1所示：

利用Matlab運行該函數模塊來確定和優化RBF神經網絡時，算法程序運行時出現的最優適應度值隨著迭代次數的變化如圖2所示。

當函數模塊算法程序運行時出現的適應度值滿足要求時，說明此時的ci的最優化完成，可以來確定RBF神經網絡。

把上面經過優化神經網絡來進行瓦斯突出預測，需要預測的樣本數據如下表2所示：

其中運行結果用1表示安全，-1表示突出。

運用MATLAB對樣本數據進行測試，測試代碼如下：

pl=[0.809.011.530.2 ]；

p2=[0.153.51.27.3]：

y1=sim(net，p1) ；

y2=sim(net，p2) ；

最后預測結果是y1=-0.9908，y2=1.005；

可見該系統能夠準確的預測出瓦斯突出。

總結

使用RBF神經網絡來進行瓦斯突出預測比其他方式的預測具有很好的效果，但是由于煤礦的環境比較特殊，瓦斯突出產生的機理比較復雜，并且不同煤礦的影響瓦斯突出的因素也不相同，所以要求神經網絡具有很好的適應性和自學習能力。但是RBF神經網絡的隱單元RBF的中心ci的確定是基于數據空間局部的信息，很難都到全局最優，嚴重影響了RBF神經網絡的適應性和自學習能力。本文利用帶慣性權重的微粒群算法來確定和優化RBF神經網絡，慣性權重w能起到保證全局最優和局部搜索能力的平衡的作用，能夠在保證全局最優的前提下，提高搜索全局最優的速度，提高了預測的準確度。

參考文獻

篇7

中圖分類號：TP3文獻標識碼：A 文章編號：1007-9416（2012）04-0000-00

交通流量預測是現在研究智能交通系統的熱門研究課題，通過交通流量預測方法對相關數據進行建模，預測未來交通流量，進一步更好地制定忙時交通分流預案，配備合適的運營資源。因此我們在本文分析了現在流行的交通流量預測的發展方向及進展。具體介紹了交通流量預測的相關模型，并對這些模型進行了討論，驗證數據挖掘技術在高速公路流量監測上應用的可行性。。

現有的短時交通流量預測方法大致可以分為以下兩大類：第一類是以數理統計和微積分等傳統數學和物理方法為基礎的，它主要包括早期的歷史平均模型，自回歸滑動平均模型(ARMA)，以及后來研究的更復雜、更精度的多元回歸模型，Kalman濾波模型，ARIMA模型等；第二類是無數學模型的預測方法，它需要自己建立新的算法來實現，主要方法有非參數回歸，譜分析法，基于小波理論的方法，神經網絡等。

BP神經網絡模型把一組樣本的I/O的輸入輸出問題轉化一個非線性優化的問題，它實際是優化中最普通的梯度下降法。假如把這種神經網絡的看作是從輸入層到輸出層的映射，則這個映射是一個高度非線性得關系。

設計一個神經網絡模型其重點在于模型網絡的構成以及學習算法的取向問題?？傮w來看，結構是根據所研究領域以及所要解決的實際問題所決定的。通過對其所研究的問題的大量歷史資料數據的研究以及當前對神經網絡理論發展水平，建立適當的網絡模型，并針對所選的網絡模型采用適合這種模型的學習算法，在整個網絡學習過程中，要不斷地調整網絡從而調整其相應的參數，直到輸出精確的結果，達到預測的目的。

BP神經網絡模型的預測步驟為：

首先是要對訓練樣本進行選取和預處理。根據研究狀況以及目標，選取合適的訓練樣本和檢驗樣本，由于BP神經網絡各層轉換函數以及學習規則是不同的，所以在輸入樣本之前要對輸入的樣本作一下預處理；然后再去確定建造BP網絡的結構，這包括變量的選取，隱層和隱層節點數的選取等問題；把輸入樣本輸入到BP神經網絡模型中，再進行仿真訓練，最后預測出該網絡的輸出值，再拿該期望值與實際輸出進行比較，根據誤差去反復的修改誤差，從而改變權值以及閾值，直到誤差一個可接受的范圍，完了再用檢驗樣本進行對比，判斷結果；然后對結果進行比較分析，最后認可該網絡模型的算法，就可以對未來交通流量進行精確地預測了。

BP神經網絡設計大致可以包含以下幾個部分：首先是對模型的建立、數據采集并且預處理，然后對輸入到模型特征向量的數據進行預測、通過預測的數值去判斷是否符合實際數值等。該模型網絡的建立是整個系統是否成功的關鍵，本文的設計也是神經網絡的一個應用，只要選擇的數據完備、可靠、準確，就有可能得到符合預測的網絡模型。數據的采取需要有實時的數據采集系統。事實上預處理的過程要求根據數據的實際情況進行預處理，我們的文章的數據都是來自高速公路監控部門，故具有完備的、一致的，因此要首先要對其進行數據變換。對于系統的輸出數值是否滿足實際數值，只要將其所得到的預測值和數學期望值進行比較，所得的數值滿足在數學期望值的附近(一般誤差在10％以下，該系統設計是成功的)且其誤差值小于預先設定的誤差值時，就可以認為該系統可以成功預測高速公路交通流量，可以先把它記下來；反之，認為將得不到合適的數值，需要不斷的改變權值。

對輸入到網絡模型特征向量數據進行預測是我所研究的重點，這第一步首先是需要建立合適的網絡模型，首先將對應的高速公路交通流量的特征向量數據預處理后，輸入到網絡進行訓練，仿真訓練結束后，用檢驗樣本的特征向量進行檢驗，然后用最后一組數據對該模型測試，分析其模型的實際是否有效，判斷其是否是符合實際交通流量預測的模型，那么此系統就可以進入到實際的預測階段。綜上所述，只要特征向量的數值的選擇較為合適，就有可能建立起較為合適的模型，可以用此來對高速公路交通流量進行預測。所以，BP神經網絡作用于高速公路交通流量的預測中是可行的并且是可靠地。

在相同的結構的網絡中，因為BP算法它本身存在多個局部的極小點，所以要不斷的改變賦予網絡連接權值以此來求得相應的網絡極小點，從而通過比較這些極小點的網絡誤差，然后再確定整個網絡結構的極小點，以此得到適合該網絡的合適權值。在該網絡中，神經網絡的訓練的過程事實上是求該網絡結構的極小點的問題，所以，在全局極小點領域內，各個網絡連接權值之間存在著巨大的差異，也會導致各個神經元的重要性發生相應的變化。當在不滿足隱含層節點數的條件時，也可以求得該網絡模型的訓練樣本誤差很小的極小點值，同時該檢驗樣本的誤差也許比該值要大許多；如果網絡的初值改變了，相應的網絡計算出的結果會發生很大的改變。

篇8

1計算機神經網絡體系

人們為了因對計算機迅猛發展帶來的危機在上世紀40年代就提出了神經網絡體的設想,并對此加以研究實驗。自80年代后已經成為人們評價計算機網絡安全的重要標準。大量簡單的神經元通過相互連接形成更復雜的神經結構,神經結構之間相互連接最終形成神經網絡體系。神經網絡體系具有十分強的的信息處理工能,可以存儲分布、處理分布,有包容性和學習能力,能夠處理非線性的復雜關系,是一個成長型的系統。神經網絡系統通過調節自身節點之間的關系,來完成對信息的分析處理,模仿人的大腦對信息的處理方式。其具有很強的靈活性和針對性,可以進行初步的理性分析,優化其自身的信息資料庫,找尋最優的解決方案。計算機神經網絡系統是人類邁向人工智能化時代的一大創舉,隨著人工智能技術的不斷進步,更加智能的機器人將隨之產生。

2計算機網絡安全的評估標準

計算機的使用者們根據當前計算機的使用狀態制定了一系列的計算機網絡安全現行標準。

2.1網絡安全的定義

網絡安全指的就是人們在運用互聯網時信息的安全保密不被竊取和惡意破壞,系統、軟件設備、硬件設備都處在良好的狀態中。在計算機系統運行時不會受到木馬病毒、惡意插件的攻擊。信息安全、密碼安全、通信安全等領域的安全都處在網絡安全的范疇之中。計算機網絡安全有四大原則:可控性原則,即計算機網絡信息的傳播控制在一定的范圍內,網絡上流傳的信息要在法律允許的范圍之內,網絡管理者可以通過網絡對其進行有力的控制。完整性原則,即網絡數據信息未經過官方和其發行者的授權不可以私人篡改,保持網絡數據的完整性就是保證網絡信息的可用性?？捎眯栽瓌t,即網絡使用者當前是否能夠使用網絡中的信息。保密性原則,即對計算機網絡數據進行訪問時,不得隨意泄露信息給未獲得網絡授權的用戶。在這個信息全球化的時代,網絡安全是人們生活安全中至關重要的一項。

2.2網絡安全評估標準

當今社會人們對網絡信息的要求逐步提高,相應的產生了一套大家公認的評估標準。這套標準是依據現有的計算機網絡技術,全面的、合理的、客觀的、科學的,考慮計算機網絡運用的方方面面制定出來的。堅持評估標準與實際生活相結合,便于檢測和操作的可行性原則;堅持條理清晰、層次分明,有代表性的簡明性原則;堅持真實準確,避免環節重復,避免節點之間相互影響的獨立性原則;堅持運用完整的、全面的、準確可靠的完備性原則為信息全評價標準;堅持聯系實際以現行的計算機技術水平為評價指標的準確性原則。按照以上的網絡安全標準一定要與當前所在的區域網相結合,做到具體問題具體分析。

2.3網絡安全體系的設定

根據計算機網絡安全檢查建立不同的計算機網絡安全等級,大致可分為四個層次:很危險、危險、有風險、安全。很危險可用紅色表示,計算機網絡系統存在高危漏洞,需要緊急查殺木馬病毒和惡意插件,關機后再重新啟動。危險可用橙色表示,表示網絡系統中有安全隱患需要處理,網絡的安全等級有限,需要及時的進行殺毒處理。有風險可用黃色表示,這種情況表示計算機中有風險項,需要對計算機網絡進行檢測處理。安全表示當前的計算機網絡狀態良好無任何風險項,可用綠色表示。這種設計可以給計算機的應用者最直觀的感受來判斷計算機的狀態。

3神經網絡系統在計算機網絡安全中的應用

計算機網絡的主要作用是傳遞信息,其廣泛的應用于電子商務,信息處理,電子辦公等方方面面。網絡黑客通過木馬病毒盜取用戶信息,倒賣客戶資料,竊取他人財產,對網絡的和諧安全產生了及其惡劣的影響。神經網絡系統在計算機網絡信息的傳播當中起到了橋梁和過濾器的作用。信息在網絡中傳播不是單向的而是雙向的,信息的輸入和輸出都是通過神經網絡的神經元來完成的。計算機神經網絡有三個層次組成,分別是輸出層、隱藏層、輸入層,通過這三個部分對信息進行加工處理。其中的隱藏層起到了傳輸中樞的作用,輸入的信息輸出時需要先輸入到隱藏層中,再由隱藏層對其進行處理,最后傳輸到輸出層中輸出。在此時系統發現信息有誤將會回溯至上一階段對信息進行核對,信息精確后會再次傳輸回來發送至輸出層。通過神經網絡系統的應用能夠大量準確的對信息進行合理的處理,方便了人們的生活,提高了人們的工作效率。

4神經網絡系統對計算機網絡安全的影響

神經網絡系統作為廣泛應用于人們生活中的技術,其即存在著優點,也存在著不足。神經網絡技術具有良好的靈活性包容性,與傳統的曲線擬合體系相比其對缺失信息和噪音反應不靈敏。一個節點只能反應一個問題,一個節點中發現的問題在整個神經網絡體系的表現中將產生嚴重影響。其具有良好的延展性,可以把個體中的多數樣本引入部分當中,將部分當中的多數樣本引入到整體當中。神經網絡系統具有強大的學習適應能力,可以自行總結系統處理的信息中的規律,自我調整輸出模式,減少系統的誤差。神經網絡有線應用潛力,有線應用潛力是神經網絡系統自身的基本能力,神經網絡是由一個又一個節點連接而成的,兩點之間的直線距離最短,處理信息的速度最快。神經網絡系統具有自動處理信息關系的能力。其已經具有初步的人工智能化能力,可以自主分析較為簡單的問題。雖然神經網絡系統功能十分強大,但是也存在著一些不足之處。神經網絡系統的結構多樣化,在信息處理的過程中也會出現多種組合。因此只能出現最精確的處理結果,無法得出最準確的處理結果。神經網絡系統自身的結構決定了其對局部極小問題的忽視,這種特性會影響其處理問題的準確性。對于非常復雜的數據問題其處理效果會減慢。隨著計算機的應用大量的信息被記載入數據庫,信息量過于龐大會影響到信息處理的效率。神經網絡系統并不是真正的人腦只達到了出步的人工智能程度,其處理問題存在一定的機械性。這種問題只有通過科學家的不斷研究才能得到改善。

篇9

1節能控制電力電壓控制閥的電壓參數

1.1最優組合法

電力電氣控制閥中的電壓若是存在波動的問題，那么就會造成各種關鍵控制信號中誤差增大，其控制過程的精度方面也會出現較大的模糊性，最終導致出現過高的能源消耗問題。為了將這種模糊性有效的去除，設置參數E，用來對控制閥電壓的波動控制誤差進行準確的描述，然后在電力電氣控制系統中引入該參數，設置e（t）為控制閥電壓波動的誤差信號量，同時設置Ec為電壓波動率，另外設置K為可變控制系數。于是可以得到Ec=Kec（t）和E=Ke（t）兩個控制模型。當出現異常波動的電壓時，可以使用U=βE+（1-β）Ec模型描述電壓信號的控制規律。其中電壓波動幅度系數表示為β，普遍將β的值設為1。若是出現較大的電壓波動時，可以使用該種方法有效的統計誤差。同時在整個控制過程中都可以使用控制閥電壓波動下的電氣控制來測試控制效果，但是在電壓波動的狀態下，電壓、控制誤差之間具有不穩定的關系[1]。

在控制數據較多的時候，對采集數據進行分析，控制法電壓在實際運行中出現的波動變化可以使用ΔKd、ΔKi、ΔKp來表示，并在（-1，1）區間內對這些變化參數進行歸化，并限制其電壓波動范圍。然后采取假設其模糊子集的方法，設置發生變化的模糊標準，另外在得懂電壓控制參數ΔKd等的變化規則之后，采取最優化的關聯控制方法控制這些參數，以便對消除電氣控制閥波動干擾提供保障。

1.2尋優法

2多層神經網絡控制方法

2.1建立模型

智能化節能調節控制閥電壓時可以采取建立多層次神經網絡模型的方法，多層神經網絡的屬于前向網絡的一種形式，非線性是電力電氣控制閥中電壓變化所表現出的特征，而線性是神經網絡輸入層、輸出層的特征，將該系統輸入層的數據選為電力電氣控制閥電壓控制過程中的參數，而輸出層的數據選擇其最優電壓參數，同時電力電氣控制閥電壓動態變化有多層神經網絡的隱含層來負責，具體的控制模型如圖1 所示

根據該模型可以得到的參數，可以對神經網絡輸出層的最優節能電壓值進行確定，同時使用這種方法得到的訓練效率最高，所以不恰當地設置初始值造成局部控制電壓出現最小值的問題是不存在的，使用該種方法有利于促進電壓節能控制精度的提高[3]。

2.2仿真實驗

在提出該模型之后，為了驗證其可行性，于是提出對其進行仿真實驗的方法，節能控制對象使用大型電力設備，該設備的能量源選擇10v-30v的電壓，在信號采集時選擇高精度信號采集卡設備，且在實驗中保證控制電壓在安全的應用范圍內，對于數據的搜集使用核心處理器，然后在利用轉換裝置將其變為能夠應用到電氣設備中的可用電壓，然后合理調控電壓，使其始終能夠在合理的高精度范圍內變化，最后又計算機輸入參數變化結果，并仿真統計變化結果。

篇10

關鍵詞：電子政務；績效評價；神經網絡

中圖分類號： TP18文獻標識碼：A文章編號：1009-3044(2011)13-3103-02

Research on Performance Evaluation of E-government

NING Bin, WU Zhao, ZHOU Jian-wei

(Maths & Computer Science School, Xiangfan University, Xiangfan 441053, China)

Abstract: In the thesis, beginning with ananalysis of methods ofperformance evaluation of E-government, performance evaluation system of its is built up. And then model applying neural network to evaluate the performance of E-government is designed, which offers a new method for evaluating the performance of E-government.

Key words: e-government; performance evaluation; neural network

隨著電子政務的建設與應用，電子政務的績效評價研究也引起了我國各級政府的高度重視。電子政務績效評價，是指運用一定的評估方法、量化指標及評估標準，綜合性考核與評估電子政務的建設、運行和管理過程，以促進電子政務管理水平和應用績效的提高。現有的評測方法及其內容很多，歸納起來主要集中在評價視角、評價方法、調查手段等三個方面。

1 電子政務績效評價方法

1）從評價視角來看。電子政務的用戶主要分為兩種角色:“提供者”和“需求者”。基于“提供者”角色評價就是從政府電子政務實施的視角出發，基于政府對用戶需求的理解來設計評價屬性。這類評價主要是通過調查電子政務的外在表現形式（網站）來了解信息可得性、電子服務提供和質量，對特殊用戶、安全、交互的支持等方面的情況。但缺乏收集有關政府職員和公眾真正需求的數據。另一方面，“需求者”角色評價則從用戶體驗和需求的角度出發，采取與用戶交互的方式來調查電子政務提供的各種要素（包括信息內容、電子服務等）的使用效果，用戶對各項服務的感興趣程度以及不使用某些服務的原因等方面的情況，從而評定電子政務的服務水平和質量。

目前，從“提供者”角色出發的電子政務評價，往往不能很好反映用戶的需求和體驗，更不能適應電子政府“面向用戶”的發展趨勢，而基于“需求者”角色的評價則恰恰相反。但目前，從需求者角度出發的評價大多采用定性化問題來隨機調查用戶，獲得的答案再量化成分值。這樣通常會產生兩個問題：①如果問卷設計的不合理（如問題缺少定量化描述或表述不清楚），會造成評價結果過于粗略，無法真實反映用戶體驗；②如果采用的調查方式不合理，不能全面獲得各類用戶的反饋，評價結果的科學性將大打折扣。

2）從評價方法看。現有基于電子政務評價大體可分為四類：網站技術屬性和信息內容（如網站可用性、易用性和信息可得性）、在線服務的使用（如服務的數量和質量）、電子服務和電子政務效果及對用戶的影響。這四種類型由淺入深構成了電子政務評價發展的層次。目前，大多數評價停留在評價網站的使用和信息可得性方面，而對服務功能、質量有效性等方面的評價還處于探索階段。

3）從調查手段、收集數據方式來看。目前的評價采用的主要調查方式有：網上/網下問卷調查、面對面訪問/電話訪問等。在實際用用中，可以針對不同類型數據，采用不同的方法收集，避免采用單一的收集方式。當然，需要考慮收集收集時所需要的成本因素。如：可用性測試數據，可采用專家評估法或實驗測試法收集；用戶反饋數據，可采用網上隨機抽樣問卷調查、網下抽樣問卷調查、集中面對面訪問/電話訪問等方式收集；使用情況類數據， 可采用網絡日志分析等方式獲得；網絡特性類數據，可采用一些網絡性能測試軟件來獲取。

2 電子政務績效評價體系

對于如何采用科學的指標體系來定性定量的評價電子政務的績效尚缺乏具有權威性的統一認識，但電子政務的效益和質量是兩個核心指標。

電子政務系統的效益主要是從政務系統的提供者（政府角度）和使用者（用戶角度）來考察。政府角度考察電子政務帶來的時間、費用節省和辦事效率的提高；用戶角度考察通過該電子政務，用戶得到的信息量以及辦事效率的提高等。其次，電子政務是一個運行的系統，其績效水平的高低不僅僅直接地表現為系統的效益，而且取決于電子政務的質量及運行過程中的能力和屬性。其質量主要包括信息更新率、用戶滿意度、防病毒能力和用戶界面友好程度等方面。

歸納起來，電子政務績效評價指標體系，表現為以“信息公開、在線辦事、公眾參與、網站建設與內容保障”等主要內容，如表1所示。

3 基于神經網絡的電子政務績效評價模型

神經網絡是一個簡單而有效的網絡，可應用于電子政務的績效評價。其過程是：把用來描述電子政務績效基本特征的評價指標信息作為神經網絡的輸入向量X=（x1,x2,...,xn），將代表相應綜合評價結果的值作為神經網絡的輸出Y；然后，再用足夠的樣本即實例來訓練這個網絡，經過反復迭代，使不同的輸入向量得到不同的輸出量值，這樣神經網絡所持有的權系數值Wij、閾值(當i=0時，Wij代表閾值)，就是網絡經過自適應學習所得到的內部表示。

基于神經網絡的電子政務績效評價模型如圖1所示，特征參量由輸入層神經元輸入，然后直接輸出，而隱含層和輸出層的每個神經元輸入量為上一層神經元的輸出的加權和。其學習的過程就是調整神經元間的連接權重，使得輸出值等于或接近理想的目標值。一旦神經網絡訓練完畢，即可作為，電子政務績效評價的有效工具。

4 結束語

本文從評價視角、評價方法、調查手段等三個方面深入的分析現有的電子政務績效評價對象和過程，在此基礎上總結電子政務系統績效評價的共性特征,以其效益、質量等兩個內涵方面為主,確定了電子政務績效評價體系；嘗試神經網絡應用于電子政務績效評價，為評價電子政務的績效水平提供一種參考模型和評價依據。但是，神經網絡模型要求具有一定的學習樣本。因此，在后續的改進和研究工作中，需要進一步確定高質量的學習樣本，以提高神經網絡模型的學習性能。

參考文獻：

[1] 彭細正.電子政務門戶網站績效評估研究[J].信息化建設,2004(10).

[2] 楊云飛,白慶華.電子政務評價指標體系[J].計算機應用與軟件,2004(8).

[3] 謝一帆.電子政務績效評估的國際背景研究[J].電子政務,2005(9).