网络平台用于社会管理（精选9篇）
网络平台用于社会管理 篇1
随着医院信息化 (hospital information system, HIS) 的普及深入, 计算机网络成为沟通医技与临床科室、医师与患者之间的桥梁。我院门诊采血室于2009年4月初与四川省成都万全数据系统有限公司 (WQLIS) 合作开发了门诊检验信息系统 (laboratory information system, LIS) , 对门诊患者的检验报告单进行集中管理、发放, 提高了报告单的快速性和准确性[1], 很好地满足了门诊患者高效、快捷的服务需求。现报道如下。
1 资料与方法
1.1 一般资料
将2009年4月-2009年9月实现计算机网络化管理的门诊采血室患者41 986例设为观察组;将同期未用计算机网络化管理的门诊采血室患者30 888例设为对照组。2组患者在性别、年龄、职业、病种及检验项目等方面差异无统计学意义 (P>0.05) , 具有可比性。
1.2 工作方法与流程
1.2.1 对照组:
采用传统工作方法, 即门诊采血室采集血液标本后, 送入检验科室;检验科室完成检测、打印检验报告单后, 由专人传送至采血室, 再由采血室护士分发给患者。
1.2.2 观察组:
门诊检验报告单主要由门诊采血室及其计算机工作站、检验科室等相关科室协同形成, 即门诊采血室采集血液标本后, 送入检验科室;检验科室完成检测后, 自动或人工接受仪器传递的数据, 将已经审核确认的检测数据输入计算机、存入数据库;门诊采血室计算机工作站检索到相关数据后, 直接为患者查询、打印及发放检验报告单。
1.3 评价指标
患者满意度调查采用自制量表, 主要针对报告单发放时间、方式, 是否满足患者需要等进行调查分析。
1.4 统计学方法
计量资料以±s表示, 组间比较采用t检验;计数资料以率 (%) 表示, 组间比较采用χ2检验, P<0.05为差异有统计学意义。
2 结果
观察组检验报告单的发放时间早, 漏发率低, 患者满意度高, 2组比较差异均有统计学意义 (P<0.01) 。见表1。
注:与对照组比较, *P<0.01
3 讨论
门诊采血室计算机网络化管理, 为采血室、检验科室及临床各科室的医务人员搭建信息互通的平台;同时, 通过建立数据库, 创建报告显示屏, 实现了融门诊检验报告单的原始记录、数据管理、查询和打印为一体的管理[1]。与传统工作方法比较, 具有不可比拟的优越性。
3.1 提前了检验报告单的发放时间
门诊采血室计算机工作站应用计算机网络后, 可以通过HIS系统共享检验科室的数据信息, 直接为患者查询、打印及发放检验报告单;减少了检验科室打印报告单及医务人员不停地往返传送报告单的中间环节, 节约了人力成本, 大大缩短了患者领取报告单所需的时间。本调查显示, 观察组显著提前了报告单的发放时间, 从而使患者能及时获得检验结果, 及时就诊治疗。
3.2 降低检验报告单的漏发率
对照组的传统方法为只发放检验报告单, 不打印, 中间环节多, 易导致报告单漏发;同一患者再次检查同一项目的结果与以前结果的比对也难以进行。观察组应用计算机网络系统, 能够很好地避免上述问题的发生。计算机网络可根据样本的基本信息, 如患者的基本信息 (姓名、性别、年龄) 、检测项目及检验日期等任意组合进行查询、查看患者的检验结果[2], 浏览样本的所有信息, 并打印;通过读码仪器直接读取或人工录入收费发票所包含的患者基本信息、患病类别及检测项目等信息进行查询、打印;若患者未带收费发票或收费发票已丢失或无收费发票, 可根据其所述的患者姓名、检验日期等信息进行查询、打印等。避免了患者采血后无报告单、报告单遗失及无法追溯等情况发生, 有效地降低了报告单的漏发率;同时, 血液标本与报告单分离, 可有效避免交叉感染[2]。
3.3 有效地提高了患者满意度
患者满意度可较客观地表达患者不同时期、不同地区对所接受的护理服务的满意程度, 反映护理质量水平, 因而成为衡量现代医院质量管理工作的金标准[3]。门诊采血室应用计算机网络, 直接为患者查询、打印及发放检验报告单, 为患者提供了及时、准确、快捷的医疗护理服务, 避免患者奔波于采血室与检验科之间, 减少了等候时间, 有效地提高了患者的满意度, 取得了良好的社会效益。
3.4 管理策略
门诊采血室信息化管理的应用, 简化了工作流程, 提高了工作效率, 对护士提出了更高的要求。采血室护士不仅要具备娴熟的静脉穿刺技术, 还要掌握计算机基础知识, 熟悉Office办公软件操作及计算机、打印机简单故障排除方法等;同时加强与检验、临床科室的联系, 及时发现不足, 不断改进工作。
摘要：目的探讨计算机网络应用于门诊检验报告单的管理方法。方法分析比较计算机网络应用前30888例门诊采血室患者 (对照组) 和应用后41986例门诊采血室患者 (观察组) 检验报告单的发放时间、漏发率及患者满意度。结果观察组检验报告单的发放时间早, 漏发率少, 患者满意度高, 与对照组比较差异有统计学意义 (P<0.01) 。结论计算机网络应用于门诊检验报告单的管理, 提高了工作效率, 能更好地满足门诊患者快捷、准确的服务需求;采血室护士应掌握计算机基本管理, 加强与检验、临床科室的沟通。
关键词：计算机网络,门诊检验报告单,护理管理
参考文献
[1]卢显良, 黄迪明.四川省职称计算机应用能力考试培训教材[M].成都:电子科技大学出版社, 2000:184-206, 264-312.
[2]张炳峰, 王忠民, 马建锋, 等.医院实验室信息管理系统应用浅谈[J].实用医技杂志, 2006, 5 (11) :1976-1977.
[3]Urden LD.Patient satisfaction measurement:Current issue and implica-tions[J].Outcomes Menagement, 2002, 6 (3) :125-131.
网络平台用于社会管理 篇2
网络分层用于最短路问题的算法研究
提出了一种基于Dijkstra方法的网络分层算法,实现了两点间节点数最少条件下最短通路的求取,并与传统Dijkstra算法进行了比较,得到了一些有益的结论.
作 者：付江缺 高井祥 段春燕 孙正明 FU Jiang-que GAO Jing-xiang DUAN Chun-yan SUN Zheng-ming 作者单位：付江缺,高井祥,孙正明,FU Jiang-que,GAO Jing-xiang,SUN Zheng-ming(中国矿业大学环境与测绘学院,江苏徐州,221008)段春燕,DUAN Chun-yan(中国矿业大学理学院,江苏徐州,221008)
刊 名：测绘科学 ISTIC PKU英文刊名：SCIENCE OF SURVEYING AND MAPPING 年，卷(期)：2009 34(3) 分类号：P282 关键词：邻接矩阵 最短网络层 Dijkstra算法网络平台用于社会管理 篇3
随着网络技术的迅猛发展, 档案工作受到一定冲击, 正逐步利用网络技术完善自身管理, 推进其现代化步伐。目前, 如何利用网络技术提高现代档案信息化管理是其创新的关键。
1 网络技术在现代档案信息化管理中的作用
1.1 实现数字档案信息资源的全面共享
技术条件与经济条件对档案信息安全的制约性, 给档案部门建设整合信息资源带来一定的阻碍。传统数据库数据之间的连通性较差, 信息使用受地区与部门限制, 不易实现数据交换, 致使档案部门在整合信息资源时无法获取满足条件的数据, 极大浪费了资源。
网络技术的出现给现代档案信息化管理带来新的希望。网络的出发点是实现资源的全面共享, 能有效消除“信息孤岛”现象, 实现信息资源的跨网、跨地区使用。网络的共享性特性可以通过网络对档案信息实行现代化管理, 集成各地、各部门信息, 建立统一的访问接口, 在适当协议的基础上满足用户的服务请求。将网络技术应用于档案信息管理之中, 对提高现代档案信息资源的利用率与档案管理部门的工作效率以及国家综合信息的构建都有重大影响。
网络技术还能实现跨设备共享, 利于档案信息的传递与保存;网络技术还能利用虚拟技术对信息资源进行虚拟存储, 充分节省了空间。
1.2 为数字档案信息资源构造提供统一的管理平台
数据库种类繁多, 信息交叉、异构现象严重, 存储工具、软件与系统之间的不兼容性给档案信息的管理带来诸多问题。网络技术为档案信息管理提供了一个统一的平台, 在这个平台上, 网络技术对信息的处理是分布式、智能化和协作化, 用户登陆访问接口能够快速搜寻到分布在广域网环境中的数据, 并对信息进行抽象描述, 为用户提供精准的信息资源。只需一个统一的接口或协议标准就能利用网络技术将档案信息组成逻辑整体, 实现档案资源的统一管理与使用。
1.3 实现数字档案信息资源的海量数据处理
随着网络技术的发展, 对档案信息的现代化管理越来越受到人们的重视。在传统档案管理中, 人们为了处理复杂的档案数据而需要大量采购计算机等设备, 客观上加重了成本。而网络能够通过指令控制不同地区的计算机, 将数据处理任务分布到各个计算机上, 再将各台计算机的结果进行汇总。这样, 档案信息的海量处理就完成了。网络技术的出现节约了生产成本, 提高了计算结果的精确度, 促进了现代档案信息管理的发展。
此外, 用户还可以从不同数据库中搜寻所需要数据, 利用网络进行“一站式检索”, 从而得出新的表达, 并将检索结果进行整合, 反馈给客户。
网络自由能够对计算资源进行智能化整理加工, 简化数据处理流程, 优化信息检索, 缩短信息处理全程所需的时间, 实现海量数据处理的低成本化。
1.4 网络为档案用户提供知识服务
由于技术的缺陷, Wed充斥着大量信息, 但真假难辨。我国现代档案信息管理陷入知识贫瘠的困境之中。为解决这一问题, Wed做了一些努力, 例如推出智能搜索引擎, 然而这只能“治标”。网络的出现能从根源上弥补信息不足, 能让用户充分发挥主观能动性以创造知识。网络能根据原始数据, 对信息进行加工、综合、提炼, 形成用户所需的新知识。这种知识生产模式适应了知识管理系统管理知识的要求, 为用户提供更好的服务。
1.5 网络为档案信息资源的安全提供保障
目前Internet为信息资源的安全提供访问控制服务与通信安全服务。访问控制服务, 能够严格限制用户访问, 杜绝信息资源的非授权使用;通信安全服务用于保障数据的完整与保密性, 以免信息资源遭到恶意窃取、泄露。但是这两个方面并不能彻底消灭网络环境中的各种安全隐患。网络的使用要借助于Internet, 用户向网络环境提交任务也要通过Internet的连接才能实现, 而不同网络节点的安全是很难控制的, 因为所有的主体都是虚拟组织。因此网络安全问题比Internet更复杂。
除了加强上面提到的两个方面的安全系数, 也要加强对基础设施的基本安全防范。例如设置访问权限与防火墙, 查杀病毒, 阻止黑客攻击, 以便维护计算机的稳定性, 保障信息安全。
2 网格技术在现代档案信息化管理中的评价分析
网络技术是发展经济、提高生产率的内在要求, 也是现代档案信息资源管理的必然要求。随着经济的发展, 现代档案信息化管理越来越离不开网络技术。网络技术打破了档案管理的时空限制, 使档案信息实现全面共享, 同时提高了信息处理速度, 确保档案信息管理的安全性, 使档案信息管理实现质的飞跃。
现代档案资源管理作为一种重要的社会资源应当面向社会, 改变传统模式, 改进服务机制, 将网络技术应用到现代档案管理的具体实践之中, 以此构建新型档案管理模式, 使我国档案管理更加规范。从整体来看, 网络技术可以提高信息处理能力, 节约大量人力、物力及财力, 使档案管理工作不断走向成熟。
随着技术的发展, 档案网络化管理模式将取代传统档案管理模式。这种新型的档案信息管理模式将凭借网络技术, 逐步得到普及。档案网络化管理模式对设备性能与信息的安全性要求较高, 鉴于我国缺乏档案管理方面的人才, 目前网络技术在档案信息化管理中的作用有限。因此, 要实现档案网络化管理, 就必须加大人才培养力度并引进优秀人才。
3 加强网络技术在现代档案信息化答理中应用策略
要提高网络技术在现代档案管理中的应用效率要多措并举:
3.1 促进档案管理信息系统网络化的发展
以局域网为基础, 建立办公自动化网络体系, 构建档案网络化管理模式;在行业间构建跨区域的大型网络, 促进档案部联网的实现, 构建综合性信息网使各种信息资源实现共存、共生。
3.2 加强信息资源的共享
随着信息技术的发展, 人类对信息的需求不断增长, 面对茫茫的信息海洋, 凭借一个单独的部门或者组织很难独立完成对这些复杂的信息进行分类、整合等处理工作, 因此, 必须构建一个完整的档案管理系统, 促进信息共享。必须加强信息一体化管理, 使信息资源充分发挥作用。
3.3 选择适用的档案管理系统
实现档案信息网络化的前提是拥有自己适用的档案管理系统。经过对档案资源的开发, 可以提高信息资源的利用率。用户通过网络就能实现对信息的远程查询, 满足对数据的要求。
3.4 完善档案信息的安全保障体系
网络技术的发展使档案管理与信息利用向高效、快捷转变, 但随着而来的除了技术成果还有网络的安全问题。因此我们必须制定相关的档案保密协议, 使档案信息系统建设能够安全有序进行;努力学习信息保密的相关技术, 加强保密工作, 保障档案信息的安全。
4 结语
网络技术的出现是一场深刻的技术革命, 它给世界带来前所未有的改变。从档案管理方面来看, 网络技术的出现, 有效解决了传统Internet的技术难题, 提高了信息处理的效率及安全性, 为现代档案信息资源管理系统的建立打下坚实的技术基础。网络技术在档案管理中的应用, 使得这种新兴的技术促进了社会生产的发展。同时网络技术还未成熟, 在实际应用中仍有许多问题亟待解决, 这要求我们深化技术创新, 使网络技术日臻完善, 更好为人类服务。
摘要：网络技术在现代档案信息化管理中具有重要作用:实现数字档案信息资源的全面共享, 为数字档案信息资源构造提供统一的管理平台, 网络为档案用户提供知识服务, 网络为档案信息资源的安全提供保障等。加强网络技术在现代档案信息化答理中应用需做到:促进档案管理信息系统网络化的发展, 加强信息资源共享, 选择适用的档案管理系统, 完善档案信息的安全保障体系。
关键词：网络技术,档案,信息化管理,价值评析
参考文献
[1]张金凤.高校教学档案信息化管理研究[D].广西民族大学, 2010.
网络平台用于社会管理 篇4
一种用于模式识别的新型神经网络模型
双向联想记忆(BAM)网络和BP网络是两种重要的神经网络模型,研究结果表明将BAM网络的输入用40%的噪声污染,这种网络仍然可以实现正确联想.另一方面BAM网络有一个严重的`缺点就是它无法实现数据压缩,而BP网络却恰恰能够很好地实现数据压缩,但它的容错性不好.本文同时从识别率和节省存储空间两方面出发,提出了一种BAM-BP神经网络模型.该模型具有容错性好、识别率高、简单等优点.
作 者：田凯 郑丽颖 王科俊 作者单位：哈尔滨工程大学,自动化学院,黑龙江,哈尔滨,150001 刊 名：哈尔滨工程大学学报 ISTIC EI PKU英文刊名：JOURNAL OF HARBIN ENGINEERING UNIVERSITY 年，卷(期)：2002 23(6) 分类号：O235 关键词：双联想记忆(BAM) BP神经网络 模式识别 误差反传(BP)学习算法 BAM-BP神经网络
数据智能传输技术用于通信网络 篇5
1 传统通信网络的不足
传统的通信网络是由传输、交换和终端三大部分组成。传输是传送信息的媒体, 交换是各种终端交换信息的中介体, 终端是指用户使用的话机、手机、传真机和计算机等。从过去通信行业的发展情况看, 传统通信网络虽满足了人们基本的信号传输要求, 但在传递过程中还面临着诸多问题。具体表现:一是效率问题, 短距离传输效率保持平稳状态, 而远距离传输则存在时间推移、信号不稳等情况;二是安全问题, 数据传输易受到外界环境的干扰, 造成数据传输流程受阻或信号中断等问题。这些都不利于通信网络的正常运行, 影响了用户日常传输信号的质量。
2 数据智能传输技术的应用
现代电信网是由专业机构以通信设备 (硬件) 和相关工作程序 (软件) 有机建立的通信系统, 为个人、企事业单位和社会提供各类通信服务的总和。针对旧传输网络存在的种种缺陷, 现代通信行业开始创建智能化传输模式, 如图1, 综合提升数据传输的工作效率, 以保障用户信息地准确传输。数据智能传输技术的应用表现:
2.1 智能收集
对用户在发送端口输入的信息, 智能传输模块可以自动收集, 筛选出符合用户信息表达的内容, 使最终信号传递的准确性更高。如:企业用户选择智能传输, 通信网络可详细地收集业务信息、客户信息、财务信息等内容, 保证后期传输的针对性操作。
2.2 智能处理
为了降低通信网络的传输荷载, 计算机可以对所收集信息实施细化处理, 选择出最有利用价值的数据进行传输, 从而提高了信息资源的利用率。智能处理的关键是信息调配, 按照用户的应用层次传递命令, 如图2, 促进了通信网络运行效率的提升。
2.3 智能监测
正式启用通信网络时, 常会因外界因素干扰而造成信息被窃取等问题, 信息外泄给用户造成了严重的损失。采用智能传输技术方案, 配备了智能监测技术作为支撑, 设置于通信网络可检查、监测数据的流通情况, 及时解决潜在的风险隐患。
2.4 智能存储
新型通信系统具备了“边传输、边存储”的功能, 信息在线传输流程中有选择性地存储信息。如:重要商业数据实现智能存储操作, 有效防范了数据信号的丢失, 且建立自动化数据库以备信息调用, 最大限度地保障了数据安全。
3 结论
总之, 信息时代背景下涌现了新型的因特网, 因特网由多个计算机网络, 传输、交换和终端等几部分组成。对通信网络实施智能化改造, 综合提升了网络通信的应用功能, 为企业或个人用户搭建了高效率的传输平台。
摘要：传统的通信网络是由传输、交换和终端三大部分组成。传输是传送信息的媒体, 交换是各种终端交换信息的中介体, 终端是指用户使用的话机、手机、传真机和计算机等。针对旧传输网络存在的种种缺陷, 现代通信行业开始创建智能化传输模式, 综合提升数据传输的工作效率, 以保障用户信息地准确传输。数据智能传输技术的应用表现智能收集、处理、监测和存储, 文章对此进行研究。
关键词：数据智能传输,技术,通信网络
参考文献
[1]王中杰.基于PTR2000的无线数据传输系统设计[J].电力学报, 2006.
[2]张雅茹.基于单片机的红外遥控MP3设计[J].淮海工学院学报 (自然科学版) , 2011.
[3]胡立坤, 李光平, 彭宇宁, 崔勇尚.一种基于PT2262/2272的多路电源通断控制装置设计[J].电测与仪表, 2009.
[4]陈淼, 贾存良, 胡双俊.一种新型楼宇对讲机分机的设计[J].现代电子技术, 2007.
[5]任燕舞, 黄彩霞.共阴极LED点阵模块行列驱动的研究与实现[J].福建电脑, 2011.
[6]任红文, 周庆国, 许哲, 石爱民, 丛岩.基于单片机的自动调谐系统[J].微计算机信息, 2010.
[7]冯莉萍, 覃文龙.一种用于光纤监控电视系统的实时日历时钟字符添加器[J].光通信技术, 1991.
网络平台用于社会管理 篇6
近年来,电力系统短期负荷预测手段中的人工预测方式逐步被软件预测方式所代替。负荷预测软件已成为能量管理系统(EMS)的一个重要组成部分。计算机的普及使大量短期负荷预测方法和预测模型的采用成为可能,为提高预测精度创造了条件。短期负荷预测的核心问题是如何利用现有的历史数据(历史负荷数据和气象数据等),采用适当的数学预测模型对未来时刻或时段内的负荷值和电量值进行估计。因此,有效地进行短期负荷预测要具备2个方面的条件,一是历史数据信息的可靠性,二是正确的预测方法和相应的软件。由于电力系统管理信息系统的逐步建立,以及气象部门气象预测水平的提高,对各种历史数据的获取已不再困难,因此短期负荷预测的核心问题是预测模型的水平高低。
BP人工神经网络是最常用的建立负荷预测模型的工具之一,其在实际应用中主要面临2个方面的问题:一是网络的学习速度问题,二是网络的结构设计问题。BP神经网络学习算法大致上可以分成3类:第一类是各种改进的梯度下降算法和牛顿型下降算法,第二类是各种分层优化算法,第三类是遗传算法和演化算法。其中,分层优化算法(或OLL法)是最重要的一类算法,它采取的优化策略是对各层的连接权相互独立地逐层进行优化,研究表明其最显著的特点是收敛速度快。在本文中对建立电力负荷BP神经网络预测模型(网络结构)进行了讨论。
2 前向人工神经网络模型
前向人工神经网络模型是最常用的一种人工神经网络模型,它的主要用途是用来逼近非线性映射,因此可以用它建立一般的非线性预测模型。在本文中只考虑三层前向网络,输出层为线性层,隐层为非线性层。
三层前向神经网络的结构如图1所示,其中输人层神经元把输入网络的数据不进行任何处理直接作为该神经先的输出。
设输入层神经元的输出为(X1,X2,...,XL),隐层神经元的输入为(S1,S2,...,SH),隐层神经元的输出为(Z1,Z2,...,ZH),输出层神经元的输出为(Y1,Y2,…,YM),则网络的输入-输出为:
式中,wij为输入层-隐层的连接权值;wj0为隐层神经元的阈值;vkj为隐层-输出层的连接权值;vk0为输出层神经元的阈值;σ为非线性函数。
网络的输人-输出映射也可简写为:
它是Rn到Rm的映射。BP神经网络的学习问题即是由样本数据确定参数wij和vkj,结构设计问题则为确定输入层神经元的个数、隐层神经元的个数和神经元之间的连接。选择线性输出三层前向神经网络作为非线性映射通用逼近网络主要是基于如下定理。
定理:设6:R→R为有界连续函数,f(x)为定义在Rn中某紧集K上的连续函数,则对任意ε>0,存在一正整数N,cj,θi∈R及矢量wj∈Rn,使得:
对于一切定义在K上的x都成立。
3 神经网络结构的选择
人工神经网络作为一个由多个非线性元件大规模互连构成的动力系统,其系统的行为由2个方面的因素决定:其一为拓扑结构,包括网络节点个数和相互连接方式;其二是节点间的连接权值。因此,在使用人工神经网络进行短期负荷预测时,首先要确定网络的拓扑结构。神经网络由输入层、隐含层和输出层3层决定,其中输入层和输出层都是单层,而隐含层可以是多层结构。合理的网络结构应该很好地反映电力系统负荷运行的内在规律,设定适当的网络规模获得较高的训练效率,取得较高的预测精度。在利用神经网络进行短期负荷预测中,神经网络的性能很大程度上取决于网络的结构,然而在没有系统的理论指导下确定最合理的网络结构,一般采用试凑法决定网络的结构,而这种方法计算量大、效率低。因此,合理选择网络结构是很值得研究的课题。
3.1 输出曾的选择
利用人工神经网络对电力系统负荷进行预测,实际上是利用人工神经网络可以任意精度逼近任一非线性函数的特性及通过学习历史数据建模的优点,根据负荷的历史数据,选定前馈神经网络的输入和输出,因此,用人工神经网络进行负荷预测,首要的问题是确定神经网络的输出和输入节点。输出层一般为一层,按神经元个数可以分为单输出和多输出。采用单输出的结构,也就是对预测日的24点负荷需要建立24个神经网络分别预测,这种输出模型的优点在于神经网络的规模相对比较小,因此预测速度比较快,而且不容易出现过度训练的现象。多输出模型是指输出层神经元个数等于预测日需要预测的小时点数,一般为24、48或者96。该模型得到比较多的研究应用,其优点在于可以一次地得到预测日的负荷数据,预测模型的通用性比较好。但是该模型也有2个缺点:一是网络规模太大,对应于该模型的网络权值、阀值等参数可能需要上千个,训练时间比较长;二是负荷预测中数据样本的选择很重要,然而相对于以天为单位的输出,历史样本的选择比较困难,在同一年里,数据有限,而对于绝大多数地方而言,历史负荷有逐年增长的趋势,势必影响预测的精度。
3.2 输入层的选择
在短期负荷预测时,人工神经网络就是通过训练样本来反映输入和输出的映射关系,从而对负荷进行预测。因此,在确定了输出层后,需要确定对应的输入层。输入层的输入变为负荷的影响因素,通常有历史负荷分量、日期类型分量、天气因素(如温度、风力、能见度、湿度等)。输入层的多变量输入体现了人工神经网络的优点。天气因素对短期负荷影响很大,在以往的预测方法中很难简单、有效地考虑天气因素。神经网络多输入多输出的结构,以及其自学习和自适应功能是常规算法和专家系统技术所不具备的。然而,在实际应用中也会带来一定的困难,如这些天气数据的获得,输入数据的处理及天气预告本身的误差对预测带来的影响等。总的说来,结合当地的负荷特性的特点,深入研究负荷变化内在规律,选择合理的输入输出映射关系是确定输入层及输出层神经元个数的基础,也是短期负荷预测的关键问题之一。
3.3 隐含层的选择
人工神经网络隐含层个数可以为多层,Kolmogorov定理证明在合理的结构和适当的权值条件下,三层前向网络可以满意再现任意连续函数。因此,在使用人工神经网络进行短期负荷预测时,绝大多数的研究都是基于单个隐含层的。对于三层前向网络来说,输入、输出的节点数主要由基于特定地区的负荷特性的深入分析得到,进而选取合理的输人输出映射关系决定,其连接方式是固定的,因此对神经网络结构的分析主要是针对隐含层的个数。BP神经网络的隐含层神经元个数就是样本中线性无关的基底向量个数,神经网络的训练算法就是对样本的组织,挑选基的过程,如果隐含层节点个数太少就不能很好地匹配数据,节点个数太多又会造成过度训练,收敛速度变慢,影响网络的外延功能。
3.4 预测流程图
结合神经网络进行短期负荷预测的预测流程图见图2。
3.5 算例结果和分析
以广西某地区2007年6月11日负荷为预测对象进行预测。编码长度为4,个体数为12,进化的迭代次数为200,对于不同的隐含层神经元个数的神经网络的预测误差结果是不一样的。不同的隐含层神经元个数对应的预测误差是不同的,而且可能相差很大,本文中依据经验的范围得到的误差范围在2.83%～10.14%之间,当隐含层神经元个数为40时,平均相对误差最小为2.83,因此,一方面说明隐含层神经元个数对预测精度的影响很大,另一方面说明结合算法寻找最优网络结构的预测方法的有效性。
摘要：目前,在电力系统短期负荷预测的手段中,已由人工预测方式逐步被软件预测方式所代替。BP人工神经网络是最常用的建立负荷预测模型的工具之一,文章对建立电力负荷BP神经网络预测模型(网络结构)进行了讨论。
网络平台用于社会管理 篇7
有效的数据预测在金融投资领域占有重要地位, 而以股票涨落为代表的金融数据影响因素非常复杂, 其变化有着很强的无序性, 从而增加了预测的难度。目前, 已出现众多分析股市的手段以及预测方法。其中, 逐步形成理论的有K线法、波浪法、道琼斯法等。但这些都仅作为分析方法, 作为缺乏经济理论和证券知识的普通用户, 并不能直接从中预测股市的动态。除此之外, 有利用现代统计学的手段, 试图建立模型来预测股市。然而, 影响股市的因素多且复杂, 许多因素本身尚具模糊性、混乱性, 所以上述种种努力所取得的效果甚微。在股市发展过程中, 的确有某种规律性的东西, 或者称为模式。这些规律性的东西常常蕴涵于看似杂乱无章的大量历史数据中, 因此, 要想获得有效的预测, 关键在于发现规律。从数学的角度看, 就是建立某种映射关系 (函数) , 并进行函数的拟合, 神经网络是解决这一问题的最佳工具之一。人工神经网络已被广泛应用于包括经济领域在内的预测问题中, 并已取得了不错的效果。
股市往往具有如下特点:① 含有大量原始数据;② 影响因素众多, 因素之间关系复杂且有某种并行性;③ 很多因素具有一定的模糊性;④ 股市的发展有某种规律性。基于这些特点, 采用模糊神经网络方法进行股价的预测较为合理。然而, 传统的模糊神经网络也具有一定的局限性, 研究人员必须预先划分输入空间, 确定模糊规则基, 在此基础上, 再利用神经网络的学习功能和自适应能力对系统参数进行优化。这往往导致所建立的神经网络不一定具有应用所需的最佳网络结构, 使得研究者不得不经过反复试验, 才能最终确定。本文使用的广义动态模糊神经网络 (GD-FNN) 不同于传统神经网络, 它的网络结构不是预先设定的, 而是动态变化的, 即在学习开始前, 没有一条模糊规则, 其模糊规则在学习过程中逐渐增长而形成。这样就克服了上述缺点, 为应用带来了很多方便。
1 GD-FNN结构
GD-FNN共分为四层, 分别为输入层、隶属度函数层、T-范数层和输出层, 如图1所示。
第一层为输入层, 节点的个数为输入变量的个数, 设共有r个输入变量, 并且每个输入变量xi (i=1, 2, …, r) 有u个隶属函数Aij (j=1, 2, …, u) , 共有r×u个节点位于第二层, 每个输入变量xi与其自身的u个隶属函数相连, 隶属函数为高斯函数, 形式为:
其中, μij是xi的第j个隶属函数, cij和σij分别为xi的第j个高斯隶属函数的中心和宽度。第三层用于计算每个规则触发权的T-范数算子用乘法, 第三层的j个规则Rj (j=1, 2, …, u) 的输出用下式计算:
第四层为输出层, 用如下的表达式:
其中, y是输出变量的值, ωj为第j个规则的连接权。
2 GD-FNN学习算法
广义动态模糊神经网络的结构是在学习过程中逐渐生成、调整的, 通过对模糊规则的调整从而调整网络结构, 因此算法要完成网络结构调整和参数确定、调整两个功能。对于网络结构的调整分为模糊规则的产生和剔除, 对于参数的学习分为两个方面:前提参数估计和结果参数确定。
2.1 模糊规则的产生和剔除
2.1.1 模糊规则的产生
模糊规则的产生考虑两个因素:系统误差和模糊规则的ε-完备性。
GD-FNN输出误差是确定是否需要增加一条新的模糊规则的一个重要因素。误差规则可以表示如下:
对每个观测数据 (Xk, tk) , k=1, 2, …, n;其中, n是全部训练数据的数量, Xk是第k个输入样本向量, tk是第k个期望的输出, 用式 (2) 和式 (3) 计算当前结构下的GD-FNN输出yk。定义系统误差为:
如果‖ek‖>ke, 则应考虑增加一条新的模糊规则。这里, ke是根据GD-FNN期望的精度预定义的一个阈值, 它在学习过程中按以下准则逐渐变化:
其中, emin是GD-FNN期望的输出精度, emax是选择的最大误差, k是学习的次数, β∈ (0, 1) 称为收敛常数, 可以推导出:
模糊规则的ε-完备性是确定是否需要增加一条新的模糊规则的另一个重要因素。ε-完备性定义如下:
定义1 模糊规则的ε-完备性 对某个变化范围内的输入, 如果至少存在一条模糊规则, 使得匹配度 (即触发权) 的值不小于ε, 我们就说这样的模糊规则具有ε-完备性。
在模糊系统中ε的最小值通常选择为εmin=0.5。
从模糊规则观点来看, 一条模糊规则是在输入-输出空间中的一个局部表达。如果一个新的样本满足ε-完备性, 那么GD-FNN不会产生一个新的规则, 而会通过更新现有规则的参数来包容样本。
根据ε-完备性, 当一个观测数据 (Xk, tk) , k=1, 2, …, n进入系统, 可以计算观测数据Xk 和现有的高斯单元的中心Cj (j=1, 2, …, u) 之间的马氏距离mdk (j) , 找到:
如果:
其中kd是一个预先设定并与ε相关联的阈值, 则表明现有的系统不满足ε-完备性而应该考虑产生一条新规则。这里kd在学习过程中按下式变化:
其中, k是学习的次数, γ∈ (0, 1) 称为衰减常数, 由式 (9) 推算出:
2.1.2 模糊规则的剔除
定义误差减少率矩阵Δ= (ρ1, ρ2, …, ρu) ∈R (r+1) ×u, △的第j列是对应的第j个规则的 (r+1) 个误差减少率。定义:
则ηj代表了第j个规则的重要性。如果ηj<kerr, j=1, 2, …, u;其中, kerr是预先定义的值, 则第j个规则被删除。
2.2 参数的确定和调整
参数的确定和调整, 包括高斯函数宽度和中心的确定, 高斯函数宽度的调整和权值的调整。
2.2.1 高斯函数宽度和中心的确定
假设u个模糊规则已经产生, 当得到一个新的采样样本Xk (k=1, 2, …, n) 时, 按照规则产生准则, 需要产生一条新的模糊规则。这时, 把多维输入变量Xk投影到相应的一维隶属函数空间, 同时计算数据x
其中, Φi∈{ximin, ci1, ci2, …, ciu, ximax}, 同时找到:
如果edi (jn) ≤kmf, 其中, kmf是一个预先定义的常数, 该常数控制相邻隶属函数的相似性, 那么, 就说x
其中, ci-1和ci+1是与第i个隶属函数邻近的两个隶属函数的中心。而高斯函数的中心确定如下:
2.2.2 高斯宽度修正
对于一个新样本Xk, 可以找到以马氏距离“最靠近”该样本的第j个规则。如果条件‖ek‖>ke和mdk, min≤kd都成立, 把向量Xk分解为相应的一维输入变量, 则输入变量xi (i=1, 2, …, r) 的最近的隶属函数的宽度σij (j=1, 2, …, u) 可以修正如下:σ
其中, r是输入变量的总数。
2.2.3 权值确定
设r个输入变量的n次观测样本产生u个模糊规则, 将网络的输出写成矩阵形式为:Wϕ=Y, 其中W∈Ru (r+1) , ο∈Ru (r+1) ×n和Y∈Rn。假设期望的输出为T= (t1, t2, …, tn) ∈Rn, 确定最优参数W*的问题可以用公式表示为最小化
整个算法的流程图如图2所示。
3 样本选择
用定量模型对股票市场进行预测, 首先就是要对股票市场进行定量化描述。就GD-FNN而言, 需将股市的历史数据处理成一系列可供神经网络学习的例子样本, 组成一个学习样本集, 每个学习样本为因果关系的偶对: (预测依据|预测对象) 。
本文以上证指数第七天的收盘价作为预测对象。预测依据表示在预测对象的结果发生前系统的描述, 就股市技术分析而言, 某时刻t前的系统状态为价格和成交量的时间序列数据, 显然这里的数据量是相当庞大的, 且股票价格变化在短期内具有很大的随机性, 而瞬时的变化对未来趋势预测意义很小。人们在长期的实践中已总结出数百种描述系统状态的技术指标, 如MA、MACD、WMS%、KDJ、RSI、BIAS、PSY、AR、OBV、ADR等, 另外, 还有一些特征提取的数学方法, 如卡尔曼滤波、小波变换等。具体应用时可针对不同的预测对象, 选取若干种和该预测对象相关度大的技术指标, 来组成描述系统状态的预测依据向量。
本文选用移动平均线 (MA (6) ) 、乖离率 (BIAS (6) ) 、随机强弱指标 (RSI (6) ) 和心理线 (PSY (6) ) 作为输入变量, 用第7天的收盘价作为目标输出, 对网络进行训练。
MA是利用若干天或若干周收市价的均值为参数绘制的曲线。由于它利用了移动平均理论, 剔除了股价的偶然变动, 因而可以作为投资者判断行情走向的依据。MA的计算公式为:
BIAS用来描述股价与移动平均线距离的远近程度, 计算公式为:
式中, Cn为当日收盘价, MA为n日移动平均值, BIAS可正可负, 也可为零。
RSI是反映行情变化动量的指标, 即市场向某一个方向变化时, 其内部所包含的能量, 可用以反映股价变动的强弱状况。计算公式为:
其中, n为天数, Un表示n日中股价上升幅度之和, Dn表示n日中下跌幅度之和。
PSY指标是在时间的角度上计算N日内的多空总力量, 来描述股市目前处于强势或弱势, 是否处于超买或超卖状态。它主要是通过计算N日内股价或指数上涨天数的多少来衡量投资者的心理承受能力, 反映股市未来发展趋势及股价是否存在过度的涨跌行为。计算公式为:
4 上证指数预测实验
本文用上证指数2008-07-12到2008-12-14共100个样本数据, 其中, 前70个作为训练样本, 后30个作为测试样本。计算出MA (6) 、BIAS (6) 、RSI (6) 和PSY (6) 作为输入数据, 用第7天的收盘价作为输出数据。为保持数据取值范围的一致性, 这里用MA (6) /100代替MA (6) 作为输入。实验结果如图3和图4所示。
图中圆圈为期望输出, 星号为实际输出。从结果来看, 预测值与实际值完全吻合, 取得了非常好的效果。
5 结 语
将GD-FNN用于上证指数的预测取得了较为理想的效果, 但股票市场复杂多变, 影响因素众多。尽管GD-FNN具有良好的自学习能力, 但依然存在一些不稳定的因素, 如何设计出更为稳定的网络, 依然需要做进一步的研究, 另外, 如果能将影响股市的因素经模糊化后作为模糊神经网络的输入, 也许会收到更好的效果, 也有待研究。
摘要：提出一种用广义动态模糊神经网络预测股票价格的方法, 网络结构可随模糊规则在学习过程中逐渐增长而自动调节, 以达到预测最优化。通过选用实用的技术参数指标作为网络的输入变量对上证指数的收盘价进行预测, 取得了较为理想的效果。
关键词：广义动态模糊神经网络,上证指数,预测,技术指标
参考文献
[1]伍世虔, 徐军.动态模糊神经网络—设计与应用[M].北京:清华大学出版社, 2008.
[2]张学仁, 宋全启.股票理论与投资分析[M].西安:西北大学出版社, 1998.
[3]陈兴, 孟卫东, 严太华.基于T-S模型的模糊神经网络在股市预测中的应用[J].系统工程理论与实践, 2001 (2) :66-72.
网络平台用于社会管理 篇8
网络流量是衡量网络运行负荷和状态的重要参数,目前,针对网络流量的建模和预测在网络管理设备的设计上应用较多,例如,将流量预测应用在数据分流以及负载均衡中可以提高网络管理设备的性能。另外,面对日益严重的网络安全问题,网络流量预测提供了另一种网络安全的解决思路[1],例如,可以从网络流量上对用户的网络行为进行建模和预测,从而及时或提早发现网络蠕虫、SYN攻击等异常行为。
径向基RBF(Radial Basis Function)神经网络是由J. Moody和C Darken于1989年提出的一种新颖的神经网络[2]。相比BP网络,RBF网络结构简洁,学习速度也较快,被广泛应用于函数逼近、模式识别、时间序列分析与预测等领域。但采用经典的K-means聚类训练RBF网络模型时,对于网络流量数据容易出现过拟合现象,导致预测精度降低。本文提出了自适应量子粒子优化算法AQPSO(Adaptive Quantum-Behaved Particle Swarm Optimization),并用AQPSO算法优化RBF神经网络的径向基中心和宽度,与最小二乘法LMS(Least Mean Square)结合计算出网络权值,建立了基于AQPSO算法优化的RBF网络预测模型。利用实际的网络流量数据对该模型进行验证,实验结果表明所获得的模型对网络流量的预测可以达到令人满意的精确度,并且稳定性与可靠性也比较高。
1RBF网络的结构和工作原理
从网络结构上看,RBF网络是一种三层前馈神经网络,它是由输入层,隐层和输出层组成。设x=[x1, x2, … ,xn]T为网络输入向量,ci为第i神经元的径向基中心,‖x-ci‖为欧氏范数,δi 为第i个神经元径向基函数的宽度,径向基函数采用高斯核函数,即φi=g(x)=exp(-1/2*x2) ,由此可得隐层节点i的输出为g(‖x-ci‖/δi), wi为隐层到输出层的连接权值,则输出层节点输出为y[9,10]。
给定了训练样本,RBF网络的学习算法应该解决以下问题[9]:结构设计,即如何确定网络隐层节点个数m;确定各径向基函数的数据中心ci及径向基函数的宽度δi;隐层到输出层的连接权值wi。由式(1)可见,如果知道了RBF网络的隐层节点数m、数据中心ci和宽度δi,RBF网络从输入到输出就成了一个线性方程组,此时连接权值的学习可采用最小二乘法求解。因此,只要确定了m、ci和δi,RBF网络模型也建立好了。而对RBF网络的隐层节点个数,本文采用了SOM网络的聚类算法来确定[7]。
2AQPSO算法
2.1QPSO算法的介绍
由于在量子空间中,粒子的位置和速度不能同时确定,因此文献[3]通过波函数(波函数的平方是粒子在空间中某一点出现的概率密度)来描述粒子的状态,并通过求解薛定谔方程得到粒子在空间某一点出现的概率密度函数,随后通过蒙特卡罗随机模拟的方式得到量子空间中粒子的位置方程,如式(2)至式(5)所示:
p = a * pbest(i) + (1-a) * gbest (2)
b = 1.0 - iter/maxiter * 0.5 (4)
pos = p ± b * |mbest-pos| * ln(1/u) (5)
其中,p为pbest与gbest之间的随机位置,mbest是所有粒子个体最佳位置pbest的平均值,N为粒子的个数,b为收缩扩张系数,在QPSO算法收敛的过程中线性减小,iter为当前迭代次数,maxiter为设定的最大迭代次数,pos是粒子的当前位置,a,u都为0至1之间的随机数,当u 大于等于0.5时,式(5)取 - 号,否则取 + 号。
2.2AQPSO算法基本原理
在QPSO算法中,当pbest和gbest很接近时意味着粒子的参数p很小,于是粒子的搜索范围也变得很小,这样,粒子群的进化就会停滞;如果这个时候粒子群的当前最佳位置处于一个局部最优解,那么整个粒子群就会趋于早熟收敛[4]。
而该算法中,只有一个收缩扩张系数b,对这个参数的选择和控制是非常重要的[4],它关系到整个算法的收敛性能。文献[4]已经证明了当参数b < 1.7时,粒子收敛,靠近粒子群的当前最佳位置;当 b > 1.8时,粒子发散,远离粒子群的当前最佳位置。从式(4)可以看出收缩扩张系数b在粒子进化过程随着进化代数的增加而线性减小,这种固定的变化并不能自适应避免早熟趋势。因此,本文对其作如下改进:
根据式(6)和式(7):
f = gvalue2/pvalue(i) (6)
(7)
两式中,gvalue2为上一代群体获得最佳位置gbest时的适应度,pvalue(i)为第i个粒子当前的适应度,f为两者的比值,f越小,说明粒子越远离粒子群的当前最佳位置,f越大,说明粒子越靠近粒子群的当前最佳位置;本文以f值是否小于0.5为分界,如果f小于0.5,说明粒子远离群体最佳位置gbest,收缩扩张系数b应该小于1.7,使它收敛,因此将b值设为2*f,使它不超过1;否则的话,说明粒子靠近群体的当前最佳位置gbest,因此将b值设为1+f,增加其大于1.8的概率,使它尽量发散,扩大搜索范围。
2.3基于AQPSO算法优化的RBF网络
用AQPSO算法训练RBF神经网络时,首先要用向量形式表示RBF网络的学习过程中需要调整的2个训练参数:①径向基函数的数据中心c。②径向基函数的扩展常数,即宽度δ。
假设采用SOM聚类算法得到RBF网络有m个隐层节点,粒子群的规模,即粒子的个数为N,则对粒子参数编码格式如图1所示,粒子群编码格式如图2所示。粒子参数维数D = 2m ,每个粒子用一个2m维的向量来表示对应的m个径向基函数的数据中心和宽度,则粒子在N*D 维的解空间POP中搜索群体的最佳位置,粒子群体的最佳位置对应RBF网络中的最优的数据中心值和宽度[5]。
计算粒子群体的最佳位置需要比较粒子的适应度,本文以每个粒子对应的网络参数在训练集上产生的均方差MSE作为粒子的适应度的目标函数。MSE越小,则适应度越大,网络对数据的拟合程度就越高。粒子的适应度fitness可由下面的公式计算:
其中,yi 为第i个粒子的实际输出值,ti 第i个粒子的期望输出值。一旦粒子搜索完成,找到的粒子群中适应度最小者,即拥有最佳位置gbest,则对应的隐层节点的最优的数据中心和宽度也就确定了。对于RBF网络隐层到输出层的网络连接权值向量w= [w1,w2,…,wm]T则可以使用最小二乘法(LMS)直接计算得到。这样,AQPSO-RBF网络模型就建立好了。
AQPSO-RBF网络模型实现的具体步骤如下:
① 初始化粒子群体POP、粒子的最佳位置pbest、粒子群最佳位置gbest、粒子的适应度pvalue、当前粒子群的最佳适应度gvalue1、上一代粒子群的最佳适应度gvalue2和预设精度goal;
② 根据当前粒子i的位置(得到网络的中心和宽度),结合最小二乘法(得到网络的连接权值)计算出粒子i对所有训练样本的适应度;并比较粒子i的适应度pvalue(i)和整个粒子群体的适应度gvalue1,若pvalue(i)<gvalue1,则更新粒子i最佳位置pbest(i);
③ 判断所有粒子是否完成搜索,是则转④,否则返回②;
④ 比较当前群体的最佳适应度gvalue1和上一代群体的最佳适应度gvalue2,若gvalue1<gvalue2,则更新粒子群最优位置gbest和粒子群的最佳适应度;
⑤ 判断粒子群中最佳的适应度即最小MSE,是否小于预设精度goal,是则转⑧,否则转⑥;
⑥ 判断粒子群否到达最大迭代次数,是则转⑧,否则返回⑦;
⑦ 根据式(2)至式(7)更新每个粒子的位置,生成新的粒子群,返回②;
⑧ RBF网络训练完成,输出粒子群最佳位置gbest,其中,gbest(1:m)对应RBF网络最优的m个数据中心,gbest(m+1:2*m) 对应RBF网络最优的m个扩展常数(宽度),同样用LMS计算出网络连接权值,建立基于AQPSO算法的RBF网络预测模型;
⑨ 输入测试样本,应用建立好的RBF网络模型进行网络流量测试。
3实验与分析
3.1实验方法与结果
本文选用流量文库:http://newsfeed.ntcu.net/～news/2006/,主节点路由器NEWS自2006年1月20日至7月19日共180日每天的网络访问流量的时间序列作为RBF网络学习和和预测检验样本,并做归一化处理。
RBF网络采用3-3-1结构,即含有3个输入层节点,3个隐层节点,1个输出节点的网络结构。采用滚动预测方式对样本空间进行重构,输入层节点的输入为连续3日的实际网络流量,输出为第4日的网络流量。这样,将数据集划分成177个样本,前167个样本作为学习和训练样本,后10个样本作为预测检验样本。
采用本文建立的基于AQPSO算法的RBF网络模型进行预测, 同时为了比较,对基于K-means聚类算法的RBF网络模型也进行了预测实验。实验中目标误差设为0.0001,各运行10次,取其预测性能的平均值,以检测算法以及所得到的模型的稳定性。其中,基于AQPSO算法的RBF网络模型中粒子进化的迭代次数设为100。预测实验完成之后,两种不同算法所得到的RBF网络模型对网络流量数据预测的性能评价如表1所示。其中,MSE为均方误差,SSE为误差平方和,MAE为绝对误差,MRE为相对误差。实验1采用基于K-means聚类算法的RBF网络进行预测,其预测检验曲线图如图3所示,实验2采用基于AQPSO算法的RBF网络模型进行预测,其预测检验曲线图如图4所示,图中实线表示网络流量的实际值,虚线表示RBF网络输出的预测值。
3.2结果分析
从表1的实验结果可以看出,基于本文提出AQPSO算法优化的RBF网络模型在网络流量数据预测中各项性能指标均较佳。其中,均方误差MSE和误差平方和SSE越小,表明该预测模型对网络流量数据的拟合度越高;平均绝对误差MAE和平均相对误差MRE越低,表明该网络模型预测的效果越佳。最大相对误差可表示应用该预测方法的“危险程度”。从表1的实验结果来看,基于AQPSO算法优化的RBF网络模型的最大相对误差值较小,表明该预测模型较为稳定可靠。由于K-means聚类时数据中心的初始值的随机选取对结果影响非常大,容易造成不同的聚类结果,因而在预测过程中稳定性也较差,容易出现过拟合现象,使得最大相对误差值较大。从预测检验曲线图3和图4的效果直观来看,两种网络模型的预测曲线均能反映指数的走势,但基于AQPSO优化的RBF网络的预测结果更为准确。
4结论
本文在QPSO算法的基础上,提出了AQPSO算法用于优化RBF神经网络,得到最优化的网络参数。利用网络流量数据进行预测的实验结果表明,与经典的基于K-means聚类算法训练的RBF网络模型相比较,基于AQPSO算法优化的RBF网络模型具有更好的收敛性和稳定性,获得了更高的预测精度。
参考文献
[1]郑成兴.网络流量预测方法和实际预测分析[J].计算机工程与应用,2006,23:129-130.
[2]高隽.人工神经网络原理及仿真实例[M].机械工业出版社,2003.
[3]Jun Sun,Bin Feng,WenboXu.Particle Swarm Optimization with parti-cles having quantum behavior[C].Congress on Evolutionary Computa-tion,2004.
[4]Jun Sun,Wenbo Xu,Jing Liu.Parameter Selection of Quantum-Behaved Particle Swarm Optimization[C].ICNC2005,LNCS3612,2005:543-552.
[5]张顶学,关治洪,刘新芝.基于PSO的RBF神经网络学习算法及其应用[J].计算机工程与应用,2006,20:13-15.
[6]张友民,李庆国,戴冠中.一种RBF网络结构优化方法[J].控制与决策,1996:11(6):667-671
[7]余健,郭平.自组织映射(SOM)聚类算法的研究[J].现代计算机,2007,3:7-8.
[8]山艳,须文波,孙俊.量子粒子群优化算法在训练支持向量机中的应用[J].计算机应用,2006,26(11):2645-2646.
[9]张雪松,郭平.基于组合神经网络的软件可靠性预测研究[J].北京师范大学学报:自然科学版,2005,41(6):599-602.
粒子群神经网络用于电磁兼容预测 篇9
目前, 国内外对EMC理论进行了深入研究, 建立了各种分析预测模型, 如:源模型[1]、敏感期模型、耦合模型以及系统间/内分析模型[2]等, 并提出了许多求解模型的数值方法, 如矩量法、有限元法[3]和时域有限差分法等。但是, 目前EMC预测面临3个缺陷[4]:① 至今尚未提出一种适用于普遍EMC预测的数学模型;② 大多数预测模型只是在理想条件下的一种近似;③ 复杂系统的预测模型求解十分复杂。因此, 求解得到的结果存在较大的误差。考虑到神经网络 (NN) 是一门新兴的学科, 它不涉及到原有问题的复杂模型[5], 而实现输入输出数据对的映射[6]。因此, 本文尝试采用BP神经网络 (BPNN) 来预测EMC问题。考虑到BP容易收敛到局部最优点, 采用粒子群算法来实现权值的优化。
1EMC预测模型
假设PT表示干扰源输出的干扰功率, LP表示干扰信号的传输损耗, PI表示干扰源在敏感设备上产生的有效干扰功率, 则EMC的数学模型可以表示为:
PI=PT-LP 。 (1)
可将干扰源PT与传输损耗LP作为NN的输入, 将干扰结果PI作为网络的输出, 利用已知的实际测量结果作为训练样本, 从而实现“干扰环境”到“干扰响应”的映射。
由于导线既是高效的电磁干扰接收天线, 又是高效的电磁干扰辐射天线, 因此它是妨碍EMC的主要原因, 吸引了大量学者的研究。为了验证本文算法, 以经典的“双平行导线串扰”问题为例, 图1所示。
图1中, 导线A与B的距离为d, 半径分别为rA、rB, 长度分别为LA、LB, 距离金属平板的高度分别为hA、hB, 两端的接地电阻分别为ZA1、ZA2、ZB1、ZB2。导线A作为干扰源, 干扰电压为VS, 预测导线B上的最大干扰电压。为了简化起见, 取LA=LB=L, rA=rB=r, hA=hB=h, ZA1=ZA2=ZB1=ZB2=50 Ω。此时输入变量降为一个6维向量。
用多样本传输线方法计算获得共地平行导线间电磁耦合干扰的原始数据36组, 具体数据见文献[4]。
2粒子群神经网络
由于问题属于“函数逼近”问题, 因此可采用简单的双层BP网络求解[7]。记网络的输入神经元个数为m=6, 隐层神经元个数为n, 输出层神经元个数为q=1。网络结构可如图2所示。
2.1采用粒子群优化的原因
BP是专为NN设计的一个快速调整网络参数的算法, 基于梯度进行搜索。由于在非线性问题上梯度搜索策略存在重大缺陷, 所以人们进行了很多改进, 但是BP用于优化的效果其实并不理想。 因此, 很多研究者提出采用进化算法来解决FNN网络的参数优化问题。
PSO是一类性能更加优异的全局优化算法, 效率高、结构简单、代码短。因此, 本文采用PSO作为网络权值搜索的主体算法, 并加以改进。
2.2粒子群
PSO将每个可行解视作一个粒子, 每个粒子有2个属性, 位置x与速度v。每次迭代过程中, 计算每个粒子的适应度函数, 然后将粒子群不断跟踪2个最好的粒子:一个是当前粒子经历的最好位置, 称为“pBest”;另一个是当前粒子邻域内最好的粒子, 称为“nBest”;如果邻域为整个粒子群, 那么nBest变为全局最好的粒子, 称为“gBest”。
某粒子的速度与位置按照下式更新:
v=ω·v+c1r1 (pBest-x) +c2r2 (nBest-x) , (2)
x=x+vΔt。 (3)
式中, ω为惯性权重 (inertia weight) , 控制过去速度对现在速度的影响;c1与c2为正常数, 表示加速度系数;r1与r2为2个在[0, 1]上均匀分布的随机数;Δt为时间间隔。必须注意的是, 粒子速度存在一个上限vmax, 以保证粒子的搜索不会太快。
2.3粒子群神经网络
将PSO整合到BP神经网络中去, 就可以得到粒子群神经网络 (PSO-BP) 。算法流程如下:
① 初始化;
② 搭建神经网络, 权值随机生成;
③ 将网络的误差设为优化函数, 网络的权值作为变量, 利用PSO算法进行优化;
④ 利用优化的网络进行预测。
3实验
实验采用Matlab2009a, 在主频为3 GHz内存2G的IBM P4机上运行。
3.1数据预处理
由于原始数据不同维数之间的取值范围相差较大, 例如L取值范围较大, r取值范围较小, 因此规定预先将其统一映射到区间[-1, 1]中, 然后送入神经网络训练。输出的结果再实施一个反变换, 映射到原来的区间。
神经网络隐层数目设为20, 粒子群算法中令c1=c2=1, 并设置粒子数目为50, 最大迭代次数为100, 终止条件设为网络误差小于10-4。
3.2网络权值收敛
采用PSO优化后, 网络权值的收敛如图3所示。可见, 网络在370代收敛到10-4, 精度令人满意。
3.3回归分析
将36个数据重新送入网络, 计算网络输出, 然后对实际输出值与期望输出值进行回归分析, 其结果如图4所示。
理想情况下, 网络的输出值应等于期望输出值, 此时回归线是一条“y=x”的直线。从图4可见, 本文预测模型的回归线与y=x几乎重合, 这也说明了神经网络拟合非常好。
4结束语
提出一种基于粒子群算法的改进BP神经网络, 并将之应用与EMC预测。以共地平行线间电磁耦合干扰为具体算例, 证实了本模型的预测能力。未来进一步的研究方向在于, 如何将其推广到更广泛的EMC模型中去。
参考文献
[1]SMIRNOV A P, KOROLEV D N.The Special Features of Certifying Open Test Sitesfor Tests on Technical Equipment for Electromagnetic Compatibility[J].Measurement Techniques, 2006, 49 (12) :706-710.
[2]GERASIMOVAI, GORKUNOVVS, SKRIPKAG M.Provision of Electromagnetic Compatibility During Creation of Electrophysical Facilities[J].Instruments and Experimental Techniques, 2005, 16 (11) :539-548.
[3]DUCHAMP G, CASTAGNET D, MERESSE A.Near-field EMC Study to Improve Electronic Component Reliability[J].Microelectronics Reliability, 2007, 47 (9) :1668-1672.
[4]李永明, 祝言菊, 李旭, 等.电磁兼容的人工神经网络预测技术分析[J].重庆大学学报, 2008, 31 (11) :1313-1322.
[5]ZHANG Y D, WUL N.Pattern Recognition Method via PCNN and Tsallis Entropy[J].Sensors, 2008, 8 (11) :7518-7529.
[6]ZHANG Y D, WU L N.Improved Image Filter based on SPCNN[J].Science in China E edition:Information Science, 2008, 51 (12) :2115-2125.
【网络平台用于社会管理】推荐阅读：
路由交换平台网络管理06-12
云平台网络安全管理07-22
智能化网络管理平台07-10
充分利用网络平台 走进学习型社会05-13
网络运营平台07-26
网络研修平台09-01
信息网络平台05-28
物流网络平台05-31
网络平台开发08-30
社交网络平台09-13