神经元网络（精选12篇）
神经元网络 篇1
1、人工神经元模型
人们试图用物理器件或计算机模拟人脑, 以便用机器代替人脑的部分劳动。迄今为止, 人们已提出几百种人工神经元模型。
最典型的人工神经元模型。人工神经元可看成是生物神经元的结构与功能的模拟与近似。这种神经元模型的输入输出关系 (数学表达式) 为:
其中θj称为阈值, wji称为连接权系数, f (·) 称为输出变换函数。
一般说来, 不同的应用场合采用不同的变换函数。图3.3表示了在自动化领域常用的几种变换函数。
(1) 线性函数 (比例函数)
(2) 符号函数 (硬限幅函数)
(3) Sigmoid函数 (S型函数)
曲线的曲率可以通过改变μ值的大小来调整。
2、人工神经网络
人工神经网络用许多人工神经元按某种结构连接构成的, 是人脑神经网络的某种简化、抽象和模拟。
影响人工神经网络的特性与能力的几个主要因素是:人工神经元模型及其变换函数、网络的拓扑结构、学习方法等。
人工神经网络的典型结构主要有:前馈型网络 (例如BP网络) 、反馈型网络 (例如Hopfield网络) 、互连网络。
3、人工神经网络的学习方法
3.1 人工神经网络连接权的确定方法
主要有如下二种:直接计算;通过学习。学习方法是人工神经网络研究中的核心问题, 学习方法归根结底就是网络连接权的调整方法。
3.2 几种基本的规则
(1) Hebb学习规则;根据生理学中条件反射机理, 如果两个神经元同时兴奋 (即同时被激活) , 则它们之间的突触连接被加强。
连接权调整量的表达式为:
其中:wji为神经元i到神经元j的连接权;yj和yi分别为神经元j和神经元i的输出 (激活值) ;η为学习速率。
(2) δ学习规则;δ学习规则利用已知样本对神经元之间的连接权和阈值进行学习和调整, 这种方法又称为误差校正规则。这种学习规则实质上是一种梯度方法, 这里的样本相当于“教师”, 所以这是一个有监督的学习问题。
连接权的调整量为:
其中:wji为神经元i到神经元j的连接权;
yi为神经元i的输出, 即神经元j的输入;
Yj-yj为误差, 即网络期望输出Yj与实际输出yj之差;F (·) 所表示的函数关系应根据具体情况而定。
3.3 人工神经网络的主要研究课题
网络的基本特性、结构以及快速学习算法等;网络的工程应用;网络的硬件实现。
3.4 人工神经网络在控制工程中的应用
(1) 基于神经网络的系统辩识, 实质上是选择一个适当的网络模型来逼近实际系统, 可用于非线性系统的辨识。
(2) 系统控制, 主要针对系统的非线性与不确定性。
第一、具有不确定性和时变性 (包括环境) 的非线性系统的自适应控制问题, 可单独应用人工神经元网络。例如:单神经元自学习控制器。
第二、融合多种智能技术的智能控制系统, 可将神经网络与专家控制、模糊控制相结合。例如, 模糊神经网络控制。
第三、基于常规控制算法的神经网络控制, 可将神经网络与常规控制算法相结合。例如, 神经网络预测控制。
(3) 控制系统的故障诊断与容错控制。
4、优化计算
神经元控制系统是一种能在其运行过程中逐步获得被控对象及其环境的未知信息, 积累经验, 并在一定的评价标准下进行估计、分类、决策, 从而使系统品质逐步改善的自动控制系统。通过本文的讲解学习控制通过对被控对象及其环境的未知信息来估计和逐步改善而导致系统品质的逐步改善。
参考文献
[1]孙增圻等编著.智能控制理论与技术.清华大学出版社, 1997年.
[2]蔡自兴, 徐光佑.人工智能及其应用.清华大学出版社, 2000年.
[3]邵军力等编著.人工智能基础.电子工业出版社, 2000年.
[4]王永骥, 涂健编著.神经元网络控制.机械工业出版社, 1998年.
神经元网络 篇2
时间如白马过隙，很快八周的人工神经网络学习即将结束，仿佛昨天才刚刚开始学习这门课程，在这段时间的学习中，我有起初对神经网络的不了解到现在的熟悉和掌握，这其中的变化，是我知识提高的过程。我在这个过程中有一些自己的体会和感想。
我是一名学习控制科学和工程的研究生，起初对于神经网络的认识很肤浅，由于我相应知识的欠缺，想要理解神经网络的结构会很不容易。在开始的几节课中，老师给我们讲了神经网络的发展史、结构和原理，当时感觉有压力、紧张。因为我感觉和生物的神经学差不多，一开始接触觉得它不是一门智能控制学，而是一门生物学，所以只能慢慢学习和理解，最终完成课程的学习。虽然相比于其他学过的课程，我对这门学科的了解稍微逊色点，但我还不是一个害怕困难的人，越是困难我越是会迎头前进的，不会倒下，去努力掌握这些知识。
接下来的几周，是老师的授课过程，说实话老师讲的论文我听的不太懂，讲的软件的应用也是一知半解……有种痛苦的感觉，好像什么也没学到，问了其他同学，他们也有同样的感觉，哦，原来都一样啊，没事，那就继续坚持吧……
过了这个彷徨期，该是呐喊的时候了，该写期末作业了，开始做题的时候还挺紧张，害怕题很难做，找了很多资料，照葫芦画瓢，硬着头皮写，写完了之后有一点小小的成就感，我终于给做出来了，可当时我们还是不知道如RBF网络和BP网络怎么应用，只是有那么点熟悉，有那么点感觉。最重要的时刻到了，在课堂中老师提的问题，我显得是那么生疏，满脸的惆怅，对问题不知所措，迷茫与疲惫缠绕着我的身心。每次上课之前我都要花上一段时间去预习课程内容，但是每次看的都是一脸迷茫，一知半解。老师所说的每一句话，我要想半天才会明白过来。这事我猜知道，基础是多么的重要，而且我知道学习知识最重要的是要学会应用和实践。不然就只能只上谈兵，但是一到应用我就不知从何下手。因此，我知道我还有很长的路要走。
其中的辛酸与乐趣大概也只有一块学习的学友们了解。在这近两个月中我们体会到了坚持的力量。遇到问题，不能退缩，只能前进。坚持就是胜利。问题只有在不断的思考和学习中才能解决。同时，也能是自己得到提高。
经过几周的的学习我对神经网络的理解能力明显有所提高。在神经网络中我们可以用跳跃性的思维去思考问题，这锻炼了我们的跨越式思维，提高了我们的能力，增强了我们的自信心，在人生道路上选择的关键时刻起了很大的作用，让我们明白了独立思考，开阔眼界，在科研方面所发挥的重要作用，使我们“学以致用，终生受益。
神经网络遗传算法极值寻优 篇3
【关键词】：遗传算法 神经网络
1. 引言
智能包括高层次的是生物智能（ BI），其次是人工智能（ AI ），处于低层次的是计算智能（ CI ） 。在计算智能中，计算的概念是传统计算概念的拓展，计算对象不局限于数和字符，运算符号也不再局限于加减乘除等运算，在这个范畴内的加减乘除也需赋予新的含义[6]。但一般来说，AI 偏重于逻辑推理，而CI 则偏重于数值计算。
现在，计算智能已取得一定的研究成果，其主要技术包括模糊技术、神经网络、进化计算等[ 5] 。这几项技术各自均有了数十年的历史，但当时这些方法并未受到足够的重视，一是当时这些方法还不很成熟，二是受当时计算机软硬件的限制。而这些方法一般需要较大的计算量，在实际应用中比较难实现[4]。随着计算机技术的发展和普及，它们在最近这些年得到了突飞猛进的发展，引起了诸多领域专家学者的关注，成为一个跨学科的研究热点。近年来，这些方法呈互相融合的趋势[ 3]，它们之间的互补可以弥补相互之间的不足，从而获得更好的解决实际问题的能力。如对模糊神经网络、模糊遗传算法、模糊分类器系统、用遗传算法优化模糊系统的隶属度函数及神经网络的进化设计方法等的研究都体现了这种融合的优点[ 1， 2] 。
2. 问题描述
对于非线性函数的极值问题，仅通过函数的输入输出数据难以准确寻找未知的非线性函数的极值。这类问题的求解可以通过神经网络结合遗传算法来得到，利用神经网络的非线性拟合能力和遗传算法的非线性寻优能力寻找函数极值。本文用神经网络遗传算法寻优如下非线性函数极值。
该函数的全局最小值为0，对应的坐标为（0 ，0）。虽然从函数方程和图形中很容易找出函数极值及极值对应坐标，但是在函数方程未知的情况下函数极值及极值对应坐标很难找到。
3. 模型建立
神经网络遗传算法函数极值寻优主要分为BP神经网络训练拟合和遗传算法极值寻优两步。
神经网络训练拟合根据寻优函数的特点构建合适的BP神经网络，然后用非线性函数的输入输出数据进行训练，训练后的BP神经网络就可以预测函数输出。遗传算法极值寻优把训练后的BP神经网络预测结果作为个体适应度，通过选择、交叉和变异操作寻找函数的全局最优值及对应的输入值。
对于本案例来说，根据非线性函数有2个输入参数、1个输出参数，确定BP神经网络结构为2-5-1。取函数的4000组输入输出数据，从中随机选取3900组数据训练网络，100组数据测试网络性能，网络训练好了后用于预测非线性函数输出。
遗传算法中个体采用实数编码，由于寻优函数只有2个输入参数，所以个体长度为2。个体适应度值为BP神经网络预测值，适应度值越小，个体越优。选择算子、交叉算子和变异算子同。
4. 编程实现
根据神经网络和遗传算法原理，神经网络遗传算法非线性函数寻优在MATLAB中编程实现。
（1）BP神经网络训练
用函数输入输出数据训练BP神经网络，使训练后的网络能够拟合非线性函数输出，保存训练好的网络用于计算个体适应度值。根据非线性函数方程随机得到该函数的4000组输入输出数据，存储于data中，其中input为函数输入数据，output为函数对应输出数据，从中随机抽取3900组训练数据训练网络，100组测试数据测试网络拟合性能。最后保存训练好的网络。
（2）适应度函数
把训练好的BP神经网络预测输出作为个体适应度值。
（3）结果分析
a. BP神经网络拟合结果分析
本案例中个体的适应度值为BP神经网络预测值，因此BP神经网络预测精度对于最优位置的寻找具有非常重要的意义。由于寻优非线性函数有2个输入参数、1个输出参数，所以构建的BP神经网络的结构为2-5-1。共取非线性函数4000组输入输出数据，从中随机选择3900组数据训练BP神经网络，100组数据作为测试数据测试BP神经网络拟合性能，BP神经网络预测输出和期望输出对比。
从BP神经网络预测结果可以看出，BP神经网络可以准确预测非线性函数输出，可以把网络预测输出近似看成函数实际输出。
b. 遗传算法寻优结果分析
BP神经网络训练结束后，可以用遗传算法寻找该非线性函数的最小值，遗传算法的迭代次数是100次，种群规模是20，交叉概率为0.4，变异概率为0.2，采用浮点数编码，个体长度为2，优化过程中最优个体适应度值变化曲线。
遗传算法得到的最优个体适应度值为0.0206，最优个体为[0.0003 -0.0090]，最优个体适应度值同非线性函数实际最小值0和最小值对应坐标（0， 0）非常接近，说明了该方法的有效性。
5. 总结
根据以上的讨论和研究，我们可以看到神经网络和遗传算法的结合很好的克服了相互的缺点，实验结果显示了遗传算法快速学习网络权重的能力，并且能够摆脱局部极小点的困扰。神经网络和遗传算法的结合，可以改善单纯使用遗传算法确定的参数组合比较粗糙以及单纯使用神经网络收敛性差、 易陷入局部极小等问题。
参考文献
[1] Bornholdt A.General Asymmetric Neural Networks and Structure Design by Genetic Algorithms. Neu-ral Networks， 1992， 5（2）： 327～334
[2] David J J， Frenzel J F. T rainning Product U nit Neural Networks with Genetic Algorithms. IEEE Ex-pert， 1993， 8（ 5） ： 26～33
[3] 王凤琴，高颖，赵军.基于遗传算法的神经网络优化[J]. 燕山大学学报. 2001，25（3）：234-238.
[4] 李敏强，徐博艺，寇纪淞. 遗传算法与神经网络的结合[J]. 系统工程理论与实践. 1999，19（2）： 66-70.
[5] 李伟超，宋大猛，陈斌. 基于遗传算法的人工神经网络[J]. 计算机工程与设计， 2006，27（2）：316-318.
[6] 焦纲领，王士星. 基于遗传算法的神经网络参数优化研究[J].数学的实践与认识.2012，42（11）：176-183.
神经元网络 篇4
IDS是指用不同种类的工具来镜像用户及系统事件从而检测出非法信息或者存在于用户网络中的不正常行为, 其执行使用AI技术实现。
在计算机网络中, 人工神经元网络由于其良好的知识表现力可以被用于检测非法的和恶意的攻击事件。他的快速处理机制代替了原有的顺序查找检测程序, 提高了效率, 节省了时间。
Hamming神经网络的最初使用动机是快速分类网络中的非法活动, 用法是把它看成对输入的模式和自己已经存在的或者人工输入的模式进行一种快速的模式识别, 这将大大的提升和改进测试的方法。Hamming神经网络的分类方法是基于事先定义好的一种类似的界限, 因而对于较小的攻击类型有较大的错误容忍度和很好的适应性。
2 IDS和SNORT
IDS是一种对网络中的非正常的、攻击性的活动进行检测以及通知管理员有关问题的重要工具。按照监视目标的不同IDS可以分成两类, 一类是基于主机的IDS使用日志文件监测系统;用来监测进入系统、改动关键文件、修改用户等级等问题。另一类是基于网络的IDS通过捕捉和分析数据包的头部和内容, 而后与已知的模式或者是事先存储了的正确的签名模式签名文件作对比。按照检测方式还有另一种分类方法, 一类是基于错误用法的检测, 这种检测是基于入侵事件的发生及预定义的自然入侵知识来进行判别的。另一类基于非正常行为, 这种检测基于未知的或者非正常的行为文件进行判断。
IDS的检测时基于网络的特征的, 这种特征有SNORT来收集。SNORT是一个在网络和信号方面开放代码的IDS, 它兼有规范和预处理来分析网络中的流量;SNORT按照入侵检测处理器应用规则过滤通过的每个数据包来发现攻击特征。使用SNORT用户可以自定义规则集合。现有的SNORT已经接近3000条规则, 但是不建议用所有的规则对网络的流量进行检测, 因为所用的规则越多, IDS的性能越差。
2.1一个规则SNORT的构造。一个SNORT规则分为两个部分即规则头部和规则选项, 见图1。
规则头部分包含被应用于规则选项部分的主机和端口标识符, 规则选项定义了查找匹配模式时被考虑的参数, 包括TCP头部或内容的信息 (即数据包中的一些标识符字段) , 所有的两个部分的状态的确定都应该导致错误信息和相关事件的立即的发送。规则头中的|表示发生匹配时的响应信息, 在这条规则中要检测的非正常信息是从172.16.0.0/16网络中的任意端口到网络172.16.0.0/16中的任意端口的信息。规则选项部分表示的是数据包的当前属性, 这样TCP数据包中的标识SYN和FIN就会被发现。这样, “SYN, FIN扫描”的信息将被一起显示出来。
SNORT当第一次规则匹配后执行一次事件, 然后则不进行其他规则的匹配。缺省情况下所有规则由其行为值按警告、通过和日志顺序执行, 但SNORT仍然完成后续的顺序给相同的头部组。
2.2内容选项。内容选项是其中最为重要的选项之一, 因为在SNORT中它提供了数据包的调查信息。这种检测的计算方式非常昂贵, 如果不用智能的方式在数据包中查找会非常耗时, 这是因为要寻找的数据包头部只有4BYTE而实际的数据报长度很长, 需要较长的时间进行扫描。图2表示了TCP/IP数据包的格式。这项工作感兴趣的地方是TCP负载中“CONTENT”字符串中的内容, 将其与SNORT中的规则作比较。“CONTENT”字串可以用文本和16进制两种形式表示, 文本字符串用 (“”) 挂起来, 16进制由“|”定义。
3 利用神经网络对数据的分类
神经网络由许多的非线性的可计算元素 (神经元细胞) 使用通过可以改善网络性能的连接权值进行大的分布式的平行操作。由于巨大的水平处理, 神经元细胞能够提供较高的处理效果。另一个重要的特征是由于有着非常多的神经元细胞连接, 所以有着很高的容错率。HAM-MING神经网络不需要多次的训练而且有着较为简单的学习模式, 不需要重复的训练整个的训练集合。此外, 当和其他种类的神经网络分类器进行比较时则需要较少的连接。需要注意的是, 在一项有关用HAM-MING神经网络进行IDS的论述中提到这种网络经常会提供相似的数据包中的特征, 这种特征允许获得可能的攻击企图或者新的攻击信息。
HAMMING神经网络。HAMMING神经网络与MAXNET网络合作寻找与给定的模式相匹配的分类。给定的模式是一个协议类型模式集合, 输入的数据关联到最为相似的分类。换句话说, 分类有着最小的HAMMING距离 (HAMMING距离这里指输入数据与要匹配的模式数据之间不匹配的最小比特数) 。如图3所示, 该网络输入模式的P中不同的分类。
HAMMING神经网络和MAXNET网络都需要输入和输出;HAM-MING神经网络的输出距离是输入向量和每一个存储模式之间的, HAMMING神经网络的输出是MAXNET网络的输入, 这种MAXNET网络的输入仅仅是简单的把不符合教师模式的HAMMING神经网络的输出变为零, 其他不变。
4 应用程序过程
应用程序的过程分为:HAMMING神经网络的执行、教师模式的处置、输入数据的处理和利用HAMMING神经网络对输入数据进行分类四个阶段。
首先, HAMMING神经网络和MAXNET网络按照算法进行初始化。第二步是通过阅读SNORT文件的所有条目生成范例文件, 把字符串数据转化为BIT形式的数据然后在内存中存储所有的二进制范例特征文件。在这个过程中发生了一个学习TCP/IP数据包的行为的事件。通过一个简单的SNORT模式以及TCPDUMP信息。确定TCP负载中的数据是最为重要的TCP/IP数据, 因为在这里可能发现攻击信息。负载文件事人工通过从特征文件和非法数据集合中获得的非法数据集合。在每个负载中, 从SNORT信号文件中扫描每一行生成二进制的特征库, 这个循环直到所有的行都被扫描完为止。第三步是读取TCP/IP数据包中的数据作为HAMMING神经网络的输入并且在作为输入数据之前首先转换为二进制的数据形式。
当数据进入HAMMING神经网络时, 网络中的权值由特征文件中的数据配置, HAMMING神经网络利用配置好的固定的权值提供输入数据与特征数据之间的比较。MAXNET网络接收HAMMING神经网络的输出, 并逐步的除去比最大值小的输出值直到最后只有一个最大的输出值为止。这样IDS完成了其功能。
神经网络经典论文 篇5
摘要：软件需求分析不仅仅是为了让开发者满足用户要求，而且还可以帮助用户了解软件的性能和功能，具有一举两得的效果，但是如果软件需求不符合实际需求，就会出现风险，导致返工。在BP神经网络的基础上，我们建立了软件需求分析风险评估模型，以减少软件开发的失败率，规避因软件需求分析失误而带来的实际存在的或潜在的风险。
关键词：风险；软件需求；BP神经网络；研究；分析
软件开发过程中，需求分析是一个关键性的阶段。导致它失败的原因有很多，例如开发者和用户之间的沟通障碍、软件本身的隐含性、需求信息的不对称等等。这些问题导致的返工，增加了开发的成本，也损坏了企业形象，更可能流失掉部分用户。因此，我们必须对软件需求分析进行风险评估管理，把负面影响降到最低。现代商业发展中，各企业和企业之间的竞争日趋激烈,掌握最新的技术，对技术进行创新，才是企业在行业内立足脚跟，获得更加长远发展的方法，因此要想牢牢地把握企业的运命就需要我们保持对技术创新的热情，并在这条道路上乐此不疲。21世纪，只有掌握了最新和最具有创造性的技术，才能赢的最后的胜利，本文把BP网络与软件需求分析风险评估模型相结合，具有十分重要的意义。
1BP神经网络
BP神经网络是开发者使用最多的神经网络之一，它具有算法简单、极强的鲁棒性、收敛速度极快等优点。最重要的一点是能够最大限度的接近其真实系统，非常适合于线性的、不确定的、模糊的软件风险数据。BP算法是一种用于前向多层神经网络的的反传学习算法。采用BP算法的数层感知器神经网络模型，它的基本思想是，学习过程由信号的正向传播和误差的反向传播两个过程组成。模糊理论采用模糊数学的方法，通过抽象思维，对处于多种因素作用下的事物做出总体评价。它的两大主要特征是：第一，结果清晰；第二，系统性强，这非常适合于各种非确定性问题的解决。
2软件需求分析风险评估模型
开发过程中，了解软件需求是很重要的。软件开发主要是依据需求的不同而设计出的产品。它包括了业务需求（组织和客户高层次的目标）、用户需求（用户要求必须具备的需求）、功能需求（用户可以通过完成任务满足业务需求的产品中必须体现的软件功能）。各种不同的需求都以不同的角度来呈现，需要进行多方位的分析方可得出准确的结论。软件需求分析就是对用户所需软件应具备的属性进行分析，满足用户的真正需求。在完成软件需求分析后，我们要能得出用户所需的软件系统要能够做到哪些功能，对此还要有详细准确的说明书，也就是用户的使用说明书，让他们更快的了解产品。优秀的需求具有以下特点：完整性、准确性、可行性、必要性、无歧义性和可行性。软件需求分析风险是指由于多方面的影响，如用户参与度、用户需求的拓展变化、多角度的考虑、设计的精准度和用户与开发者的充分沟通等等，而造成需求分析的不准确使得用户的软件需求得不到满足。该风险评估模型主要是为了降低软件需求分析中存在的风险，从而使得评估需求分析更具加有效和更易操作。
3一种基于BP神经网络的软件需求分析风险评估模型
本文把BP神经网络和模糊理论加入到软件需求分析风险评估模型中，利用BP神经网络的非线性映射属性和模糊理论的超强表达能力与被理解力，帮助提高风险评估的有效性和预测性。软件需求分析风险的评估模型包括风险识别、风险分析、风险评估三个模块。风险识别的主要目的是考察研究软件需求分析阶段具体的情况，识别并记录该阶段存在的或潜在的风险，输入来源是专家的经验分析和历史风险数据库。
一般步骤包括：
a:找出软件需求分析风险指标；
b:搜索历史数据库，列出存在的数据库中的历史案例；
c:通过专家分析，列出具有风险等级的列表；
d:将确定了的风险列表提交数据库并更新。风险分析是细化第一阶段的风险，分析其产生的影响和等级，找出各指标与风险级别之间的线性关系亦或非线性关系。本文引入BP神经网络和模糊理论，利用BP神经网络实现风险评估指标和风险级别之间的非线性映射关系，还利用模糊理论的超强表达能力和容易理解的属性，提高整个风险评估模型的学习能力和表达能力，得出更符合实际的评估报告。
主要的方法包括：
a:揭示原因和结果之间的联系，追根溯源；
b:建立模型进行认识和理解；
C:通过尝试各种组合找出导致失败的因素。风险评估需最后明确所有存在的风险和它们的等级，给予开发者一个详细的报告。本阶段只要利用BP神经网络的`输入层、输出层、隐含层数、隐含层节点数。输入层节点是经过模糊预处理的17个需求分析风险评估指标；输出层节点是需求分析风险等级；隐含层数越多性能越高误差越低；隐含节点越多，网络功能越强大，但是过多则会使网络功能减弱。
在BP神经网络基础上，建立的软件需求分析风险评估模型，它操作的流程大致是三个方向。首先，识别软件需求分析阶段存在的、潜在的风险；然后，利用BP神经网络和模糊理论的特有属性、众多优点进行分析，通过历史数据库，专家知识、专家讨论，列出风险表格；最后，对风险进行最后的评估，从而有效预测软件开发过程中所遇到的风险，并且进行规避。
4结束语
随着经济的高速发展，网络软件也成为人们工作生活中一个非常重要的工具。软件需求的增多带来了很多的问题，软件开发的过程充满了阻碍，软件需求的满意度也在日渐降低。因此，提高软件开发的速度、保证开发软件的质量，降低风险、减少开发成本、满足用户真正的需求等等，对软件需求分析风险进行评估，建立软件需求分析风险评估模型，是一件非常值得研究和实施的事情。本文研究的内容不仅仅达到了需求分析的目的，提出了新的思维方式和参考方向，而且还能更有效的预测软件需求分析风险，真正满足用户的软件需求。基金项目：吉林省教育厅“十二五”科学技术研究项目“基于AHP和群决策向量分析高校干部综合测评方法和系统实现”（吉教科合字第402号）；吉林省教育科学“十二五”规划课题“构建以学习者为主体的远程教育支持服务体系的研究”。
参考文献：
神经网络遗传算法的系统思维特性 篇6
遗传算法则是由美国Michigan大学的 J．Holland教授于1962年提出，20世纪80年代开始掀起一股遗传算法的研究热潮至今。遗传算法是一类随机化的搜索算法模型，它模拟了达尔文的遗传选择和自然淘汰的生物进化过程。按照达尔文的进化，论，生命历程包括繁殖、变异、竞争和选择等多种复杂过程。在繁殖过程中，个体的遗传物质将复制给后代。繁殖可以理解为一种信息的传递，信息传递过程中基因的复制可以发生错误，这就产生了变异。竞争是在有限资源空间中生物个体数量持续扩张产生的，而选择则是在物种充满整个可获得空间后相互竞争的必然结果。这些相互作用的随机运行构成了生命的进化过程。遗传算法就是受到生命进化原理的启示而形成的一种寻优方法。
神经网络与遗传算法都是一种智能计算技术，是用来求解优化问题的有效途径，可以广泛地应用于自动控制、模拟识别、图象处理、地震勘探、信号处理和社会经济等众多领域中需要进行寻优计算的场合。关于探讨神经网络哲学意义的文献较多，而本文则试图从现代科学思维方式的角度来共同反思神经网络与遗传算法所给予我们的重要启示。
从神经网络和遗传算法的兴起与原理可见，这两门边缘学科的产生与发展都是与科研人员的现代科学思维方式分不开的。具体来说，二者都是运用系统思维方式进行科学思维的成功范例。
现代系统思维揭示了“系统”作为事物普遍联系的一种具体形式。整个自然界就是一个由各种事物相互联系的活生生的有机整体。由于现代系统思维方式是对马克思主义辩证整体性思维方式的继承和发展；因此，马克思、恩格斯所揭示的辩证整体性思维方式仍然是科学的正确的思维方式。恩格斯指出，世界表现为一个有机联系的统一整体，自然科学本质上是“关于过程、关于这些事物的发生和发展以及关于把这些自然过程结合为一个伟大整体的联系的科学”(《马克思恩格斯选集》第4卷，第241页)。马克思和恩格斯把人类的理论思维方式推广到了辩证思维的高度，使之成为适应当代科学技术发展的最科学的最重要的思维方式，“因为只有它才能为自然界中所发生的发展过程，为自然界中的普遍联系，为从一个研究领域到另一个的过渡提供类比，并从而提供说明方法” (《马克思恩格斯选集》第3卷，第466页)。事实上，无论是神经网络还是遗传算法，它们都是将生物学原理应用于科学研究的仿生学理论成果；而且，神经网络与遗传算法这两门技术的本身在近来也出现了相互交融的趋势。这就集中体现了世间万物实际上是处于一个普遍联系的大系统之中，连科学寻优运算的方法也可以借助于世间生灵之灵气。其实，现代科学技术发展的主要特点就是精细的分科与多学科交叉联系的辩证统一，即在微观上深入分析和在宏观上广泛综合的辩证统一。我们强调系统的大科学思维方式，其意义上在于要求人们按照科学大系统的方式进行思维，改变传统狭隘的思维方式和价值观念。
神经传递通路的神经网络建模 篇7
在智能系统和智能产品的开发中,控制和结构一体化设计有多种思路,其中一种是采用神经网络和结构并行进化设计,并将设计模型直接接入实体造型和激光快速成型技术,直接生成具有一定自治能力的机器人。在自治机器人中,神经网络由人工神经元硬件实现,因此,神经网络连线应尽可能少以便于加工,同时连线少也有利于提高控制系统的可靠性。现有的神经网络模型主要是通过多目标优化和进化策略寻找最优构型[1,2,3,4,5,6],主要依靠增加连接来提高网络性能。有的学者认为生物学上如此复杂的连接是不现实的,自然进化不应该朝向如此庞大的连接[6]。其中有的文献基于神经元形态学(Neuron Morphologies)通过进化算法生成神经元形态和神经网络[5],侧重于神经元层的行为和操作过程,但用在工程中计算成本过高。
神经生物学提供了人工制品控制设计可以借鉴的原型。有两种途径建立神经系统模型。一种是直接建立仿生物模型。主要缺陷在于有机体神经发育中包含大量的化学反应,过程过于复杂,难以建摸。第二种途径是依据现有的神经元理论建模。神经元的作用机制模型已经有专门的研究,有成熟的成果可以借鉴。这样做的问题是现有的研究主要集中在神经元信息传递和处理机制,而非神经元网络的拓扑构型的生物学依据。
本文结合上述两种途径建模,采用简化的生物神经模型,提炼神经系统构型特征,建立神经元网络模型。
1 神经传递通路简化模型
神经系统模型非常复杂,必须提炼主要特征,才能建立有效计算模型,并应用在工程实际中。本节依据神经系统主要组成和神经传递通路特征建立神经传递通路简化模型。
1.1 神经系统组成
神经传递通路主要由感受器、神经纤维、神经元、效应器组成[7,8]。感受器是一种换能装置,将内外刺激的能量转变为神经的兴奋过程。效应器支配肌肉的活动。运动神经传递模式为感受器一初级传入神经元一二级传入神经元—三级传入神经元—中间神经元—一级传出神经元—二级传出神经元—骨骼肌。不同的通路对应不同的功能以及大脑皮质中不同的区域。以随意控制神经传递通路为例,主要回路有四个,各个回路功能不同,共同参与运动调控。大脑一小脑—丘脑—大脑联络皮质回路:投射系统对大脑皮质的运动区产生调节性影响;大脑皮质一基地核—丘脑—大脑皮质回路:主要功能为参与运动计划、启动和执行;大脑一运动前神经元一小脑—丘脑:将动作经验和当前情况核对,以矫正运动神经元的发放,使运动产生新的速度;大脑—丘脑回路:大脑皮质的下行纤维对丘脑有抑制作用。防止过激反应。
1.2 神经传递通路简化模型
依据随意控制神经传递通路特征,本文建立神经传递通路简化模型。模型由4个回路组成:(1)大脑—小脑—丘脑—大脑皮质回路;(2)大脑皮质—基地核—丘脑一大脑皮质回路;(3)大脑一运动前神经元一小脑—丘脑;(4)大脑一丘脑回路,分别简称为丘脑回路、基底核回路、小脑回路、大脑皮质回路。如图1所示。
2 神经网络建模
神经模型基本要素为基本单元和基本构型。基本单元包括神经元、感受器、效应器和神经中枢。基本构型采用上述简化模型,神经网络采用固定形态和连接模式,网络权植通过学习训练确定。
2.1 神经元分类
神经元包括胞体、轴突和树突三个组成部分。神经元分为5类:传入神经元,传出神经元,大脑皮质区中间神经元,基底核中间神经元,小脑中间神经元。其区别在于胞体的传递函数、输入函数、树突和轴突的形态、树突输入加权函数以及轴突输出不同。
2.2 网络结构
对图1简化模型建立神经网络,如图2所示。
网络含4个侧枝回路:丘脑回路、大脑皮质回路、基底核回路、小脑回路,分别控制感知和整合信息、调节姿态、运动启动和规划执行、核对和矫正运动等功能。灰色为抑制神经元,网络为动态网络。动态网络含有网络输入延迟或反馈环节,因此,网络的仿真输出与数据元素的顺序有关。图2a为原型网络,直接依据神经传递通路原型建模,包含14层,14个神经元,19条连线,4个回路。网络的主要优点是连线少,且整个网络为平面图,连线没有交叉,当采用神经元器件实现时便于加工布线。图2b为变形网络,共6层,14个神经元,53条连线。变形网络的优点是网络参数比原型网络简单。主要缺点是结构复杂,层间连线交叉,当采用神经元器件实现时布线和制造难度增加。
网络输入设定两种方式:(1)输入运动信息;(2)输入运动信息和控制幅度,以实现控制。
实现上述神经元网络,必须首先建立神经元数理模型。本文采用现有的神经元传递函数和加权函数[9]构造数理模型,并用基于matlab的函数实现[10]。
2.3 神经元数理模型
(1)神经元胞体
一级、二级传入神经元胞体数理模型:
中间神经元输入输出关系:Xi(s)=Hi(s)Xi(s)
传出神经元:yi(t)=f(xi)
(2)轴突
传入神经元、中间神经元以及非传出运动神经元为:
传出神经元为:a=n
(3)树突
分加权函数和输入函数两部分。
加权函数为欧氏距离加权函数:
输入函数为以加权方式将加权输入和阈值组合。matlab函数为N=netsum(Z1,Z2,∧,Zn)。
2.4 网络学习和训练
学习能力依靠突出结合权的变化实现。
(1)训练函数
训练分为两步。第一步采用弹性反向传播算法RPROP(resilient backpropagation algorithm)对网络进行训练;第二步采用BFGS准牛顿(quasi-Newton)反向传播算法对网络进行训练。作者计算表明:选用两种算法可以避免锯齿现象,加快收敛;对不同的系统特性,应需选取不同的训练函数。对有噪音的输入——输出系统,弹性反向传播算法有利;对PID姿态控制系统,选用单一贝叶思正则化训练函数即可。
弹性反向传播算法依据误差能量函数独立调整网络各层权重和偏差以控制步长,权值和阈值更新时只考虑梯度符号。牛顿反向传播算法是将目标函数在极小点附近用二次函数逼近,避免锯齿现象。贝叶斯正则化方法可自动调整网络规模,防止过度训练。
(2)学习函数
采用动量梯度下降权值和阈值学习函数,即权值和阈值的调整值由动量因子mc、前一次学习时的调整量dWprev、学习速率lr和梯度gW共同确定,方程为:
2.5 网络测试
用计算实例测试网络的逼近精度和泛化能力,并与其它网络比较。泛化能力(Generalization Ability)指用较少的样本进行训练,使网络能对未经训练的输入能给出合适的输出。
函数逼近能力见表1,泛化能力见表2。比较网络构型选择原则为连线数大于原型网络。观察表1和表2,对随机函数和非线性函数,在相同训练次数情况下,4回路网络与其它网络相比同时具有更好的函数逼近能力和泛化能力。由于原型网络连线数少且连线在同一平面内,因而更利于硬件实现。
2.6 网络特点
1)多个实例计算表明,本文提出的两种网络均可以满足一般输入输出映射关系。对同样的神经元数目,原型网络和变形网络比一般网络能适应更多类型的函数映射关系。2)原型网络和变形网络在算法上容易实现,适应性强。前者收敛速度慢,但是结构简单,易于布线,并利用基于激光的层加工技术实现神经元器件埋设;后者收敛速度快,但是连线多。故在线训练采用变形网络;神经元硬件实现采用原型网络。3)多个网络并联实现复杂控制。4回路神经网络模型的潜在应用是实现复杂的姿位控制,如自治卫星、机器人等,在此情况下,需要多个神经传递通路协作实现预定目标。4)网络与其它网络比较具有以下优点:(1)对任意函数逼近能力好;(2)在相同训练次数条件下泛化能力好。
3 结论
本文建立神经传递通路简化模型,建立相应的神经网络模型——4回路动态延迟神经网络模型。包括丘脑回路、大脑皮质回路、基底核回路和小脑回路。网络可采用两种形式表达:一种是直接模拟神经传递通路形态的原型网络,另一种为变形网络。原型网络包含14层,14个神经元,19条连线。主要优点是连线少,且整个网络为平面图,连线没有交叉,当采用神经元器件实现时便于加工布线。变形网络有6层,14个神经元,53条连线。优点是网络参数比原型网络简单。主要缺点是结构复杂,层间连线交叉,当采用神经元器件实现时布线和制造难度增加。两种网络均易于数学实现,并具有良好的函数逼近能力和泛化能力。
参考文献
[1]Garcya Pedrajasa N,Herva's Marty neza C,Mun~oz Pe'rezb J.Multi-ob- jective cooperative coovolution of artificial neural networks.Neural Net- works 15,2002:1259-1278.
[2]Christian Schittenkopf,Gustavo Deco,Wilfried Brauer.Two Strategies to Avoid Overfitting in Feedforword Networks.Neural Network,1997,10 (3):505-516.
[3]Alistair G Rust,et al.Towards Computational Neural Systems through Developmental Evolution.Wermter S,et al.(Eds.):Emergent Neural Computational Architectures,LNAI 2036,Springer-Verlag Berlin Hei- delberg,2001:188-202.
[4]Nariman-Zadeh N,Darvizeh A,Jamali A,et al A.Evolutionary.design of generalized polynomial neural networks for modelling and prediction of explosive forming process.Journal of Materials Processing Technology, 2005:1561-1571.
[5]Sung-Kwun Oh,Pedrycz W,Byoung-Jun Park.Relation-Based Neuro- fuzzy Networks with Evolutionary Data Granulation.Mathematical and Computer Modeillng,2004,40:891-921.
[6]Torts JJ,et al.Influence of topology on the performance of a neural network.Neurocomputing,2004:229-234.
[7]许绍芬．神经生物学．第二版．上海：上海医科大学出版社，1999．
[8]Palay S L．等．神经元形态与功能，神经生理学手册(3)．黄世楷，等译．上海：上海科学技术出版社，1985：1-195．
[9]史忠植．神经计算．北京：电子工业出版社，1993：27-31．
神经元网络 篇8
随着经济的增长, 对于股市的预测将变得越来越重要, 也成为经济理论研究中的一个重要课题。股票市场的变化有很多因素, 是一个复杂的非线性系统, 而人工神经网络能够从大量复杂的数据中找到数据间的内在联系, 具有良好的自我学习和抗干扰能力, 在股票预测领域中取得了显著的效果。本文应用一种更接近于生物神经系统的Spiking神经网络, 采用基于粒子群算法的学习模型, 构建了沪市上证综合指数的学习预测模型, 并用实际数据进行了分析实验。
二、Spiking神经网络及其学习模型
Spike神经元模型是更接近生物神经元的一个数学模型, 由Spike神经元构成的人工神经网络称为Spiking神经网络。在Spiking神经网络中, 一个Spike神经元在t时刻接收来自于父突触神经元的多个post-synaptic potential (PSP) 信号, 不断改变自己的膜电压。当它的膜电压超过阈值时, 产生一个spike, 并通过突触连接向外发送PSP信号。用于描述PSP信号的spike响应函数定义为:
其中, 是Heaviside步长函数, 如果>0, 则=1, 否则=0;是膜电压常量用于描述PSP信号开始衰减的时间。
每个spike神经元传送的PSP信号是类似的, 在这Spiking神经网络中真正用于传递信息的是spike时间。这个用于编码信息的spike时间tj定义为:
粒子群算法 (Particle swarm optimization, PSO) 是Kennedy和Eberhart于1995年提出的一种集群智能的算法。该算法的基本思想是:群中的粒子在可行解空间中飞行, 通过与自己和群中粒子的竞争, 找到问题的最优解。将粒子群算法应用于Spiking神经网络中即是找到最优的连接权值, 用于衡量粒子优劣性的适应度值可表示为:
其中为第j个输出神经元的理想spike时间, 为第j个输出神经元的实际spike时间, N为学习样本的个数。
我们给出基于粒子群算法的Spiking神经网络学习过程描述如下:
1. 初始化群中各粒子的位置和速度, 并计算各粒子的初始fitness值。
2. 查找群中全局最优的粒子, 根据最优粒子更新各粒子的飞行速度和新位置。
根据式 (2) 计算各粒子新位置下的fitness值:
While maximum iteration or minimum error is not attained;
其中求粒子fitness值的算法描述为:
For each learning sample j
在学习时间T内, 分别计算隐含层和输出层的积累发放过程, 获得各输出神经元的spike时间。
End for
以上求粒子适应度值的算法时间复杂度表示为:
故在该学习模型下神经网络学习的时间复杂度T (n) 为:, n是进化的次数, C是系数常量 (5)
三、上证综合指数的预测
沪市上证综合指数是上海证券交易所编制的, 以上海证券交易所挂牌上市的全部股票为计算范围, 以发行量为权数综合, 上证综指反映了上海证券交易市场的总体走势, 所以对上证综指的预测具有重要的意义。文中选取了2006年6月～2007年7月共286个工作日的沪市上证综合指数作为研究的原始数据, 利用滑动窗口技术, 通过前6天收盘时的上证指数来预测第7天收盘时的上证指数。
我们构建了具有6个输入神经元、4个隐含层神经元和1个输出节点的前向全连接Spiking神经网络, 并利用以上的Spiking神经网络学习模型进行测试。选取了原始数据中的前276个数据构成神经网络的训练集, 后10个数据用于测试。在实验前, 我们对原始数据进行归一化的处理转换为[0, 1]之间的值。把归一化后的前6天收盘时的上证指数分别作为6个输入神经元的spike时间加入到Spiking神经网络中进行学习和计算, 获得神经网络输出节点的spike时间, 该时间对应于第7天的收盘指数。按本文式 (3) 计算获得Spiking神经网络的学习误差, 通过粒子群算法不断调整神经网络的参数使误差最小化。获得了最优的Spiking神经网络后, 用测试集的数据对其性能进行了测试。经Spiking神经网络学习预测后的上证指数变化如图。
结果表明, 与传统BP算法相比, 基于粒子群算法的Spiking神经网络具有较快的运算速度和逼近性能, 同时可以克服Spike Prop算法陷入局部最优解和对权值有约束的缺点, 可以较好地处理股票类非线性数据的学习和预测。
四、结论
股票市场的不确定因素太多, 是一个复杂的非线性系统, 而神经网络具有自我学习的能力, 能很好地解决不明确环境中的非线性应用问题。Spiking神经网络作为一种新型的动态的神经网络, 其利用动态的spike时间进行信息编码和计算的特点与股票市场中动态的时间序列相吻合。文中对应用Spiking神经网络预测国内股票市场做了初步的探讨, 获得了较好的拟合效果。进一步改进原始数据的处理方式, 提高Spiking神经网络的自适应能力, 将能得到更好的预测效果。
摘要：Spiking神经网络是一种新型的神经网络, 它采用更接近于生物神经元的动态的Spike神经元作为计算单元, 进行信息的编码和处理。文中给出了基于粒子群算法的Spiking神经网络学习模型, 并运用于上证指数的趋势预测, 结果表明其用于股市预测是有效性。
关键词：Spiking神经网络,学习模型,股市预测
参考文献
[1]Sander M:Bohte, Spiking Neural Networks[D].ISBN90-6734-167-3, 2003
[2]Gerstner W, Kistler W.Spiking Neuron Models:Single Neurons, Populations, Plasticity[M].Cambridge University Press, 2002
[3]韩文蕾王万诚:概率神经网络预测股票市场的涨跌[J].计算机应用与软件, 2005, 22 (11) :133～135
[4]廉新宇吴立锋:基于小波神经网络的股票价格预测[J].商场现代化, 2006, 10月中旬刊:331～332
神经元网络 篇9
随着全球气温变暖和化石燃料一次性能源的逐渐枯竭,可再生能源的利用在世界范围内受到普遍的重视。风力发电作为一种重要的可再生能源,近年来得到了较快发展[1]。风力发电机组的出力具有间歇性和不确定性。风电场建设规模的不断扩大、风电场数量的不断增加以及风电装机容量在电力系统中所占比例的不断提高给电力系统的安全与经济运行带来了新的挑战。电力系统运行的不确定性因素增多,调度的难度随之增大。如果能够对风电机组的出力作比较准确的预测,这对提前制定适当的发电调度计划,进而维持电力系统的安全和经济运行具有重要的意义。
到目前为止,国内外对于与风力发电相关的课题已经做了相当多的研究工作,但在风电机组输出功率预测方面的研究还没有达到期望的水平,预测精度还有待提高。已经提出的风电场风速和功率预测方法较多,包括统计法、卡尔曼滤波法、时间序列法(ARMA)、神经网络法(ANN)、模糊逻辑法(Fuzzy Logic)、功率观测器、空间相关性法(Spatia correlation)[2,3,4,5,6,7,8,9,10,11,12,13,14]等。
人工神经元网络(ANN)可以通过学习来抽取和逼近输入输出之间存在的非线性关系。因此,基于人工神经网络的风速和风电场出力预测方法成为近几年研究的热点。目前,主要采用BP神经网络、局部反馈性神经网络等。虽然其结果与实测值在总体趋势上较吻合,但数值误差仍比较大。BP神经网络函数逼近时,权值的调节采用的是负梯度下降法,收敛速度慢且容易陷入局部极小点。研究表明,径向基函数(RBF)神经网络的逼近精度明显高于BP神经网络,且不存在局部最小问题,不需要事先确定隐含层的单元个数,并在逼近能力、分析能力和学习速度等方面均明显优于BP神经网络。因此,本文利用RBF神经网络对风电场的出力做预测。
风电功率预测按时间可以分为:长期预测、中期预测、短期预测、超短期预测[6,7]。本文着重风电场的短期预测。根据从广东某风力发电场获得的相关数据,运用RBF神经网络对风电功率进行短期预测,并将预测结果与实际数据进行了比较。
1 RBF神经网络基本理论
RBF神经网络具有较强的输入、输出映射功能;并且理论上已经证明,在前向网络中RBF网络是完成映射功能的最优网络,同时又能保持非线性算法的高精度特征。因此,RBF网络既具有线性算法收敛的特征,同时又具有非线性算法的准确性高等特点。它以其简单的结构、快速的训练过程和良好的推广能力等诸多优点,在许多应用领域取得了成功。
1.1 RBF神经网络模型
RBF神经网络属于前向网络,由输入层、隐含层和输出层构成的一般径向基神经网络结构如图1所示。输入层仅仅起到传输信号的作用。隐含层是对激活函数(格林函数或高斯函数,一般取高斯)的参数进行调整,采用的是非线性优化策略。输出层是对线性权进行调整,一般采用线性优化策略[11,12]。
1.2 RBF网络的学习算法
RBF神经网络学习算法需要求解的参数有3个:基函数的中心、方差以及隐含层到输出层的权值。径向基神经网络中常用的径向基函数是高斯函数,因此径向基神经网络的激活函数可表示为
式中:||xp-ci||为欧氏范数;c为高斯函数的中心;σ为高斯函数的方差。
由图1的径向基神经网络的结构可得到网络的输出为
式中:xp=(x 1p,x 2p,,x mp)T为第p个输入样本;p=1,2,…,P,P表示样本总数;ic为网络隐含层节点的中心;wij为隐含层到输出层的连接权值;i=1,2,…,h为隐含层的节点数;yj为与输入样本对应的网络的第j个输出节点的实际输出。
设d是样本的期望输出值,那么基函数的方差可表示为
具体的学习算法见参考文献[15]。
2 模型建立
2.1 样本数据的选取
以广东某风力发电场单机容量为600 k W的异步风力发电机组为例,对该风机的短期电功率输出进行预测,只需要考虑风电功率的日周期性。风电场风速是一个随许多因素变化的非线性函数,对风力发电机的输出功率影响最大。此外,风力发电机的功率曲线还受空气密度的影响,而空气密度主要受温度等气象因素影响。考虑到风机本身有偏航系统,可以实现自动对风,所以这里没有考虑风向对风电场出力的影响。针对所要研究的风电功率,选取了前一时间段风机的电功率输出、环境温度和后一时间段的风速作为网络训练样本的输入。
2.2 样本的归一化处理
在实际问题中一般有多个输入参数,而每个输入的量纲可能不一样,数量级也不相同,同时系统又非线性,当数据在远离0的区域里学习时,学习速度慢,甚至于不收敛,因此需要对样本数据进行归一化处理。即将输入数据映射到[-1,1]之间,训练结束后,将输出结果再反映射到原数据范围进行反归一化,则可得到真实数据。
2.3 RBF网络模型
假设已知时间序列pi={p i|pi∈R,i=1,2,…,T},要通过序列的前N个时刻值预测后M个时刻值,可将每个样本的前N个值作为RBF神经网络的输入,后M个值作为目标输出,通过学习,实现从输入空间RN到输出空间的RM的映射。
训练网络:
样本输入RN目标输出RM
预测结果:
输入空间RN输出空间RM
3 预测结果及分析
为验证所建立预测模型的有效性,以广东某风力发电场2009年的数据为样本,预测1 h后的风电功率。考虑到风电场各类运行数据测量的时间间隔为2 min,所以每小时每类数据个数就有30个,在1 h内将每6 min的数据求取平均值,则获得每小时的10个数据。在实际建模过程中,选取了60 h的运行数据作为训练样本进行预测,得到图2的预测曲线。
为了定量地判断模型的有效性,采用相对百分误差(RPE)和平均绝对百分误差(MAPE)来分析预测结果,计算公式如下:
式中:为预测功率值;ip为实测功率值;N为预测数据的个数。
基于上述公式,可以得到如图3所示的连续96小时进行提前1 h风电功率预测时的RPE分布图。从图中可知预测误差小于20%的点数为82,占总预测点数的85%。也就是说还有15%的预测误差是大于20%的。通过将原始数据对比分析发现,这些预测误差大的点都是含有错误数据的点(主要包括风机正常或非正常停机数据、风机测风仪器故障数据等)。因此需要对这些错误的原始数据进行预处理。表1分别为对连续的24 h、48 h、72 h和96 h进行1 h后风机出力预测时的MAPE。预测误差在12%附近,优于以往的预测结果[7]。
4 结语
建立了以风速、温度和历史风机出力为输入来预测风电场出力的RBF神经网络预测模型,并用广东某风电场2009年的实测数据进行了大量预测。预测精度较高。需要指出,在风电功率预测时要特别注意剔除错误数据,以保证较高的预测精度。
摘要：准确地预测风力发电的输出功率对电力系统调度、电力系统稳定性和风电场运行都具有重要意义。从实际运行的风电场获得了相关风速、环境温度和风电功率的历史数据,建立了基于径向基函数(RadialBasisFunction,RBF)神经元网络的短期风电功率预测模型。运用该模型进行了1h后的风电输出功率预测,预测误差在12%附近。通过将预测结果和实际风电输出功率比较,表明该方法预测精度较高且比较稳定。
神经元网络 篇10
随着现代科学技术的发展和人们生活质量的提高，舆论对于服务的满意度提出了越来越高的要求。当需要对某一具体的事项征求调查对象的意见和想法时，问卷调查则是一种行之有效的手段，也属最常使用的方法之一。然而，用普通纸张来作为调查问卷用纸时，由于纸张的折叠、弯曲、变形等原因引起的数据误判常有发生[1]。而采用神经元网络对由扫描仪输入的调查问卷图像进行数据文件自动生成的方法则可较好地解决这一误判问题，本文将讨论这一信息处理方法。
通过问卷形式进行的调查一般包括舆论调查、市场调查、疾情调查等，其调查方法是基于概率统计理论，而调查结果则无论在学术上还是在实际操作中都很重要。当采用填注标记的方式回答问题时，调查问卷通常由特殊纸张构成，且需专用的读取装置进行读取处理，使用成本很高。因此使用普通纸张制作调查问卷的需求便应运而生。但由于价格便宜的普通纸张易弯曲、变形而导致机器读取识别错误的频发，一般只能采用手工方式将数据输入到计算机中。这样一来，在调查对象众多的情况下，就会既费时又费力。为了实现“普通纸张问卷调查”的自动化，开发基于神经元网络的图像读取和数据处理文件自动生成的信息处理系统就成为满足这方面需求的必然结果[2]。
1 系统构成与数据形式
问卷调查识别系统是由扫描仪和计算机构成的信息处理系统。问卷调查的回答采用在问卷上的正方形框里打勾或者画圈的方式进行标记，回答结果可通过普通扫描仪和计算机进行处理，转换成可进行后续统计处理的数据形式。在问卷的周围设定识别问卷有效区域处理时所需要的信息。回答框采用黑色边框白色背景的正方形框以便调查对象选择和标记。
图1是一张模拟问卷。在问卷的外侧左端和下端标有涂黑的基准标记符号。对应于基准标记位置上的点叫做基准点。位于问卷下端沿横向排列的基准点称作“横向基准点”，左端沿纵向排列的基准点称作“纵向基准点”。问卷中文字的书写方向可任意，读取问卷时，将从左方开始首先读取纵向基准点。在横向基准点上从左向右，在纵向基准点上从上向下，编有从1开始的一组序号。回答框的位置由横向基准点和纵向基准点上的一对序号表示。
在模拟调查问卷中的基准点除了用于标识回答框的坐标位置，也可对在图像扫描输入所产生的形变进行校正时提供方位信息。问卷可按图2表示的方法进行自由填写，只是注意不要把标记延伸到相邻的栏中即可。
计算机需要统计的信息为打勾标记的回答框的坐标位置，所以识别时，首先要找到具有“勾”标记的回答框，然后识别出其纵横坐标并记录下来。再根据与调查问卷相对应的数据表，查找其代表的具体内容。
2 Hopfield网络识别模型的建立
本文所讨论的基于神经元的问卷调查识别系统的核心部分就是Hopfield网络识别[3]，其识别流程如图3所示。
2.1 图像预处理
图像预处理是识别的第一个阶段，根据具体识别方案的不同，可以包括二值化、去噪、切分、大小规格化、形态学处理等步骤。例如在问卷读取处理中，首先要将图像矫正，根据需要再将灰度图像采用全局阈值化、自适应阈值化等方法二值化。本文在处理过程中，先将图像反色，反色后的图像更有利于网络识别。然后基于图像的直方图统计，采取全局阈值化，让灰度图像变换为二值化图像。
问卷调查纸张的厚薄、洁白度、光洁度、油墨深浅、书写质量等都要造成符号畸变，产生污点、飞白等干扰。输入设备扫描仪的鉴别度、线性度、光学畸变、量化过程也要产生噪声，因此要去噪。符号大小归一化分为线性归一化和非线性归一化，线性归一化实质上是对符号图像作比例变换，这种线性转换式易于进行数学处理，但是仅能保证输入向量维数的统一，对其他符号变形却无能为力，不能保持符号的基本形状结构。非线性归一化能克服线性归一化的这些缺点，但是运算复杂，需要的时间长。对于实时性要求强的情况并不适用。
如图4预处理前后图像对比所示，在处理之前，由于上述系列原因，扫描得到的回答框和符号数据周围充满了噪声和污点,采取全局阈值化的方法对扫描图像进行预处理。预处理后的图像有利于进行下一步工作—特征提取。
2.2 特征提取
待识别对象的特征提取通常有三种方法，模板匹配法、统计特征法及结构特征法。后两种方法在数字识别、汉字识别等识别量较大时经常使用，本文采用模板匹配法来进行特征提取。其工作原理是：每一种手写体符号都有模板[4]，和待识别的符号的点阵图像距离最小的模板所对应的符号，就判定为输入的待识别的符号。模板匹配的关键在于模板设计。由于手写符号人为因素太多，符号变化复杂，而模板又对尺寸、旋转、噪声等微小变化敏感[5,6]，为了适应各种情况，必须为每一种可能的变形设计模板，设计任务繁重，而且测试速度慢，这就需要采集大量数据运用Hopfield网络进行学习训练。
文中采取相关匹配的方法[7]寻找回答框的位置，在找到回答框之后提取回答框中的待识别对象的判别特征，通过与模板的比较来判定符号的类别。
如图5所示，采取空白回答框作为模板对调查问卷进行相关匹配，在匹配结果图上可以看出，峰值出现在回答框的中央。换句话说，当模板与回答框完全匹配时，相关运算出现峰值。下一步的工作就是将已找到的回答框中的待识别数据提取出来，如图6所示。
2.3 Hopfield网络训练与识别
问卷调查识别系统的核心部分就是Hopfield网络训练与识别[8]，识别的准确率和效率主要取决于网络的训练效果。首先是训练样本的获取，样本的获取要具有普遍性;其次是样本数量的控制，样本太多势必导致训练和识别所用时间加长，样本过少则会影响识别率;再次就是网络参数的设置，参数的设置直接影响到最终识别的效果。总之，要得到好的识别结果需要不断尝试寻求最优值。
Hopfield网络采用的学习算法是Hebb学习规则，由于要识别三种符号、四种状态(三种符号加空白)，因此必须针对每一种符号提取样本进行训练[9]。在训练过程中，本文采用提取样本集中训练的方法，即针对每种符号提取样本后，集中起来再训练。符号的结构相对比较简单，因此采集样本数量不需太多，训练结束后就可以对问卷调查专用纸进行识别检验，具体结果详见第3节。
3 系统仿真与实际操作
所谓系统仿真就是完全依靠计算机模拟出要处理的问题，然后用计算机处理该问题。之所以在实际操作之前进行仿真处理，一方面是检验模型的正确性，就是在理想的情况下，能否得到理想的效果;另一方面系统仿真也有助于发现系统本身的漏洞，找出模型的缺点并加以修正。
3.1 系统仿真
在进行系统仿真之前，要利用计算机制作一张模拟的调查问卷，让计算机自动绘制待识别符号，并用这些符号进行训练。模拟的调查问卷与实际调查问卷在大小、像素以及背景色上尽可能地保持一致，对模拟问卷进行处理，采用第2节所建立的模型，处理结果及相关参数如表1所示。
从上述参数设置和仿真结果可以看出，本文所设计的问卷调查识别系统是合理可行的，所提出的Hopfield网络识别模型能够处理符号识别问题。本例中相关峰和网络判断两个阈值的选取是结合仿真过程中所遇到的问题，综合识别效果和识别率所设置的，在不同的识别系统中可根据实际情况选用其他数值。
3.2 实际操作与结果分析
通过上述系统仿真，得到了Hopfield识别模型两个重要参数的设置，下面就可针对实际的调查问卷进行处理操作。
本文利用宽为215.9mm，高为297.2mm的标准A4纸作为调查问卷专用纸，以1:1的比例对填好的调查问卷进行扫描读取，读取后的图片像素为1169×850，其中答题框的大小为21×21，待识别符号特征提取17×17(大小足以描述符号的特征)。
为了说明训练样本对于符号识别的重要性，样本的获取全部来源于学生A，然后分别针对学生A和学生B所完成的调查问卷进行识别处理，处理结果如表2所示。
其中，90(30)A表示每种符号取30个样本共90个，样本来源为学生A。
从上述的实际操作处理中可以看出两点内容：
(1)样本数量直接影响到识别效果和识别率。以学生A为例，样本数为90时，其识别率高达96%;而当样本数缩小一半为45时，其识别率只有76%。
(2)样本来源也会影响到识别效果。由于采集的样本完全来源于学生A，所以无论样本数为多少时，针对学生A的识别率总是高于学生B;此外当样本数变化时，学生A的识别系统的稳定程度波动也较大。
知道样本来源对识别效果有很大影响之后，使用优化的样本对问卷进行判断识别，操作结果如表3所示，可以看出优化后的样本使得系统的识别率较为稳定。
其中，45(15)A+45(15)B表示分别从学生A和学生B取每种符号15个样本，共90个。
由上述实际操作过程中所遇到的问题结合结果分析图可知，在实际系统建立过程中，一方面要寻找适宜的参数，另一方面要采集大量的样本。参数的设置直接影响到系统的识别效果、运行时间以及稳定性;而样本采集过程中要注意多且广，即采集数据量要多，同时采集人群范围要广。当然不可避免的还有其他一些问题，如实际系统开发过程中要考虑成本因素，这就要求尽可能地精简化、效率化、实时化。
4 结束语
本文初步探讨了基于神经元的问卷调查识别技术，通过分析研究识别技术现状，确定了采取神经网络和数字图像处理的方法来解决这一问题。初步建立了基于MATLAB的Hopfield网络识别模型，给出了符号识别的一般方法。
针对建立的识别模型，本文进行了系统仿真和实际操作检验，均取得良好效果。其中，系统仿真情况下，符号识别率达到100%;在实际操作过程中，当样本数充足，样本来源可靠的情况下，识别率高达96%，而当训练样本不足且待识别样本来源不定的情况下，识别率可达到72%，基本达到预期效果。同时，针对所得出的结果，本文也提出了一些注意要点和改进方案。
参考文献
[1]谷口庆治.数字图像处理—基础篇[M].北京:科学出版社,20-01:127-148.
[2]谷口庆治.数字图像处理—应用篇[M].北京:科学出版社,20-02:268-276.
[3]杜选,高明峰.人工神经网络在数字识别中的应用[J].计算机系统应用,2007(2):21-23.
[4]柳回春,马树元,吴平东.手写体数字识别技术的研究[J].计算机工程,2003(3):24-26.
[5]谭旭,乐晓波,朱亨荣.基于语义和Hopfield网络的模糊汉字识别[J].计算机工程,2004(11):140-142.
[6]王启瑞,朱婉玲.一种基于MATLAB的带噪声字符识别算法实现[J].计算机仿真,2002(7):91-93.
[7]TANG Mingshou.Research of target image recognition based oncorrelation match[J].SPIE,1996,2898(9):297-305.
[8]王韬.基于连续型Hopfield神经网络的噪声字符识别[J].系统仿真学报,2003(9):1288-1290.
网络司法拍卖触动了谁的神经 篇11
网络司法首拍回放
今年夏天，浙江省高级人民法院及其两家地方法院在国内各大新闻媒体上频繁曝光。原因是浙江省高级人民法院导演了我国“网络司法首拍”事件。
2012年7月10日，宁波市鄞州区法院和北仑区法院以卖家身份入驻由浙江省高级人民法院与淘宝网合作开通的“司法拍卖平台”，对涉诉的一辆宝马和一辆三菱轿车在网上进行拍卖，拉开了网络司法拍卖的大幕。这次事件被称之为“网络司法首拍”。
鄞州区法院办公室余法官告诉本刊记者，这次网络拍卖，从货品上架到拍卖结束，共有100多人打电话前来咨询，几十人到现场看车，在网上围观的人数超过88，000人次。经过36个小时15轮的竞价，市场评估价为58，650元的三菱轿车最后以67，000元成交。据了解，拍卖第二日，成交的买家就及时将余款打到了鄞州法院账户，并于当日下午在法院签订了《拍卖成交确认书》。
余法官认为，实施网络司法拍卖，就是为了降低拍卖成本，保护当事人的利益。她介绍，本次拍卖实现了零佣金，相对于同类传统拍卖共节省佣金3，350元。
此次网络司法首拍取得了骄人的成绩，宝马轿车和三菱轿车的成交价比起其市场估价，增值率分别达到65.53%和34%，而两辆涉诉资产的拍卖却没有佣金的支出。从拍卖结果来看，这次拍卖确实实现了上述目的。
一石激起千层浪
网络司法首拍不仅吸引了众多买家围观，更引发了社会各界对这一事件的评判，有肯定也有批评，有观望也有质疑……浙江省高院及两家区法院被推上了风口浪尖。
中国社会科学院法学所副研究员李洪雷认为，网络司法拍卖信息透明化，能加强公众舆论监督，做到公平公正，而且网上竞拍没有地域限制，能将竞拍结果最大化，维护当事人的正当合法权益。这位专家的观点鲜明地表达了网络司法拍卖在维护司法公正、保护当事人权益方面的意义，指出了网络司法拍卖存在的重要性。
浙江省法学会副会长陆剑锋教授认为，传统的司法拍卖佣金高、透明度低等弊端日益凸显，司法拍卖制度的改革呼之欲出，浙江省高院的这一创新举措，为全国的司法拍卖网络化提供了一个值得借鉴的可行样本。
新鲜事物的出现，必然受到关注。陆教授的观点指出了浙江网络司法首拍在司法中的价值。它犹如一个标杆，吸引了众多法院执行庭的眼球。
北京某法院的一位执行法官告诉记者，浙江法院网络司法拍卖事件在他们单位内部产生了不小的反响。他们一致认为浙江网络司法拍卖是司法拍卖改革的有益尝试。虽然他们目前尚没有进行网络拍卖的计划，但在密切关注浙江法院的尝试。“我觉得网络拍卖在以后会得到推广。”
从各方面的评价来看，网络司法拍卖凸显了几大优点：一是零佣金，节省了当事人的成本；二是突破了地域的限制，传播能力更强，信息覆盖的人员数量更多，参与拍卖的人数随之增多，能更好地促进涉诉财产变现；三是更好地体现了司法公开、透明，避免了拍卖过程中的司法腐败。
然而，在众人对网络司法拍卖拍手叫好的同时，拍卖行业对此发出了质疑。
早在浙江省高院计划实施网络司法拍卖之际，浙江省拍卖行业协会就发出了反对声音。7月8日，该协会向浙江省高院寄发了一份《对省高院拟推行司法淘宝网络拍卖的意见》的快递，向高院领导表达了对这种做法的担忧，指出网络司法拍卖与当前拍卖相关法律法规明显不符，有违最高法院的相关规定。
网络司法首拍刚刚成交，中国拍卖行业协会就在第一时间即7月11日发表声明，称浙江省高院联合淘宝推出网络司法拍卖活动的做法不符合《拍卖法》，有违最高人民法院关于司法拍卖的相关规定，一旦推广将对拍卖市场的正常秩序造成极大影响。
中国拍卖行业协会副秘书长欧阳树英表示，按相关法律法规，有权利从事网络司法委托拍卖的只能是经过拍卖行业主管部门审批成立，并取得中国拍卖行业协会核定的一定资质等级的拍卖公司。“淘宝既不是拍卖公司，也没有拍卖企业的资质等级。”“淘宝网参与司法拍卖活动涉嫌拍卖主体违法，将可能直接影响竞买人的合法权益。”同时，她也指出淘宝司法拍卖违反了《拍卖法》的程序性规定。
在欧阳树英看来，司法网络拍卖涉及拍卖主体、拍卖程序不合法，她直接给网络司法拍卖贴上了“违法”的标签。
然而，拍卖行业协会的“网络司法拍卖违法”言论并没有阻挡浙江省高院推行网络司法拍卖的脚步。8月3日和6日，淘宝网司法拍卖频道分两次挂出了4辆轿车，并于8月13日上午10时进入拍卖程序，网络司法拍卖第二波再度袭来。
反对声音背后
面对拍卖业对网络司法拍卖的质疑及反对声音，浙江法院在沉寂近一个月后，给出了回应。宁波市鄞州区法院院长张光宏博士说，“网络司法拍卖是依法改革、司法为民，并未违反法律规定。”
张院长向媒体介绍，根据我国《民事诉讼法》的规定，法院可以委托拍卖公司拍卖，也可以不委托拍卖公司拍卖，是不是一定要委托，法律并没有禁止性规定。而拍卖法的适用主体是拍卖企业，法院既非拍卖企业，也非经营行为，可以不受拍卖法的约束。因此，浙江法院实施网络司法拍卖是完全合法的。
其实，早在今年年初，就有国家法律规定为网络司法拍卖正名了。2012年1月1日正式實施的最高法《关于人民法院委托评估、拍卖工作的若干规定》中第4条明确规定了拍卖可以在网络平台上进行：“法院委托的拍卖活动应在有关管理部门确定的统一交易场所或网络平台上进行，另有规定的除外。”
从法理上来看，浙江省高院推行网络司法拍卖具有合法性。那么，拍卖业为什么要发出质疑声音，甚至直指“违法”？
一位在拍卖行业工作的朋友就此发表了他的看法，“网络司法拍卖动了拍卖业的奶酪！”
据悉，从2005年到2011年，全国法院司法拍卖所涉标的总金额为5，348.7亿元，即平均每年中，法院司法拍卖所涉标的总金额达到近800亿元。
我国传统的司法拍卖做法，都是由法院出面委托拍卖公司充当中间人完成拍卖任务，拍卖公司收取一定的佣金。由于司法拍卖在拍卖行业占据相当大的市场份额，因此每年都能为拍卖行业提供高达数十亿元的拍卖佣金和相关费用，在一定程度上保障了拍卖企业的生存和发展，同时解决了数以千计的拍卖从业人员的就业和生活问题。
“不夸张地讲，法院是不少拍卖公司的衣食父母，他们就靠承接司法拍卖业务来维持公司。”这位了解拍卖行业的朋友指出。
其实，利用网络平台开展拍卖业务，在中国早已不是稀奇事。
2011年5月，天津市利用两年时间设计开发网络拍卖系统并投入使用，举办五场网络拍卖会全部成交。天津成为全国网络拍卖的最早试点，得到中国拍卖行业协会的高度评价。
2012年4月6日，贵州首次试水网络拍卖，某地方电网公司一批报废物资及设备利用网络竞价，拍卖成功。
而中国拍卖行业协会也开发了自己的网络拍卖平台，补充传统的拍卖方式，成为拍卖公司承接拍卖业务的新型平台。
在中国拍卖行业协会网络拍卖平台上，将拍卖会分为“司法委托拍卖会”和“社会委托拍卖会”两类。从这个分类可以看出，司法委托拍卖已经成为拍卖公司的重要业务阵地。
2012年8月15日，记者浏览了司法委托拍卖会列表，其中新泰法院拍卖公告、肥城法院房产拍卖公告、泰安鲁岳岱岳区法院志高房地产拍卖会公告等赫然在列。
天津、贵州等地试行网络拍卖，中国拍卖行业协会不但不反对、质疑，并且大力支持网络拍卖的发展。将司法拍卖置于网络环境中，成为拍卖业务运行的新模式。
同是网络司法拍卖，以中国拍卖业协会为代表的拍卖行业对此的态度截然相反。原因在于浙江网络司法拍卖绕开了拍卖公司，直接由法院将涉诉资产置于网络平台进行拍卖，对拍卖公司的利益来讲，无疑具有釜底抽薪的致命影响。
根据最高法《关于人民法院民事执行中拍卖、变卖财产的规定》，拍卖成交的，拍卖机构可以按照下列比例向买受人收取佣金：拍卖成交价200万元以下的，收取佣金的比例不得超过5%；超过200万元至1，000万元的部分，不得超过3%；超过1，000万元至5，000万元的部分，不得超过2%；超过5，000万元至1亿元的部分，不得超过1%；超过1亿元的部分，不得超过0.5%。如果是采取公开招标方式确定拍卖机构的，则按照中标方案确定的数额收取佣金。
在某拍卖行从业多年的张先生告诉记者，当前综合性拍卖机构的业务中，约60%由法院委托，30%为银行不良资产，只有10%的业务是来自社会其他层面。
在张先生看来，这次的网络司法拍卖不能称之为《拍卖法》上的“拍卖”，没有拍卖师的参与，“最多算‘准拍卖’”。
若“网络司法拍卖”在全国法院系统内得到推广，势必给拍卖行业及其相关从业人员带来严重冲击，甚至造成整个拍卖行业的减损和困难。
“这对综合性拍卖行的冲击最大！”张先生说，“其实早在几年前，我们就已经听到了司法系统要在网上拍卖的消息，所以一些拍卖行早早着手改革，逐渐转入专业拍卖，如藏品拍卖。”
记者从鄞州区人民法院办公室余法官处了解到，浙江省高院此次是選择北仑区法院与鄞州区法院作为网络司法拍卖的试点，之后将在19家法院推广试行。看来网络司法拍卖有点来势汹汹的架势，拍卖行业的担忧也不无根据。
正是基于此种现实考量，中国拍卖行业协会才会公开质疑“网络司法拍卖”的合法性。
神经元网络 篇12
模糊控制一直是自动控制领域中的一个重要技术分支, 它的核心思想是通过对, 待分析的问题建模与分析后, 模拟人的思维模式, 进行自动控制。其最大的优点是能够将人们在实际工作过程中所形成的各种具体工程经验、控制规则加以抽象和归纳, 形成一套自动控制理论和方案。因此模糊控制相比传统的控制模式, 具有其独特的优势, 主要表现为其分析过程中, 对待解问题并不要求要有非常严格和准确的描述或建模, 允许用户在分析过程中不断对模型修改完善。这一分析特点非常适合人们对一些复杂问题的分析, 因为, 对于复杂问题, 人们的认识过程本来就是一个逐步求精, 逐步细化的一个过程。第二个优势是模糊控制理论是基于人们此前的研究经验和规则, 易于表示和控制, 这在实际应用中是的模糊控制器比较易于设计和开发, 实现的门槛较低。第三个优势是模糊控制器开发出来后, 具有较强的系统鲁棒性, 不容易被一些运行环境或意外因素所干扰和影响, 这对工业控制领域是至关重要的。也正因为如此, 模糊控制理论从其在1965年一提出来就广泛受到重视, 短短几十年的实际里面, 成为工业控制领域中一个非常有竞争力和发展前途的应用技术。
近几年来, 随着人们对自动控制原理的深入研究与发展, 人们发现模糊控制技术可以在复杂系统动态运行参数分析、模式识别、自动化应用等场合发挥重要的作用。而神经元网络则是模糊控制向智能化方向发展的一门重要技术。尤其是在工业控制方面, 通过将人工神经元网络技术和模糊控制技术相结合, 人们研究出了多种不一样的自动控制系统。并且在实际的工程应用领域发挥了重要的作用, 其中, 基于神经元网络和模糊控制理论在液压伺服系统上的英语则是非常具有代表性的一类应用, 并且该应用对于机械制造、工业控制等的技术提高有着非常现实的意义。
(二) 基于神经元网络的模糊控制原理
模糊控制的基本思想是将人们在平时工程控制中积累的经验、方法进行抽象, 将一些平时无法用定量描述的过程或技术进行形式化描述, 并给出所以涉及的变量参数定量关系。由此将一个非定量的过程或问题定量化, 明确问题之间的条件和约束关系。再设计专门的模糊控制器, 用来对前面抽象出来的规则、约束进行分析和判断, 代替传统的人工判断过程, 做出正确的控制动作。整个模糊控制的思想就是要将传统由人工分析和解决问题的思想予以规则化和确定化。使得人们已有的经验能够被快速、正确地推广应用。由于这是将一个不易于准确描述的问题进行确定, 并制定判别规则, 所以整个过程被称为模糊控制。既然模糊控制的核心思想是期望模拟人的控制过程, 因此, 在研究模糊控制的具体实现策略时, 研究者发现采用神经元网络能够活动比较好的模拟效果。人工神经元网络技术研究的初衷就是为了模拟人脑的思维过程。因此采用基于人工神经元网络的模糊控制策略是一个很好的实现策略。
模糊控制的关键是如何将一个模糊问题明确化, 并制定正确有效的判断规则。这就需要对被控制对象进行建模和分析后, 形成模糊控制的控制条件。再以此为依托, 建立人工神经元网络判别模型, 抽象出具体的判别条件和规则, 这些规则即为前面介绍的模糊控制规则。生成这些判别规则后, 实际上已经将一个模糊问题明确化了, 可以直接对控制模块发出明确控制指令。因此, 之后则是利用生成的模糊控制规则进行实际的判别及控制动作。为了防止发出的控制动作出现过大偏差, 需要对被控制对象进行监控, 即需要测量被控对象的实际动作效果是否符合预期, 如果与预期要求还有差距, 则调整神经元网络的判别条件, 使其做出的判别动作更接近于期望值。整个基于神经元网络的模糊控制原理图如图1所示。
整个模糊控制的过程中关键是如何将采集到模糊数据, 推理成规则明确的判别条件。一般而言, 在这一过程中, 首先需要对被控制对象, 如液压系统中腔油压力进行采样, 得到离散的初始采样值。根据该采样值计算控制系统中其输入条件大概数值, 由于此数值并非很确定的数值, 因此将此条件数值作为模糊输入变量。然后由模糊控制系统进行模糊推理, 形成模糊判别规则和具体的控制条件范围。此时得到的判别规则还是一个大概范围, 相当于模糊输出。最后再将模糊输出进行明确化, 形成定量的控制条件输出。
(三) 液压伺服系统结构及性能
液压伺服控制系统总体结果如图2所示。该系统主要由液压控制器、伺服信号分析模块、伺服信号去扰和放大模块、伺服控制装置、液压缸和压力传感器器等部分组成。该系统中液压控制器主要实现对液压系统进行伺服控制, 调整液压系统工作状态等功能。伺服信号分析模块则根据液压控制其的动作, 对伺服控制信号进行分析, 准备对液压系统进行相应的动作处理。不过在使用液压伺服信号进行实际的处理之前, 还需要对伺服信号进行去扰和放大, 相当与对伺服控制信号进行了过滤和信号增益, 使得其能够直接对液压伺服装置进行操作。最后通过液压伺服控制装置, 对液压缸等部件进行直接操作, 驱动液压元件进行工作。在液压元件工作时, 再通过压力传感器监测液压元件的工作状态, 并将监测到信号传会液压控制器, 进行下一轮的伺服控制动作。
液压系统伺服的性能形式化描述主要涉及到液压流量关系式和液压系统的连续工作状态关系式。液压流量关系式为:
该关系式中c1为液压流量系数;
ms为液压进油腔内压力;
Φ为液压阀实际通过流量;
x为液压阀芯偏移距离;
m为液压系统负荷。
液压系统的连续工作状态流量与液压缸关系式为:
该关系式中V为液压腔油的总体积;
L为液压腔油运行中泄漏比值;
K为液压腔油的容积模量;
A, y为液压缸的截面积和位移量;
液压阀芯偏移距离与液压腔流量关系式为:
1k为液压阀芯偏移比值, k2为液压腔流量补充比值。
(四) 基于神经元网络的液压伺服控制方案及仿真结果
基于神经元网络的液压伺服系统将液压系统中的测量到的各个参数作为神经元网络的基本输入, 各神经元同时也接受其他神经元的输入参数值。当每个神经元接收到外界的参数输入值后, 将表现为一定的变化趋势。这种趋势一直累计到一定阈值后, 将会导致神经元状态的迁移。神经元的迁移关系式则是液压伺服系统的模糊控制规则。当神经元的状态迁移到最后一层, 将进行数据的输出, 该结果即为液压伺服系统的控制结果。
基于神经元网络的液压伺服系统以控制方案通过对液压伺服系统的建模和参数化分析, 建立液压环境的参数约束关系, 在此基础上形成神经元网络的层次关系和各神经元直接的状态迁移关系。对液压系统工作过程中所测量的运行参数作为神经元网络的基本输出, 影响着神经元网络的状态迁移。通过神经元网络的控制得到液压伺服系统的控制信号, 该信号与原施加在液压系统中的控制信号做差值计算后, 得到液压伺服系统实际控制信号调整量。用该变量实现对液压系统的精确输出控制。同时, 通过液压系统的运行状态检测传感器, 采集该系统的各运行参数反馈值, 验证和校正模糊控制系统的控制精度。基于神经元网络的液压伺服系统控制方案原理图如图3所示。
在实验环境中, 本文对设计的基于神经元网络的液压伺服控制系统进行测试, 检验其控制精度。
实验中以液压系统中的进油腔液压力作为实验对象, 经过神经元网络的自我学习和模糊规则生成后, 形成了神经元网络中状态迁移的隶属函数。该函数通过液压系统系统自动的运行状态监测传感器不同调整修正后, 能够对液压系统中液压力进行动态监测和补偿, 使得进油腔液压力变化趋于稳定。如图4所示的实线, 图中的虚线则是在没有采用模糊控制方案的液压伺服系统进油腔液压力测量值。
(五) 总结
模糊控制理论的发展与应用已经有较长的历史了, 但其与人工神经元网络结合, 应用与液压伺服系统控制研究的并不多, 而该技术的研究对于提高机械制造、工业控制的自动化程度和控制精度有着重要的意义。本文研究的基于神经元网络的液压伺服系统通过对液压系统主要性能参数的建模与分析, 所设计的自动控制系统具有工作稳定、鲁棒性好、控制精度高和收敛速度快等特点。并且本文所设计的自动控制方案和技术可以推广至类似其他的液压控制领域中, 基于较好的扩展性。
摘要：通过对模糊控制理论的研究和分析后, 提出了一种基于人工神经元网络的液压伺服系统自动控制方案, 详细阐述了该液压伺服系统中模糊控制的总体框架、基本原理和组成结构。对基于人工神经元网络的控制原理和模型结构进行了分析, 结合实际的液压驱动领域中的伺服系统组成结构和功能进行了分析, 给出了详细带自反馈的智能控制系统。分析过程中重点以液压伺服系统的工作特点、性能参数作为研究主要对象。所设计的液压伺服智能控制系统进行了实验分析和仿真, 仿真结果表明, 基于人工神经元网络的液压伺服系统具有控制精度高、收敛速度快等特点, 在性能上完全达到预期设计要求。
关键词：神经元网络,模糊控制,液压,伺服控制,仿真
参考文献
[1]王锐, 赵昊阳, 张乐, 林烜, 季天晶.船用舵机电液伺服单元单神经元自适应PID控制的研究[J].齐齐哈尔大学学报:自然科学版, 2009, 25 (5) :1-4.
[2]孙希通, 王育才, 李世超, 严卫.神经网络滑模控制在位置伺服系统的应用[J].机电一体化, 2009 (7) :45-46, 50.
[3]张殿华, 冯莹莹, 骆宗安, 苏海龙, 王黎筠.BP神经网络PID控制对液压伺服控制的改进[J].钢铁研究学报, 2009, 21 (3) :59-62.
[4]王清太段毅.神经网络在某交流伺服系统建模中的应用[J].火力与指挥控制, 2008, 33 (11) :152-154.