人工神經(jīng)網(wǎng)絡(luò)的缺點精選(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人工神經(jīng)網(wǎng)絡(luò)的缺點主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：人工神經(jīng)網(wǎng)絡(luò)的缺點范文

關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò) 礦山 安全狀態(tài) 評判能力

中圖分類號：TD77；TP181 文獻標識碼：A 文章編號：1007-9416（2015）04-0206-01

通過改變神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本等方式，對神經(jīng)網(wǎng)絡(luò)不同訓(xùn)練樣本的反應(yīng)能力進行對比分析，從而探討人工神經(jīng)網(wǎng)絡(luò)對礦山安全程度評價的適應(yīng)性。為了有效的提高人工神經(jīng)網(wǎng)絡(luò)對礦山安全程度評價的能力，可以通過改變神經(jīng)網(wǎng)絡(luò)的神經(jīng)元數(shù)目以及初值賦值的方式來測試不同的結(jié)構(gòu)，從而得出不同參數(shù)下神經(jīng)網(wǎng)絡(luò)對相同訓(xùn)練樣本的評價結(jié)論，以便提高其評價能力，在礦山安全狀態(tài)評判中充分發(fā)揮出人工神經(jīng)網(wǎng)絡(luò)的作用。

1 人工神經(jīng)網(wǎng)絡(luò)中的網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計與原始數(shù)據(jù)的準備

本文中主要采取如1所示的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，根據(jù)測試目的的差異性，其測試過程中神經(jīng)網(wǎng)絡(luò)的部分性能也就不同，但是對整個網(wǎng)絡(luò)結(jié)構(gòu)的性能不會改變。

這種神經(jīng)網(wǎng)絡(luò)的主體結(jié)構(gòu)是單輸入、三層式BP的網(wǎng)絡(luò)結(jié)構(gòu)，輸出連接、目標連接、輸入權(quán)重連接、偏置連接以及層權(quán)連接等是其主要的連接方式。各層神經(jīng)元的分類包括：第一隱含層有8個正切S型神經(jīng)元，第二隱含層有8個對數(shù)S型的神經(jīng)元，輸入層有4個元素，輸出層有一個線性神經(jīng)元。其網(wǎng)絡(luò)函數(shù)主要包括訓(xùn)練函數(shù)、初始化函數(shù)、性能函數(shù)以及各網(wǎng)絡(luò)層的層初始化函數(shù)。其訓(xùn)練函數(shù)需要采取TRAINLM回轉(zhuǎn)方法來運算；初始化函數(shù)需要采取逐層初始化的方法運算；性能函數(shù)需要采取均方誤差法來計算；各網(wǎng)絡(luò)層的層初始化函數(shù)需要采取優(yōu)化規(guī)則的方式計算，有的時候還需要采取INITWB的方式進行運算。各個權(quán)閾值的初始化需要采用RANDS方法來計算。在人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練的原始樣本數(shù)據(jù)以及期望值中，這些數(shù)據(jù)主要是用來評價地質(zhì)因素對礦山安全影響程度的原始數(shù)據(jù)。當(dāng)訓(xùn)練完成之后，需要對其各種數(shù)據(jù)進行仿真測試，以便評斷這種人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)在礦山安全狀態(tài)中的應(yīng)用價值與能力，并對其不足之處以及缺陷問題等進行分析，以便尋找出更加優(yōu)化的方案，從而提高人工神經(jīng)網(wǎng)絡(luò)在礦山安全狀態(tài)中的評判作用與能力。

2 人工神經(jīng)網(wǎng)絡(luò)對礦山安全狀態(tài)評判能力的訓(xùn)練以及仿真測試

對礦山安全評價的方法較多，但是能夠較好的應(yīng)用于礦山安全評價的方法卻很少，例如事故樹分析法、概率風(fēng)險評價法以及事件樹分析法等，這些方法均由于基本事件的發(fā)生概率的確定方面存在一定的困難，從而導(dǎo)致運用于礦山過程中的安全評價效率不高。另外，在礦山安全狀態(tài)評價的過程中，其安全檢查表、專家評價方法等存在一定的缺點與不足，其在評價的過程中，主觀性較強，受到個人意識的影響較大。綜合指標評價法由于其指標間的邏輯關(guān)系，指標的權(quán)值與指標的量化等問題，從而導(dǎo)致該方法難以在礦山安全狀態(tài)中進行準確的評價。只有能夠更好的適應(yīng)這種復(fù)雜的動態(tài)系統(tǒng)的安全評價方法，才能夠?qū)⑵涓玫膽?yīng)用在礦山安全狀態(tài)評價中[1]。

其中人工神經(jīng)網(wǎng)絡(luò)在處理無法使用簡單規(guī)則或公式進行描述的大量的原始數(shù)據(jù)的問題時，以及在處理規(guī)律不清楚的問題時，其具有較大的優(yōu)勢。也正是由于這種方法能夠?qū)?fù)雜的非線性動力學(xué)系統(tǒng)的適應(yīng)，才能夠使其在礦山安全狀態(tài)評價中得到引進與推廣。將人工神經(jīng)網(wǎng)絡(luò)對礦山安全狀態(tài)評價能力的訓(xùn)練進行仿真實驗，在每次實驗檢測之前，都需要對同一神經(jīng)網(wǎng)絡(luò)進行重新初始化，之后需要運用相同的訓(xùn)練樣本數(shù)據(jù)對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，以便達到訓(xùn)練要求后對網(wǎng)絡(luò)進行仿真測試，訓(xùn)練性能函數(shù)的誤差需要保持在10以內(nèi)。其神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程是網(wǎng)絡(luò)在初始權(quán)閾值的基礎(chǔ)上，對其權(quán)閾值進行不斷的修改，以便尋找出它們之間的某種聯(lián)系，使得輸入的整個訓(xùn)練樣本集數(shù)據(jù)經(jīng)過網(wǎng)絡(luò)的運算之后，其輸出與相應(yīng)的目標數(shù)據(jù)差別能夠滿足性能函數(shù)的要求。因此，在人工網(wǎng)絡(luò)對礦山安全狀態(tài)進行評判的時候，即使所有數(shù)據(jù)與性能均符合要求，但是由于在訓(xùn)練的時候就被賦予了不同的權(quán)閾值，訓(xùn)練之后得到的權(quán)閾值的最終組合也會存在較大的差異。通過神經(jīng)網(wǎng)絡(luò)對礦山進行安全評判的目的在于運用神經(jīng)網(wǎng)絡(luò)總結(jié)分析數(shù)據(jù)，對礦井各個致災(zāi)的貢獻率進行分析，進而對礦山的安裝狀態(tài)進行評判。從神經(jīng)網(wǎng)絡(luò)的角度來分析，通過運用網(wǎng)絡(luò)的運算功能對訓(xùn)練樣本的數(shù)據(jù)進行統(tǒng)計分析，并從中找出滿足目標值以及性能要求的權(quán)閾值組合形式，從而通過仿真方式來評價礦山的安全狀態(tài)。

3 結(jié)語

通過對人工神經(jīng)網(wǎng)絡(luò)在礦山安全狀態(tài)的評判能力進行訓(xùn)練以及仿真測試后，發(fā)現(xiàn)人工神經(jīng)網(wǎng)絡(luò)與人類評判方法存在一定的差異性，在今后的發(fā)展過程中，還需要對人工神經(jīng)網(wǎng)絡(luò)在礦山安全狀態(tài)中的評判能力進行不斷的優(yōu)化與改進，以便更好的適應(yīng)礦山安全狀態(tài)的評判，在礦山安全狀態(tài)的評判中充分發(fā)揮出人工神經(jīng)網(wǎng)絡(luò)的作用，從而更好的確保礦山生產(chǎn)與經(jīng)營的安全性。

第2篇：人工神經(jīng)網(wǎng)絡(luò)的缺點范文

Abstract: The technology of affecting the output accuracy of artificial neural network model has affected widespread ettention,and influence researches of sample quality to neural network output accuracy are very few,and the majority of these researcher about neural network structure. This paper analyses the influence of the sample to the output of artificial neural network,having important significance to improve accuracy of neural network output.

關(guān)鍵詞: 人工神經(jīng)網(wǎng)絡(luò);局部影響;BP神經(jīng)網(wǎng)絡(luò);算法

Key words: artificial neural networks;local influence;BP neural network;algorithm

中圖分類號:TP393.092 文獻標識碼:A文章編號:1006-4311(2010)07-0144-02

0引言

神經(jīng)網(wǎng)絡(luò)應(yīng)用到預(yù)測有許多問題需要解決, 其中最為突出的問題就是沒有一個確定的最合適的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的標準方法,由于影響神經(jīng)網(wǎng)絡(luò)預(yù)測能力的參數(shù)很多,本文針對最為常用的BP神經(jīng)網(wǎng)絡(luò),對影響神經(jīng)網(wǎng)絡(luò)預(yù)測精度的樣本質(zhì)量進行了詳細分析和研究, 并在此基礎(chǔ)上,給出優(yōu)化樣本后的具體例子。

1樣本質(zhì)量對網(wǎng)絡(luò)的影響

用于神經(jīng)網(wǎng)絡(luò)的樣本分為訓(xùn)練樣本和測試樣本,訓(xùn)練樣本的質(zhì)量在一定程度上決定著預(yù)測精度。首先,訓(xùn)練樣本和待預(yù)測樣本的均值存在較大差異, 預(yù)測誤差會隨著長時間的訓(xùn)練而增大。其次,訓(xùn)練誤差會隨著訓(xùn)練樣本和待預(yù)測樣本均值間差異的增大而增大。再次,訓(xùn)練誤差會隨著訓(xùn)練樣本和待預(yù)測樣本方差間差異的增大而增大[1]。下面是文獻[1]對樣本質(zhì)量分析的方法。

文獻[1]的人工神經(jīng)網(wǎng)絡(luò)預(yù)測誤差為e=em+et+er,其中,e為預(yù)測誤差;em為模型誤差,它由所建回歸模型與實際系統(tǒng)的差異引起的;et為最終的訓(xùn)練誤差;er為人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練和預(yù)測過程中引入的隨機誤差。et和er的存在是不可避免的,而em為:em=ef+ed,式中ef為實際輸出值與預(yù)測輸出值之間的誤差,它反映了樣本質(zhì)量;為由不正確的嵌入維數(shù)引起的誤差, 它可通過選擇合適的輸入神經(jīng)元數(shù)來消除。

為了評價訓(xùn)練樣本質(zhì)量,根據(jù)ef提出“一致度”的指標。文獻[1]定義了偽距離DCTP-D,但計算偽距離是相當(dāng)復(fù)雜的,難于實現(xiàn)對樣本質(zhì)量的分析和應(yīng)用。下面用協(xié)方差比統(tǒng)計量分析訓(xùn)練樣本對預(yù)測精度的影響。

設(shè)訓(xùn)練樣本為θ,是神經(jīng)網(wǎng)絡(luò)的輸出,i是從θ中剔除第i個數(shù)據(jù)點的神經(jīng)網(wǎng)絡(luò)輸出。則剔除第i個數(shù)據(jù)點的協(xié)方差比統(tǒng)計量CR=cv()cv()表明了剔除第個數(shù)據(jù)點對神經(jīng)網(wǎng)絡(luò)輸出精度的影響,從精度方面刻畫了第i個數(shù)據(jù)點的重要程度。CRi-1的值越大,對預(yù)測精度(神經(jīng)網(wǎng)絡(luò)輸出)的影響越大。在使用PB神經(jīng)網(wǎng)絡(luò)預(yù)測時先對訓(xùn)練樣本進行篩選,剔除對網(wǎng)絡(luò)輸出結(jié)果影響小的樣本點。

樣本精簡:矩陣初等行變換能保持矩陣列向量之間的線性關(guān)系,利用這個結(jié)論我們可以用來進行樣本數(shù)據(jù)的精簡,這樣精簡后的樣本數(shù)據(jù)能夠保持各屬性字段之間的線性關(guān)系。神經(jīng)網(wǎng)絡(luò)的訓(xùn)練實際上是一個通過給定樣本實時調(diào)整網(wǎng)絡(luò)連接權(quán)重的過程,樣本預(yù)處理的結(jié)果對于網(wǎng)絡(luò)訓(xùn)練的收斂性起到關(guān)鍵的作用。

2實例分析

本文采用麻省理工大學(xué)林肯實驗室的測試數(shù)據(jù)KDDCUP99,它是專門用來進行入侵檢測評估的。我們采用數(shù)據(jù)集上的一個子集10%作為實驗數(shù)據(jù)源,它一共包含有494021條網(wǎng)絡(luò)連接,其中正常連接97277 條,異常連接396744條。

下面我們針對DOS攻擊類型數(shù)據(jù)(DOS攻擊類型編碼為“0 0 0 1”)進行分析。

設(shè)A為樣本數(shù)據(jù)矩陣,其中每一行向量表示一條樣本數(shù)據(jù),則該行向量含34個數(shù)據(jù),假設(shè)有a條樣本,則A為a行34列矩陣;由于每條樣本數(shù)據(jù)輸入網(wǎng)絡(luò)后都會有一條對應(yīng)的輸出,加上本實例為DOS攻擊類型以編碼“0 0 0 1”表示,則期望輸出矩陣B為a行4列矩陣(暫時先不考慮閾值,只考慮權(quán)重問題)。本文BP神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點數(shù)為34個,隱含層節(jié)點數(shù)為15個,輸出層節(jié)點數(shù)為4個雖然神經(jīng)網(wǎng)絡(luò)的連接權(quán)重可以用一個實數(shù)串進行表示,但在進行網(wǎng)絡(luò)的訓(xùn)練時,還需要將實數(shù)串分為兩部分,設(shè)輸入層到隱含層的連接權(quán)重矩陣為W1,則W1為34行15列矩陣;同理,隱含層到輸出層的連接權(quán)重矩陣W2為15行4列矩陣。于是我們可以得到公式(1)。

AWW=B(1)

如式(2)所示,A和B是系數(shù)矩陣 ,C是增廣矩陣。經(jīng)過帶約束初等行變換后如式(3)所示。

C=[AB](2)

C=[AB]A′B′C D(3)

式(3)中,C、D為零矩陣,經(jīng)過處理以后,由原先的A對應(yīng)輸出B變成了現(xiàn)在的A′對應(yīng)輸出B′,通過這樣的處理,我們就可以將大樣本變?yōu)樾颖?從而使計算更加快速,樣本數(shù)據(jù)更加精簡。 為了能使樣本應(yīng)用于本文提出的分類檢測器同步檢測模型,我們將樣本數(shù)據(jù)先進行歸類合并,分別構(gòu)造出DOS、PROBE、U2R、R2L四大類攻擊樣本數(shù)據(jù)集,這樣四個檢測器分別檢測四大類攻擊。為了降低可疑攻擊數(shù),即四大攻擊類型數(shù)據(jù)集之間的重疊記錄數(shù)要少。精度過大會增加計算量,從而會降低學(xué)習(xí)速度;精度過小,會使記錄重疊數(shù)增加,從而造成可疑攻擊數(shù)增加,影響訓(xùn)練結(jié)果。

對訓(xùn)練樣本用上述方法進行優(yōu)化后,利用矩陣初等行變換能保持矩陣列向量之間的線性關(guān)系這個結(jié)論,我們可以進一步對樣本數(shù)據(jù)的精簡,這樣精簡后的樣本數(shù)據(jù)能夠保持各屬性字段之間的線性關(guān)系。神經(jīng)網(wǎng)絡(luò)的訓(xùn)練實際上是一個通過給定樣本實時調(diào)整網(wǎng)絡(luò)連接權(quán)重的過程,樣本預(yù)處理的結(jié)果對于網(wǎng)絡(luò)訓(xùn)練的收斂性起到關(guān)鍵的作用。

3結(jié)論

(1)分析神經(jīng)網(wǎng)絡(luò)進行非線性預(yù)測多變量預(yù)測的優(yōu)越性以及神經(jīng)網(wǎng)絡(luò)用于預(yù)測的缺點所在。

(2)提出了影響網(wǎng)絡(luò)預(yù)測能力的五個重要參數(shù):樣本質(zhì)量、樣本歸一化、輸人層節(jié)點數(shù)、隱層節(jié)點數(shù)及網(wǎng)絡(luò)訓(xùn)練允許誤差目標值。

(3)在一定允許訓(xùn)練誤差的情況下,研究了無個參數(shù)對網(wǎng)絡(luò)預(yù)測精度的影響,發(fā)現(xiàn)存在一個最優(yōu)的樣本、輸入層節(jié)點數(shù)和隱層節(jié)點數(shù),這樣的網(wǎng)絡(luò)具有較強的預(yù)測能力。

(4)本文用遺傳算法構(gòu)造了同時優(yōu)化影響神經(jīng)網(wǎng)絡(luò)預(yù)測精度的參數(shù)(輸入層節(jié)點數(shù)、隱層節(jié)點數(shù)及樣本允許訓(xùn)練誤差)的算法, 得到了較優(yōu)的網(wǎng)絡(luò)預(yù)測模型最后, 用算例驗證了本文分析結(jié)果的正確性。

參考文獻:

[1]陳果.神經(jīng)網(wǎng)絡(luò)模型的預(yù)測精度影響因素分析[J].北京: 模式識別與人工智能,2005,18(5):528-533.

[2]蔣林,陳濤,屈梁生.訓(xùn)練樣本質(zhì)量對人工神經(jīng)網(wǎng)絡(luò)性能的影響[J].北京:中國機械工程,1979,8(2):50-53.

[3]李敏強,徐博藝,寇紀淞.遺傳算法與神經(jīng)網(wǎng)絡(luò)的結(jié)合[J].北京:系統(tǒng)工程理論與實踐,1999(2).

[4]吳懷宇,宋玉階.非線性回歸分析中的神經(jīng)網(wǎng)絡(luò)方法[J].武漢:武漢冶金科技大學(xué)學(xué)報,1998,21(1):90-93.

第3篇：人工神經(jīng)網(wǎng)絡(luò)的缺點范文

關(guān)鍵詞 礦井提升機；模糊理論；神經(jīng)網(wǎng)絡(luò)；小波變化；智能診斷

中圖分類號：TD534 文獻標識碼：A 文章編號：1671—7597（2013）051-041-01

礦井提升機是集械、電、液于一體的大型設(shè)備。礦井提升機在煤礦生產(chǎn)過程中主要擔(dān)負著提升人員、生產(chǎn)設(shè)備、煤炭和矸石等任務(wù)。礦井提升機一旦發(fā)生故障，輕則導(dǎo)致礦山停產(chǎn)停工，嚴重時則有可能造成人員傷亡事件。為了確保礦井提升機能夠安全運行避免礦山事故的發(fā)生，國內(nèi)外相關(guān)科技工作者也進行了大量的探討和研究，其中礦井提升機的故障診斷技術(shù)是一個重要方面。礦井提升機故障診斷技術(shù)的成功應(yīng)用對煤礦的安全生產(chǎn)起到了積極的作用，為煤礦企業(yè)也會產(chǎn)生巨大的經(jīng)濟效益。

1 礦井提升機故障分類

礦井提升機的故障可分為機械故障與電氣故障兩類。機械故障是指礦井提升機設(shè)備上的某些參數(shù)超過了正常運行時的額限，是一種提升機設(shè)備的外在表現(xiàn)形式，主要解決方法是給提升機設(shè)備增加一些保護裝置，防止機械故障發(fā)生。電氣故障需要測量和檢測提升機設(shè)備上的工況參數(shù)和數(shù)據(jù)信息，并將這些工礦參數(shù)和數(shù)據(jù)信息進行數(shù)據(jù)處理和綜合分析才能診斷出提升機設(shè)備的故障位置、故障問題和原因。由于礦井提升機的電氣故障往往與很多的設(shè)備變量和參數(shù)有關(guān)聯(lián)，從而降低了提升機故障診斷的準確率。如果電氣故障不能有效而快速的得到解決，也會導(dǎo)致提升機設(shè)備機械故障的發(fā)生。

2 礦井提升機故障診斷存在的問題

目前關(guān)于提升機故障診斷研究還相對較少，現(xiàn)有的提升機故障診斷系統(tǒng)也存在一些不足和缺陷。比如，當(dāng)提升機控制系統(tǒng)中的傳感器或執(zhí)行器發(fā)生故障問題， 將會嚴重影響提升機系統(tǒng)的安全可靠運行；對礦井提升機系統(tǒng)中的工礦參數(shù)和數(shù)據(jù)信息處理準確度不高，提升機設(shè)備智能化程度相對較低，也是目前礦井提升機故障診斷中存在的問題；對于以開發(fā)的礦井提升機智能故障診斷系統(tǒng)還存在自適應(yīng)能力弱，實時性不強等缺點。

3 礦井提升機智能故障診斷技術(shù)及發(fā)展趨勢

提高礦井提升機的安全可靠性，通常有2種方法。一種是設(shè)計高可靠的礦井提升機制動系統(tǒng)，二是對礦井提升機的制動系統(tǒng)進行故障診斷。目前對于礦井提升機的智能故障診斷的研究成果很多，下面主要介紹幾種常見的智能故障診斷技術(shù)以及提升機故障診斷技術(shù)未來的發(fā)展趨勢。

3.1 基于模糊理論的礦井提升機故障診斷方法

礦井提升機的模糊診斷法是將數(shù)學(xué)集合論的概念應(yīng)用到提升機設(shè)備的故障診斷中，進行模糊推理，實現(xiàn)礦井提升機的故障診斷，從而解決提升機設(shè)備征兆與故障間的不確定關(guān)系。該診斷方法模糊推理邏輯嚴謹，但是由于較難確定礦井提升機故障的模糊關(guān)系，模糊診斷知識獲取困難等原因，因此礦井提升機的模糊診斷法還缺乏一定的準確性。

3.2 基于神經(jīng)網(wǎng)絡(luò)的礦井提升機故障診斷方法

人工神經(jīng)網(wǎng)絡(luò)具有容錯能力、自學(xué)習(xí)和自適應(yīng)能力以及并行處理信息能力強等特點。由于人工神經(jīng)網(wǎng)絡(luò)具有以上特點，目前將人工神經(jīng)網(wǎng)絡(luò)應(yīng)用到礦井提升機故障診斷的研究也逐漸增多，主要研究有基于BP神經(jīng)網(wǎng)絡(luò)或基于Elman神經(jīng)網(wǎng)絡(luò)的礦井提升機故障診斷方法。該方法的主要思想是將礦井提升機的故障特征向量作為人工神經(jīng)網(wǎng)絡(luò)的輸入，將礦井提升機的故障分類模式向量作為人工神經(jīng)網(wǎng)絡(luò)的輸出。輸入特征信號的提取方法主要有：時域特征法、頻域特征法以及幅值域特征法；時間序列法；小波變換特征提取法等。

3.3 基于小波變換的礦井提升機故障診斷方法

小波變換是時間頻率的局部化分析，它通過平移伸縮運算對信號進行多尺度細化，從而達到在信號低頻處頻率細分，高頻處時間細分，進而可以觀察到信號的任意特性細節(jié)。其最顯著的特點是能夠進行信號的多分辨率分析，對于正常信號中夾帶的瞬態(tài)反?，F(xiàn)象，不僅能檢測出來，還能夠展示該反常信號的成分，因此基于小波變換技術(shù)在礦井提升機的故障診斷中得到了廣泛應(yīng)用。利用小波變換對礦井提升機的動態(tài)系統(tǒng)的故障檢測與診斷也具有很好的效果，為礦井提升機的智能故障診斷技術(shù)提供了一種強而有力的分析手段。

3.4 基于人工智能的礦井提升機故障診斷方法

基于免疫粒子群算法的礦井提升機故障診斷方法是將人工免疫模型和離散粒子群進化算法相結(jié)合的一種礦井提升機故障診斷方法。該方法提高了礦井提升機故障診斷的執(zhí)行效率，并且能夠適應(yīng)提升機故障診斷過程中出現(xiàn)的不確定性，還可以實現(xiàn)多種提升機故障診斷。

基于遺傳神經(jīng)網(wǎng)絡(luò)算法的礦井提升機故障診斷方法是將遺傳算法和人工神經(jīng)網(wǎng)絡(luò)相結(jié)合的一種新的提升機故障診斷方法。該方法將遺傳算法的全局特性和神經(jīng)網(wǎng)絡(luò)的并行處理信息能力強等優(yōu)點相接合，能夠有效的克服人工神經(jīng)網(wǎng)絡(luò)收斂速度慢以及容易陷入局部極小等缺點，從而更加準確的建立礦井提升機故障診斷系統(tǒng)，快速地判斷出礦井提升機的故障。

4 結(jié)束語

隨著現(xiàn)代科技的發(fā)展，越來越多的新型智能診斷理論開始應(yīng)用于礦井提升機的故障診斷，如小波分析、人工神經(jīng)網(wǎng)絡(luò)、免疫算法以及遺傳算法等。開展對礦井提升機的智能故障診斷的研究，將會極大地提高提升機運行的安全可靠性，避免礦井事故的發(fā)生，減少不必要的損失， 為礦井提升機設(shè)備的經(jīng)濟、高效以及安全運行提供強而有力的技術(shù)支持。

參考文獻

[1]張平.礦用機電設(shè)備常見故障及其解決策略[J].硅谷，2012（6）：88.

[2]羅永仁，晏飛.故障智能診斷技術(shù)及其在礦井提升機上的應(yīng)用研究[J].2006（11）：117-119.

[3]吳艦，吳楠.基于小波分析的煤礦機電設(shè)備故障檢測關(guān)鍵技術(shù)應(yīng)用研究[J].自動化與儀器儀表，2011（5）：85-86.

[4]汪楚嬌，夏士雄，牛強.免疫粒子群算法及其在礦井提升機故障診斷中的應(yīng)用[J].電子學(xué)報，2010：94-98.

作者簡介

第4篇：人工神經(jīng)網(wǎng)絡(luò)的缺點范文

關(guān)鍵詞性能對比感知器BP網(wǎng)絡(luò)霍普菲爾德網(wǎng)絡(luò)字符識別

1引言

人工神經(jīng)網(wǎng)絡(luò)是在人類對其大腦神經(jīng)網(wǎng)絡(luò)認識理解的基礎(chǔ)上人工構(gòu)造的能夠?qū)崿F(xiàn)某種功能的神經(jīng)網(wǎng)絡(luò)。 它是理論化的人腦神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)模型，是基于模仿大腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和功能而建立的一種信息處理系統(tǒng)。因其自組織、自學(xué)習(xí)能力以及具有信息的分布式存儲和并行處理，信息存儲與處理的合一等特點得到了廣泛的關(guān)注，已經(jīng)發(fā)展了上百種人工神經(jīng)網(wǎng)絡(luò)。

一般來說，人工神經(jīng)網(wǎng)絡(luò)從結(jié)構(gòu)上可分為兩種:前向網(wǎng)絡(luò)和反饋網(wǎng)絡(luò)。典型的前向網(wǎng)絡(luò)有單層感知器、BP網(wǎng)絡(luò)等，反饋網(wǎng)絡(luò)有霍普菲爾德網(wǎng)絡(luò)等[1]。

人工神經(jīng)網(wǎng)絡(luò)已經(jīng)被廣泛應(yīng)用于模式識別、信號處理、專家系統(tǒng)、優(yōu)化組合、智能控制等各個方面，其中采用人工神經(jīng)網(wǎng)絡(luò)進行模式識別具有一些傳統(tǒng)技術(shù)所沒有的優(yōu)點:良好的容錯能力[2j、分類能力、并行處理能力和自學(xué)習(xí)能力，并且其運行速度快，自適應(yīng)性能好，具有較高的分辨率。單層感知器、BP網(wǎng)絡(luò)和霍普菲爾德網(wǎng)絡(luò)均可以用于字符識別。

本文通過具體采用感知器網(wǎng)絡(luò)、BP網(wǎng)絡(luò)和霍普菲爾德反饋網(wǎng)絡(luò)對26個英文字母進行識別的應(yīng)用，通過實驗給出各自的識別出錯率，通過比較，可以看出這3種神經(jīng)網(wǎng)絡(luò)的識別能力以及各自的優(yōu)缺點。

2 字符識別問題描述與網(wǎng)絡(luò)識別前的預(yù)處理

字符識別在現(xiàn)代日常生活的應(yīng)用越來越廣泛，比如車輛牌照自動識別系統(tǒng)[3，4]，手寫識別系統(tǒng)[5]，辦公自動化等等[6]。畢業(yè)論文 本文采用單層感知器、BP網(wǎng)絡(luò)和霍普菲爾德網(wǎng)絡(luò)對26個英文字母進行識別。首先將待識別的26個字母中的每一個字母都通過長和寬分別為7×5的方格進行數(shù)字化處理，并用一個向量表示。其相應(yīng)有數(shù)據(jù)的位置置為1，其他位置置為O。圖1給出了字母A、B和C的數(shù)字化過程，其中最左邊的為字母A的數(shù)字化處理結(jié)果所得對應(yīng)的向量為:IetterA~「00100010100101010001111111000110001〕’，由此可得每個字母由35個元素組成一個向量。由26個標準字母組成的輸人向量被定義為一個輸人向量矩陣alphabet，即神經(jīng)網(wǎng)絡(luò)的樣本輸人為一個35×26的矩陣。其中alphabet=[letterA，letterB，lettere，……letterZj。網(wǎng)絡(luò)樣本輸出需要一個對26個輸人字母進行區(qū)分輸出向量，對于任意一個輸人字母，網(wǎng)絡(luò)輸出在字母對應(yīng)的順序位置上的值為1，其余為O，即網(wǎng)絡(luò)輸出矩陣為對角線上為1的26×26的單位陣，定義target=eye(26)。

本文共有兩類這樣的數(shù)據(jù)作為輸人:一類是理想的標準輸人信號;另一類是在標準輸人信號中加上用MATLAB工具箱里的噪聲信號，即randn函數(shù)。

3 識別字符的網(wǎng)絡(luò)設(shè)計及其實驗分析

3.1單層感知器的設(shè)計及其識別效果

選取網(wǎng)絡(luò)35個輸人節(jié)點和26個輸出節(jié)點，設(shè)置目標誤差為0.0001，最大訓(xùn)練次數(shù)為40。設(shè)計出的網(wǎng)絡(luò)使輸出矢量在正確的位置上輸出為1，在其他位置上輸出為O。醫(yī)學(xué)論文 首先用理想輸人信號訓(xùn)練網(wǎng)絡(luò)，得到無噪聲訓(xùn)練結(jié)果，然后用兩組標準輸入矢量加上兩組帶有隨機噪聲的輸人矢量訓(xùn)練網(wǎng)絡(luò)，這樣可以保證網(wǎng)絡(luò)同時具有對理想輸人和噪聲輸人分類的能力。網(wǎng)絡(luò)訓(xùn)練完后，為保證網(wǎng)絡(luò)能準確無誤地識別出理想的字符，再用無噪聲的標準輸入訓(xùn)練網(wǎng)絡(luò)，最終得到有能力識別帶有噪聲輸人的網(wǎng)絡(luò)。下一步是對所設(shè)計的網(wǎng)絡(luò)進行性能測試:給網(wǎng)絡(luò)輸人任意字母，并在其上加人具有平均值從。~0.2的噪聲，隨機產(chǎn)生100個輸人矢量，分別對上述兩種網(wǎng)絡(luò)的字母識別出錯率進行實驗，結(jié)果如圖2所示。其中縱坐標所表示的識別出錯率是將實際輸出減去期望輸出所得的輸出矩陣中所有元素的絕對值和的一半再除以26得到的;虛線代表用無噪聲的標準輸人信號訓(xùn)練出網(wǎng)絡(luò)的出錯率，實線代表用有噪聲訓(xùn)練出網(wǎng)絡(luò)的出錯率。從圖中可以看出，無噪聲訓(xùn)練網(wǎng)絡(luò)對字符進行識別時，當(dāng)字符一出現(xiàn)噪聲時，該網(wǎng)絡(luò)識別立刻出現(xiàn)錯誤;當(dāng)噪聲均值超過0.02時，識別出錯率急劇上升，其最大出錯率達到21.5%。由此可見，無噪聲訓(xùn)練網(wǎng)絡(luò)識別幾乎沒有抗干擾能力。而有噪聲訓(xùn)練出的網(wǎng)絡(luò)具有一定的抗干擾能力，它在均值為。~0.06之間的噪聲環(huán)境下，能夠準確無誤地識別;其最大識別出錯率約為6.6%，遠遠小于無噪聲訓(xùn)練出的網(wǎng)絡(luò)。

3.2BP網(wǎng)絡(luò)的設(shè)計及其識別效果

該網(wǎng)絡(luò)設(shè)計方法在文獻[lj中有詳細介紹。網(wǎng)絡(luò)具有35個輸人節(jié)點和26個輸出節(jié)點。目標誤差為0.0001，采用輸人在(0，l)范圍內(nèi)對數(shù)S型激活函數(shù)兩層109519/109519網(wǎng)絡(luò)，隱含層根據(jù)經(jīng)驗選取10個神經(jīng)元。和單層感知器一樣，分別用理想輸人信號和帶有隨機噪聲的輸人訓(xùn)練網(wǎng)絡(luò)，得到有噪聲訓(xùn)練網(wǎng)絡(luò)和無噪聲訓(xùn)練網(wǎng)絡(luò)。由于噪聲輸人矢量可能會導(dǎo)致網(wǎng)絡(luò)的1或o輸出不正確，或出現(xiàn)其他值，所以為了使網(wǎng)絡(luò)具有抗干擾能力，在網(wǎng)絡(luò)訓(xùn)練后，再將其輸出經(jīng)過一層競爭網(wǎng)絡(luò)的處理，使網(wǎng)絡(luò)的輸出只在本列中的最大值的位t為1，保證在其他位置輸出為O，其中網(wǎng)絡(luò)的訓(xùn)練采用自適應(yīng)學(xué)習(xí)速率加附加動量法，在MATLAB工具箱中直接調(diào)用traingdx。在與單層感知器相同的測試條件下對網(wǎng)絡(luò)進行性能測試，結(jié)果如圖3所示。其中虛線代表用無噪聲訓(xùn)練網(wǎng)絡(luò)的出錯率，實線代表用有噪聲訓(xùn)練網(wǎng)絡(luò)的出錯率。從圖中可以看出，在均值為o一0.12之間的噪聲環(huán)境下，兩個網(wǎng)絡(luò)都能夠準確地進行識別。在0.12~0.15之間的噪聲環(huán)境下，由于噪聲幅度相對較小，待識別字符接近于理想字符，故無噪聲訓(xùn)練網(wǎng)絡(luò)的出錯率較有噪聲訓(xùn)練網(wǎng)絡(luò)略低。當(dāng)所加的噪聲均值超過。.15時，待識別字符在噪聲作用下不再接近于理想字符，無噪聲訓(xùn)練網(wǎng)絡(luò)的出錯率急劇上升，此時有噪聲訓(xùn)練網(wǎng)絡(luò)的性能較優(yōu).

轉(zhuǎn)貼于 3.3離散型，霍普菲爾德網(wǎng)絡(luò)的設(shè)計及其識別效果

此時網(wǎng)絡(luò)輸人節(jié)點數(shù)目與輸出神經(jīng)元的數(shù)目是相等的，有r=s=35，采用正交化的權(quán)值設(shè)計方法。在MATLAB工具箱中可直接調(diào)用函數(shù)newh叩.m。要注意的是，由于調(diào)用函數(shù)newhoP.m，需要將輸人信號中所有的。英語論文 變換為一1。如letterA~[一1一11~1-1一11一11一l一11一11一11一1一1一11111111一l一l一111一1一1一11〕’。設(shè)計離散型霍普菲爾德網(wǎng)絡(luò)進行字符識別，只需要讓網(wǎng)絡(luò)記憶所要求的穩(wěn)定平衡點，即待識別的26個英文字母。故只需要用理想輸人信號來訓(xùn)練網(wǎng)絡(luò)。對于訓(xùn)練后的網(wǎng)絡(luò)，我們進行性能測試。給網(wǎng)絡(luò)輸入任意字母，并在其上加人具有平均值從。~0.5的噪聲，隨機產(chǎn)生100個輸人矢量，觀察字母識別出錯率，結(jié)果如圖4所示。從圖中可以看出，在均值為0~0.33之間的噪聲環(huán)境下，網(wǎng)絡(luò)能夠準確地進行識別。在0.33~0.4之間的噪聲環(huán)境下，識別出錯率不到1%，在0.4以上的噪聲環(huán)境下，網(wǎng)絡(luò)識別出錯率急劇上升，最高達到大約10%?？梢钥闯?，該網(wǎng)絡(luò)穩(wěn)定點的吸引域大約在0.3~。.4之間。當(dāng)噪聲均值在吸引域內(nèi)時，網(wǎng)絡(luò)進行字符識別時幾乎不出錯，而當(dāng)噪聲均值超過吸引域時，網(wǎng)絡(luò)出錯率急劇上升。

4結(jié)論

本文設(shè)計了3種人工神經(jīng)網(wǎng)絡(luò)對26個英文字母進行了識別?？梢钥闯?，這3種人工神經(jīng)網(wǎng)絡(luò)均能有效地進行字符識別，并且識別速度快，自適應(yīng)性能好，分辨率較高。由圖2和圖3可以看出，單層感知器的有噪聲訓(xùn)練網(wǎng)絡(luò)在均值為O~0.06之間的噪聲環(huán)境下可以準確無誤的識別，而有噪聲訓(xùn)練的BP網(wǎng)絡(luò)可以在o~0.12之間的噪聲環(huán)境下準確無誤的識別，故BP絡(luò)網(wǎng)絡(luò)容錯性比單層感知器的容錯性好;此外，噪聲達到0.2時，單層感知器的有噪聲訓(xùn)練網(wǎng)絡(luò)的識別出錯率為6.6%，而有噪聲訓(xùn)練的BP網(wǎng)絡(luò)的識別出錯率為2.1%，故BP網(wǎng)絡(luò)比單層感知器識別能力強。另外，由圖2、圖3和圖4可以看出，這3種網(wǎng)絡(luò)中霍普菲爾德網(wǎng)絡(luò)識別率最高，它在噪聲為0.33以前幾乎不會出錯，BP網(wǎng)絡(luò)次之，感知器最差。

通過設(shè)計、應(yīng)用與性能對比，我們可得單層感知器網(wǎng)絡(luò)結(jié)構(gòu)和算法都很簡單，訓(xùn)練時間短，但識別出錯率較高，容錯性也較差。BP網(wǎng)絡(luò)結(jié)構(gòu)和算法比單層感知器結(jié)構(gòu)稍復(fù)雜，但其識別率和容錯性都較好?；羝辗茽柕戮W(wǎng)絡(luò)具有設(shè)計簡單且容錯性最好的雙重優(yōu)點。因此，我們應(yīng)根據(jù)網(wǎng)絡(luò)的特點以及實際要求來選擇人工神經(jīng)網(wǎng)絡(luò)對字符進行識別。 參考文獻

[1]叢爽.面向MATLAB工具箱的神經(jīng)網(wǎng)絡(luò)理論與應(yīng)用「M.合肥:中國科學(xué)技術(shù)大學(xué)出版社，2003.

[2]武強，童學(xué)鋒，季雋.基于人工神經(jīng)網(wǎng)絡(luò)的數(shù)字字符識別[J].計算機工程，2003，29(14):112一113.

[3]廖翔云，許錦標，龔仕偉.車牌識別技術(shù)研究[J].徽機發(fā)展，2003，13:30一35.

[4]李中凱，王效岳，魏修亭.BP網(wǎng)絡(luò)在汽車牌照字符識別中的應(yīng)用[J].東理工大學(xué)學(xué)報，2004，18(4):69一72.

第5篇：人工神經(jīng)網(wǎng)絡(luò)的缺點范文

關(guān)鍵詞：電力系統(tǒng)超短期負荷預(yù)測人工神經(jīng)網(wǎng)絡(luò)外推法

中圖分類號：F407文獻標識碼： A

1 負荷預(yù)測概述[1]

負荷的大小與特性對于電力系統(tǒng)設(shè)計和運行都是極為重要的因素。對負荷的變化與特性有一個事先的估計是電力系統(tǒng)運行、控制和規(guī)劃不可缺少的一部分。

指導(dǎo)調(diào)度員控制聯(lián)絡(luò)線交換功率在規(guī)定范圍，一般需5～15min 的負荷數(shù)據(jù)。預(yù)防性控制和緊急狀態(tài)處理需要10min至1h的預(yù)測值[2] 。這也是本文的主要研究方向。

2 電力系統(tǒng)負荷預(yù)測方法簡介

長期以來，國內(nèi)外學(xué)者對負荷預(yù)測的理論和方法做了大量的研究，提出了各種各樣的預(yù)測方法，這些方法大致可分為兩大類:一類是以時間序列法為代表的傳統(tǒng)方法，另一類是以人工神經(jīng)網(wǎng)絡(luò)為代表的新型人工智能方法。傳統(tǒng)方法中主要有時間序列法、多元線性回歸法及傅立葉展開法等。人工智能方法中主要有專家系統(tǒng)法、模糊邏輯法、人工神經(jīng)網(wǎng)絡(luò)法及小波分析法等。由于電力負荷的變化有其不確定性，如氣候變化、意外事故的發(fā)生等對電力負荷造成隨機干擾，因此，每種方法均有一定的適應(yīng)場合，并需要不斷的完善。

2.1 回歸分析法

回歸分析法又稱統(tǒng)計分析法,回歸模型有一元線性回歸、多元線性回歸、非線性回歸等回歸預(yù)測模型；其中，線性回歸用于中期負荷預(yù)測。優(yōu)點是：預(yù)測精度較高，適用于在中、短期預(yù)測使用。缺點是：1.規(guī)劃水平年的工農(nóng)業(yè)總產(chǎn)值很難詳細統(tǒng)計；2.用回歸分析法只能測算出綜合用電負荷的發(fā)展水平，無法測算出各供電區(qū)的負荷發(fā)展水平，也就無法進行具體的電網(wǎng)建設(shè)規(guī)劃。

2.2 彈性系數(shù)法

彈性系數(shù)是電量平均增長率與國內(nèi)生產(chǎn)總值之間的比值，根據(jù)國內(nèi)生產(chǎn)總值的增長速度結(jié)合彈性系數(shù)得到規(guī)劃期末的總用電量。彈性系數(shù)法是從宏觀上確定電力發(fā)展同國民經(jīng)濟發(fā)展的相對速度，它是衡量國民經(jīng)濟發(fā)展和用電需求的重要參數(shù)。電力彈性系數(shù)可以用下面的公式來表示：

(2-1-1)

式中：為電力彈性系數(shù)；為為電力消費年平均增長率；為國民經(jīng)濟年平均增長率

在市場經(jīng)濟條件下，電力彈性系數(shù)已經(jīng)變得捉摸不定，并且隨著科學(xué)技術(shù)的迅猛發(fā)展，節(jié)電技術(shù)和電力需求側(cè)管理，電力與經(jīng)濟的關(guān)系急劇變化，電力需求與經(jīng)濟發(fā)展的變化步伐嚴重失調(diào)，使得彈性系數(shù)難以捉摸，使用彈性系數(shù)法預(yù)測電力需求難以得到滿意的效果。2.3 時間序列法

時間序列法是短期負荷預(yù)測的經(jīng)典方法，是根據(jù)負荷的歷史資料，設(shè)法建立一個數(shù)學(xué)模型，用這個數(shù)學(xué)模型一方面來描述電力負荷這個隨機變量變化過程的統(tǒng)計規(guī)律，另一方面在該數(shù)學(xué)模型的基礎(chǔ)上再確立負荷預(yù)測的數(shù)學(xué)表達式，對未來的負荷進行預(yù)報。就一般地時間序列預(yù)測方法而言，人們總是先去識別與實際預(yù)測目標序列相符合的一個隨機模型，并估計出隨機模型中的未知參數(shù)，再對隨機模型進行考核，當(dāng)確認該隨機模型具有適用價值后，再在此基礎(chǔ)上建立預(yù)測表達式進行預(yù)報。它利用了電力負荷變動的慣性特征和時間上的延續(xù)性，通過對歷史數(shù)據(jù)時間序列的分析處理，確定其基本特征和變化規(guī)律，預(yù)測未來負荷。

2.4 負荷求導(dǎo)法

每天的負荷大?。ǜ叩停┯胁顒e，但其負荷的變化率是有一定的規(guī)律。只要找出一個適當(dāng)函數(shù)來擬合每天的負荷曲線，對這個函數(shù)進行一次求導(dǎo)，即可得出一天的負荷變化率。雖然每天的負荷大小變化難以準確預(yù)測，但對負荷曲線求導(dǎo)后，得出的負荷變化率有一定的穩(wěn)定性。因此，利用負荷的變化率來進行超短期負荷預(yù)測將會使精確度提高。負荷求導(dǎo)法預(yù)測的公式是：

(2-1-2)

式中對第i+1點的負荷預(yù)測值；

第i點的實際負荷值；

第i點的預(yù)測負荷變化率值。

2.5 專家系統(tǒng)法

專家系統(tǒng)預(yù)測法是對數(shù)據(jù)庫里存放的過去幾年甚至幾十年的，每小時的負荷和天氣數(shù)據(jù)進行分析，從而匯集有經(jīng)驗的負荷預(yù)測人員的知識，提取有關(guān)規(guī)則，按照一定的規(guī)則進行負荷預(yù)測。實踐證明，精確的負荷預(yù)測不僅需要高新技術(shù)的支撐，同時也需要融合人類自身的經(jīng)驗和智慧。因此，就會需要專家系統(tǒng)這樣的技術(shù)。專家系統(tǒng)法，是對人類的不可量化的經(jīng)驗進行轉(zhuǎn)化的一種較好的方法。但專家系統(tǒng)分析本身就是一個耗時的過程，并且某些復(fù)雜的因素（如天氣因素），即使知道其對負荷的影響，但要準確定量地確定他們對負荷地區(qū)的影響也是很難的。專家系統(tǒng)預(yù)測法適用于中、長期負荷預(yù)測。此法的優(yōu)點是：1.能匯集多個專家的知識和經(jīng)驗，最大限度地利用專家的能力；2.占有的資料、信息多，考慮的因素也比較全面，有利于得出較為正確的結(jié)論。

2.6 外推法

根據(jù)負荷的變化趨勢對未來負荷情況作出預(yù)測。電力負荷雖然具有隨機性和不確定性，但在一定條件下，仍存在著明顯的變化趨勢，例如農(nóng)業(yè)用電，在氣候條件變化較小的冬季，日用電量相對穩(wěn)定，表現(xiàn)為較平穩(wěn)的變化趨勢。

外推法有線性趨勢預(yù)測法、對數(shù)趨勢預(yù)測法、二次曲線趨勢預(yù)測法、指數(shù)曲線趨勢預(yù)測法。趨勢外推法的優(yōu)點是：只需要歷史數(shù)據(jù)、所需的數(shù)據(jù)量較少。缺點是：如果負荷出現(xiàn)變動，會引起較大的誤差。

2.7 人工神經(jīng)網(wǎng)絡(luò)法

人工神經(jīng)網(wǎng)絡(luò)理論最早出現(xiàn)于20世紀40年代，經(jīng)過幾十年的發(fā)展，已廣泛的用于電力系統(tǒng)短期負荷預(yù)測。在現(xiàn)有的各種神經(jīng)網(wǎng)絡(luò)的計算方法中，由Ponelhert和Mcclelland提出的BP算法是應(yīng)用得最多的一種。BP算法的模型為前向多層網(wǎng)絡(luò)，由輸入層、隱含層、輸出層組成，每層都包含若干節(jié)點，同一層的節(jié)點間沒有相互的連接，而僅僅在前后不同層之間有節(jié)點的連接。BP算法的學(xué)習(xí)過程由正向傳播和反向傳播組成，正向傳播過程的輸入樣本從輸入層經(jīng)隱含層處理后傳向輸出層，每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)。如果在輸出層得不到期望值，則轉(zhuǎn)入反向傳播，將誤差信號沿原連接通路返回，通過修正各神經(jīng)元的權(quán)系數(shù)，使誤差信號減小，達到給定的精度，從而完成了其學(xué)習(xí)過程。這樣，當(dāng)在網(wǎng)絡(luò)的輸入端加入一新的信號時，就能從其輸出端得到相應(yīng)的結(jié)果。

3 預(yù)測算例

通過前述對各種預(yù)測方法的分析，采用神經(jīng)網(wǎng)絡(luò)法和外推法對山東某地區(qū)一個變電站的2005年8月8日負荷進行預(yù)測。在實際應(yīng)用中，預(yù)測最小間隔為5min，預(yù)測長度為1h。目前15min預(yù)測間隔為最常用。負荷采樣間隔為5分鐘，一天24個小時為288個數(shù)據(jù)，預(yù)測為提前15分鐘的預(yù)測，預(yù)測結(jié)果如下：

圖1 基于BP神經(jīng)網(wǎng)絡(luò)的負荷預(yù)測曲線

預(yù)測的平均相對誤差為2.3089%，本文在建立超短期負荷模型時，未考慮天氣變化和突發(fā)事件對負荷的影響，這在一定程度上影響了預(yù)測的精度。當(dāng)天氣變化顯著或者有突發(fā)事件時，這個預(yù)測模型的精度會變差。但總的來說，所得預(yù)測結(jié)果比較令人滿意。

圖2 外推法負荷預(yù)測曲線

預(yù)測的平均相對誤差為2.3059%，與神經(jīng)網(wǎng)絡(luò)法預(yù)測結(jié)果相差不大。

4 結(jié)論

本文對各種負荷預(yù)測方法進行了分析，并且在短期及超短期負荷預(yù)測方面，針對于兩種目前比較常用的負荷預(yù)測方法――人工神經(jīng)網(wǎng)絡(luò)法和負荷外推法進行了重點的仿真研究。得出：在超短期負荷預(yù)測方面兩種方法得出結(jié)果相差并不是很大。負荷外推法方法簡單，要求的歷史數(shù)據(jù)較少，運算速度較快，可滿足系統(tǒng)在線分析的實時要求，比較適合在工程中應(yīng)用。人工神經(jīng)網(wǎng)絡(luò)法算法比較復(fù)雜，而且存在訓(xùn)練時間較長、收斂性等問題。但是在短期負荷預(yù)測方面(例如提前24小時的預(yù)測)神經(jīng)網(wǎng)絡(luò)法存在著比負荷外推法明顯的優(yōu)勢。因此，在工程應(yīng)用等方面線性外推法還是具有較強的實用性。

參考文獻

[1]劉晨暉.電力系統(tǒng)負荷預(yù)報理論與方法[M].中國:哈爾濱工業(yè)大學(xué)出版社，1987年 .20-60.

[2]張峰 吳勁暉 張怡 胡若云.基于負荷趨勢的新型超短期負荷預(yù)測法[J]. 電網(wǎng)技術(shù),2005,vol.28 No.19

[3]吳熳紅 楊繼旺.幾種電力負荷預(yù)測方法及其比較[J].廣東電力,2001,vol.17 No.1

[4]陳霞 安伯義 陳廣林.電力負荷預(yù)測理論與方法[J].農(nóng)村電氣化,2004.7

[5]吳勁暉 王冬明 黃良寶 孫維真.一種超短期負荷預(yù)測的新方法-負荷求導(dǎo)法[J]. 浙江電力,2000,6

[6]張國忠 熊偉 向求新 黃曉明 劉亞. 應(yīng)用人工神經(jīng)網(wǎng)絡(luò)預(yù)測電力負荷[J].電力自動化設(shè)備,2002,22

[7]S.H.Ling Frank H.F.Leung H.K.Lam Peter K.S.Tam Short-Term Electric Load Forecasting Based on a Neural Fuzzy Networks[A]. IEEE Transactions on Industrial electronics vol.50 no.6

[8]閆承山 劉永奇.人工神經(jīng)網(wǎng)絡(luò)在華北電網(wǎng)負荷預(yù)測中的應(yīng)用[J].電網(wǎng)技術(shù),1998,22

[9] 馬文曉 白曉民 沐連順.基于人工神經(jīng)網(wǎng)絡(luò)和模糊推理的短期負荷預(yù)測方法[J].電網(wǎng)技術(shù),2003,27

[10]D.C.Park M.A.El-Sharkawi R.J.Marks II L.E.Atlas and M.J.Damborg. Electric Load Forecasting Using An Artificial Neural Network [A].IEEE Transcaction on Power Systems vol.6 no.2 May 1991

[11]Lee K.Y.，Cha Y.T. Park J.H.，Short-term load forecasting using an artificial neutral network[J]. Power Systems, IEEE Transactions on , Volume: 7 , Issue: 1 , Feb. 1992

[12]姜勇.電力系統(tǒng)短期負荷預(yù)測的模糊神經(jīng)網(wǎng)絡(luò)方法[J]. 繼電,2002，30(7)

[13]Shan Shao, Yaming Sun, Short-term load forecasting using fuzzy neural network. Advances in Power System Control, Operation and Management, 1997. Fourth International Conference on (Conf. Publ. No. 450) Vol. 1 Nov 1997

[14]楊洪明 白培林.基于遺傳算法的人工神經(jīng)網(wǎng)絡(luò)負荷預(yù)報模型[J].湖南電力，2000 20

作者簡介

陳曉東 男 碩士 工程師電力系統(tǒng)穩(wěn)定 山東電機工程學(xué)會

第6篇：人工神經(jīng)網(wǎng)絡(luò)的缺點范文

關(guān)鍵詞：食品安全與衛(wèi)生管理 研究性學(xué)習(xí) 創(chuàng)新性實驗 人工神經(jīng)網(wǎng)絡(luò)

在大學(xué)生研究性和創(chuàng)新性科研項目中，要改變由指導(dǎo)老師一步一步發(fā)指令由學(xué)生被動完成任務(wù)，還是科研小組同學(xué)主動學(xué)習(xí)、主動定方案（方向）、定任務(wù)后，再由指導(dǎo)老師和全組同學(xué)商討，小組同學(xué)分別完成相應(yīng)工作任務(wù)，再學(xué)習(xí)，再研討，再實驗…，直到項目完成。這是研究性和創(chuàng)新性項目培養(yǎng)和提高同學(xué)自主管理能力和科技創(chuàng)新能力非常關(guān)鍵的環(huán)節(jié)。在這個環(huán)節(jié)上，老師不再是“司令員”，而是科研小組中的普通一員。下面以“水培蝦、南美白對蝦、斑節(jié)對蝦氨基酸紫外可見光譜人工神經(jīng)網(wǎng)絡(luò)定量測定及營養(yǎng)學(xué)分析”大學(xué)生科技創(chuàng)新項目為例，說明一些具體作法。

1.組織小組同學(xué)展開調(diào)研， 明確科研與生產(chǎn)實際相結(jié)合， 培養(yǎng)社會調(diào)查能力

“水培蝦、南美白對蝦、斑節(jié)對蝦氨基酸紫外可見光譜人工神經(jīng)網(wǎng)絡(luò)定量測定及營養(yǎng)學(xué)分析”項目小組成員來自學(xué)校中三個專業(yè)不同年級的同學(xué)，自愿組合而成。首先在老師的主持下由小組同學(xué)選出2名學(xué)習(xí)好、責(zé)任心強、實踐操作能力強的同學(xué)組成項目小組管理核心。然后小組負責(zé)同學(xué)則將同學(xué)分成二個調(diào)查組，分別到海產(chǎn)品養(yǎng)殖場和海產(chǎn)品銷售市場展開調(diào)研。二個小組調(diào)查完畢，通過匯總與討論，大家明確了目前舟山人工養(yǎng)殖蝦體主要有三大代表品種：水培蝦、斑節(jié)對蝦和南美白對蝦。這三種蝦適應(yīng)范圍廣，產(chǎn)量高，是目前我國東海養(yǎng)殖的主要特色品種。其營養(yǎng)豐富，口感鮮美，市場需求量大，經(jīng)濟價值較高，具有良好的市場前景。因此，必須依靠通過對這三種蝦的優(yōu)良品種的選育、飼料配料的組合和篩選及其營養(yǎng)價值的分析等工作進一步提高其質(zhì)和量。而這些工作的開展必須進行氨基酸的測定?？梢?，蝦體肌肉中氨基酸含量的測定具有十分重要的意義。于是同學(xué)們經(jīng)充分討論后認為：開展“蝦體氨基酸檢測”的創(chuàng)新性實驗，不但具有重要的實際意義，而且可行性強。不但可加深同學(xué)們的專業(yè)基礎(chǔ)知識，還可拓展同學(xué)們知識視野，培養(yǎng)科技創(chuàng)新能力。

2.組織同學(xué)學(xué)習(xí)相關(guān)背景知識， 提高自主學(xué)習(xí)能力， 加深對基礎(chǔ)課程知識的理解

項目小組管理核心下一步則是組織科研小組成員復(fù)習(xí)《生物化學(xué)》、《營養(yǎng)學(xué)》、《食品分析與檢驗》等基礎(chǔ)及專業(yè)課程，首先是進一步加深同學(xué)對蝦體中氨基酸的認識。氨基酸是人體必不可少的營養(yǎng)成分之一，而有些氨基酸是不能在人體內(nèi)自行合成必需要從食物中獲取，如異亮氨酸、亮氨酸、甲硫氨酸（蛋氨酸）、賴氨酸、蘇氨酸、苯丙氨酸和纈氨酸，它們稱為必需氨基酸[1]。因此蝦體中氨基酸的檢測分析主要就是針對這些必需氨基酸。必需氨基酸的含量高，蝦的營養(yǎng)價值就大，商業(yè)價值就高。而養(yǎng)殖對蝦蝦體中氨基酸含量的傳統(tǒng)檢測方法存在費用高、樣品用量大、檢測方法費時繁瑣等問題，不適于養(yǎng)殖生產(chǎn)控制特別是蝦體氨基酸含量的快速分析。結(jié)合《現(xiàn)代儀器分析》課程中的知識，同學(xué)們提出用最簡單的紫外-可見光譜法結(jié)合人工神經(jīng)網(wǎng)絡(luò)用于三種對蝦主要氨基酸（必需氨基酸和鮮味氨基酸）的不經(jīng)分離定量測定。光譜數(shù)據(jù)在BP人工神經(jīng)網(wǎng)絡(luò)實現(xiàn)對蝦肌肉中氨基酸定量分析的基礎(chǔ)上[2], 進一步試驗采用較新的具有較強自適應(yīng)能力和較好預(yù)測效果的極限學(xué)習(xí)機（Extreme Learning Machine,ELM）神經(jīng)網(wǎng)絡(luò)模型完成定量分析和預(yù)測，嘗試為對蝦蝦肉中氨基酸多組分分析提供一種不需貴重儀器的簡易新方法。

3.組織同學(xué)自主檢索查閱文獻，學(xué)習(xí)人工神經(jīng)網(wǎng)絡(luò)方法，拓展知識視野

方向任務(wù)明確以后，項目小組管理核心則組織小組同學(xué)自主檢索相關(guān)文獻，自主學(xué)習(xí)相關(guān)知識，開拓知識視野，重點組織小組同學(xué)學(xué)習(xí)人工神經(jīng)網(wǎng)絡(luò)方法。經(jīng)過項目小組全體成員的多次學(xué)習(xí)與探討，大家都清楚的知道了人工神經(jīng)網(wǎng)絡(luò)現(xiàn)在已經(jīng)是解決化學(xué)問題的一種重要的化學(xué)計量學(xué)方法。是模擬人腦神經(jīng)元的工作原理來建立模型進行分類與預(yù)測的一種化學(xué)計量學(xué)手段[3]。目前，人工湖神經(jīng)網(wǎng)絡(luò)應(yīng)用于氨基酸混合液測定中主要是誤差反向傳播 ( Back propagation,BP)人工神通網(wǎng)絡(luò)（BP是由輸入層, 輸出層以及若干隱含層節(jié)點間互連而成的一種多層網(wǎng)絡(luò)）。但它存在一些無法克服的缺點，如：訓(xùn)練速度慢；訓(xùn)練過程可能不穩(wěn)定；容易陷入局部極小點，無法達到全局最??；而且可見-紫外光譜所含的波長數(shù)據(jù)點多，具有多重共線性，會造成建模時間長等問題。經(jīng)過小組學(xué)習(xí)探討和老師的指導(dǎo)，大家提出針對海產(chǎn)品對蝦氨基酸溶液光譜測定中波長數(shù)據(jù)點多的問題，我們可以試用極限學(xué)習(xí)機完成對蝦體肉中必需（主要）氨基酸含量測定并與BP神經(jīng)網(wǎng)絡(luò)等方法進行分析對比。進一步的學(xué)習(xí)與探討，小組同學(xué)明確了極限學(xué)習(xí)機（Extreme Learning Machine,ELM）神經(jīng)網(wǎng)絡(luò)是南洋理工大學(xué)G. B. Huang 等人在2006年提出的一種人工神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練新算法,與傳統(tǒng)的誤差反向傳播 ( Back propagation,BP)人工神通網(wǎng)絡(luò)方法相比，極限學(xué)習(xí)機有泛化性能好、訓(xùn)練學(xué)習(xí)速度快等優(yōu)點[4]。

4.組織同學(xué)主動聯(lián)系藥品試劑市場， 鍛煉社會人際交往能力

在購買所實驗所需的試劑與材料方面，項目小組管理核心同學(xué)認識到，本項目所需主要儀器為紫外可見分光光度計和氨基酸分析儀，但實驗試劑則不同于以往的實驗課，老師配好實驗用試劑后供同學(xué)直接使用?，F(xiàn)在是需要通過小組同學(xué)自己去市場聯(lián)系，同學(xué)自己購買，買來后還需同學(xué)自己配制，因此這是一個培養(yǎng)同學(xué)社會人際交往能力的好機會。項目小組管理核心則首先組織同學(xué)上網(wǎng)查找相關(guān)試劑的供應(yīng)商的信息，然后讓同學(xué)比較這幾家商家的報價及其產(chǎn)品的可靠性，從中挑選出合乎條件的2-3家商家，最后由項目小組管理核心負責(zé)聯(lián)系著2-3家商家，并與小組成員討論比較后進行購買。

5.組織與分配小組同學(xué)各自完成相應(yīng)的具體實驗項目，培養(yǎng)實驗實際操作能力

在儀器使用等方面老師則重點指導(dǎo)這幾個同學(xué)，即他（她）們同時也就成為這個項目小組的“指導(dǎo)老師”。如由他（她）們負責(zé)實驗試劑的配制或指導(dǎo)同學(xué)配制，負責(zé)指導(dǎo)同學(xué)進行儀器操作，負責(zé)分配或指導(dǎo)同學(xué)完成相應(yīng)的具體實驗項目，輔助或指導(dǎo)實驗小組同學(xué)完成實驗設(shè)備的具體配置等等。如以下取同齡期、同體長、同體重的南美白對蝦、竹節(jié)蝦（日本對蝦）和水培蝦稱重，勻漿機勻漿10min，真空干燥箱在50℃下真空干燥，制成粉。分別稱取水培蝦粉、南美白對蝦粉，竹節(jié)蝦粉加鹽酸水解24h這些實驗過程，均在項目小組管理核心同學(xué)的安排下有條不紊地完成。

在指導(dǎo)老師的輔導(dǎo)下，項目小組管理核心組織小組同學(xué)分別取三種蝦的水解液稀釋成9個濃度，用L-8800型氨基酸分析儀分別測定三種蝦體9個濃度水解液的氨基酸含量。用紫外-可見分光光度計分別對三種蝦體9個濃度的水解液進行光譜掃描[5]，獲取一系列光譜數(shù)據(jù)。再取未知氨基酸濃度的三種蝦體3個不同濃度的水解液同樣進行光譜掃描獲取光譜數(shù)據(jù)。然后用已知氨基酸濃度的光譜數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)并對未知濃度蝦水解液進行氨基酸含量預(yù)測。結(jié)果見圖1和圖2。通過對測定結(jié)果的分析進一步加深了小組同學(xué)對《現(xiàn)代儀器分析》課程中光譜掃描和吸收光譜曲線概念和幾種人工神經(jīng)網(wǎng)絡(luò)模型的理解和認識。

6.老師和小組同學(xué)一起學(xué)習(xí)討論人工神經(jīng)網(wǎng)絡(luò)方法，分析測定結(jié)果，培養(yǎng)科學(xué)分析能力

在對測定結(jié)果的分析中，項目小組全體同學(xué)分成3個學(xué)習(xí)小組，每個小組對照參考資料，根據(jù)所得測定數(shù)據(jù)結(jié)果與數(shù)據(jù)可視化圖形（如圖1、圖2等），先進行分析討論，有了初步的認識后，指導(dǎo)老師和全體小組成員在一起再進行充分的分析與探討。最后大家得出結(jié)論：紫外-可見光譜數(shù)據(jù)結(jié)合三種人工神經(jīng)網(wǎng)絡(luò)（①誤差反向傳輸神經(jīng)網(wǎng)絡(luò)，BP。②徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)，RBF。③極限學(xué)習(xí)機神經(jīng)網(wǎng)絡(luò)，EML）對氨基酸溶液中氨基酸濃度的測定，徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)（RBF）的預(yù)測結(jié)果比誤差反向傳輸神經(jīng)網(wǎng)絡(luò)（BP）好，但極限學(xué)習(xí)機神經(jīng)網(wǎng)絡(luò)（EML）的預(yù)測效果要好于誤差反向傳輸神經(jīng)網(wǎng)絡(luò)（BP）和徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)（RBF）。同時大家進一步認識到，氨基酸溶液（如蝦肉水解液）中氨基酸的定量分析, 一般都是用比較昂貴的分析儀器如高效液相色譜儀等儀器來完成，而且操作復(fù)雜、費時、費勁。所以，如果是使用普通的紫外-可見光譜儀結(jié)合計算機數(shù)值方法來完成蝦肉中的氨基酸測定，所用儀器簡單普遍，且分析樣品不經(jīng)分離。推廣開去，不但可用于對蝦肌肉中氨基酸含量測定及品質(zhì)評判，也可用于其他水產(chǎn)品和肉類食品中氨基酸含量的分析，即在食品質(zhì)量分析方面有一定的意義[6]。

7.結(jié)論

從以上討論分析可見，紫外-可見光譜結(jié)合人工神經(jīng)網(wǎng)絡(luò)方法測定氨基酸溶液中氨基酸濃度具有一定的科學(xué)研究價值和經(jīng)濟價值。

再說在本次研究性和創(chuàng)新性實驗中，指導(dǎo)老師的指導(dǎo)工作著力于以下幾個方面，首先是：輔導(dǎo)學(xué)生建一個工作能力較強的項目小組管理核心。有了這個項目小組管理核心，所以以下工作都是在項目小組管理核心的配合下順利完成的。第一，指導(dǎo)學(xué)生完成實驗相關(guān)背景知識和基礎(chǔ)課程學(xué)習(xí)；第二，引導(dǎo)學(xué)生思考如何查閱檢索所須文獻，提高學(xué)生獲取有效信息的能力。第三，引導(dǎo)學(xué)生獨立購買所需實驗試劑，提高學(xué)生社會交往能力。第四，指導(dǎo)學(xué)生自行完成實驗試劑的配制，培養(yǎng)同學(xué)的動手操作能力。第五，參與小組討論學(xué)習(xí)，幫助學(xué)生提高分析問題和解決問題的能力。

通過此次研究性學(xué)習(xí)，本科學(xué)生作為科研創(chuàng)新實驗的主體，不僅加深了對基礎(chǔ)課程知識的理解，還拓展了知識面（如人工神經(jīng)網(wǎng)絡(luò)、化學(xué)計量學(xué)等方面的知識）。不但提高了儀器操作方面的實際操作使用能力，還提高了計算機技術(shù)方面的能力（如人工神經(jīng)網(wǎng)絡(luò)建模、數(shù)值計算等等），從而激發(fā)了同學(xué)們的創(chuàng)新性思維和創(chuàng)新意識，全面提升了科技創(chuàng)新能力。

參考文獻：

[1]高國全主編，生物化學(xué)[M]，北京，人民衛(wèi)生出版社，2008年4月第2版：116-117

[2]鐘雷鳴，江王棟，石樂明等，六種氨基酸混合物溶液的紫外光譜的人工神經(jīng)元網(wǎng)絡(luò)定量分析研究[J]，生物物理學(xué)報，1992，8（4）：706-710

[3]許祿主編，化學(xué)計量學(xué)[M]，北京，科學(xué)出版社，2004年2月第1版：88-120

[4]Guang-Bin Huang,，Hongming Zhou，Xiaojian Ding，et al，Extreme Learning Machine for Regression and Multiclass Classification，IEEE Transactions on Systems, Man,and Cybernetics-Part B：Cybernetics，2012，42（2）：513-529

[5]李大東著，檢驗醫(yī)學(xué)計算機數(shù)值方法[M]，杭州，浙江大學(xué)出版社，2011年4月：43-46

第7篇：人工神經(jīng)網(wǎng)絡(luò)的缺點范文

關(guān)鍵詞： FPGA； BP神經(jīng)網(wǎng)絡(luò)； 線性擬合； 非線性擬合； 自適應(yīng)訓(xùn)練

中圖分類號： TN702.2?34； TP183 文獻標識碼： A 文章編號： 1004?373X（2016）15?0115?04

Abstract： Using software for neural network has the disadvantages of low parallelism and slow speed， the hardware design resource utilization of the traditional neural network is high， and the network training is uncontrollable. To solve these problems， a new FPGA?based design method of back propagation （BP） neural network is proposed. The method can realize the Sigmoid excitation function through piecewise linear fitting and nonlinear fitting based on symmetry， and uses the finite state machine （FSM） to accomplish the training times adaption based on error. The Verilog HDL language is used to design the 1?3?1 BP neural network to approximate the function [y=cosx.] The resource occupancy of the network is 2 756 LEs， the training times are 1 583， the average relative error of the network test sample is 0.6%， and the maximum clock frequency is 82.3 MHz. The verification results show that the neural network designed with the method has the advantages of less resource occupancy， high accuracy and fast running speed， and can control the network training automatically.

Keywords： FPGA； BP neural network； linear fitting； nonlinear fitting； adaptive training

0 引 言

人工神經(jīng)網(wǎng)絡(luò)（ANNs）[1]通常都是采用基于軟件的方法實現(xiàn)。但作為一個并行計算系統(tǒng)，軟件實現(xiàn)的方法存在速度慢的缺點，而硬件方式具有高并行性的特點，適合于人工神經(jīng)網(wǎng)絡(luò)。FPGA作為一種通用的硬件設(shè)計平臺，其內(nèi)部分布式的資源與神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)非常契合，是一個實現(xiàn)神經(jīng)網(wǎng)絡(luò)硬件化設(shè)計的良好選擇。

資源占用是FPGA設(shè)計的一個重要考量因素，而網(wǎng)絡(luò)訓(xùn)練是神經(jīng)網(wǎng)絡(luò)功能實現(xiàn)的基礎(chǔ)。已有的神經(jīng)網(wǎng)絡(luò)硬件設(shè)計工作在這兩方面還存在巨大的空間。例如，薛維琴等利用FPGA實現(xiàn)了BP神經(jīng)網(wǎng)絡(luò)[2]，該網(wǎng)絡(luò)經(jīng)過訓(xùn)練能夠描述非線性函數(shù)，但沒有提出BP神經(jīng)網(wǎng)絡(luò)的激勵函數(shù)和訓(xùn)練控制模塊的具體硬件實現(xiàn)方法。李利歌等提出了直接利用查找表實現(xiàn)神經(jīng)網(wǎng)絡(luò)激勵函數(shù)的方法[3]，但是查找表存在占用資源大，運行速度慢的缺點。張海燕等采用基于查找表的STAM算法實現(xiàn)神經(jīng)網(wǎng)絡(luò)激勵函數(shù)[4]，且文中也沒有提到訓(xùn)練控制模塊。Javier Valls等提出利用CORDIC算法實現(xiàn)神經(jīng)網(wǎng)絡(luò)的激勵函數(shù)[5]，資源利用率低，但是存在精度不足的問題。劉培龍利用分段擬合實現(xiàn)激勵函數(shù)[6]，但是激勵函數(shù)資源占用較多。

基于這一現(xiàn)狀，本文通過對Sigmoid函數(shù)基于對稱性分段擬合以及基于誤差的訓(xùn)練自適應(yīng)技術(shù)，提出了一種新的神經(jīng)網(wǎng)絡(luò)FPGA設(shè)計方法。該方法設(shè)計的神經(jīng)網(wǎng)絡(luò)資源占用少，網(wǎng)絡(luò)訓(xùn)練自適應(yīng)，同時還具有精度高，運行速度快的優(yōu)點。

1 BP神經(jīng)網(wǎng)絡(luò)的FPGA設(shè)計

根據(jù)BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，本文將網(wǎng)絡(luò)劃分為神經(jīng)元模塊、激勵函數(shù)模塊、誤差計算模塊，權(quán)值更新模塊、權(quán)值存儲模塊以及自適應(yīng)網(wǎng)絡(luò)訓(xùn)練模塊。圖1給出了不同功能模塊之間的連接和訓(xùn)練過程。其中，權(quán)值存儲模塊和輸入神經(jīng)元將輸入層的權(quán)值以及訓(xùn)練的樣本輸入到隱含層神經(jīng)元進行乘累加運算，其結(jié)果輸入到激勵函數(shù)模塊得到激勵函數(shù)輸出，該輸出和隱含層的權(quán)值作為輸出層神經(jīng)元的輸入得到本次訓(xùn)練結(jié)果。該結(jié)果再經(jīng)過誤差計算模塊計算誤差值和權(quán)值改變量。權(quán)值改變量在權(quán)值更新模塊中得到新權(quán)值存入到權(quán)值存儲模塊。誤差值輸入到自適應(yīng)網(wǎng)絡(luò)訓(xùn)練模塊判斷網(wǎng)絡(luò)訓(xùn)練是否達到最優(yōu)。網(wǎng)絡(luò)訓(xùn)練達到最優(yōu)前，該過程循環(huán)，當(dāng)網(wǎng)絡(luò)訓(xùn)練達到最優(yōu)，自適應(yīng)訓(xùn)練模塊控制網(wǎng)絡(luò)停止訓(xùn)練。

系統(tǒng)中神經(jīng)元模塊、誤差計算模塊、權(quán)值更新模塊按照BP網(wǎng)絡(luò)算法規(guī)則可調(diào)用加、乘、乘累加等功能模塊，權(quán)值存儲模塊可調(diào)用RAM模塊。激勵函數(shù)模塊和自適應(yīng)訓(xùn)練模塊關(guān)乎系統(tǒng)資源占用及訓(xùn)練過程的實現(xiàn)，是本文BP神經(jīng)網(wǎng)絡(luò)FPGA設(shè)計的重點。

1.1 激勵函數(shù)模塊設(shè)計

激勵函數(shù)模塊是影響整個神經(jīng)網(wǎng)絡(luò)資源利用的主要因素之一，在保證誤差足夠小的前提下，激勵函數(shù)模塊資源占用越小越好。

式中含有指數(shù)運算，較難在FPGA 中直接實現(xiàn)。利用Sigmoid函數(shù)具有對稱性以及較好的線性區(qū)域和非線性區(qū)域分界的特點，本文提出一種資源占用小、精度高的基于對稱性分段擬合的激勵函數(shù)硬件實現(xiàn)的方法。

考慮到Sigmoid函數(shù)的對稱性，只需完成[x>0]的區(qū)域硬件實現(xiàn)，根據(jù)對稱性即可求出[x0]區(qū)域，根據(jù)Sigmoid函數(shù)線性區(qū)域和非線性區(qū)域分界良好的特點，分別采用線性擬合和非線性擬合的方法分段逼近。具體而言，如圖2所示，將整個激勵函數(shù)模塊分為預(yù)處理模塊、函數(shù)逼近模塊以及最終輸出模塊三個子模塊。

1.1.1 預(yù)處理模塊

激勵函數(shù)的輸入[x]為16位定點數(shù)，最高位為符號位，中間五位為整數(shù)部分，后十位為小數(shù)部分。當(dāng)[x]輸入到激勵函數(shù)模塊時，首先進行預(yù)處理。截取二進制輸入[x]的最高位判斷[x>0]或者[x0]時，[x=x，]將[x]輸入到后續(xù)處理模塊，若判斷出[x

1.1.2 函數(shù)逼近模塊

基于對輸入[x]的預(yù)處理，此子模塊只需要對[x>0]的情況做線性擬合和非線性擬合。分段逼近函數(shù)如表1所示。

1.1.3 最終輸出模塊

最終輸出模塊由預(yù)處理模塊輸出的控制信號控制。若[x>0，]則控制信號控制最終輸出模塊直接輸出函數(shù)逼近模塊中[x]對應(yīng)的輸出[fx；]若[x

1.1.4 激勵函數(shù)模塊分析

按照上述設(shè)計方法完成激勵函數(shù)模塊的設(shè)計后，對激勵函數(shù)模塊進行功能仿真和誤差分析。從-8～8以0.001為間隔生成測試數(shù)據(jù)輸入到激勵函數(shù)模塊，得到的ModelSim仿真結(jié)果如圖3所示，其各區(qū)間絕對誤差如表2所示。從中可以看出，各區(qū)間的誤差值均很小且誤差分布較為平均，體現(xiàn)出良好的逼近效果。

1.2 自適應(yīng)訓(xùn)練模塊設(shè)計

網(wǎng)絡(luò)訓(xùn)練是神經(jīng)網(wǎng)絡(luò)功能實現(xiàn)的基礎(chǔ)。神經(jīng)網(wǎng)絡(luò)隨著訓(xùn)練的進行，權(quán)值逐漸改變，誤差逐漸減小，但如果網(wǎng)絡(luò)訓(xùn)練不能適時結(jié)束，造成過度訓(xùn)練，則網(wǎng)絡(luò)性能會變差。然而對網(wǎng)絡(luò)訓(xùn)練的控制在硬件上并不易設(shè)計，故很多工作未討論這一點或簡單的以固定周期來完成訓(xùn)練。本文提出了一種基于可容忍誤差值的自適應(yīng)網(wǎng)絡(luò)訓(xùn)練硬件設(shè)計方法，可有效的自動控制神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程。

分析神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程，每一次輸入樣本值都會在本次訓(xùn)練完成時得到一個誤差值，當(dāng)誤差在可以容忍的范圍內(nèi)可以認為網(wǎng)絡(luò)已經(jīng)訓(xùn)練完成。認為在給定的可容忍誤差值的情況下，如果連續(xù)兩次整個樣本集輸入得到的誤差絕對值都要比給定的可容忍誤差值要小，則該神經(jīng)網(wǎng)絡(luò)訓(xùn)練已經(jīng)達到最優(yōu)。根據(jù)這個思想，提出利用有限狀態(tài)機實現(xiàn)自適應(yīng)網(wǎng)絡(luò)訓(xùn)練。

如圖4所示，有限狀態(tài)機的狀態(tài)數(shù)是樣本集中樣本數(shù)的兩倍，狀態(tài)機初始為零狀態(tài)。當(dāng)某一次訓(xùn)練得到的誤差絕對值小于可容忍誤差值時，狀態(tài)機進入第一個狀態(tài)。若緊鄰的下一次訓(xùn)練得到的誤差絕對值也小于可容忍誤差值，狀態(tài)機進入下一個狀態(tài)，否則狀態(tài)機狀態(tài)回到第0個狀態(tài)。當(dāng)狀態(tài)機跳轉(zhuǎn)到最后一個狀態(tài)時，網(wǎng)絡(luò)訓(xùn)練完成，此時輸出控制信號控制權(quán)值存儲模塊停止權(quán)值更新，提示信號提示訓(xùn)練完成。該模塊的分析需要結(jié)合網(wǎng)絡(luò)中的其他模塊，故測試結(jié)果在下一節(jié)中給出。

2 驗證和分析

2.1 驗證平臺

根據(jù)上述方法，設(shè)計了一個1?3?1三層BP神經(jīng)網(wǎng)絡(luò)驗證其性能。驗證平臺為Altera公司的EP2C70F896C6。

以[y=cosx]函數(shù)為學(xué)習(xí)對象，從[0～2π]之間以[0.062 5π]為間隔選取33個樣本組成樣本集，隨機選取其中25個作為訓(xùn)練樣本，剩下8個作為測試樣本。神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值的選取具有一定的隨機性，根據(jù)網(wǎng)絡(luò)需要逼近的函數(shù)數(shù)值大小，輸入層到隱含層的初始權(quán)值矩陣[W1=[2.5，0.5，-0.3]，]隱含層到輸出層的初始權(quán)值矩陣[W2=[0.35，0.4，0.3]，]隱含層閾值選為[0.2，0.3，0.4]，輸出層閾值選為[0.3]。隱含層的學(xué)習(xí)率設(shè)為0.4，輸出層的學(xué)習(xí)率設(shè)為0.3，容忍誤差設(shè)為0.01。

2.2 結(jié)果分析

ModelSim仿真得到的結(jié)果如圖5所示，從圖5中可以看出該BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練是自適應(yīng)的。當(dāng)網(wǎng)絡(luò)訓(xùn)練到最優(yōu)時，產(chǎn)生一個控制信號和一個提示信號以及網(wǎng)絡(luò)訓(xùn)練的次數(shù)，此時權(quán)值存儲器的值不再變化，訓(xùn)練完成。

25個訓(xùn)練樣本集訓(xùn)練的平均誤差為0.003，分析8個測試樣本集的誤差，如表3所示。從表3中可以看出，其誤差與訓(xùn)練數(shù)據(jù)的誤差大體相當(dāng)且均很小。計算測試樣本的平均相對誤差為0.6%，小于1%，說明該方法實現(xiàn)的基于FPGA的BP神經(jīng)網(wǎng)絡(luò)精度較高。

將該網(wǎng)絡(luò)下載至Altera公司EP2C70F896C6的FPGA中，其最高時鐘頻率為82.3 MHz，可見該方法具有運行速度快的優(yōu)點。將該神經(jīng)網(wǎng)絡(luò)資源占用情況與已有相關(guān)工作的資源占用情況作對比，如表4所示。雖然其中各設(shè)計的規(guī)模和平臺有所差異（如1 Slice≈4 LEs），但仍可估算出即便添加了自適應(yīng)訓(xùn)練模塊，本設(shè)計對資源的占用依然較低。

從表5中可以看到，當(dāng)學(xué)習(xí)對象不同時，網(wǎng)絡(luò)訓(xùn)練的次數(shù)也不同，實現(xiàn)了訓(xùn)練過程的自適應(yīng)。由此亦可推至，若采用傳統(tǒng)的預(yù)設(shè)固定次數(shù)的方式完成訓(xùn)練，則對于不同學(xué)習(xí)對象難免會造成訓(xùn)練不充分或過度訓(xùn)練的情況，從而影響網(wǎng)絡(luò)的性能。因此，該表也進一步證明了該設(shè)計自適應(yīng)訓(xùn)練的優(yōu)越性。

3 結(jié) 論

本文以典型的BP神經(jīng)網(wǎng)絡(luò)為例，提出了一種自適應(yīng)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)FPGA設(shè)計方法。通過對Sigmoid激勵函數(shù)基于對稱性做分段擬合減少了資源占用，使用基于可容忍誤差完成了網(wǎng)絡(luò)訓(xùn)練自適應(yīng)。該方法設(shè)計的神經(jīng)網(wǎng)絡(luò)具備訓(xùn)練可控、資源占用低、精度高的優(yōu)點。此方法不僅適合于 BP網(wǎng)絡(luò)，也可推廣至采用Sigmoid函數(shù)及需要訓(xùn)練控制的其他類型的神經(jīng)網(wǎng)絡(luò)。

注：本文通訊作者為常勝。

參考文獻

[1] 蔣宗禮.人工神經(jīng)網(wǎng)絡(luò)導(dǎo)論[M].北京：高等教育出版社，2001：15?16.

[2] 薛維琴，李莉華，戴明.基于FPGA的人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)的實現(xiàn)方法[J].電子設(shè)計工程，2010，18（9）：151?154.

[3] 李利歌，閻保定，侯忠.基于FPGA的神經(jīng)網(wǎng)絡(luò)硬件可重構(gòu)實現(xiàn)[J].河南科技大學(xué)學(xué)報（自然科學(xué)版），2009，30（1）：37?40.

[4] 張海燕，李欣，田書峰.基于BP神經(jīng)網(wǎng)絡(luò)的仿真線設(shè)計及其FPGA實現(xiàn)[J].電子與信息學(xué)報，2007，29（5）：1267?1270.

[5] VALLS J， KUHLMANN M， PARHI K K. Evaluation of CORDIC algorithms for FPGA design [J]. Journal of VLSI signal processing， 2002， 32（3）： 207?222.

第8篇：人工神經(jīng)網(wǎng)絡(luò)的缺點范文

[關(guān)鍵詞] Spiking神經(jīng)網(wǎng)絡(luò) 學(xué)習(xí)模型 股市預(yù)測

一、引言

隨著經(jīng)濟的增長，對于股市的預(yù)測將變得越來越重要，也成為經(jīng)濟理論研究中的一個重要課題。股票市場的變化有很多因素，是一個復(fù)雜的非線性系統(tǒng)，而人工神經(jīng)網(wǎng)絡(luò)能夠從大量復(fù)雜的數(shù)據(jù)中找到數(shù)據(jù)間的內(nèi)在聯(lián)系，具有良好的自我學(xué)習(xí)和抗干擾能力，在股票預(yù)測領(lǐng)域中取得了顯著的效果。本文應(yīng)用一種更接近于生物神經(jīng)系統(tǒng)的Spiking神經(jīng)網(wǎng)絡(luò)，采用基于粒子群算法的學(xué)習(xí)模型，構(gòu)建了滬市上證綜合指數(shù)的學(xué)習(xí)預(yù)測模型，并用實際數(shù)據(jù)進行了分析實驗。

二、Spiking神經(jīng)網(wǎng)絡(luò)及其學(xué)習(xí)模型

Spike神經(jīng)元模型是更接近生物神經(jīng)元的一個數(shù)學(xué)模型，由Spike神經(jīng)元構(gòu)成的人工神經(jīng)網(wǎng)絡(luò)稱為Spiking神經(jīng)網(wǎng)絡(luò)。在Spiking神經(jīng)網(wǎng)絡(luò)中，一個Spike神經(jīng)元在t時刻接收來自于父突觸神經(jīng)元的多個post-synaptic potential（PSP）信號，不斷改變自己的膜電壓。當(dāng)它的膜電壓超過閾值時，產(chǎn)生一個spike，并通過突觸連接向外發(fā)送PSP信號。用于描述PSP信號的spike響應(yīng)函數(shù)定義為：

三、上證綜合指數(shù)的預(yù)測

滬市上證綜合指數(shù)是上海證券交易所編制的，以上海證券交易所掛牌上市的全部股票為計算范圍，以發(fā)行量為權(quán)數(shù)綜合，上證綜指反映了上海證券交易市場的總體走勢，所以對上證綜指的預(yù)測具有重要的意義。文中選取了2006年6月～2007年7月共286個工作日的滬市上證綜合指數(shù)作為研究的原始數(shù)據(jù)，利用滑動窗口技術(shù)，通過前6天收盤時的上證指數(shù)來預(yù)測第7天收盤時的上證指數(shù)。

我們構(gòu)建了具有6個輸入神經(jīng)元、4個隱含層神經(jīng)元和1個輸出節(jié)點的前向全連接Spiking神經(jīng)網(wǎng)絡(luò)，并利用以上的Spiking神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)模型進行測試。選取了原始數(shù)據(jù)中的前276個數(shù)據(jù)構(gòu)成神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集，后10個數(shù)據(jù)用于測試。在實驗前，我們對原始數(shù)據(jù)進行歸一化的處理轉(zhuǎn)換為[0，1]之間的值。把歸一化后的前6天收盤時的上證指數(shù)分別作為6個輸入神經(jīng)元的spike時間加入到Spiking神經(jīng)網(wǎng)絡(luò)中進行學(xué)習(xí)和計算，獲得神經(jīng)網(wǎng)絡(luò)輸出節(jié)點的spike時間，該時間對應(yīng)于第7天的收盤指數(shù)。按本文式（3）計算獲得Spiking神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)誤差，通過粒子群算法不斷調(diào)整神經(jīng)網(wǎng)絡(luò)的參數(shù)使誤差最小化。獲得了最優(yōu)的Spiking神經(jīng)網(wǎng)絡(luò)后，用測試集的數(shù)據(jù)對其性能進行了測試。經(jīng)Spiking神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)預(yù)測后的上證指數(shù)變化如圖。

結(jié)果表明，與傳統(tǒng)BP算法相比，基于粒子群算法的Spiking神經(jīng)網(wǎng)絡(luò)具有較快的運算速度和逼近性能， 同時可以克服SpikeProp算法陷入局部最優(yōu)解和對權(quán)值有約束的缺點，可以較好地處理股票類非線性數(shù)據(jù)的學(xué)習(xí)和預(yù)測。

四、結(jié)論

股票市場的不確定因素太多，是一個復(fù)雜的非線性系統(tǒng)，而神經(jīng)網(wǎng)絡(luò)具有自我學(xué)習(xí)的能力，能很好地解決不明確環(huán)境中的非線性應(yīng)用問題。Spiking神經(jīng)網(wǎng)絡(luò)作為一種新型的動態(tài)的神經(jīng)網(wǎng)絡(luò)，其利用動態(tài)的spike時間進行信息編碼和計算的特點與股票市場中動態(tài)的時間序列相吻合。文中對應(yīng)用Spiking神經(jīng)網(wǎng)絡(luò)預(yù)測國內(nèi)股票市場做了初步的探討，獲得了較好的擬合效果。進一步改進原始數(shù)據(jù)的處理方式，提高Spiking神經(jīng)網(wǎng)絡(luò)的自適應(yīng)能力，將能得到更好的預(yù)測效果。

參考文獻:

[1]Sander M:Bohte, Spiking Neural Networks [D].ISBN 90-6734-167-3, 2003

[2]Gerstner W, Kistler W. Spiking Neuron Models: Single Neurons, Populations, Plasticity [M]. Cambridge University Press, 2002

[3]韓文蕾王萬誠:概率神經(jīng)網(wǎng)絡(luò)預(yù)測股票市場的漲跌[J].計算機應(yīng)用與軟件，2005，22(11):133～135

第9篇：人工神經(jīng)網(wǎng)絡(luò)的缺點范文

關(guān)鍵詞： 邊坡安全； 穩(wěn)定性； 評價方法

中圖分類號： U416.14 文獻標識碼： A 文章編號： 1009-8631（2012）07-0053-01

1 引言

邊坡安全穩(wěn)定問題一直是巖土工程的一個重要研究內(nèi)容，而邊坡穩(wěn)定性評價結(jié)果的正確與否直接關(guān)系到邊坡工程的成敗。目前邊坡穩(wěn)定性評價方法多種多樣，但由于邊坡穩(wěn)定受多方面因素影響，而各因素具有不確定性（模糊性、隨機性、信息不完全性和未確定性）和復(fù)雜性，故傳統(tǒng)的確定性分析方法如極限平衡理論用于邊坡分析，結(jié)果不是十分理想。但不論是確定性分析如蒙特-卡洛模擬法、一次二階矩法，還是不確定性方法如模糊數(shù)學(xué)、灰色理論、數(shù)量化理論和信息模型法等，其用于邊坡穩(wěn)定性評價的準確性與實際情況仍有差距。對于邊坡穩(wěn)定性評價方法的綜合認識，早在1999年丁恩保教授等就已進行過分類，他們主要根據(jù)各種方法對邊坡穩(wěn)定性評價的量化程度為依據(jù)，分為定性分析法、定量分析法、非確定性分析法、物理模型法和現(xiàn)場監(jiān)測分析法等五種。綜合來看，目前邊坡安全穩(wěn)定評價方法主要集中在四個方面。

2 邊坡穩(wěn)定評價方法

2.1人工神經(jīng)網(wǎng)絡(luò)和遺傳算法評價法

在人工神經(jīng)網(wǎng)絡(luò)方面，邢愛國等應(yīng)用改進的BP神經(jīng)網(wǎng)絡(luò)模型對國道107線清連一級公路部分高危邊坡進行穩(wěn)定性評價研究。于子國等采用非線性理論研究邊坡的變形破壞機理，建立穩(wěn)定性評價模型，用遺傳-神經(jīng)網(wǎng)絡(luò)從中獲取穩(wěn)定性評價和判斷的知識進而構(gòu)建系統(tǒng)，對各類邊坡穩(wěn)定狀態(tài)做出評價。趙健將Kohonen神經(jīng)網(wǎng)絡(luò)應(yīng)用于邊坡穩(wěn)定性分析，建立評價邊坡穩(wěn)定狀態(tài)的網(wǎng)絡(luò)模型。姜德義等結(jié)合重慶地區(qū)的地質(zhì)條件和高速公路建設(shè)實踐，分析影響重慶地區(qū)高速公路土質(zhì)和巖質(zhì)邊坡穩(wěn)定性的主要因素，運用人工神經(jīng)網(wǎng)絡(luò)方法，以重慶地區(qū)大量高速公路邊坡實例為樣本對其進行學(xué)習(xí)和預(yù)測。

綜合來看，人工神經(jīng)網(wǎng)絡(luò)是依據(jù)人腦結(jié)構(gòu)的基本特征發(fā)展起來的一種信息處理體系或計算體系，是對神經(jīng)系統(tǒng)的數(shù)學(xué)抽象和粗略的逼近和模仿。研究表明，在巖土邊坡工程系統(tǒng)分析領(lǐng)域內(nèi)采用神經(jīng)網(wǎng)絡(luò)具有獨特的優(yōu)勢，利用神經(jīng)網(wǎng)絡(luò)理論，可以盡可能多地將各種影響因素作為輸入變量，建立這些定性或定量影響因素同邊坡安全系數(shù)和變形量之間的高度非線性映射模型，然后用模型來預(yù)測和評價邊坡的安全性。毛謙等將遺傳算法引入三維邊坡穩(wěn)定分析中，用7個控制參數(shù)模擬生成滑裂面，再運用遺傳算法來搜索滑坡最不利滑裂面，對于存在確定滑裂面的滑坡，將此滑裂面作為整體滑裂面計算其整體穩(wěn)定安全系數(shù)，然后在整體穩(wěn)定的基礎(chǔ)上，運用遺傳算法搜索滑坡內(nèi)部最不利滑裂面，得出滑坡最小的穩(wěn)定安全系數(shù)。

綜合分析可知，遺傳算法不受搜索空間限制性假設(shè)的約束（如連續(xù)性、導(dǎo)數(shù)存在等），克服了傳統(tǒng)方法容易陷入局部極小值的缺點，從一群點開始搜索，能從離散的、多極值的和含有噪音的高維問題中以很大的概率找到全局最優(yōu)解，且適用于大規(guī)模并行計算。

2.2范例推理評價法

在范例推理評價方面，劉沐宇等運用模糊相似優(yōu)先概念，構(gòu)造基于模糊相似優(yōu)先的邊坡范例檢索模型，對每一個邊坡穩(wěn)定性的影響因素，分別建立邊坡的目標范例與源范例之間的模糊相似優(yōu)先關(guān)系，經(jīng)過影響因素之間的兩兩比較，獲得不同影響因素下邊坡的目標范例與源范例之間的相似性序列，從而最終找出與目標范例最相似的源范例，實現(xiàn)邊坡的穩(wěn)定性評價。劉沐宇等建立基于神經(jīng)網(wǎng)絡(luò)的邊坡范例檢索模型，通過邊坡范例的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)，建立當(dāng)前邊坡和邊坡范例之間相似性計算關(guān)系，實現(xiàn)當(dāng)前邊坡的穩(wěn)定性評價。高德彬等利用大量公路黃土路塹高邊坡實例，構(gòu)建基于范例推理的邊坡穩(wěn)定性預(yù)測模型，通過源范例和邊坡范例之間的相似度計算，得到目標范例與源范例之間的相似性序列，找出與目標邊坡范例最相似的源范例，實現(xiàn)黃土路塹高邊坡的穩(wěn)定性預(yù)測。

綜合來看，范例推理方法以范例為基礎(chǔ)，范例的獲取比規(guī)則獲取要容易，從而大大簡化知識獲取。對于邊坡安全穩(wěn)定性評價這樣的復(fù)雜問題，其知識獲取本身就是一件非常不容易的事情，故范例推理原理為邊坡穩(wěn)定性評價提供了一條可行的新途徑。

2.3模糊綜合評價法

在模糊綜合評價方面，周軍霞等針對影響公路邊坡穩(wěn)定性因素的模糊性和隨機性，選擇影響公路邊坡穩(wěn)定性的10個主要因素，并分為兩個層次，利用模糊數(shù)學(xué)綜合評判方法，采用專家方法和經(jīng)驗公式法賦予影響因素的隸屬函數(shù)和隸屬值，建立公路邊坡穩(wěn)定性分析的二級綜合評判模型，得到公路邊坡穩(wěn)定性的預(yù)測結(jié)果。孟衡采用判斷矩陣分析法確定評價因子的權(quán)重，用二級模糊評判對某工程實例進行計算分析，結(jié)果表明用該法確定權(quán)重簡便，亦能較好反映邊坡所處狀態(tài)。歐國林等運用模糊數(shù)學(xué)方法提出模糊穩(wěn)定系數(shù)的概念和描述方法，建立路基邊坡穩(wěn)定性分析的模糊綜合評價模型，通過確定個體因素等級標準和權(quán)重得出模糊穩(wěn)定系數(shù)，使路基邊坡穩(wěn)定分析更接近客觀實際。

總體來看，模糊綜合評價方法為多變量、多因素影響的邊坡穩(wěn)定性分析提供了一種行之有效的手段，用隸屬函數(shù)代替確定論中非此即彼的特征函數(shù)來描述具有模糊性的影響因素，用模糊變換原理實現(xiàn)多因素、多層次的邊坡穩(wěn)定性分析與評價。其不足之處在于相關(guān)因素及各因素邊界值的不易確定以及在隸屬函數(shù)的確定和因素權(quán)重的分配上均含有相當(dāng)多的人為主觀因素。

2.4灰色系統(tǒng)評價法

在灰色系統(tǒng)評價方面，魏星等將復(fù)雜巖體邊坡系統(tǒng)視為一個灰色系統(tǒng)，在綜合分析巖體邊坡影響因素基礎(chǔ)上，采用表征邊坡巖體穩(wěn)定性的復(fù)合指標作為評判其穩(wěn)定性的因素，給出一種基于復(fù)合指標的邊坡巖體穩(wěn)定性灰色系統(tǒng)類比預(yù)測模型。趙靜波等提出以控制因素變化的階段性來劃分時間數(shù)據(jù)序列，建立階段時間序列灰色預(yù)測模型，對邊坡的發(fā)展變化情況進行預(yù)測。王利等提出一種基于卡爾曼濾波的GM預(yù)測模型，即先用卡爾曼濾波法對原始變形監(jiān)測數(shù)據(jù)進行濾波處理，再建立GM模型進行灰色預(yù)測。何習(xí)平等針對單點模型背景值取值方法的不足，提出一種動態(tài)定權(quán)方法，建立加權(quán)多點灰色預(yù)測模型。

總體來講，利用灰色理論分析方法，可在不完全的信息中，通過一定的數(shù)據(jù)處理，找出它們的關(guān)聯(lián)性，確定邊坡穩(wěn)定性各影響因素的影響程度，進而利用多因素疊加分析評估邊坡的穩(wěn)定性。

參考文獻：