人工神經(jīng)網(wǎng)絡(luò)優(yōu)勢精選(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)優(yōu)勢主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：人工神經(jīng)網(wǎng)絡(luò)優(yōu)勢范文

【關(guān)鍵詞】人工神經(jīng)網(wǎng)絡(luò) 信息技術(shù) 發(fā)展趨勢

人工神經(jīng)網(wǎng)絡(luò)技術(shù)在處理實(shí)際問題主要包括兩個(gè)過程，一個(gè)是學(xué)習(xí)訓(xùn)練過程，另外一個(gè)是記憶聯(lián)想過程。近年來隨著人工網(wǎng)絡(luò)技術(shù)的發(fā)展，人工神經(jīng)網(wǎng)絡(luò)技術(shù)在信號(hào)處理、圖像處理、智能識(shí)別等領(lǐng)域已經(jīng)取得了巨大的改變，為人們研究各類科學(xué)問題提供了一種新的方法和手段，使人們?cè)诮煌ㄟ\(yùn)輸、人工智能、軍事、信息領(lǐng)域的工作更加便捷，近年來隨著AI的發(fā)展，人工神經(jīng)網(wǎng)絡(luò)技術(shù)得到了快速的發(fā)展階段。

1人工神經(jīng)網(wǎng)絡(luò)技術(shù)

人工神經(jīng)網(wǎng)絡(luò)技術(shù)也稱ANN，是隨著上個(gè)世紀(jì)八十年代人工智能發(fā)展興起的一個(gè)研究熱點(diǎn)，它的主要工作原理對(duì)人腦神經(jīng)網(wǎng)絡(luò)進(jìn)行抽象處理，并仿造人腦神經(jīng)網(wǎng)絡(luò)建立簡單的模型，按照不同的連接方式組成一個(gè)完整的網(wǎng)絡(luò)，因此學(xué)術(shù)界也直接將它成為神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)其實(shí)就是一種運(yùn)算模型，它是通過大量的節(jié)點(diǎn)——神經(jīng)元連接起來的，其中不同的節(jié)點(diǎn)所代表的輸出函數(shù)也不同，也就是所謂的激勵(lì)函數(shù)；當(dāng)有兩個(gè)節(jié)點(diǎn)連接起來時(shí)稱之為通過該連接信號(hào)的加權(quán)值，也稱為權(quán)重，這就相當(dāng)人腦神經(jīng)網(wǎng)絡(luò)記憶。人工神經(jīng)網(wǎng)絡(luò)技術(shù)是采用并行分布式系統(tǒng)，這種工作機(jī)理與傳統(tǒng)的信息處理技術(shù)和人工智能技術(shù)完全不同，是一種全新的技術(shù)，它克服了傳統(tǒng)基于邏輯符號(hào)的人工智能處理非結(jié)構(gòu)信息化和直覺方面的缺陷，具有實(shí)時(shí)學(xué)習(xí)、自適應(yīng)性和自組織性等特點(diǎn)。

2人工神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用分析

隨著人工神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展，它在模式識(shí)別、知識(shí)工程、信號(hào)處理、專家系統(tǒng)、機(jī)器人控制等方面的應(yīng)用較廣。

2.1生物信號(hào)的檢測分析

目前大部分醫(yī)學(xué)檢測設(shè)備都是通過連續(xù)波形得到相關(guān)數(shù)據(jù)，從而根據(jù)所得數(shù)據(jù)對(duì)病情進(jìn)行診斷。人工神經(jīng)網(wǎng)絡(luò)技術(shù)就是應(yīng)用了這樣的方式將多個(gè)神經(jīng)元組合起來構(gòu)成，解決了生物醫(yī)學(xué)信號(hào)檢測方面的難題，其適應(yīng)性和獨(dú)立性強(qiáng)，分布貯藏功能多。在生物醫(yī)學(xué)領(lǐng)域該技術(shù)主要應(yīng)用于對(duì)心電信號(hào)、聽覺誘發(fā)電位信號(hào)、醫(yī)學(xué)圖像、肌電荷胃腸等信號(hào)的處理、識(shí)別和分析。

2.2醫(yī)學(xué)專家系統(tǒng)

傳統(tǒng)的醫(yī)院專家系統(tǒng)是直接將專家的經(jīng)驗(yàn)、學(xué)歷、臨床診斷方面取得的成績等存儲(chǔ)在計(jì)算機(jī)中，構(gòu)建獨(dú)立的醫(yī)學(xué)知識(shí)庫，通過邏輯推理進(jìn)行診斷的一種方式。進(jìn)入到二十一世紀(jì)，醫(yī)院需要存儲(chǔ)的醫(yī)學(xué)知識(shí)越來越多，每天產(chǎn)生新的病況和知識(shí)，過去的一些專家系統(tǒng)顯然已經(jīng)無法適應(yīng)醫(yī)院的發(fā)展需求，因此醫(yī)院的效率很低。而人工神經(jīng)網(wǎng)絡(luò)技術(shù)的出現(xiàn)為醫(yī)院專家系統(tǒng)的構(gòu)建提出了新的發(fā)展方向，通過人工神經(jīng)網(wǎng)絡(luò)技術(shù)，系統(tǒng)能夠自主學(xué)習(xí)、自己組織、自行推理。因此在醫(yī)學(xué)專家系統(tǒng)中該網(wǎng)絡(luò)技術(shù)應(yīng)用面較廣。麻醉醫(yī)學(xué)、重癥醫(yī)學(xué)中生理變量分析和評(píng)估較多，目前臨床上一些還沒有確切證據(jù)或者尚未發(fā)現(xiàn)的關(guān)系與現(xiàn)象，通過人工神經(jīng)網(wǎng)絡(luò)便能有效地解決。

2.3市場價(jià)格預(yù)測

在經(jīng)濟(jì)活動(dòng)中，傳統(tǒng)統(tǒng)計(jì)方法受到一些因素的制約，無法對(duì)價(jià)格變動(dòng)做出準(zhǔn)確的預(yù)測，因此難免在預(yù)測的時(shí)候出現(xiàn)失誤的現(xiàn)象。人工神經(jīng)網(wǎng)絡(luò)技術(shù)能夠處理那些不完整的、規(guī)律不明顯、模糊不確定的數(shù)據(jù)，并作出有效地預(yù)測，因此人工神經(jīng)網(wǎng)絡(luò)技術(shù)具有傳統(tǒng)統(tǒng)計(jì)方法無法比擬的優(yōu)勢。例如人工神經(jīng)網(wǎng)絡(luò)技術(shù)可以通過分析居民人均收入、貸款利率和城市化發(fā)展水平，從而組建一個(gè)完整的預(yù)測模型，準(zhǔn)確預(yù)測出商品的價(jià)格變動(dòng)情況。

2.險(xiǎn)評(píng)價(jià)在從事某一項(xiàng)特定的活動(dòng)時(shí)，由于社會(huì)上一些不確定因素，可能造成當(dāng)事人經(jīng)濟(jì)上或者其他方面的損失。因此在進(jìn)行某一項(xiàng)活動(dòng)時(shí)，對(duì)活動(dòng)進(jìn)行有效的預(yù)測和評(píng)估，避免風(fēng)險(xiǎn)。人工神經(jīng)網(wǎng)絡(luò)技術(shù)可以根據(jù)風(fēng)險(xiǎn)的實(shí)際來源，構(gòu)筑一套信用風(fēng)險(xiǎn)模型結(jié)構(gòu)和風(fēng)險(xiǎn)評(píng)估系數(shù)，從而提出有效地解決方案。通過信用風(fēng)險(xiǎn)模型分析彌補(bǔ)主觀預(yù)測方面的不足，從而達(dá)到避免風(fēng)險(xiǎn)的目的。

3人工神經(jīng)網(wǎng)絡(luò)技術(shù)未來發(fā)展

人工神經(jīng)網(wǎng)絡(luò)克服了傳統(tǒng)人工智能對(duì)語言識(shí)別、模式、非結(jié)構(gòu)化信息處理的缺陷，因此在模式識(shí)別、神經(jīng)專家系統(tǒng)、智能控制、信息處理和天氣預(yù)測等領(lǐng)域廣泛應(yīng)用。隨著科學(xué)技術(shù)的進(jìn)步，AI的快速發(fā)展，AI與遺傳算法、模糊系統(tǒng)等方面結(jié)合，形成了計(jì)算智能，很多企業(yè)和國家開始大規(guī)模研發(fā)AI，人工神經(jīng)網(wǎng)絡(luò)正在模擬人類認(rèn)知的方向發(fā)展，目前市場已經(jīng)有很多不少人工智能產(chǎn)品面世。

4結(jié)語

通過上述研究分析，人工神經(jīng)網(wǎng)絡(luò)技術(shù)已經(jīng)取得了相應(yīng)的發(fā)展，但還存在很多不足：應(yīng)用范圍狹窄、預(yù)測精度低、通用模型缺乏創(chuàng)新等，因此需要我們?cè)诖嘶A(chǔ)上不斷尋找新的突破點(diǎn)，加強(qiáng)對(duì)生物神經(jīng)元系統(tǒng)的研究和探索，進(jìn)一步挖掘其潛在的價(jià)值，將人工神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用在更多領(lǐng)域中，為社會(huì)創(chuàng)造更大的財(cái)富。

參考文獻(xiàn)

[1]周文婷,孟琪.運(yùn)動(dòng)員賽前心理調(diào)控的新策略——基于人工神經(jīng)網(wǎng)絡(luò)技術(shù)的比賽場地聲景預(yù)測(綜述)[J].哈爾濱體育學(xué)院學(xué)報(bào),2015,33(03):15-21.

[2]張紅蘭.人工神經(jīng)網(wǎng)絡(luò)技術(shù)的應(yīng)用現(xiàn)狀分析[J].中國新通信,2014(02):76-76.

第2篇：人工神經(jīng)網(wǎng)絡(luò)優(yōu)勢范文

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò) 計(jì)算機(jī)安全 入侵檢測

中圖分類號(hào)：TP393.08 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1674-098X（2012）12（c）-00-01

自從1960年Widrow等提出自適應(yīng)線形神經(jīng)元用于信號(hào)處理中的自適應(yīng)濾波、預(yù)測和模型識(shí)別以來，神經(jīng)網(wǎng)絡(luò)技術(shù)便被用來解決現(xiàn)實(shí)生活中的問題。而在McCulloch等基于模仿人腦結(jié)構(gòu)和功能建立起一種人工智能的信息處理系統(tǒng)后，人工神經(jīng)網(wǎng)絡(luò)在土木工程、農(nóng)業(yè)、經(jīng)濟(jì)管理及企業(yè)管理等不同領(lǐng)域中被廣泛應(yīng)用[1-2]。該文介紹了神經(jīng)網(wǎng)絡(luò)的概念及特點(diǎn)，并分析神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)安全尤其是在網(wǎng)絡(luò)入侵檢測中的應(yīng)用。

1 神經(jīng)網(wǎng)絡(luò)的概念及特點(diǎn)

1.1 神經(jīng)網(wǎng)絡(luò)的概念

神經(jīng)網(wǎng)絡(luò)是一個(gè)并行、分布處理結(jié)構(gòu)，是由神經(jīng)元及稱為聯(lián)接的無向訊號(hào)通道互連而成。人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）指的則是模仿生理神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和功能而設(shè)計(jì)的一種信息處理系統(tǒng)，即由多個(gè)非常簡單的處理單元彼此按某種方式相互連接而形成的信息處理網(wǎng)絡(luò)[3]。

1.2 神經(jīng)網(wǎng)絡(luò)的特點(diǎn)

在人工神經(jīng)網(wǎng)絡(luò)中，由于網(wǎng)絡(luò)中的每一個(gè)單元都是獨(dú)立的信息處理單元，因此其計(jì)算可獨(dú)立進(jìn)行，而整個(gè)網(wǎng)絡(luò)系統(tǒng)卻是并行計(jì)算的。這不同于傳統(tǒng)的計(jì)算機(jī)的串行運(yùn)算。由于神經(jīng)網(wǎng)絡(luò)是一個(gè)大規(guī)?；ヂ?lián)的復(fù)雜網(wǎng)絡(luò)系統(tǒng)，因而是大規(guī)模的并行處理，這在一定程度上提高了系統(tǒng)的處理速度，同時(shí)也為實(shí)時(shí)處理提供了重要條件。人工神經(jīng)網(wǎng)絡(luò)與人腦類似，具有學(xué)習(xí)的功能。通常只要給出所需的數(shù)據(jù)、實(shí)例，由網(wǎng)絡(luò)去學(xué)習(xí)，而學(xué)習(xí)獲得的知識(shí)都分布儲(chǔ)存在整個(gè)網(wǎng)絡(luò)的用權(quán)系數(shù)表示的連接線上。不同網(wǎng)絡(luò)因?qū)W習(xí)方法及內(nèi)容不同，可得到不同的功能和不同的應(yīng)用。因而有可能解決傳統(tǒng)人工智能目前最感困難的機(jī)器學(xué)習(xí)中知識(shí)獲取、知識(shí)表示等問題。此外神經(jīng)網(wǎng)絡(luò)還對(duì)于輸入數(shù)據(jù)的失真具有相當(dāng)?shù)膹椥浴?/p>

1.3 常用的神經(jīng)網(wǎng)絡(luò)算法

常用的神經(jīng)網(wǎng)絡(luò)算法包括ARTMAP模型、ART模型、概率模型PNN、模糊模型ART、模糊多層感知器、Kohonen特征映射網(wǎng)絡(luò)、反饋多層感知器模型等[4-5]。其中，ART模型和Kohonen特征映射網(wǎng)絡(luò)、模糊模型ART屬于無監(jiān)督訓(xùn)練算法，而反饋多層感知器模型是受限反饋，ARTMAP模型、ART模型屬于反饋的網(wǎng)絡(luò)拓?fù)?/p>

結(jié)構(gòu)。

2 神經(jīng)網(wǎng)絡(luò)在網(wǎng)絡(luò)入侵檢測中的應(yīng)用

2.1 神經(jīng)網(wǎng)絡(luò)應(yīng)用于網(wǎng)絡(luò)入侵檢測的優(yōu)勢

由于神經(jīng)網(wǎng)絡(luò)對(duì)于數(shù)據(jù)訓(xùn)練獲得預(yù)測能力的過程是通過完全抽象計(jì)算實(shí)現(xiàn)的，而不強(qiáng)調(diào)對(duì)于數(shù)據(jù)分布的假設(shè)前提，因此在建立神經(jīng)網(wǎng)絡(luò)模型過程中沒有必要向神經(jīng)網(wǎng)絡(luò)解釋知識(shí)的具體細(xì)節(jié)。同時(shí)，神經(jīng)網(wǎng)絡(luò)在網(wǎng)絡(luò)入侵檢測中，可以通過數(shù)據(jù)運(yùn)算而形成異常的判別值，這樣可以對(duì)于當(dāng)前是否受到攻擊行為影響做出判斷，從而實(shí)現(xiàn)對(duì)檢測對(duì)象是否存在異常情況的檢測[6-8]。

2.2 神經(jīng)網(wǎng)絡(luò)在網(wǎng)絡(luò)入侵檢測中的應(yīng)用

神經(jīng)網(wǎng)絡(luò)在網(wǎng)絡(luò)安全尤其是入侵檢測方面已有了相當(dāng)?shù)难芯縖9]。有研究者將組織聚類神經(jīng)網(wǎng)絡(luò)應(yīng)用于計(jì)算機(jī)安全研究中，其采用了自適應(yīng)諧振學(xué)習(xí)法進(jìn)行數(shù)據(jù)的前期訓(xùn)練，對(duì)于無顯著意義的平均誤差減少時(shí)，采用遺傳算法繼續(xù)在前期基礎(chǔ)上進(jìn)行數(shù)據(jù)數(shù)據(jù)以得到最佳的權(quán)值。國內(nèi)也在神經(jīng)網(wǎng)絡(luò)應(yīng)用于網(wǎng)絡(luò)入侵檢測上做了大量工作。王勇等研究者在參考MIT Lincoln有關(guān)網(wǎng)絡(luò)入侵檢測方法基礎(chǔ)上，提出了基于Linux主機(jī)的網(wǎng)絡(luò)入侵檢測方案，實(shí)現(xiàn)了對(duì)于多種網(wǎng)絡(luò)攻擊的特征進(jìn)行抽取及檢測的目的[10]。

神經(jīng)網(wǎng)絡(luò)在網(wǎng)絡(luò)入侵檢測中有廣泛的應(yīng)用空間[11-12]，今后應(yīng)該擴(kuò)大訓(xùn)練數(shù)據(jù)的數(shù)量和范圍，并擴(kuò)大操作系統(tǒng)的研究空間，通過模擬真實(shí)的計(jì)算機(jī)網(wǎng)絡(luò)環(huán)境，將神經(jīng)網(wǎng)絡(luò)技術(shù)真正應(yīng)用于計(jì)算機(jī)安全尤其是入侵檢測工作中。

參考文獻(xiàn)

[1] 李季，蒲彪.人工神經(jīng)網(wǎng)絡(luò)在食品微生物發(fā)酵中的應(yīng)用[J].食品研究與開發(fā)，2009，30（4）：171-174.

[2] 李聰超，周鐵軍.人工神經(jīng)網(wǎng)絡(luò)在農(nóng)業(yè)中的應(yīng)用[J].農(nóng)業(yè)網(wǎng)絡(luò)信息，2008（1）：35-38.

[3] 李麗霞，張敏，郜艷暉，等.人工神經(jīng)網(wǎng)絡(luò)在醫(yī)學(xué)研究中的應(yīng)用[J].數(shù)理醫(yī)藥學(xué)雜志，2009，22（1）：80-82.

[4] 高雋.人工神經(jīng)網(wǎng)絡(luò)原理及仿真實(shí)例[M].北京：機(jī)械工業(yè)出版社，2003：44-73.

[5] 楊行峻，鄭君里.人工神經(jīng)網(wǎng)絡(luò)與盲信號(hào)處理[M].北京：清華大學(xué)出版社，2003：23-105.

[6] 程麗麗.基于模糊神經(jīng)網(wǎng)絡(luò)的入侵檢測設(shè)計(jì)模型[D].哈爾濱：哈爾濱理工大學(xué)，2005.

[7] 周開利，康耀紅.神經(jīng)網(wǎng)絡(luò)模型及其MATLAB仿真程序設(shè)計(jì)[M].北京：清華大學(xué)出版社，2005.

[8] 李家春，李之堂.神經(jīng)模糊入侵檢測系統(tǒng)的研究[J].計(jì)算機(jī)工程與應(yīng)用，2001，23（17）：37-39，

[9] 王勇，楊輝華.一種基于進(jìn)化神經(jīng)網(wǎng)絡(luò)的入侵檢測實(shí)驗(yàn)系統(tǒng)[J].華東理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2005（6）：362-366

[10] 喬瑞.基于優(yōu)化自組織聚類神經(jīng)網(wǎng)絡(luò)的入侵檢測方法研究[J].計(jì)算機(jī)與現(xiàn)代化，2005（1）：77-79.

第3篇：人工神經(jīng)網(wǎng)絡(luò)優(yōu)勢范文

Abstract： Estimating the manufacturing cost of large-sized and complex-shaped non-standard product is hard. Now the manual estimation methods suffered from a high estimation error. When cost estimates are to be used for bidding purposes， a poor accuracy may have detrimental financial consequences. A cost overestimation bears the risk of making the firm uncompetitive and losing a customer， while underestimating the cost leads to winning a contract but incurring a financial loss. Therefore， a precise cost estimation is critical for project management. In this paper， building the parametric model of artificial neural networks， compare with the artificial neural networks and the manual estimation methods in estimating the manufacturing cost of large-sized and complex-shaped non-standard product. the accuracy is improved.

關(guān)鍵詞： 神經(jīng)網(wǎng)絡(luò)（ANN）；成本估算；非標(biāo)產(chǎn)品

Key words： artificial neural networks （ANN）；cost estimation；non-standard product

中圖分類號(hào)：TP183 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1006-4311（2014）14-0203-03

0 引言

生產(chǎn)成本評(píng)估是工業(yè)管理活動(dòng)中的一個(gè)重要問題。通常情況下，成本的計(jì)算可被分類為預(yù)先計(jì)算，中間計(jì)算，后計(jì)算。前計(jì)算涉及估計(jì)未來成本，中間計(jì)算在產(chǎn)品開發(fā)周期內(nèi)進(jìn)行了成本控制的目的，而計(jì)算后，包括成本核算方法，用來確定實(shí)際成本作為未來預(yù)算數(shù)據(jù)。由于產(chǎn)品生命周期成本的很大一部分被定義在設(shè)計(jì)階段，因此在新產(chǎn)品開發(fā)過程中廣泛采用。然而，在這種情況下，通常用來提供合適的成本計(jì)算方法必需的數(shù)據(jù)，只有不完整的或不確定的產(chǎn)品描述的數(shù)據(jù)[1]。

由于神經(jīng)網(wǎng)絡(luò)能以期望的精度逼近任何非線性函數(shù)，并且它具有自學(xué)習(xí)、自組織、自適應(yīng)、并行處理和容錯(cuò)等功能，因而可以較好的應(yīng)用于產(chǎn)品生產(chǎn)成本估算。

1 成本估算方法分類

從方法論的角度來看，成本估算，可以分為定性或定量的方法。如圖1。

定性的方法依賴于專家判斷和經(jīng)驗(yàn)啟發(fā)式規(guī)則，定量的方法，可進(jìn)一步分類納入統(tǒng)計(jì)的模型，相似模型或生成分析模型。參數(shù)成本模型屬于傳統(tǒng)的統(tǒng)計(jì)方法，統(tǒng)計(jì)標(biāo)準(zhǔn)是用來確定因果聯(lián)系和關(guān)聯(lián)成本和產(chǎn)品特性，以便取得與一個(gè)或多個(gè)變量的。統(tǒng)計(jì)方法可以依靠公式或替代辦法連結(jié)產(chǎn)品特性，以成本為例，如回歸分析或優(yōu)化方法已被廣泛地應(yīng)用，人工神經(jīng)網(wǎng)絡(luò)也被用來統(tǒng)計(jì)方法，這要?dú)w功于它們有能力進(jìn)行分類，總結(jié)和推斷的數(shù)據(jù)集合。人工神經(jīng)網(wǎng)絡(luò)模型接受輸入形狀描述和語義的產(chǎn)品特性，并作為輸出產(chǎn)品的成本。搜索引擎優(yōu)化也利用人工神經(jīng)網(wǎng)絡(luò)和統(tǒng)計(jì)相關(guān)性在生命周期成本概念設(shè)計(jì)階段使用[2]。人工神經(jīng)網(wǎng)絡(luò)會(huì)表現(xiàn)出更好的線性回歸模型。類似的方法，而不是找出一個(gè)類似的產(chǎn)品，用成本信息來估計(jì)未來成本，調(diào)整產(chǎn)品成本之間的差異。類似的模型，從而推斷出相似的成本結(jié)構(gòu)，功能或產(chǎn)品功能之間的幾何相似。例如，作為一個(gè)多維特征空間中的點(diǎn)之間的距離測量。生成的分析方法是最準(zhǔn)確的，描繪出實(shí)際的產(chǎn)品制造過程中。生產(chǎn)過程的詳細(xì)分析和分解成單一的制造業(yè)務(wù)進(jìn)行，分析特定模型估計(jì)每個(gè)處理階段的成本歸因于資源消耗的貨幣價(jià)值的技術(shù)參數(shù)的基礎(chǔ)上的特征的操作。自下而上的方法，然后利用適當(dāng)總在制造過程中所產(chǎn)生的成本，通過各成本項(xiàng)目的總和。一個(gè)詳細(xì)的模型使用的勞動(dòng)時(shí)間和價(jià)格的估計(jì)，材料、數(shù)量和價(jià)格的產(chǎn)品或活動(dòng)，估計(jì)直接成本、間接成本。

在每個(gè)成本中心的制造時(shí)間的估計(jì)仍然是一個(gè)艱巨的任務(wù)，留給成本部門的經(jīng)驗(yàn)和歷史數(shù)據(jù)的依賴。估計(jì)誤差是相當(dāng)重要的，一些歷史數(shù)據(jù)不可用。由于經(jīng)常發(fā)生在工程師對(duì)按訂單生產(chǎn)的任何產(chǎn)品和過去不同，因?yàn)樗怯煽蛻舻囊?guī)格和設(shè)計(jì)的。這種傳統(tǒng)的方法是對(duì)制造時(shí)間的估計(jì)[4]。

因此，利用標(biāo)準(zhǔn)時(shí)間的方法是相當(dāng)困難的，在投標(biāo)階段，許多需要精確估計(jì)到工作中心的數(shù)據(jù)是沒有的，必須從過去的經(jīng)驗(yàn)中得到，但是，由于是非標(biāo)產(chǎn)品，極有可能缺乏具體的經(jīng)驗(yàn)，進(jìn)一步增加了時(shí)間和成本的不確定性。這種不確定性導(dǎo)致以下問題：報(bào)價(jià)風(fēng)險(xiǎn)，與失去投標(biāo)報(bào)價(jià)的可能性。

針對(duì)這個(gè)問題，下面介紹一種基于人工神經(jīng)網(wǎng)絡(luò)的估算方法。

3 ANN成本建模

人工神經(jīng)網(wǎng)絡(luò)的信息處理模型的基本計(jì)算的數(shù)量單元（神經(jīng)元）相連的的加權(quán)連接。人工神經(jīng)網(wǎng)絡(luò)對(duì)一組訓(xùn)練數(shù)據(jù)是能夠自學(xué)習(xí)，并進(jìn)行分類，聚類，函數(shù)逼近和控制任務(wù)。特別是，神經(jīng)網(wǎng)絡(luò)被認(rèn)為是“普？？遍回歸工具”能夠逼近任意連續(xù)函數(shù)，利用在成本估算應(yīng)用。在特定的神經(jīng)網(wǎng)絡(luò)非參數(shù)估計(jì)，這意味著要作出任何假設(shè)的形狀近似函數(shù)訓(xùn)練前。這是一個(gè)很大的實(shí)用優(yōu)勢，因?yàn)樗?jié)省了時(shí)間和費(fèi)用成本，專家需要提供適當(dāng)類型的函數(shù)參數(shù)成本。

多層感知器網(wǎng)絡(luò)已被用作此配置提供了最好的結(jié)果作為函數(shù)逼近，而嘗試和錯(cuò)誤的過程中已經(jīng)定義了的詳細(xì)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。事實(shí)上，網(wǎng)絡(luò)結(jié)構(gòu)可以有顯著影響的估算精度。但神經(jīng)網(wǎng)絡(luò)理論尚未提供控制變量的最優(yōu)設(shè)置，適用規(guī)則和拓?fù)浣Y(jié)構(gòu)[5]。

人工神經(jīng)網(wǎng)絡(luò)的輸入包括所有的產(chǎn)品特征變量的值

4 結(jié)論

在面對(duì)成本估算的問題上，模擬的選擇要根據(jù)不同的產(chǎn)品或過程，具體的資料和案例。另外，選擇還取決于各自的優(yōu)點(diǎn)，不同方法的局限性和能力。

統(tǒng)計(jì)或類似的模型也被稱為“'lump-sum”的方法[7]，因?yàn)樗麄儾豢紤]生產(chǎn)過程的特點(diǎn)，或不顯示詳細(xì)的成本結(jié)構(gòu)。事實(shí)上，這種方法試圖建立一個(gè)整體的相關(guān)性（稱為CER，成本估算關(guān)系）的總制造成本和成本影響產(chǎn)品特性（即變量之間的相關(guān)產(chǎn)品的配置或物理特性，如重量，尺寸等，可作為成本動(dòng)因）的關(guān)系。

統(tǒng)計(jì)方法的神經(jīng)網(wǎng)絡(luò)的優(yōu)勢是，它們可以有效地推斷和概括。數(shù)據(jù)模型之間的功能關(guān)系是隱藏的或不能以多項(xiàng)式的形式表示，不了解變量之間的函數(shù)關(guān)系。神經(jīng)網(wǎng)絡(luò)具有的優(yōu)點(diǎn)是不需要詳細(xì)定義了單一的制造過程的階段和神經(jīng)網(wǎng)絡(luò)動(dòng)態(tài)自適應(yīng)，神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集可擴(kuò)展新的數(shù)據(jù)成為可用的變化來反映或在制造業(yè)務(wù)性能的提高和相關(guān)資源，得到一個(gè)連續(xù)的知識(shí)獲取。

參考文獻(xiàn)：

[1]Verna Allee. Reconfiguring the value network[J]. Theory in Action， Jul./Aug.， 2000：36-39.

[2]Dorian Selz. Value Webs-Emerging forms of fluid and flexible organizations[D].Dissertation St. Gallen， #2310， Difo-Druck， Bamberg， 1999.

[3]David Bovet and Jaseph Martha. Valuenets-breaking the Supply Chain to Unlock Hidden Profit[M]. New York ： John Wiley & Sons， Inc，2000.

[4]黃文權(quán).機(jī)械制造產(chǎn)品成本估算方法研究及應(yīng)用[D].杭州：浙江大學(xué)機(jī)械工程學(xué)系，2003.

[5]焦李成.神經(jīng)網(wǎng)絡(luò)系統(tǒng)理論[M].西安：西安電子科技大學(xué)出版社，1990.

第4篇：人工神經(jīng)網(wǎng)絡(luò)優(yōu)勢范文

關(guān)鍵詞：動(dòng)車組；過分相區(qū)；故障識(shí)別；繼電保護(hù)

1 動(dòng)車組過分相區(qū)故障識(shí)別中的人工神經(jīng)網(wǎng)絡(luò)BP算法概述

1.1 基于人工神經(jīng)網(wǎng)絡(luò)的BP算法

動(dòng)車組過分相區(qū)發(fā)生運(yùn)行故障會(huì)影響動(dòng)車組的安全運(yùn)行狀況，為了對(duì)動(dòng)車組過分相區(qū)中存在的故障有一個(gè)清晰的認(rèn)識(shí)，文章利用智能控制領(lǐng)域內(nèi)的BP算法對(duì)動(dòng)車組過分相區(qū)以及分相區(qū)的中性線出現(xiàn)接地故障時(shí)其狀態(tài)進(jìn)行了全方位的智能識(shí)別，利用這種方式能夠快速排除動(dòng)車組運(yùn)行故障，同時(shí)還能夠使繼電保護(hù)裝置快速動(dòng)作，為動(dòng)車組運(yùn)行提供保護(hù)。

人工神經(jīng)網(wǎng)絡(luò)克服了傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)方法對(duì)語音識(shí)別、模式以及分結(jié)構(gòu)化信息處理等方面的局限，該算法具有較強(qiáng)的非線性適應(yīng)性信息處理能力，基于人工神經(jīng)網(wǎng)絡(luò)的功能性，使之在模式識(shí)別、人工神經(jīng)專家系統(tǒng)以及智能控制等多個(gè)領(lǐng)域廣泛應(yīng)用。人工神經(jīng)網(wǎng)絡(luò)中包含了多種算法，基本上都具有故障識(shí)別的作用，但是不同的算法所產(chǎn)生的作用力也是不同的，基于人工神經(jīng)網(wǎng)絡(luò)的BP算法較為常用，利用該種診斷技術(shù)，在故障識(shí)別過程中無需建立精確的數(shù)學(xué)模型，它能夠解決其他常規(guī)算法所不能解決的故障診斷，對(duì)動(dòng)車組過分相區(qū)故障識(shí)別具有重要意義。

1.2 基于人工神經(jīng)網(wǎng)絡(luò)BP算法的優(yōu)勢與缺陷分析

人工神經(jīng)網(wǎng)絡(luò)BP算法是目前解決動(dòng)車組故障診斷的創(chuàng)新途徑，其在動(dòng)車組過分相區(qū)故障識(shí)別中的廣泛應(yīng)用是由其本身的功能性決定的。其優(yōu)勢主要表現(xiàn)在兩方面，一方面只要具備足夠的隱節(jié)點(diǎn)以及隱含層，人工神經(jīng)網(wǎng)絡(luò)BP就可以隨意的逼近非線性映射關(guān)系，具有一定的隨意性，另一方面人工神經(jīng)網(wǎng)絡(luò)BP屬于一種全局逼近的方式，具有較好的泛化能力，BP網(wǎng)絡(luò)可以實(shí)現(xiàn)輸入與輸出的非線性映射關(guān)系，在此過程中其不依賴模型，即使人工神經(jīng)網(wǎng)絡(luò)中有個(gè)別神經(jīng)元損壞，雖對(duì)輸入輸出有影響，但影響相對(duì)較小，由此可見人工神經(jīng)網(wǎng)絡(luò)BP算法具有良好的容錯(cuò)能力。然而人工神經(jīng)網(wǎng)絡(luò)BP算法也存在一定的局限性，其在應(yīng)用中收斂速度較為緩慢，隱含層與隱節(jié)點(diǎn)的實(shí)際數(shù)目難以準(zhǔn)確定位。

2 人工神經(jīng)網(wǎng)絡(luò)BP算法下的動(dòng)車組過分相區(qū)故障識(shí)別仿真分析

人工神經(jīng)網(wǎng)絡(luò)BP算法在動(dòng)車組過分相區(qū)故障識(shí)別中的應(yīng)用大致可以分為四個(gè)步驟，第一，利用該種算法對(duì)動(dòng)車組過分相區(qū)進(jìn)行故障識(shí)別與診斷，獲取動(dòng)車組過分相區(qū)與未過分相區(qū)中各種狀態(tài)下的仿真數(shù)據(jù)，為故障診斷與故障識(shí)別提供有效依據(jù)。第二，對(duì)動(dòng)車組過分相區(qū)與未過分相區(qū)故障識(shí)別仿真實(shí)驗(yàn)中的各個(gè)參數(shù)值進(jìn)行有效提取，并根據(jù)這些參數(shù)值對(duì)動(dòng)車組過分相區(qū)中存在的故障問題進(jìn)行全面分析。第三，以輸入的數(shù)據(jù)特點(diǎn)以及系統(tǒng)所需數(shù)據(jù)輸出要求為依據(jù)，從而確定輸入與輸出層的節(jié)點(diǎn)數(shù)以及隱含層的節(jié)點(diǎn)數(shù)。第四，將需要處理的矢量參數(shù)以及信息數(shù)據(jù)輸入到網(wǎng)絡(luò)系統(tǒng)中，而后進(jìn)行一系列訓(xùn)練，訓(xùn)練成功之后再將預(yù)先設(shè)定的訓(xùn)練結(jié)果以及信號(hào)進(jìn)行比較驗(yàn)證。在動(dòng)車組過分相區(qū)故障識(shí)別仿真實(shí)驗(yàn)中若隱含層節(jié)點(diǎn)數(shù)過多，會(huì)導(dǎo)致識(shí)別時(shí)間過長，不能在短時(shí)間內(nèi)對(duì)動(dòng)車組運(yùn)行故障進(jìn)行判斷，會(huì)影響動(dòng)車組的整體運(yùn)行狀況，而隱含層節(jié)點(diǎn)數(shù)太少則容錯(cuò)性較差，識(shí)別樣本能力也相對(duì)較低，因此在仿真實(shí)驗(yàn)中要綜合考慮各種因素的影響，在仿真實(shí)驗(yàn)中要想得到準(zhǔn)確的結(jié)果，需要對(duì)系統(tǒng)中的各個(gè)變量進(jìn)行反復(fù)訓(xùn)練，同時(shí)還要對(duì)其進(jìn)行收斂，在利用人工神經(jīng)網(wǎng)絡(luò)BP算法計(jì)算時(shí)若實(shí)際計(jì)算中能夠得到和與其相近的值，那么就表明動(dòng)車組過分相區(qū)的運(yùn)行狀態(tài)被識(shí)別。

在仿真實(shí)驗(yàn)中將正饋線電壓、接觸線電壓、暫態(tài)過程一的暫態(tài)過電壓、暫態(tài)過程一的暫態(tài)過電壓、暫態(tài)過程三的暫態(tài)過電灰、暫態(tài)過程四的暫態(tài)過電壓，將這六個(gè)變量輸入到系統(tǒng)中，將線路所呈現(xiàn)的六種狀態(tài)作為輸出，在利用人工神經(jīng)網(wǎng)絡(luò)BP算法進(jìn)行方針數(shù)據(jù)處理以及狀態(tài)識(shí)別時(shí)，諸多BP神經(jīng)網(wǎng)絡(luò)實(shí)驗(yàn)?zāi)Ｐ突旧隙际且許形函數(shù)作為實(shí)驗(yàn)中的轉(zhuǎn)換函數(shù)，將函數(shù)的值域定義為[0，1]，那么在訓(xùn)練過程中就要將原始數(shù)據(jù)合理規(guī)范到[0，1]區(qū)間內(nèi)，而后再統(tǒng)一利用標(biāo)準(zhǔn)歸一化方式來實(shí)現(xiàn)。將六種線路的狀態(tài)相關(guān)數(shù)據(jù)進(jìn)行歸一化處理，即將狀態(tài)數(shù)據(jù)處理在0～1以內(nèi)。在仿真實(shí)驗(yàn)中要利用人工神經(jīng)網(wǎng)絡(luò)BP算法對(duì)動(dòng)車組過分相區(qū)進(jìn)行智能化故障識(shí)別，并保證故障識(shí)別的準(zhǔn)確性，就要對(duì)歸一化數(shù)據(jù)進(jìn)行大量并反復(fù)訓(xùn)練，通過大量及反復(fù)訓(xùn)練得到的誤差曲線結(jié)果是快速的，收斂的，能夠?yàn)閯?dòng)車組過分相區(qū)故障識(shí)別利用精確數(shù)據(jù)。

3 動(dòng)車組過分相區(qū)繼電保護(hù)研究

動(dòng)車組過分相區(qū)中的繼電保護(hù)可以分為三種保護(hù)模式，分別是線路保護(hù)、分相區(qū)保護(hù)以及合閘過電壓保護(hù)，這三種保護(hù)方式對(duì)動(dòng)車組過分相區(qū)的安全與穩(wěn)定運(yùn)行都有一定的保護(hù)作用，但是三者的保護(hù)方式有所區(qū)別，以下是對(duì)這三種保護(hù)模式的具體分析：

3.1 線路保護(hù)

線路保護(hù)為了改善功率因數(shù)，機(jī)車上還設(shè)置有三次與五次諧波的濾波電路，為使諧波含量系數(shù)能夠準(zhǔn)確反映高次諧振狀況，通過高次諧振狀況可以對(duì)線路保護(hù)中的電阻繼電器動(dòng)作進(jìn)行判定，電阻繼電器動(dòng)作方程式為：

XZD，RZD分別是指電阻與電抗整定值。線路保護(hù)在對(duì)動(dòng)車組過分相區(qū)實(shí)施保護(hù)動(dòng)作時(shí)，為了避免動(dòng)車組過分相區(qū)出現(xiàn)保護(hù)誤動(dòng)的狀況，那么需要利用二次諧波進(jìn)行閉鎖操作。線路保護(hù)動(dòng)作應(yīng)根據(jù)動(dòng)車組過分相區(qū)實(shí)際情況來選擇，高次諧波抑制式電流增量保護(hù)也是線路保護(hù)中的一種，對(duì)動(dòng)車組相區(qū)也有一定的保護(hù)作用。

3.2 分相區(qū)保護(hù)

分相區(qū)保護(hù)設(shè)置與線路保護(hù)設(shè)置相比相對(duì)較為復(fù)雜，在動(dòng)車組運(yùn)行過程中利用分相區(qū)保護(hù)方式可以在動(dòng)車組分相區(qū)中性線位置設(shè)置RC保護(hù)與RL保護(hù)，其中RL保護(hù)能夠被開關(guān)控制，利用這兩種保護(hù)方式基本上可以解決動(dòng)車組特定機(jī)型的暫態(tài)過電壓問題，然而目前很多型號(hào)的動(dòng)車組機(jī)車在牽引網(wǎng)中運(yùn)行，RL與RC保護(hù)方式具有一定局限性，在這種運(yùn)行條件下常出現(xiàn)的問題是過電壓與過電流問題，針對(duì)這兩種問題可以采取電壓增量保護(hù)與電流速斷保護(hù)的方式。

3.3 合閘過電壓保護(hù)

動(dòng)車組過分相區(qū)發(fā)生故障之后，需要在分區(qū)亭處先進(jìn)行合閘操作，而后再牽引變電所進(jìn)行再合閘操作，故障時(shí)合閘的主要目的是為了檢驗(yàn)動(dòng)車組故障屬于暫態(tài)性故障還是永久性故障。動(dòng)車組中的短路故障屬于暫態(tài)故障，而短線故障則屬于永久性故障，暫態(tài)故障發(fā)生后所產(chǎn)生的暫態(tài)過電壓會(huì)在60ms之后穩(wěn)定在正饋線與界線中，而永久性故障則會(huì)穩(wěn)定在一個(gè)新電壓狀態(tài)下，為動(dòng)車組過分相區(qū)運(yùn)行提供一個(gè)良好的狀態(tài)。

4 結(jié)束語

綜上所述，動(dòng)車組過分相區(qū)運(yùn)行環(huán)境具有一定的復(fù)雜性，在運(yùn)行中常發(fā)生一系列的故障，這些故障或多或少都會(huì)對(duì)動(dòng)車組的正常運(yùn)行造成影響，因此對(duì)動(dòng)車組進(jìn)行故障識(shí)別，并采取繼電保護(hù)尤為必要?；谌斯ど窠?jīng)網(wǎng)絡(luò)的BP算法是現(xiàn)今動(dòng)車組過分相區(qū)故障識(shí)別中的一種新方法，可以在不建立模型的情況下進(jìn)行故障診斷識(shí)別，快速查出故障原因，并根據(jù)實(shí)際情況采取相應(yīng)的保護(hù)措施，為動(dòng)車組過分相區(qū)運(yùn)行提供安全保障。

參考文獻(xiàn)

第5篇：人工神經(jīng)網(wǎng)絡(luò)優(yōu)勢范文

對(duì)于這種人工神經(jīng)網(wǎng)絡(luò)的信息處理方式，其是根據(jù)生物學(xué)中神經(jīng)網(wǎng)絡(luò)的形式來研究出來的，所在對(duì)于這種人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)來說，其有很大一部分特點(diǎn)都是跟生物學(xué)的中神經(jīng)系統(tǒng)是相似的，具備一些智能的功能。首先它所體現(xiàn)出來的一種特點(diǎn)是在記憶方面，因?yàn)樗歉鶕?jù)生物神經(jīng)模式來進(jìn)行設(shè)計(jì)的，因此其在對(duì)信息進(jìn)行儲(chǔ)存及分析過程中，會(huì)第一這些信息進(jìn)行保留，并且還具備聯(lián)想記憶的功能。

其次其具備的特點(diǎn)就是可以進(jìn)行非線性映射。因?yàn)樵诤芏嗟膶?shí)現(xiàn)操作過程中，很多輸出的信息與輸入的信息之間并不能夠建立起一種線性的關(guān)系，使得很多熟悉的模型不能夠在其它信息處理系統(tǒng)中進(jìn)行設(shè)計(jì)出來。但是使用人工神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)方式，就使得在信息處理的過程中能夠做到滿足非線性映射，并且還可以在設(shè)計(jì)的過程中建立起很大的非線性的數(shù)學(xué)模型，并且各個(gè)領(lǐng)域中都可以得到應(yīng)用。

另外，在這種人工神經(jīng)網(wǎng)絡(luò)的信息處理模式中，還可以對(duì)輸入的信息進(jìn)行識(shí)別，并做到有效的分類，這對(duì)原來在信息處理過程中存在的信息不易分離與辨別的問題做到了有效的解決。最后一項(xiàng)具備的功能就是它可以對(duì)輸入與輸出的信息及知識(shí)內(nèi)容進(jìn)行一個(gè)有效的處理，因?yàn)槿斯ど窠?jīng)網(wǎng)絡(luò)模式具備生物學(xué)中神經(jīng)傳遞的特點(diǎn)，所以它可以在信息到達(dá)的時(shí)候，對(duì)其進(jìn)行分析及處理，對(duì)于那些符合條件的信息加以利用，并進(jìn)行儲(chǔ)存。這就使得在信息的處理過程中，能夠做到對(duì)數(shù)據(jù)根據(jù)其特征來進(jìn)行分類與分析。

2人工神經(jīng)網(wǎng)絡(luò)的信息處理技術(shù)在經(jīng)濟(jì)管理中的應(yīng)用

計(jì)算機(jī)科學(xué)與技術(shù)發(fā)展過程中所帶來的這種神經(jīng)網(wǎng)絡(luò)的信息處理模式，因?yàn)槠渚邆涞囊恍┨卣髋c功能，因此在眾多的領(lǐng)域中得到了有效的利用，解決了傳統(tǒng)信息處理過程中那些不能夠進(jìn)行解決的問題，并且都取得了很好的效果。所以，目前這種信息的處理方式不僅在經(jīng)濟(jì)管理過程中得以使用，還在醫(yī)學(xué)、工程技術(shù)及其它經(jīng)濟(jì)領(lǐng)域中都得到廣泛的應(yīng)用。

2.1在信貸分析過程中需要對(duì)這種信息處理技術(shù)加以利用

對(duì)于信貸分析工作來說，信用評(píng)估機(jī)構(gòu)是具備自己特征的，因此在信息處理過程中，因?yàn)檫@些企業(yè)所帶來的信息形式的不同，使得在對(duì)其信用度進(jìn)行評(píng)判的過程中，帶來很大的問題，也很難對(duì)其進(jìn)行判斷，使得很多時(shí)候都會(huì)帶來很多的經(jīng)濟(jì)損失。但是對(duì)這種人工神經(jīng)網(wǎng)絡(luò)信息的處理技術(shù)的使用，就會(huì)對(duì)所出現(xiàn)的問題做到有效的解決了。在對(duì)這些貸款企業(yè)進(jìn)行信用評(píng)價(jià)的時(shí)候，只需要將信息轉(zhuǎn)化為編碼來輸入進(jìn)去，就可以對(duì)數(shù)據(jù)進(jìn)行分析，并且因?yàn)檩斎氲男畔⒘勘容^大，使得在評(píng)價(jià)的過程中更做到具有更大的準(zhǔn)確性。對(duì)這種技術(shù)的使用，不僅可以做到準(zhǔn)確性，還可以避免操作人員的主觀思維形式。這是這些優(yōu)勢的存在，使得其在對(duì)企業(yè)風(fēng)險(xiǎn)進(jìn)行分析的過程中得到很廣泛的應(yīng)用。

2.2使用這種方法可以對(duì)市場做到更準(zhǔn)確的預(yù)測

在經(jīng)濟(jì)管理過程中，需要對(duì)市場中出現(xiàn)的一些因素做到有效的分析，并做到對(duì)未來發(fā)展趨勢進(jìn)行相關(guān)的預(yù)測，使得在決策的過程中，能夠起到參考的作用，使得風(fēng)險(xiǎn)得到降低。使用人工神經(jīng)網(wǎng)絡(luò)的信息處理技術(shù)來對(duì)市場進(jìn)行預(yù)測，使得對(duì)市場中變動(dòng)的價(jià)格與走勢進(jìn)行考量與分析，使得一個(gè)可靠的市場模型可以得到建立。例如在期貨市場上運(yùn)用這種技術(shù)，可以對(duì)其未來價(jià)格進(jìn)行預(yù)測。并且這種技術(shù)在股票市場中也有所應(yīng)用。

3、結(jié)束語

第6篇：人工神經(jīng)網(wǎng)絡(luò)優(yōu)勢范文

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò) 應(yīng)用 經(jīng)濟(jì)預(yù)測 改進(jìn)

神經(jīng)網(wǎng)絡(luò)作為新時(shí)展最快的人工智能領(lǐng)域研究成果之一，在科學(xué)計(jì)算、自動(dòng)控制等方面得到了成功的運(yùn)用。近年來，我國學(xué)者們將神經(jīng)網(wǎng)絡(luò)運(yùn)用于經(jīng)濟(jì)預(yù)測領(lǐng)域，并且不斷地改進(jìn)應(yīng)用方法，使基于神經(jīng)網(wǎng)絡(luò)的經(jīng)濟(jì)預(yù)測系統(tǒng)更具效益。本文在此背景下，對(duì)神經(jīng)網(wǎng)絡(luò)經(jīng)濟(jì)預(yù)測的應(yīng)用進(jìn)行了研究，圍繞經(jīng)濟(jì)預(yù)測的方法應(yīng)用提出相應(yīng)的改進(jìn)建議，從而豐富了經(jīng)濟(jì)增長預(yù)測理論與實(shí)踐。

一、神經(jīng)網(wǎng)絡(luò)經(jīng)濟(jì)預(yù)測的方法的概述

1.概念

神經(jīng)網(wǎng)絡(luò)，是對(duì)人腦或自然神經(jīng)網(wǎng)絡(luò)若干基本特征的抽象和模擬。從解剖學(xué)和生理學(xué)的角度來看，人腦是一個(gè)復(fù)雜的并行系統(tǒng)，他是由大量的細(xì)胞組合而成，這些細(xì)胞相互連接。神經(jīng)細(xì)胞與人體中的其他細(xì)胞的關(guān)鍵區(qū)別在于，神經(jīng)細(xì)胞具有產(chǎn)生、處理和傳遞信號(hào)的能力。在人工神經(jīng)網(wǎng)絡(luò)的發(fā)展過程中，對(duì)生物神經(jīng)系統(tǒng)進(jìn)行了不同模擬，提出了各種各樣的神經(jīng)網(wǎng)絡(luò)模型，其中具有代表的網(wǎng)絡(luò)模型有感知器神經(jīng)網(wǎng)絡(luò)、線性神經(jīng)網(wǎng)絡(luò)、BP網(wǎng)絡(luò)、徑向基函數(shù)網(wǎng)絡(luò)、自組織網(wǎng)絡(luò)。

2.特征

神經(jīng)網(wǎng)絡(luò)經(jīng)濟(jì)預(yù)測的方法不同傳統(tǒng)的預(yù)測方法，它對(duì)經(jīng)濟(jì)系統(tǒng)里的多種因素進(jìn)行分析，進(jìn)行有效地多輸入、多輸出的經(jīng)濟(jì)預(yù)測數(shù)據(jù)?？梢哉f神經(jīng)網(wǎng)絡(luò)經(jīng)濟(jì)預(yù)測的方法具有以下幾種特征：其一，由于神經(jīng)網(wǎng)絡(luò)是由復(fù)雜的因素構(gòu)成的，它的輸入向量維數(shù)比較多。其二，經(jīng)濟(jì)系統(tǒng)數(shù)據(jù)具有很強(qiáng)的非線性，使得輸入的向量各分量之間存在著復(fù)雜的耦合關(guān)系。其三，經(jīng)濟(jì)系統(tǒng)處在一個(gè)“黑箱”模型下，導(dǎo)致數(shù)據(jù)之間的相互影響不存在明確表達(dá)式的關(guān)系。神經(jīng)網(wǎng)絡(luò)也會(huì)隨著時(shí)間的增長，數(shù)據(jù)呈現(xiàn)出增長的趨勢。

3.優(yōu)勢

用神經(jīng)網(wǎng)絡(luò)進(jìn)行經(jīng)濟(jì)預(yù)測相對(duì)來說比較準(zhǔn)確。因?yàn)檫@種神經(jīng)網(wǎng)絡(luò)在計(jì)算量允許的范圍內(nèi)，可以很好地?cái)M合任意多對(duì)多的映射關(guān)系，數(shù)據(jù)擬合的結(jié)果表明，系統(tǒng)擬合相對(duì)誤差在0%—0.75%，比采取回歸分析逼近效果好。此外，神經(jīng)網(wǎng)絡(luò)各層節(jié)點(diǎn)之間的聯(lián)結(jié)權(quán)數(shù)及閾值恰好可以表達(dá)經(jīng)濟(jì)系統(tǒng)中各個(gè)因素之間相互交織、相互影響的強(qiáng)耦合關(guān)系.而采取多元回歸模型。

往往只能引入少量耦合項(xiàng)以避免模型過于復(fù)雜而無法求解.因此，神經(jīng)網(wǎng)絡(luò)比傳統(tǒng)的多元回歸預(yù)測方法有更好的擬合能力和準(zhǔn)確度。神經(jīng)網(wǎng)絡(luò)的方法是比較適合對(duì)經(jīng)濟(jì)預(yù)測的，因?yàn)樗恍枰倭坑?xùn)練樣本就可以確定網(wǎng)絡(luò)的權(quán)值和閾值從而預(yù)測出宏觀經(jīng)濟(jì)發(fā)展趨勢，計(jì)算簡單、快捷、可靠?？偠灾?，神經(jīng)網(wǎng)絡(luò)經(jīng)濟(jì)預(yù)測方法具有顯著的優(yōu)勢，是比較適合經(jīng)濟(jì)預(yù)測的應(yīng)用過程的。

二、神經(jīng)網(wǎng)絡(luò)經(jīng)濟(jì)預(yù)測方法應(yīng)用的改進(jìn)

由于商業(yè)、政府和工業(yè)所產(chǎn)生的預(yù)測間題，其復(fù)雜程度越來越高，以致于現(xiàn)有的預(yù)測系統(tǒng)難于解決，這就要求我們的預(yù)測系統(tǒng)能夠處理復(fù)雜度增加的問題，進(jìn)一步擴(kuò)展傳統(tǒng)神經(jīng)網(wǎng)絡(luò)預(yù)測方法的能力，使得神經(jīng)網(wǎng)絡(luò)系統(tǒng)理論的不斷發(fā)展和完善、新的神經(jīng)網(wǎng)絡(luò)預(yù)測方法的不斷產(chǎn)生，使得神經(jīng)網(wǎng)絡(luò)預(yù)測模型更加實(shí)用化、現(xiàn)代化，會(huì)給商貿(mào)和工農(nóng)業(yè)生產(chǎn)帶來巨大的經(jīng)濟(jì)效益。以下是本人對(duì)神經(jīng)網(wǎng)絡(luò)經(jīng)濟(jì)預(yù)測方法應(yīng)用改進(jìn)的建議：

首先，我們要改進(jìn)神經(jīng)網(wǎng)絡(luò)經(jīng)濟(jì)預(yù)測的過程。確定預(yù)測的目的，制定預(yù)測的計(jì)劃。經(jīng)濟(jì)預(yù)測首先要確定預(yù)測的目的，從決策和管理的需求出發(fā)，緊密聯(lián)系實(shí)際需要與可能，確定預(yù)測要解決的問題。預(yù)測計(jì)劃是根據(jù)預(yù)測目的而制定的預(yù)測方案，包括預(yù)測的內(nèi)容、項(xiàng)目，預(yù)測所需要的資料，準(zhǔn)備選用的預(yù)測方法，預(yù)測的進(jìn)程和完成的時(shí)間以及預(yù)測的預(yù)算、組織實(shí)施等。只有目的明確、計(jì)劃科學(xué)的預(yù)測，才可保證預(yù)測的順利進(jìn)行。

其次，建立新的神經(jīng)網(wǎng)絡(luò)經(jīng)濟(jì)預(yù)測模型。經(jīng)過求增長率再進(jìn)行歸一化的處理，在給出的以往的數(shù)據(jù)的增長率范圍內(nèi)，網(wǎng)絡(luò)就可能不再陷入訓(xùn)練“盲區(qū)”。.當(dāng)采用了足夠年限的已知數(shù)據(jù)并將其增長率歸一化以后，“被預(yù)測年”數(shù)據(jù)的增長率可能不再會(huì)大于那些“已知年”數(shù)據(jù)的增長率.則外延問題可以得到基本解決。

最后，對(duì)神經(jīng)網(wǎng)絡(luò)經(jīng)濟(jì)預(yù)測結(jié)果進(jìn)行檢驗(yàn)，減小誤差。經(jīng)濟(jì)預(yù)測是立足于過去及現(xiàn)在的已知推測未來的未知，而過去和現(xiàn)在終歸不是未來，預(yù)測結(jié)果和未來實(shí)際值不可能絕對(duì)相符，存在的差異就是預(yù)測誤差。為了使預(yù)測誤差最小化，檢驗(yàn)結(jié)果通過試探性的反復(fù)試驗(yàn)來確定，預(yù)測準(zhǔn)確度應(yīng)盡可能進(jìn)行外推檢驗(yàn)。

三、總結(jié)

神經(jīng)網(wǎng)絡(luò)經(jīng)濟(jì)預(yù)測的方法相對(duì)于其他的經(jīng)濟(jì)預(yù)測方法，具有獨(dú)特的、顯著的優(yōu)勢，我們可以利用好其優(yōu)勢，從而有助于我們更好的對(duì)經(jīng)濟(jì)發(fā)展進(jìn)行預(yù)測分析，從而把握好經(jīng)濟(jì)發(fā)展動(dòng)向，為經(jīng)濟(jì)決策提供依據(jù)。因此，我們應(yīng)當(dāng)根據(jù)社會(huì)發(fā)展需要，不斷改進(jìn)神經(jīng)網(wǎng)絡(luò)經(jīng)濟(jì)預(yù)測方法的應(yīng)用，使其效能最優(yōu)化，為我國經(jīng)濟(jì)發(fā)展助力。

參考文獻(xiàn)：

[1]陳健，游瑋，田金信.應(yīng)用神經(jīng)網(wǎng)絡(luò)進(jìn)行經(jīng)濟(jì)預(yù)測方法的改進(jìn)[J].哈爾濱工業(yè)大學(xué)學(xué)報(bào)，2006（06）

第7篇：人工神經(jīng)網(wǎng)絡(luò)優(yōu)勢范文

關(guān)鍵詞：徑向基神經(jīng)網(wǎng)絡(luò)（RBFN）； 超高壓； 繼電保護(hù)； LLS； 梯度下降法

中圖分類號(hào)：TN911-34; TP332 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1004-373X(2011)20-0196-04

Algorithm of EHV Relaying Protection Based on RBF Neural Network

ZHANG Dong1, WANG Tao2

(1. Inner Mongolia Electric Power Group, Hohhot 010080, China;

2. School of Electronics and Information Engineering, Soochow University, Suzhou 215021, China)

Abstract： An algorithm of EHV (extra high voltage) relaying protection based on RBFN (radial basis function neural network) is proposed. The algorithm can conduct the training according to the existing relaying data sample set because the RBFN has learning ability, find the internal relations of fault detection, fault location, self-adaptive automatic reclosing technology, differential protection and distance protection by analysis, and realize the self-adaptive control over the future relaying protection data samples. The highlight of this algorithm is that the factors of both predicting precision and training time of RFBN are taken into consideration in the process of construction. The linear least squares (LLS) and the gradient descent method are employed for MATLAB simulation experiment to obtain a more accurate result of prediction.

Keywords： RBFN; EHV; relaying protection; LLS; gradient descent

0 引 言

隨著電力工業(yè)的不斷發(fā)展，現(xiàn)代電力系統(tǒng)已成為┮桓齦囈追竅咝浴⒏吒叢傭鵲拇笙低常人們對(duì)系統(tǒng)運(yùn)行的可靠性、持續(xù)性和穩(wěn)定性要求也越來越高，這就使得電力系統(tǒng)中問題的解決越來越困難。

繼電保護(hù)的任務(wù)就是檢測故障信息，識(shí)別故障信號(hào)，進(jìn)而決定保護(hù)是否跳閘。傳統(tǒng)的繼電保護(hù)和故障診斷方法自適應(yīng)能力有限，不能適應(yīng)各種運(yùn)行方式和診斷復(fù)雜故障。

徑向基神經(jīng)網(wǎng)絡(luò)（RBFN）具有很強(qiáng)的自適應(yīng)能力、學(xué)習(xí)能力、非線性映射能力和容錯(cuò)能力，并且魯棒性好，應(yīng)用在電力系統(tǒng)繼電保護(hù)有很大優(yōu)勢，很多難以列出方程式或難以求解的復(fù)雜的非線性問題，應(yīng)用徑向基神經(jīng)網(wǎng)絡(luò)（RBFN）方法都可以得到很好的解決。

1 人工神經(jīng)網(wǎng)絡(luò)概述

1.1 人工神經(jīng)網(wǎng)的概念

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks，ANNs）也簡稱為神經(jīng)網(wǎng)絡(luò)（NNs）或稱作連接模型（Connectionist Model），它是一種模范動(dòng)物神經(jīng)網(wǎng)絡(luò)行為特征，進(jìn)行分布式并行信息處理的算法數(shù)學(xué)模型。這種網(wǎng)絡(luò)依靠系統(tǒng)的復(fù)雜程度，通過調(diào)整內(nèi)部大量節(jié)點(diǎn)之間相互連接的關(guān)系，從而達(dá)到處理信息的目的。人工神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)和自適應(yīng)的能力，可以通過預(yù)先提供一批相互對(duì)應(yīng)的輸入-輸出數(shù)據(jù)，分析掌握兩者之間潛在的規(guī)律，最終根據(jù)這些規(guī)律，用新的輸入數(shù)據(jù)來推算輸出結(jié)果，這種學(xué)習(xí)分析的過程被稱為“訓(xùn)練”。

人工神經(jīng)網(wǎng)絡(luò)是一門模擬人腦生物過程的人工智能技術(shù),是根據(jù)大腦神經(jīng)元電化學(xué)活動(dòng)抽象出來的一種多層網(wǎng)絡(luò)結(jié)構(gòu)，它是由大量的神經(jīng)元互聯(lián)形成的復(fù)雜的非線性系統(tǒng)。神經(jīng)元結(jié)構(gòu)如圖1所示。所有輸入M通過一個(gè)權(quán)重K進(jìn)行加權(quán)求和后加上閾值d，再經(jīng)傳遞函數(shù)f的作用后即為該神經(jīng)元的輸出a，且有：

Иa=f(MK+d)(1)И

1.2 徑向基神經(jīng)網(wǎng)絡(luò)理論

徑向基神經(jīng)網(wǎng)絡(luò)(RBFN)是一個(gè)三層的前饋神經(jīng)網(wǎng)絡(luò)，包括一個(gè)輸入層、一個(gè)徑向基層(即隱含層)和┮桓鍪涑霾恪F浠本原理是以徑向基函數(shù)作為隱層單元的基，構(gòu)成隱含層空間，隱含層對(duì)輸入矢量進(jìn)行變換將低維的模式輸入數(shù)據(jù)變換到高維空間內(nèi)，使得在低維空間內(nèi)的線性不可分問題在高維空間內(nèi)線性可分。徑向基函數(shù)它模擬了人腦中局部調(diào)整、相互覆蓋感受野(Receptive Field)，因此是一種局部逼近網(wǎng)絡(luò)，科學(xué)界已經(jīng)證明它能以任意精度逼近任意函數(shù)，其拓?fù)浣Y(jié)構(gòu)如圖2所示。

圖1 人工神經(jīng)元模型

圖2 RBF網(wǎng)絡(luò)結(jié)構(gòu)圖

輸入層節(jié)點(diǎn)獲取輸入向量后，傳遞輸入向量到隱含層。隱含層節(jié)點(diǎn)由徑向基函數(shù)構(gòu)成，徑向基函數(shù)可采取多種形式(通常采用Gaussian函數(shù))。隱含層執(zhí)行非線性變換，將輸入空間映射到一個(gè)新的空間。輸出層通常是簡單的線性函數(shù)。隱含層節(jié)點(diǎn)和輸出層節(jié)點(diǎn)以不同的權(quán)重完全連接。隱含層節(jié)點(diǎn)的激活函數(shù)對(duì)輸入激勵(lì)產(chǎn)生一個(gè)局部響應(yīng)，輸入向量越靠近基函數(shù)的中心，隱含層節(jié)點(diǎn)做出的響應(yīng)越大。隱含層第j結(jié)點(diǎn)的輸出響應(yīng)為：

ИGj(x)=exp－x－μj2σ2j （2）И

式中：x= ［ X1,X2,…,Xn ］ 為輸入向量；μj,σj分別為第j個(gè)神經(jīng)元的中心和大??；c為神經(jīng)元的個(gè)數(shù)。

輸出層為隱含層各個(gè)單元的加權(quán)和:

И=f(x)=∑cj=1wjGj(x)（3）И

式中：wj為第j 個(gè)神經(jīng)元對(duì)應(yīng)的權(quán)值。

2 基于RBF的超高壓繼電保護(hù)算法

2.1 訓(xùn)練數(shù)據(jù)的樣本采集

訓(xùn)練所需要的樣本數(shù)據(jù)，直接關(guān)系到訓(xùn)練出來經(jīng)驗(yàn)函數(shù)精度的優(yōu)劣，所以一組好的訓(xùn)練樣本是經(jīng)驗(yàn)函數(shù)精度的保證。本文采用內(nèi)蒙古電力集團(tuán)公司超高壓局近幾年對(duì)繼電保護(hù)數(shù)據(jù)記錄，其中樣本數(shù)據(jù)繁多，從中選取了5 000個(gè)有效數(shù)據(jù)作為樣本，用其中4 000來訓(xùn)練經(jīng)驗(yàn)函數(shù)，后1 000個(gè)用來檢測訓(xùn)練效果。

2.2 RBF神經(jīng)網(wǎng)絡(luò)混合學(xué)習(xí)算法

RBF網(wǎng)絡(luò)的學(xué)習(xí)分為兩個(gè)過程。第一個(gè)過程：根據(jù)所有輸入向量確定各隱含層節(jié)點(diǎn)的高斯函數(shù)的中心值cj。第二個(gè)過程：在確定了隱含層j的參數(shù)后，根據(jù)樣本，利用最小二乘法原則求出輸出層的權(quán)值wjt。建立RBF神經(jīng)網(wǎng)絡(luò)的關(guān)鍵問題是根據(jù)給定的訓(xùn)練樣本確定徑向基函數(shù)的中心。因?yàn)橐坏┐_定了徑向基函數(shù)的中心cj，則對(duì)于所有的訓(xùn)練樣本而言Gj和預(yù)期輸出yt 是已知的，輸出權(quán)值`jt可以通過最小二乘法求出。

2.2.1 調(diào)整隱層神經(jīng)元中心及寬度

梯度下降法的構(gòu)造過程中首先定義誤差函數(shù)：

ИE=12∑Nn=1En（4）И

式中：N為樣本個(gè)數(shù)；En為輸入第nЦ鲅本是的誤差定義為：

ИEn=∑sk=1(tnk－ynk)2， n=1,2,…,N(5)И

要使誤差函數(shù)最小化，則參數(shù)的修正量應(yīng)與其負(fù)梯度成正比則有：ЕCj=－η1ECj和Δσj=－η2E鄲要j Т入后得：

ИЕCj=2η1∑Nn=1∑sk=1(tnk－ynk)•Rnjwn(k,j)•pn－cnj(σnj)2(6)

Δσj=2η2∑Nn=1∑sk=1(tnk－ynk)•Rnjwn(k,j)pn－cnj2(σnj)3(7)И

當(dāng)所有樣本輸入完成后，運(yùn)用迭代的方法對(duì)參數(shù)進(jìn)行調(diào)整，如下所示：

ИCj(m+1)=Cj(m)+ΔCj(8)

σj(m+1)=σj(m)+Δσj(9)И

式中:Cj是中心的學(xué)習(xí)速率；σj是高斯寬度的學(xué)習(xí)速率；m為迭代次數(shù)。為了保證分類器的泛化性能，采用的高斯寬度的學(xué)習(xí)速率通常大于中心的學(xué)習(xí)速率，因?yàn)樾〉膶W(xué)習(xí)速率使算法收斂過慢，而過大的學(xué)習(xí)速率可能會(huì)導(dǎo)致算法變得不穩(wěn)定。

2.2.2 RBF網(wǎng)絡(luò)的權(quán)值確定

首先設(shè)定輸入矩陣為：M∈Rr×N，隱層輸入矩陣為：P∈Ru×N；輸出層矩陣為：K∈Rs×N；其中n為訓(xùn)練樣本。若RBF網(wǎng)絡(luò)的待定輸出層權(quán)值W∈Rs×u，其三者關(guān)系為：

ИK=W×P（10）И

樣本的目標(biāo)輸出為：T=(t1,t2,…,ts)T∈Rs×N，在這里采用線性最小二乘法(LLS)來使得目標(biāo)輸出與網(wǎng)絡(luò)實(shí)際輸出之間的誤差達(dá)到最小,運(yùn)用R的R+來求得W為R+T。

2.2.3 經(jīng)驗(yàn)函數(shù)訓(xùn)練流程圖

本文所訓(xùn)練的經(jīng)驗(yàn)函數(shù)的算法流程圖分為兩個(gè)階段，第一階段是樣本處理，由于樣本具有重復(fù)性，在經(jīng)過樣本處理后，就保證了存儲(chǔ)在樣本庫中的樣本都具有代表性，消除重復(fù)訓(xùn)練，提高訓(xùn)練速率；第二階段是訓(xùn)練經(jīng)驗(yàn)函數(shù)。訓(xùn)練過程如圖3所示。

圖3 經(jīng)驗(yàn)函數(shù)的算法流程圖

3 實(shí)驗(yàn)結(jié)果與分析

該研究采用Matlab 7.0.0來做仿真實(shí)驗(yàn),針對(duì)關(guān)注的5個(gè)重要的超高壓繼電保護(hù)指標(biāo)分別進(jìn)行預(yù)測，實(shí)驗(yàn)數(shù)據(jù)來自內(nèi)蒙古電力集團(tuán)公司超高壓局近幾年對(duì)繼電保護(hù)數(shù)據(jù)記錄，實(shí)驗(yàn)采用大量超高壓繼電保護(hù)值來訓(xùn)練RBF神經(jīng)網(wǎng)絡(luò)，當(dāng)網(wǎng)絡(luò)訓(xùn)練達(dá)到誤差平方和目標(biāo)0.01時(shí)，網(wǎng)絡(luò)訓(xùn)練結(jié)束。

圖4~圖8分別為故障檢測、故障定位，自適應(yīng)自動(dòng)重合閘技術(shù)、差動(dòng)保護(hù)以及距離保護(hù)的預(yù)測值與實(shí)際值之間的比較(其中橫軸均為時(shí)間序列，縱軸為超高壓繼電保護(hù)的相應(yīng)指標(biāo)值)。

通過仿真結(jié)果可以看出：曲線的擬合度較好，說明通過RBF神經(jīng)網(wǎng)絡(luò)短期預(yù)測超高壓繼電保護(hù)取得了較好的效果。但是長期的預(yù)測則需要考慮超高壓繼電保護(hù)各衡量指標(biāo)的突變情況，此時(shí)RBF神經(jīng)網(wǎng)絡(luò)無法對(duì)其做出準(zhǔn)確的預(yù)測。

4 結(jié) 語

本文將RBF神經(jīng)網(wǎng)絡(luò)及其相關(guān)算法應(yīng)用到超高壓繼電保護(hù)預(yù)測上，可以更好、更快地動(dòng)態(tài)預(yù)測繼電保護(hù)的工作狀態(tài)。在其中RBF網(wǎng)絡(luò)大大提高了訓(xùn)練的速度，節(jié)省了時(shí)間且預(yù)測精度更高，在局部的短期預(yù)測中占有優(yōu)勢。怎樣進(jìn)一步改進(jìn)優(yōu)化預(yù)測算法是RBF神經(jīng)網(wǎng)絡(luò)預(yù)測超高壓繼電保護(hù)的下一步研究方向。

參考文獻(xiàn)

［1］馬銳.人工神經(jīng)網(wǎng)絡(luò)原理\.北京：機(jī)械工業(yè)出版社,2010.

［2］劉學(xué)軍.繼電保護(hù)原理\.北京：中國電力出版社,2007.

［3］賀張萍.深度探討繼電保護(hù)裝置狀態(tài)檢修需求及應(yīng)用難點(diǎn)\.科技資訊,2010(32):120-122.

［4］黃懿.繼電保護(hù)可靠運(yùn)行的控制分析\.中國科技博覽,2010(3):61-64.

［5］MOHAMED E A, TALAAT H A; KHAMIS E A. Fault diagnosis system for tapped power transmission lines \. Source: Electric Power Systems Research, 2010, 80 (5): 599-613.

［6］Eissa M M, Sowilam G M A, Sharaf A M. A new protection detection technique for high impedance fault using neu-ral network \// Proceedings of 2006 Large Engineering Systems Conference on Power Engineering. \: \, 2006: 146-151.

［7］DUTTA A A, KADU A N. Pattern recognition method for detecting fault in EHV transmission lines \// Proceedings of2nd International Conference on Mechanical and Electrical Technology. \: ICMET, 2010: 24-27.

［8］劉田田,燕潔.人工神經(jīng)網(wǎng)絡(luò)在電力系統(tǒng)繼電保護(hù)中的應(yīng)用\.電力學(xué)報(bào),2007(2):190-192.

［9］呂衛(wèi)勝.人工智能技術(shù)在電力系統(tǒng)繼電保護(hù)中的應(yīng)用\.山東電力技術(shù),2006(1):61-63.

［10］KHORASHADI-ZADEH H, EBRAHIMI M R A. AN ANN based approach to improve the distance relaying algorithm \// Proceedings of the 2004 IEEE Conference on Cybernetics and Intelligent Systems. Singapore: IEEE, 2004:1374-1379.

［11］曾曉林,薛建輝,洪剛.粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)在高壓斷路器機(jī)械故障診斷中的應(yīng)用\.電網(wǎng)與清潔能源，2010,26(6):57-61.

［12］李風(fēng)光,楊志.基于BP網(wǎng)絡(luò)的自適應(yīng)接地保護(hù)研究\.電網(wǎng)與清潔能源，2010,26(10):31-34.

第8篇：人工神經(jīng)網(wǎng)絡(luò)優(yōu)勢范文

糊理論、遺傳算法等人工智能技術(shù)的含義進(jìn)行了介紹，并對(duì)這些技術(shù)在電力系統(tǒng)中的應(yīng)用和存在問題進(jìn)行了分析。

關(guān)鍵詞：人工智能、電力系統(tǒng)、應(yīng)用

中圖分類號(hào)：TM76 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9416（2012）03-0000-00

1、人工智能技術(shù)

人工智能技術(shù)(AI artificial intelligence)是一項(xiàng)將人類知識(shí)轉(zhuǎn)化為機(jī)器智能的技術(shù)。它研究的是怎樣用機(jī)器模仿人腦從事推理、規(guī)劃、設(shè)計(jì)、思考和學(xué)習(xí)等思維活動(dòng)，解決需要由專家才能處理好的復(fù)雜問題。在應(yīng)用方面，以專家系統(tǒng)、人工神經(jīng)網(wǎng)絡(luò)、遺傳算法等最為普遍[1][2] 。

1.1 專家系統(tǒng)(ES)

專家系統(tǒng)是利用知識(shí)和推理來解決專家不能解決的問題。傳統(tǒng)程序需要固定程序和復(fù)雜算法，輸入數(shù)據(jù)并得出結(jié)果。專家系統(tǒng)集中大量的符號(hào)處理，采用啟發(fā)式方法模擬專家的推理過程，通過推理，利用知識(shí)解決問題。它具有邏輯思維和符號(hào)處理能力，能修改原來知識(shí)，適合于電力系統(tǒng)問題的分析。

1.2 人工神經(jīng)網(wǎng)絡(luò)(ANN)

人工神經(jīng)網(wǎng)絡(luò)是大量處理單元廣泛互聯(lián)而成的網(wǎng)絡(luò)，是一種模擬動(dòng)物神經(jīng)系統(tǒng)的技術(shù)。神經(jīng)網(wǎng)絡(luò)具有自適應(yīng)和自學(xué)習(xí)的能力，能并行處理分布信息。電力系統(tǒng)應(yīng)用人工神經(jīng)網(wǎng)絡(luò)可以進(jìn)行實(shí)時(shí)控制、狀態(tài)評(píng)估等。

1.3 遺傳算法(GA)

遺傳算法是一種進(jìn)化論的數(shù)學(xué)模型，借鑒自然遺傳機(jī)制的隨機(jī)搜索算法。它的主要特征是群體搜索和群體中個(gè)體之間的信息交換。該方法適用于處理傳統(tǒng)搜索方法難以解決的非線性問題。

1.4 模糊邏輯(FL)

當(dāng)輸入是離散的變量，難以建立數(shù)學(xué)模型。而模糊邏輯則成功地應(yīng)用在潮流計(jì)算、系統(tǒng)規(guī)劃、故障診斷等電力系統(tǒng)問題。

1.5 混合技術(shù)

以上各種智能控制方法各有局限性，有些甚至難以處理電力系統(tǒng)實(shí)際問題。因此需要結(jié)合各個(gè)算法的優(yōu)勢，采用人工智能混合技術(shù)。其中包括：模糊專家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)模糊系統(tǒng)、神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)等技術(shù)。

2、人工智能技術(shù)的在電力自動(dòng)化的應(yīng)用

2.1在電能質(zhì)量研究中的應(yīng)用

人工智能技術(shù)可以對(duì)電壓波動(dòng)、電壓不平衡、電網(wǎng)諧波等電能質(zhì)量參數(shù)進(jìn)行在線監(jiān)測和分析。在檢測和識(shí)別電能質(zhì)量擾動(dòng)時(shí)能克服傳統(tǒng)方法的缺陷。專家系統(tǒng)隨著經(jīng)驗(yàn)的積累、擾動(dòng)類型變化而不斷擴(kuò)充和修改，便于用戶的掌握[3] 。

此外，專家系統(tǒng)和模糊邏輯可用于培訓(xùn)變電站工作人員。智能軟件可以模擬故障情形，有利于提高運(yùn)行人員的操作技能。

2.2 變壓器狀態(tài)監(jiān)測與故障診斷專家系統(tǒng)

變壓器事故原因判斷起來十分復(fù)雜。判斷過程中，必須通過內(nèi)外部的檢測等各種方法綜合分析作出判斷。變壓器監(jiān)測和診斷專家系統(tǒng)首先對(duì)油中氣體進(jìn)行分析。異常時(shí)，根據(jù)異常程度結(jié)合試驗(yàn)進(jìn)行分析，決定變壓器的停運(yùn)檢查。若經(jīng)分析發(fā)現(xiàn)變壓器已嚴(yán)重故障，需立即退出運(yùn)行，則要結(jié)合電氣試驗(yàn)手段對(duì)變壓器的故障性質(zhì)及部位做出確診。

變壓器監(jiān)測和診斷專家系統(tǒng)通過診斷模塊和推理機(jī)制，能診斷出變壓器的故障并提出相應(yīng)對(duì)策，提高了變壓器內(nèi)部故障的診斷水平，實(shí)現(xiàn)了電力變壓器狀態(tài)檢修和在線監(jiān)測。

2.3 人工智能技術(shù)在低壓電器中的應(yīng)用

低壓電器的設(shè)計(jì)以實(shí)驗(yàn)為基礎(chǔ)，需要分析靜態(tài)模型和動(dòng)態(tài)過程。人工智能技術(shù)能進(jìn)行分段過程的動(dòng)態(tài)設(shè)計(jì)，對(duì)變化規(guī)律進(jìn)行曲線擬合并進(jìn)行人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練，建立變化規(guī)律預(yù)測模型，降低了開發(fā)成本。

低壓電器需要通過試驗(yàn)進(jìn)行性能認(rèn)證。而低壓電器的壽命很難進(jìn)行評(píng)價(jià)。模糊識(shí)別方法，從考慮產(chǎn)品性能的角度出發(fā)，將動(dòng)態(tài)測得的反映性能的特性指標(biāo)作為模糊識(shí)別的變量特征值，能夠建立評(píng)估電器性能的模糊識(shí)別模型[5] 。

2.4 人工智能在電力系統(tǒng)無功優(yōu)化中的應(yīng)用

無功優(yōu)化是保證電力系統(tǒng)安全，提高運(yùn)行經(jīng)濟(jì)性的手段之一。通過無功優(yōu)化，可以使各個(gè)性能指標(biāo)達(dá)到最優(yōu)。但是無功優(yōu)化是一個(gè)復(fù)雜的非線性問題[6] 。

人工智能算法能應(yīng)用于電力系統(tǒng)無功優(yōu)化。如改進(jìn)的模擬退火算法，在求解高中壓配電網(wǎng)的無功優(yōu)化問題中，采用了記憶指導(dǎo)搜索方法來加快搜索速度。模式法進(jìn)行局部尋優(yōu)以增加獲得全局最優(yōu)解的可能性，能夠以較大概率獲得全局最優(yōu)解，提高了收斂穩(wěn)定性。禁忌搜索方法尋優(yōu)速度較快，在跳出局部最優(yōu)解方面有較大優(yōu)勢。遺傳算法在解決多變量、非線性、離散性的問題時(shí)有極大的優(yōu)勢。要求較少的求解信息的，模型簡單，適用范圍廣。

2.5 人工智能在電力系統(tǒng)繼電保護(hù)中應(yīng)用

自適應(yīng)型繼電保護(hù)裝置能地適應(yīng)各種變化，改善保護(hù)的性能，使之適應(yīng)各種運(yùn)行方式和故障類型。它能夠有效地處理各種故障信息，獲得可靠的保護(hù)。

借助于人工智能技術(shù)不但能夠提取故障信息，還能利用其自學(xué)習(xí)和自適應(yīng)能力，根據(jù)不同運(yùn)行工況，自適應(yīng)地調(diào)整保護(hù)定值和動(dòng)作特性。

2.6 人工智能在抑制電力系統(tǒng)低頻振蕩的應(yīng)用

大規(guī)模電網(wǎng)互聯(lián)易產(chǎn)生低頻振蕩，嚴(yán)重威脅著電力系統(tǒng)的安全。人工智能為電力系統(tǒng)低頻振蕩的控制提供了技術(shù)支持。神經(jīng)網(wǎng)絡(luò)、模糊理論、GA等人工智能技術(shù)應(yīng)用于FACTS控制器和自適應(yīng)PSS的研究，為抑制電力系統(tǒng)低頻振蕩提供了新的手段。

3、人工智能在電力系統(tǒng)中存在的前景

作為一門交叉學(xué)科，人工智能將隨著其他理論的發(fā)展而進(jìn)入新的發(fā)展階段。應(yīng)用新方法解決問題，或促進(jìn)各種方法的融合，保持簡單的數(shù)學(xué)模型和全局尋優(yōu)情況下，尋求到更少的運(yùn)算量，提高算法效率，將是未來發(fā)展的趨勢。

隨著電力系統(tǒng)的發(fā)展，電力系統(tǒng)的復(fù)雜性不斷增加，不確定因素越來越多。隨著人工智能技術(shù)的不斷發(fā)展和提高，利用人工智能技術(shù)來解決電力系統(tǒng)的問題將會(huì)受到越來越多的重視。

4、結(jié)語

隨著我國電力系統(tǒng)的持續(xù)穩(wěn)步發(fā)展，電力系統(tǒng)數(shù)據(jù)量不斷增加，管理上復(fù)雜程度大幅度增長，市場競爭的加大，為人工智能技術(shù)在電力系統(tǒng)的應(yīng)用提供了廣闊前景。

但人工智能技術(shù)的基本理論還不成熟，只是停留在仿真和實(shí)驗(yàn)階段。人工智能的開發(fā)是一個(gè)長期的過程，需要不斷改進(jìn)和完善，并在實(shí)際應(yīng)用中接受檢驗(yàn)。

參考文獻(xiàn)：

[1] 馬少平,朱小燕. 人工智能[M]．北京：清華大學(xué)出版社，2004

第9篇：人工神經(jīng)網(wǎng)絡(luò)優(yōu)勢范文

【關(guān)鍵詞】系統(tǒng)辨識(shí) 神經(jīng)網(wǎng)絡(luò) 遺傳算法 模糊邏輯

一、引言

系統(tǒng)辨識(shí)屬于現(xiàn)代控制工程范疇，是以研究建立一個(gè)系統(tǒng)的數(shù)學(xué)模型的技術(shù)方法。分析法和實(shí)驗(yàn)法是主要的數(shù)學(xué)模型建立方法。系統(tǒng)辨是一種實(shí)驗(yàn)建立數(shù)學(xué)模型的方法，可實(shí)時(shí)建模，滿足不同模型建立的需求。L.A.Zadeh于1962年提出系統(tǒng)辨識(shí)的定義：在輸入、輸出的基礎(chǔ)上，確定一個(gè)在一定條件下與所觀測系統(tǒng)相等的系統(tǒng)。系統(tǒng)辨識(shí)技術(shù)主要由系統(tǒng)的結(jié)構(gòu)辨識(shí)和系統(tǒng)的參數(shù)估計(jì)兩部分組成。

系統(tǒng)的數(shù)學(xué)表達(dá)式的形式稱之為系統(tǒng)的結(jié)構(gòu)。對(duì)SISO系統(tǒng)而言，系統(tǒng)的階次為系統(tǒng)的機(jī)構(gòu)；對(duì)多變量線性系統(tǒng)而言，模型結(jié)構(gòu)就是系統(tǒng)的能控性結(jié)構(gòu)指數(shù)或能觀性結(jié)構(gòu)指數(shù) 。但實(shí)際應(yīng)用中難以找到與現(xiàn)有系統(tǒng)等價(jià)的模型。因此，系統(tǒng)辨識(shí)從實(shí)際的角度看是選擇一個(gè)最好的能擬合實(shí)際系統(tǒng)輸入輸出特性的模型。

本文介紹一些新型的系統(tǒng)辨識(shí)方法，體現(xiàn)新型方法的優(yōu)勢，最后得出結(jié)論。

二、基于神經(jīng)網(wǎng)絡(luò)的非線性系統(tǒng)辨識(shí)方法

近年來，人工神經(jīng)網(wǎng)絡(luò)得到了廣泛的應(yīng)用，尤其是在模式識(shí)別、機(jī)器學(xué)習(xí)、智能計(jì)算和數(shù)據(jù)挖掘方面。人工神經(jīng)網(wǎng)絡(luò)具有較好的非線性計(jì)算能力、并行計(jì)算處理能力和自適應(yīng)能力，這為非線性系統(tǒng)的辨識(shí)提供了新的解決方法。

結(jié)合神經(jīng)網(wǎng)絡(luò)的系統(tǒng)辨識(shí)法被用于各領(lǐng)域的研究，并不斷提出改進(jìn)型方法，取得了較好的進(jìn)展。如劉通等人使用了徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)對(duì)伺服電機(jī)進(jìn)行了辨識(shí)，使用了梯度下降方法進(jìn)行訓(xùn)練，確定系統(tǒng)參數(shù)；張濟(jì)民等人對(duì)擺式列車傾擺控制系統(tǒng)進(jìn)行了改進(jìn)，使用BP神經(jīng)對(duì)傾擺控制系統(tǒng)進(jìn)行辨識(shí)；崔文峰等人將最小二乘法與傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)結(jié)合，改善了移動(dòng)機(jī)器人CyCab的運(yùn)行系統(tǒng)。

與傳統(tǒng)的系統(tǒng)識(shí)別方法相比較，人工神經(jīng)網(wǎng)絡(luò)具有較多優(yōu)點(diǎn)：

（一）使用神經(jīng)元之間相連接的權(quán)值使得系統(tǒng)的輸出可以逐漸進(jìn)行調(diào)整；

（二）可以辨識(shí)非線性系統(tǒng)，這種辨識(shí)方法是通過神經(jīng)網(wǎng)絡(luò)自身來進(jìn)行，無需編程；

（三）無需對(duì)系統(tǒng)建行數(shù)模，因?yàn)樯窠?jīng)網(wǎng)絡(luò)的參數(shù)已都反映在內(nèi)部；

（四）神經(jīng)網(wǎng)絡(luò)的獨(dú)立性強(qiáng)，它采用的學(xué)習(xí)算法是它收斂速度的唯一影響因素；

（五）神經(jīng)網(wǎng)絡(luò)也適用于在線計(jì)算機(jī)控制。

三、基于遺傳算法的非線性系統(tǒng)辨識(shí)方法

遺傳算法是一種新型的求解最優(yōu)算法，它的思想來源于資源遺傳學(xué)，結(jié)合了自然選擇的優(yōu)點(diǎn)與數(shù)學(xué)概率性算法，具有諸多優(yōu)點(diǎn)，如全范圍的搜索域、求取的解為全局最優(yōu)和接受任意性質(zhì)的函數(shù)，因此在各領(lǐng)域都有廣泛的應(yīng)用。

雷旭升等人[5]使用了遺傳算法對(duì)小型無人飛行器的動(dòng)力學(xué)模型進(jìn)行高精度的構(gòu)建，并對(duì)構(gòu)建的系統(tǒng)進(jìn)行了仿真，驗(yàn)證了系統(tǒng)的有效性；趙靜等人[6]對(duì)人體能量代謝分析儀氣體流量系統(tǒng)進(jìn)行了模型建立，使用遺傳算法解決了傳統(tǒng)系統(tǒng)辨識(shí)方法辨識(shí)時(shí)產(chǎn)生的較大時(shí)延和誤差較大的問題。

四、基于模糊理論的非線性系統(tǒng)辨識(shí)方法

近年來，模糊邏輯理論在非線性系統(tǒng)辨識(shí)領(lǐng)域中得到廣泛的應(yīng)用，用模糊集合理論，從系統(tǒng)輸入和輸出量測值來辨識(shí)系統(tǒng)的模糊模型，是系統(tǒng)辨識(shí)的有效途徑。模型結(jié)構(gòu)辨識(shí)和模型參數(shù)預(yù)計(jì)是模糊建模的主要內(nèi)容。常用的模型是T-S模型，T-S模型具有計(jì)算速度快、結(jié)構(gòu)模型易觀、逼近力強(qiáng)等特點(diǎn)。

趙宏偉等人[7]提出了一種基于系統(tǒng)辨識(shí)的自適應(yīng)網(wǎng)絡(luò)模型，建立T-S推理模型系統(tǒng)，并應(yīng)用于磨礦控制領(lǐng)域；李超順等人[8]針對(duì)水輪機(jī)調(diào)節(jié)系統(tǒng)的復(fù)雜性、非線性和難以用明確數(shù)學(xué)模型表達(dá)的特點(diǎn)，建立了該系統(tǒng)的T-S模型，實(shí)現(xiàn)了模糊模型結(jié)構(gòu)的自適應(yīng)優(yōu)化；葉劍斌[9]等人針對(duì)了現(xiàn)有算法中容易出現(xiàn)的維數(shù)災(zāi)難，同時(shí)將模糊語言理論和支持向量機(jī)的方法結(jié)合，提出了一種組合方法，提高了函數(shù)逼近的能力。此外，還有一些綜合上述三種方法的組合型辨識(shí)的方法。

五、結(jié)語

近年來，系統(tǒng)辨識(shí)的方法得到了不斷的發(fā)展，系統(tǒng)辨識(shí)已經(jīng)成為了現(xiàn)代控制工程領(lǐng)域中十分重要的技術(shù)與研究方向。隨著人工神經(jīng)網(wǎng)絡(luò)、模糊邏輯理論、遺傳算法、人工智能理論的成熟發(fā)展，越來越多的新型非線性系統(tǒng)辨識(shí)方法被不斷提出，且在實(shí)際工程應(yīng)用中得到了有效性驗(yàn)證與較好的效果。但對(duì)于現(xiàn)實(shí)工程中結(jié)構(gòu)復(fù)雜的各種系統(tǒng)難以找到一個(gè)統(tǒng)一的系統(tǒng)辨識(shí)方法，因此研究需要更多的新型非線性系統(tǒng)辨識(shí)方法去解決實(shí)際工程應(yīng)用中出現(xiàn)的問題。對(duì)傳統(tǒng)的系統(tǒng)辨識(shí)方法進(jìn)行不斷完善將是系統(tǒng)辨識(shí)未來的發(fā)展方向。

參考文獻(xiàn)：

[1]王樂一，趙文. 系統(tǒng)辨識(shí)：新的模式、挑戰(zhàn)及機(jī)遇[J].自動(dòng)化學(xué)報(bào)，2013，39（9）：933-942.

[2]劉通.基于RBF神經(jīng)網(wǎng)絡(luò)的某交流伺服系統(tǒng)辨識(shí)研究[J].機(jī)械制造與自動(dòng)化，2013，（2）：113-115.

[3]張濟(jì)民，王開文，池茂儒.基于BP神經(jīng)網(wǎng)絡(luò)擺式列車傾擺控制系統(tǒng)的辨識(shí)[J] .機(jī)床與液壓，2003，（5） ：33-35.

[4]崔文峰，史儀凱.移動(dòng)機(jī)器人的鍵合圖建模與參數(shù)辨識(shí)[J].機(jī)械科學(xué)與技術(shù)，2012，31（7） ：1062-1065.

[5]雷旭升，白浪.基于自適應(yīng)遺傳算法的小型無人旋翼機(jī)系統(tǒng)辨識(shí)方法[J].機(jī)器人，2011，33（5）：528-532.

[6] 趙靜，郭巧，王萍.基于遺傳算法的人體能量代謝分析系統(tǒng)辨識(shí)[J] .控制工程，2004，11（1）：17-19.

[7] 趙宏偉，齊一名，臧雪柏等.基于系統(tǒng)辨識(shí)與T―S模糊神經(jīng)網(wǎng)絡(luò)的磨礦分級(jí)控制[J].吉林大學(xué)學(xué)報(bào)：工學(xué)版，2011，41（1） ：171-175.