前言：中文期刊網精心挑選了人工神經網絡的優缺點范文供你參考和學習，希望我們的參考范文能激發你的文章創作靈感，歡迎閱讀。
人工神經網絡的優缺點范文1
關鍵詞性能對比感知器BP網絡霍普菲爾德網絡字符識別
1引言
人工神經網絡是在人類對其大腦神經網絡認識理解的基礎上人工構造的能夠實現某種功能的神經網絡。 它是理論化的人腦神經網絡的數學模型，是基于模仿大腦神經網絡結構和功能而建立的一種信息處理系統。因其自組織、自學習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注，已經發展了上百種人工神經網絡。
一般來說，人工神經網絡從結構上可分為兩種:前向網絡和反饋網絡。典型的前向網絡有單層感知器、BP網絡等，反饋網絡有霍普菲爾德網絡等[1]。
人工神經網絡已經被廣泛應用于模式識別、信號處理、專家系統、優化組合、智能控制等各個方面，其中采用人工神經網絡進行模式識別具有一些傳統技術所沒有的優點:良好的容錯能力[2j、分類能力、并行處理能力和自學習能力，并且其運行速度快，自適應性能好，具有較高的分辨率。單層感知器、BP網絡和霍普菲爾德網絡均可以用于字符識別。
本文通過具體采用感知器網絡、BP網絡和霍普菲爾德反饋網絡對26個英文字母進行識別的應用，通過實驗給出各自的識別出錯率，通過比較，可以看出這3種神經網絡的識別能力以及各自的優缺點。
2 字符識別問題描述與網絡識別前的預處理
字符識別在現代日常生活的應用越來越廣泛，比如車輛牌照自動識別系統[3，4]，手寫識別系統[5]，辦公自動化等等[6]。畢業論文 本文采用單層感知器、BP網絡和霍普菲爾德網絡對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的方格進行數字化處理，并用一個向量表示。其相應有數據的位置置為1，其他位置置為O。圖1給出了字母A、B和C的數字化過程，其中最左邊的為字母A的數字化處理結果所得對應的向量為: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，即神經網絡的樣本輸人為一個35×26的矩陣。其中alphabet=[letterA，letterB，lettere，……letterZj。網絡樣本輸出需要一個對26個輸人字母進行區分輸出向量，對于任意一個輸人字母，網絡輸出在字母對應的順序位置上的值為1，其余為O，即網絡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據作為輸人: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。
3 識別字符的網絡設計及其實驗分析
3.1單層感知器的設計及其識別效果
選取網絡35個輸人節點和26個輸出節點，設置目標誤差為0.0001，最大訓練次數為40。設計出的網絡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。醫學論文 首先用理想輸人信號訓練網絡，得到無噪聲訓練結果，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練網絡，這樣可以保證網絡同時具有對理想輸人和噪聲輸人分類的能力。網絡訓練完后，為保證網絡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練網絡，最終得到有能力識別帶有噪聲輸人的網絡。下一步是對所設計的網絡進行性能測試:給網絡輸人任意字母，并在其上加人具有平均值從。~0.2的噪聲，隨機產生100個輸人矢量，分別對上述兩種網絡的字母識別出錯率進行實驗，結果如圖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練出網絡的出錯率，實線代表用有噪聲訓練出網絡的出錯率。從圖中可以看出，無噪聲訓練網絡對字符進行識別時，當字符一出現噪聲時，該網絡識別立刻出現錯誤;當噪聲均值超過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，無噪聲訓練網絡識別幾乎沒有抗干擾能力。而有噪聲訓練出的網絡具有一定的抗干擾能力，它在均值為。~0.06之間的噪聲環境下，能夠準確無誤地識別;其最大識別出錯率約為6.6%，遠遠小于無噪聲訓練出的網絡。
3.2BP網絡的設計及其識別效果
該網絡設計方法在文獻[lj中有詳細介紹。網絡具有35個輸人節點和26個輸出節點。目標誤差為0.0001，采用輸人在(0，l)范圍內對數S型激活函數兩層109519/109519網絡，隱含層根據經驗選取10個神經元。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練網絡，得到有噪聲訓練網絡和無噪聲訓練網絡。由于噪聲輸人矢量可能會導致網絡的1或o輸出不正確，或出現其他值，所以為了使網絡具有抗干擾能力，在網絡訓練后，再將其輸出經過一層競爭網絡的處理，使網絡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，其中網絡的訓練采用自適應學習速率加附加動量法，在MATLAB工具箱中直接調用traingdx。在與單層感知器相同的測試條件下對網絡進行性能測試，結果如圖3所示。其中虛線代表用無噪聲訓練網絡的出錯率，實線代表用有噪聲訓練網絡的出錯率。從圖中可以看出，在均值為o一0.12之間的噪聲環境下，兩個網絡都能夠準確地進行識別。在0.12~0.15之間的噪聲環境下，由于噪聲幅度相對較小，待識別字符接近于理想字符，故無噪聲訓練網絡的出錯率較有噪聲訓練網絡略低。當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，無噪聲訓練網絡的出錯率急劇上升，此時有噪聲訓練網絡的性能較優.
轉貼于 3.3離散型，霍普菲爾德網絡的設計及其識別效果
此時網絡輸人節點數目與輸出神經元的數目是相等的，有r=s=35，采用正交化的權值設計方法。在MATLAB工具箱中可直接調用函數newh叩.m。要注意的是，由于調用函數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〕’。設計離散型霍普菲爾德網絡進行字符識別，只需要讓網絡記憶所要求的穩定平衡點，即待識別的26個英文字母。故只需要用理想輸人信號來訓練網絡。對于訓練后的網絡，我們進行性能測試。給網絡輸入任意字母，并在其上加人具有平均值從。~0.5的噪聲，隨機產生100個輸人矢量，觀察字母識別出錯率，結果如圖4所示。從圖中可以看出，在均值為0~0.33之間的噪聲環境下，網絡能夠準確地進行識別。在0.33~0.4之間的噪聲環境下，識別出錯率不到1%，在0.4以上的噪聲環境下，網絡識別出錯率急劇上升，最高達到大約10%?？梢钥闯?，該網絡穩定點的吸引域大約在0.3~。.4之間。當噪聲均值在吸引域內時，網絡進行字符識別時幾乎不出錯，而當噪聲均值超過吸引域時，網絡出錯率急劇上升。
4結論
本文設計了3種人工神經網絡對26個英文字母進行了識別。可以看出，這3種人工神經網絡均能有效地進行字符識別，并且識別速度快，自適應性能好，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練網絡在均值為O~0.06之間的噪聲環境下可以準確無誤的識別，而有噪聲訓練的BP網絡可以在o~0.12之間的噪聲環境下準確無誤的識別，故BP絡網絡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練網絡的識別出錯率為6.6%，而有噪聲訓練的BP網絡的識別出錯率為2.1%，故BP網絡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種網絡中霍普菲爾德網絡識別率最高，它在噪聲為0.33以前幾乎不會出錯，BP網絡次之，感知器最差。
通過設計、應用與性能對比，我們可得單層感知器網絡結構和算法都很簡單，訓練時間短，但識別出錯率較高，容錯性也較差。BP網絡結構和算法比單層感知器結構稍復雜，但其識別率和容錯性都較好?；羝辗茽柕戮W絡具有設計簡單且容錯性最好的雙重優點。因此，我們應根據網絡的特點以及實際要求來選擇人工神經網絡對字符進行識別。 參考文獻
[1]叢爽.面向MATLAB工具箱的神經網絡理論與應用「M.合肥:中國科學技術大學出版社，2003.
[2]武強，童學鋒，季雋.基于人工神經網絡的數字字符識別[J].計算機工程，2003，29(14):112一113.
[3]廖翔云，許錦標，龔仕偉.車牌識別技術研究[J].徽機發展，2003，13:30一35.
[4]李中凱，王效岳，魏修亭.BP網絡在汽車牌照字符識別中的應用[J].東理工大學學報，2004，18(4):69一72.
人工神經網絡的優缺點范文2
關鍵詞：發動機；智能故障診斷；人工神經網絡
中圖分類號：U472.4 文獻標識碼：A 文章編號：1006-8937（2013）06-0006-02
發動機是汽車的動力源，是一個復雜的系統，其與汽車的一些基本技術性能都有著直接或間接的聯系。由于工作條件不穩定，部分零件運行環境惡劣，汽車發動機故障在汽車全部故障占據著一個較大的比重，而發動機一旦發生故障不僅會影響自身性能，還會對汽車其他結構性能帶來影響，造成較大的損失，嚴重時還可能造成人身傷亡，因此對發動機故障的及時診斷和排除十分重要。智能故障診斷技術是伴隨著安全生產要求的不斷提高和計算機技術、智能技術等現代先進技術的發展而產生發展起來的，其被應用于機械設備的故障診斷中，極大地提高了故障診斷水平，對保證機械安全可靠性有著十分重要的意義。隨著汽車制造技術的發展，發動機的結構也越來越復雜，其故障的準確判斷也更為困難，在此形勢下，利用智能故障診斷技術開發汽車發動機智能故障診斷系統對減少汽車安全事故發生率，降低損失有著十分重要的現實意義。
1 智能故障診斷
故障診斷是指在實際工作中針對系統、設備運行過程中的異常情況，利用各種檢查和檢測的方法，對系統和設備進行檢測，查看系統或設備是否存在故障，并進一步確定出故障所在部位的過程，智能故障診斷是借助智能技術，根據系統設備運行中的技術參數和物理現象等對系統、設備的運行情況進行判斷，并根據故障的特征對故障信息作出評估，進而判斷出故障發生的原因和部位的一種故障診斷方法。
智能故障診斷主要有故障檢測與診斷和故障容錯控制兩個部分，其系統主要包括人機接口、知識庫和數據庫、機器學習、診斷信息獲取、診斷推理以及解釋機構等幾主要的功能模塊，其一般結構如圖1所示。
在實際工作的過程中，通過建立系統設備運行的技術參數和物理現象等知識庫和數據庫，利用機器學習模型對其進行樣本訓練和學習，在獲取系統設備運行的信息后，診斷模塊根據訓練學習的相關知識對信息作出診斷，并將診斷的過程和結果通過解釋機構模塊反映給用戶，從而幫助用戶了解診斷對象的具體運及故障情況，及時處理故障，保障系統和設備正常運行。
2 汽車發動機智能故障診斷
2.1 汽車發動機智能故障診斷方法
汽車發動機結構的復雜化使得發動機故障診斷更困難，開發智能故障診斷系統也成為其發展的必然要求。汽車發動機智能故障診斷技術主要有基于人工智能的故障診斷和基于數學模型的故障診斷兩種，具體劃分起來有基于數學模型、基于參數估計、基于信號處理、基于知識、基于實例、基于模糊理論和基于神經網絡的故障診斷等多種方法。
在智能化故障診斷系統中，其智能化的水平與機器學習能力的關系十分密切，通常機器學習的能力越強，其智能故障診斷的能力也就越高。因此選擇合理的數學模型對系統進行訓練十分重要。
2.2 基于神經網絡的汽車發動機智能故障診斷系統
人工神經網絡是一種應用類似大腦神經突觸聯結的結構進行信息處理的數學模型，是由大量的節點（神經元）和之間相互聯接構成的一種運算模型，其是基于現代神經科學的研究成果建立起的非線性、非局限性、非常定性和非凸性的自適應信息處理系統，能通過模擬大腦神經網絡處理、記憶信息的方式進行信息處理。具有部分神經元損壞時不影響系統整體性能、輸入信息模糊、殘缺或變形時能通過聯系恢復完整記憶，對不完整的信息進行正確的識別，給出次優的逼近解，是機器學習較為常用的一種數學模型。人工神經網絡又有著MLP（Multi-layer Perceptron，多層感知器）模型、Hopfield模型、BP（Back-propagation Network）模型等多種不同的模型，其中以BP網絡模型應用最為廣泛。利用人工神經網絡模型建立的汽車發動機故障診斷系統結構如圖2所示。
BP網絡是一種按照誤差逆傳播算法訓練的多層前饋網絡，其結構包括輸入層、隱層和輸出層三層，其不需要事前揭示輸入—輸出模式映射關系的數學模型即能學習和存貯大量的映射關系，使用的最速下降法能通過反向傳播來調整網絡權值和閥值，使網絡誤差平方和最小，但并不能保證誤差平面的全局最小值，另外還存在著網絡收斂速度較慢，訓練時間長，學習和記憶不穩定等問題，而由于遺傳算法具有全局搜索的特性，切搜索不依賴梯度信息，也不需要求解函數可微，能夠較好地補充BP網絡的不足，因此可以利用其對系統進行優化。
汽車發動機的故障診斷主要是依據發動機的振動信號進行的，在實際應用的過程中，可以信號的特值和速度作為神經網絡的輸入單元，輸出單元為發動機的工況代碼，通過調入學習特征向量和教師向量，利用遺傳算法對網絡結構和權值進行優化，利用函數對網絡進行訓練計算出網絡輸出后，完成輸入層到輸出層單元的映射，進而完成智能診斷，其智能診斷的流程如圖3所示。
3 結 語
發動機是汽車的核心部件，其運行的安全可靠與否直接影響著汽車的正常安全使用，因此，利用智能診斷診斷技術建立起汽車發動機智能故障診斷系統根據發動機的振動信號，分析、診斷發動機故障，有著十分重要的現實意義。汽車發動機智能故障診斷有多種方法，各種方法都有著各自的優缺點，在實際應用過程中，應當綜合利用各種智能技術，對其進行不斷的優化，提高其智能診斷能力，充分發揮出智能診斷技術的優點，以保障汽車的正?？煽渴褂谩?/p>
參考文獻：
[1] 徐斌.基于智能診斷技術的發動機故障排查研究進展[J].重慶電子工程職業學院學報，2012，（1）.
[2] 廖中文，楊旭志.汽車發動機故障診斷系統的虛擬樣機硬件研發[J].汽車維修與保養，2012，（4）.
[3] 劉福偉.神經網絡技術及其在發動機故障診斷中的應用[J].工程機械與維修，2006，（6）.
人工神經網絡的優缺點范文3
油氣勘探與開采過程中，氣測錄井技術作用是分析鉆井液中脫出的樣品氣中烴、非烴組分及其含量，從而對油氣層進行判斷。在鉆井過程中進行氣測錄井，通過對錄井資料的的利用能夠及時發現油、氣顯示，并能預報井噴，因此氣測錄井技術在探井中得到廣泛應用。由于氣測錄井技術的應用十分廣泛，所以氣測錄井技術就要不斷完善，才能在以后應用中運用自如。氣測錄井技術有需要多常見的類型，按照儀器的不同來分，可分為半自動氣測和色譜氣測；按照方式的不同來分，可分為隨鉆氣測和循環氣測。而氣測錄井資料中需要注意的是它的預處理、壓力平衡校正、標準化校正等。
1 半自動氣測和色譜氣測都起到將空氣中的甲烷和重烴或戊烴分開的效果，它們有各自的優缺點，需要重點研究。半自動氣測是用烴類氣體燃燒溫度不同，從而起到分開甲烷和重烴的效果，但是它僅能得到甲烷和重烴的含量；色譜氣測是根據色譜原理制成的分析儀器，它的分析速度快、數據多且準確，所以現在色譜氣測的應用遠大于半自動氣測。
2 隨鉆氣測和循環氣測都能測定鉆井液中氣體含量和成分，兩者方式不同。隨鉆氣測是在鉆井過程中因為巖屑的破碎進入內鉆井液中而達到測定的效果；循環氣測是在鉆井液靜止后再循環時，在滲透和擴散的作用下達到測定的效果，兩者方式不同，但結果基本相同。
3 氣測錄井資料的預處理。影響氣顯示的因素大致分為地質因素和非地質因素。地質因素引起的氣顯示變化是氣測所需要研究解決的問題；非地質因素本身存在的缺陷，它能夠引起氣顯示的變化從而對顯示結果產生不良影響，所以應排除。對非地質因素進行修正是一種不錯的技術，能夠進一步提高解釋準確度。鉆井過程中，破碎、滲透和擴散推動油氣進入鉆井液進而進入儲層。但不同的鉆井狀態會產生不同影響，主要有欠平衡、平衡、過平衡。為達到氣測資料的統一評價和有效利用，就需要對鉆井液中的油氣量進行平衡校正。要達到平衡的效果就要注意鉆井液柱與地層的壓力差。很多時候的氣體分析結果的精確度會受到影響，這時就要采用校正方法，提高油氣層評價的精確度和可靠性。
二、對油氣層評價方法的探究
近年隨著錄井技術的發展，油氣層評價手段也在多樣化發展。油氣層的評價方法及其系統可靠性程度不斷提高。油氣層評價工作向綜合多種手段、逐步量化方向完善。經過油氣層評價工作的實踐，研究人員認識到油氣層綜合評價工作一定要更完善才能與時展同步。
檢測油氣儲層評價有許多種方法，如數學法、人工神經網絡法，每種方法中還有許多細節分法，每種方法有不同特點，我們應根據其特點來總結技術方法。油氣層評價方法的基礎是鉆井液自動真空蒸餾定量脫氣儀、巖屑烴組分檢測分析儀、多套組合色譜分析儀的檢測數據。在此基礎上建立油氣儲層的綜合解釋評價系統，為實現現場油氣層的自動、快速和有效識別奠定基礎。
1 數學法中又分為Fisher判別分析法，Bayes判別分析法，模糊數學法等。利用Fisher判別分析法評價油氣層時，應先用已有樣本數據生成評價模型，再評價未知樣本，建立靈活的判別模式；Bayes判別分析法是根據已知分組樣品數據，在正太母體假設下對變量進行挑選，最大影響的分類來建立分類模型，然后根據Bayes準則建立起判別函數，最后對預測樣本進行判別，其目的可達到對多組樣品及新鮮品進行判別；模糊數學法的特點是允許元素在一個集合中部分隸屬，較靈活，可使事物從“不隸屬”到“隸屬”逐漸過渡。
2 人工神經網絡法可分為人工神經元模型、神經網絡模型、BP網絡等。神經網絡模型是由大量神經元組合成的復雜網絡，主要分為前向網絡和相互連接網絡。反映了人腦許多基本功能，具有并行處理性、分布式的存儲、很強的容錯性和聯想性等。BP網絡結構有輸入層、隱含層和輸出層組成，隱層神經元的傳遞一般采用一定值特性的連續可微的Sigmoid函數進行計算。神經元是神經網絡的基本單位，它是一個多輸入單輸出的非線性信息處理單元。
3 這些對油氣層評價方法的研究有各自突出特點，但應當一分為二的看待這些技術，不斷完善發展技術，做到在繼承傳統基礎上開拓創新。無論是數學法還是人工網絡法，都對油氣層評價做出了不小貢獻，但我們不能懈怠，而是更應當努力，不斷改進發展技術，使油氣層評價的結果更加準確、科學。
結語
氣測錄井資料及其油氣層評價方法多種多樣，我們只有不斷努力探索才能使其跟上時代的步伐，同時為油氣企業發展做貢獻。我們有必要對氣測錄井資料及其油氣層評價方法進行深刻的研究與討論，不斷壯大發展油氣企業，為企業的未來奠定基礎。應在集成的基礎上發展，改進落后技術，繼承優良技術，才能在未來發展中使油氣企業更上一層樓。
參考文獻
人工神經網絡的優缺點范文4
關鍵詞：物流配送中心 選址 文獻綜述
在物流系統的運作中，配送中心的選址決策發揮著重要的影響。配送中心是連接工廠與客戶的中間橋梁，其選址方式往往決定著物流的配送距離和配送模式，進而影響著物流系統的運作效率。因此，研究物流配送中心的選址具有重要的理論和現實應用意義。
本文對近年來國內外有關物流配送中心選址方法的文獻進行了梳理和研究，并對各種方法進行了比較。選址方法主要有定性和定量的兩種方法。定性方法有專家打分法、Delphi法等，定量方法有重心法、P中值法、數學規劃方法、多準則決策方法、解決NP hard問題（多項式復雜程度的非確定性問題）的各種啟發式算法、仿真法以及這幾種方法相結合的方法等。由于定性研究方法及重心法、P中值法相對比較成熟，因此，本文將主要分析定量方法中的數學規劃、多準則決策、解決NP hard問題的各種啟發式算法、仿真在配送中心選址中應用的研究狀況。
數學規劃方法
數學規劃算法包括線性規劃、非線性規劃、整數規劃、混合整數規劃和動態規劃、網絡規劃算法等。在近年來的研究中，規劃論中常常引入了不確定性的概念，由此進一步產生了模糊規劃、隨機規劃、模糊隨機規劃、隨機模糊規劃等等。不確定性規劃主要是在規劃中的C(價值向量)、A(資源消耗向量)、b(資源約束向量)和決策變量中引入不確定性，從而使得不確定規劃更加貼近于實際情況，得到廣泛地實際應用。
國內外學者對于數學規劃方法應用于配送中心的選址問題進行了比較深入的研究。姜大元(2005)應用Baumol-wolf模型，對多物流節點的選址問題進行研究，并通過舉例對模型的應用進行了說明，該模型屬于整數規劃和非參數規劃結合的模型。各種規劃的方法在具體的現實使用中，常常出現NP hard問題。因此，目前的進一步研究趨勢是各種規劃方法和啟發式算法的結合，對配送中心的選址進行一個綜合的規劃與計算。
多準則決策方法
在物流系統的研究中，人們常常會遇到大量多準則決策問題，如配送中心的選址、運輸方式及路線選擇、供應商選擇等等。這些問題的典型特征是涉及到多個選擇方案(對象)，每個方案都有若干個不同的準則，要通過多個準則對于方案(對象)做出綜合性的選擇。對于物流配送中心的選址問題，人們常常以運輸成本及配送中心建設、運作成本的總成本最小化，滿足顧客需求，以及滿足社會、環境要求等為準則進行決策。多準則決策的方法包括多指標決策方法與多屬性決策方法兩種，比較常用的有層次分析法(AHP)、模糊綜合評判、數據包絡分析(DEA)，TOPSIS、優序法等等。
多準則決策提供了一套良好的決策方法體系，對于配送中心的選址不管在實務界還是理論方面的研究均有廣泛的應用與研究。關志民等(2005)提出了基于模糊多指標評價方法的配送中心選址優化決策。從供應鏈管理的實際需要分析了影響配送中心選址的主要因素，并建立相應的評價指標體系，由此給出了一種使定性和定量的方法有機結合的模糊多指標評價方法。Chen-Tung Chen(2001)運用了基于三角模糊數的模糊多準則決策對物流配送中心的選址問題進行了研究。文章以投資成本、擴展的可能性、獲取原材料的便利性、人力資源、顧客市場的接近性為決策準則，并對各個準則采用語義模糊判定的方式進行了權重上的集結。
有關多準則決策方法，特別是層次分析法和模糊綜合評判的方法，在配送中心的選址研究中有著廣泛的應用。但是，這兩種方法都是基于線性的決策思想，在當今復雜多變的環境下，線性的決策思想逐漸地暴露出其固有的局限性，非線性的決策方法是今后進一步的研究的重點和趨勢。
啟發式算法
啟發式算法是尋求解決問題的一種方法和策略，是建立在經驗和判斷的基礎上，體現人的主觀能動作用和創造力。啟發式算法常常能夠比較有效地處理NP hard問題，因此，啟發式算法經常與其它優化算法結合在一起使用，使兩者的優點進一步得到發揮。目前，比較常用的啟發式算法包括：遺傳算法；神經網絡算法；模擬退火算法。
（一）遺傳算法
遺傳算法（genetic algorithm， GA）是在 20 世紀 60 年代提出來的，是受遺傳學中自然選擇和遺傳機制啟發而發展起來的一種搜索算法。它的基本思想是使用模擬生物和人類進化的方法求解復雜的優化問題，因而也稱為模擬進化優化算法。遺傳算法主要有三個算子：選擇；交叉；變異。通過這三個算子，問題得到了逐步的優化，最終達到滿意的優化解。
對于物流配送中心的選址研究，國內外有不少學者將遺傳算法同一般的規劃方法結合起來對其進行了研究。蔣忠中等（2005）在考慮各種成本(包括運輸成本等)的基礎上，結合具體的應用背景，建立的數學規劃模型(混合整數規劃或是一般的線性規劃)。由于該模型是一個組合優化問題，具有NP hard問題，因此，結合了遺傳算法對模型進行求解。通過選擇恰當的編碼方法和遺傳算子，求得了模型的最優解。
遺傳算法作為一種隨機搜索的、啟發式的算法，具有較強的全局搜索能力，但是，往往比較容易陷入局部最優情況。因此，在研究和應用中，為避免這一缺點，遺傳算法常常和其它算法結合應用，使得這一算法更具有應用價值。
（二）人工神經網絡
人工神經網絡(artificial neural- network， ANN)是由大量處理單元(神經元)廣泛互連而成的網絡，是對人腦的抽象、簡化和模擬，反應人腦的基本特征。可以通過對樣本訓練數據的學習，形成一定的網絡參數結構，從而可以對復雜的系統進行有效的模型識別。經過大量樣本學習和訓練的神經網絡在分類和評價中，往往要比一般的分類評價方法有效。
對于神經網絡如何應用于物流配送中心的選址，國內外不少學者進行了各種有益的嘗試。韓慶蘭等（2004）用BP網絡對物流配送中心的選址問題進行了嘗試性地研究，顯示出神經網絡對于解決配送中心選址問題具有一定的可行性和可操作性。
這一研究的不足是神經網絡的訓練需要大量的數據，在對數據的獲取有一定的困難的情況下，用神經網絡來研究是不恰當的。在應用ANN時，我們應當注意網絡的學習速度、是否陷入局部最優解、數據的前期準備、網絡的結構解釋等問題，這樣才能有效及可靠地應用ANN解決實際存在的問題。
（三）模擬退火算法
模擬退火算法(Simulated Annealing， SA)又稱模擬冷卻法、概率爬山法等，于1982年由Kirpatrick提出的另一種啟發式的、隨機優化算法。模擬退火算法的基本思想由一個初始的解出發，不斷重復產生迭代解，逐步判定、舍棄，最終取得滿意解的過程。模擬退火算法不但可以往好的方向發展，也可以往差的方向發展，從而使算法跳出局部最優解，達到全局最優解。
對于模擬退火算法應用于物流配送中心選址的研究，大量的文獻結合其它方法（如多準則決策、數學規劃等）進行了研究。任春玉(2006)提出了定量化的模擬退火遺傳算法與層次分析法相結合來確定配送中心地址的方法。該方法確?？傮w中個體多樣性以及防止遺傳算法的提前收斂，運用層次分析法確定 物流配送中心選址評價指標權重，并與專家評分相結合進行了綜合評價。該算法對于解決物流配送中心的選址具有較好的有效性和可靠性。
除以上三種比較常用的方法之外，啟發式算法還包括蟻群算法、禁忌搜索算法、進化算法等。各種算法在全局搜索能力、優缺點、參數、解情況存在著一定的差異。各種啟發式算法基本上帶有隨機搜索的特點，已廣泛地應用于解決NP hard問題，同時也為物流配送中心選址的智能化處理提供了可能。用解析的方法(包括線性規劃等)建立數學模型，然后運用啟發式算法進行求解是目前以及未來研究物流配送中心選址的一種較為可行和可操作的研究方法。
仿真方法
仿真是利用計算機來運行仿真模型，模擬時間系統的運行狀態及其隨時間變化的過程，并通過對仿真運行過程的觀察和統計，得到被仿真系統的仿真輸出參數和基本特征，以此來估計和推斷實際系統的真實參數和真實性能。國內外已經不少文獻將仿真的方法運用于物流配送中心選址或是一般的設施選址的研究，研究結果相對解析方法更接近于實際的情況。
張云鳳等(2005)對汽車集團企業的配送中心選址運用了仿真的方法進行了研究。先確定了配送中心選址的幾種方案，應用了Flexim軟件對各方案建立了仿真模型，根據仿真結果進行了分析和方案的選擇。該方法為集團企業配送中心選址問題提供了一種較為理想的解決方法。薛永吉等(2005)通過建立數學模型對物流中心的最優站臺數問題進行研究，在一定假設和一系列限制條件下，求解最優站臺數量，并針對數學模型的復雜性和求解的種種不足，以ARENA仿真軟件為平臺，建立仿真模型確定了最優化方案。Kazuyoshi Hidaka等(97)運用仿真對大規模的倉庫選址進行了研究。該研究對倉庫的固定成本、運輸成本，和同時滿足6800名顧客進行了仿真，以求得臨近的最優解(near-optimal solution)。在求解的過程中，結合了貪婪－互換啟發式算法(Greedy-Interchange heuristics)和氣球搜索算法(Balloon Search)兩種啟發式算法進行求解。該算法能比較有效地避免陷入局部最優解和得到比較滿意的選址方案。但是，研究的結果容易受到運輸車輛的平均速度變化的影響。
仿真方法相對解析的方法在實際應用中具有一定的優點，但是，也存在一定的局限性。如仿真需要進行相對比較嚴格的模型的可信性和有效性的檢驗。有些仿真系統對初始偏差比較敏感，往往使得仿真結果與實際結果有較大的偏差。同時，仿真對人和機器要求往往比較高，要求設計人員必須具備豐富的經驗和較高的分析能力，而相對復雜的仿真系統，對計算機硬件的相應要求是比較高的。關于未來的研究，各種解析方法、啟發式算法、多準則決策方法與仿真方法的結合，是一種必然的趨勢。各種方法的結合可以彌補各自的不足，而充分發揮各自的優點，從而提高選址的準確性和可靠性。
物流配送中心的選址決策對于整個物流系統運作和客戶滿意情況有著重要的影響。本文在對國內外有關物流配送中心選址方法文獻研究的基礎上，對比分析了數學規劃方法、多準則決策、啟發式算法、仿真方法在配送中心選址中的應用。研究發現數學規劃方法、多屬性決策方法、啟發式算法、仿真方法各自有自己的優缺點和一定的適用范圍，各種方法的組合研究是未來研究的一種趨勢。同時，由于選址問題本身具有的動態性、復雜性、不確定性等特性，因此，開發和研究新的模型與方法也是進一步解決配送中心選址問題的必需途徑。
參考文獻：
人工神經網絡的優缺點范文5
關鍵詞：神經網絡 RBF IRBF 瓦斯涌出量
中圖分類號：F062.4 文獻標識碼：A
文章編號：1004-4914（2017）05-294-02
一、引言
礦井瓦斯是指煤礦井下空氣以甲烷（CH4）為主的有毒有害氣體的總稱。如果井下的通風效果不理想，瓦斯涌出量大的區域會因為瓦斯體積分數過大，導致井下工作人員窒息。瓦斯在一定條件下可發生爆炸，爆炸時產生的高溫（可達1850℃～2650℃），不僅會燒傷職工、燒壞設備，還可能點燃木支架和煤壁，引起瓦斯連續多次爆炸、煤塵爆炸和井下火災，從而加重災害程度，擴大災害面積。為了避免這些事故的發生，在對瓦斯含量高的煤層進行開采的過程中，必須事先對礦井瓦斯涌出情況進行預測。預測的準確性直接影響礦井的經濟技術指標。近些年來，一些學者將BP網絡及RBF網絡用于瓦斯涌出量的預測領域，單這兩種方法也存在著一定的缺點：BP學習算法容易陷入局部極小點、收斂速度特別慢，同時由于未考慮到輸入的分布特性，推廣能力差；RBF網絡中隱節點中心及標準參數的確定存在困難，針對這些問題，一些改進的算法被提出來?？紤]到瓦斯涌出量預測中考慮因素多、系統訓練復雜，且數據采集過程中存在噪聲的情況，采用一種改進的RBF算法――基于免疫算法的RBF方法（IRBF）進行研究，以便縮小標準進化算法搜索空間的范圍， 提高算法的收斂速度及精度。
二、IRBF理論分析
IRBF神經網絡是由輸入層、隱層和輸出層神經元構成的前向型網絡，其基本思想是用徑向基函數作為隱層神經元的基，構成隱層空間，實現輸入矢量到輸出矢量的映射變換，其結構如圖1所示。
三、預測模型的建立及應用
預測模型的建立依賴于要解決的實際問題，根據實際問題中輸入量和輸出量的個數，可以確定神經網絡的結構。瓦斯涌出量與很多因素有關，例如：煤層瓦斯含量、煤層埋藏深度、煤層厚度、煤層傾角、開采厚度、工作面長度、推進速度、采出率、臨近層瓦斯含量、臨近層、層間距離、層間巖性、開采強度等。這些因素中有的對瓦斯涌出量的大小影響較大，也有的影響較小。為保證在預測準確性的前提下對網絡結構進行簡化，利用灰色關聯度對這些指標進行優選，選出對瓦斯涌出影響最大的4個因素進行分析。這4個因素分別為煤層厚、煤層埋藏深度、頂板砂泥巖比、地板砂泥巖比，具體數據見表1。
設輸入層節點為四個，分別開采強度、煤層瓦斯含量、煤層埋藏深度及煤層厚度，輸出層節點為一個，即瓦斯的涌出量，初始隱層數據中心數為7，變異率βk=exp（1-k），親和力閾值為0.8，相似度閾值為0.95，學習率為0.01，對網絡進行訓練。
取表中前12組數據對網絡進行訓練，后3組數據進行檢驗。
為更好地對比優缺點，同時對引用數據進行BP算法及傳統的RBF方法的迭代過程進行比較。BP算法中隱層節點數根據經驗公式選取為7個，傳統RBF算法隱節點數選為6個。三種算法的誤差曲線如下：
取檢測數據利用三種方法分別進行檢驗，得到的結果如下表所示：
四、結論
利用Matlab軟件進行編程，對BP、傳統RBF及IRBF算法對瓦斯涌出量預測系統進行網絡訓練及預測，通過三種方法的誤差對比曲線可以看出，達到設定誤差時，IRBF的迭代次數最少，RBF算法次數居中，BP算法最多；通過網絡預測結果與實測數據相比較，IRBF所得數值與實測值最為接近。因此，IRBF網絡在提高算法的收斂速度及精度方面有較好的效果。同時，還應該指出的是，訓練數據的準確性、神經網絡結構的設計對網絡的學習及預測能力影響很大，在實際應用的過程中，還應該對網絡進行反復的訓練及調整以達到安全防范的作用。
[本文為黑龍江省自然科學基金項目A201421。]
參考文獻：
[1] 吳中立.礦井通風與安全[M].徐州：中國礦業大學出版社，1992
[2] 永智群，潘玉民.基于RBF神經網絡的瓦斯涌出量預測[J].煤炭技術，2012（4）
[3] 王濤，王洋洋，郭長娜.基于徑向基的瓦斯涌出量灰色預測模型[J].計算機測量與控制
[4] 唐朝偉，何國田，徐昌彪等.神經網絡在采煤工作面瓦斯涌出量預測中的應用[J].計算機應用，2007（12）
[5] 曲.采煤工作面瓦斯涌出量預測的神經網絡模型[J].中國安全科學學報，1999（9）
[6] 李t，劉裕曉.基于BP神經網絡的瓦斯涌出量預測的研究[J].煤礦現代化，2011（2）
[7] 李春輝，陳日輝，蘇恒瑜.BP神經網絡在煤與瓦斯突出預測中的應用[J].礦冶，2010（19）
[8] Jinwen Ma and Jianfeng Liu， The BYY annealing learning algorithm for Gaussian mixture with automated model selection， Pattern Recognition， vol.40，pp：2029-2037，2007
[9] 潘玉民等.基于QPSO-RBF的瓦斯涌出量預測模型.中國安全科學學報，2012（12）
[10] 肖忠良，李智勇.一種改進的RBF神經網絡多目標優化算法[J].科學技術與工程，2009（21）
[11] 孫丹等.一種改進的RBF神經網絡混合學習算法[J].吉林大學學報（理學版），2010（5）
[12] 張輝，柴毅.一種改進的RBF神經網絡參數優化方法]J].計算機工程與應用，2012（20）
[13] 宮新保，周希朗，胡光銳.基于免疫進化算法的徑向基函數網絡[J].上海交通大學學報，2003（10）
[14] 朱大奇，史慧.人工神經網絡原理及應用[M].北京：科學出版社，2006
[15] Duda R.O.，Hart P.R.Pattern classification and scene analysis.New York：Wiley，1973
[16] 朱t青，常文杰，張彬.回采工作面瓦斯涌出Bp神經網絡分源預測模型及應用[J].煤炭學報，2007（5）
人工神經網絡的優缺點范文6
關鍵詞：電網規劃；交流線路；線路長度；多元回歸；神經網絡 文獻標識碼：A
中圖分類號：TP273 文章編號：1009-2374（2016）22-0062-03 DOI：10.13535/ki.11-4406/n.2016.22.030
1 概述
電網規劃是電網安全穩定運行的基石，電網規劃數據的準確性尤其是數據中交流架空線路參數的準確性對規劃結果的合理性具有重要影響。
對于輸電線路的參數辨識方法較多，例如增廣狀態估計法、偏移向量法、卡爾曼濾波法等傳統數值方法，這些方法能較好地逼滑目標函數的極值點，但其迭代過程都依賴量測方程的增廣雅可比矩陣，苛刻地要求量測系統必須同時滿足狀態可觀測和參數可估計條件，并且可能遭受數值問題的干擾。參考文獻[4]中提出一種線路參數估計啟發式方法，將目標函數從增廣解空間垂直投影到參數空間，以啟發式方法搜索參數空間，尋找投影下表面的下確解，較好地解決了數值問題的干擾。參考文獻[5]在基于雙端PMU數據的線路線性數學模型和相應的最小二乘辨識的基礎上，引入基于IGG法的抗差準則。
2 BP人工神經網絡
2.1 BP神經網絡模型
BP神經網絡由輸入層、隱含層和輸出層三層網絡組成。BP神經網絡的核心在于其誤差反向傳播，反向傳播的學習規則是基于梯度下降法，由輸出端的實際輸出值與期望輸出值的誤差平方和進行鏈式求導，從而各層之間的連接權值。
2.2 BP神經網絡模型算法優缺點分析
神經網絡可以充分逼近任意復雜的非線性關系；采用并行分布處理方法；可學習和自適應不確定的系統等。
BP神經網絡算法的極小化代價函數易產生收斂慢或者振蕩的現象；代價函數不是二次的，而是非凸的，存在許多局部極小點的超曲面。這也導致神經網絡算法對初值的要求較高，給定較好的初值，BP神經網絡的收斂速度會大大加快，而且不易陷入局部極小值。
3 線路參數辨識中多元回歸模型與神經網絡的結合
3.1 線路長度回歸計算模型
實際工程中，線路長度與阻抗導納值之間的關系是確定的，對于架空線路，當長度小于300km時，其阻抗導納參數等于該型號架空線路單位長度的阻抗導納值與線路長度的乘積，此時阻抗導納參數與線路長度為簡單的線性關系；而當長度大于300km時，其阻抗導納參數的值就需要考慮長距離輸電線路分布參數的情況，此時并不能用簡單的線性關系來描述。
在建立線路長度回歸計算模型時，首先忽略線路的分布參數特性，建立回歸模型如下：
式中：L表示線路長度；lX表示通過電抗參數除以單位長度的電抗值得到的線路長度；lR表示通過電阻參數得到的線路長度；lG表示通過電導參數得到的線路長度；lB表示通過電納參數得到的線路長度；K1、K2、K3、K4、K5分別為各自的系數值。
回歸方程的求解采用最小二乘法，目標是使長度的計算值與長度的實際值差值的平方和達到最小，目標函數為：
J=∑Ni=1（Li～-Li）2
式中：J為線路長度計算值與實際值差值平方和；N為樣本線路的條數；Li～為線路長度的實際值；Li為線路長度通過回歸模型的計算值。
3.2 BP神經網絡模型的建立
當考慮線路長度的分布參數情況時，線路參數之間就不僅是簡單的線性關系，本文建立了神經網絡模型，輸入層為線路的電阻、電抗、電導和電納參數值；隱含層包含5個神經元；輸出層為線路的長度值。
如圖1所示，神經網絡模型的輸入層為線路的阻抗導納值；輸出層結果為線路長度，其中隱含層到輸出層的連接權值采用3.1中回歸模型的5個系數值作為初始值，然后輸入樣本值對神經網絡進行訓練，直到輸出實際值與理想值滿足誤差要求時停止。
4 回歸分析與神經網絡結合模型在線路參數辨識中的應用
4.1 線路參數辨識流程
根據以下步驟建立線路參數辨識模型，完成對BPA中交流架空線路的電阻、電抗、電導和電納參數的辨識。
第一步：提取BPA中所有交流架空線路的完整參數信息。
第二步：訓練回歸模型和神經網絡模型，直至滿足收斂標準。
第三步：判斷線路長度參數是否填寫。如果已填寫線路長度則進入步驟四，若沒有填寫線路長度進入步驟五。
第四步：根據已訓練完成的神經網絡模型反推線路的長度值，并比較線路長度的訓練值與長度填寫值之間的差距，如果兩者差距在合理范圍之內，進入步驟六，如果兩者差距過大，則采用長度訓練值進行后續的參數辨識過程。
第五步：根據已訓練完成的神經網絡模型反推線路的長度值。
第六步：根據單位標準參數值與線路長度計算得到線路參數的標準值，將標準值與線路參數的實際填寫值進行比對，如果計算得到的標準值與實際填寫值之差沒有超過閾度值，則進入步驟七；反之進入步驟八。
第七步：線路參數填寫合理，進入第十步。
第八步：線路參數填寫存在問題并按照計算得到的標準值作為推薦的修改值，并標識修改后的線路。
第九步：輸出標識的不合理數據，由規劃人員審核是否接受建議的修改值。
第十步：結束參數辨識。
4.2 辨識結果分析
4.2.1 線路長度訓練結果分析。如圖2所示，采用100條線路測試樣例，長度值由小到大進行排序，折線表示線路長度的實際值，折線表示的是通過本論文所建立的神經網絡模型得到的線路長度計算值。
對模型的訓練誤差做進一步分析可得：
訓練長度的平均誤差為1.35；訓練長度誤差最大值為8.9；訓練長度誤差最小值為0；訓練長度誤差均方差為1.68。
由以上數據可以看出，本論文所提的線路長度訓練算法準確度較高，能夠滿足參數辨識工作的需要。
4.2.2 線路參數辨識結果。算例采用數據為某電網某年的實際BPA規劃數據，辨識結果如表1所示：
由表1和表2的對比可以看出，上述交流線路的電納參數的填寫的確存在問題，由表2可以看出線路電阻和電抗的填寫值與標準值的差距很小，這說明線路填寫的電阻和電抗值是合理的，而電納的填寫值與標準值差距較大，由此可以說明線路電納值的填寫有誤；將表1中的辨識電納結果值與表2中的標準電納值做比較可以發現兩者之間差距不大，如表3所示，這說明采用該算法進行線路參數的辨識是有效合理的，辨識的結果值具有很大的參考價值。以上結果證明了算法的有效性，可以對參數填寫存在問題的交流線路進行辨識，并給出準確性較高的辨識結果值作為建議修正值。
5 結語
本文提出了電網規劃數據中輸電線路參數辨識算法。算法的創新點是根據線路阻抗導納參數與長度之間的潛在關系，首先建立線性回歸模型得到回歸系數作為BP神經網絡模型隱含層到輸出層的初始連接權值，然后建立神經網絡模型，訓練線路參數與線路長度之間的非線性關系。采用電網規劃中的實際BPA數據進行了算法有效性的驗證，結果表明本文提出的解決思路和算法對規劃工作具有很大的實際應用價值。
參考文獻
[1] 于爾鏗.電力系統狀態估計[M].北京：水利電力出
版社，1985.
[2] Liu W H E，Wu F F，Lun S M.Estimation of parameter
errors from measurement residuals in stateestimation[J].
IEEE Transactions on Power Systems，1992，7（1）.
[3] Slutsker I W，Clements K A.Real time recursive
parameter estimation in energy management systems[J].
IEEE Transactions on Power Systems，1996，11（3）.
[4] 趙紅嘎，薛禹勝，汪德星，等.計及PMU支路電流
相量的狀態估計模型[J].電力系統自動化，2004，28
（17）.
[5] 戴長春，王正風，張兆陽，等.基于IGG準則的抗差
最小二乘輸電線路參數辨識[J].現代電力，2014，31
（2）.
[6] 陳珩.電力系統穩態分析[M].北京：中國電力出版
社，2007.
[7] 曾明，魏衍.一種BP神經網絡改進算法的研究及應用
[J].微計算機信息，2009，（18）.
[8] 孟棟，樊重俊，王家楨.混沌遺傳算法對BP神經網絡
的改進研究[J].數學理論與應用，2014，34（1）.
[9] 吳俊利，張步涵，王魁.基于Adaboost的BP神經網
絡改進算法在短期風速預測中的應用[J].電網技術，
2012，36（9）.
[10] 楊耿煌，溫渤嬰.基于量子行為粒子群優化――人
工神經網絡的電能質量擾動識別[J].中國電機工程學
報，2008，28（10）.
[11] 王越，衛志農，吳佳佳.人工神經網絡預測技術
在微網運行中的應用[J].電力系統及其自動化學報，
2012，24（2）.
[12] 龐清樂.基于粗糙集理論的神經網絡預測算法及
其在短期負荷預測中的應用[J].電網技術，2010，34
（12）.
[13] 師彪，李郁俠，于新花，等.基于改進粒子群-徑向
基神經網絡模型的短期電力負荷預測[J].電網技術，
2009，33（17）.
[14] 王旭東，劉金鳳，張雷.蟻群神經網絡算法在電動
車用直流電機起動過程中的應用[J].中國電機工程學
