前言：中文期刊網精心挑選了神經網絡算法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。
神經網絡算法的優缺點范文1
關鍵詞:顱內壓;遺傳算法;人工神經網絡;腦血流動力學參數
中圖分類號:TP183文獻標識碼:A
文章編號:1004-373X(2010)04-170-02
Intracranial Pressure Monitoring Based on Genetic Algorithm and Artificial Neural Network
LU Lirong,ZHOU Jinyang,NIU Xiaodong
(Changzhi Medical College,Changzhi,046000,China)
Abstract:A novel intracranial pressure monitoring based on genetic algorithm and artificial neural networks after analyzing the advantages and disadvantages of the intracranial pressure detection method at present.Building a model by using back propagation neural network and optimizing by using genetic algorithm can restrain the disadvantages that the speed of the back propagation algorithm is slowly and the back propagation algorithm is easy to fall into local extremum.The needed intracranial pressure can be gained by measuring 4~6 cerebral hemodynamic parameters and inputting to this intracranial pressure prediction model.
Keywords:intracranial pressure;genetic algorithm;artificial neural network;cerebral hemodynamic parameter
0 引 言
顱內壓(Intracranial Hypertension,ICH)增重時將導致腦疝,并可能危及生命[1]。顱內壓的檢測是顱腦疾病處理的重要前提,它可以幫助醫生判斷患者顱腦損傷程度并采取降壓措施[2]。目前臨床采用的成熟的監測顱內壓技術均為有創方法,例如,腰椎穿刺,腦室內檢測等。雖可較準確地反映顱內壓水平,但存在以下弊端:操作繁雜、并發癥較多;不適宜長期監測;僅可獲得顱內壓值,不能從顱內壓動力學內在機制的角度,分析ICH為何種關鍵因素所致[3]。近年來,國內外已開展了多項無創性顱內壓監測技術的基礎與應用研究。以建立數學模型的方法,無創監測顱內壓為其中一項活躍的研究。
人工神經網絡[4](Artificial Neural Networks,ANNs)是對人腦神經網絡在結構、功能及某些基本特性理論的抽象、簡化和模擬,而構成的一種信息處理系統,適合解決各類擬合、預測等復雜問題。誤差反向傳播(Back Propagation,BP)神經網絡是目前應用最廣泛也是發展最成熟的一種神經網絡模型。盡管在實際工作中網絡得到了大量應用,但它也存在一些嚴重的問題:由于訓練采用簡單的梯度下降法進行優化訓練,算法效率低下,且易陷入局部極值,造成訓練失敗[5,6]。
遺傳算法[7](Genetic Algorithm,GA)是模擬生物在自然環境中的遺傳和進化過程而形成的一種全局搜索算法。具有更好的魯棒性。
在此針對BP神經網絡的缺點,將GA與BP算法相結合,建立各相關參數與顱內壓關系的數學模型,實現最優化的顱內壓監控預測模型。
1 神經網絡建模
大量的研究表明,顱內壓值與平均動脈壓、大腦中動脈血流速度、阻力指數等腦血流動力學參數有較好的定量關系[3]。即:設顱內壓值為y,腦血流動力學參數平均動脈壓、大腦中動脈血流速度、阻力指數等的值分別為x1,x2,x3…,則有:
y=f(x1,x2,x3)(1)
人工神經網絡理論已經證明,三層BP神經網絡可以逼近任何函數[8,9]。因此可以利用BP神經網絡來建立顱內壓模型從而可以最優化地逼近式(1)這個函數。
圖1為利用BP反向傳播神經網絡建立顱內壓模型[10]。平均動脈壓、大腦中動脈血流速度、脈動指數、阻力指數等腦血流動力學參數作為輸入層,隱含層的神經元個數由實驗反復確定,直到網絡輸出的顱內壓值與實驗所得的顱內壓值之間的誤差在所允許的范圍,此顱內壓模型確定。
圖1 BP神經網絡建立顱內壓模型
2 遺傳算法優化
BP神經網絡算法雖然具有簡單和可塑性強的優點,但是收斂速度慢,且常受局部極小點的困擾,不利于網絡的優化。而GA可以克服此缺點。因此用GA來對此模型進行優化。流程圖如圖2所示。
圖2 GA優化流程圖
具體步驟為:
(1) 初始化:隨機產生N組在不同實數區間內取值的初始網絡權值。
(2) 預訓練:用 BP算法對N組初始權值分別進行預訓練。
(3) 判斷是否滿足精度要求:若經過預訓練后N組權值中至少已有一組滿足精度要求,則算法結束;否則轉入步驟(4)。
(4) 生成新權值:分別依據經過預訓練的上述N組權值所對應的上下限確定取值區間,在區間內隨機生成r×N組新的權值,連同經過預訓練的N組權值一起,構成完整的基因群體,生成共(r+1)×N組權值。
(5) 遺傳操作:對這(r+1)×N組權值進行選擇、交叉、變異等遺傳操作。
(6) 判斷算法是否結束:如果經過步驟(5)的操作已經至少得到一組滿足精度要求的權值,則算法結束;否則從經過遺傳操作的這(r+1)×N組中選出N組較好的,恢復到步驟(2)。
3 結 語
在此利用遺傳算法和人工神經網絡建立顱內壓的預測模型。通過測量4~6個腦血流動力學參數,輸入進此模型,即可得到所需顱內壓值。通過建立此模型,為相關臨床醫學專業醫師無創、實時、準確監測顱內壓提供了一種新方法。
參 考 文 獻
[1]郭玉璞.腦血管病的病理學[M].北京:科學出版社,1993.
[2]劉常春,曹佃國,姜安寶,等.一種新的無創檢測顱內壓的數學模型[J].山東大學學報:工學版,2004,34(6):62-65.
[3]曾高,焦風,李運海,等.用數學模型實現無創顱內壓監測的現狀與應用前景[J].中國腦血管病雜志,2007(9):418-420.
[4]高雋.人工神經網絡原理及仿真實例[M].北京:機械工業出版社,2005.
[5]姜諳男,趙德孝,孫豁然,等.進化神經網絡在礦山入選品位優化中的應用[J].礦業研究與開發,2004,24(4):44-46.
[6]何翔,李守巨,劉迎曦,等.基于遺傳神經網絡的壩基巖體滲透系數識別[J].巖體力學與工程學報,2004,23(5):751-757.
[7]周明,孫樹棟.遺傳算法原理及應用[M].北京:國防工業出版社,1999.
[8]Homik K,Stinchcombe M,White H.Mulilayer Feedforward Networks are Universal Approximators[J].Neural Networks,1989,2(5):359-366.
神經網絡算法的優缺點范文2
關鍵詞：智能優化算法；啟發式教學；Matlab語言
中圖分類號：G642 文獻標識碼：B
1 引言
從教材和教學大綱出發，“智能優化算法及其應用”這門課程主要針對模擬退火算法、遺傳算法、禁忌搜索、神經網絡優化算法、混合算法等幾個方面進行了講解。由于該課程涉及的知識面很廣，內容比較抽象，所以學生往往難以理解，特別對各種優化算法的實際應用不能靈活掌握。這直接導致了學生學習興趣的減弱和對課程學習的厭倦情緒。為了克服上述問題，更好地實現教學目標，本文作者從教學方法、教學內容等方面出發對智能優化算法及其應用課程的教學進行了探索，改善了課堂教學和課外實踐的效果。
2 啟發式教學
所謂啟發式教學法，就是以學生的經驗為基礎，由教師提出問題，使他們思考去解決、分析、批評、判斷和歸納，因而可以觸類旁通、舉一反三，使經驗逐漸擴張，思路更為靈活。通過啟發式教學法，可以培養學生學習的內在動機，引導學生思考和逐步掌握各個知識點，使他們真正對所學的課程感興趣。為了更好地運用啟發式教學，教師應該首先向同學們闡述該課程的發展歷史和未來的發展前景，介紹該課程的理論和實踐背景，讓學生對課程的整體情況有所了解，并產生好奇心。
在啟發式教學過程中，教師可根據教學重點和難點，首先采取提問的方式引發學生進行思考，使他們的思維高度集中。在學生思考過程中，可根據他們的思考結果給與適當的提示與鼓勵，使他們的思考更加深入。接著可采用問答討論的方式，對學生的答案加以分析，使得學生的思維達到升華。最后，將學生討論的結果與課本的結果進行對比，找出異同點。通過上述啟發式的教學過程，學生可以更加深刻理解課程中的難點和重點。
如模擬退火算法是一種隨機優化方法，學生在學習課程之前已對經典的基于梯度的優化方法有一定了解。在介紹模擬退火算法之前，可先向學生提問：經典的優化方法的核心思想是什么。接著可再提出問題：如果在經典的優化方法中加入隨機因素會出現什么結果。教師可根據學生的回答給予適當的提示，最后再給出模擬退火算法的主要步驟和主體思想。
此外，在介紹混合算法的時候，也可以采用啟發式的教學法，如可提問學生如果把模擬退火算法和神經網絡混合起來進行問題求解應該怎么做。3示例教學
在教學過程中，如果只是純粹地講解理論知識，學生可能覺得索然無味，從而直接導致學習興趣的減弱。而通過選擇一些經典的示例進行分析、講解與討論，學生可以在學習過程中做到理論與實際相結合，并增加對所學知識實用性的了解，從而提高學習的積極性和主動性。
如在講解遺傳算法的主要步驟，即編碼、解碼、交叉、變異、選擇時，通過選擇最短路徑問題的示例來解釋其運行機理。最短路徑問題是一類離散優化問題，其主要任務是找到一條從起始點到終點的最短路徑。在運用示例講解時，首先給學生介紹如何對每一條路徑進行編碼，然后介紹如何對不同的路徑進行交叉、變異和選擇等操作，而且說明在上述過程中如果出現不合法路徑應該如何進行處理，最后講解如何選擇較好的路徑來進行下一次進化等等。通過上述講解，學生對遺傳算法的主要步驟具有了十分深刻的認識。
此外，在講解神經網絡時，可首先通過理論講解使學生對神經網絡的原理有了一定的了解，接著通過選擇一種經典的神經網絡示例，即BP神經網絡，對其原理及具體實現過程進行演示。在教學過程中，作者通過選用Matlab語言中的神經網絡工具箱，對BP神經網絡進行了講解，包括如何構造輸入層、隱含層和輸出層，如何執行反向傳播等等。最后再通過選用一個BP神經網絡應用于實際工程中的示例進行講解。這樣，學生對神經網絡的原理和應用便有了具體而生動的認識，從而也調動了學生的學習興趣。
4 多媒體課件教學
運用多媒體課件上課有許多“黑板+粉筆”不可企及的效果。運用多媒體課件上課，可以生動且有效地對教學重點與難點進行講解，同時通過多媒體課件中的動畫演示、錄像演示等可以使學生對學習要點有更直觀和深刻的了解，激發學生的好奇心。
如在解釋遺傳算法對某一優化問題的進化過程時，可將初始群體中個體的分布，運行到中間代數時群體中個體分布，和進化結束時群體中個體的分布情況通過多媒體演示出來。這樣，學生便對遺傳算法的進化迭代尋優思想有了很直觀的認識，而且學生可以很深刻的理解遺傳算法搜索到全局最優解的工作原理和過程。此外，還可通過錄像演示，將整個進化過程中每一代群體中個體的分布情況全部演示出來，這樣遺傳算法的整體執行過程便在學生眼前活靈活現地展示出來。
在介紹各種智能優化算法之間的優缺點、異同點時，也可通過多媒體課件中的各種圖形工具將優缺點和異同點進行歸納和總結，更清晰地展現在學生面前，同時也使得教師在講解時便于歸納敘述。
5 課程設計
課程設計是學生綜合運用課程所學知識的一個重要環節。特別對于智能優化算法及其應用這門課程，如何引導學生將優化算法應用到實際問題顯得尤為重要，這不僅鍛煉了他們的實際動手能力，也鍛煉了他們分析問題和解決問題的能力，可全面開發學生的創造性思維和創新能力，使課程設計真正成為學生綜合運用學科知識和進行能力培養的有效途徑。
在課程設計中，我們為學生設計了遺傳算法求解TSP問題、差異進化算法求解約束優化問題、粒子群優化算法求解多目標優化問題、BP網絡解決XOR分類問題等幾個題目，將學生分為若干組，要求學生采用Matlab、c語言等軟件實現上述問題的編程求解，并規定課程設計的時間為兩周。通過課程設計，學生對智能優化算法及其應用這門課程的理論和實踐得到了升華，并且團隊合作能力也得到了提高。
神經網絡算法的優缺點范文3
【關鍵詞】電梯群控 模糊控制 神經網絡 遺傳算法 發展方向【Abstract】Fuzzy control， neural network， fuzzy neural network， genetic algorithm， expert system and so on five kinds of algorithm widely used in intelligent elevator group control technology were discussed in this paper. the of， and their advantages and disadvantages in elevator group control system application were summarized. The development direction of the elevator group control technology was proposed in response to the present existing problems in the elevator group control technology.
【Key words】The elevator group control， Fuzzy control， Neural network， Genetic algorithm， Development direction
0引言
S著電梯群控技術的飛速發展，乘客對于電梯乘坐滿意度和節能環保的要求愈來愈高，如何改善乘客的服務質量和服務效率，以及如何降低能耗已經成為電梯行業關注的核心問題。另外目前國內自主研發的電梯群控系統性能和核心技術上與國外仍然存在很大的差距，因此如何盡快掌握此關鍵技術將會對國內電梯業的發展產生十分重要的戰略意義，智能群控技術的研究也隨之成為國內電梯行業高度重視的研究課題。
在電梯群控技術中關鍵的兩個環節就是電梯交通流的分析研究和智能電梯群控調度算法的研究。電梯交通流的研究是優化派梯調度的依據，所以對電梯交通流的算法分析研究尤為關鍵。另外對于電梯群控調度算法的研究，國內很多學者采用了很多群控的優化算法進行派梯，取得了很多成果。因此電梯群控技術的研究主要定位在群控算法的研究上，本文主要介紹這些算法并討論其在電梯群控系統應用中的優缺點，并提出電梯群控技術的發展方向。
1 電梯群控技術算法
1.1 模糊控制算法。模糊控制算法先對電梯交通模式進行分類，然后由專家知識確定隸屬函數及控制規則，確立系統的綜合評價函數實現多目標控制，并根據不同的交通模式調整加權系數，最后通過模糊控制算法實現不同交通模式下電梯群的優化調度控制。但此算法的缺點是系統性能主要取決于專家的經驗，如果專家預設的規則與實際的建筑不符控制效果就會不好，另外調整和確定隸屬函數需要大量仿真實驗且需花費非常多的時間和精力，學習技能和適應性差。
1.2 神經網絡算法。神經網絡算法模仿的是人類的大腦和思維方式，網絡結構特殊性使其具有自學習和自適應能力。它可以通過調整網絡權值得到近似的最優輸入輸出映射關系，適用于處理非線性問題，并且它有很強的自學能力，能改進控制算法并對制定的規則加以修改，利用非線性和學習方法建立合適的模型進行推理對電梯交通流進行預測，對于建筑里不斷變化的交通流能靈活的進行調整。由于在網絡里要不斷接受數據的輸入和處理，有很強的自適應能力。但此算法的網絡訓練樣本多，算法的收斂時間將會延長，而且還會產生體積龐大的網絡，難以驗證算法的合理性。
1.3 模糊神經網絡算法。模糊控制算法的優點在于它能夠處理精確的和模糊的信息并能實現精確的映射，不足之處是隸屬函數中的加權系數不能隨著不同的交通流類型而變化，無自學習能力，而神經網絡算法正好彌補了其不能自學習和自適應性的功能，是可以自動生成函數、自動提取問題的自適應算法。因此將兩者完美結合即為模糊神經網絡算法，可以發揮各自的特長，更好地預測交通流的不確定性，從而實現以最小的電梯數目配置應付最大的交通流，實現最優的調度。但模糊神經網絡算法的不足在于其梯度法的學習，其收斂性太依靠于初始條件。
1.4遺傳算法。遺傳算法是模擬自然遺傳規律來尋找最優方案的一種算法，實際上就是種群在進化中優勝劣汰的一種競爭機制，最終選出最佳的一種方法。此算法自適應能力強，能夠根據不同的交通流調整為不同的群控策略，但遺傳算法搜索時間長，搜索效率低。
1.5專家系統控制算法。專家系統控制算法是根據專家的經驗積累起來的有一定控制規則的推理知識庫，能解決很多需要靠經驗解決的問題，根據這些輸入評價指標信息可以利用推理知識庫按一定的策略去調度電梯。但此算法對復雜的電梯控制系統不適用，主要是局限于專家的知識和經驗。另外控制規則數多的話，系統難以控制，并且影響控制的性能。
2電梯群控技術的發展方向
目前對電梯群控技術的研究雖然取得了一定的成績，但針對對上述群控算法的研究，整體算法優化沒有大的突破，并且很多都在研究階段，實際應用的很少，因此本文在此提出了未來電梯群控技術的發展方向。
（1）多目標優化調度方法。目前研究的能達到電梯滿意度的指標主要有擁擠程度，乘梯時間、候梯時間，長候梯率等幾種，而隨著超高層電梯群發展的越來越迅速，人們對環保的關注度加強，對于電梯的運行速度和電梯的能耗方面研究的不多或者不太深入，所以未來新的優化算法需要包含更多人們關注的指標，并且要根據不同建筑物的電梯運行情況和同一建筑物不同時間區間的需求智能的調整這
（2）多種智能算法融合。以上幾種智能算法只是分析的其中幾種普遍比較成熟的算法，當然還有支持向量機、蟻群算法、混沌理論、petri網等，這些也都已經在電梯群控中有應用。但是上述通過分析它們各自的優缺點我們可以看出電梯群控技術在以后的發展中必然需要將這些算法進行有機的結合，吸收各種算法的優勢彌補劣勢，在電梯群控中根據不同的情況采用不同的算法模塊進行控制，有效的實現電梯群控的智能化，這是未來電梯群控的主要發展趨勢。
（3）基于圖像處理的群控技術。目前電梯群控大多還是通過傳統的外呼按鈕作為獲取乘客信息的設備，進入電梯之后再進行目標樓層的選擇，獲取交通流的實時性和完整性不能得到有效的保證。為了解決這個問題，需要增加一些圖像處理設備對客流信息進行檢測識別，增加智能輸入樓層液晶觸屏顯示器面板提前進行登記，客流信息的完整度掌握非常好的情況下進行派梯會有更好的效果。
（4）基于“互聯網+”的群控技術。隨著“互聯網+”技術的迅猛發展，因網絡通信方面也是影響群控技術的關鍵因素，所以“互聯網+”應用在電梯群控技術也成為未來發展的趨勢，現已經有學者研究了基于手機移動互聯網、物聯網等幾種電梯群控調度方法，它們都是在智能群控算法的基礎上加上與乘客交流信息互動反饋獲取實時的交通流信息，遠程監控系統通過當前時刻實時數據進行調度實現派梯的高效化，很大程度上解決了高峰期客流排隊等待時間長的問題，用戶體驗也很好，未來通過手機客戶端獲取乘客信息改進電梯群控的技術會應用的越來越廣泛。
3 結論
本文對智能電梯群控技術的算法進行了詳細的闡述，并分析了各種算法的優勢和劣勢，針對目前存在的問題提出了未來電梯群控技術的發展方向：我們不僅要進行控制算法的優化研究，也要對電梯群控技術研究不能只停留在理論研究上，如何在實H工程中得以應用也是我們未來需要繼續努力的方向。
參考文獻：
[1]朱賀.論智能控制技術在現代電梯群控系統中的應用[J].
科技與企業.2013 （11）：100-100.
[2]張健，王笑竹.改進GA優化BP神經網絡的電梯群控策略
[J].陜西理工學院學報（自然科學柳. 2015 （4） ：36-39.
[3]鄭曉芳.我國電梯群控系統研究文獻綜述與思考[J].華東
交通大學學報.2012.29 （3）：51-55.
[4]黃支支.電梯群控技術的現狀與發展方向[J].硅谷.
2014.2：82-87.
[5]程誠，周彥暉.淺談基于物聯網的智能電梯群控系統[J].
計算機與網絡.2015.12：69-71.
神經網絡算法的優缺點范文4
【關鍵詞】獨立通風籠盒；故障；模式識別；誤差逆傳播網絡；遺傳算法
IVC（Individually Ventilate Cages），又稱為獨立通風籠盒，是目前國際上普遍使用的實驗動物飼養系統[1，2]。在我國，IVC被引入國內之前，通常采用獨立屏障系統來飼養實驗動物。但是，由于實驗動物飼養要求的特殊性，其對飼養環境的高要求使得傳統的獨立屏障系統在實際使用過程中，需要飼養人員人為地做大量工作來保證其符合基本要求，不但耗費人力物力，效果也并不是太好。
國內的技術人員結合國內實際情況，對引進的產品進行了二次開發，改良了一部分的性能，使其適用于國內使用環境。開發的方向主要集中在兩方面：
（1）故障報警模塊的開發。特別是利用日益發展的3G網絡實現遠程報警和控制。
（2）針對通風系統的故障問題自動識別模塊的開發。識別方法主要包括故障樹、人工神經網絡等。
本文主要介紹針對通風系統的故障問題的自動識別。
1.故障模式識別模型
IVC是一個密封的系統，雖然有較為完善的過濾系統，但空氣中的微塵，動物自身攜帶的粉塵和國內主要使用的墊料、食物中的粉塵微粒等仍然容易引起通風系統的堵塞。一旦通風系統不能正常工作發生故障，密封籠盒內的氣流速度、內外壓差、噪音、相對濕度、溫度、氨氣濃度等參數指標就會發生改變，達不到實驗動物飼養環境的要求，對醫學實驗結果的正確性也有影響。
IVC系統中，由于包含生物生理活動這樣一個不確定因數，常規的故障樹等故障診斷方法難以實現對其故障類型的準確判斷。而神經網絡作為一種自適應的模式識別技術，不需要預先給出有關模式的經驗知識和判別函數，而是通過自身的學習機制自動形成所要求的決策區域。并且環境發生改變的時候，通過學習而得到的映射關系還可以自適應地進行調整。神經網絡的這些特性，決定了它適合用于系統模型比較復雜，環境多變的場合。因此，對IVC的故障模式識別采用基于人工神經網絡的識別方法更合適。
1.1 標準BP網絡
誤差逆傳播網絡（Error Back-Propagation network.，簡稱BP網絡）是人工神經網絡中，理論最成熟，運用最廣泛的網絡模型之一。
基于梯度下降的標準BP算法，最突出的優點是尋優具有精確性，且具有自學習能力，但同時存在易陷入局部極小、初始值對網絡結果影響大和引起振蕩效應等缺點。雖然近年來提出不少改進方法，一定程度上提高了BP網絡在實際應用上的可行度與準確度，但是仍然無法解決BP網絡所固有的易陷入局部的問題。
1.2 基于遺傳算法的改進BP網絡
遺傳算法（Genetic Algorithm，簡稱GA）是一種基于自然選擇和群體遺傳機理的搜索算法[3]。它模擬生物在自然環境中的遺傳和進化過程，形成的一種自適應全局優化概率搜索算法，不存在局部收斂問題[4，5]。由于遺傳算法的尋優過程是隨機的，帶有一定的盲目性和概率性，所以遺傳算法具有難以得到精確解的缺點。
可見，BP算法和遺傳算法各有利弊，并且優缺點呈互補性，可以用遺傳算法對BP模型進行改進，利用遺傳算法的全局搜索能力，優化解空間，再發揮BP算法的局部搜索能力強的優勢，找出最優解。本文提出應用基于遺傳算法的改進BP算法來實現對IVC故障診斷，以滿足IVC故障模式識別對實效和精度的高要求。
2.基于遺傳算法的改進BP模型的IVC故障模式識別
2.1 模型的初步確定
網絡的輸出是IVC故障的四個類型，包括進風過濾網膜輕微堵塞、出風過濾網膜輕微堵塞、進風過濾網膜嚴重堵塞、出風過濾網膜嚴重堵塞4種。網絡的輸入是發生故障時被影響的參數，考慮到樣本的相關性和冗余性，本系統選擇氨氣濃度、氣流速度、內外壓差、相對濕度四個量作為網絡的輸入。因此，對應的網絡輸入神經元個數為4個，輸出神經元也為4個，隱含層神經元個數通過調試最終確定為7個。
2.2 模型參數的確定
選擇適合的編碼方式是遺傳算法的關鍵。將參數編碼成對應的子串，再將各子串首尾相聯，構成染色體，每條染色體代表解空間的一個解。不同的編碼方式對遺傳算法的求解精度和收斂速度有一定的影響。本系統根據權重、閥值的特點，采用二進制編碼方式。BP模型為4-7-4結構，包括56個權重，11個閥值，共67個參數，每個參數用8位二表示，聯起來形成一條染色體，長度為536。
目標函數唯一的條件是：針對輸入可計算出能加以比較的非負結果。因此，系統的目標函數采用網絡誤差平方和函數，表達式為：
3.仿真結果與分析
將真實狀態下，IVC系統故障發生時記錄下的數據作為初始樣本集，將這些樣本做歸一化處理，并進行冗余分析，剔除冗余項，保證樣本空間無重疊。將處理好的樣本的70%作為訓練樣本集，剩下的30%作為測試樣本集，分別對網絡進行訓練和測試。訓練結果見圖1。
可以看出，基于標準BP網絡的訓練，需要經過66步才能收斂于目標函數0.00001，而基于遺傳算法的改進BP網絡的訓練僅需要18步，大大縮減了訓練的時間。
測試結果見表1?？擅黠@看出：
（1）改進后的BP網絡，收斂率達到95.7%，一定程度上克服了標準BP網絡易出現振蕩效應的缺點；
（2）改進后的BP網絡，正確識別率可以達到92.4%，相比標準BP網絡70.2%的正確識別率，識別的準確性有了很大的提高，減少了陷入局部極小的可能性，基本上可以達到實際應用所要求的誤差范圍要求；
（3）改進后的BP網絡，識別時間縮短，能更好地滿足本系統對實效性的要求。
可見，基于遺傳算法的改進BP網絡，能更好地對IVC進行故障模式的識別，并且能達到實際應用中對實效和精度的要求，可以解決目前制約IVC在國內廣泛應用的問題。
參考文獻
[1]Krohn TC.Method developments and assessments of animal welfare in IVC-systems[M].Printed by DSR Grafik，2002，5.
[2]柯賢福，陳文文等.四種獨立通風籠具（IVC）的檢測[J].中國比較醫學雜志，2009，19（9）：78-82.
[3]王德明，王莉等.基于遺傳BP神經網絡的短期風速預測模型[J].浙江大學學報（工學版），2012，46（5）：437-842.
[4]Li Weiqing，Wang Chengbiao，etal.An edge detection method based on optimized BP neuralnetwork[J].International Symposium on Information Science and Engineering，2008（2）：40-44.
神經網絡算法的優缺點范文5
關鍵詞：SOM神經網絡;負荷特性曲線;聚類分析
中圖分類號：TM7 文獻標識碼：A 文章編號：1007-0079（2014）33-0204-03
在國家提出建設堅強智能電網的背景下，提高電力營銷服務水平和智能用電技術已成為電網企業關注的焦點。電力營銷服務水平與智能用電技術的提升離不開在對電力用戶用電行為特征的準確、全面、及時地掌握，而從海量負荷數據中提取用戶日負荷特征曲線并進行深入分析成為研究用戶用電行為特征的一種有效方式。
從研究對象層面來看，以往相關研究側重專線用戶（負荷數據來源為SCADA系統）和專變用戶，并以傳統意義上的行業分類作為提取負荷特征曲線時聚類的依據。從研究方法層面來看，電力用戶日負荷特征曲線的提取多使用聚類算法，主要有統計方法、機器學習方法、人工神經網絡方法和面向數據庫的方法。人工神經網絡因具有大規模的并行協同處理能力、較強的容錯能力、聯想能力、學習能力和自適應能力，故能夠較好地適應海量數據背景下的數據挖掘。應用較多的典型的神經網絡模型包括BP網絡、Hopfield網絡、ART網絡和Kohonen網絡。[1-3]BP網絡屬于有監督學習的神經網絡，需要提供聚類對象類別數量的先驗知識，而公變用戶缺乏傳統意義上類似專變用戶的行業分類，故不適合采用BP網絡。Hopfield網絡、ART網絡和Kohonen網絡都屬于無監督學習的神經網絡，在解決聚類問題上有其各自的優缺點。
本文提出采用SOM神經網絡[4-6]聚類算法提取公變用戶日負荷特征曲線，用MATLAB軟件進行仿真，輸出可視化聚類結果，并對聚類結果進行分析，驗證了采用SOM神經網絡聚類算法提取出的公變用戶日負荷特征曲線能夠較好地顯示不同類型公變用戶用電行為特征上的差異，具備良好的聚類效果，同時為電網企業優化電力營銷服務提供參考和指導。
一、SOM神經網絡
SOM（Self-Organizing Map，自組織映射）神經網絡是較為廣泛應用于聚類的神經網絡。它是由Cohonen提出的一種無監督學習的競爭型神經網絡模型，通過不斷縮小獲勝神經元的鄰域來達到聚類的目的。主要功能是將輸入的高維空間數據映射到一個較低的維度，通常是一維或者二維輸出，同時保持數據原有的拓撲邏輯關系。
SOM神經網絡由輸入層和輸出層兩層組成，輸入層中的每一個神經元通過權與輸出層中的每一個神經元相連，如圖1所示。輸入層的神經元以一維的形式排列，輸入神經元的個數由輸入矢量中的分量個數決定，輸出層的神經元一般以一維或者二維的形式排列，計輸入層的神經元數量為m，輸出層神經元數量為c。輸入的樣本總數為n，第i個輸入樣本用矢量表示為，每個輸出神經元的輸出值記為，。與第j個輸出神經元相連的權用矢量表示為：。
Kohonen算法是無教師示教的聚類方法，它能將任意維輸入模式在輸入層映射成一維或二維離散圖形，并保持其拓撲結構不變，即在無教師示教的情況下，通過對輸入模式的自組織學習，在輸出層將聚類結果表示出來。此外，網絡通過對輸入模式的反復學習，可以使連接權矢量空間分布密度與輸入模式的概率分布趨于一致，即連接權矢量空間分布能反映輸入模式的統計特性。該算法往往在完成極高維數、超大量數據和高度非線性問題的聚類，模式表征和數據壓縮，分類等任務時是一個很有效、很簡便，且快速、穩健、泛化性好的算法。
Kohonen的學習算法如下：
（1）初始化：將整個輸入向量存儲在矩陣p中，對權值w進行初始化，權值向量的每一維的取值范圍同輸入向量每一維的取值范圍。
（2）選擇一個輸入向量，提供給網絡輸入層。
（3）按照下式計算輸出層每一個神經元 j 的權值與輸入向量之差：，其中，。
（4）按照“勝者為王”的原則，對每一個神經元j，以minDist中的最小值所對應的神經元 k作為勝者，對它和它的鄰域內的神經元的權值進行調整，假設當前處于學習的第l步，權值的修正按照下式進行：
其中，lr表示學習速率，br表示鄰域調整率;表示獲勝神經元的鄰域，即：。
（5）選擇另一個輸入向量，返回（3），直到所有的輸入向量全部提供給網絡。
（6）返回（2），直到達到最大訓練步數。
二、MATLAB仿真算例
1.MATLAB仿真實現
對于日負荷特征曲線的提取，負荷曲線的采樣點越多，曲線越精細，越容易進行分類，研究數據來自于電力用戶用電信息采集系統，從中提取公變用戶每15分鐘采集一次的有功功率構成其日負荷曲線，一天共96個采樣點。從某省電力用戶用電信息采集系統中隨機抽取1000臺公用變壓器，選取其2012年7月10日（工作日，該省全年負荷最高日）作為典型日進行日負荷特征曲線提取和分析。每臺公變日負荷曲線由96個有功采樣點組成。由于每臺公變額定容量大小不等，為了有效聚類，首先需要對負荷數據進行歸一化處理。
本文采用聚類SOM神經網絡，在MATLAB環境下，對這些數據進行聚類仿真。聚類SOM神經網絡的MATLAB實現步驟如下：（1）準備數據源。首先從原始數據庫讀取相關數據（輸入樣本總數70，每一個樣本有96個采集時點）作為輸入矢量，并將其以二維數組70×96形式輸入。（2）確定參數。輸入神經元個數為采集時點的個數96;輸出神經元以二維數組3×3形式呈現。（3）運用rand（ ）函數產生[0，1）之間的隨機數作為權值。（4）調用SOM創建函數newsom（ ），創建自組織映射網絡net=newsom（ ）。（5）對迭代次數net.trainParam.epochs賦值2000;對net.trainParam.show賦值20，表示每20次顯示一下誤差變化情況。（6）運用網絡訓練函數train（ ）訓練上述初始化后的網絡net=train（ ）。（7）調用plot（ ）畫輸入點; plotsom（ ）作訓練后的權值點及其與相鄰權值點的連線。
2.仿真結果分析
經MATLAB仿真運行后得到聚類結果圖2所示：
圖2所示為SOM神經網絡聚類結果，將樣本公變用戶分為7個類別，為便于后文描述，不妨按照行優先的順序為各激活的優勝神經元標識聚類編號，依次分別為為：公變用戶第一類（包含13個樣本用戶）、公變用戶第二類（包含12個樣本用戶）、公變用戶第三類（包含5個樣本用戶）、公變用戶第四類（包含10個樣本用戶）、公變用戶第五類（包含10個樣本用戶）、公變用戶第六類（包含10個樣本用戶）、公變用戶第七類（包含10個樣本用戶）。
每個競爭層神經元與各輸入神經元之間的連接權構成的向量代表了該優勝神經元所標識類別的聚類中心即日負荷特征曲線，競爭層神經元鄰域權值距離如圖3所示，顏色越深表示領域神經元間的權值距離越遠，即鄰域神經元的聚類中心距離越遠、提取的日負荷特征曲線差異越大。
圖4所示為通過SOM神經網絡聚類算法提取的七大類公變用戶日負荷特征曲線。日負荷特征曲線較為明顯地反映了不同類型公變用戶在該典型日的用電行為。
第一類公變日負荷特征曲線呈現出明顯的午高峰和晚高峰特征，且晚高峰明顯高于午高峰。推測此類為城鎮居民生活的典型日負荷特征曲線，可能由于部分居民上班因素造成晚高峰高于午高峰;第二類公變日負荷特征曲線走勢同全網負荷基本一致，呈現出明顯午高峰和晚高峰，但午高峰一枝獨秀，可能該公變下的用戶類型較多，包括居民用戶和一般工商業用戶，由于各類用電特征比例與全網比例類似，形成具有全網負荷特征的曲線;第七類公變日負荷特征曲線與前六種主要集中在白天用電不同，主要在天黑時間段內（晚上7點左右至第二天早上6點）用電，推測這類用戶主要集中在市政工程類。
三、總結與展望
本文將SOM神經網絡聚類算法應用到電力用戶日負荷特征曲線提取的研究中，選取某省公變用戶作為分析樣本，通過MATLAB仿真計算將樣本公變用戶分為七個類別，以優勝神經元與輸入神經元之間連接權向量作為聚類中心即該類別用戶的日負荷特征曲線。根據提取出的日負荷特征曲線，結合電力用戶用電信息采集系統中的營銷檔案分析了不同類別公變用戶的用電特征與習慣。分析表明，采用SOM神經網絡聚類算法提取日負荷特征曲線具有良好的效果，提取出的日負荷特征曲線能夠較好反映該類型用戶的用電行為與特征，為電力企業了解用戶用電習慣、細分電力市場、調整定價策略和實施需求側管理提供了有益參考。
下一步研究將考慮采用電力用戶全年負荷數據進行聚類分析，驗證小樣本下的聚類結果、發現新的用戶類型;同時改進SOM神經網絡算法，使其適應海量數據下的負荷曲線聚類分析，并通過調整競爭層神經元個數與抑制權值使訓練結果更加穩定，得到更好的聚類效果。
參考文獻：
[1]馬玉梅，馬志超.基于人工神經網絡的手寫阿拉伯數字識別[J].中央民族大學學報（自然科學版），2007，（4）.
[2]劉小波，李亞玲，趙景濤，等.基于KOHONEN神經網絡的電壓控制分區[J].浙江電力，2007，（3）.
[3]莫禮平.基于Kohonen神經網絡的故障診斷方法[J].成都大學學報（自然科學版），2007，（1）.
[4]李培強，李欣然，陳輝華，等.基于模糊聚類的電力負荷特性的分類與綜合[J].中國電機工程學報，2005，（24）.
神經網絡算法的優缺點范文6
關鍵詞：模擬電路；故障診斷；模糊數學；BP網絡；模糊BP網絡
0引言
電路故障是指在規定的條件下，電路工作時它的一個或幾個性能參數不能保持在要求的上、下限之間，其結構、組件、元器件等出現性能減退、老化、破損、斷裂、擊穿等現象，喪失了在規定條件和環境下完成所需功能的能力。
長期以來，學界對模擬電路工作特點的研究已相當深入，但對于故障診斷方法的研究卻困難較大，這是由于模擬電路本身的特性決定的：1）輸入激勵和輸出響應都是連續量，模擬電路中的故障模型復雜，量化難度大；2）模擬電路信號量程寬，不管電壓、電流的量程還是頻率都可達十幾個數量級，測量難度大；3）模擬電路中的元器件參數具有容差，導致電路的故障狀態的模糊性，而無法準確定位；4）模擬電路中存在廣泛的反饋回路和非線性問題，使計算的難度更加復雜。因此，學界提出了許多模型和方法來完成對某些符合特定條件的模擬電路的故障診斷。其中神經網絡法的使用就相當普遍，在硬和軟故障診斷中都有應用，因為神經網絡的技術優勢針對模擬電路故障診斷有較好的適用性，這主要體現在：1）神經網絡的大規模并行處理特點，大大提高了診斷效率；2）自適應與自組織能力使神經網絡在學習和訓練中改變權重值，發展出新的功能。同時，模糊數學也與神經網絡相結合，這是利用了模糊數學對待診斷模擬元器件的故障不確定性進行量化處理，能夠有效克服模擬電路元器件因為容差、非線性及噪聲造成的電路參數模糊性。
本文的研究目的就是分別利用單純BP神經網絡和模糊BP神經網絡的方法建立模擬電路故障診斷模型，利用電路仿真收集電路不同工作狀態下的關鍵點電壓，代入診斷模型并得到診斷結果。根據各網絡的結果分析比較各診斷模型的優缺點，找出模糊數學對改進模擬電路故障診斷模型的具體表現。
1模糊神經網絡的故障診斷模型
1.1典型模糊神經網絡診斷模型介紹
圖1顯示的是一個典型的模糊神經網絡模型，該模型由原始知識獲?。‵undamental Knowledge Acquire，FKA）、特征參數處理（Characteristic Parameter Produce，CDP）、知識提?。↘nowledge Extracted，KE）、經驗知識庫（Experience Knowledge Base，EKB）、學習樣本集（Learning Sample Set，LSS）和模糊神經網絡（Fuzzy Neural Networks，FNN）共6個模塊共同組成，其工作流程是：
圖1 典型模糊神經網絡診斷模型
1）原始知識獲取模塊通過對電路工作原理進行分析，模擬或仿真各類故障發生時輸入和輸出參數，從而獲取原始知識（X，Y），將其傳入知識提取模塊中供系統學習，所得經驗集存入經驗知識庫中；
2）將原始知識和已經存放在經驗知識庫中的經驗知識（初始庫可為空）一起輸入學習樣本組織模塊中，進行學習樣本的構建，合成訓練樣本集為（X1，Y1）；
3）將（X1，Y1）輸入到模糊神經網絡模塊，學習訓練，并在達到指定精度后停止；
4）將從模擬電路中獲得的實測參數Xc輸入至特征參數提取模塊中，完成數據分析和處理，輸出特征參數數據Xc‘；
5）將特征參數數據輸入到學習收斂后的模糊神經網絡中，進行診斷推理，得出診斷結果Yc‘；
6）將得到的實測數據集（Xc‘，Yc‘）輸入學習樣本組織模塊，動態增強模糊神經網絡的自適應能力；
7）將得到的實測數據集（Xc‘，Yc‘）輸入知識提取模塊，進行分析和處理，如能提取出經驗知識，則歸入經驗知識庫中[1]。
1.2模糊神經網絡結構
模糊神經網絡的結構應該包括4層，如圖2所示。
模糊層的作用是將輸入量進行模糊化。每一個模糊層節點對應一個該論域中的模糊子集和隸屬函數。該層接收精確數值輸入，經過模糊化計算得出對應的隸屬度并輸出。
圖2 模糊神經網絡結構圖
輸入層、隱含層和輸出層共同構成一個完整的神經網絡。輸入層不具有運算功能，它只是將所感知的輸入值精確傳遞到神經網絡中；隱含層的作用相當于特征檢測器，提取輸入模式中包含的有效特征信息，使輸出層所處理的模式是線性可分的，該層節點是模糊神經元，與輸入層間的連接權值是隨機設定的固定值；輸出層節點也是模糊神經元，與隱含層之間采用全連接方式，其連接權值是可調的，作用是輸出用模糊量表示的結果。
1.3輸入層、輸出層和隱含層節點數確定
輸入層的個數代表了電路故障診斷的關鍵測試點的個數N1，輸出點為電路所具有的潛在故障模式種類數N3。
根據輸入層和輸出層的個數，隱含層節點數N2的確定有以下4種經驗公式：
（1）
（為0～10之間的常數）（2）
（為0～10之間的常數）（3）
（4）
2模糊數學和神經網絡的算法介紹
2.1模糊數學和隸屬度函數
模糊數學的作用是對測試點測得的電壓信號進行特征提取——模糊化處理。因為在模擬電路測試中，參數值會隨著故障原因的不同和故障階段不同而發生變化，所以在進行數據處理時常用方法是使用精確事實規則。即用正態分布函數作為隸屬度函數表示“大約為a”的模糊概念，此外還有如三角分布和梯形分布等。在使用中，正態分布使用較多，其中的a是該測試點的理想狀態工作點，b為該測試點在各種可能狀態下的工作電壓均方差。
2.2BP神經網絡與算法
圖3BP神經網絡模型結構圖
反向傳播網絡（Back-Propagation Network，簡稱BP網絡），是一種有隱含層的多層前饋網絡。每一層均有一個或多個神經元節點，信息從輸入層依次經各隱含層向輸出層傳遞，層間的連接關系強弱由連接權值W來表征。BP算法是一種監督的學習，基本原理是梯度最速下降法，中心思想是調整權值使網絡總誤差最小。通過連續不斷地在相對于誤差函數斜率下降的方向上計算網絡權值和偏差值的變化而逐漸逼近目標的。每一次權值和偏差的變化都與網絡的誤差的影響成正比，并以反向傳播的方式傳遞到每一層。BP網絡模型結構如圖3所示。 轉貼于
以BP神經網絡模型結構圖為例進行BP算法推導，其輸入為P，輸入神經元有r個，隱含層內有s1個神經元，激活函數為F1，輸入層內有s2個神經元，對應的激活函數為F2，輸出為A，目標矢量為T。
1）隱含層輸出：（i=1，2，…，s1）（5）
2）輸出層輸出： （k=1，2，…，s2） （6）
3）定義誤差函數：（7）
4）輸入層的權值變化量：（8）
其中：
同理可得：（9）
5）隱含層權值變化有： （10）
其中：
同理： （11）
BP網絡經常使用的是S型的對數、正切激活函數或線性函數。
3電路故障診斷算法驗證
圖4 共集-共射電路的直流通路圖
例：如圖4所示的直流通路圖，電阻的標稱值如圖中所注。利用Multism軟件在直流狀態下進行多次Monte Carlo分析仿真該電路，并考慮電阻的容差影響，取40個樣本作為模糊神經網絡的訓練樣本，另取5個樣本為測試樣本。設電阻R1～R5的容差值為-5%～5%。測試點選為A、B、C、D和E五點，所測電壓值為VA、VB、VC、VD和VE。
表1 部分電路實驗樣本原始數據
表2 測試樣本原始數據
表1列舉了40組電路實驗樣本原始數據的11組，包含了該電路在11種工作狀態下的五個關鍵點電壓值，所以N1=5，N2=11，隱含層的節點數可以依據公式2.3確定為12個，其中a為5。
表2則列舉了5組測試樣本的原始數據。
步驟一：數據模糊化
根據用正態分布函數作為隸屬度函數表示“大約為a”模糊概念的思路，可以分別得到各測試點上電壓隸屬度函數的參數值。
a1=5.57、a2=4.97、a3=4.9、a4=5.7和a5=5.69以及b1=4.3729、b2=4.4817、b3=3.9091、b4=4.2870和b5=3.7944。
由各測試點的隸屬度函數可得到網絡的訓練樣本見表3。
表3 神經網絡部分輸入、輸出訓練樣本
步驟二：將訓練樣本輸入神經網絡進行訓練
將全部40個原始值和模糊化值的輸入樣本和對應的輸出樣本分別輸入BP神經網絡中進行訓練。
步驟三：將測試樣本輸入神經網絡進行檢測
將全部5個原始值和模糊化值的輸入樣本和對應的輸出樣本分別輸入已經訓練好的BP神經網絡中，輸出診斷結果見表4。
表4 輸出診斷結果
表4中的數據是經過故障診斷后得到的結果，在此只是各隨機選用了一組數據加以比較說明。通過對故障診斷的試驗觀察和結果的比較可以作出以下分析。
1）模糊化數據能夠有效減少神經網絡的收斂次數。如在BP網絡診斷中，使用模糊化數據的迭代次數由886減少到263次，收斂速度明顯加快；
2）模糊化數據能夠有效提高神經網絡訓練的效果。通過表4中數據的對比可以發現對于相同的神經網絡，經過模糊化數據的訓練，其準確性更高。這主要表現在電路所對應的狀態結果普遍高于未經模糊化數據訓練的網絡得出的結果；同時，其他狀態對應的機率更低，皆低于0.1，且更多值為0，說明數據模糊化能使神經網絡的診斷結果更集中，正確率更高，有效性更加明顯。
4結論
通過分別采用BP網絡和模糊BP網絡建立了電路故障診斷模型，對電路相同工作狀態參數的診斷結果進行比較，得出了模糊數學對提高電路故障診斷模型精度和有效性效果明顯的結論。模糊數學和神經網路理論的組合有效地提高了模擬電路故障診斷模型的收斂速度，提高了故障診斷的工作效率，還提高了診斷的準確性，有效性得到了充分顯示。
參考文獻
[1] 呂律，魏蛟龍.基于模糊神經網絡的板級電路故障診斷研究[J].計算機與數字工程，2003（3）:21-23.
李國勇.智能預測控制及其MATLAB實現[M].北京:電子工業出版社，2010.
MATLAB中文論壇.MATLAB神經網絡30個案例分析[M].北京:北京航空航天大學出版社，2010.
朱大奇.電子設備故障診斷原理與實踐[M].北京:電子工業出版社，2004.
