前言：中文期刊網精心挑選了神經網絡的權值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。
神經網絡的權值范文1
關鍵詞：嬰幼兒奶粉質量；安全性評價；BP神經網絡；供應鏈
中圖分類號：TP183；TS252.7 文獻標識碼：A 文章編號：0439-8114（2017）04-0740-05
2008年發生的三鹿奶粉的三聚氰胺問題讓國內消費者對國產嬰幼兒奶粉安全信心崩塌，國產奶粉市場占有率不斷下降；2013年恒天然的肉毒桿菌事件表明國外嬰幼兒奶粉安全性也存在諸多問題[1，2]。保障嬰幼兒奶粉質量安全，已經成為政府和眾多專家學者研究的熱點。白世貞等[2]基于供應鏈視角對乳制品質量安全進行了研究，孫肖明等[3]針對影響乳制品質量因素和解決辦法進行了研究，柳亦博等[4]利用危害分析臨界控制點（Hazard Analysis Critical Control Point，HACCP）體系針對乳制品質量安全監理進行了研究。
研究表明，影響乳制品質量安全的因素很多。在乳制品中，嬰幼兒奶粉食用對象為嬰幼兒，其質量安全問題更需保證。嬰幼兒奶粉最終到消費者手中時，經歷從生產到銷售的眾多環節，每一個環節出現問題都有可能對嬰幼兒奶粉質量產生影響，如何科學和有效評價嬰幼兒奶粉質量是非常必要的。葛哲學等[5]基于監測數據和BP神經網絡構建了食品安全預警模型；章德賓等[6]基于BP神經網絡構建了乳制品質量安全評價研究。但已有研究存在以下不足：①都是針對多種商品的食品安全建模，由此建立BP神經網絡模型相對寬泛，而針對嬰幼兒配方奶粉質量安全評價時，商品以及其供應鏈更加具體、國家標準更加嚴格，HACCP關鍵點控制的不同，其評價指標必須更加具體和詳細；②建立的BP神經網絡模型是針對多種商品，針對嬰幼兒奶粉質量安全評價模型研究較少。
BP神經網結構簡單，訓練與調控參數豐富，在神經網絡中應用最廣泛，其不需要輸入、輸出值間存在嚴格的假設關系，同時能夠以區間數、模糊數等方式處理定性信息[7]，在模式識別[7，8]、危害分析和HACCP中關鍵點股市分析預測[9-12]、管理問題優化與決策等方面得到大量的實際應用[13]。本研究在分析湖南卓躍生物科技有限公司日常監測數據基礎上，基于嬰幼兒奶粉供應鏈，從奶牛養殖、擠奶、加工包裝、倉儲運輸、銷售整個過程出發，參照HACCP和GB10765-2010《食品安全國家標準：嬰兒配方食品》要求[14]，在每個環節中選取關鍵點作為評價指標，分析建立基于BP神經網絡的嬰幼兒奶粉質量安全評價模型，在MATLAB中編程實現，并進行模型有效性驗證。
1 嬰幼兒奶粉質量安全評價指標的篩選
嬰幼兒奶粉供應鏈可分為奶牛養殖、擠奶、加工包裝、倉儲運輸、銷售5個環節。每個環節基于HACCP關鍵點控制方法和國家標準GB10765-2010《食品安全國家標準：嬰兒配方食品》篩選評價指標，篩選的主要原則是：
1）記錄整個嬰幼兒奶粉供應鏈所涉及企業的信息。
2）篩選出對嬰幼兒奶粉安全有影響的信息。
3）所篩選的指標要符合國家相應的法律法規的要求。
4）所篩指標準確可靠，指標集簡單可行。
基于上述篩選原則和飼養規律把養殖環節分成養殖飼料科學性與安全性、養殖衛生環境、疾病防疫水平等3個主要評價指標。
基于上述篩選原則，結合工廠實際檢測相關指標，把擠奶環節評價指標分為必需含有評價指標、污染物評價指標、真菌霉素評價指標、微生物評價指標。其中，蛋白質含量和脂肪含量必需含有評價指標；污染物評價指標包括鉛、汞、鉻、砷、三聚氰胺、硒硝酸鹽、亞硝酸鹽含量；真菌霉素評價指標包含黃霉素M1含量；微生物評價指標原奶中細菌總數、大腸菌落含量。
加工包裝環節、倉儲運輸環節、銷售環節的評價指標都是依據上述篩選原則，結合各自環節所存在問題確定，其具體原則如下：
嬰幼兒奶粉供應鏈的5個環節具體27個評價指標如表1所示，表1中限于空間只列舉了6組用于嬰幼兒奶粉質量安全評價的原始數據。由表1可知，數據存在如下特點：
1）抽象性變量，如養殖信息中養殖飼料科學性和安全性難以用精確的指標反映出來，這些評價指標就需要依靠專家打分來反映相對客觀、合理的結果。
2）具體測量種類較多，要將這些數據全部納入到一個模型中，就需要一個相對簡單的方法來處理這些不同類型數據。采用了歸一化處理的方法。
2 神經網絡建模
神經網絡的學習方式與用途有很多種類，其中具有誤差反向傳播算法的BP神經網絡是目前應用最為廣泛的一種人工神經網絡。BP神經網絡除輸入層和輸出層外，還包括一個或多個隱含層，各個層神經元之間實現全連接，而同層內各神經元無連接。含有單個隱含層的BP神經網絡可以任意逼近含有多個隱含層的BP神經網絡，因此采用由輸入層、隱含層、輸出層構成的3層BP神經網絡。
BP神經網絡建模，首先確定輸入層和輸出層節點個數。隱含層節點個數的確定首先利用試湊法預估范圍，然后利用MATLAB仿真_定最佳的隱含層節點個數。
2.1 輸入層和輸出層節點個數的確定
輸入層個數的確定是以湖南卓躍生物科技有限公司日常監測數據為樣本，篩選并選擇了與嬰幼兒奶粉質量安全評價最為相關的27種指標因素，以27種指標因素作為輸入層個數，具體指標見表1中評價指標項。
輸出層個數確定為1，質量安全評價模型輸出結果應遵循原則為簡單、直觀、有效。所以采用評價等級數字作為輸出層，來反映整個供應鏈下嬰幼兒奶粉質量安全評價分。評分為1～9分，1分表明嬰幼兒奶粉質量安全最差，9分表明質量安全最好，低于6分就表明嬰幼兒奶粉質量安全存在問題。
2.2 隱含層節點個數的確定
隱含層節點個數確定是一個非常復雜的問題，目前還沒有一個理想的解析式可以準確確定隱含層節點個數，這也是BP神經網絡的缺點之一[15]。但是，在實際應用過程中可以根據經驗公式M=■估計隱含層神經元的個數[16]。其中，n表示輸入層個數，這里是27；m表示輸出層的個數，這里是1；a為1～10的常數，由試湊法可知，隱含層神經元的個數7～16，然后分別比較所構建的10個BP神經網絡的性能，選取均方誤差精度最小時隱含層個數作為本研究BP神經網絡模型隱含層神經元個數。
BP神經網絡要求傳遞函數全部可微，現有可微傳遞函數主要有Purelin、logsing、tansig 3種[7]，因為輸入變量p的維度27還是有點大，為了能夠較快得到收斂，選擇tansig（）函數為隱層神經元的傳遞函數；輸出層神經元的傳遞函數也選擇tansig（）函數；訓練BP神經網絡選擇基于數值優化的Trainlm（）函數，因為Trainlm（）函數與傳統的梯度下降法相比，具有收斂速度快和精度高等特點。權值和閾值的初始化采用Newff（）函數自動完成[14]。
使用MATLAB 7.10的神經網絡工具箱，用300個樣本來測試構建的10個BP神經網絡的性能。由表2可知，隱含層神經元個數為12時，構建BP神經網絡性能最佳。構建了嬰幼兒奶粉質量安全評價的BP神經網絡模型，如圖1所示。
3 MATLAB實現與驗證
根據BP神經網絡模型，開始訓練BP神經網絡。神經網絡的訓練首先要設定最大訓練次數、目標精度、學習率等參數。圖1模型在不設置訓練次數的情況下，最優訓練精度在訓練8 000次左右即穩定于1e-16，但此時的測驗樣本平均絕對誤差達到了0.952 3，出現了訓練樣本過度學習的過擬合現象。為防止過擬合現象的出現，目標精度應低于最優值的水平，經過測試將訓練目標精度設為1e-8，訓練次數設為2 000，BP神經網絡性能較好。學習率設為0.01，因為學習率過大，會造成學習過程的不穩定，通過測試發現學習率設為0.01較為合理。
在以上訓練參數下，選取300個樣本來訓練，10個測試樣本作為驗證，訓練結果如圖2所示。由圖2可知，在訓練周期為51次時，該網絡收斂于穩定，目標精度達到預設的1e-8。
嬰幼兒奶粉質量安全實際評分與預測評分散點圖如圖3所示。由圖3可知，預測評分與實際評分結果非常接近。
10個測試樣本的預測評分與誤差率見表3。由表3可知，10個測試樣本誤差率都在0～4%之內，平均誤差率是1.10%，說明已構建的BP神經網絡較為準確的，可以對嬰幼兒奶粉質量安全進行評價。
4 結論
通過建立BP神經網絡模型對歷史數據進行訓練，能夠在系統內部規律未知的情況下，對新的待測樣本做出較為精確的預估。本研究基于BP神經網絡的這種優點，結合嬰幼兒奶粉供應鏈特點，以湖南卓躍生物科技有限公司日常監測數據為樣本，篩選并選擇了與嬰幼兒奶粉質量安全評價最為相關的27種指標因素，以27種指標因素組成輸入層，評價結果組成輸出層。針對隱含層節點個數，首先利用試湊法預估范圍，然后利用MATLAB仿真確定最佳的隱含層節點個數。最后利用10組數據對神經網絡評價模型進行了仿真驗證。結果表明，基于BP神經網絡的嬰幼兒奶粉質量安全評價模型能夠在實際訓練數據樣本進行有效預測，是一種可行的嬰幼兒奶粉質量安全評價方法。
參考文獻：
[1] 郭利亞，王加啟.當前我國奶業發展的五個特征[J].中畜牧雜志，2013，49（8）：3-5.
[2] 白世貞，劉忠剛.基于供應鏈視角的乳制品質量安全問題研究[J].商品儲運與養護，2013，35（12）：105-108.
[3] 孫肖明，孟憲梅.影響乳制品質量安全的因素與解決措施[J].畜牧獸醫科技信息，2013（8）：9-10.
[4] 柳亦博，樸貞子.HACCP體系控制與乳制品質量安全監管研究[J].山東農業科學，2010（3）：98-101.
[5] 葛哲學，孫志強.神經網絡理論與MATLABR2007實現[M].北京：電子工業出版社，2007.
[6] 章德賓，徐家鵬，許建軍，等.基于監測數據和BP神經網絡的食品安全預警模型[J].農業工程學報，2010，26（1），221-226.
[7] 趙 杰，林 輝.基于BP神經網絡模型的目標屬性識別仿真[J].系統仿真學報，2007，19（11）：2571-2573.
[8] 陳 紅，熊利榮，胡筱波，等.基于神經網絡與圖像處理的花生仁霉變識別方法[J].農業工程學報，2007，23（4）：158-161.
[9] CHEN C R，RAMASWAMY H S. Analysis of critical control points in deviant thermal processes using artifical neural networks[J].Journal of Food Engineerings，2003，57（3）：225-235.
[10] 張紹秋，胡躍明.基于BP神經網絡的稅收預測模型[J].華南理工大學學報（自然科學版），2006，34（6）：55-58.
[11] DUBUS I G，BEULKE S，BROWN C D.Calibration of pesticide leaching models：Critical review and guidance for reporting[J].PestManagementScience，2002，58（8）：745-758.
[12] CAMPO I S，BEGHIN J C. Dairy food consumption，supply， and policy in Japan[J].Food Policy，2006，31（3）：228-227.
[13] 禹建麗，孫增圻，VALERI KROUMOV，等.基于BP神經網絡的股市建模與決策[J].系統工程理論與實踐，2003，23（5）：15-19.
[14] 孫紅英.BP神經網絡方法在用電量預測中的應用[D].廣州：中山大學，2005.
神經網絡的權值范文2
關鍵詞： ATR2神經網絡； 警戒值； 模式漂移； 模式識別
中圖分類號： TN911?34 文獻標識碼： A 文章編號： 1004?373X（2014）18?0041?03
An improved algorithm based on ART2 neural network
HU Xin， YE Qing， GUO Geng?shan
（Changsha University of Science and Technology， Changsha 410114， China）
Abstract： Aiming at the problems of setting vigilance parameter and pattern drift produced in the process of classification identification of the traditional ART2 neural network， a new ART2 neural network model based on modified algorithm is presen?
ted in this article to solve problems concerning analysis of pattern identification. Reasonable vigilance parameter needed by clustering is deduced through the processing of self?organization， weighting and iteration. In order to conduct reasonable classification of clustering objects， the measures of slowing learning rate which can be realized by modifying the weight training of ART2 neural network to reduce the speed of pattern drifting should be taken. The experimental results have proved that the new model is of high validity and feasibility.
Keywords： ATR2 neural network； security value； pattern drift； pattern recognition
0 引 言
ART2神經網絡的輸入為任意模擬輸入矢量，所以它有非常廣泛的應用范圍，通過對警戒值的調整，ART2神經網絡可以對輸入的模擬矢量進行不同精度的分類。ART2是基于自適應諧振理論的一種自組織神經網絡，通過競爭學習和自穩機制原理實現分類，它主要是為了解決下列問題而提出的：設計一個學習系統，同時擁有穩定性和可塑性，即系統在不斷學習新知識的時候能保持原有的知識[1?2]。
迄今為止，基于ART網絡的模式分類方法有很大發展，其中具有代表性的就是S.Grossberg和A.carpenter提出的用于并行分類和自適應模式分類方法[3?4]。
傳統的自適應諧振神經網絡也存在著一些缺陷，主要體現在：傳統的ART神經網絡在網絡訓練前要給出警戒參數，該警戒參數對于網絡聚類結果具有直接的影響。當警戒參數較高時，ART系統對模式的相似性要求就越高，類的劃分就越細，形成的類別就越多；當警戒參數較低時，網絡有較強的容錯能力，因此就產生較少的分類數目[5?6]。
由于傳統的ART2網絡在對輸入模式識別分類時，會產生模式漂移現象，從而無法實現更準確的分類。對部分權值的修正放慢學習速度，將改善模式漂移現象。
1 ART2神經網絡的結構和原理
1.1 ART2神經網絡結構
ART2系統由定向子系統OS和注意子系統AS構成，注意子系統AS由感受層SL和反應層RL和控制增益GC組成，既有短時記憶[OS（t）]和[OR（t）]，又有長時記憶，包括自低向上的長時記憶[Ω（SR）]和自頂向下的長時記憶[Ω（RS）]。作為神經計算的模型，ART2系統是由人工神經元形成的系統。感覺神經元構成了系統的感受層，而反應神經元構成了系統的反應層，ART2網絡的結構如圖1所示。
圖1 ART2神經網絡基本結構
在系統中，各感覺神經元之間的聯結關系包括：[Dab：SLaSLb]，[Dbc：SLbSLc]，[Dcd：SLcSLd]，[Dde：SLdSLe]，[Def：SLeSLf]，[Dda：SLdSLa]，[Dfc：SLfSLc]。各子集[SLk（V（S）k）（k∈{a，b，c，d，e，f}）]之間的聯結關系式對應元素之間的聯結，因而，其聯結關系矩陣[Dij（i，j∈{a，b，c，d，e，f}）]均為對角矩陣。
在感受層SL中，只有子集[SLa（V（s）a）]可以接受外部輸入信號[x]，另外只有子集[SLe（V（S）e）]的狀態向量[OSe]能作為系統感受層SL的輸出，用于系統的反應層RL[3]。
1.2 ART2神經網絡的工作原理
1.2.1 參數及聯結權值初始化
所有神經元的輸出置0向量，計數器初始值為[C=0]；SL層從下到上的長時記憶初始為：
[Ω（SR）=0.5（1-α3）?mnm]
RL層從上到下的長時記憶初始為：
[Ω（RS）=（0）mn]
各參數確定為：
[α1>0， α2>0，0
1.2.2 計算步驟
ART2網絡的運行按照如下的步驟進行：
（1） [SLa]運算：
[O（S）a=x+α1O（S）d]
（2） [SLb]運算：
[O（S）b=O（S）aε+O（S）a]
（3） [SLc]運算：
[O（S）c=f（O（S）b）+α2f（O（S）f）]
式中：[x>α3]時[f（x）=x]，[x≤α3]時[f（x）=0]。
（4） [SLd]運算：
[O（S）d=O（S）cε+O（S）c]…
（5） [SLe]運算：
[O（S）e=O（S）d， C=0O（S）d+ω（RS）kα4， C>0]
（6） [SLf]運算：
[O（S）f=O（S）eε+O（S）e]
（7） SL測試：如果短時記憶[O（S）i（i∈a，b，c，d，e，f）]沒有達到穩定狀態，轉到步驟（11）。
（8） 計數和轉移：如果[C=0]，轉到步驟（11）。
（9） OS運算：
[r=O（S）d+α4O（S）eε+O（S）d+α4O（S）e]
若[r
（10） 復位操作：如果復位信號[r=1]，則置[O（S）k=0]，抑制[v（R）k]到ART2系統達到“諧振”狀態，重置短時記憶[OS=0]和[C=0]，轉到步驟（1）；否則[r=0]，轉向步驟（14）。
（11） RL運算：
[O（R）k=α4， ω（SR）TkO（S）e=maxω（SR）TiO（S）e0， 其他]
其中[O（R）k=α4] 的單元[v（R）k]記作競爭獲勝單元。
（12） 引發期待：[Ω（RS）Tω（RS）k]。
（13） 計數和轉移：[C=C+1]，轉向步驟（5） 。
（14） 諧振：[r=1]說明[x]與[ω（RS）k]匹配，ART2系統達到諧振狀態，ART2快速學習機制啟動。
（15） 前饋學習：更新前饋聯結關系[Ω（SR）]的第[k]個列向量[ω（SR）k]：
[ω（SR）k=O（S）d1-α4]
（16） 反饋學習：更新反饋聯結關系[Ω（RS）]的第[k]個行向量[ω（RS）k]：
[ω（RS）k=O（S）d1-α4]
（17） 停機條件：若對于任意輸入[x]，[Ω（RS）]和[Ω（SR）]都是穩定的，ART2系統停止運行；否則刪除輸入模式，RL中所有被抑制的反應神經元恢復起始，重置短時記憶[OR=0]和[OS=0]，重置計數器[C=0]。
2 改進的ART2神經網絡
在上述傳統的ART2神經網絡算法中對于警戒值[ρ]的選擇是根據經驗所得，這里提出了一種在神經網絡計算前對[ρ]的選取算法。同時為了解決模式漂移的問題，對ART2神經網絡中F2至p層和p層至F2層的權值進行修改，減緩學習速率，從而可以有效地減少模式漂移帶來的誤差[7]。
2.1 具體算法描述
（1） 設置警戒參數初值ρ，開始設置接近l，在初始聚類時，對于接近的輸人向量也會在這個過程進行融合，每個差異較大的輸入向量就會產生一個類別。
（2） 由于ART2模型的輸出端是一維陣列，可按神經元模值將神經元放置在x軸上，以模值大小順序對輸出層神經元的位置進行重新排列，以模值為判斷依據，同時對自頂向下和自低向上權重矩陣進行調整。
（3） 在解決漂移模式問題中，模式漂移現象主要
原因是權值的修正方法不準確引起的，在傳統的ART2算法中，權值修正公式在每次輸入模式結束時，權值都近似等于[O（S）d1-α4]，在學習新的模式之后容易遺忘已經學過的輸入模式，權值總是向當前的輸入數據靠近。所以對ART2神經網絡中F2至p層和p層至F2層的權值進行修改，減緩學習速率，修正后的權值為：
從F2層到p層的權值為：
[Ωnewji=Ωoldji+α（Οd-Ωoldji）]；
從p層到F2層的權值為：
[Ωnewij=Ωoldij+α（Οd-Ωoldij）]；
2.2 具體算法步驟
加入警戒值選擇和權值修改后的改進ART2神經網絡算法如下：
（1） ρ=ρ-del ；del為警戒參數遞減值；
（2） 將第k次迭代神經網絡輸出層的每一個神經元代表的類別向量組成第k+1次迭代神經網絡的輸入向量樣本集X（k+1）；
（3） 按序輸入X（k）樣本集中每個向量，訓練的算法按照步驟（4）整個過程；
（4） 在傳統ART2神經網絡學習中的對步驟（15），步驟（16）進行修改如下：
步驟（15） 前饋學習：更新前饋自適應聯結關系[Ω（SR）]的權值：
[Ωnewji=Ωoldji+α（Οd-Ωoldji）]
步驟（16） 反饋學習：更新反饋自適應聯結關系[Ω（RS）]的權值：
[Ωnewij=Ωoldij+α（Οd-Ωoldij）]停機條件不變。
3 實驗及其結果分析
為了驗證算法改進后的分類效果，對傳統ART?2神經網絡算法和改進后的算法進行了實驗比較[8?10]。本文采用實際數據做為測試數據。實際數據采用來自美國加州Irvine大學信息與計算機科學系中所提供的Glass數據。Glass數據是在記錄玻璃所包含的化學元素情況，記錄中包含了處理過與非處理過的建筑用窗戶、處理過與非處理過的貨車窗戶、容器、餐具以及車燈共7種類別，而在G1ass數據中則有9種不同的化學元素，分別是鋯、鈉、鎂、鋁、硅、鉀、鈣、鋇、鐵九種屬性，Glass數據集一共是214組。在不同用途的玻璃中化學元素的含量不同，如表1所示。
表1 不同用途的玻璃中化學元素的含量
在進行ART2神經網絡的訓練時候，對于參數設為ρ=0.95，a=10，b=10，c=0.1，d=0.9，del=0.01。將神經網絡程序運行結果， 與數據集中正確分類進行對比之后，發現以前ART2網絡由于模式漂移和警戒參數人工設置問題設置產生了10個分類，產生了較大分錯率。由改進的ART2網絡下運行結果顯示降低了這些問題的影響，只產生了8個分類，而且在每一類的分類中，改進后的神經網絡可以更好地對每一組數據進行正確的分類。如表2所示。
表2 傳統神經網絡和改進后神經網絡的分類比較
4 結 語
針對本文中摘要提出的警戒值選取問題，在改進的ART2神經網絡聚類算法中，利用以前警戒參數訓練神經網絡結果的基礎上迭代，改變了神經網絡主觀設定警戒參數的問題。針對模式漂移的問題，通過改進聯結權值，使改進后的ART2神經網絡網絡減慢了學習速率，近而降低了模式漂移的速度。實驗證明，在改進選取警戒值和對聯結權值修改后的ART2神經網絡更好地實現了聚類分類，同時提高了模式識別的精度。
參考文獻
[1] 陳國燦，高茂庭.ATR2神經網絡的一種改進[J].計算機工程與應用，2013（4）：2?3.
[2] 沈艷超，葉青.車輛特征提取和分類方法的研究[D].長沙：長沙理工大學，2010.
[3] 阮曉剛.神經計算科學[M].北京：國防工業出版社，2006.
[4] CARPENTER G A， GROSSBERG S. ART2 self?organization of stable category recognition codes for analog input patterns [J]. Applied Optics， 1987， 26（l）： 4920?4927.
[5] 錢曉東，王正歐.基于算法改進的ART2數據聚類方法研究[J].哈爾濱工業大學學報，2006（9）：1549?1553.
[6] 錢曉東，王正歐.基于神經網絡等技術的數據與文本聚分類研究[D].天津：天津大學，2005.
[7] 譚錦華，鄺獻濤.基于ART2神經網絡與動態聚類的分類器[J].控制工程，2005（z1）：68?70.
[8] 姚光順.ART?2神經網絡的缺點及其改進[J].儀器儀表用戶，2008（2）：117?118.
神經網絡的權值范文3
[關鍵詞] BP神經網絡；巖性識別；改進BP神經網絡
[DOI] 10.13939/ki.zgsc.2015.24.063
1 主要研究內容
根據國內外研究現狀，利用目前研究最透徹的人工神經網絡技術-BP（ Back Propagation）人工神經網絡，以C#.NET為軟件工具，通過合理地編寫程序，針對低阻、高放射等非常規儲層進行識別與判別。主要利用常規測井資料，以實際的巖心、巖屑觀察、物性等分析測試資料、試油試產資料為測井參數約束的標準，針對儲層的巖性進行預測、判斷。從而得出BP人工神經網絡方法在測井數據處理與解釋中的優勢所在，并指出其缺陷與不足之處。
2 BP神經網絡
2.1 基本BP神經網絡的設計
基本BP算法包括兩個方面：信號的前向傳播和誤差的反向傳播。即計算實際輸出時按從輸入到輸出的方向進行，而權值和閾值的修正從輸出到輸入的方向進行。
2.2 BP神經網絡算法步驟
（1） 初始化網絡權值，閾值，及有關參數（如學習因子）。
3 BP神經網絡在巖性識別上的應用
3.1 地層特征
在儲層測井響應特征方面，本文研究油區的泥巖與砂質泥巖均以高自然伽馬、正自然電位幅度、微電極無差異或差異幅度小為特征、并且有電阻率相對偏低和高聲波時差值的特征，較純的泥巖層往往還出現井徑擴大現象。粉砂巖、泥質砂巖以中.高自然伽馬和中一低負異常幅度自然電位及微電極差異幅度小或無差異為特征。視電阻率變化較大。細砂巖為主要儲集層，以自然電位高負異常幅度低自然伽馬值及微電極差異幅度大為特征。部分儲油砂層的自然伽馬值偏高。細砂巖含油后一般電阻率較高。
3.2 基本BP網絡的構建與實現
3.2.1 測井數據的處理
由于各種測井數據量綱不一致，進入網絡之前，無論是學習樣本或預測數據，都需先進行歸一化處理，將它們置于統一的數值量綱范圍內，如在[0，1]之間。對于具有近似線性特征的信息，可以采用線性歸一化公式：處理。
3.2.2 巖性參數的設置
由于在做巖性識別時，我們設置了相應的參數。其中有聚類參數、自然加碼、井的深度等。其中聚類設置表示，自然加碼的設置是判斷輸入數據的合法性，井的深度和間隔有利于模仿底層結構。
3.3 改進的BP網絡（動量-自適應）的實現
3.3.1 增加動量項
附加動量法使網絡在修正其權值時，不僅考慮誤差在梯度上的作用，且考慮在誤差曲面上變化趨勢的影響。在沒有附加動量的作用下，網絡可能陷入淺的局部極小值，利用附加動量的作用有可能滑過這些極小值。
帶有附加動量因子的權值和閾值調節公式為：
根據附加動量法的設計原則，當修正的權值在誤差中導致太大的增長結果時，新的權值應被取消而不被采用，并使動量作用停止下來，以使網絡不進入較大誤差曲面；當新的誤差變化率超過一個事先設定的最大誤差變化率時，也得取消所計算的權值變化。其最大誤差變化率可以是任何大于或等于1的值。典型的取值取1.04。所以，在進行附加動量法的訓練程序設計時，必須加進條件判斷以正確使用其權值修正公式。
訓練程序設計中采用動量法的判斷條件為：
3.3.2 自適應調節學習率
對于一個特定的問題，要選擇適當的學習速率不是一件容易的事情。通常是憑經驗或實驗獲取，但即使這樣，對訓練開始初期功效較好的學習速率，不見得對后來的訓練合適。為了解決這個問題，人們自然想到在訓練過程中，自動調節學習速率。通常調節學習速率的準則是：檢查權值是否真正降低了誤差函數，如果確實如此，則說明所選學習速率小了，可以適當增加一個量；若不是這樣，那么就應該減少學習速率的值。下式給出了一個白適應學習速率的調整公式：
3.3.3 引入陡度因子
誤差曲面上存在平坦區域，權值調整進入平坦區的原因是神經元輸出進入了變換函數的飽和區，如果調整進入平坦區沒法壓縮神經元的凈輸入，就使其輸出退出變換函數的飽和。
3.3.4 動量-自適應學習速率調整算法
當采用前述的動量法時，BP算法可以找到全局最優解，而當采用自適應學習速率時，BP算法可以縮短訓練時間，采用這兩種方法也可以用來訓練神經網絡，該方法稱為動量-自適應學習速率調整算法。
神經網絡的權值范文4
【關鍵詞】NNWA-PF算法；神經網絡；粒子濾波降噪；故障診斷
1.引言
柴油機是一種重要的往復式動力機械，作為最常用的動力機械設備，廣泛應用于石油礦場、固定發電、鐵路牽引、工程機械及特種船舶等領域，柴油機作為一種典型的大型復雜裝備，在整個機械系統中占有重要的地位，然而其結構的復雜性使得故障呈現出多樣性，另外由于工作環境噪聲和故障診斷方法的影響，使得柴油機故障特征不明顯，診斷的準確率和效率偏低，因此如何尋找一種快速、有效的故障診斷方法，是目前國內外相關學者的主要研究內容[1]。
近年來，粒子濾波技術與神經網絡在大型機電故障診斷中的應用越來越廣泛，本文在分析了粒子濾波和神經網絡兩者的特點的基礎上，充分利用他們各自的優點，提出了一種基于粒子濾波和神經網絡的機械故障診斷系統，并將該系統應用于V12四缸柴油機的故障診斷中，旨在使降噪后的數據能快速準確地區分各種故障，符合故障診斷的要求，以提高柴油機故障診斷的效率。
2.基于神經網絡的重要性權值調整的粒子濾波算法NNWA-PF算法
2.1 系統思路簡介
粒子濾波是通過非參數化的蒙特卡洛（Monte Carlo）模擬方法實現遞推貝葉斯（Bayes）濾波的一種數據濾波預處理技術，是解決非線性非高斯動態系統最優估計問題的研究熱點[2]。粒子濾波算法的具體步驟是利用采樣和重采樣原理，使粒子按照相關分布隨機產生，隨著粒子數增加，粒子漸近收斂于概率分布。雖然粒子濾波中的重采樣算法可以用來解決粒子退化現象，改善粒子濾波性能，卻帶來了粒子多樣性的損失，因為重采樣算法僅復制大權值樣本，導致粒子的匱乏[3]。
BP神經網絡由于具有較強的非線性映射能力而被廣泛應用于故障診斷領域。它通過對故障實例的訓練和學習，用分布在神經網絡中的連接權值來表達所學習的故障診斷知識，具有對故障的聯想記憶、模式匹配和相似歸納的能力，可以實現故障和征兆間的復雜的非線性映射關系[4]。
本文提出一種新的粒子濾波技術NNWA-PF在柴油機故障診斷中的應用思路，就是將BP神經網絡算法和典型的采樣算法相結合[5-7]，利用神經網絡對調整粒子的權值，將位于概率分布尾部的粒子的權值增大，使它在整個權值分布中占有更大的比重，同時，把權值比較大的粒子分裂成若干個權值比較小的粒子，這樣，隨著時間的推移，低權值的粒子也不會被完全消除掉，而高權值的粒子也不會占太大的比重，這樣就使得粒子的多樣性沒有喪失，狀態估計的精度會更高。
2.2 NNWA-PF算法的具體實現步驟
基于神經網絡的重要性權值調整的粒子濾波算法NNWA-PF算法的步驟[8]：
步驟1：初始化過程。當時，利用重要性函數采樣N個粒子，采樣得到的粒子由表示。
步驟2：重要性權值函數為，對，計算重要性權值，具體計算是通過公式實現的。本文中權值記為權值矩陣矩陣中的元素按降序排列，以閾值大小為界，將權值矩陣分為高權值矩陣和低權值。
步驟3：權值分裂過程。分裂高權值的粒子以取代低權值的粒子。為了減少神經網絡的輸入變量或保持粒子數量固定不變，考察中從小到大的個權值，舍掉與該個權值對應的粒子，其中，這種粒子的數量不多，因此該不等式基本上都能夠成立。
步驟4：權值調整過程。經過步驟3之后，權值矩陣W變為，為經過降序排列的粒子權值。取矩陣中由小到大的個粒子權值，通過BP神經網絡來調整權值較小的粒子。設定為輸入層/輸出層神經元數量，為神經網絡的輸出，為系統在任意時刻的量測值，則誤差能量的計算方法如下：
BP神經網絡的初始輸入為較小的權值，初始權值為粒子的狀態值，其余的粒子狀態值作為相應神經元的偏移，這里取神經元個數為6，網絡學習步長為0.05，神經元激勵函數為1/（1+），樣本的學習函數為系統量測方程。學習要求：均方差小于0.005，訓練截止時，輸出調整后的粒子的權值。
3.實例分析
本文選擇V12四缸柴油機作為故障診斷實驗對象，分別在1500r/min、1800r/min、2200r/min這三種轉速下采集各個測點的振動信號數據。將柴油機的正常狀態與故障整合為六種工況：A、漏油，B、斷油，C、供油提前角增大2.5度（正常35度），D、供油提前角減小2.5度（正常35度），E、空氣濾清器堵塞，F、正常。本文振動信號特征值的提取是利用小波包方法來完成的，信號經過四層的小波包分解后，得到16個頻段，選取各個頻段內信號的平方和作為能量的標志，形成16個特征值（T1～T16），其中的T1即為頻段1的能量占總能量的比值。
本文分別將NNWA-PF濾波之后的信號和傳統濾波之后的信號進行特征提取，將提取的特征參數作為神經網絡的輸入進行訓練，比較輸出結果和診斷結果，驗證NNWA-PF降噪思想在柴油機振動信號處理中的有效性。實驗中，選擇5個測點，每個測點選擇3個樣本，作為神經網絡的輸入進行網絡訓練，部分數據如表3.1所示。
為了驗證NNWA-PF降噪的有效性，再將沒有經過NNWA-PF降噪處理的數據用神經網絡進行診斷，網絡的輸入向量還是經小波包變換后的能量譜數據，BP神經網絡的參數設置也和上面相同，誤差為0.1。部分數據如下表3.2所示。
兩個決策表的訓練結果分別如圖3.1、3.2所示。
從以上訓練結果中訓練誤差曲線可以看到，經過NNWA-PF降噪后數據在經過18次訓練后就網絡收斂，達到預定的網絡性能參數目標。而未經過NNWA-PF降噪數據在88次訓練后才網絡收斂，而且后者大于預設的學習目標。
將上面的兩組測試樣本分別作為神經網絡的輸入，對訓練好的網絡進行檢驗，得到測試結果如表3.3、3.4所示。
從測試結果可以看出，經過NNWA-PF降噪之后的數據可以有效地區分各種故障，符合故障診斷的要求。而未經過NNWA-PF降噪數據卻不能有效地區分各種故障，最后兩組數據的實際輸出和理想輸出有出入，造成了故障分離錯誤。
由以上的對比可以看出，經過NNWA-PF降噪后的數據通過神經網絡訓練后可以正確的識別出設定的6種工況，而沒有經過NNWA-PF降噪的數據用神經網絡訓練后卻出現了故障分離錯誤，并且網絡的收斂速度過慢，超出了預設的學習目標?？梢哉f明NNWA-PF降噪的效果比較良好，可以達到很好的故障診斷效果。
4.結論
本文以V12四缸柴油機為實驗對象，提出了運用NNWA-PF降噪的思想，將神經網絡應用在粒子濾波重要性權值選擇中，減少樣本退化，提高了濾波精度。通過對經過NNWA-PF降噪的數據和沒有經過NNWA-PF降噪的數據分別進行狀態識別，結果證明經過此方法降噪的數據可以正確的識別預設的6種工況，而沒有經過處理的數據的識別結果與理想結果不完全符合，說明了NNWA-PF降噪在柴油機故障診斷中的優越性。
參考文獻
[1]曹龍漢，曹長修，孫穎楷，景有泉.郭振柴油機故障診斷技術的現狀及展望[J].重慶大學學報（自然科學版）， 2001，24（6）：134-138.
[2]劉曉平，鄭海起，張訓敏.粒子濾波在軸承故障振動信號降噪中的應用[J].軸承，2010，9：37-40.
[3]王向華，覃征，楊新宇，栗江濤.閾值去噪下的改進粒子濾波算法[J].西安交通大學學報，2010，44（2）：31-34.
[4]楊文位.基于振動信號的柴油機神經網絡故障診斷研究[J].西北農林科技大學，2005.
[5]王成儒，成潤.基于UPF-BP神經網絡的視頻跟蹤方法[J].電子技術，2009（3）：81-83.
[6]楊珺.粒子濾波算法研究及應用[D].西安：西安理工大學博士學位論文，2008.
神經網絡的權值范文5
[關鍵詞] 小生境遺傳算法 神經網絡 股票 預測
一、引言
股票和股票市場對國家企業的經濟發展起到了積極的作用，如可以為投資者開拓投資渠道，增強投資的流動性和靈活性等。但股票價格的形成機制是頗為復雜的，股票價格既受到多種因素，諸如:政治，經濟，市場因素的影響，亦受技術和投資者行為因素的影響，個別因素的波動作用都可能會影響到股票價格的劇烈波動。因此，股票價格和各影響因素之間很難直接建立明確的函數關系表達式。針對這一情況，將可有效處理非線性問題的神經網絡引入到股票價格的預測中來，但神經網絡收斂慢,易陷入局部極小點，出現振蕩，魯棒性差。所以有的學者用遺傳算法(ga)來優化神經網絡，這種神經網絡可能獲得個別的甚至局部的最優解,即ga早熟現象。本文引進能較有效地保持種群多樣性的小生境遺傳算法(nga),采用nga優化與用ga優化的bp網絡權值進行對比,證實了nga的判別準確性和尋優能力。
二、小生境遺傳算法優化的神經網絡
1.bp神經網絡
反向傳播(bp)算法又稱為誤差逆傳播校正方法，它是1974年p.werbos(哈佛大學)提出的。133229.CoMbp算法用來訓練多層前饋神經網絡,屬于監督學習算法。bp網絡具有結構清晰，易實現，計算功能強大等特點。因而是目前最常見，使用最廣泛的一種神經網絡。但是在實際應用中，傳統的bp算法存在以下問題:收斂速度慢;若加快收斂速度易產生振蕩；存在局部極小和平臺問題;泛化能力差;隱節點數和初始值的選取缺乏理論指導;未考慮樣本選擇對系統學習的影響等。所以很多學者提出許多改進的方法，用小生境遺傳算法優化神經網絡權值的神經網絡來預測股票價格。
2.小生境遺傳算法
小生境遺傳算法(iche genetical gorihm)的基本思想是:首先比較任意兩個個體間的距離與給定值的大小，若該距離小于給定值，則比較其適應值大小。對適應值較小的個體施加一個較強的懲罰，極大地降低其適應值。也就是說，在距離l內將只有一個優良個體，從而既維護了群體的多樣性，又使得各個體之間保持一定的距離，并使得個體能夠在整個約束空間中分散開來。
3.神經網絡連接權的優化
用小生境遺傳算法可以優化神經網絡連接權，神經網絡結構，學習規則等，這里我們對神經網絡的連接權進行優化，具體步驟如下：
（1）隨機產生一組權值分布，采用某種編碼方案對該組中的每個權值(或閾值)進行編碼，進而構造出一個碼串(每個碼串代表網絡的一種權值分布)，在網絡結構和學習規則已確定的前提下,該碼串就對應一個權值和閾值取特定值的一個神經網絡。
（2)對所產生的神經網絡計算它的誤差函數，從而確定其適應度函數值，誤差越大,則適應度越小。
（3)選擇若干適應度函數值最大的個體,直接遺傳給下一代。
（4)利用交叉和變異等遺傳操作算子對當前一代群體進行處理，產生下一代群體。
（5)重復（2）（3）（4），使初始確定的一組權值分布得到不斷地進化,直到訓練目標得到滿足為止。
這種由小生境遺傳算法訓練神經網絡的方法也可以稱做混和訓練法。將基于小生境遺傳算法的遺傳進化方法和基于梯度下降的反傳訓練相結合,這種訓練方法吸取兩種方法的各自特點，所以收斂速度快。
三、股票價格預測仿真
根據經驗選取輸入預測日前四天開盤價、收盤價歸一化后做為作為輸入量，輸出為第五天收盤價歸一化數值。所以，本文采用神經網絡結構為(8,5,1),即網絡的輸入層6個節點,隱含層9個節點,輸出層1個節點。本文選擇了“xdg 新梅（600732）”從2006年3月14日到2006年7月1日數據進行了仿真。利用matlab6.5編程，取70組訓練樣本和30組測試樣本。如圖（1）表示用遺傳算法和小生境遺傳算法對神經網絡的權值進行優化時，誤差曲線變化;從圖中可以看出，小生境遺傳算法收斂速度要快;圖（2）表示股票預測值和實際值比較，從圖中可以看出，遺傳算法和小生境遺傳算法對神經網絡的權值的模型進行股票價格的預測，都能預測出股票走向趨勢，但是，后者的預測精度顯然要比前者高。
四、結束語
股票市場的不確定因素太多，股票的價格更是多種因素影響的集合體，是典型的非線性動力學問題。股票價格的中長期準確預測很難。本文建立了用小生境遺傳算來優化神經網絡模型來預測股票價格，結果表明，這種方法比單用遺傳算法優化的神經網絡收斂速度快，預測精度高。對于股票價格預測具有較好的應用價值。
參考文獻:
[1]龍建成李小平:基于神經網絡的股票市場趨勢預測[j].西安電子科技大學學報(自然科學版.2005.3（32）:460-463
[2]王波張鳳玲:神經網絡與時間序列模型在股票預測中的比較[j].第27卷第6期武漢理工大學學報·信息與管理工程版.2005.9（27）:69-72
神經網絡的權值范文6
關鍵詞：短期負荷預測；神經網絡；遺傳算法
作者簡介：黃國棟（1976-），男，廣東陽江人，廣東電網湛江供電局，工程師。（廣東 湛江 524005）
中圖分類號：TM714 文獻標識碼：A 文章編號：1007-0079（2014）06-0261-02
電力短期負荷預測是對未來一周以內（通常為一周或一天）的負荷進行預測。短期負荷預測在電網運行實時控制和發電規劃中具有重要地位，短期負荷的預測結果是調度中心制定發電計劃、電力系統運行安全評估、電力企業日常經營管理的重要依據。[1]在當前電力系統市場化形勢下，提高負荷預測精度對于電力系統的經濟運行、合理制定機組檢修計劃和進行電力需求管理等具有重要意義。
一、電力系統負荷變化的特點及預測方法
電力系統負荷變化受到很多因素的影響。一方面，負荷變化存在由未知不確定因素引起的隨機波動；另一方面，具有周期變化的規律性，這也使得負荷曲線具有相似性；同時，由于受天氣、節假日等特殊情況的影響，負荷變化又會體現出差異性。[2]整體上講，負荷曲線是與很多因素相關而且難以用數學公式表達的非線性函數。
相對于早期的統計技術法和專家系統法，神經網絡的優點在于它不依靠專家經驗，只利用觀察到的數據，可以在訓練過程中通過學習來逼近任意的非線性輸入/輸出關系，因此，將神經網絡方法應用于電力負荷預測有著明顯的優勢。但是，神經網絡存在兩個主要問題：收斂速度慢和容易陷入局部極小點。因此，本文采用遺傳算法優化人工神經網絡，建立電力短期負荷預測模型，并將結合廣東省某城市的電力負荷的實際情況對預測方法進行探討和研究。
二、人工神經網絡模型
BP（Back Propagation）神經網絡是一種按誤差逆傳播算法訓練的多層前饋網絡，神經網絡模型中的所有神經元按照功能一般分成三層（輸入層、隱含層和輸出層），各層順次連接。[3]其三層模型拓撲結構如圖1所示。
BP算法的學習過程分為正向傳播過程和反向傳播過程兩個階段。
1.正向傳播過程
輸入信息從輸入層經隱含層逐層計算各單元的實際輸出值，各神經元的狀態只對下一層神經元的狀態產生影響。設BP網絡的輸入層有n1個節點，隱含層有n2個節點，輸出層有n3個節點，輸入為xi，輸入層與隱含層之間的權值為wki，隱含層與輸出層之間的權值為wjk；隱含層的閾值為bk，輸出層的閾值為bj；隱含層的傳遞函數為f1（·），輸出層的傳遞函數為f2（·）。則隱含層節點輸出zk和輸出層節點輸出yj分別為：
k=1，2，……n2
（1）
j=1，2，……n3
（2）
2.反相傳播過程
若網絡實際輸出值與期望值之差，即誤差超出允許值，則逆向逐層修正連接權值。設BP網絡有P個輸入樣本，采用平方型誤差函數，于是得到全局誤差為：
（3）
式中：為第p個樣本的實際輸出，為期望輸出。
采用累計誤差BP算法依次調整輸出層權值wjk和隱含層權值wki誤差使全局誤差變小，即：
（4）
（5）
式中：η為學習率。
如此往復不斷調整權值，直到使網絡的誤差滿足要求。
三、遺傳算法
1.遺傳算法的基本原理
遺傳算法（Genetic Algorithms，簡稱GA）是一種高度并行、自適應全局優化搜索方法。[4]它借鑒自然界遺傳和選擇機理，首先初始化一個種群，然后按照某種指標在每一代選取較優個體，利用遺傳算子（選擇、交叉和變異）對這些個體進行組合，產生新一代個體，重復此過程，直到滿足優化準則為止。遺傳算法是基于對生物遺傳和進化過程的計算機模擬，它能使各種人工系統具有良好的自適應能力和優化能力。目前，遺傳算法已經廣泛應用于規劃設計、組合優化、自適應控制、經濟運行、模式識別、人工智能、分子生物學、故障診斷以及計算機技術等領域，并取得了很好的效果。
2.遺傳算法的實現過程
（1）將問題的解以編碼形式表示出來，并隨機生成若干個體，即初始群體。
（2）譯碼，計算目標函數得出個體適應度值，判斷是否滿足停止條件。
（3）根據個體適應度值的高低，應用選擇、交叉和突變算子進行遺傳操作，產生下一代群體。
（4）返回步驟（2），反復執行，直到滿足停止條件。最后，搜索到最優個體，即問題的最優解。[5]
3.遺傳算法優化BP網絡權值、閾值
由于遺傳算法是以最大值作為優化目標，為適應神經網絡算法的要求，將適應度函數取反，即變為以最小值為優化目標。遺傳算法優化BP神經網絡算法的步驟：
（1）構建BP網絡，確定遺傳算法個體長度。
（2）生成初始種群，確定種群規模。對遺傳算法個體進行編碼，編碼由神經網絡的輸入層與隱含層的連接權值、隱含層閾值、隱含層與輸出層的連接權值和輸出層閾值四部分組成。
（3）根據個體得到BP網絡的權值和閾值，應用訓練數據訓練，得到網絡的輸出。計算實際輸出與期望輸出的誤差，并依據此誤差計算個體適應度值。
（4）根據個體的適應度進行選優操作，選擇若干適應度強的個體直接進入下一代，適應度差的個體被淘汰。
（5）進行交叉、變異操作，生成下一代群體，然后返回步驟（3），直到得到最優解。
四、實例分析
本試驗分別采用單一神經網絡預測法、遺傳算法和神經網絡的組合預測法，分別對廣東省某城市某一日的時負荷進行預測與分析。以該市2010年6月2日～21日和2010年6月3日～22日（只選取工作日）的整點負荷訓練樣本集，根據6月23日各整點的時負荷數據和24日各整點的溫度與天氣，預測6月24日的時負荷。
1.數據預處理
根據神經網絡的建模原理，訓練樣本的準確性對于模型的預測準確性至關重要。由于系統故障、線路停電檢修、通信錯誤等原因，歷史負荷數據中經常存在一些不良數據。這些不良數據具有很強的隨機性，會對網絡的預測精度和預測速度產生嚴重影響。因此，在建立電力短期負荷預測模型前，先對訓練用的數據樣本進行預處理。應用格拉布斯準則判別是否有不良數據，如果有要直接消除并以相應的插值代替，從而提高數據的準確度和可信度。經計算，本實例的樣本數據正常，符合實際情況。
數據歸一化方法是神經網絡預測前對數據常做的一種處理方法。數據歸一化處理把所有的數據都轉化為[0，1]之間的數，其目的是取消數據間數量級差別，避免因為輸入/輸出數據數量級差別較大而造成網絡預測誤差較大。最后需要進行反歸一化，得到最終預測結果。[6]數據歸一化的方法主要有最大最小值法和平均數方差法。本文采用最大最小值法。
2.確定BP神經網絡結構
考慮到該城市位于中國南端，緯度較低，影響電力負荷最主要的因素是溫度等天氣情況。采集預測日前一天每小時的負荷數據和預測日當天各小時的溫度值（取平均值）、氣象類型（晴、陰、雨）作為預測條件。由此確定BP神經網絡模型的輸入節點數為3；輸出節點數為1；隱含層節點數取8。為方便計算，將氣象類型數字化、歸一化處理，溫度值和負荷數據歸一化處理。本文采用分散式建模方法，即為一天的24小時各建立一個模型，共建立24個。分散式建模方法相對于集中建模方法（24小時用一個模型），雖然模型多，但是預測準確度高。每個整點的時負荷采用相應的BP神經網絡模型進行預測。建模工具選用matlab7.0。[7]
3.遺傳算法優化神經網絡
以整點負荷、溫度數據和氣象數據作為網絡的訓練樣本集，應用遺傳算法對基于單一神經網絡建立的各個模型（每小時各建一個模型，共24個）進行優化，得到每個模型近似最優權值和閾值。應用優化的權值和閾值對BP神經網絡進行訓練，并保存訓練好的網絡。最后，應用訓練好的網絡對各整點時負荷進行預測。
表1 2010年6月24日負荷預測值與誤差
時間 實際值 BP神經網絡
方法預測 誤差/% 遺傳算法神經網絡方法預測 誤差/%
0：00 404.743 412.375 1.886 397.470 -1.797
1：00 382.280 376.397 -1.539 382.009 -0.071
2：00 359.937 369.208 2.576 352.735 -2.001
3：00 355.508 352.308 -0.900 357.115 0.452
4：00 347.836 341.504 -1.820 346.528 -0.376
5：00 347.545 342.354 -1.494 346.586 -0.276
6：00 354.184 356.650 0.696 360.655 1.827
7：00 364.504 363.920 -0.160 360.123 -1.202
8：00 395.881 392.358 -0.890 390.042 -1.475
9：00 462.394 471.572 1.985 464.239 0.399
10：00 500.344 502.904 0.512 494.610 -1.146
11：00 514.415 515.950 0.298 513.479 -0.182
12：00 477.935 489.898 2.503 485.792 1.644
13：00 479.680 473.516 -1.285 472.638 -1.468
14：00 470.148 477.403 1.543 462.066 -1.719
15：00 482.950 490.302 1.522 474.556 -1.738
16：00 487.295 483.800 -0.717 486.028 -0.260
17：00 501.225 503.265 0.407 505.465 0.846
18：00 470.361 462.391 -1.694 466.165 -0.892
19：00 455.995 443.791 -2.676 463.788 1.709
20：00 493.266 494.178 0.185 494.682 0.287
21：00 489.909 498.115 1.675 486.195 -0.758
22：00 474.146 486.493 2.604 480.348 1.308
23：00 446.201 436.293 -2.221 441.855 -0.974
單一神經網絡方法和遺傳算法優化神經網絡方法得出的預測結果見表1和圖3。從圖3中3條曲線對比可以看出，應用遺傳算法優化神經網絡預測模型得到的預測結果比單一神經網絡的更接近實際負荷曲線。單一神經網絡預測的負荷最大誤差為-2.676%，平均誤差1.408%，而用基于遺傳算法優化神經網絡預測的負荷最大誤差為-2.001%，平均誤差為1.034%，精度顯然大于單一神經網絡。
五、結論
本文利用遺傳算法優化了BP神經網絡結構，并且應用此模型對實際電力短期負荷進行了預測試驗分析。實證證明，遺傳算法的全局優化搜索能力有效彌補了BP神經網絡容易陷入局部極小值的缺陷，在此基礎上建立的預測模型的可靠性、準確性都有所增強，證明了基于遺傳算法優化的神經網絡的短期負荷預測方法是可行的。
參考文獻：
[1]牛東曉，曹樹華，趙磊，等.電力負荷預測技術及其應用[M].北京：中國電力出版社，2002.
[2]陳金賽，張新波.基于改進BP人工神經網絡的電力負荷預測[J].杭州電子科技大學學報，2011，34（4）：173-176.
[3]田景文，高美娟.人工神經網絡算法研究及應用[M].北京：北京理工大學出版社，2006.
[4]王小平，曹立明.遺傳算法[M].西安：西安交通大學出版社，
2002.
[5]李玲純，田麗.基于遺傳算法和BP神經網絡的短期電力負荷預測[J].安徽工程科技學院學報，2009，24（3）：57-60.
