前言：中文期刊網精心挑選了神經網絡原理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。
神經網絡原理范文1
關鍵詞 入侵監測系統；異常監測；神經網絡；資料監測；人工異常
中圖分類號 TP3 文獻標識碼 A 文章編號 1674-6708（2016）172-0076-02
隨著互聯網系統的發展，使得系統隨時可能受到來自網絡的入侵，因此，如何保護系統與資料安全一直是一個重要的研究課題。近年來，由于資料監測技術的發展，將該技術應用于入侵監測領域，利用事先收集到的資料訓練出一個較為一般化的模型，再以該模型針對即時資料進行是否入侵的判斷。用來改變現行入侵監測系統使用有限的監測規則來判斷入侵跡象，而無法監測未出現過入侵現行的缺點[1，2]。
本文針對檔案傳輸協定（File Transfer Protocol；FTP）服務，利用神經網絡建立異常監測的入侵監測系統，其目的在于利用評估資料監測的方式建立入侵監測系統，實現未知入侵行為的監測，解決目前入侵監測研究領域所遇到的問題[3]。
1 入侵監測系統
1.1 入侵監測系統簡介
針對入侵監測系統的研究始于1980年，Jim將入侵定義為未經授權而存取、操作、修改或破壞資料，或使電腦系統不穩定，甚至無法使用的行為。而入侵監測系統的目的是監測上面提到的各種行為。大部分的入侵監測系統是根據入侵特征建立的監測規則專家系統，對已知的攻擊辨識能力較佳。由于這類入侵監測系統所建立的特征不具一般化，因此很難分辨新的入侵行為。
1.2 入侵監測系統分類
近年來提出了許多不同的監測模式系統，用以應對不同的系統行為，大致可分為模擬正常行為與異常行為兩種。入侵監測技術分為濫用監測：使用已知入侵攻擊模式判斷入侵行為；異常監測：將建立的正常使用模式變異到一定程度時視為不正常的存取行為（甚至是入侵）。
對于濫用監測系統。將具有入侵特征的動作加以編碼，然后與收集的檢查資料進行比對，以此方式發現入侵。其缺點是入侵特征均需編碼后進入系統，面對未知的入侵攻擊時，無法監測出來，這樣的系統稱為濫用監測系統。
入侵監測系統由早期的專家根據入侵特征建立系統監測規則，逐漸發展成以統計方式建立模型，監測使用行為與統計樣式差別過大的，即可判斷入侵方式。隨后進入以資料監測方式為主流的監測系統，以提高檢測率及降低誤報率的目標。
1.3 入侵監測系統結構
目前的入侵監測系統實際上以資料和數據為主，對該系統整體結構進行以下說明：
1）受監測系統/感測器：入侵監測系統的資料來源，也就是受到監測的電腦主機。
2）審查資料收集：通過感測器收集審查資料。網絡封包表頭資料、網絡封包流量統計、使用者鍵入命令，使用者登錄資料等等，均為審查資料范圍。
3）監測處理：通過各種算法，監測收集所得到的資料，找到疑似入侵的行為，由上述觀點，監測處理是系統最核心的部分，監測入侵的準確與否，取決于此，處理的方式則有異常與濫用兩種。
4）處理中資料：入侵監測系統處理中的資料，如欲比對入侵模型，比對中的審查資料等。
1.4 檔案傳輸協定
本系統運行時，目的是為了對網絡入侵的監測，欲監測的入侵以FTP服務為主。選定FTP服務的原因，在于封包資料的可獲得性高、FTP命令可供判斷入侵行為、且其入侵形態多、容易看出監測效果。
FTP是檔案傳輸協定的縮寫，在網絡環境下傳輸檔案，亦可將檔案通過網絡從某系統傳輸至另一系統。使用此項服務需設定登入服務的賬戶。這個檔案傳輸協定支持不同操作系統、不同檔案結構主機，以ASCII編碼傳送或接收。FTP使用控制連線和資料連線兩個TCP連線來傳輸文檔。除了FTP命令外，該服務的網絡封包表頭亦為資料來源，這些資料經整理處理后，用以建立入侵監測模型。
1.5 神經網絡
神經網絡的目標是以計算系統模擬最簡單的生物神經網絡結構。整個計算系統由多個高度連接的處理單元構成，以此連接網絡間的訓練學習，并處理外部輸入數據。如果將神經網絡視為黑盒子，則此盒子由多個節點連接而成，一般可分為3層：輸入層、隱藏層及輸出層。
訓練過程中輸入訓練參數集，然后根據不同算法調整權重及偏權值，最后讓神經網絡可以映射輸入與輸出間的關系模式；模擬過程以測試數據集輸入并進行訓練后所得的神經網絡值為準。
2 系統結構原理
在整個系統主要由以下幾個部分組成，包括人工異常資料產生器，特征選取器，模型訓練器及模型評估器。人工異常資料產生器主要功能為產生與輸入資料不同的輸出資料，在異常監測概念中，任何與正常資料不同的資料均視為異常資料。因為FTP的封包資料很難完全收集，因此，異常資料產生器需根據正常資料人工產生異常資料。特征選取器針對FTP服務器端的封包資料，選具有代表性與辨別性的特征，根據選取的特征隨機產生人工異常資料至此系統資料前處理結束。模型訓練器首先選擇一部分資料作為訓練資料，一部分為測試資料。模型訓練器當模型訓練完成后，可使用測試資料集來評估分類模型的正確性。
3 系統運行機理
系統的運行部分包括：輸入資料、資料編碼方式、人工異常資料產生、特征選取方式，下面對各部分進行詳細介紹。
3.1 輸入資料
由于檔案傳輸協定（FTP）服務的攻擊行為多屬于網絡形式的攻擊，因此輸入資料應該選擇與網絡相關的特征，以有效分辨攻擊與非攻擊行為。初步選取的特征如下所示，數字代表資料編碼后產生的特征個數。
1）連接方式（1）：連線方向“1”表示連接至FTP服務器，“0”表示服務器向外連線。
2）響應編碼（5）：FTP響應為3個ASCII數字，第一個代表響應狀態，第二個代表錯誤種類，第三個為更進一步錯誤信息。
3）出現次數最多的字符（3）：統計封包資料中出現次數最多的字符作為特征輸入。
4）數據長度（3）：正常的FTP封包資料部分長度一般較短，較長的可能為異常封包資料。
3.2 資料編碼方式
1）連接方式（1）：連線方向“1”表示連接至FTP服務器，“0”表示服務器向外連線。
2）響應編碼（5）：以5個輸入點來表示響應碼的第一個數字，轉換方式如下：00001：1；00010：2；00100：3；01000：4；10000：5；00000：以上皆非時。
3）出現次數最多的字符（3）：根據封包資料字符出現次數最多的字符，以3個輸入節點表示輸入資料，編碼如下：001：1≤x≤5；011：6≤x≤10 ；111：x>10；000：以上皆非時。
4）數據長度（3）：以3個節點表示封包的資料長度，其轉換方式如下：001：1≤x≤48；011：49≤x≤96 ；111：x>96；000：以上皆非時。
4 結論
通過FTP服務收集的審查資料，以神經網絡訓練的入侵監測模型，驗證了資料監測方式監測入侵問題的可行性。資料監測方式實際應用于入侵監測時仍存在問題需要解決，最明顯的就是處理速度，網絡傳輸封包資料數量可能相當大，除收集審查資料外，還需對收集資料做前處理，并且以入侵監測算法來監測是否入侵，達到實時處理的要求。
參考文獻
[1]潘連根.數字檔案館研究[M].北京：中國檔案出版社，2005.
神經網絡原理范文2
當我們做決策時大腦中發生了什么？是什么觸發了神經元使其發送信號？神經編碼是什么？本書對計算與理論神經科學領域進行了詳細、徹底的介紹，不僅包含了經典的主題例如HodgkinHuxley方程和Hopfield模型，也涵蓋了諸如生成線性模型、決策理論等領域中最新的研究成果。本書的首席作者Wulfram Gerstner是計算神經科學實驗室的主任，也是瑞典洛桑聯邦理工學院的生命科學方向及計算機科學方向的教授。他在計算神經科學領域的研究集中在脈沖神經元模型及突觸可塑性，他曾給物理學家、計算機科學家、數學家和生命科學家講授過計算神經科學課程。同時，他還是《脈沖神經元模型》一書的合著者之一。
在本書中，作者將計算與理論神經學領域涉及到的概念進行了細致剖析，行文逐步深入，并使用了豐富的圖表和范例作為輔助。全書共分四個部分：第一部分 神經動力學的基礎，含第1-4章：1.導言：神經元及相關數學知識；2.離子通道與HodgkinHuxley模型；3.樹突和突觸；4.降維與相平面分析。第二部分 生成整合-發放神經元，含5-11章，5.非線性整合-發放模型；6.調整及放電模式；7.脈沖序列和神經編碼的變化；8.噪聲輸入模型：脈沖到達的阻擊9.噪聲輸出：逃逸速率及軟閾值；10.估計概率神經模型的參數；11.通過隨機神經元模型進行編碼與解碼。第三部分 神經元與集群活動網絡，含12-15章：12.神經元集群；13.連續性方程與FokkerPlanck方法；14.準更新理論與積分方程解法；15.快速瞬變與速率模型。第四部分 認知動態，含16-20章：16.競爭集群與決策；17.記憶與吸引子動力學；18.感知皮質場模型；19.突觸可塑性與學習；20.總結：可塑性網絡中的動力學。
本書全面地闡述神經元模型是如何與神經活動結合起來的有關內容。本書可以作為計算與理論神經科學領域的入門讀物，讀者僅需要了解基礎的微分方程及概率學。結合每章最后的小結及練習，本書可以作為高年級大學生及低年級研究生的理想教材。另外，相信本書也會是相關領域學者的良伴。
馮多，碩士研究生
（中國科學院信息工程研究所）
神經網絡原理范文3
摘要：隨著電力工業的發展，人工神經元網絡(ANN)在電力系統中獲得了廣泛的應用。本文概述了人工神經元網絡的特點、基本結構以及發展過程，并對ANN在電力系統中的具體應用做了詳細的話述。最后，對人工神經元網絡的發展趨勢和在電力系統中的應用前景進行了展望。
關鍵詞：人工神經元網絡(ANN) 電力系統 應用前景 展望
人工神經網絡，是一種模范動物神經網絡行為特征，進行分布式并行信息處理的算法數學模型。這種網絡依靠系統的復雜程度，通過調整內部大量節點之間相互連接的關系，從而達到處理信息的目的。人工神經網絡具有自學習和自適應的能力，可以通過預先提供的一批相互對應的輸入一輸出數據，分析掌握兩者之間潛在的規律，最終根據這些規律，用新的輸入數據來推算輸出結果。人工神經網絡具有四個基本特征：非線性、非局限性、非定性、非凸性。人工神經網絡理論，作為人工智能的一個最活躍的分支，其模擬人腦的工作方式，為解決復雜的非線性、不確定性、不確知性系統的問題開創了一個嶄新的途徑，因而在電力系統應用研究中受到了廣泛的關注。
1.ANN發展過程
1943年，心理學家W.S.McCulloch和數理邏輯學家W.Pitts建立了神經網絡和數學模型，稱為MP模型。他們通過MP模型提出了神經元的形式化數學描述和網絡結構方法，證明了單個神經元能執行邏輯功能，從而開創了人工神經網絡研究的時代。60年代，人工神經網絡得到了進一步發展，更完善的神經網絡模型被提出，其中包括感知器和自適應線性元件等。1982年，美國加州工學院物理學家J.J.Hopfield提出了Hopfield神經網格模型，引入了“計算能量”概念，給出了網絡穩定性判斷。1984年，他又提出了連續時間Hopfield神經網絡模型，為神經計算機的研究做了開拓性的工作，開創了神經網絡用于聯想記憶和優化計算的新途徑，有力地推動了神經網絡的研究。人工神經網絡的研究受到了各個發達國家的重視，美國國會通過決議將1990年1月5日開始的十年定為“腦的十年”，國際研究組織號召它的成員國將“腦的十年”變為全球行為。
2.ANN的特點與結構
人工神經網絡的研究與發展及神經生理科學、數理科學、信息科和計算機科學等眾多領域，是一種新的信息處理理論。它所特有的信息處理機制，與傳統的數字計算機有著本質的不同。ANN網絡由大量模擬人腦的神經元互連組成，無獨立的用于存儲的信息空間，更沒有單一執行指令的CPU，每個神經元的結構都十分簡單，信息處理與存儲合二為一，通過調整連接權值，由整體狀態來給出響應信息。ANN是一種非線性映射系統，具有強大的模式識別能力，可以對任意復雜狀態或過程進行分類和識別。
3.ANN在電力系統中的應用
目前，ANN已用于負荷預測，警報處理，控制等方面，它已經從研究階段轉為實際應用。
3.1智能控制
在電力系統中利用ANN實現智能控制，就是利用其估計和聯想的能力，實現系統狀態與參數的識別和控制，這已在多種控制結構中如自校正控制、模型跟蹤控制、預測控制等控制中得到應用。Y M Park等采用2個BP網絡構成電力系統穩定器(PSS)的模型，其中1個在系統功率擺動中估計發電機的輸出功率。另一個用于判斷并給出控制決策。范澍等應用4層BP網絡對發電機運行方式和系統干擾進行精確在線識別，并以此為基礎設計了一種最優勵磁調節器模型，計算與仿真結果表明，這種調節器比固定點線性勵磁方式具有更強的穩定性能和動態品質，在系統運行方式較大的變化范圍內都能提供很好的控制性能，在大小擾動下均表現出很好的阻尼特性和良好的電壓性能。袁宇春等提出了用ANN進行電力系統的實時切負荷控制，選用的是多輸入單輸出的單層前向神經網絡，選取185個樣例進行網絡訓練后，在西北電網模擬某線路故障顯示了較好的控制特性。
3.2優化計算
由于ANN能夠建立任意非線性的模型，并適于解決時間序列預報問題，尤其是隨機平穩過程的預報，因此電力系統短期負荷預報是其應用研究的一個重要方面，歐建平等以3個ANN構成負荷與天氣變化量的周、日、時3個預報分析系統，氣象參數和預測周、日、時前某段歷史負荷參數作為網絡的訓練輸入參數，各自產生獨立的預報，再綜合產生最終的預報。姜齊榮等則用ANN建立發電機、勵磁系統和調速系統的詳細模型，把這三部分的模型連接起來并與電力系統網絡接口，形成一個ANN模型與電力系統網絡混聯的系統，這種混聯系統的暫態穩定計算結果與用常規機理模型的計算結果幾乎相同。為實現ANN并行、快速、在線處理電力系統實時計算提供新途徑。
3.3故障診斷
要保證電力系統的安全運行和實現電力設備由定期檢修轉變為狀態檢修，如何準確地進行電力設備的故障診斷，一直是受關注的焦點之一。而這類故障的征兆錯綜復雜，往往呈現出非線性和不確定性，很難用某一確定的邏輯或算法進行識別。而這種識別恰好是ANN所擅長的。ANN在電機狀態監測與診斷上也獲得了成功的應用。何雨儐等提出一種聯想記憶神經網絡，取零序電流、定子不對稱電流及其變化率等電測參數為故障征兆，通過網絡的聯想能力快速準確地進行電機早期故障的雙向診斷，能有效地處理各種模式并存的故障診斷問題。并且容錯性好，能有效抑制現場噪聲干擾，使診斷系統具有良好的魯棒性。電網故障診斷中，用全局逼近的BP算法完成故障的快速定位，便于控制人員及時處理故障。
3.4繼電保護
繼電保護是電力系統安全運行的重要保障之一，隨著電力系統的發展，常規的繼電保護技術已經不能完全適應需要。黨德玉提到一種基于小波變換和ANN的保護模型，其輸入特征量經過小波變換，也選用了3個三層的BP網絡用于判斷故障種類，故障性質和故障定位。故障種類和故障性質的判斷正確率可達100％，對線性短路故障的位置判斷正確率為94％，非線性故障(如經非線性過渡電阻接地)的判斷正確率為96％。張海峰等使用3層前向網絡構成變壓器保護模型，取變壓器2端的電流和其他故障特征量進行綜合判斷。經大量樣本訓練后，可準確判斷變壓器的勵磁涌流和各種故障。張津春等介紹了ANN構成的自適應自動重合閘模型，能較好地判別各種情況下瞬時性故障與永久性故障。
為了解決用電路方法進行巨量神經元連接無法實現的問題，采用光電集成技術制作的光神經元、光互連器件、光神經芯片也已出現，并成功地應用于模式識別、聯想記憶等方面。此外，ANN在輸電容量限制條件下經濟調度、基于同步相量測量的電壓安全監控、電廠控制、HVDC的電流控制器等方面也得到了研究與應用。
4.ANN在電力系統中的發展趨勢
ANN在電力系統中應用已做了大量的研究，一但是總體上來說仍停留在理論分析和仿真實驗上，因此必須加強理論研究與實際工程應用的結合，例如可在狀態檢修、在線監測等電力系統有較迫切需求的領域中，尋找實際應用的突破口。近幾年興起的小波變換方法，由于其克服了傅里葉變換不能對信號進行局部化分析的缺點。同時具有很強的特征值提取功能，特別適用于故障信號的分析，經小波變換處理后的信號作為神經網絡的輸入，可使網絡大大提高抗干擾性并加速收斂。所以小波分析與ANN的結合將在電力系統控制、保護、故障診斷等方而發揮更大的作用。ANN與專家系統和模糊控制的綜合對電力系統這樣一個復雜的動態大系統來說，應用潛力更大。ANN的形象思維能力，專家系統的邏輯思維能力和模糊邏輯這三者的結合，可體現出各自的優勢，互相彌補各自的不足。
人工神經網絡特有的非線性適應性信息處理能力，克服了傳統人工智能方法對于直覺，如模式、語音識別、非結構化信息處理方面的缺陷，使之在神經專家系統、模式識別、智能控制、組合優化、預測等領域得到成功應用。人工神經網絡與其它傳統方法相結合，將推動人丁智能和信息處理技術不斷發展。近年來，人工神經網絡正向模擬人類認知的道路上更加深入發展，與模糊系統、遺傳算法、進化機制等結合，形成計算智能，成為人工智能的一個重要方向，將在實際應用中得到發展。將信息幾何應用于人工神經網絡的研究，為人工神經網絡的理論研究開辟了新的途徑。神經計算機的研究發展很快，已有產品進入市場。光電結合的神經計算機為人工神經網絡的發展提供了良好條件。
神經網絡原理范文4
關鍵詞：BP神經網絡；數字識別；特征提取
中圖分類號：TP183 文獻標識碼：A 文章編號：1009-3044（2013）14-3362-04
1 概述
數字識別在車輛牌照識別、銀行支票識別和郵政儲蓄票據識別等領域有著廣泛的應用，因而成為研究人員近年來研究的一個焦點[1]。而人腦神經系統模型的建立為人工神經網絡的產生提供了理論模型依據， 使其具有模擬人腦部分形象思維的能力[2]，因而使其成為人工智能技術的重要組成部分和常用方法。人工神經網絡由簡單信息處理單元相互連接組成，通過簡單處理單元間的相互作用來實現對其所接收信息的處理。而隨著人工神經網絡技術的快速發展，其為解決模式識別鄰域的相關問題提供了新的解決思路和方法，其突出的優點在于它具有對接收信息可進行并行分布式處理能力和自我學習反饋能力，因而吸引了眾多研究人員對其進行廣泛和深入的研究。而誤差反向傳播網絡（Back-Propagation），即BP神經網絡，是一種典型的人工神經網絡，它具有人工神經網絡的所有優點，因而在眾多技術鄰域有著廣泛的應用[3]。該文首先對BP神經網絡的基本原理進行了詳細介紹，在分析了其基本原理的基礎上，針對數字識別問題，設計了一種利用BP神經網絡技術進行數字識別的方法。經實驗表明，該方法合理可行，且其識別效果正確有效。
2 相關原理與知識
由于本文針對數字識別問題，利用BP神經網絡技術對其進行方法設計和實現，首先必須了解BP神經網絡的基本原理，即了解其具體構成形式、模型分類和其功能特點。其次，在了解了BP神經網絡基本原理的基礎上，進一步了解其所處理數據的特點和組成形式，并根據處理數據的特點和其數據結構設計相應的數字識別方法。下面分別對它們進行詳細的介紹。
2.1 BP神經網絡基本原理
BP神經網絡算法由數據信息流的前向計算，即正向信息流的正向傳遞，誤差信息的反向回饋兩個部分組成。當信息流進行正向傳遞時，其傳遞方向為從輸入層到隱層再到輸出層的順序，器每層神經元所處的狀態只會影響下一層神經元的狀態。若在最后的輸出層沒有得到理想的輸出信息，則應立即進入誤差信息的反向回饋過程[6]。最終經過這兩個過程的相互交替運行，同時在權向量空間使用誤差函數梯度下降策略，動態迭代搜索得到一組權向量，使得該BP神經網絡的誤差函數值達到最小，從而完成對信息提取和記憶過程[7]。
2.2 BMP二值圖像文件數據結構
由于本文處理的數據源為BMP二值圖像，則必須了解其數據結構，才能對其進行進一步的識別方法設計。由數字圖像處理基礎知識可知，常見BMP二值圖像文件的數據結構由以下三部分組成：（1）位圖文件頭，其包含了BMP二值圖像的文件類型、文件大小和位圖數據起始位置等信息；（2）位圖信息頭，它包含了BMP二值圖像的位圖寬度和高度、像素位數、壓縮類型、位圖分辨率和顏色定義等信息；（3）位圖數據體，其記錄了位圖數據每一個像素點的像素值，記錄順序在掃描行內是從左到右，掃描行之間是從下到上。因此，根據BMP二值圖像數據結構信息，讀出所需要的圖像數據，并對這些圖像數據做進一步的處理。在本文給定的訓練圖像中，圖像數據大小為80個字節，而圖像數據體距離其文件頭的偏移量為62個字節。但為了減少數據處理數量，該文在進行實驗時直接使用位圖數據體中的數據，沒有通過讀出位圖文件頭來得到位圖數據體中的數據。
3 數字識別具體設計方法
由上文可知，該文使用數據源為圖像大小為20*20的BMP二值圖像，由于是對位圖數據體的數據直接進行操作，因此省去了對圖像其他數據結構數據的繁雜處理過程，將問題的核心轉向BP神經網絡的設計方法步驟。
4 實驗結果
圖4所示為BP神經網絡訓練及測試結果圖。該文選擇10個訓練樣本，通過實驗結果可以看出，由這10個訓練樣本訓練出來的BP神經網絡對于訓練樣本中的圖像數值識別率達100%，訓練時間也比較短，其迭代次數大概為700次左右。對于一些含有噪聲的圖片，只要噪聲系數小于0.85個字符，其數字識別率可達96%。
5 結束語
針對二值圖像數字識別問題，該文在對BP神經網絡的基礎理論進行分析后，設計了一種基于BP神經網絡的數字識別方法，并通過實驗驗證了該BP神經網絡用于數字識別的可行性和有效性。而對于BP神經網絡存在的收斂速度慢、易陷入局部最優和學習、記憶具有不穩定性等問題，還有待于對其進行一步研究。
參考文獻：
[1] 韓力群.人工神經網絡教程[M].北京：北京郵電大學出版社，2006.
[2] 呂俊，張興華.幾種快速BP算法的比較研究[J].現代電子技術，2003，24（167）：96-99.
[3] 陸瓊瑜，童學鋒.BP算法改進的研究[J].計算機工程與設計，2007（10）：96-97.
[4] Sven Behnke，Marcus Pfister.A Study on the Combination of Classifiers for Handwritten Digit Recognition，2004.
[5] 馬耀名，黃敏.基于BP神經網絡的數字識別研究[J].信息技術，2007（4）：87-88.
[6] Hasan soltanzadeh.Mohammad Rahmati.Recogniton of Persian Handwritten Digits Using Image Profiles of Multiple Orientations[J].Pattern Recognition Leaers，2004（15）.
[7] 吳成東，劉文涵.基于粗網格神經網絡的車牌字符識別方法[J].沈陽建筑大學報，2007，23（4）：694-695.
神經網絡原理范文5
人工神經網絡（Aartificial Neural Network，下簡稱ANN）是模擬生物神經元的結構而提出的一種信息處理方法。早在1943年，已由心理學家Warren S.Mcculloch和數學家Walth H.Pitts提出神經元數學模型，后被冷落了一段時間，80年代又迅猛興起［1］。ANN之所以受到人們的普遍關注，是由于它具有本質的非線形特征、并行處理能力、強魯棒性以及自組織自學習的能力。其中研究得最為成熟的是誤差的反傳模型算法（BP算法，Back Propagation），它的網絡結構及算法直觀、簡單，在工業領域中應用較多。
經訓練的ANN適用于利用分析振動數據對機器進行監控和故障檢測，預測某些部件的疲勞壽命［2］。非線形神經網絡補償和魯棒控制綜合方法的應用（其魯棒控制利用了變結構控制或滑動?？刂疲趯崟r工業控制執行程序中較為有效［3］。人工神經網絡（ANN）和模糊邏輯（Fuzzy Logic）的綜合，實現了電動機故障檢測的啟發式推理。對非線形問題，可通過ANN的BP算法學習正常運行例子調整內部權值來準確求解［4］。
因此，對于電力系統這個存在著大量非線性的復雜大系統來講，ANN理論在電力系統中的應用具有很大的潛力，目前已涉及到如暫態，動穩分析，負荷預報，機組最優組合，警報處理與故障診斷，配電網線損計算，發電規劃，經濟運行及電力系統控制等方面［5］。
本文介紹了一種基于人工神經網絡（ANN）理論的保護原理。
1、人工神經網絡理論概述
BP算法是一種監控學習技巧，它通過比較輸出單元的真實輸出和希望值之間的差別，調整網絡路徑的權值，以使下一次在相同的輸入下，網絡的輸出接近于希望值。
在神經網絡投運前，就應用大量的數據，包括正常運行的、不正常運行的，作為其訓練內容，以一定的輸入和期望的輸出通過BP算法去不斷修改網絡的權值。在投運后，還可根據現場的特定情況進行現場學習，以擴充ANN內存知識量。從算法原理看，并行處理能力和非線性功能是BP算法的一大優點。
2、神經網絡型繼電保護
神經網絡理論的保護裝置，可判別更復雜的模式，其因果關系是更復雜的、非線性的、模糊的、動態的和非平穩隨機的。它是神經網絡（ANN）與專家系統（ES）融為一體的神經網絡專家系統，其中，ANN是數值的、聯想的、自組織的、仿生的方式，ES是認知的和啟發式的。
文獻［1］認為全波數據窗建立的神經網絡在準確性方面優于利用半波數據窗建立的神經網絡，因此保護應選用全波數據窗。
ANN保護裝置出廠后，還可以在投運單位如網調、省調實驗室內進行學習，學習內容針對該省的保護的特別要求進行（如反措）。到現場，還可根據該站的干擾情況進行反誤動、反拒動學習，特別是一些常出現波形間斷的變電站內的高頻保護。
3、結論
本文基于現代控制技術提出了人工神經網絡理論的保護構想。神經網絡軟件的反應速度比純數字計算軟件快幾十倍以上，這樣，在相同的動作時間下，可以大大提高保護運算次數，以實現在時間上即次數上提高冗余度。
一套完整的ANN保護是需要有很多輸入量的，如果對某套保護來說，區內、區外故障時其輸入信號幾乎相同，則很難以此作為訓練樣本訓練保護，而每套保護都增多輸入量，必然會使保護、二次接線復雜化。變電站綜合自動化也許是解決該問題的一個較好方法，各套保護通過總線聯網，交換信息，充分利用ANN的并行處理功能，每套保護均對其它線路信息進行加工，以此綜合得出動作判據。每套保護可把每次錄得的數據文件，加上對其動作正確性與否的判斷，作為本身的訓練內容，因為即使有時人工分析也不能區分哪些數據特征能使保護不正確動作，特別是高頻模擬量。
神經網絡的硬件芯片現在仍很昂貴，但技術成熟時，應利用硬件實現現在的軟件功能。另外，神經網絡的并行處理和信息分布存儲機制還不十分清楚，如何選擇的網絡結構還沒有充分的理論依據。所有這些都有待于對神經網絡基本理論進行深入的研究，以形成完善的理論體系，創造出更適合于實際應用的新型網絡及學習算法［5］。
參考文獻
1、陳炳華。采用模式識別（智能型）的保護裝置的設想。中國電機工程學會第五屆全國繼電保護學術會議，［會址不詳］，1993
2、Robert E.Uhrig.Application of Artificial Neural Networks in Industrial Technology.IEEE Trans，1994，10（3）。（1）：371～377
3、Lee T H，Wang Q C，Tan W K.A Framework for Robust Neural Network-Based Control of Nonlinear Servomechannisms.IEEE Trans，1993，3（2）。（3）：190～197
神經網絡原理范文6
關鍵詞： 閉環液壓控制系統；自組織雙模糊神經網絡；執行機構
中圖分類號：TU984 文獻標識碼：A 文章編號：1671－7597（2012）0720088－02
0 引言
液壓控制在工業系統中的地位不言而喻，提高系統精度和響應速度是液壓控制領域有待持續性研究的課題。針對按照預設流量和壓力進行精確控制的液壓系統，本文提出一種基于Mamdani型模糊神經網絡和多線程思想的閉環自組織雙模糊神經網絡液壓系統模型，其關鍵點是模糊神經網絡控制模型和執行機構。
1 液壓系統模型
液壓系統采用擠壓式液體供給方式，由工控機、增壓氣體貯箱、液體貯箱、流量控制閥、流量和壓力檢測裝置和氣體傳送管道組成閉環系統，如圖1所示。
該液壓系統模型工作原理是：將增壓惰性氣體壓入液體貯箱，其進入液體貯箱時的流量和壓力由閥門控制，惰性氣體推動液體貯箱中的隔板，迫使隔板另一側的液體進入傳送管道，并順管道進入液體使用對象。假設液體貯箱中是理想流體，根據理想流體伯努利方程，可知，通過調節液體貯箱壓力，能夠改變液體使用對象入口處液體壓力，因此，通過調節增壓氣體流量可達到調節液體進入液體使用對象時流量和壓力的目的。液體貯箱和液體使用對象之間安裝有壓力計和流量計，能夠測得當前實際壓力和流量，計算機將其與預設壓力和流量進行對比，按照一定的算法得出增壓氣體流量調節方案。
2 模糊神經網絡控制模型
2.1 控制模型
根據液壓系統模型工作原理，閉環控制系統輸入數據為預設壓力、預設流量、實際壓力和實際流量，根據模糊控制原理，可將以上四個數據轉化為壓力差、壓力差變化率、流量差、流量差變化率，由這四個分量組成的輸入數據作為閉環控制算法的輸入向量，對執行機構的指令為該算法的輸出向量。
模糊神經網絡不依賴精確的數學模型，能夠通過學習優化自身性能，在邏輯上能夠實現并行計算等優點[1]，本文提出一種基于模糊神經網絡的液壓控制器模型，該模型由兩組獨立的模糊神經網絡并聯組成雙模糊神經網絡，在初始時刻，這兩組模糊神經網絡具有相同的結構和網絡連接權值，在控制系統運行過程中，兩組模糊神經網絡分別承擔系統學習和控制任務，經過一定系統周期后，同步兩組模糊神經網絡參數。
綜上所述，控制模型如圖2所示。
在圖2中，X表示輸入向量，含有四個分量：x1、x2、x3和x4，分別表示壓力差、壓力差變化率、流量差和流量差變化率，這四個分量綜合作為模糊神經網絡控制器的輸入向量。在圖2中，虛線框中的部分為雙模糊神經網絡，其中Layer1為接收傳感器數據 的輸入層；Layer2為兩個具有相同結構的自組織模糊神經網絡層；Layer3為輸出控制信號
的輸出層。
2.2 模糊神經網絡模型
傳統基于模糊控制步驟的模糊神經網絡常由五層構成，但是，三層BP神經網絡可以逼近幾乎所有的非線性系統，所以設置五層神經網絡不但使系統復雜化，而且增加了神經網絡逼近穩定狀態的難度[2，3]，因此，設計模型由輸入層、隸屬函數層、輸入越界判斷層、模糊規則層和輸出層組成，可調節連接權值只出現在模糊規則層和輸出層之間，其余各神經元間的連接權值均為1且不可調，本模型包含一層真正意義上的神經網絡，既簡化了神經網絡結構又按照模糊控制步驟設計；但是隸屬函數和模糊規則實際上仍然屬于模糊控制范疇，不但需要在設計初期就確定下來并且在系統運行過程中不會被優化，本文根據文獻[4]提出的一種剪枝算法，通過專用算法調整神經網絡中神經元的個數，解決了隸屬函數和模糊規則在系統運行過程中的優化問題；為了處理意外出現的越界參數，在隸屬函數層后增加越界參數判斷層，越界參數判斷層的輸出匯總后作為處理越界參數的依據。
因此，以模糊控制步驟為基礎，構造四層類神經網絡，四層分別是輸入層、隸屬函數層、模糊規則層和輸出層，模糊規則層神經元和輸出層神經元之間有可變連接權值；因為隸屬函數和模糊規則相互對應，因此將模糊規則層輸出數據作為隸屬函數和模糊規則調整的依據，基于以上考慮，本文提出的模糊神經網絡模型結構如圖3所示。
在圖3中，兩個矩形分別代表隸屬函數與規則調整算法和輸入越界處理算法，圓形代表神經元。與一般模糊神經網絡結構不同的是第二層隸屬函數層的輸出數據連接兩層不同的神經網絡層；第四層規則層的輸出數據分別連接輸出層神經元和隸屬函數與規則調整算法。
該模糊神經網絡結構共有五層神經元節點和兩個結構調整算法，各部分結構分別描述如下：
1）第一層：輸入層，本層共有n個神經元，對應輸入數據中的n維向量，本層只完成輸入數據的接收功能，直接將輸入數據傳入下一層，不對輸入數據進行任何計算，沒有傳遞函數。
2）第二層：隸屬函數層，神經元個數動態調整，本層模糊化輸入向量，該層的每一個神經元代表隸屬函數覆蓋的一個區域，每一個第一層的神經元都有對應的隸屬函數層神經元群，輸入向量對本層某神經元的激發度對應于該輸入向量在該神經元所表示的模糊區域的隸屬度。
3）第三層：越界輸入向量判斷層，本層共有n個神經元，對應輸入數據中的n維向量，判斷某個輸入向量是否超出現有的隸屬函數覆蓋區域，如果超出，則進入輸入越界算法，否則不做運算。
