神經網絡技術范例

［摘要］

分析清河水庫中長期水文預報狀況、歷史資料，提出預報單位年的概念，采取灰色關聯度方法選取適當的年份作為典型年，采用徑向基神經網絡技術，構建清河水庫中長期水文預報新模型，并開發了基于VB的中長期水文預報系統。通過近3年的應用檢驗，取得了較好的效果，較大地提高了清河水庫中長期水文預報精度。

［關鍵詞］

預報因子；灰色徑向基神經網絡；水文預報

1清河水庫中長期水文預報現狀及存在問題

清河水庫中長期水文預報工作始于水庫建成后的20世紀60年代初，70年代以后有較完整的預報資料，80年代末研制了運行環境為Dos系統的中長期水文預報軟件。預報項目包括3—4月春汛來水量預報和6—9月夏汛來水量預報，采用的預報方法主要有歷史演變法、周期分析外推法、平穩時間序列外推法、周期分析與平穩序列分析外推法、降雨徑流相關法等。各方法預報值有時相差較大，經綜合分析后確定一個預報范圍，以此預報來水量編制年度控制運用計劃。因預報準確性較低，用以指導實際調度運用的價值不大。當今，隨著科技的進步與發展，清河水庫現運用的中長期水文預報系統已不能適應實際工作需要，主要存在問題：1）預報系統陳舊，與現有計算機系統不相容；2）預報系統功能少，無資料保存和數據庫，缺乏圖、表統計對比分析；3）預報精度比較低；4）只有傳統預報方法，與變化的自然和人為因素影響的氣象和流域環境不相協調，適應性較差。

2灰色徑向基神經網絡技術應用

1人工神經技術

1.1拓撲結構調節

通過對靜態鄰域的各種結構以及它們對技術性能影響進行分析后得出，在拓撲適應性方面星形拓撲、VonNeumann拓撲以及環形拓撲最好。此外，人工神經網絡技術性能與鄰域密切相關，處理復雜問題時小鄰域的人工神經網絡技術性能較好，但是處理簡單問題上大鄰域的人工神經網絡技術性能會更好。Chend從改進人工神經網絡結構的角度出發，提出了一種具有雙結構的人工神經網絡技術。技術將神經網絡單元分為M+1層，其中“1”指頂層，技術通過獲得頂層神經網絡單元的全局最優值影響其余各層的粒子對最優值的探索，以此提高神經網絡單元搜索結果的多樣性。該技術考慮到神經網絡單元體表現以及粒子個體的表現，并將其作為觸發條件控制領域變化從而提高尋優效率。提出了KRTG-人工神經網絡技術，通過產生隨機動態的網絡拓撲結構并將平均值引入到粒子更新公式中，增加了種群的多樣性，改善了粒子間信息的傳播速度。

1.2結合其他技術改進

相關研究將遺傳技術中遺傳算子的選擇、交叉、變異等過程與人工神經網絡技術相結合，提出一種混合技術。改進后的技術提高人工神經網絡技術的性能，增加種群的多樣性并提高逃離局部最小的能力，可以將差分進化技術和人工神經網絡技術相結合，通過兩種技術的交叉執行來提高改進技術的效率。白俊強等將二階振蕩和自然選擇兩種方法融入到人工神經網絡技術中，通過二階振蕩對技術速度公式進行更新，通過自然選擇提高了神經網絡單元中靠近最優值粒子的比重。通過收集粒子的取值信息構建記憶庫，讓庫中信息和粒子自身極值共同決定粒子的尋優方向，從而提高尋優準確性。

2人工神經網絡技術在計算機系統中的應用

2.1系統管理模塊

【摘要】

隨著我國社會主義現代化建設不斷加快發展的過程中，城市化進程在不斷的推進，而作為我國國民經濟中最為重要的電力發展的建設開始迎來了新的挑戰和壓力，尤其是隨著電力規模的不斷擴大，建設的周期延長以及范圍的不斷加大，都給電力工程的造價帶來了巨大的挑戰。在這樣的發展趨勢下，為了有效讓電力建設的發展具有一定的安全性保障，并在可行性的工程造價的順利開展下，通過數據挖掘和神經網絡技術的應用，來促進我國電力建設的發展。本文也將從這兩個方面的技術應用來展開較為系統的分析。

【關鍵詞】

數據挖掘；神經網絡技術；電力工程造價；應用分析

隨著科學技術的發展，經濟全球化的趨勢，數據挖掘已經在全世界范圍內得到了廣泛的關注和應用，并得以快速發展起來，而其中最根本的原因在于全球化的科學信息技術的發展和快速世界化的感染和流行，使得互聯網技術在幾年內瞬間發展起來，造成了數據過量和信息膨脹的現象，因此人們在這種形勢下，急需要通過一種新型的技術來對這些信息進行處理，通過篩選和提取最有效、最有價值的部分出來，因此數據挖掘起到了重要作用，而在電力工程的造價應用，通過數據挖掘和神經網絡技術，實現了其更加系統化的發展。

1數據挖掘的定義

數據挖掘的源起與發展可追溯回到20世紀80年代。這種數據的挖掘從不同的角度理解，有不同的含義，而其實最主要的意思是把海量綜合性的數據通過挖掘出最有用、最有效的模式和知識的一個過程，并通過這種數據的挖掘來對未知的潛在的內容進行提取。因此從廣義上來將，這種數據挖掘的定義是一個從不完整的、不明確的、大量的并且包含噪聲，具有很大隨機性的實際應用數據中，提取出隱含其中、事先未被人們獲知、卻潛在有用的知識或模式的過程。這個過程事實上也即是數據挖掘的最根本目的，對復雜而混亂的信息進行分析和處理，并提取最有用的知識和信息給決策者。另一方面，從技術角度而言，數據挖掘的實現是借助一整套全面的數據計算，實現對海量數據信息的提取過程，并使得這部分被提取出來的信息是對人們在概念、模式以及規律等方面是最有價值的。它的這種技術操作主要是對歷史數據信息的分析，并把隱藏在潛在中的數據和關系分析挖掘出來，從而提供給人們對未來可能發生的結果起到協助分析研究的作用。

摘要:神經網絡技術是一門新興的數據挖掘方法，具有多目標、強擬合、自適應等多種優勢。選礦過程包含的流程長、步驟多，涉及的物理化學過程復雜，難以建立精確的數學模型。目前，將神經網絡技術應用于選礦各工藝步驟方面已取得了一些研究成果。今后神經網絡技術將在選礦過程自動化、選礦設備故障診斷專家系統開發、藥劑和選礦效果間的關系研究等領域具有十分廣闊的應用前景。

關鍵詞:神經網絡;磨礦;選礦指標;預測

人工神經網絡(ArtificialNeuralNetwork)，即ANN，簡稱神經網絡，是20世紀80年代興起的人工智能領域的研究熱點。其是由大量簡單的基本單元相互連接，通過數學物理方式并基于信息處理層來實現人腦神經網絡的抽象化，且成功構建出了一種簡化模型的智能網絡系統［1］。其在智能控制、決策優化、多元回歸、復雜非線性擬合方面具有非常大的應用優勢，近年來，隨著計算機技術的突飛猛進，神經網絡技術在各行各業的應用呈現出爆發性的增長趨勢，并在與不同行業的交叉應用過程中取得了令人欣喜的成果，應用較多的主要集中在醫療、軍工、金融等行業［2］。在選礦行業中，應用還比較少，但也有較為成功的應用案例，這一新興技術使得選礦這一傳統的行業煥發了新的活力。

1人工神經網絡(ANN)

人工神經網絡的拓撲結構類型有分層網絡和互聯網絡(反饋網絡)，網絡的學習方法有有教師學習和無教師學習以及增強學習。學習算法的分類有誤差糾正算法、Hebb規則和競爭學習算法等。目前應用較多的網絡類型有BP神經網絡、徑向基函數(RBF)網絡、Hopfield網絡、玻爾茲曼機(BM)網絡、自組織特征映射網絡以及ART網絡等［3］。不同的網絡類型具有不同的特點，在相關的應用領域有其優勢，當然也有其不足，經過多年的應用發展，研究人員開發了對各種網絡的優化方法，在特定的應用條件下取得了較好的效果。在選礦行業應用較多的有BP神經網路、徑向基函數(RBF)網絡等。BP神經網絡是一種按誤差逆傳播算法訓練的多層前饋網絡。

2神經網絡在選礦行業的應用

傳統的選礦工藝流程是一種連續的多步驟的工藝，前期工作包括準備、選別和產品處理等步驟［5］。準備工作一般是破碎、篩分、磨礦和分級，使得有用礦物和脈石礦物分離，為后期的選別工作做好準備。選別過程是選礦的核心工藝步驟，也是最重要的環節，常用的選別方法有浮選、重選、磁選等，其中應用最廣泛的方法就是浮選法。產品處理主要是精礦脫水和尾礦處理。選礦生產過程是一個十分復雜的工業系統流程，生產過程往往具有不確定性、非線性、延遲性、強耦合性及信息不完整性，很難建立精確的數學模型［6］。因此神經網絡處理復雜非線性問題的優勢就顯現出來了。神經網絡在選礦行業的應用目前主要在以下幾個方面:選廠經濟指標的預測、球磨機鋼球磨損程度的預測、磨礦自動控制算法設計、浮選結果的預測、礦漿pH值的預測、礦漿濃度的預測、浮選柱氣含率預測、浮選液位預測、浮選藥劑用量預測、浮選藥劑制度優化、采選廠浸出指標預測［7］等等，以下僅從典型的應用方向加以說明。從本質上看，神經網絡技術是一種數據挖掘的方法，所謂數據挖掘技術就是從大量的數據中發現對人們生產活動或者理論研究有價值的信息［8］。使用神經網絡技術研究相關問題需要大量的可靠數據用來訓練和驗證網絡的可靠性。在選礦行業，數據來源最好是多年積累的生產數據，但因保密、生產記錄不規范或者沒有連續性等原因，實際研究過程中海量的生產數據往往難以獲得，通常也會通過實驗室規模的試驗，以及通過計算機仿真來生產數據，再經過現場試驗來驗證和改進網絡的可靠性。

1互聯網人工神經網絡技術的重要起源以及發展過程

在上世紀九十年代初期，利用數學知識將感知器模型的弊病全面提出，致使社會各界對于人工神經網絡的探究非常少。另一方面，針對邏輯運算的人工神經網絡研究存在一定的弊端，一直沒有被大家發現，因此，致使人工神經網絡探究工程進入嚴重的低谷期。

關于人工神經網絡技術飛速發展時期，九十年代初期，對于人工神經網絡技術的弊端予以充分解決，尤其是Hopefield的人工神經網絡技術模型的提出，致使對于互聯網的穩定性以及收斂性的探究有了充分的理論依據。而且將人工神經網絡模型全面應用到具體的實踐中，并且得到全面推廣，同時，將科學技術和人工神經網絡進行有機結合，使人工神經網絡技術更加具有可研究性。

2關于人工神經技術的構造以及典型模型

互聯網人工神經技術的構造的組成包括以神經元件為主，同時，這項包含多種神經元結構的互聯網信息處理技術是可以并行存在的。每一個具體的人工神經元件可以單一輸出，還可以和其他的神經元件相結合，并且具有非常多的連接輸出方法，每一種連接措施都會有相應的權系數。具體的人工神經網絡技術的特點有：（1）針對每一個節點i，都會有相應的狀態變量Xi存在；（2）節點j到節點i之間，是相應的權系數Wij存在；（3）在每一個節點i的后面，具體存在相應的閾值θi；（4）在每一個節點i的后面，存在變換函數fi（Xi，Wijθi），但是，通常情況來說，這個函數取fi(∑，WijXi-θi)的情況。

3將人工神經網絡技術進行全面使用

互聯網的人工神經網絡技術具有獨特的結構和處理措施，具體包括在：自動控制處理和網絡技術模式識別、模型圖像處理和相應的傳感器信號處理技術。信號處理技術和機器人控制處理技術、地理領域和焊接、在電力系統應用和相關數據挖掘、軍事和交通行業、農業和氣象行業等多個領域紛紛體現出其卓越的貢獻。

一、電梯的運行原理和電梯故障的特點

只有清楚地了解電梯控制系統的運行原理才能夠及時準確的診斷出電梯故障原因，因此清楚的了解電梯運行原理,每一個電梯維修人員必須要做到。電梯運行過程總體上可分為以下幾個階段：第一、登記層外召喚信號和登記內選指令階段；第二、電梯門關閉或者電梯按照系統指令停運階段；第三、啟動階段；第四、在到達信號記錄的樓層前進行減速制動；第五、平層開門階段。在整個過程中電梯需要從外界接收信號并處理，然后完成相應的指令或者輸出信號，由此可以將電梯看作是一個完整的獨立的系統，只需要外界給予相應的信號就可以自動的做出動作。電梯系統內部復雜的構件緊密的結合在一起，正是如此才使得電梯系統故障具有了復雜性、層次性、相關性以及不確定性的特點。

二、神經網絡技術基本原理

生物學上的神經是由一個個簡單的神經元相互連接進而形成了復雜的龐大的神經系統，同理，神經網絡就是由大量簡單的處理單元相互連接形成的復雜的智能系統。單獨的處理單元類似于一個神經元，是一個可以接受不同信息但是只輸出一種信息的結構單位。神經網絡系統與生物學神經系統相似的是具有自我修改能力，它可以同時接收大量的數據并進行統一的分析處理，進而輸出相應的處理結果。這就使得神經網絡系統具有了高度容錯性、高度并行性、自我修改性、學習性以及高度復雜性，也正是由于這些特性才使的利用神經網絡技術能夠及時準確的查明電梯故障原因并得出故障解決方案。電梯故障診斷中應用的神經網絡模型分為三個層次：輸入層、接收外部信號或者是電梯自我檢測信息（如載重信息）；隱含層、對接收到了大量數據進行相應的分析處理；輸出層、將記錄著動作命令的數據傳送出來。在電梯出現故障時，首先可以通過神經網絡模型快速確定故障發生在哪一層達到節約時間的目的。但是神經網絡也會因為收斂速度過于慢、訓練強度太大或者是選擇的網絡模型不好等問題導致診斷結果受到影響。

三、神經網絡模型在電梯故障診斷中的應用分類

神經網絡模型已經成為了如今電梯故障診斷中應用最廣泛的技術模型，相比于傳統方式它具有診斷速度快、故障原因命中率高的優點，因此引起了各方面專業人士的強烈關注，并在他們的不懈努力下得到了發展與創新。它跨越多個專業領域、通過對各種復雜的高難度工作的不斷的發展與改進出現了越來越多的應用模型，下面主要介紹了當前應用最普遍的BP網絡模型，并且簡單的引入并介紹了近年來新興的模糊神經網絡模型和遺傳小波神經網絡模型。

（一）BP網絡模型

【摘要】

隨著我國社會主義現代化建設不斷加快發展的過程中，城市化進程在不斷的推進，而作為我國國民經濟中最為重要的電力發展的建設開始迎來了新的挑戰和壓力，尤其是隨著電力規模的不斷擴大，建設的周期延長以及范圍的不斷加大，都給電力工程的造價帶來了巨大的挑戰。在這樣的發展趨勢下，為了有效讓電力建設的發展具有一定的安全性保障，并在可行性的工程造價的順利開展下，通過數據挖掘和神經網絡技術的應用，來促進我國電力建設的發展。本文也將從這兩個方面的技術應用來展開較為系統的分析。

【關鍵詞】

數據挖掘；神經網絡技術；電力工程造價；應用分析

隨著科學技術的發展，經濟全球化的趨勢，數據挖掘已經在全世界范圍內得到了廣泛的關注和應用，并得以快速發展起來，而其中最根本的原因在于全球化的科學信息技術的發展和快速世界化的感染和流行，使得互聯網技術在幾年內瞬間發展起來，造成了數據過量和信息膨脹的現象，因此人們在這種形勢下，急需要通過一種新型的技術來對這些信息進行處理，通過篩選和提取最有效、最有價值的部分出來，因此數據挖掘起到了重要作用，而在電力工程的造價應用，通過數據挖掘和神經網絡技術，實現了其更加系統化的發展。

1數據挖掘的定義

數據挖掘的源起與發展可追溯回到20世紀80年代。這種數據的挖掘從不同的角度理解，有不同的含義，而其實最主要的意思是把海量綜合性的數據通過挖掘出最有用、最有效的模式和知識的一個過程，并通過這種數據的挖掘來對未知的潛在的內容進行提取。因此從廣義上來將，這種數據挖掘的定義是一個從不完整的、不明確的、大量的并且包含噪聲，具有很大隨機性的實際應用數據中，提取出隱含其中、事先未被人們獲知、卻潛在有用的知識或模式的過程。這個過程事實上也即是數據挖掘的最根本目的，對復雜而混亂的信息進行分析和處理，并提取最有用的知識和信息給決策者。另一方面，從技術角度而言，數據挖掘的實現是借助一整套全面的數據計算，實現對海量數據信息的提取過程，并使得這部分被提取出來的信息是對人們在概念、模式以及規律等方面是最有價值的。它的這種技術操作主要是對歷史數據信息的分析，并把隱藏在潛在中的數據和關系分析挖掘出來，從而提供給人們對未來可能發生的結果起到協助分析研究的作用。

一、電梯的運行原理和電梯故障的特點

只有清楚地了解電梯控制系統的運行原理才能夠及時準確的診斷出電梯故障原因，因此清楚的了解電梯運行原理,每一個電梯維修人員必須要做到。電梯運行過程總體上可分為以下幾個階段：第一、登記層外召喚信號和登記內選指令階段；第二、電梯門關閉或者電梯按照系統指令停運階段；第三、啟動階段；第四、在到達信號記錄的樓層前進行減速制動；第五、平層開門階段。在整個過程中電梯需要從外界接收信號并處理，然后完成相應的指令或者輸出信號，由此可以將電梯看作是一個完整的獨立的系統，只需要外界給予相應的信號就可以自動的做出動作。電梯系統內部復雜的構件緊密的結合在一起，正是如此才使得電梯系統故障具有了復雜性、層次性、相關性以及不確定性的特點。

二、神經網絡技術基本原理

生物學上的神經是由一個個簡單的神經元相互連接進而形成了復雜的龐大的神經系統，同理，神經網絡就是由大量簡單的處理單元相互連接形成的復雜的智能系統。單獨的處理單元類似于一個神經元，是一個可以接受不同信息但是只輸出一種信息的結構單位。神經網絡系統與生物學神經系統相似的是具有自我修改能力，它可以同時接收大量的數據并進行統一的分析處理，進而輸出相應的處理結果。這就使得神經網絡系統具有了高度容錯性、高度并行性、自我修改性、學習性以及高度復雜性，也正是由于這些特性才使的利用神經網絡技術能夠及時準確的查明電梯故障原因并得出故障解決方案。電梯故障診斷中應用的神經網絡模型分為三個層次：輸入層、接收外部信號或者是電梯自我檢測信息（如載重信息）；隱含層、對接收到了大量數據進行相應的分析處理；輸出層、將記錄著動作命令的數據傳送出來。在電梯出現故障時，首先可以通過神經網絡模型快速確定故障發生在哪一層達到節約時間的目的。但是神經網絡也會因為收斂速度過于慢、訓練強度太大或者是選擇的網絡模型不好等問題導致診斷結果受到影響。

三、神經網絡模型在電梯故障診斷中的應用分類

神經網絡模型已經成為了如今電梯故障診斷中應用最廣泛的技術模型，相比于傳統方式它具有診斷速度快、故障原因命中率高的優點，因此引起了各方面專業人士的強烈關注，并在他們的不懈努力下得到了發展與創新。它跨越多個專業領域、通過對各種復雜的高難度工作的不斷的發展與改進出現了越來越多的應用模型，下面主要介紹了當前應用最普遍的BP網絡模型，并且簡單的引入并介紹了近年來新興的模糊神經網絡模型和遺傳小波神經網絡模型。

（一）BP網絡模型