神經(jīng)網(wǎng)絡(luò)算法的優(yōu)缺點精選(九篇)

前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的神經(jīng)網(wǎng)絡(luò)算法的優(yōu)缺點主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：神經(jīng)網(wǎng)絡(luò)算法的優(yōu)缺點范文

關(guān)鍵詞：切削數(shù)據(jù)庫；數(shù)據(jù)尋優(yōu)算法；實例推理；粒子群算法；神經(jīng)網(wǎng)絡(luò)算法

中圖分類號：TG506 文獻標志碼：A 文章編號：1007-2683（2013）01-0001-06

0.引言

近年來，隨著數(shù)控機床及切削刀具技術(shù)的不斷發(fā)展，切削數(shù)據(jù)在機械制造領(lǐng)域中越來越顯示出其重要性，并且已經(jīng)成為一種極為重要的資源。

數(shù)據(jù)庫是集中、保存和管理某一領(lǐng)域內(nèi)所有這些信息的集合，是管理信息系統(tǒng)的核心。切削數(shù)據(jù)庫是切削加工技術(shù)與計算機技術(shù)相結(jié)合的產(chǎn)物。切削數(shù)據(jù)庫最初只是管理加工中出現(xiàn)的切削數(shù)據(jù)，隨著神經(jīng)網(wǎng)絡(luò)算法、粒子群算法等優(yōu)化算法的應(yīng)用，切削數(shù)據(jù)庫中添加了優(yōu)化切削數(shù)據(jù)和切削數(shù)據(jù)的智能化評價等功能，使得切削數(shù)據(jù)庫系統(tǒng)得到了很大的發(fā)展并已受到各相關(guān)行業(yè)的高度重視。選擇合理的優(yōu)化算法建立切削數(shù)據(jù)庫，可以合理地選擇切削參數(shù)，對提高生產(chǎn)率、降低生產(chǎn)成本有著非常重要的意義。對于解決某一類問題，可以通過多種算法來實現(xiàn)但并不是每一種算法都能找到最優(yōu)解，需要根據(jù)每個算法自身的優(yōu)缺點、適合的領(lǐng)域、優(yōu)化方式等來選擇合適的算法，從而使尋優(yōu)路徑達到最短，優(yōu)化效果達到最好。但是傳統(tǒng)的優(yōu)化算法也存在一定的弊端，為此提出了算法的改進算法，在很大程度上增強了算法的尋優(yōu)能力。

1.數(shù)據(jù)獲取技術(shù)在切削數(shù)據(jù)庫中的應(yīng)用

1.1神經(jīng)網(wǎng)絡(luò)推理技術(shù)

神經(jīng)網(wǎng)絡(luò)算法是指模擬生物的神經(jīng)結(jié)構(gòu)以及其處理信息的方式來進行計算的一種算法。神經(jīng)網(wǎng)絡(luò)可以處理例外及不正常的輸入數(shù)據(jù)，這對于很多系統(tǒng)都很重要。黃傳真等研究的汽車覆蓋件模具鋼高速切削數(shù)據(jù)庫將分別基于MATLAB神經(jīng)網(wǎng)絡(luò)和基于指數(shù)函數(shù)的刀具磨損預(yù)報模型的擬合誤差相比較，優(yōu)選出基于MATLAB神經(jīng)網(wǎng)絡(luò)的刀具磨損預(yù)報模型，并將.NET框架和MATLAB環(huán)境引入到刀具磨損集成預(yù)報系統(tǒng)中，實現(xiàn)了模具鋼精加工過程中對刀具磨損的在線預(yù)報，實現(xiàn)了對高速切削加工技術(shù)的合理應(yīng)用。

為了實現(xiàn)神經(jīng)網(wǎng)絡(luò)模型的智能尋優(yōu)，將其與蟻群算法相結(jié)合使用，用蟻群算法的啟發(fā)式尋優(yōu)和全局優(yōu)化的特點來訓(xùn)練神經(jīng)網(wǎng)絡(luò)的權(quán)值即用蟻群算法來訓(xùn)練神經(jīng)網(wǎng)絡(luò)，最終解決尋優(yōu)問題。如詹曉娟等研究的基于蟻群神經(jīng)網(wǎng)絡(luò)銑削數(shù)據(jù)庫系統(tǒng)就是利用蟻群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的方法，使系統(tǒng)在切削參數(shù)的選擇具有一定的智力水平，實現(xiàn)了切削參數(shù)的合理選擇。這種智能尋優(yōu)的方法不僅避免了以往算法收斂速度慢易陷入局部最優(yōu)等缺陷，提高了系統(tǒng)的運行速度和運算效率，還能夠通過自學習提高自身決策能力，使決策結(jié)果更趨合理。

神經(jīng)網(wǎng)絡(luò)在解決非線性映射問題如切削用量選擇上可達到良好的效果，在機械工程領(lǐng)域具有很高的利用價值。但是當前的神經(jīng)網(wǎng)絡(luò)仍普遍存在收斂速度慢、計算量大、訓(xùn)練時間長和不可解釋等缺點。

1.2動力學仿真優(yōu)化技術(shù)

切削參數(shù)數(shù)據(jù)庫的數(shù)據(jù)主要來源于切削手冊、生產(chǎn)實踐和切削實驗，傳統(tǒng)來源的切削參數(shù)難以完全滿足切削加工的要求。為了存儲優(yōu)化型仿真切削數(shù)據(jù)，保證切削加工穩(wěn)定性，趙海洋等在平臺下開發(fā)了基于B/S數(shù)據(jù)庫結(jié)構(gòu)的動力學仿真優(yōu)化型切削數(shù)據(jù)庫系統(tǒng)。該系統(tǒng)通過動力學仿真優(yōu)化方式獲取優(yōu)化型切削參數(shù)，實現(xiàn)了高速加工過程中的穩(wěn)定高效切削。

將動力學仿真優(yōu)化技術(shù)引入到切削數(shù)據(jù)庫及其應(yīng)用系統(tǒng)中，不僅能使系統(tǒng)具有良好的結(jié)構(gòu)和可擴展性，還能提供工藝人員合理的切削參數(shù)，大大減少了以往試切所帶來的經(jīng)濟和時間上的浪費，從而提高了生產(chǎn)效率，降低了生產(chǎn)成本。

1.3實例推理技術(shù)

1982年Schank通過研究人和機器學習的動態(tài)存儲理論，提出了基于實例的推理（case-based reason-ing，CBR）其本質(zhì)是利用舊問題的解決方案來解決新問題，并且具有自學習功能，CBR原理如圖1所示。

利用實例推理技術(shù)，將其與規(guī)則推理相結(jié)合使用，把以往取得的經(jīng)驗應(yīng)用于新問題的解決上，減少知識獲取的工作量，不僅可以為建立切削參數(shù)數(shù)據(jù)庫提供一個有效可行的方法，還可以為新的工件加工問題提供參考解決方案，對切削技術(shù)的推廣應(yīng)用具有非常重要的意義。

CBR是一種人工智能的推理方法，廣泛應(yīng)用于問題求解領(lǐng)域，在一定程度上突破了知識獲取的瓶頸問題。由于CBR中實例都是以往問題的優(yōu)化結(jié)果，因此其本身就包含了大量的設(shè)計經(jīng)驗知識，不僅避免了在獲取知識上的時間的浪費，而且設(shè)計結(jié)果的實用性也很強。CBR為快速設(shè)計新的工藝提供了依據(jù)。

2.切削數(shù)據(jù)優(yōu)化算法分析對比

2.1多目標優(yōu)化算法的比較

從古老的時代開始，人們就力求在解決一個問題的眾多方案中尋求一種最優(yōu)方案，因此實際中優(yōu)化問題大多數(shù)是多目標優(yōu)化問題，它也是一類普遍存在的問題?；谌后w智能進化的群體智能優(yōu)化算法在解決多目標優(yōu)化問題上提高了人們解決和處理優(yōu)化問題的能力。但是粒子群算法等群體智能優(yōu)化算法在解決多目標優(yōu)化問題時有著各自的優(yōu)缺點，需要對它們進行比較以選擇合適的算法。表1是幾種智能優(yōu)化算法的比較。

通過表1中幾種算法的對比可以看出，每種優(yōu)化算法都有自己獨特的優(yōu)缺點，但是在處理高維復(fù)雜問題時都出現(xiàn)易陷入局部最優(yōu)、收斂效果不好的問題。粒子群算法和遺傳算法都屬于全局優(yōu)化算法，利用目標函數(shù)來衡量個體的優(yōu)劣程度，粒子群算法計算復(fù)雜度比遺傳算法低，可以短時間內(nèi)找到最優(yōu)解，但粒子群算法在搜索性能上好于混洗蛙跳算法。可以將幾種算法結(jié)合使用或者對某種算法進行改進，彌補以往算法的缺點，從而達到更好的解決多目標優(yōu)化問題的目的。

2.2知識獲取的推理方式比較

規(guī)則推理、人工神經(jīng)網(wǎng)絡(luò)、實例推理、模糊邏輯、遺傳算法和混合推理等智能推理方法被普遍應(yīng)用在工程中。實例推理作為基于規(guī)則推理技術(shù)的一個重要補充，已受到人們越來越廣泛的關(guān)注。但目前比較常用的智能推理方法有規(guī)則推理、神經(jīng)網(wǎng)絡(luò)和實例推理，它們在解決不同問題上表現(xiàn)出各自的優(yōu)缺點，如表2所示。

根據(jù)表2列出的3種智能推理方式的比較可以看出，在總體上來看實例推理表現(xiàn)最好，但在解決復(fù)雜知識獲取問題上仍表現(xiàn)出明顯的不足。針對這一問題研究人員將實例推理、規(guī)則推理、人工神經(jīng)網(wǎng)絡(luò)三者結(jié)合，產(chǎn)生了各種各樣的混合推理，這些推理不僅結(jié)合了它們各自的優(yōu)點，而且很大程度上克服了單個方法的缺點，可

以很好的解決復(fù)雜問題，如高速切削數(shù)據(jù)庫系統(tǒng)的建立就是采用規(guī)則推理和實例相結(jié)合的混合推理方式，通過這一方式使該系統(tǒng)的數(shù)據(jù)采集和知識更新變得簡單易行。

2.3數(shù)據(jù)查詢優(yōu)化算法比較

隨著現(xiàn)代切削數(shù)據(jù)庫規(guī)模的不斷擴大，高效率的信息提取技術(shù)逐漸成為人們研究的熱點。高效的查詢被用來體現(xiàn)一個系統(tǒng)性能的好壞，查詢的效率也就成為了評價切削數(shù)據(jù)庫系統(tǒng)的重要指標。提高查詢效率是建立一個系統(tǒng)首要解決的問題之一，因此對作為有效手段的查詢優(yōu)化的研究就顯得尤為重要。但是一個較好的優(yōu)化算法，并不是通用和萬能的，根據(jù)不同的環(huán)境不同的優(yōu)化算法適用于不同的的問題及用戶。目前常用的數(shù)據(jù)查尋優(yōu)化算法有啟發(fā)式搜索算法又稱為A算法，它是在貪婪算法的基礎(chǔ)上提出的一種基于人工智能理論的改進算法；基于Agent的分布式查詢優(yōu)化算法，它結(jié)合了分布式人工智能與切削數(shù)據(jù)庫管理系統(tǒng)兩個領(lǐng)域；遺傳算法，它是模擬生物在環(huán)境中遺傳和進化過程而形成得一種自適應(yīng)的全局優(yōu)化概率搜索算法；全局查詢優(yōu)化算法如模擬退火算法、快速分解模擬退火等，能夠找出全局最優(yōu)解；等聯(lián)結(jié)操作結(jié)果估算模型，它是一種改進算法，能保證優(yōu)化方法在一定條件下生成的任意兩個相鄰的操作次序是最優(yōu)的；分裂大表算法即將大表分成若干個子表和一個索引表，將子表放在不同的邏輯設(shè)備上，各子表的名稱和分裂條件存放在索引表里來提高查詢速度；神經(jīng)網(wǎng)絡(luò)技術(shù)的異構(gòu)數(shù)據(jù)庫集成，它可以通過將全局查詢快速地分解為各個子查詢，來進行優(yōu)化操作；多元連接查詢優(yōu)化算法，針對遠程網(wǎng)和局域網(wǎng)這兩種不同的網(wǎng)絡(luò)，提出了最小生成樹算法和改進的最小生成樹算法兩種全局優(yōu)化算法，反復(fù)使用此算法可使預(yù)先估計的總代價最??；分布式查詢優(yōu)化算法，它的核心是SDD-1查詢優(yōu)化算法，該算法在一定程度上可以使整個網(wǎng)絡(luò)上的傳輸量保持最小。對數(shù)據(jù)庫進行查詢時，可供選擇查詢優(yōu)化算法很多，需要根據(jù)一定的標準來評價各算法是否適用于此環(huán)境，以提高效率的目的。為此研究人員提出了評價算法的4個標準：一是否適用于大數(shù)據(jù)量；二是否能應(yīng)付異構(gòu)數(shù)據(jù)庫的要求；三是局部優(yōu)化還是全局優(yōu)化；四是算法的效率是否滿足大數(shù)據(jù)量、高復(fù)雜性的要求。表3是幾種數(shù)據(jù)查詢優(yōu)化算法的比較。

由表3可知，對數(shù)據(jù)庫進行查詢時，對查詢優(yōu)化算法的選擇需要考慮很多因素，不能通過一個固定的原則來評價優(yōu)化算法的優(yōu)劣，需要根據(jù)當時的系統(tǒng)環(huán)境來選擇合適的優(yōu)化算法，這樣才能充分利用算法的優(yōu)點。

3.數(shù)據(jù)尋優(yōu)算法的改進

目前許多數(shù)據(jù)優(yōu)化算法被廣泛應(yīng)用在機械加工領(lǐng)域，在一定程度上達到了數(shù)據(jù)尋優(yōu)的目的，提高了系統(tǒng)的尋優(yōu)能力，但是面臨一些復(fù)雜的問題時一些算法表現(xiàn)出收斂速度慢、陷入局優(yōu)等問題，為了解決這一問題，對一些算法提出了改進，下面介紹了幾種算法的改進算法。

3.1變形遺傳算法

變形遺傳算法是從簡單遺傳算法發(fā)展而來的，是對其運算因子的擴展和補充。簡單遺傳算法存在許多的不足之處，變形遺傳算法在此基礎(chǔ)上進行了一些改進：改進編碼方式，改進初始群體的生成方式，改進適應(yīng)度函數(shù)的定義方式，改進選擇算子操作方式，改進變異算子操作方式，改進算法終止條件。這些算法增強了變形遺傳算法搜索過程的方向性，從而增強了算法搜索尋優(yōu)的方向性。圖2為切削用量優(yōu)化的變形遺傳算法的流程圖。

變形遺傳算法有兩個優(yōu)點：一是具有局部的隨機搜索能力；二是可維持群體多樣性，防止出現(xiàn)未成熟收斂現(xiàn)象，從而使收斂概率達到大值。

3.2改進的粒子群算法

粒子群優(yōu)化算法在函數(shù)優(yōu)化等領(lǐng)域蘊涵了廣闊的應(yīng)用前景，利用粒子群優(yōu)化參數(shù)原理（如圖3），并與局部搜索算法混合，可以提高了算法在局部區(qū)域內(nèi)進行精細搜索的能力。尋找到最優(yōu)化的加工參數(shù)。目前針對粒子群算法存在的問題，已提出了多種粒子群算法改進算法，并且這些改進的算法廣泛應(yīng)用于函數(shù)優(yōu)化，神經(jīng)網(wǎng)絡(luò)訓(xùn)練，模式分類等領(lǐng)域。其中一種改進的粒子群算法是針對粒子群算法在求解高維函數(shù)時易陷入局部最優(yōu)的問題提出的，該算法通過對粒子的速度和位置更新公式進行改進，使粒子在其最優(yōu)位置的基礎(chǔ)上進行位置更新，從而增強算法的尋優(yōu)能力。如圖4為改進的粒子群算法流程圖。

另外兩種典型的粒子群算法的改進算法為：①全局鄰域模式和局部鄰域模式粒子群優(yōu)化算法，前者收斂速度快，但易陷入局部極小值；后者收斂速度慢，但能在較大程度上避開局部極小值；②混沌粒子群優(yōu)化算法，它不但具有混沌的隨機性、遍歷性、規(guī)律性等特性，還能引導(dǎo)粒子及其組成的群落搜索全局最優(yōu)解。

3.3協(xié)同優(yōu)化算法的改進

協(xié)同優(yōu)化算法（eollaborati Veoptimization，CO）是多學科設(shè)計優(yōu)化方法中應(yīng)用最廣、效果最好的算法，但是在應(yīng)用中存在計算困難的問題，根據(jù)這一問題提出了改進的協(xié)同優(yōu)化算法一ICO（Improvedeollaborati Veoptimization）多學科設(shè)計優(yōu)化方法。

ICO多學科設(shè)計優(yōu)化方法保持了CO算法模塊化和學科自治性的優(yōu)點，以新的表達方式來克服CO算法的計算困難。ICO算法利用快速啟動方法提高了計算速度，使得ICO算法比標準CO算法更加穩(wěn)定、可靠，計算效率明顯提高。以往協(xié)同粒子群算法不能保證全局收斂，易產(chǎn)生偽最優(yōu)值的問題，根據(jù)這一問題提出改進的協(xié)同粒子群優(yōu)化算法，它將混沌理論引入?yún)f(xié)同粒子群算法中，改善了協(xié)同粒子群算法的性能，使其具備了求解高維優(yōu)化問題的優(yōu)越性。但是IC0算法還需要在大型復(fù)雜工程系統(tǒng)設(shè)計優(yōu)化中進行應(yīng)用、檢驗及進一步完善。

Matherton提出Kriging數(shù)學理論之后，Kriging技術(shù)在許多領(lǐng)域得到應(yīng)用，研究人員以此為基礎(chǔ)并基于統(tǒng)計學理論提出了Kriging模型，Kriging模型被視為一種最優(yōu)的線性無偏估計。對于計算量大的問題可以利用基于Kriging模型的改進協(xié)同優(yōu)化算法（Kriging-CO算法）來提高系統(tǒng)的優(yōu)化效率，該改進算法的原理如圖5所示。Kriging-CO算法適用于解決共享變量多、子模型復(fù)雜的問題，應(yīng)用該算法減少迭代次數(shù)，提高運算效率。

雖然一些改進算法彌補了以往算法一些不足，但切削數(shù)據(jù)庫技術(shù)的發(fā)展越來越快，對切削數(shù)據(jù)庫性能的要求越來越高，出現(xiàn)的問題也會越來越多，因此對算法的研究也必須更加深入。

4.結(jié)語

第2篇：神經(jīng)網(wǎng)絡(luò)算法的優(yōu)缺點范文

關(guān)鍵詞： 供應(yīng)鏈績效評價；模糊綜合評估；粗糙集；BP神經(jīng)網(wǎng)絡(luò)

中圖分類號：C93 文獻標識碼： A文章編號：1003-7217(2011)05-0119-06

一、引 言

在供應(yīng)鏈條件下，各節(jié)點企業(yè)運作行為往往具有隨機性和不確定性。動態(tài)供應(yīng)鏈績效評價是一個包含多個指標和輸入輸出的復(fù)雜評估系統(tǒng)，各績效指標具有模糊性、不確定性，彼此之間存在非線性關(guān)聯(lián)性。軟計算［1-7］理論與方法是處理動態(tài)供應(yīng)鏈績效這樣復(fù)雜的、具有大量不確定性和模糊性的評估系統(tǒng)的重要技術(shù)。在相當多的領(lǐng)域（自然科學、社會科學與工程技術(shù)）中，都涉及到對不完備信息和不確定因素的處理。從實際系統(tǒng)中采集到的數(shù)據(jù)常常包含著噪聲、不精確甚至不完整，如果我們采用純數(shù)學上的假設(shè)來消除或回避這種不確定性，效果往往不理想。但如果對這種信息使用恰當?shù)姆绞竭M行處理，常常有助于實際系統(tǒng)問題的解決。

二、相關(guān)研究評述

多年來，研究人員一直在努力尋找科學地處理不完整性和不確定性的有效途徑，實踐證明，1965年Zadeh［8］創(chuàng)立的模糊集理論與1982年P(guān)awlak［9］倡導(dǎo)的粗糙集理論是處理不確定性的兩種很好的方法。事實上，除了上述兩種方法外，基于概率統(tǒng)計方法的證據(jù)理論也是處理不確定性的一種有效方法。以上眾多的方法都屬于軟計算［10－15］(Soft Computing)的范疇。Zadeh教授提出了軟計算的概念，軟計算的主要工具包括粗糙集、模糊邏輯(Fuzzy Logic)、神經(jīng)網(wǎng)絡(luò)、概率推理(Probability Reasoning)、信任度網(wǎng)絡(luò)(Belief Network)、遺傳算法（Genetic Arithmetic）、混沌理論(Chaos)等。傳統(tǒng)的計算方法，即所謂的硬計算(Hard Computing)，使用精確、固定和不變的算法來表達和解決問題，軟計算利用所允許的不精確性、不確定性和部分真實性得到易于處理、魯棒性強和成本較低的解決方案，以便更好地與現(xiàn)實系統(tǒng)相協(xié)調(diào)。因此，軟計算作為知識獲取和智能信息處理的重要手段，在許多研究領(lǐng)域有著廣泛而深入的應(yīng)用。

（一）基于模糊綜合評估的供應(yīng)鏈績效評價

模糊集理論是經(jīng)典理論的推廣，它認為元素總是以一定的程度屬于某個集合， 也可能以不同的程度屬于幾個集合。經(jīng)典理論中集合的邊界是清晰的，而模糊集理論中集合的邊界是不清晰的，對人們顯示生活中大量使用的一些含義確定但不準確的語言表述，模糊數(shù)學可以較好地表達，因而可以自然地用于事物的評價。

在動態(tài)供應(yīng)鏈績效評價體系中，各績效指標之間往往存在著復(fù)雜的因果關(guān)系，這些指標中既有定性指標也有定量指標，具有模糊和不確定的特點，模糊綜合評估方法為處理這種不確定性提供了有力的工具，它能夠盡可能地減少個人主觀臆斷所帶來的危害，為合理評價決策提供科學的依據(jù)。作者在文獻［16］中詳細討論了基于模糊綜合分析的供應(yīng)鏈績效評價方法，并結(jié)合Markov鏈預(yù)測理論給出了供應(yīng)鏈績效未來的發(fā)展趨勢。

（二）基于粗糙集約簡的供應(yīng)鏈績效評價

Rough集理論是一種刻畫含噪聲、不完整、不精確、不相容的數(shù)學工具，它能有效分析和處理不精確、不一致、不完整等各種不完備信息，并從中發(fā)現(xiàn)隱含的知識，揭示潛在的規(guī)律，是一種重要的軟計算技術(shù)。其主要思想是在保持分類能力不變的前提下，通過知識約簡，導(dǎo)出概念的分類原則。Rough 集理論是基于不可分辨的思想和知識簡化的方法，從數(shù)據(jù)中推理邏輯規(guī)則作為知識系統(tǒng)模型。

如前所述，在供應(yīng)鏈條件下，各節(jié)點企業(yè)運作策略具有動態(tài)可調(diào)節(jié)性，其運作行為具有隨機性和不確定性，這就要求在對供應(yīng)鏈績效進行評價必須采用動態(tài)評價方法，同時對供應(yīng)鏈在未來某一時刻的整體績效進行預(yù)測。粗糙集及其約簡理論是處理這種不確定性的重要技術(shù)。作者在文獻［17］中基于粗糙集理論的績效評價模型，建立了動態(tài)供應(yīng)鏈績效評價決策表，利用粗糙集約簡方法得到了預(yù)測績效評價結(jié)果的決策規(guī)則集，并把粗糙集約簡和模糊綜合評估技術(shù)相結(jié)合進行動態(tài)供應(yīng)鏈績效評價，顯然地縮小了數(shù)據(jù)處理的規(guī)模，降低了模型的計算復(fù)雜度。

（三）基于神經(jīng)網(wǎng)絡(luò)的供應(yīng)鏈績效評價

神經(jīng)網(wǎng)絡(luò)可大規(guī)模地并行處理和分布式地存儲信息，具有良好的自適應(yīng)、自組織性以及很強的學習功能、聯(lián)想功能和容錯功能。與當今的馮諾依曼式計算機相比，更加接近人腦的信息處理模式，主要表現(xiàn)為能夠處理連續(xù)的模擬信號。神經(jīng)網(wǎng)絡(luò)并行分布工作，各組成部分同時參與運算，單個神經(jīng)元的動作速度不高，但總體的處理速度很快。神經(jīng)網(wǎng)絡(luò)信息存儲分布于全網(wǎng)絡(luò)各個權(quán)重變換之中，某些單元障礙并不影響信息的完整。傳統(tǒng)計算機要求有準確的輸入條件, 才能給出精確解。神經(jīng)網(wǎng)絡(luò)只要求部分條件，甚至對于包含有部分錯誤的輸入，也能得出較好的解答，因此具有較好的容錯性。

動態(tài)供應(yīng)鏈績效評價是一個包含多個指標輸入輸出的復(fù)雜評估系統(tǒng)，各績效指標具有模糊性，彼此之間存在非線性關(guān)聯(lián)性。針對這樣一個復(fù)雜的評估系統(tǒng)，作者曾利用BP神經(jīng)網(wǎng)絡(luò)技術(shù)來找出供應(yīng)鏈績效評價系統(tǒng)輸入-輸出之間的非線性映射關(guān)系，從而對動態(tài)供應(yīng)鏈績效評價結(jié)果進行學習和預(yù)測。通過與粗糙集約簡理論相結(jié)合，簡化了BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計，減小了運算量。

（四）幾種軟計算方法的優(yōu)缺點

軟計算是一個方法的集合體，目前主要包括粗糙集、模糊邏輯、神經(jīng)網(wǎng)絡(luò)、概率推理、信任度網(wǎng)絡(luò)、遺傳算法以及混沌理論等。軟計算方法已廣泛應(yīng)用于包括模式識別、數(shù)據(jù)挖掘、系統(tǒng)評價、故障診斷、專家系統(tǒng)等在內(nèi)的諸多領(lǐng)域的不精確、不確定問題。軟計算方法按照其特點各有優(yōu)勢。例如，模糊集可以通過對人類思維建模來給不確定性問題提供自然的解決機制；粗糙集在屬性約簡和規(guī)則抽取方面性能優(yōu)良；神經(jīng)網(wǎng)絡(luò)對噪聲具有強魯棒性，分類精度高；遺傳算法廣泛用于優(yōu)化搜索問題。 同時，以上軟計算方法依照算法的不同有各自的局限性：模糊集過度依賴專家知識，遺傳算法收斂速度慢、穩(wěn)定性差，神經(jīng)網(wǎng)絡(luò)訓(xùn)練時間過長、知識解釋性差，而粗糙集對數(shù)據(jù)中的噪聲較敏感。本文為了克服單一方法的局限，試圖通過集成兩種或兩種以上的軟計算方法的軟計算融合系統(tǒng)來解決供應(yīng)鏈績效評價的實際問題［6, 7］。

財經(jīng)理論與實踐(雙月刊)2011年第5期2011年第5期(總第173期)鄭 培，萬 煒：基于智能信息處理的供應(yīng)鏈績效評價方法

（五）軟計算融合技術(shù)在動態(tài)供應(yīng)鏈績效評價中的應(yīng)用

作者詳細研究了模糊綜合分析、粗糙集理論、神經(jīng)網(wǎng)絡(luò)等軟計算技術(shù)在動態(tài)供應(yīng)鏈績效評價中的應(yīng)用方法。從文獻［16-17］實驗結(jié)果可以初步看出，通過把幾種軟計算技術(shù)融合起來應(yīng)用于供應(yīng)鏈績效評價，就能夠克服單一智能信息處理方法的缺陷，取得更好的效果。本文使用的幾種軟計算技術(shù)能在多個方面進行融合［6, 7］。

粗糙集和神經(jīng)網(wǎng)絡(luò)的融合。通過粗糙集的屬性約簡可以顯著減少原始數(shù)據(jù)量，使神經(jīng)網(wǎng)絡(luò)訓(xùn)練時間縮短，從訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)中抽取規(guī)則也可顯著提高神經(jīng)網(wǎng)絡(luò)中知識可理解性；神經(jīng)網(wǎng)絡(luò)的強魯棒性也可解決粗糙集處理數(shù)據(jù)中的噪聲問題。

粗糙集理論和模糊集理論的融合。粗糙集理論和模糊集理論都是研究信息系統(tǒng)中知識不完善、不精確問題的方法，但粗糙集理論解決問題的出發(fā)點是信息系統(tǒng)中知識的不可分辨性，而模糊集理論則關(guān)注信息系統(tǒng)中知識的模糊性，兩者在處理方法上各有特色。兩者的結(jié)合可以更好地解決信息系統(tǒng)中不完善、不精確性知識的問題。

模糊集和神經(jīng)網(wǎng)絡(luò)的融合。模糊集和神經(jīng)網(wǎng)絡(luò)的融合主要有模糊神經(jīng)網(wǎng)絡(luò)和神經(jīng)模糊系統(tǒng)。神經(jīng)模糊系統(tǒng)以神經(jīng)網(wǎng)絡(luò)為主，結(jié)合模糊集理論，將神經(jīng)網(wǎng)絡(luò)作為實現(xiàn)模糊模型的工具，即在神經(jīng)網(wǎng)絡(luò)的框架下實現(xiàn)模糊系統(tǒng)或其一部分功能。從結(jié)構(gòu)上看，一般是四層或五層的前向神經(jīng)網(wǎng)絡(luò)。模糊神經(jīng)網(wǎng)絡(luò)是神經(jīng)網(wǎng)絡(luò)的模糊化，即以模糊集、模糊邏輯為主，結(jié)合神經(jīng)網(wǎng)絡(luò)方法，利用神經(jīng)網(wǎng)絡(luò)的自組織性，達到柔性信息處理的目的。

三、基于智能信息處理的供應(yīng)鏈績效評價方法比較

（一）基本思路

在作者以前的研究里，曾應(yīng)用模糊綜合分析、粗糙集理論和BP神經(jīng)網(wǎng)絡(luò)等智能信息處理方法建立了多個供應(yīng)鏈績效評價模型，本文對這些評價模型的效果和優(yōu)缺點進行了分析和總結(jié)。我們的基本思路是以某動態(tài)供應(yīng)鏈為例，選取合適的績效指標集，對得到的績效指標按照評價模型的數(shù)據(jù)要求進行預(yù)處理，然后輸入到不同的動態(tài)績效評價模型中進行處理，對各個績效評價模型進行解算。通過對模型輸出的結(jié)果的比較和分析來歸納各個績效評價模型的主要特點，并對評價模型的實際效果進行總結(jié)。

（二）數(shù)據(jù)預(yù)處理

如前所述，本文已經(jīng)根據(jù)文獻［15］提出的供應(yīng)鏈五維平衡計分卡，選擇了15個關(guān)鍵績效指標作為動態(tài)供應(yīng)鏈的績效評價指標集C，C＝{F1, F2, F3, C1, C2, C3, P1, P2, P3, P4, L1, L2, L3, S1, S2}。在15個績效指標中，既有定性指標，也有定量指標。由于BP神經(jīng)網(wǎng)絡(luò)只能處理數(shù)值向量，因此在這些績效指標輸入BP網(wǎng)絡(luò)訓(xùn)練之前必須對它們進行預(yù)處理。在基于粗糙集理論的供應(yīng)鏈績效評價模型里，根據(jù)決策表信息約簡的要求，需要對所有屬性的取值進行離散化處理。這里對某動態(tài)聯(lián)盟供應(yīng)鏈績效決策表條件屬性采用表1的方法進行離散化處理。

假設(shè)根據(jù)歷史經(jīng)驗或供應(yīng)鏈行規(guī)，把供應(yīng)鏈的績效評價結(jié)果劃分為G1、G2、G3、G4四個等級，分別對應(yīng)供應(yīng)鏈績效評價為優(yōu)、良、中、差的狀態(tài)，其劃分的依據(jù)如表1所示。

在基于模糊綜合評估的供應(yīng)鏈績效評價模型里，表1將作為構(gòu)造各績效指標屬于各類的隸屬度函數(shù)的依據(jù)。

（三）實驗結(jié)果比較與分析

實驗的數(shù)據(jù)源仍采用文獻［15］某供應(yīng)鏈相關(guān)指標的調(diào)查結(jié)果，經(jīng)調(diào)查得到該供應(yīng)鏈在2007年1~12個月的績效指標取值和績效綜合評價結(jié)果。本文已經(jīng)詳細討論了對該供應(yīng)鏈績效采用基于BP網(wǎng)絡(luò)訓(xùn)練和學習的過程，并結(jié)合粗糙集約簡給出兩者相結(jié)合的混合績效評價方法及結(jié)果。

BP網(wǎng)絡(luò)學習完畢后，就可以用來對下一評估時刻的供應(yīng)鏈績效進行預(yù)測。針對上述供應(yīng)鏈，經(jīng)調(diào)查得到該供應(yīng)鏈在2008年前4個月的績效指標取值結(jié)果，如表2所示。

將上述各績效指標規(guī)一化后輸入訓(xùn)練好的BP網(wǎng)絡(luò)，得到相應(yīng)的輸出向量分別為(0.0023, 0.998, -0.002, 0.007)、(-0.008, 0.003, 0.988, -0.005)、(-0.008, 0.958, -0.008, -0.002)和(0.987, -0.010, -0.005, 0.005)。據(jù)此可判斷該供應(yīng)鏈在2008年1~4月的績效綜合評價結(jié)果分別為G2、G3、G2、G1。

進一步，針對表1所示的供應(yīng)鏈績效分級標準，可以通過Rough約簡得到供應(yīng)鏈績效分級決策表的最佳約簡，即供應(yīng)鏈績效評價的關(guān)鍵績效指標集。通過約簡得到供應(yīng)鏈績效評價的關(guān)鍵指標集為{F1, F2, F3, C1, C2, P1, P2, P3, L1, L2, L3, S1}，這樣這12個關(guān)鍵績效指標就構(gòu)成了BP網(wǎng)絡(luò)的輸入層節(jié)點。把表2所示的供應(yīng)鏈在2008年1~4月的關(guān)鍵績效指標量化結(jié)果輸入訓(xùn)練好的BP網(wǎng)絡(luò)，可求出其相應(yīng)的績效評價結(jié)果分別為G2、G3、G2、G1，與供應(yīng)鏈績效實際調(diào)查結(jié)果一致。

下面，針對同一供應(yīng)鏈，分別采用基于粗糙集理論的動態(tài)供應(yīng)鏈績效評價模型、基于模糊綜合評估的供應(yīng)鏈績效評價模型及兩者的結(jié)合來得出供應(yīng)鏈績效評價結(jié)果，并進行方法間的比較。

在基于粗糙集理論的供應(yīng)鏈績效評價模型里，先對各績效指標進行離散化處理,離散化后的該動態(tài)供應(yīng)鏈績效決策表如下。

對于表3所示的績效評價決策表，利用約簡算法對決策表進行屬性約簡，以便去掉決策表的冗余條件屬性。進一步，利用歸納值約簡算法對績效決策表進行值約簡，可以得到一系列用于供應(yīng)鏈績效評價的決策規(guī)則集。由于決策屬性值被離散化為四個等級，亦即信息系統(tǒng)具有四個概念。針對這四個概念的最一般規(guī)則分別為：

根據(jù)上述關(guān)于決策屬性取值的最一般規(guī)則，就可以對某一考察周期動態(tài)聯(lián)盟的綜合績效評價結(jié)果作出判斷。當條件屬性集不完全滿足規(guī)則前件時，可以選取關(guān)于各個概念的次一般(或可信度較高)的生成式規(guī)則對績效作出綜合評估。

把表2所示的該供應(yīng)鏈在2008年前4個月的績效指標離散化，然后針對上述供應(yīng)鏈績效評價決策規(guī)則進行匹配，可得這4個月供應(yīng)鏈績效綜合評價結(jié)果分別為G3、G3、G2、G1。

接著，采用模糊綜合評估方法來對同一供應(yīng)鏈的績效評價結(jié)果進行分析。首先建立模糊關(guān)系矩陣，單因素評價矩陣取各因素在評價集上的隸屬度，各隸屬度函數(shù)均取為二次函數(shù)。根據(jù)供應(yīng)鏈績效分類標準表1，建立F1屬于各類的隸屬度函數(shù)為：

同理，可分別建立其它績效指標屬于各類的隸屬度函數(shù)，對應(yīng)績效評價指標集C的權(quán)向量取為：

W=(0.17,0.06,0.02,0.08,0.13,0.02,0.05,0.04,0.10,0.01,0.10,0.04,0.05,0.11,0.02)

于是，由模糊綜合評估法可求出該供應(yīng)鏈在2008年前4個月的績效分別為G3、G3、G2、G1。

最后，采用結(jié)合了粗糙集約簡和模糊綜合評估的動態(tài)供應(yīng)鏈績效評價方法來得到該供應(yīng)鏈績效評價結(jié)果。首先借助于動態(tài)供應(yīng)鏈績效評價決策表對績效評價指標進行約簡和降維，通過Rough約簡得到供應(yīng)鏈績效評價的關(guān)鍵績效指標集為{F1, F2, F3, C1, C2, P1, P2, P3, L1, L2, L3, S1}，根據(jù)供應(yīng)鏈績效分類標準表2分別建立上述關(guān)鍵績效指標屬于各類的隸屬度函數(shù)，然后利用模糊評估方法對供應(yīng)鏈績效進行綜合評價。根據(jù)該混合供應(yīng)鏈績效評價方法求出該供應(yīng)鏈在2008年前4個月的績效分別為G2、G3、G3、G1。

我們給出了采用上述五種基于智能信息處理的績效評價方法得到的該供應(yīng)鏈在2007年1月~2008年4月間績效評價結(jié)果的變化趨勢，如圖1所示。其中，如圖例所示圓圈、方塊實線、下三角實線、粗標圓卷實線和帶星虛線分別代表了對應(yīng)月份由五種評估方法得到的供應(yīng)鏈績效評價結(jié)果。

圖1 某供應(yīng)鏈采用五種績效綜合評估方法得到的評價結(jié)果

從圖1可以看出，采用五種不同的供應(yīng)鏈績效評價方法得到的結(jié)果略有差異。這一差異由多種原因引起，首先基于BP神經(jīng)網(wǎng)絡(luò)的績效評價方法和基于粗糙集理論的績效評價方法都是有監(jiān)督的智能學習算法，即在對動態(tài)供應(yīng)鏈績效評價結(jié)果作出預(yù)測之前，都有個訓(xùn)練的過程，這需要大量的歷史數(shù)據(jù)。而基于模糊綜合評估的供應(yīng)鏈績效評價方法隸屬度函數(shù)主要由績效分級標準確定，并不“顯式”地需要歷史績效結(jié)果。其次，許多基于智能信息處理的績效評價模型都需要事先確定一些參數(shù)，如BP網(wǎng)絡(luò)需要確定網(wǎng)絡(luò)結(jié)構(gòu)、學習速率、沖量因子；模糊綜合評估需要確定指標權(quán)值和隸屬度函數(shù)表示方法等。另外，不同的績效評價模型對輸入數(shù)據(jù)的要求各不相同，BP神經(jīng)網(wǎng)絡(luò)和模糊綜合評估處理的是連續(xù)數(shù)據(jù)，粗糙集約簡處理的是離散數(shù)據(jù)，而實際獲得的績效指標中既有定性指標，也有定量指標，這就需要在績效指標輸入模型之前進行預(yù)處理，預(yù)處理方法的不同導(dǎo)致模型輸出有很大的差異。上述幾種不同的基于智能信息處理的供應(yīng)鏈績效評價方法輸出結(jié)果與供應(yīng)鏈實際績效基本相符，在實際使用時要根據(jù)情況靈活選擇。

此外,實驗結(jié)果也表明通過幾種智能信息處理方法融合在動態(tài)供應(yīng)鏈績效評價中能取得更好的效果。通過粗糙集約簡和模糊綜合評估的融合，顯然縮小了數(shù)據(jù)處理的規(guī)模，降低了評估模型的計算復(fù)雜度，同時克服了模糊評估過度依賴專家知識（領(lǐng)域知識）的缺點。通過粗糙集約簡和BP神經(jīng)網(wǎng)絡(luò)的融合，降低BP網(wǎng)絡(luò)的設(shè)計復(fù)雜度，克服了神經(jīng)網(wǎng)絡(luò)訓(xùn)練時間長、知識解釋性較差的缺點。兩種融合方法都保持了較高的準確度，在動態(tài)供應(yīng)鏈績效評價中更為有效。

本文的研究結(jié)果彌補了目前國內(nèi)外動態(tài)供應(yīng)鏈績效評價中智能信息處理方法的融合理論研究少、應(yīng)用不夠深入的缺點，對實際供應(yīng)鏈運作與管理中基于軟計算的動態(tài)績效評價模型和方法的選擇與應(yīng)用具有理論指導(dǎo)意義。

四、結(jié) 論

軟計算作為知識獲取和智能信息處理的重要手段，在供應(yīng)鏈績效評價領(lǐng)域有著良好的應(yīng)用前景。越來越多的學者開始集成兩種或兩種以上的軟計算方法的智能信息融合算法來克服單一方法的局限性。本文針對之前使用的模糊綜合評估、粗糙集約簡及BP神經(jīng)網(wǎng)絡(luò)等軟計算方法在動態(tài)供應(yīng)鏈績效評價中的主要特點和效果進行了簡要的比較和分析，指出了每種方法的優(yōu)缺點。然而，由于每種智能信息處理方法存在著本質(zhì)上的差異，對這些方法間的效果差異進行嚴格的比較存在理論上的困難。某種智能信息處理方法可能適用于某種供應(yīng)鏈，而另一種智能信息處理方法則可能更適用于另一種供應(yīng)鏈。因此，在實際使用時，要根據(jù)供應(yīng)鏈具體情況靈活選擇或融合多種智能信息處理方法以取得更好的效果。

參考文獻：

［1］Anna, M. R. and Etienne, E. K. A comparative study of fuzzy rough sets［J］. Fuzzy Sets and System, 2002 ，126（2): 137-155.

［2］Nagatanit, Helbingd. Stability analysis and stabilization strategies for linear supply chains.［J］.Physica A., 2004, 35 (3-4): 644-660.

［3］Mohamed. Q. A-RST: a generation of rough set theory［J］. Information Science, 2000 ，124（1-4): 301-316.

［4］Roman, W. S., Larry, H. Rough sets as a front end of neuraln-etworks texture classifiers［J］. Neurocomputing, 2001, 36: 85-102.

［5］Yahia, M. E., Mahmod R. and N. Sulaiman, et al. Rough neural expert systems［J］. Expert Systems with Applications. 2002, 18: 87-99.

［6］McKee, T. E., Terje, L. Genetic programming and rough sets: a hybrid approach to bankruptcy classification［J］. European Journal of Operational Research, 2002 ,138: 436-451.

［7］Bolch G., Greine, S., H. D. Meer, etc. Queuing networks and markov chains-modeling and performance evaluation with computer science applications (2nd edition)［M］. A John Wiley & Sons, Inc., publication, 2006.

［8］Zadeh L. A. Fuzzy sets［J］. Information and Control. 1965, 8 (3): 338-353.

［9］Pawlak, Z. Rough set-theoretical aspects of reasoning about data ［M］. Boston: MA: Kluwer Academic Publishers, 1991.

［10］曹慶奎,阮俊虎.基于粗糙集-未確知測度的礦井通風系統(tǒng)合理性評價［J］.科學決策,2009.5:89-94.

［11］劉敬學,陳曦. 基于神經(jīng)網(wǎng)絡(luò)的專家預(yù)測方法研究［J］.科學決策,2009,11:78-81.

［12］Bhagwat and Sharma.Management of information system in SMEs: an exploratory study. ［J］.International Journal of Enterprise and Network Management. 2006,1(1): 99-125.

［13］Bititici et al..Implementation of performance measurement systems:private and public sectors［J］. Editorial, Production Planning and Control. 2005,16(2):99-100.

［14］鄭培，黎建強. 基于BP神經(jīng)網(wǎng)絡(luò)的供應(yīng)鏈績效評價方法［J］.運籌與管理，2010,19(2):26-32.

［15］宋莎莎,戴鋒,衛(wèi)保璐.基于模糊層次分析法和聚類分析的突發(fā)事件分級研究［J］.科學決策,2010,10:68-72.

［16］鄭培，黎建強. 基于模糊評估和馬爾可夫預(yù)測的供應(yīng)鏈動態(tài)平衡記分卡研究 ［J］. 系統(tǒng)工程理論與實踐，2008，4(4): 57-64.

［17］鄭培，黎建強. 基于粗糙集理論的供應(yīng)鏈動態(tài)績效評估方法研究 ［J］. 運籌與管理,2008,10(5):6-11.

［18］王俊峰,劉立東.基于博弈論的閉環(huán)供應(yīng)鏈中三方協(xié)調(diào)研究［J］.科學決策,2009,(3):33-37.

Supply Chain Performance Measurement Methods based on Intelligent Information Processing

ZHENG Pei 1, WAN Wei2

（College of Business Administration, Hunan University, Changsha Hunan 410082, China）

第3篇：神經(jīng)網(wǎng)絡(luò)算法的優(yōu)缺點范文

關(guān)鍵字：預(yù)測模型

一．時間序列分析法

（一）原理

ARMA模型被廣泛的應(yīng)用于時間序列的分析和預(yù)測。ARMA（p，q）模型中包括了p自回歸項和q滑動平均項，它是自回歸模型（AR模型）和滑動平均模型（MA模型）的一般形式，下面就分別介紹AR模型，MA模型和ARMA模型。

(1)自回歸AR（P）模型

AR模型即自回歸模型，滿足： 其中 是模型的參數(shù)，c是常數(shù)項， 是誤差項，E（ ）=0，E（ ）= ，E（ ）=0，t=s。為了簡化，常省去常數(shù)項c。為了保持AR模型的穩(wěn)定性，對于模型的參數(shù)常有些限制條件，如誤差項 是均值為0方差為 的白噪聲。

(2)滑動平均MA(q)模型

MA模型既滑動平均模型，滿足： ，其中 ，i=1，…,q是模型的參數(shù)， ，i=1，…,q是誤差項。滿足以上方程的時間序列｛ ｝是q―階滑動平均過程，記為MA（q）。

(3)自回歸滑動平均ARMA（p，q）模型

ARMA（p，q）模型中包含了p自回歸項和q滑動平均項，它是自回歸模型（ARMA模型）和滑動平均模型（MA模型）的一般形式，ARMA（p，q）模型可以表示為 = + ，其中 ，…， 是模型的參數(shù)， 是常數(shù)項， 是誤差項。如果q=0，則ARMA模型就簡化成AR模型，如果p=0，則ARMA模型就簡化成MA模型。

由此可以看出AR（p），MA（q），ARMA（p，q）模型之間存在著深刻的聯(lián)系。

（二）模型評價

時間序列預(yù)測法期限是短期，中期預(yù)測。主要適用于經(jīng)濟預(yù)測，商業(yè)預(yù)測，需求預(yù)測，庫存預(yù)測等。時間序列分析預(yù)測法是根據(jù)市場過去的變化趨勢未來的發(fā)展，它的前提是假定事物的過去會同樣延續(xù)到未來。事物的現(xiàn)實是歷史發(fā)展的結(jié)果，而事物的未來又是顯示的延伸，事物的過去和未來是有聯(lián)系的。優(yōu)點是簡單易行，便于掌握，能夠充分運用原時間序列的各項數(shù)據(jù)，計算速度快。采用組合的時間序列或者把時間序列和其他模型組合效果更好。缺點是不能反映事物的內(nèi)在聯(lián)系，不能分析兩個因素的相關(guān)關(guān)系。當遇到外界發(fā)生較大變化往往會有較大偏差。

二.神經(jīng)網(wǎng)絡(luò)（BP）預(yù)測模型

(一)原理

BP網(wǎng)絡(luò)是采用Widrow―Hoff學習算法和非線性可轉(zhuǎn)移函數(shù)的多層網(wǎng)絡(luò)。典型的BP算法采用梯度下降法，也就是Widrow―Hoff算法。現(xiàn)在有許多基本的優(yōu)化算法，例如變尺度算法和牛頓算法。BP神經(jīng)網(wǎng)絡(luò)包括一下單元：①處理單元（神經(jīng)元），級神經(jīng)網(wǎng)絡(luò)的基本組成部分。輸入層的處理單元只是將輸入值轉(zhuǎn)入相鄰的聯(lián)接權(quán)重，隱層和輸出層的處理單元將它們的輸出值求和并根據(jù)轉(zhuǎn)移函數(shù)計算輸出值。②聯(lián)接權(quán)重。它將神經(jīng)網(wǎng)絡(luò)中的處理單元聯(lián)系起來，其值隨各處理單元的聯(lián)接程度而變化。③層。神經(jīng)網(wǎng)絡(luò)一般具有輸入層x、隱層y和輸入層o。④閾值。其值可為恒值或可變值，它可使網(wǎng)絡(luò)能更自由地獲取所要描述的函數(shù)關(guān)系。⑤轉(zhuǎn)移函數(shù)F。它是將輸入的數(shù)據(jù)轉(zhuǎn)化為輸出的處理單元，通常為非線性函數(shù)。

（二）模型評價

BP神經(jīng)網(wǎng)絡(luò)模型適用于中長期的預(yù)測。優(yōu)點：逼近效果好，計算速度快。不需要建立數(shù)學模型，精度高。具有強非線性擬合能力。缺點是無法表達和分析被預(yù)測系統(tǒng)的輸入和輸出間的關(guān)系，預(yù)測人員無法參與預(yù)測過程，收斂速度慢，難以處理海量數(shù)據(jù)，得到的網(wǎng)絡(luò)容錯能力差，算法不完備。

三.灰色預(yù)測模型

灰色系統(tǒng)理論以“部分信息已知，部分信息未知”的“小樣本”，“貧信息”不確定型系統(tǒng)的研究對象。

(一)原理

灰色系統(tǒng)有多種模型。n階h個變量的灰色模型幾座GM（n，h）。預(yù)測模型中，最常用的是GM（1，1）模型。GM（1，1）模型的微分方式為

d+a其中t表示時間序號；a，u表示原始數(shù)據(jù)

灰色模型的基本思路可以概括為以下幾點：

（1）建立模型常用數(shù)據(jù)有以下幾種：1.科學實驗數(shù)據(jù)；2.經(jīng)驗數(shù)據(jù)；3.生產(chǎn)數(shù)據(jù)；4.決策數(shù)據(jù)。

（2）序列生成數(shù)據(jù)是建立灰色模型的基礎(chǔ)數(shù)據(jù)。

（3）一般非負序列累加生成后，得到準光滑序列。對于滿足光滑條件的序列，即可建立GM微分模型。

（4）模型精度可以通過不同的會輸生成方式。數(shù)據(jù)的取舍，序列的調(diào)整，修正以及不同級別的殘差GM模型補充得到提高。

（5）灰色系統(tǒng)理論采用殘差大小檢驗，關(guān)聯(lián)度檢驗，后嚴查檢驗三種方法檢驗，判斷模型的精度。

（二）模型評價

核心體系是灰色模型，即對原始數(shù)據(jù)作累加生成得到近似的指數(shù)規(guī)律再進行建模的模型方法。優(yōu)點是不需要很多的數(shù)據(jù)，一般只需要4個數(shù)據(jù)就夠了，能解決歷史數(shù)據(jù)少。序列的完整性及可靠性低的問題。運算簡便，易于檢驗。具有不考慮分布規(guī)律和變化趨勢的特點。缺點是只適合用與中長期的預(yù)測，只適合指數(shù)增長的預(yù)測，數(shù)據(jù)波動性大對預(yù)測精度有較大影響，預(yù)測結(jié)果較差。

以上三種預(yù)測模型有各自的優(yōu)缺點，針對數(shù)據(jù)的特點，有針對性的選擇合適的預(yù)測模型。有時也可以結(jié)合模型的優(yōu)點進行組合應(yīng)用。

參考文獻

[1]陳蓉 話務(wù)量分析和多種預(yù)測模型的比較研究

[2]朱峰 淺談數(shù)學建模中預(yù)測方法 --- 高校講壇

第4篇：神經(jīng)網(wǎng)絡(luò)算法的優(yōu)缺點范文

Abstract： Neural network is widely applied for character recognition. Through the analysis of the problems， this paper recognizes character by the application of improved BP neural network， so as to improve recognition rate. This method has high recognition rate， fast speed， strong practicability， and can be applied to various high noise environment.

關(guān)鍵詞： 神經(jīng)網(wǎng)絡(luò)；圖像預(yù)處理；特征提取；字符識別

Key words： neural network；image preprocessing；feature extraction；character recognition

中圖分類號：TP301.6 文獻標識碼：A 文章編號：1006-4311（2014）10-0206-02

0 引言

字符識別是指采用掃描儀、數(shù)碼相機等輸入設(shè)備，把英文字母、數(shù)字、條形碼等特殊字符的圖形文件輸入計算機，由識別軟件對圖片信息上的字符信息進行識別并變換成可編輯文檔的識別技術(shù)。主要有光學字符識別（Optical

Character Recognition，OCR）、圖像字符識別（Image Character Recognition，ICR）和智能字符識別（Intelligent Character Recognition，ICR），實際上這三種自動識別技術(shù)的基本原理大致相同。

1 常用字符識別方法

字符識別方法基本上都是為了區(qū)分結(jié)構(gòu)識別、統(tǒng)計識別以及兩者相結(jié)合的三大類方法，這三大類方法都包含具體的識別方法。

1.1 結(jié)構(gòu)識別 結(jié)構(gòu)識別是早期字符識別的研究的主要方法，我們也可以稱之為句法結(jié)構(gòu)識別。其思想是提取含有一定規(guī)律的結(jié)構(gòu)信息，作為識別的依據(jù)。識別過程類似一個邏輯推理過程。結(jié)構(gòu)識別的優(yōu)點在于對字符變化的適應(yīng)性強，區(qū)分相似字符能力強。但是在實際獲取字符圖像的過程中，由于存在著很多扭曲、傾斜等因素，就導(dǎo)致不能夠準確地提取結(jié)構(gòu)特征，后面的識別過程就成了無源之水。此外，結(jié)構(gòu)識別的算法描述也較為復(fù)雜，匹配過程的復(fù)雜度也很高，因此，我們原有的句法識別就受到新的挑戰(zhàn)。

1.2 統(tǒng)計識別 統(tǒng)計決策論的發(fā)展相對較早而且成熟，是為了提取待識別字符的一組統(tǒng)計特征，然后按照一定的準則進行決策函數(shù)的分類判決的。而統(tǒng)計識別是將字符點陣看作是一個能夠經(jīng)過大量統(tǒng)計數(shù)據(jù)得到的整體，是以后所用的特征都需要經(jīng)過的。統(tǒng)計特征主要是以抗干擾能力強為主要特點，以實現(xiàn)匹配與分類的算法簡單，且容易實現(xiàn)的。不足之處在于細分能力較弱，區(qū)分相似字的能力差一些。

1.3 結(jié)構(gòu)識別與統(tǒng)計識別相結(jié)合 上述方法各有優(yōu)缺點，而隨著研究的深入，這些方法逐漸得到融合。網(wǎng)格化特征就是結(jié)合的產(chǎn)物。特征的統(tǒng)計以網(wǎng)格為單位，即使個別點的統(tǒng)計有誤差也不會造成大的影響，增強了特征的抗干擾性。這種方法正得到日益廣泛的應(yīng)用。

字符的結(jié)構(gòu)特征直接反映了字符的特有屬性，而用字符的統(tǒng)計特征進行字符識別則是利用了計算機軟件善于處理數(shù)字的特點。雖然近幾年流行的神經(jīng)網(wǎng)絡(luò)方法主要采用的是局部特征，但其分類機理也與傳統(tǒng)的統(tǒng)計識別方法相類似，優(yōu)點是靈活性強。

2 字符識別流程

字符識別技術(shù)在當今社會的許多領(lǐng)域都有著廣泛的商業(yè)應(yīng)用前景。常見應(yīng)用有條碼識別、車牌識別、盲人的輔助閱讀設(shè)備和郵包自動分檢等。本文以車牌識別為例說明字符識別的應(yīng)用以及識別流程。車牌識別系統(tǒng)的工作流程如圖1所示。

經(jīng)過字符分割后，得到可以進行字符識別的圖像。本文采用神經(jīng)網(wǎng)絡(luò)方法進行字符識別，識別的具體過程如圖2所示。

3 基于改進型BP神經(jīng)網(wǎng)絡(luò)的字符識別算法

3.1 BP神經(jīng)網(wǎng)絡(luò)簡介 神經(jīng)網(wǎng)絡(luò)最早的研究是20世紀40年代，由心理學家Mcculloch和數(shù)學家Pitts合作提出的，由此拉開了神經(jīng)網(wǎng)絡(luò)研究的序幕。人工神經(jīng)網(wǎng)絡(luò)是通過對人腦生物神經(jīng)機理進行簡化，抽象和模擬之后建立起來的一種計算模型，屬于機器學習的重要研究領(lǐng)域。人工神經(jīng)網(wǎng)絡(luò)可以應(yīng)用于字符識別、人臉識別等領(lǐng)域。

隨著神經(jīng)網(wǎng)絡(luò)的威力逐漸顯現(xiàn)以及付諸應(yīng)用的現(xiàn)實性，大量的學者對此進行了深入研究，出現(xiàn)了多種神經(jīng)網(wǎng)絡(luò)，如徑向基神經(jīng)網(wǎng)絡(luò)和Hopfield網(wǎng)絡(luò)等。1986年科學家Rumelhart和McCelland提出了BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)，是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，是目前在字符識別中應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。BP網(wǎng)絡(luò)能學習和存儲大量的輸入輸出模式映射關(guān)系，而無需事前揭示描述這種映射關(guān)系的數(shù)學方程。它的學習規(guī)則是使用最速下降法，通過反向傳播來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小。

BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖3所示。從左至右分別是輸入層、隱含層和輸出層。

從圖3可以看出，某一層的輸出就是下一層的輸入，即：am+1=fm+1（Wm+1am+bm+1），m=0，1，…M-1……

這里，M為神經(jīng)網(wǎng)絡(luò)的層數(shù)。第一層的神經(jīng)元的輸入為a0=p，最后一層神經(jīng)元的輸出是a=aM，即為整個神經(jīng)網(wǎng)絡(luò)的輸出。BP神經(jīng)網(wǎng)絡(luò)雖然在字符識別領(lǐng)域有著重要的應(yīng)用價值，但其存在如下問題：①進行字符識別時存在局部極小值問題；②算法通常需要迭代幾千步甚至更多，收斂速度慢；③隱含層和隱含層節(jié)點的數(shù)量難以確定。要解決上述問題，就需對BP神經(jīng)網(wǎng)絡(luò)算法進行改進。

3.2 基于改進型BP神經(jīng)網(wǎng)絡(luò)的字符識別

3.2.1 圖像預(yù)處理 在字符圖像采集、輸入的過程中由于受到多種噪聲的干擾，會使圖像質(zhì)量下降，為字符識別工作帶來困難，因此需要對初始圖像進行必要的預(yù)處理。圖像預(yù)處理的具體步驟如下：①選取合適的閾值進行圖像二值化；②灰度變換增強對比度，改善視覺效果；③選取合適的方法去除噪聲，常用的有中值濾波、均值濾波、高通濾波等方法；④圖像分割，即將圖像中的字符獨立的分割出來。

3.2.2 字符特征值的提取 如果直接采用分割后的字符進行對比，那么需要對比的信息量很大，程序運行的時間也會大大增加。所以需要對分割后的字符進行特征提取，本文使用了類似九宮格的方法進行特征提取，即在字符圖像的水平方向上將圖像均勻分成三部分，在每一部分用一條水平方向的掃描線從左至右穿過字符，進行查找；垂直方向上原理相同，掃描線從上到下穿過字符，進行查找。取這六條線上的特征作為字符圖像的特征，這樣就得到了每個字符的六個特征值。

3.2.3 改進型BP神經(jīng)網(wǎng)絡(luò) 針對BP神經(jīng)網(wǎng)絡(luò)的局限性，為了避免落入局部極小值點，提高網(wǎng)絡(luò)訓(xùn)練的精度和速度，對其算法進行了改進，常用的方法有：①優(yōu)化初始權(quán)重。由于BP網(wǎng)絡(luò)的誤差曲面存在多個局部最小點和算法采用誤差梯度下降的方法調(diào)整網(wǎng)絡(luò)權(quán)重，因此導(dǎo)致了網(wǎng)絡(luò)的訓(xùn)練結(jié)果極容易落入局部極小點。所以，網(wǎng)絡(luò)的初始權(quán)重對網(wǎng)絡(luò)的最終訓(xùn)練結(jié)果影響非常大，它是影響網(wǎng)絡(luò)最終能否達到需求精度的重要因素之一。②調(diào)整自適應(yīng)學習率。學習率η也稱步長，在標準的算法中為常數(shù)。BP算法的收斂特性和收斂速度很大程度上取決于學習率，對于不同的問題，其取值范圍也會不同。η取值過大可以加快學習速度，但會導(dǎo)致學習過程不收斂；η取值過小，則迭代次數(shù)明顯增加，導(dǎo)致學習速度過慢。為了加速收斂的過程，可以自適應(yīng)改變學習速率。③附加動量法。動量法是指在反向傳播的基礎(chǔ)上，在每個權(quán)值調(diào)整值上加上一項正比于前次權(quán)值變化的值，并根據(jù)反向傳播法來產(chǎn)生新的權(quán)值變化。

本文為了簡單起見，采用附加動量法只對數(shù)字和英文字母進行字符識別，利用梯度下降法，使權(quán)值沿函數(shù)的負梯度方向改變。提高了學習速度，增加了算法的可靠性。

帶有附加動量項的權(quán)值調(diào)節(jié)公式為：

Wij（k+1）=Wij（k）+η[（1-α）D（k）+αD（k-1）]

其中，α是附加的動量項，取值范圍為0

3.2.4 設(shè)計改進型BP神經(jīng)網(wǎng)絡(luò)進行字符識別 本系統(tǒng)采用了兩個BP網(wǎng)絡(luò)來進行數(shù)字和字母的識別。BP神經(jīng)網(wǎng)絡(luò)的建立主要是三個層的神經(jīng)元數(shù)目的確定。①輸入層節(jié)點數(shù)。此節(jié)點個數(shù)即為圖像預(yù)處理后所輸出的特征的維數(shù)。本系統(tǒng)輸入層節(jié)點數(shù)為24×48。②隱含層節(jié)點數(shù)。確定隱含層節(jié)點數(shù)的基本原則是：在滿足精度要求的前提下取盡可能緊湊的結(jié)構(gòu)，即取盡可能少的隱含層節(jié)點數(shù)。本系統(tǒng)的兩個神經(jīng)網(wǎng)絡(luò)，可以根據(jù)輸出層神經(jīng)元的多少來確定其個數(shù)，即輸出層神經(jīng)元越多，其隱含層神經(jīng)元個數(shù)也越多。③輸出層節(jié)點數(shù)。用于識別數(shù)字的BP網(wǎng)絡(luò)，由于只有10個數(shù)字，所以采用了8421碼進行編碼，輸出層的神經(jīng)元數(shù)目為4。而識別26個字母的BP網(wǎng)絡(luò)，其輸出層的神經(jīng)元數(shù)目為5。待識別的字符圖像和訓(xùn)練好網(wǎng)絡(luò)后識別的結(jié)果分別如圖4和圖5所示。

4 結(jié)束語

在字符識別的過程中，每一步都會有不同程度的誤差，本文神經(jīng)網(wǎng)絡(luò)經(jīng)驗證后識別率可達95.1%，平均識別時間為0.6s。影響識別成功率的主要因素是訓(xùn)練樣本的數(shù)量和訓(xùn)練次數(shù)，要保證一定數(shù)量以上的訓(xùn)練樣本和訓(xùn)練次數(shù)，以保證識別率。另外，神經(jīng)網(wǎng)絡(luò)的層數(shù)和各層神經(jīng)元的個數(shù)，對神經(jīng)網(wǎng)絡(luò)算法的運行速度和識別率也有著直接的影響，其數(shù)量越多，識別率越高，但也制約著識別速度，因此，如何處理好兩者關(guān)系很重要。

參考文獻：

[1]關(guān)學忠，劉勇智.基于數(shù)字圖像處理的車牌定位及字符分割方法[J].裝備制造，2010（01）.

[2]武桐.基于圖像匹配的漢字識別系統(tǒng)研究與實現(xiàn)[D].上海：上海交通大學，2010.

第5篇：神經(jīng)網(wǎng)絡(luò)算法的優(yōu)缺點范文

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)；模式；分類

中圖分類號：TP183文獻標識碼：A文章編號：1009-3044(2009)04-0922-02

The Research of the Classification of Model with Neural Network

GUO Xiao-yan

(Gansu Agriculture University, Information & Science Technology College, Lanzhou 730070, China)

Abstract: The problems of classification of model with neural network can be solved by the help oftutors information, and also be solved by the help of clustering without the tutors information.This article analyzes andcompares several neural network models being used for classification of model,reach a conclusionthat inparticular situation different models of neural network can bechoiced , and if nessesary aintegratedway can be used.

Key words: neural network; classification; model

傳統(tǒng)的分類方法對于同類相聚，異類分離比較有優(yōu)勢，但客觀世界中許多事物在樣本空間中的區(qū)域分割曲面非常復(fù)雜，相近的樣本可能屬于不同的類，而遠離的樣本可能屬于同一類1。模式是對某些感興趣的客體的定量描述或結(jié)構(gòu)描述，模式類是具有某些共同特征的模式的集合。模式分類可分為兩種類型，分類和聚類，分類是在類別知識等導(dǎo)師信息的指導(dǎo)下，將待識別的輸入模式分配到各自的模式類中去。聚類是無導(dǎo)師的分類方法，它是將相似的模式樣本劃歸為一類，而將不相似的分離開，實現(xiàn)了模式樣本類內(nèi)相似性和類間分離性。通過聚類，可以發(fā)現(xiàn)原始樣本的分布特性。

神經(jīng)網(wǎng)絡(luò)對外界的輸入樣本具有很強的識別能力，可以發(fā)現(xiàn)輸入樣本自身的聯(lián)系和規(guī)律以及輸入樣本和期望輸出之間的非線性規(guī)律，因此在模式分類方面具有傳統(tǒng)分類方法無法比擬的優(yōu)點。人工神經(jīng)網(wǎng)絡(luò)在模式分類方面提出了大量了網(wǎng)絡(luò)模型，發(fā)現(xiàn)了許多學習算法。

1 無導(dǎo)師分類機制

對于無導(dǎo)師的模式分類只從輸入樣本入手，通過分析與比較，找到輸入樣本的特征和內(nèi)在規(guī)律，從而將具有相似性的樣本聚為一類。

1.1 SOM網(wǎng)

SOM 網(wǎng)屬于自組織映射神經(jīng)網(wǎng)絡(luò)，SOM神經(jīng)網(wǎng)絡(luò)接收外界的輸入模式時，會分為不同的對應(yīng)區(qū)域，各區(qū)域?qū)Σ煌妮斎肽Ｊ綍胁煌捻憫?yīng)特征，利用這個特征可以對輸入模式進行分類。

算法思想：

它的學習規(guī)則是“勝者為王”。找出和輸入向量最為相似的競爭層神經(jīng)元（即獲勝神經(jīng)元），在一個以該神經(jīng)元為中心的鄰域內(nèi)對本區(qū)域內(nèi)的所有神經(jīng)元的權(quán)值進行不同程度的調(diào)整，調(diào)整的原則是由遠及近，由興奮變?yōu)橐种疲瑱?quán)值調(diào)整的結(jié)果是使競爭層的特定神經(jīng)元變得對輸入層的某些樣本敏感，從而達到分類的目的。

算法步驟：

1) 找出獲勝神經(jīng)元

對于每一個輸入模式向量 X，競爭層的所有神經(jīng)元對應(yīng)的內(nèi)星權(quán)向量Wj(j=1,2,…,m)均與X進行比較，將與X最為相似的神經(jīng)元判為獲勝神經(jīng)元。其權(quán)值記為Wj*。相似性量度為X和W的歐氏距離或夾角余弦。

■

m是競爭層神經(jīng)元個數(shù)。

d=||X-Wj*||=min||X-Wj*||(j=1,2,…,n)

d為輸入向量X離獲勝神經(jīng)元的距離

2) 找出一個Wj*的一個鄰域Sj，對于Sj內(nèi)的所有權(quán)值進行調(diào)整。

3) 權(quán)值調(diào)整

Wj(t+1)=Wj(t)+α[X-Wj(t)]

α為學習率，隨著t的增加，α的值在不斷地減小。

權(quán)值的調(diào)整是使得獲勝結(jié)點更加接近輸入樣本，從而使競爭層的每一個神經(jīng)元變?yōu)橐粋€聚類中心。當向網(wǎng)絡(luò)輸入一個模式時，競爭層中哪個神經(jīng)元獲勝使輸出為1，當前輸入就歸為哪類。

通過聚類進行模式劃分的方法還有模糊聚類，K-均值聚類，HCM，最近鄰聚類(NN算法)等，這些算法的最主要優(yōu)點就是不需要導(dǎo)師信號，這對于一些無法得到導(dǎo)師信號的模式分類情況來說是有優(yōu)勢的。

2 有導(dǎo)師分類機制

基于無導(dǎo)師的聚類算法只考慮輸入樣本，而沒有考慮輸入樣本所對應(yīng)的輸出、這就使得這樣的分類不是最優(yōu)的。

2.1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)利用導(dǎo)師信號和輸入樣本來訓(xùn)練網(wǎng)絡(luò)的權(quán)值，從而找到從輸入樣本到導(dǎo)師信號（期望輸出）之間的非經(jīng)性變幻規(guī)律來修整權(quán)值，經(jīng)過測試樣本和期望輸出的多次訓(xùn)練來使成熟的網(wǎng)絡(luò)穩(wěn)定，當有新的輸入時，就可根據(jù)此規(guī)律對它樣本進行正確的分類。

BP神經(jīng)網(wǎng)絡(luò)的算法思想是：輸入樣本自輸入層傳入，由各隱層處理后，傳向輸出層，這屬于正向傳播；如果輸出與期望輸出(導(dǎo)師信號)不符，得到誤差值，輸出誤差通過隱層向輸入層逐反向傳播，并將誤差分攤給各層的所有單元，從而獲得各層單元的誤差信號，此誤差信號成為修正各單元權(quán)值的依據(jù)。

2.1.1 BP神經(jīng)網(wǎng)絡(luò)的描述1(圖2)

1） 正向傳播

對于有單個隱層單元的BP神經(jīng)網(wǎng)絡(luò)而言

隱層輸出：

■

輸出層：

■

l 為輸出層神經(jīng)元的個數(shù)m為隱層神經(jīng)元的個數(shù)n為輸入層神經(jīng)元的個數(shù)

f(x)可采用單極性的Sigmoid函數(shù)：

■

2）反向修正權(quán)值

輸出誤差E定義如下：

■

其中d為導(dǎo)師信號（期望輸出），o為實際輸出

進一步展開至輸入層，有：

■

權(quán)值修正：

■

η是學習率，可以控制學習的時間和快慢。

在BP神經(jīng)網(wǎng)絡(luò)中，利用導(dǎo)師信號和神經(jīng)網(wǎng)絡(luò)的輸出得到總誤差E,調(diào)整權(quán)值時，按誤差梯度下降的原則進行。利用BP神經(jīng)網(wǎng)絡(luò)進行分類時，可以利用導(dǎo)師信息先規(guī)定類別信息，再利用輸入樣本和類別信息得出E，從而反向調(diào)整ω，ν值，如果網(wǎng)絡(luò)的總誤差小于一個特定的值，可認為網(wǎng)絡(luò)訓(xùn)練結(jié)束，得到最終的ω，ν值。對于新的樣本，此訓(xùn)練好的網(wǎng)絡(luò)便可進行正確分類。

3 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)

利用BP網(wǎng)絡(luò)進行分類時，完全沒有考慮輸入樣本的特征，只利用導(dǎo)師信息進行權(quán)值的修正，因此學習時間很長，分類的精度也不是非常高，錯分的情況很多。通常，輸入樣本本身具有某種規(guī)律性，利用現(xiàn)有樣本的自身規(guī)律加上導(dǎo)師信號的限制，可以大大提高分類的精度，同時可以縮短學習的時間。徑向基函數(shù)網(wǎng)絡(luò)就是基于這種思想。

用徑向基函數(shù)作為隱單元的“基”，構(gòu)成隱含層空間。隱含層對輸入向量進行變換，將低維空間的模式變到高維空間中，使低維空間中的不可分問題在高維空間中變得可分。

算法思想：

1）找到分類中心向量，也稱基向量，(一般用K-均值法，動態(tài)聚類法等)，假定分類中心向量個數(shù)為 個，這也就決定隱層神經(jīng)元的個數(shù)。

2）算出輸入樣本到各個分類中心向量的距離d，利用基函數(shù)f(x),自變量為d，得到隱層輸出，只有離分類中心最近的向量得到較大的輸出。

■

p是輸入樣本個數(shù)，j是聚類中心的個數(shù)，k是樣本和聚類中心向量的維數(shù)。

■

3）最后通過隱層到輸出層的線性變換得到最終的輸出，則：

■

學習算法：

1）利用無導(dǎo)師機制選取分類中心向量；

2）利用有導(dǎo)師信號修正隱層到輸出層的權(quán)值，權(quán)值的修正仍用類似BP神經(jīng)網(wǎng)絡(luò)的梯度下降算法。

徑向基函數(shù)網(wǎng)絡(luò)對于輸入層向隱層的變換是非線性的，而隱層到輸出層變換進線性的，在確定中心結(jié)點時，可采用無導(dǎo)師的聚類機制，當修正隱層到輸出層的權(quán)值時可采用有導(dǎo)師機制，此兩種方法結(jié)合即可發(fā)現(xiàn)輸入樣本中的內(nèi)在規(guī)律，又可利用導(dǎo)師信號進行約束從而提高分類的精度和縮短學習的時間。

3 結(jié)論

利用神經(jīng)網(wǎng)絡(luò)進行分類時，如果可以得到導(dǎo)師信號，可采用徑向基神經(jīng)網(wǎng)絡(luò)，或BP神經(jīng)網(wǎng)絡(luò)，徑向基神經(jīng)網(wǎng)絡(luò)收縮速度快，不容易陷入局部極小值，在解決分類時和般優(yōu)越于BP神經(jīng)網(wǎng)絡(luò)，如果無法得到導(dǎo)師信號，則可采用自組織神經(jīng)網(wǎng)絡(luò)SOM網(wǎng)絡(luò)，通常SOM也可以用在徑向基神經(jīng)網(wǎng)絡(luò)的選用中心向量問題上。

參考文獻：

[1] 韓力群.人工神經(jīng)網(wǎng)絡(luò)理論、設(shè)計及應(yīng)用[M].2版.北京:化學工業(yè)出版社,2007.

第6篇：神經(jīng)網(wǎng)絡(luò)算法的優(yōu)缺點范文

關(guān)鍵詞：模擬電路；故障診斷；模糊數(shù)學；BP網(wǎng)絡(luò)；模糊BP網(wǎng)絡(luò)

0引言

電路故障是指在規(guī)定的條件下，電路工作時它的一個或幾個性能參數(shù)不能保持在要求的上、下限之間，其結(jié)構(gòu)、組件、元器件等出現(xiàn)性能減退、老化、破損、斷裂、擊穿等現(xiàn)象，喪失了在規(guī)定條件和環(huán)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(yīng)都是連續(xù)量，模擬電路中的故障模型復(fù)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(shù)量級，測量難度大；3）模擬電路中的元器件參數(shù)具有容差，導(dǎo)致電路的故障狀態(tài)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(fù)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(jīng)網(wǎng)絡(luò)法的使用就相當普遍，在硬和軟故障診斷中都有應(yīng)用，因為神經(jīng)網(wǎng)絡(luò)的技術(shù)優(yōu)勢針對模擬電路故障診斷有較好的適用性，這主要體現(xiàn)在：1）神經(jīng)網(wǎng)絡(luò)的大規(guī)模并行處理特點，大大提高了診斷效率；2）自適應(yīng)與自組織能力使神經(jīng)網(wǎng)絡(luò)在學習和訓(xùn)練中改變權(quán)重值，發(fā)展出新的功能。同時，模糊數(shù)學也與神經(jīng)網(wǎng)絡(luò)相結(jié)合，這是利用了模糊數(shù)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(shù)模糊性。

本文的研究目的就是分別利用單純BP神經(jīng)網(wǎng)絡(luò)和模糊BP神經(jīng)網(wǎng)絡(luò)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(tài)下的關(guān)鍵點電壓，代入診斷模型并得到診斷結(jié)果。根據(jù)各網(wǎng)絡(luò)的結(jié)果分析比較各診斷模型的優(yōu)缺點，找出模糊數(shù)學對改進模擬電路故障診斷模型的具體表現(xiàn)。

1模糊神經(jīng)網(wǎng)絡(luò)的故障診斷模型

1.1典型模糊神經(jīng)網(wǎng)絡(luò)診斷模型介紹

圖1顯示的是一個典型的模糊神經(jīng)網(wǎng)絡(luò)模型，該模型由原始知識獲?。‵undamental Knowledge Acquire，F(xiàn)KA）、特征參數(shù)處理（Characteristic Parameter Produce，CDP）、知識提?。↘nowledge Extracted，KE）、經(jīng)驗知識庫（Experience Knowledge Base，EKB）、學習樣本集（Learning Sample Set，LSS）和模糊神經(jīng)網(wǎng)絡(luò)（Fuzzy Neural Networks，F(xiàn)NN）共6個模塊共同組成，其工作流程是：

圖1 典型模糊神經(jīng)網(wǎng)絡(luò)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(fā)生時輸入和輸出參數(shù)，從而獲取原始知識（X，Y），將其傳入知識提取模塊中供系統(tǒng)學習，所得經(jīng)驗集存入經(jīng)驗知識庫中；

2）將原始知識和已經(jīng)存放在經(jīng)驗知識庫中的經(jīng)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(gòu)建，合成訓(xùn)練樣本集為（X1，Y1）；

3）將（X1，Y1）輸入到模糊神經(jīng)網(wǎng)絡(luò)模塊，學習訓(xùn)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(shù)Xc輸入至特征參數(shù)提取模塊中，完成數(shù)據(jù)分析和處理，輸出特征參數(shù)數(shù)據(jù)Xc'；

5）將特征參數(shù)數(shù)據(jù)輸入到學習收斂后的模糊神經(jīng)網(wǎng)絡(luò)中，進行診斷推理，得出診斷結(jié)果Yc'；

6）將得到的實測數(shù)據(jù)集（Xc'，Yc'）輸入學習樣本組織模塊，動態(tài)增強模糊神經(jīng)網(wǎng)絡(luò)的自適應(yīng)能力；

7）將得到的實測數(shù)據(jù)集（Xc'，Yc'）輸入知識提取模塊，進行分析和處理，如能提取出經(jīng)驗知識，則歸入經(jīng)驗知識庫中[1]。

1.2模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)應(yīng)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(jié)點對應(yīng)一個該論域中的模糊子集和隸屬函數(shù)。該層接收精確數(shù)值輸入，經(jīng)過模糊化計算得出對應(yīng)的隸屬度并輸出。

圖2 模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

輸入層、隱含層和輸出層共同構(gòu)成一個完整的神經(jīng)網(wǎng)絡(luò)。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(jīng)網(wǎng)絡(luò)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(jié)點是模糊神經(jīng)元，與輸入層間的連接權(quán)值是隨機設(shè)定的固定值；輸出層節(jié)點也是模糊神經(jīng)元，與隱含層之間采用全連接方式，其連接權(quán)值是可調(diào)的，作用是輸出用模糊量表示的結(jié)果[2]。

1.3輸入層、輸出層和隱含層節(jié)點數(shù)確定

輸入層的個數(shù)代表了電路故障診斷的關(guān)鍵測試點的個數(shù)N1，輸出點為電路所具有的潛在故障模式種類數(shù)N3。

根據(jù)輸入層和輸出層的個數(shù)，隱含層節(jié)點數(shù)N2的確定有以下4種經(jīng)驗公式[3]：

（1）

（為0～10之間的常數(shù)）（2）

（為0～10之間的常數(shù)）（3）

（4）

2模糊數(shù)學和神經(jīng)網(wǎng)絡(luò)的算法介紹

2.1模糊數(shù)學和隸屬度函數(shù)

模糊數(shù)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(shù)值會隨著故障原因的不同和故障階段不同而發(fā)生變化，所以在進行數(shù)據(jù)處理時常用方法是使用精確事實規(guī)則。即用正態(tài)分布函數(shù)作為隸屬度函數(shù)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[4]。在使用中，正態(tài)分布使用較多，其中的a是該測試點的理想狀態(tài)工作點，b為該測試點在各種可能狀態(tài)下的工作電壓均方差。

2.2BP神經(jīng)網(wǎng)絡(luò)與算法

圖3BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)圖

反向傳播網(wǎng)絡(luò)（Back-Propagation Network，簡稱BP網(wǎng)絡(luò)），是一種有隱含層的多層前饋網(wǎng)絡(luò)。每一層均有一個或多個神經(jīng)元節(jié)點，信息從輸入層依次經(jīng)各隱含層向輸出層傳遞，層間的連接關(guān)系強弱由連接權(quán)值W來表征。BP算法是一種監(jiān)督的學習，基本原理是梯度最速下降法，中心思想是調(diào)整權(quán)值使網(wǎng)絡(luò)總誤差最小。通過連續(xù)不斷地在相對于誤差函數(shù)斜率下降的方向上計算網(wǎng)絡(luò)權(quán)值和偏差值的變化而逐漸逼近目標的。每一次權(quán)值和偏差的變化都與網(wǎng)絡(luò)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(wǎng)絡(luò)模型結(jié)構(gòu)如圖3所示。

以BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)圖為例進行BP算法推導(dǎo)，其輸入為P，輸入神經(jīng)元有r個，隱含層內(nèi)有s1個神經(jīng)元，激活函數(shù)為F1，輸入層內(nèi)有s2個神經(jīng)元，對應(yīng)的激活函數(shù)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(shù)：（7）

4）輸入層的權(quán)值變化量：（8）

其中：

同理可得：（9）

5）隱含層權(quán)值變化有： （10）

其中：

同理： （11）

BP網(wǎng)絡(luò)經(jīng)常使用的是S型的對數(shù)、正切激活函數(shù)或線性函數(shù)[5]。

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(tài)下進行多次Monte Carlo分析仿真該電路[6]，并考慮電阻的容差影響，取40個樣本作為模糊神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，另取5個樣本為測試樣本。設(shè)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(shù)據(jù)

表2 測試樣本原始數(shù)據(jù)

表1列舉了40組電路實驗樣本原始數(shù)據(jù)的11組，包含了該電路在11種工作狀態(tài)下的五個關(guān)鍵點電壓值，所以N1=5，N2=11，隱含層的節(jié)點數(shù)可以依據(jù)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(shù)據(jù)。

步驟一：數(shù)據(jù)模糊化

根據(jù)用正態(tài)分布函數(shù)作為隸屬度函數(shù)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(shù)的參數(shù)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(shù)可得到網(wǎng)絡(luò)的訓(xùn)練樣本見表3。

表3 神經(jīng)網(wǎng)絡(luò)部分輸入、輸出訓(xùn)練樣本

步驟二：將訓(xùn)練樣本輸入神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練

將全部40個原始值和模糊化值的輸入樣本和對應(yīng)的輸出樣本分別輸入BP神經(jīng)網(wǎng)絡(luò)中進行訓(xùn)練。

步驟三：將測試樣本輸入神經(jīng)網(wǎng)絡(luò)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(yīng)的輸出樣本分別輸入已經(jīng)訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)中，輸出診斷結(jié)果見表4。

表4 輸出診斷結(jié)果

表4中的數(shù)據(jù)是經(jīng)過故障診斷后得到的結(jié)果，在此只是各隨機選用了一組數(shù)據(jù)加以比較說明。通過對故障診斷的試驗觀察和結(jié)果的比較可以作出以下分析。

1）模糊化數(shù)據(jù)能夠有效減少神經(jīng)網(wǎng)絡(luò)的收斂次數(shù)。如在BP網(wǎng)絡(luò)診斷中，使用模糊化數(shù)據(jù)的迭代次數(shù)由886減少到263次，收斂速度明顯加快；

2）模糊化數(shù)據(jù)能夠有效提高神經(jīng)網(wǎng)絡(luò)訓(xùn)練的效果。通過表4中數(shù)據(jù)的對比可以發(fā)現(xiàn)對于相同的神經(jīng)網(wǎng)絡(luò)，經(jīng)過模糊化數(shù)據(jù)的訓(xùn)練，其準確性更高。這主要表現(xiàn)在電路所對應(yīng)的狀態(tài)結(jié)果普遍高于未經(jīng)模糊化數(shù)據(jù)訓(xùn)練的網(wǎng)絡(luò)得出的結(jié)果；同時，其他狀態(tài)對應(yīng)的機率更低，皆低于0.1，且更多值為0，說明數(shù)據(jù)模糊化能使神經(jīng)網(wǎng)絡(luò)的診斷結(jié)果更集中，正確率更高，有效性更加明顯。

4結(jié)論

通過分別采用BP網(wǎng)絡(luò)和模糊BP網(wǎng)絡(luò)建立了電路故障診斷模型，對電路相同工作狀態(tài)參數(shù)的診斷結(jié)果進行比較，得出了模糊數(shù)學對提高電路故障診斷模型精度和有效性效果明顯的結(jié)論。模糊數(shù)學和神經(jīng)網(wǎng)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(jīng)網(wǎng)絡(luò)的板級電路故障診斷研究[J].計算機與數(shù)字工程，2003（3）:21-23.

[2] 李國勇.智能預(yù)測控制及其MATLAB實現(xiàn)[M].北京:電子工業(yè)出版社，2010.

[3] MATLAB中文論壇.MATLAB神經(jīng)網(wǎng)絡(luò)30個案例分析[M].北京:北京航空航天大學出版社，2010.

[4] 朱大奇.電子設(shè)備故障診斷原理與實踐[M].北京:電子工業(yè)出版社，2004.

第7篇：神經(jīng)網(wǎng)絡(luò)算法的優(yōu)缺點范文

關(guān)鍵詞：數(shù)字PID；超調(diào)控制

中圖分類號：TP273 文獻標識碼：A 文章編號：1674-7712 （2013） 24-0000-01

PID控制因其具有結(jié)構(gòu)簡單、穩(wěn)定性好、可靠性高等優(yōu)點，而被廣泛應(yīng)用在工業(yè)控制領(lǐng)域。但是，現(xiàn)代的工業(yè)控制過程中，許多被控對象機理復(fù)雜，具有嚴重的非線性、時變不確定性和純滯后性，采用傳統(tǒng)PID控制不能達到理想的控制效果，這種情況下，智能PID控制應(yīng)運而生。

一、傳統(tǒng)PID控制

（一）控制原理

PID控制規(guī)律是比例（P）、積分（I）和微分（D）控制，根據(jù)系統(tǒng)的產(chǎn)生誤差，利用比例（P）、積分（I）和微分（D）算法，計算出控制調(diào)節(jié)量進行控制的。

（二）PID控制的特點

1.比例（P）控制

比例（P）控制是最基本、也是最簡單的控制方式，控制器的輸出信號成比例反映輸入信號。只要系統(tǒng)有誤差，控制器就會起控制作用，減小系統(tǒng)的穩(wěn)態(tài)誤差。比例系數(shù)KP決定比例控制的強弱，增大KP能提高系統(tǒng)開環(huán)增益，提高系統(tǒng)的控制精度，但是KP過大，又會降低系統(tǒng)的相對穩(wěn)定性，甚至導(dǎo)致閉環(huán)系統(tǒng)不穩(wěn)定。

2.積分（I）控制

積分（I）控制的輸出與輸入誤差的積分成正比關(guān)系。對于有差系統(tǒng)，要消除穩(wěn)態(tài)誤差，就必須在控制器中加入積分項，積分項隨著時間的增加而加大，使系統(tǒng)的穩(wěn)態(tài)誤差進一步減小，直到為0，消除穩(wěn)態(tài)誤差。通常，積分（I）控制的主要作用使系統(tǒng)沒有穩(wěn)態(tài)誤差，但是積分作用會產(chǎn)生相位滯后，因此如果積分作用太強，會使被控系統(tǒng)的穩(wěn)定性變差。

3.微分（D）控制

微分（D）控制的輸出與輸入誤差的微分成正比關(guān)系。微分（D）控制能夠反映誤差的變化率，只要系統(tǒng)有誤差，而且誤差隨時間變化時，控制器對誤差進行微分，提前抑制誤差，避免被控系統(tǒng)產(chǎn)生過大的超調(diào)量。但是對于無變化或是變化緩慢的控制對象，微分（D）控制不起作用。

由于比例（P）控制、積分（I）控制和微分（D）控制都有優(yōu)缺點，因此，在工業(yè)控制系統(tǒng)中，多采用組合控制―PI、PD或是PID控制?？刂破鞲鶕?jù)被控對象的特性，調(diào)整PID的三個參數(shù)，使系統(tǒng)達到滿意的控制效果。

（三）控制算法介紹

計算機PID控制系統(tǒng)中使用數(shù)字PID控制器。目前經(jīng)常使用的有位置式PID控制算法、增量式PID控制算法。（1）位置式PID控制算法。該算法的優(yōu)點是原理簡單、使用方便；不足是對e（k）的累加增大了計算機的存儲量和運算的工作量；u（k）的直接輸出易造成執(zhí)行機構(gòu)的大幅度變化。（2）增量式PID控制算法。該算法的優(yōu)點是：只計算增量，計算精度對控制量的影響較?。徊粚ζ罾奂?，不易引起積分飽和；得出的是控制量的增量，誤動作影響??；易于實現(xiàn)手動到自動的無沖擊切換。缺點是有靜態(tài)誤差、積分截斷效應(yīng)大、溢出影響大。

二、智能PID控制

傳統(tǒng)PID控制算法簡單，調(diào)整參數(shù)方便，且具有一定的控制精度，所以在生產(chǎn)實際中，有95%以上的工業(yè)控制使用PID控制。但是，隨著工業(yè)控制系統(tǒng)的越來越復(fù)雜，傳統(tǒng)PID控制器的弊端也越來越明顯。比如，傳統(tǒng)PID控制只有用在時不變系統(tǒng)時，才能達到滿意的效果；對于非線性或是不確定性系統(tǒng)，則可能致使系統(tǒng)性能變差甚至造成系統(tǒng)的不穩(wěn)定。因此，工程技術(shù)人員在使用傳統(tǒng)PID控制的同時，也對其進行了多種改進，其中，智能PID控制器就是眾多控制系統(tǒng)中較為典型的新一代控制器。

智能PID控制是以傳統(tǒng)PID控制為核心，應(yīng)用智能控制技術(shù)研發(fā)的新型控制器。具備兩者的優(yōu)點，既具有傳統(tǒng)PID控制器結(jié)構(gòu)簡單、可靠性高和整定方便的特點，又具備智能控制系統(tǒng)自學習、自適應(yīng)、自組織的功能，能夠在線調(diào)增PID控制器的三個參數(shù)，以適應(yīng)過程參數(shù)變化。

智能PID控制根據(jù)智能技術(shù)的類別主要分為三類：專家PID控制、模糊PID控制、神經(jīng)網(wǎng)絡(luò)PID控制。下面主要介紹一下幾種智能PID控制器的特點。

（一）專家PID控制

專家PID控制的實質(zhì)是通過人工智能技術(shù)組織和利用被控對象和傳統(tǒng)PID控制規(guī)律的專家知識，求得被控系統(tǒng)盡可能的實用化和優(yōu)化。專家PID控制采用傳統(tǒng)PID控制形式，根據(jù)專家知識和經(jīng)驗，在線調(diào)整PID三個參數(shù)，使響應(yīng)曲線達到某種最佳響應(yīng)曲線。專家PID控制具有良好的控制特性，能應(yīng)付控制過程中出現(xiàn)的不確定性。但是，專家PID控制，進行實時自適應(yīng)控制的依據(jù)是專家知識或是大量經(jīng)驗。因此，獲取專家知識和總結(jié)實驗經(jīng)驗尤為重要，是設(shè)計控制器的重點也是難點。

（二）模糊PID控制

模糊PID控制器優(yōu)點是不需要被控對象的數(shù)學模型，而是依據(jù)現(xiàn)有的控制系統(tǒng)知識，運用模糊控制方法建立控制決策表，由該表決定控制量的大小。模糊PID控制既具備模糊控制靈活和適應(yīng)性強的特點，又具備傳統(tǒng)PID控制器結(jié)構(gòu)簡單、精度高的優(yōu)點。模糊PID控制系統(tǒng)的控制效果在于如何建立模糊控制器規(guī)則和確保模糊關(guān)系的真實性，但是建立模糊規(guī)則通常帶有主觀性，這就一定會影響到系統(tǒng)的動態(tài)特性，因此，一些學者在模糊控制器設(shè)計中增加自學習的功能，使系統(tǒng)能夠自我完善。

（三）神經(jīng)網(wǎng)絡(luò)PID控制

基于神經(jīng)網(wǎng)絡(luò)的PID控制與模糊PID控制和專家PID控制不同，是直接利用神經(jīng)網(wǎng)絡(luò)作為控制器。神經(jīng)網(wǎng)絡(luò)作為在線估計器，控制信號由常規(guī)控制器發(fā)出。首先，神經(jīng)網(wǎng)絡(luò)通過學習算法進行離線學習，然后介入控制系統(tǒng)，間接地調(diào)整PID參數(shù)，給出最佳控制規(guī)律下的PID控制器的參數(shù)，同時，繼續(xù)自學習，根據(jù)受控對象不斷變化調(diào)整神經(jīng)網(wǎng)絡(luò)的權(quán)系數(shù)，獲得最理想的控制效果。

不論是何種智能控制PID控制方式都是基于傳統(tǒng)PID控制基本原理，將智能控制技術(shù)與傳統(tǒng)PID控制結(jié)合，直接或間接地動態(tài)整定PID參數(shù)，使控制達到更優(yōu)的效果。

三、結(jié)束語

智能控制理論研究的深入，必將帶動智能PID控制器的研發(fā)，從而完善PID控制性能，提高控制效果。

參考文獻：

[1]石辛民，郝整清.模糊控制及其Matlab仿真[M].北京：清華大學出版社，2008.

第8篇：神經(jīng)網(wǎng)絡(luò)算法的優(yōu)缺點范文

關(guān)鍵詞：發(fā)動機；智能故障診斷；人工神經(jīng)網(wǎng)絡(luò)

中圖分類號：U472.4 文獻標識碼：A 文章編號：1006-8937（2013）06-0006-02

發(fā)動機是汽車的動力源，是一個復(fù)雜的系統(tǒng)，其與汽車的一些基本技術(shù)性能都有著直接或間接的聯(lián)系。由于工作條件不穩(wěn)定，部分零件運行環(huán)境惡劣，汽車發(fā)動機故障在汽車全部故障占據(jù)著一個較大的比重，而發(fā)動機一旦發(fā)生故障不僅會影響自身性能，還會對汽車其他結(jié)構(gòu)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(fā)動機故障的及時診斷和排除十分重要。智能故障診斷技術(shù)是伴隨著安全生產(chǎn)要求的不斷提高和計算機技術(shù)、智能技術(shù)等現(xiàn)代先進技術(shù)的發(fā)展而產(chǎn)生發(fā)展起來的，其被應(yīng)用于機械設(shè)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(shù)的發(fā)展，發(fā)動機的結(jié)構(gòu)也越來越復(fù)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(shù)開發(fā)汽車發(fā)動機智能故障診斷系統(tǒng)對減少汽車安全事故發(fā)生率，降低損失有著十分重要的現(xiàn)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(tǒng)、設(shè)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(tǒng)和設(shè)備進行檢測，查看系統(tǒng)或設(shè)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(shù)，根據(jù)系統(tǒng)設(shè)備運行中的技術(shù)參數(shù)和物理現(xiàn)象等對系統(tǒng)、設(shè)備的運行情況進行判斷，并根據(jù)故障的特征對故障信息作出評估，進而判斷出故障發(fā)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(tǒng)主要包括人機接口、知識庫和數(shù)據(jù)庫、機器學習、診斷信息獲取、診斷推理以及解釋機構(gòu)等幾主要的功能模塊，其一般結(jié)構(gòu)如圖1所示。

在實際工作的過程中，通過建立系統(tǒng)設(shè)備運行的技術(shù)參數(shù)和物理現(xiàn)象等知識庫和數(shù)據(jù)庫，利用機器學習模型對其進行樣本訓(xùn)練和學習，在獲取系統(tǒng)設(shè)備運行的信息后，診斷模塊根據(jù)訓(xùn)練學習的相關(guān)知識對信息作出診斷，并將診斷的過程和結(jié)果通過解釋機構(gòu)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(tǒng)和設(shè)備正常運行。

2 汽車發(fā)動機智能故障診斷

2.1 汽車發(fā)動機智能故障診斷方法

汽車發(fā)動機結(jié)構(gòu)的復(fù)雜化使得發(fā)動機故障診斷更困難，開發(fā)智能故障診斷系統(tǒng)也成為其發(fā)展的必然要求。汽車發(fā)動機智能故障診斷技術(shù)主要有基于人工智能的故障診斷和基于數(shù)學模型的故障診斷兩種，具體劃分起來有基于數(shù)學模型、基于參數(shù)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(jīng)網(wǎng)絡(luò)的故障診斷等多種方法。

在智能化故障診斷系統(tǒng)中，其智能化的水平與機器學習能力的關(guān)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(shù)學模型對系統(tǒng)進行訓(xùn)練十分重要。

2.2 基于神經(jīng)網(wǎng)絡(luò)的汽車發(fā)動機智能故障診斷系統(tǒng)

人工神經(jīng)網(wǎng)絡(luò)是一種應(yīng)用類似大腦神經(jīng)突觸聯(lián)結(jié)的結(jié)構(gòu)進行信息處理的數(shù)學模型，是由大量的節(jié)點（神經(jīng)元）和之間相互聯(lián)接構(gòu)成的一種運算模型，其是基于現(xiàn)代神經(jīng)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(yīng)信息處理系統(tǒng)，能通過模擬大腦神經(jīng)網(wǎng)絡(luò)處理、記憶信息的方式進行信息處理。具有部分神經(jīng)元損壞時不影響系統(tǒng)整體性能、輸入信息模糊、殘缺或變形時能通過聯(lián)系恢復(fù)完整記憶，對不完整的信息進行正確的識別，給出次優(yōu)的逼近解，是機器學習較為常用的一種數(shù)學模型。人工神經(jīng)網(wǎng)絡(luò)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(wǎng)絡(luò)模型應(yīng)用最為廣泛。利用人工神經(jīng)網(wǎng)絡(luò)模型建立的汽車發(fā)動機故障診斷系統(tǒng)結(jié)構(gòu)如圖2所示。

BP網(wǎng)絡(luò)是一種按照誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，其結(jié)構(gòu)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(guān)系的數(shù)學模型即能學習和存貯大量的映射關(guān)系，使用的最速下降法能通過反向傳播來調(diào)整網(wǎng)絡(luò)權(quán)值和閥值，使網(wǎng)絡(luò)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(wǎng)絡(luò)收斂速度較慢，訓(xùn)練時間長，學習和記憶不穩(wěn)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(shù)可微，能夠較好地補充BP網(wǎng)絡(luò)的不足，因此可以利用其對系統(tǒng)進行優(yōu)化。

汽車發(fā)動機的故障診斷主要是依據(jù)發(fā)動機的振動信號進行的，在實際應(yīng)用的過程中，可以信號的特值和速度作為神經(jīng)網(wǎng)絡(luò)的輸入單元，輸出單元為發(fā)動機的工況代碼，通過調(diào)入學習特征向量和教師向量，利用遺傳算法對網(wǎng)絡(luò)結(jié)構(gòu)和權(quán)值進行優(yōu)化，利用函數(shù)對網(wǎng)絡(luò)進行訓(xùn)練計算出網(wǎng)絡(luò)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(jié) 語

發(fā)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(shù)建立起汽車發(fā)動機智能故障診斷系統(tǒng)根據(jù)發(fā)動機的振動信號，分析、診斷發(fā)動機故障，有著十分重要的現(xiàn)實意義。汽車發(fā)動機智能故障診斷有多種方法，各種方法都有著各自的優(yōu)缺點，在實際應(yīng)用過程中，應(yīng)當綜合利用各種智能技術(shù)，對其進行不斷的優(yōu)化，提高其智能診斷能力，充分發(fā)揮出智能診斷技術(shù)的優(yōu)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(shù)的發(fā)動機故障排查研究進展[J].重慶電子工程職業(yè)學院學報，2012，（1）.

[2] 廖中文，楊旭志.汽車發(fā)動機故障診斷系統(tǒng)的虛擬樣機硬件研發(fā)[J].汽車維修與保養(yǎng)，2012，（4）.

[3] 劉福偉.神經(jīng)網(wǎng)絡(luò)技術(shù)及其在發(fā)動機故障診斷中的應(yīng)用[J].工程機械與維修，2006，（6）.

第9篇：神經(jīng)網(wǎng)絡(luò)算法的優(yōu)缺點范文

關(guān)鍵詞：沉降預(yù)測；曲線擬合；灰色預(yù)測；神經(jīng)網(wǎng)路.

1 引言

高速公路軟土地基路段的建設(shè)過程中,軟土地基的復(fù)雜性,為了控制施工進度,指導(dǎo)后期的施工組織與安排,如何利用沉降觀測資料較為準確地推算后期沉降(包括最終沉降)顯得至關(guān)重要。本文研究了曲線擬合法、灰色系統(tǒng)法、人工神經(jīng)網(wǎng)絡(luò)法、遺傳算法等多種沉降預(yù)測方法的原理及應(yīng)用,為準確預(yù)測高速公路軟土路基的沉降提供一定的參考。

2沉降預(yù)測方法

此法采用與沉降曲線相似的曲線對沉降過程進行擬合，再外延推求最終沉降量。包括雙曲線法、星野法、泊松曲線法及Asaoka法等。

2.1 雙曲線法

雙曲線法[1]假定沉降量S與時間t按“沉降平均速度呈雙曲線遞減”的規(guī)律變化，其表達式為：

（1）

由上式看出,α和β分別為(t- t0) /(st-s0)―(t-t0)關(guān)系圖中的截距和斜率，可用圖解法求出。將得到的α、β和S0、t0代入式(1)，則可求得任意時刻t的預(yù)估沉降量S(t)。最終沉降量為：

（2）

基于太沙基一維固結(jié)理論，U與T之間應(yīng)該是指數(shù)關(guān)系，而雙曲線法簡化了此關(guān)系，且可用圖解法簡單易行，適合工程人員用。但此法只能推算地基最終沉降量，難以反映地基固結(jié)參數(shù)，已有的工程實例表明預(yù)測結(jié)果比實測值偏大。

2.2對數(shù)拋物線擬合法

文獻[2]在路基完建后的沉降-對數(shù)坐標系上看出沉降大致由兩部分組成：第一部分可用拋物線擬合；第二（即次固結(jié)）部分可由直線擬合。實踐證明，除有機質(zhì)含量高的土體外，沉降量主要集中在第一部分，表達式為：

（3）

式中A、B、C可用優(yōu)化法求得。

該法僅需掌握短期觀測資料，便可求得滿足要求的工后沉降量及鋪設(shè)路面時的沉降速率。

2.3泊松曲線法

泊松曲線[4]法，亦稱邏輯斯蒂(Logistic)曲線。此曲線開始增長緩慢，中間段增長快，尾端增長趨勢越來越小，這符合飽和粘土的沉降-時間發(fā)展關(guān)系。表達式為：

（4）

式中：yt―t時刻對應(yīng)的預(yù)測值（長度單位）；

t―時間；

a―待定參數(shù)且為正，無量綱；

b―待定參數(shù)且為正，單位為時間的倒數(shù)；

k―待定參數(shù)且為正，單位與yt相同。

利用時間序列求出上3個參數(shù)即可建立泊松方程，從而可對今后的yt進行預(yù)測。

該法能很好地反映全過程的沉降量與時間的“S”形關(guān)系，且能通過觀測過程中的點（包括施工過程和運營過程）不斷的進行預(yù)測和調(diào)整預(yù)測。

2.4 Asaoka法

Asaoka法亦稱圖解法[3]，以一維豎向固結(jié)理論為基礎(chǔ)，簡化預(yù)測方程為：

（5）

式中：S―固結(jié)沉降量；

a、b―取決固結(jié)系數(shù)和土層邊界的常數(shù)。固定邊界條件下上式的解為：

（6）

此法可計算固結(jié)系數(shù)及最終沉降，當固結(jié)度達到60%后，用短期內(nèi)觀測資料就可得到可靠的沉降推算值。其是過分依賴于時間間隔的劃分。

除了上述常用模型之外，還有指數(shù)曲線法(三點法)[1] 、沉降速率法[3] 與星野法[3]等，限于篇幅，筆者在此不再贅述。

2.5 灰色模型

沉降過程難以作精確描述，通過觀測得到的較少信息，運用灰色系統(tǒng)理論，把路基沉降過程看成一個灰色系統(tǒng)，建立所需微分方程的動態(tài)模型，以此來分析路堤沉降的發(fā)展變化[1]。以GM(1,1)為例，前一個“1”表示階數(shù)，后一個“1”表示變量個數(shù)，在路基沉降為時間。已知等距時間序列數(shù)據(jù)：

（7）

式中， ，將式（7）作一次累加（即1-AGO）后，得到序列：

（8）

式中，對S(1)建立白化形式的微分方程：

（9）

方程的解為：

（10）

式中 a，b為待定參數(shù)，可通過最小二乘法得到：

（11）

GM(1,1)模型不太適合于對數(shù)據(jù)序列的長期預(yù)測，因此還有改進方法：短期預(yù)測宜采用連續(xù)型直接數(shù)據(jù)GM(1,1)模型；沉降中長期預(yù)測，宜采用等維新息GM(1,1)模型。此法需要原始數(shù)據(jù)少，計算簡單，無需因素數(shù)據(jù)，但其僅限于用時間序列預(yù)測，不能反映預(yù)測對象在各個發(fā)展階段的特征或趨勢。

2.6神經(jīng)網(wǎng)絡(luò)法

神經(jīng)網(wǎng)絡(luò)算法常用BP網(wǎng)絡(luò)，即誤差反向傳播算法的學習過程。BP神經(jīng)網(wǎng)絡(luò)模型是所建模型中精度較高的一種，由于其自身良好的學習功能，可通過前饋和反饋的動態(tài)連接，對大量的測量樣本進行自我訓(xùn)練，使得模型具有一定的人工智能水平。BP算法訓(xùn)練網(wǎng)絡(luò)權(quán)值，其本質(zhì)上是一種梯度下降的最小化方法，但有學者研究證明基于梯度下降的BP算法依賴于初始權(quán)值的選擇，收斂速度慢且容易陷入局部最優(yōu)[5]。

實例中：杭甬高速公路，用前250 d 的沉降數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)，再用網(wǎng)絡(luò)來預(yù)測后期沉降；金山油庫，用前69 d 的沉降數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)，再用網(wǎng)絡(luò)來預(yù)測后期沉降，可以發(fā)現(xiàn)：用前期數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)，再用訓(xùn)練好的網(wǎng)絡(luò)來預(yù)測后期沉降，預(yù)測值與實測值吻合較好，可以達到預(yù)期效果[6]。

3.結(jié)論