神經(jīng)網(wǎng)絡(luò)的優(yōu)化方法精選(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)的優(yōu)化方法主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：神經(jīng)網(wǎng)絡(luò)的優(yōu)化方法范文

關(guān)鍵詞： 神經(jīng)網(wǎng)絡(luò)；模擬電路；故障智能診斷

Applications of Neural network in analog circuit fault intelligent diagnosis

Huang Qian1 ，Lu Li2

Nanchang institute of technology JiangXi NanChang 330029

Abstract： The article mainly describe development course of neural network simulation circuit and the common method of fault diagnosis of simulation power based on neural network at this stage， the focus analysised BP neural network fault dictionary method and the SOM neural network fault dictionary method and respective of calculation method， and basic thought， and technology difficulties analysis， discussed application problem of neural network method in in analog circuit fault intelligent diagnosis， last talk about development trend of simulation circuit neural network diagnosis method.

Keyword： Neural network；Analog circuits；Intelligent fault diagnosis

引 言

隨著神經(jīng)網(wǎng)絡(luò)等人工智能技術(shù)的發(fā)展， 模擬電路故障診斷的研究又開(kāi)辟了一條新路， 基于神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷方法已經(jīng)成為新的研究熱點(diǎn)。20世紀(jì)80年代末期起有學(xué)者研究將人工神經(jīng)網(wǎng)絡(luò)應(yīng)用到模擬電路的故障診斷中，現(xiàn)階段已經(jīng)提出多種基于神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷方法，有些方法如BP（ Error Back Propagation Network）神經(jīng)網(wǎng)絡(luò)故障字典法已經(jīng)能有效應(yīng)用于濾波電路、模擬放大電路等非線性容差電路的故障診斷， 效果優(yōu)于傳統(tǒng)的故障字典法。

1神經(jīng)網(wǎng)絡(luò)故障字典法

神經(jīng)網(wǎng)絡(luò)故障字典法把模擬電路的故障診斷看成是一個(gè)分類(lèi)問(wèn)題， 利用神經(jīng)網(wǎng)絡(luò)的分類(lèi)功能來(lái)診斷故障。在測(cè)前把神經(jīng)網(wǎng)絡(luò)訓(xùn)練成一部故障字典， 字典的信息蘊(yùn)含在網(wǎng)絡(luò)的連接權(quán)值中， 只要輸入電路的測(cè)量特征， 就可以從其輸出查出故障。

1.1 BP 神經(jīng)網(wǎng)絡(luò)故障字典法

BP 是一種多層網(wǎng)絡(luò)誤差反傳學(xué)習(xí)算法。

1）初始化，隨機(jī)給定各連接權(quán)[w]，[v]及閥值θi，rt。

（2）由給定的輸入輸出模式對(duì)計(jì)算隱層、輸出層各單元輸出

式中：bj為隱層第j個(gè)神經(jīng)元實(shí)際輸出；ct為輸出層第t個(gè)神經(jīng)元的實(shí)際輸出；wij為輸入層至隱層的連接權(quán)；vjt為隱層至輸出層的連接權(quán)。

式中：dtk為輸出層的校正誤差；ejk為隱層的校正誤差。

（3）計(jì)算新的連接權(quán)及閥值，計(jì)算公式如下：

（4）選取下一個(gè)輸入模式對(duì)返回第2步反復(fù)訓(xùn)練直到網(wǎng)絡(luò)設(shè)輸出誤差達(dá)到要求結(jié)束訓(xùn)練。

應(yīng)用BP 神經(jīng)網(wǎng)絡(luò)故障字典法進(jìn)行模擬電路故障診斷步驟如下：

（1）確定待測(cè)電路的故障集和狀態(tài)特征參量， 采用電路仿真或?qū)嶒?yàn)的方法獲取電路每一故障狀態(tài)下的狀態(tài)特征數(shù)據(jù)， 經(jīng)篩選和歸一化處理后構(gòu)造訓(xùn)練樣本集。設(shè)計(jì)BP 神經(jīng)網(wǎng)絡(luò)并進(jìn)行訓(xùn)練。

（2）用訓(xùn)練樣本集中的樣本訓(xùn)練好網(wǎng)絡(luò)， 即完成學(xué)習(xí)的過(guò)程。一般采用3 層BP 神經(jīng)網(wǎng)絡(luò)， 輸入層節(jié)點(diǎn)數(shù)與電路狀態(tài)特征參量的維數(shù)相同， 輸出層節(jié)點(diǎn)數(shù)可與電路待測(cè)故障類(lèi)別數(shù)相同，也可小于待測(cè)故障類(lèi)別數(shù)， 隱層節(jié)點(diǎn)數(shù)則需按經(jīng)驗(yàn)公式試湊。實(shí)際診斷時(shí)給被測(cè)電路加相同的測(cè)試激勵(lì)， 將測(cè)得的實(shí)際狀態(tài)特征參量輸入到訓(xùn)練好的BP 神經(jīng)網(wǎng)絡(luò)， 則其輸出即可指示相應(yīng)的故障狀態(tài)。

1.2 SOM神經(jīng)網(wǎng)絡(luò)故障字典法

SOM （Self - organizing Feature Map）神經(jīng)網(wǎng)絡(luò)是芬蘭教授Kohonen于1981 年提出的一種自組織特征映射神經(jīng)網(wǎng)絡(luò)。這種自組織特征映射神經(jīng)網(wǎng)絡(luò)通過(guò)對(duì)輸入模式的反復(fù)學(xué)習(xí)，使連接權(quán)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(quán)矢量的空間分布密度能反映輸入模式的統(tǒng)計(jì)特性。

SOM二維網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖

SOM 網(wǎng)絡(luò)能對(duì)輸入模式自動(dòng)分類(lèi)，通過(guò)輸入模式的自組織學(xué)習(xí)， 在競(jìng)爭(zhēng)層將分類(lèi)結(jié)果表示出來(lái)。應(yīng)用SOM 神經(jīng)網(wǎng)絡(luò)建立模擬電路故障診斷字典的具體步驟如下：

（1）確定電路的故障集和激勵(lì)信號(hào)。通過(guò)仿真獲取電路在每一故障狀態(tài)下的狀態(tài)特征向量， 并進(jìn)行預(yù)處理得到訓(xùn)練樣本數(shù)據(jù)。

（2） 確定SOM 網(wǎng)絡(luò)結(jié)構(gòu)。 SOM 網(wǎng)絡(luò)只有輸入層和輸出層兩層， 沒(méi)有隱層，輸入層的形式與BP 網(wǎng)絡(luò)相同， 其結(jié)點(diǎn)數(shù)應(yīng)與電路狀態(tài)特征向量的維數(shù)相同。輸出層即競(jìng)爭(zhēng)層的神經(jīng)元一般采用二維平面陣結(jié)構(gòu)排列， 也可采用一維線陣或三維柵格陣的結(jié)構(gòu)排列。采用一維線陣時(shí)， 輸出層結(jié)點(diǎn)數(shù)可與電路的故障類(lèi)別數(shù)相同。

（3）經(jīng)過(guò)SOM 訓(xùn)練形成具有容差的故障字典。SOM 網(wǎng)絡(luò)的學(xué)習(xí)算法可采用標(biāo)準(zhǔn)的Kohonen 算法。可以看出， SOM 網(wǎng)絡(luò)法與BP 網(wǎng)絡(luò)法構(gòu)建故障字典的方法步驟完全相似，SOM 網(wǎng)絡(luò)法一般適用于交流電路， 以電路響應(yīng)的頻域參量為狀態(tài)特征，它能更有效地克服容差因素對(duì)故障定位的影響，SOM 網(wǎng)絡(luò)法實(shí)際診斷時(shí)容易出現(xiàn)模糊故障集， 診斷過(guò)程要比BP網(wǎng)絡(luò)法復(fù)雜。

1.2神經(jīng)網(wǎng)絡(luò)故障字典法難點(diǎn)

同經(jīng)典的故障字典法相比， 神經(jīng)網(wǎng)絡(luò)故障字典法突出的優(yōu)點(diǎn)是測(cè)后診斷速度快，實(shí)時(shí)性強(qiáng)，其原因是該方法利用了神經(jīng)網(wǎng)絡(luò)高度并行的信息處理能力。經(jīng)典的故障字典法需要進(jìn)行繁瑣的模糊集分割處理， 且一般只能診斷硬故障。而神經(jīng)網(wǎng)絡(luò)故障字典法由于神經(jīng)網(wǎng)絡(luò)的泛化能力，可以診斷容差模擬電路， 而且對(duì)軟故障情況也有很好的應(yīng)用前景。應(yīng)用該方法難點(diǎn)包括以下幾個(gè)方面：

（1）神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)等只能依據(jù)經(jīng)驗(yàn)反復(fù)調(diào)試， 難以確定所設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)是最優(yōu)的。

（2）數(shù)據(jù)預(yù)處理技術(shù)和訓(xùn)練樣本集的篩選至關(guān)重要，神經(jīng)網(wǎng)絡(luò)故障字典法的診斷效果主要依賴(lài)于此。如何根據(jù)實(shí)際電路對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理以突出故障特征信息及如何優(yōu)選訓(xùn)練樣本。

2 神經(jīng)網(wǎng)絡(luò)優(yōu)化診斷法

傳統(tǒng)的優(yōu)化診斷法依據(jù)被測(cè)電路的解析關(guān)系， 按照一定的判據(jù)（目標(biāo)函數(shù)） ， 估計(jì)出最有可能出現(xiàn)故障的元件。優(yōu)化診斷法是一種測(cè)后模擬的逼近法， 可在較少的測(cè)量數(shù)據(jù)下診斷故障，避免元件的容差問(wèn)題， 可以診斷軟故障和多故障但傳統(tǒng)優(yōu)化診斷法存在一個(gè)復(fù)雜的重復(fù)過(guò)程， 需要多個(gè)優(yōu)化過(guò)程和多次電路模擬， 測(cè)后計(jì)算量很大。

神經(jīng)網(wǎng)絡(luò)優(yōu)化診斷法對(duì)傳統(tǒng)方法進(jìn)行改進(jìn)， 利用Hopfield 神經(jīng)網(wǎng)絡(luò)的優(yōu)化計(jì)算功能尋優(yōu)， 克服了傳統(tǒng)的優(yōu)化診斷方法測(cè)后計(jì)算量大、實(shí)時(shí)性差的缺點(diǎn)。由于該方法最終是通過(guò)求解元件參數(shù)或參數(shù)增量來(lái)判定故障元件的。

神經(jīng)網(wǎng)絡(luò)優(yōu)化診斷法的基本思想是將模擬電路的故障診斷方程轉(zhuǎn)換為帶約束條件的優(yōu)化問(wèn)題， 然后利用Hopfield 神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化問(wèn)題的求解。將優(yōu)化問(wèn)題映射到一種神經(jīng)網(wǎng)絡(luò)的特定組態(tài)上， 此組態(tài)相應(yīng)于優(yōu)化問(wèn)題的可能解， 然后再構(gòu)造一個(gè)適合于待優(yōu)化問(wèn)題的能量函數(shù)（對(duì)應(yīng)于目標(biāo)函數(shù)）， 當(dāng)Hopfield 神經(jīng)網(wǎng)絡(luò)從某一初始狀態(tài)沿著能量函數(shù)減小的方向運(yùn)動(dòng)， 其穩(wěn)定平衡解即對(duì)應(yīng)于優(yōu)化問(wèn)題的解。對(duì)于線性電阻電路， 可以以元件參數(shù)增量和可測(cè)節(jié)點(diǎn)電壓變化量建立故障診斷方程， 該診斷方程通常為一組欠定方程。

應(yīng)用Hopfield 神經(jīng)網(wǎng)絡(luò)求解此類(lèi)帶約束條件的優(yōu)化問(wèn)題的步驟如下：

（1）分析問(wèn)題： 分析網(wǎng)絡(luò)輸出與問(wèn)題的解相對(duì)應(yīng)。

（2）構(gòu)造網(wǎng)絡(luò)能量函數(shù)： 將實(shí)際待解決優(yōu)化問(wèn)題的目標(biāo)函數(shù)表達(dá)成能量函數(shù)的相應(yīng)形式， 能量函數(shù)最小值對(duì)應(yīng)問(wèn)題最佳解。

（3）設(shè)計(jì)網(wǎng)絡(luò)結(jié)構(gòu)： 將能量函數(shù)與目標(biāo)函數(shù)相比較， 求出能量函數(shù)中的權(quán)值和偏流。

（4）運(yùn)行網(wǎng)絡(luò)求出穩(wěn)定平衡態(tài)： 由網(wǎng)絡(luò)結(jié)構(gòu)建立網(wǎng)絡(luò)的電子線路， 運(yùn)行該電子線路直至穩(wěn)定， 所得穩(wěn)態(tài)解即為優(yōu)化問(wèn)題所希望的解。

3 其它神經(jīng)網(wǎng)絡(luò)故障診斷法

ART （Adaptive Resonance Theory）神經(jīng)網(wǎng)絡(luò)故障診斷法。ART 神經(jīng)網(wǎng)絡(luò)是一種基于自適應(yīng)共振理論ART的學(xué)習(xí)算法， 包括ART1 型、ART2 型和ART3 型三種結(jié)構(gòu)形式。文獻(xiàn)三中的作者探討了一種采用ART1 型神經(jīng)網(wǎng)絡(luò)進(jìn)行模擬電路故障診斷的方法，將電路的各種故障分出層次，并按一定特征給故障類(lèi)型進(jìn)行編碼形成故障數(shù)據(jù)樣本，將故障數(shù)據(jù)樣本輸入ART1型神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練， 訓(xùn)練完成后該ART 網(wǎng)絡(luò)即可用于診斷。ART最大的特點(diǎn)是既能識(shí)別已有的故障模式， 又能較好地診斷新發(fā)故障?；谏窠?jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)撕裂法。網(wǎng)絡(luò)撕裂法是一種大規(guī)模模擬電路分層診斷的方法， 將網(wǎng)絡(luò)撕裂法與神經(jīng)網(wǎng)絡(luò)故障字典法相結(jié)合就形成基于神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)撕裂法。

ART的基本思路是， 當(dāng)電路網(wǎng)絡(luò)分解到一定程度后， 電路子網(wǎng)絡(luò)繼續(xù)分解往往越來(lái)越困難， 這時(shí)可以引入神經(jīng)網(wǎng)絡(luò)故障字典法， 分別為每一電路子網(wǎng)絡(luò)構(gòu)建一個(gè)神經(jīng)網(wǎng)絡(luò)， 則電路子網(wǎng)絡(luò)級(jí)的診斷采用神經(jīng)網(wǎng)絡(luò)故障字典實(shí)現(xiàn)。

與傳統(tǒng)的網(wǎng)絡(luò)撕裂法相比， 該方法測(cè)后工作量小， 診斷過(guò)程更加簡(jiǎn)單，診斷速度加快?；谏窠?jīng)網(wǎng)絡(luò)求解非線性方程的模擬電路故障診斷方法。

4 模擬電路神經(jīng)網(wǎng)絡(luò)診斷法發(fā)展趨勢(shì)

近年來(lái)， 一個(gè)值得重視的現(xiàn)象是神經(jīng)網(wǎng)絡(luò)與專(zhuān)家系統(tǒng)、模糊控制、遺傳算法和小波分析等技術(shù)相結(jié)合應(yīng)用于模擬電路的故障診斷領(lǐng)域的研究。如神經(jīng)網(wǎng)絡(luò)與模糊邏輯理論相結(jié)合， 即所謂的“模糊神經(jīng)網(wǎng)絡(luò)”用于模擬電路的故障診斷， 其基本思想是在BP 神經(jīng)網(wǎng)絡(luò)的輸入層與輸出層中間增加1到2 層模糊層構(gòu)造模糊神經(jīng)網(wǎng)絡(luò)，利用神經(jīng)網(wǎng)絡(luò)處理低層感知數(shù)據(jù)， 利用模糊邏輯描述高層的邏輯框架，其對(duì)模擬電路軟故障的診斷效果優(yōu)于單一的神經(jīng)網(wǎng)絡(luò)分類(lèi)器。又如小波分析與神經(jīng)網(wǎng)絡(luò)結(jié)合應(yīng)用于模擬電路的故障診斷。

小波與神經(jīng)網(wǎng)絡(luò)的結(jié)合有以下兩個(gè)途徑：

（1） 輔助式結(jié)合， 比較典型的是利用小波分析對(duì)信號(hào)進(jìn)行預(yù)處理， 然后用神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)與判別。

（2）嵌套式結(jié)合， 即把小波變換的運(yùn)算融入到神經(jīng)網(wǎng)絡(luò)中去， 其基本思想是用小波元代替了神經(jīng)元，即激活函數(shù)為已定位的小波函數(shù)基， 通過(guò)仿射變換建立小波變換與神經(jīng)網(wǎng)絡(luò)的聯(lián)接，小波神經(jīng)網(wǎng)絡(luò)由于把神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)特性和小波的局部特性結(jié)合起來(lái)，具有自適應(yīng)分辨性和良好的容錯(cuò)性。

參考文獻(xiàn)

[1] 王顯強(qiáng).談?wù)勆窠?jīng)網(wǎng)絡(luò)在模擬電路故障診斷中的應(yīng)用問(wèn)題[J]

電路技術(shù).2012（06）

[2] 劉華.基于神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷方法研究[J]微電子學(xué)報(bào).2010（03）

[3]董偉.談ART1 型神經(jīng)網(wǎng)絡(luò)進(jìn)行模擬電路故障診斷方式分析. [J]電路科技. 2012（05）

[4]王承. 基于神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷方案探究.[J]電路科技. 2013（06）

[5]張宇. 基于神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷方案探究.[J]計(jì)算機(jī)測(cè)量與控制. 2012（07）

[6]王承. 基于神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷方案探究.[J]電路故障. 2013（02）

[7]劉盛燦. 神經(jīng)網(wǎng)絡(luò)的模擬電路故障的應(yīng)用.[J]電路科技. 2013（06）

[8] 萬(wàn)磊.神經(jīng)網(wǎng)絡(luò)在模擬電路故障診斷中的應(yīng)用若干問(wèn)題探討[J]

電路技術(shù).2011（08）

[9] 郭明強(qiáng).神經(jīng)網(wǎng)絡(luò)在模擬電路故障診斷中的發(fā)展歷程分析[J]電路技術(shù).2013（08）

第2篇：神經(jīng)網(wǎng)絡(luò)的優(yōu)化方法范文

安全評(píng)價(jià)的關(guān)鍵與基礎(chǔ)是選取與確立評(píng)價(jià)的指標(biāo)體系，它對(duì)評(píng)價(jià)的結(jié)果是否符合實(shí)際情況至關(guān)重要?；て髽I(yè)安全評(píng)價(jià)指標(biāo)體系應(yīng)盡可能反映化工企業(yè)的主要特征和基本狀況。評(píng)價(jià)過(guò)程中指標(biāo)體系的要素組成非常關(guān)鍵，如果選取的要素太多，有可能使評(píng)價(jià)指標(biāo)體系更加龐大和冗雜，從而增加評(píng)價(jià)的困難程度，甚至?xí)挂恍┲匾蛩乇缓雎?如果指標(biāo)因素太少，則難以較完整地反映被評(píng)價(jià)系統(tǒng)的客觀實(shí)際情況。•33•通過(guò)查閱研究某大型煉油化工企業(yè)的相關(guān)文獻(xiàn)和資料［4］，由人、機(jī)和環(huán)境3個(gè)方面構(gòu)成的系統(tǒng)模型出發(fā)，把生產(chǎn)系統(tǒng)所有重要環(huán)節(jié)包含其中，從而建立出化工企業(yè)的安全評(píng)價(jià)指標(biāo)體系如圖1和表1至表4所示。

2化工企業(yè)的遺傳神經(jīng)網(wǎng)絡(luò)安全評(píng)價(jià)模型

2．1遺傳神經(jīng)網(wǎng)絡(luò)遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的方法主要有2種:對(duì)神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值進(jìn)行優(yōu)化;對(duì)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)進(jìn)行優(yōu)化［5］。本文在保持神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)不變的情況下，用遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)初始權(quán)值和閾值進(jìn)行優(yōu)化。

2．2遺傳神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)模型遺傳神經(jīng)網(wǎng)絡(luò)優(yōu)化的數(shù)學(xué)模型［6］如下:本文構(gòu)建的遺傳神經(jīng)網(wǎng)絡(luò)模型的運(yùn)行過(guò)程如下:(1)初始化BP神經(jīng)網(wǎng)絡(luò)。(2)把BP神經(jīng)網(wǎng)絡(luò)的全部權(quán)值與閾值實(shí)數(shù)編碼，確定其長(zhǎng)度l，確定其為遺傳算法的初始種群個(gè)體。(3)設(shè)置遺傳算法的相關(guān)參數(shù)以及終止條件，執(zhí)行遺傳算法;遺傳算法包括對(duì)群體中個(gè)體適應(yīng)度進(jìn)行評(píng)價(jià)，執(zhí)行選擇、交叉、變異遺傳操作，進(jìn)化生成新的群體;反復(fù)操作至設(shè)定的進(jìn)化代數(shù)，最終取得最佳染色體個(gè)體。(4)把最佳染色體個(gè)體解碼，分解為BP網(wǎng)絡(luò)對(duì)應(yīng)的權(quán)值、閾值，輸入訓(xùn)練樣本，利用BP網(wǎng)絡(luò)進(jìn)行訓(xùn)練。(5)得到訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)，則可輸入實(shí)例樣本進(jìn)行評(píng)價(jià)。

3遺傳神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)模型在化工企業(yè)的應(yīng)用

3．1學(xué)習(xí)樣本的準(zhǔn)備根據(jù)前文所確定的評(píng)價(jià)指標(biāo)體系和對(duì)某大型煉油化工有限公司成氨分廠提供的空氣分離、渣油氣化、碳黑回收、一氧化碳變換、甲醇洗滌、液氮洗滌等工序的安全原始數(shù)據(jù)，參考文獻(xiàn)中化工企業(yè)安全評(píng)價(jià)指標(biāo)取值標(biāo)準(zhǔn)，進(jìn)行分析和整理，得出11個(gè)實(shí)例樣本，如表5所示。選擇10個(gè)樣本作為遺傳神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，1個(gè)樣本作為測(cè)試樣本。

3．2BP網(wǎng)絡(luò)結(jié)構(gòu)的確定BP網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)一般是由網(wǎng)絡(luò)層數(shù)、輸入層節(jié)點(diǎn)數(shù)、隱含層節(jié)點(diǎn)數(shù)、隱含層數(shù)以及輸出層節(jié)點(diǎn)數(shù)等來(lái)確定。本文建立的遺傳神經(jīng)網(wǎng)絡(luò)模型是根據(jù)經(jīng)驗(yàn)來(lái)確定神經(jīng)網(wǎng)絡(luò)的層數(shù)，一般選取BP神經(jīng)網(wǎng)絡(luò)的層數(shù)為3層［7］。通過(guò)化工企業(yè)安全評(píng)價(jià)指標(biāo)的分析，得出BP神經(jīng)網(wǎng)絡(luò)輸入層神經(jīng)元數(shù)目為評(píng)價(jià)指標(biāo)的總數(shù)12+6+8+5=31。模型最后輸出的結(jié)果為綜合安全評(píng)價(jià)結(jié)果，因此，神經(jīng)網(wǎng)絡(luò)的輸出層節(jié)點(diǎn)數(shù)確定為1。隱含層中節(jié)點(diǎn)數(shù)的范圍通過(guò)經(jīng)驗(yàn)公式來(lái)確定，本文在其確定范圍內(nèi)選12。依據(jù)訓(xùn)練樣本的規(guī)模，設(shè)定學(xué)習(xí)率為0．1，最大訓(xùn)練誤差值設(shè)為10－5，循環(huán)學(xué)習(xí)次數(shù)為1000次。網(wǎng)絡(luò)輸出層為1個(gè)節(jié)點(diǎn)，即化工企業(yè)的安全評(píng)價(jià)結(jié)果?；て髽I(yè)安全等級(jí)一般分為5級(jí)［7］，如表6所示。

3．3遺傳算法優(yōu)化遺傳算法中，參數(shù)設(shè)定如下:種群規(guī)模設(shè)為300，交叉概率設(shè)為0．7，進(jìn)化代數(shù)設(shè)為100，變異率設(shè)為0．05。本文運(yùn)用MATLAB軟件中的遺傳算法工具箱gads，在GUI操作界面中輸入以上參數(shù)，并輸入適應(yīng)度函數(shù)，對(duì)神經(jīng)網(wǎng)絡(luò)的權(quán)閾值進(jìn)行優(yōu)化。經(jīng)過(guò)遺傳操作后，運(yùn)行遺傳算法工具箱，則可得出最佳適應(yīng)度曲線圖和最佳個(gè)體圖(圖2)，得到最佳適應(yīng)度個(gè)體，將其進(jìn)行解碼，作為該網(wǎng)絡(luò)的初始權(quán)值和閾值賦給BP神經(jīng)網(wǎng)絡(luò)。

3．4GA－BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練在MATLAB界面中編程語(yǔ)言，得到輸出向量和網(wǎng)絡(luò)均方差變化圖。訓(xùn)練結(jié)果與期望輸出見(jiàn)表7，BP網(wǎng)絡(luò)訓(xùn)練過(guò)程如圖3所示。從訓(xùn)練結(jié)果可以看出，該網(wǎng)絡(luò)的誤差值不超過(guò)10－5，滿足設(shè)定要求。用該網(wǎng)絡(luò)對(duì)實(shí)例樣本進(jìn)行安全評(píng)價(jià)，得到結(jié)果為3．9956，對(duì)照安全評(píng)價(jià)輸出結(jié)果等級(jí)表為較安全，與目標(biāo)值吻合。從而訓(xùn)練后的網(wǎng)絡(luò)穩(wěn)定性得到驗(yàn)證，可以用于化工企業(yè)安全評(píng)價(jià)。

4結(jié)論

第3篇：神經(jīng)網(wǎng)絡(luò)的優(yōu)化方法范文

【關(guān)鍵詞】遺傳算法；BP神經(jīng)網(wǎng)絡(luò)；柴油機(jī)；故障診斷

柴油機(jī)缸蓋振動(dòng)信號(hào)中包含著豐富的工作狀態(tài)信息，在對(duì)其現(xiàn)代診斷技術(shù)中，基于振動(dòng)信號(hào)分析的診斷方法顯示出了其優(yōu)越性，利用缸蓋振動(dòng)信號(hào)診斷柴油機(jī)故障是一種有效方法。故障特征的提取和故障類(lèi)型的識(shí)別是利用振動(dòng)信號(hào)分析法在對(duì)柴油機(jī)進(jìn)行故障診斷過(guò)程中兩個(gè)最為重要的過(guò)程。根據(jù)提取的故障特征識(shí)別柴油機(jī)的故障類(lèi)型是一個(gè)典型的模式識(shí)別問(wèn)題，對(duì)柴油機(jī)故障類(lèi)型識(shí)別采用恰當(dāng)?shù)哪Ｊ阶R(shí)別方法就尤為重要。神經(jīng)網(wǎng)絡(luò)作為一種自適應(yīng)的模式識(shí)別技術(shù)，其通過(guò)自身的學(xué)習(xí)機(jī)制自動(dòng)形成所要求的決策區(qū)域，而不需要預(yù)先給出有關(guān)模式的經(jīng)驗(yàn)知識(shí)和判斷函數(shù)；它可以充分利用狀態(tài)信息，對(duì)來(lái)自于不同狀態(tài)的信息逐一進(jìn)行訓(xùn)練而獲得某種映射關(guān)系。鑒于其自身特性，在故障模式識(shí)別領(lǐng)域中有著越來(lái)越廣泛的應(yīng)用。而據(jù)統(tǒng)計(jì)，有80%～90%的神經(jīng)網(wǎng)絡(luò)模型都是采用了BP網(wǎng)絡(luò)或者是它的變形。BP網(wǎng)絡(luò)是前向網(wǎng)絡(luò)的核心部分，是神經(jīng)網(wǎng)絡(luò)中最精華、最完美的部分。但是它也存在一些缺陷，例如學(xué)習(xí)收斂速度、不能保證收斂到全局最小點(diǎn)、網(wǎng)絡(luò)結(jié)構(gòu)不易確定。遺傳算法是一種基于生物自然選擇與遺傳機(jī)理的隨機(jī)搜索算法。其基本操作是選擇、交叉和變異，核心內(nèi)容是參數(shù)編碼、初始群體的設(shè)定、適應(yīng)度函數(shù)的設(shè)計(jì)、遺傳操作設(shè)計(jì)和控制參數(shù)的設(shè)定。遺傳算法通過(guò)種群隨機(jī)搜索，對(duì)數(shù)據(jù)進(jìn)行并行處理，將結(jié)果收斂到全局最優(yōu)解。因此，將遺傳算法與BP神經(jīng)網(wǎng)絡(luò)結(jié)合應(yīng)用于柴油機(jī)故障診斷中，可以提高網(wǎng)絡(luò)的性能，避免網(wǎng)絡(luò)陷入局部極小解，進(jìn)而實(shí)現(xiàn)對(duì)設(shè)備故障的識(shí)別。

1 BP神經(jīng)網(wǎng)絡(luò)

1.1 BP神經(jīng)元模型在柴油機(jī)故障診斷中的應(yīng)用

BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋型神經(jīng)網(wǎng)絡(luò)，其神經(jīng)元的傳遞是S型函數(shù)，輸出量為0至1之間的連續(xù)量，它可以實(shí)現(xiàn)從輸入到輸出的任意非線性映射。由于權(quán)值的調(diào)整采用反向傳播學(xué)習(xí)算法，因此也稱(chēng)為其為BP網(wǎng)絡(luò)。

圖1 BP神經(jīng)元模型

上圖給出一個(gè)基本的BP神經(jīng)元模型，它具有R個(gè)輸入，每個(gè)輸入都通過(guò)一個(gè)適當(dāng)?shù)臋?quán)值和ω下一層相連，網(wǎng)絡(luò)輸入可表示為：

a=f（wp+b）

f就是表示輸入/輸出關(guān)系的傳遞函數(shù)。

BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)與所有影響齒輪故障的特征因素有關(guān)。柴油機(jī)運(yùn)動(dòng)部件多而復(fù)雜，激勵(lì)源眾多且其頻率范圍寬廣，加之噪聲的融入，使得柴油機(jī)表面振動(dòng)信號(hào)極為復(fù)雜?；谶@種特點(diǎn)，可以確定用于柴油機(jī)故障診斷的BP神經(jīng)網(wǎng)絡(luò)的輸入層、輸出層隱含層以及節(jié)點(diǎn)數(shù)等。由小波包提取各柴油機(jī)故障的特征值作為輸入節(jié)點(diǎn)，輸出節(jié)點(diǎn)數(shù)目與柴油機(jī)故障類(lèi)別的數(shù)目有關(guān)。

1.2 BP神經(jīng)網(wǎng)絡(luò)與遺傳算法

BP神經(jīng)網(wǎng)絡(luò)又稱(chēng)為反向傳播算法，其算法數(shù)學(xué)意義明確、步驟分明，是神經(jīng)網(wǎng)絡(luò)中最為常用、最有效、最活躍的一種網(wǎng)絡(luò)模型。常用方法梯度下降法和動(dòng)量法，但是梯度下降法訓(xùn)練速度較慢，效率比較低，訓(xùn)練易陷入癱瘓，而且其實(shí)質(zhì)是單點(diǎn)搜索算法，不具有全局搜索能力；動(dòng)量法因?yàn)閷W(xué)習(xí)率的提高通常比單純的梯度下降法要快一些，但在實(shí)際應(yīng)用中速度還是不夠；BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練開(kāi)始時(shí)網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)是隨機(jī)給定的，因此結(jié)果存在一定的隨機(jī)性。

遺傳算法（Genetic Algorithm，GA）是模擬達(dá)爾文的遺傳選擇和自然淘汰的生物進(jìn)化過(guò)程的計(jì)算模型，它是由美國(guó)密歇根大學(xué)的J.Holland 教授于1975年首先提出來(lái)的，遺傳算法具有很強(qiáng)的宏觀搜索能力和良好的全局優(yōu)化性能，因此將遺傳算法與BP神經(jīng)網(wǎng)絡(luò)結(jié)合，訓(xùn)練時(shí)先用遺傳算法對(duì)神經(jīng)網(wǎng)絡(luò)的權(quán)值進(jìn)行尋找，將搜索范圍縮小后，再利用BP網(wǎng)絡(luò)來(lái)進(jìn)行精確求解，可以達(dá)到全局尋找和快速高效的目的，并且可以避免局部極小點(diǎn)問(wèn)題。該算法不僅具有全局搜索能力，而且提高了局部搜索能力，從而增強(qiáng)了在搜索過(guò)程中自動(dòng)獲取和積累搜索空間知識(shí)及自應(yīng)用地控制搜索的能力，從而使結(jié)果的性質(zhì)得以極大的改善。

2 基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)

遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)主要分為：BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)確定、遺傳算法優(yōu)化權(quán)值和閥值、BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練及預(yù)測(cè)。其中，BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)是根據(jù)樣本的輸入/輸出個(gè)數(shù)確定的，這樣就可以確定遺傳算法優(yōu)化參數(shù)的個(gè)數(shù)，從而確定種群個(gè)體的編碼長(zhǎng)度。因?yàn)檫z傳算法優(yōu)化參數(shù)是BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閥值，只要網(wǎng)絡(luò)結(jié)構(gòu)已知，權(quán)值和閥值的個(gè)數(shù)就已知了。神經(jīng)網(wǎng)絡(luò)的權(quán)值和閥值一般是通過(guò)隨機(jī)初始化為[-0.5，0.5]區(qū)間的隨機(jī)數(shù)，這個(gè)初始化參數(shù)對(duì)網(wǎng)絡(luò)訓(xùn)練的影響很大，但是又無(wú)法準(zhǔn)確獲得，對(duì)于相同的初始權(quán)重值和閥值，網(wǎng)絡(luò)的訓(xùn)練結(jié)果是一樣的，引入遺傳算法就是為了優(yōu)化出最佳的初始權(quán)值和閥值。

2.1 基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)在柴油機(jī)故障診斷中的應(yīng)用

通過(guò)基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)建立小波包特征量與故障之間的對(duì)應(yīng)關(guān)系。表1為柴油機(jī)常見(jiàn)故障在不同頻段的能量分布，構(gòu)成了人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本。表2為網(wǎng)絡(luò)輸出樣本，“0”代表沒(méi)有故障，“1”代表發(fā)生故障。利用表1中的訓(xùn)練樣本對(duì)基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，經(jīng)1000次訓(xùn)練達(dá)到了理想訓(xùn)練效果。

表1 訓(xùn)練樣本

表2 網(wǎng)絡(luò)理想輸出

表3 待診斷的故障樣本

表4 診斷結(jié)果

將表3中的待診斷的故障樣本輸入到已經(jīng)訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)，得到診斷結(jié)果如表4所示。第1組待診斷的信號(hào)第1個(gè)輸出節(jié)點(diǎn)接近1，可以根據(jù)訓(xùn)練樣本結(jié)果判斷該組數(shù)據(jù)故障為供油提前角晚；第2組待診斷的信號(hào)第4個(gè)輸出節(jié)點(diǎn)接近1，根據(jù)訓(xùn)練樣本結(jié)果可以判斷該組數(shù)據(jù)故障類(lèi)型為供油提前角早；第3組待診斷的信號(hào)第7個(gè)數(shù)據(jù)節(jié)點(diǎn)接近1 ，可以判斷故障類(lèi)型為針閥卡死，其診斷結(jié)果和現(xiàn)場(chǎng)勘查結(jié)果一致。

3 結(jié)語(yǔ)

遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的目的是通過(guò)遺傳算法得到更好的網(wǎng)絡(luò)初始值和閥值。通過(guò)以上研究可以看出，遺傳算法和BP算法有機(jī)的融合，可以有效地彌補(bǔ)BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)、權(quán)值和閥值選擇上的隨機(jī)性缺陷，充分利用了遺傳算法的全局搜索能力和BP神經(jīng)網(wǎng)絡(luò)的局部搜索能力，克服了傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)柴油機(jī)故障診斷的缺點(diǎn)，提高了柴油機(jī)故障診斷的精度。

【參考文獻(xiàn)】

第4篇：神經(jīng)網(wǎng)絡(luò)的優(yōu)化方法范文

（四川信息職業(yè)技術(shù)學(xué)院，四川廣元628017）

摘要：考慮到傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)在進(jìn)行P2P流量識(shí)別時(shí)，具有系統(tǒng)識(shí)別速度慢、精度低，神經(jīng)網(wǎng)絡(luò)自身容易陷入局部最小值等問(wèn)題，使用遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化。遺傳算法具有較強(qiáng)的自適應(yīng)性和魯棒性，因此使用遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行優(yōu)化處理，能夠有效提高神經(jīng)網(wǎng)絡(luò)的性能。建立基于遺傳神經(jīng)網(wǎng)絡(luò)的識(shí)別系統(tǒng)，采集處理大量樣本數(shù)據(jù)，對(duì)識(shí)別系統(tǒng)進(jìn)行訓(xùn)練和測(cè)試。研究結(jié)果表明，基于遺傳神經(jīng)網(wǎng)絡(luò)的P2P流量識(shí)別系統(tǒng)具有識(shí)別精度高、識(shí)別速度快等優(yōu)點(diǎn)，相比傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)，其識(shí)別性能有明顯提高。

關(guān)鍵詞 ：遺傳算法；P2P；流量識(shí)別；BP神經(jīng)網(wǎng)絡(luò)

中圖分類(lèi)號(hào)：TN711?34；TP393 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1004?373X（2015）17?0117?04

隨著計(jì)算機(jī)科學(xué)技術(shù)的不斷發(fā)展與進(jìn)步，P2P技術(shù)已經(jīng)廣泛應(yīng)用于網(wǎng)絡(luò)視頻音頻多媒體播放、網(wǎng)絡(luò)文件共享以及數(shù)據(jù)傳輸?shù)阮I(lǐng)域，P2P技術(shù)不斷吸引了越來(lái)越多的網(wǎng)絡(luò)用戶、網(wǎng)絡(luò)應(yīng)用服務(wù)開(kāi)發(fā)者以及提供商的目光，各種各樣的基于P2P技術(shù)的網(wǎng)絡(luò)應(yīng)用和服務(wù)不斷涌現(xiàn)，為人們?cè)诰W(wǎng)絡(luò)中提供了便利。然而，隨著人們享受著P2P技術(shù)帶來(lái)的各種便利的同時(shí)，P2P技術(shù)的各種負(fù)面效應(yīng)也隨之而來(lái)。目前P2P應(yīng)用存在對(duì)網(wǎng)絡(luò)流量消耗巨大，監(jiān)管難度大，以及易于網(wǎng)絡(luò)病毒傳播，為網(wǎng)絡(luò)帶來(lái)安全隱患等問(wèn)題。因此，對(duì)P2P流量的精確識(shí)別和監(jiān)測(cè)成為了對(duì)P2P技術(shù)研究的重中之重[1?5]。

1 P2P 流量識(shí)別技術(shù)

1.1 典型P2P流量識(shí)別技術(shù)

典型的P2P流量識(shí)別技術(shù)主要有：基于端口的識(shí)別技術(shù)、基于深層數(shù)據(jù)包的識(shí)別技術(shù)以及基于流量變化特征的識(shí)別技術(shù)。

基于端口的識(shí)別技術(shù)是一種應(yīng)用最早的識(shí)別技術(shù)，其主要根據(jù)早期P2P應(yīng)用的固定端口進(jìn)行識(shí)別，具有算法簡(jiǎn)便，易于實(shí)現(xiàn)等優(yōu)點(diǎn)，但是對(duì)于現(xiàn)如今復(fù)雜的網(wǎng)絡(luò)環(huán)境，此種技術(shù)已經(jīng)不再適用[6?7]。

基于深層數(shù)據(jù)包的識(shí)別技術(shù)往往因?yàn)榇嬖谧R(shí)別滯后、隱私保護(hù)以及算法復(fù)雜等缺點(diǎn)而得不到廣泛普及應(yīng)用。

基于流量變化特征的識(shí)別技術(shù)通過(guò)對(duì)P2P流量數(shù)據(jù)進(jìn)行采集，通過(guò)處理數(shù)據(jù)得到數(shù)據(jù)流的統(tǒng)計(jì)特征，使用統(tǒng)計(jì)特征作為機(jī)器學(xué)習(xí)的訓(xùn)練樣本，得到經(jīng)過(guò)訓(xùn)練的識(shí)別系統(tǒng)。此識(shí)別技術(shù)具有算法簡(jiǎn)便、效率高等優(yōu)點(diǎn)[8?9]。

1.2 基于神經(jīng)網(wǎng)絡(luò)的P2P流量識(shí)別技術(shù)

BP 神經(jīng)網(wǎng)絡(luò)是一種有督導(dǎo)的智能機(jī)器學(xué)習(xí)算法，已經(jīng)在機(jī)械、計(jì)算機(jī)、通信等領(lǐng)域得到了廣泛應(yīng)用，其技術(shù)發(fā)展已經(jīng)相對(duì)成熟。將BP神經(jīng)網(wǎng)絡(luò)用于對(duì)P2P流量的識(shí)別是一種可行有效的識(shí)別技術(shù)和手段。

然而將BP神經(jīng)網(wǎng)絡(luò)算法用于P2P流量識(shí)別雖然克服了傳統(tǒng)識(shí)別方法存在的諸多問(wèn)題，但是由于算法自身特性也隨之帶來(lái)了新的問(wèn)題。

BP神經(jīng)網(wǎng)絡(luò)實(shí)際上是梯度下降算法的一種迭代學(xué)習(xí)方法。由于梯度下降算法要求具有較小的學(xué)習(xí)速度時(shí)才能進(jìn)行穩(wěn)定的學(xué)習(xí)，因此其收斂速度較慢。并且，由于BP神經(jīng)網(wǎng)絡(luò)在進(jìn)行訓(xùn)練時(shí)，會(huì)在某點(diǎn)沿著誤差斜面而漸進(jìn)誤差極值，不同的起點(diǎn)會(huì)得到不同的誤差極值和不同的解。因此傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)具有學(xué)習(xí)速度慢、抗干擾能力弱以及容易陷入局部最小值等缺點(diǎn)[10?11]。

2 BP 神經(jīng)網(wǎng)絡(luò)和遺傳神經(jīng)網(wǎng)絡(luò)

2.1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。通常由輸入層、輸出層和隱含層組成。

4 結(jié)論

本文對(duì)P2P 流量識(shí)別技術(shù)進(jìn)行了深入研究。P2P技術(shù)在網(wǎng)絡(luò)中已經(jīng)得到了廣泛應(yīng)用，其流量在網(wǎng)絡(luò)總流量中占有重要地位，因此對(duì)其流量進(jìn)行實(shí)時(shí)監(jiān)測(cè)識(shí)別具有重要意義。本文對(duì)P2P流量識(shí)別技術(shù)進(jìn)行了分析，對(duì)使用比較廣泛的BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行了深入研究，并針對(duì)其缺點(diǎn)，使用遺傳算法進(jìn)行優(yōu)化，建立基于遺傳神經(jīng)網(wǎng)絡(luò)的P2P流量識(shí)別模型。通過(guò)實(shí)驗(yàn)采集大量網(wǎng)絡(luò)訓(xùn)練樣本和測(cè)試樣本，對(duì)建立的識(shí)別系統(tǒng)進(jìn)行測(cè)試。測(cè)試結(jié)果表明，基于遺傳算法的神經(jīng)網(wǎng)絡(luò)的識(shí)別速度和識(shí)別精度要高于BP神經(jīng)網(wǎng)絡(luò)，具有較高的工程應(yīng)用價(jià)值。

參考文獻(xiàn)

[1] 譚紅春，楊松濤，闞紅星.校園網(wǎng)P2P 流量綜合檢測(cè)技術(shù)研究[J].長(zhǎng)沙大學(xué)學(xué)報(bào)，2015（2）：70?72.

[2] 劉興光.一種混合式BT流量實(shí)時(shí)檢測(cè)方法[J].網(wǎng)絡(luò)安全技術(shù)與應(yīng)用，2014（3）：53?55.

[3] 湯偉.基于數(shù)據(jù)流特征向量識(shí)別的P2P 僵尸網(wǎng)絡(luò)檢測(cè)方法研究[D].青島：中國(guó)海洋大學(xué)，2014.

[4] 席鵬.基于距離判決算法的P2P流量識(shí)別模型研究[D].昆明：云南大學(xué)，2013.

[5] 鄧力為.基于遺傳神經(jīng)網(wǎng)絡(luò)的P2P流量檢測(cè)研究[D].成都：電子科技大學(xué)，2013.

[6] 張龍璨.基于粒子群優(yōu)化半監(jiān)督學(xué)習(xí)的網(wǎng)絡(luò)流量分類(lèi)方法研究[D].武漢：華中科技大學(xué)，2013.

[7] 張瀚.基于DPI技術(shù)的P2P流量檢測(cè)系統(tǒng)設(shè)計(jì)[D].北京：北京郵電大學(xué)，2013.

[8] 馬容生.基于自適應(yīng)神經(jīng)網(wǎng)絡(luò)的P2P流量檢測(cè)研究[J].通信技術(shù)，2012（6）：113?116.

[9] 張瀚，朱洪亮，辛陽(yáng).基于DPI 技術(shù)的P2P 流量檢測(cè)系統(tǒng)設(shè)計(jì)[J].信息網(wǎng)絡(luò)安全，2012（10）：36?40.

[10] 張小敏.基于DPI的P2P流量識(shí)別方法研究[D].南京：南京郵電大學(xué)，2012.

[11] 周雪蓮.P2P流量應(yīng)用層實(shí)時(shí)檢測(cè)技術(shù)研究[D].長(zhǎng)春：吉林大學(xué)，2012.

[12] 賀毅朝，宋建民，張敬敏，等.利用遺傳算法求解靜態(tài)與動(dòng)態(tài)背包問(wèn)題的研究[J].計(jì)算機(jī)應(yīng)用研究，2015（4）：1011?1015.

[13] 王曉瑜，原思聰，李曼.基于自適應(yīng)蟻群遺傳混合算法的PID參數(shù)優(yōu)化[J].計(jì)算機(jī)應(yīng)用研究，2015（5）：1376?1378.

[14] 劉奕君，趙強(qiáng)，郝文利.基于遺傳算法優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)的瓦斯?jié)舛阮A(yù)測(cè)研究[J].礦業(yè)安全與環(huán)保，2015，42（2）：56?60.

[15] 吳連平，楊曉翔.基于神經(jīng)網(wǎng)絡(luò)與遺傳算法的關(guān)節(jié)軸承擠壓模具優(yōu)化[J].中國(guó)機(jī)械工程，2015，26（10）：1351?1355.

[16] 李麟青，楊哲，朱艷琴.一種混合式BitTorrent流量檢測(cè)方法[J].計(jì)算機(jī)應(yīng)用，2011，31（12）：3210?3214.

第5篇：神經(jīng)網(wǎng)絡(luò)的優(yōu)化方法范文

關(guān)鍵詞:神經(jīng)網(wǎng)絡(luò);BP算法;PID控制;Matlab仿真

中圖分類(lèi)號(hào):TP274文獻(xiàn)標(biāo)識(shí)碼:A

文章編號(hào):1004-373X(2009)10-143-03

PID Control and Simulation Based on BP Neural Network

WU Wei,YAN Mengyun,WEI Hangxin

(School of Mechanical Engineering,Xi′an Shiyou University,Xi′an,710065,China)

Abstract:The neural network PID control method is introduced,which the parameters of PID controller is adjusted by use of the self-study ability.So the PID controller has the capability of self-adaptation.The dynamic BP algorithms of three-layer networks realize the online real-time control,which displays the robustness of the PID control,and the capability of BP neural networks to deal with nonlinear and uncertain system.A simulation example is made by using of this method.The result of simulation shows that the neural network PID controller is better than the conventional PID controller,and has higher accuracy and stronger adaptability,it can get the satisfied control result.

Keywords:neural network;BP algorithm;PID control;Matlab simulation

0 引 言

在工業(yè)控制中,PID控制是最常用的方法。因?yàn)镻ID控制器結(jié)構(gòu)簡(jiǎn)單,實(shí)現(xiàn)容易,控制效果良好[1]。隨著工業(yè)的發(fā)展,對(duì)象的復(fù)雜程度不斷加深,尤其對(duì)于大滯后、時(shí)變的、非線性的復(fù)雜系統(tǒng),常規(guī)PID控制顯得無(wú)能為力。因此常規(guī)PID控制的應(yīng)用受到很大的限制和挑戰(zhàn)。為了使控制器具有較好的自適應(yīng)性,實(shí)現(xiàn)控制器參數(shù)的自動(dòng)調(diào)整,可以采用神經(jīng)網(wǎng)絡(luò)控制的方法[2]。

利用神經(jīng)網(wǎng)絡(luò)所具有的非線性映射能力、自學(xué)習(xí)能力、概括推廣能力,結(jié)合常規(guī)PID控制理論,通過(guò)吸收兩者的優(yōu)勢(shì),使系統(tǒng)具有自適應(yīng)性,可自動(dòng)調(diào)節(jié)控制參數(shù),適應(yīng)被控過(guò)程的變化,提高控制性能和可靠性[3]。

1 神經(jīng)網(wǎng)絡(luò)PID控制

神經(jīng)網(wǎng)絡(luò)PID控制是神經(jīng)網(wǎng)絡(luò)應(yīng)用于PID控制并與傳統(tǒng)PID控制相結(jié)合而產(chǎn)生的一種新型控制方法,是對(duì)傳統(tǒng)的PID控制的一種改進(jìn)和優(yōu)化[4]。

1.1 常規(guī)的PID控制器

傳統(tǒng)的PID控制器算式如下:

u(t)=KP[e(t)+(1/T1)∫t0e(t)dt+TDde(t)/dt](1)

相應(yīng)的離散算式為:

u(k)=KPe(k)+KI∑kj=0e(j)+KD[e(k)-e(k-1)](2)

式中: KP,KI,KD分別為比例、積分、微分系數(shù);e(k)為第k次采樣的輸入偏差值;u(k)為第k次采樣時(shí)刻的輸出值。

PID控制器由比例(P)、積分(I)、微分(D)三個(gè)部分組成,直接對(duì)被控對(duì)象進(jìn)行閉環(huán)控制,并且三個(gè)參數(shù)KP,KI,KD為在線調(diào)整方式。

1.2 神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖1所示。

BP神經(jīng)網(wǎng)絡(luò)通常采用基于BP神經(jīng)元的多層前向神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)形式。典型的BP神經(jīng)網(wǎng)絡(luò)是3層網(wǎng)絡(luò),包括輸入層、隱層和輸出層,各層之間實(shí)行全連接。輸入層節(jié)點(diǎn)只是傳遞輸入信號(hào)到隱含層;隱含層神經(jīng)元(即BP節(jié)點(diǎn))的傳遞函數(shù)f常取可微的單調(diào)遞增函數(shù),輸出層神經(jīng)元的特性決定了整個(gè)網(wǎng)絡(luò)的輸出特性。當(dāng)最后一層神經(jīng)元采用Sigmoid函數(shù)時(shí),整個(gè)網(wǎng)絡(luò)的輸出被限制在一個(gè)較小的范圍內(nèi);如果最后一層神經(jīng)元采用Purelin型函數(shù),則整個(gè)網(wǎng)絡(luò)的輸出可以取任意值。

圖1 三層BP網(wǎng)絡(luò)結(jié)構(gòu)圖

設(shè),x1,x2,…,xn為BP網(wǎng)絡(luò)的輸入;y1,y2,…,yn為BP網(wǎng)絡(luò)的輸出;w1ji為輸入層到隱含層的連接權(quán)值;w2ij為隱含層到輸出層的連接權(quán)值。

圖1中各參數(shù)之間的關(guān)系為:

輸入層: xi=xi0

隱含層:

θ1j=∑ni=0w1jixi, x1j=f(θ1j)(3)

輸出層:

θ2i=∑ni=0w2ijxj, x2i=g(θ2i)(4)

BP神經(jīng)網(wǎng)絡(luò)采用誤差的反向傳播來(lái)修正權(quán)值,使性能指標(biāo)E(k)=(1/2)\2最小。按照梯度下降法修正網(wǎng)絡(luò)的權(quán)值:

輸出層:

δ2=e(k)g′\;

w2ij(k+1)=w2ij(k)+ηδ2x1j(k)(5)

隱含層:

δ1=δ2w2ijf′\;

w1ji(k+1)=w1ji(k)+ηδ1x0i(k)(6)

1.3 神經(jīng)網(wǎng)絡(luò)PID控制器結(jié)構(gòu)

基于BP神經(jīng)網(wǎng)絡(luò)的PID控制系統(tǒng)結(jié)構(gòu)如圖2所示?？刂破饔沙Ｒ?guī)的PID控制器和神經(jīng)網(wǎng)絡(luò)兩部分組成。PID控制要取得較好的控制效果,必須通過(guò)調(diào)整好比例、積分和微分三種控制作用,形成控制量中相互配合又相互制約的關(guān)系。

常規(guī)的PID控制器直接對(duì)被控對(duì)象進(jìn)行閉環(huán)控制,并且其控制參數(shù)為KP,KI,KD在線調(diào)整方式。神經(jīng)網(wǎng)絡(luò)根據(jù)系統(tǒng)的運(yùn)行狀態(tài),調(diào)節(jié)PID控制器的參數(shù),以期達(dá)到某種性能指標(biāo)的最優(yōu)化,使輸出層神經(jīng)元的輸出對(duì)應(yīng)于PID控制器的三個(gè)可調(diào)參數(shù)KP,KI,KD。神經(jīng)網(wǎng)絡(luò)所具有的任意非線性表達(dá)能力,可以通過(guò)對(duì)系統(tǒng)性能的學(xué)習(xí)來(lái)實(shí)現(xiàn)具有最佳組合的PID控制。

圖2 基于BP神經(jīng)網(wǎng)絡(luò)的PID控制器結(jié)構(gòu)

1.4 神經(jīng)網(wǎng)絡(luò)PID控制器的控制算法

(1) 確定神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu),即確定輸人節(jié)點(diǎn)數(shù)和隱含層節(jié)點(diǎn)數(shù),并給出各層加權(quán)系數(shù)的初值w(1)ij(0)和w(2)ji(0),并選定學(xué)習(xí)速率η和慣性系數(shù)α,令k=1;

(2) 采樣得到r(k)和y(k),計(jì)算當(dāng)前時(shí)刻的誤差e(k)=r(k)-y(k);

(3) 計(jì)算各神經(jīng)網(wǎng)絡(luò)的輸入/輸出,其輸出層的輸出即為PID控制器的三個(gè)控制參數(shù)KP,KI,KD;

(4) 計(jì)算PID控制器的輸出;

(5) 進(jìn)行神經(jīng)網(wǎng)絡(luò)學(xué)習(xí),在線調(diào)整加權(quán)系數(shù),實(shí)現(xiàn)PID控制參數(shù)的自適應(yīng)調(diào)整;

(6) 令k=k+1,返回(1)。

2 神經(jīng)網(wǎng)絡(luò)的Matlab仿真

為了檢驗(yàn)神經(jīng)網(wǎng)絡(luò)PID控制系統(tǒng)的能力,在此進(jìn)行大量的仿真實(shí)驗(yàn)。下面以一階時(shí)滯系統(tǒng)作為被控對(duì)象,進(jìn)行仿真實(shí)驗(yàn)。

設(shè)被控對(duì)象為:

G(s)=160s+1e-0.5s

相應(yīng)的控制系統(tǒng)的階躍響應(yīng)曲線如圖3、圖4所示。

圖3 普通PID控制階躍響應(yīng)

可以看出,采用傳統(tǒng)的PID控制,其調(diào)節(jié)時(shí)間ts=120 s,超調(diào)量達(dá)到65%;采用神經(jīng)網(wǎng)絡(luò)PID控制,系統(tǒng)調(diào)節(jié)時(shí)間ts=120,超調(diào)量只有20%。由此說(shuō)明,后者響應(yīng)的快速性和平穩(wěn)性都比前者要好,也說(shuō)明了這種方法的有效性。

圖4 神經(jīng)網(wǎng)絡(luò)PID控制階躍響應(yīng)

3 結(jié) 語(yǔ)

神經(jīng)網(wǎng)絡(luò)PID控制方法簡(jiǎn)單,借助神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)、自組織能力,可實(shí)現(xiàn)PID參數(shù)的在線自整定和優(yōu)化,避免了人工整定PID參數(shù)的繁瑣工作。從文中可以得出,神經(jīng)網(wǎng)絡(luò)PID控制有如下的優(yōu)點(diǎn):

(1) 無(wú)需建立被控系統(tǒng)的數(shù)學(xué)模型;

(2) 控制器的參數(shù)整定方便;

(3)對(duì)于大滯后、時(shí)變的、非線性的復(fù)雜系統(tǒng)有很好的動(dòng)靜態(tài)特性。實(shí)現(xiàn)有效控制和PID控制參數(shù)的在線自整定。

參考文獻(xiàn)

[1]劉金琨.先進(jìn)PID控制及Matlab仿真[M].北京:電子工業(yè)出版社,2003.

[2]韓豫萍,孫濤,盛新.基于BP神經(jīng)網(wǎng)絡(luò)的PID控制及仿真[J].可編程控制器與工廠自動(dòng)化,2007(12):91-93.

[3]黃金燕,葛化敏,唐明軍.基于BP神經(jīng)網(wǎng)絡(luò)的PID控制方法的研究[J].微計(jì)算機(jī)信息,2006(26):278-280.

[4]曾軍,方厚輝.神經(jīng)網(wǎng)絡(luò)PID控制及其Matlab仿真[J].現(xiàn)代電子技術(shù),2004,27(2):51-52.

[5]趙娟平.神經(jīng)網(wǎng)絡(luò)PID控制策略及其Matlab仿真研究[J].微計(jì)算機(jī)信息,2007(7):59-60.

[6]Zhang Mingguang,Qiang Minghui.Study of PID Neural Network Control for Nonlinear System[J].Institute of Electrical and Electronics Engineers Inc,2007.

[7]孫潔.神經(jīng)網(wǎng)絡(luò)PID算法在流量控制中的應(yīng)用與仿真研究[D].合肥:合肥工業(yè)大學(xué),2007.

[8]王亞斌.基于BP神經(jīng)網(wǎng)絡(luò)PID控制及其仿真[J].江蘇冶金,2008(2):33-35.

[9]廖方方,肖建.基于BP神經(jīng)網(wǎng)絡(luò)PID參數(shù)自整定的研究\.系統(tǒng)仿真學(xué)報(bào),2005(7):1 711-1 713.

第6篇：神經(jīng)網(wǎng)絡(luò)的優(yōu)化方法范文

關(guān)鍵詞:RBF神經(jīng)網(wǎng)絡(luò);訓(xùn)練方法;函數(shù)逼近

中圖分類(lèi)號(hào):TP183文獻(xiàn)標(biāo)識(shí)碼:A

1引言

RBF神經(jīng)網(wǎng)絡(luò)是近幾年提出的一種新型的前向網(wǎng)絡(luò)｡與應(yīng)用廣泛的BP網(wǎng)絡(luò)相比,RBF神經(jīng)網(wǎng)絡(luò)不僅具有在任意精度下逼近任意非線性映射的能力,而且可以達(dá)到最佳逼近精度[1][2]｡RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)上具有輸出-權(quán)值線性關(guān)系,訓(xùn)練速度快,這些優(yōu)點(diǎn)給RBF神經(jīng)網(wǎng)絡(luò)的應(yīng)用奠定了良好的基礎(chǔ)｡但是,由于RBF神經(jīng)網(wǎng)絡(luò)本質(zhì)上是一種局部網(wǎng)絡(luò),要得到良好的逼近性能,一般要增加隱節(jié)點(diǎn)數(shù)目,這無(wú)疑是以犧牲網(wǎng)絡(luò)的計(jì)算速度作為代價(jià)｡本文提出了一種新型的廣義RBF神經(jīng)網(wǎng)絡(luò)模型,將徑向基輸出權(quán)值改為權(quán)函數(shù),采用高次函數(shù)取代了線性加權(quán),從而大大改善了網(wǎng)絡(luò)性能｡

2廣義RBF神經(jīng)網(wǎng)絡(luò)模型

不失一般性,考慮多輸入單輸出歸一化形式的廣義模糊RBF神經(jīng)網(wǎng)絡(luò),廣義RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示｡網(wǎng)絡(luò)共分四層｡定義以下參數(shù):式中,Ψk為徑向基函數(shù),一般取高斯函數(shù)｡

第二層:對(duì)基函數(shù)輸出值進(jìn)行加權(quán)｡

第三層:歸一化處理｡

第四層:計(jì)算總輸出｡

當(dāng)fk(x)時(shí),其作用類(lèi)似于常規(guī)RBF神經(jīng)網(wǎng)絡(luò)的輸出層權(quán)值｡隨著fk(x)的不同,輸出將不單純是各基函數(shù)節(jié)點(diǎn)輸出的超平面,也可能是超曲面｡與一般的RBF神經(jīng)網(wǎng)絡(luò)比較,這種結(jié)構(gòu)主要是將徑向基輸出權(quán)值改為權(quán)函數(shù),可采用高次函數(shù)取代線性加權(quán),從而改善網(wǎng)絡(luò)性能｡詳細(xì)的分析見(jiàn)后文的實(shí)例仿真｡

如果基函數(shù)具有相同的指數(shù)和寬度,也就是說(shuō)當(dāng)lk1=lk2=…=lkn=2且σk1=σk2=…=σkn=σk時(shí),廣義RBF神經(jīng)網(wǎng)絡(luò)退化為常規(guī)的RBF神經(jīng)網(wǎng)絡(luò),可見(jiàn)常規(guī)的RBF神經(jīng)網(wǎng)絡(luò)是廣義RBF神經(jīng)網(wǎng)絡(luò)的特例｡計(jì)算技術(shù)與自動(dòng)化2007年3月第26卷第1期黨開(kāi)放等:一種新型的廣義RBF神經(jīng)網(wǎng)絡(luò)及其訓(xùn)練方法

3廣義RBF神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法

廣義RBF神經(jīng)網(wǎng)絡(luò)比單純的RBF神經(jīng)網(wǎng)絡(luò)具有更多的參數(shù),其學(xué)習(xí)相對(duì)來(lái)說(shuō)就會(huì)更為復(fù)雜｡總的說(shuō)來(lái),學(xué)習(xí)方法有兩種:第1種方法是全調(diào)節(jié)的,類(lèi)似于BP網(wǎng)絡(luò)的反向遞推,也就是說(shuō)按照使得代價(jià)函數(shù)(通常取誤差平方和)最小的原則,調(diào)整所有的參數(shù),本質(zhì)上是一個(gè)非線性?xún)?yōu)化問(wèn)題｡第2種方法,采用模糊聚類(lèi)和專(zhuān)家知識(shí)預(yù)先優(yōu)化網(wǎng)絡(luò)前幾層的參數(shù),包括隱節(jié)點(diǎn)數(shù)目N､中心向量Ck､寬度σk,指數(shù)lk等,而以最小二乘方法在線優(yōu)化fk(x),k=1,2,…,N｡第一種方法收斂速度慢,可能存在局部極值,只能夠離線進(jìn)行,可以應(yīng)用于模式識(shí)別等領(lǐng)域;第二種方法計(jì)算量小,可以在線調(diào)節(jié),適合于控制系統(tǒng)等對(duì)于實(shí)時(shí)性要求高的場(chǎng)合,但是一般需要系統(tǒng)的專(zhuān)家知識(shí)｡本文介紹第2種方法｡

廣義RBF神經(jīng)網(wǎng)絡(luò)按照如下步驟進(jìn)行學(xué)習(xí):

1) 確定合適的網(wǎng)絡(luò)隱節(jié)點(diǎn)數(shù)｡增加網(wǎng)絡(luò)的隱節(jié)點(diǎn)數(shù)目,可以提高網(wǎng)絡(luò)逼近精度,但同時(shí)增加了網(wǎng)絡(luò)的學(xué)習(xí)時(shí)間｡一般初始時(shí)選取比較少的網(wǎng)絡(luò)隱節(jié)點(diǎn)數(shù)目｡

2) 根據(jù)網(wǎng)絡(luò)隱節(jié)點(diǎn)數(shù)選取合理的φk(x)參數(shù),包括中心參數(shù)ck和寬度參數(shù)σk｡

3) 取vk=1,確定fk(x)的參數(shù)｡在下文中,給出了2維輸入網(wǎng)絡(luò)fk(x)參數(shù)的計(jì)算方法,多維參數(shù)的推導(dǎo)類(lèi)似｡

4) 考核誤差,如果小于設(shè)定誤差,則訓(xùn)練結(jié)束;否則回到1) 增加網(wǎng)絡(luò)隱節(jié)點(diǎn)數(shù)目,重復(fù)上 述步驟｡

在以上步驟中,最關(guān)鍵的是網(wǎng)絡(luò)輸出層權(quán)函數(shù)參數(shù)的調(diào)整,下文著重討論｡

4廣義RBF神經(jīng)網(wǎng)絡(luò)輸出層權(quán)函數(shù)參數(shù)的調(diào)整

以x為二維向量(x1,x2)的情況進(jìn)行分析｡

權(quán)值調(diào)整的目的是使得網(wǎng)絡(luò)的輸出能夠滿足誤差平方和

最小,即E=min,下面分為三種情況進(jìn)行討論｡

a.fk(x)為常數(shù)項(xiàng)的情況

此時(shí),fk(x)=wk,相應(yīng)的誤差平方和為

對(duì)權(quán)值求偏導(dǎo)數(shù),可以得到以下N元一次方程組

b.fk(x)為網(wǎng)絡(luò)輸入1次冪函數(shù)的情況

此時(shí),fk(x)=wk0+wk1x1+w k2,x2,相應(yīng)的誤差平方和為

若使上式最小,可以得到以下3N組方程

c.fk(x為網(wǎng)絡(luò)輸入2次冪函數(shù)的情況

此時(shí),,相應(yīng)的誤差平方和為

推導(dǎo)過(guò)程與前類(lèi)似,此處從略｡

由以上可以看出,fk(x)取為網(wǎng)絡(luò)輸入的高 次多項(xiàng)式,使得網(wǎng)絡(luò)具有更加優(yōu)良的 逼近性能的同時(shí),保留了輸出層權(quán)值的線性性質(zhì),從而可以采用最小二乘等方法優(yōu)化權(quán)值｡

5參數(shù)選取對(duì)網(wǎng)絡(luò)性能的影響

取期望函數(shù)為yd=sin(πx1)cos(πx2)x1∈[-1,1],x2∈[-1,1](15)考查廣義RBF神經(jīng)網(wǎng)絡(luò)的函數(shù)逼近能力｡1) φk(x)函數(shù)參數(shù)σ對(duì)仿真結(jié)果的影響設(shè)φk(x)中心在參數(shù)空間內(nèi)均勻分布｡由于參數(shù)空間的范圍相同(都為2),且訓(xùn)練點(diǎn)取n2個(gè)(n=2,3,4),因此φk(x)中心的間隔在區(qū)間[x1,x2]也都相同,為Δx=2/(n-1)｡記相對(duì)寬度為ne,則有ne=σ/Δx｡圖2給出了ne對(duì)系統(tǒng)輸出誤差的影響曲線,誤差都采用441組非訓(xùn)練點(diǎn)進(jìn)行計(jì)算｡從圖中可以看出ne取值范圍為0.6~1.8(即σ取0.6Δx~1.8Δx)時(shí),網(wǎng)絡(luò)輸出誤差比較小｡

2)fk(x)冪次對(duì)仿真結(jié)果的影響

圖3為采用隱節(jié)點(diǎn)數(shù)目為9的網(wǎng)絡(luò),121組訓(xùn)練數(shù)據(jù),φk(x)函數(shù)中心均勻分布,σ=1.2時(shí)得到的網(wǎng)絡(luò)輸出 曲面和誤差曲面,其中誤差曲面采用441組非訓(xùn)練點(diǎn)計(jì)算｡從圖中可以看出,在網(wǎng)絡(luò)隱節(jié)點(diǎn)數(shù)目相同的情況下,隨著fk(x)冪次的升高,網(wǎng)絡(luò)的逼近性能越好｡

圖2參數(shù)σ對(duì)誤差的影響

表1為采用不同冪次和不同隱節(jié)點(diǎn)數(shù)目時(shí)的網(wǎng)絡(luò)訓(xùn)練時(shí)間和網(wǎng)絡(luò)輸出誤差對(duì)比｡網(wǎng)絡(luò)隱節(jié)點(diǎn)數(shù)為N,網(wǎng)絡(luò)訓(xùn)練時(shí)間復(fù)雜度為O(N3)｡從表中可以看出,在隱節(jié)點(diǎn)數(shù)目相同時(shí),隨fk(x)冪次的增高,訓(xùn)練時(shí)間略有增加｡在fk(x)為2次冪函數(shù)時(shí),網(wǎng)絡(luò)取9個(gè)隱節(jié)點(diǎn)時(shí)的網(wǎng)絡(luò)輸出誤差和fk(x)為1次冪函數(shù)時(shí),網(wǎng)絡(luò)取16個(gè)隱節(jié)點(diǎn)時(shí)的網(wǎng)絡(luò)輸出誤差以及fk(x)為0次冪函數(shù)時(shí),網(wǎng)絡(luò)取64個(gè)隱節(jié)點(diǎn)時(shí)的網(wǎng)絡(luò)輸出誤差相當(dāng),但是計(jì)算時(shí)間大大減少｡可見(jiàn),提高fk(x)冪次,可減少網(wǎng)絡(luò)隱節(jié)點(diǎn)數(shù),縮短網(wǎng)絡(luò)訓(xùn)練時(shí)間｡表1不同冪次和隱節(jié)點(diǎn)數(shù)時(shí)的網(wǎng)絡(luò)輸出誤差冪次隱節(jié)點(diǎn)數(shù)目計(jì)算時(shí)間(ms)

6結(jié)論

第7篇：神經(jīng)網(wǎng)絡(luò)的優(yōu)化方法范文

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò) 化工過(guò)程 人工智能

中圖分類(lèi)號(hào)：TM835 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9416（2016）12-0024-01

大量的處理單元就如同神經(jīng)單元一樣，經(jīng)過(guò)一系列的排列組合構(gòu)成了復(fù)雜的神經(jīng)網(wǎng)絡(luò)系統(tǒng)，廣泛應(yīng)用于復(fù)雜信息處理、機(jī)器視覺(jué)、智能化控制等方面。仿生學(xué)的設(shè)計(jì)和智能化軟件的設(shè)計(jì)，使得神經(jīng)網(wǎng)絡(luò)系統(tǒng)具有自動(dòng)處理數(shù)據(jù)、自動(dòng)組織、自動(dòng)學(xué)習(xí)，使得化工過(guò)程控制具有高精度、高安全系數(shù)、智能化的特點(diǎn)?；どa(chǎn)是一個(gè)復(fù)雜的生產(chǎn)過(guò)程，其中涉及的設(shè)備多，涉及的工藝復(fù)雜，控制難度高，如何促進(jìn)化工生產(chǎn)的過(guò)程控制，從而實(shí)現(xiàn)科學(xué)管理、優(yōu)化生產(chǎn)、提高生產(chǎn)率的目的。設(shè)備的多樣、工藝的復(fù)雜、流程復(fù)雜等一系列的因素，使得神元或者是多個(gè)單元實(shí)現(xiàn)智能化控制，既能收集生產(chǎn)過(guò)程產(chǎn)生的數(shù)據(jù)，而且也能對(duì)這些數(shù)據(jù)進(jìn)行處理，達(dá)到監(jiān)測(cè)生產(chǎn)環(huán)境、監(jiān)控生產(chǎn)過(guò)程、實(shí)時(shí)優(yōu)化生產(chǎn)的目的。

1 神經(jīng)網(wǎng)絡(luò)技術(shù)的基本理論和基本結(jié)構(gòu)

神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展是建立在對(duì)人腦神經(jīng)系統(tǒng)的構(gòu)成和作用機(jī)制認(rèn)識(shí)的基礎(chǔ)上，神經(jīng)單元構(gòu)成了龐大的神經(jīng)系統(tǒng)，神經(jīng)單元接受信息并傳遞信息，神經(jīng)中樞處理信息并反饋信息。神經(jīng)網(wǎng)絡(luò)技術(shù)模擬神經(jīng)系統(tǒng)處理單元類(lèi)似于神經(jīng)單元，計(jì)算機(jī)控制系統(tǒng)相當(dāng)于神經(jīng)中樞，分析數(shù)據(jù)、處理數(shù)據(jù)、輸出結(jié)果。計(jì)算機(jī)技術(shù)的發(fā)展、傳感器的應(yīng)用，為神經(jīng)網(wǎng)絡(luò)的發(fā)展提供了基礎(chǔ)。神經(jīng)網(wǎng)絡(luò)包括一個(gè)輸入層和輸出層，若干的隱含層。輸入層的作用是接受外部信息并傳遞信息；輸出層的作用是接受輸入層傳遞的信息，處理信息并反饋信息；隱含層的作用是將輸入層的信息進(jìn)行組合，預(yù)處理。信息的接受、傳遞、處理和反饋一系列的過(guò)程使神經(jīng)網(wǎng)絡(luò)發(fā)揮作用的過(guò)程。

由于處理單元的應(yīng)用，使得神經(jīng)網(wǎng)絡(luò)系統(tǒng)是一種自學(xué)習(xí)、自處理、自組織的智能化系統(tǒng)。神經(jīng)系統(tǒng)的運(yùn)行類(lèi)似于人學(xué)習(xí)的過(guò)程，由簡(jiǎn)單到復(fù)雜，不斷的修正節(jié)點(diǎn)的連接方式，直到輸出滿意的結(jié)果和符合實(shí)際應(yīng)用。神經(jīng)網(wǎng)絡(luò)系統(tǒng)是建立在數(shù)學(xué)模型的基礎(chǔ)上，利用數(shù)學(xué)建模搭建神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn)，建模主要有M-P模型、BP模型、RBF模型等。根據(jù)外部參數(shù)的不同和應(yīng)用的目的，采用不同的函數(shù)，如可逆函數(shù)、線性函數(shù)、非線性函數(shù)、S函數(shù)等等，建立數(shù)學(xué)模型，輸入?yún)?shù)，不斷的優(yōu)化模型，優(yōu)化的過(guò)程使神經(jīng)網(wǎng)絡(luò)系統(tǒng)自學(xué)的過(guò)程。神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法與模型的設(shè)置有關(guān)，如BP模型采取反傳處理誤差的訓(xùn)練算法，優(yōu)化算法，達(dá)到優(yōu)化模型的目的，使建立的模型更加符合實(shí)際應(yīng)用情況。

2 神經(jīng)網(wǎng)絡(luò)在化工過(guò)程控制中的應(yīng)用

神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的信息處理能力、自學(xué)習(xí)能力、自組織能力。根據(jù)輸出的信息，可以建立信息之間的關(guān)系和處理多余的信息，簡(jiǎn)化生產(chǎn)過(guò)程中的信息，檢測(cè)生產(chǎn)環(huán)境，監(jiān)控生產(chǎn)，達(dá)到最優(yōu)化的生產(chǎn)過(guò)程。神經(jīng)網(wǎng)絡(luò)覆蓋生產(chǎn)過(guò)程中的所有要考慮的因素，因此神經(jīng)網(wǎng)絡(luò)的應(yīng)用也覆蓋化工過(guò)程控制的方方面面。

化工生產(chǎn)涉及的環(huán)節(jié)多種多樣，當(dāng)某一環(huán)節(jié)發(fā)生故障，若處理不及時(shí)，將使這一環(huán)節(jié)癱瘓甚至使整個(gè)生產(chǎn)過(guò)程癱瘓，造成重大安全事故。高效、實(shí)時(shí)、預(yù)測(cè)的檢測(cè)和診斷故障的系統(tǒng)是化工過(guò)程控制中安全、高效生產(chǎn)的保障。美國(guó)的科學(xué)家首次提出將神經(jīng)網(wǎng)絡(luò)技術(shù)用于化工過(guò)程控制中，用于檢測(cè)、診斷、預(yù)警故障。神經(jīng)網(wǎng)絡(luò)系統(tǒng)是一種仿生系統(tǒng)，具有思維、意識(shí)和學(xué)習(xí)能力的動(dòng)力學(xué)系統(tǒng)，能夠處理復(fù)雜的事物和環(huán)境，根據(jù)實(shí)際生產(chǎn)過(guò)程不斷校正系統(tǒng)，實(shí)時(shí)監(jiān)測(cè)參數(shù)的變化，對(duì)故障進(jìn)行診斷和報(bào)警。目前主流的故障診斷的神經(jīng)網(wǎng)絡(luò)系統(tǒng)有：反傳動(dòng)態(tài)經(jīng)網(wǎng)絡(luò)控制系統(tǒng)、自適應(yīng)神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)和RBF神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)。

神經(jīng)網(wǎng)絡(luò)技術(shù)主要靠傳感器接受外部信息，大量傳感器的應(yīng)用，有利于智能化控制生產(chǎn)過(guò)程。化工過(guò)程的控制主要是對(duì)生產(chǎn)過(guò)程中的機(jī)器控制，生產(chǎn)過(guò)程涉及的機(jī)器種類(lèi)繁多，同時(shí)維持安全、高效率階段比較困難。神經(jīng)網(wǎng)絡(luò)系統(tǒng)自動(dòng)控制機(jī)器生產(chǎn)，控制生產(chǎn)參數(shù)和生產(chǎn)流程，最優(yōu)化生產(chǎn)過(guò)程控制和安全化控制，實(shí)時(shí)跟蹤控制生產(chǎn)。控制主要有兩種基本的方法，一種數(shù)學(xué)建模，將對(duì)象的目標(biāo)信息作為標(biāo)準(zhǔn)，經(jīng)過(guò)不斷的訓(xùn)練和反饋，修正誤差，化模型，優(yōu)化控制模式；另外一種是控制器設(shè)置，如PID控制器，實(shí)現(xiàn)實(shí)時(shí)控制，不僅對(duì)精確知識(shí)進(jìn)行處理，而且對(duì)模糊信息也能進(jìn)行處理。國(guó)內(nèi)外都已經(jīng)有成熟的化工過(guò)程控制中的神經(jīng)網(wǎng)絡(luò)系統(tǒng)，如對(duì)乙酸乙烯酯聚合成乳液過(guò)程的實(shí)時(shí)控制，氯氣生產(chǎn)過(guò)程的故障預(yù)報(bào)神經(jīng)網(wǎng)絡(luò)系統(tǒng)。

3 總結(jié)

神經(jīng)網(wǎng)絡(luò)技術(shù)是21世紀(jì)最重要的技術(shù)之一，化工過(guò)程控制是化工生產(chǎn)的安全保障。化工過(guò)程控制應(yīng)用神經(jīng)網(wǎng)絡(luò)技術(shù)，有利于提高控制的安全系數(shù)，提高生產(chǎn)效率，有利于智能化管理，提高管理水平，有利于整個(gè)社會(huì)生產(chǎn)力水平的提高和社會(huì)智能化發(fā)展?；み^(guò)程控制采取神經(jīng)網(wǎng)絡(luò)技術(shù)，有利于工業(yè)技術(shù)的創(chuàng)新和改善工人工作環(huán)境，保障工人人身安全。

參考文獻(xiàn)

第8篇：神經(jīng)網(wǎng)絡(luò)的優(yōu)化方法范文

[關(guān)鍵詞]神經(jīng)網(wǎng)絡(luò)、網(wǎng)絡(luò)安全評(píng)價(jià)、網(wǎng)絡(luò)安全

中圖分類(lèi)號(hào)：TP183 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-914X（2015）13-0301-01

引言

對(duì)于計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)中，優(yōu)化計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)方法，應(yīng)用神經(jīng)網(wǎng)絡(luò)，發(fā)揮非線性安全評(píng)價(jià)能力，提升計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)速度，有助于提高網(wǎng)絡(luò)安全評(píng)價(jià)的精度。以下對(duì)此做具體分析。

1、網(wǎng)絡(luò)安全評(píng)價(jià)與神經(jīng)網(wǎng)絡(luò)

1.2 計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)

網(wǎng)絡(luò)安全評(píng)價(jià)，就是針對(duì)影響計(jì)算機(jī)網(wǎng)絡(luò)安全的因素，建立全面、合理的評(píng)價(jià)指標(biāo)，能夠客觀、科學(xué)地反映網(wǎng)絡(luò)安全影響因素。網(wǎng)絡(luò)安全評(píng)價(jià)，應(yīng)具備、可行性、簡(jiǎn)要性、獨(dú)立性、完備性、準(zhǔn)確性，這樣才可以準(zhǔn)確反映評(píng)價(jià)信息。

1.2 神經(jīng)網(wǎng)絡(luò)

針對(duì)神經(jīng)網(wǎng)絡(luò)，形成初期，就是以人體腦部信息處理的形式作為基礎(chǔ)，然后，再經(jīng)過(guò)數(shù)學(xué)模型的匹配，以此作為研究腦細(xì)胞結(jié)構(gòu)、腦細(xì)胞動(dòng)作以及人體生物神經(jīng)元特征的網(wǎng)絡(luò)結(jié)構(gòu)[1]。后來(lái)，隨著計(jì)算機(jī)技術(shù)的發(fā)展，在先前神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)上，不僅增加神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)機(jī)制，同時(shí)，還提出針對(duì)神經(jīng)網(wǎng)絡(luò)的感知器模型，并將其應(yīng)用在工程建設(shè)之中，然后利用映射拓?fù)湫再|(zhì)，形成映射自組織網(wǎng)絡(luò)模型，在計(jì)算中進(jìn)行模擬。

2、應(yīng)用神經(jīng)網(wǎng)絡(luò)技術(shù)的優(yōu)點(diǎn)

對(duì)于網(wǎng)絡(luò)安全評(píng)價(jià)中，應(yīng)用神經(jīng)網(wǎng)絡(luò)不僅可以提升網(wǎng)絡(luò)完全評(píng)價(jià)的質(zhì)量，還可以提升網(wǎng)絡(luò)安全效應(yīng)，其主要具備以下優(yōu)點(diǎn)。首先，就是在網(wǎng)絡(luò)安全評(píng)價(jià)中，應(yīng)用的神經(jīng)網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)有自適應(yīng)性與容錯(cuò)性，通過(guò)自我調(diào)整可以減小網(wǎng)絡(luò)誤差[2]；神經(jīng)網(wǎng)絡(luò)知識(shí)是存儲(chǔ)在連接權(quán)上的，依據(jù)生物神經(jīng)元學(xué)習(xí)與記憶形成，同時(shí)還具備外推性、自動(dòng)抽提的功能，可以對(duì)直接的數(shù)據(jù)以及數(shù)值進(jìn)行學(xué)習(xí)訓(xùn)練，神經(jīng)網(wǎng)絡(luò)技術(shù)中，還可以自動(dòng)的確定出原因同結(jié)果之間的關(guān)系，同時(shí)總結(jié)網(wǎng)絡(luò)的安全評(píng)價(jià)規(guī)律，能夠?qū)⒁褜W(xué)的知識(shí)應(yīng)用到網(wǎng)絡(luò)安全評(píng)價(jià)樣本之中[3]。并且，針對(duì)神經(jīng)網(wǎng)絡(luò)技術(shù)，其應(yīng)用范圍較廣，還具備實(shí)時(shí)應(yīng)用的潛力，在網(wǎng)絡(luò)安全評(píng)價(jià)中，可以有效保證網(wǎng)絡(luò)的安全，確保其評(píng)價(jià)結(jié)果的準(zhǔn)確性與客觀性。

3、神經(jīng)網(wǎng)絡(luò)算法

3.1 粒子群優(yōu)化算法

每個(gè)粒子i包含為一個(gè)D維的位置向量xi=（ xi1， xi2， ……， xiD ） 和速度向量vi = （ vi1， vi2，……， viD ）， 網(wǎng)絡(luò)安全評(píng)價(jià)中，粒子i在搜索空間時(shí)， 可以保存搜索的最優(yōu)經(jīng)歷位置p i = （ pi1， pi2， ……， piD ），并且可以在神經(jīng)網(wǎng)絡(luò)的每次迭代開(kāi)始之時(shí)， 該粒子就可以根據(jù)自身的慣性與經(jīng)驗(yàn)，在群體的最優(yōu)經(jīng)歷位置上調(diào)整速度向量，達(dá)到最好的位置。c1、c2 作為正常數(shù)，也就是加速因子； r1、r2就是[ 0， 1]中的均勻分布隨機(jī)數(shù)， d是D維維數(shù)，ω就是慣性權(quán)重因子。粒子位置與速度更新公式如下：

初始化網(wǎng)絡(luò)安全評(píng)價(jià)神經(jīng)網(wǎng)絡(luò)種群后，可以將種群大小記為N?；诰W(wǎng)絡(luò)安全評(píng)價(jià)中，神經(jīng)網(wǎng)絡(luò)的適應(yīng)度支配思想，可以將種群劃成兩個(gè)子群，一個(gè)作為非支配子集A，一個(gè)作為支配子集B， 并且兩個(gè)子集基數(shù)需要滿足子群基數(shù)之和。粒子群優(yōu)化算法中，其算法終止準(zhǔn)則，就是最大迭代次數(shù)Tmax，以及計(jì)算精度ε以及最優(yōu)解最大凝滯步數(shù)t，則可結(jié)束網(wǎng)絡(luò)安全評(píng)價(jià)工作。

3.2 BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法

對(duì)網(wǎng)絡(luò)安全評(píng)價(jià)神經(jīng)網(wǎng)絡(luò)權(quán)系數(shù)置初值。

對(duì)網(wǎng)絡(luò)安全評(píng)價(jià)神經(jīng)網(wǎng)絡(luò)各層的權(quán)系數(shù)，可以置一個(gè)較小非零隨機(jī)數(shù)，但網(wǎng)絡(luò)安全評(píng)價(jià)神經(jīng)網(wǎng)絡(luò)中，。

輸入網(wǎng)絡(luò)安全評(píng)價(jià)神經(jīng)網(wǎng)絡(luò)的一個(gè)樣本，，并以與其對(duì)應(yīng)的期望輸出結(jié)果。

計(jì)算網(wǎng)絡(luò)安全評(píng)價(jià)神經(jīng)網(wǎng)絡(luò)各層輸出，針對(duì)其第k層的第i個(gè)神經(jīng)元，其輸出為，公式為：

，

計(jì)算網(wǎng)絡(luò)安全評(píng)價(jià)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)誤差，

計(jì)算神經(jīng)網(wǎng)絡(luò)輸入向量與隱層神經(jīng)元以及輸入層權(quán)值的距離，距離較大為獲勝神經(jīng)元。求出各層學(xué)習(xí)的誤差。針對(duì)輸出層，有

對(duì)于神經(jīng)網(wǎng)絡(luò)隱層，僅計(jì)算獲勝神經(jīng)元的學(xué)習(xí)誤差，i為獲勝神經(jīng)元。

修正神經(jīng)網(wǎng)絡(luò)局部權(quán)系數(shù)和閥值

調(diào)整神經(jīng)網(wǎng)絡(luò)，與獲勝神經(jīng)元相連弧線的權(quán)值和閥值

其中：

當(dāng)求出網(wǎng)絡(luò)安全評(píng)價(jià)中神經(jīng)網(wǎng)絡(luò)的各層各個(gè)權(quán)系數(shù)后，可按給定的品質(zhì)指標(biāo)，以此判別網(wǎng)絡(luò)安全是否滿足使用要求；如果說(shuō)已經(jīng)滿足了要求，則可以結(jié)束算法；如果，沒(méi)有滿足要求，則進(jìn)行返回處理執(zhí)行。

4、基于神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)安全評(píng)價(jià)

4.1 設(shè)計(jì)網(wǎng)絡(luò)安全評(píng)價(jià)模型

網(wǎng)絡(luò)安全評(píng)價(jià)中，輸入層神經(jīng)元節(jié)點(diǎn)的數(shù)量，必須要和計(jì)算機(jī)網(wǎng)絡(luò)的安全評(píng)價(jià)指標(biāo)數(shù)量相同，例如，針對(duì)計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)體系中，就可以設(shè)計(jì)18個(gè)二級(jí)的指標(biāo)，針對(duì)計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)模型的輸入層，在其設(shè)計(jì)神經(jīng)元節(jié)點(diǎn)數(shù)量時(shí)，也必須是要是18個(gè)指標(biāo)[4]。并且，對(duì)于大部分BP神經(jīng)網(wǎng)絡(luò)中，還應(yīng)該采用單向的隱含層，針對(duì)隱含層節(jié)點(diǎn)數(shù)量，可以根據(jù)需求的神經(jīng)網(wǎng)絡(luò)性能進(jìn)行設(shè)計(jì)。針對(duì)網(wǎng)絡(luò)安全評(píng)價(jià)中，如果說(shuō)隱含層節(jié)點(diǎn)數(shù)數(shù)量過(guò)多，就會(huì)使網(wǎng)絡(luò)安全評(píng)價(jià)中的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)時(shí)間延長(zhǎng)，故此在通常情況下，可以將隱含層設(shè)計(jì)為5個(gè)。針對(duì)神經(jīng)網(wǎng)絡(luò)輸出層設(shè)計(jì)中，主要就是輸出網(wǎng)絡(luò)安全評(píng)價(jià)結(jié)果，可以將神經(jīng)網(wǎng)絡(luò)輸出節(jié)點(diǎn)數(shù)設(shè)2個(gè)，其輸出結(jié)果是（1，1），以此來(lái)表示安全；輸出結(jié)果是（1，0）表示基本安全；輸出結(jié)果是（0，1）表示不安全；輸出結(jié)果是（0，0）表示很不安全。

4.2 構(gòu)建網(wǎng)絡(luò)安全評(píng)價(jià)體系

針對(duì)網(wǎng)絡(luò)安全評(píng)價(jià)中，使用粒子群優(yōu)化算法，優(yōu)化傳統(tǒng)的BP神經(jīng)系統(tǒng)，有效克服網(wǎng)絡(luò)安全評(píng)價(jià)的局限性。其優(yōu)化方法如下：可以將BP神經(jīng)網(wǎng)絡(luò)的目標(biāo)向量以及傳遞函數(shù)、結(jié)構(gòu)，進(jìn)行初始化；然后設(shè)置粒子群初始速度、動(dòng)量系數(shù)、初始位置等參數(shù)，并且可以利用粒子群訓(xùn)練集，訓(xùn)練網(wǎng)絡(luò)安全評(píng)價(jià)中的BP神經(jīng)網(wǎng)絡(luò)，使其在網(wǎng)絡(luò)安全評(píng)價(jià)中具備適應(yīng)度值；可以將每個(gè)粒子歷史以及最好適應(yīng)度值，同當(dāng)前的適應(yīng)度值進(jìn)行比較。當(dāng)前比歷史適應(yīng)度值優(yōu)，需要保存當(dāng)前粒子的適應(yīng)度值，使其作為最好適應(yīng)度值；并且，還需要計(jì)算粒子慣性權(quán)值；降低在網(wǎng)絡(luò)安全評(píng)價(jià)中，粒子適應(yīng)度值的誤差。針對(duì)網(wǎng)絡(luò)安全評(píng)價(jià)的BP神經(jīng)網(wǎng)絡(luò)中，其學(xué)習(xí)過(guò)程之中，對(duì)于任何一個(gè)給定樣本以及期望輸出，都應(yīng)該將其執(zhí)行到滿足所有的輸入輸出為止。

結(jié)論

綜上所述，在網(wǎng)絡(luò)安全評(píng)價(jià)中應(yīng)用神經(jīng)網(wǎng)絡(luò)，具有可行性，有效避免傳統(tǒng)網(wǎng)絡(luò)安全評(píng)價(jià)中的存在的弊端，引入神經(jīng)網(wǎng)絡(luò)技術(shù)，可以基于粒子優(yōu)化神經(jīng)網(wǎng)絡(luò)，確保計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)結(jié)果的準(zhǔn)確性、客觀性，發(fā)揮積極的應(yīng)用價(jià)值。

參考文獻(xiàn)

[1]李忠武，陳麗清.計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)中神經(jīng)網(wǎng)絡(luò)的應(yīng)用研究 [J].現(xiàn)代電子技術(shù)， 2014，（10）， 80-82.

[2]鄭剛.計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)中神經(jīng)網(wǎng)絡(luò)的應(yīng)用研究 [J].網(wǎng)絡(luò)安全技術(shù)與應(yīng)用， 2014，（09）， 55-57.

第9篇：神經(jīng)網(wǎng)絡(luò)的優(yōu)化方法范文

論文關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò)(ANN)，船舶與海洋工程，海洋預(yù)報(bào)與預(yù)測(cè)，海洋資源評(píng)估，海洋環(huán)境監(jiān)測(cè)

 

人工神經(jīng)網(wǎng)絡(luò)是對(duì)人類(lèi)大腦特性的一種描述。它是一個(gè)數(shù)學(xué)模型，可以用電子線路實(shí)現(xiàn)，也可以用計(jì)算機(jī)程序來(lái)模擬。是人工智能研究的一種方法。主要功能有：聯(lián)想記憶、分類(lèi)識(shí)別、優(yōu)化計(jì)算、非線性映射。由于其具有好的容錯(cuò)性、并行處理信息、自學(xué)習(xí)性及非線性映射逼近能力等特點(diǎn),因此被廣泛的應(yīng)用于各個(gè)領(lǐng)域。

ANN在海洋領(lǐng)域的應(yīng)用起步較晚。20世紀(jì)90年代以來(lái)，國(guó)內(nèi)外掀起了應(yīng)用ANN研究海洋問(wèn)題的熱潮。相比傳統(tǒng)方法，由于ANN提高了預(yù)測(cè)的準(zhǔn)確性，減少了對(duì)數(shù)據(jù)的要求并且便于應(yīng)用，到目前為止，ANN模型的應(yīng)用已經(jīng)遍布海洋工程（包括港口、沿海、近海和深海工程）海洋環(huán)境監(jiān)測(cè)，海洋預(yù)報(bào)與預(yù)測(cè)，海洋資源與環(huán)境等各方面，并且應(yīng)用前景不斷擴(kuò)大。本文通過(guò)梳理相關(guān)文獻(xiàn)，分析和總結(jié)了ANN在海洋領(lǐng)域的研究進(jìn)展和主要成果，以期為相關(guān)研究提供參考。

1 船舶與海洋工程

鋼材腐蝕問(wèn)題是海洋工程的重大課題。國(guó)內(nèi)許多學(xué)者通過(guò)建立ANN模型考察海水環(huán)境相關(guān)參數(shù)與鋼材腐蝕速度的相關(guān)性。劉學(xué)慶等根據(jù)四層BP神經(jīng)網(wǎng)絡(luò)分析了3C鋼腐蝕速度與海水環(huán)境參數(shù)的相關(guān)性,建立了3C鋼在海洋環(huán)境中腐蝕速度的人工神經(jīng)網(wǎng)絡(luò)模型，證明該方法在監(jiān)測(cè)與評(píng)價(jià)區(qū)域海洋環(huán)境腐蝕性方面具有實(shí)際應(yīng)用價(jià)值[1]。鄧春龍等研究建立了海洋環(huán)境材料腐蝕與防護(hù)數(shù)據(jù)庫(kù)，收集和整理了大量的材料腐蝕數(shù)據(jù)。并在此基礎(chǔ)上建立了誤差反傳（BP）人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型和灰色GM（1,1）腐蝕預(yù)測(cè)模型。從而形成一套較完整的數(shù)據(jù)采集、處理和分析網(wǎng)絡(luò)系統(tǒng)[2]。王佳等采用電化學(xué)、人工神經(jīng)網(wǎng)絡(luò)和數(shù)據(jù)庫(kù)方法研究了5種海洋工程鋼材在深海環(huán)境中非現(xiàn)場(chǎng)腐蝕行為評(píng)價(jià)技術(shù)。結(jié)果表明,結(jié)合采用多種非現(xiàn)場(chǎng)方法可以可靠評(píng)價(jià)深海環(huán)境鋼材的腐蝕行為[3]。劉艷俠等同樣利用三層BP神經(jīng)網(wǎng)絡(luò),根據(jù)已有的3C鋼在不同海水環(huán)境參數(shù)下的腐蝕速度數(shù)據(jù),建立了3C鋼在海洋環(huán)境中腐蝕速度的人工神經(jīng)網(wǎng)絡(luò)模型;并分析預(yù)測(cè)了海水環(huán)境參數(shù)與腐蝕速度之間的關(guān)系 [4]。

ANN在海洋工程中的應(yīng)用主要是海洋平臺(tái)的抗擊性和穩(wěn)定性的模擬。許亮斌等針對(duì)海洋平臺(tái)樁基模擬中存在的問(wèn)題，將神經(jīng)網(wǎng)絡(luò)應(yīng)用于樁基分析 [5]。淙在引進(jìn)遺傳算法的基礎(chǔ)上構(gòu)造了工程結(jié)構(gòu)優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型,計(jì)算結(jié)果表明這一方法具有很好的穩(wěn)定性和全局收斂性[6]。周亞軍等將經(jīng)典最優(yōu)控制算法與人工神經(jīng)網(wǎng)絡(luò)相結(jié)合，采用BP神經(jīng)網(wǎng)絡(luò)模型，實(shí)現(xiàn)了受隨機(jī)波浪力作用下的海洋平臺(tái)的振動(dòng)主動(dòng)控制[7]。由于神經(jīng)網(wǎng)絡(luò)的優(yōu)越性能，克服了傳統(tǒng)算法本身的時(shí)滯問(wèn)題，為海洋平臺(tái)的振動(dòng)控制提供了一條新的思路。

以上學(xué)者都對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行了一定程度的改進(jìn)和完善，達(dá)到了良好的模擬和預(yù)測(cè)效果，推進(jìn)了海洋工程中ANN理論的發(fā)展。除此以外，針對(duì)波浪數(shù)據(jù)的完備性對(duì)于海岸海洋工程設(shè)計(jì)的關(guān)鍵作用, 人工神經(jīng)網(wǎng)絡(luò)作為一個(gè)具有高度非線性映射能力的計(jì)算模型，在工程中具有廣泛的應(yīng)用前景。在數(shù)值預(yù)測(cè)方面，它不需要預(yù)選確定樣本的數(shù)學(xué)模型海洋環(huán)境監(jiān)測(cè)，僅通過(guò)學(xué)習(xí)樣本數(shù)據(jù)即可以進(jìn)行預(yù)測(cè)論文格式范文。

2 海洋預(yù)報(bào)與預(yù)測(cè)

赤潮作為海洋災(zāi)害的一種，對(duì)海洋經(jīng)濟(jì)造成巨大影響。蔡如鈺利用人工神經(jīng)網(wǎng)絡(luò)BP算法,建立了赤潮預(yù)報(bào)模型 。楊建強(qiáng)通過(guò)比較發(fā)現(xiàn)人工神經(jīng)網(wǎng)絡(luò)方法在模擬和預(yù)測(cè)方面優(yōu)于傳統(tǒng)的統(tǒng)計(jì)回歸模型,具有較強(qiáng)的模擬預(yù)測(cè)能力及實(shí)用性 。在此基礎(chǔ)上，為克服BP網(wǎng)絡(luò)訓(xùn)練易陷入局部最優(yōu)的缺點(diǎn)，王晶采用遺傳算法改進(jìn)網(wǎng)絡(luò)訓(xùn)練方法，建立赤潮生物密度與環(huán)境因子的人工神經(jīng)網(wǎng)絡(luò)的預(yù)報(bào)模型，保證網(wǎng)絡(luò)達(dá)到全局最優(yōu)。此外，還有部分學(xué)者將改進(jìn)的人工神經(jīng)網(wǎng)絡(luò)模型用于赤潮預(yù)報(bào)，經(jīng)過(guò)實(shí)證研究，取得良好的預(yù)測(cè)效果。

潮汐預(yù)報(bào)對(duì)人類(lèi)活動(dòng)和降低海洋環(huán)境建筑成本是非常重要的。為了解決潮位預(yù)測(cè)中存在的時(shí)滯問(wèn)題,提高預(yù)測(cè)精度，不少學(xué)者進(jìn)行了初步探索，并且普遍認(rèn)為BP模型應(yīng)用于潮汐預(yù)報(bào)具有較高的預(yù)測(cè)精度和良好的泛化能力,它為海洋潮汐預(yù)報(bào)工作提供了一種全新的思路和方法。張韌利用人工神經(jīng)網(wǎng)絡(luò)BP模型及其優(yōu)化算法，建立起了赤道太平洋緯向風(fēng)和滯后的東太平洋海溫之間的映射關(guān)系和預(yù)報(bào)模型，結(jié)果表明，這種方法可有效用于辯識(shí)和反演復(fù)雜的大氣、海洋動(dòng)力系統(tǒng)及其預(yù)報(bào)模型.馮利華針對(duì)海洋預(yù)報(bào)問(wèn)題，初步建立了基于神經(jīng)網(wǎng)絡(luò)的預(yù)報(bào)分析系統(tǒng)，給出了應(yīng)用實(shí)例。以我國(guó)東南沿海地區(qū)一次登陸臺(tái)風(fēng)所造成的最大24小時(shí)暴雨量為例來(lái)說(shuō)明ANN在海洋預(yù)報(bào)中的應(yīng)用問(wèn)題。羅忠輝采用人工神經(jīng)網(wǎng)絡(luò)智能方法，建立了多參數(shù)聲速預(yù)報(bào)神經(jīng)網(wǎng)絡(luò)模型海洋環(huán)境監(jiān)測(cè)，克服了回歸擬合方法在獲得海底沉積物聲速預(yù)報(bào)中存在的不足，為海底沉積物的聲速預(yù)報(bào)提供了一條新途徑。

3 海洋資源評(píng)估

張富元等利用東太平洋CC區(qū)多波束海底地形測(cè)量、結(jié)核覆蓋率深拖系統(tǒng)探測(cè)、結(jié)核豐度地質(zhì)采樣和地球物理地震勘探資料,運(yùn)用板塊構(gòu)造和沉積動(dòng)力學(xué)理論,并與豐度趨勢(shì)面和神經(jīng)網(wǎng)絡(luò)分析結(jié)果對(duì)比,對(duì)東太平洋CC區(qū)構(gòu)造與多金屬結(jié)核資源效應(yīng)關(guān)系進(jìn)行了探討。李少波等討論了如何利用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)天然氣水合物的合成和分解。利用了聲速、幅度、頻率來(lái)反映天然氣水合物的合成，建立了一個(gè)3層前向型網(wǎng)絡(luò),通過(guò)實(shí)驗(yàn),人工神經(jīng)網(wǎng)絡(luò)的引用取得了良好的效果。近年來(lái)人工神經(jīng)網(wǎng)絡(luò)還越來(lái)越多地被用來(lái)預(yù)測(cè)水資源。在水資源應(yīng)用中,前饋神經(jīng)網(wǎng)絡(luò)建模技術(shù)是使用最廣泛的類(lèi)型。

4 海洋環(huán)境監(jiān)測(cè)

非法排放油污和海上漏油事件對(duì)海洋生態(tài)系統(tǒng)造成的嚴(yán)重危害，人工神經(jīng)網(wǎng)絡(luò)可以有效的用于海水石油污染診斷。李偉認(rèn)為海中懸移質(zhì)是決定海洋光學(xué)性質(zhì)、海洋水質(zhì),河口海岸帶演變動(dòng)力過(guò)程的重要環(huán)境參數(shù)。利用模擬遙感反射比數(shù)據(jù)集建立人工神經(jīng)網(wǎng)絡(luò)反演懸移質(zhì)濃度,并利用東中國(guó)海現(xiàn)場(chǎng)同步數(shù)據(jù)對(duì)該算法進(jìn)行驗(yàn)證，神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)于反演大洋水和沿岸海域中的組分濃度有一個(gè)很好的前景。劉輝等采用BP神經(jīng)網(wǎng)絡(luò)和廣義回歸神經(jīng)網(wǎng)絡(luò)2種方法進(jìn)行訓(xùn)練,建立了南海南部海區(qū)的上混合層深度人工神經(jīng)網(wǎng)絡(luò)計(jì)算模型 。結(jié)果顯示,人工神經(jīng)網(wǎng)絡(luò)方法精度較高,是一種切實(shí)可行的上混合層深度估算方法。

5 結(jié)語(yǔ)

人工神經(jīng)網(wǎng)絡(luò)在海洋領(lǐng)域的應(yīng)用遍布海洋工程、海洋科學(xué)技術(shù)、海洋環(huán)境資源等各個(gè)方面。國(guó)內(nèi)外學(xué)者根據(jù)研究的需要設(shè)立了不同的ANN模型，隨著時(shí)間的發(fā)展，這些模型的預(yù)測(cè)和分析能力逐步完善。大量實(shí)證結(jié)果表明，很多ANN模型都取得了良好的模擬和預(yù)測(cè)效果。大部分的人工神經(jīng)網(wǎng)絡(luò)模型對(duì)傳統(tǒng)的統(tǒng)計(jì)回歸計(jì)算、時(shí)間序列分析、模型匹配和數(shù)值方法等產(chǎn)生了替代或補(bǔ)充作用。在某些情況下，神經(jīng)網(wǎng)絡(luò)的應(yīng)用減少了對(duì)數(shù)據(jù)的要求。在未來(lái)，隨著現(xiàn)有模型的不斷完善和ANN模型缺陷的不斷糾正，先進(jìn)和混合神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)很可能會(huì)在海洋領(lǐng)域更多方面得到廣泛應(yīng)用。

參考文獻(xiàn)

[1]劉學(xué)慶,唐曉,王佳.3C鋼腐蝕速度與海水環(huán)境參數(shù)關(guān)系的人工神經(jīng)網(wǎng)絡(luò)分析[J].中國(guó)腐蝕與防護(hù)學(xué)報(bào), 2005,(1):11-14.

[2]鄧春龍,孫明先,李文軍等.海洋環(huán)境中材料腐蝕數(shù)據(jù)采集處理網(wǎng)絡(luò)系統(tǒng)的研究[J].裝備環(huán)境工程,2006,(3):58-62.

[3]王佳,孟潔,唐曉等.深海環(huán)境鋼材腐蝕行為評(píng)價(jià)技術(shù)[J].中國(guó)腐蝕與防護(hù)學(xué)報(bào). 2007,(1):1-7.

[4]劉艷俠,高新琛,張國(guó)英等.BP神經(jīng)網(wǎng)絡(luò)對(duì)3C鋼腐蝕性能的預(yù)測(cè)分析[J].材料科學(xué)與工程學(xué)報(bào),2008,(1):94-97.

[5]許亮斌,陳國(guó)明.神經(jīng)網(wǎng)絡(luò)在平臺(tái)樁基分析中的應(yīng)用[J].中國(guó)海上油氣(工程),2001,(1):7-10.

[6]淙.海洋工程結(jié)構(gòu)優(yōu)化的遺傳Hopfield神經(jīng)網(wǎng)絡(luò)算法研究[J].中國(guó)海洋平臺(tái),2001,(5-6):58-61.

[7]周亞軍,趙德有,馬駿.基于人工神經(jīng)網(wǎng)絡(luò)的海洋平臺(tái)振動(dòng)主動(dòng)控制[J].船舶力學(xué), 2003,(5):65-69.