人工神經(jīng)網(wǎng)絡(luò)改進精選(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人工神經(jīng)網(wǎng)絡(luò)改進主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：人工神經(jīng)網(wǎng)絡(luò)改進范文

關(guān)鍵詞: 人工神經(jīng)網(wǎng)絡(luò)BP算法改進BP算法倒立擺小車

1.引言

倒立擺系統(tǒng)是時變的、非線性、多變量和自然不穩(wěn)定系統(tǒng),在控制過程中,它能有效地反映可鎮(zhèn)定性、魯棒性、隨動性和跟蹤等許多控制中的關(guān)鍵問題,是檢驗各種控制理論的理想模型。人工神經(jīng)網(wǎng)絡(luò)BP算法,在多變量輸入情況下具有精度高、實現(xiàn)快、算法簡單、魯棒性好等優(yōu)點,從而滿足了系統(tǒng)的要求[1]。

2.人工神經(jīng)網(wǎng)絡(luò)BP算法簡介

人工神經(jīng)網(wǎng)絡(luò)(ANN)由于具有信息的分布存儲、并行處理和自學習能力等優(yōu)點,在信息處理、模式識別、智能控制等領(lǐng)域得到了越來越廣泛的應(yīng)用。近年來,已有多種ANN模型被提出研究,80%―90%的人工神經(jīng)網(wǎng)絡(luò)模型是采用BP網(wǎng)絡(luò)或其改進形式,它是前向網(wǎng)絡(luò)的核心部分,體現(xiàn)了網(wǎng)絡(luò)最精華的部分[2]。標準的BP網(wǎng)絡(luò)是根據(jù)Widrow―Hoff規(guī)則,采用梯度下降算法,主要由信息信號的正向傳播和誤差信號的反向傳播兩部分組成。

但BP網(wǎng)絡(luò)存在需較長的訓(xùn)練時間、收斂于局部極小值等缺點,為此人們對BP算法進行了許多改進。改進主要有兩類:一類采用啟發(fā)式技術(shù),如附加動量法、自適應(yīng)學習率法;另一類是采用數(shù)字優(yōu)化技術(shù),如共軛梯度法、擬牛頓法、Levenberg―Marquardt(LM)法[3]。由于LM算法收斂速度最快,精度較高,且經(jīng)過大量仿真實驗分析比較,LM效果最好,故我們采用LM法對網(wǎng)絡(luò)進行訓(xùn)練。

LM優(yōu)化方法權(quán)重和閾值更新公式[4]為:

其中J為誤差對權(quán)值微分的雅可比矩陣,e為誤差向量,μ為一個標量。依賴于μ的幅值,該方法光滑地在兩種極端情況之間變化,即牛頓法(當μ0)和著名的最陡下降法(當μ∞)。

3.神經(jīng)網(wǎng)絡(luò)控制器設(shè)計

3.1訓(xùn)練樣本的選取

BP神經(jīng)網(wǎng)絡(luò)在未經(jīng)任何訓(xùn)練的情況下,不能作為系統(tǒng)控制器使用。在實際仿真過程中,我們選擇極點配置控制為BP網(wǎng)絡(luò)的教師進行學習,經(jīng)過試探訓(xùn)練,樣本數(shù)為2000時結(jié)果較為合理,此時樣本數(shù)據(jù)能夠反映系統(tǒng)的基本特征,可以得到預(yù)期的仿真結(jié)果。極點配置-2+5i-2-5i-5+4i-5-4i;A=[0 1 0 0;0-0.0883167 0.629317 0;0 0 0 1;0-0.235655 27.8285 0];B=[0 0.883167 0 2.35655]’;C=[1 0 0 0;0 1 0 0;0 0 1 0;0 0 0 1];D=[0 0 0 0]’;p=[-2+5i-2-5i-5+4i-5-4i]; K=acker(A,B,p)。

3.2 BP網(wǎng)絡(luò)結(jié)構(gòu)

BP網(wǎng)絡(luò)設(shè)計時,增加層數(shù)主要可以進一步降低誤差,提高精度,但卻使網(wǎng)絡(luò)復(fù)雜化。而增加隱含層的神經(jīng)元數(shù)也可提高誤差精度,且訓(xùn)練效果更易觀察和調(diào)整。為了使誤差盡可能小,我們要合理選擇初始權(quán)重和偏置,如果太大就容易陷入飽和區(qū),導(dǎo)致停頓,一般應(yīng)選為均勻分布的小數(shù),介于(-1,1)。

根據(jù)需要,在網(wǎng)絡(luò)初始化時,BP采用0.5*Rands函數(shù)初始化權(quán)值,權(quán)值初始值選在(-0.5,0.5),選取訓(xùn)練目標誤差為0.0001,訓(xùn)練次數(shù)上限為5000次。通過多次仿真實驗性能比較,選取[4 9 1]的單隱層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),隱含層、輸出層分別采用Tansig、Purelin函數(shù),仿真實驗表明變學習率訓(xùn)練算法訓(xùn)練時間長,5000次還不能達到所要求的精度,且系統(tǒng)容易發(fā)散,控制倒立擺效果不好,采用改進的LM訓(xùn)練算法對網(wǎng)絡(luò)進行學習訓(xùn)練可以得到較好的控制效果且訓(xùn)練時間短。在實際仿真過程中,BP網(wǎng)絡(luò)經(jīng)過53次訓(xùn)練即達到了訓(xùn)練目標。

4.BP網(wǎng)絡(luò)訓(xùn)練結(jié)果

圖1分別給出了倒立擺小車位移、擺角和控制力的BP算法與極點配置算法仿真曲線對比圖,仿真結(jié)果表明:相較極點配置,BP算法精度高、實現(xiàn)快、魯棒性好,倒立擺小車在BP算法下只需2.5s左右就可以達到所設(shè)定精度的穩(wěn)定效果,且超調(diào)量很小,滿足了系統(tǒng)的要求。

5.結(jié)論

通過對人工神經(jīng)網(wǎng)絡(luò)BP算法的分析,筆者進行了倒立擺小車改進BP算法的控制系統(tǒng)仿真實驗。仿真表明該改進BP算法收斂性好、計算量小,尤其在非線性和魯棒控制等領(lǐng)域具有良好的應(yīng)用前景。BP神經(jīng)網(wǎng)絡(luò)從理論上可以逼近任意非線性函數(shù),所以它特別適合控制像倒立擺這樣的嚴重非線性、多變量系統(tǒng)。

參考文獻:

[1]于秀芬,段海濱,龔華軍.基于人工神經(jīng)網(wǎng)絡(luò)BP算法的倒立擺控制研究[J].測控技術(shù),2003,22(3):41-44.

[2]張志華,朱章森,李儒兵.幾種修正的自適應(yīng)神經(jīng)網(wǎng)絡(luò)學習算法及其應(yīng)用[J].地球科學,1998,23(2):179-182.

[3]蘇高利,鄧芳萍.論基于Matlab語言的BP神經(jīng)網(wǎng)絡(luò)的改進算法[J].科技通報,2003,19(2):130-135.

第2篇：人工神經(jīng)網(wǎng)絡(luò)改進范文

>> 大規(guī)模自組織人工神經(jīng)網(wǎng)絡(luò)技術(shù)在智能建筑中的應(yīng)用方法研究 基于自組織增量神經(jīng)網(wǎng)絡(luò)的碼書產(chǎn)生方法在圖像分類中的應(yīng)用 基于Matlab的自組織神經(jīng)網(wǎng)絡(luò)在油氣層識別中的應(yīng)用研究 基于自組織競爭神經(jīng)網(wǎng)絡(luò)的地震預(yù)測 自組織競爭網(wǎng)絡(luò)在測井資料巖性識別中的應(yīng)用 自組織特征映射網(wǎng)絡(luò)在探地雷達數(shù)據(jù)處理中的應(yīng)用 氣體識別自組織神經(jīng)網(wǎng)絡(luò) 一種基于自組織過程神經(jīng)網(wǎng)絡(luò)的動態(tài)樣本半監(jiān)督學習算法 自組織灰色神經(jīng)網(wǎng)絡(luò)中的基于電力系統(tǒng)短期負荷預(yù)測方法應(yīng)用研究 基于自組織映射神經(jīng)網(wǎng)絡(luò)的邊坡樣本分析方法 基于SOM神經(jīng)網(wǎng)絡(luò)技術(shù)的區(qū)域卷煙消費狀態(tài)自組織分類 人工神經(jīng)網(wǎng)絡(luò)模型在水動力模型數(shù)據(jù)缺失中的應(yīng)用 基于人工神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)挖掘技術(shù)在臨床中應(yīng)用進展 自組織特征映射網(wǎng)絡(luò)在壓縮編碼設(shè)計中的應(yīng)用 液壓控制系統(tǒng)中自組織雙模糊神經(jīng)網(wǎng)絡(luò)控制模型關(guān)鍵點研究 淺談人工神經(jīng)網(wǎng)絡(luò)在林業(yè)中的應(yīng)用 人工神經(jīng)網(wǎng)絡(luò)在空調(diào)系統(tǒng)中的應(yīng)用 一種改進的動態(tài)二叉樹的自組織神經(jīng)網(wǎng)絡(luò)算法 基于SOM神經(jīng)網(wǎng)絡(luò)技術(shù)的卷煙零售客戶自組織分類 基于自組織神經(jīng)網(wǎng)絡(luò)SOM的汽車安全氣囊裝配故障診斷 常見問題解答 當前所在位置：百度百科 移動學習2012-12-7

[2] 葉成林 徐福蔭 許駿 移動學習研究綜述 電化教育研究 2004 No.3

[3] 陳偉超 國內(nèi)移動學習研究現(xiàn)狀及發(fā)展建議[J].中國電力教育，2009 No.9

[4] 詞匯語義知識庫淺述 劉興林 福建電腦 2009 No.9

第3篇：人工神經(jīng)網(wǎng)絡(luò)改進范文

關(guān)鍵詞：山區(qū)高速公路；填石路堤；人工神經(jīng)網(wǎng)絡(luò)；沉降

中圖分類號：U412.36+6文獻標識碼： A

1 引言

在山區(qū)高速公路修筑中，存在大量的石質(zhì)挖方路段和隧道路段，怎樣利用大量的石質(zhì)填料填筑路堤，使其不出現(xiàn)工程質(zhì)量事故，同時避免一方面大量借石填筑路堤，另一方面又造成大量的石質(zhì)棄方占用農(nóng)田耕地的不合理現(xiàn)象，成為山區(qū)高速公路建設(shè)中迫切需要解決的問題。在高等級公路逐漸進入山區(qū)的今天，在云南省乃至全國范圍內(nèi)還將遇到更多的填石路堤修筑技術(shù)問題。填石路堤的壓實工藝和檢測手段及檢測標準，粗粒料的壓實特性，填石路堤的沉降、穩(wěn)定性評價是填石路堤面臨的主要難題[1]。

2 沉降分析方法

本文采用神經(jīng)網(wǎng)絡(luò)方法對某山區(qū)高速公路填石路堤沉降進行分析計算，以便科學合理的評價公路填石路堤穩(wěn)定性與沉降規(guī)律。

2.1神經(jīng)網(wǎng)絡(luò)模型

BP神經(jīng)網(wǎng)絡(luò)通常是指基于誤差反向傳播算法（BP算法）的多層前向神經(jīng)網(wǎng)絡(luò)，它是目前應(yīng)用最廣泛也是發(fā)展最成熟的一種神經(jīng)網(wǎng)絡(luò)模型，它是按層次結(jié)構(gòu)構(gòu)造的，包括一個輸入層、一個輸出層和一個或多個隱藏層（圖中只畫出一層），一層內(nèi)的節(jié)點（神經(jīng)元）只和與該層緊鄰的下一層各節(jié)點相連。這個網(wǎng)絡(luò)學習過程由正向傳播和反向傳播兩個過程組成。在正向傳播過程中，輸入信息從輸入層經(jīng)隱藏層逐層處理，然后傳向輸出層，每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)。如果在輸出層不能得到希望的輸出，則轉(zhuǎn)向反向傳播過程，將誤差信號沿原來的連接通路返回，通過修改各層神經(jīng)元的權(quán)值，使得誤差信號最小[2]。

網(wǎng)絡(luò)學習的過程首先從給出一組隨機的權(quán)值開始，然后選取學習樣本集中的一個模式（輸入和期望輸出對）作為輸入，接著按前饋方式計算輸出值。這時的輸出值和期望值之間的誤差一般比較大，這就迫使權(quán)值必須改變。利用反向傳播過程，計算所有的權(quán)值的改變量。對所有的模式和所有的權(quán)值重復(fù)計算，修正權(quán)值后又以前饋方式重新計算輸出值。實際輸出和目標輸出之間的偏差和權(quán)值改變量又一次在計算中產(chǎn)生。在學習樣本中的所有模式進行計算后得到一組新的權(quán)值，在接下來的前饋過程中便得到一組新的輸出值，如此循環(huán)下去。在一次成功的學習中，系統(tǒng)誤差或單個輸入模式的誤差將隨著迭代次數(shù)的增加而減小，而過程將收斂到一組穩(wěn)定的權(quán)值。

實際上，BP模型把一組樣本的輸入輸出問題變?yōu)橐粋€非線性優(yōu)化問題。我們可以把這種模型看成一個從輸入到輸出的映射，這個映射是高度非線性的。如果輸入節(jié)點數(shù)為n，輸出節(jié)點數(shù)為m，則神經(jīng)網(wǎng)絡(luò)表示的是從n維歐式空間到m維歐式空間的映射。

2.2 神經(jīng)網(wǎng)絡(luò)模型的改進

BP算法的主要缺點是：收斂速度慢、局部極值、難以確定隱層和隱層節(jié)點的個數(shù)。在實際應(yīng)用中，BP算法很難勝任，因此出現(xiàn)了許多改進算法。BP算法的改進主要有兩種途徑：一種是采用啟發(fā)式學習算法，另一種則是采用更有效的優(yōu)化算法。

啟發(fā)式學習算法，就是對于表現(xiàn)函數(shù)梯度加以分析，從而改進算法，其中包括：有動量的梯度下降法（traingdm）、有自適應(yīng)lr的梯度下降法（traingda）、有動量和自適應(yīng)lr的梯度下降法（traingdx）和能復(fù)位的BP訓(xùn)練法（trainrp）等。另一種是基于數(shù)值最優(yōu)化理論的訓(xùn)練算法，其中包括共軛梯度法、高斯－牛頓法和Levenberg-Marquardt方法等。

本文采用共軛梯度法進行改進。共軛梯度法是梯度法的一種改進方法，可以改進梯度法振蕩和收斂性差的缺陷。其基本思路是尋找與負梯度方向和上一次搜索方向共軛的方向作為新的搜索方向，從而加快訓(xùn)練速度，并提高訓(xùn)練精度。所有的共軛梯度法，都采用負梯度方向作為初始搜索方向：

然后沿著該方向作一維搜索：

接下來，就利用共軛方向作為新一輪的搜索方向，通常在當前負梯度上附加上一次搜索方向：

共軛梯度法通常比自適應(yīng)lr的梯度下降法速度快，有時候也優(yōu)于彈性梯度下降法。同時由于共軛梯度法占有較少的存儲空間，因此在訓(xùn)練復(fù)雜網(wǎng)絡(luò)的時候，通常選用共軛梯度法[3]。

2.3程序的實現(xiàn)

本文采用Matlab，進行程序的編制，算法如下：

%%神經(jīng)網(wǎng)絡(luò)預(yù)測_BP神經(jīng)網(wǎng)絡(luò)模型

% n：原始數(shù)據(jù)個數(shù) x：填石路堤沉降實測值 y：填石路堤沉降預(yù)測值

clc;clear all;

clf;

%%讀數(shù)據(jù)；

load x1.txt;load x2.txt;

P=x2;x=x1;

%%NEWFF——生成新的線性神經(jīng)網(wǎng)絡(luò)

%%TRIAN——對線性神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練

%%SIM——對線性神經(jīng)網(wǎng)絡(luò)進行仿真

%P——為輸入矢量；

%x——為目標矢量；

%創(chuàng)建網(wǎng)絡(luò)

net=newff(minmax(P),[1,1],{'tansig','purelin'},'traingdm');

%當前網(wǎng)絡(luò)層的權(quán)值與閾值

layerWights=net.LW{2,1};

layerbias=net.b{2};

%設(shè)置訓(xùn)練參數(shù)

net.trainParam.show=50;

net.trainParam.lr=0.05;

net.trainParam.mc=0.9;

net.trainParam.epochs=100;

net.trainParam.goal=0.1;

%%對BP神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練

[net,tr]=train(net,P,x);

%對線性網(wǎng)絡(luò)進行仿真

y=sim(net,P);

y

x

3 填石路堤沉降計算分析結(jié)果

以現(xiàn)場監(jiān)測數(shù)據(jù)與網(wǎng)絡(luò)預(yù)測值進行比較如表1所示。應(yīng)用該模型進行預(yù)測精度很高，這進一步證明了該BP神經(jīng)網(wǎng)絡(luò)擬合效果好，泛化能力強，收斂快。所以，該法在填石路堤最終沉降預(yù)測中十分有效和可行。

表1 網(wǎng)絡(luò)預(yù)測與實際值比較

4 結(jié)輪

本文將人工神經(jīng)網(wǎng)絡(luò)引入到填石路堤的沉降計算，利用實測資料，直接建模，更好的反映了填石路堤的沉降規(guī)律，工程實例研究表明，網(wǎng)絡(luò)預(yù)測值與實測值吻合較好，可信度較高，并且隨著學習樣本的不斷補充，網(wǎng)絡(luò)的預(yù)測精度將進一步提高。

（1）一個良好的神經(jīng)網(wǎng)絡(luò)模型，可以不斷學習，使求解的范圍不斷擴大，同時人工神經(jīng)網(wǎng)絡(luò)的抗干擾能力較強，個別測點的誤差將不會對結(jié)果產(chǎn)生大的影響。

（2）工程實例研究表明，實測值與神經(jīng)網(wǎng)絡(luò)預(yù)測值吻合較好，但也有個別點偏差較大，主要原因是訓(xùn)練的數(shù)據(jù)太少，隨著訓(xùn)練數(shù)據(jù)的增加，網(wǎng)絡(luò)的預(yù)測精度還會進一步提高。

（3）人工神經(jīng)網(wǎng)絡(luò)方法避免了傳統(tǒng)方法的許多弊病，具有自組織、自適應(yīng)、容錯性等特點，計算精度高，操作簡便，適應(yīng)性強，因而具有廣闊的工程應(yīng)用前景。

參考文獻：

第4篇：人工神經(jīng)網(wǎng)絡(luò)改進范文

[關(guān)鍵詞] BP神經(jīng)網(wǎng)絡(luò) 圖像分類 Matlab 自適應(yīng)特征因子 收斂速度 精度

中圖分類號：P23 文獻標識碼：A 文章編號：1009-914X（2014）07-0321-03

1.引言

衛(wèi)星遙感對地觀測技術(shù)是人類獲取資源環(huán)境動態(tài)信息的重要手段，無論是專業(yè)信息提取、動態(tài)變化預(yù)測、還是專題地圖制作和遙感數(shù)據(jù)庫的建立等都離不開分類。在數(shù)學方法的引入和模型研究的進展為影像的分類注入了新的活力，不同的數(shù)學方法和參數(shù)特征因子被引用到模型的研究上來，為模型研究的發(fā)展提供了廣闊的天地。而基于改進的BP神經(jīng)網(wǎng)絡(luò)，更是融合了自適應(yīng)特征因子和非線性函數(shù)逼近的網(wǎng)絡(luò)模型，不僅學習速度快，而且有高度復(fù)雜的映射能力。

2.人工神經(jīng)網(wǎng)絡(luò)的分類方法

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network， ANN ）是基于生物神經(jīng)系統(tǒng)的分布存儲、并行處理及自適應(yīng)學習這些現(xiàn)象構(gòu)造出具有一些低級智慧的人工神經(jīng)系統(tǒng)【1】。其概念是在20世紀40年代中期由McCulloch和Pitts提出的，70年代得到應(yīng)用，80年代以來，隨著計算機技術(shù)的發(fā)展而得到了快速的發(fā)展，屬于非線性學科，具有強抗干擾性、高容錯性、并行分布式處理、自組織學習和分類精度高等特點。

近年來，神經(jīng)網(wǎng)絡(luò)被廣泛應(yīng)用于遙感圖像分類中，不同學者分別提出或應(yīng)用了Hopfield神經(jīng)網(wǎng)絡(luò)、BP網(wǎng)絡(luò)、自組織映射網(wǎng)絡(luò)、小波神經(jīng)網(wǎng)絡(luò)、細胞神經(jīng)網(wǎng)絡(luò)、模糊神經(jīng)網(wǎng)絡(luò)等對遙感圖像進行分類【2】。這些神經(jīng)神經(jīng)網(wǎng)絡(luò)在遙感圖像自動分類上都有一定的應(yīng)用，并取得較好的效果。本文基于此，對傳統(tǒng)的BP算法進行了改進，提出了在Matlab軟件提供的神經(jīng)網(wǎng)絡(luò)工具箱中，對BP神經(jīng)網(wǎng)絡(luò)的權(quán)值，學習率進行分析。重點是運用數(shù)學中自適應(yīng)特征因子，加快了迭代過程中的收斂速度，而且使精度更高。

3.BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種通用性較強的前饋網(wǎng)絡(luò)，它主要采用模式正向傳遞、誤差信號反向傳播的BP算法，實現(xiàn)輸入到輸出的映射，并且是非線性的，具有結(jié)構(gòu)簡單、可操作性強等優(yōu)點，目前已被廣泛應(yīng)用【3】。

3.1 BP算法原理

學習過程由信號的正向傳播與反向傳播兩個過程組成。正向傳播時，輸入樣本從輸入層傳入，經(jīng)各隱層逐層處理后，傳向輸出層。若輸出層的實際輸出與期望輸出不符合時，則轉(zhuǎn)入誤差的反向傳播階段。誤差反傳是將輸出誤差以某種形式通過隱層向輸入層逐層反傳，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，此信號作為修正各單元權(quán)值的依據(jù)。

3.2 BP學習率的優(yōu)化算法分析

為了加快神經(jīng)網(wǎng)絡(luò)的學習速度，對學習率的改進是BP算法優(yōu)化的重要部分。因為BP算法是不斷通過調(diào)整網(wǎng)絡(luò)權(quán)值進行訓(xùn)練學習的，修正的大小受到學習率的控制，因此學習率的改進對整個網(wǎng)絡(luò)的優(yōu)化是很重要的。為了加快學習速度，研究者提出了很多的優(yōu)化學習率算法，劉幺和等提出的具體優(yōu)化公式為[4]： η=Ae-λn. （1）

此算法優(yōu)于學習率固定的傳統(tǒng)BP算法，減少了網(wǎng)絡(luò)學習過程中的學習次數(shù)，但同樣存在著其它問題，首先，模型中A的取值范圍并不適用于所有神經(jīng)網(wǎng)絡(luò)，由于它的取值決定了網(wǎng)絡(luò)學習率的初始值，通過A確定的網(wǎng)絡(luò)初始學習率可能使網(wǎng)絡(luò)不收斂。其次，當網(wǎng)絡(luò)誤差下降速度快時，該算法反倒使網(wǎng)絡(luò)收斂速度比較慢，這說明此時網(wǎng)絡(luò)不適應(yīng)這種情況。

在上述模型中，陳思依據(jù)可變學習率的變化，提出了另一改進模型，此方法的思想是，如果網(wǎng)絡(luò)權(quán)值在實際情況中更新之后使誤差值減小，此時就沒有必要再減少學習率，如果保持原學習率不變，不僅增加了訓(xùn)練速度，而且修改權(quán)值的幅度會大些，訓(xùn)練效果會更好一些。改進后的模型為[5]：

此算法優(yōu)點是如果誤差下降速度明顯增快，則說明此時的學習率比較合適訓(xùn)練，不需調(diào)整。

面對現(xiàn)代科技的飛速發(fā)展，國內(nèi)外競相發(fā)展以高空間、高光譜和高動態(tài)為標志的新型衛(wèi)星遙感對地觀測技術(shù)，提供了海量的信息源，加大了人們對空間的認知，對信息世界的分類利用，但是人們的優(yōu)化算法遠遠跟不上豐富的信息源。對此，針對上面學習率算法，雖然有很大的改進，但處理速度還遠遠不夠，還需要優(yōu)化。

3.3 網(wǎng)絡(luò)隱層的節(jié)點數(shù)確定

BP人工神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu)中，輸入節(jié)點與輸出節(jié)點是由問題的本身決定的，關(guān)鍵在于隱層的層數(shù)與隱節(jié)點的數(shù)目，在Robert Hecht Nielson等人研究指出，只有一個隱層的神經(jīng)網(wǎng)絡(luò)，只要隱節(jié)點足夠多，就可以以任意精度逼近一個非線性函數(shù)【6】。

因此隱節(jié)點的確定關(guān)系到整個網(wǎng)絡(luò)的處理，下面是關(guān)于隱節(jié)點數(shù)確定的的方法：

其中Hpi隱節(jié)點i在學習第p個樣本時輸出，Hpj是隱節(jié)點j在學習第p個樣本時的輸出，N為學習樣本總數(shù)，而Hpi與Hpj的線性相關(guān)程度愈大，互相回歸的離散度越小，反之，則相反。

當同層隱節(jié)點i和j的相關(guān)程度大，說明節(jié)點i和j功能重復(fù)，需要合并；當樣本散發(fā)度Si過小，說明隱節(jié)點i的輸出值變化很少，對網(wǎng)絡(luò)的訓(xùn)練沒起到什么作用，可以刪除。因此根據(jù)這樣規(guī)則可以進行節(jié)點動態(tài)的合并與刪除。

4.特征因子算法加入

神經(jīng)網(wǎng)絡(luò)在遙感圖像分類中的優(yōu)勢越來越明顯，很多人對其進行了研究與應(yīng)用。對此，本文對前人的算法進行了優(yōu)化，主要是進行網(wǎng)絡(luò)權(quán)值修正速度的加速，在算法優(yōu)化中，引入了數(shù)學中的特征因子加速收斂方法，其保證精度下，使網(wǎng)絡(luò)的迭代收斂速度大大加快。

具體算法思想過程如下：在BP神經(jīng)網(wǎng)絡(luò)學習階段，當遙感圖像的特征樣本數(shù)據(jù)由輸入層到隱含層，然后再傳輸?shù)捷敵鰧?，最后得到的輸出?shù)據(jù)與目標數(shù)據(jù)會產(chǎn)生誤差，然后在返回到隱含層來調(diào)整網(wǎng)絡(luò)權(quán)值，直至誤差達到所要求的精度范圍為止。在迭代過程中，為了使誤差迅速減小到精度范圍內(nèi)，特征因子算法被引入到網(wǎng)絡(luò)權(quán)值調(diào)整上：

在第一次迭代 ：

其中x0為輸入向量，y1為第一次輸出向量，T為目標向量，第一次迭代生成的T1為目標向量T的近似值，Tk+1為迭代N次（1，2，3，…）目標向量T的近似值。在運用特征因子迭代收斂加速方法中，比以往的算法得到優(yōu)化，加速了網(wǎng)絡(luò)權(quán)值調(diào)整的收斂速度，且使結(jié)果的精度得到保證。

5.實驗過程與精度評定

本次實驗是在Matlab環(huán)境下開發(fā)的神經(jīng)網(wǎng)絡(luò)工具箱中來進行展開的，神經(jīng)網(wǎng)絡(luò)工具箱是MATLAB環(huán)境下開發(fā)出來的許多工具箱之一。它以人工神經(jīng)網(wǎng)絡(luò)理論為基礎(chǔ)，利用MATLAB編程語言構(gòu)造出許多典型神經(jīng)網(wǎng)絡(luò)的框架和相關(guān)的函數(shù)【7】。此工具箱可以用來對BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練函數(shù)的創(chuàng)建，下面是具體的實驗過程：

（1）選取QuickBird衛(wèi)星影像，在影像上選取各類別的特征樣本，要求樣本數(shù)量得足夠多。然后進行特征選取，一般是選取象元的多光譜特征的特征向量，以此確定特征矩陣p。為了方便在訓(xùn)練階段的學習，需把向量值歸一化，在根據(jù)特征向量，確定輸入層節(jié)點數(shù)為5。

（2）進行BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建，其中隱層網(wǎng)的節(jié)點數(shù)是根據(jù)前面提到的方法，節(jié)點數(shù)經(jīng)過合并與刪除之后最終確定為25；根據(jù)待分類影像的類別分別是公路用地、內(nèi)陸灘涂、旱地、水工建筑用地、裸地、坑塘水面、林地、水庫水面、采礦用地、城市、村莊、水澆地、設(shè)施農(nóng)用地、建制鎮(zhèn)、果園、灌木林地、風景名勝及特殊用地、其他林地、其他草地，輸出層節(jié)點數(shù)確定19；目標向量可用以下形式表示：

（1，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0） 表示公路用地

（0，1，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0） 表示內(nèi)陸灘涂

（0，0，1，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0） 表示旱地

（0，0，0，1，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0） 表示水工建筑用地

（0，0，0，0，1，0，0，0，0，0，0，0，0，0，0，0，0，0，0） 表示裸地

（0，0，0，0，0，1，0，0，0，0，0，0，0，0，0，0，0，0，0） 表示坑塘水面

（0，0，0，0，0，0，1，0，0，0，0，0，0，0，0，0，0，0，0） 表示林地

（0，0，0，0，0，0，0，1，0，0，0，0，0，0，0，0，0，0，0） 表示水庫水面

以此類推直到最后類別的表示……

（0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，1） 表示其他草地

調(diào)用Matlab神經(jīng)網(wǎng)絡(luò)工具箱中的函數(shù)，另外為了加入特征因子算法，需要創(chuàng)建網(wǎng)絡(luò)的權(quán)值學習函數(shù)learnc，p1是輸入訓(xùn)練樣本，p2是輸入未知樣本向量。部分代碼如下：

net=newff（minmax（p），[25，19]，{‘tansig’，‘logsig’}，‘traingdx’，‘learnc’）；

net.trainParam.show=300；

net.traimParam.epochs=1600；

net.train.goal=0.01；

net=init（net）；

net=train（net，p1，T）；

Ye=sim（net，p2）；

（3）在步奏（2）的基礎(chǔ)上，進行訓(xùn)練學習。創(chuàng)建的網(wǎng)絡(luò)權(quán)值函數(shù)加入特征因子后，在學習階段收斂速度明顯增快 。使調(diào)整后的網(wǎng)絡(luò)權(quán)值盡快達到了用戶設(shè)定精度范圍。

（4）學習階段完成后，開始進行分類階段。把未分類的QuickBird衛(wèi)星影像的特征向量值輸入到神經(jīng)網(wǎng)絡(luò)中，進行分類，根據(jù)輸出向量y與目標向量T進行對比，然后把象元分類到自己所屬的類別區(qū)。直到影像被分類完為止。

（5）分類結(jié)果圖如下：

（6） 下面是對分類結(jié)果進行精度評定，采用誤差矩陣法來評定精度?？傮w精度可達到93.89%，其他各個類別的用戶精度和生產(chǎn)者精度都很高，最低的不低于82.43%，滿足用戶的需求，達到使用的目的。

6.結(jié)束語

BP神經(jīng)網(wǎng)絡(luò)的非線性映射，自適應(yīng)功能等優(yōu)勢已在遙感圖像分類中得到廣泛的應(yīng)用，本文基于前人的優(yōu)化算法，提出了在網(wǎng)絡(luò)權(quán)值調(diào)整過程中的特征因子迭代加速算法，使學習階段的權(quán)值調(diào)整速度明顯加快。但在分類精度上改變較小，在提高精度上，是以后繼續(xù)研究改進的方向。

參考文獻

[1] 葉世偉 史忠植（譯） 神經(jīng)網(wǎng)絡(luò)原理 北京：機械工業(yè)出版社，2004

[2] Dony R D，et al. Neural network approaches to image compression[J].Proc IEEE，1995，83：288-303.

[3] 史忠植.智能科學[M].北京：清華大學出版社，2006.

[4] 劉幺和，陳睿，彭偉，等.一種BP神經(jīng)網(wǎng)絡(luò)學習率的優(yōu)化設(shè)計[J].湖北工業(yè)大學學報，2007，22（3）：1-3.

[5] 陳思 一種BP神經(jīng)網(wǎng)絡(luò)學習率的改進方法[J].長春師范學院學報（自然科學版），2010.8.25-27

[6] 李曉峰，徐玖平，王蔭清等。BP人工神經(jīng)網(wǎng)絡(luò)自適應(yīng)學習算法的建立及其應(yīng)用[J].系統(tǒng)工程理論與實踐，2004.5 . 3-4

[7] 樓順天，等.《基于Matlab的系統(tǒng)分析與設(shè)計---神經(jīng)網(wǎng)絡(luò)》. 西安：西安電子科技大學出版社，2000.8.23-40

第5篇：人工神經(jīng)網(wǎng)絡(luò)改進范文

關(guān)鍵詞：移動機器人；BP神經(jīng)網(wǎng)絡(luò)；軌跡跟蹤控制

引言

人工神經(jīng)網(wǎng)絡(luò)使非線性系統(tǒng)的描述成為可能，并且在學習、記憶、計算和智能處理方面表現(xiàn)出了很強的優(yōu)越性。人工神經(jīng)網(wǎng)絡(luò)具有如下特點：(1)可以按照指定的精度無限逼近幾乎各種復(fù)雜的非線性系統(tǒng)，解決了非線性系統(tǒng)的建模問題；(2)信息采用分布式存儲和處理方式，使得神經(jīng)網(wǎng)絡(luò)具有很高的運算效率和很強的容錯性和魯棒性； (3)可以自行調(diào)節(jié)參數(shù)和結(jié)構(gòu)實現(xiàn)自學習的目的以完成某項任務(wù)。（4）人工神經(jīng)網(wǎng)絡(luò)具有強魯棒性和適應(yīng)性，高可靠性以及智能性，為解決高維數(shù)、非線性、強干擾、時滯和不確定系統(tǒng)問題開辟了新思路并提供了方法，它在控制領(lǐng)域?qū)⒕哂信e足輕重的地位。

1 BP神經(jīng)網(wǎng)絡(luò)

BP網(wǎng)絡(luò)的學習過程分為兩個階段：第一個階段是輸入已知學習樣本，通過設(shè)置的網(wǎng)絡(luò)結(jié)構(gòu)和前一次迭代的權(quán)值和閾值，從網(wǎng)絡(luò)的第一層向后計算各神經(jīng)元的輸出。第二階段是對權(quán)值和閾值進行修改，從最后一層向前計算各權(quán)值和閾值對總誤差的影響(梯度)，據(jù)此對權(quán)值和閾值進行修改。以上兩個過程反復(fù)交替，直到達到收斂為止。由于誤差逐層往回傳遞，以修正曾與層間的權(quán)值和閾值，所以稱該算法為誤差反向傳播算法。這種誤差反傳學習算法可以推廣到若干個中間層的多層網(wǎng)絡(luò)，因此該多層網(wǎng)絡(luò)常稱之為BP網(wǎng)絡(luò)。

BP神經(jīng)網(wǎng)絡(luò)根據(jù)每次的訓(xùn)練樣本對權(quán)值進行修正，即使是在訓(xùn)練樣本差別不大的情況下，各個神經(jīng)元之間的連接權(quán)值也要重新經(jīng)過計算進行修正。這在訓(xùn)練樣本維數(shù)不大的情況下計算時間不會有很大差別，但是在實際應(yīng)用中，往往所要訓(xùn)練的數(shù)據(jù)都是極為復(fù)雜和龐大的，神經(jīng)元個數(shù)也許是幾十個或幾百個，如果每個新的樣本數(shù)據(jù)都要重新經(jīng)過計算進行權(quán)值修正，尤其在兩個樣本數(shù)據(jù)整體均方誤差和很小或絕大部分數(shù)據(jù)完全一樣個別數(shù)據(jù)差別較大的情況下，這樣就會增加重復(fù)的不必要的計算量，大大浪費計算時間，降低權(quán)值調(diào)整效率，難以滿足實時性要求。針對以上問題，提出了一種改進的BP神經(jīng)網(wǎng)絡(luò)。它通過把傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)根據(jù)其規(guī)模分割成若干更小的子網(wǎng)分別進行訓(xùn)練來達到提高計算效率的目的

2 基于改進的BP神經(jīng)網(wǎng)絡(luò)的軌跡跟蹤

移動機器人的控制器設(shè)計問題可以描述為：給定參考位置和參考速度，為執(zhí)行力矩設(shè)計一個控制法則，控制機器人移動，使其平穩(wěn)地跟蹤速度輸入和參考位置。

2.1基于后退算法的運動學控制器設(shè)計

根據(jù)移動機器人的運動學方程來選擇用于實現(xiàn)跟蹤的速度控制輸入，表示如下:

  (1)

其中, ,均為設(shè)計參數(shù)。

速度控制信號的導(dǎo)數(shù)為：

(2)

控制信號誤差為：

  (3)

由李雅普諾夫理論可以得知，所設(shè)計的運動學控制器能使系統(tǒng)的跟蹤誤差收斂。

2.2 基于改進BP神經(jīng)網(wǎng)絡(luò)的動力學控制器設(shè)計

如果一個向量僅是一個變量的函數(shù)，那么就可以用靜態(tài)神經(jīng)網(wǎng)絡(luò)來建模。即：

    (4)

式中，和是GL向量，它們各自元素分別為和。是模型誤差向量，其元素是。其中，來表示一般向量或矩陣, 和“”分別表示GL 矩陣及其乘積算子。

由移動機器人動力學方程式知，僅是的函數(shù)，是和的函數(shù)，所以，可得：

  (5)

    (6)

式中，，和是GL矩陣，其各自元素分別為： ，，和。其中，和 是矩陣，其模型誤差元素為：和。

3 結(jié)論

改進的BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于移動機器人軌跡跟蹤控制具有正確性、高效性、實用性和智能性等優(yōu)勢，把神經(jīng)網(wǎng)絡(luò)分割成若干子網(wǎng)分別進行訓(xùn)練獲取了更高計算效率的方法，使BP神經(jīng)網(wǎng)絡(luò)避免了不必要的權(quán)值調(diào)整，提高了網(wǎng)絡(luò)的訓(xùn)練效率。

參考文獻：

[1]韓光信,陳虹. 約束非完整移動機器人軌跡跟蹤的非線性預(yù)測控制. 吉林大學學報(工學版),2009,39(01):177-18

第6篇：人工神經(jīng)網(wǎng)絡(luò)改進范文

關(guān)鍵詞： 電力負荷；Elman網(wǎng)絡(luò)；BP網(wǎng)絡(luò)；預(yù)測

中圖分類號：TP393 文獻標識碼：A 文章編號：1009-3044（2013）16-3871-04

電力系統(tǒng)時序負荷的準確預(yù)測是實現(xiàn)現(xiàn)代控制的前提之一，也是電力系統(tǒng)規(guī)劃和運行研究的重要內(nèi)容。負荷預(yù)測是從已知的用電需求出發(fā)，考慮政治、經(jīng)濟、氣候等相關(guān)因素，對未來的用電需求作出的預(yù)測[1]。電力系統(tǒng)負荷預(yù)測也是電力生產(chǎn)部門的重要工作之一，通過準確的負荷預(yù)測，可以經(jīng)濟合理地安排機組啟停，減少旋轉(zhuǎn)備用容量，合理安排檢修計劃，降低發(fā)電成本，提高經(jīng)濟效益。此外，它也是電力市場中電價制定的基礎(chǔ)。

負荷預(yù)測對電力系統(tǒng)控制、運行和計劃都有著重要意義。電力系統(tǒng)負荷變化一方面受許多不確定因素的影響，負荷變化會存在隨機波動，另一方面又具有周期性，這也使得負荷預(yù)測曲線具有相似性。同時，由于受天氣、節(jié)假日等特殊情況的影響，又使負荷變化出現(xiàn)異常。由于神經(jīng)網(wǎng)絡(luò)具有較強的非線性映射特性，它常用于負荷預(yù)測。

近年來，人工神經(jīng)網(wǎng)絡(luò)越來越引起控制理論工作者的極大興趣。人工神經(jīng)網(wǎng)絡(luò)是一個能夠?qū)W習，能夠總結(jié)歸納的系統(tǒng)，也就是說它能夠通過已知數(shù)據(jù)的實驗運用來學習和歸納總結(jié)。人工神經(jīng)網(wǎng)絡(luò)通過對局部情況的對照比較（而這些比較是基于不同情況下的自動學習和要實際解決問題的復(fù)雜性所決定的），它能夠推理產(chǎn)生一個可以自動識別的系統(tǒng)。與之不同的基于符號系統(tǒng)下的學習方法，它們也具有推理功能，只是它們是建立在邏輯演算法的基礎(chǔ)上，也就是說它們之所以能夠推理，基礎(chǔ)是需要有一個推理演算法則的集合。神經(jīng)網(wǎng)絡(luò)的優(yōu)點在于它具有模擬多變量而不需要對輸入變量做復(fù)雜的相關(guān)假定的能力，具有良好的自適應(yīng)和自學習能力，能夠充分逼近復(fù)雜的非線性關(guān)系，但關(guān)鍵是要建立合理的數(shù)學模型。

本文利用Elman神經(jīng)網(wǎng)絡(luò)的自適應(yīng)性和較強的非線性映射能力進行負荷預(yù)測。采用自適應(yīng)學習速率動量梯度下降反向傳播算法進行網(wǎng)絡(luò)訓(xùn)練，可以克服傳統(tǒng)BP算法收斂速度慢和局部極小等缺陷。

1 Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與算法

1.1Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

Elman網(wǎng)絡(luò)通常是一個兩層網(wǎng)絡(luò)，其隱含層神經(jīng)元到輸入層神經(jīng)元之間還存在一個反饋連接通道，這種反饋連接在神經(jīng)網(wǎng)絡(luò)術(shù)語中稱為回歸（recurrent）連接。這種回歸連接使得Elman網(wǎng)絡(luò)具有檢測和產(chǎn)生時變模式的能力。

2 數(shù)據(jù)的預(yù)處理

2.1數(shù)據(jù)的選取

有效地選取輸入變量是決定神經(jīng)網(wǎng)絡(luò)預(yù)測精度的關(guān)鍵所在。電力系統(tǒng)負荷的波動往往受各種突變因素的影響，而這些因素包含的信息往往具有很大的不確定性。出于篇幅考慮，對預(yù)報模型簡單化，輸入變量的選取僅來自于某年歐洲競賽中電力負荷的歷史數(shù)據(jù)。

2.2結(jié)構(gòu)分析

2.3輸入和輸出參數(shù)的標準化

3 仿真分析

神經(jīng)網(wǎng)絡(luò)中單個神經(jīng)元具有簡單的能夠反映非線性本質(zhì)特征的能力，這些基本的單元經(jīng)過自組織復(fù)合，使神經(jīng)網(wǎng)絡(luò)可以逼近任意非線性函數(shù)。通過學習，從樣本中抽取并存儲其內(nèi)在規(guī)律，從而可以對序列的變化進行預(yù)測。使用神經(jīng)網(wǎng)絡(luò)方法可以避免復(fù)雜的常規(guī)建模過程，而且神經(jīng)網(wǎng)絡(luò)模型有良好的自適應(yīng)和自學習能力、較強的抗干擾能力，易于給出工程上容易實現(xiàn)的算法。在進行神經(jīng)網(wǎng)絡(luò)預(yù)測時，首先是要確定輸入、輸出節(jié)點。

在訓(xùn)練和預(yù)測的過程中，在MATLAB語言環(huán)境下，使用其特有的神經(jīng)網(wǎng)絡(luò)工具箱，對改進的BP算法建立負荷預(yù)測模型，實現(xiàn)短期負荷預(yù)測。對比兩種網(wǎng)絡(luò)預(yù)測圖像和數(shù)據(jù)，可以清楚地看出，Elman網(wǎng)絡(luò)的訓(xùn)練速度及預(yù)測精度都有較大的改善。比較圖4、圖5及預(yù)測技術(shù)指標可以看到，訓(xùn)練Elman網(wǎng)絡(luò)時間短，平均預(yù)測精度高，最大預(yù)測精度也優(yōu)于BP網(wǎng)絡(luò)。

對于電力預(yù)測來說，只考慮歷史數(shù)據(jù)是不夠的，還受許多隨機因素的影響，由于工作日和節(jié)假日的負荷不同，還要考慮時間特征值[8]。為避免預(yù)測時出現(xiàn)較大的誤差，可以通過適當增加樣本容量。

4 結(jié)論

到目前為止，電力系統(tǒng)的負荷預(yù)測一直都是一個難點，這主要是因為電力系統(tǒng)結(jié)構(gòu)越來越復(fù)雜。該文采用Elman網(wǎng)絡(luò)建立短期負荷的預(yù)測模型，克服了傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的一些缺陷。通過仿真計算，證明了Elman神經(jīng)網(wǎng)絡(luò)具有動態(tài)特性好、網(wǎng)絡(luò)訓(xùn)練速度快、精度高等特點，同時表明該方法是可行且有效的，并且在電網(wǎng)電力負荷預(yù)測領(lǐng)域具有廣闊的應(yīng)用前景。

參考文獻：

[1] 汪峰，于爾鏗，周京陽.能量管理系統(tǒng)（EMS） [J]. 電力系統(tǒng)自動化，1997，21（4）：66-69.

[2] 芮執(zhí)元，任麗娜，馮瑞成.基于Elman神經(jīng)網(wǎng)絡(luò)的甘肅電網(wǎng)負荷預(yù)測模型[J].現(xiàn)代電力，2007，24（2）：26-29.

[3] 夏昌浩，向?qū)W軍，何勝雄. 基于MATLAB神經(jīng)網(wǎng)絡(luò)工具箱的電力系統(tǒng)負荷預(yù)報[J]. 武漢水利電力大學學報，2000，22（4）：303-307.

[4] 孫洪波，秦翼鴻，徐國禹. 用于短期電力負荷預(yù)報的人工神經(jīng)網(wǎng)絡(luò)方法[J]. 重慶大學學報，1995（7）：42-47.

[5] 陳玉彬.礦井雙風機自動的簡易實現(xiàn)[J].礦山機械， 2009（18）：84.

[6] 王關(guān)平. 基于人工神經(jīng)網(wǎng)絡(luò)的無刷直流電動機控制研究[D]. 蘭州理工大學，2007.

第7篇：人工神經(jīng)網(wǎng)絡(luò)改進范文

關(guān)鍵詞 神經(jīng)網(wǎng)絡(luò)；空調(diào)；應(yīng)用

中圖分類號 TP387 文獻標識碼 A 文章編號 1673-9671-(2012)071-0184-02

中央空調(diào)系統(tǒng)是一個龐大復(fù)雜的系統(tǒng)，主要包括：空調(diào)冷熱源系統(tǒng)、水或空氣系統(tǒng)、控制系統(tǒng)等，空調(diào)系統(tǒng)能耗與影響因素之間是一種多變量、強耦合、嚴重非線性的關(guān)系，具有很強的動態(tài)性。而人工神經(jīng)網(wǎng)絡(luò)可以實現(xiàn)從輸入到輸出的任意非線性映射，能夠模擬高度非線性系統(tǒng)，具有較強的學習能力、自適應(yīng)能力、容錯能力和聯(lián)想能力，已成為復(fù)雜的非線性系統(tǒng)建模、仿真、預(yù)測的新型工具，人工神經(jīng)網(wǎng)絡(luò)自20世紀40年代初被首度提出來以后，經(jīng)過幾十年的發(fā)展，廣泛運用于模式識別和圖像處理、控制與優(yōu)化、人工智能等方面。隨著我國空調(diào)事業(yè)的快速發(fā)展及節(jié)能減排新形下，人工神經(jīng)網(wǎng)絡(luò)在空調(diào)系統(tǒng)中的運用越來越受到廣大暖通空調(diào)研究者的關(guān)注。

1 神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)是對人腦或生物神經(jīng)網(wǎng)絡(luò)的抽象和建模，具有從環(huán)境學習的能力，以類似生物的交互方式適應(yīng)環(huán)境。人工神經(jīng)網(wǎng)絡(luò)是一個由大量簡單的神經(jīng)元廣泛聯(lián)接組成的復(fù)合系統(tǒng)，當系統(tǒng)被訓(xùn)練達到平衡后，由各個神經(jīng)元的權(quán)值組成的整個網(wǎng)絡(luò)的分布狀態(tài)，就是所求的結(jié)果。網(wǎng)絡(luò)學習的過程也就是各神經(jīng)元權(quán)值的調(diào)整過程。人工神經(jīng)網(wǎng)絡(luò)根據(jù)連接方式不同可以分為兩大類：無反饋的前向神經(jīng)網(wǎng)絡(luò)和相互連接型網(wǎng)絡(luò)（包括反饋網(wǎng)絡(luò)），圖1為BP神經(jīng)網(wǎng)絡(luò)系統(tǒng)結(jié)構(gòu)簡圖，BP網(wǎng)絡(luò)就是一種誤差反向傳播的前向網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)的學習算法總體來講可分為有監(jiān)督學習和無監(jiān)督學習。人工神經(jīng)網(wǎng)絡(luò)的具有強容錯性、冗余性、魯棒性和信息分布式并行處理及快速進行大量計算能力特點， 能適應(yīng)復(fù)雜環(huán)境和進行多目標控制。

圖1 BP網(wǎng)絡(luò)系統(tǒng)結(jié)構(gòu)

2 人工神經(jīng)網(wǎng)絡(luò)在空調(diào)系統(tǒng)中的應(yīng)用

2.1 空調(diào)風系統(tǒng)方面的應(yīng)用

變風量系統(tǒng)（VAV系統(tǒng)）的基本思想是：當室內(nèi)負荷發(fā)生變化時，改變送入室內(nèi)風量，以滿足室內(nèi)人員的舒適性或工藝性要求，實現(xiàn)送風量的自動調(diào)節(jié)，最大限度地減少風機動力，節(jié)約運行能耗。目前對變風量空調(diào)控制方法傳統(tǒng)方法主要有：定靜壓控制、變靜壓控制、總風量控制等，但多數(shù)局限于的PID控制理論，對變風量空調(diào)這種非線性系統(tǒng)的控制精度難以保證。朱為明等人在VAV系統(tǒng)中采用神經(jīng)網(wǎng)絡(luò)預(yù)測優(yōu)化算法對變風量空調(diào)進行控制，神經(jīng)網(wǎng)絡(luò)預(yù)測優(yōu)化算法控制過程的節(jié)能范圍為：6％-13.5％，與PID控制方法相比，神經(jīng)網(wǎng)絡(luò)預(yù)測優(yōu)化算法的控制量之和減少6%以上，具有較好的節(jié)能效果。

2.2 空調(diào)水系統(tǒng)方面的應(yīng)用

中央空調(diào)水系統(tǒng)主要包括冷卻水和冷凍水系統(tǒng)，對于大型系統(tǒng)，管道長，系統(tǒng)熱容量大、慣性大，被控系統(tǒng)水溫和流速變化速度較慢，滯后現(xiàn)象嚴重，是一種典型的大滯后系統(tǒng)，對于過程純滯后非線性特性，目前過程控制傳統(tǒng)算法不具備克服滯后影響的能力，在穩(wěn)定性和響應(yīng)速度上都難以達到較好的性能指標。周洪煜等人利用了神經(jīng)網(wǎng)絡(luò)的非線性逼近特性、自學習、自組織的能力以及預(yù)測控制的滾動優(yōu)化和反饋校正的特性，建立起的中央空調(diào)水系統(tǒng)的動態(tài)模型，作為預(yù)測控制器的預(yù)測模型，不需要對被控對象進行精確的辨識， 提出的多變量神經(jīng)網(wǎng)絡(luò)預(yù)測控制系統(tǒng)具有優(yōu)良的控制效果，實現(xiàn)了空調(diào)水系統(tǒng)的自適應(yīng)控制。何厚鍵等人在中央空調(diào)水系統(tǒng)的建模與優(yōu)化研究中，利用前饋型網(wǎng)絡(luò)結(jié)合BP算法建立了冷卻塔和制冷機的神經(jīng)網(wǎng)絡(luò)模型，解決的具有高度非線性的中央空調(diào)水系統(tǒng)設(shè)備的建模問題。

2.3 制冷系統(tǒng)方面的應(yīng)用

神經(jīng)網(wǎng)絡(luò)在空調(diào)中的制冷系統(tǒng)應(yīng)用，主要體現(xiàn)在制冷機組優(yōu)化控制和制冷系統(tǒng)的故障診斷兩方面。在中央空調(diào)系統(tǒng)中制冷機組是能耗最大的設(shè)備，對制冷機組進行優(yōu)化控制，提高其運行效率，是空調(diào)系統(tǒng)節(jié)能的重要途徑之一。趙健等人在分析了影響壓縮機運行效率的主要因素基礎(chǔ)上，建立了以壓縮機入口制冷劑溫度、壓縮機出口制冷劑溫度和負荷為輸入量，最佳吸氣壓力輸出為輸出量的BP神經(jīng)網(wǎng)絡(luò)模型。通過在線修正制冷機的吸氣壓力工作點，解決變負荷下，制冷機優(yōu)化控制問題，大幅度提高制冷性能參數(shù)COP的值，降低了制冷機的運行能耗，與采用額定工況相比，采用神經(jīng)網(wǎng)絡(luò)優(yōu)化控制方法的制冷機節(jié)能量約為44.8%。

故障診斷是一種了解和掌握設(shè)備在使用過程中的技術(shù)，確定其整體或局部是否正常，早期發(fā)現(xiàn)故障及其原因并能預(yù)報故障發(fā)展趨勢的技術(shù)。在制冷系統(tǒng)的故障診斷方面，神經(jīng)網(wǎng)絡(luò)也發(fā)揮著重要作用，隨著我國空調(diào)制冷事的蓬勃發(fā)展，制冷系統(tǒng)越來越復(fù)雜，故障的潛在發(fā)生點也越來越多，制冷設(shè)備的故障檢測與診斷越來越受到人們的重視。胡正定等人在分析制冷系統(tǒng)常見故障特征的基礎(chǔ)上，建立以壓縮機進口溫度、蒸發(fā)器進口溫度、冷媒水進口溫度、冷媒水出口溫度、壓縮機排氣壓力、壓縮機吸氣壓力、壓縮機出口溫度、冷凝器出口溫度等8特征征參數(shù)作為輸入量，故障模式作為輸出量的補償模糊神經(jīng)網(wǎng)絡(luò)模型。仿真結(jié)果表明，系統(tǒng)的診斷結(jié)果且有較高的準確率。李中領(lǐng)等人在空調(diào)系統(tǒng)故障診斷中利用神經(jīng)網(wǎng)絡(luò)建立了三層BP網(wǎng)絡(luò)模型，輸入層節(jié)點個數(shù)為4，對應(yīng)于4種故障現(xiàn)象，隱含層單元個數(shù)為4，輸出層節(jié)點個數(shù)為12，對應(yīng)于12種故障原因，輸出節(jié)點值的大小反映了故障出現(xiàn)的可能性。

2.4 負荷預(yù)測方面的應(yīng)用

空調(diào)系統(tǒng)逐時負荷的準確預(yù)測是實現(xiàn)現(xiàn)代控制的前提之一，準確預(yù)測空調(diào)負荷對空調(diào)高效節(jié)能運行具有重大意義，影響空調(diào)負荷的因素有空氣溫度、濕度、太陽輻射強度、人員、設(shè)備運行情況等，空調(diào)負荷與影響因素之間是嚴重非線性的關(guān)系，具有動態(tài)性。

2.5 空調(diào)制冷系統(tǒng)的仿真設(shè)計方面的應(yīng)用

制冷空調(diào)產(chǎn)品設(shè)計中，大量地依賴樣機的反復(fù)制作與調(diào)試，使得產(chǎn)品的設(shè)計周期延長，并影響性能優(yōu)化，用計算機仿真代替樣機試驗，在計算機上面實現(xiàn)優(yōu)化設(shè)計，使得制冷空調(diào)裝置仿真技術(shù)近年來得到了迅速發(fā)展 。

2.6 大型建筑運行能耗的評價方面的應(yīng)用

大型公共建筑指非住宅的民用建筑，包括辦公樓、商場、賓館、醫(yī)院、學校等，大型公共建筑用能特點是單位面積耗能非常高，為每年100 kW/m2-300 kW/m2，而且我國大型公共建筑能源系統(tǒng)效率較低，浪費嚴重，其電耗超過公共建筑節(jié)能設(shè)計標準規(guī)定指標的10倍以上。大型公共建筑中央空調(diào)系統(tǒng)運行能耗的科學評價是對大型公共建筑進行用能科學管理的重要基礎(chǔ)，趙靖等人基于BP人工神經(jīng)網(wǎng)絡(luò)，將冷水機組、冷凍水泵、冷卻水泵、冷卻塔、其它設(shè)備月平均功率、運行時間和氣象特征共七個作為預(yù)測因子，空調(diào)系統(tǒng)總能耗為輸出量，建立了大型公共建筑系統(tǒng)運行能耗的預(yù)測評價模型，仿真結(jié)果表明，網(wǎng)絡(luò)的平均預(yù)測誤差輸出值約為3.3E-014，可以滿足實際應(yīng)用的要求。

3 發(fā)展方向

人工神經(jīng)網(wǎng)絡(luò)基于較強的學習能力、自適應(yīng)能力、容錯能力和聯(lián)想能力，在暖通空調(diào)領(lǐng)域中的應(yīng)用已經(jīng)取得了突破性的進展。今后的發(fā)展方向主要有兩個方面，首先，不斷改進神經(jīng)網(wǎng)絡(luò)性能，提高其預(yù)測和控制精確度；另外，逐步使神經(jīng)網(wǎng)絡(luò)的實現(xiàn)由軟件實現(xiàn)過渡到硬件實現(xiàn)，擴大其在空調(diào)領(lǐng)域的應(yīng)用范圍，也是今后的研究方向之一。

參考文獻

[1]胡守仁.神經(jīng)網(wǎng)絡(luò)導(dǎo)論[M].北京:國防科技大學出版社,1999.

[2]候媛彬,杜京義,汪梅.神經(jīng)網(wǎng)絡(luò)[M].西安電子科技大學出版社,2007.

第8篇：人工神經(jīng)網(wǎng)絡(luò)改進范文

關(guān)鍵詞：化工類上市公司 財務(wù)危機 非線性分析方法

一、引言

國內(nèi)目前的化工行業(yè)產(chǎn)品齊全，生產(chǎn)與銷售量較大，是全球化工生產(chǎn)和消費的大國之一，為國民經(jīng)濟的增長、提高人民消費水平貢獻了巨大力量。但隨著經(jīng)濟不斷發(fā)展和人民消費水平不斷提高，化工產(chǎn)業(yè)的經(jīng)營環(huán)境將面臨嚴峻的考驗，此時做好公司的財務(wù)管理，減少危機的發(fā)生率是保證企業(yè)正常生產(chǎn)運營的有效途徑之一，并達到增強化工行業(yè)企業(yè)生命力的效果。因此，對財務(wù)危機預(yù)警進行探討顯得十分重要。

二、財務(wù)危機預(yù)警系統(tǒng)的涵義

財務(wù)危機，是指企業(yè)經(jīng)營與財務(wù)周轉(zhuǎn)不靈，使得公司經(jīng)歷無法按時償還債務(wù)本息的窘境而最終導(dǎo)致破產(chǎn)的狀態(tài)，又稱財務(wù)困境或者財務(wù)失敗。法律上的企業(yè)危機特指企業(yè)破產(chǎn)。

財務(wù)危機預(yù)警系統(tǒng)是是在企業(yè)信息化的基礎(chǔ)上，借助一定的數(shù)學模型，考慮其超前預(yù)測效果，根據(jù)經(jīng)營計劃、企業(yè)財務(wù)報表和相關(guān)的其他財務(wù)資料發(fā)出預(yù)警信號，通過此信號辨別財務(wù)危機的有無或嚴重程度的一種監(jiān)測系統(tǒng)和風險控制機制。

三、化工類上市公司財務(wù)危機預(yù)警的基本分析方法

財務(wù)危機預(yù)警通常需要由發(fā)達的證券市場提供原始數(shù)據(jù)，并通過實證的分析方法對這些數(shù)據(jù)進行分析。我國對財務(wù)危機預(yù)警的方法很多，主要有單變量分析法、二類線性判定分析、Z分數(shù)模型、F分數(shù)模型、基于Jackknife檢驗?zāi)Ｐ?、基于粗?模糊神經(jīng)網(wǎng)絡(luò)（Rough-Fuzzy-ANN）的模型和基于BP算法的人工神經(jīng)網(wǎng)絡(luò)模型。本文著重介紹最后一種模型，因為前面的模型方法只是一些比較常規(guī)的線性分析方法，不適合用于化工類上市公司財務(wù)危機預(yù)警系統(tǒng)的建立，因為化工業(yè)的內(nèi)容涵蓋較為廣泛，就目前來說國內(nèi)化工業(yè)包含天然氣、石油和煤炭等行業(yè)，他們具有不同特色，僅僅采用線性的常規(guī)分析方法則會造成較大誤差。而采用基于BP算法的人工神經(jīng)網(wǎng)絡(luò)作為一種定性分析，不需要假定事先概率分布或者多變量正態(tài)分布就能通過其本身采用的非線性關(guān)系準確識別和模擬數(shù)據(jù)，因而符合化工類上市公司的復(fù)雜性和綜合性。

人工智能領(lǐng)域中的重要分支之一則是人工神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)系統(tǒng)是由大量簡單的神經(jīng)元通過多種組合關(guān)系互相連接而形成的，是一種模擬人類大腦結(jié)構(gòu)的用于并行大規(guī)模處理非線性問題的抽象計算模型。而所謂的BP算法是一種前向計算、誤差反向傳播的多層反饋神經(jīng)網(wǎng)絡(luò)。結(jié)合BP算法和人工神經(jīng)網(wǎng)絡(luò)則形成了一種典型的非線性分析方法，即基于BP算法的人工神經(jīng)網(wǎng)絡(luò)，它以人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)為基礎(chǔ)，主要有三大部分組成：一個輸入層、隱含層（可以是多個）、輸出層，在此基礎(chǔ)上引入BP算法，將由作用函數(shù)運算后的輸出結(jié)果與期望值作對比，如果誤差在允許范圍內(nèi)則停止傳播，反之則向反方向傳播誤差，達到控制誤差的目的，使輸出值符合精度的要求。

四、財務(wù)危機預(yù)警存在的問題及改進方法

高速發(fā)展的市場經(jīng)濟和日益成熟的證券市場使我國不少上市公司頻繁陷入財務(wù)危機，而具有高投資、大規(guī)模和長周期特點的化工類上市公司的財務(wù)質(zhì)量對國民與市場經(jīng)濟、企業(yè)投資者利益及社會的影響較為顯著，因此對其財務(wù)危機的預(yù)測要求將越來越高，而由于我國這方面的起步較晚，研究時間相對西方國家來說相對較短，雖然已得到一些成果，但此研究還存在較多問題。以下針對幾個問題提出相關(guān)建議。

1、證券市場不完善

通過上述分析可知，建立財務(wù)危機預(yù)警系統(tǒng)需要原始數(shù)據(jù)，而這些數(shù)據(jù)來自于證券市場。若證券市場不夠完善，即使采用精度較高的模型來進行分析，提供的數(shù)據(jù)就會對結(jié)果產(chǎn)生相對較大的誤差，這將影響預(yù)警系統(tǒng)輸出結(jié)果的精度。正所謂磨刀不誤砍柴工，對此首先要完善證券市場，才能使上市公司財務(wù)危機預(yù)警達到一定效果。

2、模型缺乏理論依據(jù)

無論是國內(nèi)還是國外，目前沒有一個重要的理論能夠說明財務(wù)比率在破產(chǎn)前的預(yù)測能力，說明支持財務(wù)危機預(yù)警系統(tǒng)的理論依據(jù)都比較薄弱。預(yù)測模型只能通過實證研究得到，從而影響預(yù)測模型的可靠性。為此，需要從理論出發(fā)，建立一個有說服力的優(yōu)選預(yù)警變量的理論框架。

3、適合化工類上市公司財務(wù)危機預(yù)警的模型較少

只有采用非線性分析的模型才能準確地對化工類上市公司的財務(wù)危機進行預(yù)測，而前人提出的常規(guī)分析模型是基于線性分析的，若采用這些模型將造成較大的誤差。目前主要采用的非線性分析模型是基于BP算法的人工神經(jīng)網(wǎng)絡(luò)模型，雖然目前的預(yù)警結(jié)果相對準確，但面對市場經(jīng)濟的發(fā)展，也許誤差會不斷增大，因此亟需廣大學者對基于非線性分析的預(yù)警模型進行研究。

四、結(jié)語

建立財務(wù)危機預(yù)警系統(tǒng)的目的是幫助企業(yè)及時處理和解決預(yù)警系統(tǒng)提前預(yù)測出的潛在風險。通過對預(yù)警系統(tǒng)的現(xiàn)狀研究，大多數(shù)財務(wù)危機預(yù)警的分析方法具有局限性，即判別方法僅對同一行業(yè)有效，而化工類上市公司的綜合性較強，從而限制了常規(guī)線性分析方法的使用，目前針對化工類的BP 人工神經(jīng)網(wǎng)絡(luò)財務(wù)危機預(yù)警研究方法是較能行之有效的，從而充分體現(xiàn)了該技術(shù)在危機預(yù)警方面的優(yōu)勢，但在財務(wù)指標的篩選上還是存在較大誤差，模型還不夠簡化等缺點，因此說明化工類上市公司的財務(wù)危機預(yù)警系統(tǒng)還存在較多問題，限于篇幅，本文只列出幾條?？偠灾?，財務(wù)危機預(yù)警的問題不容忽視，特別是在市場經(jīng)濟競爭十分激烈與險惡的環(huán)境下。這項任重道遠的系統(tǒng)工程需要廣大學者的不斷深入探討與實踐，使其發(fā)揮良好的實用價值。

參考文獻：

[1]周春生.企業(yè)風險與危機管理[M].北京大學出版社，2007

[2]楊淑娥.企業(yè)多層次財務(wù)危機預(yù)警研究方法與應(yīng)用[M]，經(jīng)濟科學出版社，2009

第9篇：人工神經(jīng)網(wǎng)絡(luò)改進范文

【關(guān)鍵詞】系統(tǒng)辨識 神經(jīng)網(wǎng)絡(luò) 遺傳算法 模糊邏輯

一、引言

系統(tǒng)辨識屬于現(xiàn)代控制工程范疇，是以研究建立一個系統(tǒng)的數(shù)學模型的技術(shù)方法。分析法和實驗法是主要的數(shù)學模型建立方法。系統(tǒng)辨是一種實驗建立數(shù)學模型的方法，可實時建模，滿足不同模型建立的需求。L.A.Zadeh于1962年提出系統(tǒng)辨識的定義：在輸入、輸出的基礎(chǔ)上，確定一個在一定條件下與所觀測系統(tǒng)相等的系統(tǒng)。系統(tǒng)辨識技術(shù)主要由系統(tǒng)的結(jié)構(gòu)辨識和系統(tǒng)的參數(shù)估計兩部分組成。

系統(tǒng)的數(shù)學表達式的形式稱之為系統(tǒng)的結(jié)構(gòu)。對SISO系統(tǒng)而言，系統(tǒng)的階次為系統(tǒng)的機構(gòu)；對多變量線性系統(tǒng)而言，模型結(jié)構(gòu)就是系統(tǒng)的能控性結(jié)構(gòu)指數(shù)或能觀性結(jié)構(gòu)指數(shù) 。但實際應(yīng)用中難以找到與現(xiàn)有系統(tǒng)等價的模型。因此，系統(tǒng)辨識從實際的角度看是選擇一個最好的能擬合實際系統(tǒng)輸入輸出特性的模型。

本文介紹一些新型的系統(tǒng)辨識方法，體現(xiàn)新型方法的優(yōu)勢，最后得出結(jié)論。

二、基于神經(jīng)網(wǎng)絡(luò)的非線性系統(tǒng)辨識方法

近年來，人工神經(jīng)網(wǎng)絡(luò)得到了廣泛的應(yīng)用，尤其是在模式識別、機器學習、智能計算和數(shù)據(jù)挖掘方面。人工神經(jīng)網(wǎng)絡(luò)具有較好的非線性計算能力、并行計算處理能力和自適應(yīng)能力，這為非線性系統(tǒng)的辨識提供了新的解決方法。

結(jié)合神經(jīng)網(wǎng)絡(luò)的系統(tǒng)辨識法被用于各領(lǐng)域的研究，并不斷提出改進型方法，取得了較好的進展。如劉通等人使用了徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)對伺服電機進行了辨識，使用了梯度下降方法進行訓(xùn)練，確定系統(tǒng)參數(shù)；張濟民等人對擺式列車傾擺控制系統(tǒng)進行了改進，使用BP神經(jīng)對傾擺控制系統(tǒng)進行辨識；崔文峰等人將最小二乘法與傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)結(jié)合，改善了移動機器人CyCab的運行系統(tǒng)。

與傳統(tǒng)的系統(tǒng)識別方法相比較，人工神經(jīng)網(wǎng)絡(luò)具有較多優(yōu)點：

（一）使用神經(jīng)元之間相連接的權(quán)值使得系統(tǒng)的輸出可以逐漸進行調(diào)整；

（二）可以辨識非線性系統(tǒng)，這種辨識方法是通過神經(jīng)網(wǎng)絡(luò)自身來進行，無需編程；

（三）無需對系統(tǒng)建行數(shù)模，因為神經(jīng)網(wǎng)絡(luò)的參數(shù)已都反映在內(nèi)部；

（四）神經(jīng)網(wǎng)絡(luò)的獨立性強，它采用的學習算法是它收斂速度的唯一影響因素；

（五）神經(jīng)網(wǎng)絡(luò)也適用于在線計算機控制。

三、基于遺傳算法的非線性系統(tǒng)辨識方法

遺傳算法是一種新型的求解最優(yōu)算法，它的思想來源于資源遺傳學，結(jié)合了自然選擇的優(yōu)點與數(shù)學概率性算法，具有諸多優(yōu)點，如全范圍的搜索域、求取的解為全局最優(yōu)和接受任意性質(zhì)的函數(shù)，因此在各領(lǐng)域都有廣泛的應(yīng)用。

雷旭升等人[5]使用了遺傳算法對小型無人飛行器的動力學模型進行高精度的構(gòu)建，并對構(gòu)建的系統(tǒng)進行了仿真，驗證了系統(tǒng)的有效性；趙靜等人[6]對人體能量代謝分析儀氣體流量系統(tǒng)進行了模型建立，使用遺傳算法解決了傳統(tǒng)系統(tǒng)辨識方法辨識時產(chǎn)生的較大時延和誤差較大的問題。

四、基于模糊理論的非線性系統(tǒng)辨識方法

近年來，模糊邏輯理論在非線性系統(tǒng)辨識領(lǐng)域中得到廣泛的應(yīng)用，用模糊集合理論，從系統(tǒng)輸入和輸出量測值來辨識系統(tǒng)的模糊模型，是系統(tǒng)辨識的有效途徑。模型結(jié)構(gòu)辨識和模型參數(shù)預(yù)計是模糊建模的主要內(nèi)容。常用的模型是T-S模型，T-S模型具有計算速度快、結(jié)構(gòu)模型易觀、逼近力強等特點。

趙宏偉等人[7]提出了一種基于系統(tǒng)辨識的自適應(yīng)網(wǎng)絡(luò)模型，建立T-S推理模型系統(tǒng)，并應(yīng)用于磨礦控制領(lǐng)域；李超順等人[8]針對水輪機調(diào)節(jié)系統(tǒng)的復(fù)雜性、非線性和難以用明確數(shù)學模型表達的特點，建立了該系統(tǒng)的T-S模型，實現(xiàn)了模糊模型結(jié)構(gòu)的自適應(yīng)優(yōu)化；葉劍斌[9]等人針對了現(xiàn)有算法中容易出現(xiàn)的維數(shù)災(zāi)難，同時將模糊語言理論和支持向量機的方法結(jié)合，提出了一種組合方法，提高了函數(shù)逼近的能力。此外，還有一些綜合上述三種方法的組合型辨識的方法。

五、結(jié)語

近年來，系統(tǒng)辨識的方法得到了不斷的發(fā)展，系統(tǒng)辨識已經(jīng)成為了現(xiàn)代控制工程領(lǐng)域中十分重要的技術(shù)與研究方向。隨著人工神經(jīng)網(wǎng)絡(luò)、模糊邏輯理論、遺傳算法、人工智能理論的成熟發(fā)展，越來越多的新型非線性系統(tǒng)辨識方法被不斷提出，且在實際工程應(yīng)用中得到了有效性驗證與較好的效果。但對于現(xiàn)實工程中結(jié)構(gòu)復(fù)雜的各種系統(tǒng)難以找到一個統(tǒng)一的系統(tǒng)辨識方法，因此研究需要更多的新型非線性系統(tǒng)辨識方法去解決實際工程應(yīng)用中出現(xiàn)的問題。對傳統(tǒng)的系統(tǒng)辨識方法進行不斷完善將是系統(tǒng)辨識未來的發(fā)展方向。

參考文獻：

[1]王樂一，趙文. 系統(tǒng)辨識：新的模式、挑戰(zhàn)及機遇[J].自動化學報，2013，39（9）：933-942.

[2]劉通.基于RBF神經(jīng)網(wǎng)絡(luò)的某交流伺服系統(tǒng)辨識研究[J].機械制造與自動化，2013，（2）：113-115.

[3]張濟民，王開文，池茂儒.基于BP神經(jīng)網(wǎng)絡(luò)擺式列車傾擺控制系統(tǒng)的辨識[J] .機床與液壓，2003，（5） ：33-35.

[4]崔文峰，史儀凱.移動機器人的鍵合圖建模與參數(shù)辨識[J].機械科學與技術(shù)，2012，31（7） ：1062-1065.

[5]雷旭升，白浪.基于自適應(yīng)遺傳算法的小型無人旋翼機系統(tǒng)辨識方法[J].機器人，2011，33（5）：528-532.

[6] 趙靜，郭巧，王萍.基于遺傳算法的人體能量代謝分析系統(tǒng)辨識[J] .控制工程，2004，11（1）：17-19.

[7] 趙宏偉，齊一名，臧雪柏等.基于系統(tǒng)辨識與T―S模糊神經(jīng)網(wǎng)絡(luò)的磨礦分級控制[J].吉林大學學報：工學版，2011，41（1） ：171-175.