神經(jīng)網(wǎng)絡(luò)的功能精選(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)的功能主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：神經(jīng)網(wǎng)絡(luò)的功能范文

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)；智能設(shè)計(jì)；特征編碼；智能推理；基于知識(shí)的工程(KBE)

中圖分類(lèi)號(hào)：TP391文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044(2011)16-3917-03

Research and Implementation of Intelligent Design System Based on Artificial Neural Network

WU Zheng

(The CAD Research Center of Tongji University, Shanghai 200092)

Abstract：Axisymmetric part of the design for the introduction of the concept of the feature encoded file, its characteristic features in a coded form to be expressed. In order to achieve intelligent process state model output, the use of artificial neural networks for automatic reasoning capabilities. Through the intelligent reasoning system to remove the experience of design continued exploration and improvement, will be part of the feature modeling input, the system can automatically determine the parts of the process, then automate production. The intelligent system can help developers and designers to quickly produce design example, so developers can focus more on product innovation activities of enterprises to improve product design and R & D has important practical significance.

Key words: neural network; intelligent design; feature coding; intelligent reasoning; KBE

產(chǎn)品工藝設(shè)計(jì)是產(chǎn)品開(kāi)發(fā)的首要環(huán)節(jié)，也是關(guān)系到產(chǎn)品設(shè)計(jì)成功與否的核心問(wèn)題。提高工藝設(shè)計(jì)集成化、系統(tǒng)化和智能化程度，實(shí)現(xiàn)經(jīng)驗(yàn)設(shè)計(jì)向科學(xué)設(shè)計(jì)的飛躍是研究人員多年追求的目標(biāo)。而智能設(shè)計(jì)作為現(xiàn)階段的熱點(diǎn)技術(shù)，吸引了越來(lái)越多的專家和學(xué)者的目光。[1]伴隨著計(jì)算機(jī)軟硬件的成熟，以及圖形圖像學(xué)、CAD、人工智能設(shè)計(jì)技術(shù)和工藝模式理論的發(fā)展，顯著的提高了設(shè)計(jì)的質(zhì)量和效率，大大縮短了設(shè)計(jì)周期和工時(shí)，形成了工藝設(shè)計(jì)的的新領(lǐng)域，對(duì)我國(guó)智能設(shè)計(jì)和計(jì)算機(jī)輔助設(shè)計(jì)的發(fā)展起到了極其重要的推動(dòng)作用。[2]

1 人工神經(jīng)網(wǎng)絡(luò)智能設(shè)計(jì)系統(tǒng)模型的表達(dá)

1.1 智能設(shè)計(jì)系統(tǒng)的體系結(jié)構(gòu)

該智能設(shè)計(jì)系統(tǒng)主要的結(jié)構(gòu)模塊如圖1所示。本文將該智能設(shè)計(jì)系統(tǒng)主要?jiǎng)澐譃橐韵聨讉€(gè)模塊，特征造型器主要將零件的特征進(jìn)行錄入，數(shù)據(jù)會(huì)同用戶的輸入數(shù)據(jù)共同進(jìn)入特征編碼器；特征編碼器相當(dāng)于一個(gè)接口，將形式數(shù)據(jù)轉(zhuǎn)化為模式映射器能夠識(shí)別的規(guī)范化數(shù)據(jù)（即特征編碼文件），在模式映射器內(nèi)部，通過(guò)神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)的處理，同時(shí)結(jié)合已有的經(jīng)驗(yàn)知識(shí)庫(kù)、材料庫(kù)、規(guī)則設(shè)計(jì)庫(kù)、工藝特征庫(kù)、映射規(guī)則和標(biāo)準(zhǔn)庫(kù)的數(shù)據(jù)交互，將數(shù)據(jù)輸出到數(shù)值公式計(jì)算模塊。數(shù)值公式計(jì)算模塊主要是在具體的場(chǎng)景中將約束條件進(jìn)行量化，結(jié)合具體的設(shè)計(jì)要求將工藝設(shè)計(jì)順序進(jìn)行調(diào)整。最后將結(jié)果反饋到用戶界面，實(shí)現(xiàn)智能設(shè)計(jì)。

1.2 KBE思想和本系統(tǒng)的有機(jī)結(jié)合

在工程實(shí)踐中，人們發(fā)現(xiàn)專家知識(shí)一般來(lái)源于該領(lǐng)域內(nèi)專家的經(jīng)驗(yàn)和積累，具有很大程度的不確定性和模糊性，這對(duì)于知識(shí)的交流和繼承帶來(lái)了很大的困難。歐洲面向KBE應(yīng)用的方法和軟件工具研究聯(lián)盟提出了KBE的概念，KBE是計(jì)算機(jī)輔助工程領(lǐng)域的一個(gè)進(jìn)步，它是一種將面向?qū)ο蠓椒?Object Oriented Methods)、AI和CAD技術(shù)三者集成的工程方法，能夠提供設(shè)計(jì)過(guò)程客戶化、變量化和自動(dòng)化的解決方案[3-4]。，我們認(rèn)為：KBE是通過(guò)知識(shí)驅(qū)動(dòng)和繁衍，對(duì)工程問(wèn)題和任務(wù)提供最佳解決方案的計(jì)算機(jī)集成處理技術(shù)，是AI和CAx技術(shù)的有機(jī)融合。[5-6]

KBE系統(tǒng)的要點(diǎn)主要是知識(shí)的表示、知識(shí)建模、知識(shí)推理和知識(shí)的繁衍。本系統(tǒng)主要通過(guò)特征造型器進(jìn)行知識(shí)的表示，進(jìn)而在特征編碼器中對(duì)所得知識(shí)建模，形成了特征編碼文件。模式映射器利用人工神經(jīng)網(wǎng)絡(luò)對(duì)于特征編碼文件進(jìn)行不斷的映射，實(shí)現(xiàn)了知識(shí)推理；同時(shí)模式映射器將學(xué)習(xí)所得的知識(shí)存儲(chǔ)在相應(yīng)的知識(shí)庫(kù)中，進(jìn)行知識(shí)繁衍。將經(jīng)驗(yàn)知識(shí)和隱形知識(shí)轉(zhuǎn)化為顯式知識(shí)，實(shí)現(xiàn)了智能系統(tǒng)的關(guān)鍵一步。我們將KBE的思想結(jié)合到本文所開(kāi)發(fā)的系統(tǒng)中來(lái)。

2 零件的工藝特征及特征的編碼

2.1 特征的確定和數(shù)字化表達(dá)

首先我們需要確定零件的特征，進(jìn)而將零件的特征數(shù)字化。本文根據(jù)以下原則確立零件的特征：

1）現(xiàn)實(shí)性。零件的特征是客觀存在的，不因人的主觀意志的轉(zhuǎn)移而改變?cè)撎卣鳌?）可測(cè)量性。相比于傳統(tǒng)的經(jīng)驗(yàn)化設(shè)計(jì)模式，能夠準(zhǔn)確的測(cè)量和量化零件特征是智能設(shè)計(jì)的重要要求。3）唯一性。作為零件信息的重要載體，特征的無(wú)歧義性是需要重點(diǎn)考慮的原則，不能同時(shí)將一個(gè)特征收錄到兩個(gè)屬性中，進(jìn)而造成建模中零件屬性的混亂。

本文主要針對(duì)軸對(duì)稱的零件工藝模式，我們將主要研究零件的以下特征：沖孔、翻邊、正向拉深、反向拉深、帶孔小階梯成形法等。

考慮到神經(jīng)網(wǎng)絡(luò)我們采用的是S型參數(shù)，所以我們將特征編碼確定為0到1之間的數(shù)，本文共確定了10種特征形狀。如表1所示。

通過(guò)確定特征參數(shù)，進(jìn)而可以構(gòu)建特征造型器，特征造型器以零件的實(shí)體特征為基礎(chǔ)，結(jié)合零件的幾何信息和拓?fù)湫畔ⅲ瑢?shù)化設(shè)計(jì)思想和特征編碼思想統(tǒng)一，用尺寸驅(qū)動(dòng)的方法來(lái)定義特征，便于計(jì)算機(jī)對(duì)于零件特征的識(shí)別和處理。

2.2 面向?qū)ο蟮奶卣鹘ＵZ(yǔ)言

由于在實(shí)際設(shè)計(jì)征的復(fù)雜性和多樣性，而面向?qū)ο蟮恼Z(yǔ)言具有數(shù)據(jù)的封裝性、數(shù)據(jù)與操作的集成性、對(duì)象重載、現(xiàn)實(shí)世界對(duì)象的數(shù)據(jù)和行為的全面抽象、對(duì)象數(shù)據(jù)的繼承性等等許多的優(yōu)點(diǎn)，目前已成為設(shè)計(jì)領(lǐng)域廣泛采用的設(shè)計(jì)手段，應(yīng)用在特征設(shè)計(jì)領(lǐng)域，可將特征的對(duì)象數(shù)據(jù)類(lèi)型抽象出來(lái)。

特征對(duì)象首先具有本身的特征尺寸和屬性，考慮到具體的應(yīng)用，這些尺寸要能夠?qū)崿F(xiàn)參數(shù)化，除此之外，還具有公差、材料、技術(shù)設(shè)計(jì)要求等信息；特征的操作類(lèi)型主要分為兩種：一種是成型過(guò)程，即所謂的造型映射，另一種操作是特征在零件上的形成位置即有關(guān)位置的變動(dòng)操作。在這兩種操作中，造型映射與工藝設(shè)計(jì)的過(guò)程聯(lián)系緊密，而特征位置操作則與產(chǎn)品的設(shè)計(jì)過(guò)程相關(guān)。下面主要是該特征對(duì)象的基類(lèi)型的原型定義。

class Feature

{Stringfeature ;//零件對(duì)象的三維實(shí)體名。

StringName;//零件特征名。

Stringmaterial;//特征的材料。

intfeature_parametre; //特征尺寸的參數(shù)。

intfeature_num.;// 特征類(lèi)型的編號(hào)。

intfeature_code;// 特征的編碼。

intpt1,pt2,pt3;//特征基點(diǎn)的坐標(biāo)。

int angle1,angle2,angle3;//特征在三維空間中與X, Y, Z軸的夾角。

Public:

virtualvoidmodel();//構(gòu)造三維實(shí)體特征。

virtualvoidlocate();//確定特征的空間位置。

voidmove (ap_solid *sol, ap_real tx, ap_real ty, ap_real tz);//將特征移動(dòng){tx,ty,tz}。

voidrotate (ap_solid *sol, ap_real rx, ap_real ry, ap_real rz);//將特征旋轉(zhuǎn)。

void chang_feature_para (int class_name, ap_solid *sol, ads_point pt, ap_direc ang, feature_parametre, void model); //該特征的幾何尺寸的參數(shù)化修改操作。

voidcal_area(); // 特征面積的計(jì)算。

voidcal_circl();//特征周長(zhǎng)的計(jì)算。

}

通過(guò)實(shí)例化語(yǔ)言，我們能夠?qū)α慵奶卣鬟M(jìn)行描述，進(jìn)而便于計(jì)算機(jī)識(shí)別和處理。特征編碼的構(gòu)造加入到零件基類(lèi)中，具體零件的定義將繼承特征編碼的操作，并能夠進(jìn)行適當(dāng)?shù)闹剌d。

3 特征編碼器和特征編碼文件

將特征數(shù)字化表示后，本系統(tǒng)主要通過(guò)特征編碼器將特征組成特征編碼文件，使后續(xù)的人工神經(jīng)網(wǎng)絡(luò)能夠?qū)ξ募M(jìn)行處理。有了特征編碼，我們能夠讓機(jī)器識(shí)別特征；但是為了保存特征的其他信息，如沖孔工藝中孔的直徑，翻邊的高度等等，我們引入了特征參數(shù)的概念。特征參數(shù)即為了更明確的定義特征的幾何、物理屬性，跟隨在特征編碼后面的一系列數(shù)值。圖3表示了部分特征編碼所對(duì)應(yīng)的特征參數(shù)。

我們將特征編碼和特征參數(shù)組成特征編碼文件，輸入到模式映射器中。特征編碼文件的格式為：每一行表示切僅表示一個(gè)特征，其中第一個(gè)數(shù)字為特征編碼，特征參數(shù)在特征編碼之后給出。圖4顯示了一個(gè)特征編碼文件的實(shí)例。

4 智能設(shè)計(jì)系統(tǒng)中工藝模式的生成、映射以及神經(jīng)網(wǎng)絡(luò)的構(gòu)造

4.1 工藝模式映射的過(guò)程

我們將零件的特征編碼文件輸入人工神經(jīng)網(wǎng)絡(luò)后，人工神經(jīng)網(wǎng)絡(luò)進(jìn)行反向推理，將零件的成型信息反向輸出，同時(shí)結(jié)合知識(shí)庫(kù)、材料庫(kù)等已有的信息，輸出結(jié)果。

工藝模式用于指導(dǎo)工藝計(jì)算模塊的工作，而經(jīng)過(guò)特征造型之后的零件信息只有特征編碼文件。因此，人工神經(jīng)網(wǎng)絡(luò)的任務(wù)就是根據(jù)零件的特征編碼組信息，推導(dǎo)出生成零件的各個(gè)中間成形形狀的特征編碼組，以及各個(gè)中間形狀在零件成形過(guò)程中的排列順序。

因?yàn)閷?duì)于神經(jīng)網(wǎng)絡(luò)來(lái)講，得到的是設(shè)計(jì)者輸入的零件模式信息，輸出是零件成形的各個(gè)中間狀態(tài)（特征編碼表示），這就決定了工藝模式在神經(jīng)網(wǎng)絡(luò)中的映射過(guò)程是一個(gè)“逆順序”的過(guò)程，這一過(guò)程又可以描述為“反推導(dǎo)”過(guò)程，即：將零件的特征編碼組（零件模式）輸入到經(jīng)過(guò)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)中，由其輸出該零件成形的各個(gè)過(guò)程的中間形狀的特征編碼（中間形狀模式）。我們以計(jì)算機(jī)的視角來(lái)看待零件的分解，即：零件->特征->特征編碼文件->人工神經(jīng)網(wǎng)絡(luò)。在人工神經(jīng)網(wǎng)絡(luò)中，特征編碼文件被反編譯，特征結(jié)構(gòu)后得出特征形成的順序，進(jìn)而輸出，即：人工神經(jīng)網(wǎng)絡(luò)->特征反編譯->特征工藝序列->特征編碼組->特征->零件。由此可見(jiàn)，人工神經(jīng)網(wǎng)絡(luò)是用于處理工藝模式的主要工具，在前面的特征造型器、特征編碼器中生成的零件的工藝模式，以及特征編碼組等概念，都是為了便于神經(jīng)網(wǎng)絡(luò)的處理而建立的。

最后，由這些“中間形狀模式”、“零件模式”等特征編碼組信息及其排列順序，組成該零件成形的“工藝模式”信息文件。這一過(guò)程，就是以零件模式作為輸入、以經(jīng)過(guò)訓(xùn)練。

4.2 神經(jīng)網(wǎng)絡(luò)的比較及選擇

人工神經(jīng)網(wǎng)絡(luò)用于工藝模式映射的工作主要是以下幾個(gè)：1）是針對(duì)輸入的零件模式經(jīng)過(guò)映射后輸出該零件成形的中間形狀；2）生成按照工藝成形的過(guò)程而排列的零件成形中間形狀的排列順序；3）進(jìn)行反向?qū)W習(xí)，從輸入的特征編碼文件中提取零件成型順序，存儲(chǔ)到知識(shí)庫(kù)中。[7]

神經(jīng)網(wǎng)絡(luò)主要由以下幾類(lèi)：1）分解映射結(jié)構(gòu)；2）集中映射結(jié)構(gòu)；3）前向網(wǎng)絡(luò)；4）集中反饋式網(wǎng)絡(luò)。[8]

我們選擇的是集中反饋式的神經(jīng)網(wǎng)絡(luò)，相比于其他類(lèi)型的網(wǎng)絡(luò)，反饋式結(jié)構(gòu)的優(yōu)點(diǎn)是：統(tǒng)一的網(wǎng)絡(luò)便于訓(xùn)練模式的組織和映射工作的開(kāi)展；輸入單元和輸出單元的數(shù)目相同，可以形成對(duì)稱的網(wǎng)絡(luò)結(jié)構(gòu)，使得網(wǎng)絡(luò)的穩(wěn)定性和收斂性有了保障；工藝模式的成形順序性問(wèn)題不占用網(wǎng)絡(luò)的實(shí)際結(jié)構(gòu)形式，順序性問(wèn)題轉(zhuǎn)化為反饋映射的順序問(wèn)題，映射的順序代表成形的順序；網(wǎng)絡(luò)在結(jié)構(gòu)上將保證各個(gè)單步成形映射的準(zhǔn)確性，從而提高網(wǎng)絡(luò)的訓(xùn)練質(zhì)量。[9]

表2給出了神經(jīng)網(wǎng)絡(luò)訓(xùn)練的相關(guān)內(nèi)容，由于神經(jīng)網(wǎng)絡(luò)中節(jié)點(diǎn)和隱層數(shù)目的不同會(huì)極大的影響神經(jīng)網(wǎng)絡(luò)的性能，本文主要對(duì)各個(gè)不同的網(wǎng)絡(luò)進(jìn)行了比較，得出了一個(gè)最優(yōu)的網(wǎng)絡(luò)（即網(wǎng)絡(luò)7）。

5 實(shí)例模型

本文在研究的基礎(chǔ)上開(kāi)發(fā)了一個(gè)應(yīng)用實(shí)例，該實(shí)例主要是設(shè)計(jì)者將零件的特征編碼和特征參數(shù)輸入系統(tǒng)后，經(jīng)過(guò)神經(jīng)網(wǎng)絡(luò)的智能推理，將輸出反饋到設(shè)計(jì)平臺(tái)上。

系統(tǒng)首先進(jìn)行特征編碼的輸入，以確定零件的特征造型；然后輸入每一個(gè)特征編碼對(duì)應(yīng)的特征參數(shù)，圖5顯示了拉深工序?qū)?yīng)的特征參數(shù)的錄入。特征參數(shù)錄入完成后可以選擇繼續(xù)添加特征或者生成特征編碼文件。圖6為一個(gè)以記事本方式打開(kāi)的特征編碼文件。將特征編碼文件輸入人工神經(jīng)網(wǎng)絡(luò)，對(duì)應(yīng)的輸出為特征造型順序文件（Y.SFM），數(shù)值公式計(jì)算模塊處理該文件，最后給出智能設(shè)計(jì)工藝流程（圖7）。

圖5特征參數(shù)錄入 圖6特征編碼文件圖7 智能設(shè)計(jì)系統(tǒng)給出的零件成型順序及計(jì)算結(jié)果

6 結(jié)論

本文提出了軸對(duì)稱零件成型工藝的產(chǎn)品建模方法，然后給出了面向?qū)ο蟮慕ＵZ(yǔ)言，能夠量化表示零件的特征，在將零件的特征編碼文件通過(guò)神經(jīng)網(wǎng)絡(luò)映射和輸出的同時(shí)，運(yùn)用KBE系統(tǒng)的自學(xué)習(xí)理念，將習(xí)得的知識(shí)存儲(chǔ)。實(shí)踐表明，通過(guò)人工神經(jīng)網(wǎng)絡(luò)和工藝智能設(shè)計(jì)系統(tǒng)的應(yīng)用，能夠解決實(shí)際的零件設(shè)計(jì)成型問(wèn)題。

參考文獻(xiàn)：

[1] 高偉.工藝設(shè)計(jì)信息系統(tǒng)中的知識(shí)發(fā)現(xiàn)技術(shù)研究[D].成都:四川大學(xué),2005:22-23.

[2] 羅小賓.機(jī)械產(chǎn)品圖像識(shí)別技術(shù)及其在反求設(shè)計(jì)中的應(yīng)用研究[D].成都:四川大學(xué),2004:15-16.

[3] The Knowledge Engineering and Management Centre at Coventry University,UK,[EB/OL].kbe.cov.ar.uk.

[4] MOKA-Methodology & soft-ware tools-- Knowledge based engineering Applications[M].ESPRIT proposal EP25418,1997.

[5] Peng Ying-hong,Zhao Zhen,Ruen Xue-yu.Application of KBE technology in Die & Mold Design[J].International Conference on Die end Mold Technology, Beijing,2000,90-86.

[6] Peng Ying-hong,Zhao Zhen,Ruen Xue.KBE technology in Engineering Design[J].International Conference on Engineering end Technological Sciences 2000, Beijing,2000:94-100

[7] 劉振凱.智能CAD人工神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的模型和結(jié)構(gòu)[J].中國(guó)機(jī)械工程,1997(2).

[8] 肖人彬.智能設(shè)計(jì):概念、發(fā)展與實(shí)踐[J].中國(guó)機(jī)械工程,1997,8(2):61-64.

第2篇：神經(jīng)網(wǎng)絡(luò)的功能范文

 

計(jì)算機(jī)網(wǎng)絡(luò)的快速發(fā)展和技術(shù)的廣泛應(yīng)用給人們的生產(chǎn)生活提供了便利，但同時(shí)，也帶來(lái)了一些不容忽視的安全隱患。近年來(lái)，影響計(jì)算機(jī)安全的因素很多，例如犯罪團(tuán)伙利用網(wǎng)絡(luò)等高科技進(jìn)行犯罪的案例屢見(jiàn)不鮮。對(duì)此進(jìn)行嚴(yán)格防范，更好地促進(jìn)計(jì)算機(jī)和互聯(lián)網(wǎng)的發(fā)展，需要對(duì)計(jì)算機(jī)網(wǎng)絡(luò)安全進(jìn)行評(píng)價(jià)，建立安全、有效的計(jì)算機(jī)網(wǎng)絡(luò)評(píng)價(jià)系統(tǒng)，網(wǎng)絡(luò)安全評(píng)價(jià)體系可以對(duì)整個(gè)計(jì)算機(jī)網(wǎng)絡(luò)進(jìn)行評(píng)估和分析，完善評(píng)價(jià)體系，使系統(tǒng)更準(zhǔn)確、可靠，其中使用率最高的則是神經(jīng)網(wǎng)絡(luò)。

 

1 神經(jīng)網(wǎng)絡(luò)的概述

 

1.1 神經(jīng)網(wǎng)絡(luò)的簡(jiǎn)介

 

神經(jīng)網(wǎng)絡(luò)又被稱為鏈接模型，它效仿了生物神經(jīng)網(wǎng)絡(luò)而建立，它以人腦的信息處理方式為基礎(chǔ)，采用建立數(shù)學(xué)模型的方式研究大腦行為結(jié)構(gòu)和生物神經(jīng)元基本特征，世界上第一個(gè)神經(jīng)網(wǎng)絡(luò)模型是由數(shù)學(xué)家和生物學(xué)家共同提出。神經(jīng)網(wǎng)絡(luò)復(fù)雜多變，它是由神經(jīng)元內(nèi)部通過(guò)大量節(jié)點(diǎn)進(jìn)行相互連接形成的一種網(wǎng)絡(luò)結(jié)構(gòu)，其中每個(gè)神經(jīng)元都可處理信息，從而達(dá)到處理海量信息的規(guī)模。隨后，計(jì)算機(jī)學(xué)家在原有的神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)上增加了學(xué)習(xí)機(jī)制，將神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用在工程中，設(shè)計(jì)出了感知器神經(jīng)網(wǎng)絡(luò)模型，我國(guó)的計(jì)算機(jī)學(xué)家和數(shù)學(xué)家通過(guò)對(duì)神經(jīng)網(wǎng)絡(luò)的分析，展開(kāi)長(zhǎng)期的研究工作，掌握了模型的實(shí)質(zhì)，研究表明，神經(jīng)網(wǎng)絡(luò)模型適合應(yīng)用在不同的研究領(lǐng)域。

 

1.2 神經(jīng)網(wǎng)絡(luò)的功能

 

神經(jīng)網(wǎng)絡(luò)是一項(xiàng)人工智能系統(tǒng)，是通過(guò)生物神經(jīng)網(wǎng)絡(luò)的工作原理建立而來(lái)，它的應(yīng)用具有全方位的優(yōu)越性能。計(jì)算機(jī)神經(jīng)網(wǎng)絡(luò)系統(tǒng)還可實(shí)現(xiàn)預(yù)測(cè)功能，此功能為聯(lián)想模式的升級(jí)版，主要運(yùn)用于市場(chǎng)和企業(yè)中，例如股票等證券市場(chǎng)，預(yù)測(cè)功能可對(duì)股市證券和企業(yè)的未來(lái)效益進(jìn)行預(yù)測(cè)分析，基于計(jì)算機(jī)的神經(jīng)網(wǎng)絡(luò)為市場(chǎng)和企業(yè)的發(fā)展提供了強(qiáng)有力的支持。正是有這些優(yōu)越性能，神經(jīng)網(wǎng)絡(luò)系統(tǒng)在計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)過(guò)程中，才能發(fā)揮出最大的價(jià)值。

 

2 計(jì)算機(jī)網(wǎng)絡(luò)安全概述

 

2.1 計(jì)算機(jī)網(wǎng)絡(luò)安全的簡(jiǎn)介

 

計(jì)算機(jī)網(wǎng)絡(luò)安全是指在網(wǎng)絡(luò)環(huán)境中，采用先進(jìn)的科學(xué)技術(shù)和網(wǎng)絡(luò)管理控制措施來(lái)保證計(jì)算機(jī)資料能得以安全及完整的保護(hù)。計(jì)算機(jī)網(wǎng)絡(luò)安全由邏輯安全和物理安全兩大重要部分組成：第一，計(jì)算機(jī)的邏輯安全是指其中信息數(shù)據(jù)的保密性、完整性及可用性方面的內(nèi)容;第二，物理安全包括了系統(tǒng)中的組網(wǎng)硬件和相關(guān)軟件等方面內(nèi)容，其具有可控性及可審查性等特點(diǎn)。在當(dāng)今的計(jì)算機(jī)網(wǎng)絡(luò)環(huán)境中，安全問(wèn)題是關(guān)鍵，由于網(wǎng)絡(luò)的開(kāi)放自由性導(dǎo)致信息在傳播過(guò)程中會(huì)受到硬件漏洞或者通訊協(xié)議方面的攻擊，這不僅給本地用戶帶來(lái)威脅，對(duì)國(guó)際網(wǎng)絡(luò)市場(chǎng)也是一種挑戰(zhàn)。

 

2.2 計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)體系的建立

 

計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)體系的建立是對(duì)網(wǎng)絡(luò)安全評(píng)價(jià)的一個(gè)強(qiáng)有力保障，該體系能全面、科學(xué)、客觀的體現(xiàn)計(jì)算機(jī)網(wǎng)絡(luò)中存在的不安全因素并且給出相對(duì)應(yīng)的解決措施，所以應(yīng)該根據(jù)多種綜合因素設(shè)立評(píng)價(jià)體系中的評(píng)價(jià)指標(biāo)，從而準(zhǔn)確地反映評(píng)價(jià)信息，計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)系統(tǒng)的構(gòu)建原則是：第一，可行性。在計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)體系構(gòu)建過(guò)程中，結(jié)合實(shí)際的測(cè)評(píng)條件，因地制宜，才能有效的進(jìn)行測(cè)評(píng)和操作。第二，準(zhǔn)確性。在計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)體系的構(gòu)建過(guò)程中，應(yīng)當(dāng)對(duì)網(wǎng)絡(luò)安全的技術(shù)水平進(jìn)行真實(shí)的體現(xiàn)，及時(shí)且準(zhǔn)確的對(duì)安全信息進(jìn)行監(jiān)測(cè)分析再反饋到計(jì)算機(jī)網(wǎng)絡(luò)中，使技術(shù)人員及時(shí)有效的解決產(chǎn)生的問(wèn)題。第三，完備性。建立的安全評(píng)價(jià)體系，需確保所選指標(biāo)對(duì)網(wǎng)絡(luò)安全基本特征有全面的反映，進(jìn)而提高評(píng)價(jià)結(jié)果的真實(shí)可靠性。第四，簡(jiǎn)要性。在選取評(píng)價(jià)指標(biāo)的過(guò)程中，要選取具有代表性的，保證結(jié)果準(zhǔn)確可靠從而降低工作量。第五，獨(dú)立性。計(jì)算機(jī)網(wǎng)絡(luò)是一個(gè)復(fù)雜多變的系統(tǒng)，在選取各項(xiàng)評(píng)價(jià)指標(biāo)時(shí)，要避免出現(xiàn)重復(fù)選擇的情況，減少指標(biāo)間的關(guān)聯(lián)度，從而客觀準(zhǔn)確的將計(jì)算機(jī)網(wǎng)絡(luò)安全運(yùn)行狀態(tài)展現(xiàn)出來(lái)。計(jì)算機(jī)安全網(wǎng)絡(luò)存在一定風(fēng)險(xiǎn)性，在安全保護(hù)上也存在難度，遵守以上原則，在實(shí)際工作應(yīng)用中，提高計(jì)算機(jī)網(wǎng)絡(luò)的工作質(zhì)量和效率。

 

3 基于神經(jīng)網(wǎng)絡(luò)的計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)系統(tǒng)

 

在神經(jīng)網(wǎng)絡(luò)模型中，使用最為廣泛的是BP神經(jīng)網(wǎng)絡(luò)模型，它采用最速下降法進(jìn)行反向傳播，調(diào)整相關(guān)數(shù)值，將誤差降至最低。BP神經(jīng)網(wǎng)絡(luò)模型還通過(guò)誤差逆?zhèn)鞑ニ惴ǎ?xùn)練前饋多層網(wǎng)絡(luò)。其算法簡(jiǎn)單，容易實(shí)現(xiàn)，具有非線性逼近能力。本文以BP神經(jīng)網(wǎng)絡(luò)為研究對(duì)象，對(duì)計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)進(jìn)行分析。

 

3.1 神經(jīng)網(wǎng)絡(luò)的計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)模型設(shè)計(jì)

 

基于神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)的計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)模型，由3個(gè)部分組成，分別是輸入層、隱含層和輸出層：(1)輸入層。BP神經(jīng)網(wǎng)絡(luò)在設(shè)計(jì)的過(guò)程中規(guī)定輸入層神經(jīng)元節(jié)點(diǎn)的數(shù)量，與計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)指標(biāo)數(shù)量必須一致，所以對(duì)模型輸入層中神經(jīng)元節(jié)點(diǎn)的數(shù)量確定需由二級(jí)指標(biāo)的數(shù)量完成。例如，在安全評(píng)價(jià)體系中設(shè)計(jì)了10個(gè)二級(jí)指標(biāo)，在計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)模型中輸入層神經(jīng)元節(jié)點(diǎn)數(shù)量也必須是10個(gè)。(2)BP神經(jīng)網(wǎng)絡(luò)模型在設(shè)計(jì)的過(guò)程中，采用單向隱含層，如果隱含層中的節(jié)點(diǎn)數(shù)過(guò)多會(huì)延長(zhǎng)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)時(shí)間，如果隱含層節(jié)點(diǎn)數(shù)的數(shù)量過(guò)少則會(huì)降低神經(jīng)網(wǎng)絡(luò)的容錯(cuò)能力。所以隱含層中的節(jié)點(diǎn)數(shù)量對(duì)網(wǎng)絡(luò)性能有較大的影響。(3)輸出層。BP神經(jīng)網(wǎng)絡(luò)在輸出層的設(shè)計(jì)工作即反映網(wǎng)絡(luò)安全評(píng)價(jià)結(jié)果，依據(jù)輸入層的評(píng)價(jià)設(shè)計(jì)，將輸出層的節(jié)點(diǎn)數(shù)設(shè)為2個(gè)，則(1，1)的輸出結(jié)果表示非常安全，(1，0)的輸出結(jié)果基本安全，(0，1)的輸出結(jié)果表示不安全，(0，0)的輸出結(jié)果表示非常不安全。

 

3.2 神經(jīng)網(wǎng)絡(luò)的計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)模型學(xué)習(xí)

 

BP神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)模型中需完成神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)，也就表示其在模型構(gòu)建前需進(jìn)行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練工作，這使BP神經(jīng)網(wǎng)絡(luò)具有初始連接權(quán)，在完成神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)后，減少誤差值，保證安全評(píng)價(jià)結(jié)果和使用者期望值達(dá)成一致。

 

3.3 神經(jīng)網(wǎng)絡(luò)的計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)模型驗(yàn)證

 

為確保計(jì)算機(jī)網(wǎng)絡(luò)安全模型的應(yīng)用效能，在完成設(shè)計(jì)與學(xué)習(xí)工作后，對(duì)其進(jìn)行驗(yàn)證，首先選取樣本數(shù)據(jù)，再將樣本數(shù)據(jù)輸入到模型中，通過(guò)模型內(nèi)部檢驗(yàn)分析，完成評(píng)價(jià)功能的應(yīng)用，如果輸出的安全評(píng)價(jià)結(jié)果與期望值達(dá)成一致，則說(shuō)明基于神經(jīng)網(wǎng)絡(luò)的計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)模型具有準(zhǔn)確性，可以使用。

 

4 結(jié)語(yǔ)

 

隨著社會(huì)的發(fā)展，科學(xué)的進(jìn)步，越來(lái)越多的先進(jìn)信息技術(shù)和網(wǎng)絡(luò)技術(shù)得以應(yīng)用，計(jì)算機(jī)網(wǎng)絡(luò)是一個(gè)復(fù)雜的系統(tǒng)，其中存在一定的風(fēng)險(xiǎn)性，計(jì)算機(jī)網(wǎng)絡(luò)的安全問(wèn)題是目前亟待解決的關(guān)鍵問(wèn)題。在當(dāng)前社會(huì)，神經(jīng)網(wǎng)絡(luò)技術(shù)廣泛應(yīng)用于各大領(lǐng)域，將神經(jīng)網(wǎng)絡(luò)模型與計(jì)算機(jī)網(wǎng)絡(luò)安全相結(jié)合，遵守可行性、準(zhǔn)確性、完備性、簡(jiǎn)要性、獨(dú)立性原則，構(gòu)建一個(gè)網(wǎng)絡(luò)安全評(píng)價(jià)體系。有利于對(duì)計(jì)算機(jī)安全管理奠定基礎(chǔ)，基于神經(jīng)網(wǎng)絡(luò)的計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)體系能使評(píng)價(jià)結(jié)果更具真實(shí)性和可靠性，但目前的神經(jīng)網(wǎng)絡(luò)技術(shù)并不十分成熟，根據(jù)其應(yīng)用特點(diǎn)，將神經(jīng)網(wǎng)絡(luò)技術(shù)與其他技術(shù)相融合的發(fā)展問(wèn)題，仍值得廣大學(xué)者深入研究。通過(guò)本文的分析與研究，認(rèn)識(shí)到神經(jīng)網(wǎng)絡(luò)的發(fā)展及特點(diǎn)，針對(duì)其功能的優(yōu)越性，加大對(duì)神經(jīng)網(wǎng)絡(luò)的重視，提高安全評(píng)價(jià)體系對(duì)環(huán)境的適應(yīng)力，提升體系的容錯(cuò)性，實(shí)現(xiàn)在線應(yīng)用模式，促進(jìn)其在計(jì)算機(jī)網(wǎng)絡(luò)安全中的進(jìn)一步完善和發(fā)展，為計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)提供保障，使神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)中發(fā)揮更大的作用。

第3篇：神經(jīng)網(wǎng)絡(luò)的功能范文

人腦是自生命誕生以來(lái)，生物經(jīng)過(guò)數(shù)十億年漫長(zhǎng)歲月進(jìn)化的結(jié)果，是具有高度智能的復(fù)雜系統(tǒng)，它不必采用繁復(fù)的數(shù)字計(jì)算和邏輯運(yùn)算，卻能靈活處理各種復(fù)雜的，不精確的和模糊的信息，善于理解語(yǔ)言、圖象并具有直覺(jué)感知等功能。

人腦的信息處理機(jī)制極其復(fù)雜，從結(jié)構(gòu)上看它是包含有140億神經(jīng)細(xì)胞的大規(guī)模網(wǎng)絡(luò)。單個(gè)神經(jīng)細(xì)胞的工作速度并不高（毫秒級(jí)），但它通過(guò)超并行處理使得整個(gè)系統(tǒng)實(shí)現(xiàn)處理的高速性和信息表現(xiàn)的多樣性。

因此，從信息處理的角度對(duì)人腦進(jìn)行探究，并由此研制出一種象人腦一樣能夠“思維”的智能計(jì)算機(jī)和智能信息處理方法，一直是人工智能追求的目標(biāo)。

神經(jīng)網(wǎng)絡(luò)就是通過(guò)對(duì)人腦的基本單元---神經(jīng)元的建模和聯(lián)結(jié)，來(lái)探索模擬人腦神經(jīng)系統(tǒng)功能的模型，并研制一種具有學(xué)習(xí)、聯(lián)想、記憶和模式識(shí)別等智能信息處理功能的人工系統(tǒng)。本文介紹神經(jīng)網(wǎng)絡(luò)的特征以及近年來(lái)有關(guān)神經(jīng)網(wǎng)絡(luò)和混沌理論、模糊計(jì)算和遺傳算法等相結(jié)合的混合神經(jīng)網(wǎng)絡(luò)探究的動(dòng)態(tài)。

一．神經(jīng)網(wǎng)絡(luò)和聯(lián)結(jié)主義

回顧認(rèn)知科學(xué)的發(fā)展，有所謂符號(hào)主義和聯(lián)結(jié)主義兩大流派。符號(hào)主義從宏觀層次上，撇開(kāi)人腦的內(nèi)部結(jié)構(gòu)和機(jī)制，僅從人腦外在表現(xiàn)出來(lái)的智能現(xiàn)象出發(fā)進(jìn)行探究。例如，將記憶、判定、推理、學(xué)習(xí)等心理活動(dòng)總結(jié)成規(guī)律、甚至編制成規(guī)則，然后用計(jì)算機(jī)進(jìn)行模擬，使計(jì)算機(jī)表現(xiàn)出各種智能。

符號(hào)主義認(rèn)為，熟悉的基本元素是符號(hào)，認(rèn)知過(guò)程是對(duì)符號(hào)表示的運(yùn)算。人類(lèi)的語(yǔ)言，文字的思維均可用符號(hào)來(lái)描述，而且思維過(guò)程只不過(guò)是這些符號(hào)的存儲(chǔ)、變換和輸入、輸出而已。以這種方法實(shí)現(xiàn)的系統(tǒng)具有串行、線性、準(zhǔn)確、簡(jiǎn)潔、易于表達(dá)的特征，體現(xiàn)了邏輯思維的基本特性。七十年代的專家系統(tǒng)和八十年代日本的第五代計(jì)算機(jī)探究計(jì)劃就是其主要代表。

聯(lián)接主義則和其不同，其特征是從微觀出發(fā)。聯(lián)接主義認(rèn)為符號(hào)是不存在的，認(rèn)知的基本元素就是神經(jīng)細(xì)胞（神經(jīng)元），認(rèn)知過(guò)程是大量神經(jīng)元的聯(lián)接，以及這種聯(lián)接所引起的神經(jīng)元的不同興奮狀態(tài)和系統(tǒng)所表現(xiàn)出的總體行為。八十年代再度興起的神經(jīng)網(wǎng)絡(luò)和神經(jīng)計(jì)算機(jī)就是這種聯(lián)接主義的代表。

神經(jīng)網(wǎng)絡(luò)的主要特征是摘要：大規(guī)模的并行處理和分布式的信息存儲(chǔ)，良好的自適應(yīng)、自組織性，以及很強(qiáng)的學(xué)習(xí)功能、聯(lián)想功能和容錯(cuò)功能。和當(dāng)今的馮．諾依曼式計(jì)算機(jī)相比，更加接近人腦的信息處理模式。主要表現(xiàn)如下摘要：

神經(jīng)網(wǎng)絡(luò)能夠處理連續(xù)的模擬信號(hào)。例如連續(xù)灰度變化的圖象信號(hào)。

能夠處理混沌的、不完全的、模糊的信息。

傳統(tǒng)的計(jì)算機(jī)能給出精確的解答，神經(jīng)網(wǎng)絡(luò)給出的是次最優(yōu)的逼近解答。

神經(jīng)網(wǎng)絡(luò)并行分布工作，各組成部分同時(shí)參和運(yùn)算，單個(gè)神經(jīng)元的動(dòng)作速度不高，但總體的處理速度極快。

神經(jīng)網(wǎng)絡(luò)信息存儲(chǔ)分布于全網(wǎng)絡(luò)各個(gè)權(quán)重變換之中，某些單元障礙并不影響信息的完整，具有魯棒性。

傳統(tǒng)計(jì)算機(jī)要求有準(zhǔn)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(duì)于包含有部分錯(cuò)誤的輸入，也能得出較好的解答，具有容錯(cuò)性。

神經(jīng)網(wǎng)絡(luò)在處理自然語(yǔ)言理解、圖象模式識(shí)別、景物理解、不完整信息的處理、智能機(jī)器人控制等方面有優(yōu)勢(shì)。

符號(hào)主義和聯(lián)接主義兩者各有特色，學(xué)術(shù)界目前有一種看法摘要：認(rèn)為基于符號(hào)主義得傳統(tǒng)人工智能和基于聯(lián)接主義得神經(jīng)網(wǎng)絡(luò)是分別描述人腦左、右半腦的功能，反映了人類(lèi)智能的兩重性摘要：精確處理和非精確處理，分別面向熟悉的理性和感性兩個(gè)方面，兩者的關(guān)系應(yīng)該是互補(bǔ)而非互相代替。理想的智能系統(tǒng)及其表現(xiàn)的智能行為應(yīng)是兩者相互結(jié)合的結(jié)果。

接下去的新問(wèn)題是，符號(hào)AI和聯(lián)接AI具體如何結(jié)合，兩者在智能系統(tǒng)中相互關(guān)系如何？分別扮演什么角色？目前這方面發(fā)表的文獻(xiàn)很多，大致有如下幾種類(lèi)型摘要：

1．松耦合模型摘要：符號(hào)機(jī)制的專家系統(tǒng)和聯(lián)接機(jī)制的神經(jīng)網(wǎng)絡(luò)通過(guò)一個(gè)中間媒介（例如數(shù)據(jù)文件）進(jìn)行通訊。

2．緊耦合模型摘要：和松耦合模型相比較，其通訊不是通過(guò)外部數(shù)據(jù)進(jìn)行，而是直接通過(guò)內(nèi)部數(shù)據(jù)完成，具有較高的效率。其主要類(lèi)型有嵌入式系統(tǒng)和黑板結(jié)構(gòu)等。

3．轉(zhuǎn)換模型摘要：將專家系統(tǒng)的知識(shí)轉(zhuǎn)換成神經(jīng)網(wǎng)絡(luò)，或把神經(jīng)網(wǎng)絡(luò)轉(zhuǎn)換成專家系統(tǒng)的知識(shí)，轉(zhuǎn)換前的系統(tǒng)稱為源系統(tǒng)，轉(zhuǎn)換后的系統(tǒng)稱為目標(biāo)系統(tǒng)，由一種機(jī)制轉(zhuǎn)成另一種機(jī)制。假如源系統(tǒng)是專家系統(tǒng)，目標(biāo)系統(tǒng)是神經(jīng)網(wǎng)絡(luò)，則可獲得學(xué)習(xí)能力及自適應(yīng)性；反之，可獲得單步推理能力、解釋能力及知識(shí)的顯式表示。當(dāng)然，轉(zhuǎn)換需要在兩種的機(jī)制之間，確定結(jié)構(gòu)上的一致性，目前主要新問(wèn)題是還沒(méi)有一種完備而精確的轉(zhuǎn)換方法實(shí)現(xiàn)兩者的轉(zhuǎn)換。有待進(jìn)一步探究。

4．綜合模型摘要：綜合模型共享數(shù)據(jù)結(jié)構(gòu)和知識(shí)表示，這時(shí)聯(lián)接機(jī)制和符號(hào)機(jī)制不再分開(kāi)，兩者相互結(jié)合成為一個(gè)整體，既具有符號(hào)機(jī)制的邏輯功能，又有聯(lián)接機(jī)制的自適應(yīng)和容錯(cuò)性的優(yōu)點(diǎn)和特征。例如聯(lián)接主義的專家系統(tǒng)等。

近年來(lái)神經(jīng)網(wǎng)絡(luò)探究的另一個(gè)趨向，是將它和模糊邏輯、混沌理論、遺傳進(jìn)化算法等相結(jié)合，即所謂“混合神經(jīng)網(wǎng)絡(luò)”方法。由于這些理論和算法都是屬于仿效生物體信息處理的方法，人們希望通過(guò)她們之間的相互結(jié)合，能夠獲得具有有柔性信息處理功能的系統(tǒng)。下面分別介紹。

二．混沌理論和智能信息處理

混沌理論是對(duì)貌似無(wú)序而實(shí)際有序，表面上看來(lái)是雜亂無(wú)章的現(xiàn)象中，找出其規(guī)律，并予以處理的一門(mén)學(xué)科。早在七十年代，美國(guó)和歐洲的一些物理學(xué)家、生物學(xué)家、數(shù)學(xué)家就致力于尋求在許許多多不同種類(lèi)的不規(guī)則性之間的聯(lián)系。生物學(xué)家發(fā)現(xiàn)在人類(lèi)的心臟中有混沌現(xiàn)象存在，血管在顯微鏡下交叉纏繞，其中也有驚人的有序性。在生物腦神經(jīng)系統(tǒng)中從微觀的神經(jīng)膜電位到宏觀的腦電波，都可以觀察到混沌的性態(tài)，證實(shí)混沌也是神經(jīng)系統(tǒng)的正常特性。

九十年代開(kāi)始，則更進(jìn)一步將混沌和神經(jīng)網(wǎng)絡(luò)結(jié)合起來(lái)，提出多種混沌神經(jīng)網(wǎng)絡(luò)模型，并探索應(yīng)用混沌理論的各種信息處理方法。例如，在神經(jīng)元模型中，引入神經(jīng)膜的不應(yīng)性，探究神經(jīng)元模型的混沌響應(yīng)，探究在神經(jīng)網(wǎng)絡(luò)的方程中，不應(yīng)性項(xiàng)的定標(biāo)參數(shù)，不定性時(shí)間衰減常數(shù)等參數(shù)的性質(zhì)，以及這些參數(shù)于神經(jīng)網(wǎng)絡(luò)混沌響應(yīng)的關(guān)系，并確定混沌---神經(jīng)網(wǎng)絡(luò)模型具有混沌解的參數(shù)空間。經(jīng)過(guò)試驗(yàn)，由這種混沌神經(jīng)網(wǎng)絡(luò)模型所繪出的輸出圖形和腦電圖極為相似。

現(xiàn)代腦科學(xué)把人腦的工作過(guò)程看成為復(fù)雜的多層次的混沌動(dòng)力學(xué)系統(tǒng)。腦功能的物理基礎(chǔ)是混沌性質(zhì)的過(guò)程，腦的工作包含有混沌的性質(zhì)。通過(guò)混沌動(dòng)力學(xué)，探究、分析腦模型的信息處理能力，可進(jìn)一步探索動(dòng)態(tài)聯(lián)想記憶、動(dòng)態(tài)學(xué)習(xí)并應(yīng)用到模式識(shí)別等工程領(lǐng)域。例如摘要：

對(duì)混沌的隨機(jī)不規(guī)則現(xiàn)象，可利用混沌理論進(jìn)行非線性猜測(cè)和決策。

對(duì)被噪聲所掩蓋的微弱信號(hào)，假如噪聲是一種混沌現(xiàn)象，則可通過(guò)非線性辨識(shí)，有效進(jìn)行濾波。

利用混沌現(xiàn)象對(duì)初始值的敏銳依靠性，構(gòu)成模式識(shí)別系統(tǒng)。

探究基于混沌---神經(jīng)網(wǎng)絡(luò)自適應(yīng)存儲(chǔ)檢索算法。該算法主要包括三個(gè)步驟，即摘要：特征提取、自適應(yīng)學(xué)習(xí)和檢索。

模式特征提取采用從簡(jiǎn)單的吸引子到混沌的層次分支結(jié)構(gòu)來(lái)描述，這種分支結(jié)構(gòu)有可能通過(guò)少數(shù)幾個(gè)系統(tǒng)參數(shù)的變化來(lái)加以控制，使復(fù)雜新問(wèn)題簡(jiǎn)單化。自適應(yīng)學(xué)習(xí)采用神經(jīng)網(wǎng)絡(luò)的誤差反傳學(xué)習(xí)法。檢索過(guò)程是通過(guò)一個(gè)具有穩(wěn)定吸引子的動(dòng)力學(xué)系統(tǒng)來(lái)完成，即利用輸入的初始條件和某個(gè)吸引子（輸出）之間的存在直接對(duì)應(yīng)關(guān)系的方法進(jìn)行檢索。利用這種方法可應(yīng)用于模式識(shí)別。例如黑白圖象的人臉識(shí)別。

三．模糊集理論和模糊工程

八十年代以來(lái)在模糊集理論和應(yīng)用方面，也有很大進(jìn)展。1983年美國(guó)西海岸AI探究所發(fā)表了稱為REVEAL的模糊輔助決策系統(tǒng)并投入市場(chǎng)，1986年美國(guó)將模糊邏輯導(dǎo)入OPS---5，并探究成功模糊專家系統(tǒng)外殼FLOPS，1987年英國(guó)發(fā)表采用模糊PROLOG的智能系統(tǒng)FRIL等。除此通用工具的研制以外，各國(guó)還開(kāi)發(fā)一系列用于專用目的的智能信息處理系統(tǒng)并實(shí)際應(yīng)用于智能控制、模式識(shí)別、醫(yī)療診斷、故障檢測(cè)等方面。

模糊集理論和神經(jīng)網(wǎng)絡(luò)雖然都屬于仿效生物體信息處理機(jī)制以獲得柔性信息處理功能的理論，但兩者所用的探究方法卻大不相同，神經(jīng)網(wǎng)絡(luò)著眼于腦的微觀網(wǎng)絡(luò)結(jié)構(gòu)，通過(guò)學(xué)習(xí)、自組織化和非線性動(dòng)力學(xué)理論形成的并行分析方法，可處理無(wú)法語(yǔ)言化的模式信息。而模糊集理論則著眼于可用語(yǔ)言和概念作為代表的腦的宏觀功能，按照人為引入的隸屬度函數(shù)，邏輯的處理包含有模糊性的語(yǔ)言信息。

神經(jīng)網(wǎng)絡(luò)和模糊集理論目標(biāo)相近而方法各異。因此假如兩者相互結(jié)合，必能達(dá)到取長(zhǎng)補(bǔ)短的功能。將模糊和神經(jīng)網(wǎng)絡(luò)相結(jié)合的探究，約在15年前便已在神經(jīng)網(wǎng)絡(luò)領(lǐng)域開(kāi)始，為了描述神經(jīng)細(xì)胞模型，開(kāi)始采用模糊語(yǔ)言，把模糊集合及其運(yùn)算用于神經(jīng)元模型和描述神經(jīng)網(wǎng)絡(luò)系統(tǒng)。目前，有關(guān)模糊---神經(jīng)網(wǎng)絡(luò)模型的探究大體上可分為兩類(lèi)摘要：一類(lèi)是以神經(jīng)網(wǎng)絡(luò)為主，結(jié)合模糊集理論。例如，將神經(jīng)網(wǎng)絡(luò)參數(shù)模糊化，采用模糊集合進(jìn)行模糊運(yùn)算。另一類(lèi)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)的自組織特性，達(dá)到柔性信息處理的目的。

和神經(jīng)網(wǎng)絡(luò)相比，模糊集理論和模糊計(jì)算是更接近實(shí)用化的理論，非凡近年來(lái)美國(guó)和日本的各大公司都紛紛推出各種模糊芯片，研制了型號(hào)繁多的模糊推理板，并實(shí)際應(yīng)用于智能控制等各個(gè)應(yīng)用領(lǐng)域，建立“模糊工程”這樣一個(gè)新領(lǐng)域。日本更首先在模糊家電方面打開(kāi)市場(chǎng)，帶有模糊控制，甚至標(biāo)以神經(jīng)---模糊智能控制的洗衣機(jī)、電冰箱、空調(diào)器、攝象機(jī)等已成為新一代家電的時(shí)髦產(chǎn)品。我國(guó)目前市場(chǎng)上也有許多洗衣機(jī)，例如榮事達(dá)洗衣機(jī)就是采用模糊神經(jīng)網(wǎng)絡(luò)智能控制方式的洗衣機(jī)。

四．遺傳算法

遺傳算法（GeneticAlgorithm摘要：GA）是模擬生物的進(jìn)化現(xiàn)象（自然、淘汰、交叉、忽然變異）的一種概率搜索和最優(yōu)化方法。是模擬自然淘汰和遺傳現(xiàn)象的工程模型。

GA的歷史可追溯到1960年，明確提出遺傳算法的是1975年美國(guó)Michigan大學(xué)的Holland博士，他根據(jù)生物進(jìn)化過(guò)程的適應(yīng)現(xiàn)象，提出如下的GA模型方案摘要：

1．將多個(gè)生物的染色體（Chromosmoe）組成的符號(hào)集合，按文字進(jìn)行編碼，稱為個(gè)體。

2．定義評(píng)價(jià)函數(shù)，表示個(gè)體對(duì)外部環(huán)境的適應(yīng)性。其數(shù)值大的個(gè)體表示對(duì)外部環(huán)境的適應(yīng)性高，它的生存（子孫的延續(xù)）的概率也高。

3．每個(gè)個(gè)體由多個(gè)“部分”組合而成，每個(gè)部分隨機(jī)進(jìn)行交叉及忽然變異等變化，并由此產(chǎn)生子孫（遺傳現(xiàn)象）。

4．個(gè)體的集合通過(guò)遺傳，由選擇淘汰產(chǎn)生下一代。

遺傳算法提出之后，很快得到人工智能、計(jì)算機(jī)、生物學(xué)等領(lǐng)域科學(xué)家的高度重視，并在各方面廣泛應(yīng)用。1989年美國(guó)Goldberg博士發(fā)表一本專著摘要：“GeneticAlgorithmsinSearch，OptimizationandMachineLearning”。出版后產(chǎn)生較大影響，該書(shū)對(duì)GA的數(shù)學(xué)基礎(chǔ)理論，GA的基本定理、數(shù)理分析以及在搜索法、最優(yōu)化、機(jī)器學(xué)習(xí)等GA應(yīng)用方面進(jìn)行了深入淺出的介紹，并附有Pascal模擬程序。

1985年7月在美國(guó)召開(kāi)第一屆“遺傳算法國(guó)際會(huì)議”（ICGA）。以后每隔兩年召開(kāi)一次。近年來(lái)，遺傳算法發(fā)展很快，并廣泛應(yīng)用于信息技術(shù)的各個(gè)領(lǐng)域，例如摘要：

智能控制摘要：機(jī)器人控制。機(jī)器人路徑規(guī)劃。

工程設(shè)計(jì)摘要：微電子芯片的布局、布線；通信網(wǎng)絡(luò)設(shè)計(jì)、濾波器設(shè)計(jì)、噴氣發(fā)動(dòng)機(jī)設(shè)計(jì)。

圖象處理摘要：圖象恢復(fù)、圖象識(shí)別、特征抽取。

調(diào)度規(guī)劃摘要：生產(chǎn)規(guī)劃、調(diào)度新問(wèn)題、并行機(jī)任務(wù)分配。

優(yōu)化理論摘要：TSP新問(wèn)題、背包新問(wèn)題、圖劃分新問(wèn)題。

人工生命摘要：生命的遺傳進(jìn)化以及自增殖、自適應(yīng)；免疫系統(tǒng)、生態(tài)系統(tǒng)等方面的探究。

神經(jīng)網(wǎng)絡(luò)、模糊集理論和以遺傳算法為代表的進(jìn)化算法都是仿效生物信息處理模式以獲得智能信息處理功能的理論。三者目標(biāo)相近而方法各異；將它們相互結(jié)合，必能達(dá)到取長(zhǎng)補(bǔ)短、各顯優(yōu)勢(shì)的效果。例如，遺傳算法和神經(jīng)網(wǎng)絡(luò)和模糊計(jì)算相結(jié)合方面就有摘要：

神經(jīng)網(wǎng)絡(luò)連續(xù)權(quán)的進(jìn)化。

傳統(tǒng)神經(jīng)網(wǎng)絡(luò)如BP網(wǎng)絡(luò)是通過(guò)學(xué)習(xí)，并按一定規(guī)則來(lái)改變數(shù)值分布。這種方法有練習(xí)時(shí)間過(guò)長(zhǎng)和輕易陷入局部?jī)?yōu)化的新問(wèn)題。采用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)可以克服這個(gè)缺點(diǎn)。

神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的進(jìn)化。

目前神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計(jì)全靠設(shè)計(jì)者的經(jīng)驗(yàn)，由人事先確定，還沒(méi)有一種系統(tǒng)的方法來(lái)確定網(wǎng)絡(luò)結(jié)構(gòu)，采用遺傳算法可用來(lái)優(yōu)化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)規(guī)則的進(jìn)化。

第4篇：神經(jīng)網(wǎng)絡(luò)的功能范文

[摘要]該文介紹了神經(jīng)網(wǎng)絡(luò)的發(fā)展、優(yōu)點(diǎn)及其應(yīng)用和發(fā)展動(dòng)向，著重論述了神經(jīng)網(wǎng)絡(luò)目前的幾個(gè)研究熱點(diǎn)，即神經(jīng)網(wǎng)絡(luò)與遺傳算法、灰色系統(tǒng)、專家系統(tǒng)、模糊控制、小波分析的結(jié)合。

[關(guān)鍵詞]遺傳算法灰色系統(tǒng)專家系統(tǒng)模糊控制小波分析

一、前言

神經(jīng)網(wǎng)絡(luò)最早的研究20世紀(jì)40年代心理學(xué)家Mcculloch和數(shù)學(xué)家Pitts合作提出的，他們提出的MP模型拉開(kāi)了神經(jīng)網(wǎng)絡(luò)研究的序幕。神經(jīng)網(wǎng)絡(luò)的發(fā)展大致經(jīng)過(guò)三個(gè)階段：1947~1969年為初期，在這期間科學(xué)家們提出了許多神經(jīng)元模型和學(xué)習(xí)規(guī)則，如MP模型、HEBB學(xué)習(xí)規(guī)則和感知器等；1970~1986年為過(guò)渡期，這個(gè)期間神經(jīng)網(wǎng)絡(luò)研究經(jīng)過(guò)了一個(gè)低潮，繼續(xù)發(fā)展。在此期間，科學(xué)家們做了大量的工作，如Hopfield教授對(duì)網(wǎng)絡(luò)引入能量函數(shù)的概念，給出了網(wǎng)絡(luò)的穩(wěn)定性判據(jù)，提出了用于聯(lián)想記憶和優(yōu)化計(jì)算的途徑。1984年，Hiton教授提出Boltzman機(jī)模型。1986年Kumelhart等人提出誤差反向傳播神經(jīng)網(wǎng)絡(luò)，簡(jiǎn)稱BP網(wǎng)絡(luò)。目前，BP網(wǎng)絡(luò)已成為廣泛使用的網(wǎng)絡(luò)；1987年至今為發(fā)展期，在此期間，神經(jīng)網(wǎng)絡(luò)受到國(guó)際重視，各個(gè)國(guó)家都展開(kāi)研究，形成神經(jīng)網(wǎng)絡(luò)發(fā)展的另一個(gè)。神經(jīng)網(wǎng)絡(luò)具有以下優(yōu)點(diǎn)：

(1)具有很強(qiáng)的魯棒性和容錯(cuò)性，因?yàn)樾畔⑹欠植假A于網(wǎng)絡(luò)內(nèi)的神經(jīng)元中。

(2)并行處理方法，使得計(jì)算快速。

(3)自學(xué)習(xí)、自組織、自適應(yīng)性，使得網(wǎng)絡(luò)可以處理不確定或不知道的系統(tǒng)。

(4)可以充分逼近任意復(fù)雜的非線性關(guān)系。

(5)具有很強(qiáng)的信息綜合能力，能同時(shí)處理定量和定性的信息，能很好地協(xié)調(diào)多種輸入信息關(guān)系，適用于多信息融合和多媒體技術(shù)。

二、神經(jīng)網(wǎng)絡(luò)應(yīng)用現(xiàn)狀

神經(jīng)網(wǎng)絡(luò)以其獨(dú)特的結(jié)構(gòu)和處理信息的方法，在許多實(shí)際應(yīng)用領(lǐng)域中取得了顯著的成效，主要應(yīng)用如下：

(1)圖像處理。對(duì)圖像進(jìn)行邊緣監(jiān)測(cè)、圖像分割、圖像壓縮和圖像恢復(fù)。

(2)信號(hào)處理。能分別對(duì)通訊、語(yǔ)音、心電和腦電信號(hào)進(jìn)行處理分類(lèi)；可用于海底聲納信號(hào)的檢測(cè)與分類(lèi)，在反潛、掃雷等方面得到應(yīng)用。

(3)模式識(shí)別。已成功應(yīng)用于手寫(xiě)字符、汽車(chē)牌照、指紋和聲音識(shí)別，還可用于目標(biāo)的自動(dòng)識(shí)別和定位、機(jī)器人傳感器的圖像識(shí)別以及地震信號(hào)的鑒別等。

(4)機(jī)器人控制。對(duì)機(jī)器人眼手系統(tǒng)位置進(jìn)行協(xié)調(diào)控制，用于機(jī)械手的故障診斷及排除、智能自適應(yīng)移動(dòng)機(jī)器人的導(dǎo)航。

(5)衛(wèi)生保健、醫(yī)療。比如通過(guò)訓(xùn)練自主組合的多層感知器可以區(qū)分正常心跳和非正常心跳、基于BP網(wǎng)絡(luò)的波形分類(lèi)和特征提取在計(jì)算機(jī)臨床診斷中的應(yīng)用。

(6)焊接領(lǐng)域。國(guó)內(nèi)外在參數(shù)選擇、質(zhì)量檢驗(yàn)、質(zhì)量預(yù)測(cè)和實(shí)時(shí)控制方面都有研究，部分成果已得到應(yīng)用。

(7)經(jīng)濟(jì)。能對(duì)商品價(jià)格、股票價(jià)格和企業(yè)的可信度等進(jìn)行短期預(yù)測(cè)。

(8)另外，在數(shù)據(jù)挖掘、電力系統(tǒng)、交通、軍事、礦業(yè)、農(nóng)業(yè)和氣象等方面亦有應(yīng)用。

三、神經(jīng)網(wǎng)絡(luò)發(fā)展趨勢(shì)及研究熱點(diǎn)

1.神經(jīng)網(wǎng)絡(luò)研究動(dòng)向

神經(jīng)網(wǎng)絡(luò)雖已在許多領(lǐng)域應(yīng)用中取得了廣泛的成功，但其發(fā)展還不十分成熟，還有一些問(wèn)題需進(jìn)一步研究。

(1)神經(jīng)計(jì)算的基礎(chǔ)理論框架以及生理層面的研究仍需深入。這方面的工作雖然很困難，但為了神經(jīng)計(jì)算的進(jìn)一步發(fā)展卻是非做不可的。

(2)除了傳統(tǒng)的多層感知機(jī)、徑向基函數(shù)網(wǎng)絡(luò)、自組織特征映射網(wǎng)絡(luò)、自適應(yīng)諧振理論網(wǎng)絡(luò)、模糊神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)之外，一些新的模型和結(jié)構(gòu)很值得關(guān)注，例如最近興起的脈沖神經(jīng)網(wǎng)絡(luò)(spikingneuralnetwork)和支持向量機(jī)(supportvectormachine)。

(3)神經(jīng)計(jì)算技術(shù)與其他技術(shù)尤其是進(jìn)化計(jì)算技術(shù)的結(jié)合以及由此而來(lái)的混合方法和混合系統(tǒng)，正成為一大研究熱點(diǎn)。

(4)增強(qiáng)神經(jīng)網(wǎng)絡(luò)的可理解性是神經(jīng)網(wǎng)絡(luò)界需要解決的一個(gè)重要問(wèn)題。這方面的工作在今后若干年中仍然會(huì)是神經(jīng)計(jì)算和機(jī)器學(xué)習(xí)界的一個(gè)研究熱點(diǎn)。

(5)神經(jīng)網(wǎng)絡(luò)的應(yīng)用領(lǐng)域?qū)⒉粩鄶U(kuò)大，在未來(lái)的幾年中有望在一些領(lǐng)域取得更大的成功，特別是多媒體技術(shù)、醫(yī)療、金融、電力系統(tǒng)等領(lǐng)域。

2.研究熱點(diǎn)

(1)神經(jīng)網(wǎng)絡(luò)與遺傳算法的結(jié)合。遺傳算法與神經(jīng)網(wǎng)絡(luò)的結(jié)合主要體現(xiàn)在以下幾個(gè)方面：網(wǎng)絡(luò)連接權(quán)重的進(jìn)化訓(xùn)練；網(wǎng)絡(luò)結(jié)構(gòu)的進(jìn)化計(jì)算；網(wǎng)絡(luò)結(jié)構(gòu)和連接權(quán)重的同時(shí)進(jìn)化；訓(xùn)練算法的進(jìn)化設(shè)計(jì)。基于進(jìn)化計(jì)算的神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)和實(shí)現(xiàn)已在眾多領(lǐng)域得到應(yīng)用，如模式識(shí)別、機(jī)器人控制、財(cái)政等，并取得了較傳統(tǒng)神經(jīng)網(wǎng)絡(luò)更好的性能和結(jié)果。但從總體上看，這方面研究還處于初期階段，理論方法有待于完善規(guī)范，應(yīng)用研究有待于加強(qiáng)提高。神經(jīng)網(wǎng)絡(luò)與進(jìn)化算法相結(jié)合的其他方式也有待于進(jìn)一步研究和挖掘。

(2)神經(jīng)網(wǎng)絡(luò)與灰色系統(tǒng)的結(jié)合?；疑到y(tǒng)理論是一門(mén)極有生命力的系統(tǒng)科學(xué)理論，自1982年華中理工大學(xué)的鄧聚龍教授提出灰色系統(tǒng)后迅速發(fā)展，以初步形成以灰色關(guān)聯(lián)空間為基礎(chǔ)的分析體系，以灰色模型為主體的模型體系，以灰色過(guò)程及其生存空間為基礎(chǔ)與內(nèi)的方法體系，以系統(tǒng)分析、建模、預(yù)測(cè)、決策、控制、評(píng)估為綱的技術(shù)體系。目前，國(guó)內(nèi)外對(duì)灰色系統(tǒng)的理論和應(yīng)用研究已經(jīng)廣泛開(kāi)展，受到學(xué)者的普遍關(guān)注。灰色系統(tǒng)理論在在處理不確定性問(wèn)題上有其獨(dú)到之處，并能以系統(tǒng)的離散時(shí)序建立連續(xù)的時(shí)間模型，適合于解決無(wú)法用傳統(tǒng)數(shù)字精確描述的復(fù)雜系統(tǒng)問(wèn)題。

神經(jīng)網(wǎng)絡(luò)與灰色系統(tǒng)的結(jié)合方式有：(1)神經(jīng)網(wǎng)絡(luò)與灰色系統(tǒng)簡(jiǎn)單結(jié)合；(2)串聯(lián)型結(jié)合；(3)用神經(jīng)網(wǎng)絡(luò)增強(qiáng)灰色系統(tǒng)；(4)用灰色網(wǎng)絡(luò)輔助構(gòu)造神經(jīng)網(wǎng)絡(luò)；(5)神經(jīng)網(wǎng)絡(luò)與灰色系統(tǒng)的完全融合。

(3)神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)的結(jié)合?；谏窠?jīng)網(wǎng)絡(luò)與專家系統(tǒng)的混合系統(tǒng)的基本出發(fā)點(diǎn)立足于將復(fù)雜系統(tǒng)分解成各種功能子系統(tǒng)模塊，各功能子系統(tǒng)模塊分別由神經(jīng)網(wǎng)絡(luò)或?qū)＜蚁到y(tǒng)實(shí)現(xiàn)。其研究的主要問(wèn)題包括：混合專家系統(tǒng)的結(jié)構(gòu)框架和選擇實(shí)現(xiàn)功能子系統(tǒng)方式的準(zhǔn)則兩方面。由于該混合系統(tǒng)從根本上拋開(kāi)了神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)的技術(shù)限制，是當(dāng)前研究的熱點(diǎn)。把粗集神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)用于醫(yī)學(xué)診斷，表明其相對(duì)于傳統(tǒng)方法的優(yōu)越性。

(4)神經(jīng)網(wǎng)絡(luò)與模糊邏輯的結(jié)合

模糊邏輯是一種處理不確定性、非線性問(wèn)題的有力工具。它比較適合于表達(dá)那些模糊或定性的知識(shí)，其推理方式比較類(lèi)似于人的思維方式，這都是模糊邏輯的優(yōu)點(diǎn)。但它缺乏有效的自學(xué)習(xí)和自適應(yīng)能力。

而將模糊邏輯與神經(jīng)網(wǎng)絡(luò)結(jié)合，則網(wǎng)絡(luò)中的各個(gè)結(jié)點(diǎn)及所有參數(shù)均有明顯的物理意義，因此這些參數(shù)的初值可以根據(jù)系統(tǒng)的模糊或定性的知識(shí)來(lái)加以確定，然后利用學(xué)習(xí)算法可以很快收斂到要求的輸入輸出關(guān)系，這是模糊神經(jīng)網(wǎng)絡(luò)比單純的神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)所在。同時(shí)，由于它具有神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，因而參數(shù)的學(xué)習(xí)和調(diào)整比較容易，這是它比單純的模糊邏輯系統(tǒng)的優(yōu)點(diǎn)所在。模糊神經(jīng)網(wǎng)絡(luò)控制已成為一種趨勢(shì)，它能夠提供更加有效的智能行為、學(xué)習(xí)能力、自適應(yīng)特點(diǎn)、并行機(jī)制和高度靈活性，使其能夠更成功地處理各種不確定的、復(fù)雜的、不精確的和近似的控制問(wèn)題。

模糊神經(jīng)控制的未來(lái)研究應(yīng)集中于以下幾個(gè)方面：

(1)研究模糊邏輯與神經(jīng)網(wǎng)絡(luò)的對(duì)應(yīng)關(guān)系，將對(duì)模糊

控制器的調(diào)整轉(zhuǎn)化為等價(jià)的神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程，用等價(jià)的模糊邏輯來(lái)初始化神經(jīng)網(wǎng)絡(luò)；

(2)完善模糊神經(jīng)控制的學(xué)習(xí)算法，以提高控制算法的速度與性能，可引入遺傳算法、BC算法中的模擬退火算法等，以提高控制性能；

(3)模糊控制規(guī)則的在線優(yōu)化，可提高控制器的實(shí)時(shí)性與動(dòng)態(tài)性能；(4)需深入研究系統(tǒng)的穩(wěn)定性、能控性、能觀性以及平衡吸引子、混沌現(xiàn)象等非線性動(dòng)力學(xué)特性。

關(guān)于神經(jīng)網(wǎng)絡(luò)與模糊邏輯相結(jié)合的研究已有很多，比如，用于氬弧焊、機(jī)器人控制等。

(5)神經(jīng)網(wǎng)絡(luò)與小波分析的結(jié)合

小波變換是對(duì)Fourier分析方法的突破。它不但在時(shí)域和頻域同時(shí)具有良好的局部化性質(zhì)，而且對(duì)低頻信號(hào)在頻域和對(duì)高頻信號(hào)在時(shí)域里都有很好的分辨率，從而可以聚集到對(duì)象的任意細(xì)節(jié)。

利用小波變換的思想初始化小波網(wǎng)絡(luò)，并對(duì)學(xué)習(xí)參數(shù)加以有效約束，采用通常的隨機(jī)梯度法分別對(duì)一維分段函數(shù)、二維分段函數(shù)和實(shí)際系統(tǒng)中汽輪機(jī)壓縮機(jī)的數(shù)據(jù)做了仿真試驗(yàn)，并與神經(jīng)網(wǎng)絡(luò)、小波分解的建模做了比較，說(shuō)明了小波網(wǎng)絡(luò)在非線性系統(tǒng)黑箱建模中的優(yōu)越性。小波神經(jīng)網(wǎng)絡(luò)用于機(jī)器人的控制，表明其具有更快的收斂速度和更好的非線性逼近能力。

四、結(jié)論

經(jīng)過(guò)半個(gè)多世紀(jì)的發(fā)展，神經(jīng)網(wǎng)絡(luò)理論在模式識(shí)別、自動(dòng)控制、信號(hào)處理、輔助決策、人工智能等眾多研究領(lǐng)域取得了廣泛的成功，但其理論分析方法和設(shè)計(jì)方法還有待于進(jìn)一步發(fā)展。相信隨著神經(jīng)網(wǎng)絡(luò)的進(jìn)一步發(fā)展，其將在工程應(yīng)用中發(fā)揮越來(lái)越大的作用。

參考文獻(xiàn)：

[1]張?jiān)?模糊數(shù)學(xué)在自動(dòng)化技術(shù)中的應(yīng)用[M].清華大學(xué)出版社，1997.

[2]李士勇.模糊控制·神經(jīng)控制和智能控制論[M].哈爾濱工業(yè)大學(xué)出版，1996.250-387.

[3]謝聯(lián)峻.模糊控制在列車(chē)自動(dòng)駕駛中的應(yīng)用[J].自動(dòng)化與儀器儀表，1999，(4).

[4]CollierWC，Weiland，RJSmartCarts，SmartHighways[J].IEEESpec-trum，1994，31(4)：27-33.

[5]HatwalH，MikulcikEC.someInverseSolutionstoanAutomobilePathTrackingProblemwithInputControlofSteeringandBreaks，Ve-hiclesystemDynamics，1986，(15)：61-71.

[6]KosugeK，F(xiàn)ukudaT，AsadaH.AcquisitionifHumanSkillsforRoboticSystem[C].In：ProcIEEEIntSympOnIntelligenControl，1991.469-489.

[7]王小平，曹立明.遺傳算法—理論、應(yīng)用與軟件實(shí)現(xiàn).西安交通大學(xué)出版社，2002.

[8]ManiezzoV.Geneticevolutionofthetopologhandweightdistribution

ofneuralnetwork[J].IEEETransonNeuralNetwork，1994，5(1)35-67.

[9]HarraldPG，KamstraM.Evolvingartificialneuralnetworkstocombinefinancialforecase[J].IEEETransonEvolComputer，1997，1(1)：39-54.

[10]鄧聚龍.灰色系統(tǒng)理論教程.華中理工大學(xué)出版社，1990.

[11]呂宏輝，鐘珞，夏紅霞.灰色系統(tǒng)與神經(jīng)網(wǎng)絡(luò)融合技術(shù)探索.微機(jī)發(fā)展，2000，23(4)：67-109.

第5篇：神經(jīng)網(wǎng)絡(luò)的功能范文

關(guān)鍵詞： 諧波； 間諧波； 全相位快速傅里葉變換； 人工神經(jīng)網(wǎng)絡(luò)； 虛擬儀器

中圖分類(lèi)號(hào)： TN711?34； TM417 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2017）01?0125?04

Abstract： On the basis of analyzing the available harmonic detection methods， the harmonic and interharmonic detection method based on all?phase fast Fourier transform and artificial neural network is studied. A new harmonic detection method based on all?phase fast Fourier transform and BP neural network is proposed to solve the problem of low harmonic detection precision. And a harmonic detection method based on all?phase fast Fourier transform and adaptive neural network is used to further improve the accuracy of harmonic detection. A harmonic detection software based on all?phase fast Fourier transform and adaptive neural network was designed on virtual instrument software development platform LabWindows/CVI. The software can realize the detection of harmonic amplitude and phase and calculation of total harmonic distortion， and give an alarm when the total harmonic distortion is out of limit.

Keywords： harmonic； interharmonic； all?phase fast Fourier transform； artificial neural network； virtual instrument

在理想情況下，電力系統(tǒng)的電能應(yīng)該是具有單一頻率、單一波形和若干電壓等級(jí)的正弦電壓信號(hào)。但是實(shí)際生產(chǎn)生活中由于一些原因，電網(wǎng)中的電能很難保持理想的波形，實(shí)際的波形總是存在偏差和形變，這種波形畸變稱為諧波畸變[1]。造成諧波畸變的原因是電網(wǎng)中存在大量的電力系統(tǒng)諧波。隨著諧波污染問(wèn)題愈加嚴(yán)重，其產(chǎn)生的危害也越來(lái)越廣泛。因此，諧波檢測(cè)問(wèn)題具有十分重要的研究?jī)r(jià)值和意義[2]。

1 基于全相位快速傅里葉變換和BP神經(jīng)網(wǎng)絡(luò)

的諧波檢測(cè)

1.1 諧波相角檢測(cè)

全相位快速傅里葉變換具有相位不變性。利用該性質(zhì)對(duì)電網(wǎng)電壓信號(hào)的采樣值進(jìn)行全相位快速傅里葉變換譜分析，獲得高精度的諧波相位值[3]。其步驟如下：

（1） 采集電網(wǎng)信號(hào)，獲取個(gè)采樣值。

（2） 對(duì)采樣數(shù)據(jù)進(jìn)行全相位快速傅里葉變換譜分析，獲得幅值譜和相位譜。

（3） 全相位快速傅里葉變換所得的幅值譜受到柵欄效應(yīng)的影響無(wú)法獲得準(zhǔn)確的諧波信號(hào)幅值，但是幅值譜在諧波相應(yīng)的頻率附近會(huì)出現(xiàn)峰值譜線，通過(guò)讀取該峰值譜線對(duì)應(yīng)的相位值即可得到精確的諧波相位[4]。

1.2 基于BP神經(jīng)網(wǎng)絡(luò)的諧波幅值檢測(cè)

選擇BP神經(jīng)網(wǎng)絡(luò)作為諧波幅值的檢測(cè)方法。基于BP神經(jīng)網(wǎng)絡(luò)的諧波幅值檢測(cè)分為以下步驟：

（1） 構(gòu)建諧波檢測(cè)BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)諧波檢測(cè)網(wǎng)絡(luò)由輸入層、隱含層、輸出層構(gòu)成[5]。本文構(gòu)建的網(wǎng)絡(luò)僅含有一個(gè)隱含層。由于傳統(tǒng)結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)輸出層各神經(jīng)元共用同一個(gè)隱含層，相互之間影響比較嚴(yán)重，存在諧波幅值檢測(cè)精度不高的問(wèn)題。因此本文采用改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，輸入層、輸出層設(shè)置不變，僅使輸出層的每一個(gè)神經(jīng)元分別都對(duì)應(yīng)一個(gè)隱含層，解決了各待測(cè)諧波相互影響的問(wèn)題，提高了諧波檢測(cè)的精度。

（2） 確定諧波檢測(cè)BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法

設(shè)電網(wǎng)中電壓信號(hào)為一周期性非正弦信，對(duì)做一個(gè)周期內(nèi)的等時(shí)間間隔采樣。采樣數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入。隱含層的輸出為。輸出層為分別對(duì)應(yīng)三次諧波和五次諧波幅值[6]。由于各次諧波具有相同的學(xué)習(xí)算法，在此僅以三次諧波為例，介紹其學(xué)習(xí)算法。三次諧波的隱含層和輸出層的輸出為：

（3） 選取諧波檢測(cè)神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本

在實(shí)際檢測(cè)時(shí)以檢測(cè)奇次諧波中次數(shù)較低的諧波為主。本文諧波檢測(cè)前通過(guò)濾除基波和更高次的諧波，選取由三次諧波和五次諧波組成的諧波電流為例說(shuō)明訓(xùn)練樣本的選取過(guò)程[7]。諧波電壓可以表示為：

（4） 學(xué)習(xí)樣本選取完成后，按照BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程訓(xùn)練神經(jīng)網(wǎng)絡(luò)。待訓(xùn)練結(jié)束，獲取神經(jīng)網(wǎng)絡(luò)各個(gè)連接權(quán)值，從而固定BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和連接權(quán)值，完成對(duì)諧波幅值的記憶。其后只需要采集電網(wǎng)信號(hào)作為同相位條件下的BP神經(jīng)網(wǎng)絡(luò)的輸入，即可從網(wǎng)絡(luò)輸出獲取信號(hào)中所含的各次諧波幅值。

1.3 諧波檢測(cè)仿真實(shí)驗(yàn)

本仿真只對(duì)某個(gè)相位條件下的BP神經(jīng)網(wǎng)絡(luò)對(duì)三次和五次諧波的幅值進(jìn)行仿真驗(yàn)證。在三次諧波的相位為30°，五次諧波的相位為60°的條件下采用訓(xùn)練樣本選取方法，獲取676組訓(xùn)練樣本，離線訓(xùn)練諧波檢測(cè)BP神經(jīng)網(wǎng)絡(luò)。仿真程序流程如圖1所示。

訓(xùn)練完成后，選擇多組相位同為30°和60°未訓(xùn)練的樣本仿真驗(yàn)證諧波幅值檢測(cè)的精度。通過(guò)實(shí)驗(yàn)可以看出，BP神經(jīng)網(wǎng)絡(luò)諧波幅值檢測(cè)方法結(jié)果比插值FFT具有更高的精度。通過(guò)增加訓(xùn)練樣本個(gè)數(shù)可進(jìn)一步提高神經(jīng)網(wǎng)絡(luò)諧波幅值檢測(cè)的精度。

2 基于全相位快速傅里葉變換和自適應(yīng)神經(jīng)網(wǎng)

絡(luò)諧波檢測(cè)

2.1 檢測(cè)步驟

基于全相位快速傅里葉變換和自適應(yīng)神經(jīng)網(wǎng)絡(luò)的諧波檢測(cè)方法的具體步驟如下：

（1） 采集訓(xùn)練樣本。設(shè)定采樣頻率和采樣時(shí)間，采集電網(wǎng)電壓信號(hào)，為全相位快速傅里葉變換提供分析數(shù)據(jù)，為自適應(yīng)人工神經(jīng)網(wǎng)絡(luò)提供訓(xùn)練樣本。

（2） 確定諧波初相位。將電網(wǎng)信號(hào)采樣數(shù)據(jù)經(jīng)過(guò)全相位快速傅里葉變換分析，在分析結(jié)果的幅值譜中找出峰值譜線，并由峰值譜線對(duì)應(yīng)的相位值獲取各諧波的高精度相位。

（3） 初始化諧波幅值檢測(cè)神經(jīng)網(wǎng)絡(luò)。利用諧波相位檢測(cè)結(jié)果設(shè)置神經(jīng)網(wǎng)絡(luò)參考輸入向量中的各次諧波相位值。

（4） 計(jì)算誤差讀取一次訓(xùn)練樣本，根據(jù)采樣時(shí)間計(jì)算神經(jīng)元輸出與此刻的電網(wǎng)信號(hào)采樣值做差，進(jìn)而計(jì)算誤差函數(shù)和性能指標(biāo)。

（5） 根據(jù)誤差調(diào)整神經(jīng)網(wǎng)絡(luò)權(quán)值。

以最小均方差法（LMS）作為諧波幅值檢測(cè)自適應(yīng)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法，則權(quán)值調(diào)整公式，即諧波幅值調(diào)整公式為：

（6） 判斷是否等于訓(xùn)練樣本總數(shù)如果是，再判斷是否達(dá)到最大訓(xùn)練次數(shù)。若達(dá)到最大訓(xùn)練次數(shù)則結(jié)束訓(xùn)練轉(zhuǎn)至下一步。若未達(dá)到，則需計(jì)算并判斷是否達(dá)到性能指標(biāo)要求，達(dá)標(biāo)則轉(zhuǎn)至下一步，不達(dá)標(biāo)則返回步驟（4）再次執(zhí)行。如果否，返回步驟（4）繼續(xù)執(zhí)行。

（7） 訓(xùn)練結(jié)束。根據(jù)所得神經(jīng)網(wǎng)絡(luò)權(quán)值獲得各次諧波幅值。

2.2 諧波檢測(cè)仿真

取511個(gè)電網(wǎng)信號(hào)采樣點(diǎn)經(jīng)過(guò)apFFT分析后，可以看出該諧波相位檢測(cè)具有很高的精度。利用apFFT分析結(jié)果初始化神經(jīng)網(wǎng)絡(luò)，并取50組訓(xùn)練樣本訓(xùn)練神經(jīng)網(wǎng)絡(luò)，可以看出性能指標(biāo)函數(shù)的值在訓(xùn)練次數(shù)足夠大的情況下可以達(dá)到，在經(jīng)過(guò)10次以內(nèi)的訓(xùn)練后基波和諧波檢測(cè)值趨于穩(wěn)定。由實(shí)驗(yàn)數(shù)據(jù)可以看出本文采用的方法極大地提高了諧波幅值的檢測(cè)精度。

3 基于全相位快速傅里葉變換和增強(qiáng)型自適應(yīng)

神經(jīng)網(wǎng)絡(luò)的間諧波檢測(cè)

3.1 增強(qiáng)型自適應(yīng)神經(jīng)網(wǎng)絡(luò)間諧波檢測(cè)模型

諧波檢測(cè)中在基波頻率已知的情況下，由于諧波頻率為基波頻率的整數(shù)倍，因而諧波頻率無(wú)需檢測(cè)。但是對(duì)于間諧波檢測(cè)，由于間諧波頻率為基波頻率的非整數(shù)倍，無(wú)法通過(guò)基波頻率獲知間諧波頻率，因此在間諧波檢測(cè)時(shí)，需要將間諧波的頻率也作為檢測(cè)項(xiàng)[8]。為此，將應(yīng)用于間諧波檢測(cè)的自適應(yīng)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)成如圖3所示的形式。

3.2 諧波檢測(cè)步驟

基于全相位快速傅里葉變換和增強(qiáng)型自適應(yīng)神經(jīng)網(wǎng)絡(luò)的間諧波檢測(cè)步驟如下：

（1） 信號(hào)采集和apFFT分析。將電網(wǎng)信號(hào)濾除已測(cè)量的基波、諧波信號(hào)后得到由間諧波構(gòu)成的信號(hào)，采樣并經(jīng)apFFT算法分析后，得到幅值譜和相位譜。

（2） 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的確定和初始化。由于神經(jīng)網(wǎng)絡(luò)中間層神經(jīng)元的個(gè)數(shù)等于間諧波個(gè)數(shù)，因此通過(guò)apFFT幅值譜峰值譜線的個(gè)數(shù)確定神經(jīng)元個(gè)數(shù)。分別確定間諧波頻率和幅值的學(xué)習(xí)率和動(dòng)量因子。設(shè)定神經(jīng)網(wǎng)絡(luò)的最大訓(xùn)練次數(shù)，開(kāi)始人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。

（3） 計(jì)算誤差。讀取一次訓(xùn)練樣本，根據(jù)式（11）計(jì)算神經(jīng)網(wǎng)絡(luò)實(shí)際輸出，并與此刻的采樣值做差，進(jìn)而計(jì)算誤差函數(shù)和性能指標(biāo)。

（5） 判斷是否等于訓(xùn)練樣本總數(shù)如果是，再判斷是否達(dá)到最大訓(xùn)練次數(shù)。若達(dá)到最大訓(xùn)練次數(shù)則結(jié)束訓(xùn)練轉(zhuǎn)至下一步。若未達(dá)到，則需計(jì)算并判斷是否達(dá)到性能指標(biāo)要求，達(dá)標(biāo)則轉(zhuǎn)至下一步，不達(dá)標(biāo)則返回步驟（3）再次執(zhí)行。如果否，返回步驟（3）繼續(xù)執(zhí)行。

（6） 學(xué)習(xí)結(jié)束。學(xué)習(xí)結(jié)束后，通過(guò)激勵(lì)函數(shù)的角頻率獲取間諧波頻率，通過(guò)神經(jīng)網(wǎng)絡(luò)權(quán)值得到間諧波幅值。

3.3 間諧波檢測(cè)仿真

設(shè)基波頻率為50 Hz，采樣頻率為2 560 Hz，采集511個(gè)點(diǎn)。利用apFFT的分析結(jié)果初始化神經(jīng)網(wǎng)絡(luò)。設(shè)置間諧波幅值調(diào)整的學(xué)習(xí)因子=0.01，設(shè)置動(dòng)量因子=0.3，隨后開(kāi)始訓(xùn)練神經(jīng)網(wǎng)絡(luò)。從實(shí)驗(yàn)數(shù)據(jù)可得，網(wǎng)絡(luò)經(jīng)過(guò)70次左右的在線訓(xùn)練后基本收斂。經(jīng)過(guò)70次訓(xùn)練后幅值誤差都達(dá)到了以下，頻率誤差達(dá)到了以下。通過(guò)對(duì)原始間諧波疊加信號(hào)波形和檢測(cè)得到的間諧波組合信號(hào)波形進(jìn)行對(duì)比可知，基于全相位快速傅里葉變換和增強(qiáng)型自適應(yīng)神經(jīng)網(wǎng)絡(luò)的間諧波檢測(cè)方法具有更高的檢測(cè)精度。

4 LabWindows/CVI諧波檢測(cè)軟件實(shí)現(xiàn)

4.1 諧波檢測(cè)系統(tǒng)設(shè)計(jì)方案

針對(duì)電力系統(tǒng)中存在C波問(wèn)題，利用LabWindows/CVI和計(jì)算機(jī)設(shè)計(jì)虛擬諧波檢測(cè)儀器。主要實(shí)現(xiàn)的功能是分析數(shù)據(jù)采集卡采集的電網(wǎng)電壓數(shù)據(jù)，利用apFFT和自適應(yīng)線性神經(jīng)網(wǎng)絡(luò)算法獲取高精度的諧波電壓幅值和諧波初相位，并通過(guò)計(jì)算機(jī)顯示出檢測(cè)結(jié)果。利用檢測(cè)結(jié)果計(jì)算總諧波畸變率，當(dāng)畸變率超過(guò)標(biāo)準(zhǔn)值時(shí)給出警報(bào)。首先獲取電網(wǎng)電壓采樣信號(hào)，進(jìn)而將采樣信號(hào)經(jīng)過(guò)全相位快速傅里葉變換分析得到基波和各次諧波信號(hào)的高精度相位值，通過(guò)獲得的相位值設(shè)置自適應(yīng)神經(jīng)網(wǎng)絡(luò)激勵(lì)函數(shù)中的諧波相位值，隨后利用采樣數(shù)據(jù)在線訓(xùn)練神經(jīng)網(wǎng)絡(luò)獲得基波和各次諧波的幅值。

4.2 諧波檢測(cè)系統(tǒng)軟件設(shè)計(jì)過(guò)程

基于LabWindows/CVI的諧波檢測(cè)軟件設(shè)計(jì)過(guò)程可分為以下步驟：

（1） 啟動(dòng)LabWindows/CVI編程環(huán)境，創(chuàng)建諧波檢測(cè)軟件工程。

（2） 在用戶界面編程窗口，根據(jù)諧波檢測(cè)的功能要求設(shè)計(jì)虛擬儀器用戶面板。在面板上添加相應(yīng)控件，控件分布設(shè)計(jì)完成后，需要對(duì)控件屬性及其對(duì)應(yīng)的回調(diào)函數(shù)進(jìn)行設(shè)置，使得點(diǎn)擊或使用這些控件時(shí)能夠得到有效的響應(yīng)。

（3） 用戶界面設(shè)計(jì)并保存完成后，LabWindows/CVI自動(dòng)生成程序代碼的主體框架，并通過(guò)菜單欄CodeGenerateMain Function生成main函數(shù)和各個(gè)控件對(duì)應(yīng)的回調(diào)函數(shù)框架程序。

（4） 在各個(gè)控件對(duì)應(yīng)的回調(diào)函數(shù)內(nèi)編寫(xiě)實(shí)現(xiàn)其功能的程序代碼，例如本文在主面板開(kāi)始檢測(cè)按鈕對(duì)應(yīng)的回調(diào)函數(shù)內(nèi)部編寫(xiě)apFFT和神經(jīng)網(wǎng)絡(luò)諧波檢測(cè)算法的代碼，以實(shí)現(xiàn)諧波檢測(cè)功能。

（5） 完成代碼編寫(xiě)、調(diào)試和運(yùn)行程序。

4.3 檢測(cè)軟件實(shí)驗(yàn)測(cè)試

本文通過(guò)讀取兩組離線測(cè)量數(shù)據(jù)對(duì)諧波檢測(cè)功能進(jìn)行實(shí)驗(yàn)檢測(cè)。通過(guò)第一組數(shù)據(jù)的檢測(cè)結(jié)果可以看出諧波幅值較基波幅值低很多，且奇次諧波的幅值較偶次諧波幅值高。通過(guò)apFFT采樣數(shù)據(jù)分析的結(jié)果中，測(cè)量信號(hào)波形和基波波形的對(duì)比可以看出諧波對(duì)基波波形的影響較小。實(shí)驗(yàn)結(jié)果表明該軟件具有很好的諧波檢測(cè)精度。

通過(guò)第二組數(shù)據(jù)的檢測(cè)結(jié)果看出諧波總畸變率超出設(shè)定值（4%），諧波畸變率告警燈變?yōu)榧t色，同時(shí)告警對(duì)話框彈出。諧波檢測(cè)的結(jié)果同時(shí)在表格和柱形圖中顯示。將測(cè)量信號(hào)、諧波疊加信號(hào)和基波信號(hào)的波形進(jìn)行對(duì)比，諧波對(duì)電網(wǎng)電壓的波形影響仍然很有限，保證了電網(wǎng)中負(fù)載的用電安全。此次諧波檢測(cè)的檢測(cè)結(jié)果，檢測(cè)精度仍然較高。

5 結(jié) 論

本文主要對(duì)基于全相位快速傅里葉變換和神經(jīng)網(wǎng)絡(luò)的諧波、間諧波檢測(cè)方法進(jìn)行了研究。針對(duì)現(xiàn)有成熟的諧波檢測(cè)算法檢測(cè)精度不高的問(wèn)題，提出了基于全相位快速傅里葉變換和BP神經(jīng)網(wǎng)絡(luò)的諧波檢測(cè)算法；為了進(jìn)一步提高諧波檢測(cè)精度，減小對(duì)訓(xùn)練樣本的依賴，擴(kuò)大諧波檢測(cè)算法的適用范圍，提出了基于全相位快速傅里葉變換和自適應(yīng)神經(jīng)網(wǎng)絡(luò)的諧波檢測(cè)算法；針對(duì)電力系統(tǒng)間諧波檢測(cè)問(wèn)題，通過(guò)調(diào)整自適應(yīng)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，提出了基于全相位快速傅里葉變換和增強(qiáng)型自適應(yīng)神經(jīng)網(wǎng)絡(luò)的諧波檢測(cè)算法；利用虛擬儀器開(kāi)發(fā)平臺(tái)LabWindows/CVI設(shè)計(jì)了基于全相位快速傅里葉變換和自適應(yīng)神經(jīng)網(wǎng)絡(luò)的諧波檢測(cè)軟件，最后利用兩組數(shù)據(jù)驗(yàn)證了軟件功能。

參考文獻(xiàn)

[1] 肖雁鴻，毛筱.電力系統(tǒng)諧波測(cè)量方法綜述[J].電網(wǎng)技術(shù)，2002，26（6）：61?64.

[2] 聶晶晶，許曉芳，夏安邦，等.電能質(zhì)量監(jiān)測(cè)及管理系統(tǒng)[J].電力系統(tǒng)自動(dòng)化設(shè)備，2005，25（10）：75?77.

[3] 王子績(jī)，孟鑫，張彥兵，等.基于瞬時(shí)無(wú)功功率理論的新型諧波檢測(cè)算法[J].電測(cè)與儀表，2012，49（4）：9?13.

[4] 劉桂英，粟時(shí)平.利用小波傅里葉變換的諧波與間諧波檢測(cè)[J].高電壓技術(shù)，2007，33（6）：184?188.

[5] 危韌勇，李志勇.基于人工神經(jīng)元網(wǎng)絡(luò)的電力系統(tǒng)諧波測(cè)量方法[J].電網(wǎng)技術(shù)，1999，23（12）：20?23.

[6] 王凱亮，曾江，王克英.一種基于BP神經(jīng)網(wǎng)絡(luò)的諧波檢測(cè)方案[J].電力系統(tǒng)保護(hù)與控制，2013（17）：44?48.

[7] 付光杰，曲玉辰，郭靜.RBF神經(jīng)網(wǎng)j在諧波檢測(cè)中的應(yīng)用[J].大慶石油學(xué)院學(xué)報(bào)，2005，29（6）：76?79.

第6篇：神經(jīng)網(wǎng)絡(luò)的功能范文

關(guān)鍵詞：電力系統(tǒng)；神經(jīng)網(wǎng)絡(luò)系統(tǒng)；應(yīng)用；展望

神經(jīng)網(wǎng)絡(luò)泛指生物神經(jīng)網(wǎng)絡(luò)和人工網(wǎng)絡(luò)神經(jīng)兩個(gè)方面，廣泛應(yīng)用于電力系統(tǒng)中的是人工神經(jīng)網(wǎng)絡(luò)，因?yàn)槿斯ど窠?jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)功能、聯(lián)想儲(chǔ)存功能和高速尋找優(yōu)化解的能力，所以不僅可以發(fā)揮計(jì)算機(jī)的高速運(yùn)算能力，還能很快找到最優(yōu)方案，為提升工作效率做出了重大貢獻(xiàn)。正確認(rèn)識(shí)神經(jīng)網(wǎng)絡(luò)系統(tǒng)在電力系統(tǒng)中的巨大功能，不僅能夠提高電力系統(tǒng)的穩(wěn)定性，還能盡最大可能解決電力系統(tǒng)中出現(xiàn)的問(wèn)題，提高電力系統(tǒng)的工作效率。

一、神經(jīng)網(wǎng)絡(luò)系統(tǒng)的含義

人工神經(jīng)網(wǎng)絡(luò)是一種應(yīng)用，類(lèi)似于用大腦神經(jīng)突觸聯(lián)接的結(jié)構(gòu)進(jìn)行信息處理的數(shù)學(xué)模型。在工程界常被成為神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)是一種運(yùn)算模型，有大量的節(jié)點(diǎn)和相互之間的聯(lián)接構(gòu)成。每個(gè)節(jié)點(diǎn)都可以輸出一種特定的函數(shù)，而每?jī)蓚€(gè)節(jié)點(diǎn)的連接則代表一個(gè)聯(lián)接函數(shù)的加權(quán)值，這些就組成了人工神經(jīng)網(wǎng)路的記憶。神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)的輸出就依靠這些網(wǎng)絡(luò)的不同連接方式，也就是說(shuō)輸出函數(shù)和加權(quán)值的不同。

神經(jīng)網(wǎng)絡(luò)通常是通過(guò)一個(gè)基于統(tǒng)計(jì)學(xué)系統(tǒng)的學(xué)習(xí)方法進(jìn)行優(yōu)化的，所以神經(jīng)網(wǎng)絡(luò)系統(tǒng)也是一種數(shù)學(xué)統(tǒng)計(jì)方法。在神經(jīng)網(wǎng)絡(luò)系統(tǒng)中通過(guò)統(tǒng)計(jì)學(xué)的方法可以獲得大量的函數(shù)以來(lái)進(jìn)行空間的模擬和干預(yù)，另外，還可以通過(guò)相應(yīng)的數(shù)據(jù)幫助我們進(jìn)行計(jì)算和判斷，而其產(chǎn)生的數(shù)據(jù)要比傳統(tǒng)的計(jì)算邏輯方法來(lái)的更加簡(jiǎn)便，更有優(yōu)勢(shì)。

二、神經(jīng)網(wǎng)絡(luò)系統(tǒng)在電力系統(tǒng)中的應(yīng)用

1.在電力系統(tǒng)控制中的作用

電力系統(tǒng)的過(guò)程包含很多環(huán)節(jié)，傳統(tǒng)的管理控制過(guò)程不但導(dǎo)致資源的浪費(fèi)，還會(huì)出現(xiàn)數(shù)據(jù)的偏差、錯(cuò)誤，從而影響整個(gè)系統(tǒng)的運(yùn)行。而神經(jīng)網(wǎng)絡(luò)系統(tǒng)的運(yùn)用可以對(duì)電力系統(tǒng)實(shí)現(xiàn)智能控制，利用神經(jīng)網(wǎng)絡(luò)系統(tǒng)的估計(jì)和聯(lián)想力，能對(duì)系統(tǒng)的狀態(tài)和參數(shù)進(jìn)行相應(yīng)的識(shí)別和控制。另外，在變電站電壓控制中，現(xiàn)在的控制策略還存在著一定的盲目性和不確定性。而神經(jīng)網(wǎng)絡(luò)系統(tǒng)可以減少變電站電壓的不穩(wěn)定性，消除綜合控制中的盲目調(diào)節(jié)。

2.在保持電力系統(tǒng)穩(wěn)定性中的作用

傳統(tǒng)的抑制電力系統(tǒng)低頻功率震蕩，保證電力系統(tǒng)穩(wěn)定的電力系統(tǒng)穩(wěn)定器已經(jīng)不能滿足現(xiàn)階段的電力系統(tǒng)了，在復(fù)雜的電力系統(tǒng)面前，傳統(tǒng)的電力系統(tǒng)穩(wěn)定器的計(jì)算方法、計(jì)算數(shù)據(jù)等都會(huì)出現(xiàn)偏差，影響系統(tǒng)最終結(jié)果。于是，現(xiàn)在更多的人用神經(jīng)網(wǎng)路技術(shù)來(lái)設(shè)計(jì)電力系統(tǒng)的穩(wěn)定器，這些穩(wěn)定器可以很好的精確計(jì)算方法、減少計(jì)算數(shù)據(jù)的差異，可以很好的克服傳統(tǒng)電力系統(tǒng)穩(wěn)定器的缺點(diǎn)，使得計(jì)算更加簡(jiǎn)單、省時(shí)、準(zhǔn)確。

3.優(yōu)化運(yùn)算的功能

由于神經(jīng)網(wǎng)絡(luò)系統(tǒng)可以建立非線性的模型，并適于解決數(shù)據(jù)預(yù)報(bào)問(wèn)題，使得電力系統(tǒng)在短期內(nèi)的負(fù)荷預(yù)報(bào)變得可能，且有一定的準(zhǔn)確性。另外神經(jīng)網(wǎng)絡(luò)系統(tǒng)應(yīng)用于電力系統(tǒng)可以對(duì)于電力系統(tǒng)的穩(wěn)定性進(jìn)行分析計(jì)算，取得故障后的系統(tǒng)狀態(tài)數(shù)據(jù)，并對(duì)這些數(shù)據(jù)進(jìn)行相應(yīng)的分析檢驗(yàn)，以進(jìn)行確切數(shù)據(jù)的提煉，優(yōu)化了傳統(tǒng)電力系統(tǒng)中故障數(shù)據(jù)的檢驗(yàn)，使得計(jì)算方法更加簡(jiǎn)便、快捷，從而提高了電力系統(tǒng)網(wǎng)絡(luò)的穩(wěn)定性和準(zhǔn)確性。

4.在繼電保護(hù)中的作用

繼電保護(hù)是電力系統(tǒng)能夠安全、穩(wěn)定運(yùn)行的重要保障。隨著電力系統(tǒng)的發(fā)展完善，傳統(tǒng)的繼電保護(hù)程序已經(jīng)不能滿足要求，利用神經(jīng)網(wǎng)絡(luò)系統(tǒng)組成的繼電保護(hù)系統(tǒng)可以根據(jù)各種系統(tǒng)提供的不同參數(shù)進(jìn)行準(zhǔn)確的模擬、組合，及時(shí)發(fā)現(xiàn)電流、電壓的變化量，通過(guò)收集這些故障的參照樣本，來(lái)對(duì)于本系統(tǒng)進(jìn)行故障模擬，形成相應(yīng)的保護(hù)體系，使得神經(jīng)網(wǎng)絡(luò)系統(tǒng)可以在不同的故障條件下正確判斷、識(shí)別故障，以幫助工作人員了解故障的原委，解決問(wèn)題。

5.在輸電系統(tǒng)中的作用

神經(jīng)網(wǎng)絡(luò)系統(tǒng)廣泛在電力系統(tǒng)中進(jìn)行應(yīng)用還可以有效地對(duì)電力系統(tǒng)的電壓、線路的阻抗、功率等進(jìn)行很好的調(diào)節(jié)控制，從而大大提高電路在電流輸送過(guò)程中的穩(wěn)定性，降低輸電中的損耗，充分實(shí)現(xiàn)電能的高效利用，取得良好的經(jīng)濟(jì)效益。同時(shí)，提高輸電系統(tǒng)的工作效率還能大大提高供電設(shè)備的安全性，并且可以有效的對(duì)相應(yīng)的故障進(jìn)行分析處理，從而使得輸電系統(tǒng)更加合理、完善。

6.構(gòu)建電力系統(tǒng)中的專家系統(tǒng)

由神經(jīng)系統(tǒng)網(wǎng)絡(luò)構(gòu)建的電力系統(tǒng)的專家系統(tǒng)可以通過(guò)計(jì)算機(jī)數(shù)據(jù)收集人類(lèi)專家的知識(shí)，以利用這些知識(shí)為電力系統(tǒng)的建設(shè)提供相當(dāng)于專家水平的技術(shù)建議和決策支持，并能夠給出相應(yīng)正確的推理，使得解決問(wèn)題的知識(shí)結(jié)構(gòu)更加寬泛、更加完善。另外，專家系統(tǒng)還具有啟發(fā)式的知識(shí)，可以很好的減少工作人員的工作強(qiáng)度，同時(shí)還能隨時(shí)進(jìn)行修改補(bǔ)充，因此，將神經(jīng)網(wǎng)絡(luò)用于電力系統(tǒng)中，形成相應(yīng)的專家系統(tǒng)是很有必要的。

7.診斷電力系統(tǒng)故障的作用

要保證電力系統(tǒng)的安全運(yùn)行和供電設(shè)備的安全穩(wěn)定，就要準(zhǔn)確的對(duì)電力系統(tǒng)出現(xiàn)的故障進(jìn)行診斷、排查，以進(jìn)行及時(shí)檢修。但目前看來(lái)，因?yàn)檫@些故障沒(méi)有規(guī)律可循，而且往往牽扯到很多環(huán)節(jié)，很難使用一種確定的方法邏輯進(jìn)行識(shí)別，但神經(jīng)網(wǎng)絡(luò)系統(tǒng)卻可以很好的做到了這一點(diǎn)。以變壓器故障為例，當(dāng)變壓器內(nèi)部出現(xiàn)問(wèn)題時(shí)，變壓器的絕緣油中會(huì)產(chǎn)生異常氣體，使得絕緣油油溫、油壓、絕緣電阻等發(fā)生改變并聚集成一個(gè)標(biāo)準(zhǔn)樣本，通過(guò)神經(jīng)網(wǎng)絡(luò)系統(tǒng)進(jìn)行分析和確認(rèn)，就可以很容易的對(duì)故障做出準(zhǔn)確判斷。

三、神經(jīng)網(wǎng)絡(luò)系統(tǒng)應(yīng)用于電力系統(tǒng)的展望

1.神經(jīng)網(wǎng)絡(luò)系統(tǒng)作為一個(gè)新的數(shù)據(jù)處理系統(tǒng)，還有很多不完善的地方，雖然已經(jīng)做了很多的努力進(jìn)行完善，但是對(duì)于神經(jīng)網(wǎng)絡(luò)系統(tǒng)中的隨機(jī)問(wèn)題還是不能夠完全控制。另外，以現(xiàn)在的技術(shù)手段對(duì)于神經(jīng)網(wǎng)絡(luò)系統(tǒng)的信息處理分析能力還不能進(jìn)行清楚的分析、判斷。所以，要不斷探討更加有利的、完善的知識(shí)理論體系，完善神經(jīng)網(wǎng)絡(luò)系統(tǒng)，以建立起一套完整的理論體系，提高神經(jīng)網(wǎng)絡(luò)系統(tǒng)的穩(wěn)定性，使神經(jīng)網(wǎng)絡(luò)系統(tǒng)發(fā)揮更加重要的作用。

2.神經(jīng)網(wǎng)絡(luò)系統(tǒng)的發(fā)展與應(yīng)用，實(shí)際上是依賴于現(xiàn)實(shí)專家系統(tǒng)的發(fā)展。神經(jīng)網(wǎng)絡(luò)系統(tǒng)的所有數(shù)據(jù)均來(lái)自專家已有知識(shí)或推理出來(lái)的數(shù)據(jù)，因此，并不能忽視現(xiàn)實(shí)專家系統(tǒng)的重要性，只有將現(xiàn)實(shí)專家系統(tǒng)的邏輯思維方法和知識(shí)應(yīng)用體系運(yùn)用到神經(jīng)網(wǎng)絡(luò)系統(tǒng)中才能真正更有效的發(fā)揮神經(jīng)網(wǎng)絡(luò)系統(tǒng)的作用，才能為電力系統(tǒng)的完善提供更加完備的系統(tǒng)理論。

3.神經(jīng)網(wǎng)絡(luò)系統(tǒng)的研究雖然已經(jīng)有了一定進(jìn)展，但是對(duì)于很多企業(yè)來(lái)說(shuō)，實(shí)際應(yīng)用還有很多困難，還存在著技術(shù)差異、人員水平差異、管理差異和經(jīng)濟(jì)實(shí)力差異，所以，雖然理論研究已相對(duì)完整，但在實(shí)際的運(yùn)用過(guò)程中卻遇到了多重阻礙，不僅科技得不到發(fā)展，在人員意識(shí)上也造成了滯后。因此，管理人員要積極轉(zhuǎn)變管理思路，將先進(jìn)科技應(yīng)用于企業(yè)建設(shè)上來(lái)，從而轉(zhuǎn)變員工的意識(shí)，只有各方面全力配合，以及技術(shù)的不斷發(fā)展，才能真正帶動(dòng)企業(yè)的發(fā)展，實(shí)現(xiàn)經(jīng)濟(jì)效益和社會(huì)效益的雙豐收。

結(jié)語(yǔ)：

目前，對(duì)于神經(jīng)網(wǎng)絡(luò)系統(tǒng)在電力系統(tǒng)中的研究還是初步的，有很多不完善的地方，現(xiàn)在進(jìn)行的研究還比較淺顯，神經(jīng)系統(tǒng)還有更大的發(fā)展前途，這就需要科研人員和電力技術(shù)人員不斷通過(guò)實(shí)驗(yàn)、實(shí)踐來(lái)對(duì)神經(jīng)網(wǎng)絡(luò)系統(tǒng)在電力系統(tǒng)中的運(yùn)用進(jìn)行探索，以完善神經(jīng)網(wǎng)絡(luò)系統(tǒng)和電力系統(tǒng)，促進(jìn)科技的發(fā)展和完善，使神經(jīng)網(wǎng)絡(luò)系統(tǒng)可以應(yīng)用到更高水平。

參考文獻(xiàn)：

[1]楊勇.人工神經(jīng)網(wǎng)絡(luò)在電力系統(tǒng)中的應(yīng)用與展望[J].電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)，2001（1）

[2]葉其革，王晨皓，吳捷.模糊神經(jīng)網(wǎng)絡(luò)及其在電力系統(tǒng)中的應(yīng)用研究[J].繼電器，2004（11）

第7篇：神經(jīng)網(wǎng)絡(luò)的功能范文

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò) 化工 應(yīng)用

一、前言

人工神經(jīng)網(wǎng)絡(luò)是一個(gè)多科學(xué)、綜合性的研究領(lǐng)域，它是根據(jù)仿生學(xué)模擬人體大腦結(jié)構(gòu)和運(yùn)行機(jī)制構(gòu)造的非線性動(dòng)力學(xué)系統(tǒng)[1]。神經(jīng)網(wǎng)絡(luò)可以看作是一種具有自組織、自學(xué)習(xí)能力的智能機(jī)器，它能模仿人的學(xué)習(xí)過(guò)程，通過(guò)給網(wǎng)絡(luò)各種范例，把網(wǎng)絡(luò)的實(shí)際輸出與希望輸出比較，根據(jù)偏差修改節(jié)點(diǎn)間的連接權(quán)，直到獲得滿意的輸出?，F(xiàn)已廣泛應(yīng)用于經(jīng)濟(jì)學(xué)、軍事學(xué)、材料學(xué)、醫(yī)學(xué)、生物學(xué)等領(lǐng)域。

化工過(guò)程一般比較復(fù)雜， 對(duì)象特性多變、間歇或半連續(xù)生產(chǎn)過(guò)程多，具有嚴(yán)重非線性特性。因此，其模型化問(wèn)題一直是研究的熱點(diǎn)?；どa(chǎn)過(guò)程的數(shù)據(jù)或?qū)嶒?yàn)室實(shí)驗(yàn)數(shù)據(jù)的擬臺(tái)、分析，是優(yōu)化過(guò)程或優(yōu)化反應(yīng)條件的基礎(chǔ)一般被處理的數(shù)據(jù)可以分為二類(lèi)：靜態(tài)數(shù)據(jù)（static data）和動(dòng)態(tài)數(shù)據(jù)（Dynamic data），對(duì)于靜態(tài)數(shù)據(jù)的關(guān)聯(lián)，神經(jīng)網(wǎng)絡(luò)是一種很有希望的“經(jīng)驗(yàn)?zāi)Ｐ汀睌M合工具。動(dòng)態(tài)過(guò)程數(shù)據(jù)具有系統(tǒng)隨時(shí)間而變化的特征，操作參數(shù)和產(chǎn)物的產(chǎn)量和質(zhì)量之間的關(guān)系更為復(fù)雜。處理和分析動(dòng)態(tài)過(guò)程數(shù)據(jù)的方法除了常用的在物料衡算、能量衡算、反應(yīng)動(dòng)力學(xué)方程、相平衡等基礎(chǔ)上建立數(shù)學(xué)模型（Mathematical Models）、數(shù)理統(tǒng)計(jì)（Statistical Analysis）等方法外，用神經(jīng)網(wǎng)絡(luò)擬合動(dòng)態(tài)過(guò)程數(shù)據(jù)， 建立動(dòng)態(tài)過(guò)程模型， 往往能從動(dòng)態(tài)數(shù)據(jù)提供的模式中提取較為有用的信息，對(duì)過(guò)程進(jìn)行預(yù)測(cè)、故障診斷，從而使過(guò)程得到優(yōu)化。因此，神經(jīng)網(wǎng)絡(luò)以其強(qiáng)大的函數(shù)映射能力， 已經(jīng)廣泛用于化工過(guò)程非線性系統(tǒng)建模領(lǐng)域。 它能夠通過(guò)輸入輸出數(shù)據(jù)對(duì)過(guò)程進(jìn)行有效地學(xué)習(xí)，為化工過(guò)程的綜合發(fā)展提供了一種先進(jìn)的技術(shù)手段。

二、人工神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介

人工神經(jīng)網(wǎng)絡(luò)（英文縮寫(xiě)為ANN）簡(jiǎn)稱神經(jīng)網(wǎng)絡(luò)，是在生物學(xué)和現(xiàn)代神經(jīng)科學(xué)研究的基礎(chǔ)上，對(duì)人類(lèi)大腦的結(jié)構(gòu)和功能進(jìn)行簡(jiǎn)化模仿而形成的新型信息處理系統(tǒng)[2，3]。由“神經(jīng)元”（neurons）或節(jié)點(diǎn)組成。至少含有輸入層、一個(gè)隱含層以及一個(gè)輸出層。輸入層—從外部接受信息并將此信息傳入人工神經(jīng)網(wǎng)絡(luò)，以便進(jìn)行處理；隱含層—接收輸入層的信息，對(duì)所有信息進(jìn)行處理；輸出層—接收人工神經(jīng)網(wǎng)絡(luò)處理后的信息，將結(jié)果送到外部接受器。當(dāng)輸入層從外部收到信息時(shí)，它將被激活，并將信號(hào)傳遞到它的近鄰這些近鄰從輸入層接收到激活信號(hào)后，依次將其輸出到它們的近鄰，所得到的結(jié)果在輸出層以激活模式表現(xiàn)。

神經(jīng)網(wǎng)絡(luò)可以看作是一種具有自組織、自學(xué)習(xí)能力的智能機(jī)器，它能模仿人的學(xué)習(xí)過(guò)程。比如，一個(gè)復(fù)雜化工裝置的操作工人，開(kāi)始學(xué)習(xí)操作時(shí)，由于沒(méi)有經(jīng)驗(yàn)，難以保證控制質(zhì)量。但經(jīng)過(guò)一段時(shí)間學(xué)習(xí)后，他就能逐步提高技能。神經(jīng)網(wǎng)絡(luò)正是模擬人類(lèi)學(xué)習(xí)過(guò)程，通過(guò)給網(wǎng)絡(luò)各種范例，把網(wǎng)絡(luò)的實(shí)際輸出與希望輸出比較，根據(jù)偏差修改節(jié)點(diǎn)間的連接權(quán)，直到獲得滿意的輸出。人工神經(jīng)網(wǎng)絡(luò)研究工作可分成 3個(gè)大方向：（1）探求人腦神經(jīng)網(wǎng)絡(luò)的生物結(jié)構(gòu)和機(jī)制，這實(shí)際上是研究神經(jīng)網(wǎng)絡(luò)理論的初衷；（2）用微電子或光學(xué)器件形成有一定功能的網(wǎng)絡(luò)，這主要是新一代計(jì)算機(jī)制造領(lǐng)域所關(guān)注的問(wèn)題；（3）將人工神經(jīng)網(wǎng)絡(luò)作為一種解決問(wèn)題的手段和方法，而這類(lèi)問(wèn)題用傳統(tǒng)方法無(wú)法解決或在具體處理技術(shù)上尚存在困難。

三、神經(jīng)網(wǎng)絡(luò)在化工中的應(yīng)用

1.故障診斷

當(dāng)系統(tǒng)的某個(gè)環(huán)節(jié)發(fā)生故障時(shí)，若不及時(shí)處理，就可能引起故障擴(kuò)大并導(dǎo)致重大事故的發(fā)生。因此建立高效的、準(zhǔn)確的實(shí)時(shí)故障檢測(cè)和診斷系統(tǒng)，消除故障隱患，及時(shí)排除故障，確保安全、平穩(wěn)、優(yōu)質(zhì)的生產(chǎn)，已成為整個(gè)生產(chǎn)過(guò)程的關(guān)鍵所在。神經(jīng)網(wǎng)絡(luò)是模仿和延伸人腦智能、思維、意識(shí)等功能的非顯形自適應(yīng)動(dòng)力學(xué)系統(tǒng)，其所具有的學(xué)習(xí)算法能使其對(duì)事物和環(huán)境具有很強(qiáng)的自學(xué)習(xí)、自適應(yīng)和自組織能力。神經(jīng)網(wǎng)絡(luò)用于故障診斷和校正不必建立嚴(yán)格的系統(tǒng)公式或其它數(shù)學(xué)模型，經(jīng)數(shù)據(jù)樣本訓(xùn)練后可準(zhǔn)確、有效地偵破和識(shí)別過(guò)失誤差，同時(shí)校正測(cè)量數(shù)據(jù)中的隨機(jī)誤差。與直接應(yīng)用非線性規(guī)劃的校正方法相比，神經(jīng)網(wǎng)絡(luò)的計(jì)算速度快，在化工過(guò)程的實(shí)時(shí)數(shù)據(jù)校正方面具有明顯的優(yōu)勢(shì)。目前應(yīng)用于故障診斷的網(wǎng)絡(luò)類(lèi)型主要有：BP網(wǎng)絡(luò)、RBF網(wǎng)絡(luò)、自適應(yīng)網(wǎng)絡(luò)等。

Rengaswamy[4]等人把神經(jīng)網(wǎng)絡(luò)用在化工過(guò)程的初始故障預(yù)測(cè)和診斷（ FDD）中，提出一種神經(jīng)網(wǎng)絡(luò)構(gòu)架，利用速度訓(xùn)練在分類(lèi)設(shè)計(jì)中明確引入時(shí)間和過(guò)程模型映像的在線更新三個(gè)要素，來(lái)解決化工過(guò)程中的初始故障診斷問(wèn)題。國(guó)內(nèi)也有關(guān)于神經(jīng)網(wǎng)絡(luò)用于故障診斷的報(bào)道，黃道[5]等人以TE （Tenneaaee Eastman，Eastman化學(xué)公司開(kāi)發(fā)的過(guò)程模擬器，提供了一個(gè)實(shí)際工業(yè)過(guò)程的仿真平臺(tái)，是一種國(guó)際上通用的標(biāo)準(zhǔn)仿真模型）模型為背景，根據(jù)模型的特點(diǎn)進(jìn)行了故障診斷。當(dāng)輸入變量接近訓(xùn)練過(guò)的樣本時(shí)，診斷的成功率可達(dá)100％。另外，模糊神經(jīng)元網(wǎng)絡(luò)作為一種更接近人腦思維的網(wǎng)格，也是解決此類(lèi)問(wèn)題的一個(gè)發(fā)展方向。李宏光[6]等人就針對(duì)化工非線性過(guò)程建模問(wèn)題， 提出了由函數(shù)逼近和規(guī)則推理網(wǎng)絡(luò)構(gòu)成的模糊神經(jīng)網(wǎng)絡(luò)，其規(guī)則網(wǎng)絡(luò)基于過(guò)程先驗(yàn)知識(shí)用于對(duì)操作區(qū)間的劃分，而函數(shù)網(wǎng)絡(luò)采用改進(jìn)型模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)完成非線性函數(shù)逼近，并將該技術(shù)應(yīng)用于工業(yè)尿素 CO2汽提塔液位建模。

2.化工過(guò)程控制

隨著神經(jīng)網(wǎng)絡(luò)研究的不斷深入，其越來(lái)越多地應(yīng)用于控制領(lǐng)域的各個(gè)方面，從過(guò)程控制、機(jī)器人控制、生產(chǎn)制造、模式識(shí)別直到?jīng)Q策支持神經(jīng)網(wǎng)絡(luò)都有應(yīng)用。神經(jīng)網(wǎng)絡(luò)可以成功地建立流程和控制參數(shù)問(wèn)的非線性關(guān)系及構(gòu)造相關(guān)的數(shù)學(xué)模型，并可跟蹤瞬息過(guò)程及具有穩(wěn)健功能等，因此可有效地用于化工過(guò)程最優(yōu)化和控制。

1986年，Rumelhart第一次將ANN用于控制界。神經(jīng)元網(wǎng)絡(luò)用于控制有兩種方法，一種用來(lái)構(gòu)造模型，主要利用對(duì)象的先驗(yàn)信息，經(jīng)過(guò)誤差校正反饋，修正網(wǎng)絡(luò)權(quán)值，最終得到具有因果關(guān)系的函數(shù)，實(shí)現(xiàn)狀態(tài)估計(jì)，進(jìn)而推斷控制；另一種直接充當(dāng)控制器，就像PID控制器那樣進(jìn)行實(shí)時(shí)控制。神經(jīng)元網(wǎng)絡(luò)用于控制，不僅能處理精確知識(shí)，也能處理模糊信息。Tsen[7]等利用混合神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)乙酸乙烯酯（VA）的乳液聚合過(guò)程的預(yù)測(cè)控制。原有的該間歇過(guò)程的復(fù)雜的機(jī)理模型可對(duì)單體轉(zhuǎn)化率做出較準(zhǔn)確的預(yù)測(cè)，然而對(duì)產(chǎn)品性質(zhì)（如數(shù)均相對(duì)分子質(zhì)量及其分布）的預(yù)測(cè)不太可靠。所建的混合型神經(jīng)網(wǎng)絡(luò)模型用于實(shí)現(xiàn)過(guò)程的反饋預(yù)測(cè)控制。國(guó)內(nèi)對(duì)神經(jīng)網(wǎng)絡(luò)的實(shí)質(zhì)性研究相對(duì)較晚，譚民[8]在1990年提出了一種基于神經(jīng)網(wǎng)絡(luò)雙向聯(lián)想機(jī)制的控制系統(tǒng)故障診斷方法，并且作了仿真驗(yàn)證。清華大學(xué)自動(dòng)化系則開(kāi)發(fā)了一種基于時(shí)序神經(jīng)網(wǎng)絡(luò)的故障預(yù)報(bào)方法，利用工藝現(xiàn)場(chǎng)數(shù)據(jù)對(duì)大型氯堿廠的氯氣中含氫氣的問(wèn)題進(jìn)行了模擬預(yù)報(bào)實(shí)驗(yàn)。

3.藥物釋放預(yù)測(cè)

建立精確的緩釋微膠囊模型是找出最優(yōu)的工藝條件及掌握芯材釋放規(guī)律的重要一步。緩釋微膠囊的性能與影響因素之間足一種多輸入、多輸出、復(fù)雜的非線性關(guān)系。機(jī)理分析法和傳統(tǒng)的系統(tǒng)辨識(shí)法對(duì)輸入、多輸出問(wèn)題適應(yīng)性差，過(guò)分依賴研究領(lǐng)域的知識(shí)與經(jīng)驗(yàn)，難以得到實(shí)用的緩釋微膠囊模型。人工神經(jīng)網(wǎng)絡(luò)能夠很好地解決傳統(tǒng)方法不能解決的具有高度非線性、耦合性、多變量性系統(tǒng)的建模問(wèn)題并具有獨(dú)特的優(yōu)勢(shì)。

趙武奇[9]等人建立了紅景天苷緩釋微囊的人工神經(jīng)網(wǎng)絡(luò)模型及其遺傳算法優(yōu)化技術(shù)，用神經(jīng)網(wǎng)絡(luò)模型描述了微囊制作參數(shù)與性能之間的關(guān)系，并用遺傳算法優(yōu)化微囊制作工藝參數(shù)，設(shè)計(jì)出性能最佳的微囊制作工藝參數(shù)。范彩霞[10]等人以難溶性藥物氟比洛芬為模型藥物，制備了17個(gè)處方并進(jìn)行釋放度檢查。氟比洛芬和轉(zhuǎn)速作為自變量，取其中l(wèi)4個(gè)處方為訓(xùn)練處方，其余3個(gè)處方為驗(yàn)證處方，將自變量作為人工神經(jīng)網(wǎng)絡(luò)的輸入，藥物在各個(gè)取樣時(shí)間點(diǎn)的釋放為輸出，采用剔除一點(diǎn)交叉驗(yàn)證法建立了人工神經(jīng)網(wǎng)絡(luò)模型。并通過(guò)線性回歸和相似因子法比較人工神經(jīng)網(wǎng)絡(luò)和基于二元二項(xiàng)式的響應(yīng)面法的預(yù)測(cè)能力，顯示了人工神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)值與實(shí)測(cè)值的接近程度。

4.物性估算

用神經(jīng)網(wǎng)絡(luò)來(lái)解決估算物質(zhì)的性質(zhì)必須解決三個(gè)基本問(wèn)題，第一個(gè)是對(duì)物質(zhì)的表征問(wèn)題；第二個(gè)是采用何種神經(jīng)網(wǎng)絡(luò)及其算法問(wèn)題；第三個(gè)是神經(jīng)網(wǎng)絡(luò)輸入與輸出數(shù)據(jù)的歸一化問(wèn)題。無(wú)論采用哪種方法對(duì)數(shù)據(jù)進(jìn)行處理，當(dāng)用經(jīng)過(guò)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)進(jìn)行物性估計(jì)時(shí)，不能將網(wǎng)絡(luò)直接的輸出值作為物性預(yù)估值，而是要將輸出值再乘上一個(gè)系數(shù)，這個(gè)系數(shù)就是前面進(jìn)行歸一化處理時(shí)對(duì)數(shù)據(jù)的除數(shù)，相乘后得到的值作為物性估算值。神經(jīng)網(wǎng)絡(luò)用于物性估算，目前采用的就是BP網(wǎng)絡(luò)或在此基礎(chǔ)上的各種改進(jìn)形式。常壓沸點(diǎn)進(jìn)行估算和研究。Prasad[11]等人利用神經(jīng)網(wǎng)絡(luò)對(duì)有機(jī)化合物的物理性質(zhì)進(jìn)行了預(yù)測(cè)，并與傳統(tǒng)的基團(tuán)貢獻(xiàn)法比較，可以得到更為準(zhǔn)確的物性參數(shù)。而后，董新法、方利國(guó)[12]等人將神經(jīng)網(wǎng)絡(luò)在物性估算中的應(yīng)用作了一個(gè)全面而又簡(jiǎn)要的講解，并提出神經(jīng)網(wǎng)絡(luò)在物性估算中潛在的應(yīng)用前景，為其發(fā)展及其以后的應(yīng)用研究提供了很好的工作平臺(tái)。

目前，人工神經(jīng)網(wǎng)絡(luò)在各個(gè)領(lǐng)域中的應(yīng)用都在向人工智能方向發(fā)展。不斷豐富基礎(chǔ)理論和開(kāi)展應(yīng)用研究、完善其技術(shù)的可靠性、開(kāi)發(fā)智能性化工優(yōu)化專家系統(tǒng)軟件，對(duì)于我國(guó)的化工發(fā)展具有重要意義。此外，模糊理論、小波變換、統(tǒng)計(jì)學(xué)方法和分形技術(shù)等信息處理方法和理論與神經(jīng)網(wǎng)絡(luò)的結(jié)合解決化工類(lèi)問(wèn)題，被認(rèn)為是一種發(fā)展趨勢(shì)。

參考文獻(xiàn)

[1]高大文，王鵬，蔡臻超.人工神經(jīng)網(wǎng)絡(luò)中隱含層節(jié)點(diǎn)與訓(xùn)練次數(shù)的優(yōu)化[J].哈爾濱工業(yè)大學(xué)學(xué)報(bào)， 2003， 35（2）： 207-209.

[2]蘇碧瑤.人工神經(jīng)網(wǎng)絡(luò)的優(yōu)化方法[J]. 科技資訊， 2011（30）： 239-240.

[3]黃忠明， 吳志紅， 劉全喜. 幾種用于非線性函數(shù)逼近的神經(jīng)網(wǎng)絡(luò)方法研究[J]. 兵工自動(dòng)化，2009， 28（10）： 88-92.

[4]Rengaswamy R， Venkatasubramanian V. A fast training neural network and its updation for incipient fault detection and diagnosis[J].Computers and Chemical Engineering， 2000，（24）： 431-437.

[5]黃道， 宋欣.神經(jīng)網(wǎng)絡(luò)在化工過(guò)程故障診斷中的應(yīng)用[J].控制工程，2006，（13）： 6-9.

[6]李宏光，何謙.化工過(guò)程建模中的一類(lèi)復(fù)合型模糊神經(jīng)網(wǎng)絡(luò)[J]. 計(jì)算機(jī)與應(yīng)用化學(xué)，2000，17（5）： 399-402.

[7]Tsen A D， Shi S J， Wong D SH， etal. Predictive Control of Quality in Batch Polymerization Using a Hybrid Artificial Neural Network Model[J]. AIChE Journal，1996， 42（2）： 455-465.

[8]譚民， 疏松桂. 基于神經(jīng)元網(wǎng)絡(luò)的控制系統(tǒng)故障診斷[J]. 控制與決策， 1990（1）： 60-62.

[9]趙武奇， 殷涌光， 仇農(nóng)學(xué). 基于神經(jīng)網(wǎng)絡(luò)和遺傳算法的紅景天苷緩釋微囊制備過(guò)程建模與優(yōu)化[J]. 西北農(nóng)林科技大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2006，34（11）： 106-110.

[10] 范彩霞， 梁文權(quán)， 陳志喜. 人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)氟比洛芬HPMC緩釋片的藥物釋放[J]. 中國(guó)醫(yī)藥工業(yè)雜志， 2006， 37（10）： 685-688.

[11]Prasad Y， Bhagwat S S. Simple Neural Network Models for Prediction of Physical Properties of Organic Compounds[J].Chemical Engineering & Technology， 2002， 25（11）： 1041-1046.

第8篇：神經(jīng)網(wǎng)絡(luò)的功能范文

關(guān)鍵詞：PID;神經(jīng)網(wǎng)絡(luò);VHDL;FPGA

中圖分類(lèi)號(hào)：TP18 文獻(xiàn)標(biāo)識(shí)碼：B

文章編號(hào)：1004-373X(2009)01-101-03

Realization of PID Neural Network Based on VHDL

WANG Zhongliang,XIAO Hua

(Tongling University,Tongling,244000,China)

Abstract：The core of nonlinear PID neural network controller with one variable and multi- variable is PID neural network module.The paper analyses the design theory of PID neural network,provids a ring circuit configuration to realize PID neural network module,designs and realizes 3-layer PID neural network module with top-down design methodology based on VHDL.The simulation suggests the module operates well.The synthesizing result shows that the realization of network only uses 175 LEs and 9 embedded hardware multipliers,the maximal frequency can reach 116 MHz.

Keywords：PID;neural network;VHDL;FPGA

0 引 言

數(shù)字PID控制是在生產(chǎn)過(guò)程中被普遍采用的控制方法,具有結(jié)構(gòu)簡(jiǎn)單、容易控制、參數(shù)能夠靈活整定的特點(diǎn)。但當(dāng)被控對(duì)象存在非線性和時(shí)變特性時(shí),傳統(tǒng)的PID控制器往往難以獲得滿意的控制效果。神經(jīng)網(wǎng)絡(luò)以其強(qiáng)大的信息綜合能力為解決復(fù)雜控制系統(tǒng)問(wèn)題提供了理論基礎(chǔ),許多學(xué)者也通過(guò)軟件仿真的形式驗(yàn)證了神經(jīng)網(wǎng)絡(luò)控制的可行性并提出了一些新的算法,但由于沒(méi)有相應(yīng)的硬件支持,只通過(guò)軟件編程,利用串行方法來(lái)實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)控制必然導(dǎo)致運(yùn)算速度低,難以保證實(shí)時(shí)控制。為此,研究人員提出了多種神經(jīng)網(wǎng)絡(luò)專用硬件實(shí)現(xiàn)的方法和技術(shù),包括FPGA(Field Programmable Gate Array)實(shí)現(xiàn)［1,2］、神經(jīng)芯片［3-6］以及DSP加速板等。近年來(lái),隨著工藝的進(jìn)步,數(shù)字FPGA結(jié)構(gòu)靈活、通用性強(qiáng)、速度快、功耗低,用它來(lái)構(gòu)造神經(jīng)網(wǎng)絡(luò),可以靈活地實(shí)現(xiàn)各種運(yùn)算功能和學(xué)習(xí)規(guī)則,并且設(shè)計(jì)周期短、系統(tǒng)速度快、可靠性高。

隨著FPGA技術(shù)的不斷發(fā)展,各種智能控制策略的FPGA固核實(shí)現(xiàn)的研究隨之活躍。同時(shí),FPGA技術(shù)不但可作為ASIC的快速原型樣機(jī)驗(yàn)證,而且其低成本大容量的FPGA用于實(shí)現(xiàn)控制器已有可能與傳統(tǒng)的MCU相抗衡。FPGA的大容量、并行性、快速性、靈活性及可重配置性,將使它成為一種新型而有效的單片控制器。PID神經(jīng)網(wǎng)絡(luò)控制器的核心部件是PID神經(jīng)網(wǎng)絡(luò)［7,8］,這里基于硬件描述語(yǔ)言(VHDL)描述PID神經(jīng)網(wǎng)絡(luò)并綜合成硬件電路,借助

FPGA現(xiàn)場(chǎng)可編程的特點(diǎn)完成PID神經(jīng)網(wǎng)絡(luò)的FPGA設(shè)計(jì)。

1 PID神經(jīng)網(wǎng)絡(luò)算法原理

PID神經(jīng)網(wǎng)絡(luò)是具有非線性特性的3層前向網(wǎng)絡(luò)。隱層節(jié)點(diǎn)分別為比例(P)、積分(I)、微分(D)單元,因此是動(dòng)態(tài)前饋網(wǎng)絡(luò)。PID神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示,輸入層、隱層、輸出層節(jié)點(diǎn)為2,3,1個(gè)［9］。

其中,輸入層神經(jīng)元的輸入:

u(k)=［u1(k),u2(k)］

其輸出與輸入相等。

隱層第i個(gè)神經(jīng)元的輸入：

xi(k)=∑2j=1w ijuj(k), i=1,2,3

式中,w ij是輸入層第j個(gè)節(jié)點(diǎn)至隱層第i個(gè)節(jié)點(diǎn)的權(quán)值。

隱層比例、積分、微分神經(jīng)元的輸出qi(k),i=1,2,3,計(jì)算如下：

比例：q1(k)=x1(k);

積分：q2(k)=q2(k－1)+x2(k);

微分：q3(k)=x3(k)－x3(k－1)。

圖1 PID神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

輸出層神經(jīng)元的輸入是隱層各節(jié)點(diǎn)輸出的加權(quán)和：

x′(k)=∑3i=1hiqi(k)

式中,hi是隱層節(jié)點(diǎn)i至輸出節(jié)點(diǎn)的權(quán)值。

輸出層神經(jīng)元的輸出,即網(wǎng)絡(luò)的輸出：

y(k)=x′(k)

式中,k為時(shí)鐘信號(hào)。

PID神經(jīng)網(wǎng)絡(luò)是神經(jīng)PID控制的核心部分,網(wǎng)絡(luò)的輸入與輸出的函數(shù)關(guān)系為單調(diào)上升的非線性關(guān)系,它們之間的連接采用權(quán)的辦法實(shí)現(xiàn),每層網(wǎng)絡(luò)的輸入是其他神經(jīng)元輸出的加權(quán)和,因此在電路實(shí)現(xiàn)中需要完成：

(1) 實(shí)現(xiàn)兩個(gè)信號(hào)的相乘。在神經(jīng)網(wǎng)絡(luò)中權(quán)的數(shù)量很多,加權(quán)的計(jì)算都用乘法完成,因此對(duì)應(yīng)于兩個(gè)信號(hào)相乘的電路必不可少。

(2) 實(shí)現(xiàn)加權(quán)后脈沖累加。

(3) 實(shí)現(xiàn)比例、積分、微分運(yùn)算。

2 PID神經(jīng)網(wǎng)絡(luò)電路模型

PID神經(jīng)網(wǎng)絡(luò)中,乘法是利用與門(mén)進(jìn)行的。兩個(gè)脈沖序列通過(guò)“與”以后的輸出即為二者的乘積；兩個(gè)脈沖序列的占空比為1/2和1/3相“與”后,脈沖序列的占空比為1/6,從而達(dá)到相乘的目的。

權(quán)值存儲(chǔ)在寄存器中,寄存器可以與外界的計(jì)算機(jī)內(nèi)存或EPROM相聯(lián),因而權(quán)值可從外面寫(xiě)入。這意味著權(quán)值的存儲(chǔ)和權(quán)值的改變沒(méi)有什么困難,可以設(shè)計(jì)出可重構(gòu)的神經(jīng)網(wǎng)絡(luò)模型。

累加器是用計(jì)數(shù)器完成的,從乘法器輸出的脈沖串經(jīng)過(guò)計(jì)數(shù)器實(shí)現(xiàn)累加,當(dāng)累加到達(dá)閾值時(shí)即作為神經(jīng)元的一個(gè)狀態(tài)輸出。

比例、積分、微分運(yùn)算可利用寄存器的延遲特性來(lái)完成。

圖2給出了PID神經(jīng)網(wǎng)絡(luò)的環(huán)形電路結(jié)構(gòu)示意圖［10］。圖中自下而上把網(wǎng)絡(luò)分成3層結(jié)構(gòu),輸入層xi值的確定,隱層比例、積分、微分運(yùn)算,輸出層y值的確定。輸入層在水平方向上有個(gè)大的環(huán)形移位寄存器結(jié)構(gòu),只使用一個(gè)輸入端口加載所有的權(quán)值,權(quán)值按照順序移位,直到每個(gè)寄存器都存儲(chǔ)相應(yīng)的權(quán)值,然后權(quán)值與輸入相乘并累加。輸出層也用環(huán)形移位寄存器來(lái)加載權(quán)值hi。

圖2 PID神經(jīng)網(wǎng)絡(luò)的環(huán)形電路結(jié)構(gòu)示意圖

3 PID神經(jīng)網(wǎng)絡(luò)FPGA實(shí)現(xiàn)

應(yīng)用Altera公司的Quartus Ⅱ工具和目標(biāo)芯片EP2C8Q208C7設(shè)計(jì)PID神經(jīng)網(wǎng)絡(luò)模塊。采用電路圖與 VHDL相結(jié)合、自上而下、分層次的方法設(shè)計(jì),其頂層原理圖如圖3所示。在頂層將PID神經(jīng)網(wǎng)絡(luò)模塊分四個(gè)功能模塊,然后再用VHDL語(yǔ)言實(shí)現(xiàn)各功能模塊,并對(duì)其進(jìn)行仿真驗(yàn)證。

圖3 PID神經(jīng)網(wǎng)絡(luò)頂層原理圖

圖3中pid_1,pid_2,pid_3分別實(shí)現(xiàn)xi,qi和y的計(jì)算,由于pid_3實(shí)現(xiàn)y輸出計(jì)算時(shí),采用環(huán)形移位寄存器實(shí)現(xiàn)h值的輸入需要3個(gè)時(shí)鐘周期,所以采用clk_3實(shí)現(xiàn)3分頻。主時(shí)鐘信號(hào)直接送給pid_3,分頻后的時(shí)鐘信號(hào)clkout送給pid_1和pid_2。

采用Quartus Ⅱ集成開(kāi)發(fā)環(huán)境,PID神經(jīng)網(wǎng)絡(luò)的綜合結(jié)果如圖4所示。clk的最高頻率為116 MHz。

圖4 PID神經(jīng)網(wǎng)絡(luò)綜合結(jié)果

4 仿 真

PID神經(jīng)網(wǎng)絡(luò)運(yùn)算的仿真波形如圖5所示,為了觀測(cè)方便,在仿真時(shí)把輸入信號(hào)固定為 u1＝

3,u2＝4,clk時(shí)鐘周期為1 μs,分頻后的時(shí)鐘信號(hào)clkout為3 μs。程序中利用clkout來(lái)對(duì)權(quán)值w的移入,完成輸入層的計(jì)算需要6個(gè)clkout,隱層的PID運(yùn)算需要1個(gè)clkout。所以在圖5中,當(dāng)?shù)?個(gè)clkout上升沿到來(lái)時(shí), q值由第6個(gè)clkout上升沿到來(lái)后x的情況確定,此時(shí)的計(jì)算x值對(duì)應(yīng)的權(quán)值w［1..6］分別為［6,5,4,3,2,1］,計(jì)算得q1=38,q2=54,q3=7。權(quán)值h的移入通過(guò)clk來(lái)完成,在第7個(gè)clkout上升沿后,權(quán)值h的輸入有3種:當(dāng)h［1,2,3］分別為［10,9,8］時(shí),計(jì)算出y=922,當(dāng)h［1,2,3］分別為［1,10,9］時(shí),計(jì)算出y=641;當(dāng)h［1,2,3］分別為［2,1,10］時(shí),計(jì)算出y=200。

圖5 PID神經(jīng)網(wǎng)絡(luò)仿真波形

5 結(jié) 語(yǔ)

神經(jīng)網(wǎng)絡(luò)隨著神經(jīng)元的增多,其在線計(jì)算量增大,硬件實(shí)現(xiàn)是最理想的方式,研究中采用VHDL語(yǔ)言在RTL級(jí)描述神經(jīng)網(wǎng)絡(luò),層次化設(shè)計(jì),時(shí)序驗(yàn)證方便,易于FPGA實(shí)現(xiàn)。在此利用VHDL語(yǔ)言設(shè)計(jì)和實(shí)現(xiàn)了PID神經(jīng)網(wǎng)絡(luò)模塊,此模塊可以應(yīng)用到單變量或多變量

非線性PID神經(jīng)網(wǎng)絡(luò)控制器上。

當(dāng)對(duì)神經(jīng)網(wǎng)絡(luò)的速度有較高要求時(shí),可利用FPGA的可編程特點(diǎn)進(jìn)行面積和速度的折衷考慮,適當(dāng)增加面積占用率來(lái)相應(yīng)提高芯片運(yùn)動(dòng)速度。這在串行時(shí)序機(jī)應(yīng)用系統(tǒng)中是難以實(shí)現(xiàn)的,也是FPGA實(shí)現(xiàn)智能算法的優(yōu)勢(shì)所在。同時(shí)由于PID神經(jīng)網(wǎng)絡(luò)具有3層結(jié)構(gòu),利用FPGA芯片的可重構(gòu)特點(diǎn)可以進(jìn)一步降低芯片規(guī)模。

參考文獻(xiàn)

［1］Wang Q,Yi B,XIE Y,et al.The Hardware Structure Design of Perceptron with FPGA Implementation\.Proceedings of IEEE International Conference on Systems,Man and Cybernetics\.Washington D.C.,2003.

［2］Ferreira P,R

［3］Hammerstrom D.A VLSI Architecture for Hign Perfor-mance,Low-cost,On-chip Learning\.Proceedings of International Joint Conference on Neural Networks\.San Diego,1990.

［4］Murtagh P J,Tsoi A C.A Reconfigurable bit-serial VLSI Systolic Array Neuro-chip\.Parallel Distrib Comput,1997,44(1):53-70.

［5］Hikawa H.A New Digital pulse-mode Neuron with Adjustable Transfer Function\.IEEE Trans.Neural Networks,2003,14(1):236-242.

［6］Faiedh H,Gafsi Z,Torki K,et al.Digital Hardware are Implementation of a Neural Network Used for Classification\.Proceeding of the 16th International Conference on Microelectronics\.Tunis,2004.

［7］付學(xué)志,姚旺生,茍偉,等.基于FPGA的高速PID控制器設(shè)計(jì)與仿真\.電子技術(shù)應(yīng)用,2007,33(1)：87-89.

［8］戢方,雷勇,王俊.自頂向下基于DSP Builder的PID控制系統(tǒng)開(kāi)發(fā)\.現(xiàn)代電子技術(shù),2007,30(9)：127-129.

［9］徐麗娜.神經(jīng)網(wǎng)絡(luò)控制\.北京：電子工業(yè)出版社,2003.

［10］Volnei A Pedroni.VHDL數(shù)字電路設(shè)計(jì)教程\.北京：電子工業(yè)出版社,2005.

第9篇：神經(jīng)網(wǎng)絡(luò)的功能范文

關(guān)鍵詞：無(wú)刷直流電機(jī)；PID；模糊控制；BP神經(jīng)網(wǎng)絡(luò)；模糊神經(jīng)網(wǎng)絡(luò)（FNN）

中圖分類(lèi)號(hào)：TP393 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2016）17-0185-03

Abstract： Based on the traditional PID control， the brushless dc motor speed the introduction of Fuzzy control， Fuzzy PID controller is designed. Then the Fuzzy control and neural network are integrated， make the membership functions and fuzzy rules and fuzzy reasoning mapping of BP network structure and parameters， extracting of Fuzzy PID controller input/output data， training the BP neural network， construction of fuzzy neural network （FNN） controller， the brushless dc motor speed loop stability control is realized. System simulation results show that Fuzzy PID and Fuzzy neural network control strategy is superior to traditional PID control， and the adaptive ability of the control system of brushless motor， the dynamic and static performance， and obviously improve the ability to resist load disturbance.

Key words： Brushless dc motor； PID； Fuzzy control； BP neural network； fuzzy neural network （FNN）

無(wú)刷直流電機(jī)的產(chǎn)生憑借其體積小、重量輕、結(jié)構(gòu)簡(jiǎn)單、維護(hù)方便、運(yùn)行可靠、效率高等諸多優(yōu)點(diǎn)，在許多領(lǐng)域得到了廣泛應(yīng)用[1]。由于無(wú)刷直流電機(jī)調(diào)速控制系統(tǒng)是多變量、強(qiáng)耦合的非線性系統(tǒng)，而傳統(tǒng)的 PID 控制只適用于線性系統(tǒng)，并且主要依賴于系統(tǒng)精確的數(shù)學(xué)模型，在一些要求高精度、高性能的場(chǎng)合，PID 調(diào)速已不能滿足較高的控制要求。因此，研究采用新型智能化控制方法提高控制系統(tǒng)的整體性能具有重要意義。

模糊控制是智能控制的一個(gè)重要分支，它是一種以模糊集合論、模糊語(yǔ)言變量和模糊邏輯推理為基礎(chǔ)的計(jì)算機(jī)控制[2-4]。人工神經(jīng)網(wǎng)絡(luò)是從微觀結(jié)構(gòu)和功能上對(duì)人腦神經(jīng)系統(tǒng)的模擬而建立起來(lái)的一類(lèi)模型，具有非線性、學(xué)習(xí)能力和自適應(yīng)特征[5]。

本文將模糊控制和神經(jīng)網(wǎng)絡(luò)控制相融合，優(yōu)勢(shì)互補(bǔ)，設(shè)計(jì)了一個(gè)模糊神經(jīng)網(wǎng)絡(luò)控制器對(duì)無(wú)數(shù)直流電機(jī)的轉(zhuǎn)速環(huán)進(jìn)行控制。通過(guò)仿真實(shí)驗(yàn)與傳統(tǒng)PID控制進(jìn)行比較研究。

1 PID控制

PID控制是將經(jīng)過(guò)反饋后得到的誤差信號(hào)分別進(jìn)行比例、積分和微分運(yùn)算疊加得到控制器輸出信號(hào)。常規(guī)PID控制系統(tǒng)仿真模型如圖1所示。

式中，KP為比例系數(shù)，為積分時(shí)間常數(shù)，[τ]為微分時(shí)間常數(shù)，三者都是可調(diào)參數(shù)。在實(shí)際應(yīng)用中多是通過(guò)試湊法來(lái)確定PID的參數(shù)。

2 模糊PID控制器

模糊控制器設(shè)計(jì)：結(jié)構(gòu)如圖2所示。輸入為偏差e和偏差變化率[ec=de/dt]，輸出量為實(shí)際控制量u。偏差 E、EC、U 的模糊子集均?。簕NB，NM，NS，ZO，PS，PM，PB}，論域均為[-6，6]，選取正態(tài)分布隸屬度函數(shù)。當(dāng)控制系統(tǒng)輸入為2500rpm時(shí)，設(shè)置比例因子分別為[ke=0.0024]，[kec=0.000022]，[ku=416]。對(duì)應(yīng)的模糊控制規(guī)則如表1所示。

基于Matlab 2009a軟件環(huán)境，對(duì)無(wú)刷電機(jī)（BLDCM）和逆變器模型搭建Simulink仿真模型。BLDCM參數(shù)：額定功率 P=1kW，額定轉(zhuǎn)速[ne]=3000rpm，定子繞組相電阻R=2.875?，繞組自感L=8.5mH，互感M=1.2mH，轉(zhuǎn)動(dòng)慣量[J=0.008kg?m2]，極對(duì)數(shù)[p=4]。參數(shù)設(shè)置：給定2500rpm，采樣周期[Ts=5×10-5s]，PID參數(shù)：[kp=100]，[ki=5]，[kd=0.1]。PID與模糊控制器切換點(diǎn)設(shè)置為12。模糊PID控制的無(wú)刷直流電機(jī)控制系統(tǒng)仿真模型如圖3所示。

3 基于 BP神經(jīng)網(wǎng)絡(luò)的模糊神經(jīng)網(wǎng)絡(luò)控制器

BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)[6]，其結(jié)構(gòu)如圖6所示，網(wǎng)絡(luò)由輸入層、隱層、輸出層組成。結(jié)構(gòu)為i-j-m。[wij]為輸入到隱層連接權(quán)，[wjm]為隱層到輸出的連接權(quán)。

本文采用單輸入/單輸出的網(wǎng)絡(luò)結(jié)構(gòu)，隱層取15個(gè)神經(jīng)元，即網(wǎng)絡(luò)結(jié)構(gòu)為1-15-1。將圖3所示的模糊PID控制系統(tǒng)采集誤差e和控制器輸出u，作為網(wǎng)絡(luò)的輸入、輸出量，共采集1000組數(shù)據(jù)樣本，歸一化后輸入網(wǎng)絡(luò)進(jìn)行離線訓(xùn)練。參數(shù)設(shè)置：誤差精度設(shè)置為0.00001，隱層函數(shù)為“tansig”，輸出層函數(shù)選擇“purelin”，訓(xùn)練方式為“trainlm”，該方法具有較快的收斂速度。將訓(xùn)練好的BP網(wǎng)絡(luò)提取Simulink模型后作為模糊神經(jīng)網(wǎng)絡(luò)控制器，導(dǎo)入至電機(jī)控制系統(tǒng)，置換PID控制器如圖7所示。然后還需調(diào)節(jié)歸一化、反歸一化參數(shù)，并進(jìn)行給定輸入、負(fù)載擾動(dòng)作用下的實(shí)驗(yàn)。

負(fù)載擾動(dòng)為3[N?m]，輸入啟動(dòng)信號(hào)為2500rpm，測(cè)試響應(yīng)曲線。將PID和FNN兩種控制方法的轉(zhuǎn)速仿真結(jié)果歸納為一個(gè)圖，如圖8所示。圖中FNN表示模糊神經(jīng)網(wǎng)絡(luò)控制器。常規(guī)PID控制器參數(shù)：[kp=17] [ki=0.013]，[kd=0]。兩種方法控制器限幅值均為[-500，500]。

由圖8明顯看出，采用模糊神經(jīng)網(wǎng)絡(luò)控制性能比PID控制好很多，達(dá)到無(wú)超調(diào)，響應(yīng)速度很快，抗負(fù)載擾動(dòng)能力很強(qiáng)，而PID控制無(wú)論啟動(dòng)還是抗干擾適應(yīng)能力弱。從而證明了模糊神經(jīng)網(wǎng)絡(luò)控制的優(yōu)越性。

模糊控制與神經(jīng)網(wǎng)絡(luò)方法融合，是將神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力引入到模糊控制系統(tǒng)中，用神經(jīng)網(wǎng)絡(luò)來(lái)實(shí)現(xiàn)模糊控制中的模糊化、模糊推理、精確化計(jì)算。需要采集輸入樣本數(shù)據(jù)用 BP 算法對(duì)網(wǎng)絡(luò)進(jìn)行離線訓(xùn)練；利用訓(xùn)練好的網(wǎng)絡(luò)，在線計(jì)算得到最佳輸出。這種控制模式反應(yīng)速度快，而且能充分發(fā)揮神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)功能和聯(lián)想記憶能力，對(duì)于未在訓(xùn)練樣本中出現(xiàn)的情況，也可以通過(guò)聯(lián)想記憶功能，做出最優(yōu)控制決策，表現(xiàn)非常靈活。

在 Simulink仿真環(huán)境下建立模糊神經(jīng)網(wǎng)絡(luò)控制器模型后，即可實(shí)現(xiàn)模糊神經(jīng)網(wǎng)絡(luò)控制器與Power System Blockset仿真環(huán)境的有效連接。

5 結(jié)論

在 MATLAB環(huán)境中對(duì)無(wú)刷直流電機(jī)調(diào)速控制系統(tǒng)速度環(huán)進(jìn)行PID控制仿真。在此基礎(chǔ)上，設(shè)計(jì)了模糊PID控制器、模糊神經(jīng)網(wǎng)絡(luò)控制器，建立了無(wú)刷直流電機(jī)調(diào)速系統(tǒng)的仿真模型，并進(jìn)行了給定輸入、負(fù)載擾動(dòng)作用實(shí)驗(yàn)。仿真實(shí)驗(yàn)結(jié)果曲線表明模糊PID控制、模糊神經(jīng)網(wǎng)絡(luò)控制均優(yōu)于常規(guī)PID控制，動(dòng)靜態(tài)得到較大提高，尤其是模糊神經(jīng)網(wǎng)絡(luò)控制器具有較強(qiáng)的自學(xué)習(xí)、自適應(yīng)和抗擾動(dòng)能力，系統(tǒng)的可靠性、穩(wěn)定性和魯棒性好，從而證明了本文方法的有效性。

參考文獻(xiàn)：

[1] 曹少泳. 基于 DSP 的 BLDCM 無(wú)位置傳感器模糊 PID 調(diào)速系統(tǒng)的研究[D]. 華南理工大學(xué)，2007.

[2] 姜長(zhǎng)生，王從慶，等. 智能控制與應(yīng)用[M]. 科學(xué)出版社，2007：75-79.

[3] 韓俊峰，李玉惠. 模糊控制技術(shù)[M]. 重慶大學(xué)出版社，2003.

[4] 劉曙光，魏俊民，竺志超. 模糊控制技術(shù)[M]. 中國(guó)紡織出版社，2001.