神經網絡的功能精選(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網絡的功能主題范文，僅供參考，歡迎閱讀并收藏。
第1篇：神經網絡的功能范文
關鍵詞：神經網絡；智能設計；特征編碼；智能推理；基于知識的工程(KBE)
中圖分類號：TP391文獻標識碼：A文章編號：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
產品工藝設計是產品開發的首要環節，也是關系到產品設計成功與否的核心問題。提高工藝設計集成化、系統化和智能化程度，實現經驗設計向科學設計的飛躍是研究人員多年追求的目標。而智能設計作為現階段的熱點技術，吸引了越來越多的專家和學者的目光。[1]伴隨著計算機軟硬件的成熟，以及圖形圖像學、CAD、人工智能設計技術和工藝模式理論的發展，顯著的提高了設計的質量和效率，大大縮短了設計周期和工時，形成了工藝設計的的新領域，對我國智能設計和計算機輔助設計的發展起到了極其重要的推動作用。[2]
1 人工神經網絡智能設計系統模型的表達
1.1 智能設計系統的體系結構
該智能設計系統主要的結構模塊如圖1所示。本文將該智能設計系統主要劃分為以下幾個模塊，特征造型器主要將零件的特征進行錄入，數據會同用戶的輸入數據共同進入特征編碼器；特征編碼器相當于一個接口，將形式數據轉化為模式映射器能夠識別的規范化數據（即特征編碼文件），在模式映射器內部，通過神經網絡對數據的處理，同時結合已有的經驗知識庫、材料庫、規則設計庫、工藝特征庫、映射規則和標準庫的數據交互，將數據輸出到數值公式計算模塊。數值公式計算模塊主要是在具體的場景中將約束條件進行量化，結合具體的設計要求將工藝設計順序進行調整。最后將結果反饋到用戶界面，實現智能設計。
1.2 KBE思想和本系統的有機結合
在工程實踐中，人們發現專家知識一般來源于該領域內專家的經驗和積累，具有很大程度的不確定性和模糊性，這對于知識的交流和繼承帶來了很大的困難。歐洲面向KBE應用的方法和軟件工具研究聯盟提出了KBE的概念，KBE是計算機輔助工程領域的一個進步，它是一種將面向對象方法(Object Oriented Methods)、AI和CAD技術三者集成的工程方法，能夠提供設計過程客戶化、變量化和自動化的解決方案[3-4]。，我們認為：KBE是通過知識驅動和繁衍，對工程問題和任務提供最佳解決方案的計算機集成處理技術，是AI和CAx技術的有機融合。[5-6]
KBE系統的要點主要是知識的表示、知識建模、知識推理和知識的繁衍。本系統主要通過特征造型器進行知識的表示，進而在特征編碼器中對所得知識建模，形成了特征編碼文件。模式映射器利用人工神經網絡對于特征編碼文件進行不斷的映射，實現了知識推理；同時模式映射器將學習所得的知識存儲在相應的知識庫中，進行知識繁衍。將經驗知識和隱形知識轉化為顯式知識，實現了智能系統的關鍵一步。我們將KBE的思想結合到本文所開發的系統中來。
2 零件的工藝特征及特征的編碼
2.1 特征的確定和數字化表達
首先我們需要確定零件的特征，進而將零件的特征數字化。本文根據以下原則確立零件的特征：
1）現實性。零件的特征是客觀存在的，不因人的主觀意志的轉移而改變該特征。2）可測量性。相比于傳統的經驗化設計模式，能夠準確的測量和量化零件特征是智能設計的重要要求。3）唯一性。作為零件信息的重要載體，特征的無歧義性是需要重點考慮的原則，不能同時將一個特征收錄到兩個屬性中，進而造成建模中零件屬性的混亂。
本文主要針對軸對稱的零件工藝模式，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。
考慮到神經網絡我們采用的是S型參數，所以我們將特征編碼確定為0到1之間的數，本文共確定了10種特征形狀。如表1所示。
通過確定特征參數，進而可以構建特征造型器，特征造型器以零件的實體特征為基礎，結合零件的幾何信息和拓撲信息，將參數化設計思想和特征編碼思想統一，用尺寸驅動的方法來定義特征，便于計算機對于零件特征的識別和處理。
2.2 面向對象的特征建模語言
由于在實際設計征的復雜性和多樣性，而面向對象的語言具有數據的封裝性、數據與操作的集成性、對象重載、現實世界對象的數據和行為的全面抽象、對象數據的繼承性等等許多的優點，目前已成為設計領域廣泛采用的設計手段，應用在特征設計領域，可將特征的對象數據類型抽象出來。
特征對象首先具有本身的特征尺寸和屬性，考慮到具體的應用，這些尺寸要能夠實現參數化，除此之外，還具有公差、材料、技術設計要求等信息；特征的操作類型主要分為兩種：一種是成型過程，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位置的變動操作。在這兩種操作中，造型映射與工藝設計的過程聯系緊密，而特征位置操作則與產品的設計過程相關。下面主要是該特征對象的基類型的原型定義。
class Feature
{Stringfeature ;//零件對象的三維實體名。
StringName;//零件特征名。
Stringmaterial;//特征的材料。
intfeature_parametre; //特征尺寸的參數。
intfeature_num.;// 特征類型的編號。
intfeature_code;// 特征的編碼。
intpt1,pt2,pt3;//特征基點的坐標。
int angle1,angle2,angle3;//特征在三維空間中與X, Y, Z軸的夾角。
Public:
virtualvoidmodel();//構造三維實體特征。
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{tx,ty,tz}。
voidrotate (ap_solid *sol, ap_real rx, ap_real ry, ap_real rz);//將特征旋轉。
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化修改操作。
voidcal_area(); // 特征面積的計算。
voidcal_circl();//特征周長的計算。
}
通過實例化語言，我們能夠對零件的特征進行描述，進而便于計算機識別和處理。特征編碼的構造加入到零件基類中，具體零件的定義將繼承特征編碼的操作，并能夠進行適當的重載。
3 特征編碼器和特征編碼文件
將特征數字化表示后，本系統主要通過特征編碼器將特征組成特征編碼文件，使后續的人工神經網絡能夠對文件進行處理。有了特征編碼，我們能夠讓機器識別特征；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的概念。特征參數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值。圖3表示了部分特征編碼所對應的特征參數。
我們將特征編碼和特征參數組成特征編碼文件，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特征，其中第一個數字為特征編碼，特征參數在特征編碼之后給出。圖4顯示了一個特征編碼文件的實例。
4 智能設計系統中工藝模式的生成、映射以及神經網絡的構造
4.1 工藝模式映射的過程
我們將零件的特征編碼文件輸入人工神經網絡后，人工神經網絡進行反向推理，將零件的成型信息反向輸出，同時結合知識庫、材料庫等已有的信息，輸出結果。
工藝模式用于指導工藝計算模塊的工作，而經過特征造型之后的零件信息只有特征編碼文件。因此，人工神經網絡的任務就是根據零件的特征編碼組信息，推導出生成零件的各個中間成形形狀的特征編碼組，以及各個中間形狀在零件成形過程中的排列順序。
因為對于神經網絡來講，得到的是設計者輸入的零件模式信息，輸出是零件成形的各個中間狀態（特征編碼表示），這就決定了工藝模式在神經網絡中的映射過程是一個“逆順序”的過程，這一過程又可以描述為“反推導”過程，即：將零件的特征編碼組（零件模式）輸入到經過訓練的神經網絡中，由其輸出該零件成形的各個過程的中間形狀的特征編碼（中間形狀模式）。我們以計算機的視角來看待零件的分解，即：零件->特征->特征編碼文件->人工神經網絡。在人工神經網絡中，特征編碼文件被反編譯，特征結構后得出特征形成的順序，進而輸出，即：人工神經網絡->特征反編譯->特征工藝序列->特征編碼組->特征->零件。由此可見，人工神經網絡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，都是為了便于神經網絡的處理而建立的。
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。這一過程，就是以零件模式作為輸入、以經過訓練。
4.2 神經網絡的比較及選擇
人工神經網絡用于工藝模式映射的工作主要是以下幾個：1）是針對輸入的零件模式經過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程而排列的零件成形中間形狀的排列順序；3）進行反向學習，從輸入的特征編碼文件中提取零件成型順序，存儲到知識庫中。[7]
神經網絡主要由以下幾類：1）分解映射結構；2）集中映射結構；3）前向網絡；4）集中反饋式網絡。[8]
我們選擇的是集中反饋式的神經網絡，相比于其他類型的網絡，反饋式結構的優點是：統一的網絡便于訓練模式的組織和映射工作的開展；輸入單元和輸出單元的數目相同，可以形成對稱的網絡結構，使得網絡的穩定性和收斂性有了保障；工藝模式的成形順序性問題不占用網絡的實際結構形式，順序性問題轉化為反饋映射的順序問題，映射的順序代表成形的順序；網絡在結構上將保證各個單步成形映射的準確性，從而提高網絡的訓練質量。[9]
表2給出了神經網絡訓練的相關內容，由于神經網絡中節點和隱層數目的不同會極大的影響神經網絡的性能，本文主要對各個不同的網絡進行了比較，得出了一個最優的網絡（即網絡7）。
5 實例模型
本文在研究的基礎上開發了一個應用實例，該實例主要是設計者將零件的特征編碼和特征參數輸入系統后，經過神經網絡的智能推理，將輸出反饋到設計平臺上。
系統首先進行特征編碼的輸入，以確定零件的特征造型；然后輸入每一個特征編碼對應的特征參數，圖5顯示了拉深工序對應的特征參數的錄入。特征參數錄入完成后可以選擇繼續添加特征或者生成特征編碼文件。圖6為一個以記事本方式打開的特征編碼文件。將特征編碼文件輸入人工神經網絡，對應的輸出為特征造型順序文件（Y.SFM），數值公式計算模塊處理該文件，最后給出智能設計工藝流程（圖7）。
圖5特征參數錄入 圖6特征編碼文件圖7 智能設計系統給出的零件成型順序及計算結果
6 結論
本文提出了軸對稱零件成型工藝的產品建模方法，然后給出了面向對象的建模語言，能夠量化表示零件的特征，在將零件的特征編碼文件通過神經網絡映射和輸出的同時，運用KBE系統的自學習理念，將習得的知識存儲。實踐表明，通過人工神經網絡和工藝智能設計系統的應用，能夠解決實際的零件設計成型問題。
參考文獻：
[1] 高偉.工藝設計信息系統中的知識發現技術研究[D].成都:四川大學,2005:22-23.
[2] 羅小賓.機械產品圖像識別技術及其在反求設計中的應用研究[D].成都:四川大學,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人工神經網絡專家系統的模型和結構[J].中國機械工程,1997(2).
[8] 肖人彬.智能設計:概念、發展與實踐[J].中國機械工程,1997,8(2):61-64.
第2篇：神經網絡的功能范文
計算機網絡的快速發展和技術的廣泛應用給人們的生產生活提供了便利，但同時，也帶來了一些不容忽視的安全隱患。近年來，影響計算機安全的因素很多，例如犯罪團伙利用網絡等高科技進行犯罪的案例屢見不鮮。對此進行嚴格防范，更好地促進計算機和互聯網的發展，需要對計算機網絡安全進行評價，建立安全、有效的計算機網絡評價系統，網絡安全評價體系可以對整個計算機網絡進行評估和分析，完善評價體系，使系統更準確、可靠，其中使用率最高的則是神經網絡。
1 神經網絡的概述
1.1 神經網絡的簡介
神經網絡又被稱為鏈接模型，它效仿了生物神經網絡而建立，它以人腦的信息處理方式為基礎，采用建立數學模型的方式研究大腦行為結構和生物神經元基本特征，世界上第一個神經網絡模型是由數學家和生物學家共同提出。神經網絡復雜多變，它是由神經元內部通過大量節點進行相互連接形成的一種網絡結構，其中每個神經元都可處理信息，從而達到處理海量信息的規模。隨后，計算機學家在原有的神經網絡模型的基礎上增加了學習機制，將神經網絡技術應用在工程中，設計出了感知器神經網絡模型，我國的計算機學家和數學家通過對神經網絡的分析，展開長期的研究工作，掌握了模型的實質，研究表明，神經網絡模型適合應用在不同的研究領域。
1.2 神經網絡的功能
神經網絡是一項人工智能系統，是通過生物神經網絡的工作原理建立而來，它的應用具有全方位的優越性能。計算機神經網絡系統還可實現預測功能，此功能為聯想模式的升級版，主要運用于市場和企業中，例如股票等證券市場，預測功能可對股市證券和企業的未來效益進行預測分析，基于計算機的神經網絡為市場和企業的發展提供了強有力的支持。正是有這些優越性能，神經網絡系統在計算機網絡安全評價過程中，才能發揮出最大的價值。
2 計算機網絡安全概述
2.1 計算機網絡安全的簡介
計算機網絡安全是指在網絡環境中，采用先進的科學技術和網絡管理控制措施來保證計算機資料能得以安全及完整的保護。計算機網絡安全由邏輯安全和物理安全兩大重要部分組成：第一，計算機的邏輯安全是指其中信息數據的保密性、完整性及可用性方面的內容;第二，物理安全包括了系統中的組網硬件和相關軟件等方面內容，其具有可控性及可審查性等特點。在當今的計算機網絡環境中，安全問題是關鍵，由于網絡的開放自由性導致信息在傳播過程中會受到硬件漏洞或者通訊協議方面的攻擊，這不僅給本地用戶帶來威脅，對國際網絡市場也是一種挑戰。
2.2 計算機網絡安全評價體系的建立
計算機網絡安全評價體系的建立是對網絡安全評價的一個強有力保障，該體系能全面、科學、客觀的體現計算機網絡中存在的不安全因素并且給出相對應的解決措施，所以應該根據多種綜合因素設立評價體系中的評價指標，從而準確地反映評價信息，計算機網絡安全評價系統的構建原則是：第一，可行性。在計算機網絡安全評價體系構建過程中，結合實際的測評條件，因地制宜，才能有效的進行測評和操作。第二，準確性。在計算機網絡安全評價體系的構建過程中，應當對網絡安全的技術水平進行真實的體現，及時且準確的對安全信息進行監測分析再反饋到計算機網絡中，使技術人員及時有效的解決產生的問題。第三，完備性。建立的安全評價體系，需確保所選指標對網絡安全基本特征有全面的反映，進而提高評價結果的真實可靠性。第四，簡要性。在選取評價指標的過程中，要選取具有代表性的，保證結果準確可靠從而降低工作量。第五，獨立性。計算機網絡是一個復雜多變的系統，在選取各項評價指標時，要避免出現重復選擇的情況，減少指標間的關聯度，從而客觀準確的將計算機網絡安全運行狀態展現出來。計算機安全網絡存在一定風險性，在安全保護上也存在難度，遵守以上原則，在實際工作應用中，提高計算機網絡的工作質量和效率。
3 基于神經網絡的計算機網絡安全評價系統
在神經網絡模型中，使用最為廣泛的是BP神經網絡模型，它采用最速下降法進行反向傳播，調整相關數值，將誤差降至最低。BP神經網絡模型還通過誤差逆傳播算法，訓練前饋多層網絡。其算法簡單，容易實現，具有非線性逼近能力。本文以BP神經網絡為研究對象，對計算機網絡安全評價進行分析。
3.1 神經網絡的計算機網絡安全評價模型設計
基于神經網絡設計的計算機網絡安全評價模型，由3個部分組成，分別是輸入層、隱含層和輸出層：(1)輸入層。BP神經網絡在設計的過程中規定輸入層神經元節點的數量，與計算機網絡安全評價指標數量必須一致，所以對模型輸入層中神經元節點的數量確定需由二級指標的數量完成。例如，在安全評價體系中設計了10個二級指標，在計算機網絡安全評價模型中輸入層神經元節點數量也必須是10個。(2)BP神經網絡模型在設計的過程中，采用單向隱含層，如果隱含層中的節點數過多會延長神經網絡學習時間，如果隱含層節點數的數量過少則會降低神經網絡的容錯能力。所以隱含層中的節點數量對網絡性能有較大的影響。(3)輸出層。BP神經網絡在輸出層的設計工作即反映網絡安全評價結果，依據輸入層的評價設計，將輸出層的節點數設為2個，則(1，1)的輸出結果表示非常安全，(1，0)的輸出結果基本安全，(0，1)的輸出結果表示不安全，(0，0)的輸出結果表示非常不安全。
3.2 神經網絡的計算機網絡安全評價模型學習
BP神經網絡在計算機網絡安全評價模型中需完成神經網絡的學習，也就表示其在模型構建前需進行神經網絡的訓練工作，這使BP神經網絡具有初始連接權，在完成神經網絡的學習后，減少誤差值，保證安全評價結果和使用者期望值達成一致。
3.3 神經網絡的計算機網絡安全評價模型驗證
為確保計算機網絡安全模型的應用效能，在完成設計與學習工作后，對其進行驗證，首先選取樣本數據，再將樣本數據輸入到模型中，通過模型內部檢驗分析，完成評價功能的應用，如果輸出的安全評價結果與期望值達成一致，則說明基于神經網絡的計算機網絡安全評價模型具有準確性，可以使用。
4 結語
隨著社會的發展，科學的進步，越來越多的先進信息技術和網絡技術得以應用，計算機網絡是一個復雜的系統，其中存在一定的風險性，計算機網絡的安全問題是目前亟待解決的關鍵問題。在當前社會，神經網絡技術廣泛應用于各大領域，將神經網絡模型與計算機網絡安全相結合，遵守可行性、準確性、完備性、簡要性、獨立性原則，構建一個網絡安全評價體系。有利于對計算機安全管理奠定基礎，基于神經網絡的計算機網絡安全評價體系能使評價結果更具真實性和可靠性，但目前的神經網絡技術并不十分成熟，根據其應用特點，將神經網絡技術與其他技術相融合的發展問題，仍值得廣大學者深入研究。通過本文的分析與研究，認識到神經網絡的發展及特點，針對其功能的優越性，加大對神經網絡的重視，提高安全評價體系對環境的適應力，提升體系的容錯性，實現在線應用模式，促進其在計算機網絡安全中的進一步完善和發展，為計算機網絡安全評價提供保障，使神經網絡在計算機網絡安全評價中發揮更大的作用。
第3篇：神經網絡的功能范文
人腦是自生命誕生以來，生物經過數十億年漫長歲月進化的結果，是具有高度智能的復雜系統，它不必采用繁復的數字計算和邏輯運算，卻能靈活處理各種復雜的，不精確的和模糊的信息，善于理解語言、圖象并具有直覺感知等功能。
人腦的信息處理機制極其復雜，從結構上看它是包含有140億神經細胞的大規模網絡。單個神經細胞的工作速度并不高（毫秒級），但它通過超并行處理使得整個系統實現處理的高速性和信息表現的多樣性。
因此，從信息處理的角度對人腦進行探究，并由此研制出一種象人腦一樣能夠“思維”的智能計算機和智能信息處理方法，一直是人工智能追求的目標。
神經網絡就是通過對人腦的基本單元---神經元的建模和聯結，來探索模擬人腦神經系統功能的模型，并研制一種具有學習、聯想、記憶和模式識別等智能信息處理功能的人工系統。本文介紹神經網絡的特征以及近年來有關神經網絡和混沌理論、模糊計算和遺傳算法等相結合的混合神經網絡探究的動態。
一．神經網絡和聯結主義
回顧認知科學的發展，有所謂符號主義和聯結主義兩大流派。符號主義從宏觀層次上，撇開人腦的內部結構和機制，僅從人腦外在表現出來的智能現象出發進行探究。例如，將記憶、判定、推理、學習等心理活動總結成規律、甚至編制成規則，然后用計算機進行模擬，使計算機表現出各種智能。
符號主義認為，熟悉的基本元素是符號，認知過程是對符號表示的運算。人類的語言，文字的思維均可用符號來描述，而且思維過程只不過是這些符號的存儲、變換和輸入、輸出而已。以這種方法實現的系統具有串行、線性、準確、簡潔、易于表達的特征，體現了邏輯思維的基本特性。七十年代的專家系統和八十年代日本的第五代計算機探究計劃就是其主要代表。
聯接主義則和其不同，其特征是從微觀出發。聯接主義認為符號是不存在的，認知的基本元素就是神經細胞（神經元），認知過程是大量神經元的聯接，以及這種聯接所引起的神經元的不同興奮狀態和系統所表現出的總體行為。八十年代再度興起的神經網絡和神經計算機就是這種聯接主義的代表。
神經網絡的主要特征是摘要：大規模的并行處理和分布式的信息存儲，良好的自適應、自組織性，以及很強的學習功能、聯想功能和容錯功能。和當今的馮．諾依曼式計算機相比，更加接近人腦的信息處理模式。主要表現如下摘要：
神經網絡能夠處理連續的模擬信號。例如連續灰度變化的圖象信號。
能夠處理混沌的、不完全的、模糊的信息。
傳統的計算機能給出精確的解答，神經網絡給出的是次最優的逼近解答。
神經網絡并行分布工作，各組成部分同時參和運算，單個神經元的動作速度不高，但總體的處理速度極快。
神經網絡信息存儲分布于全網絡各個權重變換之中，某些單元障礙并不影響信息的完整，具有魯棒性。
傳統計算機要求有準確的輸入條件，才能給出精確解。神經網絡只要求部分條件，甚至對于包含有部分錯誤的輸入，也能得出較好的解答，具有容錯性。
神經網絡在處理自然語言理解、圖象模式識別、景物理解、不完整信息的處理、智能機器人控制等方面有優勢。
符號主義和聯接主義兩者各有特色，學術界目前有一種看法摘要：認為基于符號主義得傳統人工智能和基于聯接主義得神經網絡是分別描述人腦左、右半腦的功能，反映了人類智能的兩重性摘要：精確處理和非精確處理，分別面向熟悉的理性和感性兩個方面，兩者的關系應該是互補而非互相代替。理想的智能系統及其表現的智能行為應是兩者相互結合的結果。
接下去的新問題是，符號AI和聯接AI具體如何結合，兩者在智能系統中相互關系如何？分別扮演什么角色？目前這方面發表的文獻很多，大致有如下幾種類型摘要：
1．松耦合模型摘要：符號機制的專家系統和聯接機制的神經網絡通過一個中間媒介（例如數據文件）進行通訊。
2．緊耦合模型摘要：和松耦合模型相比較，其通訊不是通過外部數據進行，而是直接通過內部數據完成，具有較高的效率。其主要類型有嵌入式系統和黑板結構等。
3．轉換模型摘要：將專家系統的知識轉換成神經網絡，或把神經網絡轉換成專家系統的知識，轉換前的系統稱為源系統，轉換后的系統稱為目標系統，由一種機制轉成另一種機制。假如源系統是專家系統，目標系統是神經網絡，則可獲得學習能力及自適應性；反之，可獲得單步推理能力、解釋能力及知識的顯式表示。當然，轉換需要在兩種的機制之間，確定結構上的一致性，目前主要新問題是還沒有一種完備而精確的轉換方法實現兩者的轉換。有待進一步探究。
4．綜合模型摘要：綜合模型共享數據結構和知識表示，這時聯接機制和符號機制不再分開，兩者相互結合成為一個整體，既具有符號機制的邏輯功能，又有聯接機制的自適應和容錯性的優點和特征。例如聯接主義的專家系統等。
近年來神經網絡探究的另一個趨向，是將它和模糊邏輯、混沌理論、遺傳進化算法等相結合，即所謂“混合神經網絡”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，人們希望通過她們之間的相互結合，能夠獲得具有有柔性信息處理功能的系統。下面分別介紹。
二．混沌理論和智能信息處理
混沌理論是對貌似無序而實際有序，表面上看來是雜亂無章的現象中，找出其規律，并予以處理的一門學科。早在七十年代，美國和歐洲的一些物理學家、生物學家、數學家就致力于尋求在許許多多不同種類的不規則性之間的聯系。生物學家發現在人類的心臟中有混沌現象存在，血管在顯微鏡下交叉纏繞，其中也有驚人的有序性。在生物腦神經系統中從微觀的神經膜電位到宏觀的腦電波，都可以觀察到混沌的性態，證實混沌也是神經系統的正常特性。
九十年代開始，則更進一步將混沌和神經網絡結合起來，提出多種混沌神經網絡模型，并探索應用混沌理論的各種信息處理方法。例如，在神經元模型中，引入神經膜的不應性，探究神經元模型的混沌響應，探究在神經網絡的方程中，不應性項的定標參數，不定性時間衰減常數等參數的性質，以及這些參數于神經網絡混沌響應的關系，并確定混沌---神經網絡模型具有混沌解的參數空間。經過試驗，由這種混沌神經網絡模型所繪出的輸出圖形和腦電圖極為相似。
現代腦科學把人腦的工作過程看成為復雜的多層次的混沌動力學系統。腦功能的物理基礎是混沌性質的過程，腦的工作包含有混沌的性質。通過混沌動力學，探究、分析腦模型的信息處理能力，可進一步探索動態聯想記憶、動態學習并應用到模式識別等工程領域。例如摘要：
對混沌的隨機不規則現象，可利用混沌理論進行非線性猜測和決策。
對被噪聲所掩蓋的微弱信號，假如噪聲是一種混沌現象，則可通過非線性辨識，有效進行濾波。
利用混沌現象對初始值的敏銳依靠性，構成模式識別系統。
探究基于混沌---神經網絡自適應存儲檢索算法。該算法主要包括三個步驟，即摘要：特征提取、自適應學習和檢索。
模式特征提取采用從簡單的吸引子到混沌的層次分支結構來描述，這種分支結構有可能通過少數幾個系統參數的變化來加以控制，使復雜新問題簡單化。自適應學習采用神經網絡的誤差反傳學習法。檢索過程是通過一個具有穩定吸引子的動力學系統來完成，即利用輸入的初始條件和某個吸引子（輸出）之間的存在直接對應關系的方法進行檢索。利用這種方法可應用于模式識別。例如黑白圖象的人臉識別。
三．模糊集理論和模糊工程
八十年代以來在模糊集理論和應用方面，也有很大進展。1983年美國西海岸AI探究所發表了稱為REVEAL的模糊輔助決策系統并投入市場，1986年美國將模糊邏輯導入OPS---5，并探究成功模糊專家系統外殼FLOPS，1987年英國發表采用模糊PROLOG的智能系統FRIL等。除此通用工具的研制以外，各國還開發一系列用于專用目的的智能信息處理系統并實際應用于智能控制、模式識別、醫療診斷、故障檢測等方面。
模糊集理論和神經網絡雖然都屬于仿效生物體信息處理機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，神經網絡著眼于腦的微觀網絡結構，通過學習、自組織化和非線性動力學理論形成的并行分析方法，可處理無法語言化的模式信息。而模糊集理論則著眼于可用語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，邏輯的處理包含有模糊性的語言信息。
神經網絡和模糊集理論目標相近而方法各異。因此假如兩者相互結合，必能達到取長補短的功能。將模糊和神經網絡相結合的探究，約在15年前便已在神經網絡領域開始，為了描述神經細胞模型，開始采用模糊語言，把模糊集合及其運算用于神經元模型和描述神經網絡系統。目前，有關模糊---神經網絡模型的探究大體上可分為兩類摘要：一類是以神經網絡為主，結合模糊集理論。例如，將神經網絡參數模糊化，采用模糊集合進行模糊運算。另一類以模糊集、模糊邏輯為主，結合神經網絡方法，利用神經網絡的自組織特性，達到柔性信息處理的目的。
和神經網絡相比，模糊集理論和模糊計算是更接近實用化的理論，非凡近年來美國和日本的各大公司都紛紛推出各種模糊芯片，研制了型號繁多的模糊推理板，并實際應用于智能控制等各個應用領域，建立“模糊工程”這樣一個新領域。日本更首先在模糊家電方面打開市場，帶有模糊控制，甚至標以神經---模糊智能控制的洗衣機、電冰箱、空調器、攝象機等已成為新一代家電的時髦產品。我國目前市場上也有許多洗衣機，例如榮事達洗衣機就是采用模糊神經網絡智能控制方式的洗衣機。
四．遺傳算法
遺傳算法（GeneticAlgorithm摘要：GA）是模擬生物的進化現象（自然、淘汰、交叉、忽然變異）的一種概率搜索和最優化方法。是模擬自然淘汰和遺傳現象的工程模型。
GA的歷史可追溯到1960年，明確提出遺傳算法的是1975年美國Michigan大學的Holland博士，他根據生物進化過程的適應現象，提出如下的GA模型方案摘要：
1．將多個生物的染色體（Chromosmoe）組成的符號集合，按文字進行編碼，稱為個體。
2．定義評價函數，表示個體對外部環境的適應性。其數值大的個體表示對外部環境的適應性高，它的生存（子孫的延續）的概率也高。
3．每個個體由多個“部分”組合而成，每個部分隨機進行交叉及忽然變異等變化，并由此產生子孫（遺傳現象）。
4．個體的集合通過遺傳，由選擇淘汰產生下一代。
遺傳算法提出之后，很快得到人工智能、計算機、生物學等領域科學家的高度重視，并在各方面廣泛應用。1989年美國Goldberg博士發表一本專著摘要：“GeneticAlgorithmsinSearch，OptimizationandMachineLearning”。出版后產生較大影響，該書對GA的數學基礎理論，GA的基本定理、數理分析以及在搜索法、最優化、機器學習等GA應用方面進行了深入淺出的介紹，并附有Pascal模擬程序。
1985年7月在美國召開第一屆“遺傳算法國際會議”（ICGA）。以后每隔兩年召開一次。近年來，遺傳算法發展很快，并廣泛應用于信息技術的各個領域，例如摘要：
智能控制摘要：機器人控制。機器人路徑規劃。
工程設計摘要：微電子芯片的布局、布線；通信網絡設計、濾波器設計、噴氣發動機設計。
圖象處理摘要：圖象恢復、圖象識別、特征抽取。
調度規劃摘要：生產規劃、調度新問題、并行機任務分配。
優化理論摘要：TSP新問題、背包新問題、圖劃分新問題。
人工生命摘要：生命的遺傳進化以及自增殖、自適應；免疫系統、生態系統等方面的探究。
神經網絡、模糊集理論和以遺傳算法為代表的進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。三者目標相近而方法各異；將它們相互結合，必能達到取長補短、各顯優勢的效果。例如，遺傳算法和神經網絡和模糊計算相結合方面就有摘要：
神經網絡連續權的進化。
傳統神經網絡如BP網絡是通過學習，并按一定規則來改變數值分布。這種方法有練習時間過長和輕易陷入局部優化的新問題。采用遺傳算法優化神經網絡可以克服這個缺點。
神經網絡結構的進化。
目前神經網絡結構的設計全靠設計者的經驗，由人事先確定，還沒有一種系統的方法來確定網絡結構，采用遺傳算法可用來優化神經網絡結構。
神經網絡學習規則的進化。
第4篇：神經網絡的功能范文
[摘要]該文介紹了神經網絡的發展、優點及其應用和發展動向，著重論述了神經網絡目前的幾個研究熱點，即神經網絡與遺傳算法、灰色系統、專家系統、模糊控制、小波分析的結合。
[關鍵詞]遺傳算法灰色系統專家系統模糊控制小波分析
一、前言
神經網絡最早的研究20世紀40年代心理學家Mcculloch和數學家Pitts合作提出的，他們提出的MP模型拉開了神經網絡研究的序幕。神經網絡的發展大致經過三個階段：1947~1969年為初期，在這期間科學家們提出了許多神經元模型和學習規則，如MP模型、HEBB學習規則和感知器等；1970~1986年為過渡期，這個期間神經網絡研究經過了一個低潮，繼續發展。在此期間，科學家們做了大量的工作，如Hopfield教授對網絡引入能量函數的概念，給出了網絡的穩定性判據，提出了用于聯想記憶和優化計算的途徑。1984年，Hiton教授提出Boltzman機模型。1986年Kumelhart等人提出誤差反向傳播神經網絡，簡稱BP網絡。目前，BP網絡已成為廣泛使用的網絡；1987年至今為發展期，在此期間，神經網絡受到國際重視，各個國家都展開研究，形成神經網絡發展的另一個。神經網絡具有以下優點：
(1)具有很強的魯棒性和容錯性，因為信息是分布貯于網絡內的神經元中。
(2)并行處理方法，使得計算快速。
(3)自學習、自組織、自適應性，使得網絡可以處理不確定或不知道的系統。
(4)可以充分逼近任意復雜的非線性關系。
(5)具有很強的信息綜合能力，能同時處理定量和定性的信息，能很好地協調多種輸入信息關系，適用于多信息融合和多媒體技術。
二、神經網絡應用現狀
神經網絡以其獨特的結構和處理信息的方法，在許多實際應用領域中取得了顯著的成效，主要應用如下：
(1)圖像處理。對圖像進行邊緣監測、圖像分割、圖像壓縮和圖像恢復。
(2)信號處理。能分別對通訊、語音、心電和腦電信號進行處理分類；可用于海底聲納信號的檢測與分類，在反潛、掃雷等方面得到應用。
(3)模式識別。已成功應用于手寫字符、汽車牌照、指紋和聲音識別，還可用于目標的自動識別和定位、機器人傳感器的圖像識別以及地震信號的鑒別等。
(4)機器人控制。對機器人眼手系統位置進行協調控制，用于機械手的故障診斷及排除、智能自適應移動機器人的導航。
(5)衛生保健、醫療。比如通過訓練自主組合的多層感知器可以區分正常心跳和非正常心跳、基于BP網絡的波形分類和特征提取在計算機臨床診斷中的應用。
(6)焊接領域。國內外在參數選擇、質量檢驗、質量預測和實時控制方面都有研究，部分成果已得到應用。
(7)經濟。能對商品價格、股票價格和企業的可信度等進行短期預測。
(8)另外，在數據挖掘、電力系統、交通、軍事、礦業、農業和氣象等方面亦有應用。
三、神經網絡發展趨勢及研究熱點
1.神經網絡研究動向
神經網絡雖已在許多領域應用中取得了廣泛的成功，但其發展還不十分成熟，還有一些問題需進一步研究。
(1)神經計算的基礎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，但為了神經計算的進一步發展卻是非做不可的。
(2)除了傳統的多層感知機、徑向基函數網絡、自組織特征映射網絡、自適應諧振理論網絡、模糊神經網絡、循環神經網絡之外，一些新的模型和結構很值得關注，例如最近興起的脈沖神經網絡(spikingneuralnetwork)和支持向量機(supportvectormachine)。
(3)神經計算技術與其他技術尤其是進化計算技術的結合以及由此而來的混合方法和混合系統，正成為一大研究熱點。
(4)增強神經網絡的可理解性是神經網絡界需要解決的一個重要問題。這方面的工作在今后若干年中仍然會是神經計算和機器學習界的一個研究熱點。
(5)神經網絡的應用領域將不斷擴大，在未來的幾年中有望在一些領域取得更大的成功，特別是多媒體技術、醫療、金融、電力系統等領域。
2.研究熱點
(1)神經網絡與遺傳算法的結合。遺傳算法與神經網絡的結合主要體現在以下幾個方面：網絡連接權重的進化訓練；網絡結構的進化計算；網絡結構和連接權重的同時進化；訓練算法的進化設計。基于進化計算的神經網絡設計和實現已在眾多領域得到應用，如模式識別、機器人控制、財政等，并取得了較傳統神經網絡更好的性能和結果。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范，應用研究有待于加強提高。神經網絡與進化算法相結合的其他方式也有待于進一步研究和挖掘。
(2)神經網絡與灰色系統的結合。灰色系統理論是一門極有生命力的系統科學理論，自1982年華中理工大學的鄧聚龍教授提出灰色系統后迅速發展，以初步形成以灰色關聯空間為基礎的分析體系，以灰色模型為主體的模型體系，以灰色過程及其生存空間為基礎與內的方法體系，以系統分析、建模、預測、決策、控制、評估為綱的技術體系。目前，國內外對灰色系統的理論和應用研究已經廣泛開展，受到學者的普遍關注。灰色系統理論在在處理不確定性問題上有其獨到之處，并能以系統的離散時序建立連續的時間模型，適合于解決無法用傳統數字精確描述的復雜系統問題。
神經網絡與灰色系統的結合方式有：(1)神經網絡與灰色系統簡單結合；(2)串聯型結合；(3)用神經網絡增強灰色系統；(4)用灰色網絡輔助構造神經網絡；(5)神經網絡與灰色系統的完全融合。
(3)神經網絡與專家系統的結合。基于神經網絡與專家系統的混合系統的基本出發點立足于將復雜系統分解成各種功能子系統模塊，各功能子系統模塊分別由神經網絡或專家系統實現。其研究的主要問題包括：混合專家系統的結構框架和選擇實現功能子系統方式的準則兩方面。由于該混合系統從根本上拋開了神經網絡和專家系統的技術限制，是當前研究的熱點。把粗集神經網絡專家系統用于醫學診斷，表明其相對于傳統方法的優越性。
(4)神經網絡與模糊邏輯的結合
模糊邏輯是一種處理不確定性、非線性問題的有力工具。它比較適合于表達那些模糊或定性的知識，其推理方式比較類似于人的思維方式，這都是模糊邏輯的優點。但它缺乏有效的自學習和自適應能力。
而將模糊邏輯與神經網絡結合，則網絡中的各個結點及所有參數均有明顯的物理意義，因此這些參數的初值可以根據系統的模糊或定性的知識來加以確定，然后利用學習算法可以很快收斂到要求的輸入輸出關系，這是模糊神經網絡比單純的神經網絡的優點所在。同時，由于它具有神經網絡的結構，因而參數的學習和調整比較容易，這是它比單純的模糊邏輯系統的優點所在。模糊神經網絡控制已成為一種趨勢，它能夠提供更加有效的智能行為、學習能力、自適應特點、并行機制和高度靈活性，使其能夠更成功地處理各種不確定的、復雜的、不精確的和近似的控制問題。
模糊神經控制的未來研究應集中于以下幾個方面：
(1)研究模糊邏輯與神經網絡的對應關系，將對模糊
控制器的調整轉化為等價的神經網絡的學習過程，用等價的模糊邏輯來初始化神經網絡；
(2)完善模糊神經控制的學習算法，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)模糊控制規則的在線優化，可提高控制器的實時性與動態性能；(4)需深入研究系統的穩定性、能控性、能觀性以及平衡吸引子、混沌現象等非線性動力學特性。
關于神經網絡與模糊邏輯相結合的研究已有很多，比如，用于氬弧焊、機器人控制等。
(5)神經網絡與小波分析的結合
小波變換是對Fourier分析方法的突破。它不但在時域和頻域同時具有良好的局部化性質，而且對低頻信號在頻域和對高頻信號在時域里都有很好的分辨率，從而可以聚集到對象的任意細節。
利用小波變換的思想初始化小波網絡，并對學習參數加以有效約束，采用通常的隨機梯度法分別對一維分段函數、二維分段函數和實際系統中汽輪機壓縮機的數據做了仿真試驗，并與神經網絡、小波分解的建模做了比較，說明了小波網絡在非線性系統黑箱建模中的優越性。小波神經網絡用于機器人的控制，表明其具有更快的收斂速度和更好的非線性逼近能力。
四、結論
經過半個多世紀的發展，神經網絡理論在模式識別、自動控制、信號處理、輔助決策、人工智能等眾多研究領域取得了廣泛的成功，但其理論分析方法和設計方法還有待于進一步發展。相信隨著神經網絡的進一步發展，其將在工程應用中發揮越來越大的作用。
參考文獻：
[1]張曾科.模糊數學在自動化技術中的應用[M].清華大學出版社，1997.
[2]李士勇.模糊控制·神經控制和智能控制論[M].哈爾濱工業大學出版，1996.250-387.
[3]謝聯峻.模糊控制在列車自動駕駛中的應用[J].自動化與儀器儀表，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，FukudaT，AsadaH.AcquisitionifHumanSkillsforRoboticSystem[C].In：ProcIEEEIntSympOnIntelligenControl，1991.469-489.
[7]王小平，曹立明.遺傳算法—理論、應用與軟件實現.西安交通大學出版社，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.灰色系統理論教程.華中理工大學出版社，1990.
[11]呂宏輝，鐘珞，夏紅霞.灰色系統與神經網絡融合技術探索.微機發展，2000，23(4)：67-109.
第5篇：神經網絡的功能范文
關鍵詞： 諧波； 間諧波； 全相位快速傅里葉變換； 人工神經網絡； 虛擬儀器
中圖分類號： TN711?34； TM417 文獻標識碼： A 文章編號： 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，電力系統的電能應該是具有單一頻率、單一波形和若干電壓等級的正弦電壓信號。但是實際生產生活中由于一些原因，電網中的電能很難保持理想的波形，實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中存在大量的電力系統諧波。隨著諧波污染問題愈加嚴重，其產生的危害也越來越廣泛。因此，諧波檢測問題具有十分重要的研究價值和意義[2]。
1 基于全相位快速傅里葉變換和BP神經網絡
的諧波檢測
1.1 諧波相角檢測
全相位快速傅里葉變換具有相位不變性。利用該性質對電網電壓信號的采樣值進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） 采集電網信號，獲取個采樣值。
（2） 對采樣數據進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的影響無法獲得準確的諧波信號幅值，但是幅值譜在諧波相應的頻率附近會出現峰值譜線，通過讀取該峰值譜線對應的相位值即可得到精確的諧波相位[4]。
1.2 基于BP神經網絡的諧波幅值檢測
選擇BP神經網絡作為諧波幅值的檢測方法。基于BP神經網絡的諧波幅值檢測分為以下步驟：
（1） 構建諧波檢測BP神經網絡結構
傳統的BP神經網絡諧波檢測網絡由輸入層、隱含層、輸出層構成[5]。本文構建的網絡僅含有一個隱含層。由于傳統結構的BP神經網絡輸出層各神經元共用同一個隱含層，相互之間影響比較嚴重，存在諧波幅值檢測精度不高的問題。因此本文采用改進的BP神經網絡結構，輸入層、輸出層設置不變，僅使輸出層的每一個神經元分別都對應一個隱含層，解決了各待測諧波相互影響的問題，提高了諧波檢測的精度。
（2） 確定諧波檢測BP神經網絡學習算法
設電網中電壓信號為一周期性非正弦信，對做一個周期內的等時間間隔采樣。采樣數據作為神經網絡的輸入。隱含層的輸出為。輸出層為分別對應三次諧波和五次諧波幅值[6]。由于各次諧波具有相同的學習算法，在此僅以三次諧波為例，介紹其學習算法。三次諧波的隱含層和輸出層的輸出為：
（3） 選取諧波檢測神經網絡訓練樣本
在實際檢測時以檢測奇次諧波中次數較低的諧波為主。本文諧波檢測前通過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明訓練樣本的選取過程[7]。諧波電壓可以表示為：
（4） 學習樣本選取完成后，按照BP神經網絡的訓練過程訓練神經網絡。待訓練結束，獲取神經網絡各個連接權值，從而固定BP神經網絡結構和連接權值，完成對諧波幅值的記憶。其后只需要采集電網信號作為同相位條件下的BP神經網絡的輸入，即可從網絡輸出獲取信號中所含的各次諧波幅值。
1.3 諧波檢測仿真實驗
本仿真只對某個相位條件下的BP神經網絡對三次和五次諧波的幅值進行仿真驗證。在三次諧波的相位為30°，五次諧波的相位為60°的條件下采用訓練樣本選取方法，獲取676組訓練樣本，離線訓練諧波檢測BP神經網絡。仿真程序流程如圖1所示。
訓練完成后，選擇多組相位同為30°和60°未訓練的樣本仿真驗證諧波幅值檢測的精度。通過實驗可以看出，BP神經網絡諧波幅值檢測方法結果比插值FFT具有更高的精度。通過增加訓練樣本個數可進一步提高神經網絡諧波幅值檢測的精度。
2 基于全相位快速傅里葉變換和自適應神經網
絡諧波檢測
2.1 檢測步驟
基于全相位快速傅里葉變換和自適應神經網絡的諧波檢測方法的具體步驟如下：
（1） 采集訓練樣本。設定采樣頻率和采樣時間，采集電網電壓信號，為全相位快速傅里葉變換提供分析數據，為自適應人工神經網絡提供訓練樣本。
（2） 確定諧波初相位。將電網信號采樣數據經過全相位快速傅里葉變換分析，在分析結果的幅值譜中找出峰值譜線，并由峰值譜線對應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神經網絡。利用諧波相位檢測結果設置神經網絡參考輸入向量中的各次諧波相位值。
（4） 計算誤差讀取一次訓練樣本，根據采樣時間計算神經元輸出與此刻的電網信號采樣值做差，進而計算誤差函數和性能指標。
（5） 根據誤差調整神經網絡權值。
以最小均方差法（LMS）作為諧波幅值檢測自適應神經網絡的學習算法，則權值調整公式，即諧波幅值調整公式為：
（6） 判斷是否等于訓練樣本總數如果是，再判斷是否達到最大訓練次數。若達到最大訓練次數則結束訓練轉至下一步。若未達到，則需計算并判斷是否達到性能指標要求，達標則轉至下一步，不達標則返回步驟（4）再次執行。如果否，返回步驟（4）繼續執行。
（7） 訓練結束。根據所得神經網絡權值獲得各次諧波幅值。
2.2 諧波檢測仿真
取511個電網信號采樣點經過apFFT分析后，可以看出該諧波相位檢測具有很高的精度。利用apFFT分析結果初始化神經網絡，并取50組訓練樣本訓練神經網絡，可以看出性能指標函數的值在訓練次數足夠大的情況下可以達到，在經過10次以內的訓練后基波和諧波檢測值趨于穩定。由實驗數據可以看出本文采用的方法極大地提高了諧波幅值的檢測精度。
3 基于全相位快速傅里葉變換和增強型自適應
神經網絡的間諧波檢測
3.1 增強型自適應神經網絡間諧波檢測模型
諧波檢測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倍，因而諧波頻率無需檢測。但是對于間諧波檢測，由于間諧波頻率為基波頻率的非整數倍，無法通過基波頻率獲知間諧波頻率，因此在間諧波檢測時，需要將間諧波的頻率也作為檢測項[8]。為此，將應用于間諧波檢測的自適應神經網絡結構設計成如圖3所示的形式。
3.2 諧波檢測步驟
基于全相位快速傅里葉變換和增強型自適應神經網絡的間諧波檢測步驟如下：
（1） 信號采集和apFFT分析。將電網信號濾除已測量的基波、諧波信號后得到由間諧波構成的信號，采樣并經apFFT算法分析后，得到幅值譜和相位譜。
（2） 神經網絡結構的確定和初始化。由于神經網絡中間層神經元的個數等于間諧波個數，因此通過apFFT幅值譜峰值譜線的個數確定神經元個數。分別確定間諧波頻率和幅值的學習率和動量因子。設定神經網絡的最大訓練次數，開始人工神經網絡的訓練。
（3） 計算誤差。讀取一次訓練樣本，根據式（11）計算神經網絡實際輸出，并與此刻的采樣值做差，進而計算誤差函數和性能指標。
（5） 判斷是否等于訓練樣本總數如果是，再判斷是否達到最大訓練次數。若達到最大訓練次數則結束訓練轉至下一步。若未達到，則需計算并判斷是否達到性能指標要求，達標則轉至下一步，不達標則返回步驟（3）再次執行。如果否，返回步驟（3）繼續執行。
（6） 學習結束。學習結束后，通過激勵函數的角頻率獲取間諧波頻率，通過神經網絡權值得到間諧波幅值。
3.3 間諧波檢測仿真
設基波頻率為50 Hz，采樣頻率為2 560 Hz，采集511個點。利用apFFT的分析結果初始化神經網絡。設置間諧波幅值調整的學習因子=0.01，設置動量因子=0.3，隨后開始訓練神經網絡。從實驗數據可得，網絡經過70次左右的在線訓練后基本收斂。經過70次訓練后幅值誤差都達到了以下，頻率誤差達到了以下。通過對原始間諧波疊加信號波形和檢測得到的間諧波組合信號波形進行對比可知，基于全相位快速傅里葉變換和增強型自適應神經網絡的間諧波檢測方法具有更高的檢測精度。
4 LabWindows/CVI諧波檢測軟件實現
4.1 諧波檢測系統設計方案
針對電力系統中存在C波問題，利用LabWindows/CVI和計算機設計虛擬諧波檢測儀器。主要實現的功能是分析數據采集卡采集的電網電壓數據，利用apFFT和自適應線性神經網絡算法獲取高精度的諧波電壓幅值和諧波初相位，并通過計算機顯示出檢測結果。利用檢測結果計算總諧波畸變率，當畸變率超過標準值時給出警報。首先獲取電網電壓采樣信號，進而將采樣信號經過全相位快速傅里葉變換分析得到基波和各次諧波信號的高精度相位值，通過獲得的相位值設置自適應神經網絡激勵函數中的諧波相位值，隨后利用采樣數據在線訓練神經網絡獲得基波和各次諧波的幅值。
4.2 諧波檢測系統軟件設計過程
基于LabWindows/CVI的諧波檢測軟件設計過程可分為以下步驟：
（1） 啟動LabWindows/CVI編程環境，創建諧波檢測軟件工程。
（2） 在用戶界面編程窗口，根據諧波檢測的功能要求設計虛擬儀器用戶面板。在面板上添加相應控件，控件分布設計完成后，需要對控件屬性及其對應的回調函數進行設置，使得點擊或使用這些控件時能夠得到有效的響應。
（3） 用戶界面設計并保存完成后，LabWindows/CVI自動生成程序代碼的主體框架，并通過菜單欄CodeGenerateMain Function生成main函數和各個控件對應的回調函數框架程序。
（4） 在各個控件對應的回調函數內編寫實現其功能的程序代碼，例如本文在主面板開始檢測按鈕對應的回調函數內部編寫apFFT和神經網絡諧波檢測算法的代碼，以實現諧波檢測功能。
（5） 完成代碼編寫、調試和運行程序。
4.3 檢測軟件實驗測試
本文通過讀取兩組離線測量數據對諧波檢測功能進行實驗檢測。通過第一組數據的檢測結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apFFT采樣數據分析的結果中，測量信號波形和基波波形的對比可以看出諧波對基波波形的影響較小。實驗結果表明該軟件具有很好的諧波檢測精度。
通過第二組數據的檢測結果看出諧波總畸變率超出設定值（4%），諧波畸變率告警燈變為紅色，同時告警對話框彈出。諧波檢測的結果同時在表格和柱形圖中顯示。將測量信號、諧波疊加信號和基波信號的波形進行對比，諧波對電網電壓的波形影響仍然很有限，保證了電網中負載的用電安全。此次諧波檢測的檢測結果，檢測精度仍然較高。
5 結 論
本文主要對基于全相位快速傅里葉變換和神經網絡的諧波、間諧波檢測方法進行了研究。針對現有成熟的諧波檢測算法檢測精度不高的問題，提出了基于全相位快速傅里葉變換和BP神經網絡的諧波檢測算法；為了進一步提高諧波檢測精度，減小對訓練樣本的依賴，擴大諧波檢測算法的適用范圍，提出了基于全相位快速傅里葉變換和自適應神經網絡的諧波檢測算法；針對電力系統間諧波檢測問題，通過調整自適應神經網絡結構，提出了基于全相位快速傅里葉變換和增強型自適應神經網絡的諧波檢測算法；利用虛擬儀器開發平臺LabWindows/CVI設計了基于全相位快速傅里葉變換和自適應神經網絡的諧波檢測軟件，最后利用兩組數據驗證了軟件功能。
參考文獻
[1] 肖雁鴻，毛筱.電力系統諧波測量方法綜述[J].電網技術，2002，26（6）：61?64.
[2] 聶晶晶，許曉芳，夏安邦，等.電能質量監測及管理系統[J].電力系統自動化設備，2005，25（10）：75?77.
[3] 王子績，孟鑫，張彥兵，等.基于瞬時無功功率理論的新型諧波檢測算法[J].電測與儀表，2012，49（4）：9?13.
[4] 劉桂英，粟時平.利用小波傅里葉變換的諧波與間諧波檢測[J].高電壓技術，2007，33（6）：184?188.
[5] 危韌勇，李志勇.基于人工神經元網絡的電力系統諧波測量方法[J].電網技術，1999，23（12）：20?23.
[6] 王凱亮，曾江，王克英.一種基于BP神經網絡的諧波檢測方案[J].電力系統保護與控制，2013（17）：44?48.
[7] 付光杰，曲玉辰，郭靜.RBF神經網j在諧波檢測中的應用[J].大慶石油學院學報，2005，29（6）：76?79.
第6篇：神經網絡的功能范文
關鍵詞：電力系統；神經網絡系統；應用；展望
神經網絡泛指生物神經網絡和人工網絡神經兩個方面，廣泛應用于電力系統中的是人工神經網絡，因為人工神經網絡具有自學習功能、聯想儲存功能和高速尋找優化解的能力，所以不僅可以發揮計算機的高速運算能力，還能很快找到最優方案，為提升工作效率做出了重大貢獻。正確認識神經網絡系統在電力系統中的巨大功能，不僅能夠提高電力系統的穩定性，還能盡最大可能解決電力系統中出現的問題，提高電力系統的工作效率。
一、神經網絡系統的含義
人工神經網絡是一種應用，類似于用大腦神經突觸聯接的結構進行信息處理的數學模型。在工程界常被成為神經網絡。神經網絡是一種運算模型，有大量的節點和相互之間的聯接構成。每個節點都可以輸出一種特定的函數，而每兩個節點的連接則代表一個聯接函數的加權值，這些就組成了人工神經網路的記憶。神經網絡數據的輸出就依靠這些網絡的不同連接方式，也就是說輸出函數和加權值的不同。
神經網絡通常是通過一個基于統計學系統的學習方法進行優化的，所以神經網絡系統也是一種數學統計方法。在神經網絡系統中通過統計學的方法可以獲得大量的函數以來進行空間的模擬和干預，另外，還可以通過相應的數據幫助我們進行計算和判斷，而其產生的數據要比傳統的計算邏輯方法來的更加簡便，更有優勢。
二、神經網絡系統在電力系統中的應用
1.在電力系統控制中的作用
電力系統的過程包含很多環節，傳統的管理控制過程不但導致資源的浪費，還會出現數據的偏差、錯誤，從而影響整個系統的運行。而神經網絡系統的運用可以對電力系統實現智能控制，利用神經網絡系統的估計和聯想力，能對系統的狀態和參數進行相應的識別和控制。另外，在變電站電壓控制中，現在的控制策略還存在著一定的盲目性和不確定性。而神經網絡系統可以減少變電站電壓的不穩定性，消除綜合控制中的盲目調節。
2.在保持電力系統穩定性中的作用
傳統的抑制電力系統低頻功率震蕩，保證電力系統穩定的電力系統穩定器已經不能滿足現階段的電力系統了，在復雜的電力系統面前，傳統的電力系統穩定器的計算方法、計算數據等都會出現偏差，影響系統最終結果。于是，現在更多的人用神經網路技術來設計電力系統的穩定器，這些穩定器可以很好的精確計算方法、減少計算數據的差異，可以很好的克服傳統電力系統穩定器的缺點，使得計算更加簡單、省時、準確。
3.優化運算的功能
由于神經網絡系統可以建立非線性的模型，并適于解決數據預報問題，使得電力系統在短期內的負荷預報變得可能，且有一定的準確性。另外神經網絡系統應用于電力系統可以對于電力系統的穩定性進行分析計算，取得故障后的系統狀態數據，并對這些數據進行相應的分析檢驗，以進行確切數據的提煉，優化了傳統電力系統中故障數據的檢驗，使得計算方法更加簡便、快捷，從而提高了電力系統網絡的穩定性和準確性。
4.在繼電保護中的作用
繼電保護是電力系統能夠安全、穩定運行的重要保障。隨著電力系統的發展完善，傳統的繼電保護程序已經不能滿足要求，利用神經網絡系統組成的繼電保護系統可以根據各種系統提供的不同參數進行準確的模擬、組合，及時發現電流、電壓的變化量，通過收集這些故障的參照樣本，來對于本系統進行故障模擬，形成相應的保護體系，使得神經網絡系統可以在不同的故障條件下正確判斷、識別故障，以幫助工作人員了解故障的原委，解決問題。
5.在輸電系統中的作用
神經網絡系統廣泛在電力系統中進行應用還可以有效地對電力系統的電壓、線路的阻抗、功率等進行很好的調節控制，從而大大提高電路在電流輸送過程中的穩定性，降低輸電中的損耗，充分實現電能的高效利用，取得良好的經濟效益。同時，提高輸電系統的工作效率還能大大提高供電設備的安全性，并且可以有效的對相應的故障進行分析處理，從而使得輸電系統更加合理、完善。
6.構建電力系統中的專家系統
由神經系統網絡構建的電力系統的專家系統可以通過計算機數據收集人類專家的知識，以利用這些知識為電力系統的建設提供相當于專家水平的技術建議和決策支持，并能夠給出相應正確的推理，使得解決問題的知識結構更加寬泛、更加完善。另外，專家系統還具有啟發式的知識，可以很好的減少工作人員的工作強度，同時還能隨時進行修改補充，因此，將神經網絡用于電力系統中，形成相應的專家系統是很有必要的。
7.診斷電力系統故障的作用
要保證電力系統的安全運行和供電設備的安全穩定，就要準確的對電力系統出現的故障進行診斷、排查，以進行及時檢修。但目前看來，因為這些故障沒有規律可循，而且往往牽扯到很多環節，很難使用一種確定的方法邏輯進行識別，但神經網絡系統卻可以很好的做到了這一點。以變壓器故障為例，當變壓器內部出現問題時，變壓器的絕緣油中會產生異常氣體，使得絕緣油油溫、油壓、絕緣電阻等發生改變并聚集成一個標準樣本，通過神經網絡系統進行分析和確認，就可以很容易的對故障做出準確判斷。
三、神經網絡系統應用于電力系統的展望
1.神經網絡系統作為一個新的數據處理系統，還有很多不完善的地方，雖然已經做了很多的努力進行完善，但是對于神經網絡系統中的隨機問題還是不能夠完全控制。另外，以現在的技術手段對于神經網絡系統的信息處理分析能力還不能進行清楚的分析、判斷。所以，要不斷探討更加有利的、完善的知識理論體系，完善神經網絡系統，以建立起一套完整的理論體系，提高神經網絡系統的穩定性，使神經網絡系統發揮更加重要的作用。
2.神經網絡系統的發展與應用，實際上是依賴于現實專家系統的發展。神經網絡系統的所有數據均來自專家已有知識或推理出來的數據，因此，并不能忽視現實專家系統的重要性，只有將現實專家系統的邏輯思維方法和知識應用體系運用到神經網絡系統中才能真正更有效的發揮神經網絡系統的作用，才能為電力系統的完善提供更加完備的系統理論。
3.神經網絡系統的研究雖然已經有了一定進展，但是對于很多企業來說，實際應用還有很多困難，還存在著技術差異、人員水平差異、管理差異和經濟實力差異，所以，雖然理論研究已相對完整，但在實際的運用過程中卻遇到了多重阻礙，不僅科技得不到發展，在人員意識上也造成了滯后。因此，管理人員要積極轉變管理思路，將先進科技應用于企業建設上來，從而轉變員工的意識，只有各方面全力配合，以及技術的不斷發展，才能真正帶動企業的發展，實現經濟效益和社會效益的雙豐收。
結語：
目前，對于神經網絡系統在電力系統中的研究還是初步的，有很多不完善的地方，現在進行的研究還比較淺顯，神經系統還有更大的發展前途，這就需要科研人員和電力技術人員不斷通過實驗、實踐來對神經網絡系統在電力系統中的運用進行探索，以完善神經網絡系統和電力系統，促進科技的發展和完善，使神經網絡系統可以應用到更高水平。
參考文獻：
[1]楊勇.人工神經網絡在電力系統中的應用與展望[J].電力系統及其自動化學報，2001（1）
[2]葉其革，王晨皓，吳捷.模糊神經網絡及其在電力系統中的應用研究[J].繼電器，2004（11）
第7篇：神經網絡的功能范文
關鍵詞：神經網絡 化工 應用
一、前言
人工神經網絡是一個多科學、綜合性的研究領域，它是根據仿生學模擬人體大腦結構和運行機制構造的非線性動力學系統[1]。神經網絡可以看作是一種具有自組織、自學習能力的智能機器，它能模仿人的學習過程，通過給網絡各種范例，把網絡的實際輸出與希望輸出比較，根據偏差修改節點間的連接權，直到獲得滿意的輸出。現已廣泛應用于經濟學、軍事學、材料學、醫學、生物學等領域。
化工過程一般比較復雜， 對象特性多變、間歇或半連續生產過程多，具有嚴重非線性特性。因此，其模型化問題一直是研究的熱點。化工生產過程的數據或實驗室實驗數據的擬臺、分析，是優化過程或優化反應條件的基礎一般被處理的數據可以分為二類：靜態數據（static data）和動態數據（Dynamic data），對于靜態數據的關聯，神經網絡是一種很有希望的“經驗模型”擬合工具。動態過程數據具有系統隨時間而變化的特征，操作參數和產物的產量和質量之間的關系更為復雜。處理和分析動態過程數據的方法除了常用的在物料衡算、能量衡算、反應動力學方程、相平衡等基礎上建立數學模型（Mathematical Models）、數理統計（Statistical Analysis）等方法外，用神經網絡擬合動態過程數據， 建立動態過程模型， 往往能從動態數據提供的模式中提取較為有用的信息，對過程進行預測、故障診斷，從而使過程得到優化。因此，神經網絡以其強大的函數映射能力， 已經廣泛用于化工過程非線性系統建模領域。 它能夠通過輸入輸出數據對過程進行有效地學習，為化工過程的綜合發展提供了一種先進的技術手段。
二、人工神經網絡簡介
人工神經網絡（英文縮寫為ANN）簡稱神經網絡，是在生物學和現代神經科學研究的基礎上，對人類大腦的結構和功能進行簡化模仿而形成的新型信息處理系統[2，3]。由“神經元”（neurons）或節點組成。至少含有輸入層、一個隱含層以及一個輸出層。輸入層—從外部接受信息并將此信息傳入人工神經網絡，以便進行處理；隱含層—接收輸入層的信息，對所有信息進行處理；輸出層—接收人工神經網絡處理后的信息，將結果送到外部接受器。當輸入層從外部收到信息時，它將被激活，并將信號傳遞到它的近鄰這些近鄰從輸入層接收到激活信號后，依次將其輸出到它們的近鄰，所得到的結果在輸出層以激活模式表現。
神經網絡可以看作是一種具有自組織、自學習能力的智能機器，它能模仿人的學習過程。比如，一個復雜化工裝置的操作工人，開始學習操作時，由于沒有經驗，難以保證控制質量。但經過一段時間學習后，他就能逐步提高技能。神經網絡正是模擬人類學習過程，通過給網絡各種范例，把網絡的實際輸出與希望輸出比較，根據偏差修改節點間的連接權，直到獲得滿意的輸出。人工神經網絡研究工作可分成 3個大方向：（1）探求人腦神經網絡的生物結構和機制，這實際上是研究神經網絡理論的初衷；（2）用微電子或光學器件形成有一定功能的網絡，這主要是新一代計算機制造領域所關注的問題；（3）將人工神經網絡作為一種解決問題的手段和方法，而這類問題用傳統方法無法解決或在具體處理技術上尚存在困難。
三、神經網絡在化工中的應用
1.故障診斷
當系統的某個環節發生故障時，若不及時處理，就可能引起故障擴大并導致重大事故的發生。因此建立高效的、準確的實時故障檢測和診斷系統，消除故障隱患，及時排除故障，確保安全、平穩、優質的生產，已成為整個生產過程的關鍵所在。神經網絡是模仿和延伸人腦智能、思維、意識等功能的非顯形自適應動力學系統，其所具有的學習算法能使其對事物和環境具有很強的自學習、自適應和自組織能力。神經網絡用于故障診斷和校正不必建立嚴格的系統公式或其它數學模型，經數據樣本訓練后可準確、有效地偵破和識別過失誤差，同時校正測量數據中的隨機誤差。與直接應用非線性規劃的校正方法相比，神經網絡的計算速度快，在化工過程的實時數據校正方面具有明顯的優勢。目前應用于故障診斷的網絡類型主要有：BP網絡、RBF網絡、自適應網絡等。
Rengaswamy[4]等人把神經網絡用在化工過程的初始故障預測和診斷（ FDD）中，提出一種神經網絡構架，利用速度訓練在分類設計中明確引入時間和過程模型映像的在線更新三個要素，來解決化工過程中的初始故障診斷問題。國內也有關于神經網絡用于故障診斷的報道，黃道[5]等人以TE （Tenneaaee Eastman，Eastman化學公司開發的過程模擬器，提供了一個實際工業過程的仿真平臺，是一種國際上通用的標準仿真模型）模型為背景，根據模型的特點進行了故障診斷。當輸入變量接近訓練過的樣本時，診斷的成功率可達100％。另外，模糊神經元網絡作為一種更接近人腦思維的網格，也是解決此類問題的一個發展方向。李宏光[6]等人就針對化工非線性過程建模問題， 提出了由函數逼近和規則推理網絡構成的模糊神經網絡，其規則網絡基于過程先驗知識用于對操作區間的劃分，而函數網絡采用改進型模糊神經網絡結構完成非線性函數逼近，并將該技術應用于工業尿素 CO2汽提塔液位建模。
2.化工過程控制
隨著神經網絡研究的不斷深入，其越來越多地應用于控制領域的各個方面，從過程控制、機器人控制、生產制造、模式識別直到決策支持神經網絡都有應用。神經網絡可以成功地建立流程和控制參數問的非線性關系及構造相關的數學模型，并可跟蹤瞬息過程及具有穩健功能等，因此可有效地用于化工過程最優化和控制。
1986年，Rumelhart第一次將ANN用于控制界。神經元網絡用于控制有兩種方法，一種用來構造模型，主要利用對象的先驗信息，經過誤差校正反饋，修正網絡權值，最終得到具有因果關系的函數，實現狀態估計，進而推斷控制；另一種直接充當控制器，就像PID控制器那樣進行實時控制。神經元網絡用于控制，不僅能處理精確知識，也能處理模糊信息。Tsen[7]等利用混合神經網絡實現對乙酸乙烯酯（VA）的乳液聚合過程的預測控制。原有的該間歇過程的復雜的機理模型可對單體轉化率做出較準確的預測，然而對產品性質（如數均相對分子質量及其分布）的預測不太可靠。所建的混合型神經網絡模型用于實現過程的反饋預測控制。國內對神經網絡的實質性研究相對較晚，譚民[8]在1990年提出了一種基于神經網絡雙向聯想機制的控制系統故障診斷方法，并且作了仿真驗證。清華大學自動化系則開發了一種基于時序神經網絡的故障預報方法，利用工藝現場數據對大型氯堿廠的氯氣中含氫氣的問題進行了模擬預報實驗。
3.藥物釋放預測
建立精確的緩釋微膠囊模型是找出最優的工藝條件及掌握芯材釋放規律的重要一步。緩釋微膠囊的性能與影響因素之間足一種多輸入、多輸出、復雜的非線性關系。機理分析法和傳統的系統辨識法對輸入、多輸出問題適應性差，過分依賴研究領域的知識與經驗，難以得到實用的緩釋微膠囊模型。人工神經網絡能夠很好地解決傳統方法不能解決的具有高度非線性、耦合性、多變量性系統的建模問題并具有獨特的優勢。
趙武奇[9]等人建立了紅景天苷緩釋微囊的人工神經網絡模型及其遺傳算法優化技術，用神經網絡模型描述了微囊制作參數與性能之間的關系，并用遺傳算法優化微囊制作工藝參數，設計出性能最佳的微囊制作工藝參數。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個處方并進行釋放度檢查。氟比洛芬和轉速作為自變量，取其中l4個處方為訓練處方，其余3個處方為驗證處方，將自變量作為人工神經網絡的輸入，藥物在各個取樣時間點的釋放為輸出，采用剔除一點交叉驗證法建立了人工神經網絡模型。并通過線性回歸和相似因子法比較人工神經網絡和基于二元二項式的響應面法的預測能力，顯示了人工神經網絡的預測值與實測值的接近程度。
4.物性估算
用神經網絡來解決估算物質的性質必須解決三個基本問題，第一個是對物質的表征問題；第二個是采用何種神經網絡及其算法問題；第三個是神經網絡輸入與輸出數據的歸一化問題。無論采用哪種方法對數據進行處理，當用經過訓練的神經網絡進行物性估計時，不能將網絡直接的輸出值作為物性預估值，而是要將輸出值再乘上一個系數，這個系數就是前面進行歸一化處理時對數據的除數，相乘后得到的值作為物性估算值。神經網絡用于物性估算，目前采用的就是BP網絡或在此基礎上的各種改進形式。常壓沸點進行估算和研究。Prasad[11]等人利用神經網絡對有機化合物的物理性質進行了預測，并與傳統的基團貢獻法比較，可以得到更為準確的物性參數。而后，董新法、方利國[12]等人將神經網絡在物性估算中的應用作了一個全面而又簡要的講解，并提出神經網絡在物性估算中潛在的應用前景，為其發展及其以后的應用研究提供了很好的工作平臺。
目前，人工神經網絡在各個領域中的應用都在向人工智能方向發展。不斷豐富基礎理論和開展應用研究、完善其技術的可靠性、開發智能性化工優化專家系統軟件，對于我國的化工發展具有重要意義。此外，模糊理論、小波變換、統計學方法和分形技術等信息處理方法和理論與神經網絡的結合解決化工類問題，被認為是一種發展趨勢。
參考文獻
[1]高大文，王鵬，蔡臻超.人工神經網絡中隱含層節點與訓練次數的優化[J].哈爾濱工業大學學報， 2003， 35（2）： 207-209.
[2]蘇碧瑤.人工神經網絡的優化方法[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逼近的神經網絡方法研究[J]. 兵工自動化，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.神經網絡在化工過程故障診斷中的應用[J].控制工程，2006，（13）： 6-9.
[6]李宏光，何謙.化工過程建模中的一類復合型模糊神經網絡[J]. 計算機與應用化學，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. 基于神經元網絡的控制系統故障診斷[J]. 控制與決策， 1990（1）： 60-62.
[9]趙武奇， 殷涌光， 仇農學. 基于神經網絡和遺傳算法的紅景天苷緩釋微囊制備過程建模與優化[J]. 西北農林科技大學學報（自然科學版）， 2006，34（11）： 106-110.
[10] 范彩霞， 梁文權， 陳志喜. 人工神經網絡預測氟比洛芬HPMC緩釋片的藥物釋放[J]. 中國醫藥工業雜志， 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：神經網絡的功能范文
關鍵詞：PID;神經網絡;VHDL;FPGA
中圖分類號：TP18 文獻標識碼：B
文章編號：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
數字PID控制是在生產過程中被普遍采用的控制方法,具有結構簡單、容易控制、參數能夠靈活整定的特點。但當被控對象存在非線性和時變特性時,傳統的PID控制器往往難以獲得滿意的控制效果。神經網絡以其強大的信息綜合能力為解決復雜控制系統問題提供了理論基礎,許多學者也通過軟件仿真的形式驗證了神經網絡控制的可行性并提出了一些新的算法,但由于沒有相應的硬件支持,只通過軟件編程,利用串行方法來實現神經網絡控制必然導致運算速度低,難以保證實時控制。為此,研究人員提出了多種神經網絡專用硬件實現的方法和技術,包括FPGA(Field Programmable Gate Array)實現［1,2］、神經芯片［3-6］以及DSP加速板等。近年來,隨著工藝的進步,數字FPGA結構靈活、通用性強、速度快、功耗低,用它來構造神經網絡,可以靈活地實現各種運算功能和學習規則,并且設計周期短、系統速度快、可靠性高。
隨著FPGA技術的不斷發展,各種智能控制策略的FPGA固核實現的研究隨之活躍。同時,FPGA技術不但可作為ASIC的快速原型樣機驗證,而且其低成本大容量的FPGA用于實現控制器已有可能與傳統的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神經網絡控制器的核心部件是PID神經網絡［7,8］,這里基于硬件描述語言(VHDL)描述PID神經網絡并綜合成硬件電路,借助
FPGA現場可編程的特點完成PID神經網絡的FPGA設計。
1 PID神經網絡算法原理
PID神經網絡是具有非線性特性的3層前向網絡。隱層節點分別為比例(P)、積分(I)、微分(D)單元,因此是動態前饋網絡。PID神經網絡結構如圖1所示,輸入層、隱層、輸出層節點為2,3,1個［9］。
其中,輸入層神經元的輸入:
u(k)=［u1(k),u2(k)］
其輸出與輸入相等。
隱層第i個神經元的輸入：
xi(k)=∑2j=1w ijuj(k), i=1,2,3
式中,w ij是輸入層第j個節點至隱層第i個節點的權值。
隱層比例、積分、微分神經元的輸出qi(k),i=1,2,3,計算如下：
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神經網絡結構
輸出層神經元的輸入是隱層各節點輸出的加權和：
x′(k)=∑3i=1hiqi(k)
式中,hi是隱層節點i至輸出節點的權值。
輸出層神經元的輸出,即網絡的輸出：
y(k)=x′(k)
式中,k為時鐘信號。
PID神經網絡是神經PID控制的核心部分,網絡的輸入與輸出的函數關系為單調上升的非線性關系,它們之間的連接采用權的辦法實現,每層網絡的輸入是其他神經元輸出的加權和,因此在電路實現中需要完成：
(1) 實現兩個信號的相乘。在神經網絡中權的數量很多,加權的計算都用乘法完成,因此對應于兩個信號相乘的電路必不可少。
(2) 實現加權后脈沖累加。
(3) 實現比例、積分、微分運算。
2 PID神經網絡電路模型
PID神經網絡中,乘法是利用與門進行的。兩個脈沖序列通過“與”以后的輸出即為二者的乘積；兩個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,從而達到相乘的目的。
權值存儲在寄存器中,寄存器可以與外界的計算機內存或EPROM相聯,因而權值可從外面寫入。這意味著權值的存儲和權值的改變沒有什么困難,可以設計出可重構的神經網絡模型。
累加器是用計數器完成的,從乘法器輸出的脈沖串經過計數器實現累加,當累加到達閾值時即作為神經元的一個狀態輸出。
比例、積分、微分運算可利用寄存器的延遲特性來完成。
圖2給出了PID神經網絡的環形電路結構示意圖［10］。圖中自下而上把網絡分成3層結構,輸入層xi值的確定,隱層比例、積分、微分運算,輸出層y值的確定。輸入層在水平方向上有個大的環形移位寄存器結構,只使用一個輸入端口加載所有的權值,權值按照順序移位,直到每個寄存器都存儲相應的權值,然后權值與輸入相乘并累加。輸出層也用環形移位寄存器來加載權值hi。
圖2 PID神經網絡的環形電路結構示意圖
3 PID神經網絡FPGA實現
應用Altera公司的Quartus Ⅱ工具和目標芯片EP2C8Q208C7設計PID神經網絡模塊。采用電路圖與 VHDL相結合、自上而下、分層次的方法設計,其頂層原理圖如圖3所示。在頂層將PID神經網絡模塊分四個功能模塊,然后再用VHDL語言實現各功能模塊,并對其進行仿真驗證。
圖3 PID神經網絡頂層原理圖
圖3中pid_1,pid_2,pid_3分別實現xi,qi和y的計算,由于pid_3實現y輸出計算時,采用環形移位寄存器實現h值的輸入需要3個時鐘周期,所以采用clk_3實現3分頻。主時鐘信號直接送給pid_3,分頻后的時鐘信號clkout送給pid_1和pid_2。
采用Quartus Ⅱ集成開發環境,PID神經網絡的綜合結果如圖4所示。clk的最高頻率為116 MHz。
圖4 PID神經網絡綜合結果
4 仿 真
PID神經網絡運算的仿真波形如圖5所示,為了觀測方便,在仿真時把輸入信號固定為 u1＝
3,u2＝4,clk時鐘周期為1 μs,分頻后的時鐘信號clkout為3 μs。程序中利用clkout來對權值w的移入,完成輸入層的計算需要6個clkout,隱層的PID運算需要1個clkout。所以在圖5中,當第7個clkout上升沿到來時, q值由第6個clkout上升沿到來后x的情況確定,此時的計算x值對應的權值w［1..6］分別為［6,5,4,3,2,1］,計算得q1=38,q2=54,q3=7。權值h的移入通過clk來完成,在第7個clkout上升沿后,權值h的輸入有3種:當h［1,2,3］分別為［10,9,8］時,計算出y=922,當h［1,2,3］分別為［1,10,9］時,計算出y=641;當h［1,2,3］分別為［2,1,10］時,計算出y=200。
圖5 PID神經網絡仿真波形
5 結 語
神經網絡隨著神經元的增多,其在線計算量增大,硬件實現是最理想的方式,研究中采用VHDL語言在RTL級描述神經網絡,層次化設計,時序驗證方便,易于FPGA實現。在此利用VHDL語言設計和實現了PID神經網絡模塊,此模塊可以應用到單變量或多變量
非線性PID神經網絡控制器上。
當對神經網絡的速度有較高要求時,可利用FPGA的可編程特點進行面積和速度的折衷考慮,適當增加面積占用率來相應提高芯片運動速度。這在串行時序機應用系統中是難以實現的,也是FPGA實現智能算法的優勢所在。同時由于PID神經網絡具有3層結構,利用FPGA芯片的可重構特點可以進一步降低芯片規模。
參考文獻
［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］付學志,姚旺生,茍偉,等.基于FPGA的高速PID控制器設計與仿真\.電子技術應用,2007,33(1)：87-89.
［8］戢方,雷勇,王俊.自頂向下基于DSP Builder的PID控制系統開發\.現代電子技術,2007,30(9)：127-129.
［9］徐麗娜.神經網絡控制\.北京：電子工業出版社,2003.
［10］Volnei A Pedroni.VHDL數字電路設計教程\.北京：電子工業出版社,2005.
第9篇：神經網絡的功能范文
關鍵詞：無刷直流電機；PID；模糊控制；BP神經網絡；模糊神經網絡（FNN）
中圖分類號：TP393 文獻標識碼：A 文章編號：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）
無刷直流電機的產生憑借其體積小、重量輕、結構簡單、維護方便、運行可靠、效率高等諸多優點，在許多領域得到了廣泛應用[1]。由于無刷直流電機調速控制系統是多變量、強耦合的非線性系統，而傳統的 PID 控制只適用于線性系統，并且主要依賴于系統精確的數學模型，在一些要求高精度、高性能的場合，PID 調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的整體性能具有重要意義。
模糊控制是智能控制的一個重要分支，它是一種以模糊集合論、模糊語言變量和模糊邏輯推理為基礎的計算機控制[2-4]。人工神經網絡是從微觀結構和功能上對人腦神經系統的模擬而建立起來的一類模型，具有非線性、學習能力和自適應特征[5]。
本文將模糊控制和神經網絡控制相融合，優勢互補，設計了一個模糊神經網絡控制器對無數直流電機的轉速環進行控制。通過仿真實驗與傳統PID控制進行比較研究。
1 PID控制
PID控制是將經過反饋后得到的誤差信號分別進行比例、積分和微分運算疊加得到控制器輸出信號。常規PID控制系統仿真模型如圖1所示。
式中，KP為比例系數，為積分時間常數，[τ]為微分時間常數，三者都是可調參數。在實際應用中多是通過試湊法來確定PID的參數。
2 模糊PID控制器
模糊控制器設計：結構如圖2所示。輸入為偏差e和偏差變化率[ec=de/dt]，輸出量為實際控制量u。偏差 E、EC、U 的模糊子集均取：{NB，NM，NS，ZO，PS，PM，PB}，論域均為[-6，6]，選取正態分布隸屬度函數。當控制系統輸入為2500rpm時，設置比例因子分別為[ke=0.0024]，[kec=0.000022]，[ku=416]。對應的模糊控制規則如表1所示。
基于Matlab 2009a軟件環境，對無刷電機（BLDCM）和逆變器模型搭建Simulink仿真模型。BLDCM參數：額定功率 P=1kW，額定轉速[ne]=3000rpm，定子繞組相電阻R=2.875?，繞組自感L=8.5mH，互感M=1.2mH，轉動慣量[J=0.008kg?m2]，極對數[p=4]。參數設置：給定2500rpm，采樣周期[Ts=5×10-5s]，PID參數：[kp=100]，[ki=5]，[kd=0.1]。PID與模糊控制器切換點設置為12。模糊PID控制的無刷直流電機控制系統仿真模型如圖3所示。
3 基于 BP神經網絡的模糊神經網絡控制器
BP神經網絡是一種多層前饋神經網絡[6]，其結構如圖6所示，網絡由輸入層、隱層、輸出層組成。結構為i-j-m。[wij]為輸入到隱層連接權，[wjm]為隱層到輸出的連接權。
本文采用單輸入/單輸出的網絡結構，隱層取15個神經元，即網絡結構為1-15-1。將圖3所示的模糊PID控制系統采集誤差e和控制器輸出u，作為網絡的輸入、輸出量，共采集1000組數據樣本，歸一化后輸入網絡進行離線訓練。參數設置：誤差精度設置為0.00001，隱層函數為“tansig”，輸出層函數選擇“purelin”，訓練方式為“trainlm”，該方法具有較快的收斂速度。將訓練好的BP網絡提取Simulink模型后作為模糊神經網絡控制器，導入至電機控制系統，置換PID控制器如圖7所示。然后還需調節歸一化、反歸一化參數，并進行給定輸入、負載擾動作用下的實驗。
負載擾動為3[N?m]，輸入啟動信號為2500rpm，測試響應曲線。將PID和FNN兩種控制方法的轉速仿真結果歸納為一個圖，如圖8所示。圖中FNN表示模糊神經網絡控制器。常規PID控制器參數：[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，采用模糊神經網絡控制性能比PID控制好很多，達到無超調，響應速度很快，抗負載擾動能力很強，而PID控制無論啟動還是抗干擾適應能力弱。從而證明了模糊神經網絡控制的優越性。
模糊控制與神經網絡方法融合，是將神經網絡的學習能力引入到模糊控制系統中，用神經網絡來實現模糊控制中的模糊化、模糊推理、精確化計算。需要采集輸入樣本數據用 BP 算法對網絡進行離線訓練；利用訓練好的網絡，在線計算得到最佳輸出。這種控制模式反應速度快，而且能充分發揮神經網絡的自學習功能和聯想記憶能力，對于未在訓練樣本中出現的情況，也可以通過聯想記憶功能，做出最優控制決策，表現非常靈活。
在 Simulink仿真環境下建立模糊神經網絡控制器模型后，即可實現模糊神經網絡控制器與Power System Blockset仿真環境的有效連接。
5 結論
在 MATLAB環境中對無刷直流電機調速控制系統速度環進行PID控制仿真。在此基礎上，設計了模糊PID控制器、模糊神經網絡控制器，建立了無刷直流電機調速系統的仿真模型，并進行了給定輸入、負載擾動作用實驗。仿真實驗結果曲線表明模糊PID控制、模糊神經網絡控制均優于常規PID控制，動靜態得到較大提高，尤其是模糊神經網絡控制器具有較強的自學習、自適應和抗擾動能力，系統的可靠性、穩定性和魯棒性好，從而證明了本文方法的有效性。
參考文獻：
[1] 曹少泳. 基于 DSP 的 BLDCM 無位置傳感器模糊 PID 調速系統的研究[D]. 華南理工大學，2007.
[2] 姜長生，王從慶，等. 智能控制與應用[M]. 科學出版社，2007：75-79.
[3] 韓俊峰，李玉惠. 模糊控制技術[M]. 重慶大學出版社，2003.
[4] 劉曙光，魏俊民，竺志超. 模糊控制技術[M]. 中國紡織出版社，2001.
