前言：中文期刊网精心挑选了神经网络算法的优缺点范文供你参考和学习，希望我们的参考范文能激发你的文章创作灵感，欢迎阅读。
神经网络算法的优缺点范文1
关键词:颅内压;遗传算法;人工神经网络;脑血流动力学参数
中图分类号:TP183文献标识码:A
文章编号:1004-373X(2010)04-170-02
Intracranial Pressure Monitoring Based on Genetic Algorithm and Artificial Neural Network
LU Lirong,ZHOU Jinyang,NIU Xiaodong
(Changzhi Medical College,Changzhi,046000,China)
Abstract:A novel intracranial pressure monitoring based on genetic algorithm and artificial neural networks after analyzing the advantages and disadvantages of the intracranial pressure detection method at present.Building a model by using back propagation neural network and optimizing by using genetic algorithm can restrain the disadvantages that the speed of the back propagation algorithm is slowly and the back propagation algorithm is easy to fall into local extremum.The needed intracranial pressure can be gained by measuring 4~6 cerebral hemodynamic parameters and inputting to this intracranial pressure prediction model.
Keywords:intracranial pressure;genetic algorithm;artificial neural network;cerebral hemodynamic parameter
0 引 言
颅内压(Intracranial Hypertension,ICH)增重时将导致脑疝,并可能危及生命[1]。颅内压的检测是颅脑疾病处理的重要前提,它可以帮助医生判断患者颅脑损伤程度并采取降压措施[2]。目前临床采用的成熟的监测颅内压技术均为有创方法,例如,腰椎穿刺,脑室内检测等。虽可较准确地反映颅内压水平,但存在以下弊端:操作繁杂、并发症较多;不适宜长期监测;仅可获得颅内压值,不能从颅内压动力学内在机制的角度,分析ICH为何种关键因素所致[3]。近年来,国内外已开展了多项无创性颅内压监测技术的基础与应用研究。以建立数学模型的方法,无创监测颅内压为其中一项活跃的研究。
人工神经网络[4](Artificial Neural Networks,ANNs)是对人脑神经网络在结构、功能及某些基本特性理论的抽象、简化和模拟,而构成的一种信息处理系统,适合解决各类拟合、预测等复杂问题。误差反向传播(Back Propagation,BP)神经网络是目前应用最广泛也是发展最成熟的一种神经网络模型。尽管在实际工作中网络得到了大量应用,但它也存在一些严重的问题:由于训练采用简单的梯度下降法进行优化训练,算法效率低下,且易陷入局部极值,造成训练失败[5,6]。
遗传算法[7](Genetic Algorithm,GA)是模拟生物在自然环境中的遗传和进化过程而形成的一种全局搜索算法。具有更好的鲁棒性。
在此针对BP神经网络的缺点,将GA与BP算法相结合,建立各相关参数与颅内压关系的数学模型,实现最优化的颅内压监控预测模型。
1 神经网络建模
大量的研究表明,颅内压值与平均动脉压、大脑中动脉血流速度、阻力指数等脑血流动力学参数有较好的定量关系[3]。即:设颅内压值为y,脑血流动力学参数平均动脉压、大脑中动脉血流速度、阻力指数等的值分别为x1,x2,x3…,则有:
y=f(x1,x2,x3)(1)
人工神经网络理论已经证明,三层BP神经网络可以逼近任何函数[8,9]。因此可以利用BP神经网络来建立颅内压模型从而可以最优化地逼近式(1)这个函数。
图1为利用BP反向传播神经网络建立颅内压模型[10]。平均动脉压、大脑中动脉血流速度、脉动指数、阻力指数等脑血流动力学参数作为输入层,隐含层的神经元个数由实验反复确定,直到网络输出的颅内压值与实验所得的颅内压值之间的误差在所允许的范围,此颅内压模型确定。
图1 BP神经网络建立颅内压模型
2 遗传算法优化
BP神经网络算法虽然具有简单和可塑性强的优点,但是收敛速度慢,且常受局部极小点的困扰,不利于网络的优化。而GA可以克服此缺点。因此用GA来对此模型进行优化。流程图如图2所示。
图2 GA优化流程图
具体步骤为:
(1) 初始化:随机产生N组在不同实数区间内取值的初始网络权值。
(2) 预训练:用 BP算法对N组初始权值分别进行预训练。
(3) 判断是否满足精度要求:若经过预训练后N组权值中至少已有一组满足精度要求,则算法结束;否则转入步骤(4)。
(4) 生成新权值:分别依据经过预训练的上述N组权值所对应的上下限确定取值区间,在区间内随机生成r×N组新的权值,连同经过预训练的N组权值一起,构成完整的基因群体,生成共(r+1)×N组权值。
(5) 遗传操作:对这(r+1)×N组权值进行选择、交叉、变异等遗传操作。
(6) 判断算法是否结束:如果经过步骤(5)的操作已经至少得到一组满足精度要求的权值,则算法结束;否则从经过遗传操作的这(r+1)×N组中选出N组较好的,恢复到步骤(2)。
3 结 语
在此利用遗传算法和人工神经网络建立颅内压的预测模型。通过测量4~6个脑血流动力学参数,输入进此模型,即可得到所需颅内压值。通过建立此模型,为相关临床医学专业医师无创、实时、准确监测颅内压提供了一种新方法。
参 考 文 献
[1]郭玉璞.脑血管病的病理学[M].北京:科学出版社,1993.
[2]刘常春,曹佃国,姜安宝,等.一种新的无创检测颅内压的数学模型[J].山东大学学报:工学版,2004,34(6):62-65.
[3]曾高,焦风,李运海,等.用数学模型实现无创颅内压监测的现状与应用前景[J].中国脑血管病杂志,2007(9):418-420.
[4]高隽.人工神经网络原理及仿真实例[M].北京:机械工业出版社,2005.
[5]姜谙男,赵德孝,孙豁然,等.进化神经网络在矿山入选品位优化中的应用[J].矿业研究与开发,2004,24(4):44-46.
[6]何翔,李守巨,刘迎曦,等.基于遗传神经网络的坝基岩体渗透系数识别[J].岩体力学与工程学报,2004,23(5):751-757.
[7]周明,孙树栋.遗传算法原理及应用[M].北京:国防工业出版社,1999.
[8]Homik K,Stinchcombe M,White H.Mulilayer Feedforward Networks are Universal Approximators[J].Neural Networks,1989,2(5):359-366.
神经网络算法的优缺点范文2
关键词：智能优化算法；启发式教学；Matlab语言
中图分类号：G642 文献标识码：B
1 引言
从教材和教学大纲出发，“智能优化算法及其应用”这门课程主要针对模拟退火算法、遗传算法、禁忌搜索、神经网络优化算法、混合算法等几个方面进行了讲解。由于该课程涉及的知识面很广，内容比较抽象，所以学生往往难以理解，特别对各种优化算法的实际应用不能灵活掌握。这直接导致了学生学习兴趣的减弱和对课程学习的厌倦情绪。为了克服上述问题，更好地实现教学目标，本文作者从教学方法、教学内容等方面出发对智能优化算法及其应用课程的教学进行了探索，改善了课堂教学和课外实践的效果。
2 启发式教学
所谓启发式教学法，就是以学生的经验为基础，由教师提出问题，使他们思考去解决、分析、批评、判断和归纳，因而可以触类旁通、举一反三，使经验逐渐扩张，思路更为灵活。通过启发式教学法，可以培养学生学习的内在动机，引导学生思考和逐步掌握各个知识点，使他们真正对所学的课程感兴趣。为了更好地运用启发式教学，教师应该首先向同学们阐述该课程的发展历史和未来的发展前景，介绍该课程的理论和实践背景，让学生对课程的整体情况有所了解，并产生好奇心。
在启发式教学过程中，教师可根据教学重点和难点，首先采取提问的方式引发学生进行思考，使他们的思维高度集中。在学生思考过程中，可根据他们的思考结果给与适当的提示与鼓励，使他们的思考更加深入。接着可采用问答讨论的方式，对学生的答案加以分析，使得学生的思维达到升华。最后，将学生讨论的结果与课本的结果进行对比，找出异同点。通过上述启发式的教学过程，学生可以更加深刻理解课程中的难点和重点。
如模拟退火算法是一种随机优化方法，学生在学习课程之前已对经典的基于梯度的优化方法有一定了解。在介绍模拟退火算法之前，可先向学生提问：经典的优化方法的核心思想是什么。接着可再提出问题：如果在经典的优化方法中加入随机因素会出现什么结果。教师可根据学生的回答给予适当的提示，最后再给出模拟退火算法的主要步骤和主体思想。
此外，在介绍混合算法的时候，也可以采用启发式的教学法，如可提问学生如果把模拟退火算法和神经网络混合起来进行问题求解应该怎么做。3示例教学
在教学过程中，如果只是纯粹地讲解理论知识，学生可能觉得索然无味，从而直接导致学习兴趣的减弱。而通过选择一些经典的示例进行分析、讲解与讨论，学生可以在学习过程中做到理论与实际相结合，并增加对所学知识实用性的了解，从而提高学习的积极性和主动性。
如在讲解遗传算法的主要步骤，即编码、解码、交叉、变异、选择时，通过选择最短路径问题的示例来解释其运行机理。最短路径问题是一类离散优化问题，其主要任务是找到一条从起始点到终点的最短路径。在运用示例讲解时，首先给学生介绍如何对每一条路径进行编码，然后介绍如何对不同的路径进行交叉、变异和选择等操作，而且说明在上述过程中如果出现不合法路径应该如何进行处理，最后讲解如何选择较好的路径来进行下一次进化等等。通过上述讲解，学生对遗传算法的主要步骤具有了十分深刻的认识。
此外，在讲解神经网络时，可首先通过理论讲解使学生对神经网络的原理有了一定的了解，接着通过选择一种经典的神经网络示例，即BP神经网络，对其原理及具体实现过程进行演示。在教学过程中，作者通过选用Matlab语言中的神经网络工具箱，对BP神经网络进行了讲解，包括如何构造输入层、隐含层和输出层，如何执行反向传播等等。最后再通过选用一个BP神经网络应用于实际工程中的示例进行讲解。这样，学生对神经网络的原理和应用便有了具体而生动的认识，从而也调动了学生的学习兴趣。
4 多媒体课件教学
运用多媒体课件上课有许多“黑板+粉笔”不可企及的效果。运用多媒体课件上课，可以生动且有效地对教学重点与难点进行讲解，同时通过多媒体课件中的动画演示、录像演示等可以使学生对学习要点有更直观和深刻的了解，激发学生的好奇心。
如在解释遗传算法对某一优化问题的进化过程时，可将初始群体中个体的分布，运行到中间代数时群体中个体分布，和进化结束时群体中个体的分布情况通过多媒体演示出来。这样，学生便对遗传算法的进化迭代寻优思想有了很直观的认识，而且学生可以很深刻的理解遗传算法搜索到全局最优解的工作原理和过程。此外，还可通过录像演示，将整个进化过程中每一代群体中个体的分布情况全部演示出来，这样遗传算法的整体执行过程便在学生眼前活灵活现地展示出来。
在介绍各种智能优化算法之间的优缺点、异同点时，也可通过多媒体课件中的各种图形工具将优缺点和异同点进行归纳和总结，更清晰地展现在学生面前，同时也使得教师在讲解时便于归纳叙述。
5 课程设计
课程设计是学生综合运用课程所学知识的一个重要环节。特别对于智能优化算法及其应用这门课程，如何引导学生将优化算法应用到实际问题显得尤为重要，这不仅锻炼了他们的实际动手能力，也锻炼了他们分析问题和解决问题的能力，可全面开发学生的创造性思维和创新能力，使课程设计真正成为学生综合运用学科知识和进行能力培养的有效途径。
在课程设计中，我们为学生设计了遗传算法求解TSP问题、差异进化算法求解约束优化问题、粒子群优化算法求解多目标优化问题、BP网络解决XOR分类问题等几个题目，将学生分为若干组，要求学生采用Matlab、c语言等软件实现上述问题的编程求解，并规定课程设计的时间为两周。通过课程设计，学生对智能优化算法及其应用这门课程的理论和实践得到了升华，并且团队合作能力也得到了提高。
神经网络算法的优缺点范文3
【关键词】电梯群控 模糊控制 神经网络 遗传算法 发展方向【Abstract】Fuzzy control， neural network， fuzzy neural network， genetic algorithm， expert system and so on five kinds of algorithm widely used in intelligent elevator group control technology were discussed in this paper. the of， and their advantages and disadvantages in elevator group control system application were summarized. The development direction of the elevator group control technology was proposed in response to the present existing problems in the elevator group control technology.
【Key words】The elevator group control， Fuzzy control， Neural network， Genetic algorithm， Development direction
0引言
S着电梯群控技术的飞速发展，乘客对于电梯乘坐满意度和节能环保的要求愈来愈高，如何改善乘客的服务质量和服务效率，以及如何降低能耗已经成为电梯行业关注的核心问题。另外目前国内自主研发的电梯群控系统性能和核心技术上与国外仍然存在很大的差距，因此如何尽快掌握此关键技术将会对国内电梯业的发展产生十分重要的战略意义，智能群控技术的研究也随之成为国内电梯行业高度重视的研究课题。
在电梯群控技术中关键的两个环节就是电梯交通流的分析研究和智能电梯群控调度算法的研究。电梯交通流的研究是优化派梯调度的依据，所以对电梯交通流的算法分析研究尤为关键。另外对于电梯群控调度算法的研究，国内很多学者采用了很多群控的优化算法进行派梯，取得了很多成果。因此电梯群控技术的研究主要定位在群控算法的研究上，本文主要介绍这些算法并讨论其在电梯群控系统应用中的优缺点，并提出电梯群控技术的发展方向。
1 电梯群控技术算法
1.1 模糊控制算法。模糊控制算法先对电梯交通模式进行分类，然后由专家知识确定隶属函数及控制规则，确立系统的综合评价函数实现多目标控制，并根据不同的交通模式调整加权系数，最后通过模糊控制算法实现不同交通模式下电梯群的优化调度控制。但此算法的缺点是系统性能主要取决于专家的经验，如果专家预设的规则与实际的建筑不符控制效果就会不好，另外调整和确定隶属函数需要大量仿真实验且需花费非常多的时间和精力，学习技能和适应性差。
1.2 神经网络算法。神经网络算法模仿的是人类的大脑和思维方式，网络结构特殊性使其具有自学习和自适应能力。它可以通过调整网络权值得到近似的最优输入输出映射关系，适用于处理非线性问题，并且它有很强的自学能力，能改进控制算法并对制定的规则加以修改，利用非线性和学习方法建立合适的模型进行推理对电梯交通流进行预测，对于建筑里不断变化的交通流能灵活的进行调整。由于在网络里要不断接受数据的输入和处理，有很强的自适应能力。但此算法的网络训练样本多，算法的收敛时间将会延长，而且还会产生体积庞大的网络，难以验证算法的合理性。
1.3 模糊神经网络算法。模糊控制算法的优点在于它能够处理精确的和模糊的信息并能实现精确的映射，不足之处是隶属函数中的加权系数不能随着不同的交通流类型而变化，无自学习能力，而神经网络算法正好弥补了其不能自学习和自适应性的功能，是可以自动生成函数、自动提取问题的自适应算法。因此将两者完美结合即为模糊神经网络算法，可以发挥各自的特长，更好地预测交通流的不确定性，从而实现以最小的电梯数目配置应付最大的交通流，实现最优的调度。但模糊神经网络算法的不足在于其梯度法的学习，其收敛性太依靠于初始条件。
1.4遗传算法。遗传算法是模拟自然遗传规律来寻找最优方案的一种算法，实际上就是种群在进化中优胜劣汰的一种竞争机制，最终选出最佳的一种方法。此算法自适应能力强，能够根据不同的交通流调整为不同的群控策略，但遗传算法搜索时间长，搜索效率低。
1.5专家系统控制算法。专家系统控制算法是根据专家的经验积累起来的有一定控制规则的推理知识库，能解决很多需要靠经验解决的问题，根据这些输入评价指标信息可以利用推理知识库按一定的策略去调度电梯。但此算法对复杂的电梯控制系统不适用，主要是局限于专家的知识和经验。另外控制规则数多的话，系统难以控制，并且影响控制的性能。
2电梯群控技术的发展方向
目前对电梯群控技术的研究虽然取得了一定的成绩，但针对对上述群控算法的研究，整体算法优化没有大的突破，并且很多都在研究阶段，实际应用的很少，因此本文在此提出了未来电梯群控技术的发展方向。
（1）多目标优化调度方法。目前研究的能达到电梯满意度的指标主要有拥挤程度，乘梯时间、候梯时间，长候梯率等几种，而随着超高层电梯群发展的越来越迅速，人们对环保的关注度加强，对于电梯的运行速度和电梯的能耗方面研究的不多或者不太深入，所以未来新的优化算法需要包含更多人们关注的指标，并且要根据不同建筑物的电梯运行情况和同一建筑物不同时间区间的需求智能的调整这
（2）多种智能算法融合。以上几种智能算法只是分析的其中几种普遍比较成熟的算法，当然还有支持向量机、蚁群算法、混沌理论、petri网等，这些也都已经在电梯群控中有应用。但是上述通过分析它们各自的优缺点我们可以看出电梯群控技术在以后的发展中必然需要将这些算法进行有机的结合，吸收各种算法的优势弥补劣势，在电梯群控中根据不同的情况采用不同的算法模块进行控制，有效的实现电梯群控的智能化，这是未来电梯群控的主要发展趋势。
（3）基于图像处理的群控技术。目前电梯群控大多还是通过传统的外呼按钮作为获取乘客信息的设备，进入电梯之后再进行目标楼层的选择，获取交通流的实时性和完整性不能得到有效的保证。为了解决这个问题，需要增加一些图像处理设备对客流信息进行检测识别，增加智能输入楼层液晶触屏显示器面板提前进行登记，客流信息的完整度掌握非常好的情况下进行派梯会有更好的效果。
（4）基于“互联网+”的群控技术。随着“互联网+”技术的迅猛发展，因网络通信方面也是影响群控技术的关键因素，所以“互联网+”应用在电梯群控技术也成为未来发展的趋势，现已经有学者研究了基于手机移动互联网、物联网等几种电梯群控调度方法，它们都是在智能群控算法的基础上加上与乘客交流信息互动反馈获取实时的交通流信息，远程监控系统通过当前时刻实时数据进行调度实现派梯的高效化，很大程度上解决了高峰期客流排队等待时间长的问题，用户体验也很好，未来通过手机客户端获取乘客信息改进电梯群控的技术会应用的越来越广泛。
3 结论
本文对智能电梯群控技术的算法进行了详细的阐述，并分析了各种算法的优势和劣势，针对目前存在的问题提出了未来电梯群控技术的发展方向：我们不仅要进行控制算法的优化研究，也要对电梯群控技术研究不能只停留在理论研究上，如何在实H工程中得以应用也是我们未来需要继续努力的方向。
参考文献：
[1]朱贺.论智能控制技术在现代电梯群控系统中的应用[J].
科技与企业.2013 （11）：100-100.
[2]张健，王笑竹.改进GA优化BP神经网络的电梯群控策略
[J].陕西理工学院学报（自然科学柳. 2015 （4） ：36-39.
[3]郑晓芳.我国电梯群控系统研究文献综述与思考[J].华东
交通大学学报.2012.29 （3）：51-55.
[4]黄支支.电梯群控技术的现状与发展方向[J].硅谷.
2014.2：82-87.
[5]程诚，周彦晖.浅谈基于物联网的智能电梯群控系统[J].
计算机与网络.2015.12：69-71.
神经网络算法的优缺点范文4
【关键词】独立通风笼盒；故障；模式识别；误差逆传播网络；遗传算法
IVC（Individually Ventilate Cages），又称为独立通风笼盒，是目前国际上普遍使用的实验动物饲养系统[1，2]。在我国，IVC被引入国内之前，通常采用独立屏障系统来饲养实验动物。但是，由于实验动物饲养要求的特殊性，其对饲养环境的高要求使得传统的独立屏障系统在实际使用过程中，需要饲养人员人为地做大量工作来保证其符合基本要求，不但耗费人力物力，效果也并不是太好。
国内的技术人员结合国内实际情况，对引进的产品进行了二次开发，改良了一部分的性能，使其适用于国内使用环境。开发的方向主要集中在两方面：
（1）故障报警模块的开发。特别是利用日益发展的3G网络实现远程报警和控制。
（2）针对通风系统的故障问题自动识别模块的开发。识别方法主要包括故障树、人工神经网络等。
本文主要介绍针对通风系统的故障问题的自动识别。
1.故障模式识别模型
IVC是一个密封的系统，虽然有较为完善的过滤系统，但空气中的微尘，动物自身携带的粉尘和国内主要使用的垫料、食物中的粉尘微粒等仍然容易引起通风系统的堵塞。一旦通风系统不能正常工作发生故障，密封笼盒内的气流速度、内外压差、噪音、相对湿度、温度、氨气浓度等参数指标就会发生改变，达不到实验动物饲养环境的要求，对医学实验结果的正确性也有影响。
IVC系统中，由于包含生物生理活动这样一个不确定因数，常规的故障树等故障诊断方法难以实现对其故障类型的准确判断。而神经网络作为一种自适应的模式识别技术，不需要预先给出有关模式的经验知识和判别函数，而是通过自身的学习机制自动形成所要求的决策区域。并且环境发生改变的时候，通过学习而得到的映射关系还可以自适应地进行调整。神经网络的这些特性，决定了它适合用于系统模型比较复杂，环境多变的场合。因此，对IVC的故障模式识别采用基于人工神经网络的识别方法更合适。
1.1 标准BP网络
误差逆传播网络（Error Back-Propagation network.，简称BP网络）是人工神经网络中，理论最成熟，运用最广泛的网络模型之一。
基于梯度下降的标准BP算法，最突出的优点是寻优具有精确性，且具有自学习能力，但同时存在易陷入局部极小、初始值对网络结果影响大和引起振荡效应等缺点。虽然近年来提出不少改进方法，一定程度上提高了BP网络在实际应用上的可行度与准确度，但是仍然无法解决BP网络所固有的易陷入局部的问题。
1.2 基于遗传算法的改进BP网络
遗传算法（Genetic Algorithm，简称GA）是一种基于自然选择和群体遗传机理的搜索算法[3]。它模拟生物在自然环境中的遗传和进化过程，形成的一种自适应全局优化概率搜索算法，不存在局部收敛问题[4，5]。由于遗传算法的寻优过程是随机的，带有一定的盲目性和概率性，所以遗传算法具有难以得到精确解的缺点。
可见，BP算法和遗传算法各有利弊，并且优缺点呈互补性，可以用遗传算法对BP模型进行改进，利用遗传算法的全局搜索能力，优化解空间，再发挥BP算法的局部搜索能力强的优势，找出最优解。本文提出应用基于遗传算法的改进BP算法来实现对IVC故障诊断，以满足IVC故障模式识别对实效和精度的高要求。
2.基于遗传算法的改进BP模型的IVC故障模式识别
2.1 模型的初步确定
网络的输出是IVC故障的四个类型，包括进风过滤网膜轻微堵塞、出风过滤网膜轻微堵塞、进风过滤网膜严重堵塞、出风过滤网膜严重堵塞4种。网络的输入是发生故障时被影响的参数，考虑到样本的相关性和冗余性，本系统选择氨气浓度、气流速度、内外压差、相对湿度四个量作为网络的输入。因此，对应的网络输入神经元个数为4个，输出神经元也为4个，隐含层神经元个数通过调试最终确定为7个。
2.2 模型参数的确定
选择适合的编码方式是遗传算法的关键。将参数编码成对应的子串，再将各子串首尾相联，构成染色体，每条染色体代表解空间的一个解。不同的编码方式对遗传算法的求解精度和收敛速度有一定的影响。本系统根据权重、阀值的特点，采用二进制编码方式。BP模型为4-7-4结构，包括56个权重，11个阀值，共67个参数，每个参数用8位二表示，联起来形成一条染色体，长度为536。
目标函数唯一的条件是：针对输入可计算出能加以比较的非负结果。因此，系统的目标函数采用网络误差平方和函数，表达式为：
3.仿真结果与分析
将真实状态下，IVC系统故障发生时记录下的数据作为初始样本集，将这些样本做归一化处理，并进行冗余分析，剔除冗余项，保证样本空间无重叠。将处理好的样本的70%作为训练样本集，剩下的30%作为测试样本集，分别对网络进行训练和测试。训练结果见图1。
可以看出，基于标准BP网络的训练，需要经过66步才能收敛于目标函数0.00001，而基于遗传算法的改进BP网络的训练仅需要18步，大大缩减了训练的时间。
测试结果见表1。可明显看出：
（1）改进后的BP网络，收敛率达到95.7%，一定程度上克服了标准BP网络易出现振荡效应的缺点；
（2）改进后的BP网络，正确识别率可以达到92.4%，相比标准BP网络70.2%的正确识别率，识别的准确性有了很大的提高，减少了陷入局部极小的可能性，基本上可以达到实际应用所要求的误差范围要求；
（3）改进后的BP网络，识别时间缩短，能更好地满足本系统对实效性的要求。
可见，基于遗传算法的改进BP网络，能更好地对IVC进行故障模式的识别，并且能达到实际应用中对实效和精度的要求，可以解决目前制约IVC在国内广泛应用的问题。
参考文献
[1]Krohn TC.Method developments and assessments of animal welfare in IVC-systems[M].Printed by DSR Grafik，2002，5.
[2]柯贤福，陈文文等.四种独立通风笼具（IVC）的检测[J].中国比较医学杂志，2009，19（9）：78-82.
[3]王德明，王莉等.基于遗传BP神经网络的短期风速预测模型[J].浙江大学学报（工学版），2012，46（5）：437-842.
[4]Li Weiqing，Wang Chengbiao，etal.An edge detection method based on optimized BP neuralnetwork[J].International Symposium on Information Science and Engineering，2008（2）：40-44.
神经网络算法的优缺点范文5
关键词：SOM神经网络;负荷特性曲线;聚类分析
中图分类号：TM7 文献标识码：A 文章编号：1007-0079（2014）33-0204-03
在国家提出建设坚强智能电网的背景下，提高电力营销服务水平和智能用电技术已成为电网企业关注的焦点。电力营销服务水平与智能用电技术的提升离不开在对电力用户用电行为特征的准确、全面、及时地掌握，而从海量负荷数据中提取用户日负荷特征曲线并进行深入分析成为研究用户用电行为特征的一种有效方式。
从研究对象层面来看，以往相关研究侧重专线用户（负荷数据来源为SCADA系统）和专变用户，并以传统意义上的行业分类作为提取负荷特征曲线时聚类的依据。从研究方法层面来看，电力用户日负荷特征曲线的提取多使用聚类算法，主要有统计方法、机器学习方法、人工神经网络方法和面向数据库的方法。人工神经网络因具有大规模的并行协同处理能力、较强的容错能力、联想能力、学习能力和自适应能力，故能够较好地适应海量数据背景下的数据挖掘。应用较多的典型的神经网络模型包括BP网络、Hopfield网络、ART网络和Kohonen网络。[1-3]BP网络属于有监督学习的神经网络，需要提供聚类对象类别数量的先验知识，而公变用户缺乏传统意义上类似专变用户的行业分类，故不适合采用BP网络。Hopfield网络、ART网络和Kohonen网络都属于无监督学习的神经网络，在解决聚类问题上有其各自的优缺点。
本文提出采用SOM神经网络[4-6]聚类算法提取公变用户日负荷特征曲线，用MATLAB软件进行仿真，输出可视化聚类结果，并对聚类结果进行分析，验证了采用SOM神经网络聚类算法提取出的公变用户日负荷特征曲线能够较好地显示不同类型公变用户用电行为特征上的差异，具备良好的聚类效果，同时为电网企业优化电力营销服务提供参考和指导。
一、SOM神经网络
SOM（Self-Organizing Map，自组织映射）神经网络是较为广泛应用于聚类的神经网络。它是由Cohonen提出的一种无监督学习的竞争型神经网络模型，通过不断缩小获胜神经元的邻域来达到聚类的目的。主要功能是将输入的高维空间数据映射到一个较低的维度，通常是一维或者二维输出，同时保持数据原有的拓扑逻辑关系。
SOM神经网络由输入层和输出层两层组成，输入层中的每一个神经元通过权与输出层中的每一个神经元相连，如图1所示。输入层的神经元以一维的形式排列，输入神经元的个数由输入矢量中的分量个数决定，输出层的神经元一般以一维或者二维的形式排列，计输入层的神经元数量为m，输出层神经元数量为c。输入的样本总数为n，第i个输入样本用矢量表示为，每个输出神经元的输出值记为，。与第j个输出神经元相连的权用矢量表示为：。
Kohonen算法是无教师示教的聚类方法，它能将任意维输入模式在输入层映射成一维或二维离散图形，并保持其拓扑结构不变，即在无教师示教的情况下，通过对输入模式的自组织学习，在输出层将聚类结果表示出来。此外，网络通过对输入模式的反复学习，可以使连接权矢量空间分布密度与输入模式的概率分布趋于一致，即连接权矢量空间分布能反映输入模式的统计特性。该算法往往在完成极高维数、超大量数据和高度非线性问题的聚类，模式表征和数据压缩，分类等任务时是一个很有效、很简便，且快速、稳健、泛化性好的算法。
Kohonen的学习算法如下：
（1）初始化：将整个输入向量存储在矩阵p中，对权值w进行初始化，权值向量的每一维的取值范围同输入向量每一维的取值范围。
（2）选择一个输入向量，提供给网络输入层。
（3）按照下式计算输出层每一个神经元 j 的权值与输入向量之差：，其中，。
（4）按照“胜者为王”的原则，对每一个神经元j，以minDist中的最小值所对应的神经元 k作为胜者，对它和它的邻域内的神经元的权值进行调整，假设当前处于学习的第l步，权值的修正按照下式进行：
其中，lr表示学习速率，br表示邻域调整率;表示获胜神经元的邻域，即：。
（5）选择另一个输入向量，返回（3），直到所有的输入向量全部提供给网络。
（6）返回（2），直到达到最大训练步数。
二、MATLAB仿真算例
1.MATLAB仿真实现
对于日负荷特征曲线的提取，负荷曲线的采样点越多，曲线越精细，越容易进行分类，研究数据来自于电力用户用电信息采集系统，从中提取公变用户每15分钟采集一次的有功功率构成其日负荷曲线，一天共96个采样点。从某省电力用户用电信息采集系统中随机抽取1000台公用变压器，选取其2012年7月10日（工作日，该省全年负荷最高日）作为典型日进行日负荷特征曲线提取和分析。每台公变日负荷曲线由96个有功采样点组成。由于每台公变额定容量大小不等，为了有效聚类，首先需要对负荷数据进行归一化处理。
本文采用聚类SOM神经网络，在MATLAB环境下，对这些数据进行聚类仿真。聚类SOM神经网络的MATLAB实现步骤如下：（1）准备数据源。首先从原始数据库读取相关数据（输入样本总数70，每一个样本有96个采集时点）作为输入矢量，并将其以二维数组70×96形式输入。（2）确定参数。输入神经元个数为采集时点的个数96;输出神经元以二维数组3×3形式呈现。（3）运用rand（ ）函数产生[0，1）之间的随机数作为权值。（4）调用SOM创建函数newsom（ ），创建自组织映射网络net=newsom（ ）。（5）对迭代次数net.trainParam.epochs赋值2000;对net.trainParam.show赋值20，表示每20次显示一下误差变化情况。（6）运用网络训练函数train（ ）训练上述初始化后的网络net=train（ ）。（7）调用plot（ ）画输入点; plotsom（ ）作训练后的权值点及其与相邻权值点的连线。
2.仿真结果分析
经MATLAB仿真运行后得到聚类结果图2所示：
图2所示为SOM神经网络聚类结果，将样本公变用户分为7个类别，为便于后文描述，不妨按照行优先的顺序为各激活的优胜神经元标识聚类编号，依次分别为为：公变用户第一类（包含13个样本用户）、公变用户第二类（包含12个样本用户）、公变用户第三类（包含5个样本用户）、公变用户第四类（包含10个样本用户）、公变用户第五类（包含10个样本用户）、公变用户第六类（包含10个样本用户）、公变用户第七类（包含10个样本用户）。
每个竞争层神经元与各输入神经元之间的连接权构成的向量代表了该优胜神经元所标识类别的聚类中心即日负荷特征曲线，竞争层神经元邻域权值距离如图3所示，颜色越深表示领域神经元间的权值距离越远，即邻域神经元的聚类中心距离越远、提取的日负荷特征曲线差异越大。
图4所示为通过SOM神经网络聚类算法提取的七大类公变用户日负荷特征曲线。日负荷特征曲线较为明显地反映了不同类型公变用户在该典型日的用电行为。
第一类公变日负荷特征曲线呈现出明显的午高峰和晚高峰特征，且晚高峰明显高于午高峰。推测此类为城镇居民生活的典型日负荷特征曲线，可能由于部分居民上班因素造成晚高峰高于午高峰;第二类公变日负荷特征曲线走势同全网负荷基本一致，呈现出明显午高峰和晚高峰，但午高峰一枝独秀，可能该公变下的用户类型较多，包括居民用户和一般工商业用户，由于各类用电特征比例与全网比例类似，形成具有全网负荷特征的曲线;第七类公变日负荷特征曲线与前六种主要集中在白天用电不同，主要在天黑时间段内（晚上7点左右至第二天早上6点）用电，推测这类用户主要集中在市政工程类。
三、总结与展望
本文将SOM神经网络聚类算法应用到电力用户日负荷特征曲线提取的研究中，选取某省公变用户作为分析样本，通过MATLAB仿真计算将样本公变用户分为七个类别，以优胜神经元与输入神经元之间连接权向量作为聚类中心即该类别用户的日负荷特征曲线。根据提取出的日负荷特征曲线，结合电力用户用电信息采集系统中的营销档案分析了不同类别公变用户的用电特征与习惯。分析表明，采用SOM神经网络聚类算法提取日负荷特征曲线具有良好的效果，提取出的日负荷特征曲线能够较好反映该类型用户的用电行为与特征，为电力企业了解用户用电习惯、细分电力市场、调整定价策略和实施需求侧管理提供了有益参考。
下一步研究将考虑采用电力用户全年负荷数据进行聚类分析，验证小样本下的聚类结果、发现新的用户类型;同时改进SOM神经网络算法，使其适应海量数据下的负荷曲线聚类分析，并通过调整竞争层神经元个数与抑制权值使训练结果更加稳定，得到更好的聚类效果。
参考文献：
[1]马玉梅，马志超.基于人工神经网络的手写阿拉伯数字识别[J].中央民族大学学报（自然科学版），2007，（4）.
[2]刘小波，李亚玲，赵景涛，等.基于KOHONEN神经网络的电压控制分区[J].浙江电力，2007，（3）.
[3]莫礼平.基于Kohonen神经网络的故障诊断方法[J].成都大学学报（自然科学版），2007，（1）.
[4]李培强，李欣然，陈辉华，等.基于模糊聚类的电力负荷特性的分类与综合[J].中国电机工程学报，2005，（24）.
神经网络算法的优缺点范文6
关键词：模拟电路；故障诊断；模糊数学；BP网络；模糊BP网络
0引言
电路故障是指在规定的条件下，电路工作时它的一个或几个性能参数不能保持在要求的上、下限之间，其结构、组件、元器件等出现性能减退、老化、破损、断裂、击穿等现象，丧失了在规定条件和环境下完成所需功能的能力。
长期以来，学界对模拟电路工作特点的研究已相当深入，但对于故障诊断方法的研究却困难较大，这是由于模拟电路本身的特性决定的：1）输入激励和输出响应都是连续量，模拟电路中的故障模型复杂，量化难度大；2）模拟电路信号量程宽，不管电压、电流的量程还是频率都可达十几个数量级，测量难度大；3）模拟电路中的元器件参数具有容差，导致电路的故障状态的模糊性，而无法准确定位；4）模拟电路中存在广泛的反馈回路和非线性问题，使计算的难度更加复杂。因此，学界提出了许多模型和方法来完成对某些符合特定条件的模拟电路的故障诊断。其中神经网络法的使用就相当普遍，在硬和软故障诊断中都有应用，因为神经网络的技术优势针对模拟电路故障诊断有较好的适用性，这主要体现在：1）神经网络的大规模并行处理特点，大大提高了诊断效率；2）自适应与自组织能力使神经网络在学习和训练中改变权重值，发展出新的功能。同时，模糊数学也与神经网络相结合，这是利用了模糊数学对待诊断模拟元器件的故障不确定性进行量化处理，能够有效克服模拟电路元器件因为容差、非线性及噪声造成的电路参数模糊性。
本文的研究目的就是分别利用单纯BP神经网络和模糊BP神经网络的方法建立模拟电路故障诊断模型，利用电路仿真收集电路不同工作状态下的关键点电压，代入诊断模型并得到诊断结果。根据各网络的结果分析比较各诊断模型的优缺点，找出模糊数学对改进模拟电路故障诊断模型的具体表现。
1模糊神经网络的故障诊断模型
1.1典型模糊神经网络诊断模型介绍
图1显示的是一个典型的模糊神经网络模型，该模型由原始知识获取（Fundamental Knowledge Acquire，FKA）、特征参数处理（Characteristic Parameter Produce，CDP）、知识提取（Knowledge Extracted，KE）、经验知识库（Experience Knowledge Base，EKB）、学习样本集（Learning Sample Set，LSS）和模糊神经网络（Fuzzy Neural Networks，FNN）共6个模块共同组成，其工作流程是：
图1 典型模糊神经网络诊断模型
1）原始知识获取模块通过对电路工作原理进行分析，模拟或仿真各类故障发生时输入和输出参数，从而获取原始知识（X，Y），将其传入知识提取模块中供系统学习，所得经验集存入经验知识库中；
2）将原始知识和已经存放在经验知识库中的经验知识（初始库可为空）一起输入学习样本组织模块中，进行学习样本的构建，合成训练样本集为（X1，Y1）；
3）将（X1，Y1）输入到模糊神经网络模块，学习训练，并在达到指定精度后停止；
4）将从模拟电路中获得的实测参数Xc输入至特征参数提取模块中，完成数据分析和处理，输出特征参数数据Xc‘；
5）将特征参数数据输入到学习收敛后的模糊神经网络中，进行诊断推理，得出诊断结果Yc‘；
6）将得到的实测数据集（Xc‘，Yc‘）输入学习样本组织模块，动态增强模糊神经网络的自适应能力；
7）将得到的实测数据集（Xc‘，Yc‘）输入知识提取模块，进行分析和处理，如能提取出经验知识，则归入经验知识库中[1]。
1.2模糊神经网络结构
模糊神经网络的结构应该包括4层，如图2所示。
模糊层的作用是将输入量进行模糊化。每一个模糊层节点对应一个该论域中的模糊子集和隶属函数。该层接收精确数值输入，经过模糊化计算得出对应的隶属度并输出。
图2 模糊神经网络结构图
输入层、隐含层和输出层共同构成一个完整的神经网络。输入层不具有运算功能，它只是将所感知的输入值精确传递到神经网络中；隐含层的作用相当于特征检测器，提取输入模式中包含的有效特征信息，使输出层所处理的模式是线性可分的，该层节点是模糊神经元，与输入层间的连接权值是随机设定的固定值；输出层节点也是模糊神经元，与隐含层之间采用全连接方式，其连接权值是可调的，作用是输出用模糊量表示的结果。
1.3输入层、输出层和隐含层节点数确定
输入层的个数代表了电路故障诊断的关键测试点的个数N1，输出点为电路所具有的潜在故障模式种类数N3。
根据输入层和输出层的个数，隐含层节点数N2的确定有以下4种经验公式：
（1）
（为0～10之间的常数）（2）
（为0～10之间的常数）（3）
（4）
2模糊数学和神经网络的算法介绍
2.1模糊数学和隶属度函数
模糊数学的作用是对测试点测得的电压信号进行特征提取——模糊化处理。因为在模拟电路测试中，参数值会随着故障原因的不同和故障阶段不同而发生变化，所以在进行数据处理时常用方法是使用精确事实规则。即用正态分布函数作为隶属度函数表示“大约为a”的模糊概念，此外还有如三角分布和梯形分布等。在使用中，正态分布使用较多，其中的a是该测试点的理想状态工作点，b为该测试点在各种可能状态下的工作电压均方差。
2.2BP神经网络与算法
图3BP神经网络模型结构图
反向传播网络（Back-Propagation Network，简称BP网络），是一种有隐含层的多层前馈网络。每一层均有一个或多个神经元节点，信息从输入层依次经各隐含层向输出层传递，层间的连接关系强弱由连接权值W来表征。BP算法是一种监督的学习，基本原理是梯度最速下降法，中心思想是调整权值使网络总误差最小。通过连续不断地在相对于误差函数斜率下降的方向上计算网络权值和偏差值的变化而逐渐逼近目标的。每一次权值和偏差的变化都与网络的误差的影响成正比，并以反向传播的方式传递到每一层。BP网络模型结构如图3所示。 转贴于
以BP神经网络模型结构图为例进行BP算法推导，其输入为P，输入神经元有r个，隐含层内有s1个神经元，激活函数为F1，输入层内有s2个神经元，对应的激活函数为F2，输出为A，目标矢量为T。
1）隐含层输出：（i=1，2，…，s1）（5）
2）输出层输出： （k=1，2，…，s2） （6）
3）定义误差函数：（7）
4）输入层的权值变化量：（8）
其中：
同理可得：（9）
5）隐含层权值变化有： （10）
其中：
同理： （11）
BP网络经常使用的是S型的对数、正切激活函数或线性函数。
3电路故障诊断算法验证
图4 共集-共射电路的直流通路图
例：如图4所示的直流通路图，电阻的标称值如图中所注。利用Multism软件在直流状态下进行多次Monte Carlo分析仿真该电路，并考虑电阻的容差影响，取40个样本作为模糊神经网络的训练样本，另取5个样本为测试样本。设电阻R1～R5的容差值为-5%～5%。测试点选为A、B、C、D和E五点，所测电压值为VA、VB、VC、VD和VE。
表1 部分电路实验样本原始数据
表2 测试样本原始数据
表1列举了40组电路实验样本原始数据的11组，包含了该电路在11种工作状态下的五个关键点电压值，所以N1=5，N2=11，隐含层的节点数可以依据公式2.3确定为12个，其中a为5。
表2则列举了5组测试样本的原始数据。
步骤一：数据模糊化
根据用正态分布函数作为隶属度函数表示“大约为a”模糊概念的思路，可以分别得到各测试点上电压隶属度函数的参数值。
a1=5.57、a2=4.97、a3=4.9、a4=5.7和a5=5.69以及b1=4.3729、b2=4.4817、b3=3.9091、b4=4.2870和b5=3.7944。
由各测试点的隶属度函数可得到网络的训练样本见表3。
表3 神经网络部分输入、输出训练样本
步骤二：将训练样本输入神经网络进行训练
将全部40个原始值和模糊化值的输入样本和对应的输出样本分别输入BP神经网络中进行训练。
步骤三：将测试样本输入神经网络进行检测
将全部5个原始值和模糊化值的输入样本和对应的输出样本分别输入已经训练好的BP神经网络中，输出诊断结果见表4。
表4 输出诊断结果
表4中的数据是经过故障诊断后得到的结果，在此只是各随机选用了一组数据加以比较说明。通过对故障诊断的试验观察和结果的比较可以作出以下分析。
1）模糊化数据能够有效减少神经网络的收敛次数。如在BP网络诊断中，使用模糊化数据的迭代次数由886减少到263次，收敛速度明显加快；
2）模糊化数据能够有效提高神经网络训练的效果。通过表4中数据的对比可以发现对于相同的神经网络，经过模糊化数据的训练，其准确性更高。这主要表现在电路所对应的状态结果普遍高于未经模糊化数据训练的网络得出的结果；同时，其他状态对应的机率更低，皆低于0.1，且更多值为0，说明数据模糊化能使神经网络的诊断结果更集中，正确率更高，有效性更加明显。
4结论
通过分别采用BP网络和模糊BP网络建立了电路故障诊断模型，对电路相同工作状态参数的诊断结果进行比较，得出了模糊数学对提高电路故障诊断模型精度和有效性效果明显的结论。模糊数学和神经网路理论的组合有效地提高了模拟电路故障诊断模型的收敛速度，提高了故障诊断的工作效率，还提高了诊断的准确性，有效性得到了充分显示。
参考文献
[1] 吕律，魏蛟龙.基于模糊神经网络的板级电路故障诊断研究[J].计算机与数字工程，2003（3）:21-23.
李国勇.智能预测控制及其MATLAB实现[M].北京:电子工业出版社，2010.
MATLAB中文论坛.MATLAB神经网络30个案例分析[M].北京:北京航空航天大学出版社，2010.
朱大奇.电子设备故障诊断原理与实践[M].北京:电子工业出版社，2004.
