前言：中文期刊网精心挑选了人工神经网络文献综述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。
人工神经网络文献综述范文1
【关键词】气体识别;自组织神经网络
1.引言
气体识别在环境保护、化工控制、家用报警、食品保鲜、温室环境控制、航空航天等领域有着广泛的应用。应用气体传感器进行多组份气体的定性定量研究，可以极大的降低测量成本，减小测量周期，并可实现在线的实时测量。但由于当前气体传感器普遍存在着交叉敏感和选择性差等缺点，使用单一传感器很难实现多组份气体的检测分析。为解决以上问题，一方面可以采用新材料、新工艺来改善传感器本身的性能;另一方面可以将现有的气体传感器构成阵列，并与自组织神经网络技术相结合。本文采用后者的原理，即通过多个敏感程度不同的气体传感器组成传感器阵列，结合神经网络模式识别算法进行气体识别分析。
人工神经网络（Artificial Neuron Networks，ANN）人工神经网络（Artificial Neutral Networks，ANN）是一个由大量简单处理单元广泛连
接而成的复合网络系统。神经元结构是受到生物神经元的启发而得来的。目前应用的神经网络类型有很多，其中应用最广的是BP神经网络，神经网络需要学习的过程，即利用外部条件作用于神经网络，使其能重新对外界做出反应。将气体传感器阵列与采用BP算法进行训练的人工神经网络模式识别技术相结合形成的气体识别系统，是利用传感器阵列对混合气体的高维响应模式来实现对混合气体的定量检测。其中传感器阵列的选取、传感器信号的预处理方法、BP神经网络的结构和参数以及测量环境是影响系统性能的可能因素。
2.人工嗅觉系统
人工嗅觉系统是一种化学分析系统，它由一个具有部分专一性的电子化学传感器阵列和一个合适的模式识别系统组成。由于人工嗅觉系统主要模仿的是生物的嗅觉系统，所以人工嗅觉系统也可被称为“电子鼻”或者电子嗅觉系统。
2.1 电子鼻简介
电子鼻这个术语开始出现于二十世纪八十年代晚期，当时它被用于1987年的一个学术会议。较为科学的电子鼻的概念出现于1994年英国Warwick大学的J.W.Gardner发表的文章中，并且J.W.Gardner综述了世界各国人工嗅觉系统的发展概况。
电子鼻模仿人的鼻子的功能，以电讯号的方式予以表达，可以工作在恶劣或有毒的环境下，在食品、化工、环保、医疗诊断、检验等方面有很重要的应用，其关键技术就是气体传感器阵列。
2.2 人工嗅觉系统的原理及基本组成部分
人工嗅觉系统主要是受生物的嗅觉系统启发和影响，以下是该系统中的关键因素：
（1）对微量、痕量气体分子瞬时敏感的监测器，以得到与气体化学成分相对应的信号;
（2）对检测到的信号进行识别与分类的数据处理器，将有用的信号与噪声加以分离;
（3）将测量数据转换为感官评定指标的智能解释器，得到合理的感官结果。
2.3 气体传感器
气体传感器是一种将气体的成分、浓度等信息转换为可以被人员、仪器仪表、计算机等利用的信息的装置。
2.3.1 半导体气体传感器
半导体气体传感器在气体传感器中约占60%，根据其机理分为电导型和非电导型，电导型中又分为表面型和容积控制性。
2.3.2 表面敏感型传感器元件
表面敏感型传感器元件SnO2-Pd、ZnO-PT、AgO、Pt-SnO2，可检测气体为CO、NO2和氟利昂等，传感材料Pt-SnO2的气体传感器可检测气体为可燃性气体如H2、CO、CH4等。
2.3.3 容积控制型传感材料
容积控制型传感材料有TiO2、CoO-MgO-SnO2等，其半导体气体传感器可检测气体为液化石油气、酒精和燃烧炉气尾气等。
3.神经网络
人工神经网络（Artificial Neuron Networks，ANN）是近年来人工智能的一个重要科学分支。二十世纪五十年代末人工神经网络系统开始作为人工智能的一种重要计算工具逐渐受到重视。进入二十世纪八十年代后期，人工神经网络的研究进入了一个新的。主要原因是：一方面经过几十年迅速发展起来的以逻辑符号处理为主的人工智能理论和冯-诺依曼计算机在处理诸如视觉、听觉、形象思维和联想记忆等智能信息问题时遇到挫折;另一方面，具有并行分布处理模式的人工神经网络本身的研究取得了巨大的进展。
神经网络具有一些不同于其它计算方法的性质和特点以及它自身是基于人类大脑结构和功能而建立起来的，因此具有很多和人类智能类似的特点。首先，神经网络将信息存储在大量的神经元中，具有内在的知识索引功能。信息在网络中使用两种方式被保留：一种是神经元之间的连接，另一种是连接权重因子。其次，人工神经网络具有对周围环境自学习、自适应功能，也可用于处理带噪声的、不完整的数据集。在人工神经网络中，输入与输出的关系不是由单独的神经元直接负责的，相反是与神经元的输入输出有关。最后，人工神经网络模拟人类的学习过程。人类大多数的学习和求解过程都是采用尝试法，而人工神经网络可以以相同的方式运行。
神经元（neuron）即神经网络中的基本处理单元，也就是节点。一般节点由输入与输出、权重因子、内部阀值和函数形式四部分组成。
图1 神经元模型
图1给出了一个基本的神经元模型，它具有R个输入，每个输入都通过一个适当的权值wli和下一层相连，网络输出可表示为：
式中，n为该神经元（序号l）的总输入;
f（n）为神经元输入输出关系的函数，称为作用函数、响应函数或传递函数。
人工神经网络的拓扑结构是指它的处理单元是如何相互连接的，主要由输入层、隐含层和输出层组成。每一节点的输出被送到下一层的所有节点。通过将这些处理单元组成层，将其相互连接起来，并对连接进行加权，从而形成神经网络的拓扑结构，将若干个人工神经元作为有向图的节点，可连接成人工神经网络。其中每一层对于人工神经网络的成功都非常关键。可以将人工神经网络输入层、隐含层和输出层看成为一个通过输入层的所有节点输入特定信息的黑箱。人工神经网络通过节点之间的相互连接关系来处理这些信息，最后从输出层的节点给出最终结果。
4.误差反向传播网络（BP网络）
1985年，以Rumelhart和McClelland为首提出了至今仍广泛接受和使用的误差反向传播学习算法。按照这一算法进行训练的多层神经网络被直接称为BP神经网络。BP网络是一种多层前馈型神经网络，其神经元的传递函数是S型函数，输出量为0到1之间的连续量，它可以实现从输入到输出的任意非线性映射。其权值的调整采用反馈传播学习算法。
目前，在人工神经网络的实际应用中，绝大部分的神经网络模型都采用BP网络及其变化形式。BP网络主要用于以下四方面：
（1）函数逼近：用输入矢量和相应的输出矢量训练一个网络以逼近一个函数;
（2）模式识别：用一个特定的输出矢量将它与输入矢量联系起来;
（3）分类：把输入矢量所定义的合适方式进行分类;
（4）数据压缩：减少输出矢量维数以便于传输和存储。
对于神经网络算法，使用基于误差反向传递的神经网络算法设第p个模式XP=（X1P，X1P，…XNP，）T，p=1，2，…，N（N为模式个数），将其视为BP网络的输入，yip为其实际输出，隐含层和输出层各单元的激活函数采用sigmoid函数，即：
一般基于BP的神经网络算法具体步骤如下：
Step1、构造网络，初始化网络的权矩阵，设置学习因子，动态因子，跌代次数和允许误差;
Step2、从一个网络开始，提供训练模式;
Step3、开始训练第k个网络;
Step4、前向传播过程，对所有训练模式，计算网络的实际输出并与目标输出相比较，如果误差超过运行误差，则进行下一步，否则训练第k+1个网络;
Step5、反向传播过程：计算隐含层和输出层各单元的误差精度，修正权值和阀值：
式中，为学习效率;
di为教师信号或希望输出;
为实际输出yi与希望输出di之差，其中yi和xj是取1或0的离散值。
Step6、继续训练第k个网络。
BP网络的训练函数有traingd、traingdm、traingdx、trainrp、traincgf、traincgp等。由于BP网络的简单性，在人工嗅觉系统的模式识别部分占有很大的比例，许多以前和现在的一些成熟人工嗅觉系统的产品仍然使用BP神经网络进行模式识别。
BP网络的学习是通过求解一个优化问题完成的，从数学的角度看，它是通过函数逼近拟合曲面（线）的想法，并且将其转化为一个非线性优化问题而求解。BP网络是对简单的非线性函数进行复合，经过多次复合后，则可以实现复杂的函数，但存在BP学习算法收敛速度慢、不完备性和隐节点数只能凭经验选取。
由于存在上述问题，科学家们从利用线性的自适应步长加速BP算法和增加动量项来去除收敛过程中的局部最小点。模拟退火（Simulated Annealing，简称SA）思想是由Metopolis等人提出的，它可以很好的避免局部最小点的出现，把它用在优化中是由Kirkpatrick等人提出的。组合优化问题的解空间中的每一个点都代表一个解。不同的解有着不同的目标函数值。优化过程就是在解空间中寻找目标函数的最小解。
SA算法的特点是通用性强、可达到全局最小。传统的启发式搜索算法如快速下降法，每次都是向改进解的方向搜索，往往只能找到一个局部最优解，而不是全局最优解。而SA算法在系统朝能量减少这个总趋势的过程中，允许解的搜索以一定的概率向较差的方向走，以避开局部最小，而最终稳定到全局能量最小的状态。
5.利用自组织神经网络进行气体识别
将被测气体按所需测量精度和浓度范围按成份分成不同的浓度等级，采用标准气体配置这些等级的不同成份气体的所有组合作为标准模态来训练神经网络。通过识别某一未知气体样本的模式，即可以得到未知气体的成份浓度。例如，选用N种互相参比配制混合气体样本。根据传感器的灵敏范围，将配制的气体浓度限制在a1到am以内，浓度变化间隔为l。这样每种气体有m种浓度模式，共计可得到mN个样本。采用这些样本作为原始数据训练自组织神经网络，就可以实现在这一浓度范围内的最大误差为l的气体定量测量。
人工神经网络文献综述范文2
【关键词】软土路基；预测方法；分析
软土路基沉降程度与道路建设工程的质量、成本及工期有着很大的关系，施工单位为了有效的掌控软土路基的沉降变化，往往会采取一些软土路基沉降预测方法，并对这些方法在实际应用中采取动态的管控，观其应用的实际效果。软土路基沉降的预测，可以使施工单位对软土路基、路基的整体稳定性和完工后的沉降量进行有效的控制。软土路基沉降预测的方法很多，本文就几种常用的方法做了对比分析。
一、软土路基沉降常用的预测方法
在道路建设过程中，对软土路基后期沉降情况的预测意义重大。软土路基后期沉降情况的预测基础是道路工程建设的现场实测沉降资料。在实际工作中最常用的推测方法有下几种：人工神经网络法、灰色理论预测法、双曲线法、反分析方法、、有限元法等，每种预测方法都有自身的特有属性。
二、常用软土路基沉降预测方法的对比分析
第一，人工神经网络预测法。人工神经网络预测法是一种新型的预测方法，在软土路基沉降预测上应用的时间还不长。人工神经网络预测法的本质是一种应用系统，主要负责处理软土路基沉降的相关实测数据信息。目前，人工神经网络预测法使用较为广泛的领域主要包括两个――信息科学和工程技术。在工程技术领域的应用，主要体现自在软土路基沉降预测方面。组成人工神经网络预测法的处理单元单个来讲是非常简单的，但是这些单元之间的联系又是非常高度的，这些单元之间的高度联系形成了一个类似生物脑的神经系统，该系统能够模拟计算机的处理模式来处理软土路基沉降的相关数据。预测模式包括输出量和输入量，输出量指的是传统的因变量，输入量指的是传统的自变量，两种量之间关系用一种高维非线性的映射来表示。人工神经网络预测法自身有着非常独特的特点，可以解决其它预测方法在软土路基沉降量预测的效果短板，即土地自身原因导致预测精准度的降低，和效果的不能优化。人工神经网路预测法的构成单元相当于计算机的软件集成模块，其工作原理类似于计算机处理问题的原理，因此人工神经网络预测法不仅有较强的建模能力，还有较强的整合数据的能力，尤其擅长处理非线性的问题，这也是人工神经网络预测法的独有特性。利用这个特性对道路工程建设现场实测软土路基沉降资料进行分析，找出规律，进而为软土路基后期沉降量的预测作出正确的判断。在软土路基沉降预测方法中，人工神经网络预测法的优点是有目共睹的，但这种预测法不能应用于长期预测，根本原因是这种预测方法的精确度会随着时间的流失慢慢的下降，最终导致精确度丧失，这也是人工神经网络预测法的短板所在。
第二，灰色理论预测法。灰色理论预测法也是常用的一种软土路基沉降预测的方法。这种方法工作原理是通过灰色模型对不同数据去留的选择来实现预测精度、预测手段和预测模型的提升、修正和调整。作为灰色理论预测法核心――灰色模型，共有三种检验方法。在模型建立完毕及选定检验方法后，通过计算机的编程功能对道路工程建设现场实测的软土路基沉降的资料进行分析并记录数据，通过对这些数据的分析找出软土路基沉降的规律，并画出预测曲线图。灰色理论预测法的使用需要保证软土路基沉降实测数据的更新及时性和高精确度性，由于理论与现实总有误差，所以此方法的预测结果大于实测结果是很正常的。
第三，双曲线法。在软土路基沉降预测方法中，双曲线法是一种假设法，以假设的成立条件来预测软土路基沉降量，并画出坐标图。此方法运用所得到的数据精度由于其前提条件的因素是一个慢慢提升的过程，即后期的数据精度远远高于初期的数据精度。一般来讲，双曲线预测法使用的最佳时间点是软土路基沉降基本稳定时。此方法的短板在于数据观测时间会受到人为因素的干扰。
第四，反分析预测法。反分析预测法的过程是一个数值计算的过程，它需要通过对软土路基工程真实测量值的计算来得到土性参数和本构模型参数，并同时求出需要的物理量。反分析预测法在软土路基沉降的使用上也同人工神经网络预测法一样，都是一种新的预测方法。其工作的基本原理是对实测数据的反复计算，以使得到结果更加接近软土路基后期沉降量的数值。反分析法的使用除了要求实测数据的真实完整外，还需要假设一个合理的反分析数学模型，这个模型的建立对反分析法预测的结果又一定的影响。由于是假设，所以该模型建立使用的预测结果在一定程度上存在人为因素的误差。
第五，有限元预测法。有限元预测法有着自身的越性，在其使用的多种类型的本构模型中，非线性的弹性模型是使用范围最广的一个。有限元法可以容纳更加复杂的计算关系，可以更好地反映影响软土路基沉降的因素。从理论上讲，在所有预测软土路基沉降的方法中，有限元法是比较完善的一种方法，收到人们的关注。其自身的短板表现为在实际计算过程中需要用到大量的参数做依据，最终数据的确定必须通过特定试验的论证，导致其工作量和工程的复杂性远远高于其它的预测方法。
道路工程建设中会遇到很多软土路基沉降的想象，有效的对软土路基沉降作出预测，对道路工程的顺利施工有重要意义。综上所述，软土路基沉降的预测方法各有各的长板和短板，道路工程建设人员要根据施工现场的实际情况选取科学的预测方法，以提高软土路基后期沉降量数值的精确性。
参考文献：
人工神经网络文献综述范文3
关键词：神经网络 图像识别 企业应用
中图分类号：TP183 文献标识码：A 文章编号：1007-9416（2016）10-0124-01
1 神经网络的发展、应用及其特点
现代计算机的应用前提下，计算和信息处理能力均较高，但感知能力和驮踊肪持械呐卸夏芰均不如人类，并且短期内难以实施。特别是，缺乏在特定环境的学习和适应能力，只能按照一定的程序进行分解及工作、执行。本世纪初，人们对于人类大脑的工作方式已经有了一定程度的了解，有着非常大的规模的基本单元，被称为神经元，这些经过高度复杂的统一结合，形成复杂的、非线性、平行处理的信息综合处理系统，这和当代的计算机处理方式是完全不同的。单个的神经元的反应速度比起类似计算机的基本单元逻辑反应时间，是毫秒级别的。
1.1 图像识别及分类技术概况
随着计算机技术和数字图像处理技术的发展，为了满足当前迫切需要，通过对机器视觉设备所获得的图像识别和分类，己成为当前的迫切需要。研制机器的视觉系统是图像识别的最终目的。因此，他们自行区别分类是可能的。通过一些手段使各类图像的重要显性数据通过一定的数值来表示出来，除了对图像进行数据化处理之外，通常特征范围的提取工作也是必要的。但反应某一类特征时，计算工作的繁杂、内容的庞大，为计算带来了很大压力的同时，产生了不精确的可能，难免有一些误差。所以进一步的工作量需要对特征进行选择与处理，减小特征值的误差而保留图像特征信息，这种找出比原来特征数目少而精的综合指标的方法称之为特征选择。
1.2 神经网络应用于图像识别技术的现况
在世界范围内掀起了探索和研究神经网络的热潮，来自发展了的学习算法。目前国内外研究较多的有字符识别技术、车牌识别技术、脸部识别技术、各种纸币识别技术、印章识别技术及对一些军事目标的识别等方面。人工神经网络的发展己渗透到各种研究领域，特别是在模式识别的图像分类技术方面，所取得的应用也日益增多。
2 图像识别原理简介
2.1 图像识别系统
图像模式识别系统的三个重要组成部分，有如下三种，第一是图像有关信息的采集和收集，他等同于对被研究对象的深入了解和调查，取得有关数据后，进行整体的加工、修改、归纳、整合，并且进一步提出反应其点的一些潜质。最重要的一部分特点是将类似空间的映射量折射到空间中。相当于人类的感性和理性认识的转换，并作出结论的过程。图像识别系统如图1所示。
2.2 模糊模式识别法
模糊特征，本质就是根据一定的模糊化规则，经过多重加工后，将图像的一个特征或者一组特征分成多个模糊变量，使每个模糊变量能表达原特征的一部分特性。这些新的模糊特征取代原来的特征进行模式识别，提高了分类器的性能。
2.3 人工神经网络模式识别法
图像输入预处理特征提取神经网络识别识别结果。
3 神经网络图像识别系统设计
3.1 网络分类器的设计
新的性能指标函数，通过反复使用，可以在保证网络误差尽可能小的情况下使网络具有较小的权值，使得网络的有效权值尽可能少，这实际上相当于自动缩小了网络的规模。
3.2 样本的选择及组织
选择标准且合理的样本，对提高网络的学习速度、使网络具有良好的识别精度都有着举足轻重的作用。本实验中，样本的选择可以遵循以下原则，当网络用于分类属性时，首先选取各类的样本进行训练，在使网络的总体性能不高时，另一方面可以大幅度提高训练程序速度，避免网络陷入瘫痪。如此反复，结果会使网络产生振荡。要使网络对模式的旋转、伸缩等具有不变性，因为网络并不具有不变识别的能力，所以就要选择各种可能情况的样本，这样可以保证网络具有比较高的识别率。
4 传统企业应用技术分析
无限制地共享数据和业务处理是企业应用集成（EAI）是指企业内部和企业之间的任何相连的应用之间。公共对象请求体系结构（CORBA）、分布式组件对象模型（DCOM）和远程方法调用是传统的系统集成方式。目前用的比较多的集成方式是 Web Services。
5 结语
本文首先综述了人工神经网络的发展、应用、特点和神经网络应用于图像识别技术的现况。重点介绍了目前在目标识别中用的最多的前馈神经网络模型及其采用的算法的同时，介绍了图像识别原理和几种模式识别常用的神经网络模型。
随着有关研究的不断深入、计算机运行技术、数字图像处理技术的发展，对机器视觉设备信息操作，所获得的图像识别和分类已成为当前的迫切需要。
目前所做的工作离实用要求的距离还有很大的距离。不过，结合企业实际情况设计了基于ESB的企业应用集成技术。这一课题必然会得到较好的解决。
参考文献
[1]袁建国，高亮，刘向军等.需求链管理的研究.中国机械工程，2003，14：89-93.
[2]孙晋文，肖建国.企业应用集成与基于Web Services 的构架应用.计算机工程与应用，2003，8：25-29.
收到日期：2016-09-02
人工神经网络文献综述范文4
关键词：电力系统；信息技术时代；自动化；智能技术；动态系统应用
中图分类号：TM71 文献标识码：A
一、关于电力系统的自动化智能应用环节的分析
1 在电力系统应用中，进行自动化智能技术体系的更新是必要的，这需要应用到比较先进的方案及其技术，更好的实现电力系统自动化工作的开展。这需要每个电力系统工作人员发挥到自身的实力，进行自身工作思路的思考，进行规范的坚持，保证对创新性原则的应用，从而保证电力系统体系的创新。这需要工作人员具备良好的动手能力及动脑能力，从而保证相关人员工作积极性的提升，更好的进行工作任务的分工，这需要每个工作人员明确好自身的责任，保证工作过程中的出色表现，从而提升工作的日常效率。保证电力系统自动化智能体系的健全。
在实际应用中，需要做好电力系统的工作安排工作，针对工作的顺序进行合理的安排，这就需要进行人员的组成及其调配模式的协调，针对其缺陷进行合理的安排，需要按照的实施确定好的方案，保证科学化、高效化工作任务的解决。在电力系统智能化工作中，需要针对那些新问题进行积极解决，从而避免其隐患的出现。这就是要防微杜渐，将各种安全隐患控制在一定程度内。这就需要进行电力系统智能化技术的创新，比如进行图纸的变更，更好的实现电力系统自动化智能技术的创新。
2 在电力系统工作中，进行模糊方法的应用是必要的，这体现了工作模块的效益性。这可以进行常见模糊模型的建立，更好的进行系统的控制，这种常规性的模型也是具备一定的应用条件的，但是我们要从策略上把模型建立简单化，通过对模糊控制理论的应用，进行模糊模型优越性的提升，保证其在电力系统中的广泛应用。
二、电力系统自动化应用方案的更新
1 纵观人类的发展历史，人工神经网络是非常常见的应用方案，从六七十年展至今，这种神经网络体系不断扩大。特别是在模型结构上等取得了不错的效果。通过对神经网络的分析，其本质是非线性特性，具备良好的处理能力及其组织自学能力。所谓的神经网络其实就是进行简单神经元的应用，通过对不同的神经元的连接方式的应用，进行一系列信息的处理。目前来说，比较流行的神经网络力量就是集中在神经网络模型及其结构的研究上，又如神经网络的硬件处理及其神经网络的学习算法研究上。
在当下的神经网络应用中，综合智能控制扮演着非常重要的角色，这体现在不同的控制方法上。比如进行智能控制及其现代控制方法的结合，非常常见的就是模糊结构的控制，这种方式比较适合于自适应神经网络控制，比较适合进行神经网络变结构控制等模式。还有一种智能控制方法，就是进行不同智能控制方法的交叉使用。总而言之，电力系统是一个整体比较复杂的系统，为了更好的解决这种系统运作的麻烦，需要进行综合的智能控制。更好的进行电力系统的神经网络的置入，保证模糊控制及其自适应控制模块的协调，保证神经网络系统及其专家系统的结合，保证模糊控制及其神经网络的协调，更好的进行非结构化信息的处理，保证模糊处理系统对于结构化知识的处理。
在电力系统应用中，通过对人工神经网络及其模糊逻辑的结合，可以更好发挥这种技术的效益。这需要进行不同角度的智能系统的分析，通过对人工神经网络的应用，进行基础计算体系的完善。通过对模糊逻辑原则的应用，可以处理好非统计性的不确定问题。这就需要进行神经网络系统的健全，将各种数据信息进行安排及其处理。这就需要模糊逻辑具备良好的应用方案，保证不同技术的互补。
2 在现代控制理论应用中，进行最优控制是必要的，从而保证对于问题的控制。这里涉及到线性最优控制理论，这种现代控制理论模式是必要的。通过对最优励磁控制方法的应用，更好的失效远距离输电能力体系的健全，保证对其动态品质的改善。这需要联系到相关的研究成果，保证大型机组的应用，比如可以进行最优磁控制方法的应用，进行传统励磁方式的取代，就可以取得良好的控制效果。上述工作环节，也涉及到最优控制理论的应用，这种理论可以进行水轮发电机的最优效率取得。在现代电力系统应用中，利用最优控制器也可以取得良好的电力生产效益，其发挥着非常必要的作用。通过对控制器的局部线性化模式的应用，可以解决电力系统运作中的一些问题。电力系统线性最优控制器目前已在电力生产中获得了广泛的应用，发挥着重要的作用。但应当指出，由于这种控制器是针对电力系统的局部线性化模型来设计的，在强非线性的电力系统中对大干扰的控制效果不理想。
在电力系统工作中，需要进行电力系统的应用效率控制，保证电力系统的相关危险点的处理控制，保证系统的恢复使用，更好的进行状态转换分析，更好的进行系统的规划设计，这涉及到电压无功控制、故障点隔离、配电系统自动化等各个工作体系。通过对专家系统控制模式的应用，可以取得不错的应用效益。静态与动态安全分析，以及先进的人机接口等方面。虽然专家系统在电力系统中得到了广泛的应用，但仍存在一定的局限性，如难以模仿电力专家的创造性；只采用了浅层知识而缺乏功能理解的深层适应；缺乏有效的学习机构，对付新情况的能力有限-知识库的验证困难；对复杂的问题缺少好的分析和组织工具等。
结语
在现代电力系统工作中，我们可以发现智能化控制方式有重要的作用，其大大提升了电力供应的质量及其效率。这与智能技术的广泛性应用是必要的。通过对各种电力系统智能化方案的协调，可以提升人类电力整体系统的效率。
参考文献
[1]陈学利，李宏毅.现场总线技术在电力系统中的应用综述[J].科技信息（学术研究），2008（25） .
人工神经网络文献综述范文5
关键词：
中图分类号： TP18 文献标识码：A 文章编号：2095－2163（2011）01－0028－05
0引言
短道速滑技战术仿真系统为短道速滑运动员提供一个可在计算机上进行比赛对抗的平台，以达到对不同战术的可行性研究以及与国外高水平运动员模拟比赛的目的。
在该仿真系统中，智能体的任务就是模拟短道速滑运动员在比赛中产生类人决策，并与人为控制的运动员进行对抗，达到使用户体验到与高水平运动员竞技的目标。所以，智能体决策的优劣直接影响到该系统的仿真性，特别是短道速滑运动是一种节奏快、速度高、对决策要求准确的体育项目，更加要求智能体在决策过程中不仅要尽可能地不犯规、不出错，而且要能够体现出决策的个体差异性，即不同的智能体在应对同一种情况时产生的决策是不同的。所以，智能体决策过程首先要保证运动员能够完成比赛；其次，能够实现不同的运动员在比赛过程中有各自的滑行特性和决策习惯。
对于智能体决策过程的研究思想和方法大致分为四类，如表1所示。其中，符号主义通过一定的逻辑规则，对特定的符号信息进行处理；联结主义试图构造类似于人脑活动机理的网络来模拟智能；演化主义以生物界优胜劣汰的进化过程为参照，通过对编码的类似自然选择的计算来达到智能模拟；行为主义的目标则是能够建造可自主发挥作用、有生命周期的计算实体[1]。
对于短道速滑仿真系统中的智能体决策，如果采取有限状态机或者决策树等方法计算智能体的决策，由于受到逻辑规则的限制，虽然能够通过制定准确的逻辑规则实现智能体完成比赛的目的，但逻辑规则变更难度大，从而使得：其一，无法达到不同运动员在决策上的差异性的要求；其二，无法改进已有的决策过程或生成新的决策方案。而人工神经网络则不仅可以通过对样本的训练使得智能体能够按照样本的滑行方式完成比赛，还能够通过不同的运动员拥有不同的神经网络权值实现决策的差异性；同时，本系统的训练样本可以通过实际比赛时记录人的操作实现，不仅可以将人的表现建立到智能体中，还能不断改进已有的决策方案或生成新的决策方案。多agent系统中的反应式agent允许agent通过处理当前的瞬时信息获得决策方案，非常符合短道速滑这种速度高、变化快的体育运动中智能体的设计[2－3]。
因此，本文中智能体的决策过程将行为主义和联结主义两种智能模拟方法相结合，参考多agent系统中的反应式agent设计智能体的决策模型，使用具有学习能力的神经网络实现智能体的决策过程。从而让不同的运动员通过拥有自己的神经网络而体现出差异性，并且在系统的使用中，神经网络还可以通过用户的使用情况而不断优化。
1人工神经网络概述
人工神经网络通过模仿生物神经网络系统的行为特征，实现了从样例中学习出一种能够从输入向输出映射的函数。神经网络的本质是通过给定的权值改变规则和训练样本，不断修正系统中神经元之间的连接强度，直到达到所需精度。
反向传播（BP）算法是训练神经网络权值最常用的方法。该算法利用输出层误差来估计前导层的误差，并修改前导层的权值，然后再用前导层的误差估计更前一层的误差并修改权值，如此下去，就形成了信号从输入层向输出层传播，而误差则沿反方向逐级向输入层传播的过程[4]。但BP算法存在收敛速度慢，易陷入局部极小的缺点。由于训练样本易得，本文采用BP算法来训练神经网络的权值，并引入每一轮训练之前将样本顺序打乱、根据误差改变量的大小调节学习速率、增加动量项等方式以避免BP算法陷于局部极小解[5]。
2智能体决策过程的设计
智能体的决策过程就是智能体在一定的输入下，计算出在当前输入下的一个输出，即为决策。
2．1决策过程模型
本文的智能体采用反应式agent设计[6]，如图1所示。首先，智能体感知周围环境，获得自身状态和周围环境的情况，然后，根据自己已有的知识存储通过一定的计算方法对获得的信息进行分析推理，最后将计算结果作为决策输出。
作为智能体决策过程的输入，自身状态与周围环境的输入不仅要体现出智能体当前的特性、具有较高的区分度，还要尽可能地简化，使智能体可能处于的状态不至于因为太多而使系统的性能下降。对于短道速滑比赛中的智能体，输入内容主要包括自身状态和前方运动员情况两类信息。其中，自身状态包括当前位置、速度大小、身体朝向、名次、完成圈数、剩余体能；前方运动员情况应包括前方运动员与自己的速度关系、距离关系和位置关系。
作为智能体决策过程的输出，在本文中为智能体在比赛过程中可能采用的动作，包括直道动作、弯道动作、加减速情况以及向前滑行的方向。
对于反应式agent系统模型中的知识存储与分析推理，可理解为输入向输出的映射过程，其中，输入为感知周围环境所获得的状态集合，输出为计算得到的动作集合，如图2所示，智能体感知到当前状态为Si，通过分析推理，得到在状态下Si应该选择动作Aj才是最优的决策。
神经网络的一个强大能力就是封装一个将输入映射到输出的非线性函数，这恰恰符合决策模型中对于知识存储和分析推理的要求。因而，本文决策模型中的感知环境就是神经网络的输入，知识存储就是神经网络的权值，推理过程就是前向的神经网络计算，决策输出就是神经网络的计算结果。
2．2神经网络的设计
根据决策模型的设计，将神经网络设计为有监督学习的神经网络。设计思路是：首先，用户模拟某一特定运动员进行滑行，系统记录下滑行过程中用户所控制的运动员的状态和此状态下所采取的决策，此数据即为神经网络的学习样本；然后，系统通过神经网络的训练程序以学习样本为输入得到神经网络的权值；最后，将此训练好的神经网络作为该运动员的专属神经网络，从而达到模拟此特定运动员的滑行特性和决策习惯的目标，如图3所示[7]。
2．2．1神经网络的组成单元
在决策过程模型的设计中，神经网络的输入包含多个非线性变化的输入，因此，在文中选择能够接收非线性函数输入且应用广泛的sigmoid单元，如图4所示。系统对输入进行了归一化操作，以适应sigmoid单元的输入要求。
2．2．2神经网络的输入
根据智能体的决策过程设计中所述模型，神经网络的输入要包含以下信息：智能体的位置、速度、身体朝向、名次、完成圈数、剩余体能、前方运动员与自己的速度关系、距离大小和位置关系。
（1）智能体的位置和身体朝向
对于智能体的位置描述为三元组?邀x， y， z?妖，即智能体在3D空间中的坐标。由于短道速滑所处的冰面为y平面，智能体的位置变化仅仅体现在x坐标和z坐标上，所以把x和z作为神经网络的输入以表示智能体的位置信息。
身体朝向为单位向量?邀x，y，z?妖。同位置信息一样，向量中的y值始终为0，所以，将x和z作为神经网络的输入。
（2）速度大小、剩余体能和名次、完成圈数
速度与剩余体能为智能体的身体状态属性，在比赛过程中随相应的函数呈非线性变化。名次和完成圈数是智能体在比赛中的比赛属性，取值为整数，且以阶跃函数的形式变化。四个属性都以自身的数值作为神经网络的输入。
（3）前方运动员的情况
对于智能体前方运动员的情况，主要考虑以下三个因素：与前一名运动员的速度差、相对距离大小以及距离的方向，其中表示距离方向需要x和z两个参数。
所以，神经网络的输入向量包括12个元素，分别为：位置的x坐标和z坐标、速度大小、身体朝向向量中的x和z、剩余体能、完成圈数、与前一名运动员的速度差、与前一名运动员的距离大小、与前一名运动员的距离向量中的x和z，如图5中输入层所示。
2．2．3神经网络的隐藏层
由于具有单隐藏层的前馈网络可以映射所有的连续函数，而当需要学习不连续函数时，具有两层隐藏层的神经网络则更合适。本系统的神经网络输入不仅包含连续的输入（如位置、速度等），还包含不连续的输入（如名次、完成圈数等），所以，将神经网络的隐藏层设计成两层。
根据第一层隐藏层的节点个数为输入层节点个数的两倍，第二层的节点个数小于第一层的节点个数且不能整除第一层节点数的设计习惯，将第一层隐藏层的节点个数设为24个，将第二层隐藏层的节点个数设为11个，如图5所示。
2．2．4神经网络的输出
智能体的输出即为智能体所能采取的动作集合中的一项。在短道速滑仿真系统中，智能体所能采取的动作主要包括直道与弯道动作、保持速度、加速、减速、沿原方向前进、左转、右转。
根据智能体所能采取的动作集合，将神经网络的输出向量定义为：是否采取转弯动作、是否加速、是否减速、是否左转、是否右转，如图5中输出层所示。
2．3反向传播（BP）算法的应用
BP算法的样本来自于比赛过程中实时获得的人控运动员的状态和对应的输入，然后对输入样本进行迭代计算，便可以得到用于智能体计算决策的神经网络权值。将此权值应用于智能体计算决策的过程中，将当前的瞬时状态作为输入，同时采用BP算法中前向计算的方法计算神经网络的输出，便可以得到当前状态的决策。
3实验及结果分析
根据对短道速滑中智能体决策过程的设计，在所设计的短道速滑技战术仿真系统上进行了实验。首先，通过平台采集训练样本，通过BP算法训练神经网络的权值。然后，将训练后得到的神经网络权值应用于智能体的决策过程中，实现通过神经网络控制的智能体。实验结果主要考察三个方面，一是基本智能性，二是高级智能性，三是决策差异性。
3．1神经网络训练样本的采集
为了样本采集更接近于实际情况，首先开发了一个决策树算法，用来实现基本的智能体控制。在样本采集过程（比赛对抗）中，与人为控制的运动员进行比赛。同时，系统以帧为单位，采集人为控制的运动员每帧所处的状态以及对应的输入作为样本中的一项。
在本次实验中，以500米比赛为例，制作了激进和保守两种不同滑行策略的智能体，每个智能体运动员的样本采集均通过作者手动控制的形式与决策树算法驱动的智能体进行比赛来实现。采集激进滑行策略的运动员样本时，作者控制的运动员总是想争夺第一的位置，只要前方有人，就想方设法超越。采集保守滑行策略的运动员样本时，作者控制的运动员一直处于跟随滑行的状态，仅仅在比赛还有最后一圈时，才采取加速超越的策略，分布情况如表2所示。
3．2基本智能性
基本智能性主要考察智能体的路线选择能力，包括向目标点滑行，直道弯道动作的切换时机、躲避前方运动员。在实验中，将评价路线选择好坏的标准定为整个滑行过程中的出界次数和碰撞次数。
考察基本智能性的方式是人控运动员、决策树算法控制的智能体、神经网络中激进策略控制的智能体和保守策略控制的智能体同时进行500米比赛，最终通过比赛后的犯规统计，判断不同算法在基本智能性上的优劣，如表3所示。其中，实验结果来自于50场500米比赛的赛后犯规情况（出界次数和碰撞次数）统计的总和。
由表3可知，在基本智能性上，由于决策树的决策过程取决于其逻辑规则的定制，而在短道速滑比赛中，逻辑规则的定义相对较简单且完备，从实验结果上可以看出，决策树在基本智能性上的表现甚至好于人工控制的运动员，其中的4次出界，也是由于比赛中其他运动员对其的碰撞导致的。人工神经网络的实验结果相比于决策树略差，特别是在出界方面。一个主要原因是神经网络控制的运动员在进弯道之前刚刚完成超越或还在超越中，导致转弯时情况复杂，转弯算法难以控制，出现出界情况。但总的来说，保守策略的神经网络的犯规统计与人为控制比较接近，符合智能体尽量不犯规的目标，激进策略的智能体由于经常采取超越动作，滑行路线不够稳定，导致出界次数较多，需要改进。
3．3高级智能性
高级智能性是指智能体在能保证不犯规（不出界、 不撞人）的情况下，可以根据自身的体能状况，合理地选择滑行策略，从而达到体能利用最优，比赛成绩最好的目标。所以，高级智能性的评价标准包括比赛结束时的剩余体能情况和比赛成绩。测试高级智能型的实验和测试基本智能性的实验为一组实验，且四个运动员在比赛中的身体素质属性一致，实验结果如表4所示。
从表4中可以看出，决策树控制的智能体剩余体能较多、成绩较差，这主要是因为在决策树的规则中，设定的智能体的巡航速度恰好为滑完全程剩余体能为10％的速度，即使由于超越和领滑时会多消耗体能而使最终的剩余体能略低于10％。这也恰恰体现了决策树算法在控制智能体上由于本身逻辑规则的限制而不灵活的缺点。相反，从实验结果中可以看出，神经网络在灵活性上要远远好于决策树算法，比赛结束时的剩余体能较少、成绩也较好。这主要取决于在获得神经网络的训练样本时，就按照规定的滑行策略，以将体能恰好用完为滑行目标来进行比赛，导致训练好的神经网络在控制智能体时，会综合考虑位置、体能、完成圈数和前方运动员的情况做出一个与训练样本中类似的决策。
3．4决策差异性
决策差异性就是不同的智能体运动员在比赛中会采用各自的滑行特性和决策习惯，在对于基本智能性和高级智能性的实验中，已经能看出一些智能体运动员的决策差异性。在本节中，采用在比赛中每一圈结束时各个运动员的名次来考察在应用神经网络作为决策过程的智能体在决策上的差异如图6和图7所示。其中，图6中为一场人工控制运动员采用稍微保守的滑行策略滑行的典型比赛，图7为一场人工控制的运动员采用稍微激进的滑行策略滑行的典型比赛。从图中可以看出，采用激进战术的运动员的名次变化较为明显，这是因为该运动员一直试图超越前方运动员；采用保守滑行策略的运动员在前期的名次变化不明显，在比赛后期较为明显，这是因为比赛前期，该运动员以跟滑为主，后期才开始发力超越。其次，可以从图中总结出，如果人工控制运动员采用保守战术，则在体能较好的情况下，采用激进战术的智能体较为占优势，因为该智能体可以在取得领先位置后，凭借体能优势保持住自己的领先优势。另一方面，如果人工控制运动员采用激进战术，则采用保守策略的智能体更可能赢得比赛，这是因为在前期的比赛中，激进智能体和人工控制运动员为争夺领先而耗费了大量体力，使得在比赛后期，保守运动员可以凭借体能优势超越前方运动员率先到达终点。
4结束语
实验结果表明，在基本智能性上，人工神经网络表现稍差，出界次数较多，主要原因是造成出界的状态在训练样本中较少出现，以至于学习过程中无法提供给智能体足够的先验知识。这个缺点可以通过在场地弯道的边界处设计一面不可见的墙阻挡运动员出界，并同时带来减速效果来弥补。其次，在高级智能性和决策差异性上，人工神经网络控制的智能体符合预期，不仅达到了在体能限制的情况下争取最好成绩的目标，还使不同的智能体具有各自的滑行特性和决策习惯。本文所述方法已经运用于短道速滑技战术仿真系统的智能体决策过程中。
参考文献：
[1] 梁义芝，刘云飞． 智能模拟及其实现[C]／／2000中国控制与决策 学术年会论文集，2000：334－337．
[2] LESSER V R． Reflections on the Nature of Multi－Agent Co－ ordination and Its Implications for an Agent Architecture[J]． A－ utonomous Agents and Multi － Agent Systems， 1998，1．
[3] 饶东宁，蒋志华，姜云飞． 多agent规划综述[J]． 计算机应用研 究，2011，28（3）：801－804．
[4] 戚德虎，康继昌． BP神经网络的设计[J]． 计算机工程与设计， 1998，19（2）：48－50．
[5] 张芳芳，贺娟，李明军． 基于导数优化的BP学习算法的研究综 述[J]． 计算机应用研究，2009，26（3）：809－813．
人工神经网络文献综述范文6
关键词 BP神经网络 故障诊断 神经网络专家系统 规则式专家系统
中图分类号：TP311 文献标识码：A
0引言
在医学上，血液透析是一种用来实现人体内废物产品如血肌酐和尿素与自由水在肾脏中的体外去除当肾功能处于衰竭状态时候的方法。血液透析是肾脏替代疗法的三种方法之一（其他两个是肾移植和腹膜透析）。针对血液透析过程，采用数据挖掘技术对大量数据进行分析，以透析前后各过程水资源分配为目标，研究水资源分配与再利用模型，建立水资源分配管理的知识库，从而能根据任务，纯度等要求自动分配水源管路。设计相关软硬件平台，为节约透析用水总量，降低水资源消耗提供保障，该研究有较高的理论价值和广阔的应用前景。
患者的血液通过血液透析机泵和透析液进行透析。医疗行为取决于医生的推理能力医疗决策依赖于潜在的不确定信息。此外，血流速度是保证处理效果和高通量血液透析可靠性的关键元件。因此，血液引流医院使用动静脉穿刺，血液的流动率（BFR）约为200毫升/分钟，但它对病人有一定伤害。
本文提出了一种改进的方法即使用血液引流透析壶，避免穿刺，使血流率（BFR）可以达到400毫升/分钟。有了这个动机，（研究拟解决的关键问题）本文提出了一种用于血液透析系统的基于模型的控制方法，设计为在血液透析的终末期肾功能衰竭患者维持血流动力学稳定。解决了传统的专家系统知识获取瓶颈等诸多问题，比如自学能力的效率低，推理单调，所以它有一定的局限性。而人工神经网络技术是一个数学模型，应用结构像下丘脑神经元的突触连接，具有学习能力强，能够从样本中学习，获取知识，它是以权值和阈值的形式存储在神经网络中。这很容易实现并行处理，具有联想记忆的特点，有较好的鲁棒性。当结合神经网络专家系统，他们可以协同工作，优势互补，它们的功能将更加强大。
因此，建立一个神经网络专家系统用来模拟训练透析壶中的透析液位置与透析情况，血泵的速度和总的安全状态估计，这可以为护士提供辅助决策参考。
图1：血液透析器的系统结构图
1便携式血透机结构设计
根据电路的特点，对血液透析器的系统架构分为一二回路系统：体外血液透析回路和血液输送系统。图1是血液透析器系统结构图。
我们将血液透析会话分为三个阶段。第一阶段是预冲透析器和导管，它们同时通过空气泡沫放电。第二阶段是状态图血液从动脉到透析壶循环血液透析，并保持液位稳定。第三阶段是体外循环后的回血状态。
图1是血液透析器系统结构图。A泵将血液从病人的动脉通过输液管A引流至透析壶。泵C使血液通过导管引流至透析器。当泵A抽血到体外电路，局部真空可能存在，将空气吸入管如果连接没有绝对的紧密。因此，除气室的功能是排出空气。经过过滤后，血液通过输液管B回到透析壶和患者静脉。A泵的旋转方向和B泵是相反的。超声波传感器为透析壶设置上限和下限液位。出于安全考虑，空气泡沫探测器是用来探测空气导管和防止气泡注入病人体内。导管中的压力控制用于避免管道破裂，病人凝血和血肿现象的出现。
在这个系统中，当血液透析的状态是安全的，A泵的转速为一个固定值为了保持恒定的量的血液从病人的动脉流经血液透析机。B泵的转速应按在透析壶的血容量和系统状态决定。此外，气泡和导管的压力也应分别控制A泵和B泵的速度。血液排水的主要困难是血泵的转速调节，以确保适当的运行状态。
以下变量与泵的速度相关：泵的旋转速度（NA）：血液透析器系统无故障时那是一个不随时间变化而变化的参数。旋转泵B速度（NB）：随血液透析的状态变化而变化。泵A和泵B被分别设置在透析过程的开始和结束。透析壶的液位（h）：h的变化趋势反应了系统的运行状态透析壶液位状态（hs）：hs的值随液位的上升和下降而变化，控制泵A和B的速度。导管中的气泡（U）：如果导管中有空气气泡，这会造成对病人危险的空气栓塞。一旦气泡被检测到，AB两泵应停下来，剩下的血液应该在排除气泡后返回到患者体内。导管的压力（P1，P2，P3）：导管中的压力值能够反映血液透析过程的状态。压力的采集数据应实时获取以便调整AB泵的速度。
2实验理论基础
2.1专家系统综述
随着科学技术的发展，一系列高新技术与复杂系统出现。专家系统是人工智能中最活跃、最广泛的应用领域之一。第一个专家系统在1965年的美国被制造。目前，专家系统已被应用于许多领域，如农业生产，医疗诊断，智能决策，实时监测，地质勘探，教学和军事等，促进了国民经济的发展带来了巨大的经济效益。
2.2神经网络概述
1943年，一个数学模型（MP模型）在神经科学的理论研究时代正式提出了神经元，从而开创了神经科学理论的研究时代。从那时起，大量的突破性的研究促进了神经网络模型及其学习算法，特别是在1982年，一个神经网络模型的创建，介绍了计算能量函数的概念，给出基于神经网络的稳定性判据，有力地推动了神经网络的研究与开发。一个三层神经网络可以逼近任意非线性函数这个结论是在1989年被提出的 。在人工神经网络在实际应用中，80%到90%的人工神经网络模型，采用BP网络或由其变异的网络模型。
2.3神经网络专家系统的基本原理
神经网络使用了大量的神经连接，每个连接的权重表示特定的概念或知识的分布。在获取知识的过程中，它需要有专家提出的例子和相关的解决方案，然后可以通过某个具体的学习算法从样本中学习到。自适应算法可以不断修改网络的连接权值。[7]神经网络可以输入异常样本，如果输入的模式是接近某个学习样本，输出也会接近该学习样本的模式，从而使神经网络专家系统具有联想记忆的能力。适当的由专家提供的解决方案通过输入和输出系统存储在知识库。
3神经网络专家系统的结构
一个神经网络专家系统的结构，表示在图2。该系统主要由知识库，数据文件，并行推理机，信息获取模块，解释系统和人机界面等构成。
图2：人工神经网络专家系统的结构
3.1知识获取
3.1.1bp神经网络
根据结构，神经网络可以分为两类，一个是前馈网络，另一个是反馈网络。从目前的研究来看，前馈网络是一种更完善的网络。而BP网络是最常见的一种。
标准BP神经网络由三个神经层构成，即，输入层，中间隐含层和输出层。各层的神经元相互连接形成整个互连，但同一层的神经元不连接。对于多层网络的训练，首先是提供一组训练样本，其中包括输入样本与理想输出样本。当所有的网络的实际输出与理想输出一致，培训结束。否则，它需要修改权值，根据理想的输出使实际输出。在本文的三层BP网络和图3显示了网络的三层结构。
图3：网络的三层结构
3.1.2专家系统规则
泵的转速调整应根据目前的透析壶中血容量的观测，以及系统的运行状态决定。监测血容量的目标是为了保持透析壶中的液位在很窄的范围内变化。这样的血液量跟踪系统是减少在透析过程中与过程后低血糖发作的频率。
血容量调整的估计是通过以下隐藏变量表示：A泵的旋转速度（nA）：A泵控制着血液流进透析器的流动量。nA是一个时不变参数。B泵的旋转速度（nB）：B泵控制着血液流出透析器的流动量。泵A和泵B分别被设置在透析器的开始端和结束端。透析壶液位（h）：透析壶液位在预定的安全范围内，它根据透析过程中不同的人在不同的阶段中的不同操作而变化。
透析壶的液位状态（hS）：透析壶的液位状态指示液位的变化过程。
血液引流的主要困难是对血液流经透析器时的理想血容量的估计。
该系统采用专家系统的推理机制的基础知识和神经网络的推理机制来处理血液透析过程中可能出现的不同状况，整个系统处于并行工作的方式。在我们的例子中，BP神经网络的液位有五种状态：非常低，低，正常，高，非常高。相应的似然性（nA和nB）也模糊：低，正常，高。透析壶的液位状态有四种状态：正常，小，大和多（具体参数是根据控制对象的不同而调整）。模糊变量的使用，有效防止了门限效应与阈值影响。一些在专家系统的显式知识库的规则如下：
如果透析壶液位低（h低）和透析壶液位状态小（hs小）；
然后B泵的旋转速度低（nB低）和透析壶液位状态小（hs小）和A泵的旋转速度正常（正常）；
如果透析壶液位高（h高）和（透析壶液位状态小（小）或透析壶液位状态大（hs大）或透析壶液位状态正常（hs正常））；
然后B泵的旋转速度正常（nB正常）和透析壶液位状态多（hs多）；
如果透析壶液位很高（h很高）或（透析壶液位状态多（hs多）和透析壶液位高（h高）和透析壶液位状态不大（hs不大））；
然后B泵的旋转速度高（nB高）和透析壶液位多（nB多）；
如果透析壶液位正常（h正常）和（透析壶液位状态多（hs多）或透析壶液位高（h高））；
然后B泵的旋转速度低（nB低）和透析壶液位状态大（hs大）；
除了这些，空气泡沫和输液管压力与血液透析的稳定性和安全性密切相关。如果变量是不正常的，它可能会发生紧急事件如管，栓塞的断裂，凝血等等，因此A泵与B泵的转速应该根据相应情况的变化而改变。因此需要对BP网络的知识，大容量的学习，自适应，并行推理，联想记忆，与专家系统的结合，优势互补，构建神经网络专家系统，实现血液透析的快速调整。
3.2神经网络的训练
基于网络的结构和学习样本，训练方法可以被描述为四个步骤：
（1）给出的阈值＼j、aj，链接的权重Vhi、Wij在[-1， 1]之间随机变化。
（2）为每个模型（AK，YK）（A为输入层的节点，Y是隐层节点，K=1，2，……）。
①发送到输入层，通过连接权重矩阵向隐层发送激活值，然后隐层的激活值产生。
②bi=f（vhiZh+ai） （1）
③计算误差LC：dj=（yjk-cj）cj（1-cj） j=1，2 （2）
（3）为每一个dj计算错误LB：ei=bj（1-bj）（djwj） （3）
（4）调整连接权值和阈值：=wij=Zbidj （4）
（7）
其中Z（0
4系统仿真与实现
这表明泵A与泵B振动速度的变更与液位高度h变化的比较。当液位低，B泵将减速从而降低血液流出透析器的流量，从而在透析壶的血液量将增加。泵B一直保持低速度而不是停止以避免血液滞留在透析壶中或者发生凝管状况。实验对所提出的方法进行了验证。规则是被集成在专家系统中。神经网络是由医务人员使用的训练样本作为准备。然后神经网络和以规则为基础的专家系统进行融合。根据透析壶内的液位数据，空气泡沫探测器的输出和导管所收集的压力，泵A和泵B的速度变化。速度的变化会反过来作用于液位的变化。如果液位低并且没有下降，泵A开始运行。当液位是正常的，上升的，B泵开始以正常速度运行。当A泵顺时针旋转时B泵逆时针旋转。当液位低，B泵的旋转速度低于A泵。在这种方式中液位上升。如果液位高，泵B的旋转速度超过泵A. 因此，液位将下降到达下限值。一旦液位低于下限，B泵旋转速度将放缓。如果导管中有空气泡沫，泵A和泵B应立即停止转动并且管路中的血液应该被尽快返回到患者体内直到导管中的空气泡沫被排除。如果压力异常，可能会发生血肿和空气泄漏，两泵应减速。
在上述分析的基础上，实验有效的验证了所设计的神经网络专家系统控制血液透析系统，图4显示了在透析单元进行建模的结果。
图4：在实际透析会话层进行的模拟结果
5结论
本文阐述了神经网络专家系统在控制血液透析过程中所起到的稳定性和安全性应用。这个系统的目的是帮助维持血液透析过程中的稳定性与帮助血液透析患者缓解疼痛。
在这项研究中促进了仿真系统的开发，极大程度的实现了血液透析系统的安全性与稳定性并且降低针头的尺寸大小。经验的结果表明，该神经网络专家系统具有学习样本的能力，对网络的输出与预期的结果相一致，并且当神经网络完成学习过程的时候，它可以对外界刺激存储在记忆中的信息实现转换或关联，从而对系统的输入产生回应。
参考文献
[1] Rose C， Smaili C， Charpillet F.动态贝叶斯网络在适用于监测患者血液透析治疗的处理决策支持系统中的不确定因素[ C ] 人工智能工具治疗病人的监测处理不确定性，2005。ICTAI 05.第十七届IEEE国际会议。IEEE，2005：5-598.
[2] Fueda Y，Hattori T，Minato K，等。一种基于复杂医学工程的血流量变化与评估[C]//，2012 ICME国际会议奖，IEEE， 2012： 581-583.
