前言：中文期刊网精心挑选了神经网络的权值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。
神经网络的权值范文1
关键词：婴幼儿奶粉质量；安全性评价；BP神经网络；供应链
中图分类号：TP183；TS252.7 文献标识码：A 文章编号：0439-8114（2017）04-0740-05
2008年发生的三鹿奶粉的三聚氰胺问题让国内消费者对国产婴幼儿奶粉安全信心崩塌，国产奶粉市场占有率不断下降；2013年恒天然的肉毒杆菌事件表明国外婴幼儿奶粉安全性也存在诸多问题[1，2]。保障婴幼儿奶粉质量安全，已经成为政府和众多专家学者研究的热点。白世贞等[2]基于供应链视角对乳制品质量安全进行了研究，孙肖明等[3]针对影响乳制品质量因素和解决办法进行了研究，柳亦博等[4]利用危害分析临界控制点（Hazard Analysis Critical Control Point，HACCP）体系针对乳制品质量安全监理进行了研究。
研究表明，影响乳制品质量安全的因素很多。在乳制品中，婴幼儿奶粉食用对象为婴幼儿，其质量安全问题更需保证。婴幼儿奶粉最终到消费者手中时，经历从生产到销售的众多环节，每一个环节出现问题都有可能对婴幼儿奶粉质量产生影响，如何科学和有效评价婴幼儿奶粉质量是非常必要的。葛哲学等[5]基于监测数据和BP神经网络构建了食品安全预警模型；章德宾等[6]基于BP神经网络构建了乳制品质量安全评价研究。但已有研究存在以下不足：①都是针对多种商品的食品安全建模，由此建立BP神经网络模型相对宽泛，而针对婴幼儿配方奶粉质量安全评价时，商品以及其供应链更加具体、国家标准更加严格，HACCP关键点控制的不同，其评价指标必须更加具体和详细；②建立的BP神经网络模型是针对多种商品，针对婴幼儿奶粉质量安全评价模型研究较少。
BP神经网结构简单，训练与调控参数丰富，在神经网络中应用最广泛，其不需要输入、输出值间存在严格的假设关系，同时能够以区间数、模糊数等方式处理定性信息[7]，在模式识别[7，8]、危害分析和HACCP中关键点股市分析预测[9-12]、管理问题优化与决策等方面得到大量的实际应用[13]。本研究在分析湖南卓跃生物科技有限公司日常监测数据基础上，基于婴幼儿奶粉供应链，从奶牛养殖、挤奶、加工包装、仓储运输、销售整个过程出发，参照HACCP和GB10765-2010《食品安全国家标准：婴儿配方食品》要求[14]，在每个环节中选取关键点作为评价指标，分析建立基于BP神经网络的婴幼儿奶粉质量安全评价模型，在MATLAB中编程实现，并进行模型有效性验证。
1 婴幼儿奶粉质量安全评价指标的筛选
婴幼儿奶粉供应链可分为奶牛养殖、挤奶、加工包装、仓储运输、销售5个环节。每个环节基于HACCP关键点控制方法和国家标准GB10765-2010《食品安全国家标准：婴儿配方食品》筛选评价指标，筛选的主要原则是：
1）记录整个婴幼儿奶粉供应链所涉及企业的信息。
2）筛选出对婴幼儿奶粉安全有影响的信息。
3）所筛选的指标要符合国家相应的法律法规的要求。
4）所筛指标准确可靠，指标集简单可行。
基于上述筛选原则和饲养规律把养殖环节分成养殖饲料科学性与安全性、养殖卫生环境、疾病防疫水平等3个主要评价指标。
基于上述筛选原则，结合工厂实际检测相关指标，把挤奶环节评价指标分为必需含有评价指标、污染物评价指标、真菌霉素评价指标、微生物评价指标。其中，蛋白质含量和脂肪含量必需含有评价指标；污染物评价指标包括铅、汞、铬、砷、三聚氰胺、硒硝酸盐、亚硝酸盐含量；真菌霉素评价指标包含黄霉素M1含量；微生物评价指标原奶中细菌总数、大肠菌落含量。
加工包装环节、仓储运输环节、销售环节的评价指标都是依据上述筛选原则，结合各自环节所存在问题确定，其具体原则如下：
婴幼儿奶粉供应链的5个环节具体27个评价指标如表1所示，表1中限于空间只列举了6组用于婴幼儿奶粉质量安全评价的原始数据。由表1可知，数据存在如下特点：
1）抽象性变量，如养殖信息中养殖饲料科学性和安全性难以用精确的指标反映出来，这些评价指标就需要依靠专家打分来反映相对客观、合理的结果。
2）具体测量种类较多，要将这些数据全部纳入到一个模型中，就需要一个相对简单的方法来处理这些不同类型数据。采用了归一化处理的方法。
2 神经网络建模
神经网络的学习方式与用途有很多种类，其中具有误差反向传播算法的BP神经网络是目前应用最为广泛的一种人工神经网络。BP神经网络除输入层和输出层外，还包括一个或多个隐含层，各个层神经元之间实现全连接，而同层内各神经元无连接。含有单个隐含层的BP神经网络可以任意逼近含有多个隐含层的BP神经网络，因此采用由输入层、隐含层、输出层构成的3层BP神经网络。
BP神经网络建模，首先确定输入层和输出层节点个数。隐含层节点个数的确定首先利用试凑法预估范围，然后利用MATLAB仿真_定最佳的隐含层节点个数。
2.1 输入层和输出层节点个数的确定
输入层个数的确定是以湖南卓跃生物科技有限公司日常监测数据为样本，筛选并选择了与婴幼儿奶粉质量安全评价最为相关的27种指标因素，以27种指标因素作为输入层个数，具体指标见表1中评价指标项。
输出层个数确定为1，质量安全评价模型输出结果应遵循原则为简单、直观、有效。所以采用评价等级数字作为输出层，来反映整个供应链下婴幼儿奶粉质量安全评价分。评分为1～9分，1分表明婴幼儿奶粉质量安全最差，9分表明质量安全最好，低于6分就表明婴幼儿奶粉质量安全存在问题。
2.2 隐含层节点个数的确定
隐含层节点个数确定是一个非常复杂的问题，目前还没有一个理想的解析式可以准确确定隐含层节点个数，这也是BP神经网络的缺点之一[15]。但是，在实际应用过程中可以根据经验公式M=■估计隐含层神经元的个数[16]。其中，n表示输入层个数，这里是27；m表示输出层的个数，这里是1；a为1～10的常数，由试凑法可知，隐含层神经元的个数7～16，然后分别比较所构建的10个BP神经网络的性能，选取均方误差精度最小时隐含层个数作为本研究BP神经网络模型隐含层神经元个数。
BP神经网络要求传递函数全部可微，现有可微传递函数主要有Purelin、logsing、tansig 3种[7]，因为输入变量p的维度27还是有点大，为了能够较快得到收敛，选择tansig（）函数为隐层神经元的传递函数；输出层神经元的传递函数也选择tansig（）函数；训练BP神经网络选择基于数值优化的Trainlm（）函数，因为Trainlm（）函数与传统的梯度下降法相比，具有收敛速度快和精度高等特点。权值和阈值的初始化采用Newff（）函数自动完成[14]。
使用MATLAB 7.10的神经网络工具箱，用300个样本来测试构建的10个BP神经网络的性能。由表2可知，隐含层神经元个数为12时，构建BP神经网络性能最佳。构建了婴幼儿奶粉质量安全评价的BP神经网络模型，如图1所示。
3 MATLAB实现与验证
根据BP神经网络模型，开始训练BP神经网络。神经网络的训练首先要设定最大训练次数、目标精度、学习率等参数。图1模型在不设置训练次数的情况下，最优训练精度在训练8 000次左右即稳定于1e-16，但此时的测验样本平均绝对误差达到了0.952 3，出现了训练样本过度学习的过拟合现象。为防止过拟合现象的出现，目标精度应低于最优值的水平，经过测试将训练目标精度设为1e-8，训练次数设为2 000，BP神经网络性能较好。学习率设为0.01，因为学习率过大，会造成学习过程的不稳定，通过测试发现学习率设为0.01较为合理。
在以上训练参数下，选取300个样本来训练，10个测试样本作为验证，训练结果如图2所示。由图2可知，在训练周期为51次时，该网络收敛于稳定，目标精度达到预设的1e-8。
婴幼儿奶粉质量安全实际评分与预测评分散点图如图3所示。由图3可知，预测评分与实际评分结果非常接近。
10个测试样本的预测评分与误差率见表3。由表3可知，10个测试样本误差率都在0～4%之内，平均误差率是1.10%，说明已构建的BP神经网络较为准确的，可以对婴幼儿奶粉质量安全进行评价。
4 结论
通过建立BP神经网络模型对历史数据进行训练，能够在系统内部规律未知的情况下，对新的待测样本做出较为精确的预估。本研究基于BP神经网络的这种优点，结合婴幼儿奶粉供应链特点，以湖南卓跃生物科技有限公司日常监测数据为样本，筛选并选择了与婴幼儿奶粉质量安全评价最为相关的27种指标因素，以27种指标因素组成输入层，评价结果组成输出层。针对隐含层节点个数，首先利用试凑法预估范围，然后利用MATLAB仿真确定最佳的隐含层节点个数。最后利用10组数据对神经网络评价模型进行了仿真验证。结果表明，基于BP神经网络的婴幼儿奶粉质量安全评价模型能够在实际训练数据样本进行有效预测，是一种可行的婴幼儿奶粉质量安全评价方法。
参考文献：
[1] 郭利亚，王加启.当前我国奶业发展的五个特征[J].中畜牧杂志，2013，49（8）：3-5.
[2] 白世贞，刘忠刚.基于供应链视角的乳制品质量安全问题研究[J].商品储运与养护，2013，35（12）：105-108.
[3] 孙肖明，孟宪梅.影响乳制品质量安全的因素与解决措施[J].畜牧兽医科技信息，2013（8）：9-10.
[4] 柳亦博，朴贞子.HACCP体系控制与乳制品质量安全监管研究[J].山东农业科学，2010（3）：98-101.
[5] 葛哲学，孙志强.神经网络理论与MATLABR2007实现[M].北京：电子工业出版社，2007.
[6] 章德宾，徐家鹏，许建军，等.基于监测数据和BP神经网络的食品安全预警模型[J].农业工程学报，2010，26（1），221-226.
[7] 赵 杰，林 辉.基于BP神经网络模型的目标属性识别仿真[J].系统仿真学报，2007，19（11）：2571-2573.
[8] 陈 红，熊利荣，胡筱波，等.基于神经网络与图像处理的花生仁霉变识别方法[J].农业工程学报，2007，23（4）：158-161.
[9] CHEN C R，RAMASWAMY H S. Analysis of critical control points in deviant thermal processes using artifical neural networks[J].Journal of Food Engineerings，2003，57（3）：225-235.
[10] 张绍秋，胡跃明.基于BP神经网络的税收预测模型[J].华南理工大学学报（自然科学版），2006，34（6）：55-58.
[11] DUBUS I G，BEULKE S，BROWN C D.Calibration of pesticide leaching models：Critical review and guidance for reporting[J].PestManagementScience，2002，58（8）：745-758.
[12] CAMPO I S，BEGHIN J C. Dairy food consumption，supply， and policy in Japan[J].Food Policy，2006，31（3）：228-227.
[13] 禹建丽，孙增圻，VALERI KROUMOV，等.基于BP神经网络的股市建模与决策[J].系统工程理论与实践，2003，23（5）：15-19.
[14] 孙红英.BP神经网络方法在用电量预测中的应用[D].广州：中山大学，2005.
神经网络的权值范文2
关键词： ATR2神经网络； 警戒值； 模式漂移； 模式识别
中图分类号： TN911?34 文献标识码： A 文章编号： 1004?373X（2014）18?0041?03
An improved algorithm based on ART2 neural network
HU Xin， YE Qing， GUO Geng?shan
（Changsha University of Science and Technology， Changsha 410114， China）
Abstract： Aiming at the problems of setting vigilance parameter and pattern drift produced in the process of classification identification of the traditional ART2 neural network， a new ART2 neural network model based on modified algorithm is presen?
ted in this article to solve problems concerning analysis of pattern identification. Reasonable vigilance parameter needed by clustering is deduced through the processing of self?organization， weighting and iteration. In order to conduct reasonable classification of clustering objects， the measures of slowing learning rate which can be realized by modifying the weight training of ART2 neural network to reduce the speed of pattern drifting should be taken. The experimental results have proved that the new model is of high validity and feasibility.
Keywords： ATR2 neural network； security value； pattern drift； pattern recognition
0 引 言
ART2神经网络的输入为任意模拟输入矢量，所以它有非常广泛的应用范围，通过对警戒值的调整，ART2神经网络可以对输入的模拟矢量进行不同精度的分类。ART2是基于自适应谐振理论的一种自组织神经网络，通过竞争学习和自稳机制原理实现分类，它主要是为了解决下列问题而提出的：设计一个学习系统，同时拥有稳定性和可塑性，即系统在不断学习新知识的时候能保持原有的知识[1?2]。
迄今为止，基于ART网络的模式分类方法有很大发展，其中具有代表性的就是S.Grossberg和A.carpenter提出的用于并行分类和自适应模式分类方法[3?4]。
传统的自适应谐振神经网络也存在着一些缺陷，主要体现在：传统的ART神经网络在网络训练前要给出警戒参数，该警戒参数对于网络聚类结果具有直接的影响。当警戒参数较高时，ART系统对模式的相似性要求就越高，类的划分就越细，形成的类别就越多；当警戒参数较低时，网络有较强的容错能力，因此就产生较少的分类数目[5?6]。
由于传统的ART2网络在对输入模式识别分类时，会产生模式漂移现象，从而无法实现更准确的分类。对部分权值的修正放慢学习速度，将改善模式漂移现象。
1 ART2神经网络的结构和原理
1.1 ART2神经网络结构
ART2系统由定向子系统OS和注意子系统AS构成，注意子系统AS由感受层SL和反应层RL和控制增益GC组成，既有短时记忆[OS（t）]和[OR（t）]，又有长时记忆，包括自低向上的长时记忆[Ω（SR）]和自顶向下的长时记忆[Ω（RS）]。作为神经计算的模型，ART2系统是由人工神经元形成的系统。感觉神经元构成了系统的感受层，而反应神经元构成了系统的反应层，ART2网络的结构如图1所示。
图1 ART2神经网络基本结构
在系统中，各感觉神经元之间的联结关系包括：[Dab：SLaSLb]，[Dbc：SLbSLc]，[Dcd：SLcSLd]，[Dde：SLdSLe]，[Def：SLeSLf]，[Dda：SLdSLa]，[Dfc：SLfSLc]。各子集[SLk（V（S）k）（k∈{a，b，c，d，e，f}）]之间的联结关系式对应元素之间的联结，因而，其联结关系矩阵[Dij（i，j∈{a，b，c，d，e，f}）]均为对角矩阵。
在感受层SL中，只有子集[SLa（V（s）a）]可以接受外部输入信号[x]，另外只有子集[SLe（V（S）e）]的状态向量[OSe]能作为系统感受层SL的输出，用于系统的反应层RL[3]。
1.2 ART2神经网络的工作原理
1.2.1 参数及联结权值初始化
所有神经元的输出置0向量，计数器初始值为[C=0]；SL层从下到上的长时记忆初始为：
[Ω（SR）=0.5（1-α3）・mnm]
RL层从上到下的长时记忆初始为：
[Ω（RS）=（0）mn]
各参数确定为：
[α1>0， α2>0，0
1.2.2 计算步骤
ART2网络的运行按照如下的步骤进行：
（1） [SLa]运算：
[O（S）a=x+α1O（S）d]
（2） [SLb]运算：
[O（S）b=O（S）aε+O（S）a]
（3） [SLc]运算：
[O（S）c=f（O（S）b）+α2f（O（S）f）]
式中：[x>α3]时[f（x）=x]，[x≤α3]时[f（x）=0]。
（4） [SLd]运算：
[O（S）d=O（S）cε+O（S）c]…
（5） [SLe]运算：
[O（S）e=O（S）d， C=0O（S）d+ω（RS）kα4， C>0]
（6） [SLf]运算：
[O（S）f=O（S）eε+O（S）e]
（7） SL测试：如果短时记忆[O（S）i（i∈a，b，c，d，e，f）]没有达到稳定状态，转到步骤（11）。
（8） 计数和转移：如果[C=0]，转到步骤（11）。
（9） OS运算：
[r=O（S）d+α4O（S）eε+O（S）d+α4O（S）e]
若[r
（10） 复位操作：如果复位信号[r=1]，则置[O（S）k=0]，抑制[v（R）k]到ART2系统达到“谐振”状态，重置短时记忆[OS=0]和[C=0]，转到步骤（1）；否则[r=0]，转向步骤（14）。
（11） RL运算：
[O（R）k=α4， ω（SR）TkO（S）e=maxω（SR）TiO（S）e0， 其他]
其中[O（R）k=α4] 的单元[v（R）k]记作竞争获胜单元。
（12） 引发期待：[Ω（RS）Tω（RS）k]。
（13） 计数和转移：[C=C+1]，转向步骤（5） 。
（14） 谐振：[r=1]说明[x]与[ω（RS）k]匹配，ART2系统达到谐振状态，ART2快速学习机制启动。
（15） 前馈学习：更新前馈联结关系[Ω（SR）]的第[k]个列向量[ω（SR）k]：
[ω（SR）k=O（S）d1-α4]
（16） 反馈学习：更新反馈联结关系[Ω（RS）]的第[k]个行向量[ω（RS）k]：
[ω（RS）k=O（S）d1-α4]
（17） 停机条件：若对于任意输入[x]，[Ω（RS）]和[Ω（SR）]都是稳定的，ART2系统停止运行；否则删除输入模式，RL中所有被抑制的反应神经元恢复起始，重置短时记忆[OR=0]和[OS=0]，重置计数器[C=0]。
2 改进的ART2神经网络
在上述传统的ART2神经网络算法中对于警戒值[ρ]的选择是根据经验所得，这里提出了一种在神经网络计算前对[ρ]的选取算法。同时为了解决模式漂移的问题，对ART2神经网络中F2至p层和p层至F2层的权值进行修改，减缓学习速率，从而可以有效地减少模式漂移带来的误差[7]。
2.1 具体算法描述
（1） 设置警戒参数初值ρ，开始设置接近l，在初始聚类时，对于接近的输人向量也会在这个过程进行融合，每个差异较大的输入向量就会产生一个类别。
（2） 由于ART2模型的输出端是一维阵列，可按神经元模值将神经元放置在x轴上，以模值大小顺序对输出层神经元的位置进行重新排列，以模值为判断依据，同时对自顶向下和自低向上权重矩阵进行调整。
（3） 在解决漂移模式问题中，模式漂移现象主要
原因是权值的修正方法不准确引起的，在传统的ART2算法中，权值修正公式在每次输入模式结束时，权值都近似等于[O（S）d1-α4]，在学习新的模式之后容易遗忘已经学过的输入模式，权值总是向当前的输入数据靠近。所以对ART2神经网络中F2至p层和p层至F2层的权值进行修改，减缓学习速率，修正后的权值为：
从F2层到p层的权值为：
[Ωnewji=Ωoldji+α（Οd-Ωoldji）]；
从p层到F2层的权值为：
[Ωnewij=Ωoldij+α（Οd-Ωoldij）]；
2.2 具体算法步骤
加入警戒值选择和权值修改后的改进ART2神经网络算法如下：
（1） ρ=ρ-del ；del为警戒参数递减值；
（2） 将第k次迭代神经网络输出层的每一个神经元代表的类别向量组成第k+1次迭代神经网络的输入向量样本集X（k+1）；
（3） 按序输入X（k）样本集中每个向量，训练的算法按照步骤（4）整个过程；
（4） 在传统ART2神经网络学习中的对步骤（15），步骤（16）进行修改如下：
步骤（15） 前馈学习：更新前馈自适应联结关系[Ω（SR）]的权值：
[Ωnewji=Ωoldji+α（Οd-Ωoldji）]
步骤（16） 反馈学习：更新反馈自适应联结关系[Ω（RS）]的权值：
[Ωnewij=Ωoldij+α（Οd-Ωoldij）]停机条件不变。
3 实验及其结果分析
为了验证算法改进后的分类效果，对传统ART?2神经网络算法和改进后的算法进行了实验比较[8?10]。本文采用实际数据做为测试数据。实际数据采用来自美国加州Irvine大学信息与计算机科学系中所提供的Glass数据。Glass数据是在记录玻璃所包含的化学元素情况，记录中包含了处理过与非处理过的建筑用窗户、处理过与非处理过的货车窗户、容器、餐具以及车灯共7种类别，而在G1ass数据中则有9种不同的化学元素，分别是锆、钠、镁、铝、硅、钾、钙、钡、铁九种属性，Glass数据集一共是214组。在不同用途的玻璃中化学元素的含量不同，如表1所示。
表1 不同用途的玻璃中化学元素的含量
在进行ART2神经网络的训练时候，对于参数设为ρ=0.95，a=10，b=10，c=0.1，d=0.9，del=0.01。将神经网络程序运行结果， 与数据集中正确分类进行对比之后，发现以前ART2网络由于模式漂移和警戒参数人工设置问题设置产生了10个分类，产生了较大分错率。由改进的ART2网络下运行结果显示降低了这些问题的影响，只产生了8个分类，而且在每一类的分类中，改进后的神经网络可以更好地对每一组数据进行正确的分类。如表2所示。
表2 传统神经网络和改进后神经网络的分类比较
4 结 语
针对本文中摘要提出的警戒值选取问题，在改进的ART2神经网络聚类算法中，利用以前警戒参数训练神经网络结果的基础上迭代，改变了神经网络主观设定警戒参数的问题。针对模式漂移的问题，通过改进联结权值，使改进后的ART2神经网络网络减慢了学习速率，近而降低了模式漂移的速度。实验证明，在改进选取警戒值和对联结权值修改后的ART2神经网络更好地实现了聚类分类，同时提高了模式识别的精度。
参考文献
[1] 陈国灿，高茂庭.ATR2神经网络的一种改进[J].计算机工程与应用，2013（4）：2?3.
[2] 沈艳超，叶青.车辆特征提取和分类方法的研究[D].长沙：长沙理工大学，2010.
[3] 阮晓刚.神经计算科学[M].北京：国防工业出版社，2006.
[4] CARPENTER G A， GROSSBERG S. ART2 self?organization of stable category recognition codes for analog input patterns [J]. Applied Optics， 1987， 26（l）： 4920?4927.
[5] 钱晓东，王正欧.基于算法改进的ART2数据聚类方法研究[J].哈尔滨工业大学学报，2006（9）：1549?1553.
[6] 钱晓东，王正欧.基于神经网络等技术的数据与文本聚分类研究[D].天津：天津大学，2005.
[7] 谭锦华，邝献涛.基于ART2神经网络与动态聚类的分类器[J].控制工程，2005（z1）：68?70.
[8] 姚光顺.ART?2神经网络的缺点及其改进[J].仪器仪表用户，2008（2）：117?118.
神经网络的权值范文3
[关键词] BP神经网络；岩性识别；改进BP神经网络
[DOI] 10.13939/ki.zgsc.2015.24.063
1 主要研究内容
根据国内外研究现状，利用目前研究最透彻的人工神经网络技术-BP（ Back Propagation）人工神经网络，以C#.NET为软件工具，通过合理地编写程序，针对低阻、高放射等非常规储层进行识别与判别。主要利用常规测井资料，以实际的岩心、岩屑观察、物性等分析测试资料、试油试产资料为测井参数约束的标准，针对储层的岩性进行预测、判断。从而得出BP人工神经网络方法在测井数据处理与解释中的优势所在，并指出其缺陷与不足之处。
2 BP神经网络
2.1 基本BP神经网络的设计
基本BP算法包括两个方面：信号的前向传播和误差的反向传播。即计算实际输出时按从输入到输出的方向进行，而权值和阈值的修正从输出到输入的方向进行。
2.2 BP神经网络算法步骤
（1） 初始化网络权值，阈值，及有关参数（如学习因子）。
3 BP神经网络在岩性识别上的应用
3.1 地层特征
在储层测井响应特征方面，本文研究油区的泥岩与砂质泥岩均以高自然伽马、正自然电位幅度、微电极无差异或差异幅度小为特征、并且有电阻率相对偏低和高声波时差值的特征，较纯的泥岩层往往还出现井径扩大现象。粉砂岩、泥质砂岩以中.高自然伽马和中一低负异常幅度自然电位及微电极差异幅度小或无差异为特征。视电阻率变化较大。细砂岩为主要储集层，以自然电位高负异常幅度低自然伽马值及微电极差异幅度大为特征。部分储油砂层的自然伽马值偏高。细砂岩含油后一般电阻率较高。
3.2 基本BP网络的构建与实现
3.2.1 测井数据的处理
由于各种测井数据量纲不一致，进入网络之前，无论是学习样本或预测数据，都需先进行归一化处理，将它们置于统一的数值量纲范围内，如在[0，1]之间。对于具有近似线性特征的信息，可以采用线性归一化公式：处理。
3.2.2 岩性参数的设置
由于在做岩性识别时，我们设置了相应的参数。其中有聚类参数、自然加码、井的深度等。其中聚类设置表示，自然加码的设置是判断输入数据的合法性，井的深度和间隔有利于模仿底层结构。
3.3 改进的BP网络（动量-自适应）的实现
3.3.1 增加动量项
附加动量法使网络在修正其权值时，不仅考虑误差在梯度上的作用，且考虑在误差曲面上变化趋势的影响。在没有附加动量的作用下，网络可能陷入浅的局部极小值，利用附加动量的作用有可能滑过这些极小值。
带有附加动量因子的权值和阈值调节公式为：
根据附加动量法的设计原则，当修正的权值在误差中导致太大的增长结果时，新的权值应被取消而不被采用，并使动量作用停止下来，以使网络不进入较大误差曲面；当新的误差变化率超过一个事先设定的最大误差变化率时，也得取消所计算的权值变化。其最大误差变化率可以是任何大于或等于1的值。典型的取值取1.04。所以，在进行附加动量法的训练程序设计时，必须加进条件判断以正确使用其权值修正公式。
训练程序设计中采用动量法的判断条件为：
3.3.2 自适应调节学习率
对于一个特定的问题，要选择适当的学习速率不是一件容易的事情。通常是凭经验或实验获取，但即使这样，对训练开始初期功效较好的学习速率，不见得对后来的训练合适。为了解决这个问题，人们自然想到在训练过程中，自动调节学习速率。通常调节学习速率的准则是：检查权值是否真正降低了误差函数，如果确实如此，则说明所选学习速率小了，可以适当增加一个量；若不是这样，那么就应该减少学习速率的值。下式给出了一个白适应学习速率的调整公式：
3.3.3 引入陡度因子
误差曲面上存在平坦区域，权值调整进入平坦区的原因是神经元输出进入了变换函数的饱和区，如果调整进入平坦区没法压缩神经元的净输入，就使其输出退出变换函数的饱和。
3.3.4 动量-自适应学习速率调整算法
当采用前述的动量法时，BP算法可以找到全局最优解，而当采用自适应学习速率时，BP算法可以缩短训练时间，采用这两种方法也可以用来训练神经网络，该方法称为动量-自适应学习速率调整算法。
神经网络的权值范文4
【关键词】NNWA-PF算法；神经网络；粒子滤波降噪；故障诊断
1.引言
柴油机是一种重要的往复式动力机械，作为最常用的动力机械设备，广泛应用于石油矿场、固定发电、铁路牵引、工程机械及特种船舶等领域，柴油机作为一种典型的大型复杂装备，在整个机械系统中占有重要的地位，然而其结构的复杂性使得故障呈现出多样性，另外由于工作环境噪声和故障诊断方法的影响，使得柴油机故障特征不明显，诊断的准确率和效率偏低，因此如何寻找一种快速、有效的故障诊断方法，是目前国内外相关学者的主要研究内容[1]。
近年来，粒子滤波技术与神经网络在大型机电故障诊断中的应用越来越广泛，本文在分析了粒子滤波和神经网络两者的特点的基础上，充分利用他们各自的优点，提出了一种基于粒子滤波和神经网络的机械故障诊断系统，并将该系统应用于V12四缸柴油机的故障诊断中，旨在使降噪后的数据能快速准确地区分各种故障，符合故障诊断的要求，以提高柴油机故障诊断的效率。
2.基于神经网络的重要性权值调整的粒子滤波算法NNWA-PF算法
2.1 系统思路简介
粒子滤波是通过非参数化的蒙特卡洛（Monte Carlo）模拟方法实现递推贝叶斯（Bayes）滤波的一种数据滤波预处理技术，是解决非线性非高斯动态系统最优估计问题的研究热点[2]。粒子滤波算法的具体步骤是利用采样和重采样原理，使粒子按照相关分布随机产生，随着粒子数增加，粒子渐近收敛于概率分布。虽然粒子滤波中的重采样算法可以用来解决粒子退化现象，改善粒子滤波性能，却带来了粒子多样性的损失，因为重采样算法仅复制大权值样本，导致粒子的匮乏[3]。
BP神经网络由于具有较强的非线性映射能力而被广泛应用于故障诊断领域。它通过对故障实例的训练和学习，用分布在神经网络中的连接权值来表达所学习的故障诊断知识，具有对故障的联想记忆、模式匹配和相似归纳的能力，可以实现故障和征兆间的复杂的非线性映射关系[4]。
本文提出一种新的粒子滤波技术NNWA-PF在柴油机故障诊断中的应用思路，就是将BP神经网络算法和典型的采样算法相结合[5-7]，利用神经网络对调整粒子的权值，将位于概率分布尾部的粒子的权值增大，使它在整个权值分布中占有更大的比重，同时，把权值比较大的粒子分裂成若干个权值比较小的粒子，这样，随着时间的推移，低权值的粒子也不会被完全消除掉，而高权值的粒子也不会占太大的比重，这样就使得粒子的多样性没有丧失，状态估计的精度会更高。
2.2 NNWA-PF算法的具体实现步骤
基于神经网络的重要性权值调整的粒子滤波算法NNWA-PF算法的步骤[8]：
步骤1：初始化过程。当时，利用重要性函数采样N个粒子，采样得到的粒子由表示。
步骤2：重要性权值函数为，对，计算重要性权值，具体计算是通过公式实现的。本文中权值记为权值矩阵矩阵中的元素按降序排列，以阈值大小为界，将权值矩阵分为高权值矩阵和低权值。
步骤3：权值分裂过程。分裂高权值的粒子以取代低权值的粒子。为了减少神经网络的输入变量或保持粒子数量固定不变，考察中从小到大的个权值，舍掉与该个权值对应的粒子，其中，这种粒子的数量不多，因此该不等式基本上都能够成立。
步骤4：权值调整过程。经过步骤3之后，权值矩阵W变为，为经过降序排列的粒子权值。取矩阵中由小到大的个粒子权值，通过BP神经网络来调整权值较小的粒子。设定为输入层/输出层神经元数量，为神经网络的输出，为系统在任意时刻的量测值，则误差能量的计算方法如下：
BP神经网络的初始输入为较小的权值，初始权值为粒子的状态值，其余的粒子状态值作为相应神经元的偏移，这里取神经元个数为6，网络学习步长为0.05，神经元激励函数为1/（1+），样本的学习函数为系统量测方程。学习要求：均方差小于0.005，训练截止时，输出调整后的粒子的权值。
3.实例分析
本文选择V12四缸柴油机作为故障诊断实验对象，分别在1500r/min、1800r/min、2200r/min这三种转速下采集各个测点的振动信号数据。将柴油机的正常状态与故障整合为六种工况：A、漏油，B、断油，C、供油提前角增大2.5度（正常35度），D、供油提前角减小2.5度（正常35度），E、空气滤清器堵塞，F、正常。本文振动信号特征值的提取是利用小波包方法来完成的，信号经过四层的小波包分解后，得到16个频段，选取各个频段内信号的平方和作为能量的标志，形成16个特征值（T1～T16），其中的T1即为频段1的能量占总能量的比值。
本文分别将NNWA-PF滤波之后的信号和传统滤波之后的信号进行特征提取，将提取的特征参数作为神经网络的输入进行训练，比较输出结果和诊断结果，验证NNWA-PF降噪思想在柴油机振动信号处理中的有效性。实验中，选择5个测点，每个测点选择3个样本，作为神经网络的输入进行网络训练，部分数据如表3.1所示。
为了验证NNWA-PF降噪的有效性，再将没有经过NNWA-PF降噪处理的数据用神经网络进行诊断，网络的输入向量还是经小波包变换后的能量谱数据，BP神经网络的参数设置也和上面相同，误差为0.1。部分数据如下表3.2所示。
两个决策表的训练结果分别如图3.1、3.2所示。
从以上训练结果中训练误差曲线可以看到，经过NNWA-PF降噪后数据在经过18次训练后就网络收敛，达到预定的网络性能参数目标。而未经过NNWA-PF降噪数据在88次训练后才网络收敛，而且后者大于预设的学习目标。
将上面的两组测试样本分别作为神经网络的输入，对训练好的网络进行检验，得到测试结果如表3.3、3.4所示。
从测试结果可以看出，经过NNWA-PF降噪之后的数据可以有效地区分各种故障，符合故障诊断的要求。而未经过NNWA-PF降噪数据却不能有效地区分各种故障，最后两组数据的实际输出和理想输出有出入，造成了故障分离错误。
由以上的对比可以看出，经过NNWA-PF降噪后的数据通过神经网络训练后可以正确的识别出设定的6种工况，而没有经过NNWA-PF降噪的数据用神经网络训练后却出现了故障分离错误，并且网络的收敛速度过慢，超出了预设的学习目标。可以说明NNWA-PF降噪的效果比较良好，可以达到很好的故障诊断效果。
4.结论
本文以V12四缸柴油机为实验对象，提出了运用NNWA-PF降噪的思想，将神经网络应用在粒子滤波重要性权值选择中，减少样本退化，提高了滤波精度。通过对经过NNWA-PF降噪的数据和没有经过NNWA-PF降噪的数据分别进行状态识别，结果证明经过此方法降噪的数据可以正确的识别预设的6种工况，而没有经过处理的数据的识别结果与理想结果不完全符合，说明了NNWA-PF降噪在柴油机故障诊断中的优越性。
参考文献
[1]曹龙汉，曹长修，孙颖楷，景有泉.郭振柴油机故障诊断技术的现状及展望[J].重庆大学学报（自然科学版）， 2001，24（6）：134-138.
[2]刘晓平，郑海起，张训敏.粒子滤波在轴承故障振动信号降噪中的应用[J].轴承，2010，9：37-40.
[3]王向华，覃征，杨新宇，栗江涛.阈值去噪下的改进粒子滤波算法[J].西安交通大学学报，2010，44（2）：31-34.
[4]杨文位.基于振动信号的柴油机神经网络故障诊断研究[J].西北农林科技大学，2005.
[5]王成儒，成润.基于UPF-BP神经网络的视频跟踪方法[J].电子技术，2009（3）：81-83.
[6]杨珺.粒子滤波算法研究及应用[D].西安：西安理工大学博士学位论文，2008.
神经网络的权值范文5
[关键词] 小生境遗传算法 神经网络 股票 预测
一、引言
股票和股票市场对国家企业的经济发展起到了积极的作用，如可以为投资者开拓投资渠道，增强投资的流动性和灵活性等。但股票价格的形成机制是颇为复杂的，股票价格既受到多种因素，诸如:政治，经济，市场因素的影响，亦受技术和投资者行为因素的影响，个别因素的波动作用都可能会影响到股票价格的剧烈波动。因此，股票价格和各影响因素之间很难直接建立明确的函数关系表达式。针对这一情况，将可有效处理非线性问题的神经网络引入到股票价格的预测中来，但神经网络收敛慢,易陷入局部极小点，出现振荡，鲁棒性差。所以有的学者用遗传算法(ga)来优化神经网络，这种神经网络可能获得个别的甚至局部的最优解,即ga早熟现象。本文引进能较有效地保持种群多样性的小生境遗传算法(nga),采用nga优化与用ga优化的bp网络权值进行对比,证实了nga的判别准确性和寻优能力。
二、小生境遗传算法优化的神经网络
1.bp神经网络
反向传播(bp)算法又称为误差逆传播校正方法，它是1974年p.werbos(哈佛大学)提出的。133229.CoMbp算法用来训练多层前馈神经网络,属于监督学习算法。bp网络具有结构清晰，易实现，计算功能强大等特点。因而是目前最常见，使用最广泛的一种神经网络。但是在实际应用中，传统的bp算法存在以下问题:收敛速度慢;若加快收敛速度易产生振荡；存在局部极小和平台问题;泛化能力差;隐节点数和初始值的选取缺乏理论指导;未考虑样本选择对系统学习的影响等。所以很多学者提出许多改进的方法，用小生境遗传算法优化神经网络权值的神经网络来预测股票价格。
2.小生境遗传算法
小生境遗传算法(iche genetical gorihm)的基本思想是:首先比较任意两个个体间的距离与给定值的大小，若该距离小于给定值，则比较其适应值大小。对适应值较小的个体施加一个较强的惩罚，极大地降低其适应值。也就是说，在距离l内将只有一个优良个体，从而既维护了群体的多样性，又使得各个体之间保持一定的距离，并使得个体能够在整个约束空间中分散开来。
3.神经网络连接权的优化
用小生境遗传算法可以优化神经网络连接权，神经网络结构，学习规则等，这里我们对神经网络的连接权进行优化，具体步骤如下：
（1）随机产生一组权值分布，采用某种编码方案对该组中的每个权值(或阈值)进行编码，进而构造出一个码串(每个码串代表网络的一种权值分布)，在网络结构和学习规则已确定的前提下,该码串就对应一个权值和阈值取特定值的一个神经网络。
（2)对所产生的神经网络计算它的误差函数，从而确定其适应度函数值，误差越大,则适应度越小。
（3)选择若干适应度函数值最大的个体,直接遗传给下一代。
（4)利用交叉和变异等遗传操作算子对当前一代群体进行处理，产生下一代群体。
（5)重复（2）（3）（4），使初始确定的一组权值分布得到不断地进化,直到训练目标得到满足为止。
这种由小生境遗传算法训练神经网络的方法也可以称做混和训练法。将基于小生境遗传算法的遗传进化方法和基于梯度下降的反传训练相结合,这种训练方法吸取两种方法的各自特点，所以收敛速度快。
三、股票价格预测仿真
根据经验选取输入预测日前四天开盘价、收盘价归一化后做为作为输入量，输出为第五天收盘价归一化数值。所以，本文采用神经网络结构为(8,5,1),即网络的输入层6个节点,隐含层9个节点,输出层1个节点。本文选择了“xdg 新梅（600732）”从2006年3月14日到2006年7月1日数据进行了仿真。利用matlab6.5编程，取70组训练样本和30组测试样本。如图（1）表示用遗传算法和小生境遗传算法对神经网络的权值进行优化时，误差曲线变化;从图中可以看出，小生境遗传算法收敛速度要快;图（2）表示股票预测值和实际值比较，从图中可以看出，遗传算法和小生境遗传算法对神经网络的权值的模型进行股票价格的预测，都能预测出股票走向趋势，但是，后者的预测精度显然要比前者高。
四、结束语
股票市场的不确定因素太多，股票的价格更是多种因素影响的集合体，是典型的非线性动力学问题。股票价格的中长期准确预测很难。本文建立了用小生境遗传算来优化神经网络模型来预测股票价格，结果表明，这种方法比单用遗传算法优化的神经网络收敛速度快，预测精度高。对于股票价格预测具有较好的应用价值。
参考文献:
[1]龙建成李小平:基于神经网络的股票市场趋势预测[j].西安电子科技大学学报(自然科学版.2005.3（32）:460-463
[2]王波张凤玲:神经网络与时间序列模型在股票预测中的比较[j].第27卷第6期武汉理工大学学报·信息与管理工程版.2005.9（27）:69-72
神经网络的权值范文6
关键词：短期负荷预测；神经网络；遗传算法
作者简介：黄国栋（1976-），男，广东阳江人，广东电网湛江供电局，工程师。（广东 湛江 524005）
中图分类号：TM714 文献标识码：A 文章编号：1007-0079（2014）06-0261-02
电力短期负荷预测是对未来一周以内（通常为一周或一天）的负荷进行预测。短期负荷预测在电网运行实时控制和发电规划中具有重要地位，短期负荷的预测结果是调度中心制定发电计划、电力系统运行安全评估、电力企业日常经营管理的重要依据。[1]在当前电力系统市场化形势下，提高负荷预测精度对于电力系统的经济运行、合理制定机组检修计划和进行电力需求管理等具有重要意义。
一、电力系统负荷变化的特点及预测方法
电力系统负荷变化受到很多因素的影响。一方面，负荷变化存在由未知不确定因素引起的随机波动；另一方面，具有周期变化的规律性，这也使得负荷曲线具有相似性；同时，由于受天气、节假日等特殊情况的影响，负荷变化又会体现出差异性。[2]整体上讲，负荷曲线是与很多因素相关而且难以用数学公式表达的非线性函数。
相对于早期的统计技术法和专家系统法，神经网络的优点在于它不依靠专家经验，只利用观察到的数据，可以在训练过程中通过学习来逼近任意的非线性输入/输出关系，因此，将神经网络方法应用于电力负荷预测有着明显的优势。但是，神经网络存在两个主要问题：收敛速度慢和容易陷入局部极小点。因此，本文采用遗传算法优化人工神经网络，建立电力短期负荷预测模型，并将结合广东省某城市的电力负荷的实际情况对预测方法进行探讨和研究。
二、人工神经网络模型
BP（Back Propagation）神经网络是一种按误差逆传播算法训练的多层前馈网络，神经网络模型中的所有神经元按照功能一般分成三层（输入层、隐含层和输出层），各层顺次连接。[3]其三层模型拓扑结构如图1所示。
BP算法的学习过程分为正向传播过程和反向传播过程两个阶段。
1.正向传播过程
输入信息从输入层经隐含层逐层计算各单元的实际输出值，各神经元的状态只对下一层神经元的状态产生影响。设BP网络的输入层有n1个节点，隐含层有n2个节点，输出层有n3个节点，输入为xi，输入层与隐含层之间的权值为wki，隐含层与输出层之间的权值为wjk；隐含层的阈值为bk，输出层的阈值为bj；隐含层的传递函数为f1（·），输出层的传递函数为f2（·）。则隐含层节点输出zk和输出层节点输出yj分别为：
k=1，2，……n2
（1）
j=1，2，……n3
（2）
2.反相传播过程
若网络实际输出值与期望值之差，即误差超出允许值，则逆向逐层修正连接权值。设BP网络有P个输入样本，采用平方型误差函数，于是得到全局误差为：
（3）
式中：为第p个样本的实际输出，为期望输出。
采用累计误差BP算法依次调整输出层权值wjk和隐含层权值wki误差使全局误差变小，即：
（4）
（5）
式中：η为学习率。
如此往复不断调整权值，直到使网络的误差满足要求。
三、遗传算法
1.遗传算法的基本原理
遗传算法（Genetic Algorithms，简称GA）是一种高度并行、自适应全局优化搜索方法。[4]它借鉴自然界遗传和选择机理，首先初始化一个种群，然后按照某种指标在每一代选取较优个体，利用遗传算子（选择、交叉和变异）对这些个体进行组合，产生新一代个体，重复此过程，直到满足优化准则为止。遗传算法是基于对生物遗传和进化过程的计算机模拟，它能使各种人工系统具有良好的自适应能力和优化能力。目前，遗传算法已经广泛应用于规划设计、组合优化、自适应控制、经济运行、模式识别、人工智能、分子生物学、故障诊断以及计算机技术等领域，并取得了很好的效果。
2.遗传算法的实现过程
（1）将问题的解以编码形式表示出来，并随机生成若干个体，即初始群体。
（2）译码，计算目标函数得出个体适应度值，判断是否满足停止条件。
（3）根据个体适应度值的高低，应用选择、交叉和突变算子进行遗传操作，产生下一代群体。
（4）返回步骤（2），反复执行，直到满足停止条件。最后，搜索到最优个体，即问题的最优解。[5]
3.遗传算法优化BP网络权值、阈值
由于遗传算法是以最大值作为优化目标，为适应神经网络算法的要求，将适应度函数取反，即变为以最小值为优化目标。遗传算法优化BP神经网络算法的步骤：
（1）构建BP网络，确定遗传算法个体长度。
（2）生成初始种群，确定种群规模。对遗传算法个体进行编码，编码由神经网络的输入层与隐含层的连接权值、隐含层阈值、隐含层与输出层的连接权值和输出层阈值四部分组成。
（3）根据个体得到BP网络的权值和阈值，应用训练数据训练，得到网络的输出。计算实际输出与期望输出的误差，并依据此误差计算个体适应度值。
（4）根据个体的适应度进行选优操作，选择若干适应度强的个体直接进入下一代，适应度差的个体被淘汰。
（5）进行交叉、变异操作，生成下一代群体，然后返回步骤（3），直到得到最优解。
四、实例分析
本试验分别采用单一神经网络预测法、遗传算法和神经网络的组合预测法，分别对广东省某城市某一日的时负荷进行预测与分析。以该市2010年6月2日～21日和2010年6月3日～22日（只选取工作日）的整点负荷训练样本集，根据6月23日各整点的时负荷数据和24日各整点的温度与天气，预测6月24日的时负荷。
1.数据预处理
根据神经网络的建模原理，训练样本的准确性对于模型的预测准确性至关重要。由于系统故障、线路停电检修、通信错误等原因，历史负荷数据中经常存在一些不良数据。这些不良数据具有很强的随机性，会对网络的预测精度和预测速度产生严重影响。因此，在建立电力短期负荷预测模型前，先对训练用的数据样本进行预处理。应用格拉布斯准则判别是否有不良数据，如果有要直接消除并以相应的插值代替，从而提高数据的准确度和可信度。经计算，本实例的样本数据正常，符合实际情况。
数据归一化方法是神经网络预测前对数据常做的一种处理方法。数据归一化处理把所有的数据都转化为[0，1]之间的数，其目的是取消数据间数量级差别，避免因为输入/输出数据数量级差别较大而造成网络预测误差较大。最后需要进行反归一化，得到最终预测结果。[6]数据归一化的方法主要有最大最小值法和平均数方差法。本文采用最大最小值法。
2.确定BP神经网络结构
考虑到该城市位于中国南端，纬度较低，影响电力负荷最主要的因素是温度等天气情况。采集预测日前一天每小时的负荷数据和预测日当天各小时的温度值（取平均值）、气象类型（晴、阴、雨）作为预测条件。由此确定BP神经网络模型的输入节点数为3；输出节点数为1；隐含层节点数取8。为方便计算，将气象类型数字化、归一化处理，温度值和负荷数据归一化处理。本文采用分散式建模方法，即为一天的24小时各建立一个模型，共建立24个。分散式建模方法相对于集中建模方法（24小时用一个模型），虽然模型多，但是预测准确度高。每个整点的时负荷采用相应的BP神经网络模型进行预测。建模工具选用matlab7.0。[7]
3.遗传算法优化神经网络
以整点负荷、温度数据和气象数据作为网络的训练样本集，应用遗传算法对基于单一神经网络建立的各个模型（每小时各建一个模型，共24个）进行优化，得到每个模型近似最优权值和阈值。应用优化的权值和阈值对BP神经网络进行训练，并保存训练好的网络。最后，应用训练好的网络对各整点时负荷进行预测。
表1 2010年6月24日负荷预测值与误差
时间 实际值 BP神经网络
方法预测 误差/% 遗传算法神经网络方法预测 误差/%
0：00 404.743 412.375 1.886 397.470 -1.797
1：00 382.280 376.397 -1.539 382.009 -0.071
2：00 359.937 369.208 2.576 352.735 -2.001
3：00 355.508 352.308 -0.900 357.115 0.452
4：00 347.836 341.504 -1.820 346.528 -0.376
5：00 347.545 342.354 -1.494 346.586 -0.276
6：00 354.184 356.650 0.696 360.655 1.827
7：00 364.504 363.920 -0.160 360.123 -1.202
8：00 395.881 392.358 -0.890 390.042 -1.475
9：00 462.394 471.572 1.985 464.239 0.399
10：00 500.344 502.904 0.512 494.610 -1.146
11：00 514.415 515.950 0.298 513.479 -0.182
12：00 477.935 489.898 2.503 485.792 1.644
13：00 479.680 473.516 -1.285 472.638 -1.468
14：00 470.148 477.403 1.543 462.066 -1.719
15：00 482.950 490.302 1.522 474.556 -1.738
16：00 487.295 483.800 -0.717 486.028 -0.260
17：00 501.225 503.265 0.407 505.465 0.846
18：00 470.361 462.391 -1.694 466.165 -0.892
19：00 455.995 443.791 -2.676 463.788 1.709
20：00 493.266 494.178 0.185 494.682 0.287
21：00 489.909 498.115 1.675 486.195 -0.758
22：00 474.146 486.493 2.604 480.348 1.308
23：00 446.201 436.293 -2.221 441.855 -0.974
单一神经网络方法和遗传算法优化神经网络方法得出的预测结果见表1和图3。从图3中3条曲线对比可以看出，应用遗传算法优化神经网络预测模型得到的预测结果比单一神经网络的更接近实际负荷曲线。单一神经网络预测的负荷最大误差为-2.676%，平均误差1.408%，而用基于遗传算法优化神经网络预测的负荷最大误差为-2.001%，平均误差为1.034%，精度显然大于单一神经网络。
五、结论
本文利用遗传算法优化了BP神经网络结构，并且应用此模型对实际电力短期负荷进行了预测试验分析。实证证明，遗传算法的全局优化搜索能力有效弥补了BP神经网络容易陷入局部极小值的缺陷，在此基础上建立的预测模型的可靠性、准确性都有所增强，证明了基于遗传算法优化的神经网络的短期负荷预测方法是可行的。
参考文献：
[1]牛东晓，曹树华，赵磊，等.电力负荷预测技术及其应用[M].北京：中国电力出版社，2002.
[2]陈金赛，张新波.基于改进BP人工神经网络的电力负荷预测[J].杭州电子科技大学学报，2011，34（4）：173-176.
[3]田景文，高美娟.人工神经网络算法研究及应用[M].北京：北京理工大学出版社，2006.
[4]王小平，曹立明.遗传算法[M].西安：西安交通大学出版社，
2002.
[5]李玲纯，田丽.基于遗传算法和BP神经网络的短期电力负荷预测[J].安徽工程科技学院学报，2009，24（3）：57-60.
