前言：中文期刊网精心挑选了人工神经网络的算法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。
人工神经网络的算法范文1
关键词：人工神经网络；自动化；采煤技术；综放工作面
随着我国国民经济总量的增大，煤炭能源的消耗也是越来与而大，同时也对煤矿的开采提出了更高的要求。近年来，国家对煤矿安全越来越重视，管理也更加严格，很多不合安全规范的小型煤矿被关停。想在现有环境下提高采煤量，就必须加大科技方面的投入，采用最先进的自动化设备技术，宗放自动化采煤是当前世界上最为先进的采煤技术，是提高采煤生产效率的关键技术之一。人工神经系统可以较好的辅助综放工作面的工作，可对综放工作面进行控制生产，对提高采煤效率有着极为重要的意义。
一、人工神经网络的简单介绍
人工神经网络是一种非线性、交叉的科学，它通过计算机系统对生物神经信息进行模拟来解决实际工作中的问题，属于非线性、交叉的科学。经过近些年的发展，人工神经网落技术在自然科学、社会科学等各个领域的应用已经得到广泛应用。人工神经网络的广泛应用自然也推动了人工神经网路的研究，现在出现的具有不同功能作用的网络结构和算法系统，就是近年来研究的成果，人工神经网络的理论系统也日趋成熟，适用范围也越来越广。
通过模拟人体神经系统信号传输原理，人工神经网络的各个节点也与人体内的神经元相似，能够通过连接权值进行非常紧密的联系。在实际应用中，如果神经元的输出大大超过了网络内部神经元阀值的时候，这个人工神经网络就会输出信号，这个信号也就是成为了下个神经元输入的信号。人工神经网络是模拟人的神经系统创建的，自然与人的神经系统很相似，要通过不断的应用、训练才可以保持较为良好的状态，在实际操作中，人工神经网络的性能是由各个节点的激活函数、网络的拓扑结构以及网络的训练方法决定的。较为常用的BP算法就是通过对网络连接权值的不断调整来达到训练人工神经网络的目的。
二、人工神经网络的相关建模方法
就现有研究来看，人工神经网络的建模方法主要包括模糊建模和混合建模，这些具体而有效的建模方法给采煤综放工作面生产过程自动化提供了较为科学的理论指导，是提高采煤效率和降低采煤工人劳动强度的有效举措之一，以下是对人工神经网络建模的具体介绍。
（一）人工神经网络的模糊建模方法
在煤矿的实际工作中，传统的数学建模方法有其局限性，不能适应较为复杂的问题，严重影响了煤矿的生产效率。模糊理论正是在这种大背景下出现的，它通过有效的实验方法，将实验数据总结汇总，将实验汇总的数据作为模糊规则，然后依据相关模糊理论进行实际的人工神经网络建模。这种建模方法的优势是能够较为快速的预测出新输入数据接下来会输出的结果。煤矿在应用模糊建模方法后，对于生产过程的预算也就更为准确，便于企业做出相关决策。整个模糊建模方法主要由三个部分组成，既模糊化、推理机制、解模糊，这是模糊建模的一个有机整体，是这种建模方式的核心价值所在。
（二）人工神经网络的混合建模方法
除了模糊建模方法之外，人工神经网络还有一种混合建模方法，这种建模方法是依托智能算法的进步而出现的，现已广泛应用于煤矿生产。近年来，为了适应人工神经网络的发展，包括粒子群算法和遗传算法在内的智能算法取得了较大的发展，这种建模方可以对实际工作中比较复杂的参数进行优化处理，进而提高生产效率。
1.粒子群算法建模
粒子群建模简单来说就是利用较为成熟的计算机语言的算法对相关生物的群体行为进行模仿，然后进行建模，在具体操作中，粒子群算法建模要避免碰撞而飞离最近的个体、飞向目标、飞向群体中心，这也被称为粒子群建模方法的三大原则。
2.遗传算法
遗传算法就是将计算机技术和进化论联合运用于人工神经网络建模。在实际工作中，遗传算法应用了当前最为先进的编码技术和遗传操来做铺垫。在Holland体系中，GA就是一种较为简单的遗传算法，各种不同形式的二进制串就是其具体的操作对象。但在煤矿工作中，如果是要通过参数来进行问题分析，遗传算法的研究对象就可以是一个参数组，在这个参数组中，遗传算法具体是通过这个参数组的适应度来表现其好坏情况。通常情况下，遗传算法在具体操作中就是通过对基础的参数群进行有效分析，其选择个体是依据这个个体的适应值比例，然后通过交叉和变异进的方法诞生下一个组种群，这个过程可以持续下去，直到满足生产需求的参数值出现为止。遗传算法也是一种优选的方法，它将遗传算法的优点和人工神经网络的特点进行了有机结合，通过遗传算法可以进行前期模块的优选，建立一个合乎现实情况的非线性模型，然后进行与模糊建模方法相类似的实验数据收集，分析最为有效的网络结构，在满足预测的情况下实现了参数的优选。
三、人工神经网络应用在采煤技术上效果
通过上文介绍，在采煤中利用人工神经网络是为综放工作面生产过程实现自动化提供相对应的理论依据，减轻采煤的劳动强度并提高采煤效率是其目的所在；人工神经网落还能够对采煤工作中的相关生产设备的性能做有效的检查，能够在最快的时间内发现机械故障，及时的排除机械故障，极大的降低了煤矿安全事故的发生率；人工神经网络还能够将采煤生产设备工作面的具体信息，快速的反馈到地面，然后通过先进的计算机技术对数据进行相关处理，实现信息资源共享，采煤过程中对人工的依赖也会降低，为日后的无人操作打下了坚实的基础。
将现代化的人工神经网络应用于采煤，可以实现对综放工作面自动化的有效控制，它将整个采煤的综放工作面看做是个有机的整体，在条件允许的情况下进行仿真模拟，通常情况下都是应用MATLAB软件来及进行仿真模拟，可以系统化的管理整个采煤过程，排除采煤过程中的相关机械故障，在提高采煤效率的同时实现了安全生产，人工神经网络值得在采煤技术中大力推广、应用。
四、结束语
可以将综放工作面看做是整个采煤系统实现自动化，这也是日后采煤自动化发展的一个重要方向，这种思维模式有效避免了在没有考虑综放工作面控制功能而进行自动化的情况。多年的实践表明，神经网络技术应用于煤矿开采中可以有效分析、诊断采煤工作中的一些问题，为日后采煤规划提供了强而有力的依据，其在采煤领域的应用空间还非常宽阔，值得进一步研究、拓展。
参考文献：
[1]郑胜友.人工神经网络在采煤技术上的应用[J].科技风，2012（10）.
[2]董丽丽，乔育锋，郭晓山.遗传算法和人工神经网络在煤矿突水预测中的应用研究[A]. 智能信息技术应用学会.Proceedings of 2010 International Conference on Management Science and Engineering （MSE 2010） （Volume 3）[C].智能信息技术应用学会：，2010（5）.
[3]彭学前.采煤机故障诊断与故障预测研究[D].南京理工大学，2013.
人工神经网络的算法范文2
论文关键词：人工神经网络(ANN)，船舶与海洋工程，海洋预报与预测，海洋资源评估，海洋环境监测
人工神经网络是对人类大脑特性的一种描述。它是一个数学模型，可以用电子线路实现，也可以用计算机程序来模拟。是人工智能研究的一种方法。主要功能有：联想记忆、分类识别、优化计算、非线性映射。由于其具有好的容错性、并行处理信息、自学习性及非线性映射逼近能力等特点,因此被广泛的应用于各个领域。
ANN在海洋领域的应用起步较晚。20世纪90年代以来，国内外掀起了应用ANN研究海洋问题的热潮。相比传统方法，由于ANN提高了预测的准确性，减少了对数据的要求并且便于应用，到目前为止，ANN模型的应用已经遍布海洋工程（包括港口、沿海、近海和深海工程）海洋环境监测，海洋预报与预测，海洋资源与环境等各方面，并且应用前景不断扩大。本文通过梳理相关文献，分析和总结了ANN在海洋领域的研究进展和主要成果，以期为相关研究提供参考。
1 船舶与海洋工程
钢材腐蚀问题是海洋工程的重大课题。国内许多学者通过建立ANN模型考察海水环境相关参数与钢材腐蚀速度的相关性。刘学庆等根据四层BP神经网络分析了3C钢腐蚀速度与海水环境参数的相关性,建立了3C钢在海洋环境中腐蚀速度的人工神经网络模型，证明该方法在监测与评价区域海洋环境腐蚀性方面具有实际应用价值[1]。邓春龙等研究建立了海洋环境材料腐蚀与防护数据库，收集和整理了大量的材料腐蚀数据。并在此基础上建立了误差反传（BP）人工神经网络预测模型和灰色GM（1,1）腐蚀预测模型。从而形成一套较完整的数据采集、处理和分析网络系统[2]。王佳等采用电化学、人工神经网络和数据库方法研究了5种海洋工程钢材在深海环境中非现场腐蚀行为评价技术。结果表明,结合采用多种非现场方法可以可靠评价深海环境钢材的腐蚀行为[3]。刘艳侠等同样利用三层BP神经网络,根据已有的3C钢在不同海水环境参数下的腐蚀速度数据,建立了3C钢在海洋环境中腐蚀速度的人工神经网络模型;并分析预测了海水环境参数与腐蚀速度之间的关系 [4]。
ANN在海洋工程中的应用主要是海洋平台的抗击性和稳定性的模拟。许亮斌等针对海洋平台桩基模拟中存在的问题，将神经网络应用于桩基分析 [5]。淙在引进遗传算法的基础上构造了工程结构优化的神经网络模型,计算结果表明这一方法具有很好的稳定性和全局收敛性[6]。周亚军等将经典最优控制算法与人工神经网络相结合，采用BP神经网络模型，实现了受随机波浪力作用下的海洋平台的振动主动控制[7]。由于神经网络的优越性能，克服了传统算法本身的时滞问题，为海洋平台的振动控制提供了一条新的思路。
以上学者都对神经网络进行了一定程度的改进和完善，达到了良好的模拟和预测效果，推进了海洋工程中ANN理论的发展。除此以外，针对波浪数据的完备性对于海岸海洋工程设计的关键作用, 人工神经网络作为一个具有高度非线性映射能力的计算模型，在工程中具有广泛的应用前景。在数值预测方面，它不需要预选确定样本的数学模型海洋环境监测，仅通过学习样本数据即可以进行预测论文格式范文。
2 海洋预报与预测
赤潮作为海洋灾害的一种，对海洋经济造成巨大影响。蔡如钰利用人工神经网络BP算法,建立了赤潮预报模型 。杨建强通过比较发现人工神经网络方法在模拟和预测方面优于传统的统计回归模型,具有较强的模拟预测能力及实用性 。在此基础上，为克服BP网络训练易陷入局部最优的缺点，王晶采用遗传算法改进网络训练方法，建立赤潮生物密度与环境因子的人工神经网络的预报模型，保证网络达到全局最优。此外，还有部分学者将改进的人工神经网络模型用于赤潮预报，经过实证研究，取得良好的预测效果。
潮汐预报对人类活动和降低海洋环境建筑成本是非常重要的。为了解决潮位预测中存在的时滞问题,提高预测精度，不少学者进行了初步探索，并且普遍认为BP模型应用于潮汐预报具有较高的预测精度和良好的泛化能力,它为海洋潮汐预报工作提供了一种全新的思路和方法。张韧利用人工神经网络BP模型及其优化算法，建立起了赤道太平洋纬向风和滞后的东太平洋海温之间的映射关系和预报模型，结果表明，这种方法可有效用于辩识和反演复杂的大气、海洋动力系统及其预报模型.冯利华针对海洋预报问题，初步建立了基于神经网络的预报分析系统，给出了应用实例。以我国东南沿海地区一次登陆台风所造成的最大24小时暴雨量为例来说明ANN在海洋预报中的应用问题。罗忠辉采用人工神经网络智能方法，建立了多参数声速预报神经网络模型海洋环境监测，克服了回归拟合方法在获得海底沉积物声速预报中存在的不足，为海底沉积物的声速预报提供了一条新途径。
3 海洋资源评估
张富元等利用东太平洋CC区多波束海底地形测量、结核覆盖率深拖系统探测、结核丰度地质采样和地球物理地震勘探资料,运用板块构造和沉积动力学理论,并与丰度趋势面和神经网络分析结果对比,对东太平洋CC区构造与多金属结核资源效应关系进行了探讨。李少波等讨论了如何利用神经网络预测天然气水合物的合成和分解。利用了声速、幅度、频率来反映天然气水合物的合成，建立了一个3层前向型网络,通过实验,人工神经网络的引用取得了良好的效果。近年来人工神经网络还越来越多地被用来预测水资源。在水资源应用中,前馈神经网络建模技术是使用最广泛的类型。
4 海洋环境监测
非法排放油污和海上漏油事件对海洋生态系统造成的严重危害，人工神经网络可以有效的用于海水石油污染诊断。李伟认为海中悬移质是决定海洋光学性质、海洋水质,河口海岸带演变动力过程的重要环境参数。利用模拟遥感反射比数据集建立人工神经网络反演悬移质浓度,并利用东中国海现场同步数据对该算法进行验证，神经网络技术对于反演大洋水和沿岸海域中的组分浓度有一个很好的前景。刘辉等采用BP神经网络和广义回归神经网络2种方法进行训练,建立了南海南部海区的上混合层深度人工神经网络计算模型 。结果显示,人工神经网络方法精度较高,是一种切实可行的上混合层深度估算方法。
5 结语
人工神经网络在海洋领域的应用遍布海洋工程、海洋科学技术、海洋环境资源等各个方面。国内外学者根据研究的需要设立了不同的ANN模型，随着时间的发展，这些模型的预测和分析能力逐步完善。大量实证结果表明，很多ANN模型都取得了良好的模拟和预测效果。大部分的人工神经网络模型对传统的统计回归计算、时间序列分析、模型匹配和数值方法等产生了替代或补充作用。在某些情况下，神经网络的应用减少了对数据的要求。在未来，随着现有模型的不断完善和ANN模型缺陷的不断纠正，先进和混合神经网络结构很可能会在海洋领域更多方面得到广泛应用。
参考文献
[1]刘学庆,唐晓,王佳.3C钢腐蚀速度与海水环境参数关系的人工神经网络分析[J].中国腐蚀与防护学报, 2005,(1):11-14.
[2]邓春龙,孙明先,李文军等.海洋环境中材料腐蚀数据采集处理网络系统的研究[J].装备环境工程,2006,(3):58-62.
[3]王佳,孟洁,唐晓等.深海环境钢材腐蚀行为评价技术[J].中国腐蚀与防护学报. 2007,(1):1-7.
[4]刘艳侠,高新琛,张国英等.BP神经网络对3C钢腐蚀性能的预测分析[J].材料科学与工程学报,2008,(1):94-97.
[5]许亮斌,陈国明.神经网络在平台桩基分析中的应用[J].中国海上油气(工程),2001,(1):7-10.
[6]淙.海洋工程结构优化的遗传Hopfield神经网络算法研究[J].中国海洋平台,2001,(5-6):58-61.
[7]周亚军,赵德有,马骏.基于人工神经网络的海洋平台振动主动控制[J].船舶力学, 2003,(5):65-69.
人工神经网络的算法范文3
关键词：物联网；LS-SVM；数据模型
中图分类号：TP393
文献标识码：A
文章编号：1009-3044（2017）10-0145-02
1.引言
前神经网络（feedforwardneuralnetwork），简称前馈网络，是人工神经网络的一种。
2.概念相关概述
2.1前馈人工神经网络现实基础模型
首先，生物神经元模型。人的大脑中有众多神经元，而神经元之间需要神经突触连接，进而构成了复杂有序的神经网络。而神经元主要由树突、轴突和细胞体组成。一个神经元有一个细胞体和轴突，但是却有很多树突。树突是神经元的输入端，用于接受信息，并向细胞体财团对信息。而细胞体是神经元的信息处理中心，能够对信号进行处理。轴突相当于信息输出端口，负责向下一个神经元传递信息；其次，人工神经元。人工神经元的信息处理能力十分有限，但是，由众多人工神经元构成的神经网络系统庞大，具有巨大的潜力，能够解决复杂问题。人工神经网络与生物神经网络具有相似之处，人工神经网络能够从环境中获取知识，并存储信息。前馈人工神经网络主要包括隐含层、输入层和输出层。在前馈人工神经网络中，神经元将信号进行非线性转换之后，将信号传递给下一层，信息传播是单向的。并且，前馈人工神经网络是人们应用最多的网络模型，常见的有BP神经网络、单层感知器、RBF神经网络等模型。
2.2 LS-SVM相关概述
支撑向量机是一种基于统计学习理论的机器学习方法，能够根据样本信息进行非现象映射，解回归问题的高度非现象问题。并且，支撑向量机在解决非线性、局部极小点方问题上有很大的优势。LS-SVM也叫最小二乘支撑向量机，是支撑向量机的一种，遵循支撑向量机算法的结构风险最小化的原则，能够将支撑向量机算法中的不等式约束改为等式约束，进而将二次问题转换为线性方程问题，大大降低了计算的复杂性。并且，LS-SVM在运算速度上远远高于支持向量机。但是，LS-SVM也存在一定的缺点，在计算的过程中，LS-SVM的忽视了全局最优，只能实现局部最优。并且，LS-SVM在处理噪声污染严重的样本时，会将所有的干扰信息都拟合到模型系统中，导致模型的鲁棒性降低。另外，LS-SVM的在线建模算法、特征提取方法以及LS-SVM的支持向量稀疏性都有待改进。
2.3物联网下人工神经网络前馈LS-SVM研究的意义
物联网是互联网技术的发展趋势，为前馈人工神经网络的发展与LS-SVM研究提供了技术保障，在物联网背景下，研究人工神经网络前馈LS-SVM不仅能够创新人工神经网络的计算方法，完善人工神经网络在现实生活中的应用，而且对人们生活的自动化和智能化发展有着重要意义。另外，物联网为人们对LS-SVM的研究提供了条件，在物联网环境下，人们能够运用信息技术深化最小二乘支撑向量机研究，不断提高LS-SVM回归模型的鲁棒性，改进LS-SVM的特征提取方法和在线建模算法，完善计算机学习方法，提升计算机的运算速度。3基于LS―SVM的丢包数据模型
在选择的参数的基础上，运用IS-SVM方法，建立评估模型。本文选用LS-SVM回归方法的原因，SVM优于神经网络的方法主要是以下几点：
首先，了解数据挖掘，数据挖掘前景广阔，SVM是数据挖掘中的新方法。其次，选择合适的数据分析方法根据数据集的大小和特征。小样本训练适合SVM，样本大情况的训练适宜神经网络，这里用SVM。
然后，就是文献使用SVM和PCA建立跨层的评估QOE，实验结果表明主观MOS评分和此评价结果具有很好的一致性。
最后，本文采用SVM基础上的进一步拔高，LS-SVM，比SVM运行快，精确度高。srcl3_hrcl_525.yuv实验素材的特征是具有高清性质。525序列60HZ，帧大小为1440x486字节/帧，625序列50HZ，大小同上。YUV格式是422格式即4：2：2格式的。
时域复杂度的模型如下，视频的时域复杂度σ；编码量化参数是Q；编码速率为R；待定模型的参数为a和b。σ=Q（aR+b）。通过大量的实验和理论分析，得到模型的参数：a=l 260，b=0.003。其中，编码速率和帧率可以看作是视频的固有属性。高清视频编码速率R是512kb/s，最大帧速率为30000/1001=29.97幅，秒。量化参数是根据实验的具体情况确定的。计算σ的值如下所示：当量化参数为31时，σ=19998720.1，当量化参数为10时，σ=6451200.03，当量化参数为5时，σ=3225600.02，当量化参数为62时，σ=39997440.2，当量化参数为100时，σ=64512000.3，当量化参数为200时，σ=129024001，当量化参数为255时，σ=164505601。
对于srcl3网络环境建立考虑网络丢包的视频质量无参评估模型使用LS-SVM方法。
（1）输入x的值。XI是量化参数，X2封包遗失率，X3单工链路速度，X4双工链路速度，X5视频的时域复杂度。等权的参数。
LS-SVM要求调用的参数只有两个gam和sig2并且他们是LS-SVM的参数，其中决定适应误差的最小化和平滑程度的正则化参数是gam，RBF函数的参数是sig2。Type有两种类型，一种是elassfieation用于分类的，一种是function estimation用于函数回归的。
4.机器学习和物联网的结合
物联网中也用到人工智能，人工智能中有机器学习，机器学习中有神经网络。机器学习是人工智能研究的核心问题之一，也是当前人工智能研究的一个热门方向。
人工神经网络的算法范文4
人工神经网络（Aartificial Neural Network，下简称ANN）是模拟生物神经元的结构而提出的一种信息处理方法。早在1943年，已由心理学家Warren S.Mcculloch和数学家Walth H.Pitts提出神经元数学模型，后被冷落了一段时间，80年代又迅猛兴起［1］。ANN之所以受到人们的普遍关注，是由于它具有本质的非线形特征、并行处理能力、强鲁棒性以及自组织自学习的能力。其中研究得最为成熟的是误差的反传模型算法（BP算法，Back Propagation），它的网络结构及算法直观、简单，在工业领域中应用较多。
经训练的ANN适用于利用分析振动数据对机器进行监控和故障检测，预测某些部件的疲劳寿命［2］。非线形神经网络补偿和鲁棒控制综合方法的应用（其鲁棒控制利用了变结构控制或滑动模控制），在实时工业控制执行程序中较为有效［3］。人工神经网络（ANN）和模糊逻辑（Fuzzy Logic）的综合，实现了电动机故障检测的启发式推理。对非线形问题，可通过ANN的BP算法学习正常运行例子调整内部权值来准确求解［4］。
因此，对于电力系统这个存在着大量非线性的复杂大系统来讲，ANN理论在电力系统中的应用具有很大的潜力，目前已涉及到如暂态，动稳分析，负荷预报，机组最优组合，警报处理与故障诊断，配电网线损计算，发电规划，经济运行及电力系统控制等方面［5］。
本文介绍了一种基于人工神经网络（ANN）理论的保护原理。
1、人工神经网络理论概述
BP算法是一种监控学习技巧，它通过比较输出单元的真实输出和希望值之间的差别，调整网络路径的权值，以使下一次在相同的输入下，网络的输出接近于希望值。
在神经网络投运前，就应用大量的数据，包括正常运行的、不正常运行的，作为其训练内容，以一定的输入和期望的输出通过BP算法去不断修改网络的权值。在投运后，还可根据现场的特定情况进行现场学习，以扩充ANN内存知识量。从算法原理看，并行处理能力和非线性功能是BP算法的一大优点。
2、神经网络型继电保护
神经网络理论的保护装置，可判别更复杂的模式，其因果关系是更复杂的、非线性的、模糊的、动态的和非平稳随机的。它是神经网络（ANN）与专家系统（ES）融为一体的神经网络专家系统，其中，ANN是数值的、联想的、自组织的、仿生的方式，ES是认知的和启发式的。
文献［1］认为全波数据窗建立的神经网络在准确性方面优于利用半波数据窗建立的神经网络，因此保护应选用全波数据窗。
ANN保护装置出厂后，还可以在投运单位如网调、省调实验室内进行学习，学习内容针对该省的保护的特别要求进行（如反措）。到现场，还可根据该站的干扰情况进行反误动、反拒动学习，特别是一些常出现波形间断的变电站内的高频保护。
3、结论
本文基于现代控制技术提出了人工神经网络理论的保护构想。神经网络软件的反应速度比纯数字计算软件快几十倍以上，这样，在相同的动作时间下，可以大大提高保护运算次数，以实现在时间上即次数上提高冗余度。
一套完整的ANN保护是需要有很多输入量的，如果对某套保护来说，区内、区外故障时其输入信号几乎相同，则很难以此作为训练样本训练保护，而每套保护都增多输入量，必然会使保护、二次接线复杂化。变电站综合自动化也许是解决该问题的一个较好方法，各套保护通过总线联网，交换信息，充分利用ANN的并行处理功能，每套保护均对其它线路信息进行加工，以此综合得出动作判据。每套保护可把每次录得的数据文件，加上对其动作正确性与否的判断，作为本身的训练内容，因为即使有时人工分析也不能区分哪些数据特征能使保护不正确动作，特别是高频模拟量。
神经网络的硬件芯片现在仍很昂贵，但技术成熟时，应利用硬件实现现在的软件功能。另外，神经网络的并行处理和信息分布存储机制还不十分清楚，如何选择的网络结构还没有充分的理论依据。所有这些都有待于对神经网络基本理论进行深入的研究，以形成完善的理论体系，创造出更适合于实际应用的新型网络及学习算法［5］。
参考文献
1、陈炳华。采用模式识别（智能型）的保护装置的设想。中国电机工程学会第五届全国继电保护学术会议，［会址不详］，1993
2、Robert E.Uhrig.Application of Artificial Neural Networks in Industrial Technology.IEEE Trans，1994，10（3）。（1）：371～377
3、Lee T H，Wang Q C，Tan W K.A Framework for Robust Neural Network-Based Control of Nonlinear Servomechannisms.IEEE Trans，1993，3（2）。（3）：190～197
人工神经网络的算法范文5
关键词：动车组；过分相区；故障识别；继电保护
1 动车组过分相区故障识别中的人工神经网络BP算法概述
1.1 基于人工神经网络的BP算法
动车组过分相区发生运行故障会影响动车组的安全运行状况，为了对动车组过分相区中存在的故障有一个清晰的认识，文章利用智能控制领域内的BP算法对动车组过分相区以及分相区的中性线出现接地故障时其状态进行了全方位的智能识别，利用这种方式能够快速排除动车组运行故障，同时还能够使继电保护装置快速动作，为动车组运行提供保护。
人工神经网络克服了传统人工神经网络方法对语音识别、模式以及分结构化信息处理等方面的局限，该算法具有较强的非线性适应性信息处理能力，基于人工神经网络的功能性，使之在模式识别、人工神经专家系统以及智能控制等多个领域广泛应用。人工神经网络中包含了多种算法，基本上都具有故障识别的作用，但是不同的算法所产生的作用力也是不同的，基于人工神经网络的BP算法较为常用，利用该种诊断技术，在故障识别过程中无需建立精确的数学模型，它能够解决其他常规算法所不能解决的故障诊断，对动车组过分相区故障识别具有重要意义。
1.2 基于人工神经网络BP算法的优势与缺陷分析
人工神经网络BP算法是目前解决动车组故障诊断的创新途径，其在动车组过分相区故障识别中的广泛应用是由其本身的功能性决定的。其优势主要表现在两方面，一方面只要具备足够的隐节点以及隐含层，人工神经网络BP就可以随意的逼近非线性映射关系，具有一定的随意性，另一方面人工神经网络BP属于一种全局逼近的方式，具有较好的泛化能力，BP网络可以实现输入与输出的非线性映射关系，在此过程中其不依赖模型，即使人工神经网络中有个别神经元损坏，虽对输入输出有影响，但影响相对较小，由此可见人工神经网络BP算法具有良好的容错能力。然而人工神经网络BP算法也存在一定的局限性，其在应用中收敛速度较为缓慢，隐含层与隐节点的实际数目难以准确定位。
2 人工神经网络BP算法下的动车组过分相区故障识别仿真分析
人工神经网络BP算法在动车组过分相区故障识别中的应用大致可以分为四个步骤，第一，利用该种算法对动车组过分相区进行故障识别与诊断，获取动车组过分相区与未过分相区中各种状态下的仿真数据，为故障诊断与故障识别提供有效依据。第二，对动车组过分相区与未过分相区故障识别仿真实验中的各个参数值进行有效提取，并根据这些参数值对动车组过分相区中存在的故障问题进行全面分析。第三，以输入的数据特点以及系统所需数据输出要求为依据，从而确定输入与输出层的节点数以及隐含层的节点数。第四，将需要处理的矢量参数以及信息数据输入到网络系统中，而后进行一系列训练，训练成功之后再将预先设定的训练结果以及信号进行比较验证。在动车组过分相区故障识别仿真实验中若隐含层节点数过多，会导致识别时间过长，不能在短时间内对动车组运行故障进行判断，会影响动车组的整体运行状况，而隐含层节点数太少则容错性较差，识别样本能力也相对较低，因此在仿真实验中要综合考虑各种因素的影响，在仿真实验中要想得到准确的结果，需要对系统中的各个变量进行反复训练，同时还要对其进行收敛，在利用人工神经网络BP算法计算时若实际计算中能够得到和与其相近的值，那么就表明动车组过分相区的运行状态被识别。
在仿真实验中将正馈线电压、接触线电压、暂态过程一的暂态过电压、暂态过程一的暂态过电压、暂态过程三的暂态过电灰、暂态过程四的暂态过电压，将这六个变量输入到系统中，将线路所呈现的六种状态作为输出，在利用人工神经网络BP算法进行方针数据处理以及状态识别时，诸多BP神经网络实验模型基本上都是以S形函数作为实验中的转换函数，将函数的值域定义为[0，1]，那么在训练过程中就要将原始数据合理规范到[0，1]区间内，而后再统一利用标准归一化方式来实现。将六种线路的状态相关数据进行归一化处理，即将状态数据处理在0～1以内。在仿真实验中要利用人工神经网络BP算法对动车组过分相区进行智能化故障识别，并保证故障识别的准确性，就要对归一化数据进行大量并反复训练，通过大量及反复训练得到的误差曲线结果是快速的，收敛的，能够为动车组过分相区故障识别利用精确数据。
3 动车组过分相区继电保护研究
动车组过分相区中的继电保护可以分为三种保护模式，分别是线路保护、分相区保护以及合闸过电压保护，这三种保护方式对动车组过分相区的安全与稳定运行都有一定的保护作用，但是三者的保护方式有所区别，以下是对这三种保护模式的具体分析：
3.1 线路保护
线路保护为了改善功率因数，机车上还设置有三次与五次谐波的滤波电路，为使谐波含量系数能够准确反映高次谐振状况，通过高次谐振状况可以对线路保护中的电阻继电器动作进行判定，电阻继电器动作方程式为：
XZD，RZD分别是指电阻与电抗整定值。线路保护在对动车组过分相区实施保护动作时，为了避免动车组过分相区出现保护误动的状况，那么需要利用二次谐波进行闭锁操作。线路保护动作应根据动车组过分相区实际情况来选择，高次谐波抑制式电流增量保护也是线路保护中的一种，对动车组相区也有一定的保护作用。
3.2 分相区保护
分相区保护设置与线路保护设置相比相对较为复杂，在动车组运行过程中利用分相区保护方式可以在动车组分相区中性线位置设置RC保护与RL保护，其中RL保护能够被开关控制，利用这两种保护方式基本上可以解决动车组特定机型的暂态过电压问题，然而目前很多型号的动车组机车在牵引网中运行，RL与RC保护方式具有一定局限性，在这种运行条件下常出现的问题是过电压与过电流问题，针对这两种问题可以采取电压增量保护与电流速断保护的方式。
3.3 合闸过电压保护
动车组过分相区发生故障之后，需要在分区亭处先进行合闸操作，而后再牵引变电所进行再合闸操作，故障时合闸的主要目的是为了检验动车组故障属于暂态性故障还是永久性故障。动车组中的短路故障属于暂态故障，而短线故障则属于永久性故障，暂态故障发生后所产生的暂态过电压会在60ms之后稳定在正馈线与界线中，而永久性故障则会稳定在一个新电压状态下，为动车组过分相区运行提供一个良好的状态。
4 结束语
综上所述，动车组过分相区运行环境具有一定的复杂性，在运行中常发生一系列的故障，这些故障或多或少都会对动车组的正常运行造成影响，因此对动车组进行故障识别，并采取继电保护尤为必要。基于人工神经网络的BP算法是现今动车组过分相区故障识别中的一种新方法，可以在不建立模型的情况下进行故障诊断识别，快速查出故障原因，并根据实际情况采取相应的保护措施，为动车组过分相区运行提供安全保障。
参考文献
人工神经网络的算法范文6
关键词：人工神经网络 反向传播算法 故障诊断
1 引言
随着经济的发展，空调系统得到了越来越广泛的应用，空调设备已成为重要的生活必备品之一。这就要求空调系统可靠性高且功能齐全，而且在故障诊断维修服务方面达到一定的水平。国内目前的大部分空调系统中无故障诊断系统，当空调系统出现故障后，维保人员往往不能及时、准确地了解系统出现故障的原因及相关信息，空调系统无法得到及时修复，这种情况急需得到改善。
2 关于故障诊断技术
故障诊断FD(fault diagnosis)是一种了解和掌握设备在使用过程中的技术，确定其整体或局部是否正常，早期发现故障及其原因并能预报故障发展趋势的技术。在诊断过程中，必须利用被诊断对象表现出来的各种有用信息，经过适当地处理和分析，做出正确的诊断结论。在制冷暖通空调领域，1987年在彦启森教授的建议下，才开始了故障诊断专家系统在制冷暖通空调领域的研究应用[1]。
3 人工神经网络用于空调系统故障诊断的基本原理
人工神经网络(Artificial Neural Network．简称ANN)正是在人类对其大脑神经网络认识理解的基础上人工构造的能够实现某种功能的神经网络。它是理论化的人脑神经网络的数学模型，是基于模仿大脑神经网络结构和功能而建立的一种信息处理系统。它实际上是由大量简单元件相互连接而成的复杂网络，具有高度的非线性，能够进行复杂的逻辑操作和非线性关系实现的系统。
典型的神经网络结构如图1所示。
在众多的人工神经网络模型中，最常用的是BP(Back Propagation)模型，即利用误差反向传播算法求解的多层前向神经网络模型[2]。BP网络在故障诊断、模式识别、图像识别、管理系统等方面都得到了广泛的应用。本文讨论利用神经网络中的BP模型进行空调系统的故障诊断。
首先需要进行知识的获取。由专家提供关于各种空调系统故障现象(征兆集)及相应的故障原因(故障集)实例作为学习样本。将数据分为两部分，一部分用于训练网络，另一部分用于测试。将训练网络的数据按一定顺序编码，分别赋给网络输入、输出节点，通过神经网络学习算法对样本进行学习，经过网络内部自适应算法不断修正权值，直到达到所要求的学习精度为止。此时在大量神经元之间联结权值上就分布着专家知识和经验。训练完毕后，再将测试网络的数据从初始状态出发，向前推理，将显示出的故障结果与实际的测试数据结果相比较，如果误差很小，说明网络的权值建立正确；如果误差较大，说明网络的权值建立有误，需要重新进行网络的训练。
将训练样本训练完毕后，即可进行空调系统的故障诊断。只要实际输入模式接近于某一个训练时的学习样本的输入模式，则可产生出接近学习样本的输出结果，也就是所谓的自联想功能。同时，由于网络计算上的大量并行性，当机器运行状况改变，出现网络学习未考虑的情况时，系统亦能给出正确分类结果。同时将新数据并入网络，实现系统的自适应。一般来说，学习的故障实例样本越多，诊断结果的准确率越高。
4 BP学习算法
BP算法因其简单、易行、计算量小、并行性强等优点，是目前神经网络训练采用最多也是最成熟的训练算法之一。BP算法的实质是求解误差函数的最小值问题，由于它采用非线性规划中的梯度下降法（Gradient Descent），按误差函数的负梯度方向修正权值 [3]。其主要思路是如果求出训练网络的指标函数误差：
一般的BP算法称为标准误差逆传播算法，也就是对应每一次输入都校正一次权值。这种算法不是全局误差意义上的梯度下降计算。对各个神经元的输出求偏导数，那么就可以算出误差对所有连接权值的偏导数，从而可以利用梯度下降法来修改各个连接权值。真正的全局误差意义上的梯度下降算法是在全部训练模式都学习完后才校正连接权和阈值。其计算流程如图2所示：
5 故障诊断实例 5.1 空调系统故障诊断的BP网络建立
空调系统故障模式及故障机制分析[4]如表1所示
表1 空调系统故障模式及故障机制分析 表示
符号
表示
符号
房间温度均偏高
1.冷冻机产冷量不足
2.喷水堵塞
3.通过空气处理设备的风量过大，热交换不良
4.回风量大于送风量
5.送风量不足（可能空气过滤气堵塞）
6.表冷器结霜，造成堵塞
相对湿度均偏低
7.室外空气未经加湿处理
系统实测风量大于设计风量
8.系统的实际阻力小于设计阻力
9.设计时选用风机容量偏大
房间气流速度超过允许流速
10.送风口速度过大
