前言：中文期刊网精心挑选了神经网络原理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。
神经网络原理范文1
关键词 入侵监测系统；异常监测；神经网络；资料监测；人工异常
中图分类号 TP3 文献标识码 A 文章编号 1674-6708（2016）172-0076-02
随着互联网系统的发展，使得系统随时可能受到来自网络的入侵，因此，如何保护系统与资料安全一直是一个重要的研究课题。近年来，由于资料监测技术的发展，将该技术应用于入侵监测领域，利用事先收集到的资料训练出一个较为一般化的模型，再以该模型针对即时资料进行是否入侵的判断。用来改变现行入侵监测系统使用有限的监测规则来判断入侵迹象，而无法监测未出现过入侵现行的缺点[1，2]。
本文针对档案传输协定（File Transfer Protocol；FTP）服务，利用神经网络建立异常监测的入侵监测系统，其目的在于利用评估资料监测的方式建立入侵监测系统，实现未知入侵行为的监测，解决目前入侵监测研究领域所遇到的问题[3]。
1 入侵监测系统
1.1 入侵监测系统简介
针对入侵监测系统的研究始于1980年，Jim将入侵定义为未经授权而存取、操作、修改或破坏资料，或使电脑系统不稳定，甚至无法使用的行为。而入侵监测系统的目的是监测上面提到的各种行为。大部分的入侵监测系统是根据入侵特征建立的监测规则专家系统，对已知的攻击辨识能力较佳。由于这类入侵监测系统所建立的特征不具一般化，因此很难分辨新的入侵行为。
1.2 入侵监测系统分类
近年来提出了许多不同的监测模式系统，用以应对不同的系统行为，大致可分为模拟正常行为与异常行为两种。入侵监测技术分为滥用监测：使用已知入侵攻击模式判断入侵行为；异常监测：将建立的正常使用模式变异到一定程度时视为不正常的存取行为（甚至是入侵）。
对于滥用监测系统。将具有入侵特征的动作加以编码，然后与收集的检查资料进行比对，以此方式发现入侵。其缺点是入侵特征均需编码后进入系统，面对未知的入侵攻击时，无法监测出来，这样的系统称为滥用监测系统。
入侵监测系统由早期的专家根据入侵特征建立系统监测规则，逐渐发展成以统计方式建立模型，监测使用行为与统计样式差别过大的，即可判断入侵方式。随后进入以资料监测方式为主流的监测系统，以提高检测率及降低误报率的目标。
1.3 入侵监测系统结构
目前的入侵监测系统实际上以资料和数据为主，对该系统整体结构进行以下说明：
1）受监测系统/感测器：入侵监测系统的资料来源，也就是受到监测的电脑主机。
2）审查资料收集：通过感测器收集审查资料。网络封包表头资料、网络封包流量统计、使用者键入命令，使用者登录资料等等，均为审查资料范围。
3）监测处理：通过各种算法，监测收集所得到的资料，找到疑似入侵的行为，由上述观点，监测处理是系统最核心的部分，监测入侵的准确与否，取决于此，处理的方式则有异常与滥用两种。
4）处理中资料：入侵监测系统处理中的资料，如欲比对入侵模型，比对中的审查资料等。
1.4 档案传输协定
本系统运行时，目的是为了对网络入侵的监测，欲监测的入侵以FTP服务为主。选定FTP服务的原因，在于封包资料的可获得性高、FTP命令可供判断入侵行为、且其入侵形态多、容易看出监测效果。
FTP是档案传输协定的缩写，在网络环境下传输档案，亦可将档案通过网络从某系统传输至另一系统。使用此项服务需设定登入服务的账户。这个档案传输协定支持不同操作系统、不同档案结构主机，以ASCII编码传送或接收。FTP使用控制连线和资料连线两个TCP连线来传输文档。除了FTP命令外，该服务的网络封包表头亦为资料来源，这些资料经整理处理后，用以建立入侵监测模型。
1.5 神经网络
神经网络的目标是以计算系统模拟最简单的生物神经网络结构。整个计算系统由多个高度连接的处理单元构成，以此连接网络间的训练学习，并处理外部输入数据。如果将神经网络视为黑盒子，则此盒子由多个节点连接而成，一般可分为3层：输入层、隐藏层及输出层。
训练过程中输入训练参数集，然后根据不同算法调整权重及偏权值，最后让神经网络可以映射输入与输出间的关系模式；模拟过程以测试数据集输入并进行训练后所得的神经网络值为准。
2 系统结构原理
在整个系统主要由以下几个部分组成，包括人工异常资料产生器，特征选取器，模型训练器及模型评估器。人工异常资料产生器主要功能为产生与输入资料不同的输出资料，在异常监测概念中，任何与正常资料不同的资料均视为异常资料。因为FTP的封包资料很难完全收集，因此，异常资料产生器需根据正常资料人工产生异常资料。特征选取器针对FTP服务器端的封包资料，选具有代表性与辨别性的特征，根据选取的特征随机产生人工异常资料至此系统资料前处理结束。模型训练器首先选择一部分资料作为训练资料，一部分为测试资料。模型训练器当模型训练完成后，可使用测试资料集来评估分类模型的正确性。
3 系统运行机理
系统的运行部分包括：输入资料、资料编码方式、人工异常资料产生、特征选取方式，下面对各部分进行详细介绍。
3.1 输入资料
由于档案传输协定（FTP）服务的攻击行为多属于网络形式的攻击，因此输入资料应该选择与网络相关的特征，以有效分辨攻击与非攻击行为。初步选取的特征如下所示，数字代表资料编码后产生的特征个数。
1）连接方式（1）：连线方向“1”表示连接至FTP服务器，“0”表示服务器向外连线。
2）响应编码（5）：FTP响应为3个ASCII数字，第一个代表响应状态，第二个代表错误种类，第三个为更进一步错误信息。
3）出现次数最多的字符（3）：统计封包资料中出现次数最多的字符作为特征输入。
4）数据长度（3）：正常的FTP封包资料部分长度一般较短，较长的可能为异常封包资料。
3.2 资料编码方式
1）连接方式（1）：连线方向“1”表示连接至FTP服务器，“0”表示服务器向外连线。
2）响应编码（5）：以5个输入点来表示响应码的第一个数字，转换方式如下：00001：1；00010：2；00100：3；01000：4；10000：5；00000：以上皆非时。
3）出现次数最多的字符（3）：根据封包资料字符出现次数最多的字符，以3个输入节点表示输入资料，编码如下：001：1≤x≤5；011：6≤x≤10 ；111：x>10；000：以上皆非时。
4）数据长度（3）：以3个节点表示封包的资料长度，其转换方式如下：001：1≤x≤48；011：49≤x≤96 ；111：x>96；000：以上皆非时。
4 结论
通过FTP服务收集的审查资料，以神经网络训练的入侵监测模型，验证了资料监测方式监测入侵问题的可行性。资料监测方式实际应用于入侵监测时仍存在问题需要解决，最明显的就是处理速度，网络传输封包资料数量可能相当大，除收集审查资料外，还需对收集资料做前处理，并且以入侵监测算法来监测是否入侵，达到实时处理的要求。
参考文献
[1]潘连根.数字档案馆研究[M].北京：中国档案出版社，2005.
神经网络原理范文2
当我们做决策时大脑中发生了什么？是什么触发了神经元使其发送信号？神经编码是什么？本书对计算与理论神经科学领域进行了详细、彻底的介绍，不仅包含了经典的主题例如HodgkinHuxley方程和Hopfield模型，也涵盖了诸如生成线性模型、决策理论等领域中最新的研究成果。本书的首席作者Wulfram Gerstner是计算神经科学实验室的主任，也是瑞典洛桑联邦理工学院的生命科学方向及计算机科学方向的教授。他在计算神经科学领域的研究集中在脉冲神经元模型及突触可塑性，他曾给物理学家、计算机科学家、数学家和生命科学家讲授过计算神经科学课程。同时，他还是《脉冲神经元模型》一书的合著者之一。
在本书中，作者将计算与理论神经学领域涉及到的概念进行了细致剖析，行文逐步深入，并使用了丰富的图表和范例作为辅助。全书共分四个部分：第一部分 神经动力学的基础，含第1-4章：1.导言：神经元及相关数学知识；2.离子通道与HodgkinHuxley模型；3.树突和突触；4.降维与相平面分析。第二部分 生成整合-发放神经元，含5-11章，5.非线性整合-发放模型；6.调整及放电模式；7.脉冲序列和神经编码的变化；8.噪声输入模型：脉冲到达的阻击9.噪声输出：逃逸速率及软阈值；10.估计概率神经模型的参数；11.通过随机神经元模型进行编码与解码。第三部分 神经元与集群活动网络，含12-15章：12.神经元集群；13.连续性方程与FokkerPlanck方法；14.准更新理论与积分方程解法；15.快速瞬变与速率模型。第四部分 认知动态，含16-20章：16.竞争集群与决策；17.记忆与吸引子动力学；18.感知皮质场模型；19.突触可塑性与学习；20.总结：可塑性网络中的动力学。
本书全面地阐述神经元模型是如何与神经活动结合起来的有关内容。本书可以作为计算与理论神经科学领域的入门读物，读者仅需要了解基础的微分方程及概率学。结合每章最后的小结及练习，本书可以作为高年级大学生及低年级研究生的理想教材。另外，相信本书也会是相关领域学者的良伴。
冯多，硕士研究生
（中国科学院信息工程研究所）
神经网络原理范文3
摘要：随着电力工业的发展，人工神经元网络(ANN)在电力系统中获得了广泛的应用。本文概述了人工神经元网络的特点、基本结构以及发展过程，并对ANN在电力系统中的具体应用做了详细的话述。最后，对人工神经元网络的发展趋势和在电力系统中的应用前景进行了展望。
关键词：人工神经元网络(ANN) 电力系统 应用前景 展望
人工神经网络，是一种模范动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。人工神经网络具有自学习和自适应的能力，可以通过预先提供的一批相互对应的输入一输出数据，分析掌握两者之间潜在的规律，最终根据这些规律，用新的输入数据来推算输出结果。人工神经网络具有四个基本特征：非线性、非局限性、非定性、非凸性。人工神经网络理论，作为人工智能的一个最活跃的分支，其模拟人脑的工作方式，为解决复杂的非线性、不确定性、不确知性系统的问题开创了一个崭新的途径，因而在电力系统应用研究中受到了广泛的关注。
1.ANN发展过程
1943年，心理学家W.S.McCulloch和数理逻辑学家W.Pitts建立了神经网络和数学模型，称为MP模型。他们通过MP模型提出了神经元的形式化数学描述和网络结构方法，证明了单个神经元能执行逻辑功能，从而开创了人工神经网络研究的时代。60年代，人工神经网络得到了进一步发展，更完善的神经网络模型被提出，其中包括感知器和自适应线性元件等。1982年，美国加州工学院物理学家J.J.Hopfield提出了Hopfield神经网格模型，引入了“计算能量”概念，给出了网络稳定性判断。1984年，他又提出了连续时间Hopfield神经网络模型，为神经计算机的研究做了开拓性的工作，开创了神经网络用于联想记忆和优化计算的新途径，有力地推动了神经网络的研究。人工神经网络的研究受到了各个发达国家的重视，美国国会通过决议将1990年1月5日开始的十年定为“脑的十年”，国际研究组织号召它的成员国将“脑的十年”变为全球行为。
2.ANN的特点与结构
人工神经网络的研究与发展及神经生理科学、数理科学、信息科和计算机科学等众多领域，是一种新的信息处理理论。它所特有的信息处理机制，与传统的数字计算机有着本质的不同。ANN网络由大量模拟人脑的神经元互连组成，无独立的用于存储的信息空间，更没有单一执行指令的CPU，每个神经元的结构都十分简单，信息处理与存储合二为一，通过调整连接权值，由整体状态来给出响应信息。ANN是一种非线性映射系统，具有强大的模式识别能力，可以对任意复杂状态或过程进行分类和识别。
3.ANN在电力系统中的应用
目前，ANN已用于负荷预测，警报处理，控制等方面，它已经从研究阶段转为实际应用。
3.1智能控制
在电力系统中利用ANN实现智能控制，就是利用其估计和联想的能力，实现系统状态与参数的识别和控制，这已在多种控制结构中如自校正控制、模型跟踪控制、预测控制等控制中得到应用。Y M Park等采用2个BP网络构成电力系统稳定器(PSS)的模型，其中1个在系统功率摆动中估计发电机的输出功率。另一个用于判断并给出控制决策。范澍等应用4层BP网络对发电机运行方式和系统干扰进行精确在线识别，并以此为基础设计了一种最优励磁调节器模型，计算与仿真结果表明，这种调节器比固定点线性励磁方式具有更强的稳定性能和动态品质，在系统运行方式较大的变化范围内都能提供很好的控制性能，在大小扰动下均表现出很好的阻尼特性和良好的电压性能。袁宇春等提出了用ANN进行电力系统的实时切负荷控制，选用的是多输入单输出的单层前向神经网络，选取185个样例进行网络训练后，在西北电网模拟某线路故障显示了较好的控制特性。
3.2优化计算
由于ANN能够建立任意非线性的模型，并适于解决时间序列预报问题，尤其是随机平稳过程的预报，因此电力系统短期负荷预报是其应用研究的一个重要方面，欧建平等以3个ANN构成负荷与天气变化量的周、日、时3个预报分析系统，气象参数和预测周、日、时前某段历史负荷参数作为网络的训练输入参数，各自产生独立的预报，再综合产生最终的预报。姜齐荣等则用ANN建立发电机、励磁系统和调速系统的详细模型，把这三部分的模型连接起来并与电力系统网络接口，形成一个ANN模型与电力系统网络混联的系统，这种混联系统的暂态稳定计算结果与用常规机理模型的计算结果几乎相同。为实现ANN并行、快速、在线处理电力系统实时计算提供新途径。
3.3故障诊断
要保证电力系统的安全运行和实现电力设备由定期检修转变为状态检修，如何准确地进行电力设备的故障诊断，一直是受关注的焦点之一。而这类故障的征兆错综复杂，往往呈现出非线性和不确定性，很难用某一确定的逻辑或算法进行识别。而这种识别恰好是ANN所擅长的。ANN在电机状态监测与诊断上也获得了成功的应用。何雨傧等提出一种联想记忆神经网络，取零序电流、定子不对称电流及其变化率等电测参数为故障征兆，通过网络的联想能力快速准确地进行电机早期故障的双向诊断，能有效地处理各种模式并存的故障诊断问题。并且容错性好，能有效抑制现场噪声干扰，使诊断系统具有良好的鲁棒性。电网故障诊断中，用全局逼近的BP算法完成故障的快速定位，便于控制人员及时处理故障。
3.4继电保护
继电保护是电力系统安全运行的重要保障之一，随着电力系统的发展，常规的继电保护技术已经不能完全适应需要。党德玉提到一种基于小波变换和ANN的保护模型，其输入特征量经过小波变换，也选用了3个三层的BP网络用于判断故障种类，故障性质和故障定位。故障种类和故障性质的判断正确率可达100％，对线性短路故障的位置判断正确率为94％，非线性故障(如经非线性过渡电阻接地)的判断正确率为96％。张海峰等使用3层前向网络构成变压器保护模型，取变压器2端的电流和其他故障特征量进行综合判断。经大量样本训练后，可准确判断变压器的励磁涌流和各种故障。张津春等介绍了ANN构成的自适应自动重合闸模型，能较好地判别各种情况下瞬时性故障与永久性故障。
为了解决用电路方法进行巨量神经元连接无法实现的问题，采用光电集成技术制作的光神经元、光互连器件、光神经芯片也已出现，并成功地应用于模式识别、联想记忆等方面。此外，ANN在输电容量限制条件下经济调度、基于同步相量测量的电压安全监控、电厂控制、HVDC的电流控制器等方面也得到了研究与应用。
4.ANN在电力系统中的发展趋势
ANN在电力系统中应用已做了大量的研究，一但是总体上来说仍停留在理论分析和仿真实验上，因此必须加强理论研究与实际工程应用的结合，例如可在状态检修、在线监测等电力系统有较迫切需求的领域中，寻找实际应用的突破口。近几年兴起的小波变换方法，由于其克服了傅里叶变换不能对信号进行局部化分析的缺点。同时具有很强的特征值提取功能，特别适用于故障信号的分析，经小波变换处理后的信号作为神经网络的输入，可使网络大大提高抗干扰性并加速收敛。所以小波分析与ANN的结合将在电力系统控制、保护、故障诊断等方而发挥更大的作用。ANN与专家系统和模糊控制的综合对电力系统这样一个复杂的动态大系统来说，应用潜力更大。ANN的形象思维能力，专家系统的逻辑思维能力和模糊逻辑这三者的结合，可体现出各自的优势，互相弥补各自的不足。
人工神经网络特有的非线性适应性信息处理能力，克服了传统人工智能方法对于直觉，如模式、语音识别、非结构化信息处理方面的缺陷，使之在神经专家系统、模式识别、智能控制、组合优化、预测等领域得到成功应用。人工神经网络与其它传统方法相结合，将推动人丁智能和信息处理技术不断发展。近年来，人工神经网络正向模拟人类认知的道路上更加深入发展，与模糊系统、遗传算法、进化机制等结合，形成计算智能，成为人工智能的一个重要方向，将在实际应用中得到发展。将信息几何应用于人工神经网络的研究，为人工神经网络的理论研究开辟了新的途径。神经计算机的研究发展很快，已有产品进入市场。光电结合的神经计算机为人工神经网络的发展提供了良好条件。
神经网络原理范文4
关键词：BP神经网络；数字识别；特征提取
中图分类号：TP183 文献标识码：A 文章编号：1009-3044（2013）14-3362-04
1 概述
数字识别在车辆牌照识别、银行支票识别和邮政储蓄票据识别等领域有着广泛的应用，因而成为研究人员近年来研究的一个焦点[1]。而人脑神经系统模型的建立为人工神经网络的产生提供了理论模型依据， 使其具有模拟人脑部分形象思维的能力[2]，因而使其成为人工智能技术的重要组成部分和常用方法。人工神经网络由简单信息处理单元相互连接组成，通过简单处理单元间的相互作用来实现对其所接收信息的处理。而随着人工神经网络技术的快速发展，其为解决模式识别邻域的相关问题提供了新的解决思路和方法，其突出的优点在于它具有对接收信息可进行并行分布式处理能力和自我学习反馈能力，因而吸引了众多研究人员对其进行广泛和深入的研究。而误差反向传播网络（Back-Propagation），即BP神经网络，是一种典型的人工神经网络，它具有人工神经网络的所有优点，因而在众多技术邻域有着广泛的应用[3]。该文首先对BP神经网络的基本原理进行了详细介绍，在分析了其基本原理的基础上，针对数字识别问题，设计了一种利用BP神经网络技术进行数字识别的方法。经实验表明，该方法合理可行，且其识别效果正确有效。
2 相关原理与知识
由于本文针对数字识别问题，利用BP神经网络技术对其进行方法设计和实现，首先必须了解BP神经网络的基本原理，即了解其具体构成形式、模型分类和其功能特点。其次，在了解了BP神经网络基本原理的基础上，进一步了解其所处理数据的特点和组成形式，并根据处理数据的特点和其数据结构设计相应的数字识别方法。下面分别对它们进行详细的介绍。
2.1 BP神经网络基本原理
BP神经网络算法由数据信息流的前向计算，即正向信息流的正向传递，误差信息的反向回馈两个部分组成。当信息流进行正向传递时，其传递方向为从输入层到隐层再到输出层的顺序，器每层神经元所处的状态只会影响下一层神经元的状态。若在最后的输出层没有得到理想的输出信息，则应立即进入误差信息的反向回馈过程[6]。最终经过这两个过程的相互交替运行，同时在权向量空间使用误差函数梯度下降策略，动态迭代搜索得到一组权向量，使得该BP神经网络的误差函数值达到最小，从而完成对信息提取和记忆过程[7]。
2.2 BMP二值图像文件数据结构
由于本文处理的数据源为BMP二值图像，则必须了解其数据结构，才能对其进行进一步的识别方法设计。由数字图像处理基础知识可知，常见BMP二值图像文件的数据结构由以下三部分组成：（1）位图文件头，其包含了BMP二值图像的文件类型、文件大小和位图数据起始位置等信息；（2）位图信息头，它包含了BMP二值图像的位图宽度和高度、像素位数、压缩类型、位图分辨率和颜色定义等信息；（3）位图数据体，其记录了位图数据每一个像素点的像素值，记录顺序在扫描行内是从左到右，扫描行之间是从下到上。因此，根据BMP二值图像数据结构信息，读出所需要的图像数据，并对这些图像数据做进一步的处理。在本文给定的训练图像中，图像数据大小为80个字节，而图像数据体距离其文件头的偏移量为62个字节。但为了减少数据处理数量，该文在进行实验时直接使用位图数据体中的数据，没有通过读出位图文件头来得到位图数据体中的数据。
3 数字识别具体设计方法
由上文可知，该文使用数据源为图像大小为20*20的BMP二值图像，由于是对位图数据体的数据直接进行操作，因此省去了对图像其他数据结构数据的繁杂处理过程，将问题的核心转向BP神经网络的设计方法步骤。
4 实验结果
图4所示为BP神经网络训练及测试结果图。该文选择10个训练样本，通过实验结果可以看出，由这10个训练样本训练出来的BP神经网络对于训练样本中的图像数值识别率达100%，训练时间也比较短，其迭代次数大概为700次左右。对于一些含有噪声的图片，只要噪声系数小于0.85个字符，其数字识别率可达96%。
5 结束语
针对二值图像数字识别问题，该文在对BP神经网络的基础理论进行分析后，设计了一种基于BP神经网络的数字识别方法，并通过实验验证了该BP神经网络用于数字识别的可行性和有效性。而对于BP神经网络存在的收敛速度慢、易陷入局部最优和学习、记忆具有不稳定性等问题，还有待于对其进行一步研究。
参考文献：
[1] 韩力群.人工神经网络教程[M].北京：北京邮电大学出版社，2006.
[2] 吕俊，张兴华.几种快速BP算法的比较研究[J].现代电子技术，2003，24（167）：96-99.
[3] 陆琼瑜，童学锋.BP算法改进的研究[J].计算机工程与设计，2007（10）：96-97.
[4] Sven Behnke，Marcus Pfister.A Study on the Combination of Classifiers for Handwritten Digit Recognition，2004.
[5] 马耀名，黄敏.基于BP神经网络的数字识别研究[J].信息技术，2007（4）：87-88.
[6] Hasan soltanzadeh.Mohammad Rahmati.Recogniton of Persian Handwritten Digits Using Image Profiles of Multiple Orientations[J].Pattern Recognition Leaers，2004（15）.
[7] 吴成东，刘文涵.基于粗网格神经网络的车牌字符识别方法[J].沈阳建筑大学报，2007，23（4）：694-695.
神经网络原理范文5
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
神经网络原理范文6
关键词： 闭环液压控制系统；自组织双模糊神经网络；执行机构
中图分类号：TU984 文献标识码：A 文章编号：1671－7597（2012）0720088－02
0 引言
液压控制在工业系统中的地位不言而喻，提高系统精度和响应速度是液压控制领域有待持续性研究的课题。针对按照预设流量和压力进行精确控制的液压系统，本文提出一种基于Mamdani型模糊神经网络和多线程思想的闭环自组织双模糊神经网络液压系统模型，其关键点是模糊神经网络控制模型和执行机构。
1 液压系统模型
液压系统采用挤压式液体供给方式，由工控机、增压气体贮箱、液体贮箱、流量控制阀、流量和压力检测装置和气体传送管道组成闭环系统，如图1所示。
该液压系统模型工作原理是：将增压惰性气体压入液体贮箱，其进入液体贮箱时的流量和压力由阀门控制，惰性气体推动液体贮箱中的隔板，迫使隔板另一侧的液体进入传送管道，并顺管道进入液体使用对象。假设液体贮箱中是理想流体，根据理想流体伯努利方程，可知，通过调节液体贮箱压力，能够改变液体使用对象入口处液体压力，因此，通过调节增压气体流量可达到调节液体进入液体使用对象时流量和压力的目的。液体贮箱和液体使用对象之间安装有压力计和流量计，能够测得当前实际压力和流量，计算机将其与预设压力和流量进行对比，按照一定的算法得出增压气体流量调节方案。
2 模糊神经网络控制模型
2.1 控制模型
根据液压系统模型工作原理，闭环控制系统输入数据为预设压力、预设流量、实际压力和实际流量，根据模糊控制原理，可将以上四个数据转化为压力差、压力差变化率、流量差、流量差变化率，由这四个分量组成的输入数据作为闭环控制算法的输入向量，对执行机构的指令为该算法的输出向量。
模糊神经网络不依赖精确的数学模型，能够通过学习优化自身性能，在逻辑上能够实现并行计算等优点[1]，本文提出一种基于模糊神经网络的液压控制器模型，该模型由两组独立的模糊神经网络并联组成双模糊神经网络，在初始时刻，这两组模糊神经网络具有相同的结构和网络连接权值，在控制系统运行过程中，两组模糊神经网络分别承担系统学习和控制任务，经过一定系统周期后，同步两组模糊神经网络参数。
综上所述，控制模型如图2所示。
在图2中，X表示输入向量，含有四个分量：x1、x2、x3和x4，分别表示压力差、压力差变化率、流量差和流量差变化率，这四个分量综合作为模糊神经网络控制器的输入向量。在图2中，虚线框中的部分为双模糊神经网络，其中Layer1为接收传感器数据 的输入层；Layer2为两个具有相同结构的自组织模糊神经网络层；Layer3为输出控制信号
的输出层。
2.2 模糊神经网络模型
传统基于模糊控制步骤的模糊神经网络常由五层构成，但是，三层BP神经网络可以逼近几乎所有的非线性系统，所以设置五层神经网络不但使系统复杂化，而且增加了神经网络逼近稳定状态的难度[2，3]，因此，设计模型由输入层、隶属函数层、输入越界判断层、模糊规则层和输出层组成，可调节连接权值只出现在模糊规则层和输出层之间，其余各神经元间的连接权值均为1且不可调，本模型包含一层真正意义上的神经网络，既简化了神经网络结构又按照模糊控制步骤设计；但是隶属函数和模糊规则实际上仍然属于模糊控制范畴，不但需要在设计初期就确定下来并且在系统运行过程中不会被优化，本文根据文献[4]提出的一种剪枝算法，通过专用算法调整神经网络中神经元的个数，解决了隶属函数和模糊规则在系统运行过程中的优化问题；为了处理意外出现的越界参数，在隶属函数层后增加越界参数判断层，越界参数判断层的输出汇总后作为处理越界参数的依据。
因此，以模糊控制步骤为基础，构造四层类神经网络，四层分别是输入层、隶属函数层、模糊规则层和输出层，模糊规则层神经元和输出层神经元之间有可变连接权值；因为隶属函数和模糊规则相互对应，因此将模糊规则层输出数据作为隶属函数和模糊规则调整的依据，基于以上考虑，本文提出的模糊神经网络模型结构如图3所示。
在图3中，两个矩形分别代表隶属函数与规则调整算法和输入越界处理算法，圆形代表神经元。与一般模糊神经网络结构不同的是第二层隶属函数层的输出数据连接两层不同的神经网络层；第四层规则层的输出数据分别连接输出层神经元和隶属函数与规则调整算法。
该模糊神经网络结构共有五层神经元节点和两个结构调整算法，各部分结构分别描述如下：
1）第一层：输入层，本层共有n个神经元，对应输入数据中的n维向量，本层只完成输入数据的接收功能，直接将输入数据传入下一层，不对输入数据进行任何计算，没有传递函数。
2）第二层：隶属函数层，神经元个数动态调整，本层模糊化输入向量，该层的每一个神经元代表隶属函数覆盖的一个区域，每一个第一层的神经元都有对应的隶属函数层神经元群，输入向量对本层某神经元的激发度对应于该输入向量在该神经元所表示的模糊区域的隶属度。
3）第三层：越界输入向量判断层，本层共有n个神经元，对应输入数据中的n维向量，判断某个输入向量是否超出现有的隶属函数覆盖区域，如果超出，则进入输入越界算法，否则不做运算。
