緒論：寫作既是個(gè)人情感的抒發(fā)，也是對學(xué)術(shù)真理的探索，歡迎閱讀由發(fā)表云整理的11篇神經(jīng)網(wǎng)絡(luò)研究現(xiàn)狀范文，希望它們能為您的寫作提供參考和啟發(fā)。

篇（1）

中圖分類號：TP183 文獻(xiàn)標(biāo)識碼：A 文章編號：1007-9416（2015）12-0000-00

1 引言

卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network， CNN）具有良好的處理能力、自學(xué)能力及容錯(cuò)能力，可以用來處理復(fù)雜的環(huán)境信息，例如，背景情況不明，推理規(guī)則不明，樣品存有一定程度的缺陷或畸變的情況。所以，卷積神經(jīng)網(wǎng)絡(luò)被廣泛應(yīng)用于目標(biāo)檢測、物體識別和語音分析等方面[1]。現(xiàn)場可編程門陣列（Field Programmable Gate Array， FPGA），作為可編程使用的信號處理器件，其具有高集成度、運(yùn)行高速、可靠性高及采用并行結(jié)構(gòu)的特點(diǎn)，易于配合CNN處理數(shù)據(jù)。

2 國內(nèi)外研究現(xiàn)狀

2.1 神經(jīng)網(wǎng)絡(luò)的模型結(jié)構(gòu)

根據(jù)研究角度、數(shù)據(jù)傳遞方式、數(shù)據(jù)處理模式、學(xué)習(xí)方法等的不同，多種神經(jīng)網(wǎng)絡(luò)模型被構(gòu)建出來。目前主要有四種模型被廣泛應(yīng)用中[2][3]：

（1）前饋型神經(jīng)網(wǎng)絡(luò)。此類神經(jīng)元網(wǎng)絡(luò)是由觸突將神經(jīng)原進(jìn)行連接的，所以網(wǎng)絡(luò)群體由全部神經(jīng)元構(gòu)成，可實(shí)現(xiàn)記憶、思維和學(xué)習(xí)。此種類型的網(wǎng)絡(luò)是有監(jiān)督學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)。（2）遞歸型神經(jīng)網(wǎng)絡(luò)。此種神經(jīng)網(wǎng)絡(luò)又稱為反饋網(wǎng)絡(luò)，以多個(gè)神經(jīng)元互相連接，組織成一個(gè)互連的神經(jīng)網(wǎng)絡(luò)，使得電流和信號能夠通過正向和反向進(jìn)行流通。（3）隨機(jī)型神經(jīng)網(wǎng)絡(luò)。此種神經(jīng)網(wǎng)絡(luò)的運(yùn)行規(guī)律是隨機(jī)的，通過有監(jiān)督學(xué)習(xí)方法進(jìn)行網(wǎng)絡(luò)訓(xùn)練。（4）自組織競爭型神經(jīng)網(wǎng)絡(luò)。此種神經(jīng)網(wǎng)絡(luò)通過無監(jiān)督的學(xué)習(xí)方法進(jìn)行網(wǎng)絡(luò)訓(xùn)練，一般具有兩層網(wǎng)絡(luò)結(jié)構(gòu)，輸入層和競爭層。兩層間的各神經(jīng)元實(shí)現(xiàn)雙向全連接。

2.2 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法

神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法用來解決調(diào)整網(wǎng)絡(luò)權(quán)重的問題，是指完成輸入特征向量映射到輸出變量之間的算法，可以歸納為三類[4-7]：

（1）有監(jiān)督的學(xué)習(xí)。在學(xué)習(xí)開始前，向神經(jīng)網(wǎng)絡(luò)提供若干已知輸入向量和相應(yīng)目標(biāo)變量構(gòu)成的樣本訓(xùn)練集，通過給定輸入值與輸出期望值和實(shí)際網(wǎng)絡(luò)輸出值之間的差來調(diào)整神經(jīng)元之間的連接權(quán)重。（2）無監(jiān)督的學(xué)習(xí)。此種學(xué)習(xí)方法只需要向神經(jīng)網(wǎng)絡(luò)提供輸入，不需要期望輸出值，神經(jīng)網(wǎng)絡(luò)能自適應(yīng)連接權(quán)重，無需外界的指導(dǎo)信息。（3）強(qiáng)化學(xué)習(xí)。此種算法不需要給出明確的期望輸出，而是采用評價(jià)機(jī)制來評價(jià)給定輸入所對應(yīng)的神經(jīng)網(wǎng)絡(luò)輸出的質(zhì)量因數(shù)。外界環(huán)境對輸出結(jié)果僅給出評價(jià)結(jié)果，通過強(qiáng)化授獎(jiǎng)動作來改善系統(tǒng)性能。此種學(xué)習(xí)方法是有監(jiān)督學(xué)習(xí)的特例。

2.3 卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

卷積神經(jīng)網(wǎng)絡(luò)為識別二維或三維信號而設(shè)計(jì)的一個(gè)多層次的感知器，其基本結(jié)構(gòu)包括兩種特殊的神經(jīng)元層，一為卷積層，每個(gè)神經(jīng)元的輸入與前一層的局部相連，并提取該局部的特征[8]；二是池化層，用來求局部敏感性與二次特征提取的計(jì)算層[8]。作為部分連接的網(wǎng)絡(luò)，最底層是卷積層（特征提取層），上層是池化層，可以繼續(xù)疊加卷積、池化或者是全連接層。

3 FPGA實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)的并行體系結(jié)構(gòu)

（1）卷積神經(jīng)網(wǎng)絡(luò)的計(jì)算架構(gòu)。卷積神經(jīng)網(wǎng)絡(luò)可以使用“主機(jī)”與“FPGA”相結(jié)合的體系模型，主機(jī)用來控制計(jì)算的開始和結(jié)束，并在神經(jīng)網(wǎng)絡(luò)前向傳播計(jì)算過程中，提供輸入圖像等數(shù)據(jù)。主機(jī)與FPGA之間的通信可以通過標(biāo)準(zhǔn)接口，在主機(jī)進(jìn)行任務(wù)分配的過程中可以對FPGA上的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行硬件加速。當(dāng)卷積神經(jīng)網(wǎng)絡(luò)開始啟動計(jì)算，通過標(biāo)準(zhǔn)接口接收到主機(jī)傳輸?shù)膱D像時(shí)，F(xiàn)PGA開始進(jìn)行計(jì)算，并且使用FPGA中的存儲器來存儲卷積核權(quán)值。FPGA將會先完成卷積神經(jīng)網(wǎng)絡(luò)前向傳播過程的計(jì)算，然后將其最后一層計(jì)算得到的結(jié)果輸出給主機(jī)。（2）卷積神經(jīng)網(wǎng)絡(luò)并行體系架構(gòu)。一、單輸出并行結(jié)構(gòu)：每次計(jì)算一個(gè)輸出圖像，其中會將多個(gè)輸入圖像和多個(gè)卷積核基本計(jì)算單元同時(shí)進(jìn)行卷積運(yùn)算，然后將全部卷積運(yùn)算的結(jié)果與偏置值進(jìn)行累加，再將結(jié)果輸入非線性函數(shù)和自抽樣子層進(jìn)行計(jì)算。二、多輸出并行結(jié)構(gòu)：若卷積神經(jīng)網(wǎng)絡(luò)的計(jì)算單元中含有多個(gè)單輸出的并行結(jié)構(gòu)，那么輸入數(shù)據(jù)可同時(shí)傳送到多個(gè)單輸出計(jì)算單元的輸入端，從而組成多個(gè)單輸出計(jì)算單元組成的并行結(jié)構(gòu)。在卷積神經(jīng)網(wǎng)絡(luò)的并行計(jì)算結(jié)構(gòu)中，每個(gè)卷積核計(jì)算單元在進(jìn)行卷積操作時(shí)都要進(jìn)行乘加運(yùn)算，所以，有必要將單個(gè)的卷積運(yùn)算拆分實(shí)現(xiàn)并行化，并且可以嘗試將同一層內(nèi)的多個(gè)卷積運(yùn)算進(jìn)行并行化。

4 結(jié)語

本文對卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行了介紹，總結(jié)了國內(nèi)外的研究現(xiàn)狀，結(jié)合卷積神經(jīng)網(wǎng)絡(luò)運(yùn)算的特點(diǎn)與FPGA的快速計(jì)算單元數(shù)量及功能方面的優(yōu)勢，嘗試闡述了在FPGA映射過程的卷積神經(jīng)網(wǎng)絡(luò)的并行體系結(jié)構(gòu)。

參考文獻(xiàn)

[1] Fan J，Xu W，Wu Y，et al. Human tracking using convolutional neural networks[J].IEEE Transactions on Neural Networks，2010（10）：1610-1623.

[2] 楊治明，王曉蓉，彭軍.BP神經(jīng)網(wǎng)絡(luò)在圖像分割中的應(yīng)用.計(jì)算機(jī)科學(xué)[J].2007（03）：234-236.

[3] Simon Haykin . Neural networks ，a comprehensive foundation[M].second edition，Prentice Hall，1998.

[4] Herta J ， et al.Introduction to Theory of Neural Compution[M].Sant Fee Complexity Science Series，1991.156.

[5] 戴奎.神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)技術(shù)[M].長沙：國防科技大學(xué)出版社，1998.

篇（2）

中圖分類號： TP183 文獻(xiàn)標(biāo)識碼： A 文章編號： 1673-1069（2017）06-165-2

1 緒論

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network， ANN）是由大量處理單元互聯(lián)組成的非線性、自適應(yīng)信息處理系統(tǒng)。它是在現(xiàn)代神經(jīng)科學(xué)研究成果的基礎(chǔ)上提出的，試圖通過模擬大腦神經(jīng)網(wǎng)絡(luò)處理、記憶信息的方式進(jìn)行信息處理。ANN通過模仿人類大腦的結(jié)構(gòu)和功能，并借鑒生物神經(jīng)科學(xué)的研究成果，實(shí)現(xiàn)對信息的處理，是一種新興的交叉學(xué)科，不但推動了智能化計(jì)算的應(yīng)用和發(fā)展，同時(shí)也為信息科學(xué)和神經(jīng)生物學(xué)的研究方法帶來革命性的變化，現(xiàn)已成功應(yīng)用于腦科學(xué)，認(rèn)知科學(xué)，模式識別，智能控制，計(jì)算機(jī)科學(xué)等多個(gè)領(lǐng)域。

在實(shí)際應(yīng)用中，人工神經(jīng)網(wǎng)絡(luò)的選取通常包括適當(dāng)?shù)纳窠?jīng)網(wǎng)絡(luò)模型，合理的網(wǎng)絡(luò)結(jié)構(gòu)及快速有效的網(wǎng)絡(luò)參數(shù)訓(xùn)練算法[1]。而針對某一特定網(wǎng)絡(luò)模型，ANN的研究主要集中在結(jié)構(gòu)的調(diào)整和訓(xùn)練算法的改進(jìn)兩個(gè)方面。所謂神經(jīng)網(wǎng)絡(luò)訓(xùn)練，也就是網(wǎng)絡(luò)參數(shù)的學(xué)習(xí)和調(diào)整，是一個(gè)反復(fù)調(diào)節(jié)節(jié)點(diǎn)之間權(quán)值和閾值的過程，其學(xué)習(xí)可以分成三類，即有監(jiān)督學(xué)習(xí)（Supervised learning），無監(jiān)督學(xué)習(xí)（Unsupervised learning）和強(qiáng)化學(xué)習(xí)（Reinforcement learning），本文基于有監(jiān)督和無監(jiān)督學(xué)習(xí)進(jìn)行分類，分別分析了前饋神經(jīng)網(wǎng)絡(luò)的特點(diǎn)及研究現(xiàn)狀、遞歸神經(jīng)網(wǎng)絡(luò)的特點(diǎn)及研究現(xiàn)狀。

2 前饋神經(jīng)網(wǎng)絡(luò)

2.1 前饋神經(jīng)網(wǎng)絡(luò)的特點(diǎn)

前饋神經(jīng)網(wǎng)絡(luò)的主要種類包括：感知器，線性神經(jīng)網(wǎng)絡(luò)，BP網(wǎng)絡(luò)，徑向基網(wǎng)絡(luò)（RBF）等。其訓(xùn)練算法主要采用梯度下降法（Gradient descent），包括：誤差反向傳播算法（Back Propagation， BP），改進(jìn)的BP算法，Levenberg-Marquardt法（LM）等。前饋神經(jīng)網(wǎng)絡(luò)具有學(xué)習(xí)簡單，收斂較快等優(yōu)點(diǎn)，因此在實(shí)際應(yīng)用中，一般選取三層或以上的網(wǎng)絡(luò)結(jié)構(gòu)，神經(jīng)網(wǎng)絡(luò)的任意逼近定理指出，訓(xùn)練合適的多層前饋神經(jīng)網(wǎng)絡(luò)能夠以任意精度逼近任意連續(xù)函數(shù)[2]。當(dāng)網(wǎng)絡(luò)結(jié)構(gòu)已知的情況下，訓(xùn)練前饋神經(jīng)網(wǎng)絡(luò)的本質(zhì)就是確定最優(yōu)權(quán)值和閾值的方法，前饋神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方式一般采用網(wǎng)絡(luò)理想輸出和實(shí)際輸出的誤差作為權(quán)值調(diào)整信號，解空間一般是多峰函數(shù)，由于訓(xùn)練過程中很容易陷入局部極小，因此網(wǎng)絡(luò)的訓(xùn)練目標(biāo)就是求解一組最優(yōu)的權(quán)值，使誤差達(dá)到最小。

傳統(tǒng)的誤差反向傳播算法由于為網(wǎng)絡(luò)的訓(xùn)練提供了簡單而有效的實(shí)現(xiàn)途徑，目前已成為研究和應(yīng)用最廣泛的有監(jiān)督學(xué)習(xí)算法。但BP算法存在許多問題，例如在多層網(wǎng)絡(luò)中收斂較慢且容易陷入局部極小，而且不能對多個(gè)網(wǎng)絡(luò)進(jìn)行同時(shí)訓(xùn)練[3]。改進(jìn)的BP算法有多種形式，主要有通過附加動量和學(xué)習(xí)率的引入改進(jìn)BP網(wǎng)絡(luò)的自適應(yīng)能力等方法，附加動量方法雖然在一定程度上改善了易陷入局部極小的問題，仍然存在收斂速度較慢的問題。調(diào)整學(xué)習(xí)率方法通過將學(xué)習(xí)率限制在一定范圍內(nèi)自動調(diào)整，雖然能夠提高網(wǎng)絡(luò)收斂速率，但對權(quán)值的改變和影響并不大，仍然導(dǎo)致誤差較大問題。LM法具有訓(xùn)練時(shí)間段，收斂速度快的優(yōu)點(diǎn)，但由于LM法需要計(jì)算誤差的Jacobian矩陣，這是一個(gè)復(fù)雜的高維運(yùn)算問題，需要占用大量系統(tǒng)存儲空間，同時(shí)，LM也存在易陷入局部極小的問題[4、5]。

2.2 前饋神經(jīng)網(wǎng)絡(luò)的研究現(xiàn)狀

在傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中，預(yù)估校正法或者經(jīng)驗(yàn)選擇是最常被使用的網(wǎng)絡(luò)結(jié)構(gòu)選取方式[6]。在訓(xùn)練和優(yōu)化網(wǎng)絡(luò)權(quán)值和閾值過程中，訓(xùn)練算法在上述分析中已知，存在著容易陷入局部最優(yōu)并且難以跳出的缺點(diǎn)，因此誤差函數(shù)要求必須是連續(xù)可求導(dǎo)的函怠R虼耍這些權(quán)值訓(xùn)練方法常和進(jìn)化算法等全局搜索算法相結(jié)合。使用全局搜索算法的全局搜索能力幫助網(wǎng)絡(luò)跳出局部極小。在編碼時(shí)采用實(shí)數(shù)編碼，克服二進(jìn)制編碼受到編碼串長度和精度的限制。例如，Sexton等人用一種改進(jìn)的遺傳算法優(yōu)化前饋神經(jīng)網(wǎng)路權(quán)值，結(jié)果表明改進(jìn)的算法使網(wǎng)路訓(xùn)練精度得到顯著提高[3]。Abbass通過將傳統(tǒng)BP算法和差分進(jìn)化算法相結(jié)合，提出了一種的新的權(quán)值訓(xùn)練方法并用于乳腺癌的預(yù)測實(shí)驗(yàn)，取得較好結(jié)果[7]。Iionen等人使用差分進(jìn)化算法對前饋網(wǎng)絡(luò)的權(quán)值進(jìn)行訓(xùn)練和優(yōu)化，將優(yōu)化結(jié)果與其他幾種基于梯度下降的網(wǎng)絡(luò)訓(xùn)練方法比較，結(jié)果表明該方法具有較好的精度[8]。更多研究成果表明，將DE、PSO應(yīng)用于網(wǎng)絡(luò)權(quán)值在線訓(xùn)練和優(yōu)化具有明顯優(yōu)勢，這些改進(jìn)方法也成功應(yīng)用在了醫(yī)學(xué)和工程技術(shù)等領(lǐng)域[9、10]。

此外，多種優(yōu)化算法相結(jié)合也被證明是有效的。例如，在文獻(xiàn)[11]中，作者提出了一種DE和LM相結(jié)合的神經(jīng)網(wǎng)絡(luò)快速訓(xùn)練方法。Liu等人提出一種粒子群算法（Particle Swarm Optimization， PSO）和共軛梯度算法相結(jié)合的混合算法，并將其應(yīng)用于神經(jīng)網(wǎng)絡(luò)的權(quán)值優(yōu)化[12]。在優(yōu)化過程中，首先確定網(wǎng)絡(luò)結(jié)構(gòu)，然后使用PSO的全局搜索能力獲得最后權(quán)值組合，最后使用傳統(tǒng)方法進(jìn)行權(quán)值微調(diào)，取得較好結(jié)果。在文獻(xiàn)[13]中，作者采用相反方式將基本PSO和傳統(tǒng)BP算法相結(jié)合使用，首先用BP算法對網(wǎng)絡(luò)權(quán)值進(jìn)行計(jì)算，然后使用PSO對網(wǎng)絡(luò)結(jié)構(gòu)固定的權(quán)值進(jìn)行優(yōu)化和改進(jìn)。有學(xué)者提出一種具有控制參數(shù)自適應(yīng)選擇能力的差分進(jìn)化算法，用于訓(xùn)練前饋網(wǎng)絡(luò)，并將該方法用于奇偶分類實(shí)驗(yàn)中，將實(shí)驗(yàn)結(jié)果與幾種其他方法進(jìn)行比較得知，提出的方法具有更好的準(zhǔn)確性。Epitropakis等人在訓(xùn)練離散Pi-Sigma神經(jīng)網(wǎng)絡(luò)實(shí)驗(yàn)中，采用一種分布式離散差分進(jìn)化算法和分布式離散PSO算法相結(jié)合的方式。該離散網(wǎng)絡(luò)仍然是一種多層前饋網(wǎng)絡(luò)，在輸出層，通過將神經(jīng)元求積的方式獲得輸出，作者認(rèn)為這種整數(shù)權(quán)值的離散方式更適合用于硬件實(shí)現(xiàn)[14]。在離散化權(quán)值方面，Bao等人的工作表明，通過采用一種可重建的動態(tài)差分進(jìn)化算法，可以有效用于訓(xùn)練固定結(jié)構(gòu)的網(wǎng)絡(luò)權(quán)值。

在不同領(lǐng)域中，任務(wù)往往各不相同，因此針對不同的動態(tài)系統(tǒng)，不同類型的遞歸網(wǎng)絡(luò)的也相繼被提出并得到研究，使之成為人工智能界的研究熱點(diǎn)之一。因其具有獨(dú)特的優(yōu)化能力，聯(lián)想記憶功能，遞歸神經(jīng)網(wǎng)絡(luò)已引起AI界極大的研究和關(guān)注，并成功應(yīng)用于多種模式識別問題，例如圖像處理，聲音辨識，信號處理等。

4 結(jié)論

本章分析和研究了神經(jīng)網(wǎng)絡(luò)的兩種主要類型，前饋型和遞歸型，并對其特點(diǎn)進(jìn)行了分析。前饋網(wǎng)絡(luò)的主要特點(diǎn)是計(jì)算簡單，運(yùn)算方便，缺點(diǎn)是耗時(shí)較長，容易陷入局部極小；遞歸網(wǎng)絡(luò)的特點(diǎn)是具有動力學(xué)特性和聯(lián)想記憶特性，但使用時(shí)需要注意穩(wěn)定性和收斂性，且對初始狀態(tài)具有高度敏感特性。針對兩類神經(jīng)網(wǎng)絡(luò)的特點(diǎn)，可通過多種優(yōu)化相結(jié)合的方法解決收斂較慢且容易陷入局部極小問題，應(yīng)用參數(shù)學(xué)習(xí)訓(xùn)練算法和網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化算法對遞歸網(wǎng)絡(luò)進(jìn)行適當(dāng)?shù)恼{(diào)整，以應(yīng)用于具體問題。

參 考 文 獻(xiàn)

[1] N. Garcia-Pedrajas， C. Hervas-Martinez， J. Munoz-Perez. COVNET： a cooperative coevolutionary model for evolving artificial neural networks [J]. IEEE Transaction on Neural Networks， 2003， 14（3）： 575-596.

[2] K. Hornick， M. Stinchcombe， H. White. Multilayer feedforward networks are universal approximators [J]. Neural Networks， 1989， 2： 359-366.

[3] R.S. Sexton， R.S. Sriram， H. Etheridge. Improving decision effectiveness of artificial neural networks： a modified genetic algorithm approach [J]. Decis Sci， 2003， 34（3）：421-442.

[4] 商琳， 王金根， 姚望舒，等. 一N基于多進(jìn)化神經(jīng)網(wǎng)絡(luò)的分類方法[J]. 軟件學(xué)報(bào)， 2005， 16（9）： 1577-1583.

[5] S.U. Ahmed， M. Shahjahan， K. Murase. Injecting chaos in feedforward neural networks [J]. Neural Process Lett， 2011， 34（1）： 87-100.

[6] Serkan Kiranyaz， Turker Ince， Alper Yildirim， et al. Evolutionary artificial neural networks by multi-dimensional particle swarm optimization [J]. Neural Networks， 2009， 22： 1448-1462.

[7] H.A. Abbass. An evolutionary artificial neural networks approach for breast cancer diagnosis [J]. Artificial Intelligence in Medicine， 2002 ， 25 （3） ： 265-281.

[8] J. Iionen， J.K. Kamarainen， J. Lampinen. Differential Evolution Training Algorithm for Feed-forward Neural Networks [J]. Neural Processing Letters， 2003， 17（1） ： 93-105.

[9] D.M. George， P.P. Vassilis， N.V. Michael. Neural network-based colonoscopic diagnosis using on-line learning and differential evolution [J]. Applied Soft Computing， 2004， （4） ： 369-379.

[10] B. Liu， L. Wang， Y.H. Jin， et al. Designing neural networks using hybrid particle swarm optimization [C]. Lecture Notes in Computer Science. Berlin ： Springer ， 2005 ： 391-397.

[11] 王剛， 高陽， 夏潔. 基于差異進(jìn)化算法的人工神經(jīng)網(wǎng)絡(luò)快速訓(xùn)練研究 [J]. 管理學(xué)報(bào)， 2005， 2 （4） ： 450-454.

篇（3）

引言

隨著設(shè)備復(fù)雜化程度的提高，對故障診斷的快速性和準(zhǔn)確性提出了更高的要求。將神經(jīng)網(wǎng)絡(luò)應(yīng)用于故障診斷中已成為一個(gè)非常活躍的研究領(lǐng)域。利用神經(jīng)網(wǎng)絡(luò)強(qiáng)大的分類能力，進(jìn)行故障模式的分類與學(xué)習(xí)，診斷出故障。

Huang在前人研究的基礎(chǔ)上提出了一種稱為極限學(xué)習(xí)機(jī)（Extreme Learning Machine，ELM）的學(xué)習(xí)方法，在保留計(jì)算精度的同時(shí)可以大幅度的縮減訓(xùn)練的時(shí)間。將ELM運(yùn)用到設(shè)備故障診斷中，極大提高了診斷的快速性和準(zhǔn)確性。

一、極限學(xué)習(xí)機(jī)研究現(xiàn)狀

ELM自2004年提出就一直受到學(xué)者的極大興趣。我們從ELM的理論和應(yīng)用兩方面進(jìn)行闡述。

1.1 ELM的理論

對于傳統(tǒng)ELM算法，網(wǎng)絡(luò)結(jié)構(gòu)、激活函數(shù)類型以及隱層神經(jīng)元的選擇對其泛化性能都有重要的影響。為了提高計(jì)算效率，使得ELM適用于更多應(yīng)用領(lǐng)域，研究者提出了許多ELM擴(kuò)展算法。

1.2 ELM的應(yīng)用

研究人員已嘗試?yán)肊LM方法解決現(xiàn)實(shí)中各種模式分類問題。隨著ELM自身理論的進(jìn)一步發(fā)展和完善，在人臉識別、文本分類、醫(yī)療診斷等領(lǐng)域中應(yīng)用廣泛。

二、故障診斷技術(shù)研究現(xiàn)狀

故障診斷技術(shù)是由于建立監(jiān)控系統(tǒng)的需要而發(fā)展起來的。其發(fā)展至今經(jīng)歷了3個(gè)階段。新的診斷技術(shù)帶來了領(lǐng)域內(nèi)算法的革新，設(shè)備精密程度的提高也對診斷實(shí)時(shí)性提出了更高的要求。如何保證故障的快速準(zhǔn)確診斷成了診斷技術(shù)發(fā)展重要內(nèi)容。

基于神經(jīng)網(wǎng)絡(luò)的故障診斷運(yùn)用廣泛，然而傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方法存在許多問題。與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)相比，極限學(xué)習(xí)機(jī)方法通過隨機(jī)選取輸入權(quán)值及隱層單元的偏置值，可以產(chǎn)生唯一的最優(yōu)解，并具有參數(shù)易于選擇以及泛化能力好等特點(diǎn)，在眾多領(lǐng)域有著廣泛應(yīng)用。

三、基于極限學(xué)習(xí)機(jī)的故障診斷方法研究

3.1基于ELM的故障診斷流程

（1）數(shù)據(jù)預(yù)處理。按照選取的特征向量和故障類型對故障樣本進(jìn)行預(yù)處理，并將處理后的樣本按比例分為訓(xùn)練樣本集和測試樣本集。

（2）ELM的學(xué)習(xí)算法主要有以下3個(gè)步驟：確定隱含層神經(jīng)元個(gè)數(shù)；隨機(jī)設(shè)定輸入層與隱含層間的連接權(quán)值和隱含層神經(jīng)元的偏置；選擇隱含層神經(jīng)元激活函數(shù)，進(jìn)而計(jì)算隱含層輸出矩陣計(jì)算輸出層權(quán)值。

（3）用訓(xùn)練好的ELM模型對測試樣本集進(jìn)行分類，并輸出分類結(jié)果。

3.2基于改進(jìn)ELM的故障診斷

篇（4）

關(guān)鍵詞:

模擬電路；軟故障診斷；神經(jīng)網(wǎng)絡(luò)；模糊理論；小波變換

在最近幾年，現(xiàn)代模擬電路故障診斷方法的研究成為了新的熱點(diǎn)。其中有基于神經(jīng)網(wǎng)絡(luò)。并結(jié)合專家系統(tǒng)、小波變換、模糊理論和遺傳算法。“小波神經(jīng)網(wǎng)絡(luò)”和“模糊神經(jīng)網(wǎng)絡(luò)”成為主流的模擬電路軟故障診斷方法。

1基于神經(jīng)網(wǎng)絡(luò)的故障診斷方法

神經(jīng)網(wǎng)絡(luò)有自組織性、自學(xué)性、并行性、聯(lián)想記憶和分類功能,這些信息處理特點(diǎn)使其能夠解決一些傳統(tǒng)模式難以解決的問題。其中模擬電路故障診斷中的非線性和容差問題就是運(yùn)用神經(jīng)網(wǎng)絡(luò)的非線性映射能力和泛化能力來解決的，同時(shí)這也是專家門的較為感興趣的研究熱點(diǎn)。基于神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷方法有一些，其中包括測試節(jié)點(diǎn)的選擇、確定被測故障集、故障特征的提取等步驟,這種方法與基于測前仿真的故障字典法雷同。前者用制作神經(jīng)網(wǎng)絡(luò)和樣本集來儲存特征信息，而且在測試完畢后定位故障是通過神經(jīng)網(wǎng)絡(luò)來處理。所以可以把基于神經(jīng)網(wǎng)絡(luò)的方法當(dāng)作是基于測后仿真和測前仿真的延伸與綜合。在故障診斷領(lǐng)域，誤差反傳神經(jīng)網(wǎng)絡(luò)（backpropagationneuralnetwork,BPNN）擁有較好的模式分類特性。然而僅僅以節(jié)點(diǎn)電壓視作故障特征訓(xùn)練的BPNN只能適用于診斷模擬電路的硬故障。在軟故障方面，一般需要基于神經(jīng)網(wǎng)絡(luò)和多種特征提取方法的綜合應(yīng)用來診斷。

2基于模糊理論應(yīng)用的模擬電路軟故障診斷

在一些故障診斷問題中，模糊規(guī)則適合描述故障診斷的機(jī)理。模糊理論中的模糊運(yùn)算、模糊邏輯系統(tǒng)、模糊集合擁有對模糊信息的準(zhǔn)確應(yīng)付能力，這使得模糊理論成為故障診斷的一種有力工具。神經(jīng)網(wǎng)絡(luò)與模糊理論相結(jié)合，充分發(fā)揮了模糊理論和神經(jīng)網(wǎng)絡(luò)各自的優(yōu)點(diǎn)，并以此來彌補(bǔ)各自的不足，這就是所謂的“模糊神經(jīng)網(wǎng)絡(luò)”。這種方法的基本思想是在BPNN的輸出層和輸入層中間增加一到兩層模糊層構(gòu)造模糊神經(jīng)網(wǎng)絡(luò)，分別利用神經(jīng)網(wǎng)絡(luò)和模糊邏輯處理低層感知數(shù)據(jù)與描述高層的邏輯框架，這樣一來跟神經(jīng)網(wǎng)絡(luò)分類器相比，“模糊神經(jīng)網(wǎng)絡(luò)”對模擬電路軟故障診斷效果的優(yōu)勢就非常明顯。通過一個(gè)無監(jiān)督的聚類算法自組織地確定模糊規(guī)則的數(shù)目并生成一個(gè)初始的故障診斷模糊規(guī)則庫，構(gòu)造了一類模糊神經(jīng)網(wǎng)絡(luò)，通過訓(xùn)練調(diào)整網(wǎng)絡(luò)權(quán)值，使故障診斷模糊規(guī)則庫的分類更加精確，實(shí)現(xiàn)了電路元件的軟故障診斷。

3基于小波變換的模擬電路軟故障診斷

小波變換是一種新的變換分析方法，它繼承和發(fā)展了短時(shí)傅立葉變換局部化的思想，同時(shí)又克服了窗口大小不隨頻率變化等缺點(diǎn)，能夠提供一個(gè)隨頻率改變的"時(shí)間-頻率"窗口，是進(jìn)行信號時(shí)頻分析和處理的理想工具。它的主要特點(diǎn)是通過變換能夠充分突出問題某些方面的特征，能對時(shí)間（空間）頻率的局部化分析，通過伸縮平移運(yùn)算對信號（函數(shù))逐步進(jìn)行多尺度細(xì)化，最終達(dá)到高頻處時(shí)間細(xì)分，低頻處頻率細(xì)分，能自動適應(yīng)時(shí)頻信號分析的要求，從而可聚焦到信號的任意細(xì)節(jié)，解決了Fourier變換的困難問題，成為繼Fourier變換以來在科學(xué)方法上的重大突破。若滿足時(shí)，則由經(jīng)過伸縮和平移得到的函數(shù)成為小波函數(shù)族。小波變換具有時(shí)域局部特征,而神經(jīng)網(wǎng)絡(luò)具有魯棒性、自學(xué)習(xí)、自適性和容錯(cuò)性。如何把二者的優(yōu)勢結(jié)合起來一直是人們所關(guān)注的問題。一種方法是用小波變換對信號進(jìn)行預(yù)處理,即以小波空間作為模式識別的特征空間，通過小波分析來實(shí)現(xiàn)信號的特征提取，然后將提取的特征向量送入神經(jīng)網(wǎng)絡(luò)處理；另一種即所謂的小波神經(jīng)網(wǎng)絡(luò)或小波網(wǎng)絡(luò)。小波神經(jīng)網(wǎng)絡(luò)是神經(jīng)網(wǎng)絡(luò)與小波理論相結(jié)合的產(chǎn)物，最早是由法國著名的信息科學(xué)研究機(jī)構(gòu)IRLSA的ZhangQinghu等人1992年提出來的。小波神經(jīng)用絡(luò)是基于小波變換而構(gòu)成的神經(jīng)網(wǎng)絡(luò)模型,即用非線性小波基取代通常的神經(jīng)元非線性激勵(lì)函數(shù)(如Sigmoid函數(shù)),把小波變換與神經(jīng)網(wǎng)絡(luò)有機(jī)地結(jié)合起來,充分繼承了兩者的優(yōu)點(diǎn)。近幾年來,國內(nèi)外有關(guān)小波網(wǎng)絡(luò)的研究報(bào)告層出不窮。小波與前饋神經(jīng)網(wǎng)絡(luò)是小波網(wǎng)絡(luò)的主要研究方向。小波還可以與其他類型的神經(jīng)網(wǎng)絡(luò)結(jié)合,例如Kohonen網(wǎng)絡(luò)對信號做自適應(yīng)小波分解。

由于神經(jīng)網(wǎng)絡(luò)、小波變換、模糊理論在當(dāng)今的發(fā)展上還不是很完善,例如在診斷中，模糊度該如何準(zhǔn)確地定量化，對小波變換之后故障信號進(jìn)行怎樣構(gòu)造能體現(xiàn)故障類別的特征等,因此這些基于神經(jīng)網(wǎng)絡(luò)的診斷方法或多或少地存在一些局限性。一般來說,神經(jīng)網(wǎng)絡(luò)方法的長處并不是提高診斷精度，而且無論運(yùn)用什么方法,在選取狀態(tài)特征參量和確定電路故障集方面,傳統(tǒng)的故障診斷方法仍然具有理論上的指導(dǎo)意義。所以,抽取合理的故障特征比構(gòu)造合適的神經(jīng)網(wǎng)絡(luò)更為重要。

參考文獻(xiàn)：

[1]梁戈超,何怡剛,朱彥卿.基于模糊神經(jīng)網(wǎng)絡(luò)融合遺傳算法的模擬電路故障診斷法[J].電路與系統(tǒng)學(xué)報(bào),2004,9(2):54-57.

篇（5）

引言

隨著環(huán)境污染日益嚴(yán)重、能源供給壓力不斷增大等問題的凸顯，轉(zhuǎn)變經(jīng)濟(jì)增長方式，走低碳化發(fā)展道路，已經(jīng)成為世界各國的普遍共識。燃?xì)獍l(fā)電廠由于使用天然氣等清潔能源，各項(xiàng)排放指標(biāo)優(yōu)于燃煤電廠[1，2]，使得燃?xì)獍l(fā)電不僅可以有效減少碳排放，而且可以緩解煤炭等傳統(tǒng)能源的供需壓力。

隨著燃?xì)獍l(fā)電越來越受到重視，很多學(xué)者對燃?xì)獍l(fā)電進(jìn)行了實(shí)證分析和研究。如文獻(xiàn)[1]分析了我國燃?xì)獍l(fā)電現(xiàn)狀及規(guī)劃，并對行業(yè)前景從天然氣開采、發(fā)電量等方面進(jìn)行預(yù)測；文獻(xiàn)[3]在隨機(jī)生產(chǎn)模擬的基礎(chǔ)上，對天然氣發(fā)電效益進(jìn)行分析；文獻(xiàn)[4-5]從風(fēng)險(xiǎn)評價(jià)方面對天然氣市場或發(fā)電方面進(jìn)行研究。本文在已有研究的基礎(chǔ)上，從燃?xì)獍l(fā)電現(xiàn)狀入手，建立我國燃?xì)獍l(fā)電行業(yè)的風(fēng)險(xiǎn)評價(jià)指標(biāo)體系，結(jié)合模糊神經(jīng)網(wǎng)絡(luò)方法，對我國燃?xì)獍l(fā)電進(jìn)行風(fēng)險(xiǎn)評價(jià)。

1 燃?xì)獍l(fā)電風(fēng)險(xiǎn)評價(jià)指標(biāo)體系

基于風(fēng)險(xiǎn)評價(jià)指標(biāo)體系的構(gòu)建原則，本文將我國燃?xì)獍l(fā)電的風(fēng)險(xiǎn)分為以下五類并進(jìn)行評價(jià)。

（1）資源風(fēng)險(xiǎn)：對于燃?xì)怆姀S來說，資源的可采儲量、采選方式可能與計(jì)劃結(jié)果存在偏差，導(dǎo)致燃?xì)獍l(fā)電成本增加或發(fā)電量乃至電網(wǎng)收到影響。（2）生產(chǎn)風(fēng)險(xiǎn)：燃?xì)怆姀S對天然氣供應(yīng)的要求很高，而其在與天然氣供應(yīng)商簽訂“照付不議”合同、與電網(wǎng)公司的協(xié)調(diào)方面，都存在一定程度的不確定性，并會對發(fā)電產(chǎn)生影響。（3）技術(shù)風(fēng)險(xiǎn)：隨著燃?xì)獍l(fā)電的應(yīng)用擴(kuò)大化和機(jī)組大型化趨勢日益明顯，技術(shù)和工作原理也更加復(fù)雜，因此存在一定的技術(shù)風(fēng)險(xiǎn)。（4）市場風(fēng)險(xiǎn)：燃?xì)獍l(fā)電的市場風(fēng)險(xiǎn)主要包括市場競爭、市場供求和發(fā)電效益三個(gè)方面[6，7]。（5）環(huán)境風(fēng)險(xiǎn)：國內(nèi)外天然氣、電力市場的變動以及國際經(jīng)濟(jì)形勢也會對燃?xì)獍l(fā)電的發(fā)展起重要作用，因此存在一定的環(huán)境風(fēng)險(xiǎn)。

根據(jù)上述對燃?xì)獍l(fā)電風(fēng)險(xiǎn)的分析，構(gòu)建我國燃?xì)獍l(fā)電風(fēng)險(xiǎn)評價(jià)指標(biāo)體系，如表1所示。

2 模糊神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建

2.1 模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

模糊神經(jīng)網(wǎng)絡(luò)將模糊理論和神經(jīng)網(wǎng)絡(luò)理論結(jié)合起來，本文構(gòu)建的模糊神經(jīng)網(wǎng)絡(luò)模型采用模糊系統(tǒng)和神經(jīng)網(wǎng)絡(luò)串聯(lián)連接方式，即輸入經(jīng)過隸屬函數(shù)轉(zhuǎn)化為模糊量后，再進(jìn)入神經(jīng)網(wǎng)絡(luò)系統(tǒng)進(jìn)行處理[8-10]。模型結(jié)構(gòu)的第1層為輸入層，第2層為模糊化層，第3層為模糊推理層，第4層為輸出層。本文模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

2.2 模糊化處理步驟

根據(jù)已建立的燃?xì)獍l(fā)電風(fēng)險(xiǎn)評價(jià)指標(biāo)體系，采用模糊綜合評價(jià)法對燃?xì)獍l(fā)電風(fēng)險(xiǎn)因素的指標(biāo)量化處理，使得模糊處理系統(tǒng)的輸出作為神經(jīng)網(wǎng)絡(luò)系統(tǒng)的輸入，具體步驟如下。

（1）確定因素集。根據(jù)風(fēng)險(xiǎn)指標(biāo)體系構(gòu)造因素集X={x1，x2，…，xk}和每個(gè)二級指標(biāo)的因素集Xi={Xi1，Xi2，...Xin}，i=1，2，…k。

（2）確定評語集。對于因素Xi來說，專家對各風(fēng)險(xiǎn)因素逐個(gè)給出風(fēng)險(xiǎn)程度評語，將各指標(biāo)的評語分為m個(gè)等級，評語集為Y={y1，y2，…ym}。

（3）做單因素評價(jià)，得評價(jià)矩陣R。構(gòu)造模糊映射f，XF（Y），F(xiàn)（Y）是Y上的模糊集，映射f為風(fēng)險(xiǎn)因素xi對評語集Y的隸屬向量Ri={ri1，ri2，…rim}，i=1，2…n。由此得到評價(jià)矩陣R=（rij）n×m∈F（X×F）。

（4）做綜合評價(jià)。對評語集中每個(gè)評價(jià)指標(biāo)賦予權(quán)重A=（a1，a2，…，an）， ai=1，ai？叟0由模糊運(yùn)算得到一級評價(jià)結(jié)果B=A?R，并以類似方法求出二級評價(jià)結(jié)果C=（c1，c2，…，cn），該向量作為神經(jīng)網(wǎng)絡(luò)的輸入。

2.3 神經(jīng)網(wǎng)絡(luò)模型

設(shè)輸入層節(jié)點(diǎn)數(shù)為m，隱含層節(jié)點(diǎn)數(shù)為e，輸出層節(jié)點(diǎn)數(shù)為n，其中隱含層節(jié)點(diǎn)數(shù)通常采用Kol-mogorov定理的經(jīng)驗(yàn)處理公式e= +c，式中，c為介于1～10的常數(shù)。對任一神經(jīng)元i，其輸入、輸出關(guān)系可表述為Oi=f（ ？棕ijhj+？茲i），式中，hj為神經(jīng)元的第j個(gè)輸入，Oi為神經(jīng)元的第i個(gè)輸出；？棕ij是所有與第i個(gè)神經(jīng)元相連的權(quán)值；？茲i是神經(jīng)元第i節(jié)點(diǎn)的閾值。f（x）為傳遞函數(shù)，一般采用sigmoid型：f（x）=（1+exp（-x））-1。

設(shè)有p組訓(xùn)練樣本，用其中的第k組的樣本的輸入、輸出模式對網(wǎng)絡(luò)進(jìn)行訓(xùn)練。設(shè)定收斂誤差界值為？著min，最大學(xué)習(xí)次數(shù)為N，經(jīng)過反復(fù)迭代運(yùn)算，根據(jù)誤差函數(shù)，得出樣本誤差Ek= （hoi（k）-yoi（k）），訓(xùn)練集誤差E= Ek。若網(wǎng)絡(luò)輸出值與期望輸出值之間的誤差不滿足誤差精度要求，則將誤差反向傳播，誤差傳播過程中，要不斷地反復(fù)修正網(wǎng)絡(luò)中連接權(quán)值和閾值，直至滿足誤差精度要求。連接權(quán)值和閾值修正公式為？駐k？棕（t+1）=？濁？啄jkoik+？琢？駐k？棕ij（t），？茲j（t+1）=？茲j+ ？駐k？茲j。式中，？濁學(xué)習(xí)率，？琢為動力因子，二者均介于0到1之間；？琢？駐k？棕ij（t）為動力項(xiàng)，？啄jk為輸出節(jié)點(diǎn)計(jì)算誤差，t為訓(xùn)練次數(shù)。

3 算例分析

以我國燃?xì)獍l(fā)電為例，用模糊神經(jīng)網(wǎng)絡(luò)風(fēng)險(xiǎn)評價(jià)法對其風(fēng)險(xiǎn)進(jìn)行評。

（1）確定因素集和評語集，根據(jù)評價(jià)矩陣得出模糊評價(jià)結(jié)果。

本文的評價(jià)對象為我國燃?xì)獍l(fā)電風(fēng)險(xiǎn)，由評價(jià)體系可知，一級指標(biāo)因素集為X={x1，x2，x3，x4，x5}={資源風(fēng)，生產(chǎn)風(fēng)險(xiǎn)，技術(shù)風(fēng)險(xiǎn)，市場風(fēng)險(xiǎn)，環(huán)境風(fēng)險(xiǎn)}，二級指標(biāo)因素集分別為X1={x11，x12，x13}={儲量風(fēng)險(xiǎn)，開采風(fēng)險(xiǎn)，地理地質(zhì)條件風(fēng)險(xiǎn)}，X2={x21，x22，x23}={天然氣供應(yīng)風(fēng)險(xiǎn)，燃?xì)庠O(shè)備選擇風(fēng)險(xiǎn)，技術(shù)選擇風(fēng)險(xiǎn)}，X3={x31，x32，x33}={技術(shù)研發(fā)風(fēng)險(xiǎn)，技術(shù)成熟度風(fēng)險(xiǎn)，技術(shù)應(yīng)用性風(fēng)險(xiǎn)}，X4={x41，x42，x43}={市場競爭風(fēng)險(xiǎn)，市場供求風(fēng)險(xiǎn)，發(fā)電效益風(fēng)險(xiǎn)}，X5={x51，x52，x53}={國家政策法律風(fēng)險(xiǎn)，國際政治和經(jīng)濟(jì)環(huán)境風(fēng)險(xiǎn)，自然環(huán)境風(fēng)險(xiǎn)}。評語集為Y={y1，y2，y3，y4，y5}={大，較大，中等，較小，小}，相對應(yīng)的分值為1.0，0.7，0.5，0.3，0.1。由15個(gè)專家組成評分小組，得到一級評價(jià)矩陣和二級評價(jià)矩陣，以及由評價(jià)矩陣求得的最大特征向量得到的權(quán)重向量得出15個(gè)樣本的綜合評價(jià)得分矩陣為？滋=（？滋1，？滋2，…，？滋15）=（0.669，0.623，0.691，

0.691，0.611，0.637，0.668，0.582，0.604，0.548，0.612，0.621，0.607，0.641，0.625，0.632）。模糊化后15個(gè)樣本各列得分和綜合得分結(jié)果如表2所示。

（2）神經(jīng)網(wǎng)絡(luò)訓(xùn)練和測試階段

設(shè)置訓(xùn)練參數(shù)時(shí)，在BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練選擇22×13×1的網(wǎng)絡(luò)結(jié)構(gòu)，訓(xùn)練最大次N=1000，學(xué)習(xí)率？濁=0.01，動量因子？琢=0.5，最收斂誤差界？著min=10-4，傳遞函數(shù)選擇對數(shù)S函數(shù)logsig，訓(xùn)練函數(shù)為traingdx，學(xué)習(xí)函數(shù)為learndm，權(quán)值矩陣初值由系統(tǒng)隨機(jī)給定。BP網(wǎng)絡(luò)模型的仿真結(jié)果均由Matlab軟件給出。選取表1的前10組數(shù)據(jù)作為訓(xùn)練樣本，后5組數(shù)據(jù)作為測試集，模擬待評估對象。經(jīng)過BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練后的前10組樣本輸出結(jié)果如下圖2所示。

利用訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)模型對表2中的第11到15組數(shù)據(jù)進(jìn)行測試，測試結(jié)果如下圖3所示。

將測試結(jié)果與專家評價(jià)結(jié)果進(jìn)行對比分析，如下表3所示。

表3 BP神經(jīng)網(wǎng)絡(luò)測試結(jié)果

由上表看出，5個(gè)測試集仿真評價(jià)的結(jié)果與專家評價(jià)結(jié)果非常接近，平均相對誤差為2.90%，除了測試樣本13的訓(xùn)練相對誤差相比于其它測試樣本稍微偏大為8.89%，但是仍保持在較低的誤差水平。因此可以認(rèn)為所建立的模糊神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練精度較高，模擬測試結(jié)果較好。測試結(jié)果顯示，當(dāng)前我國燃?xì)獍l(fā)電風(fēng)險(xiǎn)得分值在0.5與0.7之間，根據(jù)劃定的評價(jià)集，可判斷出當(dāng)前我國燃?xì)獍l(fā)電風(fēng)險(xiǎn)為較大和中等之間。

4 結(jié)束語

本文運(yùn)用模糊神經(jīng)網(wǎng)絡(luò)對目前我國燃?xì)獍l(fā)電風(fēng)險(xiǎn)進(jìn)行了評價(jià)研究，可以得到以下主要結(jié)論：

（1）該模糊神經(jīng)網(wǎng)絡(luò)模型能夠充分避免主觀、人為因素的影響，具有自學(xué)習(xí)、自組織適應(yīng)能力強(qiáng)等優(yōu)點(diǎn)，算例分析結(jié)果也顯示出該模型訓(xùn)練精度高，預(yù)測結(jié)果好，評價(jià)結(jié)果較為客觀；

（2）建立模糊神經(jīng)網(wǎng)絡(luò)模型應(yīng)合理確定網(wǎng)絡(luò)層數(shù)及隱含層的神經(jīng)元數(shù)，設(shè)置不合理會影響網(wǎng)絡(luò)的學(xué)習(xí)能力和效率；

（3）基于模糊神經(jīng)網(wǎng)絡(luò)對我國燃?xì)獍l(fā)電進(jìn)行評價(jià)，有利于業(yè)內(nèi)人士更加客觀、清楚地了解當(dāng)前我國燃?xì)獍l(fā)電現(xiàn)狀和問題，從而有利于促進(jìn)該行業(yè)的發(fā)展。

參考文獻(xiàn)

[1]張斌.我國天然氣發(fā)電現(xiàn)狀及前景分析[J].中國能源，2012，34（11）：12-16.

[2]李強(qiáng).燃?xì)獍l(fā)電企業(yè)的市場營銷戰(zhàn)略[J].現(xiàn)代商業(yè)，2007，（36）：163.

[3]董軍，陰少華，王江波等.基于隨機(jī)生產(chǎn)模擬的天然氣發(fā)電環(huán)境效益與可靠性效益分析[J].陜西電力，2010，38（7）：6-9.

[4]劉毅軍，李松玲，徐小輝等.天然氣產(chǎn)業(yè)鏈下游市場風(fēng)險(xiǎn)評價(jià)模型探討[J].天然氣工業(yè)，2006，26（7）：136-138.

[5]熊焰，周偉國，嚴(yán)銘卿等.模糊神經(jīng)網(wǎng)絡(luò)在燃?xì)怙L(fēng)險(xiǎn)評價(jià)的應(yīng)用[J].煤氣與熱力，2006，26（6）：6-9.

[6]唐永偉. 燃?xì)怆姀S風(fēng)險(xiǎn)分析[J].中國電力，2002，35（4）：1-4.

[7]劉毅軍，夏新生，宋建新.天然氣產(chǎn)業(yè)鏈下游市場風(fēng)險(xiǎn)評價(jià)指標(biāo)體系探討[J].天然氣工業(yè)，2006，26（增刊）：172-174.

[8]魏陽，李凌云，馬明娟等.基于模糊綜合評價(jià)法的聚光型太陽能光熱發(fā)電風(fēng)險(xiǎn)評價(jià)研究[J].陜西電力，2012，40（3）：1-5.

[9]M. Mosleha， M. Otadia， S. Abbasbandyb. Evaluation of fuzzy regression models by fuzzy neural network[J]. Journal of Computational and Applied Mathematics， 2011， 234（3）：825-834.

篇（6）

【關(guān)鍵詞】人工神經(jīng)網(wǎng)絡(luò) 信息技術(shù) 發(fā)展趨勢

人工神經(jīng)網(wǎng)絡(luò)技術(shù)在處理實(shí)際問題主要包括兩個(gè)過程，一個(gè)是學(xué)習(xí)訓(xùn)練過程，另外一個(gè)是記憶聯(lián)想過程。近年來隨著人工網(wǎng)絡(luò)技術(shù)的發(fā)展，人工神經(jīng)網(wǎng)絡(luò)技術(shù)在信號處理、圖像處理、智能識別等領(lǐng)域已經(jīng)取得了巨大的改變，為人們研究各類科學(xué)問題提供了一種新的方法和手段，使人們在交通運(yùn)輸、人工智能、軍事、信息領(lǐng)域的工作更加便捷，近年來隨著AI的l展，人工神經(jīng)網(wǎng)絡(luò)技術(shù)得到了快速的發(fā)展階段。

1 人工神經(jīng)網(wǎng)絡(luò)技術(shù)

人工神經(jīng)網(wǎng)絡(luò)技術(shù)也稱ANN，是隨著上個(gè)世紀(jì)八十年代人工智能發(fā)展興起的一個(gè)研究熱點(diǎn)，它的主要工作原理對人腦神經(jīng)網(wǎng)絡(luò)進(jìn)行抽象處理，并仿造人腦神經(jīng)網(wǎng)絡(luò)建立簡單的模型，按照不同的連接方式組成一個(gè)完整的網(wǎng)絡(luò)，因此學(xué)術(shù)界也直接將它成為神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)其實(shí)就是一種運(yùn)算模型，它是通過大量的節(jié)點(diǎn)――神經(jīng)元連接起來的，其中不同的節(jié)點(diǎn)所代表的輸出函數(shù)也不同，也就是所謂的激勵(lì)函數(shù)；當(dāng)有兩個(gè)節(jié)點(diǎn)連接起來時(shí)稱之為通過該連接信號的加權(quán)值，也稱為權(quán)重，這就相當(dāng)人腦神經(jīng)網(wǎng)絡(luò)記憶。人工神經(jīng)網(wǎng)絡(luò)技術(shù)是采用并行分布式系統(tǒng)，這種工作機(jī)理與傳統(tǒng)的信息處理技術(shù)和人工智能技術(shù)完全不同，是一種全新的技術(shù)，它克服了傳統(tǒng)基于邏輯符號的人工智能處理非結(jié)構(gòu)信息化和直覺方面的缺陷，具有實(shí)時(shí)學(xué)習(xí)、自適應(yīng)性和自組織性等特點(diǎn)。

2 人工神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用分析

隨著人工神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展，它在模式識別、知識工程、信號處理、專家系統(tǒng)、機(jī)器人控制等方面的應(yīng)用較廣。

2.1 生物信號的檢測分析

目前大部分醫(yī)學(xué)檢測設(shè)備都是通過連續(xù)波形得到相關(guān)數(shù)據(jù)，從而根據(jù)所得數(shù)據(jù)對病情進(jìn)行診斷。人工神經(jīng)網(wǎng)絡(luò)技術(shù)就是應(yīng)用了這樣的方式將多個(gè)神經(jīng)元組合起來構(gòu)成，解決了生物醫(yī)學(xué)信號檢測方面的難題，其適應(yīng)性和獨(dú)立性強(qiáng)，分布貯藏功能多。在生物醫(yī)學(xué)領(lǐng)域該技術(shù)主要應(yīng)用于對心電信號、聽覺誘發(fā)電位信號、醫(yī)學(xué)圖像、肌電荷胃腸等信號的處理、識別和分析。

2.2 醫(yī)學(xué)專家系統(tǒng)

傳統(tǒng)的醫(yī)院專家系統(tǒng)是直接將專家的經(jīng)驗(yàn)、學(xué)歷、臨床診斷方面取得的成績等存儲在計(jì)算機(jī)中，構(gòu)建獨(dú)立的醫(yī)學(xué)知識庫，通過邏輯推理進(jìn)行診斷的一種方式。進(jìn)入到二十一世紀(jì)，醫(yī)院需要存儲的醫(yī)學(xué)知識越來越多，每天產(chǎn)生新的病況和知識，過去的一些專家系統(tǒng)顯然已經(jīng)無法適應(yīng)醫(yī)院的發(fā)展需求，因此醫(yī)院的效率很低。而人工神經(jīng)網(wǎng)絡(luò)技術(shù)的出現(xiàn)為醫(yī)院專家系統(tǒng)的構(gòu)建提出了新的發(fā)展方向，通過人工神經(jīng)網(wǎng)絡(luò)技術(shù)，系統(tǒng)能夠自主學(xué)習(xí)、自己組織、自行推理。因此在醫(yī)學(xué)專家系統(tǒng)中該網(wǎng)絡(luò)技術(shù)應(yīng)用面較廣。麻醉醫(yī)學(xué)、重癥醫(yī)學(xué)中生理變量分析和評估較多，目前臨床上一些還沒有確切證據(jù)或者尚未發(fā)現(xiàn)的關(guān)系與現(xiàn)象，通過人工神經(jīng)網(wǎng)絡(luò)便能有效地解決。

2.3 市場價(jià)格預(yù)測

在經(jīng)濟(jì)活動中，傳統(tǒng)統(tǒng)計(jì)方法受到一些因素的制約，無法對價(jià)格變動做出準(zhǔn)確的預(yù)測，因此難免在預(yù)測的時(shí)候出現(xiàn)失誤的現(xiàn)象。人工神經(jīng)網(wǎng)絡(luò)技術(shù)能夠處理那些不完整的、規(guī)律不明顯、模糊不確定的數(shù)據(jù)，并作出有效地預(yù)測，因此人工神經(jīng)網(wǎng)絡(luò)技術(shù)具有傳統(tǒng)統(tǒng)計(jì)方法無法比擬的優(yōu)勢。例如人工神經(jīng)網(wǎng)絡(luò)技術(shù)可以通過分析居民人均收入、貸款利率和城市化發(fā)展水平，從而組建一個(gè)完整的預(yù)測模型，準(zhǔn)確預(yù)測出商品的價(jià)格變動情況。

2.4 風(fēng)險(xiǎn)評價(jià)

在從事某一項(xiàng)特定的活動時(shí)，由于社會上一些不確定因素，可能造成當(dāng)事人經(jīng)濟(jì)上或者其他方面的損失。因此在進(jìn)行某一項(xiàng)活動時(shí)，對活動進(jìn)行有效的預(yù)測和評估，避免風(fēng)險(xiǎn)。人工神經(jīng)網(wǎng)絡(luò)技術(shù)可以根據(jù)風(fēng)險(xiǎn)的實(shí)際來源，構(gòu)筑一套信用風(fēng)險(xiǎn)模型結(jié)構(gòu)和風(fēng)險(xiǎn)評估系數(shù)，從而提出有效地解決方案。通過信用風(fēng)險(xiǎn)模型分析彌補(bǔ)主觀預(yù)測方面的不足，從而達(dá)到避免風(fēng)險(xiǎn)的目的。

3 人工神經(jīng)網(wǎng)絡(luò)技術(shù)未來發(fā)展

人工神經(jīng)網(wǎng)絡(luò)克服了傳統(tǒng)人工智能對語言識別、模式、非結(jié)構(gòu)化信息處理的缺陷，因此在模式識別、神經(jīng)專家系統(tǒng)、智能控制、信息處理和天氣預(yù)測等領(lǐng)域廣泛應(yīng)用。隨著科學(xué)技術(shù)的進(jìn)步，AI的快速發(fā)展，AI與遺傳算法、模糊系統(tǒng)等方面結(jié)合，形成了計(jì)算智能，很多企業(yè)和國家開始大規(guī)模研發(fā)AI，人工神經(jīng)網(wǎng)絡(luò)正在模擬人類認(rèn)知的方向發(fā)展，目前市場已經(jīng)有很多不少人工智能產(chǎn)品面世。

4 結(jié)語

通過上述研究分析，人工神經(jīng)網(wǎng)絡(luò)技術(shù)已經(jīng)取得了相應(yīng)的發(fā)展，但還存在很多不足：應(yīng)用范圍狹窄、預(yù)測精度低、通用模型缺乏創(chuàng)新等，因此需要我們在此基礎(chǔ)上不斷尋找新的突破點(diǎn)，加強(qiáng)對生物神經(jīng)元系統(tǒng)的研究和探索，進(jìn)一步挖掘其潛在的價(jià)值，將人工神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用在更多領(lǐng)域中，為社會創(chuàng)造更大的財(cái)富。

參考文獻(xiàn)

[1]周文婷，孟琪.運(yùn)動員賽前心理調(diào)控的新策略――基于人工神經(jīng)網(wǎng)絡(luò)技術(shù)的比賽場地聲景預(yù)測（綜述）[J].哈爾濱體育學(xué)院學(xué)報(bào)，2015，33（03）：15-21.

[2]張紅蘭.人工神經(jīng)網(wǎng)絡(luò)技術(shù)的應(yīng)用現(xiàn)狀分析[J].中國新通信，2014（02）：76-76.

篇（7）

中圖分類號：S435.122+.2 文獻(xiàn)標(biāo)識碼：A DOI 編碼：10.3969/j.issn.1006-6500.2015.04.030

Study on the Prediction of Occurrence Quantity of Wheat Aphids Based on Wavelet Neural Network

JIN Ran，LI Sheng-cai

（Agronomy College，Shanxi Agricultural Unversity，Taigu，Shanxi 030801，China）

Abstract： Baesd on the Wheat Aphids and meteorological data of 1979―2014， meteorological factors that influenced the maximum amount of wheat aphids occurred were screened by stepwise regression method， and then taking the meteorological factors and 1979-2009 which were screened or years Aphids occurrence amount as the training set， the wavelet neural network of forecast model was built ， using the model， occurrence quantity of 2010―2014 years of wheat aphids were predicted， the results showed that the prediction result of wavelet neural network prediction model was accurate.

Key words：wavelet neural network; occurrence;forecast

多年來，國內(nèi)外學(xué)者利用經(jīng)驗(yàn)預(yù)測法、實(shí)驗(yàn)預(yù)測法、統(tǒng)計(jì)預(yù)測法等對害蟲發(fā)生預(yù)測進(jìn)行了大量的研究[1]，為害蟲綜合防治提供了良好的指導(dǎo)作用，但由于害蟲的發(fā)生具有多樣性、突發(fā)性、隨機(jī)性等特點(diǎn)，易受環(huán)境因子及害蟲自身生長發(fā)育、天敵發(fā)生情況等影響，害蟲的種群動態(tài)是一個(gè)復(fù)雜的非線性結(jié)構(gòu)，目前，國內(nèi)外已有研究將現(xiàn)代非線性理論運(yùn)用到害蟲預(yù)測預(yù)報(bào)領(lǐng)域，通過傳統(tǒng)的動力理論、數(shù)理統(tǒng)計(jì)與現(xiàn)代計(jì)算技術(shù)相結(jié)合，發(fā)展了人工神經(jīng)網(wǎng)絡(luò)[2-3]、相空間重構(gòu)預(yù)測法、小波分析[4]、支持向量機(jī)[5-6]等預(yù)測預(yù)報(bào)方法，在復(fù)雜環(huán)境下更精準(zhǔn)地將害蟲控制在經(jīng)濟(jì)閾值之下，減少農(nóng)作物的損失。

人工神經(jīng)網(wǎng)絡(luò)可以實(shí)現(xiàn)任何復(fù)雜非線性映射的功能，便于解決內(nèi)部機(jī)制較復(fù)雜的問題;能夠通過訓(xùn)練自動提取輸出、輸出數(shù)據(jù)間的“合理規(guī)則”，具有高效的自學(xué)和適應(yīng)能力;可以將學(xué)習(xí)成果主動應(yīng)用于新知識的構(gòu)建;具有較好的容錯(cuò)能力[7-11]。小波分析具有良好的時(shí)頻局部特性和變焦特性，且時(shí)頻窗可根據(jù)需要及時(shí)調(diào)整，目前已成功用于信號與圖像壓縮、工程技術(shù)、信號分析等方面[12-14]。小波神經(jīng)網(wǎng)絡(luò)是利用小波分析與神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)，取其精華，棄其糟粕，將兩者有機(jī)結(jié)合形成的一種網(wǎng)絡(luò)結(jié)構(gòu)。

筆者運(yùn)用小波神經(jīng)網(wǎng)絡(luò)這種復(fù)合型神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，采用更為準(zhǔn)確的預(yù)測模型對麥蚜的發(fā)生量進(jìn)行監(jiān)測，對研究害蟲災(zāi)害發(fā)生的動態(tài)規(guī)律、發(fā)展趨勢，對農(nóng)業(yè)部門指導(dǎo)農(nóng)民科學(xué)生產(chǎn)[15-17]，采取有效措施減少蟲害危害，增加農(nóng)民收入，都具有很好的現(xiàn)實(shí)意義，不失為一種有益的嘗試。

1 試驗(yàn)對象及數(shù)據(jù)來源

1.1 麥蚜數(shù)據(jù)

麥蚜蟲害原始數(shù)據(jù)來自山西省植保植檢總站。研究地點(diǎn)在山西省運(yùn)城市芮城縣古魏鎮(zhèn)，為山西小麥的主產(chǎn)區(qū)，北緯34°36′～48°30′，東經(jīng)110°36′～42°30"，年平均氣溫12.77 ℃，無霜期250 d左右，年降水量513 mm。全鎮(zhèn)耕地面積約4 666.67 hm2，土地平坦，土壤肥沃，小麥?zhǔn)亲钪饕霓r(nóng)作物。蟲害統(tǒng)計(jì)資料為1979―2014年，每年2月底到6月初，采用系統(tǒng)調(diào)查法統(tǒng)計(jì)每5 d采集到的數(shù)據(jù)。

1.2 氣象數(shù)據(jù)

氣象資料來自于山西省氣象局。根據(jù)麥蚜生理氣象指標(biāo)可知，影響麥蚜發(fā)生發(fā)展的主要?dú)庀髼l件為平均溫度、最高溫度、最低溫度、濕度、降水、風(fēng)速、日照時(shí)長，共收集到1979―2014年，每年2月1日到6月30日的氣象數(shù)據(jù)，統(tǒng)計(jì)分析每5 d的氣象數(shù)值，得到5 d內(nèi)平均溫度、最高溫度、最低溫度、濕度、降水、風(fēng)速、日照時(shí)長等。

2 數(shù)據(jù)歸一化處理

筆者選用1979―2009年作為訓(xùn)練集，2010―2014年作為測試集。

由于不同氣象因子對麥蚜發(fā)生量量綱不同，數(shù)據(jù)值變化范圍較大，會嚴(yán)重影響對小波神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和學(xué)習(xí)速度，神經(jīng)網(wǎng)絡(luò)對[0，l]間的數(shù)據(jù)最敏感，因此，在進(jìn)行建模之前，要將每個(gè)氣象因子歸一化處理，使每個(gè)氣象因子都在[0，l]范圍內(nèi)。歸一化公式為：

Y=■

式中，Xi表示數(shù)據(jù)原始值，Y表示歸一化后的數(shù)據(jù)，Xmax、Xmin分別表示每一類氣象因子的最大值和最小值。

3 篩選氣象因子

選取合適的氣象因子進(jìn)行建模是蟲害預(yù)測預(yù)報(bào)的關(guān)鍵，直接影響到預(yù)測效果。根據(jù)1979―2014年整理的氣象資料，建立氣象因子對照表。如表1所示，可知每年的氣象因子可化為X1～X210，即每年有210個(gè)氣象因子作為預(yù)報(bào)因子。如將所有因子作為自變量，在小波神經(jīng)網(wǎng)絡(luò)執(zhí)行命令時(shí)，會使訓(xùn)練時(shí)間過長，嚴(yán)重影響學(xué)習(xí)效率。因此，運(yùn)用逐步回歸法首先對氣象因子進(jìn)行篩選，逐個(gè)考慮自變量X對Y的影響，按照偏相關(guān)系數(shù)由高及低的順序引入回歸方程，同時(shí)剔除對Y作用不明顯的自變量。

在SPSS軟件中進(jìn)行逐步回歸，選擇“數(shù)理統(tǒng)計(jì)―回歸―線性回歸”，將訓(xùn)練集每年的麥蚜最大發(fā)生量作為Y值， 210個(gè)氣象因子作為因變量，在方法框中選擇“逐步回歸”作為分析方法，得到因子進(jìn)入/移出表。按照逐步回歸結(jié)果，如表2所示，選出因變量為29個(gè)，其中P≤0.05的氣象因子有3個(gè)，分別為X49、X61、X85，表示其對Y值的影響極低，要剔除不進(jìn)入運(yùn)算過程，最后有26個(gè)氣象因子進(jìn)入訓(xùn)練過程。

4 小波神經(jīng)網(wǎng)絡(luò)模型的建立

4.1 小波神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)

本研究采用的是緊致型小波神經(jīng)網(wǎng)絡(luò)，如圖1所示。即用小波函數(shù)代替常規(guī)神經(jīng)網(wǎng)絡(luò)中的隱含層函數(shù)，用小波函數(shù)的尺度代替輸入層到隱含層的權(quán)值，用小波函數(shù)的平移參數(shù)代替隱層閾值[18]。

4.2 小波神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)

4.2.1 小波函數(shù)的選擇 選擇合適的小波具有相對靈活性，數(shù)據(jù)信號不同，需要恰當(dāng)?shù)男〔ㄗ鳛榉纸饣Ｐ〔ɑN類眾多，信號不同，小波基不同。在實(shí)際應(yīng)用中，小波函數(shù)的選擇要根據(jù)小波的波形、支撐大小和消失矩陣的數(shù)目確定，即信號的特征相一致。本研究選用的是Morlet小波函數(shù)。

4.2.2 隱含層設(shè)置 隱含層節(jié)點(diǎn)的作用是從樣本中提取并存儲其內(nèi)在規(guī)律，每個(gè)隱含層節(jié)點(diǎn)有許多能夠增強(qiáng)網(wǎng)絡(luò)映射能力的參數(shù)權(quán)值。若設(shè)置隱含層節(jié)點(diǎn)數(shù)量過多，易出現(xiàn)“過擬合”現(xiàn)象，使網(wǎng)絡(luò)的泛化能力降低，訓(xùn)練時(shí)間增長。若隱含層節(jié)點(diǎn)數(shù)量太少，網(wǎng)絡(luò)從樣本中獲取信息的能力就差，輸出層很難體現(xiàn)訓(xùn)練集的樣本規(guī)律[19]。

4.3 小波神經(jīng)網(wǎng)絡(luò)模型建立程序

筆者采用MATLAB軟件編寫對麥蚜發(fā)生量進(jìn)行預(yù)測的小波神經(jīng)網(wǎng)絡(luò)模型，具體程序包括網(wǎng)絡(luò)參數(shù)配置、輸入輸出數(shù)據(jù)歸一化、網(wǎng)絡(luò)訓(xùn)練、網(wǎng)絡(luò)預(yù)測、結(jié)果分析等5個(gè)部分，由于篇幅有限，只將關(guān)鍵步驟寫出。

4.3.1 網(wǎng)絡(luò)參數(shù)配置

load（'E：＼work＼Ymax.mat'） %導(dǎo)入數(shù)據(jù)

trainx=input（1：30，：）;

trainy=output（31：35）;

M=size（trainx，2）; %輸入節(jié)點(diǎn)個(gè)數(shù)

N=size（trainy，2）; %輸出節(jié)點(diǎn)個(gè)數(shù)

n=15; %隱形節(jié)點(diǎn)個(gè)數(shù)

lr1=0.01 %學(xué)習(xí)概率

lr2=0.05 %學(xué)習(xí)概率

maxgen=150; %迭代次數(shù)

Wjk=randn（n，M）;

Wjk_1=Wjk;Wjk_2=Wjk_1; %權(quán)值初始化

……

4.3.2 輸入輸出數(shù)據(jù)歸一化

testy=output（31：35）;

[inputn，inputps]=mapminmax（input'，0，1）;

[outputn，outputps]=mapminmax（output'，0，1）;

trainxn=inputn（：，1：30）';

trainyn=outputn（1：30）';

4.3.3 網(wǎng)絡(luò)訓(xùn)練

for i=1：maxgen

error（i）=0; %誤差累計(jì)

for kk=1：size（trainx，1） %循環(huán)訓(xùn)練

……

y=y+Wij（k，j）*temp; %小波函數(shù)

error（i）=error（i）+sum（abs（yqw-y））;%計(jì)算誤差和

for j=1：n %權(quán)值調(diào)整

temp=mymorlet（net_ab（j））; %計(jì)算d_Wij

……

4.3.4 網(wǎng)絡(luò)預(yù)測

x=inputn（：，31：35）; %預(yù)測輸入歸一化

x=x';

for i=1：size（testy，1） %網(wǎng)絡(luò)預(yù)測

……

ynn=mapminmax（'reverse'，yuce，outputps）; %預(yù)測輸出反歸一化

4.3.5 結(jié)果分析

figure（1）

plot（ynn，'r*：'）

hold on

plot（testy，'bo--'）

title（'小波神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果'，'fontsize'，12）

legend（'預(yù)測值'，'實(shí)際值'）

xlabel（'年份'）

ylabel（'蚜蟲最大量'）

5 評價(jià)指標(biāo)

如圖3小波神經(jīng)網(wǎng)絡(luò)預(yù)測效果和表3 小波神經(jīng)網(wǎng)絡(luò)對2010―2014年麥蚜發(fā)生量的預(yù)測結(jié)果所示，預(yù)測值與實(shí)際值的曲線擬合效果較好，5年的平均誤差率在10%以下，可見，運(yùn)用逐步回歸篩選氣象因子，再用小波神經(jīng)網(wǎng)絡(luò)進(jìn)行擬合建立模型，對預(yù)測害蟲發(fā)生量有著積極的意義。

由于樣本數(shù)的限制，本試驗(yàn)預(yù)測方法還需要進(jìn)一步改進(jìn)并驗(yàn)證。下一步，可將小波神經(jīng)網(wǎng)絡(luò)與模糊神經(jīng)網(wǎng)絡(luò)、遺傳神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)所做模型進(jìn)行比較，找到蟲害預(yù)測預(yù)報(bào)更為準(zhǔn)確的方法或?qū)追N方法的優(yōu)點(diǎn)結(jié)合起來，建立復(fù)合型模型。

參考文獻(xiàn)：

[1] 張孝羲，翟保平，牟吉元.昆蟲生態(tài)及預(yù)測預(yù)報(bào)[M].北京：中國農(nóng)業(yè)出版社，1985：205-207.

[2] 張映梅，李修煉，趙惠燕.人工神經(jīng)網(wǎng)絡(luò)及其在小麥等作物病蟲害預(yù)測中的應(yīng)用[J].麥類作物學(xué)報(bào)，2002，22（4）：84-87.

[3] 朱大奇.人工神經(jīng)網(wǎng)絡(luò)研究現(xiàn)狀及其展望[J]. 江南大學(xué)學(xué)報(bào)：自然科學(xué)版，2004，3（1）：103-109.

[4] 盛愛蘭，李舜酩.小波分析及其應(yīng)用的研究現(xiàn)狀和發(fā)展趨勢[J].淄博學(xué)院學(xué)報(bào)：自然科學(xué)與工程版，2001，12（4）：51-56.

[5] 丁世飛，齊丙娟.支持向量機(jī)理論與算法研究綜述[J]. 計(jì)算機(jī)科學(xué)，2011，38（2）：14-17.

[6] 顧亞祥，丁世飛. 支持向量機(jī)研究進(jìn)展[J]. 電子科技大學(xué)學(xué)報(bào)，2011，40（1）：2-11.

[7] 陳恩會，王煒，張建軍.BP神經(jīng)網(wǎng)絡(luò)在病蟲預(yù)測預(yù)報(bào)中的應(yīng)用簡介[J].湖北植保，2012，129（1）：41-44.

[8] 王國昌，王洪亮，呂文彥.基于人工神經(jīng)網(wǎng)絡(luò)的害蟲預(yù)測預(yù)報(bào)[C]//第二屆亞太地區(qū)信息網(wǎng)絡(luò)與數(shù)字內(nèi)容安全會議沈文集，珠海：中國人工智能學(xué)會，2011：110-112.

[9] 歐釗榮，譚宗琨，蘇永秀.BP神經(jīng)網(wǎng)絡(luò)模型在甘蔗綿蚜蟲發(fā)生發(fā)展氣象等級預(yù)報(bào)中的應(yīng)用研究[J].安徽農(nóng)業(yè)科學(xué)，2008，36（21）：9 141-9 143，9 152.

[10] 唐建軍，王映龍，彭瑩瓊.BP神經(jīng)網(wǎng)絡(luò)在水稻病蟲害診斷中的應(yīng)用研究[J].安徽農(nóng)業(yè)科學(xué)，2010，38（1）：199-200，204.

[11] 戚瑩.基于模糊神經(jīng)網(wǎng)絡(luò)的森林蟲害預(yù)測預(yù)報(bào)的應(yīng)用研究[D].哈爾濱：東北林業(yè)大學(xué)，2011.

[12] 馬飛，程遐年.害蟲預(yù)測預(yù)報(bào)研究進(jìn)展（綜述）[J].安徽農(nóng)業(yè)大學(xué)學(xué)報(bào)，2001，28（1）：92-97.

[13] 盧小泉，莫金垣.分析化學(xué)計(jì)量學(xué)中的新方法――小波分析[J]. 分析化學(xué)評述與進(jìn)展，1996，24（9）：1 100-1 106.

[14] 朱軍生.小波分析在害蟲預(yù)測中的應(yīng)用研究[D].南京：南京農(nóng)業(yè)大學(xué)，2011.

[15] 王洪亮，王丙麗，李朝偉. 害蟲綜合治理研究進(jìn)展[J]. 河南科技學(xué)院學(xué)報(bào)：自然科學(xué)版，2006，34（3）：40-42.

[16] 張永生.害蟲預(yù)測預(yù)報(bào)方法的研究進(jìn)展[J]. 湖南農(nóng)業(yè)科學(xué)，2009，24（7）：77-79.

篇（8）

2財(cái)務(wù)管理神經(jīng)網(wǎng)絡(luò)智能決策支持系統(tǒng)總體研究框架

2．1神經(jīng)網(wǎng)絡(luò)運(yùn)行機(jī)制神經(jīng)網(wǎng)絡(luò)的著眼點(diǎn)是采納生物體中神經(jīng)細(xì)胞網(wǎng)絡(luò)中某些可利用的部分，來彌補(bǔ)計(jì)算機(jī)的不足之處，而不是單單用物理的器件去完整地復(fù)制。第一，神經(jīng)網(wǎng)絡(luò)中的鏈接的結(jié)構(gòu)和鏈接權(quán)都可以通過學(xué)習(xí)而得到，具有十分強(qiáng)大的學(xué)習(xí)功能；第二，神經(jīng)網(wǎng)絡(luò)所記憶的信息是一種分布式的儲存方式，大多儲存在神經(jīng)元之間的權(quán)中；第三，神經(jīng)網(wǎng)絡(luò)部分的或局部的神經(jīng)元被破壞后，仍可以繼續(xù)進(jìn)行其他活動，不影響全局的活動，因此說，神經(jīng)網(wǎng)絡(luò)的這種特性被稱作容錯(cuò)性；第四，神經(jīng)網(wǎng)絡(luò)是由大量簡單的神經(jīng)元組成的，每個(gè)神經(jīng)元雖然結(jié)構(gòu)簡單，但是它們組合到一起并行活動時(shí)，卻能爆發(fā)出較快較強(qiáng)的速度來。我們可以利用神經(jīng)網(wǎng)絡(luò)的上述特點(diǎn)，將之應(yīng)用于模式識別、自動控制、優(yōu)化計(jì)算和聯(lián)想記憶、軍事應(yīng)用以及決策支持系統(tǒng)中。

2.2財(cái)務(wù)管理神經(jīng)網(wǎng)絡(luò)集成智能財(cái)務(wù)DSS的必然性在企業(yè)經(jīng)營管理、政府機(jī)構(gòu)財(cái)務(wù)活動中，人們時(shí)常面臨著財(cái)務(wù)決策。人們往往需要根據(jù)有關(guān)的理論及經(jīng)驗(yàn)制定出一系列的衡量標(biāo)準(zhǔn)。這種評價(jià)是一個(gè)非常復(fù)雜的非結(jié)構(gòu)化決策過程，一般都是由內(nèi)行專家根據(jù)一定的專業(yè)理論憑經(jīng)驗(yàn)和直覺在收集大量不完全、不確定信息基礎(chǔ)上建立起多級指標(biāo)體系。但在這種指標(biāo)體系中，各種指標(biāo)之間的關(guān)系很難明確，而且還受評價(jià)者的效用標(biāo)準(zhǔn)和主觀偏好所左右。因此，很難在指標(biāo)體系和評價(jià)目標(biāo)間建立起準(zhǔn)確的定量或定性模型。因此，我們需要采用一種可處理不確定性、不完全性信息的評價(jià)方法以支持決策。自然，利用人工神經(jīng)網(wǎng)絡(luò)構(gòu)造系統(tǒng)模式來支持這類評價(jià)決策問題是目前財(cái)務(wù)管理智能決策支持系統(tǒng)的一種發(fā)展趨勢和必然趨勢圈。

2．3財(cái)務(wù)管理神經(jīng)網(wǎng)絡(luò)集成智能DSS系統(tǒng)框架神經(jīng)網(wǎng)絡(luò)智能決策支持系統(tǒng)主要以知識、數(shù)據(jù)和模型為主體，結(jié)合神經(jīng)網(wǎng)絡(luò)進(jìn)行推理與數(shù)據(jù)開采。圖2給出了神經(jīng)網(wǎng)絡(luò)智能決策支持系統(tǒng)研究框架『2I。研究中有兩個(gè)重點(diǎn)，即神經(jīng)網(wǎng)絡(luò)推理系統(tǒng)和神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)開采系統(tǒng)。

2．3．1神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)開采系統(tǒng)神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)開采時(shí)利用神經(jīng)網(wǎng)絡(luò)技術(shù)協(xié)助從數(shù)據(jù)中抽取模式。數(shù)據(jù)開采有五項(xiàng)基本任務(wù)：相關(guān)分析、聚類、概念描述、偏差監(jiān)測、預(yù)測。常用的前饋式神經(jīng)網(wǎng)絡(luò)，如BP網(wǎng)絡(luò)，可用于進(jìn)行概念描述及預(yù)測。對向傳播(CounterPropagation，簡稱CP)神經(jīng)網(wǎng)路可用來進(jìn)行統(tǒng)計(jì)分析和聚類。CP網(wǎng)絡(luò)是美國神經(jīng)計(jì)算專家RobertHecht—Nielsen提出的一種新型特征映射網(wǎng)絡(luò)，其網(wǎng)絡(luò)結(jié)構(gòu)分輸入、競爭、輸出三層。該網(wǎng)絡(luò)吸取了無教師示教型網(wǎng)絡(luò)分類錄活、算法簡練的優(yōu)點(diǎn)，又采納了有教師示教型網(wǎng)絡(luò)分類精細(xì)、準(zhǔn)確的好處，使兩者有機(jī)地結(jié)合起來。由競爭層至輸出層，網(wǎng)絡(luò)按基本競爭型網(wǎng)絡(luò)學(xué)習(xí)規(guī)則得到各輸出神經(jīng)元的實(shí)際輸出值，并按有教師示教的誤差校正方法調(diào)整由競爭層至輸出層的鏈接權(quán)。經(jīng)過這樣反復(fù)地學(xué)習(xí)，可以將任意輸入模式映射為輸出模式。

2.3.2財(cái)務(wù)管理神經(jīng)網(wǎng)絡(luò)推理系統(tǒng)財(cái)務(wù)管理神經(jīng)網(wǎng)絡(luò)推理系統(tǒng)主要利用神經(jīng)網(wǎng)絡(luò)的并行處理機(jī)制來解決傳統(tǒng)推理方法中存在的“組合爆炸”、“無窮遞歸”，等問題。在神經(jīng)網(wǎng)絡(luò)系統(tǒng)中，計(jì)算與存儲時(shí)完全合二為一的，即信息的存儲體現(xiàn)在神經(jīng)元互連的分布上，并以大規(guī)模并行方式處理。流動的過程就是從部分信息找到全部信息的過程，這就是聯(lián)想記憶的基本原理。若視動力系統(tǒng)的穩(wěn)定吸引子為系統(tǒng)計(jì)算能量函數(shù)的極小點(diǎn)，系統(tǒng)最終會流向期望的最小點(diǎn)，計(jì)算也就在運(yùn)動過程中悄悄地完成了。因而，可用雙向聯(lián)想記憶(BAM)網(wǎng)絡(luò)或CP網(wǎng)絡(luò)實(shí)現(xiàn)并行推理。CP網(wǎng)絡(luò)具有特殊的聯(lián)想推理映射功能。將輸入學(xué)習(xí)模式和期望輸出模式取為同一模式，且將之分為x和Y兩部分。網(wǎng)絡(luò)通過提供的樣本對進(jìn)行充分的學(xué)習(xí)后，就可用來進(jìn)行模式問的聯(lián)想推理。

3財(cái)務(wù)管理神經(jīng)網(wǎng)絡(luò)智能DSS研究展望

當(dāng)前世界上最熱門的研究課題，是模仿人類的思維方式來解決實(shí)際問題。專家系統(tǒng)和人工神經(jīng)網(wǎng)絡(luò)是比較常用的技術(shù)，但由于自身的局限性，它們都側(cè)重于人類思維方式的某一方面。平時(shí)解決簡單的問題的時(shí)候還好，但真遇到解決復(fù)雜的問題的時(shí)候，它就顯得力不從心了，所以，這個(gè)時(shí)候我們可以將兩種技術(shù)結(jié)合起來解決，除了它們要自身不斷發(fā)展和完善外，還要注重兩者的協(xié)調(diào)配合，神經(jīng)網(wǎng)絡(luò)DSS未來的發(fā)展趨勢就是依靠這兩種技術(shù)不斷結(jié)合，從而能幫助我們解決更多的實(shí)際問題。

3．1財(cái)務(wù)管理神經(jīng)網(wǎng)絡(luò)支持專家系統(tǒng)常見的財(cái)務(wù)管理神經(jīng)網(wǎng)絡(luò)支持專家系統(tǒng)主要包括幾個(gè)方面：知識維護(hù)、知識表示、知識獲取、推理等，我們針對各個(gè)步驟展開討論。

3．1．1知識維護(hù)。如果知識是通過人工神經(jīng)網(wǎng)絡(luò)來獲取的，我們就可以同樣利用人工神經(jīng)網(wǎng)絡(luò)，來讓維護(hù)工作變得更加方便快捷，維護(hù)可以通過人工神經(jīng)網(wǎng)絡(luò)來自動完成，我們需要做的只是重新運(yùn)行網(wǎng)絡(luò)模塊，或者重新訓(xùn)練網(wǎng)絡(luò)模塊，又或是增加新的網(wǎng)絡(luò)模塊。

3．1.2推理。一般的專家系統(tǒng)只是求解專門性問題，應(yīng)用的領(lǐng)域非常狹窄，同時(shí)由于控制策略不靈活，推理方法簡單，容易出現(xiàn)一些這樣或那樣的問題，推理效率低、速度慢。人-T-~$經(jīng)網(wǎng)絡(luò)可以解決這一問題，從根本上提升工作效率，提高工作速度，它可以拓展知識空間，不只局限在狹窄的領(lǐng)域。

3．1．3知識表示。很多專家知識事實(shí)上很難用規(guī)則表示出來，但在現(xiàn)實(shí)工作中，我們大部分財(cái)務(wù)管理專家卻都采取這種方式，無論是直接的還是間接的。其它的知識表示方法也存在著同樣的問題。為了解決這一問題，我們可以采用人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)來將知識提供給專家系統(tǒng)，這樣做就可以避免這一問題，當(dāng)專家系統(tǒng)需要相應(yīng)知識時(shí)，就不需要用規(guī)則來表示知識，直接調(diào)用人工神經(jīng)網(wǎng)絡(luò)就可以了。

3．1．4知識獲取。人工神經(jīng)網(wǎng)絡(luò)可以幫專家系統(tǒng)來獲取知識，知識獲取是通過人機(jī)對話的形式進(jìn)行的。首先，專家系統(tǒng)向?qū)＜姨岢鰡栴}，人工神經(jīng)網(wǎng)路則負(fù)責(zé)對這些信息進(jìn)行收集、處理，在人工神經(jīng)網(wǎng)絡(luò)的聯(lián)結(jié)權(quán)值中已經(jīng)具有通用的知識，所以這一步驟會很方便，之后再產(chǎn)生相應(yīng)的數(shù)據(jù)結(jié)果。接著，專家系統(tǒng)在對這些數(shù)據(jù)進(jìn)行進(jìn)一步的分析。在這一過程中，專家系統(tǒng)只運(yùn)用很少的規(guī)則就可以獲得相關(guān)的知識，大大提高了工作效率。

3.2財(cái)務(wù)管理專家系統(tǒng)支持神經(jīng)網(wǎng)絡(luò)財(cái)務(wù)管理專家主要通過三種方式來對神經(jīng)網(wǎng)絡(luò)提供必要的支持：第一，提供相應(yīng)的必要的解釋；第二，進(jìn)行預(yù)處理：第三，聯(lián)合應(yīng)用。

篇（9）

發(fā)電與用電必須實(shí)時(shí)平衡是電力系統(tǒng)運(yùn)行的重要特點(diǎn)，只有這樣系統(tǒng)才能保證安全和穩(wěn)定。因而無論在國內(nèi)還是國外，電網(wǎng)調(diào)度部門主要負(fù)責(zé)電力系統(tǒng)的調(diào)頻、調(diào)峰、安排發(fā)電計(jì)劃和備用容量等業(yè)務(wù)。對于新能源發(fā)電方面，尤其以光伏和風(fēng)電為代表，當(dāng)其在電力系統(tǒng)中達(dá)到較高透率時(shí)，準(zhǔn)確預(yù)測其輸出功率不僅有助于調(diào)度部門提前調(diào)整調(diào)度計(jì)劃來減輕光伏風(fēng)電間歇性對電網(wǎng)的影響，而且還可減少備用容量的安排，從而降低系統(tǒng)運(yùn)行成本。因此，新能源功率預(yù)測在電網(wǎng)調(diào)度領(lǐng)域占有舉足輕重的地位，更精確的預(yù)測風(fēng)能、太陽能發(fā)電功率有利于制定合理的電力調(diào)度計(jì)劃。

1 國內(nèi)外研究現(xiàn)狀

對新能源發(fā)電功率預(yù)測技術(shù)的研究較早起源于國外，尤其以丹麥、德國、瑞士、西班牙和日本等國的相關(guān)大學(xué)和科研機(jī)構(gòu)為代表。上世紀(jì)90年代丹麥開始大力發(fā)展風(fēng)電，促使了其不同公司或高校開始研究新能源功率預(yù)測問題。[1]相繼產(chǎn)生了多個(gè)產(chǎn)品，如Riso實(shí)驗(yàn)室開發(fā)了Prediktor系統(tǒng)，丹麥技術(shù)大學(xué)開發(fā)出WPPT（Wind Power Prediction Tool）系統(tǒng)，而后的用于風(fēng)電功率預(yù)測的Zephry系統(tǒng)就是由Prediktor和WPPT整合而來，另外由ENFOR公司研發(fā)的用于光伏功率預(yù)測的SOLARFOR系統(tǒng)也比較有代表性；作為國際上較早大面積應(yīng)用新能源的德國，其Oldenburg大學(xué)開發(fā)了Previento系統(tǒng)，德國太陽能研究所開發(fā)了風(fēng)電功率管理系統(tǒng)（WPMS）；西班牙Joen大學(xué)建立了19kW的光伏發(fā)電站驗(yàn)證其發(fā)電預(yù)報(bào)準(zhǔn)確率[2]，通過人工神經(jīng)網(wǎng)絡(luò)算法，以實(shí)測的光伏板溫度、日照輻射強(qiáng)度為輸入值，以其I/V曲線為目標(biāo)函數(shù)，訓(xùn)練神經(jīng)網(wǎng)絡(luò)的多層傳感器，求解出逼近實(shí)際工況的I/V曲線，建立了發(fā)電功率日照強(qiáng)度、板溫之間的函數(shù)關(guān)系，經(jīng)過驗(yàn)證，該系統(tǒng)2003年發(fā)電量預(yù)測值與實(shí)測值的歷史相關(guān)系數(shù)高達(dá)0.998。國內(nèi)方面光伏發(fā)電量預(yù)測技術(shù)研發(fā)起步較晚。華北電力大學(xué)[3]結(jié)合光伏組件數(shù)學(xué)模型和保定地區(qū)氣象資料，模擬了30MW光伏電站發(fā)電量數(shù)據(jù)，利用支持向量機(jī)回歸分析方法進(jìn)行功率預(yù)測，但該方法無實(shí)際光伏電站的實(shí)況發(fā)電量數(shù)據(jù)，缺乏實(shí)驗(yàn)驗(yàn)證，對實(shí)際光伏電站發(fā)電量預(yù)報(bào)的指導(dǎo)意義有限。華中科技大學(xué)[4]利用該校屋頂光伏并網(wǎng)發(fā)電系統(tǒng)資料進(jìn)行研究，通過2005―2010年不同季節(jié)氣象因素與發(fā)電量之間的相關(guān)分析，得出光伏發(fā)電量與輻照度的相關(guān)性最大、溫度次之、風(fēng)速再次之。

2 功率預(yù)測方法及分類

為提高功率預(yù)測精度，國內(nèi)外研究機(jī)構(gòu)都在嘗試各種新的預(yù)測方法，主要的功率預(yù)測方法分類如（圖1）。

時(shí)間序列分析是持續(xù)預(yù)測法中的一種，其認(rèn)為風(fēng)速、輻照強(qiáng)度預(yù)測值等于最近幾個(gè)風(fēng)速、輻照強(qiáng)度歷史數(shù)據(jù)的滑動平均值，通常只是簡單地把最近一點(diǎn)的觀測值作為下一點(diǎn)的預(yù)測值。該模型的預(yù)測誤差較大，且預(yù)測結(jié)果不穩(wěn)定。改進(jìn)的方法有ARMA模型法、卡爾曼濾波法。

人工神經(jīng)網(wǎng)絡(luò)方法被廣泛用來解決非線性問題的建模方法。它由大量簡單元件相互連接而成的復(fù)雜網(wǎng)絡(luò)，具有高度的非線性，能夠進(jìn)行復(fù)雜的邏輯操作的非線性關(guān)系。其具有很多優(yōu)良性能，如非線性映射能力、自組織性和自適應(yīng)性能力、記憶聯(lián)想能力、容錯(cuò)能力等。

按照風(fēng)電或光伏功率預(yù)測的時(shí)間尺度可分為中長期、短期和超短期預(yù)測。對于中長期預(yù)測或更長時(shí)間尺度，主要用于風(fēng)光電場或電網(wǎng)的檢修維護(hù)計(jì)劃安排等的預(yù)測。對于30分鐘～72小時(shí)的預(yù)測，主要用于電力系統(tǒng)的功率平衡和經(jīng)濟(jì)調(diào)度、電力市場交易、暫態(tài)穩(wěn)定評估等稱為短期功率預(yù)測。一般認(rèn)為不超過30分鐘的預(yù)測為超短期預(yù)測。從預(yù)測模型建立角度考慮，不同時(shí)間尺度的預(yù)測有本質(zhì)區(qū)別：0～3小時(shí)的預(yù)測主要由大氣條件的持續(xù)性決定，所以如果不通過數(shù)值天氣預(yù)報(bào)也能得出較好的預(yù)測結(jié)果，如采用可得到更好結(jié)果。對于時(shí)間尺度超過3小時(shí)的預(yù)測，不考慮數(shù)值天氣預(yù)測無法反應(yīng)大氣運(yùn)動的本質(zhì)，所以難以得到較好的預(yù)測結(jié)果，所以通常的預(yù)測方法都采用數(shù)值天氣預(yù)報(bào)的數(shù)據(jù)。

基于物理方法的功率預(yù)測流程示意圖如下（以風(fēng)功率預(yù)測為例）。首先通過數(shù)值天氣預(yù)報(bào)得到風(fēng)速、風(fēng)向等氣象數(shù)據(jù)，再根據(jù)電場周圍的地理信息參數(shù)（等高線、粗糙度、障礙物、溫度分層等）采用軟件計(jì)算得到風(fēng)機(jī)輪轂高度的風(fēng)速、風(fēng)向、氣溫、氣壓等參數(shù)，最后根據(jù)風(fēng)機(jī)功率曲線計(jì)算得到風(fēng)電場輸出功率。因?yàn)樵诓煌娘L(fēng)向和溫度條件下，即使風(fēng)速相同，風(fēng)電場輸出功率也不相等，因此風(fēng)電場功率曲線是一族曲線，同時(shí)還應(yīng)考慮風(fēng)電機(jī)組故障和檢修的情況。對整個(gè)區(qū)域進(jìn)行風(fēng)電功率預(yù)測時(shí)，可對所有的風(fēng)電場輸出功率進(jìn)行預(yù)測，然后求和得到區(qū)域總功率。

基于統(tǒng)計(jì)方法的風(fēng)電/光伏的功率預(yù)測不考慮風(fēng)速/輻照變化的物理過程，根據(jù)歷史統(tǒng)計(jì)數(shù)據(jù)找出天氣狀況與風(fēng)光電場出力的關(guān)系，然后根據(jù)實(shí)測數(shù)據(jù)和數(shù)值天氣預(yù)報(bào)數(shù)據(jù)對電場輸出功率進(jìn)行預(yù)測。

兩種方法各有優(yōu)缺點(diǎn)。物理方法無需大量的測量數(shù)據(jù)，但對大氣的物理特性及風(fēng)/光電場特性的數(shù)學(xué)描述要求較高，這些描述方程求解困難、計(jì)算量大。統(tǒng)計(jì)方法無需對求解方程，計(jì)算速度快，但需要大量歷史數(shù)據(jù)，采用機(jī)器學(xué)習(xí)方法對數(shù)據(jù)進(jìn)行挖掘與訓(xùn)練，得到氣象參數(shù)與風(fēng)/光電場輸出功率的關(guān)系。目前的趨勢是將兩種方法混合使用，稱之為綜合方法。

3 三種預(yù)測方法的對比

通過應(yīng)用三種統(tǒng)計(jì)預(yù)測算法于某案例中對其預(yù)測精度進(jìn)行了對比。案例以某島嶼上的分布式風(fēng)光電站發(fā)電量為檢驗(yàn)對象，該電站由25臺30kw并網(wǎng)光伏逆變器、5臺50kw風(fēng)機(jī)組成，合計(jì)1000kw。選取2013年4月份的歷史功率數(shù)據(jù)和歷史數(shù)值天氣預(yù)報(bào)數(shù)據(jù)作為模型建立依據(jù)，5月份發(fā)電量作為預(yù)測對象（因?yàn)樵搮^(qū)域4，5月份天氣變化相對最小），并采用同時(shí)段的歷史功率數(shù)據(jù)對模型的預(yù)測結(jié)果進(jìn)行驗(yàn)證。

3.1 ARMA預(yù)測模型

3.1.1 ARMA模型的基本原理

ARMA模型也稱為自回歸滑動平均模型，是研究時(shí)間序列的重要方法之一，是由自回歸與滑動平均兩種模型“混合”而成。常用于長期追蹤資料的研究和用于具有季節(jié)變動特征數(shù)據(jù)的預(yù)測中，所以可將其應(yīng)用于風(fēng)電光伏功率預(yù)測領(lǐng)域。

3.1.2 預(yù)測結(jié)果及誤差分析

運(yùn)用ARMA模型分別對5月1日9時(shí)0分至5月31日18時(shí)00分進(jìn)行預(yù)測，得到原始風(fēng)電光伏總功率和預(yù)測功率。預(yù)測結(jié)果如（圖3、4）所示。

常見的預(yù)測誤差的評估方法有平均絕對誤差，均方根誤差，相關(guān)系數(shù)等。均方根誤差放大了出現(xiàn)較大誤差的點(diǎn)，能更好的反映光伏電站預(yù)測模型的準(zhǔn)確度，因此本文采用均方根誤差RMSE對模型的誤差進(jìn)行評估。

其中，N-測試樣本數(shù)；P-裝機(jī)容量。

通過Matlab的計(jì)算，我們得到各項(xiàng)指標(biāo)結(jié)果如表1。

3.2 卡爾曼濾波預(yù)測模型

3.2.1 模型基本原理

卡爾曼濾波法運(yùn)用了濾波的基本思想，利用前一時(shí)刻預(yù)報(bào)誤差的反饋信息及時(shí)修正預(yù)報(bào)方程，以提高下一時(shí)刻的預(yù)報(bào)精度。要實(shí)現(xiàn)卡爾曼濾波法預(yù)測風(fēng)光功率，首先必須推導(dǎo)出正確的狀態(tài)方程和測量方程。因已通過時(shí)間序列分析建立了風(fēng)電功率時(shí)間序列的ARMA模型，故可將ARMA模型轉(zhuǎn)換到狀態(tài)空間，建立卡爾曼濾波的狀態(tài)方程和測量方程。

3.2.2 預(yù)測結(jié)果及誤差分析（如圖5、圖6）

通過Matlab的計(jì)算，我們得到各項(xiàng)指標(biāo)結(jié)果如（表2）。

3.3 小波神經(jīng)網(wǎng)絡(luò)預(yù)測模型

對于上文的ARMA模型和卡爾曼濾波模型都屬于線性模型，都必須先對模型結(jié)構(gòu)做出假設(shè)，然后對模型參數(shù)的估計(jì)得到預(yù)測值。因此，模型結(jié)構(gòu)的合理與否，直接影響到最終預(yù)測的精度。由于風(fēng)光電場功率具有高度的不確定性，因而單一的線性預(yù)測模型不足以挖掘其功率數(shù)據(jù)中的所有信息。而神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)、自組織和自適應(yīng)性，可以充分逼近任意復(fù)雜的非線性關(guān)系，所以本文選擇小波神經(jīng)網(wǎng)絡(luò)方法對風(fēng)光功率進(jìn)行非線性預(yù)測研究。

3.3.1 小波神經(jīng)網(wǎng)絡(luò)法基本原理

小波神經(jīng)網(wǎng)絡(luò)是一種以BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)為基礎(chǔ)，把小波基函數(shù)作為隱含層節(jié)點(diǎn)的傳遞函數(shù)，信號前向傳播的同時(shí)誤差反向傳播的神經(jīng)網(wǎng)絡(luò)。小波神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)如圖7。

3.3.2 模型建立

首先采集四月份一整月的光伏風(fēng)電功率數(shù)據(jù)，每隔15min記錄一個(gè)時(shí)間點(diǎn)，共有960個(gè)時(shí)間節(jié)點(diǎn)的數(shù)據(jù)，用前四月份30天的功率數(shù)據(jù)訓(xùn)練小波神經(jīng)網(wǎng)絡(luò)，最后用訓(xùn)練好多的神經(jīng)網(wǎng)絡(luò)預(yù)測之后的功率數(shù)據(jù)。基于小波神經(jīng)網(wǎng)絡(luò)的功率預(yù)測算法流程圖如圖8所示。

小波神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)如圖9所示。

小波神經(jīng)網(wǎng)絡(luò)訓(xùn)練：通過數(shù)據(jù)訓(xùn)練小波神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)反復(fù)訓(xùn)練100次。

神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)測試：用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)預(yù)測風(fēng)光功率，并對預(yù)測結(jié)果進(jìn)行分析。

3.3.3 預(yù)測結(jié)果

利用Matlab處理數(shù)據(jù)并進(jìn)行計(jì)算，我們得到基于小波神經(jīng)網(wǎng)絡(luò)的功率預(yù)測結(jié)果（圖10、11）。

預(yù)測結(jié)果分析：

本文采用了ARMA模型、卡爾曼濾波預(yù)測算法和小波神經(jīng)網(wǎng)絡(luò)算法對該島的分布式風(fēng)光電功率數(shù)據(jù)樣本進(jìn)行了預(yù)測。分析表1～表3預(yù)測效果評價(jià)指標(biāo)，我們得到以下認(rèn)識：小波神經(jīng)網(wǎng)絡(luò)模型中我們得到預(yù)測結(jié)果：超短期預(yù)測精確度誤差最小達(dá)到到7%，短期預(yù)測精確度誤差最小達(dá)到到9%，表明小波神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果已經(jīng)相當(dāng)精確。對小波神經(jīng)網(wǎng)絡(luò)預(yù)測曲線與線性預(yù)測模型的預(yù)測曲線進(jìn)行對比，可以看到：神經(jīng)網(wǎng)絡(luò)對于光伏風(fēng)電功率的描繪更加平緩。

4 結(jié)論與展望

在對國內(nèi)外文獻(xiàn)廣泛調(diào)研的基礎(chǔ)上，較為全面地論述了風(fēng)電、光伏功率預(yù)測技術(shù)的研究現(xiàn)狀和最新動態(tài)，對當(dāng)前功率預(yù)測技術(shù)方法進(jìn)行了總結(jié)歸納，建立了針對某島嶼分布式風(fēng)光互補(bǔ)示范工程的高精度發(fā)電功率預(yù)測模型，成功實(shí)現(xiàn)了分布式電源總輸出（光伏風(fēng)電）的精確預(yù)測，實(shí)驗(yàn)運(yùn)行結(jié)果表明：該系統(tǒng)能夠準(zhǔn)確預(yù)測次日短期和未來4小時(shí)超短期光伏發(fā)電出力，短期和超短期預(yù)測的月平均均方根誤差分別為9%和7%。

為了進(jìn)一步提高功率預(yù)測精度還需要提高數(shù)值天氣預(yù)報(bào)質(zhì)量，從而得到精度更高更豐富的區(qū)域氣象數(shù)據(jù)。因此需要盡快建立我國數(shù)值天氣預(yù)報(bào)商業(yè)化服務(wù)，進(jìn)一步完善風(fēng)電光伏功率預(yù)測系統(tǒng)，提高預(yù)測精度。

參考文獻(xiàn)：

[1]BOSSANYI E A. Short-term wind prediction using Kalman filters[J]. Wind Engineering， 1985，9（1）：1-8.

篇（10）

神經(jīng)網(wǎng)絡(luò)泛指生物神經(jīng)網(wǎng)絡(luò)和人工網(wǎng)絡(luò)神經(jīng)兩個(gè)方面，廣泛應(yīng)用于電力系統(tǒng)中的是人工神經(jīng)網(wǎng)絡(luò)，因?yàn)槿斯ど窠?jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)功能、聯(lián)想儲存功能和高速尋找優(yōu)化解的能力，所以不僅可以發(fā)揮計(jì)算機(jī)的高速運(yùn)算能力，還能很快找到最優(yōu)方案，為提升工作效率做出了重大貢獻(xiàn)。正確認(rèn)識神經(jīng)網(wǎng)絡(luò)系統(tǒng)在電力系統(tǒng)中的巨大功能，不僅能夠提高電力系統(tǒng)的穩(wěn)定性，還能盡最大可能解決電力系統(tǒng)中出現(xiàn)的問題，提高電力系統(tǒng)的工作效率。

一、神經(jīng)網(wǎng)絡(luò)系統(tǒng)的含義

人工神經(jīng)網(wǎng)絡(luò)是一種應(yīng)用，類似于用大腦神經(jīng)突觸聯(lián)接的結(jié)構(gòu)進(jìn)行信息處理的數(shù)學(xué)模型。在工程界常被成為神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)是一種運(yùn)算模型，有大量的節(jié)點(diǎn)和相互之間的聯(lián)接構(gòu)成。每個(gè)節(jié)點(diǎn)都可以輸出一種特定的函數(shù)，而每兩個(gè)節(jié)點(diǎn)的連接則代表一個(gè)聯(lián)接函數(shù)的加權(quán)值，這些就組成了人工神經(jīng)網(wǎng)路的記憶。神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)的輸出就依靠這些網(wǎng)絡(luò)的不同連接方式，也就是說輸出函數(shù)和加權(quán)值的不同。

神經(jīng)網(wǎng)絡(luò)通常是通過一個(gè)基于統(tǒng)計(jì)學(xué)系統(tǒng)的學(xué)習(xí)方法進(jìn)行優(yōu)化的，所以神經(jīng)網(wǎng)絡(luò)系統(tǒng)也是一種數(shù)學(xué)統(tǒng)計(jì)方法。在神經(jīng)網(wǎng)絡(luò)系統(tǒng)中通過統(tǒng)計(jì)學(xué)的方法可以獲得大量的函數(shù)以來進(jìn)行空間的模擬和干預(yù)，另外，還可以通過相應(yīng)的數(shù)據(jù)幫助我們進(jìn)行計(jì)算和判斷，而其產(chǎn)生的數(shù)據(jù)要比傳統(tǒng)的計(jì)算邏輯方法來的更加簡便，更有優(yōu)勢。

二、神經(jīng)網(wǎng)絡(luò)系統(tǒng)在電力系統(tǒng)中的應(yīng)用

1.在電力系統(tǒng)控制中的作用

電力系統(tǒng)的過程包含很多環(huán)節(jié)，傳統(tǒng)的管理控制過程不但導(dǎo)致資源的浪費(fèi)，還會出現(xiàn)數(shù)據(jù)的偏差、錯(cuò)誤，從而影響整個(gè)系統(tǒng)的運(yùn)行。而神經(jīng)網(wǎng)絡(luò)系統(tǒng)的運(yùn)用可以對電力系統(tǒng)實(shí)現(xiàn)智能控制，利用神經(jīng)網(wǎng)絡(luò)系統(tǒng)的估計(jì)和聯(lián)想力，能對系統(tǒng)的狀態(tài)和參數(shù)進(jìn)行相應(yīng)的識別和控制。另外，在變電站電壓控制中，現(xiàn)在的控制策略還存在著一定的盲目性和不確定性。而神經(jīng)網(wǎng)絡(luò)系統(tǒng)可以減少變電站電壓的不穩(wěn)定性，消除綜合控制中的盲目調(diào)節(jié)。

2.在保持電力系統(tǒng)穩(wěn)定性中的作用

傳統(tǒng)的抑制電力系統(tǒng)低頻功率震蕩，保證電力系統(tǒng)穩(wěn)定的電力系統(tǒng)穩(wěn)定器已經(jīng)不能滿足現(xiàn)階段的電力系統(tǒng)了，在復(fù)雜的電力系統(tǒng)面前，傳統(tǒng)的電力系統(tǒng)穩(wěn)定器的計(jì)算方法、計(jì)算數(shù)據(jù)等都會出現(xiàn)偏差，影響系統(tǒng)最終結(jié)果。于是，現(xiàn)在更多的人用神經(jīng)網(wǎng)路技術(shù)來設(shè)計(jì)電力系統(tǒng)的穩(wěn)定器，這些穩(wěn)定器可以很好的精確計(jì)算方法、減少計(jì)算數(shù)據(jù)的差異，可以很好的克服傳統(tǒng)電力系統(tǒng)穩(wěn)定器的缺點(diǎn)，使得計(jì)算更加簡單、省時(shí)、準(zhǔn)確。

3.優(yōu)化運(yùn)算的功能

由于神經(jīng)網(wǎng)絡(luò)系統(tǒng)可以建立非線性的模型，并適于解決數(shù)據(jù)預(yù)報(bào)問題，使得電力系統(tǒng)在短期內(nèi)的負(fù)荷預(yù)報(bào)變得可能，且有一定的準(zhǔn)確性。另外神經(jīng)網(wǎng)絡(luò)系統(tǒng)應(yīng)用于電力系統(tǒng)可以對于電力系統(tǒng)的穩(wěn)定性進(jìn)行分析計(jì)算，取得故障后的系統(tǒng)狀態(tài)數(shù)據(jù)，并對這些數(shù)據(jù)進(jìn)行相應(yīng)的分析檢驗(yàn)，以進(jìn)行確切數(shù)據(jù)的提煉，優(yōu)化了傳統(tǒng)電力系統(tǒng)中故障數(shù)據(jù)的檢驗(yàn)，使得計(jì)算方法更加簡便、快捷，從而提高了電力系統(tǒng)網(wǎng)絡(luò)的穩(wěn)定性和準(zhǔn)確性。

4.在繼電保護(hù)中的作用

繼電保護(hù)是電力系統(tǒng)能夠安全、穩(wěn)定運(yùn)行的重要保障。隨著電力系統(tǒng)的發(fā)展完善，傳統(tǒng)的繼電保護(hù)程序已經(jīng)不能滿足要求，利用神經(jīng)網(wǎng)絡(luò)系統(tǒng)組成的繼電保護(hù)系統(tǒng)可以根據(jù)各種系統(tǒng)提供的不同參數(shù)進(jìn)行準(zhǔn)確的模擬、組合，及時(shí)發(fā)現(xiàn)電流、電壓的變化量，通過收集這些故障的參照樣本，來對于本系統(tǒng)進(jìn)行故障模擬，形成相應(yīng)的保護(hù)體系，使得神經(jīng)網(wǎng)絡(luò)系統(tǒng)可以在不同的故障條件下正確判斷、識別故障，以幫助工作人員了解故障的原委，解決問題。

5.在輸電系統(tǒng)中的作用

神經(jīng)網(wǎng)絡(luò)系統(tǒng)廣泛在電力系統(tǒng)中進(jìn)行應(yīng)用還可以有效地對電力系統(tǒng)的電壓、線路的阻抗、功率等進(jìn)行很好的調(diào)節(jié)控制，從而大大提高電路在電流輸送過程中的穩(wěn)定性，降低輸電中的損耗，充分實(shí)現(xiàn)電能的高效利用，取得良好的經(jīng)濟(jì)效益。同時(shí)，提高輸電系統(tǒng)的工作效率還能大大提高供電設(shè)備的安全性，并且可以有效的對相應(yīng)的故障進(jìn)行分析處理，從而使得輸電系統(tǒng)更加合理、完善。

6.構(gòu)建電力系統(tǒng)中的專家系統(tǒng)

由神經(jīng)系統(tǒng)網(wǎng)絡(luò)構(gòu)建的電力系統(tǒng)的專家系統(tǒng)可以通過計(jì)算機(jī)數(shù)據(jù)收集人類專家的知識，以利用這些知識為電力系統(tǒng)的建設(shè)提供相當(dāng)于專家水平的技術(shù)建議和決策支持，并能夠給出相應(yīng)正確的推理，使得解決問題的知識結(jié)構(gòu)更加寬泛、更加完善。另外，專家系統(tǒng)還具有啟發(fā)式的知識，可以很好的減少工作人員的工作強(qiáng)度，同時(shí)還能隨時(shí)進(jìn)行修改補(bǔ)充，因此，將神經(jīng)網(wǎng)絡(luò)用于電力系統(tǒng)中，形成相應(yīng)的專家系統(tǒng)是很有必要的。

7.診斷電力系統(tǒng)故障的作用

要保證電力系統(tǒng)的安全運(yùn)行和供電設(shè)備的安全穩(wěn)定，就要準(zhǔn)確的對電力系統(tǒng)出現(xiàn)的故障進(jìn)行診斷、排查，以進(jìn)行及時(shí)檢修。但目前看來，因?yàn)檫@些故障沒有規(guī)律可循，而且往往牽扯到很多環(huán)節(jié)，很難使用一種確定的方法邏輯進(jìn)行識別，但神經(jīng)網(wǎng)絡(luò)系統(tǒng)卻可以很好的做到了這一點(diǎn)。以變壓器故障為例，當(dāng)變壓器內(nèi)部出現(xiàn)問題時(shí)，變壓器的絕緣油中會產(chǎn)生異常氣體，使得絕緣油油溫、油壓、絕緣電阻等發(fā)生改變并聚集成一個(gè)標(biāo)準(zhǔn)樣本，通過神經(jīng)網(wǎng)絡(luò)系統(tǒng)進(jìn)行分析和確認(rèn)，就可以很容易的對故障做出準(zhǔn)確判斷。

三、神經(jīng)網(wǎng)絡(luò)系統(tǒng)應(yīng)用于電力系統(tǒng)的展望

1.神經(jīng)網(wǎng)絡(luò)系統(tǒng)作為一個(gè)新的數(shù)據(jù)處理系統(tǒng)，還有很多不完善的地方，雖然已經(jīng)做了很多的努力進(jìn)行完善，但是對于神經(jīng)網(wǎng)絡(luò)系統(tǒng)中的隨機(jī)問題還是不能夠完全控制。另外，以現(xiàn)在的技術(shù)手段對于神經(jīng)網(wǎng)絡(luò)系統(tǒng)的信息處理分析能力還不能進(jìn)行清楚的分析、判斷。所以，要不斷探討更加有利的、完善的知識理論體系，完善神經(jīng)網(wǎng)絡(luò)系統(tǒng)，以建立起一套完整的理論體系，提高神經(jīng)網(wǎng)絡(luò)系統(tǒng)的穩(wěn)定性，使神經(jīng)網(wǎng)絡(luò)系統(tǒng)發(fā)揮更加重要的作用。

2.神經(jīng)網(wǎng)絡(luò)系統(tǒng)的發(fā)展與應(yīng)用，實(shí)際上是依賴于現(xiàn)實(shí)專家系統(tǒng)的發(fā)展。神經(jīng)網(wǎng)絡(luò)系統(tǒng)的所有數(shù)據(jù)均來自專家已有知識或推理出來的數(shù)據(jù)，因此，并不能忽視現(xiàn)實(shí)專家系統(tǒng)的重要性，只有將現(xiàn)實(shí)專家系統(tǒng)的邏輯思維方法和知識應(yīng)用體系運(yùn)用到神經(jīng)網(wǎng)絡(luò)系統(tǒng)中才能真正更有效的發(fā)揮神經(jīng)網(wǎng)絡(luò)系統(tǒng)的作用，才能為電力系統(tǒng)的完善提供更加完備的系統(tǒng)理論。

3.神經(jīng)網(wǎng)絡(luò)系統(tǒng)的研究雖然已經(jīng)有了一定進(jìn)展，但是對于很多企業(yè)來說，實(shí)際應(yīng)用還有很多困難，還存在著技術(shù)差異、人員水平差異、管理差異和經(jīng)濟(jì)實(shí)力差異，所以，雖然理論研究已相對完整，但在實(shí)際的運(yùn)用過程中卻遇到了多重阻礙，不僅科技得不到發(fā)展，在人員意識上也造成了滯后。因此，管理人員要積極轉(zhuǎn)變管理思路，將先進(jìn)科技應(yīng)用于企業(yè)建設(shè)上來，從而轉(zhuǎn)變員工的意識，只有各方面全力配合，以及技術(shù)的不斷發(fā)展，才能真正帶動企業(yè)的發(fā)展，實(shí)現(xiàn)經(jīng)濟(jì)效益和社會效益的雙豐收。

結(jié)語：

目前，對于神經(jīng)網(wǎng)絡(luò)系統(tǒng)在電力系統(tǒng)中的研究還是初步的，有很多不完善的地方，現(xiàn)在進(jìn)行的研究還比較淺顯，神經(jīng)系統(tǒng)還有更大的發(fā)展前途，這就需要科研人員和電力技術(shù)人員不斷通過實(shí)驗(yàn)、實(shí)踐來對神經(jīng)網(wǎng)絡(luò)系統(tǒng)在電力系統(tǒng)中的運(yùn)用進(jìn)行探索，以完善神經(jīng)網(wǎng)絡(luò)系統(tǒng)和電力系統(tǒng)，促進(jìn)科技的發(fā)展和完善，使神經(jīng)網(wǎng)絡(luò)系統(tǒng)可以應(yīng)用到更高水平。

參考文獻(xiàn)：

[1]楊勇.人工神經(jīng)網(wǎng)絡(luò)在電力系統(tǒng)中的應(yīng)用與展望[J].電力系統(tǒng)及其自動化學(xué)報(bào)，2001（1）

篇（11）

引言

食品輻照技術(shù)是20世紀(jì)發(fā)展起來的一種新型滅菌保鮮技術(shù)。采用輻射加工技術(shù)手段，運(yùn)用高能射線如x-射線、γ-射線等對食品進(jìn)行加工處理，在能量的傳遞和轉(zhuǎn)移過程中，產(chǎn)生理化效應(yīng)和生物效應(yīng)達(dá)到殺蟲、殺菌的目。因?yàn)槭抢錃⒕侄危杂行У奶岣吡耸称沸l(wèi)生質(zhì)量，保持營養(yǎng)品質(zhì)及風(fēng)味和延長貨架期。本文采用無防腐劑的香腸作為對象，排除了化學(xué)防腐劑對保鮮效果影響，同時(shí)為了食品加工行業(yè)發(fā)展提供方向，不添加化學(xué)防腐效果成分的同時(shí)也可以采用輻照的方法有效提升貨架期，有效提高企業(yè)效益，延伸銷售鏈；對于不同種類的香腸制品，從肉質(zhì)到成分，都會有所差別，通過大量輻照試驗(yàn)獲得輻照工藝的方法，不僅耗時(shí)長，而且檢驗(yàn)指標(biāo)及檢驗(yàn)方法也過于繁瑣，因此結(jié)合采用人工智能神經(jīng)網(wǎng)絡(luò)算法，在有限次數(shù)實(shí)驗(yàn)數(shù)據(jù)的基礎(chǔ)上，建立不同劑量60Co-γ射線對香腸品質(zhì)影響的規(guī)律模型為科學(xué)輻照提供理論依據(jù)。

1 實(shí)驗(yàn)方法與理化指標(biāo)的檢測

1.1 樣品輻照

本項(xiàng)目采用不含任何防腐效果的特制香腸為對象，在黑龍江省科學(xué)院技術(shù)物理研究所輻照中心進(jìn)行。采用靜態(tài)堆碼式60Co-γ放射源，跟蹤劑量計(jì)為Ag2Cr2O7經(jīng)中國劑量科學(xué)研究院丙氨酸劑量計(jì)（NDAS）傳遞比對校準(zhǔn)，分別采用不同劑量（2-6）kGy，進(jìn)行靜態(tài)輻照。完成輻照2天內(nèi)進(jìn)行理化指標(biāo)的檢測，在（22.0±1）℃下保存30天后進(jìn)行微生物指標(biāo)的檢測。

1.2 理化指標(biāo)及微生物指標(biāo)測定方法

1.2.1 菌落總數(shù)，參照國家標(biāo)準(zhǔn)GB/T4789.2-2008采取實(shí)驗(yàn)方法測定菌落總數(shù)。

1.2.2 水分含量，參照國家標(biāo)準(zhǔn)GB/T6965.15可用蒸餾法或直接干燥法。本項(xiàng)目采用直接烘干法。

1.2.3 氯化鈉含量，參照國家標(biāo)準(zhǔn)GB/T9695.8進(jìn)行測定，采用水浸出后用硝酸鹽標(biāo)準(zhǔn)溶液滴定法測定。

1.2.4 蛋白質(zhì)，參照國家標(biāo)準(zhǔn)GB/T9695.11進(jìn)行測定。

1.2.5 菌落總數(shù)，參照GB4789.2-2010進(jìn)行測定。

1.3 檢測結(jié)果與數(shù)據(jù)處理

采用以上檢測方法進(jìn)行檢測，由于實(shí)驗(yàn)過程產(chǎn)生個(gè)別認(rèn)為誤差，利用matlab軟件plot函數(shù)對每組數(shù)據(jù)進(jìn)行擬合，將誤差較大的個(gè)別數(shù)據(jù)進(jìn)行剔除，最終得到50組數(shù)據(jù)，部分?jǐn)?shù)據(jù)如表1。

表1 60Co-γ射線輻照保鮮無防腐劑香腸檢測結(jié)果

2 神經(jīng)網(wǎng)絡(luò)算法

2.1 BP神經(jīng)網(wǎng)絡(luò)

通常BP神經(jīng)網(wǎng)絡(luò)具有3層結(jié)構(gòu)，分別為輸入層、隱含層和輸出層。通常來說隱含層采用Sigmoid函數(shù)，輸出層采用Pureline函數(shù)，因?yàn)榉柡瘮?shù)標(biāo)準(zhǔn)輸入、輸出現(xiàn)代為[0，1]，因此在學(xué)習(xí)過程中，通過轉(zhuǎn)化層將輻照工藝參數(shù)進(jìn)行轉(zhuǎn)化限定區(qū)間，避開網(wǎng)絡(luò)輸出的飽和區(qū)。五層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1。

2.2 性能指標(biāo)

性能指數(shù)是衡量網(wǎng)絡(luò)性能的量化標(biāo)準(zhǔn)，BP神經(jīng)網(wǎng)絡(luò)一般采用網(wǎng)絡(luò)軍方誤差作為性能指標(biāo)：

式中：Ed為網(wǎng)絡(luò)的均方誤差；n為學(xué)習(xí)集體樣本總數(shù)，tp為第P組訓(xùn)練的期望輸出值，ap為第P組的實(shí)際輸出值。影響神經(jīng)網(wǎng)絡(luò)泛化能力主要依賴于網(wǎng)絡(luò)結(jié)構(gòu)和訓(xùn)練樣本的特性，因此可以選擇合適的訓(xùn)練策略和優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)來提高其泛化能力。本文選取貝葉斯正則化算法對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行修正，網(wǎng)絡(luò)性能指數(shù)變?yōu)椋?/p>

式中：w為網(wǎng)絡(luò)的權(quán)值向量，EW=m-1■？棕■■為網(wǎng)絡(luò)所有權(quán)值的均方誤差，其中m為網(wǎng)絡(luò)權(quán)值的總數(shù)，Wj為網(wǎng)絡(luò)權(quán)值，a和b為正則化系數(shù)，其大小直接影響訓(xùn)練效果。

2.3 貝葉斯正則化BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練步驟

（1）確定網(wǎng)絡(luò)結(jié)構(gòu)，初始化超參數(shù)α=0和β=1，根據(jù)先驗(yàn)分布對網(wǎng)絡(luò)參數(shù)賦初值。

（2）用BP算法訓(xùn)練網(wǎng)絡(luò)使總誤差F（W）最小。

（3）利用高斯牛頓逼近法計(jì)算出有效參數(shù)個(gè)數(shù)。

（4）計(jì)算超參數(shù)α和β的新的估計(jì)值。

（5）重復(fù)執(zhí)行（2）、（3）、（4）直到達(dá)到所需精度。

貝葉斯方法正則化神經(jīng)網(wǎng)絡(luò)是個(gè)迭代過程，每個(gè)迭代過程總誤差函數(shù)隨著超參數(shù)的變化而變化，最小點(diǎn)也在變化，網(wǎng)絡(luò)的參數(shù)也在不斷修正，最終達(dá)到總誤差函數(shù)在迭代過程中沒用較大改變。目前在網(wǎng)絡(luò)結(jié)構(gòu)的選擇方面還沒有理想的方法，在實(shí)際工作中常常需要用試驗(yàn)的方法確定最佳的網(wǎng)絡(luò)結(jié)構(gòu)，因此可采用不同的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行網(wǎng)絡(luò)訓(xùn)練，然后比較這些網(wǎng)絡(luò)模型的顯著度，選擇顯著度較大的網(wǎng)絡(luò)作為模型。

3 神經(jīng)網(wǎng)絡(luò)建模及預(yù)測

通過上述實(shí)驗(yàn)獲得的50組數(shù)據(jù)中，45組數(shù)據(jù)作為人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本，另選擇其他5組數(shù)據(jù)作為檢驗(yàn)樣本，運(yùn)用MATLAB軟件，進(jìn)行人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和預(yù)測。網(wǎng)絡(luò)輸入劑量、劑量率，輸出為水分、氯化鈉含量，通過應(yīng)用均方差函數(shù)比較目標(biāo)值和預(yù)測值的差異，計(jì)算目標(biāo)值與預(yù)測值間的誤差，觀察網(wǎng)絡(luò)模型對訓(xùn)練情況，網(wǎng)絡(luò)擬合圖性能進(jìn)行評價(jià)。

網(wǎng)絡(luò)訓(xùn)練結(jié)果顯示，經(jīng)過1500步訓(xùn)練后，網(wǎng)絡(luò)誤差平方和均值為5×10-3，達(dá)到了設(shè)定的最小訓(xùn)練目標(biāo)值。網(wǎng)絡(luò)訓(xùn)練完畢后，得到數(shù)學(xué)模型后，利用剩余5組數(shù)據(jù)進(jìn)行預(yù)測驗(yàn)證，網(wǎng)絡(luò)訓(xùn)練效果如圖2-5所示。

4 結(jié)束語

采用輻照的方法進(jìn)行無防腐劑香腸保質(zhì)期的時(shí)間跟輻照劑量相關(guān)，采用4kGy的劑量進(jìn)行輻照可使香c的保質(zhì)期達(dá)到1個(gè)月以上，且香腸的顏色仍在可接受范圍內(nèi)，說明輻照方法有效的提高了香腸的衛(wèi)生質(zhì)量，延長保質(zhì)期。采用神經(jīng)網(wǎng)絡(luò)建立了香腸輻照工藝與理化、微生物指標(biāo)的模型，并通過實(shí)驗(yàn)驗(yàn)證了模型的準(zhǔn)確性，為進(jìn)一步確定輻照工藝提供理論支持。

參考文獻(xiàn)

[1]2015-2020年中國肉制品市場現(xiàn)狀及戰(zhàn)略咨詢報(bào)告[R].北京：中國產(chǎn)業(yè)信息網(wǎng)，2015.

[2]郭淑珍.輻照保藏五花肉的品質(zhì)特性及影響因素的研究[D].四川農(nóng)業(yè)大學(xué)，2007.

[3]賈巧喚，任石茍.我國輻照食品的研究現(xiàn)狀及發(fā)展前景[J].食品工程，2008（4）：12-14.

[4]陳秀蘭，曹宏.鵝肉制品的輻照保質(zhì)研究[J].核科學(xué)報(bào)，2005（4）：371-374.