導語：如何才能寫好一篇神經網絡的優(yōu)化方法，這就需要搜集整理更多的資料和文獻，歡迎閱讀由公務員之家整理的十篇范文，供你借鑒。

篇1

關鍵字：BP神經網絡； 數據庫； 查詢；準確度

中圖分類號：TP393 文獻標識碼：A 文章編號：1009-3044（2017）04-0001-03

神經網絡系統(tǒng)是根據人體神經系統(tǒng)的基本原理構建的，其在一定程度上實現(xiàn)了記憶和訓練過程[1-2]。此項功能體現(xiàn)了神經網絡與傳統(tǒng)計算機算法存在的根本差異，其具備在線學習、自調節(jié)以及自適應性，同時具備信息的分布式信息存儲特性。正是由于神經網絡的學習特性，使其在聯(lián)想記憶、數據非線性映射、在線學習模型構建、數據信息分類與識別等領域具有了廣泛的應用空間。

在云數據應用時代，存儲系統(tǒng)的應用領域及使用者的范圍不斷擴大[6]，用戶呈指數倍的增長使得數據的存儲容量不斷增長，用戶訪問數據庫的頻繁程度也將持續(xù)增加，這對存儲系統(tǒng)數據庫訪問的吞吐量性能提出了更高的要求，也對數據查詢的效率得出了更加嚴格的標準。

本文提出的基于神經網絡的數據庫優(yōu)化查詢方法主要通過對云存儲數據的關鍵詞進行相似度對比，利用神經網絡算法對查詢數據樣本進行記憶訓練，通過對查詢關鍵字進行數據匹配，最終實現(xiàn)數據的準確查詢。為了測試本文設計的基于神經網絡的數據庫優(yōu)化查詢方法的可行性及準確性能，作者在完成了模型構建后，Matlab軟件中構建實驗場景，模擬數據庫檢索過程，完成了對查詢方法進行測試驗證。

1 神經網絡模型的建立

1.1 BP神經網絡處理單元模型

為了不失一般性，選取BP神經網絡的任意兩層介紹其處理單元的數學模型。BP神經網絡處理單元的結果如圖1所示，其中，L1層的[n]個神經元和L2層的[p]個神經元進行全連接，定義連接權向量為[W={wij}，i=1，2，…，n，j=1，2，…，p]；L1層的[n]個神經元的輸出作為L2層各神經元的輸入列向量[X=（x1，…，xi，…，xn）T]，L2層各個神經元的閾值設置為[θj，j=1，2，…，p]，因此，L2層各神經元接收的輸入加權和如下式所示[3-4]：

L2層各神經元的輸出結果利用轉移函數進行計算。一般情況下，BP神經網絡將Sigmoid函數作為轉移函數。Sigmoid函數的數學表達式為：

因此，L2層各個處理單元的輸出為：

由于Sigmoid函數的輸出類似于本文設計的神經網絡的信號輸出形式，本文設計的模型采用Sigmoid函數作為系統(tǒng)的轉移函數，其能蜃既訪枋鍪據檢索過程中的非線性特性水平[5-6]。

1.2 BP神經網絡學習算法

本文的無線通信選擇機制采用三層BP神經網絡結果，具體學習算法如下所述：

輸入模式向量設為[Xk=（x1k，…，xik，…，xnk）T]，[k=1，2，…，m]，其中[m]表示樣本模式對個數，[n]表示輸入層神經元數量；輸入模式對應的期望輸出向量為[Yk=（y1k，…，yik，…，yqk）T]，隱含層神經元的凈輸入向量設置為[Sk=（s1k，…，sik，…，spk）T]，輸出向量設置為[Bk=（b1k，…，bik，…，bpk）T]，[q]表示輸出層單元數量，[p]表示隱含層單元個數；輸出層神經元凈輸入向量設置為[Lk=（l1k，…，lik，…，lqk）T]，實際輸出向量設置為[Ck=（c1k，…，cik，…，cqk）T]；輸入層神經元至隱含層神經元的連接權值設置為[W={wij}]，其中，[i=1，2，…，n，j=1，2，…，p]隱含層至輸出層的連接權值設置為[V={vjt}]，隱含層神經元的閾值設置為[θ={θj}，j=1，2，…，p]，輸出層各神經元的閾值設置為[γ={γt}，t=1，2，…，q]。

（1）初始化操作。將連接權值矩陣[W]、[V]及閾值[θ]、[γ]在[[-1，+1]]區(qū)間內進行隨機取值。

（2）隨機從訓練集合中選取一個學習模式對[（Xk，Yk）]作為BP神經網絡的輸入。

（3）輸入層的輸出的計算。輸入層的各神經元不對輸入模式進行任何處理，而是直接將接收到的數據關鍵詞直接輸出到隱含層各神經元，不做任何的數據處理。

（4）根據下式求得隱含層各處理單元的凈輸入和凈輸出：

（5）根據下式求得各輸出層神經元的凈輸入和實際輸出：

（6）根據設定的期望輸出，通過下式求得各輸出層神經元的校正誤差[dkt]，

（7）根據下式得出隱含層各神經處理單元的校正誤差[ekj]，

（8）根據下式調整隱含層至輸出層的連接權值[V]和輸出層神經元閾值[γ]， [α]表示學習速率，[0

（9）根據下式調整輸入層至隱含層神經元的連接權值[W]和輸出層神經元閾值[θ]， [β]表示學習速率，[0

（10）為BP神經網絡隨機輸入下一個學習模式對，返回（3）處，直至訓練完成[m]個學習模式對。

（11）對系統(tǒng)的全局誤差[E]進行判斷，查看其是否滿足神經網絡設定的精度需求。如果 [E≤ε]，這說明滿足結束條件，結束學習過程，如果未滿足，則繼續(xù)學習。

（12）更新神網絡學習次數，如果未達到設定的學習次數，則返回Step2。

（13）BP神經網絡學習過程結束。

在整個神經網絡的學習階段中，分別涵蓋了輸入模式的“順傳播過程”，全局誤差的“逆?zhèn)鞑ミ^程”以及“學習記憶訓練”過程，（11）至（12）表示是收斂過程。全局誤差[E]的理想學習曲線如圖2所示。

為了減小震蕩，加快網絡的記憶訓練速度，作者在對連接權值進行調整時，在改變量基礎上添加一定比例的權值改變值，稱之為動量項。則附加動量項的連接權值調整方法如下式所示：

式中，[ηΔwij（n-1）]代表動量項，其中[n]為學習次數，[η]作為動量系數，[0

加入動量項的本質目的是使控制學習過程的學習速率[β]不僅僅是一個固定值，而是能夠持續(xù)變化的。在引入動量項后，網絡總是試圖使連接權值的調整按照相同方向進行，即使前后兩次連接權值的調整值方向相反，也能夠降低震蕩趨勢，加快學習記憶速度，以及網絡收斂速度[7]。

通常來說，動量系數的取值不宜過大。若動量系數過大，動量項所占比例過重，則本次誤差修正項的作用會不太明顯，以致完全沒有作用，反而會減慢收斂速度，甚至導致整個網絡震蕩。一般情況下，動量系數的最大值在0.9作用，本文取值為0.6。

2 數據庫查詢方法測試

為了測試本文設計的基于神經網絡的數據庫優(yōu)化查詢方法的可行性及準確性能，作者在完成了模型構建后，Matlab軟件中構建實驗場景，模擬數據庫檢索過程，完成了對查詢方法進行測試驗證。數據庫查詢學習樣本使用的是加州大學標準數據集，通過選擇中度數據規(guī)模的樣本空間進行設計網絡的學習訓練，主要訓練搜索關鍵字與查詢結果直接的對應關系，并進行存儲記憶。通過不同查詢次數的響應延時進行統(tǒng)計分析，與未使用任何算法的隨機檢索方法的搜索結果進行對比分析。數據檢索實驗對比結果如圖3所示。

從數據檢索對比結果得知，當迭代次數達到200次時，本文提出的基于神經網絡算法的數據庫查詢方法滿足收斂條件[f（x）≤e-10]，此時可視為系統(tǒng)以及查詢到最優(yōu)數據結果。同時，較隨機數據庫檢索方法，本設計的優(yōu)化方法在響應延時方面平均降低了34.7%，同時搜索查詢準確率高達99.3%。

3 總結

神經網絡在聯(lián)想記憶、數據非線性映射、在線學習模型構建、數據信息分類與識別等領域具有了廣泛的應用空間。通過對云存儲數據庫查詢過程的原理進行研究，本文提出的基于神經網絡的數據庫優(yōu)化查詢方法主要通過對云存儲數據的關鍵詞進行相似度對比，利用神經網絡算法對查詢數據樣本進行記憶訓練，通過對查詢關鍵字進行數據匹配，最終實現(xiàn)數據的準確查詢。為了測試本文設計的基于神經網絡的數據庫優(yōu)化查詢方法的可行性及準確性能，作者在完成了模型構建后，Matlab軟件中構建實驗場景，模擬數據庫檢索過程，完成了對查詢方法進行測試驗證。仿真結果表明，本文提出的基于神經網絡的數據庫優(yōu)化查詢方法的準確率高達98.3%，具有較高的檢索精度及穩(wěn)定性。

參考文獻：

[1] 李中志.基于改進BP神經網絡的水位流量關系擬合[J].中國農村水利水電， 2008（10）：30-32.

[2] 任雯，胥布工.基于標準神經網絡模型的非線性系統(tǒng)分布式無線網絡化控制[J]. 控制與決策， 2015，30（4）：691-697.

[3] 余開華.小波神經網絡模型在河道流量水位預測中的應用[J].水資源與水工程學報， 2013， 24（2）：204-208.

[4] 潘道宏.RBF神經網絡模型擬合電力抽水站水位流量關系研究[J].水利科技與經濟， 2010，16（3）：300-301.

[5] 孔玉靜，侯鑫，華爾天等.基于BP神經網絡的無線傳感器網絡路由協(xié)議的研究[J].傳感技術學報， 2013， 26（2）：246-251.

[6] 田曉青，劉松良.基于人工神經網絡的過閘流量軟測量研究[J].電子產品世界， 2013（10）：43-45.

篇2

關鍵詞：短期負荷預測；神經網絡；遺傳算法

作者簡介：黃國棟（1976-），男，廣東陽江人，廣東電網湛江供電局，工程師。（廣東 湛江 524005）

中圖分類號：TM714 文獻標識碼：A 文章編號：1007-0079（2014）06-0261-02

電力短期負荷預測是對未來一周以內（通常為一周或一天）的負荷進行預測。短期負荷預測在電網運行實時控制和發(fā)電規(guī)劃中具有重要地位，短期負荷的預測結果是調度中心制定發(fā)電計劃、電力系統(tǒng)運行安全評估、電力企業(yè)日常經營管理的重要依據。[1]在當前電力系統(tǒng)市場化形勢下，提高負荷預測精度對于電力系統(tǒng)的經濟運行、合理制定機組檢修計劃和進行電力需求管理等具有重要意義。

一、電力系統(tǒng)負荷變化的特點及預測方法

電力系統(tǒng)負荷變化受到很多因素的影響。一方面，負荷變化存在由未知不確定因素引起的隨機波動；另一方面，具有周期變化的規(guī)律性，這也使得負荷曲線具有相似性；同時，由于受天氣、節(jié)假日等特殊情況的影響，負荷變化又會體現(xiàn)出差異性。[2]整體上講，負荷曲線是與很多因素相關而且難以用數學公式表達的非線性函數。

相對于早期的統(tǒng)計技術法和專家系統(tǒng)法，神經網絡的優(yōu)點在于它不依靠專家經驗，只利用觀察到的數據，可以在訓練過程中通過學習來逼近任意的非線性輸入/輸出關系，因此，將神經網絡方法應用于電力負荷預測有著明顯的優(yōu)勢。但是，神經網絡存在兩個主要問題：收斂速度慢和容易陷入局部極小點。因此，本文采用遺傳算法優(yōu)化人工神經網絡，建立電力短期負荷預測模型，并將結合廣東省某城市的電力負荷的實際情況對預測方法進行探討和研究。

二、人工神經網絡模型

BP（Back Propagation）神經網絡是一種按誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伨W絡，神經網絡模型中的所有神經元按照功能一般分成三層（輸入層、隱含層和輸出層），各層順次連接。[3]其三層模型拓撲結構如圖1所示。

BP算法的學習過程分為正向傳播過程和反向傳播過程兩個階段。

1.正向傳播過程

輸入信息從輸入層經隱含層逐層計算各單元的實際輸出值，各神經元的狀態(tài)只對下一層神經元的狀態(tài)產生影響。設BP網絡的輸入層有n1個節(jié)點，隱含層有n2個節(jié)點，輸出層有n3個節(jié)點，輸入為xi，輸入層與隱含層之間的權值為wki，隱含層與輸出層之間的權值為wjk；隱含層的閾值為bk，輸出層的閾值為bj；隱含層的傳遞函數為f1（·），輸出層的傳遞函數為f2（·）。則隱含層節(jié)點輸出zk和輸出層節(jié)點輸出yj分別為：

k=1，2，……n2

（1）

j=1，2，……n3

（2）

2.反相傳播過程

若網絡實際輸出值與期望值之差，即誤差超出允許值，則逆向逐層修正連接權值。設BP網絡有P個輸入樣本，采用平方型誤差函數，于是得到全局誤差為：

（3）

式中：為第p個樣本的實際輸出，為期望輸出。

采用累計誤差BP算法依次調整輸出層權值wjk和隱含層權值wki誤差使全局誤差變小，即：

（4）

（5）

式中：η為學習率。

如此往復不斷調整權值，直到使網絡的誤差滿足要求。

三、遺傳算法

1.遺傳算法的基本原理

遺傳算法（Genetic Algorithms，簡稱GA）是一種高度并行、自適應全局優(yōu)化搜索方法。[4]它借鑒自然界遺傳和選擇機理，首先初始化一個種群，然后按照某種指標在每一代選取較優(yōu)個體，利用遺傳算子（選擇、交叉和變異）對這些個體進行組合，產生新一代個體，重復此過程，直到滿足優(yōu)化準則為止。遺傳算法是基于對生物遺傳和進化過程的計算機模擬，它能使各種人工系統(tǒng)具有良好的自適應能力和優(yōu)化能力。目前，遺傳算法已經廣泛應用于規(guī)劃設計、組合優(yōu)化、自適應控制、經濟運行、模式識別、人工智能、分子生物學、故障診斷以及計算機技術等領域，并取得了很好的效果。

2.遺傳算法的實現(xiàn)過程

（1）將問題的解以編碼形式表示出來，并隨機生成若干個體，即初始群體。

（2）譯碼，計算目標函數得出個體適應度值，判斷是否滿足停止條件。

（3）根據個體適應度值的高低，應用選擇、交叉和突變算子進行遺傳操作，產生下一代群體。

（4）返回步驟（2），反復執(zhí)行，直到滿足停止條件。最后，搜索到最優(yōu)個體，即問題的最優(yōu)解。[5]

3.遺傳算法優(yōu)化BP網絡權值、閾值

由于遺傳算法是以最大值作為優(yōu)化目標，為適應神經網絡算法的要求，將適應度函數取反，即變?yōu)橐宰钚≈禐閮?yōu)化目標。遺傳算法優(yōu)化BP神經網絡算法的步驟：

（1）構建BP網絡，確定遺傳算法個體長度。

（2）生成初始種群，確定種群規(guī)模。對遺傳算法個體進行編碼，編碼由神經網絡的輸入層與隱含層的連接權值、隱含層閾值、隱含層與輸出層的連接權值和輸出層閾值四部分組成。

（3）根據個體得到BP網絡的權值和閾值，應用訓練數據訓練，得到網絡的輸出。計算實際輸出與期望輸出的誤差，并依據此誤差計算個體適應度值。

（4）根據個體的適應度進行選優(yōu)操作，選擇若干適應度強的個體直接進入下一代，適應度差的個體被淘汰。

（5）進行交叉、變異操作，生成下一代群體，然后返回步驟（3），直到得到最優(yōu)解。

四、實例分析

本試驗分別采用單一神經網絡預測法、遺傳算法和神經網絡的組合預測法，分別對廣東省某城市某一日的時負荷進行預測與分析。以該市2010年6月2日～21日和2010年6月3日～22日（只選取工作日）的整點負荷訓練樣本集，根據6月23日各整點的時負荷數據和24日各整點的溫度與天氣，預測6月24日的時負荷。

1.數據預處理

根據神經網絡的建模原理，訓練樣本的準確性對于模型的預測準確性至關重要。由于系統(tǒng)故障、線路停電檢修、通信錯誤等原因，歷史負荷數據中經常存在一些不良數據。這些不良數據具有很強的隨機性，會對網絡的預測精度和預測速度產生嚴重影響。因此，在建立電力短期負荷預測模型前，先對訓練用的數據樣本進行預處理。應用格拉布斯準則判別是否有不良數據，如果有要直接消除并以相應的插值代替，從而提高數據的準確度和可信度。經計算，本實例的樣本數據正常，符合實際情況。

數據歸一化方法是神經網絡預測前對數據常做的一種處理方法。數據歸一化處理把所有的數據都轉化為[0，1]之間的數，其目的是取消數據間數量級差別，避免因為輸入/輸出數據數量級差別較大而造成網絡預測誤差較大。最后需要進行反歸一化，得到最終預測結果。[6]數據歸一化的方法主要有最大最小值法和平均數方差法。本文采用最大最小值法。

2.確定BP神經網絡結構

考慮到該城市位于中國南端，緯度較低，影響電力負荷最主要的因素是溫度等天氣情況。采集預測日前一天每小時的負荷數據和預測日當天各小時的溫度值（取平均值）、氣象類型（晴、陰、雨）作為預測條件。由此確定BP神經網絡模型的輸入節(jié)點數為3；輸出節(jié)點數為1；隱含層節(jié)點數取8。為方便計算，將氣象類型數字化、歸一化處理，溫度值和負荷數據歸一化處理。本文采用分散式建模方法，即為一天的24小時各建立一個模型，共建立24個。分散式建模方法相對于集中建模方法（24小時用一個模型），雖然模型多，但是預測準確度高。每個整點的時負荷采用相應的BP神經網絡模型進行預測。建模工具選用matlab7.0。[7]

3.遺傳算法優(yōu)化神經網絡

以整點負荷、溫度數據和氣象數據作為網絡的訓練樣本集，應用遺傳算法對基于單一神經網絡建立的各個模型（每小時各建一個模型，共24個）進行優(yōu)化，得到每個模型近似最優(yōu)權值和閾值。應用優(yōu)化的權值和閾值對BP神經網絡進行訓練，并保存訓練好的網絡。最后，應用訓練好的網絡對各整點時負荷進行預測。

表1 2010年6月24日負荷預測值與誤差

時間 實際值 BP神經網絡

方法預測 誤差/% 遺傳算法神經網絡方法預測 誤差/%

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

單一神經網絡方法和遺傳算法優(yōu)化神經網絡方法得出的預測結果見表1和圖3。從圖3中3條曲線對比可以看出，應用遺傳算法優(yōu)化神經網絡預測模型得到的預測結果比單一神經網絡的更接近實際負荷曲線。單一神經網絡預測的負荷最大誤差為-2.676%，平均誤差1.408%，而用基于遺傳算法優(yōu)化神經網絡預測的負荷最大誤差為-2.001%，平均誤差為1.034%，精度顯然大于單一神經網絡。

五、結論

本文利用遺傳算法優(yōu)化了BP神經網絡結構，并且應用此模型對實際電力短期負荷進行了預測試驗分析。實證證明，遺傳算法的全局優(yōu)化搜索能力有效彌補了BP神經網絡容易陷入局部極小值的缺陷，在此基礎上建立的預測模型的可靠性、準確性都有所增強，證明了基于遺傳算法優(yōu)化的神經網絡的短期負荷預測方法是可行的。

參考文獻：

[1]牛東曉，曹樹華，趙磊，等.電力負荷預測技術及其應用[M].北京：中國電力出版社，2002.

[2]陳金賽，張新波.基于改進BP人工神經網絡的電力負荷預測[J].杭州電子科技大學學報，2011，34（4）：173-176.

[3]田景文，高美娟.人工神經網絡算法研究及應用[M].北京：北京理工大學出版社，2006.

[4]王小平，曹立明.遺傳算法[M].西安：西安交通大學出版社，

2002.

[5]李玲純，田麗.基于遺傳算法和BP神經網絡的短期電力負荷預測[J].安徽工程科技學院學報，2009，24（3）：57-60.

篇3

【摘要】

人工神經網絡模擬人腦生物神經網絡系統(tǒng)處理信息的方式，是通過經驗而不是通過設計好的程序進行學習、訓練，這些構成了人工神經網絡具有模式識別、預測、評價和優(yōu)化決策等能力的基礎。本文就神經網絡近年來在藥劑學的處方設計及優(yōu)化、制備工藝及體內體外相關性評價等方面的應用做一綜述。

【關鍵詞】 人工神經網絡；藥物制劑

Abstract：Artificial neural networks simulating the process of human brains nerve systems to deal with information，which learning and training date according with the experience other than the designed programme，is the base of the ability that the artificial neural network could be used for pattern distinguish，prediction and optimization etc.This papertbriefly reviewed the application of neural networks in pharmaceutical fields，such as formulation optimization，preparation parameters optimization and in vitro-in vivo correlation evaluation.

Key words：artificial neural networks;pharmaceutic

藥物制劑研究是一個復雜的過程，包括制劑處方，制劑制備工藝及制劑體內體外評價等，其中任何一個方面都屬于多因素，多水平的復雜優(yōu)化問題。例如處方設計過程中涉及不同質量不同用量的各種敷料配比及壓力、溫度、水分等，這些因素直接影響劑型的安全性和有效性；制劑設備工藝涉及眾多紛繁復雜的工藝參數優(yōu)化，制劑體內體外評價更是受生物系統(tǒng)的極端復雜性影響。過去人們通常依靠某一方面的專家來承擔相應的工作，免不了受許多經驗化主觀因素的影響，效率較低，而基于人工智能的神經網絡則很適于處理這類復雜的多變量非線性系統(tǒng)，并可通過網絡的預測能力實現(xiàn)多因素的同步優(yōu)化［1-3］。

1 神經網絡理論

人工神經網絡(artificial neural network)是一種由大量簡單處理單元以某種方式相互連接而成，對連續(xù)的輸入做出狀態(tài)響應的動態(tài)信息處理系統(tǒng)。它模擬人腦生物神經網絡系統(tǒng)處理信息的方式，通過經驗而不是通過設計好的程序進行學習、訓練。因此，人工神經網絡具有人腦的某些重要特性，如聯(lián)想記憶、并行處理、自學習、自組織、自適應和容錯性等能力，這些構成了人工神經網絡具有模式識別、預測評價和優(yōu)化決策等能力的基礎。

如圖1所示，這是含有一個隱含層的神經網絡示意圖，其中空心圓圈表示神經元，神經元是神經網絡（neural network）的基本單元，也稱為節(jié)點。每層中可以包含多個節(jié)點，多層節(jié)點之間按一定的方式相互連接構成神經網絡。神經網絡的信息處理功能由神經元的輸入和輸出、網絡的拓撲結構、連接權的大?。ㄍ挥|聯(lián)系強度）以及神經元的閾值所決定的。輸入層節(jié)點的輸入變量為自變量（樣本圖1 神經網絡結構示意圖

Fig.1 Delineation of structure of artificial neural networks

參數），輸出層節(jié)點的輸出變量為應變量（目標函數），當多個輸入進入神經元后，其加權求和值超過神經元的閾值后會形成輸出，通過連接權連接，傳遞到下一層神經元，作為下一層神經元的輸入值，這樣按網絡的拓撲結構依次傳遞。根據神經網絡的計算原理，每一神經元的輸入值將更新變化，最后到達輸出層。將輸出值與樣本的期望輸出值進行比較，計算出誤差，按學習規(guī)律將誤差反向傳播到前一層神經元，調整連接權大小，重新計算，再輸出。如此反復，直到訓練集樣本輸出誤差和達到期望值。至此得到固定的連接權值，就達到對未知樣本進行預測和分析。其中網絡的信息主要儲存在連接權中［4］。

根據神經元之間的相互結合關系和作用方式，神經網絡模型可以分為很多種，其中反向傳播神經網絡(back-propagation neural network)即BP［5］神經網絡是目前藥劑領域中應用最廣泛、計算能力最強的人工神經網絡模型之一。由于這種網絡的權值和閾值調整采用了反向傳播的學習算法，解決了感知器所不能解決的問題，可以實現(xiàn)從輸入到輸出的任意非線性映射。在確定了網絡的結構后，利用輸入樣本集對其進行訓練，即對網絡的權值和閾值進行學習和調整。經過訓練的BP網絡，對于不是樣本集中的輸入樣本也能給出合適的輸出，利用這種方式可以使用該網絡對未知樣本進行預測。

2 人工神經網絡在藥劑中的應用

2.1 藥物制劑處方設計及優(yōu)化

制劑處方設計及優(yōu)化是目前神經網絡在藥物制劑中應用最多［6-11］，也是比較有發(fā)展前景的方向之一，尤其是應用于緩控釋制劑的處方優(yōu)化和設計中。

梁文權［12］等將人工神經網絡應用于優(yōu)化HPMC緩釋片處方。以藥物的溶解度、含藥量、HPMC的量、HPMC的固有黏度、輔料的量、黏合劑的濃度、溶出儀的轉速為神經網絡的輸入，藥物的累計釋放量作為輸出，采用BP網絡對52個樣本進行訓練，建立BP神經網絡模型。然后與優(yōu)化算法相結合實現(xiàn)對乙酰氨基酚、甲氧芐氨嘧啶、米諾地爾、氧氟沙星等模型藥物在不同的含藥量、不同轉速條件下的處方進行優(yōu)化。試驗結果發(fā)現(xiàn)利用神經網絡預測藥物的釋放、訓練處方和測試處方的實測值和預測值能很好吻合，得到的4個優(yōu)化處方的釋放值均和目標值很接近。魏曉紅［13］等選取9種藥物作為模型藥物，按HPMC：糊精=5-0.2∶1配比制成不同釋放度的緩釋片，測定各個處方的釋放度，以每個藥物的溶解度和處方中HPMC∶糊精的配比值作為網絡的輸入，以釋放度測量中每個給定取樣時間點藥物的累積釋放量作為輸出變量，得到含一個隱含層，迭代次數為25次的BP神經網絡，通過優(yōu)化，成功擬定了4個制劑處方，按此處方制備的緩釋片的實測釋放值與神經網絡預測值相符。根據此法，可以從藥物的溶解度設計符合一定釋放度要求的緩釋制劑處方。

駱快燕［14］等用干壓包衣技術制備卡托普利延時起效延緩片時，用人工神經網絡預測釋藥時滯。運用一個3層BP神經網絡，以釋放度作為輸入層神經元，以對應時間點作為輸出層神經元，得到一個含8個隱含層神經元的BP網絡，其中變換函數為雙曲正切函數，學習規(guī)則為歸一化累積Delta規(guī)則，目標誤差為0.001，學習速率為0.01。神經網絡預測釋藥時滯結果為后面用SAS進行多元線性回歸提供了可靠的數據，使預測優(yōu)化處方很快達到設計要求。

吳濤等［15］在硫酸沙丁胺醇滲透泵控釋片的處方篩選中采用反應曲面法和人工神經網絡法優(yōu)化法。選擇包衣液中PEG 1 500含量與包衣膜的厚度為網絡的輸入因素，以各個處方1～8小時的積累釋放度對實踐的相關系數和各處方8小時的累積釋放度為輸出因素，在36個實驗處方中隨機抽取24個作為網絡的訓練數據，其余作為網絡的測試數據檢測網絡預測性能，建立了含一個隱含層的BP神經網絡建立模型，最后根據預測結果實現(xiàn)處方優(yōu)化。比較結果證實神經網絡方法較優(yōu)。

2.2 藥物制劑制備工藝方面的應用

藥物劑型的制備工藝過程中，存在著諸如溫度、壓力、粘度、流速等諸多影響因素，這些工藝參數與制劑質量指標之間往往存在很強的非線性和耦合性，很難用傳統(tǒng)的方法建立有效的質量控制模型?；谌斯ぶ悄艿娜斯ど窠浘W絡具有辨識和逼近任意復雜非線性系統(tǒng)的能力，而且具有一定的容錯能力，可以同步優(yōu)化制備工藝中的多個工藝參數［16］。

張宇飛等［17］收集某大型中藥企業(yè)滴丸制劑生產線的100多個生產批次，每個批次包含多個數據的樣本作為神經網絡訓練集，設計了一個具有三個層的BP神經網絡，輸入層的5個節(jié)點分別為化料溫度，化料時間，滴制溫度，滴制速度及冷凝溫度；輸出層的結點為滴丸成品率，建立了某滴丸制劑過程工藝參數與滴丸成品率之間的神經網絡映射模型。然后利用遺傳算法對模型輸入參數空間進行尋優(yōu)，搜索使滴丸成品率達到最優(yōu)時所對應的工藝參數值。經生產試制，利用優(yōu)化后的工藝參數值進行生產，能使該制劑過程的成品率提高約2.6個百分點，表明利用神經網絡與遺傳算法對制劑過程進行建模與優(yōu)化是合理的，該項目屬于國家863高技術研究發(fā)展計劃項目。

2.3 藥物制劑體內－體外相關性評價的應用

建立體內外相關性評價方法對藥物制劑研究非常重要。一個好的體內外相關性模型應能使預測值與實測值相互吻合，從而用體外的釋藥數據預測藥物的體內過程，設計與已知制劑生物等效的制劑，或者制定藥物制劑的質量標準及指導臨床用藥。但是生物系統(tǒng)是極其復雜的，藥物在體內的代謝過程也是相當復雜的，使得判定藥物療效與生物學、藥物動力學及藥物分布等各因素之間的關系非常困難［18］。人工神經網絡是模擬生物神經系統(tǒng)對外界系統(tǒng)的認知過程，它給我們提供了一個很好的研究體內外相關性的方法［19-20］。

李凌冰［21］等采用人工神經網絡結合Wagner-Nelson法，研究氯氮平非pH依賴型緩釋片的體內體外相關性。以處方中HPMC與琥珀酸的用量為神經網絡輸入變量，考慮到緩控釋制劑的特點，以2h的血藥濃度，12h的血藥濃度一時間曲線下面積AUCl2，以及血藥濃度的峰值(max數據為輸出，建立了氯氮平非pH依賴型緩釋制劑處方組成和血藥濃度之間的關系模型。以此為基礎，繪制輸出三個輸出變量的等高線圖譜，分別在3個等高線圖譜上標記最佳變量所取值的范圍，將3個圖中的最佳區(qū)域結合在一起從而求得生物利用度最佳的處方。李凌冰等［22］應用人工神經網絡研究紅霉素緩釋微囊的體內外相關性。以明膠為囊材制備紅霉素緩釋膠囊，以體外釋放度的數據作為網絡輸入，血藥濃度數據作為網絡輸出，通過比較血藥濃度實測值與預測值的差異考察了網絡的可靠性，結果令人滿意。

3 結語

人工神經網絡技術作為一種新方法新技術雖然已在藥劑研究領域取得了一定的進展，但仍然有許多問題需要進一步的研究。例如神經網絡雖然可用于制劑制備工藝參數的優(yōu)化，但能否利用神經網絡實時監(jiān)控工藝過程以控制質量還需要進一步探討；人工神經網絡通常需要大量的數據訓練網絡，但有時數據的獲得比較困難，尤其是體內的試驗數據；神經網絡拓撲結構的選擇規(guī)律、傳遞函數的選取，防止過擬合和陷入局部最優(yōu)等問題也需要在模型的建立過程中考慮；在制劑分析中的方法適應性和重現(xiàn)性等基礎工作也還需要深入的研究。

總之，神經網絡是一個充滿了活力的研究領域，通過以上的簡述可以發(fā)現(xiàn)神經網絡在藥劑學研究領域具有廣闊的應用前景，相信隨著神經網絡理論和技術的不斷發(fā)展，神經網絡以其獨特的模擬、學習、預測能力必將在藥劑學的各個方面得到更充分的應用。

參考文獻

［1］Takayama K，F(xiàn)ujikawa M，Obata Y，et al.Morishita M，Neural Network Based Optimization of Drug Formulations［J］.Advanced Drug Delivery Reviews，2003，55(9):1 217-1 231.

［2］Agatonovic-Kustrin S，Beresford R.Basic Concepts of Artificial Neural Networks Modeling and Its Application in Pharmaceutical Research［J］.Journal of Pharmaceutical and Biomedical Analysis，2000，22(4):717-727.

［3］K Takayama，A Morva， M Fujikawa，et al.Formula Optimization of Theophylline Controlled-release Tablet Based on Artificial Neural Networks ［J］.Journal of Controlled Release，2000，68(2):175-186.

［4］Hassoun M.Fundamentals of Artificial Neural Networks［M］.The MIT Press，1995:25.

［5］R J Erb.Introduction to Backpropagation Neural Network Computation［J］.Pharmaceutical.Research，1993，10(2):165-170.

［6］P.C.Wu，Y.Obata，M.Fujikawa，et al.Simultaneous Optimization Based on Artificial Neural Networks in Ketoprofen Hydrogel Formula Containing O-enthyl-3-butylcyclohexanol as Percutaneous Absorption Enhancer［J］.Journal of Pharmaceutical Sciences，2001，90(7):1 004-1 014.

［7］A P Plumb，R C Rowe，P York，et al.The Effect of Experimental Design on the Modeling of a Tablet Coating Formulation Using Artificial Neural Networks［J］.European Journal of Pharmaceutical Sciences，2002，16(3):281-288.

［8］Onuki Y，Hoshi M，Okabe H，et al.Formulation Optimization of Photocrosslinked Polyacrylic Acid Modified with 2-hydroxyethyl Methacrylate Hydrogel as an Adhesive for a Dermatological Patch［J］.Journal of controlled release，2005，108(2-3):331-340.

［9］Fan T，Takayama K，Hattori Y，et al.Formulation Optimization of Paclitaxel Carried by PEGylated Emulsions Based on Artificial Nneural Network［J］.Pharmaceutical Research，2004，21(9):1 692-1 697.

［10］Lim CP，Quek SS，Peh KK.Prediction of Drug Release Profiles Using an Intelligent Learning System:an Experimental Study in Transdermal Iontophoresis［J］.J Pharm Biomed Anal，2003，31(1):159－168.

［11］Plumb AP，Rowe RC，York P，et al.Effect of Varying Optimization Parameters on Optimization by Guided Evolutionary Simulated Annealing(GESA)Using a Tablet Film Coat as an Example Formulation［J］.European Journal of Pharmaceutical Sciences，2003，18(3-4):259-266.

［12］范彩霞，梁文權.神經網絡多目標同步優(yōu)化HPMC緩釋片處方［J］.中國藥學雜志，2004，39（10）：768－771.

［13］魏曉紅，吳建軍，梁文權.神經網絡用于口服緩釋制劑的處方設計［J］.藥學學報，2001，36（9）：690-694.

［14］駱快燕，姚彤煒，黃安琪.卡托普利延遲起釋型緩釋片的研制［J］.中國現(xiàn)代應用藥學雜志，2005，22（3）：224－228.

［15］吳淘，潘衛(wèi)三，陳濟民，等.多目標同步優(yōu)化法優(yōu)化硫酸沙丁胺醇滲透泵控釋片的制備工藝［J］.藥學學報，2000，35（8）：617-621.

［17］張宇飛，邵秀麗，雷建軍.基于神經網絡和遺傳算法的中藥滴丸制劑過程建模與優(yōu)化［J］.計算機工程與應用，2005，2（2）：191-194.

［18］James AD.Artificial Network Applied to the in Vitro-in Vivo Correlation of an Extended-release Formulation:Initial Trials and Experience［J］.Journal of pharmaceutical Science，1999，88(1):154－160.

［19］Fu XC，Chen CX，Wang GP，et al.Prediction of Human Intestinal Absorption Using an Artificial Neural Network［J］.Pharmazie，2005，60(9):674-676.

［20］Balan G，Timmins P，Greene D，et al.In Vivo-in Vitro Correlation Models for Metformin after Administration of Modified-release Oral Dosage Forms to Healthy Human Volunteers［J］.Journal of.Pharmaceutical Sciences，2001，90(8):1 176-1 185.

篇4

關鍵詞：數據挖掘；數據庫；遺傳算法；神經網絡

中圖分類號：TP392文獻標識碼：A文章編號文章編號：1672-7800（2013）012-0129-02

基金項目：佛山科學技術學院重點項目（2010）

作者簡介：劉曉莉（1961-），女，佛山科學技術學院副教授，研究方向為應用數學。

1遺傳算法基本特征

遺傳算法是模擬達爾文的遺傳選擇和自然淘汰的生物進化過程的計算模型，是一種具有廣泛適用性的通用優(yōu)化搜索方法。遺傳算法主要借用了生物遺傳學的觀點，通過自然選擇、遺傳和變異等作用機制來產生下一代種群，如此逐代進化，直至得到滿足要求的后代即問題的解，是一種公認的全局搜索能力較強的算法。

遺傳算法有良好智能性，易于并行，減少了陷于局部最優(yōu)解的風險。遺傳算法的處理對象不是參數本身，而是對參數集進行了編碼的個體，可以直接對集合、隊列、矩陣、圖表等結構進行操作。同時，在標準的遺傳算法中，基本上不用搜索空間的知識或其它輔助信息，而僅用適應度函數值來評估個體，并在此基礎上進行遺傳操作； 遺傳算法不是采用確定性規(guī)則，而是采用概率的變遷規(guī)則來指導它的搜尋方向。正是這些特征和優(yōu)點，使得遺傳算法在數據挖掘技術中占有很重要的地位，既可以用來挖掘分類模式、聚類模式、依賴模式、層次模式，也可用于評估其它算法的適合度。

2神經網絡基本特征

神經網絡是人腦或自然神經網絡若干基本特征的抽象和模擬，是以大量的、同時也是很簡單的處理單元（神經元）廣泛地互相連接形成的復雜非線性系統(tǒng)。人工神經網絡本質上是一個分布式矩陣結構，它根據樣本的輸入輸出對加權法進行自我調整，從而近似模擬出輸入、輸出內在隱含的映射關系。建模時，不必考慮各個因素之間的相互作用及各個因素對輸出結果的影響機制，這恰好彌補了人們對各個因素及對輸出結果的機制不清楚的缺陷，從而解決眾多用以往方法很難解決的問題。

神經網絡具有大規(guī)模的并行處理和分布式的信息存儲，有良好的自適應、自組織性，學習能力很強，有較強的聯(lián)想功能和容錯功能，在解決機理比較復雜、無法用數學模型來刻畫的問題，甚至對其機理一無所知的問題等，神經網絡方法特別適用，是一種用于預測、評價、分類、模式識別、過程控制等各種數據處理場合的計算方法，其應用已經滲透到多個領域，在計算機視覺、模式識別、智能控制、非線性優(yōu)化、信號處理、經濟和機器人等方面取得了可喜的進展。

3遺傳算法與神經網絡混合算法在數據挖掘中的應用

作為一種有效的優(yōu)化方法，遺傳算法可以應用于規(guī)則挖掘，可以單獨用于數據倉庫中關聯(lián)規(guī)則的挖掘，還可以和神經網絡技術相結合，建立基于神經網絡與遺傳算法的數據挖掘體系，用于數據挖掘中的分類問題。

學習能力是神經網絡中最引人矚目的特征，學習算法的研究一直占據重要地位?？梢詫⑦z傳算法應用于神經網絡的學習過程中，這樣可以避免傳統(tǒng)的神經網絡算法容易陷入局部極小的問題。有研究者提出了一種基于遺傳算法的神經網絡二次訓練方法，可以提高神經網絡的模糊處理能力，有效解決神經網絡陷入局部極小的缺點，加快收斂速率，提高學習效率。也有研究者探究了基于基因重組的遺傳算法優(yōu)化神經網絡的方法，通過訓練權值來實現(xiàn)分類，可以提高神經網絡數據分類的準確性。因此，采用遺傳算法與神經網絡模型相結合方法，可以解決多維非線性系統(tǒng)及模型未知系統(tǒng)的預測、評價與優(yōu)化等問題，其成功案例有很多，下面是其中的幾例。

一些研究者針對當前專家系統(tǒng)知識獲取瓶頸的難題，提出了基于神經網絡與遺傳算法的汽輪機組數據挖掘方法。該方法首先將汽輪機組歷史故障數據進行模糊化及離散化處理后，建立神經網絡模型，然后再利用遺傳算法對神經網絡進行優(yōu)化，實現(xiàn)了基于神經網絡與遺傳算法相結合的汽輪機組數據挖掘和故障診斷仿真系統(tǒng)，其診斷正確率達到了84%。

綜合運用人工智能、計算智能（人工神經網、遺傳算法） 、模式識別、數理統(tǒng)計等先進技術作為數據挖掘工具，可以建立可靠、高效的數據挖掘軟件平臺，已在很多工業(yè)控制和優(yōu)化中得到應用和實驗驗證，并取得了滿意的應用效果。例如，某鋁廠根據以往不同原料成分和原料的不同配比與產品質量關系記錄的數據庫，應用數據挖掘軟件平臺，可以挖掘出適應不同原料成分的最佳配比規(guī)律，從而提高產品質量的穩(wěn)定性。又如，以往在化工產品優(yōu)化配方、催化劑配方優(yōu)化或材料工藝優(yōu)化等研究中，基本上都是采用試驗改進的方式，需經過多次試驗才能達到預期目的，但也有可能失敗。為降低消耗， 少做試驗就能達到預期目的，可采用神經網絡對產品配方實驗數據建模，在此基礎上，再應用遺傳算法對配方模型進行優(yōu)化，得到優(yōu)化配方。

正是遺傳算法與神經網絡等算法的支撐以及計算機技術的發(fā)展，目前，數據挖掘廣泛地應用于天文、地理、生物信息學、金融、保險、商業(yè)、電信、網絡、交通等眾多領域。例如，應用在地理數據庫上，主要挖掘地質、地貌特征，為尋找礦產或進行城市規(guī)劃等提供參考依據；在電信Web服務器方面，可以挖掘Web日志，根據用戶興趣動態(tài)鏈接Web頁面，統(tǒng)計頁面鏈接及權威主頁等，對檢索頁面進行聚類，方便用戶找到需要的信息；在生物醫(yī)學信息和DNA數據分析方面，進行遺傳、疾病等數據特征的挖掘，為疾病診斷、治療和預防研究提供科學依據；對金融數據進行挖掘，可以分析客戶信用度；在CRM（客戶關系模型）上使用數據挖掘，獲得客戶群體分類信息、交叉銷售安排及開發(fā)新客戶和保留老客戶的策略；在電信業(yè)中使用挖掘技術，以預防網絡欺詐等；應用在商業(yè)問題的研究包括：進行客戶群體劃分、背景分析、交叉銷售等市場行為分析，以及客戶流失性、信用度分析與欺詐發(fā)現(xiàn)；在電子商務方面，從服務器以及瀏覽器端的日志記錄中發(fā)現(xiàn)隱藏在數據中的模式信息，了解系統(tǒng)的訪問模式以及用戶的行為模式，作出預測性分析等等。

4結語

神經網絡和遺傳算法作為數據挖掘技術，也有一些不足和缺陷。遺傳算法除了要進一步改進基本理論和方法外，還要采用和神經網絡、模擬退火、最近臨規(guī)則等其它方法相結合的策略，提高遺傳算法的局部搜索能力，從而進一步改善其收斂速度和解的品質，提高數據挖掘技術。特別是對于單調函數或單峰函數，遺傳算法在初始時很快向最優(yōu)值逼近，但是在最優(yōu)值附近收斂較慢；而對于多峰函數的優(yōu)化問題，它往往會出現(xiàn)“早熟”，即收斂于局部極值。因此，研究如何改進遺傳算法，采用合適的算法加快尋優(yōu)速度和改善尋優(yōu)質量，無論在理論上還是在實踐上都有重要意義。神經網絡的神經計算基礎理論框架以及生理層面的研究仍需深入與加強，如何提高神經網絡的可理解性問題，以及研究遺傳算法、神經網絡技術與其它人工智能技術更好地結合，從而獲得比單一方法更好的效果等問題，值得進一步探索。

雖然數據挖掘技術已得到了廣泛應用，但現(xiàn)有的數據挖掘方法并不能完全適應所面臨的具有多樣性的海量數據分析的現(xiàn)實，急需解決的問題是：如何研究并行處理和抽樣的方法，來處理大規(guī)模的數據以獲得較高的計算效率；如何利用統(tǒng)計、模糊數學來確定隱含變量及依賴關系，開發(fā)容噪的挖掘方法，以解決異質數據集的數據挖掘問題；如何更好地進行文本數據挖掘、Web數據挖掘、分類系統(tǒng)、可視化系統(tǒng)、空間數據系統(tǒng)和分布式數據挖掘等新技術的應用。因此，未來數據挖掘的研究表現(xiàn)在數據挖掘功能、工具、方法（算法） 的拓展與理論創(chuàng)新，其應用的范圍和深度會進一步加強。

參考文獻參考文獻：

[1]孟曉明.淺談數據挖掘技術[J].計算機應用與軟件，2004 （8）.

[2]李慧芳，姚躍華，陳一棟.改進的遺傳算法對神經網絡優(yōu)化的分類[J].微計算機信息，2008（15）.

[3]王東龍，李茂青.基于遺傳算法的數據挖掘技術應用[J].南昌大學學報， 2005（1）.

[4]宋仁國.鋁合金工藝優(yōu)化的遺傳算法[J].材料科學與工程，1998（1）.

[5]韓力群.催化劑配方的神經網絡建模與遺傳算法優(yōu)化[J].化工學報，1999（4）.

[6]郭崇慧，陸玉昌.預測型數據挖掘中的優(yōu)化方法[J].工程數學學報，2005（1）.

[7]楊杰.用于建模、優(yōu)化、故障診斷的數據挖掘技術[J].計算機集成制造系統(tǒng)，2000（10）.

篇5

關鍵詞：風電功率 多種群遺傳算法 單種群遺傳算法 神經網絡 優(yōu)化

引言

近年來，風能作為一種新型的可再生能源，被應用到電力系統(tǒng)中，在解決能源問題的同時，又對電網的穩(wěn)定安全運行帶來了巨大的挑戰(zhàn)。本文基于BP神經網絡，提出了用單種群遺傳算法和多種群遺傳算法優(yōu)化的組合預測方法。對歷史數據建立模型，對未來短期風電功率分別用上述三種方法進行預測，并對結果進行比較。

1、BP神經網絡

（1）BP算法的基本思想。BP神經網絡是一種多層前饋神將網絡，利用信號前向傳遞，誤差反向傳播的思想來進行網絡學習。在前向傳播中，將輸入信號，從輸入層經隱含層層層處理，直至輸出層。利用輸出層輸出結果與預期輸出之間的差異，反向傳播，調整網絡權值和閾值，從而使網絡預測輸出不斷逼近期望輸出。

（2）輸入層與輸出層神經元個數的確定。輸入層神經元的個數與輸入變量的維數相等，輸出層神經元的個數與預期輸出的維數相等。

（3）隱含層神經元個數的確定。BP神經網絡的隱含層節(jié)點數對于BP神經網絡的預測精度有較大的影響：節(jié)點數太少，網絡不能很好地學習，需要增加訓練次數，訓練的精度也受到影響；節(jié)點數太多，訓練時間增加，網絡容易過擬和，泛化性能差。

（4）節(jié)點傳遞函數的確定。常用的轉移函數有線性傳遞函數、指數S型、對數S型等，在網絡的結構和權值、閾值相同的情況下，轉移函數對BP神經網絡預測誤差具有較大的影響。一般隱含層節(jié)點轉移函數選用對數或指數S型函數，輸出層節(jié)點轉移函數選用正切或線性傳遞函數。

（5）輸入數據的預處理。為了提高神經網絡訓練速度和提高收斂性，一般情況下要對輸入數據進行歸一化處理，本文采用最大最小法。

2、單種群遺傳算法

（1）遺傳算法概述。遺傳算法（GA）是一種進化算法，基本思想是“物競天擇，適者生存”的演化法則。把待解決的實際問題抽象，將其中參數編碼為染色體，利用迭代的方式進行選擇，交叉以及變異等運算從而交換種群中染色體的信息，最終生成符合優(yōu)化目標的染色體。

（2）編碼。將原始問題的解空間的數據映射到遺傳空間的基因型串結構，其數據的不同組合構成了原始問題的不痛的解。本文采用二進制編碼法。

（3）適應度函數。適應度函數表征染色體的適應度，其值越大表明該染色體越適應環(huán)境，越有可能為下一代提供其遺傳信息。本文采用期望輸出與實際輸出的均方差作為適應度函數值。

（4）選擇、交叉、變異算子。選擇算子的主要目的是從種群中選出優(yōu)良的個體，使其有機會作為父代為下一代提供遺傳信息。選擇的機制為適應度大的個體被選中的概率大。交叉算子實現(xiàn)了父代間的信息交換，是遺傳算法的主要操作。變異算子體現(xiàn)了實際問題中的參數變化，從而使算法跳出局部最優(yōu)，達到或接近全局最優(yōu)。

3、多種群遺傳算法

（1）單種群遺傳算法的不足。單種群遺傳算法在優(yōu)化時不依賴于梯度，具有很強的魯棒性和全局搜索能力，被廣泛應用到機器學習，模式識別，數學規(guī)劃等領域。但會出現(xiàn)早熟問題。

（2）多種群遺傳算法概述。為了克服遺傳算法的未成熟問題，學者們提出了自適應的交叉和變異，并得出了一些益的結論。但由于影響遺傳算法未成熟問題的因素很多，一般方法仍有一定的局限性，為此本文采用多種群遺傳算法代替遺傳算法，并引入移民算子和人工選擇算子，進行多種群的并行搜索。

（3）移民算子與人工選擇算子。各個種群之間通過移民算子進行聯(lián)系，實現(xiàn)多種群的協(xié)同進化；最優(yōu)解的獲取是多種群協(xié)同精華的結果。通過人工選擇算子保存各個種群每個進化代中的最優(yōu)個體，并作為判斷算法收斂的依據。

4、單種群與多種群遺傳算法優(yōu)化BP神經網絡

在神經網絡的結構相同的情況下，每次運行神經網絡進行預測和有可能會得出不同的結果，即網絡初始權值與閾值對網絡預測結果有很大的影響。本文使用遺傳算法優(yōu)化BP神經網絡初始權值與閾值，從而確定最佳的初始權值與閾值，提高預測的準確度。算法流程如圖所示。

5、算例分析

根據《國家能源局關于印發(fā)風電場電功率預測預報管理暫行辦法》，風電場功率預測預報考核指標，利用2011年電工杯數學建模競賽A題的數據進行驗證。分別利用BP神經網絡、單種群遺傳算法優(yōu)化的神經網絡、多種群遺傳算法優(yōu)化的神經網絡進行編程，預測結果如表1所示

預測結果顯示，使用BP神經網絡進行預測的結果已經達到了比較高的精確度，但單種群遺傳算法優(yōu)化的神經網絡和多種群遺傳算法優(yōu)化的神經網絡將預測精度進一步提高，其中多種群遺傳算法優(yōu)化的神經網絡的預測效果最佳。

6、結論

本文提出基于遺傳算法優(yōu)化的神經網絡預測模型，充分挖掘歷史數據，采用多種群協(xié)調進化，提高網絡預測精度與泛化性能，同時提高網絡穩(wěn)定性。實例證明多種群遺傳算法優(yōu)化的神經網絡預測模型比單一種群遺傳算法優(yōu)化的神經網絡預測模型具有更好的預測效果，為風電功率預測提供了一種新的思路。具有很好的應用前景。

參考文獻：

[1]王素霞.國內外風力發(fā)電的情況及發(fā)展趨勢[J].電力技術經濟，2007，19（1）：29-31.

[2]時慶華，高山，陳昊.2種風電功率預測模型的比較[J].能源技術經濟.2011，23（6）：31-35

[3]洪翠，林維明，溫不瀛.風電場風速及風電功率預測方法研究綜述[J].電網與清潔能源，2011，27（1）：20-66.

篇6

80年代初，在美國、日本、接著在我國國內都掀起了一股研究神經網絡理論和神經計算機的熱潮，并將神經網絡原理應用于圖象處理、模式識別、語音綜合及機器人控制等領域。近年來，美國等先進國家又相繼投入巨額資金，制定出強化研究計劃，開展對腦功能和新型智能計算機的研究。

人腦是自生命誕生以來，生物經過數十億年漫長歲月進化的結果，是具有高度智能的復雜系統(tǒng)，它不必采用繁復的數字計算和邏輯運算，卻能靈活處理各種復雜的，不精確的和模糊的信息，善于理解語言、圖象并具有直覺感知等功能。

人腦的信息處理機制極其復雜，從結構上看它是包含有140億神經細胞的大規(guī)模網絡。單個神經細胞的工作速度并不高（毫秒級），但它通過超并行處理使得整個系統(tǒng)實現(xiàn)處理的高速性和信息表現(xiàn)的多樣性。

因此，從信息處理的角度對人腦進行研究，并由此研制出一種象人腦一樣能夠“思維”的智能計算機和智能信息處理方法，一直是人工智能追求的目標。

神經網絡就是通過對人腦的基本單元---神經元的建模和聯(lián)結，來探索模擬人腦神經系統(tǒng)功能的模型，并研制一種具有學習、聯(lián)想、記憶和模式識別等智能信息處理功能的人工系統(tǒng)。本文介紹神經網絡的特點以及近年來有關神經網絡與混沌理論、模糊計算和遺傳算法等相結合的混合神經網絡研究的動態(tài)。

一．神經網絡和聯(lián)結主義

回顧認知科學的發(fā)展，有所謂符號主義和聯(lián)結主義兩大流派。符號主義從宏觀層次上，撇開人腦的內部結構和機制，僅從人腦外在表現(xiàn)出來的智能現(xiàn)象出發(fā)進行研究。例如，將記憶、判斷、推理、學習等心理活動總結成規(guī)律、甚至編制成規(guī)則，然后用計算機進行模擬，使計算機表現(xiàn)出各種智能。

符號主義認為，認識的基本元素是符號，認知過程是對符號表示的運算。人類的語言，文字的思維均可用符號來描述，而且思維過程只不過是這些符號的存儲、變換和輸入、輸出而已。以這種方法實現(xiàn)的系統(tǒng)具有串行、線性、準確、簡潔、易于表達的特點，體現(xiàn)了邏輯思維的基本特性。七十年代的專家系統(tǒng)和八十年代日本的第五代計算機研究計劃就是其主要代表。

聯(lián)接主義則與其不同，其特點是從微觀出發(fā)。聯(lián)接主義認為符號是不存在的，認知的基本元素就是神經細胞（神經元），認知過程是大量神經元的聯(lián)接，以及這種聯(lián)接所引起的神經元的不同興奮狀態(tài)和系統(tǒng)所表現(xiàn)出的總體行為。八十年代再度興起的神經網絡和神經計算機就是這種聯(lián)接主義的代表。

神經網絡的主要特征是：大規(guī)模的并行處理和分布式的信息存儲，良好的自適應、自組織性，以及很強的學習功能、聯(lián)想功能和容錯功能。與當今的馮．諾依曼式計算機相比，更加接近人腦的信息處理模式。主要表現(xiàn)如下：

神經網絡能夠處理連續(xù)的模擬信號。例如連續(xù)灰度變化的圖象信號。

能夠處理混沌的、不完全的、模糊的信息。

傳統(tǒng)的計算機能給出精確的解答，神經網絡給出的是次最優(yōu)的逼近解答。

神經網絡并行分布工作，各組成部分同時參與運算，單個神經元的動作速度不高，但總體的處理速度極快。

神經網絡信息存儲分布于全網絡各個權重變換之中，某些單元障礙并不影響信息的完整，具有魯棒性。

傳統(tǒng)計算機要求有準確的輸入條件，才能給出精確解。神經網絡只要求部分條件，甚至對于包含有部分錯誤的輸入，也能得出較好的解答，具有容錯性。

神經網絡在處理自然語言理解、圖象模式識別、景物理解、不完整信息的處理、智能機器人控制等方面有優(yōu)勢。

符號主義和聯(lián)接主義兩者各有特色，學術界目前有一種看法：認為基于符號主義得傳統(tǒng)人工智能和基于聯(lián)接主義得神經網絡是分別描述人腦左、右半腦的功能，反映了人類智能的兩重性：精確處理和非精確處理，分別面向認識的理性和感性兩個方面，兩者的關系應該是互補而非互相代替。理想的智能系統(tǒng)及其表現(xiàn)的智能行為應是兩者相互結合的結果。

接下去的問題是，符號AI和聯(lián)接AI具體如何結合，兩者在智能系統(tǒng)中相互關系如何？分別扮演什么角色？目前這方面發(fā)表的文獻很多，大致有如下幾種類型：

1．松耦合模型：符號機制的專家系統(tǒng)與聯(lián)接機制的神經網絡通過一個中間媒介（例如數據文件）進行通訊。

2．緊耦合模型：與松耦合模型相比較，其通訊不是通過外部數據進行，而是直接通過內部數據完成，具有較高的效率。其主要類型有嵌入式系統(tǒng)和黑板結構等。

3．轉換模型：將專家系統(tǒng)的知識轉換成神經網絡，或把神經網絡轉換成專家系統(tǒng)的知識，轉換前的系統(tǒng)稱為源系統(tǒng)，轉換后的系統(tǒng)稱為目標系統(tǒng)，由一種機制轉成另一種機制。如果源系統(tǒng)是專家系統(tǒng)，目標系統(tǒng)是神經網絡，則可獲得學習能力及自適應性；反之，可獲得單步推理能力、解釋能力及知識的顯式表示。當然，轉換需要在兩種的機制之間，確定結構上的一致性，目前主要問題是還沒有一種完備而精確的轉換方法實現(xiàn)兩者的轉換。有待進一步研究。

4．綜合模型：綜合模型共享數據結構和知識表示，這時聯(lián)接機制和符號機制不再分開，兩者相互結合成為一個整體，既具有符號機制的邏輯功能，又有聯(lián)接機制的自適應和容錯性的優(yōu)點和特點。例如聯(lián)接主義的專家系統(tǒng)等。

近年來神經網絡研究的另一個趨勢，是將它與模糊邏輯、混沌理論、遺傳進化算法等相結合，即所謂“混合神經網絡”方法。由于這些理論和算法都是屬于仿效生物體信息處理的方法，人們希望通過她們之間的相互結合，能夠獲得具有有柔性信息處理功能的系統(tǒng)。下面分別介紹。

二．混沌理論與智能信息處理

混沌理論是對貌似無序而實際有序，表面上看來是雜亂無章的現(xiàn)象中，找出其規(guī)律，并予以處理的一門學科。早在七十年代，美國和歐洲的一些物理學家、生物學家、數學家就致力于尋求在許許多多不同種類的不規(guī)則性之間的聯(lián)系。生物學家發(fā)現(xiàn)在人類的心臟中有混沌現(xiàn)象存在，血管在顯微鏡下交叉纏繞，其中也有驚人的有序性。在生物腦神經系統(tǒng)中從微觀的神經膜電位到宏觀的腦電波，都可以觀察到混沌的性態(tài)，證明混沌也是神經系統(tǒng)的正常特性。

九十年代開始，則更進一步將混沌和神經網絡結合起來，提出多種混沌神經網絡模型，并探索應用混沌理論的各種信息處理方法。例如，在神經元模型中，引入神經膜的不應性，研究神經元模型的混沌響應，研究在神經網絡的方程中，不應性項的定標參數，不定性時間衰減常數等參數的性質，以及這些參數于神經網絡混沌響應的關系，并確定混沌---神經網絡模型具有混沌解的參數空間。經過試驗，由這種混沌神經網絡模型所繪出的輸出圖形和腦電圖極為相似。

現(xiàn)代腦科學把人腦的工作過程看成為復雜的多層次的混沌動力學系統(tǒng)。腦功能的物理基礎是混沌性質的過程，腦的工作包含有混沌的性質。通過混沌動力學，研究、分析腦模型的信息處理能力，可進一步探索動態(tài)聯(lián)想記憶、動態(tài)學習并應用到模式識別等工程領域。例如：

對混沌的隨機不規(guī)則現(xiàn)象，可利用混沌理論進行非線性預測和決策。

對被噪聲所掩蓋的微弱信號，如果噪聲是一種混沌現(xiàn)象，則可通過非線性辨識，有效進行濾波。

利用混沌現(xiàn)象對初始值的敏銳依賴性，構成模式識別系統(tǒng)。

研究基于混沌---神經網絡自適應存儲檢索算法。該算法主要包括三個步驟，即：特征提取、自適應學習和檢索。

模式特征提取采用從簡單的吸引子到混沌的層次分支結構來描述，這種分支結構有可能通過少數幾個系統(tǒng)參數的變化來加以控制，使復雜問題簡單化。自適應學習采用神經網絡的誤差反傳學習法。檢索過程是通過一個具有穩(wěn)定吸引子的動力學系統(tǒng)來完成，即利用輸入的初始條件與某個吸引子（輸出）之間的存在直接對應關系的方法進行檢索。利用這種方法可應用于模式識別。例如黑白圖象的人臉識別。

三．模糊集理論與模糊工程

八十年代以來在模糊集理論和應用方面，也有很大進展。1983年美國西海岸AI研究所發(fā)表了稱為REVEAL的模糊輔助決策系統(tǒng)并投入市場，1986年美國將模糊邏輯導入OPS---5，并研究成功模糊專家系統(tǒng)外殼FLOPS，1987年英國發(fā)表采用模糊PROLOG的智能系統(tǒng)FRIL等。除此通用工具的研制以外，各國還開發(fā)一系列用于專用目的的智能信息處理系統(tǒng)并實際應用于智能控制、模式識別、醫(yī)療診斷、故障檢測等方面。

模糊集理論和神經網絡雖然都屬于仿效生物體信息處理機制以獲得柔性信息處理功能的理論，但兩者所用的研究方法卻大不相同，神經網絡著眼于腦的微觀網絡結構，通過學習、自組織化和非線性動力學理論形成的并行分析方法，可處理無法語言化的模式信息。而模糊集理論則著眼于可用語言和概念作為代表的腦的宏觀功能，按照人為引入的隸屬度函數，邏輯的處理包含有模糊性的語言信息。

神經網絡和模糊集理論目標相近而方法各異。因此如果兩者相互結合，必能達到取長補短的作用。將模糊和神經網絡相結合的研究，約在15年前便已在神經網絡領域開始，為了描述神經細胞模型，開始采用模糊語言，把模糊集合及其運算用于神經元模型和描述神經網絡系統(tǒng)。目前，有關模糊---神經網絡模型的研究大體上可分為兩類：一類是以神經網絡為主，結合模糊集理論。例如，將神經網絡參數模糊化，采用模糊集合進行模糊運算。另一類以模糊集、模糊邏輯為主，結合神經網絡方法，利用神經網絡的自組織特性，達到柔性信息處理的目的。

與神經網絡相比，模糊集理論和模糊計算是更接近實用化的理論，特別近年來美國和日本的各大公司都紛紛推出各種模糊芯片，研制了型號繁多的模糊推理板，并實際應用于智能控制等各個應用領域，建立“模糊工程”這樣一個新領域。日本更首先在模糊家電方面打開市場，帶有模糊控制，甚至標以神經---模糊智能控制的洗衣機、電冰箱、空調器、攝象機等已成為新一代家電的時髦產品。我國目前市場上也有許多洗衣機，例如榮事達洗衣機就是采用模糊神經網絡智能控制方式的洗衣機。

四．遺傳算法

遺傳算法（Genetic Algorithm ：GA）是模擬生物的進化現(xiàn)象（自然、淘汰、交叉、突然變異）的一種概率搜索和最優(yōu)化方法。是模擬自然淘汰和遺傳現(xiàn)象的工程模型。

GA的歷史可追溯到1960年，明確提出遺傳算法的是1975年美國Michigan大學的Holland博士，他根據生物進化過程的適應現(xiàn)象，提出如下的GA模型方案：

1．將多個生物的染色體（Chromosmoe）組成的符號集合，按文字進行編碼，稱為個體。

2．定義評價函數，表示個體對外部環(huán)境的適應性。其數值大的個體表示對外部環(huán)境的適應性高，它的生存（子孫的延續(xù)）的概率也高。

3．每個個體由多個“部分”組合而成，每個部分隨機進行交叉及突然變異等變化，并由此產生子孫（遺傳現(xiàn)象）。

4．個體的集合通過遺傳，由選擇淘汰產生下一代。

遺傳算法提出之后，很快得到人工智能、計算機、生物學等領域科學家的高度重視，并在各方面廣泛應用。1989年美國Goldberg博士發(fā)表一本專著：“Genetic Algorithms in Search，Optimization and Machine Learning”。出版后產生較大影響，該書對GA的數學基礎理論，GA的基本定理、數理分析以及在搜索法、最優(yōu)化、機器學習等GA應用方面進行了深入淺出的介紹，并附有Pascal模擬程序。

1985年7月在美國召開第一屆“遺傳算法國際會議”（ICGA）。以后每隔兩年召開一次。近年來，遺傳算法發(fā)展很快，并廣泛應用于信息技術的各個領域，例如：

智能控制：機器人控制。機器人路徑規(guī)劃。

工程設計：微電子芯片的布局、布線；通信網絡設計、濾波器設計、噴氣發(fā)動機設計。

圖象處理：圖象恢復、圖象識別、特征抽取。

調度規(guī)劃：生產規(guī)劃、調度問題、并行機任務分配。

優(yōu)化理論：TSP問題、背包問題、圖劃分問題。

人工生命：生命的遺傳進化以及自增殖、自適應；免疫系統(tǒng)、生態(tài)系統(tǒng)等方面的研究。

神經網絡、模糊集理論和以遺傳算法為代表的進化算法都是仿效生物信息處理模式以獲得智能信息處理功能的理論。三者目標相近而方法各異；將它們相互結合，必能達到取長補短、各顯優(yōu)勢的效果。例如，遺傳算法與神經網絡和模糊計算相結合方面就有：

神經網絡連續(xù)權的進化。

傳統(tǒng)神經網絡如BP網絡是通過學習，并按一定規(guī)則來改變數值分布。這種方法有訓練時間過長和容易陷入局部優(yōu)化的問題。采用遺傳算法優(yōu)化神經網絡可以克服這個缺點。

神經網絡結構的進化。

目前神經網絡結構的設計全靠設計者的經驗，由人事先確定，還沒有一種系統(tǒng)的方法來確定網絡結構，采用遺傳算法可用來優(yōu)化神經網絡結構。

神經網絡學習規(guī)則的進化。

采用遺傳算法可使神經網絡的學習過程能夠適應不同問題和環(huán)境的要求。

基于遺傳算法的模糊推理規(guī)則的優(yōu)化，以及隸屬度函數的自適應調整也都取得很好效果。

上述神經網絡、模糊計算、遺傳算法和混沌理論等都是智能信息處理的基本理論和方法。近年來學術界將它們統(tǒng)稱為“計算智能”。有關這方面更詳細的內容，可參閱我們編著的下列著作：

“神經網絡與神經計算機”（1992年科學出版社出版）

篇7

關鍵詞:暖通空調 控制系統(tǒng) 設計

由于暖通空調具有時滯和大慣性,當前的控制信號要等到很長時間才能在系統(tǒng)的輸出中反映,而廣義預測控制可以利用現(xiàn)在時刻的控制變量使未來時刻系統(tǒng)的輸出快速準確的跟蹤期望的輸出。同時暖通空調的工況環(huán)境不斷變化且有干擾作用,用神經網絡的強學習能力使暖通空調控制系統(tǒng)有效的抑制工況變化和干擾帶來的對控制效果不利的影響。因此本文把廣義預測控制和神經網絡結合對暖通空調進行控制。

本文選取的基于RBF模糊神經網絡暖通空調廣義預測控制系統(tǒng)結構如圖1所示:

圖1暖通空調廣義預測控制結構圖

如前面所描述暖通空調系統(tǒng)具有非線性,時變性、大滯后和大慣性等特點,還受到許多的干擾。圖中1所示干擾1為冷熱水干擾,主要有盤管中冷/熱水流量、壓力變化,這些干擾折合成冷/熱水溫度變化就會對系統(tǒng)造成一定的影響。干擾2為外界干擾,主要有日照、室外氣溫、外部空氣侵入以及新風溫度變化和風機轉速變化,這些干擾可以看成空調的送風風量變化。干擾3為房間內部干擾,主要有人員的頻繁進出、房間內部各種耗能發(fā)熱設備的使用。

1、暖通空調控制器在線滾動優(yōu)化

暖通空調廣義預測控制的在線滾動優(yōu)化是利用模型辨識部分提供的預測輸出信息,根據優(yōu)化的目標函數及選定的優(yōu)化方法進行在線的滾動優(yōu)化,從而得到合理的控制規(guī)律,考慮在線優(yōu)化的計算量,本文用RBF模糊神經網絡完成廣義預測控制的在線滾動優(yōu)化。實現(xiàn)在線滾動優(yōu)化的RBF模糊神經網絡結構如圖2所示:

模糊神經網絡廣義預測控制器由圖2所示的網絡實現(xiàn),則模糊神經網絡廣義預測控制器的出,即暖通空調冷凍水調節(jié)法電壓可表示為:選擇合理的參數Nl、N2、Nu、 。設控制目標函數為:式中: 為房間期望溫度。

按性能指標,利用優(yōu)化方法獲得未來控制長度內的冷凍水調節(jié)閥電壓,并取其首分量作為當前時刻的冷凍水調節(jié)閥電壓?？紤]降低在線計算的復雜性,采用了較常用的梯度下降法作為主要的優(yōu)化算法。優(yōu)化過程的關鍵是計算性能指標對RBF模糊神經網絡控制器參數的導數。

RBF模糊神經網絡廣義預測控制器參數修正如下:

其中:對于的求取是通過暖通空調的預測模型獲得:

式(12)中的c、、w是實現(xiàn)暖通空調預測模型的RBF模糊神經網絡的參數。

在每一個周期內,通過上述RBF模糊神經網和修正方法,利用暖通空調預測模型提供的信息來完成給定目標函數的優(yōu)化,進而準確的提供冷凍水調節(jié)閥電壓,從而實現(xiàn)廣義預測控制的在線滾動優(yōu)化來得到暖通空調的合理控制規(guī)律。

2、暖通空調預測模型

在線滾動優(yōu)化部分的房間溫度預測值yr和式(12)的求取是通過廣義預測中的模型預測所提供。

假定暖通空調輸入輸出特性由一般形式的離散方程描述:

式中:u,y一分別是調節(jié)閥的電壓和被調房間的輸出溫度,m,n―暖通空調輸入和輸出的階次,d一暖通空調系統(tǒng)的延遲。

用預測模型通過遞推算法對k+P時刻的系統(tǒng)輸出進行估計,遞推算法如下:

式中:yr為預測房間溫度

暖通空調的RBF模糊神經網絡動態(tài)模型,在暖通空調的廣義預測控制中,建立的暖通空調動態(tài)模型,通過反復迭代來完成對k+p時刻的暖通空調系統(tǒng)輸出的估計,可知通過暖通空調動態(tài)模型的迭代計算,可以在各種工況變化和干擾作用下,為暖通空調廣義預測控制系統(tǒng)提供準確的未來房間預測溫度。

3、暖通空調廣義預測控制反饋校正

預測控制算法在進行滾動優(yōu)化時,優(yōu)化的基點應與系統(tǒng)實際一致。但本文中,由于暖通空調系統(tǒng)受諸多干擾的影響,有可能導致辨識模型的失配。既基于不變RBF模糊神經網模型的預測不可能和實際空氣處理單元完全相符。這就需要用附加的預測手段補充模型預測的不足,或者對基礎模型進行在線修正。況且滾動優(yōu)只有建立在反饋校正的基礎上,才能體現(xiàn)出其優(yōu)越性。本文選取的是根據目標函數對暖通空調預測模型進行參數修正。

對RBF模糊神經網絡各隱單元的“中心”和“寬度”和隱層到輸出層的權值采用梯度下降法進行調整;

設其中,yr為暖通空調預測模型輸出,y為房間溫度,Ep為平方誤差函數。那么,學習過程中對實現(xiàn)暖通空調模型預測的RBF模糊神經網絡的cij, ,wj的調整一下公式來進行:

在控制的每一步,都實時檢測被控對象的實際輸出與RBF模糊神經網絡預測器輸出之間的誤差,若此誤差大于預先設定的允許誤差,則利用上述修正方法修正暖通空調預測模型的RBF模糊神經網絡參數;否則,維持原有的RBF模糊神經網絡預測模型。

(4)由上面對基于RBF模糊神經網預測控制的分析,我們可以將模糊神經網絡廣義預測對空氣處理單元的控制算法歸納為以下的步驟:

1)通過暖通空調冷凍水調節(jié)閥電壓和被調房間溫度數據完成預測功能的模糊RBF神經網絡的初始參數設置,同時初步建立在線優(yōu)化控制器RBF模糊神經網的結構;

2)設置被調房間溫度期望軌跡少(k)和被調房間實際溫度y(k),然后計算溫度誤差e(k)、誤差變化ec(k);

3)根據式(5.2)計算模糊神經網絡廣義預測控制器的輸出,該輸出同時送被控對象及模糊RBF神經網絡預測器;

4)利用實現(xiàn)式(13)離散方程的RBF模糊辨識網絡計算系統(tǒng)的預測輸出,以式 (14)為目標函數,并采用式(15-20)修正模糊RBF神經網絡預測器的參數;

5)由式(5.2)計u(k+N),以式(3)為目標函數,并按式(4-12)修改模糊神經網絡廣義預測在線優(yōu)化控制器的參數;

6)返回計算步驟2)。

參考文獻:

篇8

關鍵詞：神經網絡；網絡結構優(yōu)化；灰色關聯(lián)度分析；剪枝算法

4 實例建模

4.1 分類實例――XOR問題

XOR問題就是如何用神經網絡實現(xiàn)異或邏輯關系，即Y=A?XOR?B。對于這個問題用單個神經元模型無法解決，因為該問題是線性不可分的，對于兩維輸入空間，神經元的作用可以理解為對輸入空間進行一條直線劃分。

多層神經網絡可以解決這個問題，因為多層網絡引入了中間隱含層，每個隱含神經元可以按不同的方法來劃分輸入空間抽取輸入空間中包含的某些特征，從而形成更為復雜的分類區(qū)域。理論上已經證明三層神經網絡足以解決任意復雜分類問題。

我們考慮用BP神經網絡實現(xiàn)XOR問題，初步建立一個隱含層為30個神經元的網絡結構，再運用前文灰色關聯(lián)度分析的方法進行網絡剪枝，以實現(xiàn)最簡網絡的XOR問題。

XOR問題的樣本有四個，即他們的輸入為x=■；對應的輸出為：y=[0101]；輸入是2維向量，用2個神經元作為輸入層，網絡輸出是1維向量，用1個神經元作為輸出層，對于這個問題，在BP神經網絡隱含層節(jié)點個數未知的情況下，先取30個節(jié)點，經過簡單的訓練后得到網絡結構，再利用灰色關聯(lián)分析優(yōu)化網絡結構。

初始結構：2-30-1，神經元的傳遞函數取tin sig函數，BP網絡的訓練函數取tan sig；設定網絡的訓練參數如下：目標誤差為1e-4； 最大迭代步數為5000步；其余為系統(tǒng)默認值。

灰色關聯(lián)計算時選取的分辨系數為？籽=0.4；額定灰色關聯(lián)度為？著=0.55，最大剪枝次數為5，考慮到沒進行一次剪枝和并枝操作，網絡訓練較好，各神經元間的聯(lián)系更加緊密，故每進行一次剪枝和并枝過程，額定灰色關聯(lián)度累加一次即？著=？著+0.05；

由表1-3可知，在程序運行過程中，原BP神經網絡的結構首先調整為2-15-1，此時被刪除的節(jié)點是E=2，5，6，7，9，10，16，17，20，21，

22，23，24，25，29共15個，在此基礎上繼續(xù)對網絡進行訓練學習，第二次刪除的節(jié)點是E=14，26，27，28，30共4個，此時的網絡結構調整為2-10-1，依次過程第五次網絡達到穩(wěn)定，得到BP網的最優(yōu)化結構為2-3-1，具體每次調整過程對應的縱向節(jié)點和橫向節(jié)點以及關聯(lián)度如表1-2所示（省略前兩次調整過程）。

每次剪枝完后網絡的輸出值是比較可觀的，誤差也是接近我們的目標誤差，精度很高，足見雖然每次減少了隱含層神經節(jié)的個數，但網絡訓練不受影響，也證實了剪枝算法的合理性，如表3所示。

4.2 函數逼近實例――Y=sin（X）

我們考慮用BP神經網絡實現(xiàn)函數逼近問題，初步建立一個隱含層為30個神經元的網絡結構，進行網絡剪枝運用前文灰色關聯(lián)度分析的方法，以實現(xiàn)最簡網絡的Y=sin（X）函數逼近問題。

我們選取100個樣本，隱含層節(jié)點數為30，輸入和輸出都是一維的。選取Y=sin（X）為逼近函數，輸入從0.01？仔到0.02？仔，增長率為0.02？仔。最大訓練次數為5000，學習速率為0.005，目標誤差為1e-3。

灰色關聯(lián)計算時選取的分辨系數為？籽=0.5；額定灰色關聯(lián)度為？著=0.50，最大剪枝次數為5，考慮到沒進行一次剪枝和并枝操作，網絡訓練較好，各神經元間的聯(lián)系更加緊密，故每進行一次剪枝和并枝過程，額定灰色關聯(lián)度累加一次即？著=？著+0.05；

通過調節(jié)權值和閾值，網絡達到穩(wěn)定后，進行剪枝操作，第一次剪枝節(jié)點為E=12，13，21，25，27第二次剪枝節(jié)點為E=2，5，6，7，11，

16，22，30第三次剪枝節(jié)點為E=10，14，26，28，最終隱層節(jié)點為7個。函數逼近結果如圖1所示。由圖可知，大體符合函數逼近的趨勢，逼近效果較好。

5 結束語

文章通過分析了幾類前饋神經網絡縱向和橫向信息的傳輸特點，采用灰色關聯(lián)分析方法，通過剪枝和并枝過程來設計一種以BP算法為例的剪枝算法，數值試驗結果表明這種方法非常有效，同時也對前饋神經網絡的結構優(yōu)化提供了一種新的學習算法。

參考文獻

[1]馮知凡.基于圖像處理及BP神經網絡的車牌識別技術的研究[D].武漢科技大學，2011.

[2]楊晟院，高協(xié)平.基于面向對象BP算法的灰度位圖圖像處理[J].計算機工程與應用，2003，33：103-105.

[3]周凌翱.改進BP神經網絡在模式識別中的應用及研究[D].南京理工大學，2010.

[4]張宇.基于BP神經網絡匯率預測的智能交易系統(tǒng)[D].安徽大學，2011.

[5]李聰.基于BP神經網絡的股票指數期貨價格預測[D].青島大學，2012.

[6]黃慶斌.BP算法的改進及其應用研究[D].西南交通大學，2010.

[7]李曉峰，徐玖平，王蔭清，賀昌政.BP人工神經網絡自適應學習算法的建立及其應用[J].系統(tǒng)工程理論與實踐，2004，05：1-8.

[8]黃麗.BP神經網絡算法改進及應用研究[D].重慶師范大學，2008.

[9]陳小前，羅世彬，王振國，陶玉靜.BP神經網絡應用中的前后處理過程研究[J].系統(tǒng)工程理論與實踐，2002，1：65-70+88.

[10]熊焱，吳微，張超，亢喜岱.基于灰色關聯(lián)分析的高階神經網絡剪枝算法[J].大連理工大學學報，2010，3：463-468.

篇9

關鍵詞： BP算法； 入侵檢測； 神經網絡； 隨機優(yōu)化算子

中圖分類號： TN915.08?34； TP393.08 文獻標識碼： A 文章編號： 1004?373X（2017）11?0091?04

Research on BP algorithm based on neural network and its application

in network intrusion detection

LUO Junsong

（College of Information Science and Technology， Chengdu University of Technology， Chengdu 610059， China）

Abstract： By analyzing the problems of BP neural network applied to the detection system， the automatic variable?rate learning method， forgetting factor and random optimization operator are introduced into the BP algorithm on the basis of traditional BP algorithm. The BP algorithm is applied to the network intrusion detection system. The simulation results show that the improved BP neural network algorithm applied to intrusion detection has the characteristics of fast speed and easy convergence， and can quickly obtain the target accuracy of 0.02. The detection rate， missed detection rate and false alarm rate of the improved BP neural network algorithm can reach up to 96.17%， 3.83% and 4.15% respectively， whose detection rate is 11.65% higher than that of the traditional BP algorithm， the missed detection rate is 10.66% lower than that of the traditional BP algorithm， and the false alarm rate is 4.07% lower than that of the traditional BP algorithm. The superiority of the algorithm is obvious.

Keywords： BP algorithm； intrusion detection； neural network； random optimization operator

0 引 言

隨著通信技術和計算機技術的快速發(fā)展，計算機的網絡規(guī)模越來越大，通信系統(tǒng)也越來越復雜，由于計算機網絡本身具有漏洞，同時還有黑客對網絡進行攻擊，因此計算機網絡受到的威脅和攻擊日益增加[1?3]。網絡安全形勢越來越嚴峻。通過入侵檢測技術可收集計算機網絡中的若干關鍵點信息，同時對這些信息進行分析，并對網絡是否遭到襲擊、是否存在違反安全策略行為進行檢查，并做出及時響應，對網絡連接進行切斷并報警等[4?6]。目前傾向于通過入侵檢測技術結合人工智能算法進行相關研究，對于各種入侵行為，采用人工智能算法通過自學習、自適應能力進行識別、檢測[7]。

作為一種重要的模式識別方法，人工神經網絡具有自學習、自組織、推廣能力強等特點[8]。在入侵檢測系統(tǒng)中，應用人工神經網絡方法可使系統(tǒng)能較好地識別已知攻擊，同時還具有對未知攻擊進行檢測的能力[9]。但是在異常入侵檢測系統(tǒng)中，應用標準BP算法存在收斂局部極小值、學習速度慢等缺點，這在很大程度上影響了入侵檢測系統(tǒng)的性能[10]。本文在對原有BP神經網絡算法進行改進的基礎上，研究了優(yōu)化的神經網絡BP算法及其在網絡入侵檢測中的應用。

1 BP神經網絡

BP神經網絡是一種多層前饋神經網絡，包括輸入信號前向傳遞和誤差反向傳播兩個過程，在結構上一般由輸入層、隱含層、輸出層三層構成，每一層的神經元狀態(tài)只影響下一層神經元狀態(tài)。它被廣泛應用在BP神經網絡預測模型中。網絡結構一般只需單個隱含層就能以任意精度逼近任意有理函數。訓練樣本的輸入、輸出向量的維數分別決定了網絡的輸入、輸出層神經節(jié)點個數，典型的只有單個隱含層、單個輸出的BP神經網絡結構如圖1所示。

圖1 BP神經網絡拓撲結構

圖1中，為BP神經網絡的一組輸入向量；為網絡的目標輸出值；為輸入層與隱含層之間的連接權值；為隱含層c輸出層之間的連接權值；分別為隱含層和輸出層的節(jié)點閾值。若設隱含層節(jié)點個數為則在前向傳遞中，輸入信號向量從輸入層經隱含層逐層傳輸，最后到輸出層，通過各層連接權值矢量、閾值矢量和每一層相應的激勵函數進行計算。得到輸出層的預測輸出值若預測值與目標值之間有誤差，則誤差部分轉入反向逐層傳遞，沿誤差減小方向調整網絡各層連接的權值、閾值。反復執(zhí)行以上過程，使得BP神經網絡的預測值不斷逼近實際輸出值。

2 入侵檢測算法

網絡入侵檢測通過分析系統(tǒng)數據，一旦有網絡攻擊行為、非授權網絡訪問時，入侵檢測系統(tǒng)就會報警，同時對入侵線路進行切斷。入侵檢測系統(tǒng)應具有監(jiān)視系統(tǒng)、用戶的活動，對系統(tǒng)、用戶活動進行分析，對異常行為模式進行分析，對已知進攻模式進行識別，審計系統(tǒng)弱點、構造，跟蹤管理系統(tǒng)審計，對系統(tǒng)、數據文件完整性進行評估，對用戶違反安全策略行為進行識別。常見的攻擊手段目前包括非授權獲得權限、非授權訪問、探測、拒絕服務等。在實際中，這些攻擊手段變異很大，入侵檢測難度較大。BP神經網絡具有較強的自學習和自組織能力，經過訓練后，對以前觀察到的入侵檢測行為模式，BP神經網絡會進行歸納和總結，可識別出已觀察到的攻擊和已知攻擊變異的新攻擊，圖2為網絡的入侵檢測過程。

3 改進的BP神經網絡入侵檢測

3.1 BP神經網絡用于檢測系統(tǒng)存在的問題

BP神經網絡采用分布式存儲，但傳統(tǒng)的BP算法存在一些不足，包括極小的局部，較慢的學習收斂速度，缺乏理論隱含層節(jié)點的選取，已經學完樣本會受到新加入樣本的影響，每次樣本的輸入必須具有確定相同的特征數目。

在入侵檢測中，BP神經網絡的實現(xiàn)方式主要是與現(xiàn)有系統(tǒng)結合進行，BP神經網絡與應用模式識別系統(tǒng)相結合使用，例如與專家系統(tǒng)結合。在這種方式中，BP神經網絡可作為系統(tǒng)組成部分，通常是作為信息過濾模塊或信息預處理模塊，當信息輸入系統(tǒng)后，神經網絡會對信息做過濾處理。另外，神經網絡可規(guī)則自動生成模塊，進而更新入侵檢測系統(tǒng)規(guī)則庫、模式庫。這種方式的優(yōu)點是能將入侵檢測系統(tǒng)的工作性能提高，缺點是這種方式神經網絡的真正優(yōu)勢不能得到充分發(fā)揮。

3.2 改進的神經網絡算法

在信號檢測、非線性處理、模式識別等領域，人工神經網絡應用較多，這是因為人工神經網絡自組織性、自適應性非常好，同時其非線性特性明顯，信息存儲為分布式模式、可進行大規(guī)模的并行處理。實質上BP神經網絡算法屬于非線性優(yōu)化的梯度算法，在收斂性上，該算法存在不足，也就是說該算法的學習結果有可能落入到均方誤差全局最小點，也有可能落入到局部極小點，造成算法不收斂，使工作模式陷入錯誤。

入侵檢測系統(tǒng)的主要功能是對入侵計算機網絡的行為和計算機系統(tǒng)進行檢測，包括數據聚類、數據采集、分析判斷行為、對入侵行為進行響應、報警等。BP網絡各層神經元僅連接相鄰層神經元；在各層內部，神經元間無連接；同時各層神經元間也無反饋連接。在信號輸入后，傳播到隱節(jié)點經變換函數再將信息傳播到輸出節(jié)點，經過處理，輸出結果。本文將改進的BP 神經網絡用于入侵檢測系統(tǒng)，其檢測模型見圖3。

3.2.1 采用自動變速率學習法

傳統(tǒng)BP算法在梯度基礎上，采用最陡下降法LMS學習問題，學習步長為一個較小值，并且這個值是固定不變的，對網絡收斂無益處。因而選擇基于梯度方向自動對學習速率進行調節(jié)。通過梯度對學習方向做最終確定，在梯度方向上，學習步長由速率決定。若相鄰兩次梯度方向是相同的，表明該方向的收斂有利；若相鄰兩次梯度方向是相反的，表明該方向的收斂不穩(wěn)定。根據這個規(guī)律，通過兩次相對梯度的變化確定學習步長。當兩次梯度為相同方向時，學習步長增大，該方向上學習速度要加快；在兩次梯度為相反方向時，學習步長減小，整個網絡收斂速度要加快，自適應速率調節(jié)方法如下：

（1）

（2）

式中表示在時刻和時刻梯度的乘積。

3.2.2 引入遺忘因子

根據相鄰兩次梯度變化，通過自適應變速率學習法對學習步長算法進行確定。變化單純學習速率，這時收斂速度不能完全保證，但不會有振蕩產生，因此考慮變速率學習法，在權值調節(jié)量上，加一個量，這個量正比于前幾次的加權，權值調節(jié)量采用式（3）計算：

（3）

式中：表示遺忘因子，引入遺忘因子項，在學習過程中可通過對學習速率進行等效微調的效果進行說明。遺忘因子的作用是緩沖平滑，并使調節(jié)的平均方向朝底部變化。

3.2.3 引入隨機優(yōu)化算子

BP神經網絡算法在引入遺忘因子，采用自動變速率學習法后，雖然可微調學習速率，但BP神經網絡的不足和限制仍存在，為了進一步對BP神經網絡進行優(yōu)化，本文引入隨機優(yōu)化算子，當網絡權值誤差迭代達到一定次數后，收斂不明顯或連續(xù)幾次發(fā)生系統(tǒng)誤差函數梯度變化，這種情況表明網絡進入疲乏狀態(tài)，要借助外界推動力對網絡進行激活。當出現(xiàn)這兩種情況時，與權值維數相同的隨機數就產生了，直接將權值和隨機數相加，對系統(tǒng)誤差變化進行判斷，若誤差未降低，繼續(xù)產生隨機數，進行權值修改，當誤差出現(xiàn)減少時停止，然后再從新權值繼續(xù)開始BP算法，隨機優(yōu)化算子可隨機變化搜索方向，局部極小點就擺脫掉了，圖4為改進的BP算法流程圖。

4 仿真實驗

本文的仿真實驗在Matlab 7.0實驗平臺進行，以此來驗證提出改進的BP神經網絡算法是否能達到較好的效果，本文同時給出采用未改進的BP算法網絡入侵檢測和改進的BP神經網絡算法網絡入侵檢測模型仿真實驗結果。

圖5為兩種算法得到的訓練精度。從兩種算法的實驗仿真結果可看出，將改進的BP神經網絡算法用于入侵檢測，速度快、易收斂，目標精度0.02很快達到。在規(guī)定周期內，未改進的BP算法不能達到規(guī)定的目標精度，易陷入局部極小，本文提出的改進的BP算法所用訓練周期較短，學習時間縮短顯著，效果良好。

評價檢測模型的標準為漏報率、誤報率、檢測率，其定義分別如下：

表1為未改進的BP算法與改進的BP算法的比較結果，從表1中可看出，改進的BP神經網絡算法的檢測率、漏報率、誤報率分別為96.17%，3.83%，4.15%，檢測率比未改進的BP算法要高出11.65%，漏報率比未改進的BP算法要低10.66%，誤報率比未改進的BP算法要低4.07%。

表1 兩種算法的入侵檢測結果

[算法 訓練周期 /s 檢測率 /% 漏報率 /% 誤報率 /% 基本BP算法 480 84.52 14.49 8.22 改進的BP算法 480 96.17 3.83 4.15 ]

5 結 語

本文在對原有BP 神經網絡算法進行改進的基礎上，研究了改進優(yōu)化的BP神經網絡算法及其在網絡入侵檢測中的應用。通過分析BP神經網絡用于檢測系統(tǒng)存在的問題，在傳統(tǒng)BP算法基礎上，采用自動變速率學習法，引入遺忘因子、隨機優(yōu)化算子，并將其用于網絡入侵檢測系統(tǒng)。仿真實驗表明，改進的BP神經網絡算法用于入侵檢測，速度快易收斂，目標精度0.02很快達到。本文算法具有明顯的優(yōu)越性，各種入侵行為檢測率得到明顯提高，系統(tǒng)誤報率也降低了，入侵檢測系統(tǒng)性能得到有效改進，本文算法優(yōu)越性明顯。

參考文獻

[1] 宋玲，常磊.變異粒子群優(yōu)化的BP神經網絡在入侵檢測中的應用[J].智能系統(tǒng)學報，2013，8（6）：558?563.

[2] 劉伉伉，謝福，郭雪雪.基于BP神經網絡的云計算入侵檢測技術研究[J].計算機與數字工程，2014（12）：2357?2361.

[3] 黃煜坤.基于BP神經網絡算法的入侵檢測技術[J].電子制作，2015（10）：60?62.

[4] 沈夏炯，王龍，韓道軍.人工蜂群優(yōu)化的BP 神經網絡在入侵檢測中的應用[J].計算機工程，2016，42（2）：190?194.

[5] 王玲.基于BP 算法的人工神經網絡建模研究[J].裝備制造技術，2014（1）：162?164.

[6] 王俊士，李江濤.一種改進的BP神經網絡算法在入侵檢測中的應用[J].電腦知識與技術，2014，10（3）：614?617.

[7] 顏謙和，顏珍.遺傳算法優(yōu)化的神經網絡入侵檢測系統(tǒng)[J].計算機仿真，2011，28（4）：141?144.

[8] 汪潔.基于神經網絡的入侵z測系統(tǒng)的設計與實現(xiàn)[J].計算機應用與軟件，2013（5）：320?322.

篇10

關鍵詞 神經網絡；空調；應用

中圖分類號 TP387 文獻標識碼 A 文章編號 1673-9671-(2012)071-0184-02

中央空調系統(tǒng)是一個龐大復雜的系統(tǒng)，主要包括：空調冷熱源系統(tǒng)、水或空氣系統(tǒng)、控制系統(tǒng)等，空調系統(tǒng)能耗與影響因素之間是一種多變量、強耦合、嚴重非線性的關系，具有很強的動態(tài)性。而人工神經網絡可以實現(xiàn)從輸入到輸出的任意非線性映射，能夠模擬高度非線性系統(tǒng)，具有較強的學習能力、自適應能力、容錯能力和聯(lián)想能力，已成為復雜的非線性系統(tǒng)建模、仿真、預測的新型工具，人工神經網絡自20世紀40年代初被首度提出來以后，經過幾十年的發(fā)展，廣泛運用于模式識別和圖像處理、控制與優(yōu)化、人工智能等方面。隨著我國空調事業(yè)的快速發(fā)展及節(jié)能減排新形下，人工神經網絡在空調系統(tǒng)中的運用越來越受到廣大暖通空調研究者的關注。

1 神經網絡

神經網絡是對人腦或生物神經網絡的抽象和建模，具有從環(huán)境學習的能力，以類似生物的交互方式適應環(huán)境。人工神經網絡是一個由大量簡單的神經元廣泛聯(lián)接組成的復合系統(tǒng)，當系統(tǒng)被訓練達到平衡后，由各個神經元的權值組成的整個網絡的分布狀態(tài)，就是所求的結果。網絡學習的過程也就是各神經元權值的調整過程。人工神經網絡根據連接方式不同可以分為兩大類：無反饋的前向神經網絡和相互連接型網絡（包括反饋網絡），圖1為BP神經網絡系統(tǒng)結構簡圖，BP網絡就是一種誤差反向傳播的前向網絡，神經網絡的學習算法總體來講可分為有監(jiān)督學習和無監(jiān)督學習。人工神經網絡的具有強容錯性、冗余性、魯棒性和信息分布式并行處理及快速進行大量計算能力特點， 能適應復雜環(huán)境和進行多目標控制。

圖1 BP網絡系統(tǒng)結構

2 人工神經網絡在空調系統(tǒng)中的應用

2.1 空調風系統(tǒng)方面的應用

變風量系統(tǒng)（VAV系統(tǒng)）的基本思想是：當室內負荷發(fā)生變化時，改變送入室內風量，以滿足室內人員的舒適性或工藝性要求，實現(xiàn)送風量的自動調節(jié)，最大限度地減少風機動力，節(jié)約運行能耗。目前對變風量空調控制方法傳統(tǒng)方法主要有：定靜壓控制、變靜壓控制、總風量控制等，但多數局限于的PID控制理論，對變風量空調這種非線性系統(tǒng)的控制精度難以保證。朱為明等人在VAV系統(tǒng)中采用神經網絡預測優(yōu)化算法對變風量空調進行控制，神經網絡預測優(yōu)化算法控制過程的節(jié)能范圍為：6％-13.5％，與PID控制方法相比，神經網絡預測優(yōu)化算法的控制量之和減少6%以上，具有較好的節(jié)能效果。

2.2 空調水系統(tǒng)方面的應用

中央空調水系統(tǒng)主要包括冷卻水和冷凍水系統(tǒng)，對于大型系統(tǒng)，管道長，系統(tǒng)熱容量大、慣性大，被控系統(tǒng)水溫和流速變化速度較慢，滯后現(xiàn)象嚴重，是一種典型的大滯后系統(tǒng)，對于過程純滯后非線性特性，目前過程控制傳統(tǒng)算法不具備克服滯后影響的能力，在穩(wěn)定性和響應速度上都難以達到較好的性能指標。周洪煜等人利用了神經網絡的非線性逼近特性、自學習、自組織的能力以及預測控制的滾動優(yōu)化和反饋校正的特性，建立起的中央空調水系統(tǒng)的動態(tài)模型，作為預測控制器的預測模型，不需要對被控對象進行精確的辨識， 提出的多變量神經網絡預測控制系統(tǒng)具有優(yōu)良的控制效果，實現(xiàn)了空調水系統(tǒng)的自適應控制。何厚鍵等人在中央空調水系統(tǒng)的建模與優(yōu)化研究中，利用前饋型網絡結合BP算法建立了冷卻塔和制冷機的神經網絡模型，解決的具有高度非線性的中央空調水系統(tǒng)設備的建模問題。

2.3 制冷系統(tǒng)方面的應用

神經網絡在空調中的制冷系統(tǒng)應用，主要體現(xiàn)在制冷機組優(yōu)化控制和制冷系統(tǒng)的故障診斷兩方面。在中央空調系統(tǒng)中制冷機組是能耗最大的設備，對制冷機組進行優(yōu)化控制，提高其運行效率，是空調系統(tǒng)節(jié)能的重要途徑之一。趙健等人在分析了影響壓縮機運行效率的主要因素基礎上，建立了以壓縮機入口制冷劑溫度、壓縮機出口制冷劑溫度和負荷為輸入量，最佳吸氣壓力輸出為輸出量的BP神經網絡模型。通過在線修正制冷機的吸氣壓力工作點，解決變負荷下，制冷機優(yōu)化控制問題，大幅度提高制冷性能參數COP的值，降低了制冷機的運行能耗，與采用額定工況相比，采用神經網絡優(yōu)化控制方法的制冷機節(jié)能量約為44.8%。

故障診斷是一種了解和掌握設備在使用過程中的技術，確定其整體或局部是否正常，早期發(fā)現(xiàn)故障及其原因并能預報故障發(fā)展趨勢的技術。在制冷系統(tǒng)的故障診斷方面，神經網絡也發(fā)揮著重要作用，隨著我國空調制冷事的蓬勃發(fā)展，制冷系統(tǒng)越來越復雜，故障的潛在發(fā)生點也越來越多，制冷設備的故障檢測與診斷越來越受到人們的重視。胡正定等人在分析制冷系統(tǒng)常見故障特征的基礎上，建立以壓縮機進口溫度、蒸發(fā)器進口溫度、冷媒水進口溫度、冷媒水出口溫度、壓縮機排氣壓力、壓縮機吸氣壓力、壓縮機出口溫度、冷凝器出口溫度等8特征征參數作為輸入量，故障模式作為輸出量的補償模糊神經網絡模型。仿真結果表明，系統(tǒng)的診斷結果且有較高的準確率。李中領等人在空調系統(tǒng)故障診斷中利用神經網絡建立了三層BP網絡模型，輸入層節(jié)點個數為4，對應于4種故障現(xiàn)象，隱含層單元個數為4，輸出層節(jié)點個數為12，對應于12種故障原因，輸出節(jié)點值的大小反映了故障出現(xiàn)的可能性。

2.4 負荷預測方面的應用

空調系統(tǒng)逐時負荷的準確預測是實現(xiàn)現(xiàn)代控制的前提之一，準確預測空調負荷對空調高效節(jié)能運行具有重大意義，影響空調負荷的因素有空氣溫度、濕度、太陽輻射強度、人員、設備運行情況等，空調負荷與影響因素之間是嚴重非線性的關系，具有動態(tài)性。

2.5 空調制冷系統(tǒng)的仿真設計方面的應用

制冷空調產品設計中，大量地依賴樣機的反復制作與調試，使得產品的設計周期延長，并影響性能優(yōu)化，用計算機仿真代替樣機試驗，在計算機上面實現(xiàn)優(yōu)化設計，使得制冷空調裝置仿真技術近年來得到了迅速發(fā)展 。

2.6 大型建筑運行能耗的評價方面的應用

大型公共建筑指非住宅的民用建筑，包括辦公樓、商場、賓館、醫(yī)院、學校等，大型公共建筑用能特點是單位面積耗能非常高，為每年100 kW/m2-300 kW/m2，而且我國大型公共建筑能源系統(tǒng)效率較低，浪費嚴重，其電耗超過公共建筑節(jié)能設計標準規(guī)定指標的10倍以上。大型公共建筑中央空調系統(tǒng)運行能耗的科學評價是對大型公共建筑進行用能科學管理的重要基礎，趙靖等人基于BP人工神經網絡，將冷水機組、冷凍水泵、冷卻水泵、冷卻塔、其它設備月平均功率、運行時間和氣象特征共七個作為預測因子，空調系統(tǒng)總能耗為輸出量，建立了大型公共建筑系統(tǒng)運行能耗的預測評價模型，仿真結果表明，網絡的平均預測誤差輸出值約為3.3E-014，可以滿足實際應用的要求。

3 發(fā)展方向

人工神經網絡基于較強的學習能力、自適應能力、容錯能力和聯(lián)想能力，在暖通空調領域中的應用已經取得了突破性的進展。今后的發(fā)展方向主要有兩個方面，首先，不斷改進神經網絡性能，提高其預測和控制精確度；另外，逐步使神經網絡的實現(xiàn)由軟件實現(xiàn)過渡到硬件實現(xiàn)，擴大其在空調領域的應用范圍，也是今后的研究方向之一。

參考文獻

[1]胡守仁.神經網絡導論[M].北京:國防科技大學出版社,1999.

[2]候媛彬,杜京義,汪梅.神經網絡[M].西安電子科技大學出版社,2007.