前言：想要寫出一篇令人眼前一亮的文章嗎？我們特意為您整理了5篇人工神經(jīng)網(wǎng)絡(luò)文獻(xiàn)綜述范文，相信會(huì)為您的寫作帶來幫助，發(fā)現(xiàn)更多的寫作思路和靈感。

人工神經(jīng)網(wǎng)絡(luò)文獻(xiàn)綜述范文第1篇

【摘要】 人工神經(jīng)網(wǎng)絡(luò)由于其具有高度的自適應(yīng)性、非線性、善于處理復(fù)雜關(guān)系的特點(diǎn)，在許多研究領(lǐng)域得到了廣泛應(yīng)用，并取得了令人矚目的成就。對其目前在醫(yī)學(xué)研究領(lǐng)域中的應(yīng)用做一簡單綜述。

【關(guān)鍵詞】 人工神經(jīng)網(wǎng)絡(luò)； 應(yīng)用

人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network，ANN)方法自從本世紀(jì)40年代被提出以來，許多從事人工智能、計(jì)算機(jī)科學(xué)、信息科學(xué)的科學(xué)家都在對它進(jìn)行研究，已在軍事、醫(yī)療、航天、自動(dòng)控制、金融等許多領(lǐng)域取得了成功的應(yīng)用。目前出現(xiàn)了許多模仿動(dòng)物和人的智能形式與功能的某個(gè)方面的神經(jīng)網(wǎng)絡(luò)，例如，Grossberg提出的自適應(yīng)共振理論（Adaptive Resonance Theory，ART），T-Kohenen的自組織特征映射網(wǎng)絡(luò)(Self-Organizing feature Map，SOM)，徑向基函數(shù)網(wǎng)絡(luò)（Radial Basis Function，RBF），Hopfield網(wǎng)等。進(jìn)入90年代以后，由于計(jì)算機(jī)技術(shù)和信息技術(shù)的發(fā)展，以及各種算法的不斷提出，神經(jīng)網(wǎng)絡(luò)的研究逐漸深化，應(yīng)用面也逐步擴(kuò)大，本研究對常用的神經(jīng)網(wǎng)絡(luò)方法及其在醫(yī)學(xué)領(lǐng)域中的應(yīng)用做一簡單綜述。

1 自組織特征映射網(wǎng)絡(luò)（self-organizing feature map，SOM）在基因表達(dá)數(shù)據(jù)分析中的應(yīng)用

1.1 方法介紹

腦神經(jīng)學(xué)的研究表明，人腦中大量的神經(jīng)元處于空間的不同區(qū)域，有著不同的功能，各自敏感著各自的輸入信息模式的不同特征。芬蘭赫爾辛基大學(xué)神經(jīng)網(wǎng)絡(luò)專家T.Kohonen根據(jù)大腦神經(jīng)系統(tǒng)的這一特性，于1981年提出了自組織特征映射網(wǎng)絡(luò)，它模擬人的大腦，利用競爭學(xué)習(xí)的方式進(jìn)行網(wǎng)絡(luò)學(xué)習(xí)，具有很強(qiáng)的自組織、自適應(yīng)學(xué)習(xí)能力，魯棒性和容錯(cuò)能力，其理論及應(yīng)用發(fā)展很快，目前已在信息處理、模式識(shí)別、圖像處理、語音識(shí)別、機(jī)器人控制、數(shù)據(jù)挖掘等方面都有成功應(yīng)用的實(shí)例。

Kohonen網(wǎng)絡(luò)由輸入層和競爭層組成，網(wǎng)絡(luò)結(jié)構(gòu)見圖1。輸入層由N個(gè)神經(jīng)元組成，競爭層由M個(gè)輸出神經(jīng)元組成，輸入層與競爭層各神經(jīng)元之間實(shí)現(xiàn)全互連接，競爭層之間實(shí)行側(cè)向連接。設(shè)輸入向量為x=(x1，…，xd)T ，輸出神經(jīng)元j對應(yīng)的權(quán)重向量為wj=(wj1，…，wjd)T ，對每一輸出神經(jīng)元計(jì)算輸入向量x 和權(quán)重向量wj 間的距離，據(jù)此利用競爭學(xué)習(xí)規(guī)則對權(quán)向量進(jìn)行調(diào)節(jié)。在網(wǎng)絡(luò)的競爭層，各神經(jīng)元競爭對輸入模式的響應(yīng)機(jī)會(huì)，最后僅一個(gè)神經(jīng)元成為勝利者，并對與獲勝神經(jīng)元有關(guān)的各權(quán)重朝著更有利于它競爭的方向調(diào)整，這樣在每個(gè)獲勝神經(jīng)元附近形成一個(gè)“聚類區(qū)”，學(xué)習(xí)的結(jié)果使聚類區(qū)內(nèi)各神經(jīng)元的權(quán)重向量保持與輸入向量逼近的趨勢，從而使具有相近特性的輸入向量聚集在一起，這種自組織聚類過程是系統(tǒng)自主、無教師示教的聚類方法，能將任意維輸入模式在輸出層映射成一維或二維離散圖形，并保持其拓?fù)浣Y(jié)構(gòu)不變。網(wǎng)絡(luò)通過對輸入模式的學(xué)習(xí)，網(wǎng)絡(luò)競爭層神經(jīng)元相互競爭，自適應(yīng)地形成對輸入模式的不同響應(yīng)，模擬大腦信息處理的聚類功能、自組織、自學(xué)習(xí)功能，實(shí)現(xiàn)用低維目標(biāo)空間的點(diǎn)去表示高維原始空間的點(diǎn)，其工作原理和聚類算法及改進(jìn)方法參見相關(guān)文獻(xiàn)［1］。

1.2 應(yīng)用

基因芯片技術(shù)的應(yīng)用使得人們可以從基因水平探討疾病的病因及預(yù)后，而基因芯片產(chǎn)生的數(shù)據(jù)具有高維度（變量多）、樣本量小、高噪聲的特點(diǎn)，樣本量遠(yuǎn)小于變量數(shù)，如何從海量的數(shù)據(jù)中挖掘信息或知識(shí)成為重大課題。聚類分析是數(shù)據(jù)挖掘中的一類重要技術(shù)，傳統(tǒng)方法主要有系統(tǒng)聚類、k-means聚類等，但在處理復(fù)雜非線性關(guān)系及變量間的交互作用時(shí)效果較差，受異常值影響較大。近年來神經(jīng)網(wǎng)絡(luò)技術(shù)法成為聚類領(lǐng)域的研究熱點(diǎn)，其中自組織特征映射網(wǎng)絡(luò)由于其良好的自適應(yīng)性，其算法對基因表達(dá)數(shù)據(jù)的聚類有較高的穩(wěn)定性和智能性，尤其在處理基因表達(dá)中有缺失數(shù)據(jù)及原始空間到目標(biāo)空間存在非線性映射結(jié)構(gòu)時(shí)有較好的體現(xiàn)，適用于復(fù)雜的多維數(shù)據(jù)的模式識(shí)別和特征分類等探索性分析，同時(shí)可實(shí)現(xiàn)聚類過程和結(jié)果的可視化［2］。目前Kohonen網(wǎng)絡(luò)已被成功用到許多基因表達(dá)數(shù)據(jù)的分析中，Jihua Huang等［3］設(shè)計(jì)6×6的網(wǎng)絡(luò)對酵母細(xì)胞周期數(shù)據(jù)進(jìn)行分析，總正確率為67.7%；曹暉等［4］將其算法改進(jìn)后用在酵母菌基因表達(dá)數(shù)據(jù)中，總正確率高達(dá)84.73%，有較高的聚類效能；鄧慶山［5］將該模型與K平均值聚類方法結(jié)合用于公開的結(jié)腸基因表達(dá)數(shù)據(jù)集和白血病基因表達(dá)數(shù)據(jù)集，聚類的準(zhǔn)確率分別為94.12%和90.32%。目前Kohonen網(wǎng)絡(luò)在醫(yī)學(xué)領(lǐng)域中主要應(yīng)用前景有：① 發(fā)現(xiàn)與疾病相關(guān)的新的未知基因，對目標(biāo)基因進(jìn)一步研究，提高診斷的正確率，并對藥物的開發(fā)研究提供重要的線索；② 對腫瘤組織的基因表達(dá)譜數(shù)據(jù)聚類，以期發(fā)現(xiàn)新的、未知的疾病亞型（腫瘤亞型），以便提出更加有針對性的治療方案，為從分子水平對疾病分型、診斷、預(yù)后等提供依據(jù)；③ 發(fā)現(xiàn)與已知基因有相似功能的基因，為推斷未知基因的可能功能提供線索。

2 BP神經(jīng)網(wǎng)絡(luò)在醫(yī)學(xué)研究中的應(yīng)用

2.1 BP神經(jīng)網(wǎng)絡(luò)在疾病輔助診斷中的應(yīng)用

2.1.1 方法介紹

BP神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用最多的神經(jīng)網(wǎng)絡(luò)，一般由一個(gè)輸入層（input layer）、一個(gè)輸出層（output layer）、一個(gè)或幾個(gè)中間層（隱層）組成。每一層可包含一個(gè)或多個(gè)神經(jīng)元，其中每一層的每個(gè)神經(jīng)元和前一層相連接，同一層之間沒有連接。輸入層神經(jīng)元傳遞輸入信息到第一隱層或直接傳到輸出層，隱層的神經(jīng)元對輸入層的信息加權(quán)求和，加一個(gè)常數(shù)后，經(jīng)傳遞函數(shù)運(yùn)算后傳到下一個(gè)隱層（或輸出層），常用的傳遞函數(shù)是logistic函數(shù)，即Φh=1/(1+exp(-z)) ，輸出層神經(jīng)元對前一層的輸入信息加權(quán)求和經(jīng)傳遞函數(shù)Φ0 （線性或logistic函數(shù)或門限函數(shù)）運(yùn)算后輸出，BP神經(jīng)網(wǎng)絡(luò)一般采用BP算法訓(xùn)練網(wǎng)絡(luò)，關(guān)于BP算法及改進(jìn)可參考相關(guān)文獻(xiàn)［1］。

人工神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的非線性映射能力，含一個(gè)隱層的網(wǎng)絡(luò)可以實(shí)現(xiàn)從輸入到輸出間的任意非線性映射，是典型的非線性數(shù)學(xué)模型，建立BP神經(jīng)網(wǎng)絡(luò)模型的一般步驟為：① BP網(wǎng)訓(xùn)練集、校驗(yàn)集、測試集的確定；② 輸入數(shù)據(jù)的預(yù)處理：使輸入變量的取值落在0到1的范圍內(nèi)，如果是無序分類變量，以啞變量的形式賦值；③ 神經(jīng)網(wǎng)絡(luò)模型的建立及訓(xùn)練：學(xué)習(xí)率、傳遞函數(shù)、隱層數(shù)、隱單元數(shù)的選擇，注意防止過度擬合。一般使用靈敏度、特異度、陽性預(yù)測值、陰性預(yù)測值、ROC曲線對模型的預(yù)測性能進(jìn)行評價(jià)。

2.1.2 應(yīng)用

BP神經(jīng)網(wǎng)絡(luò)已廣泛用于臨床輔助診斷中，白云靜等［6］用于中醫(yī)證候的非線性建模，建立了RA證侯BP網(wǎng)絡(luò)模型和DN證侯BP網(wǎng)絡(luò)模型，結(jié)果顯示平均診斷準(zhǔn)確率分別為90.72%、92.21%，具有較高的診斷、預(yù)測能力。曹志峰［7］采用PROBEN1中的甲狀腺疾病數(shù)據(jù)庫用于甲狀腺疾病（甲亢、甲減、正常）的診斷，結(jié)果顯示訓(xùn)練樣本的正確識(shí)別率為99.3% ，測試樣本的正確識(shí)別率為98.2%，提示對臨床診斷甲狀腺疾病提供有益的幫助；還有學(xué)者用于急性心肌梗塞、甲狀腺功能紊亂、乳腺癌、前列腺癌、宮頸癌、肺癌、卵巢癌、急性肺梗塞等的輔助診斷等［8］。

2.2 BP神經(jīng)網(wǎng)絡(luò)在生存分析中的應(yīng)用

2.2.1 方法介紹

傳統(tǒng)的生存分析方法有非參數(shù)、半?yún)?shù)、參數(shù)模型，參數(shù)模型主要有指數(shù)回歸模型、Weibull回歸模型，都要求對基線風(fēng)險(xiǎn)做一定的假設(shè)，但實(shí)際資料常常不符合條件，生存分析中應(yīng)用最為廣泛的半?yún)?shù)模型:Cox比例風(fēng)險(xiǎn)模型，但它要求滿足比例風(fēng)險(xiǎn)的假定，在很多情況下也難以滿足?；谏窠?jīng)網(wǎng)絡(luò)的生存分析模型可以克服這些困難，可以探測復(fù)雜的非線性效應(yīng)，復(fù)雜的交互效應(yīng)，模型中協(xié)變量的效應(yīng)可以隨時(shí)間變化，對數(shù)據(jù)的分布不做要求。目前一些策略被用到神經(jīng)網(wǎng)絡(luò)預(yù)測方法中分析含有刪失的生存數(shù)據(jù)，主要有Faraggi-Simon(1995)法、Liestol-Andersen-Andersen(1994) 法、改良uckley-James(1979)法等。

BP神經(jīng)網(wǎng)絡(luò)建立生存分析模型常用的方法有［9］：連續(xù)時(shí)間模型（continuous time models）與離散時(shí)間模型（discrete time models）。常用的Faraggi和Simon［10］提出的連續(xù)時(shí)間模型擴(kuò)展了Cox回歸模型，允許非線性函數(shù)代替通常的協(xié)變量的線性組合，這種方法既保持了Cox回歸模型的比例風(fēng)險(xiǎn)的特點(diǎn)，又提供了處理復(fù)雜非線性關(guān)系、交互作用能力的好方法。

離散時(shí)間模型常用的模型有：① 輸出層為單個(gè)結(jié)點(diǎn)：模型的輸出層只有一個(gè)神經(jīng)元結(jié)點(diǎn)，是最簡單的神經(jīng)網(wǎng)絡(luò)模型，生存時(shí)間被分成兩個(gè)區(qū)間，當(dāng)研究者僅僅對某一時(shí)間點(diǎn)的預(yù)后感興趣時(shí)，例如預(yù)測癌癥患者的5年生存情況，如欲預(yù)測多個(gè)時(shí)間點(diǎn)，則需建立多個(gè)神經(jīng)網(wǎng)絡(luò)模型（每個(gè)模型對應(yīng)一個(gè)時(shí)間區(qū)間）；② 輸出層為多個(gè)結(jié)點(diǎn)：生存時(shí)間被分成幾個(gè)離散的區(qū)間，估計(jì)某個(gè)時(shí)間區(qū)間事件發(fā)生的概率，Liestol法是常用的離散時(shí)間模型。還有研究者在建立多個(gè)時(shí)間區(qū)間模型時(shí)將時(shí)間也做為一個(gè)輸入變量，也有學(xué)者將神經(jīng)網(wǎng)絡(luò)納入Bayes方法的研究框架。

一般采用靈敏度、特異度、一致性指數(shù)C(Concordance index)作為預(yù)測準(zhǔn)確性的評價(jià)指標(biāo)，神經(jīng)網(wǎng)絡(luò)在生存分析中的應(yīng)用主要在于［11］：個(gè)體患者預(yù)后的預(yù)測，研究預(yù)后因子的重要性，研究預(yù)后因子的相互作用，對于預(yù)測變量的影響力強(qiáng)弱及解釋性，還有待進(jìn)一步探討。

2.2.2 應(yīng)用

國外Ruth M.Ripley等［9］將7種不同的神經(jīng)網(wǎng)絡(luò)生存分析模型（3種離散時(shí)間模型，4種連續(xù)時(shí)間模型）用于1335例乳腺癌患者復(fù)發(fā)概率的預(yù)測，并對其精確性、靈敏度、特異度等預(yù)測性能指標(biāo)進(jìn)行比較，結(jié)果證明神經(jīng)網(wǎng)絡(luò)方法能成功用于生存分析問題，可以提取預(yù)后因子所蘊(yùn)涵的最大可能的信息。Anny Xiang等［12］采用Monte Carlo模擬研究方法，在9種實(shí)驗(yàn)條件下（不同的輸入結(jié)點(diǎn)、刪失比例、樣本含量等）對Faraggi-Simon法、Liestol-Andersen-Andersen法、改良Buckley-James法處理右刪失生存數(shù)據(jù)的性能與Cox回歸作比較，研究結(jié)果提示神經(jīng)網(wǎng)絡(luò)方法可以作為分析右刪失數(shù)據(jù)的一個(gè)有效的方法。D.J.Groves［13］等將Cox回歸與神經(jīng)網(wǎng)絡(luò)方法對兒童急性淋巴母細(xì)胞白血病的預(yù)后進(jìn)行了比較，Lucila Ohno-Machado等［14］建立輸出層為4個(gè)結(jié)點(diǎn)的離散時(shí)間神經(jīng)網(wǎng)絡(luò)模型做為AIDS預(yù)后研究的工具，并使用ROC曲線下面積、靈敏度、特異度、陽性預(yù)測值、陰性預(yù)測值對不同時(shí)間區(qū)間的預(yù)測性能做了評價(jià)。國內(nèi)用于生存分析方面的研究還較少，黃德生［15］等利用BP神經(jīng)網(wǎng)絡(luò)建立time-coded model和single-time point model用于肺鱗癌預(yù)后預(yù)測，賀佳［16］等把BP網(wǎng)絡(luò)用于預(yù)測肝癌患者術(shù)后無瘤生存期，也有學(xué)者對AIDS、惡性腫瘤的預(yù)后做了相關(guān)的研究。

2.3 BP神經(jīng)網(wǎng)絡(luò)在其它方面的應(yīng)用

近年來BP神經(jīng)網(wǎng)絡(luò)在疾病篩查中的的應(yīng)用引起學(xué)者的關(guān)注，例如在乳腺癌、宮頸癌、糖尿病的篩查都有成功的應(yīng)用［17］。神經(jīng)網(wǎng)絡(luò)在法醫(yī)學(xué)研究領(lǐng)域具有實(shí)用性和廣泛的應(yīng)用前景，法醫(yī)學(xué)家將其用在死亡時(shí)間推斷、死因分析、個(gè)體識(shí)別和毒物分析等研究中［18］。在藥學(xué)研究中也有一定的應(yīng)用，例如在定量藥物設(shè)計(jì)、藥物分析、藥動(dòng)/藥效學(xué)研究中，都有成功的應(yīng)用案例，相秉仁等［19］對其做了詳細(xì)的綜述。曹顯慶［20］等還將神經(jīng)網(wǎng)絡(luò)用于ECG、EEG等信號(hào)的識(shí)別和處理、醫(yī)學(xué)圖像分析中，取得了較好的結(jié)果。

人工神經(jīng)網(wǎng)絡(luò)是在研究生物神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上建立的模型，迄今為止有代表性的網(wǎng)絡(luò)模型已達(dá)數(shù)10種，人工神經(jīng)網(wǎng)絡(luò)不需要精確的數(shù)學(xué)模型，沒有任何對變量的假設(shè)要求，能通過模擬人的智能行為處理復(fù)雜的、不確定的、非線性問題。在醫(yī)學(xué)研究領(lǐng)域，變量間關(guān)系往往非常復(fù)雜，為了探測變量間的復(fù)雜模式，神經(jīng)網(wǎng)絡(luò)正逐漸變成分析數(shù)據(jù)的流行工具。目前國際上已出現(xiàn)許多著名的神經(jīng)網(wǎng)絡(luò)專業(yè)雜志：Neural Network，Neural Computation，IEEE Transaction on Neural Networks等，同時(shí)已有許多商業(yè)化的神經(jīng)網(wǎng)絡(luò)開發(fā)軟件，如Matlab軟件， S-plus軟件，SNNS(Stuttgart Neural Network Simulator)等，高版本SAS系統(tǒng)中的Enterprise Miner應(yīng)用模塊中也可以建立神經(jīng)網(wǎng)絡(luò)模型，隨著計(jì)算機(jī)技術(shù)的進(jìn)一步發(fā)展，人工神經(jīng)網(wǎng)絡(luò)在醫(yī)學(xué)領(lǐng)域的應(yīng)用前景也會(huì)更加廣闊。

【參考文獻(xiàn)】

1 余雪麗，主編.神經(jīng)網(wǎng)絡(luò)與實(shí)例學(xué)習(xí).中國鐵道出版社，1996.

2 白耀輝，陳明.利用自組織特征映射神經(jīng)網(wǎng)絡(luò)進(jìn)行可視化聚類.計(jì)算機(jī)仿真，2006，23(1):180~183.

3 Jinua Huang，Hiroshi Shimizu，Suteaki Shioya.Clustering gene expression pattern and extracting relationship in gene network based on artificial neural networks.Journal of bioscience and bioengineering，2003，96(5):421~428.

4 曹暉，席斌，米紅.一種新聚類算法在基因表達(dá)數(shù)據(jù)分析中的應(yīng)用.計(jì)算機(jī)工程與應(yīng)用，2007，43(18)：234~238.

5 鄧慶山.聚類分析在基因表達(dá)數(shù)據(jù)上的應(yīng)用研究.計(jì)算機(jī)工程與應(yīng)用，2005，41(35):210~212.

6 白云靜，申洪波，孟慶剛，等.基于人工神經(jīng)網(wǎng)絡(luò)的中醫(yī)證侯非線性建模研究.中國中醫(yī)藥信息雜志，2007，14（7）:3~4.

7 曹志峰. BP 神經(jīng)網(wǎng)絡(luò)在臨床診斷中的應(yīng)用與探討.實(shí)用醫(yī)技雜志，2005，12(9):2656~2657.

8 William G Baxt. Application of artificial neural networks to clinical medicine. The Lancet，1995，346(8983):1135~1138.

9 Ruth M.Ripley，Adrian L.Harris，Lionel Tarassenko.Non-linear survival analysis using neural networks. Statistics in medicine，2004，23(5):825~842.

10 David Faraggi，Richard Simon.A neural network model for survival data. Statistics in medicine，1995，14(1):73~82.

11 高蔚，聶紹發(fā)，施侶元，等.神經(jīng)網(wǎng)絡(luò)在生存分析中的應(yīng)用進(jìn)展.中國衛(wèi)生統(tǒng)計(jì)，2006，23（4）：358~360.

12 Anny Xiang，Pablo Lapuerta， Alex Ryutov.Comparison of the performance of neural network methods and Cox regression for censored survival data.Computational statistics ＆ data analysis，2000，34(2):243~257.

13 D.J.Groves，S.W.Smye，S.E.Kinsey.A comparison of Cox regression and neural networks for risk stratification in case of acute lymphoblastic leukaemia in children.Neural computing ＆ applications，1999，8(3):257~264.

14 Lucila Ohno-Machado.A comparison of cox proportional hazards and artificial neural network models for medicial prognosis.Comput Biol Med，1997，27(1):55~65.

15 黃德生，周寶森，劉延齡，等.BP人工神經(jīng)網(wǎng)絡(luò)用于肺鱗癌預(yù)后預(yù)測.中國衛(wèi)生統(tǒng)計(jì)，2000，17(6):337~340.

16 賀佳，張智堅(jiān)，賀憲民.肝癌術(shù)后無瘤生存期的人工神經(jīng)網(wǎng)絡(luò)預(yù)測.數(shù)理統(tǒng)計(jì)與管理，2002，21（4）：14~16.

17 黎衍云，李銳，張勝年.人工神經(jīng)網(wǎng)絡(luò)及其在疾病篩查中的應(yīng)用前景.環(huán)境與職業(yè)醫(yī)學(xué)，2006，23(1):71~73.

18 汪嵐，劉良.人工神經(jīng)網(wǎng)絡(luò)的法醫(yī)學(xué)應(yīng)用.中國法醫(yī)學(xué)雜志，2005，20(3)：161~163.

人工神經(jīng)網(wǎng)絡(luò)文獻(xiàn)綜述范文第2篇

【關(guān)鍵詞】人工神經(jīng)網(wǎng)絡(luò) 路徑規(guī)劃 移動(dòng)機(jī)器人

1 引言

在移動(dòng)機(jī)器人導(dǎo)航技術(shù)應(yīng)用過程中，路徑規(guī)劃是一種必不可少的算法，路徑規(guī)劃要求機(jī)器人可以自己判定障礙物，以便自主決定路徑，能夠避開障礙物，自主路徑規(guī)劃可以自動(dòng)的要求移動(dòng)機(jī)器人能夠安全實(shí)現(xiàn)智能化移動(dòng)的標(biāo)志，通常而言，機(jī)器人選擇的路徑包括很多個(gè)，因此，在路徑最短、使用時(shí)間最短、消耗的能量最少等預(yù)定的準(zhǔn)則下，能夠選擇一條最優(yōu)化的路徑，成為許多計(jì)算機(jī)學(xué)者研究的熱點(diǎn)和難點(diǎn)。

2 背景知識(shí)

神經(jīng)網(wǎng)絡(luò)模擬生物進(jìn)化思維，具有獨(dú)特的結(jié)構(gòu)神經(jīng)元反饋機(jī)制，其具有分布式信息存儲(chǔ)、自適應(yīng)學(xué)習(xí)、并行計(jì)算和容錯(cuò)能力較強(qiáng)的特點(diǎn)，以其獨(dú)特的結(jié)構(gòu)和信息處理方法，在自動(dòng)化控制、組合優(yōu)化領(lǐng)域得到了廣泛的應(yīng)用，尤其是大規(guī)模網(wǎng)絡(luò)數(shù)據(jù)分析和態(tài)勢預(yù)測中，神經(jīng)網(wǎng)絡(luò)能夠建立一個(gè)良好的分類學(xué)習(xí)模型，并且在學(xué)習(xí)過程中優(yōu)化每一層的神經(jīng)元和神經(jīng)元連接的每一個(gè)節(jié)點(diǎn)。1993年，Banta等將神經(jīng)網(wǎng)絡(luò)應(yīng)用于移動(dòng)機(jī)器人路徑規(guī)劃過程中，近年來，得到了廣泛的研究和發(fā)展，morcaso等人構(gòu)建利用一個(gè)能夠?qū)崿F(xiàn)自組織的神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)機(jī)器人導(dǎo)航的功能，并且可以通過傳感器訓(xùn)練網(wǎng)絡(luò)，取得更好的發(fā)展，確定系統(tǒng)的最佳路徑。神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)模型可以分為：

2.1 前向網(wǎng)絡(luò)

網(wǎng)絡(luò)中各個(gè)神經(jīng)元接受前一級的輸入，并輸出到下一級，網(wǎng)絡(luò)中沒有反饋，可以用一個(gè)有向無環(huán)路圖表示。這種網(wǎng)絡(luò)實(shí)現(xiàn)信號(hào)從輸入空間到輸出空間的變換，它的信息處理能力來自于簡單非線性函數(shù)的多次復(fù)合。網(wǎng)絡(luò)結(jié)構(gòu)簡單，易于實(shí)現(xiàn)。反傳網(wǎng)絡(luò)是一種典型的前向網(wǎng)絡(luò)。

2.2 反饋網(wǎng)絡(luò)

網(wǎng)絡(luò)內(nèi)神經(jīng)元間有反饋，可以用一個(gè)無向的完備圖表示。這種神經(jīng)網(wǎng)絡(luò)的信息處理是狀態(tài)的變換，可以用動(dòng)力學(xué)系統(tǒng)理論處理。系統(tǒng)的穩(wěn)定性與聯(lián)想記憶功能有密切關(guān)系。Hopfield網(wǎng)絡(luò)、波耳茲曼機(jī)均屬于這種類型。

3 基于人工神經(jīng)網(wǎng)絡(luò)的移動(dòng)機(jī)器人路徑規(guī)劃算法

神經(jīng)網(wǎng)絡(luò)解決移動(dòng)機(jī)器人路徑規(guī)劃的思路是：使用神經(jīng)網(wǎng)絡(luò)算法能夠描述機(jī)器人移動(dòng)環(huán)境的各種約束，計(jì)算碰撞函數(shù)，該算法能夠?qū)⒌窂近c(diǎn)集作為碰撞能量函數(shù)和距離函數(shù)的和當(dāng)做算法需要優(yōu)化的目標(biāo)函數(shù)，通過求解優(yōu)化函數(shù)，能夠確定點(diǎn)集，實(shí)現(xiàn)路徑最優(yōu)規(guī)劃。神經(jīng)網(wǎng)絡(luò)算法在移動(dòng)機(jī)器人路徑規(guī)劃過程中的算法如下：

（1）神將網(wǎng)絡(luò)算法能夠初始化神經(jīng)網(wǎng)絡(luò)中的所有神經(jīng)元為零，確定目標(biāo)點(diǎn)位置的神經(jīng)元活性值，并且能夠神經(jīng)網(wǎng)絡(luò)每層的神經(jīng)元連接將神經(jīng)元的值傳播到出發(fā)點(diǎn)；

（2）動(dòng)態(tài)優(yōu)化神經(jīng)網(wǎng)絡(luò)，根據(jù)神經(jīng)網(wǎng)絡(luò)的目標(biāo)節(jié)點(diǎn)和障礙物的具置信息，在神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)中的映射中產(chǎn)生神經(jīng)元的外部輸入；

（3）確定目標(biāo)值附件的神經(jīng)元活性值，并且使用局部側(cè)的各個(gè)神經(jīng)元之間，連接整個(gè)神經(jīng)網(wǎng)絡(luò)，并且在各個(gè)神經(jīng)元中進(jìn)行傳播。

（4）利用爬山法搜索當(dāng)前鄰域內(nèi)活性值最大的神經(jīng)元，如果鄰域內(nèi)的神經(jīng)元活性值都不大于當(dāng)前神經(jīng)元的活性值，則機(jī)器人保持在原處不動(dòng)；否則下一個(gè)位置的神經(jīng)元為鄰域內(nèi)具有最大活性值的神經(jīng)元。

（5）如果機(jī)器人到達(dá)目標(biāo)點(diǎn)則路徑規(guī)劃過程結(jié)束，否則轉(zhuǎn)步驟（2）。

4 基于人工神經(jīng)網(wǎng)絡(luò)的移動(dòng)機(jī)器人路徑規(guī)劃技術(shù)展望

未來時(shí)間內(nèi)，人工神經(jīng)在機(jī)器人路徑規(guī)劃過程中的應(yīng)用主要發(fā)展方向包括以下幾個(gè)方面：

4.1 與信息論相融合，確定神經(jīng)網(wǎng)絡(luò)的最優(yōu)化化目標(biāo)解

在神經(jīng)網(wǎng)絡(luò)應(yīng)用過程中，由于經(jīng)驗(yàn)值較為難以確定，因此在神經(jīng)網(wǎng)絡(luò)的應(yīng)用過程中，將神經(jīng)網(wǎng)絡(luò)看做是一個(gè)貝葉斯網(wǎng)絡(luò)，根據(jù)貝葉斯網(wǎng)絡(luò)含有的信息熵，確定神經(jīng)網(wǎng)絡(luò)的目標(biāo)函數(shù)的最優(yōu)解，以便更好的判斷機(jī)器人移動(dòng)的最佳路徑。

4.2 與遺傳算法想結(jié)合，確定全局最優(yōu)解

將神經(jīng)網(wǎng)絡(luò)和遺傳算法結(jié)合起來，其可以將機(jī)器人的移動(dòng)環(huán)境設(shè)置為一個(gè)二維的環(huán)境，障礙物的數(shù)目、位置和形狀是任意的，路徑規(guī)劃可以由二維工作空間一系列的基本點(diǎn)構(gòu)成，神經(jīng)網(wǎng)絡(luò)決定機(jī)器人的運(yùn)動(dòng)控制規(guī)則，利用相關(guān)的神經(jīng)元的傳感器作用獲未知環(huán)境的情況，將障礙信息和目標(biāo)點(diǎn)之間的距離作為神經(jīng)網(wǎng)絡(luò)的輸入信息，使用遺傳算法完成神經(jīng)網(wǎng)絡(luò)的權(quán)值訓(xùn)練，神經(jīng)網(wǎng)絡(luò)的輸出作為移動(dòng)機(jī)器人的運(yùn)動(dòng)作用力，實(shí)現(xiàn)一個(gè)可以在未知環(huán)境中進(jìn)行的機(jī)器人運(yùn)動(dòng)路徑規(guī)劃。

4.3 與蟻群算法相結(jié)合，降低搜索空間，提高路徑規(guī)劃準(zhǔn)確性

為了提高神經(jīng)網(wǎng)絡(luò)的搜索準(zhǔn)確性和提高效率，可以將蟻群算法與神經(jīng)網(wǎng)絡(luò)相互結(jié)合，蟻群算法的路徑規(guī)劃方法首先采用柵格法對機(jī)器人工作環(huán)境進(jìn)行建模，然后將機(jī)器人出發(fā)點(diǎn)作為蟻巢位置，路徑規(guī)劃最終目標(biāo)點(diǎn)作為蟻群食物源，通過螞蟻間相互協(xié)作找到一條避開障礙物的最優(yōu)機(jī)器人移動(dòng)路徑。

5 結(jié)語

隨著移動(dòng)機(jī)器人技術(shù)的發(fā)展，路徑規(guī)劃作為最重要的一個(gè)組成部分，其得到了許多的應(yīng)用和發(fā)展，其在導(dǎo)航過程中，也引入了許多先進(jìn)的算法，比如神經(jīng)網(wǎng)絡(luò)，更加優(yōu)化了移動(dòng)的路徑。未來時(shí)間內(nèi)，隨著神經(jīng)網(wǎng)絡(luò)技術(shù)的改進(jìn)，可以引入遺傳算法、信息論、蟻群算法等，將這些算法優(yōu)勢結(jié)合，將會(huì)是路徑規(guī)劃更加準(zhǔn)確和精確。

參考文獻(xiàn)

[1]朱大奇,顏明重,滕蓉. 移動(dòng)機(jī)器人路徑規(guī)劃技術(shù)綜述[J].控制與決策,2010,25(7): 961-967.

[2]劉毅.移動(dòng)機(jī)器人路徑規(guī)劃中的仿真研究[J].計(jì)算機(jī)仿真,2011,28(6): 227-230.

[3]熊開封,張華.基于改進(jìn)型 FNN 的移動(dòng)機(jī)器人未知環(huán)境路徑規(guī)劃[J].制造業(yè)自動(dòng)化,2013,35(22): 1-4.

[4]柳長安,鄢小虎,劉春陽.基于改進(jìn)蟻群算法的移動(dòng)機(jī)器人動(dòng)態(tài)路徑規(guī)劃方法[J].電子學(xué)報(bào),2011,39(5).

[5]范浩鋒,劉俊.基于 BP 神經(jīng)網(wǎng)絡(luò)的紅外目標(biāo)識(shí)別技術(shù)[J].計(jì)算機(jī)與數(shù)字工程,2013,41(4): 559-560.

人工神經(jīng)網(wǎng)絡(luò)文獻(xiàn)綜述范文第3篇

關(guān)鍵詞：應(yīng)急； 預(yù)測； 支持向量機(jī)； 人工神經(jīng)網(wǎng)絡(luò) ；案例推理法

一、引言

“預(yù)測”這一件事，從古到今都是人們苦苦追求與探索的話題：從“先知三日，富貴十年”到“凡事預(yù)則立，不預(yù)則廢”；從活躍在中國民間的算命先生，再到西方觀測星象的占卜師，無不寄予著世人對未知的好奇和對未來的向往。隨著科技進(jìn)步與時(shí)展，特別是計(jì)算機(jī)技術(shù)的飛躍，給予人們更強(qiáng)大、更客觀的手段和方法進(jìn)行預(yù)測。本文以應(yīng)急物資需求為背景，通過對各類預(yù)測方法的介紹和對比，為應(yīng)急物資的需求預(yù)測尋求最佳途徑。

二、預(yù)測方法分類及研究現(xiàn)狀

由于預(yù)測的對象、目標(biāo)、內(nèi)容和期限的不同，近幾十年來形成了多種多樣的預(yù)測方法。據(jù)不完全統(tǒng)計(jì)，目前世界上有近千種預(yù)測方法，其中較為成熟的有150多種，常用的有30多種，用得最為普遍的有10多種，但目前為止還沒有一個(gè)完整、統(tǒng)一、系統(tǒng)的分類體系。本文依照我國常用的分類方法，將預(yù)測方法分為定性分析和定量分析兩大類。

1. 定性分析預(yù)測法

定性分析預(yù)測法是指預(yù)測者根據(jù)歷史與現(xiàn)實(shí)的觀察資料，依賴個(gè)人或集體的經(jīng)驗(yàn)及智慧，對未來的發(fā)展?fàn)顟B(tài)和趨勢做出判斷的預(yù)測方法。其主要方法包括專家意見法、頭腦風(fēng)暴法和德爾菲法等。定性預(yù)測的優(yōu)點(diǎn)在于，能夠較大程度地發(fā)揮人的主觀能動(dòng)作用，簡單迅速，省時(shí)省力，具有較大的靈活性；同時(shí)它的缺點(diǎn)也是顯而易見的：由于它較為依賴于人的經(jīng)驗(yàn)和主觀判斷能力，從而易受人的知識(shí)、經(jīng)驗(yàn)和能力的多少大小的束縛和限制，尤其缺乏對事物發(fā)展作數(shù)量上的精確描述。因此，定性分析預(yù)測法在現(xiàn)代預(yù)測技術(shù)中逐漸淡出，定量分析預(yù)測法成為預(yù)測的主要手段。

2. 定量分析預(yù)測法

定量分析預(yù)測法主要依據(jù)調(diào)查研究所獲取的數(shù)據(jù)資料，運(yùn)用統(tǒng)計(jì)方法和數(shù)學(xué)模型，近似地揭示預(yù)測對象及其影響因素的數(shù)量變動(dòng)關(guān)系，建立對應(yīng)的預(yù)測模型，據(jù)此對預(yù)測目標(biāo)做出定量測算的預(yù)測方法。它通常可分為時(shí)間序列分析預(yù)測法和因果分析預(yù)測法。

（1）時(shí)間序列分析預(yù)測法

時(shí)間序列分析預(yù)測法是以連續(xù)性預(yù)測原理作指導(dǎo)，利用歷史觀察值形成的時(shí)間數(shù)列，對預(yù)測目標(biāo)未來狀態(tài)和發(fā)展趨勢做出定量判斷的預(yù)測方法。較為常用的時(shí)間序列分析預(yù)測法主要有指數(shù)平滑法（包括雙指數(shù)平滑、三次指數(shù)平滑和無季節(jié)指數(shù)平滑等）、移動(dòng)平均法、ARIMA模型（也稱Box-Jenkins法）等。

（2）因果分析預(yù)測法

因果分析預(yù)測法是以因果性預(yù)測原理作指導(dǎo)，以分析預(yù)測目標(biāo)同其他相關(guān)事件及現(xiàn)象之間的因果聯(lián)系，對事件未來狀態(tài)與發(fā)展趨勢做出預(yù)測的定量分析方法。較為常用的主要有回歸分析預(yù)測法、計(jì)量經(jīng)濟(jì)模型預(yù)測法和投入――產(chǎn)出分析預(yù)測法等。隨著數(shù)學(xué)方法在計(jì)算機(jī)上的運(yùn)用和實(shí)現(xiàn)，經(jīng)濟(jì)學(xué)的研究與數(shù)學(xué)和計(jì)算機(jī)科學(xué)的聯(lián)系更為緊密。近年來，許多人工智能預(yù)測模型層出不窮，極大豐富了預(yù)測的方法和手段。

三、應(yīng)急物資需求預(yù)測的研究現(xiàn)狀

應(yīng)急物資是指為應(yīng)對自然災(zāi)害、事故災(zāi)難、公共安全事件和社會(huì)安全等突發(fā)性公共事件應(yīng)急處置過程中所必需的保障性物資。應(yīng)急物資的需求是應(yīng)急物資保障的首要環(huán)節(jié)，它具有時(shí)間上和數(shù)量上的不確定性等特點(diǎn)。因此，做好應(yīng)急物資的需求預(yù)測有著重要的現(xiàn)實(shí)意義。就國內(nèi)目前的研究來看，主要體現(xiàn)在運(yùn)用人工智能方法構(gòu)建預(yù)測模型，時(shí)下最流行、使用最廣泛的方法有CBR（案例推理法），ANN（神經(jīng)網(wǎng)絡(luò)模型），SVM（支持向量機(jī)模型）等。

1.案例推理法（CBR）

案例推理法（Case―Based Reasoning，簡稱CBR）最早是由耶魯大學(xué)Schank 教授在Dynamic Memory：A Theory of Reminding and Learning in Computers and People（1982）一文中提出的，它是人工智能領(lǐng)域的一項(xiàng)重要推理方法。國外自上世紀(jì) 8O 年代后期對 CBR 的理論和方法進(jìn)行了系統(tǒng)研究，在通用問題求解、法律案例分析、設(shè)備故障診斷、輔助工程設(shè)計(jì)、輔助計(jì)劃制定等領(lǐng)域取得實(shí)用性成果[1]；國內(nèi)運(yùn)用CBR方法對應(yīng)急物資需求進(jìn)行預(yù)測，取得了一定的進(jìn)展：傅志妍，陳堅(jiān)[2]運(yùn)用歐氏算法尋求最佳相似源案例，建立案例推理――關(guān)鍵因素模型對目標(biāo)案例進(jìn)行需求預(yù)測，并通過實(shí)例驗(yàn)證了模型的科學(xué)有效；王曉、莊亞明[3]將模糊集理論、神經(jīng)網(wǎng)絡(luò)Hebb學(xué)習(xí)規(guī)則和多元線性回歸與案例推理法相結(jié)合，較為準(zhǔn)確地預(yù)測出非常規(guī)突發(fā)事件的資源需求；Fu Deqiang[4]等人使用了一種基于案例推理和BP神經(jīng)網(wǎng)絡(luò)的精度預(yù)測法，同樣通過目標(biāo)案例證實(shí)了模型的可靠性。

雖然案例推理法出現(xiàn)的時(shí)間較早，且在各領(lǐng)域得到了廣泛的運(yùn)用，但是這種預(yù)測方法有著較大的經(jīng)驗(yàn)成分，且案例庫的建立是進(jìn)行案例推理分析的首要步驟和困難之處。而目前對于案例庫的建立存在著數(shù)據(jù)不全，缺失以及無系統(tǒng)整理歸檔的問題。

2.人工神經(jīng)網(wǎng)絡(luò)（ANN）

人工神經(jīng)網(wǎng)絡(luò)最早是由Lapedes和Farber于1987年在《運(yùn)用神經(jīng)網(wǎng)絡(luò)進(jìn)行非線性信號(hào)處理：預(yù)測和系統(tǒng)模型》[5]一文中提出并使用的，他們用非線性神經(jīng)網(wǎng)絡(luò)對計(jì)算機(jī)生成的時(shí)間序列仿真數(shù)據(jù)進(jìn)行訓(xùn)練和預(yù)測。王其文[6]等人和Chin Kuo[7]等分別通過對神經(jīng)網(wǎng)絡(luò)和傳統(tǒng)回歸預(yù)測方法的比較，證明了神經(jīng)網(wǎng)絡(luò)在預(yù)測中的優(yōu)越性。

對于神經(jīng)網(wǎng)絡(luò)在應(yīng)急物資需求預(yù)測中的使用，國內(nèi)相關(guān)文獻(xiàn)較少。筆者認(rèn)為具有啟發(fā)性的是在《大型地震應(yīng)急物資需求預(yù)測方法研究》[8]一文中，郭金芬和周剛先利用 BP 神經(jīng)網(wǎng)絡(luò)算法對災(zāi)后人員傷亡人數(shù)進(jìn)行預(yù)測，然后結(jié)合庫存管理知識(shí)估算出災(zāi)區(qū)應(yīng)急物資的需求量；隨后，郭在其碩士論文中對該問題做出較為系統(tǒng)的研究[9]。而神經(jīng)網(wǎng)絡(luò)在物流需求預(yù)測中的運(yùn)用，對應(yīng)急物資需求預(yù)測是同樣具有借鑒意義的：后銳、張畢西[10]提出基于MLP 神經(jīng)網(wǎng)絡(luò)的區(qū)域物流需求預(yù)測模型，揭示了區(qū)域經(jīng)濟(jì)與區(qū)域物流需求之間的非線性映射關(guān)系， 為區(qū)域物流需求預(yù)測提供了一種新思路和新方法；苗鑫[11]等人用擴(kuò)展卡爾曼濾波和人工神經(jīng)網(wǎng)絡(luò)相結(jié)合的復(fù)合算法對物流需求進(jìn)行預(yù)測，并在與常規(guī)BP神經(jīng)網(wǎng)絡(luò)算法的預(yù)測誤差比較中，顯示出其較高的可靠性；牛忠遠(yuǎn)[12]依據(jù)物流需求的時(shí)間序列統(tǒng)計(jì)數(shù)據(jù)，應(yīng)用人工神經(jīng)網(wǎng)絡(luò)多步預(yù)測和滾動(dòng)預(yù)測方法建立預(yù)測模型，對我國物流需求進(jìn)行實(shí)證分析研究。

3. 支持向量機(jī)（SVM）

支持向量機(jī)是建立在統(tǒng)計(jì)學(xué)習(xí)理論的VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小原理基礎(chǔ)上，根據(jù)有限的樣本信息在模型的復(fù)雜性和學(xué)習(xí)能力之間尋求最佳折衷，以求獲得最好推廣能力的一種方法。它是由Vapnik等人于1995年提出的[13][14]，現(xiàn)已廣泛地應(yīng)用于模式識(shí)別、語音識(shí)別、時(shí)間序列分析、生物信息學(xué)及經(jīng)濟(jì)學(xué)等領(lǐng)域。

支持向量機(jī)在應(yīng)急物資和物流需求預(yù)測中的研究，國內(nèi)文獻(xiàn)一般集中在以下幾個(gè)方面：趙一兵[15]等人運(yùn)用支持向量機(jī)回歸算法建立了地震中人員傷亡預(yù)測模型，而后結(jié)合庫存管理模型對應(yīng)急物資進(jìn)行了估算，并在實(shí)例中驗(yàn)證了模型的有效性；吳潔明[16]等運(yùn)用支持向量機(jī)對歷史物流需求量的數(shù)據(jù)進(jìn)行學(xué)習(xí)，而后通過粒子群算法獲得模型最優(yōu)參數(shù)對物流需求進(jìn)行預(yù)測；何滿輝[17]等針對支持向量機(jī)在處理數(shù)據(jù)時(shí)無法將數(shù)據(jù)簡化的問題，提出了基于模糊粗糙集與支持向量機(jī)的區(qū)域物流量預(yù)測方法；朱莎[18]提出了基于小波分析和支持向量機(jī)的組合預(yù)測方法，建立了針對緊急救援階段和后續(xù)救援階段的血液需求預(yù)測模型，并在汶川地震的案例中體現(xiàn)出該模型較高的精度。

從以上文獻(xiàn)中我們可以發(fā)現(xiàn)，案例推理法，人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)的應(yīng)用，都體現(xiàn)出跨學(xué)科，跨專業(yè)的特點(diǎn)，它們將生物學(xué)或計(jì)算機(jī)科學(xué)等自然科學(xué)的研究方法推廣到經(jīng)濟(jì)管理等社會(huì)科學(xué)中，并很好地解決了現(xiàn)實(shí)問題。

四、結(jié)束語

本文首先通過對現(xiàn)有預(yù)測方法的簡要介紹，提出運(yùn)用近年來興起的人工智能方法對預(yù)測問題的研究；而后從應(yīng)急物資需求的視角出發(fā)，對國內(nèi)外解決應(yīng)急物資需求預(yù)測方法做出總結(jié)回顧。通過分析，筆者認(rèn)為支持向量機(jī)（SVM）更適合運(yùn)用于對歷史數(shù)據(jù)較少或不全的應(yīng)急物資需求進(jìn)行預(yù)測。下一步的工作將是對預(yù)測指標(biāo)的選取和影響因子的量化，以及對輸入SVM訓(xùn)練數(shù)據(jù)的處理，并在實(shí)例中驗(yàn)證該預(yù)測方法的精確度和有效性。

參考文獻(xiàn)：

[1]侯玉梅，許成媛. 基于案例推理法研究綜述[J]. 燕山大學(xué)學(xué)報(bào)（哲學(xué)社會(huì)科學(xué)版）， 2011， 12（4）： 102-108.

[2]傅志妍，陳堅(jiān).災(zāi)害應(yīng)急物資需求預(yù)測模型研究[J].物流科技，2009（10）：11-13.

[3]王曉，莊亞明.基于案例推理的非常規(guī)突發(fā)事件資源需求預(yù)測[J].西安電子科技大學(xué)學(xué)報(bào)，2010，12（7）：22-26.

[4]Fu Deqiang， Liu Yun， Li Changbing， Forecasting the Demand of Emergency Supplies： Based on the CBR Theory and BP Neural Network， Proceedings of the 8th International Conference on Innovation & Management. Fukuoka， Japan， November， 2011.

[5]Lapedes A， Farber. Nonlinear signal processing using neural networks： prediction and system modeling [R]. Technical Report LA-UR-87-2662，Los Alamos National Laboratory. Los Alamos. NM，1987.

[6]王其文， 呂景峰， 劉廣靈等. 人工神經(jīng)網(wǎng)絡(luò)與線性回歸的比較[J]. 決策與決策支持系統(tǒng)， 1993， 3 （3） ： 205-210.

[7]Chin， Kuo， Arthur， Reitsch. Neural networks vs. conventional methods of forecasting， The Journal of Business Forecasting Methods & Systems， Winter 1995/1996 17-22.

[8]郭金芬，周剛.大型地震應(yīng)急物資需求預(yù)測方法研究[J].價(jià)值工程，2011（22）.27-29.

[9]郭金芬.面向大型地震的應(yīng)急物資需求預(yù)測方法研究[D]. 天津：天津大學(xué)，2011.

[10]后銳，張畢西. 基于MLP神經(jīng)網(wǎng)絡(luò)的區(qū)域物流需求預(yù)測方法及其應(yīng)用[J]. 系統(tǒng)工程理論與實(shí)踐，2005， 25（12）： 43-47.

[11]苗鑫，西寶，鄒慧敏. 物流需求的動(dòng)態(tài)預(yù)測方法.哈爾濱工業(yè)大學(xué)學(xué)報(bào)[J]. 2008， 40（10）： 1613-1616.

[12]牛忠遠(yuǎn). 我國物流需求預(yù)測的神經(jīng)網(wǎng)絡(luò)模型和實(shí)證分析研究[D]. 浙江：浙江大學(xué)， 2006.

[13]VAPNIKV. The Nature of Statistical Learning Theory [M].New York ： Spring Verlag，1995.

[14]VAPNIKV，張學(xué)工譯.《統(tǒng)計(jì)學(xué)習(xí)理論的本質(zhì)》 [M]. 北京：清華大學(xué)出版社，2000.

[15]趙一兵，高虹霓，馮少博. 基于支持向量機(jī)回歸的應(yīng)急物資需求預(yù)測[J]. 2013， 30（8）： 408-412.

[16]吳潔明，李余琪，萬勵(lì). 物流需求預(yù)測算法的仿真研究[J]. 2011， 28（9）： 246-249.

[17]何滿輝，逯林，劉拴宏. 基于模糊粗糙集與支持向量機(jī)的區(qū)域物流量預(yù)測[J]. 2012，12（3）：129-134.

人工神經(jīng)網(wǎng)絡(luò)文獻(xiàn)綜述范文第4篇

關(guān)鍵詞： 諧波； 間諧波； 全相位快速傅里葉變換； 人工神經(jīng)網(wǎng)絡(luò)； 虛擬儀器

中圖分類號(hào)： TN711?34； TM417 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2017）01?0125?04

Abstract： On the basis of analyzing the available harmonic detection methods， the harmonic and interharmonic detection method based on all?phase fast Fourier transform and artificial neural network is studied. A new harmonic detection method based on all?phase fast Fourier transform and BP neural network is proposed to solve the problem of low harmonic detection precision. And a harmonic detection method based on all?phase fast Fourier transform and adaptive neural network is used to further improve the accuracy of harmonic detection. A harmonic detection software based on all?phase fast Fourier transform and adaptive neural network was designed on virtual instrument software development platform LabWindows/CVI. The software can realize the detection of harmonic amplitude and phase and calculation of total harmonic distortion， and give an alarm when the total harmonic distortion is out of limit.

Keywords： harmonic； interharmonic； all?phase fast Fourier transform； artificial neural network； virtual instrument

在理想情況下，電力系統(tǒng)的電能應(yīng)該是具有單一頻率、單一波形和若干電壓等級的正弦電壓信號(hào)。但是實(shí)際生產(chǎn)生活中由于一些原因，電網(wǎng)中的電能很難保持理想的波形，實(shí)際的波形總是存在偏差和形變，這種波形畸變稱為諧波畸變[1]。造成諧波畸變的原因是電網(wǎng)中存在大量的電力系統(tǒng)諧波。隨著諧波污染問題愈加嚴(yán)重，其產(chǎn)生的危害也越來越廣泛。因此，諧波檢測問題具有十分重要的研究價(jià)值和意義[2]。

1 基于全相位快速傅里葉變換和BP神經(jīng)網(wǎng)絡(luò)

的諧波檢測

1.1 諧波相角檢測

全相位快速傅里葉變換具有相位不變性。利用該性質(zhì)對電網(wǎng)電壓信號(hào)的采樣值進(jìn)行全相位快速傅里葉變換譜分析，獲得高精度的諧波相位值[3]。其步驟如下：

（1） 采集電網(wǎng)信號(hào)，獲取個(gè)采樣值。

（2） 對采樣數(shù)據(jù)進(jìn)行全相位快速傅里葉變換譜分析，獲得幅值譜和相位譜。

（3） 全相位快速傅里葉變換所得的幅值譜受到柵欄效應(yīng)的影響無法獲得準(zhǔn)確的諧波信號(hào)幅值，但是幅值譜在諧波相應(yīng)的頻率附近會(huì)出現(xiàn)峰值譜線，通過讀取該峰值譜線對應(yīng)的相位值即可得到精確的諧波相位[4]。

1.2 基于BP神經(jīng)網(wǎng)絡(luò)的諧波幅值檢測

選擇BP神經(jīng)網(wǎng)絡(luò)作為諧波幅值的檢測方法。基于BP神經(jīng)網(wǎng)絡(luò)的諧波幅值檢測分為以下步驟：

（1） 構(gòu)建諧波檢測BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)諧波檢測網(wǎng)絡(luò)由輸入層、隱含層、輸出層構(gòu)成[5]。本文構(gòu)建的網(wǎng)絡(luò)僅含有一個(gè)隱含層。由于傳統(tǒng)結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)輸出層各神經(jīng)元共用同一個(gè)隱含層，相互之間影響比較嚴(yán)重，存在諧波幅值檢測精度不高的問題。因此本文采用改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，輸入層、輸出層設(shè)置不變，僅使輸出層的每一個(gè)神經(jīng)元分別都對應(yīng)一個(gè)隱含層，解決了各待測諧波相互影響的問題，提高了諧波檢測的精度。

（2） 確定諧波檢測BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法

設(shè)電網(wǎng)中電壓信號(hào)為一周期性非正弦信，對做一個(gè)周期內(nèi)的等時(shí)間間隔采樣。采樣數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入。隱含層的輸出為。輸出層為分別對應(yīng)三次諧波和五次諧波幅值[6]。由于各次諧波具有相同的學(xué)習(xí)算法，在此僅以三次諧波為例，介紹其學(xué)習(xí)算法。三次諧波的隱含層和輸出層的輸出為：

（3） 選取諧波檢測神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本

在實(shí)際檢測時(shí)以檢測奇次諧波中次數(shù)較低的諧波為主。本文諧波檢測前通過濾除基波和更高次的諧波，選取由三次諧波和五次諧波組成的諧波電流為例說明訓(xùn)練樣本的選取過程[7]。諧波電壓可以表示為：

（4） 學(xué)習(xí)樣本選取完成后，按照BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程訓(xùn)練神經(jīng)網(wǎng)絡(luò)。待訓(xùn)練結(jié)束，獲取神經(jīng)網(wǎng)絡(luò)各個(gè)連接權(quán)值，從而固定BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和連接權(quán)值，完成對諧波幅值的記憶。其后只需要采集電網(wǎng)信號(hào)作為同相位條件下的BP神經(jīng)網(wǎng)絡(luò)的輸入，即可從網(wǎng)絡(luò)輸出獲取信號(hào)中所含的各次諧波幅值。

1.3 諧波檢測仿真實(shí)驗(yàn)

本仿真只對某個(gè)相位條件下的BP神經(jīng)網(wǎng)絡(luò)對三次和五次諧波的幅值進(jìn)行仿真驗(yàn)證。在三次諧波的相位為30°，五次諧波的相位為60°的條件下采用訓(xùn)練樣本選取方法，獲取676組訓(xùn)練樣本，離線訓(xùn)練諧波檢測BP神經(jīng)網(wǎng)絡(luò)。仿真程序流程如圖1所示。

訓(xùn)練完成后，選擇多組相位同為30°和60°未訓(xùn)練的樣本仿真驗(yàn)證諧波幅值檢測的精度。通過實(shí)驗(yàn)可以看出，BP神經(jīng)網(wǎng)絡(luò)諧波幅值檢測方法結(jié)果比插值FFT具有更高的精度。通過增加訓(xùn)練樣本個(gè)數(shù)可進(jìn)一步提高神經(jīng)網(wǎng)絡(luò)諧波幅值檢測的精度。

2 基于全相位快速傅里葉變換和自適應(yīng)神經(jīng)網(wǎng)

絡(luò)諧波檢測

2.1 檢測步驟

基于全相位快速傅里葉變換和自適應(yīng)神經(jīng)網(wǎng)絡(luò)的諧波檢測方法的具體步驟如下：

（1） 采集訓(xùn)練樣本。設(shè)定采樣頻率和采樣時(shí)間，采集電網(wǎng)電壓信號(hào)，為全相位快速傅里葉變換提供分析數(shù)據(jù)，為自適應(yīng)人工神經(jīng)網(wǎng)絡(luò)提供訓(xùn)練樣本。

（2） 確定諧波初相位。將電網(wǎng)信號(hào)采樣數(shù)據(jù)經(jīng)過全相位快速傅里葉變換分析，在分析結(jié)果的幅值譜中找出峰值譜線，并由峰值譜線對應(yīng)的相位值獲取各諧波的高精度相位。

（3） 初始化諧波幅值檢測神經(jīng)網(wǎng)絡(luò)。利用諧波相位檢測結(jié)果設(shè)置神經(jīng)網(wǎng)絡(luò)參考輸入向量中的各次諧波相位值。

（4） 計(jì)算誤差讀取一次訓(xùn)練樣本，根據(jù)采樣時(shí)間計(jì)算神經(jīng)元輸出與此刻的電網(wǎng)信號(hào)采樣值做差，進(jìn)而計(jì)算誤差函數(shù)和性能指標(biāo)。

（5） 根據(jù)誤差調(diào)整神經(jīng)網(wǎng)絡(luò)權(quán)值。

以最小均方差法（LMS）作為諧波幅值檢測自適應(yīng)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法，則權(quán)值調(diào)整公式，即諧波幅值調(diào)整公式為：

（6） 判斷是否等于訓(xùn)練樣本總數(shù)如果是，再判斷是否達(dá)到最大訓(xùn)練次數(shù)。若達(dá)到最大訓(xùn)練次數(shù)則結(jié)束訓(xùn)練轉(zhuǎn)至下一步。若未達(dá)到，則需計(jì)算并判斷是否達(dá)到性能指標(biāo)要求，達(dá)標(biāo)則轉(zhuǎn)至下一步，不達(dá)標(biāo)則返回步驟（4）再次執(zhí)行。如果否，返回步驟（4）繼續(xù)執(zhí)行。

（7） 訓(xùn)練結(jié)束。根據(jù)所得神經(jīng)網(wǎng)絡(luò)權(quán)值獲得各次諧波幅值。

2.2 諧波檢測仿真

取511個(gè)電網(wǎng)信號(hào)采樣點(diǎn)經(jīng)過apFFT分析后，可以看出該諧波相位檢測具有很高的精度。利用apFFT分析結(jié)果初始化神經(jīng)網(wǎng)絡(luò)，并取50組訓(xùn)練樣本訓(xùn)練神經(jīng)網(wǎng)絡(luò)，可以看出性能指標(biāo)函數(shù)的值在訓(xùn)練次數(shù)足夠大的情況下可以達(dá)到，在經(jīng)過10次以內(nèi)的訓(xùn)練后基波和諧波檢測值趨于穩(wěn)定。由實(shí)驗(yàn)數(shù)據(jù)可以看出本文采用的方法極大地提高了諧波幅值的檢測精度。

3 基于全相位快速傅里葉變換和增強(qiáng)型自適應(yīng)

神經(jīng)網(wǎng)絡(luò)的間諧波檢測

3.1 增強(qiáng)型自適應(yīng)神經(jīng)網(wǎng)絡(luò)間諧波檢測模型

諧波檢測中在基波頻率已知的情況下，由于諧波頻率為基波頻率的整數(shù)倍，因而諧波頻率無需檢測。但是對于間諧波檢測，由于間諧波頻率為基波頻率的非整數(shù)倍，無法通過基波頻率獲知間諧波頻率，因此在間諧波檢測時(shí)，需要將間諧波的頻率也作為檢測項(xiàng)[8]。為此，將應(yīng)用于間諧波檢測的自適應(yīng)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)成如圖3所示的形式。

3.2 諧波檢測步驟

基于全相位快速傅里葉變換和增強(qiáng)型自適應(yīng)神經(jīng)網(wǎng)絡(luò)的間諧波檢測步驟如下：

（1） 信號(hào)采集和apFFT分析。將電網(wǎng)信號(hào)濾除已測量的基波、諧波信號(hào)后得到由間諧波構(gòu)成的信號(hào)，采樣并經(jīng)apFFT算法分析后，得到幅值譜和相位譜。

（2） 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的確定和初始化。由于神經(jīng)網(wǎng)絡(luò)中間層神經(jīng)元的個(gè)數(shù)等于間諧波個(gè)數(shù)，因此通過apFFT幅值譜峰值譜線的個(gè)數(shù)確定神經(jīng)元個(gè)數(shù)。分別確定間諧波頻率和幅值的學(xué)習(xí)率和動(dòng)量因子。設(shè)定神經(jīng)網(wǎng)絡(luò)的最大訓(xùn)練次數(shù)，開始人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。

（3） 計(jì)算誤差。讀取一次訓(xùn)練樣本，根據(jù)式（11）計(jì)算神經(jīng)網(wǎng)絡(luò)實(shí)際輸出，并與此刻的采樣值做差，進(jìn)而計(jì)算誤差函數(shù)和性能指標(biāo)。

（5） 判斷是否等于訓(xùn)練樣本總數(shù)如果是，再判斷是否達(dá)到最大訓(xùn)練次數(shù)。若達(dá)到最大訓(xùn)練次數(shù)則結(jié)束訓(xùn)練轉(zhuǎn)至下一步。若未達(dá)到，則需計(jì)算并判斷是否達(dá)到性能指標(biāo)要求，達(dá)標(biāo)則轉(zhuǎn)至下一步，不達(dá)標(biāo)則返回步驟（3）再次執(zhí)行。如果否，返回步驟（3）繼續(xù)執(zhí)行。

（6） 學(xué)習(xí)結(jié)束。學(xué)習(xí)結(jié)束后，通過激勵(lì)函數(shù)的角頻率獲取間諧波頻率，通過神經(jīng)網(wǎng)絡(luò)權(quán)值得到間諧波幅值。

3.3 間諧波檢測仿真

設(shè)基波頻率為50 Hz，采樣頻率為2 560 Hz，采集511個(gè)點(diǎn)。利用apFFT的分析結(jié)果初始化神經(jīng)網(wǎng)絡(luò)。設(shè)置間諧波幅值調(diào)整的學(xué)習(xí)因子=0.01，設(shè)置動(dòng)量因子=0.3，隨后開始訓(xùn)練神經(jīng)網(wǎng)絡(luò)。從實(shí)驗(yàn)數(shù)據(jù)可得，網(wǎng)絡(luò)經(jīng)過70次左右的在線訓(xùn)練后基本收斂。經(jīng)過70次訓(xùn)練后幅值誤差都達(dá)到了以下，頻率誤差達(dá)到了以下。通過對原始間諧波疊加信號(hào)波形和檢測得到的間諧波組合信號(hào)波形進(jìn)行對比可知，基于全相位快速傅里葉變換和增強(qiáng)型自適應(yīng)神經(jīng)網(wǎng)絡(luò)的間諧波檢測方法具有更高的檢測精度。

4 LabWindows/CVI諧波檢測軟件實(shí)現(xiàn)

4.1 諧波檢測系統(tǒng)設(shè)計(jì)方案

針對電力系統(tǒng)中存在C波問題，利用LabWindows/CVI和計(jì)算機(jī)設(shè)計(jì)虛擬諧波檢測儀器。主要實(shí)現(xiàn)的功能是分析數(shù)據(jù)采集卡采集的電網(wǎng)電壓數(shù)據(jù)，利用apFFT和自適應(yīng)線性神經(jīng)網(wǎng)絡(luò)算法獲取高精度的諧波電壓幅值和諧波初相位，并通過計(jì)算機(jī)顯示出檢測結(jié)果。利用檢測結(jié)果計(jì)算總諧波畸變率，當(dāng)畸變率超過標(biāo)準(zhǔn)值時(shí)給出警報(bào)。首先獲取電網(wǎng)電壓采樣信號(hào)，進(jìn)而將采樣信號(hào)經(jīng)過全相位快速傅里葉變換分析得到基波和各次諧波信號(hào)的高精度相位值，通過獲得的相位值設(shè)置自適應(yīng)神經(jīng)網(wǎng)絡(luò)激勵(lì)函數(shù)中的諧波相位值，隨后利用采樣數(shù)據(jù)在線訓(xùn)練神經(jīng)網(wǎng)絡(luò)獲得基波和各次諧波的幅值。

4.2 諧波檢測系統(tǒng)軟件設(shè)計(jì)過程

基于LabWindows/CVI的諧波檢測軟件設(shè)計(jì)過程可分為以下步驟：

（1） 啟動(dòng)LabWindows/CVI編程環(huán)境，創(chuàng)建諧波檢測軟件工程。

（2） 在用戶界面編程窗口，根據(jù)諧波檢測的功能要求設(shè)計(jì)虛擬儀器用戶面板。在面板上添加相應(yīng)控件，控件分布設(shè)計(jì)完成后，需要對控件屬性及其對應(yīng)的回調(diào)函數(shù)進(jìn)行設(shè)置，使得點(diǎn)擊或使用這些控件時(shí)能夠得到有效的響應(yīng)。

（3） 用戶界面設(shè)計(jì)并保存完成后，LabWindows/CVI自動(dòng)生成程序代碼的主體框架，并通過菜單欄CodeGenerateMain Function生成main函數(shù)和各個(gè)控件對應(yīng)的回調(diào)函數(shù)框架程序。

（4） 在各個(gè)控件對應(yīng)的回調(diào)函數(shù)內(nèi)編寫實(shí)現(xiàn)其功能的程序代碼，例如本文在主面板開始檢測按鈕對應(yīng)的回調(diào)函數(shù)內(nèi)部編寫apFFT和神經(jīng)網(wǎng)絡(luò)諧波檢測算法的代碼，以實(shí)現(xiàn)諧波檢測功能。

（5） 完成代碼編寫、調(diào)試和運(yùn)行程序。

4.3 檢測軟件實(shí)驗(yàn)測試

本文通過讀取兩組離線測量數(shù)據(jù)對諧波檢測功能進(jìn)行實(shí)驗(yàn)檢測。通過第一組數(shù)據(jù)的檢測結(jié)果可以看出諧波幅值較基波幅值低很多，且奇次諧波的幅值較偶次諧波幅值高。通過apFFT采樣數(shù)據(jù)分析的結(jié)果中，測量信號(hào)波形和基波波形的對比可以看出諧波對基波波形的影響較小。實(shí)驗(yàn)結(jié)果表明該軟件具有很好的諧波檢測精度。

通過第二組數(shù)據(jù)的檢測結(jié)果看出諧波總畸變率超出設(shè)定值（4%），諧波畸變率告警燈變?yōu)榧t色，同時(shí)告警對話框彈出。諧波檢測的結(jié)果同時(shí)在表格和柱形圖中顯示。將測量信號(hào)、諧波疊加信號(hào)和基波信號(hào)的波形進(jìn)行對比，諧波對電網(wǎng)電壓的波形影響仍然很有限，保證了電網(wǎng)中負(fù)載的用電安全。此次諧波檢測的檢測結(jié)果，檢測精度仍然較高。

5 結(jié) 論

本文主要對基于全相位快速傅里葉變換和神經(jīng)網(wǎng)絡(luò)的諧波、間諧波檢測方法進(jìn)行了研究。針對現(xiàn)有成熟的諧波檢測算法檢測精度不高的問題，提出了基于全相位快速傅里葉變換和BP神經(jīng)網(wǎng)絡(luò)的諧波檢測算法；為了進(jìn)一步提高諧波檢測精度，減小對訓(xùn)練樣本的依賴，擴(kuò)大諧波檢測算法的適用范圍，提出了基于全相位快速傅里葉變換和自適應(yīng)神經(jīng)網(wǎng)絡(luò)的諧波檢測算法；針對電力系統(tǒng)間諧波檢測問題，通過調(diào)整自適應(yīng)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，提出了基于全相位快速傅里葉變換和增強(qiáng)型自適應(yīng)神經(jīng)網(wǎng)絡(luò)的諧波檢測算法；利用虛擬儀器開發(fā)平臺(tái)LabWindows/CVI設(shè)計(jì)了基于全相位快速傅里葉變換和自適應(yīng)神經(jīng)網(wǎng)絡(luò)的諧波檢測軟件，最后利用兩組數(shù)據(jù)驗(yàn)證了軟件功能。

參考文獻(xiàn)

[1] 肖雁鴻，毛筱.電力系統(tǒng)諧波測量方法綜述[J].電網(wǎng)技術(shù)，2002，26（6）：61?64.

[2] 聶晶晶，許曉芳，夏安邦，等.電能質(zhì)量監(jiān)測及管理系統(tǒng)[J].電力系統(tǒng)自動(dòng)化設(shè)備，2005，25（10）：75?77.

[3] 王子績，孟鑫，張彥兵，等.基于瞬時(shí)無功功率理論的新型諧波檢測算法[J].電測與儀表，2012，49（4）：9?13.

[4] 劉桂英，粟時(shí)平.利用小波傅里葉變換的諧波與間諧波檢測[J].高電壓技術(shù)，2007，33（6）：184?188.

[5] 危韌勇，李志勇.基于人工神經(jīng)元網(wǎng)絡(luò)的電力系統(tǒng)諧波測量方法[J].電網(wǎng)技術(shù)，1999，23（12）：20?23.

[6] 王凱亮，曾江，王克英.一種基于BP神經(jīng)網(wǎng)絡(luò)的諧波檢測方案[J].電力系統(tǒng)保護(hù)與控制，2013（17）：44?48.

[7] 付光杰，曲玉辰，郭靜.RBF神經(jīng)網(wǎng)j在諧波檢測中的應(yīng)用[J].大慶石油學(xué)院學(xué)報(bào)，2005，29（6）：76?79.

人工神經(jīng)網(wǎng)絡(luò)文獻(xiàn)綜述范文第5篇

關(guān)鍵詞:BP神經(jīng)網(wǎng)絡(luò);電力負(fù)荷;短期預(yù)測

中圖分類號(hào):TP183 文獻(xiàn)標(biāo)識(shí)碼:A文章編號(hào):1007-9599 (2010) 09-0000-02

Power Load Short-term Forecasting Based on BP Neural Network

Wang Jing,Yang Xiao

(School of Economics&Management,North China Electric Power University,Beijing102206,China)

Abstract:Load forecasting is an important task in power system.We forecasted short-term load for a region of southern based on BP neural network.Firstly,we introduce the structure of BP neural network,and then we make use of the data to do empirical research by using BP neural network of the region.And we consider the meteorological factors in the design of the BP neural network structure.

Keywords:BP Neural Network;Power Load;Short-term Forecast

一、引言

目前,全國供電緊張,部分嚴(yán)重地區(qū)經(jīng)常缺電,造成許多發(fā)電設(shè)備不能及時(shí)檢修,處于超負(fù)荷的運(yùn)轉(zhuǎn)狀態(tài)。會(huì)導(dǎo)致機(jī)組老化加速,出現(xiàn)不可預(yù)見的事故,造成人員、財(cái)產(chǎn)的傷亡。因此對未來電網(wǎng)內(nèi)負(fù)荷變化趨勢的預(yù)測,是電網(wǎng)調(diào)度部門和設(shè)計(jì)部門所必須具備的基本信息之一。

電力系統(tǒng)負(fù)荷預(yù)測是電力生產(chǎn)部門的重要工作,通過精確的預(yù)測電力負(fù)荷,可以經(jīng)濟(jì)的調(diào)度發(fā)電機(jī)組,合理安排機(jī)組啟停、機(jī)組檢修計(jì)劃,降低發(fā)電成本,提高經(jīng)濟(jì)效益。負(fù)荷預(yù)測對電力系統(tǒng)控制、運(yùn)行和計(jì)劃都有著重要的意義。電力系統(tǒng)負(fù)荷變化受多方面的影響,包括不確定性因素引起的隨機(jī)波動(dòng)和周期性變化規(guī)律。并且,由于受天氣、節(jié)假日等特殊情況影響,又使負(fù)荷變化出現(xiàn)差異。神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)非線性的映射功能,用神經(jīng)網(wǎng)絡(luò)來預(yù)測電力負(fù)荷越來越引起人們的關(guān)注。

二、BP網(wǎng)絡(luò)理論

(一)BP網(wǎng)絡(luò)結(jié)構(gòu)

BP神經(jīng)網(wǎng)絡(luò)全稱為Back-Propagation Network,即反向傳播網(wǎng)絡(luò),是一種多層前饋神經(jīng)網(wǎng)絡(luò),結(jié)構(gòu)圖如圖1所示,根據(jù)圖示可以知道BP神經(jīng)網(wǎng)絡(luò)是一種有三層或三層以上的神經(jīng)網(wǎng)絡(luò),包括輸入層、中間層(隱層)和輸出層。前后層之間實(shí)現(xiàn)全連接,各層之間的神經(jīng)元不進(jìn)行連接。當(dāng)學(xué)習(xí)樣本輸入后,神經(jīng)元的激活之經(jīng)由各層從輸入層向輸出層傳遞。之后,根據(jù)減少目標(biāo)輸出與實(shí)際輸出誤差的原則,從輸出層反向經(jīng)過各層至輸入層,逐級修正各連接的權(quán)值,該算法成為“誤差方向傳播算法”,即BP算法。由于誤差反向傳播不斷進(jìn)行,網(wǎng)絡(luò)對輸入模式響應(yīng)的正確率也不斷上升。

BP神經(jīng)網(wǎng)絡(luò)傳遞函數(shù)不同于感知器模型傳遞函數(shù),BP神經(jīng)網(wǎng)絡(luò)要求其必須是可微的,所以感知器網(wǎng)絡(luò)中所用到的硬閾值傳遞函數(shù)在BP神經(jīng)網(wǎng)絡(luò)中并不適應(yīng)。BP神經(jīng)網(wǎng)絡(luò)中常用的傳遞函數(shù)有正切函數(shù)、Sigmoid型的對數(shù)或線性函數(shù)。由于這些函數(shù)均是可微的,所以BP神經(jīng)網(wǎng)絡(luò)所劃分的區(qū)域是一個(gè)非線性的超平面組成的區(qū)域,是一個(gè)比較平滑的曲面,它比線性劃分更加的精確。另外,網(wǎng)絡(luò)才有嚴(yán)格的梯度下降法進(jìn)行學(xué)習(xí),權(quán)值修正的解析式分非常明確。

(二)BP網(wǎng)絡(luò)算法

(1)初始化。給沒給連接權(quán)值 、 、閾值 與 賦予區(qū)間 內(nèi)的隨機(jī)值

(2)確定輸入P和目標(biāo)輸出T。選取一組輸入樣本 和目標(biāo)輸出樣本 提供給網(wǎng)絡(luò)。

(3)用輸入樣本 、連接權(quán) 和閾值 計(jì)算中間層各單元的輸入 ,然后用 通過傳遞函數(shù)計(jì)算中間層各單元的輸出 。

(4)利用中間層的輸出 、連接權(quán) 和閾值 計(jì)算輸出層各單元的輸出 ,然后通過傳遞函數(shù)計(jì)算輸出層各單元的響應(yīng) 。

(5)利用目標(biāo)向量 和網(wǎng)絡(luò)的實(shí)際輸出 ,計(jì)算輸出層各單元的一般化誤差 。

(6)利用連接權(quán) 、輸出層的一般化誤差 和中間層的輸出 計(jì)算中間層各單元的一般化誤差 。

(7)利用輸出層各單元的一般化誤差 與中間呈個(gè)單元的輸出 來修正連接權(quán) 和閾值 。

(8)利用中間層各單元的一般化誤差 ,和輸入層各單元輸入P來修正連接權(quán) 和閾值 ,計(jì)算方法同(7)。

(9)達(dá)到誤差精度要求或最大訓(xùn)練步數(shù),輸出結(jié)果,否則返回(3)

三、實(shí)證研究

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

本文以南方某缺電城市的整點(diǎn)有功負(fù)荷值,在預(yù)測的前一天中,每隔2小時(shí)對電力負(fù)荷進(jìn)行一次測量,這樣,可以得到12組負(fù)荷數(shù)據(jù)。此外電力負(fù)荷還和環(huán)境因素有關(guān),文章選取預(yù)測日最高氣溫、最低氣溫和降雨量氣象特征作為網(wǎng)絡(luò)輸入變量。所以設(shè)計(jì)的網(wǎng)絡(luò)結(jié)構(gòu)為:15個(gè)輸入層節(jié)點(diǎn)和12個(gè)輸出向量,根據(jù)Kolmogorov定理可知,網(wǎng)絡(luò)中間層的神經(jīng)元可以去31個(gè)。

(二)輸入數(shù)據(jù)歸一化處理

獲得輸入變量后,為了防止神經(jīng)元飽和現(xiàn)象,在BP神經(jīng)網(wǎng)絡(luò)輸入層進(jìn)行歸一化,文章才有如下公式進(jìn)行變換。

(三)實(shí)證分析

中間層神經(jīng)元傳遞函數(shù)和輸出層傳遞函數(shù)分別采用S型正切函數(shù)tansig和S型對數(shù)函數(shù)logsig,因?yàn)檫@連個(gè)函數(shù)輸出區(qū)間為[0,1],滿足網(wǎng)絡(luò)設(shè)計(jì)的需求。

利用以下代碼創(chuàng)建一個(gè)滿足上述要求的BP神經(jīng)網(wǎng)絡(luò)。

threshold=[0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1];

netbp=newff(threshold,[31,12],{’tansig’,’logsig’},’trainlm’)

其中變量threshold用于規(guī)定輸入向量的最大值和最小值,規(guī)定了網(wǎng)絡(luò)輸入向量的最大值為1,最小值為0,。“trainlm”是為網(wǎng)絡(luò)設(shè)定的訓(xùn)練函數(shù),采用的是Levenberg-Marquardt算法進(jìn)行網(wǎng)絡(luò)學(xué)習(xí)。該方法明顯優(yōu)于共軛梯度法及變學(xué)習(xí)效率的BP算法,LM算法可大大提高學(xué)習(xí)速度,縮短訓(xùn)練時(shí)間。

使用該地區(qū)2007年8月11日到20日的負(fù)荷和氣象數(shù)據(jù)作為輸入向量,8月12日至8月21日負(fù)荷數(shù)據(jù)作為目標(biāo)向量,對網(wǎng)絡(luò)進(jìn)行訓(xùn)練,再用8月20日負(fù)荷數(shù)據(jù)和21日的氣象特征數(shù)據(jù)來預(yù)測21日用電負(fù)荷,檢驗(yàn)預(yù)測誤差是否能帶到要求。

利用MATLAB進(jìn)行仿真,經(jīng)過79次訓(xùn)練后達(dá)到誤差要求結(jié)果。如圖2

網(wǎng)絡(luò)訓(xùn)練參數(shù)的設(shè)定見下表

從圖3和圖4中可以看出運(yùn)用BP神經(jīng)網(wǎng)絡(luò)方法很好的預(yù)測了負(fù)荷走勢,并且預(yù)測誤差較小,負(fù)荷工程預(yù)測的要求。四、結(jié)論

在進(jìn)行電力負(fù)荷預(yù)測時(shí),必須考慮氣象因素的影響。在不同的地區(qū)氣象因素對電力負(fù)荷的影響不同,因此本文在設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)時(shí),結(jié)合該地實(shí)際情況考慮氣象因素。本文研究了BP神經(jīng)網(wǎng)絡(luò)在電力負(fù)荷短期預(yù)測中的應(yīng)用,根據(jù)上述的預(yù)測結(jié)果可以說明BP神經(jīng)網(wǎng)絡(luò)對電力負(fù)荷進(jìn)行短期預(yù)測是目前一種比較可行的方法。

參考文獻(xiàn)

[1]蔣平,鞠平.應(yīng)用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行中期電力負(fù)荷預(yù)報(bào)[J].電力系統(tǒng)自動(dòng)化,1995,6(19):15-17

[2]蘇寧.MATLAB軟件在電力負(fù)荷預(yù)測中的應(yīng)用[J].華北電力技術(shù),2007(8):16-19

[3]康重慶,夏清,張伯明.電力系統(tǒng)負(fù)荷預(yù)測研究綜述與發(fā)展方向的探討[J].電力系統(tǒng)自動(dòng)化,2OO4,28(17):1-11

[4]姜勇.電力系統(tǒng)短期負(fù)荷預(yù)測的模糊神經(jīng)網(wǎng)絡(luò)方法[J].繼電器,2002,36(2):11-13

[5]田景文,高美娟.人工神經(jīng)網(wǎng)絡(luò)算法研究及應(yīng)用[M].北京:北京理工大學(xué)出版社,2006