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

神經(jīng)網(wǎng)絡(luò)算法范文第1篇

關(guān)鍵詞 神經(jīng)網(wǎng)絡(luò)；BP；優(yōu)化算法

中圖分類(lèi)號(hào)：TP183 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1671-7597（2014）13-0066-01

1 人工神經(jīng)網(wǎng)絡(luò)模型

人工神經(jīng)網(wǎng)絡(luò)簡(jiǎn)稱(chēng)ANN，它是一種將人類(lèi)大腦的組織結(jié)構(gòu)和運(yùn)行機(jī)制作為其研究基礎(chǔ)來(lái)模擬人類(lèi)大腦內(nèi)部結(jié)構(gòu)和其智能行為的處理系統(tǒng)。人工神經(jīng)網(wǎng)絡(luò)中的神經(jīng)元細(xì)胞將其接收到的所有信號(hào)進(jìn)行處理，如加權(quán)求和等操作，進(jìn)行操作后經(jīng)軸突輸出。

2 人工神經(jīng)網(wǎng)絡(luò)的分類(lèi)

2.1 前饋型神經(jīng)網(wǎng)絡(luò)

前饋型神經(jīng)網(wǎng)絡(luò)通過(guò)對(duì)其網(wǎng)絡(luò)中的神經(jīng)元之間的連接關(guān)系進(jìn)行復(fù)合映射，因此這種網(wǎng)絡(luò)模型具有非常強(qiáng)的非線性處理的能力。如圖1所示，在這里前饋型神經(jīng)網(wǎng)絡(luò)模型被分為三層，分別為輸入層、輸出層和隱含層，一般常用的前饋型神經(jīng)網(wǎng)絡(luò)有BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)、自組織神經(jīng)網(wǎng)絡(luò)等。

圖1 前向神經(jīng)網(wǎng)絡(luò)模型

2.2 反饋型神經(jīng)網(wǎng)絡(luò)

反饋型神經(jīng)網(wǎng)絡(luò)其結(jié)構(gòu)，在這個(gè)模型中我們假設(shè)網(wǎng)絡(luò)總的神經(jīng)元個(gè)數(shù)為N，則每個(gè)神經(jīng)元節(jié)點(diǎn)都有N個(gè)輸入值及一個(gè)輸出值，每個(gè)神經(jīng)元節(jié)點(diǎn)都如此，節(jié)點(diǎn)之間相互聯(lián)系。現(xiàn)在被大量使用的反饋型神經(jīng)網(wǎng)絡(luò)一般有離散Hopfield神經(jīng)網(wǎng)絡(luò)模型、Elman神經(jīng)網(wǎng)絡(luò)模型等等。

3 BP神經(jīng)網(wǎng)絡(luò)

3.1 BP神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介

1986年，Rumelhant和McCelland提出了BP神經(jīng)網(wǎng)絡(luò)的一般模型，BP神經(jīng)網(wǎng)絡(luò)是一種具有多層網(wǎng)絡(luò)的反向傳播學(xué)習(xí)算法。BP神經(jīng)網(wǎng)絡(luò)模型的基本思想是：整個(gè)過(guò)程主要由信號(hào)的正向傳播和誤差的反向傳播兩個(gè)過(guò)程組成。目前，BP神經(jīng)網(wǎng)絡(luò)的應(yīng)用范圍為數(shù)據(jù)壓縮、數(shù)據(jù)分類(lèi)、預(yù)測(cè)分析和模式識(shí)別等領(lǐng)域。

3.2 BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

如圖2所示，這里是BP神經(jīng)網(wǎng)絡(luò)的一種模型結(jié)構(gòu)，在這種模型結(jié)構(gòu)中輸入信號(hào)量為m，具有隱含層的數(shù)量為j，輸出信號(hào)量為q的模型結(jié)構(gòu)。

BP神經(jīng)網(wǎng)絡(luò)一般具有一個(gè)或多個(gè)隱含層單元，其差別主要體現(xiàn)在激活函數(shù)的不同。針對(duì)BP神經(jīng)網(wǎng)絡(luò)所使用的激活函數(shù)一

圖2 BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)

般采用S型對(duì)數(shù)函數(shù)或者采用正切激活函數(shù)，而輸出層則一般采用線性函數(shù)作為激活函數(shù)。

3.3 BP神經(jīng)網(wǎng)絡(luò)的改進(jìn)方法

BP神經(jīng)網(wǎng)絡(luò)作為當(dāng)今對(duì)研究電力負(fù)荷預(yù)測(cè)應(yīng)用最多的一種神經(jīng)網(wǎng)絡(luò)，但標(biāo)準(zhǔn)的BP神經(jīng)網(wǎng)絡(luò)算法存在的一些缺陷，這里就對(duì)一些經(jīng)常使用的典型改進(jìn)方法進(jìn)行描述。

1）增加動(dòng)量項(xiàng)。在一般的BP神經(jīng)網(wǎng)絡(luò)算法中，其模型中的各層權(quán)值在進(jìn)行更新的過(guò)程中，是按照t時(shí)刻誤差曲線進(jìn)行梯度下降方式進(jìn)行調(diào)整的，在這里并沒(méi)有考慮其之間的梯度下降的方向，如果使用這種方式進(jìn)行調(diào)整則會(huì)造成訓(xùn)練的過(guò)程不穩(wěn)定，容易發(fā)生振蕩，導(dǎo)致收斂過(guò)程緩慢的結(jié)果。因此有些學(xué)者就為了使網(wǎng)絡(luò)訓(xùn)練的速度提高，收斂過(guò)程加快，就在一般網(wǎng)絡(luò)模型的權(quán)值更新環(huán)節(jié)添加了一個(gè)動(dòng)量項(xiàng)因子即：

（1）

在這個(gè)式子中，W表示BP神經(jīng)網(wǎng)絡(luò)中每一層的權(quán)值矩陣，O則表示神經(jīng)網(wǎng)絡(luò)中每一層的輸出向量矩陣，α則被稱(chēng)為該神經(jīng)網(wǎng)絡(luò)的動(dòng)量系數(shù)因子，其取值范圍在0到1之間，在該網(wǎng)絡(luò)在進(jìn)行訓(xùn)練的過(guò)程中，如果其誤差梯度網(wǎng)線出現(xiàn)了局部極小值現(xiàn)象，雖然在這里的第一項(xiàng)會(huì)趨摟于零，但是這一項(xiàng)，

這樣就會(huì)使該訓(xùn)練過(guò)程避免了限入局部極小值區(qū)域的形勢(shì)，從而加快了其訓(xùn)練速度，使該神經(jīng)網(wǎng)絡(luò)收斂速度加快，因此這種帶有動(dòng)量項(xiàng)因子的BP神經(jīng)網(wǎng)絡(luò)算法應(yīng)用到了很多的BP網(wǎng)絡(luò)中。

2）學(xué)習(xí)速度的自適應(yīng)調(diào)節(jié)方法。學(xué)習(xí)速度η在一個(gè)標(biāo)準(zhǔn)的BP神經(jīng)網(wǎng)絡(luò)中是以一個(gè)常數(shù)出現(xiàn)的我們也稱(chēng)為之步長(zhǎng)，而在實(shí)際的運(yùn)算過(guò)程中，很難找到一個(gè)數(shù)值作為最優(yōu)學(xué)習(xí)速度。我們從誤差曲面圖形中可以看出，當(dāng)曲面中區(qū)域處于一個(gè)平坦區(qū)域時(shí)，我們需要設(shè)置一個(gè)比較大的η值，使它能夠跳出這個(gè)平坦的區(qū)域；而當(dāng)曲面中的區(qū)域處于變化比較很大的區(qū)域時(shí)，這時(shí)的η的數(shù)值我們又需要將其進(jìn)行減小或者增大操作。自適應(yīng)調(diào)整學(xué)習(xí)速度η則可以根據(jù)網(wǎng)絡(luò)的總誤差來(lái)進(jìn)行自我調(diào)整，在網(wǎng)絡(luò)經(jīng)過(guò)多次調(diào)整后，如果E總繼續(xù)上升，則表明這里的調(diào)整是無(wú)效的，且η=βη， ；而經(jīng)常調(diào)整這里的E總下降了，則表明這里的調(diào)整是有效果的，且η=αη，。

3）引入陡度因子（防止飽和）。在網(wǎng)絡(luò)訓(xùn)練的過(guò)程中，由于其誤差曲面具有平坦區(qū)，當(dāng)處于這個(gè)區(qū)域時(shí)，由于S型激活函數(shù)有飽和特性，促使權(quán)值的調(diào)整速度放慢，從而影響了調(diào)整的速度。在訓(xùn)練的過(guò)程中，如果算法調(diào)整進(jìn)入了這個(gè)區(qū)域，我們可以減小神經(jīng)元的輸入量，使其輸出值迅速脫離激活函數(shù)的飽和區(qū)域，這里誤差函數(shù)的數(shù)值則會(huì)隨之發(fā)生改變，其權(quán)值的調(diào)整也就脫離了該平坦區(qū)。想要實(shí)現(xiàn)以上思路則需要在激活函數(shù)中引入一個(gè)陡度因子λ。

（2）

當(dāng)趨近于0時(shí)，而數(shù)值較大時(shí)，調(diào)整其進(jìn)入誤差曲面中的平坦區(qū)，此時(shí)λ的值應(yīng)選擇大于1的數(shù)值；而當(dāng)調(diào)整脫離平坦區(qū)域后，再設(shè)置λ大于1，使激活函數(shù)能夠恢復(fù)到原始數(shù)值。

4 總結(jié)

綜上所述，設(shè)計(jì)一個(gè)人工神經(jīng)網(wǎng)絡(luò)應(yīng)用到實(shí)際問(wèn)題中，可以歸結(jié)為網(wǎng)絡(luò)自身權(quán)值參數(shù)的學(xué)習(xí)與合理的設(shè)計(jì)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)這兩大類(lèi)優(yōu)化問(wèn)題。由于人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練是一個(gè)非常復(fù)雜的問(wèn)題，使用傳統(tǒng)的學(xué)習(xí)算法進(jìn)行訓(xùn)練則要花費(fèi)很長(zhǎng)的時(shí)間，BP算法用到了梯度下降法，才只能在一定范圍內(nèi)找到合適的參數(shù)值及其模型結(jié)構(gòu)。因此，為了更好的提高神經(jīng)網(wǎng)絡(luò)的泛化能力，及將網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)設(shè)計(jì)的更加合理，大量關(guān)于神經(jīng)網(wǎng)絡(luò)的優(yōu)化算法相繼產(chǎn)生。

參考文獻(xiàn)

神經(jīng)網(wǎng)絡(luò)算法范文第2篇

【關(guān)鍵詞】BP算法 蟻群優(yōu)化算法 放大因子 神經(jīng)網(wǎng)絡(luò)

伴隨著近年來(lái)對(duì)于人工智能（Artificial Intelligence）研究的不斷深入，其中一項(xiàng)重要的分支內(nèi)容也越來(lái)越引起人們的重視，即人工神經(jīng)網(wǎng)絡(luò)，這一技術(shù)研究現(xiàn)已經(jīng)廣泛的應(yīng)用到了信息處理、車(chē)輛檢測(cè)、價(jià)格預(yù)測(cè)等多個(gè)領(lǐng)域當(dāng)中。而B(niǎo)P網(wǎng)絡(luò)神經(jīng)算法則是應(yīng)用普及程度最高的一項(xiàng)神經(jīng)網(wǎng)絡(luò)內(nèi)容，然而這一傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)算法卻存在有一些較為顯著的缺陷性，如局部不足、收斂緩慢、缺乏理論指導(dǎo)等，因此有必要對(duì)傳統(tǒng)的算法進(jìn)行改進(jìn)。據(jù)此本文主要就通過(guò)對(duì)于上述問(wèn)題的分析，提出了引入放大因子以及應(yīng)用蟻群優(yōu)化算法兩項(xiàng)改進(jìn)手段，并通過(guò)將改進(jìn)后的算法應(yīng)用到瓦斯?jié)舛葯z驗(yàn)中，有效的驗(yàn)證了這一算法的科學(xué)性。

1 傳統(tǒng)BP算法的缺陷

1.1 收斂緩慢

因?yàn)锽P神經(jīng)網(wǎng)絡(luò)的誤差函數(shù)的曲面圖像十分復(fù)雜，因此極有可能會(huì)有一些相對(duì)較為平坦曲面的存在，在起初之時(shí)的網(wǎng)絡(luò)訓(xùn)練收斂值較大，然而伴隨著訓(xùn)練的進(jìn)行，在訓(xùn)練行進(jìn)到平坦曲面位置時(shí)，依據(jù)梯度下降法，便極有可能會(huì)發(fā)生盡管誤差值較大，然而誤差梯度值卻較小，進(jìn)而也就導(dǎo)致權(quán)值的可調(diào)整值變小，最終僅能夠采取加多訓(xùn)練次數(shù)的方式來(lái)逐漸退出目標(biāo)區(qū)域。

1.2 局部不足

盡管BP算法能夠促使均方誤差達(dá)到最小化權(quán)值與閾值，然而因?yàn)槎鄬泳W(wǎng)絡(luò)結(jié)構(gòu)的均方誤差存在有極大的復(fù)雜性特點(diǎn)，既有可能導(dǎo)致多項(xiàng)局部極小值情況的出現(xiàn)，從而使得算法在斂收之時(shí)，無(wú)法準(zhǔn)確的判定出是否求得最優(yōu)解。

1.3 缺乏理論指導(dǎo)

由于僅在接近于連續(xù)函數(shù)的情況時(shí)才需多層隱含層，但是在實(shí)際情況下往往是選用單層隱含層，這就會(huì)導(dǎo)致一個(gè)十分明顯的問(wèn)題，即隱含層神經(jīng)元的數(shù)量大小是對(duì)網(wǎng)絡(luò)計(jì)算的復(fù)雜性是具有直接性影響的，從理論層面來(lái)說(shuō)神經(jīng)元數(shù)量越多，所得到的求值才能夠越精確，然而現(xiàn)實(shí)情況往往都是依據(jù)經(jīng)驗(yàn)公式，以及大量的實(shí)驗(yàn)驗(yàn)證來(lái)明確出相應(yīng)的隱含層神經(jīng)元數(shù)量，這必須要借助于大量的運(yùn)算處理才能實(shí)現(xiàn)。

2 算法改進(jìn)

2.1 放大因子的引入

在精確性允許的前提下，為了獲得更大的幾何間隔，可放寬容錯(cuò)性，為閾值增添以一定的松弛變量。但還在BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程當(dāng)中，因?yàn)闃颖舅霈F(xiàn)的隨機(jī)性改變，在通過(guò)歸一化處置后，于初期學(xué)習(xí)階段，樣本的訓(xùn)練誤差較大，收斂較快，然而伴隨著訓(xùn)練的持續(xù)進(jìn)行，特別是在樣本訓(xùn)練結(jié)果無(wú)限趨近于1/0之時(shí)，這是訓(xùn)練便會(huì)達(dá)到平臺(tái)期，也就是相對(duì)停滯階段。

在將放大因子運(yùn)用到實(shí)際訓(xùn)練當(dāng)中，對(duì)隱含層與輸出層當(dāng)中的權(quán)值采取調(diào)整，所產(chǎn)生的神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果影響，要明顯超過(guò)輸入層和隱含層當(dāng)中權(quán)值調(diào)整所造成的影響，因而在本次研究當(dāng)中，將放大因子應(yīng)用在了隱含層和輸出層權(quán)值的調(diào)整之中。

2.2 應(yīng)用蟻群優(yōu)化算法

蟻群優(yōu)化算法是一種對(duì)離散優(yōu)化問(wèn)題進(jìn)行求解的通用型框架。在某條具體路徑當(dāng)中所經(jīng)過(guò)的螞蟻數(shù)量越多，相應(yīng)的信息條件密集性也就越大，從而這一路徑被選取的概率也就越大，其呈現(xiàn)出的是一種正反饋的現(xiàn)狀情況。每一只螞蟻在僅穿過(guò)任一節(jié)點(diǎn)一次的情況之時(shí)，對(duì)被選用的權(quán)值節(jié)點(diǎn)進(jìn)行明確的記錄，從而該區(qū)域之中的節(jié)點(diǎn)也就組成了一組候選權(quán)值，在所有螞蟻均完成了首次選擇后，依據(jù)全局更新策略來(lái)對(duì)信息素的密度進(jìn)行更新。直至滿(mǎn)足于最大進(jìn)化代數(shù)，也就得到了最佳的權(quán)值組合。

3 實(shí)驗(yàn)分析

3.1 變量選取

考量到瓦斯?jié)舛扔绊懸蛩厮邆涞牡牟淮_定性，因此可對(duì)各類(lèi)因素予以篩選，在對(duì)短期預(yù)測(cè)不造成影響的情況下，來(lái)選擇出影響力最大的因子。在瓦斯?jié)舛缺O(jiān)測(cè)的特征變量中主要包括有風(fēng)速、溫度、負(fù)壓、一氧化碳濃度、瓦斯?jié)舛取?/p>

3.2 參數(shù)選擇

依據(jù)上述特征變量?jī)?nèi)容，此實(shí)驗(yàn)的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)便可明確為輸入層4項(xiàng)：風(fēng)速、溫度、負(fù)壓、一氧化碳濃度，輸出層1項(xiàng)：瓦斯?jié)舛取ａ槍?duì)以上特征變量依次選用傳統(tǒng)BP算法與改進(jìn)后的算法進(jìn)行測(cè)量，隱含網(wǎng)絡(luò)層均為1個(gè)。隱含層節(jié)點(diǎn)可通過(guò)下列公式予以驗(yàn)證：

m=0.618*（input+output）

在這一公式當(dāng)中input與output即為輸入層與輸出層節(jié)點(diǎn)數(shù)量。BP神經(jīng)網(wǎng)絡(luò)算法的訓(xùn)練數(shù)共1100，預(yù)計(jì)誤差值為0.0011，其中隱含層應(yīng)用Sig mod函數(shù)，在輸出層之中應(yīng)用線性函數(shù)。蟻群優(yōu)化模型最終其規(guī)模明確為600，權(quán)值區(qū)間取[-1，1]，迭代次數(shù)取1100次。

3.3 結(jié)果分析

在考量到具體運(yùn)用時(shí)的科學(xué)性，可編寫(xiě)一項(xiàng)測(cè)試軟件，針對(duì)數(shù)據(jù)內(nèi)容予以計(jì)算處理，并將多次試驗(yàn)所得數(shù)據(jù)信息予以對(duì)比，改進(jìn)之后的BP神經(jīng)網(wǎng)絡(luò)和傳統(tǒng)BP網(wǎng)絡(luò)其檢測(cè)精確性如表1所示。

通過(guò)觀察表1，能夠明顯的發(fā)現(xiàn)，經(jīng)過(guò)改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)算法其訓(xùn)練擬合度相較于傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)算法而言更高，同時(shí)準(zhǔn)確率也顯著提升了3.82%，收斂速度也有了顯著的提升，權(quán)值選取也有了理論性的指導(dǎo)。

4 結(jié)束語(yǔ)

總而言之，傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)算法存在收斂速度較慢、且容易陷入到局部不足以及缺乏理論指導(dǎo)的設(shè)計(jì)陷阱，本文主要通過(guò)對(duì)放大因子的引入，使得BP神經(jīng)網(wǎng)絡(luò)算法在實(shí)際訓(xùn)練時(shí)的權(quán)值調(diào)整方式發(fā)生了轉(zhuǎn)變，進(jìn)而通過(guò)應(yīng)用蟻群優(yōu)化算法來(lái)實(shí)現(xiàn)了對(duì)于BP神經(jīng)網(wǎng)絡(luò)權(quán)值的選擇，并構(gòu)建起了相應(yīng)的神經(jīng)網(wǎng)絡(luò)模型以及改進(jìn)后的訓(xùn)練方法。最終將此改進(jìn)之后的BP神經(jīng)網(wǎng)絡(luò)算法應(yīng)用到瓦斯?jié)舛阮A(yù)測(cè)領(lǐng)域之中，其效果明顯優(yōu)于傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)算法。

參考文獻(xiàn)

[1]楊紅平，傅衛(wèi)平，王雯等.結(jié)合面法向和切向接觸剛度的MPSO-BP神經(jīng)網(wǎng)絡(luò)算法的建模[J].儀器儀表學(xué)報(bào)，2012（08）.

[2]陳樺，程云艷.BP神經(jīng)網(wǎng)絡(luò)算法的改進(jìn)及在Matlab中的實(shí)現(xiàn)[J].陜西科技大學(xué)學(xué)報(bào)（自然科學(xué)版），2014（02）：45-47.

神經(jīng)網(wǎng)絡(luò)算法范文第3篇

關(guān)鍵詞：競(jìng)爭(zhēng)型神經(jīng)網(wǎng)絡(luò)；分類(lèi)；訓(xùn)練誤差；特征向量

文本分類(lèi)數(shù)是據(jù)挖掘的一個(gè)重要研究領(lǐng)域，國(guó)內(nèi)外的眾多學(xué)者已經(jīng)進(jìn)行了比較深入的研究，取得了不少研究成果。常見(jiàn)的文本分類(lèi)技術(shù)有最小距離方法、樸素貝葉斯方法、KNN方法、支持向量機(jī)方法（SVM）、模糊c均值（FCM）算法和等，現(xiàn)在有很多學(xué)者把神經(jīng)網(wǎng)絡(luò)的方法應(yīng)用到分類(lèi)算法中，在這些分類(lèi)算法中，神經(jīng)網(wǎng)絡(luò)的文本分類(lèi)更具有優(yōu)越的性能。袁飛云利用SOINN自動(dòng)產(chǎn)生聚類(lèi)數(shù)目和保留數(shù)據(jù)拓?fù)浣Y(jié)構(gòu)的兩項(xiàng)能力，尋找更有效的單詞和設(shè)計(jì)更有效的編碼方式，提出了基于自組織增量神經(jīng)網(wǎng)絡(luò)（SOINN）的碼書(shū)產(chǎn)生方法；申明金利用自組織特征映射神經(jīng)網(wǎng)絡(luò)（SOM）以無(wú)監(jiān)督方式進(jìn)行網(wǎng)絡(luò)訓(xùn)練，具有自組織功能的特點(diǎn)，利用自組織特征映射神經(jīng)網(wǎng)絡(luò)對(duì)不同產(chǎn)地金銀花進(jìn)行分類(lèi)；彭俊等將不同空氣質(zhì)量等級(jí)下的各空氣指標(biāo)作為原型模式，通過(guò)輸入樣本模式，利用競(jìng)爭(zhēng)網(wǎng)絡(luò)的競(jìng)爭(zhēng)特點(diǎn)得到勝者，以此得出空氣質(zhì)量等級(jí)；郝曉麗等通過(guò)篩選基于輪廓系數(shù)的優(yōu)秀樣木群，來(lái)尋找最佳初始聚類(lèi)中心，并將該改進(jìn)算法用于構(gòu)造徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)分類(lèi)器和快速有效地確定隱含層節(jié)點(diǎn)徑向基函數(shù)中心及函數(shù)的寬度，從而提高了分類(lèi)精度；孫進(jìn)進(jìn)利用神經(jīng)網(wǎng)絡(luò)技術(shù)中的自組織映射SOM）網(wǎng)絡(luò)對(duì)我國(guó)主要機(jī)場(chǎng)進(jìn)行聚類(lèi)分析評(píng)價(jià)，得出我國(guó)主要機(jī)場(chǎng)分為8層的主要結(jié)論；劉艷杰在非監(jiān)督的自組織映射神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上進(jìn)行了一定的改進(jìn)，構(gòu)建了有監(jiān)督的神經(jīng)網(wǎng)絡(luò)分類(lèi)模型；李楊將神經(jīng)網(wǎng)絡(luò)與群體智能算法、云計(jì)算相結(jié)合的方法，實(shí)現(xiàn)對(duì)不同規(guī)模農(nóng)業(yè)數(shù)據(jù)集的分類(lèi)，提出基于神經(jīng)網(wǎng)絡(luò)分類(lèi)器的設(shè)計(jì)與優(yōu)化方法。而競(jìng)爭(zhēng)型神經(jīng)網(wǎng)絡(luò)的自組織、自適應(yīng)學(xué)習(xí)能力，進(jìn)一步拓寬了神經(jīng)網(wǎng)絡(luò)在模式分類(lèi)和識(shí)別方面的應(yīng)用。競(jìng)爭(zhēng)型神經(jīng)網(wǎng)絡(luò)依靠神經(jīng)元之間的興奮、協(xié)調(diào)、抑制或競(jìng)爭(zhēng)的作用來(lái)進(jìn)行信息處理，可在訓(xùn)練中無(wú)監(jiān)督自組織學(xué)習(xí)，通過(guò)學(xué)習(xí)提取數(shù)據(jù)中的重要特征或內(nèi)在規(guī)律，進(jìn)而實(shí)現(xiàn)分類(lèi)分析的功能。

1競(jìng)爭(zhēng)型神經(jīng)網(wǎng)絡(luò)的描述

1.1競(jìng)爭(zhēng)型網(wǎng)絡(luò)的結(jié)構(gòu)

競(jìng)爭(zhēng)學(xué)習(xí)網(wǎng)絡(luò)的結(jié)構(gòu)如圖1所示，該網(wǎng)絡(luò)具有R維輸入和s個(gè)輸出，由前饋層和競(jìng)爭(zhēng)層組成。圖中的llndlstll模塊表示對(duì)輸入矢量P和神經(jīng)元權(quán)值矢量w之間的距離取負(fù)。該網(wǎng)絡(luò)的輸出層是競(jìng)爭(zhēng)層，圖中的模塊c表示競(jìng)爭(zhēng)傳遞函數(shù)，其輸出矢量由競(jìng)爭(zhēng)層各神經(jīng)元的輸出組成，這些輸出指明了原型模式與輸入向量的相互關(guān)系。競(jìng)爭(zhēng)過(guò)后只有一個(gè)神經(jīng)元有非零輸出，獲勝的神經(jīng)元指明輸入屬于哪類(lèi)（每個(gè)原型向量代表一個(gè)類(lèi)）。

1.2競(jìng)爭(zhēng)型神經(jīng)網(wǎng)絡(luò)的原理

競(jìng)爭(zhēng)型神經(jīng)網(wǎng)絡(luò)在結(jié)構(gòu)上，既不同于階層型的各層神經(jīng)元間非單向連接，也不同于全連接型。它有層次界限，一般是由輸入層和競(jìng)爭(zhēng)層構(gòu)成的兩層網(wǎng)絡(luò)。兩層之間各神經(jīng)元實(shí)現(xiàn)雙向全連接，沒(méi)有隱含層，有時(shí)競(jìng)爭(zhēng)層各神經(jīng)元之間還存在橫向連接。在學(xué)習(xí)方法上，不是以網(wǎng)絡(luò)的誤差或能量函數(shù)的單調(diào)遞減作為算法準(zhǔn)則。而是依靠神經(jīng)元之間的興奮、協(xié)調(diào)、抑制、競(jìng)爭(zhēng)的作用來(lái)進(jìn)行信息處理，指導(dǎo)網(wǎng)絡(luò)的學(xué)習(xí)與工作。

網(wǎng)絡(luò)在剛開(kāi)始建立的時(shí)候，輸入層和輸出層之間的連接權(quán)值已經(jīng)開(kāi)始了，如果與競(jìng)爭(zhēng)層某一神經(jīng)元對(duì)應(yīng)的矢量子類(lèi)別屬于線性層某個(gè)神經(jīng)元所對(duì)應(yīng)的目標(biāo)類(lèi)別，則這兩個(gè)神經(jīng)元的連接權(quán)值為1，否則二者的連接權(quán)值為0，這樣的權(quán)值矩陣就實(shí)現(xiàn)了子類(lèi)別到目標(biāo)類(lèi)別的合并。在建立競(jìng)爭(zhēng)型網(wǎng)絡(luò)時(shí)，每類(lèi)數(shù)據(jù)占數(shù)據(jù)總數(shù)的百分比是已知的，這也是競(jìng)爭(zhēng)層神經(jīng)元?dú)w并到線性層的各個(gè)輸出時(shí)所依據(jù)的比例。

1.3存在的問(wèn)題

競(jìng)爭(zhēng)型神經(jīng)網(wǎng)絡(luò)按Kohonen學(xué)習(xí)規(guī)則對(duì)獲勝神經(jīng)元的權(quán)值進(jìn)行調(diào)整，通過(guò)輸入向量進(jìn)行神經(jīng)元權(quán)值的調(diào)整，因此在模式識(shí)別的應(yīng)用中是很有用的。通過(guò)學(xué)習(xí)，那些最靠近輸入向量的神經(jīng)元權(quán)值向量得到修正，使之更靠近輸入向量，其結(jié)果是獲勝的神經(jīng)元在下一次相似的輸入向量出現(xiàn)時(shí)，獲勝的可能性更大；而對(duì)于那些與輸入向量相差很遠(yuǎn)的神經(jīng)元權(quán)值向量，獲勝的可能性將變得很小。這樣，當(dāng)經(jīng)過(guò)越來(lái)越多的訓(xùn)練樣本學(xué)習(xí)后，每一個(gè)網(wǎng)絡(luò)層中的神經(jīng)元權(quán)值向量很快被調(diào)整為最接近某一類(lèi)輸入向量的值。最終的結(jié)果是，如果神經(jīng)元的數(shù)量足夠多，則具有相似輸入向量的各類(lèi)模式作為輸入向量時(shí)，其對(duì)應(yīng)的神經(jīng)元輸出為1；而對(duì)于其他模式的輸入向量，其對(duì)應(yīng)的神經(jīng)元輸出為0。所以，競(jìng)爭(zhēng)型神經(jīng)網(wǎng)絡(luò)具有對(duì)輸入向量進(jìn)行學(xué)習(xí)分類(lèi)的能力。

例子：以競(jìng)爭(zhēng)型神經(jīng)網(wǎng)絡(luò)為工具，對(duì)下面的數(shù)據(jù)進(jìn)行分類(lèi)：

運(yùn)用Matlab編程實(shí)現(xiàn)，發(fā)現(xiàn)網(wǎng)絡(luò)的訓(xùn)練誤差能達(dá)到要求，最后也能實(shí)現(xiàn)很好的分類(lèi)效果。運(yùn)行結(jié)果如圖2所示。

有運(yùn)行結(jié)果可以看到，訓(xùn)練誤差達(dá)到要求，分類(lèi)結(jié)果也很合理。

但是在實(shí)際應(yīng)用過(guò)程中，我們發(fā)現(xiàn)，當(dāng)對(duì)于訓(xùn)練數(shù)據(jù)的數(shù)據(jù)特征十分明顯的時(shí)候，本文設(shè)計(jì)的網(wǎng)絡(luò)模型可以對(duì)訓(xùn)練的數(shù)據(jù)進(jìn)行合理有效的分類(lèi)，但是，當(dāng)訓(xùn)練數(shù)據(jù)的特征不太明顯區(qū)分的時(shí)候，本文設(shè)計(jì)的訓(xùn)練模型的分類(lèi)效果就不是太有優(yōu)勢(shì)，所得到的分類(lèi)結(jié)果就不能達(dá)到我們預(yù)期的效果。

我們利用競(jìng)爭(zhēng)型神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)樣本進(jìn)行分類(lèi)，其中參數(shù)設(shè)置為學(xué)習(xí)效率0.1，網(wǎng)絡(luò)競(jìng)爭(zhēng)層有4個(gè)神經(jīng)元，運(yùn)用Matlab編程實(shí)現(xiàn)，發(fā)現(xiàn)結(jié)果如下：

例子：我們利用本文設(shè)計(jì)的網(wǎng)絡(luò)分類(lèi)模型進(jìn)行對(duì)數(shù)據(jù)分類(lèi)處理：進(jìn)行分類(lèi)處理數(shù)據(jù)的樣本數(shù)據(jù)如下所示：

通過(guò)運(yùn)行學(xué)習(xí)發(fā)現(xiàn)訓(xùn)練誤差較大，分類(lèi)結(jié)果也達(dá)不到要求。

2改進(jìn)的方法

2.1問(wèn)題分析

通過(guò)比較分析我們發(fā)現(xiàn)，上面的數(shù)據(jù)樣本沒(méi)有明顯的分類(lèi)特征，所以，以競(jìng)爭(zhēng)型神經(jīng)網(wǎng)絡(luò)進(jìn)行分類(lèi)，其輸入向量?jī)H僅依靠數(shù)據(jù)本身的固有的特征時(shí)不夠的，但我們可以把數(shù)據(jù)樣本看作是二維數(shù)據(jù)，假設(shè)同符號(hào)的特征值為1，不同符號(hào)的特征值為2，于是一個(gè)新的訓(xùn)練樣本就確定了，即成為三維數(shù)據(jù)模型。

2.2改進(jìn)的算法

第一步：給定數(shù)據(jù)集X=[X1，X2……，Xi），對(duì)網(wǎng)絡(luò)進(jìn)行初始化，隨機(jī)給定網(wǎng)絡(luò)競(jìng)爭(zhēng)層與輸入層間的初始權(quán)向量wj（=wj[w1j w2j…wnj]；j=1，2，…，m xp；wijE（0，1））；給定輸出層與競(jìng)爭(zhēng)層間的連接權(quán)值wjo=1/m，o=1，2，…P （P表示第二隱層和輸出層的連接權(quán)矢量）。

第二步：創(chuàng)建競(jìng)爭(zhēng)型神經(jīng)網(wǎng)絡(luò)，首先根據(jù)給定的問(wèn)題確定訓(xùn)練樣本的輸入向量，當(dāng)學(xué)習(xí)模式樣本本身雜亂無(wú)章，沒(méi)有明顯的分類(lèi)特征，網(wǎng)絡(luò)對(duì)輸入模式的響應(yīng)呈現(xiàn)震蕩的現(xiàn)象，不足以區(qū)分各類(lèi)模式時(shí)，在創(chuàng)建網(wǎng)絡(luò)之前，提取訓(xùn)練樣本的特征值，設(shè)置輸入樣本的特征向量，然后再創(chuàng)建網(wǎng)絡(luò)模型，并根據(jù)模式分類(lèi)數(shù)確定神經(jīng)元的數(shù)目，最后任取一輸入模式Ak。

第三步：計(jì)算競(jìng)爭(zhēng)層各神經(jīng)元的輸入值si：

第四步：對(duì)本文建立的網(wǎng)絡(luò)進(jìn)行訓(xùn)練學(xué)習(xí)，網(wǎng)絡(luò)訓(xùn)練最大次數(shù)的初始值設(shè)置為230，當(dāng)訓(xùn)練誤差大于預(yù)期的設(shè)定值的時(shí)候，可以嘗試增加訓(xùn)練的最大次數(shù)，按“勝者為王”（Winner Takes All）原則，將訓(xùn)練網(wǎng)絡(luò)中獲得最接近預(yù)期值的神經(jīng)元作為勝者，輸出狀態(tài)設(shè)置為1，沒(méi)有獲勝的神經(jīng)元的輸出狀態(tài)設(shè)置為0。如果有兩個(gè)以上神經(jīng)元的sj相同，取左邊的為獲勝單元。

第五步：獲勝神經(jīng)元連接權(quán)修正如下：

第六步：另選一學(xué)習(xí)模式，返回步驟3，直至所有學(xué)習(xí)模式提供一遍。

第七步：如果不滿(mǎn)足要求，則返回到最初的訓(xùn)練狀態(tài)，反復(fù)訓(xùn)練直至訓(xùn)練網(wǎng)絡(luò)中神經(jīng)元獲得最接近預(yù)期值，最終的訓(xùn)練結(jié)束。

第八步：根據(jù)測(cè)試樣本利用Matlab編寫(xiě)程序進(jìn)行仿真實(shí)驗(yàn)。

通過(guò)實(shí)例訓(xùn)練，我們發(fā)現(xiàn)本算法和改進(jìn)前的算法相比，改進(jìn)后的算法訓(xùn)練誤差卻大大降低，已經(jīng)達(dá)到了訓(xùn)練的精度要求，同時(shí)也很好地實(shí)現(xiàn)了分類(lèi)要求。

神經(jīng)網(wǎng)絡(luò)算法范文第4篇

中圖分類(lèi)號(hào):TN919-34; TP274 文獻(xiàn)標(biāo)識(shí)碼:A

文章編號(hào):1004-373X(2010)18-0121-03

Research on Incremental PID Algorithm and Simulation Based on Neural Network

WANG Jun-qin

(Department of Mechanical and Electronic Engineering, Xi’an University of Arts and Science, Xi’an 710065, China)

Abstract: To resolve the shortages of traditional PID controller which is not strong enough to control the time-varying system, an incremental PID controller based on neural network is designed to realize the online self-tuning of PID parameters in combination with the neural network theory and traditional PID control theory. The result of experiment simulation shows that the controller has better adaptability than the traditional PID controller and can obtain the satisfactory control effect. Keywords: neural network; PID; Matlab; online self-tuning

傳統(tǒng)的PID 控制器算法簡(jiǎn)單,結(jié)構(gòu)上易于實(shí)現(xiàn),被廣泛應(yīng)用在工業(yè)過(guò)程控制領(lǐng)域[1],但是在實(shí)際應(yīng)用中往往具有非線性、時(shí)變不確定性,導(dǎo)致PID控制參數(shù)難以整定以達(dá)到最佳控制要求。BP神經(jīng)網(wǎng)絡(luò)具有較好的在線檢測(cè)能力[2],將PID控制和BP神經(jīng)網(wǎng)絡(luò)相結(jié)合通過(guò)加權(quán)系數(shù)調(diào)整,可以實(shí)現(xiàn)PID參數(shù)的自學(xué)習(xí)過(guò)程[3],從而達(dá)到滿(mǎn)意的控制效果[4]。

1 基于神經(jīng)網(wǎng)絡(luò)的PID控制

PID控制要取得好的控制效果,就必須通過(guò)調(diào)整好比例、積分和微分三種控制作用的關(guān)系,這種關(guān)系不一定是簡(jiǎn)單的“線性組合”,而是從變化無(wú)窮的非線性組合中找出最佳的關(guān)系。BP神經(jīng)網(wǎng)絡(luò)具有逼近任意非線性函數(shù)的能力,而且結(jié)構(gòu)和學(xué)習(xí)算法簡(jiǎn)單明確。通過(guò)網(wǎng)絡(luò)自身的學(xué)習(xí),可以找到某一最優(yōu)控制規(guī)律下的PID參數(shù)[4]。

1.1 常規(guī)PID控制器

傳統(tǒng)的PID控制器算式如下:

PID控制器的輸入/輸出關(guān)系式為:

u(t)=KPe(t)+1TI∫t0e(t)dt+TDde(t)/dt

式中:u(t)為控制器的輸出;e(t)為誤差信號(hào); KP為比例系數(shù);TI為積分時(shí)間常數(shù);TD為微分時(shí)間常數(shù)。

假設(shè)采樣周期為T(mén)S,系統(tǒng)開(kāi)始運(yùn)行的時(shí)刻為t=0,用矩形積分來(lái)近似精確積分,用差分近似精確微分,將上式離散化,第kТ尾裳時(shí)控制器的輸出為[5]:

u(k)=KPe(k)+KI∑nj=1e(j)+KD[e(k)-e(k-1)]

式中:e(k-1)為第k-1次采樣時(shí)的誤差值;KI為積分系數(shù);KD為微分系數(shù)。

1.2 單神經(jīng)元的結(jié)構(gòu)[6]

圖1中輸入層有n個(gè)神經(jīng)元節(jié)點(diǎn),這些節(jié)點(diǎn)只負(fù)責(zé)引入外部信息,自身無(wú)信息處理能力,每個(gè)節(jié)點(diǎn)接收┮桓霆輸入信號(hào),n個(gè)輸入信號(hào)構(gòu)成輸入列向量X。輸出層有m個(gè)神經(jīng)元節(jié)點(diǎn),每個(gè)節(jié)點(diǎn)均具有信息處理能力,m個(gè)節(jié)點(diǎn)向外部處理信息。構(gòu)成輸出列向量O。兩層之間的連接權(quán)值用權(quán)值列向量Wj表示,m個(gè)權(quán)向量構(gòu)成單神經(jīng)元的權(quán)值矩陣W。3個(gè)列向量分別表示為:

O=(o1,o2,…,oi,…,om)T,X=(x1,x2,…,xi,…,xn)T

Wj=(w1j,w2j,…,wij,…,wnj)T,j=1,2,…,m

由神經(jīng)元數(shù)學(xué)模型知,對(duì)于處理層中任一節(jié)點(diǎn),其凈輸入netj為來(lái)自輸入層各節(jié)點(diǎn)的輸入加權(quán)和:

netj=∑ni=1wijxi

1.3 神經(jīng)網(wǎng)絡(luò)PID控制器

在此提出一種單神經(jīng)元的增量PID控制方案,采用圖2所示3輸入單輸出神經(jīng)元增量式PID閉環(huán)控制結(jié)構(gòu)[7]。

圖1 單神經(jīng)元拓?fù)浣Y(jié)構(gòu)

圖2 單神經(jīng)元PID控制系統(tǒng)結(jié)構(gòu)圖

轉(zhuǎn)換器的輸入是給定值Yr(t) 和輸出Y(t) ,轉(zhuǎn)換器的輸出X1(k),X2(k),X3(k)是神經(jīng)元學(xué)習(xí)所需的3個(gè)參量。3輸入單輸出神經(jīng)元增量式PID控制器的輸入輸出之間滿(mǎn)足如下關(guān)系[8-9]:

X1(k)=Yr(k)-Y(k)=E(k), X2(k)=

E(k)-E(k-1)=ΔE(k),

X3(k)=[E(k)-E(k-1)]-[E(k-1)-E(k-2)]

=E(k)-2E(k-1)+E(k-2),

U(k)=U(k-1)+∑3i=1Wi(k)*Xi(k)

式中:Wi(k) 是對(duì)應(yīng)于Xi(k) 的加權(quán)系數(shù)。單神經(jīng)元PID控制器正是通過(guò)對(duì)加權(quán)系數(shù)的調(diào)整來(lái)實(shí)現(xiàn)自適應(yīng)、自學(xué)習(xí)功能的。

采用有教師監(jiān)督的法則δ學(xué)習(xí)規(guī)則[8],并且比例(P),積分(I),微分(D)分別采用不同的學(xué)習(xí)速率ηP,ηI,ηD,Ъ尤ㄏ凳學(xué)習(xí)算法如下:

W1(k+1)=W1(k)+ηPE(k)E(k),

W2(k+1)=W2(k)-ηIE(k)∑ki=0E(i),

W3(k+1)=W3(k)+ηDE(k)ΔE(k)

將加權(quán)系數(shù)代入增量式PID控制器的控制規(guī)律,則有:

U(k)=U(k-1)+W1(k)•

X2(k)+TW2(k)*X1(k)+W3(k)T*X3(k)

式中:T是采樣周期。

從上式可得:

ΔU(k)=KPX1(k)+KIX2(k)+KDX3(k)

對(duì)照以上兩式可看出,PID控制器的3個(gè)參數(shù)實(shí)現(xiàn)了在線自整定。

1.4 神經(jīng)網(wǎng)絡(luò)PID控制器的控制算法[10]

(1) 確定BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),即確定輸入節(jié)點(diǎn)數(shù)和隱含層節(jié)點(diǎn)數(shù),并給出權(quán)系數(shù)初值,選定學(xué)習(xí)速率和慣性系數(shù),此時(shí)k=1;

(2) 采樣得到r(k)和y(k),計(jì)算誤差為e(k)=r(k)-y(k);

(3) 計(jì)算各神經(jīng)網(wǎng)絡(luò)的輸入/輸出,其輸出層的輸出即為PID控制器的3個(gè)控制參數(shù)KP,KI,KD;

(4) 計(jì)算PID控制器的輸出;

(5) 進(jìn)行神經(jīng)網(wǎng)絡(luò)學(xué)習(xí),在線調(diào)整加權(quán)系數(shù),實(shí)現(xiàn)PID控制參數(shù)的自適應(yīng)調(diào)整;

(6) 令k=k+1,返回步驟(1)。

2 神經(jīng)網(wǎng)絡(luò)Matlab仿真

對(duì)于被控對(duì)象:

G(s)=35s(0.2s+1)(0.01s+1)(0.005s+1)

輸入信號(hào)為階躍信號(hào),控制系統(tǒng)經(jīng)傳統(tǒng)方法整定的PID參數(shù)KP=3,KI=10,KD=0.2。系統(tǒng)輸出見(jiàn)圖3。

圖3 PID控制輸出曲線

利用神經(jīng)網(wǎng)絡(luò)增量PID方法選取比例、積分、微分項(xiàng)的初始系數(shù)值為W1=W2=W3=1,學(xué)習(xí)速率ηP=0.01,ηI=1,ηD=0.001,通過(guò)編寫(xiě)具有自學(xué)習(xí)自適應(yīng)能力的軟件程序所得輸出曲線如圖4所示。

圖4 神經(jīng)網(wǎng)絡(luò)PID控制輸出曲線

PID 三參數(shù)在線整定曲線如圖5所示。比較可得后一種方法所得曲線有較好的控制品質(zhì)。

圖5 PID 三參數(shù)在線整定曲線

3 結(jié) 語(yǔ)

理論分析和仿真結(jié)果表明,通過(guò)研究所提出的神經(jīng)網(wǎng)絡(luò)增量PID控制器控制精度高,較傳統(tǒng)的PID控制具有更好的控制品質(zhì)。

參考文獻(xiàn)

[1]劉金琨.先進(jìn)PID控制及Matlab仿真[M].北京:電子工業(yè)出版社,2003.

[2]韓豫萍,孫濤,盛新.基于BP神經(jīng)網(wǎng)絡(luò)的PID控制及仿真[J].可編程控制器與工廠自動(dòng)化,2007(12):91-93.

[3]謝英.基于BP神經(jīng)網(wǎng)絡(luò)的PID控制器及其Matlab仿真[J].中國(guó)新技術(shù)新產(chǎn)品,2009(10):13-15.

[4]馬玲玲,鄭賓,馬圓圓.基于神經(jīng)網(wǎng)絡(luò)PID智能復(fù)合控制方法研究[J].計(jì)量與測(cè)試技術(shù),2009,36(3):17-19.

[5]張科,靖固.利用FPGA的增量式PID控制的研究[J].現(xiàn)代制造工程,2009(3):112-114.

[6]韓力群.智能控制理論及應(yīng)用[M].北京:機(jī)械工業(yè)出版社,2007.

[7]祝軒,侯榆青,彭進(jìn)業(yè),等.基于單神經(jīng)元PID控制器的閉環(huán)控制系統(tǒng)[J].西北大學(xué)學(xué)報(bào):自然科學(xué)版,2004,34(4):413-417.

[8]馮勇.現(xiàn)代計(jì)算機(jī)控制系統(tǒng)[M].哈爾濱:哈爾濱工業(yè)大學(xué)出版社,1996.

神經(jīng)網(wǎng)絡(luò)算法范文第5篇

【關(guān)鍵詞】神經(jīng)網(wǎng)絡(luò)；配電網(wǎng)；線損

一、引言

線損是電能在傳輸過(guò)程中各個(gè)環(huán)節(jié)的損失，是供電量和售電量之間的差值。在電能的傳輸過(guò)程中造成部分電能的浪費(fèi)，因此研究人員在不斷的探究新的降低線損的方法。將BP神經(jīng)網(wǎng)絡(luò)算法應(yīng)用到配電網(wǎng)的綜合降損中，為配電網(wǎng)降損研究做出了貢獻(xiàn)。

二、BP神經(jīng)網(wǎng)絡(luò)算法

BP神經(jīng)網(wǎng)絡(luò)包括輸入層、隱含層和輸出層，按照誤差逆向傳播的方式訓(xùn)練多層前饋網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程是信息的前向傳播和信息誤差的反向傳播兩項(xiàng)內(nèi)容。在信息前向傳播的過(guò)程中輸入層傳播到隱含層，信息由隱含層處理后再傳播到輸出層，這是信息逐層更新的過(guò)程。

BP神經(jīng)網(wǎng)絡(luò)算法是通過(guò)調(diào)整權(quán)重來(lái)實(shí)現(xiàn)使網(wǎng)絡(luò)輸出值逼近期望值的目的，BP神經(jīng)網(wǎng)絡(luò)算法學(xué)習(xí)過(guò)程為：1.將各權(quán)重值和閥值設(shè)為最小正數(shù)；給定網(wǎng)絡(luò)一組輸入向量和目標(biāo)輸出向量；2.根據(jù)輸入向量計(jì)算實(shí)際輸出向量，即，將此輸出值送到下一層作為輸入；3.權(quán)重的調(diào)整是通過(guò)權(quán)重調(diào)整公式來(lái)實(shí)現(xiàn)；式中為增益相，為輸出誤差。在應(yīng)用BP神經(jīng)網(wǎng)絡(luò)解決問(wèn)題前，除了了解它的學(xué)習(xí)過(guò)程外，還需要對(duì)其進(jìn)行訓(xùn)練，步驟如下：

1.對(duì)相應(yīng)的數(shù)據(jù)進(jìn)行初始化：期望誤差最小值：err_goal；最大循環(huán)次數(shù)：max_epoch；權(quán)值修正學(xué)習(xí)速率：lr，取0.01-0.6

2.完成一個(gè)訓(xùn)練樣本的學(xué)習(xí)后，將下一個(gè)學(xué)習(xí)樣本提供給網(wǎng)絡(luò)，以此類(lèi)推完成全部的樣本訓(xùn)練。

3.從學(xué)習(xí)樣本中選取一組輸入和目標(biāo)樣本數(shù)據(jù)，然后再計(jì)算輸出向量，網(wǎng)絡(luò)全局誤差小于設(shè)定期望誤差為止，訓(xùn)練結(jié)束。

三、配電網(wǎng)綜合降損

將BP神經(jīng)網(wǎng)絡(luò)算法應(yīng)用到配電網(wǎng)的綜合降損中。以某地區(qū)一條10KV配電線路為例說(shuō)明，此配電線路的拓?fù)浣Y(jié)構(gòu)如圖1所示，標(biāo)號(hào)1-13為負(fù)荷母線，Sl-S12為母線之間的聯(lián)絡(luò)開(kāi)關(guān)，兩座變電站由A、B表示。選取l號(hào)負(fù)荷母線2013年12月前十天的負(fù)荷數(shù)據(jù)為訓(xùn)練數(shù)據(jù)，數(shù)據(jù)如表1所示。

表1 1號(hào)負(fù)荷母線12月前十天負(fù)荷數(shù)據(jù)

（一）負(fù)荷預(yù)測(cè)

采用BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)負(fù)荷預(yù)測(cè)的過(guò)程為：以當(dāng)天負(fù)荷段對(duì)應(yīng)的負(fù)荷點(diǎn)12個(gè)分量的數(shù)據(jù)為配電網(wǎng)的輸入向量，且輸出向量同樣為第二天12個(gè)分量的負(fù)荷數(shù)據(jù)，這樣就實(shí)現(xiàn)了為下一天負(fù)荷的預(yù)測(cè)。

用1號(hào)到9號(hào)的數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)訓(xùn)練，訓(xùn)練函數(shù)設(shè)置為：net.trainParam.epochs=500；%訓(xùn)練次數(shù)設(shè)為500次；net.trainParam.goal=0.001；%訓(xùn)練目標(biāo)設(shè)為0.001；L.P.lr=0.05；%學(xué)習(xí)速率設(shè)為0.05；Net=train（net，P，T）；%P為輸入向量，1到5號(hào)的負(fù)荷數(shù)據(jù)；%T為輸出向量，6到10號(hào)的負(fù)荷數(shù)據(jù)。訓(xùn)練結(jié)果為：TRAINLM，Epoch0/500，MSE3.7989/0.001，Gradient1081.63/1e-010 TRAINLM，Epoch5/500，MSE0.000463846/0.001，Gradient7.38793/1e-010 TRAINLM，Performance goal met.

由此可見(jiàn)通過(guò)訓(xùn)練之后，預(yù)測(cè)數(shù)據(jù)和實(shí)測(cè)數(shù)據(jù)誤差為0.001，且基本無(wú)偏差，可很好的滿(mǎn)足實(shí)際應(yīng)用需求

圖2某地區(qū)10KV配電網(wǎng)線路

（二）配網(wǎng)重構(gòu)

根據(jù)負(fù)荷等級(jí)將圖1配電網(wǎng)線路中的13條母線分為7類(lèi)，則有713種負(fù)荷模式，從713種負(fù)荷模式中選取4000個(gè)，以其中3000個(gè)數(shù)據(jù)作為訓(xùn)練集合，應(yīng)用BP神經(jīng)網(wǎng)絡(luò)算法對(duì)配電網(wǎng)進(jìn)行學(xué)習(xí)訓(xùn)練，另外1000個(gè)數(shù)據(jù)為測(cè)試集合，經(jīng)過(guò)46次訓(xùn)練后可達(dá)到誤差要求，訓(xùn)練結(jié)果為：

TRAINBFG-srchbac.Epoch0/500，MSE21.616/0.02，Gradient236.65/1e-006

TRAINBFG-srchbac.Epoch25/500，MSE0.026354/0.02，Gradient0.150609/1e-006

TRAINBFG-srchbac.Epoch46/500，MSE0.0199597/0.02，Gradient0.0677733/1e-006

TRAINBFG， Performance goal met.

以13條母線的某一時(shí)刻負(fù)荷的實(shí)測(cè)數(shù)據(jù)為依據(jù)，通過(guò)負(fù)荷預(yù)測(cè)網(wǎng)絡(luò)的預(yù)測(cè)得到下一時(shí)刻的負(fù)荷預(yù)測(cè)數(shù)據(jù)，并通過(guò)配電網(wǎng)重構(gòu)在預(yù)測(cè)時(shí)刻采用將圖1中開(kāi)關(guān)S6斷開(kāi)的模式運(yùn)行則配電網(wǎng)線損為586.21kW，若采用將開(kāi)關(guān)S7斷開(kāi)的模式運(yùn)行則線損為628.18kW，可見(jiàn)通過(guò)配電網(wǎng)重構(gòu)后線損降低了41.97kW，降低了約6.7%，提高了配電網(wǎng)的輸電效率。

四、結(jié)論

通過(guò)對(duì)BP神經(jīng)網(wǎng)絡(luò)算法的簡(jiǎn)單介紹和學(xué)習(xí)、訓(xùn)練過(guò)程的分析，將BP神經(jīng)網(wǎng)絡(luò)算法應(yīng)用到配電網(wǎng)的綜合降損中，分別從負(fù)荷預(yù)測(cè)、配網(wǎng)重構(gòu)兩個(gè)方面說(shuō)明了BP神經(jīng)網(wǎng)絡(luò)算法在配電網(wǎng)綜合降損可取的較為良好的降損效果。

參考文獻(xiàn)：

[1]顧勇.農(nóng)村10kV電網(wǎng)節(jié)能降損技術(shù)措施分析[J].電源技術(shù)應(yīng)用2012 （11）.

[2]趙傳輝.基于神經(jīng)網(wǎng)絡(luò)的配電網(wǎng)綜合節(jié)能降損技術(shù)[D].濟(jì)南：山東大學(xué)，2011.

作者簡(jiǎn)介：