時間：2022-04-11 05:13:59
導語：在神經(jīng)網(wǎng)絡(luò)原理的撰寫旅程中，學習并吸收他人佳作的精髓是一條寶貴的路徑，好期刊匯集了九篇優(yōu)秀范文，愿這些內(nèi)容能夠啟發(fā)您的創(chuàng)作靈感，引領(lǐng)您探索更多的創(chuàng)作可能。
關(guān)鍵詞：圖像處理；邊緣檢測；離散過程神經(jīng)網(wǎng)絡(luò)；混沌遺傳算法；砂體識別和追蹤
中圖分類號：TP183文獻標識碼：A
Abstract：In view of the edge detection problems in image processing， this paper proposed a detection model and algorithm based on the combination of discrete process neural network （DPNN） and chaotic genetic algorithm（CGA） . Inputting DNPP can be the data matrix， which can realize the goal of inputting as well as processing the twodimensional image correlation gridding information integrally. Putting image grey value as DPNN processing data collection and using the technology principle of Sobel operator detection as well as the recognition ability of DPNN， it can reach the goal that the image border line can identify and track automatically. Taking the identification and tracking of the sand body in the oil field seismic data for example， the results show the DNPP algorithm based on the chaos genetic search is effective in detecting model and algorithm.
Key words：image processing；edge detection；discrete process neural networks；chaos genetic algorithm；sand body tracking and identification
1引言
近年來，隨著智能信息處理技術(shù)的快速發(fā)展和應用范圍的不斷擴大，面向圖像處理技術(shù)領(lǐng)域，已有多種智能算法得到有效應用，例如，人工神經(jīng)網(wǎng)絡(luò)[1，2]、遺傳算法[3]、蟻群算法[4]、粒子群算法[5]等，為圖像數(shù)據(jù)中邊緣檢測方法和技術(shù)的創(chuàng)新提供了新的理論和算法基礎(chǔ)。離散過程神經(jīng)元網(wǎng)絡(luò)[6]（Discrete Process Neural Network，DPNN）是近幾年提出的一種新型動態(tài)神經(jīng)網(wǎng)絡(luò)模型，其輸入可直接為數(shù)據(jù)矩陣，即能實現(xiàn)二維圖像網(wǎng)格數(shù)據(jù)的整體輸入。在實際應用中，將圖像區(qū)域進行適當?shù)木W(wǎng)格劃分，以圖像網(wǎng)格灰度值作為DPNN處理數(shù)據(jù)集合。根據(jù)Sobel算子[7]檢測的技術(shù)原理和DPNN模型構(gòu)建數(shù)據(jù)結(jié)構(gòu)，利用DPNN的信息處理機制，自適應實現(xiàn)圖像區(qū)域中邊界線的自動辨識和追蹤。
將基于DPNN的圖像邊緣檢測算法應用于油田地質(zhì)研究中，在進行地震數(shù)據(jù)體砂體識別和追蹤時，以相鄰兩井地震數(shù)據(jù)體二維切片為圖像區(qū)域，以連井剖面地震數(shù)據(jù)體切片分塊網(wǎng)格的灰度圖像值作為DPNN處理數(shù)據(jù)集合，引入Sobel算子，將算子在X方向和Y方向上相鄰的3×3分塊圖像灰度值進行整體輸入，以保證輸入圖像信息的結(jié)構(gòu)性和完整性。同時，利用混沌遺傳算法（Chaos genetic algorithm，CGA）的全局優(yōu)化能力，對DPNN的權(quán)值矩陣進行優(yōu)化求解，建立基于DPNN和CGA相結(jié)合的邊緣檢測算法，在機制上對砂體識別和邊緣界線展布追蹤具有較好的適應性。
2離散過程神經(jīng)網(wǎng)絡(luò)基本模型
離散過程神經(jīng)網(wǎng)絡(luò)的輸入/輸出、連接權(quán)等均可以為離散時間序列或矩陣，其信息處理過程包括離散時間數(shù)據(jù)加權(quán)輸入、時空聚合運算及模式類別輸出等運算。將DPNN用于圖像邊緣點的檢測，考慮含一個離散過程神經(jīng)元隱層、線性單輸出的系統(tǒng)，網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計為n-m-1，即輸入層有n個節(jié)點，隱層包含m個節(jié)點，1個非時變神經(jīng)元輸出節(jié)點，如圖1所示。
3用于邊緣檢測的DPNN模型構(gòu)建
在圖像區(qū)域中，以像素的N×N網(wǎng)格分塊鄰域中像素的行向量作為DPNN的特征輸入向量，即將N維行向量作為DPNN一個輸入節(jié)點的輸入向量，這樣，DPNN的輸入層共有N個節(jié)點，一次輸入即可實現(xiàn)N×N階網(wǎng)格圖像信息的完整輸入，避免了循環(huán)輸入和預處理過程，可較大提高網(wǎng)格信息的關(guān)聯(lián)和結(jié)構(gòu)完整性。
用于邊緣點檢測的DPNN模型采用三層結(jié)構(gòu)：輸入層包含N個節(jié)點，隱層包含2N個離散過程神經(jīng)元節(jié)點，輸出層為1個非時變神經(jīng)元，網(wǎng)絡(luò)輸出為N×N鄰域中心像素處理后的灰度值，該像素值的輸出決定是否為邊緣點或非邊緣點。對應于Sobel檢測算子，網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示：
在訓練算法設(shè)計中，DPNN權(quán)值矩陣W分塊以Sobel算子模板系數(shù)作為初始權(quán)值，利用Sobel算子的邊緣檢測機制，通過優(yōu)化調(diào)整，建立起基于DPNN的邊緣檢測模型和算法。
4基于CGA的DPNN求解算法
混沌狀態(tài)是自然界中存在的一種隨機現(xiàn)象，在看似雜亂的運動中隱含著概率選擇、狀態(tài)遍歷和系統(tǒng)內(nèi)在運動規(guī)律等性質(zhì)。混沌搜索是將混沌性質(zhì)引人到求解算法的控制規(guī)則中，通過對變量施加混沌擾動，使其按系統(tǒng)內(nèi)在規(guī)律，在可行解空間不重復地搜索到所有狀態(tài)[8]。
混沌遺傳算法[9]是將混沌變量的運動性質(zhì)和GA的遺傳操作相結(jié)合，對參數(shù)進行染色體編碼。根據(jù)遺傳算法的進化機制，進行選擇、交叉、變異等操作，通過在可行解空間的迭代尋優(yōu)，最后收斂到最優(yōu)解。
CGA具體求解步驟：
Step1 初始化：將DPNN中的待求解參數(shù)整合為一條染色體，每個參數(shù)占有一個基因位，采用十進制對參數(shù)進行編碼；
Step2 定義適應度函數(shù)：根據(jù)DPNN訓練目標，適應度定義為網(wǎng)絡(luò)誤差函數(shù)（2）的倒數(shù)；
Step3 選擇操作：確定種群規(guī)模和初始種群G，以及適應度函數(shù)F；在G中，采用轉(zhuǎn)輪規(guī)則選擇染色體，染色體被選擇的概率正比于其適應度值；
Step4 被選擇的染色體混沌交叉操作：W′1=λW1+（1-λ）W2，W′2=λW2+（1-λ）W1；λi∈（-1，1）。
Step5 染色體混沌變異操作：設(shè)變異基因wi，變異后為w'i=wi+β（wUi-wi）或w'i=wi+β（wi-wLi）。其中wUi和wLi為wi上下界，β∈（-1，1）為混沌變量。
Step6 進行全局最優(yōu)解更新；
Step7若滿足終止條件，保存最優(yōu)解停機；否則，返回步Step3。
5實際資料處理和分析
地震-測井信息結(jié)合的油藏綜合評價是油田開發(fā)重要的基礎(chǔ)性工作[10，11]。在基于地震數(shù)據(jù)體并結(jié)合測井信息的砂體識別和追蹤中，首先將聲波速度場的地震資料通過區(qū)域時深對比關(guān)系轉(zhuǎn)換到深度域，經(jīng)過層位校正，使井筒剖面上測井解釋層位與地震層位對齊。然后，在相鄰兩口井確定的地震數(shù)據(jù)體二維切片圖像上，根據(jù)測井砂體小層解釋結(jié)果形成井剖面縱向分層數(shù)據(jù)。從某一測井砂體小層出發(fā)，采用圖像區(qū)域沿層位方向遍歷掃描檢測策略，進行邊界點的辨識，實現(xiàn)對砂體連通關(guān)系的追蹤，以及對砂體尖滅、缺失等地質(zhì)現(xiàn)象的判別。在實際資料處理中，選擇某油田區(qū)塊的地震、測井資料進行綜合處理，依據(jù)圖像區(qū)域大小和測井解釋各小層砂體厚度分布情況，將相鄰兩井地震數(shù)據(jù)體二維切片圖像劃分成240×720矩形網(wǎng)格，圖2所示的DPNN的結(jié)構(gòu)確定為（3×3）-18-1，CGA算法的種群規(guī)模確定為20。采用37個已有精確層位解釋的地震、測井數(shù)據(jù)樣本對DPNN與CGA相結(jié)合的圖像檢測模型進行訓練，完成建立檢測模型和算法。對包括4口測井資料的工區(qū)地震數(shù)據(jù)進行處理，砂體追蹤結(jié)果如圖3所示。
圖3中，對于厚層和地震層位信息清晰的砂體，井間砂體追蹤結(jié)果表明連通性較好；但對于同向軸扭曲、信噪比較低的砂體，出現(xiàn)地層尖滅或缺失的情況較多，這與該區(qū)塊油田的實際地質(zhì)情況相一致。
6結(jié)論
本文建立了一種基于離散過程神經(jīng)網(wǎng)絡(luò)的二維數(shù)字圖像邊緣檢測模型和算法。該模型可實現(xiàn)二維圖像網(wǎng)格數(shù)據(jù)的整體輸入，在機制上提高了輸入圖像信息的結(jié)構(gòu)關(guān)聯(lián)性和完整性。采用混沌遺傳算法進行DPNN和檢測算法參數(shù)的自適應優(yōu)化計算，可滿足針對不同實際應用問題建模時的靈活性和普遍適用性。文中建立的模型和算法也可應用于其他圖像處理領(lǐng)域，具有較為廣泛的實用性。
參考文獻
[1]DOKUR Z. A unified framework for image compression and segmentation by using an incremental neural network[J].Expert Systems with Applications，2008，34 （1）：611-619.
[2]LI Huaqing，LIAO Xiaofeng，LI Chuandong，et al.Edge detection of noisy images based on cellular neural networks[J].Communications in Nonlinear Science and Numerical Simulation，2011，16（9）： 3746-3759.
[3]CHANG J， LI B. Shock train leadingedge detection in an isolator using genetic algorithm[J]. Proceedings of the Institution of Mechanical Engineers， Part G： Journal of Aerospace Engineering，2012，226（11）：1424-1431.
[4]GUPTA C， GUPTA S. Edge detection of an image based on ant colony optimization technique[J/OL]. International Journal of Science and Research，2013，2（ 6） ：114-120.
[5]DUAN Hongyu，YANG Fengxia.Development of CMOS image sensor system based on chaos particle swarm[J].International Journal of Hybrid Information Technology，2013，6（6）：237-248.
[6]何新貴，許少華.過程神經(jīng)元網(wǎng)絡(luò)[M] 北京：科學出版社，2007
[7]SUN Jing. Image edge detection based on relative degree of grey incidence and sobel operator[J]. Lecture Notes in Computer Science， 2012：762-768.
[8]許少華，何新貴.一種基于混沌遺傳與粒子群混合優(yōu)化的過程神經(jīng)網(wǎng)絡(luò)訓練算法[J].控制與決策，2013，28（9）：1393-1398.
[9]WU Tiebin，CHENG Yun， ZHOU Taoyun，et al.Optim ization Control of PID Based on ChaosGenetic Algorithm [J]. Computer Simulation， 2009，26（5）：202-205.
1網(wǎng)絡(luò)經(jīng)濟對醫(yī)院審計帶來的積極影響
1.1有利于加快醫(yī)院審計信息化建設(shè)無論是什么性質(zhì)的企業(yè),信息化技術(shù)的優(yōu)先發(fā)展都會為企業(yè)帶來不可估量的利益,在醫(yī)院審計管理過程中同樣如此。醫(yī)院建設(shè)要發(fā)展壯大,就必須要引用信息化技術(shù),開闊信息化道路,引進先進技術(shù),加快醫(yī)院審計信息化速度。信息化審計管理有效的減少管理成本的投入,有助于信息資源有效融合,推動信息數(shù)據(jù)數(shù)字化管理,有可靠的數(shù)據(jù)庫作支撐,便于數(shù)據(jù)的管理與控制,有健全的信息維護系統(tǒng),保障信息數(shù)據(jù)不失真,可長久使用;信息化統(tǒng)計管理還減少了重復勞動率,操作簡單易懂,便于控制,縮短復雜查找數(shù)據(jù)所用時間,提高了信息數(shù)據(jù)利用率,進而是醫(yī)院管理變得更加有序化;此外,也為醫(yī)療設(shè)備的采購過程提供了便利條件,有選擇、有計劃的進行有效采購設(shè)備對于一個規(guī)模龐大的醫(yī)院來講是尤為重要的,設(shè)備的昂貴程度可想而知,設(shè)備的信息化的管理為醫(yī)院節(jié)省了不少開支,功效也是有目共睹的。
1.2有利于實現(xiàn)醫(yī)院審計目標,為醫(yī)院審計工作的科學管理提供依據(jù)醫(yī)院審計管理者可根據(jù)對醫(yī)療信息統(tǒng)計的數(shù)據(jù)掌握,判斷醫(yī)院的入院患者人數(shù)、出院人數(shù)、手術(shù)人數(shù)、轉(zhuǎn)院人數(shù)、病人死亡人數(shù)以及醫(yī)生在院人數(shù)等等,對整個醫(yī)院的活動進行合理管理和控制,做好醫(yī)院管理工作,更好的為病人服務(wù),進而實現(xiàn)醫(yī)院審計目標,提高審計領(lǐng)導者的正確決策效率。審計的精確性為領(lǐng)導做出的正確決策提供了最有利的依據(jù),確保醫(yī)院發(fā)展計劃可行,臨床科室設(shè)置科學合理,專業(yè)項目建設(shè)得到完善,進而提高醫(yī)院的社會經(jīng)濟效益。
1.3有利于提升醫(yī)院內(nèi)部審計質(zhì)量對于市醫(yī)院在財務(wù)審計管理中存在的弊端,要采取一定的措施進行有效解決,要有規(guī)范的操作流程,利用網(wǎng)絡(luò)經(jīng)濟管理有效的提升了醫(yī)院內(nèi)部審計的質(zhì)量。在其管理控制中,要對具體部門要有一定的監(jiān)督體系,確保醫(yī)院審計管理工作有效落實。出納是否做好現(xiàn)金出入明細賬,動用現(xiàn)金的正規(guī)手續(xù)能否都與現(xiàn)金的實時走賬相符,會計的核算與出納的現(xiàn)金賬目能否及時捋順,定期對醫(yī)院現(xiàn)金進行核算,最好是按每周或者是每月對醫(yī)院現(xiàn)金進行盤庫,這樣能及時掌控現(xiàn)金的動向,及時核對現(xiàn)金賬目與票據(jù)能否相符,這些都要在計算機網(wǎng)絡(luò)系統(tǒng)中有所顯示,便于日后對具體問題進行審計分析,有依據(jù)可循。
2網(wǎng)絡(luò)經(jīng)濟對醫(yī)院審計的管理策略
2.1運用計算機輔助審計方法
2.1.1對醫(yī)院日常會計信息的審計當前的醫(yī)院審計要求審計工作人員應對會計信息給予更多的分析,并利用計算機輔助審計來完成具體工作。在醫(yī)院內(nèi)部審計控制管理中,很多審計人員專業(yè)技能不夠,對醫(yī)院內(nèi)部審計工作知識了解較少,業(yè)務(wù)技能不熟練,不能專業(yè)的將醫(yī)院財務(wù)狀況反饋給管理層人員,因此,在醫(yī)院內(nèi)部控制管理中要加強審計人員對計算技術(shù)的運用,對審計人員進行專業(yè)技能培訓,定期對會計人員業(yè)務(wù)能力進行考察,深化審計人員運用計算機技術(shù)處理審計工作的能力。審計人員對計算機技術(shù)有了一定的掌握,使用高效的審計軟件,還能在很大程度上提高醫(yī)院審計效率,節(jié)省審計時間,簡化繁瑣的審計流程;其次,也可以借助會計電算化自帶的一些功能來完成審計工作。如審計人員可以利用會計電算化中的查詢過濾功能,將某些明細賬反映的醫(yī)療服務(wù)金額在指定數(shù)額以上的全部記錄顯示出來,借此來進行分析性復核;再次,使用辦公自動化軟件來輔助審計工作。如可借助EXCEL表格對材料成本差異核算進行復核。
2.1.2計算機輔助審計信息管理與傳遞利用網(wǎng)絡(luò)信息平臺,實現(xiàn)資源共享,提高審計數(shù)據(jù)真實效率。過去我們往往都是通過紙質(zhì)載體形式將病例及信息資料傳送到患者以及義務(wù)人員手中,在很大程度上增加了醫(yī)院的成本費用,還浪費人力,在網(wǎng)絡(luò)信息平臺開通后,醫(yī)務(wù)人員間可以通過網(wǎng)絡(luò)進行資源共享,完成信息交流工作,也可以將病史資料以電子形式傳送到病人手中,大大節(jié)省了時間和金錢,提高工作效率。
2.1.3對醫(yī)院審計管理要具有一定的針對性所謂針對性就是要抓住事物的重點,審計的重點在于一個好的技巧,當然一個好的技巧正是這些專業(yè)的統(tǒng)計分析者通過自己的專業(yè)知識、敏銳的洞察力及自身的綜合素質(zhì)才能總結(jié)出來的。審計的技巧要充分體現(xiàn)出當前的國家經(jīng)濟政策、市場動向、社會主義公有制經(jīng)濟的本質(zhì)出發(fā)點、國家關(guān)于經(jīng)濟方面的法律法規(guī)新動向以上是大的方向,對于醫(yī)院管理中的審計分析來說,要反映出醫(yī)院領(lǐng)導者最為關(guān)注的問題。
2.2使用高效的醫(yī)院審計軟件隨著網(wǎng)絡(luò)信息時代的到來,傳統(tǒng)的審計方法以不能滿足醫(yī)院管理審計分析的需要,對審計信息的統(tǒng)計分析也不只是單單的進行處理、對照就能滿足醫(yī)院管理的本質(zhì)要求。在當今社會隨著網(wǎng)絡(luò)的普遍應用,醫(yī)院審計工作作為一個新興審計分析工具逐漸的代替了人工審計方法,取代了費時費力的人工審計環(huán)節(jié)。它不僅增強了醫(yī)院管理的競爭力也大大的促進了社會的發(fā)展要求,所以加強管理中的信息網(wǎng)絡(luò)管理是很有必要的。是實現(xiàn)資源共享的有效途徑,也是醫(yī)院自身發(fā)展的必然需求。此外,審計人員使用高效的審計軟件,也能在很大程度上提高醫(yī)院審計效率,節(jié)省審計時間,簡化繁瑣的審計流程。
2.3建立醫(yī)院內(nèi)部審計信息系統(tǒng)建立醫(yī)院內(nèi)部審計信息系統(tǒng),就要以數(shù)據(jù)安全管理為原則。一個完備的數(shù)據(jù)安全管理保障體系應當有科學的安全管理原則,安全管理的基本原則主要包括:一是專人負責原則。即針對每一項與醫(yī)院審計數(shù)據(jù)信息安全有關(guān)的活動都必須有專門人員負責;二是職責分離原則。不同工作職責應當由不同人員負責,保障各機構(gòu)根據(jù)自身的特點制定一系列的審計管理規(guī)章制度,并對違反規(guī)定的采取懲戒措施等。三是數(shù)據(jù)庫系統(tǒng)。建立審計信息數(shù)據(jù)備份機制,應對安全領(lǐng)域突發(fā)事件,防止系統(tǒng)發(fā)生故障時文件的丟失。目前在許多軟件中可以將文件設(shè)置為“只讀”狀態(tài),在這種狀態(tài)下,用戶只能從計算機上讀取信息,而不能對其做任何修改,在計算機外存儲器中,只讀光盤(CD-ROM)只能供使用者讀出信息而不能追加或擦除信息,一次寫入式光盤(WORM)可供使用者一次寫入多次讀出,可以追加記錄但不能擦除原來的信息。這種不可逆式記錄介質(zhì)可以有效地防止用戶更改電子文件內(nèi)容,保持審計數(shù)據(jù)的原始性和真實性。此外,醫(yī)院內(nèi)部審計系統(tǒng)的有效管理,還要加強醫(yī)院審計人員以及每個工作人員的風險意識,樹立風險管理觀念,風險管理是審計數(shù)據(jù)真實有效管理不可分割的組成部分,樹立風險管理觀念,有助于喚起風險意識,有效地提示所有參與生成,管理和使用醫(yī)院網(wǎng)絡(luò)系統(tǒng)的人避免風險事故,承擔風險責任,逐步形成與審計管理規(guī)律相適應的管理觀念,同時建立風險管理體系,明確風險應對重點,有助于使審計數(shù)據(jù)得到全方位、安全、有效的保護。
2.4醫(yī)院會計電算化信息系統(tǒng)審計的管理做好醫(yī)院會計電算化信息管理審計網(wǎng)絡(luò)系統(tǒng)的安全隔離工作,在醫(yī)院審計數(shù)據(jù)與互聯(lián)網(wǎng)之間建立起一道信息安全屏障,安裝主流防火墻系統(tǒng),在這方面現(xiàn)在主要技術(shù)有防火墻技術(shù),這是一種訪問控制技術(shù),它是在某個機構(gòu)的網(wǎng)絡(luò)和外界風格之間設(shè)置障礙,阻止對本機構(gòu)信息資源的非法訪問,也可以阻止機要信息、專利信息從該機構(gòu)的網(wǎng)絡(luò)上非法輸出。防火墻好像是網(wǎng)絡(luò)上的一道關(guān)卡,它可以控制進、出兩個方向的通信。防火墻的安全保障能力僅限于網(wǎng)絡(luò)邊界,它通過網(wǎng)絡(luò)通信臨控系統(tǒng)監(jiān)測所有通過防火墻的數(shù)據(jù)流,凡符合事先制定的網(wǎng)絡(luò)安全規(guī)定的信息允許通過,不符合的就拒之墻外,使被保護網(wǎng)絡(luò)的信息和結(jié)構(gòu)不受侵犯,以保證網(wǎng)絡(luò)系統(tǒng)的安全,信息安全是一個動態(tài)的系統(tǒng)工程,各類組織機構(gòu)應按照文件信息安全的控制要求,對構(gòu)建的電子文件信息安全保障體系加強維護,加強運作力度,充分發(fā)揮體系本身的各項功能,同時,醫(yī)院審計管理信息安全保障體系的建立是一個目標疊加的過程,是在不斷發(fā)展變化的技術(shù)環(huán)境中進行的,因而也是一個動態(tài)的、閉環(huán)的風險管理過程。組織應及時發(fā)現(xiàn)體系策劃和執(zhí)行中存在的問題,找出問題根源采取糾正措施,實時加以調(diào)整和改進,以適應變化了的情況,達到進一步完善數(shù)據(jù)安全保障體系的目的。
［關(guān)鍵詞］多目標決策；BP神經(jīng)網(wǎng)絡(luò)；礦產(chǎn)資源；綜合開發(fā)利用評價
［中圖分類號］TK019 ［文獻標識碼］A ［文章編號］1005-6432（2011）15-0118-02
礦產(chǎn)資源綜合開發(fā)利用評價是一個典型的多目標決策問題，應用多目標決策的有關(guān)技術(shù)進行方案的排序選優(yōu)，能較好地解決多方案的優(yōu)化問題。關(guān)鳳峻根據(jù)給出的多個綜合開發(fā)利用方案，采用的層次評價方法，建立評價體系并采用理想點法進行排序，選出最優(yōu)方案。宋光興等人改進了理想點法中權(quán)重的確定方式，利用熵技術(shù)法確定礦產(chǎn)資源綜合開發(fā)利用的評價指標的權(quán)重，并得出了排序選優(yōu)的最終結(jié)果。李學全等人提出了一種灰色關(guān)聯(lián)度線性加權(quán)和方法，是解決礦產(chǎn)資源綜合開發(fā)利用評價問題的一個有益的嘗試。周科平提出了一種新的多屬性決策法，有效解決了主觀確定的權(quán)重不精確的缺點。陳林、曹樹剛采用博弈論分析框架中混合策略情況下應用最優(yōu)化方法，尋求混合策略Nash均衡的最優(yōu)化點，作為多指標決策問題的優(yōu)選方案。
礦產(chǎn)資源綜合開發(fā)利用評價中權(quán)重的確定是一個關(guān)鍵，采用BP人工神經(jīng)網(wǎng)絡(luò)技術(shù)構(gòu)建的非線性評價模型對礦產(chǎn)資源的綜合利用水平進行評價，可避免人為確定各指標的權(quán)重帶來的主觀性。本文試采用BP人工神經(jīng)網(wǎng)絡(luò)方法對礦產(chǎn)資源綜合開發(fā)利用各個方案做出評價，并把評價結(jié)果與其他方法作比較，以驗證方法的可靠性。
1 數(shù)據(jù)來源以及研究方法
1.1 數(shù)據(jù)來源
（1）數(shù)據(jù)來源于參考文獻三篇論文的舉例部分，某鐵金礦經(jīng)研究設(shè)計得出9個方案。
（2）將數(shù)據(jù)進行歸一化處理，將每一列的數(shù)字xi代入歸一化公式x*i=[SX（]ximaxxi′[SX）]
即每一指標數(shù)據(jù)除以各自指標中的最大值，將數(shù)據(jù)劃歸在［0，1］范圍之內(nèi)。
1.2 研究方法
BP人工神經(jīng)網(wǎng)絡(luò)簡介：人工神經(jīng)網(wǎng)絡(luò)是將大量簡單的神經(jīng)元廣泛連接而成，用以模擬人腦思維方式的復雜網(wǎng)絡(luò)系統(tǒng)，具有自組織、自適應、自學習和容錯性等特點，被廣泛應用于模式識別、圖像處理、自適應控制等領(lǐng)域。由于礦產(chǎn)資源綜合利用水平評價系統(tǒng)是一個多層次、多因素的復雜系統(tǒng)，采用BP人工神經(jīng)網(wǎng)絡(luò)技術(shù)構(gòu)建的非線性評價模型對礦產(chǎn)資源的綜合利用水平進行評價和識別可避免人為確定各指標的權(quán)重帶來的主觀性，提高評價結(jié)果的準確性。
2 運用BP人工神經(jīng)網(wǎng)絡(luò)對礦產(chǎn)資源綜合開發(fā)方案進行評價
運用matlab環(huán)境下的BP網(wǎng)絡(luò)模塊，我們將經(jīng)濟發(fā)展水平分級指標作為樣本輸入，評價級別作為網(wǎng)絡(luò)輸出BP網(wǎng)絡(luò)通過不斷學習修改權(quán)重，找出評價指標與評價級別間的內(nèi)在對應關(guān)系，利用此網(wǎng)絡(luò)模型進行經(jīng)濟發(fā)展水平的綜合評價。
第一、評價指標體系的建立。以某銅鐵礦設(shè)計方案為例建立評價體系。參考其他人的研究成果及數(shù)據(jù)的可獲取性，選取5項指標，分別為鐵選礦回收率（%）、金選礦回收率（%）、產(chǎn)值利潤率（%）、成本利潤率（%）、噸礦利潤（元/噸）。
第二、網(wǎng)絡(luò)模型的構(gòu)建。選取以上5項指標作輸入神經(jīng)元，輸出神經(jīng)元為銅鐵礦的綜合開發(fā)利用水平，構(gòu)建神經(jīng)網(wǎng)絡(luò)，采用等間距的線性內(nèi)插方法，對已經(jīng)歸一化了的數(shù)據(jù)進行等級劃分，構(gòu)建人工神經(jīng)網(wǎng)絡(luò)的訓練數(shù)據(jù)（見表1），并將銅鐵礦的綜合開發(fā)利用水平分為3級，3代表綜合開發(fā)利用水平高，2代表綜合開發(fā)利用水平中等，1代表綜合開發(fā)利用水平低。
據(jù)此構(gòu)建5×1×1的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，其中隱含層神經(jīng)元為3個，輸出層神經(jīng)元1個。網(wǎng)絡(luò)設(shè)計的參數(shù)為：網(wǎng)絡(luò)初始值為［0，1］之間的隨機數(shù)，基本學習速率 0.1；網(wǎng)絡(luò)訓練的終止參數(shù)為：最大訓練批次為10000次，最大誤差為0.01。網(wǎng)絡(luò)訓練達標后，將表1中的原始數(shù)據(jù)歸一化后輸入網(wǎng)絡(luò)，得出銅鐵礦的綜合開發(fā)利用水平的BP估計值。
表2表明，方案8的綜合開發(fā)利用水平BP值最大，是諸方案中最優(yōu)的；方案7的綜合開發(fā)利用水平次之，為次優(yōu)方案；方案1的綜合開發(fā)利用水平BP值最小，是諸方案中最差的。
3 與基于理想點法評價模型計算得到的結(jié)果相比較
3.1 理想點法簡介
理想點法是屬于多屬性效用理論的多目標決策方法，它最基本的思想是依據(jù)“綜合效用值”進行方案排序選優(yōu)。其效用值的計算是用理想點法中的“距離值”的計算方法而得。通過選取各個目標中的最優(yōu)值構(gòu)成一個多目標的理想方案（也稱為理想點），并以目標空間中，各方案與理想方案的距離值來度量各方案的優(yōu)劣。距離越小表示方案目標值越接近理想方案的目標點。這樣依距離值的大小來排列方案的優(yōu)劣順序，距離越小，方案越優(yōu)。
以下兩表格分別為基于層次評價方法與基于熵值法確定權(quán)重的理想點法得到的礦產(chǎn)資源綜合開發(fā)利用評價結(jié)果。
3.2 各評價模型所得結(jié)果比較
將礦產(chǎn)資源綜合開發(fā)利用水平的BP值排序情況（表2）分別與基于層次方法和基于熵值法確定權(quán)重的理想點法（表3）得到的優(yōu)方案排序相比較。采用BP人工神經(jīng)網(wǎng)絡(luò)計算得到的結(jié)果與采用熵值確定權(quán)重的理想點法得到的結(jié)果相同；BP值法計算的結(jié)果中最好的三個方案分別為方案8、方案7、方案9，與層次理想點法的結(jié)果相同，不同之處僅僅存在于方案1與方案2，方案5與方案6，他們的排名也十分接近。這充分說明采用BP人工神經(jīng)網(wǎng)絡(luò)方法對礦產(chǎn)資源的綜合開發(fā)利用進行評價是可行的。此外，由于運用matlab軟件可以輕易地實現(xiàn)BP神經(jīng)網(wǎng)絡(luò)運算，這種方法在處理大量數(shù)據(jù)方面還有著獨特的優(yōu)越性。
4 結(jié) 論
礦產(chǎn)資源綜合開發(fā)利用評價從本質(zhì)上講是一個多目標決策問題。目前，求解多指標決策問題的方法很多，但各方法的關(guān)鍵在于如何合理確定各指標的權(quán)重。采用BP人工神經(jīng)網(wǎng)絡(luò)技術(shù)構(gòu)建的非線性評價模型對礦產(chǎn)資源的綜合利用水平進行評價，可避免人為確定各指標的權(quán)重帶來的主觀性，可以有效地解決礦產(chǎn)資源的綜合開發(fā)利用評價問題。
參考文獻：
［1］李學全，李松仁，尹蒂.礦產(chǎn)資源綜合開發(fā)利用評價的多目標決策灰色關(guān)聯(lián)度方法［J］.礦產(chǎn)綜合利用.1996(2):39-43.
［2］關(guān)鳳峻.礦產(chǎn)資源綜合開發(fā)利用的評價方法［J］.資源開發(fā)與市場.1999，15（3）:138-141.
關(guān)鍵詞：建筑電氣設(shè)備故障；模糊理論與神經(jīng)網(wǎng)絡(luò)；設(shè)備故障診斷專家系統(tǒng)
中圖分類號：TP207 文獻標識碼：A DOI：10.11974/nyyjs.20160132074
隨著當今社會經(jīng)濟的不斷發(fā)展，人們對生活品質(zhì)的追求越來越高，電氣設(shè)備變得多樣化和先進化，不同區(qū)域間聯(lián)系更加緊密，而在給人們的生活帶來便利的同時，簡單的人工故障診斷方法已經(jīng)無法滿足結(jié)構(gòu)日益復雜、功能日益完善的電氣系統(tǒng)，建立電氣設(shè)備控制系統(tǒng)智能故障診斷專家系統(tǒng)已經(jīng)成為目前能滿足社會需求的選擇。近年來，模糊理論被廣泛的應用于建立故障診斷神經(jīng)網(wǎng)絡(luò)，將模糊系統(tǒng)與神經(jīng)網(wǎng)絡(luò)技術(shù)結(jié)合而形成的故障診斷技術(shù)也正在發(fā)展和應用。
1 建筑電氣設(shè)備常見故障類型及危害
1.1 電氣設(shè)備常見故障類型
1.1.1 電源故障
1.1.2 線路故障
1.1.3 元器件故障
1.1.4 防雷接地處理故障
1.2 電氣設(shè)備故障危害
電氣設(shè)備的運行需要很多電器元件的相互配合，產(chǎn)生故障通常是因為電能或控制信息在傳遞、分配、轉(zhuǎn)換過程中失去控制。斷路、短路、異常接地、漏電、電氣設(shè)備或電器元件損壞、電子設(shè)備受電磁干擾而發(fā)生錯誤動作、控制系統(tǒng)元件的偶然失效都屬于電氣設(shè)備故障[1]，而這些故障也很有可能造成大范圍的人員傷亡以及造成嚴重的財產(chǎn)損失，一旦發(fā)生，也會造成其他相關(guān)領(lǐng)域不同程度的癱瘓。由此可見，電氣設(shè)備出現(xiàn)故障的概率較高，危害范圍也比較大。
2 神經(jīng)網(wǎng)絡(luò)與模糊理論
神經(jīng)網(wǎng)絡(luò)是一種模仿動物神經(jīng)網(wǎng)絡(luò)行為的特征，進行分布式并行信息處理的算法數(shù)學模型[2]。這個模型可以根據(jù)不同系統(tǒng)自己的特征來選擇處理不同信息的方式，在很多不同領(lǐng)域都有比較廣泛的應用，當然，它本身也有一些缺陷，比如它不能求解不確定性問題、不能處理符號性信息等，因此，它需要結(jié)合其它相關(guān)理論和方法來彌補自身的不足，以便更好地解決特定領(lǐng)域中的問題。
模糊理論是指用到了模糊集合的基本概念或連續(xù)隸屬度函數(shù)的理論[3]。模糊控制是一種基于規(guī)則的控制，它可以直接采用語言型控制規(guī)則，在設(shè)計過程中不需要建立被控對象的精確數(shù)學模型，控制原理和策略通俗易懂，便于人們接受與理解，控制效果好，具有一定的智能水平，應用起來很方便，適用于對那些數(shù)學模型難以獲取、動態(tài)特性不易掌握或變化非常顯著的對象。模糊控制器是一種比較容易控制、掌握起來比較理想的非線性控制器，具有一定的適應能力和強健性。
將模糊系統(tǒng)與神經(jīng)網(wǎng)絡(luò)技術(shù)相結(jié)合而形成的模糊神經(jīng)網(wǎng)絡(luò)可以作為對電氣設(shè)備進行故障診斷的模型，這一技術(shù)的提出為電氣設(shè)備故障的診斷帶來發(fā)展和進步，模糊理論被廣泛的應用于建立故障診斷神經(jīng)網(wǎng)絡(luò)，這2種理論的結(jié)合將會給故障診斷研究提供解決思路，值得推廣應用[4]。
3 建立電氣設(shè)備故障診斷系統(tǒng)
由于電氣設(shè)備故障機理的復雜性，系統(tǒng)在實際運用過程中，可能會發(fā)生隨機故障模式，故障征兆信息的正確與否直接關(guān)系到故障診斷的正確性，因此利用現(xiàn)有的電氣設(shè)備系統(tǒng)控制平臺，對電氣設(shè)備控制系統(tǒng)的信號進行實時采集和及時與PC 機進行通信，建立電氣設(shè)備控制系統(tǒng)故障診斷系統(tǒng)便顯得特別重要。
3.1 BP神經(jīng)網(wǎng)絡(luò)模型
BP（Back Propagation）模型是一種最常用的人工神經(jīng)網(wǎng)絡(luò)模型，它的基本原理為利用誤差反向傳播算法，從而得到多層前向神經(jīng)網(wǎng)絡(luò)模型。在故障診斷方面使用BP模型在一定條件下能夠加強工作效率，使得故障診斷問題變得更加直觀。利用模糊理論與神經(jīng)網(wǎng)絡(luò)相結(jié)合的模糊神經(jīng)網(wǎng)絡(luò)解決建筑電氣設(shè)備故障的診斷，是一種智能化控制的手段，也將逐漸發(fā)展成為未來的趨勢[5]。其模型原理圖如圖1。
要建立模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)，要根據(jù)相關(guān)理論或?qū)嶋H工作中的經(jīng)驗，將故障現(xiàn)象和故障原因相對應，作為系統(tǒng)的學習樣本。按照輸入與輸出相對應的關(guān)系輸入學習樣本，系統(tǒng)經(jīng)過內(nèi)部的算法不斷提高精度，當精度達到設(shè)定的要求時，模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)的學習過程結(jié)束。此時，將測試樣本的輸入數(shù)據(jù)放入系統(tǒng)輸入端，如果輸出數(shù)據(jù)與測試樣本基本相同，那么模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)建立成功。
在模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)的實際使用時，必然會遇到輸入數(shù)據(jù)與樣本不同的狀況。根據(jù)內(nèi)部算法，系統(tǒng)將會找到與學習樣本最相似的一組數(shù)據(jù)作為參考，自主得到輸出數(shù)據(jù)。與此同時，如果系統(tǒng)自主算出的結(jié)果得到采納，那么這組數(shù)據(jù)將會做為新的樣本存入數(shù)據(jù)庫，成為參考數(shù)據(jù)。
3.2 BP學習算法
目前，BP算法是應用很廣泛、完善性比較高的神經(jīng)網(wǎng)絡(luò)訓練算法，方便、容易實現(xiàn)、計算量小、并行性強是這個方法領(lǐng)先其他算法的優(yōu)勢。BP算法的基本原理[6]為先求解誤差函數(shù)的最小值，根據(jù)梯度下降法，按誤差對權(quán)值做負反饋。
BP算法需要依次根據(jù)輸入對輸出進行矯正，也就是對每組數(shù)據(jù)都要計算比對。然而，全局誤差的梯度下降算法，要求連接權(quán)和閾值的矯正是在批量進行學習樣本的輸入之后再進行的，所以要修改各個連接權(quán)值。利用梯度下降法來修改各個連接權(quán)值，以便達到近似全局誤差的算法效果。全局誤差梯度下降算法流程如圖2所示。
4 結(jié) 語
電氣設(shè)備的故障診斷已經(jīng)成為值得重視的問題，為保證運行系統(tǒng)能夠正常運行，因此需要建立起更加科學完善的電氣設(shè)備管理系統(tǒng)，逐漸減少電氣設(shè)備運行出現(xiàn)故障的可能性，保障電力系統(tǒng)的穩(wěn)定能力，本文簡單介紹將模糊理論與神經(jīng)網(wǎng)絡(luò)結(jié)合，更好的解決電氣設(shè)備故障問題，結(jié)合傳感器檢測技術(shù)、自動控制技術(shù)、通信與網(wǎng)絡(luò)技術(shù)等方法，建立電氣設(shè)備控制故障診斷系統(tǒng)，希望可以早日應用到生活中的建筑電氣設(shè)備故障診斷中去。
參考文獻
[1]電氣設(shè)備及控制電路常見故障分析[EB]. 電工學習網(wǎng).
[2]田景文.人工神經(jīng)網(wǎng)絡(luò)算法研究與應用[M]. 北京理工大學出版社，2006.
[3]諸靜.模糊控制原理與應用[M].機械工業(yè)出版社，1995.
[4]龍祥，錢志博.模糊理論在設(shè)備故障診斷神經(jīng)網(wǎng)絡(luò)中的典型應用[J].廣東工業(yè)大學學報，2006.
[5]陳流豪.神經(jīng)網(wǎng)絡(luò)BP算法研究綜述[J].電腦知識與技術(shù)，2010.
人工神經(jīng)網(wǎng)絡(luò)（AartificialNeuralNetwork，下簡稱ANN）是模擬生物神經(jīng)元的結(jié)構(gòu)而提出的一種信息處理方法。早在1943年，已由心理學家WarrenS.Mcculloch和數(shù)學家WalthH.Pitts提出神經(jīng)元數(shù)學模型，后被冷落了一段時間，80年代又迅猛興起［1］。ANN之所以受到人們的普遍關(guān)注，是由于它具有本質(zhì)的非線形特征、并行處理能力、強魯棒性以及自組織自學習的能力。其中研究得最為成熟的是誤差的反傳模型算法（BP算法，BackPropagation），它的網(wǎng)絡(luò)結(jié)構(gòu)及算法直觀、簡單，在工業(yè)領(lǐng)域中應用較多。
經(jīng)訓練的ANN適用于利用分析振動數(shù)據(jù)對機器進行監(jiān)控和故障檢測，預測某些部件的疲勞壽命［2］。非線形神經(jīng)網(wǎng)絡(luò)補償和魯棒控制綜合方法的應用（其魯棒控制利用了變結(jié)構(gòu)控制或滑動模控制），在實時工業(yè)控制執(zhí)行程序中較為有效［3］。人工神經(jīng)網(wǎng)絡(luò)（ANN）和模糊邏輯（FuzzyLogic）的綜合，實現(xiàn)了電動機故障檢測的啟發(fā)式推理。對非線形問題，可通過ANN的BP算法學習正常運行例子調(diào)整內(nèi)部權(quán)值來準確求解［4］。
因此，對于電力系統(tǒng)這個存在著大量非線性的復雜大系統(tǒng)來講，ANN理論在電力系統(tǒng)中的應用具有很大的潛力，目前已涉及到如暫態(tài)，動穩(wěn)分析，負荷預報，機組最優(yōu)組合，警報處理與故障診斷，配電網(wǎng)線損計算，發(fā)電規(guī)劃，經(jīng)濟運行及電力系統(tǒng)控制等方面［5］。
本文介紹了一種基于人工神經(jīng)網(wǎng)絡(luò)（ANN）理論的保護原理。
1、人工神經(jīng)網(wǎng)絡(luò)理論概述
BP算法是一種監(jiān)控學習技巧，它通過比較輸出單元的真實輸出和希望值之間的差別，調(diào)整網(wǎng)絡(luò)路徑的權(quán)值，以使下一次在相同的輸入下，網(wǎng)絡(luò)的輸出接近于希望值。
在神經(jīng)網(wǎng)絡(luò)投運前，就應用大量的數(shù)據(jù)，包括正常運行的、不正常運行的，作為其訓練內(nèi)容，以一定的輸入和期望的輸出通過BP算法去不斷修改網(wǎng)絡(luò)的權(quán)值。在投運后，還可根據(jù)現(xiàn)場的特定情況進行現(xiàn)場學習，以擴充ANN內(nèi)存知識量。從算法原理看，并行處理能力和非線是BP算法的一大優(yōu)點。
2、神經(jīng)網(wǎng)絡(luò)型繼電保護
神經(jīng)網(wǎng)絡(luò)理論的保護裝置，可判別更復雜的模式，其因果關(guān)系是更復雜的、非線性的、模糊的、動態(tài)的和非平穩(wěn)隨機的。它是神經(jīng)網(wǎng)絡(luò)（ANN）與專家系統(tǒng)（ES）融為一體的神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)，其中，ANN是數(shù)值的、聯(lián)想的、自組織的、仿生的方式，ES是認知的和啟發(fā)式的。
文獻［1］認為全波數(shù)據(jù)窗建立的神經(jīng)網(wǎng)絡(luò)在準確性方面優(yōu)于利用半波數(shù)據(jù)窗建立的神經(jīng)網(wǎng)絡(luò)，因此保護應選用全波數(shù)據(jù)窗。
ANN保護裝置出廠后，還可以在投運單位如網(wǎng)調(diào)、省調(diào)實驗室內(nèi)進行學習，學習內(nèi)容針對該省的保護的特別要求進行（如反措）。到現(xiàn)場，還可根據(jù)該站的干擾情況進行反誤動、反拒動學習，特別是一些常出現(xiàn)波形間斷的變電站內(nèi)的高頻保護。
3、結(jié)論
本文基于現(xiàn)代控制技術(shù)提出了人工神經(jīng)網(wǎng)絡(luò)理論的保護構(gòu)想。神經(jīng)網(wǎng)絡(luò)軟件的反應速度比純數(shù)字計算軟件快幾十倍以上，這樣，在相同的動作時間下，可以大大提高保護運算次數(shù)，以實現(xiàn)在時間上即次數(shù)上提高冗余度。
一套完整的ANN保護是需要有很多輸入量的，如果對某套保護來說，區(qū)內(nèi)、區(qū)外故障時其輸入信號幾乎相同，則很難以此作為訓練樣本訓練保護，而每套保護都增多輸入量，必然會使保護、二次接線復雜化。變電站綜合自動化也許是解決該問題的一個較好方法，各套保護通過總線聯(lián)網(wǎng)，交換信息，充分利用ANN的并行處理功能，每套保護均對其它線路信息進行加工，以此綜合得出動作判據(jù)。每套保護可把每次錄得的數(shù)據(jù)文件，加上對其動作正確性與否的判斷，作為本身的訓練內(nèi)容，因為即使有時人工分析也不能區(qū)分哪些數(shù)據(jù)特征能使保護不正確動作，特別是高頻模擬量。
神經(jīng)網(wǎng)絡(luò)的硬件芯片現(xiàn)在仍很昂貴，但技術(shù)成熟時，應利用硬件實現(xiàn)現(xiàn)在的軟件功能。另外，神經(jīng)網(wǎng)絡(luò)的并行處理和信息分布存儲機制還不十分清楚，如何選擇的網(wǎng)絡(luò)結(jié)構(gòu)還沒有充分的理論依據(jù)。所有這些都有待于對神經(jīng)網(wǎng)絡(luò)基本理論進行深入的研究，以形成完善的理論體系，創(chuàng)造出更適合于實際應用的新型網(wǎng)絡(luò)及學習算法［5］。
參考文獻
1、陳炳華。采用模式識別（智能型）的保護裝置的設(shè)想。中國電機工程學會第五屆全國繼電保護學術(shù)會議，［會址不詳］，1993
2、RobertE.Uhrig.ApplicationofArtificialNeuralNetworksinIndustrialTechnology.IEEETrans，1994，10（3）。（1）：371～377
3、LeeTH，WangQC，TanWK.AFrameworkforRobustNeuralNetwork-BasedControlofNonlinearServomechannisms.IEEETrans，1993，3（2）。（3）：190～197
隨著社會工業(yè)化速度的不斷加速，能源的競爭愈來愈激烈。生物質(zhì)能源作為一種可再生的清潔能源被廣泛認可，生物氣化技術(shù)就是利用生物質(zhì)能的一種有效手段，對經(jīng)濟的發(fā)展和環(huán)境的保護都起到積極作用。但是，生物氣化技術(shù)是一種熱化學處理技術(shù)，其工作過程十分復雜，包含著大量的不確定因素，這就需要運用生物質(zhì)氣化爐的智能控制系統(tǒng)來達到預期的控制效果。新形勢下，積極運用模糊神經(jīng)網(wǎng)絡(luò)對生物質(zhì)氣化爐進行智能控制，是實現(xiàn)可靠控制效果的重要舉措。
【關(guān)鍵詞】模糊神經(jīng)網(wǎng)絡(luò) 生物質(zhì)氣化爐 智能控制
生物質(zhì)氣化過程是一項復雜化學反應過程，具有非線性、不穩(wěn)定性、負荷干擾等特性，只有實行智能控制才能受到良好的控制效果。模糊神經(jīng)網(wǎng)絡(luò)作為智能研究比較活躍的領(lǐng)域，有效融合了神經(jīng)網(wǎng)絡(luò)和模糊理論的優(yōu)點，能夠有效的解決生物質(zhì)氣化過程中的非線性、模糊性等問題，既保證控制的精確度，又能進行快速地升降溫。本文通過對模糊神經(jīng)網(wǎng)絡(luò)的內(nèi)涵特征進行全面分析，闡述了基于模糊神經(jīng)網(wǎng)絡(luò)的生物質(zhì)氣化爐的智能控制，并通過仿真實驗進行反復驗證。
1 模糊神經(jīng)網(wǎng)絡(luò)的內(nèi)涵功能
簡而言之模糊神經(jīng)網(wǎng)絡(luò)就是具有模糊權(quán)值和輸入信號的神經(jīng)網(wǎng)絡(luò)。模糊神經(jīng)網(wǎng)絡(luò)是自動化控制領(lǐng)域內(nèi)一門新興技術(shù)，其本質(zhì)上是將常規(guī)的神經(jīng)網(wǎng)絡(luò)輸入模糊信號，因而模糊神經(jīng)網(wǎng)絡(luò)具備了模糊系統(tǒng)和神經(jīng)網(wǎng)絡(luò)的優(yōu)勢，集邏輯推理、語言計算等能力于一身，具有學習、聯(lián)想、模糊信息處理等功能。模糊神經(jīng)網(wǎng)絡(luò)是智能控制和自動化不斷發(fā)展的產(chǎn)物，在充分利用神經(jīng)網(wǎng)絡(luò)的并行處理能力的基礎(chǔ)上，大大提高了模糊系統(tǒng)的推理能力。
模糊神經(jīng)網(wǎng)絡(luò)是科技發(fā)展的產(chǎn)物，有效吸收了神經(jīng)網(wǎng)絡(luò)系統(tǒng)和模糊系統(tǒng)的優(yōu)點，在智能控制和自動化發(fā)展等方面有著重要的作用，能夠有效地處理非線性、模糊性等諸多問題，在處理智能信息方面能夠發(fā)揮巨大潛力。模糊神經(jīng)網(wǎng)絡(luò)形式多種多樣，主要包括邏輯模糊神經(jīng)網(wǎng)絡(luò)、算術(shù)模糊神經(jīng)網(wǎng)絡(luò)、混合模糊神經(jīng)網(wǎng)絡(luò)等多種類型，被廣泛的運用于模糊回歸、模糊控制器、模糊譜系分析、通用逼近器等方面的研究中，隨著智能控制和自動化領(lǐng)域的不斷發(fā)展，模糊神經(jīng)網(wǎng)絡(luò)廣泛應用于智能控制領(lǐng)域。
2 基于模糊神經(jīng)網(wǎng)絡(luò)的生物質(zhì)氣化爐的智能控制系統(tǒng)
2.1 溫度智能控制系統(tǒng)
生物質(zhì)熱值、給料理以及一次風量等因素變化能夠影響到生物質(zhì)氣化爐的爐溫，但是最重要的影響因素是在氣化爐工作過程中物料物理和化學反應的放熱和吸熱。由于生物質(zhì)氣化工作過程中的生物質(zhì)熱值的變化范圍較小，在實際運行中很難測量與控制，有時可以忽略不計，同時，該工作過程中存在非線性和大滯后等問題，采用傳統(tǒng)的數(shù)學模型達不到預期測量效果，因此需要利用模糊神經(jīng)網(wǎng)絡(luò)設(shè)計氣化爐爐溫控制系統(tǒng)，不斷的提高溫度的控制效果。模糊神經(jīng)網(wǎng)絡(luò)首先根據(jù)當前溫度以及設(shè)定溫度設(shè)，主控制器對最優(yōu)的生物質(zhì)物料添加量進行預測，然后由副控制根據(jù)該添加量，全面跟蹤控制送料速度，從而能夠進行精確上料和控制爐溫。模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)十分龐大復，其中包含了大量錯綜復雜的神經(jīng)元，蘊含對非線性的可微分函數(shù)訓練權(quán)值的基本理念。模糊神經(jīng)網(wǎng)絡(luò)具有正向傳遞和反向傳播兩個不同的功能，在信息的正向傳遞中，采用逐步運算的方式對輸入的數(shù)據(jù)信息進行處理，信息依次進入輸入層、隱含層最終到達輸出層。假如在輸出層獲得的輸出信息沒達到預期效果時，就會在計算輸出層的偏差變化值后通過網(wǎng)絡(luò)將偏差信號按原路反向傳回，與此同時各層神經(jīng)元的權(quán)值也會隨之進行改變，直到符合預期的控制效果。
2.2 含氧量智能控制系統(tǒng)
在生物質(zhì)氣化工作過程中，可燃氣體的含氧量是衡量其生產(chǎn)質(zhì)量的重要依據(jù)，能夠嚴重影響氣化產(chǎn)物的安全使用，因此，通過模糊神經(jīng)網(wǎng)絡(luò)實現(xiàn)生物質(zhì)氣化爐含氧量的智能控制十分重要。其含氧量智能控制系統(tǒng)的目的是為了合理控制可燃氣體的含氧量，從而穩(wěn)定氣化爐的溫度。但是，一次風進風量是影響可燃氣體的含氧量的重要因素，所以可以把控制一次風量作為主要調(diào)節(jié)手段，有效地解決含氧量控制和爐溫控制之間的矛盾，在控制爐溫的前提條件下，最大程度地降低可燃氣體含氧量，進而有效控制氣化產(chǎn)物含氧量的。生物質(zhì)氣化爐含氧量的智能控制系統(tǒng)是嚴格運用模糊神經(jīng)網(wǎng)絡(luò)控制原理，主控制器采用溫度模糊免疫 PID控制，根據(jù)爐內(nèi)含氧量和溫度的偏差進行推算，查找出鼓風機轉(zhuǎn)速的最優(yōu)狀態(tài)，副控制則以此為根據(jù)，全面跟隨與控制鼓風機的速度，確保鼓風機轉(zhuǎn)速。生物質(zhì)氣化爐工作過程中的不同階段和部件具有不同的控制要求，模糊神經(jīng)網(wǎng)絡(luò)就要充分發(fā)揮被控對象的優(yōu)良性能，根據(jù)不同的控制要求，合理運用模糊神經(jīng)網(wǎng)絡(luò)控制原理對 PID參數(shù)模型中的數(shù)據(jù)信息進行在線修改，從而達到預期的控制效果。
3 基于模糊神經(jīng)網(wǎng)絡(luò)的生物質(zhì)氣化爐智能控制系統(tǒng)的仿真實驗
為了驗證運用模糊神經(jīng)網(wǎng)絡(luò)進行生物質(zhì)氣化爐的智能控制的真實效果，對生物質(zhì)氣化爐的溫度智能控制系統(tǒng)進行仿真實驗，并進行詳細地分析。為了保證生物質(zhì)氣化爐能夠在條件大體一致的狀態(tài)下進行運行狀況，仿真實驗可以采用組合預測算法。首先要到某廠氣化爐現(xiàn)場采集2000組干燥層溫度數(shù)據(jù)，并且從中選取連續(xù)1500組作為仿真實驗樣本數(shù)據(jù)，然后對剩余500組實驗樣本數(shù)據(jù)進行研究，通過兩組數(shù)據(jù)的分析建立預測模型。然后采用模糊神經(jīng)網(wǎng)絡(luò)對生物質(zhì)氣化爐的溫度控制系統(tǒng)進行三次模擬化實驗，三種不同情況下的仿真試驗結(jié)果為：在無外界任何干擾的情況下，模糊神經(jīng)網(wǎng)絡(luò)控制無論在超調(diào)量還是其他方面，都比單純的模糊控制效果好；在生物質(zhì)給料量擾動的情況下，模糊神經(jīng)網(wǎng)絡(luò)控制要比單純的模糊控制所受的影響要小很多；在發(fā)生一次風量攪動的情況下，模糊神經(jīng)網(wǎng)絡(luò)控制仍受到極小的影響。從三種不同情況下的仿真試驗中可以看出基于模糊神經(jīng)網(wǎng)絡(luò)的生物質(zhì)氣化爐的爐溫智能控制系統(tǒng)效果較好，具有極強的抗干擾性，能夠有效地預測氣化爐溫度實時值，把平均誤差控制在很小范圍內(nèi)，并且智能控制系統(tǒng)能實時跟蹤實際溫度的變化，根據(jù)實際溫度的變化做出相應的變化，從而能夠有效地控制氣化爐溫度和可燃氣體含氧量。
4 結(jié)束語
總之，基于模糊神經(jīng)網(wǎng)絡(luò)的生物質(zhì)氣化爐的智能控制系統(tǒng)具有較好的控制效果，有效的解決了生物質(zhì)氣化過程中的一系列問題，能夠十分精確地控制生物質(zhì)氣化爐的爐溫及可燃氣體的含氧量，對于保證社會經(jīng)濟的穩(wěn)定發(fā)展以及生態(tài)環(huán)境的改善發(fā)揮了重要作用。
參考文獻
[1]王春華.基于模糊神經(jīng)網(wǎng)絡(luò)的生物質(zhì)氣化爐的智能控制[J].動力工程，2009（09）：828-830.
[2]王中賢.熱管生物質(zhì)氣化爐的模擬與試驗[J].江蘇大學學報：自然科學版，2008，29（6）：512-515.
【關(guān)鍵詞】氣體識別;自組織神經(jīng)網(wǎng)絡(luò)
1.引言
氣體識別在環(huán)境保護、化工控制、家用報警、食品保鮮、溫室環(huán)境控制、航空航天等領(lǐng)域有著廣泛的應用。應用氣體傳感器進行多組份氣體的定性定量研究，可以極大的降低測量成本，減小測量周期，并可實現(xiàn)在線的實時測量。但由于當前氣體傳感器普遍存在著交叉敏感和選擇性差等缺點，使用單一傳感器很難實現(xiàn)多組份氣體的檢測分析。為解決以上問題，一方面可以采用新材料、新工藝來改善傳感器本身的性能;另一方面可以將現(xiàn)有的氣體傳感器構(gòu)成陣列，并與自組織神經(jīng)網(wǎng)絡(luò)技術(shù)相結(jié)合。本文采用后者的原理，即通過多個敏感程度不同的氣體傳感器組成傳感器陣列，結(jié)合神經(jīng)網(wǎng)絡(luò)模式識別算法進行氣體識別分析。
人工神經(jīng)網(wǎng)絡(luò)（Artificial Neuron Networks，ANN）人工神經(jīng)網(wǎng)絡(luò)（Artificial Neutral Networks，ANN）是一個由大量簡單處理單元廣泛連
接而成的復合網(wǎng)絡(luò)系統(tǒng)。神經(jīng)元結(jié)構(gòu)是受到生物神經(jīng)元的啟發(fā)而得來的。目前應用的神經(jīng)網(wǎng)絡(luò)類型有很多，其中應用最廣的是BP神經(jīng)網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)需要學習的過程，即利用外部條件作用于神經(jīng)網(wǎng)絡(luò)，使其能重新對外界做出反應。將氣體傳感器陣列與采用BP算法進行訓練的人工神經(jīng)網(wǎng)絡(luò)模式識別技術(shù)相結(jié)合形成的氣體識別系統(tǒng)，是利用傳感器陣列對混合氣體的高維響應模式來實現(xiàn)對混合氣體的定量檢測。其中傳感器陣列的選取、傳感器信號的預處理方法、BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)以及測量環(huán)境是影響系統(tǒng)性能的可能因素。
2.人工嗅覺系統(tǒng)
人工嗅覺系統(tǒng)是一種化學分析系統(tǒng)，它由一個具有部分專一性的電子化學傳感器陣列和一個合適的模式識別系統(tǒng)組成。由于人工嗅覺系統(tǒng)主要模仿的是生物的嗅覺系統(tǒng)，所以人工嗅覺系統(tǒng)也可被稱為“電子鼻”或者電子嗅覺系統(tǒng)。
2.1 電子鼻簡介
電子鼻這個術(shù)語開始出現(xiàn)于二十世紀八十年代晚期，當時它被用于1987年的一個學術(shù)會議。較為科學的電子鼻的概念出現(xiàn)于1994年英國Warwick大學的J.W.Gardner發(fā)表的文章中，并且J.W.Gardner綜述了世界各國人工嗅覺系統(tǒng)的發(fā)展概況。
電子鼻模仿人的鼻子的功能，以電訊號的方式予以表達，可以工作在惡劣或有毒的環(huán)境下，在食品、化工、環(huán)保、醫(yī)療診斷、檢驗等方面有很重要的應用，其關(guān)鍵技術(shù)就是氣體傳感器陣列。
2.2 人工嗅覺系統(tǒng)的原理及基本組成部分
人工嗅覺系統(tǒng)主要是受生物的嗅覺系統(tǒng)啟發(fā)和影響，以下是該系統(tǒng)中的關(guān)鍵因素：
（1）對微量、痕量氣體分子瞬時敏感的監(jiān)測器，以得到與氣體化學成分相對應的信號;
（2）對檢測到的信號進行識別與分類的數(shù)據(jù)處理器，將有用的信號與噪聲加以分離;
（3）將測量數(shù)據(jù)轉(zhuǎn)換為感官評定指標的智能解釋器，得到合理的感官結(jié)果。
2.3 氣體傳感器
氣體傳感器是一種將氣體的成分、濃度等信息轉(zhuǎn)換為可以被人員、儀器儀表、計算機等利用的信息的裝置。
2.3.1 半導體氣體傳感器
半導體氣體傳感器在氣體傳感器中約占60%，根據(jù)其機理分為電導型和非電導型，電導型中又分為表面型和容積控制性。
2.3.2 表面敏感型傳感器元件
表面敏感型傳感器元件SnO2-Pd、ZnO-PT、AgO、Pt-SnO2，可檢測氣體為CO、NO2和氟利昂等，傳感材料Pt-SnO2的氣體傳感器可檢測氣體為可燃性氣體如H2、CO、CH4等。
2.3.3 容積控制型傳感材料
容積控制型傳感材料有TiO2、CoO-MgO-SnO2等，其半導體氣體傳感器可檢測氣體為液化石油氣、酒精和燃燒爐氣尾氣等。
3.神經(jīng)網(wǎng)絡(luò)
人工神經(jīng)網(wǎng)絡(luò)（Artificial Neuron Networks，ANN）是近年來人工智能的一個重要科學分支。二十世紀五十年代末人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)開始作為人工智能的一種重要計算工具逐漸受到重視。進入二十世紀八十年代后期，人工神經(jīng)網(wǎng)絡(luò)的研究進入了一個新的。主要原因是：一方面經(jīng)過幾十年迅速發(fā)展起來的以邏輯符號處理為主的人工智能理論和馮-諾依曼計算機在處理諸如視覺、聽覺、形象思維和聯(lián)想記憶等智能信息問題時遇到挫折;另一方面，具有并行分布處理模式的人工神經(jīng)網(wǎng)絡(luò)本身的研究取得了巨大的進展。
神經(jīng)網(wǎng)絡(luò)具有一些不同于其它計算方法的性質(zhì)和特點以及它自身是基于人類大腦結(jié)構(gòu)和功能而建立起來的，因此具有很多和人類智能類似的特點。首先，神經(jīng)網(wǎng)絡(luò)將信息存儲在大量的神經(jīng)元中，具有內(nèi)在的知識索引功能。信息在網(wǎng)絡(luò)中使用兩種方式被保留：一種是神經(jīng)元之間的連接，另一種是連接權(quán)重因子。其次，人工神經(jīng)網(wǎng)絡(luò)具有對周圍環(huán)境自學習、自適應功能，也可用于處理帶噪聲的、不完整的數(shù)據(jù)集。在人工神經(jīng)網(wǎng)絡(luò)中，輸入與輸出的關(guān)系不是由單獨的神經(jīng)元直接負責的，相反是與神經(jīng)元的輸入輸出有關(guān)。最后，人工神經(jīng)網(wǎng)絡(luò)模擬人類的學習過程。人類大多數(shù)的學習和求解過程都是采用嘗試法，而人工神經(jīng)網(wǎng)絡(luò)可以以相同的方式運行。
神經(jīng)元（neuron）即神經(jīng)網(wǎng)絡(luò)中的基本處理單元，也就是節(jié)點。一般節(jié)點由輸入與輸出、權(quán)重因子、內(nèi)部閥值和函數(shù)形式四部分組成。
圖1 神經(jīng)元模型
圖1給出了一個基本的神經(jīng)元模型，它具有R個輸入，每個輸入都通過一個適當?shù)臋?quán)值wli和下一層相連，網(wǎng)絡(luò)輸出可表示為：
式中，n為該神經(jīng)元（序號l）的總輸入;
f（n）為神經(jīng)元輸入輸出關(guān)系的函數(shù)，稱為作用函數(shù)、響應函數(shù)或傳遞函數(shù)。
人工神經(jīng)網(wǎng)絡(luò)的拓撲結(jié)構(gòu)是指它的處理單元是如何相互連接的，主要由輸入層、隱含層和輸出層組成。每一節(jié)點的輸出被送到下一層的所有節(jié)點。通過將這些處理單元組成層，將其相互連接起來，并對連接進行加權(quán)，從而形成神經(jīng)網(wǎng)絡(luò)的拓撲結(jié)構(gòu)，將若干個人工神經(jīng)元作為有向圖的節(jié)點，可連接成人工神經(jīng)網(wǎng)絡(luò)。其中每一層對于人工神經(jīng)網(wǎng)絡(luò)的成功都非常關(guān)鍵。可以將人工神經(jīng)網(wǎng)絡(luò)輸入層、隱含層和輸出層看成為一個通過輸入層的所有節(jié)點輸入特定信息的黑箱。人工神經(jīng)網(wǎng)絡(luò)通過節(jié)點之間的相互連接關(guān)系來處理這些信息，最后從輸出層的節(jié)點給出最終結(jié)果。
4.誤差反向傳播網(wǎng)絡(luò)（BP網(wǎng)絡(luò)）
1985年，以Rumelhart和McClelland為首提出了至今仍廣泛接受和使用的誤差反向傳播學習算法。按照這一算法進行訓練的多層神經(jīng)網(wǎng)絡(luò)被直接稱為BP神經(jīng)網(wǎng)絡(luò)。BP網(wǎng)絡(luò)是一種多層前饋型神經(jīng)網(wǎng)絡(luò)，其神經(jīng)元的傳遞函數(shù)是S型函數(shù)，輸出量為0到1之間的連續(xù)量，它可以實現(xiàn)從輸入到輸出的任意非線性映射。其權(quán)值的調(diào)整采用反饋傳播學習算法。
目前，在人工神經(jīng)網(wǎng)絡(luò)的實際應用中，絕大部分的神經(jīng)網(wǎng)絡(luò)模型都采用BP網(wǎng)絡(luò)及其變化形式。BP網(wǎng)絡(luò)主要用于以下四方面：
（1）函數(shù)逼近：用輸入矢量和相應的輸出矢量訓練一個網(wǎng)絡(luò)以逼近一個函數(shù);
（2）模式識別：用一個特定的輸出矢量將它與輸入矢量聯(lián)系起來;
（3）分類：把輸入矢量所定義的合適方式進行分類;
（4）數(shù)據(jù)壓縮：減少輸出矢量維數(shù)以便于傳輸和存儲。
對于神經(jīng)網(wǎng)絡(luò)算法，使用基于誤差反向傳遞的神經(jīng)網(wǎng)絡(luò)算法設(shè)第p個模式XP=（X1P，X1P，…XNP，）T，p=1，2，…，N（N為模式個數(shù)），將其視為BP網(wǎng)絡(luò)的輸入，yip為其實際輸出，隱含層和輸出層各單元的激活函數(shù)采用sigmoid函數(shù)，即：
一般基于BP的神經(jīng)網(wǎng)絡(luò)算法具體步驟如下：
Step1、構(gòu)造網(wǎng)絡(luò)，初始化網(wǎng)絡(luò)的權(quán)矩陣，設(shè)置學習因子，動態(tài)因子，跌代次數(shù)和允許誤差;
Step2、從一個網(wǎng)絡(luò)開始，提供訓練模式;
Step3、開始訓練第k個網(wǎng)絡(luò);
Step4、前向傳播過程，對所有訓練模式，計算網(wǎng)絡(luò)的實際輸出并與目標輸出相比較，如果誤差超過運行誤差，則進行下一步，否則訓練第k+1個網(wǎng)絡(luò);
Step5、反向傳播過程：計算隱含層和輸出層各單元的誤差精度，修正權(quán)值和閥值：
式中，為學習效率;
di為教師信號或希望輸出;
為實際輸出yi與希望輸出di之差，其中yi和xj是取1或0的離散值。
Step6、繼續(xù)訓練第k個網(wǎng)絡(luò)。
BP網(wǎng)絡(luò)的訓練函數(shù)有traingd、traingdm、traingdx、trainrp、traincgf、traincgp等。由于BP網(wǎng)絡(luò)的簡單性，在人工嗅覺系統(tǒng)的模式識別部分占有很大的比例，許多以前和現(xiàn)在的一些成熟人工嗅覺系統(tǒng)的產(chǎn)品仍然使用BP神經(jīng)網(wǎng)絡(luò)進行模式識別。
BP網(wǎng)絡(luò)的學習是通過求解一個優(yōu)化問題完成的，從數(shù)學的角度看，它是通過函數(shù)逼近擬合曲面（線）的想法，并且將其轉(zhuǎn)化為一個非線性優(yōu)化問題而求解。BP網(wǎng)絡(luò)是對簡單的非線性函數(shù)進行復合，經(jīng)過多次復合后，則可以實現(xiàn)復雜的函數(shù)，但存在BP學習算法收斂速度慢、不完備性和隱節(jié)點數(shù)只能憑經(jīng)驗選取。
由于存在上述問題，科學家們從利用線性的自適應步長加速BP算法和增加動量項來去除收斂過程中的局部最小點。模擬退火（Simulated Annealing，簡稱SA）思想是由Metopolis等人提出的，它可以很好的避免局部最小點的出現(xiàn)，把它用在優(yōu)化中是由Kirkpatrick等人提出的。組合優(yōu)化問題的解空間中的每一個點都代表一個解。不同的解有著不同的目標函數(shù)值。優(yōu)化過程就是在解空間中尋找目標函數(shù)的最小解。
SA算法的特點是通用性強、可達到全局最小。傳統(tǒng)的啟發(fā)式搜索算法如快速下降法，每次都是向改進解的方向搜索，往往只能找到一個局部最優(yōu)解，而不是全局最優(yōu)解。而SA算法在系統(tǒng)朝能量減少這個總趨勢的過程中，允許解的搜索以一定的概率向較差的方向走，以避開局部最小，而最終穩(wěn)定到全局能量最小的狀態(tài)。
5.利用自組織神經(jīng)網(wǎng)絡(luò)進行氣體識別
將被測氣體按所需測量精度和濃度范圍按成份分成不同的濃度等級，采用標準氣體配置這些等級的不同成份氣體的所有組合作為標準模態(tài)來訓練神經(jīng)網(wǎng)絡(luò)。通過識別某一未知氣體樣本的模式，即可以得到未知氣體的成份濃度。例如，選用N種互相參比配制混合氣體樣本。根據(jù)傳感器的靈敏范圍，將配制的氣體濃度限制在a1到am以內(nèi)，濃度變化間隔為l。這樣每種氣體有m種濃度模式，共計可得到mN個樣本。采用這些樣本作為原始數(shù)據(jù)訓練自組織神經(jīng)網(wǎng)絡(luò)，就可以實現(xiàn)在這一濃度范圍內(nèi)的最大誤差為l的氣體定量測量。
>> 基于MATLAB的BP神經(jīng)網(wǎng)絡(luò)算法在多元非線性系統(tǒng)建模中的應用 改進的求解非線性方程組的迭代神經(jīng)網(wǎng)絡(luò)算法 基于非線性粒子群算法與神經(jīng)網(wǎng)絡(luò)的天氣預測 演化算法在非線性方程求解方面的應用 基于BP神經(jīng)網(wǎng)絡(luò)的非線性函數(shù)擬合 非線性倒立擺系統(tǒng)的神經(jīng)網(wǎng)絡(luò)辨識 基于遺傳小波神經(jīng)網(wǎng)絡(luò)的非線性動態(tài)自治網(wǎng)絡(luò)故障診斷仿真算法 一種基于正交基神經(jīng)網(wǎng)絡(luò)的非線性衛(wèi)星信道預失真補償算法 神經(jīng)網(wǎng)絡(luò)在電路故障診斷方面的應用 神經(jīng)網(wǎng)絡(luò)在鋼鐵企業(yè)質(zhì)量預測方面的應用 BP神經(jīng)網(wǎng)絡(luò)在坐標轉(zhuǎn)換方面的應用 人工神經(jīng)網(wǎng)絡(luò)在電渦流傳感器非線性補償中的應用研究 基于神經(jīng)網(wǎng)絡(luò)的通用非線性神經(jīng)自適應控制研究 基于BP神經(jīng)網(wǎng)絡(luò)的非線性網(wǎng)絡(luò)流量預測 改進的基于神經(jīng)網(wǎng)絡(luò)的非線性多元回歸分析 基于徑向基神經(jīng)網(wǎng)絡(luò)的非線性系統(tǒng)辨識 基于OBF神經(jīng)網(wǎng)絡(luò)的溫度傳感器非線性補償方法 基于RBF神經(jīng)網(wǎng)絡(luò)的非線性控制系統(tǒng) 群智能算法優(yōu)化神經(jīng)網(wǎng)絡(luò)在網(wǎng)絡(luò)安全的應用 淺談基于BP神經(jīng)網(wǎng)絡(luò)的水源熱泵在建筑節(jié)能方面的應用 常見問題解答 當前所在位置：中國 > 教育 > 神經(jīng)網(wǎng)絡(luò)算法非線性優(yōu)化方面的應用 神經(jīng)網(wǎng)絡(luò)算法非線性優(yōu)化方面的應用 雜志之家、寫作服務(wù)和雜志訂閱支持對公帳戶付款！安全又可靠！ document.write("作者： 方達 胡忠剛")
申明:本網(wǎng)站內(nèi)容僅用于學術(shù)交流，如有侵犯您的權(quán)益，請及時告知我們，本站將立即刪除有關(guān)內(nèi)容。 摘 要：文章通過神經(jīng)網(wǎng)絡(luò)算法對一類非線性優(yōu)化方面的問題進行了分析，得到了應用神經(jīng)網(wǎng)絡(luò)非線性優(yōu)化算法求解該類問題的具體步驟和算法方案，并給出了實例進行驗證，證明了神經(jīng)網(wǎng)絡(luò)非線性優(yōu)化算法是有效的，具有理論意義和實用價值。 關(guān)鍵詞：：神經(jīng)網(wǎng)絡(luò)算法;MTLAB;非線性優(yōu)化最優(yōu)化
中圖分類號：G622 文獻標識碼：B 文章編號：1002-7661（2014）22-002-01
人工神經(jīng)網(wǎng)絡(luò)是由簡單的處理單元所組成的大量并行分布的處理機，這種處理機具有儲存和應用經(jīng)念知識的自然特性，它與人腦的相似之處概括兩個方面：一是通過學習過程利用神經(jīng)網(wǎng)絡(luò)從外部環(huán)境中獲取知識;二是內(nèi)部神經(jīng)元（突觸權(quán)值）用來存儲獲取的知識信息。
一、神經(jīng)網(wǎng)絡(luò)非線性優(yōu)化求解鐵路空車調(diào)度組合優(yōu)化問題
目前鐵路局對空車調(diào)度計劃是利用表上作業(yè)法，采用計算機輔助統(tǒng)計，要經(jīng)過分局管內(nèi)各主要站和各區(qū)段的車種別空車調(diào)度，分局間分界站車種別交接空車數(shù)的確定;局間分界站車種別交接空車數(shù)的確定來編制整個鐵路局的空車調(diào)度計劃.下面用神經(jīng)網(wǎng)絡(luò)優(yōu)化方法解決該問題。
空車調(diào)度問題一般指的是：設(shè)有個空車發(fā)送站，個空車到達站數(shù)的距離為，設(shè)空車產(chǎn)生站 到空車需求站的空車數(shù)為，由發(fā)出的空車數(shù)為，則應滿足
空車需求站接受到的空車數(shù)為，則應滿足
假設(shè)空車產(chǎn)生數(shù)等于空車的需求數(shù)，即平衡運輸，則
總的空車走行公里數(shù)為
由于神經(jīng)元的輸出值在之間，而空車數(shù)目是大于1的數(shù)，則將（ ）作為實際空車數(shù)，這樣就可以保證在（ ）之間，求為在中所占的百分比，為了用Hopfield神經(jīng)網(wǎng)絡(luò)求解空車調(diào)度問題，建立能量函數(shù)如下
式中
表示空車發(fā)送站的空車數(shù)應等于的約束，當且僅當發(fā)車數(shù)為時，該項為0; 表示空車到達站所需的空車數(shù)應等于的約束，當且僅當?shù)竭_的空車數(shù)為時，該項為0;
表示對空車調(diào)度的總體約束;
表示對目標項的約束;
表示懲罰項系數(shù)，為目標項系數(shù).
當計算能量函數(shù) 達到最小時，對應于空車調(diào)整計劃的一個最佳計劃方案.其算法如下
則動態(tài)迭代過程為
其中 ，分別代表迭代次數(shù)，選取0.001.
二、結(jié)束語
關(guān)鍵詞：生物發(fā)酵 BP神經(jīng)網(wǎng)絡(luò) 算法研究
1 概述
現(xiàn)代意義上的微生物發(fā)酵工程是指在一定條件下使微生物增殖，從而產(chǎn)生對人類有價值的生物成份的過程[1]。發(fā)酵過程是一個基于微生物生長繁殖和控制的生物化學反應過程，和普通意義上的上的工業(yè)控制不同，具有非線性、時變性和時滯性等特點，內(nèi)部機理非常復雜。因此對于發(fā)酵過程的控制一直都是發(fā)酵工業(yè)生產(chǎn)中的難點。隨著科技進步，新的非線性控制技術(shù)的發(fā)展為控制發(fā)酵過程提供了有力的工具。
當前對于發(fā)酵過程的控制，其基本原理是將發(fā)酵過程中的主要控制因素采用一定的人工手段進行干預，以發(fā)酵過程中所產(chǎn)生的發(fā)酵液溫度、PH值等關(guān)鍵因素為控制指標，并將其進行動態(tài)監(jiān)測，從而將發(fā)酵過程控制在人們所期望的的范圍內(nèi)。由于發(fā)酵過程具有實時性，因此對于發(fā)酵過程的控制按時間特性可分為離線控制和在線控制兩大類[2]。隨著研究的深入，在線控制已經(jīng)成為研究的重點。在線控制是一種基于反饋信息的過程控制方法。其原理是實時監(jiān)測發(fā)酵系統(tǒng)的輸出值期望值之間的誤差，按照一定的過程控制算法進行調(diào)整，將發(fā)酵過程中關(guān)鍵的發(fā)酵指標控制在期望范圍之內(nèi)。本文將就發(fā)酵過程的在線控制方法和實踐展開討論。
2 發(fā)酵過程控制的硬件系統(tǒng)簡介
對發(fā)酵過程的控制是建立在必要的硬件條件基礎(chǔ)上的。發(fā)酵系統(tǒng)的組成主要由兩部分構(gòu)成：即發(fā)酵裝置和控制器。對于發(fā)酵過程的控制關(guān)鍵是控制溫度、溶氧、pH值等。這些因素都可以通過實時監(jiān)測發(fā)酵裝置傳感器信息來實現(xiàn)。
本文中以大腸桿菌發(fā)酵產(chǎn)生類人膠原蛋白為例，需要監(jiān)測的主要內(nèi)容有四項：pH值、溫度、溶氧量和尾氣。監(jiān)測設(shè)備分別為：pH電極、鉑電極、溶氧電極和尾氣分析儀。
對于發(fā)酵過程的智能控制，重點是實現(xiàn)對控制器的智能化，在下一節(jié)中將進行具體的討論。在本文中所涉及的控制器軟件的智能化設(shè)計基于silicoulab公司的片上系統(tǒng)芯片（SoC），發(fā)酵裝置型號為NLF22機械攪拌式發(fā)酵罐，發(fā)酵罐罐體上裝配有監(jiān)測溫度、溶氧、pH值等參數(shù)的傳感器和尾氣分析儀。這類實時數(shù)據(jù)的監(jiān)測和控制在LabVIEW圖形化編程軟件設(shè)計的人機交互界面上進行。
3 BP人工神經(jīng)網(wǎng)絡(luò)控制原理
發(fā)酵過程具有高度的非線性特點，因此在本文中采用適合于給類問題的基于BP神經(jīng)網(wǎng)絡(luò)控制算法。該算法不依賴精確數(shù)學模型，具有非線性的映射能力，可以從大量實時監(jiān)測數(shù)據(jù)中尋找輸入和輸出之間的非線性關(guān)系，計算出最優(yōu)的控制量，從而實現(xiàn)對發(fā)酵過程的有效控制。
人工神經(jīng)網(wǎng)絡(luò)控制算法是建立在現(xiàn)代神經(jīng)生物學和仿生學對人類大腦活動的認識模式研究的基礎(chǔ)上，通過構(gòu)造人工神經(jīng)元形成的網(wǎng)絡(luò)來模擬神經(jīng)活動，是當前人工智能研究的熱點和智能化控制的研究方向。
人工神經(jīng)元是神經(jīng)網(wǎng)絡(luò)算法的基本信息處理單元，其輸入輸出關(guān)系可由式（1）和式（2）來描述：
Ii=■wijxj-θi （1）
yi=f(Ii) （2）
上式中，xj為來自于其他與本神經(jīng)元相連接的神經(jīng)元所傳遞的輸入信息，wij為神經(jīng)元I，j之間的信息權(quán)重；θi為閾值；函數(shù)f稱為作用函數(shù)或轉(zhuǎn)移函數(shù)。
目前在人工神經(jīng)網(wǎng)絡(luò)研究中已經(jīng)有很多種網(wǎng)絡(luò)模型，本文中所采用的是前饋式神經(jīng)網(wǎng)絡(luò)模型。BP算法（(Error Back Propagation)即屬于這類前饋式網(wǎng)絡(luò)模型，該模型以神經(jīng)網(wǎng)絡(luò)的誤差平方和為目標函數(shù)，以某種優(yōu)化算法（如梯度法）計算使得目標函數(shù)最小的控制值[3]。其拓撲結(jié)構(gòu)可參考相關(guān)文獻。
4 BP神經(jīng)網(wǎng)絡(luò)的應用
本文中以大腸桿菌發(fā)酵生產(chǎn)類人膠原蛋白過程為例，簡介BP神經(jīng)網(wǎng)絡(luò)智能控制在其發(fā)酵過程控制中的應用。
4.1 輸入層和輸出層節(jié)點數(shù)分析 依據(jù)工神經(jīng)網(wǎng)絡(luò)運行的基本原理，輸入層的節(jié)點數(shù)是由訓練樣本數(shù)據(jù)的維數(shù)來決定，輸出層的節(jié)點數(shù)則取決于控制者的實際控制目標。在本文算例中，發(fā)酵過程的關(guān)鍵控制因素主要有4個，即酸堿度（pH值）、溫度、溶氧度、攪拌速度和時間。這五類數(shù)據(jù)通過傳感器數(shù)據(jù)可以方便的得到，因此將其作為訓練樣本，并得到樣本數(shù)據(jù)的維數(shù)為5，輸入層的單列節(jié)點數(shù)為4。對輸出層而言，依據(jù)生產(chǎn)經(jīng)驗，在膠原蛋白的發(fā)酵過程中的關(guān)鍵因素為溶氧量，因此將其作為關(guān)鍵控制因素和最終控制目標，由此可得到輸出層的節(jié)點數(shù)為1個。
4.2 隱含層層數(shù)和隱含層節(jié)點數(shù)分析 本文中設(shè)定隱含層的層數(shù)為1（原因可參照單隱含層對非線性函數(shù)的逼近特性[4]）。隱含層的節(jié)點數(shù)可由式（3）進行計算：
m=■+■ （3）
其中，m為隱含層的節(jié)點數(shù)，N表示輸入層的節(jié)點數(shù)，L表示輸出層的節(jié)點數(shù)，P表示新樣本數(shù)據(jù)，α為1-10之間的常數(shù)。依據(jù)實測數(shù)據(jù)（此處從略），可計算得到隱含層的節(jié)點數(shù)為18。
4.3 程序?qū)崿F(xiàn) 本文中采用Matlab編程實現(xiàn)上述BP神經(jīng)網(wǎng)絡(luò)控制，其基本步驟概述如下。
首先利用newff()函數(shù)來生成上述指定結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)，其參數(shù)設(shè)定如式（4）所示：
NET=newff(minmax(p)，[4]，18，1）{‘tansig'，'purelin'，}，'traingd
m) （4）
其次設(shè)定基于上述網(wǎng)絡(luò)NET的訓練參數(shù)，該步驟涉及到的函數(shù)的參數(shù)設(shè)定結(jié)果為：NET.trainParam.epochs=500、NET.train Param.goal=0.02、NET.trainParam.show=25、NET.trainParam.Ir=0.05。
最后采用命令[NET，tr]=train(NET，F(xiàn)d，T) 訓練上述神經(jīng)網(wǎng)絡(luò)。
5 結(jié)果分析
表1中對比了采用BP神經(jīng)網(wǎng)絡(luò)控制前后的利用大腸桿菌發(fā)酵產(chǎn)生類人膠原蛋白的產(chǎn)物濕重產(chǎn)量（g）。有表1可見，通過對發(fā)酵過程的BP神經(jīng)網(wǎng)絡(luò)控制后，膠原蛋白的產(chǎn)物濕重總體有明顯的提高，表明該方法在這類發(fā)酵過程控制中是有效的。
6 結(jié)語
生物發(fā)酵過程是一個復雜的過程，具有高度非線性和難于用精確數(shù)學模型描述的特點。本文利用BP神經(jīng)網(wǎng)絡(luò)控制方法來綜合控制發(fā)酵過程中的關(guān)鍵因素，以氧容量作為控制要點，經(jīng)過網(wǎng)絡(luò)訓練后可提高對發(fā)酵過程中關(guān)鍵因素的控制效果，實踐表明可大幅度的提高類人教員蛋白的產(chǎn)物濕重產(chǎn)量。上述結(jié)果表明利用智能算法控制這類高度非線性的生物發(fā)酵過程較之于傳統(tǒng)方法具有明顯的優(yōu)勢，是今后生物發(fā)酵過程控制中重要的研究方向。
參考文獻：
[1]陶興無.生物工程概論[M].北京:化學工業(yè)出版社，2011.
[2]謝玉龍.FF現(xiàn)場總線在泰樂霉素發(fā)酵控制系統(tǒng)中的應用[D].濟南:山東大學，2009.