神經(jīng)網(wǎng)絡(luò)算法的優(yōu)缺點(diǎn)

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篇神經(jīng)網(wǎng)絡(luò)算法的優(yōu)缺點(diǎn)范文，相信會(huì)為您的寫作帶來(lái)幫助，發(fā)現(xiàn)更多的寫作思路和靈感。

神經(jīng)網(wǎng)絡(luò)算法的優(yōu)缺點(diǎn)范文第1篇

關(guān)鍵詞:負(fù)荷預(yù)測(cè);神經(jīng)網(wǎng)絡(luò);唐山電網(wǎng);電力系統(tǒng);電力負(fù)荷

中圖分類號(hào):TM714文獻(xiàn)標(biāo)識(shí)碼:A文章編號(hào):1009-2374 (2010)13-0124-02

一、預(yù)測(cè)意義

唐山是具有百年歷史的沿海重工業(yè)城市,是河北省經(jīng)濟(jì)中心,同時(shí)也是中國(guó)經(jīng)濟(jì)發(fā)展前景最好的城市之一。特別是最近幾年,隨著國(guó)家產(chǎn)業(yè)結(jié)構(gòu)與河北戰(zhàn)略布局的調(diào)整,重大項(xiàng)目紛紛在唐山興建,預(yù)計(jì)在未來(lái)幾年唐山地區(qū)經(jīng)濟(jì)仍將快速增長(zhǎng)。根據(jù)唐山電網(wǎng)用電情況統(tǒng)計(jì)數(shù)據(jù),唐山電網(wǎng)2001年用電量158.266億千瓦時(shí),2008年用電量538.509億千瓦時(shí),平均年增長(zhǎng)17.9%。綜合考慮唐山地區(qū)經(jīng)濟(jì)發(fā)展與用電量增長(zhǎng)因素,預(yù)計(jì)未來(lái)幾年唐山電網(wǎng)電力負(fù)荷將保持較高的增長(zhǎng)。中長(zhǎng)期電力負(fù)荷預(yù)測(cè)是電力系統(tǒng)規(guī)劃的基礎(chǔ),它在電力系統(tǒng)規(guī)劃、新發(fā)電廠和發(fā)配電系統(tǒng)的建立過(guò)程中起到重要的指導(dǎo)作用。為了滿足唐山電網(wǎng)負(fù)荷不斷增長(zhǎng)的需要,增加供電可靠性,對(duì)該地區(qū)進(jìn)行科學(xué)合理的電力系統(tǒng)規(guī)劃勢(shì)在必行。因此,對(duì)唐山電網(wǎng)中長(zhǎng)期的電力負(fù)荷進(jìn)行預(yù)測(cè)具有重要意義。

二、預(yù)測(cè)方法選擇

目前,電力負(fù)荷預(yù)測(cè)的研究已經(jīng)十分成熟,許多方法和模型被引用到電力負(fù)荷預(yù)測(cè)中,其中比較常用的預(yù)測(cè)方法有以下幾種:回歸分析法、時(shí)間序列法、指數(shù)平滑法、神經(jīng)網(wǎng)絡(luò)法、灰色模型法、優(yōu)選組合預(yù)測(cè)法、小波分析預(yù)測(cè)技術(shù)等。以上負(fù)荷預(yù)測(cè)的方法都有自身的優(yōu)缺點(diǎn)以及適用范圍。電力系統(tǒng)專家經(jīng)過(guò)長(zhǎng)期負(fù)荷預(yù)測(cè)實(shí)踐,建議中長(zhǎng)期電力負(fù)荷預(yù)測(cè)使用時(shí)間序列法與灰色模型法。由于未來(lái)幾年唐山市將投產(chǎn)幾個(gè)重大項(xiàng)目,唐山電網(wǎng)負(fù)荷將呈現(xiàn)不規(guī)則的跳躍式增長(zhǎng)。因此,按照常規(guī)的預(yù)測(cè)方法對(duì)唐山電網(wǎng)的用電負(fù)荷進(jìn)行預(yù)測(cè)將無(wú)法獲得較滿意的數(shù)據(jù)擬合度。神經(jīng)網(wǎng)絡(luò)算法能夠?qū)崿F(xiàn)較復(fù)雜的非線性映射,對(duì)大量的非結(jié)構(gòu)性、非準(zhǔn)確性規(guī)律具有自適應(yīng)能力,應(yīng)用于電力系統(tǒng)負(fù)荷預(yù)測(cè),能夠得到比傳統(tǒng)預(yù)測(cè)方法更好的效果。因此,本文嘗試使用神經(jīng)網(wǎng)絡(luò)算法預(yù)測(cè)唐山電網(wǎng)的用電負(fù)荷。

三、預(yù)測(cè)模型的建立

(一)確定神經(jīng)網(wǎng)絡(luò)輸入量

輸入層是神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的第一層次,該層次輸入量的確定關(guān)系到神經(jīng)網(wǎng)絡(luò)訓(xùn)練的效率。特征量取得太少,則不能起到區(qū)分判斷作用;取得太多則影響網(wǎng)絡(luò)的訓(xùn)練速度。因此,合理地選擇輸入量,能提高網(wǎng)絡(luò)的訓(xùn)練速度和預(yù)測(cè)精度。為了簡(jiǎn)化模型的結(jié)構(gòu),提高預(yù)測(cè)的精度,本文綜合考慮中長(zhǎng)期電力負(fù)荷預(yù)測(cè)的相關(guān)因素以及唐山電網(wǎng)的用電特點(diǎn),確定以下五種影響電力負(fù)荷的經(jīng)濟(jì)因素作為神經(jīng)網(wǎng)絡(luò)的輸入量即:“唐山地區(qū)的生產(chǎn)總值(GDP);第一產(chǎn)業(yè)用電量占總用電量的比重;第二產(chǎn)業(yè)用電量占總用電量的比重;第三產(chǎn)業(yè)用電量占總用電量的比重;生活用電量占總用電量的比重?！?/p>

(二)構(gòu)造神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

本文應(yīng)用的神經(jīng)網(wǎng)絡(luò)是由輸入層、輸出層和隱含層三層網(wǎng)絡(luò)結(jié)構(gòu)構(gòu)成。理論研究已證明對(duì)于任何在閉區(qū)間上連續(xù)的函數(shù),只要隱含層神經(jīng)元數(shù)目足夠多,就可以用只含一個(gè)隱含層的網(wǎng)絡(luò)結(jié)構(gòu)以任意精度來(lái)逼近,所以本文隱含層只取一層。第一層為輸入層,神經(jīng)網(wǎng)絡(luò)的輸入神經(jīng)元為五種影響唐山電網(wǎng)用電負(fù)荷的經(jīng)濟(jì)因素,因此該層的神經(jīng)元個(gè)數(shù)為5個(gè);第二層是隱含層,隱含層神經(jīng)元數(shù)根據(jù)下式求得:

或或h=lg2n (1)

其中k為樣本數(shù),n為輸入層神經(jīng)元數(shù),m為輸出神經(jīng)元數(shù),h為隱含層神經(jīng)元數(shù),a為1～10之間的常數(shù)。第三層是輸出層,因?yàn)檩敵鼋Y(jié)果只有一個(gè)指標(biāo)即唐山電網(wǎng)某年的用電量,所以輸出神經(jīng)元的個(gè)數(shù)是1。從而確定本文的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為5×3×1。

(三)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練算法

由于標(biāo)準(zhǔn)BP算法中,人為憑經(jīng)驗(yàn)選取學(xué)習(xí)率和動(dòng)量因子,往往會(huì)對(duì)網(wǎng)絡(luò)學(xué)習(xí)速度產(chǎn)生較大影響,甚至?xí)驗(yàn)閷W(xué)習(xí)率選取不當(dāng)而導(dǎo)致學(xué)習(xí)中發(fā)生振蕩而不能收斂,這些缺點(diǎn)將影響整個(gè)預(yù)測(cè)的精度。本文采用改進(jìn)的批處理式Vogl快速算法,進(jìn)行網(wǎng)絡(luò)訓(xùn)練。在網(wǎng)絡(luò)訓(xùn)練過(guò)程中根據(jù)訓(xùn)練的實(shí)際情況自適應(yīng)改變學(xué)習(xí)率η及動(dòng)量因子α的大小:當(dāng)前的誤差梯度修正正確,則增大學(xué)習(xí)率,加入動(dòng)量項(xiàng);否則減少學(xué)習(xí)率,甩掉動(dòng)量項(xiàng)。這樣初始η值就可以相對(duì)隨意的選取,避免上述缺點(diǎn)。自適應(yīng)改變?chǔ)羌唉恋男拚饺缦?

(2)

上式中ΔE=E(J)-E(J-1),表示神經(jīng)網(wǎng)絡(luò)前后相鄰兩次學(xué)習(xí)過(guò)程中誤差函數(shù)的變化量。φ略大于1,β略小于1。E (J)為神經(jīng)網(wǎng)絡(luò)第J次訓(xùn)練過(guò)程中的誤差函數(shù):

(3)

式中:pt',和Ot分別表示神經(jīng)網(wǎng)絡(luò)對(duì)應(yīng)于第t個(gè)輸入向量的期望輸出和實(shí)際輸出。

(四)預(yù)測(cè)實(shí)施

唐山電網(wǎng)2001～2008年用電量、生產(chǎn)總值以及各產(chǎn)業(yè)用電占比情況的歷史數(shù)據(jù)見表1:

表12001～2008年唐山電網(wǎng)用電情況統(tǒng)計(jì)

年份 生產(chǎn)總值

/萬(wàn)元 用電量

/億千瓦時(shí) 一產(chǎn)用電

/% 二產(chǎn)用電

/% 三產(chǎn)用電

/% 生活用電

/%

2001年 9150473 158.266 3.8 83.4 5.5 7.2

2002年 9993543 180.420 3.3 84.6 5.5 6.6

2003年 11022878 233.638 2.2 87.7 4.8 5.3

2004年 17616311 290.260 1.7 89.1 4.5 4.7

2005年 20276374 358.800 2.4 89.1 4.0 4.5

2006年 23621410 432.752 2.1 89.3 4.2 4.5

2007年 27794190 520.020 1.3 90.5 4.1 4.1

2008年 36132447 538.509 1.2 90.0 4.4 4.4

根據(jù)2001～2008年唐山電網(wǎng)用電量的歷史數(shù)據(jù),分別使用時(shí)間序列法、灰色預(yù)測(cè)模型與神經(jīng)網(wǎng)絡(luò)算法對(duì)唐山電網(wǎng)的用電量進(jìn)行預(yù)測(cè)。使用2001～2006年的歷史數(shù)據(jù)預(yù)測(cè)2007年、2008年的用電量,并將預(yù)測(cè)結(jié)果與真實(shí)數(shù)據(jù)做對(duì)比,以分析三種預(yù)測(cè)方法的誤差。通過(guò)

Matlab軟件計(jì)算,三種預(yù)測(cè)方法的預(yù)測(cè)結(jié)果及誤差情況,見表2:

表2用電量預(yù)測(cè)值及誤差表

序號(hào) 年份 用電量 灰色模型 時(shí)間序列法 神經(jīng)網(wǎng)絡(luò)

預(yù)測(cè)值 誤差 預(yù)測(cè)值 誤差 預(yù)測(cè)值 誤差

1 2007年 520.020 501.1 3.64% 487.9 6.41% 531.7 2.25%

2 2008年 538.509 512.4 4.85% 503.9 6.75% 559.4 3.88%

通過(guò)上表我們可以看出以上三種預(yù)測(cè)方法的誤差除了時(shí)間序列法的誤差較高外,都在允許的范圍內(nèi)?；疑Ｐ团c神經(jīng)網(wǎng)絡(luò)算法都可以較準(zhǔn)確的預(yù)測(cè)出唐山電網(wǎng)的用電量。相比而言,神經(jīng)網(wǎng)絡(luò)算法預(yù)測(cè)對(duì)于歷史數(shù)據(jù)的擬合度更高,神經(jīng)網(wǎng)絡(luò)算法更適用于唐山電網(wǎng)中長(zhǎng)期的電力負(fù)荷預(yù)測(cè)。因此,本文使用神經(jīng)網(wǎng)絡(luò)算法對(duì)唐山電網(wǎng)未來(lái)五年的用電負(fù)荷進(jìn)行預(yù)測(cè),通過(guò)Matlab軟件計(jì)算,預(yù)測(cè)結(jié)果見表3:

表3唐山電網(wǎng)用電負(fù)荷預(yù)測(cè)

序號(hào) 年份 年用電量(億千瓦時(shí)) 年最大負(fù)荷(MW)

1 2009 584.282 7637.677

2 2010 625.182 8172.314

3 2011 665.819 8703.514

4 2012 725.077 9478.127

5 2013 781.633 10217.42

四、結(jié)論

本文研究了神經(jīng)網(wǎng)絡(luò)算法在唐山電網(wǎng)中長(zhǎng)期電力負(fù)荷預(yù)測(cè)中的應(yīng)用。研究結(jié)果表明,應(yīng)用神經(jīng)網(wǎng)絡(luò)算法比時(shí)間序列法、灰色模型有更高的預(yù)測(cè)精度,神經(jīng)網(wǎng)絡(luò)算法可以較準(zhǔn)確的預(yù)測(cè)唐山電網(wǎng)中長(zhǎng)期的電力負(fù)荷。

參考文獻(xiàn)

[1]于之虹,郭志忠.數(shù)據(jù)挖掘與電力系統(tǒng)[J].電網(wǎng)技術(shù),2001,25(8).

神經(jīng)網(wǎng)絡(luò)算法的優(yōu)缺點(diǎn)范文第2篇

關(guān)鍵詞 河流，人工神經(jīng)網(wǎng)絡(luò)，水質(zhì)，Gauss Newton算法

1.前言

河流水體作為淡水資源的重要組成部分，在灌溉、人類生活用水的供應(yīng)、生活污水和工業(yè)廢水的接納等密切相關(guān)。水質(zhì)的評(píng)價(jià)是一個(gè)復(fù)雜的問(wèn)題，目前主要的評(píng)價(jià)方法主要有兩大類，一類是以水質(zhì)的物理化學(xué)參數(shù)的實(shí)測(cè)值為依據(jù)的評(píng)價(jià)方法；另一類是以水生物種群與水質(zhì)的關(guān)系為依據(jù)的生物學(xué)評(píng)價(jià)方法。較多采用的是物理化學(xué)參數(shù)評(píng)價(jià)方法，其中又分單因子法和多項(xiàng)參數(shù)綜合評(píng)價(jià)法。前者即用某一參數(shù)的實(shí)測(cè)濃度代表值與水質(zhì)標(biāo)準(zhǔn)對(duì)比，判斷水質(zhì)的優(yōu)劣或適用程度。多項(xiàng)參數(shù)綜合評(píng)價(jià)法即把選用的若干參數(shù)綜合成一個(gè)概括的指數(shù)來(lái)評(píng)價(jià)水質(zhì)。多因子指數(shù)評(píng)價(jià)法用兩種指數(shù)即參數(shù)權(quán)重評(píng)分疊加型指數(shù)和參數(shù)相對(duì)質(zhì)量疊加型指數(shù)兩種。參數(shù)權(quán)重評(píng)分疊加型指數(shù)的計(jì)算方法是，選定若干評(píng)價(jià)參數(shù)，按各項(xiàng)參數(shù)對(duì)水質(zhì)影響的程度定出權(quán)系數(shù)，然后將各參數(shù)分成若干等級(jí)，按質(zhì)量?jī)?yōu)劣評(píng)分，最后將各參數(shù)的評(píng)分相加，求出綜合水質(zhì)指數(shù)。數(shù)值大表示水質(zhì)好，數(shù)值小表示水質(zhì)差。用這種指數(shù)表示水質(zhì)，方法簡(jiǎn)明，計(jì)算方便。參數(shù)相對(duì)質(zhì)量疊加型指數(shù)的計(jì)算方法是，選定若干評(píng)價(jià)參數(shù)，把各參數(shù)的實(shí)際濃度與其相應(yīng)的評(píng)價(jià)標(biāo)準(zhǔn)濃度相比，求出各參數(shù)的相對(duì)質(zhì)量指數(shù)，然后求總和值。根據(jù)生物與環(huán)境條件相適應(yīng)的原理建立起來(lái)的生物學(xué)評(píng)價(jià)方法，通過(guò)觀測(cè)水生物的受害癥狀或種群組成，可以反映出水環(huán)境質(zhì)量的綜合狀況，因而既可對(duì)水環(huán)境質(zhì)量作回顧評(píng)價(jià)，又可對(duì)擬建工程的生態(tài)效應(yīng)作影響評(píng)價(jià)，是物理化學(xué)參數(shù)評(píng)價(jià)方法的補(bǔ)充。缺點(diǎn)是難確定水污染物的性質(zhì)和含量。隨著計(jì)算機(jī)計(jì)算的發(fā)展，神經(jīng)網(wǎng)絡(luò)也被越來(lái)越多用在水質(zhì)評(píng)價(jià)工程中。神經(jīng)網(wǎng)絡(luò)是一種非常適合解決復(fù)雜的非線性響應(yīng)關(guān)系的數(shù)學(xué)模型。它可以用在分類、聚類、預(yù)測(cè)等方面，通過(guò)歷史數(shù)據(jù)對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，網(wǎng)絡(luò)可以學(xué)習(xí)到數(shù)據(jù)中隱含的非線性映射關(guān)系。本文試圖應(yīng)用人工神經(jīng)網(wǎng)絡(luò)，來(lái)評(píng)價(jià)河流的水質(zhì)，并對(duì)訓(xùn)練方法進(jìn)行探討，采用MATLAB語(yǔ)言編寫相應(yīng)的評(píng)價(jià)程序進(jìn)行實(shí)例評(píng)價(jià)，試圖找出此種算法和傳統(tǒng)BP算法在水質(zhì)綜合評(píng)價(jià)中的優(yōu)缺點(diǎn)。

2.網(wǎng)絡(luò)結(jié)構(gòu)和數(shù)據(jù)預(yù)處理

采用BP ANN網(wǎng)絡(luò)，網(wǎng)絡(luò)分一層輸入層、一層輸出層和幾層隱含層組成。同一層之間的神經(jīng)元之間沒(méi)有聯(lián)系，相鄰兩層的神經(jīng)元之間通過(guò)連接權(quán)值和激活函數(shù)進(jìn)行連接。在訓(xùn)練的過(guò)程中，通過(guò)不斷調(diào)節(jié)連接權(quán)值來(lái)使網(wǎng)絡(luò)的仿真結(jié)果逐漸接近期望值。本文采用4層的網(wǎng)絡(luò)結(jié)構(gòu)，兩層隱含層都是4個(gè)神經(jīng)元節(jié)點(diǎn)，輸出層只有一個(gè)節(jié)點(diǎn)，代表評(píng)價(jià)結(jié)果，輸入層5個(gè)節(jié)點(diǎn)，代表5個(gè)評(píng)價(jià)參數(shù)。

評(píng)價(jià)標(biāo)準(zhǔn)選《國(guó)家地表水環(huán)境標(biāo)準(zhǔn)》（GB3838-2002），訓(xùn)練樣本直接由該標(biāo)準(zhǔn)生成。輸出層和輸入層進(jìn)行線性歸一化處理。

3.Gauss Newton算法

針對(duì)傳統(tǒng)BP ANN算法的收斂速度慢，魯棒性弱，容易陷入局部極小值的缺點(diǎn)，采用了改進(jìn)的算法Gauss- ANN算法。激活函數(shù)采用sigmoid函數(shù)，層與層之間的連接權(quán)值和閾值隨著每次的訓(xùn)練修正出新值。每次訓(xùn)練用Gauss- ANN方法計(jì)算出權(quán)值和閾值的修正值。

4.結(jié)果

為了驗(yàn)證Gauss-Newton算法的性能，將它與傳統(tǒng)BP算法進(jìn)行比較。使用生成的訓(xùn)練樣本進(jìn)行訓(xùn)練，兩種算法各訓(xùn)練10次，每次訓(xùn)練最多迭代200000次，網(wǎng)絡(luò)誤差函數(shù)為所有訓(xùn)練樣本誤差的平方和。誤差為3.0的時(shí)候認(rèn)為網(wǎng)絡(luò)收斂。表1為訓(xùn)練過(guò)程對(duì)比，表2為水質(zhì)的評(píng)價(jià)結(jié)果。從結(jié)果看，水質(zhì)都在地表水環(huán)境質(zhì)量標(biāo)準(zhǔn)里面的1類水水平。

表1 兩種算法訓(xùn)練和評(píng)價(jià)結(jié)果比較

傳統(tǒng)BP算法 RPROP算法

迭代次數(shù) 200000 22700

誤差 12.25 6.0

收斂次數(shù) 1 3

訓(xùn)練樣本準(zhǔn)確率（%） 75.1 92.5

驗(yàn)證樣本準(zhǔn)確率（%） 74.2 91.2

表2 評(píng)價(jià)結(jié)果

NH3-N TP COD BOD 評(píng)價(jià)結(jié)果

斷面I 0.002 0.034 3 1.0 1.22

斷面II 0.002 0.020 4 1.0 1.17

斷面III 0.002 0.012 2 1.0 1.13

5.建議

（1）使用的訓(xùn)練算法，使神經(jīng)網(wǎng)絡(luò)的收斂速度加快，魯棒性加強(qiáng)，適合用在水質(zhì)評(píng)價(jià)工作。

神經(jīng)網(wǎng)絡(luò)算法的優(yōu)缺點(diǎn)范文第3篇

關(guān)鍵詞：模糊控制；滑?？刂?；復(fù)雜系統(tǒng)

中圖分類號(hào)：G632 文獻(xiàn)標(biāo)識(shí)碼：B 文章編號(hào)：1002-7661（2014）14-094-01

隨著控制理論實(shí)踐的不斷深入，被控對(duì)象的結(jié)構(gòu)及數(shù)學(xué)模型也越來(lái)越復(fù)雜，呈現(xiàn)出時(shí)變性、多輸入多輸出、高度復(fù)雜性、非線性、不確定性等特點(diǎn)。面對(duì)這些復(fù)雜特征，傳統(tǒng)的基于精確數(shù)學(xué)模型的控制理論的局限性日趨明顯，于是出現(xiàn)了諸如變結(jié)構(gòu)控制、自適應(yīng)控制、模糊控制、神經(jīng)網(wǎng)絡(luò)控制以及智能控制等新的控制手段。本文就模糊滑模控制的產(chǎn)生及發(fā)展現(xiàn)狀做簡(jiǎn)單介紹。

滑?？刂埔蚱洫?dú)特的優(yōu)勢(shì)在伺服機(jī)構(gòu)、飛行器控制等領(lǐng)域有著廣闊的發(fā)展前景。但是，實(shí)際系統(tǒng)由于切換裝置不可避免地存在慣性，變結(jié)構(gòu)控制在不同的控制邏輯中來(lái)回切換，會(huì)導(dǎo)致實(shí)際滑模運(yùn)動(dòng)不是準(zhǔn)確地發(fā)生在切換面上，容易引起系統(tǒng)的劇烈抖動(dòng)。這一缺點(diǎn)使其在實(shí)際應(yīng)用中受到了很大的限制。抖動(dòng)不僅影響控制的精確性，增加能量消耗，而且系統(tǒng)中的高頻未建模動(dòng)態(tài)很容易被激發(fā)起來(lái)，破壞系統(tǒng)性能，甚至使系統(tǒng)產(chǎn)生振蕩或失穩(wěn)，損壞控制器部件。而將模糊控制與滑模變結(jié)構(gòu)控制結(jié)合應(yīng)用來(lái)克服變結(jié)構(gòu)控制所帶來(lái)的抖動(dòng)便成為很多專家學(xué)者的研究重點(diǎn)。

一、常規(guī)模糊滑?？刂?/p>

模糊控制和滑模變結(jié)構(gòu)控制各有優(yōu)缺點(diǎn)，有某種相似之處，又有互補(bǔ)之處。90年代以后專家學(xué)者把二者結(jié)合，構(gòu)成模糊滑模控制，實(shí)現(xiàn)兩者之間的取長(zhǎng)補(bǔ)短。同時(shí)還可在一定程度上削弱或克服滑模變結(jié)構(gòu)控制的抖動(dòng)現(xiàn)象。目前，模糊控制與滑模變結(jié)構(gòu)控制的結(jié)合運(yùn)用主要有以下三種方式[1]。

1、通過(guò)模糊控制規(guī)則自適應(yīng)地調(diào)節(jié)符號(hào)函數(shù)項(xiàng)的值，可以在保證趨近速度和減小抖動(dòng)的前提下較好地選擇和 。

2、通過(guò)模糊控制規(guī)則直接確定滑模控制量，即直接把切換函數(shù)及其微分 作為輸入量，通過(guò)模糊推理獲得滑?？刂频目刂屏?。

3、變結(jié)構(gòu)控制、模糊控制的復(fù)合控制策略。在大偏差時(shí)采用滑模變結(jié)構(gòu)控制，在小偏差時(shí)采用模糊控制的運(yùn)行方式。

二、自適應(yīng)模糊滑?？刂?/p>

普通的模糊滑?？刂频脑O(shè)計(jì)仍然是基于經(jīng)驗(yàn)的。由于模糊規(guī)則的選取有很大的任意性，在很多情況下有效經(jīng)驗(yàn)的獲取并不是容易的事。為了達(dá)到一定精度，選擇的模糊規(guī)則可能非常復(fù)雜[2,3]，且系統(tǒng)參數(shù)在控制過(guò)程中也沒(méi)有自適應(yīng)和自學(xué)習(xí)能力。為使系統(tǒng)在不確定性以及對(duì)象出現(xiàn)參數(shù)和結(jié)構(gòu)變化的情況下保證不變性，自適應(yīng)模糊滑?？刂茟?yīng)運(yùn)而生，并成為非線性系統(tǒng)自適應(yīng)控制方法研究的主流[4]。

三、基于模糊神經(jīng)網(wǎng)絡(luò)的滑模控制

人工神經(jīng)網(wǎng)絡(luò)同樣具有自學(xué)習(xí)和自適應(yīng)的能力。它和模糊系統(tǒng)的結(jié)合有助于擴(kuò)大二者在滑?？刂祁I(lǐng)域內(nèi)的應(yīng)用。模糊神經(jīng)網(wǎng)絡(luò)（Fuzzy Neural Networks, FNN）結(jié)合了模糊控制與神經(jīng)網(wǎng)絡(luò)控制兩者的優(yōu)勢(shì)，不僅具有神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)和快速處理的能力，而且具有模糊控制系統(tǒng)能夠充分利用先驗(yàn)知識(shí)、以較少的規(guī)則數(shù)來(lái)表達(dá)知識(shí)的優(yōu)勢(shì)，避免了神經(jīng)網(wǎng)絡(luò)不能很好地利用已有經(jīng)驗(yàn)知識(shí)，往往將初始權(quán)值取為零或隨機(jī)數(shù)使網(wǎng)絡(luò)訓(xùn)練時(shí)間變長(zhǎng)或者陷入非要求的局部極值的缺點(diǎn)，也避免了模糊控制由于缺乏自學(xué)習(xí)和自適應(yīng)能力，給控制器參數(shù)的學(xué)習(xí)和調(diào)整帶來(lái)的困難。模糊神經(jīng)網(wǎng)絡(luò)與滑?？刂频慕Y(jié)合應(yīng)用可以通過(guò)以下幾種方式：一、用T-S模糊神經(jīng)網(wǎng)絡(luò)等價(jià)系統(tǒng)不確定的動(dòng)態(tài)特性 和 ，再按一般滑?？刂频姆椒ㄐ纬煽刂坡?。控制過(guò)程中FNN 的參數(shù)根據(jù)實(shí)際系統(tǒng)的輸入輸出數(shù)據(jù)在線自學(xué)習(xí)?；蛘咭?為輸入的標(biāo)準(zhǔn)模糊神經(jīng)網(wǎng)絡(luò)實(shí)時(shí)估計(jì)系統(tǒng)動(dòng)態(tài)不確定性的上界，以此與狀態(tài)反饋相結(jié)合構(gòu)造滑模控制。也可用結(jié)構(gòu)自組織的廣義參數(shù)學(xué)習(xí)的模糊徑向基函數(shù)網(wǎng)絡(luò)完成系統(tǒng)動(dòng)態(tài)不確定性的等價(jià)，在此基礎(chǔ)上構(gòu)造系統(tǒng)的滑模控制律。這幾種方式均是通過(guò)模糊神經(jīng)網(wǎng)絡(luò)來(lái)等效系統(tǒng)不確定項(xiàng)的，也可直接采用模糊神經(jīng)網(wǎng)絡(luò)構(gòu)造滑模控制率，如：L in等[8]直接用以 為輸入的標(biāo)準(zhǔn)模糊神經(jīng)網(wǎng)絡(luò)構(gòu)造滑模控制律，基于 最小化用梯度下降方法完成FNN的參數(shù)自適應(yīng)；為了保證滑模產(chǎn)生條件存在，還構(gòu)造了帶符號(hào)函數(shù)的監(jiān)督控制律。當(dāng)與系統(tǒng)狀態(tài)相關(guān)的李亞普洛夫函數(shù)值進(jìn)入零的一個(gè)鄰域時(shí)，監(jiān)督律作用撤消。于是從總體上保證了滑模產(chǎn)生條件的滿足和穩(wěn)態(tài)時(shí)的無(wú)抖振。

四、模糊滑模控制與其它策略的結(jié)合

除了以上所描述的問(wèn)題之外，關(guān)于模糊滑模控制和其它策略相結(jié)合還有其他諸多方面的內(nèi)容，它們體現(xiàn)了控制理論的交叉融合。遺傳算法作為一種優(yōu)化算法，在模糊滑模控制中亦得到較多應(yīng)用。可以采用遺傳算法對(duì)控制器增益參數(shù)、模糊規(guī)則、隸屬函數(shù)進(jìn)行優(yōu)化，有效減小或消除抖振。當(dāng)然還有其他算法與模糊滑?？刂频慕Y(jié)合應(yīng)用，在此就不在累述。

參考文獻(xiàn)：

[1] 王翠紅 自適應(yīng)模糊滑?？刂频脑O(shè)計(jì)與分析[D] 西南交通大學(xué) 2002

[2] Yoo B, Ham W. Adaptive fuzzy sliding mode control of nonlinear system [J]. IEEE Trans. Fuzzy Syst., 1998, 6(2): 315-321

[3] Yu X, Man Z, Wu B. Design of fuzzy sliding-mode control systems [J], Fuzzy Sets and Systems, 1998, 95:295-306

[4] Kaynak O, Erbatur K, Ertugrul M. The fusion of computationally intelligent methodologies and sliding mode control-a survey [J]. IEEE Trans. Industrial Electronics, 2001, 48(1): 4-17

[5] Lu Y S, Chen J S. A self-organizing fuzzy sliding mode controller design for a class of nonlinear servo system [J]. IEEE Trans. on Industrial Electronic, 1994, 41(5): 492-502

[6] Lin S C, Chen Y Y. Design of adaptive fuzzy sliding mode for nonlinear system control[C]. Proc.of IEEE Int. Conf. on Fuzzy Systems, 1994, (1):35-39

神經(jīng)網(wǎng)絡(luò)算法的優(yōu)缺點(diǎn)范文第4篇

關(guān)鍵詞：算法，地下水動(dòng)態(tài)，預(yù)測(cè)，研究

 

一．問(wèn)題的提出

地下水動(dòng)態(tài)受一系列自然和人為因素的影響。研究表明，影響地下水位的主要因素有河道流量、氣溫、飽和差、降水量、蒸發(fā)量等，其變化是一個(gè)十分復(fù)雜的非線性過(guò)程。

關(guān)于地下水位的動(dòng)態(tài)預(yù)測(cè)，目前有許多方法，但各種方法均存在優(yōu)缺點(diǎn)。BP網(wǎng)絡(luò)是利用非線性可微分函數(shù)進(jìn)行權(quán)值訓(xùn)練的多層神經(jīng)網(wǎng)絡(luò)，由于其結(jié)構(gòu)簡(jiǎn)單、可塑性強(qiáng)，故廣泛應(yīng)用于函數(shù)逼近、模式識(shí)別、信息分類和數(shù)據(jù)壓縮等。

本文利用BP神經(jīng)網(wǎng)絡(luò)優(yōu)良的非線性映射能力，探討基于LM(levenberg-marquardt)算法的地下水位動(dòng)態(tài)預(yù)測(cè)。

二．LM(levenberg-marquardt)算法

在BP神經(jīng)網(wǎng)絡(luò)的各種訓(xùn)練算法中，常用的有梯度下降法、共軛梯度法、牛頓算法等，每種算法都有其不足。其中牛頓法是一種基于二階泰勒(Taylor)級(jí)數(shù)的快速優(yōu)化算法，基本方法是

式中是當(dāng)前的權(quán)值和閾值矩陣，是當(dāng)前表現(xiàn)函數(shù)的梯度，為誤差性能函數(shù)在當(dāng)前權(quán)值和閾值下的Hessian矩陣（二階導(dǎo)數(shù)）

|

牛頓算法通常比梯度下降法、共軛梯度法的收斂速度快，但對(duì)于前饋神經(jīng)網(wǎng)絡(luò)計(jì)算Hessian矩陣是很復(fù)雜的，付出的代價(jià)也很大。論文大全。

當(dāng)表現(xiàn)函數(shù)是平方和的形式時(shí)，可以采用計(jì)算量更小、速度更快的訓(xùn)練算法，即LM(levenberg-marquardt)算法。論文大全。該算法不需要計(jì)算Hessian矩陣，Hessian矩陣可以用下面的矩陣來(lái)近似代替：

其梯度為

，

式中J是雅克比（Jacobian）矩陣，它含有網(wǎng)絡(luò)訓(xùn)練誤差的一階導(dǎo)數(shù)，是權(quán)值和閾值的函數(shù)，e是網(wǎng)絡(luò)訓(xùn)練誤差矢量。

有

當(dāng)=0時(shí)，就變成具有近似Hessian矩陣的牛頓法；當(dāng)較大時(shí)，LM(levenberg-marquardt)算法就更接近小步長(zhǎng)的梯度法。在迭代過(guò)程中，如果訓(xùn)練成功，就減小的值；如果訓(xùn)練失敗，就增大的值。論文大全。這樣，該算法每一步迭代的誤差性能總是減小的，表現(xiàn)函數(shù)最終會(huì)減小到設(shè)定的值，并且逼近最小誤差的速度更快，精度更高。

三．應(yīng)用實(shí)例

本節(jié)以MATLAB7.0為平臺(tái),灤河某地的地下水動(dòng)態(tài)模擬與預(yù)測(cè)實(shí)例來(lái)說(shuō)明LM(levenberg-marquardt)算法的實(shí)際應(yīng)用.

1）原始數(shù)據(jù)的引入與預(yù)處理

原始數(shù)據(jù)引自羅定貴等(見表一)， 這些數(shù)據(jù)是灤河某觀測(cè)站24個(gè)月的地下水位實(shí)測(cè)序列值及5個(gè)影響因子實(shí)測(cè)序列值。河道流量、氣溫、飽和差、降水量、蒸發(fā)量都是影響地下水位的重要因子。本節(jié)通過(guò)LM(levenberg-marquardt)算法建立地下水位與各影響因子間的非線性關(guān)系模型。

表一 地下水位及影響因子實(shí)測(cè)值

神經(jīng)網(wǎng)絡(luò)算法的優(yōu)缺點(diǎn)范文第5篇

信用評(píng)分模型作為信用風(fēng)險(xiǎn)管理的基礎(chǔ)和核心,無(wú)論是對(duì)于建立社會(huì)征信體系還是對(duì)于金融機(jī)構(gòu)的信貸資產(chǎn)管理,都有著不可替代的作用。其主要目的,在于盡量將能夠預(yù)測(cè)借款人未來(lái)行為的指標(biāo)加以整合,并統(tǒng)一成可以比較的單一指標(biāo),以顯示借款人在未來(lái)特定時(shí)間內(nèi)違約的可能性,所有的信用評(píng)分模型,無(wú)論采用什么理論或方法,其最終目的都是將貸款申請(qǐng)者的信用級(jí)別分類。為達(dá)到分類目的。當(dāng)前，對(duì)個(gè)人信用評(píng)分模型的定義有多種，較為權(quán)威的種觀點(diǎn)認(rèn)為:“信用評(píng)分是預(yù)測(cè)貸款申請(qǐng)人或現(xiàn)有借款人違約可能性的一種統(tǒng)計(jì)方法?！边@一觀點(diǎn)指出了信用評(píng)分的作用和目的,不過(guò)隨著信用評(píng)分模型的不斷發(fā)展,信用評(píng)分已不僅是一種統(tǒng)計(jì)方法,也包含了運(yùn)籌學(xué),如數(shù)學(xué)規(guī)劃法、非線性模糊數(shù)學(xué)(如神經(jīng)網(wǎng)絡(luò)方法)等。此外,信用評(píng)分的實(shí)際操作應(yīng)用也與決策原則緊密相關(guān)，決策原則事實(shí)上決定了信用評(píng)分模型實(shí)現(xiàn)其目的和作用的程度。因此,對(duì)個(gè)人信用評(píng)分模型這一數(shù)學(xué)工具在金融和銀行業(yè)中的應(yīng)用來(lái)說(shuō),較為全面和恰當(dāng)?shù)亩x應(yīng)是,“信用評(píng)分是運(yùn)用數(shù)學(xué)優(yōu)化理論(包括統(tǒng)計(jì)方法、運(yùn)籌方法等),依照即定原則或策略(損失最小原則或風(fēng)險(xiǎn)溢價(jià)原則),在數(shù)據(jù)分析決策階段區(qū)分不同違約率水平客戶的方法。

二、各類信用評(píng)分模型概述

1.判別分析模型

判別分析法是對(duì)研究對(duì)象所屬類別進(jìn)行判別的一種統(tǒng)計(jì)分析方法。進(jìn)行判別分析必須已知觀測(cè)對(duì)象的分類和若干表明觀測(cè)對(duì)象特征的變量值。判別分析就是要從中篩選出能提供較多信息變量并建立判別函數(shù)，使推導(dǎo)出的判別函數(shù)對(duì)觀測(cè)樣本分類時(shí)的錯(cuò)判率最小。這種方法的理論基礎(chǔ)是樣本由兩個(gè)分布有顯著差異的子樣本組成，并且它們擁有共同的屬性。它起源于1936年Fisher引進(jìn)的線性判別函數(shù)，這個(gè)函數(shù)的目的是尋找一個(gè)變量的組合，把兩個(gè)擁有一些共同特征的組區(qū)分開來(lái)。

判別分析方法的優(yōu)點(diǎn):適用于二元或多元性目標(biāo)變量,能夠判斷,區(qū)分個(gè)體應(yīng)該屬于多個(gè)不同小組中的哪一組。自身也存在不可避免的缺點(diǎn):該模型假設(shè)前提是自變量的分布都是正態(tài)分布的,而實(shí)踐中的數(shù)據(jù)往往不是完全的正態(tài)分布,從而導(dǎo)致統(tǒng)計(jì)結(jié)果的不可靠性。

2.決策樹方法

決策樹模型是對(duì)總體進(jìn)行連續(xù)的分割,以預(yù)測(cè)一定目標(biāo)變量的結(jié)果的統(tǒng)計(jì)技術(shù)。決策樹構(gòu)造的輸入是一組帶有類別標(biāo)記的例子,構(gòu)造的結(jié)果是一棵二叉或多叉樹。構(gòu)造決策樹的方法是采用自上而下的遞歸構(gòu)造。在實(shí)際中,為進(jìn)行個(gè)人信用分析,選取個(gè)人信用作為目標(biāo)屬性，其他屬性作為獨(dú)立變量。所有客戶被劃分為兩類,即好客戶的和壞客戶,將客戶信用狀況轉(zhuǎn)換為“是否好客戶”(值為1或0),而后利用數(shù)據(jù)集合來(lái)生成一個(gè)完整的決策樹。在生成的決策樹中可以建立一個(gè)規(guī)則基。一個(gè)規(guī)則基包含一組規(guī)則,每一條規(guī)則對(duì)應(yīng)決策樹的一條不同路徑,這條路徑代表它經(jīng)過(guò)節(jié)點(diǎn)所表示的條件的一條鏈接。通過(guò)創(chuàng)立一個(gè)對(duì)原始祥本進(jìn)行最佳分類判別的決策樹,采用遞歸分割方法使期望誤判損失達(dá)到最小。

決策樹模型的優(yōu)點(diǎn)：淺層的決策樹視覺上非常直觀，容易解釋；對(duì)數(shù)據(jù)的結(jié)構(gòu)和分布不需做任何假設(shè)；可以容易地轉(zhuǎn)化成商業(yè)規(guī)則。它的缺點(diǎn)在于：深層的決策樹視覺上和解釋上都比較困難；決策樹對(duì)樣本量的需求比較大；決策樹容易過(guò)分微調(diào)于樣本數(shù)據(jù)而失去穩(wěn)定性和抗震蕩性。

3.回歸分析法

回歸分析法是目前為止應(yīng)用最為廣泛的一種信用評(píng)分模型,這其中以著名的logistic回歸為代表。除此之外,線性回歸分析、probit回歸等方法亦屬于此類。最早使用回歸分析的Orgler,他采用線性回歸模型制定了一個(gè)類似于信用卡的評(píng)分卡,他的研究表明消費(fèi)者行為特征比申請(qǐng)表資料更能夠預(yù)測(cè)未來(lái)違約可能性的大小。同數(shù)學(xué)規(guī)劃方法中一樣,假設(shè)已經(jīng)通過(guò)一定的方法從樣本變量中提取出了若干指標(biāo)作為特征向量,回歸分析的思想就是將這些指標(biāo)變量擬合成為一個(gè)可以預(yù)測(cè)申請(qǐng)者違約率的被解釋變量,自然就是違約率p,回歸分析中應(yīng)用最廣泛的模型當(dāng)屬線性回歸模型,它是對(duì)大量的數(shù)據(jù)點(diǎn)中表現(xiàn)出來(lái)的數(shù)量關(guān)系模擬出一條直線，回歸分析的目標(biāo)就是使目標(biāo)變量值和實(shí)際的目標(biāo)變量值之間的誤差最小。因此最早將回歸方法應(yīng)用于信用評(píng)分研究的模型，就是簡(jiǎn)單的線性回歸模型，目前基于logistic回歸的信用評(píng)分系統(tǒng)應(yīng)用最為普遍。

回歸模型的優(yōu)點(diǎn):容易解釋和使用；自變量可以是連續(xù)性的，也可以是類別性的;許多直觀的統(tǒng)計(jì)指標(biāo)來(lái)衡量模型的擬合度。缺點(diǎn)：不能有效處理缺失值，必須通過(guò)一定的數(shù)據(jù)加工和信息轉(zhuǎn)換才能處理；模型往往呈線形關(guān)系，比較難把握數(shù)據(jù)中的非線形關(guān)系和變量間的互動(dòng)關(guān)系，而且模型假定變量呈正態(tài)分布；模型受樣本極端值的影響往往比較大。

4.人工神經(jīng)網(wǎng)絡(luò)法

近些年來(lái),隨著信用評(píng)分領(lǐng)域的研究深入,有學(xué)者將人工智能領(lǐng)域的一些模型算法引入到了信用評(píng)分研究中,人工神經(jīng)網(wǎng)絡(luò)模型為典型代表。人工神經(jīng)網(wǎng)絡(luò)是由大量簡(jiǎn)單的基本元件——神經(jīng)元相互連接而成的自適應(yīng)非線性動(dòng)態(tài)系統(tǒng),是一種把各種投入要素通過(guò)復(fù)雜的網(wǎng)絡(luò)轉(zhuǎn)換成產(chǎn)出的信息加工結(jié)構(gòu)。神經(jīng)網(wǎng)絡(luò)模型本質(zhì)上所解決的問(wèn)題仍是分類或者說(shuō)模式識(shí)別問(wèn)題,但其原理卻與其做方法迥然相異。人工神經(jīng)網(wǎng)絡(luò)有多種模型,比如BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)、Hopfield網(wǎng)絡(luò)等。BP神經(jīng)網(wǎng)絡(luò)為目前研究最為成熟、算法最為穩(wěn)定同時(shí)應(yīng)用也最為廣泛的一種神經(jīng)網(wǎng)絡(luò)模型。

神經(jīng)網(wǎng)絡(luò)模型的優(yōu)點(diǎn)：有效地捕捉數(shù)據(jù)中非線性，非可加性的數(shù)量關(guān)系；適用于二元性，多元性和連續(xù)性的目標(biāo)變量；能處理連續(xù)性和類別性的預(yù)測(cè)變量。缺點(diǎn)：基本上是一個(gè)黑箱方案，難以理解；如果不經(jīng)過(guò)仔細(xì)控制，容易微調(diào)于樣本數(shù)據(jù)，從而不具備充分的抗震蕩性和穩(wěn)定性。

三、結(jié)語(yǔ)

信用評(píng)分作為一種嚴(yán)謹(jǐn)?shù)幕诮y(tǒng)計(jì)學(xué)等理論的決策手段,正在逐漸被我國(guó)商業(yè)銀行重視。信用評(píng)分系統(tǒng)的建設(shè)在我國(guó)屬于起步階段,應(yīng)逐步建設(shè)適合我國(guó)特色的、高水平的信貸決策支持制度不但需要借鑒國(guó)外已有的理論研究成果和實(shí)踐方案,更需要我國(guó)學(xué)界的創(chuàng)新或結(jié)合我國(guó)本土數(shù)據(jù)的實(shí)證研究。

參考文獻(xiàn):

[1]陳建:信用評(píng)分模型技術(shù)與應(yīng)用.中國(guó)財(cái)政經(jīng)濟(jì)出版社,2005

[2]郭敏華:信用評(píng)級(jí).中國(guó)人民出版社,2004

[3]孫薇:淺析信用風(fēng)險(xiǎn)評(píng)價(jià)方法.沿海企業(yè)與科技,2005