神經網絡的現狀

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篇神經網絡的現狀范文，相信會為您的寫作帶來幫助，發現更多的寫作思路和靈感。

神經網絡的現狀范文第1篇

由于人體與疾病的復雜性，不可預測性，非常適合人工神經網絡的應用。目前的研究幾乎涉及從基礎醫學到臨床醫學的所有方面，主要應用于生物信號的檢測與自動分析，醫學專家系統等。

在麻醉與危重醫學相關領域的研究涉及到多生理變量的分析與預測，從臨床數據中發現一些尚未發現或尚無確切證據的關系與現象，信號處理，干擾信號的自動區分檢測，各種臨床狀況的預測，單獨或結合其他人工智能技術進行麻醉閉環控制等。

在圍術期和重癥監護與治療階段，需要獲取大量的信息，將可能在信號處理、基于動態數據驅動的輔助決策專家系統、數據挖掘、各種臨床狀況的預測、智能化床旁監護、遠程醫療與教學、醫療機器人等各方面廣泛運用到人工神經網絡技術和其他人工智能技術。

一、概述

人工神經網絡（artificial neural network, ann）是人工智能(artificial intelligence, ai)學科的重要分支。經過50多年的發展，已成為一門應用廣泛，涉及神經生理學、認識科學、數理科學、心理學、信息科學、計算機科學、微電子學等多學科交叉、綜合的前沿學科。WWw.133229.CoM

現代計算機的計算構成單元的速度為納秒級，人腦中單個神經細胞的反應時間為毫秒級，計算機的運算能力為人腦的幾百萬倍。可是，迄今為止，計算機在解決一些人可以輕而易舉完成的簡單任務時，例如視覺、聽覺、嗅覺，或如人臉識別、騎自行車、打球等涉及聯想或經驗的問題時卻十分遲鈍。也不具備人腦的記憶與聯想能力，學習與認知能力，信息的邏輯和非邏輯加工能力，信息綜合判斷能力，快速的高度復雜信息處理速度等。

造成這種問題的根本原因在于，計算機與人腦采取的信息處理機制完全不同。迄今為止的各代計算機都是基于馮*紐曼工作原理：其信息存儲與處理是分開的；處理的信息必須是形式化信息，即用二進制編碼定義；而信息處理的方式必須是串行的。這就決定了它只擅長于數值和邏輯運算。而構成腦組織的基本單元是神經元，每個神經元有數以千計的通道同其他神經元廣泛相互連接,形成復雜的生物神經網絡。生物神經網絡以神經元為基本信息處理單元, 對信息進行分布式存儲與加工, 這種信息加工與存儲相結合的群體協同工作方式使得人腦呈現出目前計算機無法模擬的神奇智能。

人工神經網絡就是在對人腦神經網絡的基本研究的基礎上，采用數理方法和信息處理的角度對人腦神經網絡進行抽象，并建立的某種簡化模型。一個人工神經網絡是由大量神經元節點互連而成的復雜網絡,用以模擬人類進行知識的表示與存儲以及利用知識進行推理的行為。一個基于人工神經網絡的智能系統是通過學習獲取知識后建立的,它通過對大量實例的反復學習,由內部自適應機制使神經網絡的互連結構及各連接權值穩定分布，這就表示了經過學習獲得的知識。

人工神經網絡是一種非線性的處理單元。只有當神經元對所有的輸入信號的綜合處理結果超過某一門限值后才輸出一個信號。因此神經網絡是一種具有高度非線性的超大規模連續時間動力學系統。它突破了傳統的以線性處理為基礎的數字電子計算機的局限，標志著人們智能信息處理能力和模擬人腦智能行為能力的一大飛躍。

近20年來，神經網絡的軟件模擬得到了廣泛研究和應用，發展速度驚人。1987年在圣地亞哥召開了首屆國際神經網絡大會，國際神經網絡聯合會(inns)宣告成立。這標志著世界范圍內掀起神經網絡開發研究熱潮的開始。

二、醫學領域應用現狀與前景

由于人體與疾病的復雜性，不可預測性，在生物信號與信息的表現形式、變化規律（自身變化與醫學干預后變化），對其檢測與信號表達，獲取的數據及信息的分析、決策等諸多方面均存在大量復雜的非線性關系，非常適合人工神經網絡的應用。目前的研究幾乎涉及從基礎醫學到臨床醫學的所有方面，主要應用于生物信號的檢測與自動分析，醫學專家系統等。

1、信號處理：

在生物醫學信號的檢測和分析處理中主要集中對心電、腦電、肌電、胃腸電等信號的識別，腦電信號的分析，聽覺誘發電位信號的提取，醫學圖像的識別和數據壓縮處理等。

2、醫學專家系統

醫學專家系統就是運用專家系統的設計原理與方法, 模擬醫學專家診斷、治療疾病的思維過程編制的計算機程序, 它可以幫助醫生解決復雜的醫學問題, 作為醫生診斷、治療的輔助工具。 “傳統”的專家系統，通過把專家的經驗和知識以規則的形式存入計算機中，建立知識庫，用邏輯推理的方式進行醫療診斷。但一些疑難病癥的復雜形式使其很難用一些規則來描述，甚至難以用簡單的語言來表達；專家們常常難以精確分析自己的智能診斷過程。另一方面，基于規則的專家系統，隨著數據庫規模的增大，可能導致組合爆炸，推理效率很低。由于人工神經網絡能夠解決知識獲取途徑中出現的“瓶頸”現象、知識“組合爆炸”問題以及提高知識的推理能力和自組織、自學習能力等等, 從而加速了神經網絡在醫學專家系統中的應用和發展。

sordo比較了采用不同網絡結構和學習算法的神經網絡在診斷胎兒唐氏綜合征(down’s syndrome) 上的成績。正確分類率為84 %, 超過了現今所用的統計方法的60 %～70 % 的分類率。

臺灣deu科技（德亞科技）開發的計算機輔助檢測系統rapid screentm rs-2000為全世界最先通過美國fda認證的早期肺癌輔助診測系統。該產品采用人工智能神經網絡ann，自動標識數字胸片中可疑結節區。經臺灣和美國的臨床實驗，可使放射專家檢測t1期肺癌的能力明顯提高(潛在提升約15 %以上)。

degroff等使用電子聽診器和人工神經網絡制造了一種儀器，它可正確地區分兒童生理性和病理性雜音。用電子聽診器記錄的兒童心音，輸入能識別復雜參數的ann，分析的敏感性和特異性均達100%。

3、其他：

生物信息學中的研究中可應用于基因組序列分析、蛋白質的結構預測和分類、網絡智能查詢等方面。

藥學領域廣泛應用于定量藥物設計、藥物分析、藥動/藥效學等方面。例如：用于預測藥物效應。veng-pederson用神經網絡預測阿芬太尼對兔心率的影響，對用藥后180-300分鐘的藥物效應取得了較好的預測結果（平均相對預測準確度達78%）。分析群體藥動學數據，以獲知群體藥動學特征和不同人口統計因子對藥物行為的影響，對臨床用藥具有指導意義。

4、麻醉與危重醫學相關領域的研究

手術室和icu內是病人信息富集的地方，而且大量的信息處在動態變化中，隨著醫學技術的飛速進步，所能獲取的信息越來越多，醫護人員面臨著“信息轟炸”。神經網絡技術可以很好地幫助我們應對這些問題。例如：

1）可以用于分析多個生理變量之間的關系，幫助研究其內在的關系，或預測一些變量之間的關系：perchiazzi在肺損傷和正常的豬容量控制機械通氣中，用ann估計肺順應性的變化，不需要中斷呼吸，與標準方法相比誤差很小。

2）結合數據挖掘技術，可能從海量數據庫例如電子病歷系統中，發現一些尚未發現或尚無確切證據的關系與現象：buchman 研究了神經網絡和多元線形回歸兩種方法，用病人的基本資料、藥物治療差異和生理指標的變化預測在icu延遲（>7天）。

3）信號處理：ortolani等利用eeg的13個參數輸入ann，自行設計的麻醉深度指數ned0-100作為輸出，比較ned與bis之間有很好的相關性；

4）干擾信號的自動區分檢測：jeleazcov c等利用bp神經網絡區分麻醉中和后檢測到的eeg信號中的假信號，是傳統eeg噪音檢測方法的1.39-1.89倍。

5）各種臨床狀況的預測：laffey用ann預測肌肉松弛藥的殘留，發現明顯優于醫生的評估，還有用于預測propfol劑量個體差異的，預測術后惡心、嘔吐，預測全麻后pacu停留時間，預測icu死亡率等較多的研究。

神經網絡的現狀范文第2篇

關鍵詞：深度學習；機器學習；卷積神經網絡

1概述

深度學習（Deep Learning）是人工智能、圖像建模、模式識別、神經網絡、最優化理論和信號處理等領域的交叉學科，主要構建和模擬人腦進行分析學習，它屬于機器學習的新興領域。

2大數據與深度學習

目前，光學檢測、互聯網、用戶數據、互聯網、金融公司等許多領域都出現了海量數據，采用BP算法對于訓練神經網絡出現了梯度越來越稀疏、收斂到局部最小值只能用有標簽的數據來訓練等缺點。Hinton于2006年提出了深度學習的概念，Lecun等人提出了卷積神經網絡，卷積神經網絡利用空間關系減少參數數目以提高訓練性能。

CPU和GPU計算能力大幅提升，為深度學習提供了硬件平臺和技術手段，在海量大數據處理技術上解決了早期神經網絡訓練不足出現的過擬合、泛化能力差等問題。

大數據和深度學習必將互相支撐，推動科技發展。

3深度學習模型

深度學習模型實際上是一個包含多個隱藏層的神經網絡，目前主要有卷積神經網絡，深深度置信神經網絡，循環神經網絡。

1）卷積神經網絡

在機器學習領域，卷積神經網絡屬于前饋神經網絡的一種，神經元不再是全連接的模式，而是應用了局部感受區域的策略。然而傳統的神經網絡使用神經元間全連接的網絡結構來處理圖像任務，因此，出現了很多缺陷，導致模型⑹急劇增加，及其容易過擬合。

在卷積神經網絡中，網絡中的神經元只與前一層的部分神經元連接，利用圖像數據的空間結構，鄰近像素間具有更強的相關性，單個神經元僅對局部信息進行響應，相鄰神經元感受區域存在重疊，因此，綜合所有神經元可以得到全局信息的感知。

另外，一個卷積層中的所有神經元均由同一個卷積核對不同區域數據響應而得到，即共享同一個卷積核，使得卷積層訓練參數的數量急劇減少，提高了網絡的泛化能力。

一般在卷積層后面會進行降采樣操作，對卷積層提取的特征進行聚合統計。降采樣區域一般不存在重疊現象。降采樣簡化了卷積層的輸出信息，進一步減少了訓練參數的數量，增強了網絡的泛化能力。

卷積神經網絡實現了局部特征的自動提取，使得特征提取與模式分類同步進行，適用于處理高分辨率的圖像數據。目前，卷積神經網絡在圖像分類、自然語言處理等領域得到廣泛應用。

2）深度置信網絡

深度置信網絡是一種生成模型，網絡中有若干隱藏層，同一隱藏層內的神經元沒有連接，隱藏層間的神經元全連接。神經網絡經過“反向運行”得到輸入數據。

深度置信網絡可以用做生成模型，通過前期的逐層無監督學習，神經網絡可以較好的對輸入數據進行描述，然后把訓練好的神經網絡看作深度神經網絡，最后得到分類任務的深度神經網絡。

深度置信網絡可以用于圖像識別、圖像生成等領域，深度置信網絡可以進行無監督或半監督的學習，利用無標記數據進行預訓練，提高神經網絡性能。但近幾年由于卷積神經網絡的飛速發展，深度置信網絡已經很少被提及。

3）循環神經網絡

循環神經網絡是一種專門用于處理時序數據的神經網絡，它與典型的前饋型神經網絡最大區別在于網絡中存在環形結構，隱藏層內部的神經元是互相連接的，可以存儲網絡的內部狀態，其中包含序列輸入的歷史信息，實現了對時序動態行為的描述。這里的時序并非僅僅指代時間概念上的順序，也可以理解為序列化數據間的相對位置。如語音中的發音順序，某個英語單詞的拼寫順序等。序列化輸入的任務都可以用循環神經網絡來處理。如語音、視頻、文本等。對于序列化數據，每次處理時輸入為序列中的一個元素，比如單個字符、單詞、音節，期望輸出為該輸入在序列數據中的后續元素。循環神經網絡可以處理任意長度的序列化數據。

循環神經網絡可以用于機器翻譯、連寫字識別、語音識別等。循環神經網絡和卷積網絡結合，將卷積神經網絡用于檢測并識別圖像中的物體，循環神經網絡用于識別出物體的名稱為輸入，生成合理的語句，從而實現對圖像內容的描述。

4深度學習應用

1）語音識別

語音識別技術主要包括特征提取技術、模式匹配準則及模型訓練技術三個方面。其應用領域主要有語音輸入系統、語音控制系統和智能對話查詢系統，語音識別極大地推動了人工智能的快速發展。1952年Davis等人研究了世界上第一個能識別10個英文數字發音的實驗系統。大規模的語音識別研究是在20世紀70年代以后，在小詞匯量、孤立詞的識別方面取得了實質性的進展。2012年，微軟研究院使用深度神經網絡應用在語音識別上將識別錯誤率降低了20%，取得了突破性的進展。2015年11月17日，浪潮集團聯合全球可編程芯片巨頭Altera，以及中國最大的智能語音技術提供商科大訊飛，共同了一套DNN語音識別方案。

2）圖像分析

圖像是深度學習最早嘗試的應用領域。1989年，LeCun和他的同事們就發表了卷積神經網絡的工作。2012年10月，Hinton和他的兩個學生用更深的CNN在ImageNet挑戰上獲得了第一名，使圖像識別向前躍進了一大步。

自2012年以來，深度學習應用于圖像識別使得準確率大大上升，避免了消耗人工特征抽取的時間，極大地提升了效率，目前逐漸成為主流的圖像識別與檢測方法。

神經網絡的現狀范文第3篇

關鍵詞:城市產業結構;BP神經網絡模型;灰色GM(1,1)等維新息模型;預測

Abstract: According to the present situation of urban industrial structure and its change tendency, BP NN model and GM(1, 1)constant dimension mew information model are established to forecast the evolutionary tendency of urban industrial structure for the accuracy of forecast. Then the industrial percentage is modified on the basis of the weight in the evolutionary process of urban industrial structure to ensure the amount of industrial percentage as constant 1, which offer exact information to recognize the evolutionary tendency of urban industrial structure correctly and the relationship among them.

Key words: urban industrial structure;BP NN model;GM(1, 1)constant dimension mew information model;forecast

中圖分類號:TU-856 文獻標識碼:A 文章編號:1674-4144(2009)04-14(4)

作者簡介:王福林 武漢理工大學產業經濟學在職博士教授級高工

吳丹 河海大學博士生

1前言

城市產業結構是國民經濟中產業構成及所占比例的綜合概念,即在一定空間范圍內的三大產業構成及其各產業內部構成。正確認識和研究在一定地域空間范圍內的產業結構演變規律、經濟社會運行機制,深刻理解地區經濟發展的核心問題和資源的有效性、可用性,將有利于國民經濟的協調發展。

目前,許多學者對城市產業結構演變趨勢進行了系統深入地預測研究。張無畏①根據我國云南省及云南省各地建國以來產業結構的變動情況,利用三次產業分類法對云南省產業結構的發展和現狀進行了分析,并對云南省未來25年產業結構的發展作出預測。王惠文等②基于北京市三次產業結構的動態規律,對于一序列按照時間順序收集的成分數據,提出建立一種成分數據的非線性降維方法和預測模型,用于分析成分數據中各個份額隨時間的變化規律。周瑜等③針對江蘇省第三產業比重及其影響因素進行分析,提出運用灰色系統理論,建立灰色動態預測數學模型,對江蘇省第三產業比重進行預測。基于此,為提高城市產業結構演變趨勢預測的精度,采用BP神經網絡方法和灰色GM(1,1)等維新息模型對城市產業結構演變趨勢進行組合預測分析,以提高預測的精確性,并對城市產業結構演變過程中各產業比重進行權重修正,為正確認識城市產業演變趨勢和內部關系提供準確的信息。

2基于組合模型的城市產業結構演變趨勢預測

城市產業結構演變趨勢反映了城市各產業在產業結構中所占比重隨著時間變化而發生的變化趨勢,可結合其現狀及其變化趨勢,對未來城市產業結構的演變趨勢進行預測分析,根據產業結構布局的變化,為城市社會經濟發展過程中水資源以及各種能源資源的優化配置提供決策依據。為提高城市產業結構演變趨勢預測精度,采用BP神經網絡方法和灰色GM(1,1)等維新息模型對城市產業結構演變趨勢進行組合預測。

2.1 基于BP神經網絡模型的城市產業結構演變趨勢預測

人工神經網絡是一種包含許多簡單的非線性計算單元或連接點的非線性動力系統,具有很強的自適應、自學習及容錯能力,是一種強大的非線性信息處理工具,在模式識別、智能控制、圖形處理、預測和非線性優化等領域取得了成功的應用。BP神經網絡算法稱為誤差逆傳播算法,從結構上來講,它是一種分層型網絡,具有輸入層、中間層(隱含層)和輸出層,如圖1。

基于BP神經網絡強大的預測能力和預測精度,其在各個領域都得到廣泛的應用。這里,以歷年各產業在國民經濟中的比例為樣本,采用BP神經網絡,對城市產業結構演變趨勢進行預測,分析未來各產業在國民經濟中所占比重。設觀測到的某一產業在國民經濟中歷年的比重數據序列為x(1),x(2),… x(n),根據其中的n個觀測值,預測n+1所對應年份該產業在國民經濟中的比重。其具體步驟可表述為:

(1)BP網絡學習算法訓練網絡,見表1。

(2)訓練完畢后檢驗網絡預測精度,見表2。

利用BP神經網絡預測所得數據與x(n-1),x(n)所對應年份的實際數據進行對比。精度符合要求,網絡預測能力滿足要求,即以此對城市產業結構演變趨勢進行預測;精度不符合要求,預測能力不能滿足要求,需要對網絡重新訓練,返回1。

(3)預測n+1期所對應年份該產業在國民經濟中的比重,見表3。

采用BP神經網絡模型,可預測n+1期的城市產業結構演變趨勢,并在n+1期預測值的基礎上,進一步預測n+2期所對應年份城市產業結構演變趨勢,其中,n+2期所對應年份城市產業結構演變趨勢是以n+1期城市產業結構演變趨勢預測值為前提所進行的預測研究。

2.2 基于灰色GM(1,1)等維新息模型的城市產業結構演變趨勢預測

灰色系統預測理論對于信息不完整或不完全的實際情況具有良好的適用性,其中GM(1,1)模型具有充分利用“少數據”進行預測的優點,因此,可將各產業在國民經濟產業結構中所占的比重隨時間變化的數列作為原始序列,采用GM(1,1)模型對各產業在產業結構中的比重進行預測,以分析城市產業結構的演變趨勢。但GM(1,1)模型采用的是現實時刻t=n為止的過去的數據,然而,任何一個灰系統的發展過程中,隨著時間的推移,將會不斷地有一些隨機擾動或驅動因素進入系統,使系統的發展相繼的受其影響。故隨著系統的發展,舊數據的信息意義將逐步降低,而新數據的信息意義將逐步提高。因此,GM(1,1)模型在預測城市產業結構演變趨勢時本身存在一定的缺陷,針對其不足之處,為更好地反映系統將來的發展趨勢,可采用GM(1,1)等維新息模型對城市產業結構演變趨勢進行預測分析,灰色GM(1,1)等維新息模型通過不斷補充新信息,使建模數列更能反映系統目前的特征,更好地揭示了系統的發展趨勢,從而獲得較高的城市產業結構演變趨勢預測精度。預測各產業在城市產業結構中演變趨勢的灰色GM(1,1)等維新息模型的建模步驟可表述為:

記城市某產業在產業結構中所占比重按照時間先后順序排列而成的原始數列為x(0)

根據灰色系統理論對城市某產業在產業結構中所占比重的原始數列進行一階累加(1-AGO)生成后,得生成列x(1) ,即

z(1)為x(1)的緊鄰均值生成數列:

(1)灰微分方程的最小二乘估計參數滿足

(2)灰微分方程的白化方程 的時間響應式為

,t=1,2,……,n

(3)還原值

,t=1,2,……,n

① 當t≤n時,稱 為城市某產業在產業結構中所占比重的現狀模擬值;② 當t>n時,稱 為城市某產業在產業結構中所占比重的預測值。

(4)將最新信息x(1)(n+1)加入到城市某產業在產業結構中所占比重的現狀原始數列,利用建立等維新息模型,確定城市某產業在產業結構中所占比重的預測值。

2.3城市產業結構演變趨勢組合預測

2.3.1基于灰色神經網絡模型的城市產業結構演變趨勢組合預測

為了進一步提高城市產業結構演變趨勢預測的精度,結合BP神經網絡和灰色GM(1,1)等維新息模型的預測結果,對城市產業結構的演變趨勢進行組合預測,其公式為:

式中:xi(t)――t年i(i=1,2,……,I)產業在產業結構中所占比重的組合預測值;

xi(1)(t)―― t年i產業在產業結構中所占比重的神經網絡模型預測值;

xi(2)(t)―― t年i產業在產業結構中所占比重的灰色GM(1,1)等維新息模型預測值;

――為權重系數,通過預測值與實際值的差別,根據實際情況而定, 。

2.3.2 城市產業結構權重修正

通過灰色神經網絡模型的組合預測,可初步得出各產業在產業結構中所占比重,但其比重之和卻不等于常數1,為保障城市產業結構比重之和恒定為常數1,可根據式(7),對城市產業結構演變過程中各產業比重進行權重修正,即式中: :t年i(i=1,2,……,I)產業在產業結構中所占比重的修正組合預測值。

3算例分析

根據某城市社會經濟發展和產業結構的布局變化,對城市產業結構的演變趨勢進行預測分析。假定1990-2007年城市三產在國民經濟產業結構中所占比重數據,見表4。

根據表4中的數據,采用灰色神經網絡模型預測城市產業結構演變趨勢。

(1)BP神經網絡模型預測

利用matlab工具箱④,構建三層BP神經網絡,輸入層和隱層之間使用 sigmoid函數,隱層和輸出層之間使用pureline函數。訓練函數選擇trainlm,訓練最大步長5000次,均方誤差為10-5精度。經過訓練對比,預測第一產業隱層設計成8個結點,第二產業為15個節點,第三產業為10個節點。并通過檢驗,最終使用成功網絡完成預測。城市產業結構演變趨勢的檢驗和預測結果,見表5。

(2)灰色G(1,1)等維新息模型預測

城市產業結構演變趨勢的檢驗和預測結果,見表6。

(3)灰色神經網絡模型預測

為提高組合預測模型的擬合精度,調整BP神經網絡模型和灰色G(1,1)等維新息模型的權重系數,確定城市產業結構演變趨勢組合預測的組合預測結果,見表7。

根據表7結果可知,采用灰色神經網絡模型對城市產業結構演變趨勢進行組合預測,繼承了BP神經網絡模型和灰色G(1,1)等維新息模型預測精準的優勢,并在此基礎上增強了預測精度。利用式(8),對2008年―2009年的預

測結果進行修正,最終得到2008年―2009年三產產業比重的組合預測結果。

4結論

基于城市產業結構發展現狀及其變化趨勢,在建立BP神經網絡模型和灰色GM(1,1)等維新息模型的基礎上,結合算例分析,對城市產業結構演變趨勢進行組合預測,根據組合預測結果可知,灰色神經網絡模型在預測城市產業結構演變趨勢過程中,具有較高的精確度。

①張無畏.云南省產業結構現狀分析及發展趨勢預測[J].楚雄師范學院學報,2002,17(5):79-82.

②王惠文,黃薇,劉強.北京市三次產業預測分析[J].系統工程理論與實踐,2003,(6):123-126.

神經網絡的現狀范文第4篇

關鍵詞：神經網絡；過程控制；模糊控制

我國礦石“貧、細、雜”，礦石成分復雜，性質波動嚴重，因而造成了我國浮選過程控制水平不高，浮選藥劑消耗量大，產品質量波動大，精礦回收率低，經濟效益差的現狀，嚴重影響了我國鋼鐵工業的國際競爭力。因此急需能夠滿足我國浮選工藝現狀的檢測設備及先進控制算法，以提高我國浮選過程控制水平，以穩定產品質量，為后序煉鐵工序提供更好的原料。

對于浮選工藝過程控制，藥劑控制是根本性的。以反浮選為例，如果給藥量過少，無用礦物成分就不能充分浮選，則會導致精礦品位降低，不能滿足產品質量要；如果藥劑量過多，不但藥劑費用大，而且會導致返回的中礦量增加和尾礦品位增高，回收率降低，經濟效益不理想。

本文根據影響浮選藥劑用量的因素確定了RBF神經網絡模型的結構。針對RBF神經網絡參數難以確定的缺點，提出一種基于蟻群算法RBF神經網絡優化方法。并通過仿真結果證明了該算法的有效性。

1 藥劑量控制模型結構確定

目前傳統的藥劑添加方法是以給礦流量為參考，在應用比例控制的方法的基礎上根據操作工經驗來控制藥劑流量。但由于浮選過程的嚴重非線性、干擾因素眾多且系統存在大滯后。這種簡單的控制方法難以保證浮選最終精礦品位的穩定，同時影響了精礦回收率。即使在浮選槽出口安裝上價值昂貴的在線精礦品位檢測儀表，由于浮選過程的大滯后特性，常規的閉環控制方法也難以達到目的。所以本章主要通過應用浮選生產過程中積累的大量生產數據，根據相應的浮選工藝參數，使用RBF神經網絡技術對浮選過程進行建模。然后根據初始生產條件，應用建立好的數學模型預測所需的藥劑用量，從而克服系統的大滯后、非線性特性，穩定浮選生產過程。

通過現場調研，我們知道原礦性質和藥劑用量與浮選槽出口精礦品位有直接關系。最后我們依據工藝機理和現場操作工經驗知識，最終確定給礦品位、給礦流量、給礦粒度、給礦濃度、精礦品位5個變量對藥劑流量影響最大。

因此本文將給礦品位、給礦流量、給礦粒度、給礦濃度和精礦品位5個變量作為浮選藥劑量控制模型的輸入變量，將浮選藥劑流量作為模型輸出變量，從而建立一個5輸入、1輸出的RBF神經網絡模型，模型結構如圖1所示。

圖1 浮選藥劑量控制模型結構圖

2 基于蟻群算法的網絡泛化能力優化

我們應用處理后的樣本數據對網絡性能進行了測試（這里我們使用了700組樣本數據作為網絡訓練數據，50組數據作為網絡性能測試數據，網絡訓練停止條件是網絡訓練誤差小于網絡訓練停止誤差或者超過最大訓練次數。我們把網絡最大訓練次數規定為5000次），測試中發現了兩個問題。一是值得大小對網絡測試誤差的影響很大；二是網絡的訓練停止誤差（訓練次數）大小也影響測試誤差的大小。有時網絡訓練停止誤差越小，反而網絡的性能越差。下面給出了仿真測試曲線：

圖2 不同r值下的模型預測曲線

3 蟻群算法優化RBF神經網絡參數

從網絡性能測試結果和上面關于神經網絡泛化能力的相關知識我們可以知道，要提高本文RBF神經網絡模型的泛化能力。在網絡訓練過程中，我們所能做的就是在確定一個合適的r值（確定合理網絡結構），并且判定合理的網絡訓練停止誤差（也可以是學習次數）。

[圖3 蟻群算法優化RBF神經網絡參數流程圖]

但是由于r值和網絡訓練停止誤差是兩個參數，只有在兩個參數都合適的情況下才能獲得最好的網絡性能。這樣如何尋找這兩個參數的最優組合就成了問題的關鍵點。采用手動試驗的方式由于兩個參數的不同組合太多而難以實施。因而本文決定采用目前流行的蟻群優化算法對上述兩個參數進行優化，來提高RBF神經網絡的性能。本文應用蟻群算法優化RBF神經網絡參數的流程如圖3所示。

這里我們將樣本數據分成3個部分：一部分為訓練樣本集；一部分為內部測試樣本集；一部分為外部測試樣本集。蟻群算法優化RBF神經網絡參數的工作過程如下：

Step1：蟻群算法參數。

Step2：隨機選定r值和網絡訓練停止誤差。

Step3：采用文中的網絡中心和權值訓練方法，應用訓練樣本集訓練RBF網絡。訓練結束后，應用內部測試樣本集測試網絡泛化誤差。

Step4：根據泛化誤差計算蟻群算法適應度函數，適應度函數值滿足要求或蟻群算法迭代次數超過目標次數則停止算法，并給出參數優化結果。否則進行蟻群算法操作重新搜索r值和網絡訓練停止誤差后返回Step3。

通過蟻群算法的優化，我們最后得到r=1.37，網絡訓練停止誤差為6.3×10-4。此時RBF神經網絡仿真結果如下：

[圖4 蟻群算法優化后的模型預測曲線]

神經網絡的現狀范文第5篇

【關鍵詞】供水管道；泄露檢測；神經網絡

【中圖分類號】TP393【文獻標識碼】A【文章編號】1672-5158（2013）07-0063-02

Automatic Detection and Diagnosis of Water-Supply Pipe Leakage

WU Feng-quan￡？LI Hong-da

￡¨Information center， Chengde Petroleum College， Chengde， Hebei 067000￡？

【Abstract】This paper presents the design and implementation of Automatic Detection and Diagnosis about Water-Supply Pipe Leakage. After analyzing the current methods about Water-Supply Pipe Leakage， the merits and shortcomings of some older and newer technologies aren pointed out.At the same time， a mothod of leakage detection based on BPNN is put forward.

【Key words】 Water-Supply Pipe； Leakage Detection； Neural Network

1 引言

世界各國尤其是發達國家都非常重視供水節水的管理工作。很早就開展了漏損控制技術及設備的研究、開發工作，其漏失率遠低于亞洲國家。

我國由于城市基礎設施欠賬太多、供水設備的更新、技術水平提高緩慢，加上管理體制落后于不斷發展的形勢，使管網漏損率均未達到《城市供水2000年技術進步發展規劃》所規定的目標，大多數城市供水漏失率多在25%～30%。與發達國家比較還有很大的差距。

為指導節水技術開發和推廣應用，推動節水技術進步，提高用水效率和效益，促進水資源的可持續利用，國家發展改革委、科技部會同水利部、建設部和農業部組織制訂了2005年第17號《中國節水技術政策大綱》，其中就提及到要積極采用城市供水管網的檢漏和防滲技術。

2 國內外研究現狀分析

目前，已有的管道泄漏檢測方法中，流量平衡法與壓力差法是基于物質守恒與能量守恒來判斷泄漏的發生，無法定位；應力波法是利用流體泄漏時引發的沿管壁傳播的應力波來判斷泄漏和定位，對外帶包層或埋地的管道，應力波衰減很快，長距離難以檢測，限制了這種方法的應用；SCADA模型法響應速度較快，可快速檢出管道較大的泄漏，但投資很大，沿管道需要安裝復雜的控制傳感系統。我國大中城市中使用的檢漏手段基本上還是人工聽漏法，這種原始的人工聽漏方法可靠性低，抗干擾性差，需要耗費大量人力。近年來，國內外發展起來一些新的基于現代控制理論、信號處理的泄漏檢測與定位技術，這些方法仍然需要大量的數學建模。

針對以上各種方案的不足，提出應用神經網絡的自組織、自學習能力進行供水管道泄露的診斷方法，這種方法只需將給水管網的各種工況下對測壓點造成影響的數據輸入神經網絡，讓其充分學習直到收斂，然后在將來的檢測中只需將測壓點數據輸入訓練好的神經網絡就可以判斷管網是否發生滲漏，并確定滲漏位置。而測壓點的數據是可以通過SCADA實時傳回來，這樣也就實現了管道泄露的實時診斷。

3 基于BP算法的神經網絡設計

三層BP神經網絡技術應用中最關鍵的構造參數包括輸入層、隱含層和輸出層的節點數，以及在神經網絡各層之間連接權值和節點閾值的初始化。

3.1 輸入層節點數

由于實際管網的節點數較多，如果全部做為神經網絡的原始訓練數據，將會導致運算量過大，且難以收斂，可以采用管道泄露前后6個監測點（含泄漏點）水壓變化數據進行訓練。采用水壓監測診斷故障的方法可以充分利用現有的SCADA系統，從而可以很容易實現。

除了管道泄露前后6個監測點（含泄漏點）外，還包括該泄漏點處的正常工況下的水壓，因此輸入層共有7個節點，即輸入模式向量的維數為7。表1為各工況下測壓點水頭。

3.2 輸出層節點數

輸出層的節點數即各模式理想的輸出向量的維數，因為理想輸出向量必須能區分各種不同的模式，因此輸出層的節點數跟模式的個數相關。因為模式個數為7個，因此輸出層節點數可以取1個或7個等。用1個輸出層節點的神經網絡，其模式分類和辨別能力是不夠的。當取7個輸出節點時，輸出向量分別為（0，0，0，0，0，1）；（0，0，0，0，1，0）；（0，0，0，1，0，0）；（0，0，1，0， 0，0）；（0，1，0，0，0，0）；（1，0，0，0，0，0）；（0，0，0，0，1，1）。

3.3 隱含層節點數

采用適當的隱含層節點數往往是網絡成敗的關鍵。中間層節點數選用太少，網絡難以處理較復雜的問題；但若中間層節點數過多，將使網絡訓練時間急劇增加，而且過多的節點數容易使網絡訓練過度。

可以用幾何平均規則來選擇隱含層中的節點數。那么，具有n個輸入節點及m個輸出節點對三層網絡，其中間層節點數 hm n？。隱含層節點數可取7，嘗試取隱含層節點數的范圍為3～50，以對其在更大的范圍內進行優化。

3.4 程序流程圖

圖1為三層BP神經網絡的程序流程圖。

圖5 隱含層節點數為35時的誤差曲線

3.6 網絡仿真結果

BP神經網絡仿真結果如表2所示。

從仿真結果可以看出，該神經網絡已經能夠很好的識別不同節點發生滲漏時的特征，給出的仿真結果與期望的輸出T矩陣非常相似，最大誤差小于1e-6。

3.7 驗證神經網絡

將節點10411滲漏后各節點水頭數據：

L=[37.47，35.06，35.29，37.46，33.01，29.74]

輸入已經訓練好的神經網絡，通過調用SIGMOID函數，輸出結果如表3所示。

由結果可以看出，目標輸出與實際輸出非常接近，誤差滿足10E-5精度，所以可以證明此神經網絡完全具有診斷管網泄露的能力。

4 結束語

本文所提出的基于BP神經網絡來檢測與診斷泄露的方法。該方法應用神經網絡的自組織、自學習能力進行供水管道泄露的診斷方法，只需將給水管網的各種工況下對測壓點造成影響的數據輸入神經網絡，讓其充分學習直到收斂，然后在將來的檢測中只需將測壓點數據輸入訓練好的神經網絡就可以判斷管網是否發生滲漏，并確定滲漏位置。而測壓點的數據是可以通過SCADA實時傳回來，實現了管道泄露的實時診斷。適合于城市供水管道泄露的檢測和診斷，有較好的發展前景。

參考文獻

[1] 順舟科技Z-BEE無線產品技術手冊

[2] AN965 Microchip ZigBeeTM協議棧

[3] 王巖，張國山.基于ZigBee協議的無線傳感器網絡設計.微計算機信息，2008，4-1：21-23