人工神經(jīng)網(wǎng)絡的算法

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

人工神經(jīng)網(wǎng)絡的算法范文第1篇

關(guān)鍵詞：入侵檢測 神經(jīng)網(wǎng)絡 人工魚群算法 模型參數(shù)

中圖分類號：TP18 文獻標識碼：A 文章編號：1674-2117（2014）20-00-01

1 前言

21世紀是網(wǎng)絡的時代，網(wǎng)絡已進入人們的日常生活，成為人們通信和交流的工具，人們對于網(wǎng)絡的依賴也越來越強。

針對網(wǎng)絡入侵檢測問題，國內(nèi)外許多學者進行了深入研究，提出了許多有效的網(wǎng)絡入侵檢測模型。在網(wǎng)絡入侵檢測過程，網(wǎng)絡入侵分類器設計是網(wǎng)絡入侵檢測的關(guān)鍵，當前網(wǎng)絡入侵分類器主要有基于支持向量機、K最近鄰算法、神經(jīng)網(wǎng)絡等進行設計。其中出回聲狀態(tài)神經(jīng)網(wǎng)絡（Echo State Network，ESN）是一種新型的網(wǎng)絡，具有簡單、易實現(xiàn)、泛化能力優(yōu)異等優(yōu)點，成為網(wǎng)絡入侵檢測中的主要研究方向。人工魚群算法（Artificial Fish Swarm Algorithm，AFSA）是一種采用自下而上信息尋優(yōu)模式的智能搜索算法，具有并行性、收斂速度快等優(yōu)點，為回聲狀態(tài)神經(jīng)網(wǎng)絡參數(shù)優(yōu)化提供了一種新的工具。

2 人工魚算法優(yōu)化神經(jīng)網(wǎng)絡的入侵檢測模型

2.1 回聲狀態(tài)神經(jīng)網(wǎng)絡

ESN是一種由輸入層、內(nèi)部儲備池和輸出層組成的非線性遞歸神經(jīng)網(wǎng)絡，其狀態(tài)方程為：

式中，sigmoid為激活函數(shù)；Win和Wx分別為輸入和儲備池內(nèi)部的連接矩陣；μ（t），x（t）分別表示t時刻的輸入向量和儲備池內(nèi)部狀態(tài)向量量，sin為輸入項比例系數(shù)；ρ為內(nèi)部儲備池的譜半徑。

那么ESN的輸出方程為

（2）

式中，y（t）為t時刻的輸出向量Wout為輸出連接向量。

輸出權(quán)值對ESN性能起著關(guān)鍵作用，常采用最小二乘法進行求解，目標函數(shù)的最小化形式為

式中 ，

，N為儲備池節(jié)點數(shù)；l為訓練樣本數(shù)。

根據(jù)式（3）式得到解

（4）

式中，為的估計值。

從式（1）可知，參數(shù)sin和ρ的選取影響回聲狀態(tài)神經(jīng)網(wǎng)絡的性能，本文采用人工魚群算法（AFSA）對參數(shù)sin和ρ的選擇，以提高網(wǎng)絡入侵的檢測正確率。

2.2 人工魚群算法

工魚群算模擬魚群覓食的行為，人工魚個體的狀態(tài)可表示為向量Xi=（xi1，xi2，…，xiD），食物濃度表示為Y=f（x），其中Y為目標函數(shù)值；Visual表示人工魚的感知范圍：Step表示人工魚移動的步長；δ表示擁擠度因子。人工魚的行為包括以下幾種：①覓食行為；②聚群行為；③追尾行為；④隨機行為。

2.3 人工魚群算法優(yōu)化神經(jīng)網(wǎng)絡參數(shù)

（1）初始化人工魚群算法參數(shù)，主要包括人工魚群數(shù)以及最大迭代次數(shù)；（2）初始位置為回聲狀態(tài)神經(jīng)網(wǎng)絡的參數(shù)；（3）計算適應度函數(shù)，并選擇適應度函數(shù)值最大的人工魚個體進入公告板；（4）人工魚模擬魚群覓食行為，得到新的人工魚位置；（5）與公告板人工魚的位置進行比較，如果優(yōu)于公告板，那么將該人工魚位置記入公告牌；（6）將最優(yōu)公告牌的位置進行解碼，得到回聲狀態(tài)神經(jīng)網(wǎng)絡最優(yōu)參數(shù)；（7）利用最優(yōu)參數(shù)建立網(wǎng)絡入侵檢測模型，并對其性能進行測試。

3 仿真實驗

3.1 仿真環(huán)境

數(shù)據(jù)來自網(wǎng)絡入侵標準測試集KDDCUP99數(shù)據(jù)集，其包括4種入侵類型：DoS、Probe、U2R和R2L，同時包括正常樣本，每一個樣本共有41個特征，7個符號型字段和34個數(shù)值型字段。由于KDDCup99數(shù)據(jù)集樣本多，從中隨機選擇部分數(shù)量的數(shù)據(jù)進行測試，數(shù)據(jù)具體分布見下表。為了使本文模型的結(jié)果具有可比性，采用PSO算法優(yōu)化回聲狀態(tài)神經(jīng)網(wǎng)絡（PSO-ESN），遺傳算法優(yōu)化回聲狀態(tài)神經(jīng)網(wǎng)絡（GA-ESN）進行對比實驗。

樣本集分布情況

入侵類型 訓練樣本 測試樣本

DoS 2000 400

Probe 1000 200

R2L 500 100

U2R 100 20

3.2 結(jié)果與分析

所有模型對網(wǎng)絡入侵數(shù)據(jù)進行建模，仿真結(jié)果如圖1和圖2所示。從圖1和圖2進行仔細分析，可以知道，相對于PSO-ESN、GA-ESN，人工魚群算法優(yōu)化神經(jīng)網(wǎng)絡的入侵檢測性能最優(yōu)，網(wǎng)絡入侵檢測的誤報率更低，具有十分明顯的優(yōu)勢，在網(wǎng)絡安全領(lǐng)域具有廣泛的應用前景。

圖1幾種模型的檢測率比較

圖2幾種模型的誤報率比較

4 結(jié)語

針對回聲狀態(tài)神經(jīng)網(wǎng)絡參數(shù)優(yōu)化難題，提出一種人工魚群算法優(yōu)化回聲狀態(tài)神經(jīng)網(wǎng)絡參數(shù)的入侵檢測模型。仿真結(jié)果表明，相對于對比模型，本文模型提高了網(wǎng)絡入侵的檢測率，同時誤報率明顯降低，具有一定的實際應用價值。

參考文獻：

[1]唐正軍，李建華.入侵檢測技術(shù)[M].北京：清華大學出版社，2004.

人工神經(jīng)網(wǎng)絡的算法范文第2篇

關(guān)鍵詞：脈沖耦合神經(jīng)網(wǎng)絡（PNCC）；人工神經(jīng)網(wǎng)絡；車輪定位；側(cè)滑

隨著交通系統(tǒng)的越來越發(fā)達，特別是高速公路的迅速發(fā)展，人們駕駛汽車的速度也是越來越快。隨著行車速度的提高，汽車的操控是否穩(wěn)定對汽車的駕駛?cè)藛T的安全來講至關(guān)重要。而汽車操控的穩(wěn)定性則由汽車的車輪定位參數(shù)來決定。車輪的定位主要有2種即前輪的定位和后輪的定位。而前輪的定位參數(shù)有：前輪前束、前輪后傾角、主銷后傾角、主銷內(nèi)傾角等組成；后輪定位參數(shù)有：后輪前束、后輪后傾角等組成。對于不同檔次的汽車有的只有前輪定位，有的前輪定位和后輪定位都有。不管前后輪定位是不是都有，只要有一個定位參數(shù)有錯誤將會產(chǎn)生非常嚴重的影響，主要是影響汽車的操控穩(wěn)定性。如果主銷后傾角過大時則會使轉(zhuǎn)向沉重；而主銷后傾角過小則很容易引起前輪擺振，方向盤搖擺不穩(wěn)以及方向盤自動回正能力變差；如果汽車左右后傾角偏差過大那么就會將引起直線行駛時跑偏，而后輪前束不正確則不僅會引起直線行駛時跑偏，還會造成輪胎非正常磨損等?？傊?，汽車的車輪定位檢測對于汽車的駕駛者來講是非常重要的。

1汽車誕生之后出現(xiàn)的車輪定位檢測的方法

在最早的時候，主要是使用專用的定位測量工具來測量的，如前束尺、外傾角、后傾角等測量工具。隨著汽車技術(shù)的迅猛發(fā)展，使用這些定位測量工具遠遠滿足不了現(xiàn)在定位檢測的要求。為了提高定位檢測的效率，在市面上出現(xiàn)了一種采用激光技術(shù)測量前束的光學水準定位儀。使用這種定位儀的時候操作比較簡單，價格也比較低，但是使用它測量的時候仍然需要人工來讀取數(shù)據(jù)。再后來隨著電腦式四輪定位儀的出現(xiàn)，大大提高了原先的定位檢測效率。這種電腦式的四輪定位儀由電腦主機、顯示器、打印機、前后車輪檢測傳感器、傳感器支架等硬件組成，并且還配有數(shù)字視頻圖像數(shù)據(jù)庫，通過數(shù)據(jù)庫可以顯示檢查和調(diào)整的準確位置等。為了更智能化地進行車輪的定位檢測，最新的車輪定位系統(tǒng)開始引入了第三代人工神經(jīng)網(wǎng)絡模型，也就是專業(yè)上來講的脈沖耦合神經(jīng)網(wǎng)絡。這一概念的引入給汽車車輪定位檢測系統(tǒng)帶來了智能化。

2人工神經(jīng)網(wǎng)絡系統(tǒng)

它是一種采用類似人的大腦神經(jīng)的工作模式，將復雜的人類大腦用于處理某些復雜的信息并具有一定的智能性。人工神經(jīng)網(wǎng)絡以其大規(guī)模的并行計算能力、自適應性和容錯性，在工業(yè)過程中發(fā)揮了非常重要的作用，并迅速應用到了各個應用領(lǐng)域。第三代人工神經(jīng)網(wǎng)絡，是一種新型的人工神經(jīng)網(wǎng)絡。稱為脈沖耦合神經(jīng)網(wǎng)絡（PCNN：Pulse Coupled NeuralNetwork）。這種模型已經(jīng)開始在汽車車輪定位檢測系統(tǒng)中得到了應用。特別是近幾年，人工神經(jīng)網(wǎng)絡技術(shù)逐步開始應用在汽車故障預測、監(jiān)測和診斷領(lǐng)域等方面。本文將對第三代人工神經(jīng)網(wǎng)絡即脈沖耦合神經(jīng)網(wǎng)絡（PNCC）在汽車車輪定位檢測中的應用進行簡要的分析。

人工神經(jīng)網(wǎng)絡因為是源于生物類的大腦活動模式，所以這種人工神經(jīng)網(wǎng)絡也是由很多的神經(jīng)元組成的。這些神經(jīng)元相互連接，就形成了人工神經(jīng)網(wǎng)絡。因為人腦工作模式的特殊性，這些人工神經(jīng)網(wǎng)絡的工作模式也不是一般的線性元素所能完成的。和人類大腦一樣，神經(jīng)元也是人工神經(jīng)網(wǎng)絡的基礎處理單位。輸入的信號可以是多種的，而輸出的結(jié)果只有一種，這和人類的大腦工作模式是一致的。通過了解，人們知道這種脈沖耦合神經(jīng)網(wǎng)絡的應用已經(jīng)非常廣泛了。特別是應用在日常生活中所見到的圖像處理中。因應用方向不同，在引入這種脈沖耦合神經(jīng)網(wǎng)絡的時候所采用的各種方法手段及其設置也都不一樣。這些參數(shù)的設置直接影響著輸出結(jié)果。所以一旦引入了這個概念，就需要通過大量的實驗來驗證參數(shù)設置的正確性以及有效性。避免因為前期的設置問題，導致后期出結(jié)果的時候有較大的偏差。所以應該把重點放在前期的實驗數(shù)據(jù)上。特別是數(shù)據(jù)的選擇及環(huán)境的選擇上。人工神經(jīng)網(wǎng)絡是不同于任何網(wǎng)絡的一種類似智能的網(wǎng)絡架構(gòu)，它的工作模式和任何的其它網(wǎng)絡都不一樣，它的這一特性，讓人們能夠從中理解了這種類似大腦的神經(jīng)元工作模式。大腦在工作的時候主要靠這些相互連接的神經(jīng)元相互作用，傳送信號，當然這些看似零亂的神經(jīng)元也是有一定的組織結(jié)構(gòu)的，之間也形成了一種特殊的網(wǎng)絡拓撲結(jié)構(gòu)。在傳遞信號的時候，可以通過各種刺激來增強或減弱相關(guān)的神經(jīng)元的傳遞信號。當然這種神經(jīng)元信號在傳遞的時候速度是非?？斓模瑑H次于人類的神經(jīng)元傳遞速度。而要遠快于計算機信號的傳遞速度，人工神經(jīng)網(wǎng)絡在工作的時候，除了可以傳遞信號外，還可以通過各種刺激來增強或減弱相關(guān)的神經(jīng)元信號。正是因為這種特性，才讓人們選擇了將脈沖耦合神經(jīng)網(wǎng)絡應用在各個領(lǐng)域中。因為這些優(yōu)勢，它的應用正在逐步擴大，開始應用在各行各業(yè)中。

3脈沖耦合神經(jīng)網(wǎng)絡

同人類的神經(jīng)網(wǎng)絡系統(tǒng)一樣，脈沖耦合神經(jīng)網(wǎng)絡是由大量的神經(jīng)元組成的，這些神經(jīng)元都是簡單結(jié)構(gòu)的，但是神經(jīng)元都是相互連接的，彼此可以接受其它大量神經(jīng)元傳輸過來的信息。每一個神經(jīng)元都可以接收和輸出信息。當然這些輸入、輸出的信息都不是傳統(tǒng)形式的信息。它的輸入、輸出不是線性關(guān)系的輸入、輸出。這樣每個不同位置的神經(jīng)元都在接收和輸出非線性關(guān)系的信息。它們之間相互影響、相互制約，最終影響到結(jié)果的輸出。同人類的大腦神經(jīng)網(wǎng)絡一樣，人工神經(jīng)網(wǎng)絡系統(tǒng)也需要學習。就像人類從誕生開始就要接受學習一樣，人類通過年齡的增長，逐步學習到相應的知識，最終形成了成人的大腦神經(jīng)網(wǎng)絡，當人們遇到事情需要處理的時候，大腦神經(jīng)網(wǎng)絡就開始接收外界的信息，然后根據(jù)收到的信息進行非線性運算，最終得出結(jié)果或結(jié)論。人工神經(jīng)網(wǎng)絡也需要進行這樣的學習，只不過這樣的學習和人類的學習不太一樣，人工神經(jīng)網(wǎng)絡學習有各種各樣的算法。而脈沖耦合神經(jīng)網(wǎng)絡和傳統(tǒng)的人工神經(jīng)網(wǎng)絡還不太一樣，這種系統(tǒng)不需要對傳統(tǒng)的網(wǎng)絡參數(shù)進行學習，這種系統(tǒng)需要在前期對不同環(huán)境下的參數(shù)進行特定的設置。這是傳統(tǒng)神經(jīng)網(wǎng)絡發(fā)展的趨勢。包括從人工神經(jīng)網(wǎng)絡的信號輸入到信號輸出都有別于傳統(tǒng)的人工神經(jīng)網(wǎng)絡。人的大腦在人出生的時候只是決定了這個神經(jīng)網(wǎng)絡的基礎，后天的影響因素能夠起到非常重要的作用。而人工神經(jīng)網(wǎng)絡在這一點上則不同于人的大腦。當然人工神經(jīng)網(wǎng)絡的工作原理和計算機的工作原理也不一樣，計算機只會根據(jù)提供的信息進行一步一步的計算，每一步的計算都有依據(jù)，有很強的邏輯性。而人工神經(jīng)網(wǎng)絡在工作的時候，則是依據(jù)正常的大腦工作原理，進行非線性甚至非邏輯的運算，最終迅速得出結(jié)論或結(jié)果。

綜上所了解的知識，得出了需要利用人工神經(jīng)網(wǎng)絡技術(shù)中的BP神經(jīng)網(wǎng)絡算法對車輪的兩個定位參數(shù)外傾角和前束角進行檢測。同時，由前面理論可以了解到：當汽車發(fā)生側(cè)滑的時候很可能是因為車輪的外傾角或汽車的前束角引起的。所以，就要通過使用人工神經(jīng)網(wǎng)絡系統(tǒng)對這一可能引起側(cè)滑的位置進行檢測。本文主要通過對映射反推原理對車輪的外傾角、前束角等進行定位檢測。通過反射的定位角度，還確定是否有問題。當然這些都需要提前做大理的工作準備。首先需要進行大量的神經(jīng)網(wǎng)絡模型訓練，然后通過前期設置的車輪定位參數(shù)，將最終得出的結(jié)果進行比較，最后建立一個可以準確診斷的數(shù)學模型。這樣以后就要以通過這個建立的數(shù)學模型進行定位角的測量了。

人工神經(jīng)網(wǎng)絡的算法范文第3篇

【關(guān)鍵詞】人工神經(jīng)網(wǎng)絡 BP神經(jīng)網(wǎng)絡 圖像識別 識別技術(shù)

通常而言，所謂圖像處理與識別，便是對實際圖像進行轉(zhuǎn)換與變換，進而達到識別的目的。圖像往往具有相當龐大的信息量，在進行處理圖像的時候要進行降維、 數(shù)字化、濾波等程序，以往人們進行圖像識別時采用投影法、不變矩法等方法，隨著計算機技術(shù)的飛速發(fā)展，人工神經(jīng)網(wǎng)絡的圖像識別技術(shù)將逐漸取代傳統(tǒng)的圖像識別方法，獲得愈來愈廣泛的應用。

1 人工神經(jīng)網(wǎng)絡圖像識別技術(shù)概述

近年來，人工智能理論方面相關(guān)的理論越來越豐富，基于人工神經(jīng)網(wǎng)絡的圖像識別技術(shù)也獲得了非常廣泛的應用，將圖像識別技術(shù)與人工神經(jīng)網(wǎng)絡技術(shù)結(jié)合起來的優(yōu)點是非常顯著的，比如說：

（1）由于神經(jīng)網(wǎng)絡具有自學習功能，可以使得系統(tǒng)能夠適應識別圖像信息的不確定性以及識別環(huán)境的不斷變化。

（2）在一般情況下，神經(jīng)網(wǎng)絡的信息都是存儲在網(wǎng)絡的連接結(jié)構(gòu)以及連接權(quán)值之上，從而使圖像信息表示是統(tǒng)一的形式，如此便使得知識庫的建立與管理變得簡便起來。

（3）由于神經(jīng)網(wǎng)絡所具有的并行處理機制，在處理圖像時可以達到比較快的速度，如此便可以使圖像識別的實時處理要求得以滿足。

（4）由于神經(jīng)網(wǎng)絡可增加圖像信息處理的容錯性，識別系統(tǒng)在圖像遭到干擾的時候仍然能正常工作，輸出較準確的信息。

2 圖像識別技術(shù)探析

2.1 簡介

廣義來講，圖像技術(shù)是各種與圖像有關(guān)的技術(shù)的總稱。根據(jù)研究方法以及抽象程度的不同可以將圖像技術(shù)分為三個層次，分為：圖像處理、圖像分析以及圖像理解，該技術(shù)與計算機視覺、模式識別以及計算機圖形學等學科互相交叉，與生物學、數(shù)學、物理學、電子學計算機科學等學科互相借鑒。此外，隨著計算機技術(shù)的發(fā)展，對圖像技術(shù)的進一步研究離不開神經(jīng)網(wǎng)絡、人工智能等理論。

2.2 圖像處理、圖像識別與圖像理解的關(guān)系

圖像處理包括圖像壓縮、圖像編碼以及圖像分割等等，對圖像進行處理的目的是判斷圖像里是否具有所需的信息并濾出噪聲，并對這些信息進行確定。常用方法有灰度，二值化，銳化，去噪等；圖像識別則是將經(jīng)過處理的圖像予以匹配，并且對類別名稱進行確定，圖像識別可以在分割的基礎之上對所需提取的特征進行篩選，然后再對這些特征進行提取，最終根據(jù)測量結(jié)果進行識別；所謂圖像理解，指的是在圖像處理與圖像識別的基礎上，根據(jù)分類作結(jié)構(gòu)句法分析，對圖像進行描述與解釋。所以，圖像理解包括圖像處理、圖像識別和結(jié)構(gòu)分析。就圖像理解部分而言，輸入是圖像，輸出是對圖像的描述解釋 。

3 人工神經(jīng)網(wǎng)絡結(jié)構(gòu)和算法

在上個世紀八十年代，McClelland與Rumelhant提出了一種人工神經(jīng)網(wǎng)絡，截止現(xiàn)在，BP神經(jīng)網(wǎng)絡已經(jīng)發(fā)展成為應用最為廣泛的神經(jīng)網(wǎng)絡之一，它是一種多層前饋神經(jīng)網(wǎng)絡，包括輸入層、輸出層和輸入層輸出層之間隱藏層，如圖1所示，便是一種典型的BP神經(jīng)網(wǎng)絡結(jié)構(gòu)。

BP神經(jīng)網(wǎng)絡是通過不斷迭代更新權(quán)值使實際輸入與輸出關(guān)系達到期望，由輸出向輸入層反向計算誤差，從而通過梯度下降方法不斷修正各層權(quán)值的網(wǎng)絡。

BP神經(jīng)網(wǎng)絡結(jié)構(gòu)算法如下所述：

（1）對權(quán)值矩陣，學習速率，最大學習次數(shù)，閾值等變量和參數(shù)進行初始化設置；

（2）在黑色節(jié)點處對樣本進行輸入；

（3）對輸入樣本，前向計算人工神經(jīng)網(wǎng)絡隱層及輸出層各層神經(jīng)元的輸出；

（4）使用梯度下降方法不斷修正各層權(quán)值及閥值，由梯度算子得到的權(quán)值為

（6）判斷，判斷是否大于最大迭代次數(shù)或者是否誤差已經(jīng)達到要求。如果大于最大迭代次數(shù)或誤差達到要求，那么便直接轉(zhuǎn)到第（7）步，否則，轉(zhuǎn)到第（4）步對各個矩陣的權(quán)值繼續(xù)修正，反復訓練；

（7）看是否遍歷所有樣本，是則結(jié)束，否則跳回第（3）步繼續(xù)。

BP神經(jīng)網(wǎng)絡操作簡單而有效，可通過Opencv的CvANN_MLP類， Matlab的模式識別工具箱Nprtool等實現(xiàn)，經(jīng)驗得出在如下情況中人工神經(jīng)網(wǎng)絡尤為適用：

（1）大量數(shù)據(jù)可用，卻不知道與輸出之間關(guān)系；

（2）問題的解決方案隨時間變化而變化；

（3）輸出是模糊的函數(shù)關(guān)系，而非精確數(shù)字。

4 人工神經(jīng)網(wǎng)絡圖像識別

傳感器或攝像儀輸入圖像識別系統(tǒng)以后，其目標圖像不能夠與系統(tǒng)全部的參考圖像完全一樣， 這是由于對應噪聲干擾，光線不足和放縮旋轉(zhuǎn)等問題。 基于人工神經(jīng)網(wǎng)絡對畸變圖像識別進行深層分析，并且利用 CCD 攝像頭對圖像信息進行采集，在此過程之中通過對攝像頭方位進行更改對易出現(xiàn)畸變的圖像進行采集，從而使得畸變圖像所帶信息組成樣本庫。在電腦里面輸入樣本庫中的圖像信息，并且進行模數(shù)的轉(zhuǎn)化，變成數(shù)字圖像，利用數(shù)字濾波來對數(shù)字圖像信息進行處理。在神經(jīng)網(wǎng)絡之中輸入樣本圖像數(shù)字信息來進行訓練，一方面可以基于數(shù)字圖像的像素點集合組成輸入矩陣，用高維數(shù)據(jù)作為訓練樣本，通過主成分分析（PCA）的方法進行降維，大大簡化計算量；一方面可以基于數(shù)字圖像的特征空間進行聚類分割，提取幾何特征或者統(tǒng)計特征，輸入到SOFM神經(jīng)網(wǎng)絡或者Hopfield神經(jīng)網(wǎng)絡，從而使其生成圖像識別神經(jīng)網(wǎng)絡系統(tǒng)。在進行圖像識別的時候使用CCD 攝像頭來采集識別圖像，并且把其模型轉(zhuǎn)化為數(shù)字圖像，預處理后，將其輸入到訓練好的神經(jīng)網(wǎng)絡識別系統(tǒng)里面，就其可以開展快速的計算，并進行識別。把圖像識別技術(shù)與人工神經(jīng)網(wǎng)絡理論有機結(jié)合起來，可以非常有效地實現(xiàn)神經(jīng)網(wǎng)絡信息系統(tǒng)的一致性， 此外，還可以將其對網(wǎng)絡連接結(jié)果與權(quán)值進行存儲，促進管理效率的提高，并對于知識庫的構(gòu)建也具有積極的作用。

5 結(jié)論

本文就基于人工神經(jīng)網(wǎng)絡的圖像識別技術(shù)進行了詳細地闡述，由綜上研究可以基于人工神經(jīng)網(wǎng)絡的圖像識別技術(shù)具有比較多的優(yōu)點以及比較高的可行性，然而，我們對該技術(shù)存在的網(wǎng)絡規(guī)模及復雜圖像識別準確度上還應繼續(xù)進行深入研究，以求技術(shù)突破。在將來，圖像識別技術(shù)隨著科技的不斷發(fā)展將會獲得更多的應用，其勢必會發(fā)展為一門獨立且具備強大生命力的學科

參考文獻

[1]王強，張小溪，韓一紅.基于神經(jīng)網(wǎng)絡的圖像識別[J].電子設計工程，2012.

[2]雷建鋒，孫俊逸.基于人工神經(jīng)網(wǎng)絡下的圖像識別的研究[J].現(xiàn)代電子技術(shù)，2008.

人工神經(jīng)網(wǎng)絡的算法范文第4篇

人工神經(jīng)網(wǎng)絡（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?？刂疲趯崟r工業(yè)控制執(zhí)行程序中較為有效［3］。人工神經(jīng)網(wǎng)絡（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（ANN）理論的保護原理。

1、人工神經(jīng)網(wǎng)絡理論概述

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)絡路徑的權(quán)值，以使下一次在相同的輸入下，網(wǎng)絡的輸出接近于希望值。

在神經(jīng)網(wǎng)絡投運前，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)絡型繼電保護

神經(jīng)網(wǎng)絡理論的保護裝置，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（ANN）與專家系統(tǒng)（ES）融為一體的神經(jīng)網(wǎng)絡專家系統(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，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)絡理論的保護構(gòu)想。神經(jīng)網(wǎng)絡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。超級秘書網(wǎng)

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

人工神經(jīng)網(wǎng)絡的算法范文第5篇

關(guān)鍵詞：油氣輸送；ANN技術(shù)；意義；應用

1 ANN技術(shù)

ANN技術(shù)也就是人工神經(jīng)網(wǎng)絡技術(shù)。人工神經(jīng)網(wǎng)絡是一種通過模仿動物神經(jīng)網(wǎng)絡行為特征，進行分布式并行信息處理的算法數(shù)學模型。人工神經(jīng)網(wǎng)絡通過調(diào)節(jié)系統(tǒng)內(nèi)部大量節(jié)點之間相互連接的關(guān)系，并對其之間關(guān)系進行信息處理，從而達到處理信息的目的。人工神經(jīng)網(wǎng)絡具有自學習和自適應的能力。人工神經(jīng)網(wǎng)絡技術(shù)（ANN技術(shù)）就是根據(jù)人工神經(jīng)網(wǎng)絡而提出來的處理單元互聯(lián)組成的非線性、自適應信息處理系統(tǒng)技術(shù)，利用人工神經(jīng)網(wǎng)絡技術(shù)可以通過模擬大腦神經(jīng)網(wǎng)絡處理、記憶信息的方式進行信息處理。ANN技術(shù)通常是通過一個基于數(shù)學統(tǒng)計學類型的學習方法得以優(yōu)化，所以人工神經(jīng)網(wǎng)絡技術(shù)也是數(shù)學統(tǒng)計學方法的一種實際應用。人工神經(jīng)網(wǎng)絡技術(shù)具有四個基本特征：非線性、非局限性、非常定性、非凸性。

就目前來說，常用的人工神經(jīng)網(wǎng)絡是Hopfield聯(lián)想記憶網(wǎng)絡，波爾茲曼學習機和網(wǎng)絡誤差反傳（BP）試驗方法。BP網(wǎng)絡可以對油氣管道油氣泄漏、管道腐蝕速度等進行預測，所以在油氣儲運中，應用最多的是BPNN技術(shù)。

2 ANN技術(shù)在油氣儲運中的應用

（一）在油氣儲運中運用ANN技術(shù)的重要意義

油氣儲運工程主要包括油氣田集輸、長距離輸送管道、儲存與裝卸等，它是連接油氣生產(chǎn)、加工、分配、銷售諸環(huán)節(jié)的紐帶。ANN技術(shù)通常是通過一個基于數(shù)學統(tǒng)計學類型的學習方法得以優(yōu)化，所以人工神經(jīng)網(wǎng)絡技術(shù)也是數(shù)學統(tǒng)計學方法的一種實際應用。人工神經(jīng)網(wǎng)絡（ANN）具有非線性、非局限性、非常定性、非凸性等特征，用人工神經(jīng)網(wǎng)絡技術(shù)的自適應能力學習管道的各種工況，對管道運行狀況進行分類識別，從而更準確的檢測油氣儲運管道泄漏情況和管道腐蝕速度。為了更加準確的檢測油氣儲運管道泄漏情況和管道腐蝕速度，為了石油生產(chǎn)建設的需要，因此要在油氣儲運中運用人工神經(jīng)網(wǎng)絡技術(shù)（ANN技術(shù)）。

（二）ANN技術(shù)在油氣儲運中的具體應用

（1）在油氣儲運中應用ANN技術(shù)，是因為人工神經(jīng)網(wǎng)絡（ANN）具有以下的特點和優(yōu)越性：第一，具有自學習功能。例如管道的油氣泄漏情況或者管道腐蝕度進行識別時，首先要把不同管道的泄漏或腐蝕圖像樣板以及對應的應識別結(jié)果輸入到人工神經(jīng)網(wǎng)絡系統(tǒng)（ANN）中，利用人工神經(jīng)網(wǎng)絡系統(tǒng)（ANN）的自學功能，學會識別其他的相類似的圖像。人工神經(jīng)網(wǎng)絡（ANN）的自學習功能對于油氣管道泄漏情況和管道腐蝕情況預測有特別重要的意義。第二，利用人工神經(jīng)網(wǎng)絡（ANN）的聯(lián)想存儲功能，把關(guān)于石油管道泄露或腐蝕等的各種情況進行相互的聯(lián)想、比對，找出石油管道泄露的具體地方以及管道腐蝕的情況，進而提出切實可行的解決措施。第三，利用人工神經(jīng)網(wǎng)絡（ANN）的高速尋找優(yōu)化解的能力，通過計算機的高速運算，找出解決石油運輸中出現(xiàn)的問題的最佳方法。

（2）BPNN網(wǎng)絡是一種基于廣義2R規(guī)則的有監(jiān)督的學習網(wǎng)絡，屬誤差修正算法。采用BPNN網(wǎng)絡對管道泄漏進行檢測，主要是利用單元希望輸出與實際輸m之問的偏差作為連接權(quán)調(diào)整的參考，并最終減小這種誤差。

（3）自適應模糊神絳網(wǎng)絡系統(tǒng)具有自學習能力和非線性映射，它不僅能夠獲取信號的最佳估計，并且能夠克服信號處理中存在的模型和噪聲的不確定性、不完備性，所以可以用于噪聲信號的非線性建模。利用自適應模糊神經(jīng)網(wǎng)絡系統(tǒng)的去噪可以提高壓力信號、流量信號的信噪比。自適應模糊神經(jīng)網(wǎng)絡的自適應噪聲抵消器具有實現(xiàn)簡單、節(jié)省運行時間，能快速、有效地消除流量、壓力信號中的各種噪聲的特點，所以把自適應模糊神絳網(wǎng)絡系統(tǒng)應用到油氣儲運中管道泄漏、腐蝕情況的檢測中，提高泄漏檢測和定位的精度。

（4）可以利用人工神經(jīng)網(wǎng)絡對油氣管道的腐蝕過程和腐蝕速度進行預測。在油氣輸送管道中，由于各種油氣性質(zhì)的不同，再加上高速度、高循環(huán)率的運輸，增加了油氣管道的腐蝕程度。我們可以通過人工神經(jīng)網(wǎng)絡（ANN），采用逐步回歸的方法對油氣管道中的腐蝕程度和腐蝕速度進行預測，進而保證油氣管道能夠安全有效的運行。

3 結(jié)語

綜上所述，油氣儲運工程主要包括油氣田集輸、長距離輸送管道、儲存與裝卸等，它是連接油氣生產(chǎn)、加工、分配、銷售諸環(huán)節(jié)的紐帶。ANN技術(shù)也就是人工神經(jīng)網(wǎng)絡技術(shù)，ANN技術(shù)具有可以充分逼近任意復雜的非線性關(guān)系，具有很強的魯棒性和容錯性，能夠同時處理定量、定性知識，能夠優(yōu)化設計、模式識別、聯(lián)想記憶等特點。在油氣儲運中用人工神經(jīng)網(wǎng)絡技術(shù)的自適應能力學習管道的各種工況，對管道運行狀況進行分類識別，更準確的檢測油氣儲運管道泄漏情況和管道腐蝕速度。

參考文獻：

[1]王延民，齊志財.ANN技術(shù)在油氣儲運中的應用[J].油氣田地面工程.2008，（10）：55.