人工神經網絡文獻綜述
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篇人工神經網絡文獻綜述范文，相信會為您的寫作帶來幫助，發現更多的寫作思路和靈感。
人工神經網絡文獻綜述范文第1篇
【摘要】 人工神經網絡由于其具有高度的自適應性、非線性、善于處理復雜關系的特點，在許多研究領域得到了廣泛應用，并取得了令人矚目的成就。對其目前在醫學研究領域中的應用做一簡單綜述。
【關鍵詞】 人工神經網絡； 應用
人工神經網絡(Artificial Neural Network，ANN)方法自從本世紀40年代被提出以來，許多從事人工智能、計算機科學、信息科學的科學家都在對它進行研究，已在軍事、醫療、航天、自動控制、金融等許多領域取得了成功的應用。目前出現了許多模仿動物和人的智能形式與功能的某個方面的神經網絡，例如，Grossberg提出的自適應共振理論（Adaptive Resonance Theory，ART），T-Kohenen的自組織特征映射網絡(Self-Organizing feature Map，SOM)，徑向基函數網絡（Radial Basis Function，RBF），Hopfield網等。進入90年代以后，由于計算機技術和信息技術的發展，以及各種算法的不斷提出，神經網絡的研究逐漸深化，應用面也逐步擴大，本研究對常用的神經網絡方法及其在醫學領域中的應用做一簡單綜述。
1 自組織特征映射網絡（self-organizing feature map，SOM）在基因表達數據分析中的應用
1.1 方法介紹
腦神經學的研究表明，人腦中大量的神經元處于空間的不同區域，有著不同的功能，各自敏感著各自的輸入信息模式的不同特征。芬蘭赫爾辛基大學神經網絡專家T.Kohonen根據大腦神經系統的這一特性，于1981年提出了自組織特征映射網絡，它模擬人的大腦，利用競爭學習的方式進行網絡學習，具有很強的自組織、自適應學習能力，魯棒性和容錯能力，其理論及應用發展很快，目前已在信息處理、模式識別、圖像處理、語音識別、機器人控制、數據挖掘等方面都有成功應用的實例。
Kohonen網絡由輸入層和競爭層組成，網絡結構見圖1。輸入層由N個神經元組成，競爭層由M個輸出神經元組成，輸入層與競爭層各神經元之間實現全互連接，競爭層之間實行側向連接。設輸入向量為x=(x1，…，xd)T ，輸出神經元j對應的權重向量為wj=(wj1，…，wjd)T ，對每一輸出神經元計算輸入向量x 和權重向量wj 間的距離，據此利用競爭學習規則對權向量進行調節。在網絡的競爭層，各神經元競爭對輸入模式的響應機會，最后僅一個神經元成為勝利者，并對與獲勝神經元有關的各權重朝著更有利于它競爭的方向調整，這樣在每個獲勝神經元附近形成一個“聚類區”，學習的結果使聚類區內各神經元的權重向量保持與輸入向量逼近的趨勢，從而使具有相近特性的輸入向量聚集在一起，這種自組織聚類過程是系統自主、無教師示教的聚類方法，能將任意維輸入模式在輸出層映射成一維或二維離散圖形，并保持其拓撲結構不變。網絡通過對輸入模式的學習，網絡競爭層神經元相互競爭，自適應地形成對輸入模式的不同響應，模擬大腦信息處理的聚類功能、自組織、自學習功能，實現用低維目標空間的點去表示高維原始空間的點，其工作原理和聚類算法及改進方法參見相關文獻［1］。
1.2 應用
基因芯片技術的應用使得人們可以從基因水平探討疾病的病因及預后，而基因芯片產生的數據具有高維度（變量多）、樣本量小、高噪聲的特點，樣本量遠小于變量數，如何從海量的數據中挖掘信息或知識成為重大課題。聚類分析是數據挖掘中的一類重要技術，傳統方法主要有系統聚類、k-means聚類等，但在處理復雜非線性關系及變量間的交互作用時效果較差，受異常值影響較大。近年來神經網絡技術法成為聚類領域的研究熱點，其中自組織特征映射網絡由于其良好的自適應性，其算法對基因表達數據的聚類有較高的穩定性和智能性，尤其在處理基因表達中有缺失數據及原始空間到目標空間存在非線性映射結構時有較好的體現，適用于復雜的多維數據的模式識別和特征分類等探索性分析，同時可實現聚類過程和結果的可視化［2］。目前Kohonen網絡已被成功用到許多基因表達數據的分析中，Jihua Huang等［3］設計6×6的網絡對酵母細胞周期數據進行分析，總正確率為67.7%；曹暉等［4］將其算法改進后用在酵母菌基因表達數據中，總正確率高達84.73%，有較高的聚類效能；鄧慶山［5］將該模型與K平均值聚類方法結合用于公開的結腸基因表達數據集和白血病基因表達數據集，聚類的準確率分別為94.12%和90.32%。目前Kohonen網絡在醫學領域中主要應用前景有：① 發現與疾病相關的新的未知基因，對目標基因進一步研究，提高診斷的正確率，并對藥物的開發研究提供重要的線索；② 對腫瘤組織的基因表達譜數據聚類，以期發現新的、未知的疾病亞型（腫瘤亞型），以便提出更加有針對性的治療方案，為從分子水平對疾病分型、診斷、預后等提供依據；③ 發現與已知基因有相似功能的基因，為推斷未知基因的可能功能提供線索。
2 BP神經網絡在醫學研究中的應用
2.1 BP神經網絡在疾病輔助診斷中的應用
2.1.1 方法介紹
BP神經網絡是目前應用最多的神經網絡，一般由一個輸入層（input layer）、一個輸出層（output layer）、一個或幾個中間層（隱層）組成。每一層可包含一個或多個神經元，其中每一層的每個神經元和前一層相連接，同一層之間沒有連接。輸入層神經元傳遞輸入信息到第一隱層或直接傳到輸出層，隱層的神經元對輸入層的信息加權求和，加一個常數后，經傳遞函數運算后傳到下一個隱層（或輸出層），常用的傳遞函數是logistic函數，即Φh=1/(1+exp(-z)) ，輸出層神經元對前一層的輸入信息加權求和經傳遞函數Φ0 （線性或logistic函數或門限函數）運算后輸出，BP神經網絡一般采用BP算法訓練網絡，關于BP算法及改進可參考相關文獻［1］。
人工神經網絡具有強大的非線性映射能力，含一個隱層的網絡可以實現從輸入到輸出間的任意非線性映射，是典型的非線性數學模型，建立BP神經網絡模型的一般步驟為：① BP網訓練集、校驗集、測試集的確定；② 輸入數據的預處理：使輸入變量的取值落在0到1的范圍內，如果是無序分類變量，以啞變量的形式賦值；③ 神經網絡模型的建立及訓練：學習率、傳遞函數、隱層數、隱單元數的選擇，注意防止過度擬合。一般使用靈敏度、特異度、陽性預測值、陰性預測值、ROC曲線對模型的預測性能進行評價。
2.1.2 應用
BP神經網絡已廣泛用于臨床輔助診斷中，白云靜等［6］用于中醫證候的非線性建模，建立了RA證侯BP網絡模型和DN證侯BP網絡模型，結果顯示平均診斷準確率分別為90.72%、92.21%，具有較高的診斷、預測能力。曹志峰［7］采用PROBEN1中的甲狀腺疾病數據庫用于甲狀腺疾病（甲亢、甲減、正常）的診斷，結果顯示訓練樣本的正確識別率為99.3% ，測試樣本的正確識別率為98.2%，提示對臨床診斷甲狀腺疾病提供有益的幫助；還有學者用于急性心肌梗塞、甲狀腺功能紊亂、乳腺癌、前列腺癌、宮頸癌、肺癌、卵巢癌、急性肺梗塞等的輔助診斷等［8］。
2.2 BP神經網絡在生存分析中的應用
2.2.1 方法介紹
傳統的生存分析方法有非參數、半參數、參數模型，參數模型主要有指數回歸模型、Weibull回歸模型，都要求對基線風險做一定的假設，但實際資料常常不符合條件，生存分析中應用最為廣泛的半參數模型:Cox比例風險模型，但它要求滿足比例風險的假定，在很多情況下也難以滿足。基于神經網絡的生存分析模型可以克服這些困難，可以探測復雜的非線性效應，復雜的交互效應，模型中協變量的效應可以隨時間變化，對數據的分布不做要求。目前一些策略被用到神經網絡預測方法中分析含有刪失的生存數據，主要有Faraggi-Simon(1995)法、Liestol-Andersen-Andersen(1994) 法、改良uckley-James(1979)法等。
BP神經網絡建立生存分析模型常用的方法有［9］：連續時間模型（continuous time models）與離散時間模型（discrete time models）。常用的Faraggi和Simon［10］提出的連續時間模型擴展了Cox回歸模型，允許非線性函數代替通常的協變量的線性組合，這種方法既保持了Cox回歸模型的比例風險的特點，又提供了處理復雜非線性關系、交互作用能力的好方法。
離散時間模型常用的模型有：① 輸出層為單個結點：模型的輸出層只有一個神經元結點，是最簡單的神經網絡模型，生存時間被分成兩個區間，當研究者僅僅對某一時間點的預后感興趣時，例如預測癌癥患者的5年生存情況，如欲預測多個時間點，則需建立多個神經網絡模型（每個模型對應一個時間區間）；② 輸出層為多個結點：生存時間被分成幾個離散的區間，估計某個時間區間事件發生的概率，Liestol法是常用的離散時間模型。還有研究者在建立多個時間區間模型時將時間也做為一個輸入變量，也有學者將神經網絡納入Bayes方法的研究框架。
一般采用靈敏度、特異度、一致性指數C(Concordance index)作為預測準確性的評價指標，神經網絡在生存分析中的應用主要在于［11］：個體患者預后的預測，研究預后因子的重要性，研究預后因子的相互作用，對于預測變量的影響力強弱及解釋性，還有待進一步探討。
2.2.2 應用
國外Ruth M.Ripley等［9］將7種不同的神經網絡生存分析模型（3種離散時間模型，4種連續時間模型）用于1335例乳腺癌患者復發概率的預測，并對其精確性、靈敏度、特異度等預測性能指標進行比較，結果證明神經網絡方法能成功用于生存分析問題，可以提取預后因子所蘊涵的最大可能的信息。Anny Xiang等［12］采用Monte Carlo模擬研究方法，在9種實驗條件下（不同的輸入結點、刪失比例、樣本含量等）對Faraggi-Simon法、Liestol-Andersen-Andersen法、改良Buckley-James法處理右刪失生存數據的性能與Cox回歸作比較，研究結果提示神經網絡方法可以作為分析右刪失數據的一個有效的方法。D.J.Groves［13］等將Cox回歸與神經網絡方法對兒童急性淋巴母細胞白血病的預后進行了比較，Lucila Ohno-Machado等［14］建立輸出層為4個結點的離散時間神經網絡模型做為AIDS預后研究的工具，并使用ROC曲線下面積、靈敏度、特異度、陽性預測值、陰性預測值對不同時間區間的預測性能做了評價。國內用于生存分析方面的研究還較少，黃德生［15］等利用BP神經網絡建立time-coded model和single-time point model用于肺鱗癌預后預測，賀佳［16］等把BP網絡用于預測肝癌患者術后無瘤生存期，也有學者對AIDS、惡性腫瘤的預后做了相關的研究。
2.3 BP神經網絡在其它方面的應用
近年來BP神經網絡在疾病篩查中的的應用引起學者的關注，例如在乳腺癌、宮頸癌、糖尿病的篩查都有成功的應用［17］。神經網絡在法醫學研究領域具有實用性和廣泛的應用前景，法醫學家將其用在死亡時間推斷、死因分析、個體識別和毒物分析等研究中［18］。在藥學研究中也有一定的應用，例如在定量藥物設計、藥物分析、藥動/藥效學研究中，都有成功的應用案例，相秉仁等［19］對其做了詳細的綜述。曹顯慶［20］等還將神經網絡用于ECG、EEG等信號的識別和處理、醫學圖像分析中，取得了較好的結果。
人工神經網絡是在研究生物神經網絡的基礎上建立的模型，迄今為止有代表性的網絡模型已達數10種，人工神經網絡不需要精確的數學模型，沒有任何對變量的假設要求，能通過模擬人的智能行為處理復雜的、不確定的、非線性問題。在醫學研究領域，變量間關系往往非常復雜，為了探測變量間的復雜模式，神經網絡正逐漸變成分析數據的流行工具。目前國際上已出現許多著名的神經網絡專業雜志：Neural Network，Neural Computation，IEEE Transaction on Neural Networks等，同時已有許多商業化的神經網絡開發軟件，如Matlab軟件， S-plus軟件，SNNS(Stuttgart Neural Network Simulator)等，高版本SAS系統中的Enterprise Miner應用模塊中也可以建立神經網絡模型，隨著計算機技術的進一步發展，人工神經網絡在醫學領域的應用前景也會更加廣闊。
【參考文獻】
1 余雪麗，主編.神經網絡與實例學習.中國鐵道出版社，1996.
2 白耀輝，陳明.利用自組織特征映射神經網絡進行可視化聚類.計算機仿真，2006，23(1):180~183.
3 Jinua Huang，Hiroshi Shimizu，Suteaki Shioya.Clustering gene expression pattern and extracting relationship in gene network based on artificial neural networks.Journal of bioscience and bioengineering，2003，96(5):421~428.
4 曹暉，席斌，米紅.一種新聚類算法在基因表達數據分析中的應用.計算機工程與應用，2007，43(18)：234~238.
5 鄧慶山.聚類分析在基因表達數據上的應用研究.計算機工程與應用，2005，41(35):210~212.
6 白云靜，申洪波，孟慶剛，等.基于人工神經網絡的中醫證侯非線性建模研究.中國中醫藥信息雜志，2007，14（7）:3~4.
7 曹志峰. BP 神經網絡在臨床診斷中的應用與探討.實用醫技雜志，2005，12(9):2656~2657.
8 William G Baxt. Application of artificial neural networks to clinical medicine. The Lancet，1995，346(8983):1135~1138.
9 Ruth M.Ripley，Adrian L.Harris，Lionel Tarassenko.Non-linear survival analysis using neural networks. Statistics in medicine，2004，23(5):825~842.
10 David Faraggi，Richard Simon.A neural network model for survival data. Statistics in medicine，1995，14(1):73~82.
11 高蔚，聶紹發，施侶元，等.神經網絡在生存分析中的應用進展.中國衛生統計，2006，23（4）：358~360.
12 Anny Xiang，Pablo Lapuerta， Alex Ryutov.Comparison of the performance of neural network methods and Cox regression for censored survival data.Computational statistics ＆ data analysis，2000，34(2):243~257.
13 D.J.Groves，S.W.Smye，S.E.Kinsey.A comparison of Cox regression and neural networks for risk stratification in case of acute lymphoblastic leukaemia in children.Neural computing ＆ applications，1999，8(3):257~264.
14 Lucila Ohno-Machado.A comparison of cox proportional hazards and artificial neural network models for medicial prognosis.Comput Biol Med，1997，27(1):55~65.
15 黃德生，周寶森，劉延齡，等.BP人工神經網絡用于肺鱗癌預后預測.中國衛生統計，2000，17(6):337~340.
16 賀佳，張智堅，賀憲民.肝癌術后無瘤生存期的人工神經網絡預測.數理統計與管理，2002，21（4）：14~16.
17 黎衍云，李銳，張勝年.人工神經網絡及其在疾病篩查中的應用前景.環境與職業醫學，2006，23(1):71~73.
18 汪嵐，劉良.人工神經網絡的法醫學應用.中國法醫學雜志，2005，20(3)：161~163.
人工神經網絡文獻綜述范文第2篇
【關鍵詞】人工神經網絡 路徑規劃 移動機器人
1 引言
在移動機器人導航技術應用過程中，路徑規劃是一種必不可少的算法，路徑規劃要求機器人可以自己判定障礙物，以便自主決定路徑，能夠避開障礙物，自主路徑規劃可以自動的要求移動機器人能夠安全實現智能化移動的標志，通常而言，機器人選擇的路徑包括很多個，因此，在路徑最短、使用時間最短、消耗的能量最少等預定的準則下，能夠選擇一條最優化的路徑，成為許多計算機學者研究的熱點和難點。
2 背景知識
神經網絡模擬生物進化思維，具有獨特的結構神經元反饋機制，其具有分布式信息存儲、自適應學習、并行計算和容錯能力較強的特點，以其獨特的結構和信息處理方法，在自動化控制、組合優化領域得到了廣泛的應用，尤其是大規模網絡數據分析和態勢預測中，神經網絡能夠建立一個良好的分類學習模型，并且在學習過程中優化每一層的神經元和神經元連接的每一個節點。1993年，Banta等將神經網絡應用于移動機器人路徑規劃過程中，近年來，得到了廣泛的研究和發展，morcaso等人構建利用一個能夠實現自組織的神經網絡實現機器人導航的功能，并且可以通過傳感器訓練網絡，取得更好的發展，確定系統的最佳路徑。神經網絡拓撲結構模型可以分為：
2.1 前向網絡
網絡中各個神經元接受前一級的輸入，并輸出到下一級，網絡中沒有反饋，可以用一個有向無環路圖表示。這種網絡實現信號從輸入空間到輸出空間的變換，它的信息處理能力來自于簡單非線性函數的多次復合。網絡結構簡單，易于實現。反傳網絡是一種典型的前向網絡。
2.2 反饋網絡
網絡內神經元間有反饋，可以用一個無向的完備圖表示。這種神經網絡的信息處理是狀態的變換，可以用動力學系統理論處理。系統的穩定性與聯想記憶功能有密切關系。Hopfield網絡、波耳茲曼機均屬于這種類型。
3 基于人工神經網絡的移動機器人路徑規劃算法
神經網絡解決移動機器人路徑規劃的思路是：使用神經網絡算法能夠描述機器人移動環境的各種約束，計算碰撞函數，該算法能夠將迭代路徑點集作為碰撞能量函數和距離函數的和當做算法需要優化的目標函數，通過求解優化函數，能夠確定點集，實現路徑最優規劃。神經網絡算法在移動機器人路徑規劃過程中的算法如下：
（1）神將網絡算法能夠初始化神經網絡中的所有神經元為零，確定目標點位置的神經元活性值，并且能夠神經網絡每層的神經元連接將神經元的值傳播到出發點；
（2）動態優化神經網絡，根據神經網絡的目標節點和障礙物的具置信息，在神經網絡拓撲結構中的映射中產生神經元的外部輸入；
（3）確定目標值附件的神經元活性值，并且使用局部側的各個神經元之間，連接整個神經網絡，并且在各個神經元中進行傳播。
（4）利用爬山法搜索當前鄰域內活性值最大的神經元，如果鄰域內的神經元活性值都不大于當前神經元的活性值，則機器人保持在原處不動；否則下一個位置的神經元為鄰域內具有最大活性值的神經元。
（5）如果機器人到達目標點則路徑規劃過程結束，否則轉步驟（2）。
4 基于人工神經網絡的移動機器人路徑規劃技術展望
未來時間內，人工神經在機器人路徑規劃過程中的應用主要發展方向包括以下幾個方面：
4.1 與信息論相融合，確定神經網絡的最優化化目標解
在神經網絡應用過程中，由于經驗值較為難以確定，因此在神經網絡的應用過程中，將神經網絡看做是一個貝葉斯網絡，根據貝葉斯網絡含有的信息熵，確定神經網絡的目標函數的最優解，以便更好的判斷機器人移動的最佳路徑。
4.2 與遺傳算法想結合，確定全局最優解
將神經網絡和遺傳算法結合起來，其可以將機器人的移動環境設置為一個二維的環境，障礙物的數目、位置和形狀是任意的，路徑規劃可以由二維工作空間一系列的基本點構成，神經網絡決定機器人的運動控制規則，利用相關的神經元的傳感器作用獲未知環境的情況，將障礙信息和目標點之間的距離作為神經網絡的輸入信息，使用遺傳算法完成神經網絡的權值訓練，神經網絡的輸出作為移動機器人的運動作用力，實現一個可以在未知環境中進行的機器人運動路徑規劃。
4.3 與蟻群算法相結合，降低搜索空間，提高路徑規劃準確性
為了提高神經網絡的搜索準確性和提高效率，可以將蟻群算法與神經網絡相互結合，蟻群算法的路徑規劃方法首先采用柵格法對機器人工作環境進行建模，然后將機器人出發點作為蟻巢位置，路徑規劃最終目標點作為蟻群食物源，通過螞蟻間相互協作找到一條避開障礙物的最優機器人移動路徑。
5 結語
隨著移動機器人技術的發展，路徑規劃作為最重要的一個組成部分，其得到了許多的應用和發展，其在導航過程中，也引入了許多先進的算法，比如神經網絡，更加優化了移動的路徑。未來時間內，隨著神經網絡技術的改進，可以引入遺傳算法、信息論、蟻群算法等，將這些算法優勢結合，將會是路徑規劃更加準確和精確。
參考文獻
[1]朱大奇,顏明重,滕蓉. 移動機器人路徑規劃技術綜述[J].控制與決策,2010,25(7): 961-967.
[2]劉毅.移動機器人路徑規劃中的仿真研究[J].計算機仿真,2011,28(6): 227-230.
[3]熊開封,張華.基于改進型 FNN 的移動機器人未知環境路徑規劃[J].制造業自動化,2013,35(22): 1-4.
[4]柳長安,鄢小虎,劉春陽.基于改進蟻群算法的移動機器人動態路徑規劃方法[J].電子學報,2011,39(5).
[5]范浩鋒,劉俊.基于 BP 神經網絡的紅外目標識別技術[J].計算機與數字工程,2013,41(4): 559-560.
人工神經網絡文獻綜述范文第3篇
關鍵詞：應急； 預測； 支持向量機； 人工神經網絡 ；案例推理法
一、引言
“預測”這一件事，從古到今都是人們苦苦追求與探索的話題：從“先知三日，富貴十年”到“凡事預則立，不預則廢”；從活躍在中國民間的算命先生，再到西方觀測星象的占卜師，無不寄予著世人對未知的好奇和對未來的向往。隨著科技進步與時展，特別是計算機技術的飛躍，給予人們更強大、更客觀的手段和方法進行預測。本文以應急物資需求為背景，通過對各類預測方法的介紹和對比，為應急物資的需求預測尋求最佳途徑。
二、預測方法分類及研究現狀
由于預測的對象、目標、內容和期限的不同，近幾十年來形成了多種多樣的預測方法。據不完全統計，目前世界上有近千種預測方法，其中較為成熟的有150多種，常用的有30多種，用得最為普遍的有10多種，但目前為止還沒有一個完整、統一、系統的分類體系。本文依照我國常用的分類方法，將預測方法分為定性分析和定量分析兩大類。
1. 定性分析預測法
定性分析預測法是指預測者根據歷史與現實的觀察資料，依賴個人或集體的經驗及智慧，對未來的發展狀態和趨勢做出判斷的預測方法。其主要方法包括專家意見法、頭腦風暴法和德爾菲法等。定性預測的優點在于，能夠較大程度地發揮人的主觀能動作用，簡單迅速，省時省力，具有較大的靈活性；同時它的缺點也是顯而易見的：由于它較為依賴于人的經驗和主觀判斷能力，從而易受人的知識、經驗和能力的多少大小的束縛和限制，尤其缺乏對事物發展作數量上的精確描述。因此，定性分析預測法在現代預測技術中逐漸淡出，定量分析預測法成為預測的主要手段。
2. 定量分析預測法
定量分析預測法主要依據調查研究所獲取的數據資料，運用統計方法和數學模型，近似地揭示預測對象及其影響因素的數量變動關系，建立對應的預測模型，據此對預測目標做出定量測算的預測方法。它通常可分為時間序列分析預測法和因果分析預測法。
（1）時間序列分析預測法
時間序列分析預測法是以連續性預測原理作指導，利用歷史觀察值形成的時間數列，對預測目標未來狀態和發展趨勢做出定量判斷的預測方法。較為常用的時間序列分析預測法主要有指數平滑法（包括雙指數平滑、三次指數平滑和無季節指數平滑等）、移動平均法、ARIMA模型（也稱Box-Jenkins法）等。
（2）因果分析預測法
因果分析預測法是以因果性預測原理作指導，以分析預測目標同其他相關事件及現象之間的因果聯系，對事件未來狀態與發展趨勢做出預測的定量分析方法。較為常用的主要有回歸分析預測法、計量經濟模型預測法和投入――產出分析預測法等。隨著數學方法在計算機上的運用和實現，經濟學的研究與數學和計算機科學的聯系更為緊密。近年來，許多人工智能預測模型層出不窮，極大豐富了預測的方法和手段。
三、應急物資需求預測的研究現狀
應急物資是指為應對自然災害、事故災難、公共安全事件和社會安全等突發性公共事件應急處置過程中所必需的保障性物資。應急物資的需求是應急物資保障的首要環節，它具有時間上和數量上的不確定性等特點。因此，做好應急物資的需求預測有著重要的現實意義。就國內目前的研究來看，主要體現在運用人工智能方法構建預測模型，時下最流行、使用最廣泛的方法有CBR（案例推理法），ANN（神經網絡模型），SVM（支持向量機模型）等。
1.案例推理法（CBR）
案例推理法（Case―Based Reasoning，簡稱CBR）最早是由耶魯大學Schank 教授在Dynamic Memory：A Theory of Reminding and Learning in Computers and People（1982）一文中提出的，它是人工智能領域的一項重要推理方法。國外自上世紀 8O 年代后期對 CBR 的理論和方法進行了系統研究，在通用問題求解、法律案例分析、設備故障診斷、輔助工程設計、輔助計劃制定等領域取得實用性成果[1]；國內運用CBR方法對應急物資需求進行預測，取得了一定的進展：傅志妍，陳堅[2]運用歐氏算法尋求最佳相似源案例，建立案例推理――關鍵因素模型對目標案例進行需求預測，并通過實例驗證了模型的科學有效；王曉、莊亞明[3]將模糊集理論、神經網絡Hebb學習規則和多元線性回歸與案例推理法相結合，較為準確地預測出非常規突發事件的資源需求；Fu Deqiang[4]等人使用了一種基于案例推理和BP神經網絡的精度預測法，同樣通過目標案例證實了模型的可靠性。
雖然案例推理法出現的時間較早，且在各領域得到了廣泛的運用，但是這種預測方法有著較大的經驗成分，且案例庫的建立是進行案例推理分析的首要步驟和困難之處。而目前對于案例庫的建立存在著數據不全，缺失以及無系統整理歸檔的問題。
2.人工神經網絡（ANN）
人工神經網絡最早是由Lapedes和Farber于1987年在《運用神經網絡進行非線性信號處理：預測和系統模型》[5]一文中提出并使用的，他們用非線性神經網絡對計算機生成的時間序列仿真數據進行訓練和預測。王其文[6]等人和Chin Kuo[7]等分別通過對神經網絡和傳統回歸預測方法的比較，證明了神經網絡在預測中的優越性。
對于神經網絡在應急物資需求預測中的使用，國內相關文獻較少。筆者認為具有啟發性的是在《大型地震應急物資需求預測方法研究》[8]一文中，郭金芬和周剛先利用 BP 神經網絡算法對災后人員傷亡人數進行預測，然后結合庫存管理知識估算出災區應急物資的需求量；隨后，郭在其碩士論文中對該問題做出較為系統的研究[9]。而神經網絡在物流需求預測中的運用，對應急物資需求預測是同樣具有借鑒意義的：后銳、張畢西[10]提出基于MLP 神經網絡的區域物流需求預測模型，揭示了區域經濟與區域物流需求之間的非線性映射關系， 為區域物流需求預測提供了一種新思路和新方法；苗鑫[11]等人用擴展卡爾曼濾波和人工神經網絡相結合的復合算法對物流需求進行預測，并在與常規BP神經網絡算法的預測誤差比較中，顯示出其較高的可靠性；牛忠遠[12]依據物流需求的時間序列統計數據，應用人工神經網絡多步預測和滾動預測方法建立預測模型，對我國物流需求進行實證分析研究。
3. 支持向量機（SVM）
支持向量機是建立在統計學習理論的VC維理論和結構風險最小原理基礎上，根據有限的樣本信息在模型的復雜性和學習能力之間尋求最佳折衷，以求獲得最好推廣能力的一種方法。它是由Vapnik等人于1995年提出的[13][14]，現已廣泛地應用于模式識別、語音識別、時間序列分析、生物信息學及經濟學等領域。
支持向量機在應急物資和物流需求預測中的研究，國內文獻一般集中在以下幾個方面：趙一兵[15]等人運用支持向量機回歸算法建立了地震中人員傷亡預測模型，而后結合庫存管理模型對應急物資進行了估算，并在實例中驗證了模型的有效性；吳潔明[16]等運用支持向量機對歷史物流需求量的數據進行學習，而后通過粒子群算法獲得模型最優參數對物流需求進行預測；何滿輝[17]等針對支持向量機在處理數據時無法將數據簡化的問題，提出了基于模糊粗糙集與支持向量機的區域物流量預測方法；朱莎[18]提出了基于小波分析和支持向量機的組合預測方法，建立了針對緊急救援階段和后續救援階段的血液需求預測模型，并在汶川地震的案例中體現出該模型較高的精度。
從以上文獻中我們可以發現，案例推理法，人工神經網絡和支持向量機的應用，都體現出跨學科，跨專業的特點，它們將生物學或計算機科學等自然科學的研究方法推廣到經濟管理等社會科學中，并很好地解決了現實問題。
四、結束語
本文首先通過對現有預測方法的簡要介紹，提出運用近年來興起的人工智能方法對預測問題的研究；而后從應急物資需求的視角出發，對國內外解決應急物資需求預測方法做出總結回顧。通過分析，筆者認為支持向量機（SVM）更適合運用于對歷史數據較少或不全的應急物資需求進行預測。下一步的工作將是對預測指標的選取和影響因子的量化，以及對輸入SVM訓練數據的處理，并在實例中驗證該預測方法的精確度和有效性。
參考文獻：
[1]侯玉梅，許成媛. 基于案例推理法研究綜述[J]. 燕山大學學報（哲學社會科學版）， 2011， 12（4）： 102-108.
[2]傅志妍，陳堅.災害應急物資需求預測模型研究[J].物流科技，2009（10）：11-13.
[3]王曉，莊亞明.基于案例推理的非常規突發事件資源需求預測[J].西安電子科技大學學報，2010，12（7）：22-26.
[4]Fu Deqiang， Liu Yun， Li Changbing， Forecasting the Demand of Emergency Supplies： Based on the CBR Theory and BP Neural Network， Proceedings of the 8th International Conference on Innovation & Management. Fukuoka， Japan， November， 2011.
[5]Lapedes A， Farber. Nonlinear signal processing using neural networks： prediction and system modeling [R]. Technical Report LA-UR-87-2662，Los Alamos National Laboratory. Los Alamos. NM，1987.
[6]王其文， 呂景峰， 劉廣靈等. 人工神經網絡與線性回歸的比較[J]. 決策與決策支持系統， 1993， 3 （3） ： 205-210.
[7]Chin， Kuo， Arthur， Reitsch. Neural networks vs. conventional methods of forecasting， The Journal of Business Forecasting Methods & Systems， Winter 1995/1996 17-22.
[8]郭金芬，周剛.大型地震應急物資需求預測方法研究[J].價值工程，2011（22）.27-29.
[9]郭金芬.面向大型地震的應急物資需求預測方法研究[D]. 天津：天津大學，2011.
[10]后銳，張畢西. 基于MLP神經網絡的區域物流需求預測方法及其應用[J]. 系統工程理論與實踐，2005， 25（12）： 43-47.
[11]苗鑫，西寶，鄒慧敏. 物流需求的動態預測方法.哈爾濱工業大學學報[J]. 2008， 40（10）： 1613-1616.
[12]牛忠遠. 我國物流需求預測的神經網絡模型和實證分析研究[D]. 浙江：浙江大學， 2006.
[13]VAPNIKV. The Nature of Statistical Learning Theory [M].New York ： Spring Verlag，1995.
[14]VAPNIKV，張學工譯.《統計學習理論的本質》 [M]. 北京：清華大學出版社，2000.
[15]趙一兵，高虹霓，馮少博. 基于支持向量機回歸的應急物資需求預測[J]. 2013， 30（8）： 408-412.
[16]吳潔明，李余琪，萬勵. 物流需求預測算法的仿真研究[J]. 2011， 28（9）： 246-249.
[17]何滿輝，逯林，劉拴宏. 基于模糊粗糙集與支持向量機的區域物流量預測[J]. 2012，12（3）：129-134.
人工神經網絡文獻綜述范文第4篇
關鍵詞： 諧波； 間諧波； 全相位快速傅里葉變換； 人工神經網絡； 虛擬儀器
中圖分類號： TN711?34； TM417 文獻標識碼： A 文章編號： 1004?373X（2017）01?0125?04
Abstract： On the basis of analyzing the available harmonic detection methods， the harmonic and interharmonic detection method based on all?phase fast Fourier transform and artificial neural network is studied. A new harmonic detection method based on all?phase fast Fourier transform and BP neural network is proposed to solve the problem of low harmonic detection precision. And a harmonic detection method based on all?phase fast Fourier transform and adaptive neural network is used to further improve the accuracy of harmonic detection. A harmonic detection software based on all?phase fast Fourier transform and adaptive neural network was designed on virtual instrument software development platform LabWindows/CVI. The software can realize the detection of harmonic amplitude and phase and calculation of total harmonic distortion， and give an alarm when the total harmonic distortion is out of limit.
Keywords： harmonic； interharmonic； all?phase fast Fourier transform； artificial neural network； virtual instrument
在理想情況下，電力系統的電能應該是具有單一頻率、單一波形和若干電壓等級的正弦電壓信號。但是實際生產生活中由于一些原因，電網中的電能很難保持理想的波形，實際的波形總是存在偏差和形變，這種波形畸變稱為諧波畸變[1]。造成諧波畸變的原因是電網中存在大量的電力系統諧波。隨著諧波污染問題愈加嚴重，其產生的危害也越來越廣泛。因此，諧波檢測問題具有十分重要的研究價值和意義[2]。
1 基于全相位快速傅里葉變換和BP神經網絡
的諧波檢測
1.1 諧波相角檢測
全相位快速傅里葉變換具有相位不變性。利用該性質對電網電壓信號的采樣值進行全相位快速傅里葉變換譜分析，獲得高精度的諧波相位值[3]。其步驟如下：
（1） 采集電網信號，獲取個采樣值。
（2） 對采樣數據進行全相位快速傅里葉變換譜分析，獲得幅值譜和相位譜。
（3） 全相位快速傅里葉變換所得的幅值譜受到柵欄效應的影響無法獲得準確的諧波信號幅值，但是幅值譜在諧波相應的頻率附近會出現峰值譜線，通過讀取該峰值譜線對應的相位值即可得到精確的諧波相位[4]。
1.2 基于BP神經網絡的諧波幅值檢測
選擇BP神經網絡作為諧波幅值的檢測方法。基于BP神經網絡的諧波幅值檢測分為以下步驟：
（1） 構建諧波檢測BP神經網絡結構
傳統的BP神經網絡諧波檢測網絡由輸入層、隱含層、輸出層構成[5]。本文構建的網絡僅含有一個隱含層。由于傳統結構的BP神經網絡輸出層各神經元共用同一個隱含層，相互之間影響比較嚴重，存在諧波幅值檢測精度不高的問題。因此本文采用改進的BP神經網絡結構，輸入層、輸出層設置不變，僅使輸出層的每一個神經元分別都對應一個隱含層，解決了各待測諧波相互影響的問題，提高了諧波檢測的精度。
（2） 確定諧波檢測BP神經網絡學習算法
設電網中電壓信號為一周期性非正弦信，對做一個周期內的等時間間隔采樣。采樣數據作為神經網絡的輸入。隱含層的輸出為。輸出層為分別對應三次諧波和五次諧波幅值[6]。由于各次諧波具有相同的學習算法，在此僅以三次諧波為例，介紹其學習算法。三次諧波的隱含層和輸出層的輸出為：
（3） 選取諧波檢測神經網絡訓練樣本
在實際檢測時以檢測奇次諧波中次數較低的諧波為主。本文諧波檢測前通過濾除基波和更高次的諧波，選取由三次諧波和五次諧波組成的諧波電流為例說明訓練樣本的選取過程[7]。諧波電壓可以表示為：
（4） 學習樣本選取完成后，按照BP神經網絡的訓練過程訓練神經網絡。待訓練結束，獲取神經網絡各個連接權值，從而固定BP神經網絡結構和連接權值，完成對諧波幅值的記憶。其后只需要采集電網信號作為同相位條件下的BP神經網絡的輸入，即可從網絡輸出獲取信號中所含的各次諧波幅值。
1.3 諧波檢測仿真實驗
本仿真只對某個相位條件下的BP神經網絡對三次和五次諧波的幅值進行仿真驗證。在三次諧波的相位為30°，五次諧波的相位為60°的條件下采用訓練樣本選取方法，獲取676組訓練樣本，離線訓練諧波檢測BP神經網絡。仿真程序流程如圖1所示。
訓練完成后，選擇多組相位同為30°和60°未訓練的樣本仿真驗證諧波幅值檢測的精度。通過實驗可以看出，BP神經網絡諧波幅值檢測方法結果比插值FFT具有更高的精度。通過增加訓練樣本個數可進一步提高神經網絡諧波幅值檢測的精度。
2 基于全相位快速傅里葉變換和自適應神經網
絡諧波檢測
2.1 檢測步驟
基于全相位快速傅里葉變換和自適應神經網絡的諧波檢測方法的具體步驟如下：
（1） 采集訓練樣本。設定采樣頻率和采樣時間，采集電網電壓信號，為全相位快速傅里葉變換提供分析數據，為自適應人工神經網絡提供訓練樣本。
（2） 確定諧波初相位。將電網信號采樣數據經過全相位快速傅里葉變換分析，在分析結果的幅值譜中找出峰值譜線，并由峰值譜線對應的相位值獲取各諧波的高精度相位。
（3） 初始化諧波幅值檢測神經網絡。利用諧波相位檢測結果設置神經網絡參考輸入向量中的各次諧波相位值。
（4） 計算誤差讀取一次訓練樣本，根據采樣時間計算神經元輸出與此刻的電網信號采樣值做差，進而計算誤差函數和性能指標。
（5） 根據誤差調整神經網絡權值。
以最小均方差法（LMS）作為諧波幅值檢測自適應神經網絡的學習算法，則權值調整公式，即諧波幅值調整公式為：
（6） 判斷是否等于訓練樣本總數如果是，再判斷是否達到最大訓練次數。若達到最大訓練次數則結束訓練轉至下一步。若未達到，則需計算并判斷是否達到性能指標要求，達標則轉至下一步，不達標則返回步驟（4）再次執行。如果否，返回步驟（4）繼續執行。
（7） 訓練結束。根據所得神經網絡權值獲得各次諧波幅值。
2.2 諧波檢測仿真
取511個電網信號采樣點經過apFFT分析后，可以看出該諧波相位檢測具有很高的精度。利用apFFT分析結果初始化神經網絡，并取50組訓練樣本訓練神經網絡，可以看出性能指標函數的值在訓練次數足夠大的情況下可以達到，在經過10次以內的訓練后基波和諧波檢測值趨于穩定。由實驗數據可以看出本文采用的方法極大地提高了諧波幅值的檢測精度。
3 基于全相位快速傅里葉變換和增強型自適應
神經網絡的間諧波檢測
3.1 增強型自適應神經網絡間諧波檢測模型
諧波檢測中在基波頻率已知的情況下，由于諧波頻率為基波頻率的整數倍，因而諧波頻率無需檢測。但是對于間諧波檢測，由于間諧波頻率為基波頻率的非整數倍，無法通過基波頻率獲知間諧波頻率，因此在間諧波檢測時，需要將間諧波的頻率也作為檢測項[8]。為此，將應用于間諧波檢測的自適應神經網絡結構設計成如圖3所示的形式。
3.2 諧波檢測步驟
基于全相位快速傅里葉變換和增強型自適應神經網絡的間諧波檢測步驟如下：
（1） 信號采集和apFFT分析。將電網信號濾除已測量的基波、諧波信號后得到由間諧波構成的信號，采樣并經apFFT算法分析后，得到幅值譜和相位譜。
（2） 神經網絡結構的確定和初始化。由于神經網絡中間層神經元的個數等于間諧波個數，因此通過apFFT幅值譜峰值譜線的個數確定神經元個數。分別確定間諧波頻率和幅值的學習率和動量因子。設定神經網絡的最大訓練次數，開始人工神經網絡的訓練。
（3） 計算誤差。讀取一次訓練樣本，根據式（11）計算神經網絡實際輸出，并與此刻的采樣值做差，進而計算誤差函數和性能指標。
（5） 判斷是否等于訓練樣本總數如果是，再判斷是否達到最大訓練次數。若達到最大訓練次數則結束訓練轉至下一步。若未達到，則需計算并判斷是否達到性能指標要求，達標則轉至下一步，不達標則返回步驟（3）再次執行。如果否，返回步驟（3）繼續執行。
（6） 學習結束。學習結束后，通過激勵函數的角頻率獲取間諧波頻率，通過神經網絡權值得到間諧波幅值。
3.3 間諧波檢測仿真
設基波頻率為50 Hz，采樣頻率為2 560 Hz，采集511個點。利用apFFT的分析結果初始化神經網絡。設置間諧波幅值調整的學習因子=0.01，設置動量因子=0.3，隨后開始訓練神經網絡。從實驗數據可得，網絡經過70次左右的在線訓練后基本收斂。經過70次訓練后幅值誤差都達到了以下，頻率誤差達到了以下。通過對原始間諧波疊加信號波形和檢測得到的間諧波組合信號波形進行對比可知，基于全相位快速傅里葉變換和增強型自適應神經網絡的間諧波檢測方法具有更高的檢測精度。
4 LabWindows/CVI諧波檢測軟件實現
4.1 諧波檢測系統設計方案
針對電力系統中存在C波問題，利用LabWindows/CVI和計算機設計虛擬諧波檢測儀器。主要實現的功能是分析數據采集卡采集的電網電壓數據，利用apFFT和自適應線性神經網絡算法獲取高精度的諧波電壓幅值和諧波初相位，并通過計算機顯示出檢測結果。利用檢測結果計算總諧波畸變率，當畸變率超過標準值時給出警報。首先獲取電網電壓采樣信號，進而將采樣信號經過全相位快速傅里葉變換分析得到基波和各次諧波信號的高精度相位值，通過獲得的相位值設置自適應神經網絡激勵函數中的諧波相位值，隨后利用采樣數據在線訓練神經網絡獲得基波和各次諧波的幅值。
4.2 諧波檢測系統軟件設計過程
基于LabWindows/CVI的諧波檢測軟件設計過程可分為以下步驟：
（1） 啟動LabWindows/CVI編程環境，創建諧波檢測軟件工程。
（2） 在用戶界面編程窗口，根據諧波檢測的功能要求設計虛擬儀器用戶面板。在面板上添加相應控件，控件分布設計完成后，需要對控件屬性及其對應的回調函數進行設置，使得點擊或使用這些控件時能夠得到有效的響應。
（3） 用戶界面設計并保存完成后，LabWindows/CVI自動生成程序代碼的主體框架，并通過菜單欄CodeGenerateMain Function生成main函數和各個控件對應的回調函數框架程序。
（4） 在各個控件對應的回調函數內編寫實現其功能的程序代碼，例如本文在主面板開始檢測按鈕對應的回調函數內部編寫apFFT和神經網絡諧波檢測算法的代碼，以實現諧波檢測功能。
（5） 完成代碼編寫、調試和運行程序。
4.3 檢測軟件實驗測試
本文通過讀取兩組離線測量數據對諧波檢測功能進行實驗檢測。通過第一組數據的檢測結果可以看出諧波幅值較基波幅值低很多，且奇次諧波的幅值較偶次諧波幅值高。通過apFFT采樣數據分析的結果中，測量信號波形和基波波形的對比可以看出諧波對基波波形的影響較小。實驗結果表明該軟件具有很好的諧波檢測精度。
通過第二組數據的檢測結果看出諧波總畸變率超出設定值（4%），諧波畸變率告警燈變為紅色，同時告警對話框彈出。諧波檢測的結果同時在表格和柱形圖中顯示。將測量信號、諧波疊加信號和基波信號的波形進行對比，諧波對電網電壓的波形影響仍然很有限，保證了電網中負載的用電安全。此次諧波檢測的檢測結果，檢測精度仍然較高。
5 結 論
本文主要對基于全相位快速傅里葉變換和神經網絡的諧波、間諧波檢測方法進行了研究。針對現有成熟的諧波檢測算法檢測精度不高的問題，提出了基于全相位快速傅里葉變換和BP神經網絡的諧波檢測算法；為了進一步提高諧波檢測精度，減小對訓練樣本的依賴，擴大諧波檢測算法的適用范圍，提出了基于全相位快速傅里葉變換和自適應神經網絡的諧波檢測算法；針對電力系統間諧波檢測問題，通過調整自適應神經網絡結構，提出了基于全相位快速傅里葉變換和增強型自適應神經網絡的諧波檢測算法；利用虛擬儀器開發平臺LabWindows/CVI設計了基于全相位快速傅里葉變換和自適應神經網絡的諧波檢測軟件，最后利用兩組數據驗證了軟件功能。
參考文獻
[1] 肖雁鴻，毛筱.電力系統諧波測量方法綜述[J].電網技術，2002，26（6）：61?64.
[2] 聶晶晶，許曉芳，夏安邦，等.電能質量監測及管理系統[J].電力系統自動化設備，2005，25（10）：75?77.
[3] 王子績，孟鑫，張彥兵，等.基于瞬時無功功率理論的新型諧波檢測算法[J].電測與儀表，2012，49（4）：9?13.
[4] 劉桂英，粟時平.利用小波傅里葉變換的諧波與間諧波檢測[J].高電壓技術，2007，33（6）：184?188.
[5] 危韌勇，李志勇.基于人工神經元網絡的電力系統諧波測量方法[J].電網技術，1999，23（12）：20?23.
[6] 王凱亮，曾江，王克英.一種基于BP神經網絡的諧波檢測方案[J].電力系統保護與控制，2013（17）：44?48.
[7] 付光杰，曲玉辰，郭靜.RBF神經網j在諧波檢測中的應用[J].大慶石油學院學報，2005，29（6）：76?79.
人工神經網絡文獻綜述范文第5篇
關鍵詞:BP神經網絡;電力負荷;短期預測
中圖分類號:TP183 文獻標識碼:A文章編號:1007-9599 (2010) 09-0000-02
Power Load Short-term Forecasting Based on BP Neural Network
Wang Jing,Yang Xiao
(School of Economics&Management,North China Electric Power University,Beijing102206,China)
Abstract:Load forecasting is an important task in power system.We forecasted short-term load for a region of southern based on BP neural network.Firstly,we introduce the structure of BP neural network,and then we make use of the data to do empirical research by using BP neural network of the region.And we consider the meteorological factors in the design of the BP neural network structure.
Keywords:BP Neural Network;Power Load;Short-term Forecast
一、引言
目前,全國供電緊張,部分嚴重地區經常缺電,造成許多發電設備不能及時檢修,處于超負荷的運轉狀態。會導致機組老化加速,出現不可預見的事故,造成人員、財產的傷亡。因此對未來電網內負荷變化趨勢的預測,是電網調度部門和設計部門所必須具備的基本信息之一。
電力系統負荷預測是電力生產部門的重要工作,通過精確的預測電力負荷,可以經濟的調度發電機組,合理安排機組啟停、機組檢修計劃,降低發電成本,提高經濟效益。負荷預測對電力系統控制、運行和計劃都有著重要的意義。電力系統負荷變化受多方面的影響,包括不確定性因素引起的隨機波動和周期性變化規律。并且,由于受天氣、節假日等特殊情況影響,又使負荷變化出現差異。神經網絡具有較強非線性的映射功能,用神經網絡來預測電力負荷越來越引起人們的關注。
二、BP網絡理論
(一)BP網絡結構
BP神經網絡全稱為Back-Propagation Network,即反向傳播網絡,是一種多層前饋神經網絡,結構圖如圖1所示,根據圖示可以知道BP神經網絡是一種有三層或三層以上的神經網絡,包括輸入層、中間層(隱層)和輸出層。前后層之間實現全連接,各層之間的神經元不進行連接。當學習樣本輸入后,神經元的激活之經由各層從輸入層向輸出層傳遞。之后,根據減少目標輸出與實際輸出誤差的原則,從輸出層反向經過各層至輸入層,逐級修正各連接的權值,該算法成為“誤差方向傳播算法”,即BP算法。由于誤差反向傳播不斷進行,網絡對輸入模式響應的正確率也不斷上升。
BP神經網絡傳遞函數不同于感知器模型傳遞函數,BP神經網絡要求其必須是可微的,所以感知器網絡中所用到的硬閾值傳遞函數在BP神經網絡中并不適應。BP神經網絡中常用的傳遞函數有正切函數、Sigmoid型的對數或線性函數。由于這些函數均是可微的,所以BP神經網絡所劃分的區域是一個非線性的超平面組成的區域,是一個比較平滑的曲面,它比線性劃分更加的精確。另外,網絡才有嚴格的梯度下降法進行學習,權值修正的解析式分非常明確。
(二)BP網絡算法
(1)初始化。給沒給連接權值 、 、閾值 與 賦予區間 內的隨機值
(2)確定輸入P和目標輸出T。選取一組輸入樣本 和目標輸出樣本 提供給網絡。
(3)用輸入樣本 、連接權 和閾值 計算中間層各單元的輸入 ,然后用 通過傳遞函數計算中間層各單元的輸出 。
(4)利用中間層的輸出 、連接權 和閾值 計算輸出層各單元的輸出 ,然后通過傳遞函數計算輸出層各單元的響應 。
(5)利用目標向量 和網絡的實際輸出 ,計算輸出層各單元的一般化誤差 。
(6)利用連接權 、輸出層的一般化誤差 和中間層的輸出 計算中間層各單元的一般化誤差 。
(7)利用輸出層各單元的一般化誤差 與中間呈個單元的輸出 來修正連接權 和閾值 。
(8)利用中間層各單元的一般化誤差 ,和輸入層各單元輸入P來修正連接權 和閾值 ,計算方法同(7)。
(9)達到誤差精度要求或最大訓練步數,輸出結果,否則返回(3)
三、實證研究
(一)神經網絡結構設計
本文以南方某缺電城市的整點有功負荷值,在預測的前一天中,每隔2小時對電力負荷進行一次測量,這樣,可以得到12組負荷數據。此外電力負荷還和環境因素有關,文章選取預測日最高氣溫、最低氣溫和降雨量氣象特征作為網絡輸入變量。所以設計的網絡結構為:15個輸入層節點和12個輸出向量,根據Kolmogorov定理可知,網絡中間層的神經元可以去31個。
(二)輸入數據歸一化處理
獲得輸入變量后,為了防止神經元飽和現象,在BP神經網絡輸入層進行歸一化,文章才有如下公式進行變換。
(三)實證分析
中間層神經元傳遞函數和輸出層傳遞函數分別采用S型正切函數tansig和S型對數函數logsig,因為這連個函數輸出區間為[0,1],滿足網絡設計的需求。
利用以下代碼創建一個滿足上述要求的BP神經網絡。
threshold=[0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1];
netbp=newff(threshold,[31,12],{’tansig’,’logsig’},’trainlm’)
其中變量threshold用于規定輸入向量的最大值和最小值,規定了網絡輸入向量的最大值為1,最小值為0,。“trainlm”是為網絡設定的訓練函數,采用的是Levenberg-Marquardt算法進行網絡學習。該方法明顯優于共軛梯度法及變學習效率的BP算法,LM算法可大大提高學習速度,縮短訓練時間。
使用該地區2007年8月11日到20日的負荷和氣象數據作為輸入向量,8月12日至8月21日負荷數據作為目標向量,對網絡進行訓練,再用8月20日負荷數據和21日的氣象特征數據來預測21日用電負荷,檢驗預測誤差是否能帶到要求。
利用MATLAB進行仿真,經過79次訓練后達到誤差要求結果。如圖2
網絡訓練參數的設定見下表
從圖3和圖4中可以看出運用BP神經網絡方法很好的預測了負荷走勢,并且預測誤差較小,負荷工程預測的要求。四、結論
在進行電力負荷預測時,必須考慮氣象因素的影響。在不同的地區氣象因素對電力負荷的影響不同,因此本文在設計神經網絡結構時,結合該地實際情況考慮氣象因素。本文研究了BP神經網絡在電力負荷短期預測中的應用,根據上述的預測結果可以說明BP神經網絡對電力負荷進行短期預測是目前一種比較可行的方法。
參考文獻
[1]蔣平,鞠平.應用人工神經網絡進行中期電力負荷預報[J].電力系統自動化,1995,6(19):15-17
[2]蘇寧.MATLAB軟件在電力負荷預測中的應用[J].華北電力技術,2007(8):16-19
[3]康重慶,夏清,張伯明.電力系統負荷預測研究綜述與發展方向的探討[J].電力系統自動化,2OO4,28(17):1-11
[4]姜勇.電力系統短期負荷預測的模糊神經網絡方法[J].繼電器,2002,36(2):11-13
[5]田景文,高美娟.人工神經網絡算法研究及應用[M].北京:北京理工大學出版社,2006
