時(shí)間：2022-08-24 03:51:43
開篇：寫作不僅是一種記錄，更是一種創(chuàng)造，它讓我們能夠捕捉那些稍縱即逝的靈感，將它們永久地定格在紙上。下面是小編精心整理的12篇人工神經(jīng)網(wǎng)絡(luò)，希望這些內(nèi)容能成為您創(chuàng)作過程中的良師益友，陪伴您不斷探索和進(jìn)步。
1.1GPS臺(tái)站數(shù)據(jù)GPS時(shí)間序列由中國(guó)地殼運(yùn)動(dòng)觀測(cè)網(wǎng)絡(luò)提供［10］，這些GPS站在解算過程中扣除了固體潮、海潮、極潮的影響．本文選取的是華北平原區(qū)域內(nèi)BJFS、BJSH、JIXN、TAIN、ZHNZ臺(tái)站的數(shù)據(jù)，為了得到更理想的GPS時(shí)間序列數(shù)據(jù)，本文對(duì)這72個(gè)月的GPS數(shù)據(jù)進(jìn)行預(yù)處理工作，包括:線性擬合去除趨勢(shì)項(xiàng)、剔除噪聲數(shù)據(jù)以及小波分解保留長(zhǎng)周期信號(hào)［11］．
1.2GRACE數(shù)據(jù)本文采用的GRACE重力衛(wèi)星數(shù)據(jù)是由美國(guó)德克薩斯大學(xué)空間研究中心提供的高精度Level-2RL05版本的GRACE重力場(chǎng)前60階球諧系數(shù)(2005年1月～2010年12月)［12］．在此基礎(chǔ)上，根據(jù)Blewitt［13，14］、Wahr［15］的結(jié)果推導(dǎo)由GRACE時(shí)變重力資料解算的陸地水儲(chǔ)量，如公式(1)所示。
1.3CPC水文模型數(shù)據(jù)研究表明，地表水儲(chǔ)量可以忽略［7］，所以研究區(qū)陸地水儲(chǔ)量變化可以用式(2)表示。示土壤水分引起的陸地水儲(chǔ)量變化，來自CPC水文模型．通過式(2)可獲得地下水儲(chǔ)量的變化值．以BJFS臺(tái)站為例，如圖1所示，綠色線表示GRACE解算的陸地水儲(chǔ)量，紅色線表示CPC水文模型解算的土壤水儲(chǔ)量，藍(lán)色線為地下水儲(chǔ)量．由于GRACE解算的陸地水儲(chǔ)量在解算過程中扣除了背景場(chǎng)的影響，因此本文對(duì)72個(gè)月的降水量、地下水埋深以及GPS測(cè)站的地表形變數(shù)據(jù)做同樣的處理．
2研究方法
2.1人工神經(jīng)網(wǎng)絡(luò)算法原理BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)的主要特點(diǎn)是信號(hào)前向傳遞，誤差反向傳遞．在前向傳遞過程中，輸入信號(hào)從輸入層經(jīng)隱含層逐層處理，直至輸出層．每一層的神經(jīng)元狀態(tài)只影響到下一層神經(jīng)元狀態(tài)．若輸出層不能滿足期望的輸出要求，則轉(zhuǎn)入反向傳播，根據(jù)預(yù)測(cè)誤差調(diào)整網(wǎng)絡(luò)權(quán)值和閾值，從而使得BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)輸出不斷逼近期望輸出［16］．其拓?fù)浣Y(jié)構(gòu)如圖2所示．X1，X2，…，Xn是BP神經(jīng)網(wǎng)絡(luò)的輸入值，Y1，Y2，…，Ym是BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)值，ωij和ωjk為BP神經(jīng)網(wǎng)絡(luò)權(quán)值．
2.2基于BP神經(jīng)網(wǎng)絡(luò)的地表垂直負(fù)荷形變量模擬
2.2.1指標(biāo)選取地表負(fù)荷形變是由地表流體質(zhì)量(包括大氣、陸地水等)重新分布引起的不同尺度變化．因此將GRACE解算的水儲(chǔ)量作為一個(gè)輸入因子．此外，分析華北平原地表負(fù)荷形變的成因，認(rèn)為地下水超采對(duì)該區(qū)的地表負(fù)荷形變有一定影響．為此將地下水埋深作為BP神經(jīng)網(wǎng)絡(luò)模型的一個(gè)輸入因子．降水量與地表負(fù)荷形變量間存在一定關(guān)系，一方面降水的增多會(huì)相對(duì)減少對(duì)地下水的開采，另一方面在降水過程中淺層黏性土吸水后表現(xiàn)出一定的膨脹性，因此將歷年的降水量也作為一個(gè)輸入因素［17］．為了探求不同水儲(chǔ)量作為輸入因子時(shí)模型的模擬精度，本文結(jié)合來自CPC水文模型的土壤水儲(chǔ)量，將解算出的地下水儲(chǔ)量作為另一個(gè)輸入因子．
2.2.2樣本訓(xùn)練與網(wǎng)絡(luò)設(shè)置為消除網(wǎng)絡(luò)輸入、輸出變量的量級(jí)、量綱不同對(duì)網(wǎng)絡(luò)識(shí)別精度的影響，對(duì)各個(gè)變量進(jìn)行歸一化處理。上式中:P為原始輸入數(shù)據(jù)，Pmin，Pmax分別為原始數(shù)據(jù)的最小值和最大值，Pn為歸一化后的數(shù)據(jù)．隱含層采用正切Sigmoid函數(shù)，輸出層采用Purelin函數(shù)，訓(xùn)練函數(shù)采用貝葉斯正則化算法．網(wǎng)絡(luò)的主要參數(shù)訓(xùn)練目標(biāo)goal=0.001，學(xué)習(xí)率為0.05，性能函數(shù)采用msg均方誤差函數(shù)．
3結(jié)果與討論
3.1模型精度驗(yàn)證
3.1.1樣本訓(xùn)練精度運(yùn)行建立的人工神經(jīng)網(wǎng)絡(luò)模型，訓(xùn)練21次達(dá)到訓(xùn)練目標(biāo)．R2平均值為0.892，說明模型訓(xùn)練精度較高．如圖3所示為將陸地水儲(chǔ)量作為輸入因子訓(xùn)練網(wǎng)絡(luò)后的5個(gè)臺(tái)站模擬結(jié)果．圖中藍(lán)色線為GPS臺(tái)站的實(shí)際觀測(cè)形變量，紅色虛線為用人工神經(jīng)網(wǎng)絡(luò)模擬出來的型變量．
3.1.2模型模擬精度由于地表垂直負(fù)荷形變實(shí)際觀測(cè)結(jié)果與擬合結(jié)果均為等間隔的月尺度數(shù)據(jù)且沒有明顯規(guī)律，因此采取后驗(yàn)差檢驗(yàn)法對(duì)模型進(jìn)行精度分析。采用后驗(yàn)差檢驗(yàn)法對(duì)結(jié)果進(jìn)行精度分析，檢驗(yàn)結(jié)果如表2所示，5個(gè)臺(tái)站后驗(yàn)差比值C＜0.5，小誤差概率P＞0.80，R2平均值為0.806，依據(jù)預(yù)測(cè)等級(jí)表，網(wǎng)絡(luò)模型精度較高．
3.2不同水儲(chǔ)量輸入對(duì)精度的影響將不同水儲(chǔ)量輸出的15組模擬結(jié)果進(jìn)行后驗(yàn)差檢驗(yàn)，結(jié)果如表3、圖4(以BJSH為例)所示，當(dāng)以陸地水儲(chǔ)量(TWS)作為輸入時(shí)，5個(gè)臺(tái)站的后驗(yàn)差比值C＜0.5，小誤差概率P＞0.80，R2為0.901，相關(guān)性較好，模型模擬精度較高．當(dāng)以地下水儲(chǔ)量(GWS)和土壤水儲(chǔ)量(SWS)作為輸入時(shí)，均方差C＞0.65，小誤差概率減小，R2為0.555和0.290，模擬精度屬于勉強(qiáng)．說明在利用人工神經(jīng)網(wǎng)絡(luò)模擬地表負(fù)荷形變量時(shí)，陸地水儲(chǔ)量作為模型輸入因子時(shí)模型模擬效果最好，地下水儲(chǔ)量對(duì)地表負(fù)荷形變的影響比土壤水儲(chǔ)量大．
4結(jié)論
關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò)；信息處理；風(fēng)險(xiǎn)評(píng)估
中圖分類號(hào)：TP18 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2014）06-1285-02
Research on the Application of Artificial Neural Network
LI Hong-chao
（China University of Petroleum （East China）， Qingdao 266580，China）
Abstract： Artificial neural networks are part of an integrated artificial intelligence， it is proposed is based on research of modern neuroscience. With the continuous development of artificial neural networks， and their use more widely. This article first analyzes the basic concepts and features of artificial neural networks， from six aspects of information， medicine， psychology and other details of the application of artificial neural networks.
Key words： artificial neural network； information processing； risk assessment
1 人工神經(jīng)網(wǎng)絡(luò)
人工神經(jīng)網(wǎng)絡(luò)，英文名為“Artificial Neural Network”，簡(jiǎn)稱ANN，它充分分析大腦神經(jīng)突觸聯(lián)接的結(jié)構(gòu)特點(diǎn)，對(duì)其進(jìn)行模擬，然后進(jìn)行信息處理。簡(jiǎn)單來說，人工神經(jīng)網(wǎng)絡(luò)就是對(duì)人腦結(jié)構(gòu)、人腦功能的模仿。它的特點(diǎn)有很多，比如非線性、非局限性、非常定性、非凸性等。這些特點(diǎn)鑄就了人工神經(jīng)網(wǎng)絡(luò)的各種功能，促進(jìn)了它的應(yīng)用。
2 人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用
隨著人們對(duì)人工神經(jīng)網(wǎng)絡(luò)的不斷研究，人工神經(jīng)網(wǎng)絡(luò)的作用越來越大，給人們提供了更好的服務(wù)，下面就以人工神經(jīng)網(wǎng)絡(luò)在信息領(lǐng)域、醫(yī)學(xué)、經(jīng)濟(jì)領(lǐng)域、控制領(lǐng)域、交通運(yùn)輸、心理學(xué)六個(gè)方面分別介紹其應(yīng)用。
2.1 信息領(lǐng)域
人工神經(jīng)網(wǎng)絡(luò)在信息領(lǐng)域的應(yīng)用分為兩個(gè)方面，一個(gè)是信息處理，一個(gè)是信息識(shí)別。
1）信息處理
由于現(xiàn)代信息的多樣化和多變性的特點(diǎn)，信息處理就變得復(fù)雜起來，人工神經(jīng)網(wǎng)絡(luò)可以對(duì)人的一部分思維能力進(jìn)行模仿甚至代替，解決傳統(tǒng)信息處理的困難。在通常情況下，人工神經(jīng)網(wǎng)絡(luò)可以自動(dòng)診斷問題，開啟問題求解模式。另外，人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)的容錯(cuò)性能高，當(dāng)其連接線遭到破壞，自身的組織功能還是可以保持它的優(yōu)化工作狀態(tài)。因此，軍事系統(tǒng)充分利用這一優(yōu)勢(shì)，在其電子設(shè)備廣泛應(yīng)用人工網(wǎng)絡(luò)信息系統(tǒng)。
2）模式識(shí)別
這項(xiàng)功能的理論基礎(chǔ)有兩個(gè)，一個(gè)是貝葉斯的概率論，另一個(gè)是申農(nóng)提出的信息論。模式識(shí)別主要是分析和處理存在于目標(biāo)體上的各種形式的信息，然后在處理和分析的基礎(chǔ)上對(duì)目標(biāo)體進(jìn)行描述、辨認(rèn)等過程。隨著人工神經(jīng)網(wǎng)絡(luò)在模式識(shí)別中的應(yīng)用，傳統(tǒng)的模式識(shí)別逐漸被取代。隨著模式識(shí)別的發(fā)展，已經(jīng)逐漸應(yīng)用到語音識(shí)別、人臉識(shí)別、文字識(shí)別等各個(gè)方面。
2.2 醫(yī)學(xué)領(lǐng)域
人體是非常復(fù)雜的，在醫(yī)學(xué)中，想要弄清楚疾病的類型、疾病的嚴(yán)重情況等，僅僅依靠傳統(tǒng)的望聞問切診斷方法是遠(yuǎn)遠(yuǎn)不夠的，醫(yī)學(xué)的發(fā)展需要運(yùn)用新技術(shù)。人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于醫(yī)學(xué)中，可以分析生物信號(hào)，觀察信息的表現(xiàn)形式以及研究信息的變化規(guī)律，將這三者的結(jié)果進(jìn)行分析和比較，從而掌握病人的病情。
1）生物信號(hào)的檢測(cè)與分析
在醫(yī)學(xué)診斷中，醫(yī)生基本上都是通過對(duì)醫(yī)學(xué)設(shè)備中呈現(xiàn)出來的連續(xù)波形進(jìn)行分析。人工神經(jīng)網(wǎng)絡(luò)中有一套自適應(yīng)的動(dòng)力學(xué)系統(tǒng)，該系統(tǒng)由一些數(shù)量龐大的簡(jiǎn)單處理單元互相連接。因此，它具有多種功能，比如Massively Parallelism，即所謂的巨量并行，分布式存貯功能以及強(qiáng)大的自組織自學(xué)習(xí)功能等。用常規(guī)處理法處理生物醫(yī)學(xué)信號(hào)分析非常困難，而人工神經(jīng)網(wǎng)絡(luò)的功能可以有效解決難題，其在生物醫(yī)學(xué)人腦檢測(cè)與處理中的應(yīng)用非常廣泛，比如分析電腦信號(hào)，對(duì)心電信號(hào)進(jìn)行壓縮處理，醫(yī)學(xué)圖像的識(shí)別等，在很大程度上促進(jìn)了醫(yī)學(xué)的發(fā)展。
2）醫(yī)學(xué)專家系統(tǒng)
對(duì)于傳統(tǒng)的專家系統(tǒng)而言，其工作原理基本上就是先由專家根據(jù)自己多年的醫(yī)學(xué)經(jīng)歷，總結(jié)自己的經(jīng)驗(yàn)和所掌握的知識(shí)，以某種規(guī)則的形式將這些經(jīng)驗(yàn)和知識(shí)存儲(chǔ)在電腦中，建立一個(gè)專家的知識(shí)庫，然后借助邏輯推理等方式開展醫(yī)療診斷工作。但是，隨著專家知識(shí)的不斷增長(zhǎng)和經(jīng)驗(yàn)的日益豐富化，數(shù)據(jù)庫的規(guī)模會(huì)越來越大，極有可能產(chǎn)生知識(shí)“爆炸”的現(xiàn)象。同時(shí)，專家在獲取知識(shí)的過程中也會(huì)遇到困難，導(dǎo)致工作效率低下。人工神經(jīng)網(wǎng)絡(luò)中的非線性并行處理方式解決了傳統(tǒng)專家系統(tǒng)中的困難，在知識(shí)推理、自組織等方面都有了很大的提高，醫(yī)學(xué)專家系統(tǒng)也開始逐漸采用人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)。
在醫(yī)學(xué)領(lǐng)域中，麻醉和危重醫(yī)學(xué)的研究過程中，存在很多的生理方面的分析與檢測(cè)工作，人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)有良好的信號(hào)處理能力，排除干擾信號(hào)，準(zhǔn)確檢測(cè)臨床狀況的相關(guān)情況，有力促進(jìn)了醫(yī)學(xué)的發(fā)展。
2.3 經(jīng)濟(jì)領(lǐng)域
經(jīng)濟(jì)的快速有效增長(zhǎng)是基于人們對(duì)市場(chǎng)規(guī)律良好的掌握和運(yùn)用以及對(duì)經(jīng)濟(jì)活動(dòng)中的風(fēng)險(xiǎn)評(píng)估，及時(shí)應(yīng)對(duì)和解決，這樣才能保障經(jīng)濟(jì)活動(dòng)的快速發(fā)展。人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于經(jīng)濟(jì)領(lǐng)域，主要有預(yù)測(cè)市場(chǎng)價(jià)格和評(píng)估經(jīng)濟(jì)風(fēng)險(xiǎn)兩個(gè)方面。
1）預(yù)測(cè)市場(chǎng)價(jià)格的波動(dòng)情況
商品的價(jià)格主要是由市場(chǎng)的供求關(guān)系和國(guó)家宏觀調(diào)控來變化的。國(guó)家的宏觀調(diào)控是客觀存在的，我們可以在遵循國(guó)家宏觀調(diào)控的前提之下分析市場(chǎng)的供求關(guān)系，從而預(yù)測(cè)商品的市場(chǎng)價(jià)格。在傳統(tǒng)的統(tǒng)計(jì)學(xué)方法中，在預(yù)測(cè)價(jià)格波動(dòng)時(shí)因其自身的局限性，難以做出科學(xué)的判斷。人工神經(jīng)網(wǎng)絡(luò)可以有效處理不完整數(shù)據(jù)和規(guī)律性不強(qiáng)的數(shù)據(jù)，它是傳統(tǒng)統(tǒng)計(jì)方法所不能達(dá)到的。人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)基于市場(chǎng)價(jià)格的確定機(jī)制，綜合分析影響商品價(jià)格的因素，比如城市化水平、人均工資水平、貸款情況等，將這些復(fù)雜的因素綜合起來，建立一個(gè)模型，通過模型中的數(shù)據(jù)顯示，科學(xué)預(yù)測(cè)商品的市場(chǎng)價(jià)格波動(dòng)情況，有效利用商品的價(jià)格優(yōu)勢(shì)。
2）評(píng)估經(jīng)濟(jì)風(fēng)險(xiǎn)
經(jīng)濟(jì)風(fēng)險(xiǎn)，即Economic Exposure，它指的是由于經(jīng)濟(jì)前景的一些不確定因素，導(dǎo)致經(jīng)濟(jì)實(shí)體出現(xiàn)重大的經(jīng)濟(jì)損失。在處理經(jīng)濟(jì)風(fēng)險(xiǎn)的時(shí)候，做好的措施就是防患于未然，做好評(píng)估和預(yù)測(cè)，將經(jīng)濟(jì)風(fēng)險(xiǎn)扼殺在萌芽時(shí)期。人為的主觀判斷經(jīng)濟(jì)風(fēng)險(xiǎn)具有一定的可靠性，但是也存在很多的不足。將人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)應(yīng)用于評(píng)估經(jīng)濟(jì)風(fēng)險(xiǎn)，可以有效彌補(bǔ)人為判斷風(fēng)險(xiǎn)的不足。人工神經(jīng)網(wǎng)絡(luò)先提取具體風(fēng)險(xiǎn)來源，然后在此基礎(chǔ)上構(gòu)建出一個(gè)模型，這個(gè)模型一般要符合實(shí)際情況，通過對(duì)模型的研究，得出風(fēng)險(xiǎn)評(píng)價(jià)系數(shù)，最終確定有效的解決方案。
2.4 控制領(lǐng)域
隨著人工神經(jīng)網(wǎng)絡(luò)的不斷發(fā)展，人們開始研究其在控制領(lǐng)域的應(yīng)用。比如現(xiàn)在的機(jī)器人的攝像機(jī)控制、飛機(jī)控制等。它主要是通過控制圖像傳感器，再結(jié)合圖像表面的非線性關(guān)系，進(jìn)行計(jì)算和分析，另外，它還可以將圖像傳感器瞄準(zhǔn)到處于運(yùn)動(dòng)狀態(tài)中的目標(biāo)物上。
2.5 交通運(yùn)輸
交通問題具有高度的非線性特點(diǎn)，它的數(shù)據(jù)處理是非常龐大和復(fù)雜的，這與人工神經(jīng)網(wǎng)絡(luò)有很大的吻合性。就目前來講，人工神經(jīng)網(wǎng)絡(luò)應(yīng)用到交通領(lǐng)域有模擬駕駛員的行為、分析交通的模式等等。
2.6 心理學(xué)
人工神經(jīng)網(wǎng)絡(luò)是對(duì)人腦神經(jīng)元的信息處理能力的模擬，本身就帶有一定的抽象性，它可以訓(xùn)練很多的認(rèn)知過程，比如感覺、記憶、情緒等。人們通過對(duì)人工神經(jīng)系統(tǒng)的不斷研究，多個(gè)角度分析了其認(rèn)知功能。就目前來看，人工神經(jīng)網(wǎng)絡(luò)可以分析人的認(rèn)知，同時(shí)對(duì)認(rèn)知方面有缺陷的病人進(jìn)行模擬，取得了很大的進(jìn)步。當(dāng)然，人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于心理學(xué)領(lǐng)域也存在很多的問題，比如結(jié)果精確度不高、模擬算法的速度不夠等，這些都需要人們持之以恒的研究。突破這些難題，促使人工神經(jīng)網(wǎng)絡(luò)有效應(yīng)用于心理學(xué)領(lǐng)域。
3 結(jié)束語
綜上所述，隨著人工神經(jīng)網(wǎng)絡(luò)的不斷發(fā)展，它特有的非線性適應(yīng)能力和自身的模擬結(jié)構(gòu)都有效推動(dòng)了其應(yīng)用范圍。我們應(yīng)該不斷運(yùn)用新技術(shù)，不斷完善人工神經(jīng)網(wǎng)絡(luò)的功能，拓寬其應(yīng)用范圍，促進(jìn)其智能化、功能化方向發(fā)展。
參考文獻(xiàn)：
[1] 毛健，趙紅東，姚婧婧.人工神經(jīng)網(wǎng)絡(luò)的發(fā)展及應(yīng)用[J].電子設(shè)計(jì)工程，2011（12）.
[2] 林和平，張秉正，喬幸娟.回歸分析人工神經(jīng)網(wǎng)絡(luò)[J].吉林大學(xué)學(xué)報(bào)：信息科學(xué)版，2010（3）.
[3] 李雷雷.人工神經(jīng)網(wǎng)絡(luò)在建筑工程估算中的應(yīng)用研究[D].華北電力大學(xué)，2012.
【關(guān)鍵詞】自適應(yīng)距離保護(hù) 人工神經(jīng)網(wǎng)絡(luò) BP算法
一、引言
距離保護(hù)長(zhǎng)期以來一直是復(fù)雜電網(wǎng)中高壓輸電線路最重要的也是應(yīng)用最廣泛的保護(hù)方案。這種保護(hù)有許多獨(dú)特的優(yōu)點(diǎn)，如能瞬時(shí)切除輸電線80%～90%范圍內(nèi)的各種故障。但是有許多原因會(huì)影響阻抗的測(cè)量精度，從而影響測(cè)量阻抗的計(jì)算，使測(cè)量阻抗為短路阻抗與附加阻抗之和，從而會(huì)引起誤動(dòng)或者拒動(dòng)。
基于這些問題，本文提出了人工神經(jīng)網(wǎng)絡(luò)。近年來，人工神經(jīng)網(wǎng)絡(luò)（ANN）逐漸得到電力系統(tǒng)研究人員的高度重視和廣泛研究。人工神經(jīng)網(wǎng)絡(luò)是由眾多的神經(jīng)元廣泛互聯(lián)而成的網(wǎng)絡(luò)。人工神經(jīng)網(wǎng)絡(luò)以其具有自學(xué)習(xí)、自適應(yīng)、較好的容錯(cuò)性和優(yōu)良的非線性逼近能力，廣泛應(yīng)用于模式識(shí)別和模式分類等方面。
本文所采用的三層前向神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法為反傳學(xué)習(xí)算法，即BP算法，學(xué)習(xí)過程采用反向傳播法。
二、基于人工神經(jīng)網(wǎng)絡(luò)的距離保護(hù)模型
BP網(wǎng)絡(luò)模型也即多層前向網(wǎng)絡(luò)（Multi-layer Feedforward Neural Network，MFNN），因其訓(xùn)練算法采用反向傳播算法，也即BP算法。由于這種算法在本質(zhì)上是一種神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的數(shù)學(xué)模型，所以，BP算法也通常暗示著神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)是一種無反饋的多層前向網(wǎng)絡(luò)。
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)。一般而言，只要采用三層神經(jīng)網(wǎng)絡(luò)，而且對(duì)各層神經(jīng)元數(shù)目不加限制，則可在模式空間構(gòu)成任意復(fù)雜程度的幾何圖形，從而對(duì)任意復(fù)雜的對(duì)象進(jìn)行分類。
人工神經(jīng)網(wǎng)絡(luò)含有輸入層、輸出層以及處于輸入輸出層之間的中間層。中間層有單層或多層，由于他們與外界沒有直接聯(lián)系，故也稱為隱層。在隱層中的神經(jīng)元也稱隱單元。隱層雖然和外界不連接，但是他們的狀態(tài)則影響輸入輸出之間的關(guān)系。BP網(wǎng)絡(luò)的結(jié)構(gòu)的每一層連接權(quán)值都可以通過學(xué)習(xí)來調(diào)節(jié)，它的基本處理單元（輸入層）除外通常為非線性輸入輸出關(guān)系。
三、神經(jīng)網(wǎng)絡(luò)的訓(xùn)練及檢驗(yàn)
本文通過EMTP仿真的數(shù)據(jù)預(yù)處理中得出了這兩個(gè)子網(wǎng)絡(luò)的權(quán)值和閥值矩陣中，用一些不同于訓(xùn)練樣本的檢測(cè)樣本（本文在故障檢測(cè)與選相子網(wǎng)絡(luò)是用40組進(jìn)行訓(xùn)練，13組進(jìn)行檢測(cè)的；對(duì)故障定位子網(wǎng)絡(luò)是用35組進(jìn)行訓(xùn)練，14組進(jìn)行校驗(yàn)的）。每一個(gè)子網(wǎng)絡(luò)的隱含層節(jié)點(diǎn)的數(shù)目，是在訓(xùn)練過程中根據(jù)最快的收斂速度和最好的精度標(biāo)準(zhǔn)通過多次采用不同的隱含層節(jié)點(diǎn)數(shù)目進(jìn)行訓(xùn)練，反復(fù)比較，根據(jù)實(shí)際的收斂效果和計(jì)算精度來選擇確定的。其中，故障檢測(cè)與選相子網(wǎng)絡(luò)（ANN1）的隱含層數(shù)目取為42個(gè)，故障定位子網(wǎng)絡(luò)（ANN2）的隱含層數(shù)目取為33個(gè)。
在確定了兩個(gè)子網(wǎng)絡(luò)的隱含層以后，開始對(duì)故障檢測(cè)和選相子網(wǎng)絡(luò)（ANN1）和故障定位子網(wǎng)絡(luò)（ANN2）采用BP算法進(jìn)行訓(xùn)練。經(jīng)過對(duì)子網(wǎng)絡(luò)的多次訓(xùn)練，其訓(xùn)練過程是收斂的，其訓(xùn)練速度也是令人滿意。
下面將2個(gè)子網(wǎng)絡(luò)的部分訓(xùn)練樣本、檢驗(yàn)樣本及檢驗(yàn)結(jié)果。
在對(duì)第一個(gè)、第二個(gè)子網(wǎng)絡(luò)故障檢測(cè)與選相子網(wǎng)絡(luò)其訓(xùn)練過程過程是收斂的，其訓(xùn)練速度也是令人滿意的。
下面是子網(wǎng)絡(luò)ANN1的訓(xùn)練樣本和訓(xùn)練樣本及檢測(cè)樣本。故障類型有：內(nèi)部故障，A相接地、內(nèi)部故障，B相接地、內(nèi)部故障，C相接地、內(nèi)部故障，兩相短路、內(nèi)部故障，兩相接地短路、內(nèi)部故障，三相短路。理想輸出：1，0，0，0；0，1，0，0；0，0，1，0；0，0，0，1；0，0，0，1；0，0，0，1。檢驗(yàn)結(jié)果：
0.9985，0.0378，0.0838，0.0230；0.0315，0.9988，0.0607，0.0121；0.1004，0.1718，0.9980，0.2715；0.2815，0.0499，0.0614，0.9864；0.2496，0.3688，0.0370，0.9798；0.0197，0.0551，0.0187，0.9981。
從上面可以清楚的看出，故障檢測(cè)和選相子網(wǎng)絡(luò)在各種故障情況下都能正確反映故障，并啟動(dòng)保護(hù)和正確選相。
在第二個(gè)子網(wǎng)絡(luò)訓(xùn)練過程也是表明故障定位子網(wǎng)絡(luò)ANN2也是收斂的，其訓(xùn)練速度也是令人滿意的。
下面是故障定位子網(wǎng)絡(luò)ANN2的訓(xùn)練樣本和檢驗(yàn)樣本及結(jié)果舉例。當(dāng)故障點(diǎn)線路全長(zhǎng)線路全長(zhǎng)83%，故障類型分別為單相接地、兩相故障、三相故障時(shí)，其理想輸出為1、1、1；當(dāng)故障點(diǎn)線路全長(zhǎng)線路全長(zhǎng)87%，其理想輸出為0、0、0。檢測(cè)結(jié)果：當(dāng)故障點(diǎn)線路全長(zhǎng)線路全長(zhǎng)83%，輸出：0.9867、0.9827、0.9572。當(dāng)故障點(diǎn)線路全長(zhǎng)線路全長(zhǎng)87%，輸出：0.1758、0.1820、0.1602。
從上面數(shù)據(jù)可以看到，故障定位子網(wǎng)絡(luò)距離保護(hù)經(jīng)過訓(xùn)練以后，基本能夠正確的識(shí)別故障點(diǎn)位置。
四、結(jié)論
本論文針對(duì)傳統(tǒng)距離保護(hù)在系統(tǒng)發(fā)生振蕩和系統(tǒng)經(jīng)過過渡電阻發(fā)生故障時(shí)，可能會(huì)誤動(dòng)或拒動(dòng)等，因此，提出了基于BP人工神經(jīng)網(wǎng)絡(luò)自適應(yīng)距離保護(hù)原理由兩個(gè)相互獨(dú)立的子網(wǎng)絡(luò)來實(shí)現(xiàn)，即故障檢測(cè)與選相子網(wǎng)絡(luò)和故障定位子網(wǎng)絡(luò)。兩個(gè)子網(wǎng)絡(luò)組成一個(gè)并行處理系統(tǒng)，經(jīng)過大量的訓(xùn)練樣本進(jìn)行訓(xùn)練，投入實(shí)際運(yùn)行線路中，根據(jù)本身需要提取輸電線路的運(yùn)行參數(shù)，對(duì)電力系統(tǒng)運(yùn)行狀態(tài)進(jìn)行判斷。研究結(jié)果表明，用人工神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)最復(fù)雜的保護(hù)原理——距離保護(hù)是可行的，而且具有顯著的優(yōu)點(diǎn)。
參考文獻(xiàn)：
[1]賀家李，宋從矩.電力系統(tǒng)繼電保護(hù)原理（第三版）[M].北京：中國(guó)電力出版社，2001.
關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò)；前饋神經(jīng)網(wǎng)絡(luò)；遞歸神經(jīng)網(wǎng)絡(luò)
中圖分類號(hào)： TP183 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1673-1069（2017）06-165-2
1 緒論
人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network， ANN）是由大量處理單元互聯(lián)組成的非線性、自適應(yīng)信息處理系統(tǒng)。它是在現(xiàn)代神經(jīng)科學(xué)研究成果的基礎(chǔ)上提出的，試圖通過模擬大腦神經(jīng)網(wǎng)絡(luò)處理、記憶信息的方式進(jìn)行信息處理。ANN通過模仿人類大腦的結(jié)構(gòu)和功能，并借鑒生物神經(jīng)科學(xué)的研究成果，實(shí)現(xiàn)對(duì)信息的處理，是一種新興的交叉學(xué)科，不但推動(dòng)了智能化計(jì)算的應(yīng)用和發(fā)展，同時(shí)也為信息科學(xué)和神經(jīng)生物學(xué)的研究方法帶來革命性的變化，現(xiàn)已成功應(yīng)用于腦科學(xué)，認(rèn)知科學(xué)，模式識(shí)別，智能控制，計(jì)算機(jī)科學(xué)等多個(gè)領(lǐng)域。
在實(shí)際應(yīng)用中，人工神經(jīng)網(wǎng)絡(luò)的選取通常包括適當(dāng)?shù)纳窠?jīng)網(wǎng)絡(luò)模型，合理的網(wǎng)絡(luò)結(jié)構(gòu)及快速有效的網(wǎng)絡(luò)參數(shù)訓(xùn)練算法[1]。而針對(duì)某一特定網(wǎng)絡(luò)模型，ANN的研究主要集中在結(jié)構(gòu)的調(diào)整和訓(xùn)練算法的改進(jìn)兩個(gè)方面。所謂神經(jīng)網(wǎng)絡(luò)訓(xùn)練，也就是網(wǎng)絡(luò)參數(shù)的學(xué)習(xí)和調(diào)整，是一個(gè)反復(fù)調(diào)節(jié)節(jié)點(diǎn)之間權(quán)值和閾值的過程，其學(xué)習(xí)可以分成三類，即有監(jiān)督學(xué)習(xí)（Supervised learning），無監(jiān)督學(xué)習(xí)（Unsupervised learning）和強(qiáng)化學(xué)習(xí)（Reinforcement learning），本文基于有監(jiān)督和無監(jiān)督學(xué)習(xí)進(jìn)行分類，分別分析了前饋神經(jīng)網(wǎng)絡(luò)的特點(diǎn)及研究現(xiàn)狀、遞歸神經(jīng)網(wǎng)絡(luò)的特點(diǎn)及研究現(xiàn)狀。
2 前饋神經(jīng)網(wǎng)絡(luò)
2.1 前饋神經(jīng)網(wǎng)絡(luò)的特點(diǎn)
前饋神經(jīng)網(wǎng)絡(luò)的主要種類包括：感知器，線性神經(jīng)網(wǎng)絡(luò)，BP網(wǎng)絡(luò)，徑向基網(wǎng)絡(luò)（RBF）等。其訓(xùn)練算法主要采用梯度下降法（Gradient descent），包括：誤差反向傳播算法（Back Propagation， BP），改進(jìn)的BP算法，Levenberg-Marquardt法（LM）等。前饋神經(jīng)網(wǎng)絡(luò)具有學(xué)習(xí)簡(jiǎn)單，收斂較快等優(yōu)點(diǎn)，因此在實(shí)際應(yīng)用中，一般選取三層或以上的網(wǎng)絡(luò)結(jié)構(gòu)，神經(jīng)網(wǎng)絡(luò)的任意逼近定理指出，訓(xùn)練合適的多層前饋神經(jīng)網(wǎng)絡(luò)能夠以任意精度逼近任意連續(xù)函數(shù)[2]。當(dāng)網(wǎng)絡(luò)結(jié)構(gòu)已知的情況下，訓(xùn)練前饋神經(jīng)網(wǎng)絡(luò)的本質(zhì)就是確定最優(yōu)權(quán)值和閾值的方法，前饋神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方式一般采用網(wǎng)絡(luò)理想輸出和實(shí)際輸出的誤差作為權(quán)值調(diào)整信號(hào)，解空間一般是多峰函數(shù)，由于訓(xùn)練過程中很容易陷入局部極小，因此網(wǎng)絡(luò)的訓(xùn)練目標(biāo)就是求解一組最優(yōu)的權(quán)值，使誤差達(dá)到最小。
傳統(tǒng)的誤差反向傳播算法由于為網(wǎng)絡(luò)的訓(xùn)練提供了簡(jiǎn)單而有效的實(shí)現(xiàn)途徑，目前已成為研究和應(yīng)用最廣泛的有監(jiān)督學(xué)習(xí)算法。但BP算法存在許多問題，例如在多層網(wǎng)絡(luò)中收斂較慢且容易陷入局部極小，而且不能對(duì)多個(gè)網(wǎng)絡(luò)進(jìn)行同時(shí)訓(xùn)練[3]。改進(jìn)的BP算法有多種形式，主要有通過附加動(dòng)量和學(xué)習(xí)率的引入改進(jìn)BP網(wǎng)絡(luò)的自適應(yīng)能力等方法，附加動(dòng)量方法雖然在一定程度上改善了易陷入局部極小的問題，仍然存在收斂速度較慢的問題。調(diào)整學(xué)習(xí)率方法通過將學(xué)習(xí)率限制在一定范圍內(nèi)自動(dòng)調(diào)整，雖然能夠提高網(wǎng)絡(luò)收斂速率，但對(duì)權(quán)值的改變和影響并不大，仍然導(dǎo)致誤差較大問題。LM法具有訓(xùn)練時(shí)間段，收斂速度快的優(yōu)點(diǎn)，但由于LM法需要計(jì)算誤差的Jacobian矩陣，這是一個(gè)復(fù)雜的高維運(yùn)算問題，需要占用大量系統(tǒng)存儲(chǔ)空間，同時(shí)，LM也存在易陷入局部極小的問題[4、5]。
2.2 前饋神經(jīng)網(wǎng)絡(luò)的研究現(xiàn)狀
在傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中，預(yù)估校正法或者經(jīng)驗(yàn)選擇是最常被使用的網(wǎng)絡(luò)結(jié)構(gòu)選取方式[6]。在訓(xùn)練和優(yōu)化網(wǎng)絡(luò)權(quán)值和閾值過程中，訓(xùn)練算法在上述分析中已知，存在著容易陷入局部最優(yōu)并且難以跳出的缺點(diǎn)，因此誤差函數(shù)要求必須是連續(xù)可求導(dǎo)的函怠R虼耍這些權(quán)值訓(xùn)練方法常和進(jìn)化算法等全局搜索算法相結(jié)合。使用全局搜索算法的全局搜索能力幫助網(wǎng)絡(luò)跳出局部極小。在編碼時(shí)采用實(shí)數(shù)編碼，克服二進(jìn)制編碼受到編碼串長(zhǎng)度和精度的限制。例如，Sexton等人用一種改進(jìn)的遺傳算法優(yōu)化前饋神經(jīng)網(wǎng)路權(quán)值，結(jié)果表明改進(jìn)的算法使網(wǎng)路訓(xùn)練精度得到顯著提高[3]。Abbass通過將傳統(tǒng)BP算法和差分進(jìn)化算法相結(jié)合，提出了一種的新的權(quán)值訓(xùn)練方法并用于乳腺癌的預(yù)測(cè)實(shí)驗(yàn)，取得較好結(jié)果[7]。Iionen等人使用差分進(jìn)化算法對(duì)前饋網(wǎng)絡(luò)的權(quán)值進(jìn)行訓(xùn)練和優(yōu)化，將優(yōu)化結(jié)果與其他幾種基于梯度下降的網(wǎng)絡(luò)訓(xùn)練方法比較，結(jié)果表明該方法具有較好的精度[8]。更多研究成果表明，將DE、PSO應(yīng)用于網(wǎng)絡(luò)權(quán)值在線訓(xùn)練和優(yōu)化具有明顯優(yōu)勢(shì)，這些改進(jìn)方法也成功應(yīng)用在了醫(yī)學(xué)和工程技術(shù)等領(lǐng)域[9、10]。
此外，多種優(yōu)化算法相結(jié)合也被證明是有效的。例如，在文獻(xiàn)[11]中，作者提出了一種DE和LM相結(jié)合的神經(jīng)網(wǎng)絡(luò)快速訓(xùn)練方法。Liu等人提出一種粒子群算法（Particle Swarm Optimization， PSO）和共軛梯度算法相結(jié)合的混合算法，并將其應(yīng)用于神經(jīng)網(wǎng)絡(luò)的權(quán)值優(yōu)化[12]。在優(yōu)化過程中，首先確定網(wǎng)絡(luò)結(jié)構(gòu)，然后使用PSO的全局搜索能力獲得最后權(quán)值組合，最后使用傳統(tǒng)方法進(jìn)行權(quán)值微調(diào)，取得較好結(jié)果。在文獻(xiàn)[13]中，作者采用相反方式將基本PSO和傳統(tǒng)BP算法相結(jié)合使用，首先用BP算法對(duì)網(wǎng)絡(luò)權(quán)值進(jìn)行計(jì)算，然后使用PSO對(duì)網(wǎng)絡(luò)結(jié)構(gòu)固定的權(quán)值進(jìn)行優(yōu)化和改進(jìn)。有學(xué)者提出一種具有控制參數(shù)自適應(yīng)選擇能力的差分進(jìn)化算法，用于訓(xùn)練前饋網(wǎng)絡(luò)，并將該方法用于奇偶分類實(shí)驗(yàn)中，將實(shí)驗(yàn)結(jié)果與幾種其他方法進(jìn)行比較得知，提出的方法具有更好的準(zhǔn)確性。Epitropakis等人在訓(xùn)練離散Pi-Sigma神經(jīng)網(wǎng)絡(luò)實(shí)驗(yàn)中，采用一種分布式離散差分進(jìn)化算法和分布式離散PSO算法相結(jié)合的方式。該離散網(wǎng)絡(luò)仍然是一種多層前饋網(wǎng)絡(luò)，在輸出層，通過將神經(jīng)元求積的方式獲得輸出，作者認(rèn)為這種整數(shù)權(quán)值的離散方式更適合用于硬件實(shí)現(xiàn)[14]。在離散化權(quán)值方面，Bao等人的工作表明，通過采用一種可重建的動(dòng)態(tài)差分進(jìn)化算法，可以有效用于訓(xùn)練固定結(jié)構(gòu)的網(wǎng)絡(luò)權(quán)值。
在不同領(lǐng)域中，任務(wù)往往各不相同，因此針對(duì)不同的動(dòng)態(tài)系統(tǒng)，不同類型的遞歸網(wǎng)絡(luò)的也相繼被提出并得到研究，使之成為人工智能界的研究熱點(diǎn)之一。因其具有獨(dú)特的優(yōu)化能力，聯(lián)想記憶功能，遞歸神經(jīng)網(wǎng)絡(luò)已引起AI界極大的研究和關(guān)注，并成功應(yīng)用于多種模式識(shí)別問題，例如圖像處理，聲音辨識(shí)，信號(hào)處理等。
4 結(jié)論
本章分析和研究了神經(jīng)網(wǎng)絡(luò)的兩種主要類型，前饋型和遞歸型，并對(duì)其特點(diǎn)進(jìn)行了分析。前饋網(wǎng)絡(luò)的主要特點(diǎn)是計(jì)算簡(jiǎn)單，運(yùn)算方便，缺點(diǎn)是耗時(shí)較長(zhǎng)，容易陷入局部極小；遞歸網(wǎng)絡(luò)的特點(diǎn)是具有動(dòng)力學(xué)特性和聯(lián)想記憶特性，但使用時(shí)需要注意穩(wěn)定性和收斂性，且對(duì)初始狀態(tài)具有高度敏感特性。針對(duì)兩類神經(jīng)網(wǎng)絡(luò)的特點(diǎn)，可通過多種優(yōu)化相結(jié)合的方法解決收斂較慢且容易陷入局部極小問題，應(yīng)用參數(shù)學(xué)習(xí)訓(xùn)練算法和網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化算法對(duì)遞歸網(wǎng)絡(luò)進(jìn)行適當(dāng)?shù)恼{(diào)整，以應(yīng)用于具體問題。
參 考 文 獻(xiàn)
[1] N. Garcia-Pedrajas， C. Hervas-Martinez， J. Munoz-Perez. COVNET： a cooperative coevolutionary model for evolving artificial neural networks [J]. IEEE Transaction on Neural Networks， 2003， 14（3）： 575-596.
[2] K. Hornick， M. Stinchcombe， H. White. Multilayer feedforward networks are universal approximators [J]. Neural Networks， 1989， 2： 359-366.
[3] R.S. Sexton， R.S. Sriram， H. Etheridge. Improving decision effectiveness of artificial neural networks： a modified genetic algorithm approach [J]. Decis Sci， 2003， 34（3）：421-442.
[4] 商琳， 王金根， 姚望舒，等. 一N基于多進(jìn)化神經(jīng)網(wǎng)絡(luò)的分類方法[J]. 軟件學(xué)報(bào)， 2005， 16（9）： 1577-1583.
[5] S.U. Ahmed， M. Shahjahan， K. Murase. Injecting chaos in feedforward neural networks [J]. Neural Process Lett， 2011， 34（1）： 87-100.
[6] Serkan Kiranyaz， Turker Ince， Alper Yildirim， et al. Evolutionary artificial neural networks by multi-dimensional particle swarm optimization [J]. Neural Networks， 2009， 22： 1448-1462.
[7] H.A. Abbass. An evolutionary artificial neural networks approach for breast cancer diagnosis [J]. Artificial Intelligence in Medicine， 2002 ， 25 （3） ： 265-281.
[8] J. Iionen， J.K. Kamarainen， J. Lampinen. Differential Evolution Training Algorithm for Feed-forward Neural Networks [J]. Neural Processing Letters， 2003， 17（1） ： 93-105.
[9] D.M. George， P.P. Vassilis， N.V. Michael. Neural network-based colonoscopic diagnosis using on-line learning and differential evolution [J]. Applied Soft Computing， 2004， （4） ： 369-379.
[10] B. Liu， L. Wang， Y.H. Jin， et al. Designing neural networks using hybrid particle swarm optimization [C]. Lecture Notes in Computer Science. Berlin ： Springer ， 2005 ： 391-397.
[11] 王剛， 高陽， 夏潔. 基于差異進(jìn)化算法的人工神經(jīng)網(wǎng)絡(luò)快速訓(xùn)練研究 [J]. 管理學(xué)報(bào)， 2005， 2 （4） ： 450-454.
[12] L. B. Liu， Y. J. Wang， D. Huang. Designing neural networks using PSO-based memetic algorithm [C]. in： Proceedings of the Fourth International Symposium on Neural Networks （ISNN’07）， 2007， pp. 219-224.
關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)；非線性回歸網(wǎng)絡(luò)；ARIMA模型
中圖分類號(hào)：TP393 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)；1009-3044（2017）07-0162-03
1介紹
預(yù)測(cè)股市指數(shù)及其趨勢(shì)已被認(rèn)為是時(shí)間序列預(yù)測(cè)中最具挑戰(zhàn)性的應(yīng)用之一。根據(jù)現(xiàn)有提出的有效市場(chǎng)理論，股價(jià)遵循隨機(jī)路徑，實(shí)際上不可能根據(jù)歷史數(shù)據(jù)制定特定的長(zhǎng)期預(yù)測(cè)模型。ARIMA和ANN技術(shù)已經(jīng)成功地用于建模和預(yù)測(cè)金融時(shí)間序列。與作為復(fù)雜預(yù)測(cè)系統(tǒng)的ANN模型相比，ARIMA模型被認(rèn)為是更容易的訓(xùn)練和預(yù)測(cè)技術(shù)。神經(jīng)網(wǎng)絡(luò)的一個(gè)重要特征是能夠從他們的環(huán)境中學(xué)習(xí)，并通過學(xué)習(xí)在某種意義上提高性能。其中一個(gè)新的趨勢(shì)是專門的神經(jīng)結(jié)構(gòu)與學(xué)習(xí)算法的發(fā)展，提供替代工具用來解決特征提取，信號(hào)處理和數(shù)據(jù)預(yù)測(cè)等問題。近年來，在使用ARIMA模型進(jìn)行金融時(shí)間序列預(yù)測(cè)的金融數(shù)據(jù)分析領(lǐng)域中進(jìn)行了一系列研究。Meyler等人使用ARIMA模型來預(yù)測(cè)愛爾蘭通貨膨脹。Contreras等人使用ARIMA方法預(yù)測(cè)第二天的電價(jià)。FxJiger等人用于ARIMA模型來預(yù)測(cè)在土耳其通過燃料一次能源的需求。Datta使用相同的Box和Jenkins方法預(yù)測(cè)孟加拉國(guó)的通貨膨脹率。A1-Zeaud已經(jīng)使用ARIMA模型來建模和預(yù)測(cè)銀行部門的波動(dòng)率。
本文的結(jié)構(gòu)如下。在本文的第二部分，我們簡(jiǎn)要介紹ARIMA模型進(jìn)行預(yù)測(cè)。接下來，給出了旨在預(yù)測(cè)特定股票收盤價(jià)的外部輸入的非線性自回歸網(wǎng)絡(luò)。應(yīng)用于數(shù)據(jù)預(yù)測(cè)的基于ANN的策略是針對(duì)ARIMA模型進(jìn)行分析的，并且在文章的第四部分中描述了這些模型的比較分析。關(guān)于報(bào)告的研究的結(jié)論在本文的最后部分提出。
2RIM模型
自回歸積分移動(dòng)平均（ARIMA）模型和Box-Jenkins方法是一種統(tǒng)計(jì)分析模型。它主要用于時(shí)間序列分析的計(jì)量經(jīng)濟(jì)學(xué)和統(tǒng)計(jì)學(xué)。ARIMA模型使用時(shí)間序列數(shù)據(jù)來預(yù)測(cè)系列中的未來點(diǎn)。非季節(jié)性ARIMA模型由ARIMA（p，d，q）表示，其中p，d，q是非負(fù)整數(shù)，它們分別是自回歸（AR），集成（I）和移動(dòng)平均（MA）的參數(shù)。
（1）
（2）
（3）
可以使用ARMA過程開發(fā)的預(yù)測(cè)技術(shù)的擴(kuò)展來解決預(yù)測(cè)ARIMA過程的問題。預(yù)測(cè)ARMA（p，q）過程中最常用的方法之一是用于計(jì)算最佳線性預(yù)測(cè)變量（Durbin-Levison算法，創(chuàng)新算法等）的遞歸技術(shù)類。在下面我們描述使用創(chuàng)新算法的遞歸預(yù)測(cè)方法。
3用于預(yù)測(cè)股票收盤價(jià)的基于ANN的模型
具有旨在預(yù)測(cè)特定股票的收盤價(jià)的外部輸入的非線性自回歸網(wǎng)絡(luò)的過程如下所示；
我們假設(shè)Yt是時(shí)間z時(shí)刻的股票收盤價(jià)。對(duì)于每個(gè)時(shí)刻t，我們用Xt=（Xt（1），Xt（2），…，Xt（n）表示與Yt顯著相關(guān)的指標(biāo)的值的向量，即在Xt（i）和Yt之間的相關(guān)系數(shù)大于某一閾值。
我們研究中使用的神經(jīng)模型是一個(gè)動(dòng)態(tài)網(wǎng)絡(luò)。直接法用于建立股票平倉值的預(yù)測(cè)模型，具體描述如下。
（4）
（5）
（6）
所考慮的延遲對(duì)訓(xùn)練集和預(yù)測(cè)過程具有顯著影響。我們使用相關(guān)圖為我們的神經(jīng)網(wǎng)絡(luò)選擇適當(dāng)?shù)拇翱诖笮 Ｎ覀冃枰糠肿韵嚓P(guān)函數(shù)（PACF）在統(tǒng)計(jì)上不相關(guān)的滯后。
具有外部輸入的非線性自回歸網(wǎng)絡(luò)（NARX）是一個(gè)遞歸動(dòng)態(tài)網(wǎng)絡(luò)，反饋連接包含網(wǎng)絡(luò)的多個(gè)層。NARX網(wǎng)絡(luò)的輸出可以被認(rèn)為是某個(gè)非線性動(dòng)態(tài)系統(tǒng)的輸出估計(jì)。由于在網(wǎng)絡(luò)訓(xùn)練期間實(shí)際輸出是可用的，所以產(chǎn)生串并聯(lián)架構(gòu)，其中估計(jì)輸出被實(shí)際輸出替代。這個(gè)模型的優(yōu)點(diǎn)有兩個(gè)方面；一方面，在訓(xùn)練階段中使用的輸入更精確，另一方面，由于所得到的網(wǎng)絡(luò)具有前饋結(jié)構(gòu)，因此可以使用靜態(tài)反向傳播類型的學(xué)習(xí)。
NARX網(wǎng)絡(luò)在這里用作預(yù)測(cè)器，預(yù)測(cè)公式如下：
（7）
在圖1中描述了該串并聯(lián)神經(jīng)網(wǎng)絡(luò)的示例，其中d=2，n=10并且隱層中的神經(jīng)元的數(shù)量是24。
隱藏層和輸出層中的神經(jīng)元的激活函數(shù)可以以多種方式定義。在我們的測(cè)試中，我們采用邏輯函數(shù)（8）來模擬屬于隱藏層的神經(jīng)元的激活函數(shù)，并且單位函數(shù)對(duì)屬于輸出層的神經(jīng)元的輸出進(jìn)行建模。
（8）
在訓(xùn)練步驟之后，串并聯(lián)架構(gòu)被轉(zhuǎn)換為并行配置，以便執(zhí)行多級(jí)提前預(yù)測(cè)任務(wù)。相應(yīng)的神經(jīng)網(wǎng)絡(luò)架構(gòu)如圖2所示。我們使用標(biāo)準(zhǔn)性能函數(shù)，由網(wǎng)絡(luò)誤差的平均和確定。取消數(shù)據(jù)分割過程以避免提前停止。
用于更新權(quán)重和偏差參數(shù)的網(wǎng)絡(luò)訓(xùn)練函數(shù)對(duì)應(yīng)于具有反向傳播算法的自適應(yīng)學(xué)習(xí)速率變體的梯度下降。在下面，我們考慮基于梯度的學(xué)習(xí)算法的類，其一般更新規(guī)則由下式所以：
（9）
在本文中我們用E來表示誤差函數(shù)，該誤差函數(shù)根據(jù)訓(xùn)練集合上的平方差誤差函數(shù)的和來定義。具有自適應(yīng)學(xué)習(xí)速率的基于反向傳播梯度的算法通過使誤差函數(shù)最小化而產(chǎn)生。
為了提供基于準(zhǔn)牛頓法的正割方程的兩點(diǎn)近似，在每個(gè)時(shí)期定義的學(xué)習(xí)速率為；
（10）
在這種情況下，基于梯度的學(xué)習(xí)方法可能超過最佳點(diǎn)或者甚至發(fā)散。
4實(shí)驗(yàn)結(jié)果
我們用樣本數(shù)據(jù)集測(cè)試了模型。樣本是在2009和2014之間的每周觀察量的一組變量S。集合S包含來自證券交易所的SNP股票的開盤價(jià)，收盤價(jià)，最高價(jià)和最低價(jià)，以及從股票市場(chǎng)的技術(shù)和基礎(chǔ)分析獲得的七個(gè)指標(biāo)。
相關(guān)圖顯示，對(duì)于所有變量，PACF函數(shù)在第二滯后之后立即下降。這意味著所有變量的窗口大小可以設(shè)置為2。在我們的測(cè)試中，我們使用200個(gè)樣本用于訓(xùn)練目的和100個(gè)樣本用于數(shù)據(jù)預(yù)測(cè)。
神經(jīng)網(wǎng)絡(luò)參數(shù)基于以下過程確定：
1.初始化NN的參數(shù)。
2.使用6000個(gè)時(shí)期中的訓(xùn)練樣本集訓(xùn)練NN。
對(duì)于已經(jīng)訓(xùn)練的數(shù)據(jù)，根據(jù)MSE測(cè)量計(jì)算的總體預(yù)測(cè)誤差小于某個(gè)閾值。
在我們的測(cè)試中，閾值設(shè)置為0J 001。如果我們用T=（T（1），T（2），…，T（nr）表示目標(biāo)值的向量，并用（P（1），P（2），…，P（nr））表示其條目對(duì)應(yīng)于預(yù)測(cè)值的向量，則MSE誤差測(cè)量由：
（11）
使用上述技術(shù)獲得的結(jié)果報(bào)告如下。對(duì)已經(jīng)訓(xùn)練的數(shù)據(jù)預(yù)測(cè)計(jì)算的總體預(yù)測(cè)誤差為0.000 35。在已訓(xùn)練的數(shù)據(jù)上計(jì)算的回歸系數(shù)和數(shù)據(jù)擬合在圖3中示出。在已經(jīng)訓(xùn)練樣本的情況下的網(wǎng)絡(luò)預(yù)測(cè)與實(shí)際數(shù)據(jù)在圖4中示出。在新數(shù)據(jù)預(yù)測(cè)上計(jì)算的總預(yù)測(cè)誤差為0.001 2。在圖5中示出了在新穎鏡那榭魷碌耐絡(luò)預(yù)測(cè)與實(shí)際數(shù)據(jù)。
我們用基于神經(jīng)網(wǎng)絡(luò)的方法和ARIMA預(yù)測(cè)方法進(jìn)行比較分析。首先，我們使用自相關(guān)函數(shù)（ACF）和部分自相關(guān)函數(shù)（PACF）來確定時(shí)間序列是否穩(wěn)定。在平穩(wěn)時(shí)間序列的情況下，ACF迅速衰減。由于ACF的計(jì)算值表明函數(shù)衰減非常緩慢，我們認(rèn)為考慮的時(shí)間序列是非穩(wěn)定的。為了調(diào)整ARIMA模型的差分參數(shù)，分別計(jì)算了一階和二階差分序列。由于在使用一階差分系列的情況下，ACF的值非常小，我們得出結(jié)論，ARIMA模型的差分參數(shù)應(yīng)設(shè)置為1。
基于以下標(biāo)準(zhǔn)調(diào)整與AR（p）和MA（g）過程相關(guān)的ARIMA模型的參數(shù)：BIC（貝葉斯信息準(zhǔn)則）的相對(duì)小的值，調(diào)整的R2（確定系數(shù)）的相對(duì)高的值和相對(duì)小回歸標(biāo)準(zhǔn)誤差（SER）。根據(jù)這些結(jié)果，從上述標(biāo)準(zhǔn)的角度來看，最佳模型是ARIMA（1，1，1）模型。我們得出結(jié)論，最佳擬合模型是ARIMA（1，1，0）和ARMA（1，1，1）。
在使用ARIMA（1，1，0）模型的情況下，對(duì)新數(shù)據(jù)預(yù)測(cè)計(jì)算的總體預(yù)測(cè)誤差為0.007 7，而在使用ARIMA（1，1，1）模型的情況下為0.009 6。預(yù)測(cè)的結(jié)果如圖6所示。
關(guān)鍵詞：模糊控制；人工神經(jīng)網(wǎng)絡(luò)；人臉識(shí)別
中圖分類號(hào)：TP18 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044(2011)16-3904-03
隨著人工智能技術(shù)的飛速發(fā)展，機(jī)器視覺已經(jīng)成為當(dāng)前人工智能研究領(lǐng)域的一大熱點(diǎn)，很多國(guó)家的研究人員都開展了對(duì)機(jī)器視覺的研究，其中以機(jī)器視覺識(shí)別人臉最為困難，這主要是因?yàn)槿说拿娌繋в斜砬椋煌娜司哂胁煌哪槪煌哪樉哂胁煌谋砬椋煌谋砬閯t具有不同的面部特征，如何讓計(jì)算機(jī)通過機(jī)器視覺高效率的識(shí)別人臉，成為當(dāng)前機(jī)器視覺和智能機(jī)器人關(guān)鍵技術(shù)領(lǐng)域的技術(shù)難題。
隨著模糊邏輯控制算法和人工神經(jīng)網(wǎng)絡(luò)算法的發(fā)展，對(duì)于機(jī)器視覺識(shí)別人臉特征的算法也有了新的發(fā)展，目前多數(shù)研究算法所采用的人臉識(shí)別從實(shí)現(xiàn)技術(shù)上來說，主要可以分為以下幾個(gè)類別：
1) 基于人臉幾何特征進(jìn)行的識(shí)別算法，該算法運(yùn)算量較小，原理簡(jiǎn)單直觀，但是識(shí)別率較低，適合應(yīng)用于人群面部的分類，而不適宜于每一個(gè)人臉的識(shí)別。
2) 基于人臉特征的匹配識(shí)別算法，這種算法是預(yù)先構(gòu)建常見的人臉特征以及人臉模板，構(gòu)成人臉特征庫，將被識(shí)別的人臉與特征庫中的人臉進(jìn)行逐一比對(duì)，從而實(shí)現(xiàn)人臉識(shí)別，該算法識(shí)別效率較高，但是應(yīng)用有一定局限性，只能夠識(shí)別預(yù)先設(shè)立的人臉特征庫中的人臉模型，因此人臉特征庫就成為該算法實(shí)現(xiàn)的技術(shù)關(guān)鍵。
3) 基于統(tǒng)計(jì)的人臉識(shí)別算法，該算法將人臉面部進(jìn)行特征參數(shù)的劃分，如兩眼距離大小，五官之間距離等，通過構(gòu)建統(tǒng)計(jì)特征參數(shù)模型實(shí)現(xiàn)對(duì)人臉模型的識(shí)別，該算法識(shí)別率較高，但是算法實(shí)現(xiàn)起來運(yùn)算量比較大，且識(shí)別效率較低。
4) 基于模糊邏輯的人臉識(shí)別算法，這一類算法主要結(jié)合了模糊邏輯和神經(jīng)網(wǎng)絡(luò)能夠自我訓(xùn)練學(xué)習(xí)的機(jī)制實(shí)現(xiàn)對(duì)人臉的識(shí)別，識(shí)別率較高，且算法運(yùn)算量適中，但是算法的原理較難理解，且模糊邏輯控制規(guī)則的建立存在一定技術(shù)難度。
本論文主要結(jié)合模糊人工神經(jīng)網(wǎng)絡(luò)方法，將其應(yīng)用于計(jì)算機(jī)人臉識(shí)別，以期從中能夠找到有效可靠的人臉識(shí)別方法及其算法應(yīng)用，并以此和廣大同行分享。
1 模糊邏輯及人工神經(jīng)網(wǎng)絡(luò)在圖像辨識(shí)中的應(yīng)用可行性分析
1) 人臉識(shí)別的技術(shù)難點(diǎn)
由于計(jì)算機(jī)只能夠認(rèn)識(shí)0和1，任何數(shù)據(jù)，包括圖像，都必須要轉(zhuǎn)化為0和1才能夠被計(jì)算機(jī)識(shí)別，這樣就帶來一個(gè)很復(fù)雜很棘手的問題：如何將成千上萬的帶有不同表情的人臉轉(zhuǎn)變?yōu)閿?shù)字信號(hào)并被計(jì)算機(jī)識(shí)別。由于人的面部帶有表情，不同的人具有不同的臉，而不同的臉具有不同的表情，不同的表情則具有不同的面部特征，因此這些都成為了計(jì)算機(jī)識(shí)別人臉特征的技術(shù)難點(diǎn)，具體來說，人臉實(shí)現(xiàn)計(jì)算機(jī)識(shí)別的主要技術(shù)難度包括：
① 人臉表情：人有喜怒哀樂等不同表情，不同的表情具有不同的面部特征，因此如何分辨出不同表情下的人臉特征，這是首要的技術(shù)難點(diǎn)；
② 光線陰影的變換：由于人臉在不同光線照射下會(huì)產(chǎn)生陰影，而陰影敏感程度的不一也會(huì)增加計(jì)算機(jī)識(shí)別人臉特征的難度；
③ 其他因素：如人隨著年齡的增長(zhǎng)面部特征會(huì)發(fā)生些微變化，人臉部分因?yàn)檠b飾或者帽飾遮擋而增加識(shí)別難度，以及人臉側(cè)面不同姿態(tài)也會(huì)對(duì)計(jì)算機(jī)識(shí)別帶來技術(shù)難度。
2) 模糊人工神經(jīng)網(wǎng)絡(luò)在人臉辨識(shí)中的應(yīng)用可行性
如上分析所示，計(jì)算機(jī)識(shí)別人臉，需要考慮的因素太多，并且每一種因素都不是線性化處理那么簡(jiǎn)單，為此，必須要引入新的處理技術(shù)及方法，實(shí)現(xiàn)計(jì)算機(jī)對(duì)人臉的高效識(shí)別。根據(jù)前人的研究表明，模糊人工神經(jīng)網(wǎng)絡(luò)算法是非常有效的識(shí)別算法。
模糊理論和神經(jīng)網(wǎng)絡(luò)技術(shù)是近年來人工智能研究較為活躍的兩個(gè)領(lǐng)域。人工神經(jīng)網(wǎng)絡(luò)是模擬人腦結(jié)構(gòu)的思維功能，具有較強(qiáng)的自學(xué)習(xí)和聯(lián)想功能，人工干預(yù)少，精度較高，對(duì)專家知識(shí)的利用也較少。但缺點(diǎn)是它不能處理和描述模糊信息，不能很好利用已有的經(jīng)驗(yàn)知識(shí)，特別是學(xué)習(xí)及問題的求解具有黑箱特性，其工作不具有可解釋性，同時(shí)它對(duì)樣本的要求較高;模糊系統(tǒng)相對(duì)于神經(jīng)網(wǎng)絡(luò)而言，具有推理過程容易理解、專家知識(shí)利用較好、對(duì)樣本的要求較低等優(yōu)點(diǎn)，但它同時(shí)又存在人工干預(yù)多、推理速度慢、精度較低等缺點(diǎn)，很難實(shí)現(xiàn)自適應(yīng)學(xué)習(xí)的功能，而且如何自動(dòng)生成和調(diào)整隸屬度函數(shù)和模糊規(guī)則，也是一個(gè)棘手的問題。如果將二者有機(jī)地結(jié)合起來，可以起到互補(bǔ)的效果。
模糊邏輯控制的基本原理并非傳統(tǒng)的是與不是的二維判斷邏輯，而是對(duì)被控對(duì)象進(jìn)行閾值的設(shè)計(jì)與劃分，根據(jù)實(shí)際值在閾值領(lǐng)域內(nèi)的變化相應(yīng)的產(chǎn)生動(dòng)態(tài)的判斷邏輯，并將邏輯判斷規(guī)則進(jìn)行神經(jīng)網(wǎng)絡(luò)的自我學(xué)習(xí)，逐漸實(shí)現(xiàn)智能判斷，最終實(shí)現(xiàn)準(zhǔn)確的邏輯判斷。相較于傳統(tǒng)的線性判斷規(guī)則，基于模糊規(guī)則的神經(jīng)網(wǎng)絡(luò)是高度復(fù)雜的非線性網(wǎng)絡(luò)，同時(shí)由于其廣闊的神經(jīng)元分布并行運(yùn)算，大大提高了復(fù)雜對(duì)象（如人臉）識(shí)別計(jì)算的效率，因此，將模糊神經(jīng)網(wǎng)絡(luò)算法應(yīng)用于人臉的智能識(shí)別是完全可行的。
2 基于模糊人工神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別方法研究
2.1 基于模糊神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別分類器設(shè)計(jì)
1) 輸入、輸出層的設(shè)計(jì)：針對(duì)模糊神經(jīng)網(wǎng)絡(luò)層的輸入層和輸出層的特點(diǎn)，需要對(duì)識(shí)別分類器的輸入、輸出層進(jìn)行設(shè)計(jì)。由于使用BP神經(jīng)網(wǎng)絡(luò)作為識(shí)別分類器時(shí)，數(shù)據(jù)源的維數(shù)決定輸入層節(jié)點(diǎn)數(shù)量，結(jié)合到人臉的計(jì)算機(jī)識(shí)別，人臉識(shí)別分類器的輸入輸出層，應(yīng)當(dāng)由人臉特征數(shù)據(jù)庫的類別數(shù)決定，如果人臉數(shù)據(jù)庫的類別數(shù)為m，那么輸入、輸出層節(jié)點(diǎn)數(shù)也為m，由m個(gè)神經(jīng)元進(jìn)行分布式并行運(yùn)算，能夠極大提高人臉識(shí)別的輸入和輸出速度。
2) 隱藏層結(jié)點(diǎn)數(shù)的選擇：由于一般的BP神經(jīng)網(wǎng)絡(luò)都是由3層BP網(wǎng)絡(luò)構(gòu)成：輸入層，隱藏層和輸出層，隱層的數(shù)量越多，BP神經(jīng)網(wǎng)絡(luò)越復(fù)雜，那么最終能夠?qū)崿F(xiàn)的運(yùn)算精度就越高，識(shí)別率也就越高；但是隨著隱層數(shù)量的增加，隨之而來的一個(gè)突出的問題就是神經(jīng)網(wǎng)絡(luò)變的復(fù)雜了，神經(jīng)網(wǎng)絡(luò)自我訓(xùn)練和學(xué)習(xí)的時(shí)間變長(zhǎng)，使得識(shí)別效率相對(duì)下降，因此提高精度和提高效率是應(yīng)用模糊神經(jīng)網(wǎng)絡(luò)的一個(gè)不可避免的矛盾。在這里面向人臉識(shí)別的分類器的設(shè)計(jì)中，仍然采用傳統(tǒng)的3層BP神經(jīng)網(wǎng)絡(luò)構(gòu)建人臉識(shí)別分類器，只設(shè)計(jì)一層隱層，能夠在保障識(shí)別精度的前提下有效的保障神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)和訓(xùn)練的效率，增加人臉識(shí)別的正確率。
3) 初始值的選取：在設(shè)計(jì)了3層BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，需要確定神經(jīng)網(wǎng)絡(luò)的輸入初始值。由于模糊神經(jīng)網(wǎng)絡(luò)是非線性的，不但具有線性網(wǎng)絡(luò)的全部?jī)?yōu)點(diǎn)，同時(shí)還具有收斂速度快等特點(diǎn)，而初始值的選取在很大程度上影響神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練時(shí)間的長(zhǎng)短，以及是否最終能夠?qū)崿F(xiàn)收斂輸出得到最優(yōu)值。如果初始值太大，那么對(duì)于初始值加權(quán)運(yùn)算后的輸出變化率趨向于零，從而使得神經(jīng)網(wǎng)絡(luò)自我學(xué)習(xí)訓(xùn)練趨向于停止，最終無法得到收斂的最優(yōu)值；相反，我們總是希望初始值在經(jīng)過每一次加權(quán)運(yùn)算后的輸出都接近于零，從而能夠保證每一個(gè)參與運(yùn)算的神經(jīng)元都能夠進(jìn)行調(diào)節(jié)，最終實(shí)現(xiàn)快速的收斂。為此，這里將人臉識(shí)別的初始值設(shè)定在[0，0.2]之間，初始運(yùn)算的權(quán)值設(shè)定在[0，0.1]之間，這樣都不太大的輸入初始值和權(quán)值初始值能夠有效的保證神經(jīng)網(wǎng)絡(luò)快速的收斂并得到最優(yōu)值。
如果收斂速度太慢，則需要重新設(shè)置權(quán)值和閾值。權(quán)值和閾值由單獨(dú)文件保存，再一次進(jìn)行訓(xùn)練時(shí)，直接從文件導(dǎo)出權(quán)值和閾值進(jìn)行訓(xùn)練，不需要進(jìn)行初始化，訓(xùn)練后的權(quán)值和閾值直接導(dǎo)入文件。
2.2 人臉識(shí)別的神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法步驟
1) 神經(jīng)網(wǎng)絡(luò)的逐層設(shè)計(jì)步驟：神經(jīng)網(wǎng)絡(luò)需要按層進(jìn)行設(shè)計(jì)，構(gòu)建信號(hào)輸入層、模糊層以及輸出層，同時(shí)還要構(gòu)建模糊化規(guī)則庫，以構(gòu)建神經(jīng)網(wǎng)絡(luò)模糊算法的完整輸入輸出條件。具體構(gòu)建人臉識(shí)別的神經(jīng)網(wǎng)絡(luò)層可以按照下述步驟執(zhí)行：
Step 1，構(gòu)建信號(hào)輸入層，以視覺攝像頭為坐標(biāo)原點(diǎn)構(gòu)建人臉識(shí)別坐標(biāo)系統(tǒng)，這里推薦采用極坐標(biāo)系統(tǒng)構(gòu)建識(shí)別坐標(biāo)系，以人臉平面所處的角度與距離作為信號(hào)的輸入層，按照坐標(biāo)系的變換得到神經(jīng)網(wǎng)絡(luò)信號(hào)輸入的距離差值和角度差值Δρ，Δθ，作為完整的輸入信號(hào)。
Step 2，構(gòu)建模糊化層，將上一層信號(hào)輸入層傳輸過來的系統(tǒng)人臉識(shí)別信號(hào)Δρ與Δθ進(jìn)行向量傳輸，將模糊化層中的每一個(gè)節(jié)點(diǎn)直接與輸入信號(hào)向量的分量相連接，并進(jìn)行信號(hào)矢量化傳輸；同時(shí)在傳輸?shù)倪^程中，根據(jù)模糊化規(guī)則庫的條件制約，對(duì)每一個(gè)信號(hào)向量的傳輸都使用模糊規(guī)則，具體可以采用如下的隸屬度函數(shù)來進(jìn)行模糊化處理：
(1)
其中c ij 和σij分別表示隸屬函數(shù)的中心和寬度。
Step 3，構(gòu)建信號(hào)輸出層，將模糊化層經(jīng)過模糊處理之后的信號(hào)進(jìn)行清晰化運(yùn)算，并作為最終結(jié)果輸出。
關(guān)于模糊規(guī)則庫的建立，目前所用的方法都是普遍所采用的匹配模糊規(guī)則，即計(jì)算每一個(gè)傳輸節(jié)點(diǎn)在模糊規(guī)則上的適用度，適用就進(jìn)行模糊化規(guī)則匹配并進(jìn)行模糊化處理，不適用則忽略該模糊規(guī)則并依次向下行尋找合適的模糊規(guī)則。當(dāng)所有的，模糊規(guī)則構(gòu)建好之后，需要對(duì)每條規(guī)則的適用度進(jìn)行歸一化運(yùn)算，運(yùn)算方法為：
(2)
2) 人臉的識(shí)別算法按如下步驟執(zhí)行：
Step 1：一個(gè)樣本向量被提交給網(wǎng)絡(luò)中的每一個(gè)神經(jīng)元；
Step 2：計(jì)算它們與輸入樣本的相似度di；
Step 3：由競(jìng)爭(zhēng)函數(shù)計(jì)算出競(jìng)爭(zhēng)獲勝的神經(jīng)元，若獲勝神經(jīng)元的相似度小于等于相似度門限值ν，則計(jì)算每個(gè)神經(jīng)元的獎(jiǎng)懲系數(shù)γi，否則添加新的神經(jīng)元；
Step 4：根據(jù)學(xué)習(xí)算法更新神經(jīng)元或?qū)⑿绿砑拥纳窠?jīng)元的突觸權(quán)值置為x；
Step 5：學(xué)習(xí)結(jié)束后，判斷是否有錯(cuò)誤聚類存在，有則刪除。
其中，
(3)
di是第i個(gè)神經(jīng)元的相似度值，β為懲罰度系數(shù)，ν為相似度的門限值。γ的計(jì)算方法是對(duì)一個(gè)輸入樣本x，若競(jìng)爭(zhēng)獲勝神經(jīng)元k的相似度dk≤ν，則獲勝神經(jīng)元的γk為1，其它神經(jīng)元的γi=-βdi/ν，i≠k；若dk >ν，則添加新的神經(jīng)元并將其突觸權(quán)值置為x。
實(shí)際上，網(wǎng)絡(luò)訓(xùn)練的目的是為了提高本算法的權(quán)值實(shí)用域，即更加精確的實(shí)現(xiàn)對(duì)人臉特征的識(shí)別，從而提高算法的人臉識(shí)別率，當(dāng)訓(xùn)練結(jié)束后，即可輸出結(jié)果。
2.3 算法仿真測(cè)試
為了驗(yàn)證本論文所提出的人臉識(shí)別模糊神經(jīng)網(wǎng)絡(luò)算法的有效性和可靠性，對(duì)該算法進(jìn)行仿真測(cè)試，同時(shí)為了凸顯該算法的有效性，將該算法與傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行對(duì)比仿真測(cè)試。
該測(cè)試采集樣本500張人臉圖片，分辨率均為128×128，測(cè)試計(jì)算機(jī)配置為雙核處理器，主頻2.1GHz，測(cè)試軟件平臺(tái)為Matlab，分別構(gòu)建BP神經(jīng)網(wǎng)絡(luò)分類器與本算法的神經(jīng)網(wǎng)絡(luò)分類器，對(duì)500幅人臉圖片進(jìn)行算法識(shí)別測(cè)試。
如表1所示，為傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)算法和本論文算法的仿真測(cè)試結(jié)果對(duì)比表格。
從表1所示的算法檢測(cè)對(duì)比結(jié)果可以發(fā)現(xiàn)：傳統(tǒng)的算法也具有人臉特征的識(shí)別，但是相較于本論文所提出的改進(jìn)后的算法，本論文提出的算法具有更高的人臉特征識(shí)別率，這表明了本算法具有更好的魯棒性，神經(jīng)網(wǎng)絡(luò)模糊算法的執(zhí)行上效率更高，因而本算法是具有實(shí)用價(jià)值的，是值得推廣和借鑒的。
3 結(jié)束語
傳統(tǒng)的圖像識(shí)別技術(shù)，很多是基于大規(guī)模計(jì)算的基礎(chǔ)之上的，在運(yùn)算量和運(yùn)算精度之間存在著不可調(diào)和的矛盾。因人工神經(jīng)網(wǎng)絡(luò)技術(shù)其分布式信息存儲(chǔ)和大規(guī)模自適應(yīng)并行處理滿足了對(duì)大數(shù)據(jù)量目標(biāo)圖像的實(shí)時(shí)處理要求，其高容錯(cuò)性又允許大量目標(biāo)圖像出現(xiàn)背景模糊和局部殘缺。相對(duì)于其他方法而言，利用神經(jīng)網(wǎng)絡(luò)來解決人臉圖像識(shí)別問題，神經(jīng)網(wǎng)絡(luò)對(duì)問題的先驗(yàn)知識(shí)要求較少，可以實(shí)現(xiàn)對(duì)特征空間較為復(fù)雜的劃分，適用于高速并行處理系統(tǒng)來實(shí)現(xiàn)。正是這些優(yōu)點(diǎn)決定了模糊神經(jīng)網(wǎng)絡(luò)被廣泛應(yīng)用于包括人臉在內(nèi)的圖像識(shí)別。本論文對(duì)模糊神經(jīng)網(wǎng)絡(luò)在人臉圖像識(shí)別中的應(yīng)用進(jìn)行了算法優(yōu)化設(shè)計(jì)，對(duì)于進(jìn)一步提高模糊神經(jīng)網(wǎng)絡(luò)的研究與應(yīng)用具有一定借鑒意義。
參考文獻(xiàn)：
[1] 石幸利.人工神經(jīng)網(wǎng)絡(luò)的發(fā)展及其應(yīng)用[J].重慶科技學(xué)院學(xué)報(bào):自然科學(xué)版,2006(2):99-101.
[2] 胡小鋒,趙輝.Visral C++/MATLAB圖像處理與識(shí)別實(shí)用案例精選[M].北京:人民郵電出版社,2004.
[3] 戰(zhàn)國(guó)科.基于人工神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別方法研究[D].北京:中國(guó)計(jì)量科學(xué)研究院,2007.
[4] 王麗華.基于神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別系統(tǒng)的研究[D].北京:中國(guó)石油大學(xué),2008.
[5] 范立南,韓曉微,張廣淵.圖像處理與模式識(shí)別[M].北京:科學(xué)出版社,2007.
[6] 金忠.人臉圖像特征抽取與維數(shù)研究[D].南京:南京理工大學(xué),1999.
1.1人工神經(jīng)網(wǎng)絡(luò)研究簡(jiǎn)況
1943年，生理學(xué)家W.S.McCulloch和數(shù)學(xué)家W.A.Pitts首次提出二值神經(jīng)元模型。半個(gè)世紀(jì)以來人們對(duì)神經(jīng)網(wǎng)絡(luò)的研究經(jīng)歷了五六十年代的第一次熱潮，跌人了70年代的低谷;80年代后期迎來了第二次研究熱潮，至今迭起，不亞于二戰(zhàn)期間對(duì)原子彈研究的狂熱。
人工神經(jīng)網(wǎng)絡(luò)是模仿生物腦結(jié)構(gòu)與功能的一種信息處理系統(tǒng)。作為一門新興的交叉學(xué)科，人工神經(jīng)網(wǎng)絡(luò)以其大規(guī)模并行結(jié)構(gòu)、信息的分布式存儲(chǔ)和并行處理，具有良好的自適應(yīng)性、自組織性和容錯(cuò)性,具有較強(qiáng)的學(xué)習(xí)、記憶、聯(lián)想、識(shí)別功能氣引起眾多領(lǐng)域科學(xué)家的廣泛關(guān)注，成為目前國(guó)際上非常活躍的前沿領(lǐng)域之一。
1.2人工神經(jīng)網(wǎng)絡(luò)的基本模型及其實(shí)現(xiàn)
1.2.1人工神經(jīng)網(wǎng)絡(luò)的基本模型人工神經(jīng)網(wǎng)絡(luò)的基本模型見表1?
1.2.2以誤差逆?zhèn)鞑ツＰ驼f明人工神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)人工神經(jīng)網(wǎng)絡(luò)中應(yīng)用最多的是誤差逆?zhèn)鞑?ErrorBack-Propagation)網(wǎng)絡(luò)，簡(jiǎn)稱BP網(wǎng)絡(luò)，從結(jié)構(gòu)講’BP網(wǎng)絡(luò)是典型的多層網(wǎng)絡(luò)，分為輸入層、隱含層和輸出層3層,層與層的神經(jīng)元之間多采用全互連方式，而同層各神經(jīng)元之間無連接，見圖1。BP網(wǎng)絡(luò)的基本處理單元（輸入層單元除外）為非線性輸人-輸出關(guān)系，一般選用S型作用函數(shù)f(x)=l/(1+e-當(dāng)給定網(wǎng)絡(luò)一個(gè)輸人模式時(shí)，它由輸人層單元傳到隱含層單元，經(jīng)隱含層單元逐層處理后再送到輸出層單元，由輸出層單元處理后產(chǎn)生一個(gè)輸出模式。這是一個(gè)逐層狀態(tài)更新的過程，稱為前向傳播。如果期望輸出與實(shí)際輸出之間的誤差不滿足要求，那么就轉(zhuǎn)人誤差反向傳播，將誤差值沿通路逐層傳送并修正各層連接權(quán)值(w1,W2),這是一個(gè)逐層權(quán)值更新的過程，稱為誤差反向傳播過程。隨著2個(gè)過程的反復(fù)進(jìn)行，誤差逐漸減小，直至滿足要求為止。
2常用人工神經(jīng)網(wǎng)絡(luò)模型的應(yīng)用分析
當(dāng)前，人工神經(jīng)網(wǎng)絡(luò)方法主要應(yīng)用于有機(jī)有毒化合物毒性的分類及定量預(yù)測(cè)、對(duì)不同污染物生物降解性能的預(yù)測(cè)、單要素環(huán)境質(zhì)量評(píng)價(jià)、環(huán)境質(zhì)量綜合評(píng)價(jià)、環(huán)境預(yù)測(cè)、環(huán)境綜合決策等方面。
2.1預(yù)測(cè)性能的分析
以BP網(wǎng)絡(luò)為例，就近兩年來應(yīng)用BP網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)的成功研究來看，人工神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)性能得到了充分的肯定。
1997年，劉國(guó)東等141應(yīng)用BP網(wǎng)絡(luò)建立的雅礱江和嘉陵江流域氣溫、降水和徑流之間關(guān)系的網(wǎng)絡(luò)模型，具有較高的擬合精度和預(yù)報(bào)精度，并具有精度可控制的優(yōu)點(diǎn)。計(jì)算結(jié)果同國(guó)內(nèi)外研究成果的一致性表明，用BP網(wǎng)絡(luò)分析、研究氣候變化對(duì)一個(gè)地區(qū)(或流域)水資源環(huán)境的影響是一種新穎、有效的方法。
王瑛等w指出，當(dāng)外界環(huán)境和系統(tǒng)本身性質(zhì)發(fā)生劇烈變化時(shí)，BP網(wǎng)絡(luò)能提供一種有效的方法來更新模型，實(shí)現(xiàn)新舊模型之間的轉(zhuǎn)換。他們利用最近12年(1981~1992年）的環(huán)境經(jīng)濟(jì)數(shù)據(jù)對(duì)2000年環(huán)境指標(biāo)進(jìn)行了預(yù)測(cè)，并根據(jù)預(yù)測(cè)結(jié)果對(duì)未來的環(huán)境對(duì)策進(jìn)行了分析。這為解決環(huán)境預(yù)測(cè)的模型問題提供了一條新思路。
張愛茜等用人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)含硫芳香族化合物好氧生物降解速率常數(shù)和孫唏等⑺對(duì)胺類有機(jī)物急性毒性的分類及定量預(yù)測(cè)的結(jié)果都說明了，人工神經(jīng)網(wǎng)絡(luò)作為一種非線性模型預(yù)測(cè)能力大大優(yōu)于多兀線性回歸模型。
2.2 評(píng)價(jià)性能的分析
人們?cè)诃h(huán)境評(píng)價(jià)中主要應(yīng)用了BP網(wǎng)絡(luò)、Hopfield網(wǎng)絡(luò)、徑向基函數(shù)網(wǎng)絡(luò)等模型，并不斷地改進(jìn)應(yīng)用方法，對(duì)其在環(huán)境評(píng)價(jià)中的性能進(jìn)行比較研究》李祚泳的研究結(jié)果表明BP網(wǎng)絡(luò)用于水質(zhì)評(píng)價(jià)具有客觀性和實(shí)用性。劉國(guó)東等?改進(jìn)了BP網(wǎng)絡(luò)的應(yīng)用kf法，并比較了BP網(wǎng)絡(luò)與Hopfield網(wǎng)絡(luò)在水質(zhì)綜合評(píng)價(jià)中的性能。他們指出Hopfield網(wǎng)絡(luò)采用模式（圖象)聯(lián)想或匹配，既適用于定量指標(biāo)的水質(zhì)參數(shù)又適用于定性指標(biāo)的水質(zhì)參數(shù)，而且使水質(zhì)評(píng)價(jià)形象化，因此更優(yōu)于BP網(wǎng)絡(luò).郭宗樓等將徑向基函數(shù)人工神經(jīng)網(wǎng)絡(luò)(RBF—ANN)模型應(yīng)用于城市環(huán)境綜合評(píng)價(jià)，結(jié)果-表明RBF網(wǎng)絡(luò)不僅具有良好的推廣能力，而且避免了反向傳播那樣繁瑣、冗長(zhǎng)的計(jì)算，其學(xué)習(xí)速度是常用的BP網(wǎng)絡(luò)無法比擬的。郭宗樓等[|11又以三峽工程為背景，把該模型應(yīng)用于水利水電工程環(huán)境影響綜合評(píng)價(jià)的人工神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)中，與分級(jí)加權(quán)評(píng)價(jià)法相比較具有更高的推理效率。
環(huán)境科學(xué)研究的問題，如環(huán)境污染、生態(tài)破壞、自然災(zāi)害、資源耗竭、人口過量等等，無一不是在某種程度上損傷或破壞了人——環(huán)境的和謂。人——環(huán)境關(guān)系有著自身的變化規(guī)律,是可以進(jìn)行科學(xué)量度的。顯然這一M?度是多方位、多因素的非線性評(píng)價(jià)問題,至今尚未建立起一種適當(dāng)?shù)脑u(píng)價(jià)模型，我們是否可以借鑒人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用優(yōu)點(diǎn)，考慮建立基于人工神經(jīng)網(wǎng)絡(luò)方法的評(píng)價(jià)模型。
關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò) 化工安全評(píng)價(jià)
化工生產(chǎn)具有易燃、易爆、易揮發(fā)、易中毒、有腐蝕性等特點(diǎn)，因而較其他工業(yè)生產(chǎn)部門有更大的危險(xiǎn)性，安全評(píng)價(jià)工作是安全生產(chǎn)和安全管理的重要環(huán)節(jié)，安全評(píng)價(jià)方法的選擇是安全評(píng)價(jià)工作的關(guān)鍵，直接關(guān)系到評(píng)價(jià)的深度和準(zhǔn)確度，影響評(píng)價(jià)的效果。小波神經(jīng)網(wǎng)絡(luò)具有自適應(yīng)、自組織、自學(xué)習(xí)的功能和非線性問題的處理能力，可以通過小波神經(jīng)網(wǎng)絡(luò)對(duì)化工企業(yè)安全評(píng)價(jià)中的評(píng)價(jià)指標(biāo)體系進(jìn)行建模分析與評(píng)判。通過MATLAB工具能夠方便快速準(zhǔn)確地建立小波神經(jīng)網(wǎng)絡(luò)，不需要繁瑣工作，這讓化工安全評(píng)價(jià)具有了較強(qiáng)的實(shí)用價(jià)值與現(xiàn)實(shí)意義。
本文根據(jù)某大型煉油化工有限公司的主要生產(chǎn)工段提供的安全狀態(tài)原始指標(biāo)數(shù)據(jù)，在對(duì)整個(gè)企業(yè)進(jìn)行安全評(píng)價(jià)的數(shù)據(jù)整理和分析基礎(chǔ)之上，進(jìn)行安全評(píng)價(jià)網(wǎng)絡(luò)結(jié)構(gòu)、相應(yīng)參數(shù)以及網(wǎng)絡(luò)訓(xùn)練過程參數(shù)的設(shè)計(jì)，對(duì)網(wǎng)絡(luò)性能進(jìn)行綜合測(cè)試，以達(dá)到適應(yīng)石化企業(yè)安全評(píng)價(jià)的目的。根據(jù)對(duì)某大型煉油化工有限公司提供的原油脫盆脫水工段、減壓蒸餾工段、催化裂化_T一段、催化重整工段、加氫裂化工段、延遲焦化工段、煉廠氣加工工段的生產(chǎn)裝備因素指標(biāo)安全原始數(shù)據(jù)進(jìn)行分析和整理，得出20個(gè)實(shí)例樣本，其中15個(gè)樣本用來完成對(duì)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，5個(gè)樣本用來結(jié)果驗(yàn)證。原始數(shù)據(jù)的訓(xùn)練結(jié)果期望目標(biāo)值與評(píng)價(jià)結(jié)果的輸出如下表（安全評(píng)價(jià)輸出結(jié)果等級(jí)劃分對(duì)照表）：
一，安全評(píng)價(jià)系統(tǒng)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的確定
人工神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)是由網(wǎng)絡(luò)的層數(shù)、各層的節(jié)點(diǎn)數(shù)以及節(jié)點(diǎn)之間的連接方式組成的。本研究擬采用小波神經(jīng)網(wǎng)絡(luò)對(duì)化工企業(yè)安全生產(chǎn)進(jìn)行建模評(píng)價(jià)。如前所述，小波神經(jīng)網(wǎng)絡(luò)只有相鄰層上的節(jié)點(diǎn)相互連接，所以，在設(shè)計(jì)網(wǎng)絡(luò)的結(jié)構(gòu)時(shí)，關(guān)鍵的參數(shù)只涉及到網(wǎng)絡(luò)的層數(shù)和各層的神經(jīng)元個(gè)數(shù)。
網(wǎng)絡(luò)的層數(shù)對(duì)網(wǎng)絡(luò)的性能具有重要的影響，確定網(wǎng)絡(luò)層數(shù)的方法是通過大量對(duì)實(shí)際問題的求解來尋求最合適的網(wǎng)絡(luò)層數(shù)。在確定了網(wǎng)絡(luò)的層數(shù)之后，各層的神經(jīng)元個(gè)數(shù)同樣也是需要確定的關(guān)鍵參數(shù)，神經(jīng)元的個(gè)數(shù)對(duì)網(wǎng)絡(luò)的訓(xùn)練及網(wǎng)絡(luò)收斂速度存在很顯著的影響，如果隱含層的節(jié)點(diǎn)數(shù)太少，網(wǎng)絡(luò)不能建立復(fù)雜的判斷界，從而無法識(shí)別以前沒有的樣本，且容錯(cuò)性差；而節(jié)點(diǎn)數(shù)過多，則學(xué)習(xí)時(shí)間長(zhǎng)，使網(wǎng)絡(luò)的泛化能力降低。在函待解決的評(píng)價(jià)問題上，對(duì)應(yīng)于各評(píng)價(jià)指標(biāo)體系，網(wǎng)絡(luò)的輸入層和輸出層的神經(jīng)元個(gè)數(shù)是確定的，可以調(diào)整的參數(shù)是隱含層及隱含層神經(jīng)元的個(gè)數(shù)。
在前面分析的基礎(chǔ)上，綜合考慮整個(gè)評(píng)價(jià)問題，決定采用三層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型。由于化工企業(yè)安全評(píng)價(jià)指標(biāo)體系中各個(gè)單元的評(píng)價(jià)指標(biāo)數(shù)目不同，在對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練時(shí)隱含層的神經(jīng)元個(gè)數(shù)根據(jù)各評(píng)價(jià)單元的收斂情況進(jìn)行適當(dāng)?shù)恼{(diào)整。
二、網(wǎng)絡(luò)樣本輸入數(shù)據(jù)的初始化
1，數(shù)據(jù)初始化的方法
在神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程中，傳遞激活函數(shù)是網(wǎng)絡(luò)訓(xùn)練的關(guān)鍵環(huán)節(jié)。傳遞函數(shù)的特征要求輸入的信息數(shù)據(jù)必須在區(qū)間[0，1]之內(nèi)，因此必須對(duì)網(wǎng)絡(luò)訓(xùn)練所需要的原始數(shù)據(jù)進(jìn)行初始化處理，使它們轉(zhuǎn)化為分布在[0，1]區(qū)間范圍內(nèi)的數(shù)據(jù)。初始化的具體方法取決于原始數(shù)據(jù)的數(shù)量級(jí)，根據(jù)每組輸入數(shù)據(jù)中的最大值來確定初始化的數(shù)量級(jí)，并根據(jù)下式確定用于網(wǎng)絡(luò)輸入的數(shù)據(jù)。
2，網(wǎng)絡(luò)訓(xùn)練樣本數(shù)據(jù)的準(zhǔn)備
根據(jù)相關(guān)的評(píng)價(jià)指標(biāo)體系各單元指標(biāo)以及對(duì)人工神經(jīng)網(wǎng)絡(luò)進(jìn)行理論分析的結(jié)果，準(zhǔn)備基于神經(jīng)網(wǎng)絡(luò)的安全評(píng)價(jià)模型的訓(xùn)練樣本數(shù)據(jù)。根據(jù)對(duì)某大型煉油化工有限公司提供的原油脫鹽脫水工段、減壓蒸餾工段、催化裂化工段、催化重整工段、加氫裂化工段、延遲焦化工段、煉廠氣加工工段的安全原始數(shù)據(jù)進(jìn)行分析和整理，得出20個(gè)實(shí)例樣本，應(yīng)用這些實(shí)例樣本完成對(duì)小波神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。
在神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程中，傳遞激活函數(shù)是網(wǎng)絡(luò)訓(xùn)練的關(guān)鍵環(huán)節(jié)。傳遞函數(shù)的特征要求輸入的信息數(shù)據(jù)必須在區(qū)間[O，1]之內(nèi)，因此必須對(duì)網(wǎng)絡(luò)訓(xùn)練所需要的原始數(shù)據(jù)進(jìn)行初始化處理，使它們轉(zhuǎn)化為分布在[O，1]區(qū)間范圍內(nèi)的數(shù)據(jù)表。
3，網(wǎng)絡(luò)訓(xùn)練過程及結(jié)果
根據(jù)上面的訓(xùn)練樣本數(shù)據(jù)使用MATLAB6.5軟件對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，使誤差落在要求的范圍之內(nèi)并確定網(wǎng)絡(luò)內(nèi)部結(jié)構(gòu)參數(shù)權(quán)值。網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)表示為（L一M一N），其中，L為網(wǎng)絡(luò)輸入矢量的個(gè)數(shù)，M為隱含層神經(jīng)元的個(gè)數(shù)，N為輸出層神經(jīng)元的個(gè)數(shù)，在本訓(xùn)練中均為5。網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)確定之后，將獲得的原始數(shù)據(jù)輸入，對(duì)各因素的網(wǎng)絡(luò)進(jìn)行訓(xùn)練，由此可以實(shí)現(xiàn)從因素到結(jié)果之間映射知識(shí)的獲取，即分別獲得網(wǎng)絡(luò)單元之間的連接權(quán)值向量及各隱含層的閾值向量。
生產(chǎn)裝備因素。網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)為（4-11-5），網(wǎng)絡(luò)迭代次數(shù)n=3824.
生產(chǎn)人員素質(zhì)因素。網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)為（10-12-5），網(wǎng)絡(luò)迭代次數(shù)n=2348.
管理因素。網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)為（3-10-5），網(wǎng)絡(luò)迭代次數(shù)n=3407.
環(huán)境條件因素。網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)為（3-7-5），網(wǎng)絡(luò)迭代次數(shù)n=2986.
通過訓(xùn)練獲得的神經(jīng)網(wǎng)絡(luò)模型即可用于對(duì)新的輸入進(jìn)行結(jié)果的預(yù)測(cè)評(píng)價(jià)。由此可知，蘊(yùn)藏于神經(jīng)網(wǎng)絡(luò)中的知識(shí)的獲取可以通過計(jì)算機(jī)軟件的學(xué)習(xí)來實(shí)現(xiàn)，參與安全評(píng)價(jià)的專家只需要提供一定數(shù)量的實(shí)例以及它們所對(duì)應(yīng)的解，并且只需要知道實(shí)例與解之間存在著某種特定關(guān)系，而對(duì)于究竟具體是何種關(guān)系，可以由計(jì)算機(jī)學(xué)習(xí)來獲得，只要所使用的實(shí)例樣本空間足夠大，就可以比較準(zhǔn)確地模擬人的思維判斷。
參考文獻(xiàn)：
[1]李延淵，吳文新等編著，MATLAB神經(jīng)網(wǎng)絡(luò)仿真與應(yīng)用【M】，科學(xué)出版社，2003
關(guān)鍵詞 神經(jīng)網(wǎng)絡(luò)；空調(diào)；應(yīng)用
中圖分類號(hào) TP387 文獻(xiàn)標(biāo)識(shí)碼 A 文章編號(hào) 1673-9671-(2012)071-0184-02
中央空調(diào)系統(tǒng)是一個(gè)龐大復(fù)雜的系統(tǒng)，主要包括：空調(diào)冷熱源系統(tǒng)、水或空氣系統(tǒng)、控制系統(tǒng)等，空調(diào)系統(tǒng)能耗與影響因素之間是一種多變量、強(qiáng)耦合、嚴(yán)重非線性的關(guān)系，具有很強(qiáng)的動(dòng)態(tài)性。而人工神經(jīng)網(wǎng)絡(luò)可以實(shí)現(xiàn)從輸入到輸出的任意非線性映射，能夠模擬高度非線性系統(tǒng)，具有較強(qiáng)的學(xué)習(xí)能力、自適應(yīng)能力、容錯(cuò)能力和聯(lián)想能力，已成為復(fù)雜的非線性系統(tǒng)建模、仿真、預(yù)測(cè)的新型工具，人工神經(jīng)網(wǎng)絡(luò)自20世紀(jì)40年代初被首度提出來以后，經(jīng)過幾十年的發(fā)展，廣泛運(yùn)用于模式識(shí)別和圖像處理、控制與優(yōu)化、人工智能等方面。隨著我國(guó)空調(diào)事業(yè)的快速發(fā)展及節(jié)能減排新形下，人工神經(jīng)網(wǎng)絡(luò)在空調(diào)系統(tǒng)中的運(yùn)用越來越受到廣大暖通空調(diào)研究者的關(guān)注。
1 神經(jīng)網(wǎng)絡(luò)
神經(jīng)網(wǎng)絡(luò)是對(duì)人腦或生物神經(jīng)網(wǎng)絡(luò)的抽象和建模，具有從環(huán)境學(xué)習(xí)的能力，以類似生物的交互方式適應(yīng)環(huán)境。人工神經(jīng)網(wǎng)絡(luò)是一個(gè)由大量簡(jiǎn)單的神經(jīng)元廣泛聯(lián)接組成的復(fù)合系統(tǒng)，當(dāng)系統(tǒng)被訓(xùn)練達(dá)到平衡后，由各個(gè)神經(jīng)元的權(quán)值組成的整個(gè)網(wǎng)絡(luò)的分布狀態(tài)，就是所求的結(jié)果。網(wǎng)絡(luò)學(xué)習(xí)的過程也就是各神經(jīng)元權(quán)值的調(diào)整過程。人工神經(jīng)網(wǎng)絡(luò)根據(jù)連接方式不同可以分為兩大類：無反饋的前向神經(jīng)網(wǎng)絡(luò)和相互連接型網(wǎng)絡(luò)（包括反饋網(wǎng)絡(luò)），圖1為BP神經(jīng)網(wǎng)絡(luò)系統(tǒng)結(jié)構(gòu)簡(jiǎn)圖，BP網(wǎng)絡(luò)就是一種誤差反向傳播的前向網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法總體來講可分為有監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)。人工神經(jīng)網(wǎng)絡(luò)的具有強(qiáng)容錯(cuò)性、冗余性、魯棒性和信息分布式并行處理及快速進(jìn)行大量計(jì)算能力特點(diǎn)， 能適應(yīng)復(fù)雜環(huán)境和進(jìn)行多目標(biāo)控制。
圖1 BP網(wǎng)絡(luò)系統(tǒng)結(jié)構(gòu)
2 人工神經(jīng)網(wǎng)絡(luò)在空調(diào)系統(tǒng)中的應(yīng)用
2.1 空調(diào)風(fēng)系統(tǒng)方面的應(yīng)用
變風(fēng)量系統(tǒng)（VAV系統(tǒng)）的基本思想是：當(dāng)室內(nèi)負(fù)荷發(fā)生變化時(shí)，改變送入室內(nèi)風(fēng)量，以滿足室內(nèi)人員的舒適性或工藝性要求，實(shí)現(xiàn)送風(fēng)量的自動(dòng)調(diào)節(jié)，最大限度地減少風(fēng)機(jī)動(dòng)力，節(jié)約運(yùn)行能耗。目前對(duì)變風(fēng)量空調(diào)控制方法傳統(tǒng)方法主要有：定靜壓控制、變靜壓控制、總風(fēng)量控制等，但多數(shù)局限于的PID控制理論，對(duì)變風(fēng)量空調(diào)這種非線性系統(tǒng)的控制精度難以保證。朱為明等人在VAV系統(tǒng)中采用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)優(yōu)化算法對(duì)變風(fēng)量空調(diào)進(jìn)行控制，神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)優(yōu)化算法控制過程的節(jié)能范圍為：6％-13.5％，與PID控制方法相比，神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)優(yōu)化算法的控制量之和減少6%以上，具有較好的節(jié)能效果。
2.2 空調(diào)水系統(tǒng)方面的應(yīng)用
中央空調(diào)水系統(tǒng)主要包括冷卻水和冷凍水系統(tǒng)，對(duì)于大型系統(tǒng)，管道長(zhǎng)，系統(tǒng)熱容量大、慣性大，被控系統(tǒng)水溫和流速變化速度較慢，滯后現(xiàn)象嚴(yán)重，是一種典型的大滯后系統(tǒng)，對(duì)于過程純滯后非線性特性，目前過程控制傳統(tǒng)算法不具備克服滯后影響的能力，在穩(wěn)定性和響應(yīng)速度上都難以達(dá)到較好的性能指標(biāo)。周洪煜等人利用了神經(jīng)網(wǎng)絡(luò)的非線性逼近特性、自學(xué)習(xí)、自組織的能力以及預(yù)測(cè)控制的滾動(dòng)優(yōu)化和反饋校正的特性，建立起的中央空調(diào)水系統(tǒng)的動(dòng)態(tài)模型，作為預(yù)測(cè)控制器的預(yù)測(cè)模型，不需要對(duì)被控對(duì)象進(jìn)行精確的辨識(shí)， 提出的多變量神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)控制系統(tǒng)具有優(yōu)良的控制效果，實(shí)現(xiàn)了空調(diào)水系統(tǒng)的自適應(yīng)控制。何厚鍵等人在中央空調(diào)水系統(tǒng)的建模與優(yōu)化研究中，利用前饋型網(wǎng)絡(luò)結(jié)合BP算法建立了冷卻塔和制冷機(jī)的神經(jīng)網(wǎng)絡(luò)模型，解決的具有高度非線性的中央空調(diào)水系統(tǒng)設(shè)備的建模問題。
2.3 制冷系統(tǒng)方面的應(yīng)用
神經(jīng)網(wǎng)絡(luò)在空調(diào)中的制冷系統(tǒng)應(yīng)用，主要體現(xiàn)在制冷機(jī)組優(yōu)化控制和制冷系統(tǒng)的故障診斷兩方面。在中央空調(diào)系統(tǒng)中制冷機(jī)組是能耗最大的設(shè)備，對(duì)制冷機(jī)組進(jìn)行優(yōu)化控制，提高其運(yùn)行效率，是空調(diào)系統(tǒng)節(jié)能的重要途徑之一。趙健等人在分析了影響壓縮機(jī)運(yùn)行效率的主要因素基礎(chǔ)上，建立了以壓縮機(jī)入口制冷劑溫度、壓縮機(jī)出口制冷劑溫度和負(fù)荷為輸入量，最佳吸氣壓力輸出為輸出量的BP神經(jīng)網(wǎng)絡(luò)模型。通過在線修正制冷機(jī)的吸氣壓力工作點(diǎn)，解決變負(fù)荷下，制冷機(jī)優(yōu)化控制問題，大幅度提高制冷性能參數(shù)COP的值，降低了制冷機(jī)的運(yùn)行能耗，與采用額定工況相比，采用神經(jīng)網(wǎng)絡(luò)優(yōu)化控制方法的制冷機(jī)節(jié)能量約為44.8%。
故障診斷是一種了解和掌握設(shè)備在使用過程中的技術(shù)，確定其整體或局部是否正常，早期發(fā)現(xiàn)故障及其原因并能預(yù)報(bào)故障發(fā)展趨勢(shì)的技術(shù)。在制冷系統(tǒng)的故障診斷方面，神經(jīng)網(wǎng)絡(luò)也發(fā)揮著重要作用，隨著我國(guó)空調(diào)制冷事的蓬勃發(fā)展，制冷系統(tǒng)越來越復(fù)雜，故障的潛在發(fā)生點(diǎn)也越來越多，制冷設(shè)備的故障檢測(cè)與診斷越來越受到人們的重視。胡正定等人在分析制冷系統(tǒng)常見故障特征的基礎(chǔ)上，建立以壓縮機(jī)進(jìn)口溫度、蒸發(fā)器進(jìn)口溫度、冷媒水進(jìn)口溫度、冷媒水出口溫度、壓縮機(jī)排氣壓力、壓縮機(jī)吸氣壓力、壓縮機(jī)出口溫度、冷凝器出口溫度等8特征征參數(shù)作為輸入量，故障模式作為輸出量的補(bǔ)償模糊神經(jīng)網(wǎng)絡(luò)模型。仿真結(jié)果表明，系統(tǒng)的診斷結(jié)果且有較高的準(zhǔn)確率。李中領(lǐng)等人在空調(diào)系統(tǒng)故障診斷中利用神經(jīng)網(wǎng)絡(luò)建立了三層BP網(wǎng)絡(luò)模型，輸入層節(jié)點(diǎn)個(gè)數(shù)為4，對(duì)應(yīng)于4種故障現(xiàn)象，隱含層單元個(gè)數(shù)為4，輸出層節(jié)點(diǎn)個(gè)數(shù)為12，對(duì)應(yīng)于12種故障原因，輸出節(jié)點(diǎn)值的大小反映了故障出現(xiàn)的可能性。
2.4 負(fù)荷預(yù)測(cè)方面的應(yīng)用
空調(diào)系統(tǒng)逐時(shí)負(fù)荷的準(zhǔn)確預(yù)測(cè)是實(shí)現(xiàn)現(xiàn)代控制的前提之一，準(zhǔn)確預(yù)測(cè)空調(diào)負(fù)荷對(duì)空調(diào)高效節(jié)能運(yùn)行具有重大意義，影響空調(diào)負(fù)荷的因素有空氣溫度、濕度、太陽輻射強(qiáng)度、人員、設(shè)備運(yùn)行情況等，空調(diào)負(fù)荷與影響因素之間是嚴(yán)重非線性的關(guān)系，具有動(dòng)態(tài)性。
2.5 空調(diào)制冷系統(tǒng)的仿真設(shè)計(jì)方面的應(yīng)用
制冷空調(diào)產(chǎn)品設(shè)計(jì)中，大量地依賴樣機(jī)的反復(fù)制作與調(diào)試，使得產(chǎn)品的設(shè)計(jì)周期延長(zhǎng)，并影響性能優(yōu)化，用計(jì)算機(jī)仿真代替樣機(jī)試驗(yàn)，在計(jì)算機(jī)上面實(shí)現(xiàn)優(yōu)化設(shè)計(jì)，使得制冷空調(diào)裝置仿真技術(shù)近年來得到了迅速發(fā)展 。
2.6 大型建筑運(yùn)行能耗的評(píng)價(jià)方面的應(yīng)用
大型公共建筑指非住宅的民用建筑，包括辦公樓、商場(chǎng)、賓館、醫(yī)院、學(xué)校等，大型公共建筑用能特點(diǎn)是單位面積耗能非常高，為每年100 kW/m2-300 kW/m2，而且我國(guó)大型公共建筑能源系統(tǒng)效率較低，浪費(fèi)嚴(yán)重，其電耗超過公共建筑節(jié)能設(shè)計(jì)標(biāo)準(zhǔn)規(guī)定指標(biāo)的10倍以上。大型公共建筑中央空調(diào)系統(tǒng)運(yùn)行能耗的科學(xué)評(píng)價(jià)是對(duì)大型公共建筑進(jìn)行用能科學(xué)管理的重要基礎(chǔ)，趙靖等人基于BP人工神經(jīng)網(wǎng)絡(luò)，將冷水機(jī)組、冷凍水泵、冷卻水泵、冷卻塔、其它設(shè)備月平均功率、運(yùn)行時(shí)間和氣象特征共七個(gè)作為預(yù)測(cè)因子，空調(diào)系統(tǒng)總能耗為輸出量，建立了大型公共建筑系統(tǒng)運(yùn)行能耗的預(yù)測(cè)評(píng)價(jià)模型，仿真結(jié)果表明，網(wǎng)絡(luò)的平均預(yù)測(cè)誤差輸出值約為3.3E-014，可以滿足實(shí)際應(yīng)用的要求。
3 發(fā)展方向
人工神經(jīng)網(wǎng)絡(luò)基于較強(qiáng)的學(xué)習(xí)能力、自適應(yīng)能力、容錯(cuò)能力和聯(lián)想能力，在暖通空調(diào)領(lǐng)域中的應(yīng)用已經(jīng)取得了突破性的進(jìn)展。今后的發(fā)展方向主要有兩個(gè)方面，首先，不斷改進(jìn)神經(jīng)網(wǎng)絡(luò)性能，提高其預(yù)測(cè)和控制精確度；另外，逐步使神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)由軟件實(shí)現(xiàn)過渡到硬件實(shí)現(xiàn)，擴(kuò)大其在空調(diào)領(lǐng)域的應(yīng)用范圍，也是今后的研究方向之一。
參考文獻(xiàn)
[1]胡守仁.神經(jīng)網(wǎng)絡(luò)導(dǎo)論[M].北京:國(guó)防科技大學(xué)出版社,1999.
[2]候媛彬,杜京義,汪梅.神經(jīng)網(wǎng)絡(luò)[M].西安電子科技大學(xué)出版社,2007.
人工神經(jīng)網(wǎng)絡(luò)（ANN）又稱連接機(jī)制模型（ConnectionModel）或并行分布處理模型（ParallalDistributedModel）。作為人工智能的研究方法，目前已廣泛應(yīng)用于自然科學(xué)的各個(gè)領(lǐng)域，應(yīng)用計(jì)算機(jī)程序來模擬這種特殊的數(shù)學(xué)模型并應(yīng)用于實(shí)際流域的洪水預(yù)報(bào)研究中，無疑是一種新的嘗試和有益探索。岳城水庫是海河流域南運(yùn)河水系漳河上的一座大型控制性工程，入庫洪水突發(fā)性強(qiáng)，水猛多沙，為確保下游河北、河南、山東、天津廣大平原地區(qū)和京廣鐵路的安全，對(duì)水庫入庫洪水進(jìn)行精確預(yù)報(bào)，及時(shí)采取預(yù)泄和分洪措施顯得極其重要，因此，用人工神經(jīng)網(wǎng)絡(luò)模型模擬預(yù)報(bào)水庫的入庫洪水過程，有重要參考和借鑒意義。
2．BP網(wǎng)絡(luò)的構(gòu)建
人工神經(jīng)網(wǎng)絡(luò)是一個(gè)高度復(fù)雜的非線性動(dòng)力學(xué)系統(tǒng)，它有大量的簡(jiǎn)單處理單元（神經(jīng)元）廣泛連接而成，他對(duì)人腦的功能作了某種簡(jiǎn)化、抽象和模擬，具有很強(qiáng)的非線性映射能力，其中對(duì)多層前向神經(jīng)網(wǎng)絡(luò)bp模型的研究相對(duì)成熟，應(yīng)用最為廣泛，其模型結(jié)果如圖：
結(jié)構(gòu)中，輸入層、隱層和輸出層神經(jīng)元的個(gè)數(shù)根據(jù)具體情況設(shè)定，其中隱層層數(shù)不一，不失一般性對(duì)輸出層中只含有一個(gè)神經(jīng)元的三層前向神經(jīng)網(wǎng)絡(luò)分析如下：假設(shè)輸入層中有個(gè)神經(jīng)元，隱層中有個(gè)神經(jīng)元，輸出層神經(jīng)元的輸出，即整個(gè)網(wǎng)絡(luò)的輸出為Y，網(wǎng)絡(luò)中輸入層的輸入分別為,,…，則隱層神經(jīng)元的輸入分別是：
(i=1,2,…m)(2.1)
在上式中，為隱層神經(jīng)元i與輸入層神經(jīng)元j的連接權(quán)，為隱層神經(jīng)元的閾值，選擇函數(shù)作為隱層神經(jīng)元的激發(fā)函數(shù),則隱層神經(jīng)元的輸出為：
(i=1,2,…m)(2.2)
輸出神經(jīng)元的激發(fā)函數(shù)取為線性函數(shù)，輸出層神經(jīng)元的輸出及整個(gè)網(wǎng)絡(luò)的輸出為：
(2.3)
其中，Vi為輸出層神經(jīng)元與隱層神經(jīng)元i的連接權(quán)。定義由、、組成的向量為網(wǎng)絡(luò)的連接權(quán)向量(ij，i，i)。設(shè)有學(xué)習(xí)樣本(，，…；)(=1,2…,p;p為樣本數(shù))。對(duì)某樣本(，，…；)在給出網(wǎng)絡(luò)向量后，可以通過公式(1.1)～(1.3)計(jì)算出網(wǎng)絡(luò)的輸出值，對(duì)于樣本
定義網(wǎng)絡(luò)的輸出誤差為：(2.4)
定義誤差函數(shù)為：(2.5)
(ij，i，i)隨機(jī)給出，計(jì)算式(2.5)定義的誤差值較大，網(wǎng)絡(luò)計(jì)算精度不高，在確定網(wǎng)絡(luò)結(jié)構(gòu)后，通過調(diào)整(ij，i，i)的值，以逐步降低誤差，以提高網(wǎng)絡(luò)的計(jì)算精度，下面給出根據(jù)誤差信息調(diào)整(ij，i，i)的具體計(jì)算過程。
在反向傳播算法中，是沿著誤差函數(shù)隨(ij，i，i)變化的負(fù)梯度方向?qū)M(jìn)行休整。設(shè)的修正值為：(2.6)
式中：為第n次迭代計(jì)算時(shí)連接權(quán)的修正值；為前一次迭代計(jì)算時(shí)計(jì)算所得的連接權(quán)修正值；為學(xué)習(xí)率，取0~1間的數(shù)；為動(dòng)量因子，一般取接近1的數(shù)。將式(1.4)和(1.5)代入式(1.6)中，有(2.7)
定義=（,,），則：
(2.8)
(2.9)
(2.10)
采用迭代式對(duì)修正計(jì)算，得到新的連接權(quán)向量。對(duì)于所有的學(xué)習(xí)樣本均按照樣本排列順序進(jìn)行上述計(jì)算過程，然后固定的值，對(duì)于p個(gè)樣本分別進(jìn)行正向計(jì)算，從而求出學(xué)習(xí)樣本的能量函數(shù)值：
(2.11)
這樣結(jié)束了一個(gè)輪次的迭代過程，當(dāng)滿足某一精度要求時(shí)，就停止迭代計(jì)算，所得(ij，i，i)即為最終模型參數(shù)，否則就要進(jìn)行新一輪的計(jì)算。
3．BP算法的VB程序?qū)崿F(xiàn)
因程序代碼太多，不再給出。網(wǎng)絡(luò)學(xué)習(xí)程序界面如下圖2：
4．洪水預(yù)報(bào)網(wǎng)絡(luò)模型構(gòu)建
4．1資料收集
岳城水庫的入庫水文站為觀臺(tái)水文站，該站上游有清漳河匡門口水文站和濁漳河天橋段水文站，距觀臺(tái)分別為66km和64km。上游匡門口、天橋段與下游觀臺(tái)的區(qū)間流域面積為1488km2，見流域水系圖3。資料采用年鑒1962、1976、1977、1988年四次洪水和相應(yīng)年份的區(qū)間時(shí)段降雨量共118組調(diào)查數(shù)據(jù)作為模型的學(xué)習(xí)訓(xùn)練樣本，另取1971年和1982年兩次大洪水作為模型的檢驗(yàn)數(shù)據(jù)。
4．2預(yù)報(bào)模型構(gòu)建
網(wǎng)絡(luò)模型采用輸出層中有一個(gè)神經(jīng)元的三層前向人工神經(jīng)網(wǎng)絡(luò)，洪水預(yù)報(bào)模型的輸出節(jié)點(diǎn)為岳城水庫的入庫站觀臺(tái)水文站的時(shí)刻的流量，即網(wǎng)絡(luò)。考慮河道洪水演進(jìn)時(shí)間和區(qū)間流域的產(chǎn)匯流時(shí)間，分別取清漳河匡門口站和天橋斷以及流域平均降雨量、作為模型的輸入節(jié)點(diǎn)值；隱層神經(jīng)元節(jié)點(diǎn)數(shù)和輸入層節(jié)點(diǎn)數(shù)相同取為4。
模型參數(shù)優(yōu)化：計(jì)算中，學(xué)習(xí)率越大，學(xué)習(xí)速度會(huì)越快，但是過大時(shí)會(huì)引起振蕩效應(yīng)；動(dòng)量因子取得過大可能導(dǎo)致發(fā)散，過小則收斂速度太慢。據(jù)有關(guān)文獻(xiàn)介紹，取，算法收斂速度較快。本次計(jì)算取，；網(wǎng)絡(luò)中的初始值取(0.1～0.1)之間的隨機(jī)數(shù)（由VB程序產(chǎn)生）。
樣本的歸一化處理：為了有效利用型函數(shù)的特性，以保證網(wǎng)絡(luò)神經(jīng)元的非線性作用，對(duì)于數(shù)值型的學(xué)習(xí)樣本要進(jìn)行歸一化處理。對(duì)樣本(p=1,2,…p)定義，，歸一化處理計(jì)算就是按照公式：
(4.1)
將樣本轉(zhuǎn)化為0～1之間的數(shù)據(jù)。對(duì)于網(wǎng)絡(luò)的輸出數(shù)據(jù)還應(yīng)進(jìn)行還原計(jì)算恢復(fù)實(shí)際值，公式為：
(4.2)
使用VB程序?qū)W(wǎng)絡(luò)模型進(jìn)行訓(xùn)練學(xué)習(xí)，經(jīng)102135次學(xué)習(xí)后，網(wǎng)絡(luò)輸出能量函數(shù)值為3.2×10-3，此時(shí)得到模型最優(yōu)參數(shù)如表1。
表1模型參數(shù)表
序號(hào)
11.625608-2.361247-3.2047142.846384-2.718568-1.185164-1.029736
20.138017-0.041076-0.6707810.8445030.936162-2.7469741.546362
31.770369-6.0486571.1342710.7454760.58331-3.0635082.5033320.250.9
4-0.8183131.471144-1.4842650.875319-1.995911-2.6673082.075974
5-1.9730730.30147122.993124-0.160362-3.290356-1.59743-0.627028
5．模型檢驗(yàn)
應(yīng)用以上該區(qū)洪水預(yù)報(bào)的神經(jīng)網(wǎng)絡(luò)模型參數(shù)分別對(duì)1982年、1971年的兩次洪水進(jìn)行檢驗(yàn)預(yù)測(cè)，相應(yīng)洪水過程趨勢(shì)線見圖4圖5。
表2預(yù)報(bào)考評(píng)指標(biāo)表
序號(hào)序號(hào)
1982.10.0311982年前20h0.69
1982.20.00811982年后80h0.07
1982.30.040.51982年總過程0.19
1982.40.0421971年前11h0.7
19710.0611971年后50h0.12
aver0.0361.11971年總過程0.23
注：1.1982.1表示1982年大洪水的第一次洪峰，其它類同。
2.1982年前20h表示1982年大洪水的漲洪段前20h，其它類同。
圖41971年預(yù)測(cè)洪水與實(shí)測(cè)洪水過程線圖51982年預(yù)測(cè)洪水與實(shí)測(cè)洪水過程線
檢驗(yàn)標(biāo)準(zhǔn)：
1）洪峰流量預(yù)報(bào)誤,經(jīng)計(jì)算、皆小于0.1，據(jù)《水庫洪水調(diào)度考評(píng)規(guī)定SL224-98》，考評(píng)等極為良好（見表2）。
2）峰現(xiàn)時(shí)間預(yù)報(bào)誤差，經(jīng)計(jì)算考評(píng)等極為一般，其中一次良好。
3）洪水過程預(yù)報(bào)考評(píng)指標(biāo)，從預(yù)報(bào)數(shù)據(jù)分析，兩次洪水過程的預(yù)報(bào)考評(píng)0.23，，根據(jù)規(guī)范屬一般，從洪水過程檢驗(yàn)指標(biāo)可分析主要是因?yàn)槟Ｐ蛯?duì)漲洪期低量洪水預(yù)報(bào)精度不高造成，但峰值附近及后期預(yù)報(bào)精度較高，可作為洪水預(yù)報(bào)的一項(xiàng)行之有效的方案。
6．結(jié)論
岳城水庫入庫洪水過程的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型運(yùn)行穩(wěn)定，對(duì)峰高量大洪水預(yù)報(bào)較為準(zhǔn)確，根據(jù)規(guī)范規(guī)定可作為水庫自動(dòng)測(cè)報(bào)系統(tǒng)的有益補(bǔ)充，為水庫的防洪調(diào)度提供較為可靠的依據(jù)。
參考文獻(xiàn)：
[1]焦李成.神經(jīng)網(wǎng)絡(luò)的應(yīng)用與實(shí)現(xiàn).西安：西安電子科技大學(xué)出版社，1993
[2]李春好等.人工神經(jīng)網(wǎng)絡(luò)bp算法的數(shù)據(jù)處理方法及應(yīng)用.系統(tǒng)工程理論與實(shí)踐,1997,17(8)
[3]趙林明等.多層前向人工神經(jīng)網(wǎng)絡(luò).鄭州：黃河水利出版社，1999
[4]丁晶等.人工神經(jīng)前饋(bp)網(wǎng)絡(luò)模型用作過渡期徑流預(yù)測(cè)的探討.水電站設(shè)計(jì),1997,13
關(guān)鍵詞：水動(dòng)力模型，ANN神經(jīng)網(wǎng)絡(luò)系統(tǒng)，模型數(shù)據(jù)，缺失數(shù)據(jù)模擬
中圖分類號(hào)：G250.72 文獻(xiàn)標(biāo)識(shí)碼：A
我國(guó)大多數(shù)的城市管網(wǎng)建設(shè)滯后于水廠建設(shè),給水管網(wǎng)的鋪設(shè)會(huì)隨城市的發(fā)展不斷地鋪設(shè)延長(zhǎng)，與之相對(duì)應(yīng)的是用水量的急劇增長(zhǎng)，與老管線的協(xié)調(diào)規(guī)劃問題等等，這一切的問題都使地下管線的管理成為一個(gè)極其復(fù)雜的問題。構(gòu)建水動(dòng)力模型，可以實(shí)時(shí)的看到管網(wǎng)的薄弱環(huán)節(jié)，并且通過分析得知造成管網(wǎng)問題的原因。水動(dòng)力模型可以應(yīng)用于并的給水系統(tǒng)的規(guī)劃，設(shè)計(jì)及改擴(kuò)建；管網(wǎng)改造優(yōu)先性評(píng)估；管網(wǎng)改造并行方案的的成本分析，運(yùn)行情況；指導(dǎo)和幫助安排管網(wǎng)檢漏工作等。
建立水動(dòng)力模型是一項(xiàng)復(fù)雜并且富有難度的工程，需要將給水管道的的信息，包括管道的管徑、材質(zhì)、管齡，粗糙系數(shù)等如實(shí)的反應(yīng)到模型中，運(yùn)行模型后要選擇管網(wǎng)中具有典型代表性的節(jié)點(diǎn)，得到這些節(jié)點(diǎn)的節(jié)點(diǎn)流量與節(jié)點(diǎn)壓力模擬值，將這些曲線與實(shí)際中該節(jié)點(diǎn)的流量與壓力曲線進(jìn)行對(duì)比。通過調(diào)整管網(wǎng)的粗糙系數(shù)，節(jié)點(diǎn)流量分配等核心數(shù)據(jù)使模擬曲線與實(shí)測(cè)曲線相吻合，這個(gè)過程稱之為模型校核。校核后的模型才能應(yīng)用于實(shí)際的工程工作中。
模型搭建和校核的過程中需要許多數(shù)據(jù)，而在現(xiàn)有國(guó)內(nèi)的自來水公司，極少有完備的數(shù)據(jù)，而這些數(shù)據(jù)的檢測(cè)和整理是一項(xiàng)復(fù)雜并且耗費(fèi)財(cái)力的工程。當(dāng)有所需的數(shù)據(jù)缺失時(shí)，根據(jù)現(xiàn)有的數(shù)據(jù)搭建ANN（人工神經(jīng)網(wǎng)絡(luò)）模型，模擬出缺失的數(shù)據(jù)曲線，從而用于水動(dòng)力模型的校核工作中。譬如，節(jié)點(diǎn)流量曲線、節(jié)點(diǎn)壓力曲線、節(jié)點(diǎn)的化學(xué)物質(zhì)殘留量曲線等等。
1 人工神經(jīng)網(wǎng)絡(luò)的概念
人工神經(jīng)網(wǎng)絡(luò)是一種應(yīng)用類似于大腦神經(jīng)突觸聯(lián)接的結(jié)構(gòu)進(jìn)行信息處理的數(shù)學(xué)模型，是一種運(yùn)算模型，由大量的節(jié)點(diǎn)（或稱神經(jīng)元）和之間相互聯(lián)接構(gòu)成。每個(gè)節(jié)點(diǎn)代表一種特定的輸出函數(shù)，稱為激勵(lì)函數(shù)（activation function）。每?jī)蓚€(gè)節(jié)點(diǎn)間的連接都代表一個(gè)對(duì)于通過該連接信號(hào)的加權(quán)值，稱之為權(quán)重，這相當(dāng)于人工神經(jīng)網(wǎng)絡(luò)的記憶。網(wǎng)絡(luò)的輸出則依網(wǎng)絡(luò)的連接方式，權(quán)重值和激勵(lì)函數(shù)的不同而不同。而網(wǎng)絡(luò)自身通常都是對(duì)自然界某種算法或者函數(shù)的逼近，也可能是對(duì)一種邏輯策略的表達(dá)。人工神經(jīng)網(wǎng)絡(luò)是數(shù)學(xué)統(tǒng)計(jì)學(xué)方法的一種實(shí)際應(yīng)用,通過統(tǒng)計(jì)學(xué)的標(biāo)準(zhǔn)數(shù)學(xué)方法我們能夠得到大量的可以用函數(shù)來表達(dá)的局部結(jié)構(gòu)空間,通過統(tǒng)計(jì)學(xué)的方法,人工神經(jīng)網(wǎng)絡(luò)能夠類似人 一樣具有簡(jiǎn)單的決定能力和簡(jiǎn)單的判斷能力,這種方法比起正式的邏輯學(xué)推理演算更具有優(yōu)勢(shì)。因?yàn)樗恍枰娴臄?shù)據(jù)。實(shí)踐證明只要中間的隱含層個(gè)數(shù)足夠多，ANN神經(jīng)網(wǎng)絡(luò)無限逼近任何連續(xù)函數(shù)。
圖1 3層ANN（BP）網(wǎng)絡(luò)結(jié)構(gòu)
Fig. 1 Three level ANN model’s structure
2基于ANN人工神經(jīng)網(wǎng)絡(luò)的節(jié)點(diǎn)壓力模型的建立
人工神經(jīng)網(wǎng)絡(luò)是一個(gè)能夠?qū)W習(xí),能夠總結(jié)歸納的系統(tǒng),也就是說它能夠通過已知數(shù)據(jù)的實(shí)驗(yàn)運(yùn)用來學(xué)習(xí)和歸納總結(jié)。人工神經(jīng)網(wǎng)絡(luò)通過對(duì)局部情況的對(duì)照比較,它能夠推理產(chǎn)生一個(gè)可以自動(dòng)識(shí)別的系統(tǒng)。人工網(wǎng)絡(luò)系統(tǒng)之所以能夠推理,基礎(chǔ)是需要有一個(gè)推理算法則的集合。在本次的實(shí)例檢驗(yàn)過程中使用相關(guān)系數(shù)和確定性系數(shù)來衡量模型的準(zhǔn)確性，如果確定性系數(shù)越大，預(yù)測(cè)值和實(shí)測(cè)值的相關(guān)系數(shù)越大，誤差就越小，模型的計(jì)算結(jié)果就越好。通過對(duì)模型精度的分析，判斷節(jié)點(diǎn)壓力曲線是否可以用于水動(dòng)力模型的，模型校核工作中。
其實(shí)人工神經(jīng)網(wǎng)絡(luò)就是一個(gè)黑箱子，它所建立的模型不是基于實(shí)際的物理聯(lián)系，而是基于我們所記錄數(shù)據(jù)和所得值之間的函數(shù)關(guān)系（這種函數(shù)關(guān)系在運(yùn)算的過程中不得而知），對(duì)于人工神經(jīng)網(wǎng)絡(luò)的計(jì)算過程我們不關(guān)心也不必去了解它計(jì)算過程的細(xì)節(jié)。人工神經(jīng)網(wǎng)絡(luò)在做出預(yù)測(cè)之前是使用記錄數(shù)據(jù)的學(xué)習(xí)過程，之后的使用就是在上面的學(xué)習(xí)過程之后，人工神經(jīng)網(wǎng)絡(luò)會(huì)擬合出一個(gè)比較準(zhǔn)確的函數(shù)關(guān)系從而會(huì)根據(jù)所給數(shù)據(jù)預(yù)測(cè)出我們所關(guān)心變量的結(jié)果。
本文以節(jié)點(diǎn)壓力曲線的模擬為例子，闡述ANN模型的搭建，以及模擬結(jié)果的精確性。
已有的數(shù)據(jù)為給水管網(wǎng)中8個(gè)節(jié)點(diǎn)的壓力曲線，靠近泵站的一個(gè)節(jié)點(diǎn)的壓力缺失某幾個(gè)小時(shí)的數(shù)據(jù)，現(xiàn)利用已知數(shù)據(jù)搭建ANN模型，模擬出此時(shí)，一個(gè)小時(shí)后，兩個(gè)小時(shí)后，4個(gè)小時(shí)后的模擬壓力曲線。通過對(duì)模型結(jié)果的分析，得出其結(jié)果是否能用于水動(dòng)力模型校核工作。
2.1 訓(xùn)練模式對(duì)的準(zhǔn)備工作
對(duì)于管網(wǎng)中的節(jié)點(diǎn)壓力來講，他們之間具有相關(guān)性，因?yàn)樵陬A(yù)測(cè)未知點(diǎn)的壓力曲線時(shí)，其他管網(wǎng)中的節(jié)點(diǎn)都是未知節(jié)點(diǎn)的重要影響因子。因此在搭建模型時(shí)要在輸入層配置相應(yīng)的單元用來模擬未知節(jié)點(diǎn)的壓力曲線。
目標(biāo)節(jié)點(diǎn)預(yù)見期壓力=F{（某時(shí)間點(diǎn)NODE1水位）,（某時(shí)間點(diǎn)NODE2水位）,（某時(shí)間點(diǎn)NODE3水位）…(某時(shí)間點(diǎn)NODE8水位)}某時(shí)間點(diǎn)指的是預(yù)見期之前某個(gè)相應(yīng)的時(shí)間點(diǎn)。
整個(gè)模型從數(shù)據(jù)輸入到結(jié)果分析的過程可以用流程圖表示出來。數(shù)據(jù)輸入->數(shù)據(jù)編輯->模型參數(shù)確立->運(yùn)行模型->模型結(jié)果分析。
2.2 目標(biāo)函數(shù)（確定性系數(shù)）的確立
R= 式-1
式中 R為確定性系數(shù)
為該城市實(shí)測(cè)河流水位
為實(shí)測(cè)河流水位的平均值
為模型預(yù)測(cè)水
為模型預(yù)測(cè)水位的平均值
R越接近于1，說明模擬結(jié)果與實(shí)際測(cè)量結(jié)果越一致，也即模型越精確。
2.3 模型的結(jié)構(gòu)參數(shù)的確立
人工神經(jīng)網(wǎng)絡(luò)模型中關(guān)鍵的參數(shù)有學(xué)習(xí)率，中間層的神經(jīng)元數(shù)，動(dòng)量因子，終止學(xué)習(xí)條件，本文利用設(shè)定最大平均誤差來終止模型運(yùn)行。其中的學(xué)習(xí)率和動(dòng)量因子會(huì)影響到模型的收斂速度。學(xué)習(xí)率和動(dòng)量因子的取值范圍都在[0,1]之間。學(xué)習(xí)率越大運(yùn)算速度越大但是如果取過大的值會(huì)導(dǎo)致模型不收斂，由于模型的運(yùn)算速度比較快為了得到更加精確的結(jié)果取學(xué)習(xí)率為0.02.動(dòng)量因子根據(jù)經(jīng)驗(yàn)取0.1，中間層的神經(jīng)元數(shù)取30。
3 實(shí)例分析
我們擁有管網(wǎng)中9個(gè)節(jié)點(diǎn)的壓力曲線值，但是某個(gè)時(shí)間段節(jié)點(diǎn)9的壓力曲線缺失，管網(wǎng)中9個(gè)節(jié)點(diǎn)的具置見圖2.
圖2 管網(wǎng)中的9個(gè)節(jié)點(diǎn)
Fig. 2 The 9 nodes in the network
示意圖中觀測(cè)站一為模型下游目標(biāo)站的位置，本文所討論的預(yù)測(cè)站也就是目標(biāo)站。
建立模型之后對(duì)該城市城市管網(wǎng)中的節(jié)點(diǎn)9，此時(shí)以及未來1-4小時(shí)的節(jié)點(diǎn)壓力進(jìn)行預(yù)測(cè)。根據(jù)該中的8個(gè)節(jié)點(diǎn)和目標(biāo)節(jié)點(diǎn)的的壓力曲線數(shù)據(jù)為基礎(chǔ)進(jìn)行訓(xùn)練，并且對(duì)預(yù)測(cè)的結(jié)果進(jìn)行分析。來判斷時(shí)候可以將模擬的數(shù)據(jù)直接用于模型校核。
表1 預(yù)見期分別為0-4h的模型精確度參數(shù)
Table 1 Model’s forecast precision in 0-4hours
圖3 同時(shí)刻節(jié)點(diǎn)壓力的模擬值與實(shí)測(cè)值
Fig. 4 Forecast water level the same time with measured data
圖4 預(yù)見期為1h時(shí)的節(jié)點(diǎn)壓力曲線
Fig. 5 Forecast water level 1 hour later
圖5 預(yù)見期為4h時(shí)的節(jié)點(diǎn)壓力曲線
Fig. 5 Forecast water level 4 hour later
圖6 預(yù)測(cè)同時(shí)刻的各個(gè)節(jié)點(diǎn)與目標(biāo)節(jié)點(diǎn)的相關(guān)貢獻(xiàn)系數(shù)
Fig. 6 Relative contribution coefficient between observation station and objective node on the same
time
圖7 預(yù)測(cè)4h之后的各個(gè)觀測(cè)節(jié)點(diǎn)與目標(biāo)節(jié)點(diǎn)的相關(guān)貢獻(xiàn)系數(shù)
Fig. 7 Relative contribution coefficient between and objective station when the forecast stage 4 hours
表2不同預(yù)見期的絕對(duì)誤差
通過研究神經(jīng)網(wǎng)絡(luò)模型的結(jié)果可見：
（1）通過圖6、圖7可以得知使用人工神經(jīng)網(wǎng)絡(luò)模型，各個(gè)節(jié)點(diǎn)的實(shí)測(cè)數(shù)據(jù)對(duì)于最后的目標(biāo)節(jié)點(diǎn)影響是不同的。節(jié)點(diǎn)3的對(duì)與目標(biāo)站的相關(guān)系數(shù)性較小，在實(shí)際工作中可以舍棄此地?cái)?shù)據(jù)的采集，從而減少人力物力的投入。隨著預(yù)測(cè)時(shí)間的不同其相關(guān)系數(shù)亦會(huì)發(fā)生變化。
（2）預(yù)見期越長(zhǎng)，其最后結(jié)果的可靠性越差。確定性系數(shù)，和絕對(duì)誤差可以反映之，預(yù)見期為0h、1h時(shí)，其誤差很小，當(dāng)延長(zhǎng)其預(yù)見期時(shí)，其誤差會(huì)相應(yīng)變大。當(dāng)模擬結(jié)果用于水動(dòng)力模型校核時(shí)，目標(biāo)節(jié)點(diǎn)的模擬結(jié)果與輸入節(jié)點(diǎn)為同時(shí)刻時(shí)，模擬數(shù)據(jù)與實(shí)測(cè)數(shù)據(jù)高度吻合，說明該結(jié)果可以輸入水動(dòng)力模型，進(jìn)行校核。隨著預(yù)見期變長(zhǎng)，其模擬結(jié)果也越來越不準(zhǔn)確。預(yù)見期為4小時(shí)時(shí)，其結(jié)果不能作為水動(dòng)力模型的輸入數(shù)據(jù)進(jìn)行模型校核。
（3）在水動(dòng)力模型校核過程中，可以將ANN的預(yù)測(cè)結(jié)果也就是預(yù)見期的目標(biāo)節(jié)點(diǎn)壓力曲線用于在水動(dòng)力模型中。從而解決了原始數(shù)據(jù)缺失的問題。
4 結(jié)論
本文采用ANN（人工神經(jīng)網(wǎng)絡(luò)）建立了節(jié)點(diǎn)壓力的預(yù)測(cè)模型，其預(yù)測(cè)結(jié)果可以應(yīng)用于水動(dòng)力模型中，用模型校核的原始輸入值。從而為搭建城市的給水管網(wǎng)水動(dòng)力模型提供科學(xué)的依據(jù)。也節(jié)約了大量人力，物力和財(cái)力的消耗。
參考文獻(xiàn)
嚴(yán)熙世, 趙洪賓. 給水管網(wǎng)系統(tǒng)理論與分析. 中國(guó)建筑工業(yè)出版社, 2003.9
陶建科, 劉遂慶, 建立微觀動(dòng)態(tài)水力模型標(biāo)準(zhǔn)方法研究.給水排水, 2000, 26（5）：4~8
Maier H R, Dandy G C. The use of artificial neural networks for the prediction of water quality parameters. Water Resources, 1996 ,32 (4) :1013 - 1022.
關(guān)鍵詞：人工神經(jīng)元網(wǎng)絡(luò)；BP神經(jīng)網(wǎng)絡(luò)；matlab；識(shí)別分類
中圖分類號(hào)：TP391.41文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1007-9599 (2010) 16-0000-02
Artificial Neural Network Application on Face Classification
Liang Xiaoli
(Heilongjiang Radio&TV University,Harbin150080,China)
Abstract:In the face recognition technology is developing continuously,people not limited to recognize the human face,but the main emphasis on the accuracy and efficiency of face recognition.
Face recognition is divided into three steps,face detection,feature extraction,recognition category,identification and classification of the methods in which the decision of whether to correctly identify the human face.BP neural network with forward propagation and back propagation characteristics,so as to ensure the accuracy of classif-
ication,Therefore,the main author of this article how to MATLAB,the BP neural network used in face recognition classification.
Keywords:Artificial neural network;BP neural network;Matlab;
Recognition category
人工神經(jīng)元網(wǎng)絡(luò)，又稱為神經(jīng)元網(wǎng)絡(luò)，它是對(duì)人腦的簡(jiǎn)化、抽象和模擬，反映了人腦的基本特性神經(jīng)元網(wǎng)絡(luò)是由大量處理單元廣泛互連而成的網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)研究的是模擬人腦信息處理的功能，從人腦的生理結(jié)構(gòu)出發(fā)來研究人的智能行為。是依托于數(shù)學(xué)、神經(jīng)科學(xué)、物理學(xué)、計(jì)算機(jī)科學(xué)及工程等學(xué)科的一種綜合性技術(shù)。
一、人工神經(jīng)網(wǎng)絡(luò)的分類
我們可以對(duì)人工神經(jīng)網(wǎng)絡(luò)進(jìn)行如下分類：
（一）單層的前向神經(jīng)網(wǎng)絡(luò)
這里所說的單層前向網(wǎng)絡(luò)是指擁有單層的神經(jīng)元是，作為源節(jié)點(diǎn)個(gè)數(shù)的“輸入層”被看作是一層神經(jīng)元，“輸入層”是不具有計(jì)算功能。
（二）多層的前向神經(jīng)網(wǎng)絡(luò)
多層前向神經(jīng)網(wǎng)絡(luò)與單層前向神經(jīng)網(wǎng)絡(luò)的差別在于：多層的前向神經(jīng)網(wǎng)絡(luò)和單層前向神經(jīng)網(wǎng)絡(luò)的隱含層個(gè)數(shù)不同，在多層的前向神經(jīng)網(wǎng)絡(luò)中完成計(jì)算功能的節(jié)點(diǎn)被稱為隱含單元（隱含神經(jīng)元）。由于隱層的數(shù)量不同，使網(wǎng)絡(luò)能進(jìn)行更高序的統(tǒng)計(jì)，尤其當(dāng)輸入層規(guī)模龐大時(shí)，隱層神經(jīng)元提取高序統(tǒng)計(jì)數(shù)據(jù)的能力便顯得非常重要。
（三）反饋網(wǎng)絡(luò)
反饋網(wǎng)絡(luò)指在網(wǎng)絡(luò)中最少含有一個(gè)反饋回路的神經(jīng)網(wǎng)絡(luò)。反饋網(wǎng)絡(luò)中包含一個(gè)單層神經(jīng)元，在這一層中的所有的神經(jīng)元將自身的輸出信號(hào)反饋給其他所有神經(jīng)元作為輸入。
（四）隨機(jī)神經(jīng)網(wǎng)絡(luò)
隨機(jī)神經(jīng)網(wǎng)絡(luò)是在神經(jīng)網(wǎng)絡(luò)中引入了隨機(jī)概念，每個(gè)神經(jīng)元都是按照概率的原理在工作，這樣每個(gè)神經(jīng)元興奮或抑制具有隨機(jī)性，其概率取決于神經(jīng)元的輸入值。
（五）競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)
競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)最顯著的特點(diǎn)是它的輸出神經(jīng)元之間相互競(jìng)爭(zhēng)以確定勝出者，勝出者指出哪一種原型模式最能代表輸入模式。
二、神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)
神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)又被稱為訓(xùn)練，所指的是通過神經(jīng)網(wǎng)絡(luò)所在外界環(huán)境的刺激下調(diào)整神經(jīng)網(wǎng)絡(luò)的參數(shù)，使得神經(jīng)網(wǎng)絡(luò)以一種調(diào)整好的方式對(duì)外部環(huán)境做出反應(yīng)的過程。從環(huán)境中學(xué)習(xí)和在學(xué)習(xí)中提高自身性能是神經(jīng)網(wǎng)絡(luò)最有意義的特征了。
學(xué)習(xí)方式可分為：有師學(xué)習(xí)和無師學(xué)習(xí)。有師學(xué)習(xí)又稱為有監(jiān)督學(xué)習(xí)，在學(xué)習(xí)時(shí)需要給出指導(dǎo)信號(hào)（又可稱為期望輸出或者響應(yīng)）。神經(jīng)網(wǎng)絡(luò)對(duì)外部環(huán)境是未知的，但可以將指導(dǎo)信號(hào)看作對(duì)外部環(huán)境的了解，由輸入―輸出樣本集合來表示。指導(dǎo)信號(hào)或期望輸出代表了神經(jīng)網(wǎng)絡(luò)執(zhí)行情況的最佳結(jié)果，即對(duì)于網(wǎng)絡(luò)輸入調(diào)整網(wǎng)絡(luò)參數(shù)，使得網(wǎng)絡(luò)輸出逼近期望的輸出值。無師學(xué)習(xí)包括強(qiáng)化學(xué)習(xí)與無監(jiān)督學(xué)習(xí)（可以被稱為自組織學(xué)習(xí)）。在強(qiáng)化學(xué)習(xí)中，對(duì)輸出的學(xué)習(xí)是通過與外界環(huán)境的連續(xù)作用最小化完成的。
三、BP神經(jīng)網(wǎng)絡(luò)
BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)，就是指包含信息正向傳播和誤差反向傳播算法的學(xué)習(xí)過程。輸入層的每一個(gè)神經(jīng)元負(fù)責(zé)接收來自外界的輸入信息，并傳遞給中間層中的每一個(gè)神經(jīng)元；中間層的各個(gè)神經(jīng)元是內(nèi)部信息處理層，負(fù)責(zé)信息變換，可以設(shè)計(jì)為單隱層或者多隱層結(jié)構(gòu)；最后隱含層傳遞到輸出層的信息，經(jīng)進(jìn)一步處理后，完成一次學(xué)習(xí)的正向傳播處理過程，由輸出層向外界輸出信息處理結(jié)果。當(dāng)實(shí)際輸出與期望輸出不相符時(shí)，進(jìn)入誤差的反向傳播階段。誤差通過輸出層作用于輸入層，按誤差梯度下降的方式分別修正各層權(quán)值，逐漸向隱含層和輸入層反傳。多次的經(jīng)過信息正向傳播和誤差反向傳播過程，是各層權(quán)值不斷調(diào)整的過程，也就是神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練的過程，此過程一直進(jìn)行到網(wǎng)絡(luò)的輸出誤差減少到可以被接受的程度，或者達(dá)到預(yù)先設(shè)定的學(xué)習(xí)次數(shù)才會(huì)停止。
四、實(shí)驗(yàn)過程及結(jié)果
本文中假設(shè)已經(jīng)用奇異值分解得到人臉特征點(diǎn)的數(shù)據(jù)，每個(gè)人臉劃分為五部分，每部分又得到5個(gè)特征值，所以也就是25個(gè)的特征值。本文采集了50個(gè)人人臉，每人采集10張不同姿態(tài)下的照片，也就是500張照片，對(duì)這些照片進(jìn)行人臉檢測(cè)并進(jìn)行奇異值分解，得到每張照片對(duì)應(yīng)的25個(gè)特征值，從每人10張照片中隨機(jī)抽出5張用于訓(xùn)練出不同的姿態(tài)下的人臉，另外的5張用作測(cè)試樣本。
（一）實(shí)驗(yàn)過程
由于數(shù)據(jù)過長(zhǎng)，本文只以2個(gè)人，每人2張照片作為的訓(xùn)練樣本數(shù)據(jù)為例來說明。
第一步：訓(xùn)練樣本（每人25個(gè)特征值），在p是一個(gè)25行，4列的矩陣，每一列代表一個(gè)人的25個(gè)特征值，屬于一個(gè)樣本；列數(shù)4表示樣本總數(shù)；
p=[ 7.4264 9.0728 7.9825 9.5632；
7.5719 7.8115 6.5564 7.8561；
12.8074 12.7073 12.4536 11.5423；
9.0284 10.3744 8.7569 9.9965；
7.0083 9.0284 7.1254 8.8876；
1.2597 2.1578 1.3556 3.0112；
0.6896 0.7835 0.7859 0.9658；
0.7814 0.8818 0.7568 0.8213；
1.0248 1.6783 1.1542 1.5234；
1.0112 1.0248 0.9568 0.9652；
1.0427 1.0813 1.0425 0.9568；
0.5970 0.5886 0.5968 0.5889；
0.4928 0.5969 0.3569 0.6012；
0.6438 0.6417 0.6589 0.5612；
0.3563 0.6438 0.2534 0.6689；
0.4474 0.4235 0.4568 0.4236；
0.2483 0.2282 0.2253 0.2259；
0.3633 0.4616 0.3102 0.4556；
0.3383 0.4167 0.3561 0.3456；
0.3130 0.3383 0.3302 0.3359；
0.3378 0.3313 0.3219 0.3569；
0.1916 0.1767 0.1564 0.1952；
0.2356 0.3422 0.2355 0.3012；
0.2088 0.3268 0.1958 0.3568；
0.1858 0.2088 0.0956 0.1968；]；
第二步：目標(biāo)輸出矩陣
因?yàn)榫蛢蓚€(gè)人，所以采用一位二進(jìn)制編碼就可以，在這里定義第一類樣本的編碼為0；第二類樣本的輸出編碼為1。
t=[0 1 0 1]；
第三步：使用MATLAB建立網(wǎng)絡(luò)結(jié)構(gòu)
net1=newff（minmax（p），[25，9，1]，{'tansig'，'tansig'，'hardlim'}，'traingdm'）；
說明：[25，10，1]表示該網(wǎng)絡(luò)的輸入結(jié)點(diǎn)為25個(gè)值，輸出結(jié)果為1為二進(jìn)制編碼的值，中間層由經(jīng)驗(yàn)公式 （rnd為0-1之間的隨機(jī)數(shù)），所以本文選取5-15之間數(shù)分別作為隱含層的神經(jīng)元個(gè)數(shù)，得出的結(jié)論是9的收斂速度最快。
第四步：對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練
[net1，tr]=train（net1，p，t）；
第五步：保存網(wǎng)絡(luò)
save aa net1
則文件會(huì)以aa.mat的格式保存，保存了訓(xùn)練好的網(wǎng)絡(luò)以及權(quán)值。
第六步：輸入測(cè)試樣本
先加載上一步中保存好的網(wǎng)絡(luò)，本實(shí)驗(yàn)中只輸入一個(gè)測(cè)試樣本，下面的數(shù)據(jù)代表測(cè)試樣本的特征值，共25個(gè)。
load aa.mat
p1=[7.8115；0.7835；0.5886；0.2282；0.1767；1.0197；0.7896；0.6814；1.1238；1.1114；0.9427；0.5970；0.4569；0.5438；0.4563；0.1983；0.4632；0.3383；0.3130；0.4377；0.1817；0.2256；0.2088；0.2854；0.2812]；
第六步：網(wǎng)絡(luò)仿真
a=hardlim（sim（net1，p1）-0.5）
（二）實(shí)驗(yàn)結(jié)果
根據(jù)上述實(shí)驗(yàn)過程，得出的結(jié)果是：
下圖是執(zhí)行了10次中的一次算法模擬情況。
Elapsed time is 0.469seconds
網(wǎng)絡(luò)仿真的輸出結(jié)果是：a=0
本文中測(cè)試的數(shù)據(jù)來源于訓(xùn)練樣本中輸出為0的樣本，識(shí)別結(jié)果正確。換了10個(gè)測(cè)試樣本，其中識(shí)別正確的是6個(gè)，也就是正確率大約在60%。
然后，采用相同的辦法，在實(shí)驗(yàn)中把訓(xùn)練樣本由每人兩個(gè)不同姿態(tài)下的樣本增加到了3個(gè)，也就是輸入向量的p由4列增加到6列，其他的均不變，網(wǎng)絡(luò)的訓(xùn)練時(shí)間為0.471 seconds。還是使用上面的10個(gè)測(cè)試樣本，其中識(shí)別正確的達(dá)到了8個(gè)，正確率提高到了80%左右。
在樣本量擴(kuò)大到250時(shí)，這些樣本是來自于，50個(gè)人，每人拍攝10張不同姿態(tài)下的照片，也就是500張，然后從其中隨機(jī)的取出每個(gè)人對(duì)應(yīng)的5張照片作為訓(xùn)練樣本，然后再把從剩余的250張作為測(cè)試樣本，進(jìn)行測(cè)試。輸入結(jié)點(diǎn)數(shù)為250，每個(gè)結(jié)點(diǎn)對(duì)應(yīng)的特征向量為25；輸出值用二進(jìn)制的編碼表示，由于后面要實(shí)現(xiàn)的人臉識(shí)別系統(tǒng)中要應(yīng)用在一個(gè)只有50人的環(huán)境下，所以采用二進(jìn)制編碼6位就夠了，但是為了系統(tǒng)的可擴(kuò)展性，所以采用7位二進(jìn)制編碼來設(shè)計(jì)輸出結(jié)點(diǎn)的值，bp網(wǎng)絡(luò)就是25維輸出7維輸出。此時(shí)測(cè)試的250個(gè)數(shù)據(jù)中只有一組數(shù)據(jù)是錯(cuò)誤的，原因是照片中的人嘴和鼻子被口罩遮住了。
樣本量增加后網(wǎng)絡(luò)訓(xùn)練到一個(gè)樣本測(cè)試仿真所有的時(shí)間是1.936seconds。
五、小結(jié)
本文介紹了基于BP神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別分類方法，先用matlab設(shè)計(jì)了一個(gè)模擬程序，然后不斷的增加訓(xùn)練樣本中同一人樣本的樣本數(shù)，訓(xùn)練后用10個(gè)人分別測(cè)試兩個(gè)網(wǎng)絡(luò)的正確率，當(dāng)同一人的樣本數(shù)增加到3時(shí)，正確率由60%提高到了80%。可以證明網(wǎng)絡(luò)訓(xùn)練樣本的增加有利于提高識(shí)別的正確率。把在上一章中采集到的50個(gè)人所對(duì)應(yīng)的500張照片作為標(biāo)準(zhǔn)樣本庫，從中隨機(jī)取出250張作為訓(xùn)練樣本，然后設(shè)定輸出值，輸出的值應(yīng)該有50類，采用二進(jìn)制的編碼構(gòu)成，然后再實(shí)用剩余的250張照片作為測(cè)試樣本，進(jìn)行測(cè)試。
