人工神经网络优缺点范文1
关键词性能对比感知器BP网络霍普菲尔德网络字符识别
1引言
是在人类对其大脑神经网络认识理解的基础上人工构造的能够实现某种功能的神经网络。 它是理论化的人脑神经网络的数学模型，是基于模仿大脑神经网络结构和功能而建立的一种信息处理系统。。
一般来说，人工神经网络从结构上可分为两种:前向网络和反馈网络。典型的前向网络有单层感知器、BP网络等，反馈网络有霍普菲尔德网络等[1]。
人工神经网络已经被广泛应用于模式识别、信号处理、专家系统、优化组合、智能控制等各个方面，其中采用人工神经网络进行模式识别具有一些传统技术所没有的优点:良好的容错能力[2j、分类能力、并行处理能力和自学习能力，并且其运行速度快，自适应性能好，具有较高的分辨率。单层感知器、BP网络和霍普菲尔德网络均可以用于字符识别。
本文通过具体采用感知器网络、BP网络和霍普菲尔德反馈网络对26个英文字母进行识别的应用，通过实验给出各自的识别出错率，通过比较，可以看出这3种神经网络的识别能力以及各自的。
2 字符识别问题描述与网络识别前的预处理
字符识别在现代日常生活的应用越来越广泛，比如车辆牌照自动识别系统[3，4]，手写识别系统[5]，办公自动化等等[6]。毕业论文 本文采用单层感知器、BP网络和霍普菲尔德网络对26个英文字母进行识别。首先将待识别的26个字母中的每一个字母都通过长和宽分别为7×5的方格进行数字化处理，并用一个向量表示。其相应有数据的位置置为1，其他位置置为O。图1给出了字母A、B和C的数字化过程，其中最左边的为字母A的数字化处理结果所得对应的向量为:IetterA~「00100010100101010001111111000110001〕’，由此可得每个字母由35个元素组成一个向量。由26个标准字母组成的输人向量被定义为一个输人向量矩阵alphabet，即神经网络的样本输人为一个35×26的矩阵。其中alphabet=[letterA，letterB，lettere，……letterZj。网络样本输出需要一个对26个输人字母进行区分输出向量，对于任意一个输人字母，网络输出在字母对应的顺序位置上的值为1，其余为O，即网络输出矩阵为对角线上为1的26×26的单位阵，定义target=eye(26)。
本文共有两类这样的数据作为输人:一类是理想的标准输人信号;另一类是在标准输人信号中加上用MATLAB工具箱里的噪声信号，即randn函数。
3 识别字符的网络设计及其实验分析
3.1单层感知器的设计及其识别效果
选取网络35个输人节点和26个输出节点，设置目标误差为0.0001，最大训练次数为40。设计出的网络使输出矢量在正确的位置上输出为1，在其他位置上输出为O。医学论文 首先用理想输人信号训练网络，得到无噪声训练结果，然后用两组标准输入矢量加上两组带有随机噪声的输人矢量训练网络，这样可以保证网络同时具有对理想输人和噪声输人分类的能力。网络训练完后，为保证网络能准确无误地识别出理想的字符，再用无噪声的标准输入训练网络，最终得到有能力识别带有噪声输人的网络。下一步是对所设计的网络进行性能测试:给网络输人任意字母，并在其上加人具有平均值从。~0.2的噪声，随机产生100个输人矢量，分别对上述两种网络的字母识别出错率进行实验，结果如图2所示。其中纵坐标所表示的识别出错率是将实际输出减去期望输出所得的输出矩阵中所有元素的绝对值和的一半再除以26得到的;虚线代表用无噪声的标准输人信号训练出网络的出错率，实线代表用有噪声训练出网络的出错率。从图中可以看出，无噪声训练网络对字符进行识别时，当字符一出现噪声时，该网络识别立刻出现错误;当噪声均值超过0.02时，识别出错率急剧上升，其最大出错率达到21.5%。由此可见，无噪声训练网络识别几乎没有抗干扰能力。而有噪声训练出的网络具有一定的抗干扰能力，它在均值为。~0.06之间的噪声环境下，能够准确无误地识别;其最大识别出错率约为6.6%，远远小于无噪声训练出的网络。
3.2BP网络的设计及其识别效果
该网络设计方法在文献[lj中有详细介绍。网络具有35个输人节点和26个输出节点。目标误差为0.0001，采用输人在(0，l)范围内对数S型激活函数两层109519/109519网络，隐含层根据经验选取10个神经元。和单层感知器一样，分别用理想输人信号和带有随机噪声的输人训练网络，得到有噪声训练网络和无噪声训练网络。由于噪声输人矢量可能会导致网络的1或o输出不正确，或出现其他值，所以为了使网络具有抗干扰能力，在网络训练后，再将其输出经过一层竞争网络的处理，使网络的输出只在本列中的最大值的位t为1，保证在其他位置输出为O，其中网络的训练采用自适应学习速率加附加动量法，在MATLAB工具箱中直接调用traingdx。在与单层感知器相同的测试条件下对网络进行性能测试，结果如图3所示。其中虚线代表用无噪声训练网络的出错率，实线代表用有噪声训练网络的出错率。从图中可以看出，在均值为o一0.12之间的噪声环境下，两个网络都能够准确地进行识别。在0.12~0.15之间的噪声环境下，由于噪声幅度相对较小，待识别字符接近于理想字符，故无噪声训练网络的出错率较有噪声训练网络略低。当所加的噪声均值超过。.15时，待识别字符在噪声作用下不再接近于理想字符，无噪声训练网络的出错率急剧上升，此时有噪声训练网络的性能较优.
转贴于 3.3离散型，霍普菲尔德网络的设计及其识别效果
此时网络输人节点数目与输出神经元的数目是相等的，有r=s=35，采用正交化的权值设计方法。在MATLAB工具箱中可直接调用函数newh叩.m。要注意的是，由于调用函数newhoP.m，需要将输人信号中所有的。英语论文 变换为一1。如letterA~[一1一11~1-1一11一11一l一11一11一11一1一1一11111111一l一l一111一1一1一11〕’。设计离散型霍普菲尔德网络进行字符识别，只需要让网络记忆所要求的稳定平衡点，即待识别的26个英文字母。故只需要用理想输人信号来训练网络。对于训练后的网络，我们进行性能测试。给网络输入任意字母，并在其上加人具有平均值从。~0.5的噪声，随机产生100个输人矢量，观察字母识别出错率，结果如图4所示。从图中可以看出，在均值为0~0.33之间的噪声环境下，网络能够准确地进行识别。在0.33~0.4之间的噪声环境下，识别出错率不到1%，在0.4以上的噪声环境下，网络识别出错率急剧上升，最高达到大约10%。可以看出，该网络稳定点的吸引域大约在0.3~。.4之间。当噪声均值在吸引域内时，网络进行字符识别时几乎不出错，而当噪声均值超过吸引域时，网络出错率急剧上升。
4结论
本文设计了3种人工神经网络对26个英文字母进行了识别。可以看出，这3种人工神经网络均能有效地进行字符识别，并且识别速度快，自适应性能好，分辨率较高。由图2和图3可以看出，单层感知器的有噪声训练网络在均值为O~0.06之间的噪声环境下可以准确无误的识别，而有噪声训练的BP网络可以在o~0.12之间的噪声环境下准确无误的识别，故BP络网络容错性比单层感知器的容错性好;此外，噪声达到0.2时，单层感知器的有噪声训练网络的识别出错率为6.6%，而有噪声训练的BP网络的识别出错率为2.1%，故BP网络比单层感知器识别能力强。另外，由图2、图3和图4可以看出，这3种网络中霍普菲尔德网络识别率最高，它在噪声为0.33以前几乎不会出错，BP网络次之，感知器最差。
通过设计、应用与性能对比，我们可得单层感知器网络结构和算法都很简单，训练时间短，但识别出错率较高，容错性也较差。BP网络结构和算法比单层感知器结构稍复杂，但其识别率和容错性都较好。霍普菲尔德网络具有设计简单且容错性最好的双重优点。因此，我们应根据网络的特点以及实际要求来选择人工神经网络对字符进行识别。 参考文献
[1]丛爽.面向MATLAB工具箱的神经网络理论与应用「M.合肥:中国科学技术大学出版社，2003.
[2]武强，童学锋，季隽.基于人工神经网络的数字字符识别[J].计算机工程，2003，29(14):112一113.
[3]廖翔云，许锦标，龚仕伟.车牌识别技术研究[J].徽机发展，2003，13:30一35.
[4]李中凯，王效岳，魏修亭.BP网络在汽车牌照字符识别中的应用[J].东理工大学学报，2004，18(4):69一72.
人工神经网络优缺点范文2
关键词：发动机；智能故障诊断；人工神经网络
中图分类号：U472.4 文献标识码：A 文章编号：1006-8937（2013）06-0006-02
。由于工作条件不稳定，部分零件运行环境恶劣，汽车发动机故障在汽车全部故障占据着一个较大的比重，而发动机一旦发生故障不仅会影响自身性能，还会对汽车其他结构性能带来影响，造成较大的损失，严重时还可能造成人身伤亡，因此对发动机故障的及时诊断和排除十分重要。智能故障诊断技术是伴随着安全生产要求的不断提高和计算机技术、智能技术等现代先进技术的发展而产生发展起来的，其被应用于机械设备的故障诊断中，极大地提高了故障诊断水平，对保证机械安全可靠性有着十分重要的意义。随着汽车制造技术的发展，发动机的结构也越来越复杂，其故障的准确判断也更为困难，在此形势下，利用智能故障诊断技术开发汽车发动机智能故障诊断系统对减少汽车安全事故发生率，降低损失有着十分重要的现实意义。
1 智能故障诊断
故障诊断是指在实际工作中针对系统、设备运行过程中的异常情况，利用各种检查和检测的方法，对系统和设备进行检测，查看系统或设备是否存在故障，并进一步确定出故障所在部位的过程，智能故障诊断是借助智能技术，根据系统设备运行中的技术参数和物理现象等对系统、设备的运行情况进行判断，并根据故障的特征对故障信息作出评估，进而判断出故障发生的原因和部位的一种故障诊断方法。
智能故障诊断主要有故障检测与诊断和故障容错控制两个部分，其系统主要包括人机接口、知识库和数据库、机器学习、诊断信息获取、诊断推理以及解释机构等几主要的功能模块，其一般结构如图1所示。
在实际工作的过程中，通过建立系统设备运行的技术参数和物理现象等知识库和数据库，利用机器学习模型对其进行样本训练和学习，在获取系统设备运行的信息后，诊断模块根据训练学习的相关知识对信息作出诊断，并将诊断的过程和结果通过解释机构模块反映给用户，从而帮助用户了解诊断对象的具体运及故障情况，及时处理故障，保障系统和设备正常运行。
2 汽车发动机智能故障诊断
2.1 汽车发动机智能故障诊断方法
汽车发动机结构的复杂化使得发动机故障诊断更困难，开发智能故障诊断系统也成为其发展的必然要求。汽车发动机智能故障诊断技术主要有基于人工智能的故障诊断和基于数学模型的故障诊断两种，具体划分起来有基于数学模型、基于参数估计、基于信号处理、基于知识、基于实例、基于模糊理论和基于神经网络的故障诊断等多种方法。
在智能化故障诊断系统中，其智能化的水平与机器学习能力的关系十分密切，通常机器学习的能力越强，其智能故障诊断的能力也就越高。因此选择合理的数学模型对系统进行训练十分重要。
2.2 基于神经网络的汽车发动机智能故障诊断系统
人工神经网络是一种应用类似大脑神经突触联结的结构进行信息处理的数学模型，是由大量的节点（神经元）和之间相互联接构成的一种运算模型，其是基于现代神经科学的研究成果建立起的非线性、非局限性、非常定性和非凸性的自适应信息处理系统，能通过模拟大脑神经网络处理、记忆信息的方式进行信息处理。。人工神经网络又有着MLP（Multi-layer Perceptron，多层感知器）模型、Hopfield模型、BP（Back-propagation Network）模型等多种不同的模型，其中以BP网络模型应用最为广泛。利用人工神经网络模型建立的汽车发动机故障诊断系统结构如图2所示。
BP网络是一种按照误差逆传播算法训练的多层前馈网络，其结构包括输入层、隐层和输出层三层，其不需要事前揭示输入—输出模式映射关系的数学模型即能学习和存贮大量的映射关系，使用的最速下降法能通过反向传播来调整网络权值和阀值，使网络误差平方和最小，但并不能保证误差平面的全局最小值，另外还存在着网络收敛速度较慢，训练时间长，学习和记忆不稳定等问题，而由于遗传算法具有全局搜索的特性，切搜索不依赖梯度信息，也不需要求解函数可微，能够较好地补充BP网络的不足，因此可以利用其对系统进行优化。
汽车发动机的故障诊断主要是依据发动机的振动信号进行的，在实际应用的过程中，可以信号的特值和速度作为神经网络的输入单元，输出单元为发动机的工况代码，通过调入学习特征向量和教师向量，利用遗传算法对网络结构和权值进行优化，利用函数对网络进行训练计算出网络输出后，完成输入层到输出层单元的映射，进而完成智能诊断，其智能诊断的流程如图3所示。
3 结 语
发动机是汽车的核心部件，其运行的安全可靠与否直接影响着汽车的正常安全使用，因此，利用智能诊断诊断技术建立起汽车发动机智能故障诊断系统根据发动机的振动信号，分析、诊断发动机故障，有着十分重要的现实意义。汽车发动机智能故障诊断有多种方法，各种方法都有着各自的优缺点，在实际应用过程中，应当综合利用各种智能技术，对其进行不断的优化，提高其智能诊断能力，充分发挥出智能诊断技术的优点，以保障汽车的正常可靠使用。
参考文献：
[1] 徐斌.基于智能诊断技术的发动机故障排查研究进展[J].重庆电子工程职业学院学报，2012，（1）.
[2] 廖中文，杨旭志.汽车发动机故障诊断系统的虚拟样机硬件研发[J].汽车维修与保养，2012，（4）.
[3] 刘福伟.神经网络技术及其在发动机故障诊断中的应用[J].工程机械与维修，2006，（6）.
人工神经网络优缺点范文3
油气勘探与开采过程中，气测录井技术作用是分析钻井液中脱出的样品气中烃、非烃组分及其含量，从而对油气层进行判断。在钻井过程中进行气测录井，通过对录井资料的的利用能够及时发现油、气显示，并能预报井喷，因此气测录井技术在探井中得到广泛应用。由于气测录井技术的应用十分广泛，所以气测录井技术就要不断完善，才能在以后应用中运用自如。气测录井技术有需要多常见的类型，按照仪器的不同来分，可分为半自动气测和色谱气测；按照方式的不同来分，可分为随钻气测和循环气测。而气测录井资料中需要注意的是它的预处理、压力平衡校正、标准化校正等。
1 半自动气测和色谱气测都起到将空气中的甲烷和重烃或戊烃分开的效果，它们有各自的优缺点，需要重点研究。半自动气测是用烃类气体燃烧温度不同，从而起到分开甲烷和重烃的效果，但是它仅能得到甲烷和重烃的含量；色谱气测是根据色谱原理制成的分析仪器，它的分析速度快、数据多且准确，所以现在色谱气测的应用远大于半自动气测。
2 随钻气测和循环气测都能测定钻井液中气体含量和成分，两者方式不同。随钻气测是在钻井过程中因为岩屑的破碎进入内钻井液中而达到测定的效果；循环气测是在钻井液静止后再循环时，在渗透和扩散的作用下达到测定的效果，两者方式不同，但结果基本相同。
3 气测录井资料的预处理。影响气显示的因素大致分为地质因素和非地质因素。地质因素引起的气显示变化是气测所需要研究解决的问题；非地质因素本身存在的缺陷，它能够引起气显示的变化从而对显示结果产生不良影响，所以应排除。对非地质因素进行修正是一种不错的技术，能够进一步提高解释准确度。钻井过程中，破碎、渗透和扩散推动油气进入钻井液进而进入储层。但不同的钻井状态会产生不同影响，主要有欠平衡、平衡、过平衡。为达到气测资料的统一评价和有效利用，就需要对钻井液中的油气量进行平衡校正。要达到平衡的效果就要注意钻井液柱与地层的压力差。很多时候的气体分析结果的精确度会受到影响，这时就要采用校正方法，提高油气层评价的精确度和可靠性。
二、对油气层评价方法的探究
近年随着录井技术的发展，油气层评价手段也在多样化发展。油气层的评价方法及其系统可靠性程度不断提高。油气层评价工作向综合多种手段、逐步量化方向完善。经过油气层评价工作的实践，研究人员认识到油气层综合评价工作一定要更完善才能与时展同步。
检测油气储层评价有许多种方法，如数学法、人工神经网络法，每种方法中还有许多细节分法，每种方法有不同特点，我们应根据其特点来总结技术方法。油气层评价方法的基础是钻井液自动真空蒸馏定量脱气仪、岩屑烃组分检测分析仪、多套组合色谱分析仪的检测数据。在此基础上建立油气储层的综合解释评价系统，为实现现场油气层的自动、快速和有效识别奠定基础。
1 数学法中又分为Fisher判别分析法，Bayes判别分析法，模糊数学法等。利用Fisher判别分析法评价油气层时，应先用已有样本数据生成评价模型，再评价未知样本，建立灵活的判别模式；Bayes判别分析法是根据已知分组样品数据，在正太母体假设下对变量进行挑选，最大影响的分类来建立分类模型，然后根据Bayes准则建立起判别函数，最后对预测样本进行判别，其目的可达到对多组样品及新鲜品进行判别；模糊数学法的特点是允许元素在一个集合中部分隶属，较灵活，可使事物从“不隶属”到“隶属”逐渐过渡。
2 人工神经网络法可分为人工神经元模型、神经网络模型、BP网络等。神经网络模型是由大量神经元组合成的复杂网络，主要分为前向网络和相互连接网络。反映了人脑许多基本功能，具有并行处理性、分布式的存储、很强的容错性和联想性等。BP网络结构有输入层、隐含层和输出层组成，隐层神经元的传递一般采用一定值特性的连续可微的Sigmoid函数进行计算。神经元是神经网络的基本单位，它是一个多输入单输出的非线性信息处理单元。
3 这些对油气层评价方法的研究有各自突出特点，但应当一分为二的看待这些技术，不断完善发展技术，做到在继承传统基础上开拓创新。无论是数学法还是人工网络法，都对油气层评价做出了不小贡献，但我们不能懈怠，而是更应当努力，不断改进发展技术，使油气层评价的结果更加准确、科学。
结语
气测录井资料及其油气层评价方法多种多样，我们只有不断努力探索才能使其跟上时代的步伐，同时为油气企业发展做贡献。我们有必要对气测录井资料及其油气层评价方法进行深刻的研究与讨论，不断壮大发展油气企业，为企业的未来奠定基础。应在集成的基础上发展，改进落后技术，继承优良技术，才能在未来发展中使油气企业更上一层楼。
参考文献
人工神经网络优缺点范文4
关键词：物流配送中心 选址 文献综述
在物流系统的运作中，配送中心的选址决策发挥着重要的影响。配送中心是连接工厂与客户的中间桥梁，其选址方式往往决定着物流的配送距离和配送模式，进而影响着物流系统的运作效率。因此，研究物流配送中心的选址具有重要的理论和现实应用意义。
本文对近年来国内外有关物流配送中心选址方法的文献进行了梳理和研究，并对各种方法进行了比较。选址方法主要有定性和定量的两种方法。定性方法有专家打分法、Delphi法等，定量方法有重心法、P中值法、数学规划方法、多准则决策方法、解决NP hard问题（多项式复杂程度的非确定性问题）的各种启发式算法、仿真法以及这几种方法相结合的方法等。由于定性研究方法及重心法、P中值法相对比较成熟，因此，本文将主要分析定量方法中的数学规划、多准则决策、解决NP hard问题的各种启发式算法、仿真在配送中心选址中应用的研究状况。
数学规划方法
数学规划算法包括线性规划、非线性规划、整数规划、混合整数规划和动态规划、网络规划算法等。在近年来的研究中，规划论中常常引入了不确定性的概念，由此进一步产生了模糊规划、随机规划、模糊随机规划、随机模糊规划等等。不确定性规划主要是在规划中的C(价值向量)、A(资源消耗向量)、b(资源约束向量)和决策变量中引入不确定性，从而使得不确定规划更加贴近于实际情况，得到广泛地实际应用。
国内外学者对于数学规划方法应用于配送中心的选址问题进行了比较深入的研究。姜大元(2005)应用Baumol-wolf模型，对多物流节点的选址问题进行研究，并通过举例对模型的应用进行了说明，该模型属于整数规划和非参数规划结合的模型。各种规划的方法在具体的现实使用中，常常出现NP hard问题。因此，目前的进一步研究趋势是各种规划方法和启发式算法的结合，对配送中心的选址进行一个综合的规划与计算。
多准则决策方法
在物流系统的研究中，人们常常会遇到大量多准则决策问题，如配送中心的选址、运输方式及路线选择、供应商选择等等。这些问题的典型特征是涉及到多个选择方案(对象)，每个方案都有若干个不同的准则，要通过多个准则对于方案(对象)做出综合性的选择。对于物流配送中心的选址问题，人们常常以运输成本及配送中心建设、运作成本的总成本最小化，满足顾客需求，以及满足社会、环境要求等为准则进行决策。多准则决策的方法包括多指标决策方法与多属性决策方法两种，比较常用的有层次分析法(AHP)、模糊综合评判、数据包络分析(DEA)，TOPSIS、优序法等等。
多准则决策提供了一套良好的决策方法体系，对于配送中心的选址不管在实务界还是理论方面的研究均有广泛的应用与研究。关志民等(2005)提出了基于模糊多指标评价方法的配送中心选址优化决策。从供应链管理的实际需要分析了影响配送中心选址的主要因素，并建立相应的评价指标体系，由此给出了一种使定性和定量的方法有机结合的模糊多指标评价方法。Chen-Tung Chen(2001)运用了基于三角模糊数的模糊多准则决策对物流配送中心的选址问题进行了研究。文章以投资成本、扩展的可能性、获取原材料的便利性、人力资源、顾客市场的接近性为决策准则，并对各个准则采用语义模糊判定的方式进行了权重上的集结。
有关多准则决策方法，特别是层次分析法和模糊综合评判的方法，在配送中心的选址研究中有着广泛的应用。但是，这两种方法都是基于线性的决策思想，在当今复杂多变的环境下，线性的决策思想逐渐地暴露出其固有的局限性，非线性的决策方法是今后进一步的研究的重点和趋势。
启发式算法
启发式算法是寻求解决问题的一种方法和策略，是建立在经验和判断的基础上，体现人的主观能动作用和创造力。启发式算法常常能够比较有效地处理NP hard问题，因此，启发式算法经常与其它优化算法结合在一起使用，使两者的优点进一步得到发挥。目前，比较常用的启发式算法包括：遗传算法；神经网络算法；模拟退火算法。
（一）遗传算法
遗传算法（genetic algorithm， GA）是在 20 世纪 60 年代提出来的，是受遗传学中自然选择和遗传机制启发而发展起来的一种搜索算法。它的基本思想是使用模拟生物和人类进化的方法求解复杂的优化问题，因而也称为模拟进化优化算法。遗传算法主要有三个算子：选择；交叉；变异。通过这三个算子，问题得到了逐步的优化，最终达到满意的优化解。
对于物流配送中心的选址研究，国内外有不少学者将遗传算法同一般的规划方法结合起来对其进行了研究。蒋忠中等（2005）在考虑各种成本(包括运输成本等)的基础上，结合具体的应用背景，建立的数学规划模型(混合整数规划或是一般的线性规划)。由于该模型是一个组合优化问题，具有NP hard问题，因此，结合了遗传算法对模型进行求解。通过选择恰当的编码方法和遗传算子，求得了模型的最优解。
遗传算法作为一种随机搜索的、启发式的算法，具有较强的全局搜索能力，但是，往往比较容易陷入局部最优情况。因此，在研究和应用中，为避免这一缺点，遗传算法常常和其它算法结合应用，使得这一算法更具有应用价值。
（二）人工神经网络
人工神经网络(artificial neural- network， ANN)是由大量处理单元(神经元)广泛互连而成的网络，是对人脑的抽象、简化和模拟，反应人脑的基本特征。可以通过对样本训练数据的学习，形成一定的网络参数结构，从而可以对复杂的系统进行有效的模型识别。经过大量样本学习和训练的神经网络在分类和评价中，往往要比一般的分类评价方法有效。
对于神经网络如何应用于物流配送中心的选址，国内外不少学者进行了各种有益的尝试。韩庆兰等（2004）用BP网络对物流配送中心的选址问题进行了尝试性地研究，显示出神经网络对于解决配送中心选址问题具有一定的可行性和可操作性。
这一研究的不足是神经网络的训练需要大量的数据，在对数据的获取有一定的困难的情况下，用神经网络来研究是不恰当的。在应用ANN时，我们应当注意网络的学习速度、是否陷入局部最优解、数据的前期准备、网络的结构解释等问题，这样才能有效及可靠地应用ANN解决实际存在的问题。
（三）模拟退火算法
模拟退火算法(Simulated Annealing， SA)又称模拟冷却法、概率爬山法等，于1982年由Kirpatrick提出的另一种启发式的、随机优化算法。模拟退火算法的基本思想由一个初始的解出发，不断重复产生迭代解，逐步判定、舍弃，最终取得满意解的过程。模拟退火算法不但可以往好的方向发展，也可以往差的方向发展，从而使算法跳出局部最优解，达到全局最优解。
对于模拟退火算法应用于物流配送中心选址的研究，大量的文献结合其它方法（如多准则决策、数学规划等）进行了研究。任春玉(2006)提出了定量化的模拟退火遗传算法与层次分析法相结合来确定配送中心地址的方法。该方法确保总体中个体多样性以及防止遗传算法的提前收敛，运用层次分析法确定 物流配送中心选址评价指标权重，并与专家评分相结合进行了综合评价。该算法对于解决物流配送中心的选址具有较好的有效性和可靠性。
除以上三种比较常用的方法之外，启发式算法还包括蚁群算法、禁忌搜索算法、进化算法等。各种算法在全局搜索能力、优缺点、参数、解情况存在着一定的差异。各种启发式算法基本上带有随机搜索的特点，已广泛地应用于解决NP hard问题，同时也为物流配送中心选址的智能化处理提供了可能。用解析的方法(包括线性规划等)建立数学模型，然后运用启发式算法进行求解是目前以及未来研究物流配送中心选址的一种较为可行和可操作的研究方法。
仿真方法
仿真是利用计算机来运行仿真模型，模拟时间系统的运行状态及其随时间变化的过程，并通过对仿真运行过程的观察和统计，得到被仿真系统的仿真输出参数和基本特征，以此来估计和推断实际系统的真实参数和真实性能。国内外已经不少文献将仿真的方法运用于物流配送中心选址或是一般的设施选址的研究，研究结果相对解析方法更接近于实际的情况。
张云凤等(2005)对汽车集团企业的配送中心选址运用了仿真的方法进行了研究。先确定了配送中心选址的几种方案，应用了Flexim软件对各方案建立了仿真模型，根据仿真结果进行了分析和方案的选择。该方法为集团企业配送中心选址问题提供了一种较为理想的解决方法。薛永吉等(2005)通过建立数学模型对物流中心的最优站台数问题进行研究，在一定假设和一系列限制条件下，求解最优站台数量，并针对数学模型的复杂性和求解的种种不足，以ARENA仿真软件为平台，建立仿真模型确定了最优化方案。Kazuyoshi Hidaka等(97)运用仿真对大规模的仓库选址进行了研究。该研究对仓库的固定成本、运输成本，和同时满足6800名顾客进行了仿真，以求得临近的最优解(near-optimal solution)。在求解的过程中，结合了贪婪－互换启发式算法(Greedy-Interchange heuristics)和气球搜索算法(Balloon Search)两种启发式算法进行求解。该算法能比较有效地避免陷入局部最优解和得到比较满意的选址方案。但是，研究的结果容易受到运输车辆的平均速度变化的影响。
仿真方法相对解析的方法在实际应用中具有一定的优点，但是，也存在一定的局限性。如仿真需要进行相对比较严格的模型的可信性和有效性的检验。有些仿真系统对初始偏差比较敏感，往往使得仿真结果与实际结果有较大的偏差。同时，仿真对人和机器要求往往比较高，要求设计人员必须具备丰富的经验和较高的分析能力，而相对复杂的仿真系统，对计算机硬件的相应要求是比较高的。关于未来的研究，各种解析方法、启发式算法、多准则决策方法与仿真方法的结合，是一种必然的趋势。各种方法的结合可以弥补各自的不足，而充分发挥各自的优点，从而提高选址的准确性和可靠性。
物流配送中心的选址决策对于整个物流系统运作和客户满意情况有着重要的影响。本文在对国内外有关物流配送中心选址方法文献研究的基础上，对比分析了数学规划方法、多准则决策、启发式算法、仿真方法在配送中心选址中的应用。研究发现数学规划方法、多属性决策方法、启发式算法、仿真方法各自有自己的优缺点和一定的适用范围，各种方法的组合研究是未来研究的一种趋势。同时，由于选址问题本身具有的动态性、复杂性、不确定性等特性，因此，开发和研究新的模型与方法也是进一步解决配送中心选址问题的必需途径。
参考文献：
人工神经网络优缺点范文5
关键词：神经网络 RBF IRBF 瓦斯涌出量
中图分类号：F062.4 文献标识码：A
文章编号：1004-4914（2017）05-294-02
一、引言
矿井瓦斯是指煤矿井下空气以甲烷（CH4）为主的有毒有害气体的总称。如果井下的通风效果不理想，瓦斯涌出量大的区域会因为瓦斯体积分数过大，导致井下工作人员窒息。瓦斯在一定条件下可发生爆炸，爆炸时产生的高温（可达1850℃～2650℃），不仅会烧伤职工、烧坏设备，还可能点燃木支架和煤壁，引起瓦斯连续多次爆炸、煤尘爆炸和井下火灾，从而加重灾害程度，扩大灾害面积。为了避免这些事故的发生，在对瓦斯含量高的煤层进行开采的过程中，必须事先对矿井瓦斯涌出情况进行预测。预测的准确性直接影响矿井的经济技术指标。近些年来，一些学者将BP网络及RBF网络用于瓦斯涌出量的预测领域，单这两种方法也存在着一定的缺点：BP学习算法容易陷入局部极小点、收敛速度特别慢，同时由于未考虑到输入的分布特性，推广能力差；RBF网络中隐节点中心及标准参数的确定存在困难，针对这些问题，一些改进的算法被提出来。考虑到瓦斯涌出量预测中考虑因素多、系统训练复杂，且数据采集过程中存在噪声的情况，采用一种改进的RBF算法――基于免疫算法的RBF方法（IRBF）进行研究，以便缩小标准进化算法搜索空间的范围， 提高算法的收敛速度及精度。
二、IRBF理论分析
IRBF神经网络是由输入层、隐层和输出层神经元构成的前向型网络，其基本思想是用径向基函数作为隐层神经元的基，构成隐层空间，实现输入矢量到输出矢量的映射变换，其结构如图1所示。
三、预测模型的建立及应用
预测模型的建立依赖于要解决的实际问题，根据实际问题中输入量和输出量的个数，可以确定神经网络的结构。瓦斯涌出量与很多因素有关，例如：煤层瓦斯含量、煤层埋藏深度、煤层厚度、煤层倾角、开采厚度、工作面长度、推进速度、采出率、临近层瓦斯含量、临近层、层间距离、层间岩性、开采强度等。这些因素中有的对瓦斯涌出量的大小影响较大，也有的影响较小。为保证在预测准确性的前提下对网络结构进行简化，利用灰色关联度对这些指标进行优选，选出对瓦斯涌出影响最大的4个因素进行分析。这4个因素分别为煤层厚、煤层埋藏深度、顶板砂泥岩比、地板砂泥岩比，具体数据见表1。
设输入层节点为四个，分别开采强度、煤层瓦斯含量、煤层埋藏深度及煤层厚度，输出层节点为一个，即瓦斯的涌出量，初始隐层数据中心数为7，变异率βk=exp（1-k），亲和力阈值为0.8，相似度阈值为0.95，学习率为0.01，对网络进行训练。
取表中前12组数据对网络进行训练，后3组数据进行检验。
为更好地对比优缺点，同时对引用数据进行BP算法及传统的RBF方法的迭代过程进行比较。BP算法中隐层节点数根据经验公式选取为7个，传统RBF算法隐节点数选为6个。三种算法的误差曲线如下：
取检测数据利用三种方法分别进行检验，得到的结果如下表所示：
四、结论
利用Matlab软件进行编程，对BP、传统RBF及IRBF算法对瓦斯涌出量预测系统进行网络训练及预测，通过三种方法的误差对比曲线可以看出，达到设定误差时，IRBF的迭代次数最少，RBF算法次数居中，BP算法最多；通过网络预测结果与实测数据相比较，IRBF所得数值与实测值最为接近。因此，IRBF网络在提高算法的收敛速度及精度方面有较好的效果。同时，还应该指出的是，训练数据的准确性、神经网络结构的设计对网络的学习及预测能力影响很大，在实际应用的过程中，还应该对网络进行反复的训练及调整以达到安全防范的作用。
[本文为黑龙江省自然科学基金项目A201421。]
参考文献：
[1] 吴中立.矿井通风与安全[M].徐州：中国矿业大学出版社，1992
[2] 永智群，潘玉民.基于RBF神经网络的瓦斯涌出量预测[J].煤炭技术，2012（4）
[3] 王涛，王洋洋，郭长娜.基于径向基的瓦斯涌出量灰色预测模型[J].计算机测量与控制
[4] 唐朝伟，何国田，徐昌彪等.神经网络在采煤工作面瓦斯涌出量预测中的应用[J].计算机应用，2007（12）
[5] 曲.采煤工作面瓦斯涌出量预测的神经网络模型[J].中国安全科学学报，1999（9）
[6] 李t，刘裕晓.基于BP神经网络的瓦斯涌出量预测的研究[J].煤矿现代化，2011（2）
[7] 李春辉，陈日辉，苏恒瑜.BP神经网络在煤与瓦斯突出预测中的应用[J].矿冶，2010（19）
[8] Jinwen Ma and Jianfeng Liu， The BYY annealing learning algorithm for Gaussian mixture with automated model selection， Pattern Recognition， vol.40，pp：2029-2037，2007
[9] 潘玉民等.基于QPSO-RBF的瓦斯涌出量预测模型.中国安全科学学报，2012（12）
[10] 肖忠良，李智勇.一种改进的RBF神经网络多目标优化算法[J].科学技术与工程，2009（21）
[11] 孙丹等.一种改进的RBF神经网络混合学习算法[J].吉林大学学报（理学版），2010（5）
[12] 张辉，柴毅.一种改进的RBF神经网络参数优化方法]J].计算机工程与应用，2012（20）
[13] 宫新保，周希朗，胡光锐.基于免疫进化算法的径向基函数网络[J].上海交通大学学报，2003（10）
[14] 朱大奇，史慧.人工神经网络原理及应用[M].北京：科学出版社，2006
[15] Duda R.O.，Hart P.R.Pattern classification and scene analysis.New York：Wiley，1973
[16] 朱t青，常文杰，张彬.回采工作面瓦斯涌出Bp神经网络分源预测模型及应用[J].煤炭学报，2007（5）
人工神经网络优缺点范文6
关键词：电网规划；交流线路；线路长度；多元回归；神经网络 文献标识码：A
中图分类号：TP273 文章编号：1009-2374（2016）22-0062-03 DOI：10.13535/ki.11-4406/n.2016.22.030
1 概述
电网规划是电网安全稳定运行的基石，电网规划数据的准确性尤其是数据中交流架空线路参数的准确性对规划结果的合理性具有重要影响。
对于输电线路的参数辨识方法较多，例如增广状态估计法、偏移向量法、卡尔曼滤波法等传统数值方法，这些方法能较好地逼滑目标函数的极值点，但其迭代过程都依赖量测方程的增广雅可比矩阵，苛刻地要求量测系统必须同时满足状态可观测和参数可估计条件，并且可能遭受数值问题的干扰。参考文献[4]中提出一种线路参数估计启发式方法，将目标函数从增广解空间垂直投影到参数空间，以启发式方法搜索参数空间，寻找投影下表面的下确解，较好地解决了数值问题的干扰。参考文献[5]在基于双端PMU数据的线路线性数学模型和相应的最小二乘辨识的基础上，引入基于IGG法的抗差准则。
2 BP人工神经网络
2.1 BP神经网络模型
BP神经网络由输入层、隐含层和输出层三层网络组成。BP神经网络的核心在于其误差反向传播，反向传播的学习规则是基于梯度下降法，由输出端的实际输出值与期望输出值的误差平方和进行链式求导，从而各层之间的连接权值。
2.2 BP神经网络模型算法优缺点分析
神经网络可以充分逼近任意复杂的非线性关系；采用并行分布处理方法；可学习和自适应不确定的系统等。
BP神经网络算法的极小化代价函数易产生收敛慢或者振荡的现象；代价函数不是二次的，而是非凸的，存在许多局部极小点的超曲面。这也导致神经网络算法对初值的要求较高，给定较好的初值，BP神经网络的收敛速度会大大加快，而且不易陷入局部极小值。
3 线路参数辨识中多元回归模型与神经网络的结合
3.1 线路长度回归计算模型
实际工程中，线路长度与阻抗导纳值之间的关系是确定的，对于架空线路，当长度小于300km时，其阻抗导纳参数等于该型号架空线路单位长度的阻抗导纳值与线路长度的乘积，此时阻抗导纳参数与线路长度为简单的线性关系；而当长度大于300km时，其阻抗导纳参数的值就需要考虑长距离输电线路分布参数的情况，此时并不能用简单的线性关系来描述。
在建立线路长度回归计算模型时，首先忽略线路的分布参数特性，建立回归模型如下：
式中：L表示线路长度；lX表示通过电抗参数除以单位长度的电抗值得到的线路长度；lR表示通过电阻参数得到的线路长度；lG表示通过电导参数得到的线路长度；lB表示通过电纳参数得到的线路长度；K1、K2、K3、K4、K5分别为各自的系数值。
回归方程的求解采用最小二乘法，目标是使长度的计算值与长度的实际值差值的平方和达到最小，目标函数为：
J=∑Ni=1（Li～-Li）2
式中：J为线路长度计算值与实际值差值平方和；N为样本线路的条数；Li～为线路长度的实际值；Li为线路长度通过回归模型的计算值。
3.2 BP神经网络模型的建立
当考虑线路长度的分布参数情况时，线路参数之间就不仅是简单的线性关系，本文建立了神经网络模型，输入层为线路的电阻、电抗、电导和电纳参数值；隐含层包含5个神经元；输出层为线路的长度值。
如图1所示，神经网络模型的输入层为线路的阻抗导纳值；输出层结果为线路长度，其中隐含层到输出层的连接权值采用3.1中回归模型的5个系数值作为初始值，然后输入样本值对神经网络进行训练，直到输出实际值与理想值满足误差要求时停止。
4 回归分析与神经网络结合模型在线路参数辨识中的应用
4.1 线路参数辨识流程
。
第一步：提取BPA中所有交流架空线路的完整参数信息。
第二步：训练回归模型和神经网络模型，直至满足收敛标准。
第三步：判断线路长度参数是否填写。如果已填写线路长度则进入步骤四，若没有填写线路长度进入步骤五。
第四步：根据已训练完成的神经网络模型反推线路的长度值，并比较线路长度的训练值与长度填写值之间的差距，如果两者差距在合理范围之内，进入步骤六，如果两者差距过大，则采用长度训练值进行后续的参数辨识过程。
第五步：根据已训练完成的神经网络模型反推线路的长度值。
第六步：根据单位标准参数值与线路长度计算得到线路参数的标准值，将标准值与线路参数的实际填写值进行比对，如果计算得到的标准值与实际填写值之差没有超过阈度值，则进入步骤七；反之进入步骤八。
第七步：线路参数填写合理，进入第十步。
第八步：线路参数填写存在问题并按照计算得到的标准值作为推荐的修改值，并标识修改后的线路。
第九步：输出标识的不合理数据，由规划人员审核是否接受建议的修改值。
第十步：结束参数辨识。
4.2 辨识结果分析
4.2.1 线路长度训练结果分析。如图2所示，采用100条线路测试样例，长度值由小到大进行排序，折线表示线路长度的实际值，折线表示的是通过本论文所建立的神经网络模型得到的线路长度计算值。
对模型的训练误差做进一步分析可得：
训练长度的平均误差为1.35；训练长度误差最大值为8.9；训练长度误差最小值为0；训练长度误差均方差为1.68。
由以上数据可以看出，本论文所提的线路长度训练算法准确度较高，能够满足参数辨识工作的需要。
4.2.2 线路参数辨识结果。算例采用数据为某电网某年的实际BPA规划数据，辨识结果如表1所示：
由表1和表2的对比可以看出，上述交流线路的电纳参数的填写的确存在问题，由表2可以看出线路电阻和电抗的填写值与标准值的差距很小，这说明线路填写的电阻和电抗值是合理的，而电纳的填写值与标准值差距较大，由此可以说明线路电纳值的填写有误；将表1中的辨识电纳结果值与表2中的标准电纳值做比较可以发现两者之间差距不大，如表3所示，这说明采用该算法进行线路参数的辨识是有效合理的，辨识的结果值具有很大的参考价值。以上结果证明了算法的有效性，可以对参数填写存在问题的交流线路进行辨识，并给出准确性较高的辨识结果值作为建议修正值。
5 结语
本文提出了电网规划数据中输电线路参数辨识算法。算法的创新点是根据线路阻抗导纳参数与长度之间的潜在关系，首先建立线性回归模型得到回归系数作为BP神经网络模型隐含层到输出层的初始连接权值，然后建立神经网络模型，训练线路参数与线路长度之间的非线性关系。采用电网规划中的实际BPA数据进行了算法有效性的验证，结果表明本文提出的解决思路和算法对规划工作具有很大的实际应用价值。
参考文献
[1] 于尔铿.电力系统状态估计[M].北京：水利电力出
版社，1985.
[2] Liu W H E，Wu F F，Lun S M.Estimation of parameter
errors from measurement residuals in stateestimation[J].
IEEE Transactions on Power Systems，1992，7（1）.
[3] Slutsker I W，Clements K A.Real time recursive
parameter estimation in energy management systems[J].
IEEE Transactions on Power Systems，1996，11（3）.
[4] 赵红嘎，薛禹胜，汪德星，等.计及PMU支路电流
相量的状态估计模型[J].电力系统自动化，2004，28
（17）.
[5] 戴长春，王正风，张兆阳，等.基于IGG准则的抗差
最小二乘输电线路参数辨识[J].现代电力，2014，31
（2）.
[6] 陈珩.电力系统稳态分析[M].北京：中国电力出版
社，2007.
[7] 曾明，魏衍.一种BP神经网络改进算法的研究及应用
[J].微计算机信息，2009，（18）.
[8] 孟栋，樊重俊，王家桢.混沌遗传算法对BP神经网络
的改进研究[J].数学理论与应用，2014，34（1）.
[9] 吴俊利，张步涵，王魁.基于Adaboost的BP神经网
络改进算法在短期风速预测中的应用[J].电网技术，
2012，36（9）.
[10] 杨耿煌，温渤婴.基于量子行为粒子群优化――人
工神经网络的电能质量扰动识别[J].中国电机工程学
报，2008，28（10）.
[11] 王越，卫志农，吴佳佳.人工神经网络预测技术
在微网运行中的应用[J].电力系统及其自动化学报，
2012，24（2）.
[12] 庞清乐.基于粗糙集理论的神经网络预测算法及
其在短期负荷预测中的应用[J].电网技术，2010，34
（12）.
[13] 师彪，李郁侠，于新花，等.基于改进粒子群-径向
基神经网络模型的短期电力负荷预测[J].电网技术，
2009，33（17）.
[14] 王旭东，刘金凤，张雷.蚁群神经网络算法在电动
车用直流电机起动过程中的应用[J].中国电机工程学