人工神經網絡優勢精選(九篇)

前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的人工神經網絡優勢主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：人工神經網絡優勢范文

【關鍵詞】人工神經網絡 信息技術 發展趨勢

人工神經網絡技術在處理實際問題主要包括兩個過程，一個是學習訓練過程，另外一個是記憶聯想過程。近年來隨著人工網絡技術的發展，人工神經網絡技術在信號處理、圖像處理、智能識別等領域已經取得了巨大的改變，為人們研究各類科學問題提供了一種新的方法和手段，使人們在交通運輸、人工智能、軍事、信息領域的工作更加便捷，近年來隨著AI的發展，人工神經網絡技術得到了快速的發展階段。

1人工神經網絡技術

人工神經網絡技術也稱ANN，是隨著上個世紀八十年代人工智能發展興起的一個研究熱點，它的主要工作原理對人腦神經網絡進行抽象處理，并仿造人腦神經網絡建立簡單的模型，按照不同的連接方式組成一個完整的網絡，因此學術界也直接將它成為神經網絡。神經網絡其實就是一種運算模型，它是通過大量的節點——神經元連接起來的，其中不同的節點所代表的輸出函數也不同，也就是所謂的激勵函數；當有兩個節點連接起來時稱之為通過該連接信號的加權值，也稱為權重，這就相當人腦神經網絡記憶。人工神經網絡技術是采用并行分布式系統，這種工作機理與傳統的信息處理技術和人工智能技術完全不同，是一種全新的技術，它克服了傳統基于邏輯符號的人工智能處理非結構信息化和直覺方面的缺陷，具有實時學習、自適應性和自組織性等特點。

2人工神經網絡技術應用分析

隨著人工神經網絡技術的發展，它在模式識別、知識工程、信號處理、專家系統、機器人控制等方面的應用較廣。

2.1生物信號的檢測分析

目前大部分醫學檢測設備都是通過連續波形得到相關數據，從而根據所得數據對病情進行診斷。人工神經網絡技術就是應用了這樣的方式將多個神經元組合起來構成，解決了生物醫學信號檢測方面的難題，其適應性和獨立性強，分布貯藏功能多。在生物醫學領域該技術主要應用于對心電信號、聽覺誘發電位信號、醫學圖像、肌電荷胃腸等信號的處理、識別和分析。

2.2醫學專家系統

傳統的醫院專家系統是直接將專家的經驗、學歷、臨床診斷方面取得的成績等存儲在計算機中，構建獨立的醫學知識庫，通過邏輯推理進行診斷的一種方式。進入到二十一世紀，醫院需要存儲的醫學知識越來越多，每天產生新的病況和知識，過去的一些專家系統顯然已經無法適應醫院的發展需求，因此醫院的效率很低。而人工神經網絡技術的出現為醫院專家系統的構建提出了新的發展方向，通過人工神經網絡技術，系統能夠自主學習、自己組織、自行推理。因此在醫學專家系統中該網絡技術應用面較廣。麻醉醫學、重癥醫學中生理變量分析和評估較多，目前臨床上一些還沒有確切證據或者尚未發現的關系與現象，通過人工神經網絡便能有效地解決。

2.3市場價格預測

在經濟活動中，傳統統計方法受到一些因素的制約，無法對價格變動做出準確的預測，因此難免在預測的時候出現失誤的現象。人工神經網絡技術能夠處理那些不完整的、規律不明顯、模糊不確定的數據，并作出有效地預測，因此人工神經網絡技術具有傳統統計方法無法比擬的優勢。例如人工神經網絡技術可以通過分析居民人均收入、貸款利率和城市化發展水平，從而組建一個完整的預測模型，準確預測出商品的價格變動情況。

2.險評價在從事某一項特定的活動時，由于社會上一些不確定因素，可能造成當事人經濟上或者其他方面的損失。因此在進行某一項活動時，對活動進行有效的預測和評估，避免風險。人工神經網絡技術可以根據風險的實際來源，構筑一套信用風險模型結構和風險評估系數，從而提出有效地解決方案。通過信用風險模型分析彌補主觀預測方面的不足，從而達到避免風險的目的。

3人工神經網絡技術未來發展

人工神經網絡克服了傳統人工智能對語言識別、模式、非結構化信息處理的缺陷，因此在模式識別、神經專家系統、智能控制、信息處理和天氣預測等領域廣泛應用。隨著科學技術的進步，AI的快速發展，AI與遺傳算法、模糊系統等方面結合，形成了計算智能，很多企業和國家開始大規模研發AI，人工神經網絡正在模擬人類認知的方向發展，目前市場已經有很多不少人工智能產品面世。

4結語

通過上述研究分析，人工神經網絡技術已經取得了相應的發展，但還存在很多不足：應用范圍狹窄、預測精度低、通用模型缺乏創新等，因此需要我們在此基礎上不斷尋找新的突破點，加強對生物神經元系統的研究和探索，進一步挖掘其潛在的價值，將人工神經網絡技術應用在更多領域中，為社會創造更大的財富。

參考文獻

[1]周文婷,孟琪.運動員賽前心理調控的新策略——基于人工神經網絡技術的比賽場地聲景預測(綜述)[J].哈爾濱體育學院學報,2015,33(03):15-21.

[2]張紅蘭.人工神經網絡技術的應用現狀分析[J].中國新通信,2014(02):76-76.

第2篇：人工神經網絡優勢范文

關鍵詞：神經網絡 計算機安全 入侵檢測

中圖分類號：TP393.08 文獻標識碼：A 文章編號：1674-098X（2012）12（c）-00-01

自從1960年Widrow等提出自適應線形神經元用于信號處理中的自適應濾波、預測和模型識別以來，神經網絡技術便被用來解決現實生活中的問題。而在McCulloch等基于模仿人腦結構和功能建立起一種人工智能的信息處理系統后，人工神經網絡在土木工程、農業、經濟管理及企業管理等不同領域中被廣泛應用[1-2]。該文介紹了神經網絡的概念及特點，并分析神經網絡在計算機安全尤其是在網絡入侵檢測中的應用。

1 神經網絡的概念及特點

1.1 神經網絡的概念

神經網絡是一個并行、分布處理結構，是由神經元及稱為聯接的無向訊號通道互連而成。人工神經網絡（Artificial Neural Network，ANN）指的則是模仿生理神經網絡的結構和功能而設計的一種信息處理系統，即由多個非常簡單的處理單元彼此按某種方式相互連接而形成的信息處理網絡[3]。

1.2 神經網絡的特點

在人工神經網絡中，由于網絡中的每一個單元都是獨立的信息處理單元，因此其計算可獨立進行，而整個網絡系統卻是并行計算的。這不同于傳統的計算機的串行運算。由于神經網絡是一個大規模互聯的復雜網絡系統，因而是大規模的并行處理，這在一定程度上提高了系統的處理速度，同時也為實時處理提供了重要條件。人工神經網絡與人腦類似，具有學習的功能。通常只要給出所需的數據、實例，由網絡去學習，而學習獲得的知識都分布儲存在整個網絡的用權系數表示的連接線上。不同網絡因學習方法及內容不同，可得到不同的功能和不同的應用。因而有可能解決傳統人工智能目前最感困難的機器學習中知識獲取、知識表示等問題。此外神經網絡還對于輸入數據的失真具有相當的彈性。

1.3 常用的神經網絡算法

常用的神經網絡算法包括ARTMAP模型、ART模型、概率模型PNN、模糊模型ART、模糊多層感知器、Kohonen特征映射網絡、反饋多層感知器模型等[4-5]。其中，ART模型和Kohonen特征映射網絡、模糊模型ART屬于無監督訓練算法，而反饋多層感知器模型是受限反饋，ARTMAP模型、ART模型屬于反饋的網絡拓撲

結構。

2 神經網絡在網絡入侵檢測中的應用

2.1 神經網絡應用于網絡入侵檢測的優勢

由于神經網絡對于數據訓練獲得預測能力的過程是通過完全抽象計算實現的，而不強調對于數據分布的假設前提，因此在建立神經網絡模型過程中沒有必要向神經網絡解釋知識的具體細節。同時，神經網絡在網絡入侵檢測中，可以通過數據運算而形成異常的判別值，這樣可以對于當前是否受到攻擊行為影響做出判斷，從而實現對檢測對象是否存在異常情況的檢測[6-8]。

2.2 神經網絡在網絡入侵檢測中的應用

神經網絡在網絡安全尤其是入侵檢測方面已有了相當的研究[9]。有研究者將組織聚類神經網絡應用于計算機安全研究中，其采用了自適應諧振學習法進行數據的前期訓練，對于無顯著意義的平均誤差減少時，采用遺傳算法繼續在前期基礎上進行數據數據以得到最佳的權值。國內也在神經網絡應用于網絡入侵檢測上做了大量工作。王勇等研究者在參考MIT Lincoln有關網絡入侵檢測方法基礎上，提出了基于Linux主機的網絡入侵檢測方案，實現了對于多種網絡攻擊的特征進行抽取及檢測的目的[10]。

神經網絡在網絡入侵檢測中有廣泛的應用空間[11-12]，今后應該擴大訓練數據的數量和范圍，并擴大操作系統的研究空間，通過模擬真實的計算機網絡環境，將神經網絡技術真正應用于計算機安全尤其是入侵檢測工作中。

參考文獻

[1] 李季，蒲彪.人工神經網絡在食品微生物發酵中的應用[J].食品研究與開發，2009，30（4）：171-174.

[2] 李聰超，周鐵軍.人工神經網絡在農業中的應用[J].農業網絡信息，2008（1）：35-38.

[3] 李麗霞，張敏，郜艷暉，等.人工神經網絡在醫學研究中的應用[J].數理醫藥學雜志，2009，22（1）：80-82.

[4] 高雋.人工神經網絡原理及仿真實例[M].北京：機械工業出版社，2003：44-73.

[5] 楊行峻，鄭君里.人工神經網絡與盲信號處理[M].北京：清華大學出版社，2003：23-105.

[6] 程麗麗.基于模糊神經網絡的入侵檢測設計模型[D].哈爾濱：哈爾濱理工大學，2005.

[7] 周開利，康耀紅.神經網絡模型及其MATLAB仿真程序設計[M].北京：清華大學出版社，2005.

[8] 李家春，李之堂.神經模糊入侵檢測系統的研究[J].計算機工程與應用，2001，23（17）：37-39，

[9] 王勇，楊輝華.一種基于進化神經網絡的入侵檢測實驗系統[J].華東理工大學學報（自然科學版），2005（6）：362-366

[10] 喬瑞.基于優化自組織聚類神經網絡的入侵檢測方法研究[J].計算機與現代化，2005（1）：77-79.

第3篇：人工神經網絡優勢范文

Abstract： Estimating the manufacturing cost of large-sized and complex-shaped non-standard product is hard. Now the manual estimation methods suffered from a high estimation error. When cost estimates are to be used for bidding purposes， a poor accuracy may have detrimental financial consequences. A cost overestimation bears the risk of making the firm uncompetitive and losing a customer， while underestimating the cost leads to winning a contract but incurring a financial loss. Therefore， a precise cost estimation is critical for project management. In this paper， building the parametric model of artificial neural networks， compare with the artificial neural networks and the manual estimation methods in estimating the manufacturing cost of large-sized and complex-shaped non-standard product. the accuracy is improved.

關鍵詞： 神經網絡（ANN）；成本估算；非標產品

Key words： artificial neural networks （ANN）；cost estimation；non-standard product

中圖分類號：TP183 文獻標識碼：A 文章編號：1006-4311（2014）14-0203-03

0 引言

生產成本評估是工業管理活動中的一個重要問題。通常情況下，成本的計算可被分類為預先計算，中間計算，后計算。前計算涉及估計未來成本，中間計算在產品開發周期內進行了成本控制的目的，而計算后，包括成本核算方法，用來確定實際成本作為未來預算數據。由于產品生命周期成本的很大一部分被定義在設計階段，因此在新產品開發過程中廣泛采用。然而，在這種情況下，通常用來提供合適的成本計算方法必需的數據，只有不完整的或不確定的產品描述的數據[1]。

由于神經網絡能以期望的精度逼近任何非線性函數，并且它具有自學習、自組織、自適應、并行處理和容錯等功能，因而可以較好的應用于產品生產成本估算。

1 成本估算方法分類

從方法論的角度來看，成本估算，可以分為定性或定量的方法。如圖1。

定性的方法依賴于專家判斷和經驗啟發式規則，定量的方法，可進一步分類納入統計的模型，相似模型或生成分析模型。參數成本模型屬于傳統的統計方法，統計標準是用來確定因果聯系和關聯成本和產品特性，以便取得與一個或多個變量的。統計方法可以依靠公式或替代辦法連結產品特性，以成本為例，如回歸分析或優化方法已被廣泛地應用，人工神經網絡也被用來統計方法，這要歸功于它們有能力進行分類，總結和推斷的數據集合。人工神經網絡模型接受輸入形狀描述和語義的產品特性，并作為輸出產品的成本。搜索引擎優化也利用人工神經網絡和統計相關性在生命周期成本概念設計階段使用[2]。人工神經網絡會表現出更好的線性回歸模型。類似的方法，而不是找出一個類似的產品，用成本信息來估計未來成本，調整產品成本之間的差異。類似的模型，從而推斷出相似的成本結構，功能或產品功能之間的幾何相似。例如，作為一個多維特征空間中的點之間的距離測量。生成的分析方法是最準確的，描繪出實際的產品制造過程中。生產過程的詳細分析和分解成單一的制造業務進行，分析特定模型估計每個處理階段的成本歸因于資源消耗的貨幣價值的技術參數的基礎上的特征的操作。自下而上的方法，然后利用適當總在制造過程中所產生的成本，通過各成本項目的總和。一個詳細的模型使用的勞動時間和價格的估計，材料、數量和價格的產品或活動，估計直接成本、間接成本。

在每個成本中心的制造時間的估計仍然是一個艱巨的任務，留給成本部門的經驗和歷史數據的依賴。估計誤差是相當重要的，一些歷史數據不可用。由于經常發生在工程師對按訂單生產的任何產品和過去不同，因為它是由客戶的規格和設計的。這種傳統的方法是對制造時間的估計[4]。

因此，利用標準時間的方法是相當困難的，在投標階段，許多需要精確估計到工作中心的數據是沒有的，必須從過去的經驗中得到，但是，由于是非標產品，極有可能缺乏具體的經驗，進一步增加了時間和成本的不確定性。這種不確定性導致以下問題：報價風險，與失去投標報價的可能性。

針對這個問題，下面介紹一種基于人工神經網絡的估算方法。

3 ANN成本建模

人工神經網絡的信息處理模型的基本計算的數量單元（神經元）相連的的加權連接。人工神經網絡對一組訓練數據是能夠自學習，并進行分類，聚類，函數逼近和控制任務。特別是，神經網絡被認為是“普？？遍回歸工具”能夠逼近任意連續函數，利用在成本估算應用。在特定的神經網絡非參數估計，這意味著要作出任何假設的形狀近似函數訓練前。這是一個很大的實用優勢，因為它節省了時間和費用成本，專家需要提供適當類型的函數參數成本。

多層感知器網絡已被用作此配置提供了最好的結果作為函數逼近，而嘗試和錯誤的過程中已經定義了的詳細的神經網絡結構。事實上，網絡結構可以有顯著影響的估算精度。但神經網絡理論尚未提供控制變量的最優設置，適用規則和拓撲結構[5]。

人工神經網絡的輸入包括所有的產品特征變量的值

4 結論

在面對成本估算的問題上，模擬的選擇要根據不同的產品或過程，具體的資料和案例。另外，選擇還取決于各自的優點，不同方法的局限性和能力。

統計或類似的模型也被稱為“'lump-sum”的方法[7]，因為他們不考慮生產過程的特點，或不顯示詳細的成本結構。事實上，這種方法試圖建立一個整體的相關性（稱為CER，成本估算關系）的總制造成本和成本影響產品特性（即變量之間的相關產品的配置或物理特性，如重量，尺寸等，可作為成本動因）的關系。

統計方法的神經網絡的優勢是，它們可以有效地推斷和概括。數據模型之間的功能關系是隱藏的或不能以多項式的形式表示，不了解變量之間的函數關系。神經網絡具有的優點是不需要詳細定義了單一的制造過程的階段和神經網絡動態自適應，神經網絡的訓練集可擴展新的數據成為可用的變化來反映或在制造業務性能的提高和相關資源，得到一個連續的知識獲取。

參考文獻：

[1]Verna Allee. Reconfiguring the value network[J]. Theory in Action， Jul./Aug.， 2000：36-39.

[2]Dorian Selz. Value Webs-Emerging forms of fluid and flexible organizations[D].Dissertation St. Gallen， #2310， Difo-Druck， Bamberg， 1999.

[3]David Bovet and Jaseph Martha. Valuenets-breaking the Supply Chain to Unlock Hidden Profit[M]. New York ： John Wiley & Sons， Inc，2000.

[4]黃文權.機械制造產品成本估算方法研究及應用[D].杭州：浙江大學機械工程學系，2003.

[5]焦李成.神經網絡系統理論[M].西安：西安電子科技大學出版社，1990.

第4篇：人工神經網絡優勢范文

關鍵詞：動車組；過分相區；故障識別；繼電保護

1 動車組過分相區故障識別中的人工神經網絡BP算法概述

1.1 基于人工神經網絡的BP算法

動車組過分相區發生運行故障會影響動車組的安全運行狀況，為了對動車組過分相區中存在的故障有一個清晰的認識，文章利用智能控制領域內的BP算法對動車組過分相區以及分相區的中性線出現接地故障時其狀態進行了全方位的智能識別，利用這種方式能夠快速排除動車組運行故障，同時還能夠使繼電保護裝置快速動作，為動車組運行提供保護。

人工神經網絡克服了傳統人工神經網絡方法對語音識別、模式以及分結構化信息處理等方面的局限，該算法具有較強的非線性適應性信息處理能力，基于人工神經網絡的功能性，使之在模式識別、人工神經專家系統以及智能控制等多個領域廣泛應用。人工神經網絡中包含了多種算法，基本上都具有故障識別的作用，但是不同的算法所產生的作用力也是不同的，基于人工神經網絡的BP算法較為常用，利用該種診斷技術，在故障識別過程中無需建立精確的數學模型，它能夠解決其他常規算法所不能解決的故障診斷，對動車組過分相區故障識別具有重要意義。

1.2 基于人工神經網絡BP算法的優勢與缺陷分析

人工神經網絡BP算法是目前解決動車組故障診斷的創新途徑，其在動車組過分相區故障識別中的廣泛應用是由其本身的功能性決定的。其優勢主要表現在兩方面，一方面只要具備足夠的隱節點以及隱含層，人工神經網絡BP就可以隨意的逼近非線性映射關系，具有一定的隨意性，另一方面人工神經網絡BP屬于一種全局逼近的方式，具有較好的泛化能力，BP網絡可以實現輸入與輸出的非線性映射關系，在此過程中其不依賴模型，即使人工神經網絡中有個別神經元損壞，雖對輸入輸出有影響，但影響相對較小，由此可見人工神經網絡BP算法具有良好的容錯能力。然而人工神經網絡BP算法也存在一定的局限性，其在應用中收斂速度較為緩慢，隱含層與隱節點的實際數目難以準確定位。

2 人工神經網絡BP算法下的動車組過分相區故障識別仿真分析

人工神經網絡BP算法在動車組過分相區故障識別中的應用大致可以分為四個步驟，第一，利用該種算法對動車組過分相區進行故障識別與診斷，獲取動車組過分相區與未過分相區中各種狀態下的仿真數據，為故障診斷與故障識別提供有效依據。第二，對動車組過分相區與未過分相區故障識別仿真實驗中的各個參數值進行有效提取，并根據這些參數值對動車組過分相區中存在的故障問題進行全面分析。第三，以輸入的數據特點以及系統所需數據輸出要求為依據，從而確定輸入與輸出層的節點數以及隱含層的節點數。第四，將需要處理的矢量參數以及信息數據輸入到網絡系統中，而后進行一系列訓練，訓練成功之后再將預先設定的訓練結果以及信號進行比較驗證。在動車組過分相區故障識別仿真實驗中若隱含層節點數過多，會導致識別時間過長，不能在短時間內對動車組運行故障進行判斷，會影響動車組的整體運行狀況，而隱含層節點數太少則容錯性較差，識別樣本能力也相對較低，因此在仿真實驗中要綜合考慮各種因素的影響，在仿真實驗中要想得到準確的結果，需要對系統中的各個變量進行反復訓練，同時還要對其進行收斂，在利用人工神經網絡BP算法計算時若實際計算中能夠得到和與其相近的值，那么就表明動車組過分相區的運行狀態被識別。

在仿真實驗中將正饋線電壓、接觸線電壓、暫態過程一的暫態過電壓、暫態過程一的暫態過電壓、暫態過程三的暫態過電灰、暫態過程四的暫態過電壓，將這六個變量輸入到系統中，將線路所呈現的六種狀態作為輸出，在利用人工神經網絡BP算法進行方針數據處理以及狀態識別時，諸多BP神經網絡實驗模型基本上都是以S形函數作為實驗中的轉換函數，將函數的值域定義為[0，1]，那么在訓練過程中就要將原始數據合理規范到[0，1]區間內，而后再統一利用標準歸一化方式來實現。將六種線路的狀態相關數據進行歸一化處理，即將狀態數據處理在0～1以內。在仿真實驗中要利用人工神經網絡BP算法對動車組過分相區進行智能化故障識別，并保證故障識別的準確性，就要對歸一化數據進行大量并反復訓練，通過大量及反復訓練得到的誤差曲線結果是快速的，收斂的，能夠為動車組過分相區故障識別利用精確數據。

3 動車組過分相區繼電保護研究

動車組過分相區中的繼電保護可以分為三種保護模式，分別是線路保護、分相區保護以及合閘過電壓保護，這三種保護方式對動車組過分相區的安全與穩定運行都有一定的保護作用，但是三者的保護方式有所區別，以下是對這三種保護模式的具體分析：

3.1 線路保護

線路保護為了改善功率因數，機車上還設置有三次與五次諧波的濾波電路，為使諧波含量系數能夠準確反映高次諧振狀況，通過高次諧振狀況可以對線路保護中的電阻繼電器動作進行判定，電阻繼電器動作方程式為：

XZD，RZD分別是指電阻與電抗整定值。線路保護在對動車組過分相區實施保護動作時，為了避免動車組過分相區出現保護誤動的狀況，那么需要利用二次諧波進行閉鎖操作。線路保護動作應根據動車組過分相區實際情況來選擇，高次諧波抑制式電流增量保護也是線路保護中的一種，對動車組相區也有一定的保護作用。

3.2 分相區保護

分相區保護設置與線路保護設置相比相對較為復雜，在動車組運行過程中利用分相區保護方式可以在動車組分相區中性線位置設置RC保護與RL保護，其中RL保護能夠被開關控制，利用這兩種保護方式基本上可以解決動車組特定機型的暫態過電壓問題，然而目前很多型號的動車組機車在牽引網中運行，RL與RC保護方式具有一定局限性，在這種運行條件下常出現的問題是過電壓與過電流問題，針對這兩種問題可以采取電壓增量保護與電流速斷保護的方式。

3.3 合閘過電壓保護

動車組過分相區發生故障之后，需要在分區亭處先進行合閘操作，而后再牽引變電所進行再合閘操作，故障時合閘的主要目的是為了檢驗動車組故障屬于暫態性故障還是永久性故障。動車組中的短路故障屬于暫態故障，而短線故障則屬于永久性故障，暫態故障發生后所產生的暫態過電壓會在60ms之后穩定在正饋線與界線中，而永久性故障則會穩定在一個新電壓狀態下，為動車組過分相區運行提供一個良好的狀態。

4 結束語

綜上所述，動車組過分相區運行環境具有一定的復雜性，在運行中常發生一系列的故障，這些故障或多或少都會對動車組的正常運行造成影響，因此對動車組進行故障識別，并采取繼電保護尤為必要。基于人工神經網絡的BP算法是現今動車組過分相區故障識別中的一種新方法，可以在不建立模型的情況下進行故障診斷識別，快速查出故障原因，并根據實際情況采取相應的保護措施，為動車組過分相區運行提供安全保障。

參考文獻

第5篇：人工神經網絡優勢范文

對于這種人工神經網絡的信息處理方式，其是根據生物學中神經網絡的形式來研究出來的，所在對于這種人工神經網絡系統來說，其有很大一部分特點都是跟生物學的中神經系統是相似的，具備一些智能的功能。首先它所體現出來的一種特點是在記憶方面，因為它是根據生物神經模式來進行設計的，因此其在對信息進行儲存及分析過程中，會第一這些信息進行保留，并且還具備聯想記憶的功能。

其次其具備的特點就是可以進行非線性映射。因為在很多的實現操作過程中，很多輸出的信息與輸入的信息之間并不能夠建立起一種線性的關系，使得很多熟悉的模型不能夠在其它信息處理系統中進行設計出來。但是使用人工神經網絡的設計方式，就使得在信息處理的過程中能夠做到滿足非線性映射，并且還可以在設計的過程中建立起很大的非線性的數學模型，并且各個領域中都可以得到應用。

另外，在這種人工神經網絡的信息處理模式中，還可以對輸入的信息進行識別，并做到有效的分類，這對原來在信息處理過程中存在的信息不易分離與辨別的問題做到了有效的解決。最后一項具備的功能就是它可以對輸入與輸出的信息及知識內容進行一個有效的處理，因為人工神經網絡模式具備生物學中神經傳遞的特點，所以它可以在信息到達的時候，對其進行分析及處理，對于那些符合條件的信息加以利用，并進行儲存。這就使得在信息的處理過程中，能夠做到對數據根據其特征來進行分類與分析。

2人工神經網絡的信息處理技術在經濟管理中的應用

計算機科學與技術發展過程中所帶來的這種神經網絡的信息處理模式，因為其具備的一些特征與功能，因此在眾多的領域中得到了有效的利用，解決了傳統信息處理過程中那些不能夠進行解決的問題，并且都取得了很好的效果。所以，目前這種信息的處理方式不僅在經濟管理過程中得以使用，還在醫學、工程技術及其它經濟領域中都得到廣泛的應用。

2.1在信貸分析過程中需要對這種信息處理技術加以利用

對于信貸分析工作來說，信用評估機構是具備自己特征的，因此在信息處理過程中，因為這些企業所帶來的信息形式的不同，使得在對其信用度進行評判的過程中，帶來很大的問題，也很難對其進行判斷，使得很多時候都會帶來很多的經濟損失。但是對這種人工神經網絡信息的處理技術的使用，就會對所出現的問題做到有效的解決了。在對這些貸款企業進行信用評價的時候，只需要將信息轉化為編碼來輸入進去，就可以對數據進行分析，并且因為輸入的信息量比較大，使得在評價的過程中更做到具有更大的準確性。對這種技術的使用，不僅可以做到準確性，還可以避免操作人員的主觀思維形式。這是這些優勢的存在，使得其在對企業風險進行分析的過程中得到很廣泛的應用。

2.2使用這種方法可以對市場做到更準確的預測

在經濟管理過程中，需要對市場中出現的一些因素做到有效的分析，并做到對未來發展趨勢進行相關的預測，使得在決策的過程中，能夠起到參考的作用，使得風險得到降低。使用人工神經網絡的信息處理技術來對市場進行預測，使得對市場中變動的價格與走勢進行考量與分析，使得一個可靠的市場模型可以得到建立。例如在期貨市場上運用這種技術，可以對其未來價格進行預測。并且這種技術在股票市場中也有所應用。

3、結束語

第6篇：人工神經網絡優勢范文

關鍵詞：神經網絡 應用 經濟預測 改進

神經網絡作為新時展最快的人工智能領域研究成果之一，在科學計算、自動控制等方面得到了成功的運用。近年來，我國學者們將神經網絡運用于經濟預測領域，并且不斷地改進應用方法，使基于神經網絡的經濟預測系統更具效益。本文在此背景下，對神經網絡經濟預測的應用進行了研究，圍繞經濟預測的方法應用提出相應的改進建議，從而豐富了經濟增長預測理論與實踐。

一、神經網絡經濟預測的方法的概述

1.概念

神經網絡，是對人腦或自然神經網絡若干基本特征的抽象和模擬。從解剖學和生理學的角度來看，人腦是一個復雜的并行系統，他是由大量的細胞組合而成，這些細胞相互連接。神經細胞與人體中的其他細胞的關鍵區別在于，神經細胞具有產生、處理和傳遞信號的能力。在人工神經網絡的發展過程中，對生物神經系統進行了不同模擬，提出了各種各樣的神經網絡模型，其中具有代表的網絡模型有感知器神經網絡、線性神經網絡、BP網絡、徑向基函數網絡、自組織網絡。

2.特征

神經網絡經濟預測的方法不同傳統的預測方法，它對經濟系統里的多種因素進行分析，進行有效地多輸入、多輸出的經濟預測數據。可以說神經網絡經濟預測的方法具有以下幾種特征：其一，由于神經網絡是由復雜的因素構成的，它的輸入向量維數比較多。其二，經濟系統數據具有很強的非線性，使得輸入的向量各分量之間存在著復雜的耦合關系。其三，經濟系統處在一個“黑箱”模型下，導致數據之間的相互影響不存在明確表達式的關系。神經網絡也會隨著時間的增長，數據呈現出增長的趨勢。

3.優勢

用神經網絡進行經濟預測相對來說比較準確。因為這種神經網絡在計算量允許的范圍內，可以很好地擬合任意多對多的映射關系，數據擬合的結果表明，系統擬合相對誤差在0%—0.75%，比采取回歸分析逼近效果好。此外，神經網絡各層節點之間的聯結權數及閾值恰好可以表達經濟系統中各個因素之間相互交織、相互影響的強耦合關系.而采取多元回歸模型。

往往只能引入少量耦合項以避免模型過于復雜而無法求解.因此，神經網絡比傳統的多元回歸預測方法有更好的擬合能力和準確度。神經網絡的方法是比較適合對經濟預測的，因為它只需要少量訓練樣本就可以確定網絡的權值和閾值從而預測出宏觀經濟發展趨勢，計算簡單、快捷、可靠?？偠灾?，神經網絡經濟預測方法具有顯著的優勢，是比較適合經濟預測的應用過程的。

二、神經網絡經濟預測方法應用的改進

由于商業、政府和工業所產生的預測間題，其復雜程度越來越高，以致于現有的預測系統難于解決，這就要求我們的預測系統能夠處理復雜度增加的問題，進一步擴展傳統神經網絡預測方法的能力，使得神經網絡系統理論的不斷發展和完善、新的神經網絡預測方法的不斷產生，使得神經網絡預測模型更加實用化、現代化，會給商貿和工農業生產帶來巨大的經濟效益。以下是本人對神經網絡經濟預測方法應用改進的建議：

首先，我們要改進神經網絡經濟預測的過程。確定預測的目的，制定預測的計劃。經濟預測首先要確定預測的目的，從決策和管理的需求出發，緊密聯系實際需要與可能，確定預測要解決的問題。預測計劃是根據預測目的而制定的預測方案，包括預測的內容、項目，預測所需要的資料，準備選用的預測方法，預測的進程和完成的時間以及預測的預算、組織實施等。只有目的明確、計劃科學的預測，才可保證預測的順利進行。

其次，建立新的神經網絡經濟預測模型。經過求增長率再進行歸一化的處理，在給出的以往的數據的增長率范圍內，網絡就可能不再陷入訓練“盲區”。.當采用了足夠年限的已知數據并將其增長率歸一化以后，“被預測年”數據的增長率可能不再會大于那些“已知年”數據的增長率.則外延問題可以得到基本解決。

最后，對神經網絡經濟預測結果進行檢驗，減小誤差。經濟預測是立足于過去及現在的已知推測未來的未知，而過去和現在終歸不是未來，預測結果和未來實際值不可能絕對相符，存在的差異就是預測誤差。為了使預測誤差最小化，檢驗結果通過試探性的反復試驗來確定，預測準確度應盡可能進行外推檢驗。

三、總結

神經網絡經濟預測的方法相對于其他的經濟預測方法，具有獨特的、顯著的優勢，我們可以利用好其優勢，從而有助于我們更好的對經濟發展進行預測分析，從而把握好經濟發展動向，為經濟決策提供依據。因此，我們應當根據社會發展需要，不斷改進神經網絡經濟預測方法的應用，使其效能最優化，為我國經濟發展助力。

參考文獻：

[1]陳健，游瑋，田金信.應用神經網絡進行經濟預測方法的改進[J].哈爾濱工業大學學報，2006（06）

第7篇：人工神經網絡優勢范文

關鍵詞：徑向基神經網絡（RBFN）； 超高壓； 繼電保護； LLS； 梯度下降法

中圖分類號：TN911-34; TP332 文獻標識碼：A

文章編號：1004-373X(2011)20-0196-04

Algorithm of EHV Relaying Protection Based on RBF Neural Network

ZHANG Dong1, WANG Tao2

(1. Inner Mongolia Electric Power Group, Hohhot 010080, China;

2. School of Electronics and Information Engineering, Soochow University, Suzhou 215021, China)

Abstract： An algorithm of EHV (extra high voltage) relaying protection based on RBFN (radial basis function neural network) is proposed. The algorithm can conduct the training according to the existing relaying data sample set because the RBFN has learning ability, find the internal relations of fault detection, fault location, self-adaptive automatic reclosing technology, differential protection and distance protection by analysis, and realize the self-adaptive control over the future relaying protection data samples. The highlight of this algorithm is that the factors of both predicting precision and training time of RFBN are taken into consideration in the process of construction. The linear least squares (LLS) and the gradient descent method are employed for MATLAB simulation experiment to obtain a more accurate result of prediction.

Keywords： RBFN; EHV; relaying protection; LLS; gradient descent

0 引 言

隨著電力工業的不斷發展，現代電力系統已成為┮桓齦囈追竅咝?、高竻矀蝙o拇笙低常人們對系統運行的可靠性、持續性和穩定性要求也越來越高，這就使得電力系統中問題的解決越來越困難。

繼電保護的任務就是檢測故障信息，識別故障信號，進而決定保護是否跳閘。傳統的繼電保護和故障診斷方法自適應能力有限，不能適應各種運行方式和診斷復雜故障。

徑向基神經網絡（RBFN）具有很強的自適應能力、學習能力、非線性映射能力和容錯能力，并且魯棒性好，應用在電力系統繼電保護有很大優勢，很多難以列出方程式或難以求解的復雜的非線性問題，應用徑向基神經網絡（RBFN）方法都可以得到很好的解決。

1 人工神經網絡概述

1.1 人工神經網的概念

人工神經網絡（Artificial Neural Networks，ANNs）也簡稱為神經網絡（NNs）或稱作連接模型（Connectionist Model），它是一種模范動物神經網絡行為特征，進行分布式并行信息處理的算法數學模型。這種網絡依靠系統的復雜程度，通過調整內部大量節點之間相互連接的關系，從而達到處理信息的目的。人工神經網絡具有自學習和自適應的能力，可以通過預先提供一批相互對應的輸入-輸出數據，分析掌握兩者之間潛在的規律，最終根據這些規律，用新的輸入數據來推算輸出結果，這種學習分析的過程被稱為“訓練”。

人工神經網絡是一門模擬人腦生物過程的人工智能技術,是根據大腦神經元電化學活動抽象出來的一種多層網絡結構，它是由大量的神經元互聯形成的復雜的非線性系統。神經元結構如圖1所示。所有輸入M通過一個權重K進行加權求和后加上閾值d，再經傳遞函數f的作用后即為該神經元的輸出a，且有：

Иa=f(MK+d)(1)И

1.2 徑向基神經網絡理論

徑向基神經網絡(RBFN)是一個三層的前饋神經網絡，包括一個輸入層、一個徑向基層(即隱含層)和┮桓鍪涑霾恪F浠本原理是以徑向基函數作為隱層單元的基，構成隱含層空間，隱含層對輸入矢量進行變換將低維的模式輸入數據變換到高維空間內，使得在低維空間內的線性不可分問題在高維空間內線性可分。徑向基函數它模擬了人腦中局部調整、相互覆蓋感受野(Receptive Field)，因此是一種局部逼近網絡，科學界已經證明它能以任意精度逼近任意函數，其拓撲結構如圖2所示。

圖1 人工神經元模型

圖2 RBF網絡結構圖

輸入層節點獲取輸入向量后，傳遞輸入向量到隱含層。隱含層節點由徑向基函數構成，徑向基函數可采取多種形式(通常采用Gaussian函數)。隱含層執行非線性變換，將輸入空間映射到一個新的空間。輸出層通常是簡單的線性函數。隱含層節點和輸出層節點以不同的權重完全連接。隱含層節點的激活函數對輸入激勵產生一個局部響應，輸入向量越靠近基函數的中心，隱含層節點做出的響應越大。隱含層第j結點的輸出響應為：

ИGj(x)=exp－x－μj2σ2j （2）И

式中：x= ［ X1,X2,…,Xn ］ 為輸入向量；μj,σj分別為第j個神經元的中心和大?。籧為神經元的個數。

輸出層為隱含層各個單元的加權和:

И=f(x)=∑cj=1wjGj(x)（3）И

式中：wj為第j 個神經元對應的權值。

2 基于RBF的超高壓繼電保護算法

2.1 訓練數據的樣本采集

訓練所需要的樣本數據，直接關系到訓練出來經驗函數精度的優劣，所以一組好的訓練樣本是經驗函數精度的保證。本文采用內蒙古電力集團公司超高壓局近幾年對繼電保護數據記錄，其中樣本數據繁多，從中選取了5 000個有效數據作為樣本，用其中4 000來訓練經驗函數，后1 000個用來檢測訓練效果。

2.2 RBF神經網絡混合學習算法

RBF網絡的學習分為兩個過程。第一個過程：根據所有輸入向量確定各隱含層節點的高斯函數的中心值cj。第二個過程：在確定了隱含層j的參數后，根據樣本，利用最小二乘法原則求出輸出層的權值wjt。建立RBF神經網絡的關鍵問題是根據給定的訓練樣本確定徑向基函數的中心。因為一旦確定了徑向基函數的中心cj，則對于所有的訓練樣本而言Gj和預期輸出yt 是已知的，輸出權值`jt可以通過最小二乘法求出。

2.2.1 調整隱層神經元中心及寬度

梯度下降法的構造過程中首先定義誤差函數：

ИE=12∑Nn=1En（4）И

式中：N為樣本個數；En為輸入第nЦ鲅本是的誤差定義為：

ИEn=∑sk=1(tnk－ynk)2， n=1,2,…,N(5)И

要使誤差函數最小化，則參數的修正量應與其負梯度成正比則有：ЕCj=－η1ECj和Δσj=－η2E鄲要j Т入后得：

ИЕCj=2η1∑Nn=1∑sk=1(tnk－ynk)•Rnjwn(k,j)•pn－cnj(σnj)2(6)

Δσj=2η2∑Nn=1∑sk=1(tnk－ynk)•Rnjwn(k,j)pn－cnj2(σnj)3(7)И

當所有樣本輸入完成后，運用迭代的方法對參數進行調整，如下所示：

ИCj(m+1)=Cj(m)+ΔCj(8)

σj(m+1)=σj(m)+Δσj(9)И

式中:Cj是中心的學習速率；σj是高斯寬度的學習速率；m為迭代次數。為了保證分類器的泛化性能，采用的高斯寬度的學習速率通常大于中心的學習速率，因為小的學習速率使算法收斂過慢，而過大的學習速率可能會導致算法變得不穩定。

2.2.2 RBF網絡的權值確定

首先設定輸入矩陣為：M∈Rr×N，隱層輸入矩陣為：P∈Ru×N；輸出層矩陣為：K∈Rs×N；其中n為訓練樣本。若RBF網絡的待定輸出層權值W∈Rs×u，其三者關系為：

ИK=W×P（10）И

樣本的目標輸出為：T=(t1,t2,…,ts)T∈Rs×N，在這里采用線性最小二乘法(LLS)來使得目標輸出與網絡實際輸出之間的誤差達到最小,運用R的R+來求得W為R+T。

2.2.3 經驗函數訓練流程圖

本文所訓練的經驗函數的算法流程圖分為兩個階段，第一階段是樣本處理，由于樣本具有重復性，在經過樣本處理后，就保證了存儲在樣本庫中的樣本都具有代表性，消除重復訓練，提高訓練速率；第二階段是訓練經驗函數。訓練過程如圖3所示。

圖3 經驗函數的算法流程圖

3 實驗結果與分析

該研究采用Matlab 7.0.0來做仿真實驗,針對關注的5個重要的超高壓繼電保護指標分別進行預測，實驗數據來自內蒙古電力集團公司超高壓局近幾年對繼電保護數據記錄，實驗采用大量超高壓繼電保護值來訓練RBF神經網絡，當網絡訓練達到誤差平方和目標0.01時，網絡訓練結束。

圖4~圖8分別為故障檢測、故障定位，自適應自動重合閘技術、差動保護以及距離保護的預測值與實際值之間的比較(其中橫軸均為時間序列，縱軸為超高壓繼電保護的相應指標值)。

通過仿真結果可以看出：曲線的擬合度較好，說明通過RBF神經網絡短期預測超高壓繼電保護取得了較好的效果。但是長期的預測則需要考慮超高壓繼電保護各衡量指標的突變情況，此時RBF神經網絡無法對其做出準確的預測。

4 結 語

本文將RBF神經網絡及其相關算法應用到超高壓繼電保護預測上，可以更好、更快地動態預測繼電保護的工作狀態。在其中RBF網絡大大提高了訓練的速度，節省了時間且預測精度更高，在局部的短期預測中占有優勢。怎樣進一步改進優化預測算法是RBF神經網絡預測超高壓繼電保護的下一步研究方向。

參考文獻

［1］馬銳.人工神經網絡原理\.北京：機械工業出版社,2010.

［2］劉學軍.繼電保護原理\.北京：中國電力出版社,2007.

［3］賀張萍.深度探討繼電保護裝置狀態檢修需求及應用難點\.科技資訊,2010(32):120-122.

［4］黃懿.繼電保護可靠運行的控制分析\.中國科技博覽,2010(3):61-64.

［5］MOHAMED E A, TALAAT H A; KHAMIS E A. Fault diagnosis system for tapped power transmission lines \. Source: Electric Power Systems Research, 2010, 80 (5): 599-613.

［6］Eissa M M, Sowilam G M A, Sharaf A M. A new protection detection technique for high impedance fault using neu-ral network \// Proceedings of 2006 Large Engineering Systems Conference on Power Engineering. \: \, 2006: 146-151.

［7］DUTTA A A, KADU A N. Pattern recognition method for detecting fault in EHV transmission lines \// Proceedings of2nd International Conference on Mechanical and Electrical Technology. \: ICMET, 2010: 24-27.

［8］劉田田,燕潔.人工神經網絡在電力系統繼電保護中的應用\.電力學報,2007(2):190-192.

［9］呂衛勝.人工智能技術在電力系統繼電保護中的應用\.山東電力技術,2006(1):61-63.

［10］KHORASHADI-ZADEH H, EBRAHIMI M R A. AN ANN based approach to improve the distance relaying algorithm \// Proceedings of the 2004 IEEE Conference on Cybernetics and Intelligent Systems. Singapore: IEEE, 2004:1374-1379.

［11］曾曉林,薛建輝,洪剛.粒子群優化神經網絡在高壓斷路器機械故障診斷中的應用\.電網與清潔能源，2010,26(6):57-61.

［12］李風光,楊志.基于BP網絡的自適應接地保護研究\.電網與清潔能源，2010,26(10):31-34.

第8篇：人工神經網絡優勢范文

糊理論、遺傳算法等人工智能技術的含義進行了介紹，并對這些技術在電力系統中的應用和存在問題進行了分析。

關鍵詞：人工智能、電力系統、應用

中圖分類號：TM76 文獻標識碼：A 文章編號：1007-9416（2012）03-0000-00

1、人工智能技術

人工智能技術(AI artificial intelligence)是一項將人類知識轉化為機器智能的技術。它研究的是怎樣用機器模仿人腦從事推理、規劃、設計、思考和學習等思維活動，解決需要由專家才能處理好的復雜問題。在應用方面，以專家系統、人工神經網絡、遺傳算法等最為普遍[1][2] 。

1.1 專家系統(ES)

專家系統是利用知識和推理來解決專家不能解決的問題。傳統程序需要固定程序和復雜算法，輸入數據并得出結果。專家系統集中大量的符號處理，采用啟發式方法模擬專家的推理過程，通過推理，利用知識解決問題。它具有邏輯思維和符號處理能力，能修改原來知識，適合于電力系統問題的分析。

1.2 人工神經網絡(ANN)

人工神經網絡是大量處理單元廣泛互聯而成的網絡，是一種模擬動物神經系統的技術。神經網絡具有自適應和自學習的能力，能并行處理分布信息。電力系統應用人工神經網絡可以進行實時控制、狀態評估等。

1.3 遺傳算法(GA)

遺傳算法是一種進化論的數學模型，借鑒自然遺傳機制的隨機搜索算法。它的主要特征是群體搜索和群體中個體之間的信息交換。該方法適用于處理傳統搜索方法難以解決的非線性問題。

1.4 模糊邏輯(FL)

當輸入是離散的變量，難以建立數學模型。而模糊邏輯則成功地應用在潮流計算、系統規劃、故障診斷等電力系統問題。

1.5 混合技術

以上各種智能控制方法各有局限性，有些甚至難以處理電力系統實際問題。因此需要結合各個算法的優勢，采用人工智能混合技術。其中包括：模糊專家系統、神經網絡模糊系統、神經網絡專家系統等技術。

2、人工智能技術的在電力自動化的應用

2.1在電能質量研究中的應用

人工智能技術可以對電壓波動、電壓不平衡、電網諧波等電能質量參數進行在線監測和分析。在檢測和識別電能質量擾動時能克服傳統方法的缺陷。專家系統隨著經驗的積累、擾動類型變化而不斷擴充和修改，便于用戶的掌握[3] 。

此外，專家系統和模糊邏輯可用于培訓變電站工作人員。智能軟件可以模擬故障情形，有利于提高運行人員的操作技能。

2.2 變壓器狀態監測與故障診斷專家系統

變壓器事故原因判斷起來十分復雜。判斷過程中，必須通過內外部的檢測等各種方法綜合分析作出判斷。變壓器監測和診斷專家系統首先對油中氣體進行分析。異常時，根據異常程度結合試驗進行分析，決定變壓器的停運檢查。若經分析發現變壓器已嚴重故障，需立即退出運行，則要結合電氣試驗手段對變壓器的故障性質及部位做出確診。

變壓器監測和診斷專家系統通過診斷模塊和推理機制，能診斷出變壓器的故障并提出相應對策，提高了變壓器內部故障的診斷水平，實現了電力變壓器狀態檢修和在線監測。

2.3 人工智能技術在低壓電器中的應用

低壓電器的設計以實驗為基礎，需要分析靜態模型和動態過程。人工智能技術能進行分段過程的動態設計，對變化規律進行曲線擬合并進行人工神經網絡訓練，建立變化規律預測模型，降低了開發成本。

低壓電器需要通過試驗進行性能認證。而低壓電器的壽命很難進行評價。模糊識別方法，從考慮產品性能的角度出發，將動態測得的反映性能的特性指標作為模糊識別的變量特征值，能夠建立評估電器性能的模糊識別模型[5] 。

2.4 人工智能在電力系統無功優化中的應用

無功優化是保證電力系統安全，提高運行經濟性的手段之一。通過無功優化，可以使各個性能指標達到最優。但是無功優化是一個復雜的非線性問題[6] 。

人工智能算法能應用于電力系統無功優化。如改進的模擬退火算法，在求解高中壓配電網的無功優化問題中，采用了記憶指導搜索方法來加快搜索速度。模式法進行局部尋優以增加獲得全局最優解的可能性，能夠以較大概率獲得全局最優解，提高了收斂穩定性。禁忌搜索方法尋優速度較快，在跳出局部最優解方面有較大優勢。遺傳算法在解決多變量、非線性、離散性的問題時有極大的優勢。要求較少的求解信息的，模型簡單，適用范圍廣。

2.5 人工智能在電力系統繼電保護中應用

自適應型繼電保護裝置能地適應各種變化，改善保護的性能，使之適應各種運行方式和故障類型。它能夠有效地處理各種故障信息，獲得可靠的保護。

借助于人工智能技術不但能夠提取故障信息，還能利用其自學習和自適應能力，根據不同運行工況，自適應地調整保護定值和動作特性。

2.6 人工智能在抑制電力系統低頻振蕩的應用

大規模電網互聯易產生低頻振蕩，嚴重威脅著電力系統的安全。人工智能為電力系統低頻振蕩的控制提供了技術支持。神經網絡、模糊理論、GA等人工智能技術應用于FACTS控制器和自適應PSS的研究，為抑制電力系統低頻振蕩提供了新的手段。

3、人工智能在電力系統中存在的前景

作為一門交叉學科，人工智能將隨著其他理論的發展而進入新的發展階段。應用新方法解決問題，或促進各種方法的融合，保持簡單的數學模型和全局尋優情況下，尋求到更少的運算量，提高算法效率，將是未來發展的趨勢。

隨著電力系統的發展，電力系統的復雜性不斷增加，不確定因素越來越多。隨著人工智能技術的不斷發展和提高，利用人工智能技術來解決電力系統的問題將會受到越來越多的重視。

4、結語

隨著我國電力系統的持續穩步發展，電力系統數據量不斷增加，管理上復雜程度大幅度增長，市場競爭的加大，為人工智能技術在電力系統的應用提供了廣闊前景。

但人工智能技術的基本理論還不成熟，只是停留在仿真和實驗階段。人工智能的開發是一個長期的過程，需要不斷改進和完善，并在實際應用中接受檢驗。

參考文獻：

[1] 馬少平,朱小燕. 人工智能[M]．北京：清華大學出版社，2004

第9篇：人工神經網絡優勢范文

【關鍵詞】系統辨識 神經網絡 遺傳算法 模糊邏輯

一、引言

系統辨識屬于現代控制工程范疇，是以研究建立一個系統的數學模型的技術方法。分析法和實驗法是主要的數學模型建立方法。系統辨是一種實驗建立數學模型的方法，可實時建模，滿足不同模型建立的需求。L.A.Zadeh于1962年提出系統辨識的定義：在輸入、輸出的基礎上，確定一個在一定條件下與所觀測系統相等的系統。系統辨識技術主要由系統的結構辨識和系統的參數估計兩部分組成。

系統的數學表達式的形式稱之為系統的結構。對SISO系統而言，系統的階次為系統的機構；對多變量線性系統而言，模型結構就是系統的能控性結構指數或能觀性結構指數 。但實際應用中難以找到與現有系統等價的模型。因此，系統辨識從實際的角度看是選擇一個最好的能擬合實際系統輸入輸出特性的模型。

本文介紹一些新型的系統辨識方法，體現新型方法的優勢，最后得出結論。

二、基于神經網絡的非線性系統辨識方法

近年來，人工神經網絡得到了廣泛的應用，尤其是在模式識別、機器學習、智能計算和數據挖掘方面。人工神經網絡具有較好的非線性計算能力、并行計算處理能力和自適應能力，這為非線性系統的辨識提供了新的解決方法。

結合神經網絡的系統辨識法被用于各領域的研究，并不斷提出改進型方法，取得了較好的進展。如劉通等人使用了徑向基函數神經網絡對伺服電機進行了辨識，使用了梯度下降方法進行訓練，確定系統參數；張濟民等人對擺式列車傾擺控制系統進行了改進，使用BP神經對傾擺控制系統進行辨識；崔文峰等人將最小二乘法與傳統人工神經網絡結合，改善了移動機器人CyCab的運行系統。

與傳統的系統識別方法相比較，人工神經網絡具有較多優點：

（一）使用神經元之間相連接的權值使得系統的輸出可以逐漸進行調整；

（二）可以辨識非線性系統，這種辨識方法是通過神經網絡自身來進行，無需編程；

（三）無需對系統建行數模，因為神經網絡的參數已都反映在內部；

（四）神經網絡的獨立性強，它采用的學習算法是它收斂速度的唯一影響因素；

（五）神經網絡也適用于在線計算機控制。

三、基于遺傳算法的非線性系統辨識方法

遺傳算法是一種新型的求解最優算法，它的思想來源于資源遺傳學，結合了自然選擇的優點與數學概率性算法，具有諸多優點，如全范圍的搜索域、求取的解為全局最優和接受任意性質的函數，因此在各領域都有廣泛的應用。

雷旭升等人[5]使用了遺傳算法對小型無人飛行器的動力學模型進行高精度的構建，并對構建的系統進行了仿真，驗證了系統的有效性；趙靜等人[6]對人體能量代謝分析儀氣體流量系統進行了模型建立，使用遺傳算法解決了傳統系統辨識方法辨識時產生的較大時延和誤差較大的問題。

四、基于模糊理論的非線性系統辨識方法

近年來，模糊邏輯理論在非線性系統辨識領域中得到廣泛的應用，用模糊集合理論，從系統輸入和輸出量測值來辨識系統的模糊模型，是系統辨識的有效途徑。模型結構辨識和模型參數預計是模糊建模的主要內容。常用的模型是T-S模型，T-S模型具有計算速度快、結構模型易觀、逼近力強等特點。

趙宏偉等人[7]提出了一種基于系統辨識的自適應網絡模型，建立T-S推理模型系統，并應用于磨礦控制領域；李超順等人[8]針對水輪機調節系統的復雜性、非線性和難以用明確數學模型表達的特點，建立了該系統的T-S模型，實現了模糊模型結構的自適應優化；葉劍斌[9]等人針對了現有算法中容易出現的維數災難，同時將模糊語言理論和支持向量機的方法結合，提出了一種組合方法，提高了函數逼近的能力。此外，還有一些綜合上述三種方法的組合型辨識的方法。

五、結語

近年來，系統辨識的方法得到了不斷的發展，系統辨識已經成為了現代控制工程領域中十分重要的技術與研究方向。隨著人工神經網絡、模糊邏輯理論、遺傳算法、人工智能理論的成熟發展，越來越多的新型非線性系統辨識方法被不斷提出，且在實際工程應用中得到了有效性驗證與較好的效果。但對于現實工程中結構復雜的各種系統難以找到一個統一的系統辨識方法，因此研究需要更多的新型非線性系統辨識方法去解決實際工程應用中出現的問題。對傳統的系統辨識方法進行不斷完善將是系統辨識未來的發展方向。

參考文獻：

[1]王樂一，趙文. 系統辨識：新的模式、挑戰及機遇[J].自動化學報，2013，39（9）：933-942.

[2]劉通.基于RBF神經網絡的某交流伺服系統辨識研究[J].機械制造與自動化，2013，（2）：113-115.

[3]張濟民，王開文，池茂儒.基于BP神經網絡擺式列車傾擺控制系統的辨識[J] .機床與液壓，2003，（5） ：33-35.

[4]崔文峰，史儀凱.移動機器人的鍵合圖建模與參數辨識[J].機械科學與技術，2012，31（7） ：1062-1065.

[5]雷旭升，白浪.基于自適應遺傳算法的小型無人旋翼機系統辨識方法[J].機器人，2011，33（5）：528-532.

[6] 趙靜，郭巧，王萍.基于遺傳算法的人體能量代謝分析系統辨識[J] .控制工程，2004，11（1）：17-19.

[7] 趙宏偉，齊一名，臧雪柏等.基于系統辨識與T―S模糊神經網絡的磨礦分級控制[J].吉林大學學報：工學版，2011，41（1） ：171-175.