神经网络基本原理精选(十四篇)

序言：作为思想的载体和知识的探索者，写作是一种独特的艺术，我们为您准备了不同风格的14篇神经网络基本原理，期待它们能激发您的灵感。

篇1

关键词：BP神经网络；数字识别；特征提取

中图分类号：TP183 文献标识码：A 文章编号：1009-3044（2013）14-3362-04

1 概述

数字识别在车辆牌照识别、银行支票识别和邮政储蓄票据识别等领域有着广泛的应用，因而成为研究人员近年来研究的一个焦点[1]。而人脑神经系统模型的建立为人工神经网络的产生提供了理论模型依据， 使其具有模拟人脑部分形象思维的能力[2]，因而使其成为人工智能技术的重要组成部分和常用方法。人工神经网络由简单信息处理单元相互连接组成，通过简单处理单元间的相互作用来实现对其所接收信息的处理。而随着人工神经网络技术的快速发展，其为解决模式识别邻域的相关问题提供了新的解决思路和方法，其突出的优点在于它具有对接收信息可进行并行分布式处理能力和自我学习反馈能力，因而吸引了众多研究人员对其进行广泛和深入的研究。而误差反向传播网络（Back-Propagation），即BP神经网络，是一种典型的人工神经网络，它具有人工神经网络的所有优点，因而在众多技术邻域有着广泛的应用[3]。该文首先对BP神经网络的基本原理进行了详细介绍，在分析了其基本原理的基础上，针对数字识别问题，设计了一种利用BP神经网络技术进行数字识别的方法。经实验表明，该方法合理可行，且其识别效果正确有效。

2 相关原理与知识

由于本文针对数字识别问题，利用BP神经网络技术对其进行方法设计和实现，首先必须了解BP神经网络的基本原理，即了解其具体构成形式、模型分类和其功能特点。其次，在了解了BP神经网络基本原理的基础上，进一步了解其所处理数据的特点和组成形式，并根据处理数据的特点和其数据结构设计相应的数字识别方法。下面分别对它们进行详细的介绍。

2.1 BP神经网络基本原理

BP神经网络算法由数据信息流的前向计算，即正向信息流的正向传递，误差信息的反向回馈两个部分组成。当信息流进行正向传递时，其传递方向为从输入层到隐层再到输出层的顺序，器每层神经元所处的状态只会影响下一层神经元的状态。若在最后的输出层没有得到理想的输出信息，则应立即进入误差信息的反向回馈过程[6]。最终经过这两个过程的相互交替运行，同时在权向量空间使用误差函数梯度下降策略，动态迭代搜索得到一组权向量，使得该BP神经网络的误差函数值达到最小，从而完成对信息提取和记忆过程[7]。

2.2 BMP二值图像文件数据结构

由于本文处理的数据源为BMP二值图像，则必须了解其数据结构，才能对其进行进一步的识别方法设计。由数字图像处理基础知识可知，常见BMP二值图像文件的数据结构由以下三部分组成：（1）位图文件头，其包含了BMP二值图像的文件类型、文件大小和位图数据起始位置等信息；（2）位图信息头，它包含了BMP二值图像的位图宽度和高度、像素位数、压缩类型、位图分辨率和颜色定义等信息；（3）位图数据体，其记录了位图数据每一个像素点的像素值，记录顺序在扫描行内是从左到右，扫描行之间是从下到上。因此，根据BMP二值图像数据结构信息，读出所需要的图像数据，并对这些图像数据做进一步的处理。在本文给定的训练图像中，图像数据大小为80个字节，而图像数据体距离其文件头的偏移量为62个字节。但为了减少数据处理数量，该文在进行实验时直接使用位图数据体中的数据，没有通过读出位图文件头来得到位图数据体中的数据。

3 数字识别具体设计方法

由上文可知，该文使用数据源为图像大小为20*20的BMP二值图像，由于是对位图数据体的数据直接进行操作，因此省去了对图像其他数据结构数据的繁杂处理过程，将问题的核心转向BP神经网络的设计方法步骤。

4 实验结果

图4所示为BP神经网络训练及测试结果图。该文选择10个训练样本，通过实验结果可以看出，由这10个训练样本训练出来的BP神经网络对于训练样本中的图像数值识别率达100%，训练时间也比较短，其迭代次数大概为700次左右。对于一些含有噪声的图片，只要噪声系数小于0.85个字符，其数字识别率可达96%。

5 结束语

针对二值图像数字识别问题，该文在对BP神经网络的基础理论进行分析后，设计了一种基于BP神经网络的数字识别方法，并通过实验验证了该BP神经网络用于数字识别的可行性和有效性。而对于BP神经网络存在的收敛速度慢、易陷入局部最优和学习、记忆具有不稳定性等问题，还有待于对其进行一步研究。

参考文献：

[1] 韩力群.人工神经网络教程[M].北京：北京邮电大学出版社，2006.

[2] 吕俊，张兴华.几种快速BP算法的比较研究[J].现代电子技术，2003，24（167）：96-99.

[3] 陆琼瑜，童学锋.BP算法改进的研究[J].计算机工程与设计，2007（10）：96-97.

[4] Sven Behnke，Marcus Pfister.A Study on the Combination of Classifiers for Handwritten Digit Recognition，2004.

[5] 马耀名，黄敏.基于BP神经网络的数字识别研究[J].信息技术，2007（4）：87-88.

[6] Hasan soltanzadeh.Mohammad Rahmati.Recogniton of Persian Handwritten Digits Using Image Profiles of Multiple Orientations[J].Pattern Recognition Leaers，2004（15）.

[7] 吴成东，刘文涵.基于粗网格神经网络的车牌字符识别方法[J].沈阳建筑大学报，2007，23（4）：694-695.

篇2

关键词：建筑电气设备故障；模糊理论与神经网络；设备故障诊断专家系统

中图分类号：TP207 文献标识码：A DOI：10.11974/nyyjs.20160132074

随着当今社会经济的不断发展，人们对生活品质的追求越来越高，电气设备变得多样化和先进化，不同区域间联系更加紧密，而在给人们的生活带来便利的同时，简单的人工故障诊断方法已经无法满足结构日益复杂、功能日益完善的电气系统，建立电气设备控制系统智能故障诊断专家系统已经成为目前能满足社会需求的选择。近年来，模糊理论被广泛的应用于建立故障诊断神经网络，将模糊系统与神经网络技术结合而形成的故障诊断技术也正在发展和应用。

1 建筑电气设备常见故障类型及危害

1.1 电气设备常见故障类型

1.1.1 电源故障

1.1.2 线路故障

1.1.3 元器件故障

1.1.4 防雷接地处理故障

1.2 电气设备故障危害

电气设备的运行需要很多电器元件的相互配合，产生故障通常是因为电能或控制信息在传递、分配、转换过程中失去控制。断路、短路、异常接地、漏电、电气设备或电器元件损坏、电子设备受电磁干扰而发生错误动作、控制系统元件的偶然失效都属于电气设备故障[1]，而这些故障也很有可能造成大范围的人员伤亡以及造成严重的财产损失，一旦发生，也会造成其他相关领域不同程度的瘫痪。由此可见，电气设备出现故障的概率较高，危害范围也比较大。

2 神经网络与模糊理论

神经网络是一种模仿动物神经网络行为的特征，进行分布式并行信息处理的算法数学模型[2]。这个模型可以根据不同系统自己的特征来选择处理不同信息的方式，在很多不同领域都有比较广泛的应用，当然，它本身也有一些缺陷，比如它不能求解不确定性问题、不能处理符号性信息等，因此，它需要结合其它相关理论和方法来弥补自身的不足，以便更好地解决特定领域中的问题。

模糊理论是指用到了模糊集合的基本概念或连续隶属度函数的理论[3]。模糊控制是一种基于规则的控制，它可以直接采用语言型控制规则，在设计过程中不需要建立被控对象的精确数学模型，控制原理和策略通俗易懂，便于人们接受与理解，控制效果好，具有一定的智能水平，应用起来很方便，适用于对那些数学模型难以获取、动态特性不易掌握或变化非常显著的对象。模糊控制器是一种比较容易控制、掌握起来比较理想的非线性控制器，具有一定的适应能力和强健性。

将模糊系统与神经网络技术相结合而形成的模糊神经网络可以作为对电气设备进行故障诊断的模型，这一技术的提出为电气设备故障的诊断带来发展和进步，模糊理论被广泛的应用于建立故障诊断神经网络，这2种理论的结合将会给故障诊断研究提供解决思路，值得推广应用[4]。

3 建立电气设备故障诊断系统

由于电气设备故障机理的复杂性，系统在实际运用过程中，可能会发生随机故障模式，故障征兆信息的正确与否直接关系到故障诊断的正确性，因此利用现有的电气设备系统控制平台，对电气设备控制系统的信号进行实时采集和及时与PC 机进行通信，建立电气设备控制系统故障诊断系统便显得特别重要。

3.1 BP神经网络模型

BP（Back Propagation）模型是一种最常用的人工神经网络模型，它的基本原理为利用误差反向传播算法，从而得到多层前向神经网络模型。在故障诊断方面使用BP模型在一定条件下能够加强工作效率，使得故障诊断问题变得更加直观。利用模糊理论与神经网络相结合的模糊神经网络解决建筑电气设备故障的诊断，是一种智能化控制的手段，也将逐渐发展成为未来的趋势[5]。其模型原理图如图1。

要建立模糊神经网络系统，要根据相关理论或实际工作中的经验，将故障现象和故障原因相对应，作为系统的学习样本。按照输入与输出相对应的关系输入学习样本，系统经过内部的算法不断提高精度，当精度达到设定的要求时，模糊神经网络系统的学习过程结束。此时，将测试样本的输入数据放入系统输入端，如果输出数据与测试样本基本相同，那么模糊神经网络系统建立成功。

在模糊神经网络系统的实际使用时，必然会遇到输入数据与样本不同的状况。根据内部算法，系统将会找到与学习样本最相似的一组数据作为参考，自主得到输出数据。与此同时，如果系统自主算出的结果得到采纳，那么这组数据将会做为新的样本存入数据库，成为参考数据。

3.2 BP学习算法

目前，BP算法是应用很广泛、完善性比较高的神经网络训练算法，方便、容易实现、计算量小、并行性强是这个方法领先其他算法的优势。BP算法的基本原理[6]为先求解误差函数的最小值，根据梯度下降法，按误差对权值做负反馈。

BP算法需要依次根据输入对输出进行矫正，也就是对每组数据都要计算比对。然而，全局误差的梯度下降算法，要求连接权和阈值的矫正是在批量进行学习样本的输入之后再进行的，所以要修改各个连接权值。利用梯度下降法来修改各个连接权值，以便达到近似全局误差的算法效果。全局误差梯度下降算法流程如图2所示。

4 结 语

电气设备的故障诊断已经成为值得重视的问题，为保证运行系统能够正常运行，因此需要建立起更加科学完善的电气设备管理系统，逐渐减少电气设备运行出现故障的可能性，保障电力系统的稳定能力，本文简单介绍将模糊理论与神经网络结合，更好的解决电气设备故障问题，结合传感器检测技术、自动控制技术、通信与网络技术等方法，建立电气设备控制故障诊断系统，希望可以早日应用到生活中的建筑电气设备故障诊断中去。

参考文献

[1]电气设备及控制电路常见故障分析[EB]. 电工学习网.

[2]田景文.人工神经网络算法研究与应用[M]. 北京理工大学出版社，2006.

[3]诸静.模糊控制原理与应用[M].机械工业出版社，1995.

[4]龙祥，钱志博.模糊理论在设备故障诊断神经网络中的典型应用[J].广东工业大学学报，2006.

[5]陈流豪.神经网络BP算法研究综述[J].电脑知识与技术，2010.

篇3

摘要：工程造价估算是招标投标中的重要一环，探寻一套快速、简捷、实用的工程造价估算方法已经成为建筑行业的迫切需要。为了建设工程造价估算技术的发展及文联面临的问题，提出在建设工程造价估算技术系统中应用人工神经网络技术来提高估算精确度，并且给出系统的设计模型。

关键词：人工神经网络；工程造价；造价估算

人工神经网络（ArtificialNeuralNetworks，简写为ANNs）也简称为神经网络（NNs）或称作连接模型（ConnectionistModel），它是一种模范动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。人工神经网络具有自学习和自适应的能力，可以通过预先提供的一批相互对应的输入－输出数据，分析掌握两者之间潜在的规律，最终根据这些规律，用新的输入数据来推算输出结果，这种学习分析的过程被称为“训练”。

一、神经网络的建立

虽然人们还并不完全清楚生物神经网络是如何进行工作的，但还是幻想能否构造一些“人工神经元”，然后将这些神经元以某种特定的方式连接起来，模拟“人脑”的某些功能。

在1943年，心理学家W. McCulloch和数学家W. Pitts合作，从数理逻辑的角度，提出了神经元和神经网络最早的数学模型（MP模型），是神经网络研究的开端，更为后面的研究发展奠定了基础。经历了半个多世纪，神经网络度过了萌芽期、第一次期、反思低潮期、第二次期、再认识与应用研究期五个阶段。目前，神经网络已成为涉及多种学科和领域的一门新兴的前沿交叉学科。

神经元分为分层网络和相互连接型网络。所谓分层网络，就是一个网络模型中的所有神经元按功能分层，一般分为输入层、中间层（隐含层）、输出层，各层按顺序连接，隔层之间均采用的是全互连接，但对于同一单元间，不互相连接。分层网络可细分为简单前向网络、反馈前向网络和层内互相连接的网络。人工神经网络结构是一种多层的网络结构，一个典型的前向网络。

某个神经元 j 的输入―输出关系为

其中，θj为阀值，ωji为连接权，f(•)为变换函数，也称活化函数(activation function)

对于人工神经网络模型，我们只可能在某种程度上去描述我们所了解的情况。同样，人工神经网络也只可能是在某种程度上对真实的神经网络的一种模拟和逼近。

二、在工程造价中的运用

成都市工程造价计价模式后选取了基础类型、结构类型、工期、层数、建址、层高、内装修、门窗、单位造价等10个影响工程造价和工程量的特征作为模型的输入。考虑到各个工程中门和窗数量差别很大为提高估算的精度我们把门数量和窗数量作为输入，其数量在工程施工图纸上很容易查得，不需作复杂的计算。对于其他文字性表达的工程特征需转变成数字后作为网络的输入。

很明显的看出，测试样本总体误差率比较小，平均误差为283%，基本满足估算要求，随着工程资料的不断积累，选取有代表性的数据作为样本，误差将不断缩小。

意义：

通过这次研究，我们了解了人工神经网络的基本原理，即通过误差反向传播建立多层前馈网络的学习收敛过程,该过程主要包括三个层次,即输入层、隐含层和输出层。在训练中通过计算输出值与期望值之间的误差,来求解输出层单元的一般化误差,再将误差进行反向传播,求出隐含层。并了解了基于人工神经网络之上的建设项目的投资估算模型，了解了平滑指数法、类比系数法、模糊数学估算法的基本原理与其自身的优势与不足，也让我们更深刻地认识到，人工神经网络，作为90年代逐渐被运用的人工智能技术之一，能像一个经验深厚的造价师，根据工程类型、特征及其相关情况,结合数据和经验,准确的估算出其造价。我们也通过计算验证了模型的可行性。对于我们从事建筑造价的大学生来说，是一次难能可贵的研究机会，能够较深层次的了解行业中的专业知识。随着中国改革开放和市场经济的不断深入，中国建筑企业在面临很好的机遇的同时，也面临着严峻的考验。现在的市场竞争机制已表现得越来越明显，他要求我们提高效率，尽快拿出自己招投标方案，但是传统的预算方法以及现行的计算软件都必须花费较长的时间才能计算出结果，而且计算的结果准确度还不是很高。怎样解决这个问题，成了建筑界的热门话题。同时作为建设方的业主，他们同样对快速预算很感兴趣。因为确定工程造价是建设工作中十分重要的一环，在不同阶段有着不同的方法。如建设前期的工程造价估算、初步设计阶段编制概算、施工图设计阶段编制预算，特别是建设前的估算是我们工作的重点，因为它是我们进行成本控制的起点。对于建设单位而言，它们不仅能在进行设计招标之前大致确定该工程的造价，而且还能在工程施工招标前定出合理的标底。可见快速预算有其很现实的发展研究背景。近几年许多学者都在这方面努力探索，并取得了很好成果。 神经网络和模糊数学的快速发展应用为工程快速预算提供了很好的思路。我们通过查阅资料了解了模糊数学和神经网络的结合原理，认识了基于模糊神经网络和工程预算原理的工程快速估价的模型，并通过住宅建筑估价模型的建立，说明模型的实现方法且验证其实用性。这次研究对于行业经验不足的我们十分宝贵，我们通过书籍等资料更加全方位的了解了我们未来所讲从事的行业的知识，为我们以后的工作做了良好的铺垫，积累了宝贵财富，我们将在了解这些专业知识之后熟练地运用，以更好地促进行业的发展。（西华大学；四川；成都；610039）

参考文献：

① 汪应洛、杨耀红，工程项目管理中的人工神经网络方法及其应用［J］.中国工程科学.2004,6(7):26-33.

② 袁曾仁，人工背景：神经网络及其应用［M］清华大学出版社，1991

篇4

【关键词】传感器；数据融合；智能小车；避障

1.概述

智能小车实际上是一类轮式移动机器人，其运行原理是依据单片机程序来自动实现行使、转向、加速等运动形式。因此对智能小车运动方式的控制属于机器人学的范畴。对智能小车运动轨迹的控制主要依赖于传感器的信息采集技术和智能控制技术。而在智能小车的运动轨迹控制问题中的一个重要问题是如何实现其自动避障。要完成这一任务，需要解决两个方面的问题，一是利用传感器准确的收集小车所在的环境信息，二是将环境信息自动处理后变成控制信息。实践表明，采用的单一的传感器技术已经不能满足收集充足环境信息的需要，而需要多种类型的传感器相配合，从而获得准确的环境信息。对这些通过多种类型传感器获得的环境信息的处理需要实现不同数据的之间的整合，即需要利用多传感器的数据融合技术。常用的数据融合技术如传统的卡尔曼滤波法、D-S证据推理等，但其核心思想是一致的，即通过对多种信息的融合来实现对目标的识别和跟踪。采用基于多传感器的数据融合技术已经成为智能小车避障控制中的重要研究方向。在本文中将以多传感器的数据融合技术为基础，研究智能小车的避障问题。

2.基于多传感器的数据融合

基于多传感器的数据融合技术需要处理来自多个传感器的实时数据，并进行快速的处理。从传感器获得数据的类型来看，这些数据代表不同的物理含义，如速度、距离、角度等，数据类型和特征也不尽相同，分属于不同的层次，因此对来自多个传感器的数据融合实际上要完成对多层次数据的综合评定，这必须依赖于一定的数据融合结构。

2.1 基于多传感器信息的融合结构

从现有的研究成果来看，基于多传感器信息的数据融合结构主要有四种形式：无反馈分布式融合、反馈分布式融合、集中式融合和反馈并行融合，各类融合结构的主要特点分别为：①无反馈分布式融合。无反馈分布式融合模式需要对每个传感器的数据都进行滤波分析，并完成对各传感器的局部信息融合，最后再实现对多个传感器数据的融合。这类数据融合方式的优点是不需要太大的通信开销，融合速度较快，所需的存储空间也较小。②反馈分布式融合。反馈分布式融合的基本原理和无反馈分布式融合类似，但每个传感器多了一个信息反馈通道，可提高预测和状态估计的精度，但需要更大的通信开销。③集中式融合。集中式融合的主要特点是对所有传感器采集的信息进行状态的估计和预测，通过对每个传感器采集信息的检测判定来实现对所有传感器信息的综合判定。由于采用了所有传感器的全部信息，因此这类融合方法的精度较高，但也需要更高的硬件配置。④反馈并行融合。这类数据融合结构综合了以上三类融合结构的优点，对局部、整体的数据处理效率和精度都很高，但对硬件和数据关联技术等要求也较高，是一类重要的研究方向。

2.2 基于多传感器信息的数据融合方法

基于多传感器信息的数据融合方法主要分为两类，一是基于概率统计的方法，如统计决策法、贝叶斯法等，二是人工智能方法，如模糊控制法、人工神经网络、D-S证据推理等。每种方法可参考有关文献，此处不再一一详述。

3.模糊神经网络基本原理

模糊神经网络是模糊控制理论和人工神经网络理论的耦合技术，能够有效的处理对经验性依赖较高的问题，并能广泛的适用于无法精确建模的系统。而人工神经网络则能够具备自学习能力和快速求解能力。通过模糊控制和人工神经网络的结合，能够形成函数估计器，有效的处理模糊信息和完成模糊推理，其性能比单一采用模糊控制或人工神经网络控制效果更优。模糊神经网络的基本原理为：①定义若干各模糊集合，并形成对应的控制规则。定义神经网络的层次(一般分为三层)和节点数量。②定义输入层。将输入层中的节点与输入向量分量之间实现连接。③定义隶属函数层。以语言变量值构成隶属函数层的节点，与输入层的连接权值固定为1，节点阈值为0。④定义规则层。每一条模糊控制规则定义为一个节点，节点的输出为隶属函数的输出。

4.实例应用

4.1 硬件

在本例中，智能小车所采用硬件平台为STC89C52型单片机，动力系统为AUSRO马达130，驱动芯片型号为TA7267，驱动芯片与单片机相连，其输出端和马达直流电机连接，从而实现对小车的方向控制，小车通过两轮驱动。

小车采用的传感器有两种类型：超声波测距系统和红外传感器系统。超声波测距系统的型号为TCT40-10T/R，红外传感器的型号为索尼CX20106。

4.2 传感器数据融合规则

在采用了5路超声波测距系统后，基本上可以对小车周围的障碍状况有比较可靠的了解，红外传感器的作用是为了弥补超声波测距系统的盲区。对这两类传感器所采集数据的处理方式为：①超声波测距系统和红外传感器同时工作；②若红外传感器的有效探测距离内发现障碍，以红外传感器的数据为准；③其他情况以超声波测距系统的探测值为准。

对5个方向的超声波测距的数据所采用的数据融合流程为：开始选择通道发射超声波盲区延时接收信号计算小车与障碍之间的距离数据融合选择小车动作。数据的融合技术采用模糊神经网络法。

4.3 模糊神经网络的构建

结合智能小车避障控制的需要，在小车车身配置5个超声波系统和一个红外系统，分别完成对前、左、左前、右、右前5个方向的测量，因此模糊神经网络共需要建立起5个输入和2个输出的网络结构。各个输入量的物理含义为小车在上述5个方向的与障碍的距离，神经网络的输出量为小车的前进和停止。以红外传感器采集的数据作为小车运动控制的开关量。隶属函数层的函数形式采用高斯型，模糊语言变量分别为｛“远”、“近”｝，因此结合第一层的5个输入，共构成10个神经元。结合输入层和隶属函数层的情况，输出层的神经元数量为2的5次方，共32个神经元。

4.4 模糊控制规则和样本训练

(1)模糊控制规则

模糊控制规则体现的是人为控制经验的总结，分别对5个方向的超声波探测到的距离信息为基础来控制小车的转向。其基本原则为，若距离障碍较近，则小车停止前进，若距离障碍较远，则小车继续前进。分别以F表示前进、TF表示左转、TR表示右转、在实际控制规则中，共有9条，这里仅举一条来进行说明：若前方障碍较近，且左、左前、右、右前距离障碍较远，则小车左转。将上述规则转换为模糊语言后，即可获得具体的控制规则。具体转换方式可参照有关文献。

(2)模糊神经网络的训练样本

依据上述模糊神经网络的基本组成方式，其模糊输入范围的论域为[0,5]，以高斯型隶属度函数来划分距离远近的模糊集合。训练样本的数据量较大，因此这里不便一一列出，神经网络的训练方法可参照有关文献。

4.5 运行效果

在上述的步骤完成后，对小车的避障能力进行了实际验证。实验表明，利用超声波测距系统结合红外传感器后，以模糊神经网络融合上述两类传感器采集的数据可有效的实现智能小车的避障运动。

参考文献

篇5

【关键词】GPS；高程异常；BP神经网络；拟合模型

Research on the Models of GPS Height Fitting Based on BP Neural Network

Li Yongquan

【Abstract】International and domestic multifarious control nets in use of GPS’s positioning techniques are only to solve the horizontal coordinates, but the height still follow to use the geometric leveling.Therefore, The basic theory of neural network and algorithm of BP are described, Discuss the problem of GPS height fitting based on BP neural network by trials. BP neural network is a kind of nonlinear mapping for its inputs and outputs，BP neural network is a high precise method for translating height.

【Key words】GPS；height anomaly；back propagation neural networks； fitting models

1. 引言

GPS平面定位的精度目前已经可以达到毫米级，但相对于平面定位精度，GPS在高程方面的定位精度较低。 神经网络是一种高度自适应的非线性动力系统，神经网络的数学理论本质上是非线性数学理论，通过BP神经网络学习可以得到输入和输出之间的高度非线性映射，因此，使用神经网络可以建立起输入和输出之间的非线性关系。BP神经网络本身也是一种高精度的高程转换方法。

2. 神经网络的模型及BP算法

2.1 神经网络的模型

（1）生物神经元模型。神经元模型是基于生物神经元的特点提出的，人脑由大量的生物神经元组成，神经元之间互相有连接，从而构成一个庞大而复杂的神经元网络。神经元是大脑处理信息的基本单元，结构如图1。神经元由细胞体、树突和轴突三部分组成，其中突触是神经元之间的连接。细胞体是由很多分子形成的综合体，内部含有细胞核、细胞质和细胞膜。细胞体的作用是接受和处理信息。树突是细胞体向外延伸的纤维体，是接受从其他神经元传入信息的入口。轴突是神经元的信息通道，是细胞体向外延伸最长、最粗的树枝纤维体，也叫神经纤维。（2）神经元模型。神经元一般表现为一个多输入（多个树突和细胞体与其他多个神经元轴突末梢突触连接）、单输出（每个神经元只有一个轴突作为输出通道）的非线性器件，通用的结构模型如图2所示。

(3）神经网络模型。神经网络的神经元之间的互连模式有前向网络、有反馈的前向网络、层内有相互结合的前向网络和相互结合型网络四种。

前向网络神经元分层排列，组成输入层、中间层（隐含层）和输出层。每一层的神经元只接受来自前一层神经元的输入，后面的层对前面的层没有信号反馈。输入模式经过各层次的顺序传播，最后在输出层上得到输出。目前对前向网络得出的一致的结论是：甚至是单中间层网络，只要隐节点数目足够多，前向网络就可以通过训练学习样本，以任意精度逼近(或表达)期望目标。

2.2 神经网络BP算法

(1）BP（Back Propagation）网络模型结构。BP网络的结构如图4所示，BP网络具有三层或三层以上神经元的神经网络，包括输入层、中间层（隐层）和输出层。上下层之间实现全连接，而每层神经元之间没有连接。当一对学习样本提供给网络后，神经元的激活值从输入层经各中间层向输出层传播，在输出层的各神经元获得网络的输入响应。接下来，按照减少目标输出和实际输出之间的方向，从输出层反向经过各中间层回到输入层，从而逐层修正各连接权值，这种算法称为“误差反向传播算法”，即BP算法。

（2）BP算法的数学描述。BP算法基本原理是利用输出后的误差来估计输出层的直接前导层的误差，再用这个误差估计更前一层的误差，如此一层一层的反传下去，就获得了所有其他各层的误差估计。

BP网络学习规则的指导思想是：对网络权值和阈值的修正要沿着表现函数下降最快的方向――负梯度方向。

xk+1=xk-akgk(1)

其中xk是当前的权值和阈值矩阵，gk是当前表现函数的梯度，ak是学习速率。

三层BP网络，输入节点xi，中间层节点yi，输出节点zl。输入节点与中间层节点间的网络权值为wji，中间层节点与输出节点间的网络权值为vlj。当输出节点的期望值为tl时，模型计算公式如下。

中间层节点的输出：

yi=f(∑iwjixi-θj)=f(netj)(2)

输出节点的计算输出：

zl=f(∑jvljyj-θl)=f(netl)(3)

3. BP神经网络用于GPS高程拟合

3.1 山区高程异常拟合实例:以本溪GPS和水准资料作为样本来源，进行BP高程异常拟合。

通过山区高程异常拟合实例，对数据分析可以得到如下结论，学习样本数与测试样本数之比在1/4之间时网络稳定性较好。高程拟合的精度与学习样本数量有关，学习样本数越多，拟合精度就越高。

3.2 平原地区高程异常拟合实例:以某市D级GPS部分数据进行实验研究

通过平原地区高程异常拟合实例，对数据分析可以得到如下结论，学习样本数与测试样本数之比在 1/3 之间时网络稳定性较好。学习样本数对测试对象的精度也有着重要的影响，一般随着学习样本数的增多，中误差会有所改善。这主要是更多的学习样本就更能表述出所研究问题的一些基本特征，进而仿真的效果就能更好。

4. 结束语

重点研究基于BP神经网络的GPS高程异常拟合算法，详细介绍了人工神经网络基本理论，重点讨论了基于BP神经网络的GPS高程拟合，包括BP神经网络的基本原理、主要特点。分析了神经网络的BP算法，包括其数学模型、网络结构。构造了基于BP神经网络的GPS高程拟合模型，结合具体工程数据进行了神经网络性能分析。

参考文献

[1] 国家测绘局测绘发展研究中心.测绘发展研究动态[R].北京：国家测绘局，2008，8：1-7

[2] 李征航、黄劲松.GPS测量与数据处理[M].武汉：武汉大学出版社，2005，277-278

[3] 曹先革.基于人工神经网络的GPS高程异常拟合方法研究[D]，北京：中国地质大学，2008

[4] 徐绍铨．GPS高程拟合系统的研究[J]，武汉：武汉测绘科技大学学报，1999，24(4),11-15

[5] 阎平凡.人工神经网络与模拟进化计算[M]，北京:清华大学出版社，2000，5-6

[6] 徐丽娜.神经网络控制[M].哈尔滨：哈尔滨工业大学出版社，1999，1-40

篇6

1公路工程造价估算概述

1.1 公路工程造价估算的重要性

公路工程造价估算作为公路工程管理的重要组成部分其重要性主要体现在如下几个方面。

第一,公路工程造价的估算是实现工程成本控制的基础。其中工程施工前期造价估算、施工前的编制预算以及施工图设计阶段的编制预算等环节作为工程造价估算的核心,同样是公路工程施工成本控制的起点,因此,实现公路工程造价的合理估算是实现工程成本控制的重要前提条件。

第二,公路工程造价的估算可以为施工企业成本控制计划方案的制定提供重要的参考依据。施工企业通过工程造价的估算可以寻找到降低工程成本的有效途径,从而为工程施工过程中施工成本的控制提供正确的方向。

第三,公路工程造价的估算可以帮助施工企业在进行设计招标前可以确定工程的大致造价。这样一来,施工企业在招标的过程中就可以有效避免中间商的欺诈以及保标等恶意行为的发生。

1.2 传统公路工程造价估算中存在的问题

尽管工程造价估算在公路工程建设中越来越受到人们的重视,但是由于受各方面因素的影响,在传统公路工程造价估算中还存在一系列的问题,其中我国传统公路造价估算中主要存在如下几个方面的问题:一是相关规章制度的限制,造价估算结果往往与投标报价相差悬殊;二是预算结果与概算结果差距较大,不利于工程实际造价的控制和确定;三是缺少对工程造价估算的有效监督机制,从而使最终的造价结果变的十分不确定;四是由于各参与方利益的问题,在进行工程造价估算时很难早到平衡点,以至于造价估算精度不能得到有效的保证。

2认识模糊神经网络

2.1 模糊数学概述

(1)模糊数学的概念,我们通常说的模糊就是指一些模棱两可的、即可能又不可能、即是又不是的概念。而模糊数学就是要用数学的方法来表示那些模糊概念发生的可能性的大小,换句话讲就是明确那些模糊概念所处的状态,从而利用数学的思想来解决那些模棱两可的、不确定的实际问题。

(2)模糊数学的数学描述,一般模糊数学的数学描述,多采用的是类似与集合的数学表示方法。与集合的区别就在于模糊数学在表示集合元素时需要附带一个称为隶属函数值的参数,其中该参数的值是隶属函数与元素的值进行运算的结果。

2.2 神经网络概述

(1)神经网络的概念,所谓的神经网络是一个借鉴物理和生物技术来实现的用来模仿人类大脑神经细胞结构和功能的系统,与人类的大脑结构相似,它也由大量的模拟神经元所组成的,而且这些神经元之间相互连接,并行工作,作为一个系统协同完成一系列复杂的信息处理活动。

(2)神经网络的基本原理,神经网络在结构和功能上都是模拟人脑的神经系统来进行设计和实现的,它同时作为模拟生物神经元的一种计算方法,其基本原理是这样的,与生物神经元的基本原理相似,用那些具有突的网络结点来接受信息,并不断的将接受到的信息累加起来,这些信息有些是抑制神经元,有些则是激发神经元,对于那些激发神经元,一旦积累到一定的阈值后,相应的神经元便会被激活,被激活的神经元就会沿其称为轴突的部件向其它神经元传递信息,并完成信息的处理。

2.3 模糊神经网络概述

模糊神经网络是模糊数学和神经网络有效结合的应用研究成果。其中在模糊神经网络中模糊数学的应用体现在它可以根据那些假定的隶属函数以及相应的规律,用逻辑推理的方法去处理各种模糊的信息。

3模糊神经网络在公路工程造价估算中的应用

3.1 基于模糊神经网络的公路工程造价估算方法的实现

将模糊神经网络应用于公路工程造价估算方面,是近年来公路工程造价估算发展的特点和重点。从本质上来看,模糊神经网络就是一个系统,它即有输入又有输出,与公路工程的造价估算十分相似,因为公路工程造价估算就是在输入公路工程施工的一系列要求和特点后输出相应结果的,所以与模拟神经网络所提供的输入输出机制非常相似,其中结合模糊神经网络的原理,基于模糊神经网络的公路工程造价估算方法的实现过程如下。

第一，构建已施工公路工程的造价信息库,其中包括应经施工的公路工程的各种特征因素以及工程造价等其他各方面的材料。

第二，结合拟建工程的施工需求来确定其包括评价指标等在内的各种特征因素的数据取值。

第三，按照模糊数学的思想法在已施工公路工程的造价信息库中选取若干个(至少三个)与拟建工程最相似的已施工的工程,将其作为神经网络进行学习和训练的基础数据。其中,将信息库中公路工程的各种特征因素值的隶属度作为神经网络的输入向量,信息库中公路工程的造价值作为神经网络的输出向量。

第四,将拟建公路工程的各种特征因素值的隶属度作为神经网络的输入向量,通过神经网络的学习后所得到的输出向量即为拟建公路工程的造价估算值。

第五,建立公路施工工程造价信息数据,编制神经网络学习的算法通用程序。将学习训练的基础数据输入神经网络,然后合理设计学习率,经过一定次数的迭代运算,有效提高公路工程造价估算结果的精度。

3.2 基于模糊神经网络的公路工程造价估算方法的优点

基于模糊神经网络的公路工程造价估算方法有效的克服了传统上工程造价估算方法的一系列缺点,与传统的工程造价估算方法相比,其显著优点就在于造价估算的迅速以及估算结果的精确。其中该方法的优点可以概括为如下几点。

第一,模糊神经网络中所采用的模糊数学可以对公路工程造价估算中的模糊信息进行有效的处理,通过对已竣工的公路工程和计划施工的公路工程的相似度进行定量化描述,从而使模糊的公路工程造价问题得以模型化。

第二,基于模糊神经网络的公路工程造价估算方法的估算结果科学合理,因为该方法采用的是基于数学模型的数学计算分析,所以其结果受人为因素的影响较小。

第三,模糊神经网络中所采用的神经网络模型对公路工程造价的估算具有很好的适应性,与传统的造价估算方法相比,该方法能更好的适应公路工程造价的动态变化。

第四,基于模糊神经网络的公路工程造价估算方法是借助计算机来完成的,所以还具有运算速度快和运算精度高的优点。

4结语

由于影响公路工程造价的因素比较多,而且各因素的构成比较复杂,计算相对繁琐,所以公路工程的造价估算具有很大的模糊性。对于使用传统的工程造价估算方法而言,公路工程造价的估算将是一项非常复杂的工作。然而结合模糊数学和神经网络的理论思想,利用工程之间所存在的相似性,使用基于模糊神经网络的公路工程造价估算方法可以迅速的得出精确的工程造价估算结果。

篇7

1．1采用计算机模拟技术建立模拟模型

对BP神经网络模拟模型建立的基础，人们是这样认为的，因为影响工程造价的因素，大多数人们都是没办法确定的，所以我们不需要把这个值具体是多少确定下来，而是从另一个方面考虑，根据这个项目的基本情况，估计实际的造价落在某个范围的机会会大一些，这个思想就是计算机模拟技术建立模拟模型的理论基础。

1．2人工智能模型

工程造价估算专家系统，是通过人工智能，加上知识库技术而建立起来的，可是这种人工智能模型主要靠专家的知识，来对工程造价进行估计计算的，但是估算的结果是被估算人员的主观意识所影响的，不同专家的性格，知识面的宽窄，经验丰富与否、都是不确定因素，几乎可以会所不一样的估算专家所得出的结果都不会一样。这种方法很容易带有个人偏见和片面性。受专家的主观偏见性较强。

2BP神经网络模型构造与算法

2．1人工神经网络的基本原理

1985，D•E•Rumelhart等人组成的PDP小组提出的一种神经网络模型，这就是我们今天所说的BP神经网络，BP神经网络结构是利用误差反向传播来消除误差的，它有三个层次，有一个输入层，第二个是隐层，最后一个当然就是输出层。在训练估算中，我们可以通过计算输出值和我们预期的期望值，他们之间所产生的误差，逆向思维，去求解输出层单元的一般化误差，然后再把误差进行反向传播，把隐含层单元的一般化误差求解出来，并最终调整输出层和隐含层，包括输入层之间的连接权，还有连接权与隐含层和输出层的阈值，最终目的就是让系统误差达到我们可以接受为止。当先前的系统误差达到我们所需求的时候，权值和阈值就变成了固定不变的了，这样我们再通过反向逆推，就可以测出我们这个项目的未知信息。这就是人工神经网络的基本原理。

2．2BP神经网络模型建立的步骤

(1)我们首先确定模型输入层，隐含层还有输出层的神经元个数。并且以此为依据，确定BP神经网络模型的结构参数;(2)神经网络只能处理－l～l之间的数据，所以在输入网络时，我们不仅需要对原始数据进行规范化处理，还要对隐含单元和各个单元输入信息进行求和;通过反向逆推之后得到本单元的输入信息。所以对原始数据，隐含单元输入模块规范化细致化是非常重要的;(3)隐含单元的输出值可以根据神经网络操作模型得出，只要我们把net信号经过一次激发函数的处理，可以得到这个隐含单元的输出值;(4)对于输出单元节点，我们只要对前一层的隐含层单元输入信息，并且加权求和后，就能得到该单元的输入信息。操作起来非常方便快捷;(5)对权矩阵的调整，因为人工神经网络可以近似实现任意空间的数学映射。所以我们假设，如果神经网络输入单元数为M，输出单元为N，则在m维欧式空间尺中会有一个有界子集A，存在着一个到n维欧式空间，那么R中一个有界子集F(A)的映射。

3基于BP神经网络的工程造价估算模型

3．1定量化描述工程特征的因素

什么是工程特征，在BP神经网络中所说工程特征，就是指不但能表示工程特点，而且还能反映工程的主要成本构成的重要因素。，我们可以通过参照历史工程资料的统计和分析，进行工程特征的选取工作。选取完成之后，再根据专家的经验来确定，这样就可以万无一失了。首先我们可以通过典型住宅工程的造价组成进行分析，然后对建筑结构参数的变化和别的工程做一下对比，通过以上两点得出的结果，分析这些因素对造价的影响，依照以上的理论方法，我们进行了实践性的研究，最终把础类型，结构形式，建筑层数，门窗类型，外墙装饰还有墙体材料以及平面组合等，这7种因素作为工程的主要特征。不同的建筑工程有着不同的类型，比如说结构，可以是砖混结构和框架结构等;砖条基和钢筋砼条基础等都可以作为基础特征，对于这样的特征选取的多样性我们称之为特征类目，通过工程特征不同类目的列举，再跟据定额水平，工程特征对造价影响的相关性，这些对平方米造价的改变，对工程定量化的描述可以主观的给出对应的量化数据。

3．2建立估价模型

工程造价估算的指标体系到该项目的单位造价的非线性映射，就可以统称为是建设项目工程造价的估算问题。BP网络可以根据人们的需求以任意的精度去逼近任意映射关系，究其原因就是上文说的BP网络采用的是三层BP神经网络结构，不同于其他的电脑估算网络。不仅是因为该模型的输入单元为7个，还有他们的项目样本特征也不尽相同。神经网络可以根据已经经过我们优选的模型特征，做为参考估算要素，然后再通过项目工程造价估算中，我们所提供的一定数量的已知样本，采取对样本的神经网络训练，最后根据以往的大的数据库，提取类似的项目估算值，然后才能对其它特征的项目进行估算。这样我们只需要输入指标体系的各指标值，BP神经网络就可以在该项目的单位造价的非线性映射中给出该项目的单位造价。

3．3检测结果的分析

上面我们通过大量的实际实验得知了这两个固定不变的数字，然后我们可以用程序值被收敛后的网络，对现在要进行求解的数据进行检测，在测试后，如果发现总体误差比率较小，那么就满足我们初步设计的概算需求了，同时对工程可行性研究的投资估算需求也已经基本符合了，这些结果能有好的保证，全是依赖我们所选择的模型的宽度够用，模型在所有的因素中具有广泛的代表性。所以估价模型的计算才较为成功。几个工程估算的好坏也不能代表所有的项目都是完美的，也有个别工程造价估算误差大，因为电脑毕竟是人在给其输入程序，电脑的经验，还有就是对一些特征的学习不够用，本身的知识储备还是有局限性的。因为对样本数量的学习始终是有限，不可能面面俱到，而且挑选的样本也不可能针对这个工程而言都是符合这个项目的特性。虽然说BP神经网络模型有这样无法控制的缺点，但是和其他的造价估算模型相比，BP神经网络模型的优点还是可圈可点的，其优点和其他的造价模型相比较优点还是非常明显的。在以后的估算中，随着样本的不断充实，数据的不断积累，经验的不但丰富，其估算的误差也将不断缩小，这些方面的补充，在以后的估算中，必定会取得非常完美的成绩。

4总结

篇8

关键词:公路工程 造价估算 模糊数学 神经网络 模糊神经网络

中图分类号:F540.34 文献标识码:A 文章编号:1672-3791(2012)04(c)-0053-01

1 公路工程造价估算概述

1.1 公路工程造价估算的重要性

公路工程造价估算作为公路工程管理的重要组成部分其重要性主要体现在如下几个方面。

第一,公路工程造价的估算是实现工程成本控制的基础。其中工程施工前期造价估算、施工前的编制预算以及施工图设计阶段的编制预算等环节作为工程造价估算的核心,同样是公路工程施工成本控制的起点,因此,实现公路工程造价的合理估算是实现工程成本控制的重要前提条件。第二,公路工程造价的估算可以为施工企业成本控制计划方案的制定提供重要的参考依据。施工企业通过工程造价的估算可以寻找到降低工程成本的有效途径,从而为工程施工过程中施工成本的控制提供正确的方向。第三,公路工程造价的估算可以帮助施工企业在进行设计招标前可以确定工程的大致造价。这样一来,施工企业在招标的过程中就可以有效避免中间商的欺诈以及保标等恶意行为的发生。

1.2 传统公路工程造价估算中存在的问题

尽管工程造价估算在公路工程建设中越来越受到人们的重视,但是由于受各方面因素的影响,在传统公路工程造价估算中还存在一系列的问题,其中我国传统公路造价估算中主要存在如下几个方面的问题:一是相关规章制度的限制,造价估算结果往往与投标报价相差悬殊;二是预算结果与概算结果差距较大,不利于工程实际造价的控制和确定;三是缺少对工程造价估算的有效监督机制,从而使最终的造价结果变的十分不确定;四是由于各参与方利益的问题,在进行工程造价估算时很难早到平衡点,以至于造价估算精度不能得到有效的保证。

2 认识模糊神经网络

2.1 模糊数学概述

(1)模糊数学的概念,我们通常说的模糊就是指一些模棱两可的、即可能又不可能、即是又不是的概念。而模糊数学就是要用数学的方法来表示那些模糊概念发生的可能性的大小,换句话讲就是明确那些模糊概念所处的状态,从而利用数学的思想来解决那些模棱两可的、不确定的实际问题。(2)模糊数学的数学描述,一般模糊数学的数学描述,多采用的是类似与集合的数学表示方法。与集合的区别就在于模糊数学在表示集合元素时需要附带一个称为隶属函数值的参数,其中该参数的值是隶属函数与元素的值进行运算的结果。

2.2 神经网络概述

(1)神经网络的概念,所谓的神经网络是一个借鉴物理和生物技术来实现的用来模仿人类大脑神经细胞结构和功能的系统,与人类的大脑结构相似,它也由大量的模拟神经元所组成的,而且这些神经元之间相互连接,并行工作,作为一个系统协同完成一系列复杂的信息处理活动。(2)神经网络的基本原理,神经网络在结构和功能上都是模拟人脑的神经系统来进行设计和实现的,它同时作为模拟生物神经元的一种计算方法,其基本原理是这样的,与生物神经元的基本原理相似,用那些具有突的网络结点来接受信息,并不断的将接受到的信息累加起来,这些信息有些是抑制神经元,有些则是激发神经元,对于那些激发神经元,一旦积累到一定的阈值后,相应的神经元便会被激活,被激活的神经元就会沿其称为轴突的部件向其它神经元传递信息,并完成信息的处理。

2.3 模糊神经网络概述

模糊神经网络是模糊数学和神经网络有效结合的应用研究成果。其中在模糊神经网络中模糊数学的应用体现在它可以根据那些假定的隶属函数以及相应的规律,用逻辑推理的方法去处理各种模糊的信息。

3 模糊神经网络在公路工程造价估算中的应用

3.1 基于模糊神经网络的公路工程造价估算方法的实现

基于模糊神经网络的公路工程造价估算方法的实现过程如下。

第一,构建已施工公路工程的造价信息库,其中包括应经施工的公路工程的各种特征因素以及工程造价等其他各方面的材料。

第二,结合拟建工程的施工需求来确定其包括评价指标等在内的各种特征因素的数据取值。

第三,按照模糊数学的思想法在已施工公路工程的造价信息库中选取若干个(至少三个)与拟建工程最相似的已施工的工程,将其作为神经网络进行学习和训练的基础数据。其中,将信息库中公路工程的各种特征因素值的隶属度作为神经网络的输入向量,信息库中公路工程的造价值作为神经网络的输出向量。

第四,将拟建公路工程的各种特征因素值的隶属度作为神经网络的输入向量,通过神经网络的学习后所得到的输出向量即为拟建公路工程的造价估算值。

第五,建立公路施工工程造价信息数据,编制神经网络学习的算法通用程序。将学习训练的基础数据输入神经网络,然后合理设计学习率,经过一定次数的迭代运算,有效提高公路工程造价估算结果的精度。

3.2 基于模糊神经网络的公路工程造价估算方法的优点

该方法的优点可以概括为如下几点。

第一,模糊神经网络中所采用的模糊数学可以对公路工程造价估算中的模糊信息进行有效的处理,通过对已竣工的公路工程和计划施工的公路工程的相似度进行定量化描述,从而使模糊的公路工程造价问题得以模型化。

第二,基于模糊神经网络的公路工程造价估算方法的估算结果科学合理,因为该方法采用的是基于数学模型的数学计算分析,所以其结果受人为因素的影响较小。

第三,模糊神经网络中所采用的神经网络模型对公路工程造价的估算具有很好的适应性,与传统的造价估算方法相比,该方法能更好的适应公路工程造价的动态变化。

第四,基于模糊神经网络的公路工程造价估算方法是借助计算机来完成的,所以还具有运算速度快和运算精度高的优点。

4 结语

由于影响公路工程造价的因素比较多,而且各因素的构成比较复杂,计算相对繁琐,所以公路工程的造价估算具有很大的模糊性。对于使用传统的工程造价估算方法而言,公路工程造价的估算将是一项非常复杂的工作。然而结合模糊数学和神经网络的理论思想,利用工程之间所存在的相似性,使用基于模糊神经网络的公路工程造价估算方法可以迅速的得出精确的工程造价估算结果。

篇9

【关键词】 功率预测 短期预测 均方根误差

发电与用电必须实时平衡是电力系统运行的重要特点，只有这样系统才能保证安全和稳定。因而无论在国内还是国外，电网调度部门主要负责电力系统的调频、调峰、安排发电计划和备用容量等业务。对于新能源发电方面，尤其以光伏和风电为代表，当其在电力系统中达到较高透率时，准确预测其输出功率不仅有助于调度部门提前调整调度计划来减轻光伏风电间歇性对电网的影响，而且还可减少备用容量的安排，从而降低系统运行成本。因此，新能源功率预测在电网调度领域占有举足轻重的地位，更精确的预测风能、太阳能发电功率有利于制定合理的电力调度计划。

1 国内外研究现状

对新能源发电功率预测技术的研究较早起源于国外，尤其以丹麦、德国、瑞士、西班牙和日本等国的相关大学和科研机构为代表。上世纪90年代丹麦开始大力发展风电，促使了其不同公司或高校开始研究新能源功率预测问题。[1]相继产生了多个产品，如Riso实验室开发了Prediktor系统，丹麦技术大学开发出WPPT（Wind Power Prediction Tool）系统，而后的用于风电功率预测的Zephry系统就是由Prediktor和WPPT整合而来，另外由ENFOR公司研发的用于光伏功率预测的SOLARFOR系统也比较有代表性；作为国际上较早大面积应用新能源的德国，其Oldenburg大学开发了Previento系统，德国太阳能研究所开发了风电功率管理系统（WPMS）；西班牙Joen大学建立了19kW的光伏发电站验证其发电预报准确率[2]，通过人工神经网络算法，以实测的光伏板温度、日照辐射强度为输入值，以其I/V曲线为目标函数，训练神经网络的多层传感器，求解出逼近实际工况的I/V曲线，建立了发电功率日照强度、板温之间的函数关系，经过验证，该系统2003年发电量预测值与实测值的历史相关系数高达0.998。国内方面光伏发电量预测技术研发起步较晚。华北电力大学[3]结合光伏组件数学模型和保定地区气象资料，模拟了30MW光伏电站发电量数据，利用支持向量机回归分析方法进行功率预测，但该方法无实际光伏电站的实况发电量数据，缺乏实验验证，对实际光伏电站发电量预报的指导意义有限。华中科技大学[4]利用该校屋顶光伏并网发电系统资料进行研究，通过2005―2010年不同季节气象因素与发电量之间的相关分析，得出光伏发电量与辐照度的相关性最大、温度次之、风速再次之。

2 功率预测方法及分类

为提高功率预测精度，国内外研究机构都在尝试各种新的预测方法，主要的功率预测方法分类如（图1）。

时间序列分析是持续预测法中的一种，其认为风速、辐照强度预测值等于最近几个风速、辐照强度历史数据的滑动平均值，通常只是简单地把最近一点的观测值作为下一点的预测值。该模型的预测误差较大，且预测结果不稳定。改进的方法有ARMA模型法、卡尔曼滤波法。

人工神经网络方法被广泛用来解决非线性问题的建模方法。它由大量简单元件相互连接而成的复杂网络，具有高度的非线性，能够进行复杂的逻辑操作的非线性关系。其具有很多优良性能，如非线性映射能力、自组织性和自适应性能力、记忆联想能力、容错能力等。

按照风电或光伏功率预测的时间尺度可分为中长期、短期和超短期预测。对于中长期预测或更长时间尺度，主要用于风光电场或电网的检修维护计划安排等的预测。对于30分钟～72小时的预测，主要用于电力系统的功率平衡和经济调度、电力市场交易、暂态稳定评估等称为短期功率预测。一般认为不超过30分钟的预测为超短期预测。从预测模型建立角度考虑，不同时间尺度的预测有本质区别：0～3小时的预测主要由大气条件的持续性决定，所以如果不通过数值天气预报也能得出较好的预测结果，如采用可得到更好结果。对于时间尺度超过3小时的预测，不考虑数值天气预测无法反应大气运动的本质，所以难以得到较好的预测结果，所以通常的预测方法都采用数值天气预报的数据。

基于物理方法的功率预测流程示意图如下（以风功率预测为例）。首先通过数值天气预报得到风速、风向等气象数据，再根据电场周围的地理信息参数（等高线、粗糙度、障碍物、温度分层等）采用软件计算得到风机轮毂高度的风速、风向、气温、气压等参数，最后根据风机功率曲线计算得到风电场输出功率。因为在不同的风向和温度条件下，即使风速相同，风电场输出功率也不相等，因此风电场功率曲线是一族曲线，同时还应考虑风电机组故障和检修的情况。对整个区域进行风电功率预测时，可对所有的风电场输出功率进行预测，然后求和得到区域总功率。

基于统计方法的风电/光伏的功率预测不考虑风速/辐照变化的物理过程，根据历史统计数据找出天气状况与风光电场出力的关系，然后根据实测数据和数值天气预报数据对电场输出功率进行预测。

两种方法各有优缺点。物理方法无需大量的测量数据，但对大气的物理特性及风/光电场特性的数学描述要求较高，这些描述方程求解困难、计算量大。统计方法无需对求解方程，计算速度快，但需要大量历史数据，采用机器学习方法对数据进行挖掘与训练，得到气象参数与风/光电场输出功率的关系。目前的趋势是将两种方法混合使用，称之为综合方法。

3 三种预测方法的对比

通过应用三种统计预测算法于某案例中对其预测精度进行了对比。案例以某岛屿上的分布式风光电站发电量为检验对象，该电站由25台30kw并网光伏逆变器、5台50kw风机组成，合计1000kw。选取2013年4月份的历史功率数据和历史数值天气预报数据作为模型建立依据，5月份发电量作为预测对象（因为该区域4，5月份天气变化相对最小），并采用同时段的历史功率数据对模型的预测结果进行验证。

3.1 ARMA预测模型

3.1.1 ARMA模型的基本原理

ARMA模型也称为自回归滑动平均模型，是研究时间序列的重要方法之一，是由自回归与滑动平均两种模型“混合”而成。常用于长期追踪资料的研究和用于具有季节变动特征数据的预测中，所以可将其应用于风电光伏功率预测领域。

3.1.2 预测结果及误差分析

运用ARMA模型分别对5月1日9时0分至5月31日18时00分进行预测，得到原始风电光伏总功率和预测功率。预测结果如（图3、4）所示。

常见的预测误差的评估方法有平均绝对误差，均方根误差，相关系数等。均方根误差放大了出现较大误差的点，能更好的反映光伏电站预测模型的准确度，因此本文采用均方根误差RMSE对模型的误差进行评估。

其中，N-测试样本数；P-装机容量。

通过Matlab的计算，我们得到各项指标结果如表1。

3.2 卡尔曼滤波预测模型

3.2.1 模型基本原理

卡尔曼滤波法运用了滤波的基本思想，利用前一时刻预报误差的反馈信息及时修正预报方程，以提高下一时刻的预报精度。要实现卡尔曼滤波法预测风光功率，首先必须推导出正确的状态方程和测量方程。因已通过时间序列分析建立了风电功率时间序列的ARMA模型，故可将ARMA模型转换到状态空间，建立卡尔曼滤波的状态方程和测量方程。

3.2.2 预测结果及误差分析（如图5、图6）

通过Matlab的计算，我们得到各项指标结果如（表2）。

3.3 小波神经网络预测模型

对于上文的ARMA模型和卡尔曼滤波模型都属于线性模型，都必须先对模型结构做出假设，然后对模型参数的估计得到预测值。因此，模型结构的合理与否，直接影响到最终预测的精度。由于风光电场功率具有高度的不确定性，因而单一的线性预测模型不足以挖掘其功率数据中的所有信息。而神经网络具有自学习、自组织和自适应性，可以充分逼近任意复杂的非线性关系，所以本文选择小波神经网络方法对风光功率进行非线性预测研究。

3.3.1 小波神经网络法基本原理

小波神经网络是一种以BP神经网络拓扑结构为基础，把小波基函数作为隐含层节点的传递函数，信号前向传播的同时误差反向传播的神经网络。小波神经网络的拓扑结构如图7。

3.3.2 模型建立

首先采集四月份一整月的光伏风电功率数据，每隔15min记录一个时间点，共有960个时间节点的数据，用前四月份30天的功率数据训练小波神经网络，最后用训练好多的神经网络预测之后的功率数据。基于小波神经网络的功率预测算法流程图如图8所示。

小波神经网络的拓扑结构如图9所示。

小波神经网络训练：通过数据训练小波神经网络，网络反复训练100次。

神经网络网络测试：用训练好的神经网络预测风光功率，并对预测结果进行分析。

3.3.3 预测结果

利用Matlab处理数据并进行计算，我们得到基于小波神经网络的功率预测结果（图10、11）。

预测结果分析：

本文采用了ARMA模型、卡尔曼滤波预测算法和小波神经网络算法对该岛的分布式风光电功率数据样本进行了预测。分析表1～表3预测效果评价指标，我们得到以下认识：小波神经网络模型中我们得到预测结果：超短期预测精确度误差最小达到到7%，短期预测精确度误差最小达到到9%，表明小波神经网络的预测结果已经相当精确。对小波神经网络预测曲线与线性预测模型的预测曲线进行对比，可以看到：神经网络对于光伏风电功率的描绘更加平缓。

4 结论与展望

在对国内外文献广泛调研的基础上，较为全面地论述了风电、光伏功率预测技术的研究现状和最新动态，对当前功率预测技术方法进行了总结归纳，建立了针对某岛屿分布式风光互补示范工程的高精度发电功率预测模型，成功实现了分布式电源总输出（光伏风电）的精确预测，实验运行结果表明：该系统能够准确预测次日短期和未来4小时超短期光伏发电出力，短期和超短期预测的月平均均方根误差分别为9%和7%。

为了进一步提高功率预测精度还需要提高数值天气预报质量，从而得到精度更高更丰富的区域气象数据。因此需要尽快建立我国数值天气预报商业化服务，进一步完善风电光伏功率预测系统，提高预测精度。

参考文献：

[1]BOSSANYI E A. Short-term wind prediction using Kalman filters[J]. Wind Engineering， 1985，9（1）：1-8.

[2]Almonacid F， Rus C， Perez P J，et al.Estimation of the energy of a PV generator using artificial neural network [J]. Renewable Energy， 2009， 34（12）：2743-2750.

篇10

关键词： BP神经网络；价格预测；归一化处理

期货市场是一个不稳定的、非线性动态变化的复杂系统。市场上期货合约价格的变动受金融、经济、政治及投资者心理等众多因素的影响，其过程具有非线性、混沌性、长期记忆性等特点。传统的经济模型大部分是线性模型，具有一定的局限性.而人工神经网络则能很好地解决这个问题。

一、BP神经网络原理与过程

BP神经网络（反向传播网络Back Propagation）是一种多层前馈型神经网络，其神经元的激活函数是sigmoid函数，一般为log sigmoid 函数和tan sigoid 函数，函数的图形是S 型的，其值域是为0到1的连续区间。它是严格递增函数，在线性和非线之间有着较好的平衡性。

1.数据归一化处理

数据归一化方法是神经网络预测前对数据常做的一种处理方法。数据归一化处理把所有数据都使其落在[0，1]或[-1，1]之间，其目的是取消各维数据间数量级差别。避免因为输入输出数据数量级差别较大而造成网络预测误差较大。数据归一化的方法主要有以下两种。

（1）平均数方差法，其公式如下：

2.BP神经网络的学习过程

BP网络的学习过程由信号的正向传播和误差的反向传播两个过程组成。其基本原理是：网络先根据输出层的误差来调整输出层和隐含层的权值和阈值，再将部分误差分配置隐含层，然后根据误差来调整隐含层和输入层之间的权值和阈值，并不断地重复上述过程，直到网络的输出与目标之间的误差趋于最小，达到规定的要求。

一般地，BP网络的学习算法描述为如下步骤。

（1）初始化网络及学习参数，如设置网络初始权矩阵，给出学习速率和神经元激活函数等。

（2）提供训练模式，训练网络，直到满足学习要求。

（3）前向传播过程：对给定训练模式输入，计算网络的输出模式，并与期望模式比较，若有误差，若执行步骤（4），否则，返回步骤（2）。

（4）反向传播过程：计算同一层单元的误差，修正权值和阈值，返回步骤（2）。

二、玉米期货价格预测分析

美国是世界上玉米生产大国和消费大国，良好的现货基础为美国玉米期货市场的发展提供了优越条件。其中，以CBOT为代表的美国玉米期货市场同现货市场有效接轨，不仅在美国内玉米生产流通领域发挥了重要作用，而且在世界玉米市场上也影响巨大。

发现价格作为期货市场的基本功能之一，CBOT作为全球最大的玉米期货交易市场，其玉米期货价格的国际影响力是非常巨大的。目前，在国际玉米市场上，玉米贸易价格的形成和交易活动是以CBOT的玉米期货价格为中心展开的，该价格是国际玉米贸易中签约双方需要考虑的最重要的依据之一。美国已经通过芝加哥玉米期货市场取得国际玉米贸易的定价权，在国际玉米市场中发挥着主导作用，并且能够对本国和其他国家玉米产业的发展产生深刻影响。

本文研究所采取的样本来自WIND资讯金融终端，以2008年07月-2015年10月的CBOT的玉米期货为研究对象。共计100组样本数据，将其中92组数据作为训练数据。8组作为分析样本。本文从影响全球玉米的供需平衡的角度出发，从期初库存、产量、进口、饲料消费、国内消费总计、出口、期末库存、总供给、贸易量共九个因素进行分析研究，对玉米期货的价格进行预测。利用MATLAB软件训练生成BP神经网络并进行预测，将隐含层神经元设为20个，训练次数为100次，训练精度为0.00005。最后得到结果见表1。

从表1中可以看出，通过BP神经网络计算得出的预测值与实际值绝对误差相对较小，这说明通过BP神经网络预测模型产生的预测结果的精确度较高。具有较强的实用性。但是由于玉米期货除了受到供需因素的影响外，同时还受金融、经济、政治及投资者心理等众多因素的影响。所以本文的结果还带有一定的局限性。若把上述因素考虑进去，其精确度可能进一步提高。

三、结语

本文采用BP神经网络对美国玉米期货的价格进行了研究。使用了多因素BP神经网络预测模型，对玉米期货的价格进行预测，得到了拟合度在较高的预测值。这说明BP神经网络方法可以对玉米期货价格走势进行有效预测。通过预测，可以对投资者的投资行为进行指导，从而达到规避风险而获取较好的经济利益。

参考文献：

篇11

关键词： 神经网络； 气测录井； 油气层识别； BP算法

中图分类号： TN911?34 文献标识码： A 文章编号： 1004?373X（2014）04?0021?04

Application of neural network technology in interpretation of well logging parameters

SHAN Yuan?wei1，2

（1. Xi’an Resesrch Institute Co.， Ltd of China Coal Technology & Engineering Group Corp， Xi’an 710054， China；

2.Xi’an University of Science and Technology， Xi’an 710054， China）

Abstract：Artificial neural network technology is one of the new methods and technologies springing up along with the rapid development of computer technology in recent years. Valuable application and progress of neural network model have been achieved in the fields of speech reorganization and image processing. Its research findings have been introduced to the oil and gas field exploration and development， including the processing and interpretation of documents. It has become a new direction of domestic investigation in well logging to apply the artificial neural network technology to the logging of well. It is capable of processing and explaining well logging documents collected from the wells which are greatly influenced by the condition of well drilling， located in complicated geological conditions， and are difficult in oil?gas?water layers identification.

Keywords： neural network； gas well logging； oil layer identification； BP algorithm

0 引 言

在对气测录井检测评价油气储层技术的研究中，录井作为一种直接手段，在我国石油勘探中发挥着重要的作用，为油田的发现和发展做出了重要贡献。随着录井技术的不断发展，录井解释评价方法也在不断进步，如三角图版法和3H比值法改变了早期的定性解释评价方法[1]、由于定性解释评价受人为因素影响很大，虽然这些方法是不错的有效方法，但在使用过程中并非完美。比如在同一油气区使用这两种解释方法总结出的数据不一定复合[2]。因此，为了进一步发现新油层，扩大地质储量，要求用更先进的录井解释配套技术来提高油气层发现率，满足油田勘探开发的需要。

基于神经网络的信号滤波、谱估计、信号检测、系统识别等技术[3]，在自动控制、石油勘探、机器人、通信、雷达等领域有着广泛的应用。神经网络主要有以下四种基本模型，即Hopfield神经网络、多层感知器、自组织神经网络和概率神经网络[4]。本文章涉及的神经网络是多层感知器。应用该技术进行油气层识别，目前已有成功的范例。

1 神经网络基本原理

多层感知器是最常用的一种神经网络。它由一个输入层、几个隐含层和一个输出层组成，每个层都由多个神经元组成，神经元的输入通过传递函数输出，各个层上的神经元用权值相互连接，构成网络系统[5]，如图1所示。

多层感知器属于映射型神经网络。它的信息处理功能实际上是把N0维欧几里德空间中的子空间A映射成Nm维欧几里德空间中的子空间f（A），如图2所示。比如，把输入样本（录井、测井数据）通过复杂的数学变换关系变换成输出样本[6]。

三层感知器是目前应用较多的一种，是一种典型的前神经馈网络，理论上也较为成熟[7]。它由输出层、隐含层、输出层组成，第k层的神经元Y（k）应具有下列输入/输出关系：

[Y（k）=f（W（k-1））×Y（k-1）-θ（k））] （1）

篇12

[关键词] 客户需求 预报 RBF神经网络

一、引言

在经济全球化的激烈竞争中，客户需求预报在企业决策中发挥着重要的作用，客户需求预报主要是预报未来一段时间内客户对某产品的需求数量和发展趋势。产品需求信息的提前准确获取，可以缩短产品的上市时间并提高客户满意度。同时客户需求预报也是解决不确定需求物流配送问题的一个重要方法，通过客户需求预报可以将不确定需求问题转化为确定需求问题。本文采用RBF神经网络对客户需求进行预报，以期得到有效结果。该研究有利于了解RBF神经网络在客户需求预报问题中的应用价值。

二、基于RBF神经网络的客户需求预报

RBF神经网络是以径向基函数作为隐含层神经元激活函数的三层前向型神经网络，RBF网络的优越性主要在于具有最佳逼近和全局逼近的性质，因此可以用于预测、识别、函数逼近和过程建模等问题。RBF神经网络的拓扑结构如图1所示。第一层为输入层，由信号源节点组成，输入层节点只传递信号到第二层；第二层为隐含层，隐含层采用径向基函数作为网络的传递函数，隐含层节点数视所描述问题而定，从输入层空间到隐含层空间的变换是非线性的；第三层为输出层，它对输入模式的作用作出响应，输出层节点计算由隐含层节点给出的基函数的线性组合。整个RBF网络可以看作是非线性基函数的线性组合。

RBF神经网络输出层第j个节点的输出值计算公式如下所示:

;式中RBF网络的传递函数采用高斯函数，表示输出层第k个节点的输出值，表示隐含层第i个节点到输出层第j个节点的连接权值，x表示神经网络的输入向量，表示隐含层第i个节点的中心，M表示隐含层节点总数，表示欧氏函数，表示偏置量，表示隐含层中心宽度。

基于RBF神经网络的客户需求预报包括训练样本的选取、待测样本的选取与RBF神经网络需求预报等三部分组成。根据客户需求历史信息，采用此预报方法可以得到相应的预报结果。此预报方法各组成部分的关系如图2所示。

本文选取客户需求数据作为训练样本数据：以某客户需求发生时间t(1)、t(2)、…、t(n)对应的客户需求量d(1)、d(2)、…、d(n)作为训练样本。当RBF神经网络完成训练学习后，就可以对未来某时刻的客户需求量进行超前预报。

三、计算示例

为了验证此预报方法的有效性，以国内某公司某产品的销售数据为例，对此产品的需求量进行了预报。此产品的需求数据如下表所示：

本文选取2003年～2006年的历史需求数据组成训练样本，采用提出的RBF客户需求预报方法对2007年的产品需求量进行超前预报。2007年客户需求量的超前预报值和误差如表2所示：

由表2可知，采用基于RBF神经网络的预报方法对客户需求量进行超前一个月至十二个月预报，其平均误差为3.27%。

四、结束语

本文介绍了RBF神经网络的基本原理，描述了客户需求信息训练样本和待测样本选取等内容，提出了基于RBF神经网络的客户需求预报方法。最后以某公司的产品销售数据为例，采用此预报方法对其产品需求进行了超前一个月至十二个月的预报，平均预报误差小于4％，证明了此方法的可行性和有效性。

参考文献：

[1]朱道立龚国华罗齐:物流和供应链管理[M].上海:复旦大学出版社, 2001

[2]宋华:现代物流与供应链管理案例[M].北京:经济管理出版, 2001

[3]魏海坤:神经网络结构设计的理论与方法[M].北京:国防工业出版社,2005

[4]田景文高美娟:人工神经网络算法研究及其应用[M].北京: 北京理工大学出版社,2006.7

[5] 高玮. 新型进化神经网络模型[J].北京航空航天大学学报，2004, 30(11):79-83

篇13

【关键词】谐波;APF;神经网络

Abstract：With the development of the power of electronics technology，due to a variety of new non-linear loads are growing has caused much harmonic in power system，active power filter is the effective way to harmonic and compensate for the elimination.The working principle of active power filter system are briefly analyzed for this paper，and proposed a detection method based on neural networks，which are mainly using neural network load caused by harmonic resistance，etc.for effective analysis，to the original filter detection of the corresponding power system fundamental active current of more complete and thorough simulation results validate the design theory and analysis results are correct.

Key word：Harmonic;APF;neural networks

1.引言

在我国的可以发展和社会进步过程中，特别是各种高科技的产品以及衍生物的出现，发展进程不断加快，由于我国的地理结构，特别是资源分布不均决定了电网的地理结构配置，尤其是在恶劣环境状况下长远距离的电网配送传输，这样不得不造成电能在传输过程中的出现诸多问题，基于越来越到的三相交流正弦设备电压的稳定性，尤其是大量的非线性设备在交流电下产生的非正弦电流（电压等）信号，造成了其电能的有效性利用和一系列谐波的干扰等等。有源电力滤波器（Active Power Filter，APF）则应运而生，其优点是可以抑制一些谐波来提高电能的稳定性和电能的质量，其中在谐波处理这一块加入新型的神经网络，如现今的BP、FFT神经网络算法的运用在电力滤波器中，能够在谐波的处理过程中更加的准确和稳定，极大地加快了效率和保证了电能的质量，也是目前市场情景很广的一个重要课题。

2.电力谐波的检测方法

在现代的电力系统中，尤其的当前的三相交流电无时不刻地出现各种干扰性谐波，影响电能质量和效率。在传统的谐波检测中有一些比较传统的方法，特别在最初使用的无源滤波器进行简单且原始地滤波，这种滤波器在使用的同时也带来了很多的不便和出现更多新的问题，在后来也慢慢被淘汰。于是在后来演变了几种比较常用的方法，每种方法有其各自特点及应用范围，因此了解各种谐波检测方法的优缺点及其适用场合对拟制谐波是非常重要的。就目前广泛应用的是那些基于瞬时无功功率理论的p-q法，法和同步检测法以及基于正弦函数正交特性法的检测等方法，然后通过一些仿真比较各自的优缺点及适用场合，为有效拟制谐波提供理论及实际指导。分析及仿真表明，有效利用各种谐波检测方法的特点进行谐波拟制是非常有效、实用的，这是充分利用其反向特点分析的。

2.1 检测法

就目前大部分的谐波检测而言，基本都是运用检测法进行谐波检测，在谐波检测的基本工作原理是：将电压或电感器输出的电流信号转化为电压信号并进行适当的放大或缩小（根据实际信号的输出情况进行放大或缩小）。首先指令运算电路就是谐波检测的重要部分，其作用是在有源电力滤波器的补偿作用下得出其补偿电路的指令信号（电流信号），其中常用且最为重要的部分是三相电路的检测方法，在实际生活中常用的有两种：一种是电路谐波检测法，另一种是无功电流检测法。如下图1是电路-谐波检测的原理示意图.其方法的基本原理是利用三相电压源中的其中一项与同相位的正弦信号和相对应的余弦信号sinωt_cosωt，然后他们由一个相锁环（PLL）和sinωt_cosωt信号的发生电路模块得到。再根据定以及其公式计算出、。在图中、是由、、产生的、于是由、可以计算出、、，进而计算出、、。运算公式如图1所示。

图1 三相电流谐波检测原理示意图

（6）

（7）

（8）

（9）

用给定这些式子可以理想化的酸楚相应的补偿电流出来，这样根据所需的参数量来进行可控补偿。最终达到谐波抑制的目的。

2.2 基于神经网络的电流检测

在传统的APF（有源电力滤波器）中，我们很难有准确的测量方法，即是根据理想化的公式也只能进行理想的运算，然而在实际运行过程中，其测量参数准确度的有很大差距，于是我们提出了一种基于神经网络电流检测方法，这样在有源电力滤波器中有了很好检作用，其神经网络原理图 如下图2所视，它具有多种跟踪捕捉参数的能力，也能更为快速、准确地检测出来，达到的结果更接近理想值，在有源电力滤波器中加入运用神经网络是现今以及未来的一个趋势。

图2 神经网络结构图 图3 基于神经网络的基本原理图

3.建立相关模型并仿真

在APF的滤波基础上加入需要的神经网络模块，更能有效且准确地检测谐波并进行有效的补偿，最终得到需要的电流（电压）信号供日常实际生产。在被控参数的前馈期加入神经网络，可以很好的前馈控制，这样的优点是互惠产生不必要的延迟，同时可以减小工作时间。

3.1 模型建立

由于该研究主要针对于日常用的三相电力系统中，所以本文也是以三相交流为研究对象，其主要原理框图如图4所示

图4 加入神经网络的有源滤波的简易原理框图

我们可以很弄清楚地看到，滤波装置（APF）中加入可控串补神经经网调节模块，由图中可以看出主要对一些交流电流等相关参数进行补偿和抑制，在实际的运行环境中一系列的谐波、内外振荡和非稳定因素等干扰就得到了很好的抑制和处理，电压（电流）变得更稳定并且得到补偿和提高，很接近预期理论计算值，最终改善了运行环境，提高了电能的质量，同时更能有效地节省资源和提高电能有用功率。在每个模块达到自己的理论使用效果后，就可以很好地达到预期的结果。

3.2 仿真结果

本文研究对象主要是针对于三相交流电的电流参数进行测试，得到了一些列的仿真结果，基本能够反映研究的基本目的。下列图形分别给出了其三相交流电流谐波补偿抑制的仿真图像。

（1）当给定电压在380v、50Hz、α=30°时，在给与一定负载，得到的电流波形图如下图5所示，谐波很明显，三相正弦电流波形受到的干扰很明显，在有源滤波器的作用，谐波得到了很好的抑制并且提供了相应的补偿，是电流波形接近正常。

（2）当给定电压为380V、50Hz、α=30°时，同时给与一定负载，得到的电流波形图如下图6所示，谐干很明显，可知三相正弦电流波形受到的干扰很明显，在有加入神经网络后的有源滤波器的作用下，我们能够很明显地看到谐波得到了很好的抑制，且给予的补偿也很充分，电流的曲线图像变得更接近理想值，振幅也比以前增大了，从图像中我们可以得出在神经网络的作用下，有源电力滤波器的作用能够发挥得更加充分和完善，也是我们研究的重点和趋势。

4.总结

本文主要是在谐波污染现状上，对谐波进行系统的研究，尤其是在谐波检测的基础上进行研究，并设计了一种基于神经网络的有源电力谐波检测法，利用神经网络具有逼近任意非线性函数能力，响应快、超调小、误差小、鲁棒性好等一些优点，克服了有源电力滤波器补偿性能不足，检测效率低等缺点。其仿真结果表明基于该神经网络的谐波检测模块的试验中，可以得出其具有快速且准确的检测抑制效果，对今后的谐波抑制方面具有很好的发展前景。

参考文献

[1]杨军，王兆安.三相电路谐波电流两种检测方法的对比研究[J].电工技术学报，2005，6（7）.

[2]王兆安，刘建军.电力电技术[M].北京：机械工业出版社，2010.

[3]于志豪，刘志珍，徐文尚.基于电路模型和神经网络的谐波电流检测方法[J].电工技术学报，2004，19（9）.

篇14

【关键词】PID控制 神经网络 系统辨识 模型构建

1 神经元基础模型分析

单神经元是一种被称为MoCulloch-Pitts（1943年）模型的人工神经元。它是模仿生物神经元的结构和功能、并从数学角度进行描述的一个基本单位，由人脑神经元进行抽象简化后得到。人工神经元是神经网络的最基本的组成部分。

2 基于神经网络的辨识

系统辨识（System Identification）是现代控制理论中一个很重要的组成部分。在现代的控制过程中，由于系统越来越复杂，被控对象的实际数学模型已经无法进行精确的给定与描述，故需要一门控制理论，在掌握被控对象的变化规律下，由另一种方法确定一个近似的、易于描述与控制的数学模型来近似代替这个不可知的复杂模型。

根据L.A.Zadel的系统辨识的定义（1962），辨识就是在分析输入和输出数据的基础上，从一组给定的模型类（Model Set）中，按照一定的规则，确定一个与所测系统等价的模型，如果所测系统模型未知，那么这个等价的模型就可以来近似代替系统模型。从定义中可以得到辨识的三要素：输入输出数据、模型类、等价准则。

神经网络对非线性函数的逼近能力非常好，当神经网络满足一定条件时，可以以任意精度逼近任意非线性连续的函数或者分段连续的函数。因此，用神经网络来完成非线性系统辨识功能是一个很好的选择。

神经网络系统辨识一般有并联型和串-并联型两种辨识结构。并联模型由待辨识系统、神经网络、误差反馈实现。串―并联型模型由待辨识系统、时延网络、误差反馈与神经网络实现，这两种系统都可以实现通过误差对系统进行在线调整，但是后者用待辨识系统的输入输出数据作为辨识信息，并用误差进行校正，能使系统更收敛、稳定，因此，串―并联型模型应用较多。

这两种模型均属于正向模型，是利用多层前馈神经网络（指BP网络类型的神经网络），通过训练与学习，建立一个模型，使其能表达系统的正向动力学特性。另外还有一种逆模型，前提是其拟辨识的非线性系统可逆，因为并不是所有的系统都满足这一点，故其应用没有正向模型广泛。

基本结构的的Elman神经网络是阶层结构，类似于一般的多层前馈神经网络，也有输入层，隐含层和输出层。但除此之外，Elman神经网络还有一层特殊的结构单元―衔接层，衔接层中的节点一一对应于隐含层中的节点，隐含层的输出经过一步延迟后反馈到衔接层，将隐含层过去的状态与神经网络下一时刻的输入一起作为隐含层单元的输入，从而使得Elman神经网络具有了动态记忆能力。

3 基于神经网络的非线性自整定PID控制

PID控制是发展最早的经典控制算法之一，而且PID控制器一直是控制领域的基本控制方式，其算法简单，可靠性高，利用系统的偏差，基于比例（P）、积分（I）、微分（D）来进行控制。

3.1 PID控制基本原理

经典PID控制器系统如图1所示。

经典的PID控制器是一种线性控制器，该系统由PID控制系统与被控对象组成。它将输入值rin（t）与实际输出值yout（t）的偏差e（t）作为控制量输入，将偏差的比例（P）、积分（I）和微分（D）进行线性组合，作为被控对象的控制量u（t），对其进行控制。其控制器的输入输出关系可用式3来描述。

在计算机技术日益普及的现代工业生产过程中，将PID控制算法等控制方法应用于计算机中，组成计算机控制系统，能够完成更多更复杂的计算与控制。由于计算机处理的是数字量，故需将PID控制算法数字化。

3.2 基于神经网络的非线性PID自整定原理及设计

将神经网络应用于PID参数的自整定方案设计如图2所示。

其中NNC与NNI神经网络均采用递归神经网络，经过上面的研究我们知道Elman神经网络具有很好的跟踪特性，故在这里应用Elman神经网络，并用梯度下降法进行修正。NNI是神经网络系统辨识过程，在上面已经介绍过，所以在下面只介绍神经网络控制器NNC的学习算法。

我们知道，u（k）的求出需要u（k-1），e（k），e（k-1），e（k-2）四个数据，神经网络的作用在于在线调整Kp、KI、KD三个系数，故神经网络的输出为这三个数。给定神经网络的输入为u（k-1），y（k-1），隐含层个数为hc个（可以改变）。其学习算法如下：

3.2.1 前向计算

基于递归神经网络的非线性自整定PID控制器算法过程归纳如下：

（1）设定初始状态与参数初始值，包括NNC系统的连接权值wc、vc，学习速率，和一些中间变量的初始化。

（2）进行离线辨识过程，在训练有限步数后，使得y（k）与充分逼近，取此时的连接权值，用于在线过程。

（3）用上一步得到的连接权值用NNI进行在线辨识，求出系统输出y（k），并进行修正，

记录下修正后的的值。

（4）给定系统的输入yr（k），求出y（k）与yr（k）的误差E（k）。

（5）用u（k）、y（k）作为NNC的输入，求出PID控制器的三个参数，并用式3-9求出下一步的输入u（k+1），前两步时e（k-1）、e（k-2）未知，默认初始值为0。并用梯度下降法进行连接权值的修正，也即NNC网络的输出的修正，完成PID控制器的参数在线自调整。

（6）使k=k+1，返回第三步重新计算，直到完成设定的训练步数上限。

4 结论

通过以上分析可以看出本论文提出Elman神经网络进行非线性自整定PID控制器的设计，并加入神经网络的非线性系统辨识过程，用辨识过程中的中间值参与参数自整定环节，可以使自整定环节更加精确，从而提高系统的工作性能。

参考文献

[1]陶永华.新型PID控制及其应用[M].北京：机械工业出版社，2002，17-49.

[2]朱庆A.BP多层神经网络在控制中的应用[D].广西：广西大学，2004（05）.