对神经网络的理解范文篇1

本文主要介绍了人工神经网络的概念，并对几种具体的神经网络进行介绍，从它们的提出时间、网络结构和适用范围几个方面来深入讲解。

【关键词】神经网络感知器网络径向基网络反馈神经网络

1引言

人工神经网络是基于对人脑组织结构、活动机制的初步认识提出的一种新型信息处理体系。它实际上是一个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和非线性关系实现的系统，通过模仿脑神经系统的组织结构以及某些活动机理，人工神经网络可呈现出人脑的许多特征，并具有人脑的一些基本功能，利用这一特性，可以设计处具有类似大脑某些功能的智能系统来处理各种信息，解决不同问题。下面对几种具体的神经网络进行介绍。

2感知器网络

感知器是由美国学者Rosenblatt在1957年首次提出的，感知器可谓是最早的人工神经网络。感知器具有分层结构，信息从输入层进入网络，逐层向前传递到输出层。感知器是神经网络用来进行模式识别的一种最简单模型，属于前向神经网络类型。

2.1单层感知器

单层感知器是指只有一层处理单元的感知器，它的结构与功能都非常简单，通过读网络权值的训练，可以使感知器对一组输入矢量的响应达到元素为0或1的目标输出，从而实现对输入矢量分类的目的，目前在解决实际问题时很少被采用，但由于它在神经网络研究中具有重要意义，是研究其他网络的基础，而且较易学习和理解，适合于作为学习神经网络的起点。

2.2多层感知器

多层感知器是对单层感知器的推广，它能够成功解决单层感知器所不能解决的非线性可分问题，在输入层与输出层之间引入隐层作为输入模式的“内部表示”，即可将单层感知器变成多层感知器。

3线性神经网络

线性神经网络类似于感知器，但是线性

神经网络的激活函数是线性的，而不是硬限转移函数。因此线性神经网络的输出可以使任意值，而感知器的输出不是0就是1。线性神经网络最早的典型代表就是在1963年由美国斯坦福大学教授BerhardWindrow提出的自适应线性元件网络，它是一个由输入层和输出层构成的单层前馈性网络。自适应线性神经网络的学习算法比感知器的学习算法的收敛速度和精度都有较大的提高，自适应线性神经网络主要用于函数逼近、信号预测、系统辨识、模式识别和控制等领域。

4BP神经网络

BP神经网络是1986年由以Rumelhart和McCelland为首的科学家小组提出的，是一种按误差逆传播算法训练的多层前馈网络，在人工神经网络的实际应用中，80%～90%的人工神经网络模型采用BP网络或者它的变化形式，它也是前向网络的核心部分，体现了人工神经网络最精华的部分，BP神经网络由信息的正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变换，根据信息变化能力的需求，中间层可以设计为单隐层或者多隐层结构；最后一个隐层传递到输出层各神经元的信息，经过一步处理后完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。当实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练过程，此过程一直进行到网络输出的误差减少到可以接受的程度，或者达到预先设定的学习次数为止。

BP网络主要应用于以下方面：

（1）函数逼近：用输入矢量和相应的输出矢量训练一个网络逼近一个函数。

（2）模式识别：用一个特定的输出矢量将它与输入矢量联系起来。

（3）分类：对输入矢量以所定义的合适方式进行分类。

（4）数据压缩：减少输出矢量维数以便于传输或存储。

5反馈神经网络

美国加州理工学院物理学家J.J.Hopfield教授于1982年发表了对神经网络发展颇具影响的论文，提出一种单层反馈神经网络，后来人们将这种反馈网络称作Hopfield网。在多输入/多输出的动态系统中，控制对象特性复杂，传统方法难以描述复杂的系统。为控制对象建立模型可以减少直接进行实验带来的负面影响，所以模型显得尤为重要。但是，前馈神经网络从结构上说属于一种静态网络，其输入、输出向量之间是简单的非线性函数映射关系。实际应用中系统过程大多是动态的，前馈神经网络辨识就暴露出明显的不足，用前馈神经网络只是非线性对应网络，无反馈记忆环节，因此，利用反馈神经网络的动态特性就可以克服前馈神经网络的缺点，使神经网络更加接近系统的实际过程。

Hopfield神经网络的应用：

（1）在数字识别方面。

（2）高校科研能力评价。

（3）应用于联想记忆的MATLAB程序。

6径向基神经网络

径向基RBF网络是一个3层的网络，除了输入、输出层之间外仅有一个隐层。隐层中的转换函数是局部响应的高斯函数，而其他前向网络，转换函数一般都是全局响应函数。由于这样的差异，要实现同样的功能，RBF需要更多的神经元，这就是RBF网络不能取代标准前向型络的原因。但是RBF网络的训练时间更短，它对函数的逼近时最优的，可以以任意精度逼近任意连续函数。隐层中的神经元越多，逼近越精确。

径向基网络的应用：

（1）用于曲线拟合的RBF网络。

（2）径向基网络实现非线性函数回归。

7自组织神经网络

自组织竞争型神经网络是一种无教师监督学习，具有自组织功能的神经网络，网络通过自身的训练。能自动对输入模式进行分类，一般由输入层和竞争层够曾。两层之间各神经元实现双向连接，而且网络没有隐含层。有时竞争层之间还存在着横向连接。

常用自组织网络有一下几种：

（1）自组织特征映射网络。

（2）学习矢量量化网络。

（3）自适应共振理论模型。

（4）对偶传播网络。

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]周品.神经网络设计与应用[M].北京：清华大学出版社，2013.

作者简介

孔令文（1989-），男，黑龙江省齐齐哈尔市人。现为西南林业大学机械与交通学院在读研究生。研究方向为计算机仿真。

对神经网络的理解范文篇2

只有清楚地了解电梯控制系统的运行原理才能够及时准确的诊断出电梯故障原因，因此清楚的了解电梯运行原理,每一个电梯维修人员必须要做到。电梯运行过程总体上可分为以下几个阶段：第一、登记层外召唤信号和登记内选指令阶段；第二、电梯门关闭或者电梯按照系统指令停运阶段；第三、启动阶段；第四、在到达信号记录的楼层前进行减速制动；第五、平层开门阶段。在整个过程中电梯需要从外界接收信号并处理，然后完成相应的指令或者输出信号，由此可以将电梯看作是一个完整的独立的系统，只需要外界给予相应的信号就可以自动的做出动作。电梯系统内部复杂的构件紧密的结合在一起，正是如此才使得电梯系统故障具有了复杂性、层次性、相关性以及不确定性的特点。

二、神经网络技术基本原理

生物学上的神经是由一个个简单的神经元相互连接进而形成了复杂的庞大的神经系统，同理，神经网络就是由大量简单的处理单元相互连接形成的复杂的智能系统。单独的处理单元类似于一个神经元，是一个可以接受不同信息但是只输出一种信息的结构单位。神经网络系统与生物学神经系统相似的是具有自我修改能力，它可以同时接收大量的数据并进行统一的分析处理，进而输出相应的处理结果。这就使得神经网络系统具有了高度容错性、高度并行性、自我修改性、学习性以及高度复杂性，也正是由于这些特性才使的利用神经网络技术能够及时准确的查明电梯故障原因并得出故障解决方案。电梯故障诊断中应用的神经网络模型分为三个层次：输入层、接收外部信号或者是电梯自我检测信息（如载重信息）；隐含层、对接收到了大量数据进行相应的分析处理；输出层、将记录着动作命令的数据传送出来。在电梯出现故障时，首先可以通过神经网络模型快速确定故障发生在哪一层达到节约时间的目的。但是神经网络也会因为收敛速度过于慢、训练强度太大或者是选择的网络模型不好等问题导致诊断结果受到影响。

三、神经网络模型在电梯故障诊断中的应用分类

神经网络模型已经成为了如今电梯故障诊断中应用最广泛的技术模型，相比于传统方式它具有诊断速度快、故障原因命中率高的优点，因此引起了各方面专业人士的强烈关注，并在他们的不懈努力下得到了发展与创新。它跨越多个专业领域、通过对各种复杂的高难度工作的不断的发展与改进出现了越来越多的应用模型，下面主要介绍了当前应用最普遍的BP网络模型，并且简单的引入并介绍了近年来新兴的模糊神经网络模型和遗传小波神经网络模型。

（一）BP网络模型

BP神经网络作为神经网络应用最广泛的一种，它多应用的误差反向传播算法使其在模式识别、诊断故障、图像识别以及管理系统方面具有相对先进性。基于BP网络的电梯故障诊断技术就是通过学习故障信息、诊断经验并不断训练，并将所学到的知识利用各层次之间节点上的权值从而表达出来。BP网络系统的主要诊断步骤主要可以分为三步。第一步：对输入输出的数据进行归一化处理，将数据映射到特定的区间。第二步：建立BP网络模型，训练BP网络模型。第三：通过已经训练好的网络模型对原来的样本进行全面的检测。算法步骤：a、在一定的取值范围内对数据进行初始化；b、确定输入值数值大小，计算出预期输出量；c、用实际输出的值减去上一步得到的数值；d、将上一步得到的误差分配到隐含层，从而计算出隐含层的误差；e、修正输出层的权值和阈值，修正隐含层的权值；f、修正隐含层的阈值，修正隐含层和输入层的权值。

（二）遗传小波神经网络模型

遗传算法运用了生物界的优胜劣汰、适者生存的思想对复杂问题进行优化，适用于复杂的故障，起到了优化简化问题的作用。对局部数据进行详细的分析是小波法最大的特点，所以它被誉为“数字显微镜。遗传算法小波神经网络就是运用小波进行分解的方法分解模拟故障信号，将得到的数据进行归一化，将归一化后的数值输入到神经网络模型中。它融合了神经网络、小波分析和遗传算法三者所有的优点。基于遗传小波神经网络的电梯故障诊断的一般步骤为：测试节点信号采样、小波分解、故障特征量提取、归一化得到训练样本集、遗传算法优化、得到故障类型。遗传小波神经网络模型在故障原因复杂、数据信息量巨大的电梯系统的应用中能够发挥更大的作用。

（三）模糊神经网络模型

模糊神经网络模型就是创新性的将神经网络与模糊理论结合到一起。它采用了广义的方向推理和广义的前向推理两种推理方式。与其它两种模型不同的是，它的语言逻辑、判断依据和结论都是模糊的。但是它的数据处理能力还有自我学习能力并没有因此而变差，反而更加丰富了它的定性知识的内容。在处理实际问题的过程中，首先要建立所有可能发生的故障的完整集合，其次将所有的故障发生原因归入到同一个集合中去，最后就是建立故障和原因的关系矩阵。分别叫做模糊故障集、模糊原因集、模糊关系矩阵。相较于BP网络模型，这种模型更加的简单易行，充分发挥了神经网络和模糊逻辑的优点，不会因为故障原因过于复杂而失去诊断的准确性，在原本丰富定性知识和强大数据处理能力的基础上具有了很大的自我训练能力。

四、结语

对神经网络的理解范文篇3

关键词：电网负荷预测；BP神经网络；模拟退火优化算法；预测误差

中图分类号：TN926?34；TM715文献标识码：A文章编号：1004?373X（2016）20?0064?03

Abstract：Sincetheforecastingaccuracyofthetraditionallinearloadforecastingmethodcannotmeettherequirementsofthemodernpowergridmanagementsystem，thenonlinearBPneuralnetworkalgorithmsuitableforthepowergridloadpredictiontaskisusedinthispapertobuildforecastingmodel.BecausetheconventionalBPneuralnetworkiseasytofallintothelocaloptimalsolutionandhaslowconvergenceefficiency，simulatedannealingalgorithmisusedinthispapertooptimizetheBPneuralnetworkweighttrainingalgorithmtoimprovetheconvergenceefficiencyandself?learningabilityofthepredictionmodel.Thepredictionmodelstudiedinthispaperisanalyzedwithanexample.TheresultsshowthatthetrainingtimesandtrainingtimeoftheimprovedBPneuralnetworkarelessthanthoseoftheconventionalneuralnetwork，andithashigherconvergenceaccuracy，inaddition，thepredictionerroroftheimprovedBPneuralnetworkpredictionmodelisobviouslyreduced.

Keywords：powergridloadforecasting；BPneuralnetwork；simulatedannealingoptimizationalgorithm；predictionerror

0引言

对电网负荷进行预测对于确保电力系统正常稳定运行具有重要意义，对电网的短期负荷进行精确预测能够降低电力电网系统的运行和维护成本，负荷预测系统已经成为电力电网管理系统中的重要组成部分之一，同时也是电力科研工作者的主要研究重点内容之一[1?5]。

传统的电网负荷预测方法主要是基于线性的时间序列分析法、回归分析模型等，然而实际的电力负荷模型是非线性的，电网的负荷会受到温度、湿度等各种影响因素干扰，使得传统线性预测模型的预测精度无法满足现代电力电网管理系统的精度要求[6?7]。

BP神经网络预测模型是一种非线性的预测模型，其具有自学习能力、预测精度较高以及强大的非线性函数关系拟合能力等优点，特别适用于电力电网负荷的预测任务，但是常规的BP神经网络存在容易陷入局部最优解以及收敛效率低等问题[8?9]。因此本文使用模拟退火算法对BP神经网络权值训练算法进行优化，提高预测模型的收敛效率和自学习能力。

1改进型BP神经网络预测模型

常规的BP神经网络存在容易陷入局部最优解以及收敛效率低等问题，因此本文使用模拟退火算法对BP神经网络的权值参数的训练进行优化。模拟退火算法模拟金属材料退火过程，在固定时段内以一定的概率算法求解较大搜索空间内的全局最优解[10]。

使用模拟退火算法对BP神经网络优化过程为[12]：

步骤1：对参数进行初始化，初始生成一个较大的温度[T0]，随机生产BP神经网络的初始权值，并由初始权值组成初始的状态解[ωij0]。

步骤2：根据随机扰动模型由第k步的解[ωijk]得到第k+1步的解[ωijk+1]。

步骤3：将新的状态解[ωijk+1]赋值到BP神经网络模型中，使用训练数据对新生成的BP神经网络进行训练，使用目标优化函数计算该BP神经网络预测值与期望值之差。

步骤4：判别系统能否接收新的状态解[ωijk+1]。

步骤5：如果内循环次数达到设定最大值，则进入下一步，否则跳回步骤2。

步骤6：若满足调节[Tk+1

步骤7：若SA算法完成对各个训练样本的优化任务后，并且温度达到设置的终止温度，则结束优化过程，SA算法的最优解则作为BP神经网络的最优连接权值。

2实例分析

通过实例对本文研究的改进型BP神经网络电网负荷预测模型进行分析。调取了某市2009―2010年的电网负荷数据以及天气数据等，并针对某一天的电网负荷进行预测，与真实数据进行对比[13]。

使用常规BP神经网络与改进型BP神经网络进行对比实验，两种模型的输入神经元个数均为65，输出为24个，即对某一天24个小时负荷量的预测[14?15]。使用训练样本对两种预测模型进行训练，得到了训练结果性能如表1所示。

由表1可以看出，在精度要求一致时，本文研究的改进型BP神经网络的训练次数和训练耗时均低于常规神经网络，说明改进后的BP神经网络具有更快的收敛效率，同时改进后的BP神经网络的相对误差平均值降低了2.44%，相对误差最大值降低了4.22%，说明改进后的BP神经网络具有更高的收敛精度。

使用上述训练后得到的预测模型，对该市2009年10月13日的24h电网负荷进行预测，得到的预测结果如表2所示。

表2电网负荷预测结果

通过计算可得常规BP神经网络预测模型的预测均方误差为3.29%，平均相对误差为2.78%，使用改进型BP神经网络预测模型的预测均方误差为1.52%，平均相对误差为1.18%，预测误差明显降低。两种预测模型的预测值与真实值比较如图1所示。由图1可以看出使用改进后的BP神经网络预测模型的预测准确度平均值达到了99.2%以上。

3结语

电网负荷预测对于确保电力系统正常稳定运行具有重要意义，是电力科研工作者的主要研究重点内容之一。本文使用BP神经网络建立电网负荷预测模型，并使用模拟退火算法对BP神经网络权值训练算法进行优化，提高预测模型的收敛效率和自学习能力。最后通过某市2009―2010年的电网负荷数据以及天气数据等对本文研究的改进型BP神经网络电网负荷预测模型进行分析，结果表明，本文研究的改进型BP神经网络预测误差明显降低，具有较好的应用价值。

参考文献

[1]王大鹏.灰色预测模型及中长期电力负荷预测应用研究[D].武汉：华中科技大学，2013.

[2]任丽娜.基于Elman神经网络的中期电力负荷预测模型研究[D].兰州：兰州理工大学，2007.

[3]程其云.基于数据挖掘的电力短期负荷预测模型及方法的研究[D].重庆：重庆大学，2004.

[4]张华.基于优化BP神经网络的微博舆情预测模型研究[D].武汉：华中师范大学，2014.

[5]马洪松.基于改进灰色模型的电力负荷预测方法研究及应用[D].北京：华北电力大学，2013.

[6]朱晓明.BP?灰度模型的电力负荷预测模型研究[J].科技通报，2013（8）：50?52.

[7]周建中，张亚超，李清清，等.基于动态自适应径向基函数网络的概率性短期负荷预测[J].电网技术，2010（3）：37?41.

[8]陈伟淳.基于多神经网络的智能电网短期负荷预测研究[D].广州：华南理工大学，2012.

[9]熊伟.基于粒子群模糊径向基网络的电力系统短期负荷预测[D].长沙：长沙理工大学，2009.

[10]尤丽华，吴静静，王瑶，等.基于模拟退火优化BP神经网络的pH值预测[J].传感技术学报，2014（12）：1643?1648.

[11]王惠琳.模拟退火遗传算法优化的BP网络在翘曲量预测中的应用[D].杭州：浙江大学，2011.

[12]王惠琳，胡树根，王耘.基于模拟退火遗传算法优化的BP网络在质量预测中的应用[J].轻工机械，2011（4）：26?31.

[13]师彪，李郁侠，于新花，等.改进粒子群?BP神经网络模型的短期电力负荷预测[J].计算机应用，2009（4）：1036?1039.