循环神经网络的优点篇1

关键字：暖通设计，现状，采暖

Abstract:theapplicationofhvacbroad,soforheating,thesituationofthedevelopmentofcurrentsituationanalysisisalsoveryimportant,weanalyzedtheunderstanding,theimportanceofheating.Tofurtherimprovethehvacheatingdesigntechnology,betterandadapttothesocialdevelopment.Sumsuptheproblemswhichshouldbesolveddesignmethod,thedesignoftheconventionalantipathytoadjustaccordingly,realizethehvacheatingthedesignofthemainrole.

Keyword:hvacdesign,thecurrentsituation,heating

中图分类号：TU96+2文献标识码：A文章编号：

0引言

随着暖通空调日益普及，采暖通风系统在使用的过程中经常会出现一些问题。这些问题会影响这个系统的正常运行和效率结果，对常见问题分析，找出解决的办法，在设计过程中做出相应的改进。利用高新技术改造传统产业，促进传统产业的发展是必然的趋势。相应技术创新技术也与原有技术相结合，总体提高设计和生产的过程。

1采暖设计常见问题分析与对策

采暖系统分为机械循环热水采暖系统和自然循环热水采暖系统。机械循环热水采暖系统是以水泵为循环动力，不受锅炉房位置高低及系统作用半径的限制，管中流速较大。系统所带的环路、支立管数较多，成为一个闭式的循环热水网，是一个复杂的水力系统。自然循环热水采暖系统是靠供、回水的密度差产生的作用压头克服系统阻力的，一般压头较小，管中流速一般较小。常采用异程式设计，易于平衡和调节。

2分析暖通空调系统

2.1暖通空调工作原理

暖通空调工作原理就是制冷剂在制冷机组的蒸发器中与冷冻水进行热量的交换而汽化，从而使冷冻水的温度降低，然后，被汽化的制冷剂在压缩机作用下，变成高温高压气体，流经制冷机组的冷凝器时被来自冷却塔的冷却水冷却，又从气体变成了低温低压的液体，同时被降温的冷冻水经冷冻水水泵送到空气处理单元的热交换器中，与混风进行冷热交换形成冷风源，通过送风管道送入被调房间。如此循环，在夏季，房间的热量就被冷却水所带走，在流经冷却塔时释放到空气中在此主要研究控制暖通空调系统的空气处理部分，主要涉及供水系统和空气处理单元。

2.2暖通空调供水系统

常用的冷冻水（水为载冷剂）系统的冷冻水管道均为循环式系统，根据用户的需求情况的不同，按水压特性划分，可分为闭式系统和开式系统两种：按冷、热水管道的设置方式划分，可分为双管制系统、三管制系统、四管制系统；按各末端设备的水流程划分，可分为同程式和异程式系统；按水量划分，可分为定水量和变水量系统。变流量系统中的原则足的供回水温度保持不变，建筑物负荷变化时，通过改变供、回水的流量来适应，该水系统输送的水流量要与建筑物需求相适宜。

2.3暖通空凋空气处理单元

在暖通空调空气处理单元中，首先是新风与部分回风混合，形成混风，混风经过热交换器与冷冻水进行热交换形成送风，在冬天，混风吸收能量温度提高，在夏天，混风温度降低，送风在风机的作用下经过送风管道进入房间，与房间内的空气进行热量的传递，最终调节房问的温度到达所需要的设定点。房间内的气体在排风机的作用下被排出，形成回风。部分的回风排出室外，部分回风与新风混合重复上述过程。

混风和冷冻水的热交换是在空气处理单元的热交换器中进行的，热交换器是暖通空调系统空气处理单元中的重要部分，热交换器的工况处于部分负荷下时，并非与设计工况相同，而实际使用过程中，热交换器绝大多数时间是在非设计工况。

3分析暖通空调控制系统设计原则

对房间温度进行了合理的设定，然后建立合理的暖通空调控制器，使暖通空调控制系统能快速准确的调解房间温度到达设定的房间最佳温度值，并有效的抑制房间内部和外部的干扰对房间内温度的影响，同时节省暖通空调系统能量的消耗。由于暖通空调具有时滞和大惯性，当前的控制信号要等到很长时间才能在系统的输出中反映，而广义预测控制可以利用现在时刻的控制变量使未来时刻系统的输出快速准确的跟踪期望的输出。同时暖通空调的工况环境不断变化且有干扰作用，用神经网络的强学习能力使暖通空调控制系统有效的抑制工况变化和干扰带来的对控制效果不利的影响。在此把广义预测控制和神经网络结合对暖通空调进行控制。

3.1暖通空调广义预测控制结构

这里选取的基于RBF糊神经网络暖通空调广义预测控制系统结构，如前面所描述暖通空调系统具有非线性，时变性大滞后和大惯性等特点，还受到许多的干扰盘管中冷、热水流量、压力变化，这些干扰折合成冷热水温度变化就会对系统造成一定的影响干扰2为外界干扰，主要有日照、室外气温、外部空气侵入以及新风温度变化和风机转速变化，这些干扰可以看成空调的送风风量变化。干扰3为房间内部干扰，要有人员的频繁进出、房主间内部各种耗能发热设备的使用。

基于RBF模糊神经网络的暖通空调广义预测控制主要由三部分构成。要实现暖通空调的广义预测控制，要有准确的暖通空调输出预测，在提供暖通空调预测输出的基础上，建立准确快速的在线优化策略和有效的反馈校正即通过所得到的未来温度输出和优化目标函数，利用梯度下降法对实现滚动优化控制功能的RBF模糊神经网进行修正，从而得到最佳的控制规律。此RBF模糊神经网的输入是实际房间温度和设定房间温度的差值和差值变化率，输出是暖通空调调节阀电压。

3.2暖通空调控制器在线滚动优化

暖通空调广义预测控制的在线滚动优化是利用模型辨识部分提供的预测输出信息，根据优化的目标函数及选定的优化方法进行在线的滚动优化，从而得到合理的控制规律，考虑在线优化的计算量，这里用RBF模糊神经网络完成广义预测控制的在线滚动优化。按性能指标，利用优化方法获得未来控制长度内的冷冻水调节阀电压，并取其首分量作为当前时刻的冷冻水调节阀电压。考虑降低在线计算的复杂性，采用了较常用的梯度下降法作为主要的优化算法。优化过程的关键是计算性能指标对RBF模糊神经网络控制器参数的导数。通过RBF模糊神经网和修正方法，利用暖通空调预测模型提供的信息来完成给定目标函数的优化，进而准确的提供冷冻水调节阀电压，从而实现广义预测控制的在线滚动优化来得到暖通空调的合理控制规律。

3.3暖通空调广义预测控制反馈校正

预测控制算法在进行滚动优化时，优化的基点应与系统实际一致。由于暖通空调系统受诸多干扰的影响，有可能导致辨识模型的失配。既基于不变RBF模糊神经网模型的预测不可能和实际空气处理单元完全相符。这就需要用附加的预测手段补充模型预测的不足，或者对基础模型进行在线修正况且滚动优只有建立在反馈校正的基础上，才能体现出其优越性。对RBF模糊神经网络各隐单元的是心和宽度和隐层到输出层的权值采用梯度下降法进行调整，在控制的每一步，都实时检测被控对象的实际输出与RBF模糊神经网络预测器输出之间的误差，若此误差大于预先设定的允许误差，则利用上述修正方法修正暖通空调预测模型的RBF模糊神经网络参数；否则，维持原有的RBF模糊神经网络预测模型。

4结语

随着生活水平的提高，空调系统的应用越来越普及，中央空调系统的能最消耗很高。但目前实际情况，空调系统是为了满足用户最大需求而设计，所以暖通空调系统的技术还需要不断的优化，使其在不同的环境和负载下都能以最高的效率工作，并且达到良好的效果，由此可以看出暖通空调具有非常广阔的发展前景。

5参考文献

[1]陆耀庆，供暖通风设计手册，北京中国建筑工业出版社，1987

[2]何天祺，供暖通风与空气调节，重庆重庆大学出版社，2003

循环神经网络的优点篇2

关键词霾；人工神经网络；R语言；BP算法；预报方法；山东淄博

中图分类号P457.7文献标识码A文章编号1007-5739（2017）10-0209-03

近年来，淄博地区空气中的细颗粒物和气体污染物明显增加，空气质量变差。这不仅对市民的健康构成了危胁，而且降低了大气的能见度，对交通出行造成影响，也通过远距离传输对周边地区带来一定的影响。

目前，国内外霾的预报主要有数值预报、模式输出统计预报等方法。数值预报方法在大气动力学模式的基础上耦合了化学模块，直接模拟大气污染与大气气象要素场的变化过程，具有良好的发展前景；但受到源排放清单不确定等因素影响，在日常预报业务中受到一定限制。模式输出统计预报方法首先依据污染物浓度数据集筛选出关联性强的气象因子，然后利用统计方法建立预报方程，最后利用模式输出量代入预报方程进行预报。陈亦君等应用基于系统辨识理论的实时迭代模式对WRF模式预报结果进行后处理，建立了上海地区霾天气的模式输出统计方法，结果表明霾日预报成功率为72.7%～73.7%[1]。毛宇清等使用SVM分类和回归方法分别建立了南京地区霾日分类预报模型和有霾日能见度预报模型，预报试验结果表明南京地区霾日的SVM分类预报结果TS评分均在0.4以上，有霾日14：00能见度的SVM回归预报结果准确率均达到86%以上[2]。以上研究主要是基于霾与气象条件之间的相关性，但是由于霾的严重程度受气溶胶浓度的影响很大，所以同时考虑气象条件、气溶胶浓度将很大程度上提高霾预报准确率。本研究尝试通过建立动态的预报模型，利用气象和大气化学模式输出的结果来实现霾等级预报。

1人工神经网络和R语言

1.1人工神经网络

神经网络是由简单处理单元构成的大规模并行分布式处理器，天然地具有存储经验知识和使之可用的特性。神经网络在2个方面与大脑相似：一是神经网络是通过学习过程从外界环境中获取知识；二是互联神经元的连接强度，即突触权值，用于存储获取的知识[3]。

根据网络结构的不同，可将神经网络分为3种，即前馈网络、竞争网络以及递归联想存储网络，本文采用基于误差反向传播算法的多层前馈神经网络，简称BP神经网络。BP网络是1986年由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，是目前应用最广泛的神经网络模型之一。BP网络具有非线性映射、自适应、自学习和自组织能力，通过分布储存和并行处理的方式，使其具有很强的容错性和很快的处理速度。BP算法本质是优化计算中的梯度下降法，利用误差对于权、阈值的一阶导数信息，应用误差反传原理不断调整网络的权值、阈值，使网络输出值与期望值之间的误差平方和达到最小或小于设定精度。BP网络模型由输入层、隐藏层和输出层构成，如图1所示。

1.2R语言与神经网络

与起源于贝尔实验室的S语言类似，R是一种为统计计算和绘图而生的语言和环境，它是一套开源的数据分析解决方案，由一个庞大且活跃的全球性研究型社区维护。R语言提供了各式各样的数据分析技术，拥有顶尖水准的制图功能，可进行交互式数据分析和探索，易于扩展，并为快速编程实现新的统计方法提供了一套十分自然的语言[4]。

R有大量的扩展包可以使用，目前有1万多个包可下载使用，这些包提供了横跨各种领域、数量惊人的新功能，包括分析地理数据、处理蛋白质质谱、心理测试分析、金融分析、数据挖掘、人工智能、数据可视化等功能，神经网络相关的包就有19个，常用的有nnet、AMORE、RSNNS等，其中AMORE包提供了S富的控制参数，本研究采用了AMORE包进行霾预报方法研究。

2神经网络预报模型的建立

分析资料采用淄博市8个地面气象观测站点的常规观测资料、NCEP再分析资料（1°×1°）及淄博市环境监测站提供的污染物浓度资料组建模型训练样本。构建样本时间段为2015年4月至2016年9月。

2.1预报因子的选取

本研究针对预报因子的选取主要考虑影响霾天气形成的气象因子和主要污染物，包括地面气压、温度、露点温度、相对湿度、水平风速及其上空对流层中低层（500～850hPa）的水平风垂直切变、对流层中低层的层结不稳定及近地面层的逆温，以及主要污染物PM2.5浓度等9个预报因子作为训练样本，此处通过计算850hPa与1000hPa假相当位温垂直差代表对流层中低层的层结不稳定、925hPa与1000hPa温度垂直差代表近地面层的逆温。

2.2建模训练样本的处理

2015年4月1日至2016年9月30日，样本数据为1次/d，每个站的总样本数为549个。为提高霾天气预报准确率，在保证有霾和无霾样本的代表性情况下，本研究保留了有霾的样本，在无霾样本中随机剔除部分样本，提高了霾日样本所占比例，最终样本数见表1。

2.2.1样本资料的归一化处理。为消除预报因子之间的量纲影响，提高训练样本的速度，首先要对网络输入数据进行归一化处理，使其值在0～1之间。为保证建立的模型具有一定的外推能力，最好使数据预处理后的值在0.2～0.9之间。本研究中因子的归一化处理方法如下：f（x）=（x-xmin）×0.7/（xmax-xmin）+0.2，式中xmax代表该组数据中的最大值，xmin代表最小值。对网络输出结果进行反算即可得到实际值。

2.2.2样本资料的分层抽样。利用分层抽样技术对总体样本进行抽样，从无霾样本和不同等级的霾样本中抽样，将总体样本划分为训练样本和测试样本2个部分，训练样本占总样本的80%，测试样本占20%。分层抽样采用R语言的samping包中的strata函数来实现，抽样方法选用无放回的简单随机抽样法（srswor）。

2.3神经网络模型的建立

神经网络模型由1个输入层、1个输出层和若干个隐藏层构成，输入层由9个节点组成，输出层由1个节点组成。输入层节点数和输出层节点数确定后，对隐藏层节点数和隐藏层数进行优化。如果隐藏层节点数过少，网络不具备必要的学习能力和信息处理能力；反之，如果过多，则会大大增加网络结构的复杂性，使网络在学习过程中更容易陷入局部极小点，而且会使网络的学习速度变得很慢。一般在确定隐藏层节点数时采用经验公式或逐步试验法。至于网络中的神经元层数，大多数实际的神经网络仅有2～3层神经元，很少有4层或以上[5]。因此，经过反复试验，最后确定采用含有2个隐藏层的神经网络拓扑结构。将样本资料输入网络进行循环运算，运算过程采用精度和循环次数双层控制，达到所需精度或一定循环次数后，利用得到确定的网络权、阈值即构建所需的神经网络预报模型（图2）。

构建神经网络预报模型时误差准则选用最小均方（LMS）算法，隐藏层的激活函数选用sigmoid函数，输出层的激活函数选用purelin函数，训练方法采用动量自适应梯度下降法（ADAPTgdwm）。

2.4神经网络模型的测试

利用总样本中20%的数据作为测试样本集进行测试，神经网络模型输出的霾日预报准确率达到80%以上。神经网络训练和测试部分代码如下：

#进行训练

net

result

#进行测试

y

y[which（y

y[which（y>4）]

y

precision

cat（′测试准确率为′，precision，′＼n′）；

3预报结果的检验分析

本研究所用的神经网络模型由R语言进行建模并完成测试，基于神经网络算法搭建了淄博地区站点霾等级预报系统。系统中的气象因子使用欧洲细网格数值预报产品，环境因子使用CUACE雾霾数值模式产品，利用每天20：00的预报产品，预报未来72h的霾等级，时间分辨率为3h。利用该系统对2016年10月26日至11月27日期间淄博地区的霾进行了72h预报试验，并把得到的预报结果与地面观测实况作对比分析（表2）。

对预报检验结果分析如下：

（1）从单站预报情况看，5个站点的预报准确率达到了75%以上，预报模型输出的预报结果可用性较高，而站点54824、54825的空报率和漏报率较高，这可能与EC模式、CUACE模式的预报误差有关。以淄博站（54830）为例，在2016年10月26日至11月27日期间输入3h间隔预报产品，预报次数为768次，预报结果为无霾正确632次、无霾空报80次、有霾漏报45次、有霾正确11次，漏报率为5.86%，空报率为10.42%，准确达到83.72%。

（2）从总体情况来看，淄博8个站点的平均预报准确率为74.02%，平均漏报率5.37%，平均空报率为20.61%，霾的漏报率较低，空报率略高。

（3）从霾日分级预报情况看（表3），除54824站预报偏轻外，霾等级预报整体偏重。

4结论与讨论

（1）本研究采用BP算法的人工神经网络，利用NCEP再分析资料和实况观测资料建立了淄博地区8个站点的霾等级预报模型，经过测试样本测试，霾日预报准确率达到80%以上。

（2）本研究基于人工神经网络模型，利用欧洲细网格数值模式输出的气象预报产品及CUACE模式输出的污染物浓度预报产品搭建了淄博地区站点霾等级预报系统，并经过1个月的预报检验，平均预报准确率可达74%以上，对实际业务中霾的预报有一定参考意义。

（3）本研究训练样本数据由于受到PM2.5数据限制，样本偏小，有待进一步补充，以提高神经网络模型的稳定性和准确性。

（4）由于本研究中构建的霾等级预报系统是在利用数值预报产品解释应用的基础上进行的，准确率受到数值预报本身准确性的影响，所以检验系统预报准确率的同时对数值预报产品的检验和订正很有必要。

5参考文献

[1]陈亦君，尤佳红，束炯，等.基于WRF-RTIM的上海地区霾预报MOS方法研究[J].环境科学学报，2014，34（3）：574-581.

[2]毛宇清，孙燕，姜爱军，等.南京地区霾预报方法试验研究[J].气候与环境研究，2011，16（3）：273-279.

[3]HAYKINS.神经网络与机器学习[M].申富饶，译.北京：机械工业出版社，2011：1.

循环神经网络的优点篇3

工作目标：到2014年底，全县生猪存栏58万头，奶牛存栏4.6万头，家禽存栏175万只，建设规模养殖小区、养殖场20个，培训农民1000人次，秸秆青贮15万吨。建设“畜—沼—果”循环模式示范园3个，农户“畜—沼—果”循环模式示范户5户，农户“畜—沼—菜”循环模式示范户20户，“畜—沼—粮”循环模式示范户5户。三级防疫网络规范运行，畜产品质量安全监管扎实到位，完成1—2个无公害产品申报认证工作。全县全年不发生一例重大动物疫情和畜产品质量安全事故。

重点工作：

1、大力发展循环农业。一是投资700万元建设南仁旭日循环生态农业示范园区，并积极申报市级现代农业示范园区，力争进入省级现代农业示范园区行列。同时，在南仁永飞标准化养殖场和下寨村猕猴桃园区再建设2个“畜-沼-果”循环农业园，带动全县“畜—沼—果”循环农业发展。二是围绕大庄现代农业示范园建设，动员普集镇、大庄现代农业园区内及周边群众发展生猪、奶牛规模养殖，配套建设相应规模沼气池，发展农户“畜—沼—果”循环模式。三是围绕大庄贺家村蔬菜基地建设，在贺家村设施蔬菜基地设施大棚内一端配套建设10平方米猪舍，猪舍地下建设8立方米沼气池，发展一批农户“畜—沼—菜”循环模式。四是围绕镇、苏坊、游风商品粮基地建设，动员镇、苏坊、游风的农户发展生猪、奶牛养殖，配套建设沼气池，发展农户“畜—沼—粮”循环模式。五是在全县猕猴桃种植面积超过200亩的村，动员群众发展生猪养殖。按照每亩猕猴桃园配套5头猪的原则，在该村发展一批适度规模“畜—沼—果”循环模式养殖户，为果园提供优质有机肥。

2、依托企业引领，发展壮大畜牧产业。依托石羊集团技术、市场优势，发展“公司+农户”的养殖模式，在贞元、代家发展肉鸡产业。依托正大集团技术力量雄厚、服务网络全的优势，在镇、河道发展蛋鸡标准化养殖，与正大集团签订收购合同或配套建设禽蛋批发交易市场或建立经纪人队伍，畅通销售渠道。依托银桥、蒙牛、伊利等大型乳品企业，在苏坊、游凤发展奶牛标准化规模养殖场、小区，与乳品企业签订收购合同，保护养殖户利益。依托渭河沿岸水草茂盛的优势，在长宁、小村、普集街积极发展秦川牛规模养殖。

3、认真抓好标准化养殖。对以前建设的养殖场、小区进行标准化改造提升，加强软硬件设施建设，实行标准化生产，提高生产水平。对新建的养殖场，从规划阶段起坚持高点定位，按照标准化要求设计，提升标准化水平。深入开展畜禽标准化示范养殖场创建活动，到2014年底，力争有2—3个养殖场达到省级标准化示范场要求，至少1个养殖场达到部级标准化示范场标准。

4、认真抓好重大动物疫病防控。继续坚持“预防为主”的方针，认真落实动物防疫工作责任制，强化畜禽强制免疫工作，推进规模养殖场程序免疫和散养户春秋两季集中免疫，建立起免疫工作长效机制，使免疫工作常年化、制度化。强化动物疫病监测和流行病学调查，提高预警预报能力。加强布病、狂犬病、结核病等人畜共患病防治工作，有效防止疫情发生。充分发挥兽医实验室的作用，对全县各大养殖场、小区、大户的畜禽免疫抗体水平进行定期监测，及时加免，确保生产安全。

循环神经网络的优点篇4

关键词：网络安全态势预测；CMAES优化算法；RBF神经网络；时间序列预测

DOI：1015938/jjhust201702026

中图分类号：TP3930

文献标志码：A

文章编号：1007-2683（2017）02-0140-05

Abstract：Amethodfornetworksecuritysituationpredictionisproposed，wherethecovariancematrixadaptationevolutionstrategyalgorithm（CMAES）isusedtooptimizetheparametersoftheradialbasisfunctionneuralnetworkforecastingmodel（RBF），whichmakestheforecastingmodelhavesuperiorability，andcanquicklyfindouttherulesofthecomplextimeseriesThesimulationsresultsshowthattheproposedmethodcanaccuratelypredictthenetworksecuritysituation，andhasbetterpredictionaccuracythantraditionalpredictionmethods

Keywords：networksecuritysituationprediction；covariancematrixadaptationevolutionstrategyalgorithm；Radialbasisfunctionneuralnetwork；timeseriesprediction

0引言

随着网络技术的广泛使用和快速发展，网络系统开始呈现出越来越复杂的趋势。所有复杂的系统都要面临严峻的安全问题，网络平台也不例外，任何一个小的漏洞都有可能被黑客利用，从而导致整个网络的崩溃。传统的安全技术属于被动防御技术，例如入侵检测系统是在攻击来临时进行识别并作出反应。相比之下，管理人员更需要一种能够宏观描述并预测网络整体状况的技术，以此能够做到未雨绸缪主动防御。针对这个问题，BassT在1999年提出了网络安全态势的概念[1-2]，他指出网络安全态势是一组能够反映网络系统宏观状态的数值，通过它可以让管理人员快速的了解网络运行的基本情况。获取并处理网络安全态势的技术称为网络安全态势感知[1，3-7]，它包括3个层次[8]：①网络底层态势要素的提取（态势提取）；②网络安全态势的评估（态势理解）；③网络安全态势的预测。态势要素的提取主要依靠神经网络和支持向量机等分类技术将威胁网络安全的数据分类，然后在由网络安全态势评估技术按照不同攻击种类的重要程度加权平均得出网络安全态势值[9]。当收集到一段时间的历史网络安全态势值后，就可以建立预测模型预测未来的网络安全态势。可以看出，网络安全态势预测技术是网络安全态势感知中最为重要的环节，本文要解决的就是网络安全态势预测问题。

目前，已经有很多预测模型用于网络安全态势预测，例如灰色预测模型[10]、GABP预测模型[11]、RBF预测模型[12]、HMM预测模型[13]、EvHMM预测模型[14]以及HBRB预测模型[15-16]等。灰色预测模型是利用灰色理论对含不确定信息的系统进行预测的模型，但是它只能反映系统发展的大致趋势，并不能精确预测未来的数值。HMM、EvHMM以及HBRB等预测模型将安全态势视为隐含行为，优化过程复杂且具有s束条件，不适用于实时性要求高的网络系统。

神经网络模型是网络安全态势预测中最常用的方法，但是由于在训练模型的过程中需要优化大量的参数，且传统的优化算法往往会在优化过程中陷入到局部最优点，所以神经网络预测模型并不能精确的预测样本数量小且规律性不强的网络安全态势。

针对上述问题，本文提出利用CMAES算法对RBF神经网络的参数进行优化，从而提高网络安全态势预测的精度。CMAES算法全称是协方差矩阵自适应进化策略[17-18]，是目前最受关注的优化算法之一，它在高维非线性优化问题上表现良好，能够利用较少的个体快速收敛到全局最优点。RBF全称是径向基神经网络，它具备良好的泛化能力和逼近性能，并且可以处理复杂的非线性系统。RBF解决了BP的局部最小值问题，并已成功应用到众多的工程领域[19-24]。将两者结合到一起，可以克服神经网络模型的缺点，增加全局优化能力，提高预测精度。

本文的组织结构为：在第一节中，介绍了RBF及CMAES的相关概念及基本原理。在第二节中提出了CMARBF预测模型。在第三节中，利用所提出的方法对实际网络平台的安全态势进行预测，并将结果和其他传统方法进行了比较。在第四节中，对CMARBF预测模型进行总结。

1基本概念

11RBF神经网络的基本原理

RBF神经网络模型在结构上与BP相同，都属于前馈型式神经网络。区别在于RBF的隐层只有一个且使用径向基函数作为隐层神经元的激活函数，RBF的隐层可以将输入变换到高维空间中，从而解决低维空间线性不可分的问题。RBF神经网络模型具备良好的全局最优和逼近性能，并且结构不复杂，收敛速度快，可以作为系统辨识的、非线性函数逼近等领域的有力工具。典型的RBF神经网络模型结构如图1所示。

利用CMARBF预测网络安全态势的基本步骤如下所示：

Step1：利用公式（9）确定模型的历史样本；

Step2：确定RBF神经网络的初始参数Ω0；

Step3：确定初始迭代次数t=0和最大迭代次数tmax；

Step4：确定CMAES算法的初始⑹；

Step5：建立形如公式（11）优化目标函数；

Step6：进入循环：whilet

Step61：利用公式（3）以Ωt作为期望meant生成新的种群；

Step62：利用公式（4）得到新的种群期望meant+1；

Step63：利用公式（5）（6）（8）更新种群的协方差矩阵，得到Mt+1；

Step64：利用公式（9）更新步长，得到st+1；

Step65：计算新种群的目标函数值，选出最优个体（参数）Ωbest；

Step66：重复执行step61，直到t=tmax跳出循环；

Step7：以Ωbest作为RBF神经网络的参数，历史样本做为训练数据，对RBF进行训练；

Step8：用训练RBF模型对安全态势预测。

3仿真实验

31背景描述

我们以真实的网络平台为背景（如图3所示），收集了三个月共92天的攻击数据，并将它们利用层次化评估方法求出92天的网络安全态势值。

图3描绘的是某高校真实网络环境，全网可分为内网和DMZ区两大部分。其中内网包括图书馆、宿舍、行政楼和教学楼；DMZ区包括各类服务器及数据库。攻击数据的收集在防火墙及核心交换机上完成。

当作为网络安全要素的攻击数据收集完毕后，可以由专家确定各安全要素的权重，在利用常用的层次化评估方法获得全网的网络安全态势值，如图4所示：

从图4可以看出，该网络平台的网络安全态势在整体上呈现一定的规律，每个月的中期攻击强度增大，月底逐渐减小，但是在局部，态势值有一定的随机性。为了利用前述的CMARBF模型去预测网络安全态势值，我们将上述数据通过公示（9）生成了89组样本，前60组作为训练样本，后29组作为预测样本。模型的初始参数见表1：

32比较实验

为验证所提模型有效性，选取了没有优化RBF模型和GARBF模型与CMARBF模型比较，比较结果如图5和表2所示：

从图5和表2可以看出，CMARBF的预测精度要高于其他方法。

4结论

所提出的CMARBF预测模型是将新的进化算法CMAES引入到RBF模型中，利用CMAES高效的寻优能力去解决高维模型中参数优化问题。两者的结合使得神经网络的结构和参数更加合理，具有更好的预测能力。本文将所提方法应用于网络安全态势预测领域，得到了很好的效果。比较实验结果表明，CMARBF模型的预测精度高于其他传统方法。在今后的工作中，我们会继续探索更适应与网络安全态势预测的新方法。

参考文献：

[1]BASSTIntrusionDetectionSystemandMultisensorDataFusion：CreatingCyberspaceSituationAwareness[J].CommunicationsofTheACM，2000，43（4）：99-105

[2]王庚，张景辉，吴娜网络安全态势预测方法的应用研究[J].计算机仿真，2012，29（2）：98-101

[3]胡冠宇，乔佩利基于云群的高维差分进化算法及其在网络安全态势预测上的应用[J].吉林大学学报（工学版），2016，46（2）：568-577

[4]鲁颖欣，王健，齐宏卓模糊判断在网络安全风险评估中的应用研究[J].哈尔滨理工大学学报，2014，19（1）：36-39

[5]高青波，胡冠宇，徐泽群并行计算平台的网络安全态势感知系统[J].科技创新与应用，2015（15）：4-5

[6]HUGY，QIAOPCloudBeliefRuleBaseModelforNetworkSecuritySituationPrediction[J].IEEECommunicationsLetters，2016，20（5）：914-917

[7]HUGY，ZHOUZJ，ZHANGBC，etalAMethodforPredictingtheNetworkSecuritySituationBasedonHiddenBRBModelandRevisedCMAESAlgorithm[J].AppliedSoftComputing，2016，48：404-418

[8]王慧强，赖积保，胡明明等网络安全态势感知关键技术研究[J].武汉大学学报-信息科学版，2008，33（10）：995-998

[9]陈秀真，郑庆华，管晓宏等层次化网络安全威胁态势量化评估方法[J].软件学报，2006，17（4）：885-897

[10]马杰，任望，薛东军等灰色灾变模型在计算机网络安全态势预测中的研究[C].第三届信息安全漏洞分析与风险评估大会，2010

[11]胡明明，王慧强，赖积保一种基于GABPNN的网络安全态势预测方法[m].北京：中国科技论文在线，2007

[12]任伟，蒋兴浩，孙锬锋基于RBF神经网络的网络安全态势预测方法[J].计算机工程与应用200631：136-139

[13]MUTHUMANIN，THANAMANIASOptimizingHiddenMarkovModelforFailurePredictionComparisonofGaine’sOptimizationandMinimumMessageLengthEstimator[J].IntJComputSciEng，2011，3（2）：892-898

[14]RAMASSOEContributionofBeliefFunctionstoHMMwithanApplicationtoFaultDiagnosis[J].In：IEEEInternationalWorkshoponMachineLearningandSignalProcessing，Grenoble，France，2009：2-4

[15]HUGY，QIAOPLCloudBeliefRuleBaseModelforNetworkSecuritySituationPrediction[J].IEEECommunicationsLetters，2016，20（5）：914-917

[16]HUGY，ZHOUZJ，ZHANGBC，etalAMethodforPredictingtheNetworkSecuritySituationBasedonHiddenBRBModelandRevisedCMAESAlgorithm[J].AppliedSoftComputing，2016，48：404-418

[17]HANSENNTheCMAEvolutionStrategy：aComparingReviewTowardsaNewEvolutionaryComputation[J].Advancesonestimationofdistributionalgorithms，2006，75-102

[18]HANSENN，KERNSEvaluatingtheCMAEvolutionStrategyonMultimodalTestFunctions[J].ParallelProblemSolvingfromNaturePPSNVIII，2004，282-291

[19]同光，桂卫华基于粒子群优化神经网络观测器感应电机定子电阻辨识[J].电机与控制学报，2015，19（2）：89-95

[20]王建敏，董小萌，吴云洁高超声速飞行器RBF神经网络滑模变结构控制[J].电机与控制学报，2016，20（5）：103-110

[21]张旭隆，曹言敬，邵晓根基于边界约束RBF网络的SRM磁链特性在线建模[J].电机与控制学报，2015，19（2）：83-88

[22]宋清昆，李源松RBF神经网络锅炉燃烧系统建模[J].哈尔滨理工大学学报，2016，21（1）：89-92

循环神经网络的优点篇5

摘要：本文以人工神经网络为工具，建立了燃气电机组和吸附式制冷机组成的微型冷热电联供系统的模型，对于模型的仿真结果进行了分析。通过对模型的分析和评价，发现人工神经网络模型能准确适应联供系统的高度非线性。仿真结果显示了模型与系统的实际运行规律较为符合，为以后指导系统的优化运行和控制的设计奠定了良好的基础。

关键词：微型冷热电联供系统非线性BP神经网络

0前言能源是当今社会发展所面临的一个重大问题。随着全球经济的快速发展和可持续战略的实施，能源的利用问题也摆在了非常重要的位置。冷热电联供系统作为一种新的能源利用方式具有无可比拟的优势。冷热电联供系统用天然气作为一次能源，随着世界天然气产量的增加，天然气将大大改变现有的能源结构，成为能源利用新的主力；而冷热电联供系统作为一种能量梯级利用系统，利用一次能源驱动发动机发电，利用余热利用设备对余热进行回收利用，同时提供电力，热量和冷量，这样能大大提高能源的利用效率[1]。基于以上优点，冷热电联供系统成为各国竞相研究的对象，并且在美国、日本和欧洲各国都有大规模的实际应用。冷热电联供系统的一个重要的研究方向是整个系统的建模，好的系统模型可以用来确定系统的可行性和分析预测系统的运行，以及用于系统的控制策略研究,并可以为系统的优化匹配和优化运行提供指导。以往的关于联供系统的数学模型都是基于热力学基本原理，建立简单的数学模型。而联供系统的特性是高度非线性化的，传统的热力学模型无法准确描述其运行特性，因此需要用另外的一种思路去建立模型，而人工神经网络则从一定程度上满足了这一需要。人工神经网络吸取了生物神经网络的许多优点，表现在：

（1）高度的并行性。

（2）高度的非线性全局作用。

（3）良好的容错性与联想记忆功能。

（4）十分强的自适应、自学习能力。[2]

近年来，人工神经网络已经在制冷空调方面有了一些应用。[5]、[7]

1微型冷热电联供系统实验装置设计1.1系统描述

上海交通大学制冷与低温工程研究所孔祥强[1]等建立了制冷功率在10kW左右的微型冷热电联供系统试验台，整个系统采用了一台小型燃气发电机组和一台研究所自己研制的余热型吸附式制冷机，其系统图见图1。系统设计参数见表1。

图1微型冷热电联供系统流程图

1.2实验参数仪器

系统的测试参数包括

（1）热水循环、冷却塔冷却水循环、冷冻水循环的状态参数（主要有温度和流量）；

（2）液化气供应的状态参数（主要有压力、温度和流量）；

（3）空气供应的状态参数（主要是温度和流量）

（4）小型燃气内燃机排烟的状态参数；

（5）系统发电的状态参数（主要是功率、电压、电流和频率）

上述待测参数的采集及处理全部由计算机采集系统自动完成。整个数据采集系统由27个温度传感器、2个压力传感器、7个流量传感器、1台电参数测量仪、1台Keithely2700数据采集/测量仪和1台计算机组成。

表1微型冷热电联供系统设计参数微型冷热电联供系统行评价，本文采用了两种验证方法，一是模型与所利用的实验数据进行误差计算；二是用另外的几组新的数据对模型进行测试。其误差曲线见图7，图8；其测试图见图9，图10。

如图7所示，燃气发电机组模型的发电量绝对误差非常小，且波动也较小，说明模型和实验数据拟合的比较好；而余热量在输入热量较大时误差突然变大，这是由于神经网络在训练时候的随机性决定的，但其绝对误差控制在0.06范围内，相对误差也非常小。在图9中可以看出模型对于测试点的预测效果非常好。

如图8所示，吸附式制冷机模型的绝对误差在0.03范围内波动，由图10可见，测试点基本上在模型曲线上下波动，在多输入参数的情况下，说明模型具有一定的适用性。

图7燃气发电机组神经网络模型的误差曲线图

图8吸附式制冷机神经网络模型的误差曲线图

图9燃气发电机组神经网络模型的测试图

图10吸附式制冷机神经网络模型的测试图

4结论针对微型冷热电联供系统的高度非线性，多输入多输出的特点，本文提出了以BP神经网络进行建模的思想。系统模拟和评价的结果表明，神经网络作为一种非线性的数学工具，具有快速、简单、准确的特点，结合Matlab的神经网络工具箱使得算法的精度和模型的适用性大大增强。这为以后预测系统的运行，系统的控制设计都提供了良好的基础。在建模过程中对系统做了必要的简化处理，随着实验和理论研究的进一步深入，以后的工作要研究多个参数对系统的运行的影响，为系统的优化运行提出必要的方案。

参考文献1.孔祥强.基于燃气内燃机和吸附制冷机的微型冷热电联供系统研究.[博士学位论文].上海：上海交通大学，2005

2.丛爽.面向MATLAB工具箱的神经网络理论与应用（第2版）.合肥：中国科技大学出版社，2003，5

3.闻新，周露等.MATLAB神经网络应用设计.北京：科学出版社,2000

4.飞思科技产品研发中心.MATLAB6.5辅助神经网络设计.北京：电子工业出版社，2003，1

5.丁国良,张春路.制冷空调装置智能仿真.北京:科学出版社,2002