前言：想要寫出一篇令人眼前一亮的文章嗎？我們特意為您整理了5篇模糊神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)范文，相信會為您的寫作帶來幫助，發(fā)現(xiàn)更多的寫作思路和靈感。

模糊神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)范文第1篇

關(guān)鍵詞:模糊神經(jīng)網(wǎng)絡(luò);股票預(yù)測

一、引言

中國股市經(jīng)過十余年的發(fā)展,應(yīng)該說已經(jīng)取得十分巨大的成就,但是與國外成熟股市相比仍然是一個(gè)新興市場。事實(shí)上,探索和研究股票價(jià)格波動(dòng)的復(fù)雜性和規(guī)律性,是許多經(jīng)濟(jì)工作者,尤其是證券研究者一直追求的目標(biāo)。

股票交易數(shù)據(jù)預(yù)測是一種時(shí)間序列預(yù)測方法。時(shí)間序列預(yù)測法是依據(jù)預(yù)測對象過去的統(tǒng)計(jì)數(shù)據(jù),找到其隨時(shí)間變化的規(guī)律,建立時(shí)序模型,以判斷未來數(shù)值的預(yù)測方法。其基本思想是:過去的變化規(guī)律會持續(xù)到未來,即未來是過去的延伸。一般一維時(shí)間序列預(yù)測方法有移動(dòng)平均與分解方法、指數(shù)平滑方法、狀態(tài)空間模型等。這些預(yù)測方法經(jīng)過長期的發(fā)展,在定量預(yù)測模型和定性預(yù)測模型等方面都有長足的進(jìn)步。但是,當(dāng)系統(tǒng)具有較強(qiáng)的非線性時(shí),這些方法的適應(yīng)性卻是有限的,在實(shí)際的預(yù)測環(huán)境中常常失去效用,因此用這些傳統(tǒng)的預(yù)測方法解決這類問題十分困難。

二、神經(jīng)網(wǎng)絡(luò)和模糊邏輯結(jié)合的可能性

神經(jīng)網(wǎng)絡(luò)的興趣在于人腦的微觀結(jié)構(gòu)。并通過有自學(xué)習(xí)、自組識、自適應(yīng)功能的神經(jīng)網(wǎng)絡(luò)上的非線性并行分散動(dòng)力學(xué),對無法語言化的模式信息進(jìn)行處理。模糊邏輯根據(jù)人為定義的隸屬函數(shù)和一系列并串行的規(guī)則,用邏輯推理去處理各種模糊性的信息,是通過模仿人的思維方式來表示和分析不確定、不精確信息的方法和工具。盡管“模糊”這個(gè)詞在這里容易使人產(chǎn)生誤解,實(shí)際上在模糊邏輯控制中的每一個(gè)特定的輸入都對應(yīng)著一個(gè)實(shí)際的輸出。所以模糊邏輯本身并不模糊,模糊邏輯并不是“模糊的”邏輯,而是用來對“模糊”進(jìn)行處理以達(dá)到消除模糊的邏輯,它是一種精確解決不精確、不完全信息的方法,其最大特點(diǎn)就是用它可以比較自然地處理人的概念,是一種更人性化的方法。在處理數(shù)據(jù)時(shí),模糊邏輯更能容忍噪音干擾和元器件的變化,使系統(tǒng)適應(yīng)性更好模。糊邏輯還對使產(chǎn)品開發(fā)周期縮短而編程更容易。通過模糊化樣本,提高了樣本集中各樣本的質(zhì)量,進(jìn)而改進(jìn)能量函數(shù)。用神經(jīng)網(wǎng)絡(luò)去預(yù)測股票,在對信息的推理上還存在相當(dāng)大的困難;而在信息的獲取方面,模糊技術(shù)也顯得十分軟弱。

因此本文根據(jù)模糊邏輯和神經(jīng)網(wǎng)絡(luò)的各自長處把它們結(jié)合起來,利用這種方法對股票預(yù)測進(jìn)行研究。模糊系統(tǒng)提供了一種推論式語句用來逼近人的推理能力和并且應(yīng)用到基于知識的系統(tǒng)中。模糊邏輯理論是用一種數(shù)學(xué)工具來獲取人們認(rèn)知過程。然而,模糊邏輯中有個(gè)共同的瓶頸是它們都依賴于由領(lǐng)域?qū)＜医o出的規(guī)則,而且,不存在正式的框架來選擇模糊系統(tǒng)的各種參數(shù),因此,調(diào)整參數(shù)的方法是模糊系統(tǒng)的一個(gè)重要研究課題。另一方面,神經(jīng)網(wǎng)絡(luò)所具有一些重要的有點(diǎn),比如學(xué)習(xí)能力、自適應(yīng)能力、容錯(cuò)能力等,所以神經(jīng)網(wǎng)絡(luò)能夠處理復(fù)雜的、非線性的以及不確定性問題。正是因?yàn)槿绱?可以相信它們具有構(gòu)建與人們?nèi)酥嘘P(guān)的各種行為的潛能。但是神經(jīng)網(wǎng)絡(luò)的主要問題是它沒有明確的物理意義,使用者不知道這些網(wǎng)絡(luò)是如何運(yùn)轉(zhuǎn)的。這就是為何神經(jīng)網(wǎng)絡(luò)總是被稱為“黑箱”的原因。對以一個(gè)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò),其連接權(quán)值不能清楚地說明網(wǎng)絡(luò)是如何處理數(shù)據(jù)的,其含義是什么。特別是,現(xiàn)在的神經(jīng)網(wǎng)絡(luò)理論還沒有提供一種方法來預(yù)測訓(xùn)練好了的網(wǎng)絡(luò)的輸出。因此,在實(shí)際應(yīng)用中造成了一些不確定性。

把模糊系統(tǒng)和神經(jīng)網(wǎng)絡(luò)的結(jié)合成為模糊神經(jīng)網(wǎng)絡(luò),該網(wǎng)絡(luò)致力于獲得兩種系統(tǒng)的優(yōu)點(diǎn)而克服各自的缺點(diǎn)。正如前文提到的,神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)在于,第一個(gè)是能夠生成不需要明確表現(xiàn)知識的規(guī)則;第二個(gè)是其強(qiáng)大的自學(xué)能力。模糊系統(tǒng)的優(yōu)點(diǎn)在于,第一個(gè)是能用模糊性的語言表達(dá)知識;第二個(gè)是能用簡單的預(yù)算來實(shí)現(xiàn)知識的模糊推理。兩者的結(jié)合可以解決模糊系統(tǒng)中的只是抽取問題以及專家知識也能很容易融合到神經(jīng)網(wǎng)絡(luò)中,避免了初值選擇的任意性。

三、模糊神經(jīng)網(wǎng)絡(luò)的模型設(shè)計(jì)

1、模型的結(jié)構(gòu)

模糊神經(jīng)網(wǎng)絡(luò)與一般的神經(jīng)網(wǎng)絡(luò)相類似,通常分為前向型模糊神經(jīng)網(wǎng)絡(luò)和反饋型模糊神經(jīng)網(wǎng)絡(luò)兩類。本文采用的就是前向型模糊神經(jīng)網(wǎng)絡(luò)。該網(wǎng)絡(luò)是可以實(shí)現(xiàn)模糊映射關(guān)系的模糊神經(jīng)網(wǎng)絡(luò)。一個(gè)前向型模糊神經(jīng)網(wǎng)絡(luò)可分為五層組成,分別為輸入層、模糊化層、模糊推理層、去模糊化層和輸出層。圖1-1為含有兩個(gè)輸入層節(jié)點(diǎn)、一個(gè)輸出節(jié)點(diǎn)的一個(gè)基本前向模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

輸入層指的是接受外部輸入信號的一層,并將輸入值傳送給模糊化層的模糊單元;模糊化層的作用是按模糊規(guī)則將輸入值轉(zhuǎn)換為一定的模糊度,是對模糊信息進(jìn)行預(yù)處理的網(wǎng)層。模糊推理層是前向型模糊神經(jīng)網(wǎng)絡(luò)的核心,其網(wǎng)絡(luò)參數(shù)是由具體問題所確定的;去模糊化層接受經(jīng)中間層處理的數(shù)據(jù),并按照模糊度函數(shù)將數(shù)據(jù)進(jìn)行非模糊化處理;最后輸出層給出確定性求解結(jié)果。

本文采用的是TS模糊神經(jīng)網(wǎng)絡(luò)。該神經(jīng)網(wǎng)絡(luò)分為輸入層、模糊化層、模糊規(guī)則計(jì)算層和輸出層(包括去模糊化)。輸入層與輸入向量xi連接,節(jié)點(diǎn)數(shù)與輸入向量的維數(shù)相同。模糊化層采用隸屬度函數(shù)(公式1-1)對輸入值進(jìn)行模糊化得到模糊隸屬度值μ。模糊規(guī)則計(jì)算層采用模糊連乘(公式1-2)計(jì)算得到φ。輸出層采用(公式1-3)計(jì)算模糊神經(jīng)網(wǎng)絡(luò)的輸出。下面給出各公式:

1-1

式中,分別為隸屬度函數(shù)的中心和寬度;k為輸入?yún)?shù);n為模糊子集數(shù)。

1-2

1-3

式中為模糊系統(tǒng)參數(shù)。

2、模糊神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法

(1)誤差計(jì)算

式中,yd為網(wǎng)絡(luò)期望輸出;yc是網(wǎng)絡(luò)實(shí)際輸出,e為期望輸出和實(shí)際輸出的誤差。

(2)系數(shù)修正

式中,為神經(jīng)網(wǎng)絡(luò)系數(shù);α為網(wǎng)絡(luò)學(xué)習(xí)率;xj為網(wǎng)絡(luò)輸入?yún)?shù);φi為輸入?yún)?shù)隸屬度連乘積。

(3)參數(shù)修正

式中,、分別為隸屬度函數(shù)的中心和寬度。

3、預(yù)測模型的結(jié)構(gòu)設(shè)計(jì)和參數(shù)的設(shè)定

網(wǎng)絡(luò)結(jié)構(gòu)的選擇需要考慮以下因素:軟硬件實(shí)現(xiàn)的難易程度、訓(xùn)練速度和網(wǎng)絡(luò)的推廣能力等,其中網(wǎng)絡(luò)的推廣能力是最主要的,網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)至今還沒有確定的方法可循。14世紀(jì)的法國修道士 提出過一個(gè)最簡單原則:“與己知事實(shí)滿意符合(一致)的理論中最簡單者就是最好的理論”,后人稱此原則為“奧克姆剃刀”。由此產(chǎn)生了一個(gè)公認(rèn)的指導(dǎo)原則:“在沒有其他經(jīng)驗(yàn)知識時(shí),能與給定樣本滿意符合(一致)的最簡單(規(guī)模最小的網(wǎng)絡(luò)就是最好的選擇”。這相當(dāng)于在樣本點(diǎn)的誤差在允許范圍條件下用參數(shù)最少的模型去逼近一個(gè)未知的非線性映射。

從總體上來說,網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)并沒有固定可循的步驟,有許多參數(shù)要靠經(jīng)驗(yàn)選擇,并通過試驗(yàn)加以比較。規(guī)模小的網(wǎng)絡(luò)的泛化能力強(qiáng),同時(shí)也易于理解和抽取規(guī)則、知識,便于軟硬件實(shí)現(xiàn)。通常情況下,由于訓(xùn)練樣本有限,所以把泛化能力作為主要要求,強(qiáng)調(diào)選擇能達(dá)到要求的最小網(wǎng)絡(luò)。理論證明,一個(gè)三層網(wǎng)絡(luò)可以任意逼近一個(gè)非線性連續(xù)函數(shù)。

基于T-S模糊神經(jīng)網(wǎng)絡(luò)的算法流程如圖1-2所示。其中模糊神經(jīng)網(wǎng)絡(luò)構(gòu)建根據(jù)訓(xùn)練樣本維數(shù)確定模糊神經(jīng)網(wǎng)絡(luò)的輸入和輸出的節(jié)點(diǎn)以及模糊隸屬度函數(shù)個(gè)數(shù)。由于輸入數(shù)據(jù)為開盤價(jià),最高價(jià),最低價(jià),收盤價(jià)這四組數(shù)據(jù),所以為n=4維的,輸出的是次日的開盤價(jià)格即輸出數(shù)據(jù)為1維的。在模糊化層中,該層有nm個(gè)節(jié)點(diǎn),利用K-means法對樣本進(jìn)行聚類分析得到模糊規(guī)則數(shù)以確定m。在聚類分析得出m=2所以得到節(jié)點(diǎn)數(shù)為8,該模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)為4-8-1。在根據(jù)T-S的模型,所以選擇5組系數(shù)ρi。

雖然權(quán)值隨迭代而更新,一般都是收斂的,但是如果初始值設(shè)置的太大的話會影響該網(wǎng)絡(luò),會使網(wǎng)絡(luò)飽和的很快。初始的權(quán)值對收斂速度也會造成影響。實(shí)驗(yàn)表明,初始權(quán)值只要不是過大,對網(wǎng)絡(luò)整體的性能的影響并不大,一般可選在(-0.5,0.5),本文取權(quán)值為0。由于本文的隸屬度函數(shù)利用的是高斯函數(shù),所以高斯函數(shù)中的中心和寬度隨機(jī)得到。

在學(xué)習(xí)率和網(wǎng)絡(luò)參數(shù)的選擇上,若選擇的太小,會使網(wǎng)絡(luò)參數(shù)修改量過小,收斂的速度緩慢;若選擇的太大,雖然可以加快了學(xué)習(xí)的速度,但是有可能導(dǎo)致在穩(wěn)定點(diǎn)附近進(jìn)行持續(xù)的振蕩,難以收斂,目前在理論上還沒有明確的確定學(xué)習(xí)率的方法,對于具體問題需要進(jìn)行試驗(yàn),通過實(shí)驗(yàn)比較出適合的學(xué)習(xí)率,本文在通過實(shí)驗(yàn)選取學(xué)習(xí)率為0.025,網(wǎng)絡(luò)參數(shù)選取0.001,最大迭代次數(shù)選取為100。

四、實(shí)證分析

1、預(yù)測的效果

選取綠景地產(chǎn)(000502)2010年1月20日連續(xù)120個(gè)交易日的數(shù)據(jù)作為訓(xùn)練和預(yù)測樣本。其中使用前100個(gè)交易日的指標(biāo)作為訓(xùn)練樣本訓(xùn)練網(wǎng)絡(luò),用后20個(gè)數(shù)據(jù)進(jìn)行樣本預(yù)測。

如圖1-3為訓(xùn)練網(wǎng)絡(luò)的效果圖,該結(jié)果是用歸一化后的數(shù)據(jù)。

表 1-1列出真實(shí)值和預(yù)測值以及預(yù)測的相對誤差((真實(shí)值-預(yù)測值)/真實(shí)值):

2、網(wǎng)絡(luò)性能的評價(jià)

對神經(jīng)網(wǎng)絡(luò)常用的預(yù)測性能的評價(jià)指標(biāo)常用的有RRMS,MPE,mpe,PC。選取綠景地產(chǎn)(000502)2010年1月20日連續(xù)120個(gè)交易日的數(shù)據(jù)作為訓(xùn)練和預(yù)測樣本。其中使用前100個(gè)交易日的指標(biāo)作為訓(xùn)練樣本訓(xùn)練網(wǎng)絡(luò),用后20個(gè)數(shù)據(jù)進(jìn)行樣本預(yù)測。本系統(tǒng)的各項(xiàng)性能指標(biāo)如下:

相對均方根誤差:RRMS=0.63%最大誤差:MPE=0.19元 正確趨勢率:PCD=65%

從以上指標(biāo)看出用該模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測是有效的,預(yù)測系統(tǒng)式成功的。

五、總結(jié)

股票市場是反映經(jīng)濟(jì)的“晴雨表”,其作用不但被政府重視,而且受投資大眾的普遍關(guān)注,股票市場中的收益伴隨著風(fēng)險(xiǎn),以最小風(fēng)險(xiǎn)獲得最大收益是每個(gè)投資者的目標(biāo),所以研究股票市場內(nèi)在規(guī)律及其預(yù)測具有重大的意義和應(yīng)用的價(jià)值。股票交易數(shù)據(jù)預(yù)測是時(shí)間序列預(yù)測。在股票市場這個(gè)極其復(fù)雜的系統(tǒng)中,它所具有的非線性和高噪聲等因素決定了股票預(yù)測的過程的復(fù)雜與困難,傳統(tǒng)預(yù)測方法很難應(yīng)用于此,難以建立有效的數(shù)學(xué)模型。

神經(jīng)網(wǎng)絡(luò)是一種很好的時(shí)間序列預(yù)測方法。神經(jīng)網(wǎng)絡(luò)具有逼近任意復(fù)雜連續(xù)函數(shù)關(guān)系的能力,而這些能力正是傳統(tǒng)方法所不具有的。本文把模糊邏輯和神經(jīng)網(wǎng)絡(luò)相結(jié)合起來,首先介紹了模糊系統(tǒng)和神經(jīng)網(wǎng)絡(luò)的基本知識以及二者結(jié)合的可能性。然后建立模糊神經(jīng)網(wǎng)絡(luò)模型并用于股票價(jià)格的預(yù)測,運(yùn)用相關(guān)分析在剔除了與預(yù)測指標(biāo)相關(guān)性較小的指標(biāo),簡化了模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu),并在實(shí)際的試驗(yàn)中確定了相關(guān)網(wǎng)絡(luò)系數(shù)的初始值,簡要的介紹了建模的工具,并用設(shè)立模糊等級對模糊神經(jīng)網(wǎng)絡(luò)的有效性進(jìn)行了評價(jià),在通過實(shí)證分析證實(shí)了網(wǎng)絡(luò)系統(tǒng)基本上達(dá)到了預(yù)想的要求。

參考文獻(xiàn):

[1]胡守仁,神經(jīng)網(wǎng)絡(luò)應(yīng)用技術(shù)[M],國防科技大學(xué)出版社,1993

[2]趙振宇,模糊理論和神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)與應(yīng)用[M],清華大學(xué)出版社,1996

[3]劉增良,模糊邏輯與神經(jīng)網(wǎng)絡(luò)[M],北京航空航天大學(xué)出版社,1996

[4]吳華星,基于神經(jīng)網(wǎng)絡(luò)的股票價(jià)格預(yù)測,中國科學(xué)院計(jì)算技術(shù)研究所,1998

[5]姚培福,人工神經(jīng)網(wǎng)絡(luò)在股票預(yù)測中的應(yīng)用與研究,昆明理工大學(xué)碩士學(xué)位論文,2007

模糊神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)范文第2篇

關(guān)鍵詞：集中供熱；模糊控制；神經(jīng)網(wǎng)絡(luò)；系統(tǒng)仿真

集中供暖系統(tǒng)由熱源、熱網(wǎng)和熱用戶組成，其中熱源的控制是控制總供水溫度和流量，保證按需供熱并均勻分配總供熱量至各熱力站。熱網(wǎng)分為一次網(wǎng)和二次網(wǎng)，熱網(wǎng)的控制是通過對熱負(fù)荷的動(dòng)態(tài)預(yù)測，來調(diào)節(jié)和分配總需熱量[1]。為了實(shí)現(xiàn)供熱系統(tǒng)的按需供熱，達(dá)到供暖的需要，本文通過室外溫度來確定二次網(wǎng)供水溫度值，通過調(diào)節(jié)一次網(wǎng)供熱管的調(diào)節(jié)閥，改變一次網(wǎng)的高溫水流量，從而保證二次網(wǎng)的供水溫度，滿足供暖用戶的需求。

1換熱站的設(shè)計(jì)方案

在整個(gè)供暖的冬季，二次網(wǎng)供水溫度是隨著室外溫度和用戶熱負(fù)荷來決定的。而在熱交換站的控制中，通過調(diào)節(jié)一次網(wǎng)供水側(cè)電動(dòng)調(diào)節(jié)閥的開度改變供水流量來實(shí)現(xiàn)二次網(wǎng)出水口溫度調(diào)節(jié)，從而保證了在室外溫度或熱用戶負(fù)荷發(fā)生變化時(shí)，熱源的總供熱量與用戶需熱量相比配，以達(dá)到保證供熱質(zhì)量、滿足人們生活的需要。

2模糊神經(jīng)網(wǎng)絡(luò)控制算法的研究

模糊神經(jīng)網(wǎng)絡(luò)是將一些專家知識預(yù)先分布到神經(jīng)網(wǎng)絡(luò)中，利用神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)功能來優(yōu)化模糊控制規(guī)則和相應(yīng)的隸屬度函數(shù)，它既具有模糊系統(tǒng)的模糊信息處理能力又具有神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)功能，實(shí)現(xiàn)了模糊系統(tǒng)的自學(xué)習(xí)和自適應(yīng)。因此，利用模糊控制與神經(jīng)網(wǎng)絡(luò)相結(jié)合對換熱站系統(tǒng)進(jìn)行優(yōu)化控制可以解決這類大滯后、時(shí)變性、非線性問題。

本文采用的模糊神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)控制系統(tǒng)框圖如圖3所示，圖中FNC表示模糊神經(jīng)網(wǎng)絡(luò)控制器。Ke、Kc、Ku分別表示量化因子和比例因子，To表示給定值，T（t）為實(shí)際的溫度。其中以溫度的給定值與測量值之間的偏差和偏差變化量作為輸入量，以一次網(wǎng)閥門的開度作為輸出控制量，通過調(diào)節(jié)控制閥的開度來改變一次供水的流量從而達(dá)到調(diào)節(jié)二次網(wǎng)供水溫度的目的。由FNC模糊神經(jīng)網(wǎng)絡(luò)控制器來完成對過程的閉環(huán)控制。[2]。

圖2 模糊神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)控制系統(tǒng)圖

2.1模糊神經(jīng)網(wǎng)絡(luò)模型的建立

整個(gè)網(wǎng)絡(luò)中的數(shù)據(jù)變化如下：

第一層是輸入層， (2-1)

第二層是模糊化層，若隸屬度函數(shù)采用鐘形函數(shù)，輸出的運(yùn)算公式為

，（h=1，2，…，14） （2-2）

其中是隸屬度函數(shù)的中心，是隸屬度函數(shù)的寬度。

第三層模糊規(guī)則層，每個(gè)節(jié)點(diǎn)表示一條模糊規(guī)則，它將輸入的數(shù)據(jù)相乘，輸出的運(yùn)算函數(shù)為： ，（k=1,2,…，49）（2-3）

第四層是模糊決斷層，節(jié)點(diǎn)輸出

（2-4）

2.2學(xué)習(xí)算法

本文學(xué)習(xí)的參數(shù)主要是第二層各節(jié)點(diǎn)的隸屬度函數(shù)的中心值和寬度以及第四層的連接權(quán)，首先對FNC進(jìn)行離線訓(xùn)練，使FNC記憶49調(diào)模糊控制規(guī)則。經(jīng)過學(xué)習(xí)后，模糊神經(jīng)網(wǎng)絡(luò)控制器便訓(xùn)練好了，可以“裝入”控制系統(tǒng)中，F(xiàn)NC經(jīng)過離線訓(xùn)練后，可投入在線模糊控制，當(dāng)受控過程環(huán)境發(fā)生變化時(shí)，為了能跟蹤期望的給定信號，可在線修改FNC的權(quán)值，使被控過程的輸出逼近期望值，從而達(dá)到自學(xué)習(xí)、自適應(yīng)的目的。因此，通過網(wǎng)絡(luò)的離線學(xué)習(xí)和在線自學(xué)習(xí)，定義性能指標(biāo)誤差函數(shù)為

（2-5）

其中是采樣點(diǎn)個(gè)數(shù)，為期望的輸出值,為系統(tǒng)實(shí)際輸出值。為了使誤差函數(shù)最小，可用梯度最優(yōu)下降優(yōu)化算法訓(xùn)練網(wǎng)絡(luò)權(quán)值，即：

（2-6）

其中為自適應(yīng)學(xué)習(xí)速率，為動(dòng)量因子，、均在（0,1）內(nèi)取值。

當(dāng)隸屬函數(shù)為鐘型時(shí)，需要調(diào)整的參數(shù)有隸屬函數(shù)的中心值和寬度,其公式為：

（2-7）

（2-8）

3結(jié)論

本文將模糊控制與神經(jīng)網(wǎng)絡(luò)相結(jié)合，利用兩者的優(yōu)點(diǎn)，設(shè)計(jì)出一種神經(jīng)網(wǎng)絡(luò)模糊推理控制器，使控制器具有自調(diào)節(jié)、自學(xué)習(xí)的性能，實(shí)現(xiàn)對換熱站溫度的控制，

參考文獻(xiàn)：

[1] 胡維儉，徐邦熙.微機(jī)白動(dòng)控制技術(shù)在熱力站溫度控制中的應(yīng)用〔J〕.煤氣與熱力，1993.

模糊神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)范文第3篇

關(guān)鍵詞：模糊控制 RBF 神經(jīng)網(wǎng)絡(luò) AQM算法 網(wǎng)絡(luò)擁塞

中圖分類號：TP373 文獻(xiàn)標(biāo)識碼：A 文章編號：1007-9416（2013）09-0047-02

1 引言

模糊邏輯和人工神經(jīng)網(wǎng)絡(luò)各有優(yōu)點(diǎn)：人工神經(jīng)網(wǎng)絡(luò)（ANN）通過模擬生物神經(jīng)網(wǎng)絡(luò)，在模擬推理及自學(xué)習(xí)等方面謀求前進(jìn)，使人工智能和人腦的自組織和并行處理等功能更接近；模糊信息處理以模糊邏輯為基礎(chǔ)，抓住人類思維中的模糊性這一特點(diǎn)，模仿人的模糊綜合判斷推理來解決常規(guī)方法難以完成的模糊信息處理的難題。目前，模糊和神經(jīng)網(wǎng)絡(luò)技術(shù)在知識和信息處理領(lǐng)域已達(dá)到了一定的研究階段。模糊神經(jīng)網(wǎng)絡(luò)因?yàn)檫\(yùn)用模糊數(shù)學(xué)中的計(jì)算方法，這使得一些處理單元的計(jì)算變得簡便，信息處理的速度加快；由于采用了模糊化的運(yùn)行機(jī)制，系統(tǒng)的容錯(cuò)能力也得到了加強(qiáng)。但最主要的是，模糊神經(jīng)網(wǎng)絡(luò)使信息處理的范圍得到擴(kuò)展，系統(tǒng)可同時(shí)處理確定性信息和非確定性信息。

2 TCP/AQM簡化模型

IP網(wǎng)絡(luò)擁塞控制是人們一直著力解決但未能很好解決的問題，相繼產(chǎn)生了不少有影響力的算法，如RED，ARED，SRED，BLUE等，但較具影響力的是Misra V等人于2000年基于流體流理論提出的網(wǎng)絡(luò)模型[1]。該模型較為恰當(dāng)?shù)孛枋隽薚CP傳輸流的行為[2]，為研究人員廣為采用。

Misra V等人將Internet中的數(shù)據(jù)流看作一個(gè)連續(xù)狀態(tài)的流體，并據(jù)此假設(shè)建立了TCP/AQM系統(tǒng)的一個(gè)流體流非線性動(dòng)態(tài)模型[2]：

（1）

W為TCP擁塞窗口大小，q為瞬時(shí)隊(duì)列長度，R為往返時(shí)延RTT=q/C+Tp， Tp為傳輸延時(shí)，C是鏈路帶寬，N為網(wǎng)絡(luò)負(fù)載（TCP連接數(shù)），p為分組丟棄/標(biāo)記的概率。式（1）中第1個(gè)方程描述的是TCP的窗口控制動(dòng)態(tài)特性，第2個(gè)方程描述的是瓶頸隊(duì)列長度，它等于包到達(dá)率NW/R和鏈路容量C之間的差值。

3 基于RBF模糊神經(jīng)網(wǎng)絡(luò)的AQM控制

圖1給出基于RBF模糊神經(jīng)網(wǎng)絡(luò)的控制機(jī)制來實(shí)現(xiàn)自適應(yīng)過程。圖中，是量化因子，是比例因子。由模型推導(dǎo)知，速率的誤差r（k）-=，隊(duì)列誤差x1=q-的量化值（q-）/及速率的誤差=r（k）-的量化值（d（p）/作為模糊神經(jīng)網(wǎng)絡(luò)的輸入，輸出p（k）是標(biāo)記概率。通過模糊邏輯控制器根據(jù)當(dāng)前隊(duì)列的大小及速率的大小調(diào)節(jié)分組標(biāo)記概率，使IP路由器的隊(duì)列長度達(dá)到預(yù)定的目標(biāo)隊(duì)列長度。

4 仿真研究

本文基于網(wǎng)絡(luò)仿真軟件NS-2驗(yàn)證RBF-FNN算法的性能，并且把該方法與己經(jīng)存在的標(biāo)準(zhǔn)AQM算法，特別是RED算法，PI算法進(jìn)行比較。仿真采用的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖2所示，節(jié)點(diǎn)A和節(jié)點(diǎn)B之間的瓶頸鏈路容量15Mbps，延時(shí)5ms。n個(gè)持久性的FTP業(yè)務(wù)源與節(jié)點(diǎn)A之間的鏈路容量均為10Mbps，通常情況下延時(shí)5ms，節(jié)點(diǎn)B和節(jié)點(diǎn)C之間的延時(shí)為d ms。RED高低門限值分別為100包和200包，PI的隊(duì)列長度期望值為150包，a=0.0001822，b=0.00001816；除節(jié)點(diǎn)A與B之間的隊(duì)列管理采用各種AQM算法外，其余節(jié)點(diǎn)處的隊(duì)列管理算法均為DropTail；各節(jié)點(diǎn)緩存大小為300包。n取60，時(shí)延d取220ms，仿真時(shí)間為50s。所有FTP業(yè)務(wù)源均在0時(shí)刻啟動(dòng)。瓶頸鏈路的容量為15Mbps，RTT時(shí)間約為0.6s，主要包括傳播時(shí)延、排隊(duì)時(shí)延等。下面是隊(duì)列穩(wěn)定性的仿真結(jié)果。

從實(shí)驗(yàn)結(jié)果可以看出，RED在大時(shí)滯中出現(xiàn)了持續(xù)震蕩，PI抖動(dòng)厲害，調(diào)整到穩(wěn)定狀態(tài)需要時(shí)間較長，丟包率較高，RBF-FNN算法具有較快的響應(yīng)速度，綜合性能較好。

5 結(jié)語

本論文基于流體流理論的網(wǎng)絡(luò)簡化模型將模糊神經(jīng)網(wǎng)絡(luò)控制器應(yīng)用于網(wǎng)絡(luò)主動(dòng)隊(duì)列管理系統(tǒng)中仿真結(jié)果表明，RBF-FNN控制算法具有較好的綜合性能，比RED、PI算法更適合于AQM控制，具有進(jìn)一步研究的意義。

參考文獻(xiàn)

模糊神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)范文第4篇

【關(guān)鍵詞】計(jì)算機(jī) 智能信息處理技術(shù) 發(fā)展 應(yīng)用方法

網(wǎng)絡(luò)技術(shù)及信息技術(shù)不但方便和豐富了人們的生活，還為各種高端的科學(xué)技術(shù)提供了技術(shù)支持，不管是對社會經(jīng)濟(jì)發(fā)展，還是對科學(xué)技術(shù)發(fā)展都起著重大推進(jìn)作用。計(jì)算機(jī)智能信息處理技術(shù)就是在該背景下研發(fā)和應(yīng)用的，決定計(jì)算機(jī)智能信息處理技術(shù)應(yīng)用及發(fā)展研究是必要的。

1 發(fā)展概述

智能信息處理技術(shù)是計(jì)算機(jī)智能信息處理技術(shù)的前生，最早發(fā)源于上世紀(jì)30年代，當(dāng)時(shí)的智能信息處理技術(shù)只停留在理論層面研究方法層面上，并且所涉及到的理論和研究方法范圍很有限，智能運(yùn)算工具也沒有被開發(fā)出來，所以實(shí)際生活中智能信息處理技術(shù)難以應(yīng)用。指導(dǎo)上世紀(jì)40年代，計(jì)算機(jī)被發(fā)明并在各領(lǐng)域得到廣泛應(yīng)用時(shí)，才形成了計(jì)算機(jī)信息處理技術(shù)，并在短時(shí)間內(nèi)被應(yīng)用于人們的生活學(xué)習(xí)，給人們帶來了巨大的社會效益及經(jīng)濟(jì)效益，促進(jìn)人類社會快速發(fā)展，為信息時(shí)代及網(wǎng)絡(luò)時(shí)代的到來奠定了技術(shù)基礎(chǔ)。直到今天，計(jì)算機(jī)信息處理技術(shù)已經(jīng)被廣泛應(yīng)用各領(lǐng)域，促進(jìn)了社會經(jīng)濟(jì)發(fā)展，方便了人們生活，提高了人們的生活質(zhì)量?，F(xiàn)時(shí)代應(yīng)用較多的計(jì)算機(jī)信息處理技術(shù)有CT機(jī)，主要應(yīng)用于醫(yī)學(xué)領(lǐng)域；科學(xué)家J.W.Cooley等人研發(fā)的FFT算法，主要應(yīng)用于硬件電路設(shè)計(jì)，也因此被廣泛應(yīng)用于各種智能檢測儀器中，不但實(shí)現(xiàn)了檢測儀器精準(zhǔn)度的增加，還實(shí)現(xiàn)了z測儀器自動(dòng)化程度的增加，成為現(xiàn)時(shí)代大多數(shù)信息處理系統(tǒng)的技術(shù)支撐。

2 應(yīng)用方法分析

2.1 人工神經(jīng)網(wǎng)絡(luò)應(yīng)用方法

人工神經(jīng)網(wǎng)絡(luò)應(yīng)用方法中的數(shù)據(jù)來源是數(shù)學(xué)模型，網(wǎng)絡(luò)來源是網(wǎng)絡(luò)模型，所以該方法是基于數(shù)學(xué)及網(wǎng)絡(luò)模型提出的，具有數(shù)據(jù)化和網(wǎng)絡(luò)化的特點(diǎn)。人工神經(jīng)結(jié)構(gòu)在數(shù)學(xué)模型和網(wǎng)絡(luò)模型中的組建方式不同，人工神經(jīng)結(jié)構(gòu)在數(shù)學(xué)模型中是根據(jù)人體大腦的神經(jīng)元組織構(gòu)建而成，是計(jì)算機(jī)智能信息處理系統(tǒng)的基本單元。這種人工神經(jīng)的單體，在數(shù)學(xué)模型中有很多，如果將數(shù)學(xué)模型中的所有人工神經(jīng)單體進(jìn)行有機(jī)組合，則會組建成一個(gè)復(fù)雜程度高和需求功能全面的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，最終實(shí)現(xiàn)對信息的整體化和智能化處理；人工神經(jīng)結(jié)構(gòu)在網(wǎng)絡(luò)模型中是根據(jù)已經(jīng)構(gòu)建好的人工神經(jīng)單元體，實(shí)現(xiàn)每基礎(chǔ)單元體的創(chuàng)建，從本質(zhì)上與數(shù)學(xué)模型中人工結(jié)構(gòu)的構(gòu)建原理相同，唯一不同的是網(wǎng)絡(luò)模型中人工神經(jīng)結(jié)構(gòu)的構(gòu)建更注重多個(gè)單元體間的聯(lián)系。

2.2 模糊神經(jīng)網(wǎng)絡(luò)應(yīng)用方法

模糊神經(jīng)網(wǎng)絡(luò)也是計(jì)算機(jī)智能信息處理的主要應(yīng)用方法之一，主要應(yīng)用于不確定現(xiàn)象的研究，模糊理論是該方法的應(yīng)用原理，所研究的對象具有不確定性，所以模糊理論不屬于傳統(tǒng)數(shù)學(xué)理論，故不是傳統(tǒng)數(shù)學(xué)理論二元性原則下的研究范圍，故模糊神經(jīng)網(wǎng)絡(luò)處理的信息對象具有模糊性，導(dǎo)致模糊系統(tǒng)呈現(xiàn)動(dòng)態(tài)性。

模糊神經(jīng)網(wǎng)絡(luò)應(yīng)用方法主要通過模糊系統(tǒng)實(shí)現(xiàn)，該系統(tǒng)包括模糊規(guī)則庫、模糊產(chǎn)生器、反模糊化器和模糊推理機(jī)四個(gè)子系統(tǒng)。模糊神經(jīng)網(wǎng)絡(luò)是模糊系統(tǒng)與神經(jīng)網(wǎng)絡(luò)的融合體，主要融合的內(nèi)容包括模糊系統(tǒng)相關(guān)理論體系和神經(jīng)網(wǎng)絡(luò)相關(guān)理論體系，此外還將語言邏輯計(jì)算方法和動(dòng)力學(xué)理論等融入其中，增強(qiáng)了模糊神經(jīng)網(wǎng)絡(luò)的信息識別能力、信息聯(lián)想能力和模糊信息處理能力。在神經(jīng)網(wǎng)絡(luò)上輸入模糊信號和對應(yīng)的權(quán)值，是模糊神經(jīng)網(wǎng)絡(luò)應(yīng)用的核心內(nèi)容。

2.3 進(jìn)化算法應(yīng)用方法

凈化算法應(yīng)用方法是最具有規(guī)定律性的一種計(jì)算機(jī)智能信息處理技術(shù)應(yīng)用方法，創(chuàng)建的依據(jù)不但是自然選擇依據(jù)，還包括了遺傳定理，而這兩個(gè)依據(jù)都來源于自然生物界，所以進(jìn)化算法具有很強(qiáng)的定律性，也被稱為遺傳算法，主要通過各種生物遺傳模型來實(shí)現(xiàn)其應(yīng)用，具有指導(dǎo)機(jī)器優(yōu)化和學(xué)習(xí)的作用。

凈化算法具有操作簡單、應(yīng)用廣泛等優(yōu)勢，是多條信息并行處理的有效方法，其研究對象主要為某個(gè)個(gè)體，待研究個(gè)體確定后進(jìn)行選擇、交叉和變異等操作，以實(shí)現(xiàn)對信息的處理。近幾年，進(jìn)化算法經(jīng)多個(gè)相關(guān)專家及學(xué)者的努力研究，進(jìn)化算法已經(jīng)從簡單的數(shù)據(jù)信息分析及處理應(yīng)用，發(fā)展到圖像識別應(yīng)用、機(jī)器學(xué)習(xí)應(yīng)用、自動(dòng)化控制應(yīng)用等，成為計(jì)算機(jī)智能信息處理技術(shù)最常用的應(yīng)用方法之一，促進(jìn)整個(gè)計(jì)算機(jī)信息處理技術(shù)水平的提高。

2.4 信息融合技術(shù)應(yīng)用方法

信息融合技術(shù)主要應(yīng)用于多種信息的加工、利用、優(yōu)點(diǎn)相互好處理，進(jìn)而提高信息的真實(shí)性和準(zhǔn)確性。該技術(shù)的應(yīng)用主要通過多傳感系統(tǒng)來實(shí)現(xiàn)，即先對信息處理對象進(jìn)行檢測，以保證精準(zhǔn)度，然后將檢測不到或不能進(jìn)行確定的信息找出并剔除，以實(shí)現(xiàn)計(jì)算機(jī)信息處理結(jié)果準(zhǔn)確性和可靠性的提高。

人體大腦綜合處理信息的能力是信息融合技術(shù)的研發(fā)原理，相應(yīng)的多傳感系統(tǒng)是由多個(gè)且種類不同的傳感器組成，這就使系統(tǒng)不同傳感器發(fā)出的信息不同，最終形成像人腦一樣的信息綜合網(wǎng)，然后通過信息綜合網(wǎng)對多余的信息進(jìn)行組合，以實(shí)現(xiàn)計(jì)算機(jī)信息處理中信息正確性的提高。信息融合技術(shù)發(fā)展至今，已經(jīng)從單一的信息融合技術(shù)發(fā)展成高層次信息融合技術(shù)和低層次信息融合技術(shù)。

3 實(shí)際應(yīng)用

計(jì)算機(jī)智能信息處理技術(shù)的實(shí)際應(yīng)用主要體現(xiàn)在以下幾方面：

（1）在各類機(jī)器中的應(yīng)用，不但有利于機(jī)械設(shè)備智能化程度的提高，還有利于機(jī)械設(shè)備自動(dòng)化程度的提高，進(jìn)而實(shí)現(xiàn)少勞力的降低和腦力消耗的降低，最終提高了機(jī)器工作效率。

（2）文字、語音和影像等領(lǐng)域中的應(yīng)用，不但提高了文字、語言和影響識別精準(zhǔn)度，還有利于相關(guān)識別設(shè)備獨(dú)立識別能力和翻譯能力的增強(qiáng)。

（3）在互聯(lián)網(wǎng)技術(shù)設(shè)備中的應(yīng)用，如在路由器等設(shè)備中的應(yīng)用，不但高提高了這些設(shè)備的數(shù)據(jù)傳輸速度，還實(shí)現(xiàn)了傳輸路徑的全面分析，進(jìn)而實(shí)現(xiàn)最佳數(shù)據(jù)傳輸路徑的選擇，最終提高了計(jì)算機(jī)智能信息處理的網(wǎng)絡(luò)暢通度。

4 結(jié)語

綜上所述，信息技術(shù)及網(wǎng)絡(luò)技術(shù)的不斷發(fā)展與應(yīng)用，使計(jì)算機(jī)智能信息處理技術(shù)被廣泛應(yīng)用于多個(gè)領(lǐng)域，相應(yīng)的技術(shù)應(yīng)用方法也大大增多，主要包括人工神經(jīng)網(wǎng)絡(luò)、模糊神經(jīng)網(wǎng)絡(luò)、進(jìn)化算法和信息融合技術(shù)四種應(yīng)用方法。

參考文獻(xiàn)

[1]楊野.計(jì)算機(jī)智能信息處理技術(shù)的發(fā)展與應(yīng)用[J].山東工業(yè)技術(shù)，2015（06）：184.

[2]肖卿，肖秋蘭.計(jì)算機(jī)智能信息處理技術(shù)的發(fā)展與應(yīng)用[J].科技風(fēng)，2015（19）：73.

[3]張莉.計(jì)算機(jī)智能信息處理技術(shù)應(yīng)用及發(fā)展[J].科技經(jīng)濟(jì)導(dǎo)刊，2016（25）：36+34.

模糊神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)范文第5篇

【關(guān)鍵詞】故障診斷;基本原理;神經(jīng)網(wǎng)絡(luò);實(shí)際應(yīng)用

引言

電梯在實(shí)際生活中出現(xiàn)不正常運(yùn)行、停運(yùn)等故障是在所難免的，而作為高層建筑中主要的垂直交通工具如果不能及時(shí)準(zhǔn)確的查明故障原因并維修往往會給乘客帶來巨大的生命威脅。只有保證電梯的安全運(yùn)行，及時(shí)的發(fā)現(xiàn)故障并解決故障，才能夠?yàn)槌俗娞莸某丝吞峁┖细竦陌踩ＷC。目前，國內(nèi)在用的電梯缺乏完善的故障診斷系統(tǒng)，僅僅依靠維修技術(shù)人員的經(jīng)驗(yàn)以及簡單的診斷儀器已經(jīng)不能夠及時(shí)的解決復(fù)雜的電梯故障問題。神經(jīng)網(wǎng)絡(luò)技術(shù)可以應(yīng)用于復(fù)雜多模式的故障診斷并且既可以用于實(shí)時(shí)監(jiān)測也可以進(jìn)行離線診斷，在系統(tǒng)模式非常復(fù)雜或者根本不知道系統(tǒng)模式的情況都可以應(yīng)用，這些特點(diǎn)恰恰解決了傳統(tǒng)方法中最最難以解決的問題。因此必須加快神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用于診斷電梯故障的步伐，形成完善的故障診斷系統(tǒng)，才能更及時(shí)準(zhǔn)確的查明故障原因進(jìn)一步及時(shí)的解決問題，保證乘客的人身安全。

一、電梯的運(yùn)行原理和電梯故障的特點(diǎn)

只有清楚地了解電梯控制系統(tǒng)的運(yùn)行原理才能夠及時(shí)準(zhǔn)確的診斷出電梯故障原因，因此清楚的了解電梯運(yùn)行原理，每一個(gè)電梯維修人員必須要做到。電梯運(yùn)行過程總體上可分為以下幾個(gè)階段：第一、登記層外召喚信號和登記內(nèi)選指令階段;第二、電梯門關(guān)閉或者電梯按照系統(tǒng)指令停運(yùn)階段;第三、啟動(dòng)階段;第四、在到達(dá)信號記錄的樓層前進(jìn)行減速制動(dòng);第五、平層開門階段。在整個(gè)過程中電梯需要從外界接收信號并處理，然后完成相應(yīng)的指令或者輸出信號，由此可以將電梯看作是一個(gè)完整的獨(dú)立的系統(tǒng)，只需要外界給予相應(yīng)的信號就可以自動(dòng)的做出動(dòng)作。電梯系統(tǒng)內(nèi)部復(fù)雜的構(gòu)件緊密的結(jié)合在一起，正是如此才使得電梯系統(tǒng)故障具有了復(fù)雜性、層次性、相關(guān)性以及不確定性的特點(diǎn)。

二、神經(jīng)網(wǎng)絡(luò)技術(shù)基本原理

生物學(xué)上的神經(jīng)是由一個(gè)個(gè)簡單的神經(jīng)元相互連接進(jìn)而形成了復(fù)雜的龐大的神經(jīng)系統(tǒng)，同理，神經(jīng)網(wǎng)絡(luò)就是由大量簡單的處理單元相互連接形成的復(fù)雜的智能系統(tǒng)。單獨(dú)的處理單元類似于一個(gè)神經(jīng)元，是一個(gè)可以接受不同信息但是只輸出一種信息的結(jié)構(gòu)單位。神經(jīng)網(wǎng)絡(luò)系統(tǒng)與生物學(xué)神經(jīng)系統(tǒng)相似的是具有自我修改能力，它可以同時(shí)接收大量的數(shù)據(jù)并進(jìn)行統(tǒng)一的分析處理，進(jìn)而輸出相應(yīng)的處理結(jié)果。這就使得神經(jīng)網(wǎng)絡(luò)系統(tǒng)具有了高度容錯(cuò)性、高度并行性、自我修改性、學(xué)習(xí)性以及高度復(fù)雜性，也正是由于這些特性才使的利用神經(jīng)網(wǎng)絡(luò)技術(shù)能夠及時(shí)準(zhǔn)確的查明電梯故障原因并得出故障解決方案。電梯故障診斷中應(yīng)用的神經(jīng)網(wǎng)絡(luò)模型分為三個(gè)層次：輸入層、接收外部信號或者是電梯自我檢測信息（如載重信息）;隱含層、對接收到了大量數(shù)據(jù)進(jìn)行相應(yīng)的分析處理;輸出層、將記錄著動(dòng)作命令的數(shù)據(jù)傳送出來。在電梯出現(xiàn)故障時(shí)，首先可以通過神經(jīng)網(wǎng)絡(luò)模型快速確定故障發(fā)生在哪一層達(dá)到節(jié)約時(shí)間的目的。但是神經(jīng)網(wǎng)絡(luò)也會因?yàn)槭諗克俣冗^于慢、訓(xùn)練強(qiáng)度太大或者是選擇的網(wǎng)絡(luò)模型不好等問題導(dǎo)致診斷結(jié)果受到影響。

三、神經(jīng)網(wǎng)絡(luò)模型在電梯故障診斷中的應(yīng)用分類

神經(jīng)網(wǎng)絡(luò)模型已經(jīng)成為了如今電梯故障診斷中應(yīng)用最廣泛的技術(shù)模型，相比于傳統(tǒng)方式它具有診斷速度快、故障原因命中率高的優(yōu)點(diǎn)，因此引起了各方面專業(yè)人士的強(qiáng)烈關(guān)注，并在他們的不懈努力下得到了發(fā)展與創(chuàng)新。它跨越多個(gè)專業(yè)領(lǐng)域、通過對各種復(fù)雜的高難度工作的不斷的發(fā)展與改進(jìn)出現(xiàn)了越來越多的應(yīng)用模型，下面主要介紹了當(dāng)前應(yīng)用最普遍的BP網(wǎng)絡(luò)模型，并且簡單的引入并介紹了近年來新興的模糊神經(jīng)網(wǎng)絡(luò)模型和遺傳小波神經(jīng)網(wǎng)絡(luò)模型。

（一）BP網(wǎng)絡(luò)模型

BP神經(jīng)網(wǎng)絡(luò)作為神經(jīng)網(wǎng)絡(luò)應(yīng)用最廣泛的一種，它多應(yīng)用的誤差反向傳播算法使其在模式識別、診斷故障、圖像識別以及管理系統(tǒng)方面具有相對先進(jìn)性?；贐P網(wǎng)絡(luò)的電梯故障診斷技術(shù)就是通過學(xué)習(xí)故障信息、診斷經(jīng)驗(yàn)并不斷訓(xùn)練，并將所學(xué)到的知識利用各層次之間節(jié)點(diǎn)上的權(quán)值從而表達(dá)出來。BP網(wǎng)絡(luò)系統(tǒng)的主要診斷步驟主要可以分為三步。第一步：對輸入輸出的數(shù)據(jù)進(jìn)行歸一化處理，將數(shù)據(jù)映射到特定的區(qū)間。第二步：建立BP網(wǎng)絡(luò)模型，訓(xùn)練BP網(wǎng)絡(luò)模型。第三：通過已經(jīng)訓(xùn)練好的網(wǎng)絡(luò)模型對原來的樣本進(jìn)行全面的檢測。算法步驟：a、在一定的取值范圍內(nèi)對數(shù)據(jù)進(jìn)行初始化;b、確定輸入值數(shù)值大小，計(jì)算出預(yù)期輸出量;c、用實(shí)際輸出的值減去上一步得到的數(shù)值;d、將上一步得到的誤差分配到隱含層，從而計(jì)算出隱含層的誤差;e、修正輸出層的權(quán)值和閾值，修正隱含層的權(quán)值;f、修正隱含層的閾值，修正隱含層和輸入層的權(quán)值。

（二）遺傳小波神經(jīng)網(wǎng)絡(luò)模型

遺傳算法運(yùn)用了生物界的優(yōu)勝劣汰、適者生存的思想對復(fù)雜問題進(jìn)行優(yōu)化，適用于復(fù)雜的故障，起到了優(yōu)化簡化問題的作用。對局部數(shù)據(jù)進(jìn)行詳細(xì)的分析是小波法最大的特點(diǎn)，所以它被譽(yù)為“數(shù)字顯微鏡”。遺傳算法小波神經(jīng)網(wǎng)絡(luò)就是運(yùn)用小波進(jìn)行分解的方法分解模擬故障信號，將得到的數(shù)據(jù)進(jìn)行歸一化，將歸一化后的數(shù)值輸入到神經(jīng)網(wǎng)絡(luò)模型中。它融合了神經(jīng)網(wǎng)絡(luò)、小波分析和遺傳算法三者所有的優(yōu)點(diǎn)?；谶z傳小波神經(jīng)網(wǎng)絡(luò)的電梯故障診斷的一般步驟為：測試節(jié)點(diǎn)信號采樣、小波分解、故障特征量提取、歸一化得到訓(xùn)練樣本集、遺傳算法優(yōu)化、得到故障類型。遺傳小波神經(jīng)網(wǎng)絡(luò)模型在故障原因復(fù)雜、數(shù)據(jù)信息量巨大的電梯系統(tǒng)的應(yīng)用中能夠發(fā)揮更大的作用。

（三）模糊神經(jīng)網(wǎng)絡(luò)模型

模糊神經(jīng)網(wǎng)絡(luò)模型就是創(chuàng)新性的將神經(jīng)網(wǎng)絡(luò)與模糊理論結(jié)合到一起。它采用了廣義的方向推理和廣義的前向推理兩種推理方式。與其它兩種模型不同的是，它的語言邏輯、判斷依據(jù)和結(jié)論都是模糊的。但是它的數(shù)據(jù)處理能力還有自我學(xué)習(xí)能力并沒有因此而變差，反而更加豐富了它的定性知識的內(nèi)容。在處理實(shí)際問題的過程中，首先要建立所有可能發(fā)生的故障的完整集合，其次將所有的故障發(fā)生原因歸入到同一個(gè)集合中去，最后就是建立故障和原因的關(guān)系矩陣。分別叫做模糊故障集、模糊原因集、模糊關(guān)系矩陣。相較于BP網(wǎng)絡(luò)模型，這種模型更加的簡單易行，充分發(fā)揮了神經(jīng)網(wǎng)絡(luò)和模糊邏輯的優(yōu)點(diǎn)，不會因?yàn)楣收显蜻^于復(fù)雜而失去診斷的準(zhǔn)確性，在原本豐富定性知識和強(qiáng)大數(shù)據(jù)處理能力的基礎(chǔ)上具有了很大的自我訓(xùn)練能力。

結(jié)語

綜上所述，神經(jīng)網(wǎng)絡(luò)技術(shù)可以應(yīng)用于復(fù)雜多模式的故障診斷并且既可以用于實(shí)時(shí)監(jiān)測也可以進(jìn)行離線診斷，在系統(tǒng)模式非常復(fù)雜或者根本不知道系統(tǒng)模式的情況都可以應(yīng)用，這些特點(diǎn)恰恰解決了傳統(tǒng)方法中最最難以解決的問題，它的應(yīng)用提高了電梯故障的診斷速度和準(zhǔn)確度，保證了電梯運(yùn)行的安全性。雖然神經(jīng)網(wǎng)絡(luò)技術(shù)的優(yōu)點(diǎn)很多，但是在實(shí)際生活中的應(yīng)用還很少，因此還需要不斷的進(jìn)行改進(jìn)完善。同時(shí)還要注意將集中診斷方法融合到一起，例如穩(wěn)重提到的模糊神經(jīng)網(wǎng)絡(luò)模型和遺傳小波神經(jīng)網(wǎng)絡(luò)模型都是集成應(yīng)用的典型代表。