【关键词】神经网络技术 应用分析 智能系统
一、引言
神经网络是由具有适应性的简单单元组成的广泛并行互连的网络，它的组织能够模拟生物神经系统对真实世界物体所作出的交互反应。当常规方法解决不了或效果不佳时神经网络方法往往显示出其优越性。尤其对问题的机理不甚了解或不能用数学模型表示的系统，如故障诊断、特征提取和预测控制管理等问题，神经网络往往是很好的工具。另一方面， 神经网络对处理大量原始数据而不能用规则或公式描述的问题， 表现出极大的灵活性和自适应性。
二、神经网络应用分析
（一）样本数据
1.数据采集和分组
采用神经网络技术建模的首要和前提条件是有足够多典型和高精度的样本。为监控学习过程使之不发生“过拟合”和评价建立的网络模型的性能和泛化能力，必须将收集到的样本数据随机分成训练样本、检验样本（10%以上）和测试样本（10%以上）三部分。同时数据分组时还应尽可能考虑样本模式间的平衡。
2. 数据预处理
神经网络的输入变量一般根据专业知识确定。若输入变量较多，可通过主成份分析方法减少输入变量，也可根据剔除某一变量引起的系统误差与原系统误差的比值的大小来减少输入变量。输出变量即为系统待分析的外生变量，可以是一个，也可以是多个。一般将一个具有多个输出的网络模型转化为多个具有一个输出的网络模型效果会更好，训练也更方便。
预处理的方法有多种多样，各文献采用的公式也不尽相同。但必须注意的是，预处理的数据训练完成后，网络输出的结果要进行反变换才能得到实际值。为保证建立的模型具有一定的外推能力，数据预处理后的值在0.2～0.8之间比较合适。
（二）拓扑结构确定
1. 隐层数
增加隐层数可以降低网络误差，提高精度，但也使网络复杂化，从而增加了网络的训练时间。在设计神经网络时，应优先考虑3层BP网络。一般地，靠增加隐层节点数来获得较低的误差，其训练效果要比增加隐层数更容易实现。
2. 隐层节点数
在神经网络中，隐层节点数的选择非常重要，它不仅对建立的神经网络模型的性能影响很大，而且是训练时出现“过拟合”的直接原因，但是目前还没有一种科学的和普遍的确定方法。为尽可能避免训练时出现“过拟合”现象，保证足够高的网络性能和泛化能力，确定隐层节点数的最基本原则是：在满足精度要求的前提下取尽可能紧凑的结构，即取尽可能少的隐层节点数。研究表明，隐层节点数不仅与输入和输出层的节点数有关，也与需解决的问题的复杂程度和转换函数的形式以及样本数据的特性等因素有关。
3.神经网络训练
神经网络的训练是通过应用误差反传原理不断调整网络权值使网络模型输出值与已知的训练样本输出值之间的误差平方和达到最小或小于某一期望值。如何设计一个合理的网络模型并通过向所给的有限个样本的学习来地逼近样本所蕴含的规律的问题，目前在很大程度上还需要依靠经验知识和设计者的经验。因此，通过训练样本的学习建立合理的神经网络模型的过程，是一个复杂和困难的过程。例如BP网络采用误差反传算法，其实质是一个无约束的非线性最优化计算过程，在网络结构较大时不仅计算时间长，而且很容易限入局部极小点以致得不到最优结果。
4. 初始连接权值确定
BP算法决定了误差函数一般存在多个局部极小点，不同的网络初始权值直接决定了BP算法收敛于哪个局部极小点或是全局极小点。因此，要求计算程序必须能够自由改变网络初始连接权值。根据Sigmoid转换函数的特性，一般要求初始权值分布在-0.5～0.5之间是合适的。
5.模型参数确定
传统的误差反向传递BP算法较为成熟，并且应用广泛，因此提高该方法的学习速度具有很高的实用价值。BP算法中有几个常用的参数，包括学习率η，动量因子α，形状因子λ及收敛误差界值E等，这些参数对训练速度的影响最为关键。在实际应用中，需根据实际问题确定这些参数。
三、小结
神经网络具有自学习、自适应能力及非线性问题处理能力，在智能控制管理领域得到广泛应用。基于神经网络的智能系统设计是软件和硬件相结合的复杂过程。本文详细的阐述了神经网络方法的应用过程，对实际问题中应用神经方法解决问题具有一定指导作用。
基金项目：2014年广东科技学院院级项目
参考文献：
[1]王建军，马树才，张春梅.基于忆阻神经网络的锂电池检测技术研究[J]，电源技术，2014年11期.
关键字：数控机床；机械故障；专家系统；神经网络；网络化
1 引言
由于数控机床具有提高零件的加工精度、稳定产品的质量、提高产品的生产率、可适应不同品种及尺寸规格零件的自动加工等优点，因此其运用越来越广泛，已经成为一个国家工业水平和综合科技水平的重要标志。数控机床对大中型企业来说，是其最重要的设备，如果其任何部分出现故障，其就会导致精度减低，严重的话，使企业停顿，企业的经济损失更大，进而对相关人员的安全造成危害。在一方面，数控机床特点就是先进、复杂和智能化，当其出现故障后，维修也相对困难，因此对数控机床机械故障诊断进行分析研究就显得非常迫切。
2 诊断故障系统的网络化管理
2.1专家系统和神经网络内涵
1）专家系统的基本原理；具有获取、处理、存储和使用知识的特点的系统叫做专家系统（可以进行知识处理），其主要包括知识库、推理机、数据库、知识获取模块、解释程序和人机接口等方面组成。
2）专家系统和神经网络的结合；尽管在运用方面，专家系统取得了不小的成就，但是，其在模拟人类抽象思维方面也有着明显的缺陷，这些缺陷主要有：（1）存在“瓶颈”问题；（2）推理能力弱；（3）自学习能力差；（4）存在“窄台阶效应”。
3）神经网络的基本结构；神经网络的基本结构主要有以下七部分组成，具体如：（1）一组处理单元（让相关单元可以激活）；（2）输出函数（由处理单元进行输送）；（3）衔接模式（主要处理单元之间的链接问题）；（4）一定规则进行传递；（5）一定规则进行激活（输入处理单元和当前状态结合规则）；（6）一定的学习规则（根据经验进行联接）；（7）系统所需要的环境。
2.2专家系统和神经网络的结合
2.2.1对专家系统和神经网络进行比较
根据其二者不同的定义、结构及工作原理，神经网络与专家系统是两种截然不同的技术：其主要区别有：（1）知识获取不同；（2）知识表示不同；（3）推理形式不同。
2.2.2 对专家系统和神经网络的相关性进行分析
二者存在的特点各不相同，神经网络和专家系统在其各自的领域都运用较为广泛，但同时在满足设备故障诊断任务方面又各自存在着的局限性，因此就需要让其二者有效结合起来，其结合方式主要有：（1）神经网络与专家系统共存于一个系统中；（2）使用神经网络来构造专家系统。
2.3 神经网络的类型选择及结构设计
2.3.1 神经网络不同选择类型
由于径向基函数网络具有确定自适应、输出与初始权值无关等各种优点，因此其在拟合多维曲面、重构自由曲面和故障诊断等方面有着巨大的运用。因此认为径向基函数神经网络是最好的。
2.3.2 隐层神经元的设计
提取并存储内在规律，使每个隐层神经元都有不同的权值，同时每个权值都相对应着一个参数（增强网络映射能力）。
2.4基于web的神经网络专家系统
对现代信息传输载体（比如Internet）进行有效利用，可以较快地传递和收集相关故障信息，高效提高诊断故障的能力，使数控机床设计者和使用者更好地参与进来，以期得到更合理的措施。
3 系统的总体设计原则
3.1网络化专家系统的设计原则
其设计的原则主要有以下几方面，具体如下：（1）模块化原则。（2）实用性原则。（3）可扩充原则。（4）安全性原则。（5）统一性与简单性原则。
3.2专家系统的功能模块设计
新用户首次登陆必须要通过注册模块先进行注册，老用户可以直接登陆，登陆又分为管理员和普通用户登陆，只有管理员有权利处理系统的数据库。通过故障诊断模块对相应故障进行诊断，其功能模块主要主轴、进给系统、刀库刀和辅助装置等几部分组成。
3.3系统运行的环境
1）Web服务器的选取；通过Windows操作系统，发挥在PC界的优势，推出的IIS成为目前运用最广泛的服务器，经过验证，也是目前用户最好的选择。
2）后台数据库的选取；通过分析研究，同时结合Access的特性、相关程序的匹配性和开发者的业务水平，本文的系统选取Access最为合适。
3.4系统的软件开发环境
3.4.1 服务器相应的软件环境
操作系统：Windows XP Server/Professional；服务器：IIS6.0；数据访问：ADO -ActiveX Data Objects；数据库系统：ACCESS
3.4.2 客户自己机器所对应的软件
操作系统：Windows 98/2000/xp，浏览器：IE5.0以上，MATLAB6.5以上版本。
3.5开发相应工具分析
目前开发工具主要有以下两种形式：（1）网络化专家系统开发工具：具体采用FrontPage。（2）径向基函数神经网络开发工具：具体采用MATLAB程序控制。
4 系统的研究与实施
4.1总体结构设计
该系统的总体结构主要采用一个并列协调式（神经网络和专家系统并存）。两者分别处理各自不同的知识，管理着不同的模块，分别处理各自不同的功能，但是也可以进行联合诊断。
4.2知识库的设计与实现
本系统直接把数据库和数据库管理系统作为知识库的重要组成部分，一方面通过数据对象来处理知识，另一方面，用数据库来对相关知识的存储、编辑、删改、更新查询和安全保护等功能进行有效管理。
4.3推理机的研究与实实施
通过模拟专家的思维模式，对相应问题进行控制和研究，这是推理机的主要功能。结合目前已知的事实，通过知识库，按照一定的规则和方法，进行推理分析，再对其修正，得到最终的结果。
4.4解释模块及人机界面
解释功能作为数控机床机械故障诊断系统最主要的功能，其主要具有向用户、远程用户、领域专家和知识工程师解释相关的问题的优点。目前的人机界面都需要通过ASP编程来实现，主要采用中文视窗的的模式，这样比较简单明了，更容易实现人机交互。
4.5径向基函数神经网络故障诊断
当专家系统部分得出的初期诊断结果不能使用户满意那么就需要进行进一步的深层次诊断。采用径向基函数神经网络进行深层次的定量诊断。
5 结论
由于现在数控机床的技术和水平的快速提高，其相应结构复杂程度进一步提高，功能也越来越多，这样就是的设备出现的问题概率大大增加，因此针对数控机床存在的机械故障进行分析研究，提出采用网络化对其故障进行控制的方法，以期更好地服务相关公司，为之后出现的机械故障提供一定的参考。
参考文献
（1） 李晓峰.数控机床远程故障诊断专家系统的研究（D）.辽宁：沈阳工业大学，2005.
（2） 赵中敏.数控机床故障诊断技术的发展和关键诊断技术（J）.中国设备工程，2007 6： 5152.
（3） 朱文艺，李斌.基于Internet的数控机床远程故障诊断系统的研究（J）.机床与液压，2005-9：176178.
原理与方法
神经网络是一个具有高度非线性的超大规模连续时间动力系统。是由大量的处理单元(神经元)广泛互连而形成的网络。它是在现代神经科学研究成果的基础上提出的，反映了脑功能的基本特征。但它并不是人脑的真实描写，而只是它的某种抽象、简化与模拟。网络的信息处理由神经元之间的相互作用来实现；知识与信息的存储表现为网络元件互连间分布式的物理联系；网络的学习和计算决定于各神经元连接权系的动态演化过程。因此神经元构成了网络的基本运算单元。每个神经元具有自己的阈值。每个神经元的输入信号是所有与其相连的神经元的输出信号和加权后的和。而输出信号是其净输入信号的非线性函数。如果输入信号的加权集合高于其阈值，该神经元便被激活而输出相应的值。在人工神经网络中所存储的是单元之间连接的加权值阵列。
神经网络的工作过程主要由两个阶段组成，一个阶段是工作期，此时各连接权值固定，计算单元的状态变化，以求达到稳定状态。另一阶段是学习期(自适应期，或设计期)，此时各计算单元状态不变，各连接权值可修改(通过学习样本或其他方法)，前一阶段较快，各单元的状态亦称短期记忆(STM)，后一阶段慢的多，权及连接方式亦称长期记忆(LTM)〔1〕。
根据网络的拓扑结构和学习规则可将人工神经网络分为多种类型，如不含反馈的前向神经网络、层内有相互结合的前向网络、反馈网络、相互结合型网络等〔2〕。本文的人工神经网络模型是采用BP算法的多层前馈网络。
该模型的特点是信号由输入层单向传递到输出层，同一层神经元之间互不传递信息，每个神经元与邻近层所有神经元相连，连接权用Wij表示。各神经元的作用函数为Sigmoid函数，设神经网络输入层的p个节点，输出层有q个节点，k-1层的任意节点用l表示，k层的任意节点用j表示，k+1层的任意节点用l表示。Wij为k-1层的第i个神经元与k层的第j个神经元相连接的权值。k-1层的节点i输出为O(k-1)i，k层节点j的输出为：
k层节点j的输出为：
Okj=f(netkj)
设训练样本为(X，Ye),X为p维向量，加到输入层；Ye为q维向量，对应于期望输出；网络的实际输出Y也是q维向量。网络在接受样本对的训练过程中，采用BP算法，其权值调整量为：
ΔWij=-ηδkjO(k-1)i
其中，对于输出层为：
δkj=yj(1-yj)(yej-yj)
对于非输出层为：
η为训练步长，取0＜η＜1。
用样本集合反复训练网络，并不断修改权值，直到使实际输出向量达到要求，训练过程结束〔3〕。
上述人工神经网络可以完成多种信息处理任务，如从二进制数据中提取相关知识，完成最近邻模式分类，实现数据聚集等。而本文要用的是其极强的数学逼近映射能力，即开发合适的函数f：ARnBRn，以自组织的方式响应以下的样本集合：(x1,y1),(x2,y2)…，(xm,ym)，其中yi=f(xi)。这里描述的是一般的数学抽象，像识别与分类这些计算都可以抽象为这样的一种近似数学映射。
所谓诊断，实质上是一个分类问题。即根据候诊者的症状，医学检查结果(如体温、心跳等)等一些情况，它们可以用一向量(e1,e2,…，em)来表示，将其归类为病人或非病人。这也可以转化为寻找一差别函数f使得：
(1)f(e1，e2，…，em)＞ε， (e1，e2，…，em)∈T
(2)f(e1，e2，…，em)＞ε， (e1，e2，…，em)T
其中集合T表示患病。
因此，病情诊断最终也可作为一类函数的逼近问题。
而许多研究已表明，前向神经网络可作为非线性逼近的标准型。对于实数空间的任一函数，只要它满足一定的条件，一定存在唯一的具有单一隐层的前向网络作为它的最优最佳逼近。而含有两个隐含层的前向网络可在任意的平方误差内逼近某一实函数〔3〕。
诊断步骤
肺癌病例数据选自1981～1994年在某医院住院的病人，共计551例。其中486例(88%)经病理学、细胞学诊断证实为肺癌。每一病例都包括多项数据，其中用于诊断的数据项有：病人的一般情况(如年龄、性别等)，家族史、既往史、吸烟史、术后病理、X射线检查、CT检查、纤维支气管镜检查、PAT痰检等多达58项。因此，原则上 58项数据应作为神经网络的输入项，而神经网络的输出值就是病人是否患肺癌的结果。
1.网络训练集的确定：在最原始的551例病人数据中存在着各种各样的差别，如性别差异(419例男性，132例女性)，诊断结果的差异(486例经证实为肺癌)，所患肺癌种类的差异(鳞癌、小细胞癌、大细胞癌等)，患病程度上的差异(早、中晚期的不同)等等。显然，训练数据集应最大限度地保证兼顾各种病例情况。经过仔细筛选，选择了含有460个病例的集合作为肺癌诊断用的网络的训练集。
2.神经网络输入和输出数据的预处理
按照人工神经网络的理论，神经网络的输入输出数据都应该属于(0，1)区间的实数，为此我们需对原始数据进行如下的规一化处理：
其中xi为原始数据项，而Max=max｛xi∶xi∈X｝，Min=min｛xi∶xi∈X｝。这里X为原始数据集。经过(7)式变换后，yi将在(0，1)区间。因此，可作为神经网络的输入输出。
3.应用神经网络进行肺癌诊断
将描述病人各种情况的数据作为前向网络的输入数据加到其输入端，并按(1)～(6)式计算各神经元的输入和输出，同时调整神经元之间的连接权值以使网络的输出和实际的病例情况相符。即当病人确实患肺癌时网络的输出结果也恰好指示为肺癌，反之亦然。如果对所有的训练样本集网络的输出基本上(95%或更高)能保证与实际结果一致，则训练过程结束。我们认为神经网络已建立起病人的各种因素与他是否是肺癌患者之间的函数映射关系。对于一个新的候诊病人来说，只要将他的情况输入到训练好的神经网络中去，根据网络的输出结果就可以知道他是否已患肺癌。
表1 基于不同发病因素的诊断网络模型
类
型 训练集精度 测试集精度
基于遗传因素的诊断网 53.8% 46.3%
基于个人生活习惯的诊断网 57.1% 44.9%
基于病症的诊断网 89.4% 83.3%
基于医学检查结果的诊断网 98.5% 92.6%
上述结果表明不同类型的因素应分开来考虑。于是我们将58项输入数据分成四类，这四类有各自的BP诊断网，依次称为诊断一、诊断二、诊断三、诊断四。它们先单独测定，然后再将它们各自的结果综合起来得出最后的判断。
上述四种诊断网络所得结果的可靠性各不相同。其中，根据医学检查结果所作的诊断准确性最高，因此在最后的综合分析中要重点考虑它的诊断结果，我们给它设一个相对最高的权值。其次，根据病人的症状所作的诊断往往也具有较高的准确性，因此给它的权值也较高，但比医学检查结果的稍低。其他两类因素在有关肺癌的诊断中仅具参考作用，因而所设的权值相对较小。
最后的结果O为：
O=a1.O1+a2.O2+a3.O3+a4.O4
a1+a2+a3+a4=1
其中Oi，ai,i=1,2,3,4分别为各诊断网的输出及其对应的权值。
当O＞0.5时最后的诊断结果为患肺癌，反之则正常。对所有的病例数据经上述方法的诊断结果见表2。
表2 神经网络对肺癌诊断结果分析
神经网络
诊断结果 训练数据 测试数据
肺癌患者 非肺癌患者 肺癌患者 非肺癌患者
+ 460 2 25 3
- 0 38 1 22
其中对于训练集，肺癌病人的正确检出率为100%，非肺癌病人误诊率为5%。对于测试集，肺癌病人的正确检出率为96.2%；非肺癌患者正确检出率为88%，误诊率为12%。
讨 论
1.本研究所采用的人工神经网络的肺癌诊断方法的结果较好地符合了已知数据，具有较高的准确性，特别是对于肺癌患者一般都能准确地做出诊断，有利于肺癌的早期发现和治疗。
2.要想进一步提高该方法的准确性，应该注意收集更多更全面的病例数据。人工神经网络主要是利用它能自动从数据集中抽取函数的关系的功能。如果我们所使用的数据越多越全面，则其中所蕴含的事物本身的规律性就越强，利用人工神经网络从中所抽取的函数关系就越具有普遍性，因而就更准确。
3.实现对肺癌的诊断的关键在于准确找到罹患肺癌的判定函数，可利用前向网络的函数逼近功能来实现。但是这里涉及到两个问题。首先，由于差别函数和预测率函数都是利用人工神经网络从已知的病例数据集中抽取出来的，它实际反映的是这些数据集中输入输出对的映射关系。因此要想保证诊断具有较高的准确性，就应该使用来建立函数关系的这些数据集(称训练集)具有充分的代表性，即这些数据应基本蕴含肺癌诊断的医学原理。这就涉及到如何选择网络合理的训练集及关键的输入项。另一个问题涉及到神经网络本身的要求，即网络的输入输出数据值都应在区间(0，1)中。这可以通过数据的编码和归一化来实现。
4.由于某些原因有些病人的病例数据不完整，约占总病例数据的10%左右。显然，如果按照传统的方法来建立肺癌病人的诊断模型〔4〕，这些有缺项的数据是不太好处理的，但是由于人工神经网络有较强的容错性，输入数据在某些项上的错误对网络最终结果的正确性影响不大。
参考文献
1.焦李成.神经网络系统理论.第1版.西安：西安电子科技大学出版社，1995，3
2.Wang Zhenni,Tham Ming T,Morris A.Multilayer Feedforward Neural Networks:A Canonical form Approximation of Nonlinearity,Int J.Control,1992,56(3):655～672.
【关键词】概率神经网络；损伤识别；进展
0 引言
近年来，随着城镇化建设速度的飞速发展，大量高层建筑和大体型的公共建筑在城市里日益增多，这些建筑的安全性直接关系到巨大的社会影响性和经济利益。由于结构原始的缺陷性和意外灾害，这些建筑的部分构件往往会受到损伤，如果能及早发现建筑结构的损伤，并采取加固措施，则可以降低经济损失和避免人员的伤亡。因此，结构的损伤识别技术研究日益受到人们的重视。
神经网络由于具有较强的非线性映射能力和较强的鲁棒性，所以非常适合于模式识别的工作。20世纪90年代以来，国内外学者对基于神经网络进行结构损伤识别的理论和技术进行了大量的研究，并尝试了BP神经网络、RBF神经网络、概率神经网络、模糊神经网络[1]等多种类型。本文对基于概率神经网络进行结构损伤识别的研究进展进行讨论，并对其将来研究方向提出建议。
1 概率神经网络工作原理
概率神经网络（PNN）是由Specht D F[2]在1990年提出来的一种人工神经网络类型。概率神经网络采用的是前向传播算法，用指数函数来取代在神经网络中使用较多的S型函数，和其他反向算法中的试探法不同，它是基于统计原理的概率密度函数的估计法。概率神经网络是把具有Parzen窗口估计量的最小错误率贝叶斯决策放入神经网络框架中，基于贝叶斯决策算法来判断输入向量的类别状态。
Parzen窗口被用来估计核密度估计量的概率密度函数[1]，其表达式如式（1）所示 ：
f■（x）=■■exp[-■]（1）
式中： m是q类中的训练样本数量，p是样本向量的维数，σ为光滑系数，X是输入的待检验样本向量，Xqi是q类中第i个训练样本。
概率神经网络由输入层、模式层、求和层和输出层（竞争层）组成。输入层的神经元个数是输入向量的维数，待分类的向量是其神经元；模式层的激活函数是高斯函数，神经元个数是训练样本的个数；求和层的神经元个数是类别个数，该层的每一个神经元接收与其相连的给定类的所有模式层的输出，将其按不同类别相加；竞争层输出判决结果。
基于概率神经网络进行结构损伤识别的基本思路是首先对结构可能发生的损伤情况划分为若干种损伤模式，然后将从振动信号提取的损伤指标作为网络的输入向量，最后用识别出的损伤模式来判断结构发生损伤的位置。
2 概率神经网络用于结构损伤识别的研究进展
由于小波能量特征可以较好刻划含有噪声的信号特征，所以对结构响应信号进行小波变换，并用变换后的信号能量特征向量作为PNN的输入向量，就构成了松散的WPNN，使其能更有效的进行结构损伤识别。
杨晓楠[3]通过比较小波函数的正交性和双正交性、正则性等特性，选择Mexican cat小波函数对结构加速度时程响应进行小波变换，然后将其作为概率神经网络的输入向量，对美国ASCE提出的一个12自由度的四层钢框架剪切模型进行了损伤识别验证。姜绍飞[4]以小波变换作为动力信号处理工具，采取小波基函数对加速度响应进行处理，提取小波能量作为损伤识别的特征参数，同时利用遗传算法来优化PNN网络模型中的圆滑参数，提出了自适应小波概率神经网络，用小波能量特征向量作为APNN输入向量，并加入不同水平的噪声使其更真实的模拟现实工况，通过对一个框架模型的数值模拟验证了该网络的有效性。王勇[5]利用小波变换对结构动力不同频段信号进行处理，然后作为概率神经网络的输入向量对一四层钢框架进行了损伤识别。文中讨论了小波变换的尺度个数与尺度大小对损伤识别结果的影响。算例表明当小波尺度的选择范围正好对应结构的频率范围时，可以明显提高网络的识别准确性。
为了消除多传感器所采集的信息具有的冗余性，有些学者提出了数据融合技术。翁光远[6]建立了基于小波概率神经网络和数据融合技术的模型，利用ANSYS有限元程序模拟钢筋混凝土悬臂板，用频率变化率作为输入向量对其进行了损伤识别。算例表明，这种WPNN与数据融合的损伤识别方法有良好的容错性。王万平[7]利用数据融合技术进行桁架结构损伤识别，他用Ansys有限元程序建立了桁架结构的计算模型， 然后取损伤前后的前六阶固有频率经过融合技术处理作为概率网络的输入向量，对所建立的模型进行了数值模拟。算例表明，对一处和两处单元发生30%单元刚度折减的损伤情况都有较好的识别效果。
肖仪清[8]应用小波分析提取桥面的一阶振型，从空间换时间的角度导出曲率模态乘子矩阵，将振型转换为曲率模态差，并作为普适概率神经网络的输入参数，对滨州黄河大桥的铝质缩尺模型的有限元模型进行了损伤识别。文中采用模拟脉动风荷载激励斜拉桥振动，得到动力响应参数，使该方法的实用性大大提高。
禚一[9]提出分步损伤识别方法，以天津河北大街混合梁斜拉桥为例，首先采用概率神经网络判定发生损伤的子结构位置，输入向量选用正则化的频率变化率，然后用径向基神经网络对有损伤的子结构中的局部构件进行进一步的损伤位置和程度的识别。采用这种组合网络进行分阶段的损伤识别效率较高，特别适用于大型结构的损伤识别。通过分步识别法，减少了每次损伤识别都要对所有构件同时进行损伤程度判定的工作量，也使识别的精度和准确性有了很大的提高。
3 结论
（1）概率神经网络对训练样本的工况代表性较高，如何使训练样本全面包含可能出现的所有损伤类别对于损伤识别的准确性非常重要。因此训练样本的数量必然庞大，需要极大的存储空间；
（2）输入向量的选择对于概率神经网络的损伤识别效果也非常重要，在不同的结构类型下如何合理的选择小波变换函数和数据融合技术，使测得的动力信号可以得到最优化的处理需要更深入的研究。
【参考文献】
[1]姜绍飞.基于神经网络的结构优化与损伤检测[M].北京：科学出版社，2002.
[2]Specht D F.Probabilistic neural networks[J].Neural Networks，1990，3：109 -118.
[3]杨晓楠，姜绍飞，唐和生等.小波函数的选择对结构损伤识别的影响[J].沈阳建筑大学学报（自然科学版），2005，21（6）：635-639.
[4]姜绍飞，张帅，杨晓楠，等.自适应小波概率神经网络损伤识别方法[J].沈阳建筑大学学报（自然科学版），2006，22（1）：45-48.
[5]王勇，杨俊青，肇启才，等.小波尺度选择对钢结构损伤识别的影响[J].山西建筑，2007，33（30）：99-100.
[6]翁光远，王社良.悬臂板损伤数值模拟试验与WPNN识别（下转第68页）（上接第51页）方法[J].西安工业大学学报，2009，29（3）：290-293.
[7]王万平，翁光远，申伟等.桁架结构损伤识别的数据融合方法研究[J].工业建筑，2012，42（12）：129-132.
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.
关键词: 智能控制;神经网络;温度控制系统；
正如大家所知道的，在控制系统发展中，智能控制技术的出现有益于逻辑控制、人工神经网络技术和专家模糊系统的一体化。在由一个误差信号驱动的学习控制中可以看出，对于许多复杂变量的非线性方程，这些系统的功能得以淋漓尽致地发挥。换句话说，和普通软件一样，工业生产的各种各样应用软件已经溶入了智能控制的思想。举个例来说，对于一些较难为传统方案所能控制的复杂或不大明了的系统，这种高级控制能提供一个切实可行的方案使其接近目前人类专家认识水平上的定性数据。随着工业控制的发展，智能控制技术领域的繁荣已经为新的控制技术提供了一些重要的应用。
关于智能控制的一些基本概念已在本篇文章中加以解释，并通过一个例子说明智能控制在温度控制系统中的运用。
模糊控制
模糊理论的发展源于用精确、传统的模型没法解释一些现实中遇到的物理现象，因
此，模糊理论成为探索复杂问题的一种有力工具，因为在没有使用精确、常规模型的情况下，对于定的输入它都能测定出输出量。它是没有模型的控制器。模糊控制理论的本质就是把复杂问题简单化。
设全域U中的一个子集为A，它们之间的关系用函数描述为：μA(χ):χ∈[0,1]，表示χ中的所有元素在A中的级别。模糊理论在很大程度上得益于人类语言，它是一
语言控制器，自然语言中的每个字或术语都可以视为全域U中的具体模糊子集A的一个标志。这个语言标志是用字、语法和句子来描述全域U.的子集。一个模糊语言上的变
量值就是作为模糊状态标志使用的语言术语，且是可以变化的。例如，模糊子集标志的高、中、低可作为模糊变量的值。
2、自适应模糊神经控制
自适应模糊神经控制通常包含在体系结构中设定的两个多层神经网络模型。其中第一个神经网络是一个设备竞争者，第二个作为一种补偿以提高基本模糊逻辑控制器的性能。这个系统的发展由三个阶段组成：第一阶段，为设备发展一个基本模糊逻辑控制器；第二阶段，依据设备动力学训练控制神经网络模型，根据设备的不同类型，这种神经网络的训练实时或离线时都可以使用；第三阶段，主要包括神经模糊补偿的在线学习。预期输出与实际输出之间所表现出的误差会通过神经设备竞争者向后反馈，以适应在线神经模糊补偿的分量。这种过程促进了神经网络设备竞争者与实际输出之间的误差在后向反馈中的即时改进。
3、专家模糊系统
专家系统有许多专家知识和实践经历，所以被称为程序系统；在专家的知识和先前实验数据的基础上，专家系统得到了很大的发展。为了要图解式地表达专家的知识，一个知识网络常通过因果关系的例证被证实；模糊全集函数可以像语言学上的陈述来使用。当专家系统出现故障时，它便开始使用向后和向前的链接方法查找根本原因。然后，依照查找到的原因修正控制策略；对每一步操作，它都会考虑到确切步骤不同程度的作用。如果最初原因的判断超过了预先定义的界限，专家系统会执行操作；当判断低于预
定的界限，而且如果这步操作不可撤消的话，专家系统就会给操作员发出消息等待他的决断。如果操作是可逆的，专家系统会毅然使用该操作。这三种不同的控制方案研究是
可选的，比如：给操作员“提出要点”、“模糊回答”、“建议”等。当专家系统执行使用“提出要点”这一方案时，就会发送进程变量的一个最新值给高层控制系统。使用“建议”方案时，系统将“建议”发给进程操作员让其手动完成操作。“模糊回答”包括三个部分，一个进程变量、自预定义模糊集合方程和所发现原始明确原因的程度。对于出现的每一个故障，将建立一个“模糊回答”。
4．人工神经网络
人工神经网络在数学模型中模拟了生物大脑神经网络，大脑是一个大规模的信息处理系统，它连接了将近1010个神经元。人工神经网络以平行分布的方式连接了许多线性
或非线性的神经元模型和进程信息。当传统计算机的计算速度因为从计算方案的预指定运算法则减缓时，神经网络就会以很高的速度执行计算。另外，神经网络有很多有趣吸引人的特征，比如宽大的并行处理，错误容忍力，自适应学习能力和自我组织能力。
一个人工神经网络就是在不同层聚集起来的神经单元的一个集合。如图1所示为一个典型的多个神经网络。
多个网络可以实现任意复杂输入输出之间的映射。一个神经元i在第k层的输出如下：
其中yik是第k层第i个神经元的输出，wyk是第k-i层第i个神经元与第k层第i个神经元之间的连接分量，m是总的层数，Xik-1是第k-i层第i个神经元的活化，θj是第j个神经元的极值，函数表示神经元的活化规则，它通常是一个分段、具有一定斜率的线性s曲线。在一个竞争的神经网络中，在第k层每一个神经元i和同层中的其他神经元形成竞争关系。为了学习神经网络的
分量，可以使用后向反馈误差的运算法则。这种法则运用倾斜的搜索技巧求出误差函数的最小值。近来，神经网络使用控制系统与其他控制器组合到一起，比如神经网络PID控制器，神经网络模糊控制……众多实例说明组合控制的效果优于单个系统。
5、仿真实例
在锅炉温度控制中，神经网络控制的实现过程如图2所示：
控制器是神经网络PID控制计划，温度控制系统结构如图3所示：
当神经网络PID校准器是一个两层网络控制的系统，其如图4所示：
, ( 2 )
,
运算法则是基于一种倾斜的理论基础上的，它被称之为后向传输理论，这个在两层
之间的反向误差信号表达式为：
， （3）
其中f(x)是f与x之间关系的派生，这个关系分量表示为：
， （4）
其中，学习比例 ， （5）
精深的论据 ， （6）
系数 η0=0.3 ,α0=0.95 . 实验中使用容积为8升的锅炉，选用800W的加热器，当时间0 <t<60 min温度保持40℃，60<t<120 min时保持60℃，采样时间间隔设为20秒。实验中可观察到使用神经PID控制器的过程输出，如图5（a）为其输入、输出曲线图。但如果使用的是基本的PID控制器，则输出曲线在理想输出线附近逆向振荡，其输入、输出曲线如图5（b）所示。
6、结论
【关键词】自适应距离保护 人工神经网络 BP算法
一、引言
距离保护长期以来一直是复杂电网中高压输电线路最重要的也是应用最广泛的保护方案。这种保护有许多独特的优点，如能瞬时切除输电线80%～90%范围内的各种故障。但是有许多原因会影响阻抗的测量精度，从而影响测量阻抗的计算，使测量阻抗为短路阻抗与附加阻抗之和，从而会引起误动或者拒动。
基于这些问题，本文提出了人工神经网络。近年来，人工神经网络（ANN）逐渐得到电力系统研究人员的高度重视和广泛研究。人工神经网络是由众多的神经元广泛互联而成的网络。人工神经网络以其具有自学习、自适应、较好的容错性和优良的非线性逼近能力，广泛应用于模式识别和模式分类等方面。
本文所采用的三层前向神经网络的学习算法为反传学习算法，即BP算法，学习过程采用反向传播法。
二、基于人工神经网络的距离保护模型
BP网络模型也即多层前向网络（Multi-layer Feedforward Neural Network，MFNN），因其训练算法采用反向传播算法，也即BP算法。由于这种算法在本质上是一种神经网络学习的数学模型，所以，BP算法也通常暗示着神经网络的拓扑结构是一种无反馈的多层前向网络。
人工神经网络是由大量简单的基本元件——神经元相互连接而成的自适应非线性动态系统。一般而言，只要采用三层神经网络，而且对各层神经元数目不加限制，则可在模式空间构成任意复杂程度的几何图形，从而对任意复杂的对象进行分类。
人工神经网络含有输入层、输出层以及处于输入输出层之间的中间层。中间层有单层或多层，由于他们与外界没有直接联系，故也称为隐层。在隐层中的神经元也称隐单元。隐层虽然和外界不连接，但是他们的状态则影响输入输出之间的关系。BP网络的结构的每一层连接权值都可以通过学习来调节，它的基本处理单元（输入层）除外通常为非线性输入输出关系。
三、神经网络的训练及检验
本文通过EMTP仿真的数据预处理中得出了这两个子网络的权值和阀值矩阵中，用一些不同于训练样本的检测样本（本文在故障检测与选相子网络是用40组进行训练，13组进行检测的；对故障定位子网络是用35组进行训练，14组进行校验的）。每一个子网络的隐含层节点的数目，是在训练过程中根据最快的收敛速度和最好的精度标准通过多次采用不同的隐含层节点数目进行训练，反复比较，根据实际的收敛效果和计算精度来选择确定的。其中，故障检测与选相子网络（ANN1）的隐含层数目取为42个，故障定位子网络（ANN2）的隐含层数目取为33个。
在确定了两个子网络的隐含层以后，开始对故障检测和选相子网络（ANN1）和故障定位子网络（ANN2）采用BP算法进行训练。经过对子网络的多次训练，其训练过程是收敛的，其训练速度也是令人满意。
下面将2个子网络的部分训练样本、检验样本及检验结果。
在对第一个、第二个子网络故障检测与选相子网络其训练过程过程是收敛的，其训练速度也是令人满意的。
下面是子网络ANN1的训练样本和训练样本及检测样本。故障类型有：内部故障，A相接地、内部故障，B相接地、内部故障，C相接地、内部故障，两相短路、内部故障，两相接地短路、内部故障，三相短路。理想输出：1，0，0，0；0，1，0，0；0，0，1，0；0，0，0，1；0，0，0，1；0，0，0，1。检验结果：
0.9985，0.0378，0.0838，0.0230；0.0315，0.9988，0.0607，0.0121；0.1004，0.1718，0.9980，0.2715；0.2815，0.0499，0.0614，0.9864；0.2496，0.3688，0.0370，0.9798；0.0197，0.0551，0.0187，0.9981。
从上面可以清楚的看出，故障检测和选相子网络在各种故障情况下都能正确反映故障，并启动保护和正确选相。
在第二个子网络训练过程也是表明故障定位子网络ANN2也是收敛的，其训练速度也是令人满意的。
下面是故障定位子网络ANN2的训练样本和检验样本及结果举例。当故障点线路全长线路全长83%，故障类型分别为单相接地、两相故障、三相故障时，其理想输出为1、1、1；当故障点线路全长线路全长87%，其理想输出为0、0、0。检测结果：当故障点线路全长线路全长83%，输出：0.9867、0.9827、0.9572。当故障点线路全长线路全长87%，输出：0.1758、0.1820、0.1602。
从上面数据可以看到，故障定位子网络距离保护经过训练以后，基本能够正确的识别故障点位置。
四、结论
本论文针对传统距离保护在系统发生振荡和系统经过过渡电阻发生故障时，可能会误动或拒动等，因此，提出了基于BP人工神经网络自适应距离保护原理由两个相互独立的子网络来实现，即故障检测与选相子网络和故障定位子网络。两个子网络组成一个并行处理系统，经过大量的训练样本进行训练，投入实际运行线路中，根据本身需要提取输电线路的运行参数，对电力系统运行状态进行判断。研究结果表明，用人工神经网络实现最复杂的保护原理——距离保护是可行的，而且具有显著的优点。
参考文献：
[1]贺家李，宋从矩.电力系统继电保护原理（第三版）[M].北京：中国电力出版社，2001.
关键词：ART2神经网络；模式漂移；标幺值；距离
中图分类号：TP183文献标识码：A
文章编号：1001-9081(2007)04-0945-03
0引言
基于自适应共振理论的ART2神经网络，采用竞争学习和自稳机制原理来实现稳定的分类，在语音、视觉、嗅觉和字符识别等领域得到广泛应用。在注意子系统对输入模式通过向量归一化和非线性变换预处理过程中，易将重要但幅度较小的分量作为基底噪音而滤除，这样在分类过程中就丢失了重要的信息;同时,在学习过程中还存在因权值修正问题而造成的模式漂移现象。针对模式漂移等不足，国内外提出了许多解决办法，主要是结合遗传算法或小波等算法进行互补[1,2]。本文分析了造成这些不足的原因，提出了标幺值和基于类内样本与类中心的距离不同而对类中心偏移产生不同影响的思想，提出了改进算法，仿真实验证明改进算法能有效地改善模式漂移现象。
1传统ART2神经网络简介[3,4]
一种典型的ART2神经网络结构如图1所示：图中只画出了维数为q的样本X的第j个分量Xj
的处理结构图。
整个系统分为注意子系统和定向子系统两部分。注意子系统完成由底向上矢量的竞争选择及矢量间相似程度的比较，定向子系统检查相似度能否达到检测标准，并做出相应的动作，共振或者重置。
在注意子系统F1层特征表示场对输入模式X通过向量归一化和非线性变换进行预处理，以达到抑制噪声增强对比的作用,得到自稳后的输入模式U。
否则，当前激活节点I被重置并被屏蔽，在剩余节点中继续搜寻最匹配的。如果所有节点均不能通过警戒测试则开辟新的输出节点，即创建一个新类。并对新类所对应的内星及外星连接权矢量进行初始化:
2网络的分析和学习算法的改进
注意子系统F1层特征表示场要对输入模式X通过向量归一化和非线性变换进行预处理，在很多应用场合，由于输入模式X的分量的单位各不相同，会出现一些重要但幅值较小的分量，例如输入X=(70,2,85)，三个分量代表不同的特征而单位不同，如果分量x2是一个很重要的量，经F1层特征表示场对输入模式X通过向量归一化，按照式（1）进行计算得:
被当作基底噪声而滤除，影响了分类的正确性。造成这种现象的主要原因是因为各分量的度量标准不同，如果输入分量变成无单位的值，将极大改善这种状况。工程计算中，往往不用各物理量的实际值，而是用实际值和相同单位的某一选定的基值的比值（标幺值）来进行计算。标幺值=实际值/基值，它是个相对值，没有单位。因此，在输入前应该对输入向量进行无单位化预处理。具体算法如下：
在聚类中，样本之间的距离常作为它们是否属于同一类一个判别标准，因此，将输入模式与现有的模板中心的距离引入了匹配度检验阶段及权值修改中，这将有效地改善模式漂移现象，具体改进算法如下：
3)权值的修正,根据输入样本与模板中心的距离来调整，基于如下的思想:对于同一个类的样本，当新增加一个样本，距离模板中心越远的样本对模板中心的迁移影响越大。这样得到的模板中心就会尽可能的接近真正的聚类中心，将改善模式漂移现象。权值的修正采用如下的修正公式：
3实例分析
为分析方便，文章采用文献[6]的实例，该组模式共有89个，其幅角分别为1°，2°，…，89°，其幅角作为序编号对各模式进行了标记。因为样本是二维数据，虽然幅值都为1，如果仅用幅角表征，相当于将其转化成一维的样本，显然仅将幅角作为输入是不合理的。表征平面上的坐标有极坐标和直角坐标，由于极坐标的两个分量幅值和幅角的单位量纲不同，而直角坐标的两个分量单位却是相同的，基于前面的分析，最好采用相同的单位，因此采用直角坐标来表征这组模式，分别为（cos1°,sin1°）,（cos2°,sin2°），…，（cos89°,sin89°）。对于这组数据，分别采用顺序，逆序和随机输入的方式输入到传统ART2神经网络和本文的改进ART2神经网络。
3.1顺序输入方式
对于顺序输入比较结果见表1。其中参数如下:
传统的ART2神经网络参数为：a=10,b=10,d=0.8,e=0,θ=0.1,c=0.2,ρ=0.99,ww=0.01。
改进的ART2神经网络参数为：a=10,b=10,d=0.8,e=0,θ=0.1,c=0.2,ρ=0.9,ξ=0.97，ww=0.01。
可以看出，改进的ART2神经网络克服了传统ART2不能识别模式渐变过程的弱点，无超大类和样本混叠现象，良好地实现了分类。
对于逆序输入模式数据的分类结果基本类同于顺序输入方式下得到的结果。
3.2随机输入方式
将以上89个模式以随机输入的方式输入到传统ART2神经网络和本文的改进网络，共做10次实现，观察结果，表2列出具有代表性的一次分类结果。
两种ART2神经网络均将所有模式分为三类，其中传统的ART2神经网络的第一类模式序号均小于31，其规模仅有13个模式，属于超小类，缺少量为17个。第二类序号小于30的模式有18个，序号大于60的模式有6个，其规模为53个，属超大类，超出量为23个。第三类序号小于61的模式有3个，其规模为25个模式，缺少量为4个。第一类和第二类出现交混量，比例为0∶16，即本属于第一类的16个数据被错分到第二类，第一类与第三类交混量的比例为0∶1，第二类与第三类的交混量的比例为7∶2。
可以看出改进的ART2神经网络没有出现超大或超小类，同时交混量的数量也很少，说明改进的ART2神经网络分类性能显著提高。同时对其他几组结果进行分析，可知传统的ART2网络分类结果受模式输入顺序的影响较大，而改进的ART2网络的分类结果较为一致，说明改进后的ART2网络具有一定的鲁棒性。
4结语
关键词 降雨量预测；白城市；径向基函数人工神经网络
中图分类号：P426.6 文献标识码：A 文章编号：1671-7597（2013）17-0122-01
降雨是水文水资源系统的重要组成部分，也是影响水资源评价的重要因素。降雨变化所导致的洪水和干旱等会引起严重的自然灾害。因此，详细的了解之前的月降雨、季降雨和年降雨数据对农业管理和灾害防治具有重要意义。灰色理论法、回归移动平均法、人工神经网络法等都是常用的降雨量预测方法。本文使用径向基函数人工神经网络建立白城市降雨量预测模型，对模型的精度进行分析，并对白城市未来的年降雨量进行预测。
1 研究区概况
吉林省白城市位于吉林省西北部，松辽平原西部。东经122°55′北纬45°38′。东、东南与吉林省松原市的前郭尔罗斯蒙古族自治县、乾安县接壤；南与吉林省松原市的长岭县毗邻；西、西北与内蒙古自治区的科尔沁右翼中旗、突泉县、科尔沁右翼前旗相连；北、东北与黑龙江省泰来县、杜尔伯特蒙古族自治县、肇源县隔江相望。
白城市属温带大陆性季风气候，四季分明，冬长夏短，降水集中在夏季，雨热同期。春季干燥多风，十年九春旱；夏季炎热多雨，雨热不均；秋季温和凉爽且短暂；冬季干冷，雨雪较少。年平均降水量为405 mm，大部分降雨集中在7到9月；年蒸发量为1749 mm。
2 径向基函数人工神经网络
2.1 径向基函数人工神经网络概述
径向基函数人工神经网络使用径向基函数作为激活函数，是一种局部逼近的前馈式神经网络，已广泛应用于分类问题、函数逼近问题、噪声差值问题以及正则化问题。与BP人工神经网络相比，RBF人工神经网络收敛速度，稳定性好，并且能够找到全局最点。
2.2 径向基函数人工神经网络的结构和原理
径向基函数神经网络是一种3层前向神经网络。第一层为输入层，第二层为隐含层，第三层为输出层。从输入层到隐含层的变换为非线性的，其激活函数为径向基函数，从隐含层到输出层的变换为线性的。
3 白城市年降雨量预测
3.1 白城市年降雨量预测模型的建立
3.1.1 应用自回归分析法确定模型的输入变量
在建立径流量预测模型之前，应首先选择合适的输入变量。自回归方法通过计算观测降雨量和预测降雨量之间的自回归系数来确定输入变量。
实际上，本年的降雨量受到前n年降雨量的影响。因此，根据1960年到2010年白城站的数据，使用自回归分析模型来确定n的取值。根据自回归分析得到n为6，也就是说本年的年降雨量受前6年年降雨量的影响。因此，降雨量预测模型中共包括6个输入变量和1个输出变量。
3.1.2 应用径向基函数人工神经网络建立降雨预测模型
1960年到2010年的年降雨量数据共组成45组输入输出数据。将这些数据分成2部分，前37组数据作为训练数据，后8组为检验数据。使用径向基函数人工神经网络法建立降雨量预测模型。
3.2 白城市年降雨量预测模型的精度分析
使用建立的预测模型对验证数据的8组样品进行预测。选用平均绝对误差（MAE）和平均相对误差（MRE）来评价模型的预测精度。
通过计算得到模型的平均绝对误差和平均相对误差分别为：30.22 mm，11.54%。表明建立的径向基函数神经网络模型有较好的拟合精度，可以用来进行降雨量预测。
3.3 白城市未来年降雨预测
应用所建立的径向基函数神经网络模型对白城站2011-2020年的年降雨量进行预测，结果如图1。
4 结论
本文首先应用自回归分析方法来确定白城地区年降雨量预测模型的输入变量。结果表明：前6年的年降雨量对本年的年降雨量影响较大。应用径向基函数神经网络方法建立降雨量预测模型。模型的精度分析结果表明：径向基函数神经网络模型性有较好的拟合精度。应用径向基函数神经网络对2011年到2020年白城地区的年降雨量进行预测，预测结果将对农业管理和灾害防治起到重要的作用。
参考文献
[1]韦庆，卢文喜，田竹.运用蒙特卡罗方法预报年降水量研究[J].干旱区资源与环境，2004，18（4）：144-146.
[2]刘杨，徐淑琴，董丽丽，王云鹤.时间序列模型在查哈阳农场降雨量预测中应用[J].黑龙江水利科技，2012，40（2）：5-7.
购物车(0)