引論：我們為您整理了13篇神經網絡基本原理范文，供您借鑒以豐富您的創作。它們是您寫作時的寶貴資源，期望它們能夠激發您的創作靈感，讓您的文章更具深度。

篇1

1 概述

數字識別在車輛牌照識別、銀行支票識別和郵政儲蓄票據識別等領域有著廣泛的應用，因而成為研究人員近年來研究的一個焦點[1]。而人腦神經系統模型的建立為人工神經網絡的產生提供了理論模型依據， 使其具有模擬人腦部分形象思維的能力[2]，因而使其成為人工智能技術的重要組成部分和常用方法。人工神經網絡由簡單信息處理單元相互連接組成，通過簡單處理單元間的相互作用來實現對其所接收信息的處理。而隨著人工神經網絡技術的快速發展，其為解決模式識別鄰域的相關問題提供了新的解決思路和方法，其突出的優點在于它具有對接收信息可進行并行分布式處理能力和自我學習反饋能力，因而吸引了眾多研究人員對其進行廣泛和深入的研究。而誤差反向傳播網絡（Back-Propagation），即BP神經網絡，是一種典型的人工神經網絡，它具有人工神經網絡的所有優點，因而在眾多技術鄰域有著廣泛的應用[3]。該文首先對BP神經網絡的基本原理進行了詳細介紹，在分析了其基本原理的基礎上，針對數字識別問題，設計了一種利用BP神經網絡技術進行數字識別的方法。經實驗表明，該方法合理可行，且其識別效果正確有效。

2 相關原理與知識

由于本文針對數字識別問題，利用BP神經網絡技術對其進行方法設計和實現，首先必須了解BP神經網絡的基本原理，即了解其具體構成形式、模型分類和其功能特點。其次，在了解了BP神經網絡基本原理的基礎上，進一步了解其所處理數據的特點和組成形式，并根據處理數據的特點和其數據結構設計相應的數字識別方法。下面分別對它們進行詳細的介紹。

2.1 BP神經網絡基本原理

BP神經網絡算法由數據信息流的前向計算，即正向信息流的正向傳遞，誤差信息的反向回饋兩個部分組成。當信息流進行正向傳遞時，其傳遞方向為從輸入層到隱層再到輸出層的順序，器每層神經元所處的狀態只會影響下一層神經元的狀態。若在最后的輸出層沒有得到理想的輸出信息，則應立即進入誤差信息的反向回饋過程[6]。最終經過這兩個過程的相互交替運行，同時在權向量空間使用誤差函數梯度下降策略，動態迭代搜索得到一組權向量，使得該BP神經網絡的誤差函數值達到最小，從而完成對信息提取和記憶過程[7]。

2.2 BMP二值圖像文件數據結構

由于本文處理的數據源為BMP二值圖像，則必須了解其數據結構，才能對其進行進一步的識別方法設計。由數字圖像處理基礎知識可知，常見BMP二值圖像文件的數據結構由以下三部分組成：（1）位圖文件頭，其包含了BMP二值圖像的文件類型、文件大小和位圖數據起始位置等信息；（2）位圖信息頭，它包含了BMP二值圖像的位圖寬度和高度、像素位數、壓縮類型、位圖分辨率和顏色定義等信息；（3）位圖數據體，其記錄了位圖數據每一個像素點的像素值，記錄順序在掃描行內是從左到右，掃描行之間是從下到上。因此，根據BMP二值圖像數據結構信息，讀出所需要的圖像數據，并對這些圖像數據做進一步的處理。在本文給定的訓練圖像中，圖像數據大小為80個字節，而圖像數據體距離其文件頭的偏移量為62個字節。但為了減少數據處理數量，該文在進行實驗時直接使用位圖數據體中的數據，沒有通過讀出位圖文件頭來得到位圖數據體中的數據。

3 數字識別具體設計方法

由上文可知，該文使用數據源為圖像大小為20*20的BMP二值圖像，由于是對位圖數據體的數據直接進行操作，因此省去了對圖像其他數據結構數據的繁雜處理過程，將問題的核心轉向BP神經網絡的設計方法步驟。

4 實驗結果

圖4所示為BP神經網絡訓練及測試結果圖。該文選擇10個訓練樣本，通過實驗結果可以看出，由這10個訓練樣本訓練出來的BP神經網絡對于訓練樣本中的圖像數值識別率達100%，訓練時間也比較短，其迭代次數大概為700次左右。對于一些含有噪聲的圖片，只要噪聲系數小于0.85個字符，其數字識別率可達96%。

5 結束語

針對二值圖像數字識別問題，該文在對BP神經網絡的基礎理論進行分析后，設計了一種基于BP神經網絡的數字識別方法，并通過實驗驗證了該BP神經網絡用于數字識別的可行性和有效性。而對于BP神經網絡存在的收斂速度慢、易陷入局部最優和學習、記憶具有不穩定性等問題，還有待于對其進行一步研究。

參考文獻：

[1] 韓力群.人工神經網絡教程[M].北京：北京郵電大學出版社，2006.

[2] 呂俊，張興華.幾種快速BP算法的比較研究[J].現代電子技術，2003，24（167）：96-99.

[3] 陸瓊瑜，童學鋒.BP算法改進的研究[J].計算機工程與設計，2007（10）：96-97.

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

[5] 馬耀名，黃敏.基于BP神經網絡的數字識別研究[J].信息技術，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）.

篇2

（二）BrainCell神經網絡實現步驟

1.網絡層數的確定根據Kolmogrov理論可知，含有一個隱含層的三層神經網絡可以以任意精度逼近一個從輸入到輸出的映射關系。因此，在BrainCell神經網絡中采用含有單隱層的三層神經網絡。2.網絡節點的確定輸入層節點的多少與評價指標個數是相對應的。因此，根據構建好的B2B電子商務供應鏈協同績效評價指標體系，可以將一級指標與二級指標進行合并，作為輸入層的節點數，其指標數如表1所示，因此輸入層節點數為19個。輸出層節點則為1個，在此以B2B電子商務供應鏈協同績效等級結果作為輸出值。3.網絡訓練本文采用的訓練函數為trainscg，將網絡訓練的精度設置為10-4并初始化權值和閾值后，從15個樣本中選取12個作為訓練樣本進行批處理訓練，開啟網絡進行學習訓練。其具體步驟如下。假設訓練樣例是形式（a，b），其中a為輸入向量，b為輸出值。N為輸入節點數，M為輸出層節點數。從單位i到單位j的輸入表示aij，單位i到單位j的權值表示Wij。（1）創建具有N個輸入單位，M個輸出單位的BrainCell神經網絡。（2）用隨機數（0或1）初始化某些數字變量網絡權值Wij。（3）對于第k個訓練樣例（a，b），把輸入跟著網絡前向傳播，并計算網絡中每個單元x的輸出Qx，使誤差沿著反向傳播。（4）對于每個輸出單元u，計算它的誤差項。（5）對于每個隱含單元h，計算它的誤差項。（6）利用誤差項更新調整每個網絡權值。（7）重復（3）到（6），直到完成指定的迭代次數或者是其誤差值達到可接受的范圍。4.網絡檢驗將剩下的3個驗證樣本數據輸入到訓練好的網絡中，將其訓練結果與實際結果相比較，檢驗BrainCell神經網絡得到的輸入與輸出間的關系是否正確，從而反映出該績效評價體系的準確性和可靠性。

二、實證研究與分析

（一）確定績效評價等級

由于各個企業供應鏈自身發展的情況不同，各具特點，其形式、結構各異，因此如何劃分績效評價等級，如何更好地反映績效評價等級至關重要。本文以績效考核成績最好為1，最低為0為臨界值，由高到低劃分5個等級，并通過績效等級系數來體現，見表2所示。

（二）指標數據獲取和處理

本文以天貓商城中某珠寶飾品有限責任公司為例，該公司有比較穩定的供應商，且與多家企業都有長期合作關系。根據公司的實際管理情況，整理出該公司供應鏈協同管理的績效指標評價體系研究的基礎數據，應用BrainCell軟件對這些基本數據進行計算。為使各指標在整個系統中具有可比性，本文利用效應系數將指標在閉區間[0，1]上進行同趨勢化無量綱化和定性指標定量化處理。結果表明，該公司的供應鏈整體績效基本良好，其績效評價等級系數主要都集中在[0.5,0.8]這部分區間內，與該公司所處供應鏈實際情況相符。該公司運作情況基本令人滿意。

篇3

文章編號:1004-373X(2009)10-133-04

Research of Adaptive Digital Predistortion Based on Neural Network

QIU Wei,XU Yitao,REN Guochun,ZHONG Zhiming

(Communication Engineering College,PLA University of Technology,Nanjing,210007,China)

Abstract:Because of inherent nonlinearity of high power amplifier,f-band distortion and adjacent-channel interference,which may have bad influence on communication system.To overcome it,a linearization process is given.First,this paper makes a math analysis about nonlinearity distortion of HPA,describes the basic principle about digital predistortion.And then,after depicting simple neural network,the paper proposes an adaptive digital predistortion technology based on SISO-neural network,which can improve third-order and fifth-order intermodulation and comparing with polynomial-fitting technology,it has more advantage on convergence speed and difficulty of hardware realization.At last,the paper uses a double-sound signal to make a matlab simulation,the results also prove this technology′s superiority.

Keywords:power amplifier;pre-distortion;neural network;intermodulation distortion

伴隨無線通信技術的迅猛發展,使得人們對通信系統的容量要求越來越大。現代通信系統為了追求更高的數據速率和頻譜效率,更趨向于采用線性調制方式,如16QAM和QPSK方式,以及多載波配置[1]。這些技術產生的信號峰均比較大,均要求功率放大器具有良好的線性特性,否則就會出現較大的互調失真,同時會導致頻譜擴展,造成臨道干擾,使誤碼率惡化,從而降低系統性能。

目前,克服放大器非線性失真主要有三種方法,一是直接制造超線性功率放大器,但制造這樣的放大器工藝極其復雜,價格非常昂貴,且一般只適用于小功率放大器。二是采用功率回退技術,使功放工作在線性區,可以使其從飽和功率點做較大回退來滿足線性放大的要求,但這樣做會使功放效率大大降低,一般小于10%。三是采用線性化技術,即通過適當增加一些電路來克服其非線性影響。目前功放線性化技術主要有前饋、負反饋和預失真技術。負反饋固有的穩定性問題,使得反饋線性化技術工作在無線頻率無法保持系統穩定[2]。前饋技術是早期用得比較多的一項技術,比較成熟,但其最大的難點在于為保持不同器件之間的幅度和相位特性完全匹配[2],會使系統和設備都較復雜。預失真技術具有電路形式簡單,調整方便,效率高,造價低等優點[3]。其中,基帶預失真還能采用現代的數字信號處理技術,是被最為看好的一項功放線性化技術。

文章利用一種簡單的單入單出三層前向神經網絡來進行自適應預失真處理,補償由高功率放大器非線性特性引起的信號失真,從而實現其線性化。文中分析基于這種結構的自適應算法,并做了相應的仿真,仿真結構表明,該方法能有效改善三階互調和五階互調,且收斂速度比一般多項式預失真更快,具有一定的優勢。

1 高功率放大器非線性分析

高功率放大器一般都是非線性器件,特別是當輸入信號幅度變化較大時,放大器工作區將在飽和區、截止區、放大區之間來回轉換,非線性失真嚴重,會產生高次諧波和互調失真分量。由于任何函數理論上都可以分解為多項式的形式,故放大器的輸入和輸出關系表示為:

Vo=a1Vi+a2V2i+a3V3i+…+anVni(1)

假設輸入的雙音信號為:

Vi=V1cosω1t+V2cosω2t(2)

將式(2)代入式(1),得到輸出電壓為:

Vo=a22(V21+V22)+

a1V1+a334V31+32V1V22+…〗cosω1t+

a2V2+a334V32+32V2V21+…〗cosω2t+

12a2V21+…cos(2ω1t)+12a2V22+…•

cos(2ω2t)+14a3V31+…cos(3ω1t)+

14a3V32+…cos3ω2t+a2V1V2\ω2)t+cos(ω1-ω2)t\〗+34a3V21V2\ω2)t+cos(2ω1-ω2)t\〗+34a3V22V1\ω1)t+cos(2ω2-ω1)t\〗+58a5V31V22cos(3ω2-

2ω1)t+58a5V21V32cos(3ω1-2ω2)t

從上式可以看出,輸出信號中不僅包含2個基頻ω1,ω2,還產生了零頻,2次及高次諧波以及互調分量。其中的2ω1-ω2,2ω2-ω1,3ω1-2ω2和2ω1-3ω2通常會落在通頻帶內,一般無法濾除,是對通信影響最大的非線性失真分量,即所謂的三階互調和五階互調。放大器線性化的目標就是在保證一定效率的前提下最大地減小三階和五階互調分量。

2 預失真基本原理及其自適應

預失真就是在信號通過放大器之前通過預失真器對信號做一個與放大器失真特性相反的失真,然后與放大器級聯,從而保證輸出信號相對輸入信號是線性變化。預失真器產生一個非線性的轉移特性,這個轉移特性在相位上與放大器轉移特性相反,實質上是一個非線性發生器,其原理圖如圖1所示。

預失真器的實現通常有查詢表法和非線性函數兩種方式[2]。由于查表法結構簡單,易于實現,早期的預失真多采用此方法。但它對性能的改善程度取決于表項的大小,性能改善越大,需要的表項越大,所需要的存儲空間也越大,每次查找遍歷表項的每個數據和更新表項所需要的時間和計算也越大,因此在高速信息傳輸的今天已經不可取。非線性函數法是根據對放大器輸出信號采樣值與其輸入信號,用一個非線性工作函數來擬合放大器的工作曲線,然后根據預失真器特性與放大器特性相反,求出預失真器的非線性特性函數,從而對發送信號進行預失真處理。這種方法只需要更新非線性函數的幾個系數,也不需要大的存儲空間,因此是近年來研究的熱點。

圖1 預失真基本原理

假設預失真器傳輸函數為F(x);放大器傳輸函數為G(x);F和G均為復函數。若輸入信號為x(t),則經過預失真器之后的信號為u(t)=F\,放大器的輸出函數為y(t)=G\=G{F\}。預失真的目的就是使x(t)通過預失真器和放大器級聯后的輸出y(t)=ax(t),a為放大器增益。通過一定的方法可以找到合適的F,使實際輸出和期望輸出的誤差最小。

由于溫度、電器特性、使用環境等因素的不斷變化,放大器的傳輸特性也會發生變化,從而預失真器傳輸函數F(x)的各參數也會隨之變化。因此,現代數字預失真技術一般都采用自適應技術,以跟蹤調整參數的變化。目前,常用的兩種自適應預失真結構如圖2和圖3所示。

圖2 自適應預失真系統結構圖

圖3 復制粘帖式自適應預失真系統結構圖

圖2是一般的通用自適應結構,結構簡單,思路明確,但一些經典的自適應算法由于多了放大器求導項而不能直接應用,且需要辨識放大器的傳輸特性。圖3的復制粘帖式結構(非直接學習)則不存在這些問題,關于這種結構的優缺點比較和具體性能分析見文獻[4]。這里將采用后一種自適應結構。

3 基于一種單入單出式神經網絡的自適應預失真技術

3.1 神經網絡

神經網絡是基于生物學的神經元網絡的基本原理而建立的。它是由許多稱為神經元的簡單處理單元組成的一類自適應系統,所有神經元通過前向或回饋的方式相互關聯、相互作用。由Minsky和Papert提出的多層前向神經元網絡是目前最為常用的網絡結構。它被廣泛應用到模式分類和函數逼近中,已經證明含有任意多個隱層神經元的多層前向神經元網絡可以逼近任意的連續函數[5]。在此,就是利用神經網絡的這種功能來擬合預失真器的特性曲線,并且用改進的反向傳播算法來自適應更新系數。

多層前向神經元網絡由輸入層、一個或多個隱層和輸出層以前向的方式連接而成,其每一層又由許多人工神經元組成,前一層的輸出作為下一層神經元的輸入數據。三層前向神經元網絡示意圖如圖4所示,其中輸入層有M個人工神經元,隱層有K個神經元,輸出層有N個神經元。關于人工神經元的具體介紹

參考文獻[6,7]。

圖4 三層前向神經元網絡

3.2 基于單入單出式神經網絡的自適應預失真系統模型

單入單出三層前向神經網絡示意圖如圖5所示,假設隱層包含K個神經元。輸入數據經過一系列權系數{w11,w12,…,w1K}加權后到達隱層的各個神經元。隱層中的神經元將輸入進來的數據通過一個激勵函數(核函數),其各神經元的輸出經過一系列權系數{w21,w22,…,w2K}加權并求和后作為輸入層的輸入,然后該輸入通過激勵函數的輸出作為整個網絡的輸出。單入單出式神經網絡自適應預失真系統模型就是把圖5所示的神經網絡放入圖3所示的自適應預失真模型的預失真器{f}和函數發生器{f′}模塊中,兩個神經網絡的結構和規模是一樣的。

圖5 單入單出三層前向神經元網絡

預失真器神經網絡和函數發生器神經網絡開始都隨機初始化。先看預失真器神經網絡,設輸入序列為xi(i=1,2,…),則隱層各單元輸入I1k=w1kxi-θ1k,經過核函數后,隱層各單元輸出為J1k=f(I1k)。其中f(x)=(1-e-2x)/(1+e-2x)為核函數,輸出層靜輸入為z1=∑Kk=1w2kJ1k-θ1,輸出層輸出即預失真器輸出U1=f(z1),經過功放后得到系統輸出yi。通過衰減器后的信號作為訓練神經網絡的輸入信號,經過前面神經網絡相同的過程訓練網絡輸出層的輸出為U2,絕對誤差信號e1(i)=U1(i)-U2(i),然而直接把此誤差運用到自適應算法中導致算法會局部收斂且收斂速度極慢。因此本文對誤差信號做了改進,即把誤差信號改為e(i)=(1/2){λ\2+(1-λ)φ\},其中φ(x)=In\/β,加入的調整因子λ和輔助項φ,能把算法從局部收斂點拉出來且收斂速度得到一定的提高。最后根據反向傳播算法,得到訓練神經網絡的權系數更新式如下(下標2為隱層到輸出層權系數;下標1為輸入層到隱層權系數):

δ2(i)=c(i)\

Δw2(i)=αδ2(i)J2+ηΔw2(i-1)

Δθ2(i)=αδ2(i)+ηΔθ2(i)

δ1(i)=δ2(i)w22(1+J2)(1-J2)

Δw1(i)=αδ1(i)y/G+ηΔw1(i-1)

Δθ1(i)=αδ1(i)+ηΔθ1(i)

預失真權系數可分為訓練和跟蹤兩個階段。根據上面的迭代公式,得到一組訓練神經網絡的權系數。把這種權系數拷貝到預失真器神經網絡中替代原來的權系數,得到一組新的預失真系數,之后重新計算誤差,繼續上面的過程循環迭代運算,直到誤差小于規定的范圍,即整個系統收斂,預失真器訓練完成。此時稱之為訓練階段。之后隨著溫度、輸入的不同,調制信號、環境等的變化,可能引起功放特性的變化,可以設置一個誤差門限值,一旦發現誤差超過此門限,立即重新啟動上面的循環迭代,重新訓練,直到滿足條件,即跟蹤階段。這種算法收斂速度快,且能滿足實時運算的要求。同時在硬件實現上,只要做一個核函數發生器,其他就全是乘累加運算,與多項式結構的高次冪運算相比,硬件實現要簡單得多,因此具有一定的實用性。

4 性能仿真

文中使用雙音信號進行了仿真分析,雙音信號為:

xs=0.5

放大器模型采用經典salef[9]模型,神經網絡的隱層數設為15。雙音信號直接通過放大器和通過文中所提的預失真網絡后再通過放大器的頻譜圖如圖6所示。

圖6 預失真前后信號歸一化頻譜圖

圖7 神經網絡和多項式結構誤差曲線

由圖6可見,雙音信號通過放大器后產生了較大的失真,其中的三階互調達到-17 dB,五階互調也有-36 dB。通過文中所提的神經網絡預失真系統處理后,即信號通過預失真器再通過放大器后,三階互調被抑制到-42 dB,五階互調也被抑制到-45 dB以下,三階互調改善25 dB,五階互調改善11 dB以上。

圖7顯示文獻[10]提到的一般多向式結構和本文所提出的神經網絡預失真結構的誤差收斂曲線,它們都能達到相同或相似的互調分量改善效果。然而,本文所提的神經網絡結構收斂速度明顯較前者要快,而且收斂效果也比前者要好。圖8是輸入信號和通過預失真處理后放大器的輸出信號波形圖。由圖可見,經過本文所提出的神經網絡預失真網絡處理后,輸出信號波形基本沒有失真,能與輸入信號很好的重合,表明該神經網絡預失真技術能很好的實現功放線性化。

圖8 輸入信號和通過預失真處理后放大的輸出信號波形圖

5 結 語

本文針對放大器固有的非線性特性問題,從數學上分析了放大器的非線性失真,介紹基于預失真基本原理和神經網絡基本概念,提出一種單入單出式神經網絡自適應預失真技術。仿真結果表明,該技術能三階互調能抑制25 dB左右,對五階互調能抑制11 dB左右。在很大程度上改善了通信系統的性能;而且與一般多項式預失真技術相比,收斂速度和收斂效果都有一定的改善,且硬件實現上只要做好一個核函數發生器,其他運算就全是簡單的乘累加過程,可以避免硬件難以完成的多項式高次冪運算,表現出了一定的優勢。

參考文獻

[1]趙慧,漆蘭芬.射頻放大器的工作函數預失真線性化[J].無線電工程,2001,31(12):58-61.

[2]錢業青,劉富強.寬帶RF功率放大器的預失真線性化技術綜述[J].計算機工程與應用,2007,43(32):114-117.

[3]賈建華,劉戰勝.關于自適應預失真射頻功率放大器線性化研究[J].微波學報,2005,21(3):48-50.

[4]錢業青.一種高效的用于RF功率放大器線性化的自適應預失真結構[J].通信學報,27(5):35-46.

[5]Cybenko G.Approximations by Superpositions of a Sigmoidal Function[J].Mathematics of Control,Signals and Systems,1989(2):183-192.

[6]劉寶碇,趙瑞清,王綱.不確定規劃及應用[M].北京:清華大學出版社,2003.

[7]朱劍英.智能系統非經典數學方法[M].武漢:華中科技大學出版社,2001.

[8]Glentis G O,Berberdis K,Theodoridid S.Efficient Least Sqares Adaptive Algorithms for FIR Transversal Filtering[J].IEEE Signal Processing Magazine,1999,16(4):13-41.

篇4

智能小車實際上是一類輪式移動機器人，其運行原理是依據單片機程序來自動實現行使、轉向、加速等運動形式。因此對智能小車運動方式的控制屬于機器人學的范疇。對智能小車運動軌跡的控制主要依賴于傳感器的信息采集技術和智能控制技術。而在智能小車的運動軌跡控制問題中的一個重要問題是如何實現其自動避障。要完成這一任務，需要解決兩個方面的問題，一是利用傳感器準確的收集小車所在的環境信息，二是將環境信息自動處理后變成控制信息。實踐表明，采用的單一的傳感器技術已經不能滿足收集充足環境信息的需要，而需要多種類型的傳感器相配合，從而獲得準確的環境信息。對這些通過多種類型傳感器獲得的環境信息的處理需要實現不同數據的之間的整合，即需要利用多傳感器的數據融合技術。常用的數據融合技術如傳統的卡爾曼濾波法、D-S證據推理等，但其核心思想是一致的，即通過對多種信息的融合來實現對目標的識別和跟蹤。采用基于多傳感器的數據融合技術已經成為智能小車避障控制中的重要研究方向。在本文中將以多傳感器的數據融合技術為基礎，研究智能小車的避障問題。

2.基于多傳感器的數據融合

基于多傳感器的數據融合技術需要處理來自多個傳感器的實時數據，并進行快速的處理。從傳感器獲得數據的類型來看，這些數據代表不同的物理含義，如速度、距離、角度等，數據類型和特征也不盡相同，分屬于不同的層次，因此對來自多個傳感器的數據融合實際上要完成對多層次數據的綜合評定，這必須依賴于一定的數據融合結構。

2.1 基于多傳感器信息的融合結構

從現有的研究成果來看，基于多傳感器信息的數據融合結構主要有四種形式：無反饋分布式融合、反饋分布式融合、集中式融合和反饋并行融合，各類融合結構的主要特點分別為：①無反饋分布式融合。無反饋分布式融合模式需要對每個傳感器的數據都進行濾波分析，并完成對各傳感器的局部信息融合，最后再實現對多個傳感器數據的融合。這類數據融合方式的優點是不需要太大的通信開銷，融合速度較快，所需的存儲空間也較小。②反饋分布式融合。反饋分布式融合的基本原理和無反饋分布式融合類似，但每個傳感器多了一個信息反饋通道，可提高預測和狀態估計的精度，但需要更大的通信開銷。③集中式融合。集中式融合的主要特點是對所有傳感器采集的信息進行狀態的估計和預測，通過對每個傳感器采集信息的檢測判定來實現對所有傳感器信息的綜合判定。由于采用了所有傳感器的全部信息，因此這類融合方法的精度較高，但也需要更高的硬件配置。④反饋并行融合。這類數據融合結構綜合了以上三類融合結構的優點，對局部、整體的數據處理效率和精度都很高，但對硬件和數據關聯技術等要求也較高，是一類重要的研究方向。

2.2 基于多傳感器信息的數據融合方法

基于多傳感器信息的數據融合方法主要分為兩類，一是基于概率統計的方法，如統計決策法、貝葉斯法等，二是人工智能方法，如模糊控制法、人工神經網絡、D-S證據推理等。每種方法可參考有關文獻，此處不再一一詳述。

3.模糊神經網絡基本原理

模糊神經網絡是模糊控制理論和人工神經網絡理論的耦合技術，能夠有效的處理對經驗性依賴較高的問題，并能廣泛的適用于無法精確建模的系統。而人工神經網絡則能夠具備自學習能力和快速求解能力。通過模糊控制和人工神經網絡的結合，能夠形成函數估計器，有效的處理模糊信息和完成模糊推理，其性能比單一采用模糊控制或人工神經網絡控制效果更優。模糊神經網絡的基本原理為：①定義若干各模糊集合，并形成對應的控制規則。定義神經網絡的層次(一般分為三層)和節點數量。②定義輸入層。將輸入層中的節點與輸入向量分量之間實現連接。③定義隸屬函數層。以語言變量值構成隸屬函數層的節點，與輸入層的連接權值固定為1，節點閾值為0。④定義規則層。每一條模糊控制規則定義為一個節點，節點的輸出為隸屬函數的輸出。

4.實例應用

4.1 硬件

在本例中，智能小車所采用硬件平臺為STC89C52型單片機，動力系統為AUSRO馬達130，驅動芯片型號為TA7267，驅動芯片與單片機相連，其輸出端和馬達直流電機連接，從而實現對小車的方向控制，小車通過兩輪驅動。

小車采用的傳感器有兩種類型：超聲波測距系統和紅外傳感器系統。超聲波測距系統的型號為TCT40-10T/R，紅外傳感器的型號為索尼CX20106。

4.2 傳感器數據融合規則

在采用了5路超聲波測距系統后，基本上可以對小車周圍的障礙狀況有比較可靠的了解，紅外傳感器的作用是為了彌補超聲波測距系統的盲區。對這兩類傳感器所采集數據的處理方式為：①超聲波測距系統和紅外傳感器同時工作；②若紅外傳感器的有效探測距離內發現障礙，以紅外傳感器的數據為準；③其他情況以超聲波測距系統的探測值為準。

對5個方向的超聲波測距的數據所采用的數據融合流程為：開始選擇通道發射超聲波盲區延時接收信號計算小車與障礙之間的距離數據融合選擇小車動作。數據的融合技術采用模糊神經網絡法。

4.3 模糊神經網絡的構建

結合智能小車避障控制的需要，在小車車身配置5個超聲波系統和一個紅外系統，分別完成對前、左、左前、右、右前5個方向的測量，因此模糊神經網絡共需要建立起5個輸入和2個輸出的網絡結構。各個輸入量的物理含義為小車在上述5個方向的與障礙的距離，神經網絡的輸出量為小車的前進和停止。以紅外傳感器采集的數據作為小車運動控制的開關量。隸屬函數層的函數形式采用高斯型，模糊語言變量分別為｛“遠”、“近”｝，因此結合第一層的5個輸入，共構成10個神經元。結合輸入層和隸屬函數層的情況，輸出層的神經元數量為2的5次方，共32個神經元。

4.4 模糊控制規則和樣本訓練

(1)模糊控制規則

模糊控制規則體現的是人為控制經驗的總結，分別對5個方向的超聲波探測到的距離信息為基礎來控制小車的轉向。其基本原則為，若距離障礙較近，則小車停止前進，若距離障礙較遠，則小車繼續前進。分別以F表示前進、TF表示左轉、TR表示右轉、在實際控制規則中，共有9條，這里僅舉一條來進行說明：若前方障礙較近，且左、左前、右、右前距離障礙較遠，則小車左轉。將上述規則轉換為模糊語言后，即可獲得具體的控制規則。具體轉換方式可參照有關文獻。

(2)模糊神經網絡的訓練樣本

依據上述模糊神經網絡的基本組成方式，其模糊輸入范圍的論域為[0,5]，以高斯型隸屬度函數來劃分距離遠近的模糊集合。訓練樣本的數據量較大，因此這里不便一一列出，神經網絡的訓練方法可參照有關文獻。

4.5 運行效果

在上述的步驟完成后，對小車的避障能力進行了實際驗證。實驗表明，利用超聲波測距系統結合紅外傳感器后，以模糊神經網絡融合上述兩類傳感器采集的數據可有效的實現智能小車的避障運動。

篇5

1.2交互驗證增加屬性類似于多項式擬合增加高階項，增加多項式高階將會使預測誤差總是變小，但屬性的個數絕不是越多越好。隨著屬性個數的增多，對預測的結果的影響越來越小，會明顯削弱未參與神經網絡訓練的那些點的預測能力，甚至造成預測誤差反而增大,這種現象稱為過度匹配。而且參與運算的屬性過多，也會影響到運算速度，因此通過計算驗證誤差來確定最佳的屬性個數，防止過度匹配，該過程就稱為交叉驗證。通過蘊藏井誤差分析的方法，驗證出現擬合過度的情況。求取遞歸系數時，選取一口井作為驗證井，不參與運算。利用擬合出的關系，得到驗證井的誤差值。以此類推，得到每一口井的誤差值，以參與運算井的平均誤差作為參考標準，來檢驗屬性組合個數是否出現擬合過度的情況。

2應用實例分析

研究區內油氣富集區主要為巖性控制，目的層段厚度70m左右，地震剖面上大約50ms，含油砂體主要發育在wellA，wellC附近，向周圍變化較快。針對目標層T41-T43之間進行井曲線交匯和巖性統計。wellA，wellC主要是含油砂巖，wellB、D、F主要是泥質砂巖、煤層，巖性差別很大。但從速度、密度曲線交匯圖版（圖1）來看，曲線交匯統計重疊較大，很難區分含油砂巖和泥質砂巖。wellA、wellB對應層位巖性明顯不同，在地震剖面也體現同樣的反射特征。因此基于測井和地震模型為基礎的常規疊后波阻抗反演很難準確識別這套含油砂巖。而更能反映巖性特征的GR曲線，則對這套砂體較為敏感，明顯地區分出了這套含油砂巖（如圖3所示）。因此我們采用本文介紹的神經網絡技術，在常規波阻抗反演的基礎上，預測GR曲線特征體。經過分析，把GR值65~75區間巖性賦值為含油砂巖，從而把這套儲層有效的區分出來，在此基礎上進一步計算砂巖厚度（圖4）。

篇6

負荷預測是實現電力系統優化運行的基礎，對于電力系統的安全性、可靠性和經濟性都有著顯著影響。負荷預測是指從已知的經濟、社會發展和電力系統需求出發，考慮政治、經濟、氣候等相關因素，通過對歷史數據的分析和研究，探索事物之間的內在聯系和發展規律，以未來經濟和社會發展情況的預測結果為依據，對未來的電力需求做出估計和預測[1]。相關研究工作已在國內廣泛開展，其研究成果已經廣泛應用到電力系統實際運行維護當中，并取得了良好的經濟效益。

負荷預測的方法主要分為兩大類，分別是基于參數模型預測法和基于非參數模型預測方法。基于參數模型的預測方法主要有單耗法、負荷密度法、電力彈性系數法、回歸模型預測法、趨勢外推預測法、時間序列預測法等；基于非參數模型預測方法主要有專家系統法、模糊預測法、灰色預測法、人工神經網絡預測法、小波分析預測法等[2]。

RBF神經網絡具有良好的函數逼近功能，在函數回歸上表現出較好的性能，已被廣泛應用到人工智能領域。在負荷預測方面，RBF也得到了廣泛的應用。本文的主要工作是整理了主要的基于RBF的電力負荷研究內容，對存在的問題進行了分析，并對未來的發展進行了展望。

本文接下來的內容安排如下，第二章介紹了RBF神經網絡的基本原理，第三章對基于RBF的電力負荷研究進行了綜述，最后給出了總結。

1 RBF神經網絡基本原理

RBF網絡的結構與多層前向網絡類似，如圖1所示，它由三層組成：第一層為輸入層，第二層為隱含層，第三層為輸出層[3]。

假設RBF神經網絡的輸入向量為n維，學習樣本為 （X，Y），其中，X=（X1，X2，…XN），為輸入向量，Xi=（Xi1，Xi2，…，XiN）T，1≤i≤Nj；Y=（y1，y2，…，yN），為期望輸出；N為訓練樣本個數。當神經網絡輸入為Xi時，隱含層第j節點的輸出如式（1）所示[4]。

對于全體輸入學習樣本，RBF神經網絡的輸出如式（2）所示。

2 基于RBF負荷預測相關研究

文獻[4]通過建立徑向基（RBF）神經網絡和自適應神經網絡模糊系統（ANFIs）相結合的短期負荷預測模型來應對實時電價對短期負荷的影響。由于固定電價時代的預測方法在電價敏感環境下效果不理想，文章根據近期實時電價的變化應用ANns系統對RBF神經網絡的負荷預測結果進行修正，提高預測效果。

文獻[5]研究了基于RBF神經網絡的多變量系統建模。文章將正規化正交最小二乘算法引入多輸入多輸出系統，進行相關研究，建立了基于RBF神經網絡的多變量系統的模型。對電廠單元機組負荷系統進行建模仿真研究的結果表明，用該方法建立的多變量熱工系統的非線性模型是有效的，具有較高的辨識精度和較好的泛化能力。

文獻[6]提出了一種基于交替梯度算法的RBF神經網絡，并將之應用到負荷預測領域，取得較好的效果。通過使用交替梯度算法來優化RBF輸出層權值和中心與偏差值來得到改進的RBF算法。與傳統梯度下降算法相比，改進的RBF算法具有更高的預測精度和更快的收斂速度。模型綜合考慮了氣象數據、日類型等影響負荷變化的多種因素，實驗結果表明改進的RBF網絡算法具有更優的性能。

文獻[7]將RBF神經網絡和專家系統相結合，在深入研究天氣和特殊事件對電力負荷的影響的基礎上，提出了新的負荷預測模型。利用RBF神經網絡的非線性逼近能力預測出日負荷曲線，然后利用專家系統根據天氣因素或特殊事件對負荷曲線進行修正，使其在天氣突變等情況下也能達到較高的預測精度。表1為文獻[7]的實驗結果對比表。

文獻[8]將模糊聚類分析中的隸屬度應用到負荷預測應，通過隸屬度原理得到一批與預測日在樣本信息上類似的歷史日。采用模糊聚類分析獲得的樣本作為RBF神經網絡的訓練樣本，并應用改進的RBF神經網絡進行訓練，在不需大量訓練樣本的前提下實現對短期負荷的預測。

影響電網負荷預測的因素很多，而地區電網負荷易受氣象因素影響，文獻[9]針對電網負荷預測以上特點，把氣象因素作為影響負荷的主要因素，采用模糊規則控制的徑向基神經網絡（RBF）算法，對某地區電網的日負荷數據進行預測，實驗證明采用這種預測方法可以提高負荷預測的速度和精度。表2給出了文獻[9]的實驗結果表。

3 結束語

本文針對基于RBF神經網絡負荷預測進行了綜述，但由于文章篇幅的原因，不能將所有的方法列舉出來，只列舉了具有代表性的方法，希望能起到拋磚引玉的作用。

參考文獻：

[1]肖國泉，王春，張福偉.電力負荷預[M].北京：中國電力出版社，2001.

[2]李昀.電力系統中長期負荷預測方法研究與應用[D].2011.

[3]張師玲.基于RBF神經網絡與模糊控制的電力系統短期負荷預測[D].江蘇大學，2010.

[4]雷紹蘭，孫才新，周等.基于徑向基神經網絡和自適應神經模糊系統的電力短期負荷預測方法[J].中國電機工程學報，2005.

[5]劉志遠，呂劍虹，陳來九等.基于RBF神經網絡的單元機組負荷系統建模研究[J].控制與決策，2003.

[6]郭偉偉，劉家學，馬云龍等.基于改進RBF網絡算法的電力系統短期負荷預測[J].電力系統保護與控制，2008.

篇7

1．2人工智能模型

工程造價估算專家系統，是通過人工智能，加上知識庫技術而建立起來的，可是這種人工智能模型主要靠專家的知識，來對工程造價進行估計計算的，但是估算的結果是被估算人員的主觀意識所影響的，不同專家的性格，知識面的寬窄，經驗豐富與否、都是不確定因素，幾乎可以會所不一樣的估算專家所得出的結果都不會一樣。這種方法很容易帶有個人偏見和片面性。受專家的主觀偏見性較強。

2BP神經網絡模型構造與算法

2．1人工神經網絡的基本原理

1985，D•E•Rumelhart等人組成的PDP小組提出的一種神經網絡模型，這就是我們今天所說的BP神經網絡，BP神經網絡結構是利用誤差反向傳播來消除誤差的，它有三個層次，有一個輸入層，第二個是隱層，最后一個當然就是輸出層。在訓練估算中，我們可以通過計算輸出值和我們預期的期望值，他們之間所產生的誤差，逆向思維，去求解輸出層單元的一般化誤差，然后再把誤差進行反向傳播，把隱含層單元的一般化誤差求解出來，并最終調整輸出層和隱含層，包括輸入層之間的連接權，還有連接權與隱含層和輸出層的閾值，最終目的就是讓系統誤差達到我們可以接受為止。當先前的系統誤差達到我們所需求的時候，權值和閾值就變成了固定不變的了，這樣我們再通過反向逆推，就可以測出我們這個項目的未知信息。這就是人工神經網絡的基本原理。

2．2BP神經網絡模型建立的步驟

(1)我們首先確定模型輸入層，隱含層還有輸出層的神經元個數。并且以此為依據，確定BP神經網絡模型的結構參數;(2)神經網絡只能處理－l～l之間的數據，所以在輸入網絡時，我們不僅需要對原始數據進行規范化處理，還要對隱含單元和各個單元輸入信息進行求和;通過反向逆推之后得到本單元的輸入信息。所以對原始數據，隱含單元輸入模塊規范化細致化是非常重要的;(3)隱含單元的輸出值可以根據神經網絡操作模型得出，只要我們把net信號經過一次激發函數的處理，可以得到這個隱含單元的輸出值;(4)對于輸出單元節點，我們只要對前一層的隱含層單元輸入信息，并且加權求和后，就能得到該單元的輸入信息。操作起來非常方便快捷;(5)對權矩陣的調整，因為人工神經網絡可以近似實現任意空間的數學映射。所以我們假設，如果神經網絡輸入單元數為M，輸出單元為N，則在m維歐式空間尺中會有一個有界子集A，存在著一個到n維歐式空間，那么R中一個有界子集F(A)的映射。

3基于BP神經網絡的工程造價估算模型

3．1定量化描述工程特征的因素

什么是工程特征，在BP神經網絡中所說工程特征，就是指不但能表示工程特點，而且還能反映工程的主要成本構成的重要因素。，我們可以通過參照歷史工程資料的統計和分析，進行工程特征的選取工作。選取完成之后，再根據專家的經驗來確定，這樣就可以萬無一失了。首先我們可以通過典型住宅工程的造價組成進行分析，然后對建筑結構參數的變化和別的工程做一下對比，通過以上兩點得出的結果，分析這些因素對造價的影響，依照以上的理論方法，我們進行了實踐性的研究，最終把礎類型，結構形式，建筑層數，門窗類型，外墻裝飾還有墻體材料以及平面組合等，這7種因素作為工程的主要特征。不同的建筑工程有著不同的類型，比如說結構，可以是磚混結構和框架結構等;磚條基和鋼筋砼條基礎等都可以作為基礎特征，對于這樣的特征選取的多樣性我們稱之為特征類目，通過工程特征不同類目的列舉，再跟據定額水平，工程特征對造價影響的相關性，這些對平方米造價的改變，對工程定量化的描述可以主觀的給出對應的量化數據。

3．2建立估價模型

工程造價估算的指標體系到該項目的單位造價的非線性映射，就可以統稱為是建設項目工程造價的估算問題。BP網絡可以根據人們的需求以任意的精度去逼近任意映射關系，究其原因就是上文說的BP網絡采用的是三層BP神經網絡結構，不同于其他的電腦估算網絡。不僅是因為該模型的輸入單元為7個，還有他們的項目樣本特征也不盡相同。神經網絡可以根據已經經過我們優選的模型特征，做為參考估算要素，然后再通過項目工程造價估算中，我們所提供的一定數量的已知樣本，采取對樣本的神經網絡訓練，最后根據以往的大的數據庫，提取類似的項目估算值，然后才能對其它特征的項目進行估算。這樣我們只需要輸入指標體系的各指標值，BP神經網絡就可以在該項目的單位造價的非線性映射中給出該項目的單位造價。

3．3檢測結果的分析

上面我們通過大量的實際實驗得知了這兩個固定不變的數字，然后我們可以用程序值被收斂后的網絡，對現在要進行求解的數據進行檢測，在測試后，如果發現總體誤差比率較小，那么就滿足我們初步設計的概算需求了，同時對工程可行性研究的投資估算需求也已經基本符合了，這些結果能有好的保證，全是依賴我們所選擇的模型的寬度夠用，模型在所有的因素中具有廣泛的代表性。所以估價模型的計算才較為成功。幾個工程估算的好壞也不能代表所有的項目都是完美的，也有個別工程造價估算誤差大，因為電腦畢竟是人在給其輸入程序，電腦的經驗，還有就是對一些特征的學習不夠用，本身的知識儲備還是有局限性的。因為對樣本數量的學習始終是有限，不可能面面俱到，而且挑選的樣本也不可能針對這個工程而言都是符合這個項目的特性。雖然說BP神經網絡模型有這樣無法控制的缺點，但是和其他的造價估算模型相比，BP神經網絡模型的優點還是可圈可點的，其優點和其他的造價模型相比較優點還是非常明顯的。在以后的估算中，隨著樣本的不斷充實，數據的不斷積累，經驗的不但豐富，其估算的誤差也將不斷縮小，這些方面的補充，在以后的估算中，必定會取得非常完美的成績。

篇8

Key words： precise irrigation；nerual network algorithm；greenhouse flowers

中圖分類號：S274 文獻標識碼：A 文章編號：1006-4311（2012）35-0069-02

0 引言

受地形條件和季風氣候的影響，我國水資源分布十分不平衡，造成許多地區嚴重缺水，因此水資源短缺已成為困擾這些地區的首要問題。節水工程是緩解水資源短缺的一項系統性工程，其主要包括時空調節水資源、天然降水的利用以及增加植物自身對水分的利用率等手段。節水灌溉是實現可持續利用水資源的關鍵技術，如何精細的灌溉花卉也成為人們一直致力于研究的課題。農作物對養分和水分的利用率受施肥量和灌溉量是否合理的影響很大。基于花卉水脅迫聲發射的機理可以實現對花卉的精準灌溉，但是如何使得灌溉量最優目前還沒有辦法解決。本文將通過將人工神經網絡引入到花卉灌溉系統中，實現為花卉在生長過程中提供適當的水和肥料，從而可以大大提高花卉的質量、降低生產成本、節約水肥等等。

1 理論知識

1.1 花卉節水灌溉及水脅迫聲發射 生命的活動離不開水，植物也不例外。植物產量的下降受水分虧缺的影響很大，據有關資料統計，水分虧缺對植物產量造成的影響比其他因素的總和還要多。植物對水分的吸收和散失一般是由其自身的器官和周圍的環境的相互作用來完成的，例如SPAC（土壤-植物-大氣連續體）中各個環節的共同作用[3]。土壤、植物、氣候這三個方面可以對植物是否缺水進行判別，其主要評價校準一般分為三類：①以植物自身為評分對象；②以環境為對象，利用環境條件的改變對植物的需水量進行估計，例如通過水面的蒸發量來估算植物自身的耗水量，從而得出植物的需水量；③以土壤為對象對植物的水量進行判斷。

近年來，隨著人們對植物水分機理研究的不斷深入，人們發現了植物會通過自己的“語言”來向我們發出缺水信號，也就是我們常說的“會說話的植物”。植物的語言被定義為植物的“聲發射”現象，即植物缺水會造成水流在水流通路中出現斷裂，從而發出爆裂聲。聲發射由于物體受外界作用發生形變時激發的能量被迅速釋放而產生的一種瞬態應力波[2]。水分在植物體內傳輸需要依靠張力。干燥的土壤會使張力大大增加，當超過平衡極限時，會造成于水分子對導管壁的粘附力和各分子間的內聚力失效，從而導致連續的水柱遭到破壞，造成斷裂，也就是常說的“空穴現象”。空穴一旦出現，張力會因突然被釋放產生沖擊波，同時產生聲發射信號。以往的研究資料表明，聲發射信號可以作為自動灌溉系統的信號發生源，以一個特殊的植物相應反饋實現精細灌溉。

1.2 BP神經網絡及相關算法[4] BP神經網絡算法是Rumelhart于1985年提出的，其基本思想是：通過輸出誤差來估計輸出層得直接前導層的誤差，然后利用前導層的誤差估計其前導層的誤差，隨著一層層的傳遞計算，就能得到所有層的誤差估計。BP神經網絡模型在處理信息方面有著很好的應用價值，基本原理是：通過中間節點將輸入信號Xi作用于輸出節點，經過一系列的非線性變換得到輸出信號Yk。BP算法的實現過程是在輸入層的神經元上加載各項指標數據X，利用連接權向前一步步傳遞，最后到達隱含層神經元，然后經過轉換函數的處理后輸出信號被傳遞到網絡輸出層。BP神經網絡模型一般包括自學習模型、誤差計算模型、作用函數模型和輸入輸出模型。

1.2.1 自學習模型：？駐Wij（n+1）=h×？覫i×oj+a×？駐Wij（n）

式中：h-學習因子；？覫i-輸出節點i的計算誤差；oj-輸出節點j的計算輸出；a-動量因子。

1.2.2 誤差計算模型 通過誤差計算模型能夠得到神經網絡的計算輸出值和期望輸出值之間的誤差，其函數表達式為：Ep=1/2×？撞（tpi-Opi）2

式中：tpi-i節點的希望輸出值；Opi-i節點的計算輸出值。

1.2.3 作用函數模型 作用函數又叫作刺激函數，其主要用來反映輸入值對上一層的節點刺激脈沖的強度的大小，函數表達式為定義域為（0，1）的Sigmoid函數，即f（x）=1/（1+e-x）。

1.2.4 節點輸出模型

a.輸出節點輸出模型：Yk=f（？撞Tik×Qj-qk）

b.隱節點輸出模型：Oi=f（？撞Wij×Xi-qj）

2 溫室花卉在水脅迫聲發射下的灌溉測量

雖然，利用植物的聲發射信號可以知道花卉何時缺水，何時需要開始灌溉，但灌溉量多少也就是何時停止灌溉卻無法判別。長期以來，灌溉量一般由花農自己的經驗進行判斷，然而不同的環境條件下，灌溉量將發生變化，因此很難將經驗值引入到自動灌溉系統中。BP神經網絡模型具有很好的自學習能力，可以對這個經驗值進行學習，從而實現灌溉量的自動控制。本文將利用遺傳算法和人工神經網絡算法，結合matlab軟件和ARM單片機芯片實現對溫室花卉在水脅迫發射下灌溉量的預測。

近年來，聲發射技術被廣泛的應用于水脅迫問題的研究中。植物在缺水情況受到水脅迫的程度可以利用聲發射技術進行檢測并通過傳感器記錄下來。當土壤的含水量低于植物生長所需的適宜指標以下時，則灌溉應開始進行，灌溉量得多少可以根據以下公式進行計算：

I=1/1.5（0.085h×d×c-W（T））

式中：I-灌溉量，m3/667m；h-計劃層土壤深度，cm；d-土壤容重，g/cm3；c-田間持水量；W（T）-計劃層土壤水分存儲量預報值，mm。

花卉一般是在溫室環境中生長，筆者通過建立土壤水分存儲量最小值、蒸發量、空氣濕度、光照、環境溫度與花卉聲發射相互作用的數學模型，利用水脅迫聲發射自動檢測系統得到相應的數據，從而對不同因素間的相互關系進行研究。自動灌溉系統的模型的基本原理是通過測試系統得到的花卉各參數被輸入到ARM中，然后利用BP神經網絡算法進行數據處理，從而求出溫室花卉的土壤水分存儲量的預報值。

2.1 BP神經網絡實現多參數綜合控制 根據BP神經網絡處理信息的原理，將樣本中實驗所得的輸出值作為期望的輸出值T，而模型輸出Y是通過將各指標值X輸入到神經網絡模型計算得到的，它們的誤差計算函數表達式為：

E=1/2（T-Y）2

利用BP神經網絡的自學習模型，經過反復迭代，逐漸降低誤差，直到低于容許誤差值。

2.2 模型各參數的關聯性 在花卉水脅迫自動灌溉系統中，灌溉起始時間和灌溉量的多少是由周圍土壤水分存儲量的預報值進行控制的。聲發射信號和土壤水分存儲量的預報值有著緊密的關系，因為土壤中的水含量決定植物吸收水分的多少，當其含水量小于土壤水分存儲量的預報值時，植物就會由于缺水導致聲發射現象的產生。如果能找到聲發射現象發生時的土壤的含水量，那么通過計算花卉正常生長所需的含水量與零界含水量之間的差值，那么灌溉量的多少便可以確定。

植物散失水分主要是因為表面蒸發，當水分的蒸發量大于水分的吸收量時，植物體內便會出現缺水。所以，蒸發量和聲發射信號之間的關系也可以作為判別植物水脅迫的指標。植物在灌溉結束初期的蒸發量比較大，聲發射頻率較高，但隨著水脅迫程度的不斷增大，表面蒸發量便逐漸減小。溫度和光照與聲發射信號也具有一定的關系，例如上午的光照強度和溫度一般情況下會逐漸增加，植物體內的聲發射頻率也就逐漸增大；中午之后，隨著光照和溫度的降低，聲發射頻率便會響應的減小[5]。

2.2.1 BP神經網絡結構模型基本參數的確定 為保證BP神經網絡的非線性特性，輸入層的傳遞函數表達式為f（x）=1/（1-exp（-x）），而輸出層采用函數體為y（x）=Ax的線性傳遞函數，這樣可以保證神經網絡輸出值的任意性。本模型的輸入節點為4個：光照、蒸發量、溫度及聲發射信號；輸出節點1個：土壤水分存儲量預報值。

2.2.2 輸入數據歸一化 數據歸一化是為了把輸入數據轉變為BP神經網絡模型合適的診斷、學習形式，其實質是將輸入數據無量綱化。經歸一化處理后，每個輸入數據都在0-1之間，最后還需利用反歸一函數（歸一化函數的逆函數）將數據值進行還原。本文所采用的歸一化函數和反歸一化函數的表達式如下所示：

歸一化函數：Xn=2×■-1；

反歸一化函數：X1=0.5×（Xn+1）×（Ximax-Ximin）+Ximax

2.2.3 隱層節點數的優化 BP神經網絡的學習時間、是否能收斂、容錯能力等特性很大程度上是由網絡中隱層節點數的多少決定的。逐步回歸分析算法可以實現對參數的顯著性檢查并動態的出去部分線性相關的隱層節點，其基本原理是：當前節點想下一層節點所發出的所有閾值和權值如果都處于死區中時，這一節點便可以刪除。最佳隱層節點數的計算公式為：L=（m+n）1/2+c

式中：m-輸入節點數；n-輸出節點數；c-（1，10）區間內的人藝實數，本模型c=6。

2.2.4 BP神經網絡算法的實現過程 本程序所使用的神經網絡算法的實現步驟如下：

①對連續權值和閥值的初始化。②將學習數據提供給網絡。③計算各中間層各單元的輸入與輸出。④計算輸出層各單元的輸入與輸出。⑤計算輸出層各單元的一般化誤差。⑥計算中間層各單元的一般化誤差。⑦調整中間層到輸出層之間的連接權值和輸出層各單元的閥值。⑧調整輸入層到中間層之間的連接權值和中間層各單元的閥值。⑨隨機選取下一組學習數據對并提供給網絡，返回到第③步，直到全部數據訓練完成。⑩更新學習次數，返回到③，知道規定的學習次數N完成。

參考文獻：

[1]孫景生，康紹忠.我國水資源利用現狀與節水灌溉發展對策[J].農業工程學報，2000，16（2）：35-38.

[2]耿榮生.聲發射技術發展現狀[J].無損檢測，1998，20（6）：151-154，158.

篇9

粒子群優化算法是一種相對簡單、有效的隨機全局優化技術，通過對粒子群優化算法進行相應的改進，以此確保其收斂性，然后再將粒子群優化算法應用到神經網絡的學習訓練中，能夠更有效的找出最優化解。粒子群優化算法和遺傳算法相比，粒子群優化算法并沒有遺傳算法復雜的交叉、變異以及編碼，而是對粒子所在解空間的具置進行搜索，不需要對眾多的參數進行調整，其收斂速度相對較快。

1 粒子群優化算法的基本原理以及優化改進

1.1 粒子群吧優化算法的基本原理

PSO中，每一個優化問題的解都是搜集空間中的一個“粒子”的狀態，粒子群優化算法是對群體的全局進行考慮，通過迭代搜尋選取最優值，通過將系統轉化成一組隨機的例子，由于例子在解空間追隨最優的例子進行湊所，所以粒子群優化算法是一種具有全局尋優能力的優化工具。例子群優化算法的基本原理表現為：假設在一個D維的目標搜集中間中，由N個不同的粒子組成了一個特定的群體，其中第i個粒子表示成其在這個D維空間中的向量（xi），也就是該粒子在D為空間中的位置，每一個粒子的位置都存在一個特定的解，通過將xi帶入到相應的目標函數中，通過適當的函數計算就能得到其適應度值，然后根據該xi適應度值的大小，以此衡量xi的優劣程度。其中，第i個粒子飛行的速度表示D維中的另一個向量，表示為vi，將在D維空間中搜索到的第i個粒子的最有位置記錄為pi，則整個粒子群搜索到的最有位置pi的粒子群優化算法表現為：公式一：vi=ci+c1r1（pi-xi）+c2r2（pg-xi）；公式二：vik+1=vik+c1×rand（）×（pbest-xik）+c2×rand（）×（gbest-xik）；公式三：xi=xi+vi，其中i=1，2，…N；r1和r2為學習因子，rand（）表示介于[0，1]之間的隨機常數，c1和c2表示為非負常數。其中迭代的終止條件是根據選擇的最大迭代次數決定的，表示的為第i個李在迄今為止搜索到的最優化位置應該滿足的適應度的最小值。

從社會學角度方面來說，粒子群優化算法公式中的表示的是粒子的記憶項以及自身認知項，能夠表示上次速度的方向以及大小對粒子造成的影響，還能夠將當前的指向粒子當作自身的最優化矢量，以此表示粒子的動作來源于自身的經驗，能夠反映粒子之間的協同作用以及知識共享，粒子能夠根據粒子群中相鄰粒子的最好經驗，然后再結合自身的經驗，以此來決定自身的下一步運動，從而形成PSO的標準形式。

1.2 粒子群優化算法的改進

粒子群粒子群優化算法需要用戶確定的參數相對較少，并且其操作相對簡單，因此該種方法使用起來非常方便，但是，由于粒子群優化算法容易陷入局部極值點，導致搜索的收斂性相對較低，并且粒子群優化算法的收斂性分析已經收到眾多學者的重視，因此，為了增強粒子群優化算法的收斂性，可以將抗體多樣性保持機制引入到粒子群優化算法中，其步驟表現為：首先，確定參數值，記憶粒子個數M，即常數因子c1和c2粒子群的個數N，粒子的濃度概率選擇閥值Pi，其隨機產生的N個粒子xi的飛行速度表示為vi，以此計算粒子的適應度函數值；根據公式計算粒子的選擇概率，將粒子群體中前M個最大適應度的粒子當作記憶細胞進行儲存，將概率大于Pi的粒子根據相應的方法進行計算，從而把M個記憶細胞替換成適應度最差的M個粒子，以此形成全新的粒子群，最終判斷其能付滿足相應的選擇條件，如果滿足輸出適應度值最好的要求，則選定該粒子。由此可見，通過上述的方法對粒子群優算法進行改進，能夠保證粒子群優化算法的精確性，并且通過實踐證明，經過改進后的粒子群優化算法，其計算機的仿真結果顯示，該種粒子群優化算法的收斂速度明顯優于沒有改進的粒子群優化算法的收斂速度。

2 粒子群優化算法在計算機審計網絡中的應用

計算機神經網絡能夠模擬大腦的思維能力，然后通過對各種數據進行分析，從而建立其相應的數學模型，計算機神經網絡中除了包含許多處理器以外，還包含了許多與人腦神經相似的節點，這些節點按照一定的規律進行連接。如果將計算機神經網絡中的每一個過程都細分為若干個微程序，并且將所有的微程序都交付于處理器進行處理，那么處理器處理所有的微程序的過程，就是一條微程序的處理流水線，這樣計算機處理信息的速度也將會顯著的提高。粒子群優化算法在計算機神經網絡中的應用，包括的內容有組合優化、參數優化、神經網絡訓練、學習算法、網絡拓撲結構和傳遞函數、鏈接權重等，通過把個體轉化成微粒，其中包括計算機神經網絡中的所有能夠用到的參數，然后經過一些列的復雜、重復的程序，最終達到最終的訓練目標。相對于傳統的神經訓練法來說，由于BP算法需要可微的函數以及梯度信息等大量的數據，只有通過大量的計算才能得到相應的訓練結果，其運行難度較大、程序相對復雜，而采用離子群優化算法，其處理信息的速度顯著的提升，能夠有效的克服其運行效率低的問題。粒子群優化算法在計算機神經系統網絡中的應用，主要表現在兩個方面：其一，粒子區優化算法在參數優化中的應用，能夠通過解決計算機神經網絡中的各種離散型問題，從而進行參數優化；其二，粒子群優化算法在組合優化中的應用，其中典型的應用表現為其在工程經濟問題中的應用，其能夠通過將各種資源進行科學的組合，通過設置一定的約束條件對這些組合進行排序，通過不斷的嘗試最終能夠找到最有效的解決方案，然后合理的利用所有的組合實現經濟效益的最大化。此外，粒子群優化算法不僅能夠應用在計算機神經網絡中，還能夠應用在更多的領域中，例如軟件編輯、游戲開發、電力系統等領域中。

3 結束語

文章對計算機神經網絡中粒子群優化算法的應用進行了研究，對粒子群優化算法進行了相應的改進，有效的提高了粒子群優化算法的收斂速度。將粒子群優化算法應用在計算機神經網絡中，其操作相對簡單，比較容易實現，并且其還能夠更快的收斂于最優解，有效的克服了傳統遺傳算法缺點。因此，在計算機神經網絡學習訓練中，廣泛的推廣和應用粒子群優化算法具有很大的現實意義。

參考文獻：

[1]丁玲，范平，聞彬.粒子群優化算法在計算機神經網絡中的應用[J].理論與算法，2013（17）：39-41.

[2]曹大有.一種免疫粒子群優化算法及在小波神經網絡學習中的應用[J].計算機應用于軟件，2009（06）：189-192.

[3]劉愛軍，楊育，李斐.混沌模擬退火粒子群優化算法研究及應用[J].浙江大學學報（工學版），2013（10）：1722-1729.

[4]虞斌能，焦斌，顧幸生.改進協同粒子群優化算法及其在Flow Shop調度中的應用[J].華東理工大學學報（自然科學版），2009（03）：468-474.

篇10

一、BP神經網絡原理與過程

BP神經網絡（反向傳播網絡Back Propagation）是一種多層前饋型神經網絡，其神經元的激活函數是sigmoid函數，一般為log sigmoid 函數和tan sigoid 函數，函數的圖形是S 型的，其值域是為0到1的連續區間。它是嚴格遞增函數，在線性和非線之間有著較好的平衡性。

1.數據歸一化處理

數據歸一化方法是神經網絡預測前對數據常做的一種處理方法。數據歸一化處理把所有數據都使其落在[0，1]或[-1，1]之間，其目的是取消各維數據間數量級差別。避免因為輸入輸出數據數量級差別較大而造成網絡預測誤差較大。數據歸一化的方法主要有以下兩種。

（1）平均數方差法，其公式如下：

2.BP神經網絡的學習過程

BP網絡的學習過程由信號的正向傳播和誤差的反向傳播兩個過程組成。其基本原理是：網絡先根據輸出層的誤差來調整輸出層和隱含層的權值和閾值，再將部分誤差分配置隱含層，然后根據誤差來調整隱含層和輸入層之間的權值和閾值，并不斷地重復上述過程，直到網絡的輸出與目標之間的誤差趨于最小，達到規定的要求。

一般地，BP網絡的學習算法描述為如下步驟。

（1）初始化網絡及學習參數，如設置網絡初始權矩陣，給出學習速率和神經元激活函數等。

（2）提供訓練模式，訓練網絡，直到滿足學習要求。

（3）前向傳播過程：對給定訓練模式輸入，計算網絡的輸出模式，并與期望模式比較，若有誤差，若執行步驟（4），否則，返回步驟（2）。

（4）反向傳播過程：計算同一層單元的誤差，修正權值和閾值，返回步驟（2）。

二、玉米期貨價格預測分析

美國是世界上玉米生產大國和消費大國，良好的現貨基礎為美國玉米期貨市場的發展提供了優越條件。其中，以CBOT為代表的美國玉米期貨市場同現貨市場有效接軌，不僅在美國內玉米生產流通領域發揮了重要作用，而且在世界玉米市場上也影響巨大。

發現價格作為期貨市場的基本功能之一，CBOT作為全球最大的玉米期貨交易市場，其玉米期貨價格的國際影響力是非常巨大的。目前，在國際玉米市場上，玉米貿易價格的形成和交易活動是以CBOT的玉米期貨價格為中心展開的，該價格是國際玉米貿易中簽約雙方需要考慮的最重要的依據之一。美國已經通過芝加哥玉米期貨市場取得國際玉米貿易的定價權，在國際玉米市場中發揮著主導作用，并且能夠對本國和其他國家玉米產業的發展產生深刻影響。

本文研究所采取的樣本來自WIND資訊金融終端，以2008年07月-2015年10月的CBOT的玉米期貨為研究對象。共計100組樣本數據，將其中92組數據作為訓練數據。8組作為分析樣本。本文從影響全球玉米的供需平衡的角度出發，從期初庫存、產量、進口、飼料消費、國內消費總計、出口、期末庫存、總供給、貿易量共九個因素進行分析研究，對玉米期貨的價格進行預測。利用MATLAB軟件訓練生成BP神經網絡并進行預測，將隱含層神經元設為20個，訓練次數為100次，訓練精度為0.00005。最后得到結果見表1。

從表1中可以看出，通過BP神經網絡計算得出的預測值與實際值絕對誤差相對較小，這說明通過BP神經網絡預測模型產生的預測結果的精確度較高。具有較強的實用性。但是由于玉米期貨除了受到供需因素的影響外，同時還受金融、經濟、政治及投資者心理等眾多因素的影響。所以本文的結果還帶有一定的局限性。若把上述因素考慮進去，其精確度可能進一步提高。

三、結語

本文采用BP神經網絡對美國玉米期貨的價格進行了研究。使用了多因素BP神經網絡預測模型，對玉米期貨的價格進行預測，得到了擬合度在較高的預測值。這說明BP神經網絡方法可以對玉米期貨價格走勢進行有效預測。通過預測，可以對投資者的投資行為進行指導，從而達到規避風險而獲取較好的經濟利益。

篇11

1 BP神經網絡基本原理

BP神經網絡，即誤差反傳誤差反向傳播算法的學習過程，由信息的正向傳播和誤差的反向傳播兩個過程組成。輸入層各神經元負責接收來自外界的輸入信息，并傳遞給中間層各神經元；中間層是內部信息處理層，負責信息變換，根據信息變化能力的需求，中間層可以設計為單隱層或者多隱層結構；最后一個隱層傳遞到輸出層各神經元的信息，經進一步處理后，完成一次學習的正向傳播處理過程，由輸出層向外界輸出信息處理結果。當實際輸出與期望輸出不符時，進入誤差的反向傳播階段。誤差通過輸出層，按誤差梯度下降的方式修正各層權值，向隱層、輸入層逐層反傳。周而復始的信息正向傳播和誤差反向傳播過程，是各層權值不斷調整的過程，也是神經網絡學習訓練的過程，此過程一直進行到網絡輸出的誤差減少到可以接受的程度，或者預先設定的學習次數為止。

2 BP神經網絡工作機理

2.1 正向傳播

圖中，表示神經元的輸入，表示輸入層與隱含層之間權值，為隱含層與輸出層之間的權值，f（）為傳遞函數，為第k個神經元輸出。假設BP神經網絡輸入層有n個節點，隱含層有q個節點，輸出層m個節點。

隱含層第k個神經元的輸入：

經過傳遞函數f（）后，則隱含層第k個神經元的輸出：

其中f（）為單調遞增且有界，所以一定有最大值。

輸出層第j個神經元輸出：

2.2 反向傳播

輸入P個學習樣本，通過傳入網絡后，輸出，第P個樣本誤差：

式中：期望

全局誤差E：

輸出層權值的變化，通過調整，使得全局誤差E最小，得出輸出層神經元權值調整公式：

隱含層神經元的調整公式：

3 應用實例

選擇AC，DEN，CNL，GR，PE，RD作為輸入曲線。XX井的53個點的巖心數據，從中選出30個點作為訓練樣本，23個點作為預測，構建網絡，對全井段處理。結果對比（如圖3-1），發現神經網絡計算的TOC比傳統的法計算的TOC效果好。其中TOC_NN為神經網絡預測TOC，TOC_DaltalogR_AC為法計算的TOC。

4 結論

BP神經網絡預測TOC克服了常規解釋模型的缺陷，不用選擇解釋參數，計算結果與解釋人員經驗無關，預測結果精度有較大幅度的提高。利用多種測井解釋數據及巖心分析資料作為網絡訓練樣本，通過網絡的訓練、學習，建立了BP網絡TOC模型，并利用該模型預測該地區新井的TOC值，實驗證明用該模型進行TOC預測是可行的。

參考文獻

[1]楊斌.神經網絡及其在石油測井中的應用[M].北京：石油工業出版，2005：111-115.

篇12

1　模型的建立

在其它條件不變的情況下，糧食總產主要取決于播種面積、灌溉面積、農田成災面積、漬澇鹽堿地面積、糧食價格、良種覆蓋率、化肥使用量、科技貢獻率8個主要因素.為確定糧食總產與影響因子間的定量關系，根據人工神經網絡基本原理，設計相應的神經網絡：

網絡共分四層，一個輸入層，二個隱含層，一個輸出層.輸入層8個節點，輸出層1個節點.

篇13

Key word：Harmonic;APF;neural networks

1.引言

在我國的可以發展和社會進步過程中，特別是各種高科技的產品以及衍生物的出現，發展進程不斷加快，由于我國的地理結構，特別是資源分布不均決定了電網的地理結構配置，尤其是在惡劣環境狀況下長遠距離的電網配送傳輸，這樣不得不造成電能在傳輸過程中的出現諸多問題，基于越來越到的三相交流正弦設備電壓的穩定性，尤其是大量的非線性設備在交流電下產生的非正弦電流（電壓等）信號，造成了其電能的有效性利用和一系列諧波的干擾等等。有源電力濾波器（Active Power Filter，APF）則應運而生，其優點是可以抑制一些諧波來提高電能的穩定性和電能的質量，其中在諧波處理這一塊加入新型的神經網絡，如現今的BP、FFT神經網絡算法的運用在電力濾波器中，能夠在諧波的處理過程中更加的準確和穩定，極大地加快了效率和保證了電能的質量，也是目前市場情景很廣的一個重要課題。

2.電力諧波的檢測方法

在現代的電力系統中，尤其的當前的三相交流電無時不刻地出現各種干擾性諧波，影響電能質量和效率。在傳統的諧波檢測中有一些比較傳統的方法，特別在最初使用的無源濾波器進行簡單且原始地濾波，這種濾波器在使用的同時也帶來了很多的不便和出現更多新的問題，在后來也慢慢被淘汰。于是在后來演變了幾種比較常用的方法，每種方法有其各自特點及應用范圍，因此了解各種諧波檢測方法的優缺點及其適用場合對擬制諧波是非常重要的。就目前廣泛應用的是那些基于瞬時無功功率理論的p-q法，法和同步檢測法以及基于正弦函數正交特性法的檢測等方法，然后通過一些仿真比較各自的優缺點及適用場合，為有效擬制諧波提供理論及實際指導。分析及仿真表明，有效利用各種諧波檢測方法的特點進行諧波擬制是非常有效、實用的，這是充分利用其反向特點分析的。

2.1 檢測法

就目前大部分的諧波檢測而言，基本都是運用檢測法進行諧波檢測，在諧波檢測的基本工作原理是：將電壓或電感器輸出的電流信號轉化為電壓信號并進行適當的放大或縮小（根據實際信號的輸出情況進行放大或縮小）。首先指令運算電路就是諧波檢測的重要部分，其作用是在有源電力濾波器的補償作用下得出其補償電路的指令信號（電流信號），其中常用且最為重要的部分是三相電路的檢測方法，在實際生活中常用的有兩種：一種是電路諧波檢測法，另一種是無功電流檢測法。如下圖1是電路-諧波檢測的原理示意圖.其方法的基本原理是利用三相電壓源中的其中一項與同相位的正弦信號和相對應的余弦信號sinωt_cosωt，然后他們由一個相鎖環（PLL）和sinωt_cosωt信號的發生電路模塊得到。再根據定以及其公式計算出、。在圖中、是由、、產生的、于是由、可以計算出、、，進而計算出、、。運算公式如圖1所示。

圖1 三相電流諧波檢測原理示意圖

（6）

（7）

（8）

（9）

用給定這些式子可以理想化的酸楚相應的補償電流出來，這樣根據所需的參數量來進行可控補償。最終達到諧波抑制的目的。

2.2 基于神經網絡的電流檢測

在傳統的APF（有源電力濾波器）中，我們很難有準確的測量方法，即是根據理想化的公式也只能進行理想的運算，然而在實際運行過程中，其測量參數準確度的有很大差距，于是我們提出了一種基于神經網絡電流檢測方法，這樣在有源電力濾波器中有了很好檢作用，其神經網絡原理圖 如下圖2所視，它具有多種跟蹤捕捉參數的能力，也能更為快速、準確地檢測出來，達到的結果更接近理想值，在有源電力濾波器中加入運用神經網絡是現今以及未來的一個趨勢。

圖2 神經網絡結構圖 圖3 基于神經網絡的基本原理圖

3.建立相關模型并仿真

在APF的濾波基礎上加入需要的神經網絡模塊，更能有效且準確地檢測諧波并進行有效的補償，最終得到需要的電流（電壓）信號供日常實際生產。在被控參數的前饋期加入神經網絡，可以很好的前饋控制，這樣的優點是互惠產生不必要的延遲，同時可以減小工作時間。

3.1 模型建立

由于該研究主要針對于日常用的三相電力系統中，所以本文也是以三相交流為研究對象，其主要原理框圖如圖4所示

圖4 加入神經網絡的有源濾波的簡易原理框圖

我們可以很弄清楚地看到，濾波裝置（APF）中加入可控串補神經經網調節模塊，由圖中可以看出主要對一些交流電流等相關參數進行補償和抑制，在實際的運行環境中一系列的諧波、內外振蕩和非穩定因素等干擾就得到了很好的抑制和處理，電壓（電流）變得更穩定并且得到補償和提高，很接近預期理論計算值，最終改善了運行環境，提高了電能的質量，同時更能有效地節省資源和提高電能有用功率。在每個模塊達到自己的理論使用效果后，就可以很好地達到預期的結果。

3.2 仿真結果

本文研究對象主要是針對于三相交流電的電流參數進行測試，得到了一些列的仿真結果，基本能夠反映研究的基本目的。下列圖形分別給出了其三相交流電流諧波補償抑制的仿真圖像。

（1）當給定電壓在380v、50Hz、α=30°時，在給與一定負載，得到的電流波形圖如下圖5所示，諧波很明顯，三相正弦電流波形受到的干擾很明顯，在有源濾波器的作用，諧波得到了很好的抑制并且提供了相應的補償，是電流波形接近正常。

（2）當給定電壓為380V、50Hz、α=30°時，同時給與一定負載，得到的電流波形圖如下圖6所示，諧干很明顯，可知三相正弦電流波形受到的干擾很明顯，在有加入神經網絡后的有源濾波器的作用下，我們能夠很明顯地看到諧波得到了很好的抑制，且給予的補償也很充分，電流的曲線圖像變得更接近理想值，振幅也比以前增大了，從圖像中我們可以得出在神經網絡的作用下，有源電力濾波器的作用能夠發揮得更加充分和完善，也是我們研究的重點和趨勢。

4.總結

本文主要是在諧波污染現狀上，對諧波進行系統的研究，尤其是在諧波檢測的基礎上進行研究，并設計了一種基于神經網絡的有源電力諧波檢測法，利用神經網絡具有逼近任意非線性函數能力，響應快、超調小、誤差小、魯棒性好等一些優點，克服了有源電力濾波器補償性能不足，檢測效率低等缺點。其仿真結果表明基于該神經網絡的諧波檢測模塊的試驗中，可以得出其具有快速且準確的檢測抑制效果，對今后的諧波抑制方面具有很好的發展前景。

參考文獻

[1]楊軍，王兆安.三相電路諧波電流兩種檢測方法的對比研究[J].電工技術學報，2005，6（7）.

[2]王兆安，劉建軍.電力電技術[M].北京：機械工業出版社，2010.