时间：2022-04-11 05:13:59
导语：在神经网络原理的撰写旅程中，学习并吸收他人佳作的精髓是一条宝贵的路径，好期刊汇集了九篇优秀范文，愿这些内容能够启发您的创作灵感，引领您探索更多的创作可能。
关键词：图像处理；边缘检测；离散过程神经网络；混沌遗传算法；砂体识别和追踪
中图分类号：TP183文献标识码：A
Abstract：In view of the edge detection problems in image processing， this paper proposed a detection model and algorithm based on the combination of discrete process neural network （DPNN） and chaotic genetic algorithm（CGA） . Inputting DNPP can be the data matrix， which can realize the goal of inputting as well as processing the twodimensional image correlation gridding information integrally. Putting image grey value as DPNN processing data collection and using the technology principle of Sobel operator detection as well as the recognition ability of DPNN， it can reach the goal that the image border line can identify and track automatically. Taking the identification and tracking of the sand body in the oil field seismic data for example， the results show the DNPP algorithm based on the chaos genetic search is effective in detecting model and algorithm.
Key words：image processing；edge detection；discrete process neural networks；chaos genetic algorithm；sand body tracking and identification
1引言
近年来，随着智能信息处理技术的快速发展和应用范围的不断扩大，面向图像处理技术领域，已有多种智能算法得到有效应用，例如，人工神经网络[1，2]、遗传算法[3]、蚁群算法[4]、粒子群算法[5]等，为图像数据中边缘检测方法和技术的创新提供了新的理论和算法基础。离散过程神经元网络[6]（Discrete Process Neural Network，DPNN）是近几年提出的一种新型动态神经网络模型，其输入可直接为数据矩阵，即能实现二维图像网格数据的整体输入。在实际应用中，将图像区域进行适当的网格划分，以图像网格灰度值作为DPNN处理数据集合。根据Sobel算子[7]检测的技术原理和DPNN模型构建数据结构，利用DPNN的信息处理机制，自适应实现图像区域中边界线的自动辨识和追踪。
将基于DPNN的图像边缘检测算法应用于油田地质研究中，在进行地震数据体砂体识别和追踪时，以相邻两井地震数据体二维切片为图像区域，以连井剖面地震数据体切片分块网格的灰度图像值作为DPNN处理数据集合，引入Sobel算子，将算子在X方向和Y方向上相邻的3×3分块图像灰度值进行整体输入，以保证输入图像信息的结构性和完整性。同时，利用混沌遗传算法（Chaos genetic algorithm，CGA）的全局优化能力，对DPNN的权值矩阵进行优化求解，建立基于DPNN和CGA相结合的边缘检测算法，在机制上对砂体识别和边缘界线展布追踪具有较好的适应性。
2离散过程神经网络基本模型
离散过程神经网络的输入/输出、连接权等均可以为离散时间序列或矩阵，其信息处理过程包括离散时间数据加权输入、时空聚合运算及模式类别输出等运算。将DPNN用于图像边缘点的检测，考虑含一个离散过程神经元隐层、线性单输出的系统，网络结构设计为n-m-1，即输入层有n个节点，隐层包含m个节点，1个非时变神经元输出节点，如图1所示。
3用于边缘检测的DPNN模型构建
在图像区域中，以像素的N×N网格分块邻域中像素的行向量作为DPNN的特征输入向量，即将N维行向量作为DPNN一个输入节点的输入向量，这样，DPNN的输入层共有N个节点，一次输入即可实现N×N阶网格图像信息的完整输入，避免了循环输入和预处理过程，可较大提高网格信息的关联和结构完整性。
用于边缘点检测的DPNN模型采用三层结构：输入层包含N个节点，隐层包含2N个离散过程神经元节点，输出层为1个非时变神经元，网络输出为N×N邻域中心像素处理后的灰度值，该像素值的输出决定是否为边缘点或非边缘点。对应于Sobel检测算子，网络结构如图2所示：
在训练算法设计中，DPNN权值矩阵W分块以Sobel算子模板系数作为初始权值，利用Sobel算子的边缘检测机制，通过优化调整，建立起基于DPNN的边缘检测模型和算法。
4基于CGA的DPNN求解算法
混沌状态是自然界中存在的一种随机现象，在看似杂乱的运动中隐含着概率选择、状态遍历和系统内在运动规律等性质。混沌搜索是将混沌性质引人到求解算法的控制规则中，通过对变量施加混沌扰动，使其按系统内在规律，在可行解空间不重复地搜索到所有状态[8]。
混沌遗传算法[9]是将混沌变量的运动性质和GA的遗传操作相结合，对参数进行染色体编码。根据遗传算法的进化机制，进行选择、交叉、变异等操作，通过在可行解空间的迭代寻优，最后收敛到最优解。
CGA具体求解步骤：
Step1 初始化：将DPNN中的待求解参数整合为一条染色体，每个参数占有一个基因位，采用十进制对参数进行编码；
Step2 定义适应度函数：根据DPNN训练目标，适应度定义为网络误差函数（2）的倒数；
Step3 选择操作：确定种群规模和初始种群G，以及适应度函数F；在G中，采用转轮规则选择染色体，染色体被选择的概率正比于其适应度值；
Step4 被选择的染色体混沌交叉操作：W′1=λW1+（1-λ）W2，W′2=λW2+（1-λ）W1；λi∈（-1，1）。
Step5 染色体混沌变异操作：设变异基因wi，变异后为w'i=wi+β（wUi-wi）或w'i=wi+β（wi-wLi）。其中wUi和wLi为wi上下界，β∈（-1，1）为混沌变量。
Step6 进行全局最优解更新；
Step7若满足终止条件，保存最优解停机；否则，返回步Step3。
5实际资料处理和分析
地震-测井信息结合的油藏综合评价是油田开发重要的基础性工作[10，11]。在基于地震数据体并结合测井信息的砂体识别和追踪中，首先将声波速度场的地震资料通过区域时深对比关系转换到深度域，经过层位校正，使井筒剖面上测井解释层位与地震层位对齐。然后，在相邻两口井确定的地震数据体二维切片图像上，根据测井砂体小层解释结果形成井剖面纵向分层数据。从某一测井砂体小层出发，采用图像区域沿层位方向遍历扫描检测策略，进行边界点的辨识，实现对砂体连通关系的追踪，以及对砂体尖灭、缺失等地质现象的判别。在实际资料处理中，选择某油田区块的地震、测井资料进行综合处理，依据图像区域大小和测井解释各小层砂体厚度分布情况，将相邻两井地震数据体二维切片图像划分成240×720矩形网格，图2所示的DPNN的结构确定为（3×3）-18-1，CGA算法的种群规模确定为20。采用37个已有精确层位解释的地震、测井数据样本对DPNN与CGA相结合的图像检测模型进行训练，完成建立检测模型和算法。对包括4口测井资料的工区地震数据进行处理，砂体追踪结果如图3所示。
图3中，对于厚层和地震层位信息清晰的砂体，井间砂体追踪结果表明连通性较好；但对于同向轴扭曲、信噪比较低的砂体，出现地层尖灭或缺失的情况较多，这与该区块油田的实际地质情况相一致。
6结论
本文建立了一种基于离散过程神经网络的二维数字图像边缘检测模型和算法。该模型可实现二维图像网格数据的整体输入，在机制上提高了输入图像信息的结构关联性和完整性。采用混沌遗传算法进行DPNN和检测算法参数的自适应优化计算，可满足针对不同实际应用问题建模时的灵活性和普遍适用性。文中建立的模型和算法也可应用于其他图像处理领域，具有较为广泛的实用性。
参考文献
[1]DOKUR Z. A unified framework for image compression and segmentation by using an incremental neural network[J].Expert Systems with Applications，2008，34 （1）：611-619.
[2]LI Huaqing，LIAO Xiaofeng，LI Chuandong，et al.Edge detection of noisy images based on cellular neural networks[J].Communications in Nonlinear Science and Numerical Simulation，2011，16（9）： 3746-3759.
[3]CHANG J， LI B. Shock train leadingedge detection in an isolator using genetic algorithm[J]. Proceedings of the Institution of Mechanical Engineers， Part G： Journal of Aerospace Engineering，2012，226（11）：1424-1431.
[4]GUPTA C， GUPTA S. Edge detection of an image based on ant colony optimization technique[J/OL]. International Journal of Science and Research，2013，2（ 6） ：114-120.
[5]DUAN Hongyu，YANG Fengxia.Development of CMOS image sensor system based on chaos particle swarm[J].International Journal of Hybrid Information Technology，2013，6（6）：237-248.
[6]何新贵，许少华.过程神经元网络[M] 北京：科学出版社，2007
[7]SUN Jing. Image edge detection based on relative degree of grey incidence and sobel operator[J]. Lecture Notes in Computer Science， 2012：762-768.
[8]许少华，何新贵.一种基于混沌遗传与粒子群混合优化的过程神经网络训练算法[J].控制与决策，2013，28（9）：1393-1398.
[9]WU Tiebin，CHENG Yun， ZHOU Taoyun，et al.Optim ization Control of PID Based on ChaosGenetic Algorithm [J]. Computer Simulation， 2009，26（5）：202-205.
1网络经济对医院审计带来的积极影响
1.1有利于加快医院审计信息化建设无论是什么性质的企业,信息化技术的优先发展都会为企业带来不可估量的利益,在医院审计管理过程中同样如此。医院建设要发展壮大,就必须要引用信息化技术,开阔信息化道路,引进先进技术,加快医院审计信息化速度。信息化审计管理有效的减少管理成本的投入,有助于信息资源有效融合,推动信息数据数字化管理,有可靠的数据库作支撑,便于数据的管理与控制,有健全的信息维护系统,保障信息数据不失真,可长久使用;信息化统计管理还减少了重复劳动率,操作简单易懂,便于控制,缩短复杂查找数据所用时间,提高了信息数据利用率,进而是医院管理变得更加有序化;此外,也为医疗设备的采购过程提供了便利条件,有选择、有计划的进行有效采购设备对于一个规模庞大的医院来讲是尤为重要的,设备的昂贵程度可想而知,设备的信息化的管理为医院节省了不少开支,功效也是有目共睹的。
1.2有利于实现医院审计目标,为医院审计工作的科学管理提供依据医院审计管理者可根据对医疗信息统计的数据掌握,判断医院的入院患者人数、出院人数、手术人数、转院人数、病人死亡人数以及医生在院人数等等,对整个医院的活动进行合理管理和控制,做好医院管理工作,更好的为病人服务,进而实现医院审计目标,提高审计领导者的正确决策效率。审计的精确性为领导做出的正确决策提供了最有利的依据,确保医院发展计划可行,临床科室设置科学合理,专业项目建设得到完善,进而提高医院的社会经济效益。
1.3有利于提升医院内部审计质量对于市医院在财务审计管理中存在的弊端,要采取一定的措施进行有效解决,要有规范的操作流程,利用网络经济管理有效的提升了医院内部审计的质量。在其管理控制中,要对具体部门要有一定的监督体系,确保医院审计管理工作有效落实。出纳是否做好现金出入明细账,动用现金的正规手续能否都与现金的实时走账相符,会计的核算与出纳的现金账目能否及时捋顺,定期对医院现金进行核算,最好是按每周或者是每月对医院现金进行盘库,这样能及时掌控现金的动向,及时核对现金账目与票据能否相符,这些都要在计算机网络系统中有所显示,便于日后对具体问题进行审计分析,有依据可循。
2网络经济对医院审计的管理策略
2.1运用计算机辅助审计方法
2.1.1对医院日常会计信息的审计当前的医院审计要求审计工作人员应对会计信息给予更多的分析,并利用计算机辅助审计来完成具体工作。在医院内部审计控制管理中,很多审计人员专业技能不够,对医院内部审计工作知识了解较少,业务技能不熟练,不能专业的将医院财务状况反馈给管理层人员,因此,在医院内部控制管理中要加强审计人员对计算技术的运用,对审计人员进行专业技能培训,定期对会计人员业务能力进行考察,深化审计人员运用计算机技术处理审计工作的能力。审计人员对计算机技术有了一定的掌握,使用高效的审计软件,还能在很大程度上提高医院审计效率,节省审计时间,简化繁琐的审计流程;其次,也可以借助会计电算化自带的一些功能来完成审计工作。如审计人员可以利用会计电算化中的查询过滤功能,将某些明细账反映的医疗服务金额在指定数额以上的全部记录显示出来,借此来进行分析性复核;再次,使用办公自动化软件来辅助审计工作。如可借助EXCEL表格对材料成本差异核算进行复核。
2.1.2计算机辅助审计信息管理与传递利用网络信息平台,实现资源共享,提高审计数据真实效率。过去我们往往都是通过纸质载体形式将病例及信息资料传送到患者以及义务人员手中,在很大程度上增加了医院的成本费用,还浪费人力,在网络信息平台开通后,医务人员间可以通过网络进行资源共享,完成信息交流工作,也可以将病史资料以电子形式传送到病人手中,大大节省了时间和金钱,提高工作效率。
2.1.3对医院审计管理要具有一定的针对性所谓针对性就是要抓住事物的重点,审计的重点在于一个好的技巧,当然一个好的技巧正是这些专业的统计分析者通过自己的专业知识、敏锐的洞察力及自身的综合素质才能总结出来的。审计的技巧要充分体现出当前的国家经济政策、市场动向、社会主义公有制经济的本质出发点、国家关于经济方面的法律法规新动向以上是大的方向,对于医院管理中的审计分析来说,要反映出医院领导者最为关注的问题。
2.2使用高效的医院审计软件随着网络信息时代的到来,传统的审计方法以不能满足医院管理审计分析的需要,对审计信息的统计分析也不只是单单的进行处理、对照就能满足医院管理的本质要求。在当今社会随着网络的普遍应用,医院审计工作作为一个新兴审计分析工具逐渐的代替了人工审计方法,取代了费时费力的人工审计环节。它不仅增强了医院管理的竞争力也大大的促进了社会的发展要求,所以加强管理中的信息网络管理是很有必要的。是实现资源共享的有效途径,也是医院自身发展的必然需求。此外,审计人员使用高效的审计软件,也能在很大程度上提高医院审计效率,节省审计时间,简化繁琐的审计流程。
2.3建立医院内部审计信息系统建立医院内部审计信息系统,就要以数据安全管理为原则。一个完备的数据安全管理保障体系应当有科学的安全管理原则,安全管理的基本原则主要包括:一是专人负责原则。即针对每一项与医院审计数据信息安全有关的活动都必须有专门人员负责;二是职责分离原则。不同工作职责应当由不同人员负责,保障各机构根据自身的特点制定一系列的审计管理规章制度,并对违反规定的采取惩戒措施等。三是数据库系统。建立审计信息数据备份机制,应对安全领域突发事件,防止系统发生故障时文件的丢失。目前在许多软件中可以将文件设置为“只读”状态,在这种状态下,用户只能从计算机上读取信息,而不能对其做任何修改,在计算机外存储器中,只读光盘(CD-ROM)只能供使用者读出信息而不能追加或擦除信息,一次写入式光盘(WORM)可供使用者一次写入多次读出,可以追加记录但不能擦除原来的信息。这种不可逆式记录介质可以有效地防止用户更改电子文件内容,保持审计数据的原始性和真实性。此外,医院内部审计系统的有效管理,还要加强医院审计人员以及每个工作人员的风险意识,树立风险管理观念,风险管理是审计数据真实有效管理不可分割的组成部分,树立风险管理观念,有助于唤起风险意识,有效地提示所有参与生成,管理和使用医院网络系统的人避免风险事故,承担风险责任,逐步形成与审计管理规律相适应的管理观念,同时建立风险管理体系,明确风险应对重点,有助于使审计数据得到全方位、安全、有效的保护。
2.4医院会计电算化信息系统审计的管理做好医院会计电算化信息管理审计网络系统的安全隔离工作,在医院审计数据与互联网之间建立起一道信息安全屏障,安装主流防火墙系统,在这方面现在主要技术有防火墙技术,这是一种访问控制技术,它是在某个机构的网络和外界风格之间设置障碍,阻止对本机构信息资源的非法访问,也可以阻止机要信息、专利信息从该机构的网络上非法输出。防火墙好像是网络上的一道关卡,它可以控制进、出两个方向的通信。防火墙的安全保障能力仅限于网络边界,它通过网络通信临控系统监测所有通过防火墙的数据流,凡符合事先制定的网络安全规定的信息允许通过,不符合的就拒之墙外,使被保护网络的信息和结构不受侵犯,以保证网络系统的安全,信息安全是一个动态的系统工程,各类组织机构应按照文件信息安全的控制要求,对构建的电子文件信息安全保障体系加强维护,加强运作力度,充分发挥体系本身的各项功能,同时,医院审计管理信息安全保障体系的建立是一个目标叠加的过程,是在不断发展变化的技术环境中进行的,因而也是一个动态的、闭环的风险管理过程。组织应及时发现体系策划和执行中存在的问题,找出问题根源采取纠正措施,实时加以调整和改进,以适应变化了的情况,达到进一步完善数据安全保障体系的目的。
［关键词］多目标决策；BP神经网络；矿产资源；综合开发利用评价
［中图分类号］TK019 ［文献标识码］A ［文章编号］1005-6432（2011）15-0118-02
矿产资源综合开发利用评价是一个典型的多目标决策问题，应用多目标决策的有关技术进行方案的排序选优，能较好地解决多方案的优化问题。关凤峻根据给出的多个综合开发利用方案，采用的层次评价方法，建立评价体系并采用理想点法进行排序，选出最优方案。宋光兴等人改进了理想点法中权重的确定方式，利用熵技术法确定矿产资源综合开发利用的评价指标的权重，并得出了排序选优的最终结果。李学全等人提出了一种灰色关联度线性加权和方法，是解决矿产资源综合开发利用评价问题的一个有益的尝试。周科平提出了一种新的多属性决策法，有效解决了主观确定的权重不精确的缺点。陈林、曹树刚采用博弈论分析框架中混合策略情况下应用最优化方法，寻求混合策略Nash均衡的最优化点，作为多指标决策问题的优选方案。
矿产资源综合开发利用评价中权重的确定是一个关键，采用BP人工神经网络技术构建的非线性评价模型对矿产资源的综合利用水平进行评价，可避免人为确定各指标的权重带来的主观性。本文试采用BP人工神经网络方法对矿产资源综合开发利用各个方案做出评价，并把评价结果与其他方法作比较，以验证方法的可靠性。
1 数据来源以及研究方法
1.1 数据来源
（1）数据来源于参考文献三篇论文的举例部分，某铁金矿经研究设计得出9个方案。
（2）将数据进行归一化处理，将每一列的数字xi代入归一化公式x*i=[SX（]ximaxxi′[SX）]
即每一指标数据除以各自指标中的最大值，将数据划归在［0，1］范围之内。
1.2 研究方法
BP人工神经网络简介：人工神经网络是将大量简单的神经元广泛连接而成，用以模拟人脑思维方式的复杂网络系统，具有自组织、自适应、自学习和容错性等特点，被广泛应用于模式识别、图像处理、自适应控制等领域。由于矿产资源综合利用水平评价系统是一个多层次、多因素的复杂系统，采用BP人工神经网络技术构建的非线性评价模型对矿产资源的综合利用水平进行评价和识别可避免人为确定各指标的权重带来的主观性，提高评价结果的准确性。
2 运用BP人工神经网络对矿产资源综合开发方案进行评价
运用matlab环境下的BP网络模块，我们将经济发展水平分级指标作为样本输入，评价级别作为网络输出BP网络通过不断学习修改权重，找出评价指标与评价级别间的内在对应关系，利用此网络模型进行经济发展水平的综合评价。
第一、评价指标体系的建立。以某铜铁矿设计方案为例建立评价体系。参考其他人的研究成果及数据的可获取性，选取5项指标，分别为铁选矿回收率（%）、金选矿回收率（%）、产值利润率（%）、成本利润率（%）、吨矿利润（元/吨）。
第二、网络模型的构建。选取以上5项指标作输入神经元，输出神经元为铜铁矿的综合开发利用水平，构建神经网络，采用等间距的线性内插方法，对已经归一化了的数据进行等级划分，构建人工神经网络的训练数据（见表1），并将铜铁矿的综合开发利用水平分为3级，3代表综合开发利用水平高，2代表综合开发利用水平中等，1代表综合开发利用水平低。
据此构建5×1×1的神经网络结构，其中隐含层神经元为3个，输出层神经元1个。网络设计的参数为：网络初始值为［0，1］之间的随机数，基本学习速率 0.1；网络训练的终止参数为：最大训练批次为10000次，最大误差为0.01。网络训练达标后，将表1中的原始数据归一化后输入网络，得出铜铁矿的综合开发利用水平的BP估计值。
表2表明，方案8的综合开发利用水平BP值最大，是诸方案中最优的；方案7的综合开发利用水平次之，为次优方案；方案1的综合开发利用水平BP值最小，是诸方案中最差的。
3 与基于理想点法评价模型计算得到的结果相比较
3.1 理想点法简介
理想点法是属于多属性效用理论的多目标决策方法，它最基本的思想是依据“综合效用值”进行方案排序选优。其效用值的计算是用理想点法中的“距离值”的计算方法而得。通过选取各个目标中的最优值构成一个多目标的理想方案（也称为理想点），并以目标空间中，各方案与理想方案的距离值来度量各方案的优劣。距离越小表示方案目标值越接近理想方案的目标点。这样依距离值的大小来排列方案的优劣顺序，距离越小，方案越优。
以下两表格分别为基于层次评价方法与基于熵值法确定权重的理想点法得到的矿产资源综合开发利用评价结果。
3.2 各评价模型所得结果比较
将矿产资源综合开发利用水平的BP值排序情况（表2）分别与基于层次方法和基于熵值法确定权重的理想点法（表3）得到的优方案排序相比较。采用BP人工神经网络计算得到的结果与采用熵值确定权重的理想点法得到的结果相同；BP值法计算的结果中最好的三个方案分别为方案8、方案7、方案9，与层次理想点法的结果相同，不同之处仅仅存在于方案1与方案2，方案5与方案6，他们的排名也十分接近。这充分说明采用BP人工神经网络方法对矿产资源的综合开发利用进行评价是可行的。此外，由于运用matlab软件可以轻易地实现BP神经网络运算，这种方法在处理大量数据方面还有着独特的优越性。
4 结 论
矿产资源综合开发利用评价从本质上讲是一个多目标决策问题。目前，求解多指标决策问题的方法很多，但各方法的关键在于如何合理确定各指标的权重。采用BP人工神经网络技术构建的非线性评价模型对矿产资源的综合利用水平进行评价，可避免人为确定各指标的权重带来的主观性，可以有效地解决矿产资源的综合开发利用评价问题。
参考文献：
［1］李学全，李松仁，尹蒂.矿产资源综合开发利用评价的多目标决策灰色关联度方法［J］.矿产综合利用.1996(2):39-43.
［2］关凤峻.矿产资源综合开发利用的评价方法［J］.资源开发与市场.1999，15（3）:138-141.
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.
人工神经网络（AartificialNeuralNetwork，下简称ANN）是模拟生物神经元的结构而提出的一种信息处理方法。早在1943年，已由心理学家WarrenS.Mcculloch和数学家WalthH.Pitts提出神经元数学模型，后被冷落了一段时间，80年代又迅猛兴起［1］。ANN之所以受到人们的普遍关注，是由于它具有本质的非线形特征、并行处理能力、强鲁棒性以及自组织自学习的能力。其中研究得最为成熟的是误差的反传模型算法（BP算法，BackPropagation），它的网络结构及算法直观、简单，在工业领域中应用较多。
经训练的ANN适用于利用分析振动数据对机器进行监控和故障检测，预测某些部件的疲劳寿命［2］。非线形神经网络补偿和鲁棒控制综合方法的应用（其鲁棒控制利用了变结构控制或滑动模控制），在实时工业控制执行程序中较为有效［3］。人工神经网络（ANN）和模糊逻辑（FuzzyLogic）的综合，实现了电动机故障检测的启发式推理。对非线形问题，可通过ANN的BP算法学习正常运行例子调整内部权值来准确求解［4］。
因此，对于电力系统这个存在着大量非线性的复杂大系统来讲，ANN理论在电力系统中的应用具有很大的潜力，目前已涉及到如暂态，动稳分析，负荷预报，机组最优组合，警报处理与故障诊断，配电网线损计算，发电规划，经济运行及电力系统控制等方面［5］。
本文介绍了一种基于人工神经网络（ANN）理论的保护原理。
1、人工神经网络理论概述
BP算法是一种监控学习技巧，它通过比较输出单元的真实输出和希望值之间的差别，调整网络路径的权值，以使下一次在相同的输入下，网络的输出接近于希望值。
在神经网络投运前，就应用大量的数据，包括正常运行的、不正常运行的，作为其训练内容，以一定的输入和期望的输出通过BP算法去不断修改网络的权值。在投运后，还可根据现场的特定情况进行现场学习，以扩充ANN内存知识量。从算法原理看，并行处理能力和非线是BP算法的一大优点。
2、神经网络型继电保护
神经网络理论的保护装置，可判别更复杂的模式，其因果关系是更复杂的、非线性的、模糊的、动态的和非平稳随机的。它是神经网络（ANN）与专家系统（ES）融为一体的神经网络专家系统，其中，ANN是数值的、联想的、自组织的、仿生的方式，ES是认知的和启发式的。
文献［1］认为全波数据窗建立的神经网络在准确性方面优于利用半波数据窗建立的神经网络，因此保护应选用全波数据窗。
ANN保护装置出厂后，还可以在投运单位如网调、省调实验室内进行学习，学习内容针对该省的保护的特别要求进行（如反措）。到现场，还可根据该站的干扰情况进行反误动、反拒动学习，特别是一些常出现波形间断的变电站内的高频保护。
3、结论
本文基于现代控制技术提出了人工神经网络理论的保护构想。神经网络软件的反应速度比纯数字计算软件快几十倍以上，这样，在相同的动作时间下，可以大大提高保护运算次数，以实现在时间上即次数上提高冗余度。
一套完整的ANN保护是需要有很多输入量的，如果对某套保护来说，区内、区外故障时其输入信号几乎相同，则很难以此作为训练样本训练保护，而每套保护都增多输入量，必然会使保护、二次接线复杂化。变电站综合自动化也许是解决该问题的一个较好方法，各套保护通过总线联网，交换信息，充分利用ANN的并行处理功能，每套保护均对其它线路信息进行加工，以此综合得出动作判据。每套保护可把每次录得的数据文件，加上对其动作正确性与否的判断，作为本身的训练内容，因为即使有时人工分析也不能区分哪些数据特征能使保护不正确动作，特别是高频模拟量。
神经网络的硬件芯片现在仍很昂贵，但技术成熟时，应利用硬件实现现在的软件功能。另外，神经网络的并行处理和信息分布存储机制还不十分清楚，如何选择的网络结构还没有充分的理论依据。所有这些都有待于对神经网络基本理论进行深入的研究，以形成完善的理论体系，创造出更适合于实际应用的新型网络及学习算法［5］。
参考文献
1、陈炳华。采用模式识别（智能型）的保护装置的设想。中国电机工程学会第五届全国继电保护学术会议，［会址不详］，1993
2、RobertE.Uhrig.ApplicationofArtificialNeuralNetworksinIndustrialTechnology.IEEETrans，1994，10（3）。（1）：371～377
3、LeeTH，WangQC，TanWK.AFrameworkforRobustNeuralNetwork-BasedControlofNonlinearServomechannisms.IEEETrans，1993，3（2）。（3）：190～197
随着社会工业化速度的不断加速，能源的竞争愈来愈激烈。生物质能源作为一种可再生的清洁能源被广泛认可，生物气化技术就是利用生物质能的一种有效手段，对经济的发展和环境的保护都起到积极作用。但是，生物气化技术是一种热化学处理技术，其工作过程十分复杂，包含着大量的不确定因素，这就需要运用生物质气化炉的智能控制系统来达到预期的控制效果。新形势下，积极运用模糊神经网络对生物质气化炉进行智能控制，是实现可靠控制效果的重要举措。
【关键词】模糊神经网络 生物质气化炉 智能控制
生物质气化过程是一项复杂化学反应过程，具有非线性、不稳定性、负荷干扰等特性，只有实行智能控制才能受到良好的控制效果。模糊神经网络作为智能研究比较活跃的领域，有效融合了神经网络和模糊理论的优点，能够有效的解决生物质气化过程中的非线性、模糊性等问题，既保证控制的精确度，又能进行快速地升降温。本文通过对模糊神经网络的内涵特征进行全面分析，阐述了基于模糊神经网络的生物质气化炉的智能控制，并通过仿真实验进行反复验证。
1 模糊神经网络的内涵功能
简而言之模糊神经网络就是具有模糊权值和输入信号的神经网络。模糊神经网络是自动化控制领域内一门新兴技术，其本质上是将常规的神经网络输入模糊信号，因而模糊神经网络具备了模糊系统和神经网络的优势，集逻辑推理、语言计算等能力于一身，具有学习、联想、模糊信息处理等功能。模糊神经网络是智能控制和自动化不断发展的产物，在充分利用神经网络的并行处理能力的基础上，大大提高了模糊系统的推理能力。
模糊神经网络是科技发展的产物，有效吸收了神经网络系统和模糊系统的优点，在智能控制和自动化发展等方面有着重要的作用，能够有效地处理非线性、模糊性等诸多问题，在处理智能信息方面能够发挥巨大潜力。模糊神经网络形式多种多样，主要包括逻辑模糊神经网络、算术模糊神经网络、混合模糊神经网络等多种类型，被广泛的运用于模糊回归、模糊控制器、模糊谱系分析、通用逼近器等方面的研究中，随着智能控制和自动化领域的不断发展，模糊神经网络广泛应用于智能控制领域。
2 基于模糊神经网络的生物质气化炉的智能控制系统
2.1 温度智能控制系统
生物质热值、给料理以及一次风量等因素变化能够影响到生物质气化炉的炉温，但是最重要的影响因素是在气化炉工作过程中物料物理和化学反应的放热和吸热。由于生物质气化工作过程中的生物质热值的变化范围较小，在实际运行中很难测量与控制，有时可以忽略不计，同时，该工作过程中存在非线性和大滞后等问题，采用传统的数学模型达不到预期测量效果，因此需要利用模糊神经网络设计气化炉炉温控制系统，不断的提高温度的控制效果。模糊神经网络首先根据当前温度以及设定温度设，主控制器对最优的生物质物料添加量进行预测，然后由副控制根据该添加量，全面跟踪控制送料速度，从而能够进行精确上料和控制炉温。模糊神经网络系统十分庞大复，其中包含了大量错综复杂的神经元，蕴含对非线性的可微分函数训练权值的基本理念。模糊神经网络具有正向传递和反向传播两个不同的功能，在信息的正向传递中，采用逐步运算的方式对输入的数据信息进行处理，信息依次进入输入层、隐含层最终到达输出层。假如在输出层获得的输出信息没达到预期效果时，就会在计算输出层的偏差变化值后通过网络将偏差信号按原路反向传回，与此同时各层神经元的权值也会随之进行改变，直到符合预期的控制效果。
2.2 含氧量智能控制系统
在生物质气化工作过程中，可燃气体的含氧量是衡量其生产质量的重要依据，能够严重影响气化产物的安全使用，因此，通过模糊神经网络实现生物质气化炉含氧量的智能控制十分重要。其含氧量智能控制系统的目的是为了合理控制可燃气体的含氧量，从而稳定气化炉的温度。但是，一次风进风量是影响可燃气体的含氧量的重要因素，所以可以把控制一次风量作为主要调节手段，有效地解决含氧量控制和炉温控制之间的矛盾，在控制炉温的前提条件下，最大程度地降低可燃气体含氧量，进而有效控制气化产物含氧量的。生物质气化炉含氧量的智能控制系统是严格运用模糊神经网络控制原理，主控制器采用温度模糊免疫 PID控制，根据炉内含氧量和温度的偏差进行推算，查找出鼓风机转速的最优状态，副控制则以此为根据，全面跟随与控制鼓风机的速度，确保鼓风机转速。生物质气化炉工作过程中的不同阶段和部件具有不同的控制要求，模糊神经网络就要充分发挥被控对象的优良性能，根据不同的控制要求，合理运用模糊神经网络控制原理对 PID参数模型中的数据信息进行在线修改，从而达到预期的控制效果。
3 基于模糊神经网络的生物质气化炉智能控制系统的仿真实验
为了验证运用模糊神经网络进行生物质气化炉的智能控制的真实效果，对生物质气化炉的温度智能控制系统进行仿真实验，并进行详细地分析。为了保证生物质气化炉能够在条件大体一致的状态下进行运行状况，仿真实验可以采用组合预测算法。首先要到某厂气化炉现场采集2000组干燥层温度数据，并且从中选取连续1500组作为仿真实验样本数据，然后对剩余500组实验样本数据进行研究，通过两组数据的分析建立预测模型。然后采用模糊神经网络对生物质气化炉的温度控制系统进行三次模拟化实验，三种不同情况下的仿真试验结果为：在无外界任何干扰的情况下，模糊神经网络控制无论在超调量还是其他方面，都比单纯的模糊控制效果好；在生物质给料量扰动的情况下，模糊神经网络控制要比单纯的模糊控制所受的影响要小很多；在发生一次风量搅动的情况下，模糊神经网络控制仍受到极小的影响。从三种不同情况下的仿真试验中可以看出基于模糊神经网络的生物质气化炉的炉温智能控制系统效果较好，具有极强的抗干扰性，能够有效地预测气化炉温度实时值，把平均误差控制在很小范围内，并且智能控制系统能实时跟踪实际温度的变化，根据实际温度的变化做出相应的变化，从而能够有效地控制气化炉温度和可燃气体含氧量。
4 结束语
总之，基于模糊神经网络的生物质气化炉的智能控制系统具有较好的控制效果，有效的解决了生物质气化过程中的一系列问题，能够十分精确地控制生物质气化炉的炉温及可燃气体的含氧量，对于保证社会经济的稳定发展以及生态环境的改善发挥了重要作用。
参考文献
[1]王春华.基于模糊神经网络的生物质气化炉的智能控制[J].动力工程，2009（09）：828-830.
[2]王中贤.热管生物质气化炉的模拟与试验[J].江苏大学学报：自然科学版，2008，29（6）：512-515.
【关键词】气体识别;自组织神经网络
1.引言
气体识别在环境保护、化工控制、家用报警、食品保鲜、温室环境控制、航空航天等领域有着广泛的应用。应用气体传感器进行多组份气体的定性定量研究，可以极大的降低测量成本，减小测量周期，并可实现在线的实时测量。但由于当前气体传感器普遍存在着交叉敏感和选择性差等缺点，使用单一传感器很难实现多组份气体的检测分析。为解决以上问题，一方面可以采用新材料、新工艺来改善传感器本身的性能;另一方面可以将现有的气体传感器构成阵列，并与自组织神经网络技术相结合。本文采用后者的原理，即通过多个敏感程度不同的气体传感器组成传感器阵列，结合神经网络模式识别算法进行气体识别分析。
人工神经网络（Artificial Neuron Networks，ANN）人工神经网络（Artificial Neutral Networks，ANN）是一个由大量简单处理单元广泛连
接而成的复合网络系统。神经元结构是受到生物神经元的启发而得来的。目前应用的神经网络类型有很多，其中应用最广的是BP神经网络，神经网络需要学习的过程，即利用外部条件作用于神经网络，使其能重新对外界做出反应。将气体传感器阵列与采用BP算法进行训练的人工神经网络模式识别技术相结合形成的气体识别系统，是利用传感器阵列对混合气体的高维响应模式来实现对混合气体的定量检测。其中传感器阵列的选取、传感器信号的预处理方法、BP神经网络的结构和参数以及测量环境是影响系统性能的可能因素。
2.人工嗅觉系统
人工嗅觉系统是一种化学分析系统，它由一个具有部分专一性的电子化学传感器阵列和一个合适的模式识别系统组成。由于人工嗅觉系统主要模仿的是生物的嗅觉系统，所以人工嗅觉系统也可被称为“电子鼻”或者电子嗅觉系统。
2.1 电子鼻简介
电子鼻这个术语开始出现于二十世纪八十年代晚期，当时它被用于1987年的一个学术会议。较为科学的电子鼻的概念出现于1994年英国Warwick大学的J.W.Gardner发表的文章中，并且J.W.Gardner综述了世界各国人工嗅觉系统的发展概况。
电子鼻模仿人的鼻子的功能，以电讯号的方式予以表达，可以工作在恶劣或有毒的环境下，在食品、化工、环保、医疗诊断、检验等方面有很重要的应用，其关键技术就是气体传感器阵列。
2.2 人工嗅觉系统的原理及基本组成部分
人工嗅觉系统主要是受生物的嗅觉系统启发和影响，以下是该系统中的关键因素：
（1）对微量、痕量气体分子瞬时敏感的监测器，以得到与气体化学成分相对应的信号;
（2）对检测到的信号进行识别与分类的数据处理器，将有用的信号与噪声加以分离;
（3）将测量数据转换为感官评定指标的智能解释器，得到合理的感官结果。
2.3 气体传感器
气体传感器是一种将气体的成分、浓度等信息转换为可以被人员、仪器仪表、计算机等利用的信息的装置。
2.3.1 半导体气体传感器
半导体气体传感器在气体传感器中约占60%，根据其机理分为电导型和非电导型，电导型中又分为表面型和容积控制性。
2.3.2 表面敏感型传感器元件
表面敏感型传感器元件SnO2-Pd、ZnO-PT、AgO、Pt-SnO2，可检测气体为CO、NO2和氟利昂等，传感材料Pt-SnO2的气体传感器可检测气体为可燃性气体如H2、CO、CH4等。
2.3.3 容积控制型传感材料
容积控制型传感材料有TiO2、CoO-MgO-SnO2等，其半导体气体传感器可检测气体为液化石油气、酒精和燃烧炉气尾气等。
3.神经网络
人工神经网络（Artificial Neuron Networks，ANN）是近年来人工智能的一个重要科学分支。二十世纪五十年代末人工神经网络系统开始作为人工智能的一种重要计算工具逐渐受到重视。进入二十世纪八十年代后期，人工神经网络的研究进入了一个新的。主要原因是：一方面经过几十年迅速发展起来的以逻辑符号处理为主的人工智能理论和冯-诺依曼计算机在处理诸如视觉、听觉、形象思维和联想记忆等智能信息问题时遇到挫折;另一方面，具有并行分布处理模式的人工神经网络本身的研究取得了巨大的进展。
神经网络具有一些不同于其它计算方法的性质和特点以及它自身是基于人类大脑结构和功能而建立起来的，因此具有很多和人类智能类似的特点。首先，神经网络将信息存储在大量的神经元中，具有内在的知识索引功能。信息在网络中使用两种方式被保留：一种是神经元之间的连接，另一种是连接权重因子。其次，人工神经网络具有对周围环境自学习、自适应功能，也可用于处理带噪声的、不完整的数据集。在人工神经网络中，输入与输出的关系不是由单独的神经元直接负责的，相反是与神经元的输入输出有关。最后，人工神经网络模拟人类的学习过程。人类大多数的学习和求解过程都是采用尝试法，而人工神经网络可以以相同的方式运行。
神经元（neuron）即神经网络中的基本处理单元，也就是节点。一般节点由输入与输出、权重因子、内部阀值和函数形式四部分组成。
图1 神经元模型
图1给出了一个基本的神经元模型，它具有R个输入，每个输入都通过一个适当的权值wli和下一层相连，网络输出可表示为：
式中，n为该神经元（序号l）的总输入;
f（n）为神经元输入输出关系的函数，称为作用函数、响应函数或传递函数。
人工神经网络的拓扑结构是指它的处理单元是如何相互连接的，主要由输入层、隐含层和输出层组成。每一节点的输出被送到下一层的所有节点。通过将这些处理单元组成层，将其相互连接起来，并对连接进行加权，从而形成神经网络的拓扑结构，将若干个人工神经元作为有向图的节点，可连接成人工神经网络。其中每一层对于人工神经网络的成功都非常关键。可以将人工神经网络输入层、隐含层和输出层看成为一个通过输入层的所有节点输入特定信息的黑箱。人工神经网络通过节点之间的相互连接关系来处理这些信息，最后从输出层的节点给出最终结果。
4.误差反向传播网络（BP网络）
1985年，以Rumelhart和McClelland为首提出了至今仍广泛接受和使用的误差反向传播学习算法。按照这一算法进行训练的多层神经网络被直接称为BP神经网络。BP网络是一种多层前馈型神经网络，其神经元的传递函数是S型函数，输出量为0到1之间的连续量，它可以实现从输入到输出的任意非线性映射。其权值的调整采用反馈传播学习算法。
目前，在人工神经网络的实际应用中，绝大部分的神经网络模型都采用BP网络及其变化形式。BP网络主要用于以下四方面：
（1）函数逼近：用输入矢量和相应的输出矢量训练一个网络以逼近一个函数;
（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：把输入矢量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和存储。
对于神经网络算法，使用基于误差反向传递的神经网络算法设第p个模式XP=（X1P，X1P，…XNP，）T，p=1，2，…，N（N为模式个数），将其视为BP网络的输入，yip为其实际输出，隐含层和输出层各单元的激活函数采用sigmoid函数，即：
一般基于BP的神经网络算法具体步骤如下：
Step1、构造网络，初始化网络的权矩阵，设置学习因子，动态因子，跌代次数和允许误差;
Step2、从一个网络开始，提供训练模式;
Step3、开始训练第k个网络;
Step4、前向传播过程，对所有训练模式，计算网络的实际输出并与目标输出相比较，如果误差超过运行误差，则进行下一步，否则训练第k+1个网络;
Step5、反向传播过程：计算隐含层和输出层各单元的误差精度，修正权值和阀值：
式中，为学习效率;
di为教师信号或希望输出;
为实际输出yi与希望输出di之差，其中yi和xj是取1或0的离散值。
Step6、继续训练第k个网络。
BP网络的训练函数有traingd、traingdm、traingdx、trainrp、traincgf、traincgp等。由于BP网络的简单性，在人工嗅觉系统的模式识别部分占有很大的比例，许多以前和现在的一些成熟人工嗅觉系统的产品仍然使用BP神经网络进行模式识别。
BP网络的学习是通过求解一个优化问题完成的，从数学的角度看，它是通过函数逼近拟合曲面（线）的想法，并且将其转化为一个非线性优化问题而求解。BP网络是对简单的非线性函数进行复合，经过多次复合后，则可以实现复杂的函数，但存在BP学习算法收敛速度慢、不完备性和隐节点数只能凭经验选取。
由于存在上述问题，科学家们从利用线性的自适应步长加速BP算法和增加动量项来去除收敛过程中的局部最小点。模拟退火（Simulated Annealing，简称SA）思想是由Metopolis等人提出的，它可以很好的避免局部最小点的出现，把它用在优化中是由Kirkpatrick等人提出的。组合优化问题的解空间中的每一个点都代表一个解。不同的解有着不同的目标函数值。优化过程就是在解空间中寻找目标函数的最小解。
SA算法的特点是通用性强、可达到全局最小。传统的启发式搜索算法如快速下降法，每次都是向改进解的方向搜索，往往只能找到一个局部最优解，而不是全局最优解。而SA算法在系统朝能量减少这个总趋势的过程中，允许解的搜索以一定的概率向较差的方向走，以避开局部最小，而最终稳定到全局能量最小的状态。
5.利用自组织神经网络进行气体识别
将被测气体按所需测量精度和浓度范围按成份分成不同的浓度等级，采用标准气体配置这些等级的不同成份气体的所有组合作为标准模态来训练神经网络。通过识别某一未知气体样本的模式，即可以得到未知气体的成份浓度。例如，选用N种互相参比配制混合气体样本。根据传感器的灵敏范围，将配制的气体浓度限制在a1到am以内，浓度变化间隔为l。这样每种气体有m种浓度模式，共计可得到mN个样本。采用这些样本作为原始数据训练自组织神经网络，就可以实现在这一浓度范围内的最大误差为l的气体定量测量。
>> 基于MATLAB的BP神经网络算法在多元非线性系统建模中的应用 改进的求解非线性方程组的迭代神经网络算法 基于非线性粒子群算法与神经网络的天气预测 演化算法在非线性方程求解方面的应用 基于BP神经网络的非线性函数拟合 非线性倒立摆系统的神经网络辨识 基于遗传小波神经网络的非线性动态自治网络故障诊断仿真算法 一种基于正交基神经网络的非线性卫星信道预失真补偿算法 神经网络在电路故障诊断方面的应用 神经网络在钢铁企业质量预测方面的应用 BP神经网络在坐标转换方面的应用 人工神经网络在电涡流传感器非线性补偿中的应用研究 基于神经网络的通用非线性神经自适应控制研究 基于BP神经网络的非线性网络流量预测 改进的基于神经网络的非线性多元回归分析 基于径向基神经网络的非线性系统辨识 基于OBF神经网络的温度传感器非线性补偿方法 基于RBF神经网络的非线性控制系统 群智能算法优化神经网络在网络安全的应用 浅谈基于BP神经网络的水源热泵在建筑节能方面的应用 常见问题解答 当前所在位置：中国 > 教育 > 神经网络算法非线性优化方面的应用 神经网络算法非线性优化方面的应用 杂志之家、写作服务和杂志订阅支持对公帐户付款！安全又可靠！ document.write("作者： 方达 胡忠刚")
申明:本网站内容仅用于学术交流，如有侵犯您的权益，请及时告知我们，本站将立即删除有关内容。 摘 要：文章通过神经网络算法对一类非线性优化方面的问题进行了分析，得到了应用神经网络非线性优化算法求解该类问题的具体步骤和算法方案，并给出了实例进行验证，证明了神经网络非线性优化算法是有效的，具有理论意义和实用价值。 关键词：：神经网络算法;MTLAB;非线性优化最优化
中图分类号：G622 文献标识码：B 文章编号：1002-7661（2014）22-002-01
人工神经网络是由简单的处理单元所组成的大量并行分布的处理机，这种处理机具有储存和应用经念知识的自然特性，它与人脑的相似之处概括两个方面：一是通过学习过程利用神经网络从外部环境中获取知识;二是内部神经元（突触权值）用来存储获取的知识信息。
一、神经网络非线性优化求解铁路空车调度组合优化问题
目前铁路局对空车调度计划是利用表上作业法，采用计算机辅助统计，要经过分局管内各主要站和各区段的车种别空车调度，分局间分界站车种别交接空车数的确定;局间分界站车种别交接空车数的确定来编制整个铁路局的空车调度计划.下面用神经网络优化方法解决该问题。
空车调度问题一般指的是：设有个空车发送站，个空车到达站数的距离为，设空车产生站 到空车需求站的空车数为，由发出的空车数为，则应满足
空车需求站接受到的空车数为，则应满足
假设空车产生数等于空车的需求数，即平衡运输，则
总的空车走行公里数为
由于神经元的输出值在之间，而空车数目是大于1的数，则将（ ）作为实际空车数，这样就可以保证在（ ）之间，求为在中所占的百分比，为了用Hopfield神经网络求解空车调度问题，建立能量函数如下
式中
表示空车发送站的空车数应等于的约束，当且仅当发车数为时，该项为0; 表示空车到达站所需的空车数应等于的约束，当且仅当到达的空车数为时，该项为0;
表示对空车调度的总体约束;
表示对目标项的约束;
表示惩罚项系数，为目标项系数.
当计算能量函数 达到最小时，对应于空车调整计划的一个最佳计划方案.其算法如下
则动态迭代过程为
其中 ，分别代表迭代次数，选取0.001.
二、结束语
关键词：生物发酵 BP神经网络 算法研究
1 概述
现代意义上的微生物发酵工程是指在一定条件下使微生物增殖，从而产生对人类有价值的生物成份的过程[1]。发酵过程是一个基于微生物生长繁殖和控制的生物化学反应过程，和普通意义上的上的工业控制不同，具有非线性、时变性和时滞性等特点，内部机理非常复杂。因此对于发酵过程的控制一直都是发酵工业生产中的难点。随着科技进步，新的非线性控制技术的发展为控制发酵过程提供了有力的工具。
当前对于发酵过程的控制，其基本原理是将发酵过程中的主要控制因素采用一定的人工手段进行干预，以发酵过程中所产生的发酵液温度、PH值等关键因素为控制指标，并将其进行动态监测，从而将发酵过程控制在人们所期望的的范围内。由于发酵过程具有实时性，因此对于发酵过程的控制按时间特性可分为离线控制和在线控制两大类[2]。随着研究的深入，在线控制已经成为研究的重点。在线控制是一种基于反馈信息的过程控制方法。其原理是实时监测发酵系统的输出值期望值之间的误差，按照一定的过程控制算法进行调整，将发酵过程中关键的发酵指标控制在期望范围之内。本文将就发酵过程的在线控制方法和实践展开讨论。
2 发酵过程控制的硬件系统简介
对发酵过程的控制是建立在必要的硬件条件基础上的。发酵系统的组成主要由两部分构成：即发酵装置和控制器。对于发酵过程的控制关键是控制温度、溶氧、pH值等。这些因素都可以通过实时监测发酵装置传感器信息来实现。
本文中以大肠杆菌发酵产生类人胶原蛋白为例，需要监测的主要内容有四项：pH值、温度、溶氧量和尾气。监测设备分别为：pH电极、铂电极、溶氧电极和尾气分析仪。
对于发酵过程的智能控制，重点是实现对控制器的智能化，在下一节中将进行具体的讨论。在本文中所涉及的控制器软件的智能化设计基于silicoulab公司的片上系统芯片（SoC），发酵装置型号为NLF22机械搅拌式发酵罐，发酵罐罐体上装配有监测温度、溶氧、pH值等参数的传感器和尾气分析仪。这类实时数据的监测和控制在LabVIEW图形化编程软件设计的人机交互界面上进行。
3 BP人工神经网络控制原理
发酵过程具有高度的非线性特点，因此在本文中采用适合于给类问题的基于BP神经网络控制算法。该算法不依赖精确数学模型，具有非线性的映射能力，可以从大量实时监测数据中寻找输入和输出之间的非线性关系，计算出最优的控制量，从而实现对发酵过程的有效控制。
人工神经网络控制算法是建立在现代神经生物学和仿生学对人类大脑活动的认识模式研究的基础上，通过构造人工神经元形成的网络来模拟神经活动，是当前人工智能研究的热点和智能化控制的研究方向。
人工神经元是神经网络算法的基本信息处理单元，其输入输出关系可由式（1）和式（2）来描述：
Ii=■wijxj-θi （1）
yi=f(Ii) （2）
上式中，xj为来自于其他与本神经元相连接的神经元所传递的输入信息，wij为神经元I，j之间的信息权重；θi为阈值；函数f称为作用函数或转移函数。
目前在人工神经网络研究中已经有很多种网络模型，本文中所采用的是前馈式神经网络模型。BP算法（(Error Back Propagation)即属于这类前馈式网络模型，该模型以神经网络的误差平方和为目标函数，以某种优化算法（如梯度法）计算使得目标函数最小的控制值[3]。其拓扑结构可参考相关文献。
4 BP神经网络的应用
本文中以大肠杆菌发酵生产类人胶原蛋白过程为例，简介BP神经网络智能控制在其发酵过程控制中的应用。
4.1 输入层和输出层节点数分析 依据工神经网络运行的基本原理，输入层的节点数是由训练样本数据的维数来决定，输出层的节点数则取决于控制者的实际控制目标。在本文算例中，发酵过程的关键控制因素主要有4个，即酸碱度（pH值）、温度、溶氧度、搅拌速度和时间。这五类数据通过传感器数据可以方便的得到，因此将其作为训练样本，并得到样本数据的维数为5，输入层的单列节点数为4。对输出层而言，依据生产经验，在胶原蛋白的发酵过程中的关键因素为溶氧量，因此将其作为关键控制因素和最终控制目标，由此可得到输出层的节点数为1个。
4.2 隐含层层数和隐含层节点数分析 本文中设定隐含层的层数为1（原因可参照单隐含层对非线性函数的逼近特性[4]）。隐含层的节点数可由式（3）进行计算：
m=■+■ （3）
其中，m为隐含层的节点数，N表示输入层的节点数，L表示输出层的节点数，P表示新样本数据，α为1-10之间的常数。依据实测数据（此处从略），可计算得到隐含层的节点数为18。
4.3 程序实现 本文中采用Matlab编程实现上述BP神经网络控制，其基本步骤概述如下。
首先利用newff()函数来生成上述指定结构的神经网络，其参数设定如式（4）所示：
NET=newff(minmax(p)，[4]，18，1）{‘tansig'，'purelin'，}，'traingd
m) （4）
其次设定基于上述网络NET的训练参数，该步骤涉及到的函数的参数设定结果为：NET.trainParam.epochs=500、NET.train Param.goal=0.02、NET.trainParam.show=25、NET.trainParam.Ir=0.05。
最后采用命令[NET，tr]=train(NET，Fd，T) 训练上述神经网络。
5 结果分析
表1中对比了采用BP神经网络控制前后的利用大肠杆菌发酵产生类人胶原蛋白的产物湿重产量（g）。有表1可见，通过对发酵过程的BP神经网络控制后，胶原蛋白的产物湿重总体有明显的提高，表明该方法在这类发酵过程控制中是有效的。
6 结语
生物发酵过程是一个复杂的过程，具有高度非线性和难于用精确数学模型描述的特点。本文利用BP神经网络控制方法来综合控制发酵过程中的关键因素，以氧容量作为控制要点，经过网络训练后可提高对发酵过程中关键因素的控制效果，实践表明可大幅度的提高类人教员蛋白的产物湿重产量。上述结果表明利用智能算法控制这类高度非线性的生物发酵过程较之于传统方法具有明显的优势，是今后生物发酵过程控制中重要的研究方向。
参考文献：
[1]陶兴无.生物工程概论[M].北京:化学工业出版社，2011.
[2]谢玉龙.FF现场总线在泰乐霉素发酵控制系统中的应用[D].济南:山东大学，2009.
购物车(0)