人工神经网络范文1
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
人工神经网络范文2
随着我国经济的快速发展，大量的工程建设也相继展开，同时在工程建设中也出现了边坡稳定性的问题，而这些边坡是影响工程建设质量的重要因素。边坡的稳定性是工程建设研究的重要方向，在建筑工程、道路工程等很多工程中都与边坡的稳定性有关。边坡工程是一个不断变化的动态过程，其变形破坏机理非常复杂。边坡稳定的因素有很多，如地质因素、工程因素等，还有其本身的不确定性。边坡的稳定性对工程建设具有重大的影响，因此，如何科学合理的设计边坡工程对工程建设的顺利进行具有非常重要的意义。目前，边坡稳定性的评价方法有很多，但是这些方法由于受到人为因素的影响，且应用起来有不确定性，并没有得到广泛的应用。本文利用人工神经网络的知识来评价边坡的稳定性，通过人工神经网络结构上的特点探索影响边坡稳定性的因素，从而保证边坡工程的稳定性，促进工程建设的快速发展。
关键词：人工神经网络；边坡工程；稳定性；贡献
Abstract:With the rapid development of our country's economy, a lot of engineering construction, one after another in the engineering construction at the same time also appeared a slope stability problem, and the slope are important factors affecting the quality of project construction. Slope stability is one of the important direction, construction research in construction engineering, road engineering, etc. Many projects are related to the stability of the slope. Slope engineering is a constantly changing dynamic process, the deformation failure mechanism is very complicated. Slope stability factors are many, such as geological factors, engineering factors and so on, and its uncertainty. Slope stability has a significant influence on engineering construction, therefore, how to scientific and reasonable design of slope engineering smooth going on of the project construction has very important significance. At present, the slope stability evaluation method are many, but these methods under the influence of artificial factors, and the application to have uncertainty, has not been widely used. In this paper, using the knowledge of the artificial neural network to evaluate the slope stability, by artificial neural network structural characteristics to explore the influencing factors of slope stability, thus ensuring the stability of the slope engineering, to promote the rapid development of engineering construction.
Keywords: artificial neural network; Slope engineering; Stability; Contribution to the
中图分类号： TP183文献标识码：A
1 边坡稳定性的研究现状
边坡的变形和破坏会对工程建设造成重大的影响，边坡的稳定性受到很多因素的影响，从范围上来说，主要包括自然因素和人为活动因素。水文、地质、人为工程活动都可能造成边坡稳定性的破坏，其中边坡应力的变化和发展是造成边坡稳定性破坏的根本原因。具有代表性的造成边坡失稳的因素如下：地下工程开挖后，由于地下土层应力的突然释放对边坡原有应力状态的影响；边坡上堆积物的载重传播到边坡上的影响；边坡土层暴露在自然环境中遭受外部环境风化的影响；地下水的流动对边坡土层强度的影响。
工程地质是边坡稳定性问题需要考虑的重要因素，它主要有以下两个主要任务：第一是要准确的评价和预测与人为工程活动关系密切的天然边坡和人工边坡的稳定性、变化规律和发生破坏的几率；第二是为科学合理的设计边坡、保证边坡的稳定性、采取有力的边坡防治措施提供准确可靠的依据。而边坡问题的出现总是和边坡的变形和破坏有关，为了准确的评价和预测边坡工程的稳定性，首先要确定边坡是否可能发生变形与破坏以及变形和破坏的方式和规模。因此边坡稳定性的工程地质要分析和研究边坡变形和破坏的规律。边坡变形和破坏表明了边坡土层在不同的条件下变化的过程，同时为边坡变形破坏力学模型的建立提供了重要依据。
边坡工程稳定性的研究边坡工程的重要组成部分，越来越多的专家和研究人员加入到边坡稳定性研究的队伍中，它会随着边坡工程的建设一直发展下去。
2 人工神经网络概述
2.1 人工神经网络的概念
人工神经网络是人工智能科学的一个重要分支，在21世纪得到了快速发展，通过人工神经元之间的连接来处理网络信息，来实现类似人的活动和行为，以网络元件建立知识与信息的关系，而构成的一种信息处理体系。神经元之间的变化过程决定了网络的学习。神经网络在学习、信息处理、网络模式识别等方面起着重要的作用，因此，它能将所有的控制因素考虑进去。
2.2 评价信息表达
由于边坡稳定性的影响因素很多，定性的数据和资料错综复杂，因此，要把这些定性的数据进行量化，然后再输入神经网络。边坡结构的高度、坡角等数据可直接进行实际测定；岩体结构类型和质量类别等无法直接测定的数据要通过等级数字代码来确定；岩体的岩性、破坏类型等定性数据则通过数字代码来确定。将这些定性的数据进行量化处理后，所有的信息数据就可以通过神经网络来处理，同时还能影响边坡稳定性因素的影响程度。显而易见，当我们获得更多的原始信息，就能更加准确的确定边坡的特征，同时表达边坡稳定性因素的关系也更加复杂，通过神经网络的计算，就能确定边坡稳定性的评价信息，也就是边坡的稳定状态。
2.3 人工神经网络的算法
人工神经网络是通过对人类大脑的结构和运行模式进行研究而模拟其结构和行为的工程系统。从20世纪40年代开始，人工神经网络的数学模型被第一次提出，从此人工神经网络的研究得到了快速发展，随后很多专家和研究人员提出了其他的模型，极大地丰富了人工神经网络的研究内容。
近年来，前馈神经网络模型BP是在工程建设中应用最为广泛的模型，其结构由输入层、隐含层和输出层三部分组成，其中输入层由N个神经元组成，隐含层由P个神经元组成，输出层由q个神经元组成。假设有i个学习样本，F为输出层神经元的平方误差，就构成了BP网络结构。在学习的过程中，神经元连接出现的错误为网络输出的误差，输入层接收输出层的神经元的误差后，分配给每一个神经单元，最终确定各层神经元的参考误差。
前向计算过程和误差接收过程共同组成了BP网络学习过程，其分为以下三步进行：
（1）网络初始化：输入学习率a和b，确定学习误差e，确定权重矩阵U、V的初始值；
（2）确定学习样本的输入值和期望输出值，计算网络节点的具体数值，计算输出层和隐含层的误差，最后对各边权值进行调整；
（3）通过改变学习效率a和b，使BP算法更加合理，重复进行计算一直到代价函数F小于学习误差e，整个学习过程就结束了。
3 人工神经网络在边坡稳定性中的应用
由于影响边坡稳定的因素的多样性和不确定性，这些影响因素和边坡稳定性之间的关系非常复杂，所以边坡工程是一个极其复杂的非线性系统。而人工神经网络通过人工神经元之间的连接来获取网络信息，它能解决复杂的非线性问题，所以人工神经网络在边坡工程稳定性中的应用是非常必要的。通过对现实中的边坡工程进行学习，人工神经网络把学习得到的结果储存起来，并作为网络的权值。输入影响边坡工程稳定性的各种因素，包括定性和定量因素，通过人工神经网络系统的计算和处理，就会输出边坡稳定性的实际情况，人工神经网络就会建立影响边坡稳定性的因素和边坡稳定性现实情况的非线性关系。人工神经网络通过建立的这种非线性关系就能够对新的边坡稳定性做出详细准确的评价。大量的应用实例表明，通过人工神经网络对边坡工程的稳定性进行评价是一种切实可行且科学合理的方法。
4 结语
通过人工神经网络在边坡稳定性中的应用实例可以看出，人工神经网络对边坡稳定性的应用具有较好的适应性，并且可以准确地分析和评价边坡工程的稳定性。影响边坡稳定性的定性和定量因素会被纳入到人工神经网络系统中，因为人工神经网络是以边坡工程变形和破坏的实例作为主要内容，所以学习样本的准确性和内容的完备性决定了边坡工程稳定性的评价是否准确，如果信息准确完备，就能达到预期的效果。人工神经网络在边坡稳定性评价中具有很好的实用性，相信在以后的边坡工程建设中会得到广泛的应用。
参考文献
[1] 童树奇.人工神经网络在边坡工程中的应用研究[J]. 广东土木与建筑. 2006(09).
[2] 陈华明.基于神经网络技术的边坡稳定性研究[J]. 科技创新导报. 2007(35).
人工神经网络范文3
【关键词】人工神经网络 BP神经网络 图像识别 识别技术
通常而言，所谓图像处理与识别，便是对实际图像进行转换与变换，进而达到识别的目的。图像往往具有相当庞大的信息量，在进行处理图像的时候要进行降维、 数字化、滤波等程序，以往人们进行图像识别时采用投影法、不变矩法等方法，随着计算机技术的飞速发展，人工神经网络的图像识别技术将逐渐取代传统的图像识别方法，获得愈来愈广泛的应用。
1 人工神经网络图像识别技术概述
近年来，人工智能理论方面相关的理论越来越丰富，基于人工神经网络的图像识别技术也获得了非常广泛的应用，将图像识别技术与人工神经网络技术结合起来的优点是非常显著的，比如说：
（1）由于神经网络具有自学习功能，可以使得系统能够适应识别图像信息的不确定性以及识别环境的不断变化。
（2）在一般情况下，神经网络的信息都是存储在网络的连接结构以及连接权值之上，从而使图像信息表示是统一的形式，如此便使得知识库的建立与管理变得简便起来。
（3）由于神经网络所具有的并行处理机制，在处理图像时可以达到比较快的速度，如此便可以使图像识别的实时处理要求得以满足。
（4）由于神经网络可增加图像信息处理的容错性，识别系统在图像遭到干扰的时候仍然能正常工作，输出较准确的信息。
2 图像识别技术探析
2.1 简介
广义来讲，图像技术是各种与图像有关的技术的总称。根据研究方法以及抽象程度的不同可以将图像技术分为三个层次，分为：图像处理、图像分析以及图像理解，该技术与计算机视觉、模式识别以及计算机图形学等学科互相交叉，与生物学、数学、物理学、电子学计算机科学等学科互相借鉴。此外，随着计算机技术的发展，对图像技术的进一步研究离不开神经网络、人工智能等理论。
2.2 图像处理、图像识别与图像理解的关系
图像处理包括图像压缩、图像编码以及图像分割等等，对图像进行处理的目的是判断图像里是否具有所需的信息并滤出噪声，并对这些信息进行确定。常用方法有灰度，二值化，锐化，去噪等；图像识别则是将经过处理的图像予以匹配，并且对类别名称进行确定，图像识别可以在分割的基础之上对所需提取的特征进行筛选，然后再对这些特征进行提取，最终根据测量结果进行识别；所谓图像理解，指的是在图像处理与图像识别的基础上，根据分类作结构句法分析，对图像进行描述与解释。所以，图像理解包括图像处理、图像识别和结构分析。就图像理解部分而言，输入是图像，输出是对图像的描述解释 。
3 人工神经网络结构和算法
在上个世纪八十年代，McClelland与Rumelhant提出了一种人工神经网络，截止现在，BP神经网络已经发展成为应用最为广泛的神经网络之一，它是一种多层前馈神经网络，包括输入层、输出层和输入层输出层之间隐藏层，如图1所示，便是一种典型的BP神经网络结构。
BP神经网络是通过不断迭代更新权值使实际输入与输出关系达到期望，由输出向输入层反向计算误差，从而通过梯度下降方法不断修正各层权值的网络。
BP神经网络结构算法如下所述：
（1）对权值矩阵，学习速率，最大学习次数，阈值等变量和参数进行初始化设置；
（2）在黑色节点处对样本进行输入；
（3）对输入样本，前向计算人工神经网络隐层及输出层各层神经元的输出；
（4）使用梯度下降方法不断修正各层权值及阀值，由梯度算子得到的权值为
（6）判断，判断是否大于最大迭代次数或者是否误差已经达到要求。如果大于最大迭代次数或误差达到要求，那么便直接转到第（7）步，否则，转到第（4）步对各个矩阵的权值继续修正，反复训练；
（7）看是否遍历所有样本，是则结束，否则跳回第（3）步继续。
BP神经网络操作简单而有效，可通过Opencv的CvANN_MLP类， Matlab的模式识别工具箱Nprtool等实现，经验得出在如下情况中人工神经网络尤为适用：
（1）大量数据可用，却不知道与输出之间关系；
（2）问题的解决方案随时间变化而变化；
（3）输出是模糊的函数关系，而非精确数字。
4 人工神经网络图像识别
传感器或摄像仪输入图像识别系统以后，其目标图像不能够与系统全部的参考图像完全一样， 这是由于对应噪声干扰，光线不足和放缩旋转等问题。 基于人工神经网络对畸变图像识别进行深层分析，并且利用 CCD 摄像头对图像信息进行采集，在此过程之中通过对摄像头方位进行更改对易出现畸变的图像进行采集，从而使得畸变图像所带信息组成样本库。在电脑里面输入样本库中的图像信息，并且进行模数的转化，变成数字图像，利用数字滤波来对数字图像信息进行处理。在神经网络之中输入样本图像数字信息来进行训练，一方面可以基于数字图像的像素点集合组成输入矩阵，用高维数据作为训练样本，通过主成分分析（PCA）的方法进行降维，大大简化计算量；一方面可以基于数字图像的特征空间进行聚类分割，提取几何特征或者统计特征，输入到SOFM神经网络或者Hopfield神经网络，从而使其生成图像识别神经网络系统。在进行图像识别的时候使用CCD 摄像头来采集识别图像，并且把其模型转化为数字图像，预处理后，将其输入到训练好的神经网络识别系统里面，就其可以开展快速的计算，并进行识别。把图像识别技术与人工神经网络理论有机结合起来，可以非常有效地实现神经网络信息系统的一致性， 此外，还可以将其对网络连接结果与权值进行存储，促进管理效率的提高，并对于知识库的构建也具有积极的作用。
5 结论
本文就基于人工神经网络的图像识别技术进行了详细地阐述，由综上研究可以基于人工神经网络的图像识别技术具有比较多的优点以及比较高的可行性，然而，我们对该技术存在的网络规模及复杂图像识别准确度上还应继续进行深入研究，以求技术突破。在将来，图像识别技术随着科技的不断发展将会获得更多的应用，其势必会发展为一门独立且具备强大生命力的学科
参考文献
[1]王强，张小溪，韩一红.基于神经网络的图像识别[J].电子设计工程，2012.
[2]雷建锋，孙俊逸.基于人工神经网络下的图像识别的研究[J].现代电子技术，2008.
人工神经网络范文4
水工隧洞一般都有过水要求，加上其复杂的地质条件，因此正确的进行围岩分类后采取相应的支护措施将对保证隧洞稳定性起决定性的作用。围岩分类是一类非线性的综合判定问题，用人工神经网络方法来判别水工隧洞围岩类别是一种新的尝试和新的方法。
1．围岩分类的判定依据
水工隧洞围岩工程地质分类应以控制围岩稳定的岩石强度、岩体完整程度、张开度、地下水力状态和主要结构面产状等五项因素综合评分为依据，围岩强度应力比为限定依据，见表1。
表1围岩工程地质分类依据
指标名称评价因素
岩石强度（A1）采用岩块的单轴抗压强度（MPa）
岩体完整程度（A2）采用完整性系数Kv
张开度（A3）考虑结构面的连续性、粗糙度和充填物
地下水状态（A4）考虑地下水的发育程度，用单位洞长单位时间的涌水量
主要结构面产状（A5）采用结构面走向与洞轴线的夹角
以上五个因素是控制围岩稳定性的主要因素，围岩的分类标准见表2。
表2围岩工程地质分类标准
评价因素围岩类别
Ⅰ（稳定）Ⅱ（基本稳定）Ⅲ（局部稳定性差）Ⅳ（不稳定）Ⅴ（极不稳定）
A1（MPa）>200100~20050~10025~50<25
A20.9~1.00.75~0.90.5~0.750.25~0.5<0.25
A3（mm）<0.50.5~11~33~5>5
A4(L/min·10m)<2525~5050~100100~125>125
A5(o)90~7575~6060~4545~30<30
2.水工隧洞围岩分类的人工神经网络模型
神经网络系统是由大量的、简单的处理单元广泛的互相连接而形成的复杂的网络系统。人工神经网络模型最基本的有两大类：一类是以Hopfield网络模型为代表的反馈型模型，它具有非线性和动态性；另一类是以多层感知器为基础的前馈模型。其中BP(BackPropagation)网络是目前应用最广泛的多层前馈神经网络模型。本文采用BP网络模型。
2．1BP神经网络模型及其算法
BP神经网络由输入层、隐含层和输出层三层感知器组成，每层由若干个神经元组成。输入层接受信息，传入到隐含层，经过作用函数后，再把隐结点的输出信号传到输出层输出结果。节点的作用函数选用Sigmoid函数，即：
（1）
BP神经网络采用误差逆传播反学习算法。学习过程由正向传播和反向传播组成。在正向传播过程中，输入信号由输入层经隐含层处理后传向输出层，每一层神经元的状态只影响下一层神经元的状态。如果在输出层得不到一个期望的输出，则转向反传播，将输出信号的误差按原来的连接通路返回，通过修改各层神经元的权值，使得误差信号最小，得到合适的网络连接权后，便可对新的样本进行识别。BP网络学习过程具体步骤如下：
（1）初始化，设置网络结构，赋初始权值；
（2）为网络提供一组学习样本，包括M个样本对（），输入向量，输出向量，n、m分别为输入层和输出层神经元个数，；
（3）对每个学习样本P进行（4）~（8）；
（4）逐层正向计算网络各节点的实际输出：
(2)
其中，为神经元i、j之间的权值；为前层第i个神经元的实际输出，为式（1）给出的函数；
（5）计算网络输出误差：
第P个样本的输出误差为(3)
其中，，分别为输出层第j个神经元的期望输出和实际输出。
网络总误差为；(4)
（6）当E小于允许误差或达到指定迭代次数时，学习过程结束，否则进行误差逆向传播，转向（7）；
（7）逆向逐层计算网络各节点误差：
对于输出层，(5)
对于隐含层，(6)
其中代表后层第个神经元。
（8）修正网络连接权：，其中为学习次数，为学习因子，值越大，产生的振荡越大。通常在权值修正公式中加入一个势态项，变成：
(7)
其中，a称为势态因子，它决定上次学习的权值变化对本次权值更新的影响程度。
2．2围岩分类的BP模型
在以表2中数据为基础进行网络训练前，须对表中指标作如下处理：Ⅰ、Ⅴ类对应的指标取其界限值或平均值；Ⅱ、Ⅲ、Ⅳ类对应的指标取其平均值。作上述处理后，可以得到网络训练模型的5个学习样本，如表3。
表3围岩类别识别模型的学习样本
类别样本类别A1A2A3A4A5
P1Ⅰ2000.950.52582.5
P2Ⅱ1500.8250.7537.567.5
P3Ⅲ750.62527552.5
P4Ⅳ37.50.3754112.537.5
P5Ⅴ250.25512530
以上表中5个类别样本作为神经网络的学习样本，在输入层和隐含层各设置一个特殊单元作为阈值单元，其值设为1。模型结构如下图1所示。
图1围岩类别分类的BP网络模型
设围岩类别为P1、P2、P3、P4、P5这5个类别样本的预期输出矢量，各分量定义为
网络训练时，当所有样本在网络输出节点的实际输出与网络期望输出之间的最大误差小于预先给定的常数，即时学习结束。
网络经过15000次训练，每个样本的网络输出与期望输出最大误差为0.2，绝大部分在0.1之内。应用训练后的BP模型划分新的围岩类别样本，等判定围岩类别样本W经网络变换后输出O与各期望输出比较，设，。
如果，则，，即隧洞围岩类别样本属于级。
3．沙湾隧洞的围岩分类应用实例
东深供水改造工程沙湾隧洞位于深圳市北东面内15公理处，区域地势东高西低。工程区域周围沉积岩、岩浆岩和变质岩三大岩类均有出露。隧洞线路地带分布的地层，除洞口沟谷部位为第四系松散堆积层外，其余均为侏罗系中统塘夏群碎屑岩，基本为单斜构造，但末端因受深圳断裂带影响，岩层产状较为紊乱，地质条件复杂多变。
隧洞开挖后，测得三种围岩地段的力学性质和环境条件，取三个样本为a、b、c。用BP人工神经网络判定该工程隧洞围岩类别。
根据水利水电工程地质勘察规范，隧洞围岩类别分为5级：Ⅰ（稳定）、Ⅱ（基本稳定）、Ⅲ（局部稳定性差）、Ⅳ（不稳定）、Ⅴ（极不稳定）。对照学习样本各特征变量，用训练好的BP模型对a、b、c三个样本进行判定，其结果见表4。
表4沙湾隧洞三组样本实测指标与围岩类别判定结果
指标名称实测指标值
abc
岩石强度（A1）2845100
岩体完整程度（A2）0.220.50.55
张开度（A3）341
地下水状态（A4）1208025
主要结构面产状（A5）305060
围岩类别判定结果ⅤⅣⅢ
4．结论
水工隧洞围岩类别判定，不仅影响因素多，而且具有很大的模糊性和不确定性。人工神经网络是一门新兴的交叉学科，它具有联想、记忆功能和判别识别的模糊性等优点，用它来进行围岩类别分类，不需对输入输出指标的关系作任何假设，这种关系是神经网络从实例中自适应学习而获得的，大大减少了人为因素的影响，省去了事后的经验判断。实践证明，它在理论和应用上都是可行的和有实际意义的。
参考文献
人工神经网络范文5
关键词 神经网络；空调；应用
中图分类号 TP387 文献标识码 A 文章编号 1673-9671-(2012)071-0184-02
中央空调系统是一个庞大复杂的系统，主要包括：空调冷热源系统、水或空气系统、控制系统等，空调系统能耗与影响因素之间是一种多变量、强耦合、严重非线性的关系，具有很强的动态性。而人工神经网络可以实现从输入到输出的任意非线性映射，能够模拟高度非线性系统，具有较强的学习能力、自适应能力、容错能力和联想能力，已成为复杂的非线性系统建模、仿真、预测的新型工具，人工神经网络自20世纪40年代初被首度提出来以后，经过几十年的发展，广泛运用于模式识别和图像处理、控制与优化、人工智能等方面。随着我国空调事业的快速发展及节能减排新形下，人工神经网络在空调系统中的运用越来越受到广大暖通空调研究者的关注。
1 神经网络
神经网络是对人脑或生物神经网络的抽象和建模，具有从环境学习的能力，以类似生物的交互方式适应环境。人工神经网络是一个由大量简单的神经元广泛联接组成的复合系统，当系统被训练达到平衡后，由各个神经元的权值组成的整个网络的分布状态，就是所求的结果。网络学习的过程也就是各神经元权值的调整过程。人工神经网络根据连接方式不同可以分为两大类：无反馈的前向神经网络和相互连接型网络（包括反馈网络），图1为BP神经网络系统结构简图，BP网络就是一种误差反向传播的前向网络，神经网络的学习算法总体来讲可分为有监督学习和无监督学习。人工神经网络的具有强容错性、冗余性、鲁棒性和信息分布式并行处理及快速进行大量计算能力特点， 能适应复杂环境和进行多目标控制。
图1 BP网络系统结构
2 人工神经网络在空调系统中的应用
2.1 空调风系统方面的应用
变风量系统（VAV系统）的基本思想是：当室内负荷发生变化时，改变送入室内风量，以满足室内人员的舒适性或工艺性要求，实现送风量的自动调节，最大限度地减少风机动力，节约运行能耗。目前对变风量空调控制方法传统方法主要有：定静压控制、变静压控制、总风量控制等，但多数局限于的PID控制理论，对变风量空调这种非线性系统的控制精度难以保证。朱为明等人在VAV系统中采用神经网络预测优化算法对变风量空调进行控制，神经网络预测优化算法控制过程的节能范围为：6％-13.5％，与PID控制方法相比，神经网络预测优化算法的控制量之和减少6%以上，具有较好的节能效果。
2.2 空调水系统方面的应用
中央空调水系统主要包括冷却水和冷冻水系统，对于大型系统，管道长，系统热容量大、惯性大，被控系统水温和流速变化速度较慢，滞后现象严重，是一种典型的大滞后系统，对于过程纯滞后非线性特性，目前过程控制传统算法不具备克服滞后影响的能力，在稳定性和响应速度上都难以达到较好的性能指标。周洪煜等人利用了神经网络的非线性逼近特性、自学习、自组织的能力以及预测控制的滚动优化和反馈校正的特性，建立起的中央空调水系统的动态模型，作为预测控制器的预测模型，不需要对被控对象进行精确的辨识， 提出的多变量神经网络预测控制系统具有优良的控制效果，实现了空调水系统的自适应控制。何厚键等人在中央空调水系统的建模与优化研究中，利用前馈型网络结合BP算法建立了冷却塔和制冷机的神经网络模型，解决的具有高度非线性的中央空调水系统设备的建模问题。
2.3 制冷系统方面的应用
神经网络在空调中的制冷系统应用，主要体现在制冷机组优化控制和制冷系统的故障诊断两方面。在中央空调系统中制冷机组是能耗最大的设备，对制冷机组进行优化控制，提高其运行效率，是空调系统节能的重要途径之一。赵健等人在分析了影响压缩机运行效率的主要因素基础上，建立了以压缩机入口制冷剂温度、压缩机出口制冷剂温度和负荷为输入量，最佳吸气压力输出为输出量的BP神经网络模型。通过在线修正制冷机的吸气压力工作点，解决变负荷下，制冷机优化控制问题，大幅度提高制冷性能参数COP的值，降低了制冷机的运行能耗，与采用额定工况相比，采用神经网络优化控制方法的制冷机节能量约为44.8%。
故障诊断是一种了解和掌握设备在使用过程中的技术，确定其整体或局部是否正常，早期发现故障及其原因并能预报故障发展趋势的技术。在制冷系统的故障诊断方面，神经网络也发挥着重要作用，随着我国空调制冷事的蓬勃发展，制冷系统越来越复杂，故障的潜在发生点也越来越多，制冷设备的故障检测与诊断越来越受到人们的重视。胡正定等人在分析制冷系统常见故障特征的基础上，建立以压缩机进口温度、蒸发器进口温度、冷媒水进口温度、冷媒水出口温度、压缩机排气压力、压缩机吸气压力、压缩机出口温度、冷凝器出口温度等8特征征参数作为输入量，故障模式作为输出量的补偿模糊神经网络模型。仿真结果表明，系统的诊断结果且有较高的准确率。李中领等人在空调系统故障诊断中利用神经网络建立了三层BP网络模型，输入层节点个数为4，对应于4种故障现象，隐含层单元个数为4，输出层节点个数为12，对应于12种故障原因，输出节点值的大小反映了故障出现的可能性。
2.4 负荷预测方面的应用
空调系统逐时负荷的准确预测是实现现代控制的前提之一，准确预测空调负荷对空调高效节能运行具有重大意义，影响空调负荷的因素有空气温度、湿度、太阳辐射强度、人员、设备运行情况等，空调负荷与影响因素之间是严重非线性的关系，具有动态性。
2.5 空调制冷系统的仿真设计方面的应用
制冷空调产品设计中，大量地依赖样机的反复制作与调试，使得产品的设计周期延长，并影响性能优化，用计算机仿真代替样机试验，在计算机上面实现优化设计，使得制冷空调装置仿真技术近年来得到了迅速发展 。
2.6 大型建筑运行能耗的评价方面的应用
大型公共建筑指非住宅的民用建筑，包括办公楼、商场、宾馆、医院、学校等，大型公共建筑用能特点是单位面积耗能非常高，为每年100 kW/m2-300 kW/m2，而且我国大型公共建筑能源系统效率较低，浪费严重，其电耗超过公共建筑节能设计标准规定指标的10倍以上。大型公共建筑中央空调系统运行能耗的科学评价是对大型公共建筑进行用能科学管理的重要基础，赵靖等人基于BP人工神经网络，将冷水机组、冷冻水泵、冷却水泵、冷却塔、其它设备月平均功率、运行时间和气象特征共七个作为预测因子，空调系统总能耗为输出量，建立了大型公共建筑系统运行能耗的预测评价模型，仿真结果表明，网络的平均预测误差输出值约为3.3E-014，可以满足实际应用的要求。
3 发展方向
人工神经网络基于较强的学习能力、自适应能力、容错能力和联想能力，在暖通空调领域中的应用已经取得了突破性的进展。今后的发展方向主要有两个方面，首先，不断改进神经网络性能，提高其预测和控制精确度；另外，逐步使神经网络的实现由软件实现过渡到硬件实现，扩大其在空调领域的应用范围，也是今后的研究方向之一。
参考文献
[1]胡守仁.神经网络导论[M].北京:国防科技大学出版社,1999.
[2]候媛彬,杜京义,汪梅.神经网络[M].西安电子科技大学出版社,2007.
人工神经网络范文6
学者们对旅游竞争力的研究主要借鉴了比较优势理论、竞争优势理论、产品生命周期理论和可持续发展理论等理论作为研究思路，建立各种旅游竞争力评价模型，运用层次分析法、聚类分析法、德尔菲法、分级标定评分法等方法对其进行评价研究，取得了一定的进展。然而，近来一种新的评价方法――人工神经网络替代层次分析法在不同领域的应用受到了普遍欢迎。在旅游业研究中，已有研究学者将这一方法运用到旅游市场细分、产品定位、客源预测、规划开发等方面。
一、人工神经网络概念及特点
人工神经网络是指用大量的简单计算单元（即神经元）构成的非线性系统，它在一定程度和层次上模仿了人脑神经系统的信息处理、存储机检索功能，因而具有学习、记忆和计算等智能处理功能。由于人工神经网络具有非线性无限逼近的性能，在自动控制、信息处理以及管理领域已成为研究和应用的热点。
人工神经网络作为一种数量评价方法，具有非线性、动态性、自适应、综合推理等特点，这些特征与由旅游、自然、经济、社会、文化与人类的生存环境组成的旅游竞争力系统所具有非线性、动态性、综合性等特征是吻合的。数据量越大，所建立的网络就更能反映输入、输出向量间内在的逻辑关系。所有运算和判断都建立在数据本身之上，相对于传统的数量评价方法来说，需要基于专家的经验、学识、价值观之上的主观判断较少，能够全面客观的反映旅游竞争力各项指标的变化特征。而且人工神经网络具有非线性无限逼近的性能，能够精确地模拟旅游竞争力综合评价系统，具有较强的客观真实性。同时，还可以结合控制理论来反馈调节旅游竞争力综合评价系统，优化评价结果。可以说人工神经网络这种评价方法与旅游竞争力的综合评价具有天然融合性。
二、基于BP网络的旅游竞争力综合评价
近年来，人工神经网络由于具有非线性逼近能力，在旅游领域的研究中已经得到了一定的运用，本文借鉴相关学科对旅游竞争力研究的理论与方法，将人工神经网络应用到旅游竞争力的综合评价当中。本文选取了人工神经网络中应用较为广泛、成熟的部分――BP网络作为模型，借助MATLAB软件来实现旅游竞争力综合评价系统的模拟仿真。
（一）BP网络结构。多层前向神经网络包含一个输出层和一个输入层、一个或多个隐含层。隐含层的变换函数一般为非线性函数，如S型函数或双曲正切函数。输出层的变换函数可以是非线性的，也可以是线性的，由输入、输出映射关系的需要而定。多层前向神经网络能逼近任意非线性函数，在科技领域中有着广泛应用。本文采用具有多输入多输出单元的三层BP神经网络，其结构和反传学习过程原理。（图1）
1、多层网络结构，多层BP网络不仅有输入节点、输出节点，而且有一层或多层隐节点。
2、传递函数一般为(0，1)S型函数：
(3)误差函数，对p个样本误差计算公式为：
（二）网络的训练。样本的输入和输出必须进行规一化处理，使规一化以后的样本均值为零，输入变量和输出变量的每一个分量的取值范围都是(-1，1)。经预处理的样本数据加载到BP网络后，即可选取一定的训练参数对其进行训练和学习。由模拟结果输出图来分析判断训练好的BP网络能否较好地拟合旅游竞争力综合评价系统。检验合格后，可用于旅游竞争力的综合评价。
三、承德旅游竞争力评价实证分析
本文研究了如何将神经网络应用于承德市旅游竞争力分析，借鉴国内外有关参考资料，并考虑资料和数据的可收集性和具体实施过程的可操作性，确定承德市旅游竞争力综合评价模拟系统的评价因子和输入、输出变量。(表1)
选取承德1995～2004年的相关历史数据作为仿真数据，运用BP网络模型，通过计算得到承德旅游业竞争力的评价结果。(表2、表3)
将输入变量和输出变量的评价结果与2004年历史数据进行比较，可以得出承德旅游竞争力的发展方向。
对于提升旅游竞争力来说，承德应该优先发展海外旅游者人数x1、旅游外汇收入总额y1、农村人均纯收入x4、铁路客运量x7、邮电业务总量x9、客运总量y4、旅游业对国民经济的贡献率x11、国民生产总值y5、社会消费品零售总额y6、科技活动经费x12、报纸覆盖率x15、林地面积x17、实际利用外资总额x19；适度发展国内旅游总人数x2、国内旅游总收入y2、城镇居民可支配性收入x3、城乡居民储蓄存款余额y3、星级饭店数x5、公路客运量x8、第三产业主导性x10、城市化水平x14、就业人员数量y7、森林覆盖率y8、资本开放度x18、批发零售贸易业商品销售总额y9；限制住宿企业数x6、总人口x13、耕地面积x16的无序增长。
四、承德旅游竞争力提升策略
根据以上结果分析，结合承德旅游业发展的实际情况，提出承德旅游竞争力的提升策略。
（一）拓展国际市场，发展海外客源。承德旅游业国际市场营销的技术、经验和投入不足，如何适应国际市场的流行趋势，有针对性地进行国际市场的营销已成为承德吸引国际旅游客源的当务之急。目前，承德应该多渠道地拓展国际营销，建立与国外旅游咨询机构、旅游批发商、旅行社的利益协调关系。要不遗余力地将承德的旅游产品打入我国最具影响力的入境旅游批发商，如围旅、中旅、康辉等的产品目录中，并且要成为其拳头产品，直接刺激他们对旅游市场的引导。这比单枪匹马依靠一个城市的力量到国际上去宣传、促销效果要好得多。
