神经网络技术范文1
分析清河水库中长期水文预报状况、历史资料，提出预报单位年的概念，采取灰色关联度方法选取适当的年份作为典型年，采用径向基神经网络技术，构建清河水库中长期水文预报新模型，并开发了基于VB的中长期水文预报系统。通过近3年的应用检验，取得了较好的效果，较大地提高了清河水库中长期水文预报精度。
［关键词］
预报因子；灰色径向基神经网络；水文预报
1清河水库中长期水文预报现状及存在问题
清河水库中长期水文预报工作始于水库建成后的20世纪60年代初，70年代以后有较完整的预报资料，80年代末研制了运行环境为Dos系统的中长期水文预报软件。预报项目包括3—4月春汛来水量预报和6—9月夏汛来水量预报，采用的预报方法主要有历史演变法、周期分析外推法、平稳时间序列外推法、周期分析与平稳序列分析外推法、降雨径流相关法等。各方法预报值有时相差较大，经综合分析后确定一个预报范围，以此预报来水量编制年度控制运用计划。因预报准确性较低，用以指导实际调度运用的价值不大。当今，随着科技的进步与发展，清河水库现运用的中长期水文预报系统已不能适应实际工作需要，主要存在问题：1）预报系统陈旧，与现有计算机系统不相容；2）预报系统功能少，无资料保存和数据库，缺乏图、表统计对比分析；3）预报精度比较低；4）只有传统预报方法，与变化的自然和人为因素影响的气象和流域环境不相协调，适应性较差。
2灰色径向基神经网络技术应用
2.1汛期来水量预报因子的选取
通过对清河水库1961年到2010年的资料进行分析，将上一年10月份至当年9月份划分为一周期进行分析，以此定义为预报单位年。选取汛期上一年10月份到6-9月年5月份这8个月的月来水量作为夏汛预报因子，对6—9月年的夏汛来水量进行预报；选取春汛上一年10月份到当年2月份这5个月的月来水量作为春汛预报因子，对当年的春汛来水量进行预报。
2.2参考典型年份的确定
引入灰色系统中灰色关联度的概念。分别计算需要预报年份春汛之前5个月各月来水量与历年同期来水量之间的关联度和夏汛之前8个月各月来水量与历年同期来水量之间的关联度，关联度越大，即该年来水过程与所需预报年份来水过程相似度越高。再对关联度较高的年份进行分析，选取适当的年份作为典型年供预报参考。
2.3构建清河水库径向基神经网络中长期水文预报模型
人工神经网络是通过模拟人脑的神经处理信息的方式，进行信息并行处理和非线性转换的复杂网络系统。神经网络具有很强大的学习能力，可以比较轻松地实现非线性映射过程，并且具有大规模的计算能力，所以神经网络在计算机和人工智能等领域有着广泛的应用。Matlab软件中提供了神经网络工具箱，含有丰富的神经网络函数。径向神经网络属于前向型神经网络，模型将选取的典型年份的春汛之前5个月来水量设为P1，典型年份春汛来水量设为T1，构建径向基神经网络进行训练，设定误差值为0。输入预报年的预报因子，进行仿真，预报该年春汛来水量；将选取的典型年份的夏汛之前8个月来水量设为P2，典型年份夏汛来水量设为T2，构建径向基神经网络进行训练，设定误差值为0。输入预报年的预报因子，进行仿真，预报该年夏汛来水量。系统优势主要体现在以下几方面：预报方法在原有传统预报方法的基础上，增加了现代预报方法和理论—灰色系统和人工神经网络，构建了灰色径向基神经网络模型；预报径流量的时段由原来的只能预报春汛和夏汛扩充到可以预报逐旬、月及不同时段径流量，更有利于防洪兴利调度；系统预报功能更加完善，操作简单，使用方便，界面直观清晰；预报精度有较大提高。
3对比分析及应用检验
以清河水库1970—2010年夏汛来水量预报为例，分别计算原方法预报值相对误差和新方法预报值相对误差，并进行对比分析。从相对误差平均值可以看出，新方法平均相对误差为78.1%，原方法平均相对误差为130.3%，平均相对误差降低了52.2%；新方法相对误差小于1.000为35年，占统计年数的85%；小于0.500的为25年，占统计年数的61%；小于0.400的为20年，占统计年数的49%；小于0.300的为12年，占统计年数的29%；小于0.200的为6年，占统计年数的15%。而原方法相对误差小于1.000为27年，占统计年数的66%；小于0.500的为17年，占统计年数的41%；小于0.400的为17年，占统计年数的41%；小于0.300的为11年，占统计年数的27%；小于0.200的为6年，占统计年数的15%。从原方法与新方法相对误差总体统计分析可以得出，灰色径向基神经网络中长期水文预报模型在较大程度上提高了清河水库夏汛来水量的预报精度，取得了良好的效果。使水库的预报和优化调度更具科学性，不仅具有重要的理论意义，而且具有更大的社会和经济价值。以2011，2012，2013年作为检验年进行检验，原方法与新方法相对误差分别为：1.852，0.268，0.306和0.419，0.363，0.186，均值分别为0.323和0.819。通过比较可知，该预报模型的预报精度有了明显的提高，有利于水库调度管理，并为以后的输水工程、水电站及辽西北供水工程等提供决策依据。它在很大程度上为清河水库的防汛、抗旱争取了主动权，并取得了良好的工业、农业及防汛等方面的效益。
4结语
1）通过对清河水库历史资料的分析，首次提出了以预报单位年前5个月各月的来水量为春汛预报因子，以预报单位年前8个月各月的来水量为夏汛预报因子。2）引入灰色关联度的概念，计算历年预报因子与所需预报年份之间的关联度，以此确定代表年作为预报依据。3）采用灰色径向基神经网络的方法构建清河水库中长期水文预报模型，并开发了基于VB的中长期水文预报系统。4）经实践应用，系统为清河水库中长期水文预报提供了新的途径，提高了径流量整体预报精度，进而提高调度水平，使水库的预报和优化调度更具科学性，不仅具有重要的理论意义，而且具有更大的社会和经济价值，对于争取防汛、抗旱的主动权，制定科学调度方案，发挥水利设施的安全与经济效益有着重要的作用。
作者：张丽娟 单位：辽宁省供水局
［参考文献］
［1］刘思峰，邓聚龙.GM(1,1)模型的适用范围［J］.系统工程理论与实践.2000，5：121-124.
［2］刘获，周振民.RBF神经网络在径流预报中的应用［J］.华北水利水电学院学报.2007，28（2）：12-14.
［3］刘思峰.灰色系统理论的产生与发展［J］.南京航空航天大学学报.2004，36（2）：267-272.
神经网络技术范文2
在上世纪九十年代初期，利用数学知识将感知器模型的弊病全面提出，致使社会各界对于人工神经网络的探究非常少。另一方面，针对逻辑运算的人工神经网络研究存在一定的弊端，一直没有被大家发现，因此，致使人工神经网络探究工程进入严重的低谷期。
关于人工神经网络技术飞速发展时期，九十年代初期，对于人工神经网络技术的弊端予以充分解决，尤其是Hopefield的人工神经网络技术模型的提出，致使对于互联网的稳定性以及收敛性的探究有了充分的理论依据。而且将人工神经网络模型全面应用到具体的实践中，并且得到全面推广，同时，将科学技术和人工神经网络进行有机结合，使人工神经网络技术更加具有可研究性。
2关于人工神经技术的构造以及典型模型
互联网人工神经技术的构造的组成包括以神经元件为主，同时，这项包含多种神经元结构的互联网信息处理技术是可以并行存在的。每一个具体的人工神经元件可以单一输出，还可以和其他的神经元件相结合，并且具有非常多的连接输出方法，每一种连接措施都会有相应的权系数。具体的人工神经网络技术的特点有：（1）针对每一个节点i，都会有相应的状态变量Xi存在；（2）节点j到节点i之间，是相应的权系数Wij存在；（3）在每一个节点i的后面，具体存在相应的阈值θi；（4）在每一个节点i的后面，存在变换函数fi（Xi，Wijθi），但是，通常情况来说，这个函数取fi(∑，WijXi-θi)的情况。
3将人工神经网络技术进行全面使用
互联网的人工神经网络技术具有独特的结构和处理措施，具体包括在：自动控制处理和网络技术模式识别、模型图像处理和相应的传感器信号处理技术。信号处理技术和机器人控制处理技术、地理领域和焊接、在电力系统应用和相关数据挖掘、军事和交通行业、农业和气象行业等多个领域纷纷体现出其卓越的贡献。
ART人工神经网络技术的运用。人工神经网络技术ART在网络语音和网络图像、文字处理和具体识别等方面，得到广泛的应用；同时，在工业处理系统中也有相应的应用，例如，在工业系统中的故障诊断和故障检测以及事故警报等情况的控制；人工神经网络ART技术还应用在数据挖掘方面，在相关数据中挖掘最稳定和最有意义的模式。具体的神经网络技术ART的优势为：网络技术处理能力高、稳定性强以及聚类效果非常好。
4结束语
神经网络技术范文3
1.1拓扑结构调节
通过对静态邻域的各种结构以及它们对技术性能影响进行分析后得出，在拓扑适应性方面星形拓扑、VonNeumann拓扑以及环形拓扑最好。此外，人工神经网络技术性能与邻域密切相关，处理复杂问题时小邻域的人工神经网络技术性能较好，但是处理简单问题上大邻域的人工神经网络技术性能会更好。Chend从改进人工神经网络结构的角度出发，提出了一种具有双结构的人工神经网络技术。技术将神经网络单元分为M+1层，其中“1”指顶层，技术通过获得顶层神经网络单元的全局最优值影响其余各层的粒子对最优值的探索，以此提高神经网络单元搜索结果的多样性。该技术考虑到神经网络单元体表现以及粒子个体的表现，并将其作为触发条件控制领域变化从而提高寻优效率。提出了KRTG-人工神经网络技术，通过产生随机动态的网络拓扑结构并将平均值引入到粒子更新公式中，增加了种群的多样性，改善了粒子间信息的传播速度。
1.2结合其他技术改进
相关研究将遗传技术中遗传算子的选择、交叉、变异等过程与人工神经网络技术相结合，提出一种混合技术。改进后的技术提高人工神经网络技术的性能，增加种群的多样性并提高逃离局部最小的能力，可以将差分进化技术和人工神经网络技术相结合，通过两种技术的交叉执行来提高改进技术的效率。白俊强等将二阶振荡和自然选择两种方法融入到人工神经网络技术中，通过二阶振荡对技术速度公式进行更新，通过自然选择提高了神经网络单元中靠近最优值粒子的比重。通过收集粒子的取值信息构建记忆库，让库中信息和粒子自身极值共同决定粒子的寻优方向，从而提高寻优准确性。
2人工神经网络技术在计算机系统中的应用
2.1系统管理模块
系统管理模块主要是系统管理员对系统进行维护操作，包括用户的认证、数据的维护以及系统安全管理。系统用户认证模块，由于系统的用户包括专家用户，负责对评估因子进行筛选确定以及对评估因子进行打分操作；管理员，负责系统维护以及相关数据的录入、修改和删除操作；普通用户，所以系统需要对用户进行认证以便完成与其身份相对应的操作，确保系统安全。系统的后台维护模块主要用来完成数据库导出以及软件维护操作，系统安全管理模块主要对系统的用户权限进行管理。
2.2资源管理模块
资源管理模块主要是用来管理系统所有的安全驾驶理论知识体系的，包括文字、图片、视频和动画。主要操作有插入、修改、删除。文字信息管理模块，面向系统管理员，主要用来管理系统的文字信息，文字信息包括地点名称等信息，文字对应相应的知识点，大多以理论知识和测试题的模式存在于模块中。图片信息管理模块面向系统管理员，主要用来管理图片相关信息，包括图片名称、所属知识点信息。图片和文字一样，用来进行知识的展示。视频信息管理模块面向系统管理员，主要用来管理视频信息，采用人工神经网络技术。人工神经网络技术指以神经元方式在网络中传送音频、视频和多媒体文件的媒体传输技术。
2.3系统关键技术
2.3.1使用人工神经网络作为接口处理规范。
由于本系统是在浏览器中访问，需要访问核心数据库，在这里我们采用人工神经网络技术，可以对系统数据访问接口进行扩展，对数据进行格式化以提高可读性。在系统中我们采用的是标准的人工神经网络格式，其中报文分为报文的头和体两部分。
2.3.2系统网络拓扑结构。
为了保障系统的安全性，我们在这里采用两个服务器：一个是用于数据存储的服务器；另一个是用于用户请求处理的服务器。系统对于用户的使用分为内网用户和外网用户，内网用户是在内部局域网进行访问系统，针对的是学习系统的管理员，外部用户是互联网上的用户，针对的是进行在线学习的学习者。在服务器与内网、内网与外网之间都设置了防火墙，以保障数据的传输安全和数据库的安全。这样的拓扑结构有效地保障了系统的安全性和稳定性，其好处主要包括：人工神经网络三层结构将业务处理和数据处理的服务器分开，有利于系统的维护和升级，保障了系统数据的安全；分布式的网络布局，对于不同的用户有不同的访问方式，多渠道的访问方式有效地避免了不兼容的情况的发生，系统的可用性得到了提高。
2.4数据库设计
所选择的数据库需要有良好数据组织结构，可以使整个系统迅速、方便、准确地调用管理所需的数据，提高整个系统的性能。为了达到上述要求，系统采用神经元数据库。神经元数据库是一个对象——关系型数据库，它提供了开放、全面、集成的信息管理方法，数据存储具有透明性。有了一个高性能数据库作为基础，还需要好的数据库结构，数据库结构设计的好坏将直接影响系统的效率和实现的效果，好的数据结构设计会使得系统具有较快的响应速度，提高数据的完整性和一致性，大大提高整个系统的性能。
3结语
神经网络技术范文4
随着我国社会主义现代化建设不断加快发展的过程中，城市化进程在不断的推进，而作为我国国民经济中最为重要的电力发展的建设开始迎来了新的挑战和压力，尤其是随着电力规模的不断扩大，建设的周期延长以及范围的不断加大，都给电力工程的造价带来了巨大的挑战。在这样的发展趋势下，为了有效让电力建设的发展具有一定的安全性保障，并在可行性的工程造价的顺利开展下，通过数据挖掘和神经网络技术的应用，来促进我国电力建设的发展。本文也将从这两个方面的技术应用来展开较为系统的分析。
【关键词】
数据挖掘；神经网络技术；电力工程造价；应用分析
随着科学技术的发展，经济全球化的趋势，数据挖掘已经在全世界范围内得到了广泛的关注和应用，并得以快速发展起来，而其中最根本的原因在于全球化的科学信息技术的发展和快速世界化的感染和流行，使得互联网技术在几年内瞬间发展起来，造成了数据过量和信息膨胀的现象，因此人们在这种形势下，急需要通过一种新型的技术来对这些信息进行处理，通过筛选和提取最有效、最有价值的部分出来，因此数据挖掘起到了重要作用，而在电力工程的造价应用，通过数据挖掘和神经网络技术，实现了其更加系统化的发展。
1数据挖掘的定义
数据挖掘的源起与发展可追溯回到20世纪80年代。这种数据的挖掘从不同的角度理解，有不同的含义，而其实最主要的意思是把海量综合性的数据通过挖掘出最有用、最有效的模式和知识的一个过程，并通过这种数据的挖掘来对未知的潜在的内容进行提取。因此从广义上来将，这种数据挖掘的定义是一个从不完整的、不明确的、大量的并且包含噪声，具有很大随机性的实际应用数据中，提取出隐含其中、事先未被人们获知、却潜在有用的知识或模式的过程。这个过程事实上也即是数据挖掘的最根本目的，对复杂而混乱的信息进行分析和处理，并提取最有用的知识和信息给决策者。另一方面，从技术角度而言，数据挖掘的实现是借助一整套全面的数据计算，实现对海量数据信息的提取过程，并使得这部分被提取出来的信息是对人们在概念、模式以及规律等方面是最有价值的。它的这种技术操作主要是对历史数据信息的分析，并把隐藏在潜在中的数据和关系分析挖掘出来，从而提供给人们对未来可能发生的结果起到协助分析研究的作用。
2通过神经网络技术建立数据模型
神经网络技术的实现，是通过这种技术来对人的大脑所具有的结构和功能进行模拟化，并达到具有模式识别的计算模型，其组成部分包括了隐层节点、输入节点以及输出节点三个部分。而关于隐层的部分，组成可是一层或多层的形式，一个神经网络的组成包括了非常多的成层排列的节点，数字信息的传输就依靠这些节点的存在。输入信号，最有特点的神经网络是采用一个输入层和输入层以及位于中层的很多节点而组成起来的，并每个节点把输入的信息作非线性处理后，然后把输出的数字化结构传送到另外的节点，从而反复循环下去，就通过多个节点的作用函数之间的共同功能的发挥来得到最终的结果。
3数据挖掘与神经网络技术的电力工程造价中的应用
3.1对历史数据的搜集和整理
对数据和资料的搜集工作，主要有电力系统的内部资料内容，以及在互联网技术的帮助下所搜寻获取到的数据资料，而且包括在持续一周左右的时间被研究用电地区的电力负荷所使用的历史数据信息，并对所进行搜集的该地区的时间天气情况、气温高低、湿度大小以及是否是工作日的信息内容。然后将这些搜集到的信息资料进行汇总整合，然后筛选出预测所要求的数据和信息内容。在这个过程中，需要注意的是，筛选数据要选择与当前时间最接近，而且具有较安全和可靠的数据来源，只有这样才能从根本上确保电力负荷预测的质量，才能达到电力负荷预测要求的准确度，从而使得所建立的负荷预测模型的使用更加合理，才能真正表现出电力负荷数据的有效规律。
3.2对历史电力负荷数据的预处理
在大多数情况下，负荷预测所得到的结果在质量上与所选用资料和数学的质量相比较，并没有绝对的优势，因此如果所搜集的数据要进行负荷预测模型的这部分数据则要通过预处理的过程才能确保数据的质量。而这种预处理除了通过比较老式的人工审核的办法以外，还可以通过数据的挖掘来提高对数据处理的工作效率和质量，并对数据中存在的异常值进行及时的发现和处理修改，这也是一种为工作人员在出现部分数据的疏漏时进行填补的作用。
3.3建立负荷预测模型来进行负荷数据的预测
为了有效而准确的测出负荷数据，可通过建立负荷预测的模型，这种模型的种类较为多，包括人工神经网络模型、专家系统模型等，但到底使用哪种模型来对数据进行预测才能达到预期的预测效果和质量，还需要通过慎重选择才能实现。
3.4对预测结果的误差分析
一个短期的电力负荷预测模型如果已经建立完成，那么要判断其预期的效果是否有效和准确，那么就要对这种预测模型的预测结果进行误差分析即可。这种误差的分析是因为预测模型的输出结果相似于预测日的负荷值，因此利用这种与真实数据之间的差值进行误差的大小确立起预测结果是否准确有效。另外一方面，不仅如此，还可以在这种误差分析的作用下，来对预测工作和预测的方法积累更多的实用性的经验。尤其是在我国电力改革在快速发展的状态下，电网的运作方式已经开始从各个方面包括规划、建设、规模以及范围都发生了改变，所以要求电网建设要具备更加规范化和科学合理化的标准进行更进一步的发展和完善，并在当前科学技术的支持作用下，引入科学的管理理念、先进的数据分析方法以及信息化技术，在技术的不断推动应用下，让人们对相关数据信息的获取量更多。所以，在预测数据方面的技术还需要不断得到更加深入的发展，才能为我国的电力建设提供更加有力的帮助。
3.5数据挖掘与神经网络技术的电力造价应用总结
在电力造价的应用过程中，其数据挖掘和神经应用的技术应用实现了对电力数据结果、运行速度之间的关联性，并对我国的电力建设发挥着重要的积极意义。而通过数据挖掘和神经网络技术的造价预测模型的建立，得出了更加多元化的输入和输出，这反映除了在电力工程造价过程中的多元非线性映射问题，所以通过模糊的神经网络来实现对电力工程造价的核心计算办法。在神经网络的技术应用下，实现了数据信息的搜集和筛选，但实质上这个神经网络的推理筛选过程还有一定的无法确切的解释。而模糊系统则通过逻辑推理和专业领域的知识让技术的应用更加具有一种指向性。基于神经网络的模糊系统能够综合两者的优点，有效的通过这种数据挖掘和神经网络技术的应用，提高了互联网技术应用的容错性和泛化能力，并提高了模型建立的有效性。
4结束语
综上所述，在我国的电力工程造价预测和改革发展的过程中，数据挖掘以及神经网络技术在其中起到了不可替代的关键性作用，并为了电力建设的发展带来了非常实用性的价值。通过数据挖掘技术来对大量的综合信息数据进行预处理和筛选，来达到数据信息所能起到的最大的作用，并在神经网络技术对所创建的专业模型的应用，让人工预测和审查的被动性得到了解决，并提高了电力工程造价过程中人为因素的消极影响，而更好的保障了信息结果的有效性。
作者：刘勇华 单位：广东汇盈电力工程有限公司
参考文献
[1]欧阳子才.数据挖掘和神经网络技术的电力工程造价应用[J].中华民居，2013，18（21）：279~280.
神经网络技术范文5
关键词:神经网络;磨矿;选矿指标;预测
人工神经网络(ArtificialNeuralNetwork)，即ANN，简称神经网络，是20世纪80年代兴起的人工智能领域的研究热点。其是由大量简单的基本单元相互连接，通过数学物理方式并基于信息处理层来实现人脑神经网络的抽象化，且成功构建出了一种简化模型的智能网络系统［1］。其在智能控制、决策优化、多元回归、复杂非线性拟合方面具有非常大的应用优势，近年来，随着计算机技术的突飞猛进，神经网络技术在各行各业的应用呈现出爆发性的增长趋势，并在与不同行业的交叉应用过程中取得了令人欣喜的成果，应用较多的主要集中在医疗、军工、金融等行业［2］。在选矿行业中，应用还比较少，但也有较为成功的应用案例，这一新兴技术使得选矿这一传统的行业焕发了新的活力。
1人工神经网络(ANN)
人工神经网络的拓扑结构类型有分层网络和互联网络(反馈网络)，网络的学习方法有有教师学习和无教师学习以及增强学习。学习算法的分类有误差纠正算法、Hebb规则和竞争学习算法等。目前应用较多的网络类型有BP神经网络、径向基函数(RBF)网络、Hopfield网络、玻尔兹曼机(BM)网络、自组织特征映射网络以及ART网络等［3］。不同的网络类型具有不同的特点，在相关的应用领域有其优势，当然也有其不足，经过多年的应用发展，研究人员开发了对各种网络的优化方法，在特定的应用条件下取得了较好的效果。在选矿行业应用较多的有BP神经网路、径向基函数(RBF)网络等。BP神经网络是一种按误差逆传播算法训练的多层前馈网络。
2神经网络在选矿行业的应用
传统的选矿工艺流程是一种连续的多步骤的工艺，前期工作包括准备、选别和产品处理等步骤［5］。准备工作一般是破碎、筛分、磨矿和分级，使得有用矿物和脉石矿物分离，为后期的选别工作做好准备。选别过程是选矿的核心工艺步骤，也是最重要的环节，常用的选别方法有浮选、重选、磁选等，其中应用最广泛的方法就是浮选法。产品处理主要是精矿脱水和尾矿处理。选矿生产过程是一个十分复杂的工业系统流程，生产过程往往具有不确定性、非线性、延迟性、强耦合性及信息不完整性，很难建立精确的数学模型［6］。因此神经网络处理复杂非线性问题的优势就显现出来了。神经网络在选矿行业的应用目前主要在以下几个方面:选厂经济指标的预测、球磨机钢球磨损程度的预测、磨矿自动控制算法设计、浮选结果的预测、矿浆pH值的预测、矿浆浓度的预测、浮选柱气含率预测、浮选液位预测、浮选药剂用量预测、浮选药剂制度优化、采选厂浸出指标预测［7］等等，以下仅从典型的应用方向加以说明。从本质上看，神经网络技术是一种数据挖掘的方法，所谓数据挖掘技术就是从大量的数据中发现对人们生产活动或者理论研究有价值的信息［8］。使用神经网络技术研究相关问题需要大量的可靠数据用来训练和验证网络的可靠性。在选矿行业，数据来源最好是多年积累的生产数据，但因保密、生产记录不规范或者没有连续性等原因，实际研究过程中海量的生产数据往往难以获得，通常也会通过实验室规模的试验，以及通过计算机仿真来生产数据，再经过现场试验来验证和改进网络的可靠性。
2．1神经网络技术在磨矿过程的应用
磨矿是选矿过程中的一个重要环节，磨矿细度会影响选矿流程的诸多技术经济指标，姚致远等［9］以某选厂一年的生产数据为基础，将其分为神经网络训练样本和验证样本，使用BP神经网络技术研究了磨矿细度和选矿回收率之间复杂的非线性关系，利用线性回归和神经网络技术相结合的方法建立了磨矿细度、磨浮成本、处理量、回收率和选厂每小时利润之间的多元回归数学模型，以选厂利润最大化为目标确定了最优磨矿细度，经过分析计算后得到结论，优化磨矿细度后每年可为选厂增加400多万元的利润。代伟［10］应用BP神经网络方法建立了磨矿粒度的神经网络模型，并使用现场数据验证和实际应用效果印证了此模型的有效性。上述问题的解决充分显示了神经网络技术在处理这类机理研究不够明确的复杂非线性问题上的优越性。在磨矿工艺中，应用最为广泛的设备是球磨机。因机械撞击和化学腐蚀等原因，球磨机内的钢球会随着磨矿过程而产生一定程度的磨损现象，钢球的磨损会改变钢球的配比和装球率，从而降低磨矿效率，如何保持磨矿工艺过程中钢球相关参数的稳定性一直是此领域的研究重点。而磨矿过程中钢球的运动轨迹是不确定的，通过实验也难以观察，碰撞是随机的，腐蚀程度也是难以实时测量的，因此从运动和动力学机理上建立磨矿过程中钢球磨损的精确数学模型是非常困难的，可以说几乎是不可能的。神经网络技术的引入为推动这一领域的研究起到了重要的作用。蔡兵兵［11］利用BP神经网络研究了球磨机内钢球的损耗情况与给矿粒度之间的关系。分别建立了球磨机钢球比与磨矿后产品的粒度之间、球磨机钢球质量与给矿粒度之间的数学关系模型。通过仿真计算非线性拟合后得到两组模型相关变量对应的映射关系，使得根据实时的给矿粒度就可预测球磨机内钢球的磨损程度，为在磨矿工艺进程中何时补加何种尺寸、多少数量的钢球提供了有科学依据的决策参考。不仅降低了工人的工作难度，提高了磨矿效率，更为磨矿过程自动控制提供了技术基础，对生产工艺升级具有重要意义。滕章等［12］利用BP神经网络技术建立了磨矿自动化控制系统中的远程故障诊断专家系统知识库，该故障诊断系统已在河北某选厂成功应用，大大提高了磨矿设备故障诊断的实时性。神经网络在专家系统开发领域的应用已经成为了当下一个研究热点，具有广阔的发展空间。
2．2神经网络在选矿指标预测中的应用
运行多年的选矿厂具有海量的生产经营数据，这些选厂就是天然的数据仓库，而神经网络本身的训练需要大量的数据，且可靠的数据越多，训练出的网络对数据的拟合能力就越强大，网络的预测能力也越可靠。如能获得来源于生产车间的一线资料，通过运用神经网络的强大拟合能力，对选厂的选矿指标进行预测将是可行的。通过预测选矿指标，不仅能对选厂未来的运营情况进行掌控，还能够通过对工艺参数的调整，优化生产工艺，提高选矿指标，为企业创造效益，神经网络在此领域已有成功应用案例。孙福振等［13］根据红山选矿厂选铜车间近5年的生产数据，利用RBF神经网络研究了原矿性质(矿石品位)、选矿工艺参数(黄药单耗、松醇油单耗、钢球单耗)与选矿效果(回收率和精矿品位)之间的映射关系。通过此方法对生产工艺参数进行优化，将选矿指标铜回收率提高了1．08个百分点，为企业创造了效益。王任远［14］利用主成分分析与RBF神经网络相结合的方法建立了浮选精矿品位和回收率的预测模型，并应用到生产实际中，成功实现了选矿指标的预测，降低了劳动强度，改善了生产管理水平，为企业创造了价值。
2．3神经网络在矿浆pH值预测中的应用
在浮选过程中，矿浆的pH值是非常重要的指标，对浮选的回收率有重要影响，其原因主要是浮选中涉及的复杂且必要的物理化学过程需要在合适的pH条件下才能发生，因此对矿浆pH值的监控是十分必要的。目前生产现场通常是由人工使用pH检测仪或者使用pH在线监测仪来进行检测的，人工测试存在主观随机性，且测量精度得不到保证，pH在线检测仪也存在易堵塞和污染等影响实际使用的问题。因此，传统的选矿工艺中，对pH的监控一直是比较困难的。神经网络的出现，给解决此问题提供了一种新的技术手段。唐朝晖等［15］根据泡沫外观与矿浆pH值存在密切联系，从浮选泡沫的视觉识别方向入手，综合利用BP神经网络结构简单、收敛快与RBF神经网络对快速输入的样本具有更好的适应性的优点，组合成的混合神经网络，研究泡沫图像化参数与矿浆pH值之间的非线性映射关系，提出了一种矿浆pH值控制的方法，证明该方法具有较好的精确性和鲁棒性。
2．4神经网络在矿浆浓度预测中的应用
矿浆浓度对浮选效果也有直接影响，并且也呈现非线性关系。矿浆浓度会影响回收率、药剂用量、精矿质量、浮选机生产能力、水电消耗、浮选时间等指标。罗璇等［16］利用小波神经网络模型研究了回收率、药剂用量、精矿质量与矿浆浓度的非线性关系。采用梯度修正法对网络的权值和小波基函数加以修正，提高了预测精度，能够达到矿浆浓度预测的目的。
2．5神经网络在浮选药剂制度优化中的应用
浮选药剂制度的确定是选矿工艺中的一个重要环节，不合适的药剂制度会产生药剂的浪费或添加不足，导致选矿过程得不到预期的指标，造成经济效益下降。传统的药剂制度确定方式是基于正交试验和F检验的统计学方法，该方法的缺点是需要的试验量大。张翼等［17］利用BP神经网络研究药剂制度的优化问题。采用单一变量的原则，通过计算机仿真与传统方法对比的方式，改进了药剂的添加制度。优化后的药剂制度不仅提高了选矿效率，还减少了药剂用量，技术指标和经济指标都得到了提升，于此同时，相比传统的F检验方法，大大减少了试验量。刘研妮［18］根据某矿山选铜车间的生产数据，利用BP神经网络技术开发了选矿指导子模块，将原矿品位、氧化率以及精矿品位、回收率4个参数作为网络的输入端，将选矿过程中使用的药剂黄药和2#油作为网络的输出端。当给矿条件发生变化时，输入想要得到的精矿品位和回收率，即可计算出对应的黄药和2#油的用量，为工况变化下药剂制度的调整提供了决策支持。经过试验验证，所训练的网络能够在一定精度下满足生产预测的需要。
2．6神经网络在提升选矿厂经济指标中的应用
神经网络技术在最优化问题中也有较好的适应性。选厂的经济指标种类繁多，影响因素多，部分指标又是完全的离散量，比较适合利用神经网络的特点解决相关问题。目前，在提升选厂经济指标的研究方向上，神经网络也发挥了作用。杨刚等［19］利用BP神经网络研究了选矿工艺参数与选矿成本之间的非线性关系。利用黄金分割法确定了BP网络中的隐层节点数，得到了原矿品位、精矿品位、尾矿品位、台时处理量与选矿成本之间的数学关系。为选矿工艺参数变化时选矿成本的波动情况建立了预测模型，为企业决策提供有效的参考。廖诺等［20］根据铁矿采选的实际工况，建立了以资源利用率、总的电能消耗和经济效益为目标，精矿总产量为约束条件，采选品位和投资策略为决策变量的非线性多目标优化数学模型。利用神经网络技术，制定了最优化资源利用、节能降耗提高经济效益的策略，取得了满意的结果。
3结语
神经网络技术范文6
只有清楚地了解电梯控制系统的运行原理才能够及时准确的诊断出电梯故障原因，因此清楚的了解电梯运行原理,每一个电梯维修人员必须要做到。电梯运行过程总体上可分为以下几个阶段：第一、登记层外召唤信号和登记内选指令阶段；第二、电梯门关闭或者电梯按照系统指令停运阶段；第三、启动阶段；第四、在到达信号记录的楼层前进行减速制动；第五、平层开门阶段。在整个过程中电梯需要从外界接收信号并处理，然后完成相应的指令或者输出信号，由此可以将电梯看作是一个完整的独立的系统，只需要外界给予相应的信号就可以自动的做出动作。电梯系统内部复杂的构件紧密的结合在一起，正是如此才使得电梯系统故障具有了复杂性、层次性、相关性以及不确定性的特点。
二、神经网络技术基本原理
生物学上的神经是由一个个简单的神经元相互连接进而形成了复杂的庞大的神经系统，同理，神经网络就是由大量简单的处理单元相互连接形成的复杂的智能系统。单独的处理单元类似于一个神经元，是一个可以接受不同信息但是只输出一种信息的结构单位。神经网络系统与生物学神经系统相似的是具有自我修改能力，它可以同时接收大量的数据并进行统一的分析处理，进而输出相应的处理结果。这就使得神经网络系统具有了高度容错性、高度并行性、自我修改性、学习性以及高度复杂性，也正是由于这些特性才使的利用神经网络技术能够及时准确的查明电梯故障原因并得出故障解决方案。电梯故障诊断中应用的神经网络模型分为三个层次：输入层、接收外部信号或者是电梯自我检测信息（如载重信息）；隐含层、对接收到了大量数据进行相应的分析处理；输出层、将记录着动作命令的数据传送出来。在电梯出现故障时，首先可以通过神经网络模型快速确定故障发生在哪一层达到节约时间的目的。但是神经网络也会因为收敛速度过于慢、训练强度太大或者是选择的网络模型不好等问题导致诊断结果受到影响。
三、神经网络模型在电梯故障诊断中的应用分类
神经网络模型已经成为了如今电梯故障诊断中应用最广泛的技术模型，相比于传统方式它具有诊断速度快、故障原因命中率高的优点，因此引起了各方面专业人士的强烈关注，并在他们的不懈努力下得到了发展与创新。它跨越多个专业领域、通过对各种复杂的高难度工作的不断的发展与改进出现了越来越多的应用模型，下面主要介绍了当前应用最普遍的BP网络模型，并且简单的引入并介绍了近年来新兴的模糊神经网络模型和遗传小波神经网络模型。
（一）BP网络模型
BP神经网络作为神经网络应用最广泛的一种，它多应用的误差反向传播算法使其在模式识别、诊断故障、图像识别以及管理系统方面具有相对先进性。基于BP网络的电梯故障诊断技术就是通过学习故障信息、诊断经验并不断训练，并将所学到的知识利用各层次之间节点上的权值从而表达出来。BP网络系统的主要诊断步骤主要可以分为三步。第一步：对输入输出的数据进行归一化处理，将数据映射到特定的区间。第二步：建立BP网络模型，训练BP网络模型。第三：通过已经训练好的网络模型对原来的样本进行全面的检测。算法步骤：a、在一定的取值范围内对数据进行初始化；b、确定输入值数值大小，计算出预期输出量；c、用实际输出的值减去上一步得到的数值；d、将上一步得到的误差分配到隐含层，从而计算出隐含层的误差；e、修正输出层的权值和阈值，修正隐含层的权值；f、修正隐含层的阈值，修正隐含层和输入层的权值。
（二）遗传小波神经网络模型
遗传算法运用了生物界的优胜劣汰、适者生存的思想对复杂问题进行优化，适用于复杂的故障，起到了优化简化问题的作用。对局部数据进行详细的分析是小波法最大的特点，所以它被誉为“数字显微镜”。遗传算法小波神经网络就是运用小波进行分解的方法分解模拟故障信号，将得到的数据进行归一化，将归一化后的数值输入到神经网络模型中。它融合了神经网络、小波分析和遗传算法三者所有的优点。基于遗传小波神经网络的电梯故障诊断的一般步骤为：测试节点信号采样、小波分解、故障特征量提取、归一化得到训练样本集、遗传算法优化、得到故障类型。遗传小波神经网络模型在故障原因复杂、数据信息量巨大的电梯系统的应用中能够发挥更大的作用。
（三）模糊神经网络模型
模糊神经网络模型就是创新性的将神经网络与模糊理论结合到一起。它采用了广义的方向推理和广义的前向推理两种推理方式。与其它两种模型不同的是，它的语言逻辑、判断依据和结论都是模糊的。但是它的数据处理能力还有自我学习能力并没有因此而变差，反而更加丰富了它的定性知识的内容。在处理实际问题的过程中，首先要建立所有可能发生的故障的完整集合，其次将所有的故障发生原因归入到同一个集合中去，最后就是建立故障和原因的关系矩阵。分别叫做模糊故障集、模糊原因集、模糊关系矩阵。相较于BP网络模型，这种模型更加的简单易行，充分发挥了神经网络和模糊逻辑的优点，不会因为故障原因过于复杂而失去诊断的准确性，在原本丰富定性知识和强大数据处理能力的基础上具有了很大的自我训练能力。
四、结语
神经网络技术范文7
随着我国社会主义现代化建设不断加快发展的过程中，城市化进程在不断的推进，而作为我国国民经济中最为重要的电力发展的建设开始迎来了新的挑战和压力，尤其是随着电力规模的不断扩大，建设的周期延长以及范围的不断加大，都给电力工程的造价带来了巨大的挑战。在这样的发展趋势下，为了有效让电力建设的发展具有一定的安全性保障，并在可行性的工程造价的顺利开展下，通过数据挖掘和神经网络技术的应用，来促进我国电力建设的发展。本文也将从这两个方面的技术应用来展开较为系统的分析。
【关键词】
数据挖掘；神经网络技术；电力工程造价；应用分析
随着科学技术的发展，经济全球化的趋势，数据挖掘已经在全世界范围内得到了广泛的关注和应用，并得以快速发展起来，而其中最根本的原因在于全球化的科学信息技术的发展和快速世界化的感染和流行，使得互联网技术在几年内瞬间发展起来，造成了数据过量和信息膨胀的现象，因此人们在这种形势下，急需要通过一种新型的技术来对这些信息进行处理，通过筛选和提取最有效、最有价值的部分出来，因此数据挖掘起到了重要作用，而在电力工程的造价应用，通过数据挖掘和神经网络技术，实现了其更加系统化的发展。
1数据挖掘的定义
数据挖掘的源起与发展可追溯回到20世纪80年代。这种数据的挖掘从不同的角度理解，有不同的含义，而其实最主要的意思是把海量综合性的数据通过挖掘出最有用、最有效的模式和知识的一个过程，并通过这种数据的挖掘来对未知的潜在的内容进行提取。因此从广义上来将，这种数据挖掘的定义是一个从不完整的、不明确的、大量的并且包含噪声，具有很大随机性的实际应用数据中，提取出隐含其中、事先未被人们获知、却潜在有用的知识或模式的过程。这个过程事实上也即是数据挖掘的最根本目的，对复杂而混乱的信息进行分析和处理，并提取最有用的知识和信息给决策者。另一方面，从技术角度而言，数据挖掘的实现是借助一整套全面的数据计算，实现对海量数据信息的提取过程，并使得这部分被提取出来的信息是对人们在概念、模式以及规律等方面是最有价值的。它的这种技术操作主要是对历史数据信息的分析，并把隐藏在潜在中的数据和关系分析挖掘出来，从而提供给人们对未来可能发生的结果起到协助分析研究的作用。
2通过神经网络技术建立数据模型
神经网络技术的实现，是通过这种技术来对人的大脑所具有的结构和功能进行模拟化，并达到具有模式识别的计算模型，其组成部分包括了隐层节点、输入节点以及输出节点三个部分。而关于隐层的部分，组成可是一层或多层的形式，一个神经网络的组成包括了非常多的成层排列的节点，数字信息的传输就依靠这些节点的存在。输入信号，最有特点的神经网络是采用一个输入层和输入层以及位于中层的很多节点而组成起来的，并每个节点把输入的信息作非线性处理后，然后把输出的数字化结构传送到另外的节点，从而反复循环下去，就通过多个节点的作用函数之间的共同功能的发挥来得到最终的结果。
3数据挖掘与神经网络技术的电力工程造价中的应用
3.1对历史数据的搜集和整理
对数据和资料的搜集工作，主要有电力系统的内部资料内容，以及在互联网技术的帮助下所搜寻获取到的数据资料，而且包括在持续一周左右的时间被研究用电地区的电力负荷所使用的历史数据信息，并对所进行搜集的该地区的时间天气情况、气温高低、湿度大小以及是否是工作日的信息内容。然后将这些搜集到的信息资料进行汇总整合，然后筛选出预测所要求的数据和信息内容。在这个过程中，需要注意的是，筛选数据要选择与当前时间最接近，而且具有较安全和可靠的数据来源，只有这样才能从根本上确保电力负荷预测的质量，才能达到电力负荷预测要求的准确度，从而使得所建立的负荷预测模型的使用更加合理，才能真正表现出电力负荷数据的有效规律。
3.2对历史电力负荷数据的预处理
在大多数情况下，负荷预测所得到的结果在质量上与所选用资料和数学的质量相比较，并没有绝对的优势，因此如果所搜集的数据要进行负荷预测模型的这部分数据则要通过预处理的过程才能确保数据的质量。而这种预处理除了通过比较老式的人工审核的办法以外，还可以通过数据的挖掘来提高对数据处理的工作效率和质量，并对数据中存在的异常值进行及时的发现和处理修改，这也是一种为工作人员在出现部分数据的疏漏时进行填补的作用。
3.3建立负荷预测模型来进行负荷数据的预测
为了有效而准确的测出负荷数据，可通过建立负荷预测的模型，这种模型的种类较为多，包括人工神经网络模型、专家系统模型等，但到底使用哪种模型来对数据进行预测才能达到预期的预测效果和质量，还需要通过慎重选择才能实现。
3.4对预测结果的误差分析
一个短期的电力负荷预测模型如果已经建立完成，那么要判断其预期的效果是否有效和准确，那么就要对这种预测模型的预测结果进行误差分析即可。这种误差的分析是因为预测模型的输出结果相似于预测日的负荷值，因此利用这种与真实数据之间的差值进行误差的大小确立起预测结果是否准确有效。另外一方面，不仅如此，还可以在这种误差分析的作用下，来对预测工作和预测的方法积累更多的实用性的经验。尤其是在我国电力改革在快速发展的状态下，电网的运作方式已经开始从各个方面包括规划、建设、规模以及范围都发生了改变，所以要求电网建设要具备更加规范化和科学合理化的标准进行更进一步的发展和完善，并在当前科学技术的支持作用下，引入科学的管理理念、先进的数据分析方法以及信息化技术，在技术的不断推动应用下，让人们对相关数据信息的获取量更多。所以，在预测数据方面的技术还需要不断得到更加深入的发展，才能为我国的电力建设提供更加有力的帮助。
3.5数据挖掘与神经网络技术的电力造价应用总结
在电力造价的应用过程中，其数据挖掘和神经应用的技术应用实现了对电力数据结果、运行速度之间的关联性，并对我国的电力建设发挥着重要的积极意义。而通过数据挖掘和神经网络技术的造价预测模型的建立，得出了更加多元化的输入和输出，这反映除了在电力工程造价过程中的多元非线性映射问题，所以通过模糊的神经网络来实现对电力工程造价的核心计算办法。在神经网络的技术应用下，实现了数据信息的搜集和筛选，但实质上这个神经网络的推理筛选过程还有一定的无法确切的解释。而模糊系统则通过逻辑推理和专业领域的知识让技术的应用更加具有一种指向性。基于神经网络的模糊系统能够综合两者的优点，有效的通过这种数据挖掘和神经网络技术的应用，提高了互联网技术应用的容错性和泛化能力，并提高了模型建立的有效性。
4结束语
综上所述，在我国的电力工程造价预测和改革发展的过程中，数据挖掘以及神经网络技术在其中起到了不可替代的关键性作用，并为了电力建设的发展带来了非常实用性的价值。通过数据挖掘技术来对大量的综合信息数据进行预处理和筛选，来达到数据信息所能起到的最大的作用，并在神经网络技术对所创建的专业模型的应用，让人工预测和审查的被动性得到了解决，并提高了电力工程造价过程中人为因素的消极影响，而更好的保障了信息结果的有效性。
作者：刘勇华 单位：广东汇盈电力工程有限公司
参考文献
[1]欧阳子才.数据挖掘和神经网络技术的电力工程造价应用[J].中华民居，2013，18（21）：279~280.
神经网络技术范文8
只有清楚地了解电梯控制系统的运行原理才能够及时准确的诊断出电梯故障原因，因此清楚的了解电梯运行原理,每一个电梯维修人员必须要做到。电梯运行过程总体上可分为以下几个阶段：第一、登记层外召唤信号和登记内选指令阶段；第二、电梯门关闭或者电梯按照系统指令停运阶段；第三、启动阶段；第四、在到达信号记录的楼层前进行减速制动；第五、平层开门阶段。在整个过程中电梯需要从外界接收信号并处理，然后完成相应的指令或者输出信号，由此可以将电梯看作是一个完整的独立的系统，只需要外界给予相应的信号就可以自动的做出动作。电梯系统内部复杂的构件紧密的结合在一起，正是如此才使得电梯系统故障具有了复杂性、层次性、相关性以及不确定性的特点。
二、神经网络技术基本原理
生物学上的神经是由一个个简单的神经元相互连接进而形成了复杂的庞大的神经系统，同理，神经网络就是由大量简单的处理单元相互连接形成的复杂的智能系统。单独的处理单元类似于一个神经元，是一个可以接受不同信息但是只输出一种信息的结构单位。神经网络系统与生物学神经系统相似的是具有自我修改能力，它可以同时接收大量的数据并进行统一的分析处理，进而输出相应的处理结果。这就使得神经网络系统具有了高度容错性、高度并行性、自我修改性、学习性以及高度复杂性，也正是由于这些特性才使的利用神经网络技术能够及时准确的查明电梯故障原因并得出故障解决方案。电梯故障诊断中应用的神经网络模型分为三个层次：输入层、接收外部信号或者是电梯自我检测信息（如载重信息）；隐含层、对接收到了大量数据进行相应的分析处理；输出层、将记录着动作命令的数据传送出来。在电梯出现故障时，首先可以通过神经网络模型快速确定故障发生在哪一层达到节约时间的目的。但是神经网络也会因为收敛速度过于慢、训练强度太大或者是选择的网络模型不好等问题导致诊断结果受到影响。
三、神经网络模型在电梯故障诊断中的应用分类
神经网络模型已经成为了如今电梯故障诊断中应用最广泛的技术模型，相比于传统方式它具有诊断速度快、故障原因命中率高的优点，因此引起了各方面专业人士的强烈关注，并在他们的不懈努力下得到了发展与创新。它跨越多个专业领域、通过对各种复杂的高难度工作的不断的发展与改进出现了越来越多的应用模型，下面主要介绍了当前应用最普遍的BP网络模型，并且简单的引入并介绍了近年来新兴的模糊神经网络模型和遗传小波神经网络模型。
（一）BP网络模型
BP神经网络作为神经网络应用最广泛的一种，它多应用的误差反向传播算法使其在模式识别、诊断故障、图像识别以及管理系统方面具有相对先进性。基于BP网络的电梯故障诊断技术就是通过学习故障信息、诊断经验并不断训练，并将所学到的知识利用各层次之间节点上的权值从而表达出来。BP网络系统的主要诊断步骤主要可以分为三步。第一步：对输入输出的数据进行归一化处理，将数据映射到特定的区间。第二步：建立BP网络模型，训练BP网络模型。第三：通过已经训练好的网络模型对原来的样本进行全面的检测。算法步骤：a、在一定的取值范围内对数据进行初始化；b、确定输入值数值大小，计算出预期输出量；c、用实际输出的值减去上一步得到的数值；d、将上一步得到的误差分配到隐含层，从而计算出隐含层的误差；e、修正输出层的权值和阈值，修正隐含层的权值；f、修正隐含层的阈值，修正隐含层和输入层的权值。
（二）遗传小波神经网络模型
遗传算法运用了生物界的优胜劣汰、适者生存的思想对复杂问题进行优化，适用于复杂的故障，起到了优化简化问题的作用。对局部数据进行详细的分析是小波法最大的特点，所以它被誉为“数字显微镜”。遗传算法小波神经网络就是运用小波进行分解的方法分解模拟故障信号，将得到的数据进行归一化，将归一化后的数值输入到神经网络模型中。它融合了神经网络、小波分析和遗传算法三者所有的优点。基于遗传小波神经网络的电梯故障诊断的一般步骤为：测试节点信号采样、小波分解、故障特征量提取、归一化得到训练样本集、遗传算法优化、得到故障类型。遗传小波神经网络模型在故障原因复杂、数据信息量巨大的电梯系统的应用中能够发挥更大的作用。
（三）模糊神经网络模型
模糊神经网络模型就是创新性的将神经网络与模糊理论结合到一起。它采用了广义的方向推理和广义的前向推理两种推理方式。与其它两种模型不同的是，它的语言逻辑、判断依据和结论都是模糊的。但是它的数据处理能力还有自我学习能力并没有因此而变差，反而更加丰富了它的定性知识的内容。在处理实际问题的过程中，首先要建立所有可能发生的故障的完整集合，其次将所有的故障发生原因归入到同一个集合中去，最后就是建立故障和原因的关系矩阵。分别叫做模糊故障集、模糊原因集、模糊关系矩阵。相较于BP网络模型，这种模型更加的简单易行，充分发挥了神经网络和模糊逻辑的优点，不会因为故障原因过于复杂而失去诊断的准确性，在原本丰富定性知识和强大数据处理能力的基础上具有了很大的自我训练能力。
四、结语
