神经网络实验总结范文

导语：如何才能写好一篇神经网络实验总结，这就需要搜集整理更多的资料和文献，欢迎阅读由公务员之家整理的十篇范文，供你借鉴。

篇1

关键词：BP算法 训练样本 小车自动寻径

中图分类号：TP273.3 文献标识码：A 文章编号：1007-9416（2013）07-0102-02

1 引言

随着生产技术的发展和自动化程度的提高，在自动化领域中，许多复杂性操作或对人体有害的工作都由机器自动完成，为了实现这一工作，机器就必须具有智能性。

人工神经网络是由人工神经元（简称神经元）互连组成的网络，以大规模模拟并行处理为主，具有很强的鲁棒性和容错性自学习能力，是一个大规模自适应非线性动力系统；具有集体运算的能力。多层前向神经网络（BP网络）是神经网络结构形式中应用较多的自学设计方法之一。BP算法可以通过已知数据训练网络模型，应用于对未知数据的预测[3]。因此能很好的应用于小车自动寻径，使小车具有智能性。

2 BP算法神经网络

BP神经网络（Back-Propagation networks）包括三个层次：输入层、隐含层、输出层[2]。

2.1 BP算法流程简述

BP神经网络的本质是误差反向传输的多层前馈网络，BP算法的基本思想是，学习过程由信号的正向传播与误差的反向传播两个过程组成。正向传播时，先自行对权重进行初始化，输入样本从输入层传入，经各隐层逐层处理后，传向输出层，如图1为BP神经网络模型[3]，若输出层的实际输出与期望的输出（理想输出）不符，则转入误差的反向传播阶段。

2.2 隐层神经元个数的确定

一般情况下，隐层神经元个数是根据网络收敛性能的好坏来确定的，在总结大量网络结构的基础上，在单隐层神经网络中，得出以下经验公式：

其中，为输入层神经元个数，为输出层神经元个数。

3 创建BP神经网络模型

3.1 问题描述

随机的绘制一张彩色地图，地图中有各种颜色的建筑和一条贯穿的公路（白色），引入BP神经网络，使该小车具有一定的智能，可以自动地判断前方是否为公路，进而沿着公路从地图的一端走到另一端。本次实验所用的地图如图2所示（地图及小车由本人按照一定的比例用电脑的画图工具所画）：

3.2 地图及小车图片的灰度化

由于Matlab默认为rgb模式打开图片，故为了更简单的解决问题，必须对图片进行灰度处理，处理之后地图及小车分别为520*1100和20*25维矩阵。

3.3 地图及小车图片的二值化

为了BP网络更好的收敛，需对相应图片进行二值化处理，如图3所示。由于本次实验公路为白色，小车为黑色。故将地图中除公路以外的部分的像素值置为0，公路上的像素值置为255，小车的像素值置为255。

所以，在小车的“眼里”，世界是黑白的。如下图：

3.4 小车的视野

小车必须有一定的视野，可以“看到”前方的路况，否则当小车发现情况不妙准备转弯的时候就已经撞到路边了。本次实验取的小车的视野为小车前方和左右方30像素范围，这样小车可以“预感到”自己前方和左右方向上的路况，进而及早调整方向。

3.5 训练BP神经网络

训练样本作为BP网络的输入数据集，对于网络的训练具有重要的作用[4]，本文建立单隐层BP神经网络，训练样本选取为小车在地图上某个方位的对应位置的差矩阵，共20个样本，其中10个是对的样本（即小车在公路上），10个为错的样本（即小车的车体不完全在路面上）。这样输入的样本矩阵的大小即为小车图片对应的像素矩阵的大小，为20*25，故输入层神经元个数取为500。输出层只有两种情况，在公路上为对，不在公路上为错，故输出层神经元个数为2。

由式（2）可得隐层神经元的个数为42，选取误差精度10-4，初始学习速率0.5，初始权值为（-1，1）区间内随机值。

经过245次训练以后，总体期望误差达到了给定范围，网络训练过程中的误差变化曲线[15]如图4所示。

4 实验结果

所有算法均在MATLAB R2009a中运行，微机配置为Core Processor 4000+2.10GHz，内存为2G。

用前面选出的训练样本对BP神经网络进行训练，训练之后小车即具有了一定的智能，可以识别前方和左右方的路况，实验结果表明，小车可以很好的沿着公路从地图的一侧行驶到另一侧。

5 结论

通过对BP神经网络训练后，小车可以正确地沿着公路地图的一侧行驶到另一侧，说明BP神经网络可以很好地应用于路径识别和自动驾驶领域。

参考文献

[1] 杨国才，王建峰，王玉昆.基于Web的远程自学型教学系统的设计与实现[J].计算机应用， 2000，20（4）：61-63.

[2] 安淑芝.数据仓库与数据挖掘[M].北京：清华大学出版社， 2005：100-101.

[3] 蔡自兴，徐光佑.人工智能及其应用[M].北京：清华大学出版社， 2003.

篇2

【关键词】深度学习 卷积神经网络 权值共享 下采样 R-CNN Fast-R-CNN

1 绪论

随着电子信息技术的快速发展，芯片的设计与生产进入了纳米时代，计算机的计算能力与计算速度得到了空前的提高，但是人们的需求是无限的，要求计算机能更加任性化的服务于我们的生活，这也就要求计算机本身能像人一样识别与感知周围的环境，并对复杂的环境做出正确的判断。而图片信息是我们周围环境最直观的，最容易获取的信息，要求计算机能对为的环境做出识别与判断也就要求计算机能够智能的识别图像信息。深度学习是机器学习中的一个新的研究领域。通过深度学习的方法构建深度网络来抽取目标特征进而识别周围的环境。卷积神经网络对图像的处理具有平移，旋转，扭曲不变的优良特性。在处理图像是更加快捷和便利。卷积神经网络使得计算机在感知识别周围环境的能力有了巨大的提升，使得计算机更加智能。卷积神经网络拥有强大的特征提取能力，使得其在图像分类识别，目标跟踪等领域有着强大的运用。

1.1 国内外研究现状

1986年，Rumelhart和Mc Celland提出BP算法。BP算法反向传导神经网络输出误差进行训练神经网络。通过BP算法，神经网络能够从大量训练数据中的学习到相关统计信息，学习到的数据统计信息能够反映关于输入-输出数据模型的函数映射关系。

自2006年以来，Geoffery Hinton教授提出深度信念网络。从此深度学习在学术界持续升温。深度学习不仅改变着传统的机器学习方法，也影响着我们对人类感知的理解，迄今已在语音识别和图像理解等应用领域引起了突破性的变革。各种相关的算法和模型都取得了重要的突破，使得深度学习在图像分类，语音识别，自然语言处理等领域有广泛的运用。

2013年百度成立百度深度学习研究院以来我国的人工智能领域取得了长足的进步。在人工智能专家吴恩达的带领下，百度陆续推出一系列人工智能产品，无人驾驶技术，DuerOS语音交互计算平台，人脸识别技术，美乐医等优秀产品。此外Imagenet图像识别大赛中也诞生了一系列经典的神经网络结构，VGG，Fast-R-CNN，SPP-net等等，可以说人工智能技术在近几年得到了空前的发展。

2 深度学习概述

深度学习是机器学习的一个新方向，通过学习样本数据内在规律和深层特征深度，深度学习神经网络能够像人一样有分析和学的能力，尤其在文字处理，图像识别，语音等领域更加突出。能够自主学习一些新的东西。目前深度学习使用的典型技术是通过特征表达和分类器来进行目标识别等任务的。并在语音识别、图像处理、机器翻译等领域取得很多成果。

深度学习不同于以往的浅层学习，浅层学习模型值包含一个隐藏层，或者不存在隐藏层，深度学习则是由很多隐藏层组成的，上一层的输出作为下一层的输入，实验对输入信息进行分级表达。目前深度学习框架主要包含三种深度学习框架，如图1、2、3所示。

3 卷积神经网络

卷积神经网络的结构层次比传统的神经网络复杂，卷积神经网络包含大量的隐藏层，相邻的卷积核或者下采样核采用局部感受野全链接，神经元权值共享的规则，因此卷积神经网络训练参数的数量远比传统神经网络少，卷积神经网络在训练和前向测试的复杂度大幅度降低，同时也减少了神经网络训练参数过拟合的几率。卷积神经网络主要有两部分，分别是卷积核和下采样核。卷积核主要对上一层的图像进行卷积运算，提取图像特征，下采样核则是对上层的数据进行将为处理，减少神经网络的复杂度。

卷积神经网络中每一个神经元的输入与前一层的局部感受野相连，提取局部感受野的特征，比如图像的轮廓，颜色等特征，而这些特征不仅包括传统人类能理解的特征，也包括神经网络自身能够识别的特征，卷积核全职共享，因此这些特征提取与图像的位置无关。

图4是经典的LeNet5卷积神经网络架构，LeNet5架构中卷积核和下采样核交替出现，下采样核及时的将卷积核生成的特征向量进行降维，减少神经网络的运算量。LeNet5算法在1962年幼Hubel等人提出，在识别手写数字mnist中有极高的准确率。

4 R-CNN、Fast-R-CNN对比分析

卷积神经网络在对图像进行识别具有平移，旋转，扭曲不变的优良特性，并且能够实现高准确率识别图像，但是在现实生活运用中往往需要神经网络标记出目标的相对位置，这是传统卷积神经网络不具备的功能。因此在前人传统卷积神经网路基础上对卷积神经网络进行改进，产生了具有对图像中目标进行识别和定位的卷积神经网络R-CNN，Fast-R-CNN等改良算法。

4.1 R-CNN

R-CNN为Region Convoluntional Neural Network的缩写即对图像进行局部区域的卷积处理，其核心思想主要是利用候选区图像对物体探测中位置信息进行精确处理和利用监督式预训练和区域特殊化的微调方法，代替了传统的非监督式预训练和监督式微调。

在CNN中，全连接层输入是固定大小的，因此R-CNN用计算机视觉算法将每一张图片分割成1000-2000张的候选区图片后，要将这些候选区图片进行变换，生成固定大小的候选图片，在训练提取特征时一般采用经过预训练的模型参数进行finetuning，榱嗽黾友盗费本，模型在也将生成的候选框以及标定的标签作为训练样本进行训练。R-CNN采用SVMs分类器对特征向量进行分类，在训练SVMs时将候选框经过卷积神经网络提取的特征和SVM标定结果输入到SVMs分类器训练分类器模型。而在测试时将图像全部候选框经过卷积神经网络提取的特征输入到SVMs分类器中，得到每一类的评分结果。但是R-CNN在处理一张图片是要处理需要对一张图片1000-2000个候选区图像进行前向运算，保存所有后选取图片的特征值，要求计算硬件有大量的存储空间，同时处理每一张图片的时间也会增加。由于训练集庞大，本文采用hard negative mining method方法提高存储的利用率。

R-CNN的体现出了极大的优势，其中MAP也可以大幅度提高，但是正如本文上述，R-CNN计算的时间成本很大，达不到实时的计算效果，R-CNN在对候选区进行处理时会使得图像失真，部分信息丢失。

4.2 Fast-R-CNN

Fast-R-CNN则是再次改进的一种基于卷积神经网络目标跟踪定位算法。相比于R-CNN，Fast-R-CNN从单输入变为双输入，在全连接层后有了两个输出，引入了Rol层。

Fast-R-CNN在运行的时候同样会生成大量的候选区，同时将原始的图片用卷积神经网络进行特征提取，将原始图片提取的特征与生成的候选区坐标送入Rol层为每一个候选区生成一个固定大小的特征向量。最后将Rol生成的特征向量全连接层产生最终的LOSS。Fast-R-CNN中的LOSS采用多LOSS模式，SoftMax LOSS用于计算K+1分类的损失，K为第K个目标，1为背景；Regression LOSS计算候选区的四个角的坐标。

Fast-R-CNN在MAP上有了大幅度的提升，速度也得到了提升，但是在计算候选区是仍存在瓶颈，这也是限制Fast-R-CNN速度的因素。

5 实验测试

对于本文提出的卷积神经网络识别图像定位图像目标算法R-CNN，Fast-R-CNN，在本章给出实验结果。实验平台为基于Linux系统的debian8下运行caffe进行训练，采用显卡K620进行实验。

训练模型初始化参数在是服从高斯随机分布，R-CNN采用的网络结构如图7所示，Fast-R-CNN的网络结构如图8所示。

本次实现的训练样本为录制实验室视频数据，将视频数据转换成帧图片，对每张图片数据进行裁剪，裁剪后图像大小在256*256，共有500张，再将裁剪后的图片进行旋转，平移，扭曲，镜像，加噪声等处理，最后生成144万张样本图片，其中136.8万张图片作为训练样本，7.2万张作为测试样本。

6 总结

在目标识别定位领域，卷积神经网络具有强大的图像处理能力，对图像的识别定位具有很高度平移，旋转，扭曲不变形的优良性能。卷积神经网络架构R-CNN和Fast-R-CNN都有强大的图像处理能力。Fast-R-CNN在识别准确率上比R-CNN高。R-CNN算法复杂，对一张图片需要进行1000-2000次的卷积运算，特征重复提取。因此在训练和前向测试时，R-CNN用的时间长，不能很好的适用于处理实时图片数据，尤其视频数据。R-CNN在对每个候选区进行特征提取之后需要将提取的特征向量存入内存，降低训练测试时间的同时也需要耗费大量内存。因此从各方面分析可知，Fast-R-CNN性能优于R-CNN。

参考文献

[1]谢宝剑.基于卷积神经网络图像分类方法研究[D].合肥工业大学，2015.

[2]郑胤，陈权崎，章毓晋.深度学习及其在目标和行为识别中的新进展[J].中国图象图形学报，2014（02）：175-184.

[3]陈先昌.基于卷积神经网络的深度学习算法与运用研究[D].杭州：浙江工商大学，2006（04）：603-617.

[4]李彦冬，郝宗波，雷航等.卷积神经网络研究综述[J].计算机应用，2016.

[5]Gibson.J J.The perception of the Visual World[J].Cambridge，England，1950.

[6]HORN B，SCHUNCK P.Determining optical flow[J].Artificial Intelligence， 1981，17：185-203.

[7]R.Girshick，J.Donahue，T. Darrell，and J.Malik，“Rich feature hierarchies for accurate object detection and semantic segmentation，”in CVPR，2014

[8]Ross Girshick，Wicrosoft Research. Fast R-CNN，.

[9]R.Girshick.Fast R-CNN. arXiv：1504.08083，2015.

篇3

1.1人工神经网络基本原理

人工神经网络是一个并行的分布式数据处理与决策系统，将人工神经网络理论应用到故障诊断当中，不仅能够提高诊断的数据处理速度和诊断精度，而且还能够按照人们的设定对特定工作环境进行学习，具有良好的环境适应能力。人工神经网络的模型时模拟人类的大脑结构和工作原理进行信息处理的，其基本单元是神经元其中，wi表示每个输入xi所占的权重，当wi为正数时表示该输入xi对神经元产生激励，为负数时代表该输入对神经元产生抑制。其中f(x)是一个非线性函数，可以是阈值函数或者Sigmoid函数中的一种，标准的BP神经网络由输入层、隐含层和输出层三层神经元结构构成，其结构如图3所示。BP神经网络通过输出层神经元的逐层向前传播，以将输出误差“分摊”隐含层和输入层的每个神经元，进而得到各个层单元的参考误差和相应的权值，最终使误差加权值能够满足系统的误差要求。

1.2决策树

决策树是从一些杂乱无章的数据中通过层层归纳总结，得到最终决策结果的过程，它的结构是自上而下的，在每一个节点处都要进行属性判断，每一个分支表示数据流的通路，每个分支的终点表示决策的一类属性。决策树的基本结构如图4所示。

2故障诊断系统设计

故障诊断系统将人工神经网络技术应用到专家系统，使系统具有了良好的学习功能，能够很好的适应矿井下复杂的工作环境，实现对采矿机械系统故障准确诊断的目的。

2.1建立训练样本

实验以河南平顶山煤矿的一款煤炭采掘机作为实验对象，首先对其正常的工作状态进行监测分析，然后分别对机头和电机底座的螺丝进行人为的松动，对系统的主轴和各个齿轮进行人为不同程度的破坏，建立训练集，对系统进行训练。

2.2预测模型的建立

该系统采用CC55号测振动点和振动强度分别为150dB、160dB、170dB、180dB、190dB、200dB、210dB、220dB作为人工神经网络的输入层，输出层包含一个神经单元，用于表示CC55号振动点的故障位置，中间层选择16个神经元对输出误差进行平摊，尽可能减小输出层的输出误差，最后利用判决树的结构对预测结果进行定性判决，最终输出故障原因预测结果。

2.3预测结果与分析

试验中通过多次实验对比，选定人工神经网络的最大迭代次数为2万次，学习精度为0.005，在WIN7系统上运行MATLAB2011建立煤矿采掘机的BP人工神经网络预测模型，并首先利用150～220dB的振动强度对模型进行训练，然后分别对各个部位的小故障进行预测分析。以采煤机的常见故障主轴轴承损坏为例进行说明，主轴轴承损坏会加大一部分波段的振动强度，如图5所示，该振动强度区域比较密集地分布在一个区域中，采用BP人工网络3级处理的方法能够高效且尽可能多地将该区域覆盖，具有良好的效果。BP神经网络预测误差与训练迭代次数的关系曲线如图6所示，由图6中可以看出，当训练次数达到6000次时，模型的预测误差远远小于0.005，达到了预期迭代20000次。

3结果与讨论

1)由于人工神经网络具有很好的自组织和广泛的学习能力，在得到充分的学习和训练后，网络能够达到很高的精度，且具有很好的收敛性，因此在煤矿井下机械设备故障诊断中可以通过建立BP－人工神经网络预测模型对机械设备的故障进行监测。

篇4

【关键词】测试 GRNN类神经网络 应用 探讨

1 类人工神经网络特性

类人工神经网络技术（Artificial Neural Networks）是近年发展起来的一个新的研究领域，反映了人脑功能的若干基本特性，从而使计算机能够模仿人的大脑，具有较强的形象思维能力。

我们目前应用的神经网络多是模糊神经网络，即神经网络与模糊系统的结合，此方法既改进了原有的测试系统的实时性能，又使神经网络学习得到了指导，有利于收敛。但是，此方法单纯地强调了无模型的冗余式学习和模拟，必然造成对计量对象以及计量目标本身的忽略。所以，我们开始尝试使用多层反馈式神经网络，即本文要探讨的GRNN（Generlized Regnssion Neurl Network）神经网络。通过上面的介绍我们可以总结出类人工神经网络具有以下优点非线性映射逼近能力；

（1）对信息的并行分布处理能力；

（2）高强的容错能力；

（3）对学习结果的泛化和自适应能力；

（4）很强的信息综合能力；

（5）信息的优化计算能力；

（6） 便于集成实现和计算模拟

2 建议在石油领域应用类人工神经网络于产量预测

由于上述类神经网络的优点，我们可以知道可以通过监督学习的方法，将专家的故障分析经验传递给神经网络，或用神经网络来建立参数观测系统，从而避免了数学建模的困难，同时，诊断信息还能被用于系统的容错控制。我们利用三层GRNN神经网络来训练网络，可以根据输入到网络的一些样本提供一套权重来进行石油领域的一些预测，在网络训练之后，可以将任何新输入的资料划分为有效产能或无效产能。

虽然神经网络作为一种分类工具似乎比其他方法较具吸引力，在石油领域解决实际问题的应用到目前为止还不多。神经网络（ANN）人工智能方法能处理一系列的信息输入如比率等，并能产生相应的输出，而其运算分析能生成一个成功反映所有输入输出变量相应关系的模式。除此之外，神经网络并不依赖于变量之间必须线性相关或是相互独立的假设。变量之间存有微妙联系，如同数据不连续或不完全一样，均可被系统辨识并生成定性评估。简而言之，除了部分不明确的结果之外，神经网络能够在相似点和类似点方面给出有根据的结论，在很大程度上，神经网络方法在油井的判别上有相似的

作用。

3 GRNN类神经网络模型数学模型及计算

3.1 GRNN类神经网络模型数学模型

GRNN（Generlized Regnssion Neurl

Network）是径向基函数神经网络的一种，主要用于函数逼近。GRNN 网络为含1个输入层、1个隐层和1个输出层的3层结构神经网络。隐层传递函数为径向基函数Radbas，输出层为线性函数Purelin：Radbs（x）=exp（-x2），Purelin（x）=x，GRNN网络设置隐层的权重W1为：W1=P’式中为P’输入向量P的转置矩阵：隐层的偏差b1为：b1 =0.8326/ spread

式中spread为径向基函数的展形。输出层的权重W2=T，T为目标向量。

模型设计输入变量为油井的平均压力和平均气温，输出变量为油井的月平均流量。为防止部分神经元达到过饱和，提高网络收敛程度和计算速度，对原始资料应做标准化处理。

3.2 GRNN类神经网络模型数学计算

测试实验目的是了解新的井身结构及管柱所允许的单井产能，并尽可能求取最大产量。设计采用6个油嘴进行回压法测试。回压测试结束后用21.57mm油嘴测试，日产油300.44×104m3，预测生产压差6.056MPa。井下入四支高精度PPC型存储式井下电子压力温度计同时测试。采用MCALLSTER型的直读式电子井下压力温度计，取得了较好效果。

井筒中的动力异常是造成压力异常的主要原因。分隔器密封不严、节流影响、井筒积液、温度变化都会造成井筒中的动力异常。采用变井筒温度模型井的试井数据进行了校正，校正后的平均地层压力上升了约1.2MPa，压力恢复曲线也呈上升趋势。从图1中看出GRNN模拟效果极好，验证结果也基本令人满意。

4 结论和展望

4.1 结论

大庆油田由于多年开采，井下地质条件复杂，使用神经网络模型（如GRNN和BP神经网络）进行监测效果分析，可获得比较好的结果；

在储层四性特征及其四特性关系研究的基础上，以岩心分析数据为标定，测井为工具，GRNN神经网络为方法，基本可以实现储层物性参数的精确预测，且比常规数理方法具有较高的精度，显示出BP神经网络在储层参数预测中具有较为广阔的应用前景。

多层反馈式神经网络具有特定的标准结构和非线性收敛特性。在求解具体问题时，只要把具体确定的能量函数与标准能量函数相对应，就能确定相应的神经网络参数。在合适的能量函数指导下，根据计量目标设计基于反馈式神经网络的系统结构和动态参数，并将基于此网络的参数辩识和计量结合起来，使其具有更强的自适应性。

4.2 展望

（1）如何在矢量控制的框架下补偿参数随时间常数的变化对计量性能带来的影响，是一个重要的研究课题，也是我们以往研究结果的基础上进一步努力的方向；

（2）GRNN神经网络的优越特性必然能在其它的石油领域中得到更广泛的应用，关于此项的研究任务是一项长期的任务。

参考文献

篇5

【关键词】PID控制;BP神经网络;模糊PID控制

Abstruct：PID control are widely used in industrial process control，but the traditional PID control because of its control parameters are fixed，and it is difficult to adjust its parameters online.So this paper studies a new adaptive fuzzy PID control method，to solve problem without the ability to learn，and put forward a kind of adaptive fuzzy control method based on BP neural network in this paper.It is the effective combination of fuzzy control，neural network and PID control.Simulation results show that this fuzzy PID control method based on BP neural network has good control effect.

Keywords：PID control;BP neural network;Fuzzy PID control

1.引言

常规PID在控制领域被广泛应用，利用数学算法来整定参数。而且随着控制系统的复杂，被控对象很难建立数学模型，人们开始探索新的控制方式。模糊控制不要求掌握被控对象的精确的数学模型，根据人工控制规则组织控制决策表，然后由该表决定控制量的大小。在一般的模糊系统设计中，规则是由经验丰富的专业人员以语言的方式表达出来的。但对于某些问题即使是很有经验的专业人员也很难将他们的经验总结、归纳为一些比较明确而简化的规则。在这种情况下，就可以应用神经网络的方法，依靠BP神经网络的自学习功能，实现模糊控制的神经、模糊融合技术，并借助其并行分布的结构来估计输入到输出的映射关系，直接从原始的工作数据中归纳出若干控制规则。从而为模糊系统建立起行之有效的决策规则。

2.PID控制器原理

2.1 PID控制的微分方程

PID控制器是一种线性控制器，它将给定值r（t）与实际输出值c（t）的偏差的比例（p）、积分（I）、微分（D）通过线性组合构成控制量，对控制对象进行控制。

式中：

2.2 PID控制器各环节的作用

（1）比例环节：及时成比例地反应控制系统的偏差信号e（t），偏差一旦产生，控制器立即产生控制作用以减小偏差。

（2）积分环节：积分作用会使系统稳定性下降，Kd大会使系统不稳定，但能消除静态误差。

（3）微分环节：能反应偏差信号的变化趋势，并能在偏差信号值变得太大之前，在系统中引入一个早期修正信号，从而加快系统的动作速度，减小调节时间。Kd偏大时，超调较大，调节时间短;Kd偏小时，超调量也较大，调节时间长;只有Kd合适时才能超调小，时间短。

3.BP神经网络与模糊控制

模糊控制是运用语言归纳操作人员的控制策略，运用变量和模糊集合理论形成控制算法的一种控制。如何让机器像人一样识别、理解模糊规则并进行模糊逻辑推理，最终得出新的结论并实现自动控制是模糊控制研究的主要内容。模糊控制器的基本结构如图1所示。

图1 模糊控制结构

人工神经网络是由大量人工神经元经广泛互连二组成的，它可用来模拟脑神经系统的结构和功能。人工神经网络可以看成是以人工神经元为节点，用有向加权弧连接起来的有向图。BP网络是一种利用误差反向传播训练算法的神经网络，是一种有隐含层的多层前馈网络，系统地解决了多层网络中隐含单元连接权的学习问题。BP学习算法的基本原理是梯度最速下降法，它的中心思想是调整权值使网络总误差最小。也就是采用梯度搜索技术，以期使网络的实际输出值与期望输出值的误差均方值为最小。网络学习过程是一种误差边向后传播边修正权系数的过程。其结构如图2所示。

图2中隐含层第一层神经元为7个，分别对应7个模糊子集：NB、NM、NS、ZO、PS、PM、PB。第二层49个神经元代表49条规则。第三层7个神经元代表输出的7个模糊子集。模糊控制不依靠对象的数学模型，但模糊规则的建立需要人工经验。采用BP算法对工程经验和专家经验的模糊规则进行训练，其实就是把模糊规则用神经网络来表示，即经过神经网络的学习，将模糊规则以加权系数的形式表现出来，规则的生成就转化为加权系数的确定和修改。

神经网络是大规模并行运算，但由于网络结构复杂，训练和学习需要大量的时间，所以目前还无法实现实时控制。在具体应用中，我们是先离线将神经网络的各层权值和阈值训练出来，将其参数固定下来，然后将有系统检测、计算得到的误差变化直接代入非线性映射关系中，由计算机算出控制量，再用作被控对象。在matlab下以、、为输出的BP网络仿真训练如图3、图4、图5所示。

4.模糊PID控制器的原理与仿真

对于某一BP神经网络控制系统，其中内部变化及被控对象的数学模型为：

利用模糊控制对PID参数实现在线调节，原理如图6。

图6 模糊PID控制原理图

采用Z-N法和试凑法相结合，借助MATLAB的SIMULINK平台，对被控对象进行常规PID仿真。参数值：kp=15，ki=6，kd=0.05。如图7。作为比较，建立模糊PID控制器的仿真模型如图8。

图9、图10分别为被控对象G（s）在阶跃输入下常规PID和模糊PID仿真结果的比较。

经过仿真发现，常规PID控制缺点是超调量大，调节时间长，动态性能差。优点是控制精度高，稳定性能好。模糊控制动态性能很好，上升速度快，基本无超调。但由于模糊化所造成的稳态误差，在没有积分环节的情况下很难消除，故稳态性能差。模糊PID继承了二者的优点，摒弃二者缺点，具有更全面优良的控制性能。

5.结论

针对大滞后、慢时变、非线性的复杂系统，提出了一种基于BP神经网络的模糊PID控制算法，该算法不依赖被控对象的精确数学模型，可实现在线自调整模糊规则，从而增强了模糊控制器的自学习能力。通过算法的仿真研究，验证了算法的可行性。

参考文献

[1]李华.计算机控制系统[M].北京：机械工业出版社，2007.

[2]高隽.人工神经网络原理及仿真实例[M].北京：机械工业出版社，2007.

[3]蔡自兴.智能控制[M].北京：电子工业出版社，2003.

[4]李国勇.智能控制及其MATLAB实现[M].北京：电子工业出版社，2005.

[5]张德丰.MATLAB神经网络应用设计[M].北京：机械工业出版社，2009.

[6]刘金琨.先进PID控制及其MATLAB仿真[M].北京：电子工业出版社，2003.

[7]刘玲.三容水箱的单神经元自适应PID控制研究[J].信息技术，2005，3（8）：32-137.

篇6

关键词：瓦斯突出；微粒群算法；RBF神经网络；MATLAB

中国分类号: TP183；文献标识码: A

前言

瓦斯突出的产生机理和预测过程比较复杂， RBF神经网络在瓦斯突出预测中起到了很重要的作用。煤矿瓦斯突出的影响指标很多，并且各个指标与瓦斯突出之间的关系为非线性的关系，因此要求RBF神经网络具有很好的非线性逼近能力。

RBF神经网络是以函数逼近理论为基础构造的一类前向网络，网络结构自适应确定，输入与初始值无关，结构简单，训练简洁，能够逼近任意非线性函数，而且在逼近能力、分类能力和学习速度方面均优于BP网络。RBF神经网络网络的设计包括三部分：神经元功能函数的设计，神经元之间的连接形式的确定以及网络训练方式的确定。在这三部分中隐单元RBF的设计是比较重要的。RBF函数是一种局部分布的对中心点径向对称的非负非线性函数。但是在神经元功能函数的设计中，RBF功能函数的中心ci的确定有很大的难度。

通常使用随机选取固定中心法，中心的自组织选择法等，但是由于这些学习训练方法的局限性，通过这些方法得到的神经网络适用性和泛化能力比较差，不能满足瓦斯突出预测的要求。本文利用微粒群算法来计算出通过学习训练得到的RBF神经网络的隐单元RBF的中心ci的适应度的方法来确定最后的隐单元RBF的中心ci，并且不断的在以后的实践应用中更新学习训练所用的数据库，系统根据数据库的变化，可以优化原有的隐单元RBF的中心ci ，提高了神经网络的逼近能力，有效的客服了RBF神经网络局部最优的缺点。

1、微粒群算法

1.1基本微粒群算法

微粒群算法（particle swarm optimization，PSO）是1995年由美国社会心理学家J.Kennedy和电气工程师R.Heppner共同提出的，其基本思想是受鸟类群体行为研究结果的启发，并利用了生物学家F.Heppner的生物群体模型[2]。算法原理如下：

微粒群算法主要是使用微粒的适应度大小进行寻找全局最优和优化参数。他将种群中的每个个体看作是N维空间的一个没有质量和体积的微粒，并且在搜索空间以一定的速度飞行，在飞行过程中不断根据环境的改变来改变自身的速度和方向，直到找到适应度最好的位置。假设Xi=（xa1，xa2，xa3，……xan为微粒i的当前位置，Vi=（va1，va2，va3，…… van）代表微粒当前的飞行速度，Pi=（pa1，pa2，pa3，……pan）表示微粒经历的适应度最好的位置，这是局部最优位置。

当f(xi(a+1))≥f(Pi(a)) 时Pi(a+1)= Pi(a)

当f(xi(a+1) ＜f(P(a)) 时Pi(a+1)= Xi(a+1) 所以全局最优位置P（a）=min{f(P0(a) ，P1(a)……Pn(a)}。同时可以得出进化方程为：vij (t+1)=vij (t)+c1v1j(t)[pij (t)-xij (t)]+c2r2j(t)[pgj (t)-xij (t)]

为了更好的确定和优化RBF的中心ci，计算每个数据库得到的中心ci的均方误差，计算出每个中心ci的适应度：

E（Xp）=[Yk,p(Xp)-tk,p]

有适应度来确定的适应度函数如下：

f(x)=

1.2带惯性权重的微粒群算法

在全局搜索过程中，搜索能力和收敛速度是相对立的，如果搜索能力高了，收敛速度就会相对变慢，为了解决这一问题，在速度进化方程中引用了惯性权重，具体公式如下：

vij(t+1)=wvij(t)+c1v1j(t)[pij(t)-xij(t)]+c2r2j(t)[pgj(t)-xij(t)] 式中w称为惯性权重。

在全局搜索利过程中，惯性权重w可以根据要求按照一定趋势改变，这样就既能保证搜索能力又能加快收敛速度。

2、RBF神经网络

人工神经网络是对人类大脑系统一阶特性的一种描述，有类似人的神经元的处理单元通过各种连接方式连接起来构成，整个网络同时具有一个或是多个的输入和输出，能够对信息进行并行和分布处理。人工神经网络主要包括三方面的内容：激活函数，神经元之间的连接形式，网络的学习或者是训练。

激活函数为径向基函数（RBF）的神经网络为RBF神经网络，RBF神经网络是一个单隐层的三层前馈网络，分别为输入层，隐含层，输出层。隐含层的传递函数为radbas。径向基网络结构如图1所示。实验已经证明：径向基网络能够以任意精度逼近任意连续函数。每个RBF的节点有一个“参考”输入x*i,f是输入与“参考”输入的距离d(x*i,xi )的函数，函数中的距离有节点输出y =f(d(x*i,xi ))来计算。

RBF神经网络的学习主要有两种：中心自组织选择法和中心的监督选择发。中心的自组织选择法是一种无导师，也称非监督学习，是对所有的输入进行聚类，求得各隐单元RBF的中心ci。中心的监督选择法是一种有导师的学习，也称为监督学习算法。主要是通过一个有导师或是有监督的学习过程来确定隐单元RBF的中心ci。

3、RBF神经网络隐单元RBF的中心ci 的确定和优化的过程

本文利用普通的学习训练法和带惯性权重的微粒群算法相结合的方法来进行RBF神经网络隐单元RBF的中心ci的确定和优化。具体过程如图1所示。

（1）用一定数量的与瓦斯突出有关信息组成一个数据库，并且将这个数据库分为若干个子数据库.使用这些子数据库分别对RBF神经网络进行训练，得到隐单元RBF的中心c1,c2,c3……。

（2）将上面得到的若干个隐单元RBF的中心作为一个个体（微粒），有这些个体组成一个种群，其中每个个体代表先前计算出的一个隐单元RBF的中心。初始化Gbest和Lbest。

（3）使用带惯性权重的微粒群算法来确定最后的隐单元中心，通过计算每个微粒适应度来确定中心ci，然后通过适应度函数来优化中心ci，最后形成RBF神经网络。

（4）把井下测得的数据作为输入，来进行瓦斯突出预测，并且把井下的信息和预测结果，作为下次更新数据库和优化隐单元中心的依据。

（5）每进行一次预测，数据库的信息就根据实际情况和预测结果进行一次更新，根据更新的数据库，对得到的隐单元中心进行优化，提高了系统的适应能力和自学习能力。

4、带惯性权重的微粒群算法的Matlab程序设计和瓦斯突出预测

使用Matlab进行程序时所用到的函数如下：

PSO：主函数，用于调用微粒群算法。

DrawSwarm：绘图函数，主要用来反映每个微粒的进化过程。

psoOption：参数显示函数，主要用于显示带惯性权重的微粒群算法的参数设置情况。

使用多个函数形成函数模块，实现对隐单元RBF的中心ci的确定和优化。带惯性权重的微粒群算法进行确定和优化神经网络隐单元RBF的中心ci的函数模块为：[fxmin,xmin,Swarm,history]=pso(input,psoOptions);

选取一定量的信息形成数据库，然后随机的划分为若干个子数据库，通过学习训练来产生一些中心c1,c2,c3……，然后再组成种群，利用函数模块来确定和优化RBF的中心。具体实验数据如下表1所示：

利用Matlab运行该函数模块来确定和优化RBF神经网络时，算法程序运行时出现的最优适应度值随着迭代次数的变化如图2所示。

当函数模块算法程序运行时出现的适应度值满足要求时，说明此时的ci的最优化完成，可以来确定RBF神经网络。

把上面经过优化神经网络来进行瓦斯突出预测，需要预测的样本数据如下表2所示：

其中运行结果用1表示安全，-1表示突出。

运用MATLAB对样本数据进行测试，测试代码如下：

pl=[0.809.011.530.2 ]；

p2=[0.153.51.27.3]：

y1=sim(net，p1) ；

y2=sim(net，p2) ；

最后预测结果是y1=-0.9908，y2=1.005；

可见该系统能够准确的预测出瓦斯突出。

总结

使用RBF神经网络来进行瓦斯突出预测比其他方式的预测具有很好的效果，但是由于煤矿的环境比较特殊，瓦斯突出产生的机理比较复杂，并且不同煤矿的影响瓦斯突出的因素也不相同，所以要求神经网络具有很好的适应性和自学习能力。但是RBF神经网络的隐单元RBF的中心ci的确定是基于数据空间局部的信息，很难都到全局最优，严重影响了RBF神经网络的适应性和自学习能力。本文利用带惯性权重的微粒群算法来确定和优化RBF神经网络，惯性权重w能起到保证全局最优和局部搜索能力的平衡的作用，能够在保证全局最优的前提下，提高搜索全局最优的速度，提高了预测的准确度。

参考文献

篇7

中图分类号：TP3文献标识码：A 文章编号：1007-9416（2012）04-0000-00

交通流量预测是现在研究智能交通系统的热门研究课题，通过交通流量预测方法对相关数据进行建模，预测未来交通流量，进一步更好地制定忙时交通分流预案，配备合适的运营资源。因此我们在本文分析了现在流行的交通流量预测的发展方向及进展。具体介绍了交通流量预测的相关模型，并对这些模型进行了讨论，验证数据挖掘技术在高速公路流量监测上应用的可行性。。

现有的短时交通流量预测方法大致可以分为以下两大类：第一类是以数理统计和微积分等传统数学和物理方法为基础的，它主要包括早期的历史平均模型，自回归滑动平均模型(ARMA)，以及后来研究的更复杂、更精度的多元回归模型，Kalman滤波模型，ARIMA模型等；第二类是无数学模型的预测方法，它需要自己建立新的算法来实现，主要方法有非参数回归，谱分析法，基于小波理论的方法，神经网络等。

BP神经网络模型把一组样本的I/O的输入输出问题转化一个非线性优化的问题，它实际是优化中最普通的梯度下降法。假如把这种神经网络的看作是从输入层到输出层的映射，则这个映射是一个高度非线性得关系。

设计一个神经网络模型其重点在于模型网络的构成以及学习算法的取向问题。总体来看，结构是根据所研究领域以及所要解决的实际问题所决定的。通过对其所研究的问题的大量历史资料数据的研究以及当前对神经网络理论发展水平，建立适当的网络模型，并针对所选的网络模型采用适合这种模型的学习算法，在整个网络学习过程中，要不断地调整网络从而调整其相应的参数，直到输出精确的结果，达到预测的目的。

BP神经网络模型的预测步骤为：

首先是要对训练样本进行选取和预处理。根据研究状况以及目标，选取合适的训练样本和检验样本，由于BP神经网络各层转换函数以及学习规则是不同的，所以在输入样本之前要对输入的样本作一下预处理；然后再去确定建造BP网络的结构，这包括变量的选取，隐层和隐层节点数的选取等问题；把输入样本输入到BP神经网络模型中，再进行仿真训练，最后预测出该网络的输出值，再拿该期望值与实际输出进行比较，根据误差去反复的修改误差，从而改变权值以及阈值，直到误差一个可接受的范围，完了再用检验样本进行对比，判断结果；然后对结果进行比较分析，最后认可该网络模型的算法，就可以对未来交通流量进行精确地预测了。

BP神经网络设计大致可以包含以下几个部分：首先是对模型的建立、数据采集并且预处理，然后对输入到模型特征向量的数据进行预测、通过预测的数值去判断是否符合实际数值等。该模型网络的建立是整个系统是否成功的关键，本文的设计也是神经网络的一个应用，只要选择的数据完备、可靠、准确，就有可能得到符合预测的网络模型。数据的采取需要有实时的数据采集系统。事实上预处理的过程要求根据数据的实际情况进行预处理，我们的文章的数据都是来自高速公路监控部门，故具有完备的、一致的，因此要首先要对其进行数据变换。对于系统的输出数值是否满足实际数值，只要将其所得到的预测值和数学期望值进行比较，所得的数值满足在数学期望值的附近(一般误差在10％以下，该系统设计是成功的)且其误差值小于预先设定的误差值时，就可以认为该系统可以成功预测高速公路交通流量，可以先把它记下来；反之，认为将得不到合适的数值，需要不断的改变权值。

对输入到网络模型特征向量数据进行预测是我所研究的重点，这第一步首先是需要建立合适的网络模型，首先将对应的高速公路交通流量的特征向量数据预处理后，输入到网络进行训练，仿真训练结束后，用检验样本的特征向量进行检验，然后用最后一组数据对该模型测试，分析其模型的实际是否有效，判断其是否是符合实际交通流量预测的模型，那么此系统就可以进入到实际的预测阶段。综上所述，只要特征向量的数值的选择较为合适，就有可能建立起较为合适的模型，可以用此来对高速公路交通流量进行预测。所以，BP神经网络作用于高速公路交通流量的预测中是可行的并且是可靠地。

在相同的结构的网络中，因为BP算法它本身存在多个局部的极小点，所以要不断的改变赋予网络连接权值以此来求得相应的网络极小点，从而通过比较这些极小点的网络误差，然后再确定整个网络结构的极小点，以此得到适合该网络的合适权值。在该网络中，神经网络的训练的过程事实上是求该网络结构的极小点的问题，所以，在全局极小点领域内，各个网络连接权值之间存在着巨大的差异，也会导致各个神经元的重要性发生相应的变化。当在不满足隐含层节点数的条件时，也可以求得该网络模型的训练样本误差很小的极小点值，同时该检验样本的误差也许比该值要大许多；如果网络的初值改变了，相应的网络计算出的结果会发生很大的改变。

篇8

1计算机神经网络体系

人们为了因对计算机迅猛发展带来的危机在上世纪40年代就提出了神经网络体的设想,并对此加以研究实验。自80年代后已经成为人们评价计算机网络安全的重要标准。大量简单的神经元通过相互连接形成更复杂的神经结构,神经结构之间相互连接最终形成神经网络体系。神经网络体系具有十分强的的信息处理工能,可以存储分布、处理分布,有包容性和学习能力,能够处理非线性的复杂关系,是一个成长型的系统。神经网络系统通过调节自身节点之间的关系,来完成对信息的分析处理,模仿人的大脑对信息的处理方式。其具有很强的灵活性和针对性,可以进行初步的理性分析,优化其自身的信息资料库,找寻最优的解决方案。计算机神经网络系统是人类迈向人工智能化时代的一大创举,随着人工智能技术的不断进步,更加智能的机器人将随之产生。

2计算机网络安全的评估标准

计算机的使用者们根据当前计算机的使用状态制定了一系列的计算机网络安全现行标准。

2.1网络安全的定义

网络安全指的就是人们在运用互联网时信息的安全保密不被窃取和恶意破坏,系统、软件设备、硬件设备都处在良好的状态中。在计算机系统运行时不会受到木马病毒、恶意插件的攻击。信息安全、密码安全、通信安全等领域的安全都处在网络安全的范畴之中。计算机网络安全有四大原则:可控性原则,即计算机网络信息的传播控制在一定的范围内,网络上流传的信息要在法律允许的范围之内,网络管理者可以通过网络对其进行有力的控制。完整性原则,即网络数据信息未经过官方和其发行者的授权不可以私人篡改,保持网络数据的完整性就是保证网络信息的可用性。可用性原则,即网络使用者当前是否能够使用网络中的信息。保密性原则,即对计算机网络数据进行访问时,不得随意泄露信息给未获得网络授权的用户。在这个信息全球化的时代,网络安全是人们生活安全中至关重要的一项。

2.2网络安全评估标准

当今社会人们对网络信息的要求逐步提高,相应的产生了一套大家公认的评估标准。这套标准是依据现有的计算机网络技术,全面的、合理的、客观的、科学的,考虑计算机网络运用的方方面面制定出来的。坚持评估标准与实际生活相结合,便于检测和操作的可行性原则;坚持条理清晰、层次分明,有代表性的简明性原则;坚持真实准确,避免环节重复,避免节点之间相互影响的独立性原则;坚持运用完整的、全面的、准确可靠的完备性原则为信息全评价标准;坚持联系实际以现行的计算机技术水平为评价指标的准确性原则。按照以上的网络安全标准一定要与当前所在的区域网相结合,做到具体问题具体分析。

2.3网络安全体系的设定

根据计算机网络安全检查建立不同的计算机网络安全等级,大致可分为四个层次:很危险、危险、有风险、安全。很危险可用红色表示,计算机网络系统存在高危漏洞,需要紧急查杀木马病毒和恶意插件,关机后再重新启动。危险可用橙色表示,表示网络系统中有安全隐患需要处理,网络的安全等级有限,需要及时的进行杀毒处理。有风险可用黄色表示,这种情况表示计算机中有风险项,需要对计算机网络进行检测处理。安全表示当前的计算机网络状态良好无任何风险项,可用绿色表示。这种设计可以给计算机的应用者最直观的感受来判断计算机的状态。

3神经网络系统在计算机网络安全中的应用

计算机网络的主要作用是传递信息,其广泛的应用于电子商务,信息处理,电子办公等方方面面。网络黑客通过木马病毒盗取用户信息,倒卖客户资料,窃取他人财产,对网络的和谐安全产生了及其恶劣的影响。神经网络系统在计算机网络信息的传播当中起到了桥梁和过滤器的作用。信息在网络中传播不是单向的而是双向的,信息的输入和输出都是通过神经网络的神经元来完成的。计算机神经网络有三个层次组成,分别是输出层、隐藏层、输入层,通过这三个部分对信息进行加工处理。其中的隐藏层起到了传输中枢的作用,输入的信息输出时需要先输入到隐藏层中,再由隐藏层对其进行处理,最后传输到输出层中输出。在此时系统发现信息有误将会回溯至上一阶段对信息进行核对,信息精确后会再次传输回来发送至输出层。通过神经网络系统的应用能够大量准确的对信息进行合理的处理,方便了人们的生活,提高了人们的工作效率。

4神经网络系统对计算机网络安全的影响

神经网络系统作为广泛应用于人们生活中的技术,其即存在着优点,也存在着不足。神经网络技术具有良好的灵活性包容性,与传统的曲线拟合体系相比其对缺失信息和噪音反应不灵敏。一个节点只能反应一个问题,一个节点中发现的问题在整个神经网络体系的表现中将产生严重影响。其具有良好的延展性,可以把个体中的多数样本引入部分当中,将部分当中的多数样本引入到整体当中。神经网络系统具有强大的学习适应能力,可以自行总结系统处理的信息中的规律,自我调整输出模式,减少系统的误差。神经网络有线应用潜力,有线应用潜力是神经网络系统自身的基本能力,神经网络是由一个又一个节点连接而成的,两点之间的直线距离最短,处理信息的速度最快。神经网络系统具有自动处理信息关系的能力。其已经具有初步的人工智能化能力,可以自主分析较为简单的问题。虽然神经网络系统功能十分强大,但是也存在着一些不足之处。神经网络系统的结构多样化,在信息处理的过程中也会出现多种组合。因此只能出现最精确的处理结果,无法得出最准确的处理结果。神经网络系统自身的结构决定了其对局部极小问题的忽视,这种特性会影响其处理问题的准确性。对于非常复杂的数据问题其处理效果会减慢。随着计算机的应用大量的信息被记载入数据库,信息量过于庞大会影响到信息处理的效率。神经网络系统并不是真正的人脑只达到了出步的人工智能程度,其处理问题存在一定的机械性。这种问题只有通过科学家的不断研究才能得到改善。

篇9

1节能控制电力电压控制阀的电压参数

1.1最优组合法

电力电气控制阀中的电压若是存在波动的问题，那么就会造成各种关键控制信号中误差增大，其控制过程的精度方面也会出现较大的模糊性，最终导致出现过高的能源消耗问题。为了将这种模糊性有效的去除，设置参数E，用来对控制阀电压的波动控制误差进行准确的描述，然后在电力电气控制系统中引入该参数，设置e（t）为控制阀电压波动的误差信号量，同时设置Ec为电压波动率，另外设置K为可变控制系数。于是可以得到Ec=Kec（t）和E=Ke（t）两个控制模型。当出现异常波动的电压时，可以使用U=βE+（1-β）Ec模型描述电压信号的控制规律。其中电压波动幅度系数表示为β，普遍将β的值设为1。若是出现较大的电压波动时，可以使用该种方法有效的统计误差。同时在整个控制过程中都可以使用控制阀电压波动下的电气控制来测试控制效果，但是在电压波动的状态下，电压、控制误差之间具有不稳定的关系[1]。

在控制数据较多的时候，对采集数据进行分析，控制法电压在实际运行中出现的波动变化可以使用ΔKd、ΔKi、ΔKp来表示，并在（-1，1）区间内对这些变化参数进行归化，并限制其电压波动范围。然后采取假设其模糊子集的方法，设置发生变化的模糊标准，另外在得懂电压控制参数ΔKd等的变化规则之后，采取最优化的关联控制方法控制这些参数，以便对消除电气控制阀波动干扰提供保障。

1.2寻优法

2多层神经网络控制方法

2.1建立模型

智能化节能调节控制阀电压时可以采取建立多层次神经网络模型的方法，多层神经网络的属于前向网络的一种形式，非线性是电力电气控制阀中电压变化所表现出的特征，而线性是神经网络输入层、输出层的特征，将该系统输入层的数据选为电力电气控制阀电压控制过程中的参数，而输出层的数据选择其最优电压参数，同时电力电气控制阀电压动态变化有多层神经网络的隐含层来负责，具体的控制模型如图1 所示

根据该模型可以得到的参数，可以对神经网络输出层的最优节能电压值进行确定，同时使用这种方法得到的训练效率最高，所以不恰当地设置初始值造成局部控制电压出现最小值的问题是不存在的，使用该种方法有利于促进电压节能控制精度的提高[3]。

2.2仿真实验

在提出该模型之后，为了验证其可行性，于是提出对其进行仿真实验的方法，节能控制对象使用大型电力设备，该设备的能量源选择10v-30v的电压，在信号采集时选择高精度信号采集卡设备，且在实验中保证控制电压在安全的应用范围内，对于数据的搜集使用核心处理器，然后在利用转换装置将其变为能够应用到电气设备中的可用电压，然后合理调控电压，使其始终能够在合理的高精度范围内变化，最后又计算机输入参数变化结果，并仿真统计变化结果。

篇10

关键词：电子政务；绩效评价；神经网络

中图分类号： TP18文献标识码：A文章编号：1009-3044(2011)13-3103-02

Research on Performance Evaluation of E-government

NING Bin, WU Zhao, ZHOU Jian-wei

(Maths & Computer Science School, Xiangfan University, Xiangfan 441053, China)

Abstract: In the thesis, beginning with ananalysis of methods ofperformance evaluation of E-government, performance evaluation system of its is built up. And then model applying neural network to evaluate the performance of E-government is designed, which offers a new method for evaluating the performance of E-government.

Key words: e-government; performance evaluation; neural network

随着电子政务的建设与应用，电子政务的绩效评价研究也引起了我国各级政府的高度重视。电子政务绩效评价，是指运用一定的评估方法、量化指标及评估标准，综合性考核与评估电子政务的建设、运行和管理过程，以促进电子政务管理水平和应用绩效的提高。现有的评测方法及其内容很多，归纳起来主要集中在评价视角、评价方法、调查手段等三个方面。

1 电子政务绩效评价方法

1）从评价视角来看。电子政务的用户主要分为两种角色:“提供者”和“需求者”。基于“提供者”角色评价就是从政府电子政务实施的视角出发，基于政府对用户需求的理解来设计评价属性。这类评价主要是通过调查电子政务的外在表现形式（网站）来了解信息可得性、电子服务提供和质量，对特殊用户、安全、交互的支持等方面的情况。但缺乏收集有关政府职员和公众真正需求的数据。另一方面，“需求者”角色评价则从用户体验和需求的角度出发，采取与用户交互的方式来调查电子政务提供的各种要素（包括信息内容、电子服务等）的使用效果，用户对各项服务的感兴趣程度以及不使用某些服务的原因等方面的情况，从而评定电子政务的服务水平和质量。

目前，从“提供者”角色出发的电子政务评价，往往不能很好反映用户的需求和体验，更不能适应电子政府“面向用户”的发展趋势，而基于“需求者”角色的评价则恰恰相反。但目前，从需求者角度出发的评价大多采用定性化问题来随机调查用户，获得的答案再量化成分值。这样通常会产生两个问题：①如果问卷设计的不合理（如问题缺少定量化描述或表述不清楚），会造成评价结果过于粗略，无法真实反映用户体验；②如果采用的调查方式不合理，不能全面获得各类用户的反馈，评价结果的科学性将大打折扣。

2）从评价方法看。现有基于电子政务评价大体可分为四类：网站技术属性和信息内容（如网站可用性、易用性和信息可得性）、在线服务的使用（如服务的数量和质量）、电子服务和电子政务效果及对用户的影响。这四种类型由浅入深构成了电子政务评价发展的层次。目前，大多数评价停留在评价网站的使用和信息可得性方面，而对服务功能、质量有效性等方面的评价还处于探索阶段。

3）从调查手段、收集数据方式来看。目前的评价采用的主要调查方式有：网上/网下问卷调查、面对面访问/电话访问等。在实际用用中，可以针对不同类型数据，采用不同的方法收集，避免采用单一的收集方式。当然，需要考虑收集收集时所需要的成本因素。如：可用性测试数据，可采用专家评估法或实验测试法收集；用户反馈数据，可采用网上随机抽样问卷调查、网下抽样问卷调查、集中面对面访问/电话访问等方式收集；使用情况类数据， 可采用网络日志分析等方式获得；网络特性类数据，可采用一些网络性能测试软件来获取。

2 电子政务绩效评价体系

对于如何采用科学的指标体系来定性定量的评价电子政务的绩效尚缺乏具有权威性的统一认识，但电子政务的效益和质量是两个核心指标。

电子政务系统的效益主要是从政务系统的提供者（政府角度）和使用者（用户角度）来考察。政府角度考察电子政务带来的时间、费用节省和办事效率的提高；用户角度考察通过该电子政务，用户得到的信息量以及办事效率的提高等。其次，电子政务是一个运行的系统，其绩效水平的高低不仅仅直接地表现为系统的效益，而且取决于电子政务的质量及运行过程中的能力和属性。其质量主要包括信息更新率、用户满意度、防病毒能力和用户界面友好程度等方面。

归纳起来，电子政务绩效评价指标体系，表现为以“信息公开、在线办事、公众参与、网站建设与内容保障”等主要内容，如表1所示。

3 基于神经网络的电子政务绩效评价模型

神经网络是一个简单而有效的网络，可应用于电子政务的绩效评价。其过程是：把用来描述电子政务绩效基本特征的评价指标信息作为神经网络的输入向量X=（x1,x2,...,xn），将代表相应综合评价结果的值作为神经网络的输出Y；然后，再用足够的样本即实例来训练这个网络，经过反复迭代，使不同的输入向量得到不同的输出量值，这样神经网络所持有的权系数值Wij、阈值(当i=0时，Wij代表阈值)，就是网络经过自适应学习所得到的内部表示。

基于神经网络的电子政务绩效评价模型如图1所示，特征参量由输入层神经元输入，然后直接输出，而隐含层和输出层的每个神经元输入量为上一层神经元的输出的加权和。其学习的过程就是调整神经元间的连接权重，使得输出值等于或接近理想的目标值。一旦神经网络训练完毕，即可作为，电子政务绩效评价的有效工具。

4 结束语

本文从评价视角、评价方法、调查手段等三个方面深入的分析现有的电子政务绩效评价对象和过程，在此基础上总结电子政务系统绩效评价的共性特征,以其效益、质量等两个内涵方面为主,确定了电子政务绩效评价体系；尝试神经网络应用于电子政务绩效评价，为评价电子政务的绩效水平提供一种参考模型和评价依据。但是，神经网络模型要求具有一定的学习样本。因此，在后续的改进和研究工作中，需要进一步确定高质量的学习样本，以提高神经网络模型的学习性能。

参考文献：

[1] 彭细正.电子政务门户网站绩效评估研究[J].信息化建设,2004(10).

[2] 杨云飞,白庆华.电子政务评价指标体系[J].计算机应用与软件,2004(8).

[3] 谢一帆.电子政务绩效评估的国际背景研究[J].电子政务,2005(9).