量子神经网络算法范文

导语：如何才能写好一篇量子神经网络算法，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】过程神经网络 量子混合蛙跳算法

过程神经网络具有较强的信息处理能力，在实际中有着广泛应用。然而随着信息量的增加及处理的复杂化，该技术的不足之处也渐渐显露，如对较大样本的学习很难解决、不能满足系统反映时变输入信息对输出的累积效应等。在长期探索中，多位专业人员不断提出新的方法，但都有一定的缺陷。量子进化计算的全局寻优能力较强，蛙跳算法则具备计算简单快速的优势，在此将二者相结合，提出一种的新的算法，以提高过程神经网络的稳定性。

1 量子混合蛙跳算法在过程神经网络优化中的应用

1.1 个体编码方案设计

|0〉和|1〉是微观粒子基本状态在量子计算中的表现形式，用其线性组合|φ〉=α |0〉+β|1〉可表示单量子比特的所有状态，但其应符合|α|2 +|β|2 =1的要求。因此，可按照叠加理论，将量子比特的全部状态均表示为：

|φ〉=cos|0〉+eiφsin |1〉

上式中，θ[0， π]，φ[0， 2π]，且（cos）2 +（eiφsin ）2 =1

可见，量子比特是由θ及φ两个变量所刻画的矢量空间，并可利用Bloch球面进行直观的描述。设种群为m，优化空间为n维，采用Bloch球面坐标编码，可将第i个待优化的个体编码为：

其中，i=1，2，…，m；j=1，2，…，n；θij[0， π]，φij[0， 2π]

1.2 QSFLA的种群评估

1.2.1 个体解空间变换

QSFLA中的每只青蛙都有三组Bloch坐标，x=cosφsinθ，y=sinφsinθ，z=cosθ，各自都表示一个优化解。考虑到x、y、z都 [-1，1]，需对其进行解空间变换。设待优化问题的第j维变量[Min（j），Max（j）]，可将解空间变化表示如下：

Xij = [Min（j）（1xij） + Max（j）（1+xij）]

Yij = [Min（j）（1yij） + Max（j）（1+yij）]

Zij = [Min（j）（1zij） + Max（j）（1+zij）]

1.2.2 QSFLA的种族评估

依次将青蛙个体各自对应的解代入到适应度函数，对其适应度进行计算。确保整个种群中最优青蛙所对应的幅角为θg和φg，而子种群中的最优青蛙相对应的幅角则为θb和φb，子种群中的最差青蛙相对应的幅值为θw和φw 。

1.3 QSFLA的种群进化

1.3.1 QSFLA个体更新

针对子种群中最差的青蛙量子位幅角增量的更新：

Δθ=rand（）（θb-θw），Δφ =rand（）（φb-φw）

在此借助量子旋转门改变量子比特的相位：

基于量子旋转门的量子位概率幅更新：

对上式进行分析，Δθ和Δφ两转角的大小和符号分别决定着收敛速度和方向，因此极为关键。为不影响算法效率，可将其看做是Block球面的旋转，即量子比特在上面绕着某一固定轴进行旋转。通过旋转可使两个参数同时改变，以提升优化能力。

1.3.2 自适应混沌旋转角度算子

混沌优化方法适用于小空间搜索，在较大空间中搜索效果较弱，与蛙跳算法子群内部的全局遍历十分适应。其公式如下：

δ（t）=δmin + × L×（δmaxδmin）

上式中，结合旋转角度和进化代数进行适应调整，在进化初期，便可实现算法较大幅角的搜索工作。进化代数不断增加，幅角随之减小，为进化后期的精细搜索提供了便利。Lj+1=μLj（1Lj），μ=4是一个Logistic混沌序列，可让旋转操作在解空间内进行遍历，对提高搜索效率较为有利。为提高收敛速度，用δmin和δmax分别表示允许旋转角的最小及最大值。通过自适应调整，使得局部优化的遍历性有所增强，且不需要将量子门转角的方向与当前最优个体对比，有利于促进种群的进一步优化。

2 量子混合蛙跳算法的改进

在混合蛙跳算法分组中，若采用标准的分法，适应值较差的青蛙常分在最后一组，则其向最好青蛙学习的效果较弱。为此，提出一种新方法：初始种群P，先按照标准分组的方式将种群分为m个子群，均包含有n只青蛙；然后从其他组随机选择一只与该组中的最优青蛙进行对比更新，得到一个新青蛙，使得每组扩大到n+（m-1）个青蛙，使得分组更为多样；当每组进化迭代完成后，再将各组进行重新合并，形成一个新种群，对其中青蛙的适应值进行计算闭关重新排序，取前P个进入下一轮迭代。

3 结束语

该方法将过程神经网络的基函数展开项数、隐层神经元个数和其他常熟参数作为一个优化整体，具有很多优势，在实践中也证明了该算法的合理性，值得推广应用。

作者简介

张小军（1980-），男，河南省人。现为河南教育学院信息技术系讲师。主要研究方向为云计算、数据挖掘、通信技术。

作者单位

篇2

关键词： 网络流量检测； 群智能算法； RBF神经网络； 网络安全

中图分类号： TN926?34； TP393 文献标识码： A 文章编号： 1004?373X（2016）20?0012?03

Abstract： The application of swarm intelligence optimizing neural network in network security and a network traffic detection model based on neural network algorithm are studied in this paper. QAPSO algorithm is used to optimize the basis function center and base function width of RBF neural network， and the connection weights of the output layer and the hidden layer as well. The detection model studied in this paper is analyzed by means of an example. The collected data is used to train the network traffic identification system and test its performance. The method researched in this paper is compared with the algorithms based on the conventional PSO and HPSO. The results show that the detection method has a faster recognition speed and better recognition accuracy， and can avoid the occurrence of local optimal solutions.

Keywords： network traffic detection； swarm intelligence algorithm； RBF neural network； network security

0 引 言

随着互联网技术不断发展和普及，互联网络中的应用和服务类型不断增加，为了提高网络安全，保护网民、公司企业以及政府部门等的财产与利益，需要对网络流量进行高效的监测[1?2]。

RBF神经网络具有强大的非线性拟合能力，即非线性映射能力，以及自学能力，同时便于计算机实现，因而在网络流量检测等网络安全领域得到了广泛应用。但是RBF神经网络的性能特别依赖网络参数选取的好坏，而传统RBF神经网络参数通常由人为按经验或随机选取，因此网络的性能具有较强的随机性[3?4]。

近年来，群智能优化算法逐渐发展并得到较为广泛的应用，其中粒子群优化算法是一种能够全局优化，具有建模速度快、收敛效率高的群智能优化算法，然而使用常规PSO算法优化神经网络仍然存在收敛速度和全局优化能力不能够达到平衡等问题[5?7]。因此本文研究一种基于量子自适应粒子群优化算法（QAPSO），对RBF神经网络的基函数中心[Ci]、基函数的宽度[σi]以及输出层与隐含层的连接权值[wi]进行优化。

1 基于群智能优化的神经网络算法

本文研究的QAPSO优化算法主要分为4部分，分别为初始化种群、估计进化状态、控制参数自适应以及处理变异[8]。

1.1 初始化种群

2 实例分析

为验证本文建立基于QAPSO优化RBF神经网络的网络流量检测模型的性能，使用基于Libsvm软件包的C#程序并结合数值计算软件Matlab R2014对网络流量进行采集、计算以及分类。网络流量检测类型如表2所示。

表2 网络流量检测类型

使用常规PSO优化算法及HPSO优化算法对RBF神经网络进行优化，并建立同样的网络流量检测模型，使用同样的训练数据样本进行训练，使用同样的测试数据样本进行性能测试。常规PSO优化算法的参数为空间维度[D=24]，粒子数量[N=30]，最大迭代次数[tmax=200]，连接权值[w=0.9～0.4]，加速系数[c1]和[c2]均为2。HPSO优化算法的参数为空间维度[D=24]，粒子数量[N=30]，最大迭代次数[tmax=200]，连接权值[w=0.8～0.2]，加速系数[c1]和[c2]均为2.5，[Vmaxd=0.5×Range]。QAPSO算法的参数为空间维度[D=24]，粒子数量[N=30]，最大迭代次数[tmax=200]，连接权值[w=0.8～0.2]，加速系数[c1]和[c2]为1.5～2.5，[Vmaxd=Range]，[r1d]和[r2d]为0～1之间的随机数。

从图1可以看出，常规PSO优化算法使得适应度函数收敛到稳定值时的迭代次数为171次，HPSO优化算法使用了112次，而本文研究的QAPSO优化算法只使用了76次。同时，本文研究的QAPSO优化算法的收敛值更低，适应度函数的值即为RBF神经网络的训练误差，因此适应度函数越小，RBF神经网络的训练误差越小，性能越好。因此，本文研究的QAPSO优化算法相比另外两种PSO优化算法具有更快的收敛速度和更高的收敛精度，极大地提高了RBF神经网络的泛化能力。使用本文研究的QAPSO?RBF检测模型及常规PSO和HPSO优化RBF算法的检测模型对实验数据进行识别。表3为三种检测模型的检测准确率与反馈率对比。图2为三种模型的平均检测率和反馈率对比。

通过表3的数据可以看出，本文研究的QAPSO?RBF检测模型对12种类型网络服务与应用均有较好的识别准确率和反馈率，平均识别准确率达到了92.81%，比HPSO?RBF算法的平均识别准确率高出3.49%，比PSO?RBF算法的平均识别准确率高出6.99%。QAPSO?RBF识别算法的平均识别反馈率达到了94.81%，比HPSO?RBF算法的平均识别反馈率高出3.51%，比PSO?RBF算法的平均识别反馈率高出7.28%。可表明相比其他粒子群优化算法，本文研究的QAPSO优化算法在进行多次迭代后仍然具有较好的活跃性，跳出局部最优解，对最佳值的全局搜索能力具有非常显著的提高，加快了算法收敛速率，提高了识别准确率。

3 结 论

本文研究一种群智能优化神经网络算法的网络流量检测模型。通过实际测试验证，相比其他粒子群优化算法，本文研究的QAPSO优化算法在进行多次迭代后仍然具有较好的活跃性，跳出局部最优解，对最佳值的全局搜索能力具有非常显著的提高，加快了算法收敛速率，提高了识别准确率。

参考文献

[1] 卢金娜.基于优化算法的径向基神经网络模型的改进及应用[D].太原：中北大学，2015.

[2] 钟建坤，周永福.群智能算法优化神经网络在网络安全的应用研究[J].激光杂志，2015，36（4）：143?146.

[3] 李博.粒子群优化算法及其在神经网络中的应用[D].大连：大连理工大学，2005.

[4] 蒋林利.改进的PSO算法优化神经网络模型及其应用研究[D].厦门：厦门大学，2014.

[5] 陈伟.基于群体智能算法的人工神经网络优化及其应用[D].无锡：江南大学，2007.

[6] 刘晓刚.群体智能算法在RBF神经网络中的应用[D].青岛：青岛大学，2008.

[7] 马汝辉.基于网络流量异常检测的网络安全技术研究[D].无锡：江南大学，2008.

篇3

关键词：电网规划；交流线路；线路长度；多元回归；神经网络 文献标识码：A

中图分类号：TP273 文章编号：1009-2374（2016）22-0062-03 DOI：10.13535/ki.11-4406/n.2016.22.030

1 概述

电网规划是电网安全稳定运行的基石，电网规划数据的准确性尤其是数据中交流架空线路参数的准确性对规划结果的合理性具有重要影响。

对于输电线路的参数辨识方法较多，例如增广状态估计法、偏移向量法、卡尔曼滤波法等传统数值方法，这些方法能较好地逼滑目标函数的极值点，但其迭代过程都依赖量测方程的增广雅可比矩阵，苛刻地要求量测系统必须同时满足状态可观测和参数可估计条件，并且可能遭受数值问题的干扰。参考文献[4]中提出一种线路参数估计启发式方法，将目标函数从增广解空间垂直投影到参数空间，以启发式方法搜索参数空间，寻找投影下表面的下确解，较好地解决了数值问题的干扰。参考文献[5]在基于双端PMU数据的线路线性数学模型和相应的最小二乘辨识的基础上，引入基于IGG法的抗差准则。

2 BP人工神经网络

2.1 BP神经网络模型

BP神经网络由输入层、隐含层和输出层三层网络组成。BP神经网络的核心在于其误差反向传播，反向传播的学习规则是基于梯度下降法，由输出端的实际输出值与期望输出值的误差平方和进行链式求导，从而各层之间的连接权值。

2.2 BP神经网络模型算法优缺点分析

神经网络可以充分逼近任意复杂的非线性关系；采用并行分布处理方法；可学习和自适应不确定的系统等。

BP神经网络算法的极小化代价函数易产生收敛慢或者振荡的现象；代价函数不是二次的，而是非凸的，存在许多局部极小点的超曲面。这也导致神经网络算法对初值的要求较高，给定较好的初值，BP神经网络的收敛速度会大大加快，而且不易陷入局部极小值。

3 线路参数辨识中多元回归模型与神经网络的结合

3.1 线路长度回归计算模型

实际工程中，线路长度与阻抗导纳值之间的关系是确定的，对于架空线路，当长度小于300km时，其阻抗导纳参数等于该型号架空线路单位长度的阻抗导纳值与线路长度的乘积，此时阻抗导纳参数与线路长度为简单的线性关系；而当长度大于300km时，其阻抗导纳参数的值就需要考虑长距离输电线路分布参数的情况，此时并不能用简单的线性关系来描述。

在建立线路长度回归计算模型时，首先忽略线路的分布参数特性，建立回归模型如下：

式中：L表示线路长度；lX表示通过电抗参数除以单位长度的电抗值得到的线路长度；lR表示通过电阻参数得到的线路长度；lG表示通过电导参数得到的线路长度；lB表示通过电纳参数得到的线路长度；K1、K2、K3、K4、K5分别为各自的系数值。

回归方程的求解采用最小二乘法，目标是使长度的计算值与长度的实际值差值的平方和达到最小，目标函数为：

J=∑Ni=1（Li～-Li）2

式中：J为线路长度计算值与实际值差值平方和；N为样本线路的条数；Li～为线路长度的实际值；Li为线路长度通过回归模型的计算值。

3.2 BP神经网络模型的建立

当考虑线路长度的分布参数情况时，线路参数之间就不仅是简单的线性关系，本文建立了神经网络模型，输入层为线路的电阻、电抗、电导和电纳参数值；隐含层包含5个神经元；输出层为线路的长度值。

如图1所示，神经网络模型的输入层为线路的阻抗导纳值；输出层结果为线路长度，其中隐含层到输出层的连接权值采用3.1中回归模型的5个系数值作为初始值，然后输入样本值对神经网络进行训练，直到输出实际值与理想值满足误差要求时停止。

4 回归分析与神经网络结合模型在线路参数辨识中的应用

4.1 线路参数辨识流程

根据以下步骤建立线路参数辨识模型，完成对BPA中交流架空线路的电阻、电抗、电导和电纳参数的辨识。

第一步：提取BPA中所有交流架空线路的完整参数信息。

第二步：训练回归模型和神经网络模型，直至满足收敛标准。

第三步：判断线路长度参数是否填写。如果已填写线路长度则进入步骤四，若没有填写线路长度进入步骤五。

第四步：根据已训练完成的神经网络模型反推线路的长度值，并比较线路长度的训练值与长度填写值之间的差距，如果两者差距在合理范围之内，进入步骤六，如果两者差距过大，则采用长度训练值进行后续的参数辨识过程。

第五步：根据已训练完成的神经网络模型反推线路的长度值。

第六步：根据单位标准参数值与线路长度计算得到线路参数的标准值，将标准值与线路参数的实际填写值进行比对，如果计算得到的标准值与实际填写值之差没有超过阈度值，则进入步骤七；反之进入步骤八。

第七步：线路参数填写合理，进入第十步。

第八步：线路参数填写存在问题并按照计算得到的标准值作为推荐的修改值，并标识修改后的线路。

第九步：输出标识的不合理数据，由规划人员审核是否接受建议的修改值。

第十步：结束参数辨识。

4.2 辨识结果分析

4.2.1 线路长度训练结果分析。如图2所示，采用100条线路测试样例，长度值由小到大进行排序，折线表示线路长度的实际值，折线表示的是通过本论文所建立的神经网络模型得到的线路长度计算值。

对模型的训练误差做进一步分析可得：

训练长度的平均误差为1.35；训练长度误差最大值为8.9；训练长度误差最小值为0；训练长度误差均方差为1.68。

由以上数据可以看出，本论文所提的线路长度训练算法准确度较高，能够满足参数辨识工作的需要。

4.2.2 线路参数辨识结果。算例采用数据为某电网某年的实际BPA规划数据，辨识结果如表1所示：

由表1和表2的对比可以看出，上述交流线路的电纳参数的填写的确存在问题，由表2可以看出线路电阻和电抗的填写值与标准值的差距很小，这说明线路填写的电阻和电抗值是合理的，而电纳的填写值与标准值差距较大，由此可以说明线路电纳值的填写有误；将表1中的辨识电纳结果值与表2中的标准电纳值做比较可以发现两者之间差距不大，如表3所示，这说明采用该算法进行线路参数的辨识是有效合理的，辨识的结果值具有很大的参考价值。以上结果证明了算法的有效性，可以对参数填写存在问题的交流线路进行辨识，并给出准确性较高的辨识结果值作为建议修正值。

5 结语

本文提出了电网规划数据中输电线路参数辨识算法。算法的创新点是根据线路阻抗导纳参数与长度之间的潜在关系，首先建立线性回归模型得到回归系数作为BP神经网络模型隐含层到输出层的初始连接权值，然后建立神经网络模型，训练线路参数与线路长度之间的非线性关系。采用电网规划中的实际BPA数据进行了算法有效性的验证，结果表明本文提出的解决思路和算法对规划工作具有很大的实际应用价值。

参考文献

[1] 于尔铿.电力系统状态估计[M].北京：水利电力出

版社，1985.

[2] Liu W H E，Wu F F，Lun S M.Estimation of parameter

errors from measurement residuals in stateestimation[J].

IEEE Transactions on Power Systems，1992，7（1）.

[3] Slutsker I W，Clements K A.Real time recursive

parameter estimation in energy management systems[J].

IEEE Transactions on Power Systems，1996，11（3）.

[4] 赵红嘎，薛禹胜，汪德星，等.计及PMU支路电流

相量的状态估计模型[J].电力系统自动化，2004，28

（17）.

[5] 戴长春，王正风，张兆阳，等.基于IGG准则的抗差

最小二乘输电线路参数辨识[J].现代电力，2014，31

（2）.

[6] 陈珩.电力系统稳态分析[M].北京：中国电力出版

社，2007.

[7] 曾明，魏衍.一种BP神经网络改进算法的研究及应用

[J].微计算机信息，2009，（18）.

[8] 孟栋，樊重俊，王家桢.混沌遗传算法对BP神经网络

的改进研究[J].数学理论与应用，2014，34（1）.

[9] 吴俊利，张步涵，王魁.基于Adaboost的BP神经网

络改进算法在短期风速预测中的应用[J].电网技术，

2012，36（9）.

[10] 杨耿煌，温渤婴.基于量子行为粒子群优化――人

工神经网络的电能质量扰动识别[J].中国电机工程学

报，2008，28（10）.

[11] 王越，卫志农，吴佳佳.人工神经网络预测技术

在微网运行中的应用[J].电力系统及其自动化学报，

2012，24（2）.

[12] 庞清乐.基于粗糙集理论的神经网络预测算法及

其在短期负荷预测中的应用[J].电网技术，2010，34

（12）.

[13] 师彪，李郁侠，于新花，等.基于改进粒子群-径向

基神经网络模型的短期电力负荷预测[J].电网技术，

2009，33（17）.

[14] 王旭东，刘金凤，张雷.蚁群神经网络算法在电动

车用直流电机起动过程中的应用[J].中国电机工程学

篇4

关键词:模糊神经网络;扩展卡尔曼滤波;自组织学习

doi:10.3969/j.issn.1001-3695.2010.07.016

fast self-organizing learning algorithm based on ekf for fuzzy neural network

zhou shang-bo,liu yu-jiong

(college of computer science, chongqing university, chongqing 400044, china)

abstract:to construct an effective fuzzy neural network, this paper presented a self-organizing learning algorithm based on extended kalman filter for fuzzy neural network. in the algorithm, the network grew rules according to the proposed growing criteria without pruning, speeding up the online learning process.all the free parameters were updated by the extended kalman filter approach and the robustness of the network was obviously enhanced. the simulation results show that the proposed algorithm can achieve fast learning speed, high approximation precision and generation capability.

key words:fuzzy neural network; extended kalman filter(ekf); self-organizing learning

模糊神经网络起源于20世纪80年代后期的日本,由于其简单、实用,已经被广泛应用在工业控制、系统辨识、模式识别、数据挖掘等许多领域[1~4]。然而,如何从可用的数据集和专家知识中获取合适的规则数仍然是一个尚未解决的问题。为了获取模糊规则,研究人员提出了不同的算法,如文献[5]利用正交最小二乘算法确定径向基函数的中心,但是该算法训练速度比较慢;文献[6]提出了基于径向基函数的自适应模糊系统,其算法使用了分层自组织学习策略,但是逼近精度低。扩展卡尔曼滤波(ekf)算法作为一种非线性更新算法,在神经网络中得到了广泛应用。文献[7]利用扩展卡尔曼滤波算法调整多层感知器的权值,文献[8]利用扩展卡尔曼滤波算法调整径向基函数网络的权值。

本文提出了一种模糊神经网络的快速自组织学习算法(sfnn)。该算法基于无须修剪过程的生长准则增加模糊规则,加速了网络学习过程,同时使用ekf调整网络的参数。在该算法中,模糊神经网络结构不是预先设定的,而是在学习过程中动态变化的,即在学习开始前没有一条模糊规则,在学习过程中逐渐增加模糊规则。与传统的模糊神经网络学习算法相比,本算法所得到的模糊规则数并不会随着输入变量的增加而呈指数增长,特别是本算法无须领域的专家知识就可以实现对系统的自动建模及抽取模糊规则。当然,如果设计者是领域专家,其知识也可以直接用于系统设计。本算法所得到的模糊神经网络具有结构小、避免出现过拟合现象等特点。

1 sfnn的结构

本文采用与文献[9]相似的网络结构,如图1所示。其中,r是输入变量个数;xi(i=1,2,…,r)是输入语言变量;y是系统的输出;mfij是第i个输入变量的第j个隶属函数;rj表示第j条模糊规则;wj是第j条规则的结果参数;u是系统总的规则数。

下面是对该网络各层含义的详细描述。

第一层:输入层。每个节点代表一个输入语言变量。

第二层:隶属函数层。每个节点代表一个隶属函数,隶属函数采用如下的高斯函数:

μij=exp(-(xi-cij)2σ2ij);i=1,2,…,r; j=1,2,…,u(1)

其中:r是输入变量数;u是隶属函数个数,也代表系统的总规则数;μij是xi的第j个高斯隶属函数;cij是xi的第j个高斯隶属函数的中心;σij是xi的第j个高斯隶属函数的宽度。

第三层:t-范数层。每个节点代表一个可能的模糊规则的if-部分,也代表一个rbf单元,该层节点个数反映了模糊规则数。如果计算每个规则触发权的t-范数算子是乘法,则在第三层中第j条规则rj的输出为

φj=exp(-ri=1(xi-cij)2σ2ij);j=1,2,…,u(2)

第四层:输出层。该层每个节点代表一个输出变量,该输出是所有输入变量的叠加。

y(x)=uj=1wjφj(3)

其中:y是网络的输出;wj是then-部分。

2 sfnn的学习算法

如前文所述,第三层的每个节点代表一个可能的模糊规则的if-部分或者一个rbf单元。如果需要辨识系统的模糊规则数,则不能预先选择模糊神经网络的结构。于是,本文提出一种新的学习算法,该算法可以自动确定系统的模糊规则并能达到系统的特定性能。

2.1 模糊规则的产生准则

在模糊神经网络中,如果模糊规则数太多,不仅增加系统的复杂性,而且增加计算负担和降低网络的泛化能力;如果规则数太少,系统将不能完全包含输入/输出状态空间,将降低网络的性能。是否加入新的模糊规则取决于系统误差、可容纳边界和误差下降率三个重要因素。

2.1.1 系统误差

误差判据:对于第i个观测数据(xi,ti),其中xi是输入向量,ti是期望输出,由式(3)计算网络现有结构的全部输出yi。

定义:ei=ti-yi;i=1,2,…,n(4)

如果ei>ke ke=max[emax×βi,emin](5)

则说明网络现有结构的性能比较差,要考虑增加一条新的规则;否则,不生成新规则。其中:ke是根据网络期望的精度预先选择的值;emax是预定义的最大误差;emin是期望的输出精度;β(0<β<1)是收敛因子。

2.1.2 可容纳边界

从某种意义上来讲,模糊神经网络结构的学习是对输入空间的高效划分。模糊神经网络的性能和结构与输入隶属函数紧密相关。本文使用的是高斯隶属函数,高斯函数输出随着与中心距离的增加而单调递减。当输入变量采用高斯隶属函数时,则认为整个输入空间由一系列高斯隶属函数所划分。如果某个新样本位于某个已存在的高斯隶属函数覆盖范围内,则该新样本可以用已存在的高斯隶属函数表示,不需要网络生成新的高斯单元。

可容纳边界:对于第i个观测数据(xi,ti),计算第i个输入值xi与已有rbf单元的中心cj之间的距离di(j),即

di(j)=xi-cj;i=1,2,…,n; j=1,2,…,u(6)

其中:u是现有的模糊规则或rbf单元的数量。令

di,min=arg min(di(j))(7)

如果di,min>kd,kd=max[dmax×γi,dmin](8)

则说明已存在的输入隶属函数不能有效地划分输入空间。因此,需要增加一条新的模糊规则,否则,观测数据可以由已存在的距离它最近的rbf单元表示。其中:kd是可容纳边界的有效半径;dmax是输入空间的最大长度;dmin是所关心的最小长度;γ(0<γ<1)是衰减因子。

2.1.3 误差下降率

传统的学习算法把误差减少率(err)[5]用于网络生长后的修剪过程,算法会因为修剪过程而增加计算负担,降低学习速度。本文把误差减少率用于生长过程形成一种新的生长准则,算法无须经过修剪过程,从而加速网络的学习过程。

给定n个输入/输出数据对(xi,ti),t=1,2,…,n,把式(3)看做线性回归模型的一种特殊情况,该线性回归模型为

t(i)=uj=1hj(i)θj+ε(i)(9)

式(9)可简写为

d=hθ+e(10)

d=tt∈rn是期望输出,h=φt∈rn×u是回归量,θ=wt∈ru是权值向量,并且假设e∈rn是与回归量不相关的误差向量。

对于矩阵φ,如果它的行数大于列数,通过qr分解:

h=pq(11)

可把h变换成一组正交基向量集p=[p1,p2,…,pu]∈rn×u,其维数与h的维数相同,各列向量构成正交基,q∈ru×u是一个上三角矩阵。通过这一变换,有可能从每一基向量计算每一个分量对期望输出能量的贡献。把式(11)代入式(10)可得

d=pqθ+e=pg+e(12)

g的线性最小二乘解为g=(ptp)-1ptd,或

gk=ptkdptkpk;k=1,2,…,u(13)

q和θ满足下面的方程:

qθ=g(14)

当k≠l时,pk和pl正交,d的平方和由式(15)给出:

dtd=uk=1g2kptkpk+ete(15)

去掉均值后,d的方差由式(16)给出:

n-1dtd=n-1uk=1g2kptkpk+n-1ete(16)

由式(16)可以看到,n-1uk=1g2kptkpk是由回归量pk所造成的期望输出方差的一部分。因此,pk的误差下降率可以定义如下:

errk=g2kptkpkdtd,1≤k≤u(17)

把式(13)代入式(17)可得

errk=(ptkd)2ptkpkdtd,1≤k≤u(18)

式(18)为寻找重要回归量子集提供了一种简单而有效的方法,其意义在于errk揭示了pk和d的相似性。errk值越大,表示pk和d的相似度越大,且pk对于输出影响越显著。利用err定义泛化因子(gf),gf可以检验算法的泛化能力,并进一步简化和加速学习过程。定义:

gf=uk=1errk(19)

如果gf

2.2 参数调整

需要注意的是,不管是新生成的隐节点还是已存在的隐节点,都需要对网络参数进行调整。传统的方法是使用lls[10]方法对网络参数进行调整,本文提出使用ekf方法调节网络的参数。由于lls方法在确定最优参数时计算简单、速度快,但该方法对噪声敏感,其学习速度随着信噪比的增加而下降。另外,与lls方法相关的问题是其求解可能是病态的,这使得参数估计变得很困难。ekf方法由于其自适应过程比较复杂,计算速度没有lls方法快,但是ekf方法在噪声环境下具有鲁棒性,使用ekf方法可以实现一种健壮的在线学习算法。网络参数可以用下面的ekf[11]方法进行调整。事实上,网络的参数向量θ可以看做一个非线性系统的状态,并用下面的方程描述:

θi=θi-1

ti=h(θi-1,xi)+ei(20)

在当前的估计值i-1处将非线性函数h(θi-1,xi)展开,则状态模型可以重写为

θi=θi-1

ti=hiθi-1+εi+ei(21)

其中:εi=h(i-1 ,xi)-hii-1+ρi。hi是如下的梯度向量:

hi=h(θ,xi)θ|θ=i-1 (22)

参数向量θ使用下面的扩展卡尔曼滤波算法更新:

ki=pi-1hti[hipi-1hti+ri]-1

θi=θi-1+ki(ti-h(θi-1,xi))

pi=pi-1-kihipi-1+qi(23)

其中:ki是卡尔曼增益矩阵;pi是逼近误差方差阵;ri是量测噪声方差阵;qi是过程噪声方差阵。

全局扩展卡尔曼滤波算法会涉及大型矩阵运算,增加计算负担,因此可以将全局问题划分为一系列子问题从而简化全局方法。网络的前件部分具有非线性特性,利用扩展卡尔曼滤波算法对其进行调整;网络的后件部分具有线性特性,利用卡尔曼滤波算法对其进行调整,该方法等同于将全局方法简化为一系列解耦方法,可以降低计算负担。由于高斯函数的中心对系统的性能影响不明显,为了简化计算,只对高斯隶属函数的宽度进行调整。

前件参数使用如下的扩展卡尔曼滤波算法更新:

kδi=pδi-1gti[ri+gipδi-1gti]-1

δi=δi-1+kδi(ti-wi-1φi)

pδi=pδi-1-kδigipδi-1+qi(24)

后件参数使用如下的卡尔曼滤波算法更新:

kwi=pwi-1φti[ri+φipwi-1φti]-1

wi=wi-1+kwi(ti-wi-1φi)

pwi=pwi-1-kwiφipwi-1+qi(25)

2.3 模糊规则的增加过程

在sfnn学习算法中,模糊规则增加过程如下:

a)初始参数分配。当得到第一个观测数据(x1,t1) 时,此时的网络还没有建立起来,因此这个数据将被选为第一条模糊规则:c0=x0,δ1=δ0,w1=t1。其中δ0是预先设定的常数。

b)生长过程。当得到第i个观测数据(xi,ti)时,假设在第三层中已存在u个隐含神经元,根据式(4)(7)和(19),分别计算ei、di,min、gf。如果

ei>ke,di,min>kd,且gf

则增加一个新的隐含神经元。其中ke、kd分别在式(5)和(8)中给出。新增加的隐含神经元的中心、宽度和权值赋值为:cu+1=xi,δu+1=k0di,min,wu+1=ei,其中k0(k0>1)是重叠因子。

c)参数调整。当增加新神经元后,所有已有神经元的参数通过式(24)(25)描述的算法调整。

3 仿真研究

时间序列预测在解决许多实际问题中是非常重要的。它在经济预测、信号处理等很多领域都得到了广泛应用。

本文采用的时间序列由mackey-glass差分延迟方程产生,其方程定义为[5]

x(t+1)=(1-a)x(t)+bx(t-τ)1+x10(t-τ)(27)

为了能够与文献[5,6]在相同的基础上进行比较,取值δt=p=6,式(27)中的参数选择为:a=0.1,b=0.2,τ=17。预测模型表示为

x(t+6)=f[x(t),x(t-6),x(t-12),x(t-18)](28)

为了获得时间序列,利用式(27)生成2 000个数据,式(27)的初始条件为:x(0)=1.2。为了训练和测试,在t=124和t=1 123之间选择1 000个样本作为式(28)的输入/输出样本数据。使用前500个数据对作为训练数据集,后面的500个数据对验证该模型的预测性能。图2显示了sfnn生成的模糊规则数;图3显示了从t=124到t=623的训练结果;图4显示了sfnn良好的预测性能。表1列出了sfnn与其他算法的比较结果。表1显示,与ols、rbf-afs算法相比,sfnn具有最少的规则数、最小的误差和良好的泛化能力,同时具有快速的学习速度。sfnn的快速性就在于:采用无须修剪过程的生长准则,加速了网络学习过程;利用扩展卡尔曼滤波调整网络的参数,可以缩短网络的学习周期。从上面的分析可以看出,sfnn具有紧凑的结构、快速的学习速度、良好的逼近精度和泛化能力。

4 结束语

sfnn采用在线学习方法、参数估计和结构辨识同时进行,提高了网络的学习速度。基于该方法生成的模糊神经网络具有紧凑的结构,网络结构不会持续增长,避免了过拟合及过训练现象,确保了系统的泛化能力。

参考文献:

[1]

huang huan,wu cong-xin.approximation capabilities of multilayer fuzzy neural networks on the set of fuzzy-valued functions[j].information sciences,2009,179(16):2762-2773.

[2]deng xing-sheng,wang xin-zhou.incremental learning of dynamic fuzzy neural networks for accurate system modeling[j].fuzzy sets and systems,2009,160(7):972-987.

[3]韦玉科,汪仁煌,李江平,等.一种新的数据智能化处理算法[j].计算机应用研究,2008,25(5):1328-1329.

[4]chen sheng,hong xia,luk b l,et al.orthogonal-least-squares regression:a unified approach for data modeling[j].neurocompu-ting,2009,72(10-12):2670-2681.

[5]chen s,cowan c f n,grant p m.orthogonal least squares learning algorithm for radial basis function networks[j].ieee trans on neural networks,1991,2(2):302-309.

[6]cho k b,wang b h.radial basis function based adaptive fuzzy systems and their applications to system identification and prediction[j].fuzzy sets and systems,1996,83(3):325-339.

[7]rivals i,personnaz l.a recursive algorithm based on the extended kalman filter for the training of feedforward neural models[j].neurocomputing,1998,20(1):279-294.

[8]simon d.training radial basis neural networks with the extended kalman filter[j].neurocomputing,2002,48(1):455-475.

[9]wu shi-qian,er m j,gao yang.a fast approach for automatic generation of fuzzy rules by generalized dynamic fuzzy neural networks[j].ieee trans on fuzzy systems,2001,9(4):578-594.

篇5

关键词 计算机 云计算技术 未来发展

中图分类号：TP3 文献标识码：A

1云计算技术的飞速发展

1.1云计算的提出

著名的美国计算机科学家、图灵奖 （Turing Award）得主麦卡锡（John McCarthy， 1927-）在半个世纪前就曾思考过这个问题。1961年，他在麻省理工学院 （MIT） 的百年纪念活动中做了一个演讲。在那次演讲中，他提出了像使用其它资源一样使用计算资源的想法，这就是时下IT界的时髦术语“云计算”（Cloud Computing） 的核心想法。

1.2云计算的含义

云计算是基于互联网的相关服务的增加、使用和交付模式，通常涉及通过互联网来提供动态易扩展且经常是虚拟化的资源。云是网络、互联网的一种比喻说法。过去在图中往往用云来表示电信网，后来也用来表示互联网和底层基础设施的抽象。狭义云计算指IT基础设施的交付和使用模式，指通过网络以按需、易扩展的方式获得所需资源；广义云计算指服务的交付和使用模式，指通过网络以按需、易扩展的方式获得所需服务。这种服务可以是IT和软件、互联网相关，也可是其他服务。它意味着计算能力也可作为一种商品通过互联网进行流通。

1.3云计算的特点

（1）资源配置动态化。根据消费者的需求动态划分或释放不同的物理和虚拟资源，当增加一个需求时，可通过增加可用的资源进行匹配，实现资源的快速弹性提供；如果用户不再使用这部分资源时，可释放这些资源。云计算为客户提供的这种能力是无限的，实现了IT资源利用的可扩展性。

（2）需求服务自助化。云计算为客户提供自助化的资源服务，用户无需同提供商交互就可自动得到自助的计算资源能力。同时云系统为客户提供一定的应用服务目录，客户可采用自助方式选择满足自身需求的服务项目和内容。

（3）网络访问便捷化。客户可借助不同的终端设备，通过标准的应用实现对网络访问的可用能力，使对网络的访问无处不在。

（4）服务可计量化。在提供云服务过程中，针对客户不同的服务类型，通过计量的方法来自动控制和优化资源配置。即资源的使用可被监测和控制，是一种即付即用的服务模式。

（5）资源的虚拟化。借助于虚拟化技术，将分布在不同地区的计算资源进行整合，实现基础设施资源的共享。

1.4云计算技术的发展应用

云计算的发展也给我们的生活方面带来各种各样的变化，主要包括基础设施即服务，平台即服务和软件即服务三方面的服务。这些服务应用在很多领域，如云物联、云安全、云存储、私有云、云游戏、云教育等方面。

2未来计算机

2.1量子计算机

量子计算机是一类遵循量子力学规律进行高速数学和逻辑运算、存储及处理的量子物理设备，当某个设备是由两子元件组装，处理和计算的是量子信息，运行的是量子算法时，它就是量子计算机。

2.2神经网络计算机

人脑总体运行速度相当于每秒1000万亿次的电脑功能，可把生物大脑神经网络看做一个大规模并行处理的、紧密耦合的、能自行重组的计算网络。从大脑工作的模型中抽取计算机设计模型，用许多处理机模仿人脑的神经元机构，将信息存储在神经元之间的联络中，并采用大量的并行分布式网络就构成了神经网络计算机。

2.3化学、生物计算机

在运行机理上，化学计算机以化学制品中的微观碳分子作信息载体，来实现信息的传输与存储。DNA分子在酶的作用下可以从某基因代码通过生物化学反应转变为另一种基因代码，转变前的基因代码可以作为输入数据，反应后的基因代码可以作为运算结果，利用这一过程可以制成新型的生物计算机。生物计算机最大的优点是生物芯片的蛋白质具有生物活性，能够跟人体的组织结合在一起，特别是可以和人的大脑和神经系统有机的连接，使人机接口自然吻合，免除了繁琐的人机对话，这样，生物计算机就可以听人指挥，成为人脑的外延或扩充部分，还能够从人体的细胞中吸收营养来补充能量，不要任何外界的能源，由于生物计算机的蛋白质分子具有自我组合的能力，从而使生物计算机具有自调节能力、自修复能力和自再生能力，更易于模拟人类大脑的功能。现今科学家已研制出了许多生物计算机的主要部件―生物芯片。

2.4光计算机

篇6

1.1生物医学信号及其特点

生物医学信号是一种由复杂的生命体发出的不稳定的自然信号,属于强噪声背景下的低频微弱信号,信号本身特征、检测方式和处理技术,都不同于一般的信号。生物医学信号可以为源于一个生物系统的一类信号,这些信号通常含有与生物系统生理和结构状态相关的信息。生物医学信号种类繁多,其主要特点是:信号弱、随机性大、噪声背景比较强、频率范围一般较低,还有信号的统计特性随时间而变,而且还是非先验性的。

1.2生物医学信号分类

按性质生物信号可分为生物电信号(BioelectricSignals),如脑电、心电、肌电、胃电、视网膜电等;生物磁信号(BiomagneticSignals),如心磁场、脑磁场、神经磁场;生物化学信号(BiochemicalSignals),如血液的pH值、血气、呼吸气体等;生物力学信号(BiomechanicalSignals),如血压、气血和消化道内压和心肌张力等;生物声学信号(BioacousticSignal),如心音、脉搏、心冲击等。按来源生物医学信号可大致分为两类:(1)由生理过程自发产生的主动信号,例如心电(ECG)、脑电(EEG)、肌电(EMG)、眼电(EOG)、胃电(EGG)等电生理信号和体温、血压、脉博、呼吸等非电生信号;(2)外界施加于人体、把人体作为通道、用以进行探查的被动信号,如超声波、同位素、X射线等。

2生物医学信号的检测及方法

生物医学信号检测是对生物体中包含的生命现象、状态、性质和成分等信息进行检测和量化的技术,涉及到人机接口技术、低噪声和抗干扰技术、信号拾取、分析与处理技术等工程领域,也依赖于生命科学研究的进展。信号检测一般需要通过以下步骤(见图1)。①生物医学信号通过电极拾取或通过传感器转换成电信号;②放大器及预处理器进行信号放大和预处理;③经A/D转换器进行采样,将模拟信号转变为数字信号;④输入计算机;⑤通过各种数字信号处理算法进行信号分析处理,得到有意义的结果。生物医学信号检测技术包括:(1)无创检测、微创检测、有创检测;(2)在体检测、离体检测;(3)直接检测、间接检测;(4)非接触检测、体表检测、体内检测;(5)生物电检测、生物非电量检测;(6)形态检测、功能检测;(7)处于拘束状态下的生物体检测、处于自然状态下的生物体检测;(8)透射法检测、反射法检测;(9)一维信号检测、多维信号检测;(10)遥感法检测、多维信号检测;(11)一次量检测、二次量分析检测;(12)分子级检测、细胞级检测、系统级检测。

3生物医学信号的处理方法

生物医学信号处理是研究从扰和噪声淹没的信号中提取有用的生物医学信息的特征并作模式分类的方法。生物医学信号处理的目的是要区分正常信号与异常信号,在此基础上诊断疾病的存在。近年来随着计算机信息技术的飞速发展,对生物医学信号的处理广泛地采用了数字信号分析处理方法:如对信号时域分析的相干平均算法;对信号频域分析的快速傅立叶变换算法和各种数字滤波算法;对平稳随机信号分析的功率谱估计算法和参数模型方法;对非平稳随机信号分析的短时傅立叶变换、时频分布(维格纳分布)、小波变换、时变参数模型和自适应处理等算法;对信号的非线性处理方法如混沌与分形、人工神经网络算法等。下面介绍几种主要的处理方法。

3.1频域分析法

信号的频域分析是采用傅立叶变换将时域信号x(t)变换为频域信号X(f),从而将时间变量转变成频率变量,帮助人们了解信号随频率的变化所表现出的特性。信号频谱X(f)描述了信号的频率结构以及在不同频率处分量成分的大小,直观地提供了从时域信号波形不易观察得到频率域信息。频域分析的一个典型应用即是对信号进行傅立叶变换,研究信号所包含的各种频率成分,从而揭示信号的频谱、带宽,并用以指导最优滤波器的设计。

3.2相干平均分析法

生物医学信号常被淹没在较强的噪声中,且具有很大的随机性,因此对这类信号的高效稳健提取比较困难。最常用的常规提取方法是相干平均法。相干平均(CoherentAverage)主要应用于能多次重复出现的信号的提取。如果待检测的医学信号与噪声重叠在一起,信号如果可以重复出现,而噪声是随机信号,可用叠加法提高信噪比,从而提取有用的信号。这种方法不但用在诱发脑电的提取,也用在近年来发展的心电微电势(希氏束电、心室晚电位等)的提取中。

3.3小波变换分析法

小波分析是传统傅里叶变换的继承和发展,是20世纪80年代末发展起来的一种新型的信号分析工具。目前,小波的研究受到广泛的关注,特别是在信号处理、图像处理、语音分析、模式识别、量子物理及众多非线性科学等应用领域,被认为是近年来在工具及方法上的重大突破。小波分析有许多特性:多分辨率特性,保证非常好的刻画信号的非平稳特征,如间断、尖峰、阶跃等;消失矩特性,保证了小波系数的稀疏性;紧支撑特性,保证了其良好的时频局部定位特性;对称性,保证了其相位的无损;去相关特性,保证了小波系数的弱相关性和噪声小波系数的白化性;正交性,保证了变换域的能量守恒性;所有上述特性使小波分析成为解决实际问题的一个有效的工具。小波变换在心电、脑电、脉搏波等信号的噪声去除、特征提取和自动分析识别中也已经取得了许多重要的研究成果。

篇7

关键词　数字图像处理；边缘检测；量子图像

中图分类号　TP391 文献标识码　A 文章编号　10002537（2012）04002605

边缘检测是图像处理和计算机视觉中的基本问题，其目的是标识数字图像中亮度变化明显的点．边缘检测是底层视觉处理中最重要的环节之一，　也是图像分割、目标区域识别、区域形状提取等图像分析方法的基础，目前已经逐渐被广泛地应用于生物医学、模式识别以及工程技术中的零部件检查、故障诊断等更多领域．一直以来，如何准确快速地提取图像边缘是图像处理领域中的热点问题．

篇8

关键词：粒群；算法；优化；压缩

中图分类号：TP301文献标识码：A文章编号：1009-3044(2007)16-31086-02

Particle Swarm Optimization

SUN Qi,ZHANG Fu-yu

(The Information Management Department of Henan Economy and Trade Vocational College, Zhengzhou 450000,China)

Abstract:first we simply intruduce about the common algorithm ofParticle Swarm,then we discuss the using、develop、prospect and optimize of it。Further more we provide a new CSV2PSO algorithm based on compressed space,give the details of it and analyse the differences compared to other algorithms.CSV2PSO enhances the Particle Swarm’s rate of convergence,reduces the ratio of forwardness convergence,and it has a very goodfuture of apply.

Key words:Particle Swarm;algorithm;optimize;ompress

粒子群优化算法PSO(Particle Swarm Optimization)由Kennedy和Eberhart于1995年提出，算法模拟鸟群飞行觅食的行为，通过鸟之间的集体协作使群体达到最优。与遗传算法类似，它也是基于群体迭代，但没有交叉、变异算子，群体在解空间中追随最优粒子进行搜索。

1 算法介绍

1.1 产生背景

复杂适应系统CAS(Complex Adaptive Sys2tem)理论于1994年正式提出，CAS中的成员称为主体。主体有适应性，它能够与环境及其他主体进行交流，并且根据交流的过程中“学习”或“积累经验”改变自身结构和行为。整个系统的演变或进化包括:新层次的产生;分化和多样性的出现;新的、更大的主体的出现等都基于此。CAS有4个基本特点:首先，主体是主动的、活的实体;其次，个体与环境及其他个体的相互影响、相互作用，是系统演变和进化的主要动力;再次，将宏观和微观有机地联系起来;最后，系统引入了随机因素。PSO源于对1个CAS:鸟群社会系统的仿真研究，也包含这4个基本特点。如何利用生物技术研究计算问题是人工生命研究的重要方向，现已有了很多源于生物现象的计算技巧，如人工神经网络和遗传算法等。“群智能”是对社会型生物系统的模拟，目前计算智能领域有3种基于群智能的算法:蚁群算法、文化算法和PSO。

1.2 基本PSO算法介绍

PSO初始化为一群随机粒子，然后通过迭代找到最优解。每次迭代，粒子通过跟踪2个“极值”:粒子本身所找到的最优解PBest和群体找到的最优解GBest来更新自己。

标准PSO的算法流程如下：

1.2.1 初始化：

1.2.1.1 设置常量c1，c2，w，NrVmax粒子数目P和最大迭代次数Kmax给定精度δ；

1.2.1.2 随机初始化粒子位置；

1.2.1.3 随机初始化粒子速度；

1.2.1.4 K=1,i=1;

1.2.2 优化：

1.2.2.8 转到步骤1.2.2.1

1.2.3 输出结果，程序终止。

1.3 算法分析与发展

与其他全局优化算法(如遗传算法)一样，粒子群优化算法同样存在早熟收敛现象，尤其是在比较复杂的多峰搜索问题中。为解决这一问题并提高算法的收敛速度，粒群优化算法的发展也经过了一系列的过程：

1.3.1 PSO参数改进与优化

基本PSO的参数是固定的，在对某些函数优化上的精度较差，因此，Shi提出惯性因子w线性递减的改进算法，使算法在搜索初期有着较大探索能力，而在后期又能得到较精确的结果，一定程度上提高了算法性能。2001年Shi又提出了自适应模糊调节w的PSO，在对单峰函数的处理中取得了良好的效果，但无法推广。Bergh通过使粒子群中的最佳粒子GBest始终处于运动状态，得到了保证收敛到局部最优的GCPSO，但其性能并不佳。

1.3.2 粒子群拓扑结构改进

在提出Local版之后，Kennedy等又进一步研究粒子群的拓扑结构，分析粒子间的信息流，提出了一系列的拓扑结构，并作实验研究，如图1所示。除静态拓扑结构外，也有研究者提出动态粒子群拓扑结构。

1.3.3 PSO混合算法

PSO和其他优化算法的结合是改进研究的热点。Angeline将选择算子引入PSO中，选择每次迭代后的较好粒子复制到下一代，以保证每次迭代的粒子群都具有较好的性能，这种算法对某些单峰函数效果良好。L?准vbjerg在粒子群每次迭代后，按几率在粒子间交换各维，通过交叉来生成更优秀的粒子，算法对某些多峰函数效果较好。Higashi等人分别提出了自己的变异PSO算法，基本思路均是希望通过引入变异算子跳出局部极值点的吸引，从而提高算法的全局搜索能力，得到较高的搜索成功率。高鹰等人则引入免疫机制的概念，提高粒子群的多样性和自我调节能力，以增强粒子的全局搜索能力。Baskar、Bergh等人各自提出了自己的协同PSO算法，通过使用多群粒子分别优化问题的不同维、多群粒子协同优化等办法来对基本算法进行改进尝试。Al-kazemi所提出的Multi-Phase PSO在粒子群中随机选取部分个体向GBest飞，而其他个体向反方向飞，以扩大搜索空间。

除以上的混合算法之外，还出现了量子PSO、模拟退火PSO、耗散PSO、自适应PSO等混合改进算法，也有采取PSO与基于梯度的优化方法相结合的办法。

2 一种基于压缩搜索空间的CSV2PSO算法

为了提高PSO算法收敛速度与收敛精度，降低早熟收敛的比率，本文提出了压缩搜索空间与速度范围的粒子群优化(CSV2PSO)算法，对基本PSO算法进行了以下改进。

2.1 惯性权重的确定

把惯性权重w引入到粒子群算法中，并研究了其对优化性能的影响，发现较大的w值有利于跳出局部最优点，而较小的w值有利于算法收敛，因此提出了自适应调整w的策略，即随着迭代的进行，线性地减小w的值，非线性地减少w的值:

其中w0为事先给定的正常数，k为飞行次数，n为以优化目标函数而定的正常数。

2.2 速度范围的确定

不同的vmax(最大飞行速度)对压缩因子PSO算法收敛速度有很大的影响。事实上，数值试验表明vmax对各种PSO算法收敛速度及收敛精度都有影响。为了便于问题的描述，假设粒子群在M维空间里飞行速度的上下限分别表示为矢量：

Vmax=[vmax1,vmax2,…,vmaxM]和vmin=[vmin1,vmin2,…,vminM]搜索空间的上下限分别用矢量[vmax1,vmax2,…,vmaxM]和vmin=[vmin1,vmin2,…,vminM]表示，则粒子群在M维空间里飞行速度的上下限可用下式表达:

式中，D=1,2,…,M,a大小可用下式确定：

其中，a0为事先给定的正常数，k为飞行次数，m为以优化目标函数而定的正常数

2.3 搜索空间的确定

大量的数值试验证明:随着粒子群体不断进化，粒子群体逐渐向问题空间的优秀解域靠近?因此，随着进化的进行，适当的压缩粒子群的搜索空间将有利于加速算法收敛，这在后面的数值仿真中得到验证?压缩搜索空间由式(7)和式(8)完成:

U’maxd=β0(U’maxd-Gcd)+Gcd(7)

D’mind=β0(D’mind-Gcd)+Gcd(8)

其中，0

式中，Npop为粒子群的群体规模。

随着搜索空间的压缩，一方面问题的最优解有可能被排挤在压缩后的搜索空间之外，这样问题的最优解将无法被搜索到;另一方面粒子的飞行范围被大大缩减，降低了算法突破局部最优的能力。如果大部分粒子均在相同的局部极值附近飞行时，PSO算法容易出现暂时的“停滞”现象，突破局部极值的限制可能需要经过很长一段时间，也可能无法突破这一限制而陷入局部最优点。为此，当算法出现暂时“停滞”时，需重新对粒子进行初始化，本文把粒子分为两部分，一部分在压缩空间初始化，一部分在原始空间内初始化。数值试验证明了该方法的可行性CSV－PSO算法以目标函数的函数值为其适应值求函数的最优解，算法的具体流程如下:

(1)初始化惯性权重w0，学习因子c1和c2，群体规模Npop，停滞进化代数Ns，常数α0和β0及进化结束标志，进化代数Ng和ε0，进入步(2);

(2)在?WDmin,Umax内随机初始化粒子的位置，由式(4)和式(5)确定粒子飞行速度的极限Vmin和Vmax，然后在[Vmin,Vmax]内随机初始化粒子的飞行速度;令群体进化代数N= 0，进入步(3);

(7)根据公式(4)和式(5)动态调整粒子飞行速度的极限，并由式(7)和式(8)压缩粒子的搜索空间，进行步(8);

(8)把粒子分为两部分，一部分在压缩空间?WDmin,Umax内重新初始化，一部分在原始空间?WDmin,Umax内重新初始化，进行步(3)。

2.4数值测试

为了验证改进算法的性能，选用了5个常用的非线性基准函数，函数基本特征如表1所示。最大进化代数Ng=10 000，学习因子c1=c2=2，群体规模Npop=30;变量维数、变量范围、优化目标函数值如表1所示;设置参数w0=1。本文引入的参数停滞进化代数Ns=50，α0=019和β0=018(对函数f6,α0=015)。随机运行20次，适应值达到目标函数值时的平均进化代数及进化代数范围如表2所示：

表1

表2中，Nave和Nr分别为20次运行中收敛情况下进化代数的平均值和进化代数的范围(例如，若20次运行中有3次不收敛，则Nave和Nr分别为17次收敛运行的进化代数平均值和进化代数的范围)。对函数f2，压缩因子法(Vmax=100 000)和改进压缩因子法(Vmax=Xmax)，20次运行中各有1次不收敛(进化了10 000代适应值仍没有达到目标函数值);对函数f3，惯性权重法在目标函数值设置为0105时得到的表中结果，压缩因子法(Vmax=100 000)有3次不收敛，改进压缩因子法(Vmax=Xmax)有1次不收敛?由表中结果可以看出与惯性权重法、压缩因子法(Vmax=100 000)和改进压缩因子法(Vmax=Xmax)相比，CSV2PSO算法收敛速度更快，运行更为稳定(不易出现早熟现象)。

表2

2.5 算法总结

2.5.1 针对基本PSO算法的不足，对其进行了改进，提出了CSV2PSO算法，数值仿真结果表明该算法收敛速度更快，精度更高，运行更为稳定。

2.5.2 随着粒子群体不断进化，粒子群体逐渐向问题空间的优秀解域靠近，此时适当压缩粒子群搜索空间与粒子群飞行速度范围有利于加速算法收敛，提高收敛精度。

2.5.3 CSV2PSO算法在PSO算法的基础上引入了几个参变量，如Ns，α0，β0，这些变量如何影响PSO算法性能，有待于进一步研究。

3 PSO算法的应用

3.1 神经网络的训练：PSO用于神经网络的训练中，主要包含3个方面:连接权重、网络拓扑结构及传递函数、学习算法。每个粒子包含神经网络的所有参数，通过迭代来优化这些参数，从而达到训练的目的。

3.2 参数优化：PSO已广泛应用于各类连续问题和离散问题的参数优化。例如，在模糊控制器的设计、机器人路径规划、信号处理和模式识别等问题上均取得了不错的效果。

除了以上领域外，PSO在组合优化、多目标优化、自动目标检测、生物信号识别、决策调度、系统辨识以及游戏训练等方面也取得了一定的成果。

参考文献：

[1]蔡自兴,徐光v.人工智能及其应用[M].清华大学出版社,2003.

[2]陈慧萍,赵跃华,钱旭.人工智能教程[M].北京:电子工业出版社,2001.

[3]何华灿.人工智能导论[M].西安:西北工业大学出版社,1988.

[4]罗建宏,张忠能.并行仿真的粒子群优化算法异步模式研究[J].计算机仿真,2005,22(6).

[5]谭皓,沈春林,李锦.混合粒子群算法在高维复杂函数寻优中的应用[J].系统工程与电子技术,2005,27(8).

篇9

关键词： 机场能耗信息采集系统； 经验模式分解； 果蝇参数优化； 最小二乘支持向量机； 组合预测

中图分类号：TP181 文献标志码：A 文章编号：1006-8228（2017）04-35-06

Abstract： Focused on the periodic， random and non-stationary time series characteristics of Airport energy consumption data， an improved prediction algorithm based on empirical mode decomposition（EMD） and least squares support vector machine （LSSVM） with fruit fly parameter optimization is proposed. On the basis of the original LSSVM， decompose the data into multiple different intrinsic mode function components with EMD first， using fruit fly optimization algorithm to choose appropriate regularization parameter and kernel function parameters in LSSVM. And then depending on the each decomposition variation construct deferent least squares support vector machine model to predict respectively， and use fruit fly optimization algorithm to find the optimal regularization parameter and kernel function parameters. Finally， the superposition of each predicted result is the final forecast value. The simulation results with the three airport energy consumption prediction algorithms show that， the decomposition of data highlights the local characteristics of the original data after EMD， and fruit fly optimization algorithm gets better regularization parameter and kernel function parameters， thus has higher prediction accuracy.

Key words： airport energy information collection system； empirical mode decomposition； parameter optimization； least squares support vector machine； prediction

0 引言

M入二十一世纪以来，机场信息化发展迅速，研发了各类能耗信息管理系统，同时收集到了海量的机场能耗数据，这些数据可用于机场能耗预测。机场能耗预测是机场能源优化调度和综合管理的前提。机场能耗预测精度越高，就越有利于提高机场大型用电设备的效率，同时能为后期的调度工作提供有效的数据支持[1]。

机场能耗数据具有随机性、周期性、跳变性等特征，目前主流能耗预测方法是假设它为周期性的稳定序列，这导致分析数据特征的精度不高。为了更有效的掌握能耗序列变化的信息，运用经验模式分解（EMD）方法对其进行数据预处理，再根据分解后各分量的特点完成后面模型建立和能耗预测。文献[2]中提到EMD是一种将原序列的时域特性和频域特性组合在一起分析的自适应信号分解方法，它将非平稳序列分解成若干个不同频率的本征模态分量（Intrinsic mode function，IMF），各个分量包含不同的特征信息，对各分量分别进行分析可以减少了序列中不同特征信息之间的干涉或耦合[2]。

研究能耗预测的方法主要有回归分析法[3]、时间序列法[4-5]、神经网络法[6-9]等。其中神经网络能耗预测法应用广泛，但其计算速度缓慢、模型的网络结构难以确定、容易陷入局部极小值而难以找到全局最优解，由此造成能耗预测精度不高[10]。支持向量机（SVM）算法其优点是结构简单、学习速度快、全局最优、泛化性好，等优点一度被认为是神经网络的替代方法，已在模式识别、函数估计和信号处理领域广泛应用[11-12]。最小二乘支持向量机（LSSVM）改进了原有支持向量机求解的方法，所以具有更高效的计算速度和更高的预测精度，但在正则化参数与核函数参数选取方面仍存在盲目性问题，采用果蝇优化算法对LSSVM进行参数寻优可以有效提高模型的准确性，果蝇优化算法有程序简洁，计算速度快，寻找最优解能力强，实用性强等优点。利用果蝇算法寻优能力强的优点对LSSVM算法进行改进，自动寻找最优的正则化参数与核函数参数。

本文将EMD与果蝇参数优化的LSSVM方法相结合，对机场能耗进行组合预测。先运用EMD对机场能耗数据进行数据预处理，将非平稳的机场能耗序列分解成不同频率的本征模态分量的叠加。然后利用果蝇参数优化的最小二乘支持向量机对这些具有各自特征的分量进行分析。最后综合有分量回归的预测值得到最终的预测值。选取2012到2016年天津滨海国际机场部分站点的能耗数据为例，进行本文的方法应用。并将本文方法与未经EMD处理的果蝇参数优化LSSVM和未进行过果蝇参数优化的EMD-LSSVM方法进行对比分析，Matlab仿真结果表明本文方法有较高的预测精度。

1 机场能耗数据的采集

能耗稻堇丛从谔旖虮鹾9际机场的能源站监控系统。上位机是由VS2013和SQL2005联合开发的一套数据采集与监控程序。机场各站点将采集到的能耗数据发送到互联网，机场能源站上位机负责接受并储存这些数据。系统结构图如图1所示。

2 经验模式分解

机场能耗数序列具有复杂性、周期性、随机性等特征。利用经验模式分解（EMD）将机场能耗序列分解成若干个不同频率的本征分量（IMF），IMF具如下特点：极值（极大值和极小值）数与过零点的数目相等或最多相差一个；在任意频率里其上、下包络线的均值必须是零[13]。原机场能耗序列经过EMD分解可以看出其周期项、随机项、趋势项，从而达到机场能耗序列平稳化的效果。具体的分解过程如下：

⑴ 根据原能耗序列X（t）的局部极值求出其上、下包络线的平均值M1；

⑵ 将原能耗序列减去平均包络后即可得一个去掉低频的新序列F1=X（t）-M1；判断F1是否满足本征分量的条件，若不满足将F1看作新X（t），重复上述处理过程，直到F1满足为止，记F1为IMF1；

⑶ 将R1=X（t）-F1看作新的X（t），重复以上⑴和⑵步骤，即可依次得到IMF2，IMF3…直到Fn或Rn满足给定的终止条件时筛选结束。最后，原始的数据序列X（t）可表示为：

式⑴表明，EMD处理之后原能耗序列X（t）分解成了几个不同特征的分量，其中每个分量都代表一个特征尺度的能耗序列，对这些分量进行分析，可以降低后续建模的难度。

3 基于果蝇算法的正则化参数与高斯核函数的参数优化

对机场能耗数据进行EMD的数据预处理之后得到了若干个本征分量，根据各分量的变化特征采用参数优化的LSSVM方法分别进行建模。LSSVM可以有效克服算法计算量大，计算时间长等缺点，但是在正则化参数与核函数参数选取方面仍存在盲目性的问题，本文采用果蝇参数寻优的方法对LSSVM进行优化。具体推导过程如下：

LSSVM用如下函数形式对未知系统进行估计。

首先确定γ和σ的取值范围，然后在取值范围内随机赋予若干个果蝇的初始位置，计算初始果蝇的味道浓度判定值并将其代入味道浓度判定函数即⑼式，找出浓度最低的果蝇，记下此时味道浓度最优的γ和σ以及浓度值并更新果蝇的位置，通过反复的迭代重复上述步骤，直到满足跳出条件时得到一组最优目标值即最优的的γ和σ，将其代入式⑻得到最终的预测模型。

4 基于EMD和果蝇参数优化的LSSVM预测模型

利用EMD对能耗序列分解，分解后的本征分量突出了原能耗序列的局部特征，在此基础上，根据各个本征分量的变化特点分别用参数优化的LSSVM算法建立不同的预测模型，利用果蝇参数寻优算法对正则化参数与高斯核函数参数进行寻优，以预测准确率最大为优化目标，设置跳出条件为两代果蝇在一定限度之内，反复迭代直到找到最佳的正则化参数与核函数参数。因各个本征分量对最终的预测值贡献有差异，最后将预测结果由SVM组合得到最终预测结果。其预测方法结构见图2，步骤为：

⑴ 对能耗序列进行EMD分解得到n个IMF分量与一个余量Rn；

⑵ 对分解后的IMF分别建立合适的LSSVM能耗预测模型。

⑶ 设置果蝇参数寻优算法两代果蝇味道浓度小于m时为迭代结束的跳出条件。

⑷ 将果蝇参数优化算法确定的正则化参数与高斯核函数的最优参数γ和σ代入式⑻中建立最终的数学模型。采用多个输入、单输出的一步预测方法；

⑸ 由于分解后的IMF分量特征相异，所以对最终结果影响存在差异，直接叠加会降低整体的预测精度，这里采用支持向量机加权组合的方法，通过支持向量机组合得到最终能耗预测值。

5 仿真实验

数据来源于天津滨海国际机场能源站能耗数据，利用2012年1月1日至2016年1月1日整点天津滨海国际机场一号航站楼电能能耗数值，天气状况，节假日类型作为学习样本，预测2016年9月31日全天机场电能能耗值。

采用相对误差（Pe）和平均绝对百分比误差（MAPE）作为评价最终的能耗预测的标准，如下式，其中pi为实际的能耗值，qi为预测的能耗值，N为预测值总个数。

图3给出航站楼电能能耗序列的EMD分解局部图，得到七个IMF分量，可以看到IMF1为数值较小剧烈变化的高频分量，IMF2与IMF3与原序列周期变化相似，IMF4到IMF7为数值较小低频分量，R8为趋势项。可以看到分解后的分量突出了原能耗序列的局部特征，能更明显的看出原能耗序列的周期项、随机项和趋势项，能更好的把握能耗序列的特性。

根据各分量的变化规律选用不同LSSVM模型，并利用果蝇算法进行参数寻优，其中果蝇种群数为3，种群规模为30，最大迭代次数为100，预测值与训练值的均方差作为目标函数，以搜索最小均方差为目标，迭代结束时可得各个IMF的参数γ和σ如表1所示。

为了验证本文方法的有效性，采用EMD与果蝇参数优化的LSSVM、 EMD和未进行参数优化的LSSVM、单一果蝇参数优化的LSSVM三种方法分别进行预测，三种方法的预测结果图如图4，图5和图6所示。可以看出本文方法的偏移实际值较大的点较少，预测曲线更平滑。其预测的平均绝对百分误差和相对误差的对比数据如表2所示。从三种方法的预测精度可以看出，EMD与果蝇参数优化LSSVM的平均绝对百分比误差为1.02%，EMD与未进行参数优化的LSSVM的平均绝对百分比误差为1.56%，而单一果蝇参数优化的LSSVM的百分比误差为2.87%。本文方法在整点预测的相对误差最小。

对比图4，图5。本文方法在分析机场能耗数据特征的基础上，利用果蝇算法良好的全局寻优的能力对LSSVM的正则化参数γ与高斯核函数参数σ进行寻优。通过设定味道浓度判定函数和最优味道浓度的跳出条件，反复迭代不同的果蝇，直到迭代结束找出浓度最低的果蝇，得到最合适的正则化参数语高斯核函数参数γ和σ。相对于没有进行参数优化的方法，合适的γ和σ使模型具有更佳的泛化和学习能力，使机场能耗的预测精度大幅提升，从表2可以看到本文的预测方法的相对误差最大为1.02%最小则达到0.5%，从最终的预测曲线可以看出回归函数更为平滑。

对比图4，图6。本文方法加入EMD后，将原本复杂机场能耗序列分解为一系列不同频率的简单的平稳分量，这些分量包含了原机场能耗序列的局部特征信息。随着这些分量阶数的提高，其随机性减弱，对各个分量分别进行建模分析能更准确的把握原机场能耗序列的特征信息，使得能耗预测准确性大大提高。从最终的预测曲线可以看出，没有加入EMD方法其预测效果误差偏大，曲线偏移严重，而加入EMD之后预测准确性有显著提高。

6 结束语

针对机场能耗数据的复杂性和随机性造成预测精度不高的问题，本文提出EMD与果蝇参数优化的LSSVM预测方法。EMD分解可以分离出机场能耗序列的重要特征信息，根据分解之后各个分量的特点建立不同的最小二乘支持向量机子模型，然后利用果蝇算法良好的全局寻优能力进行关键参数的寻优，最后通过加权组合个分量的预测结果，得到最终预测结果。仿真结果表明，本文方法能进一步提高机场能耗预测的精度。未来研究工作将会对算法做进一步改进，加入实际数据的反馈，减少训练样本的添加影响，实现在线实时预测。

参考文献（References）：

[1] 李永超.民用机场能源信息管理系统[D].北京交通大学硕士

学位论文，2010：1-6

[2] An X， J D， Zhao M， et al. Short-term prediction of wind

power using EMD and chaotic theory[J].Communications in Nonlinear Science and Numerical Simulation，2012.17（2）：1036-1042

[3] Lehmann A， Overton J M C， Leathwick J R. GRASP：

generalized regression analysis and spatial prediction[J].Ecological modelling，2002.157（2）：189-207

[4] 李瑞，张宏立，王雅.基于量子粒子群优化算法的新型正交

基神经网络分数阶混沌时间序列单步预测[J].计算机应用，2015.35（8）：2227-2232

[5] Weigend A S. Time series prediction： forescasting the

future and understanding the past[M]，1994.

[6] 王德明，王莉，张广明.基于遗传 BP 神经网络的短期风速预

测模型[J].浙江大学学报（工学版），2012.46（5）：837-841

[7] HUANG J， Luo H， WANG H， et al. Prediction of time

sequence based on GA-BP neural net[J]. Journal of University of Electronic Science and Technology of China，2009.5：029

[8] Jin W， Li Z J， Wei L S， et al. The improvements of BP

neural network learning algorithm[C]//Signal Processing Proceedings， 2000. WCCC-ICSP 2000. 5th International Conference on. IEEE，2000.3：1647-1649

[9] Yu S， Zhu K， Diao F. A dynamic all parameters adaptive

BP neural networks model and its application on oil reservoir prediction[J]. Applied mathematics and computation，2008.195（1）：66-75

[10] Junsong W， Jiukun W， Maohua Z， et al. Prediction of

internet traffic based on Elman neural network[C]//Control and Decision Conference， 2009. CCDC'09. Chinese. IEEE，2009：1248-1252

[11] Vapnik V. The nature of statistical learning theory[M].

Springer Science & Business Media，2013.

[12] 祝志辉，孙云联，季宁.基于EMD和SVM的短期负荷预测[J].

高电压技术，2007.33（5）：118-112

[13] Wu Z， Huang N E. Ensemble empirical mode

decomposition： a noise-assisted data analysis method[J]. Advances in adaptive data analysis，2009.1：1-41

[14] Comak E， Polat K， Güne? S， et al. A new medical

decision making system： least square support vector machine（LSSVM） with fuzzy weighting pre-processing[J].Expert Systems with Applications， 2007.32（2）：409-414

篇10

特斯拉自动辅助驾驶技术

特斯拉增强型自动辅助驾驶系统包括8个摄像头、12个超声波传感器，以及装有声纳、雷达软件的高速处理器。最远监控距离达250米，覆盖360度可视范围。当驾驶员使用钥匙“召唤”，车辆便会自动驶出车库，停靠在驾驶员身边。当车辆收到变道信息，系统会根据道路情况自动完成变换车道。车辆接近目的地时，系统还会自动搜寻车位，自动完成泊车。

“我本人每天都使用这个技术，每次都感受到了完美的体验。”

――成果人：特斯拉全球副总裁 任宇翔。

IBM“Watson”类脑计算机

“Watson”是一部类脑计算机，计算能力相当于40亿个神经突出，功率只有2.5瓦。目前Watson已在医疗健康、教育、金融、零售等行业开发出各项应用。例如在远程医疗领域，通过网络连线Watson可对边远地区患者的核磁共振片进行解读，甚至远程分析基因图谱。等同于在边远地区建成三甲医院，为民众健康提供科技支撑。

“所有科学都是在于发现，在于探索，在于求知，而科技在于发明，在于创造，在于造福于人类。”

――成果人：IBM全球副总裁 陈黎明

“飞天开放平台”高可用电子商务交易处理平台

阿里飞天平台具备支撑每秒数十万笔的高并发交易能力和弹性伸缩能力。为数亿用户提供安全、快捷、个性化的购物体验，支撑电子商务快速创新，并可通过云服务实现普惠科技价值。即使“双11”海量用户同时访问，平台也可以每秒钟17.5万笔订单的速度处理，零错误零报错。

“飞天平台已经推出全球首个基于VR技术为基础的‘败家用户体验’，完整的购物支付购买场景现在已经可以完成。”

――成果人：阿里巴巴集团CEO 张勇

卡巴斯基工控安全平台2016

应对网络攻击对工业企业造成的威胁，卡巴斯基工控安全平台已对能源、化工、油气、钢铁、水资源、食品加工等企业实施保护。不可及时发现异常现象，报告、处理可疑命令，也不会影响工业流程。

“我们认为只有通过公共和相关部门的合作才能更好地保护好我们的网络，保护好我们的工业企业。”

――成果人：卡巴斯基实验室全球副总裁 安东・新格罗夫

量子通信技术

随着计算能力的快速提升，传统通信的加密算法逐渐遭到破解，量子通信应运而生。

据了解，量子通信利用了单光子不可分割的特性，可以实现一次不可破译的加密方式。为实现广大范围的量子通信，需要先用光纤实现城域网，利用卫星实现广域网，再利用中继器把两个城市连接起来，实现广域的量子通信。

“到目前为止，中科院的量子中心在相关部门的支持之下，已经实现集成化的量子通信终端，通过交换实现局域网之间无条件的安全，也可以实现量子网络的推广，目前的能力已经能够覆盖大概6000平方公里的城市，可以支持千节点、万用户的主网的需求。”

――成果人：中国科学院量子信息与量子科技前沿卓越创新中心主任 潘建伟

微软Hololens混合现实全息眼镜

微软HoloLens全息眼镜是一副眼镜，更是一部全息计算机，完全独立运营。通过众多传感器实时扫描，进行三维建模。医疗领域，学生戴上眼镜可通过全息影像学习解剖。在航天领域，宇航员能够戴着HoloLens学习探索火星。在设计领域，HoloLens可透视机械内部结构。

“我们认为下一个大事件将会是混合现实，这就是虚拟的数字世界和物理的现实世界的无缝融合。”

――成果人：微软全球执行副总裁 沈向洋

“Transistor Density Increase by 1000X”鳍式晶体管密度增加技术

加州大学伯克利团队创新发明“鳍式晶体管”，将晶体管做成垂直的薄膜，使晶体管密度增加，令半导体微型化大幅度再成长。只要薄膜做得更薄，晶体管微型化就能继续，从而不断提高电子产品的运算速度。

“现在晶体管的三极已经可以缩小到1纳米的宽度，未来半导体晶体管的密度还将再增加1000倍。这也就意味着互联网将来的速度和普及度也还有千百倍成长的空间。”

――成果人：美国加州大学伯克利分校教授 胡正明

“百度大脑”人工智能技术

“百度大脑”是人工智能的核心技术，由“超大规模计算”、“先进算法”、“海量大数据”三部分组成，并已建成覆盖全球的深度学习“神经网络”。目前，百度大脑的语音技术已经达到97%的准确率，无人驾驶汽车也由百度大脑操控。2016年9月，百度大脑的核心算法已经对外开放。

“我们现在看到的只是人工智能冰山一个小角，在未来的20年、30年，会有巨大的创新空间和商业机遇，共同开启人工智能的新时代。”

――成果人：百度公司总裁 张亚勤

“寒武纪1A”深度神经元网络处理器

模仿人脑的工作原理，中国科学院初步建成计算机神经元网络处理器。在语音识别和视频识别领域，该处理器的识别精度已经超越人类。

“这颗为人工智能而生的处理器，将出现在智能玩具里，摄像头里，家庭服务机器人里，也会出现在后台云端数据中心里……让我们一起拥抱智能时代。”

――成果人：中国科学院计算技术研究所研究员 孙凝晖

三星复合生物信号处理器

该处理器采用45纳米特殊半导体工艺制成，内嵌快闪存储器，可以监测5种生物信号，并转化成数据。能准确了解人体健康状态，从而提供便利、低廉的医疗保健服务。

“病人可以在韩国、中国或世界上任何一个国家享受医疗服务，超越地理界限，帮助人们拯救生命。”

――成果人：三星电子高级副总裁 朴庸仁

“神威・太湖之光”超级计算机

“神威・太湖之光”采用全国产综合处理器，是世界首台性能超过10亿亿次，并行规模超千万核的新型超级计算机。

它的亮点为：性能指标世界第一，芯片结构世界领先，低功耗设计更为高效，支持千万核应用的系统支撑软件。

“下一步超算中心将围绕国家重大需求和国际需求开展高性能计算应用和计算任务，共同为世界科技的创新做出更多工作。”

――成果人：清华大学教授、国家超级计算无锡中心主任 杨广文

SAP工业4.0互联网制造解决方案

SAP与中科院沈自所联合研发的工业4.0智能制造生产线，旨在实现创意制造、协同制造、绿色制造，推动中国制造与德国“工业4.0”结合，帮助中国制造实现数字化转型。

“在工业4.0的时代，我们既需要解决个性化定制，也要符合环保和绿色的要求，SAP希望通过与中科院的合作来推动中国制造与德国‘工业4.0’的结合，帮助中国制造实现数字化转型。”

――成果人：SAP全球副总裁、中国区总经理李强

微信生态创新

微信在技术、产业、社会等多层面提升生态创新能力，从沟通工具发展为开放平台，并成为新的生活方式。通过语音识别、图像识别、音频指纹、微信BOT平台、生物识别等技术服务，创新了人机交互方式。

“微信有个理念，好的产品是用完即走，这就好像我们在一个大森林里可以自由行走，畅快呼吸。”

――成果人：腾讯公司副总裁 江阳

华为麒麟960手机SoC芯片

华为麒麟960搭载了自主研发的全网通Modem，它可以支持所有的移油ㄐ牛帮助广大用户享受更加快速、可靠的连接服务。

华为在手机性能和功耗的平衡设计方面做了深入的研究，从处理器的核心、架构、系统工艺等方面都做了持续优化。

“麒麟960的照相技术来自于法国、俄罗斯和日本等团队，部分通信技术来自于美国、比利时和瑞典等团队。感谢世界互联网大会将我们和全球合作伙伴召集在一起。”

――成果人：华为技术有限公司副总裁 艾伟

Qualcomm“5GNR（新空口）原型系统和试验平台”

5GNR是全新孔口设计的全球性5G标准，也是下一代蜂窝移动技术的基础。