人工智能神经网络技术范文

导语：如何才能写好一篇人工智能神经网络技术，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】自组织神经网络；智能建筑管理；BP神经网络

1 基于自组织神经网络技术原理

基于大规模自组织神经网络技术[1]是在自组织神经网络技术和专家系统的基础原理运用多层数据融合弥补了单循环数据在智能建筑工程管理分析数据处理的不足和逻辑的缺陷学科.多跳自组织神经网络是智能传感器采集数据训练样本仿真学习模型即自动增速各个自组织神经元连接权阀值与感知识别隐式分布在整个网络结构体系中实现自组织神经网络模式记忆与信息处理应用.

2 基于大规模自组织神经网络在智能建筑管理中研究

2.1 基于多跳自组织神经网络在造价预测研究

基于大规模自组织BP神经模型应用40个高层智能建筑工程样本训练并用工程实例进行验证高精确性;而用大规模自组织神经网络模拟与输入层和隐含层加入了偏置自组织神经元来促进学习训练样本数据中有噪声、干扰等会造成过度学习现象,同时采用遗传优化算法进行建筑结构优化.基于BP神经在智能建筑工程估价中的应用“特征提取器”的运算大量过去的工程资料中自动提取工程特征与预算资料的规律关系数据.

2.2 基于大规模自组织神经网络在工程管理绩效评价中的应用

运用大规模自组织BP神经模型对工程管理绩效评价问题进行研究建立综合考虑工期、质量、费用、安全四大控制指标的工程管理绩效评价模型[2].实践证明,基于BP神经网络在运算工程管理绩效评估模型有利于多跳自组织神经网络预测工程工期、质量、成本、安全与绩效之间复杂的非线性关系来提高管理绩效的评价数据.

2.3 基于遗传算法模型在建设工程评标结构优化应用

基于多层神经网络的工作原理是先将输入信号传输到下一层节点运算函数处理后再将该节点的输出信息向下一层节点传输到信号传输到输出层节点为止.同时运用遗传算法模型构造及算法设计进行方案优劣排序、换位矩阵以及能量函数构造、大规模自组织神经元之间连接和输出,并用实例说明了该方法的优越性和实用性与非线性.

2.4 基于BP神经网络模型在建设工程招投标管理应用研究

基于BP神经网络多层数据融合多跳自组织神经网络技术原理分析自动预测工程招投标的招标价格和风险因素分析以及竞标单位资格审查等方面的应用指出多跳自组织神经网络具有的高度并行处理和可完成复杂输入输出的非线性映射组合结构,不仅可以保证高的中标率,且可避免招标过程中不确定性因素的影响.运用大规模自组织神经网络的工程承包招投标报价的研究,提出了一个多因素确定高层智能建筑投标报价的大规模自组织模型影响报高率的诸多因素,并确定了其权值即确定了用BP神经网络实施黑箱操作的样本输入值和目标值再通过训练样本自主调整修正输入节点和输出节点间的联系得出符合各种情况要求的权值矩阵算法.

2.5 基于智能建筑算法模型研究

基于BP神经网络是以训练样本算法即误差反向传播算法即BP神经算法的学习过程分为信息的正向传播和误差的反向传播[1],其通过训练样本前一次迭代的权值和阈值来应用神经网络技术的第一层向后计算各层大规模自组织神经元的输出和最后层向前计算各层权值和阈值对总误差的梯度进而对前面各层的权值和阈值进行修改运算反复直到神经网络样本收敛 BP神经网络输入向量为

X=( )T;隐含层输出向量为Y=( )T;输出层的输出向量为O= )T;期望输出向量为 ;输入层到隐含层之间的权值矩阵 ,其中列向量 为隐含层第j个大规模自组织神经元对应的权向量;隐含层到输入层之间的权值矩阵 ,其中列向量 为输出层第k个大规模自组织神经元对应的权向量.各层信号之间的算法结构为:

以上式中的 均为S类型函数, 的导数方程为: （5）

神经网络输出与期望输出的均方误差为: （6）

则训练样本输出层和隐含层的权值调整量分别为:

式中: 为比例系数,在模型训练中代表学习速率.如果BP自组织神经网络有 个隐含层,各隐含层节点分别记为 ,各隐含层输出分别记为 ,则各层权值调整计算公式分别如下:

输出层

综合上述预测分析在BP神经学习算法运用各层权值调整公式均由学习速率、本层输出的误差信号和本层输入数字离散信号决定在训练样本学习的过程受决策环境复杂程度和训练样本的收敛性即需要增大样本量来提高网络技术所学知识的代表性应注意在收集某个问题领域的样本时,注意样本的全面性、代表性以及提高样本的精确性,增大抗干扰噪声,还可以采用其他方法收集多层训练样本数据.

3 结束语

自组织神经网络技术应用在智能建筑管理领域是在多层智能传感器等多种信息技术飞速发展的多学科交叉研究领域得到广泛应用.

参考文献:

[1]周小佳.电力系统可靠性神经网络模型及实现研究[D].博士学位论文,1997.

[2]胡保清等.神经网络在土木工程领域的应用[J].低温智能建筑,2004(2).

作者介绍:

篇2

【关键词】输电网络；故障；人工智能；应用

电能的正常供应影响着人们的诸多方面，工作、学习、生活、娱乐等，电能供应的最基本要求就是稳定性和连续性，但是，输电网络越来越复杂，偶尔出现故障也会难免的，为了能够在输电网络出现故障时快速的诊断故障找出故障原因，减小相关损失，必须要找到一种合适的技术手段来解决这个问题，相关的研究人员也一直在致力于该方面的研究。人工智能技术就是研究人员在这方面的一个突破，人工智能技术能够模拟人类处理问题的思维方式，且具备一定的学习能力，本文将围绕这些方面进行一些探讨。

1 专家系统在输电网络故障诊断中的应用

专家系统在人工智能技术中开发的比较早，技术上也有了一定的厚度积累，从应用的角度来说，专家系统就是一个集合了大量程序的系统，它里面存储了相关专家在相应问题方面的见解，根据这些见解对问题进行推断，类似于专家解决问题的过程，节省了时间，目前，专家系统在人工智能中应用的已经非常广泛。专家系统在输电网络故障诊断中最典型的应用就是基于产生式规则的系统，把相关电路保护措施的信息和相关技术人员的诊断经验用程序表示出来，从而形成一个比较完备的专家知识库，一旦输电网络发生故障，则可以根据这个专辑知识库，快速的对故障进行诊断，迅速的找出解决方案。专家系统之所以在输电网络故障诊断中得到广泛的应用，主要有这么几个方面的原因：第一，输电网络中相关保护功能的信息能够有效、明了的表达出来；第二，基于产生式规则的专家系统允许根据实际情况的变化，对专家知识库进行合理的变更，跟上技术不断进步的脚步；第三，由于专家系统的智能功能，使其能够解决一些不确定的故障；第四，初步具备人类的思维，得出的结论能够被相关技术人员看懂。从上面的理论分析可以看出，专家系统在输电网络故障诊断中很有应用的前景和应用的必要，但是它也存在着一些问题：上面的分析可以看出，专家系统对故障的诊断基于专家知识库里的知识容量多少，因此，专家系统是否具有详细、准确的专家知识库能够影响整个故障诊断的效果，如果专家知识库达不到使用的实际标准，那么在进行故障推理低调时候，很有可能导致错误的结论，将相关技术人员引导到错误的道路上；专家系统在诊断大型输电系统故障的时候，需要从专家知识库进行知识的匹配，这个过程可能会比较慢；大部分专家系统不具备学习的能力，一旦诊断的故障超出了专家知识库中的内容， 那么专家系统很容易得出错误的结论。

2 人工神经网络在输电网络故障诊断中的应用

人工神经网络技术在输电网络故障诊断中应用的也越来越广泛，人工神经网络技术（ANN）就是模拟人体大脑的结构和处理问题方式的一种人工智能技术，它是人工智能技术重要的一个分支，它具有很多优点，例如能够实现并行式处理、自适应等，这些优点与输电网络故障诊断相结合，显示出了巨大的潜力，是一个比较热门的研究方向。基于人工神经网络的输电网络故障诊断，其总的诊断网络比较复杂，为了方便实时的侦测，一般将总的网络进行分区处理，然后在各个区创建基于BP算法的故障诊断模块，要得到诊断结果的时候，将各个分区的诊断结果进行综合后即可得出。例如，将总的故障诊断按照分工的不能区划成几个功能不同的诊断网络，比如一个子网络用来诊断故障的发生位置；一个子网络用来诊断故障的性质；一个子网络用来诊断故障对整个系统的危害程度等等，最后将这些子网络的结论按照一定的规则进行组合分析，即可得到需要的结论。人工神经网络的方法虽然相对于专家系统来说取得了一些突破，例如能够突破专家系统知识库知识获取难、诊断网络更加便于维护等，但是也具有一些缺点：人工神经网络不能够对启发性的知识进行分析和判断，且人工神经网络技术不够成熟，涵盖的范围大，学习困难，这些都在一定程度上影响了人工神经网络技术在输电网络故障诊断中的应用，并且，人工神经网络如何在大的输电网络故障诊断中应用一直是一个难点，还有待于相关人员取得新的突破。总体而言，人工神经网络方法在输电网络中还是很有应用前景的，可以加大的相关难题的科技攻关力度，进一步提高其有效性。

3 模糊理论在输电网络故障诊断中的应用

随着模糊理论的不断成熟，它在输电网络诊断中应用的也越来越广泛。在输电网络的故障中，其发生的故障和故障发生前的征兆之间联系是具有模糊性质的，这种模糊既具有不确定性又具有不准确定，因而，得出恰当的诊断结果也是比较困难的，必须要采用模糊判断的额方法，一般情况下是建立相关的模糊关系矩阵。随着模糊理论的不断完善，其受重视的程度越来越高，特别是在解决具有不确定性问题的情况中；模糊理论能够借助相关的数据库对问题进行分析，并得出一些列解决结论，且把这些结论按照模糊的程度进行排列；模糊知识库所使用的描述语言更容易为相关技术人员所接受。模糊故障诊断系统在结构上和专家系统有点相像，因此也具有一定的缺点：对大的输电网络系统故障诊断时速度比较慢；其可维护性比较差；不具备自主学习的能力。总体而言，模糊理论一般都是与其它人工智能技术结合使用，在一定程度上能够提高故障诊断的结果准确度，但是相关研究人员也必须要在它存在的缺点上有进一步的突破。

4 遗传算法在输电网络故障诊断中的应用

遗传算法目前在很多工业控制领域得到了推广和应用，在输电网络诊断中应用的也越来越多，遗传算法在基于生物进化的基础上推算出的一种自适应算法。遗传算法能够从错综负责的网络中，自动匹配出解决问题的最优算法，求出最优解，且比较简单，且可解决问题的范围比较大，一般应用于解决中小型规模的问题。目前，在遗传算法应用到输电网络故障诊断的过程中，如何建立正确数学模型至关重要，它是制约整个求解过程的关键，如果能够采用适当的方法对输电网络建立合理的数学模型，那么将有助于提高输电网络故障诊断的精确性。

5 结论

目前，人工智能技术已经在很多领域得到了应用，例如设备状态监测、设备自动化控制等，在现代输电网络越来越复杂的情况下，其应用于故障诊断中也显得越来越重要，本文分别介绍了专家系统、人工神经网络、遗传算法、模糊理论在输电网络故障诊断中的应用，指出了优点和缺点，希望本文能够对相关的工作人员产生一定的指导意义。

参考文献：

[1]毕天株，霓以信.人工智能技术在输电网络故障诊断中的应用述评[J].电力系统自动化，2012（11）.

[2]曾素琼.人工智能及其在输配电网络故障诊断中的应用[J].海南大学学报（自然科学版），2012（6）.

篇3

[关键词]电力系统；自动化；智能技术

中图分类号：F407.61 文献标识码：A 文章编号：

电力系统的分布范围较广，且其中大部分的元件具有饱和、磁滞及延迟等复杂地理特性，因此对电力系统实行有效控制，是非常具有挑战性的工作。目前，经济不断发展，电力系统的应用范围也在不断扩大，电力用户也会要求一个高效稳定的电力系统控制结构，以保证电力的正常供应。电力系统自动化中的智能技术通过先进测量及传感技术、先进控制方法、先进设备及先进决策支持体系，保证电力系统的安全、可靠、高效及经济的使用目标得以实现。智能技术在电力系统自动化中的应用正变得越来越普遍，本文分析了四种典型的智能技术。

电力系统自动化中智能技术的应用：

1 人工智能化技术的应用

电力系统自动化中人工智能化技术的主要应用于设备故障的诊断。诊断电力系统故障的传统方法是对电力装置与设备在发生故障的过程中所出现的数字状态信息与其他关键信息进行收集与分析，从分析中推理出导致故障发生的原因及发生故障的电力元件，并对故障恶化发展的态势作出预测。近些年来，人工智能化技术的应用，为电力系统的稳定运行提供了有效保障。目前电力系统中常用到的人工智能化技术主要包括ANN、ES、GA、Pe tri、FST等网络技术。其中 ES 是一种发展得较为成熟的技术，其不但将书本上相关理论知识融入其中，而且还总结了专家的实践经验，与电力工程的知识研究有着紧密的联系。目前ES智能技术在不断改进自身的知识构造与获取方式，目的是使知识表达与获取的工作变得简化，并使推理诊断故障的效率得到提高。ANN技术的最大优点是无需对专业理论与专家的实践经验进行知识形成、转化及表达方式等进行重新构造，而只是需要对领域专家提供的故障实例进行自我组织与自我学习，在此基础上构建出故障诊断的样本集，诊断故障的样本集对于识别故障类型与故障定位等有着重要的参考价值。FST技术的诊断原理为根据模糊的隶属度描述故障、保护装置及断路器之间可能的度量。此外GA与Petri技术则是各具优势，同时也存在着一些缺陷。

2 智能监控技术的应用

在电力系统内部，采用实时监控技术，可以及时有效地发现问题。现代计算机科技技术、工控技术及网络技术等在不断提高与更新，因此，只有提高电力系统的监控智能化水平，才能适应时展的要求。智能监控系统的用户界面为图形化结构，监控界面实现了数字化控制；显示电力系统的实时趋势、柱状图、位图动画及表盘数据等直观图形；此外，智能监控技术还具有遥控闭锁、实时报警、置数及遥控图形界面等功能。智能监控技术应用于电力自动化系统不仅使工作效率得以提高，而且节约了电力系统的人力资本，提高了安全生产生的可靠性，保障了电力系统内部的安全有效管理。智能监控技术可以根据实际情况制定具体的系统结构，例如：在对高压进线、馈线及母联部分，低压进线及联络回路的部分，电源切换及低压补偿等馈线、回路部分等方面进行考虑时，优先采用分布分层式结构。智能监控技术可以监测现场控制层、主控层及通讯层变压器的温度变化；监控发电机的全电量、油温及转速等状况。智能监控技术能监测到多种遥信量的信号，如断路器的开关量、保护装置的跳闸信号、非电量信号及异常报警的信号。3 神经网络的控制技术的应用神经网络的出现、形成与发展已经经历了漫长的历史过程，其学习算法与模型结构等方面的研究也获得了大量成果。因神经网络具备并行的处理能力、非线性的特性、自学习自组织等方面的能力，所以备受人们关注。神经网络由许多简单神经元组成的，其将大量信息隐含于连接的权值上，并根据学习算法对权值进行调节，从而使m 维空间神经网络到n维空间神经网络之间非线性的映射得以实现。

4 综合化智能系统的应用

综合化智能系统一方面实现了对电力系统实现了智能化的控制与现代化控制的结合。这方面的控制主要包括变结构的模糊控制、自组织与自适应的模糊控制、神经网络的自适应控制及变结构的控制等。在另一个方面，综合化智能技术也包含了多种智能控制技术间的相互交叉与融合。因此，对于庞大而复杂的电力系统来说，应用综合化智能控制技术则是具有非常重要的价值。就目前的情况而言，神经网络技术比较适用于非结构信息的处理，模糊控制技术则是适用于结构化知识的处理。因此神经网络技术与模糊逻辑控制技术的结合，具备技术基础。神经网络负责把感知器发送的数据进行妥当地安排与解释，模糊逻辑控制技术则

是为其挖掘潜力与利用潜力提供框架。以上两种智能技术可以在不同的角度上为智能系统提供服务，且能产生互补作用。

[参考文献]

[1] 董德坤,商涛.浅析电力系统自动化中智能技术的应用[J].科技论坛,2009.

[2] 王连生.基于风险的电力系统安全预警的预防性控制决策分析[J].哈尔滨工业大学校报,2009.

[3] 唐亮.论电力系统自动化中智能技术的应用[M].应用科学,2010.

篇4

【关键词】神经网络；塑性加工

1.引言

神经网络技术属于人工智能领域，最早在上世纪五十年代开始出现一些相关理论性的研究，由于受到当时软、硬件环境的约束，因此该技术的发展一直处于停滞状态，直到九十年代才得到足够的重视，并由于其在控制过程中独特的优势而受到广泛的关注和青睐，成为最热门的研究领域之一。人工神经网络的特点主要有大规模并行计算能力突出、数据存储的分布性好、超强的自学习和自适应能力等，甚至基于神经网络衍伸出的一些优化算法还可以具备相当程度的联想、识别和记忆功能，这大大强化了神经网络的适用范围。目前该技术已广泛的应用在生产控制、模式识别、网络控制、信号处理、医学工程以及其他需要智能优化处理服务的自动化控制场合。

2.人工神经网络概述

人工神经网络技术模拟人脑中由大量的神经元连接组成的复杂网络，在求解过程中充分的调动神经元之间的相互作用，从而实现对数据的感知、记忆和处理功能。虽然神经元个体相对简单且功能有限，但通过大量不同神经元的组合，便可使生成的网络系统具有多样化的功能。在人工神经网络中，神经元由三部分构成，分别是包含网络中每条连接权值的权集；用以存储某条组合连接中各个单位连接权值之和的求和单元；对加权和进行非线性映射并约束其强度的非线性激励函数。由这三部分组成的单个神经元可与其他多个神经元相连接，组成各种类型的神经网络。

神经网络的另一个优势在于其独特的分布式数据存储方式上，由于将采集到的大量数据分布存储在各个神经元之间的连接强度上，可大大增强数据的生存性和安全性，即使出现了局部数据的损毁，也不会对最终的计算结果造成太大的影响。从计算机技术方面分析，神经网络中的神经元实质上是一个非线性运算器，可同时接受多路输入数据参与运算，而计算结果则是唯一的单个输出。从数学建模的角度来看，通常使用三个函数来描述神经网络，分别是阶跃函数、分段线性函数和Sigmoid函数，如下所示：

在塑性加工领域，应用最多的是前馈型神经网络，在该类神经网络中，包括输入层、隐层和输出层三层结构。在这三层之间，内部节点相互独立，减少干扰，其实现的输入和输出之间的关联受到多种因素的影响，如节点数、层数、连接权值等等，若要实现该网络输出尽可能的逼近预设值，就必须采用误差函数来对各个连接强度进行动态调整，最常使用的是二乘误差，如下所示：

3.人工神经网络在塑性加工中的应用分析

3.1 工艺设计专家系统

工艺设计是塑性加工工序的开始，通过科学的工艺设计，可以将整个加工流程进行合理的安排，预设合适的参数组合，以使得生产出的产品合乎标准，在这一阶段，首先要完成的就是大量资料的收集，随后是数据提炼，计算量相当庞大。而利用人工神经网络来建立专家系统时可以实现大规模的数据并行处理，且不需要循序渐进的推理，直接通过大量的训练来得到最优的解集，这是其他智能算法所不具备的突出优势。而且在神经网络中，推理过程和计算过程是同步完成的，且相关信息分布存储在网络节点间的连接强度上，通过对样本不断的学习和更新来完成对存储知识的不断优化。

3.2 无损探伤及缺陷预测

在超声探伤、磁粉探伤等无损探伤中，由于得到的信息较为有限，因此传统的监测系统很难准确判断构件内部缺陷的具体情况，更谈不上精确定位了，且这种困难随着北侧物件体积的增大而直线上升。而神经网络所具有的非线性识别及映射能力则能很好的解决这一问题，通过反复的训练优化，最终定位出最有可能的缺陷位置和缺陷尺寸。若某平板内具有圆形缺陷，可先用有限元法模拟在一定载荷下圆孔的位置、尺寸变化对某些点的位移、应变的影响，将所得到的数据用来训练神经网络。一旦训练成功，就可以利用它确定同类试件内部的缺陷及其尺寸位置。

3.3 预测材料性能及参数识别

在塑性加工理论研究中，材料塑性变形行为的表述能否准确反映材料在外载作用下的响应，直接影响到理论结果的准确性。在利用传统方法建立本构模型时要引入许多假定的前提条件，还要通过大量的实践经验和实验验证来选择合适的参数组合，通过在不同环境下的仿真实验，并对结果进行对比分析，不断修正乃至最终确定本构模型，这一过程显然占用了过多的时间和资源。而利用神经网络却可以实现应力―应变的直接映射，直接从实验数据“学习”应力―应变关系，从而避免了大量的数学推导过程和验证―修改的不断反复过程。网络实现对应力―应变关系模拟就是在“训练”过程中不断改变自身各神经元间的连接强度，训练完成后，网络将应力―应变关系（某种材料）“记忆”在其连接强度上即可。

4.结束语

虽然神经网络已经被广泛的应用到各种工业控制场合并表现出强大的学习和自适应能力，但其算法的收敛性和鲁棒性仍有待加强，相信人工智能领域的不断突破，人工神经网络比价发挥出更大的作用。

参考文献

[1]时慧焯.基于人工神经网络的注塑成型翘曲优化方法[D].大连：大连理工大学，2012

[2]付子义.基于BP神经网络优化的PID控制器研究[J].软件导刊，2015，（12）：45-48

篇5

信息技术的发展繁荣给人类带来了机遇与挑战，为了应对计算机网络技术的安全问题人们引入了神经网络体系。从仿生学角度来说计算机神经网络体系仿照了人脑的工作方法。人脑具有接受信息，分析信息，处理信息的能力。科学家从中获得启发将这一方法引入了计算机安全防御中去，并形成了计算机安全评价的标准。

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。

5结语

篇6

【关键词】金融风险；预警；定量方法

近年来，美国次贷危机、欧债危机等金融危机的频繁爆发令金融风险预警领域成为了金融界备受关注的研究热点。从国内外的研究来看，金融风险预警的核心在于寻找一种有效的方法进行风险的识别和预测。目前，主流的金融风险预警方法是统计计量类方法，该类方法以较严谨的统计理论作为基础，因此得到了国际金融理论和实业界的广泛支持和认可。然而统计理论先天存在前提假设过严、忽略风险因素模糊性、难以解决非线性病结构的复杂问题、缺乏处理海量数据的能力等缺陷，致使该类方法在处理经济管理类的复杂问题时往往表现得力不从心，其在金融风险管理中应用的有效性及适用性亦受到了越来越多研究人员的质疑。近十多年来，随着人工智能技术的发展，具有模糊性、鲁棒性、自组织性、简单通用及并行处理等特征的智能计算技术越来越受到了金融领域研究人员的关注，越来越多的研究引入了智能计算技术并取得了大量成果。本文在综合研究了国内外相关文献的基础上，从方法的理论基础角度对预警方法进行了归纳分类，并对不同方法的性状进行了深入的比较、分析及评述，在此基础上提出了对金融风险预警方法发展方向的个人看法，以期为我国金融风险预警管理方法发展提供一种新的思路和视角。

一、统计计量类方法

该类方法的主要思想是根据预警指标体系收集相关的样本数据，对样本数据进行深入的统计分析，找出对金融风险有显著解释作用的指标。在此基础上基于一定的数量统计方法建立分析模型。该类方法是金融风险管理研究中广泛使用的方法，主要包括以下几种方法：（1）单变量分析方法。单变量分析方法是最早应用到金融风险预警领域中的定量分析方法。Fitz

patrick早在1932年就运用单个财务比率对19个样本企业进行破产预测，他的研究发现“净资产收益率”和“股东权益对负债比率”两个比率的预测能力最高；1938年，Secrist在研究中试图通过分析资产负债表比率的差异来寻找破产银行的特征，以期挖掘出破产银行和正常银行不同的财务状况；1966年，Beaver基于单变量分析法建立了企业破产预警模型，并以5个不同财务比率分别对158家的样本数据进行了一元判别预测，其结论认为“现金债务总额比率”预测的效果最好，“资产收益率”的效果次之。（2）多元线性判别分析（MDA）方法。单变量分析方法单从一个指标出发进行风险预警，往往不能充分反映出风险的全面状况，MDA方法则是以多个指标对风险进行预测的分析方法。针对单变量分析的缺陷，1968年，Altman等在前人研究基础上，利用判别分析技术建立了Z-Score模型，随后1975年Altman在改进Z-Score模型的基础上提出了ZETA模型。与此同时，1975年Sinkey在银行风险的早期预警模型中引入了多重判别方法。与单变量分析模型相比，MDA模型综合了多方面的风险信息，因此其建立的判别函数往往准确率更高。（3）Logit分析方法。MDA方法对所处理的样本有着严格的假设前提（如多元正态分布、等协方差矩阵等等）。针对这些缺陷，Martin在1977年采用了Logit分析对银行破产预警进行了研究；1980年Ohlson构建了企业破产预警的Logit分析模型，他的研究成果认为Logit模型对样本数据要求不高，其预测准确率也比MDA高。Logit分析假设事件发生概率服从标准

Logistic的累积概率分布函数，将事件发生的可能性估计为一个可观测特征函数，因此能部分克服MDA模型的缺陷。有鉴于此，20世纪80年代后大量研究采用了Logit分析方法。（4）Probit分析方法。Probit模型早在1954年就被Zmijewski引入到企业破产预测方面的研究。1983年，Bovenzi等采用Probit分析，以1977年至1981年间的222家银行作为样本构建了银行破产预警Probit模型，取得了良好的预测准确率。与Logit模型类似，Probit模型假设样本服从标准正态分布，其计算方法和Logit亦很类似，但Probit模型的计算过程比较复杂，而且在计算过程中进行的多次近似处理往往会影响数据的准确程度。

二、智能计算类方法

统计计量类方法的应用有着比较严格的假设前提，且难以区分出随机噪声和非线性关系，而风险预测与风险指标往往呈非线性关系，且风险指标之间亦可能非相互独立及不符合正态分布等等，因而极大地影响了统计计量类方法的应用效果。近十多年来，随着人工智能技术特别是智能计算的发展，以神经网络技术为代表的智能计算在风险预警领域中的应用得到了越来越广泛的关注。

（1）神经网络方法。神经网络是一种模仿人脑结构及功能的非线性分布式信息处理系统，具有自适应、自组织、自学习等能力，适宜大规模的并行计算。因此，20世纪90年代以后，神经网络被广泛应用到金融风险预警、财务困境和破产预测等金融风险管理领域。1990年，Odom首次将神经网络引入企业破产预测，随后Tam和Kiang（1992），Barniv et al（1997），Bell（1997），Jain&Nag（1997）及Yang et al（1999）等研究人员在研究金融风险预测预警时也纷纷采用神经网络技术，极大的促进了神经网络技术在金融风险管理领域中的应用。大部分的研究成果认为神经网络的预测准确率要优于MDA、Logit等传统统计计量类方法，且神经网络不存在严格的假设前提，容错能力强，但也存在着设计缺乏有效的理论指导、容易早熟及“黑箱操作”等缺陷，其预测结果往往难以解释，不易为金融从业人员接受。（2）进化计算方法。进化计算将自然界中的进化过程引入工程领域以解决复杂问题的优化，其原理通过模仿生物进化规律，在问题空间内随机搜索问题的解。目前以遗传算法、粒子群算法等算法为代表的进化计算在金融风险预警、企业破产预测等方面得到了广泛的应用。其中具有代表性的研究学者有：1998年Varetto Franco采用遗传算法提取了判别规则和线性函数，研究结果表明与MDA相比，遗传算法省时、受主观影响小，但准确性相对低。其他有代表性的研究学者还包括：Shin&Lee（2002）、Davalos Sergio et al.（2005）等等。进化计算方法应用到金融风险预警的机理是基于样本数据进行if-then判别规则提取，结构清晰且易于理解。然而进化计算的结构不固定、通用性较差，其设计往往根据经验而缺乏规范有效的理论指导。近年来，在很多研究中进化计算往往成为了一种与其他技术混合集成的辅助技术。（3）粗糙集方法。粗糙集是一种新的处理模糊和不确定性知识的有力工具，已经在数据挖掘、知识发现及决策支持等领域得到了广泛应用。1982年，Pawlak首先将粗糙集方法应用到金融风险预警领域。随后Ziarko（1984）、Tay F.E.H.

&Shen L.（2002）等学者也在相关研究中引入了粗糙集方法。这此研究成果表明，粗糙集方法善于处理不完善的信息，能有效的揭示风险因素特征与金融风险之间的关系，且具有决策规则易于理解、定性定量变量相结合、无需统计概率和模糊隶属度评价等优点。但是，在实际应用中粗糙集方法对噪声较敏感，抗干扰能力比较差，因此在实际应用中粗糙集更多的是与其他方法（如神经网络、模糊逻辑等）集成。（4）混合智能方法。单一智能技术各具优势，同时又存在这样那样的缺陷，制约了单一技术在金融决策领域的发展。因此，根据各种智能技术的特点与共同之处，探索它们的有机集成是近年来比较活跃的研究分支，并取得了可观的研究成果。2006年，Min等学者将遗传算法与支持向量机相结合，构建了企业危机预警模型，研究结论表明该模型综合性能良好。Tsakonas等学者（2006）采用了混合遗传规则与神经网络的方法进行破产预警研究。De Amorim等学者（2007）综合模糊系统与神经网络构建了混合模型，通过巴西金融机构数据的实证表明混合模型的预测精度要比多层BP网络好。Ng.G.S.（2008）等学者构建了混合局部优化算法与模糊神经网络的银行破产预警模型，对美国银行业数据的仿真结果表明该模型预测效果良好。Cho，Sung bin等（2009）混合了统计方法与人工智能方法进行破产预测。Ahn，Hyunchul等（2009）通过结合神经网络与遗传规划构建混合智能系统，为破产预测提供了一种更科学的方法。Arash Bahrammirzaee（2010）对人工神经网络、专家系统及混合智能系统等人工智能技术在金融风险管理中应用的相关研究成果进行了全面的分析概括，得到了混合智能系统能全面提升预测准确性的结论，但也存在技术整合策略、参数设计等问题。Chuang等（2011）将人工神经网络与案例推理相结合，提出了信用评分的二阶段模型，实证表明该模型的评估精度比单一人工神经网络要高。

除了上述的方法外，案例推理（case-based reasoning，

CBR）、支持向量机（support vector machine，SVM）等智能方法也被部分学者尝试应用于金融风险预测预警领域。

三、方法优劣对比分析

从历年的研究文献看，20世纪90年代前，统计计量类方法被大部分研究所采用，随后，人工智能技术的发展使得智能计算也受到了越来越多的关注。这些方法各具优劣，具体对比分析如表1所示。

四、预警方法评述

从金融风险预警方法的理论基础角度，本文把现存的预警方法分为两类：（1）统计计量类方法；（2）智能计算类方法。表1的对比分析表明：（1）统计计量类方法具有简单、易用、省时及结论易于理解等特点，且方法的实践设计存在规范的科学理论指导，因此被金融业广泛接受和应用。然而，这类模型普遍存在着以下几方面缺陷：一是有着比较严格假设前提，如假设正态分布、等协方差，多重特征独立性等等，这些假设经常与现实不相符；二是在研究风险行为和过程中片面强调风险因素的随机性而忽略了风险因素的模糊性；三是缺乏处理非线性复杂结构问题的能力，经验告诉我们，金融风险预警是复杂的，更具有非线性结构的特性，上述模型对此往往缺乏有效的处理能力；四是对金融大数据缺乏处理能力，随着金融大数据时代的到来，先天不足的统计计量类方法在面对海量的数据处理要求时，往往束手无策。（2）以神经网络为代表的智能计算技术具有处理病结构、不精确、不完善信息的良好能力，预测精度也相对较高，且该类方法具有自组织、自学习、鲁棒性及并行等优势，特别善长于处理海量数据。但该类方法的应用缺乏有效的理论指导、结构难以固定、通用性差，且结果往往难以解释，因此在实

际运用中也存在着大量争议。

五、结论与展望

综合上述分析可以发现，无论是基于统计计量的方法还是基于智能计算的方法都不是金融风险预警管理的万全之法。随着计算机信息技术、经济计量技术、智能技术等各学科技术的迅猛发展，综合多个学科理论与方法的金融风险预警模型受到了越来越广泛关注。预警的方法亦越来越体现出从定性到定量、从简单到复杂、多学科交叉、从单一技术到多元化组合技术等特征。虽然到目前为止，人们对于大量的应用问题已经提出了各种各样的混合智能学习方法，但是如何设计出一个能够有效地结合神经网络、模糊逻辑、进化算法等智能计算方法的最优混合系统仍然是一个富有挑战性的研究课题； 现代人工智能技术的发展十分迅速，涌现出越来越多的新技术新方法新思想（如免疫算法、DNA计算、支持向量机、蚁群算法、聚类分析等等），各种技术的互补与综合也是未来的研究方向之一；统计计量类方法具有不可替代的优势，如何将统计计量类方法与智能计算类方法进行综合和集成，优势互补，也是未来的研究热点。

参 考 文 献

[1]Fitzpatrick P J，A comparison of ratios of successful industrial enterprises with those of failed firms，Certified Public Account.1932，（2）：589～605

[2]Secrist，National Bank Failure and Non-failure，The Principia Press，Bloomington Ind.1938

[3]Beaver W H，Financial ratios as predictors of failure，Journal of Accounting research.1966，（Supplement）

[4]Altman Edward I，Financial ratios，discriminant analysis and the prediction of bankruptcy，Journal of Finance.1968，23：589-609

[5]Altman，E.I.，R.Haldeman and P.Narayanan.Zeta analysis：A new model to identify bankruptcy risk of finance[J].Journal of Banking and Finance 1（1977）：29～54

[6]Sinkey，Joseph F.，“A Multivariate Statistical Analysis of the Characteristics of Problem Banks”.Journal of Finance，1975，Vol.xxx，No.l，pp.21～36

[7]Martin， D.，1977，“Early-Warning of Bank Failure”，The Journal of Banking and Finance 1：249-276

[8]Ohlson，J.S.Financial Ratios and the Probabilistic Prediction of Bankruptcy[J].Journal of Accounting Research.1980：109～130

[9]Zmijewski，M.E.Methodological Issues Related to the Estimation of Financial Distress Prediction Models[J].Journal of Accounting Research（Supplement）1954：59～86

[10]Bovenzi，J.F.，J.A.Marino，and E.E.McFadden，Commercial Bank Failure Prediction Models.Economic Review.November.1983：14～26.

[11]Tam K.Y.，Kiang M.Managerial applications of neural networks：the case of bank failure predictions[J].Management Sciences.38（1992）：926-947

[12]Markham I.S.，Ragsdale bining neural networks and statistical predictions to solve the classification problem in discriminant analysis[J].Decision Sciences.26（1995）：229-242

[13]Austin M.，Looney C. Zhuo J.，Security market timing using neural networks[J].The New Review of Applied Expert Systems.3（1997）：3-14

[14]Odom M.D.，Sharda R.A neural network model for bankruptcy prediction[P].Proceedings of the IEEE International Joint Conference on Neural Networks ， San Diego，Vol.II，New York：IEEE，1990：163～168

[15]Barniv R.，Agarwal A.，Leach R.Predicting the outcome following

bankruptcy filing：a three-state classification using neural networks[J].Intelligent Systems in Accounting，Finance and Management.6（3）1997：177～194

[16]Bell T.Neural nets or the logit model：a comparison of each model’s ability to predict commercial bank failures[J].Intelligent Systems in Accounting，Finance and Management.6（3）1997：249～264

[17]Jain B.A.，Nag B.N.Performance evaluation of neural network decision models[J].Journal of Manage Information Systems.14（1997）：201-216

[18]Yang，Z.R.，Platt，M.B.，Platt，D.H. Probabilistic neural networks in bankruptcy prediction[J].Journal of Business Research，44（1999）：67-74

[19]Franco Varetto. Genetic algorithms applications in the analysis of insolvency risk[J].Journal of Banking & Finance.1998，22：1421～1439

[20]K.-S.Shin，Y.-J.Lee.A Genetic Algorithm Application in Bankruptcy Prediction Modeling[J].Expert Systems with Applications.2002，23：321～328

[21]Davalos Sergio，Gritta Richard D，Adrangi Bahram.Use of a Genetic Algorithm in Forecasting Air Carrier Financial Stress and Insolvency[J].The Credit & Financial Management Review.2005（2）

[22]Pawlak Z，Rough Sets，International Journal of Information and Computer Sciences.1982，11，341～356

[23]Ziarko W，Variable Precision Rough Set Model，Journal of Computers and Systems Sciences，1993，46，39～59

[24]Dimitras A I，Slowinski R，Susmaga R et al.，Business failure prediction using rough sets，European Journal of Operational Research.1999，（114）：263～280

[25]Tay F E H，Shen L，Economic and financial prediction using rough sets model，European Journal of Operational Research.2002，（141）：641～659

[26]Min Sung-Hwan，Lee Jumin，Han Ingoo. Hybrid genetic algorithms and support vector machines for bankruptcy prediction[J].Expert Systems with Applications.2006，31（3）：652～660

[27]Tsakonas Athanasios，Dounias George，Doumpos Michael，et al.Bankruptcy prediction with neural logic networks by means of grammar-guided genetic programming[J].Expert Systems with Applications，2006，30（3）：449～461

[28]De Amorim B.P.，Vasconcelos G.C.，Brasil L.M..Hybrid neural systems for large scale credit risk assessment applications[J].Journal of Intelligent and Fuzzy Systems.2007，18（5）：455～464

[29]Ng G.S.，Quek C.，Jiang H.FCMAC-EWS：A bank failure early warning system based on a novel localized pattern learning and semantically associative fuzzy neural network[J].Expert Systems with Applications，2008，34（2）：989～1003

[30]Cho Sungbin，Kim Jinhwa，Bae Jae Kwon. An integrative model with subject weight based on neural network learning for bankruptcy prediction[J].Expert Systems with Applications.2009，36（1）：403～410

[31]Ahn Hyunchul，Kim Kyoung-jae.Bankruptcy prediction modeling with hybrid case-based reasoning and genetic algorithms approach[J].Applied Soft Computing Journal.2009，9（2）：599～607

篇7

目前状况下，在很多工程项目之中，都需要对相关的信号进行一定程度上的处理，而在进行信号处理所采取的诸多方法之中，模糊控制的应用最为广泛。在对模糊理论进行运用时，存在一个十分重要的环节：对相应模糊集的隶属函数进行一定程度上的建立。对隶属函数的确定有着十分重要的意义，因为它不仅可以从性质方面对模糊系统的相关特点进行进一步的确定，同时它又可以通过量化的方法来对数学计算进行一定程度上的实现。但是对于隶属函数的选取以及建立来说，它具有很大的主观性，因此人们在对其进行研究时，在函数求解方法的总结方面存在一定的困难。而目前状况下的隶属函数方法仅仅局限于统计法、论证法以及专家经验法等，虽然这些方法已经在一些领域已经取得了一定程度的应用。然而，这并不能够满足发展的需求。近你年来，随着科学技术水平的逐步提高，人工智能方法逐渐被引用到对隶属函数的求解过程当中，并取得了良好的效果，能够对一些相对较为复杂的问题进行有效的解决。

1 人工智能

目前状况下，人工智能主要存在着两种实现方法，分别是工程学方法以及模拟法。前者主要是对传统的编程技术进行有效的利用，通过一系列的编程促使相关的系统能够呈现出一定程度的智能化效果。而后一种方法较为严格，它不仅需要对所设置出的效果进行一定程度上的保证，还要对其实现的方法有一定的要求，要求其实现方法能够与人类或者生物机体所使用的方法具有较高的相似程度。前一种方法较为复杂繁琐，且容易出现问题，不做赘述。本文主要针对模拟法中的相关算法进行一定程度上的介绍以及阐述。在采用模拟法时，相关的编程者需要对智能系统进行设计，并通过它实现有效的控制。这一系统的发展具有一定的渐进性，它具备自主学习的功能，通过不断的学习并逐渐对周围的环境进行有效的适应。这样才能够提升其解决复杂问题的能力。相对于工程学方法来说，模拟法更为省力，且能够发挥出更大的优势，因此得到了较为广泛的推广。

2 神经网络

2.1 充分利用BP神经网络，实现对隶属函数的有效推断

目前状况下，对于隶属函数的建立已经存在一些方法，而在这些方法之中，最常用也是最经典的两种就是专家经验法以及试凑法。然而，这两种方法也存在着固有的弊端，主要表现在两个方面，分别是较强的主观性以及需要消耗大量的人力。随着科学技术水平的提高，相关学者探究出一种基于神经网络的方法，相对于专家经验法以及试凑法来说，这种方法能够发挥出较大的优势，这主要是因为其具有较高的准确性以及客观性，并且能够对专家经验法以及试凑法所存在的弊端进行有效的克服。

BP神经网络，又被称作为前馈式神经网络，作为一种神经网络模型，在当前状况下得到了十分广泛的运用。其运作的原理以及流程主要如下：首先，对梯度下降法进行有效的利用，通过它实现将误差进行反向的传播，然后层层修正，最终达到误差最小化的目的。这样一来，就能够对隶属函数值的精确程度进行有效的提高。

2.2 多目标优化模型的模糊解法

多目标优化主要指的是在一定的条件之下对多个目标进行一系列的操作，使其达到最优解。目前状况下，它已经存在着多种解法，但最常使用的方法还是目标规划法。随着技术的逐步完善以及研究的逐步深入，人们在对多目标优化问题的解决时又实现了遗传算法的融入。这样一来，使得解决问题更加方便而高效。然而，又出现了一个新的问题，那就是在多目标的最优解中，各个目标之间往往存在着一定程度上的模糊相关关系，因此在求解时需要对模糊关系进行充分的考虑，否则，就不能对求解结果的精确性进行有效的保证。而随着人们对于这一问题关注度以及研究力度的加深，研究出了基于神经网络的多目标模型模糊求解的方法，这一方法能够有效的解决相关问题。

多目标的模糊求解存在着一套系统性较强的求解流程与步骤。首先，应当采取相应的方法实现对于其各个子目标最优解的求值。然后，对这些求出来的最优解进行有效的利用，通过它们对子目标进行一定程度上的模糊处理。当这些操作步骤完成之后，所求出来的能够使交集的隶属函数取最大值的解也就是这一模型的模糊最优解。而要想对以上的步骤进行有效的实现，就必须做好对于隶属函数的选取工作。然而如果采取认为选取的方式，就会因为较强的主观性而影响选择隶属函数的合理性以及科学性。因此，为了对这一问题进行有效的解决，相关研究者将函数进行与网络的联接，这样一来，由于其本身具备较强的插值能力以及非线性映射能力，因此它同时具备了较强的学习能力，通过不断的学习并逐渐对周围的环境进行有效的适应，并对其解决复杂问题的能力进行一定程度的提升。而通过这一办法可以有效的实现对于多目标模型的模糊求解。

3 遗传算法

从本质上来看，遗传算法其实是一种搜索方法，并具有一

定程度的随机性，同时，它严格的遵循生物界优胜劣汰的遗传规律。通过遗传算法，能够十分有效的对结构对象进行一系列的操作。遗传算法的一大特点就是不需要建立相关的模型而是直接进行运算。除此之外，遗传算法还具有十分优良的全局寻优能力。它能够对概率化的寻优方法进行有效的利用，并可以实现对于寻优方向合理而有效的调节。正是这一系列的优点，使得遗传算法能够有效的实现对于模糊系统隶属函数的优化。

在运用遗传算法进行操作时，首先要做的就是实现问题部分与基因片段的有效对应，然后再按照相应的遗传规则对其进行一定程度上的选择、交叉以及变异。而当上述步骤完成之后，就可以对其中的个体进行优化选择。将选取好的优秀个体进行保留并将之组成下一代的族群。这样一来，就可以实现优化的目的。通过对其的有效优化，能够在很大程度上对系统稳定性以及精确性进行一定程度的提高，同时也更加逼近隶属度的全局最优解的效果。

4 结束语

本文主要针对人工智能方法在信号处理中的有效应用进行一定程度上的研究与分析。首先，阐述人工智能的两种实现方式并对其进行了一定的对比。然后，具体分析了神经网络以及遗传算法。经过实践，这些方法都能够达到理想的效果。

参考文献：

[1]睢丹、金显华，人工智能在网络拥塞控制中的路径优化研究[J].计算机仿真，2011（09）.

篇8

    一、规模

    按规模大小FMS可分为如下4类:

    1.柔性制造单元(FMC)

    FMC的问世并在生产中使用约比FMS晚6~8年,它是由1~2台加工中心、工业机器人、数控机床及物料运送存贮设备构成,具有适应加工多品种产品的灵活性。FMC可视为一个规模最小的FMS,是FMS向廉价化及小型化方向发展和一种产物,其特点是实现单机柔性化及自动化,迄今已进入普及应用阶段。

    2.柔性制造系统(FMS)

    通常包括4台或更多台全自动数控机床(加工中心与车削中心等),由集中的控制系统及物料搬运系统连接起来,可在不停机的情况下实现多品种、中小批量的加工及管理。

    3.柔性制造线(FML)

    它是处于单一或少品种大批量非柔性自动线与中小批量多品种FMS之间的生产线。其加工设备可以是通用的加工中心、CNC机床;亦可采用专用机床或NC专用机床,对物料搬运系统柔性的要求低于FMS,但生产率更高。它是以离散型生产中的柔性制造系统和连续生产过程中的分散型控制系统(DCS)为代表,其特点是实现生产线柔性化及自动化,其技术已日臻成熟,迄今已进入实用化阶段。

    4.柔性制造工厂(FMF)

    FMF是将多条FMS连接起来,配以自动化立体仓库,用计算机系统进行联系,采用从订货、设计、加工、装配、检验、运送至发货的完整FMS。它包括了CAD/CAM,并使计算机集成制造系统(CIMS)投入实际,实现生产系统柔性化及自动化,进而实现全厂范围的生产管理、产品加工及物料贮运进程的全盘化。FMF是自动化生产的最高水平,反映出世界上最先进的自动化应用技术。它是将制造、产品开发及经营管理的自动化连成一个整体,以信息流控制物质流的智能制造系统(IMS)为代表,其特点是实现工厂柔性化及自动化。

    二、关键技术

    1.计算机辅助设计

    未来CAD技术发展将会引入专家系统,使之具有智能化,可处理各种复杂的问题。当前设计技术最新的一个突破是光敏立体成形技术,该项新技术是直接利用CAD数据,通过计算机控制的激光扫描系统,将三维数字模型分成若干层二维片状图形,并按二维片状图形对池内的光敏树脂液面进行光学扫描,被扫描到的液面则变成固化塑料,如此循环操作,逐层扫描成形,并自动地将分层成形的各片状固化塑料粘合在一起,仅需确定数据,数小时内便可制出精确的原型。它有助于加快开发新产品和研制新结构的速度。

    2.模糊控制技术

    模糊数学的实际应用是模糊控制器。最近开发出的高性能模糊控制器具有自学习功能,可在控制过程中不断获取新的信息并自动地对控制量作调整,使系统性能大为改善,其中尤其以基于人工神经网络的自学方法更引起人们极大的关注。

    3.人工智能、 专家系统及智能传感器技术

    迄今,FMS中所采用的人工智能大多指基于规则的专家系统。专家系统利用专家知识和推理规则进行推理,求解各类问题(如解释、预测、诊断、查找故障、设计、计划、监视、修复、命令及控制等)。由于专家系统能简便地将各种事实及经验证过的理论与通过经验获得的知识相结合,因而专家系统为FMS的诸方面工作增强了柔性。展望未来,以知识密集为特征,以知识处理为手段的人工智能(包括专家系统)技术必将在FMS(尤其智能型)中起着关键性的作用。人工智能在未来FMS中将发挥日趋重要的作用。目前用于FMS中的各种技术,预计最有发展前途的仍是人工智能。预计到21世纪初,人工智能在FMS中的应用规模将要比目前大4倍。智能制造技术(IMT)旨在将人工智能融入制造过程的各个环节,借助模拟专家的智能活动,取代或延伸制造环境中人的部分脑力劳动。在制造过程,系统能自动监测其运行状态,在受到外界或内部激励时能自动调节其参数,以达到最佳工作状态,具备自组织能力。故IMT被称为未来21世纪的制造技术。对未来智能化FMS具有重要意义的一个正在急速发展的领域是智能传感器技术。该项技术是伴随计算机应用技术和人工智能而产生的,它使传感器具有内在的“决策”功能。

    4.人工神经网络技术

    人工神经网络(ANN)是模拟智能生物的神经网络对信息进行并行处理的一种方法。故人工神经网络也就是一种人工智能工具。在自动控制领域,神经网络不久将并列于专家系统和模糊控制系统,成为现代自支化系统中的一个组成部分。

    三、发展趋势

    1.FMC将成为发展和应用的热门技术

    这是因为FMC的投资比FMS少得多而经济效益相接近,更适用于财力有限的中小型企业。目前国外众多厂家将FMC列为发展之重。

    2.发展效率更高的FML

    多品种大批量的生产企业如汽车及拖拉机等工厂对FML的需求引起了FMS制造厂的极大关注。采用价格低廉的专用数控机床替代通用的加工中心将是FML的发展趋势。

    3.朝多功能方向发展

篇9

【关键词】人工智能技术；电厂；应用；探讨

人工智能简称为AI，是对人类大脑简化及抽象，也是人类智能模拟的重要途径，现在我国人工智能工具主要有专家系统、模糊理论、神经网络、禁忌搜索、粒子群算法及遗传算法等，随着我国电力事业大力发展，很多人工智能技术被应用在了电厂中，并发挥了巨大作用，优化了电厂中电力系统的组合、运行及市场定价等众多问题，保证电厂供电的安全可靠性。

1 AI在我国电厂应用及探讨

1.1 专家系统应用与探讨

专家系统可简称为ES，它所面向主要是各非结构问题，特别是处理启发式、定性的或者不确定知识信息，通过各样的推理过程来达到系统所要求任务目标，在上世纪80年代，为了克服原有控制理论不足，自动控制领域工程师及学者将专家系统方法及思想引入了控制系统中进行应用及探讨。典型专家系统主要有推理机、知识库、知识获取机制以及人机界面四部分组成，专家系统在我国电厂里的应用是最早及较为成熟的人工智能技术，并且发展了很多专家系统，在电力系统不同领域被应用，像电网调度、系统恢复、监测和诊断、预想事故筛选等，特别是监测核事故诊断成为专家系统在电厂中最主要应用领域。依据知识存储方式不同，能把ES分为决策树、知识经验、规则及模型等不同形式，模型形式的知识所表达方式是比较适合实时处理的，比基于规则形式推理方式要更为简单及快捷及容易维护。ES在输电网络诊断故障里的典型应用为产生式规则系统，就是把断路器、保护器动作逻辑和运行人员诊断经验运用规则的形式进行表示，并形成知识库，依据报警信息进行知识库推理，以获得诊断结论，这种产生式规则专家系统在电厂中能够被广泛应用主要是因这种专家系统及故障诊断特点所决定的，在输电网络里断路器及一级保护间的关系能用模块化及直观规则进行表示，并且能允许删除、增加及修改某些规则，从而保证诊断系统有效性及实时性，对不确定问题在一定程度上给予了解决，还能给出一些符合人类语言结论及解释能力。同时，框架法的专家系统能够进行分类结构知识表达，以及对事物间的相关性进行表达，并简化继承性知识存储及表述。专家系统这种人工智能技术尽管能有效模拟完成故障诊断，可在电厂实际应用里，还存在着一定不足，主要为知识获取及维护问题，并且接口也不是很友好，对故障诊断里的很多不确定因素也无法有效解决，从而影响了诊断准确性。

1.2 遗传算法应用与探讨

遗传算法能简称为GA，是根据遗传机制及自然选择在计算机上，进行生物化机制模拟来寻优搜索的算法可在庞大复杂搜索空间里进行合适搜索，并找出最优及准最优的解决方法，这种算法简单及适用，其鲁棒性也比较强，这种智能技术对求解问题基本没有限制，对常规求解复杂过程涉及较少，可得到局部或全部的最优解集，与传统优化技术相比，这种技术更能解决及处理传统难以解决的非线性问题，因此，这种技术被广泛应用在电厂中的电力市场、规划及调度等方面，并且在故障诊断上，其应用效果也是不错的，可对输电网络中，故障诊断模型的建立成为了遗传算法存在主要途径，也是值得探讨问题，遗传算法如果可以建立适合数学模型，不仅能解决电力系统中的故障诊断问题，还能解决其他类似故障诊断问题，加强遗传算法合理模型建立是应该研究及探讨的。

1.3 神经网络应用与探讨

神经网络技术简称为ANN，其主要特点为广泛化、高度并行处理及非线性的映射功能等，对于控制领域具有较强吸引力，对于没有模型及复杂的不确定问题具有学习能力及自适应力，能够用在控制系统自适应环节及补偿环节里，非线性描述能力能够用在非线性控制及辨识中，而快速计算能力能够进行复杂控制问题计算优化，其定量及定性分布存储及合成能力能够用在复杂控制系统里的图像信息处理利用及接口转换，容错能力能够应用在非结构过程控制，网络神经已成为电厂应用中最成功的智能技术，像网络神经在电厂故障诊断中的应用，每个神经网络均负责系统里的部分诊断，ANN技术经过现场很多样本学习及训练，对其中阈值及连接权进行不断调整，让知识隐式分布于所有网络中，以实现模式记忆，这样ANN就具有获得较多知识能力，这种人工智能技术广泛应用在电力系统监测、诊断、实时控制、状态评估及负荷预测等领域，并且依据神经网络技术的负荷预测已经成为电厂电力系统中最成功应用之一。

2 其它人工智能技术应用及探讨

2.1 粒子群算法及模糊理论应用与探讨

粒子群算法可称为PSO算法，这种智能技术算法简单，容易实现，并且可调节参数也比较少，已经被应用在了很多学科及领域里，在电厂中也正被尝试及应用，可这种算法的精度不是很高，还容易陷入局部极值中。其设计思路为：在多维解的搜索空间里，运用这种算法，可在初始化之后得到一群随机的粒子，并搜索到最有位置及全局极值，这种算法能够被应用在电厂变电站的选址上，并且在电源规划上也有一定优越性，可也面临着诸多不确定因素，加强这些因素全面有效描述，成为电厂应用及探讨方向所在。模糊理论简称为FS，是自动控制及模糊逻辑相结合而成的，其功能是模拟人类决策及推理过程，运用专家经验及知识来控制规则的，可有效处理未知及不准确控制问题，并且不用建模，是种非线性的控制，以万能逼近的定理作为充分理论依据的，模糊控制器可当做万能的，完成所需任何非线性的控制任务，在很多工程及领域系统里，都没有办法建立较为精准数学模型，这使得模糊理论得到了广泛应用，在电厂里，自然也得到了较为广泛应用，像电厂的故障诊断里，一些故障及征兆间的关系是比较模糊的，不确定的，这时所得结果也就是模糊的，其传统方法去为依据专家经验进行模糊关系矩阵建立，并对模糊关系给予组合及合并等，随着这种智能技术发展，将模糊知识库运用语言变量进行表达，更接近人类表达习惯，对于问题多个解决方案，依据模糊度高低来优化排序，在一定程序上，增加了专家系统容错性，这种理论已被应用在电厂故障诊断识别、变压器保护及配电系统等领域里。

2.2 禁忌搜索算法

这种技术比较适合优化组合问题解决，可处理不可微目标函数，其理论思想为运用灵活记忆技术，把最近若干次的迭代过程进行反方向移动，并记录进tabu表里，处在这个表里的移动是不能在现有迭代过程里实现的，从而避免了已访问解群体的访问及循环产生，这种技术主要有tabu表、移动及特赦规则三要素组成，这种智能技术在电厂的电力系统里也得到了应用，主要运用了十进制及二进制编码这两类方案对实际系统给予优化计算，这种技术对局部最优解跳出方面具有较大优势，并且收敛效果好，能够进行快速寻优，可运用单点搜索不能够在全部空间内进行搜索，这使得初始值好坏直接决定了算法速度及其解质量。

3 结束语

近些年，人工智能技术在电厂中的应用除了以上算法及技术外，还有分布式人工智能、混合智能、蚁群算法及混沌优化法等，随着我国电力事业不断发展，市场竞争不断加大，人工智能技术在电厂中的应用是越来越广泛及发展良好。

参考文献

[1]朱祝武.人工智能发展综述[J].中国西部科技,2011(17)

篇10

与传统的自动化技术相比，智能控制无模型运转，提高了电气系统的管控效率。同时，智能技术的精度更高，减少了设计中的不可预测问题。因而设计对象模型阶段中便会存在不能估量或是预测的问题。人工智能技术实现了系统的实时调节，利用鲁棒性变化和响应时间提高其工作能力，实现自动化过程。智能技术已经成为现代企业管控的必然趋势，与传统的管控装置相比具有先进性，满足电气自动化工程建设的需求。针对不常见的数据，传统的自动化控制技术无法完成评估工作，但智能技术的出现解决了这一问题，实现了对系统录入信息的有效很快速处理。针对不同的对象，智能技术可显示不同的管控效果，使管控的效果具有针对性。但在目前的智能技术发展程度下，多种控制对象问题无法解决。因此，应从技术方面对智能技术进一步剖析和研究，促进该技术的完善，才能对我国工业以及相关行业的发展起到积极作用。

二、人工智能技术应用

基于电气自动化的复杂性，其操作过程应精细且注重细节。一旦操作失误，将导致系统故障甚至造成安全事故。因此，人工智能技术应用的核心技术在于程序化问题，将复杂化的程序通过智能手段转化为简便化。通过系统日常资料的分析，对设备故障采取积极的应对措施。在具体应用过程中，人工智能技术主要表现为以下几个方面。

(一)智能化设计分析

人工智能技术关系到电力工程以及电路的设计。在传统的设计模式下，工作人员的工作量大，需要大量的试验验证，并且对不合理部分进行改进。因此常出现考虑不周全的问题，处理问题的效率较低，对于难度较大的问题，传统的处理方案无法解决。这使得智能化设计成为必然。现阶段，电力企业逐步实现了智能化设计，全面考察了问题的难度，提高了处理问题的能力和效率。但同时，智能设计对于操作人员提出了更高的要求，要求其掌握专业知识和智能系统操作技巧，并且操作人员还应具有与时俱进的精神，对智能系统进行适当的改良设计。利用人工智能设计，可有效提高数据分析的准确性，将复杂问题简单化。

(二)PLC技术应用

随着电力企业规模的扩大，电力生产对于技术具有更高的要求，基于此的PLC技术成为企业生产和建设的重要目标。PLC技术是一种常见的人工智能技术，目前主要应用于工业、电力企业，具有良好的效果。其是在继电控制装置基础上发展起来的智能技术，该系统的主要作用在于优化了系统工艺流程，从而根据企业需求对运营现状进行调整，确保其运营的协调性。PLC技术以自动控制系统为主，手动控制技术为辅。对于提高电力系统生产实践具有重要作用。在电力生产中，PLC人工智能化技术的使用还实现了自动化目标切换，继电器逐渐代替了实物元件，不但提高而来管控效率，还确保了系统的运行安全。

(三)智能诊断和CAD技术应用

智能诊断系统的出现是电气运行复杂化的结果。该诊断系统要求操作人员具有较多的实践经验，改善了传统模式的手工设计方案，充分体现了信息时代的优势。科技的发展也使得CAD技术逐渐实现了智能化，缩短了产品设计实践。智能化技术优化了CAD技术，对产品设计质量的提高具有积极作用。目前，在电力系统中，遗传算法是人工智能技术的重要表现之一，通过科学的计算方法，提高了数据统计和计算的精确度。基于遗传算法的重要作用，应得到企业的重视。在电力系统运行过程中，如何区分故障和征兆是一个难题，智能化技术通过专家系统和神经网络系统可快速有效的分析出系统故障和安全隐患，并提供一定的解决办法，确保了电力系统的运行问题。

(四)神经网络技术应用

神经网络系统是智能技术的重要体现之一，其作用在于分析和处理系统故障。可对系统故障进行准确定位，并且减少了定位时间。同时，还可完成对非初始速度及负载转矩的有效管控。神经系统设计具有多样性，具有反向学习功能。利用神经网络系统的两个子系统，可实现对机电参数转子速度和电子流的评判和管控。目前，智能神经网络系统主要应用于分析模式和信号处理上。由于其包含非线性函数估算装置，因此对于电气自动化控制具有积极作用。其主要优势在于无需对控制对象建立数学模型，因此工作效率高，噪音小。

三、总结