前言：想要寫出一篇令人眼前一亮的文章嗎？我們特意為您整理了5篇神經(jīng)網(wǎng)絡(luò)的現(xiàn)狀范文，相信會為您的寫作帶來幫助，發(fā)現(xiàn)更多的寫作思路和靈感。

神經(jīng)網(wǎng)絡(luò)的現(xiàn)狀范文第1篇

由于人體與疾病的復(fù)雜性，不可預(yù)測性，非常適合人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用。目前的研究幾乎涉及從基礎(chǔ)醫(yī)學(xué)到臨床醫(yī)學(xué)的所有方面，主要應(yīng)用于生物信號的檢測與自動分析，醫(yī)學(xué)專家系統(tǒng)等。

在麻醉與危重醫(yī)學(xué)相關(guān)領(lǐng)域的研究涉及到多生理變量的分析與預(yù)測，從臨床數(shù)據(jù)中發(fā)現(xiàn)一些尚未發(fā)現(xiàn)或尚無確切證據(jù)的關(guān)系與現(xiàn)象，信號處理，干擾信號的自動區(qū)分檢測，各種臨床狀況的預(yù)測，單獨(dú)或結(jié)合其他人工智能技術(shù)進(jìn)行麻醉閉環(huán)控制等。

在圍術(shù)期和重癥監(jiān)護(hù)與治療階段，需要獲取大量的信息，將可能在信號處理、基于動態(tài)數(shù)據(jù)驅(qū)動的輔助決策專家系統(tǒng)、數(shù)據(jù)挖掘、各種臨床狀況的預(yù)測、智能化床旁監(jiān)護(hù)、遠(yuǎn)程醫(yī)療與教學(xué)、醫(yī)療機(jī)器人等各方面廣泛運(yùn)用到人工神經(jīng)網(wǎng)絡(luò)技術(shù)和其他人工智能技術(shù)。

一、概述

人工神經(jīng)網(wǎng)絡(luò)（artificial neural network, ann）是人工智能(artificial intelligence, ai)學(xué)科的重要分支。經(jīng)過50多年的發(fā)展，已成為一門應(yīng)用廣泛，涉及神經(jīng)生理學(xué)、認(rèn)識科學(xué)、數(shù)理科學(xué)、心理學(xué)、信息科學(xué)、計算機(jī)科學(xué)、微電子學(xué)等多學(xué)科交叉、綜合的前沿學(xué)科。WWw.133229.CoM

現(xiàn)代計算機(jī)的計算構(gòu)成單元的速度為納秒級，人腦中單個神經(jīng)細(xì)胞的反應(yīng)時間為毫秒級，計算機(jī)的運(yùn)算能力為人腦的幾百萬倍。可是，迄今為止，計算機(jī)在解決一些人可以輕而易舉完成的簡單任務(wù)時，例如視覺、聽覺、嗅覺，或如人臉識別、騎自行車、打球等涉及聯(lián)想或經(jīng)驗的問題時卻十分遲鈍。也不具備人腦的記憶與聯(lián)想能力，學(xué)習(xí)與認(rèn)知能力，信息的邏輯和非邏輯加工能力，信息綜合判斷能力，快速的高度復(fù)雜信息處理速度等。

造成這種問題的根本原因在于，計算機(jī)與人腦采取的信息處理機(jī)制完全不同。迄今為止的各代計算機(jī)都是基于馮*紐曼工作原理：其信息存儲與處理是分開的；處理的信息必須是形式化信息，即用二進(jìn)制編碼定義；而信息處理的方式必須是串行的。這就決定了它只擅長于數(shù)值和邏輯運(yùn)算。而構(gòu)成腦組織的基本單元是神經(jīng)元，每個神經(jīng)元有數(shù)以千計的通道同其他神經(jīng)元廣泛相互連接,形成復(fù)雜的生物神經(jīng)網(wǎng)絡(luò)。生物神經(jīng)網(wǎng)絡(luò)以神經(jīng)元為基本信息處理單元, 對信息進(jìn)行分布式存儲與加工, 這種信息加工與存儲相結(jié)合的群體協(xié)同工作方式使得人腦呈現(xiàn)出目前計算機(jī)無法模擬的神奇智能。

人工神經(jīng)網(wǎng)絡(luò)就是在對人腦神經(jīng)網(wǎng)絡(luò)的基本研究的基礎(chǔ)上，采用數(shù)理方法和信息處理的角度對人腦神經(jīng)網(wǎng)絡(luò)進(jìn)行抽象，并建立的某種簡化模型。一個人工神經(jīng)網(wǎng)絡(luò)是由大量神經(jīng)元節(jié)點(diǎn)互連而成的復(fù)雜網(wǎng)絡(luò),用以模擬人類進(jìn)行知識的表示與存儲以及利用知識進(jìn)行推理的行為。一個基于人工神經(jīng)網(wǎng)絡(luò)的智能系統(tǒng)是通過學(xué)習(xí)獲取知識后建立的,它通過對大量實例的反復(fù)學(xué)習(xí),由內(nèi)部自適應(yīng)機(jī)制使神經(jīng)網(wǎng)絡(luò)的互連結(jié)構(gòu)及各連接權(quán)值穩(wěn)定分布，這就表示了經(jīng)過學(xué)習(xí)獲得的知識。

人工神經(jīng)網(wǎng)絡(luò)是一種非線性的處理單元。只有當(dāng)神經(jīng)元對所有的輸入信號的綜合處理結(jié)果超過某一門限值后才輸出一個信號。因此神經(jīng)網(wǎng)絡(luò)是一種具有高度非線性的超大規(guī)模連續(xù)時間動力學(xué)系統(tǒng)。它突破了傳統(tǒng)的以線性處理為基礎(chǔ)的數(shù)字電子計算機(jī)的局限，標(biāo)志著人們智能信息處理能力和模擬人腦智能行為能力的一大飛躍。

近20年來，神經(jīng)網(wǎng)絡(luò)的軟件模擬得到了廣泛研究和應(yīng)用，發(fā)展速度驚人。1987年在圣地亞哥召開了首屆國際神經(jīng)網(wǎng)絡(luò)大會，國際神經(jīng)網(wǎng)絡(luò)聯(lián)合會(inns)宣告成立。這標(biāo)志著世界范圍內(nèi)掀起神經(jīng)網(wǎng)絡(luò)開發(fā)研究熱潮的開始。

二、醫(yī)學(xué)領(lǐng)域應(yīng)用現(xiàn)狀與前景

由于人體與疾病的復(fù)雜性，不可預(yù)測性，在生物信號與信息的表現(xiàn)形式、變化規(guī)律（自身變化與醫(yī)學(xué)干預(yù)后變化），對其檢測與信號表達(dá)，獲取的數(shù)據(jù)及信息的分析、決策等諸多方面均存在大量復(fù)雜的非線性關(guān)系，非常適合人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用。目前的研究幾乎涉及從基礎(chǔ)醫(yī)學(xué)到臨床醫(yī)學(xué)的所有方面，主要應(yīng)用于生物信號的檢測與自動分析，醫(yī)學(xué)專家系統(tǒng)等。

1、信號處理：

在生物醫(yī)學(xué)信號的檢測和分析處理中主要集中對心電、腦電、肌電、胃腸電等信號的識別，腦電信號的分析，聽覺誘發(fā)電位信號的提取，醫(yī)學(xué)圖像的識別和數(shù)據(jù)壓縮處理等。

2、醫(yī)學(xué)專家系統(tǒng)

醫(yī)學(xué)專家系統(tǒng)就是運(yùn)用專家系統(tǒng)的設(shè)計原理與方法, 模擬醫(yī)學(xué)專家診斷、治療疾病的思維過程編制的計算機(jī)程序, 它可以幫助醫(yī)生解決復(fù)雜的醫(yī)學(xué)問題, 作為醫(yī)生診斷、治療的輔助工具。 “傳統(tǒng)”的專家系統(tǒng)，通過把專家的經(jīng)驗和知識以規(guī)則的形式存入計算機(jī)中，建立知識庫，用邏輯推理的方式進(jìn)行醫(yī)療診斷。但一些疑難病癥的復(fù)雜形式使其很難用一些規(guī)則來描述，甚至難以用簡單的語言來表達(dá)；專家們常常難以精確分析自己的智能診斷過程。另一方面，基于規(guī)則的專家系統(tǒng)，隨著數(shù)據(jù)庫規(guī)模的增大，可能導(dǎo)致組合爆炸，推理效率很低。由于人工神經(jīng)網(wǎng)絡(luò)能夠解決知識獲取途徑中出現(xiàn)的“瓶頸”現(xiàn)象、知識“組合爆炸”問題以及提高知識的推理能力和自組織、自學(xué)習(xí)能力等等, 從而加速了神經(jīng)網(wǎng)絡(luò)在醫(yī)學(xué)專家系統(tǒng)中的應(yīng)用和發(fā)展。

sordo比較了采用不同網(wǎng)絡(luò)結(jié)構(gòu)和學(xué)習(xí)算法的神經(jīng)網(wǎng)絡(luò)在診斷胎兒唐氏綜合征(down’s syndrome) 上的成績。正確分類率為84 %, 超過了現(xiàn)今所用的統(tǒng)計方法的60 %～70 % 的分類率。

臺灣deu科技（德亞科技）開發(fā)的計算機(jī)輔助檢測系統(tǒng)rapid screentm rs-2000為全世界最先通過美國fda認(rèn)證的早期肺癌輔助診測系統(tǒng)。該產(chǎn)品采用人工智能神經(jīng)網(wǎng)絡(luò)ann，自動標(biāo)識數(shù)字胸片中可疑結(jié)節(jié)區(qū)。經(jīng)臺灣和美國的臨床實驗，可使放射專家檢測t1期肺癌的能力明顯提高(潛在提升約15 %以上)。

degroff等使用電子聽診器和人工神經(jīng)網(wǎng)絡(luò)制造了一種儀器，它可正確地區(qū)分兒童生理性和病理性雜音。用電子聽診器記錄的兒童心音，輸入能識別復(fù)雜參數(shù)的ann，分析的敏感性和特異性均達(dá)100%。

3、其他：

生物信息學(xué)中的研究中可應(yīng)用于基因組序列分析、蛋白質(zhì)的結(jié)構(gòu)預(yù)測和分類、網(wǎng)絡(luò)智能查詢等方面。

藥學(xué)領(lǐng)域廣泛應(yīng)用于定量藥物設(shè)計、藥物分析、藥動/藥效學(xué)等方面。例如：用于預(yù)測藥物效應(yīng)。veng-pederson用神經(jīng)網(wǎng)絡(luò)預(yù)測阿芬太尼對兔心率的影響，對用藥后180-300分鐘的藥物效應(yīng)取得了較好的預(yù)測結(jié)果（平均相對預(yù)測準(zhǔn)確度達(dá)78%）。分析群體藥動學(xué)數(shù)據(jù)，以獲知群體藥動學(xué)特征和不同人口統(tǒng)計因子對藥物行為的影響，對臨床用藥具有指導(dǎo)意義。

4、麻醉與危重醫(yī)學(xué)相關(guān)領(lǐng)域的研究

手術(shù)室和icu內(nèi)是病人信息富集的地方，而且大量的信息處在動態(tài)變化中，隨著醫(yī)學(xué)技術(shù)的飛速進(jìn)步，所能獲取的信息越來越多，醫(yī)護(hù)人員面臨著“信息轟炸”。神經(jīng)網(wǎng)絡(luò)技術(shù)可以很好地幫助我們應(yīng)對這些問題。例如：

1）可以用于分析多個生理變量之間的關(guān)系，幫助研究其內(nèi)在的關(guān)系，或預(yù)測一些變量之間的關(guān)系：perchiazzi在肺損傷和正常的豬容量控制機(jī)械通氣中，用ann估計肺順應(yīng)性的變化，不需要中斷呼吸，與標(biāo)準(zhǔn)方法相比誤差很小。

2）結(jié)合數(shù)據(jù)挖掘技術(shù)，可能從海量數(shù)據(jù)庫例如電子病歷系統(tǒng)中，發(fā)現(xiàn)一些尚未發(fā)現(xiàn)或尚無確切證據(jù)的關(guān)系與現(xiàn)象：buchman 研究了神經(jīng)網(wǎng)絡(luò)和多元線形回歸兩種方法，用病人的基本資料、藥物治療差異和生理指標(biāo)的變化預(yù)測在icu延遲（>7天）。

3）信號處理：ortolani等利用eeg的13個參數(shù)輸入ann，自行設(shè)計的麻醉深度指數(shù)ned0-100作為輸出，比較ned與bis之間有很好的相關(guān)性；

4）干擾信號的自動區(qū)分檢測：jeleazcov c等利用bp神經(jīng)網(wǎng)絡(luò)區(qū)分麻醉中和后檢測到的eeg信號中的假信號，是傳統(tǒng)eeg噪音檢測方法的1.39-1.89倍。

5）各種臨床狀況的預(yù)測：laffey用ann預(yù)測肌肉松弛藥的殘留，發(fā)現(xiàn)明顯優(yōu)于醫(yī)生的評估，還有用于預(yù)測propfol劑量個體差異的，預(yù)測術(shù)后惡心、嘔吐，預(yù)測全麻后pacu停留時間，預(yù)測icu死亡率等較多的研究。

神經(jīng)網(wǎng)絡(luò)的現(xiàn)狀范文第2篇

關(guān)鍵詞：深度學(xué)習(xí)；機(jī)器學(xué)習(xí)；卷積神經(jīng)網(wǎng)絡(luò)

1概述

深度學(xué)習(xí)（Deep Learning）是人工智能、圖像建模、模式識別、神經(jīng)網(wǎng)絡(luò)、最優(yōu)化理論和信號處理等領(lǐng)域的交叉學(xué)科，主要構(gòu)建和模擬人腦進(jìn)行分析學(xué)習(xí)，它屬于機(jī)器學(xué)習(xí)的新興領(lǐng)域。

2大數(shù)據(jù)與深度學(xué)習(xí)

目前，光學(xué)檢測、互聯(lián)網(wǎng)、用戶數(shù)據(jù)、互聯(lián)網(wǎng)、金融公司等許多領(lǐng)域都出現(xiàn)了海量數(shù)據(jù)，采用BP算法對于訓(xùn)練神經(jīng)網(wǎng)絡(luò)出現(xiàn)了梯度越來越稀疏、收斂到局部最小值只能用有標(biāo)簽的數(shù)據(jù)來訓(xùn)練等缺點(diǎn)。Hinton于2006年提出了深度學(xué)習(xí)的概念，Lecun等人提出了卷積神經(jīng)網(wǎng)絡(luò)，卷積神經(jīng)網(wǎng)絡(luò)利用空間關(guān)系減少參數(shù)數(shù)目以提高訓(xùn)練性能。

CPU和GPU計算能力大幅提升，為深度學(xué)習(xí)提供了硬件平臺和技術(shù)手段，在海量大數(shù)據(jù)處理技術(shù)上解決了早期神經(jīng)網(wǎng)絡(luò)訓(xùn)練不足出現(xiàn)的過擬合、泛化能力差等問題。

大數(shù)據(jù)和深度學(xué)習(xí)必將互相支撐，推動科技發(fā)展。

3深度學(xué)習(xí)模型

深度學(xué)習(xí)模型實際上是一個包含多個隱藏層的神經(jīng)網(wǎng)絡(luò)，目前主要有卷積神經(jīng)網(wǎng)絡(luò)，深深度置信神經(jīng)網(wǎng)絡(luò)，循環(huán)神經(jīng)網(wǎng)絡(luò)。

1）卷積神經(jīng)網(wǎng)絡(luò)

在機(jī)器學(xué)習(xí)領(lǐng)域，卷積神經(jīng)網(wǎng)絡(luò)屬于前饋神經(jīng)網(wǎng)絡(luò)的一種，神經(jīng)元不再是全連接的模式，而是應(yīng)用了局部感受區(qū)域的策略。然而傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)使用神經(jīng)元間全連接的網(wǎng)絡(luò)結(jié)構(gòu)來處理圖像任務(wù)，因此，出現(xiàn)了很多缺陷，導(dǎo)致模型⑹急劇增加，及其容易過擬合。

在卷積神經(jīng)網(wǎng)絡(luò)中，網(wǎng)絡(luò)中的神經(jīng)元只與前一層的部分神經(jīng)元連接，利用圖像數(shù)據(jù)的空間結(jié)構(gòu)，鄰近像素間具有更強(qiáng)的相關(guān)性，單個神經(jīng)元僅對局部信息進(jìn)行響應(yīng)，相鄰神經(jīng)元感受區(qū)域存在重疊，因此，綜合所有神經(jīng)元可以得到全局信息的感知。

另外，一個卷積層中的所有神經(jīng)元均由同一個卷積核對不同區(qū)域數(shù)據(jù)響應(yīng)而得到，即共享同一個卷積核，使得卷積層訓(xùn)練參數(shù)的數(shù)量急劇減少，提高了網(wǎng)絡(luò)的泛化能力。

一般在卷積層后面會進(jìn)行降采樣操作，對卷積層提取的特征進(jìn)行聚合統(tǒng)計。降采樣區(qū)域一般不存在重疊現(xiàn)象。降采樣簡化了卷積層的輸出信息，進(jìn)一步減少了訓(xùn)練參數(shù)的數(shù)量，增強(qiáng)了網(wǎng)絡(luò)的泛化能力。

卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)了局部特征的自動提取，使得特征提取與模式分類同步進(jìn)行，適用于處理高分辨率的圖像數(shù)據(jù)。目前，卷積神經(jīng)網(wǎng)絡(luò)在圖像分類、自然語言處理等領(lǐng)域得到廣泛應(yīng)用。

2）深度置信網(wǎng)絡(luò)

深度置信網(wǎng)絡(luò)是一種生成模型，網(wǎng)絡(luò)中有若干隱藏層，同一隱藏層內(nèi)的神經(jīng)元沒有連接，隱藏層間的神經(jīng)元全連接。神經(jīng)網(wǎng)絡(luò)經(jīng)過“反向運(yùn)行”得到輸入數(shù)據(jù)。

深度置信網(wǎng)絡(luò)可以用做生成模型，通過前期的逐層無監(jiān)督學(xué)習(xí)，神經(jīng)網(wǎng)絡(luò)可以較好的對輸入數(shù)據(jù)進(jìn)行描述，然后把訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)看作深度神經(jīng)網(wǎng)絡(luò)，最后得到分類任務(wù)的深度神經(jīng)網(wǎng)絡(luò)。

深度置信網(wǎng)絡(luò)可以用于圖像識別、圖像生成等領(lǐng)域，深度置信網(wǎng)絡(luò)可以進(jìn)行無監(jiān)督或半監(jiān)督的學(xué)習(xí)，利用無標(biāo)記數(shù)據(jù)進(jìn)行預(yù)訓(xùn)練，提高神經(jīng)網(wǎng)絡(luò)性能。但近幾年由于卷積神經(jīng)網(wǎng)絡(luò)的飛速發(fā)展，深度置信網(wǎng)絡(luò)已經(jīng)很少被提及。

3）循環(huán)神經(jīng)網(wǎng)絡(luò)

循環(huán)神經(jīng)網(wǎng)絡(luò)是一種專門用于處理時序數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)，它與典型的前饋型神經(jīng)網(wǎng)絡(luò)最大區(qū)別在于網(wǎng)絡(luò)中存在環(huán)形結(jié)構(gòu)，隱藏層內(nèi)部的神經(jīng)元是互相連接的，可以存儲網(wǎng)絡(luò)的內(nèi)部狀態(tài)，其中包含序列輸入的歷史信息，實現(xiàn)了對時序動態(tài)行為的描述。這里的時序并非僅僅指代時間概念上的順序，也可以理解為序列化數(shù)據(jù)間的相對位置。如語音中的發(fā)音順序，某個英語單詞的拼寫順序等。序列化輸入的任務(wù)都可以用循環(huán)神經(jīng)網(wǎng)絡(luò)來處理。如語音、視頻、文本等。對于序列化數(shù)據(jù)，每次處理時輸入為序列中的一個元素，比如單個字符、單詞、音節(jié)，期望輸出為該輸入在序列數(shù)據(jù)中的后續(xù)元素。循環(huán)神經(jīng)網(wǎng)絡(luò)可以處理任意長度的序列化數(shù)據(jù)。

循環(huán)神經(jīng)網(wǎng)絡(luò)可以用于機(jī)器翻譯、連寫字識別、語音識別等。循環(huán)神經(jīng)網(wǎng)絡(luò)和卷積網(wǎng)絡(luò)結(jié)合，將卷積神經(jīng)網(wǎng)絡(luò)用于檢測并識別圖像中的物體，循環(huán)神經(jīng)網(wǎng)絡(luò)用于識別出物體的名稱為輸入，生成合理的語句，從而實現(xiàn)對圖像內(nèi)容的描述。

4深度學(xué)習(xí)應(yīng)用

1）語音識別

語音識別技術(shù)主要包括特征提取技術(shù)、模式匹配準(zhǔn)則及模型訓(xùn)練技術(shù)三個方面。其應(yīng)用領(lǐng)域主要有語音輸入系統(tǒng)、語音控制系統(tǒng)和智能對話查詢系統(tǒng)，語音識別極大地推動了人工智能的快速發(fā)展。1952年Davis等人研究了世界上第一個能識別10個英文數(shù)字發(fā)音的實驗系統(tǒng)。大規(guī)模的語音識別研究是在20世紀(jì)70年代以后，在小詞匯量、孤立詞的識別方面取得了實質(zhì)性的進(jìn)展。2012年，微軟研究院使用深度神經(jīng)網(wǎng)絡(luò)應(yīng)用在語音識別上將識別錯誤率降低了20%，取得了突破性的進(jìn)展。2015年11月17日，浪潮集團(tuán)聯(lián)合全球可編程芯片巨頭Altera，以及中國最大的智能語音技術(shù)提供商科大訊飛，共同了一套DNN語音識別方案。

2）圖像分析

圖像是深度學(xué)習(xí)最早嘗試的應(yīng)用領(lǐng)域。1989年，LeCun和他的同事們就發(fā)表了卷積神經(jīng)網(wǎng)絡(luò)的工作。2012年10月，Hinton和他的兩個學(xué)生用更深的CNN在ImageNet挑戰(zhàn)上獲得了第一名，使圖像識別向前躍進(jìn)了一大步。

自2012年以來，深度學(xué)習(xí)應(yīng)用于圖像識別使得準(zhǔn)確率大大上升，避免了消耗人工特征抽取的時間，極大地提升了效率，目前逐漸成為主流的圖像識別與檢測方法。

神經(jīng)網(wǎng)絡(luò)的現(xiàn)狀范文第3篇

關(guān)鍵詞:城市產(chǎn)業(yè)結(jié)構(gòu);BP神經(jīng)網(wǎng)絡(luò)模型;灰色GM(1,1)等維新息模型;預(yù)測

Abstract: According to the present situation of urban industrial structure and its change tendency, BP NN model and GM(1, 1)constant dimension mew information model are established to forecast the evolutionary tendency of urban industrial structure for the accuracy of forecast. Then the industrial percentage is modified on the basis of the weight in the evolutionary process of urban industrial structure to ensure the amount of industrial percentage as constant 1, which offer exact information to recognize the evolutionary tendency of urban industrial structure correctly and the relationship among them.

Key words: urban industrial structure;BP NN model;GM(1, 1)constant dimension mew information model;forecast

中圖分類號:TU-856 文獻(xiàn)標(biāo)識碼:A 文章編號:1674-4144(2009)04-14(4)

作者簡介:王福林 武漢理工大學(xué)產(chǎn)業(yè)經(jīng)濟(jì)學(xué)在職博士教授級高工

吳丹 河海大學(xué)博士生

1前言

城市產(chǎn)業(yè)結(jié)構(gòu)是國民經(jīng)濟(jì)中產(chǎn)業(yè)構(gòu)成及所占比例的綜合概念,即在一定空間范圍內(nèi)的三大產(chǎn)業(yè)構(gòu)成及其各產(chǎn)業(yè)內(nèi)部構(gòu)成。正確認(rèn)識和研究在一定地域空間范圍內(nèi)的產(chǎn)業(yè)結(jié)構(gòu)演變規(guī)律、經(jīng)濟(jì)社會運(yùn)行機(jī)制,深刻理解地區(qū)經(jīng)濟(jì)發(fā)展的核心問題和資源的有效性、可用性,將有利于國民經(jīng)濟(jì)的協(xié)調(diào)發(fā)展。

目前,許多學(xué)者對城市產(chǎn)業(yè)結(jié)構(gòu)演變趨勢進(jìn)行了系統(tǒng)深入地預(yù)測研究。張無畏①根據(jù)我國云南省及云南省各地建國以來產(chǎn)業(yè)結(jié)構(gòu)的變動情況,利用三次產(chǎn)業(yè)分類法對云南省產(chǎn)業(yè)結(jié)構(gòu)的發(fā)展和現(xiàn)狀進(jìn)行了分析,并對云南省未來25年產(chǎn)業(yè)結(jié)構(gòu)的發(fā)展作出預(yù)測。王惠文等②基于北京市三次產(chǎn)業(yè)結(jié)構(gòu)的動態(tài)規(guī)律,對于一序列按照時間順序收集的成分?jǐn)?shù)據(jù),提出建立一種成分?jǐn)?shù)據(jù)的非線性降維方法和預(yù)測模型,用于分析成分?jǐn)?shù)據(jù)中各個份額隨時間的變化規(guī)律。周瑜等③針對江蘇省第三產(chǎn)業(yè)比重及其影響因素進(jìn)行分析,提出運(yùn)用灰色系統(tǒng)理論,建立灰色動態(tài)預(yù)測數(shù)學(xué)模型,對江蘇省第三產(chǎn)業(yè)比重進(jìn)行預(yù)測?；诖?為提高城市產(chǎn)業(yè)結(jié)構(gòu)演變趨勢預(yù)測的精度,采用BP神經(jīng)網(wǎng)絡(luò)方法和灰色GM(1,1)等維新息模型對城市產(chǎn)業(yè)結(jié)構(gòu)演變趨勢進(jìn)行組合預(yù)測分析,以提高預(yù)測的精確性,并對城市產(chǎn)業(yè)結(jié)構(gòu)演變過程中各產(chǎn)業(yè)比重進(jìn)行權(quán)重修正,為正確認(rèn)識城市產(chǎn)業(yè)演變趨勢和內(nèi)部關(guān)系提供準(zhǔn)確的信息。

2基于組合模型的城市產(chǎn)業(yè)結(jié)構(gòu)演變趨勢預(yù)測

城市產(chǎn)業(yè)結(jié)構(gòu)演變趨勢反映了城市各產(chǎn)業(yè)在產(chǎn)業(yè)結(jié)構(gòu)中所占比重隨著時間變化而發(fā)生的變化趨勢,可結(jié)合其現(xiàn)狀及其變化趨勢,對未來城市產(chǎn)業(yè)結(jié)構(gòu)的演變趨勢進(jìn)行預(yù)測分析,根據(jù)產(chǎn)業(yè)結(jié)構(gòu)布局的變化,為城市社會經(jīng)濟(jì)發(fā)展過程中水資源以及各種能源資源的優(yōu)化配置提供決策依據(jù)。為提高城市產(chǎn)業(yè)結(jié)構(gòu)演變趨勢預(yù)測精度,采用BP神經(jīng)網(wǎng)絡(luò)方法和灰色GM(1,1)等維新息模型對城市產(chǎn)業(yè)結(jié)構(gòu)演變趨勢進(jìn)行組合預(yù)測。

2.1 基于BP神經(jīng)網(wǎng)絡(luò)模型的城市產(chǎn)業(yè)結(jié)構(gòu)演變趨勢預(yù)測

人工神經(jīng)網(wǎng)絡(luò)是一種包含許多簡單的非線性計算單元或連接點(diǎn)的非線性動力系統(tǒng),具有很強(qiáng)的自適應(yīng)、自學(xué)習(xí)及容錯能力,是一種強(qiáng)大的非線性信息處理工具,在模式識別、智能控制、圖形處理、預(yù)測和非線性優(yōu)化等領(lǐng)域取得了成功的應(yīng)用。BP神經(jīng)網(wǎng)絡(luò)算法稱為誤差逆?zhèn)鞑ニ惴?從結(jié)構(gòu)上來講,它是一種分層型網(wǎng)絡(luò),具有輸入層、中間層(隱含層)和輸出層,如圖1。

基于BP神經(jīng)網(wǎng)絡(luò)強(qiáng)大的預(yù)測能力和預(yù)測精度,其在各個領(lǐng)域都得到廣泛的應(yīng)用。這里,以歷年各產(chǎn)業(yè)在國民經(jīng)濟(jì)中的比例為樣本,采用BP神經(jīng)網(wǎng)絡(luò),對城市產(chǎn)業(yè)結(jié)構(gòu)演變趨勢進(jìn)行預(yù)測,分析未來各產(chǎn)業(yè)在國民經(jīng)濟(jì)中所占比重。設(shè)觀測到的某一產(chǎn)業(yè)在國民經(jīng)濟(jì)中歷年的比重數(shù)據(jù)序列為x(1),x(2),… x(n),根據(jù)其中的n個觀測值,預(yù)測n+1所對應(yīng)年份該產(chǎn)業(yè)在國民經(jīng)濟(jì)中的比重。其具體步驟可表述為:

(1)BP網(wǎng)絡(luò)學(xué)習(xí)算法訓(xùn)練網(wǎng)絡(luò),見表1。

(2)訓(xùn)練完畢后檢驗網(wǎng)絡(luò)預(yù)測精度,見表2。

利用BP神經(jīng)網(wǎng)絡(luò)預(yù)測所得數(shù)據(jù)與x(n-1),x(n)所對應(yīng)年份的實際數(shù)據(jù)進(jìn)行對比。精度符合要求,網(wǎng)絡(luò)預(yù)測能力滿足要求,即以此對城市產(chǎn)業(yè)結(jié)構(gòu)演變趨勢進(jìn)行預(yù)測;精度不符合要求,預(yù)測能力不能滿足要求,需要對網(wǎng)絡(luò)重新訓(xùn)練,返回1。

(3)預(yù)測n+1期所對應(yīng)年份該產(chǎn)業(yè)在國民經(jīng)濟(jì)中的比重,見表3。

采用BP神經(jīng)網(wǎng)絡(luò)模型,可預(yù)測n+1期的城市產(chǎn)業(yè)結(jié)構(gòu)演變趨勢,并在n+1期預(yù)測值的基礎(chǔ)上,進(jìn)一步預(yù)測n+2期所對應(yīng)年份城市產(chǎn)業(yè)結(jié)構(gòu)演變趨勢,其中,n+2期所對應(yīng)年份城市產(chǎn)業(yè)結(jié)構(gòu)演變趨勢是以n+1期城市產(chǎn)業(yè)結(jié)構(gòu)演變趨勢預(yù)測值為前提所進(jìn)行的預(yù)測研究。

2.2 基于灰色GM(1,1)等維新息模型的城市產(chǎn)業(yè)結(jié)構(gòu)演變趨勢預(yù)測

灰色系統(tǒng)預(yù)測理論對于信息不完整或不完全的實際情況具有良好的適用性,其中GM(1,1)模型具有充分利用“少數(shù)據(jù)”進(jìn)行預(yù)測的優(yōu)點(diǎn),因此,可將各產(chǎn)業(yè)在國民經(jīng)濟(jì)產(chǎn)業(yè)結(jié)構(gòu)中所占的比重隨時間變化的數(shù)列作為原始序列,采用GM(1,1)模型對各產(chǎn)業(yè)在產(chǎn)業(yè)結(jié)構(gòu)中的比重進(jìn)行預(yù)測,以分析城市產(chǎn)業(yè)結(jié)構(gòu)的演變趨勢。但GM(1,1)模型采用的是現(xiàn)實時刻t=n為止的過去的數(shù)據(jù),然而,任何一個灰系統(tǒng)的發(fā)展過程中,隨著時間的推移,將會不斷地有一些隨機(jī)擾動或驅(qū)動因素進(jìn)入系統(tǒng),使系統(tǒng)的發(fā)展相繼的受其影響。故隨著系統(tǒng)的發(fā)展,舊數(shù)據(jù)的信息意義將逐步降低,而新數(shù)據(jù)的信息意義將逐步提高。因此,GM(1,1)模型在預(yù)測城市產(chǎn)業(yè)結(jié)構(gòu)演變趨勢時本身存在一定的缺陷,針對其不足之處,為更好地反映系統(tǒng)將來的發(fā)展趨勢,可采用GM(1,1)等維新息模型對城市產(chǎn)業(yè)結(jié)構(gòu)演變趨勢進(jìn)行預(yù)測分析,灰色GM(1,1)等維新息模型通過不斷補(bǔ)充新信息,使建模數(shù)列更能反映系統(tǒng)目前的特征,更好地揭示了系統(tǒng)的發(fā)展趨勢,從而獲得較高的城市產(chǎn)業(yè)結(jié)構(gòu)演變趨勢預(yù)測精度。預(yù)測各產(chǎn)業(yè)在城市產(chǎn)業(yè)結(jié)構(gòu)中演變趨勢的灰色GM(1,1)等維新息模型的建模步驟可表述為:

記城市某產(chǎn)業(yè)在產(chǎn)業(yè)結(jié)構(gòu)中所占比重按照時間先后順序排列而成的原始數(shù)列為x(0)

根據(jù)灰色系統(tǒng)理論對城市某產(chǎn)業(yè)在產(chǎn)業(yè)結(jié)構(gòu)中所占比重的原始數(shù)列進(jìn)行一階累加(1-AGO)生成后,得生成列x(1) ,即

z(1)為x(1)的緊鄰均值生成數(shù)列:

(1)灰微分方程的最小二乘估計參數(shù)滿足

(2)灰微分方程的白化方程 的時間響應(yīng)式為

,t=1,2,……,n

(3)還原值

,t=1,2,……,n

① 當(dāng)t≤n時,稱 為城市某產(chǎn)業(yè)在產(chǎn)業(yè)結(jié)構(gòu)中所占比重的現(xiàn)狀模擬值;② 當(dāng)t>n時,稱 為城市某產(chǎn)業(yè)在產(chǎn)業(yè)結(jié)構(gòu)中所占比重的預(yù)測值。

(4)將最新信息x(1)(n+1)加入到城市某產(chǎn)業(yè)在產(chǎn)業(yè)結(jié)構(gòu)中所占比重的現(xiàn)狀原始數(shù)列,利用建立等維新息模型,確定城市某產(chǎn)業(yè)在產(chǎn)業(yè)結(jié)構(gòu)中所占比重的預(yù)測值。

2.3城市產(chǎn)業(yè)結(jié)構(gòu)演變趨勢組合預(yù)測

2.3.1基于灰色神經(jīng)網(wǎng)絡(luò)模型的城市產(chǎn)業(yè)結(jié)構(gòu)演變趨勢組合預(yù)測

為了進(jìn)一步提高城市產(chǎn)業(yè)結(jié)構(gòu)演變趨勢預(yù)測的精度,結(jié)合BP神經(jīng)網(wǎng)絡(luò)和灰色GM(1,1)等維新息模型的預(yù)測結(jié)果,對城市產(chǎn)業(yè)結(jié)構(gòu)的演變趨勢進(jìn)行組合預(yù)測,其公式為:

式中:xi(t)――t年i(i=1,2,……,I)產(chǎn)業(yè)在產(chǎn)業(yè)結(jié)構(gòu)中所占比重的組合預(yù)測值;

xi(1)(t)―― t年i產(chǎn)業(yè)在產(chǎn)業(yè)結(jié)構(gòu)中所占比重的神經(jīng)網(wǎng)絡(luò)模型預(yù)測值;

xi(2)(t)―― t年i產(chǎn)業(yè)在產(chǎn)業(yè)結(jié)構(gòu)中所占比重的灰色GM(1,1)等維新息模型預(yù)測值;

――為權(quán)重系數(shù),通過預(yù)測值與實際值的差別,根據(jù)實際情況而定, 。

2.3.2 城市產(chǎn)業(yè)結(jié)構(gòu)權(quán)重修正

通過灰色神經(jīng)網(wǎng)絡(luò)模型的組合預(yù)測,可初步得出各產(chǎn)業(yè)在產(chǎn)業(yè)結(jié)構(gòu)中所占比重,但其比重之和卻不等于常數(shù)1,為保障城市產(chǎn)業(yè)結(jié)構(gòu)比重之和恒定為常數(shù)1,可根據(jù)式(7),對城市產(chǎn)業(yè)結(jié)構(gòu)演變過程中各產(chǎn)業(yè)比重進(jìn)行權(quán)重修正,即式中: :t年i(i=1,2,……,I)產(chǎn)業(yè)在產(chǎn)業(yè)結(jié)構(gòu)中所占比重的修正組合預(yù)測值。

3算例分析

根據(jù)某城市社會經(jīng)濟(jì)發(fā)展和產(chǎn)業(yè)結(jié)構(gòu)的布局變化,對城市產(chǎn)業(yè)結(jié)構(gòu)的演變趨勢進(jìn)行預(yù)測分析。假定1990-2007年城市三產(chǎn)在國民經(jīng)濟(jì)產(chǎn)業(yè)結(jié)構(gòu)中所占比重數(shù)據(jù),見表4。

根據(jù)表4中的數(shù)據(jù),采用灰色神經(jīng)網(wǎng)絡(luò)模型預(yù)測城市產(chǎn)業(yè)結(jié)構(gòu)演變趨勢。

(1)BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測

利用matlab工具箱④,構(gòu)建三層BP神經(jīng)網(wǎng)絡(luò),輸入層和隱層之間使用 sigmoid函數(shù),隱層和輸出層之間使用pureline函數(shù)。訓(xùn)練函數(shù)選擇trainlm,訓(xùn)練最大步長5000次,均方誤差為10-5精度。經(jīng)過訓(xùn)練對比,預(yù)測第一產(chǎn)業(yè)隱層設(shè)計成8個結(jié)點(diǎn),第二產(chǎn)業(yè)為15個節(jié)點(diǎn),第三產(chǎn)業(yè)為10個節(jié)點(diǎn)。并通過檢驗,最終使用成功網(wǎng)絡(luò)完成預(yù)測。城市產(chǎn)業(yè)結(jié)構(gòu)演變趨勢的檢驗和預(yù)測結(jié)果,見表5。

(2)灰色G(1,1)等維新息模型預(yù)測

城市產(chǎn)業(yè)結(jié)構(gòu)演變趨勢的檢驗和預(yù)測結(jié)果,見表6。

(3)灰色神經(jīng)網(wǎng)絡(luò)模型預(yù)測

為提高組合預(yù)測模型的擬合精度,調(diào)整BP神經(jīng)網(wǎng)絡(luò)模型和灰色G(1,1)等維新息模型的權(quán)重系數(shù),確定城市產(chǎn)業(yè)結(jié)構(gòu)演變趨勢組合預(yù)測的組合預(yù)測結(jié)果,見表7。

根據(jù)表7結(jié)果可知,采用灰色神經(jīng)網(wǎng)絡(luò)模型對城市產(chǎn)業(yè)結(jié)構(gòu)演變趨勢進(jìn)行組合預(yù)測,繼承了BP神經(jīng)網(wǎng)絡(luò)模型和灰色G(1,1)等維新息模型預(yù)測精準(zhǔn)的優(yōu)勢,并在此基礎(chǔ)上增強(qiáng)了預(yù)測精度。利用式(8),對2008年―2009年的預(yù)

測結(jié)果進(jìn)行修正,最終得到2008年―2009年三產(chǎn)產(chǎn)業(yè)比重的組合預(yù)測結(jié)果。

4結(jié)論

基于城市產(chǎn)業(yè)結(jié)構(gòu)發(fā)展現(xiàn)狀及其變化趨勢,在建立BP神經(jīng)網(wǎng)絡(luò)模型和灰色GM(1,1)等維新息模型的基礎(chǔ)上,結(jié)合算例分析,對城市產(chǎn)業(yè)結(jié)構(gòu)演變趨勢進(jìn)行組合預(yù)測,根據(jù)組合預(yù)測結(jié)果可知,灰色神經(jīng)網(wǎng)絡(luò)模型在預(yù)測城市產(chǎn)業(yè)結(jié)構(gòu)演變趨勢過程中,具有較高的精確度。

①張無畏.云南省產(chǎn)業(yè)結(jié)構(gòu)現(xiàn)狀分析及發(fā)展趨勢預(yù)測[J].楚雄師范學(xué)院學(xué)報,2002,17(5):79-82.

②王惠文,黃薇,劉強(qiáng).北京市三次產(chǎn)業(yè)預(yù)測分析[J].系統(tǒng)工程理論與實踐,2003,(6):123-126.

神經(jīng)網(wǎng)絡(luò)的現(xiàn)狀范文第4篇

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)；過程控制；模糊控制

我國礦石“貧、細(xì)、雜”，礦石成分復(fù)雜，性質(zhì)波動嚴(yán)重，因而造成了我國浮選過程控制水平不高，浮選藥劑消耗量大，產(chǎn)品質(zhì)量波動大，精礦回收率低，經(jīng)濟(jì)效益差的現(xiàn)狀，嚴(yán)重影響了我國鋼鐵工業(yè)的國際競爭力。因此急需能夠滿足我國浮選工藝現(xiàn)狀的檢測設(shè)備及先進(jìn)控制算法，以提高我國浮選過程控制水平，以穩(wěn)定產(chǎn)品質(zhì)量，為后序煉鐵工序提供更好的原料。

對于浮選工藝過程控制，藥劑控制是根本性的。以反浮選為例，如果給藥量過少，無用礦物成分就不能充分浮選，則會導(dǎo)致精礦品位降低，不能滿足產(chǎn)品質(zhì)量要；如果藥劑量過多，不但藥劑費(fèi)用大，而且會導(dǎo)致返回的中礦量增加和尾礦品位增高，回收率降低，經(jīng)濟(jì)效益不理想。

本文根據(jù)影響浮選藥劑用量的因素確定了RBF神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)。針對RBF神經(jīng)網(wǎng)絡(luò)參數(shù)難以確定的缺點(diǎn)，提出一種基于蟻群算法RBF神經(jīng)網(wǎng)絡(luò)優(yōu)化方法。并通過仿真結(jié)果證明了該算法的有效性。

1 藥劑量控制模型結(jié)構(gòu)確定

目前傳統(tǒng)的藥劑添加方法是以給礦流量為參考，在應(yīng)用比例控制的方法的基礎(chǔ)上根據(jù)操作工經(jīng)驗來控制藥劑流量。但由于浮選過程的嚴(yán)重非線性、干擾因素眾多且系統(tǒng)存在大滯后。這種簡單的控制方法難以保證浮選最終精礦品位的穩(wěn)定，同時影響了精礦回收率。即使在浮選槽出口安裝上價值昂貴的在線精礦品位檢測儀表，由于浮選過程的大滯后特性，常規(guī)的閉環(huán)控制方法也難以達(dá)到目的。所以本章主要通過應(yīng)用浮選生產(chǎn)過程中積累的大量生產(chǎn)數(shù)據(jù)，根據(jù)相應(yīng)的浮選工藝參數(shù)，使用RBF神經(jīng)網(wǎng)絡(luò)技術(shù)對浮選過程進(jìn)行建模。然后根據(jù)初始生產(chǎn)條件，應(yīng)用建立好的數(shù)學(xué)模型預(yù)測所需的藥劑用量，從而克服系統(tǒng)的大滯后、非線性特性，穩(wěn)定浮選生產(chǎn)過程。

通過現(xiàn)場調(diào)研，我們知道原礦性質(zhì)和藥劑用量與浮選槽出口精礦品位有直接關(guān)系。最后我們依據(jù)工藝機(jī)理和現(xiàn)場操作工經(jīng)驗知識，最終確定給礦品位、給礦流量、給礦粒度、給礦濃度、精礦品位5個變量對藥劑流量影響最大。

因此本文將給礦品位、給礦流量、給礦粒度、給礦濃度和精礦品位5個變量作為浮選藥劑量控制模型的輸入變量，將浮選藥劑流量作為模型輸出變量，從而建立一個5輸入、1輸出的RBF神經(jīng)網(wǎng)絡(luò)模型，模型結(jié)構(gòu)如圖1所示。

圖1 浮選藥劑量控制模型結(jié)構(gòu)圖

2 基于蟻群算法的網(wǎng)絡(luò)泛化能力優(yōu)化

我們應(yīng)用處理后的樣本數(shù)據(jù)對網(wǎng)絡(luò)性能進(jìn)行了測試（這里我們使用了700組樣本數(shù)據(jù)作為網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)，50組數(shù)據(jù)作為網(wǎng)絡(luò)性能測試數(shù)據(jù)，網(wǎng)絡(luò)訓(xùn)練停止條件是網(wǎng)絡(luò)訓(xùn)練誤差小于網(wǎng)絡(luò)訓(xùn)練停止誤差或者超過最大訓(xùn)練次數(shù)。我們把網(wǎng)絡(luò)最大訓(xùn)練次數(shù)規(guī)定為5000次），測試中發(fā)現(xiàn)了兩個問題。一是值得大小對網(wǎng)絡(luò)測試誤差的影響很大；二是網(wǎng)絡(luò)的訓(xùn)練停止誤差（訓(xùn)練次數(shù)）大小也影響測試誤差的大小。有時網(wǎng)絡(luò)訓(xùn)練停止誤差越小，反而網(wǎng)絡(luò)的性能越差。下面給出了仿真測試曲線：

圖2 不同r值下的模型預(yù)測曲線

3 蟻群算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)參數(shù)

從網(wǎng)絡(luò)性能測試結(jié)果和上面關(guān)于神經(jīng)網(wǎng)絡(luò)泛化能力的相關(guān)知識我們可以知道，要提高本文RBF神經(jīng)網(wǎng)絡(luò)模型的泛化能力。在網(wǎng)絡(luò)訓(xùn)練過程中，我們所能做的就是在確定一個合適的r值（確定合理網(wǎng)絡(luò)結(jié)構(gòu)），并且判定合理的網(wǎng)絡(luò)訓(xùn)練停止誤差（也可以是學(xué)習(xí)次數(shù)）。

[圖3 蟻群算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)參數(shù)流程圖]

但是由于r值和網(wǎng)絡(luò)訓(xùn)練停止誤差是兩個參數(shù)，只有在兩個參數(shù)都合適的情況下才能獲得最好的網(wǎng)絡(luò)性能。這樣如何尋找這兩個參數(shù)的最優(yōu)組合就成了問題的關(guān)鍵點(diǎn)。采用手動試驗的方式由于兩個參數(shù)的不同組合太多而難以實施。因而本文決定采用目前流行的蟻群優(yōu)化算法對上述兩個參數(shù)進(jìn)行優(yōu)化，來提高RBF神經(jīng)網(wǎng)絡(luò)的性能。本文應(yīng)用蟻群算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)參數(shù)的流程如圖3所示。

這里我們將樣本數(shù)據(jù)分成3個部分：一部分為訓(xùn)練樣本集；一部分為內(nèi)部測試樣本集；一部分為外部測試樣本集。蟻群算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)參數(shù)的工作過程如下：

Step1：蟻群算法參數(shù)。

Step2：隨機(jī)選定r值和網(wǎng)絡(luò)訓(xùn)練停止誤差。

Step3：采用文中的網(wǎng)絡(luò)中心和權(quán)值訓(xùn)練方法，應(yīng)用訓(xùn)練樣本集訓(xùn)練RBF網(wǎng)絡(luò)。訓(xùn)練結(jié)束后，應(yīng)用內(nèi)部測試樣本集測試網(wǎng)絡(luò)泛化誤差。

Step4：根據(jù)泛化誤差計算蟻群算法適應(yīng)度函數(shù)，適應(yīng)度函數(shù)值滿足要求或蟻群算法迭代次數(shù)超過目標(biāo)次數(shù)則停止算法，并給出參數(shù)優(yōu)化結(jié)果。否則進(jìn)行蟻群算法操作重新搜索r值和網(wǎng)絡(luò)訓(xùn)練停止誤差后返回Step3。

通過蟻群算法的優(yōu)化，我們最后得到r=1.37，網(wǎng)絡(luò)訓(xùn)練停止誤差為6.3×10-4。此時RBF神經(jīng)網(wǎng)絡(luò)仿真結(jié)果如下：

[圖4 蟻群算法優(yōu)化后的模型預(yù)測曲線]

神經(jīng)網(wǎng)絡(luò)的現(xiàn)狀范文第5篇

【關(guān)鍵詞】供水管道；泄露檢測；神經(jīng)網(wǎng)絡(luò)

【中圖分類號】TP393【文獻(xiàn)標(biāo)識碼】A【文章編號】1672-5158（2013）07-0063-02

Automatic Detection and Diagnosis of Water-Supply Pipe Leakage

WU Feng-quan￡？LI Hong-da

￡¨Information center， Chengde Petroleum College， Chengde， Hebei 067000￡？

【Abstract】This paper presents the design and implementation of Automatic Detection and Diagnosis about Water-Supply Pipe Leakage. After analyzing the current methods about Water-Supply Pipe Leakage， the merits and shortcomings of some older and newer technologies aren pointed out.At the same time， a mothod of leakage detection based on BPNN is put forward.

【Key words】 Water-Supply Pipe； Leakage Detection； Neural Network

1 引言

世界各國尤其是發(fā)達(dá)國家都非常重視供水節(jié)水的管理工作。很早就開展了漏損控制技術(shù)及設(shè)備的研究、開發(fā)工作，其漏失率遠(yuǎn)低于亞洲國家。

我國由于城市基礎(chǔ)設(shè)施欠賬太多、供水設(shè)備的更新、技術(shù)水平提高緩慢，加上管理體制落后于不斷發(fā)展的形勢，使管網(wǎng)漏損率均未達(dá)到《城市供水2000年技術(shù)進(jìn)步發(fā)展規(guī)劃》所規(guī)定的目標(biāo)，大多數(shù)城市供水漏失率多在25%～30%。與發(fā)達(dá)國家比較還有很大的差距。

為指導(dǎo)節(jié)水技術(shù)開發(fā)和推廣應(yīng)用，推動節(jié)水技術(shù)進(jìn)步，提高用水效率和效益，促進(jìn)水資源的可持續(xù)利用，國家發(fā)展改革委、科技部會同水利部、建設(shè)部和農(nóng)業(yè)部組織制訂了2005年第17號《中國節(jié)水技術(shù)政策大綱》，其中就提及到要積極采用城市供水管網(wǎng)的檢漏和防滲技術(shù)。

2 國內(nèi)外研究現(xiàn)狀分析

目前，已有的管道泄漏檢測方法中，流量平衡法與壓力差法是基于物質(zhì)守恒與能量守恒來判斷泄漏的發(fā)生，無法定位；應(yīng)力波法是利用流體泄漏時引發(fā)的沿管壁傳播的應(yīng)力波來判斷泄漏和定位，對外帶包層或埋地的管道，應(yīng)力波衰減很快，長距離難以檢測，限制了這種方法的應(yīng)用；SCADA模型法響應(yīng)速度較快，可快速檢出管道較大的泄漏，但投資很大，沿管道需要安裝復(fù)雜的控制傳感系統(tǒng)。我國大中城市中使用的檢漏手段基本上還是人工聽漏法，這種原始的人工聽漏方法可靠性低，抗干擾性差，需要耗費(fèi)大量人力。近年來，國內(nèi)外發(fā)展起來一些新的基于現(xiàn)代控制理論、信號處理的泄漏檢測與定位技術(shù)，這些方法仍然需要大量的數(shù)學(xué)建模。

針對以上各種方案的不足，提出應(yīng)用神經(jīng)網(wǎng)絡(luò)的自組織、自學(xué)習(xí)能力進(jìn)行供水管道泄露的診斷方法，這種方法只需將給水管網(wǎng)的各種工況下對測壓點(diǎn)造成影響的數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)，讓其充分學(xué)習(xí)直到收斂，然后在將來的檢測中只需將測壓點(diǎn)數(shù)據(jù)輸入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)就可以判斷管網(wǎng)是否發(fā)生滲漏，并確定滲漏位置。而測壓點(diǎn)的數(shù)據(jù)是可以通過SCADA實時傳回來，這樣也就實現(xiàn)了管道泄露的實時診斷。

3 基于BP算法的神經(jīng)網(wǎng)絡(luò)設(shè)計

三層BP神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用中最關(guān)鍵的構(gòu)造參數(shù)包括輸入層、隱含層和輸出層的節(jié)點(diǎn)數(shù)，以及在神經(jīng)網(wǎng)絡(luò)各層之間連接權(quán)值和節(jié)點(diǎn)閾值的初始化。

3.1 輸入層節(jié)點(diǎn)數(shù)

由于實際管網(wǎng)的節(jié)點(diǎn)數(shù)較多，如果全部做為神經(jīng)網(wǎng)絡(luò)的原始訓(xùn)練數(shù)據(jù)，將會導(dǎo)致運(yùn)算量過大，且難以收斂，可以采用管道泄露前后6個監(jiān)測點(diǎn)（含泄漏點(diǎn)）水壓變化數(shù)據(jù)進(jìn)行訓(xùn)練。采用水壓監(jiān)測診斷故障的方法可以充分利用現(xiàn)有的SCADA系統(tǒng)，從而可以很容易實現(xiàn)。

除了管道泄露前后6個監(jiān)測點(diǎn)（含泄漏點(diǎn)）外，還包括該泄漏點(diǎn)處的正常工況下的水壓，因此輸入層共有7個節(jié)點(diǎn)，即輸入模式向量的維數(shù)為7。表1為各工況下測壓點(diǎn)水頭。

3.2 輸出層節(jié)點(diǎn)數(shù)

輸出層的節(jié)點(diǎn)數(shù)即各模式理想的輸出向量的維數(shù)，因為理想輸出向量必須能區(qū)分各種不同的模式，因此輸出層的節(jié)點(diǎn)數(shù)跟模式的個數(shù)相關(guān)。因為模式個數(shù)為7個，因此輸出層節(jié)點(diǎn)數(shù)可以取1個或7個等。用1個輸出層節(jié)點(diǎn)的神經(jīng)網(wǎng)絡(luò)，其模式分類和辨別能力是不夠的。當(dāng)取7個輸出節(jié)點(diǎn)時，輸出向量分別為（0，0，0，0，0，1）；（0，0，0，0，1，0）；（0，0，0，1，0，0）；（0，0，1，0， 0，0）；（0，1，0，0，0，0）；（1，0，0，0，0，0）；（0，0，0，0，1，1）。

3.3 隱含層節(jié)點(diǎn)數(shù)

采用適當(dāng)?shù)碾[含層節(jié)點(diǎn)數(shù)往往是網(wǎng)絡(luò)成敗的關(guān)鍵。中間層節(jié)點(diǎn)數(shù)選用太少，網(wǎng)絡(luò)難以處理較復(fù)雜的問題；但若中間層節(jié)點(diǎn)數(shù)過多，將使網(wǎng)絡(luò)訓(xùn)練時間急劇增加，而且過多的節(jié)點(diǎn)數(shù)容易使網(wǎng)絡(luò)訓(xùn)練過度。

可以用幾何平均規(guī)則來選擇隱含層中的節(jié)點(diǎn)數(shù)。那么，具有n個輸入節(jié)點(diǎn)及m個輸出節(jié)點(diǎn)對三層網(wǎng)絡(luò)，其中間層節(jié)點(diǎn)數(shù) hm n？。隱含層節(jié)點(diǎn)數(shù)可取7，嘗試取隱含層節(jié)點(diǎn)數(shù)的范圍為3～50，以對其在更大的范圍內(nèi)進(jìn)行優(yōu)化。

3.4 程序流程圖

圖1為三層BP神經(jīng)網(wǎng)絡(luò)的程序流程圖。

圖5 隱含層節(jié)點(diǎn)數(shù)為35時的誤差曲線

3.6 網(wǎng)絡(luò)仿真結(jié)果

BP神經(jīng)網(wǎng)絡(luò)仿真結(jié)果如表2所示。

從仿真結(jié)果可以看出，該神經(jīng)網(wǎng)絡(luò)已經(jīng)能夠很好的識別不同節(jié)點(diǎn)發(fā)生滲漏時的特征，給出的仿真結(jié)果與期望的輸出T矩陣非常相似，最大誤差小于1e-6。

3.7 驗證神經(jīng)網(wǎng)絡(luò)

將節(jié)點(diǎn)10411滲漏后各節(jié)點(diǎn)水頭數(shù)據(jù)：

L=[37.47，35.06，35.29，37.46，33.01，29.74]

輸入已經(jīng)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，通過調(diào)用SIGMOID函數(shù)，輸出結(jié)果如表3所示。

由結(jié)果可以看出，目標(biāo)輸出與實際輸出非常接近，誤差滿足10E-5精度，所以可以證明此神經(jīng)網(wǎng)絡(luò)完全具有診斷管網(wǎng)泄露的能力。

4 結(jié)束語

本文所提出的基于BP神經(jīng)網(wǎng)絡(luò)來檢測與診斷泄露的方法。該方法應(yīng)用神經(jīng)網(wǎng)絡(luò)的自組織、自學(xué)習(xí)能力進(jìn)行供水管道泄露的診斷方法，只需將給水管網(wǎng)的各種工況下對測壓點(diǎn)造成影響的數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)，讓其充分學(xué)習(xí)直到收斂，然后在將來的檢測中只需將測壓點(diǎn)數(shù)據(jù)輸入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)就可以判斷管網(wǎng)是否發(fā)生滲漏，并確定滲漏位置。而測壓點(diǎn)的數(shù)據(jù)是可以通過SCADA實時傳回來，實現(xiàn)了管道泄露的實時診斷。適合于城市供水管道泄露的檢測和診斷，有較好的發(fā)展前景。

參考文獻(xiàn)

[1] 順舟科技Z-BEE無線產(chǎn)品技術(shù)手冊

[2] AN965 Microchip ZigBeeTM協(xié)議棧

[3] 王巖，張國山.基于ZigBee協(xié)議的無線傳感器網(wǎng)絡(luò)設(shè)計.微計算機(jī)信息，2008，4-1：21-23