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篇人工神經(jīng)網(wǎng)絡(luò)的優(yōu)缺點(diǎn)范文，相信會(huì)為您的寫作帶來幫助，發(fā)現(xiàn)更多的寫作思路和靈感。

人工神經(jīng)網(wǎng)絡(luò)的優(yōu)缺點(diǎn)范文第1篇

【關(guān)鍵詞】 圖像識(shí)別技術(shù) 神經(jīng)網(wǎng)絡(luò)識(shí)別

模式識(shí)別研究的目的是用機(jī)器來模擬人的各種識(shí)別能力―比如說模擬人的視覺與聽覺能力，因此圖像識(shí)別的目的是對(duì)文字、圖像、圖片、景物等模式信息加以處理和識(shí)別，以解決計(jì)算機(jī)與外部環(huán)境直接通信這一問題?？梢哉f，圖像識(shí)別的研究目標(biāo)是為機(jī)器配置視覺“器官”，讓機(jī)器具有視覺能力，以便直接接受外界的各種視覺信息。

一、圖像識(shí)別系統(tǒng)

一個(gè)圖像識(shí)別系統(tǒng)可分為四個(gè)主要部分：被識(shí)圖像、圖像信息獲取、圖像預(yù)處理、圖像特征提取、分類判決。

二、圖像識(shí)別方法

圖像識(shí)別的方法很多，可概括為統(tǒng)計(jì)（或決策理論）模式識(shí)別方法、句法（或結(jié)構(gòu)）模式識(shí)別方法、模糊模式識(shí)別方法以及神經(jīng)網(wǎng)絡(luò)識(shí)別方法。重點(diǎn)介紹神經(jīng)網(wǎng)絡(luò)識(shí)別方法。

2.1神經(jīng)網(wǎng)絡(luò)識(shí)別方法

2.1.1人工神經(jīng)網(wǎng)絡(luò)的組成

人工神經(jīng)網(wǎng)絡(luò)（簡稱ANN）是由大量處理單元經(jīng)廣泛互連而組成的人工網(wǎng)絡(luò)，用來模擬腦神經(jīng)系統(tǒng)的結(jié)構(gòu)和功能。而這些處理單元我們把它稱作人工神經(jīng)元。

2.1.2人工神經(jīng)網(wǎng)絡(luò)的輸出

2.1.3人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

人工神經(jīng)網(wǎng)絡(luò)中，各神經(jīng)元的不同連接方式就構(gòu)成了網(wǎng)絡(luò)的不同連接模型。常見的連接模型有：前向網(wǎng)絡(luò)、從輸入層到輸出層有反饋的網(wǎng)絡(luò)、層內(nèi)有互聯(lián)的網(wǎng)絡(luò)及互聯(lián)網(wǎng)絡(luò)。

2.1.4 學(xué)習(xí)算法

1）感知器模型及其算法

算法思想：首先把連接權(quán)和閾值初始化為較小的非零隨機(jī)數(shù)，然后把有n個(gè)連接權(quán)值的輸入送入網(wǎng)絡(luò)中，經(jīng)加權(quán)運(yùn)算處理后，得到一個(gè)輸出，如果輸出與所期望的有較大的差別，就對(duì)連接權(quán)值參數(shù)按照某種算法進(jìn)行自動(dòng)調(diào)整，經(jīng)過多次反復(fù)，直到所得到的輸出與所期望的輸出間的差別滿足要求為止。

2）反向傳播模型及其算法

反向傳播模型也稱B-P模型，是一種用于前向多層的反向傳播學(xué)習(xí)算法。

算法思想是：B-P算法的學(xué)習(xí)目的是對(duì)網(wǎng)絡(luò)的連接權(quán)值進(jìn)行調(diào)整，使得調(diào)整后的網(wǎng)絡(luò)對(duì)任一輸入都能得到所期望的輸出。學(xué)習(xí)過程包括正向傳播和反向傳播。正向傳播用于對(duì)前向網(wǎng)絡(luò)進(jìn)行計(jì)算，即對(duì)某一輸入信息，經(jīng)過網(wǎng)絡(luò)計(jì)算后求出它的輸出結(jié)果；反向傳播用于逐層傳遞誤差，修改神經(jīng)元之間的連接權(quán)值，使網(wǎng)絡(luò)最終得到的輸出能夠達(dá)到期望的誤差要求。

B-P算法的學(xué)習(xí)過程如下：

第一步：選擇一組訓(xùn)練樣例，每一個(gè)樣例由輸入信息和期望的輸出結(jié)果兩部分組成；第二步：從訓(xùn)練樣例集中取出一樣例，把輸入信息輸入到網(wǎng)絡(luò)中；第三步：分別計(jì)算經(jīng)神經(jīng)元處理后的各層節(jié)點(diǎn)的輸出；第四步：計(jì)算網(wǎng)絡(luò)的實(shí)際輸出和期望輸出的誤差；第五步：從輸出層反向計(jì)算到第一個(gè)隱層，并按照某種原則（能使誤差向減小方向發(fā)展），調(diào)整網(wǎng)絡(luò)中各神經(jīng)元的權(quán)值；第六步：對(duì)訓(xùn)練樣例集中的每一個(gè)樣例重復(fù)一到五的步驟，直到誤差達(dá)到要求時(shí)為止。

3）Hopfield模型及其學(xué)習(xí)算法

它是一種反饋型的神經(jīng)網(wǎng)絡(luò)，在反饋網(wǎng)絡(luò)中，網(wǎng)絡(luò)的輸出要反復(fù)地作為輸入再送入網(wǎng)絡(luò)中，使得網(wǎng)絡(luò)具有了動(dòng)態(tài)性，因此網(wǎng)絡(luò)的狀態(tài)在不斷的改變之中。

算法思想是：

（a） 設(shè)置互連權(quán)值

其中xis是s類樣例的第i個(gè)分量，它可以為1或0，樣例類別數(shù)為m，節(jié)點(diǎn)數(shù)為n。

（b） 未知類別樣本初始化。 Yi（0）=Xi 0≤i≤n-1

其中Yi（t）為節(jié)點(diǎn)I在t時(shí)刻的輸出，當(dāng)t=0時(shí)，Yi（0）就是節(jié)點(diǎn)I的初始值，Xi為輸入樣本的第I個(gè)分量。

（c） 迭代直到收斂

人工神經(jīng)網(wǎng)絡(luò)的優(yōu)缺點(diǎn)范文第2篇

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò) ；BP網(wǎng)絡(luò)； 優(yōu)缺點(diǎn)； 改進(jìn)算法

【中圖分類號(hào)】 TP183 【文獻(xiàn)標(biāo)識(shí)碼】 B【文章編號(hào)】 1671-1297（2012）09-0196-02

思維學(xué)普遍認(rèn)為，人類大腦的思維分為抽象（邏輯）思維、形象（直觀）思維和靈感（頓悟）思維三種基本方式。

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks，NN）就是模擬人思維的第二種方式。這是一個(gè)非線性動(dòng)力學(xué)系統(tǒng)，其特色在于信息的分布式存儲(chǔ)和并行協(xié)同處理。雖然單個(gè)神經(jīng)元的結(jié)構(gòu)極其簡單，功能有限，但大量神經(jīng)元構(gòu)成的網(wǎng)絡(luò)系統(tǒng)所能實(shí)現(xiàn)的行為卻是極其豐富多彩的。人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)從20世紀(jì)40年代末誕生至今僅短短半個(gè)多世紀(jì)，但由于它具有信息的分布存儲(chǔ)、并行處理以及自學(xué)習(xí)能力等優(yōu)點(diǎn)，已經(jīng)在信息處理、模式識(shí)別、智能控制及系統(tǒng)建模等領(lǐng)域得到越來越廣泛的應(yīng)用。

神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的單隱層前饋網(wǎng)絡(luò)，一般稱為三層前饋網(wǎng)或三層感知器，即：輸入層、中間層（也稱隱層）和輸出層。它的特點(diǎn)是：各層神經(jīng)元僅與相鄰層神經(jīng)元之間相互全連接，同層內(nèi)神經(jīng)元之間無連接，各層神經(jīng)元之間無反饋連接，夠成具有層次結(jié)構(gòu)的前饋型神經(jīng)網(wǎng)絡(luò)系統(tǒng)。單計(jì)算層前饋神經(jīng)網(wǎng)絡(luò)只能求解線性可分問題，能夠求解非線性問題的網(wǎng)絡(luò)必須是具有隱層的多層神經(jīng)網(wǎng)絡(luò)。

一 BP網(wǎng)絡(luò)

1986年，Rumelhart和Hinton提出了誤差反向傳播神經(jīng)網(wǎng)絡(luò)（Error Back Propagation Neural Network），簡稱BP網(wǎng)絡(luò)。它是一種能向著滿足給定的輸入輸出關(guān)心方向進(jìn)行自組織的神經(jīng)網(wǎng)絡(luò)。

1. BP網(wǎng)絡(luò)的原理

輸入層各神經(jīng)元負(fù)責(zé)接收來自外界的輸入信息，并傳遞給中間層各神經(jīng)元；中間層是內(nèi)部信息處理層，負(fù)責(zé)信息變換，根據(jù)信息變化能力的需求，中間層可以設(shè)計(jì)為單隱層或者多隱層結(jié)構(gòu)；最后一個(gè)隱層傳遞到輸出層各神經(jīng)元的信息，經(jīng)進(jìn)一步處理后，完成一次學(xué)習(xí)的正向傳播處理過程，由輸出層向外界輸出信息處理結(jié)果。當(dāng)實(shí)際輸出與期望輸出不符時(shí)，進(jìn)入誤差的反向傳播階段。誤差通過輸出層，按誤差梯度下降的方式修正各層權(quán)值，向隱層、輸入層逐層反傳。周而復(fù)始的信息正向傳播和誤差反向傳播過程，是各層權(quán)值不斷調(diào)整的過程，也是神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練的過程，此過程一直進(jìn)行到網(wǎng)絡(luò)輸出的誤差減少到可以接受的程度，或者預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止。

2. BP網(wǎng)絡(luò)的特點(diǎn)

（1）輸入和輸出是并行的模擬量。

（2）網(wǎng)絡(luò)的輸入輸出關(guān)系是各層連接的權(quán)因子決定，沒有固定的算法。

（3）權(quán)因子是通過學(xué)習(xí)信號(hào)調(diào)節(jié)的，這樣學(xué)習(xí)越多，網(wǎng)絡(luò)越聰明。

（4）隱含層越多，網(wǎng)絡(luò)輸出精度越高，且個(gè)別權(quán)因子的損壞不會(huì)對(duì)網(wǎng)絡(luò)輸出產(chǎn)生大的影響。

3. BP網(wǎng)絡(luò)的優(yōu)點(diǎn)

（1）網(wǎng)絡(luò)實(shí)質(zhì)上實(shí)現(xiàn)了一個(gè)從輸入到輸出的映射功能，而數(shù)學(xué)理論已證明它具有實(shí)現(xiàn)任何復(fù)雜非線性映射的功能。這使得它特別適合于求解內(nèi)部機(jī)制復(fù)雜的問題。

（2）網(wǎng)絡(luò)能通過學(xué)習(xí)帶正確答案的實(shí)例集自動(dòng)提取"合理的"求解規(guī)則，即具有自學(xué)習(xí)能力。

（3）網(wǎng)絡(luò)具有一定的推廣、概括能力。

4. BP網(wǎng)絡(luò)的缺點(diǎn)

BP算法的學(xué)習(xí)速度很慢，其原因主要有：

（1）由于BP算法本質(zhì)上為梯度下降法，而它所要優(yōu)化的目標(biāo)函數(shù)又非常復(fù)雜，因此，必然會(huì)出現(xiàn)"鋸齒形現(xiàn)象"，這使得BP算法低效；

（2）存在麻痹現(xiàn)象，由于優(yōu)化的目標(biāo)函數(shù)很復(fù)雜，它必然會(huì)在神經(jīng)元輸出接近0或1的情況下，出現(xiàn)一些平坦區(qū)，在這些區(qū)域內(nèi)，權(quán)值誤差改變很小，使訓(xùn)練過程幾乎停頓；

（3）為了使網(wǎng)絡(luò)執(zhí)行BP算法，不能用傳統(tǒng)的一維搜索法求每次迭代的步長，而必須把步長的更新規(guī)則預(yù)先賦予網(wǎng)絡(luò)，這種方法將引起算法低效。

網(wǎng)絡(luò)訓(xùn)練失敗的可能性較大，其原因有：

（1）從數(shù)學(xué)角度看，BP算法為一種局部搜索的優(yōu)化方法，但它要解決的問題為求解復(fù)雜非線性函數(shù)的全局極值，因此，算法很有可能陷入局部極值，使訓(xùn)練失?。?/p>

（2）網(wǎng)絡(luò)的逼近、推廣能力同學(xué)習(xí)樣本的典型性密切相關(guān)，而從問題中選取典型樣本實(shí)例組成訓(xùn)練集是一個(gè)很困難的問題。

難以解決應(yīng)用問題的實(shí)例規(guī)模和網(wǎng)絡(luò)規(guī)模間的矛盾。這涉及到網(wǎng)絡(luò)容量的可能性與可行性的關(guān)系問題，即學(xué)習(xí)復(fù)雜性問題。

網(wǎng)絡(luò)結(jié)構(gòu)的選擇尚無一種統(tǒng)一而完整的理論指導(dǎo)，一般只能由經(jīng)驗(yàn)選定。為此，有人稱神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)選擇為一種藝術(shù)。而網(wǎng)絡(luò)的結(jié)構(gòu)直接影響網(wǎng)絡(luò)的逼近能力及推廣性質(zhì)。因此，應(yīng)用中如何選擇合適的網(wǎng)絡(luò)結(jié)構(gòu)是一個(gè)重要的問題。

新加入的樣本要影響已學(xué)習(xí)成功的網(wǎng)絡(luò)，而且刻畫每個(gè)輸入樣本的特征的數(shù)目也必須相同。

二 BP網(wǎng)絡(luò)的改進(jìn)算法

BP算法最優(yōu)化的方向主要有權(quán)值調(diào)整、自適應(yīng)學(xué)習(xí)速率調(diào)整、網(wǎng)絡(luò)結(jié)構(gòu)調(diào)整等。常用的改進(jìn)方法有以下幾種：

1.加入動(dòng)量項(xiàng)

利用附加動(dòng)量的作用則有可能滑過局部極小值。該方法所加入的動(dòng)量實(shí)質(zhì)上相當(dāng)于阻尼項(xiàng)，它減小了學(xué)習(xí)過程的振蕩趨勢(shì)，改善了收斂性，這是目前應(yīng)用比較廣泛的一種改進(jìn)算法。

2.自適應(yīng)學(xué)習(xí)速率調(diào)整

對(duì)于一個(gè)特定的問題，要選擇適當(dāng)?shù)膶W(xué)習(xí)速率并不是一件容易的事情。對(duì)訓(xùn)練開始初期功效很好的學(xué)習(xí)速率，不一定對(duì)后來的訓(xùn)練合適。為了解決這一問題，人們自然會(huì)想到在訓(xùn)練過程中自動(dòng)調(diào)整學(xué)習(xí)速率。

3.共軛梯度算法

在各種改進(jìn)算法中，共軛梯度法（Conjugate Gradient）是非常重要的一種。其優(yōu)點(diǎn)是所需存儲(chǔ)量小，具有N步收斂性，穩(wěn)定性高，而且不需要任何外來參數(shù)。

4.Levenberg-Marquart算法（最小二乘擬合算法）

除了改進(jìn)算法以外，通過改變神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)（隱層結(jié)點(diǎn)數(shù)和網(wǎng)絡(luò)層數(shù)）、調(diào)整誤差等方法，也能加快BP算法的收斂速度。

參考文獻(xiàn)

人工神經(jīng)網(wǎng)絡(luò)的優(yōu)缺點(diǎn)范文第3篇

關(guān)鍵詞：切削數(shù)據(jù)庫；數(shù)據(jù)尋優(yōu)算法；實(shí)例推理；粒子群算法；神經(jīng)網(wǎng)絡(luò)算法

中圖分類號(hào)：TG506 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1007-2683（2013）01-0001-06

0.引言

近年來，隨著數(shù)控機(jī)床及切削刀具技術(shù)的不斷發(fā)展，切削數(shù)據(jù)在機(jī)械制造領(lǐng)域中越來越顯示出其重要性，并且已經(jīng)成為一種極為重要的資源。

數(shù)據(jù)庫是集中、保存和管理某一領(lǐng)域內(nèi)所有這些信息的集合，是管理信息系統(tǒng)的核心。切削數(shù)據(jù)庫是切削加工技術(shù)與計(jì)算機(jī)技術(shù)相結(jié)合的產(chǎn)物。切削數(shù)據(jù)庫最初只是管理加工中出現(xiàn)的切削數(shù)據(jù)，隨著神經(jīng)網(wǎng)絡(luò)算法、粒子群算法等優(yōu)化算法的應(yīng)用，切削數(shù)據(jù)庫中添加了優(yōu)化切削數(shù)據(jù)和切削數(shù)據(jù)的智能化評(píng)價(jià)等功能，使得切削數(shù)據(jù)庫系統(tǒng)得到了很大的發(fā)展并已受到各相關(guān)行業(yè)的高度重視。選擇合理的優(yōu)化算法建立切削數(shù)據(jù)庫，可以合理地選擇切削參數(shù)，對(duì)提高生產(chǎn)率、降低生產(chǎn)成本有著非常重要的意義。對(duì)于解決某一類問題，可以通過多種算法來實(shí)現(xiàn)但并不是每一種算法都能找到最優(yōu)解，需要根據(jù)每個(gè)算法自身的優(yōu)缺點(diǎn)、適合的領(lǐng)域、優(yōu)化方式等來選擇合適的算法，從而使尋優(yōu)路徑達(dá)到最短，優(yōu)化效果達(dá)到最好。但是傳統(tǒng)的優(yōu)化算法也存在一定的弊端，為此提出了算法的改進(jìn)算法，在很大程度上增強(qiáng)了算法的尋優(yōu)能力。

1.數(shù)據(jù)獲取技術(shù)在切削數(shù)據(jù)庫中的應(yīng)用

1.1神經(jīng)網(wǎng)絡(luò)推理技術(shù)

神經(jīng)網(wǎng)絡(luò)算法是指模擬生物的神經(jīng)結(jié)構(gòu)以及其處理信息的方式來進(jìn)行計(jì)算的一種算法。神經(jīng)網(wǎng)絡(luò)可以處理例外及不正常的輸入數(shù)據(jù)，這對(duì)于很多系統(tǒng)都很重要。黃傳真等研究的汽車覆蓋件模具鋼高速切削數(shù)據(jù)庫將分別基于MATLAB神經(jīng)網(wǎng)絡(luò)和基于指數(shù)函數(shù)的刀具磨損預(yù)報(bào)模型的擬合誤差相比較，優(yōu)選出基于MATLAB神經(jīng)網(wǎng)絡(luò)的刀具磨損預(yù)報(bào)模型，并將.NET框架和MATLAB環(huán)境引入到刀具磨損集成預(yù)報(bào)系統(tǒng)中，實(shí)現(xiàn)了模具鋼精加工過程中對(duì)刀具磨損的在線預(yù)報(bào)，實(shí)現(xiàn)了對(duì)高速切削加工技術(shù)的合理應(yīng)用。

為了實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)模型的智能尋優(yōu)，將其與蟻群算法相結(jié)合使用，用蟻群算法的啟發(fā)式尋優(yōu)和全局優(yōu)化的特點(diǎn)來訓(xùn)練神經(jīng)網(wǎng)絡(luò)的權(quán)值即用蟻群算法來訓(xùn)練神經(jīng)網(wǎng)絡(luò)，最終解決尋優(yōu)問題。如詹曉娟等研究的基于蟻群神經(jīng)網(wǎng)絡(luò)銑削數(shù)據(jù)庫系統(tǒng)就是利用蟻群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的方法，使系統(tǒng)在切削參數(shù)的選擇具有一定的智力水平，實(shí)現(xiàn)了切削參數(shù)的合理選擇。這種智能尋優(yōu)的方法不僅避免了以往算法收斂速度慢易陷入局部最優(yōu)等缺陷，提高了系統(tǒng)的運(yùn)行速度和運(yùn)算效率，還能夠通過自學(xué)習(xí)提高自身決策能力，使決策結(jié)果更趨合理。

神經(jīng)網(wǎng)絡(luò)在解決非線性映射問題如切削用量選擇上可達(dá)到良好的效果，在機(jī)械工程領(lǐng)域具有很高的利用價(jià)值。但是當(dāng)前的神經(jīng)網(wǎng)絡(luò)仍普遍存在收斂速度慢、計(jì)算量大、訓(xùn)練時(shí)間長和不可解釋等缺點(diǎn)。

1.2動(dòng)力學(xué)仿真優(yōu)化技術(shù)

切削參數(shù)數(shù)據(jù)庫的數(shù)據(jù)主要來源于切削手冊(cè)、生產(chǎn)實(shí)踐和切削實(shí)驗(yàn)，傳統(tǒng)來源的切削參數(shù)難以完全滿足切削加工的要求。為了存儲(chǔ)優(yōu)化型仿真切削數(shù)據(jù)，保證切削加工穩(wěn)定性，趙海洋等在平臺(tái)下開發(fā)了基于B/S數(shù)據(jù)庫結(jié)構(gòu)的動(dòng)力學(xué)仿真優(yōu)化型切削數(shù)據(jù)庫系統(tǒng)。該系統(tǒng)通過動(dòng)力學(xué)仿真優(yōu)化方式獲取優(yōu)化型切削參數(shù)，實(shí)現(xiàn)了高速加工過程中的穩(wěn)定高效切削。

將動(dòng)力學(xué)仿真優(yōu)化技術(shù)引入到切削數(shù)據(jù)庫及其應(yīng)用系統(tǒng)中，不僅能使系統(tǒng)具有良好的結(jié)構(gòu)和可擴(kuò)展性，還能提供工藝人員合理的切削參數(shù)，大大減少了以往試切所帶來的經(jīng)濟(jì)和時(shí)間上的浪費(fèi)，從而提高了生產(chǎn)效率，降低了生產(chǎn)成本。

1.3實(shí)例推理技術(shù)

1982年Schank通過研究人和機(jī)器學(xué)習(xí)的動(dòng)態(tài)存儲(chǔ)理論，提出了基于實(shí)例的推理（case-based reason-ing，CBR）其本質(zhì)是利用舊問題的解決方案來解決新問題，并且具有自學(xué)習(xí)功能，CBR原理如圖1所示。

利用實(shí)例推理技術(shù)，將其與規(guī)則推理相結(jié)合使用，把以往取得的經(jīng)驗(yàn)應(yīng)用于新問題的解決上，減少知識(shí)獲取的工作量，不僅可以為建立切削參數(shù)數(shù)據(jù)庫提供一個(gè)有效可行的方法，還可以為新的工件加工問題提供參考解決方案，對(duì)切削技術(shù)的推廣應(yīng)用具有非常重要的意義。

CBR是一種人工智能的推理方法，廣泛應(yīng)用于問題求解領(lǐng)域，在一定程度上突破了知識(shí)獲取的瓶頸問題。由于CBR中實(shí)例都是以往問題的優(yōu)化結(jié)果，因此其本身就包含了大量的設(shè)計(jì)經(jīng)驗(yàn)知識(shí)，不僅避免了在獲取知識(shí)上的時(shí)間的浪費(fèi)，而且設(shè)計(jì)結(jié)果的實(shí)用性也很強(qiáng)。CBR為快速設(shè)計(jì)新的工藝提供了依據(jù)。

2.切削數(shù)據(jù)優(yōu)化算法分析對(duì)比

2.1多目標(biāo)優(yōu)化算法的比較

從古老的時(shí)代開始，人們就力求在解決一個(gè)問題的眾多方案中尋求一種最優(yōu)方案，因此實(shí)際中優(yōu)化問題大多數(shù)是多目標(biāo)優(yōu)化問題，它也是一類普遍存在的問題?；谌后w智能進(jìn)化的群體智能優(yōu)化算法在解決多目標(biāo)優(yōu)化問題上提高了人們解決和處理優(yōu)化問題的能力。但是粒子群算法等群體智能優(yōu)化算法在解決多目標(biāo)優(yōu)化問題時(shí)有著各自的優(yōu)缺點(diǎn)，需要對(duì)它們進(jìn)行比較以選擇合適的算法。表1是幾種智能優(yōu)化算法的比較。

通過表1中幾種算法的對(duì)比可以看出，每種優(yōu)化算法都有自己獨(dú)特的優(yōu)缺點(diǎn)，但是在處理高維復(fù)雜問題時(shí)都出現(xiàn)易陷入局部最優(yōu)、收斂效果不好的問題。粒子群算法和遺傳算法都屬于全局優(yōu)化算法，利用目標(biāo)函數(shù)來衡量個(gè)體的優(yōu)劣程度，粒子群算法計(jì)算復(fù)雜度比遺傳算法低，可以短時(shí)間內(nèi)找到最優(yōu)解，但粒子群算法在搜索性能上好于混洗蛙跳算法?？梢詫追N算法結(jié)合使用或者對(duì)某種算法進(jìn)行改進(jìn)，彌補(bǔ)以往算法的缺點(diǎn)，從而達(dá)到更好的解決多目標(biāo)優(yōu)化問題的目的。

2.2知識(shí)獲取的推理方式比較

規(guī)則推理、人工神經(jīng)網(wǎng)絡(luò)、實(shí)例推理、模糊邏輯、遺傳算法和混合推理等智能推理方法被普遍應(yīng)用在工程中。實(shí)例推理作為基于規(guī)則推理技術(shù)的一個(gè)重要補(bǔ)充，已受到人們?cè)絹碓綇V泛的關(guān)注。但目前比較常用的智能推理方法有規(guī)則推理、神經(jīng)網(wǎng)絡(luò)和實(shí)例推理，它們?cè)诮鉀Q不同問題上表現(xiàn)出各自的優(yōu)缺點(diǎn)，如表2所示。

根據(jù)表2列出的3種智能推理方式的比較可以看出，在總體上來看實(shí)例推理表現(xiàn)最好，但在解決復(fù)雜知識(shí)獲取問題上仍表現(xiàn)出明顯的不足。針對(duì)這一問題研究人員將實(shí)例推理、規(guī)則推理、人工神經(jīng)網(wǎng)絡(luò)三者結(jié)合，產(chǎn)生了各種各樣的混合推理，這些推理不僅結(jié)合了它們各自的優(yōu)點(diǎn)，而且很大程度上克服了單個(gè)方法的缺點(diǎn)，可

以很好的解決復(fù)雜問題，如高速切削數(shù)據(jù)庫系統(tǒng)的建立就是采用規(guī)則推理和實(shí)例相結(jié)合的混合推理方式，通過這一方式使該系統(tǒng)的數(shù)據(jù)采集和知識(shí)更新變得簡單易行。

2.3數(shù)據(jù)查詢優(yōu)化算法比較

隨著現(xiàn)代切削數(shù)據(jù)庫規(guī)模的不斷擴(kuò)大，高效率的信息提取技術(shù)逐漸成為人們研究的熱點(diǎn)。高效的查詢被用來體現(xiàn)一個(gè)系統(tǒng)性能的好壞，查詢的效率也就成為了評(píng)價(jià)切削數(shù)據(jù)庫系統(tǒng)的重要指標(biāo)。提高查詢效率是建立一個(gè)系統(tǒng)首要解決的問題之一，因此對(duì)作為有效手段的查詢優(yōu)化的研究就顯得尤為重要。但是一個(gè)較好的優(yōu)化算法，并不是通用和萬能的，根據(jù)不同的環(huán)境不同的優(yōu)化算法適用于不同的的問題及用戶。目前常用的數(shù)據(jù)查尋優(yōu)化算法有啟發(fā)式搜索算法又稱為A算法，它是在貪婪算法的基礎(chǔ)上提出的一種基于人工智能理論的改進(jìn)算法；基于Agent的分布式查詢優(yōu)化算法，它結(jié)合了分布式人工智能與切削數(shù)據(jù)庫管理系統(tǒng)兩個(gè)領(lǐng)域；遺傳算法，它是模擬生物在環(huán)境中遺傳和進(jìn)化過程而形成得一種自適應(yīng)的全局優(yōu)化概率搜索算法；全局查詢優(yōu)化算法如模擬退火算法、快速分解模擬退火等，能夠找出全局最優(yōu)解；等聯(lián)結(jié)操作結(jié)果估算模型，它是一種改進(jìn)算法，能保證優(yōu)化方法在一定條件下生成的任意兩個(gè)相鄰的操作次序是最優(yōu)的；分裂大表算法即將大表分成若干個(gè)子表和一個(gè)索引表，將子表放在不同的邏輯設(shè)備上，各子表的名稱和分裂條件存放在索引表里來提高查詢速度；神經(jīng)網(wǎng)絡(luò)技術(shù)的異構(gòu)數(shù)據(jù)庫集成，它可以通過將全局查詢快速地分解為各個(gè)子查詢，來進(jìn)行優(yōu)化操作；多元連接查詢優(yōu)化算法，針對(duì)遠(yuǎn)程網(wǎng)和局域網(wǎng)這兩種不同的網(wǎng)絡(luò)，提出了最小生成樹算法和改進(jìn)的最小生成樹算法兩種全局優(yōu)化算法，反復(fù)使用此算法可使預(yù)先估計(jì)的總代價(jià)最??；分布式查詢優(yōu)化算法，它的核心是SDD-1查詢優(yōu)化算法，該算法在一定程度上可以使整個(gè)網(wǎng)絡(luò)上的傳輸量保持最小。對(duì)數(shù)據(jù)庫進(jìn)行查詢時(shí)，可供選擇查詢優(yōu)化算法很多，需要根據(jù)一定的標(biāo)準(zhǔn)來評(píng)價(jià)各算法是否適用于此環(huán)境，以提高效率的目的。為此研究人員提出了評(píng)價(jià)算法的4個(gè)標(biāo)準(zhǔn)：一是否適用于大數(shù)據(jù)量；二是否能應(yīng)付異構(gòu)數(shù)據(jù)庫的要求；三是局部優(yōu)化還是全局優(yōu)化；四是算法的效率是否滿足大數(shù)據(jù)量、高復(fù)雜性的要求。表3是幾種數(shù)據(jù)查詢優(yōu)化算法的比較。

由表3可知，對(duì)數(shù)據(jù)庫進(jìn)行查詢時(shí)，對(duì)查詢優(yōu)化算法的選擇需要考慮很多因素，不能通過一個(gè)固定的原則來評(píng)價(jià)優(yōu)化算法的優(yōu)劣，需要根據(jù)當(dāng)時(shí)的系統(tǒng)環(huán)境來選擇合適的優(yōu)化算法，這樣才能充分利用算法的優(yōu)點(diǎn)。

3.數(shù)據(jù)尋優(yōu)算法的改進(jìn)

目前許多數(shù)據(jù)優(yōu)化算法被廣泛應(yīng)用在機(jī)械加工領(lǐng)域，在一定程度上達(dá)到了數(shù)據(jù)尋優(yōu)的目的，提高了系統(tǒng)的尋優(yōu)能力，但是面臨一些復(fù)雜的問題時(shí)一些算法表現(xiàn)出收斂速度慢、陷入局優(yōu)等問題，為了解決這一問題，對(duì)一些算法提出了改進(jìn)，下面介紹了幾種算法的改進(jìn)算法。

3.1變形遺傳算法

變形遺傳算法是從簡單遺傳算法發(fā)展而來的，是對(duì)其運(yùn)算因子的擴(kuò)展和補(bǔ)充。簡單遺傳算法存在許多的不足之處，變形遺傳算法在此基礎(chǔ)上進(jìn)行了一些改進(jìn)：改進(jìn)編碼方式，改進(jìn)初始群體的生成方式，改進(jìn)適應(yīng)度函數(shù)的定義方式，改進(jìn)選擇算子操作方式，改進(jìn)變異算子操作方式，改進(jìn)算法終止條件。這些算法增強(qiáng)了變形遺傳算法搜索過程的方向性，從而增強(qiáng)了算法搜索尋優(yōu)的方向性。圖2為切削用量優(yōu)化的變形遺傳算法的流程圖。

變形遺傳算法有兩個(gè)優(yōu)點(diǎn)：一是具有局部的隨機(jī)搜索能力；二是可維持群體多樣性，防止出現(xiàn)未成熟收斂現(xiàn)象，從而使收斂概率達(dá)到大值。

3.2改進(jìn)的粒子群算法

粒子群優(yōu)化算法在函數(shù)優(yōu)化等領(lǐng)域蘊(yùn)涵了廣闊的應(yīng)用前景，利用粒子群優(yōu)化參數(shù)原理（如圖3），并與局部搜索算法混合，可以提高了算法在局部區(qū)域內(nèi)進(jìn)行精細(xì)搜索的能力。尋找到最優(yōu)化的加工參數(shù)。目前針對(duì)粒子群算法存在的問題，已提出了多種粒子群算法改進(jìn)算法，并且這些改進(jìn)的算法廣泛應(yīng)用于函數(shù)優(yōu)化，神經(jīng)網(wǎng)絡(luò)訓(xùn)練，模式分類等領(lǐng)域。其中一種改進(jìn)的粒子群算法是針對(duì)粒子群算法在求解高維函數(shù)時(shí)易陷入局部最優(yōu)的問題提出的，該算法通過對(duì)粒子的速度和位置更新公式進(jìn)行改進(jìn)，使粒子在其最優(yōu)位置的基礎(chǔ)上進(jìn)行位置更新，從而增強(qiáng)算法的尋優(yōu)能力。如圖4為改進(jìn)的粒子群算法流程圖。

另外兩種典型的粒子群算法的改進(jìn)算法為：①全局鄰域模式和局部鄰域模式粒子群優(yōu)化算法，前者收斂速度快，但易陷入局部極小值；后者收斂速度慢，但能在較大程度上避開局部極小值；②混沌粒子群優(yōu)化算法，它不但具有混沌的隨機(jī)性、遍歷性、規(guī)律性等特性，還能引導(dǎo)粒子及其組成的群落搜索全局最優(yōu)解。

3.3協(xié)同優(yōu)化算法的改進(jìn)

協(xié)同優(yōu)化算法（eollaborati Veoptimization，CO）是多學(xué)科設(shè)計(jì)優(yōu)化方法中應(yīng)用最廣、效果最好的算法，但是在應(yīng)用中存在計(jì)算困難的問題，根據(jù)這一問題提出了改進(jìn)的協(xié)同優(yōu)化算法一ICO（Improvedeollaborati Veoptimization）多學(xué)科設(shè)計(jì)優(yōu)化方法。

ICO多學(xué)科設(shè)計(jì)優(yōu)化方法保持了CO算法模塊化和學(xué)科自治性的優(yōu)點(diǎn)，以新的表達(dá)方式來克服CO算法的計(jì)算困難。ICO算法利用快速啟動(dòng)方法提高了計(jì)算速度，使得ICO算法比標(biāo)準(zhǔn)CO算法更加穩(wěn)定、可靠，計(jì)算效率明顯提高。以往協(xié)同粒子群算法不能保證全局收斂，易產(chǎn)生偽最優(yōu)值的問題，根據(jù)這一問題提出改進(jìn)的協(xié)同粒子群優(yōu)化算法，它將混沌理論引入?yún)f(xié)同粒子群算法中，改善了協(xié)同粒子群算法的性能，使其具備了求解高維優(yōu)化問題的優(yōu)越性。但是IC0算法還需要在大型復(fù)雜工程系統(tǒng)設(shè)計(jì)優(yōu)化中進(jìn)行應(yīng)用、檢驗(yàn)及進(jìn)一步完善。

Matherton提出Kriging數(shù)學(xué)理論之后，Kriging技術(shù)在許多領(lǐng)域得到應(yīng)用，研究人員以此為基礎(chǔ)并基于統(tǒng)計(jì)學(xué)理論提出了Kriging模型，Kriging模型被視為一種最優(yōu)的線性無偏估計(jì)。對(duì)于計(jì)算量大的問題可以利用基于Kriging模型的改進(jìn)協(xié)同優(yōu)化算法（Kriging-CO算法）來提高系統(tǒng)的優(yōu)化效率，該改進(jìn)算法的原理如圖5所示。Kriging-CO算法適用于解決共享變量多、子模型復(fù)雜的問題，應(yīng)用該算法減少迭代次數(shù)，提高運(yùn)算效率。

雖然一些改進(jìn)算法彌補(bǔ)了以往算法一些不足，但切削數(shù)據(jù)庫技術(shù)的發(fā)展越來越快，對(duì)切削數(shù)據(jù)庫性能的要求越來越高，出現(xiàn)的問題也會(huì)越來越多，因此對(duì)算法的研究也必須更加深入。

4.結(jié)語

人工神經(jīng)網(wǎng)絡(luò)的優(yōu)缺點(diǎn)范文第4篇

關(guān)鍵詞：SOM神經(jīng)網(wǎng)絡(luò);負(fù)荷特性曲線;聚類分析

中圖分類號(hào)：TM7 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-0079（2014）33-0204-03

在國家提出建設(shè)堅(jiān)強(qiáng)智能電網(wǎng)的背景下，提高電力營銷服務(wù)水平和智能用電技術(shù)已成為電網(wǎng)企業(yè)關(guān)注的焦點(diǎn)。電力營銷服務(wù)水平與智能用電技術(shù)的提升離不開在對(duì)電力用戶用電行為特征的準(zhǔn)確、全面、及時(shí)地掌握，而從海量負(fù)荷數(shù)據(jù)中提取用戶日負(fù)荷特征曲線并進(jìn)行深入分析成為研究用戶用電行為特征的一種有效方式。

從研究對(duì)象層面來看，以往相關(guān)研究側(cè)重專線用戶（負(fù)荷數(shù)據(jù)來源為SCADA系統(tǒng)）和專變用戶，并以傳統(tǒng)意義上的行業(yè)分類作為提取負(fù)荷特征曲線時(shí)聚類的依據(jù)。從研究方法層面來看，電力用戶日負(fù)荷特征曲線的提取多使用聚類算法，主要有統(tǒng)計(jì)方法、機(jī)器學(xué)習(xí)方法、人工神經(jīng)網(wǎng)絡(luò)方法和面向數(shù)據(jù)庫的方法。人工神經(jīng)網(wǎng)絡(luò)因具有大規(guī)模的并行協(xié)同處理能力、較強(qiáng)的容錯(cuò)能力、聯(lián)想能力、學(xué)習(xí)能力和自適應(yīng)能力，故能夠較好地適應(yīng)海量數(shù)據(jù)背景下的數(shù)據(jù)挖掘。應(yīng)用較多的典型的神經(jīng)網(wǎng)絡(luò)模型包括BP網(wǎng)絡(luò)、Hopfield網(wǎng)絡(luò)、ART網(wǎng)絡(luò)和Kohonen網(wǎng)絡(luò)。[1-3]BP網(wǎng)絡(luò)屬于有監(jiān)督學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，需要提供聚類對(duì)象類別數(shù)量的先驗(yàn)知識(shí)，而公變用戶缺乏傳統(tǒng)意義上類似專變用戶的行業(yè)分類，故不適合采用BP網(wǎng)絡(luò)。Hopfield網(wǎng)絡(luò)、ART網(wǎng)絡(luò)和Kohonen網(wǎng)絡(luò)都屬于無監(jiān)督學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，在解決聚類問題上有其各自的優(yōu)缺點(diǎn)。

本文提出采用SOM神經(jīng)網(wǎng)絡(luò)[4-6]聚類算法提取公變用戶日負(fù)荷特征曲線，用MATLAB軟件進(jìn)行仿真，輸出可視化聚類結(jié)果，并對(duì)聚類結(jié)果進(jìn)行分析，驗(yàn)證了采用SOM神經(jīng)網(wǎng)絡(luò)聚類算法提取出的公變用戶日負(fù)荷特征曲線能夠較好地顯示不同類型公變用戶用電行為特征上的差異，具備良好的聚類效果，同時(shí)為電網(wǎng)企業(yè)優(yōu)化電力營銷服務(wù)提供參考和指導(dǎo)。

一、SOM神經(jīng)網(wǎng)絡(luò)

SOM（Self-Organizing Map，自組織映射）神經(jīng)網(wǎng)絡(luò)是較為廣泛應(yīng)用于聚類的神經(jīng)網(wǎng)絡(luò)。它是由Cohonen提出的一種無監(jiān)督學(xué)習(xí)的競爭型神經(jīng)網(wǎng)絡(luò)模型，通過不斷縮小獲勝神經(jīng)元的鄰域來達(dá)到聚類的目的。主要功能是將輸入的高維空間數(shù)據(jù)映射到一個(gè)較低的維度，通常是一維或者二維輸出，同時(shí)保持?jǐn)?shù)據(jù)原有的拓?fù)溥壿嬯P(guān)系。

SOM神經(jīng)網(wǎng)絡(luò)由輸入層和輸出層兩層組成，輸入層中的每一個(gè)神經(jīng)元通過權(quán)與輸出層中的每一個(gè)神經(jīng)元相連，如圖1所示。輸入層的神經(jīng)元以一維的形式排列，輸入神經(jīng)元的個(gè)數(shù)由輸入矢量中的分量個(gè)數(shù)決定，輸出層的神經(jīng)元一般以一維或者二維的形式排列，計(jì)輸入層的神經(jīng)元數(shù)量為m，輸出層神經(jīng)元數(shù)量為c。輸入的樣本總數(shù)為n，第i個(gè)輸入樣本用矢量表示為，每個(gè)輸出神經(jīng)元的輸出值記為，。與第j個(gè)輸出神經(jīng)元相連的權(quán)用矢量表示為：。

Kohonen算法是無教師示教的聚類方法，它能將任意維輸入模式在輸入層映射成一維或二維離散圖形，并保持其拓?fù)浣Y(jié)構(gòu)不變，即在無教師示教的情況下，通過對(duì)輸入模式的自組織學(xué)習(xí)，在輸出層將聚類結(jié)果表示出來。此外，網(wǎng)絡(luò)通過對(duì)輸入模式的反復(fù)學(xué)習(xí)，可以使連接權(quán)矢量空間分布密度與輸入模式的概率分布趨于一致，即連接權(quán)矢量空間分布能反映輸入模式的統(tǒng)計(jì)特性。該算法往往在完成極高維數(shù)、超大量數(shù)據(jù)和高度非線性問題的聚類，模式表征和數(shù)據(jù)壓縮，分類等任務(wù)時(shí)是一個(gè)很有效、很簡便，且快速、穩(wěn)健、泛化性好的算法。

Kohonen的學(xué)習(xí)算法如下：

（1）初始化：將整個(gè)輸入向量存儲(chǔ)在矩陣p中，對(duì)權(quán)值w進(jìn)行初始化，權(quán)值向量的每一維的取值范圍同輸入向量每一維的取值范圍。

（2）選擇一個(gè)輸入向量，提供給網(wǎng)絡(luò)輸入層。

（3）按照下式計(jì)算輸出層每一個(gè)神經(jīng)元 j 的權(quán)值與輸入向量之差：，其中，。

（4）按照“勝者為王”的原則，對(duì)每一個(gè)神經(jīng)元j，以minDist中的最小值所對(duì)應(yīng)的神經(jīng)元 k作為勝者，對(duì)它和它的鄰域內(nèi)的神經(jīng)元的權(quán)值進(jìn)行調(diào)整，假設(shè)當(dāng)前處于學(xué)習(xí)的第l步，權(quán)值的修正按照下式進(jìn)行：

其中，lr表示學(xué)習(xí)速率，br表示鄰域調(diào)整率;表示獲勝神經(jīng)元的鄰域，即：。

（5）選擇另一個(gè)輸入向量，返回（3），直到所有的輸入向量全部提供給網(wǎng)絡(luò)。

（6）返回（2），直到達(dá)到最大訓(xùn)練步數(shù)。

二、MATLAB仿真算例

1.MATLAB仿真實(shí)現(xiàn)

對(duì)于日負(fù)荷特征曲線的提取，負(fù)荷曲線的采樣點(diǎn)越多，曲線越精細(xì)，越容易進(jìn)行分類，研究數(shù)據(jù)來自于電力用戶用電信息采集系統(tǒng)，從中提取公變用戶每15分鐘采集一次的有功功率構(gòu)成其日負(fù)荷曲線，一天共96個(gè)采樣點(diǎn)。從某省電力用戶用電信息采集系統(tǒng)中隨機(jī)抽取1000臺(tái)公用變壓器，選取其2012年7月10日（工作日，該省全年負(fù)荷最高日）作為典型日進(jìn)行日負(fù)荷特征曲線提取和分析。每臺(tái)公變?nèi)肇?fù)荷曲線由96個(gè)有功采樣點(diǎn)組成。由于每臺(tái)公變額定容量大小不等，為了有效聚類，首先需要對(duì)負(fù)荷數(shù)據(jù)進(jìn)行歸一化處理。

本文采用聚類SOM神經(jīng)網(wǎng)絡(luò)，在MATLAB環(huán)境下，對(duì)這些數(shù)據(jù)進(jìn)行聚類仿真。聚類SOM神經(jīng)網(wǎng)絡(luò)的MATLAB實(shí)現(xiàn)步驟如下：（1）準(zhǔn)備數(shù)據(jù)源。首先從原始數(shù)據(jù)庫讀取相關(guān)數(shù)據(jù)（輸入樣本總數(shù)70，每一個(gè)樣本有96個(gè)采集時(shí)點(diǎn)）作為輸入矢量，并將其以二維數(shù)組70×96形式輸入。（2）確定參數(shù)。輸入神經(jīng)元個(gè)數(shù)為采集時(shí)點(diǎn)的個(gè)數(shù)96;輸出神經(jīng)元以二維數(shù)組3×3形式呈現(xiàn)。（3）運(yùn)用rand（ ）函數(shù)產(chǎn)生[0，1）之間的隨機(jī)數(shù)作為權(quán)值。（4）調(diào)用SOM創(chuàng)建函數(shù)newsom（ ），創(chuàng)建自組織映射網(wǎng)絡(luò)net=newsom（ ）。（5）對(duì)迭代次數(shù)net.trainParam.epochs賦值2000;對(duì)net.trainParam.show賦值20，表示每20次顯示一下誤差變化情況。（6）運(yùn)用網(wǎng)絡(luò)訓(xùn)練函數(shù)train（ ）訓(xùn)練上述初始化后的網(wǎng)絡(luò)net=train（ ）。（7）調(diào)用plot（ ）畫輸入點(diǎn); plotsom（ ）作訓(xùn)練后的權(quán)值點(diǎn)及其與相鄰權(quán)值點(diǎn)的連線。

2.仿真結(jié)果分析

經(jīng)MATLAB仿真運(yùn)行后得到聚類結(jié)果圖2所示：

圖2所示為SOM神經(jīng)網(wǎng)絡(luò)聚類結(jié)果，將樣本公變用戶分為7個(gè)類別，為便于后文描述，不妨按照行優(yōu)先的順序?yàn)楦骷せ畹膬?yōu)勝神經(jīng)元標(biāo)識(shí)聚類編號(hào)，依次分別為為：公變用戶第一類（包含13個(gè)樣本用戶）、公變用戶第二類（包含12個(gè)樣本用戶）、公變用戶第三類（包含5個(gè)樣本用戶）、公變用戶第四類（包含10個(gè)樣本用戶）、公變用戶第五類（包含10個(gè)樣本用戶）、公變用戶第六類（包含10個(gè)樣本用戶）、公變用戶第七類（包含10個(gè)樣本用戶）。

每個(gè)競爭層神經(jīng)元與各輸入神經(jīng)元之間的連接權(quán)構(gòu)成的向量代表了該優(yōu)勝神經(jīng)元所標(biāo)識(shí)類別的聚類中心即日負(fù)荷特征曲線，競爭層神經(jīng)元鄰域權(quán)值距離如圖3所示，顏色越深表示領(lǐng)域神經(jīng)元間的權(quán)值距離越遠(yuǎn)，即鄰域神經(jīng)元的聚類中心距離越遠(yuǎn)、提取的日負(fù)荷特征曲線差異越大。

圖4所示為通過SOM神經(jīng)網(wǎng)絡(luò)聚類算法提取的七大類公變用戶日負(fù)荷特征曲線。日負(fù)荷特征曲線較為明顯地反映了不同類型公變用戶在該典型日的用電行為。

第一類公變?nèi)肇?fù)荷特征曲線呈現(xiàn)出明顯的午高峰和晚高峰特征，且晚高峰明顯高于午高峰。推測此類為城鎮(zhèn)居民生活的典型日負(fù)荷特征曲線，可能由于部分居民上班因素造成晚高峰高于午高峰;第二類公變?nèi)肇?fù)荷特征曲線走勢(shì)同全網(wǎng)負(fù)荷基本一致，呈現(xiàn)出明顯午高峰和晚高峰，但午高峰一枝獨(dú)秀，可能該公變下的用戶類型較多，包括居民用戶和一般工商業(yè)用戶，由于各類用電特征比例與全網(wǎng)比例類似，形成具有全網(wǎng)負(fù)荷特征的曲線;第七類公變?nèi)肇?fù)荷特征曲線與前六種主要集中在白天用電不同，主要在天黑時(shí)間段內(nèi)（晚上7點(diǎn)左右至第二天早上6點(diǎn)）用電，推測這類用戶主要集中在市政工程類。

三、總結(jié)與展望

本文將SOM神經(jīng)網(wǎng)絡(luò)聚類算法應(yīng)用到電力用戶日負(fù)荷特征曲線提取的研究中，選取某省公變用戶作為分析樣本，通過MATLAB仿真計(jì)算將樣本公變用戶分為七個(gè)類別，以優(yōu)勝神經(jīng)元與輸入神經(jīng)元之間連接權(quán)向量作為聚類中心即該類別用戶的日負(fù)荷特征曲線。根據(jù)提取出的日負(fù)荷特征曲線，結(jié)合電力用戶用電信息采集系統(tǒng)中的營銷檔案分析了不同類別公變用戶的用電特征與習(xí)慣。分析表明，采用SOM神經(jīng)網(wǎng)絡(luò)聚類算法提取日負(fù)荷特征曲線具有良好的效果，提取出的日負(fù)荷特征曲線能夠較好反映該類型用戶的用電行為與特征，為電力企業(yè)了解用戶用電習(xí)慣、細(xì)分電力市場、調(diào)整定價(jià)策略和實(shí)施需求側(cè)管理提供了有益參考。

下一步研究將考慮采用電力用戶全年負(fù)荷數(shù)據(jù)進(jìn)行聚類分析，驗(yàn)證小樣本下的聚類結(jié)果、發(fā)現(xiàn)新的用戶類型;同時(shí)改進(jìn)SOM神經(jīng)網(wǎng)絡(luò)算法，使其適應(yīng)海量數(shù)據(jù)下的負(fù)荷曲線聚類分析，并通過調(diào)整競爭層神經(jīng)元個(gè)數(shù)與抑制權(quán)值使訓(xùn)練結(jié)果更加穩(wěn)定，得到更好的聚類效果。

參考文獻(xiàn)：

[1]馬玉梅，馬志超.基于人工神經(jīng)網(wǎng)絡(luò)的手寫阿拉伯?dāng)?shù)字識(shí)別[J].中央民族大學(xué)學(xué)報(bào)（自然科學(xué)版），2007，（4）.

[2]劉小波，李亞玲，趙景濤，等.基于KOHONEN神經(jīng)網(wǎng)絡(luò)的電壓控制分區(qū)[J].浙江電力，2007，（3）.

[3]莫禮平.基于Kohonen神經(jīng)網(wǎng)絡(luò)的故障診斷方法[J].成都大學(xué)學(xué)報(bào)（自然科學(xué)版），2007，（1）.

[4]李培強(qiáng)，李欣然，陳輝華，等.基于模糊聚類的電力負(fù)荷特性的分類與綜合[J].中國電機(jī)工程學(xué)報(bào)，2005，（24）.

人工神經(jīng)網(wǎng)絡(luò)的優(yōu)缺點(diǎn)范文第5篇

關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò)；SOM；城市分類

一、引言

城市分類不僅便于我們對(duì)各個(gè)城市的發(fā)展進(jìn)行評(píng)估，并且為我們制定城市的發(fā)展決策提供了依據(jù)。然而，如何能夠進(jìn)行科學(xué)的城市分類一直備受關(guān)注。而基于近些年來人工神經(jīng)網(wǎng)絡(luò)的飛速發(fā)展，它幫助我們解決了許多棘手的難題，其中的自組織特征映射網(wǎng)絡(luò)（SOM）具有強(qiáng)大的聚類功能，利用它可以幫助我們根據(jù)各個(gè)城市的特點(diǎn)從而進(jìn)行科學(xué)分類，為加速我國城市的發(fā)展和城鎮(zhèn)化建設(shè)有著重要的意義。2005年吳聘奇、黃民生利用SOM網(wǎng)絡(luò)對(duì)福建省城市進(jìn)行了職能分類，同年，劉耀彬、宋學(xué)鋒又基于SOM人工神經(jīng)網(wǎng)絡(luò)對(duì)長江三角洲地區(qū)城市職能分類做了研究。從而可見，基于人工神經(jīng)網(wǎng)絡(luò)的自組織特征映射網(wǎng)絡(luò)（SOM）在城市的分類問題確實(shí)可以發(fā)揮強(qiáng)大的作用。

評(píng)價(jià)一個(gè)城市的各個(gè)行業(yè)的發(fā)展，有許多指標(biāo)。其中行業(yè)就業(yè)人口是評(píng)價(jià)一個(gè)城市該行業(yè)的發(fā)展的基礎(chǔ)指標(biāo)。本文對(duì)山東地區(qū)城市的分類實(shí)證分析中，對(duì)各個(gè)城市的各行業(yè)就業(yè)人口數(shù)量進(jìn)行了采集，其中包括農(nóng)林牧漁業(yè)，采礦業(yè)，制造業(yè)，電力、煤氣及水的生產(chǎn)和供應(yīng)業(yè)，建筑業(yè)，交通運(yùn)輸、倉儲(chǔ)和郵政業(yè)，信息傳輸、計(jì)算機(jī)服務(wù)和軟件業(yè)，批發(fā)和零售業(yè)，房地產(chǎn)業(yè)，住宿和餐飲業(yè)，金融業(yè)，租賃和商務(wù)服務(wù)業(yè)，水利、環(huán)境和公共設(shè)施管理業(yè)，居民服務(wù)和其他服務(wù)業(yè)，教育，科學(xué)研究、技術(shù)服務(wù)和地質(zhì)勘查業(yè)，衛(wèi)生、社會(huì)保障和社會(huì)福利業(yè)，文化、體育和娛樂業(yè)，公共管理和社會(huì)組織等19個(gè)行業(yè)的從業(yè)人員數(shù)。然后，通過MATLAB軟件進(jìn)行編程構(gòu)建，成功地將山東省的17個(gè)城市進(jìn)行了分類，從而說明了SOM網(wǎng)絡(luò)在城市分類方面的確有優(yōu)于其他傳統(tǒng)方法的優(yōu)點(diǎn)。

二、SOM網(wǎng)絡(luò)的基本原理

（一）SOM網(wǎng)絡(luò)簡介

自組織特征映射網(wǎng)絡(luò)也稱Kohonen網(wǎng)絡(luò)，或者稱為Self-OrgnizingFeatureMap（SOM）網(wǎng)絡(luò)，它是由芬蘭學(xué)者TeuvoKohonen于1981年提出的。該網(wǎng)絡(luò)是一個(gè)由全連接的神經(jīng)元陣列組成的無教師自組織、自學(xué)習(xí)網(wǎng)絡(luò)。Kohonen認(rèn)為，處于空間中不同區(qū)域的神經(jīng)元有不同的分工，當(dāng)一個(gè)神經(jīng)網(wǎng)絡(luò)接受外界輸入模式時(shí)，將會(huì)分成不同的反應(yīng)區(qū)域，各區(qū)域?qū)斎肽Ｊ骄哂胁煌捻憫?yīng)特征。

SOM網(wǎng)絡(luò)的一個(gè)典型特征就是可以在一維或二維的處理單元陣列上，形成輸入信號(hào)的特征拓?fù)浞植?，因此SOM網(wǎng)絡(luò)具有抽取輸入信號(hào)模式特征的能力。SOM網(wǎng)絡(luò)一般只包含有一維陣列和二維陣列，但也可以推廣到多維處理單元陣列中去。

（二）SOM網(wǎng)絡(luò)學(xué)習(xí)算法

1、初始化。對(duì)N個(gè)輸入神經(jīng)元到輸出神經(jīng)元的連接權(quán)值賦予較小的權(quán)值。選取輸出神經(jīng)元j個(gè)“鄰接神經(jīng)元”的集合Sj。其中Sj(0)，表示時(shí)刻t=0的神經(jīng)元j的“鄰接神經(jīng)元”的集合，Sj(t)表示時(shí)刻t的“鄰接神經(jīng)元”的集合。區(qū)域Sj(t)隨著時(shí)間的增長而不斷縮小。

2、提供新的輸入模式X。

4、給出一個(gè)周圍的鄰域Sk(t)。

7、提供新的學(xué)習(xí)樣本來重復(fù)上述學(xué)習(xí)過程。

三、基于SOM網(wǎng)絡(luò)的城市分類實(shí)證分析

城市分類可以便于我們了解各個(gè)城市的發(fā)展?fàn)顩r，從而為我們制訂城市的發(fā)展決策提供依據(jù)。現(xiàn)在人工神經(jīng)網(wǎng)絡(luò)已經(jīng)得到了很大的發(fā)展，它為我們研究此類問題提供了一種新的工具和思路。所以基于這個(gè)問題，我們嘗試?yán)肧OM網(wǎng)絡(luò)來進(jìn)行城市分類。SOM網(wǎng)絡(luò)是一種具有聚類功能的神經(jīng)網(wǎng)絡(luò)，并且它是無教師訓(xùn)練方式，我們只需要采集輸入樣本，而不必如入目標(biāo)值就可以得到我們想要的結(jié)果，可見SOM網(wǎng)絡(luò)使用也十分方便。

（一）網(wǎng)絡(luò)樣本設(shè)計(jì)

從山東省統(tǒng)計(jì)局網(wǎng)站，我們得到了山東省17個(gè)地級(jí)市城市的樣本。從中我們看出，原始指標(biāo)數(shù)據(jù)波動(dòng)較大，而一般來說，神經(jīng)元的輸出函數(shù)在0-1之間最為靈敏，為了提高訓(xùn)練的效率，所以要把數(shù)據(jù)進(jìn)行歸一化處理。歸一化處理方法為：找出每個(gè)指標(biāo)數(shù)據(jù)中的最大和最小值，利用（x-min）/（max-min）公式把所有數(shù)據(jù)歸一化為0到1之間的數(shù)。

（二）網(wǎng)絡(luò)設(shè)計(jì)

本文利用MATLABR2008進(jìn)行編程構(gòu)建。確定網(wǎng)絡(luò)的輸入模式為：

Pk=(P1k,P2k,…pkn)，k=1,2,…17,n=19

即一共有17組城市樣本向量，每個(gè)樣本中包括19個(gè)元素。

1、首先利用函數(shù)newsom創(chuàng)建一個(gè)SOM網(wǎng)絡(luò)。根據(jù)實(shí)際情況本文創(chuàng)建網(wǎng)絡(luò)的競爭層分別選用3、4、5、6層的結(jié)構(gòu)。然后經(jīng)過實(shí)驗(yàn)，分別觀察其性能，從而選取分類效果最好的一組。

2、利用函數(shù)train和仿真函數(shù)sim對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練并仿真。仿真的步數(shù)大小同樣影響網(wǎng)絡(luò)的聚類性能，這里我們?cè)O(shè)置步數(shù)為1000。

最后經(jīng)過分類結(jié)果如表1所示。

（三）實(shí)驗(yàn)結(jié)果分析

最后經(jīng)過分析篩選，發(fā)現(xiàn)當(dāng)這17個(gè)城市被劃分為6類時(shí)和現(xiàn)實(shí)情況較為符合。分類情況如表2所示。

第一類：從表中看出，濟(jì)南和青島被歸為了一類，并且在分類數(shù)為3、4、5、6時(shí)，濟(jì)南和青島都被列為了一類。從表中我們可以看到濟(jì)南、青島在各方面都優(yōu)于其他城市，尤其是制造業(yè)、教育、以及公共管理和社會(huì)組織方面。濟(jì)南是山東省省會(huì)，是全省、文化、經(jīng)濟(jì)，金融，教育中心，也是國家批準(zhǔn)的沿海開放城市和十五個(gè)副省級(jí)城市之一。青島是全國70個(gè)大中城市之一，全國五個(gè)計(jì)劃單列市之一。工業(yè)有紡織、機(jī)車車輛、機(jī)械、化學(xué)、石油化工、鋼鐵、橡膠、家用電器、啤酒、卷煙等。有馳名中外的青島啤酒、海爾集團(tuán)、海信集團(tuán)等大企業(yè)集團(tuán)。并且，二者都有豐富的教育資源，全省大多高校均聚集在此。

第二類：淄博、泰安、德州、聊城在發(fā)展方面，各個(gè)方面較為均衡，沒有特別顯著的特點(diǎn)。四者的制造業(yè)、建筑業(yè)和教育大約位于全省中間地位。

第三類：棗莊、東營屬特殊職能類型城市。兩個(gè)城市相對(duì)其他城市來說，采礦業(yè)較為發(fā)達(dá)。棗莊境內(nèi)已探明地下礦藏36種：煤、鐵、銅、鋁、金、銀、鍶（天青石）、石膏、螢石、水泥原料灰?guī)r等。其中煤、石膏地質(zhì)儲(chǔ)量為15.4億噸和4.1億噸。而東營又稱“石油之城”，豐富的石油、天然氣資源。但是，兩個(gè)城市的制造業(yè)相對(duì)薄弱，其他產(chǎn)業(yè)大約處于平均水平。

第四類：煙臺(tái)在此被單獨(dú)分成了一類，其具有自身的特色，并且發(fā)展?jié)摿薮?。煙臺(tái)的制造業(yè)和交通運(yùn)輸業(yè)位于全省前列。煙臺(tái)的工業(yè)主要以造船、輕紡、機(jī)械、建材、電子、冶金、醫(yī)藥等行業(yè)為主，并且還有張?jiān)Ｆ咸丫?、三環(huán)鎖等煙臺(tái)的傳統(tǒng)產(chǎn)品。近年來，錦綸、白卡紙、電子網(wǎng)目板等技術(shù)水平較高的項(xiàng)目相繼投產(chǎn)。煙臺(tái)在地理位置上東連，西接濰坊，西南與毗鄰，北瀕、，與對(duì)峙，并與隔海相望，共同形成拱衛(wèi)首都的海上門戶。所以，煙臺(tái)的交通運(yùn)輸業(yè)較為發(fā)達(dá)。另外，煙臺(tái)的招遠(yuǎn)金礦為煙臺(tái)采礦業(yè)也提供了大量了就業(yè)機(jī)會(huì)。

第五類：濰坊、臨沂、濟(jì)寧和菏澤在教育和公共管理和社會(huì)組織方面處于全省前列地位，其他方面稍稍遜色一些。

第六類：威海、日照、萊蕪、濱州這四個(gè)城市各個(gè)方面表現(xiàn)均不太突出，但是，這些城市的發(fā)展?jié)摿艽?。威海、日照屬沿海城市，交通便利，可以重點(diǎn)發(fā)展交通運(yùn)輸業(yè)。萊蕪、濱州雖地處內(nèi)陸，但也可依附內(nèi)陸的經(jīng)濟(jì)中心——濟(jì)南來發(fā)揮特色經(jīng)濟(jì)。