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。

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

【關(guān)鍵詞】 人工神經(jīng)網(wǎng)絡(luò)技術(shù) 應(yīng)用 現(xiàn)狀

一、人工神經(jīng)網(wǎng)絡(luò)概述

要對(duì)人工神經(jīng)網(wǎng)絡(luò)技術(shù)的應(yīng)用進(jìn)行了解，首先要掌握人工神經(jīng)網(wǎng)絡(luò)的基本模型和結(jié)構(gòu)。它的結(jié)構(gòu)是并行分布的，通過大量的神經(jīng)元的模型組成，是用來進(jìn)行信息處理的網(wǎng)絡(luò)。各個(gè)神經(jīng)元之間相互聯(lián)系，相互之間聯(lián)系的方式很多，每個(gè)特定的鏈接之中都有相應(yīng)的權(quán)系數(shù)，而各個(gè)神經(jīng)元的輸出是特定的。

二、人工神經(jīng)網(wǎng)絡(luò)技術(shù)的應(yīng)用現(xiàn)狀

人工神經(jīng)網(wǎng)絡(luò)技術(shù)由于其結(jié)構(gòu)上的優(yōu)勢和對(duì)信息處理的高效性，使得在很多方面都有廣泛的應(yīng)用，例如，運(yùn)用人工神經(jīng)網(wǎng)絡(luò)技術(shù)進(jìn)行圖像處理、智能識(shí)別、自動(dòng)監(jiān)控、信號(hào)處理、機(jī)器人監(jiān)控等，使得其在生活的各個(gè)方面都發(fā)揮了重要的作用，為交通、電力、軍事等部門提供了便利。下面對(duì)人工神經(jīng)網(wǎng)絡(luò)技術(shù)的具體應(yīng)用做簡單的分析。

第一，BP神經(jīng)網(wǎng)絡(luò)?；谌斯ど窠?jīng)網(wǎng)絡(luò)技術(shù)的BP神經(jīng)網(wǎng)絡(luò)，在進(jìn)行優(yōu)化預(yù)測、分類和函數(shù)逼近等方面有著廣泛的應(yīng)用。網(wǎng)絡(luò)的應(yīng)用大體有分類、函數(shù)逼近、優(yōu)化預(yù)測等方面。比如，將胃電圖和心電圖進(jìn)行分類，對(duì)某些函數(shù)的最小二乘進(jìn)行逼近，對(duì)工業(yè)生產(chǎn)過程中的數(shù)據(jù)進(jìn)行整合，對(duì)電力系統(tǒng)中的負(fù)荷量和一些數(shù)據(jù)進(jìn)行優(yōu)化和預(yù)測等。特別是在進(jìn)行時(shí)間序列的預(yù)測中，發(fā)揮著重要的積極作用。使用BP神經(jīng)網(wǎng)絡(luò)還能對(duì)國家經(jīng)濟(jì)發(fā)展中的一些數(shù)據(jù)進(jìn)行處理。相對(duì)其它人工神經(jīng)網(wǎng)絡(luò)技術(shù)的網(wǎng)絡(luò)而言，BP網(wǎng)絡(luò)復(fù)雜性較低，所以在很多工業(yè)產(chǎn)業(yè)上應(yīng)用較多。在某些需要進(jìn)行控制的系統(tǒng)內(nèi)，BP神經(jīng)網(wǎng)絡(luò)能夠?qū)ο到y(tǒng)進(jìn)行有效的控制。其具體的優(yōu)勢主要有以下幾點(diǎn)：利用BP神經(jīng)網(wǎng)絡(luò)在識(shí)別和分類中的優(yōu)勢，能夠及時(shí)快速的判斷一些系統(tǒng)中的故障，相比以往的譜分析技術(shù)，其工作效率有了較大的提高。BP神經(jīng)網(wǎng)絡(luò)中也存在著一些不足，表現(xiàn)在其網(wǎng)絡(luò)的魯棒性和容錯(cuò)性不夠，在對(duì)故障進(jìn)行判斷和檢測時(shí)，不能有效地確保其準(zhǔn)確性。此外，這種算法的收斂速度不快，在選擇網(wǎng)絡(luò)隱層節(jié)點(diǎn)中還沒有形成完善的配套理論。這些都在某種程度上對(duì)其應(yīng)用造成了影響。

第二，ART神經(jīng)網(wǎng)絡(luò)。基于人工神經(jīng)網(wǎng)絡(luò)技術(shù)的ART神經(jīng)網(wǎng)絡(luò)，廣泛的應(yīng)用在對(duì)圖像、語音。文字等的識(shí)別過程中。其在某些工業(yè)產(chǎn)業(yè)中也普遍應(yīng)用，主要應(yīng)用在對(duì)系統(tǒng)的控制方面。例如，對(duì)故障判斷，問題預(yù)警和事故檢測等較為繁瑣的生產(chǎn)過程進(jìn)行控制，進(jìn)行數(shù)據(jù)挖掘，從有關(guān)的數(shù)據(jù)中找到能夠應(yīng)用的數(shù)據(jù)。ART神經(jīng)網(wǎng)絡(luò)在應(yīng)用中的優(yōu)勢主要是其具有很強(qiáng)的穩(wěn)定性，能夠在環(huán)境變化的情況下穩(wěn)定的工作，其算法也十分簡單而且為快速。其缺點(diǎn)主要是在要求對(duì)參數(shù)和模型等進(jìn)行準(zhǔn)確的判斷時(shí)，其網(wǎng)絡(luò)的結(jié)構(gòu)還需要進(jìn)行完善。

第三，RBF神經(jīng)網(wǎng)絡(luò)?；谌斯ど窠?jīng)網(wǎng)絡(luò)技術(shù)的RBF神經(jīng)網(wǎng)絡(luò)目前在建模、分類、函數(shù)近似、識(shí)別、信號(hào)處理等方面有著廣泛的引用。比于其他的神經(jīng)網(wǎng)絡(luò)，RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)較為簡單，其在非線性的逼近上的效果較為顯著，收斂的速度也較快，能夠有效的對(duì)整體進(jìn)行收斂。其存在的缺點(diǎn)是，在函數(shù)逼近方面還不夠完善，仍然要進(jìn)行性改進(jìn)。

第四，Hopfield神經(jīng)網(wǎng)絡(luò)。作為反饋神經(jīng)網(wǎng)絡(luò)的一種，Hopfield神經(jīng)網(wǎng)絡(luò)能夠在連接性較高的神經(jīng)網(wǎng)絡(luò)中進(jìn)行集中自動(dòng)的計(jì)算。目前其在工業(yè)產(chǎn)業(yè)中有著廣泛的應(yīng)用。優(yōu)點(diǎn)是，對(duì)于一些線性問題，避免了只是用數(shù)學(xué)方法所帶來的繁瑣，在進(jìn)行數(shù)模之間的轉(zhuǎn)化時(shí)，能夠快速準(zhǔn)確的進(jìn)行。

三、人工神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展

人工神經(jīng)網(wǎng)絡(luò)技術(shù)和理論的不斷發(fā)展和進(jìn)步，在較多領(lǐng)域中，人工神經(jīng)網(wǎng)絡(luò)技術(shù)引起了人們的關(guān)注。但是，目前在技術(shù)的運(yùn)用和技術(shù)本身仍存在著一些問題。

人工神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展，對(duì)數(shù)學(xué)領(lǐng)域的發(fā)展提出了要求，對(duì)有關(guān)的制造技術(shù)和科學(xué)技術(shù)也提出相應(yīng)的要求，這就需要我們要加快與其相關(guān)的各種技術(shù)的快速發(fā)展，使這些技術(shù)能與人工神經(jīng)網(wǎng)絡(luò)技術(shù)相互匹配。在發(fā)展人工神經(jīng)網(wǎng)絡(luò)技術(shù)的同時(shí)，要加強(qiáng)與其它相關(guān)學(xué)科的相互聯(lián)系，這對(duì)于更好的發(fā)展人工神經(jīng)網(wǎng)絡(luò)技術(shù)有著積極重要的作用。

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

關(guān)鍵字：非結(jié)構(gòu)化道路;道路識(shí)別;道路特征;道路模型;神經(jīng)網(wǎng)絡(luò)

Abstract: this paper first introduced the what is structured way what is structured road, then this article introduces the more commonly used three kinds of unstructured road identification method, which based on the method of road features, based on the method of road model based on the method of neural network. And in their respective methods have been realized some of the algorithm of the specific ideas, finally summarized the advantages and disadvantages of the three methods.

Key word: unstructured road; Road identification; Road features; Road model; Neural network

引言

自主駕駛是目前研究的一個(gè)熱點(diǎn)，而道路識(shí)別是自主駕駛系統(tǒng)中的一個(gè)重要組成部分，一些車輛行駛在路況極為惡劣的鄉(xiāng)間道路或無路的野外環(huán)境下。野外環(huán)境復(fù)雜度較高，地表粗糙而又崎嶇不平，對(duì)車輛的通過性構(gòu)成了潛在的威脅。要使車輛在野外環(huán)境下實(shí)現(xiàn)自主駕駛，就需要對(duì)非結(jié)構(gòu)道路進(jìn)行識(shí)別。道路檢測的成功與否決定了車輛能否正確識(shí)別當(dāng)前的道路環(huán)境。因而，道路檢測是自主駕駛車輛的關(guān)鍵技術(shù)之一。

1 結(jié)構(gòu)化道路和非結(jié)構(gòu)化道路

結(jié)構(gòu)化道路一般是指高速公路和部分結(jié)構(gòu)化較好的公路，這類道路具有清晰的車道線和道路邊界，車道線一般為白色或黃色的連續(xù)線或短劃線，非結(jié)構(gòu)化道路一般指結(jié)構(gòu)化程度較低的道路，例如城市交通道路、鄉(xiāng)村道路等。

在車輛自主駕駛系統(tǒng)中，道路識(shí)別是非常重要的，目前結(jié)構(gòu)化道路識(shí)別技術(shù)已日趨成熟，而非結(jié)構(gòu)化道路識(shí)別相對(duì)結(jié)構(gòu)化道路檢測已成為研究熱點(diǎn)，因此，研究非結(jié)構(gòu)化道路的識(shí)別問題具有極其重要的現(xiàn)實(shí)意義。

2 常用的非機(jī)構(gòu)化道路的識(shí)別方法

非結(jié)構(gòu)化道路沒有車道線和清晰的道路邊界，道路的形狀多種多樣，路面的等級(jí)較低，道路周邊的環(huán)境復(fù)雜，使得道路區(qū)域和非道路區(qū)域的區(qū)分有很大難度。再者，高光、相互反射等問題在非結(jié)構(gòu)化道路中仍然存在，這就使得非結(jié)構(gòu)化道路檢測技術(shù)研究面臨很大的困難。目前，針對(duì)非結(jié)構(gòu)化道路的道路檢測技術(shù)尚處于研究階段[1] [2]。

目前來說，針對(duì)非結(jié)構(gòu)化道路的檢測算法主要有三種：基于道路特征的方法、基于道路模型的方法和基于神經(jīng)網(wǎng)絡(luò)的方法。

2.1基于道路特征的方法

基于道路特征的方法主要包括基于區(qū)域特征的方法和基于邊緣特征的方法。前者是通過道路區(qū)域和背景區(qū)域像素點(diǎn)之間色彩、紋理、亮度等的差異來劃分。一般對(duì)非結(jié)構(gòu)化道路采用這種算法比較好。后者基于邊緣特征的方法是通過路面和非路面之間的特征突變來尋找道路邊緣，再通過道路邊緣識(shí)別識(shí)別道路區(qū)域，但對(duì)于非結(jié)構(gòu)化道路的邊緣不夠清晰的情況下此種算法不適用，針對(duì)于此，將區(qū)域法和邊緣特征法結(jié)合起來取各自的長處進(jìn)行非結(jié)構(gòu)化道路的識(shí)別。例如程洪，鄭南寧等提出了一種基于圖像非同質(zhì)性特征和幾何模型的道路識(shí)別方法[3]。該算法將計(jì)算得到圖像局部方差與不連續(xù)性特征進(jìn)行融合獲得圖像的非同質(zhì)性特征，利用比例直方圖法得到的閾值自適應(yīng)地對(duì)上述結(jié)果二值化，然后用魯棒M估計(jì)器估計(jì)樣條擬合的最優(yōu)控制點(diǎn)，進(jìn)而用3點(diǎn)Catmull-Rom樣條擬合處道路邊界。

2.2 基于道路模型的方法

首先假設(shè)出道路模型，然后根據(jù)圖像找出最匹配的道路模型。例如，清華大學(xué)以 THMR-V 型移動(dòng)機(jī)器人為試驗(yàn)平臺(tái)在校內(nèi)公路上進(jìn)行了非結(jié)構(gòu)化道路的識(shí)別研究，實(shí)現(xiàn)了較好的識(shí)別效果，試驗(yàn)圖片如上圖所示。該方法假設(shè)道路相對(duì)平坦并且具有直線型的道路邊界，首先運(yùn)用 2*2 模板對(duì)圖像進(jìn)行模糊化處理，減小數(shù)據(jù)量的同時(shí)消除地面裂紋的影響，然后使用灰度級(jí)數(shù)學(xué)形態(tài)學(xué)算子來增強(qiáng)和提取圖像邊緣，利用區(qū)域標(biāo)注將圖像分割成互不相通的幾部分，并通過判斷區(qū)域中心是否在所設(shè)定的道路模型上來判定該區(qū)域是否是道路部分。整個(gè)算法耗時(shí) 81ms。由于實(shí)施了模糊預(yù)處理，因此這種方法丟失了一些邊緣信息，且沒有利用路面顏色的連續(xù)性這一信息[4]。

2.3 基于神經(jīng)網(wǎng)絡(luò)的方法

利用神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)特性來實(shí)現(xiàn)對(duì)道路的識(shí)別。例如，吉林大學(xué)的劉子輝等，利用BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了非結(jié)構(gòu)化道路的識(shí)別算法，算法根據(jù)實(shí)際采集的圖片樣本，利用熵、能量等紋理特征值作為具有恰當(dāng)結(jié)構(gòu)的 BP 網(wǎng)絡(luò)的輸入層，隱層設(shè)置有 20 個(gè)節(jié)點(diǎn)，輸出層設(shè)置 1 個(gè)節(jié)點(diǎn)來進(jìn)行網(wǎng)絡(luò)的訓(xùn)練。訓(xùn)練完成后得到網(wǎng)絡(luò)的權(quán)值矩陣和閾值矩陣，然后將待判別圖片中的每一個(gè)10× 10 區(qū)域的紋理特征值依次送至 BP 網(wǎng)絡(luò)的輸入層，經(jīng)過運(yùn)算判別小區(qū)域的屬性，直至完成整幅圖像所有區(qū)域的判別[5]。

3 各種非結(jié)構(gòu)化道路識(shí)別方法優(yōu)缺點(diǎn)的比較

各種非結(jié)構(gòu)化的道路識(shí)別方法都有各自的優(yōu)缺點(diǎn)，其優(yōu)缺點(diǎn)比較如表1-1所示。

4 總結(jié)

本文主要介紹了目前較為常用的三種非結(jié)構(gòu)化道路的識(shí)別方法，即基于道路特征的識(shí)別方法、基于模型的識(shí)別方法和基于神經(jīng)網(wǎng)絡(luò)的識(shí)別方法以及目前在各自方法中已經(jīng)實(shí)現(xiàn)的具體的一些算法的思想，同時(shí)在最后總結(jié)了三種方法的優(yōu)缺點(diǎn)。

參考文獻(xiàn)：

[1]王京起， 陳慧巖.陸地自主車輛研究概況[J] .車輛與動(dòng)力技術(shù)，2000(9)：56-61

[2]邵亮.基于 FPGA 和嵌入式系統(tǒng)的實(shí)時(shí)圖像處理[D].杭州：浙江大學(xué)，2005

[3]程洪,鄭南寧,趙莉,李青.一種基于圖像非同質(zhì)性特征和幾何模型的道路識(shí)別方法[J],西安交通大學(xué)學(xué)報(bào).2004(38):384-387

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

信用評(píng)分模型作為信用風(fēng)險(xiǎn)管理的基礎(chǔ)和核心,無論是對(duì)于建立社會(huì)征信體系還是對(duì)于金融機(jī)構(gòu)的信貸資產(chǎn)管理,都有著不可替代的作用。其主要目的,在于盡量將能夠預(yù)測借款人未來行為的指標(biāo)加以整合,并統(tǒng)一成可以比較的單一指標(biāo),以顯示借款人在未來特定時(shí)間內(nèi)違約的可能性,所有的信用評(píng)分模型,無論采用什么理論或方法,其最終目的都是將貸款申請(qǐng)者的信用級(jí)別分類。為達(dá)到分類目的。當(dāng)前，對(duì)個(gè)人信用評(píng)分模型的定義有多種，較為權(quán)威的種觀點(diǎn)認(rèn)為:“信用評(píng)分是預(yù)測貸款申請(qǐng)人或現(xiàn)有借款人違約可能性的一種統(tǒng)計(jì)方法?！边@一觀點(diǎn)指出了信用評(píng)分的作用和目的,不過隨著信用評(píng)分模型的不斷發(fā)展,信用評(píng)分已不僅是一種統(tǒng)計(jì)方法,也包含了運(yùn)籌學(xué),如數(shù)學(xué)規(guī)劃法、非線性模糊數(shù)學(xué)(如神經(jīng)網(wǎng)絡(luò)方法)等。此外,信用評(píng)分的實(shí)際操作應(yīng)用也與決策原則緊密相關(guān)，決策原則事實(shí)上決定了信用評(píng)分模型實(shí)現(xiàn)其目的和作用的程度。因此,對(duì)個(gè)人信用評(píng)分模型這一數(shù)學(xué)工具在金融和銀行業(yè)中的應(yīng)用來說,較為全面和恰當(dāng)?shù)亩x應(yīng)是,“信用評(píng)分是運(yùn)用數(shù)學(xué)優(yōu)化理論(包括統(tǒng)計(jì)方法、運(yùn)籌方法等),依照即定原則或策略(損失最小原則或風(fēng)險(xiǎn)溢價(jià)原則),在數(shù)據(jù)分析決策階段區(qū)分不同違約率水平客戶的方法。

二、各類信用評(píng)分模型概述

1.判別分析模型

判別分析法是對(duì)研究對(duì)象所屬類別進(jìn)行判別的一種統(tǒng)計(jì)分析方法。進(jìn)行判別分析必須已知觀測對(duì)象的分類和若干表明觀測對(duì)象特征的變量值。判別分析就是要從中篩選出能提供較多信息變量并建立判別函數(shù)，使推導(dǎo)出的判別函數(shù)對(duì)觀測樣本分類時(shí)的錯(cuò)判率最小。這種方法的理論基礎(chǔ)是樣本由兩個(gè)分布有顯著差異的子樣本組成，并且它們擁有共同的屬性。它起源于1936年Fisher引進(jìn)的線性判別函數(shù)，這個(gè)函數(shù)的目的是尋找一個(gè)變量的組合，把兩個(gè)擁有一些共同特征的組區(qū)分開來。

判別分析方法的優(yōu)點(diǎn):適用于二元或多元性目標(biāo)變量,能夠判斷,區(qū)分個(gè)體應(yīng)該屬于多個(gè)不同小組中的哪一組。自身也存在不可避免的缺點(diǎn):該模型假設(shè)前提是自變量的分布都是正態(tài)分布的,而實(shí)踐中的數(shù)據(jù)往往不是完全的正態(tài)分布,從而導(dǎo)致統(tǒng)計(jì)結(jié)果的不可靠性。

2.決策樹方法

決策樹模型是對(duì)總體進(jìn)行連續(xù)的分割,以預(yù)測一定目標(biāo)變量的結(jié)果的統(tǒng)計(jì)技術(shù)。決策樹構(gòu)造的輸入是一組帶有類別標(biāo)記的例子,構(gòu)造的結(jié)果是一棵二叉或多叉樹。構(gòu)造決策樹的方法是采用自上而下的遞歸構(gòu)造。在實(shí)際中,為進(jìn)行個(gè)人信用分析,選取個(gè)人信用作為目標(biāo)屬性，其他屬性作為獨(dú)立變量。所有客戶被劃分為兩類,即好客戶的和壞客戶,將客戶信用狀況轉(zhuǎn)換為“是否好客戶”(值為1或0),而后利用數(shù)據(jù)集合來生成一個(gè)完整的決策樹。在生成的決策樹中可以建立一個(gè)規(guī)則基。一個(gè)規(guī)則基包含一組規(guī)則,每一條規(guī)則對(duì)應(yīng)決策樹的一條不同路徑,這條路徑代表它經(jīng)過節(jié)點(diǎn)所表示的條件的一條鏈接。通過創(chuàng)立一個(gè)對(duì)原始祥本進(jìn)行最佳分類判別的決策樹,采用遞歸分割方法使期望誤判損失達(dá)到最小。

決策樹模型的優(yōu)點(diǎn)：淺層的決策樹視覺上非常直觀，容易解釋；對(duì)數(shù)據(jù)的結(jié)構(gòu)和分布不需做任何假設(shè)；可以容易地轉(zhuǎn)化成商業(yè)規(guī)則。它的缺點(diǎn)在于：深層的決策樹視覺上和解釋上都比較困難；決策樹對(duì)樣本量的需求比較大；決策樹容易過分微調(diào)于樣本數(shù)據(jù)而失去穩(wěn)定性和抗震蕩性。

3.回歸分析法

回歸分析法是目前為止應(yīng)用最為廣泛的一種信用評(píng)分模型,這其中以著名的logistic回歸為代表。除此之外,線性回歸分析、probit回歸等方法亦屬于此類。最早使用回歸分析的Orgler,他采用線性回歸模型制定了一個(gè)類似于信用卡的評(píng)分卡,他的研究表明消費(fèi)者行為特征比申請(qǐng)表資料更能夠預(yù)測未來違約可能性的大小。同數(shù)學(xué)規(guī)劃方法中一樣,假設(shè)已經(jīng)通過一定的方法從樣本變量中提取出了若干指標(biāo)作為特征向量,回歸分析的思想就是將這些指標(biāo)變量擬合成為一個(gè)可以預(yù)測申請(qǐng)者違約率的被解釋變量,自然就是違約率p,回歸分析中應(yīng)用最廣泛的模型當(dāng)屬線性回歸模型,它是對(duì)大量的數(shù)據(jù)點(diǎn)中表現(xiàn)出來的數(shù)量關(guān)系模擬出一條直線，回歸分析的目標(biāo)就是使目標(biāo)變量值和實(shí)際的目標(biāo)變量值之間的誤差最小。因此最早將回歸方法應(yīng)用于信用評(píng)分研究的模型，就是簡單的線性回歸模型，目前基于logistic回歸的信用評(píng)分系統(tǒng)應(yīng)用最為普遍。

回歸模型的優(yōu)點(diǎn):容易解釋和使用；自變量可以是連續(xù)性的，也可以是類別性的;許多直觀的統(tǒng)計(jì)指標(biāo)來衡量模型的擬合度。缺點(diǎn)：不能有效處理缺失值，必須通過一定的數(shù)據(jù)加工和信息轉(zhuǎn)換才能處理；模型往往呈線形關(guān)系，比較難把握數(shù)據(jù)中的非線形關(guān)系和變量間的互動(dòng)關(guān)系，而且模型假定變量呈正態(tài)分布；模型受樣本極端值的影響往往比較大。

4.人工神經(jīng)網(wǎng)絡(luò)法

近些年來,隨著信用評(píng)分領(lǐng)域的研究深入,有學(xué)者將人工智能領(lǐng)域的一些模型算法引入到了信用評(píng)分研究中,人工神經(jīng)網(wǎng)絡(luò)模型為典型代表。人工神經(jīng)網(wǎng)絡(luò)是由大量簡單的基本元件——神經(jīng)元相互連接而成的自適應(yīng)非線性動(dòng)態(tài)系統(tǒng),是一種把各種投入要素通過復(fù)雜的網(wǎng)絡(luò)轉(zhuǎn)換成產(chǎn)出的信息加工結(jié)構(gòu)。神經(jīng)網(wǎng)絡(luò)模型本質(zhì)上所解決的問題仍是分類或者說模式識(shí)別問題,但其原理卻與其做方法迥然相異。人工神經(jīng)網(wǎng)絡(luò)有多種模型,比如BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)、Hopfield網(wǎng)絡(luò)等。BP神經(jīng)網(wǎng)絡(luò)為目前研究最為成熟、算法最為穩(wěn)定同時(shí)應(yīng)用也最為廣泛的一種神經(jīng)網(wǎng)絡(luò)模型。

神經(jīng)網(wǎng)絡(luò)模型的優(yōu)點(diǎn)：有效地捕捉數(shù)據(jù)中非線性，非可加性的數(shù)量關(guān)系；適用于二元性，多元性和連續(xù)性的目標(biāo)變量；能處理連續(xù)性和類別性的預(yù)測變量。缺點(diǎn)：基本上是一個(gè)黑箱方案，難以理解；如果不經(jīng)過仔細(xì)控制，容易微調(diào)于樣本數(shù)據(jù)，從而不具備充分的抗震蕩性和穩(wěn)定性。

三、結(jié)語

信用評(píng)分作為一種嚴(yán)謹(jǐn)?shù)幕诮y(tǒng)計(jì)學(xué)等理論的決策手段,正在逐漸被我國商業(yè)銀行重視。信用評(píng)分系統(tǒng)的建設(shè)在我國屬于起步階段,應(yīng)逐步建設(shè)適合我國特色的、高水平的信貸決策支持制度不但需要借鑒國外已有的理論研究成果和實(shí)踐方案,更需要我國學(xué)界的創(chuàng)新或結(jié)合我國本土數(shù)據(jù)的實(shí)證研究。

參考文獻(xiàn):

[1]陳建:信用評(píng)分模型技術(shù)與應(yīng)用.中國財(cái)政經(jīng)濟(jì)出版社,2005

[2]郭敏華:信用評(píng)級(jí).中國人民出版社,2004

[3]孫薇:淺析信用風(fēng)險(xiǎn)評(píng)價(jià)方法.沿海企業(yè)與科技,2005

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

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)；應(yīng)用研究

中圖分類號(hào)：TP393文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044(2008)22-635-02

Application of Neural Network Study

WANG Ying1,LI Bing-fu2

(1.Information Science and Technology College,Zhanjiang Normal College,Zhanjiang 524048,China;2.Registry,Information Science and Technology College,Zhanjiang Normal College,Zhanjiang 524048,China)

Abstract:The study of the purpose of Artificial Neural Network,from the neural network of research and advantages, and other aspects proceed, the statement focused on neural networks in the economic field, the food industry, environmental science and engineering applications.

Key words: Neural Networks; Applied Research

1 引言

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network， ANN）簡稱神經(jīng)網(wǎng)絡(luò)，是由具有適應(yīng)性的簡單單元組成的廣泛并行互連的網(wǎng)絡(luò)，它的組織能夠模擬生物神經(jīng)系統(tǒng)對(duì)真實(shí)世界物體所做出的交互反應(yīng)，并利用機(jī)器模仿人類的智能是長期以來人們認(rèn)識(shí)自然、改造自然和認(rèn)識(shí)自身的理想。研究人工神經(jīng)網(wǎng)絡(luò)的主要目的包括：探索和模擬人的感覺、思維和行為的規(guī)律，設(shè)計(jì)具有人類智能的計(jì)算機(jī)系統(tǒng)；探討人腦的智能活動(dòng)，用物化了的智能來考察和研究人腦智能的物質(zhì)過程及其規(guī)律。

2 神經(jīng)網(wǎng)絡(luò)（ANN）的研究內(nèi)容

1)理論研究：ANN模型及其學(xué)習(xí)算法，試圖從數(shù)學(xué)上描述ANN的動(dòng)力學(xué)過程，建立相應(yīng)的ANN模型，在該模型的基礎(chǔ)上，對(duì)于給定的學(xué)習(xí)樣本，找出一種能以較快的速度和較高的精度調(diào)整神經(jīng)元間互連權(quán)值，使系統(tǒng)達(dá)到穩(wěn)定狀態(tài)，滿足學(xué)習(xí)要求的算法；2)實(shí)現(xiàn)技術(shù)的研究：探討利用電子、光學(xué)、生物等技術(shù)實(shí)現(xiàn)神經(jīng)計(jì)算機(jī)的途徑；3)應(yīng)用的研究：探討如何應(yīng)用ANN解決實(shí)際問題，如模式識(shí)別、故障檢測、智能機(jī)器人等;4)基本模型如圖1示。

■

圖1生物神經(jīng)元功能模型

3 神經(jīng)網(wǎng)絡(luò)（ANN）的研究在各領(lǐng)域的優(yōu)缺點(diǎn)

人工神經(jīng)網(wǎng)絡(luò)的理論研究和應(yīng)用研究已取得豐碩成果，對(duì)于在各領(lǐng)域的應(yīng)用具有以下優(yōu)點(diǎn)：1)學(xué)習(xí)能力：人工神經(jīng)網(wǎng)絡(luò)具有學(xué)習(xí)的能力，通過學(xué)習(xí)，人工神經(jīng)網(wǎng)絡(luò)具有很好的輸入-輸出映射能力。學(xué)習(xí)方式可分為：有導(dǎo)師學(xué)習(xí)（Learning With a Teacher）和無導(dǎo)師學(xué)習(xí)（Learning Without a Teacher）；2)容錯(cuò)性：容錯(cuò)包括空間上的容錯(cuò)、時(shí)間上的容錯(cuò)和故障檢測。容錯(cuò)性是生物神經(jīng)網(wǎng)絡(luò)所具有的特性，靠硬件或軟件實(shí)現(xiàn)的人工神經(jīng)網(wǎng)絡(luò)也具有容錯(cuò)性。由于在人工神經(jīng)網(wǎng)絡(luò)中信息存儲(chǔ)具有分布特性，這意味著局部的損害會(huì)使人工神經(jīng)網(wǎng)絡(luò)的運(yùn)行適度地減弱，但不會(huì)產(chǎn)生災(zāi)難性的后果；3)適應(yīng)性：人工神經(jīng)網(wǎng)絡(luò)具有調(diào)整權(quán)值以適應(yīng)變化的能力，尤其是在特定環(huán)境中訓(xùn)練的神經(jīng)網(wǎng)絡(luò)能很容易地被再次訓(xùn)練以處理?xiàng)l件的變化，這反映了人工神經(jīng)網(wǎng)絡(luò)的適應(yīng)性；4)并行分布處理：采用并行分布處理方法，同時(shí)由于計(jì)算機(jī)硬件的迅猛發(fā)展，使得快速進(jìn)行大量運(yùn)算成為可能；5)仿真軟件的逐步完善：人工神經(jīng)網(wǎng)絡(luò)仿真軟件的逐步完善，將人們從繁瑣的編程中解放出來，同時(shí)也為人工神經(jīng)網(wǎng)絡(luò)在各領(lǐng)域的應(yīng)用研究提供了可進(jìn)行分析和預(yù)測的能力。

缺點(diǎn)：研究受到腦科學(xué)研究成果的限制；缺少一個(gè)完整、成熟的理論體系；研究帶有濃厚的策略和經(jīng)驗(yàn)色彩；與傳統(tǒng)技術(shù)的接口不成熟。

4 神經(jīng)網(wǎng)絡(luò)在各領(lǐng)域的應(yīng)用研究探討

4.1 神經(jīng)網(wǎng)絡(luò)在經(jīng)濟(jì)領(lǐng)域的應(yīng)用研究探討

神經(jīng)網(wǎng)絡(luò)在經(jīng)濟(jì)領(lǐng)域的應(yīng)用主要有：1)價(jià)格預(yù)測影響商品和服務(wù)：價(jià)格變動(dòng)的因素是復(fù)雜、多變的，傳統(tǒng)的統(tǒng)計(jì)經(jīng)濟(jì)學(xué)方法存在不適合動(dòng)態(tài)系統(tǒng)、建模復(fù)雜等局限性，難以對(duì)價(jià)格變動(dòng)做出科學(xué)的預(yù)測，人工神經(jīng)網(wǎng)絡(luò)容易處理不完整的、模糊不確定或規(guī)律性不明顯的數(shù)據(jù)，所以用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行價(jià)格預(yù)測是可行的，且有著傳統(tǒng)方法無法比擬的優(yōu)勢；2)風(fēng)險(xiǎn)評(píng)估：風(fēng)險(xiǎn)是由于從事某項(xiàng)特定活動(dòng)過程中存在的不確定性而產(chǎn)生的經(jīng)濟(jì)或財(cái)務(wù)的損失、自然破壞或損傷的可能性。防范風(fēng)險(xiǎn)的最好辦法就是事先對(duì)風(fēng)險(xiǎn)做出科學(xué)的預(yù)測和評(píng)估，傳統(tǒng)的專家評(píng)估依賴于專家的經(jīng)驗(yàn)，存在著人為和主觀的因素，人工神經(jīng)網(wǎng)絡(luò)的預(yù)測思想是建立風(fēng)險(xiǎn)來源和風(fēng)險(xiǎn)評(píng)價(jià)系數(shù)的非線性映射，提供定量的解決方案，彌補(bǔ)了主觀評(píng)估的不足。商業(yè)銀行的風(fēng)險(xiǎn)管理問題是我國加入WTO后的一個(gè)突出問題。目前，信用風(fēng)險(xiǎn)仍然是我國商業(yè)銀行最主要的風(fēng)險(xiǎn)。我國商業(yè)銀行目前正處在轉(zhuǎn)軌時(shí)期，用傳統(tǒng)方法評(píng)估信用風(fēng)險(xiǎn)難以達(dá)到滿意的效果，而神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)能力強(qiáng)，容錯(cuò)性好，具有很強(qiáng)的魯棒性，適合評(píng)價(jià)信息不全的系統(tǒng)。根據(jù)我國的具體現(xiàn)實(shí)，運(yùn)用人工神經(jīng)網(wǎng)絡(luò)技術(shù)，構(gòu)造出適合中國的信用風(fēng)險(xiǎn)模型，并對(duì)某國有銀行提供的數(shù)據(jù)進(jìn)行了實(shí)證研究。

4.2 神經(jīng)網(wǎng)絡(luò)在食品工業(yè)中的應(yīng)用研究探討

神經(jīng)網(wǎng)絡(luò)在食品工業(yè)中的應(yīng)用研究主要有：1)外來物的探測：對(duì)食品中偶爾混入極少量的外來物采用先進(jìn)的儀器探測方法，如X射線衍射，可較為快速而準(zhǔn)確地檢測出食品中夾帶的外來物。儀器探測法產(chǎn)生大量的測量數(shù)據(jù)可以利用分析運(yùn)算方法能快速地從大量的數(shù)據(jù)中找出差異而判別出外來物，從而提高生產(chǎn)的效率。分析方法很多，但目前較為有效的是ANN法――例如對(duì)于軟質(zhì)外來物如木屑和塑料，在X射線數(shù)據(jù)上外來物與食品原料的差異很小，情況更為復(fù)雜，很難做出判別。根據(jù)ANN自學(xué)習(xí)自適應(yīng)的特點(diǎn)，不是只采用一個(gè)簡單的ANN，而是構(gòu)造了一組子網(wǎng)絡(luò)。讓每一子網(wǎng)絡(luò)用來識(shí)別一種外來物，各自訓(xùn)練子網(wǎng)絡(luò)，然后將結(jié)果最后融合輸入一個(gè)決策單元，讓決策單元決定食品是否合格；2)摻假食品的鑒別：摻假物是人為地故意地加入食品中，可根據(jù)不同食品初步估計(jì)加入的摻假物的種類，選用相應(yīng)的檢測方法，并結(jié)合ANN算法對(duì)測量數(shù)據(jù)分析，可獲得較滿意的結(jié)果；3)分類與分級(jí)：果蔬外觀特征很多，隨季節(jié)、產(chǎn)地和品種不同而不同，可抽取主要特征，再運(yùn)用ANN模式識(shí)別算法進(jìn)行分類。顏色往往是衡量果蔬外部品質(zhì)的一個(gè)重要指標(biāo)，也間接反映果蔬的成熟度和內(nèi)部品質(zhì)，高品質(zhì)的果蔬一般著色好。此外，ANN除可進(jìn)行果蔬分類（分級(jí)）外，還可以對(duì)肉類分級(jí)。從肉類的圖像處理數(shù)據(jù)中提取“大理石紋值”（marbling score，表征脊肉中脂肪分布密度）來表征肉類質(zhì)量，運(yùn)用三層前向型ANN進(jìn)行模式識(shí)別，效果令人滿意；4)加工過程的仿真與控制：食品加工過程總是難以規(guī)范地操作，因?yàn)槭称肺锪系男再|(zhì)與季節(jié)、產(chǎn)地與氣候緊密地聯(lián)系，同是由于缺乏合適的傳感器或不足夠和不精確的在線測量，以及食品的物性的時(shí)變性。在傳統(tǒng)的過程仿真中，需要建立假設(shè)、簡化和大量的參數(shù)用來建立數(shù)學(xué)模型，這有可能與實(shí)際情況相差很遠(yuǎn)。因此，具有對(duì)非線性和非穩(wěn)態(tài)系統(tǒng)有強(qiáng)處理能力的ANN尤適合應(yīng)用于食品加工；5)感觀評(píng)價(jià)與預(yù)測、食品配方設(shè)計(jì)等：以往常用的建模方法是多元回歸法，但是在多因子、非線性的條件下多元回歸法并不適用。ANN則有效地解決這一問題。采用ANN先對(duì)已有的27組數(shù)據(jù)進(jìn)行擬合；然后用ANN進(jìn)行模擬，輸入各種配方成分的含量，ANN就會(huì)輸出預(yù)測結(jié)果，從中挑選出最佳的配方。

4.3 神經(jīng)網(wǎng)絡(luò)在環(huán)境科學(xué)與工程中的應(yīng)用探討

神經(jīng)網(wǎng)絡(luò)在環(huán)境科學(xué)與工程中的應(yīng)用主要有：1)環(huán)境質(zhì)量評(píng)價(jià)；2)環(huán)境系統(tǒng)因素預(yù)測；3)環(huán)境因素定量關(guān)系模擬構(gòu)效分析、成因分析；4)污染防治系統(tǒng)建模。由于BP神經(jīng)網(wǎng)絡(luò)具有優(yōu)良的非線性逼近能力，1994年以來，已在環(huán)境科學(xué)與工程的環(huán)境質(zhì)量評(píng)價(jià)與預(yù)測、監(jiān)測點(diǎn)的優(yōu)化布置、社會(huì)經(jīng)濟(jì)環(huán)境可持續(xù)發(fā)展、污染物降解與釋放、水（處理、生態(tài)）系統(tǒng)的模擬與預(yù)測等方面獲得了廣泛的應(yīng)用。

5 結(jié)束語

由于神經(jīng)網(wǎng)絡(luò)學(xué)科的范圍涉及很廣泛，文中僅在那些有發(fā)展前途的領(lǐng)域中，列舉出少數(shù)幾個(gè)方向，應(yīng)該說明的是，除了上述列舉的以外，還有形形的、規(guī)?？捎^的研究工作正在進(jìn)行，其未來的發(fā)展必將是激動(dòng)人心的。神經(jīng)網(wǎng)絡(luò)理論的前沿問題必將滲透在21世紀(jì)科學(xué)的挑戰(zhàn)性問題中，并將取得重大的突破。

參考文獻(xiàn)：

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

[關(guān)鍵詞] 光伏系統(tǒng)；發(fā)電量預(yù)測；模糊神經(jīng)網(wǎng)絡(luò)

doi ： 10 . 3969 / j . issn . 1673 - 0194 . 2017. 13. 077

[中圖分類號(hào)] TM615 [文獻(xiàn)標(biāo)識(shí)碼] A [文章編號(hào)] 1673 - 0194（2017）13- 0180- 04

0 引 言

目前光伏發(fā)電量預(yù)測的方法主要有神經(jīng)網(wǎng)絡(luò)法、灰色預(yù)測法、多元線性分析法這三種方法，通過對(duì)這三種預(yù)測模型進(jìn)行比較，發(fā)現(xiàn)多元線性回歸和灰色理論雖然方法較為簡單，但是預(yù)測誤差也較大，而神經(jīng)網(wǎng)絡(luò)法預(yù)測則可以比較準(zhǔn)確但是預(yù)測過程較為繁雜。在基于神經(jīng)網(wǎng)絡(luò)的預(yù)測中，多是以傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)模型，在此基礎(chǔ)上采用一些新的方法對(duì)BP網(wǎng)絡(luò)加以改進(jìn)。例如在BP網(wǎng)絡(luò)的學(xué)習(xí)過程中采用Fletcher-Reeves共軛梯度算法，可以提高學(xué)習(xí)率，部分地簡化了預(yù)測過程，但輸入量過多，且預(yù)測的局限性較大。

在對(duì)比了眾多方法的優(yōu)缺點(diǎn)之后，發(fā)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)普遍存在中間隱層數(shù)難以確定、輸入數(shù)據(jù)量過多，且學(xué)習(xí)時(shí)間過長等劣勢。因此本文提出了一種基于模糊神經(jīng)網(wǎng)絡(luò)的預(yù)測模型，所選取的輸入量是和當(dāng)天的發(fā)電量相關(guān)程度比較大的當(dāng)天的平均氣溫以及當(dāng)天的總?cè)照樟?，模糊神?jīng)網(wǎng)絡(luò)的結(jié)構(gòu)是由大量的先驗(yàn)知識(shí)而設(shè)計(jì)出來的。在不影響預(yù)測精度的情況下，為了降低整個(gè)網(wǎng)絡(luò)的復(fù)雜程度，對(duì)整個(gè)網(wǎng)絡(luò)的模糊化層中的隸屬度函數(shù)及去模糊化層的輸出函數(shù)都做了適當(dāng)?shù)淖兓?，解決了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)收斂速度慢的問題，從而使整個(gè)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)簡潔，訓(xùn)練速度較快，且預(yù)測精度較高。

1 模糊神經(jīng)網(wǎng)絡(luò)

模糊神經(jīng)網(wǎng)絡(luò)是在神經(jīng)網(wǎng)絡(luò)和模糊系統(tǒng)的基礎(chǔ)上發(fā)展起來的，在模糊神經(jīng)網(wǎng)絡(luò)出現(xiàn)之前，神經(jīng)網(wǎng)絡(luò)與模糊系統(tǒng)都已有了多年的研究歷史，都有著較完備的理論基礎(chǔ)。

模糊神經(jīng)網(wǎng)絡(luò)是一種將模糊邏輯推理的知識(shí)性結(jié)構(gòu)和神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)能力結(jié)合起來的一種局部逼近網(wǎng)絡(luò)，融合彌補(bǔ)了神經(jīng)網(wǎng)絡(luò)在數(shù)據(jù)處理方面的不足和模糊邏輯在學(xué)習(xí)方面的缺陷，是一個(gè)集語言計(jì)算、邏輯推理、分布式處理和非線性動(dòng)力學(xué)過程為一身的系統(tǒng)。因此，它具有處理不確定信息的模糊推理能力和依據(jù)樣本數(shù)據(jù)進(jìn)行學(xué)習(xí)的能力。模糊神經(jīng)網(wǎng)絡(luò)主要利用神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)來實(shí)現(xiàn)模糊推理，從而使神經(jīng)網(wǎng)絡(luò)的權(quán)值具有在模糊邏輯中推理參數(shù)的物理意義。

常見的模糊神經(jīng)網(wǎng)絡(luò)有基于Mamdani推理的和基于Takgai-Sugeno推理的這兩種模糊神經(jīng)網(wǎng)絡(luò)。基于Mamdani推理的模糊神經(jīng)網(wǎng)絡(luò)多用于模糊邏輯控制器、模糊邏輯決策系統(tǒng)、模糊邏輯辨識(shí)系統(tǒng)等方面；基于Takgai-Sugeno推理的模糊神經(jīng)網(wǎng)絡(luò)則是一種非線性模型，宜于表達(dá)復(fù)雜系統(tǒng)的動(dòng)態(tài)特性。光伏系統(tǒng)的發(fā)電量由于受日照量、溫度、濕度、材料轉(zhuǎn)換率等多方面因素的影響，因此，光伏系統(tǒng)的輸出是一個(gè)不穩(wěn)定的非線性變化的動(dòng)態(tài)工程，所以本文所采用的就是基于Takgai-Sugeno推理的模糊神經(jīng)網(wǎng)絡(luò)（簡稱TS模糊神經(jīng)網(wǎng)絡(luò)）。

2 TS模糊神經(jīng)網(wǎng)絡(luò)

2.1 TS模糊邏輯

在TS模糊邏輯系統(tǒng)中，模糊規(guī)則有著如下的特殊形式：

R（1）：if x1 is F1l，…，if xnis Fnl then

y l=P0l+P1lx1+…+Pnlxn

3 預(yù)測模型的建立

3.1 輸入量的確定

光伏電池之所以能發(fā)電，是由于當(dāng)陽光照射到半導(dǎo)體材料的太陽能電池板上時(shí)，光能被吸收在太陽能電池內(nèi)，并且產(chǎn)生電子（-）和空穴（+），而負(fù)價(jià)的電子多向n型聚集，正價(jià)的空穴多向p型聚集，因此，將太陽能電池的正面和背面接上電極與燈泡等負(fù)荷連接，就能產(chǎn)生流。因此，日照量是影響光伏發(fā)電發(fā)電量的重要因素之一，所以日照量應(yīng)作為輸入量之一。此外光伏發(fā)電的發(fā)電量還受溫度、濕度、安裝角度、材料轉(zhuǎn)換率等眾多因素的影響，在這眾多因素中，溫度對(duì)光伏發(fā)電量的影響是較大的，因此將溫度作為另一個(gè)輸入量輸入到預(yù)測模型中。

本文的輸入量為日照量與溫度組成的一個(gè)2×1的列向量，因?yàn)楸疚乃A(yù)測的是晴天一整日的發(fā)電量（單位kW?h/日），因此，日照量取一整日的日照量（單位kW?h/日），溫度取一整日的平均溫度（單位℃）。若輸入向量用x表示，一整天的日照量用h表示，溫度用t表示，則輸入量可表示為下面的形式：

x=[h，t]T

3.2 TS型模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與初始參數(shù)的確定

本文是針對(duì)全年晴天的當(dāng)天發(fā)電量做出預(yù)測的，所以按季節(jié)劃分將全年的數(shù)據(jù)劃分成了春、夏、冬，由于秋天的日照量與溫度和春天的接近，所以在本文中并沒有單獨(dú)列出秋季，而是只按春、夏、冬三季的數(shù)據(jù)來建模預(yù)測。

由已有的先驗(yàn)知識(shí)，可將數(shù)據(jù)按照春、夏、冬三季進(jìn)行劃分，所以模糊神經(jīng)網(wǎng)絡(luò)的規(guī)則層的隱層節(jié)點(diǎn)數(shù)也就為三，由于規(guī)則層已經(jīng)確定，故可以知道模糊化層與去模糊化層的隱層節(jié)點(diǎn)數(shù)均為三個(gè)，因此可知本文的模糊神經(jīng)網(wǎng)絡(luò)的預(yù)測模型結(jié)構(gòu)如圖2所示。

3.3 TS型模糊神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法

設(shè)有輸入、輸出樣本為{（xl，dl），l=1，2，…，L}，在這里L(fēng)表示訓(xùn)練樣本的數(shù)量，為輸入向量，在本文中表示由當(dāng)天日照量與當(dāng)天平均溫度組成的一個(gè)2×1的列向量。將網(wǎng)絡(luò)誤差E設(shè)為：

E=■（yl-dl）2-||y-d|22

其中，y=[y1，y2，…，yL]T，表示神經(jīng)網(wǎng)絡(luò)的實(shí)際輸出；d=[d1，d2，…dL]T，表示神經(jīng)網(wǎng)絡(luò)的期望輸出；||.|2表示向量的2范數(shù)。

本文中，在不影響結(jié)果的前提下，為了降低神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的復(fù)雜度，故將隸屬度函數(shù)變?yōu)椋?/p>

ωij=exp-■（bij（xil-cij））2

將神經(jīng)網(wǎng)絡(luò)的輸出函數(shù)變?yōu)椋?/p>

yl =■ωij=（p0j+p1jx1l+…+pnjxnl）

因?yàn)楸疚氖窃贛ATLAB中進(jìn)行編程預(yù)測，所以將各種數(shù)據(jù)都表示成矩陣的形式，通過對(duì)矩陣的處理，使模糊神經(jīng)網(wǎng)絡(luò)的理解難度和操作難度都大大降低，因此，規(guī)定X=[x1，x2，…，xL]表示輸入樣本組成的n×L維矩陣；Ω=[ω1，ω2，…，ωL]表示輸入樣本X的隸屬度函數(shù)值ωl j所組成的m×L維矩陣；P=[p0，p1，…，pn]表示線性系數(shù)pi j所組成的m×（n+1）維矩陣；C=[c1，c2，…，cm]表示中心ci j所組成的n×m維矩陣；B=[b1，b2，…，bm]表示中心寬度bi j所組成的n×m維矩陣。

在訓(xùn)練神經(jīng)網(wǎng)絡(luò)時(shí)，首先計(jì)算隸屬度函數(shù)值ωl j所組成的矩陣Ω=[ω1，ω2，…，ωL]，在此基礎(chǔ)上計(jì)算神經(jīng)網(wǎng)絡(luò)的輸出y及相應(yīng)的誤差E；然后計(jì)算誤差E對(duì)系數(shù)矩陣P，B，C的偏導(dǎo)數(shù)，根據(jù)梯度下降法更新P，B，C；最后利用P，B，C來更新Ω，E等參數(shù)。如果未達(dá)到退出條件，則繼續(xù)迭代，達(dá)到了，則退出整個(gè)迭代過程，最終，就可以完成整個(gè)模糊神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。在MATLAB中矩陣P和B的初始值可以由normrnd函數(shù)隨機(jī)生成，而矩陣C則可以由kmeans函數(shù)得到相應(yīng)的初始聚類中心，通過訓(xùn)練數(shù)據(jù)的學(xué)習(xí)過程，得到一個(gè)符合要求的模糊神經(jīng)網(wǎng)絡(luò)。

4 預(yù)測模型的訓(xùn)練與結(jié)果分析

為了使模糊神經(jīng)網(wǎng)絡(luò)的訓(xùn)練有較高的精度，需要大量的數(shù)據(jù)對(duì)模型進(jìn)行評(píng)估訓(xùn)練，本次模擬采用了120組數(shù)據(jù)進(jìn)行預(yù)測，其中90組作為訓(xùn)練樣本，30組作為測試樣本，所用的數(shù)據(jù)均是隨機(jī)模擬5kW光伏逆變器日發(fā)電量數(shù)據(jù)， 在訓(xùn)練過程中，共取了90組數(shù)據(jù)來訓(xùn)練，因此L=90；而規(guī)則數(shù)共有3條，因此這里m=3；而輸入的是有溫度與日照量組成的兩行一列的列向量，因此n=2；為了使訓(xùn)練結(jié)果更加精確化，這里O置的最大迭代步數(shù)為1 000，迭代步長為0.001，圖3是訓(xùn)練預(yù)測結(jié)果與實(shí)際結(jié)果的折線圖。

在圖中，實(shí)線表示預(yù)測輸出，用“+”表示實(shí)際輸出，而用虛線表示實(shí)際輸出與預(yù)測輸出之間的差值，從圖中可以明顯看出訓(xùn)練好的模糊神經(jīng)網(wǎng)絡(luò)符合要求。隨后，再將用于測試的數(shù)據(jù)帶入已訓(xùn)練好的模糊神經(jīng)網(wǎng)絡(luò)中，結(jié)果如圖4所示。

圖4是用于測試的數(shù)據(jù)的實(shí)際輸出與預(yù)測輸出的比較，“+”表示實(shí)際輸出，實(shí)線表示預(yù)測輸出，虛線表示實(shí)際輸出與預(yù)測輸出的差值。從預(yù)測的結(jié)果來看，相較于傳統(tǒng)的預(yù)測方法來說，本文所提出的模糊神經(jīng)網(wǎng)絡(luò)的預(yù)測方法，不論是在預(yù)測精度上還是在訓(xùn)練收斂速度上，都有一定程度的提高，雖說本文的原始數(shù)據(jù)并非實(shí)測數(shù)據(jù)，但是本文所用的數(shù)據(jù)皆是參考了大量資料之后擬合出的數(shù)據(jù)，所以有實(shí)際參考價(jià)值。

5 結(jié) 語

為了提高光伏并網(wǎng)系統(tǒng)的穩(wěn)定性與安全性，本文提出了一種基于模糊神經(jīng)網(wǎng)絡(luò)的電量預(yù)測模型。根據(jù)光伏系統(tǒng)的發(fā)電原理與大量的研究資料，確定了以每一天的日照量與平均溫度為整個(gè)系統(tǒng)的輸入量，來對(duì)這一整天的光伏系統(tǒng)的發(fā)電量做出預(yù)測，并且根據(jù)已有的先驗(yàn)知識(shí)與相關(guān)理論，確定了本文所用的模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)。再通過擬合的符合實(shí)際的數(shù)據(jù)來訓(xùn)練整個(gè)模型，最后通過一組測試數(shù)據(jù)來測試本預(yù)測模型是否達(dá)到要求。實(shí)驗(yàn)結(jié)果表明，本模型能較為準(zhǔn)確地預(yù)測出光伏發(fā)電系統(tǒng)一整天的發(fā)電量，具有一定的工程應(yīng)用價(jià)值。

主要參考文獻(xiàn)