前言：想要寫(xiě)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)的算法范文，相信會(huì)為您的寫(xiě)作帶來(lái)幫助，發(fā)現(xiàn)更多的寫(xiě)作思路和靈感。

人工神經(jīng)網(wǎng)絡(luò)的算法范文第1篇

關(guān)鍵詞：入侵檢測(cè) 神經(jīng)網(wǎng)絡(luò) 人工魚(yú)群算法 模型參數(shù)

中圖分類(lèi)號(hào)：TP18 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1674-2117（2014）20-00-01

1 前言

21世紀(jì)是網(wǎng)絡(luò)的時(shí)代，網(wǎng)絡(luò)已進(jìn)入人們的日常生活，成為人們通信和交流的工具，人們對(duì)于網(wǎng)絡(luò)的依賴也越來(lái)越強(qiáng)。

針對(duì)網(wǎng)絡(luò)入侵檢測(cè)問(wèn)題，國(guó)內(nèi)外許多學(xué)者進(jìn)行了深入研究，提出了許多有效的網(wǎng)絡(luò)入侵檢測(cè)模型。在網(wǎng)絡(luò)入侵檢測(cè)過(guò)程，網(wǎng)絡(luò)入侵分類(lèi)器設(shè)計(jì)是網(wǎng)絡(luò)入侵檢測(cè)的關(guān)鍵，當(dāng)前網(wǎng)絡(luò)入侵分類(lèi)器主要有基于支持向量機(jī)、K最近鄰算法、神經(jīng)網(wǎng)絡(luò)等進(jìn)行設(shè)計(jì)。其中出回聲狀態(tài)神經(jīng)網(wǎng)絡(luò)（Echo State Network，ESN）是一種新型的網(wǎng)絡(luò)，具有簡(jiǎn)單、易實(shí)現(xiàn)、泛化能力優(yōu)異等優(yōu)點(diǎn)，成為網(wǎng)絡(luò)入侵檢測(cè)中的主要研究方向。人工魚(yú)群算法（Artificial Fish Swarm Algorithm，AFSA）是一種采用自下而上信息尋優(yōu)模式的智能搜索算法，具有并行性、收斂速度快等優(yōu)點(diǎn)，為回聲狀態(tài)神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化提供了一種新的工具。

2 人工魚(yú)算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的入侵檢測(cè)模型

2.1 回聲狀態(tài)神經(jīng)網(wǎng)絡(luò)

ESN是一種由輸入層、內(nèi)部?jī)?chǔ)備池和輸出層組成的非線性遞歸神經(jīng)網(wǎng)絡(luò)，其狀態(tài)方程為：

式中，sigmoid為激活函數(shù)；Win和Wx分別為輸入和儲(chǔ)備池內(nèi)部的連接矩陣；μ（t），x（t）分別表示t時(shí)刻的輸入向量和儲(chǔ)備池內(nèi)部狀態(tài)向量量，sin為輸入項(xiàng)比例系數(shù)；ρ為內(nèi)部?jī)?chǔ)備池的譜半徑。

那么ESN的輸出方程為

（2）

式中，y（t）為t時(shí)刻的輸出向量Wout為輸出連接向量。

輸出權(quán)值對(duì)ESN性能起著關(guān)鍵作用，常采用最小二乘法進(jìn)行求解，目標(biāo)函數(shù)的最小化形式為

式中 ，

，N為儲(chǔ)備池節(jié)點(diǎn)數(shù)；l為訓(xùn)練樣本數(shù)。

根據(jù)式（3）式得到解

（4）

式中，為的估計(jì)值。

從式（1）可知，參數(shù)sin和ρ的選取影響回聲狀態(tài)神經(jīng)網(wǎng)絡(luò)的性能，本文采用人工魚(yú)群算法（AFSA）對(duì)參數(shù)sin和ρ的選擇，以提高網(wǎng)絡(luò)入侵的檢測(cè)正確率。

2.2 人工魚(yú)群算法

工魚(yú)群算模擬魚(yú)群覓食的行為，人工魚(yú)個(gè)體的狀態(tài)可表示為向量Xi=（xi1，xi2，…，xiD），食物濃度表示為Y=f（x），其中Y為目標(biāo)函數(shù)值；Visual表示人工魚(yú)的感知范圍：Step表示人工魚(yú)移動(dòng)的步長(zhǎng)；δ表示擁擠度因子。人工魚(yú)的行為包括以下幾種：①覓食行為；②聚群行為；③追尾行為；④隨機(jī)行為。

2.3 人工魚(yú)群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)參數(shù)

（1）初始化人工魚(yú)群算法參數(shù)，主要包括人工魚(yú)群數(shù)以及最大迭代次數(shù)；（2）初始位置為回聲狀態(tài)神經(jīng)網(wǎng)絡(luò)的參數(shù)；（3）計(jì)算適應(yīng)度函數(shù)，并選擇適應(yīng)度函數(shù)值最大的人工魚(yú)個(gè)體進(jìn)入公告板；（4）人工魚(yú)模擬魚(yú)群覓食行為，得到新的人工魚(yú)位置；（5）與公告板人工魚(yú)的位置進(jìn)行比較，如果優(yōu)于公告板，那么將該人工魚(yú)位置記入公告牌；（6）將最優(yōu)公告牌的位置進(jìn)行解碼，得到回聲狀態(tài)神經(jīng)網(wǎng)絡(luò)最優(yōu)參數(shù)；（7）利用最優(yōu)參數(shù)建立網(wǎng)絡(luò)入侵檢測(cè)模型，并對(duì)其性能進(jìn)行測(cè)試。

3 仿真實(shí)驗(yàn)

3.1 仿真環(huán)境

數(shù)據(jù)來(lái)自網(wǎng)絡(luò)入侵標(biāo)準(zhǔn)測(cè)試集KDDCUP99數(shù)據(jù)集，其包括4種入侵類(lèi)型：DoS、Probe、U2R和R2L，同時(shí)包括正常樣本，每一個(gè)樣本共有41個(gè)特征，7個(gè)符號(hào)型字段和34個(gè)數(shù)值型字段。由于KDDCup99數(shù)據(jù)集樣本多，從中隨機(jī)選擇部分?jǐn)?shù)量的數(shù)據(jù)進(jìn)行測(cè)試，數(shù)據(jù)具體分布見(jiàn)下表。為了使本文模型的結(jié)果具有可比性，采用PSO算法優(yōu)化回聲狀態(tài)神經(jīng)網(wǎng)絡(luò)（PSO-ESN），遺傳算法優(yōu)化回聲狀態(tài)神經(jīng)網(wǎng)絡(luò)（GA-ESN）進(jìn)行對(duì)比實(shí)驗(yàn)。

樣本集分布情況

入侵類(lèi)型 訓(xùn)練樣本 測(cè)試樣本

DoS 2000 400

Probe 1000 200

R2L 500 100

U2R 100 20

3.2 結(jié)果與分析

所有模型對(duì)網(wǎng)絡(luò)入侵?jǐn)?shù)據(jù)進(jìn)行建模，仿真結(jié)果如圖1和圖2所示。從圖1和圖2進(jìn)行仔細(xì)分析，可以知道，相對(duì)于PSO-ESN、GA-ESN，人工魚(yú)群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的入侵檢測(cè)性能最優(yōu)，網(wǎng)絡(luò)入侵檢測(cè)的誤報(bào)率更低，具有十分明顯的優(yōu)勢(shì)，在網(wǎng)絡(luò)安全領(lǐng)域具有廣泛的應(yīng)用前景。

圖1幾種模型的檢測(cè)率比較

圖2幾種模型的誤報(bào)率比較

4 結(jié)語(yǔ)

針對(duì)回聲狀態(tài)神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化難題，提出一種人工魚(yú)群算法優(yōu)化回聲狀態(tài)神經(jīng)網(wǎng)絡(luò)參數(shù)的入侵檢測(cè)模型。仿真結(jié)果表明，相對(duì)于對(duì)比模型，本文模型提高了網(wǎng)絡(luò)入侵的檢測(cè)率，同時(shí)誤報(bào)率明顯降低，具有一定的實(shí)際應(yīng)用價(jià)值。

參考文獻(xiàn)：

[1]唐正軍，李建華.入侵檢測(cè)技術(shù)[M].北京：清華大學(xué)出版社，2004.

人工神經(jīng)網(wǎng)絡(luò)的算法范文第2篇

關(guān)鍵詞：脈沖耦合神經(jīng)網(wǎng)絡(luò)（PNCC）；人工神經(jīng)網(wǎng)絡(luò)；車(chē)輪定位；側(cè)滑

隨著交通系統(tǒng)的越來(lái)越發(fā)達(dá)，特別是高速公路的迅速發(fā)展，人們駕駛汽車(chē)的速度也是越來(lái)越快。隨著行車(chē)速度的提高，汽車(chē)的操控是否穩(wěn)定對(duì)汽車(chē)的駕駛?cè)藛T的安全來(lái)講至關(guān)重要。而汽車(chē)操控的穩(wěn)定性則由汽車(chē)的車(chē)輪定位參數(shù)來(lái)決定。車(chē)輪的定位主要有2種即前輪的定位和后輪的定位。而前輪的定位參數(shù)有：前輪前束、前輪后傾角、主銷(xiāo)后傾角、主銷(xiāo)內(nèi)傾角等組成；后輪定位參數(shù)有：后輪前束、后輪后傾角等組成。對(duì)于不同檔次的汽車(chē)有的只有前輪定位，有的前輪定位和后輪定位都有。不管前后輪定位是不是都有，只要有一個(gè)定位參數(shù)有錯(cuò)誤將會(huì)產(chǎn)生非常嚴(yán)重的影響，主要是影響汽車(chē)的操控穩(wěn)定性。如果主銷(xiāo)后傾角過(guò)大時(shí)則會(huì)使轉(zhuǎn)向沉重；而主銷(xiāo)后傾角過(guò)小則很容易引起前輪擺振，方向盤(pán)搖擺不穩(wěn)以及方向盤(pán)自動(dòng)回正能力變差；如果汽車(chē)左右后傾角偏差過(guò)大那么就會(huì)將引起直線行駛時(shí)跑偏，而后輪前束不正確則不僅會(huì)引起直線行駛時(shí)跑偏，還會(huì)造成輪胎非正常磨損等?？傊?，汽車(chē)的車(chē)輪定位檢測(cè)對(duì)于汽車(chē)的駕駛者來(lái)講是非常重要的。

1汽車(chē)誕生之后出現(xiàn)的車(chē)輪定位檢測(cè)的方法

在最早的時(shí)候，主要是使用專用的定位測(cè)量工具來(lái)測(cè)量的，如前束尺、外傾角、后傾角等測(cè)量工具。隨著汽車(chē)技術(shù)的迅猛發(fā)展，使用這些定位測(cè)量工具遠(yuǎn)遠(yuǎn)滿足不了現(xiàn)在定位檢測(cè)的要求。為了提高定位檢測(cè)的效率，在市面上出現(xiàn)了一種采用激光技術(shù)測(cè)量前束的光學(xué)水準(zhǔn)定位儀。使用這種定位儀的時(shí)候操作比較簡(jiǎn)單，價(jià)格也比較低，但是使用它測(cè)量的時(shí)候仍然需要人工來(lái)讀取數(shù)據(jù)。再后來(lái)隨著電腦式四輪定位儀的出現(xiàn)，大大提高了原先的定位檢測(cè)效率。這種電腦式的四輪定位儀由電腦主機(jī)、顯示器、打印機(jī)、前后車(chē)輪檢測(cè)傳感器、傳感器支架等硬件組成，并且還配有數(shù)字視頻圖像數(shù)據(jù)庫(kù)，通過(guò)數(shù)據(jù)庫(kù)可以顯示檢查和調(diào)整的準(zhǔn)確位置等。為了更智能化地進(jìn)行車(chē)輪的定位檢測(cè)，最新的車(chē)輪定位系統(tǒng)開(kāi)始引入了第三代人工神經(jīng)網(wǎng)絡(luò)模型，也就是專業(yè)上來(lái)講的脈沖耦合神經(jīng)網(wǎng)絡(luò)。這一概念的引入給汽車(chē)車(chē)輪定位檢測(cè)系統(tǒng)帶來(lái)了智能化。

2人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)

它是一種采用類(lèi)似人的大腦神經(jīng)的工作模式，將復(fù)雜的人類(lèi)大腦用于處理某些復(fù)雜的信息并具有一定的智能性。人工神經(jīng)網(wǎng)絡(luò)以其大規(guī)模的并行計(jì)算能力、自適應(yīng)性和容錯(cuò)性，在工業(yè)過(guò)程中發(fā)揮了非常重要的作用，并迅速應(yīng)用到了各個(gè)應(yīng)用領(lǐng)域。第三代人工神經(jīng)網(wǎng)絡(luò)，是一種新型的人工神經(jīng)網(wǎng)絡(luò)。稱為脈沖耦合神經(jīng)網(wǎng)絡(luò)（PCNN：Pulse Coupled NeuralNetwork）。這種模型已經(jīng)開(kāi)始在汽車(chē)車(chē)輪定位檢測(cè)系統(tǒng)中得到了應(yīng)用。特別是近幾年，人工神經(jīng)網(wǎng)絡(luò)技術(shù)逐步開(kāi)始應(yīng)用在汽車(chē)故障預(yù)測(cè)、監(jiān)測(cè)和診斷領(lǐng)域等方面。本文將對(duì)第三代人工神經(jīng)網(wǎng)絡(luò)即脈沖耦合神經(jīng)網(wǎng)絡(luò)（PNCC）在汽車(chē)車(chē)輪定位檢測(cè)中的應(yīng)用進(jìn)行簡(jiǎn)要的分析。

人工神經(jīng)網(wǎng)絡(luò)因?yàn)槭窃从谏镱?lèi)的大腦活動(dòng)模式，所以這種人工神經(jīng)網(wǎng)絡(luò)也是由很多的神經(jīng)元組成的。這些神經(jīng)元相互連接，就形成了人工神經(jīng)網(wǎng)絡(luò)。因?yàn)槿四X工作模式的特殊性，這些人工神經(jīng)網(wǎng)絡(luò)的工作模式也不是一般的線性元素所能完成的。和人類(lèi)大腦一樣，神經(jīng)元也是人工神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)處理單位。輸入的信號(hào)可以是多種的，而輸出的結(jié)果只有一種，這和人類(lèi)的大腦工作模式是一致的。通過(guò)了解，人們知道這種脈沖耦合神經(jīng)網(wǎng)絡(luò)的應(yīng)用已經(jīng)非常廣泛了。特別是應(yīng)用在日常生活中所見(jiàn)到的圖像處理中。因應(yīng)用方向不同，在引入這種脈沖耦合神經(jīng)網(wǎng)絡(luò)的時(shí)候所采用的各種方法手段及其設(shè)置也都不一樣。這些參數(shù)的設(shè)置直接影響著輸出結(jié)果。所以一旦引入了這個(gè)概念，就需要通過(guò)大量的實(shí)驗(yàn)來(lái)驗(yàn)證參數(shù)設(shè)置的正確性以及有效性。避免因?yàn)榍捌诘脑O(shè)置問(wèn)題，導(dǎo)致后期出結(jié)果的時(shí)候有較大的偏差。所以應(yīng)該把重點(diǎn)放在前期的實(shí)驗(yàn)數(shù)據(jù)上。特別是數(shù)據(jù)的選擇及環(huán)境的選擇上。人工神經(jīng)網(wǎng)絡(luò)是不同于任何網(wǎng)絡(luò)的一種類(lèi)似智能的網(wǎng)絡(luò)架構(gòu)，它的工作模式和任何的其它網(wǎng)絡(luò)都不一樣，它的這一特性，讓人們能夠從中理解了這種類(lèi)似大腦的神經(jīng)元工作模式。大腦在工作的時(shí)候主要靠這些相互連接的神經(jīng)元相互作用，傳送信號(hào)，當(dāng)然這些看似零亂的神經(jīng)元也是有一定的組織結(jié)構(gòu)的，之間也形成了一種特殊的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)。在傳遞信號(hào)的時(shí)候，可以通過(guò)各種刺激來(lái)增強(qiáng)或減弱相關(guān)的神經(jīng)元的傳遞信號(hào)。當(dāng)然這種神經(jīng)元信號(hào)在傳遞的時(shí)候速度是非?？斓模瑑H次于人類(lèi)的神經(jīng)元傳遞速度。而要遠(yuǎn)快于計(jì)算機(jī)信號(hào)的傳遞速度，人工神經(jīng)網(wǎng)絡(luò)在工作的時(shí)候，除了可以傳遞信號(hào)外，還可以通過(guò)各種刺激來(lái)增強(qiáng)或減弱相關(guān)的神經(jīng)元信號(hào)。正是因?yàn)檫@種特性，才讓人們選擇了將脈沖耦合神經(jīng)網(wǎng)絡(luò)應(yīng)用在各個(gè)領(lǐng)域中。因?yàn)檫@些優(yōu)勢(shì)，它的應(yīng)用正在逐步擴(kuò)大，開(kāi)始應(yīng)用在各行各業(yè)中。

3脈沖耦合神經(jīng)網(wǎng)絡(luò)

同人類(lèi)的神經(jīng)網(wǎng)絡(luò)系統(tǒng)一樣，脈沖耦合神經(jīng)網(wǎng)絡(luò)是由大量的神經(jīng)元組成的，這些神經(jīng)元都是簡(jiǎn)單結(jié)構(gòu)的，但是神經(jīng)元都是相互連接的，彼此可以接受其它大量神經(jīng)元傳輸過(guò)來(lái)的信息。每一個(gè)神經(jīng)元都可以接收和輸出信息。當(dāng)然這些輸入、輸出的信息都不是傳統(tǒng)形式的信息。它的輸入、輸出不是線性關(guān)系的輸入、輸出。這樣每個(gè)不同位置的神經(jīng)元都在接收和輸出非線性關(guān)系的信息。它們之間相互影響、相互制約，最終影響到結(jié)果的輸出。同人類(lèi)的大腦神經(jīng)網(wǎng)絡(luò)一樣，人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)也需要學(xué)習(xí)。就像人類(lèi)從誕生開(kāi)始就要接受學(xué)習(xí)一樣，人類(lèi)通過(guò)年齡的增長(zhǎng)，逐步學(xué)習(xí)到相應(yīng)的知識(shí)，最終形成了成人的大腦神經(jīng)網(wǎng)絡(luò)，當(dāng)人們遇到事情需要處理的時(shí)候，大腦神經(jīng)網(wǎng)絡(luò)就開(kāi)始接收外界的信息，然后根據(jù)收到的信息進(jìn)行非線性運(yùn)算，最終得出結(jié)果或結(jié)論。人工神經(jīng)網(wǎng)絡(luò)也需要進(jìn)行這樣的學(xué)習(xí)，只不過(guò)這樣的學(xué)習(xí)和人類(lèi)的學(xué)習(xí)不太一樣，人工神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)有各種各樣的算法。而脈沖耦合神經(jīng)網(wǎng)絡(luò)和傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)還不太一樣，這種系統(tǒng)不需要對(duì)傳統(tǒng)的網(wǎng)絡(luò)參數(shù)進(jìn)行學(xué)習(xí)，這種系統(tǒng)需要在前期對(duì)不同環(huán)境下的參數(shù)進(jìn)行特定的設(shè)置。這是傳統(tǒng)神經(jīng)網(wǎng)絡(luò)發(fā)展的趨勢(shì)。包括從人工神經(jīng)網(wǎng)絡(luò)的信號(hào)輸入到信號(hào)輸出都有別于傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)。人的大腦在人出生的時(shí)候只是決定了這個(gè)神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)，后天的影響因素能夠起到非常重要的作用。而人工神經(jīng)網(wǎng)絡(luò)在這一點(diǎn)上則不同于人的大腦。當(dāng)然人工神經(jīng)網(wǎng)絡(luò)的工作原理和計(jì)算機(jī)的工作原理也不一樣，計(jì)算機(jī)只會(huì)根據(jù)提供的信息進(jìn)行一步一步的計(jì)算，每一步的計(jì)算都有依據(jù)，有很強(qiáng)的邏輯性。而人工神經(jīng)網(wǎng)絡(luò)在工作的時(shí)候，則是依據(jù)正常的大腦工作原理，進(jìn)行非線性甚至非邏輯的運(yùn)算，最終迅速得出結(jié)論或結(jié)果。

綜上所了解的知識(shí)，得出了需要利用人工神經(jīng)網(wǎng)絡(luò)技術(shù)中的BP神經(jīng)網(wǎng)絡(luò)算法對(duì)車(chē)輪的兩個(gè)定位參數(shù)外傾角和前束角進(jìn)行檢測(cè)。同時(shí)，由前面理論可以了解到：當(dāng)汽車(chē)發(fā)生側(cè)滑的時(shí)候很可能是因?yàn)檐?chē)輪的外傾角或汽車(chē)的前束角引起的。所以，就要通過(guò)使用人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)對(duì)這一可能引起側(cè)滑的位置進(jìn)行檢測(cè)。本文主要通過(guò)對(duì)映射反推原理對(duì)車(chē)輪的外傾角、前束角等進(jìn)行定位檢測(cè)。通過(guò)反射的定位角度，還確定是否有問(wèn)題。當(dāng)然這些都需要提前做大理的工作準(zhǔn)備。首先需要進(jìn)行大量的神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練，然后通過(guò)前期設(shè)置的車(chē)輪定位參數(shù)，將最終得出的結(jié)果進(jìn)行比較，最后建立一個(gè)可以準(zhǔn)確診斷的數(shù)學(xué)模型。這樣以后就要以通過(guò)這個(gè)建立的數(shù)學(xué)模型進(jìn)行定位角的測(cè)量了。

人工神經(jīng)網(wǎng)絡(luò)的算法范文第3篇

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

通常而言，所謂圖像處理與識(shí)別，便是對(duì)實(shí)際圖像進(jìn)行轉(zhuǎn)換與變換，進(jìn)而達(dá)到識(shí)別的目的。圖像往往具有相當(dāng)龐大的信息量，在進(jìn)行處理圖像的時(shí)候要進(jìn)行降維、 數(shù)字化、濾波等程序，以往人們進(jìn)行圖像識(shí)別時(shí)采用投影法、不變矩法等方法，隨著計(jì)算機(jī)技術(shù)的飛速發(fā)展，人工神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別技術(shù)將逐漸取代傳統(tǒng)的圖像識(shí)別方法，獲得愈來(lái)愈廣泛的應(yīng)用。

1 人工神經(jīng)網(wǎng)絡(luò)圖像識(shí)別技術(shù)概述

近年來(lái)，人工智能理論方面相關(guān)的理論越來(lái)越豐富，基于人工神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別技術(shù)也獲得了非常廣泛的應(yīng)用，將圖像識(shí)別技術(shù)與人工神經(jīng)網(wǎng)絡(luò)技術(shù)結(jié)合起來(lái)的優(yōu)點(diǎn)是非常顯著的，比如說(shuō)：

（1）由于神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)功能，可以使得系統(tǒng)能夠適應(yīng)識(shí)別圖像信息的不確定性以及識(shí)別環(huán)境的不斷變化。

（2）在一般情況下，神經(jīng)網(wǎng)絡(luò)的信息都是存儲(chǔ)在網(wǎng)絡(luò)的連接結(jié)構(gòu)以及連接權(quán)值之上，從而使圖像信息表示是統(tǒng)一的形式，如此便使得知識(shí)庫(kù)的建立與管理變得簡(jiǎn)便起來(lái)。

（3）由于神經(jīng)網(wǎng)絡(luò)所具有的并行處理機(jī)制，在處理圖像時(shí)可以達(dá)到比較快的速度，如此便可以使圖像識(shí)別的實(shí)時(shí)處理要求得以滿足。

（4）由于神經(jīng)網(wǎng)絡(luò)可增加圖像信息處理的容錯(cuò)性，識(shí)別系統(tǒng)在圖像遭到干擾的時(shí)候仍然能正常工作，輸出較準(zhǔn)確的信息。

2 圖像識(shí)別技術(shù)探析

2.1 簡(jiǎn)介

廣義來(lái)講，圖像技術(shù)是各種與圖像有關(guān)的技術(shù)的總稱。根據(jù)研究方法以及抽象程度的不同可以將圖像技術(shù)分為三個(gè)層次，分為：圖像處理、圖像分析以及圖像理解，該技術(shù)與計(jì)算機(jī)視覺(jué)、模式識(shí)別以及計(jì)算機(jī)圖形學(xué)等學(xué)科互相交叉，與生物學(xué)、數(shù)學(xué)、物理學(xué)、電子學(xué)計(jì)算機(jī)科學(xué)等學(xué)科互相借鑒。此外，隨著計(jì)算機(jī)技術(shù)的發(fā)展，對(duì)圖像技術(shù)的進(jìn)一步研究離不開(kāi)神經(jīng)網(wǎng)絡(luò)、人工智能等理論。

2.2 圖像處理、圖像識(shí)別與圖像理解的關(guān)系

圖像處理包括圖像壓縮、圖像編碼以及圖像分割等等，對(duì)圖像進(jìn)行處理的目的是判斷圖像里是否具有所需的信息并濾出噪聲，并對(duì)這些信息進(jìn)行確定。常用方法有灰度，二值化，銳化，去噪等；圖像識(shí)別則是將經(jīng)過(guò)處理的圖像予以匹配，并且對(duì)類(lèi)別名稱進(jìn)行確定，圖像識(shí)別可以在分割的基礎(chǔ)之上對(duì)所需提取的特征進(jìn)行篩選，然后再對(duì)這些特征進(jìn)行提取，最終根據(jù)測(cè)量結(jié)果進(jìn)行識(shí)別；所謂圖像理解，指的是在圖像處理與圖像識(shí)別的基礎(chǔ)上，根據(jù)分類(lèi)作結(jié)構(gòu)句法分析，對(duì)圖像進(jìn)行描述與解釋。所以，圖像理解包括圖像處理、圖像識(shí)別和結(jié)構(gòu)分析。就圖像理解部分而言，輸入是圖像，輸出是對(duì)圖像的描述解釋 。

3 人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和算法

在上個(gè)世紀(jì)八十年代，McClelland與Rumelhant提出了一種人工神經(jīng)網(wǎng)絡(luò)，截止現(xiàn)在，BP神經(jīng)網(wǎng)絡(luò)已經(jīng)發(fā)展成為應(yīng)用最為廣泛的神經(jīng)網(wǎng)絡(luò)之一，它是一種多層前饋神經(jīng)網(wǎng)絡(luò)，包括輸入層、輸出層和輸入層輸出層之間隱藏層，如圖1所示，便是一種典型的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

BP神經(jīng)網(wǎng)絡(luò)是通過(guò)不斷迭代更新權(quán)值使實(shí)際輸入與輸出關(guān)系達(dá)到期望，由輸出向輸入層反向計(jì)算誤差，從而通過(guò)梯度下降方法不斷修正各層權(quán)值的網(wǎng)絡(luò)。

BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)算法如下所述：

（1）對(duì)權(quán)值矩陣，學(xué)習(xí)速率，最大學(xué)習(xí)次數(shù)，閾值等變量和參數(shù)進(jìn)行初始化設(shè)置；

（2）在黑色節(jié)點(diǎn)處對(duì)樣本進(jìn)行輸入；

（3）對(duì)輸入樣本，前向計(jì)算人工神經(jīng)網(wǎng)絡(luò)隱層及輸出層各層神經(jīng)元的輸出；

（4）使用梯度下降方法不斷修正各層權(quán)值及閥值，由梯度算子得到的權(quán)值為

（6）判斷，判斷是否大于最大迭代次數(shù)或者是否誤差已經(jīng)達(dá)到要求。如果大于最大迭代次數(shù)或誤差達(dá)到要求，那么便直接轉(zhuǎn)到第（7）步，否則，轉(zhuǎn)到第（4）步對(duì)各個(gè)矩陣的權(quán)值繼續(xù)修正，反復(fù)訓(xùn)練；

（7）看是否遍歷所有樣本，是則結(jié)束，否則跳回第（3）步繼續(xù)。

BP神經(jīng)網(wǎng)絡(luò)操作簡(jiǎn)單而有效，可通過(guò)Opencv的CvANN_MLP類(lèi)， Matlab的模式識(shí)別工具箱N(xiāo)prtool等實(shí)現(xiàn)，經(jīng)驗(yàn)得出在如下情況中人工神經(jīng)網(wǎng)絡(luò)尤為適用：

（1）大量數(shù)據(jù)可用，卻不知道與輸出之間關(guān)系；

（2）問(wèn)題的解決方案隨時(shí)間變化而變化；

（3）輸出是模糊的函數(shù)關(guān)系，而非精確數(shù)字。

4 人工神經(jīng)網(wǎng)絡(luò)圖像識(shí)別

傳感器或攝像儀輸入圖像識(shí)別系統(tǒng)以后，其目標(biāo)圖像不能夠與系統(tǒng)全部的參考圖像完全一樣， 這是由于對(duì)應(yīng)噪聲干擾，光線不足和放縮旋轉(zhuǎn)等問(wèn)題。 基于人工神經(jīng)網(wǎng)絡(luò)對(duì)畸變圖像識(shí)別進(jìn)行深層分析，并且利用 CCD 攝像頭對(duì)圖像信息進(jìn)行采集，在此過(guò)程之中通過(guò)對(duì)攝像頭方位進(jìn)行更改對(duì)易出現(xiàn)畸變的圖像進(jìn)行采集，從而使得畸變圖像所帶信息組成樣本庫(kù)。在電腦里面輸入樣本庫(kù)中的圖像信息，并且進(jìn)行模數(shù)的轉(zhuǎn)化，變成數(shù)字圖像，利用數(shù)字濾波來(lái)對(duì)數(shù)字圖像信息進(jìn)行處理。在神經(jīng)網(wǎng)絡(luò)之中輸入樣本圖像數(shù)字信息來(lái)進(jìn)行訓(xùn)練，一方面可以基于數(shù)字圖像的像素點(diǎn)集合組成輸入矩陣，用高維數(shù)據(jù)作為訓(xùn)練樣本，通過(guò)主成分分析（PCA）的方法進(jìn)行降維，大大簡(jiǎn)化計(jì)算量；一方面可以基于數(shù)字圖像的特征空間進(jìn)行聚類(lèi)分割，提取幾何特征或者統(tǒng)計(jì)特征，輸入到SOFM神經(jīng)網(wǎng)絡(luò)或者Hopfield神經(jīng)網(wǎng)絡(luò)，從而使其生成圖像識(shí)別神經(jīng)網(wǎng)絡(luò)系統(tǒng)。在進(jìn)行圖像識(shí)別的時(shí)候使用CCD 攝像頭來(lái)采集識(shí)別圖像，并且把其模型轉(zhuǎn)化為數(shù)字圖像，預(yù)處理后，將其輸入到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)識(shí)別系統(tǒng)里面，就其可以開(kāi)展快速的計(jì)算，并進(jìn)行識(shí)別。把圖像識(shí)別技術(shù)與人工神經(jīng)網(wǎng)絡(luò)理論有機(jī)結(jié)合起來(lái)，可以非常有效地實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)信息系統(tǒng)的一致性， 此外，還可以將其對(duì)網(wǎng)絡(luò)連接結(jié)果與權(quán)值進(jìn)行存儲(chǔ)，促進(jìn)管理效率的提高，并對(duì)于知識(shí)庫(kù)的構(gòu)建也具有積極的作用。

5 結(jié)論

本文就基于人工神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別技術(shù)進(jìn)行了詳細(xì)地闡述，由綜上研究可以基于人工神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別技術(shù)具有比較多的優(yōu)點(diǎn)以及比較高的可行性，然而，我們對(duì)該技術(shù)存在的網(wǎng)絡(luò)規(guī)模及復(fù)雜圖像識(shí)別準(zhǔn)確度上還應(yīng)繼續(xù)進(jìn)行深入研究，以求技術(shù)突破。在將來(lái)，圖像識(shí)別技術(shù)隨著科技的不斷發(fā)展將會(huì)獲得更多的應(yīng)用，其勢(shì)必會(huì)發(fā)展為一門(mén)獨(dú)立且具備強(qiáng)大生命力的學(xué)科

參考文獻(xiàn)

[1]王強(qiáng)，張小溪，韓一紅.基于神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別[J].電子設(shè)計(jì)工程，2012.

[2]雷建鋒，孫俊逸.基于人工神經(jīng)網(wǎng)絡(luò)下的圖像識(shí)別的研究[J].現(xiàn)代電子技術(shù)，2008.

人工神經(jīng)網(wǎng)絡(luò)的算法范文第4篇

人工神經(jīng)網(wǎng)絡(luò)（AartificialNeuralNetwork，下簡(jiǎn)稱ANN）是模擬生物神經(jīng)元的結(jié)構(gòu)而提出的一種信息處理方法。早在1943年，已由心理學(xué)家WarrenS.Mcculloch和數(shù)學(xué)家WalthH.Pitts提出神經(jīng)元數(shù)學(xué)模型，后被冷落了一段時(shí)間，80年代又迅猛興起［1］。ANN之所以受到人們的普遍關(guān)注，是由于它具有本質(zhì)的非線形特征、并行處理能力、強(qiáng)魯棒性以及自組織自學(xué)習(xí)的能力。其中研究得最為成熟的是誤差的反傳模型算法（BP算法，BackPropagation），它的網(wǎng)絡(luò)結(jié)構(gòu)及算法直觀、簡(jiǎn)單，在工業(yè)領(lǐng)域中應(yīng)用較多。

經(jīng)訓(xùn)練的ANN適用于利用分析振動(dòng)數(shù)據(jù)對(duì)機(jī)器進(jìn)行監(jiān)控和故障檢測(cè)，預(yù)測(cè)某些部件的疲勞壽命［2］。非線形神經(jīng)網(wǎng)絡(luò)補(bǔ)償和魯棒控制綜合方法的應(yīng)用（其魯棒控制利用了變結(jié)構(gòu)控制或滑動(dòng)模控制），在實(shí)時(shí)工業(yè)控制執(zhí)行程序中較為有效［3］。人工神經(jīng)網(wǎng)絡(luò)（ANN）和模糊邏輯（FuzzyLogic）的綜合，實(shí)現(xiàn)了電動(dòng)機(jī)故障檢測(cè)的啟發(fā)式推理。對(duì)非線形問(wèn)題，可通過(guò)ANN的BP算法學(xué)習(xí)正常運(yùn)行例子調(diào)整內(nèi)部權(quán)值來(lái)準(zhǔn)確求解［4］。

因此，對(duì)于電力系統(tǒng)這個(gè)存在著大量非線性的復(fù)雜大系統(tǒng)來(lái)講，ANN理論在電力系統(tǒng)中的應(yīng)用具有很大的潛力，目前已涉及到如暫態(tài)，動(dòng)穩(wěn)分析，負(fù)荷預(yù)報(bào)，機(jī)組最優(yōu)組合，警報(bào)處理與故障診斷，配電網(wǎng)線損計(jì)算，發(fā)電規(guī)劃，經(jīng)濟(jì)運(yùn)行及電力系統(tǒng)控制等方面［5］。

本文介紹了一種基于人工神經(jīng)網(wǎng)絡(luò)（ANN）理論的保護(hù)原理。

1、人工神經(jīng)網(wǎng)絡(luò)理論概述

BP算法是一種監(jiān)控學(xué)習(xí)技巧，它通過(guò)比較輸出單元的真實(shí)輸出和希望值之間的差別，調(diào)整網(wǎng)絡(luò)路徑的權(quán)值，以使下一次在相同的輸入下，網(wǎng)絡(luò)的輸出接近于希望值。

在神經(jīng)網(wǎng)絡(luò)投運(yùn)前，就應(yīng)用大量的數(shù)據(jù)，包括正常運(yùn)行的、不正常運(yùn)行的，作為其訓(xùn)練內(nèi)容，以一定的輸入和期望的輸出通過(guò)BP算法去不斷修改網(wǎng)絡(luò)的權(quán)值。在投運(yùn)后，還可根據(jù)現(xiàn)場(chǎng)的特定情況進(jìn)行現(xiàn)場(chǎng)學(xué)習(xí)，以擴(kuò)充ANN內(nèi)存知識(shí)量。從算法原理看，并行處理能力和非線是BP算法的一大優(yōu)點(diǎn)。

2、神經(jīng)網(wǎng)絡(luò)型繼電保護(hù)

神經(jīng)網(wǎng)絡(luò)理論的保護(hù)裝置，可判別更復(fù)雜的模式，其因果關(guān)系是更復(fù)雜的、非線性的、模糊的、動(dòng)態(tài)的和非平穩(wěn)隨機(jī)的。它是神經(jīng)網(wǎng)絡(luò)（ANN）與專家系統(tǒng)（ES）融為一體的神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)，其中，ANN是數(shù)值的、聯(lián)想的、自組織的、仿生的方式，ES是認(rèn)知的和啟發(fā)式的。

文獻(xiàn)［1］認(rèn)為全波數(shù)據(jù)窗建立的神經(jīng)網(wǎng)絡(luò)在準(zhǔn)確性方面優(yōu)于利用半波數(shù)據(jù)窗建立的神經(jīng)網(wǎng)絡(luò)，因此保護(hù)應(yīng)選用全波數(shù)據(jù)窗。

ANN保護(hù)裝置出廠后，還可以在投運(yùn)單位如網(wǎng)調(diào)、省調(diào)實(shí)驗(yàn)室內(nèi)進(jìn)行學(xué)習(xí)，學(xué)習(xí)內(nèi)容針對(duì)該省的保護(hù)的特別要求進(jìn)行（如反措）。到現(xiàn)場(chǎng)，還可根據(jù)該站的干擾情況進(jìn)行反誤動(dòng)、反拒動(dòng)學(xué)習(xí)，特別是一些常出現(xiàn)波形間斷的變電站內(nèi)的高頻保護(hù)。

3、結(jié)論

本文基于現(xiàn)代控制技術(shù)提出了人工神經(jīng)網(wǎng)絡(luò)理論的保護(hù)構(gòu)想。神經(jīng)網(wǎng)絡(luò)軟件的反應(yīng)速度比純數(shù)字計(jì)算軟件快幾十倍以上，這樣，在相同的動(dòng)作時(shí)間下，可以大大提高保護(hù)運(yùn)算次數(shù)，以實(shí)現(xiàn)在時(shí)間上即次數(shù)上提高冗余度。超級(jí)秘書(shū)網(wǎng)

一套完整的ANN保護(hù)是需要有很多輸入量的，如果對(duì)某套保護(hù)來(lái)說(shuō)，區(qū)內(nèi)、區(qū)外故障時(shí)其輸入信號(hào)幾乎相同，則很難以此作為訓(xùn)練樣本訓(xùn)練保護(hù)，而每套保護(hù)都增多輸入量，必然會(huì)使保護(hù)、二次接線復(fù)雜化。變電站綜合自動(dòng)化也許是解決該問(wèn)題的一個(gè)較好方法，各套保護(hù)通過(guò)總線聯(lián)網(wǎng)，交換信息，充分利用ANN的并行處理功能，每套保護(hù)均對(duì)其它線路信息進(jìn)行加工，以此綜合得出動(dòng)作判據(jù)。每套保護(hù)可把每次錄得的數(shù)據(jù)文件，加上對(duì)其動(dòng)作正確性與否的判斷，作為本身的訓(xùn)練內(nèi)容，因?yàn)榧词褂袝r(shí)人工分析也不能區(qū)分哪些數(shù)據(jù)特征能使保護(hù)不正確動(dòng)作，特別是高頻模擬量。

神經(jīng)網(wǎng)絡(luò)的硬件芯片現(xiàn)在仍很昂貴，但技術(shù)成熟時(shí)，應(yīng)利用硬件實(shí)現(xiàn)現(xiàn)在的軟件功能。另外，神經(jīng)網(wǎng)絡(luò)的并行處理和信息分布存儲(chǔ)機(jī)制還不十分清楚，如何選擇的網(wǎng)絡(luò)結(jié)構(gòu)還沒(méi)有充分的理論依據(jù)。所有這些都有待于對(duì)神經(jīng)網(wǎng)絡(luò)基本理論進(jìn)行深入的研究，以形成完善的理論體系，創(chuàng)造出更適合于實(shí)際應(yīng)用的新型網(wǎng)絡(luò)及學(xué)習(xí)算法［5］。

參考文獻(xiàn)

1、陳炳華。采用模式識(shí)別（智能型）的保護(hù)裝置的設(shè)想。中國(guó)電機(jī)工程學(xué)會(huì)第五屆全國(guó)繼電保護(hù)學(xué)術(shù)會(huì)議，［會(huì)址不詳］，1993

2、RobertE.Uhrig.ApplicationofArtificialNeuralNetworksinIndustrialTechnology.IEEETrans，1994，10（3）。（1）：371～377

3、LeeTH，WangQC，TanWK.AFrameworkforRobustNeuralNetwork-BasedControlofNonlinearServomechannisms.IEEETrans，1993，3（2）。（3）：190～197

人工神經(jīng)網(wǎng)絡(luò)的算法范文第5篇

關(guān)鍵詞：油氣輸送；ANN技術(shù)；意義；應(yīng)用

1 ANN技術(shù)

ANN技術(shù)也就是人工神經(jīng)網(wǎng)絡(luò)技術(shù)。人工神經(jīng)網(wǎng)絡(luò)是一種通過(guò)模仿動(dòng)物神經(jīng)網(wǎng)絡(luò)行為特征，進(jìn)行分布式并行信息處理的算法數(shù)學(xué)模型。人工神經(jīng)網(wǎng)絡(luò)通過(guò)調(diào)節(jié)系統(tǒng)內(nèi)部大量節(jié)點(diǎn)之間相互連接的關(guān)系，并對(duì)其之間關(guān)系進(jìn)行信息處理，從而達(dá)到處理信息的目的。人工神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)和自適應(yīng)的能力。人工神經(jīng)網(wǎng)絡(luò)技術(shù)（ANN技術(shù)）就是根據(jù)人工神經(jīng)網(wǎng)絡(luò)而提出來(lái)的處理單元互聯(lián)組成的非線性、自適應(yīng)信息處理系統(tǒng)技術(shù)，利用人工神經(jīng)網(wǎng)絡(luò)技術(shù)可以通過(guò)模擬大腦神經(jīng)網(wǎng)絡(luò)處理、記憶信息的方式進(jìn)行信息處理。ANN技術(shù)通常是通過(guò)一個(gè)基于數(shù)學(xué)統(tǒng)計(jì)學(xué)類(lèi)型的學(xué)習(xí)方法得以優(yōu)化，所以人工神經(jīng)網(wǎng)絡(luò)技術(shù)也是數(shù)學(xué)統(tǒng)計(jì)學(xué)方法的一種實(shí)際應(yīng)用。人工神經(jīng)網(wǎng)絡(luò)技術(shù)具有四個(gè)基本特征：非線性、非局限性、非常定性、非凸性。

就目前來(lái)說(shuō)，常用的人工神經(jīng)網(wǎng)絡(luò)是Hopfield聯(lián)想記憶網(wǎng)絡(luò)，波爾茲曼學(xué)習(xí)機(jī)和網(wǎng)絡(luò)誤差反傳（BP）試驗(yàn)方法。BP網(wǎng)絡(luò)可以對(duì)油氣管道油氣泄漏、管道腐蝕速度等進(jìn)行預(yù)測(cè)，所以在油氣儲(chǔ)運(yùn)中，應(yīng)用最多的是BPNN技術(shù)。

2 ANN技術(shù)在油氣儲(chǔ)運(yùn)中的應(yīng)用

（一）在油氣儲(chǔ)運(yùn)中運(yùn)用ANN技術(shù)的重要意義

油氣儲(chǔ)運(yùn)工程主要包括油氣田集輸、長(zhǎng)距離輸送管道、儲(chǔ)存與裝卸等，它是連接油氣生產(chǎn)、加工、分配、銷(xiāo)售諸環(huán)節(jié)的紐帶。ANN技術(shù)通常是通過(guò)一個(gè)基于數(shù)學(xué)統(tǒng)計(jì)學(xué)類(lèi)型的學(xué)習(xí)方法得以優(yōu)化，所以人工神經(jīng)網(wǎng)絡(luò)技術(shù)也是數(shù)學(xué)統(tǒng)計(jì)學(xué)方法的一種實(shí)際應(yīng)用。人工神經(jīng)網(wǎng)絡(luò)（ANN）具有非線性、非局限性、非常定性、非凸性等特征，用人工神經(jīng)網(wǎng)絡(luò)技術(shù)的自適應(yīng)能力學(xué)習(xí)管道的各種工況，對(duì)管道運(yùn)行狀況進(jìn)行分類(lèi)識(shí)別，從而更準(zhǔn)確的檢測(cè)油氣儲(chǔ)運(yùn)管道泄漏情況和管道腐蝕速度。為了更加準(zhǔn)確的檢測(cè)油氣儲(chǔ)運(yùn)管道泄漏情況和管道腐蝕速度，為了石油生產(chǎn)建設(shè)的需要，因此要在油氣儲(chǔ)運(yùn)中運(yùn)用人工神經(jīng)網(wǎng)絡(luò)技術(shù)（ANN技術(shù)）。

（二）ANN技術(shù)在油氣儲(chǔ)運(yùn)中的具體應(yīng)用

（1）在油氣儲(chǔ)運(yùn)中應(yīng)用ANN技術(shù)，是因?yàn)槿斯ど窠?jīng)網(wǎng)絡(luò)（ANN）具有以下的特點(diǎn)和優(yōu)越性：第一，具有自學(xué)習(xí)功能。例如管道的油氣泄漏情況或者管道腐蝕度進(jìn)行識(shí)別時(shí)，首先要把不同管道的泄漏或腐蝕圖像樣板以及對(duì)應(yīng)的應(yīng)識(shí)別結(jié)果輸入到人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)（ANN）中，利用人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)（ANN）的自學(xué)功能，學(xué)會(huì)識(shí)別其他的相類(lèi)似的圖像。人工神經(jīng)網(wǎng)絡(luò)（ANN）的自學(xué)習(xí)功能對(duì)于油氣管道泄漏情況和管道腐蝕情況預(yù)測(cè)有特別重要的意義。第二，利用人工神經(jīng)網(wǎng)絡(luò)（ANN）的聯(lián)想存儲(chǔ)功能，把關(guān)于石油管道泄露或腐蝕等的各種情況進(jìn)行相互的聯(lián)想、比對(duì)，找出石油管道泄露的具體地方以及管道腐蝕的情況，進(jìn)而提出切實(shí)可行的解決措施。第三，利用人工神經(jīng)網(wǎng)絡(luò)（ANN）的高速尋找優(yōu)化解的能力，通過(guò)計(jì)算機(jī)的高速運(yùn)算，找出解決石油運(yùn)輸中出現(xiàn)的問(wèn)題的最佳方法。

（2）BPNN網(wǎng)絡(luò)是一種基于廣義2R規(guī)則的有監(jiān)督的學(xué)習(xí)網(wǎng)絡(luò)，屬誤差修正算法。采用BPNN網(wǎng)絡(luò)對(duì)管道泄漏進(jìn)行檢測(cè)，主要是利用單元希望輸出與實(shí)際輸m之問(wèn)的偏差作為連接權(quán)調(diào)整的參考，并最終減小這種誤差。

（3）自適應(yīng)模糊神絳網(wǎng)絡(luò)系統(tǒng)具有自學(xué)習(xí)能力和非線性映射，它不僅能夠獲取信號(hào)的最佳估計(jì)，并且能夠克服信號(hào)處理中存在的模型和噪聲的不確定性、不完備性，所以可以用于噪聲信號(hào)的非線性建模。利用自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)的去噪可以提高壓力信號(hào)、流量信號(hào)的信噪比。自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)的自適應(yīng)噪聲抵消器具有實(shí)現(xiàn)簡(jiǎn)單、節(jié)省運(yùn)行時(shí)間，能快速、有效地消除流量、壓力信號(hào)中的各種噪聲的特點(diǎn)，所以把自適應(yīng)模糊神絳網(wǎng)絡(luò)系統(tǒng)應(yīng)用到油氣儲(chǔ)運(yùn)中管道泄漏、腐蝕情況的檢測(cè)中，提高泄漏檢測(cè)和定位的精度。

（4）可以利用人工神經(jīng)網(wǎng)絡(luò)對(duì)油氣管道的腐蝕過(guò)程和腐蝕速度進(jìn)行預(yù)測(cè)。在油氣輸送管道中，由于各種油氣性質(zhì)的不同，再加上高速度、高循環(huán)率的運(yùn)輸，增加了油氣管道的腐蝕程度。我們可以通過(guò)人工神經(jīng)網(wǎng)絡(luò)（ANN），采用逐步回歸的方法對(duì)油氣管道中的腐蝕程度和腐蝕速度進(jìn)行預(yù)測(cè)，進(jìn)而保證油氣管道能夠安全有效的運(yùn)行。

3 結(jié)語(yǔ)

綜上所述，油氣儲(chǔ)運(yùn)工程主要包括油氣田集輸、長(zhǎng)距離輸送管道、儲(chǔ)存與裝卸等，它是連接油氣生產(chǎn)、加工、分配、銷(xiāo)售諸環(huán)節(jié)的紐帶。ANN技術(shù)也就是人工神經(jīng)網(wǎng)絡(luò)技術(shù)，ANN技術(shù)具有可以充分逼近任意復(fù)雜的非線性關(guān)系，具有很強(qiáng)的魯棒性和容錯(cuò)性，能夠同時(shí)處理定量、定性知識(shí)，能夠優(yōu)化設(shè)計(jì)、模式識(shí)別、聯(lián)想記憶等特點(diǎn)。在油氣儲(chǔ)運(yùn)中用人工神經(jīng)網(wǎng)絡(luò)技術(shù)的自適應(yīng)能力學(xué)習(xí)管道的各種工況，對(duì)管道運(yùn)行狀況進(jìn)行分類(lèi)識(shí)別，更準(zhǔn)確的檢測(cè)油氣儲(chǔ)運(yùn)管道泄漏情況和管道腐蝕速度。

參考文獻(xiàn)：

[1]王延民，齊志財(cái).ANN技術(shù)在油氣儲(chǔ)運(yùn)中的應(yīng)用[J].油氣田地面工程.2008，（10）：55.