人工神经网络优势精选(九篇)

前言：一篇好文章的诞生，需要你不断地搜集资料、整理思路，本站小编为你收集了丰富的人工神经网络优势主题范文，仅供参考，欢迎阅读并收藏。

第1篇：人工神经网络优势范文

【关键词】人工神经网络 信息技术 发展趋势

人工神经网络技术在处理实际问题主要包括两个过程，一个是学习训练过程，另外一个是记忆联想过程。近年来随着人工网络技术的发展，人工神经网络技术在信号处理、图像处理、智能识别等领域已经取得了巨大的改变，为人们研究各类科学问题提供了一种新的方法和手段，使人们在交通运输、人工智能、军事、信息领域的工作更加便捷，近年来随着AI的发展，人工神经网络技术得到了快速的发展阶段。

1人工神经网络技术

人工神经网络技术也称ANN，是随着上个世纪八十年代人工智能发展兴起的一个研究热点，它的主要工作原理对人脑神经网络进行抽象处理，并仿造人脑神经网络建立简单的模型，按照不同的连接方式组成一个完整的网络，因此学术界也直接将它成为神经网络。神经网络其实就是一种运算模型，它是通过大量的节点——神经元连接起来的，其中不同的节点所代表的输出函数也不同，也就是所谓的激励函数；当有两个节点连接起来时称之为通过该连接信号的加权值，也称为权重，这就相当人脑神经网络记忆。人工神经网络技术是采用并行分布式系统，这种工作机理与传统的信息处理技术和人工智能技术完全不同，是一种全新的技术，它克服了传统基于逻辑符号的人工智能处理非结构信息化和直觉方面的缺陷，具有实时学习、自适应性和自组织性等特点。

2人工神经网络技术应用分析

随着人工神经网络技术的发展，它在模式识别、知识工程、信号处理、专家系统、机器人控制等方面的应用较广。

2.1生物信号的检测分析

目前大部分医学检测设备都是通过连续波形得到相关数据，从而根据所得数据对病情进行诊断。人工神经网络技术就是应用了这样的方式将多个神经元组合起来构成，解决了生物医学信号检测方面的难题，其适应性和独立性强，分布贮藏功能多。在生物医学领域该技术主要应用于对心电信号、听觉诱发电位信号、医学图像、肌电荷胃肠等信号的处理、识别和分析。

2.2医学专家系统

传统的医院专家系统是直接将专家的经验、学历、临床诊断方面取得的成绩等存储在计算机中，构建独立的医学知识库，通过逻辑推理进行诊断的一种方式。进入到二十一世纪，医院需要存储的医学知识越来越多，每天产生新的病况和知识，过去的一些专家系统显然已经无法适应医院的发展需求，因此医院的效率很低。而人工神经网络技术的出现为医院专家系统的构建提出了新的发展方向，通过人工神经网络技术，系统能够自主学习、自己组织、自行推理。因此在医学专家系统中该网络技术应用面较广。麻醉医学、重症医学中生理变量分析和评估较多，目前临床上一些还没有确切证据或者尚未发现的关系与现象，通过人工神经网络便能有效地解决。

2.3市场价格预测

在经济活动中，传统统计方法受到一些因素的制约，无法对价格变动做出准确的预测，因此难免在预测的时候出现失误的现象。人工神经网络技术能够处理那些不完整的、规律不明显、模糊不确定的数据，并作出有效地预测，因此人工神经网络技术具有传统统计方法无法比拟的优势。例如人工神经网络技术可以通过分析居民人均收入、贷款利率和城市化发展水平，从而组建一个完整的预测模型，准确预测出商品的价格变动情况。

2.险评价在从事某一项特定的活动时，由于社会上一些不确定因素，可能造成当事人经济上或者其他方面的损失。因此在进行某一项活动时，对活动进行有效的预测和评估，避免风险。人工神经网络技术可以根据风险的实际来源，构筑一套信用风险模型结构和风险评估系数，从而提出有效地解决方案。通过信用风险模型分析弥补主观预测方面的不足，从而达到避免风险的目的。

3人工神经网络技术未来发展

人工神经网络克服了传统人工智能对语言识别、模式、非结构化信息处理的缺陷，因此在模式识别、神经专家系统、智能控制、信息处理和天气预测等领域广泛应用。随着科学技术的进步，AI的快速发展，AI与遗传算法、模糊系统等方面结合，形成了计算智能，很多企业和国家开始大规模研发AI，人工神经网络正在模拟人类认知的方向发展，目前市场已经有很多不少人工智能产品面世。

4结语

通过上述研究分析，人工神经网络技术已经取得了相应的发展，但还存在很多不足：应用范围狭窄、预测精度低、通用模型缺乏创新等，因此需要我们在此基础上不断寻找新的突破点，加强对生物神经元系统的研究和探索，进一步挖掘其潜在的价值，将人工神经网络技术应用在更多领域中，为社会创造更大的财富。

参考文献

[1]周文婷,孟琪.运动员赛前心理调控的新策略——基于人工神经网络技术的比赛场地声景预测(综述)[J].哈尔滨体育学院学报,2015,33(03):15-21.

[2]张红兰.人工神经网络技术的应用现状分析[J].中国新通信,2014(02):76-76.

第2篇：人工神经网络优势范文

关键词：神经网络 计算机安全 入侵检测

中图分类号：TP393.08 文献标识码：A 文章编号：1674-098X（2012）12（c）-00-01

自从1960年Widrow等提出自适应线形神经元用于信号处理中的自适应滤波、预测和模型识别以来，神经网络技术便被用来解决现实生活中的问题。而在McCulloch等基于模仿人脑结构和功能建立起一种人工智能的信息处理系统后，人工神经网络在土木工程、农业、经济管理及企业管理等不同领域中被广泛应用[1-2]。该文介绍了神经网络的概念及特点，并分析神经网络在计算机安全尤其是在网络入侵检测中的应用。

1 神经网络的概念及特点

1.1 神经网络的概念

神经网络是一个并行、分布处理结构，是由神经元及称为联接的无向讯号通道互连而成。人工神经网络（Artificial Neural Network，ANN）指的则是模仿生理神经网络的结构和功能而设计的一种信息处理系统，即由多个非常简单的处理单元彼此按某种方式相互连接而形成的信息处理网络[3]。

1.2 神经网络的特点

在人工神经网络中，由于网络中的每一个单元都是独立的信息处理单元，因此其计算可独立进行，而整个网络系统却是并行计算的。这不同于传统的计算机的串行运算。由于神经网络是一个大规模互联的复杂网络系统，因而是大规模的并行处理，这在一定程度上提高了系统的处理速度，同时也为实时处理提供了重要条件。人工神经网络与人脑类似，具有学习的功能。通常只要给出所需的数据、实例，由网络去学习，而学习获得的知识都分布储存在整个网络的用权系数表示的连接线上。不同网络因学习方法及内容不同，可得到不同的功能和不同的应用。因而有可能解决传统人工智能目前最感困难的机器学习中知识获取、知识表示等问题。此外神经网络还对于输入数据的失真具有相当的弹性。

1.3 常用的神经网络算法

常用的神经网络算法包括ARTMAP模型、ART模型、概率模型PNN、模糊模型ART、模糊多层感知器、Kohonen特征映射网络、反馈多层感知器模型等[4-5]。其中，ART模型和Kohonen特征映射网络、模糊模型ART属于无监督训练算法，而反馈多层感知器模型是受限反馈，ARTMAP模型、ART模型属于反馈的网络拓扑

结构。

2 神经网络在网络入侵检测中的应用

2.1 神经网络应用于网络入侵检测的优势

由于神经网络对于数据训练获得预测能力的过程是通过完全抽象计算实现的，而不强调对于数据分布的假设前提，因此在建立神经网络模型过程中没有必要向神经网络解释知识的具体细节。同时，神经网络在网络入侵检测中，可以通过数据运算而形成异常的判别值，这样可以对于当前是否受到攻击行为影响做出判断，从而实现对检测对象是否存在异常情况的检测[6-8]。

2.2 神经网络在网络入侵检测中的应用

神经网络在网络安全尤其是入侵检测方面已有了相当的研究[9]。有研究者将组织聚类神经网络应用于计算机安全研究中，其采用了自适应谐振学习法进行数据的前期训练，对于无显著意义的平均误差减少时，采用遗传算法继续在前期基础上进行数据数据以得到最佳的权值。国内也在神经网络应用于网络入侵检测上做了大量工作。王勇等研究者在参考MIT Lincoln有关网络入侵检测方法基础上，提出了基于Linux主机的网络入侵检测方案，实现了对于多种网络攻击的特征进行抽取及检测的目的[10]。

神经网络在网络入侵检测中有广泛的应用空间[11-12]，今后应该扩大训练数据的数量和范围，并扩大操作系统的研究空间，通过模拟真实的计算机网络环境，将神经网络技术真正应用于计算机安全尤其是入侵检测工作中。

参考文献

[1] 李季，蒲彪.人工神经网络在食品微生物发酵中的应用[J].食品研究与开发，2009，30（4）：171-174.

[2] 李聪超，周铁军.人工神经网络在农业中的应用[J].农业网络信息，2008（1）：35-38.

[3] 李丽霞，张敏，郜艳晖，等.人工神经网络在医学研究中的应用[J].数理医药学杂志，2009，22（1）：80-82.

[4] 高隽.人工神经网络原理及仿真实例[M].北京：机械工业出版社，2003：44-73.

[5] 杨行峻，郑君里.人工神经网络与盲信号处理[M].北京：清华大学出版社，2003：23-105.

[6] 程丽丽.基于模糊神经网络的入侵检测设计模型[D].哈尔滨：哈尔滨理工大学，2005.

[7] 周开利，康耀红.神经网络模型及其MATLAB仿真程序设计[M].北京：清华大学出版社，2005.

[8] 李家春，李之堂.神经模糊入侵检测系统的研究[J].计算机工程与应用，2001，23（17）：37-39，

[9] 王勇，杨辉华.一种基于进化神经网络的入侵检测实验系统[J].华东理工大学学报（自然科学版），2005（6）：362-366

[10] 乔瑞.基于优化自组织聚类神经网络的入侵检测方法研究[J].计算机与现代化，2005（1）：77-79.

第3篇：人工神经网络优势范文

Abstract： Estimating the manufacturing cost of large-sized and complex-shaped non-standard product is hard. Now the manual estimation methods suffered from a high estimation error. When cost estimates are to be used for bidding purposes， a poor accuracy may have detrimental financial consequences. A cost overestimation bears the risk of making the firm uncompetitive and losing a customer， while underestimating the cost leads to winning a contract but incurring a financial loss. Therefore， a precise cost estimation is critical for project management. In this paper， building the parametric model of artificial neural networks， compare with the artificial neural networks and the manual estimation methods in estimating the manufacturing cost of large-sized and complex-shaped non-standard product. the accuracy is improved.

关键词： 神经网络（ANN）；成本估算；非标产品

Key words： artificial neural networks （ANN）；cost estimation；non-standard product

中图分类号：TP183 文献标识码：A 文章编号：1006-4311（2014）14-0203-03

0 引言

生产成本评估是工业管理活动中的一个重要问题。通常情况下，成本的计算可被分类为预先计算，中间计算，后计算。前计算涉及估计未来成本，中间计算在产品开发周期内进行了成本控制的目的，而计算后，包括成本核算方法，用来确定实际成本作为未来预算数据。由于产品生命周期成本的很大一部分被定义在设计阶段，因此在新产品开发过程中广泛采用。然而，在这种情况下，通常用来提供合适的成本计算方法必需的数据，只有不完整的或不确定的产品描述的数据[1]。

由于神经网络能以期望的精度逼近任何非线性函数，并且它具有自学习、自组织、自适应、并行处理和容错等功能，因而可以较好的应用于产品生产成本估算。

1 成本估算方法分类

从方法论的角度来看，成本估算，可以分为定性或定量的方法。如图1。

定性的方法依赖于专家判断和经验启发式规则，定量的方法，可进一步分类纳入统计的模型，相似模型或生成分析模型。参数成本模型属于传统的统计方法，统计标准是用来确定因果联系和关联成本和产品特性，以便取得与一个或多个变量的。统计方法可以依靠公式或替代办法连结产品特性，以成本为例，如回归分析或优化方法已被广泛地应用，人工神经网络也被用来统计方法，这要归功于它们有能力进行分类，总结和推断的数据集合。人工神经网络模型接受输入形状描述和语义的产品特性，并作为输出产品的成本。搜索引擎优化也利用人工神经网络和统计相关性在生命周期成本概念设计阶段使用[2]。人工神经网络会表现出更好的线性回归模型。类似的方法，而不是找出一个类似的产品，用成本信息来估计未来成本，调整产品成本之间的差异。类似的模型，从而推断出相似的成本结构，功能或产品功能之间的几何相似。例如，作为一个多维特征空间中的点之间的距离测量。生成的分析方法是最准确的，描绘出实际的产品制造过程中。生产过程的详细分析和分解成单一的制造业务进行，分析特定模型估计每个处理阶段的成本归因于资源消耗的货币价值的技术参数的基础上的特征的操作。自下而上的方法，然后利用适当总在制造过程中所产生的成本，通过各成本项目的总和。一个详细的模型使用的劳动时间和价格的估计，材料、数量和价格的产品或活动，估计直接成本、间接成本。

在每个成本中心的制造时间的估计仍然是一个艰巨的任务，留给成本部门的经验和历史数据的依赖。估计误差是相当重要的，一些历史数据不可用。由于经常发生在工程师对按订单生产的任何产品和过去不同，因为它是由客户的规格和设计的。这种传统的方法是对制造时间的估计[4]。

因此，利用标准时间的方法是相当困难的，在投标阶段，许多需要精确估计到工作中心的数据是没有的，必须从过去的经验中得到，但是，由于是非标产品，极有可能缺乏具体的经验，进一步增加了时间和成本的不确定性。这种不确定性导致以下问题：报价风险，与失去投标报价的可能性。

针对这个问题，下面介绍一种基于人工神经网络的估算方法。

3 ANN成本建模

人工神经网络的信息处理模型的基本计算的数量单元（神经元）相连的的加权连接。人工神经网络对一组训练数据是能够自学习，并进行分类，聚类，函数逼近和控制任务。特别是，神经网络被认为是“普？？遍回归工具”能够逼近任意连续函数，利用在成本估算应用。在特定的神经网络非参数估计，这意味着要作出任何假设的形状近似函数训练前。这是一个很大的实用优势，因为它节省了时间和费用成本，专家需要提供适当类型的函数参数成本。

多层感知器网络已被用作此配置提供了最好的结果作为函数逼近，而尝试和错误的过程中已经定义了的详细的神经网络结构。事实上，网络结构可以有显著影响的估算精度。但神经网络理论尚未提供控制变量的最优设置，适用规则和拓扑结构[5]。

人工神经网络的输入包括所有的产品特征变量的值

4 结论

在面对成本估算的问题上，模拟的选择要根据不同的产品或过程，具体的资料和案例。另外，选择还取决于各自的优点，不同方法的局限性和能力。

统计或类似的模型也被称为“'lump-sum”的方法[7]，因为他们不考虑生产过程的特点，或不显示详细的成本结构。事实上，这种方法试图建立一个整体的相关性（称为CER，成本估算关系）的总制造成本和成本影响产品特性（即变量之间的相关产品的配置或物理特性，如重量，尺寸等，可作为成本动因）的关系。

统计方法的神经网络的优势是，它们可以有效地推断和概括。数据模型之间的功能关系是隐藏的或不能以多项式的形式表示，不了解变量之间的函数关系。神经网络具有的优点是不需要详细定义了单一的制造过程的阶段和神经网络动态自适应，神经网络的训练集可扩展新的数据成为可用的变化来反映或在制造业务性能的提高和相关资源，得到一个连续的知识获取。

参考文献：

[1]Verna Allee. Reconfiguring the value network[J]. Theory in Action， Jul./Aug.， 2000：36-39.

[2]Dorian Selz. Value Webs-Emerging forms of fluid and flexible organizations[D].Dissertation St. Gallen， #2310， Difo-Druck， Bamberg， 1999.

[3]David Bovet and Jaseph Martha. Valuenets-breaking the Supply Chain to Unlock Hidden Profit[M]. New York ： John Wiley & Sons， Inc，2000.

[4]黄文权.机械制造产品成本估算方法研究及应用[D].杭州：浙江大学机械工程学系，2003.

[5]焦李成.神经网络系统理论[M].西安：西安电子科技大学出版社，1990.

第4篇：人工神经网络优势范文

关键词：动车组；过分相区；故障识别；继电保护

1 动车组过分相区故障识别中的人工神经网络BP算法概述

1.1 基于人工神经网络的BP算法

动车组过分相区发生运行故障会影响动车组的安全运行状况，为了对动车组过分相区中存在的故障有一个清晰的认识，文章利用智能控制领域内的BP算法对动车组过分相区以及分相区的中性线出现接地故障时其状态进行了全方位的智能识别，利用这种方式能够快速排除动车组运行故障，同时还能够使继电保护装置快速动作，为动车组运行提供保护。

人工神经网络克服了传统人工神经网络方法对语音识别、模式以及分结构化信息处理等方面的局限，该算法具有较强的非线性适应性信息处理能力，基于人工神经网络的功能性，使之在模式识别、人工神经专家系统以及智能控制等多个领域广泛应用。人工神经网络中包含了多种算法，基本上都具有故障识别的作用，但是不同的算法所产生的作用力也是不同的，基于人工神经网络的BP算法较为常用，利用该种诊断技术，在故障识别过程中无需建立精确的数学模型，它能够解决其他常规算法所不能解决的故障诊断，对动车组过分相区故障识别具有重要意义。

1.2 基于人工神经网络BP算法的优势与缺陷分析

人工神经网络BP算法是目前解决动车组故障诊断的创新途径，其在动车组过分相区故障识别中的广泛应用是由其本身的功能性决定的。其优势主要表现在两方面，一方面只要具备足够的隐节点以及隐含层，人工神经网络BP就可以随意的逼近非线性映射关系，具有一定的随意性，另一方面人工神经网络BP属于一种全局逼近的方式，具有较好的泛化能力，BP网络可以实现输入与输出的非线性映射关系，在此过程中其不依赖模型，即使人工神经网络中有个别神经元损坏，虽对输入输出有影响，但影响相对较小，由此可见人工神经网络BP算法具有良好的容错能力。然而人工神经网络BP算法也存在一定的局限性，其在应用中收敛速度较为缓慢，隐含层与隐节点的实际数目难以准确定位。

2 人工神经网络BP算法下的动车组过分相区故障识别仿真分析

人工神经网络BP算法在动车组过分相区故障识别中的应用大致可以分为四个步骤，第一，利用该种算法对动车组过分相区进行故障识别与诊断，获取动车组过分相区与未过分相区中各种状态下的仿真数据，为故障诊断与故障识别提供有效依据。第二，对动车组过分相区与未过分相区故障识别仿真实验中的各个参数值进行有效提取，并根据这些参数值对动车组过分相区中存在的故障问题进行全面分析。第三，以输入的数据特点以及系统所需数据输出要求为依据，从而确定输入与输出层的节点数以及隐含层的节点数。第四，将需要处理的矢量参数以及信息数据输入到网络系统中，而后进行一系列训练，训练成功之后再将预先设定的训练结果以及信号进行比较验证。在动车组过分相区故障识别仿真实验中若隐含层节点数过多，会导致识别时间过长，不能在短时间内对动车组运行故障进行判断，会影响动车组的整体运行状况，而隐含层节点数太少则容错性较差，识别样本能力也相对较低，因此在仿真实验中要综合考虑各种因素的影响，在仿真实验中要想得到准确的结果，需要对系统中的各个变量进行反复训练，同时还要对其进行收敛，在利用人工神经网络BP算法计算时若实际计算中能够得到和与其相近的值，那么就表明动车组过分相区的运行状态被识别。

在仿真实验中将正馈线电压、接触线电压、暂态过程一的暂态过电压、暂态过程一的暂态过电压、暂态过程三的暂态过电灰、暂态过程四的暂态过电压，将这六个变量输入到系统中，将线路所呈现的六种状态作为输出，在利用人工神经网络BP算法进行方针数据处理以及状态识别时，诸多BP神经网络实验模型基本上都是以S形函数作为实验中的转换函数，将函数的值域定义为[0，1]，那么在训练过程中就要将原始数据合理规范到[0，1]区间内，而后再统一利用标准归一化方式来实现。将六种线路的状态相关数据进行归一化处理，即将状态数据处理在0～1以内。在仿真实验中要利用人工神经网络BP算法对动车组过分相区进行智能化故障识别，并保证故障识别的准确性，就要对归一化数据进行大量并反复训练，通过大量及反复训练得到的误差曲线结果是快速的，收敛的，能够为动车组过分相区故障识别利用精确数据。

3 动车组过分相区继电保护研究

动车组过分相区中的继电保护可以分为三种保护模式，分别是线路保护、分相区保护以及合闸过电压保护，这三种保护方式对动车组过分相区的安全与稳定运行都有一定的保护作用，但是三者的保护方式有所区别，以下是对这三种保护模式的具体分析：

3.1 线路保护

线路保护为了改善功率因数，机车上还设置有三次与五次谐波的滤波电路，为使谐波含量系数能够准确反映高次谐振状况，通过高次谐振状况可以对线路保护中的电阻继电器动作进行判定，电阻继电器动作方程式为：

XZD，RZD分别是指电阻与电抗整定值。线路保护在对动车组过分相区实施保护动作时，为了避免动车组过分相区出现保护误动的状况，那么需要利用二次谐波进行闭锁操作。线路保护动作应根据动车组过分相区实际情况来选择，高次谐波抑制式电流增量保护也是线路保护中的一种，对动车组相区也有一定的保护作用。

3.2 分相区保护

分相区保护设置与线路保护设置相比相对较为复杂，在动车组运行过程中利用分相区保护方式可以在动车组分相区中性线位置设置RC保护与RL保护，其中RL保护能够被开关控制，利用这两种保护方式基本上可以解决动车组特定机型的暂态过电压问题，然而目前很多型号的动车组机车在牵引网中运行，RL与RC保护方式具有一定局限性，在这种运行条件下常出现的问题是过电压与过电流问题，针对这两种问题可以采取电压增量保护与电流速断保护的方式。

3.3 合闸过电压保护

动车组过分相区发生故障之后，需要在分区亭处先进行合闸操作，而后再牵引变电所进行再合闸操作，故障时合闸的主要目的是为了检验动车组故障属于暂态性故障还是永久性故障。动车组中的短路故障属于暂态故障，而短线故障则属于永久性故障，暂态故障发生后所产生的暂态过电压会在60ms之后稳定在正馈线与界线中，而永久性故障则会稳定在一个新电压状态下，为动车组过分相区运行提供一个良好的状态。

4 结束语

综上所述，动车组过分相区运行环境具有一定的复杂性，在运行中常发生一系列的故障，这些故障或多或少都会对动车组的正常运行造成影响，因此对动车组进行故障识别，并采取继电保护尤为必要。基于人工神经网络的BP算法是现今动车组过分相区故障识别中的一种新方法，可以在不建立模型的情况下进行故障诊断识别，快速查出故障原因，并根据实际情况采取相应的保护措施，为动车组过分相区运行提供安全保障。

参考文献

第5篇：人工神经网络优势范文

对于这种人工神经网络的信息处理方式，其是根据生物学中神经网络的形式来研究出来的，所在对于这种人工神经网络系统来说，其有很大一部分特点都是跟生物学的中神经系统是相似的，具备一些智能的功能。首先它所体现出来的一种特点是在记忆方面，因为它是根据生物神经模式来进行设计的，因此其在对信息进行储存及分析过程中，会第一这些信息进行保留，并且还具备联想记忆的功能。

其次其具备的特点就是可以进行非线性映射。因为在很多的实现操作过程中，很多输出的信息与输入的信息之间并不能够建立起一种线性的关系，使得很多熟悉的模型不能够在其它信息处理系统中进行设计出来。但是使用人工神经网络的设计方式，就使得在信息处理的过程中能够做到满足非线性映射，并且还可以在设计的过程中建立起很大的非线性的数学模型，并且各个领域中都可以得到应用。

另外，在这种人工神经网络的信息处理模式中，还可以对输入的信息进行识别，并做到有效的分类，这对原来在信息处理过程中存在的信息不易分离与辨别的问题做到了有效的解决。最后一项具备的功能就是它可以对输入与输出的信息及知识内容进行一个有效的处理，因为人工神经网络模式具备生物学中神经传递的特点，所以它可以在信息到达的时候，对其进行分析及处理，对于那些符合条件的信息加以利用，并进行储存。这就使得在信息的处理过程中，能够做到对数据根据其特征来进行分类与分析。

2人工神经网络的信息处理技术在经济管理中的应用

计算机科学与技术发展过程中所带来的这种神经网络的信息处理模式，因为其具备的一些特征与功能，因此在众多的领域中得到了有效的利用，解决了传统信息处理过程中那些不能够进行解决的问题，并且都取得了很好的效果。所以，目前这种信息的处理方式不仅在经济管理过程中得以使用，还在医学、工程技术及其它经济领域中都得到广泛的应用。

2.1在信贷分析过程中需要对这种信息处理技术加以利用

对于信贷分析工作来说，信用评估机构是具备自己特征的，因此在信息处理过程中，因为这些企业所带来的信息形式的不同，使得在对其信用度进行评判的过程中，带来很大的问题，也很难对其进行判断，使得很多时候都会带来很多的经济损失。但是对这种人工神经网络信息的处理技术的使用，就会对所出现的问题做到有效的解决了。在对这些贷款企业进行信用评价的时候，只需要将信息转化为编码来输入进去，就可以对数据进行分析，并且因为输入的信息量比较大，使得在评价的过程中更做到具有更大的准确性。对这种技术的使用，不仅可以做到准确性，还可以避免操作人员的主观思维形式。这是这些优势的存在，使得其在对企业风险进行分析的过程中得到很广泛的应用。

2.2使用这种方法可以对市场做到更准确的预测

在经济管理过程中，需要对市场中出现的一些因素做到有效的分析，并做到对未来发展趋势进行相关的预测，使得在决策的过程中，能够起到参考的作用，使得风险得到降低。使用人工神经网络的信息处理技术来对市场进行预测，使得对市场中变动的价格与走势进行考量与分析，使得一个可靠的市场模型可以得到建立。例如在期货市场上运用这种技术，可以对其未来价格进行预测。并且这种技术在股票市场中也有所应用。

3、结束语

第6篇：人工神经网络优势范文

关键词：神经网络 应用 经济预测 改进

神经网络作为新时展最快的人工智能领域研究成果之一，在科学计算、自动控制等方面得到了成功的运用。近年来，我国学者们将神经网络运用于经济预测领域，并且不断地改进应用方法，使基于神经网络的经济预测系统更具效益。本文在此背景下，对神经网络经济预测的应用进行了研究，围绕经济预测的方法应用提出相应的改进建议，从而丰富了经济增长预测理论与实践。

一、神经网络经济预测的方法的概述

1.概念

神经网络，是对人脑或自然神经网络若干基本特征的抽象和模拟。从解剖学和生理学的角度来看，人脑是一个复杂的并行系统，他是由大量的细胞组合而成，这些细胞相互连接。神经细胞与人体中的其他细胞的关键区别在于，神经细胞具有产生、处理和传递信号的能力。在人工神经网络的发展过程中，对生物神经系统进行了不同模拟，提出了各种各样的神经网络模型，其中具有代表的网络模型有感知器神经网络、线性神经网络、BP网络、径向基函数网络、自组织网络。

2.特征

神经网络经济预测的方法不同传统的预测方法，它对经济系统里的多种因素进行分析，进行有效地多输入、多输出的经济预测数据。可以说神经网络经济预测的方法具有以下几种特征：其一，由于神经网络是由复杂的因素构成的，它的输入向量维数比较多。其二，经济系统数据具有很强的非线性，使得输入的向量各分量之间存在着复杂的耦合关系。其三，经济系统处在一个“黑箱”模型下，导致数据之间的相互影响不存在明确表达式的关系。神经网络也会随着时间的增长，数据呈现出增长的趋势。

3.优势

用神经网络进行经济预测相对来说比较准确。因为这种神经网络在计算量允许的范围内，可以很好地拟合任意多对多的映射关系，数据拟合的结果表明，系统拟合相对误差在0%—0.75%，比采取回归分析逼近效果好。此外，神经网络各层节点之间的联结权数及阈值恰好可以表达经济系统中各个因素之间相互交织、相互影响的强耦合关系.而采取多元回归模型。

往往只能引入少量耦合项以避免模型过于复杂而无法求解.因此，神经网络比传统的多元回归预测方法有更好的拟合能力和准确度。神经网络的方法是比较适合对经济预测的，因为它只需要少量训练样本就可以确定网络的权值和阈值从而预测出宏观经济发展趋势，计算简单、快捷、可靠。总而言之，神经网络经济预测方法具有显著的优势，是比较适合经济预测的应用过程的。

二、神经网络经济预测方法应用的改进

由于商业、政府和工业所产生的预测间题，其复杂程度越来越高，以致于现有的预测系统难于解决，这就要求我们的预测系统能够处理复杂度增加的问题，进一步扩展传统神经网络预测方法的能力，使得神经网络系统理论的不断发展和完善、新的神经网络预测方法的不断产生，使得神经网络预测模型更加实用化、现代化，会给商贸和工农业生产带来巨大的经济效益。以下是本人对神经网络经济预测方法应用改进的建议：

首先，我们要改进神经网络经济预测的过程。确定预测的目的，制定预测的计划。经济预测首先要确定预测的目的，从决策和管理的需求出发，紧密联系实际需要与可能，确定预测要解决的问题。预测计划是根据预测目的而制定的预测方案，包括预测的内容、项目，预测所需要的资料，准备选用的预测方法，预测的进程和完成的时间以及预测的预算、组织实施等。只有目的明确、计划科学的预测，才可保证预测的顺利进行。

其次，建立新的神经网络经济预测模型。经过求增长率再进行归一化的处理，在给出的以往的数据的增长率范围内，网络就可能不再陷入训练“盲区”。.当采用了足够年限的已知数据并将其增长率归一化以后，“被预测年”数据的增长率可能不再会大于那些“已知年”数据的增长率.则外延问题可以得到基本解决。

最后，对神经网络经济预测结果进行检验，减小误差。经济预测是立足于过去及现在的已知推测未来的未知，而过去和现在终归不是未来，预测结果和未来实际值不可能绝对相符，存在的差异就是预测误差。为了使预测误差最小化，检验结果通过试探性的反复试验来确定，预测准确度应尽可能进行外推检验。

三、总结

神经网络经济预测的方法相对于其他的经济预测方法，具有独特的、显著的优势，我们可以利用好其优势，从而有助于我们更好的对经济发展进行预测分析，从而把握好经济发展动向，为经济决策提供依据。因此，我们应当根据社会发展需要，不断改进神经网络经济预测方法的应用，使其效能最优化，为我国经济发展助力。

参考文献：

[1]陈健，游玮，田金信.应用神经网络进行经济预测方法的改进[J].哈尔滨工业大学学报，2006（06）

第7篇：人工神经网络优势范文

关键词：径向基神经网络（RBFN）； 超高压； 继电保护； LLS； 梯度下降法

中图分类号：TN911-34; TP332 文献标识码：A

文章编号：1004-373X(2011)20-0196-04

Algorithm of EHV Relaying Protection Based on RBF Neural Network

ZHANG Dong1, WANG Tao2

(1. Inner Mongolia Electric Power Group, Hohhot 010080, China;

2. School of Electronics and Information Engineering, Soochow University, Suzhou 215021, China)

Abstract： An algorithm of EHV (extra high voltage) relaying protection based on RBFN (radial basis function neural network) is proposed. The algorithm can conduct the training according to the existing relaying data sample set because the RBFN has learning ability, find the internal relations of fault detection, fault location, self-adaptive automatic reclosing technology, differential protection and distance protection by analysis, and realize the self-adaptive control over the future relaying protection data samples. The highlight of this algorithm is that the factors of both predicting precision and training time of RFBN are taken into consideration in the process of construction. The linear least squares (LLS) and the gradient descent method are employed for MATLAB simulation experiment to obtain a more accurate result of prediction.

Keywords： RBFN; EHV; relaying protection; LLS; gradient descent

0 引 言

随着电力工业的不断发展，现代电力系统已成为┮桓龈呓追窍咝浴⒏吒丛佣鹊拇笙低常人们对系统运行的可靠性、持续性和稳定性要求也越来越高，这就使得电力系统中问题的解决越来越困难。

继电保护的任务就是检测故障信息，识别故障信号，进而决定保护是否跳闸。传统的继电保护和故障诊断方法自适应能力有限，不能适应各种运行方式和诊断复杂故障。

径向基神经网络（RBFN）具有很强的自适应能力、学习能力、非线性映射能力和容错能力，并且鲁棒性好，应用在电力系统继电保护有很大优势，很多难以列出方程式或难以求解的复杂的非线性问题，应用径向基神经网络（RBFN）方法都可以得到很好的解决。

1 人工神经网络概述

1.1 人工神经网的概念

人工神经网络（Artificial Neural Networks，ANNs）也简称为神经网络（NNs）或称作连接模型（Connectionist Model），它是一种模范动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。人工神经网络具有自学习和自适应的能力，可以通过预先提供一批相互对应的输入-输出数据，分析掌握两者之间潜在的规律，最终根据这些规律，用新的输入数据来推算输出结果，这种学习分析的过程被称为“训练”。

人工神经网络是一门模拟人脑生物过程的人工智能技术,是根据大脑神经元电化学活动抽象出来的一种多层网络结构，它是由大量的神经元互联形成的复杂的非线性系统。神经元结构如图1所示。所有输入M通过一个权重K进行加权求和后加上阈值d，再经传递函数f的作用后即为该神经元的输出a，且有：

Иa=f(MK+d)(1)И

1.2 径向基神经网络理论

径向基神经网络(RBFN)是一个三层的前馈神经网络，包括一个输入层、一个径向基层(即隐含层)和┮桓鍪涑霾恪F浠本原理是以径向基函数作为隐层单元的基，构成隐含层空间，隐含层对输入矢量进行变换将低维的模式输入数据变换到高维空间内，使得在低维空间内的线性不可分问题在高维空间内线性可分。径向基函数它模拟了人脑中局部调整、相互覆盖感受野(Receptive Field)，因此是一种局部逼近网络，科学界已经证明它能以任意精度逼近任意函数，其拓扑结构如图2所示。

图1 人工神经元模型

图2 RBF网络结构图

输入层节点获取输入向量后，传递输入向量到隐含层。隐含层节点由径向基函数构成，径向基函数可采取多种形式(通常采用Gaussian函数)。隐含层执行非线性变换，将输入空间映射到一个新的空间。输出层通常是简单的线性函数。隐含层节点和输出层节点以不同的权重完全连接。隐含层节点的激活函数对输入激励产生一个局部响应，输入向量越靠近基函数的中心，隐含层节点做出的响应越大。隐含层第j结点的输出响应为：

ИGj(x)=exp－x－μj2σ2j （2）И

式中：x= ［ X1,X2,…,Xn ］ 为输入向量；μj,σj分别为第j个神经元的中心和大小；c为神经元的个数。

输出层为隐含层各个单元的加权和:

И=f(x)=∑cj=1wjGj(x)（3）И

式中：wj为第j 个神经元对应的权值。

2 基于RBF的超高压继电保护算法

2.1 训练数据的样本采集

训练所需要的样本数据，直接关系到训练出来经验函数精度的优劣，所以一组好的训练样本是经验函数精度的保证。本文采用内蒙古电力集团公司超高压局近几年对继电保护数据记录，其中样本数据繁多，从中选取了5 000个有效数据作为样本，用其中4 000来训练经验函数，后1 000个用来检测训练效果。

2.2 RBF神经网络混合学习算法

RBF网络的学习分为两个过程。第一个过程：根据所有输入向量确定各隐含层节点的高斯函数的中心值cj。第二个过程：在确定了隐含层j的参数后，根据样本，利用最小二乘法原则求出输出层的权值wjt。建立RBF神经网络的关键问题是根据给定的训练样本确定径向基函数的中心。因为一旦确定了径向基函数的中心cj，则对于所有的训练样本而言Gj和预期输出yt 是已知的，输出权值`jt可以通过最小二乘法求出。

2.2.1 调整隐层神经元中心及宽度

梯度下降法的构造过程中首先定义误差函数：

ИE=12∑Nn=1En（4）И

式中：N为样本个数；En为输入第nЦ鲅本是的误差定义为：

ИEn=∑sk=1(tnk－ynk)2， n=1,2,…,N(5)И

要使误差函数最小化，则参数的修正量应与其负梯度成正比则有：ЕCj=－η1ECj和Δσj=－η2E郸要j Т入后得：

ИЕCj=2η1∑Nn=1∑sk=1(tnk－ynk)•Rnjwn(k,j)•pn－cnj(σnj)2(6)

Δσj=2η2∑Nn=1∑sk=1(tnk－ynk)•Rnjwn(k,j)pn－cnj2(σnj)3(7)И

当所有样本输入完成后，运用迭代的方法对参数进行调整，如下所示：

ИCj(m+1)=Cj(m)+ΔCj(8)

σj(m+1)=σj(m)+Δσj(9)И

式中:Cj是中心的学习速率；σj是高斯宽度的学习速率；m为迭代次数。为了保证分类器的泛化性能，采用的高斯宽度的学习速率通常大于中心的学习速率，因为小的学习速率使算法收敛过慢，而过大的学习速率可能会导致算法变得不稳定。

2.2.2 RBF网络的权值确定

首先设定输入矩阵为：M∈Rr×N，隐层输入矩阵为：P∈Ru×N；输出层矩阵为：K∈Rs×N；其中n为训练样本。若RBF网络的待定输出层权值W∈Rs×u，其三者关系为：

ИK=W×P（10）И

样本的目标输出为：T=(t1,t2,…,ts)T∈Rs×N，在这里采用线性最小二乘法(LLS)来使得目标输出与网络实际输出之间的误差达到最小,运用R的R+来求得W为R+T。

2.2.3 经验函数训练流程图

本文所训练的经验函数的算法流程图分为两个阶段，第一阶段是样本处理，由于样本具有重复性，在经过样本处理后，就保证了存储在样本库中的样本都具有代表性，消除重复训练，提高训练速率；第二阶段是训练经验函数。训练过程如图3所示。

图3 经验函数的算法流程图

3 实验结果与分析

该研究采用Matlab 7.0.0来做仿真实验,针对关注的5个重要的超高压继电保护指标分别进行预测，实验数据来自内蒙古电力集团公司超高压局近几年对继电保护数据记录，实验采用大量超高压继电保护值来训练RBF神经网络，当网络训练达到误差平方和目标0.01时，网络训练结束。

图4~图8分别为故障检测、故障定位，自适应自动重合闸技术、差动保护以及距离保护的预测值与实际值之间的比较(其中横轴均为时间序列，纵轴为超高压继电保护的相应指标值)。

通过仿真结果可以看出：曲线的拟合度较好，说明通过RBF神经网络短期预测超高压继电保护取得了较好的效果。但是长期的预测则需要考虑超高压继电保护各衡量指标的突变情况，此时RBF神经网络无法对其做出准确的预测。

4 结 语

本文将RBF神经网络及其相关算法应用到超高压继电保护预测上，可以更好、更快地动态预测继电保护的工作状态。在其中RBF网络大大提高了训练的速度，节省了时间且预测精度更高，在局部的短期预测中占有优势。怎样进一步改进优化预测算法是RBF神经网络预测超高压继电保护的下一步研究方向。

参考文献

［1］马锐.人工神经网络原理\.北京：机械工业出版社,2010.

［2］刘学军.继电保护原理\.北京：中国电力出版社,2007.

［3］贺张萍.深度探讨继电保护装置状态检修需求及应用难点\.科技资讯,2010(32):120-122.

［4］黄懿.继电保护可靠运行的控制分析\.中国科技博览,2010(3):61-64.

［5］MOHAMED E A, TALAAT H A; KHAMIS E A. Fault diagnosis system for tapped power transmission lines \. Source: Electric Power Systems Research, 2010, 80 (5): 599-613.

［6］Eissa M M, Sowilam G M A, Sharaf A M. A new protection detection technique for high impedance fault using neu-ral network \// Proceedings of 2006 Large Engineering Systems Conference on Power Engineering. \: \, 2006: 146-151.

［7］DUTTA A A, KADU A N. Pattern recognition method for detecting fault in EHV transmission lines \// Proceedings of2nd International Conference on Mechanical and Electrical Technology. \: ICMET, 2010: 24-27.

［8］刘田田,燕洁.人工神经网络在电力系统继电保护中的应用\.电力学报,2007(2):190-192.

［9］吕卫胜.人工智能技术在电力系统继电保护中的应用\.山东电力技术,2006(1):61-63.

［10］KHORASHADI-ZADEH H, EBRAHIMI M R A. AN ANN based approach to improve the distance relaying algorithm \// Proceedings of the 2004 IEEE Conference on Cybernetics and Intelligent Systems. Singapore: IEEE, 2004:1374-1379.

［11］曾晓林,薛建辉,洪刚.粒子群优化神经网络在高压断路器机械故障诊断中的应用\.电网与清洁能源，2010,26(6):57-61.

［12］李风光,杨志.基于BP网络的自适应接地保护研究\.电网与清洁能源，2010,26(10):31-34.

第8篇：人工神经网络优势范文

糊理论、遗传算法等人工智能技术的含义进行了介绍，并对这些技术在电力系统中的应用和存在问题进行了分析。

关键词：人工智能、电力系统、应用

中图分类号：TM76 文献标识码：A 文章编号：1007-9416（2012）03-0000-00

1、人工智能技术

人工智能技术(AI artificial intelligence)是一项将人类知识转化为机器智能的技术。它研究的是怎样用机器模仿人脑从事推理、规划、设计、思考和学习等思维活动，解决需要由专家才能处理好的复杂问题。在应用方面，以专家系统、人工神经网络、遗传算法等最为普遍[1][2] 。

1.1 专家系统(ES)

专家系统是利用知识和推理来解决专家不能解决的问题。传统程序需要固定程序和复杂算法，输入数据并得出结果。专家系统集中大量的符号处理，采用启发式方法模拟专家的推理过程，通过推理，利用知识解决问题。它具有逻辑思维和符号处理能力，能修改原来知识，适合于电力系统问题的分析。

1.2 人工神经网络(ANN)

人工神经网络是大量处理单元广泛互联而成的网络，是一种模拟动物神经系统的技术。神经网络具有自适应和自学习的能力，能并行处理分布信息。电力系统应用人工神经网络可以进行实时控制、状态评估等。

1.3 遗传算法(GA)

遗传算法是一种进化论的数学模型，借鉴自然遗传机制的随机搜索算法。它的主要特征是群体搜索和群体中个体之间的信息交换。该方法适用于处理传统搜索方法难以解决的非线性问题。

1.4 模糊逻辑(FL)

当输入是离散的变量，难以建立数学模型。而模糊逻辑则成功地应用在潮流计算、系统规划、故障诊断等电力系统问题。

1.5 混合技术

以上各种智能控制方法各有局限性，有些甚至难以处理电力系统实际问题。因此需要结合各个算法的优势，采用人工智能混合技术。其中包括：模糊专家系统、神经网络模糊系统、神经网络专家系统等技术。

2、人工智能技术的在电力自动化的应用

2.1在电能质量研究中的应用

人工智能技术可以对电压波动、电压不平衡、电网谐波等电能质量参数进行在线监测和分析。在检测和识别电能质量扰动时能克服传统方法的缺陷。专家系统随着经验的积累、扰动类型变化而不断扩充和修改，便于用户的掌握[3] 。

此外，专家系统和模糊逻辑可用于培训变电站工作人员。智能软件可以模拟故障情形，有利于提高运行人员的操作技能。

2.2 变压器状态监测与故障诊断专家系统

变压器事故原因判断起来十分复杂。判断过程中，必须通过内外部的检测等各种方法综合分析作出判断。变压器监测和诊断专家系统首先对油中气体进行分析。异常时，根据异常程度结合试验进行分析，决定变压器的停运检查。若经分析发现变压器已严重故障，需立即退出运行，则要结合电气试验手段对变压器的故障性质及部位做出确诊。

变压器监测和诊断专家系统通过诊断模块和推理机制，能诊断出变压器的故障并提出相应对策，提高了变压器内部故障的诊断水平，实现了电力变压器状态检修和在线监测。

2.3 人工智能技术在低压电器中的应用

低压电器的设计以实验为基础，需要分析静态模型和动态过程。人工智能技术能进行分段过程的动态设计，对变化规律进行曲线拟合并进行人工神经网络训练，建立变化规律预测模型，降低了开发成本。

低压电器需要通过试验进行性能认证。而低压电器的寿命很难进行评价。模糊识别方法，从考虑产品性能的角度出发，将动态测得的反映性能的特性指标作为模糊识别的变量特征值，能够建立评估电器性能的模糊识别模型[5] 。

2.4 人工智能在电力系统无功优化中的应用

无功优化是保证电力系统安全，提高运行经济性的手段之一。通过无功优化，可以使各个性能指标达到最优。但是无功优化是一个复杂的非线性问题[6] 。

人工智能算法能应用于电力系统无功优化。如改进的模拟退火算法，在求解高中压配电网的无功优化问题中，采用了记忆指导搜索方法来加快搜索速度。模式法进行局部寻优以增加获得全局最优解的可能性，能够以较大概率获得全局最优解，提高了收敛稳定性。禁忌搜索方法寻优速度较快，在跳出局部最优解方面有较大优势。遗传算法在解决多变量、非线性、离散性的问题时有极大的优势。要求较少的求解信息的，模型简单，适用范围广。

2.5 人工智能在电力系统继电保护中应用

自适应型继电保护装置能地适应各种变化，改善保护的性能，使之适应各种运行方式和故障类型。它能够有效地处理各种故障信息，获得可靠的保护。

借助于人工智能技术不但能够提取故障信息，还能利用其自学习和自适应能力，根据不同运行工况，自适应地调整保护定值和动作特性。

2.6 人工智能在抑制电力系统低频振荡的应用

大规模电网互联易产生低频振荡，严重威胁着电力系统的安全。人工智能为电力系统低频振荡的控制提供了技术支持。神经网络、模糊理论、GA等人工智能技术应用于FACTS控制器和自适应PSS的研究，为抑制电力系统低频振荡提供了新的手段。

3、人工智能在电力系统中存在的前景

作为一门交叉学科，人工智能将随着其他理论的发展而进入新的发展阶段。应用新方法解决问题，或促进各种方法的融合，保持简单的数学模型和全局寻优情况下，寻求到更少的运算量，提高算法效率，将是未来发展的趋势。

随着电力系统的发展，电力系统的复杂性不断增加，不确定因素越来越多。随着人工智能技术的不断发展和提高，利用人工智能技术来解决电力系统的问题将会受到越来越多的重视。

4、结语

随着我国电力系统的持续稳步发展，电力系统数据量不断增加，管理上复杂程度大幅度增长，市场竞争的加大，为人工智能技术在电力系统的应用提供了广阔前景。

但人工智能技术的基本理论还不成熟，只是停留在仿真和实验阶段。人工智能的开发是一个长期的过程，需要不断改进和完善，并在实际应用中接受检验。

参考文献：

[1] 马少平,朱小燕. 人工智能[M]．北京：清华大学出版社，2004

第9篇：人工神经网络优势范文

【关键词】系统辨识 神经网络 遗传算法 模糊逻辑

一、引言

系统辨识属于现代控制工程范畴，是以研究建立一个系统的数学模型的技术方法。分析法和实验法是主要的数学模型建立方法。系统辨是一种实验建立数学模型的方法，可实时建模，满足不同模型建立的需求。L.A.Zadeh于1962年提出系统辨识的定义：在输入、输出的基础上，确定一个在一定条件下与所观测系统相等的系统。系统辨识技术主要由系统的结构辨识和系统的参数估计两部分组成。

系统的数学表达式的形式称之为系统的结构。对SISO系统而言，系统的阶次为系统的机构；对多变量线性系统而言，模型结构就是系统的能控性结构指数或能观性结构指数 。但实际应用中难以找到与现有系统等价的模型。因此，系统辨识从实际的角度看是选择一个最好的能拟合实际系统输入输出特性的模型。

本文介绍一些新型的系统辨识方法，体现新型方法的优势，最后得出结论。

二、基于神经网络的非线性系统辨识方法

近年来，人工神经网络得到了广泛的应用，尤其是在模式识别、机器学习、智能计算和数据挖掘方面。人工神经网络具有较好的非线性计算能力、并行计算处理能力和自适应能力，这为非线性系统的辨识提供了新的解决方法。

结合神经网络的系统辨识法被用于各领域的研究，并不断提出改进型方法，取得了较好的进展。如刘通等人使用了径向基函数神经网络对伺服电机进行了辨识，使用了梯度下降方法进行训练，确定系统参数；张济民等人对摆式列车倾摆控制系统进行了改进，使用BP神经对倾摆控制系统进行辨识；崔文峰等人将最小二乘法与传统人工神经网络结合，改善了移动机器人CyCab的运行系统。

与传统的系统识别方法相比较，人工神经网络具有较多优点：

（一）使用神经元之间相连接的权值使得系统的输出可以逐渐进行调整；

（二）可以辨识非线性系统，这种辨识方法是通过神经网络自身来进行，无需编程；

（三）无需对系统建行数模，因为神经网络的参数已都反映在内部；

（四）神经网络的独立性强，它采用的学习算法是它收敛速度的唯一影响因素；

（五）神经网络也适用于在线计算机控制。

三、基于遗传算法的非线性系统辨识方法

遗传算法是一种新型的求解最优算法，它的思想来源于资源遗传学，结合了自然选择的优点与数学概率性算法，具有诸多优点，如全范围的搜索域、求取的解为全局最优和接受任意性质的函数，因此在各领域都有广泛的应用。

雷旭升等人[5]使用了遗传算法对小型无人飞行器的动力学模型进行高精度的构建，并对构建的系统进行了仿真，验证了系统的有效性；赵静等人[6]对人体能量代谢分析仪气体流量系统进行了模型建立，使用遗传算法解决了传统系统辨识方法辨识时产生的较大时延和误差较大的问题。

四、基于模糊理论的非线性系统辨识方法

近年来，模糊逻辑理论在非线性系统辨识领域中得到广泛的应用，用模糊集合理论，从系统输入和输出量测值来辨识系统的模糊模型，是系统辨识的有效途径。模型结构辨识和模型参数预计是模糊建模的主要内容。常用的模型是T-S模型，T-S模型具有计算速度快、结构模型易观、逼近力强等特点。

赵宏伟等人[7]提出了一种基于系统辨识的自适应网络模型，建立T-S推理模型系统，并应用于磨矿控制领域；李超顺等人[8]针对水轮机调节系统的复杂性、非线性和难以用明确数学模型表达的特点，建立了该系统的T-S模型，实现了模糊模型结构的自适应优化；叶剑斌[9]等人针对了现有算法中容易出现的维数灾难，同时将模糊语言理论和支持向量机的方法结合，提出了一种组合方法，提高了函数逼近的能力。此外，还有一些综合上述三种方法的组合型辨识的方法。

五、结语

近年来，系统辨识的方法得到了不断的发展，系统辨识已经成为了现代控制工程领域中十分重要的技术与研究方向。随着人工神经网络、模糊逻辑理论、遗传算法、人工智能理论的成熟发展，越来越多的新型非线性系统辨识方法被不断提出，且在实际工程应用中得到了有效性验证与较好的效果。但对于现实工程中结构复杂的各种系统难以找到一个统一的系统辨识方法，因此研究需要更多的新型非线性系统辨识方法去解决实际工程应用中出现的问题。对传统的系统辨识方法进行不断完善将是系统辨识未来的发展方向。

参考文献：

[1]王乐一，赵文. 系统辨识：新的模式、挑战及机遇[J].自动化学报，2013，39（9）：933-942.

[2]刘通.基于RBF神经网络的某交流伺服系统辨识研究[J].机械制造与自动化，2013，（2）：113-115.

[3]张济民，王开文，池茂儒.基于BP神经网络摆式列车倾摆控制系统的辨识[J] .机床与液压，2003，（5） ：33-35.

[4]崔文峰，史仪凯.移动机器人的键合图建模与参数辨识[J].机械科学与技术，2012，31（7） ：1062-1065.

[5]雷旭升，白浪.基于自适应遗传算法的小型无人旋翼机系统辨识方法[J].机器人，2011，33（5）：528-532.

[6] 赵静，郭巧，王萍.基于遗传算法的人体能量代谢分析系统辨识[J] .控制工程，2004，11（1）：17-19.

[7] 赵宏伟，齐一名，臧雪柏等.基于系统辨识与T―S模糊神经网络的磨矿分级控制[J].吉林大学学报：工学版，2011，41（1） ：171-175.