神经网络的优化方法精选(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神经网络的优化方法主题范文，仅供参考，欢迎阅读并收藏。

第1篇：神经网络的优化方法范文

关键词： 神经网络；模拟电路；故障智能诊断

Applications of Neural network in analog circuit fault intelligent diagnosis

Huang Qian1 ，Lu Li2

Nanchang institute of technology JiangXi NanChang 330029

Abstract： The article mainly describe development course of neural network simulation circuit and the common method of fault diagnosis of simulation power based on neural network at this stage， the focus analysised BP neural network fault dictionary method and the SOM neural network fault dictionary method and respective of calculation method， and basic thought， and technology difficulties analysis， discussed application problem of neural network method in in analog circuit fault intelligent diagnosis， last talk about development trend of simulation circuit neural network diagnosis method.

Keyword： Neural network；Analog circuits；Intelligent fault diagnosis

引 言

随着神经网络等人工智能技术的发展， 模拟电路故障诊断的研究又开辟了一条新路， 基于神经网络的模拟电路故障诊断方法已经成为新的研究热点。20世纪80年代末期起有学者研究将人工神经网络应用到模拟电路的故障诊断中，现阶段已经提出多种基于神经网络的模拟电路故障诊断方法，有些方法如BP（ Error Back Propagation Network）神经网络故障字典法已经能有效应用于滤波电路、模拟放大电路等非线性容差电路的故障诊断， 效果优于传统的故障字典法。

1神经网络故障字典法

神经网络故障字典法把模拟电路的故障诊断看成是一个分类问题， 利用神经网络的分类功能来诊断故障。在测前把神经网络训练成一部故障字典， 字典的信息蕴含在网络的连接权值中， 只要输入电路的测量特征， 就可以从其输出查出故障。

1.1 BP 神经网络故障字典法

BP 是一种多层网络误差反传学习算法。

1）初始化，随机给定各连接权[w]，[v]及阀值θi，rt。

（2）由给定的输入输出模式对计算隐层、输出层各单元输出

式中：bj为隐层第j个神经元实际输出；ct为输出层第t个神经元的实际输出；wij为输入层至隐层的连接权；vjt为隐层至输出层的连接权。

式中：dtk为输出层的校正误差；ejk为隐层的校正误差。

（3）计算新的连接权及阀值，计算公式如下：

（4）选取下一个输入模式对返回第2步反复训练直到网络设输出误差达到要求结束训练。

应用BP 神经网络故障字典法进行模拟电路故障诊断步骤如下：

（1）确定待测电路的故障集和状态特征参量， 采用电路仿真或实验的方法获取电路每一故障状态下的状态特征数据， 经筛选和归一化处理后构造训练样本集。设计BP 神经网络并进行训练。

（2）用训练样本集中的样本训练好网络， 即完成学习的过程。一般采用3 层BP 神经网络， 输入层节点数与电路状态特征参量的维数相同， 输出层节点数可与电路待测故障类别数相同，也可小于待测故障类别数， 隐层节点数则需按经验公式试凑。实际诊断时给被测电路加相同的测试激励， 将测得的实际状态特征参量输入到训练好的BP 神经网络， 则其输出即可指示相应的故障状态。

1.2 SOM神经网络故障字典法

SOM （Self - organizing Feature Map）神经网络是芬兰教授Kohonen于1981 年提出的一种自组织特征映射神经网络。这种自组织特征映射神经网络通过对输入模式的反复学习，使连接权矢量空间分布密度与输入模式的概率分布趋于一致， 即连接权矢量的空间分布密度能反映输入模式的统计特性。

SOM二维网络拓扑结构图

SOM 网络能对输入模式自动分类，通过输入模式的自组织学习， 在竞争层将分类结果表示出来。应用SOM 神经网络建立模拟电路故障诊断字典的具体步骤如下：

（1）确定电路的故障集和激励信号。通过仿真获取电路在每一故障状态下的状态特征向量， 并进行预处理得到训练样本数据。

（2） 确定SOM 网络结构。 SOM 网络只有输入层和输出层两层， 没有隐层，输入层的形式与BP 网络相同， 其结点数应与电路状态特征向量的维数相同。输出层即竞争层的神经元一般采用二维平面阵结构排列， 也可采用一维线阵或三维栅格阵的结构排列。采用一维线阵时， 输出层结点数可与电路的故障类别数相同。

（3）经过SOM 训练形成具有容差的故障字典。SOM 网络的学习算法可采用标准的Kohonen 算法。可以看出， SOM 网络法与BP 网络法构建故障字典的方法步骤完全相似，SOM 网络法一般适用于交流电路， 以电路响应的频域参量为状态特征，它能更有效地克服容差因素对故障定位的影响，SOM 网络法实际诊断时容易出现模糊故障集， 诊断过程要比BP网络法复杂。

1.2神经网络故障字典法难点

同经典的故障字典法相比， 神经网络故障字典法突出的优点是测后诊断速度快，实时性强，其原因是该方法利用了神经网络高度并行的信息处理能力。经典的故障字典法需要进行繁琐的模糊集分割处理， 且一般只能诊断硬故障。而神经网络故障字典法由于神经网络的泛化能力，可以诊断容差模拟电路， 而且对软故障情况也有很好的应用前景。应用该方法难点包括以下几个方面：

（1）神经网络的结构和参数等只能依据经验反复调试， 难以确定所设计的神经网络是最优的。

（2）数据预处理技术和训练样本集的筛选至关重要，神经网络故障字典法的诊断效果主要依赖于此。如何根据实际电路对原始数据进行预处理以突出故障特征信息及如何优选训练样本。

2 神经网络优化诊断法

传统的优化诊断法依据被测电路的解析关系， 按照一定的判据（目标函数） ， 估计出最有可能出现故障的元件。优化诊断法是一种测后模拟的逼近法， 可在较少的测量数据下诊断故障，避免元件的容差问题， 可以诊断软故障和多故障但传统优化诊断法存在一个复杂的重复过程， 需要多个优化过程和多次电路模拟， 测后计算量很大。

神经网络优化诊断法对传统方法进行改进， 利用Hopfield 神经网络的优化计算功能寻优， 克服了传统的优化诊断方法测后计算量大、实时性差的缺点。由于该方法最终是通过求解元件参数或参数增量来判定故障元件的。

神经网络优化诊断法的基本思想是将模拟电路的故障诊断方程转换为带约束条件的优化问题， 然后利用Hopfield 神经网络进行优化问题的求解。将优化问题映射到一种神经网络的特定组态上， 此组态相应于优化问题的可能解， 然后再构造一个适合于待优化问题的能量函数（对应于目标函数）， 当Hopfield 神经网络从某一初始状态沿着能量函数减小的方向运动， 其稳定平衡解即对应于优化问题的解。对于线性电阻电路， 可以以元件参数增量和可测节点电压变化量建立故障诊断方程， 该诊断方程通常为一组欠定方程。

应用Hopfield 神经网络求解此类带约束条件的优化问题的步骤如下：

（1）分析问题： 分析网络输出与问题的解相对应。

（2）构造网络能量函数： 将实际待解决优化问题的目标函数表达成能量函数的相应形式， 能量函数最小值对应问题最佳解。

（3）设计网络结构： 将能量函数与目标函数相比较， 求出能量函数中的权值和偏流。

（4）运行网络求出稳定平衡态： 由网络结构建立网络的电子线路， 运行该电子线路直至稳定， 所得稳态解即为优化问题所希望的解。

3 其它神经网络故障诊断法

ART （Adaptive Resonance Theory）神经网络故障诊断法。ART 神经网络是一种基于自适应共振理论ART的学习算法， 包括ART1 型、ART2 型和ART3 型三种结构形式。文献三中的作者探讨了一种采用ART1 型神经网络进行模拟电路故障诊断的方法，将电路的各种故障分出层次，并按一定特征给故障类型进行编码形成故障数据样本，将故障数据样本输入ART1型神经网络进行训练， 训练完成后该ART 网络即可用于诊断。ART最大的特点是既能识别已有的故障模式， 又能较好地诊断新发故障。基于神经网络的网络撕裂法。网络撕裂法是一种大规模模拟电路分层诊断的方法， 将网络撕裂法与神经网络故障字典法相结合就形成基于神经网络的网络撕裂法。

ART的基本思路是， 当电路网络分解到一定程度后， 电路子网络继续分解往往越来越困难， 这时可以引入神经网络故障字典法， 分别为每一电路子网络构建一个神经网络， 则电路子网络级的诊断采用神经网络故障字典实现。

与传统的网络撕裂法相比， 该方法测后工作量小， 诊断过程更加简单，诊断速度加快。基于神经网络求解非线性方程的模拟电路故障诊断方法。

4 模拟电路神经网络诊断法发展趋势

近年来， 一个值得重视的现象是神经网络与专家系统、模糊控制、遗传算法和小波分析等技术相结合应用于模拟电路的故障诊断领域的研究。如神经网络与模糊逻辑理论相结合， 即所谓的“模糊神经网络”用于模拟电路的故障诊断， 其基本思想是在BP 神经网络的输入层与输出层中间增加1到2 层模糊层构造模糊神经网络，利用神经网络处理低层感知数据， 利用模糊逻辑描述高层的逻辑框架，其对模拟电路软故障的诊断效果优于单一的神经网络分类器。又如小波分析与神经网络结合应用于模拟电路的故障诊断。

小波与神经网络的结合有以下两个途径：

（1） 辅助式结合， 比较典型的是利用小波分析对信号进行预处理， 然后用神经网络学习与判别。

（2）嵌套式结合， 即把小波变换的运算融入到神经网络中去， 其基本思想是用小波元代替了神经元，即激活函数为已定位的小波函数基， 通过仿射变换建立小波变换与神经网络的联接，小波神经网络由于把神经网络的自学习特性和小波的局部特性结合起来，具有自适应分辨性和良好的容错性。

参考文献

[1] 王显强.谈谈神经网络在模拟电路故障诊断中的应用问题[J]

电路技术.2012（06）

[2] 刘华.基于神经网络的模拟电路故障诊断方法研究[J]微电子学报.2010（03）

[3]董伟.谈ART1 型神经网络进行模拟电路故障诊断方式分析. [J]电路科技. 2012（05）

[4]王承. 基于神经网络的模拟电路故障诊断方案探究.[J]电路科技. 2013（06）

[5]张宇. 基于神经网络的模拟电路故障诊断方案探究.[J]计算机测量与控制. 2012（07）

[6]王承. 基于神经网络的模拟电路故障诊断方案探究.[J]电路故障. 2013（02）

[7]刘盛灿. 神经网络的模拟电路故障的应用.[J]电路科技. 2013（06）

[8] 万磊.神经网络在模拟电路故障诊断中的应用若干问题探讨[J]

电路技术.2011（08）

[9] 郭明强.神经网络在模拟电路故障诊断中的发展历程分析[J]电路技术.2013（08）

第2篇：神经网络的优化方法范文

安全评价的关键与基础是选取与确立评价的指标体系，它对评价的结果是否符合实际情况至关重要。化工企业安全评价指标体系应尽可能反映化工企业的主要特征和基本状况。评价过程中指标体系的要素组成非常关键，如果选取的要素太多，有可能使评价指标体系更加庞大和冗杂，从而增加评价的困难程度，甚至会使一些重要因素被忽略;如果指标因素太少，则难以较完整地反映被评价系统的客观实际情况。•33•通过查阅研究某大型炼油化工企业的相关文献和资料［4］，由人、机和环境3个方面构成的系统模型出发，把生产系统所有重要环节包含其中，从而建立出化工企业的安全评价指标体系如图1和表1至表4所示。

2化工企业的遗传神经网络安全评价模型

2．1遗传神经网络遗传算法优化神经网络的方法主要有2种:对神经网络的初始权值和阈值进行优化;对神经网络的结构进行优化［5］。本文在保持神经网络的结构不变的情况下，用遗传算法对BP神经网络初始权值和阈值进行优化。

2．2遗传神经网络评价模型遗传神经网络优化的数学模型［6］如下:本文构建的遗传神经网络模型的运行过程如下:(1)初始化BP神经网络。(2)把BP神经网络的全部权值与阈值实数编码，确定其长度l，确定其为遗传算法的初始种群个体。(3)设置遗传算法的相关参数以及终止条件，执行遗传算法;遗传算法包括对群体中个体适应度进行评价，执行选择、交叉、变异遗传操作，进化生成新的群体;反复操作至设定的进化代数，最终取得最佳染色体个体。(4)把最佳染色体个体解码，分解为BP网络对应的权值、阈值，输入训练样本，利用BP网络进行训练。(5)得到训练好的BP神经网络，则可输入实例样本进行评价。

3遗传神经网络评价模型在化工企业的应用

3．1学习样本的准备根据前文所确定的评价指标体系和对某大型炼油化工有限公司成氨分厂提供的空气分离、渣油气化、碳黑回收、一氧化碳变换、甲醇洗涤、液氮洗涤等工序的安全原始数据，参考文献中化工企业安全评价指标取值标准，进行分析和整理，得出11个实例样本，如表5所示。选择10个样本作为遗传神经网络的训练样本，1个样本作为测试样本。

3．2BP网络结构的确定BP网络拓扑结构一般是由网络层数、输入层节点数、隐含层节点数、隐含层数以及输出层节点数等来确定。本文建立的遗传神经网络模型是根据经验来确定神经网络的层数，一般选取BP神经网络的层数为3层［7］。通过化工企业安全评价指标的分析，得出BP神经网络输入层神经元数目为评价指标的总数12+6+8+5=31。模型最后输出的结果为综合安全评价结果，因此，神经网络的输出层节点数确定为1。隐含层中节点数的范围通过经验公式来确定，本文在其确定范围内选12。依据训练样本的规模，设定学习率为0．1，最大训练误差值设为10－5，循环学习次数为1000次。网络输出层为1个节点，即化工企业的安全评价结果。化工企业安全等级一般分为5级［7］，如表6所示。

3．3遗传算法优化遗传算法中，参数设定如下:种群规模设为300，交叉概率设为0．7，进化代数设为100，变异率设为0．05。本文运用MATLAB软件中的遗传算法工具箱gads，在GUI操作界面中输入以上参数，并输入适应度函数，对神经网络的权阈值进行优化。经过遗传操作后，运行遗传算法工具箱，则可得出最佳适应度曲线图和最佳个体图(图2)，得到最佳适应度个体，将其进行解码，作为该网络的初始权值和阈值赋给BP神经网络。

3．4GA－BP神经网络训练在MATLAB界面中编程语言，得到输出向量和网络均方差变化图。训练结果与期望输出见表7，BP网络训练过程如图3所示。从训练结果可以看出，该网络的误差值不超过10－5，满足设定要求。用该网络对实例样本进行安全评价，得到结果为3．9956，对照安全评价输出结果等级表为较安全，与目标值吻合。从而训练后的网络稳定性得到验证，可以用于化工企业安全评价。

4结论

第3篇：神经网络的优化方法范文

【关键词】遗传算法；BP神经网络；柴油机；故障诊断

柴油机缸盖振动信号中包含着丰富的工作状态信息，在对其现代诊断技术中，基于振动信号分析的诊断方法显示出了其优越性，利用缸盖振动信号诊断柴油机故障是一种有效方法。故障特征的提取和故障类型的识别是利用振动信号分析法在对柴油机进行故障诊断过程中两个最为重要的过程。根据提取的故障特征识别柴油机的故障类型是一个典型的模式识别问题，对柴油机故障类型识别采用恰当的模式识别方法就尤为重要。神经网络作为一种自适应的模式识别技术，其通过自身的学习机制自动形成所要求的决策区域，而不需要预先给出有关模式的经验知识和判断函数；它可以充分利用状态信息，对来自于不同状态的信息逐一进行训练而获得某种映射关系。鉴于其自身特性，在故障模式识别领域中有着越来越广泛的应用。而据统计，有80%～90%的神经网络模型都是采用了BP网络或者是它的变形。BP网络是前向网络的核心部分，是神经网络中最精华、最完美的部分。但是它也存在一些缺陷，例如学习收敛速度、不能保证收敛到全局最小点、网络结构不易确定。遗传算法是一种基于生物自然选择与遗传机理的随机搜索算法。其基本操作是选择、交叉和变异，核心内容是参数编码、初始群体的设定、适应度函数的设计、遗传操作设计和控制参数的设定。遗传算法通过种群随机搜索，对数据进行并行处理，将结果收敛到全局最优解。因此，将遗传算法与BP神经网络结合应用于柴油机故障诊断中，可以提高网络的性能，避免网络陷入局部极小解，进而实现对设备故障的识别。

1 BP神经网络

1.1 BP神经元模型在柴油机故障诊断中的应用

BP神经网络是一种多层前馈型神经网络，其神经元的传递是S型函数，输出量为0至1之间的连续量，它可以实现从输入到输出的任意非线性映射。由于权值的调整采用反向传播学习算法，因此也称为其为BP网络。

图1 BP神经元模型

上图给出一个基本的BP神经元模型，它具有R个输入，每个输入都通过一个适当的权值和ω下一层相连，网络输入可表示为：

a=f（wp+b）

f就是表示输入/输出关系的传递函数。

BP神经网络的结构与所有影响齿轮故障的特征因素有关。柴油机运动部件多而复杂，激励源众多且其频率范围宽广，加之噪声的融入，使得柴油机表面振动信号极为复杂。基于这种特点，可以确定用于柴油机故障诊断的BP神经网络的输入层、输出层隐含层以及节点数等。由小波包提取各柴油机故障的特征值作为输入节点，输出节点数目与柴油机故障类别的数目有关。

1.2 BP神经网络与遗传算法

BP神经网络又称为反向传播算法，其算法数学意义明确、步骤分明，是神经网络中最为常用、最有效、最活跃的一种网络模型。常用方法梯度下降法和动量法，但是梯度下降法训练速度较慢，效率比较低，训练易陷入瘫痪，而且其实质是单点搜索算法，不具有全局搜索能力；动量法因为学习率的提高通常比单纯的梯度下降法要快一些，但在实际应用中速度还是不够；BP神经网络学习训练开始时网络的结构参数是随机给定的，因此结果存在一定的随机性。

遗传算法（Genetic Algorithm，GA）是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型，它是由美国密歇根大学的J.Holland 教授于1975年首先提出来的，遗传算法具有很强的宏观搜索能力和良好的全局优化性能，因此将遗传算法与BP神经网络结合，训练时先用遗传算法对神经网络的权值进行寻找，将搜索范围缩小后，再利用BP网络来进行精确求解，可以达到全局寻找和快速高效的目的，并且可以避免局部极小点问题。该算法不仅具有全局搜索能力，而且提高了局部搜索能力，从而增强了在搜索过程中自动获取和积累搜索空间知识及自应用地控制搜索的能力，从而使结果的性质得以极大的改善。

2 基于遗传算法的BP神经网络

遗传算法优化BP神经网络主要分为：BP神经网络结构确定、遗传算法优化权值和阀值、BP神经网络训练及预测。其中，BP神经网络的拓扑结构是根据样本的输入/输出个数确定的，这样就可以确定遗传算法优化参数的个数，从而确定种群个体的编码长度。因为遗传算法优化参数是BP神经网络的初始权值和阀值，只要网络结构已知，权值和阀值的个数就已知了。神经网络的权值和阀值一般是通过随机初始化为[-0.5，0.5]区间的随机数，这个初始化参数对网络训练的影响很大，但是又无法准确获得，对于相同的初始权重值和阀值，网络的训练结果是一样的，引入遗传算法就是为了优化出最佳的初始权值和阀值。

2.1 基于遗传算法的BP神经网络在柴油机故障诊断中的应用

通过基于遗传算法的BP神经网络建立小波包特征量与故障之间的对应关系。表1为柴油机常见故障在不同频段的能量分布，构成了人工神经网络的训练样本。表2为网络输出样本，“0”代表没有故障，“1”代表发生故障。利用表1中的训练样本对基于遗传算法的BP神经网络进行训练，经1000次训练达到了理想训练效果。

表1 训练样本

表2 网络理想输出

表3 待诊断的故障样本

表4 诊断结果

将表3中的待诊断的故障样本输入到已经训练好的BP神经网络，得到诊断结果如表4所示。第1组待诊断的信号第1个输出节点接近1，可以根据训练样本结果判断该组数据故障为供油提前角晚；第2组待诊断的信号第4个输出节点接近1，根据训练样本结果可以判断该组数据故障类型为供油提前角早；第3组待诊断的信号第7个数据节点接近1 ，可以判断故障类型为针阀卡死，其诊断结果和现场勘查结果一致。

3 结语

遗传算法优化BP神经网络的目的是通过遗传算法得到更好的网络初始值和阀值。通过以上研究可以看出，遗传算法和BP算法有机的融合，可以有效地弥补BP神经网络结构、权值和阀值选择上的随机性缺陷，充分利用了遗传算法的全局搜索能力和BP神经网络的局部搜索能力，克服了传统的BP神经网络柴油机故障诊断的缺点，提高了柴油机故障诊断的精度。

【参考文献】

第4篇：神经网络的优化方法范文

（四川信息职业技术学院，四川广元628017）

摘要：考虑到传统BP神经网络在进行P2P流量识别时，具有系统识别速度慢、精度低，神经网络自身容易陷入局部最小值等问题，使用遗传算法对BP神经网络进行优化。遗传算法具有较强的自适应性和鲁棒性，因此使用遗传算法对BP神经网络的权值和阈值进行优化处理，能够有效提高神经网络的性能。建立基于遗传神经网络的识别系统，采集处理大量样本数据，对识别系统进行训练和测试。研究结果表明，基于遗传神经网络的P2P流量识别系统具有识别精度高、识别速度快等优点，相比传统BP神经网络，其识别性能有明显提高。

关键词 ：遗传算法；P2P；流量识别；BP神经网络

中图分类号：TN711?34；TP393 文献标识码：A 文章编号：1004?373X（2015）17?0117?04

随着计算机科学技术的不断发展与进步，P2P技术已经广泛应用于网络视频音频多媒体播放、网络文件共享以及数据传输等领域，P2P技术不断吸引了越来越多的网络用户、网络应用服务开发者以及提供商的目光，各种各样的基于P2P技术的网络应用和服务不断涌现，为人们在网络中提供了便利。然而，随着人们享受着P2P技术带来的各种便利的同时，P2P技术的各种负面效应也随之而来。目前P2P应用存在对网络流量消耗巨大，监管难度大，以及易于网络病毒传播，为网络带来安全隐患等问题。因此，对P2P流量的精确识别和监测成为了对P2P技术研究的重中之重[1?5]。

1 P2P 流量识别技术

1.1 典型P2P流量识别技术

典型的P2P流量识别技术主要有：基于端口的识别技术、基于深层数据包的识别技术以及基于流量变化特征的识别技术。

基于端口的识别技术是一种应用最早的识别技术，其主要根据早期P2P应用的固定端口进行识别，具有算法简便，易于实现等优点，但是对于现如今复杂的网络环境，此种技术已经不再适用[6?7]。

基于深层数据包的识别技术往往因为存在识别滞后、隐私保护以及算法复杂等缺点而得不到广泛普及应用。

基于流量变化特征的识别技术通过对P2P流量数据进行采集，通过处理数据得到数据流的统计特征，使用统计特征作为机器学习的训练样本，得到经过训练的识别系统。此识别技术具有算法简便、效率高等优点[8?9]。

1.2 基于神经网络的P2P流量识别技术

BP 神经网络是一种有督导的智能机器学习算法，已经在机械、计算机、通信等领域得到了广泛应用，其技术发展已经相对成熟。将BP神经网络用于对P2P流量的识别是一种可行有效的识别技术和手段。

然而将BP神经网络算法用于P2P流量识别虽然克服了传统识别方法存在的诸多问题，但是由于算法自身特性也随之带来了新的问题。

BP神经网络实际上是梯度下降算法的一种迭代学习方法。由于梯度下降算法要求具有较小的学习速度时才能进行稳定的学习，因此其收敛速度较慢。并且，由于BP神经网络在进行训练时，会在某点沿着误差斜面而渐进误差极值，不同的起点会得到不同的误差极值和不同的解。因此传统BP神经网络具有学习速度慢、抗干扰能力弱以及容易陷入局部最小值等缺点[10?11]。

2 BP 神经网络和遗传神经网络

2.1 BP神经网络

BP神经网络结构如图1所示。通常由输入层、输出层和隐含层组成。

4 结论

本文对P2P 流量识别技术进行了深入研究。P2P技术在网络中已经得到了广泛应用，其流量在网络总流量中占有重要地位，因此对其流量进行实时监测识别具有重要意义。本文对P2P流量识别技术进行了分析，对使用比较广泛的BP神经网络模型进行了深入研究，并针对其缺点，使用遗传算法进行优化，建立基于遗传神经网络的P2P流量识别模型。通过实验采集大量网络训练样本和测试样本，对建立的识别系统进行测试。测试结果表明，基于遗传算法的神经网络的识别速度和识别精度要高于BP神经网络，具有较高的工程应用价值。

参考文献

[1] 谭红春，杨松涛，阚红星.校园网P2P 流量综合检测技术研究[J].长沙大学学报，2015（2）：70?72.

[2] 刘兴光.一种混合式BT流量实时检测方法[J].网络安全技术与应用，2014（3）：53?55.

[3] 汤伟.基于数据流特征向量识别的P2P 僵尸网络检测方法研究[D].青岛：中国海洋大学，2014.

[4] 席鹏.基于距离判决算法的P2P流量识别模型研究[D].昆明：云南大学，2013.

[5] 邓力为.基于遗传神经网络的P2P流量检测研究[D].成都：电子科技大学，2013.

[6] 张龙璨.基于粒子群优化半监督学习的网络流量分类方法研究[D].武汉：华中科技大学，2013.

[7] 张瀚.基于DPI技术的P2P流量检测系统设计[D].北京：北京邮电大学，2013.

[8] 马容生.基于自适应神经网络的P2P流量检测研究[J].通信技术，2012（6）：113?116.

[9] 张瀚，朱洪亮，辛阳.基于DPI 技术的P2P 流量检测系统设计[J].信息网络安全，2012（10）：36?40.

[10] 张小敏.基于DPI的P2P流量识别方法研究[D].南京：南京邮电大学，2012.

[11] 周雪莲.P2P流量应用层实时检测技术研究[D].长春：吉林大学，2012.

[12] 贺毅朝，宋建民，张敬敏，等.利用遗传算法求解静态与动态背包问题的研究[J].计算机应用研究，2015（4）：1011?1015.

[13] 王晓瑜，原思聪，李曼.基于自适应蚁群遗传混合算法的PID参数优化[J].计算机应用研究，2015（5）：1376?1378.

[14] 刘奕君，赵强，郝文利.基于遗传算法优化BP 神经网络的瓦斯浓度预测研究[J].矿业安全与环保，2015，42（2）：56?60.

[15] 吴连平，杨晓翔.基于神经网络与遗传算法的关节轴承挤压模具优化[J].中国机械工程，2015，26（10）：1351?1355.

[16] 李麟青，杨哲，朱艳琴.一种混合式BitTorrent流量检测方法[J].计算机应用，2011，31（12）：3210?3214.

第5篇：神经网络的优化方法范文

关键词:神经网络;BP算法;PID控制;Matlab仿真

中图分类号:TP274文献标识码:A

文章编号:1004-373X(2009)10-143-03

PID Control and Simulation Based on BP Neural Network

WU Wei,YAN Mengyun,WEI Hangxin

(School of Mechanical Engineering,Xi′an Shiyou University,Xi′an,710065,China)

Abstract:The neural network PID control method is introduced,which the parameters of PID controller is adjusted by use of the self-study ability.So the PID controller has the capability of self-adaptation.The dynamic BP algorithms of three-layer networks realize the online real-time control,which displays the robustness of the PID control,and the capability of BP neural networks to deal with nonlinear and uncertain system.A simulation example is made by using of this method.The result of simulation shows that the neural network PID controller is better than the conventional PID controller,and has higher accuracy and stronger adaptability,it can get the satisfied control result.

Keywords:neural network;BP algorithm;PID control;Matlab simulation

0 引 言

在工业控制中,PID控制是最常用的方法。因为PID控制器结构简单,实现容易,控制效果良好[1]。随着工业的发展,对象的复杂程度不断加深,尤其对于大滞后、时变的、非线性的复杂系统,常规PID控制显得无能为力。因此常规PID控制的应用受到很大的限制和挑战。为了使控制器具有较好的自适应性,实现控制器参数的自动调整,可以采用神经网络控制的方法[2]。

利用神经网络所具有的非线性映射能力、自学习能力、概括推广能力,结合常规PID控制理论,通过吸收两者的优势,使系统具有自适应性,可自动调节控制参数,适应被控过程的变化,提高控制性能和可靠性[3]。

1 神经网络PID控制

神经网络PID控制是神经网络应用于PID控制并与传统PID控制相结合而产生的一种新型控制方法,是对传统的PID控制的一种改进和优化[4]。

1.1 常规的PID控制器

传统的PID控制器算式如下:

u(t)=KP[e(t)+(1/T1)∫t0e(t)dt+TDde(t)/dt](1)

相应的离散算式为:

u(k)=KPe(k)+KI∑kj=0e(j)+KD[e(k)-e(k-1)](2)

式中: KP,KI,KD分别为比例、积分、微分系数;e(k)为第k次采样的输入偏差值;u(k)为第k次采样时刻的输出值。

PID控制器由比例(P)、积分(I)、微分(D)三个部分组成,直接对被控对象进行闭环控制,并且三个参数KP,KI,KD为在线调整方式。

1.2 神经网络

BP神经网络的结构如图1所示。

BP神经网络通常采用基于BP神经元的多层前向神经网络的结构形式。典型的BP神经网络是3层网络,包括输入层、隐层和输出层,各层之间实行全连接。输入层节点只是传递输入信号到隐含层;隐含层神经元(即BP节点)的传递函数f常取可微的单调递增函数,输出层神经元的特性决定了整个网络的输出特性。当最后一层神经元采用Sigmoid函数时,整个网络的输出被限制在一个较小的范围内;如果最后一层神经元采用Purelin型函数,则整个网络的输出可以取任意值。

图1 三层BP网络结构图

设,x1,x2,…,xn为BP网络的输入;y1,y2,…,yn为BP网络的输出;w1ji为输入层到隐含层的连接权值;w2ij为隐含层到输出层的连接权值。

图1中各参数之间的关系为:

输入层: xi=xi0

隐含层:

θ1j=∑ni=0w1jixi, x1j=f(θ1j)(3)

输出层:

θ2i=∑ni=0w2ijxj, x2i=g(θ2i)(4)

BP神经网络采用误差的反向传播来修正权值,使性能指标E(k)=(1/2)\2最小。按照梯度下降法修正网络的权值:

输出层:

δ2=e(k)g′\;

w2ij(k+1)=w2ij(k)+ηδ2x1j(k)(5)

隐含层:

δ1=δ2w2ijf′\;

w1ji(k+1)=w1ji(k)+ηδ1x0i(k)(6)

1.3 神经网络PID控制器结构

基于BP神经网络的PID控制系统结构如图2所示。控制器由常规的PID控制器和神经网络两部分组成。PID控制要取得较好的控制效果,必须通过调整好比例、积分和微分三种控制作用,形成控制量中相互配合又相互制约的关系。

常规的PID控制器直接对被控对象进行闭环控制,并且其控制参数为KP,KI,KD在线调整方式。神经网络根据系统的运行状态,调节PID控制器的参数,以期达到某种性能指标的最优化,使输出层神经元的输出对应于PID控制器的三个可调参数KP,KI,KD。神经网络所具有的任意非线性表达能力,可以通过对系统性能的学习来实现具有最佳组合的PID控制。

图2 基于BP神经网络的PID控制器结构

1.4 神经网络PID控制器的控制算法

(1) 确定神经网络的结构,即确定输人节点数和隐含层节点数,并给出各层加权系数的初值w(1)ij(0)和w(2)ji(0),并选定学习速率η和惯性系数α,令k=1;

(2) 采样得到r(k)和y(k),计算当前时刻的误差e(k)=r(k)-y(k);

(3) 计算各神经网络的输入/输出,其输出层的输出即为PID控制器的三个控制参数KP,KI,KD;

(4) 计算PID控制器的输出;

(5) 进行神经网络学习,在线调整加权系数,实现PID控制参数的自适应调整;

(6) 令k=k+1,返回(1)。

2 神经网络的Matlab仿真

为了检验神经网络PID控制系统的能力,在此进行大量的仿真实验。下面以一阶时滞系统作为被控对象,进行仿真实验。

设被控对象为:

G(s)=160s+1e-0.5s

相应的控制系统的阶跃响应曲线如图3、图4所示。

图3 普通PID控制阶跃响应

可以看出,采用传统的PID控制,其调节时间ts=120 s,超调量达到65%;采用神经网络PID控制,系统调节时间ts=120,超调量只有20%。由此说明,后者响应的快速性和平稳性都比前者要好,也说明了这种方法的有效性。

图4 神经网络PID控制阶跃响应

3 结 语

神经网络PID控制方法简单,借助神经网络的自学习、自组织能力,可实现PID参数的在线自整定和优化,避免了人工整定PID参数的繁琐工作。从文中可以得出,神经网络PID控制有如下的优点:

(1) 无需建立被控系统的数学模型;

(2) 控制器的参数整定方便;

(3)对于大滞后、时变的、非线性的复杂系统有很好的动静态特性。实现有效控制和PID控制参数的在线自整定。

参考文献

[1]刘金琨.先进PID控制及Matlab仿真[M].北京:电子工业出版社,2003.

[2]韩豫萍,孙涛,盛新.基于BP神经网络的PID控制及仿真[J].可编程控制器与工厂自动化,2007(12):91-93.

[3]黄金燕,葛化敏,唐明军.基于BP神经网络的PID控制方法的研究[J].微计算机信息,2006(26):278-280.

[4]曾军,方厚辉.神经网络PID控制及其Matlab仿真[J].现代电子技术,2004,27(2):51-52.

[5]赵娟平.神经网络PID控制策略及其Matlab仿真研究[J].微计算机信息,2007(7):59-60.

[6]Zhang Mingguang,Qiang Minghui.Study of PID Neural Network Control for Nonlinear System[J].Institute of Electrical and Electronics Engineers Inc,2007.

[7]孙洁.神经网络PID算法在流量控制中的应用与仿真研究[D].合肥:合肥工业大学,2007.

[8]王亚斌.基于BP神经网络PID控制及其仿真[J].江苏冶金,2008(2):33-35.

[9]廖方方,肖建.基于BP神经网络PID参数自整定的研究\.系统仿真学报,2005(7):1 711-1 713.

第6篇：神经网络的优化方法范文

关键词:RBF神经网络;训练方法;函数逼近

中图分类号:TP183文献标识码:A

1引言

RBF神经网络是近几年提出的一种新型的前向网络｡与应用广泛的BP网络相比,RBF神经网络不仅具有在任意精度下逼近任意非线性映射的能力,而且可以达到最佳逼近精度[1][2]｡RBF神经网络结构上具有输出-权值线性关系,训练速度快,这些优点给RBF神经网络的应用奠定了良好的基础｡但是,由于RBF神经网络本质上是一种局部网络,要得到良好的逼近性能,一般要增加隐节点数目,这无疑是以牺牲网络的计算速度作为代价｡本文提出了一种新型的广义RBF神经网络模型,将径向基输出权值改为权函数,采用高次函数取代了线性加权,从而大大改善了网络性能｡

2广义RBF神经网络模型

不失一般性,考虑多输入单输出归一化形式的广义模糊RBF神经网络,广义RBF神经网络结构如图1所示｡网络共分四层｡定义以下参数:式中,Ψk为径向基函数,一般取高斯函数｡

第二层:对基函数输出值进行加权｡

第三层:归一化处理｡

第四层:计算总输出｡

当fk(x)时,其作用类似于常规RBF神经网络的输出层权值｡随着fk(x)的不同,输出将不单纯是各基函数节点输出的超平面,也可能是超曲面｡与一般的RBF神经网络比较,这种结构主要是将径向基输出权值改为权函数,可采用高次函数取代线性加权,从而改善网络性能｡详细的分析见后文的实例仿真｡

如果基函数具有相同的指数和宽度,也就是说当lk1=lk2=…=lkn=2且σk1=σk2=…=σkn=σk时,广义RBF神经网络退化为常规的RBF神经网络,可见常规的RBF神经网络是广义RBF神经网络的特例｡计算技术与自动化2007年3月第26卷第1期党开放等:一种新型的广义RBF神经网络及其训练方法

3广义RBF神经网络的学习算法

广义RBF神经网络比单纯的RBF神经网络具有更多的参数,其学习相对来说就会更为复杂｡总的说来,学习方法有两种:第1种方法是全调节的,类似于BP网络的反向递推,也就是说按照使得代价函数(通常取误差平方和)最小的原则,调整所有的参数,本质上是一个非线性优化问题｡第2种方法,采用模糊聚类和专家知识预先优化网络前几层的参数,包括隐节点数目N､中心向量Ck､宽度σk,指数lk等,而以最小二乘方法在线优化fk(x),k=1,2,…,N｡第一种方法收敛速度慢,可能存在局部极值,只能够离线进行,可以应用于模式识别等领域;第二种方法计算量小,可以在线调节,适合于控制系统等对于实时性要求高的场合,但是一般需要系统的专家知识｡本文介绍第2种方法｡

广义RBF神经网络按照如下步骤进行学习:

1) 确定合适的网络隐节点数｡增加网络的隐节点数目,可以提高网络逼近精度,但同时增加了网络的学习时间｡一般初始时选取比较少的网络隐节点数目｡

2) 根据网络隐节点数选取合理的φk(x)参数,包括中心参数ck和宽度参数σk｡

3) 取vk=1,确定fk(x)的参数｡在下文中,给出了2维输入网络fk(x)参数的计算方法,多维参数的推导类似｡

4) 考核误差,如果小于设定误差,则训练结束;否则回到1) 增加网络隐节点数目,重复上 述步骤｡

在以上步骤中,最关键的是网络输出层权函数参数的调整,下文着重讨论｡

4广义RBF神经网络输出层权函数参数的调整

以x为二维向量(x1,x2)的情况进行分析｡

权值调整的目的是使得网络的输出能够满足误差平方和

最小,即E=min,下面分为三种情况进行讨论｡

a.fk(x)为常数项的情况

此时,fk(x)=wk,相应的误差平方和为

对权值求偏导数,可以得到以下N元一次方程组

b.fk(x)为网络输入1次幂函数的情况

此时,fk(x)=wk0+wk1x1+w k2,x2,相应的误差平方和为

若使上式最小,可以得到以下3N组方程

c.fk(x为网络输入2次幂函数的情况

此时,,相应的误差平方和为

推导过程与前类似,此处从略｡

由以上可以看出,fk(x)取为网络输入的高 次多项式,使得网络具有更加优良的 逼近性能的同时,保留了输出层权值的线性性质,从而可以采用最小二乘等方法优化权值｡

5参数选取对网络性能的影响

取期望函数为yd=sin(πx1)cos(πx2)x1∈[-1,1],x2∈[-1,1](15)考查广义RBF神经网络的函数逼近能力｡1) φk(x)函数参数σ对仿真结果的影响设φk(x)中心在参数空间内均匀分布｡由于参数空间的范围相同(都为2),且训练点取n2个(n=2,3,4),因此φk(x)中心的间隔在区间[x1,x2]也都相同,为Δx=2/(n-1)｡记相对宽度为ne,则有ne=σ/Δx｡图2给出了ne对系统输出误差的影响曲线,误差都采用441组非训练点进行计算｡从图中可以看出ne取值范围为0.6~1.8(即σ取0.6Δx~1.8Δx)时,网络输出误差比较小｡

2)fk(x)幂次对仿真结果的影响

图3为采用隐节点数目为9的网络,121组训练数据,φk(x)函数中心均匀分布,σ=1.2时得到的网络输出 曲面和误差曲面,其中误差曲面采用441组非训练点计算｡从图中可以看出,在网络隐节点数目相同的情况下,随着fk(x)幂次的升高,网络的逼近性能越好｡

图2参数σ对误差的影响

表1为采用不同幂次和不同隐节点数目时的网络训练时间和网络输出误差对比｡网络隐节点数为N,网络训练时间复杂度为O(N3)｡从表中可以看出,在隐节点数目相同时,随fk(x)幂次的增高,训练时间略有增加｡在fk(x)为2次幂函数时,网络取9个隐节点时的网络输出误差和fk(x)为1次幂函数时,网络取16个隐节点时的网络输出误差以及fk(x)为0次幂函数时,网络取64个隐节点时的网络输出误差相当,但是计算时间大大减少｡可见,提高fk(x)幂次,可减少网络隐节点数,缩短网络训练时间｡表1不同幂次和隐节点数时的网络输出误差幂次隐节点数目计算时间(ms)

6结论

第7篇：神经网络的优化方法范文

关键词：神经网络 化工过程 人工智能

中图分类号：TM835 文献标识码：A 文章编号：1007-9416（2016）12-0024-01

大量的处理单元就如同神经单元一样，经过一系列的排列组合构成了复杂的神经网络系统，广泛应用于复杂信息处理、机器视觉、智能化控制等方面。仿生学的设计和智能化软件的设计，使得神经网络系统具有自动处理数据、自动组织、自动学习，使得化工过程控制具有高精度、高安全系数、智能化的特点。化工生产是一个复杂的生产过程，其中涉及的设备多，涉及的工艺复杂，控制难度高，如何促进化工生产的过程控制，从而实现科学管理、优化生产、提高生产率的目的。设备的多样、工艺的复杂、流程复杂等一系列的因素，使得神元或者是多个单元实现智能化控制，既能收集生产过程产生的数据，而且也能对这些数据进行处理，达到监测生产环境、监控生产过程、实时优化生产的目的。

1 神经网络技术的基本理论和基本结构

神经网络技术的发展是建立在对人脑神经系统的构成和作用机制认识的基础上，神经单元构成了庞大的神经系统，神经单元接受信息并传递信息，神经中枢处理信息并反馈信息。神经网络技术模拟神经系统处理单元类似于神经单元，计算机控制系统相当于神经中枢，分析数据、处理数据、输出结果。计算机技术的发展、传感器的应用，为神经网络的发展提供了基础。神经网络包括一个输入层和输出层，若干的隐含层。输入层的作用是接受外部信息并传递信息；输出层的作用是接受输入层传递的信息，处理信息并反馈信息；隐含层的作用是将输入层的信息进行组合，预处理。信息的接受、传递、处理和反馈一系列的过程使神经网络发挥作用的过程。

由于处理单元的应用，使得神经网络系统是一种自学习、自处理、自组织的智能化系统。神经系统的运行类似于人学习的过程，由简单到复杂，不断的修正节点的连接方式，直到输出满意的结果和符合实际应用。神经网络系统是建立在数学模型的基础上，利用数学建模搭建神经网络节点，建模主要有M-P模型、BP模型、RBF模型等。根据外部参数的不同和应用的目的，采用不同的函数，如可逆函数、线性函数、非线性函数、S函数等等，建立数学模型，输入参数，不断的优化模型，优化的过程使神经网络系统自学的过程。神经网络训练算法与模型的设置有关，如BP模型采取反传处理误差的训练算法，优化算法，达到优化模型的目的，使建立的模型更加符合实际应用情况。

2 神经网络在化工过程控制中的应用

神经网络具有很强的信息处理能力、自学习能力、自组织能力。根据输出的信息，可以建立信息之间的关系和处理多余的信息，简化生产过程中的信息，检测生产环境，监控生产，达到最优化的生产过程。神经网络覆盖生产过程中的所有要考虑的因素，因此神经网络的应用也覆盖化工过程控制的方方面面。

化工生产涉及的环节多种多样，当某一环节发生故障，若处理不及时，将使这一环节瘫痪甚至使整个生产过程瘫痪，造成重大安全事故。高效、实时、预测的检测和诊断故障的系统是化工过程控制中安全、高效生产的保障。美国的科学家首次提出将神经网络技术用于化工过程控制中，用于检测、诊断、预警故障。神经网络系统是一种仿生系统，具有思维、意识和学习能力的动力学系统，能够处理复杂的事物和环境，根据实际生产过程不断校正系统，实时监测参数的变化，对故障进行诊断和报警。目前主流的故障诊断的神经网络系统有：反传动态经网络控制系统、自适应神经网络控制系统和RBF神经网络控制系统。

神经网络技术主要靠传感器接受外部信息，大量传感器的应用，有利于智能化控制生产过程。化工过程的控制主要是对生产过程中的机器控制，生产过程涉及的机器种类繁多，同时维持安全、高效率阶段比较困难。神经网络系统自动控制机器生产，控制生产参数和生产流程，最优化生产过程控制和安全化控制，实时跟踪控制生产。控制主要有两种基本的方法，一种数学建模，将对象的目标信息作为标准，经过不断的训练和反馈，修正误差，化模型，优化控制模式；另外一种是控制器设置，如PID控制器，实现实时控制，不仅对精确知识进行处理，而且对模糊信息也能进行处理。国内外都已经有成熟的化工过程控制中的神经网络系统，如对乙酸乙烯酯聚合成乳液过程的实时控制，氯气生产过程的故障预报神经网络系统。

3 总结

神经网络技术是21世纪最重要的技术之一，化工过程控制是化工生产的安全保障。化工过程控制应用神经网络技术，有利于提高控制的安全系数，提高生产效率，有利于智能化管理，提高管理水平，有利于整个社会生产力水平的提高和社会智能化发展。化工过程控制采取神经网络技术，有利于工业技术的创新和改善工人工作环境，保障工人人身安全。

参考文献

第8篇：神经网络的优化方法范文

[关键词]神经网络、网络安全评价、网络安全

中图分类号：TP183 文献标识码：A 文章编号：1009-914X（2015）13-0301-01

引言

对于计算机网络安全评价中，优化计算机网络安全评价方法，应用神经网络，发挥非线性安全评价能力，提升计算机网络安全评价速度，有助于提高网络安全评价的精度。以下对此做具体分析。

1、网络安全评价与神经网络

1.2 计算机网络安全评价

网络安全评价，就是针对影响计算机网络安全的因素，建立全面、合理的评价指标，能够客观、科学地反映网络安全影响因素。网络安全评价，应具备、可行性、简要性、独立性、完备性、准确性，这样才可以准确反映评价信息。

1.2 神经网络

针对神经网络，形成初期，就是以人体脑部信息处理的形式作为基础，然后，再经过数学模型的匹配，以此作为研究脑细胞结构、脑细胞动作以及人体生物神经元特征的网络结构[1]。后来，随着计算机技术的发展，在先前神经网络模型的基础上，不仅增加神经网络的学习机制，同时，还提出针对神经网络的感知器模型，并将其应用在工程建设之中，然后利用映射拓扑性质，形成映射自组织网络模型，在计算中进行模拟。

2、应用神经网络技术的优点

对于网络安全评价中，应用神经网络不仅可以提升网络完全评价的质量，还可以提升网络安全效应，其主要具备以下优点。首先，就是在网络安全评价中，应用的神经网络，神经网络有自适应性与容错性，通过自我调整可以减小网络误差[2]；神经网络知识是存储在连接权上的，依据生物神经元学习与记忆形成，同时还具备外推性、自动抽提的功能，可以对直接的数据以及数值进行学习训练，神经网络技术中，还可以自动的确定出原因同结果之间的关系，同时总结网络的安全评价规律，能够将已学的知识应用到网络安全评价样本之中[3]。并且，针对神经网络技术，其应用范围较广，还具备实时应用的潜力，在网络安全评价中，可以有效保证网络的安全，确保其评价结果的准确性与客观性。

3、神经网络算法

3.1 粒子群优化算法

每个粒子i包含为一个D维的位置向量xi=（ xi1， xi2， ……， xiD ） 和速度向量vi = （ vi1， vi2，……， viD ）， 网络安全评价中，粒子i在搜索空间时， 可以保存搜索的最优经历位置p i = （ pi1， pi2， ……， piD ），并且可以在神经网络的每次迭代开始之时， 该粒子就可以根据自身的惯性与经验，在群体的最优经历位置上调整速度向量，达到最好的位置。c1、c2 作为正常数，也就是加速因子； r1、r2就是[ 0， 1]中的均匀分布随机数， d是D维维数，ω就是惯性权重因子。粒子位置与速度更新公式如下：

初始化网络安全评价神经网络种群后，可以将种群大小记为N。基于网络安全评价中，神经网络的适应度支配思想，可以将种群划成两个子群，一个作为非支配子集A，一个作为支配子集B， 并且两个子集基数需要满足子群基数之和。粒子群优化算法中，其算法终止准则，就是最大迭代次数Tmax，以及计算精度ε以及最优解最大凝滞步数t，则可结束网络安全评价工作。

3.2 BP神经网络学习算法

对网络安全评价神经网络权系数置初值。

对网络安全评价神经网络各层的权系数，可以置一个较小非零随机数，但网络安全评价神经网络中，。

输入网络安全评价神经网络的一个样本，，并以与其对应的期望输出结果。

计算网络安全评价神经网络各层输出，针对其第k层的第i个神经元，其输出为，公式为：

，

计算网络安全评价神经网络的学习误差，

计算神经网络输入向量与隐层神经元以及输入层权值的距离，距离较大为获胜神经元。求出各层学习的误差。针对输出层，有

对于神经网络隐层，仅计算获胜神经元的学习误差，i为获胜神经元。

修正神经网络局部权系数和阀值

调整神经网络，与获胜神经元相连弧线的权值和阀值

其中：

当求出网络安全评价中神经网络的各层各个权系数后，可按给定的品质指标，以此判别网络安全是否满足使用要求；如果说已经满足了要求，则可以结束算法；如果，没有满足要求，则进行返回处理执行。

4、基于神经网络的网络安全评价

4.1 设计网络安全评价模型

网络安全评价中，输入层神经元节点的数量，必须要和计算机网络的安全评价指标数量相同，例如，针对计算机网络安全评价体系中，就可以设计18个二级的指标，针对计算机网络安全评价模型的输入层，在其设计神经元节点数量时，也必须是要是18个指标[4]。并且，对于大部分BP神经网络中，还应该采用单向的隐含层，针对隐含层节点数量，可以根据需求的神经网络性能进行设计。针对网络安全评价中，如果说隐含层节点数数量过多，就会使网络安全评价中的神经网络学习时间延长，故此在通常情况下，可以将隐含层设计为5个。针对神经网络输出层设计中，主要就是输出网络安全评价结果，可以将神经网络输出节点数设2个，其输出结果是（1，1），以此来表示安全；输出结果是（1，0）表示基本安全；输出结果是（0，1）表示不安全；输出结果是（0，0）表示很不安全。

4.2 构建网络安全评价体系

针对网络安全评价中，使用粒子群优化算法，优化传统的BP神经系统，有效克服网络安全评价的局限性。其优化方法如下：可以将BP神经网络的目标向量以及传递函数、结构，进行初始化；然后设置粒子群初始速度、动量系数、初始位置等参数，并且可以利用粒子群训练集，训练网络安全评价中的BP神经网络，使其在网络安全评价中具备适应度值；可以将每个粒子历史以及最好适应度值，同当前的适应度值进行比较。当前比历史适应度值优，需要保存当前粒子的适应度值，使其作为最好适应度值；并且，还需要计算粒子惯性权值；降低在网络安全评价中，粒子适应度值的误差。针对网络安全评价的BP神经网络中，其学习过程之中，对于任何一个给定样本以及期望输出，都应该将其执行到满足所有的输入输出为止。

结论

综上所述，在网络安全评价中应用神经网络，具有可行性，有效避免传统网络安全评价中的存在的弊端，引入神经网络技术，可以基于粒子优化神经网络，确保计算机网络安全评价结果的准确性、客观性，发挥积极的应用价值。

参考文献

[1]李忠武，陈丽清.计算机网络安全评价中神经网络的应用研究 [J].现代电子技术， 2014，（10）， 80-82.

[2]郑刚.计算机网络安全评价中神经网络的应用研究 [J].网络安全技术与应用， 2014，（09）， 55-57.

第9篇：神经网络的优化方法范文

论文关键词：人工神经网络(ANN)，船舶与海洋工程，海洋预报与预测，海洋资源评估，海洋环境监测

 

人工神经网络是对人类大脑特性的一种描述。它是一个数学模型，可以用电子线路实现，也可以用计算机程序来模拟。是人工智能研究的一种方法。主要功能有：联想记忆、分类识别、优化计算、非线性映射。由于其具有好的容错性、并行处理信息、自学习性及非线性映射逼近能力等特点,因此被广泛的应用于各个领域。

ANN在海洋领域的应用起步较晚。20世纪90年代以来，国内外掀起了应用ANN研究海洋问题的热潮。相比传统方法，由于ANN提高了预测的准确性，减少了对数据的要求并且便于应用，到目前为止，ANN模型的应用已经遍布海洋工程（包括港口、沿海、近海和深海工程）海洋环境监测，海洋预报与预测，海洋资源与环境等各方面，并且应用前景不断扩大。本文通过梳理相关文献，分析和总结了ANN在海洋领域的研究进展和主要成果，以期为相关研究提供参考。

1 船舶与海洋工程

钢材腐蚀问题是海洋工程的重大课题。国内许多学者通过建立ANN模型考察海水环境相关参数与钢材腐蚀速度的相关性。刘学庆等根据四层BP神经网络分析了3C钢腐蚀速度与海水环境参数的相关性,建立了3C钢在海洋环境中腐蚀速度的人工神经网络模型，证明该方法在监测与评价区域海洋环境腐蚀性方面具有实际应用价值[1]。邓春龙等研究建立了海洋环境材料腐蚀与防护数据库，收集和整理了大量的材料腐蚀数据。并在此基础上建立了误差反传（BP）人工神经网络预测模型和灰色GM（1,1）腐蚀预测模型。从而形成一套较完整的数据采集、处理和分析网络系统[2]。王佳等采用电化学、人工神经网络和数据库方法研究了5种海洋工程钢材在深海环境中非现场腐蚀行为评价技术。结果表明,结合采用多种非现场方法可以可靠评价深海环境钢材的腐蚀行为[3]。刘艳侠等同样利用三层BP神经网络,根据已有的3C钢在不同海水环境参数下的腐蚀速度数据,建立了3C钢在海洋环境中腐蚀速度的人工神经网络模型;并分析预测了海水环境参数与腐蚀速度之间的关系 [4]。

ANN在海洋工程中的应用主要是海洋平台的抗击性和稳定性的模拟。许亮斌等针对海洋平台桩基模拟中存在的问题，将神经网络应用于桩基分析 [5]。淙在引进遗传算法的基础上构造了工程结构优化的神经网络模型,计算结果表明这一方法具有很好的稳定性和全局收敛性[6]。周亚军等将经典最优控制算法与人工神经网络相结合，采用BP神经网络模型，实现了受随机波浪力作用下的海洋平台的振动主动控制[7]。由于神经网络的优越性能，克服了传统算法本身的时滞问题，为海洋平台的振动控制提供了一条新的思路。

以上学者都对神经网络进行了一定程度的改进和完善，达到了良好的模拟和预测效果，推进了海洋工程中ANN理论的发展。除此以外，针对波浪数据的完备性对于海岸海洋工程设计的关键作用, 人工神经网络作为一个具有高度非线性映射能力的计算模型，在工程中具有广泛的应用前景。在数值预测方面，它不需要预选确定样本的数学模型海洋环境监测，仅通过学习样本数据即可以进行预测论文格式范文。

2 海洋预报与预测

赤潮作为海洋灾害的一种，对海洋经济造成巨大影响。蔡如钰利用人工神经网络BP算法,建立了赤潮预报模型 。杨建强通过比较发现人工神经网络方法在模拟和预测方面优于传统的统计回归模型,具有较强的模拟预测能力及实用性 。在此基础上，为克服BP网络训练易陷入局部最优的缺点，王晶采用遗传算法改进网络训练方法，建立赤潮生物密度与环境因子的人工神经网络的预报模型，保证网络达到全局最优。此外，还有部分学者将改进的人工神经网络模型用于赤潮预报，经过实证研究，取得良好的预测效果。

潮汐预报对人类活动和降低海洋环境建筑成本是非常重要的。为了解决潮位预测中存在的时滞问题,提高预测精度，不少学者进行了初步探索，并且普遍认为BP模型应用于潮汐预报具有较高的预测精度和良好的泛化能力,它为海洋潮汐预报工作提供了一种全新的思路和方法。张韧利用人工神经网络BP模型及其优化算法，建立起了赤道太平洋纬向风和滞后的东太平洋海温之间的映射关系和预报模型，结果表明，这种方法可有效用于辩识和反演复杂的大气、海洋动力系统及其预报模型.冯利华针对海洋预报问题，初步建立了基于神经网络的预报分析系统，给出了应用实例。以我国东南沿海地区一次登陆台风所造成的最大24小时暴雨量为例来说明ANN在海洋预报中的应用问题。罗忠辉采用人工神经网络智能方法，建立了多参数声速预报神经网络模型海洋环境监测，克服了回归拟合方法在获得海底沉积物声速预报中存在的不足，为海底沉积物的声速预报提供了一条新途径。

3 海洋资源评估

张富元等利用东太平洋CC区多波束海底地形测量、结核覆盖率深拖系统探测、结核丰度地质采样和地球物理地震勘探资料,运用板块构造和沉积动力学理论,并与丰度趋势面和神经网络分析结果对比,对东太平洋CC区构造与多金属结核资源效应关系进行了探讨。李少波等讨论了如何利用神经网络预测天然气水合物的合成和分解。利用了声速、幅度、频率来反映天然气水合物的合成，建立了一个3层前向型网络,通过实验,人工神经网络的引用取得了良好的效果。近年来人工神经网络还越来越多地被用来预测水资源。在水资源应用中,前馈神经网络建模技术是使用最广泛的类型。

4 海洋环境监测

非法排放油污和海上漏油事件对海洋生态系统造成的严重危害，人工神经网络可以有效的用于海水石油污染诊断。李伟认为海中悬移质是决定海洋光学性质、海洋水质,河口海岸带演变动力过程的重要环境参数。利用模拟遥感反射比数据集建立人工神经网络反演悬移质浓度,并利用东中国海现场同步数据对该算法进行验证，神经网络技术对于反演大洋水和沿岸海域中的组分浓度有一个很好的前景。刘辉等采用BP神经网络和广义回归神经网络2种方法进行训练,建立了南海南部海区的上混合层深度人工神经网络计算模型 。结果显示,人工神经网络方法精度较高,是一种切实可行的上混合层深度估算方法。

5 结语

人工神经网络在海洋领域的应用遍布海洋工程、海洋科学技术、海洋环境资源等各个方面。国内外学者根据研究的需要设立了不同的ANN模型，随着时间的发展，这些模型的预测和分析能力逐步完善。大量实证结果表明，很多ANN模型都取得了良好的模拟和预测效果。大部分的人工神经网络模型对传统的统计回归计算、时间序列分析、模型匹配和数值方法等产生了替代或补充作用。在某些情况下，神经网络的应用减少了对数据的要求。在未来，随着现有模型的不断完善和ANN模型缺陷的不断纠正，先进和混合神经网络结构很可能会在海洋领域更多方面得到广泛应用。

参考文献

[1]刘学庆,唐晓,王佳.3C钢腐蚀速度与海水环境参数关系的人工神经网络分析[J].中国腐蚀与防护学报, 2005,(1):11-14.

[2]邓春龙,孙明先,李文军等.海洋环境中材料腐蚀数据采集处理网络系统的研究[J].装备环境工程,2006,(3):58-62.

[3]王佳,孟洁,唐晓等.深海环境钢材腐蚀行为评价技术[J].中国腐蚀与防护学报. 2007,(1):1-7.

[4]刘艳侠,高新琛,张国英等.BP神经网络对3C钢腐蚀性能的预测分析[J].材料科学与工程学报,2008,(1):94-97.

[5]许亮斌,陈国明.神经网络在平台桩基分析中的应用[J].中国海上油气(工程),2001,(1):7-10.

[6]淙.海洋工程结构优化的遗传Hopfield神经网络算法研究[J].中国海洋平台,2001,(5-6):58-61.

[7]周亚军,赵德有,马骏.基于人工神经网络的海洋平台振动主动控制[J].船舶力学, 2003,(5):65-69.