神经网络的基础知识精选(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基础知识主题范文，仅供参考，欢迎阅读并收藏。

第1篇：神经网络的基础知识范文

1.1集先进性、实用性和前沿性为一体的教学内容改革对国内外优秀的人工智能教材[2-6]的内容进行整合，建立人工智能的知识体系，并提取人工智能课程的知识要点，确定集先进性、实用性和前沿性为一体的教学内容。人工智能的核心思想是研究人类智能活动规律和模拟人类智能行为的理论、方法和技术，因此人工智能应围绕“智能”这个中心。由于智能本身的复杂性，难以用单一的理论与方法来描述，因此可以通过建立人工智能的不同层次来刻画智能这个主题。人工智能的主要内容可按图1所示划分为最底层、抽象层、逻辑层和应用层这4个不同层次。在最底层，神经网络与演化计算辅助感知以及与物理世界的交互。抽象层反映知识在智能中的角色和创建，围绕问题求解对知识进行抽象、表示与理解。逻辑层提出学习、规划、推理、挖掘的模型与方式。应用层构造智能化智能体以及具有一定智能的人工系统。将人工智能划分为这4个层次可确定人工智能课程的教学内容，并保证教学内容的循序渐进。

1.2基于人工智能知识体系的教学案例库建设根据所确定的教学内容、知识重点和知识难点，从国内外经典教材、科研项目、研发设计、生产建设以及国内外人工智能网站等多种途径，收集案例素材，加以整理，撰写各知识要点的教学案例及其内容。表1给出基于人工智能知识体系的教学案例示例。

2人工智能课程教学案例的详细设计

在教学案例具体设计时应包括章节、知识重点、知识难点、案例名称、案例内容、案例分析过程、案例教学手段、思考/讨论内容等案例规范，分别从以下单一案例、一题多解案例和综合应用案例3种情况进行讨论。

2.1单一案例设计以人工智能课程中神经网络课堂教学内容为例，介绍基于知识点的单一案例的设计。神经网络在模式识别、图像处理、组合优化、自动控制、信息处理和机器人学等领域具有广泛的应用，是人工智能课程的主要内容之一。教学内容主要包括介绍人工神经网络的由来、特性、结构、模型和算法，以及神经网络的表示和推理。这些内容是神经网络的基础知识。其重点在于人工神经网络的结构、模型和算法。难点是人工神经网络的结构和算法。从教学要求上，通过对该章节内容的学习，使学生掌握人工神经网络的结构、模型和算法，了解人工神经网络的由来和特性，一般性地了解神经网络的表示和推理方法。采用课件PPT和演示手段，由简单到复杂，在学生掌握人工神经网络的基本原理和方法之后，再讲解反向传播BP算法，然后运用“手写体如何识别”案例，引导学生学习理解人工神经网络的核心思想及其应用方法。从国外教材中整理和设计该案例，同时应包括以下规范内容。章节：神经网络。知识重点：神经网络。知识难点：人工神经网络的结构、表示、学习算法和推理。案例名称：手写体如何识别。案例内容：用训练样本集训练一个神经网络使其推广到先前训练所得结果，正确分类先前未见过的数据。案例分析过程：①训练数字识别神经网络的样本位图；②反向传播BP算法；③神经网络的表示；④使用误差反向传播算法训练的神经网络的泛化能力；⑤一个神经网络训练完毕后，将网络中的权值保存起来供实际应用。案例教学手段：手写体识别的神经网络演示。思考/讨论内容：①训练改进与权值调整改进；②过学习/过拟合现象，即在一个数据集上训练时间过长，导致网络过拟合于训练数据，对未出现过的新数据没有推广性。

2.2一题多解案例设计一题多解案例有助于学生把相关知识点联系起来，形成相互关联的知识网络。以人工智能课程中知识及其表示教学内容为例，介绍一题多解案例的设计。知识及其表示是人工智能课程三大内容（知识表示、知识推理、知识应用）之一。教学内容主要包括知识表示的各种方法。其重点在于状态空间、问题归约、谓词逻辑、语义网络等知识表示方法。难点是知识表示方法的区别及其应用。从教学要求上，通过对该章节内容的学习，使学生掌握利用状态空间法、问题归约法、谓词演算法、语义网络法来描述和解决应用问题，重点掌握几种主要知识表示方法之间的差别，并对如何选择知识表示方法有一般性的了解。通过讲解和讨论“猴子和香蕉问题”案例，来表示抽象概念。该案例从国内外教材中进行整理和设计，同时包括以下规范内容。章节：知识及其表示。知识重点：状态空间法、问题归约法、谓词逻辑法、语义网络法等。知识难点：知识表示方法的区别及其应用。案例名称：分别用状态空间表示法与谓词逻辑法表示猴子和香蕉问题。案例内容：房间内有一只机器猴、一个箱子和一束香蕉。香蕉挂在天花板下方，但猴子的高度不足以碰到它。猴子如何摘到香蕉？如何采用多种知识表示方法表示和求解该问题？案例分析过程：①状态空间法的解题过程。用n元表列表示该问题的状态；定义问题的操作算符；定义初始状态变换为目标状态的操作序列；画出该问题的状态空间图。②谓词逻辑法的解题过程。定义问题的常量；定义问题的谓词；根据问题描述用谓词公式表示问题的初始状态、中间状态和目标状态。案例教学手段：猴子和香蕉问题的演示。思考/讨论内容：①选择知识表示方法时，应考虑哪些主要因素？②如何综合运用多种知识表示方法获得最有效的问题解决方案?

2.3综合应用案例设计与单一案例、一题多解案例相比，综合应用案例能更加有效地启发学生全方位地思考和探索问题的解决方法。以机器人行动规划模拟为例，介绍人工智能综合应用案例的设计，该案例包括以下规范内容。章节：人工智能综合应用。知识重点：人工智能的研究方向和应用领域。知识难点：人工智能的技术集成。案例名称：机器人行动规划模拟。案例内容：综合应用行为规划、知识表示方法、机器人学、神经网络、人工智能语言等多种人工智能技术与方法，对机器人行动规划问题进行描述和可视化。案例分析过程：①机器人行为规划问题求解。采用状态归约法与分层规划技术，将机器人须完成的总任务分解为若干依序排列的子任务；依据任务进程，确定若干关键性的中间状态，将状态对应为进程子规划的目标；确定规划的执行与操作控制，以及机器人过程控制与环境约束。②基于谓词逻辑表示的机器人行为规划设计。定义表达状态的谓词逻辑；用谓词逻辑描述问题的初始状态、问题的目标状态以及机器人行动规划过程的中间状态；定义操作的约束条件和行为动作。③机器人控制系统。定义机器人平台的控制体系结构，包括反应式控制、包容结构以及其他控制系统等。④基于神经网络的模式识别。采用神经网络方法以及BP算法对桌面茶壶、杯子等物体进行识别，提取物体图形特征。⑤机器人程序设计语言。运用人工智能语言实现机器人行动规划行为的可视化。案例教学手段：机器人行动规划的模拟演示。思考/讨论内容：人工智能将会怎样发展？应该在哪些方面进一步开展研究？

3案例教学环节和过程的具体实施细节

人工智能案例教学的实施面向笔者所在学院软件工程专业三年级本科生展开。具体实施细节如下。（1）教学内容的先进性、实用性和前沿性。引进和整合国外著名人工智能教材内容，保证课程内容具有先进性。同时将前沿人工智能的研究成果与技术有机地融入课程案例教学之中。（2）案例教学的创新教学模式。在教师的引导下，将案例中涉及的人工智能内容推广到对人工智能的一般性认识。案例的教学过程，成为认识人工智能、初步运用人工智能的理论与方法分析和解决实际应用问题的过程，使学生具备运用人工智能知识解决实际问题的意识和初步能力。在课程教学中，打破国内常规教学方式，建立和实施开放式案例教学模式。采用动画课件、录像教学、实物演示、网络教学等多种多媒体教学手段，以及集中讲授与专题讨论相结合的教学方式将理论、方法、技术、算法以及实现有机结合，感性认识与理性认识相结合，理论与实际相结合，极大地激发学生自主和创新性学习的热情。（3）“课堂教学—实践活动—现实应用”的有机融合。在案例教学过程中，从传统教学观以学会为中心转化为创新应用型教学观以创新为中心，以及从传统教学的以课堂教学为中心转化为以课堂教学与实践活动并重为中心，构造具体问题场景以及设计教学案例在情境中的现实应用，加深学生对教学内容的理解，同时提高学生的思考能力和实际综合应用能力。

4结语

第2篇：神经网络的基础知识范文

关键词：智能科学与技术专业；认知科学基础；脑机接口；教学研究

中图分类号：G642.0文献标志码：A文章编号：1674-9324（2020）15-0084-02

一、关于认知科学基础课程

认知科学是智能科学与技术的生物基础，是从“自然智能”到“机器智能”之间的桥梁。作为一门研究人类感知和思维信息处理过程的学科，认知科学主要研究目的就是要说明和解释人类再完成认知活动时是如何进行信息加工的，一直是认知心理学等教学领域的重要课程。[1，2]自我校2009年设立智能科学与技术本科专业以来，认知科学基础一直是该专业的专业基础课程，主要目的是培养学生对人脑认知活动中的信息处理方法与过程的认识和理解，培养对新知识、新技术有较敏锐的洞察能力，同时使学生具有数据分析与处理能力的意识，在智能科学与技术专业的学科体系中占据着十分重要的地位。[3]特别是随着人工智能和脑科学研究的不断发展，现有的计算架构不能有效实现具有泛化能力的人类认知信息加工机制。借鉴人类脑认知机制，通过脑认知和神经科学与机器学习相融合的方式，构建一种类脑的“学习机器”，而不是简单的“机器学习”，已成为当前人工智能领域的一个重要研究方向。因此，学习并理解人类认知和信息处理过程，对于提高学生的智能信息和数据建模与分析能力，有着重要的意义。

然而，对于以工程技术应用为背景的智能科学与技术专业而言，该学科涉及多学科内容，比如心理学、神经科学、数学、语言学、人工智能科学乃至自然哲学等，学生存在畏难情绪，学习兴趣不太浓厚，教师对于该课程的教学也颇为费心。此外，由于“认知科学基础”课程在大三上学期开设，大部分学生在模式识别和数字信号处理等上面的基础较薄弱，对于该门课程的脑功能信号分析与脑机接口技术部分的教学也存在较大的困难。

针对该课程理论和实时性较强、涉及教学内容多、交叉广泛等特点，笔者自承担本课程教学来，结合我校学生和专业建设实际情况，立足培养学生的专业知识素养和学习兴趣，提高学生的专业基础能力和综合素质，积极摸索改进。本文将信号处理和机器学习方法融合进认知科学的神经机制探索与学习，从教学、实验实践等方面进行了初步探索。

二、课程建设目标与教学内容设置

本课程将使学生学习到认知科学的基本知识，包括脑与神经系统的基本构造、工作原理、基本研究手段，脑与学习、意识、行为的关系，深入了解感知、注意、记忆的生物和生理学本质，实现人工大脑、人工神经网络、听觉计算、视觉计算、脑机接口、认知机器人等前沿技术的理解与应用。

目前认知科学方面的教材大多为国外翻译教材，并且聚焦于其中的某个方面（比如认知心理学、认知神经科学等）。同时该学科实时性较强，和当前脑与认知科学的前沿研究紧密相连，因此很难找到合适的教材同时将智能信息处理技术和认知科学基础相融合。

认知神经科学旨在联合心理学、哲学和神经科学的方法帮助我们理解大脑是如何产生心智的，并阐明人类认知过程中的脑机制，即在分子、细胞、脑功能区到全脑等多个尺度上如何实现认知功能。脑机接口是近二十多年来兴起的涉及神经科学、认知科学、计算机科学、控制及信息科学、医学等多领域的人机接口方式，是在大脑与外部环境之间建立的神经信息交流与控制通路。

该课程在大三年级开设，且该专业的学生已在前面学习中学习人工智能原理、信号处理等课程，这些课程的学习为本课程的理论学习打下了一定的基础。在教材选择上，选择上海人民出版社的《认知、大脑和意识——认知神经科学引论》，并参考其他辅助教材，比如机械工业出版社的《脑机接口导论》、中国轻工业出版社的《认知神经科学》。教学内容主要包括以下几个部分：

1.脑科学与认知科学的发展历程及基本概念，包括感觉与知觉、注意与意识、情绪、语言、记忆、学习等。

2.认知活动的生理基础，包括大脑结构、神经元、神经系统的基本组成等。

3.脑功能信号的采集与分析，包括大脑节律、脑功能信号（EEG、fMRI等）采集、常见脑功能障碍、脑信号分析基本方法（包括基于时域/频域分析的EEG分析方法、脑电源成像基础等）。

4.脑机接口技术，包括脑电信号预处理（零参考电位、拉普拉斯空间滤波、数据归一化、插值技术），脑功能信号特征提取方法、模式分类器（比如Fisher线性分类器、支持向量机）设计。

三、以学生为中心的教学方法

1.提高学生学习兴趣。认知科学基础课程交叉性强，尤其涉及心理学、神经科学等非工科学科，对于我校智能科学与技术专业的学生来讲，学习压力较大，学习兴趣不高。为激发学生学习兴趣，在授课过程中，尽量发挥自身乐观活泼的性格特点，选择大家生活中常见的例子，在语言表达上尽量避免生硬，力求用简单直白的语言讲解知识点。同时，善于利用网络视频，比如在课程绪论部分，通过播放网络公开视频《打开思想的大门》片段，激发学生学习脑认知功能的兴趣。

2.注重与智能科学与技术其他课程知识的衔接。在神经元和神经系统的教学部分，笔者安排了两个课时的内容讲解了常见的人工神经元模型和人工神经网络结构，并重点讲解了神经网络和支持向量机的基础——感知机。在脑机接口教学部分，安排了两个课时的信号处理和数据预处理的基础知识的回顾，重点复习信号滤波、主成分分析、Fisher线性判别分析和支持向量机等内容，再进入脑机接口系統的学习，教学效率得到了明细提升。

3.适当使用板书，细化推导过程。对于一些知识点，比如动作电位产生过程、部分公式的展示，仅依靠PPT教学过于单薄，学生难以理解，因此在播放PPT时需要适时插入细致的板书。同时板书过程中要结合学生实际情况循序渐进，例如在学习神经细胞和感知机与人工神经网络时，教师从点到平面的距离入手，并引导学生回顾梯度下降法等相关数学基础知识，帮助学生切实地把前面学习的信号处理和机器学习的基础知识应用到本课程。

4.加强实践环节教学和学生综合能力素质培养。根据本专业的培养计划，在理论课程教学期间，“认知科学基础”设置了相应的实践课程，以培养学生的动手能力、自学能力和专业综合素质。在实践课程教学环节，基于Matlab和Python等工具，以2005年国际BCI竞赛的P300数据为分析数据，引导学生设计常见的模式分类器（如Fisher线性分类器、支持向量机、深度神经网络等）分析脑电事件相关电位。同时，使用计算智能重庆市重点实验室的NeuroScan和BrainProducts脑电采集放大设备，利用E-Prime设计脑电刺激程序，指导学生设计实验，以小组合作的方式采集并分析P300字符拼写脑电数据。

第3篇：神经网络的基础知识范文

为提汐预报的精度，提出一种基于支持向量机（Support Vector Machine，SVM）的模块化潮汐实时预报模型. 将潮汐分为受天体引潮力影响的天文潮和受环境因素和其他因素影响的非天文潮，分别使用调和分析法和改进的SVM对天文潮和非天文潮进行预报， 结合两种方法的输出构造最终的潮汐预报结果. 在对非天文潮的预测中，将SVM与灰色模型相结合，并利用粒子群优化（Particle Swarm Optimization，PSO）算法对SVM的参数进行优化以提高预报精度. 利用火奴鲁鲁港口的实测潮汐数据进行实时潮汐预报仿真.仿真结果表明该方法具有较高的短期预报精度.

关键词：

潮汐预报； 模块化方法； 调和分析法； 支持向量机（SVM）； 灰色模型； 粒子群优化（PSO）

0引言

潮汐（海面周期升降运动[1]）预报直接关系到船舶航行安全和港口营运效率，对军事、渔业、港口和近岸工程以及其他沿海生产活动都有重要的影响. 潮汐一直是船舶航行计划制定和港口作业调度的重要因素：准确的潮汐预报是航行安全的重要保障，并有利于港口水深资源的充分利用；相反，不准确的或误差较大的潮汐预报，则很可能导致船舶搁浅或撞桥等海上交通事故的发生.

传统的潮汐预报方法是调和分析法.它以潮汐静力学和动力学为基础，经过多年发展，已经能够实现对潮汐进行稳定、长期预报，但需要大量、长期的潮位观测数据才能得出准确的调和分析模型，且其平均预报误差约为20～30 cm，在许多场合达不到对潮汐预报精度的要求. 潮汐产生的原动力是天体的引潮力，但又受到如风力、风向、海水温度、气压等环境因素的影响，因此潮汐变化展现出强非线性和不确定性，难以对其确立固定的预报模型. 为满足现代航海的实际需求，急需一种能够提汐预报精度的方法.

近些年发展起来的人工智能技术，如神经网络、模糊逻辑推理和进化计算等在航海领域得到了越来越多的应用，其中神经网络已被应用于潮汐预报研究中.PASHOVA等[2]使用时滞分析、径向基函数（Radial Basis Function， RBF）神经网络的方法对Burgas港的潮位进行了预测；JAIN等[3]

利用神经网络对印度洋西海岸New Mangalore潮位站的潮汐提前一天进行预报；YIN等[4]提出利用序贯学习算法建立变结构的径向基神经网络的潮汐预报模型以反映系统的时变动态.

支持向量机（Support Vector Machine， SVM）是建立在统计学理论[5]和结构风险最小化原理基础上的机器学习方法，它在解决小样本、非线性问题以及高维模式识别中表现出许多特有的优势[6].本文选用一种基于SVM的模块化预报模型对潮汐进行预报.模块化是在解决某个具体问题时，把系统划分为具有不同属性的若干个模块的过程.在本文潮汐预报中首先按潮汐形成原因通过模块化方法把潮汐分为天文潮和非天文潮两部分，将调和分析法用于预报潮汐中天文潮部分，而将SVM用于预测具有较强非线性的非天文潮部分. 这种分块方式能有效利用两种方法的优势，即调和分析法能够实现长期、稳定的天文潮预报，而SVM能够以较高的精度实现潮汐的非线性拟合与预报. 在本文研究中，将灰色模型预测方法应用于SVM预测中以减小环境要素的不确定性对潮汐预报精度造成的不利影响，同时应用粒子群优化（Particle Swarm Optimization， PSO）算法对SVM的参数进行优化，使其拥有较快的收敛速度并避免其陷入局部最优解.灰色预测和PSO在SVM预测模型中的应用能提汐预报的精度. 最后，选取火奴鲁鲁等港口的实测潮汐数据进行港口潮汐的实时预报仿真.实验结果表明本文提出的方法可以有效地实现潮汐预报，并拥有较高的预报精度和较快的运算速度.

1基础知识

1.1SVM

1.1.1SVM的基本概念

SVM在1995首次由Vapnik提出，它是结构风险最小化的近似实现.[7] 与神经网络相比，SVM具有严格的理论基础和数学基础，不存在局部最小问题，能较好地解决小样本问题. SVM的体系结构见图1.图1中，K为核函数，x（n）为输入值。

1.1.2SVM回归理论

对于训练样本集{xi，yi}（其中：i=1，2，…，n； xi∈R，为输入变量； yi∈R，为对应的输出值），SVM的回归[8]是通过寻找一个非线性映射φ（x），将输入x映射到一个高维特征空间中.

在特征空间中通过下列估计函数进行线性回归：

1.2基于灰色系统的SVM

灰色系统理论是由我国学者邓聚龙教授于1982年提出来的，是用于研究数量少、信息贫瘠的不确定性问题的理论方法. 通过对“部分”已知信息的生成、开发，提取有价值的信息，实现对系统运行行为、演化规律的正确描述和有效监控.[9]

传统的实现序列预测的方法需要大量的数据用于预测，而灰色模型具有有效的算法来处理这些信息不完全和成因不明确的问题. 灰色模型处理数据须通过以下3个步骤：通过累加（Accumulated Generation Operation，AGO）处理原始数据集；利用SVM对累加的数据进行预测；通过反向累加运算（Inverse Accumulated Generation Operation， IAGO）进行数据还原. 基于灰色模型的SVM的预报流程见图2.

PSO是由Kennedy和Eberhart在1995年提出的，是一种模拟群体智能的优化算法.[10] 本文在使用SVM对潮汐进行预报时，通过PSO算法对SVM的参数c和g进行优化来获得最佳的训练效果，以提汐预报的精度，其中c为SVM惩罚系数，g为核函数半径.

2潮汐预报模型

2.1天文潮预报的调和分析法

利用调和分析法计算某地实际潮位高度如下：

调和分析法用于潮汐预报时需要大量的实测潮汐数据，无法反映潮汐变化所受的环境因素的影响，在环境因素影响较大的情况（如大风和气压异常）下预报误差也非常大， 因此本文提出新的模块化SVM预测模型反映潮汐所受的时变因素的影响并进行实时潮汐预报.

2.2非天文潮预测模型

自回归（Auto Regressive， AR）模型是统计上一种处理时间序列的方法，它能够较为直观地描述潮汐的变化.

式中：φi（i=1，2，…，n）为模型参数；εt为白噪声. 用一个n阶AR模型描述潮汐序列：xt表示第t小时的潮汐高度，xt-n表示第t-n小时的潮汐高度.建立AR（n）模型的重点在于确定n，n决定模型的长度，通常由经验设定.在本文中，阶数n通过试凑法确定，通过不断增加模型阶数分别求得训练过程中预测值与真实值的残差，最终选择残差最小的AR（n）模型模拟预报潮汐.

一般需要提前几小时对潮汐进行预测，而单步预测的预见期短，所以在本文中将AR模型改写为非线性映射形式：

该式表示使用AR模型提前k小时进行潮汐预报的模型.

2.3模块化预测模型

按照成因的不同，潮汐预报可以分为两个部分，一为天文潮部分，二为非天文潮部分. 天文潮部分主要由天体引潮力引起，具有明显的时变特征；非天文潮部分受到气象水文因素影响，其变化没有明显规律，展现出很强的非线性. 因此，天文潮和非天文潮部分存在较大区别，仅使用调和分析法或SVM预测的单一方法可能无法体现潮汐的完整规律[11]，含有相对较大的误差值.

针对以上情况，本文采用一种模块化潮汐预报模型，其由调和分析法和SVM两个模块组成. 该模型首先利用调和分析法预测潮汐的天文潮部分，获得潮汐的整体变化规律，再利用SVM对非天文潮部分进行预测，修正预测结果，达到精确预报潮汐的目的. 在SVM部分，灰色模型和PSO主要用于数据的预处理、数据的还原和SVM参数的优化上. 具体的模块化结构框图见图3.

图3中：y（t），y（t-1），…，y（t-N）为实测潮汐数据的时间序列；yM（t），yM（t-1），…，yM（t-N）为利用调和分析法得到的潮位时间序列，yM（t+k）为调和分析法提前k步预报的潮汐值； y

R（t），yR（t-1），…，yR（t-N）为非天文潮部分的时间序列，该部分作为输入用于非天文潮的预测；yG（t），yG（t-1），…，yG（t-N）为非天文潮部分输入序列经过灰色模型AGO处理后的时间序列；YI（t+k）为非天文潮部分预测值经过IAGO处理后得到的提前k步的预报值；Y（t+k）为最终多步预报的结果.

潮汐的主要成因是天体的引潮力，调和分析法考虑的对象是天体对潮汐的影响，所以实测值y与调和分析法预测值yM之间的差值可看作潮汐值受风力、风向、温度和气压等影响的非天文潮部分yR. 由于非天文潮部分展现出很强的非线性，采用灰色模型进行处理可以有效提取数据中的有效信息，缓解不确定性. 将处理后的数据yG作为非

天文潮预报模型的输入，通过SVM进行预测，预测的结果即为提前k小时的预测值，其中SVM通过PSO获取最佳的训练效果. 该部分值由于在预测前进行了AGO处理，所以在预测后还需要通过反向的操作IAGO才能得到非天文潮部分的预测值YI（t+k）.将该预测值与用调和分析法得到的预测值相加即可计算出最终的潮汐预报值Y（t+k）. 这样就用模块化方法实现了预见期为k小时的多步潮汐预报.

3模型检验

3.1调和分析法结果分析

为验证本文提出的潮汐预报模型的预报效果，选用美国火奴鲁鲁港从2015年7月1日GMT 0000到2015年8月11日GMT 1500的采样间隔为1 h的共1 000个潮汐实测数据进行仿真.潮汐数据来自美国国家海洋和大气管理局网站http：//noaa.gov/.

图4为调和分析法预报值与实测值的对比，其中潮汐值单位为英尺（1英尺=0.304 8 m）.由图4不难发现调和分析法预报的潮汐值与实测潮汐值基本吻合，但其误差也是较为明显的.这是因为调和分析法只考虑了天体引潮力而忽略了环境造成的影响，这也是调和分析法误差产生的主要原因.

3.2基于SVM的潮汐预报

本文以单步预测为主对潮汐进行预报，并进行预见期为2～24 h的多步预测以验证模型的准确性.在仿真中，一共选用200 h的潮汐实测数据作为初始输入用于训练网络，另外800 h的潮汐值用于比较和分析预报效果. 为求得仿真适宜的AR模型，首先利用前200 h的潮汐值作为训练数据求得1～8阶的AR模型，并将预报值与实际值进行对比分析，得到阶数为1～8的AR模型对应的残差值，见表1.

从表1可以看出，8个AR模型的精度相差不大，其中2阶模型的残差最小拟合精度最高.因此，在本次预报中选用2阶AR模型.

在SVM中几个比较重要的参数设置

还包括核函数以及c和g的选择. 适宜的参数选择会产生好的仿真结果，而不恰当的参数选择可能导致过拟合或欠拟合现象的发生，这些都将使仿真结果恶化.

为找到最佳的c和g，用PSO算法选取最佳参数，其中：粒子群进化最大数量为200；种群最大数量设置为20；参数局部搜索能力和参数全局搜索能力分别设置为1.5和1.7. c和g的范围均设定为[0.1，100].在SVM直接预测法中使用PSO算法的参数选取结果见图6.

表2中：t表示程序中调用4种核函数的标识；c和g为通过PSO算法选择的两个参数. 根据表2选择结果略好的径向基作为本次试验SVM的核函数. 此外，SVM选用的是εSVM，它适合于回归预测并具有较高的精确度.

图7为潮汐实测值与SVM预测值的对比；图8为应用SVM直接预测所得到的预测结果的误差值，预测总用时为32.41 s.

从图7中不难发现，直接使用SVM进行潮汐预测，预测值与实测值的吻合程度明显高于图4中使用调和分析法的吻合度，而且误差变化范围更小且更加稳定，其ERMS为0.091 4英尺. 这是由于SVM在进行直接预测时，输入的特征向量为实际测量所得到的潮位数据，这些数据包含天文潮和非天文潮两部分的信息，所以预测更准确，预测值与实测值的相关程度也更高.

3.3模块化潮汐预报

为便于比较模块化预测方法与调和分析法和SVM直接预测法的异同，模块化的参数设置及仿真环境与之前选取的完全一致. 图9为在模块化预测中使用PSO算法的参数选取结果.图10为采用模块化预测方法所得到的潮汐预测值与观测值对比结果. 图11是使用模块化预测方法的误差图.

从表4可以看出，在SVM的基础上添加灰色模型处理数据后，虽然仿真时间会略有提升，但预报精确度有较明显的提高. 使用PSO算法优化SVM，搜索范围更广，搜索速度也更快，而当遍历法范围为[0.01，100]时所用的时间就已远远大于PSO算法所用的时间，继续增加遍历范围必定导致时间成倍增长，因此使用PSO算法优化SVM对仿真时间和搜索精确度都有较大改善. 通过与BP和RBF神经网络的预测结果的比较可以看出，本文提出的模块化模型具有较好的预测效果，优于其他两种常用的神经网络.

此外表5给出了调和分析法、SVM直接预测法和模块化预测方法提前多步预测潮汐的ERMS.从表5可以看出：对于短期潮汐预报，模块化预测模型的预测精度要明显优于调和分析法和SVM直接预测法的预测精度；随着提前预测时间的增长，模块化预

测模型的预测效果更加稳定. 因此，采用的模块化预测方法能有效提汐预报精度，适合实时的短期潮汐预报.

4结论

本文以支持向量机（SVM）网络作为基本工具，探索了将 SVM网络应用到潮汐预报领域的

方法.根据潮汐的成因，采用模块化形式分开处理天文潮部分和非天文潮部分，对非天文潮部分采用灰色模型进行数据预处理以缓解非线性程度，采用粒子群优化（PSO）算法对SVM进行参数选取和优化.实验结果证明，该模型在潮汐预报中具有较高的精度和相对较短的时间，明显优于传统方法. 然而，随着预报时间的延长，该模型预报精度会逐渐下降， 因此将该模型进行改进并应用于长期预报是今后的主要研究方向.

参考文献：

[1]郭禹， 张吉平， 戴冉. 航海学[M]. 大连：大连海事大学出版社， 2014： 215217.

[2]PASHOVA L， POPOVA S. Daily sea level forecast at tide gauge Burgas， Bulgaria using artificial neural networks[J]. Journal of Sea Research， 2011， 66（2）： 154161.

[3]JAIN P， DEO M C. Realtime wave forecasts off the western Indian coast[J]. Applied Ocean Research， 2007， 29（1/2）： 7279.

[4]YIN J C， ZOU Z J， XU F. Sequential learning radial basis function network for realtime tidal level predictions[J]. Ocean Engineering， 2013， 57（2）： 4955.

[5]章永来， 史海波， 周晓锋， 等. 基于统计学习理论的支持向量机预测模型[J]. 统计与决策， 2014（5）： 7274. DOI： 10.13546/ki.tjyjc.2014.05.052.

[6]ZHANG X G， ZOU Z J. Application of wavelet denoising in the modeling of ship manoeuvring motion[J]. Journal of Ship Mechanics， 2011， 15（6）： 616621.

[7]丁世飞， 齐炳娟， 谭红艳. 支持向量机理论与算法研究综述[J]. 电子科技大学学报， 2011， 40（1）： 210.

[8]徐红敏， 王海英， 梁瑾， 等. 支持向量机回归算法及其应用[J]. 北京石油化工学院学报， 2010， 18（1）： 6266.

第4篇：神经网络的基础知识范文

独立院校是我国高等教育为适应市场体制和教育需求，而出现的新型办学形式，近些年迅速发展并获得较大程度的社会认可。但独立院校大都面临由基于母体学校的基础理论型到适应自身的应用学科型的转变，因此教学模式的改革至关重要。

数学建模首先把现实问题转换为数学模型，其次对模型进行分析、求解和验证，最后再将模型返回现实。整个过程不仅可以发展学生认知和分析解决问题的能力，而且对激发学习兴趣，提高团队意识和合作精神有显著效果。

本文主要从独立院校实际出发，结合学生特点和教学实践，对数学建模教学模式进行探讨。

一、独立院校数学建模教学的特点及存在的问题

独立院校开设数学建模的时间不长，课程建设总体还不够完善，任课教师仍然在不断探索更加适合独立院校的教学方法。独立院校的学生较一本、二本的学生，基础知识相对欠缺，学习中遇到的障碍较大。

经过对我校学生和教师的访谈发现，他们在数学建模学习过程中的实际问题有：缺乏信心，学习动力不足，毅力方面有欠缺，对学习缺乏钻研精神，认为数学难度太大，对数学有恐惧心理等。

但独立院校的学生思想活跃，对新鲜事物有独到的见解，兴趣广泛，与一本、二本学生相比智力水平相当，学习上的主要差别在非智力因素。

二、独立院校数学建模教学模式建立

基于独立院校数学建模教学的特点及存在的问题，提出以下几点：

1.教学模式多样化

（1）讲授的教学模式

以教师系统讲解为中心，向学生传授数学建模的基础知识和技能，学生主动接受并了解它的意义。鉴于独立院校学生的特点，要求教师在讲授过程中由易到难，从简单且贴近生活的问题入手，结合数学建模的方法和步骤，使学生建立解决数学问题的信心，具备初步的建模能力。

（2）创设情境的教学模式

教师创设合理的问题情境引发学习兴趣，学生自主对问题进行探索学习，教师在期间做适当引导。此模式强调团队合作及意义构建，通过讨论交流等逐步解决问题。

（3）引导发现的教学模式

根据独立院校学生兴趣广泛、思想活跃等特点，引导学生自己发现问题，主动获取新知。或结合讲授引导学生自己发现相关问题；或给定问题范围，让学生搜集资料中找出问题：或者其他途径。此模式中教师对教学应有评价和总结部分。

2.课程安排合理化

数学建模涉及的相关课程比较多，主要有运筹学、数学模型、概率论与数理统计、神经网络、微分方程、模糊数学、数值计算、层次分析法、Mathb、Lingo、Latex、Spss等。课程本身有先修要求，不同课程占用学时不同，难易程度也有差别。那么合理的配置资源、建立适用独立院校学生的课程体系至关重要。

我们根据课程的特点，做不同的处理。一些课程作为专业必修课，如运筹学、数学模型、概率论与数理统计、Matlab等：一些课程作为专业选修课，如图论、数值计算等；部分课程做捆绑教学，如计算机基础和Word、Excel，运筹学和Lingo，概率论与数理统计和Spss；还有一些课程以专题讲座的方式呈现，如神经网络、模糊数学、层次分析法、退火算法等。

3.教学进程层次化

结合独立院校学生的年龄特点、知识结构和智力水平，数学建模应采取分层教学，逐段提高。

面向低年级学生，广泛宣传数学建模，力求激发学生学习数学的兴趣，让学生知道什么是数学建模，明白打牢基础的重要性。开设类似“生活中的数学模型”选修课，多举办相关专题讲座。

进入大学二年级，分两方面提升建模水平。一方面，丰富专业知识，开设介绍数学建模基础知识的相关课程：另一方面，让学生接触简单的数学模型，介绍一些数学软件的入门知识，适当参与高年级的研讨班。主要目的是使学生具备初步的数学建模能力。

经过两年的基础学习和训练，对大三学生全面展开数学建模能力的培养。继续深化相关知识，注重培养学生的团队协作和处理问题的能力。把计算机融入数学模型的求解之中，熟练各种数学软件的操作。在暑假开展全国大学生数学建模竞赛集训，组织学生参加比赛。

对大四的学生，有意识引导他们独立开展建模活动。让学生自己组建研究团队，尝试从生产生活中提取问题，数据收集处理后建立模型，编写计算机语言进行算法实现，进而对计算结果分析、检验、评价，培养初步的科研能力，结果以科技论文形式呈现。

三、数学建模教学模式的实践

第5篇：神经网络的基础知识范文

这种思维导图是按照发散性思维的特点，把学生注意力的焦点清晰地集中在中央图形上，知识主题的主干从中央向四周呈放射状；知识的分支由一个关键图形或写在产生联想的线条上面的关键词构成，各个次级话题也以分支形式表现出来，依附在较高层次的分支上面；各分支形成一个连接的节点结构并且末端开放。因此说，思维导图表现为树状发散结构。

化学是一门抽象的课程，学生虽然对各种化学现象有所了解，但都是建立在感性认识的基础之上，并没有形成理性的概念。在化学课上，很多知识点都是学生第一次听说，掌握知识往往是孤立分散的，难以建立一个清晰的知识系统。思维导图以其发散思维的特点，能够把学生头脑中各个孤立的概念统一起来，有利于学生对化学知识的建构。

下面，笔者从以下几个方面谈一下思维导图对于学生学习初中化学的辅助作用。

1 思维导图结构清晰、主题鲜明，有利于学生快速掌握知识

思维导图的创设原理是基于人脑的思维模式。人类的心理活动是基于人脑的神经系统：人脑由一个个神经元组成，神经元拥有很多的轴突和树突，各个神经元的突起末端又和多个神经元的突起末端相连接，形成了一个大脑神经网络；神经元具有接受刺激、传递和整合信息的作用，由众多神经元相互联结构成的神经网络就具备了接受、传递和处理信息的能力。思维导图中的中心主题和子主题就是模仿这种模式建立的，只不过它更具备层级性。人的大脑分为两部分：左脑和右脑。左脑负责逻辑、词汇、数字，右脑负责直觉、创造力、想象力。人们发现，在左右脑相互协调作用下进行的学习，学生记忆就会深，而且保持得相对持久，记忆效果也最好。心理学家早就通过实验得出这样的结论：左脑掌管人类的理性记忆，右脑掌管感性记忆，也就是情绪记忆，打上了情绪记忆印记的理性记忆更能够达到最佳的记忆效果。思维导图使用线条、符号、图形图像、颜色等多种传达信息的手段，也就是综合利用了人的左右脑的主要功能，利用了左右脑平衡发展规律，因此能够使得学生的记忆达到最佳的状态。思维导图以中心主题为基点，向外发散生成各个支点（子主题），再向外层级发展。每一个分支都是由不同的颜色表示，使得学生能够清晰地获得不同分支的信息。

初中化学是个抽象的学科，知识点分散，概念生疏，学生掌握起来非常吃力。思维导图利用多种手段展示信息，使得学生从多方位感知化学概念和原理，这样就化解了学生认知的难度。学生通过这种知识网络化、可视化的主题学习，更能够建立起化学学习的知识体系，从而为立体、全方位地掌握知识打下良好的基础。学生在这种网络化的学习中通过其清晰的结构、鲜明的主题，更能够形成清晰的思路，所谓知其然更知其所以然，从而达到快速掌握化学知识的目的。

2 思维导图目标明确具体，有利于学生建立知识系统

这种图示的特点就是以中心主题为基点，向各个方向衍生出多个次级主题。中心主题字号最大，处于整个图示的中心位置，因而最醒目，容易让学生形成清晰的印象，让学生的学习目标更加明确。各分支主题依照其与中心主题的关系远近，字号逐渐变小，但是都是以少数几个字清晰地表示出关键词或概念，因而也能够让学生迅速地抓住知识系统上的关键节点，形成清晰的思路。每级主题使用不同的颜色区分，就如同划出了概念衍生路线，使得知识展现更加鲜明、具体，更重要的是避免了学生不同知识点的混淆，使其把握知识更到位，为学生建立起完整、系统的知识体系做好铺垫。

3 思维导图形式开放，有利于培养学生发散思维

由于思维导图就是人脑思维的模式，因此说不同的人可以拥有不同的想法，可以绘制具有自我特色的思维导图。教师和学生可以根据自己对于知识的理解程度和理解方式任意构思思维导图，只要是能够自圆其说。这就打破了传统教学中教师唯我独尊、一言一式的解题思路；打破教师主宰课堂，打破教师压制学生的独创性见解，禁锢学生思维的封闭式教育，让封闭式教育演变成能够发挥学生特长的开放式教育；让学生能够拥有自己发挥想象和创想的空间，从多个角度进行构思设想，形成发散式的解题思路，培养了学生的发散式思维；让学生学有所获，学有所长，使得教育成为培养人的发展能力的教育。不是让学生的各种才华被封闭，只是成为读死书、死读书的书呆子，让学生最后都成为如同生产线上的产品一样，变成模型化产品。

4 思维导图内容表现多样，有利于培养学生创新思维

各种知识内容不尽相同，表现形式也多种多样。不同的教师可以拥有不同的教法、不同的教学思路；不同的学生可以拥有不同的学法，拥有不同的认知途径，正所谓“教无定法，学无定式”。思维导图的开放性决定了它的内容表现形式的多样性。教师可以打破章节的限制，从知识框架的整体上构思思维导图，使其充分展示如何更能让学生尽快地达到认识事物本质的目的，使其更加符合事物发展、认知的规律。学生可以从自身的认知基础上绘制顺应自我独创性思路的思维导图，这就更能增强他们学习的自信心，激发他们自主学习的能动性，为他们形成自己的独创性想法开辟路径。

第6篇：神经网络的基础知识范文

现代信息技术的三大支柱是传感技术、通信技术和计算机技术，它们分别构成了信息系统的“感官”、“神经”和“大脑”。因此，传感技术是信息时代的重要基础技术。传感器是信息系统获取信息的首要部件――电五官，是能感受（或响应）规定的被测量并按照一定规律转换成可用信号输出的器件或装置。传感器也是测控系统获得信息的重要环节，在很大程度上影响和决定了系统的功能。国外一些著名专家曾评论说：“征服了传感器就等于征服了科学技术”、“如果没有传感器检测各种信息，那么支撑现代文明的科学技术，就不可能发展”、“唯有模仿人脑的计算机和传感器的协调发展，才能决定技术的将来”。

传感器几乎应用于所有的技术领域，并逐渐深入人们的生活。比如，在机器人技术领域，作为新产业革命的典型代表――智能机器人将大量使用视觉、触觉、听觉、嗅觉、味觉以及各种内部传感器；在航空、航天技术领域，整个阿波罗10号飞船就是高性能传感器的集合体；在民用工业中也大量应用传感器，仅一部汽车就需要50多只传感器；在日常生活中，各种家用电器需要的传感器也有上百个品种规格。

传感技术的发展动向

1.集成化和智能化

集成化：使传感器和测控仪器具有多种敏感元件、数字信号输出、信息存储和记忆、逻辑判断、双向通信、决策、自检、自校准、自补偿、数值处理等功能。

智能化：智能化多传感器系统能够在复杂而多变的环境中，迅速、有效、准确地获取、分析、处理和综合传感器信息，它们基于多传感器信息融合、模式识别来作出正确的描述和决策。

集成化智能化传感器的典型代表是智能固体摄像器件，日本在270μm厚的硅片上研制出包括光电阵列、信号处理、记忆、演算、驱动等部分在内的智能化视觉传感器。

2.微型化和系统化

微机电传感器和微执行器的创立，开拓了微机电系统(MEMS)新领域。现在许多专家都认为：微机电系统将掀起下一次工业革命。MEMS传感器及系统具有体积小、重量轻、功耗低、成本低、可靠性高、性能优异及功能强大等无法比拟的优点。

3.无线化和网络化

无线传感器网络被认为是21世纪最重要的技术之一，曾被列为对世界产生深远影响的十大新兴技术之首。无线传感器网络是一种独立出现的网络，它的基本组成单位是无线传感器节点，这些节点集成了传感器、微处理器、无线接口和电源管理四个主要模块。微型传感器节点可以随机或者特定地布置在工作环境中，通过无线通信实现自组织，获取周围环境的信息，形成分布自治系统，相互协同完成特定的任务。

4.感知仿生

感知仿生是通过研究生物感知器官、系统及生物神经元与神经网络的功能结构和作用机理，构建与生物相似功能和结构的人工系统。

下图所示为北京理工大学智能机器人研究所等单位研制的应用了视觉、听觉、触觉、平衡觉等大量传感器的仿人形机器人在打太极拳。

5.信息难以获取的传感技术

信息难以获取的传感技术，如隔墙探测或隔墙成像技术，尤以思维信息获取的传感器系统至关重要。

美国科学家日前在动物实验中“解码”了从猴子大脑中记录下的思维信号，并进而用这些信号成功地对实验装置进行控制，朝着用意识控制机器的方向迈进了一步。此外利用鱼脑、人脑控制机器人，也获得成功。

传感技术在中小学教育中应用的必要性

1.有利于提高中小学生科学素养

目前中小学生的科技素质偏低，中小学科技教育薄弱。这种状况令人十分担忧。一个民族科学素质的提高，仅靠个别的科技“精英”是远远不够的，应该面向全体学生和公民，首先要对全体中小学生施以不同层次、不同内容、适用范围广泛的基础科技知识和方法的教育，使他们成为具有良好科学素质的现代公民。

全面培养学生的素质教育是时展的趋势，也是我国教育改革的必然趋势。目前在中小学举办的被称之为“传感器系统集成的智能机器人竞赛”的赛事越来越多，其主要原因就是为了在增强学生对学习的兴趣、激发学生对信息科技浓厚兴趣的同时，全面拓展信息科技活动的广度和深度及全面培养学生对信息科技的开发能力，提升信息科技教育的价值。

机器人是21世纪中小学生最富挑战性的科技活动平台，它的学习价值得到了充分的体现，它全面接触传感器技术、计算机的软硬件的开发、人工智能等高新科技；它能全面培养学生的动手能力、创造力、综合能力、合作能力和进取精神；它能全面激发学生对科学技术的兴趣。当学生看到自己设计、制作的产品行动起来时，那种喜悦的心情是任何事情都无法比拟的；如果这种产品又被大规模地推向市场，为很多人使用和珍爱，这种快乐就更是无以复加了。

事实上，“机器人大赛”为大家提供了一个实践的舞台。因此，希望大家能积极地参加机器人大赛，去体验一下“制作的快乐”。而且，由于对初中、高中在校学生素质能力的日益关注，有可能在今后中考和高考中，会给参加机器人大赛的同学予以积极的评价，对于在大赛中取得良好成绩的同学予以保送等支持。以促进学生科学素质和良好心理素质的提高，养成勇于探索、追求新知、实事求是、敢于创新的科学精神。

2.有利于学生提高动手实践能力

目前中小学课程、教材、教法不完全适应现代科技教育和培养创新人才的需要。课程结构不尽合理，教材知识滞后，教学方法不够灵活，基本上以讲授科学知识为主，让学生听科学、读科学，而不是做科学、用科学。另外中小学科技教育经费严重不足，科技教育设施和条件难以满足科技教育的基本要求。这些导致我国的中小学生读书、考试擅长，动手实践、创新能力不足，一条腿长、一条腿短。为此，在可能条件下，在中小学教育中应用较低成本的传感器技术，有利于提高学生动手实践能力，从征服传感器技术入手，征服科学，从了解机器人感知系统起步，到掌握机器人的智能技术。

第7篇：神经网络的基础知识范文

人工智能技术就本质而言是对于模拟人脑的思维和处理事务的方式，但有别于人脑思维的是人工智能只是进行无意识的机械的物理操作，并不具备像人脑一样的创造性（见图1）。人工智能的最终目标是通过不断研究人类智能生产出能够高度和人类智能及思维方式的相似反应的智能机器。研究领域主要有：机器人、语言识别、图像识别以及自然语言处理和专家系统等。目前人工智能在我国电气化控制中的技术实际应用还不是很多，这需要我们今后不断地去探索研究，去更好地促进电气领域快速发展。

2人工智能控制技术的优点

人工智能控制不同分支通常需要有针对性的研究方法。但其中采用神经、模糊、模糊神经以及遗传等算法的AI控制器都可看成为一类非线性函数近似器。既然有利于从总体上的直观了解，并且有利于实现对控制策略的进行统一开发。这些AI函数近似器大大优于通常的函数估计器。表现有以下几个方面。（1）设计之前无需事先准备控制对象的模型。由于无法确定参数的具体情况导致变化不确定性和非线性时的信息等不确定的。通过使用人工智能控制器可以很好的解决动态方程很难精确掌握实际控制对象现象。（2）人工智能控制器可以根据实际响应时间、下降时间、鲁棒性能等变化适当调整以提高自身性能。（3）人工智能控制器比传统的控制器调节更容易，在没有进过相关技术培训时，也能根据实际的数据、信息和语言等便捷的进行设计操作。（4）人工智能控制器通常情况下表现出相当好的一致性，即使驱动器的特性有差异，当输入一些新的未知数据它们也能很好的估计。

3人工智能的实际应用

近年来人工智能技术快速的发展，高等院校及科研机构研究人员开始展开将人工智能应用到电气工程自动化控制中的研究工作。在电气方面的研究工作主要有电气设备故障的预测、诊断、电气产品的优化设计、控制以及系统保护等方面。

3.1对电气设备进行优化设计

对电气设备的优化设计是一项非常复杂的工作，不仅要有电路、电磁场、电机电器等方面的基础知识，并能灵活应用，而且还要有丰富的过去运用设计的经验。以往的产品设计中根据经验在实验室通过人工手动制作的方式进行，所以要想获得最优方案是很难的。计算机技术迅猛发展的今天，电气产品的设计中的手工设计方式逐渐被计算机辅助设计（CAD）所替代，产品开发周期得到极大缩短。通过在CAD技术里引人人工智能，帮助设计人员提升所设计产品质量和设计的效率。用于电气产品的优化设计的人工智能应用主要集中在遗传算法和专家系统两方面。遗传算法由于其计算方法先进，计算结果精度高，因此遗传算法及其衍生算法普遍应用于对电气产品的智能化优化设计中。另外使用较多的优化设计方法是专家系统。电气设备发生故障一般是不确定和非线性的，但在故障之前有着一定的预兆，而这些预兆和故障之间又有着很紧密的联系。通过人工智能加入可以使用专家系统得到最大限度的发挥。除此两种方法外目前模糊逻辑和神经网络等方法也有被运用到电气设备的优化设计当中。

3.2对电气设备的事故以及故障进行诊断

电气领域中通常而言，传统的诊断方法不足之处就是准确率不高。发动机、发电机和变压器等事故和故障出现的频率很高。传统的方法是通过对收集的变压器油产生的气体进行分析，然后根据气体样本的分析结果来对故障是否存在做出判断。不仅消耗大量的时间，而且还很费人力，时效比较低下，所以并不方便在平常的诊断中应用。其中原因也是纷繁复杂多变的。而这些事故和故障往往都是事发突然。由于故障需要快速的解决的特性，如果得不到及时诊断处理或者诊断处理过程中使用的方法不当，将会造成非常严重的损失。所以他们处理起来一般是非常棘手的。图2为人工智能的故障诊断方法。在电气故障和事故诊断中有效的运用融入了人工智能技术的神经网络、模糊理论和专家技术主要技术可以很好解决传统方法遇到的问题，大幅提升故障诊断准确率，进而成倍的提高生产效率，减少损失。

3.3对电气控制过程中的有效应用进行分析

在电气技术逐渐现代化的的今天，电气控制过程起着相当重要的作用，确保电气化系统稳定高效的运行一直以来都是业界和学界所面临的难题。电气控制对技术人员的操作过程要求是非常严格，具体操作步骤也很复杂繁琐。如何提高其操作效率是相关研究工作人员一直潜心研究最求的阶段性目标。而人工智能的出现有效地解决了这些问题，人工智能借助于计算机或自动计算等核心技术，实现了代替部分需要人类智能额的负责劳动。界面化的形式不仅可以简化了日常操作过程中操作流程，而且还可以了对电气系统进行远程控制及其操作。此外还可可对某些重要信息或资料进行及时地储存，以方便日后进行查阅，通过此技术还可自动进行表报的生成，大幅度降低了人力物力资源的投入，大幅提高工作效率及其精确度。人工智能在电气自动化中的应用主要在专家系统控制、神经网络控制以及模糊控制等方面。其中模糊控制此过程主要是通过电气传统过程中的直流及交流传动的作用而得以实现的。一般情况下电气直流传动控制过程中模糊逻辑控制主要包括了Mamdani和Sugeno。在具体应用中，前者大多数是用来进行调速控制，后者则属于前者的一个例外情况。而在交流传动过程中等相关问题的应用而大多用模糊控制器取代传统的常规调速控制器从而更好的实现控制功能。

3.4对控制及保护功能进行实现

目前比较广泛运用的人工智能能实现对所有开关量、模拟量数据实时自动采集与处理，并能按照设计者预先设计好的要求进行定时批量的整理和存贮。还可以通过运用图像生成软件对于电气系统进行历史运转情况进行真实画面模拟显示。电流、电压、隔离开关、断路器等电机设备的运转状态的到直观形象的反应，一目了然。操作人员可以根据实际情况进行相关数据的分析及建立图表。这里需要注意的是因为图像和画面比正常的字符数据所要占用的系统资源更多，因此也需要考虑实际控制端设备的硬件条件是否符合需求，这样可以避免因控制终端因生成图像等需要耗费大量运算资源而导致系统其它重要控制程序的运行不稳定或者卡死的情况发生。实现了对各主要设备的模拟量数值、实际开关状态的实时智能监视挂牌检修功能，有事故报警越限和状态变化事件报警，顺序记录系统中的各项事件，并进行在线分析负序量计算等。综合集成了声光、语音、电话图象等多模式同时或选择性报警。在操作控制方面，智能化技术是技术人员可以通过键盘或鼠标实现对隔离开关，断路器等的现场或者远程控制，励磁电流的调整。顺序记录并实时对模拟量故障进行录波，相关波形捕捉，开关量变位，在线参数设定及修改，保护定值包括软压板的投退。运行管理操作票专家系统，自动保存运行日志，随时备查，自动生成报表的及存储或打印，描绘系统运行曲线等。图3人工智能的控制功能示意图。

3.5在电力系统自动化中应用

在火力发电厂中，通常有顺序控制和开关控制两部分构成辅助系统的工艺流程。随着人工智能科技的不断进步，社会对电力行业在生产中要保持稳定性和流畅性的要求不断提高，现在很多大型的电力企业均将PLC控制系统逐步代替辅助系统中的比较传统落后的继电控制器。通过PLC控制系统可以一方面对某个工艺流程进行实时的控制，另一方面协调全厂的安全生产。火力发电厂输煤系统有上煤、储煤、卸煤、配煤以及辅助系统等几个部分共同构成。输煤控制系统由主站层、现场传感器和远程IO站三部分组成连贯的网络体系结构。其中由人机接口和PLC共同构成主站层，少许工作人员在设置有主站层的集控室内，通过系统的显示屏以自动控制为主手动控制为辅对系统进行监视和控制，大幅可以提高发电企业生产效率。由于PLC的在发电厂里的广泛应用，以往的实物元件大部分可以用软继电器来代替，既提高了系统的可靠性，又节省了电力企业的设备零配件的投入。随着PLC技术的应用，实现了电厂不同发电机组在供电系统之间自动切换，供电的可靠性和稳定性得到很大程度上提高是不言而喻的。图4为NEMS智能综合监控系统。

4结语

第8篇：神经网络的基础知识范文

（华北电力大学（保定） 经济管理学院，河北 保定 071003）

摘要：基于灰色理论和马尔科夫理论,建立传统的灰色马尔科夫预测模型;对传统灰色马尔科夫预测模型初始预测值的构造存在的一定误差进行改进,并用改进后的新模型计算全国碳排放量，然后将全国碳排放量预测结果与传统的灰色马尔科夫模型进行对比;预测结果表明:改进后的灰色马尔科夫模型预测精度有了进一步的提高并验证了算法的有效性.

关键词 ：碳排放量；二氧化碳排放量；灰色理论模型；马尔科夫链；新陈代谢

中图分类号：F224文献标识码：A文章编号：1673-260X（2015）05-0071-03

1 引言

中国作为世界上最重要的发展中国家之一，多种因素促成碳的排放量始终高于其他国家.目前中国是全球最大的碳消费国和第二大的石油消费国，对世界环境和自身发展都造成了不利影响.因此针对碳排放量的先进准确预测变得尤为重要，它能够使得政府或相关部门在碳排放量情况变得更加严峻之前调整能源方针，提出更加行之有效的节能低碳方案并付诸行动.

文献[1]中拟建立关于能源消费碳排放量的多因素灰色预测模型,并对GM(1,N)和GM(0,N)模型预测能源消费碳排放量的精度进行了检验和对比分析.文献[2]中利用灰色关联分析原理,对中国碳排放影响因素进行筛选,再利用BP神经网络模型对中国碳排放进行预测,从而大大地提高了神经网络的训练速度,并且达到了良好的预测效果.

2 传统的灰色马尔科夫建模

2.1 灰色系统理论

设原始时间序列：X(0)={x(0)(1),x(0)(2),…,x(0)(n)}；经过一次累加得新的时间序列：X(1)={x(1)(1),x(1)(2),…,x(1)(n)}，其中x(1)(k)=x(0)(i)，则GM(1,1)模型的原始形式为：

x(0)(k)+ax(1)(k)=b

若为参数列，且其中:

z(1)(k)=1/2[x(1)(k-1)+x(1)(k)]；

则GM(1,1)模型x(0)(k)+ax(1)(k)=b的最小二乘估计参数列满足等式：

=(BTB)-1Y

推出关于x(0)(k)预测模型预测值表达式为：

x(0)(+1)=(1-ea)x(0)(1)-b/ae(-ak)；k=0,1,2,…，n

2.2 马尔科夫过程

假设{X(t),t∈T}是定义在概率空间(?赘,f,P)上的随机过程，状态空间S，若对于任意n>0状态i1，i2，in+1∈S均有：

P{Xn+1=in+1|X1=i1，X2=i2,…,Xn=in}=P{Xn+1=in+1|Xn=in}

则称{X(t)，t∈T}为马尔科夫链，此种概率所表示现象称为无后效性，即在当前情况下，系统未来的变化不受过去影响，只依赖于目前所处的状态，此过程为马尔科夫过程.

对Pij(n)(m)=P{Xm+n=j|Xm=i}，且i,j∈S进行定义为系统在m时刻所处i状态下经过n步转移后处于j状态的n步转移概率，在齐次马尔科夫链下，记Pij(n)=Pij(n)(m)，i,j∈S,n≥1，称为马尔科夫链的n步转移概率；

设Pij={pij}=为系统状态的转移概率矩阵.n步转移概率矩阵P(n)={Pijn}，矩阵元素具有如下性质：

2.3 传统灰色马尔科夫模型

现实生活中的各种不确定因素使得转移概率难以实现确切地表达，只能得到一个转移概率取值的灰色区间集pij().

若有限状态灰色马尔科夫链的初始分布为PT(0)={p1,p2,…,pn}，转移矩阵为p()=[pij()]均已知情况下，我们可以对未来任取某一时期系统的分布进行预测.即：

PT(s)=PT(0)Ps().

定义Qij(m)为从灰色状态i经m步后转移到灰色状态j的原始数据样本数，Qi为所处灰色状态i的原始样本数，得到：pij(m)=；i=1,2,…,n为状态转移概率.

通常只考虑一步状态概率矩阵，若预测对象处于k状态，若状态概率矩阵中第k行满足：，则认为系统下一时间点最有可能由k转移到l状态.若存在两个或两个以上最大值，就需要对两步或两步以上的转移概率矩阵进行考察，以便确定状态未来走向.

3 传统模型对全国碳排放预测

3.1 数据提取与转化

由中国统计年鉴得到2005年至2014年各年能源消费总量及煤炭、石油、天然气以及电能等所占能源消耗比例，见表3-1.

由于计算各年二氧化碳排放量过程中需要进行系数转化，因此给出各能源二氧化碳转化系数，见表3-2.

因此，各年二氧化碳排放量，如下表3-3所示.

3.2 模型预测结果及分析

将所得各年CO2排放量数据带入传统灰色预测模型，得到各年CO2排放量的预测数值，计算出实际值与预测值之间的误差以及误差相对值，然后将其与马尔科夫链模型相结合，对所得误差相对值进行排序，并按照顺序分为三组，进行三种灰色状态划分，记1=（-6.9%，-1.54%]，2=(-1.54%，-0.01%]，3=（-0.01%，2.55%],具体各年预测值、误差、相对误差及所属状态见表3-4.

由表3-4可知，相对误差的状态转移矩阵P为：

P=

2005年处于状态1，则状态向量表示为x0=（1,0,0），则对2006年状态预测为：

P(1)=x0P=(1,0,0)=(1/2,0,1/2)

则预测2006年可能处于第一状态或者是第三状态，即相对的误差范围处于（-6.9%，-1.54%]或3=（-0.01%，2.55%]，每个状态区间可能预测值可认定为该状态区间的中点，由于未来状态预测值表达式为：

因此2006年的二氧化碳排放量预测修正值为：

同单纯灰色预测模型相比，灰色马尔科夫模型的预测值更为准确，同理通过灰色马尔科夫预测模型得出各年二氧化碳预测值.见表3-5.

4 改进的灰色马尔科夫预测模型

为了能够更准确地了解系统未来的发展动态和走向，我们引入了新陈代谢的GM(1,1)模型.新陈代谢的GM(1,1)模型作为灰GM(1,1)模型的一种特殊的优化模型，它充分利用了灰色GM(1,1)模型对“少数据”进行预测的这一优点.在将旧的信息去掉的同时不断填充新的数据信息，及时地反应系统当前的状态特征，有利于更好地掌握系统的未来发展走向.

首先将由灰色模型得到的2014预测值记为x(0)(10)，然后舍弃最早的2005年数据，则得到新的X(0)={x(0)(2),x(0)(3),……,x(0)(10)}，然后得到新模型的预测值、残差、相对误差及所属状态，见表4-1.

同理，对所得误差相对值进行排序，并按照顺序分为三组，进行三种灰色状态划分，记1=（-2.94%，-0.79%]，2=(-0.79%，0.15%)，3=[0.62%，2.41%],由表4-1可知，相对误差的状态转移矩阵P为：

同理，通过状态转移矩阵，得出各年预测值，见表4-2.

5 改进后模型的预测结果分析比较

通过前面四章分析计算，可以分别得出三种方法的平均绝对误差、平均相对误差以及均方差，见表5-1：

由表5-1可知，改进后的灰色马尔科夫模型具有更为客观的平均绝对误差和相对误差值，同时也具有较为优秀的均方差值，尤其是在2014年的预测中，表现的尤为优秀，表明同新陈代谢相结合的灰色马尔科夫改进后模型能够准确预测全国二氧化碳排量总量，因此用这种方法改进的模型具有可行性，提高了预测的准确性.

6 结论

本文在理论、方法、以及技术上对全国二氧化碳的排放量预测进行了研究.本文首先简单介绍了马尔科夫过程和灰色系统理论的一些基础知识；然后分别运用传统灰色模型和灰色马尔科夫预测模型对二氧化碳排放量进行了初步预测；最后，用新城代谢方法对灰色马尔科夫预测模型做了改进，并将改进后的模型再次用于对全国邮电业务总量的预测.由最终的预测结果可以得出，改进后的预测模型能相对准确地对全国二氧化碳排放量的数据进行预测，预测的精度和准确度相对于传统模型有了很大的提升.

参考文献：

〔1〕张勇，刘婵，姚亚平.GM(1,N)与GM（0,N）模型在能源消费碳排放预测中的比较研究[J].数学的实践与认识,2014(3):72-79.

〔2〕季广月.基于灰色关联分析的BP神经网络模型在中国碳排放预测中的应用[J].数学的实践与认识,2014(7):243-249.

〔3〕邓聚龙.灰色理论基础[M].武汉：华中科技大学出版社，2002.

〔4〕邓聚龙.灰色系统基本方法[M].武汉：华中科技大学出版社，1998.

〔5〕刘思峰，党耀国，方志耕，等.灰色系统理论及应用（第三版）[M].北京：科学出版社，2004.

〔6〕孙荣恒.随机过程及其应用[M].北京：清华大学出版社，2004.

〔7〕李龙锁，王勇.随机过程[M].北京：科学出版社，2011.

〔8〕牛东晓..粒子群优化灰色模型在电力负荷中的应用[J].中国管理科学，2007.

第9篇：神经网络的基础知识范文

Matlab及其应用课程与多门课程交叉，既具有理论性又具有实践性，为了提高教学效果，需要对该课程的教学进行研究和改进。根据作者调研，目前的教学实践中存在以下问题：教学内容上，主要参照各类教程按功能分类陈述的一系列命令和函数的用法，没有与相关课程的教学内容结合，而且缺少具有实际应用背景的介绍；教学方法上，以讲授法为主，按照教材的章节顺序对教材上的命令和函数介绍，再通过相关例子讲解用法，学生不能自主学习和探索；教学效果上，仅仅会独立使用命令和函数，面对具体的专业问题时，却不能运用所学相关的知识去解决实际问题，具体表现为学生综合应用能力不强，缺乏分析问题的能力。究其原因，主要在于课程内容与专业、应用背景脱节，而且传统教学方法对命令和函数的讲授与应用练习都是单独进行的，没有及时与应用实例相结合，学生往往当时能听懂、会练习，但到真正在解决实际问题时需要综合若干知识点，却不能根据实际情况灵活运用已学过的知识，有的甚至学了前面忘了后面，从而失去学习的兴趣，导致教学效果很不理想。

二、教学内容的研究

Matlab及其应用课程的教学内容可以分为三个层次：一是基础知识，主要包括矩阵操作、可视化、程序设计和GUI等，这部分内容和其他高级语言基本相通；二是动态系统建模、仿真和综合分析的集成环境Simulink，该内容是教学的重点和难点；三是工具箱，该内容可根据专业背景有选择的进行教学。本课程存在着内容多和学时有限的矛盾，为了能在有限的时间内让学生掌握核心内容、打好基础，在后续学习和应用中具备自学能力，精选教学内容尤为关键，课程内容应根据不同专业、专业特征以及不同的教学对象进行不同的调整和补充，在教材的选用上也所不同。在教学中应根据专业背景的实际情况，参照课程教学大纲，选择的教学内容尽可能地覆盖知识点，而且在深入学习后续内容的同时能对已讲授过的内容进行复习。

1.理论联系实际，强调应用领域。

如何在有限的学时内让学生掌握Matlab软件，并能综合运用软件提供的功能解决各自的专业问题是课程教学的目的。作者的教学思路是从实际应用领域中选取典型范例，突出应用价值，从实际工程中了解哪些问题需要或者可以由Matlab来解决。矩阵运算是Matlab最基本的功能，在讲解这部分内容时，通过介绍数理统计中的线性回归和实际应用建立联系，对矩阵求逆、转置等知识点进行教学。Matlab在数据可视化方面也提供了强大的功能，在该部分内容的教学过程中，可向学生介绍在实际试验、工程测量及科学计算中，通常将采样的离散数据用各种形式的图形表示出来，从而分析其所反映的内在规律。在Simulink教学过程中，作者通过介绍汽车悬架的知识引入“弹簧—质量—阻尼器”机械动力学系统的仿真。通过强调教学知识潜在的应用价值，可以充分调动学生学习的主动性和积极性。

2.根据专业背景增加教学内容。

Matlab作为一种高性能的数值计算和可视化软件，随着其功能的逐步增加和完善，在电气、电子、控制、机械、汽车、航空航天等众多领域有着广泛的应用，这就要求教师要处理好基础知识和高级应用的关系，结合专业背景，从中选取相关的知识，在教学过程中将先进工具箱的功能、在相关领域的应用现状及时介绍给学生。如：电类专业适当增加SimPowerSystems工具箱的教学，机械类专业需要了解SimMechanics工具箱，信息类专业可选择增加神经网络、最优化、图像处理工具箱等。结合学科背景增加教学内容，扩大了学生的知识面，提高了学生对科学技术的兴趣。

三、教学方法的研究与探索

1.运用实例教学法。

实例教学法依托具有代表性的例子对所涉及的知识点进行教学，这种教学法目的性强，具有直观、实用的特点，能迅速吸引学生的注意力，提高学生的学习兴趣和积极性。应用实例教学法对于Matlab语言基础的教学有较好的效果，在教学过程中不以教材的章节顺序进行授课，而是以实例为中心，通过综合讲解精心选择的实例，使学生更好地掌握知识点，并把要学习的知识点融入到具体实例中来讲解，整个教学过程强调学以致用，在应用中学习。例如在Matlab语言的数据类型、数值运算、基本语句结构、程序流程结构、绘图基础等知识点的教学过程中，笔者通过冒泡排序、分段函数的实现及图像绘制等实例进行综合教学，效果明显优于传统的教学方法。

2.实施任务驱动教学。

任务驱动法以学生为中心、以任务为驱动，是一种主动探究型的教学方法，将任务驱动法运用于课堂教学，引导学生思考，不仅可以激发学生的学习兴趣，更重要的是培养了学生发现问题、分析问题和解决问题的能力，完成知识的自我构建，有利于培养学生自主学习的能力。例如，MatlabGUI程序设计部分的教学，如果采用先介绍句柄图形对象再介绍其属性的传统教学方式，则不利于学生完成知识构建和能力的形成，更不利于通过自主学习学会设计步骤。教学时，可以将该部分内容设计成任务，“驱动”学生在完成任务的过程中掌握知识的应用。笔者在教学过程中，要求学生根据“自动控制原理”课程学习的内容，完成二阶系统阶跃响应的图形化设计。任务目的：①掌握MatlabGUI程序设计；②培养学生自主学习能力。任务内容：①综合应用Matlab语言中数组、函数、绘图指令以及GUI界面设计等知识，开发简单交互式应用程序；②编程计算二阶系统阶跃响应函数，并实现图形化显示；③创建一个图形用户界面，实现在界面上输入相关参数，便可以显示二阶系统阶跃响应的图形；④调节系统参数，对比其图形变化。

四、结论