神经网络的基本功能篇1
人工神经网络是由大量的简单基本元件-神经元相互联接而成的自适应非线性动态系统。每个神经元的结构和功能比较简单，但大量神经元组合产生的系统行为却非常复杂。人工神经网络的基本结构模仿人脑，反映了人脑功能的若干基本特性，能够自身适应环境、总结规律、完成某种运算、识别或过程控制。人工神经网络具有并行处理特征，可以大大提高工作速度。
人工神经网络的特点和优越性，主要表现在三个方面：
第一，具有自学习功能。
第二，具有联想存储功能。
第三，具有高速寻找优化解的能力。
1神经网络的学习方法
神经网络的学习也称为训练，指的是神经网络在外界环境的刺激作用下调整网络自由参数，并以新的方式来响应外部环境的过程。能够从环境中学习并在学习中提高自身性能是神经网络最有意义的性质。理想情况下，神经网络在每一次重复学习后，对它的环境有了更多的了解。
（1）监督学习（有教师学习）
在学习时需要由教师提供期望输出，通常神经网络对于周围的环境未知而教师具有周围环境的知识，输入学习样本，教师可以根据自身的知识为训练样本提供最佳逼近结果，神经网络的自由参数在误差信号的影响下进行调整，其最终目的是让神经网络模拟教师。
（2）非监督学习（无教师学习）
它也称为自组织学习，系统在学习过程中，没有外部教师信号，而是提供给一个关于网络学习性质的度量，它独立于学习任务，以此尺度来逐步优化网络，一旦网络与输入数据的统计规律达成一致，那么它将发展形成用于输入数据编码特征的内部表示能力，从而自动创造新的类别。
（3）强化学习（激励学习）
在强化学习系统中，对输入输出映射的学习是通过与外部环境的不断交互作用来完成学习，目的是网络标量函数值最小，即外部环境对系统输出结果只给出评价信息（奖或罚）而不是给出正确答案，学习通过强化那些受奖的动作来改善自身性能。
神经网络针对学习问题修改网络自由参数的过程称为学习规则（学习算法），设计学习规则的目的是训练网络来完成某些任务，没有一个独特的学习规则可以完成所有的学习任务。神经网络有5个基本的学习规则：误差--修正学习，基于记忆的学习，Hebb学习，竞争学习，随机学习。
2神经网络的研究趋势
（1）利用神经生理与认知科学研究大脑思维模式及智能机理过程
深入研究神经网络理论神经网络在一定程度上揭示人类智能和了解人脑的工作方式，由于人类对神经系统的了解非常有限，而且对其自身脑结构及其活动机理的认识不完善，故而神经网络只能是模仿人脑的局部功能，而对人脑作为一个整体的功能解释，神经网络起不到任何作用。神经科学，心理学和认识科学等方面提出的一些重大问题，是向神经网络理论研究提出的新挑战，这些问题的解决有助于完善和发展神经网络理论，因此利用神经生理和认知科学研究大脑思维及智能机理，如有新的突破将会改变智能和机器关系的认识。
（2）神经网络领域的数学研究趋于重要
随着神经科学基础理论研究的深入，用数理方程探索智能水平更高网络模型将是研究的趋势所在，神经元以电为主的生物过程在认识上一般采用非线性动力学模型，其动力演变过程往往是非常复杂的，神经网络这种强的生物学特征和数学性质，要求有更好的数学手段，而对于神经网络这样非线性模型，需要用数学方法研究网络新的算法和网络性能，如稳定性、收敛、容错性、鲁棒性等，开发新的网络数理理论，如神经动力学、非线性神经场等。研究人员断言一种更简洁、更完善和更有效的非线性系统表达与分析的数学方法是这一领域主要目标之一。
（3）神经网络软件模拟、硬件实现的研究以及神经网络在各个科学技术领域应用的研究
目前，数字计算机在计算方面的能力已远远超出入的大脑，但在自然语言理解、图像辨识、信息处理等方面都显得笨拙，原因是基于冯・偌依曼思想的计算机结构及其运算方式与人的大脑有本质的区别，而神经计算机（第六代计算机）以神经网络为理论基础，用于模拟神经网络，具有自学习、自组织和自适应能力，能更有效地处理复杂问题，其实现过程用光学、生物芯片的方式，现在光学神经计算机和分子计算机的研究是神经网络的前沿课题。
（4）神经网络和其它算法结合的研究
神经网络和其它算法的结合和交叉，研究新型神经网络模型也是发展方向之一。如神经网络和模糊逻辑结合，建立模糊神经网络；将混沌理论和神经网络结合建立混沌神经网络；将遗传算法和神经网络结合；利用遗传算法优化神经网络的结构或权值；将小波分析和神经网络结合建立小波神经网络；专家系统，贝叶斯学习以及粗糙集理论和神经网络结合等，这些都是神经网络研究的热点。
3结束语
神经网络虽已在许多领域应用中取得了广泛的成功，但其发展还不十分成熟，还有一些问题需进一步研究。比如：神经计算的基础理论框架以及生理层面的研究仍需深入；新的模型和结构的研究；神经网络的可理解性问题；神经网络技术与其他技术更好的结合等。
神经网络的基本功能篇2
【关键词】功率预测短期预测均方根误差
发电与用电必须实时平衡是电力系统运行的重要特点，只有这样系统才能保证安全和稳定。因而无论在国内还是国外，电网调度部门主要负责电力系统的调频、调峰、安排发电计划和备用容量等业务。对于新能源发电方面，尤其以光伏和风电为代表，当其在电力系统中达到较高透率时，准确预测其输出功率不仅有助于调度部门提前调整调度计划来减轻光伏风电间歇性对电网的影响，而且还可减少备用容量的安排，从而降低系统运行成本。因此，新能源功率预测在电网调度领域占有举足轻重的地位，更精确的预测风能、太阳能发电功率有利于制定合理的电力调度计划。
1国内外研究现状
对新能源发电功率预测技术的研究较早起源于国外，尤其以丹麦、德国、瑞士、西班牙和日本等国的相关大学和科研机构为代表。上世纪90年代丹麦开始大力发展风电，促使了其不同公司或高校开始研究新能源功率预测问题。[1]相继产生了多个产品，如Riso实验室开发了prediktor系统，丹麦技术大学开发出wppt（windpowerpredictiontool）系统，而后的用于风电功率预测的Zephry系统就是由prediktor和wppt整合而来，另外由enFoR公司研发的用于光伏功率预测的SoLaRFoR系统也比较有代表性；作为国际上较早大面积应用新能源的德国，其oldenburg大学开发了previento系统，德国太阳能研究所开发了风电功率管理系统（wpmS）；西班牙Joen大学建立了19kw的光伏发电站验证其发电预报准确率[2]，通过人工神经网络算法，以实测的光伏板温度、日照辐射强度为输入值，以其i/V曲线为目标函数，训练神经网络的多层传感器，求解出逼近实际工况的i/V曲线，建立了发电功率日照强度、板温之间的函数关系，经过验证，该系统2003年发电量预测值与实测值的历史相关系数高达0.998。国内方面光伏发电量预测技术研发起步较晚。华北电力大学[3]结合光伏组件数学模型和保定地区气象资料，模拟了30mw光伏电站发电量数据，利用支持向量机回归分析方法进行功率预测，但该方法无实际光伏电站的实况发电量数据，缺乏实验验证，对实际光伏电站发电量预报的指导意义有限。华中科技大学[4]利用该校屋顶光伏并网发电系统资料进行研究，通过2005―2010年不同季节气象因素与发电量之间的相关分析，得出光伏发电量与辐照度的相关性最大、温度次之、风速再次之。
2功率预测方法及分类
为提高功率预测精度，国内外研究机构都在尝试各种新的预测方法，主要的功率预测方法分类如（图1）。
时间序列分析是持续预测法中的一种，其认为风速、辐照强度预测值等于最近几个风速、辐照强度历史数据的滑动平均值，通常只是简单地把最近一点的观测值作为下一点的预测值。该模型的预测误差较大，且预测结果不稳定。改进的方法有aRma模型法、卡尔曼滤波法。
人工神经网络方法被广泛用来解决非线性问题的建模方法。它由大量简单元件相互连接而成的复杂网络，具有高度的非线性，能够进行复杂的逻辑操作的非线性关系。其具有很多优良性能，如非线性映射能力、自组织性和自适应性能力、记忆联想能力、容错能力等。
按照风电或光伏功率预测的时间尺度可分为中长期、短期和超短期预测。对于中长期预测或更长时间尺度，主要用于风光电场或电网的检修维护计划安排等的预测。对于30分钟～72小时的预测，主要用于电力系统的功率平衡和经济调度、电力市场交易、暂态稳定评估等称为短期功率预测。一般认为不超过30分钟的预测为超短期预测。从预测模型建立角度考虑，不同时间尺度的预测有本质区别：0～3小时的预测主要由大气条件的持续性决定，所以如果不通过数值天气预报也能得出较好的预测结果，如采用可得到更好结果。对于时间尺度超过3小时的预测，不考虑数值天气预测无法反应大气运动的本质，所以难以得到较好的预测结果，所以通常的预测方法都采用数值天气预报的数据。
基于物理方法的功率预测流程示意图如下（以风功率预测为例）。首先通过数值天气预报得到风速、风向等气象数据，再根据电场周围的地理信息参数（等高线、粗糙度、障碍物、温度分层等）采用软件计算得到风机轮毂高度的风速、风向、气温、气压等参数，最后根据风机功率曲线计算得到风电场输出功率。因为在不同的风向和温度条件下，即使风速相同，风电场输出功率也不相等，因此风电场功率曲线是一族曲线，同时还应考虑风电机组故障和检修的情况。对整个区域进行风电功率预测时，可对所有的风电场输出功率进行预测，然后求和得到区域总功率。
基于统计方法的风电/光伏的功率预测不考虑风速/辐照变化的物理过程，根据历史统计数据找出天气状况与风光电场出力的关系，然后根据实测数据和数值天气预报数据对电场输出功率进行预测。
两种方法各有优缺点。物理方法无需大量的测量数据，但对大气的物理特性及风/光电场特性的数学描述要求较高，这些描述方程求解困难、计算量大。统计方法无需对求解方程，计算速度快，但需要大量历史数据，采用机器学习方法对数据进行挖掘与训练，得到气象参数与风/光电场输出功率的关系。目前的趋势是将两种方法混合使用，称之为综合方法。
3三种预测方法的对比
通过应用三种统计预测算法于某案例中对其预测精度进行了对比。案例以某岛屿上的分布式风光电站发电量为检验对象，该电站由25台30kw并网光伏逆变器、5台50kw风机组成，合计1000kw。选取2013年4月份的历史功率数据和历史数值天气预报数据作为模型建立依据，5月份发电量作为预测对象（因为该区域4，5月份天气变化相对最小），并采用同时段的历史功率数据对模型的预测结果进行验证。
3.1aRma预测模型
3.1.1aRma模型的基本原理
aRma模型也称为自回归滑动平均模型，是研究时间序列的重要方法之一，是由自回归与滑动平均两种模型“混合”而成。常用于长期追踪资料的研究和用于具有季节变动特征数据的预测中，所以可将其应用于风电光伏功率预测领域。
3.1.2预测结果及误差分析
运用aRma模型分别对5月1日9时0分至5月31日18时00分进行预测，得到原始风电光伏总功率和预测功率。预测结果如（图3、4）所示。
常见的预测误差的评估方法有平均绝对误差，均方根误差，相关系数等。均方根误差放大了出现较大误差的点，能更好的反映光伏电站预测模型的准确度，因此本文采用均方根误差RmSe对模型的误差进行评估。
其中，n-测试样本数；p-装机容量。
通过matlab的计算，我们得到各项指标结果如表1。
3.2卡尔曼滤波预测模型
3.2.1模型基本原理
卡尔曼滤波法运用了滤波的基本思想，利用前一时刻预报误差的反馈信息及时修正预报方程，以提高下一时刻的预报精度。要实现卡尔曼滤波法预测风光功率，首先必须推导出正确的状态方程和测量方程。因已通过时间序列分析建立了风电功率时间序列的aRma模型，故可将aRma模型转换到状态空间，建立卡尔曼滤波的状态方程和测量方程。
3.2.2预测结果及误差分析（如图5、图6）
通过matlab的计算，我们得到各项指标结果如（表2）。
3.3小波神经网络预测模型
对于上文的aRma模型和卡尔曼滤波模型都属于线性模型，都必须先对模型结构做出假设，然后对模型参数的估计得到预测值。因此，模型结构的合理与否，直接影响到最终预测的精度。由于风光电场功率具有高度的不确定性，因而单一的线性预测模型不足以挖掘其功率数据中的所有信息。而神经网络具有自学习、自组织和自适应性，可以充分逼近任意复杂的非线性关系，所以本文选择小波神经网络方法对风光功率进行非线性预测研究。
3.3.1小波神经网络法基本原理
小波神经网络是一种以Bp神经网络拓扑结构为基础，把小波基函数作为隐含层节点的传递函数，信号前向传播的同时误差反向传播的神经网络。小波神经网络的拓扑结构如图7。
3.3.2模型建立
首先采集四月份一整月的光伏风电功率数据，每隔15min记录一个时间点，共有960个时间节点的数据，用前四月份30天的功率数据训练小波神经网络，最后用训练好多的神经网络预测之后的功率数据。基于小波神经网络的功率预测算法流程图如图8所示。
小波神经网络的拓扑结构如图9所示。
小波神经网络训练：通过数据训练小波神经网络，网络反复训练100次。
神经网络网络测试：用训练好的神经网络预测风光功率，并对预测结果进行分析。
3.3.3预测结果
利用matlab处理数据并进行计算，我们得到基于小波神经网络的功率预测结果（图10、11）。
预测结果分析：
本文采用了aRma模型、卡尔曼滤波预测算法和小波神经网络算法对该岛的分布式风光电功率数据样本进行了预测。分析表1～表3预测效果评价指标，我们得到以下认识：小波神经网络模型中我们得到预测结果：超短期预测精确度误差最小达到到7%，短期预测精确度误差最小达到到9%，表明小波神经网络的预测结果已经相当精确。对小波神经网络预测曲线与线性预测模型的预测曲线进行对比，可以看到：神经网络对于光伏风电功率的描绘更加平缓。
4结论与展望
在对国内外文献广泛调研的基础上，较为全面地论述了风电、光伏功率预测技术的研究现状和最新动态，对当前功率预测技术方法进行了总结归纳，建立了针对某岛屿分布式风光互补示范工程的高精度发电功率预测模型，成功实现了分布式电源总输出（光伏风电）的精确预测，实验运行结果表明：该系统能够准确预测次日短期和未来4小时超短期光伏发电出力，短期和超短期预测的月平均均方根误差分别为9%和7%。
为了进一步提高功率预测精度还需要提高数值天气预报质量，从而得到精度更高更丰富的区域气象数据。因此需要尽快建立我国数值天气预报商业化服务，进一步完善风电光伏功率预测系统，提高预测精度。
参考文献：
[1]BoSSanYiea.Short-termwindpredictionusingKalmanfilters[J].windengineering，1985，9（1）：1-8.
[2]almonacidF，RusC，perezpJ，etal.estimationoftheenergyofapVgeneratorusingartificialneuralnetwork[J].Renewableenergy，2009，34（12）：2743-2750.
神经网络的基本功能篇3
关键词：谐波；间谐波；全相位快速傅里叶变换；人工神经网络；虚拟仪器
中图分类号：tn711?34；tm417文献标识码：a文章编号：1004?373X（2017）01?0125?04
abstract：onthebasisofanalyzingtheavailableharmonicdetectionmethods，theharmonicandinterharmonicdetectionmethodbasedonall?phasefastFouriertransformandartificialneuralnetworkisstudied.anewharmonicdetectionmethodbasedonall?phasefastFouriertransformandBpneuralnetworkisproposedtosolvetheproblemoflowharmonicdetectionprecision.andaharmonicdetectionmethodbasedonall?phasefastFouriertransformandadaptiveneuralnetworkisusedtofurtherimprovetheaccuracyofharmonicdetection.aharmonicdetectionsoftwarebasedonall?phasefastFouriertransformandadaptiveneuralnetworkwasdesignedonvirtualinstrumentsoftwaredevelopmentplatformLabwindows/CVi.thesoftwarecanrealizethedetectionofharmonicamplitudeandphaseandcalculationoftotalharmonicdistortion，andgiveanalarmwhenthetotalharmonicdistortionisoutoflimit.
Keywords：harmonic；interharmonic；all?phasefastFouriertransform；artificialneuralnetwork；virtualinstrument
在理想情况下，电力系统的电能应该是具有单一频率、单一波形和若干电压等级的正弦电压信号。但是实际生产生活中由于一些原因，电网中的电能很难保持理想的波形，实际的波形总是存在偏差和形变，这种波形畸变称为谐波畸变[1]。造成谐波畸变的原因是电网中存在大量的电力系统谐波。随着谐波污染问题愈加严重，其产生的危害也越来越广泛。因此，谐波检测问题具有十分重要的研究价值和意义[2]。
1基于全相位快速傅里叶变换和Bp神经网络
的谐波检测
1.1谐波相角检测
全相位快速傅里叶变换具有相位不变性。利用该性质对电网电压信号的采样值进行全相位快速傅里叶变换谱分析，获得高精度的谐波相位值[3]。其步骤如下：
（1）采集电网信号，获取个采样值。
（2）对采样数据进行全相位快速傅里叶变换谱分析，获得幅值谱和相位谱。
（3）全相位快速傅里叶变换所得的幅值谱受到栅栏效应的影响无法获得准确的谐波信号幅值，但是幅值谱在谐波相应的频率附近会出现峰值谱线，通过读取该峰值谱线对应的相位值即可得到精确的谐波相位[4]。
1.2基于Bp神经网络的谐波幅值检测
选择Bp神经网络作为谐波幅值的检测方法。基于Bp神经网络的谐波幅值检测分为以下步骤：
（1）构建谐波检测Bp神经网络结构
传统的Bp神经网络谐波检测网络由输入层、隐含层、输出层构成[5]。本文构建的网络仅含有一个隐含层。由于传统结构的Bp神经网络输出层各神经元共用同一个隐含层，相互之间影响比较严重，存在谐波幅值检测精度不高的问题。因此本文采用改进的Bp神经网络结构，输入层、输出层设置不变，仅使输出层的每一个神经元分别都对应一个隐含层，解决了各待测谐波相互影响的问题，提高了谐波检测的精度。
（2）确定谐波检测Bp神经网络学习算法
设电网中电压信号为一周期性非正弦信，对做一个周期内的等时间间隔采样。采样数据作为神经网络的输入。隐含层的输出为。输出层为分别对应三次谐波和五次谐波幅值[6]。由于各次谐波具有相同的学习算法，在此仅以三次谐波为例，介绍其学习算法。三次谐波的隐含层和输出层的输出为：
（3）选取谐波检测神经网络训练样本
在实际检测时以检测奇次谐波中次数较低的谐波为主。本文谐波检测前通过滤除基波和更高次的谐波，选取由三次谐波和五次谐波组成的谐波电流为例说明训练样本的选取过程[7]。谐波电压可以表示为：
（4）学习样本选取完成后，按照Bp神经网络的训练过程训练神经网络。待训练结束，获取神经网络各个连接权值，从而固定Bp神经网络结构和连接权值，完成对谐波幅值的记忆。其后只需要采集电网信号作为同相位条件下的Bp神经网络的输入，即可从网络输出获取信号中所含的各次谐波幅值。
1.3谐波检测仿真实验
本仿真只对某个相位条件下的Bp神经网络对三次和五次谐波的幅值进行仿真验证。在三次谐波的相位为30°，五次谐波的相位为60°的条件下采用训练样本选取方法，获取676组训练样本，离线训练谐波检测Bp神经网络。仿真程序流程如图1所示。
训练完成后，选择多组相位同为30°和60°未训练的样本仿真验证谐波幅值检测的精度。通过实验可以看出，Bp神经网络谐波幅值检测方法结果比插值FFt具有更高的精度。通过增加训练样本个数可进一步提高神经网络谐波幅值检测的精度。
2基于全相位快速傅里叶变换和自适应神经网
络谐波检测
2.1检测步骤
基于全相位快速傅里叶变换和自适应神经网络的谐波检测方法的具体步骤如下：
（1）采集训练样本。设定采样频率和采样时间，采集电网电压信号，为全相位快速傅里叶变换提供分析数据，为自适应人工神经网络提供训练样本。
（2）确定谐波初相位。将电网信号采样数据经过全相位快速傅里叶变换分析，在分析结果的幅值谱中找出峰值谱线，并由峰值谱线对应的相位值获取各谐波的高精度相位。
（3）初始化谐波幅值检测神经网络。利用谐波相位检测结果设置神经网络参考输入向量中的各次谐波相位值。
（4）计算误差读取一次训练样本，根据采样时间计算神经元输出与此刻的电网信号采样值做差，进而计算误差函数和性能指标。
（5）根据误差调整神经网络权值。
以最小均方差法（LmS）作为谐波幅值检测自适应神经网络的学习算法，则权值调整公式，即谐波幅值调整公式为：
（6）判断是否等于训练样本总数如果是，再判断是否达到最大训练次数。若达到最大训练次数则结束训练转至下一步。若未达到，则需计算并判断是否达到性能指标要求，达标则转至下一步，不达标则返回步骤（4）再次执行。如果否，返回步骤（4）继续执行。
（7）训练结束。根据所得神经网络权值获得各次谐波幅值。
2.2谐波检测仿真
取511个电网信号采样点经过apFFt分析后，可以看出该谐波相位检测具有很高的精度。利用apFFt分析结果初始化神经网络，并取50组训练样本训练神经网络，可以看出性能指标函数的值在训练次数足够大的情况下可以达到，在经过10次以内的训练后基波和谐波检测值趋于稳定。由实验数据可以看出本文采用的方法极大地提高了谐波幅值的检测精度。
3基于全相位快速傅里叶变换和增强型自适应
神经网络的间谐波检测
3.1增强型自适应神经网络间谐波检测模型
谐波检测中在基波频率已知的情况下，由于谐波频率为基波频率的整数倍，因而谐波频率无需检测。但是对于间谐波检测，由于间谐波频率为基波频率的非整数倍，无法通过基波频率获知间谐波频率，因此在间谐波检测时，需要将间谐波的频率也作为检测项[8]。为此，将应用于间谐波检测的自适应神经网络结构设计成如图3所示的形式。
3.2谐波检测步骤
基于全相位快速傅里叶变换和增强型自适应神经网络的间谐波检测步骤如下：
（1）信号采集和apFFt分析。将电网信号滤除已测量的基波、谐波信号后得到由间谐波构成的信号，采样并经apFFt算法分析后，得到幅值谱和相位谱。
（2）神经网络结构的确定和初始化。由于神经网络中间层神经元的个数等于间谐波个数，因此通过apFFt幅值谱峰值谱线的个数确定神经元个数。分别确定间谐波频率和幅值的学习率和动量因子。设定神经网络的最大训练次数，开始人工神经网络的训练。
（3）计算误差。读取一次训练样本，根据式（11）计算神经网络实际输出，并与此刻的采样值做差，进而计算误差函数和性能指标。
（5）判断是否等于训练样本总数如果是，再判断是否达到最大训练次数。若达到最大训练次数则结束训练转至下一步。若未达到，则需计算并判断是否达到性能指标要求，达标则转至下一步，不达标则返回步骤（3）再次执行。如果否，返回步骤（3）继续执行。
（6）学习结束。学习结束后，通过激励函数的角频率获取间谐波频率，通过神经网络权值得到间谐波幅值。
3.3间谐波检测仿真
设基波频率为50Hz，采样频率为2560Hz，采集511个点。利用apFFt的分析结果初始化神经网络。设置间谐波幅值调整的学习因子=0.01，设置动量因子=0.3，随后开始训练神经网络。从实验数据可得，网络经过70次左右的在线训练后基本收敛。经过70次训练后幅值误差都达到了以下，频率误差达到了以下。通过对原始间谐波叠加信号波形和检测得到的间谐波组合信号波形进行对比可知，基于全相位快速傅里叶变换和增强型自适应神经网络的间谐波检测方法具有更高的检测精度。
4Labwindows/CVi谐波检测软件实现
4.1谐波检测系统设计方案
针对电力系统中存在C波问题，利用Labwindows/CVi和计算机设计虚拟谐波检测仪器。主要实现的功能是分析数据采集卡采集的电网电压数据，利用apFFt和自适应线性神经网络算法获取高精度的谐波电压幅值和谐波初相位，并通过计算机显示出检测结果。利用检测结果计算总谐波畸变率，当畸变率超过标准值时给出警报。首先获取电网电压采样信号，进而将采样信号经过全相位快速傅里叶变换分析得到基波和各次谐波信号的高精度相位值，通过获得的相位值设置自适应神经网络激励函数中的谐波相位值，随后利用采样数据在线训练神经网络获得基波和各次谐波的幅值。
4.2谐波检测系统软件设计过程
基于Labwindows/CVi的谐波检测软件设计过程可分为以下步骤：
（1）启动Labwindows/CVi编程环境，创建谐波检测软件工程。
（2）在用户界面编程窗口，根据谐波检测的功能要求设计虚拟仪器用户面板。在面板上添加相应控件，控件分布设计完成后，需要对控件属性及其对应的回调函数进行设置，使得点击或使用这些控件时能够得到有效的响应。
（3）用户界面设计并保存完成后，Labwindows/CVi自动生成程序代码的主体框架，并通过菜单栏CodeGeneratemainFunction生成main函数和各个控件对应的回调函数框架程序。
（4）在各个控件对应的回调函数内编写实现其功能的程序代码，例如本文在主面板开始检测按钮对应的回调函数内部编写apFFt和神经网络谐波检测算法的代码，以实现谐波检测功能。
（5）完成代码编写、调试和运行程序。
4.3检测软件实验测试
本文通过读取两组离线测量数据对谐波检测功能进行实验检测。通过第一组数据的检测结果可以看出谐波幅值较基波幅值低很多，且奇次谐波的幅值较偶次谐波幅值高。通过apFFt采样数据分析的结果中，测量信号波形和基波波形的对比可以看出谐波对基波波形的影响较小。实验结果表明该软件具有很好的谐波检测精度。
通过第二组数据的检测结果看出谐波总畸变率超出设定值（4%），谐波畸变率告警灯变为红色，同时告警对话框弹出。谐波检测的结果同时在表格和柱形图中显示。将测量信号、谐波叠加信号和基波信号的波形进行对比，谐波对电网电压的波形影响仍然很有限，保证了电网中负载的用电安全。此次谐波检测的检测结果，检测精度仍然较高。
5结论
本文主要对基于全相位快速傅里叶变换和神经网络的谐波、间谐波检测方法进行了研究。针对现有成熟的谐波检测算法检测精度不高的问题，提出了基于全相位快速傅里叶变换和Bp神经网络的谐波检测算法；为了进一步提高谐波检测精度，减小对训练样本的依赖，扩大谐波检测算法的适用范围，提出了基于全相位快速傅里叶变换和自适应神经网络的谐波检测算法；针对电力系统间谐波检测问题，通过调整自适应神经网络结构，提出了基于全相位快速傅里叶变换和增强型自适应神经网络的谐波检测算法；利用虚拟仪器开发平台Labwindows/CVi设计了基于全相位快速傅里叶变换和自适应神经网络的谐波检测软件，最后利用两组数据验证了软件功能。
参考文献
[1]肖雁鸿，毛筱.电力系统谐波测量方法综述[J].电网技术，2002，26（6）：61?64.
[2]聂晶晶，许晓芳，夏安邦，等.电能质量监测及管理系统[J].电力系统自动化设备，2005，25（10）：75?77.
[3]王子绩，孟鑫，张彦兵，等.基于瞬时无功功率理论的新型谐波检测算法[J].电测与仪表，2012，49（4）：9?13.
[4]刘桂英，粟时平.利用小波傅里叶变换的谐波与间谐波检测[J].高电压技术，2007，33（6）：184?188.
[5]危韧勇，李志勇.基于人工神经元网络的电力系统谐波测量方法[J].电网技术，1999，23（12）：20?23.
[6]王凯亮，曾江，王克英.一种基于Bp神经网络的谐波检测方案[J].电力系统保护与控制，2013（17）：44?48.
[7]付光杰，曲玉辰，郭静.RBF神经网j在谐波检测中的应用[J].大庆石油学院学报，2005，29（6）：76?79.
神经网络的基本功能篇4
关键词神经医学；期刊；网络化
中图分类号G23文献标识码a文章编号1674-6708（2014）112-0028-02
0引言
神经医学期刊作为神经医学领域信息传播的主要媒介，是代表一个国家神经医学领域的医疗与科研发展水平的重要标识之一。目前以计算机互联网方式检索生物医学科技文献已成为医学研究的重要组成部分之一，神经医学期刊网络化传播可以扩大期刊的受众面，提升了期刊的知名度，扩大期刊的学术影响，加快神经医学领域的国际学术交流与进步，同时提高了期刊审稿、编辑工作的效率。从上个世纪90年代以来，国外神经医学期刊逐步实现了网络化，提供了比传统纸质期刊更加丰富的内容，更加完善多样的服务。科技期刊上网已成为“九五”期间国家重点攻关项目，编辑工作也由此进入了网络时代。然而，我国神经医学期刊的网络化发展进展缓慢。本文在回顾18种神经医学期刊网络化现状的基础上，分析我国神经医学期刊网络化存在的问题，对比国外著名神经医学期刊的网络化发展特点，提出我国神经医学期刊网络化发展的对策。
1中国神经医学期刊网络化状况调查
本文将主要分析2005年《中国科技期刊引证报告》中统计的18种神经医学期刊的网络化发展状况，其中包括中华神经外科杂志、中华神经医学杂志、中华神经外科疾病研究杂志等。目前我国神经医学期刊网络化途径主要分为三种：利用主办单位网站、被权威性科技期刊网站收录、建设自己的独立网站[2]。这18种神经医学期刊中，9种通过上述三种形式实现了期刊网络化（50%）。在已实现上网的期刊中，通过主办单位网站上网的有2种，通过独立网站上网的有8种，此10种期刊全部被权威科技网站收录。
通过主办单位实现期刊上网，不但实现了资源共享，而且降低了期刊运营成本。中华医学会网站对其主办的几十种杂志实现网上投稿、介绍等业务，还开拓友情链接等多项功能。但是读者必须先登陆主办单位中华医学会的官方网站，在主办杂志的子目录下查询相关期刊情况。但是通过这种方式上网的期刊的网络阅读量及使用受到主办网站的功能与设计的制约。这样很大程度上制约了期刊的发展。目前我国国内权威科技网站主要包括万方数据资源系统、中国期刊网全文数据库和维普数据库，这些期刊均可提供全文检索服务。期刊通过权威数据库网站收录，可以方便更多的读者检索和浏览文摘，扩大期刊的受众和影响。我国神经医学期刊的独立网站通常都是以纸质期刊为基础建立的。期刊网站除了提供期刊的相关基本信息外，还可以承担网上远程稿件处理、作者编辑信息沟通等服务。由于不同神经医学期刊独立网站的建立时间和内容侧重不同，网站设置的内容也各不相同。
为方便调查，所有期刊网站栏目分为基本信息类、网上投、审稿系统，读者服务类，广告、期刊订阅。实现了网络化的9种神经医学期刊中，所有期刊网站都提供了期刊简介和联系方式等基本信息，4种杂志设置有期刊动态、新闻栏目（44.4%）。8种神经医学通过网站实现了网上远程投、审稿操作（88.9%）。在读者服务方面，7种神经医学期刊提供在线文摘(77.8%)，3种神经医学期刊提供检索服务（33.3%），4种期刊可以提供电子期刊服务（44.4%）。此外，3种期刊设置有广告征订栏目（33.3%），6种期刊提供网上期刊订阅服务（66.7%）。
我国神经医学期刊网络化的特点
通过回顾分析我国神经医学期刊的上网方式及网站栏目设置特点，不难发现这些期刊网络化具有以下特点。从网站栏目的设计上看，在线稿件管理栏目、信息类栏目已经成为神经医学期刊网站的重要内容，共有8种神经医学期刊实现了网上远程投、审稿操作（88.9%），所有网站均设有专门的信息栏目，其中涉及期刊简介、联系方式等，四种期刊设置有期刊动态及新闻服务栏目（44.4%）。从上网期刊的内容看，所有网上的内容都是纸质版期刊的简单复制且在时间上有滞后性。内容大多与纸质版期刊相同，并无网络化特色。而期刊的网络版应是印刷版的补充，而不是替代或简单照搬。纸质版和网络版应该发挥各自的特色。并且我国神经医学期刊的网站栏目上的信息更新较慢，使得网络化期刊的信息时效性大打折扣。从神经医学期刊网络化的功能来看，读者服务功能的缺失。我国神经医学期刊网站缺乏交互式的栏目设置，因此信息的传播都是单向的，即从期刊网站到读者。而出版工作的应是“为读者服务”的，充分了解读者的需求，并向读者提供科学、新颖、实用的信息。很显然，单向的信息传播无法满足这样的需求。在网络化经营方面，本文调查的18种神经医学期刊中，仅有30%的期刊涉及到了网上期刊广告征订，大部分期刊的经营仅限于跟期刊编辑工作相关的费用收入以及主办单位资金支持，并没有形成完全的独立自主经营。超过半数的期刊设置网上订阅栏目，但这些栏目也只是停留在纸质版期刊的网络宣传，并不是真正意义上的网络订阅。
3国外神经医学期刊网络化发展
据统计，在2007年，全美60%的期刊就已经实现了在线阅读，并可以为读者提供如视频，个性化服务等网络服务。而各大优秀的神经医学期刊更是拥有功能完善的网络平台或是通过elsevier，Springer等大型出版商的网络出版平台，实现在线投稿、审稿等编辑工作网络化，还提供了丰富的个性化服务。本文将以Journalofneurosurgery为例，对比分析国外神经医学期刊网络化的状况，以期提供我国神经医学期刊的发展策略。
neurosurgery杂志的网站除了基本的在线投稿、审稿与查询功能外，还设置了当期文摘浏览、过刊文摘浏览、印前网上出版（publishedaheadofprint）文摘浏览栏目、播客、手术录像展示、期刊各种相关信息等。不同的读者可以根据自己的需要在相应栏目找到自己需要的文章信息。网站的最醒目位置罗列当期全部特色文章的条目，包括文章题目，摘要，作者信息等，部分文章会提供免费的pDF格式的全文下载服务，这样可以保证不同收入水平的读者都可以浏览到杂志刊登的最新文章。并且重点文章会标明编者推荐字样，以方便读者查阅或购买阅读。在印前网上出版栏目可以浏览纸质出版前的网络出版的文章条目，并且可以提供文摘浏览。播客（podcast）栏目中展示了可以下载到最新移动播放设备（如，ipod）并可通过相关软件随时收听和阅读的期刊文摘，而且提供了各种语种的版本，包括英语、中文、法语等，方便不同语种的读者进行收听和阅读。这样可以激发读者对纸质版期刊的阅读兴趣。
网站还安排了文章相关的手术录像展示，这项服务是纸质期刊无法提供的，可以说是网络版期刊的特殊增值服务产品。所有手术演示录像均来自期刊刊登的文章。期刊读者可以观看与文章内容相关的手术录像展示（Video），方便读者更加直观、详尽了解手术过程和手术技巧；而网站读者如果对录像显示的手术技术的适应症及并发症等问题，也可以购买全文进行阅读。在期刊信息栏目可以查看期刊基本信息，编委会成员，广告展示，订阅服务等为读者提供全方位的服务。另外网站专门开设了一个板块，方便读者通过智能手机（如，iphone等）进行文摘搜索、浏览、特色文章的全文浏览等。期刊网站还提供了语言编辑服务（languageeditingservices），投稿作者可以根据自己的需要联系相关的公司帮助自己进行语言润色，这样极大的方便了非英语作者的投稿工作。
4神经医学期刊网络化发展的对策
通过对比国外的神经医学期刊的网络化现状，我们可以通过以下途径加快我国医学期刊网络化发展。
1）完善神经医学期刊网站的功能
随着电子出版物的发行，神经医学期刊网络化发展已经成为期刊发展的新趋势。一个功能完善的期刊网站可以承载期刊所有相关的重要信息，成为期刊内容、读者服务、期刊发行、广告征订、品牌宣传的良好平台。读者、作者、编者是神经医学期刊重要的组成部分，利用网络的互动性，可以大大加强三者的联系与沟通。另外，期刊网站的内容应增强时效性，有专门负责更新网站内容的编辑，及时更新网站的最新动态，充分发挥网络信息传播的优势。期刊网站向读者提供期刊论文信息，实现文章检索，充分体现网络化的特点。通过网络可方便快捷的查阅论文的文献，也可通过与其他检索数据库的链接，了解文献的出处。
神经医学期刊的编辑人员要适应期刊网络化的趋势，提高对未来网络化工作的适应能力。信息化时代的编辑面对的是一个新的技术操作环境，期刊编辑需要不断完善自己的知识结构，了解和掌握期刊网络信息处理的技能，充分利用网络进行服务创新，为读者、作者提供完善、全面的远程服务。
5结论
随着信息化技术的广泛应用，依托网络实现发展是神经医学期刊发展的必然趋势。然而，我国神经医学期刊的网络化发展仍处在起步阶段。我国神经医学期刊应不断完善网站的功能，加强期刊编辑的技术水平，借助网络传播技术的优势，加快神经医学期刊的发展。
参考文献
[1]王虹.医学期刊网络化发展优势和作用探析[J].西北医学教育，2010，18(5):967-968.
[2]钟海平.论信息传播网络化信息组织智能化与编辑出版学研究[J].编辑学报，2002，14(1):12-14.
[3]段咏慧，王征爱.广东省医学期刊网站建设情况调查分析[J].第一军医大学学报，2005，25(11)：1456-1459.
[4]曾建勋，宋培元我国科技期刊网络化发展动因与趋向[J].编辑学报，2008，20(4)：283-285.
[5]秦娟.国内外医学期刊网络化状况及发展趋势[J].青年记者，2010，9(下)：91-92.
神经网络的基本功能篇5
关键词：卡钻；预测；时间序列；aRma建模；Bp神经网络
中图分类号：tn911?34；te28文献标识码：a文章编号：1004?373X（2013）22?0017?03
0引言
卡钻是指钻具既不能转动也不能上下活动，是钻井过程中常见的井下事故。经初步统计，卡钻事故[1]处理时间占整个钻井事故处理时间的60%以上，由卡钻引起的耗费占非生产耗费的50%以上，且卡钻事故发生后，经常由于钻井人员的错误处理，诱发更严重的钻井事故，造成巨大经济损失，因此找出一种准确预测卡钻事故的方法，成为现阶段钻井工程人员的重要任务之一。
为了减少钻井成本，提高钻井效率，部分研究人员对钻井过程提出了较多的数学模型，但由于其在钻井工况中运用的局限性，始终无法很理想的描述钻井过程的复杂情况[2]。Bp神经网络[3?4]是一种强非线性、强自适应学习能力的数据信息处理方法，由输入层、隐含层、输出层及各层节点连接而成，一个三层Bp网络可以很近似的逼近任意函数。时间序列在中短期预测处理的效果较其他方法更具优势，可以充分反映相关数据的信息特点，为了进一步对神经网络卡钻预测方法进行完善，提出了一种将时间序列aRma建模引入预测方法的理论，进一步将诊断卡钻升级为预测卡钻，且运用现场实际钻井数据进行了验证。
1神经网络结构的建立
人工神经网络，简称为神经网络，它是以人脑的组织结构和活动规律为背景，模拟生物神经网络进行信息处理的一种数学模型。具有自适应、自组织和强大的非线性映射能力，可以逼近任意的非线性函数。应用在卡钻预测中，可以避免数学模型系数难计算，过程难以确定的缺点。
本文以三层Bp神经网络的结构来进行建模[5]，结构如图1所示。
输入层的变量要求对输出影响较大，能够检测或可提取，且各输入变量之间相关性小，因此，选取卡点井深、机械钻速、排量、泵压、漏斗黏度和含沙量等6个变量作为输入层变量。
输出层以0表示预测到要发生卡钻，1表示正常钻进过程，0和1之间的数值表示预测的渐近类别。
隐含层的设计使用试凑法得到，试凑公式为：[m=n+l+a]
式中：[n=6]，n为输入层神经元个数；[l=1]；l为输出层神经元个数；[a]为1至10之间的常数；[m=4～14]；m为隐含层神经元个数；则隐含层试凑过程见表1。可以确定隐含层为7个神经元。
2神经网络模型的训练
网络训练[6?7]中提取的规律蕴涵在样本中，因此选择的样本一定要具有代表性。样本类别的均衡性和多样性是样本选择与组织的两个原则，即样本中的类型要全面，且保持各类别样本的数量基本相同。若网络中对某类别的样本缺失，就会导致训练结束后网络对该类别的样本不识别。
本文中Bp神经网络输入层选取的参数有：卡点井深、机械钻速、排量、泵压、漏斗黏度、含砂量。收集延安地区30口井的钻井数据作为神经网络的训练样本，训练样本集中的部分数据如表2所示，其中包括5组卡钻样本和5组正常钻进的样本。
Bp网络中对所有训练样本正向运行一轮并反向修改权值一次称为一次训练。神经网络模型的训练经过了526次，训练误差为e=0.0046，且训练精度为96.03%。前10组训练样本的训练输出如表4所示。
由表4可以看出卡钻的5组数据输出值均小于0.5，接近0；正常钻进的5组数据均大于0.5，接近1。则不难看出该网络已初步具备了对卡钻事故做出准确预测的能力。
3时间序列
时间序列[8]是指将某种现象某一个统计指标在不同时间上的各个数值，按时间先后顺序排列而形成的序列，从广义上讲是指一组有序的随机数据。时间序列分析法主要有3种时序模型，分别为：aRma，aR和ma模型。其基本形式如下：
4时间序列建模预测及卡钻预测神经网络验证
为了实现卡钻事故的预测，而非单一的诊断，在此运用时间序列的预测功能，以神经网络输入层参数的卡钻前的正常钻进数据为样本，建立时间序列aRma模型[9?10]，预测未来钻井深度相关参数的数据，代入训练好的卡钻预测神经网络中，进行测试，提前做到卡钻事故的预测判断。本文以延安地区实际钻井数据为基础，分别对机械钻速、排量、泵压、漏斗黏度和含砂量做aRma模型，生成各参数未来钻进深度的预测值，下面给出表5中预测1627m相关参数数值的aRma模型。
将表5中时序模型预测得到的训练样本输入到建立好的神经网络模型中，可以得到如表6的训练结果。
通过表6可以看到编号为1，3，5的三组样本输入到神经网络后，输出值都大于0.5，接近于1，说明这三个钻井深度为正常钻进；编号为2，4的两组样本输入到网络中，输出均小于0.5，接近于0，说明这两个钻井深度可能发生卡钻。而在实际钻进中编号为2，4对应的2353m和3036m的确发生卡钻事故，且编号为1，3，5的钻井井况为正常钻进，因此可以证明该方法具备准确预测卡钻和提前预测卡钻的功能，且此神经网络具有良好的泛化能力，从而证实了此方法的合理性和可行性。
5结语
根据延安地区现场钻井数据，较为详细地介绍了卡钻预测神经网络模型的建立过程，且将时间序列预测能力运用于该卡钻预测方法中，使此方法得到了进一步的完善，具备了良好的提前预测功能，证实了神经网络建模方法在卡钻预测方面的可行性与合理性。神经网络对卡钻预测的准确度依赖于其训练集是否包含了卡钻所有的特征，因此还需要收集更多不同地区、不同卡钻特征的数据对网络进行训练，使卡钻预测神经网络模型得到更进一步的完善。
参考文献
[1]蒋希文.钻井事故与复杂问题[m].北京：石油工业出版社，2002.
[2]张林强.井下卡钻分析及处理[J].海洋石油，2007，27（3）：112?115.
[3]单志刚，邵伟光，陈俊涛.人工神经网络在实时卡钻预测中的应用研究[J].地质与勘探，2000，36（2）：10?12.
[4]胡永建，胡艳.基于虚拟样本神经网络的卡钻预警装置[J].石油矿场机械，2011，40（9）：80?83.
[5]张奇志，朱丹，刘光星.基于神经网络的卡钻预测[J].石油石化节能，2013（1）：5?7.
[6]施彦.神经网络设计方法与实例分析[m].北京：北京邮电大学出版社，2009.
[7]黄亚晖，周丽丽.基于自适应模糊神经网络的管道剩余强度评价[J].天然气与石油，2011，29（6）：14?19.
[8]魏武雄.时间序列分析：单变量和多变量方法[m].2版.北京：中国人民大学出版社，2009.
神经网络的基本功能篇6
关键词：人工神经；网络游戏程序；研究和设计；分析探究
中图分类号：tp183文献标识码：a文章编号：1671-2064（2017）01-0044-01
近年来，在网络游戏发展过程中，图像的呈现质量已经提升到了一个极高的水平，人工智能游戏已经成为决定一款游戏成功与否的重要关键，并受到了游戏开发商的广泛关注和高度重视。网络游戏作为一种目标性、竞争性、互动性、情节性的娱乐作品，它的智能水平对游戏的质量和可玩性具有着直接的影响作用。因此，将计算机图形学和人工智能有机的结合起来，把人工智能中的预测、路径规划、搜索、学习等技术有效的应用到网络游戏的研发工作中去，不仅能够提升游戏的质量和可玩性，同时还有利于促进游戏开发企业的发展。
1人工神经网络分析
人脑可以用一套较为独特的方法来解决相关问题，并且还能够从正反两面的行为差异中进行学习，经过研究发现，人脑是由十万种类的遗传因子中的十万亿个细胞组合而成，人工神经网络就相当于模拟人脑功能的一个数学模型。其中神经元作为人脑系统中处理基本信息的单元，是人体神经器官的重要组成部分，通过轴将各个神经元进行有效连接，而其他神经元的发送的信号能够使当前神经元产生相应的反映，这一反映如果能够达到特定的阈值，就会逐渐产生一种新的信号，并且沿着轴将信号传输到其他神经元[1]。人工神经网络主要就是由各种节点相互连接组合形成的，节点类似于人脑的各个神经元细胞，会存在一些节点连接外部环境，主要负责相关的信息输出和输入工作，被称作是输出点或者输入点，而另外一些网络内部的节点，通常被称作隐藏节点。隐藏节点的信息输出通常是输出节点的信息输入，输入节点的信息输出通常是隐藏节点的信息输入。
此外，人工神经网络的主要核心思想就是对人类大脑神经系统功能进行模拟的机器学习的一种方法，并且通过对系统内部各个神经元的各种连接参数进行反复的调节，使得神经网络系统得到训练，并且在遇到一定情况时能够做出最佳的反映[2]。总之，神经网络作为一项发展较为成熟的技术，其在解决相关问题之后，将会使网络游戏的智能化提升到一个全新的高度。
2人工神经网络中的游戏学习设计分析
与传统方法相比，神经网络解决问题的方式有着明显的不同，其具有着较强的自主学习能力，经过不断的学习，ann可以从未知式中的各种复杂数据信息中发现规律[3]。这种神经网络方法在很大程度上克服了传统方法在分析中的复杂性以及各种模型函数选择的困难，通过训练对问题进行解答，ann可以较为快速的建立解决问题的非线性和线性模型。如果想要人工神经网络进行运作，首先就需要让网络进行学习，不断的训练网络，帮助它获取更多的知识信息，最后将这些信息有效的存储起来。一旦完成相关的训练和学习，就可以将知识有效的存储在权值中。在游戏的开发过程中，将神经网络模型看作是人物建模的基础，通过对玩家将要进行的动作或者选择的画面场景进行预测，运用神经网络进行信息存储，并且在游戏的运行过程中要保证学习元素的有效运行，进而让神经网络潜移默化的学会相应的自适应技术，最终实现游戏的可玩性和趣味性，提升游戏的开发设计质量和效果，进而吸引更多的游戏玩家。
3Bp神经网络游戏开发设计分析
在神经网络的众多模型中，Bp算法是其中较为常用的一种神经网络，一般分为输入层、输出层、中间层等三个部分，各个层之间按顺序进行连接，因为中间存在隐含层，可以从中发现一定的学习规律，可以通过对这种网络的有效训练，进而形成一种较为复杂、多样的决策界面[4]。同时，Bp神经网络具有一个强大的功能，其主要就是能够封装一个将信息输入映射到信息输出的非线性函数。假如不存在隐含层，那么神经网络只能发现信息输入与信息输出之间存在的线性关系。但是，仅仅是为感知网络增添一个隐含层还是远远不够的，需要通过非线性激活函数为网络连接提供相应的非线性元素。大多数的非线性函数基本上都能够进行使用，但是多项式函数除外。
在游戏中，设置网络作为神经网络实现的基本步骤，可以将特定数据当做输入训练网络，并且在游戏的具体输入中进行实际应用。在游戏问题的神经网络设计中，应该注意结构、学习、神经元特点等三个方面的因素。其中结构主要就是指要进行构造的神经网络组织、连接方式以及基本类型。而且在神经网络中节点数设计要遵循相关的原则就是越少越好。神经网络中的节点数越多，那么神经网络搜索正确解的空间范围就越广阔[5]。神经网络中输入节点数在一定程度上决定着模式匹配或网络分类的变量数，例如，篮球类型的游戏中，运动员投篮命中、灌篮动作、球员分布、难度等级等变量数。
4结语
总而言之，网络游戏作为一种新型的娱乐方式，具有着较强的生活模拟性和互动性，深受广大社会群众的喜爱。因此，我国应该重视游戏产业的发展，不断加大对网络游戏的开发和设计，将神经网络有效的应用到网络游戏开发的实践中去，尤其是Bp神经网络，它不仅可以预测玩家的行为，及时提供信息反馈，同时还能提高网络游戏的可玩性和趣味性，提升游戏设计的整体质量和效果，有利于促进我国游戏开发产业的发展和进步。
参考文献：
[1]余颖.基于神经网络和遗传算法的人工智能游戏研究与应用[D].湖南大学，2011.
[2]王淑琴.神经网络和遗传算法在游戏设计中的应用研究[D].东北师范大学，2014.
[3]f潭凯.神经网络在即时战略游戏中的应用[D].福州大学，2014.
神经网络的基本功能篇7
关键字：智能手机；安全；神经网络；病毒病毒识别模型在智能手机监测中的优越性以及可行性。
0引言
现阶段，互联网已成为当今社会不可或缺的一部分，智能手机的数量也是与日俱增，与此同时不断发展的是手机病毒，手机病毒已成为现代病毒发展的趋势。
所谓手机病毒，其实是一种破坏手机系统的程序，且其传播手段极为广泛，可通过短信、彩信、邮件、网站或者下载文件、蓝牙等传播，手机一旦被病毒感染就会根据所感染病毒程序的要求对手机实施破坏，其表现方式不尽相同，可以使关机、死机、删除手机资料、自动通话、发邮件等，有的病毒还能够破坏手机Sim卡和芯片等手机硬件设备。
怎样才能避免手机遭受病毒的破坏？其主要措施还是杀毒软件和防火墙：
①定期对杀毒软件的病毒库进行更新升级，尽可能的保证其拥有当时已出现的病毒程序的破解，若病毒库中不存在某个病毒的特征，则杀毒软件就不能对该病毒进行查杀。此外，现在的手机杀毒软件病毒库采用的是特征代码法，病毒的细微的变化都需要病毒库对其进行辨别，然而智能手机的存储空间和运算能力都是有限的，所以这种防杀毒的方法对智能手机而言，并不是完美的。
②而智能手机的防火墙主要的作用是拦截骚扰电话等，而并不是对手机病毒进行监控，面对现存的多样易变的病毒，防火墙更是显得微不足道。
究竟该选择何种方式来保护手机，这也是本文研究的重点―神经网络。
1神经网络
神经网络是依据生物神经的机制和原理，对信息进行处理的一种模型。它能够模拟动物大脑的某些机制机理，实现一些特定的功能。人工神经网络具有很大的优越性：
①具有自学功能。比如说，当对一幅图像进行识别时，将各种不同的图像样本及其对应的结果输入人工神经网络，它就能够自己学习识别相同类型的图像。
②具有联想存储功能。人工神经网络中的反馈网络具备了联想存储的功能。
③具有高速寻找优化解的功能。
2神经网络安全监控系统
神经网络安全监控系统就是监控手机应用程序，使手机的正常业务能够顺利进行，而对那些异常业务则进行阻止。所谓正常的业务就是那些手机用户已知的、按照用户的意愿运行的、并且其运行并不破坏用户手机中的资源和产生额外费用的已经授权的程序。
通过神经网络监控手机的而应用程序的流程图如图1所示：
图1神经网络安全监控流程图图2单层感知器神经网络结构
神经网络智能手机安全监控的第一步是获取所运行程序的特征，然后借助于神经网络的识别功能，对所提取的应用程序的行为特征进行识别，如果识别结果为病毒手机会向用户发出提示信息，若不为病毒则程序将继续运行。
3.1程序行为特征的获取
这里举个例子说明。例如ownSkin.a病毒，该病毒以手机主题的形式诱导手机用户进行下载安装，一旦该病毒被安装进了手机，它就会在用户不知情的情况下自动连接网络，自动想外界批量发送短信，对手机收到的短信的信息内容进行删除等等。从对病毒的描述详细程度方面来说，病毒具有很多种特征，本文以3个为例，进行说明，这3个特征分别是有无按键、是否自启动、是否特殊号码，程序行为特征获取的方法如下：
①针对手机自启动的行为特征：每种手机的系统，都有其正常的程序启动方式，例如windowsmobile通过“启动”设置，Symbian的系统式通过“Recognizer”来设置程序的启动，Linux系统是将启动语句加入/ect/init.d/rcs，或者/usr/etc/rc.local中，在程序启动的时候对这些个位置进行监控，就可以很容易的判别其是否为自启动。
②针对按键这个行为特征：塞班的系统对是否有按键这个行为特征的监控是粗略的监控，以短信为例，手机短信的使用一般是先按功能键启动功能图标，然后选取短信的图标，接着是对短信内容的编辑，即一系列的数字键，监控可得到一个相应的按键序列，这样就可以通过是否有按键这个行为特征来监测手机程序的启动是否正常。
③针对“被叫号码”和“文件信息”的特征：对于被叫号码主要执行的是，查看所要拨出去的电话号码是否是设置在黑名单里的电话，对于文件信息则是查看信息中所添加的附件是否是安装文件，如果是手机用户之间的正常传输行为，则必定有按键行为特征，这样也就会避免手机中的病毒程序隐蔽性的自启动来传输文件。
3.2神经网络建模
仍旧以上述3个行为特征为例，将其三个特征分别用“0”或者“1”来表示，若无按键、自启动、特殊号码，其特征值都取“1”，反之则取“0”，这三个特征值一共组合成了8中可能出现的情况，将其标记为矩阵如下：
(1)
借助于神经网络的识别功能，本文以单层单神经元的神经网络为例进行说明，采用以下的参数对神经网络进行设计：
该网络包含有一个输入向量，包汗三个元素，并且每个元素取0―1之间的值。
神经网络中的神经元通过hardlim函数为传输手段，根据这个函数设计出如图2所示的神经网络结构,：
(2)
该结构输出结果为二值向量“0”或者“1”，其中“0”表示不是病毒特征，“1”则表示是行为特征。
在智能手机的实际应用中，传输函数和网络结构、层数极易神经元等的类型多种多样，可根据病毒的实际情况进行选择和应用，在此笔者只是举个例子来论述神经网络是如何识别网络的。当网络建好之后，就需要通过适当的方法对病毒样本进行训练得出误差。
仍以上述例子为例进行训练：
输入向量为：p=;目标向量选为：t=,在matLaB7.1的环境中对病毒进行训练，根据所的结果得出训练的误差性能曲线，如图3所示：
图3训练误差性能曲线
经过训练并获取矩阵权重，至此，神经网络的建模基本完成，其模型为
a=hardlim(p1*2+p2*2+p3*1-3)
在手机中所执行的应用程序，计算程序的行为特征向量与病毒的行为特征向量（111）之间的欧式距离，当所得之数比程序的特征行为向量和正常行为特征向量之间的欧式距离大时，系统将将此程序判定为病毒。
运用神经网络系统对手机进行监测不需要像杀毒软件一样需要定期更新，这对手机的安全具有更好的防护作用。
3结语
随着现代社会智能手机数量的增多和日常化，网络黑客技术也在不断的发展和完善，因此智能手机安全问题已然不能忽视或者小视。本文针对这个问题，以及杀毒软件和防火墙的不足之处，论述了神经网络病毒识别模型在智能手机监测中的优越性以及可行性。
参考文献
[1]刘一静,孙莹,蔺洋.基于手机病毒攻击方式的研究[J]信息安全与通信保密,2007,(12).
[2]李锦.手机病毒特点及防范对策[J]通信技术,2009,(02).
[3]杨建强,吴钊,李学锋.增强智能手机安全的动态恶意软件分析系统[J].计算机工程与设计,2010,(13).
[4]智能手机安全防护框架浅析[J].信息安全与通信保密,2010,(10).
神经网络的基本功能篇8
[摘要]该文介绍了神经网络的发展、优点及其应用和发展动向，着重论述了神经网络目前的几个研究热点，即神经网络与遗传算法、灰色系统、专家系统、模糊控制、小波分析的结合。
[关键词]遗传算法灰色系统专家系统模糊控制小波分析
一、前言
神经网络最早的研究20世纪40年代心理学家mcculloch和数学家pitts合作提出的，他们提出的mp模型拉开了神经网络研究的序幕。神经网络的发展大致经过三个阶段：1947~1969年为初期，在这期间科学家们提出了许多神经元模型和学习规则，如mp模型、HeBB学习规则和感知器等；1970~1986年为过渡期，这个期间神经网络研究经过了一个低潮，继续发展。在此期间，科学家们做了大量的工作，如Hopfield教授对网络引入能量函数的概念，给出了网络的稳定性判据，提出了用于联想记忆和优化计算的途径。1984年，Hiton教授提出Boltzman机模型。1986年Kumelhart等人提出误差反向传播神经网络，简称Bp网络。目前，Bp网络已成为广泛使用的网络；1987年至今为发展期，在此期间，神经网络受到国际重视，各个国家都展开研究，形成神经网络发展的另一个高潮。神经网络具有以下优点：
(1)具有很强的鲁棒性和容错性，因为信息是分布贮于网络内的神经元中。
(2)并行处理方法，使得计算快速。
(3)自学习、自组织、自适应性，使得网络可以处理不确定或不知道的系统。
(4)可以充分逼近任意复杂的非线性关系。
(5)具有很强的信息综合能力，能同时处理定量和定性的信息，能很好地协调多种输入信息关系，适用于多信息融合和多媒体技术。
二、神经网络应用现状
神经网络以其独特的结构和处理信息的方法，在许多实际应用领域中取得了显著的成效，主要应用如下：
(1)图像处理。对图像进行边缘监测、图像分割、图像压缩和图像恢复。
(2)信号处理。能分别对通讯、语音、心电和脑电信号进行处理分类；可用于海底声纳信号的检测与分类，在反潜、扫雷等方面得到应用。
(3)模式识别。已成功应用于手写字符、汽车牌照、指纹和声音识别，还可用于目标的自动识别和定位、机器人传感器的图像识别以及地震信号的鉴别等。
(4)机器人控制。对机器人眼手系统位置进行协调控制，用于机械手的故障诊断及排除、智能自适应移动机器人的导航。
(5)卫生保健、医疗。比如通过训练自主组合的多层感知器可以区分正常心跳和非正常心跳、基于Bp网络的波形分类和特征提取在计算机临床诊断中的应用。
(6)焊接领域。国内外在参数选择、质量检验、质量预测和实时控制方面都有研究，部分成果已得到应用。
(7)经济。能对商品价格、股票价格和企业的可信度等进行短期预测。
(8)另外，在数据挖掘、电力系统、交通、军事、矿业、农业和气象等方面亦有应用。
三、神经网络发展趋势及研究热点
1.神经网络研究动向
神经网络虽已在许多领域应用中取得了广泛的成功，但其发展还不十分成熟，还有一些问题需进一步研究。
(1)神经计算的基础理论框架以及生理层面的研究仍需深入。这方面的工作虽然很困难，但为了神经计算的进一步发展却是非做不可的。
(2)除了传统的多层感知机、径向基函数网络、自组织特征映射网络、自适应谐振理论网络、模糊神经网络、循环神经网络之外，一些新的模型和结构很值得关注，例如最近兴起的脉冲神经网络(spikingneuralnetwork)和支持向量机(supportvectormachine)。
(3)神经计算技术与其他技术尤其是进化计算技术的结合以及由此而来的混合方法和混合系统，正成为一大研究热点。
(4)增强神经网络的可理解性是神经网络界需要解决的一个重要问题。这方面的工作在今后若干年中仍然会是神经计算和机器学习界的一个研究热点。
(5)神经网络的应用领域将不断扩大，在未来的几年中有望在一些领域取得更大的成功，特别是多媒体技术、医疗、金融、电力系统等领域。
2.研究热点
(1)神经网络与遗传算法的结合。遗传算法与神经网络的结合主要体现在以下几个方面：网络连接权重的进化训练；网络结构的进化计算；网络结构和连接权重的同时进化；训练算法的进化设计。基于进化计算的神经网络设计和实现已在众多领域得到应用，如模式识别、机器人控制、财政等，并取得了较传统神经网络更好的性能和结果。但从总体上看，这方面研究还处于初期阶段，理论方法有待于完善规范，应用研究有待于加强提高。神经网络与进化算法相结合的其他方式也有待于进一步研究和挖掘。
(2)神经网络与灰色系统的结合。灰色系统理论是一门极有生命力的系统科学理论，自1982年华中理工大学的邓聚龙教授提出灰色系统后迅速发展，以初步形成以灰色关联空间为基础的分析体系，以灰色模型为主体的模型体系，以灰色过程及其生存空间为基础与内的方法体系，以系统分析、建模、预测、决策、控制、评估为纲的技术体系。目前，国内外对灰色系统的理论和应用研究已经广泛开展，受到学者的普遍关注。灰色系统理论在在处理不确定性问题上有其独到之处，并能以系统的离散时序建立连续的时间模型，适合于解决无法用传统数字精确描述的复杂系统问题。
神经网络与灰色系统的结合方式有：(1)神经网络与灰色系统简单结合；(2)串联型结合；(3)用神经网络增强灰色系统；(4)用灰色网络辅助构造神经网络；(5)神经网络与灰色系统的完全融合。
(3)神经网络与专家系统的结合。基于神经网络与专家系统的混合系统的基本出发点立足于将复杂系统分解成各种功能子系统模块，各功能子系统模块分别由神经网络或专家系统实现。其研究的主要问题包括：混合专家系统的结构框架和选择实现功能子系统方式的准则两方面。由于该混合系统从根本上抛开了神经网络和专家系统的技术限制，是当前研究的热点。把粗集神经网络专家系统用于医学诊断，表明其相对于传统方法的优越性。
(4)神经网络与模糊逻辑的结合
模糊逻辑是一种处理不确定性、非线性问题的有力工具。它比较适合于表达那些模糊或定性的知识，其推理方式比较类似于人的思维方式，这都是模糊逻辑的优点。但它缺乏有效的自学习和自适应能力。
而将模糊逻辑与神经网络结合，则网络中的各个结点及所有参数均有明显的物理意义，因此这些参数的初值可以根据系统的模糊或定性的知识来加以确定，然后利用学习算法可以很快收敛到要求的输入输出关系，这是模糊神经网络比单纯的神经网络的优点所在。同时，由于它具有神经网络的结构，因而参数的学习和调整比较容易，这是它比单纯的模糊逻辑系统的优点所在。模糊神经网络控制已成为一种趋势，它能够提供更加有效的智能行为、学习能力、自适应特点、并行机制和高度灵活性，使其能够更成功地处理各种不确定的、复杂的、不精确的和近似的控制问题。
模糊神经控制的未来研究应集中于以下几个方面：
(1)研究模糊逻辑与神经网络的对应关系，将对模糊
控制器的调整转化为等价的神经网络的学习过程，用等价的模糊逻辑来初始化神经网络；
(2)完善模糊神经控制的学习算法，以提高控制算法的速度与性能，可引入遗传算法、BC算法中的模拟退火算法等，以提高控制性能；
(3)模糊控制规则的在线优化，可提高控制器的实时性与动态性能；(4)需深入研究系统的稳定性、能控性、能观性以及平衡吸引子、混沌现象等非线性动力学特性。
关于神经网络与模糊逻辑相结合的研究已有很多，比如，用于氩弧焊、机器人控制等。
(5)神经网络与小波分析的结合
小波变换是对Fourier分析方法的突破。它不但在时域和频域同时具有良好的局部化性质，而且对低频信号在频域和对高频信号在时域里都有很好的分辨率，从而可以聚集到对象的任意细节。
利用小波变换的思想初始化小波网络，并对学习参数加以有效约束，采用通常的随机梯度法分别对一维分段函数、二维分段函数和实际系统中汽轮机压缩机的数据做了仿真试验，并与神经网络、小波分解的建模做了比较，说明了小波网络在非线性系统黑箱建模中的优越性。小波神经网络用于机器人的控制，表明其具有更快的收敛速度和更好的非线性逼近能力。
四、结论
经过半个多世纪的发展，神经网络理论在模式识别、自动控制、信号处理、辅助决策、人工智能等众多研究领域取得了广泛的成功，但其理论分析方法和设计方法还有待于进一步发展。相信随着神经网络的进一步发展，其将在工程应用中发挥越来越大的作用。
参考文献：
[1]张曾科.模糊数学在自动化技术中的应用[m].清华大学出版社，1997.
[2]李士勇.模糊控制·神经控制和智能控制论[m].哈尔滨工业大学出版，1996.250-387.
[3]谢联峻.模糊控制在列车自动驾驶中的应用[J].自动化与仪器仪表，1999，(4).
[4]CollierwC，weiland，RJSmartCarts，SmartHighways[J].ieeeSpec-trum，1994，31(4)：27-33.
[5]HatwalH，mikulcikeC.someinverseSolutionstoanautomobilepathtrackingproblemwithinputControlofSteeringandBreaks，Ve-hiclesystemDynamics，1986，(15)：61-71.
[6]KosugeK，Fukudat，asadaH.acquisitionifHumanSkillsforRoboticSystem[C].in：procieeeintSymponintelligenControl，1991.469-489.
[7]王小平，曹立明.遗传算法—理论、应用与软件实现.西安交通大学出版社，2002.
[8]maniezzoV.Geneticevolutionofthetopologhandweightdistribution
ofneuralnetwork[J].ieeetransonneuralnetwork，1994，5(1)35-67.
[9]HarraldpG，Kamstram.evolvingartificialneuralnetworkstocombinefinancialforecase[J].ieeetransonevolComputer，1997，1(1)：39-54.
[10]邓聚龙.灰色系统理论教程.华中理工大学出版社，1990.
[11]吕宏辉，钟珞，夏红霞.灰色系统与神经网络融合技术探索.微机发展，2000，23(4)：67-109.
神经网络的基本功能篇9
关键词:功率放大器;预失真技术;神经网络;单入双出;互调失真
中图分类号:tp18文献标识码:a
文章编号:1004-373X(2010)09-0107-05
ResearchofSelf-adaptiveDigitalpredistortiontechnologyBasedonSiDo-neuralnetwork
QiUwei,LiUYu-peng,ZHanGLei-lei
(thebaseofChinaoceanmeasure,Jiangyin214431,China)
abstract:Becauseofinherentnonlinearityofhigh-poweramplifier,whichmaycausebadinfluenceoncommunicationsystems,itisnecessarytomakealinearizationprocessingtoovercomeorweakenit.themathanalysisofnonlineardistortionforthehigh-poweramplifier(Hpa)isperformed.thebasicprincipleofdigitalpredistortionandthefoundamentalknowledgeofneuralnetworkaredescribed.aself-adaptivedigitalpredistortiontechnologybasedonSiDo-neuralnetworkisproposedaccordingtotheamplifyingamplitudeandthedistortioncharacteristicofphase,whichcanbeimprovedbythetechnology.takingadouble-soundsignaland16Qamsignalasanexample,thematlabsimulationiscarriedout,theresultprovesthatthistechnologyissuperior.
Keywords:poweramplifier;predistortiontechnology;neuralnetwork;SiDo;intermodulationdistortion
0引言
无线通信技术迅猛发展,人们对通信系统的容量要求也越来越大。为了追求更高的数据速率和频谱效率,现代通信系统都普遍采用线性调制方式,如16Qam和QpSK方式,以及多载波配置[1]。
但这些技术产生的信号峰均比都较大,均要求功率放大器具有良好的线性特性,否则就会出现较大的互调失真,同时会导致频谱扩展,造成临道干扰,使误码率恶化,从而降低系统性能。
预失真技术是一项简单易行的功放线性化技术,具有电路形式简单,调整方便,效率高,造价低等优点[2]。其中,基带预失真还能采用现代的数字信号处理技术,是最为看好的一项功放线性化技术。这里利用一种简单的单入双出三层前向神经网络来进行自适应预失真处理,同时补偿由高功率放大器非线性特性引起的幅度失真和相位失真,从而实现其线性化。
文中分析了基于这种结构的自适应算法,并做了相应的仿真。仿真结果表明,该方法能有效克服功放的非线性失真,且收敛速度比一般多项式预失真更快,具有一定的优势。
1高功率放大器非线性分析
高功率放大器一般都是非线性器件,特别是当输入信号幅度变化较大时,放大器的工作区将在饱和区、截止区、放大区之间来回转换,非线性失真严重,会产生高次谐波和互调失真分量。由于理论上任何函数都可以分解为多项式的形式,故放大器的输入和输出关系表示为:
Vo=a1Vi+a2V2i+a3V3i+…+anVni(1)
假设输入的双音信号为:
Vi=V1cos(ω1t)+V2cos(ω2t)(2)
把式(2)代入式(1),得到输出电压为:
Vo=a22(V21+V22)+a1V1+a334V31+32V1V22+…cos(ω1t)+a2V2+a334V32+32V2V21+…cos(ω2t)+12a2V21+…cos(2ω1t)+12a2V22+…cos(2ω2t)+14a3V31+…cos(3ω1t)+14a3V32+…cos(3ω2t)+a2V1V2[cos(ω1+ω2)t+cos(ω1-ω2)t]+34a3V21V2[cos(2ω1+ω2)t+cos(2ω1-ω2)t]+
34a3V22V1[cos(2ω2+ω1)t+cos(2ω2-ω1)t]+58a5V31V22cos(3ω2-2ω1)t+58a5V21V32cos(3ω1-2ω2)t+…
从上式可以看出,输出信号中不仅包含了2个基频ω1,ω2,还产生了零频,2次及高次谐波以及互调分量。通常2ω1-ω2,2ω2-ω1,3ω1-2ω2和2ω1-3ω2会落在通频带内,一般无法滤除,是对通信影响最大的非线性失真分量,即所谓的三阶互调和五阶互调。放大器线性化的目标就是在保证一定效率的前提下最大地减小┤阶和┪褰谆サ鞣至俊
2预失真基本原理及其自适应
预失真就是在信号通过放大器之前通过预失真器对信号做一个与放大器失真特性相反的失真,然后与放大器级联,从而保证输出信号相对输入信号是线性变化。预失真器产生一个非线性的转移特性,这个转移特性在相位上与放大器转移特性相反,实质上就是一个非线性发生器。其原理图如图1所示。
图1预失真基本原理
预失真器的实现通常有查询表法和非线性函数两种方式[2]。由于查表法结构简单,易于实现,早期的预失真多采用此方法,但它对性能的改善程度取决于表项的大小,性能改善越大,需要的表项越大,所需要的存储空间也越大,每次查找遍历表项的每个数据和更新表项所需要的时间和计算时间也越长,因此在高速信息传输的今天已经不可取。非线性函数法是用一个非线性工作函数来拟合放大器输出信号采样值及其输入信号的工作曲线,然后根据预失真器特性与放大器特性相反,求出预失真器的非线性特性函数,从而对发送信号进行预失真处理。这种方法只需要更新非线性函数的几个系数,而不需要大的存储空间,因此是近年来研究的热点。
假设预失真器传输函数为F(x),放大器传输函数为G(x),F和G均为复函数。若输入信号为x(t),则经过预失真器之后的信号为u(t)=F[x(t)],放大器输出函数为y(t)=G[u(t)]=G{F[x(t)]},预失真的目的就是使x(t)通过预失真器和放大器级联后输出y(t)=ax(t),a为放大器增益。通过一定的方法可以找到合适的F,使实际输出和期望输出的误差最小。
由于温度、电器特性、使用环境等因素的不断变化,放大器的传输特性也会发生变化,从而预失真器传输函数F(x)的各参数也会随之而变化,因此现代数字预失真技术一般都要采用自适应技术以跟踪调整参数的变化。目前常用的两种自适应预失真结构如图2、图3所示。
图2自适应预失真系统结构图
图3复制粘帖式自适应预失真系统结构图
图2是一般的通用自适应结构,结构简单,思路明确,但一些经典的自适应算法由于多了放大器求导项而不能直接应用,且需要辨识放大器的传输特性,而图3的复制粘帖式结构(非直接学习)则不存在这些问题,关于这种结构的优缺点比较和具体性能分析见文献[3]。本文将采用后一种自适应结构。
3基于一种单入双出式神经网络的自适应预失真技术
3.1神经网络
神经网络是基于生物学神经元网络的基本原理而建立的。它是由许多称为神经元的简单处理单元组成的一类自适应系统,所有神经元通过前向或回馈的方式相互关联、相互作用。由minsky和papert提出的多层前向神经元网络是目前最为常用的网络结构,已广泛应用到模式分类和函数逼近中,且已证明含有任意多个隐层神经元的多层前向神经元网络可以逼近任意的连续函数[4]。本文利用神经网络的这种功能来拟合预失真器的特性曲线,并且用改进的反向传播算法来自适应更新系数。
多层前向神经元网络由输入层、一个或多个隐层和输出层并以前向方式连接而成,其每一层又由许多人工神经元组成,前一层的输出作为下一层神经元的输入数据。三层前向神经元网络示意图如图4所示,其中输入层有m个人工神经元,隐层有K个神经元,输出层有n个神经元。关于人工神经元的具体介绍参考文献[5-6]。
图4三层前向神经元网络
3.2基于单入双出式神经网络的自适应预失真系统模型
对于图5所示的单入双出式三层前向神经网络,假设隐层包含K个神经元。输入数据经过一系列权系数{w11,w12,…w1K}加权后到达隐层的各个神经元。隐层中的神经元将输入进来的数据通过一个激励函数(核函数),将其各神经元的输出经过一系列权系数{w21,w22,…,w2K}和{w31,w32,…,w3K}加权并求和后分别作为输入层第一个神经元和第二个神经元的输入,然后各神经元的输入通过激励函数得到两个输出。
将图5代替图3中的函数发生器,即得到本文中所提到的基于单入双出式前向神经网络的预失真器结构图,如图6所示。
神经网络的三组系数向量开始都随机初始化。设输入序列为xi(i=1,2,…),通过幅度提取和相位提取后得到信号的幅度序列和相位序列。若神经网络的输入为原始输入序列的幅度序列ri(i=1,2,…),则隐层各单元输入i1k=w1kri-θ1k。经过核函数后,隐层各单元的输出为J1k=f(i1k),其中f(x)=11+e-x为核函数,输出层的静输入为z1=∑Kk=1w2k*J1k-θ1,z2=∑Kk=1w3k*J1k-θ2,输出层神经元1的输出,即预失真器幅度预失真分量为U1=f(z1)。
图5单入双出三层前向神经元网络
图6单入双出式前向神经网络预失真器结构图
由于相位失真分量的输出范围没有限制在0和1之间,因此不能用核函数加以限制,这里设定输出层神经元2的输出等于其输入,即预失真器相位预失真分量为U2=z2,最后预失真后的幅度和相位和的指数相乘得到送入功放的复信号。功率放大器的输出信号设为yi(i=1,2,…),其幅度和相偏分别为yai(i=1,2,…)和ypi(i=1,2,…)。最后整个系统的幅度绝对误差为ea(i)=Gri-ya(i),相位绝对误差为ep(i)=U2(i)+yp(i),整个系统的绝对误差和为e(i)=ea(i)+ep(i),然而直接把此误差运用到反向传播算法(Bp算法)中会导致算法出现局部收敛且收敛速度极慢。因此本文对误差信号做了改进,即把误差信号改为:
e(i)=12[λ(ea(i)]2+(1-λ)φ[ea(i)]+
λ[ep(i)]2+(1-λ)φ[ep(i)]
其中:φ(x)=in[cos(βx)]/β,加入的调整因子λ和辅助项φ,能把算法从局部收敛点拉出来,且收敛速度得到一定的提高。最后根据反向传播算法,得到训练神经网络的权系数更新式如下(下标2为隐层到输出层权系数,下标1为输入层到隐层权系数):
δ2a(i)=ca(i)*[1+U1(i)]*[1-U1(i)](3)
δ2p(i)=cp(i)(4)
w2(i)=α*δ2a(i)*J1+η*w2(i-1)(5)
θ2(i)=α*δ2a(i)+η*θ2(i-1)(6)
w3(i)=-α*δ2p(i)*J1+η*w3(i-1)(7)
θ3(i)=-α*δ2p(i)+η*θ2(i-1)(8)
δ1(i)=(δ2a(i)*w2-δ2p(i)*w3)*
J1(i)*[1-J1(i)](9)
w1(i)=β*δ1(i)*ri+η*w1(i-1)(10)
θ1(i)=β*δ1(i)+η*θ1(i)(11)
式中:ca(i)=λea(i)-1-λ2tan[β*ea(i)];cp(i)=λ*ep(i)-1-λ2tan[β*ep(i)]。
预失真权系数可分为训练和跟踪两个阶段。根据上面的迭代公式,得到一组训练神经网络的权系数,用当前的权系数替代预失真器神经网络中原来的权系数,得到一组新的预失真系数,之后重新计算误差,继续上面的过程循环迭代运算,直到误差小于规定的范围,即整个系统收敛,则预失真器训练完成,此时为训练阶段。之后随着温度、输入的调制信号不同,以及环境等变化可能引起功放特性的变化,可以设置一个误差门限值,一旦发现误差超过此门限,立即重新启动上面的循环迭代,重新训练,直到满足条件,此时为跟踪阶段。这种改进型Bp算法的收敛速度快,能满足实时运算的要求。同时在硬件实现上,只要做一个核函数发生器,其他都是乘累加运算,硬件实现要简单得多,因此具有一定的实用性。
4性能仿真
文中使用双音信号进行了仿真分析,双音信号为:
xs=0.5[sin(2π×10×t)+sin(2π×8×t)]
放大器模型采用经典salef[9]模型,神经网络的隐层数设为15。图7为双音信号原始频谱。
图8是为双音信号直接通过放大器和通过文中所提的预失真网络后再通过放大器的频谱图对比。由此可见,双音信号直接通过放大器后产生了较大的失真,其中的三阶互调达到了-16dB,五阶互调也有-29dB。通过对文中所提神经网络预失真系统进行处理后,即信号通过预失真器再通过放大器后,三阶互调被抑制到-42dB,五阶互调也被抑制到-48dB以下,此时三阶互调改善26dB,五阶互调改善19dB,使放大器的非线性失真得到较大的抑制。
图7原始信号归一化频谱图
图8预失真前后信号归一化频谱图
下面以16Qam信号为例,说明这种预失真技术对功放非线性特性的改善,如图9所示。
图9(a)为16Qam信号规则星座图,调制信号均匀地分布在正方形的16个点上;图9(b)为16Qam信号经过功率放大器后解调的星座图。由图可见,信号经过放大器后,幅度受到压缩,相位发生偏移,并且输入信号幅度越大,输出信号幅度压缩越大,相位偏移越严重,最后出现严重的“云团效应”,使得接收端不能正确解调信号。图9(c)是经过本节所提出的单入双出式神经网络预失真器处理后解调信号的星座图。由图可见,经过预失真处理后,由于放大器非线性引起的幅度压缩和相位旋转都得到较好的纠正,“云团效应”明显减弱,最后各个点基本都在理想点上,与┩9(a)对比,基本消除了失真。
5结语
针对放大器固有的非线性特性问题,从数学上分析了放大器的非线性失真,介绍了基于预失真基本原理和神经网络基本概念,提出了一种单入双出式神经网络自适应预失真技术。仿真结果表明,该技术能对三阶互调能抑制29dB左右,对五阶互调能抑制19dB左右,对Qam调制信号由于放大器非线性引起的幅度压缩和相位旋转都得到较好的纠正,在很大程度上克服了放大器非线性特性,改善了通信系统的性能。
图916Qam信号星座图失真及改善对比
参考文献
[1]赵慧,漆兰芬.射频放大器的工作函数预失真线性化[J].无线电工程,2001,31(12):58-61.
[2]贾建华,刘战胜.关于自适应预失真射频功率放大器线性化研究[J].微波学报,2005,21(3):48-50.
[3]钱业青.一种高效的用于RF功率放大器线性化的自适应预失真结构[J].通信学报,2006,27(5):35-40,46.
[4]CYBenKoG.approximationsbysuperpositionsofasigmoidalfunction[J].mathematicsofControl,SignalsandSystems,1989(2):183-192.
[5]刘宝碇,赵瑞清,王纲.不确定规划及应用[m].北京:清华大学出版社,2003.
[6]朱剑英.只能系统非经典数学方法[m].武汉:华中科技大学出版社,2001.
[7]wUShan-yin,SimonHSF,wonGYm.theuseofnonlinearcurvefittingindigitalpredistortionforlinearizingRFpoweramplifiers[J].ieeeiCiCS,2005,3:960-963.
[8]GLentiSGo,BeRBeRDiSK,tHeoDoRiDiDS.efficientleastsqaresadaptivealgorithmsforFiRtransversalfiltering[J].ieeeSignalprocessingmagazine,1999,16(4):13-41.
神经网络的基本功能篇10
关键词：神经网络；程控交换机；故障诊断
中图分类号：tn915.08文献标识码：a文章编号：1009-3044(2011)25-6184-03
ResearchontheFaultDiagnosismethodBasedneuralnetworkforprogram-controlledSwitches
ZHoUming-yi1,CHenGwen-qing2,ZHaoJian-li2
(1.BeijingpowerSupplyCompany,Beijing100000,China;2.northChinaelectricpowerUniversity,Baoding071003,China)
abstract:program-controlledswitcheshavemuchfeatureswithprogramcontrol,softwareandhardwaremodules,aspecialchiphighlyintegrated,eachpartcloselyrelated.sooftensomewheresmallfaultcanleadtochainreaction,eventotheextentthattheentireequipmentparalysis,affectthenormalcommunicationquality,extremelyproduceseriousconsequences.thisarticleanalysistheprogram-controlledswitchescompositionstructureandhardwarefault,obtainedtherelevantdataofthepaBXfaultanalysis,andusedneuralnetworkmethodtodesignaprogramcontrolledswitchfaultdiagnosissystem.thesimulationtestshowsthatthemethodcanquicklyandaccuratelylocatethefaults.thesystemhasacertaintheoreticalguidingsignificancetoraisefaultmanagementlevelfortheprogram-controlledexchangeequipment.
Keywords:neuralnetwork;pBX;faultdiagnosis
程控交换机在话路网、控制方式、程序软件以及接入业务等方面一直处于突飞猛进的发展过程中。例如，程控交换机最初只能接受普通模拟电话业务，但随着软、硬件模块化的发展，现在程控交换设备可以进行各类n-iSDn（窄带综合业务数字网）设备的接入，可以综合处理各类终端的数据、传真、图像等多媒体业务。程控交换机服务功能的不断增加使得它在现在通信中发挥着举足轻重的作用，人们对它工作的可靠性也提出了更高的要求[1-2]。目前使用的程控交换机虽然多数可以通过维护终端查看设备的告警性能，但由于设备告警系统的复杂性，必须由经验丰富的专业人员才能进行处理。本文设计了一个程控交换机故障诊断系统，将分析判断的工作交给故障诊断系统进行，只需将程控交换机的告警参数接入到系统，经过训练的神经网络可以自动分析得出故障原因，实现快速准确的故障定位功能。
1程控交换机的基本结构
程控交换机的基本结构包括电路模块、交换网络模块、管理通信模块[3-4]。具体介绍如下：
1.1电路模块
1.1.1用户电路
数字交换网络交换的是数字语音信号，而用户线上传输的一般是模拟信号以及-48V直流电压和铃流等带外信号，所以用户线信号进入数字交换网络前必须进行处理（如滤波、变换等）。这项工作是由用户电路（SLC）完成的。用户电路是用户线和交换网路或其他电路（如扫描电路）之间必不可少的接口。程控交换机的用户电路具有七种功能，即馈电、过压保护、振铃、监视、单路编译码器、混合电路和测试。这七种功能通常又简称为BoRSCHt功能。模拟交换机的用户电路出没有编译码器外，其余六种功能完全一样。用户电路一般用集成电路实现。
1.1.2中继电路
中继器是中继线与交换网络以及控制系统间的接口电路，它传输的信号不仅包括语音信号还包括各种局间信号。中继器一般由保护电路、信号互换电路、用户线信号电路和隔离电路等组成。其中信号互换电路用来指定中继线工作方向（出中继或入中继）和指定信号形式。用户线信号电路则用来在出入中继期间用户电路断开时，代替用户电路向话机馈电、铃流的接通和断开、传输信号等功能。隔离电路的功能则用来分离开中继器是中继线和交换网络以及控制系统间的接口电路。
1.2交换网络模块（Sm）
程控交换机最基本的功能就是在各条用户线之间、用户线和中继线之间或中继线与中继线之间建立起语音信号临时通道。
交换模块（Sm）由主控单元与接口单元组成，主控单元通过接口单元配上不同的接口电路就可以构成不同的交换模块，提供不同的业务功能。
交换模块（Sm）的主控单元主要有主处理机（mpU）、模块内通信控制点（noD）、模块通信板（mC2）、光纤接口（opt）、模块内交换网板（net）、数据存储板（mem）、音信号板（SiG）和信令处理板（mFC、Lap）等构成，各电路均按双备分方式配置。
1.3管理通信模块（am/Cm）
管理通信模块（am/Cm）由中央处理模块（Cpm）、中央交换网（Cnet）、通信控制模块（CCm）、同步定时系统（Stm）、业务线路接口模块（Lim）和后管理模块（Bam）几部分组成。
1.3.1中央处理模块（Cpm）
Cpm包括主处理板（amp）、中心数据板（CDp）、总线控制板（BCp）、内置服务处理板（iSp），完成系统全局数据的存储和处理，并负责对am/Cm中的单板管理。Cpm到CCm有HDLC链路，再通过CCm到各模块的HDLC链路来控制各模块的工作。其中amp板完成对中心模块的数据管理、设备管理、维护、告警、流量统计及负载控制等功能。
1.3.2中央交换网（Cnet）
Cnet是一个大型交换网，包括交换网通信控制板（nCC）、总线驱动板（BDR）、总线交换网板（CnU）、边缘交换网板（SnU）。
Cnet为三级结构，由中心交换网板CnU和边缘交换网板SnU组成，其中CnU板为中间级，SnU板为输入输出级。nCC完成交换网络的时隙分配、接续控制，控制本模块单板与其它模块的通信。BDR板的主要功能是进行总线驱动，增强nCC总线驱动能力，以实现网控功能。
1.3.3通信控制模块（CCm）
CCm是模块间通信的核心，包括帧交换网板（FSn）、总线控制板（BaC）。
BaC是通信控制模块的总线管理控制板，负责完成对通信控制模块帧交换网的通道配置、总线仲裁，对通信控制模块中各单板的工作状态进行监控，完成CCm与外界的通信，同时BaC板具有帧交换的功能，参与整个通信控制模块的帧交换工作。
FSn是通信控制模块的帧交换板，用于实现多个HDLC通道的HDLC信令链路交换。它接收来自各接收通道的信息包，根据其中的目的地址发送到相应的通道，通过交换总线实现板内、板间接收单元到任意发送单元的交换。同时，FSn与其它模块单板相连，实现各模块之间的信令交换。
1.3.4同步定时系统（Stm）
Stm从上级交换设备提供的时钟基准中提取恢复时钟信号，输入交换机可用时钟，并将时钟信号输出到其它各个模块。它和amp板通过串口线直接连接，接受amp的控制。
1.3.5业务线路接口模块（Lim）
Lim包括各类业务接口板（oBC、e16、StU等）和高速信号接口板（QSi），主要完成业务数据与信令数据的复核和分解，提供传输线路驱动接口，使中心模块与其它网络设备相连。
QSi板是Lim的核心板，是Lim同中心模块其他设备相连的枢纽。在发送方向，它将从本模块中各业务接口板接收下来的数据进行码速变换，传送给中心交换网络Cnet；同时将信令数据传送到通信控制模块CCm。在接收方向，将中心交换网送来的高速信号数据进行分发，送给本模块的业务接口板；同时也将通信控制模块CCm送来的信令数据进行分发，送给本模块各业务接口板。
1.3.6后台管理模块（Bam）
Bam以Lan的形式将维护台、特服台、计费台、服务器等组成后台终端系统，由一台装有专用软件的计算机终端构成，通过HDLC链路与am/Cm通信。
2人工神经网络方法
神经网络的全称是人工神经网络(artificialneuralnetwork，ann)，是在现代神经生物学研究成果的基础上发展起来的一种模拟人脑信息处理机制的网络系统，它不但具有处理数值数据的一般计算能力，而且还具有处理知识的思维、学习和记忆能力。
2.1Bp网络
Bp神经网络又称为误差反向传播（Backpropagation）神经网络，它是一种多层的前向神经网络。在人工神经网络的实际应用中，Bp网络广泛应用于函数逼近、模式识别/分类、数据压缩等，80%~90%的人工神经网络模型是采用Bp网络或他的变化形式，它也是前馈网络的核心部分，体现了人工神经网络最精华的部分[5]。
2.1.1Bp神经元模型
如图1所示给出了一个具有R个输入的基本的Bp神经元模型结构。图中每一个输入被赋予一定的权值，与偏差求和后形成神经元传递函数的输入。
Bp网络属于多层网络，其神经元常用的传递函数包括log-sigmoid型函数、logsig、tan-sigmoid函数tansig，以及线性函数pureline。在隐层中常常采用sigmoid函数进行中间结果的传递，而在最后输出层用线性传递函数进行值域扩展。
2.1.2Bp算法
Bp网络的学习是有指导学习，训练过程需要提供输入向量p和期望响应t，训练过程中网络的权值和偏差根据网络误差性能进行调整，最终实现期望的功能。前向型神经网络采用均方误差作为默认的网络性能函数，网络学习的过程就是使均方误差最小化的过程。
Bp算法的迭代公式可以表示为：(1)
其中xk代表当前的权值和偏差，xk+1代表迭代产生的下一次的权值和偏差，gk为前误差函数的梯度，ak代表学习速率。
3基于神经网络的程控交换机故障诊断
程控交换机是由相互关联的一系列单板相互配合完成一定功能的通信设备，当某单板故障告警时会导致其它单板无法完成预定功能而告警，接着又会导致另一些相关单板的告警。通过理论分析相关单板的关联关系，整理出完备的设备告警关联关系数据，设计Bp网络模型并对其进行训练，可实现对故障的迅速准确定位。
基于神经网络的程控交换机故障诊断的方法步骤如下：
1)通过分析，抽取反映程控交换机的故障参数，如（x1,x2,…xn）作为网络的输入模式。
2)对被检测对象的状态类别进行编码。
3)进行网络设计，确定网络层数和各层神经元数。
4)用各种状态样本组成训练样本，输入网络，对网络进行训练，确定各个单元的连接权值。
5)用训练好的网络对待检测对象进行状态识别，即把待检对象的特征参数作为网络输入，根据网络输出确定待检对象的状态。
通过对通信管理模块和交换模块的分析，可分别得到程控交换机构成单板间的关联关系，如图2和图3所示。另外，电源板（pwX）和时钟板（Stm），任意一类告警都会导致整个设备的工作异常，为最高级且独立的告警，应用神经网络时未予考虑。
Bp神经网络的层数设计为两层，其中隐层有14个神经元，传递函数为logsig型函数;输出层有9个神经元，传递函数为pureline线型函数。神经网络模型如图4所示。
从模型中可以看出，系统的输入、输出均为9维向量，输入的每一位代表9个不同的程控交换机单板，输出的9位中，1代表故障单板，0代表无故障。
由于该系统所处理的数据量不大，所以模型没有设计作为数据缓冲的输入层。训练精度设定为1e-5时，经过98次迭代就可以达到要求精度，仿真结果如图5所示。
该系统神经元数目不多，需要确定的权值、偏差数目也相对较少，所以选用对于小型神经网络收敛速度快、精度高的trainlm函数作为训练函数。通过大量的测试数据验证，诊断结果快速准确，满足系统设计的各项要求。
系统在验证测试过程中，训练精度分别设定为1e-5、1e-4、1e-3时，各需要经过98、47、12步迭代才能达到要求精度，可见随着精度的提高训练时间会加大，即迭代次数也会增加。检测结果的数据表明训练精度越高，得到的结果误差越小，系统可靠性也越高，反之，训练精度越低，得到的结果误差越大，系统可靠性也越低。
4结束语
通过对程控交换机基本结构及其组成的分析，分别得到程控交换机通信管理模块和交换模块相关单板间硬件故障时的关联关系，并应用神经网络的方法设计了一个程控交换机故障诊断系统。经仿真测试验证该方法能迅速准确地对故障进行定位，对提高程控交换设备的故障管理水平具有一定的理论指导意义。
参考文献：
[1]陈宜勋.程控交换机在使用中的故障分析与处理[J].煤炭技术，2004,23(4):29-30.
[2]阮琳.对程控交换机呼叫前转业务失败故障的分析与处理[J].电信科学，2004,20(5):73-74.
[3]马志强.程控数字交换技术[m].西安：空军工程大学，2002.