欢迎访问爱发表,线上期刊服务咨询

神经网络原理8篇

时间:2022-04-07 11:20:18

绪论:在寻找写作灵感吗?爱发表网为您精选了8篇神经网络原理,愿这些内容能够启迪您的思维,激发您的创作热情,欢迎您的阅读与分享!

神经网络原理

篇1

关键词:板凸度;板形预测控制;ANSYS/LS-DYNA;BP神经网络;预测精度

DOI:10.16640/ki.37-1222/t.2016.21.124

0 引言

板带材是汽车、船舶、建筑、机电、化工和食品等工业的重要原材料[1-3]。随着我国经济的高速发展,钢材板带比不断提高。板带的轧制过程是指靠旋转的轧辊与轧件之间的摩擦力将轧件拖进辊缝之间,并使之受到压缩产生塑性变形的过程[4]。板形是衡量板带轧制的重要质量指标之一[5]。轧制生产过程中,板形的影响因素涉及几何非线性、材料非线性的高度复杂非线性问题以及存在时变性等特点。传统的数学模型难以建立起相对准确的,能够准确表达各参量间的静态关系以及能够准确描述动态关系的表达式[6]。因此本文建立了有限元与BP神经网络[7]结合的板形预测模型。该模型不仅保证了计算精度,还满足了板形在线预测的要求。

1 基于BP神经网络与有限元原理的板形控制模型的建立

本论文所用的模型所采用的各个工艺参数的数据来源于某企业2800四辊可逆式冷轧机实际生产中获取的数据。其中轧件材质为Q195钢,轧辊材质为70Cr3NiMo。

(1)模型的基础分析。结合有限元仿真,板带宽度,工作辊直径,支撑辊直径,工作辊弯辊力,支撑辊弯辊力,工作辊凸度,支撑辊凸度,工作辊窜辊,支撑辊窜辊对板形的影响比较大,因此BP神经网络预测模型选择的输入参数为。利用有限元分析建立样本时,根据实际情况在一定范围内变化,其它轧制参数则设为固定值,所以,网络的输入变量是9维的。输出参数为板凸度,所以输出变量是1维的。本模型采用三层的BP神经网络模型,即只含有一个隐含层。确定最佳隐层节点数的一个常用方法是试凑法,可先设置较少的隐层节点训练网络,然后逐渐增加节点数,用同一样本集进行训练,从而确定网络误差最小时对应的隐层节点数。隐含层节点数的确定还可借鉴以下公式:

(2)BP神经网络结构模型。结合以上公式,经过反复测试,中间层节点数设为9个。因此,本文确定的BP网络结构为9-9-1。由此确定的板形预测模型的网络计算模型如图1所示。

2 模型的训练及检验

(1)模型的相关参数及分析。网络的训练利用Matlab软件进行,选择收敛速度快并且预测精度高的L-M法。利用有限元的计算结果作为训练样本库,对BP神经网络进行训练。在给定精度要求条件下,对BP神经网络模型进行训练。

(2)误差及模型结果分析。所得到的BP神经网络误差进行分析得到BP神经网络的训练结果并进行分析。BP神经网络训练结束后,为了检验该BP神经网络的识别能力,将训练得到的网络权值以及各神经元的阀值存入权值文件,任选几组有限元仿真得到的结果作为测试样本集对BP神经网络进行检验,得到BP神经网络测试与训练数据关系。最后选取了有代表性的板凸度参数的BP神经网络预测值与有限元仿真值进行比较。综合分析可知本文建立的BP神经网络模型来预报板凸度参数,其误差最大值不超过3%,精度还是比较高的。

3 结论

(1)基于人工神经网络建立了BP神经网络模型,并以此提高板凸度参数的预报精度。结合工作辊窜辊量以及支撑辊窜辊量等因素与板凸度的关系,进行分析计算得到相应的关系。(2)利用有限元仿真计算结果作为训练样本对神经网络进行训练,得到了训练结果图。(3)利用有限元测试样本对BP神经网络模型进行检验,可以得出BP神经网络的输出值与有限元的仿真计算值的分布规律一致,存在的误差比较小。这表明本文建立的板形预测模型是合理的,其计算结果是可信的并且具有参考价值。

参考文献:

[1]彭艳,孙建亮,刘宏民.基于板形板厚控制的轧机系统动态建模及仿真研究进展[J].燕山大学学报,2010,34(01):6-12.

[2]苏亚红.我国冷轧板带生产状况及展望[J].冶金信息导刊, 2007(05):44-48.

[3]王延溥,齐克敏.金属塑性加工学――轧制理论与工艺[M].北京: 冶金工业出版社,2006.

[4]SUN Jianliang,PENG Yan,LIU Hongmin.Non-linear vibration and stability of moving strip with time-dependent tension in rolling process[J].Journal of Iron and Steel Research,2010, 17(06):11-15.

[5]薛涛,杜凤山,孙静娜.基于有限元与神经网络的板形调控功效[J].钢铁,2012,47(03):56-60.

[6]徐乐江.板带冷轧机板形控制与机型选择[M].北京:冶金工业出版社,2007.

篇2

关键词 入侵监测系统;异常监测;神经网络;资料监测;人工异常

中图分类号 TP3 文献标识码 A 文章编号 1674-6708(2016)172-0076-02

随着互联网系统的发展,使得系统随时可能受到来自网络的入侵,因此,如何保护系统与资料安全一直是一个重要的研究课题。近年来,由于资料监测技术的发展,将该技术应用于入侵监测领域,利用事先收集到的资料训练出一个较为一般化的模型,再以该模型针对即时资料进行是否入侵的判断。用来改变现行入侵监测系统使用有限的监测规则来判断入侵迹象,而无法监测未出现过入侵现行的缺点[1,2]。

本文针对档案传输协定(File Transfer Protocol;FTP)服务,利用神经网络建立异常监测的入侵监测系统,其目的在于利用评估资料监测的方式建立入侵监测系统,实现未知入侵行为的监测,解决目前入侵监测研究领域所遇到的问题[3]。

1 入侵监测系统

1.1 入侵监测系统简介

针对入侵监测系统的研究始于1980年,Jim将入侵定义为未经授权而存取、操作、修改或破坏资料,或使电脑系统不稳定,甚至无法使用的行为。而入侵监测系统的目的是监测上面提到的各种行为。大部分的入侵监测系统是根据入侵特征建立的监测规则专家系统,对已知的攻击辨识能力较佳。由于这类入侵监测系统所建立的特征不具一般化,因此很难分辨新的入侵行为。

1.2 入侵监测系统分类

近年来提出了许多不同的监测模式系统,用以应对不同的系统行为,大致可分为模拟正常行为与异常行为两种。入侵监测技术分为滥用监测:使用已知入侵攻击模式判断入侵行为;异常监测:将建立的正常使用模式变异到一定程度时视为不正常的存取行为(甚至是入侵)。

对于滥用监测系统。将具有入侵特征的动作加以编码,然后与收集的检查资料进行比对,以此方式发现入侵。其缺点是入侵特征均需编码后进入系统,面对未知的入侵攻击时,无法监测出来,这样的系统称为滥用监测系统。

入侵监测系统由早期的专家根据入侵特征建立系统监测规则,逐渐发展成以统计方式建立模型,监测使用行为与统计样式差别过大的,即可判断入侵方式。随后进入以资料监测方式为主流的监测系统,以提高检测率及降低误报率的目标。

1.3 入侵监测系统结构

目前的入侵监测系统实际上以资料和数据为主,对该系统整体结构进行以下说明:

1)受监测系统/感测器:入侵监测系统的资料来源,也就是受到监测的电脑主机。

2)审查资料收集:通过感测器收集审查资料。网络封包表头资料、网络封包流量统计、使用者键入命令,使用者登录资料等等,均为审查资料范围。

3)监测处理:通过各种算法,监测收集所得到的资料,找到疑似入侵的行为,由上述观点,监测处理是系统最核心的部分,监测入侵的准确与否,取决于此,处理的方式则有异常与滥用两种。

4)处理中资料:入侵监测系统处理中的资料,如欲比对入侵模型,比对中的审查资料等。

1.4 档案传输协定

本系统运行时,目的是为了对网络入侵的监测,欲监测的入侵以FTP服务为主。选定FTP服务的原因,在于封包资料的可获得性高、FTP命令可供判断入侵行为、且其入侵形态多、容易看出监测效果。

FTP是档案传输协定的缩写,在网络环境下传输档案,亦可将档案通过网络从某系统传输至另一系统。使用此项服务需设定登入服务的账户。这个档案传输协定支持不同操作系统、不同档案结构主机,以ASCII编码传送或接收。FTP使用控制连线和资料连线两个TCP连线来传输文档。除了FTP命令外,该服务的网络封包表头亦为资料来源,这些资料经整理处理后,用以建立入侵监测模型。

1.5 神经网络

神经网络的目标是以计算系统模拟最简单的生物神经网络结构。整个计算系统由多个高度连接的处理单元构成,以此连接网络间的训练学习,并处理外部输入数据。如果将神经网络视为黑盒子,则此盒子由多个节点连接而成,一般可分为3层:输入层、隐藏层及输出层。

训练过程中输入训练参数集,然后根据不同算法调整权重及偏权值,最后让神经网络可以映射输入与输出间的关系模式;模拟过程以测试数据集输入并进行训练后所得的神经网络值为准。

2 系统结构原理

在整个系统主要由以下几个部分组成,包括人工异常资料产生器,特征选取器,模型训练器及模型评估器。人工异常资料产生器主要功能为产生与输入资料不同的输出资料,在异常监测概念中,任何与正常资料不同的资料均视为异常资料。因为FTP的封包资料很难完全收集,因此,异常资料产生器需根据正常资料人工产生异常资料。特征选取器针对FTP服务器端的封包资料,选具有代表性与辨别性的特征,根据选取的特征随机产生人工异常资料至此系统资料前处理结束。模型训练器首先选择一部分资料作为训练资料,一部分为测试资料。模型训练器当模型训练完成后,可使用测试资料集来评估分类模型的正确性。

3 系统运行机理

系统的运行部分包括:输入资料、资料编码方式、人工异常资料产生、特征选取方式,下面对各部分进行详细介绍。

3.1 输入资料

由于档案传输协定(FTP)服务的攻击行为多属于网络形式的攻击,因此输入资料应该选择与网络相关的特征,以有效分辨攻击与非攻击行为。初步选取的特征如下所示,数字代表资料编码后产生的特征个数。

1)连接方式(1):连线方向“1”表示连接至FTP服务器,“0”表示服务器向外连线。

2)响应编码(5):FTP响应为3个ASCII数字,第一个代表响应状态,第二个代表错误种类,第三个为更进一步错误信息。

3)出现次数最多的字符(3):统计封包资料中出现次数最多的字符作为特征输入。

4)数据长度(3):正常的FTP封包资料部分长度一般较短,较长的可能为异常封包资料。

3.2 资料编码方式

1)连接方式(1):连线方向“1”表示连接至FTP服务器,“0”表示服务器向外连线。

2)响应编码(5):以5个输入点来表示响应码的第一个数字,转换方式如下:00001:1;00010:2;00100:3;01000:4;10000:5;00000:以上皆非时。

3)出现次数最多的字符(3):根据封包资料字符出现次数最多的字符,以3个输入节点表示输入资料,编码如下:001:1≤x≤5;011:6≤x≤10 ;111:x>10;000:以上皆非时。

4)数据长度(3):以3个节点表示封包的资料长度,其转换方式如下:001:1≤x≤48;011:49≤x≤96 ;111:x>96;000:以上皆非时。

4 结论

通过FTP服务收集的审查资料,以神经网络训练的入侵监测模型,验证了资料监测方式监测入侵问题的可行性。资料监测方式实际应用于入侵监测时仍存在问题需要解决,最明显的就是处理速度,网络传输封包资料数量可能相当大,除收集审查资料外,还需对收集资料做前处理,并且以入侵监测算法来监测是否入侵,达到实时处理的要求。

参考文献

[1]潘连根.数字档案馆研究[M].北京:中国档案出版社,2005.

篇3

【关键词】谐波;APF;神经网络

Abstract:With the development of the power of electronics technology,due to a variety of new non-linear loads are growing has caused much harmonic in power system,active power filter is the effective way to harmonic and compensate for the elimination.The working principle of active power filter system are briefly analyzed for this paper,and proposed a detection method based on neural networks,which are mainly using neural network load caused by harmonic resistance,etc.for effective analysis,to the original filter detection of the corresponding power system fundamental active current of more complete and thorough simulation results validate the design theory and analysis results are correct.

Key word:Harmonic;APF;neural networks

1.引言

在我国的可以发展和社会进步过程中,特别是各种高科技的产品以及衍生物的出现,发展进程不断加快,由于我国的地理结构,特别是资源分布不均决定了电网的地理结构配置,尤其是在恶劣环境状况下长远距离的电网配送传输,这样不得不造成电能在传输过程中的出现诸多问题,基于越来越到的三相交流正弦设备电压的稳定性,尤其是大量的非线性设备在交流电下产生的非正弦电流(电压等)信号,造成了其电能的有效性利用和一系列谐波的干扰等等。有源电力滤波器(Active Power Filter,APF)则应运而生,其优点是可以抑制一些谐波来提高电能的稳定性和电能的质量,其中在谐波处理这一块加入新型的神经网络,如现今的BP、FFT神经网络算法的运用在电力滤波器中,能够在谐波的处理过程中更加的准确和稳定,极大地加快了效率和保证了电能的质量,也是目前市场情景很广的一个重要课题。

2.电力谐波的检测方法

在现代的电力系统中,尤其的当前的三相交流电无时不刻地出现各种干扰性谐波,影响电能质量和效率。在传统的谐波检测中有一些比较传统的方法,特别在最初使用的无源滤波器进行简单且原始地滤波,这种滤波器在使用的同时也带来了很多的不便和出现更多新的问题,在后来也慢慢被淘汰。于是在后来演变了几种比较常用的方法,每种方法有其各自特点及应用范围,因此了解各种谐波检测方法的优缺点及其适用场合对拟制谐波是非常重要的。就目前广泛应用的是那些基于瞬时无功功率理论的p-q法,法和同步检测法以及基于正弦函数正交特性法的检测等方法,然后通过一些仿真比较各自的优缺点及适用场合,为有效拟制谐波提供理论及实际指导。分析及仿真表明,有效利用各种谐波检测方法的特点进行谐波拟制是非常有效、实用的,这是充分利用其反向特点分析的。

2.1 检测法

就目前大部分的谐波检测而言,基本都是运用检测法进行谐波检测,在谐波检测的基本工作原理是:将电压或电感器输出的电流信号转化为电压信号并进行适当的放大或缩小(根据实际信号的输出情况进行放大或缩小)。首先指令运算电路就是谐波检测的重要部分,其作用是在有源电力滤波器的补偿作用下得出其补偿电路的指令信号(电流信号),其中常用且最为重要的部分是三相电路的检测方法,在实际生活中常用的有两种:一种是电路谐波检测法,另一种是无功电流检测法。如下图1是电路-谐波检测的原理示意图.其方法的基本原理是利用三相电压源中的其中一项与同相位的正弦信号和相对应的余弦信号sinωt_cosωt,然后他们由一个相锁环(PLL)和sinωt_cosωt信号的发生电路模块得到。再根据定以及其公式计算出、。在图中、是由、、产生的、于是由、可以计算出、、,进而计算出、、。运算公式如图1所示。

图1 三相电流谐波检测原理示意图

(6)

(7)

(8)

(9)

用给定这些式子可以理想化的酸楚相应的补偿电流出来,这样根据所需的参数量来进行可控补偿。最终达到谐波抑制的目的。

2.2 基于神经网络的电流检测

在传统的APF(有源电力滤波器)中,我们很难有准确的测量方法,即是根据理想化的公式也只能进行理想的运算,然而在实际运行过程中,其测量参数准确度的有很大差距,于是我们提出了一种基于神经网络电流检测方法,这样在有源电力滤波器中有了很好检作用,其神经网络原理图 如下图2所视,它具有多种跟踪捕捉参数的能力,也能更为快速、准确地检测出来,达到的结果更接近理想值,在有源电力滤波器中加入运用神经网络是现今以及未来的一个趋势。

图2 神经网络结构图 图3 基于神经网络的基本原理图

3.建立相关模型并仿真

在APF的滤波基础上加入需要的神经网络模块,更能有效且准确地检测谐波并进行有效的补偿,最终得到需要的电流(电压)信号供日常实际生产。在被控参数的前馈期加入神经网络,可以很好的前馈控制,这样的优点是互惠产生不必要的延迟,同时可以减小工作时间。

3.1 模型建立

由于该研究主要针对于日常用的三相电力系统中,所以本文也是以三相交流为研究对象,其主要原理框图如图4所示

图4 加入神经网络的有源滤波的简易原理框图

我们可以很弄清楚地看到,滤波装置(APF)中加入可控串补神经经网调节模块,由图中可以看出主要对一些交流电流等相关参数进行补偿和抑制,在实际的运行环境中一系列的谐波、内外振荡和非稳定因素等干扰就得到了很好的抑制和处理,电压(电流)变得更稳定并且得到补偿和提高,很接近预期理论计算值,最终改善了运行环境,提高了电能的质量,同时更能有效地节省资源和提高电能有用功率。在每个模块达到自己的理论使用效果后,就可以很好地达到预期的结果。

3.2 仿真结果

本文研究对象主要是针对于三相交流电的电流参数进行测试,得到了一些列的仿真结果,基本能够反映研究的基本目的。下列图形分别给出了其三相交流电流谐波补偿抑制的仿真图像。

(1)当给定电压在380v、50Hz、α=30°时,在给与一定负载,得到的电流波形图如下图5所示,谐波很明显,三相正弦电流波形受到的干扰很明显,在有源滤波器的作用,谐波得到了很好的抑制并且提供了相应的补偿,是电流波形接近正常。

(2)当给定电压为380V、50Hz、α=30°时,同时给与一定负载,得到的电流波形图如下图6所示,谐干很明显,可知三相正弦电流波形受到的干扰很明显,在有加入神经网络后的有源滤波器的作用下,我们能够很明显地看到谐波得到了很好的抑制,且给予的补偿也很充分,电流的曲线图像变得更接近理想值,振幅也比以前增大了,从图像中我们可以得出在神经网络的作用下,有源电力滤波器的作用能够发挥得更加充分和完善,也是我们研究的重点和趋势。

4.总结

本文主要是在谐波污染现状上,对谐波进行系统的研究,尤其是在谐波检测的基础上进行研究,并设计了一种基于神经网络的有源电力谐波检测法,利用神经网络具有逼近任意非线性函数能力,响应快、超调小、误差小、鲁棒性好等一些优点,克服了有源电力滤波器补偿性能不足,检测效率低等缺点。其仿真结果表明基于该神经网络的谐波检测模块的试验中,可以得出其具有快速且准确的检测抑制效果,对今后的谐波抑制方面具有很好的发展前景。

参考文献

[1]杨军,王兆安.三相电路谐波电流两种检测方法的对比研究[J].电工技术学报,2005,6(7).

[2]王兆安,刘建军.电力电技术[M].北京:机械工业出版社,2010.

[3]于志豪,刘志珍,徐文尚.基于电路模型和神经网络的谐波电流检测方法[J].电工技术学报,2004,19(9).

篇4

[关键词]人工神经网络;远程教育;知识管理;综合评价模型

[中图分类号]G64[文献标识码]A[文章编号]1005-6432(2014)21-0048-04

1人工神经网络评价远程教育知识管理绩效的原理远程教育知识管理绩效评价是一项复杂的多层次、多目标评价活动。由于影响评价有效性的相关因素很多,这些因素一般难以量化,而且远程教育知识管理绩效评价决定力量与管理质量之间映射关系是非常复杂的,很难明显地表述。因此,评价是一件非常复杂的事情。如何才能做到既充分考虑评价专家的经验和直觉思维的模式又能降低评价过程中人为的不确定性因素,既具备综合评价方法的规范性又能体现出较高的问题求解效率。这是正确评价的关键所在。

把ANN应用于远程教育知识管理的综合评价,意在建立更加接近于人类思维模式的定性与定量相结合的综合评价模型。ANN用于远程教育知识管理综合评价的基本原理是:将描述远程教育知识管理的基础指标的属性值作为ANN的输入向量,将代表综合评价目标的结果作为ANN的输出。然后用足够多样本向量训练这个网络,使不同的输入向量得到不同的输出值,这样ANN所具有的那组权系数值便是网络经过自适应学习所得到的正确内部表示。人工神经网络通过信息样本对神经网络的训练,使其具有人的大脑的记忆、辨识能力,完成各种信息处理功能,利用其良好的自学习、自适应、联想记忆、并行处理和非线性转换的能力,模拟并记忆出远程教育知识管理评价指标和知识管理绩效向量之间的关系,以此作为评价远程教育知识管理绩效的标准。同时,通过大量的试训样本使得模型向着理想状态逼近。然后利用测试样本对模型进行测试,直到感觉满意为止。训练好的ANN便可作为一种定性与定量相结合的有效工具,对不同机构的教育知识管理进行综合评价。

2基于人工神经网络的远程教育知识管理评价模型

21远程教育知识管理评价指标

设计评价指标是教育知识管理绩效评估中的首要问题。从教育知识管理的内容、目标及职能出发,借鉴国内外学者对知识管理评价指标体系的研究成果,结合远程教育知识管理活动规律,并力求遵循科学性、系统性、层次性、可比性、可操作性原则,本文从知识管理重视度、基础设施建设水平、人力资源管理知识化水平、知识检测、评价和利用水平、综合管理水平等方面确定远程教育知识管理绩效评价指标体系(见表1)。

表1远程教育知识管理绩效评价指标体系一级指标二级指标知识管理重视

程度X1知识管理战略和预算的制定情况X11

CKO的职位与级别X12

激励人员创造性的花费占总投入的比重X13基础设施建设

水平X2人均计算机台数X21

知识管理基础设施投入占固定资产投资比重X22

网络覆盖率X23

基本信息数据库建设水平X24人力资源管理

知识化水平X3职位技能和评价标准的设立X31

知识人员比例X32

年均人员培训和教育成本X33

人员周转率X34知识检测、评价

和利用水平X4知识分类与标准化水平X41

多媒体软件或课件开发水平X42

经验与新方法数据库建设水平X43

电子图书的建设及利用水平X44

知识地图的建设及利用水平X45

网络教学资源的便利性X46

网上教学资源所占比重X47综合管理水平X5安全防范措施X51

信息资源管理措施X52

规章制度完善程度X53对远程教育知识管理进行评价时,从输入层输入教育知识管理指标评价体系。为使模型既有理论价值又有可操作性,本文在案例研究并结合有关文献的基础上选取7个较为典型的指标作为输入神经元(χij),依次分别是:知识管理基础设施投入占固定资产投资比重;人均计算机台数;网络教学资源的便利性;网上教学资源所占比重;知识人员比例;年均人员培训和教育成本;激励人员创造性的花费占总投入的比重。这7种因素的设置,考虑了概括性和动态性,力求全面反映远程教育知识管理的主要因素。

22评价指标属性值的量化

多目标评价中各目标间具有不可共度性,即各指标没有统一的度量标准,难以进行比较,因此,在综合评价前必须把这些分指标按某种隶属度函数将其归一化到某一无量纲区间。

指标属性值的量化步骤:

(1)计算第j个分指标Zj的平均值j:

j=(∑mi=1χij)/m,j=1,2,…,n(11)

(2)分别按不同类型的指标计算中间变量:

①对效益型指标,记中间变量

Mij=xij-jj(12)

②对成本型指标,记中间变量

Mij=j-xijj(13)

③对区间型指标,记中间变量

当χij≤A,则Mij=xij-ΑΑ(14)

当χij≥B,则Mij=B-xijΒ(15)

当B≥χij≥A,则Mij=6(16)

式中A,B分别为区间型指标的最佳上下界

(3)原始指标按下式转化到[-1,1]区间上的隶属度函数值Yij:

Yij=1-e-Μij1+e-Μij(17)

显然,Yij=f(Mij)是一条S形曲线,其曲线形状如图1所示。Mij反映了原始数据χij偏离平均值j的程度。当χij=j,则Mij=0;当χij>j,则Mij>0且Yij随Mij的增长非线性递增。

图1S形转换曲线

从上述转换可以看出,对于效益型指标来说,当原始值χij大于平均值时,转换后其隶属度函数值大于0,原始值越大,隶属度函数值越大,当原始值是4倍以上平均值时,隶属度函数值接近“饱和”。这样处理的好处是为了防止某一分指标隶属度函数值过大,从而左右整个综合指标。对于成本型指标,当χij越大时,其隶属度函数值反而越小,取负值,当χij越小时,其隶属度函数越大,取正值。

23综合评价BP网络的结构设计

远程教育知识管理评价模型采用具有多输入单元、单隐层单元和单输出单元的三层BP神经网络,其结构如图2所示:

图2远程教育知识管理综合评价BP网络结构

图2中,n,m分别表示输入节点和隐含结点个数;

χi1,χi2,…,χin为论域U={u1,u2,…,un}上第i个样本模式的评价指标属性值,Yi1,Yi2,…,Yin为论域U上χi经相应隶属函数量化后的评价值;

ωij(i=1,2,…,n;j=1,2,…,m)为输入层第i个单元到第j个单元的连接权值;

ωj(j=1,2,…,m)为隐层第j个单元到输出层的连接权值;Oi为样本模式i的输出。

综合评价BP网络模型的输入结点数等于各个被评对象的分指标数目。对于各个输入结点,分别输入经隶属度函数转化后的第i个被评对象的各指标隶属度函数值Yij(i=1,2,…,n;j=1,2,…,m)。隐层结点数的确定采用实验凑试法。输出层只有一个结点,代表第i个被评对象的总评价指标Oi。转移函数选用f(x)=11+e-x

24学习样本的确定与网络训练

一个学习样本由输入样本和输出样本两部分构成。输入样本为Y(i)={Yi1,Yi2,…,Yin}即被评对象各分指标的隶属度函数值。输出样本Oi为综合评价总指标,由下式确定:

Oi=∑nj=1ωj×Yij(18)

其中Yij是χij经上述转换后的隶属度函数值,ωj为综合评价中各分指标的权重。显然∑nj=1ωj=1,权重通常是依据公式(18),由专家组反复斟酌而定的。

把训练样本输入网络,利用该样本对BP网络的连接权系数进行学习和调整,以使网络实现给定的输入输出关系。本文采用BP算法训练网络。

25综合评价神经网络的实现算法

通过样本模式的训练学习后,BP网络就具有了样本模式所包含的专家的知识,分布地存贮在BP网络的权值之中,这样,这个训练好的BP网络就可以用来对评价的对象系统做出综合评价,再现评价专家的经验和知识。

由此,得到评价的算法如下:

Step1指标属性值的量化。即得出各分指标的隶属度函数值;

Step2确定BP网络结构,定义这些结构参数;

Step3把知识库中的权重和阈值,给BP网络的权重和阈值(ωij,ωjk,θj,θk)赋值;

Step4输入待考核对象的隶属度函数值,作为BP网络的输入值Yij;

Step5求出隐结点的输出值:

Sj=∑ni=1ωijxi+θj(i=1,2,…,n;j=1,2,…,m)(19)

yj=1/[1+exp(-Sj)](110)

求出输出层的输出值:

Sk=∑mj=1ωjkyj+θk(111)

Oi=1/[1+exp(-Sk)](112)

Step6输出考核结果Oi;

Step7是否还有待考核单位?

是:转Step3继续考核。

否:考核结束。

3仿真实例

本文运用基于神经网络的远程教育知识管理综合评价模型对中国20家远程教育机构的知识管理进行综合评估,并与专家评估相比较以验证模型的有效性。在实验中,采用了MATLAB下神经网络工具箱进行仿真模拟。实验原始数据来源于《中国教育统计年鉴》。样本的选取考虑了概括性和典型性,力求全面反映不同类型机构知识管理的水平,同时兼顾地区间的差异,尽量分布于不同省市地区,体现地区的广泛性。

依据本文所述方法,得到各分指标量化后的隶属度函数值和综合评价总指标的期望值。其中权重是由专家评判组反复斟酌而定。如表2所示。

表2各机构分指标量化后的隶属度函数值及综合评估指标Ji机构代号指标Yi1Yi2Yi3Yi4Yi5Yi6Yi7Jiω0201501501020150051048100940275-0289-02020169-009901032-0086-02540330-0185-0006-03320083-00713033403630215006009050652012604454-0537-0330-00670179-0786-0410-0213-037850075-0097-0179-0069010601170060000860684-01820455067500070322001102967-0680-0210-05330048-0499-0229-0008-03778-0565-0446-0555-0339-0834-0441-0256-05439057601700339018703770157006703131002960195-02700321-02770203-0021005411-0006025804510556-0085-013600710127120732069904600330091904670133061413-03390106-0235-03420313-03640005-011314-0672-0439-0223-0387-0715-0428-0135-048615012503050436-0149004904090014020316-0221-041002900179015901100091000917-0073-02570135-0305-0436-02370030-0185180574057201410004053300480056 03391902630129-031801070289-02280031006120-0195-0472-0466-0208-0217-0412-0057-0309

应用本文所述的方法,本例的输入层共有7个节点,输出节点1个,为综合评价总指标。根据经验和反复试验,本实验隐层节点数选取10。

将表2中的数据分为两部分,前10组数据用作学习样本,作为训练神经元连接权值用,学习精度ε=10-4,后10组数据作为检验用。经过5200次的学习,其学习结果见表3。

表3学习结果机构代号12345678910训练结果0102-00710447-038100080295-0376-054403150054期望输出0103-00710445-037800080296-0377-054303130054相对误差(%)097004507900340270180640

训练结束后,给训练好的BP网络分别输入校验数据,得到高校教育信息资源管理综合评价排序结果。见表4。

表4结果验证及远程教育知识管理评价排序高校代号11121314151617181920测试结果01260616-0114-048702020009-018403410061-0311期望输出01270614-0113-048602030009-018503390061-0309相对误差(%)07903408802104900540590065仿真排序41710368259专家排序41710368259

从表4中可以看出,利用神经网络得到的输出值与期望值之间的最大误差为088%,远程教育知识管理综合评价排序与专家排序一致。由此可见,用神经网络学习知识管理综合评价专家知识,并用学习后的网络对其他远程教育机构的知识管理进行综合评价能够获得满意的结果。

基于神经网络的远程教育知识管理评价网络不仅可以模拟专家对知识管理进行评价,而且还能够很好地避免评价过程中的不确定性,实验证明该模型能有效评价教育知识管理绩效水平。既可用于某一地区、某一类机构教育知识管理系统的总体分析评价,也可用于某一机构或有关机构之间教育知识管理系统的前后对比或横向对比,为比较远程教育机构间知识管理水平、差距及其改进空间提供了一种可供借鉴的方法。本研究应用神经网络进行远程教育知识管理评价是一个新的尝试,在教育知识管理评价指标和学习样本的选取上还有待进一步完善。

参考文献:

[1]焦李成神经网络系统理论[M]西安:西安电子科技大学出版社,1990:92-114.

[2]JWang,BMalakootiA Feedforward Neural Networks for Multiple Criteria Decision-Making [J] Computers & OpsRes. 2009,23(2): 151-167.

[3]戴文战基于三层BP网络的多指标综合评估方法[J]系统工程理论与实践2010,19(5):33-40.

[4]FSWang Fuzzy Neural Systems for Decision-Making[J] Procof IEEE IntConfon NNs 2010,10(11):1425-1634.

篇5

当我们做决策时大脑中发生了什么?是什么触发了神经元使其发送信号?神经编码是什么?本书对计算与理论神经科学领域进行了详细、彻底的介绍,不仅包含了经典的主题例如HodgkinHuxley方程和Hopfield模型,也涵盖了诸如生成线性模型、决策理论等领域中最新的研究成果。本书的首席作者Wulfram Gerstner是计算神经科学实验室的主任,也是瑞典洛桑联邦理工学院的生命科学方向及计算机科学方向的教授。他在计算神经科学领域的研究集中在脉冲神经元模型及突触可塑性,他曾给物理学家、计算机科学家、数学家和生命科学家讲授过计算神经科学课程。同时,他还是《脉冲神经元模型》一书的合著者之一。

在本书中,作者将计算与理论神经学领域涉及到的概念进行了细致剖析,行文逐步深入,并使用了丰富的图表和范例作为辅助。全书共分四个部分:第一部分 神经动力学的基础,含第1-4章:1.导言:神经元及相关数学知识;2.离子通道与HodgkinHuxley模型;3.树突和突触;4.降维与相平面分析。第二部分 生成整合-发放神经元,含5-11章,5.非线性整合-发放模型;6.调整及放电模式;7.脉冲序列和神经编码的变化;8.噪声输入模型:脉冲到达的阻击9.噪声输出:逃逸速率及软阈值;10.估计概率神经模型的参数;11.通过随机神经元模型进行编码与解码。第三部分 神经元与集群活动网络,含12-15章:12.神经元集群;13.连续性方程与FokkerPlanck方法;14.准更新理论与积分方程解法;15.快速瞬变与速率模型。第四部分 认知动态,含16-20章:16.竞争集群与决策;17.记忆与吸引子动力学;18.感知皮质场模型;19.突触可塑性与学习;20.总结:可塑性网络中的动力学。

本书全面地阐述神经元模型是如何与神经活动结合起来的有关内容。本书可以作为计算与理论神经科学领域的入门读物,读者仅需要了解基础的微分方程及概率学。结合每章最后的小结及练习,本书可以作为高年级大学生及低年级研究生的理想教材。另外,相信本书也会是相关领域学者的良伴。

冯多,硕士研究生

(中国科学院信息工程研究所)

篇6

关键词:网络经济;计算机技术;信息化;医院审计;管理策略

中图分类号:R197.324文献标识码:A文章编号:1007-9599 (2012) 04-0000-02

一、网络经济对医院审计带来的积极影响

(一)有利于加快医院审计信息化建设

随着医院内部管理信息化、业务运行网络化、会计信息电子化的广泛建立,不仅使医院各项经济活动的会计处理工作均可以通过计算机系统和软件自动完成,还使医院的经营管理步入了信息化、网络化的轨道。在这样的网络经济环境下,医院审计工作的范围、对象、内容、方法等审计要素也随之发生了较大的变化,对传统的审计工作造成了巨大的冲击。为了满足医院管理信息化的发展需求,医院必须加快审计信息化建设,以改进传统审计工作的不足,提高医院整体信息化的建设水平。

(二)有利于实现医院审计目标

医院审计工作的目标在于紧紧围绕本院工作重心,以强化财务管理和内部控制监督为主要任务,实现维护国家财经纪律、促进医院健康发展的目标。所以,医院必须采取先进、科学的技术方法,借助于网络技术、信息技术和计算机技术对所获取的审计凭证和信息资料进行加工处理,作为审计结果的评估、判断依据,以此为医院领导提供可靠的决策信息,从而确保审计目标的实现。

(三)有利于提升医院内部审计质量

网络经济环境下,网络信息技术已经广泛被应用于医院的日常经营管理活动中,医院内部审计工作也不例外。审计工作利用现代科学技术,不仅可以极大地减轻审计人员的工作量,确保审计数据的准确性和完整性,还可以促进审计工作规范化、流程化,提高审计工作效率,降低审计管理成本,从而提升医院内部审计工作水平和质量。

二、网络经济对医院审计的管理策略

(一)运用计算机辅助审计方法

1.对医院日常会计信息的审计。当前的医院审计要求审计工作人员应对会计信息给予更多的分析,并利用计算机辅助审计来完成具体工作。首先,应多开发一些适用于计算机辅助审计的应用软件,这样便于审计人员借助这些审计软件来对会计信息进行相应的检查、测试、比较分析、统计、汇总等审计工作。如审计人员可以通过借助相应的审计软件对医院财务部门各个时期的指标进行比较,并从中找出异常状况,以便于进一步加以调查和分析;其次,也可以借助会计电算化自带的一些功能来完成审计工作。如审计人员可以利用会计电算化中的查询过滤功能,将某些明细账反映的医疗服务金额在指定数额以上的全部记录显示出来,借此来进行分析性复核;再次,使用办公自动化软件来辅助审计工作。如可借助EXCEL表格对材料成本差异核算进行复核。

2.计算机辅助审计信息管理与传递。在进行审计时,审计人员需要掌握大量的有关信息,如法律法规、被审计单位的具体情况、上一年度的审计底稿以及审计报告等等。在以往应用手工方式时,这些信息都是由人工进行整理和提供,既费时又费力,致使审计效率偏低。而利用计算机辅助审计,则可将这些信息全部存储到计算机中,通过计算机的快速查找功能,便可以迅速、准确地找到所需的信息。因此,为方便审计人员开展工作,应建立审计法律法规库、被审单位信息集料库以及审计档案库等,同时还应提供相应的更新、维护以及查询功能。

3.计算机辅助审计统计抽样。在网络经济环境下,现代审计已经建立起了一套较为完善的抽样技术。而将抽样技术合理地应用于审计工作当中,是审计理论与实践的一大重要突破,特别是统计抽样比非统计抽样更具科学性,其能够准确地将抽样误差控制在指定的范围以内。正因如此,计算机辅助审计的作用也随之得以展现,具体体现在以下几个方面上:其一,审计抽样随机数的选取。利用计算机辅助审计,则可通过程序编码并借助计算机自身的功能来选取随机数,既方便又快捷;其二,样本选取。使用恰当合理的统计抽样方法可以有效地避免抽取无代表性样本的风险,从而达到迅速、公正、客观的目的;其三,简化计算。借助计算机辅助审计,能够利用计算机的语言编辑功能,建立一些应用程序,并以此来计算有关的统计指标,如样本量、总体估算值等等,只要运行这些程序便能够快速地获得结果。

(二)使用高效的医院审计软件

在信息化的前提条件下,审计人员需要大量的时间和精力去对医院信息系统的具体功能进行了解,只有这样才能够确保处理的完整性、正确性以及合法性。而当一个医院信息系统建设完成并投入使用以后,对其的改进要比设计研发更加困难,并且费用也会更好。为此,除应对已经投入使用的医院信息系统进行审计外,还应加强事前和事中审计。这就要求审计人员应参与到医院信息系统的设计研发过程当中,这样能够及时发现问题,并进行相应的改进。此外,专业的审计软件也能够帮助审计人员完成审计工作。但是由于各个医院的信息系统都存在一定差别,统一性和标准性较差。针对这一问题,当前急需制定一个统一的数据格式标准或转换标准。同时也应对审计软件进行模块化和程序化,从而方便审计人员在现场制定审计方案,这样有利于审计工作的顺利开展。

(三)建立医院内部审计信息系统

医院内部审计信息系统是以医院信息系统和内部控制系统为基础,结合内部审计理论、风险管理理论,通过对医院经济活动所产生的财务数据进行实时监控,从而完成对医院整体资源审计管理的综合信息系统。该系统由以下三个子系统构成:其一,审计专家信息系统。其主要技术功能包括审计抽样和分析、审计取证、审计数据采集和转换、审计工作底稿编制、审计信息交互共享、审计报告、审计规则库定义和修订等;其二,审计监控系统。该系统直接嵌入到医院管理信息系统中,对财务数据资源进行实时监控;其三,数据库系统。该系统利用数据库技术实现内部审计数据与医院管理信息系统的转换,并将医院内部审计数据与财务医务信息进行集中、整合,而后对整个医院数据实施共享。内部审计信息系统可以通过数据库系统获取所有财务数据信息,加强了对医院日常经济活动的审计,同时也可以利用审计专家系统对财务数据实施回归分析、线性分析和统计分析,尤其能够发现数据记录中存在的疑点事件和违规行为,从而加强医院管理风险的控制。

(四)做好审计风险防范工作

现阶段,在网络经济环境下,计算机网络技术的不断发展,推动了其在管理领域中的应用,这使得以往传统的管理、控制、检查以及审计等技术均面临着严峻挑战。与此同时,国际会计公司、专业服务机构以及咨询公司等都将风险防范,尤其是计算机网络及信息系统的运行风险防范作为日常管理的工作重点。目前,网络系统在医院的应用日益普及,各类重要信息的载体也由传统的纸张转变为磁性介质。虽然这种介质在使用上比较方便,但是对其的保存要求却相对较高,它很容易受到高温、震动以及磁性物质的影响,这在一定程度上增大了保存风险。并且这种存储媒体的可变性较强,极易被非法访问和滥用。为了确保重要信息的安全性,必须加强风险防范。一方面可以通过制定相关的风险防范规章制度,如网络管理规定、安全保密规定以及会计核算软件安全运行管理细则等等;另一方面,还应不断强化医院内部控制,借此来保护自身的安全,进而保障会计信息的真实性、准确性以及可维护性,以此来降低审计风险。

(五)提高审计人员计算机水平

目前,理论基础知识的缺乏以及计算机审计整体水平偏低等情况,已成为影响医院内部审计信息化建设的主要因素之一,也在一定程度上阻碍了医院的健康发展。针对这一问题,必须采取积极有效地措施予以解决。首先,应加大对审计人员的培训力度。作为一名医院内审人员不仅要熟练掌握先进的审计方法和审计工具,如审计软件等,并且还要能够将这些软件有效地应用到实际审计工作当中,以此来提高计算机审计方面的专业水平。同时还应了解医院财务、会计专业方面的相关知识,从而成为既懂医院业务又熟悉计算机审计技术的复合型人才;其次,医院应通过不断引进具有较高审计水平及丰富计算机知识的人才,来提高医院内部审计队伍的整体水平;再次,在条件允许的前提下,医院还可建立审计人员与计算机网络及电子商务等方面专家全面联合的机制,这种机制的建立也是当前解决医院审计人员计算机水平偏低的有效途径之一。

参考文献

篇7

关键词:网络经济环境;医院审计;管理;HIS系统

HIS系统(Hospital Information System)是现代医院集诊疗、行政信息、决策、数据交换等为一体的现代医院管理系统,所以作为医院审计管理人员,必须利用HIS系统中管理财务的子系统的功能,结合医院的审计信息来源信息,对网络经济环境下的医院审计工作进行不断的创新和发展。

一、网络经济下加强医院财务审计的必要性

首先,有利于加快医院审计信息化建设。信息化技术的推广和应用是企业创造效益的基础,医院也一样,信息化技术在医院审计管理中的应用,通过可靠数据库的支持,既有利于降低重复劳动率,又提高可数据利用率,推进了医院有序化管理。

其次,有利于审计目标的实现。医院审计的工作目标是在有效管理和加强内控监督的基础上,维护国有财产不受侵犯。因此借助网络经济的影响力和计算机网络技术,采用有效可行的方法处理审计材料和信息,确保了审计结果的准确性和科学性,对实现最终审计目标以及医院领导做出相关决策提供了可靠的依据。

最后,有利于提升医院内部审计质量。网络信息技术辅助医院审计的目的是在审计活动中利用以计算机技术为代表的现代信息技术作为辅助手段与工具对信息数据的真实性、完整性、合法性,以及与财政、财务收支有关的计算机信息系统的可靠程度进行相应的监督与评价,以便确定医院经济活动是否真实、准确,是否遵守相关的法律和规章制度,是否经济有效和达到预期效果。

二、网络经济下加强医院审计管理的工作要点分析

鉴于HIS系统在整个医院财务审计管理中的重要作用,尤其是在网络经济时代的到来,作为医院的财务审计管理人员,必须切实掌握工作要点,才能更好地促进医院内部审计管理成效的提升,在优化传统审计管理模式的同时更好地促进医院审计管理水平的提升,这就需要切实做好以下几个方面的工作。

一是在医院财务审计管理工作中切实加强计算机技术的应用。由于部分医院从事财务审计管理的人员自身的专业技术水平有限,加上难以正确认识内部审计管理的重要性和业务能力有限,导致医院内部审计效率不高,审计结果差强人意。因此医院应加大力度强化审计人员的培训,不断提高其专业技术知识水平,尤其是应加强计算机技术的应用,为整个审计工作的开展奠定坚实的技术基础吗,并强化审计人员考察和评价,从而使其掌握审计工作中所需的计算机技术。而在此基础上,医院就应加强审计软件的研发,尤其是应加强技术人才和先进设备的引进,才能确保医院的财务审计效率得到有效的提升,不仅能将审计的流程简化,而且还能节约审计的时间,而作为审计人员,在整个过程中,必须利用会计电算化知识对信息进行查询和过滤,同时对数据进行审核和分析,从而得出审计结果,提高审计工作效率。

二是切实加强风险防范。随着网络经济时代的到来,HIS系统的应用为医院审计管理工作的开展提供了极大的便利。但是网络具有较强的开放性,所以其面临的网络风险也较大,尤其是在医院加大HIS系统运行的今天,而网络又是确保HIS系统运行的关键,加上资料的存储模式从传统的纸质化正逐步转移到磁盘储存上来,而磁盘在运行过程中就有可能面临来自网络黑客的攻击,里面储存的数据资料将面临被盗的风险,这就会对医院的财务审计管理工作带来影响。因而为了确保整个审计工作高效的开展,为审计系统的安全运行奠定坚实的基础,作为医院必须加强对磁盘的保护,避免其在高温高湿的环境中工作,对于系统,则应切实加强对其的维护,及时的更新系统的防火墙,通过安全防护软件,最大化的预防黑客和网络病毒对其带来工具,从而在确保数据安全的同时为审计管理工作的开展奠定坚实的基础。

三、医院信息管理系统审计案例分析

(一)被审计单位信息化基本情况

某市医院信息管理系统是覆盖HIS、LIS、PACS、UIS、0A、经济管理、物资、人事财务信息管理等的综合性计算机网络系统,信息化管理广泛应用于医院每个层面的各项日常工作。其中,HIS系统主要包括门诊收费管理系统,门诊药房管理系统,出入院管理系统,住院护士、住院医生、住院药房管理系统,材料管理系统,固定资产综合处理系统,药库管理系统和医技管理系统等模块。PACS系统即医学影像存档与传输系统,该系统实现了全院所有影像设备的交互、存储和通信。LIS系统即医院检验信息管理系统,LIS系统是HIS系统的一个重要组成部分,其主要功能是将检验的实验仪器传出的检验数据经分析后,生成检验报告,通过网络存储在数据库中,使医生能够方便、及时地看到患者的检验结果。UIS系统即特检科信息管理系统,特检科各类设备检查的病人的基本数据、图像文件、诊断资料将由特检科信息管理系统统一管理。

(二)审计目标

该审计项目的目标是对医院信息系统安全性、可靠性和有效性进行审查和评价,重点关注被审单位的HIS系统是否有完善的安全管理制度与技术防范措施,重点关注HIS系统中门诊收费、住院收费、药品管理等模块是否存在漏洞或缺陷。

(三)选用恰当审计技术方法

1. 实地考察法:对住房公积金信息系统基本信息、软硬件设施和运行环境、业务流程及其对信息化的依赖程度、操作人员的操作过程进行观察,掌握和发现系统操作过程中存在的问题。

2. 测试用例法:审计人员通过编写相应的用户测试用例,对门诊收费、住院收费等模块的输入、处理、输出控制进行实质性测试,测试信息系统处理数据的正确性和真实性。

3. 平行模拟法:审计人员对信息系统的后台数据编写SQL语句,模拟系统的业务处理逻辑进行分析处理,将计算的结果与实际结果比较,提取疑点,进行延伸,发现系统处理逻辑方面的问题以及利用系统进行违法违规业务操作的问题。

4. 计算机辅助工具检测法:利用专门的安全检测软件对操作系统、数据库、系统平台进行安全扫描,做模拟攻击和入侵测试,检测是否存在漏洞。

(四)处理控制审计

医院HIS系统处理控制审计目标是:审查医疗服务项目的规范性,审计医疗服务项目价格的合规性。

医院HIS系统处理控制审计的步骤如下:

1. 根据《××省医疗服务项目价格标准》、《卫生部药品管理法》、《卫生部处方管理法》等建立医院HIS系统应用控制矩阵,如表1所示。

2. 使用数据验证法和测试数据法,对表1中各控制点进行测试,并记录测试结果。

3. 提出该事项的审计结论:存在自立项目收费情况和项目超标准收费等。

四、结语

综上所述,网络经济时代下,作为医院必须注重审计管理工作的开展,在利用HIS系统强化财务审计的同时,还应切实加强网络病毒的防范,才能最大化的规避风险,从而为审计管理工作的质量的提升奠定坚实的基础。

参考文献:

[1]张畅玲.网络经济下医院审计的管理策略分析[J].企业改革与管理,2015(12).

[2]吉宏图.网络经济对医院审计的管理策略探讨[J].计算机光盘软件与应用,2012(04).

篇8

摘要:随着电力工业的发展,人工神经元网络(ANN)在电力系统中获得了广泛的应用。本文概述了人工神经元网络的特点、基本结构以及发展过程,并对ANN在电力系统中的具体应用做了详细的话述。最后,对人工神经元网络的发展趋势和在电力系统中的应用前景进行了展望。

关键词:人工神经元网络(ANN) 电力系统 应用前景 展望

人工神经网络,是一种模范动物神经网络行为特征,进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度,通过调整内部大量节点之间相互连接的关系,从而达到处理信息的目的。人工神经网络具有自学习和自适应的能力,可以通过预先提供的一批相互对应的输入一输出数据,分析掌握两者之间潜在的规律,最终根据这些规律,用新的输入数据来推算输出结果。人工神经网络具有四个基本特征:非线性、非局限性、非定性、非凸性。人工神经网络理论,作为人工智能的一个最活跃的分支,其模拟人脑的工作方式,为解决复杂的非线性、不确定性、不确知性系统的问题开创了一个崭新的途径,因而在电力系统应用研究中受到了广泛的关注。

1.ANN发展过程

1943年,心理学家W.S.McCulloch和数理逻辑学家W.Pitts建立了神经网络和数学模型,称为MP模型。他们通过MP模型提出了神经元的形式化数学描述和网络结构方法,证明了单个神经元能执行逻辑功能,从而开创了人工神经网络研究的时代。60年代,人工神经网络得到了进一步发展,更完善的神经网络模型被提出,其中包括感知器和自适应线性元件等。1982年,美国加州工学院物理学家J.J.Hopfield提出了Hopfield神经网格模型,引入了“计算能量”概念,给出了网络稳定性判断。1984年,他又提出了连续时间Hopfield神经网络模型,为神经计算机的研究做了开拓性的工作,开创了神经网络用于联想记忆和优化计算的新途径,有力地推动了神经网络的研究。人工神经网络的研究受到了各个发达国家的重视,美国国会通过决议将1990年1月5日开始的十年定为“脑的十年”,国际研究组织号召它的成员国将“脑的十年”变为全球行为。

2.ANN的特点与结构

人工神经网络的研究与发展及神经生理科学、数理科学、信息科和计算机科学等众多领域,是一种新的信息处理理论。它所特有的信息处理机制,与传统的数字计算机有着本质的不同。ANN网络由大量模拟人脑的神经元互连组成,无独立的用于存储的信息空间,更没有单一执行指令的CPU,每个神经元的结构都十分简单,信息处理与存储合二为一,通过调整连接权值,由整体状态来给出响应信息。ANN是一种非线性映射系统,具有强大的模式识别能力,可以对任意复杂状态或过程进行分类和识别。

3.ANN在电力系统中的应用

目前,ANN已用于负荷预测,警报处理,控制等方面,它已经从研究阶段转为实际应用。

3.1智能控制

在电力系统中利用ANN实现智能控制,就是利用其估计和联想的能力,实现系统状态与参数的识别和控制,这已在多种控制结构中如自校正控制、模型跟踪控制、预测控制等控制中得到应用。Y M Park等采用2个BP网络构成电力系统稳定器(PSS)的模型,其中1个在系统功率摆动中估计发电机的输出功率。另一个用于判断并给出控制决策。范澍等应用4层BP网络对发电机运行方式和系统干扰进行精确在线识别,并以此为基础设计了一种最优励磁调节器模型,计算与仿真结果表明,这种调节器比固定点线性励磁方式具有更强的稳定性能和动态品质,在系统运行方式较大的变化范围内都能提供很好的控制性能,在大小扰动下均表现出很好的阻尼特性和良好的电压性能。袁宇春等提出了用ANN进行电力系统的实时切负荷控制,选用的是多输入单输出的单层前向神经网络,选取185个样例进行网络训练后,在西北电网模拟某线路故障显示了较好的控制特性。

3.2优化计算

由于ANN能够建立任意非线性的模型,并适于解决时间序列预报问题,尤其是随机平稳过程的预报,因此电力系统短期负荷预报是其应用研究的一个重要方面,欧建平等以3个ANN构成负荷与天气变化量的周、日、时3个预报分析系统,气象参数和预测周、日、时前某段历史负荷参数作为网络的训练输入参数,各自产生独立的预报,再综合产生最终的预报。姜齐荣等则用ANN建立发电机、励磁系统和调速系统的详细模型,把这三部分的模型连接起来并与电力系统网络接口,形成一个ANN模型与电力系统网络混联的系统,这种混联系统的暂态稳定计算结果与用常规机理模型的计算结果几乎相同。为实现ANN并行、快速、在线处理电力系统实时计算提供新途径。

3.3故障诊断

要保证电力系统的安全运行和实现电力设备由定期检修转变为状态检修,如何准确地进行电力设备的故障诊断,一直是受关注的焦点之一。而这类故障的征兆错综复杂,往往呈现出非线性和不确定性,很难用某一确定的逻辑或算法进行识别。而这种识别恰好是ANN所擅长的。ANN在电机状态监测与诊断上也获得了成功的应用。何雨傧等提出一种联想记忆神经网络,取零序电流、定子不对称电流及其变化率等电测参数为故障征兆,通过网络的联想能力快速准确地进行电机早期故障的双向诊断,能有效地处理各种模式并存的故障诊断问题。并且容错性好,能有效抑制现场噪声干扰,使诊断系统具有良好的鲁棒性。电网故障诊断中,用全局逼近的BP算法完成故障的快速定位,便于控制人员及时处理故障。

3.4继电保护

继电保护是电力系统安全运行的重要保障之一,随着电力系统的发展,常规的继电保护技术已经不能完全适应需要。党德玉提到一种基于小波变换和ANN的保护模型,其输入特征量经过小波变换,也选用了3个三层的BP网络用于判断故障种类,故障性质和故障定位。故障种类和故障性质的判断正确率可达100%,对线性短路故障的位置判断正确率为94%,非线性故障(如经非线性过渡电阻接地)的判断正确率为96%。张海峰等使用3层前向网络构成变压器保护模型,取变压器2端的电流和其他故障特征量进行综合判断。经大量样本训练后,可准确判断变压器的励磁涌流和各种故障。张津春等介绍了ANN构成的自适应自动重合闸模型,能较好地判别各种情况下瞬时性故障与永久性故障。

为了解决用电路方法进行巨量神经元连接无法实现的问题,采用光电集成技术制作的光神经元、光互连器件、光神经芯片也已出现,并成功地应用于模式识别、联想记忆等方面。此外,ANN在输电容量限制条件下经济调度、基于同步相量测量的电压安全监控、电厂控制、HVDC的电流控制器等方面也得到了研究与应用。

4.ANN在电力系统中的发展趋势

ANN在电力系统中应用已做了大量的研究,一但是总体上来说仍停留在理论分析和仿真实验上,因此必须加强理论研究与实际工程应用的结合,例如可在状态检修、在线监测等电力系统有较迫切需求的领域中,寻找实际应用的突破口。近几年兴起的小波变换方法,由于其克服了傅里叶变换不能对信号进行局部化分析的缺点。同时具有很强的特征值提取功能,特别适用于故障信号的分析,经小波变换处理后的信号作为神经网络的输入,可使网络大大提高抗干扰性并加速收敛。所以小波分析与ANN的结合将在电力系统控制、保护、故障诊断等方而发挥更大的作用。ANN与专家系统和模糊控制的综合对电力系统这样一个复杂的动态大系统来说,应用潜力更大。ANN的形象思维能力,专家系统的逻辑思维能力和模糊逻辑这三者的结合,可体现出各自的优势,互相弥补各自的不足。

人工神经网络特有的非线性适应性信息处理能力,克服了传统人工智能方法对于直觉,如模式、语音识别、非结构化信息处理方面的缺陷,使之在神经专家系统、模式识别、智能控制、组合优化、预测等领域得到成功应用。人工神经网络与其它传统方法相结合,将推动人丁智能和信息处理技术不断发展。近年来,人工神经网络正向模拟人类认知的道路上更加深入发展,与模糊系统、遗传算法、进化机制等结合,形成计算智能,成为人工智能的一个重要方向,将在实际应用中得到发展。将信息几何应用于人工神经网络的研究,为人工神经网络的理论研究开辟了新的途径。神经计算机的研究发展很快,已有产品进入市场。光电结合的神经计算机为人工神经网络的发展提供了良好条件。

推荐期刊