模糊神經(jīng)網(wǎng)絡(luò)的優(yōu)點

前言：想要寫出一篇令人眼前一亮的文章嗎？我們特意為您整理了5篇模糊神經(jīng)網(wǎng)絡(luò)的優(yōu)點范文，相信會為您的寫作帶來幫助，發(fā)現(xiàn)更多的寫作思路和靈感。

模糊神經(jīng)網(wǎng)絡(luò)的優(yōu)點范文第1篇

關(guān)鍵詞:模糊神經(jīng)網(wǎng)絡(luò);股票預(yù)測

一、引言

中國股市經(jīng)過十余年的發(fā)展,應(yīng)該說已經(jīng)取得十分巨大的成就,但是與國外成熟股市相比仍然是一個新興市場。事實上,探索和研究股票價格波動的復(fù)雜性和規(guī)律性,是許多經(jīng)濟工作者,尤其是證券研究者一直追求的目標。

股票交易數(shù)據(jù)預(yù)測是一種時間序列預(yù)測方法。時間序列預(yù)測法是依據(jù)預(yù)測對象過去的統(tǒng)計數(shù)據(jù),找到其隨時間變化的規(guī)律,建立時序模型,以判斷未來數(shù)值的預(yù)測方法。其基本思想是:過去的變化規(guī)律會持續(xù)到未來,即未來是過去的延伸。一般一維時間序列預(yù)測方法有移動平均與分解方法、指數(shù)平滑方法、狀態(tài)空間模型等。這些預(yù)測方法經(jīng)過長期的發(fā)展,在定量預(yù)測模型和定性預(yù)測模型等方面都有長足的進步。但是,當系統(tǒng)具有較強的非線性時,這些方法的適應(yīng)性卻是有限的,在實際的預(yù)測環(huán)境中常常失去效用,因此用這些傳統(tǒng)的預(yù)測方法解決這類問題十分困難。

二、神經(jīng)網(wǎng)絡(luò)和模糊邏輯結(jié)合的可能性

神經(jīng)網(wǎng)絡(luò)的興趣在于人腦的微觀結(jié)構(gòu)。并通過有自學習、自組識、自適應(yīng)功能的神經(jīng)網(wǎng)絡(luò)上的非線性并行分散動力學,對無法語言化的模式信息進行處理。模糊邏輯根據(jù)人為定義的隸屬函數(shù)和一系列并串行的規(guī)則,用邏輯推理去處理各種模糊性的信息,是通過模仿人的思維方式來表示和分析不確定、不精確信息的方法和工具。盡管“模糊”這個詞在這里容易使人產(chǎn)生誤解,實際上在模糊邏輯控制中的每一個特定的輸入都對應(yīng)著一個實際的輸出。所以模糊邏輯本身并不模糊,模糊邏輯并不是“模糊的”邏輯,而是用來對“模糊”進行處理以達到消除模糊的邏輯,它是一種精確解決不精確、不完全信息的方法,其最大特點就是用它可以比較自然地處理人的概念,是一種更人性化的方法。在處理數(shù)據(jù)時,模糊邏輯更能容忍噪音干擾和元器件的變化,使系統(tǒng)適應(yīng)性更好模。糊邏輯還對使產(chǎn)品開發(fā)周期縮短而編程更容易。通過模糊化樣本,提高了樣本集中各樣本的質(zhì)量,進而改進能量函數(shù)。用神經(jīng)網(wǎng)絡(luò)去預(yù)測股票,在對信息的推理上還存在相當大的困難;而在信息的獲取方面,模糊技術(shù)也顯得十分軟弱。

因此本文根據(jù)模糊邏輯和神經(jīng)網(wǎng)絡(luò)的各自長處把它們結(jié)合起來,利用這種方法對股票預(yù)測進行研究。模糊系統(tǒng)提供了一種推論式語句用來逼近人的推理能力和并且應(yīng)用到基于知識的系統(tǒng)中。模糊邏輯理論是用一種數(shù)學工具來獲取人們認知過程。然而,模糊邏輯中有個共同的瓶頸是它們都依賴于由領(lǐng)域?qū)＜医o出的規(guī)則,而且,不存在正式的框架來選擇模糊系統(tǒng)的各種參數(shù),因此,調(diào)整參數(shù)的方法是模糊系統(tǒng)的一個重要研究課題。另一方面,神經(jīng)網(wǎng)絡(luò)所具有一些重要的有點,比如學習能力、自適應(yīng)能力、容錯能力等,所以神經(jīng)網(wǎng)絡(luò)能夠處理復(fù)雜的、非線性的以及不確定性問題。正是因為如此,可以相信它們具有構(gòu)建與人們?nèi)酥嘘P(guān)的各種行為的潛能。但是神經(jīng)網(wǎng)絡(luò)的主要問題是它沒有明確的物理意義,使用者不知道這些網(wǎng)絡(luò)是如何運轉(zhuǎn)的。這就是為何神經(jīng)網(wǎng)絡(luò)總是被稱為“黑箱”的原因。對以一個訓練好的神經(jīng)網(wǎng)絡(luò),其連接權(quán)值不能清楚地說明網(wǎng)絡(luò)是如何處理數(shù)據(jù)的,其含義是什么。特別是,現(xiàn)在的神經(jīng)網(wǎng)絡(luò)理論還沒有提供一種方法來預(yù)測訓練好了的網(wǎng)絡(luò)的輸出。因此,在實際應(yīng)用中造成了一些不確定性。

把模糊系統(tǒng)和神經(jīng)網(wǎng)絡(luò)的結(jié)合成為模糊神經(jīng)網(wǎng)絡(luò),該網(wǎng)絡(luò)致力于獲得兩種系統(tǒng)的優(yōu)點而克服各自的缺點。正如前文提到的,神經(jīng)網(wǎng)絡(luò)的優(yōu)點在于,第一個是能夠生成不需要明確表現(xiàn)知識的規(guī)則;第二個是其強大的自學能力。模糊系統(tǒng)的優(yōu)點在于,第一個是能用模糊性的語言表達知識;第二個是能用簡單的預(yù)算來實現(xiàn)知識的模糊推理。兩者的結(jié)合可以解決模糊系統(tǒng)中的只是抽取問題以及專家知識也能很容易融合到神經(jīng)網(wǎng)絡(luò)中,避免了初值選擇的任意性。

三、模糊神經(jīng)網(wǎng)絡(luò)的模型設(shè)計

1、模型的結(jié)構(gòu)

模糊神經(jīng)網(wǎng)絡(luò)與一般的神經(jīng)網(wǎng)絡(luò)相類似,通常分為前向型模糊神經(jīng)網(wǎng)絡(luò)和反饋型模糊神經(jīng)網(wǎng)絡(luò)兩類。本文采用的就是前向型模糊神經(jīng)網(wǎng)絡(luò)。該網(wǎng)絡(luò)是可以實現(xiàn)模糊映射關(guān)系的模糊神經(jīng)網(wǎng)絡(luò)。一個前向型模糊神經(jīng)網(wǎng)絡(luò)可分為五層組成,分別為輸入層、模糊化層、模糊推理層、去模糊化層和輸出層。圖1-1為含有兩個輸入層節(jié)點、一個輸出節(jié)點的一個基本前向模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

輸入層指的是接受外部輸入信號的一層,并將輸入值傳送給模糊化層的模糊單元;模糊化層的作用是按模糊規(guī)則將輸入值轉(zhuǎn)換為一定的模糊度,是對模糊信息進行預(yù)處理的網(wǎng)層。模糊推理層是前向型模糊神經(jīng)網(wǎng)絡(luò)的核心,其網(wǎng)絡(luò)參數(shù)是由具體問題所確定的;去模糊化層接受經(jīng)中間層處理的數(shù)據(jù),并按照模糊度函數(shù)將數(shù)據(jù)進行非模糊化處理;最后輸出層給出確定性求解結(jié)果。

本文采用的是TS模糊神經(jīng)網(wǎng)絡(luò)。該神經(jīng)網(wǎng)絡(luò)分為輸入層、模糊化層、模糊規(guī)則計算層和輸出層(包括去模糊化)。輸入層與輸入向量xi連接,節(jié)點數(shù)與輸入向量的維數(shù)相同。模糊化層采用隸屬度函數(shù)(公式1-1)對輸入值進行模糊化得到模糊隸屬度值μ。模糊規(guī)則計算層采用模糊連乘(公式1-2)計算得到φ。輸出層采用(公式1-3)計算模糊神經(jīng)網(wǎng)絡(luò)的輸出。下面給出各公式:

1-1

式中,分別為隸屬度函數(shù)的中心和寬度;k為輸入?yún)?shù);n為模糊子集數(shù)。

1-2

1-3

式中為模糊系統(tǒng)參數(shù)。

2、模糊神經(jīng)網(wǎng)絡(luò)的學習算法

(1)誤差計算

式中,yd為網(wǎng)絡(luò)期望輸出;yc是網(wǎng)絡(luò)實際輸出,e為期望輸出和實際輸出的誤差。

(2)系數(shù)修正

式中,為神經(jīng)網(wǎng)絡(luò)系數(shù);α為網(wǎng)絡(luò)學習率;xj為網(wǎng)絡(luò)輸入?yún)?shù);φi為輸入?yún)?shù)隸屬度連乘積。

(3)參數(shù)修正

式中,、分別為隸屬度函數(shù)的中心和寬度。

3、預(yù)測模型的結(jié)構(gòu)設(shè)計和參數(shù)的設(shè)定

網(wǎng)絡(luò)結(jié)構(gòu)的選擇需要考慮以下因素:軟硬件實現(xiàn)的難易程度、訓練速度和網(wǎng)絡(luò)的推廣能力等,其中網(wǎng)絡(luò)的推廣能力是最主要的,網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計至今還沒有確定的方法可循。14世紀的法國修道士 提出過一個最簡單原則:“與己知事實滿意符合(一致)的理論中最簡單者就是最好的理論”,后人稱此原則為“奧克姆剃刀”。由此產(chǎn)生了一個公認的指導(dǎo)原則:“在沒有其他經(jīng)驗知識時,能與給定樣本滿意符合(一致)的最簡單(規(guī)模最小的網(wǎng)絡(luò)就是最好的選擇”。這相當于在樣本點的誤差在允許范圍條件下用參數(shù)最少的模型去逼近一個未知的非線性映射。

從總體上來說,網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計并沒有固定可循的步驟,有許多參數(shù)要靠經(jīng)驗選擇,并通過試驗加以比較。規(guī)模小的網(wǎng)絡(luò)的泛化能力強,同時也易于理解和抽取規(guī)則、知識,便于軟硬件實現(xiàn)。通常情況下,由于訓練樣本有限,所以把泛化能力作為主要要求,強調(diào)選擇能達到要求的最小網(wǎng)絡(luò)。理論證明,一個三層網(wǎng)絡(luò)可以任意逼近一個非線性連續(xù)函數(shù)。

基于T-S模糊神經(jīng)網(wǎng)絡(luò)的算法流程如圖1-2所示。其中模糊神經(jīng)網(wǎng)絡(luò)構(gòu)建根據(jù)訓練樣本維數(shù)確定模糊神經(jīng)網(wǎng)絡(luò)的輸入和輸出的節(jié)點以及模糊隸屬度函數(shù)個數(shù)。由于輸入數(shù)據(jù)為開盤價,最高價,最低價,收盤價這四組數(shù)據(jù),所以為n=4維的,輸出的是次日的開盤價格即輸出數(shù)據(jù)為1維的。在模糊化層中,該層有nm個節(jié)點,利用K-means法對樣本進行聚類分析得到模糊規(guī)則數(shù)以確定m。在聚類分析得出m=2所以得到節(jié)點數(shù)為8,該模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)為4-8-1。在根據(jù)T-S的模型,所以選擇5組系數(shù)ρi。

雖然權(quán)值隨迭代而更新,一般都是收斂的,但是如果初始值設(shè)置的太大的話會影響該網(wǎng)絡(luò),會使網(wǎng)絡(luò)飽和的很快。初始的權(quán)值對收斂速度也會造成影響。實驗表明,初始權(quán)值只要不是過大,對網(wǎng)絡(luò)整體的性能的影響并不大,一般可選在(-0.5,0.5),本文取權(quán)值為0。由于本文的隸屬度函數(shù)利用的是高斯函數(shù),所以高斯函數(shù)中的中心和寬度隨機得到。

在學習率和網(wǎng)絡(luò)參數(shù)的選擇上,若選擇的太小,會使網(wǎng)絡(luò)參數(shù)修改量過小,收斂的速度緩慢;若選擇的太大,雖然可以加快了學習的速度,但是有可能導(dǎo)致在穩(wěn)定點附近進行持續(xù)的振蕩,難以收斂,目前在理論上還沒有明確的確定學習率的方法,對于具體問題需要進行試驗,通過實驗比較出適合的學習率,本文在通過實驗選取學習率為0.025,網(wǎng)絡(luò)參數(shù)選取0.001,最大迭代次數(shù)選取為100。

四、實證分析

1、預(yù)測的效果

選取綠景地產(chǎn)(000502)2010年1月20日連續(xù)120個交易日的數(shù)據(jù)作為訓練和預(yù)測樣本。其中使用前100個交易日的指標作為訓練樣本訓練網(wǎng)絡(luò),用后20個數(shù)據(jù)進行樣本預(yù)測。

如圖1-3為訓練網(wǎng)絡(luò)的效果圖,該結(jié)果是用歸一化后的數(shù)據(jù)。

表 1-1列出真實值和預(yù)測值以及預(yù)測的相對誤差((真實值-預(yù)測值)/真實值):

2、網(wǎng)絡(luò)性能的評價

對神經(jīng)網(wǎng)絡(luò)常用的預(yù)測性能的評價指標常用的有RRMS,MPE,mpe,PC。選取綠景地產(chǎn)(000502)2010年1月20日連續(xù)120個交易日的數(shù)據(jù)作為訓練和預(yù)測樣本。其中使用前100個交易日的指標作為訓練樣本訓練網(wǎng)絡(luò),用后20個數(shù)據(jù)進行樣本預(yù)測。本系統(tǒng)的各項性能指標如下:

相對均方根誤差:RRMS=0.63%最大誤差:MPE=0.19元 正確趨勢率:PCD=65%

從以上指標看出用該模糊神經(jīng)網(wǎng)絡(luò)進行預(yù)測是有效的,預(yù)測系統(tǒng)式成功的。

五、總結(jié)

股票市場是反映經(jīng)濟的“晴雨表”,其作用不但被政府重視,而且受投資大眾的普遍關(guān)注,股票市場中的收益伴隨著風險,以最小風險獲得最大收益是每個投資者的目標,所以研究股票市場內(nèi)在規(guī)律及其預(yù)測具有重大的意義和應(yīng)用的價值。股票交易數(shù)據(jù)預(yù)測是時間序列預(yù)測。在股票市場這個極其復(fù)雜的系統(tǒng)中,它所具有的非線性和高噪聲等因素決定了股票預(yù)測的過程的復(fù)雜與困難,傳統(tǒng)預(yù)測方法很難應(yīng)用于此,難以建立有效的數(shù)學模型。

神經(jīng)網(wǎng)絡(luò)是一種很好的時間序列預(yù)測方法。神經(jīng)網(wǎng)絡(luò)具有逼近任意復(fù)雜連續(xù)函數(shù)關(guān)系的能力,而這些能力正是傳統(tǒng)方法所不具有的。本文把模糊邏輯和神經(jīng)網(wǎng)絡(luò)相結(jié)合起來,首先介紹了模糊系統(tǒng)和神經(jīng)網(wǎng)絡(luò)的基本知識以及二者結(jié)合的可能性。然后建立模糊神經(jīng)網(wǎng)絡(luò)模型并用于股票價格的預(yù)測,運用相關(guān)分析在剔除了與預(yù)測指標相關(guān)性較小的指標,簡化了模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu),并在實際的試驗中確定了相關(guān)網(wǎng)絡(luò)系數(shù)的初始值,簡要的介紹了建模的工具,并用設(shè)立模糊等級對模糊神經(jīng)網(wǎng)絡(luò)的有效性進行了評價,在通過實證分析證實了網(wǎng)絡(luò)系統(tǒng)基本上達到了預(yù)想的要求。

參考文獻:

[1]胡守仁,神經(jīng)網(wǎng)絡(luò)應(yīng)用技術(shù)[M],國防科技大學出版社,1993

[2]趙振宇,模糊理論和神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)與應(yīng)用[M],清華大學出版社,1996

[3]劉增良,模糊邏輯與神經(jīng)網(wǎng)絡(luò)[M],北京航空航天大學出版社,1996

[4]吳華星,基于神經(jīng)網(wǎng)絡(luò)的股票價格預(yù)測,中國科學院計算技術(shù)研究所,1998

[5]姚培福,人工神經(jīng)網(wǎng)絡(luò)在股票預(yù)測中的應(yīng)用與研究,昆明理工大學碩士學位論文,2007

模糊神經(jīng)網(wǎng)絡(luò)的優(yōu)點范文第2篇

關(guān)鍵詞：集中供熱；模糊控制；神經(jīng)網(wǎng)絡(luò)；系統(tǒng)仿真

集中供暖系統(tǒng)由熱源、熱網(wǎng)和熱用戶組成，其中熱源的控制是控制總供水溫度和流量，保證按需供熱并均勻分配總供熱量至各熱力站。熱網(wǎng)分為一次網(wǎng)和二次網(wǎng)，熱網(wǎng)的控制是通過對熱負荷的動態(tài)預(yù)測，來調(diào)節(jié)和分配總需熱量[1]。為了實現(xiàn)供熱系統(tǒng)的按需供熱，達到供暖的需要，本文通過室外溫度來確定二次網(wǎng)供水溫度值，通過調(diào)節(jié)一次網(wǎng)供熱管的調(diào)節(jié)閥，改變一次網(wǎng)的高溫水流量，從而保證二次網(wǎng)的供水溫度，滿足供暖用戶的需求。

1換熱站的設(shè)計方案

在整個供暖的冬季，二次網(wǎng)供水溫度是隨著室外溫度和用戶熱負荷來決定的。而在熱交換站的控制中，通過調(diào)節(jié)一次網(wǎng)供水側(cè)電動調(diào)節(jié)閥的開度改變供水流量來實現(xiàn)二次網(wǎng)出水口溫度調(diào)節(jié)，從而保證了在室外溫度或熱用戶負荷發(fā)生變化時，熱源的總供熱量與用戶需熱量相比配，以達到保證供熱質(zhì)量、滿足人們生活的需要。

2模糊神經(jīng)網(wǎng)絡(luò)控制算法的研究

模糊神經(jīng)網(wǎng)絡(luò)是將一些專家知識預(yù)先分布到神經(jīng)網(wǎng)絡(luò)中，利用神經(jīng)網(wǎng)絡(luò)的學習功能來優(yōu)化模糊控制規(guī)則和相應(yīng)的隸屬度函數(shù)，它既具有模糊系統(tǒng)的模糊信息處理能力又具有神經(jīng)網(wǎng)絡(luò)的學習功能，實現(xiàn)了模糊系統(tǒng)的自學習和自適應(yīng)。因此，利用模糊控制與神經(jīng)網(wǎng)絡(luò)相結(jié)合對換熱站系統(tǒng)進行優(yōu)化控制可以解決這類大滯后、時變性、非線性問題。

本文采用的模糊神經(jīng)網(wǎng)絡(luò)自學習控制系統(tǒng)框圖如圖3所示，圖中FNC表示模糊神經(jīng)網(wǎng)絡(luò)控制器。Ke、Kc、Ku分別表示量化因子和比例因子，To表示給定值，T（t）為實際的溫度。其中以溫度的給定值與測量值之間的偏差和偏差變化量作為輸入量，以一次網(wǎng)閥門的開度作為輸出控制量，通過調(diào)節(jié)控制閥的開度來改變一次供水的流量從而達到調(diào)節(jié)二次網(wǎng)供水溫度的目的。由FNC模糊神經(jīng)網(wǎng)絡(luò)控制器來完成對過程的閉環(huán)控制。[2]。

圖2 模糊神經(jīng)網(wǎng)絡(luò)自學習控制系統(tǒng)圖

2.1模糊神經(jīng)網(wǎng)絡(luò)模型的建立

整個網(wǎng)絡(luò)中的數(shù)據(jù)變化如下：

第一層是輸入層， (2-1)

第二層是模糊化層，若隸屬度函數(shù)采用鐘形函數(shù)，輸出的運算公式為

，（h=1，2，…，14） （2-2）

其中是隸屬度函數(shù)的中心，是隸屬度函數(shù)的寬度。

第三層模糊規(guī)則層，每個節(jié)點表示一條模糊規(guī)則，它將輸入的數(shù)據(jù)相乘，輸出的運算函數(shù)為： ，（k=1,2,…，49）（2-3）

第四層是模糊決斷層，節(jié)點輸出

（2-4）

2.2學習算法

本文學習的參數(shù)主要是第二層各節(jié)點的隸屬度函數(shù)的中心值和寬度以及第四層的連接權(quán)，首先對FNC進行離線訓練，使FNC記憶49調(diào)模糊控制規(guī)則。經(jīng)過學習后，模糊神經(jīng)網(wǎng)絡(luò)控制器便訓練好了，可以“裝入”控制系統(tǒng)中，F(xiàn)NC經(jīng)過離線訓練后，可投入在線模糊控制，當受控過程環(huán)境發(fā)生變化時，為了能跟蹤期望的給定信號，可在線修改FNC的權(quán)值，使被控過程的輸出逼近期望值，從而達到自學習、自適應(yīng)的目的。因此，通過網(wǎng)絡(luò)的離線學習和在線自學習，定義性能指標誤差函數(shù)為

（2-5）

其中是采樣點個數(shù)，為期望的輸出值,為系統(tǒng)實際輸出值。為了使誤差函數(shù)最小，可用梯度最優(yōu)下降優(yōu)化算法訓練網(wǎng)絡(luò)權(quán)值，即：

（2-6）

其中為自適應(yīng)學習速率，為動量因子，、均在（0,1）內(nèi)取值。

當隸屬函數(shù)為鐘型時，需要調(diào)整的參數(shù)有隸屬函數(shù)的中心值和寬度,其公式為：

（2-7）

（2-8）

3結(jié)論

本文將模糊控制與神經(jīng)網(wǎng)絡(luò)相結(jié)合，利用兩者的優(yōu)點，設(shè)計出一種神經(jīng)網(wǎng)絡(luò)模糊推理控制器，使控制器具有自調(diào)節(jié)、自學習的性能，實現(xiàn)對換熱站溫度的控制，

參考文獻：

[1] 胡維儉，徐邦熙.微機白動控制技術(shù)在熱力站溫度控制中的應(yīng)用〔J〕.煤氣與熱力，1993.

模糊神經(jīng)網(wǎng)絡(luò)的優(yōu)點范文第3篇

關(guān)鍵詞：模糊控制 RBF 神經(jīng)網(wǎng)絡(luò) AQM算法 網(wǎng)絡(luò)擁塞

中圖分類號：TP373 文獻標識碼：A 文章編號：1007-9416（2013）09-0047-02

1 引言

模糊邏輯和人工神經(jīng)網(wǎng)絡(luò)各有優(yōu)點：人工神經(jīng)網(wǎng)絡(luò)（ANN）通過模擬生物神經(jīng)網(wǎng)絡(luò)，在模擬推理及自學習等方面謀求前進，使人工智能和人腦的自組織和并行處理等功能更接近；模糊信息處理以模糊邏輯為基礎(chǔ)，抓住人類思維中的模糊性這一特點，模仿人的模糊綜合判斷推理來解決常規(guī)方法難以完成的模糊信息處理的難題。目前，模糊和神經(jīng)網(wǎng)絡(luò)技術(shù)在知識和信息處理領(lǐng)域已達到了一定的研究階段。模糊神經(jīng)網(wǎng)絡(luò)因為運用模糊數(shù)學中的計算方法，這使得一些處理單元的計算變得簡便，信息處理的速度加快；由于采用了模糊化的運行機制，系統(tǒng)的容錯能力也得到了加強。但最主要的是，模糊神經(jīng)網(wǎng)絡(luò)使信息處理的范圍得到擴展，系統(tǒng)可同時處理確定性信息和非確定性信息。

2 TCP/AQM簡化模型

IP網(wǎng)絡(luò)擁塞控制是人們一直著力解決但未能很好解決的問題，相繼產(chǎn)生了不少有影響力的算法，如RED，ARED，SRED，BLUE等，但較具影響力的是Misra V等人于2000年基于流體流理論提出的網(wǎng)絡(luò)模型[1]。該模型較為恰當?shù)孛枋隽薚CP傳輸流的行為[2]，為研究人員廣為采用。

Misra V等人將Internet中的數(shù)據(jù)流看作一個連續(xù)狀態(tài)的流體，并據(jù)此假設(shè)建立了TCP/AQM系統(tǒng)的一個流體流非線性動態(tài)模型[2]：

（1）

W為TCP擁塞窗口大小，q為瞬時隊列長度，R為往返時延RTT=q/C+Tp， Tp為傳輸延時，C是鏈路帶寬，N為網(wǎng)絡(luò)負載（TCP連接數(shù)），p為分組丟棄/標記的概率。式（1）中第1個方程描述的是TCP的窗口控制動態(tài)特性，第2個方程描述的是瓶頸隊列長度，它等于包到達率NW/R和鏈路容量C之間的差值。

3 基于RBF模糊神經(jīng)網(wǎng)絡(luò)的AQM控制

圖1給出基于RBF模糊神經(jīng)網(wǎng)絡(luò)的控制機制來實現(xiàn)自適應(yīng)過程。圖中，是量化因子，是比例因子。由模型推導(dǎo)知，速率的誤差r（k）-=，隊列誤差x1=q-的量化值（q-）/及速率的誤差=r（k）-的量化值（d（p）/作為模糊神經(jīng)網(wǎng)絡(luò)的輸入，輸出p（k）是標記概率。通過模糊邏輯控制器根據(jù)當前隊列的大小及速率的大小調(diào)節(jié)分組標記概率，使IP路由器的隊列長度達到預(yù)定的目標隊列長度。

4 仿真研究

本文基于網(wǎng)絡(luò)仿真軟件NS-2驗證RBF-FNN算法的性能，并且把該方法與己經(jīng)存在的標準AQM算法，特別是RED算法，PI算法進行比較。仿真采用的網(wǎng)絡(luò)拓撲結(jié)構(gòu)如圖2所示，節(jié)點A和節(jié)點B之間的瓶頸鏈路容量15Mbps，延時5ms。n個持久性的FTP業(yè)務(wù)源與節(jié)點A之間的鏈路容量均為10Mbps，通常情況下延時5ms，節(jié)點B和節(jié)點C之間的延時為d ms。RED高低門限值分別為100包和200包，PI的隊列長度期望值為150包，a=0.0001822，b=0.00001816；除節(jié)點A與B之間的隊列管理采用各種AQM算法外，其余節(jié)點處的隊列管理算法均為DropTail；各節(jié)點緩存大小為300包。n取60，時延d取220ms，仿真時間為50s。所有FTP業(yè)務(wù)源均在0時刻啟動。瓶頸鏈路的容量為15Mbps，RTT時間約為0.6s，主要包括傳播時延、排隊時延等。下面是隊列穩(wěn)定性的仿真結(jié)果。

從實驗結(jié)果可以看出，RED在大時滯中出現(xiàn)了持續(xù)震蕩，PI抖動厲害，調(diào)整到穩(wěn)定狀態(tài)需要時間較長，丟包率較高，RBF-FNN算法具有較快的響應(yīng)速度，綜合性能較好。

5 結(jié)語

本論文基于流體流理論的網(wǎng)絡(luò)簡化模型將模糊神經(jīng)網(wǎng)絡(luò)控制器應(yīng)用于網(wǎng)絡(luò)主動隊列管理系統(tǒng)中仿真結(jié)果表明，RBF-FNN控制算法具有較好的綜合性能，比RED、PI算法更適合于AQM控制，具有進一步研究的意義。

參考文獻

模糊神經(jīng)網(wǎng)絡(luò)的優(yōu)點范文第4篇

【關(guān)鍵詞】計算機 智能信息處理技術(shù) 發(fā)展 應(yīng)用方法

網(wǎng)絡(luò)技術(shù)及信息技術(shù)不但方便和豐富了人們的生活，還為各種高端的科學技術(shù)提供了技術(shù)支持，不管是對社會經(jīng)濟發(fā)展，還是對科學技術(shù)發(fā)展都起著重大推進作用。計算機智能信息處理技術(shù)就是在該背景下研發(fā)和應(yīng)用的，決定計算機智能信息處理技術(shù)應(yīng)用及發(fā)展研究是必要的。

1 發(fā)展概述

智能信息處理技術(shù)是計算機智能信息處理技術(shù)的前生，最早發(fā)源于上世紀30年代，當時的智能信息處理技術(shù)只停留在理論層面研究方法層面上，并且所涉及到的理論和研究方法范圍很有限，智能運算工具也沒有被開發(fā)出來，所以實際生活中智能信息處理技術(shù)難以應(yīng)用。指導(dǎo)上世紀40年代，計算機被發(fā)明并在各領(lǐng)域得到廣泛應(yīng)用時，才形成了計算機信息處理技術(shù)，并在短時間內(nèi)被應(yīng)用于人們的生活學習，給人們帶來了巨大的社會效益及經(jīng)濟效益，促進人類社會快速發(fā)展，為信息時代及網(wǎng)絡(luò)時代的到來奠定了技術(shù)基礎(chǔ)。直到今天，計算機信息處理技術(shù)已經(jīng)被廣泛應(yīng)用各領(lǐng)域，促進了社會經(jīng)濟發(fā)展，方便了人們生活，提高了人們的生活質(zhì)量。現(xiàn)時代應(yīng)用較多的計算機信息處理技術(shù)有CT機，主要應(yīng)用于醫(yī)學領(lǐng)域；科學家J.W.Cooley等人研發(fā)的FFT算法，主要應(yīng)用于硬件電路設(shè)計，也因此被廣泛應(yīng)用于各種智能檢測儀器中，不但實現(xiàn)了檢測儀器精準度的增加，還實現(xiàn)了z測儀器自動化程度的增加，成為現(xiàn)時代大多數(shù)信息處理系統(tǒng)的技術(shù)支撐。

2 應(yīng)用方法分析

2.1 人工神經(jīng)網(wǎng)絡(luò)應(yīng)用方法

人工神經(jīng)網(wǎng)絡(luò)應(yīng)用方法中的數(shù)據(jù)來源是數(shù)學模型，網(wǎng)絡(luò)來源是網(wǎng)絡(luò)模型，所以該方法是基于數(shù)學及網(wǎng)絡(luò)模型提出的，具有數(shù)據(jù)化和網(wǎng)絡(luò)化的特點。人工神經(jīng)結(jié)構(gòu)在數(shù)學模型和網(wǎng)絡(luò)模型中的組建方式不同，人工神經(jīng)結(jié)構(gòu)在數(shù)學模型中是根據(jù)人體大腦的神經(jīng)元組織構(gòu)建而成，是計算機智能信息處理系統(tǒng)的基本單元。這種人工神經(jīng)的單體，在數(shù)學模型中有很多，如果將數(shù)學模型中的所有人工神經(jīng)單體進行有機組合，則會組建成一個復(fù)雜程度高和需求功能全面的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，最終實現(xiàn)對信息的整體化和智能化處理；人工神經(jīng)結(jié)構(gòu)在網(wǎng)絡(luò)模型中是根據(jù)已經(jīng)構(gòu)建好的人工神經(jīng)單元體，實現(xiàn)每基礎(chǔ)單元體的創(chuàng)建，從本質(zhì)上與數(shù)學模型中人工結(jié)構(gòu)的構(gòu)建原理相同，唯一不同的是網(wǎng)絡(luò)模型中人工神經(jīng)結(jié)構(gòu)的構(gòu)建更注重多個單元體間的聯(lián)系。

2.2 模糊神經(jīng)網(wǎng)絡(luò)應(yīng)用方法

模糊神經(jīng)網(wǎng)絡(luò)也是計算機智能信息處理的主要應(yīng)用方法之一，主要應(yīng)用于不確定現(xiàn)象的研究，模糊理論是該方法的應(yīng)用原理，所研究的對象具有不確定性，所以模糊理論不屬于傳統(tǒng)數(shù)學理論，故不是傳統(tǒng)數(shù)學理論二元性原則下的研究范圍，故模糊神經(jīng)網(wǎng)絡(luò)處理的信息對象具有模糊性，導(dǎo)致模糊系統(tǒng)呈現(xiàn)動態(tài)性。

模糊神經(jīng)網(wǎng)絡(luò)應(yīng)用方法主要通過模糊系統(tǒng)實現(xiàn)，該系統(tǒng)包括模糊規(guī)則庫、模糊產(chǎn)生器、反模糊化器和模糊推理機四個子系統(tǒng)。模糊神經(jīng)網(wǎng)絡(luò)是模糊系統(tǒng)與神經(jīng)網(wǎng)絡(luò)的融合體，主要融合的內(nèi)容包括模糊系統(tǒng)相關(guān)理論體系和神經(jīng)網(wǎng)絡(luò)相關(guān)理論體系，此外還將語言邏輯計算方法和動力學理論等融入其中，增強了模糊神經(jīng)網(wǎng)絡(luò)的信息識別能力、信息聯(lián)想能力和模糊信息處理能力。在神經(jīng)網(wǎng)絡(luò)上輸入模糊信號和對應(yīng)的權(quán)值，是模糊神經(jīng)網(wǎng)絡(luò)應(yīng)用的核心內(nèi)容。

2.3 進化算法應(yīng)用方法

凈化算法應(yīng)用方法是最具有規(guī)定律性的一種計算機智能信息處理技術(shù)應(yīng)用方法，創(chuàng)建的依據(jù)不但是自然選擇依據(jù)，還包括了遺傳定理，而這兩個依據(jù)都來源于自然生物界，所以進化算法具有很強的定律性，也被稱為遺傳算法，主要通過各種生物遺傳模型來實現(xiàn)其應(yīng)用，具有指導(dǎo)機器優(yōu)化和學習的作用。

凈化算法具有操作簡單、應(yīng)用廣泛等優(yōu)勢，是多條信息并行處理的有效方法，其研究對象主要為某個個體，待研究個體確定后進行選擇、交叉和變異等操作，以實現(xiàn)對信息的處理。近幾年，進化算法經(jīng)多個相關(guān)專家及學者的努力研究，進化算法已經(jīng)從簡單的數(shù)據(jù)信息分析及處理應(yīng)用，發(fā)展到圖像識別應(yīng)用、機器學習應(yīng)用、自動化控制應(yīng)用等，成為計算機智能信息處理技術(shù)最常用的應(yīng)用方法之一，促進整個計算機信息處理技術(shù)水平的提高。

2.4 信息融合技術(shù)應(yīng)用方法

信息融合技術(shù)主要應(yīng)用于多種信息的加工、利用、優(yōu)點相互好處理，進而提高信息的真實性和準確性。該技術(shù)的應(yīng)用主要通過多傳感系統(tǒng)來實現(xiàn)，即先對信息處理對象進行檢測，以保證精準度，然后將檢測不到或不能進行確定的信息找出并剔除，以實現(xiàn)計算機信息處理結(jié)果準確性和可靠性的提高。

人體大腦綜合處理信息的能力是信息融合技術(shù)的研發(fā)原理，相應(yīng)的多傳感系統(tǒng)是由多個且種類不同的傳感器組成，這就使系統(tǒng)不同傳感器發(fā)出的信息不同，最終形成像人腦一樣的信息綜合網(wǎng)，然后通過信息綜合網(wǎng)對多余的信息進行組合，以實現(xiàn)計算機信息處理中信息正確性的提高。信息融合技術(shù)發(fā)展至今，已經(jīng)從單一的信息融合技術(shù)發(fā)展成高層次信息融合技術(shù)和低層次信息融合技術(shù)。

3 實際應(yīng)用

計算機智能信息處理技術(shù)的實際應(yīng)用主要體現(xiàn)在以下幾方面：

（1）在各類機器中的應(yīng)用，不但有利于機械設(shè)備智能化程度的提高，還有利于機械設(shè)備自動化程度的提高，進而實現(xiàn)少勞力的降低和腦力消耗的降低，最終提高了機器工作效率。

（2）文字、語音和影像等領(lǐng)域中的應(yīng)用，不但提高了文字、語言和影響識別精準度，還有利于相關(guān)識別設(shè)備獨立識別能力和翻譯能力的增強。

（3）在互聯(lián)網(wǎng)技術(shù)設(shè)備中的應(yīng)用，如在路由器等設(shè)備中的應(yīng)用，不但高提高了這些設(shè)備的數(shù)據(jù)傳輸速度，還實現(xiàn)了傳輸路徑的全面分析，進而實現(xiàn)最佳數(shù)據(jù)傳輸路徑的選擇，最終提高了計算機智能信息處理的網(wǎng)絡(luò)暢通度。

4 結(jié)語

綜上所述，信息技術(shù)及網(wǎng)絡(luò)技術(shù)的不斷發(fā)展與應(yīng)用，使計算機智能信息處理技術(shù)被廣泛應(yīng)用于多個領(lǐng)域，相應(yīng)的技術(shù)應(yīng)用方法也大大增多，主要包括人工神經(jīng)網(wǎng)絡(luò)、模糊神經(jīng)網(wǎng)絡(luò)、進化算法和信息融合技術(shù)四種應(yīng)用方法。

參考文獻

[1]楊野.計算機智能信息處理技術(shù)的發(fā)展與應(yīng)用[J].山東工業(yè)技術(shù)，2015（06）：184.

[2]肖卿，肖秋蘭.計算機智能信息處理技術(shù)的發(fā)展與應(yīng)用[J].科技風，2015（19）：73.

[3]張莉.計算機智能信息處理技術(shù)應(yīng)用及發(fā)展[J].科技經(jīng)濟導(dǎo)刊，2016（25）：36+34.

模糊神經(jīng)網(wǎng)絡(luò)的優(yōu)點范文第5篇

【關(guān)鍵詞】故障診斷;基本原理;神經(jīng)網(wǎng)絡(luò);實際應(yīng)用

引言

電梯在實際生活中出現(xiàn)不正常運行、停運等故障是在所難免的，而作為高層建筑中主要的垂直交通工具如果不能及時準確的查明故障原因并維修往往會給乘客帶來巨大的生命威脅。只有保證電梯的安全運行，及時的發(fā)現(xiàn)故障并解決故障，才能夠為乘坐電梯的乘客提供合格的安全保證。目前，國內(nèi)在用的電梯缺乏完善的故障診斷系統(tǒng)，僅僅依靠維修技術(shù)人員的經(jīng)驗以及簡單的診斷儀器已經(jīng)不能夠及時的解決復(fù)雜的電梯故障問題。神經(jīng)網(wǎng)絡(luò)技術(shù)可以應(yīng)用于復(fù)雜多模式的故障診斷并且既可以用于實時監(jiān)測也可以進行離線診斷，在系統(tǒng)模式非常復(fù)雜或者根本不知道系統(tǒng)模式的情況都可以應(yīng)用，這些特點恰恰解決了傳統(tǒng)方法中最最難以解決的問題。因此必須加快神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用于診斷電梯故障的步伐，形成完善的故障診斷系統(tǒng)，才能更及時準確的查明故障原因進一步及時的解決問題，保證乘客的人身安全。

一、電梯的運行原理和電梯故障的特點

只有清楚地了解電梯控制系統(tǒng)的運行原理才能夠及時準確的診斷出電梯故障原因，因此清楚的了解電梯運行原理，每一個電梯維修人員必須要做到。電梯運行過程總體上可分為以下幾個階段：第一、登記層外召喚信號和登記內(nèi)選指令階段;第二、電梯門關(guān)閉或者電梯按照系統(tǒng)指令停運階段;第三、啟動階段;第四、在到達信號記錄的樓層前進行減速制動;第五、平層開門階段。在整個過程中電梯需要從外界接收信號并處理，然后完成相應(yīng)的指令或者輸出信號，由此可以將電梯看作是一個完整的獨立的系統(tǒng)，只需要外界給予相應(yīng)的信號就可以自動的做出動作。電梯系統(tǒng)內(nèi)部復(fù)雜的構(gòu)件緊密的結(jié)合在一起，正是如此才使得電梯系統(tǒng)故障具有了復(fù)雜性、層次性、相關(guān)性以及不確定性的特點。

二、神經(jīng)網(wǎng)絡(luò)技術(shù)基本原理

生物學上的神經(jīng)是由一個個簡單的神經(jīng)元相互連接進而形成了復(fù)雜的龐大的神經(jīng)系統(tǒng)，同理，神經(jīng)網(wǎng)絡(luò)就是由大量簡單的處理單元相互連接形成的復(fù)雜的智能系統(tǒng)。單獨的處理單元類似于一個神經(jīng)元，是一個可以接受不同信息但是只輸出一種信息的結(jié)構(gòu)單位。神經(jīng)網(wǎng)絡(luò)系統(tǒng)與生物學神經(jīng)系統(tǒng)相似的是具有自我修改能力，它可以同時接收大量的數(shù)據(jù)并進行統(tǒng)一的分析處理，進而輸出相應(yīng)的處理結(jié)果。這就使得神經(jīng)網(wǎng)絡(luò)系統(tǒng)具有了高度容錯性、高度并行性、自我修改性、學習性以及高度復(fù)雜性，也正是由于這些特性才使的利用神經(jīng)網(wǎng)絡(luò)技術(shù)能夠及時準確的查明電梯故障原因并得出故障解決方案。電梯故障診斷中應(yīng)用的神經(jīng)網(wǎng)絡(luò)模型分為三個層次：輸入層、接收外部信號或者是電梯自我檢測信息（如載重信息）;隱含層、對接收到了大量數(shù)據(jù)進行相應(yīng)的分析處理;輸出層、將記錄著動作命令的數(shù)據(jù)傳送出來。在電梯出現(xiàn)故障時，首先可以通過神經(jīng)網(wǎng)絡(luò)模型快速確定故障發(fā)生在哪一層達到節(jié)約時間的目的。但是神經(jīng)網(wǎng)絡(luò)也會因為收斂速度過于慢、訓練強度太大或者是選擇的網(wǎng)絡(luò)模型不好等問題導(dǎo)致診斷結(jié)果受到影響。

三、神經(jīng)網(wǎng)絡(luò)模型在電梯故障診斷中的應(yīng)用分類

神經(jīng)網(wǎng)絡(luò)模型已經(jīng)成為了如今電梯故障診斷中應(yīng)用最廣泛的技術(shù)模型，相比于傳統(tǒng)方式它具有診斷速度快、故障原因命中率高的優(yōu)點，因此引起了各方面專業(yè)人士的強烈關(guān)注，并在他們的不懈努力下得到了發(fā)展與創(chuàng)新。它跨越多個專業(yè)領(lǐng)域、通過對各種復(fù)雜的高難度工作的不斷的發(fā)展與改進出現(xiàn)了越來越多的應(yīng)用模型，下面主要介紹了當前應(yīng)用最普遍的BP網(wǎng)絡(luò)模型，并且簡單的引入并介紹了近年來新興的模糊神經(jīng)網(wǎng)絡(luò)模型和遺傳小波神經(jīng)網(wǎng)絡(luò)模型。

（一）BP網(wǎng)絡(luò)模型

BP神經(jīng)網(wǎng)絡(luò)作為神經(jīng)網(wǎng)絡(luò)應(yīng)用最廣泛的一種，它多應(yīng)用的誤差反向傳播算法使其在模式識別、診斷故障、圖像識別以及管理系統(tǒng)方面具有相對先進性。基于BP網(wǎng)絡(luò)的電梯故障診斷技術(shù)就是通過學習故障信息、診斷經(jīng)驗并不斷訓練，并將所學到的知識利用各層次之間節(jié)點上的權(quán)值從而表達出來。BP網(wǎng)絡(luò)系統(tǒng)的主要診斷步驟主要可以分為三步。第一步：對輸入輸出的數(shù)據(jù)進行歸一化處理，將數(shù)據(jù)映射到特定的區(qū)間。第二步：建立BP網(wǎng)絡(luò)模型，訓練BP網(wǎng)絡(luò)模型。第三：通過已經(jīng)訓練好的網(wǎng)絡(luò)模型對原來的樣本進行全面的檢測。算法步驟：a、在一定的取值范圍內(nèi)對數(shù)據(jù)進行初始化;b、確定輸入值數(shù)值大小，計算出預(yù)期輸出量;c、用實際輸出的值減去上一步得到的數(shù)值;d、將上一步得到的誤差分配到隱含層，從而計算出隱含層的誤差;e、修正輸出層的權(quán)值和閾值，修正隱含層的權(quán)值;f、修正隱含層的閾值，修正隱含層和輸入層的權(quán)值。

（二）遺傳小波神經(jīng)網(wǎng)絡(luò)模型

遺傳算法運用了生物界的優(yōu)勝劣汰、適者生存的思想對復(fù)雜問題進行優(yōu)化，適用于復(fù)雜的故障，起到了優(yōu)化簡化問題的作用。對局部數(shù)據(jù)進行詳細的分析是小波法最大的特點，所以它被譽為“數(shù)字顯微鏡”。遺傳算法小波神經(jīng)網(wǎng)絡(luò)就是運用小波進行分解的方法分解模擬故障信號，將得到的數(shù)據(jù)進行歸一化，將歸一化后的數(shù)值輸入到神經(jīng)網(wǎng)絡(luò)模型中。它融合了神經(jīng)網(wǎng)絡(luò)、小波分析和遺傳算法三者所有的優(yōu)點。基于遺傳小波神經(jīng)網(wǎng)絡(luò)的電梯故障診斷的一般步驟為：測試節(jié)點信號采樣、小波分解、故障特征量提取、歸一化得到訓練樣本集、遺傳算法優(yōu)化、得到故障類型。遺傳小波神經(jīng)網(wǎng)絡(luò)模型在故障原因復(fù)雜、數(shù)據(jù)信息量巨大的電梯系統(tǒng)的應(yīng)用中能夠發(fā)揮更大的作用。

（三）模糊神經(jīng)網(wǎng)絡(luò)模型

模糊神經(jīng)網(wǎng)絡(luò)模型就是創(chuàng)新性的將神經(jīng)網(wǎng)絡(luò)與模糊理論結(jié)合到一起。它采用了廣義的方向推理和廣義的前向推理兩種推理方式。與其它兩種模型不同的是，它的語言邏輯、判斷依據(jù)和結(jié)論都是模糊的。但是它的數(shù)據(jù)處理能力還有自我學習能力并沒有因此而變差，反而更加豐富了它的定性知識的內(nèi)容。在處理實際問題的過程中，首先要建立所有可能發(fā)生的故障的完整集合，其次將所有的故障發(fā)生原因歸入到同一個集合中去，最后就是建立故障和原因的關(guān)系矩陣。分別叫做模糊故障集、模糊原因集、模糊關(guān)系矩陣。相較于BP網(wǎng)絡(luò)模型，這種模型更加的簡單易行，充分發(fā)揮了神經(jīng)網(wǎng)絡(luò)和模糊邏輯的優(yōu)點，不會因為故障原因過于復(fù)雜而失去診斷的準確性，在原本豐富定性知識和強大數(shù)據(jù)處理能力的基礎(chǔ)上具有了很大的自我訓練能力。

結(jié)語

綜上所述，神經(jīng)網(wǎng)絡(luò)技術(shù)可以應(yīng)用于復(fù)雜多模式的故障診斷并且既可以用于實時監(jiān)測也可以進行離線診斷，在系統(tǒng)模式非常復(fù)雜或者根本不知道系統(tǒng)模式的情況都可以應(yīng)用，這些特點恰恰解決了傳統(tǒng)方法中最最難以解決的問題，它的應(yīng)用提高了電梯故障的診斷速度和準確度，保證了電梯運行的安全性。雖然神經(jīng)網(wǎng)絡(luò)技術(shù)的優(yōu)點很多，但是在實際生活中的應(yīng)用還很少，因此還需要不斷的進行改進完善。同時還要注意將集中診斷方法融合到一起，例如穩(wěn)重提到的模糊神經(jīng)網(wǎng)絡(luò)模型和遺傳小波神經(jīng)網(wǎng)絡(luò)模型都是集成應(yīng)用的典型代表。