神经网络研究现状

前言：想要写出一篇令人眼前一亮的文章吗？我们特意为您整理了5篇神经网络研究现状范文，相信会为您的写作带来帮助，发现更多的写作思路和灵感。

神经网络研究现状范文第1篇

>> 大规模自组织人工神经网络技术在智能建筑中的应用方法研究 基于自组织增量神经网络的码书产生方法在图像分类中的应用 基于Matlab的自组织神经网络在油气层识别中的应用研究 基于自组织竞争神经网络的地震预测 自组织竞争网络在测井资料岩性识别中的应用 自组织特征映射网络在探地雷达数据处理中的应用 气体识别自组织神经网络 一种基于自组织过程神经网络的动态样本半监督学习算法 自组织灰色神经网络中的基于电力系统短期负荷预测方法应用研究 基于自组织映射神经网络的边坡样本分析方法 基于SOM神经网络技术的区域卷烟消费状态自组织分类 人工神经网络模型在水动力模型数据缺失中的应用 基于人工神经网络的数据挖掘技术在临床中应用进展 自组织特征映射网络在压缩编码设计中的应用 液压控制系统中自组织双模糊神经网络控制模型关键点研究 浅谈人工神经网络在林业中的应用 人工神经网络在空调系统中的应用 一种改进的动态二叉树的自组织神经网络算法 基于SOM神经网络技术的卷烟零售客户自组织分类 基于自组织神经网络SOM的汽车安全气囊装配故障诊断 常见问题解答 当前所在位置：百度百科 移动学习2012-12-7

[2] 叶成林 徐福荫 许骏 移动学习研究综述 电化教育研究 2004 No.3

[3] 陈伟超 国内移动学习研究现状及发展建议[J].中国电力教育，2009 No.9

[4] 词汇语义知识库浅述 刘兴林 福建电脑 2009 No.9

神经网络研究现状范文第2篇

关键词人工神经网络；发展；应用

中图分类号：TP183 文献标识码：A 文章编号：1671-7597（2014）12-0003-01

随着科学技术的发展，各个行业和领域都在进行人工智能化的研究工作，已经成为专家学者研究的热点。人工神经网络就是在人工智能基础上发展而来的重要分支，对人工智能的发展具有重要的促进作用。人工神经网络从形成之初发展至今，经历了不同的发展阶段，并且在经济、生物、医学等领域得到了广泛的应用，解决了许多技术上的难题。

1人工神经网络概述

关于人工神经网络，到目前为止还没有一个得到广泛认可的统一定义，综合各专家学者的观点可以将人工神经网络简单的概括为是模仿人脑的结构和功能的计算机信息处理系统[1]。人工神经网络具有自身的发展特性，其具有很强的并行结构以及并行处理的能力，在实时和动态控制时能够起到很好的作用；人工神经网络具有非线性映射的特性，对处理非线性控制的问题时能给予一定的帮助；人工神经网络可以通过训练掌握数据归纳和处理的能力，因此在数学模型等难以处理时对问题进行解决；人工神经网络的适应性和集成性很强，能够适应不同规模的信息处理和大规模集成数据的处理与控制；人工神经网络不但在软件技术上比较成熟，而且近年来在硬件方面也得到了较大发展，提高了人工神经网络系统的信息处理能力。

2人工神经网络的发展历程

2.1 萌芽时期

在20世纪40年代，生物学家McCulloch与数学家Pitts共同发表文章，第一次提出了关于神经元的模型M-P模型，这一理论的提出为神经网络模型的研究和开发奠定了基础，在此基础上人工神经网络研究逐渐展开。1951年，心理学家Hebb提出了关于连接权数值强化的法则，为神经网络的学习功能开发进行了铺垫。之后生物学家Eccles通过实验证实了突触的真实分流，为神经网络研究突触的模拟功能提供了真实的模型基础以及生物学的依据[2]。随后，出现了能够模拟行为以及条件反射的处理机和自适应线性网络模型，提高了人工神经网络的速度和精准度。这一系列研究成果的出现为人工神经网络的形成和发展提供了可能。

2.2 低谷时期

在人工神经网络形成的初期，人们只是热衷于对它的研究，却对其自身的局限进行了忽视。Minskyh和Papert通过多年对神经网络的研究，在1969年对之前所取得的研究成果提出了质疑，认为当前研究出的神经网络只合适处理比较简单的线性问题，对于非线性问题以及多层网络问题却无法解决。由于他们的质疑，使神经网络的发展进入了低谷时期，但是在这一时期，专家和学者也并没有停止对神经网络的研究，针对他们的质疑也得出一些相应的研究成果。

2.3 复兴时期

美国的物理学家Hopfield在1982年提出了新的神经网络模型，并通过实验证明在满足一定的条件时，神经网络是能够达到稳定的状态的。通过他的研究和带动，众多专家学者又重新开始了对人工神经网络方面的研究，推动了神经网络的再一次发展[3]。经过专家学者的不断努力，提出了各种不同的人工神经网络的模型，神经网络理论研究不断深化，新的理论和方法层出不穷，使神经网络的研究和应用进入了一个崭新的时期。

2.4 稳步发展时期

随着人工神经网络研究在世界范围内的再次兴起，我国也迎来了相关理论研究的热潮，在人工神经网络和计算机技术方面取得了突破性的进展。到20世纪90年代时，国内对于神经网络领域的研究得到了进一步的完善和发展，而且能够利用神经网络对非线性的系统控制问题进行解决，研究成果显著。随着各类人工神经网络的相关刊物的创建和相关学术会议的召开，我国人工神经网络的研究和应用条件逐步改善，得到了国际的关注。

随着人工神经网络的稳步发展，逐渐建立了光学神经网络系统，利用光学的强大功能，提高了人工神经网络的学习能力和自适应能力。对非线性动态系统的控制问题，采取有效措施，提高超平面的光滑性，对其精度进行改进。之后有专家提出了关于人工神经网络的抽取算法，虽然保证了精度，但也加大了消耗，在一定程度上降低了神经网络的效率，因此在此基础上又提出了改进算法FERNN。混沌神经网络的发展也得到了相应的进步，提高了神经网络的泛化能力。

3人工神经网络的应用

3.1 在信息领域中的应用

人工神经网络在信息领域中的应用主要体现在信息处理和模式识别两个方面。由于科技的发展，当代信息处理工作越来越复杂，利用人工神经网络系统可以对人的思维进行模仿甚至是替代，面对问题自动诊断和解决，能够轻松解决许多传统方法无法解决的问题，在军事信息处理中的应用极为广泛[4]。模式识别是对事物表象的各种信息进行整理和分析，对事物进行辨别和解释的一个过程，这样对信息进行处理的过程与人类大脑的思维方式很相像。模式识别的方法可以分为两种，一种是统计模式识别，还有一种是结构模式识别，在语音识别和指纹识别等方面得到了广泛的应用。

3.2 在医学领域的应用

人工神经网络对于非线性问题处理十分有效，而人体的构成和疾病形成的原因十分复杂，具有不可预测性，在生物信号的表现形式和变化规律上也很难掌握，信息检测和分析等诸多方面都存在着复杂的非线性联系，所以应用人工神经网络决解这些非线性问题具有特殊意义[5]。目前，在医学领域中的应用涉及到理论和临床的各个方面，最主要的是生物信号的检测和自动分析以及专家系统等方面的应用。

3.3 在经济领域中的应用

经济领域中的商品价格、供需关系、风险系数等方面的信息构成也十分复杂且变幻莫测，人工神经网络可以对不完整的信息以及模糊不确定的信息进行简单明了的处理，与传统的经济统计方法相比具有其无法比拟的优势，数据分析的稳定性和可靠性更强。

3.4 在其他领域的应用

人工神经网络在控制领域、交通领域、心理学领域等方面都有很广泛的应用，能够对高难度的非线性问题进行处理，对交通运输方面进行集成式的管理，以其高适应性和优秀的模拟性能解决了许多传统方法无法解决的问题，促进了各个领域的快速发展。

4总结

随着科技的发展，人工智能系统将进入更加高级的发展阶段，人工神经网络也将得到更快的发展和更加广泛的应用。人工神经网络也许无法完全对人脑进行取代，但是其特有的非线性信息处理能力解决了许多人工无法解决的问题，在智能系统的各个领域中得到成功应用，今后的发展趋势将向着更加智能和集成的方向发展。

参考文献

[1]徐用懋，冯恩波.人工神经网络的发展及其在控制中的应用[J].化工进展，1993（5）：8-12，20.

[2]汤素丽，罗宇锋.人工神经网络技术的发展与应用[J].电脑开发与应用，2009（10）：59-61.

[3]李会玲，柴秋燕.人工神经网络与神经网络控制的发展及展望[J].邢台职业技术学院学报，2009（5）：44-46.

神经网络研究现状范文第3篇

关键词：人工神经网络模型；卫生人力；人力资源测算

卫生人力是指经过专业培训、在卫生系统工作、提供卫生服务的人员，包括直接从事医疗、卫生、保健服务的卫生技术人员以及管理、工勤等其他人员。由于卫生系统本身具有复杂性和时变性的双重特性，因此卫生人力受许多因素影响，如人口、经济、社会与文化、资源利用效率、健康状况等等，而且多个因素间相互作用、相互影响。

我国的卫生事业虽然取得了很大的发展，但却存在明显的卫生人力资源失衡现象，突出表现在：卫生人员总量过剩、人员地区分布不均衡尤其是城乡差距较大、卫生人员总体素质不高。因而迫切需要加强卫生人力预测研究，使其更合理地从数量上、质量上和分布上调整现有存量、优化增量，以推动整个卫生事业的发展进程[1，2]。

人工神经网络作为一种综合信息处理和模拟技术，其特有的非线性适应性信息处理能力，克服了传统方法的局限性，而且还具有学习预测精度高、容错能力强和预测速度快的特点[3]。本研究基于人工神经网络方法，构建出一套合理、有效的测算卫生人力需求量的指标体系。

1人工神经网络简介

人工神经网络基本组成单位是神经元（节点），神经元之间按一定的方式相互连接，构成神经网络系统，可以通过预先提供的一批相互对应的输入--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[4，5]。

迄今为止，已有多种人工神经网络模型被开发和应用。本文应用较为成熟的误差反向传播学习算法人工神经网络（BP-ANN）。BP神经网络从模拟生物的神经网络出发[6]，其最基本的结构是3层前馈网络，即输入层、隐含层、输出层（见图1），层与层之间多采用全互连方式，同一层单元间不存在相互连接。

图1 人工神经网络结构

BP网络模型的应用过程包括训练和预测两个过程。训练时，输入信息从输入层经隐含层逐层处理，并传向输出层。如果输出层得不到期望的输出，则将误差信号沿原来的连接通道返回，通过修改各层神经元的连接权值，使得误差最小。网络重复以上过程进行迭代计算，直至收敛，由此构成了非线性映射模型，掌握了隐含在样本内部各元素间的特殊关系[7]。经训练后的人工神经网络不仅对拟合过的样本有效，而且对未经拟合的样本也可以较准确地预测。人工神经网络以其独特的信息储存方式、良好的容错性、大规模的非线性并行处理方式[8]以及强大的自组织自拟合和自适应能力，已应用于信号处理、模式识别、综合评价、预测分析等领域。

2指标筛选

本文的研究对象是卫生人力的数量。人工神经网络要求选择那些影响输出的主要因素作为输入层，选定的输入变量数必须足够且具有代表性[9，10]，基于这一点，经过文献评阅分析及专家小组讨论，本研究对于输入变量，即测算指标的选择主要从以下几方面进行：

2.1人口数量变化 人口数量的变化是影响卫生人力需求量的最重要的因素。人口的增减会引起卫生服务需求量的增减，从而引起卫生人力需求量的波动。对应的变量选择了总人口数、就诊人次数、住院人次数。

2.2经济发展水平 随着社会经济迅猛发展，居民的生活水平不断提高，人们对生活质量要求也逐步提高，而健康是衡量生活质量的重要指标之一，所以随着居民对健康意识的增强，卫生服务需求量将会加大，卫生人力的需求量也随之增加[11，12]。对应的变量选择了卫生总费用、人均卫生费用、人均国民生产总值。

2.3医院发展规模 医院规模直接影响整个卫生人力需求量和卫生人力内部构成。医院规模的大小通常是以病床数来衡量的，而病床数又是人员编配的重要标准[13]。对应的变量选择了医院机构数、总床位数。

2.4卫生人力供给 每年都有大量的医学生走向工作岗位，为医疗系统注入新的血液。对应的变量选择了高等医学院校毕业生数、中等医学院校毕业生数[14]。

3结果与讨论

得到卫生人力的测算指标包括总人口数（万人）、就诊人次数（亿次）、住院人次数（万人）、卫生总费用（亿元）、人均卫生费用（元）、人均国民生产总值（元）、医院机构数、总床位数（万张）、高等医学院校毕业生数、中等医学院校毕业生数10项指标。鉴于年鉴收录自国家及各省市地方统计局的历年统计资料，具有资料翔实，信息密集的特点，所有数据均从统计年鉴中获取，按照年份顺序进行整理，过滤缺失的数据，建立起从1990～2008年的有关卫生人力资源的数据库。

参考文献：

[1]薛娅，高歌，沈月平.常州市卫生人力需要量统计预测研究[J].中国卫生统计，2007，24（3）：287.

[2]Francis Omaswa. Human resources for global health： time for action is now[J].The Lancet.2008，371：625.

[3]蒋宗礼.人工神经网络导论[M].北京：高等教育出版社，2002.

[4]任宏，姜庆五.人工神经网络及其在预防医学领域的应用[J].上海预防医学，2003，15（1）：22.

[5]黎衍云，李锐，张胜年.人工神经网络及其在疾病筛查中的应用前景[J].环境与职业医学，2006，23（1）：71.

[6]钱玲，施侣元，程茂金.应用人工神经网络预测糖尿病/糖耐量异常[J].中国公共卫生，2003，19（10）：1272.

[7]Qian AI，Shrestha GB.An ANN based load model for fast transient stability calculations[J].Elec Power Syst Res，2006，76：217.

[8]RiccardoB，DarioG，LauroC，works and robust Bayesian classfiers for risk stratification following uncomplicated myocardial infarction[J].Int J Cardiol，2005，101：481.

[9]薛娅，高歌. 卫生人力需求量预测研究综述[J].上海预防医学杂志，2005，17（12）：589.

[10]钟珞，饶文碧，邹承明.人工神经网络及其融合应用技术[M].北京：科学出版社，2007：12.

[11]陈力凌.江苏省卫生人力资源现状及需要量预测研究[D].硕士学位论文，2006：23.

[12]左延莉.广西卫生人力资源配置现状与预测研究[D].硕士学位论文，2002：12.

神经网络研究现状范文第4篇

(湘潭大学商学院,湖南湘潭410600)

［摘要］文章对神经网络在非线性经济问题预测中的研究与现状进行综述,侧重讨论了国内的研究近况,为国内学者在该方面的研究提供参考。

［

关键词 ］神经网络；非线性；经济预测

［DOI］10?13939/j?cnki?zgsc?2015?09?025

人工神经网络(Artificial Neural Networks,ANNs)也简称为神经网络(NNs),是一种模仿人脑神经网络特征,进行分布式并行信息处理的数学模型。NNs具有强大的非线性处理能力,为经济预测提供了更多的可能性。

1BP神经网络在经济预测中的应用及改进

神经网络模型的类型较多月前已不下数十种。代表性的神经网络模型有BP神经网络、GMDH网络、RBF网络、Hopfield模型、Boltzmann机、自适应共振理论、CPN模型等。Rumelhart等于1986年提出的误差反向传播算法,简称BP算法,是目前应用最广泛的神经网络模型之一。

Lapedes等人(1987)最先将神经网络用于经济预测。Vaifis(1990)应用神经网络解决经济时间序列数据的预测问题。Wedding(1996)提出使用径向基函数网络与Box-Jenkins模结合。近年来,国内经济预测中有大量文献涉及神经网络算法。周柳青等(2011)运用BP人工神经网络方法,对广东省县域经济发展差异进行综合评估。认为BP神经网络的评价结果可以较好地模拟县域经济发展差异,能有效避免主观确定权重所确定带来的误差,提高测度的准确性。傅建华等(2012)构建了企业绿色营销绩效评估的AHP-BP神经网络模型,模型以AHP评价结果为神经网络输入,利用反向逆传播神经网络对评价结果进行训练与检验,降低了人为主观随意性的缺陷,计算结果准确、方法可行、误差可控,在企业绿色营销绩效评估领域具有推广价值。

BP网络能够模仿非线性函数、分段函数等；能利用变量的属性内含地建立相关的变量及变量之间的函数关系,且不需要预先假设基本的参数分布。因此,当变量之间的关系不适合假定的模型时,可以尝试用BP神经网络构建模型。但BP神经网络模型预测的准确性受参数的选择、神经网络拓扑结构的优劣等影响。运用神经网络构建模型的最主要的障碍是缺乏神经网络拓扑结构的设计理论,且有时候会陷入局部极小值。针对这些问题,许多学者做了积极的改进。陈健等(2006)把对数据的归一化变为对数据增长率的归一化,因而只要预测的经济数据增长率不超过以往的经济数据增长率,则不再会发生外延问题。肖冬荣等(2007)通过综合运用附加动量法、改变作用函数法以及把预测对象从生产总值调整为生产总值增长率等技巧,来改进预测精度、建模收敛速度、局部极小值等问题。吴俊利等(2012)引入Adaboost算法对BP神经网络算法进行改进,提出了基于Adaboost的BP神经网络算法,并将该方法应用于短期风速预测。刘向荣、孙红英(2013)在对权值和阈值进行修改时加入了动量项α,改进了预测效果。

2径向基神经网络的应用

不同于BP神经网络函数逼近时的负梯度下降法,径向基神经网络(RBF)由于采用高斯型传递函数,有着较快的收敛速度和较强的非线性映射能力,在非线性经济预测方面具有很好的应用前景。许增福等(2008)根据经济发展的实际指标数据,构造径向基神经网络模型,设计了有监督和无监督两段学习算法,并利用历史经济数据证明了该方法的有效性。张亚平、张立伟(2011)利用径向基函数(RBF)神经网络建立投资预测模型,有效解决经济投资预测中非线性预测问题。通过仿真实验证明模型既真实地表达了投资要素之间的高度非线性关系,又考虑了分配结构的优化问题,具有很高的预测精度和较强的实际应用意义。郭立(2014)建立了基于径向基神经网络的矿产品价格非线性预测模型,并应用某金属的中长期价格进行仿真,结果表明该模型具有较好的可靠性和实用性。

3遗传算法、模糊算法与神经网络的结合应用

1975年美国Michigan大学的Holland提出的模拟达尔文遗传选择和自然淘汰的生物进化论的计算模型——遗传算法(Genetic Algorithm,GA)。在神经网络中结合应用遗传算法,能够克服神经网络利用梯度下降法所带来的缺点,将它们应用于经济预测可以得到较好的预测效果。陈朝阳等(1997)提出将遗传算法用于神经网络结合,并将其应用于经济的预测及组合预测中,得到了比常规经济学模型更优的效果。李玲、陶启萍(2005)利用遗传算法和人工神经网络建立数学模型,同时结合企业态势分析法(SWOT)选取各类指标形成完善的企业决策模型。张双(2014)利用遗传算法对权值和阈值的初始值进行优化改进后的BP神经网络对预测残差进行修正,建立灰色遗传优化神经网络模型,并利用加权法对多元回归分析和灰色神经网络进行组合,更好地利用了不同单一模型的优势。通过实证分析证明这种组合预测模型较灰色预测模型误差率可以减少40%～70%。

模糊模型因其善于处理分类边界模糊的数据以及易于引入启发性知识的能力而在自动控制、模式辨识等方面得到广泛应用。目前在把人工神经网络和模糊系统结合起来形成模糊神经系统方面已取得了很大进展。贺京同等(2000)运用模糊逻辑推理将经济专家经验引入到宏观经济的预警分析中,将神经网络理论与模糊系统理论相结合,建立了宏观经济非线性预警模型。张婕等(2010)运用模糊学和BP神经网络的基本理论,构建包装企业的安全生产方案决策模型,进行安全生产方案的决策选择,认为该方法能够达到提高安全生产能力、增强企业的经济效益与社会效益的目的。张广平等(2012)借助广义动态模糊神经网络(GD-FNN)设计了一种模糊神经网络模型并应用于台风灾害损失的预测预警中,定量地研究了台风灾害致灾因子与灾情指标因子之间的规律。王晖、唐静(2013)将模糊理论和神经网络理论结合,构建了教育经济贡献度分析模型,用于度量教育对于我国经济的发展的作用。

综上所述,神经网络在经济预测中的应用已得到了深入的研究。包括应用BP神经网络、径向基网络对经济数据进行建模分析,以及将遗传算法、模糊系统算法与神经网络的结合应用,并通过实证分析证明了多种模型的有效性。

如今,神经网络已广泛应用于智能控制、计算机视觉、模式识别、自动目标识别、连续语音识别、信号处理、自适应滤波、非线性优化、传感技术与机器人、知识处理、生物医学工程等领域,在经济预测对复杂经济变量的非线性关系预测上具有较高的精度。对于一些经济理论尚不明确的经济关系也能给出较为准确的预测。神经网络的进一步发展,也会带给经济预测领域更新的方法。

参考文献：

［1］Varfis, A?and Versino, C?, Univariate Economic Time Series Forecasting by Connectionist Method［M］?IEEE ICNN-90,1990?

［2］张双?基于遗传算法的灰色神经网络的预测［J］?统计与决策,2014(17)：79-81?

神经网络研究现状范文第5篇

本文调查了国内外电动机各种保护方法和各类保护装置的研究发展状况，结合实际情况，提出了一种通过人工神经网络预测电机绕组温升的方案，由PC机通过RS485总线实时读取下位机采集的电机运行参数，进行温升预测，并将预测结果传输回下位机，从而实现了对电动机长期稳定负载运行的过载保护。

关键词

电机保护；温升预测

电动机是一种电能到机械能的能量转换设备，是现代社会生产中的主要动力形式。在产业部门中，以电动机作动力的比例已占全部动力的90%。在电动机实际使用过程当中，恶劣的运行环境和超负荷的运行时间是导致电动机故障频繁的主要原因。因此电动机的保护尤其是对大型电动机保护的开发研究对国民经济有着重要的意义。

1电动机保护的发展趋势

可以预测,应用电动机内部故障分析和利用先进信号处理方法进行精确的故障特征量追踪捕捉这两者的有效结合，再加上业内已成熟的微机保护技术，可以将大型电动机的故障诊断、故障保护等功能综合于一体，实现电动机运行全过程的在线监测、故障诊断与保护。

2神经网络温升预测设计

2.1神经网络算法

2.1.1BP算法设含有共L层和n个节点的一个任意网络，每层单元只接受前一层的输出信息并输给下一层各单元，各节点的特性为Sigmoid型。

2.1.2改进的BP算法

鉴于改进的算法利用目标函数的二阶导数信息。常用改进BP算法和标准BP算法进行比较，各改进BP算法比标准BP算法有不同程度的改善。LM(Levenberg-Marquardt)算法是为了训练中等规模的前馈神经网络（多达算百个连接权）而提出的最快速算法。目前LM算法在训练速度上是最快的，并且它所达到的训练平均误差和收敛精度较其他算法具有明显的优势。

2.2神经网络在电机绕组温升预测中的应用

2.2.1电机热过载保护的现状热过载保护是电机保护研究中的热点和难点。国内外不少的研究工作者一直在从事电动机过载保护的研究，提出不少的保护方案，概括起来分为两大类：直接测温法和间接测温法。直接测温法就是把温感装置（如热电阻、热电偶和温度继电器等）直接埋入电动机绕组的热点进行检测，当温度达到长期使用允许温度时，就令继电器动作断开电动机的控制回路，从而达到保护电动机的目的。间接测温法是在电动机外部通过检测一些相关参数来计算电动机的温度。

2.2.2神经网络预测绕组温升方法鉴于直接测温法和间接测温法各自存在不足，本文探索了一种通过采用神经网络预测绕组温升来完成对电动机长期稳定负载运行进行过载保护的方法。

（1）训练样本的数据处理实现神经网络对电机进行温升预测关键的一步是采集训练样本并且进行必要的数据处理。以电动机为例进行分析。电机的具体参数如下：Pe=220kW，Ue=6kV，Ie=26.7A，n=2976rpm，f=50Hz，绝缘等级F级。通过对电动机进行温升试验，采集了从额定电流(26.7A)到堵转电流(150A)共20组不同的数据。表1给出了训练网络和测试网络的数据分配情况。其中15组用于训练网络，其余几组用于测试训练后的网络的正确性与适用性，将采集到的15组训练数据，绘制成曲线，如图1。

（2）电机长期稳定负载运行绕组温升预测的网络结构由于本系统研究的长期稳定负载运行情况下，电动机的过载温升，所以电源电压、电源频率、功率因数都可认为保持不变，而仅将电流、环境温度和转速作为变量。同时考虑到影响转速的三个要素电流、频率和电压，有两个因素近似认为不变，因此转速和电流存在着很强的相关性，两者不必都作为输入变量，只选择电流作为输入变量即可。通过以上分析可以将温升预测系统简化成输入为电流和当前温度的双输入单输出的三层BP网络。这样，就可以使基于神经网络的电动机长期稳定负载运行绕组温升预测的设计在对电机进行过载保护方面充分发挥作用。

3总结