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篇神经网络的现状范文,相信会为您的写作带来帮助,发现更多的写作思路和灵感。
由于人体与疾病的复杂性,不可预测性,非常适合人工神经网络的应用。目前的研究几乎涉及从基础医学到临床医学的所有方面,主要应用于生物信号的检测与自动分析,医学专家系统等。
在麻醉与危重医学相关领域的研究涉及到多生理变量的分析与预测,从临床数据中发现一些尚未发现或尚无确切证据的关系与现象,信号处理,干扰信号的自动区分检测,各种临床状况的预测,单独或结合其他人工智能技术进行麻醉闭环控制等。
在围术期和重症监护与治疗阶段,需要获取大量的信息,将可能在信号处理、基于动态数据驱动的辅助决策专家系统、数据挖掘、各种临床状况的预测、智能化床旁监护、远程医疗与教学、医疗机器人等各方面广泛运用到人工神经网络技术和其他人工智能技术。
一、概述
人工神经网络(artificial neural network, ann)是人工智能(artificial intelligence, ai)学科的重要分支。经过50多年的发展,已成为一门应用广泛,涉及神经生理学、认识科学、数理科学、心理学、信息科学、计算机科学、微电子学等多学科交叉、综合的前沿学科。WWw.133229.CoM
现代计算机的计算构成单元的速度为纳秒级,人脑中单个神经细胞的反应时间为毫秒级,计算机的运算能力为人脑的几百万倍。可是,迄今为止,计算机在解决一些人可以轻而易举完成的简单任务时,例如视觉、听觉、嗅觉,或如人脸识别、骑自行车、打球等涉及联想或经验的问题时却十分迟钝。也不具备人脑的记忆与联想能力,学习与认知能力,信息的逻辑和非逻辑加工能力,信息综合判断能力,快速的高度复杂信息处理速度等。
造成这种问题的根本原因在于,计算机与人脑采取的信息处理机制完全不同。迄今为止的各代计算机都是基于冯*纽曼工作原理:其信息存储与处理是分开的;处理的信息必须是形式化信息,即用二进制编码定义;而信息处理的方式必须是串行的。这就决定了它只擅长于数值和逻辑运算。而构成脑组织的基本单元是神经元,每个神经元有数以千计的通道同其他神经元广泛相互连接,形成复杂的生物神经网络。生物神经网络以神经元为基本信息处理单元, 对信息进行分布式存储与加工, 这种信息加工与存储相结合的群体协同工作方式使得人脑呈现出目前计算机无法模拟的神奇智能。
人工神经网络就是在对人脑神经网络的基本研究的基础上,采用数理方法和信息处理的角度对人脑神经网络进行抽象,并建立的某种简化模型。一个人工神经网络是由大量神经元节点互连而成的复杂网络,用以模拟人类进行知识的表示与存储以及利用知识进行推理的行为。一个基于人工神经网络的智能系统是通过学习获取知识后建立的,它通过对大量实例的反复学习,由内部自适应机制使神经网络的互连结构及各连接权值稳定分布,这就表示了经过学习获得的知识。
人工神经网络是一种非线性的处理单元。只有当神经元对所有的输入信号的综合处理结果超过某一门限值后才输出一个信号。因此神经网络是一种具有高度非线性的超大规模连续时间动力学系统。它突破了传统的以线性处理为基础的数字电子计算机的局限,标志着人们智能信息处理能力和模拟人脑智能行为能力的一大飞跃。
近20年来,神经网络的软件模拟得到了广泛研究和应用,发展速度惊人。1987年在圣地亚哥召开了首届国际神经网络大会,国际神经网络联合会(inns)宣告成立。这标志着世界范围内掀起神经网络开发研究热潮的开始。
二、医学领域应用现状与前景
由于人体与疾病的复杂性,不可预测性,在生物信号与信息的表现形式、变化规律(自身变化与医学干预后变化),对其检测与信号表达,获取的数据及信息的分析、决策等诸多方面均存在大量复杂的非线性关系,非常适合人工神经网络的应用。目前的研究几乎涉及从基础医学到临床医学的所有方面,主要应用于生物信号的检测与自动分析,医学专家系统等。
1、信号处理:
在生物医学信号的检测和分析处理中主要集中对心电、脑电、肌电、胃肠电等信号的识别,脑电信号的分析,听觉诱发电位信号的提取,医学图像的识别和数据压缩处理等。
2、医学专家系统
医学专家系统就是运用专家系统的设计原理与方法, 模拟医学专家诊断、治疗疾病的思维过程编制的计算机程序, 它可以帮助医生解决复杂的医学问题, 作为医生诊断、治疗的辅助工具。 “传统”的专家系统,通过把专家的经验和知识以规则的形式存入计算机中,建立知识库,用逻辑推理的方式进行医疗诊断。但一些疑难病症的复杂形式使其很难用一些规则来描述,甚至难以用简单的语言来表达;专家们常常难以精确分析自己的智能诊断过程。另一方面,基于规则的专家系统,随着数据库规模的增大,可能导致组合爆炸,推理效率很低。由于人工神经网络能够解决知识获取途径中出现的“瓶颈”现象、知识“组合爆炸”问题以及提高知识的推理能力和自组织、自学习能力等等, 从而加速了神经网络在医学专家系统中的应用和发展。
sordo比较了采用不同网络结构和学习算法的神经网络在诊断胎儿唐氏综合征(down’s syndrome) 上的成绩。正确分类率为84 %, 超过了现今所用的统计方法的60 %~70 % 的分类率。
台湾deu科技(德亚科技)开发的计算机辅助检测系统rapid screentm rs-2000为全世界最先通过美国fda认证的早期肺癌辅助诊测系统。该产品采用人工智能神经网络ann,自动标识数字胸片中可疑结节区。经台湾和美国的临床实验,可使放射专家检测t1期肺癌的能力明显提高(潜在提升约15 %以上)。
degroff等使用电子听诊器和人工神经网络制造了一种仪器,它可正确地区分儿童生理性和病理性杂音。用电子听诊器记录的儿童心音,输入能识别复杂参数的ann,分析的敏感性和特异性均达100%。
3、其他:
生物信息学中的研究中可应用于基因组序列分析、蛋白质的结构预测和分类、网络智能查询等方面。
药学领域广泛应用于定量药物设计、药物分析、药动/药效学等方面。例如:用于预测药物效应。veng-pederson用神经网络预测阿芬太尼对兔心率的影响,对用药后180-300分钟的药物效应取得了较好的预测结果(平均相对预测准确度达78%)。分析群体药动学数据,以获知群体药动学特征和不同人口统计因子对药物行为的影响,对临床用药具有指导意义。
4、麻醉与危重医学相关领域的研究
手术室和icu内是病人信息富集的地方,而且大量的信息处在动态变化中,随着医学技术的飞速进步,所能获取的信息越来越多,医护人员面临着“信息轰炸”。神经网络技术可以很好地帮助我们应对这些问题。例如:
1)可以用于分析多个生理变量之间的关系,帮助研究其内在的关系,或预测一些变量之间的关系:perchiazzi在肺损伤和正常的猪容量控制机械通气中,用ann估计肺顺应性的变化,不需要中断呼吸,与标准方法相比误差很小。
2)结合数据挖掘技术,可能从海量数据库例如电子病历系统中,发现一些尚未发现或尚无确切证据的关系与现象:buchman 研究了神经网络和多元线形回归两种方法,用病人的基本资料、药物治疗差异和生理指标的变化预测在icu延迟(>7天)。
3)信号处理:ortolani等利用eeg的13个参数输入ann,自行设计的麻醉深度指数ned0-100作为输出,比较ned与bis之间有很好的相关性;
4)干扰信号的自动区分检测:jeleazcov c等利用bp神经网络区分麻醉中和后检测到的eeg信号中的假信号,是传统eeg噪音检测方法的1.39-1.89倍。
5)各种临床状况的预测:laffey用ann预测肌肉松弛药的残留,发现明显优于医生的评估,还有用于预测propfol剂量个体差异的,预测术后恶心、呕吐,预测全麻后pacu停留时间,预测icu死亡率等较多的研究。
关键词:深度学习;机器学习;卷积神经网络
1概述
深度学习(Deep Learning)是人工智能、图像建模、模式识别、神经网络、最优化理论和信号处理等领域的交叉学科,主要构建和模拟人脑进行分析学习,它属于机器学习的新兴领域。
2大数据与深度学习
目前,光学检测、互联网、用户数据、互联网、金融公司等许多领域都出现了海量数据,采用BP算法对于训练神经网络出现了梯度越来越稀疏、收敛到局部最小值只能用有标签的数据来训练等缺点。Hinton于2006年提出了深度学习的概念,Lecun等人提出了卷积神经网络,卷积神经网络利用空间关系减少参数数目以提高训练性能。
CPU和GPU计算能力大幅提升,为深度学习提供了硬件平台和技术手段,在海量大数据处理技术上解决了早期神经网络训练不足出现的过拟合、泛化能力差等问题。
大数据和深度学习必将互相支撑,推动科技发展。
3深度学习模型
深度学习模型实际上是一个包含多个隐藏层的神经网络,目前主要有卷积神经网络,深深度置信神经网络,循环神经网络。
1)卷积神经网络
在机器学习领域,卷积神经网络属于前馈神经网络的一种,神经元不再是全连接的模式,而是应用了局部感受区域的策略。然而传统的神经网络使用神经元间全连接的网络结构来处理图像任务,因此,出现了很多缺陷,导致模型⑹急剧增加,及其容易过拟合。
在卷积神经网络中,网络中的神经元只与前一层的部分神经元连接,利用图像数据的空间结构,邻近像素间具有更强的相关性,单个神经元仅对局部信息进行响应,相邻神经元感受区域存在重叠,因此,综合所有神经元可以得到全局信息的感知。
另外,一个卷积层中的所有神经元均由同一个卷积核对不同区域数据响应而得到,即共享同一个卷积核,使得卷积层训练参数的数量急剧减少,提高了网络的泛化能力。
一般在卷积层后面会进行降采样操作,对卷积层提取的特征进行聚合统计。降采样区域一般不存在重叠现象。降采样简化了卷积层的输出信息,进一步减少了训练参数的数量,增强了网络的泛化能力。
卷积神经网络实现了局部特征的自动提取,使得特征提取与模式分类同步进行,适用于处理高分辨率的图像数据。目前,卷积神经网络在图像分类、自然语言处理等领域得到广泛应用。
2)深度置信网络
深度置信网络是一种生成模型,网络中有若干隐藏层,同一隐藏层内的神经元没有连接,隐藏层间的神经元全连接。神经网络经过“反向运行”得到输入数据。
深度置信网络可以用做生成模型,通过前期的逐层无监督学习,神经网络可以较好的对输入数据进行描述,然后把训练好的神经网络看作深度神经网络,最后得到分类任务的深度神经网络。
深度置信网络可以用于图像识别、图像生成等领域,深度置信网络可以进行无监督或半监督的学习,利用无标记数据进行预训练,提高神经网络性能。但近几年由于卷积神经网络的飞速发展,深度置信网络已经很少被提及。
3)循环神经网络
循环神经网络是一种专门用于处理时序数据的神经网络,它与典型的前馈型神经网络最大区别在于网络中存在环形结构,隐藏层内部的神经元是互相连接的,可以存储网络的内部状态,其中包含序列输入的历史信息,实现了对时序动态行为的描述。这里的时序并非仅仅指代时间概念上的顺序,也可以理解为序列化数据间的相对位置。如语音中的发音顺序,某个英语单词的拼写顺序等。序列化输入的任务都可以用循环神经网络来处理。如语音、视频、文本等。对于序列化数据,每次处理时输入为序列中的一个元素,比如单个字符、单词、音节,期望输出为该输入在序列数据中的后续元素。循环神经网络可以处理任意长度的序列化数据。
循环神经网络可以用于机器翻译、连写字识别、语音识别等。循环神经网络和卷积网络结合,将卷积神经网络用于检测并识别图像中的物体,循环神经网络用于识别出物体的名称为输入,生成合理的语句,从而实现对图像内容的描述。
4深度学习应用
1)语音识别
语音识别技术主要包括特征提取技术、模式匹配准则及模型训练技术三个方面。其应用领域主要有语音输入系统、语音控制系统和智能对话查询系统,语音识别极大地推动了人工智能的快速发展。1952年Davis等人研究了世界上第一个能识别10个英文数字发音的实验系统。大规模的语音识别研究是在20世纪70年代以后,在小词汇量、孤立词的识别方面取得了实质性的进展。2012年,微软研究院使用深度神经网络应用在语音识别上将识别错误率降低了20%,取得了突破性的进展。2015年11月17日,浪潮集团联合全球可编程芯片巨头Altera,以及中国最大的智能语音技术提供商科大讯飞,共同了一套DNN语音识别方案。
2)图像分析
图像是深度学习最早尝试的应用领域。1989年,LeCun和他的同事们就发表了卷积神经网络的工作。2012年10月,Hinton和他的两个学生用更深的CNN在ImageNet挑战上获得了第一名,使图像识别向前跃进了一大步。
自2012年以来,深度学习应用于图像识别使得准确率大大上升,避免了消耗人工特征抽取的时间,极大地提升了效率,目前逐渐成为主流的图像识别与检测方法。
关键词:城市产业结构;BP神经网络模型;灰色GM(1,1)等维新息模型;预测
Abstract: According to the present situation of urban industrial structure and its change tendency, BP NN model and GM(1, 1)constant dimension mew information model are established to forecast the evolutionary tendency of urban industrial structure for the accuracy of forecast. Then the industrial percentage is modified on the basis of the weight in the evolutionary process of urban industrial structure to ensure the amount of industrial percentage as constant 1, which offer exact information to recognize the evolutionary tendency of urban industrial structure correctly and the relationship among them.
Key words: urban industrial structure;BP NN model;GM(1, 1)constant dimension mew information model;forecast
中图分类号:TU-856 文献标识码:A 文章编号:1674-4144(2009)04-14(4)
作者简介:王福林 武汉理工大学产业经济学在职博士教授级高工
吴丹 河海大学博士生
1前言
城市产业结构是国民经济中产业构成及所占比例的综合概念,即在一定空间范围内的三大产业构成及其各产业内部构成。正确认识和研究在一定地域空间范围内的产业结构演变规律、经济社会运行机制,深刻理解地区经济发展的核心问题和资源的有效性、可用性,将有利于国民经济的协调发展。
目前,许多学者对城市产业结构演变趋势进行了系统深入地预测研究。张无畏①根据我国云南省及云南省各地建国以来产业结构的变动情况,利用三次产业分类法对云南省产业结构的发展和现状进行了分析,并对云南省未来25年产业结构的发展作出预测。王惠文等②基于北京市三次产业结构的动态规律,对于一序列按照时间顺序收集的成分数据,提出建立一种成分数据的非线性降维方法和预测模型,用于分析成分数据中各个份额随时间的变化规律。周瑜等③针对江苏省第三产业比重及其影响因素进行分析,提出运用灰色系统理论,建立灰色动态预测数学模型,对江苏省第三产业比重进行预测。基于此,为提高城市产业结构演变趋势预测的精度,采用BP神经网络方法和灰色GM(1,1)等维新息模型对城市产业结构演变趋势进行组合预测分析,以提高预测的精确性,并对城市产业结构演变过程中各产业比重进行权重修正,为正确认识城市产业演变趋势和内部关系提供准确的信息。
2基于组合模型的城市产业结构演变趋势预测
城市产业结构演变趋势反映了城市各产业在产业结构中所占比重随着时间变化而发生的变化趋势,可结合其现状及其变化趋势,对未来城市产业结构的演变趋势进行预测分析,根据产业结构布局的变化,为城市社会经济发展过程中水资源以及各种能源资源的优化配置提供决策依据。为提高城市产业结构演变趋势预测精度,采用BP神经网络方法和灰色GM(1,1)等维新息模型对城市产业结构演变趋势进行组合预测。
2.1 基于BP神经网络模型的城市产业结构演变趋势预测
人工神经网络是一种包含许多简单的非线性计算单元或连接点的非线性动力系统,具有很强的自适应、自学习及容错能力,是一种强大的非线性信息处理工具,在模式识别、智能控制、图形处理、预测和非线性优化等领域取得了成功的应用。BP神经网络算法称为误差逆传播算法,从结构上来讲,它是一种分层型网络,具有输入层、中间层(隐含层)和输出层,如图1。
基于BP神经网络强大的预测能力和预测精度,其在各个领域都得到广泛的应用。这里,以历年各产业在国民经济中的比例为样本,采用BP神经网络,对城市产业结构演变趋势进行预测,分析未来各产业在国民经济中所占比重。设观测到的某一产业在国民经济中历年的比重数据序列为x(1),x(2),… x(n),根据其中的n个观测值,预测n+1所对应年份该产业在国民经济中的比重。其具体步骤可表述为:
(1)BP网络学习算法训练网络,见表1。
(2)训练完毕后检验网络预测精度,见表2。
利用BP神经网络预测所得数据与x(n-1),x(n)所对应年份的实际数据进行对比。精度符合要求,网络预测能力满足要求,即以此对城市产业结构演变趋势进行预测;精度不符合要求,预测能力不能满足要求,需要对网络重新训练,返回1。
(3)预测n+1期所对应年份该产业在国民经济中的比重,见表3。
采用BP神经网络模型,可预测n+1期的城市产业结构演变趋势,并在n+1期预测值的基础上,进一步预测n+2期所对应年份城市产业结构演变趋势,其中,n+2期所对应年份城市产业结构演变趋势是以n+1期城市产业结构演变趋势预测值为前提所进行的预测研究。
2.2 基于灰色GM(1,1)等维新息模型的城市产业结构演变趋势预测
灰色系统预测理论对于信息不完整或不完全的实际情况具有良好的适用性,其中GM(1,1)模型具有充分利用“少数据”进行预测的优点,因此,可将各产业在国民经济产业结构中所占的比重随时间变化的数列作为原始序列,采用GM(1,1)模型对各产业在产业结构中的比重进行预测,以分析城市产业结构的演变趋势。但GM(1,1)模型采用的是现实时刻t=n为止的过去的数据,然而,任何一个灰系统的发展过程中,随着时间的推移,将会不断地有一些随机扰动或驱动因素进入系统,使系统的发展相继的受其影响。故随着系统的发展,旧数据的信息意义将逐步降低,而新数据的信息意义将逐步提高。因此,GM(1,1)模型在预测城市产业结构演变趋势时本身存在一定的缺陷,针对其不足之处,为更好地反映系统将来的发展趋势,可采用GM(1,1)等维新息模型对城市产业结构演变趋势进行预测分析,灰色GM(1,1)等维新息模型通过不断补充新信息,使建模数列更能反映系统目前的特征,更好地揭示了系统的发展趋势,从而获得较高的城市产业结构演变趋势预测精度。预测各产业在城市产业结构中演变趋势的灰色GM(1,1)等维新息模型的建模步骤可表述为:
记城市某产业在产业结构中所占比重按照时间先后顺序排列而成的原始数列为x(0)
根据灰色系统理论对城市某产业在产业结构中所占比重的原始数列进行一阶累加(1-AGO)生成后,得生成列x(1) ,即
z(1)为x(1)的紧邻均值生成数列:
(1)灰微分方程的最小二乘估计参数满足
(2)灰微分方程的白化方程 的时间响应式为
,t=1,2,……,n
(3)还原值
,t=1,2,……,n
① 当t≤n时,称 为城市某产业在产业结构中所占比重的现状模拟值;② 当t>n时,称 为城市某产业在产业结构中所占比重的预测值。
(4)将最新信息x(1)(n+1)加入到城市某产业在产业结构中所占比重的现状原始数列,利用建立等维新息模型,确定城市某产业在产业结构中所占比重的预测值。
2.3城市产业结构演变趋势组合预测
2.3.1基于灰色神经网络模型的城市产业结构演变趋势组合预测
为了进一步提高城市产业结构演变趋势预测的精度,结合BP神经网络和灰色GM(1,1)等维新息模型的预测结果,对城市产业结构的演变趋势进行组合预测,其公式为:
式中:xi(t)――t年i(i=1,2,……,I)产业在产业结构中所占比重的组合预测值;
xi(1)(t)―― t年i产业在产业结构中所占比重的神经网络模型预测值;
xi(2)(t)―― t年i产业在产业结构中所占比重的灰色GM(1,1)等维新息模型预测值;
――为权重系数,通过预测值与实际值的差别,根据实际情况而定, 。
2.3.2 城市产业结构权重修正
通过灰色神经网络模型的组合预测,可初步得出各产业在产业结构中所占比重,但其比重之和却不等于常数1,为保障城市产业结构比重之和恒定为常数1,可根据式(7),对城市产业结构演变过程中各产业比重进行权重修正,即式中: :t年i(i=1,2,……,I)产业在产业结构中所占比重的修正组合预测值。
3算例分析
根据某城市社会经济发展和产业结构的布局变化,对城市产业结构的演变趋势进行预测分析。假定1990-2007年城市三产在国民经济产业结构中所占比重数据,见表4。
根据表4中的数据,采用灰色神经网络模型预测城市产业结构演变趋势。
(1)BP神经网络模型预测
利用matlab工具箱④,构建三层BP神经网络,输入层和隐层之间使用 sigmoid函数,隐层和输出层之间使用pureline函数。训练函数选择trainlm,训练最大步长5000次,均方误差为10-5精度。经过训练对比,预测第一产业隐层设计成8个结点,第二产业为15个节点,第三产业为10个节点。并通过检验,最终使用成功网络完成预测。城市产业结构演变趋势的检验和预测结果,见表5。
(2)灰色G(1,1)等维新息模型预测
城市产业结构演变趋势的检验和预测结果,见表6。
(3)灰色神经网络模型预测
为提高组合预测模型的拟合精度,调整BP神经网络模型和灰色G(1,1)等维新息模型的权重系数,确定城市产业结构演变趋势组合预测的组合预测结果,见表7。
根据表7结果可知,采用灰色神经网络模型对城市产业结构演变趋势进行组合预测,继承了BP神经网络模型和灰色G(1,1)等维新息模型预测精准的优势,并在此基础上增强了预测精度。利用式(8),对2008年―2009年的预
测结果进行修正,最终得到2008年―2009年三产产业比重的组合预测结果。
4结论
基于城市产业结构发展现状及其变化趋势,在建立BP神经网络模型和灰色GM(1,1)等维新息模型的基础上,结合算例分析,对城市产业结构演变趋势进行组合预测,根据组合预测结果可知,灰色神经网络模型在预测城市产业结构演变趋势过程中,具有较高的精确度。
①张无畏.云南省产业结构现状分析及发展趋势预测[J].楚雄师范学院学报,2002,17(5):79-82.
②王惠文,黄薇,刘强.北京市三次产业预测分析[J].系统工程理论与实践,2003,(6):123-126.
关键词:神经网络;过程控制;模糊控制
我国矿石“贫、细、杂”,矿石成分复杂,性质波动严重,因而造成了我国浮选过程控制水平不高,浮选药剂消耗量大,产品质量波动大,精矿回收率低,经济效益差的现状,严重影响了我国钢铁工业的国际竞争力。因此急需能够满足我国浮选工艺现状的检测设备及先进控制算法,以提高我国浮选过程控制水平,以稳定产品质量,为后序炼铁工序提供更好的原料。
对于浮选工艺过程控制,药剂控制是根本性的。以反浮选为例,如果给药量过少,无用矿物成分就不能充分浮选,则会导致精矿品位降低,不能满足产品质量要;如果药剂量过多,不但药剂费用大,而且会导致返回的中矿量增加和尾矿品位增高,回收率降低,经济效益不理想。
本文根据影响浮选药剂用量的因素确定了RBF神经网络模型的结构。针对RBF神经网络参数难以确定的缺点,提出一种基于蚁群算法RBF神经网络优化方法。并通过仿真结果证明了该算法的有效性。
1 药剂量控制模型结构确定
目前传统的药剂添加方法是以给矿流量为参考,在应用比例控制的方法的基础上根据操作工经验来控制药剂流量。但由于浮选过程的严重非线性、干扰因素众多且系统存在大滞后。这种简单的控制方法难以保证浮选最终精矿品位的稳定,同时影响了精矿回收率。即使在浮选槽出口安装上价值昂贵的在线精矿品位检测仪表,由于浮选过程的大滞后特性,常规的闭环控制方法也难以达到目的。所以本章主要通过应用浮选生产过程中积累的大量生产数据,根据相应的浮选工艺参数,使用RBF神经网络技术对浮选过程进行建模。然后根据初始生产条件,应用建立好的数学模型预测所需的药剂用量,从而克服系统的大滞后、非线性特性,稳定浮选生产过程。
通过现场调研,我们知道原矿性质和药剂用量与浮选槽出口精矿品位有直接关系。最后我们依据工艺机理和现场操作工经验知识,最终确定给矿品位、给矿流量、给矿粒度、给矿浓度、精矿品位5个变量对药剂流量影响最大。
因此本文将给矿品位、给矿流量、给矿粒度、给矿浓度和精矿品位5个变量作为浮选药剂量控制模型的输入变量,将浮选药剂流量作为模型输出变量,从而建立一个5输入、1输出的RBF神经网络模型,模型结构如图1所示。
图1 浮选药剂量控制模型结构图
2 基于蚁群算法的网络泛化能力优化
我们应用处理后的样本数据对网络性能进行了测试(这里我们使用了700组样本数据作为网络训练数据,50组数据作为网络性能测试数据,网络训练停止条件是网络训练误差小于网络训练停止误差或者超过最大训练次数。我们把网络最大训练次数规定为5000次),测试中发现了两个问题。一是值得大小对网络测试误差的影响很大;二是网络的训练停止误差(训练次数)大小也影响测试误差的大小。有时网络训练停止误差越小,反而网络的性能越差。下面给出了仿真测试曲线:
图2 不同r值下的模型预测曲线
3 蚁群算法优化RBF神经网络参数
从网络性能测试结果和上面关于神经网络泛化能力的相关知识我们可以知道,要提高本文RBF神经网络模型的泛化能力。在网络训练过程中,我们所能做的就是在确定一个合适的r值(确定合理网络结构),并且判定合理的网络训练停止误差(也可以是学习次数)。
[图3 蚁群算法优化RBF神经网络参数流程图]
但是由于r值和网络训练停止误差是两个参数,只有在两个参数都合适的情况下才能获得最好的网络性能。这样如何寻找这两个参数的最优组合就成了问题的关键点。采用手动试验的方式由于两个参数的不同组合太多而难以实施。因而本文决定采用目前流行的蚁群优化算法对上述两个参数进行优化,来提高RBF神经网络的性能。本文应用蚁群算法优化RBF神经网络参数的流程如图3所示。
这里我们将样本数据分成3个部分:一部分为训练样本集;一部分为内部测试样本集;一部分为外部测试样本集。蚁群算法优化RBF神经网络参数的工作过程如下:
Step1:蚁群算法参数。
Step2:随机选定r值和网络训练停止误差。
Step3:采用文中的网络中心和权值训练方法,应用训练样本集训练RBF网络。训练结束后,应用内部测试样本集测试网络泛化误差。
Step4:根据泛化误差计算蚁群算法适应度函数,适应度函数值满足要求或蚁群算法迭代次数超过目标次数则停止算法,并给出参数优化结果。否则进行蚁群算法操作重新搜索r值和网络训练停止误差后返回Step3。
通过蚁群算法的优化,我们最后得到r=1.37,网络训练停止误差为6.3×10-4。此时RBF神经网络仿真结果如下:
[图4 蚁群算法优化后的模型预测曲线]
【关键词】供水管道;泄露检测;神经网络
【中图分类号】TP393【文献标识码】A【文章编号】1672-5158(2013)07-0063-02
Automatic Detection and Diagnosis of Water-Supply Pipe Leakage
WU Feng-quan£?LI Hong-da
£¨Information center, Chengde Petroleum College, Chengde, Hebei 067000£?
【Abstract】This paper presents the design and implementation of Automatic Detection and Diagnosis about Water-Supply Pipe Leakage. After analyzing the current methods about Water-Supply Pipe Leakage, the merits and shortcomings of some older and newer technologies aren pointed out.At the same time, a mothod of leakage detection based on BPNN is put forward.
【Key words】 Water-Supply Pipe; Leakage Detection; Neural Network
1 引言
世界各国尤其是发达国家都非常重视供水节水的管理工作。很早就开展了漏损控制技术及设备的研究、开发工作,其漏失率远低于亚洲国家。
我国由于城市基础设施欠账太多、供水设备的更新、技术水平提高缓慢,加上管理体制落后于不断发展的形势,使管网漏损率均未达到《城市供水2000年技术进步发展规划》所规定的目标,大多数城市供水漏失率多在25%~30%。与发达国家比较还有很大的差距。
为指导节水技术开发和推广应用,推动节水技术进步,提高用水效率和效益,促进水资源的可持续利用,国家发展改革委、科技部会同水利部、建设部和农业部组织制订了2005年第17号《中国节水技术政策大纲》,其中就提及到要积极采用城市供水管网的检漏和防渗技术。
2 国内外研究现状分析
目前,已有的管道泄漏检测方法中,流量平衡法与压力差法是基于物质守恒与能量守恒来判断泄漏的发生,无法定位;应力波法是利用流体泄漏时引发的沿管壁传播的应力波来判断泄漏和定位,对外带包层或埋地的管道,应力波衰减很快,长距离难以检测,限制了这种方法的应用;SCADA模型法响应速度较快,可快速检出管道较大的泄漏,但投资很大,沿管道需要安装复杂的控制传感系统。我国大中城市中使用的检漏手段基本上还是人工听漏法,这种原始的人工听漏方法可靠性低,抗干扰性差,需要耗费大量人力。近年来,国内外发展起来一些新的基于现代控制理论、信号处理的泄漏检测与定位技术,这些方法仍然需要大量的数学建模。
针对以上各种方案的不足,提出应用神经网络的自组织、自学习能力进行供水管道泄露的诊断方法,这种方法只需将给水管网的各种工况下对测压点造成影响的数据输入神经网络,让其充分学习直到收敛,然后在将来的检测中只需将测压点数据输入训练好的神经网络就可以判断管网是否发生渗漏,并确定渗漏位置。而测压点的数据是可以通过SCADA实时传回来,这样也就实现了管道泄露的实时诊断。
3 基于BP算法的神经网络设计
三层BP神经网络技术应用中最关键的构造参数包括输入层、隐含层和输出层的节点数,以及在神经网络各层之间连接权值和节点阈值的初始化。
3.1 输入层节点数
由于实际管网的节点数较多,如果全部做为神经网络的原始训练数据,将会导致运算量过大,且难以收敛,可以采用管道泄露前后6个监测点(含泄漏点)水压变化数据进行训练。采用水压监测诊断故障的方法可以充分利用现有的SCADA系统,从而可以很容易实现。
除了管道泄露前后6个监测点(含泄漏点)外,还包括该泄漏点处的正常工况下的水压,因此输入层共有7个节点,即输入模式向量的维数为7。表1为各工况下测压点水头。
3.2 输出层节点数
输出层的节点数即各模式理想的输出向量的维数,因为理想输出向量必须能区分各种不同的模式,因此输出层的节点数跟模式的个数相关。因为模式个数为7个,因此输出层节点数可以取1个或7个等。用1个输出层节点的神经网络,其模式分类和辨别能力是不够的。当取7个输出节点时,输出向量分别为(0,0,0,0,0,1);(0,0,0,0,1,0);(0,0,0,1,0,0);(0,0,1,0, 0,0);(0,1,0,0,0,0);(1,0,0,0,0,0);(0,0,0,0,1,1)。
3.3 隐含层节点数
采用适当的隐含层节点数往往是网络成败的关键。中间层节点数选用太少,网络难以处理较复杂的问题;但若中间层节点数过多,将使网络训练时间急剧增加,而且过多的节点数容易使网络训练过度。
可以用几何平均规则来选择隐含层中的节点数。那么,具有n个输入节点及m个输出节点对三层网络,其中间层节点数 hm n?。隐含层节点数可取7,尝试取隐含层节点数的范围为3~50,以对其在更大的范围内进行优化。
3.4 程序流程图
图1为三层BP神经网络的程序流程图。
图5 隐含层节点数为35时的误差曲线
3.6 网络仿真结果
BP神经网络仿真结果如表2所示。
从仿真结果可以看出,该神经网络已经能够很好的识别不同节点发生渗漏时的特征,给出的仿真结果与期望的输出T矩阵非常相似,最大误差小于1e-6。
3.7 验证神经网络
将节点10411渗漏后各节点水头数据:
L=[37.47,35.06,35.29,37.46,33.01,29.74]
输入已经训练好的神经网络,通过调用SIGMOID函数,输出结果如表3所示。
由结果可以看出,目标输出与实际输出非常接近,误差满足10E-5精度,所以可以证明此神经网络完全具有诊断管网泄露的能力。
4 结束语
本文所提出的基于BP神经网络来检测与诊断泄露的方法。该方法应用神经网络的自组织、自学习能力进行供水管道泄露的诊断方法,只需将给水管网的各种工况下对测压点造成影响的数据输入神经网络,让其充分学习直到收敛,然后在将来的检测中只需将测压点数据输入训练好的神经网络就可以判断管网是否发生渗漏,并确定渗漏位置。而测压点的数据是可以通过SCADA实时传回来,实现了管道泄露的实时诊断。适合于城市供水管道泄露的检测和诊断,有较好的发展前景。
参考文献
[1] 顺舟科技Z-BEE无线产品技术手册
[2] AN965 Microchip ZigBeeTM协议栈
[3] 王岩,张国山.基于ZigBee协议的无线传感器网络设计.微计算机信息,2008,4-1:21-23