模糊神经网络的优点

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篇模糊神经网络的优点范文，相信会为您的写作带来帮助，发现更多的写作思路和灵感。

模糊神经网络的优点范文第1篇

关键词:模糊神经网络;股票预测

一、引言

中国股市经过十余年的发展,应该说已经取得十分巨大的成就,但是与国外成熟股市相比仍然是一个新兴市场。事实上,探索和研究股票价格波动的复杂性和规律性,是许多经济工作者,尤其是证券研究者一直追求的目标。

股票交易数据预测是一种时间序列预测方法。时间序列预测法是依据预测对象过去的统计数据,找到其随时间变化的规律,建立时序模型,以判断未来数值的预测方法。其基本思想是:过去的变化规律会持续到未来,即未来是过去的延伸。一般一维时间序列预测方法有移动平均与分解方法、指数平滑方法、状态空间模型等。这些预测方法经过长期的发展,在定量预测模型和定性预测模型等方面都有长足的进步。但是,当系统具有较强的非线性时,这些方法的适应性却是有限的,在实际的预测环境中常常失去效用,因此用这些传统的预测方法解决这类问题十分困难。

二、神经网络和模糊逻辑结合的可能性

神经网络的兴趣在于人脑的微观结构。并通过有自学习、自组识、自适应功能的神经网络上的非线性并行分散动力学,对无法语言化的模式信息进行处理。模糊逻辑根据人为定义的隶属函数和一系列并串行的规则,用逻辑推理去处理各种模糊性的信息,是通过模仿人的思维方式来表示和分析不确定、不精确信息的方法和工具。尽管“模糊”这个词在这里容易使人产生误解,实际上在模糊逻辑控制中的每一个特定的输入都对应着一个实际的输出。所以模糊逻辑本身并不模糊,模糊逻辑并不是“模糊的”逻辑,而是用来对“模糊”进行处理以达到消除模糊的逻辑,它是一种精确解决不精确、不完全信息的方法,其最大特点就是用它可以比较自然地处理人的概念,是一种更人性化的方法。在处理数据时,模糊逻辑更能容忍噪音干扰和元器件的变化,使系统适应性更好模。糊逻辑还对使产品开发周期缩短而编程更容易。通过模糊化样本,提高了样本集中各样本的质量,进而改进能量函数。用神经网络去预测股票,在对信息的推理上还存在相当大的困难;而在信息的获取方面,模糊技术也显得十分软弱。

因此本文根据模糊逻辑和神经网络的各自长处把它们结合起来,利用这种方法对股票预测进行研究。模糊系统提供了一种推论式语句用来逼近人的推理能力和并且应用到基于知识的系统中。模糊逻辑理论是用一种数学工具来获取人们认知过程。然而,模糊逻辑中有个共同的瓶颈是它们都依赖于由领域专家给出的规则,而且,不存在正式的框架来选择模糊系统的各种参数,因此,调整参数的方法是模糊系统的一个重要研究课题。另一方面,神经网络所具有一些重要的有点,比如学习能力、自适应能力、容错能力等,所以神经网络能够处理复杂的、非线性的以及不确定性问题。正是因为如此,可以相信它们具有构建与人们人之有关的各种行为的潜能。但是神经网络的主要问题是它没有明确的物理意义,使用者不知道这些网络是如何运转的。这就是为何神经网络总是被称为“黑箱”的原因。对以一个训练好的神经网络,其连接权值不能清楚地说明网络是如何处理数据的,其含义是什么。特别是,现在的神经网络理论还没有提供一种方法来预测训练好了的网络的输出。因此,在实际应用中造成了一些不确定性。

把模糊系统和神经网络的结合成为模糊神经网络,该网络致力于获得两种系统的优点而克服各自的缺点。正如前文提到的,神经网络的优点在于,第一个是能够生成不需要明确表现知识的规则;第二个是其强大的自学能力。模糊系统的优点在于,第一个是能用模糊性的语言表达知识;第二个是能用简单的预算来实现知识的模糊推理。两者的结合可以解决模糊系统中的只是抽取问题以及专家知识也能很容易融合到神经网络中,避免了初值选择的任意性。

三、模糊神经网络的模型设计

1、模型的结构

模糊神经网络与一般的神经网络相类似,通常分为前向型模糊神经网络和反馈型模糊神经网络两类。本文采用的就是前向型模糊神经网络。该网络是可以实现模糊映射关系的模糊神经网络。一个前向型模糊神经网络可分为五层组成,分别为输入层、模糊化层、模糊推理层、去模糊化层和输出层。图1-1为含有两个输入层节点、一个输出节点的一个基本前向模糊神经网络结构。

输入层指的是接受外部输入信号的一层,并将输入值传送给模糊化层的模糊单元;模糊化层的作用是按模糊规则将输入值转换为一定的模糊度,是对模糊信息进行预处理的网层。模糊推理层是前向型模糊神经网络的核心,其网络参数是由具体问题所确定的;去模糊化层接受经中间层处理的数据,并按照模糊度函数将数据进行非模糊化处理;最后输出层给出确定性求解结果。

本文采用的是TS模糊神经网络。该神经网络分为输入层、模糊化层、模糊规则计算层和输出层(包括去模糊化)。输入层与输入向量xi连接,节点数与输入向量的维数相同。模糊化层采用隶属度函数(公式1-1)对输入值进行模糊化得到模糊隶属度值μ。模糊规则计算层采用模糊连乘(公式1-2)计算得到φ。输出层采用(公式1-3)计算模糊神经网络的输出。下面给出各公式:

1-1

式中,分别为隶属度函数的中心和宽度;k为输入参数;n为模糊子集数。

1-2

1-3

式中为模糊系统参数。

2、模糊神经网络的学习算法

(1)误差计算

式中,yd为网络期望输出;yc是网络实际输出,e为期望输出和实际输出的误差。

(2)系数修正

式中,为神经网络系数;α为网络学习率;xj为网络输入参数;φi为输入参数隶属度连乘积。

(3)参数修正

式中,、分别为隶属度函数的中心和宽度。

3、预测模型的结构设计和参数的设定

网络结构的选择需要考虑以下因素:软硬件实现的难易程度、训练速度和网络的推广能力等,其中网络的推广能力是最主要的,网络结构设计至今还没有确定的方法可循。14世纪的法国修道士 提出过一个最简单原则:“与己知事实满意符合(一致)的理论中最简单者就是最好的理论”,后人称此原则为“奥克姆剃刀”。由此产生了一个公认的指导原则:“在没有其他经验知识时,能与给定样本满意符合(一致)的最简单(规模最小的网络就是最好的选择”。这相当于在样本点的误差在允许范围条件下用参数最少的模型去逼近一个未知的非线性映射。

从总体上来说,网络结构设计并没有固定可循的步骤,有许多参数要靠经验选择,并通过试验加以比较。规模小的网络的泛化能力强,同时也易于理解和抽取规则、知识,便于软硬件实现。通常情况下,由于训练样本有限,所以把泛化能力作为主要要求,强调选择能达到要求的最小网络。理论证明,一个三层网络可以任意逼近一个非线性连续函数。

基于T-S模糊神经网络的算法流程如图1-2所示。其中模糊神经网络构建根据训练样本维数确定模糊神经网络的输入和输出的节点以及模糊隶属度函数个数。由于输入数据为开盘价,最高价,最低价,收盘价这四组数据,所以为n=4维的,输出的是次日的开盘价格即输出数据为1维的。在模糊化层中,该层有nm个节点,利用K-means法对样本进行聚类分析得到模糊规则数以确定m。在聚类分析得出m=2所以得到节点数为8,该模糊神经网络的结构为4-8-1。在根据T-S的模型,所以选择5组系数ρi。

虽然权值随迭代而更新,一般都是收敛的,但是如果初始值设置的太大的话会影响该网络,会使网络饱和的很快。初始的权值对收敛速度也会造成影响。实验表明,初始权值只要不是过大,对网络整体的性能的影响并不大,一般可选在(-0.5,0.5),本文取权值为0。由于本文的隶属度函数利用的是高斯函数,所以高斯函数中的中心和宽度随机得到。

在学习率和网络参数的选择上,若选择的太小,会使网络参数修改量过小,收敛的速度缓慢;若选择的太大,虽然可以加快了学习的速度,但是有可能导致在稳定点附近进行持续的振荡,难以收敛,目前在理论上还没有明确的确定学习率的方法,对于具体问题需要进行试验,通过实验比较出适合的学习率,本文在通过实验选取学习率为0.025,网络参数选取0.001,最大迭代次数选取为100。

四、实证分析

1、预测的效果

选取绿景地产(000502)2010年1月20日连续120个交易日的数据作为训练和预测样本。其中使用前100个交易日的指标作为训练样本训练网络,用后20个数据进行样本预测。

如图1-3为训练网络的效果图,该结果是用归一化后的数据。

表 1-1列出真实值和预测值以及预测的相对误差((真实值-预测值)/真实值):

2、网络性能的评价

对神经网络常用的预测性能的评价指标常用的有RRMS,MPE,mpe,PC。选取绿景地产(000502)2010年1月20日连续120个交易日的数据作为训练和预测样本。其中使用前100个交易日的指标作为训练样本训练网络,用后20个数据进行样本预测。本系统的各项性能指标如下:

相对均方根误差:RRMS=0.63%最大误差:MPE=0.19元 正确趋势率:PCD=65%

从以上指标看出用该模糊神经网络进行预测是有效的,预测系统式成功的。

五、总结

股票市场是反映经济的“晴雨表”,其作用不但被政府重视,而且受投资大众的普遍关注,股票市场中的收益伴随着风险,以最小风险获得最大收益是每个投资者的目标,所以研究股票市场内在规律及其预测具有重大的意义和应用的价值。股票交易数据预测是时间序列预测。在股票市场这个极其复杂的系统中,它所具有的非线性和高噪声等因素决定了股票预测的过程的复杂与困难,传统预测方法很难应用于此,难以建立有效的数学模型。

神经网络是一种很好的时间序列预测方法。神经网络具有逼近任意复杂连续函数关系的能力,而这些能力正是传统方法所不具有的。本文把模糊逻辑和神经网络相结合起来,首先介绍了模糊系统和神经网络的基本知识以及二者结合的可能性。然后建立模糊神经网络模型并用于股票价格的预测,运用相关分析在剔除了与预测指标相关性较小的指标,简化了模糊神经网络的结构,并在实际的试验中确定了相关网络系数的初始值,简要的介绍了建模的工具,并用设立模糊等级对模糊神经网络的有效性进行了评价,在通过实证分析证实了网络系统基本上达到了预想的要求。

参考文献:

[1]胡守仁,神经网络应用技术[M],国防科技大学出版社,1993

[2]赵振宇,模糊理论和神经网络的基础与应用[M],清华大学出版社,1996

[3]刘增良,模糊逻辑与神经网络[M],北京航空航天大学出版社,1996

[4]吴华星,基于神经网络的股票价格预测,中国科学院计算技术研究所,1998

[5]姚培福,人工神经网络在股票预测中的应用与研究,昆明理工大学硕士学位论文,2007

模糊神经网络的优点范文第2篇

关键词：集中供热；模糊控制；神经网络；系统仿真

集中供暖系统由热源、热网和热用户组成，其中热源的控制是控制总供水温度和流量，保证按需供热并均匀分配总供热量至各热力站。热网分为一次网和二次网，热网的控制是通过对热负荷的动态预测，来调节和分配总需热量[1]。为了实现供热系统的按需供热，达到供暖的需要，本文通过室外温度来确定二次网供水温度值，通过调节一次网供热管的调节阀，改变一次网的高温水流量，从而保证二次网的供水温度，满足供暖用户的需求。

1换热站的设计方案

在整个供暖的冬季，二次网供水温度是随着室外温度和用户热负荷来决定的。而在热交换站的控制中，通过调节一次网供水侧电动调节阀的开度改变供水流量来实现二次网出水口温度调节，从而保证了在室外温度或热用户负荷发生变化时，热源的总供热量与用户需热量相比配，以达到保证供热质量、满足人们生活的需要。

2模糊神经网络控制算法的研究

模糊神经网络是将一些专家知识预先分布到神经网络中，利用神经网络的学习功能来优化模糊控制规则和相应的隶属度函数，它既具有模糊系统的模糊信息处理能力又具有神经网络的学习功能，实现了模糊系统的自学习和自适应。因此，利用模糊控制与神经网络相结合对换热站系统进行优化控制可以解决这类大滞后、时变性、非线性问题。

本文采用的模糊神经网络自学习控制系统框图如图3所示，图中FNC表示模糊神经网络控制器。Ke、Kc、Ku分别表示量化因子和比例因子，To表示给定值，T（t）为实际的温度。其中以温度的给定值与测量值之间的偏差和偏差变化量作为输入量，以一次网阀门的开度作为输出控制量，通过调节控制阀的开度来改变一次供水的流量从而达到调节二次网供水温度的目的。由FNC模糊神经网络控制器来完成对过程的闭环控制。[2]。

图2 模糊神经网络自学习控制系统图

2.1模糊神经网络模型的建立

整个网络中的数据变化如下：

第一层是输入层， (2-1)

第二层是模糊化层，若隶属度函数采用钟形函数，输出的运算公式为

，（h=1，2，…，14） （2-2）

其中是隶属度函数的中心，是隶属度函数的宽度。

第三层模糊规则层，每个节点表示一条模糊规则，它将输入的数据相乘，输出的运算函数为： ，（k=1,2,…，49）（2-3）

第四层是模糊决断层，节点输出

（2-4）

2.2学习算法

本文学习的参数主要是第二层各节点的隶属度函数的中心值和宽度以及第四层的连接权，首先对FNC进行离线训练，使FNC记忆49调模糊控制规则。经过学习后，模糊神经网络控制器便训练好了，可以“装入”控制系统中，FNC经过离线训练后，可投入在线模糊控制，当受控过程环境发生变化时，为了能跟踪期望的给定信号，可在线修改FNC的权值，使被控过程的输出逼近期望值，从而达到自学习、自适应的目的。因此，通过网络的离线学习和在线自学习，定义性能指标误差函数为

（2-5）

其中是采样点个数，为期望的输出值,为系统实际输出值。为了使误差函数最小，可用梯度最优下降优化算法训练网络权值，即：

（2-6）

其中为自适应学习速率，为动量因子，、均在（0,1）内取值。

当隶属函数为钟型时，需要调整的参数有隶属函数的中心值和宽度,其公式为：

（2-7）

（2-8）

3结论

本文将模糊控制与神经网络相结合，利用两者的优点，设计出一种神经网络模糊推理控制器，使控制器具有自调节、自学习的性能，实现对换热站温度的控制，

参考文献：

[1] 胡维俭，徐邦熙.微机白动控制技术在热力站温度控制中的应用〔J〕.煤气与热力，1993.

模糊神经网络的优点范文第3篇

关键词：模糊控制 RBF 神经网络 AQM算法 网络拥塞

中图分类号：TP373 文献标识码：A 文章编号：1007-9416（2013）09-0047-02

1 引言

模糊逻辑和人工神经网络各有优点：人工神经网络（ANN）通过模拟生物神经网络，在模拟推理及自学习等方面谋求前进，使人工智能和人脑的自组织和并行处理等功能更接近；模糊信息处理以模糊逻辑为基础，抓住人类思维中的模糊性这一特点，模仿人的模糊综合判断推理来解决常规方法难以完成的模糊信息处理的难题。目前，模糊和神经网络技术在知识和信息处理领域已达到了一定的研究阶段。模糊神经网络因为运用模糊数学中的计算方法，这使得一些处理单元的计算变得简便，信息处理的速度加快；由于采用了模糊化的运行机制，系统的容错能力也得到了加强。但最主要的是，模糊神经网络使信息处理的范围得到扩展，系统可同时处理确定性信息和非确定性信息。

2 TCP/AQM简化模型

IP网络拥塞控制是人们一直着力解决但未能很好解决的问题，相继产生了不少有影响力的算法，如RED，ARED，SRED，BLUE等，但较具影响力的是Misra V等人于2000年基于流体流理论提出的网络模型[1]。该模型较为恰当地描述了TCP传输流的行为[2]，为研究人员广为采用。

Misra V等人将Internet中的数据流看作一个连续状态的流体，并据此假设建立了TCP/AQM系统的一个流体流非线性动态模型[2]：

（1）

W为TCP拥塞窗口大小，q为瞬时队列长度，R为往返时延RTT=q/C+Tp， Tp为传输延时，C是链路带宽，N为网络负载（TCP连接数），p为分组丢弃/标记的概率。式（1）中第1个方程描述的是TCP的窗口控制动态特性，第2个方程描述的是瓶颈队列长度，它等于包到达率NW/R和链路容量C之间的差值。

3 基于RBF模糊神经网络的AQM控制

图1给出基于RBF模糊神经网络的控制机制来实现自适应过程。图中，是量化因子，是比例因子。由模型推导知，速率的误差r（k）-=，队列误差x1=q-的量化值（q-）/及速率的误差=r（k）-的量化值（d（p）/作为模糊神经网络的输入，输出p（k）是标记概率。通过模糊逻辑控制器根据当前队列的大小及速率的大小调节分组标记概率，使IP路由器的队列长度达到预定的目标队列长度。

4 仿真研究

本文基于网络仿真软件NS-2验证RBF-FNN算法的性能，并且把该方法与己经存在的标准AQM算法，特别是RED算法，PI算法进行比较。仿真采用的网络拓扑结构如图2所示，节点A和节点B之间的瓶颈链路容量15Mbps，延时5ms。n个持久性的FTP业务源与节点A之间的链路容量均为10Mbps，通常情况下延时5ms，节点B和节点C之间的延时为d ms。RED高低门限值分别为100包和200包，PI的队列长度期望值为150包，a=0.0001822，b=0.00001816；除节点A与B之间的队列管理采用各种AQM算法外，其余节点处的队列管理算法均为DropTail；各节点缓存大小为300包。n取60，时延d取220ms，仿真时间为50s。所有FTP业务源均在0时刻启动。瓶颈链路的容量为15Mbps，RTT时间约为0.6s，主要包括传播时延、排队时延等。下面是队列稳定性的仿真结果。

从实验结果可以看出，RED在大时滞中出现了持续震荡，PI抖动厉害，调整到稳定状态需要时间较长，丢包率较高，RBF-FNN算法具有较快的响应速度，综合性能较好。

5 结语

本论文基于流体流理论的网络简化模型将模糊神经网络控制器应用于网络主动队列管理系统中仿真结果表明，RBF-FNN控制算法具有较好的综合性能，比RED、PI算法更适合于AQM控制，具有进一步研究的意义。

参考文献

模糊神经网络的优点范文第4篇

【关键词】计算机 智能信息处理技术 发展 应用方法

网络技术及信息技术不但方便和丰富了人们的生活，还为各种高端的科学技术提供了技术支持，不管是对社会经济发展，还是对科学技术发展都起着重大推进作用。计算机智能信息处理技术就是在该背景下研发和应用的，决定计算机智能信息处理技术应用及发展研究是必要的。

1 发展概述

智能信息处理技术是计算机智能信息处理技术的前生，最早发源于上世纪30年代，当时的智能信息处理技术只停留在理论层面研究方法层面上，并且所涉及到的理论和研究方法范围很有限，智能运算工具也没有被开发出来，所以实际生活中智能信息处理技术难以应用。指导上世纪40年代，计算机被发明并在各领域得到广泛应用时，才形成了计算机信息处理技术，并在短时间内被应用于人们的生活学习，给人们带来了巨大的社会效益及经济效益，促进人类社会快速发展，为信息时代及网络时代的到来奠定了技术基础。直到今天，计算机信息处理技术已经被广泛应用各领域，促进了社会经济发展，方便了人们生活，提高了人们的生活质量。现时代应用较多的计算机信息处理技术有CT机，主要应用于医学领域；科学家J.W.Cooley等人研发的FFT算法，主要应用于硬件电路设计，也因此被广泛应用于各种智能检测仪器中，不但实现了检测仪器精准度的增加，还实现了z测仪器自动化程度的增加，成为现时代大多数信息处理系统的技术支撑。

2 应用方法分析

2.1 人工神经网络应用方法

人工神经网络应用方法中的数据来源是数学模型，网络来源是网络模型，所以该方法是基于数学及网络模型提出的，具有数据化和网络化的特点。人工神经结构在数学模型和网络模型中的组建方式不同，人工神经结构在数学模型中是根据人体大脑的神经元组织构建而成，是计算机智能信息处理系统的基本单元。这种人工神经的单体，在数学模型中有很多，如果将数学模型中的所有人工神经单体进行有机组合，则会组建成一个复杂程度高和需求功能全面的神经网络结构，最终实现对信息的整体化和智能化处理；人工神经结构在网络模型中是根据已经构建好的人工神经单元体，实现每基础单元体的创建，从本质上与数学模型中人工结构的构建原理相同，唯一不同的是网络模型中人工神经结构的构建更注重多个单元体间的联系。

2.2 模糊神经网络应用方法

模糊神经网络也是计算机智能信息处理的主要应用方法之一，主要应用于不确定现象的研究，模糊理论是该方法的应用原理，所研究的对象具有不确定性，所以模糊理论不属于传统数学理论，故不是传统数学理论二元性原则下的研究范围，故模糊神经网络处理的信息对象具有模糊性，导致模糊系统呈现动态性。

模糊神经网络应用方法主要通过模糊系统实现，该系统包括模糊规则库、模糊产生器、反模糊化器和模糊推理机四个子系统。模糊神经网络是模糊系统与神经网络的融合体，主要融合的内容包括模糊系统相关理论体系和神经网络相关理论体系，此外还将语言逻辑计算方法和动力学理论等融入其中，增强了模糊神经网络的信息识别能力、信息联想能力和模糊信息处理能力。在神经网络上输入模糊信号和对应的权值，是模糊神经网络应用的核心内容。

2.3 进化算法应用方法

净化算法应用方法是最具有规定律性的一种计算机智能信息处理技术应用方法，创建的依据不但是自然选择依据，还包括了遗传定理，而这两个依据都来源于自然生物界，所以进化算法具有很强的定律性，也被称为遗传算法，主要通过各种生物遗传模型来实现其应用，具有指导机器优化和学习的作用。

净化算法具有操作简单、应用广泛等优势，是多条信息并行处理的有效方法，其研究对象主要为某个个体，待研究个体确定后进行选择、交叉和变异等操作，以实现对信息的处理。近几年，进化算法经多个相关专家及学者的努力研究，进化算法已经从简单的数据信息分析及处理应用，发展到图像识别应用、机器学习应用、自动化控制应用等，成为计算机智能信息处理技术最常用的应用方法之一，促进整个计算机信息处理技术水平的提高。

2.4 信息融合技术应用方法

信息融合技术主要应用于多种信息的加工、利用、优点相互好处理，进而提高信息的真实性和准确性。该技术的应用主要通过多传感系统来实现，即先对信息处理对象进行检测，以保证精准度，然后将检测不到或不能进行确定的信息找出并剔除，以实现计算机信息处理结果准确性和可靠性的提高。

人体大脑综合处理信息的能力是信息融合技术的研发原理，相应的多传感系统是由多个且种类不同的传感器组成，这就使系统不同传感器发出的信息不同，最终形成像人脑一样的信息综合网，然后通过信息综合网对多余的信息进行组合，以实现计算机信息处理中信息正确性的提高。信息融合技术发展至今，已经从单一的信息融合技术发展成高层次信息融合技术和低层次信息融合技术。

3 实际应用

计算机智能信息处理技术的实际应用主要体现在以下几方面：

（1）在各类机器中的应用，不但有利于机械设备智能化程度的提高，还有利于机械设备自动化程度的提高，进而实现少劳力的降低和脑力消耗的降低，最终提高了机器工作效率。

（2）文字、语音和影像等领域中的应用，不但提高了文字、语言和影响识别精准度，还有利于相关识别设备独立识别能力和翻译能力的增强。

（3）在互联网技术设备中的应用，如在路由器等设备中的应用，不但高提高了这些设备的数据传输速度，还实现了传输路径的全面分析，进而实现最佳数据传输路径的选择，最终提高了计算机智能信息处理的网络畅通度。

4 结语

综上所述，信息技术及网络技术的不断发展与应用，使计算机智能信息处理技术被广泛应用于多个领域，相应的技术应用方法也大大增多，主要包括人工神经网络、模糊神经网络、进化算法和信息融合技术四种应用方法。

参考文献

[1]杨野.计算机智能信息处理技术的发展与应用[J].山东工业技术，2015（06）：184.

[2]肖卿，肖秋兰.计算机智能信息处理技术的发展与应用[J].科技风，2015（19）：73.

[3]张莉.计算机智能信息处理技术应用及发展[J].科技经济导刊，2016（25）：36+34.

模糊神经网络的优点范文第5篇

【关键词】故障诊断;基本原理;神经网络;实际应用

引言

电梯在实际生活中出现不正常运行、停运等故障是在所难免的，而作为高层建筑中主要的垂直交通工具如果不能及时准确的查明故障原因并维修往往会给乘客带来巨大的生命威胁。只有保证电梯的安全运行，及时的发现故障并解决故障，才能够为乘坐电梯的乘客提供合格的安全保证。目前，国内在用的电梯缺乏完善的故障诊断系统，仅仅依靠维修技术人员的经验以及简单的诊断仪器已经不能够及时的解决复杂的电梯故障问题。神经网络技术可以应用于复杂多模式的故障诊断并且既可以用于实时监测也可以进行离线诊断，在系统模式非常复杂或者根本不知道系统模式的情况都可以应用，这些特点恰恰解决了传统方法中最最难以解决的问题。因此必须加快神经网络技术应用于诊断电梯故障的步伐，形成完善的故障诊断系统，才能更及时准确的查明故障原因进一步及时的解决问题，保证乘客的人身安全。

一、电梯的运行原理和电梯故障的特点

只有清楚地了解电梯控制系统的运行原理才能够及时准确的诊断出电梯故障原因，因此清楚的了解电梯运行原理，每一个电梯维修人员必须要做到。电梯运行过程总体上可分为以下几个阶段：第一、登记层外召唤信号和登记内选指令阶段;第二、电梯门关闭或者电梯按照系统指令停运阶段;第三、启动阶段;第四、在到达信号记录的楼层前进行减速制动;第五、平层开门阶段。在整个过程中电梯需要从外界接收信号并处理，然后完成相应的指令或者输出信号，由此可以将电梯看作是一个完整的独立的系统，只需要外界给予相应的信号就可以自动的做出动作。电梯系统内部复杂的构件紧密的结合在一起，正是如此才使得电梯系统故障具有了复杂性、层次性、相关性以及不确定性的特点。

二、神经网络技术基本原理

生物学上的神经是由一个个简单的神经元相互连接进而形成了复杂的庞大的神经系统，同理，神经网络就是由大量简单的处理单元相互连接形成的复杂的智能系统。单独的处理单元类似于一个神经元，是一个可以接受不同信息但是只输出一种信息的结构单位。神经网络系统与生物学神经系统相似的是具有自我修改能力，它可以同时接收大量的数据并进行统一的分析处理，进而输出相应的处理结果。这就使得神经网络系统具有了高度容错性、高度并行性、自我修改性、学习性以及高度复杂性，也正是由于这些特性才使的利用神经网络技术能够及时准确的查明电梯故障原因并得出故障解决方案。电梯故障诊断中应用的神经网络模型分为三个层次：输入层、接收外部信号或者是电梯自我检测信息（如载重信息）;隐含层、对接收到了大量数据进行相应的分析处理;输出层、将记录着动作命令的数据传送出来。在电梯出现故障时，首先可以通过神经网络模型快速确定故障发生在哪一层达到节约时间的目的。但是神经网络也会因为收敛速度过于慢、训练强度太大或者是选择的网络模型不好等问题导致诊断结果受到影响。

三、神经网络模型在电梯故障诊断中的应用分类

神经网络模型已经成为了如今电梯故障诊断中应用最广泛的技术模型，相比于传统方式它具有诊断速度快、故障原因命中率高的优点，因此引起了各方面专业人士的强烈关注，并在他们的不懈努力下得到了发展与创新。它跨越多个专业领域、通过对各种复杂的高难度工作的不断的发展与改进出现了越来越多的应用模型，下面主要介绍了当前应用最普遍的BP网络模型，并且简单的引入并介绍了近年来新兴的模糊神经网络模型和遗传小波神经网络模型。

（一）BP网络模型

BP神经网络作为神经网络应用最广泛的一种，它多应用的误差反向传播算法使其在模式识别、诊断故障、图像识别以及管理系统方面具有相对先进性。基于BP网络的电梯故障诊断技术就是通过学习故障信息、诊断经验并不断训练，并将所学到的知识利用各层次之间节点上的权值从而表达出来。BP网络系统的主要诊断步骤主要可以分为三步。第一步：对输入输出的数据进行归一化处理，将数据映射到特定的区间。第二步：建立BP网络模型，训练BP网络模型。第三：通过已经训练好的网络模型对原来的样本进行全面的检测。算法步骤：a、在一定的取值范围内对数据进行初始化;b、确定输入值数值大小，计算出预期输出量;c、用实际输出的值减去上一步得到的数值;d、将上一步得到的误差分配到隐含层，从而计算出隐含层的误差;e、修正输出层的权值和阈值，修正隐含层的权值;f、修正隐含层的阈值，修正隐含层和输入层的权值。

（二）遗传小波神经网络模型

遗传算法运用了生物界的优胜劣汰、适者生存的思想对复杂问题进行优化，适用于复杂的故障，起到了优化简化问题的作用。对局部数据进行详细的分析是小波法最大的特点，所以它被誉为“数字显微镜”。遗传算法小波神经网络就是运用小波进行分解的方法分解模拟故障信号，将得到的数据进行归一化，将归一化后的数值输入到神经网络模型中。它融合了神经网络、小波分析和遗传算法三者所有的优点。基于遗传小波神经网络的电梯故障诊断的一般步骤为：测试节点信号采样、小波分解、故障特征量提取、归一化得到训练样本集、遗传算法优化、得到故障类型。遗传小波神经网络模型在故障原因复杂、数据信息量巨大的电梯系统的应用中能够发挥更大的作用。

（三）模糊神经网络模型

模糊神经网络模型就是创新性的将神经网络与模糊理论结合到一起。它采用了广义的方向推理和广义的前向推理两种推理方式。与其它两种模型不同的是，它的语言逻辑、判断依据和结论都是模糊的。但是它的数据处理能力还有自我学习能力并没有因此而变差，反而更加丰富了它的定性知识的内容。在处理实际问题的过程中，首先要建立所有可能发生的故障的完整集合，其次将所有的故障发生原因归入到同一个集合中去，最后就是建立故障和原因的关系矩阵。分别叫做模糊故障集、模糊原因集、模糊关系矩阵。相较于BP网络模型，这种模型更加的简单易行，充分发挥了神经网络和模糊逻辑的优点，不会因为故障原因过于复杂而失去诊断的准确性，在原本丰富定性知识和强大数据处理能力的基础上具有了很大的自我训练能力。

结语

综上所述，神经网络技术可以应用于复杂多模式的故障诊断并且既可以用于实时监测也可以进行离线诊断，在系统模式非常复杂或者根本不知道系统模式的情况都可以应用，这些特点恰恰解决了传统方法中最最难以解决的问题，它的应用提高了电梯故障的诊断速度和准确度，保证了电梯运行的安全性。虽然神经网络技术的优点很多，但是在实际生活中的应用还很少，因此还需要不断的进行改进完善。同时还要注意将集中诊断方法融合到一起，例如稳重提到的模糊神经网络模型和遗传小波神经网络模型都是集成应用的典型代表。