神经网络的基本功能

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篇神经网络的基本功能范文，相信会为您的写作带来帮助，发现更多的写作思路和灵感。

神经网络的基本功能范文第1篇

【关键词】图像分割；细胞特征；人工神经网络

据统计，在各种癌症中，子宫颈癌对妇女的威胁仅次于乳腺癌。全世界每年因子宫颈癌死亡的人数为30万，确诊和发现早期症状者各为45万。虽然确诊病人的年龄一般都在35岁以上，但存在这种疾病诱因的妇女却往往远在这一年龄以下。如果及时得到诊断，早期子宫颈癌是可以治愈的。因此借助于现代先进的计算机技术结合病理专家的实践经验，开发出计算机辅助细胞学诊断系统，才是解决这一问题的关键所在。

本文从图像识别领域出发，应用人工神经网络模型对子宫颈癌细胞图像诊断进行探索。首先，对获取的子宫颈癌图像进行灰度转换。由原来的24位彩色图像转化为灰度图像。在对灰度图像进行分割，主要采取基于门限阈值化的分割方法。分别对细胞，细胞核进行了分割。分割后转化成为二值图像，采用八向链码算法对包括周长，面积似圆度，矩形度，核浆比等15个主要形态学参数进行测量。在取得了大量的数据样本后进行人工神经网络的训练。

人工神经网络是在对人脑神经网络的基本认识的基础上，从信息处理的角度对人脑神经网络进行抽象，用数理方法建立起来的某种简化模型[1]。通过模仿脑神经系统的组织结构以及某些活动机理，人工神经网络可以呈现出人脑的许多特征，并具有人脑的一些基本功能[2]。1988年，Rinehart等人提出了用于前向神经网络学习训练的误差逆传播算法（Back propagation，简称BP算法），成功解决了多层网络中隐含层神经元连接权值的学习问题[3]。BP算法是由教师指导的，适合于多层神经网络的学习训练，是建立在梯度下降算法基础上的。主要思想是把学习过程分为两个阶段：第一阶段（信号正向传播过程），输入信号通过输入层经隐含层逐层处理并计算每个节点的实际输出值；第二阶段（误差修正反向传播过程），若在输出层未得到期望的输出值，则逐层递归地计算实际输出与期望输出之间的误差，并已据此误差来修正权值。在学习过程中，对于每一个输入样本逐次修正权值向量，若有n个样本，那么一次学习过程中修正n次权值。

但是BP算法也存在一定的缺陷，如多解问题、学习算法的收敛速度慢以及网络的隐含节点个数的选取尚缺少统一而完整的理论指导。为了优化BP算法，我们采用加入动向量的方法对BP算法进行改进。基于BP算法的神经网络，在学习过程中，需要不断地改变权值，而权值是和权值误差导数成正比的。通常梯度下降方法的学习速率是一个常数，学习速率越大，权值的改变越大。所以要不断地修改学习速率，使它包含有一个动向量，在每次加权调节量上加上一项正比例与前次加权变化量的值（即本次权值的修改表达式中引入前次的权值修改量）。设计模型时，人工神经网络的输入输出变量是两个重要的参数。输入变量的选择有两个基本原则：其一必须选择对输出影响大并且能够检测或提取的变量，其二要求各个输入变量之间互不相关或相关性很小。我们将细胞的形态学特征值作为人工神经网络的输入变量。输出变量代表系统要实现的功能目标，这里以TBS分类法为依据，确定了人工神经网络的三个输出变量NORMAL（正常细胞），LSIL（低度鳞状上皮内病变），HSIL（高度鳞状上皮内病变）[4]。在人工神经网络的输入、输出确定后，就可以得到网络的结构图，从而对测得的细胞特征值进行分类。

本文中所设计的神经网络分类器，输入层15个节点、隐含层30个节点、输出层2个节点。细胞样本共161例，使用87例细胞样本数据对人工神经网络的权值进行训练。当误差小于规定值后，再用剩余的74例数据样本对人工神经网络进行测试。主要采取的算法是增加动量的BP算法。经实验，应用人工神经网络模型识别每张图片每个细胞，选出128个最有可能的异常细胞图。通过大量实验对比训练样本识别率最高达96.6%，测试样本识别率最高达87.8%，总体样本识别率最高达92.5%。

由实验可以看出增加动量的BP算法（BP标准算法）的学习次数适中，分类基本准确。增加学习速率可以加快收敛的速度，但同时也看到由于学习速率过大，而导致系统的不稳定，引起震荡。所以在增加学习不长的同时，动向量不能够过大，否则会引起震荡，影响分类的准确率。使用增加动量的BP算法对子宫颈癌细胞的识别效果比较理想，这在医学研究以及临床诊断方面具有一定的现实意义及比较广阔的应用背景。

参考文献

[1]何苗.径向基人工神经网络在宫颈细胞图像识别中的应用[J].中国医科大学学报，2006，35（1）.

[2]刑仁杰.计算机图像处理[M].浙江：浙江大学出版社，1990：32-67.

[3]时淑舫.计算机辅助细胞检测方法在宫颈细胞学检查中的应用价值[J].临床和实验医学杂志，2003，2（2）.

神经网络的基本功能范文第2篇

关键词：网格；资源调度；人工神经网络；BP算法

中图分类号：TP183

Grid resources schedule model based on the BP algorithm

ZHOU Fei-fei，HU Yan-xia

Ministry of Education’s major laboratory of Lanzhou Jiaotong University, Lanzhou,730070

ZhengZhou Urban and Rural Planning Bureau ,Zhengzhou,45000

Abstract: The grid is the main direction of high-performance. The major factor affects the grid functional and the performance is grid resource management and scheduling. Because of the complexity of the grid, its resource management compared with traditional distributed networks becomes more complex. The efficient grid resources management algorithms are hot and difficult of grid study. The neural network has intelligence and can get the best results in complex circumstances. this paper uses BP algorithm to solve the problem of grid resource scheduling. And introduced the concept of grid, back propagation algorithm, and proposed grid scheduling of resources result based on the BP algorithm.

Keywords：grid; resource scheduling；artificial neural network；Back propagation algorithm;

0 引言

网格作为新一代的互联网，是今后高性能计算的主要方向，而有效的资源调度直接影响到网格的功能和性能，因此，对网格资源调度问题的研究具有重要的理论意义和巨大的实践价值。人工神经网络是一种模拟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，善于在复杂环境下，快速获得满足多种约束条件问题的最优化答案，把神经网络的思想引入到网格的资源调度当中，将二者有效结合，能够更好的解决网格的资源调度问题。

1 网格的基本概念

网格又被称为“下一代互联网”，用于集成或共享在地理上分布的各种资源(包括计算机系统、存储系统、通信系统、文件、数据库、程序等)，使之成为一个逻辑整体，实现资源在网络中的全面共享。

目前，网格技术已经在科学计算领域得到了广泛的应用，很好的解决了分布式超级计算、高吞吐率计算、数据密集型计算等问题。可以预见，随着共享的资源越来越丰富，网格的应用领域将得到更大的拓展。

2 网格中的资源调度

网格中的资源指所有能够通过网格远程使用的实体，包括：计算机软件(比如操作系统、数据库管理系统、应用软件、数据等)，计算机硬件(比如CPU、内存、硬盘、光盘感器、磁带等)，设备和仪器(比如通信介质、天文望远镜、显微镜、传感器、PDA、仪器仪表等)等物理资源以及人类资源(人的知识与能力)。【1】

由于网格是一个开放、动态的互联网并行环境,用户可以从网格的任何地方向网格平台提交应用,而且由于网格所固有的分布性、动态性、异构性以及自治性等特征,使得网格资源、可能随时发生改变。因此，网格资源管理系统是网格的核心组成部分，也是网格的重要研究方向。

2.1 网格资源调度策略

传统的分布式系统中资源管理的主要任务是将多个用户提交的程序调度到一个计算集群中以最大化系统的利用率。即将一个复杂的程序中的多个子程序调度到并行的计算机中以提高计算效率，减少运行时间。

而在网格中，由于网格系统的分布性、异构性和动态性，网格资源管理必须为用户提供可靠的、一致的以及廉价的资源，而不用考虑资源访问点的物理位置。[2]

我们使用有层的层次模型实现资源调度算法。此模型类似于网络的五层沙漏模型。在逻辑上分为三层：用户层、资源管理层及网格资源层。

用户层是网格资源的使用者。各种应用均在这一层实现，该层的需求即网格系统提供的服务，是网格所要达到的目标。在本层中，用户或应用系统通过面向服务的视图向下层中的各种发送用户请求，描述自愿选择、任务进程创建和任务控制等。

资源管理层是本模型的核心层。由各种组成，是网格资源管理的执行者。能够发现、收集和存储不同领域的资源信息；接收用户请求，并按分配策略将所需要的资源分配给用户。

网格资源层是网格系统中的硬件基础，包括各种资源，它是网格资源管理的对象。其基本功能就是控制区域内的资源，向上提供访问这些资源的接口。

由以上分析可以看出，网格资源调度的实质，就是将多个相互独立的任务由各种分配到可用资源上，使得资源得到充分利用并且任务的完成时间最小。

调度算法的目标是将所有的独立的应用任务通过调度到可获得的计算资源中去，从可利用的资源中选取最佳的资源，并尽量减少由于网格的动态性而对网格整体性能的影响。不好的资源调度算法，将会增加任务的执行时间并降低整个网格系统的吞吐量。因此，一个好的源调度算法，需要具有高效性和一定的智能性，使网格用户能够获得所需要的资源，并且确保网格用户不会过量使用资源。

由于神经网络能够模拟人脑的思维模式，具有很好的自适应性和学习能力，能够实现难以用数字计算和技术实现的最优信号处理算法。因此，很适合网格资源调度算法。

3 BP神经网络原理

神经网络是一种模拟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。这种网络能根据系统的复杂程度，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。

3.1 神经网络的概念

国际著名的神经网络专家Hecht-Nielson给神经网络的定义是：“神经网络是一个以有向图为拓扑结构的动态系统，它通过对连续或断续式的输入作为状态响应而进行信息处理”。【3】

神经网络系统是由大量的，同时也是很简单的处理单元（称为神经元），通过广泛地互相连接而形成的复杂网络系统。虽然每个神经元的结构和功能十分简单，但由大量神经元构成的网络系统的行为却是丰富多彩和十分复杂的。

神经网络适合于解决实际问题，它不仅可以广泛应用于模式识别、信号处理、知识工程、专家系统、优化组合、机器人控制等工程领域，也可以广泛应用于医学、商业、金融和文学领域。随着神经网络理论本身以及相关理论、相关技术的不断发展，神经网络的应用定将更加深入。[4]

3.2 BP神经网络的概念

BP (Back Propagation)神经网络是1986年由Rumelhart和McCelland为首的科学家小组提出，全称为基于误差反向传播算法的人工神经网络。BP神经网络是目前研究最多、应用最广泛的神经网络模型。

BP神经网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它使用自适应学习算法，通过反向传播不断调整网络的权值和阈值，使网络的误差平方和最小。

BP神经网络模型拓扑结构包括输入层（input）、隐含层(hide layer)和输出层(output layer)。

通过图可看出，层与层之间的神经元采用全互连的连接方式，通过相应的权系数相互联系，隐含层内的神经元之间没有连接。因此BP网络可以看成是从输入到输出的一种高度非线性映射，映射中保持拓扑不变性，如果隐含层中神经元数目足够多，则BP网络就能模拟任何有理函数。由于BP网络可在多个连续的输入和一个或多个连续的输出之间建立非线性映射这一特性，它常被用于智能预测。从而，我们使用BP神经网络模拟网格资源调度过程。

3.2.1 BP神经网络的工作过程

BP神经网络由信息的正向传播和误差的反向传播两个过程组成：

信息的正向传播过程：

输入层各神经元负责接收来自外界的输入信息，并传递给隐含层各神经元；隐含层负责信息变换，根据信息变化能力的需求，传递到输出层。各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程；输出层向外界输出信息处理结果。

误差的反向传播过程：

当实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐含、输入层逐层反传。

周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程，此过程一直进行到网络输出的误差减少到可以接受的程度，或者达到预先设定的学习次数为止。[5]

4 使用BP神经网络的网格资源调度模型

由于BP神经网络算法响应时间较快，适合大规模分布式的网格资源调度。为了能够最大效率的调用网格资源，我们结合BP神经网络算法思想，提出了基于BP网络的网格资源调度模型。

模型流程如下：

(1)将用户提交的任务请求(包含任务的任务量、通信量、任务提交时间、时间限度等参数)加入到网格中的任务队列排队。任务队列可以根据不同用户的不同需求(用户等级、任务时间相应要求等)对进入队列的任务进行排序。

(2) 调度系统中的计时器，每隔一定时间就从任务队列中取出待处理的任务，并从监视器中获得当前系统资源分配列表。

(3) 根据待处理任务及系统资源，使用BP算法产生一个最优化的任务分配表。

(4) 执行任务分配表中的任务。如果任务顺利完成，则将任务占有的资源释，如果任务失败，则释放该任务所占有的系统资源，并将失败的任务插入到任务队列中，以待下次调度。

(5) 当不能从任务队列中获得任务时，表明所有任务都已经完成。

5总结

在网格环境中，资源调度是一项非常复杂且极具挑战性的工作。计算资源调度的好坏，效率的高低直接关系到网格系统的性能。相对别的网格计算资源调度算法与模型，本文提出使用BP算法的分层资源调度模型。

该模型由调度主程序负责全局资源调度，监控程序监控每个资源任务的完成情况，这种方法在能保证任务完成的前提下，灵活地对网格资源进行配置，充分发挥网格中各节点计算机的计算能力。

参考文献：

1崔飞.基于市场的网格资源调度算法研究[J].中国科技论文在线

2都至辉，陈渝，刘鹏. 网格计算.[M]. 清华大学出版社, 2002

3党建武，王阳萍，赵庶旭. 神经网络理论.[M]. 兰州大学出版社，2005,9

神经网络的基本功能范文第3篇

[关键词]网络学习资源；个性化推荐；推荐系统

伴随现代远程教育及MOOC的快速发展，网络学习资源日趋丰富。一方面，海量学习资源使学习者有了更多的选择余地，可以根据个人的兴趣爱好、知识结构的积累，选择更适合自己的学习资源。另一方面，网络学习资源是异质的，有文本、音频、视频等多种形式，学习者在纷繁复杂的学习资源中，并不总是能够完全及时准确地发现自己想要的资源，这也使得很多网络学习系统无法得到充分有效的应用。

网络学习资源个性化推荐系统是一个基于REST架构的分布式资源库系统。主要包括管理员、用户、学习资源。管理员可以创建、修改、删除学习资源；用户可以浏览、下载、评价和获得推荐学习资源。用户在利用传统的类目、搜索学习资源的同时，系统还能够根据用户的个性化信息向用户提供个性化的推荐。

1系统结构

网络学习资源个性化推荐系统的基本功能如下：

（1）用户智能化管理：收集用户的兴趣偏好，根据学习资源的特征对用户进行推荐。

（2）分类浏览：将网络学习资源以传统的类目和Tag方式加以组织，从而有利于信息的进一步挖掘。

（3）个性化检索：依照用户的检索内容和学习资源的匹配度，加入用户的个性化的兴趣偏好，向用户反馈个性化的检索结果。

（4）个性化推荐：构建个性化推荐模型，基于协同过滤、知识库等不同的推荐模型向用户推荐学习资源。

根据以上分析，从应用角度设计和实现了推荐系统的体系结构，如图1所示。前端开发工具采用ASPnet Web API，它是Microsoft的REST架构平台，基于REST的架构能使应用程序独立于操作系统和程序语言，方便地与移动设备、数据分析平台等无缝衔接，同时也可以调用其他应用程序的功能。数据分析及推荐算法采用Python语言实现的sklearn机器学习模块和TensorFlow实现的深度学习模块。整个系统分为四大部分：前端用户接口、推荐系统核心功能、学习资源管理系统和用户数据处理系统。

2个性化推荐引擎

目前主流的推荐技术包括以下几种：基于内容的推荐、基于用户统计信息的推荐、基于协同过滤的推荐、基于关联规则的推荐以及基于知识库的推荐。基于用户、物品的协同过滤算法是推荐系统中应用最广泛、最成功的算法。协同过滤算法，通过分析用户与物品间的关系，计算物品、用户间的相似度，根据用户过往的评价行为利用分类、聚类的手段向用户提供推荐列表。

21用户偏好分析

用户偏好分析是个性化推荐准确性的关键，建立以用户历史行为为标准的用户模型是做好用户偏好分析的关键。结合用户历史行为和物品信息，可以得到用户每种行为下的用户偏好数据，建立偏好的维度和偏好程度。

将各种行为的偏好数据合并，从而得到用户在物品、类别、标签等各个维度上的偏好程度。在对不同维度的数据合并计算时，应当考虑用户对于不同行为类型的用户偏好程度，从而赋予不同的权重。

利用机器学习中的Random Forest算法，在使用人工标记后的训练数据，经过模型的训练、测试，从而将用户划分到不同的群体。在处理用户的偏好数据时，应当考虑时间因素的影响，根据不同的时间间隔，划分成长期、中期、短期和实时四个时间维度，从而解决用户因为时间的推移、兴趣爱好发生变化产生的影响。

22协同过滤

协同过滤的推荐方法，主要利用用户过去的行为或意见预测当前用户对物品的可能喜好，可以推]一些物品内容上差异较大但用户又感兴趣的物品，以近邻算法为主。基于近邻的方法，在数据预测中直接使用已有数据进行预测，将用户的所有数据加载到内存中进行运算。通常划分为基于用户的系统过滤和基于物品的协同过滤。基于用户的协同过滤是，获取和当前用户相似的用户列表，将这些用户喜欢的物品推荐给当前用户；基于物品的协同过滤，获取当前用户偏好的物品列表，将和这些物品相似的物品加入到推荐的候选列表中。

23深度神经网络

“深度学习”（Deep Learning）的概念源于人工神经网络的研究，于2006年由Hinton等人提出。含多隐层的多层感知机就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。比较常用的深度学习算法有，卷积神经网络、循环神经网络、递归神经网络及LSTM长短时记忆等算法。

Tensor Flow是谷歌于2015年11月9日正式开源的深度学习计算框架。Tensor Flow使用数据流式图来规划计算流程，可以将计算映射到不同的硬件和操作平台，大大简化了真实场景中应用机器学习的难度。

本系统利用Tensor Flow平台设计了两个深度神经网络：第一个深度神经网络用来生成候选学习资源列表；第二个深度神经网络用来对输入的候选学习资源列表打分排名，以便将排名靠前的学习资源推荐给用户。候选学习资源的列表并不完全依赖于第一个神经网络的结果，也可以使用其他来源产生的候选学习资源。

3结论

利用传统的类目式导航和简单的信息检索手段，用户很难在纷繁复杂的学习资源中准确地发现自己需要的学习资源，并且用户之间无法共享有价值的学习资源。采用本文设计的模型，在帮助用户快速获取大量的有价值的学习资源的同时，还能够根据其他用户已经获取的学习经验来提高用户的学习效率，这种个性化的推荐方式有助于提高用户学习效率和学习资源的使用效率。

参考文献：

[1]杨露基于协同过滤算法的鹤岗师专多媒体教学系统设计与实现[D].长春：吉林大学，2016

[2]裴艳基于学习分析的学习资源个性化推荐研究[D].西安：陕西师范大学，2015

[3]江周峰面向个性化学习资源共享的混合推荐系统的设计与实现[D].北京：北京邮电大学，2015

[4]应中运基于用户情境的论坛个性化推荐模型研究[D].重庆：西南大学，2014

[5]胡小丰面向科研用户的个性化推荐系统设计与实现[D].北京：中国农业科学院，2013

神经网络的基本功能范文第4篇

【关键词】电力系统；自动化控制技术；重要性；要点分析

电力系统自动化指的是通过各种具有自动决策、控制和检测功能的装置，利用数据传输系统和信号系统，对电力全系统、局部系统或各个元件进行远程或就地的自动控制，为电力系统的健康、稳定、安全地运行提供保证，并为用户提供合格的电能。电力系统自动化控制的基本目标在于实现电力系统在供应环节和生产环节的可持续性、有效性、安全性、稳定性和及时性，同时有助于降低电力系统运营成本，提高电力生产效率，以及实现电力系统管理的安全化、节约化、一体化、自动化。对于整个电力系统来说，自动化控制技术涉及网络覆盖系统、计算机监控系统、送电分配系统、变电站、发电厂等各个环节，需要实现所有环节的协调与控制。电力系统自动化属于电力事业发展的高级阶段，也是电力事业新技术应用与引进的主要表现。

1、电力系统自动化的构成

1.1 配电网络自动化

长时间以来配电系统都是以手工操作的方式控制的，从20世纪90年代以来，我国逐渐推行了一些具有独立功能的孤岛自动化技术，其主要发展趋势也是以现代化通信技术为基础的网络自动化。配电网络自动化通常由配电网络分析软件、地理信息系统、设备管理、自动制图和馈线自动化等几个方面组成，这也是配电网络自动化目标实现的基础。以信息技术为基础的配电网络自动化有别于传统的孤岛自动化技术，其核心技术要点在于下述三个方面，即大量的后台软件、通信技术以及丰富的智能终端。根据我国现阶段配电网络的实际运行情况，配电网络自动化目标的实现应该是分批、分期的，并且逐步完善、逐渐发展，最终获得完善的自动化配电网络系统。

1.2 变电站自动化

变电站自动化系统的建设应以信息处理技术、通信技术、现代电子技术和计算机技术为基础，实现包括远动装置、自动装置、故障录波、信号、测量、控制和继电保护等在内的变电站二次设备功能的优化设计与重新组合，也是一种综合协调、控制、测量与监视所有变电站设备运行情况的自动化系统。变电站自动化系统的建设有助于为用户提供更加优质高效的电能，提高电力企业的经济效益，降低系统维护与运行成本，提高变电站运行的稳定程度等等。

1.3 系统调度的自动化

电力系统调度的自动化是近年来我国电力系统中发展速度最快的一项技术，其基本功能构成包括：变电站综合自动化系统；发电厂运营决策、电力市场可靠性与运营、电力系统经济调度与运行；电力系统数据监控与采集，这也是调度自动化实现的前提和基础。电力系统自动化目标实现过程中，电力系统调度自动化是其关键与核心，会直接影响着电力系统自动化的稳定性与质量。

2、电力系统自动化控制技术要点和特征

第一，经过适当的调节，可以从中发现各个元件和各个子系统协调运行的规律与特征，通过经常性的实践与总结，在节能、高效原则的指导下，选择能耗最低廉、运行最安全、供电最优质、结构最优化的电力系统自动化建设模式。

第二，以电力系统自动化的建立为基础，设定有关技术规范，将按照电力系统实时运行状态和可行性分析结果，作为电力自动化系统有利决策和合理调控的可靠依据，并从宏观和微观上对整个系统与各个部件进行综合调控。

第三，电力系统运行的安全性与可靠性是电力系统自动化建设的基本保证。所以，电力系统工作人员需要在电力系统进行送电服务支出，通过系统化的调研，对电力系统的安全运行、各个部件和单元进行严密的监测与努力的收集，并对所收集的各项参数实时科学化的处理。

第四，自动化电力系统的建立和应用，有助于将传统的劳动密集型、机械化十分落后的生产方式，逐渐转变为现代化的生产模式，从而极大地降低线路故障短路的发生率，避免发生大面积停电事故，同时，有助于实现稳定可持续化服务、一体化集成生产、事故发生率为零、高度安全生产的目标，而且能够降低劳动强度、简化生产流程、节约物力和人力投入、缩短生产周期，最终实现电力系统的有序、安全运行。

3、电力系统自动化控制的技术分析

第一，电力系统自动化控制技术中的智能综合控制技术。综合性是智能综合控制技术的基本特征，其主要原因在于，这一技术不仅仅具有智能控制功能，而且符合自动化控制与现代化控制的基本方法和基本理论，从而体现了各种先进技术与现代化理念的相互结合。模糊控制与神经网络相结合，模糊控制与专家系统相结合，专家系统与神经网络相结合，自适应控制、模糊控制与神经网络等技术的相互融合是自动化电力系统建立过程中最为广泛应用的一种方法。神经网络的主要特征在于非结构化的信息处理方法，而模糊系统则主要应用于结构化信息的处理过程中[1]。

第二，专家系统的主要控制技术。专家系统也是电力系统自动化建设过程中广泛应用的一种系统，且其涉及内容较多。不仅涉及识别紧急状态或警告状态等特殊状态的能力，而且涉及状态分析转换、系统恢复控制能力以及紧急处理能力等等。尽管电力系统实际运行过程中，专家系统得到了广泛的应用，然而，这种系统也存在自身无法避免的缺陷，且具有显而易见的局限性，包括无法模拟电力专家的创造能力等等[2]。

第三，以神经网络控制为基本原理的控制技术。从理论角度来看，鲁棒性、并行处理和非线性是神经网络控制技术的主要特点，而自组织学习能力是神经网络控制技术的另一个典型特征。因为神经网络具有上述的优势与特征，因而其逐渐受到了人们的关注与认可。神经网络控制技术的主要连接方式为通过特定的方式，利用大量的神经源进行连接，使隐含的权值与大量的信息相互连接。同时，能够按照特定的算法调节神经权值。神经网络即为m维空间向n维空间的一种非线性映射。

4、总结

近年来，我国对于电力农网改造和城网改造都投入了较大的关注，且其改造力度与进程都有所扩大，这也对我国电力系统自动化控制技术的发展提出了更高、更新的要求。作为电力工作者，我们需要以保证电力系统的安全运行为基础，提高电力系统的运行质量和效率。综上所述，要想实现电力系统的自动化改革与发展，就必须综合利用现代通讯技术和计算机网络基础，更新管理理念，利用各种自动化控制技术，促进电力系统质量的提高。

参考文献

神经网络的基本功能范文第5篇

电力系统的飞速发展对继电保护不断提出新的要求，电子技术、计算机技术与通信技术的飞速发展又为继电保护技术的发展不断地注入了新的活力，因此，继电保护技术得天独厚，在40余年的时间里得到很大发展。

二、继电保护的未来发展

（一）计算机化

随着计算机硬件的迅猛发展，微机保护硬件也在不断发展。原华北电力学院研制的微机线路保护硬件已经历了3个发展阶段：8位单CPU结构的微机保护问世―多CPU结构―总线不出模块的大模块结构。华中理工大学研制的微机保护也是从8位CPU，发展到以工控机核心部分为基础的32位微机保护。

电力系统对微机保护的要求不断提高，除了保护的基本功能外，还应具有大容量故障信息和数据的长期存放空间，快速的数据处理功能，强大的通信能力，与其它保护、控制装置和调度联网以共享全系统数据、信息和网络资源的能力，高级语言编程等。这就要求微机保护装置具有相当于一台PC机的功能。在计算机保护发展初期，曾设想过用一台小型计算机作成继电保护装置。由于当时小型机体积大、成本高、可靠性差，这个设想是不现实的。现在，同微机保护装置大小相似的工控机的功能、速度、存储容量大大超过了当年的小型机，因此，用成套工控机作成继电保护的时机已经成熟，这将是微机保护的发展方向之一。天津大学已研制成用同微机保护装置结构完全相同的一种工控机加以改造作成的继电保护装置。

继电保护装置的微机化、计算机化是不可逆转的发展趋势。但对如何更好地满足电力系统要求，如何进一步提高继电保护的可靠性，如何取得更大的经济效益和社会效益，尚须进行具体深入的研究。

（二）网络化

计算机网络作为信息和数据通信工具已成为信息时代的技术支柱，它深刻影响着各个工业领域，为各个工业领域提供了强有力的通信手段。到目前为止，除了差动保护和纵联保护外，所有继电保护装置都只能反应保护安装处的电气量。继电保护的作用也只限于切除故障元件，缩小事故影响范围。这主要是由于缺乏强有力的数据通信手段。在国外早已提出过系统保护的概念，这在当时主要指安全自动装置。但因继电保护的作用不只限于切除故障元件和限制事故影响范围（这是首要任务），还要保证全系统的安全稳定运行。这就要求每个保护单元都能共享全系统的运行和故障信息的数据，各个保护单元与重合闸装置在分析这些信息和数据的基础上协调动作，确保系统的安全稳定运行。而实现这种系统保护的基本条件是将全系统各主要设备的保护装置用计算机网络联接起来，即实现微机保护装置的网络化。这在当前的技术条件下是完全可能的。微机保护装置网络化可大大提高保护性能和可靠性，这是微机保护发展的必然趋势。

（三）保护、控制、测量、数据通信一体化

在实现继电保护的计算机化和网络化的条件下，保护装置实际上就是一台高性能、多功能的计算机，是整个电力系统计算机网络上的一个智能终端。它可从网上获取电力系统运行和故障的任何信息和数据，也可将它所获得的被保护元件的任何信息和数据传送给网络控制中心或任一终端。因此，每个微机保护装置不但可完成继电保护功能，而且在无故障正常运行情况下还可完成测量、控制、数据通信功能，亦即实现保护、控制、测量、数据通信一体化。

目前，为了测量、保护和控制的需要，室外变电站的所有设备，如变压器、线路等的二次电压、电流都必须用控制电缆引到主控室。所敷设的大量控制电缆不但要大量投资，而且使二次回路非常复杂。但是如果将上述的保护、控制、测量、数据通信一体化的计算机装置，就地安装在室外变电站的被保护设备旁，将被保护设备的电压、电流量在此装置内转换成数字量后，通过计算机网络送到主控室，可免除大量的控制电缆。如果用光纤作为网络的传输介质，还可免除电磁干扰。现在光电流互感器（OTA）和光电压互感器（OTV）已在研究试验阶段，将来必然在电力系统中得到应用。在采用OTA和OTV的情况下，保护装置应放在距OTA和OTV最近的地方，即放在被保护设备附近。OTA和OTV的光信号输入到一体化装置中并转换成电信号后，一方面用作保护的计算判断；另一方面作为测量量，通过网络送到主控室。主控室通过网络可将对被保护设备的操作控制命令送到一体化装置，由此一体化装置执行断路器的操作。1992年天津大学提出了保护、控制、测量、通信一体化问题，并研制了以TMS320C25数字信号处理器（DSP）为基础的一个保护、控制、测量、数据通信一体化装置。

（四）智能化

近年来，人工智能技术如神经网络、遗传算法、进化规划、模糊逻辑等在电力系统各个领域都得到了应用，在继电保护领域应用的研究也已开始。神经网络是一种非线性映射的方法，很多难以列出方程式或难以求解的复杂的非线性问题，应用神经网络方法都可迎刃而解。例如在输电线两侧系统电势角度摆开情况下发生经过渡电阻的短路就是一非线性问题，距离保护很难正确作出故障位置的判别，从而造成误动或拒动；如果用神经网络方法，经过大量故障样本的训练，只要样本集中充分考虑了各种情况，则在发生任何故障时都可正确判别。其它如遗传算法、进化规划等也都有其独特的求解复杂问题的能力。将这些人工智能方法适当结合可使求解速度更快。天津大学从1996年起进行神经网络式继电保护的研究，已取得初步成果。可以预见，人工智能技术在继电保护领域必会得到应用，以解决用常规方法难以解决的问题。