人工神经网络的算法

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篇人工神经网络的算法范文，相信会为您的写作带来帮助，发现更多的写作思路和灵感。

人工神经网络的算法范文第1篇

关键词：入侵检测 神经网络 人工鱼群算法 模型参数

中图分类号：TP18 文献标识码：A 文章编号：1674-2117（2014）20-00-01

1 前言

21世纪是网络的时代，网络已进入人们的日常生活，成为人们通信和交流的工具，人们对于网络的依赖也越来越强。

针对网络入侵检测问题，国内外许多学者进行了深入研究，提出了许多有效的网络入侵检测模型。在网络入侵检测过程，网络入侵分类器设计是网络入侵检测的关键，当前网络入侵分类器主要有基于支持向量机、K最近邻算法、神经网络等进行设计。其中出回声状态神经网络（Echo State Network，ESN）是一种新型的网络，具有简单、易实现、泛化能力优异等优点，成为网络入侵检测中的主要研究方向。人工鱼群算法（Artificial Fish Swarm Algorithm，AFSA）是一种采用自下而上信息寻优模式的智能搜索算法，具有并行性、收敛速度快等优点，为回声状态神经网络参数优化提供了一种新的工具。

2 人工鱼算法优化神经网络的入侵检测模型

2.1 回声状态神经网络

ESN是一种由输入层、内部储备池和输出层组成的非线性递归神经网络，其状态方程为：

式中，sigmoid为激活函数；Win和Wx分别为输入和储备池内部的连接矩阵；μ（t），x（t）分别表示t时刻的输入向量和储备池内部状态向量量，sin为输入项比例系数；ρ为内部储备池的谱半径。

那么ESN的输出方程为

（2）

式中，y（t）为t时刻的输出向量Wout为输出连接向量。

输出权值对ESN性能起着关键作用，常采用最小二乘法进行求解，目标函数的最小化形式为

式中 ，

，N为储备池节点数；l为训练样本数。

根据式（3）式得到解

（4）

式中，为的估计值。

从式（1）可知，参数sin和ρ的选取影响回声状态神经网络的性能，本文采用人工鱼群算法（AFSA）对参数sin和ρ的选择，以提高网络入侵的检测正确率。

2.2 人工鱼群算法

工鱼群算模拟鱼群觅食的行为，人工鱼个体的状态可表示为向量Xi=（xi1，xi2，…，xiD），食物浓度表示为Y=f（x），其中Y为目标函数值；Visual表示人工鱼的感知范围：Step表示人工鱼移动的步长；δ表示拥挤度因子。人工鱼的行为包括以下几种：①觅食行为；②聚群行为；③追尾行为；④随机行为。

2.3 人工鱼群算法优化神经网络参数

（1）初始化人工鱼群算法参数，主要包括人工鱼群数以及最大迭代次数；（2）初始位置为回声状态神经网络的参数；（3）计算适应度函数，并选择适应度函数值最大的人工鱼个体进入公告板；（4）人工鱼模拟鱼群觅食行为，得到新的人工鱼位置；（5）与公告板人工鱼的位置进行比较，如果优于公告板，那么将该人工鱼位置记入公告牌；（6）将最优公告牌的位置进行解码，得到回声状态神经网络最优参数；（7）利用最优参数建立网络入侵检测模型，并对其性能进行测试。

3 仿真实验

3.1 仿真环境

数据来自网络入侵标准测试集KDDCUP99数据集，其包括4种入侵类型：DoS、Probe、U2R和R2L，同时包括正常样本，每一个样本共有41个特征，7个符号型字段和34个数值型字段。由于KDDCup99数据集样本多，从中随机选择部分数量的数据进行测试，数据具体分布见下表。为了使本文模型的结果具有可比性，采用PSO算法优化回声状态神经网络（PSO-ESN），遗传算法优化回声状态神经网络（GA-ESN）进行对比实验。

样本集分布情况

入侵类型 训练样本 测试样本

DoS 2000 400

Probe 1000 200

R2L 500 100

U2R 100 20

3.2 结果与分析

所有模型对网络入侵数据进行建模，仿真结果如图1和图2所示。从图1和图2进行仔细分析，可以知道，相对于PSO-ESN、GA-ESN，人工鱼群算法优化神经网络的入侵检测性能最优，网络入侵检测的误报率更低，具有十分明显的优势，在网络安全领域具有广泛的应用前景。

图1几种模型的检测率比较

图2几种模型的误报率比较

4 结语

针对回声状态神经网络参数优化难题，提出一种人工鱼群算法优化回声状态神经网络参数的入侵检测模型。仿真结果表明，相对于对比模型，本文模型提高了网络入侵的检测率，同时误报率明显降低，具有一定的实际应用价值。

参考文献：

[1]唐正军，李建华.入侵检测技术[M].北京：清华大学出版社，2004.

人工神经网络的算法范文第2篇

关键词：脉冲耦合神经网络（PNCC）；人工神经网络；车轮定位；侧滑

随着交通系统的越来越发达，特别是高速公路的迅速发展，人们驾驶汽车的速度也是越来越快。随着行车速度的提高，汽车的操控是否稳定对汽车的驾驶人员的安全来讲至关重要。而汽车操控的稳定性则由汽车的车轮定位参数来决定。车轮的定位主要有2种即前轮的定位和后轮的定位。而前轮的定位参数有：前轮前束、前轮后倾角、主销后倾角、主销内倾角等组成；后轮定位参数有：后轮前束、后轮后倾角等组成。对于不同档次的汽车有的只有前轮定位，有的前轮定位和后轮定位都有。不管前后轮定位是不是都有，只要有一个定位参数有错误将会产生非常严重的影响，主要是影响汽车的操控稳定性。如果主销后倾角过大时则会使转向沉重；而主销后倾角过小则很容易引起前轮摆振，方向盘摇摆不稳以及方向盘自动回正能力变差；如果汽车左右后倾角偏差过大那么就会将引起直线行驶时跑偏，而后轮前束不正确则不仅会引起直线行驶时跑偏，还会造成轮胎非正常磨损等。总之，汽车的车轮定位检测对于汽车的驾驶者来讲是非常重要的。

1汽车诞生之后出现的车轮定位检测的方法

在最早的时候，主要是使用专用的定位测量工具来测量的，如前束尺、外倾角、后倾角等测量工具。随着汽车技术的迅猛发展，使用这些定位测量工具远远满足不了现在定位检测的要求。为了提高定位检测的效率，在市面上出现了一种采用激光技术测量前束的光学水准定位仪。使用这种定位仪的时候操作比较简单，价格也比较低，但是使用它测量的时候仍然需要人工来读取数据。再后来随着电脑式四轮定位仪的出现，大大提高了原先的定位检测效率。这种电脑式的四轮定位仪由电脑主机、显示器、打印机、前后车轮检测传感器、传感器支架等硬件组成，并且还配有数字视频图像数据库，通过数据库可以显示检查和调整的准确位置等。为了更智能化地进行车轮的定位检测，最新的车轮定位系统开始引入了第三代人工神经网络模型，也就是专业上来讲的脉冲耦合神经网络。这一概念的引入给汽车车轮定位检测系统带来了智能化。

2人工神经网络系统

它是一种采用类似人的大脑神经的工作模式，将复杂的人类大脑用于处理某些复杂的信息并具有一定的智能性。人工神经网络以其大规模的并行计算能力、自适应性和容错性，在工业过程中发挥了非常重要的作用，并迅速应用到了各个应用领域。第三代人工神经网络，是一种新型的人工神经网络。称为脉冲耦合神经网络（PCNN：Pulse Coupled NeuralNetwork）。这种模型已经开始在汽车车轮定位检测系统中得到了应用。特别是近几年，人工神经网络技术逐步开始应用在汽车故障预测、监测和诊断领域等方面。本文将对第三代人工神经网络即脉冲耦合神经网络（PNCC）在汽车车轮定位检测中的应用进行简要的分析。

人工神经网络因为是源于生物类的大脑活动模式，所以这种人工神经网络也是由很多的神经元组成的。这些神经元相互连接，就形成了人工神经网络。因为人脑工作模式的特殊性，这些人工神经网络的工作模式也不是一般的线性元素所能完成的。和人类大脑一样，神经元也是人工神经网络的基础处理单位。输入的信号可以是多种的，而输出的结果只有一种，这和人类的大脑工作模式是一致的。通过了解，人们知道这种脉冲耦合神经网络的应用已经非常广泛了。特别是应用在日常生活中所见到的图像处理中。因应用方向不同，在引入这种脉冲耦合神经网络的时候所采用的各种方法手段及其设置也都不一样。这些参数的设置直接影响着输出结果。所以一旦引入了这个概念，就需要通过大量的实验来验证参数设置的正确性以及有效性。避免因为前期的设置问题，导致后期出结果的时候有较大的偏差。所以应该把重点放在前期的实验数据上。特别是数据的选择及环境的选择上。人工神经网络是不同于任何网络的一种类似智能的网络架构，它的工作模式和任何的其它网络都不一样，它的这一特性，让人们能够从中理解了这种类似大脑的神经元工作模式。大脑在工作的时候主要靠这些相互连接的神经元相互作用，传送信号，当然这些看似零乱的神经元也是有一定的组织结构的，之间也形成了一种特殊的网络拓扑结构。在传递信号的时候，可以通过各种刺激来增强或减弱相关的神经元的传递信号。当然这种神经元信号在传递的时候速度是非常快的，仅次于人类的神经元传递速度。而要远快于计算机信号的传递速度，人工神经网络在工作的时候，除了可以传递信号外，还可以通过各种刺激来增强或减弱相关的神经元信号。正是因为这种特性，才让人们选择了将脉冲耦合神经网络应用在各个领域中。因为这些优势，它的应用正在逐步扩大，开始应用在各行各业中。

3脉冲耦合神经网络

同人类的神经网络系统一样，脉冲耦合神经网络是由大量的神经元组成的，这些神经元都是简单结构的，但是神经元都是相互连接的，彼此可以接受其它大量神经元传输过来的信息。每一个神经元都可以接收和输出信息。当然这些输入、输出的信息都不是传统形式的信息。它的输入、输出不是线性关系的输入、输出。这样每个不同位置的神经元都在接收和输出非线性关系的信息。它们之间相互影响、相互制约，最终影响到结果的输出。同人类的大脑神经网络一样，人工神经网络系统也需要学习。就像人类从诞生开始就要接受学习一样，人类通过年龄的增长，逐步学习到相应的知识，最终形成了成人的大脑神经网络，当人们遇到事情需要处理的时候，大脑神经网络就开始接收外界的信息，然后根据收到的信息进行非线性运算，最终得出结果或结论。人工神经网络也需要进行这样的学习，只不过这样的学习和人类的学习不太一样，人工神经网络学习有各种各样的算法。而脉冲耦合神经网络和传统的人工神经网络还不太一样，这种系统不需要对传统的网络参数进行学习，这种系统需要在前期对不同环境下的参数进行特定的设置。这是传统神经网络发展的趋势。包括从人工神经网络的信号输入到信号输出都有别于传统的人工神经网络。人的大脑在人出生的时候只是决定了这个神经网络的基础，后天的影响因素能够起到非常重要的作用。而人工神经网络在这一点上则不同于人的大脑。当然人工神经网络的工作原理和计算机的工作原理也不一样，计算机只会根据提供的信息进行一步一步的计算，每一步的计算都有依据，有很强的逻辑性。而人工神经网络在工作的时候，则是依据正常的大脑工作原理，进行非线性甚至非逻辑的运算，最终迅速得出结论或结果。

综上所了解的知识，得出了需要利用人工神经网络技术中的BP神经网络算法对车轮的两个定位参数外倾角和前束角进行检测。同时，由前面理论可以了解到：当汽车发生侧滑的时候很可能是因为车轮的外倾角或汽车的前束角引起的。所以，就要通过使用人工神经网络系统对这一可能引起侧滑的位置进行检测。本文主要通过对映射反推原理对车轮的外倾角、前束角等进行定位检测。通过反射的定位角度，还确定是否有问题。当然这些都需要提前做大理的工作准备。首先需要进行大量的神经网络模型训练，然后通过前期设置的车轮定位参数，将最终得出的结果进行比较，最后建立一个可以准确诊断的数学模型。这样以后就要以通过这个建立的数学模型进行定位角的测量了。

人工神经网络的算法范文第3篇

【关键词】人工神经网络 BP神经网络 图像识别 识别技术

通常而言，所谓图像处理与识别，便是对实际图像进行转换与变换，进而达到识别的目的。图像往往具有相当庞大的信息量，在进行处理图像的时候要进行降维、 数字化、滤波等程序，以往人们进行图像识别时采用投影法、不变矩法等方法，随着计算机技术的飞速发展，人工神经网络的图像识别技术将逐渐取代传统的图像识别方法，获得愈来愈广泛的应用。

1 人工神经网络图像识别技术概述

近年来，人工智能理论方面相关的理论越来越丰富，基于人工神经网络的图像识别技术也获得了非常广泛的应用，将图像识别技术与人工神经网络技术结合起来的优点是非常显著的，比如说：

（1）由于神经网络具有自学习功能，可以使得系统能够适应识别图像信息的不确定性以及识别环境的不断变化。

（2）在一般情况下，神经网络的信息都是存储在网络的连接结构以及连接权值之上，从而使图像信息表示是统一的形式，如此便使得知识库的建立与管理变得简便起来。

（3）由于神经网络所具有的并行处理机制，在处理图像时可以达到比较快的速度，如此便可以使图像识别的实时处理要求得以满足。

（4）由于神经网络可增加图像信息处理的容错性，识别系统在图像遭到干扰的时候仍然能正常工作，输出较准确的信息。

2 图像识别技术探析

2.1 简介

广义来讲，图像技术是各种与图像有关的技术的总称。根据研究方法以及抽象程度的不同可以将图像技术分为三个层次，分为：图像处理、图像分析以及图像理解，该技术与计算机视觉、模式识别以及计算机图形学等学科互相交叉，与生物学、数学、物理学、电子学计算机科学等学科互相借鉴。此外，随着计算机技术的发展，对图像技术的进一步研究离不开神经网络、人工智能等理论。

2.2 图像处理、图像识别与图像理解的关系

图像处理包括图像压缩、图像编码以及图像分割等等，对图像进行处理的目的是判断图像里是否具有所需的信息并滤出噪声，并对这些信息进行确定。常用方法有灰度，二值化，锐化，去噪等；图像识别则是将经过处理的图像予以匹配，并且对类别名称进行确定，图像识别可以在分割的基础之上对所需提取的特征进行筛选，然后再对这些特征进行提取，最终根据测量结果进行识别；所谓图像理解，指的是在图像处理与图像识别的基础上，根据分类作结构句法分析，对图像进行描述与解释。所以，图像理解包括图像处理、图像识别和结构分析。就图像理解部分而言，输入是图像，输出是对图像的描述解释 。

3 人工神经网络结构和算法

在上个世纪八十年代，McClelland与Rumelhant提出了一种人工神经网络，截止现在，BP神经网络已经发展成为应用最为广泛的神经网络之一，它是一种多层前馈神经网络，包括输入层、输出层和输入层输出层之间隐藏层，如图1所示，便是一种典型的BP神经网络结构。

BP神经网络是通过不断迭代更新权值使实际输入与输出关系达到期望，由输出向输入层反向计算误差，从而通过梯度下降方法不断修正各层权值的网络。

BP神经网络结构算法如下所述：

（1）对权值矩阵，学习速率，最大学习次数，阈值等变量和参数进行初始化设置；

（2）在黑色节点处对样本进行输入；

（3）对输入样本，前向计算人工神经网络隐层及输出层各层神经元的输出；

（4）使用梯度下降方法不断修正各层权值及阀值，由梯度算子得到的权值为

（6）判断，判断是否大于最大迭代次数或者是否误差已经达到要求。如果大于最大迭代次数或误差达到要求，那么便直接转到第（7）步，否则，转到第（4）步对各个矩阵的权值继续修正，反复训练；

（7）看是否遍历所有样本，是则结束，否则跳回第（3）步继续。

BP神经网络操作简单而有效，可通过Opencv的CvANN_MLP类， Matlab的模式识别工具箱Nprtool等实现，经验得出在如下情况中人工神经网络尤为适用：

（1）大量数据可用，却不知道与输出之间关系；

（2）问题的解决方案随时间变化而变化；

（3）输出是模糊的函数关系，而非精确数字。

4 人工神经网络图像识别

传感器或摄像仪输入图像识别系统以后，其目标图像不能够与系统全部的参考图像完全一样， 这是由于对应噪声干扰，光线不足和放缩旋转等问题。 基于人工神经网络对畸变图像识别进行深层分析，并且利用 CCD 摄像头对图像信息进行采集，在此过程之中通过对摄像头方位进行更改对易出现畸变的图像进行采集，从而使得畸变图像所带信息组成样本库。在电脑里面输入样本库中的图像信息，并且进行模数的转化，变成数字图像，利用数字滤波来对数字图像信息进行处理。在神经网络之中输入样本图像数字信息来进行训练，一方面可以基于数字图像的像素点集合组成输入矩阵，用高维数据作为训练样本，通过主成分分析（PCA）的方法进行降维，大大简化计算量；一方面可以基于数字图像的特征空间进行聚类分割，提取几何特征或者统计特征，输入到SOFM神经网络或者Hopfield神经网络，从而使其生成图像识别神经网络系统。在进行图像识别的时候使用CCD 摄像头来采集识别图像，并且把其模型转化为数字图像，预处理后，将其输入到训练好的神经网络识别系统里面，就其可以开展快速的计算，并进行识别。把图像识别技术与人工神经网络理论有机结合起来，可以非常有效地实现神经网络信息系统的一致性， 此外，还可以将其对网络连接结果与权值进行存储，促进管理效率的提高，并对于知识库的构建也具有积极的作用。

5 结论

本文就基于人工神经网络的图像识别技术进行了详细地阐述，由综上研究可以基于人工神经网络的图像识别技术具有比较多的优点以及比较高的可行性，然而，我们对该技术存在的网络规模及复杂图像识别准确度上还应继续进行深入研究，以求技术突破。在将来，图像识别技术随着科技的不断发展将会获得更多的应用，其势必会发展为一门独立且具备强大生命力的学科

参考文献

[1]王强，张小溪，韩一红.基于神经网络的图像识别[J].电子设计工程，2012.

[2]雷建锋，孙俊逸.基于人工神经网络下的图像识别的研究[J].现代电子技术，2008.

人工神经网络的算法范文第4篇

人工神经网络（AartificialNeuralNetwork，下简称ANN）是模拟生物神经元的结构而提出的一种信息处理方法。早在1943年，已由心理学家WarrenS.Mcculloch和数学家WalthH.Pitts提出神经元数学模型，后被冷落了一段时间，80年代又迅猛兴起［1］。ANN之所以受到人们的普遍关注，是由于它具有本质的非线形特征、并行处理能力、强鲁棒性以及自组织自学习的能力。其中研究得最为成熟的是误差的反传模型算法（BP算法，BackPropagation），它的网络结构及算法直观、简单，在工业领域中应用较多。

经训练的ANN适用于利用分析振动数据对机器进行监控和故障检测，预测某些部件的疲劳寿命［2］。非线形神经网络补偿和鲁棒控制综合方法的应用（其鲁棒控制利用了变结构控制或滑动模控制），在实时工业控制执行程序中较为有效［3］。人工神经网络（ANN）和模糊逻辑（FuzzyLogic）的综合，实现了电动机故障检测的启发式推理。对非线形问题，可通过ANN的BP算法学习正常运行例子调整内部权值来准确求解［4］。

因此，对于电力系统这个存在着大量非线性的复杂大系统来讲，ANN理论在电力系统中的应用具有很大的潜力，目前已涉及到如暂态，动稳分析，负荷预报，机组最优组合，警报处理与故障诊断，配电网线损计算，发电规划，经济运行及电力系统控制等方面［5］。

本文介绍了一种基于人工神经网络（ANN）理论的保护原理。

1、人工神经网络理论概述

BP算法是一种监控学习技巧，它通过比较输出单元的真实输出和希望值之间的差别，调整网络路径的权值，以使下一次在相同的输入下，网络的输出接近于希望值。

在神经网络投运前，就应用大量的数据，包括正常运行的、不正常运行的，作为其训练内容，以一定的输入和期望的输出通过BP算法去不断修改网络的权值。在投运后，还可根据现场的特定情况进行现场学习，以扩充ANN内存知识量。从算法原理看，并行处理能力和非线是BP算法的一大优点。

2、神经网络型继电保护

神经网络理论的保护装置，可判别更复杂的模式，其因果关系是更复杂的、非线性的、模糊的、动态的和非平稳随机的。它是神经网络（ANN）与专家系统（ES）融为一体的神经网络专家系统，其中，ANN是数值的、联想的、自组织的、仿生的方式，ES是认知的和启发式的。

文献［1］认为全波数据窗建立的神经网络在准确性方面优于利用半波数据窗建立的神经网络，因此保护应选用全波数据窗。

ANN保护装置出厂后，还可以在投运单位如网调、省调实验室内进行学习，学习内容针对该省的保护的特别要求进行（如反措）。到现场，还可根据该站的干扰情况进行反误动、反拒动学习，特别是一些常出现波形间断的变电站内的高频保护。

3、结论

本文基于现代控制技术提出了人工神经网络理论的保护构想。神经网络软件的反应速度比纯数字计算软件快几十倍以上，这样，在相同的动作时间下，可以大大提高保护运算次数，以实现在时间上即次数上提高冗余度。超级秘书网

一套完整的ANN保护是需要有很多输入量的，如果对某套保护来说，区内、区外故障时其输入信号几乎相同，则很难以此作为训练样本训练保护，而每套保护都增多输入量，必然会使保护、二次接线复杂化。变电站综合自动化也许是解决该问题的一个较好方法，各套保护通过总线联网，交换信息，充分利用ANN的并行处理功能，每套保护均对其它线路信息进行加工，以此综合得出动作判据。每套保护可把每次录得的数据文件，加上对其动作正确性与否的判断，作为本身的训练内容，因为即使有时人工分析也不能区分哪些数据特征能使保护不正确动作，特别是高频模拟量。

神经网络的硬件芯片现在仍很昂贵，但技术成熟时，应利用硬件实现现在的软件功能。另外，神经网络的并行处理和信息分布存储机制还不十分清楚，如何选择的网络结构还没有充分的理论依据。所有这些都有待于对神经网络基本理论进行深入的研究，以形成完善的理论体系，创造出更适合于实际应用的新型网络及学习算法［5］。

参考文献

1、陈炳华。采用模式识别（智能型）的保护装置的设想。中国电机工程学会第五届全国继电保护学术会议，［会址不详］，1993

2、RobertE.Uhrig.ApplicationofArtificialNeuralNetworksinIndustrialTechnology.IEEETrans，1994，10（3）。（1）：371～377

3、LeeTH，WangQC，TanWK.AFrameworkforRobustNeuralNetwork-BasedControlofNonlinearServomechannisms.IEEETrans，1993，3（2）。（3）：190～197

人工神经网络的算法范文第5篇

关键词：油气输送；ANN技术；意义；应用

1 ANN技术

ANN技术也就是人工神经网络技术。人工神经网络是一种通过模仿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。人工神经网络通过调节系统内部大量节点之间相互连接的关系，并对其之间关系进行信息处理，从而达到处理信息的目的。人工神经网络具有自学习和自适应的能力。人工神经网络技术（ANN技术）就是根据人工神经网络而提出来的处理单元互联组成的非线性、自适应信息处理系统技术，利用人工神经网络技术可以通过模拟大脑神经网络处理、记忆信息的方式进行信息处理。ANN技术通常是通过一个基于数学统计学类型的学习方法得以优化，所以人工神经网络技术也是数学统计学方法的一种实际应用。人工神经网络技术具有四个基本特征：非线性、非局限性、非常定性、非凸性。

就目前来说，常用的人工神经网络是Hopfield联想记忆网络，波尔兹曼学习机和网络误差反传（BP）试验方法。BP网络可以对油气管道油气泄漏、管道腐蚀速度等进行预测，所以在油气储运中，应用最多的是BPNN技术。

2 ANN技术在油气储运中的应用

（一）在油气储运中运用ANN技术的重要意义

油气储运工程主要包括油气田集输、长距离输送管道、储存与装卸等，它是连接油气生产、加工、分配、销售诸环节的纽带。ANN技术通常是通过一个基于数学统计学类型的学习方法得以优化，所以人工神经网络技术也是数学统计学方法的一种实际应用。人工神经网络（ANN）具有非线性、非局限性、非常定性、非凸性等特征，用人工神经网络技术的自适应能力学习管道的各种工况，对管道运行状况进行分类识别，从而更准确的检测油气储运管道泄漏情况和管道腐蚀速度。为了更加准确的检测油气储运管道泄漏情况和管道腐蚀速度，为了石油生产建设的需要，因此要在油气储运中运用人工神经网络技术（ANN技术）。

（二）ANN技术在油气储运中的具体应用

（1）在油气储运中应用ANN技术，是因为人工神经网络（ANN）具有以下的特点和优越性：第一，具有自学习功能。例如管道的油气泄漏情况或者管道腐蚀度进行识别时，首先要把不同管道的泄漏或腐蚀图像样板以及对应的应识别结果输入到人工神经网络系统（ANN）中，利用人工神经网络系统（ANN）的自学功能，学会识别其他的相类似的图像。人工神经网络（ANN）的自学习功能对于油气管道泄漏情况和管道腐蚀情况预测有特别重要的意义。第二，利用人工神经网络（ANN）的联想存储功能，把关于石油管道泄露或腐蚀等的各种情况进行相互的联想、比对，找出石油管道泄露的具体地方以及管道腐蚀的情况，进而提出切实可行的解决措施。第三，利用人工神经网络（ANN）的高速寻找优化解的能力，通过计算机的高速运算，找出解决石油运输中出现的问题的最佳方法。

（2）BPNN网络是一种基于广义2R规则的有监督的学习网络，属误差修正算法。采用BPNN网络对管道泄漏进行检测，主要是利用单元希望输出与实际输m之问的偏差作为连接权调整的参考，并最终减小这种误差。

（3）自适应模糊神绛网络系统具有自学习能力和非线性映射，它不仅能够获取信号的最佳估计，并且能够克服信号处理中存在的模型和噪声的不确定性、不完备性，所以可以用于噪声信号的非线性建模。利用自适应模糊神经网络系统的去噪可以提高压力信号、流量信号的信噪比。自适应模糊神经网络的自适应噪声抵消器具有实现简单、节省运行时间，能快速、有效地消除流量、压力信号中的各种噪声的特点，所以把自适应模糊神绛网络系统应用到油气储运中管道泄漏、腐蚀情况的检测中，提高泄漏检测和定位的精度。

（4）可以利用人工神经网络对油气管道的腐蚀过程和腐蚀速度进行预测。在油气输送管道中，由于各种油气性质的不同，再加上高速度、高循环率的运输，增加了油气管道的腐蚀程度。我们可以通过人工神经网络（ANN），采用逐步回归的方法对油气管道中的腐蚀程度和腐蚀速度进行预测，进而保证油气管道能够安全有效的运行。

3 结语

综上所述，油气储运工程主要包括油气田集输、长距离输送管道、储存与装卸等，它是连接油气生产、加工、分配、销售诸环节的纽带。ANN技术也就是人工神经网络技术，ANN技术具有可以充分逼近任意复杂的非线性关系，具有很强的鲁棒性和容错性，能够同时处理定量、定性知识，能够优化设计、模式识别、联想记忆等特点。在油气储运中用人工神经网络技术的自适应能力学习管道的各种工况，对管道运行状况进行分类识别，更准确的检测油气储运管道泄漏情况和管道腐蚀速度。

参考文献：

[1]王延民，齐志财.ANN技术在油气储运中的应用[J].油气田地面工程.2008，（10）：55.