神经网络初始化方法
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篇神经网络初始化方法范文，相信会为您的写作带来帮助，发现更多的写作思路和灵感。
神经网络初始化方法范文第1篇
关键词：转换模型 系统辨识 人工神经网络 BP算法 MATLAB仿真
中图分类号：TP183 文献标识码：A 文章编号：1007-9416（2013）05-0079-03
在实际工况中通常依据管线表面热流值对比国家标准来判断管线的保温性能是否达到标准。而在实际测量中发现现场因素（如环境温度、风速）对测得的管线表面热流值影响比较大，整个测试的结果受外界干扰，国家标准给出的评定依据为标准条件（环境温度一定、风速较小）下的值，不能直接用于衡量现场测量值。所以项目要求对现场采集的数据进行处理，得到标准条件下的数据，之后就可以用国家标准进行衡量了。从现场实测数据到标准条件下的数据转换基于一个系统模型即实测管线表面温度值和标准条件下热流值之间的转换模型。
项目要求通过系统辨识得到一个精确反映管线表面温度值和热流值的去噪滤波模型，以便基于此模型对实际条件下测得的温度值和热流值进行标准化转换和预测。要求能达到以下的技术性能与指标参数：用人工神经网络建立管线表面温度到标准条件下热流值的转换模型。该模型实现根据现场环境温度、环境风速以及被测对象的表面温度值和热流值较为精确的预测得出实验室条件下的标准值，估计出相应标准条件下的热流值，预测精度达到数量级为10-2。
1 系统建模基础
1.1 神经网络建模基础
在本项目中，建立管线表面温度值和热流值的标准化转换模型是研究的核心问题。该系统模型主要用来排除外界环境因素对热流值等测试结果的影响。此系统要求通过若干组在实际工况下测得的环境温度、风速、被测对象的表面温度以及与之对应的实验室条件下（标准环境温度与风速）的热流值，得到转换模型。从而实现输入实际工况下的环境温度，风速以及被测对象的表面温度值，准确估计出标准条件下（环境温度、风速）的热流值。
根据项目总体要求，系统需要进行辨识，得到一个精确反映管线表面温度值和热流值的去噪滤波模型，以便基于此模型对实际条件下测得的温度值和热流值进行标准化转换和预测。对于本项目，由于很难找出实际测量值与实验室标准值之间的精确解析关系，所以基于温度转换的内部机理，建立温度转换的解析模型是不可能的。应用所测得输入输出样本数据对进行数值建模分析，建立满足一定精度的温度标准化转换数值模型是解决此问题的一个出路，以下研究基于人工神经网络BP算法的管线表面温度值和热流值的标准化转换模型。
1.2 建模方法选择
在实际的使用中建立的模型要反映的是一个复杂的系统，系统间的参数传递关系复杂，用一般的数学建模方法难以正确预测系统输出。在这种情况下可以用BP网络来仿真表达这个系统。该方法把系统看成是一个黑箱，先取出若干组输入输出数据对BP网络进行有效学习，然后就可以用BP网络来表达这个系统。在得到系统输入参数后就可以用网络来预测系统的输出值。
2 神经网络系统构建
2.1 问题的提出
根据实验测得的数据，通过神经网络拟合，找到管线表面温度与热流值之间的转换模型。在今后的使用中，就可以利用这个模型通过现场测得的管线表面温度估计出此时管道的热流值，进而判断管道保温材质保温性能的优劣。
BP网路的一个重要功能就是非线性映射的能力，这一功能非常适合与函数逼近，也就是说，找出两组数据之间的关系。在研究的内容中，这是要找出管线表面温度和热流值之间的对应关系，所以建立一个BP网络，找出两者之间的关系。
2.2 网络建立
训练前馈网络的第一步是建立网络对象。函数newff建立一个可训练的前馈网络。这需要4个输入参数。第一个参数是一个Rx2的矩阵以定义R个输入向量的最小值和最大值。第二个参数是一个每层神经元个数的数组。第三个参数是包含每层用到的转移函数名称的细胞数组。最后一个参数是用到的训练函数的名称。
net=newff（minmax（p），[5，1]，{'tansig'，'purelin'}）；
可见，网络的中间层有5个神经元，传递函数为tansig（）；输出层有1个神经元，传递函数为purelin（）。BP网络中间层神经元的数目对网络性能有着比较大的影响，需要通过不断地尝试才能确定。由于没有特别设定训练函数，因此训练函数取默认值trainlm（）。
图1中的蓝色曲线是原始数据的曲线分布，红色点划线是未经过训练的拟合曲线，两条曲线的拟合程度比较差，基本上没有拟合到一起的点。由此可见，在训练之前，网络的非线性映射能力是很差的。
2.3 权值初始化
在训练前馈网络之前，权重和偏置必须被初始化。初始化权重和偏置的工作用命令init来实现。这个函数接收网络对象并初始化权重和偏置后返回网络对象。下面就是网络如何初始化的：
net = init（net）；
可以通过设定网络参数net.initFcn和net.layer{i}.initFcn这一技巧来初始化一个给定的网络。net.initFcn用来决定整个网络的初始化函数。前馈网络的缺省值为initlay，它允许每一层用单独的初始化函数。设定了net.initFcn，那么参数net.layer{i}.initFcn 也要设定用来决定每一层的初始化函数。
对前馈网络来说，有两种不同的初始化方式经常被用到：initwb和initnw。
（1）initwb函数根据每一层自己的初始化参数（net.input Weights{i，j}.initFcn）初始化权重矩阵和偏置。前馈网络的初始化权重通常设为rands，它使权重在-1到1之间随机取值。这种方式经常用在转换函数是线性函数时。
（2）initnw通常用于转换函数是曲线函数。它根据Nguyen和Widrow[NgWi90]为层产生初始权重和偏置值，使得每层神经元的活动区域能大致平坦的分布在输入空间。它比起单纯的给权重和偏置随机赋值有以下优点：减少神经元的浪费（因为所有神经元的活动区域都在输入空间内）；有更快的训练速度（因为输入空间的每个区域都在活动的神经元范围中）。
初始化函数被newff所调用。因此当网络创建时，它根据缺省的参数自动初始化。init不需要单独的调用。可是可能要重新初始化权重和偏置或者进行自定义的初始化。例如，用newff创建的网络，它缺省用initnw来初始化第一层。如果想要用rands重新初始化第一层的权重和偏置，用以下命令：
2.4 网络训练与仿真
一旦网络加权和偏差被初始化，网络就可以开始训练了。能够训练网络来做函数近似、模式结合、模式分类。训练处理需要一套适当的网络操作的数据即网络输入p和目标输出t。在训练期间网络的加权和偏差不断的把网络性能函数net.performFcn减少到最小。前馈网络的缺省性能函数是均方误差mse--网络输出和目标输出t之间的均方误差。
用样本数据训练BP神经网络，使网络对非线性函数输出具有预测能力。
%网络参数配置（迭代次数，学习率，目标）
图2中红色点划线表示对训练后的网络进行仿真得到的输出，经过训练后，系统模型基本上拟合了原始数据，但在某些位置还是存在一些拟合不到位的现象，后面会针对这种情况改进网络已达到更好的拟合效果，网络的预测误差曲线如图3所示。
误差值基本出现在（-4，9）区间内，差值约为13，样本数据的输出范围在900左右，计算误差区间在整个输出范围之间的辨识精度大约为0.014，达到了项目总体要求中提出的辨识精度为10-2的数量级，可见系统辨识输出误差在允许的范围之内的。
3 结语
本文中建立的系统模型完成了实测数据到标准条件数据的转换。这种基于人工神经网络BP算法的管线表面温度值和热流值的标准化转换模型完成了对于现场数据的处理。从仿真效果和误差分布可以看出模型的处理精度等级也达到了项目的预期的技术要求，只是曲线拟合有所欠缺。这些问题可以通过进一步更改网络层数等方法进行改进，以便能够得到更好的仿真效果。
参考文献
[1]刘艳，任章.基于神经网络的混合模型建模方法及应用[J].计算机仿真，2007，24（2）：45-48.
[2]匡胤.基于人工神经网络的预测原理及MATLAB实现[J].内江师范学院学报，2007，22（2）：38-40.
[3]黄大荣，宋军，汪达成，曹建秋，李伟. 基于ARMA和小波变换的交通流预测模型研究[J].计算机工程与应用，2006，42（36）：191-194.
[4]宋宜斌，王培进.一种基于RBF神经网络的预测器模型及其研究[J].计算机工程与应用，2004，40（6）：105-107.
[5]Hunt K J， Starbaro D. neural Networks for Nonlinear Internal Model Control [J]. IEE Proceedings D，1991，138（5）：431-4381.
[6]吴广玉.系统辨识与自适应[M].哈尔滨：哈尔滨工业大学出版社，1987.
[7]张成乾，张国强.系统辨识与参数估计[M].北京：机械工业出版社，1986.
[8]强明辉，张京娥.基于MATLAB的递推最小二乘法辨识与仿真[J].自动化与仪器仪表，2008，（6）：4-5，39.
[9]金朝红，吴汉松.一种改进的BP算法及其Matlab仿真[J].计算机仿真，2005（Z1）：105-106.
[10]王青海.BP神经网络算法的一种改进[J].青海大学学报（自然科学）
神经网络初始化方法范文第2篇
关键词 电力系统 神经网络 短期负荷预测
中图分类号：TM715 文献标识码：A
1禁忌搜索算法
禁忌搜索算法能够找到函数优化问题的全局最优解。下面结合函数优化问题来阐述该算法的一般过程。
设有优化问题
其中是目标函数，是连续变量，R是可行集。禁忌搜索算法首先随机地初始化一个可行解，记为，用表示到目前为止找到的最优解，用表示当前解，令=，=，同时把存储在一个具有一定长度的称为禁忌表的存储结构里。接着算法重复以下过程：产生的一个邻域解'（生'的方法有很多，比如从区间[-，+]均匀地产生一个点'作为的邻域解，这里是一个比较小的实数；也可以从一个以为均值，以为均方差的正态分布中产生邻域解'，同样也是一个比较小的实数。具体的产生办法可以参考[21]），如果产生的'不可行，即'￠R，则要重新产生'直至其可行为止。产生'以后，计算（）和（'）。若（'）
2新型神经网络预测模型
由于上面提到的具有记忆功能的禁忌搜索算法能够搜索全局最优解，而当训练样本设置好以后，前向神经网络权重的训练完全是一个优化问题，因此可以用禁忌搜索算法训练神经网络。
以下给出训练神经网络的步骤过程。为了方便，记D=（，，，），D是一个++维的向量，评判函数记为（D）。首先初始化向量D0，具体方法是为D0，的每个分量设置一个较小的随机数，这个随机数可以从区间[-1，+1]均匀产生。用来表示到目前为止搜索到的最优的解，表示当前解，令=，=。把存储在禁忌表里。算法重复以下过程：产生的一个邻域解（方法是以的每个分量为均值，以0.1为均方差产生新的分量，由此得到一个邻域解向量）。计算（）和（），若（）
重复以上过程，直到目标函数（）连续多次没有改变，这时停止该算法，输出最优解，从而可以得到训练好的权重向量和以及阀值向量和。
3数值实验
在实际计算中，用前5天的负荷来预测下一天负荷，因此神经网络模型的输入层有5个神经元，输出层有1个神经元，而隐层采用10个神经元。每个隐层神经元的激励函数取为对称型Sigmoid函数，即=，最后若目标函数连续200次没有改变，则停止算法，待网络训练好以后，采用新的数据进行测试，结果见下表。
4结论
精确的短期负荷预测对电力系统有着重要的价值。本文提出了用带有记忆功能的禁忌搜索算法训练神经网络的算法，然后将训练好的神经网络用于负荷预测。数值实验表明该算法运算速度快，精确度较高。
参考文献
神经网络初始化方法范文第3篇
关键词：RBF神经网络 k-均值算法 蚁群算法 PID控制
中图分类号：P20 文献标识码：A 文章编号：1672-3791（2017）03（b）-0040-03
为了克服常规PID控制中的弱点，各种智能PID控制方法在控制领域得到广泛的研究和应用。径向基函数（RBF）网络作为智能控制的一种途径，具有收敛速度快、全局逼近能力强等优点，在解决非线性，时变系统的控制方面应用广泛[1-2]。蚁群优化算法（ACO）是通过蚁群在食物搜索过程中表现出来的寻优能力来解决一些离散系统优化问题[2]。当前RBF网络的聚类算法比较单一，已经慢慢显出其局限性；如果追求收敛速度则很难保证精确度，如果追求精确度则难以保证收敛的快速。正是由于这一突出的问题，该文提出了基于-均值算法和蚁群算法结合的算法用来改进RBF网络传统的聚类算法 ，可满足收敛速度快和精确度高这一要求。
1 基于RBF-NN的PID控制
1.1 基于RBFW络辨识的PID控制系统
控制结构采取增量式的PID控制，如图1所示控制误差为：
1.2 RBF神经网络学习算法
取性能指标函数，其中非线性系统在时刻的输出值取，RBF神经网络在时刻的输出则为。根据迭代算法可得时刻输出权、节点中心及节点基宽度参数如下：
2 基于蚁群算法的RBF网络聚类算法改进
聚类问题是根据研究对象的差异，按照特定准则进行模式分类[3-4]。该文将运用蚁群算法和k-均值算法结合来解决RBF网络的聚类问题。其思路是首先使用k-均值算法计算出蚁群算法的初始聚类中心，然后定义样本到聚类中心的路径上留下外激素为，蚂蚁从选择到聚类中心的概率为：
为的外激素，为耐久系数，一般取0.5～0.9左右，为正常数。
根据如下步骤确定神经网络节点中心以及节点基宽度：
（1）初始化：可选择个不同初始聚类中心。可以随机从样本中选取，也可以选择前个样本输入，这个初始聚类中心须选取不同值。
（2）求取聚类中心与样本输入的间距
。样本输入，根据最小距离求取：当 时，即被归为第类，即。
（3）对分类样本取平均值得到新的聚类中心，当时返回（2）步，否则进行（4）步。
（4）初始化过程：设，，（常数），=0，=（期望因子），时，将个蚂蚁随机置于个样本上，在当前禁忌表中记录各蚂蚁样本初始位置，令。
（5）重复次，令，从1到，从1到，蚂蚁以概率选择从样本到并留下外激素。将加到中。
（6）求取
。根据公式（15）计算，的值，并取到的最大极限值作为的分类依据，将分类。以分类样本取的均值作为新的聚类中心。如果将清零，各蚂蚁的禁忌表则置零，记录各蚂蚁的当前位置于当前禁忌表中，且。利用公式（5）计算，否则进入第（7）步。
（7）通过上面所求取的各聚类中心的间距计算隐节点的基宽向量，其中为第个聚类中心与其他最近的聚类中心之间的距离，即，为重叠系数。。
3 控制系统的算法
（1）选取个初始聚类中心，根据聚类算法（1）～（7）步，求取RBF网络隐层节点中心和基向量宽度。
（2）随机给定和的初始值作为RBF网络的节点中心及节点基宽参数，根据式（7）～（12）使用梯度下降法求取第次，利用。
（3）依据式（5），完成PID整定。
4 仿真实例
首先为了印证算法的可行性可随机抽取150组三维数组，聚类数k为3，蚂蚁数目，，迭代次数，得到的仿真如图2所示，从仿真图（a）和（b）对比可以看出采用改进的聚类算法能够达到很好的聚类效果方便求出聚类中心，准确度得到有效提高。然后以一个普通的伺服系统为例，输入信号为单位阶跃信号，比较基于改进聚类算法的的RBF网络的PID控制和常规RBF网络PID控制的结果。RBF神经网络以3-6-1结构为基础，输出权，节点中心及节点基宽度参数的初始化参数（0，10），[0，30]，（0，40），和采用改进的聚类方法初始化，取随机值，，蚂蚁数，，，在MATLAB7.0中编制了仿真程序，并调试通过，仿真结果如图3，图3中（b）给出了基于改进算法RBF网络PID控制的效果明显优于（a）常规RBF网络的PID控制效果。仿真结果表明基于用-均值算法和蚁群算法改进的聚类算法的RBF神经网络PID控制优于常规的RBF网络PID控制，主要表现在收敛速度快，鲁棒性强等方面。
5 结语
该文首先通过改进初始化RBF神经网络隐层节点中心和基函数宽度，然后利用梯度下降法整定PID控制器参数。仿真结果表明运用-均值算法和蚁群算法结合的聚类算法是有效的并且在基于RBF网络的PID控制中整定效果是比较好的，收敛速度和精确度都有了很好保证，优于常规RBF网络的PID控制。
参考文献
[1] 王洪斌，杨香兰，王洪瑞，等.一种改进的RBF神经网络学习算法[J].系统工程与电子技术，2002，24（6）：103-105.
[2] 李绍铭，刘寅虎.基于改进型RBF神经网络多变量系统的PID控制[J].重庆大学学报，2007（2）：53-57.
[3] 李士勇.蚁群算法及其应用[M].哈尔滨工业大学出版社，2004.
[4] N Labroche， N Monmarche， G V enturini.A new clustering algorithm based on the chemical recognition system of ants： p roc of 15th European Conference on Artificial Intelligence （ECA I 2002）[C]//Lyon FRANCE. 2002：345-349.
神经网络初始化方法范文第4篇
【关键词】傅里叶变换；BP神经网络；自适应滤波
1.引言
BP神经网络具有很强的非线性函数逼近、自适应学习和并行信息处理能力，为解决未知不确定非线性信息处理和自适应滤波提供了一条新途径[1]。但随着BP神经网络输入向量维数增加，其隐含层层数和学习次数也会相应增加，降低了网络的自适应性且延长了学习时间。傅里叶变换是数字信号处理领域一种很重要的算法，其思想是将原始信号从时域变换到频域，通过对频谱图的分析，去除高频处的频率分量，再将频域变换回时域，达到信号去噪滤波的功能[2]。利用傅里叶变换与神经网络相结合的方法，对信息进行预处理，减少信息处理量，再利用神经网络强大的非线性函数逼近能力，从而实现信号的自适应滤波，减少网络的待处理信息，增强网络的自适应能力，其工作过程如图1所示。
2.BP神经网络模型
2.1 神经元结构模型
人工神经网络是人脑的某种抽象、简化或模拟，它由大量的神经元广泛互联而成。网络的信息处理由神经元之间的相互作用来实现，网络的学习和识别取决于神经元间连接权系数的动态演化过程[3]，其模型可以用图2来表示。
输入向量与输出y之间的关系式；
其中权值向量，输入向量，阈值，活化函数。
2.2 BP神经网络
BP神经网络（Back-Propagation Neural Network）是一种无反馈的前向网络，网络中的神经元分层排列，除了有输入层、输出层之外，还至少有一层隐含层，BP学习算法是调整权值使网络总误差最小。具有隐含层BP网络的结构如图3所示，图中设有M个输入节点，L个输出节点，隐含层含有n个神经元。其中为网络输入向量，为实际输出向量，为网络的目标输出，为网络的输出误差。BP网络学习流程：
（1）网络初始化，确定输入向量与输出向量的维数、目标向量、学习次数以及允许的误差值。
（2）输入学习规则，初始化权值W。
（3）计算输出层的输出与目标向量的误差。
（4）判断误差精度是否达到预定值，没有则调整权值W并改变学习规则。
（5）误差精度达到预定值，学习结束。
3.数值仿真与分析
在MATLAB神经网络工具箱中提供了实现BP神经网络的创建，仿真环境以单输入单输出的非线性函数，分别作为输入函数和目标函数。本文同时采取傅里叶变换、BP神经网络以及基于傅里叶变换的BP神经网络分别进行仿真滤波[5][6]，表1给出了三种算法在MATLAB软件中的仿真主要步骤。图4为y（t）与x（t）函数的波形图，图5是经傅里叶变换处理后的x（t）波形，图6是BP网络自适应滤波后的x（t）波形，图7是基于傅里叶变换的BP网络作用后的x（t）自适应滤波后的波形。通过比较图5、6、7可以明显看出傅里叶变换的滤波效果出现高频振荡，BP网络自适应滤波在形状上几乎与元波形一致，但是在某些点位置出现疵点，而基于傅里叶变换的BP神经网络自适应滤波后波形几乎和目标函数y（t）波形完全一致。
4.结束语
本文通过三种算法在MATLAB中的仿真分析，可以得出在输入向量维数比较大时，可以采用基于傅里叶变换的BP神经网络的方法对含噪信息进行处理，不仅可以降低隐含层的层数，增加自适应能力和减少学习时间，而且在波形拟合上可以达到更好的效果。
参考文献
[1]华，李雷，赵力.基于BP神经网络的自适应补偿控制方法[J].计算仿真，2012，29（7）：202-205.
[2]张德丰.MATLAB小波分析[M].北京：机械工业出版社，2009，39-48.
[3]杨芳，马建伟.基于神经网络自适应滤波的低频Prony分析[J].中国水能及电气化，2012，86（4），32-37.
[4]李国勇，杨丽娟.神经模糊预测控制及其MATLAB实现[M].北京：电子工业出版社，2013：17-22.
神经网络初始化方法范文第5篇
关键词：BP神经网络；电力工程；异常数据识别技术
BP神经网络是一种多层前馈神经网络，信号从输入层到隐含层，再到输出层得到期望输出。期望输出同实际值做比较，若得不到所期望的值，则误差反向传播，调节网络的权值和阈值。BP神经网络作为一种引入隐含层神经元的采用多层感知器的神经网络模型，主要由输入层、中间层和输出层3 个部分组成。其中，中间层即隐含层，可以是一层或多层结构。
1 BP神经网络概述
BP神经网络是人工神经网络的分类中的多层前馈型神经网络。BP神经网络的主要特征为传递信号向前传播，而误差反向向后传播。BP神经网络在工作时，信息从输入层通过隐含层到达输出层。输出层达不到所期望的信号，将误差反向传播，从而根据误差不断调整BP神经网络的阈值和权重，从而使BP神经网络的输出值不断逼近期望值。
2系统设计
该异常数据识别系统利用神经网络对电力系统异常进行识别，实际上是利用神经网络可以以任意精度逼近任一非线性函数的特性以及通过学习历史数据建模的特点。在各种类型的神经网络中，BP神经网络具有输入延迟，适合于电力系统异常数据识别。根据电力系统运行的历史数据，设定神经网络的输入、输出节点，以反映系统运行的内在规律，实现识别数据异常的目的。所以，利用神经网络对电力系统异常数据进行识别，主要就是要设定神经网络的输入、输出节点使其能反映电力系统运行规律。
3训练样本
在BP神经网络模型中，在选择样本时，一定要尽可能的表达出系统中全部可能发生的情况所对应的状态，这样才能表现出来动力参数与实际测量数据一一对应的映射关系。将需要进行反分析的动力参数作为因素，要在每一个因素里面的各种组合中均要做试验。假设在一组设计试验中，有n个因素，并且它自身又有l1 ，l2 ，......，ln个水平，那么在进行全面试验时，至少需要做每个水平之积次试验。当因素及其自身对应的水平数量不太多时，运用这种算法是比较准确的。但是，随着因素及其对应的水平越来越多，需要做的试验次数也要几何级数般增长。因此，在BP神经网络的学习过程中，如果选择合适、合理的方法选择样本就十分重要。
4 BP网络模型与训练算法
BP（BackPropagation，后向传播）神经网络全称又叫作误差反向传播（errorBackPropagation）网络。它是一种采用BP算法训练的多层前馈神经网络，每层网络均包含一个或多个M-P神经单元构成。M-P神经单元结构，xi表示第i个输入值，wi为该输入值的权重，θ为该神经元的阈值，y为该神经元输出值。其中，即神经元将n个维度的输入值加权相加后与神经元的阈值进行比较，然后将比较值通过激活函数f处理后进行输出。BP网络通过不同网络层间神经元的全连接构成。在网络训练学习过程中，BP算法将输入数据通过输入层进行输入，并经过隐藏层计算后由输出层进行输出。接着输出值与标记值进行比较，计算误差（代价函数）。最后误差再反向从输出层向输入层传播，反向传播过程使用梯度下降算法以目标的负梯度方向来对神经网络上的权重和阈值进行调整。
5神经网络识别实验
考察5 种不同类型的神经网络，表1 列出了Perceptron、BP、PBH、模糊ARTMAP和RBF的均方根误差与Perceptron的误分类率等信息。可以看到，Perceptron神经网络表现不佳，均方根误差在0.6~0.7 之间；误分类率在0.1~0.2 之间。Perceptron神经网络对异常数据的检测错误与误分类率较高。随着隐藏神经元数量的增加，ARTMAP与RBF网络的性能均会提高。在大多数情况下，均优于Perceptron。BP与PBH网络具有相似性能，且两个神经网络始终比其他3 种类型的神经网络表现更优。随着隐藏神经元数量的增加，两种神经网络错误与误分类率不会降低。
6狼群算法
狼群算法优化BP神经网络。狼群算法是一种群智能算法，它通过模仿狼群捕猎的行为来处理优化问题。在自然界中，狼在食物链中处于捕猎者。狼的外形神似狗和豺，动作迅速，嗅觉灵敏，有天生的捕猎能力。狼群算法最早于2007 年提出，后来有学者发现其中存在的问题，经狼群算法优化后提出了新型狼群算法（WCA），最后，2013 年根据自然界中狼群追捕猎物，捕食，以及分配食物的方式提出的基于狼群群体智能的算法（WPA）。该算法详细的将狼群内的种类分为头狼、探狼、猛狼三种，并具有围攻、召唤、奔袭、游走等行为。狼群算法同样依据自然界中“胜者为王，适者生存”的更新机制。狼群算法的加入，形成了改进的BP神经网络，防止网络陷入局部极值点，提高网络效率。
7遗传算法
遗传算法优化BP神经网络。算法主要包括三部分：初始化BP神经网络结构、遗传算法优化和BP神经网络识别。其中初始化BP神经网络结构包括：确定输入层、隐含层和输出层节点个数，以及初始化网络的权值和阈值等参数。遗传算法优化BP神经网络是将一个网络中的所有权值和阈值看作种群中的一个个体，然后通过选择、交叉和变异的操作得到最优的个体，即最优权值和阈值，并将该组权值阈值赋给BP神经网络作为初始的权值和阈值。最后的BP神经网络识别部分，是利用遗传算法优化的初始权值和阈值来训练网络，再利用训练好的神经网络进行识别。
结束语
为实现电网工程建设中对异常数据的检测，建立了分布分层的数据检测系统。其是一种使用统计预处理与神经网络分类的异常数据检测算法。通过对5 种不同的神经网络进行对比实验，可得出结论：BP与PBH网络的性能优于Perceptron、模糊ARTMAP和RBF等3 种神经网络。考虑到构建成本最终选取BP神经网络作为系统的神经网络分类器，在此基础上还进行了系统测试。结果表明，系统能够可靠地检测到异常数据，其流量强度仅为背景强度的5%~10%，证明了该系统的有效性。
参考文献
[1]李慧，陈恺妍.基于神经网络的电力计量故障诊断研究[J].计算机与数字工程，2020，48(05):1252-1257.
[2]多俊龙，王大众，崇生生.在电力通信预警中优化的BP神经网络模型研究[J].东北电力技术，2020，41(02):13-15+62.
[3]罗宁，高华，贺墨琳.基于神经网络的电力负荷预测方法研究[J].自动化与仪器仪表，2020(01):157-160.
