神经网络特征重要性

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篇神经网络特征重要性范文，相信会为您的写作带来帮助，发现更多的写作思路和灵感。

神经网络特征重要性范文第1篇

关键词：模糊神经网络；蔬菜；病害；诊断

中图分类号：TP182；S435 文献标识码：A 文章编号：0439-8114（2013）17-4224-04

Research on vegetables Disease Diagnosis Model Based on Fuzzy Neural Network

WEI Qing-feng，LUO Chang-shou，CAO Cheng-zhong，GUO Qiang

（Institute of Agriculture Science and Technology Information， Beijing Academy of Agriculture and Forestry Sciences， Beijing， 100097）

Abstract： To explore the effective method for the diagnosis of vegetables diseases， through reasonable division of symptoms， using input vector construction method which contained characteristics of symptoms and membership grade， a vegetables disease diagnosis of fuzzy neural network model was constructed. The experimental results showed that the input vector construction method had effectively expressed the disease diagnosis rule， the model had strong fault tolerant ability， and the average diagnostic accuracy was 85.5%.

Key words： fuzzy neural network； vegetable； disease； diagnosis

收稿日期：2013-01-30

基金项目：国家现代农业科技城综合信息“三农”服务平台建设项目（PT01）；北京市自然科学基金项目（9093019）；北京农业科学院信息所

创新基金项目（SJJ201203）

作者简介：魏清凤（1983-），女，湖北武汉人，助理研究员，硕士，主要从事农业信息技术的研究工作，（电话）13439026360（电子信箱）

；通讯作者，罗长寿，副研究员，（电话）010-51503387（电子信箱）。

病害是影响蔬菜优质生产的重要制约因素之一。我国农村基层还相对缺乏有经验的病害诊断专家，对蔬菜病害不能正确判断，不但延误了防治最佳时机，还严重降低了蔬菜品质。

当前农业病害诊断技术方法主要有图像分析诊断[1-4]、专家系统诊断[5-7]以及人工神经网络诊断[8]等。基于图像分析的病害诊断方法其图像的获取受环境光照的影响较大，且需要专业人员在室内进行数据分析和识别，时效性差，无法实时满足具体生产实践的要求。基于专家系统的诊断方法，采用 IF-THEN产生式推理，存在诊断知识获取有瓶颈、推理规则更新难、容错能力差、串行搜索运行效率低等不足。近年基于人工神经网络的方法无需建立推理规则，具有自学习及并行处理能力，较引人注目，但存在对病害症状的典型性、非典型性模糊特点无法区分度量，样本诊断规律学习不充分等问题。模糊神经网络可以将不确定的症状信息通过模糊隶属集来表示，能解决诊断系统中的不确定性知识表示、并行推理等问题，对具有模糊性复杂性的蔬菜病害诊断非常适用。此文利用模糊系统和神经网络相结合的方法，在对病害特征模糊量化方法研究的基础上，建立能够实际应用的蔬菜病害模糊神经网络诊断模型，为蔬菜病虫害防治提供依据。

1 蔬菜病害诊断知识整理

一般研究中，将植株的发病部位划分为根、茎、叶、花、果5个部分[9]。由于部分蔬菜病害（如猝倒病）在苗期即表现出典型症状，因此，为提高诊断的全面性和准确性，将蔬菜植株发病表现最终划分为根、茎蔓、叶、花、果、苗6个部分。表示如下：

S={Si | i=1，2，3，4，5，6}

式中，Si表示根、茎蔓、叶、花、果、苗6个部分中的1个。

以“北京农业数字资源中心”中蔬菜病害数据库的知识为基础，结合文献资料、植保专家咨询及案例分析，对病害特征知识根据根、茎蔓、叶、花、果、苗6个部分进行分别提取，建立二维知识表。

2 病害症状重要性划分及隶属函数

不同症状对病害诊断的贡献程度不同，一些特征明显的症状表现往往是确定某种病害的重要依据。通常用模糊的自然语言来描述症状对于病害识别的重要程度，这里将其划分为典型症状、主要症状、一般症状3个层次（表1）。

将症状重要性隶属函数定义为模糊语言值，根据专家经验法，确定不同层次的隶属度如下：

L（Si）=1.0 Si∈a0.7 Si∈b0.4 Si∈c i={1，2，3，4，5，6}

L为Si的隶属度，a、b、c为症状类型。

3 基于术语统一描述的病害症状向量构建

一般方法中，直接利用诊断资料的原始文本，以症状表现部位为单元赋权值（或隶属度）作为样本分量构建输入向量[10]，不仅存在向量携带信息量少、向量模长短不一、诊断规律体现不明显等问题，还容易产生相同的样本向量对应不同病害种类的错误情况，不能较好地对病害原因进行区分，这也势必影响到诊断的准确性。对此，本方法将原始资料的自然语言样本映射到共同语义空间中，统一利用病状病症的相关术语对症状资料的原始文本进行描述，并根据术语的定义值以及症状重要性隶属度来确定语义样本的样本值，从而构建输入向量，能有效丰富向量信息承载量，充分表达诊断规律，具体如下。

3.1 自然语言症状的术语映射

本环节即是对原始自然语言病害症状资料在共同语义空间中利用相关术语进行统一描述。根据植物学知识，感病植株的外观病态表现可分为病状和病征两大类。共同语义空间的病害症状术语如表2所示。

根据病害症状表，症状的自然语言描述转化为术语描述。如辣椒枯萎病茎蔓部自然语言症状={水浸状腐烂，后全株枯萎，病部白色霉状物}，经语义空间映射后，S2={湿腐，枯死，霉状物}，其样本定义值D（S2）为{0，0，2，2，0，1}。

3.2 输入向量的构建

综合样本定义值和症状重要性隶属度，形成具有症状特征和症状重要性信息的向量。为了降低输入向量维度，对矩阵中同列均为0值的列进行简约，形成最终输入向量矩阵。输入向量表示为：

Xi={D（S1）×L（S1），D（S2）×L（S2），……，D（Si）×L（Si）}

其中，D（Si）为Si症状的样本定义值，L（Si）为Si症状的重要性隶属度。

4 蔬菜病害诊断模型建立

蔬菜病害诊断神经网络模型采用模糊BP神经网络构建（图1）。模糊系统和神经网络按串联方式连接，用模糊系统对原始知识进行前处理，用神经网络进行病害诊断。

第一层为输入层，其每一个节点代表一个输入变量，它将样本定义值传递到模糊层。

第二层为模糊层，基于症状样本定义值和症状隶属度构建输入向量。

第三层为隐含层，实现输入变量模糊值到输出变量模糊值映射。隐含层节点数确定方法如下：

l=■+a 0

式中，l为隐含层神经元个数，n为输入层神经元个数，m为输出层神经元个数，a为取值0～10之间的常数。

第四层为输出层，输出向量采用“n中取1”的二进制编码法。其中n为编码长度，即病害总数。每组编码中仅有1位为1，其余n-1位为0，表示某一种病害。诊断过程中，最大向元值对应着可疑病害。该最大值若接近0， 则表示发生相对应病害的可能性很小；若接近1，则表明发生相对应病害的可能性极大。

5 诊断测试分析

以番茄白绢病、番茄猝倒病、番茄根霉果腐病、番茄青枯病等19种病害为例，经上文方法构建20维输入向量（部分输入如表3），19维输出向量（部分输出向量如表4）。设隐层单元15个，目标误差0.000 1，循环1 000次，采用Levenberg-Marquardt 算法进行训练，并开发系统界面，对训练好的模型从诊断容错性和诊断准确性两个角度进行分析。

5.1 模型诊断容错性测试

在实际应用过程中，用户提供的病害症状无法与样本完全一致，病害典型症状被选的可能性最大，但部分主要症状和一般症状存在A-误选（提供症状与样本症状不一致）、B-多选（提供症状多于样本症状）、C-少选（提供症状少于样本症状）、A+B-多选及误选、A+C-少选及误选的情况，据此选取用户5组具有代表性测试数据（表5），以番茄溃疡病为例来检验模型的容错性，输出结果如表6。

样本输出向量中第17位为向元最大值，则表明该输出结果为番茄溃疡病。在5组具有代表性的用户测试数据中，输出向量的向元最大值始终在第17位，说明诊断模型具有较强的容错能力。同时，当用户“误选”、“多选”，以及“多选+误选”时，输出向量第17位向元值分别为0.999 9、0.987 6、0.921 6，接近样本模拟值1；当用户“少选”以及“少选+误选”时，输出向量第17位向元值分别为0.778 6、0.594 6，较之其他组测试数据，较远离样本模拟值1，说明用户提供的病害症状信息越多，进行正确诊断的可能性越大。

5.2 模型诊断准确性测试

将本研究与一般方法中直接利用症状权值作为输入向量的一般神经网络诊断模型进行准确性比较。测试数据包括两类，即实验室根据田间数据资料生成的数据，以及涉农用户根据实际生产情况进行症状选择操作生成的数据。经植保专家验证，获得测试结果平均值见表7。

统计结果显示，室内室外测试中，基于模糊神经网络的诊断方法较一般神经网络在正确率方面均有所提高，说明本研究的思路方案是有效的。其中，实验室所利用的田间数据资料测试结果好于农户实际应用。其原因在于，实验室所使用的田间数据资料较接近文献资料中的诊断知识，且基于模糊神经网络的蔬菜病害模型具有较好的容错性，因此诊断正确率较高。外部基层农户则完全按照自己在生产中见到的症状表现进行选择操作而形成测试数据，更为真实地反映了模型的实际应用情况。由于实际生产中存在多个病害夹杂同时表现的复杂情况，这一定程度上影响了诊断正确率，因此也说明在该方面努力能进一步提高模型的实用性。

6 小结

利用基于术语统一描述的病害症状量化方法，能构建既能描述症状特征又能反映症状重要性的输入向量，更能有效地体现病害诊断规律。经过误选、多选、少选、多选+误选、少选+误选的5组测试中，诊断结果仍然能指向正确的病害，模型容错推理能力较强。将模糊数学方法引入神经网络中，结合基于术语统一描述的病害症状量化方法，建立基于模糊神经网络的蔬菜病害诊断模型，较之一般基于神经网络的病害模型，诊断准确性得到了有效提高。

由于农业生产中病害作用的复杂性，今后将在多个病害同时作用的诊断方面进一步努力探索，以提高模型的生产实用性。同时，随着移动网络技术的迅猛发展以及移动设备终端的日益普及，将进行蔬菜病害诊断系统的研究，以期为蔬菜病虫害防治咨询提供更加便捷、灵活、有效的服务。

参考文献：

[1] LAI J C， MING B， LI S K， et al. An image-based diagnostic expert system for corn diseases[J]. Agricultural Sciences in China，2010（8）：1221-1229.

[2] 李 旺，唐少先.基于图像处理的农作物病害识别研究现状[J].湖南农机（学术版），2012，39（1）：176-178.

[3] 刘连忠，张 武，朱 诚. 基于改进颜色特征的小麦病害图像识别技术研究[J]. 安徽农业科学，2010，40（26）：12877-12879.

[4] 邹修国. 基于计算机视觉的农作物病虫害识别研究现状[J]. 计算机系统应用，2011，20（6）：238-242.

[5] MANSINGH G， REICHGELT H， BRYSON K O. CPEST： An expert system for the management of pests and diseases in the Jamaican coffee industry[J]. Expert Systems with Applications，2007，32（1）：184-192.

[6] 林 潇，李绍稳，张友华，等.基于本体的水稻病害诊断专家系统研究[J].数字技术与应用，2010（11）：109-111.

[7] GHOSH I， SAMANTA R K. Teapest：An expert system for insect pest management in tea[J].Applied Engineering in Agriculture，2003，19（5）：619-625.

[8] 王军英.基于BP神经网络的葡萄病害诊断方法研究[J].农业网络信息，2010（6）：21-23，36.

神经网络特征重要性范文第2篇

关键词：预警 粗集 神经网络 战略风险

企业战略风险预警管理是战略风险管理理论的一种改进或延伸，通过提供可操作的预警分析方法与预控对策，在企业现有的职能的基础上，增设对未来的战略管理活动的监测、诊断、控制、矫正等预警职能，使企业的职能结构更完善、更合理。旨在战略风险发生以前，采取措施予以控制，尽可能地避免给企业带来更为严重的损失。

选择恰当的预警方法将对预警结果起到关键的作用。目前国内外已有大量的预测、预警方法和模型，如人工神经网络(ANN)预警方法、模糊(FUZZY)预警、自回归条件异方差(ARCH)预警等。但每种方法都有自己的适用范围，因此在使用这些预警方法时就要根据具体问题进行分析和选择。神经网络是一种大规模并行的非线性动力系统，尽管它具有自组织、并行处理及容错能力等优点，但由于其自身的缺点，比如随着维数的增加,学习时间激剧增长和易陷入局部最小点等导致预警结果存在很大的偏差。而粗集方法的引入可以克服神经网络的不足，粗集方法在不改变原有决策规则的前提下，对原始数据进行属性和对象的约简，求出简化的决策规则，并应用此规则对神经网络的结构和层次进行简化，从而提高了神经网络的工作效率和工作质量。

因此，对粗集与神经网络这两种方法进行优势互补，并将其用于企业战略风险预警的研究具有一定的可行性。本文提出基于粗集-神经网络的预警方法，为企业战略风险预警提供了一种新的研究思路和方法，同时也能更好地丰富和完善企业风险预警的理论与方法。

粗集-神经网络的基本原理

粗集理论和神经网络是智能信息处理的两种重要的方法,其任务是从大量观察和实验数据中获取知识、表达知识和推理决策规则。粗集理论是基于不可分辩性思想和知识简化方法,从数据中推理逻辑规则,适合于数据简化、数据相关性查找、发现数据模式、从数据中提取规则等。神经网络是利用非线性映射的思想和并行处理方法,用神经网络本身的结构表达输入与输出关联知识的隐函数编码,具有较强的并行处理、逼近和分类能力。在处理不准确、不完整的知识方面,粗集理论和神经网络都显示出较强的适应能力,然而两者处理信息的方法是不同的,粗集方法模拟人类的抽象逻辑思维,神经网络方法模拟形象直觉思维,具有很强的互补性。

首先,通过粗集理论方法减少信息表达的属性数量,去掉冗余信息,使训练集简化,减少神经网络系统的复杂性和训练时间;其次利用神经网络优良的并行处理、逼近和分类能力来处理风险预警这类非线性问题,具有较强的容错能力;再次,粗集理论在简化知识的同时,很容易推理出决策规则,因而可以作为后续使用中的信息识别规则,将粗集得到的结果与神经网络得到的结果相比较,以便相互验证;最后,粗集理论的方法和结果简单易懂,而且以规则的形式给出,通过与神经网络结合,使神经网络也具有一定的解释能力。因此,粗集理论与神经网络融合方法具有许多优点,非常适合处理诸如企业战略风险预警这类非结构化、非线性的复杂问题。

基于粗集－神经网络的战略风险预警方法的具体过程

首先对所研究的战略风险的指标样本特征数据，用粗集进行预处理,进行属性约简,提取出重要的特征属性,然后对这些属性离散归一化，并经阀值处理成粗集方法所要求的0-1表，再对0-1表用粗集理论的方法进行数据约简与规则提取，对已提取的规则计算其精确度和覆盖度，以此来配置粗集-神经BP网络的隐层节点与初始连接权值，最后根据训练好的神经网络系统将训练结果作为输入数据进行识别和分类,以判断企业是否会发生战略风险。（基于粗集-神经网络构造图见图1所示）

输入模块。这一阶段包括初始指标体系确定，根据所确定的指标体系而形成的数据采集系统及数据预处理。企业战略风险的初始评价指标如下：

企业外部因素：政治环境(法律法规及其稳定性)，经济环境（社会总体收入水平，物价水平，经济增长率），产业结构（进入产业障碍，竞争对手数量及集中程度），市场环境（市场大小）。

企业内部因素：企业盈利能力（销售利润率，企业利润增长率），产品竞争能力（产品销售率，市场占有率），技术开发能力（技术开发费比率，企业专业技术人才比重），资金筹措能力（融资率）,企业职工凝聚力（企业员工流动率），管理人才资源，信息资源；战略本身的风险因素（战略目标，战略重点，战略措施，战略方针）。

本文所建立的预警指标系统是针对普遍意义上的企业，当该指标系统运用于实际企业时，需要对具体指标进行适当的增加或减少。因为各个企业有其具体的战略目标、经营活动等特性。

计算处理模块。这一模块主要包括粗集处理部分和神经网络处理部分。

粗集处理阶段。根据粗集的简化规则及决策规则对数据进行约简，构造神经网络的初始结构，便于神经网络的训练。

企业战略风险分析需要解决的问题是在保证对战略风险状态评价一致的情况下,选择最少的特征集,以便减少属性维数、降低计算工作量和减少不确定因素的影响,粗集理论中的属性约简算法可以很好地解决这个问题。

粗集理论主要研究一个由对象集和属性集构成的数据结构,该数据结构通常称为决策表,其形式如表1所示。决策表中的对象集表示某些观察、个体或状态,属性集表示对象的描述,如特征、症状、症兆等。属性集分为条件属性和决策属性两大类。其中U={X1,X2,...,Xn}称为对象集,C={F1,F2,...,Fm}为条件属性集,D为决策属性;fij表示第i个对象的第j个状态属性值,di表示第i个对象的决策属性值。

通过观察发现，决策表是协调的，在去掉决策表中的冗余属性、冗余的对象的同时不会改变原有的决策规则。

当UIND（F-Si）≠UIND（F）说明Si是不可约简的，反之则可约简。

神经网络阶段。采用BP算法，对所输入数据进行训练，获取报警的知识。

采用最常用的三层BP前向神经网络,网络各层之间完全连接,包括权矩阵W(1)连接的输入层S1与隐含层S2,权矩阵W(2)连接的隐含层S2与输出层S3,如图2所示。神经网络算法包括网络结构确定、网络参数(权矩阵W(1)和W(2)的初始值、学习率η、动量因子β、非线性函数参数α及误差阈值ε)确定、训练样本数据处理、权值计算、误差计算等步骤。（见图2）

BP算法成功的关键在于权矩阵W(1)和W(2)的初始值、网络隐含层节点的个数以及学习因子等参数的选取,如果选择得不合适,可能会导致网络训练失败、陷入局部最优或得到比较差的分类结果,特别是权矩阵W(1)和W(2)的初始值的选取过程缺乏严格的理论依据,一般要根据经验及试验选取。权矩阵W(1)表示的是各项指标在整个指标体系的重要程度,其确定方法一般采用定性的方法,目前多采用层次分析法来确定权矩阵W(1),使指标权重的确定更具客观性。首先明确内部的层次结构关系及其各组成因素之间的相互关系,然后通过专家对两因素之间的相对重要程度的比较和判断,建立判断矩阵,运用相应的数学方法进行分析和处理,以得出不同指标间的相对重要性权重。

权矩阵W(2)表示的是各个隐含层节点对输出层的影响程度,在大多数的有关神经网络的文献中，其初始值取0～0.1之间的很小的随机数,通过多次迭代学习,反复修改权值,一直到神经网络收敛为止。在选取W(2)的初始值时,首先根据经验初步选取W(2)的初始值,如全部设定为0.05,然后用一组实际的数据进行试验,如果输出结果与实际结果相差很多,则按照某种规则修改W(2)的初始值,再用另一组数据进行试验,一直到输出值与实际值小于给定的数值为止,最后确定出W(2)的初始值。

输出模块。该模块是对将发生的战略风险问题发出警报。

警限是划分不同警度的临界值，表现为某一预警指标在一定的警度下变化的最大允许的振幅，常以数量形式表现出来。按照战略风险大小强弱程度的不同，可将其分为三个层次。第一层次是轻微战略风险，是损失较小、后果不甚明显，对企业的战略管理活动不构成重要影响的各类风险。这类风险一般情况下无碍大局，仅对企业形成局部和微小的伤害。第二层次是一般战略风险，是损失适中、后果明显但不构成致命性威胁的各类风险。这类风险的直接后果使企业遭受一定损失，并对其战略管理的某些方面带来较大的不利影响或留有一定后遗症。第三层次是致命性战略风险，指损失较大，后果严重的风险。这类风险的直接后果往往会威胁企业的生存，导致重大损失，使之一时不能恢复或遭受破产。在实际操作中，每个企业应根据具体的状况，将这三个层次以具体的数值表现出来。

为了简单明了的表述预警结果，可将企业的警度分为三级:无警、轻警、重警，并用绿、黄、红三种颜色灯号表示。其中绿灯区表示企业综合指标所反映的实际运行值与目标值基本一致，运行良好;黄灯区表示企业综合指标所反映的实际运行值与目标值偏离较大，要引起企业的警惕。若采取一定的措施可转为绿灯区，若不重视可在短期内转为红灯区;红灯区则表示这种偏离超过企业接受的可能，并给企业带来整体性的重大损失。例如:销售利润率极低、资产负债率过高，资源配置不合理、缺乏发展后劲等，必须找出原因，继而采取有效措施，使企业的战略管理活动始终处于“安全”的状态。

本文提出了粗集与神经网络融合进行企业战略风险的预警方法,通过粗集减少属性的数量,提取主要的特征属性,降低神经网络构成系统的复杂性及计算时间，结合神经网络系统的容错能力、并行处理能力、抗干扰能力及处理非线性问题能力,将粗集与神经网络进行串行结合,但这仅仅是在理论上的一种尝试，还需通过实证分析验证此方法的可行性和有效性。

参考文献：

1.曾黄麟,曾谦.基于粗集理论的神经网络[J].四川轻化工学院学报,2000

神经网络特征重要性范文第3篇

开展矿产资源综合区划功能分区研究，对进行差别化管理政策的制定、空间分区管理有理论和实践意义。在分析矿产资源综合区划影响因素的基础上，构建以资源条件、开发基础、生态条件、区域经济潜能为准则层的矿产资源综合区划二级区划的指标体系和分区体系。分析和讨论了矿产资源综合区划二级区划分区方法，并采用BP神经网络方法对甘肃省矿产资源综合区划二级区划进行分类研究，将甘肃省划分为重点发展、一般发展、限制发展和禁止发展4类功能区。结果表明，BP神经网络分类结果符合实际，是对传统区划方法的重要补充。

关键词：

综合区划；矿产资源；BP神经网络；功能分区

区划是从区域角度观察和研究地域综合体，探讨区域单元的形成发展、分异组合、划分合并和相互联系，是对过程和类型综合研究的概括和总结[1]。综合区划是人与环境系统研究对可持续发展的重大理论贡献[2]，是当前地域系统研究和全球环境变化人文因素研究的热点[3,4]，不同部门综合区划研究也取得很多理论成果[5-9]。第三轮矿产资源规划编制要求开展矿产资源基础、开发条件、生态约束、区域发展需求等各因素整合起来的矿产资源综合区划研究，为分区规划、分类指导矿产资源勘查、开发利用与保护，为矿产资源规划编制提供理论依据。杨博等[10,11]已对矿产资源综合区划的概念内涵、区划体系、划分方法等作了大量研究，提出了较重要的理论成果。候华丽等[12]将矿产资源综合区划体系划分为两级，一级为地域分区，二级为功能分区。并认为二级区划指标体系应包含矿产资源基础条件、矿产资源开发条件、生态条件、地区经济发展水平等综合性指标。本文拟探讨矿产资源综合区划二级区划指标体系、分区方法，并以县区为基本单位，采用BP神经网络方法开展甘肃省矿产资源综合区划二级区划功能分区研究，为丰富和拓展区划的方法和途径，并为矿产资源综合区划分区研究和矿产资源规划提供理论依据和实证参考。

1矿产资源综合区划二级区划指标体系与分区体系

1.1矿产资源综合区划二级区划指标体系

综合考虑矿产资源勘查、开发利用与保护全过程，可以发现其受到资源因素、环境因素、社会因素、经济因素等四个方面的影响。基于这些影响因素，在遵循全面性与可操作性、数据可获得性与可对比性、系统性和导向性等原则基础上，构建矿产资源综合区划二级区划指标体系，从而实现区域划分。其中目标层为矿产资源合理开发与区划可持续发展，准则层包括矿产资源条件、开发基础、生态条件和区域经济潜能等四个方面。准则层又由若干指标组成（表1）。

1.2矿产资源综合区划二级区划分区体系

依据矿产资源综合区划的定义，以及矿产资源综合区划指标体系，按照区划的目标和功能，划分矿产资源综合区划二级区划体系。根据矿产资源综合区划影响因素指标分析，可以知道矿产资源基础为综合区划核心要素，其他如开发条件、区域经济发展水平等因素是综合区划的重要影响因素，而生态条件矿产资源综合区划约束性因素。因此，本文认为矿产资源综合区划二级区区划应该包含重点发展、禁止开发、限制发展、一般发展等四种类型区，其中一般发展区为其他三类发展区的补充，不单独划分。因此，矿产资源综合区划二级区可划分为：矿产资源重点发展区、生态保护区（禁止开发区）、限制发展区和一般发展区。

2基于BP神经网络的矿产资源综合区划功能分区

2.1矿产资源综合区划二级区划分区方法

矿产资源综合区划受自然、社会、环境、经济的综合影响，影响因子多，难以提取主要因子，同时不同因子之间又存在一定相关性，且每个因子贡献率也不同，导致矿产资源综合区划难以划分。现有比较常见的区划分析方法有：主导标志法、相关分析法、专家集成定性分析法、最终分类评价矩阵分类法[13]，逐步归并模型定量法等[14]。朱传耿等[15]采用最终分类评价矩阵分类法对地域主体功能区划进行实证研究，取得良好的成果，是目前常用的地域功能识别和划分方法方法。刘玉邦[16]等运用主成分与聚类分析方法进行农业水资源高效利用综合分区，这种方法可以避免人为的主观确定因子的权值，同时可以消除不同因子之间的相关性干扰，但此方法也易受影响[17]，导致聚类中心偏移。神经网络方法在区域划分中取得了很好地效果[18-23]，但表1矿产资源综合区划指标体系目标层准则层指标层具体指标矿产资源合理开发与区划可持续发展资源条件基础地质调查工作覆盖率查明资源储量大中型矿产地年度开采总量大中型矿山数量基础地质调查工作覆盖率基础储量资源量大型矿产地中型矿产地年度开采总量大型矿山数量中型矿山数量开发基础可利用土地资源可利用水资源交通优势度适宜建设用地率可利用水资源潜力交通密度交通干线交通枢纽生态条件生态重要性生态脆弱性生物多样性保护重要性水源涵养重要性土壤保持重要性防风固沙重要性地质灾害危险性矿山地质环境影响性水土流失易发性森林覆盖率区域经济潜能工业化阶段矿业所占比重三次产业产值结构人均GDP矿业经济占GDP比重目前应用神经网络进行库上次资源综合区划分区的案例还未见报道。本文拟选取产资源条件、开发基础、生态条件和区域经济潜能等指标层和指标因子，运用BP神经网络方法，进行矿产资源综合区划二级区划分区划分，目的在于探索实践定量途径在区划划分中的应用，拓展区划的方法和途径。

2.2BP神经网络及其理论基础

2.2.1神经网络的分类

神经网络理论的研究工作始于上世纪中页，McMulloch和Pitts首先提出神经元的形式化模型[24]，并进行逻辑函数运算，开启了人工神经网络的理论研究。经过多年的发展，人工神经网络的理论和应用研究在数学和工程学方面取得了丰硕的成果，产生出了诸如向前神经网络、反馈神经网络、随机神经网络及自组织神经网络等30多种不同类型、结构的神经网络等，这些模型又大致分为三类：前向神经网络（以BP网络为典型代表），反馈神经网络（以Hopfidld网络为典型代表）以及自组织神经网络（以SOFM网络为典型代表）。从系统角度来看，BP最适合解决分类问题，因为分类问题可视为分析计算静态的非线性映射f，BP这种前向网络通过非线性处理能力可较好的逼近映射f。

2.2.2BP神经网络模型的理论分析

BP神经网络是基于BP算法的多层前馈网络，其网络结构简单，算法成熟，具有自学习和自适应等优点。BP算法通过输入、输出数据样本集，根据误差反向传递的原理，对网络进行训练，其学习过程包括信息的正向传播过程以及误差的反向传播这两个过程，对其反复训练，连续不断地在相对误差函数梯度下降的方向上，对网络权值和偏差的变化进行计算，逐渐逼近目标。典型的BP神经网络由一个输入层、至少一个隐含层和一个输出层组成[25]（图1）。BP神经网络模拟预测过程由以下四个阶段组成：（1）模式顺传播过程；（2）误差逆传播过程；（3）记忆训练过程；（4）学习收敛过程。最终形成模拟预测结果。

2.3BP神经网络聚类步骤

2.3.1BP神经网络构成

指标因子输入。在输入层输入指标因子，本文将12个指标层因子列为指标因子，即基础地质调查工作覆盖率、查明资源储量、大中型矿产地、年度开采总量、大中型矿山数量、可利用土地资源、可利用水资源、交通优势度、生态重要性、生态脆弱性、工业化阶段、矿业所占比重等。隐含层。进行BP网络建模时，隐层数的确定至关重要。隐层数没有强制的规定，隐层数越多，模型识别训练样本的差异性越好，但计算机运行的中间过程越复杂，耗时越多，对于检验样本误差可能会增大。所以一般原则是：隐层数小于训练样本数的前提下，达到精度要求时的隐层数越少越好，本文将隐含层也设为12层。输出层。输出层根据研究目的而确定，笔者以农用地的土地适宜性为输出层。在BP网络结构中，每层都是用数值来刻画，而农用地适宜性只是一个概念性的模型，因此笔者将概念模型用数值进行刻画。根据矿产资源综合区划二级区划分区体系，综合矿产资源不同功能分区，即开发强度、限制性强度和生态保护能力的高低，将二级区划开发适宜性分为4等，4为高度适宜，3为较适宜，2为一般适宜，1为不适宜。

2.3.2训练样品的选取

根据甘肃省实际，结合专家的知识经验，确定14个市州的12个指标层形成的二级区划开发适宜性指标作为训练样本，即给定14个市州二级区划开发适宜性评分，作为实际建模选择的样本。

2.4研究实例

2.4.1数据分析与处理

本研究以甘肃省为对象展开实证分析，以县区为基本单位进行数据收集和处理，主要针对二级区划指标层指标逐一收集，数据资源主要来源于《甘肃统计年鉴2013年》、《2013年甘肃省国土资源公报》等。主要针对指标层数据进行逐一分析说明：基础地质调查工作覆盖率：引用2013年甘肃省已完成的1：5万矿产远景调查图幅和面积，并与相关县域国土面积相比，得出各县的基础地质调查工作覆盖率；各县查明资源储量、大中型矿产地、年度开采总量、大中型矿山数量引用2013年矿产资源储量年报数据；可利用土地资源引用2008年土地总体利用规划数据；可利用水资源引用2013年甘肃统计年鉴数据；各县区交通优势度采用金凤君[26]等计算方法，依据甘肃省2013年铁路、公路网地理图属性数据计算得到；各县区生态重要性和生态脆弱性指标数据来源于甘肃省生态功能区划；各县区工业化阶段和矿业所占比重来源于2013年甘肃统计年鉴数据。矿产资源综合区划指标体系包括4项准则层，12项评价指标及项基础指标，每项指标都有不同的量纲单位，若要对指标进行BP神经网络分析时，就必须要消除量纲的影响，进行无量纲化处理[27]。

2.4.2BP神经网络计算

在Matlab平台下，首先录入训练样本，即14个市州的指标数据进行网络训练，进而录入其他各县的各类指标数据，使用newff函数创建级联前向神经网络，输入层和输出层的神经元采用tansig传递函数，隐含层与输出层采用purelin函数，训练算法为trainlm。采取的训练精度设置为0.001。计算结果如图2所示。

2.4.3结果分析

从图2可得，BP神经网络分类结果的空间聚集性较高，基本反映了甘肃省矿产资源分布的区域特征。BP神经网络输出结果为4类区域。第一类为矿产资源重点发展区，第二类为矿产资源一般发展区，第三类为矿产资源限制发展区，第四类为生态保护区（禁止开发区）。每一类发展区都包括若干县区，每类发展区与所保护的县区都有很强的相关性，如重点发展区包含：金川区、平川区、崇信县、华亭县等4个县区，这些县都是矿产资源储量丰富，矿产资源开发强度高，矿业产值高的地区；限制发展区大都为矿产资源储量较为匮乏，或者开发基础条件较差，不适宜大规模进行矿产资源开发的地区；生态保护区（禁止开发区）如卓尼县、舟曲县、碌曲县、肃南县等，大都位于自然保护区，不适宜进行矿产资源开发。

3讨论

基于BP神经网络开展的矿产资源综合区划二级区划分区，你搞过预测结果和验证分析，结果表明模型的建立与选择是符合实际的，且有以下优点：（1）能够快速把握区域的分异特点，进行大范围的区划工作；（2）BP网络模型可以避免聚类分析的噪音影响带来的评价误差；（3）与专家经验集成的区划方法相比，BP神经网络方法更加客观。但也有需要完善的地方，如典型样本（训练样本）的选择上，有一定的主观性；只进行了一种神经网络方法的分类研究，研究论证不够全面等等。但总体上，基于BP神经网络进行的矿产资源综合区划二级区划分具有划分层次明显、区域分割清晰、客观性强等优点，是对传统区划方法的重要补充。在未来的工作中，应该加强对因子选择、典型样本选取方法研究，同时要运用多种神经网络方法开展分区研究，通过对不同方法的对比分析，总结出最优区划方案。

参考文献：

[1]郑度，葛全胜，张雪芹，等.中国区划工作的回顾与展望[J].地理研究，2005，24（3）：330-344.

[2]刘燕华，葛全胜，张雪芹.关于中国全球环境变化人文因素研究发展方向的思考[J].地球科学进展，2004，19（6）：889-895.

[3]吴绍洪.综合区划的初步设想[J].地理研究，1998，17（4）：367-374.

[4]刘燕华，郑度，葛全胜，等.关于开展中国综合区划研究若干问题的认识[J].地理研究，2005，24（3）：321-329.

[5]杨勤业，郑度，吴绍洪，等.20世纪50年代以来中国综合自然地理研究进展[J].地理研究，2005，24（6）：89-91．

[6]毛汉英，方创琳.我国新一轮国土规划编制的基本构想[J].地理研究，2002，21（3）：267-275

[7]陈守煜，李亚伟.基于模糊迭代聚类的水资源分区研究[J].辽宁工程技术大学学报，2004，23（6）：848-851.

[8]冯红燕，谭永忠，王庆日.中国土地利用分区研究综述[J].中国土地科学，2010，24（8）：71-76.

[9]金贵，王占岐，姚小薇，等.国土空间分区的概念与方法探讨[J].中国土地科学，2013，27（5）：48-53.

[10]杨博，吕新彪，魏彦芳.矿产资源综合区划的概念与方法探讨[J].国土与自然资源研究，2015（3）：50-53.

[11]杨博，吕新彪，魏彦芳.省级尺度矿产资源综合区划方法与应用[J].国土与自然资源研究，2015（6）：19-22.

[12]侯华丽，吴尚昆，张玉韩，周璞.对我国开展矿产资源综合区划相关问题的思考[J].国土资源科技管理，2015（03）：78-83.

[13]陈雯，段学军，陈江龙，等.空间开发功能区划的方法[J].地理学报，2004，59（增刊）：53-58.

[14]黄桂芝，董平，吴霜.可持续发展理论基本模式新探及数学模型研究[J].太原理工大学学报，2005，36（1）：103-106.

[15]朱传耿，仇方道，马晓冬，等.地域主体功能区划理论与方法的初步研究[J].地理科学，2007，27（2）：136-141.

[16]刘玉邦，梁川.基于主成分和模糊C-均值聚类算法的农业水资源高效利用综合分区[J].水文，2011，31（5）：57-63.

[17]秦福高，孙悦娟.聚类与关联规则挖掘进行结合的研究[J].电脑知识与技术，2011，7（14）：3418-3419.

[18]黄娇，高阳，赵志强，等.基于GIS与SOFM网络的中国综合自然区划[J].地理研究，2011，30（9）：1648-1659.

[19]刘娅，朱文博，韩雅，等.基于SOFM神经网络的京津冀地区水源涵养功能分区[J].环境科学研究，2015，28（3）：369-376.

[20]王江思，马传明，王文梅.基于SPSS和GIS的BP神经网络农用地适宜性评价[J].地质科技情报，2013，32（2）：138-143.

[21]黄亚捷，叶回春，张世文.基于自组织特征映射神经网络的中国耕地生产力分区[J].中国农业科学，2015，48（6）：1136-1150.

[22]张学儒，张镱锂，刘林山.基于SOFM神经网络模型的土地类型分区尝试—以青藏高原东部样带为例[J].地理研究，2013，32（5）：839-847.

[23]袁满，刘耀林，危小建.基于模糊自组织神经网络的土地用途分区研究[J].国土资源科技管理，2013，30（6）：74-80.

[24]谢承泮.神经网络发展综述[J].科技情报开发与经济，2006，16（12）：148-150.

[25]李朝静，唐幼纯，黄霞.BP神经网络的应用综述[J].劳动保障世界，2012（8）：71-74.

[26]金凤君，王成金，李秀伟.中国区域交通优势的甄别方法及应用分析[J].地理学报，2008，63（8）：787-798.

神经网络特征重要性范文第4篇

关键词：神经网络；计算机网络；故障诊断

中图分类号：TP393.06 文献标识码：A 文章编号：1007-9599 （2016） 06-0000-02

1 引言

目前的网络规模、网络结构越来越复杂，这些新的变化变得越来越难作出诊断网络故障，迫切需要的一种工具来进行网络管理与网络故障诊断与排除。网络故障诊断依赖于各种网络设备的状态信息，当发生故障时，通过这些信息的分析和判断，找到原因[1]。在本文中采用粗糙集理论，在原有的规则提取的网络状态信息，算法的基础上决定神经网络的粗糙集（RSNN），并引入层次分散优化的思想和错误的传播原理设计，网络故障诊断模型，引进的层次分散优化网络故障诊断模型，可以在混合网络环境中提供一个singlenetwork的操作控制环境来管理所有子网和管理设备，统一远程控制的，以建立合理的和有效的诊断知识库，故障排除和网络设备，从而提高产品质量的网络，抗干扰能力和快速恢复能力的重新配置。

2 网络故障诊断的相关概念和它们的状态信息

定义1 网络状态S是一个二元组 ， 是非空有限的对象，称为被管理对象的空间，记作 ， 是被管网络对象， 是相应的属性参数， ， 是状态属性， 是相应属性的参数。网络状态信息是指行为信息提取的网络实体在网络运行的状态。

定义2 网络实体可以定义成一个三元组 ，其中 这是一个系统迁移。G是映射功能状态变化，A是造成物理状态变化的事件集合。网络局部状态能分成L个不相干的特征 ， L是由域节点的性质确定。网络故障是一种从正常状态过渡到不正常的状态。

网络状态信息通过信息的收集交界处，基于SNMP轮询的时序相关的MIB变量的数据采集，E调换改变当前网络运行状况E，数据管理，转换成网络状态信息：

为实体状态的属性参数 设定了一个阈值 ， 固态性能参数的物理性能特点的基础上，可以设定一个阈值，需要的专业知识或反复实验，调整，建立比较函数：

用 代替 ，替换预处理后的状态信息。得出： 。令 得到：

因此，要使用的n-维矢量表示本地网络状态的特性。

3 系统原理及实现

在获取信息的基础上RSNN的网络性能、网络的局部特征的性质定义的属性过滤掉所有重要的属性，以反映网络故障的性质之间的关系，然后根据这些属性，建立最低起ruleslayered综合的知识基础，根据神经网络，以提高系统的性能，降低误报率的特点。预处理模块是负责网络状态记录在一个特定的时间间隔相应的离散特征属性，建立基于粗糙集理论和层次分布的优化思路，以减少网络故障可辨矩阵的功能，为了消除矛盾（冲突）和重复的分类规则的故障诊断系统，为每种类型的网络层包含多个子分类粗糙集理论，构成了一个多层次的复杂的神经网络系统。上面的步骤包含规则的故障检测。

诊断问题的实质是一个映射，我们使用一个神经网络来近似这种映射，故障分类系统的学习样本集由故障状态和故障，如在下面的表1中示出的判决子格式的子集的属性组成：

训练样本集在给定的知识领域的专家，所以难免不兼容，导致多余的样品，对这些样品进行培训，不仅不提高决策的正确性，会降低效率的学习神经网络，使用的是三层神经，每个属性贡献的故障现象子集的决策是不一样的，系统需要反映不同的属性在学习过程中的重要性，提高学习效率；此外，网络的故障信息描述的网络结构中的神经元和连接权特定的数目，必须导致低效的学习算法，并最终因为它是有限的使用，以得到样品决策表决策的标志包含只有一部分的的完整冲突样品，沙美特罗H优化算法的神经网络结构的原始库的规则，在每个层的神经元素来定义一个性能指标，i-层优化指标：

其特征在于，表示的第p个样本输入端，第i层的第j个结点的的实际加权和输出；表示第p个样本输入端，第i层的第j个结点加权和期望的输出，以确定网络的神经元的神经网络的权重可以调整到决策过程中的分层分散子优化问题的修正神经网络的学习和粗糙集的决策规则之间的交流达到了粗糙集学习，提高学习当选最低的构成正确的训练集。

（1）简化网络故障信息样本系统。设R是故障属性集，如果对于a∈R，属性集D，如果 ，那么就删除a；

（2）计算信息表的可辨识矩阵 ；

（3）对于可辨识矩阵中的所有取值为非空集合的元素 ，建立相应的析取逻辑表达式 ，将所有的析取逻辑表达式 进行合取运算，得到合取范式 ， ，将L转换为析取范式的形式，得 ，其中，每个合取项中包含的属性组成约简后的条件属性集合，得到降低冗余后的知识系统K。

（4）穿越不同类别的知识系统属性，如果有重复的记录删除冲突记录，如果删除一列保留了原有的属性值，标记为其他记录，其余的属性值可以判断决策，然后删除该值，否则保持原有的价值知识系统；

（5）如果两个记录仅仅是一个条件属性值，和的财产已被删除的记录，那么没有标记的属性值的记录时，可以判断决策，然后再删除另一条记录，否则，删除记录在案；

（6）在上述处理中，一个新的信息表，所有的属性值是值的表芯，所有的记录都对应一个决策规则，沙美H优化算法知识的神经网络，输出为每一个输入对做如下处理：

（a）输入信号前向传播：

（b）输出误差信号后向传播：

输出层：由 ，得到：

隐层：和BP算法一样，将输出层的误差沿代价函数的负阶梯方向逐层后向传播：

（c）计算：由 可得到：

将上式带入 ，得到：

（7）更新权值：设误差能量函数 ，其中 。 表示梯度，设 得到：

其中， 表示 的单位梯度向量。

（8）重复步骤（6），直至收敛或学习步数达到规定值；

（9）如果训练成功，固定权值，用于回代，重新迭代。

4 结束语

针对传统的网络故障知识库难以共同存在的缺陷的高冗余性和稳定性，综合运用神经网络方法和粗糙集理论，提出了RSNN算法，以获得研究样品净化处理。该算法简化了样本，具有高适应性和高容错性，不容易陷入局部极小点，可以有效地处理噪声或不兼容的网络故障诊断。使用这种方法与其它相似的方法相比，可以提高诊断的精度和速度的诊断，具有一定的价值。

参考文献：

[1]王仲生.智能故障诊断和容错控制[M].西北工业大学出版社，2005.

神经网络特征重要性范文第5篇

关键词：三相整流 小波分析 神经网络 故障诊断

中图分类号：TM461 文献标识码：A 文章编号：1007-9416（2012）10-0106-02

随着电力电子电路的应用日益广泛，故障诊断问题的重要性越来越突出。在不通电的条件下，判断出故障元件，并更换损坏的元件，恢复生产。在电力电子电路中应用自动故障诊断技术，具有其深远的意义。

三相全控整流电路的整流负载容量较大，输出直流电压脉动较小，是目前应用最为广泛的整流电路之一。由于三相全控整流电路构成的装置发生故障后，快速报警，判断故障位置，并替换受损的元件，恢复电路。往往依赖人工操作但受到各种条件限制容易延长诊断时间。一种新的诊断方法应运而生。

小波神经网络是神经网络和小波理论结合的产物”它兼具了小波多尺度分辨的能力和神经网络并行计算的能力，具有收敛快，鲁棒性好，逼近能力强的优点成为研究的热点。

1、小波分析的基本理论

小波分析是从Fourier分析逐渐发展起来的，它源于函数的伸缩和平移。小波简单地说就是“一小段波”，它是一种特殊的，长度有限、平均值为零的波。它有两个特点：一是“小”，即在时域都具有紧支撑或近似紧支撑集；二是正负交替的波动性，也即直流分量为零。小波变换就是将信号分解为一系列小波函数的叠加，而这些小波函数都是由一个母小波函数经过平移和尺度伸缩得来的。

把对信号的积分变换：

称为小波变换，其中。是由经平移和缩放的结果。在小波变换的定义中，小波函数是窗函数，它的时—频窗表现了小波变换的时—频局部化能力。

三相全控整流电路输出电流波形中通常含有非周期信号和畸变信号，采用传统的傅立叶变换不能满足相应的要求，然而小波变换确对故障信号的奇异点很敏感，信号突变时采用小波变换在一定的范围内会在突变处产生峰值其和噪声会完全不同。利用此特点，采用选择适当的小波基和适当的尺度参数，可在强噪声情况下，精确检测出突变信号。而且有效值突变点所对应的小波变换模极大值有沿尺度传递的特点；

对于同一个问题采用不同的小波基分析会有完全不一样的结果。限制判定小波基的优劣主要是对小波分解方法处理的结果与理论结果的差值来进行判断，以此来确定小波基。

根据三相全控整流电路电压信号的特点综合考虑，这里选择db3小波来基本满足紧支撑性与光滑性的要求。

如图1所示为三相全控桥式整流主电路图。

整流主回路故障情况比较复杂，由于是多相位、多器件，取控制触发角为0°30°45°90°。其故障组合数目众多，因此本文考虑，最多有两只晶闸管同时发生故障，共有22种故障。其故障编码如表1所示。

这样，共得了5大类，22个小类故障。并且对故障进行了编号。每种故障对应着六位编码Y6Y5Y4Y3Y2Y1。

Y6Y5Y4表示大类，Y3Y2Y1。表示所属大类中的小类，如：011010表示为第三大类中的第二小类故障：T3和T6开路

本文采用小波分析与神经网络相结合的方法对故障进行诊断，使用此方法有两个前提条件：

（1）在整流电路中，晶闸管断开、串接熔断器熔断、触发脉冲丢失一切造成整流桥不导通的故障，统称为晶闸管故障；

（2）由于神经网络的识别能力和结构的简化，最多同时考虑有两个晶闸管产生故障。

2、故障特征提取方法

装置中整流电路晶闸管的断路故障必然表现为输出电压信号的间断，即输出信号是两种不同频率信号的组合。对于间断检测的原理，我们可以理解为：间断点是高频信息，比普通信号的频率要高出很多。此外，整流装置多带感性负载，输出电流波形变化平缓，而电压信号更便于识别通过对整流电路输出电压的小波分解，可以捕捉其故障信息，从而达到故障特征提取的。取触发角α为0°、30°、45°、60°四组故障特征样本，得到88个故障诊断结果。

下面对三相全控整流电路电压信号采用db3小波基进行6层小波分解，然后对各个系数求出其能量值，按照顺序排成一列向量，该向量就是对应某一故障的特征向量。首先利用MATLAB/Simulink工具建立三相全控整流电路的仿真模型在小波分解尺度图中，利用小波工具箱的GUI平台的统计功能（Statistics按钮）得出近似系数a6，细节系数d1、d2、d3、d4、d5、d6的最大值。为了提高神经网络的计算速度，处理数据，得出故障特征向量P=[a6/PSd1/PSd2/PSd3/PSd4/PSd5/PSd6/PS]，作为BP神经网络的输入量。

3、BP神经网络的训练

当对多层网络的结构确定且需要的训练数据准备好以后，就可以应用前面的BP算法对网络进行训练。其训练步骤如下：

（1）用小的随机数对每一层的权值和偏差初始化。

（2）计算网络各层输出矢量Al和A2以及网络误差E。

（3）计算各层反向传播的误差变化D2和Dl，并计算各层权值及新的权值。

（4）再次计算权值修正后的误差平方和。

（5）检查SSE是否小于err_goal，若是，训练结束，否则继续。

在本文中，故障特征向量P=[a6/PSd1/PSd2/PSd3/PSd4/PSd5/PSd6/PS]，作为BP神经网络的输入量。利用人工神经网络的学习能力和其输入输出之间的非线性映射关系，使波形分析结果和故障类型之间的非线性关系通过神经网络学习后保存在神经网络的结构中，然后用学习好的神经网络运用在电路的故障中，诊断BP神经网络故障诊断模型如图2所示。主要包括3层（1）输入层，即从实际系统中接收到的各种故障信息及现象；（2）中间层，是把输入层取得的信息经内部的学习与处理，转为具体的解决办法；（3）输出层，主要针对输入的故障形式，通过调整权系数后，得到具体的处理方法。

输入向量 P=[ 0.9999 0.0143 0.0061 0.0043 0.0026 0.0012 0.0008；

0.9997 0.0194 0.0081 0.0065 0.0041 0.0020 0.0014；

0.9997 0.0190 0.0094 0.0081 0.0052 0.0027 0.0018；

0.9997 0.0179 0.0083 0.0078 0.0049 0.0024 0.0016；]

目标向量T=[0 0 1 0 0 1；0 1 0 0 0 1；0 1 0 0 10......1 0 1 1 1 0]为22x6矩阵网络训练过程即不断修正权值与阈值的过程，通过修正使输出误差达到最小。

得到几组不同训练样本的测试数据P_test，用于验证网络的识别性能。调用Y=sim（net，P_test），对神经网络的输出结果进行四舍五人取整，（即若输出小于O.5则为O，否则为1），使其成为0或1，通过这组代码（如表2）

可查到对应的故障诊断结果。

测试结果为

Y=[0.0000 0.9790 0.0842 1.0000 0.9960 0.0000

0.0000 1.0000 0.8046 0.0000 0.0000 0.9995

1.0000 0.0000 0.9929 0.0000 1.0000 0.0000]

大于0.5取1，小于0.5取0，由此看出网络输出和期望值一致，得以证明建立的神经网络能够对装置的故障模式进行较准确的识别。

本文以输出的故障电压当做故障信息，采用小波分析的方法提取能量值作为故障特征向量，通过神经网络来实现故障定位，仿真结果表明：该方法收敛速度快，诊断准确度高。

参考文献

[1]董长虹.小波分析工具箱原理与应用.北京：国防工业出版社，2004，1.

[2]洪乃刚.电力电子和电力拖动控制系统的MATLAB仿真.北京：机械工业出版社，2006，1

[3]赵学智，陈文弋，林颖等.基于自适应小波神经网络的故障分类.振动、测试与诊断，2001，21.

[4]马皓，徐德鸿.两种基于神经网络的电力电子电路故障诊断方法比较机电工程.1999，1（3）：47-49.