前言：想要寫出一篇令人眼前一亮的文章嗎？我們特意為您整理了5篇人工神經網絡的優缺點范文，相信會為您的寫作帶來幫助，發現更多的寫作思路和靈感。

人工神經網絡的優缺點范文第1篇

【關鍵詞】 圖像識別技術 神經網絡識別

模式識別研究的目的是用機器來模擬人的各種識別能力―比如說模擬人的視覺與聽覺能力，因此圖像識別的目的是對文字、圖像、圖片、景物等模式信息加以處理和識別，以解決計算機與外部環境直接通信這一問題。可以說，圖像識別的研究目標是為機器配置視覺“器官”，讓機器具有視覺能力，以便直接接受外界的各種視覺信息。

一、圖像識別系統

一個圖像識別系統可分為四個主要部分：被識圖像、圖像信息獲取、圖像預處理、圖像特征提取、分類判決。

二、圖像識別方法

圖像識別的方法很多，可概括為統計（或決策理論）模式識別方法、句法（或結構）模式識別方法、模糊模式識別方法以及神經網絡識別方法。重點介紹神經網絡識別方法。

2.1神經網絡識別方法

2.1.1人工神經網絡的組成

人工神經網絡（簡稱ANN）是由大量處理單元經廣泛互連而組成的人工網絡，用來模擬腦神經系統的結構和功能。而這些處理單元我們把它稱作人工神經元。

2.1.2人工神經網絡的輸出

2.1.3人工神經網絡的結構

人工神經網絡中，各神經元的不同連接方式就構成了網絡的不同連接模型。常見的連接模型有：前向網絡、從輸入層到輸出層有反饋的網絡、層內有互聯的網絡及互聯網絡。

2.1.4 學習算法

1）感知器模型及其算法

算法思想：首先把連接權和閾值初始化為較小的非零隨機數，然后把有n個連接權值的輸入送入網絡中，經加權運算處理后，得到一個輸出，如果輸出與所期望的有較大的差別，就對連接權值參數按照某種算法進行自動調整，經過多次反復，直到所得到的輸出與所期望的輸出間的差別滿足要求為止。

2）反向傳播模型及其算法

反向傳播模型也稱B-P模型，是一種用于前向多層的反向傳播學習算法。

算法思想是：B-P算法的學習目的是對網絡的連接權值進行調整，使得調整后的網絡對任一輸入都能得到所期望的輸出。學習過程包括正向傳播和反向傳播。正向傳播用于對前向網絡進行計算，即對某一輸入信息，經過網絡計算后求出它的輸出結果；反向傳播用于逐層傳遞誤差，修改神經元之間的連接權值，使網絡最終得到的輸出能夠達到期望的誤差要求。

B-P算法的學習過程如下：

第一步：選擇一組訓練樣例，每一個樣例由輸入信息和期望的輸出結果兩部分組成；第二步：從訓練樣例集中取出一樣例，把輸入信息輸入到網絡中；第三步：分別計算經神經元處理后的各層節點的輸出；第四步：計算網絡的實際輸出和期望輸出的誤差；第五步：從輸出層反向計算到第一個隱層，并按照某種原則（能使誤差向減小方向發展），調整網絡中各神經元的權值；第六步：對訓練樣例集中的每一個樣例重復一到五的步驟，直到誤差達到要求時為止。

3）Hopfield模型及其學習算法

它是一種反饋型的神經網絡，在反饋網絡中，網絡的輸出要反復地作為輸入再送入網絡中，使得網絡具有了動態性，因此網絡的狀態在不斷的改變之中。

算法思想是：

（a） 設置互連權值

其中xis是s類樣例的第i個分量，它可以為1或0，樣例類別數為m，節點數為n。

（b） 未知類別樣本初始化。 Yi（0）=Xi 0≤i≤n-1

其中Yi（t）為節點I在t時刻的輸出，當t=0時，Yi（0）就是節點I的初始值，Xi為輸入樣本的第I個分量。

（c） 迭代直到收斂

人工神經網絡的優缺點范文第2篇

關鍵詞：神經網絡 ；BP網絡； 優缺點； 改進算法

【中圖分類號】 TP183 【文獻標識碼】 B【文章編號】 1671-1297（2012）09-0196-02

思維學普遍認為，人類大腦的思維分為抽象（邏輯）思維、形象（直觀）思維和靈感（頓悟）思維三種基本方式。

人工神經網絡（Artificial Neural Networks，NN）就是模擬人思維的第二種方式。這是一個非線性動力學系統，其特色在于信息的分布式存儲和并行協同處理。雖然單個神經元的結構極其簡單，功能有限，但大量神經元構成的網絡系統所能實現的行為卻是極其豐富多彩的。人工神經網絡系統從20世紀40年代末誕生至今僅短短半個多世紀，但由于它具有信息的分布存儲、并行處理以及自學習能力等優點，已經在信息處理、模式識別、智能控制及系統建模等領域得到越來越廣泛的應用。

神經網絡拓撲結構的單隱層前饋網絡，一般稱為三層前饋網或三層感知器，即：輸入層、中間層（也稱隱層）和輸出層。它的特點是：各層神經元僅與相鄰層神經元之間相互全連接，同層內神經元之間無連接，各層神經元之間無反饋連接，夠成具有層次結構的前饋型神經網絡系統。單計算層前饋神經網絡只能求解線性可分問題，能夠求解非線性問題的網絡必須是具有隱層的多層神經網絡。

一 BP網絡

1986年，Rumelhart和Hinton提出了誤差反向傳播神經網絡（Error Back Propagation Neural Network），簡稱BP網絡。它是一種能向著滿足給定的輸入輸出關心方向進行自組織的神經網絡。

1. BP網絡的原理

輸入層各神經元負責接收來自外界的輸入信息，并傳遞給中間層各神經元；中間層是內部信息處理層，負責信息變換，根據信息變化能力的需求，中間層可以設計為單隱層或者多隱層結構；最后一個隱層傳遞到輸出層各神經元的信息，經進一步處理后，完成一次學習的正向傳播處理過程，由輸出層向外界輸出信息處理結果。當實際輸出與期望輸出不符時，進入誤差的反向傳播階段。誤差通過輸出層，按誤差梯度下降的方式修正各層權值，向隱層、輸入層逐層反傳。周而復始的信息正向傳播和誤差反向傳播過程，是各層權值不斷調整的過程，也是神經網絡學習訓練的過程，此過程一直進行到網絡輸出的誤差減少到可以接受的程度，或者預先設定的學習次數為止。

2. BP網絡的特點

（1）輸入和輸出是并行的模擬量。

（2）網絡的輸入輸出關系是各層連接的權因子決定，沒有固定的算法。

（3）權因子是通過學習信號調節的，這樣學習越多，網絡越聰明。

（4）隱含層越多，網絡輸出精度越高，且個別權因子的損壞不會對網絡輸出產生大的影響。

3. BP網絡的優點

（1）網絡實質上實現了一個從輸入到輸出的映射功能，而數學理論已證明它具有實現任何復雜非線性映射的功能。這使得它特別適合于求解內部機制復雜的問題。

（2）網絡能通過學習帶正確答案的實例集自動提取"合理的"求解規則，即具有自學習能力。

（3）網絡具有一定的推廣、概括能力。

4. BP網絡的缺點

BP算法的學習速度很慢，其原因主要有：

（1）由于BP算法本質上為梯度下降法，而它所要優化的目標函數又非常復雜，因此，必然會出現"鋸齒形現象"，這使得BP算法低效；

（2）存在麻痹現象，由于優化的目標函數很復雜，它必然會在神經元輸出接近0或1的情況下，出現一些平坦區，在這些區域內，權值誤差改變很小，使訓練過程幾乎停頓；

（3）為了使網絡執行BP算法，不能用傳統的一維搜索法求每次迭代的步長，而必須把步長的更新規則預先賦予網絡，這種方法將引起算法低效。

網絡訓練失敗的可能性較大，其原因有：

（1）從數學角度看，BP算法為一種局部搜索的優化方法，但它要解決的問題為求解復雜非線性函數的全局極值，因此，算法很有可能陷入局部極值，使訓練失敗；

（2）網絡的逼近、推廣能力同學習樣本的典型性密切相關，而從問題中選取典型樣本實例組成訓練集是一個很困難的問題。

難以解決應用問題的實例規模和網絡規模間的矛盾。這涉及到網絡容量的可能性與可行性的關系問題，即學習復雜性問題。

網絡結構的選擇尚無一種統一而完整的理論指導，一般只能由經驗選定。為此，有人稱神經網絡的結構選擇為一種藝術。而網絡的結構直接影響網絡的逼近能力及推廣性質。因此，應用中如何選擇合適的網絡結構是一個重要的問題。

新加入的樣本要影響已學習成功的網絡，而且刻畫每個輸入樣本的特征的數目也必須相同。

二 BP網絡的改進算法

BP算法最優化的方向主要有權值調整、自適應學習速率調整、網絡結構調整等。常用的改進方法有以下幾種：

1.加入動量項

利用附加動量的作用則有可能滑過局部極小值。該方法所加入的動量實質上相當于阻尼項，它減小了學習過程的振蕩趨勢，改善了收斂性，這是目前應用比較廣泛的一種改進算法。

2.自適應學習速率調整

對于一個特定的問題，要選擇適當的學習速率并不是一件容易的事情。對訓練開始初期功效很好的學習速率，不一定對后來的訓練合適。為了解決這一問題，人們自然會想到在訓練過程中自動調整學習速率。

3.共軛梯度算法

在各種改進算法中，共軛梯度法（Conjugate Gradient）是非常重要的一種。其優點是所需存儲量小，具有N步收斂性，穩定性高，而且不需要任何外來參數。

4.Levenberg-Marquart算法（最小二乘擬合算法）

除了改進算法以外，通過改變神經網絡結構（隱層結點數和網絡層數）、調整誤差等方法，也能加快BP算法的收斂速度。

參考文獻

人工神經網絡的優缺點范文第3篇

關鍵詞：切削數據庫；數據尋優算法；實例推理；粒子群算法；神經網絡算法

中圖分類號：TG506 文獻標志碼：A 文章編號：1007-2683（2013）01-0001-06

0.引言

近年來，隨著數控機床及切削刀具技術的不斷發展，切削數據在機械制造領域中越來越顯示出其重要性，并且已經成為一種極為重要的資源。

數據庫是集中、保存和管理某一領域內所有這些信息的集合，是管理信息系統的核心。切削數據庫是切削加工技術與計算機技術相結合的產物。切削數據庫最初只是管理加工中出現的切削數據，隨著神經網絡算法、粒子群算法等優化算法的應用，切削數據庫中添加了優化切削數據和切削數據的智能化評價等功能，使得切削數據庫系統得到了很大的發展并已受到各相關行業的高度重視。選擇合理的優化算法建立切削數據庫，可以合理地選擇切削參數，對提高生產率、降低生產成本有著非常重要的意義。對于解決某一類問題，可以通過多種算法來實現但并不是每一種算法都能找到最優解，需要根據每個算法自身的優缺點、適合的領域、優化方式等來選擇合適的算法，從而使尋優路徑達到最短，優化效果達到最好。但是傳統的優化算法也存在一定的弊端，為此提出了算法的改進算法，在很大程度上增強了算法的尋優能力。

1.數據獲取技術在切削數據庫中的應用

1.1神經網絡推理技術

神經網絡算法是指模擬生物的神經結構以及其處理信息的方式來進行計算的一種算法。神經網絡可以處理例外及不正常的輸入數據，這對于很多系統都很重要。黃傳真等研究的汽車覆蓋件模具鋼高速切削數據庫將分別基于MATLAB神經網絡和基于指數函數的刀具磨損預報模型的擬合誤差相比較，優選出基于MATLAB神經網絡的刀具磨損預報模型，并將.NET框架和MATLAB環境引入到刀具磨損集成預報系統中，實現了模具鋼精加工過程中對刀具磨損的在線預報，實現了對高速切削加工技術的合理應用。

為了實現神經網絡模型的智能尋優，將其與蟻群算法相結合使用，用蟻群算法的啟發式尋優和全局優化的特點來訓練神經網絡的權值即用蟻群算法來訓練神經網絡，最終解決尋優問題。如詹曉娟等研究的基于蟻群神經網絡銑削數據庫系統就是利用蟻群算法優化神經網絡的方法，使系統在切削參數的選擇具有一定的智力水平，實現了切削參數的合理選擇。這種智能尋優的方法不僅避免了以往算法收斂速度慢易陷入局部最優等缺陷，提高了系統的運行速度和運算效率，還能夠通過自學習提高自身決策能力，使決策結果更趨合理。

神經網絡在解決非線性映射問題如切削用量選擇上可達到良好的效果，在機械工程領域具有很高的利用價值。但是當前的神經網絡仍普遍存在收斂速度慢、計算量大、訓練時間長和不可解釋等缺點。

1.2動力學仿真優化技術

切削參數數據庫的數據主要來源于切削手冊、生產實踐和切削實驗，傳統來源的切削參數難以完全滿足切削加工的要求。為了存儲優化型仿真切削數據，保證切削加工穩定性，趙海洋等在平臺下開發了基于B/S數據庫結構的動力學仿真優化型切削數據庫系統。該系統通過動力學仿真優化方式獲取優化型切削參數，實現了高速加工過程中的穩定高效切削。

將動力學仿真優化技術引入到切削數據庫及其應用系統中，不僅能使系統具有良好的結構和可擴展性，還能提供工藝人員合理的切削參數，大大減少了以往試切所帶來的經濟和時間上的浪費，從而提高了生產效率，降低了生產成本。

1.3實例推理技術

1982年Schank通過研究人和機器學習的動態存儲理論，提出了基于實例的推理（case-based reason-ing，CBR）其本質是利用舊問題的解決方案來解決新問題，并且具有自學習功能，CBR原理如圖1所示。

利用實例推理技術，將其與規則推理相結合使用，把以往取得的經驗應用于新問題的解決上，減少知識獲取的工作量，不僅可以為建立切削參數數據庫提供一個有效可行的方法，還可以為新的工件加工問題提供參考解決方案，對切削技術的推廣應用具有非常重要的意義。

CBR是一種人工智能的推理方法，廣泛應用于問題求解領域，在一定程度上突破了知識獲取的瓶頸問題。由于CBR中實例都是以往問題的優化結果，因此其本身就包含了大量的設計經驗知識，不僅避免了在獲取知識上的時間的浪費，而且設計結果的實用性也很強。CBR為快速設計新的工藝提供了依據。

2.切削數據優化算法分析對比

2.1多目標優化算法的比較

從古老的時代開始，人們就力求在解決一個問題的眾多方案中尋求一種最優方案，因此實際中優化問題大多數是多目標優化問題，它也是一類普遍存在的問題。基于群體智能進化的群體智能優化算法在解決多目標優化問題上提高了人們解決和處理優化問題的能力。但是粒子群算法等群體智能優化算法在解決多目標優化問題時有著各自的優缺點，需要對它們進行比較以選擇合適的算法。表1是幾種智能優化算法的比較。

通過表1中幾種算法的對比可以看出，每種優化算法都有自己獨特的優缺點，但是在處理高維復雜問題時都出現易陷入局部最優、收斂效果不好的問題。粒子群算法和遺傳算法都屬于全局優化算法，利用目標函數來衡量個體的優劣程度，粒子群算法計算復雜度比遺傳算法低，可以短時間內找到最優解，但粒子群算法在搜索性能上好于混洗蛙跳算法。可以將幾種算法結合使用或者對某種算法進行改進，彌補以往算法的缺點，從而達到更好的解決多目標優化問題的目的。

2.2知識獲取的推理方式比較

規則推理、人工神經網絡、實例推理、模糊邏輯、遺傳算法和混合推理等智能推理方法被普遍應用在工程中。實例推理作為基于規則推理技術的一個重要補充，已受到人們越來越廣泛的關注。但目前比較常用的智能推理方法有規則推理、神經網絡和實例推理，它們在解決不同問題上表現出各自的優缺點，如表2所示。

根據表2列出的3種智能推理方式的比較可以看出，在總體上來看實例推理表現最好，但在解決復雜知識獲取問題上仍表現出明顯的不足。針對這一問題研究人員將實例推理、規則推理、人工神經網絡三者結合，產生了各種各樣的混合推理，這些推理不僅結合了它們各自的優點，而且很大程度上克服了單個方法的缺點，可

以很好的解決復雜問題，如高速切削數據庫系統的建立就是采用規則推理和實例相結合的混合推理方式，通過這一方式使該系統的數據采集和知識更新變得簡單易行。

2.3數據查詢優化算法比較

隨著現代切削數據庫規模的不斷擴大，高效率的信息提取技術逐漸成為人們研究的熱點。高效的查詢被用來體現一個系統性能的好壞，查詢的效率也就成為了評價切削數據庫系統的重要指標。提高查詢效率是建立一個系統首要解決的問題之一，因此對作為有效手段的查詢優化的研究就顯得尤為重要。但是一個較好的優化算法，并不是通用和萬能的，根據不同的環境不同的優化算法適用于不同的的問題及用戶。目前常用的數據查尋優化算法有啟發式搜索算法又稱為A算法，它是在貪婪算法的基礎上提出的一種基于人工智能理論的改進算法；基于Agent的分布式查詢優化算法，它結合了分布式人工智能與切削數據庫管理系統兩個領域；遺傳算法，它是模擬生物在環境中遺傳和進化過程而形成得一種自適應的全局優化概率搜索算法；全局查詢優化算法如模擬退火算法、快速分解模擬退火等，能夠找出全局最優解；等聯結操作結果估算模型，它是一種改進算法，能保證優化方法在一定條件下生成的任意兩個相鄰的操作次序是最優的；分裂大表算法即將大表分成若干個子表和一個索引表，將子表放在不同的邏輯設備上，各子表的名稱和分裂條件存放在索引表里來提高查詢速度；神經網絡技術的異構數據庫集成，它可以通過將全局查詢快速地分解為各個子查詢，來進行優化操作；多元連接查詢優化算法，針對遠程網和局域網這兩種不同的網絡，提出了最小生成樹算法和改進的最小生成樹算法兩種全局優化算法，反復使用此算法可使預先估計的總代價最小；分布式查詢優化算法，它的核心是SDD-1查詢優化算法，該算法在一定程度上可以使整個網絡上的傳輸量保持最小。對數據庫進行查詢時，可供選擇查詢優化算法很多，需要根據一定的標準來評價各算法是否適用于此環境，以提高效率的目的。為此研究人員提出了評價算法的4個標準：一是否適用于大數據量；二是否能應付異構數據庫的要求；三是局部優化還是全局優化；四是算法的效率是否滿足大數據量、高復雜性的要求。表3是幾種數據查詢優化算法的比較。

由表3可知，對數據庫進行查詢時，對查詢優化算法的選擇需要考慮很多因素，不能通過一個固定的原則來評價優化算法的優劣，需要根據當時的系統環境來選擇合適的優化算法，這樣才能充分利用算法的優點。

3.數據尋優算法的改進

目前許多數據優化算法被廣泛應用在機械加工領域，在一定程度上達到了數據尋優的目的，提高了系統的尋優能力，但是面臨一些復雜的問題時一些算法表現出收斂速度慢、陷入局優等問題，為了解決這一問題，對一些算法提出了改進，下面介紹了幾種算法的改進算法。

3.1變形遺傳算法

變形遺傳算法是從簡單遺傳算法發展而來的，是對其運算因子的擴展和補充。簡單遺傳算法存在許多的不足之處，變形遺傳算法在此基礎上進行了一些改進：改進編碼方式，改進初始群體的生成方式，改進適應度函數的定義方式，改進選擇算子操作方式，改進變異算子操作方式，改進算法終止條件。這些算法增強了變形遺傳算法搜索過程的方向性，從而增強了算法搜索尋優的方向性。圖2為切削用量優化的變形遺傳算法的流程圖。

變形遺傳算法有兩個優點：一是具有局部的隨機搜索能力；二是可維持群體多樣性，防止出現未成熟收斂現象，從而使收斂概率達到大值。

3.2改進的粒子群算法

粒子群優化算法在函數優化等領域蘊涵了廣闊的應用前景，利用粒子群優化參數原理（如圖3），并與局部搜索算法混合，可以提高了算法在局部區域內進行精細搜索的能力。尋找到最優化的加工參數。目前針對粒子群算法存在的問題，已提出了多種粒子群算法改進算法，并且這些改進的算法廣泛應用于函數優化，神經網絡訓練，模式分類等領域。其中一種改進的粒子群算法是針對粒子群算法在求解高維函數時易陷入局部最優的問題提出的，該算法通過對粒子的速度和位置更新公式進行改進，使粒子在其最優位置的基礎上進行位置更新，從而增強算法的尋優能力。如圖4為改進的粒子群算法流程圖。

另外兩種典型的粒子群算法的改進算法為：①全局鄰域模式和局部鄰域模式粒子群優化算法，前者收斂速度快，但易陷入局部極小值；后者收斂速度慢，但能在較大程度上避開局部極小值；②混沌粒子群優化算法，它不但具有混沌的隨機性、遍歷性、規律性等特性，還能引導粒子及其組成的群落搜索全局最優解。

3.3協同優化算法的改進

協同優化算法（eollaborati Veoptimization，CO）是多學科設計優化方法中應用最廣、效果最好的算法，但是在應用中存在計算困難的問題，根據這一問題提出了改進的協同優化算法一ICO（Improvedeollaborati Veoptimization）多學科設計優化方法。

ICO多學科設計優化方法保持了CO算法模塊化和學科自治性的優點，以新的表達方式來克服CO算法的計算困難。ICO算法利用快速啟動方法提高了計算速度，使得ICO算法比標準CO算法更加穩定、可靠，計算效率明顯提高。以往協同粒子群算法不能保證全局收斂，易產生偽最優值的問題，根據這一問題提出改進的協同粒子群優化算法，它將混沌理論引入協同粒子群算法中，改善了協同粒子群算法的性能，使其具備了求解高維優化問題的優越性。但是IC0算法還需要在大型復雜工程系統設計優化中進行應用、檢驗及進一步完善。

Matherton提出Kriging數學理論之后，Kriging技術在許多領域得到應用，研究人員以此為基礎并基于統計學理論提出了Kriging模型，Kriging模型被視為一種最優的線性無偏估計。對于計算量大的問題可以利用基于Kriging模型的改進協同優化算法（Kriging-CO算法）來提高系統的優化效率，該改進算法的原理如圖5所示。Kriging-CO算法適用于解決共享變量多、子模型復雜的問題，應用該算法減少迭代次數，提高運算效率。

雖然一些改進算法彌補了以往算法一些不足，但切削數據庫技術的發展越來越快，對切削數據庫性能的要求越來越高，出現的問題也會越來越多，因此對算法的研究也必須更加深入。

4.結語

人工神經網絡的優缺點范文第4篇

關鍵詞：SOM神經網絡;負荷特性曲線;聚類分析

中圖分類號：TM7 文獻標識碼：A 文章編號：1007-0079（2014）33-0204-03

在國家提出建設堅強智能電網的背景下，提高電力營銷服務水平和智能用電技術已成為電網企業關注的焦點。電力營銷服務水平與智能用電技術的提升離不開在對電力用戶用電行為特征的準確、全面、及時地掌握，而從海量負荷數據中提取用戶日負荷特征曲線并進行深入分析成為研究用戶用電行為特征的一種有效方式。

從研究對象層面來看，以往相關研究側重專線用戶（負荷數據來源為SCADA系統）和專變用戶，并以傳統意義上的行業分類作為提取負荷特征曲線時聚類的依據。從研究方法層面來看，電力用戶日負荷特征曲線的提取多使用聚類算法，主要有統計方法、機器學習方法、人工神經網絡方法和面向數據庫的方法。人工神經網絡因具有大規模的并行協同處理能力、較強的容錯能力、聯想能力、學習能力和自適應能力，故能夠較好地適應海量數據背景下的數據挖掘。應用較多的典型的神經網絡模型包括BP網絡、Hopfield網絡、ART網絡和Kohonen網絡。[1-3]BP網絡屬于有監督學習的神經網絡，需要提供聚類對象類別數量的先驗知識，而公變用戶缺乏傳統意義上類似專變用戶的行業分類，故不適合采用BP網絡。Hopfield網絡、ART網絡和Kohonen網絡都屬于無監督學習的神經網絡，在解決聚類問題上有其各自的優缺點。

本文提出采用SOM神經網絡[4-6]聚類算法提取公變用戶日負荷特征曲線，用MATLAB軟件進行仿真，輸出可視化聚類結果，并對聚類結果進行分析，驗證了采用SOM神經網絡聚類算法提取出的公變用戶日負荷特征曲線能夠較好地顯示不同類型公變用戶用電行為特征上的差異，具備良好的聚類效果，同時為電網企業優化電力營銷服務提供參考和指導。

一、SOM神經網絡

SOM（Self-Organizing Map，自組織映射）神經網絡是較為廣泛應用于聚類的神經網絡。它是由Cohonen提出的一種無監督學習的競爭型神經網絡模型，通過不斷縮小獲勝神經元的鄰域來達到聚類的目的。主要功能是將輸入的高維空間數據映射到一個較低的維度，通常是一維或者二維輸出，同時保持數據原有的拓撲邏輯關系。

SOM神經網絡由輸入層和輸出層兩層組成，輸入層中的每一個神經元通過權與輸出層中的每一個神經元相連，如圖1所示。輸入層的神經元以一維的形式排列，輸入神經元的個數由輸入矢量中的分量個數決定，輸出層的神經元一般以一維或者二維的形式排列，計輸入層的神經元數量為m，輸出層神經元數量為c。輸入的樣本總數為n，第i個輸入樣本用矢量表示為，每個輸出神經元的輸出值記為，。與第j個輸出神經元相連的權用矢量表示為：。

Kohonen算法是無教師示教的聚類方法，它能將任意維輸入模式在輸入層映射成一維或二維離散圖形，并保持其拓撲結構不變，即在無教師示教的情況下，通過對輸入模式的自組織學習，在輸出層將聚類結果表示出來。此外，網絡通過對輸入模式的反復學習，可以使連接權矢量空間分布密度與輸入模式的概率分布趨于一致，即連接權矢量空間分布能反映輸入模式的統計特性。該算法往往在完成極高維數、超大量數據和高度非線性問題的聚類，模式表征和數據壓縮，分類等任務時是一個很有效、很簡便，且快速、穩健、泛化性好的算法。

Kohonen的學習算法如下：

（1）初始化：將整個輸入向量存儲在矩陣p中，對權值w進行初始化，權值向量的每一維的取值范圍同輸入向量每一維的取值范圍。

（2）選擇一個輸入向量，提供給網絡輸入層。

（3）按照下式計算輸出層每一個神經元 j 的權值與輸入向量之差：，其中，。

（4）按照“勝者為王”的原則，對每一個神經元j，以minDist中的最小值所對應的神經元 k作為勝者，對它和它的鄰域內的神經元的權值進行調整，假設當前處于學習的第l步，權值的修正按照下式進行：

其中，lr表示學習速率，br表示鄰域調整率;表示獲勝神經元的鄰域，即：。

（5）選擇另一個輸入向量，返回（3），直到所有的輸入向量全部提供給網絡。

（6）返回（2），直到達到最大訓練步數。

二、MATLAB仿真算例

1.MATLAB仿真實現

對于日負荷特征曲線的提取，負荷曲線的采樣點越多，曲線越精細，越容易進行分類，研究數據來自于電力用戶用電信息采集系統，從中提取公變用戶每15分鐘采集一次的有功功率構成其日負荷曲線，一天共96個采樣點。從某省電力用戶用電信息采集系統中隨機抽取1000臺公用變壓器，選取其2012年7月10日（工作日，該省全年負荷最高日）作為典型日進行日負荷特征曲線提取和分析。每臺公變日負荷曲線由96個有功采樣點組成。由于每臺公變額定容量大小不等，為了有效聚類，首先需要對負荷數據進行歸一化處理。

本文采用聚類SOM神經網絡，在MATLAB環境下，對這些數據進行聚類仿真。聚類SOM神經網絡的MATLAB實現步驟如下：（1）準備數據源。首先從原始數據庫讀取相關數據（輸入樣本總數70，每一個樣本有96個采集時點）作為輸入矢量，并將其以二維數組70×96形式輸入。（2）確定參數。輸入神經元個數為采集時點的個數96;輸出神經元以二維數組3×3形式呈現。（3）運用rand（ ）函數產生[0，1）之間的隨機數作為權值。（4）調用SOM創建函數newsom（ ），創建自組織映射網絡net=newsom（ ）。（5）對迭代次數net.trainParam.epochs賦值2000;對net.trainParam.show賦值20，表示每20次顯示一下誤差變化情況。（6）運用網絡訓練函數train（ ）訓練上述初始化后的網絡net=train（ ）。（7）調用plot（ ）畫輸入點; plotsom（ ）作訓練后的權值點及其與相鄰權值點的連線。

2.仿真結果分析

經MATLAB仿真運行后得到聚類結果圖2所示：

圖2所示為SOM神經網絡聚類結果，將樣本公變用戶分為7個類別，為便于后文描述，不妨按照行優先的順序為各激活的優勝神經元標識聚類編號，依次分別為為：公變用戶第一類（包含13個樣本用戶）、公變用戶第二類（包含12個樣本用戶）、公變用戶第三類（包含5個樣本用戶）、公變用戶第四類（包含10個樣本用戶）、公變用戶第五類（包含10個樣本用戶）、公變用戶第六類（包含10個樣本用戶）、公變用戶第七類（包含10個樣本用戶）。

每個競爭層神經元與各輸入神經元之間的連接權構成的向量代表了該優勝神經元所標識類別的聚類中心即日負荷特征曲線，競爭層神經元鄰域權值距離如圖3所示，顏色越深表示領域神經元間的權值距離越遠，即鄰域神經元的聚類中心距離越遠、提取的日負荷特征曲線差異越大。

圖4所示為通過SOM神經網絡聚類算法提取的七大類公變用戶日負荷特征曲線。日負荷特征曲線較為明顯地反映了不同類型公變用戶在該典型日的用電行為。

第一類公變日負荷特征曲線呈現出明顯的午高峰和晚高峰特征，且晚高峰明顯高于午高峰。推測此類為城鎮居民生活的典型日負荷特征曲線，可能由于部分居民上班因素造成晚高峰高于午高峰;第二類公變日負荷特征曲線走勢同全網負荷基本一致，呈現出明顯午高峰和晚高峰，但午高峰一枝獨秀，可能該公變下的用戶類型較多，包括居民用戶和一般工商業用戶，由于各類用電特征比例與全網比例類似，形成具有全網負荷特征的曲線;第七類公變日負荷特征曲線與前六種主要集中在白天用電不同，主要在天黑時間段內（晚上7點左右至第二天早上6點）用電，推測這類用戶主要集中在市政工程類。

三、總結與展望

本文將SOM神經網絡聚類算法應用到電力用戶日負荷特征曲線提取的研究中，選取某省公變用戶作為分析樣本，通過MATLAB仿真計算將樣本公變用戶分為七個類別，以優勝神經元與輸入神經元之間連接權向量作為聚類中心即該類別用戶的日負荷特征曲線。根據提取出的日負荷特征曲線，結合電力用戶用電信息采集系統中的營銷檔案分析了不同類別公變用戶的用電特征與習慣。分析表明，采用SOM神經網絡聚類算法提取日負荷特征曲線具有良好的效果，提取出的日負荷特征曲線能夠較好反映該類型用戶的用電行為與特征，為電力企業了解用戶用電習慣、細分電力市場、調整定價策略和實施需求側管理提供了有益參考。

下一步研究將考慮采用電力用戶全年負荷數據進行聚類分析，驗證小樣本下的聚類結果、發現新的用戶類型;同時改進SOM神經網絡算法，使其適應海量數據下的負荷曲線聚類分析，并通過調整競爭層神經元個數與抑制權值使訓練結果更加穩定，得到更好的聚類效果。

參考文獻：

[1]馬玉梅，馬志超.基于人工神經網絡的手寫阿拉伯數字識別[J].中央民族大學學報（自然科學版），2007，（4）.

[2]劉小波，李亞玲，趙景濤，等.基于KOHONEN神經網絡的電壓控制分區[J].浙江電力，2007，（3）.

[3]莫禮平.基于Kohonen神經網絡的故障診斷方法[J].成都大學學報（自然科學版），2007，（1）.

[4]李培強，李欣然，陳輝華，等.基于模糊聚類的電力負荷特性的分類與綜合[J].中國電機工程學報，2005，（24）.

人工神經網絡的優缺點范文第5篇

關鍵詞：人工神經網絡；SOM；城市分類

一、引言

城市分類不僅便于我們對各個城市的發展進行評估，并且為我們制定城市的發展決策提供了依據。然而，如何能夠進行科學的城市分類一直備受關注。而基于近些年來人工神經網絡的飛速發展，它幫助我們解決了許多棘手的難題，其中的自組織特征映射網絡（SOM）具有強大的聚類功能，利用它可以幫助我們根據各個城市的特點從而進行科學分類，為加速我國城市的發展和城鎮化建設有著重要的意義。2005年吳聘奇、黃民生利用SOM網絡對福建省城市進行了職能分類，同年，劉耀彬、宋學鋒又基于SOM人工神經網絡對長江三角洲地區城市職能分類做了研究。從而可見，基于人工神經網絡的自組織特征映射網絡（SOM）在城市的分類問題確實可以發揮強大的作用。

評價一個城市的各個行業的發展，有許多指標。其中行業就業人口是評價一個城市該行業的發展的基礎指標。本文對山東地區城市的分類實證分析中，對各個城市的各行業就業人口數量進行了采集，其中包括農林牧漁業，采礦業，制造業，電力、煤氣及水的生產和供應業，建筑業，交通運輸、倉儲和郵政業，信息傳輸、計算機服務和軟件業，批發和零售業，房地產業，住宿和餐飲業，金融業，租賃和商務服務業，水利、環境和公共設施管理業，居民服務和其他服務業，教育，科學研究、技術服務和地質勘查業，衛生、社會保障和社會福利業，文化、體育和娛樂業，公共管理和社會組織等19個行業的從業人員數。然后，通過MATLAB軟件進行編程構建，成功地將山東省的17個城市進行了分類，從而說明了SOM網絡在城市分類方面的確有優于其他傳統方法的優點。

二、SOM網絡的基本原理

（一）SOM網絡簡介

自組織特征映射網絡也稱Kohonen網絡，或者稱為Self-OrgnizingFeatureMap（SOM）網絡，它是由芬蘭學者TeuvoKohonen于1981年提出的。該網絡是一個由全連接的神經元陣列組成的無教師自組織、自學習網絡。Kohonen認為，處于空間中不同區域的神經元有不同的分工，當一個神經網絡接受外界輸入模式時，將會分成不同的反應區域，各區域對輸入模式具有不同的響應特征。

SOM網絡的一個典型特征就是可以在一維或二維的處理單元陣列上，形成輸入信號的特征拓撲分布，因此SOM網絡具有抽取輸入信號模式特征的能力。SOM網絡一般只包含有一維陣列和二維陣列，但也可以推廣到多維處理單元陣列中去。

（二）SOM網絡學習算法

1、初始化。對N個輸入神經元到輸出神經元的連接權值賦予較小的權值。選取輸出神經元j個“鄰接神經元”的集合Sj。其中Sj(0)，表示時刻t=0的神經元j的“鄰接神經元”的集合，Sj(t)表示時刻t的“鄰接神經元”的集合。區域Sj(t)隨著時間的增長而不斷縮小。

2、提供新的輸入模式X。

4、給出一個周圍的鄰域Sk(t)。

7、提供新的學習樣本來重復上述學習過程。

三、基于SOM網絡的城市分類實證分析

城市分類可以便于我們了解各個城市的發展狀況，從而為我們制訂城市的發展決策提供依據。現在人工神經網絡已經得到了很大的發展，它為我們研究此類問題提供了一種新的工具和思路。所以基于這個問題，我們嘗試利用SOM網絡來進行城市分類。SOM網絡是一種具有聚類功能的神經網絡，并且它是無教師訓練方式，我們只需要采集輸入樣本，而不必如入目標值就可以得到我們想要的結果，可見SOM網絡使用也十分方便。

（一）網絡樣本設計

從山東省統計局網站，我們得到了山東省17個地級市城市的樣本。從中我們看出，原始指標數據波動較大，而一般來說，神經元的輸出函數在0-1之間最為靈敏，為了提高訓練的效率，所以要把數據進行歸一化處理。歸一化處理方法為：找出每個指標數據中的最大和最小值，利用（x-min）/（max-min）公式把所有數據歸一化為0到1之間的數。

（二）網絡設計

本文利用MATLABR2008進行編程構建。確定網絡的輸入模式為：

Pk=(P1k,P2k,…pkn)，k=1,2,…17,n=19

即一共有17組城市樣本向量，每個樣本中包括19個元素。

1、首先利用函數newsom創建一個SOM網絡。根據實際情況本文創建網絡的競爭層分別選用3、4、5、6層的結構。然后經過實驗，分別觀察其性能，從而選取分類效果最好的一組。

2、利用函數train和仿真函數sim對網絡進行訓練并仿真。仿真的步數大小同樣影響網絡的聚類性能，這里我們設置步數為1000。

最后經過分類結果如表1所示。

（三）實驗結果分析

最后經過分析篩選，發現當這17個城市被劃分為6類時和現實情況較為符合。分類情況如表2所示。

第一類：從表中看出，濟南和青島被歸為了一類，并且在分類數為3、4、5、6時，濟南和青島都被列為了一類。從表中我們可以看到濟南、青島在各方面都優于其他城市，尤其是制造業、教育、以及公共管理和社會組織方面。濟南是山東省省會，是全省、文化、經濟，金融，教育中心，也是國家批準的沿海開放城市和十五個副省級城市之一。青島是全國70個大中城市之一，全國五個計劃單列市之一。工業有紡織、機車車輛、機械、化學、石油化工、鋼鐵、橡膠、家用電器、啤酒、卷煙等。有馳名中外的青島啤酒、海爾集團、海信集團等大企業集團。并且，二者都有豐富的教育資源，全省大多高校均聚集在此。

第二類：淄博、泰安、德州、聊城在發展方面，各個方面較為均衡，沒有特別顯著的特點。四者的制造業、建筑業和教育大約位于全省中間地位。

第三類：棗莊、東營屬特殊職能類型城市。兩個城市相對其他城市來說，采礦業較為發達。棗莊境內已探明地下礦藏36種：煤、鐵、銅、鋁、金、銀、鍶（天青石）、石膏、螢石、水泥原料灰巖等。其中煤、石膏地質儲量為15.4億噸和4.1億噸。而東營又稱“石油之城”，豐富的石油、天然氣資源。但是，兩個城市的制造業相對薄弱，其他產業大約處于平均水平。

第四類：煙臺在此被單獨分成了一類，其具有自身的特色，并且發展潛力巨大。煙臺的制造業和交通運輸業位于全省前列。煙臺的工業主要以造船、輕紡、機械、建材、電子、冶金、醫藥等行業為主，并且還有張裕葡萄酒、三環鎖等煙臺的傳統產品。近年來，錦綸、白卡紙、電子網目板等技術水平較高的項目相繼投產。煙臺在地理位置上東連，西接濰坊，西南與毗鄰，北瀕、，與對峙，并與隔海相望，共同形成拱衛首都的海上門戶。所以，煙臺的交通運輸業較為發達。另外，煙臺的招遠金礦為煙臺采礦業也提供了大量了就業機會。

第五類：濰坊、臨沂、濟寧和菏澤在教育和公共管理和社會組織方面處于全省前列地位，其他方面稍稍遜色一些。

第六類：威海、日照、萊蕪、濱州這四個城市各個方面表現均不太突出，但是，這些城市的發展潛力很大。威海、日照屬沿海城市，交通便利，可以重點發展交通運輸業。萊蕪、濱州雖地處內陸，但也可依附內陸的經濟中心——濟南來發揮特色經濟。