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篇模糊神經網絡的優點范文，相信會為您的寫作帶來幫助，發現更多的寫作思路和靈感。

模糊神經網絡的優點范文第1篇

關鍵詞:模糊神經網絡;股票預測

一、引言

中國股市經過十余年的發展,應該說已經取得十分巨大的成就,但是與國外成熟股市相比仍然是一個新興市場。事實上,探索和研究股票價格波動的復雜性和規律性,是許多經濟工作者,尤其是證券研究者一直追求的目標。

股票交易數據預測是一種時間序列預測方法。時間序列預測法是依據預測對象過去的統計數據,找到其隨時間變化的規律,建立時序模型,以判斷未來數值的預測方法。其基本思想是:過去的變化規律會持續到未來,即未來是過去的延伸。一般一維時間序列預測方法有移動平均與分解方法、指數平滑方法、狀態空間模型等。這些預測方法經過長期的發展,在定量預測模型和定性預測模型等方面都有長足的進步。但是,當系統具有較強的非線性時,這些方法的適應性卻是有限的,在實際的預測環境中常常失去效用,因此用這些傳統的預測方法解決這類問題十分困難。

二、神經網絡和模糊邏輯結合的可能性

神經網絡的興趣在于人腦的微觀結構。并通過有自學習、自組識、自適應功能的神經網絡上的非線性并行分散動力學,對無法語言化的模式信息進行處理。模糊邏輯根據人為定義的隸屬函數和一系列并串行的規則,用邏輯推理去處理各種模糊性的信息,是通過模仿人的思維方式來表示和分析不確定、不精確信息的方法和工具。盡管“模糊”這個詞在這里容易使人產生誤解,實際上在模糊邏輯控制中的每一個特定的輸入都對應著一個實際的輸出。所以模糊邏輯本身并不模糊,模糊邏輯并不是“模糊的”邏輯,而是用來對“模糊”進行處理以達到消除模糊的邏輯,它是一種精確解決不精確、不完全信息的方法,其最大特點就是用它可以比較自然地處理人的概念,是一種更人性化的方法。在處理數據時,模糊邏輯更能容忍噪音干擾和元器件的變化,使系統適應性更好模。糊邏輯還對使產品開發周期縮短而編程更容易。通過模糊化樣本,提高了樣本集中各樣本的質量,進而改進能量函數。用神經網絡去預測股票,在對信息的推理上還存在相當大的困難;而在信息的獲取方面,模糊技術也顯得十分軟弱。

因此本文根據模糊邏輯和神經網絡的各自長處把它們結合起來,利用這種方法對股票預測進行研究。模糊系統提供了一種推論式語句用來逼近人的推理能力和并且應用到基于知識的系統中。模糊邏輯理論是用一種數學工具來獲取人們認知過程。然而,模糊邏輯中有個共同的瓶頸是它們都依賴于由領域專家給出的規則,而且,不存在正式的框架來選擇模糊系統的各種參數,因此,調整參數的方法是模糊系統的一個重要研究課題。另一方面,神經網絡所具有一些重要的有點,比如學習能力、自適應能力、容錯能力等,所以神經網絡能夠處理復雜的、非線性的以及不確定性問題。正是因為如此,可以相信它們具有構建與人們人之有關的各種行為的潛能。但是神經網絡的主要問題是它沒有明確的物理意義,使用者不知道這些網絡是如何運轉的。這就是為何神經網絡總是被稱為“黑箱”的原因。對以一個訓練好的神經網絡,其連接權值不能清楚地說明網絡是如何處理數據的,其含義是什么。特別是,現在的神經網絡理論還沒有提供一種方法來預測訓練好了的網絡的輸出。因此,在實際應用中造成了一些不確定性。

把模糊系統和神經網絡的結合成為模糊神經網絡,該網絡致力于獲得兩種系統的優點而克服各自的缺點。正如前文提到的,神經網絡的優點在于,第一個是能夠生成不需要明確表現知識的規則;第二個是其強大的自學能力。模糊系統的優點在于,第一個是能用模糊性的語言表達知識;第二個是能用簡單的預算來實現知識的模糊推理。兩者的結合可以解決模糊系統中的只是抽取問題以及專家知識也能很容易融合到神經網絡中,避免了初值選擇的任意性。

三、模糊神經網絡的模型設計

1、模型的結構

模糊神經網絡與一般的神經網絡相類似,通常分為前向型模糊神經網絡和反饋型模糊神經網絡兩類。本文采用的就是前向型模糊神經網絡。該網絡是可以實現模糊映射關系的模糊神經網絡。一個前向型模糊神經網絡可分為五層組成,分別為輸入層、模糊化層、模糊推理層、去模糊化層和輸出層。圖1-1為含有兩個輸入層節點、一個輸出節點的一個基本前向模糊神經網絡結構。

輸入層指的是接受外部輸入信號的一層,并將輸入值傳送給模糊化層的模糊單元;模糊化層的作用是按模糊規則將輸入值轉換為一定的模糊度,是對模糊信息進行預處理的網層。模糊推理層是前向型模糊神經網絡的核心,其網絡參數是由具體問題所確定的;去模糊化層接受經中間層處理的數據,并按照模糊度函數將數據進行非模糊化處理;最后輸出層給出確定性求解結果。

本文采用的是TS模糊神經網絡。該神經網絡分為輸入層、模糊化層、模糊規則計算層和輸出層(包括去模糊化)。輸入層與輸入向量xi連接,節點數與輸入向量的維數相同。模糊化層采用隸屬度函數(公式1-1)對輸入值進行模糊化得到模糊隸屬度值μ。模糊規則計算層采用模糊連乘(公式1-2)計算得到φ。輸出層采用(公式1-3)計算模糊神經網絡的輸出。下面給出各公式:

1-1

式中,分別為隸屬度函數的中心和寬度;k為輸入參數;n為模糊子集數。

1-2

1-3

式中為模糊系統參數。

2、模糊神經網絡的學習算法

(1)誤差計算

式中,yd為網絡期望輸出;yc是網絡實際輸出,e為期望輸出和實際輸出的誤差。

(2)系數修正

式中,為神經網絡系數;α為網絡學習率;xj為網絡輸入參數;φi為輸入參數隸屬度連乘積。

(3)參數修正

式中,、分別為隸屬度函數的中心和寬度。

3、預測模型的結構設計和參數的設定

網絡結構的選擇需要考慮以下因素:軟硬件實現的難易程度、訓練速度和網絡的推廣能力等,其中網絡的推廣能力是最主要的,網絡結構設計至今還沒有確定的方法可循。14世紀的法國修道士 提出過一個最簡單原則:“與己知事實滿意符合(一致)的理論中最簡單者就是最好的理論”,后人稱此原則為“奧克姆剃刀”。由此產生了一個公認的指導原則:“在沒有其他經驗知識時,能與給定樣本滿意符合(一致)的最簡單(規模最小的網絡就是最好的選擇”。這相當于在樣本點的誤差在允許范圍條件下用參數最少的模型去逼近一個未知的非線性映射。

從總體上來說,網絡結構設計并沒有固定可循的步驟,有許多參數要靠經驗選擇,并通過試驗加以比較。規模小的網絡的泛化能力強,同時也易于理解和抽取規則、知識,便于軟硬件實現。通常情況下,由于訓練樣本有限,所以把泛化能力作為主要要求,強調選擇能達到要求的最小網絡。理論證明,一個三層網絡可以任意逼近一個非線性連續函數。

基于T-S模糊神經網絡的算法流程如圖1-2所示。其中模糊神經網絡構建根據訓練樣本維數確定模糊神經網絡的輸入和輸出的節點以及模糊隸屬度函數個數。由于輸入數據為開盤價,最高價,最低價,收盤價這四組數據,所以為n=4維的,輸出的是次日的開盤價格即輸出數據為1維的。在模糊化層中,該層有nm個節點,利用K-means法對樣本進行聚類分析得到模糊規則數以確定m。在聚類分析得出m=2所以得到節點數為8,該模糊神經網絡的結構為4-8-1。在根據T-S的模型,所以選擇5組系數ρi。

雖然權值隨迭代而更新,一般都是收斂的,但是如果初始值設置的太大的話會影響該網絡,會使網絡飽和的很快。初始的權值對收斂速度也會造成影響。實驗表明,初始權值只要不是過大,對網絡整體的性能的影響并不大,一般可選在(-0.5,0.5),本文取權值為0。由于本文的隸屬度函數利用的是高斯函數,所以高斯函數中的中心和寬度隨機得到。

在學習率和網絡參數的選擇上,若選擇的太小,會使網絡參數修改量過小,收斂的速度緩慢;若選擇的太大,雖然可以加快了學習的速度,但是有可能導致在穩定點附近進行持續的振蕩,難以收斂,目前在理論上還沒有明確的確定學習率的方法,對于具體問題需要進行試驗,通過實驗比較出適合的學習率,本文在通過實驗選取學習率為0.025,網絡參數選取0.001,最大迭代次數選取為100。

四、實證分析

1、預測的效果

選取綠景地產(000502)2010年1月20日連續120個交易日的數據作為訓練和預測樣本。其中使用前100個交易日的指標作為訓練樣本訓練網絡,用后20個數據進行樣本預測。

如圖1-3為訓練網絡的效果圖,該結果是用歸一化后的數據。

表 1-1列出真實值和預測值以及預測的相對誤差((真實值-預測值)/真實值):

2、網絡性能的評價

對神經網絡常用的預測性能的評價指標常用的有RRMS,MPE,mpe,PC。選取綠景地產(000502)2010年1月20日連續120個交易日的數據作為訓練和預測樣本。其中使用前100個交易日的指標作為訓練樣本訓練網絡,用后20個數據進行樣本預測。本系統的各項性能指標如下:

相對均方根誤差:RRMS=0.63%最大誤差:MPE=0.19元 正確趨勢率:PCD=65%

從以上指標看出用該模糊神經網絡進行預測是有效的,預測系統式成功的。

五、總結

股票市場是反映經濟的“晴雨表”,其作用不但被政府重視,而且受投資大眾的普遍關注,股票市場中的收益伴隨著風險,以最小風險獲得最大收益是每個投資者的目標,所以研究股票市場內在規律及其預測具有重大的意義和應用的價值。股票交易數據預測是時間序列預測。在股票市場這個極其復雜的系統中,它所具有的非線性和高噪聲等因素決定了股票預測的過程的復雜與困難,傳統預測方法很難應用于此,難以建立有效的數學模型。

神經網絡是一種很好的時間序列預測方法。神經網絡具有逼近任意復雜連續函數關系的能力,而這些能力正是傳統方法所不具有的。本文把模糊邏輯和神經網絡相結合起來,首先介紹了模糊系統和神經網絡的基本知識以及二者結合的可能性。然后建立模糊神經網絡模型并用于股票價格的預測,運用相關分析在剔除了與預測指標相關性較小的指標,簡化了模糊神經網絡的結構,并在實際的試驗中確定了相關網絡系數的初始值,簡要的介紹了建模的工具,并用設立模糊等級對模糊神經網絡的有效性進行了評價,在通過實證分析證實了網絡系統基本上達到了預想的要求。

參考文獻:

[1]胡守仁,神經網絡應用技術[M],國防科技大學出版社,1993

[2]趙振宇,模糊理論和神經網絡的基礎與應用[M],清華大學出版社,1996

[3]劉增良,模糊邏輯與神經網絡[M],北京航空航天大學出版社,1996

[4]吳華星,基于神經網絡的股票價格預測,中國科學院計算技術研究所,1998

[5]姚培福,人工神經網絡在股票預測中的應用與研究,昆明理工大學碩士學位論文,2007

模糊神經網絡的優點范文第2篇

關鍵詞：集中供熱；模糊控制；神經網絡；系統仿真

集中供暖系統由熱源、熱網和熱用戶組成，其中熱源的控制是控制總供水溫度和流量，保證按需供熱并均勻分配總供熱量至各熱力站。熱網分為一次網和二次網，熱網的控制是通過對熱負荷的動態預測，來調節和分配總需熱量[1]。為了實現供熱系統的按需供熱，達到供暖的需要，本文通過室外溫度來確定二次網供水溫度值，通過調節一次網供熱管的調節閥，改變一次網的高溫水流量，從而保證二次網的供水溫度，滿足供暖用戶的需求。

1換熱站的設計方案

在整個供暖的冬季，二次網供水溫度是隨著室外溫度和用戶熱負荷來決定的。而在熱交換站的控制中，通過調節一次網供水側電動調節閥的開度改變供水流量來實現二次網出水口溫度調節，從而保證了在室外溫度或熱用戶負荷發生變化時，熱源的總供熱量與用戶需熱量相比配，以達到保證供熱質量、滿足人們生活的需要。

2模糊神經網絡控制算法的研究

模糊神經網絡是將一些專家知識預先分布到神經網絡中，利用神經網絡的學習功能來優化模糊控制規則和相應的隸屬度函數，它既具有模糊系統的模糊信息處理能力又具有神經網絡的學習功能，實現了模糊系統的自學習和自適應。因此，利用模糊控制與神經網絡相結合對換熱站系統進行優化控制可以解決這類大滯后、時變性、非線性問題。

本文采用的模糊神經網絡自學習控制系統框圖如圖3所示，圖中FNC表示模糊神經網絡控制器。Ke、Kc、Ku分別表示量化因子和比例因子，To表示給定值，T（t）為實際的溫度。其中以溫度的給定值與測量值之間的偏差和偏差變化量作為輸入量，以一次網閥門的開度作為輸出控制量，通過調節控制閥的開度來改變一次供水的流量從而達到調節二次網供水溫度的目的。由FNC模糊神經網絡控制器來完成對過程的閉環控制。[2]。

圖2 模糊神經網絡自學習控制系統圖

2.1模糊神經網絡模型的建立

整個網絡中的數據變化如下：

第一層是輸入層， (2-1)

第二層是模糊化層，若隸屬度函數采用鐘形函數，輸出的運算公式為

，（h=1，2，…，14） （2-2）

其中是隸屬度函數的中心，是隸屬度函數的寬度。

第三層模糊規則層，每個節點表示一條模糊規則，它將輸入的數據相乘，輸出的運算函數為： ，（k=1,2,…，49）（2-3）

第四層是模糊決斷層，節點輸出

（2-4）

2.2學習算法

本文學習的參數主要是第二層各節點的隸屬度函數的中心值和寬度以及第四層的連接權，首先對FNC進行離線訓練，使FNC記憶49調模糊控制規則。經過學習后，模糊神經網絡控制器便訓練好了，可以“裝入”控制系統中，FNC經過離線訓練后，可投入在線模糊控制，當受控過程環境發生變化時，為了能跟蹤期望的給定信號，可在線修改FNC的權值，使被控過程的輸出逼近期望值，從而達到自學習、自適應的目的。因此，通過網絡的離線學習和在線自學習，定義性能指標誤差函數為

（2-5）

其中是采樣點個數，為期望的輸出值,為系統實際輸出值。為了使誤差函數最小，可用梯度最優下降優化算法訓練網絡權值，即：

（2-6）

其中為自適應學習速率，為動量因子，、均在（0,1）內取值。

當隸屬函數為鐘型時，需要調整的參數有隸屬函數的中心值和寬度,其公式為：

（2-7）

（2-8）

3結論

本文將模糊控制與神經網絡相結合，利用兩者的優點，設計出一種神經網絡模糊推理控制器，使控制器具有自調節、自學習的性能，實現對換熱站溫度的控制，

參考文獻：

[1] 胡維儉，徐邦熙.微機白動控制技術在熱力站溫度控制中的應用〔J〕.煤氣與熱力，1993.

模糊神經網絡的優點范文第3篇

關鍵詞：模糊控制 RBF 神經網絡 AQM算法 網絡擁塞

中圖分類號：TP373 文獻標識碼：A 文章編號：1007-9416（2013）09-0047-02

1 引言

模糊邏輯和人工神經網絡各有優點：人工神經網絡（ANN）通過模擬生物神經網絡，在模擬推理及自學習等方面謀求前進，使人工智能和人腦的自組織和并行處理等功能更接近；模糊信息處理以模糊邏輯為基礎，抓住人類思維中的模糊性這一特點，模仿人的模糊綜合判斷推理來解決常規方法難以完成的模糊信息處理的難題。目前，模糊和神經網絡技術在知識和信息處理領域已達到了一定的研究階段。模糊神經網絡因為運用模糊數學中的計算方法，這使得一些處理單元的計算變得簡便，信息處理的速度加快；由于采用了模糊化的運行機制，系統的容錯能力也得到了加強。但最主要的是，模糊神經網絡使信息處理的范圍得到擴展，系統可同時處理確定性信息和非確定性信息。

2 TCP/AQM簡化模型

IP網絡擁塞控制是人們一直著力解決但未能很好解決的問題，相繼產生了不少有影響力的算法，如RED，ARED，SRED，BLUE等，但較具影響力的是Misra V等人于2000年基于流體流理論提出的網絡模型[1]。該模型較為恰當地描述了TCP傳輸流的行為[2]，為研究人員廣為采用。

Misra V等人將Internet中的數據流看作一個連續狀態的流體，并據此假設建立了TCP/AQM系統的一個流體流非線性動態模型[2]：

（1）

W為TCP擁塞窗口大小，q為瞬時隊列長度，R為往返時延RTT=q/C+Tp， Tp為傳輸延時，C是鏈路帶寬，N為網絡負載（TCP連接數），p為分組丟棄/標記的概率。式（1）中第1個方程描述的是TCP的窗口控制動態特性，第2個方程描述的是瓶頸隊列長度，它等于包到達率NW/R和鏈路容量C之間的差值。

3 基于RBF模糊神經網絡的AQM控制

圖1給出基于RBF模糊神經網絡的控制機制來實現自適應過程。圖中，是量化因子，是比例因子。由模型推導知，速率的誤差r（k）-=，隊列誤差x1=q-的量化值（q-）/及速率的誤差=r（k）-的量化值（d（p）/作為模糊神經網絡的輸入，輸出p（k）是標記概率。通過模糊邏輯控制器根據當前隊列的大小及速率的大小調節分組標記概率，使IP路由器的隊列長度達到預定的目標隊列長度。

4 仿真研究

本文基于網絡仿真軟件NS-2驗證RBF-FNN算法的性能，并且把該方法與己經存在的標準AQM算法，特別是RED算法，PI算法進行比較。仿真采用的網絡拓撲結構如圖2所示，節點A和節點B之間的瓶頸鏈路容量15Mbps，延時5ms。n個持久性的FTP業務源與節點A之間的鏈路容量均為10Mbps，通常情況下延時5ms，節點B和節點C之間的延時為d ms。RED高低門限值分別為100包和200包，PI的隊列長度期望值為150包，a=0.0001822，b=0.00001816；除節點A與B之間的隊列管理采用各種AQM算法外，其余節點處的隊列管理算法均為DropTail；各節點緩存大小為300包。n取60，時延d取220ms，仿真時間為50s。所有FTP業務源均在0時刻啟動。瓶頸鏈路的容量為15Mbps，RTT時間約為0.6s，主要包括傳播時延、排隊時延等。下面是隊列穩定性的仿真結果。

從實驗結果可以看出，RED在大時滯中出現了持續震蕩，PI抖動厲害，調整到穩定狀態需要時間較長，丟包率較高，RBF-FNN算法具有較快的響應速度，綜合性能較好。

5 結語

本論文基于流體流理論的網絡簡化模型將模糊神經網絡控制器應用于網絡主動隊列管理系統中仿真結果表明，RBF-FNN控制算法具有較好的綜合性能，比RED、PI算法更適合于AQM控制，具有進一步研究的意義。

參考文獻

模糊神經網絡的優點范文第4篇

【關鍵詞】計算機 智能信息處理技術 發展 應用方法

網絡技術及信息技術不但方便和豐富了人們的生活，還為各種高端的科學技術提供了技術支持，不管是對社會經濟發展，還是對科學技術發展都起著重大推進作用。計算機智能信息處理技術就是在該背景下研發和應用的，決定計算機智能信息處理技術應用及發展研究是必要的。

1 發展概述

智能信息處理技術是計算機智能信息處理技術的前生，最早發源于上世紀30年代，當時的智能信息處理技術只停留在理論層面研究方法層面上，并且所涉及到的理論和研究方法范圍很有限，智能運算工具也沒有被開發出來，所以實際生活中智能信息處理技術難以應用。指導上世紀40年代，計算機被發明并在各領域得到廣泛應用時，才形成了計算機信息處理技術，并在短時間內被應用于人們的生活學習，給人們帶來了巨大的社會效益及經濟效益，促進人類社會快速發展，為信息時代及網絡時代的到來奠定了技術基礎。直到今天，計算機信息處理技術已經被廣泛應用各領域，促進了社會經濟發展，方便了人們生活，提高了人們的生活質量。現時代應用較多的計算機信息處理技術有CT機，主要應用于醫學領域；科學家J.W.Cooley等人研發的FFT算法，主要應用于硬件電路設計，也因此被廣泛應用于各種智能檢測儀器中，不但實現了檢測儀器精準度的增加，還實現了z測儀器自動化程度的增加，成為現時代大多數信息處理系統的技術支撐。

2 應用方法分析

2.1 人工神經網絡應用方法

人工神經網絡應用方法中的數據來源是數學模型，網絡來源是網絡模型，所以該方法是基于數學及網絡模型提出的，具有數據化和網絡化的特點。人工神經結構在數學模型和網絡模型中的組建方式不同，人工神經結構在數學模型中是根據人體大腦的神經元組織構建而成，是計算機智能信息處理系統的基本單元。這種人工神經的單體，在數學模型中有很多，如果將數學模型中的所有人工神經單體進行有機組合，則會組建成一個復雜程度高和需求功能全面的神經網絡結構，最終實現對信息的整體化和智能化處理；人工神經結構在網絡模型中是根據已經構建好的人工神經單元體，實現每基礎單元體的創建，從本質上與數學模型中人工結構的構建原理相同，唯一不同的是網絡模型中人工神經結構的構建更注重多個單元體間的聯系。

2.2 模糊神經網絡應用方法

模糊神經網絡也是計算機智能信息處理的主要應用方法之一，主要應用于不確定現象的研究，模糊理論是該方法的應用原理，所研究的對象具有不確定性，所以模糊理論不屬于傳統數學理論，故不是傳統數學理論二元性原則下的研究范圍，故模糊神經網絡處理的信息對象具有模糊性，導致模糊系統呈現動態性。

模糊神經網絡應用方法主要通過模糊系統實現，該系統包括模糊規則庫、模糊產生器、反模糊化器和模糊推理機四個子系統。模糊神經網絡是模糊系統與神經網絡的融合體，主要融合的內容包括模糊系統相關理論體系和神經網絡相關理論體系，此外還將語言邏輯計算方法和動力學理論等融入其中，增強了模糊神經網絡的信息識別能力、信息聯想能力和模糊信息處理能力。在神經網絡上輸入模糊信號和對應的權值，是模糊神經網絡應用的核心內容。

2.3 進化算法應用方法

凈化算法應用方法是最具有規定律性的一種計算機智能信息處理技術應用方法，創建的依據不但是自然選擇依據，還包括了遺傳定理，而這兩個依據都來源于自然生物界，所以進化算法具有很強的定律性，也被稱為遺傳算法，主要通過各種生物遺傳模型來實現其應用，具有指導機器優化和學習的作用。

凈化算法具有操作簡單、應用廣泛等優勢，是多條信息并行處理的有效方法，其研究對象主要為某個個體，待研究個體確定后進行選擇、交叉和變異等操作，以實現對信息的處理。近幾年，進化算法經多個相關專家及學者的努力研究，進化算法已經從簡單的數據信息分析及處理應用，發展到圖像識別應用、機器學習應用、自動化控制應用等，成為計算機智能信息處理技術最常用的應用方法之一，促進整個計算機信息處理技術水平的提高。

2.4 信息融合技術應用方法

信息融合技術主要應用于多種信息的加工、利用、優點相互好處理，進而提高信息的真實性和準確性。該技術的應用主要通過多傳感系統來實現，即先對信息處理對象進行檢測，以保證精準度，然后將檢測不到或不能進行確定的信息找出并剔除，以實現計算機信息處理結果準確性和可靠性的提高。

人體大腦綜合處理信息的能力是信息融合技術的研發原理，相應的多傳感系統是由多個且種類不同的傳感器組成，這就使系統不同傳感器發出的信息不同，最終形成像人腦一樣的信息綜合網，然后通過信息綜合網對多余的信息進行組合，以實現計算機信息處理中信息正確性的提高。信息融合技術發展至今，已經從單一的信息融合技術發展成高層次信息融合技術和低層次信息融合技術。

3 實際應用

計算機智能信息處理技術的實際應用主要體現在以下幾方面：

（1）在各類機器中的應用，不但有利于機械設備智能化程度的提高，還有利于機械設備自動化程度的提高，進而實現少勞力的降低和腦力消耗的降低，最終提高了機器工作效率。

（2）文字、語音和影像等領域中的應用，不但提高了文字、語言和影響識別精準度，還有利于相關識別設備獨立識別能力和翻譯能力的增強。

（3）在互聯網技術設備中的應用，如在路由器等設備中的應用，不但高提高了這些設備的數據傳輸速度，還實現了傳輸路徑的全面分析，進而實現最佳數據傳輸路徑的選擇，最終提高了計算機智能信息處理的網絡暢通度。

4 結語

綜上所述，信息技術及網絡技術的不斷發展與應用，使計算機智能信息處理技術被廣泛應用于多個領域，相應的技術應用方法也大大增多，主要包括人工神經網絡、模糊神經網絡、進化算法和信息融合技術四種應用方法。

參考文獻

[1]楊野.計算機智能信息處理技術的發展與應用[J].山東工業技術，2015（06）：184.

[2]肖卿，肖秋蘭.計算機智能信息處理技術的發展與應用[J].科技風，2015（19）：73.

[3]張莉.計算機智能信息處理技術應用及發展[J].科技經濟導刊，2016（25）：36+34.

模糊神經網絡的優點范文第5篇

【關鍵詞】故障診斷;基本原理;神經網絡;實際應用

引言

電梯在實際生活中出現不正常運行、停運等故障是在所難免的，而作為高層建筑中主要的垂直交通工具如果不能及時準確的查明故障原因并維修往往會給乘客帶來巨大的生命威脅。只有保證電梯的安全運行，及時的發現故障并解決故障，才能夠為乘坐電梯的乘客提供合格的安全保證。目前，國內在用的電梯缺乏完善的故障診斷系統，僅僅依靠維修技術人員的經驗以及簡單的診斷儀器已經不能夠及時的解決復雜的電梯故障問題。神經網絡技術可以應用于復雜多模式的故障診斷并且既可以用于實時監測也可以進行離線診斷，在系統模式非常復雜或者根本不知道系統模式的情況都可以應用，這些特點恰恰解決了傳統方法中最最難以解決的問題。因此必須加快神經網絡技術應用于診斷電梯故障的步伐，形成完善的故障診斷系統，才能更及時準確的查明故障原因進一步及時的解決問題，保證乘客的人身安全。

一、電梯的運行原理和電梯故障的特點

只有清楚地了解電梯控制系統的運行原理才能夠及時準確的診斷出電梯故障原因，因此清楚的了解電梯運行原理，每一個電梯維修人員必須要做到。電梯運行過程總體上可分為以下幾個階段：第一、登記層外召喚信號和登記內選指令階段;第二、電梯門關閉或者電梯按照系統指令停運階段;第三、啟動階段;第四、在到達信號記錄的樓層前進行減速制動;第五、平層開門階段。在整個過程中電梯需要從外界接收信號并處理，然后完成相應的指令或者輸出信號，由此可以將電梯看作是一個完整的獨立的系統，只需要外界給予相應的信號就可以自動的做出動作。電梯系統內部復雜的構件緊密的結合在一起，正是如此才使得電梯系統故障具有了復雜性、層次性、相關性以及不確定性的特點。

二、神經網絡技術基本原理

生物學上的神經是由一個個簡單的神經元相互連接進而形成了復雜的龐大的神經系統，同理，神經網絡就是由大量簡單的處理單元相互連接形成的復雜的智能系統。單獨的處理單元類似于一個神經元，是一個可以接受不同信息但是只輸出一種信息的結構單位。神經網絡系統與生物學神經系統相似的是具有自我修改能力，它可以同時接收大量的數據并進行統一的分析處理，進而輸出相應的處理結果。這就使得神經網絡系統具有了高度容錯性、高度并行性、自我修改性、學習性以及高度復雜性，也正是由于這些特性才使的利用神經網絡技術能夠及時準確的查明電梯故障原因并得出故障解決方案。電梯故障診斷中應用的神經網絡模型分為三個層次：輸入層、接收外部信號或者是電梯自我檢測信息（如載重信息）;隱含層、對接收到了大量數據進行相應的分析處理;輸出層、將記錄著動作命令的數據傳送出來。在電梯出現故障時，首先可以通過神經網絡模型快速確定故障發生在哪一層達到節約時間的目的。但是神經網絡也會因為收斂速度過于慢、訓練強度太大或者是選擇的網絡模型不好等問題導致診斷結果受到影響。

三、神經網絡模型在電梯故障診斷中的應用分類

神經網絡模型已經成為了如今電梯故障診斷中應用最廣泛的技術模型，相比于傳統方式它具有診斷速度快、故障原因命中率高的優點，因此引起了各方面專業人士的強烈關注，并在他們的不懈努力下得到了發展與創新。它跨越多個專業領域、通過對各種復雜的高難度工作的不斷的發展與改進出現了越來越多的應用模型，下面主要介紹了當前應用最普遍的BP網絡模型，并且簡單的引入并介紹了近年來新興的模糊神經網絡模型和遺傳小波神經網絡模型。

（一）BP網絡模型

BP神經網絡作為神經網絡應用最廣泛的一種，它多應用的誤差反向傳播算法使其在模式識別、診斷故障、圖像識別以及管理系統方面具有相對先進性。基于BP網絡的電梯故障診斷技術就是通過學習故障信息、診斷經驗并不斷訓練，并將所學到的知識利用各層次之間節點上的權值從而表達出來。BP網絡系統的主要診斷步驟主要可以分為三步。第一步：對輸入輸出的數據進行歸一化處理，將數據映射到特定的區間。第二步：建立BP網絡模型，訓練BP網絡模型。第三：通過已經訓練好的網絡模型對原來的樣本進行全面的檢測。算法步驟：a、在一定的取值范圍內對數據進行初始化;b、確定輸入值數值大小，計算出預期輸出量;c、用實際輸出的值減去上一步得到的數值;d、將上一步得到的誤差分配到隱含層，從而計算出隱含層的誤差;e、修正輸出層的權值和閾值，修正隱含層的權值;f、修正隱含層的閾值，修正隱含層和輸入層的權值。

（二）遺傳小波神經網絡模型

遺傳算法運用了生物界的優勝劣汰、適者生存的思想對復雜問題進行優化，適用于復雜的故障，起到了優化簡化問題的作用。對局部數據進行詳細的分析是小波法最大的特點，所以它被譽為“數字顯微鏡”。遺傳算法小波神經網絡就是運用小波進行分解的方法分解模擬故障信號，將得到的數據進行歸一化，將歸一化后的數值輸入到神經網絡模型中。它融合了神經網絡、小波分析和遺傳算法三者所有的優點。基于遺傳小波神經網絡的電梯故障診斷的一般步驟為：測試節點信號采樣、小波分解、故障特征量提取、歸一化得到訓練樣本集、遺傳算法優化、得到故障類型。遺傳小波神經網絡模型在故障原因復雜、數據信息量巨大的電梯系統的應用中能夠發揮更大的作用。

（三）模糊神經網絡模型

模糊神經網絡模型就是創新性的將神經網絡與模糊理論結合到一起。它采用了廣義的方向推理和廣義的前向推理兩種推理方式。與其它兩種模型不同的是，它的語言邏輯、判斷依據和結論都是模糊的。但是它的數據處理能力還有自我學習能力并沒有因此而變差，反而更加豐富了它的定性知識的內容。在處理實際問題的過程中，首先要建立所有可能發生的故障的完整集合，其次將所有的故障發生原因歸入到同一個集合中去，最后就是建立故障和原因的關系矩陣。分別叫做模糊故障集、模糊原因集、模糊關系矩陣。相較于BP網絡模型，這種模型更加的簡單易行，充分發揮了神經網絡和模糊邏輯的優點，不會因為故障原因過于復雜而失去診斷的準確性，在原本豐富定性知識和強大數據處理能力的基礎上具有了很大的自我訓練能力。

結語

綜上所述，神經網絡技術可以應用于復雜多模式的故障診斷并且既可以用于實時監測也可以進行離線診斷，在系統模式非常復雜或者根本不知道系統模式的情況都可以應用，這些特點恰恰解決了傳統方法中最最難以解決的問題，它的應用提高了電梯故障的診斷速度和準確度，保證了電梯運行的安全性。雖然神經網絡技術的優點很多，但是在實際生活中的應用還很少，因此還需要不斷的進行改進完善。同時還要注意將集中診斷方法融合到一起，例如穩重提到的模糊神經網絡模型和遺傳小波神經網絡模型都是集成應用的典型代表。