循环神经网络的优点篇1
关键词:嵌入式蚁群算法;小波神经网络;磁链观测器;直接转矩控制系统
中图分类号:tn919文献标识码:a
文章编号:1009-2374 (2010)21-0057-03
直接转矩控制技术借助于两点式调节产生pwm信号,实现对逆变器的开关状态进行控制,其关键是以定子磁链定向,因此,实时、准确估算出定子磁链是改善直接转矩控制系统极低转速下的静动态性能必须着力解决的问题之一。目前,常用的定子磁链观测方法有U-i、i-n、U-n模型法,然而它们都存在着不足之处。小波神经网络在处理非线性系统模型等方面具有明显的优势,本文利用小波神经网络建立该系统的定子磁链观测器并采用一种嵌入确定性搜索策略的蚁群算法以改进磁链观测器的实时性、快速性和有效性。
1小波神经网络定子磁链观测器
直接转矩控制(DtC)是以定子磁链定向,其在α-β坐标系下的U-n模型可以描述为:
式中:ψsα,ψsβ分别为定子磁链的α轴和β轴分量;ψrα,ψrβ分别为转子磁链的α轴和β轴分量;usα和usβ分别为定子电压的α轴和β轴分量;isα和isβ分别为定子电流的α轴和β轴分量;irα和irβ分别为转子电压的α轴和β轴分量;ω为电动机的角速度;Lσ为漏电感;Rs和Rr分别为定子、转子电阻。
由式(1)至(4)可得,定子磁链ψs的方程为:
ψs=f (us,is,ω)=f (usα,usβ,irα,irβ,ω)(5)
公式(5)这种复杂的非线性关系可通过小波神经网络来加以实现。
采用小波基函数取代通常的Sigmoid函数作为网络的神经元函数构成小波神经网络,其结构示意图如下:
该小波神经网络磁链观测器有五个输入,分别为usα、usβ、isα、isβ和ω,隐层为十五个小波基函数,输入量经过归一化处理输出为归一化定子磁链观测值,经还原后得到实际定子磁链。其数学模型为:
(6)
其中yi表示第i个节点的输出,m表示输入层单元数,K表示隐层单元数,以wki表示隐含层第k个单元与输出层第i个单元之间的联接权值,Xm为第m个节点的输入,f是非线性函数,h为小波基函数。网络参数aij,bij,wij可用最小均方误差能量函数(目标函数)进行优化,即:
(7)
这里q是训练样本数目,Fil(t)是yil(t)的理想值。其中yil(t)=f (uil)。
本文运用嵌入确定性搜索策略的蚁群算法即嵌入式蚁群算法优化基于小波神经网络的磁链观测器,对小波基函数的尺度因子aij、位移因子bij及输出权值wij进行优化。
2小波神经网络的优化
梯度下降法是普遍应用于前馈神经网络的典型优化算法之一,使用它优化基于小波神经网络的磁链观测器具有结构清晰,计算量小的优点。但是它收敛速度慢,容易陷入局部极小点。为克服梯度下降法的缺点,本文引入一种嵌入确定性搜索策略的蚁群算法。
2.1蚁群算法
人工蚁群算法是一种基于种群的模拟进化算法,它是人们对自然界中真实的蚁群集体行为的研究成果。首先引进如下记号:设m是蚁群中蚂蚁的数量,dij(i,j=1,2,…n)表示节点i和节点j之间的距离,bi表示位于节点i的蚂蚁的个数,;τij表示在ij连线上残留的信息量。初始时刻,各条路径上信息量相等,设τij(0)=C(C为常数)。蚂蚁k(k=1,2,…m)在运动过程中,根据各条路径上的信息量决定转移方向,pijk表示蚂蚁k由位置i转移到位置j的概率,可由下式表示:
其中,α和β分别表示蚂蚁在运动过程中所积累的信息及启发式因子在蚂蚁选择路径中所起的不同作用。ηij表示由节点i转移到节点j的期望程度,可根据某种启发式算法具体确定。allowedk={1,2,…n-1}-tabuk表示蚂蚁k下一步允许选择的节点。与实际蚁群不同,人工蚁群系统具有记忆功能,集合tabuk(k=1,2,…m)用以记录蚂蚁口k当前所走过的节点,它随着进化过程作动态调整。随着时间的推移,以前留下的信息逐渐消逝,用参数1-ρ表示信息消逝程度,经过更新,蚂蚁完成一次循环,各路径上信息量要根据下式作调整:
[τijk]new=[τijk]old・ρ+(1-ρ)・Δτij(9)
(10)
Δτijk表示第k只蚂蚁在本次循环中留在ij路径上的信息增量,Δτij表示本次循环中路径ij上的信息增量。
(11)
其中,Q是常数,Lk表示第k只蚂蚁在本次循环中所走路径的长度。公式(10)的初始值为常数,公式(11)的初始值为0。τij,Δτij及pijk的表达形式可以不同,要根据具体问题而定,从而形成了不同种类的基本蚁群算法。
2.2嵌入式蚁群算法优化小波神经网络磁链观测器
首先设定矩阵X,使得:X=[a,b,w],这a,b和w分别为相应的尺度因子向量、位移因子向量和输出权值向量,这样对尺度因子、位移因子及输出权值的优化可以等效为对X矩阵的优化问题(以下各个变量均表示为向量形式)。设被优化的小波神经网络目标函数w(x)。则优化问题可以归结为:,m只蚂蚁随机分布在定义域内,每只蚂蚁都有一个邻域,其半径为r。每只蚂蚁在自己的邻域内进行搜索;当所有蚂蚁完成局部搜索后;蚂蚁个体根据信息素强度和启发式函数进行全局范围内的移动。完成一次循环后,则进行信息素强度更新计算。蚁群算法由移动规则和信息素强度更新规则组成。设τ(i, j)为位置i和位置j之间的信息素强度,初始时刻全部设为某个常数;η(i, j)称为从i到j的能见度,是由某种启发式算法确定的。蚂蚁在位置r转移到s的移动规则为:
(12)
其中:q为随机数,且0
2.2.1局部搜索局部搜索是指每只蚂蚁在自己的邻域空间内进行随机搜索。设新的位置点为X′,如果新的位置值比原来目标函数小,则取新位置,否则舍去。局部搜索是在半径r内进行的,r随着迭代次数的增加而减少。于是有:
(13)
2.2.2全局搜索全局搜索是指每只蚂蚁都经过一次局部搜索后,选择停留在原地、转移到其他蚂蚁的邻域或进行全局随机搜索。设act(i)为第i只蚂蚁选择的动作,wavg为m只蚂蚁的目标函数的平均值,则有:
(14)
其中:0
(15)
其中:dij=w(Xi)-w(Xj),且{(dij
(16)
其中:0
2.2.3信息素强度更新规则全局搜索结束后,要对信息素强度进行更新。更新规则为:如果有m只蚂蚁向蚂蚁j处移动(包括有向随机搜索),则有
(17)
其中:,0
2.2.4嵌入确定性搜索随机性搜索算法存在一定的缺陷,因此引入确定性搜索。这里考虑采用直接法中的步长加速法,它包括探测性搜索和模式移动两部分。首先依次沿各坐标方向探索,称为探测性搜索;然后经此探测后求得目标函数的变化规律,从而确定搜索方向并沿此方向移动,称为模式移动。重复以上两步,直到探测步长充分小为止。
嵌入确定性搜索的蚁群算法,是在局部搜索时以一定的概率利用步长加速法进行确定性搜索。局部搜索规则如下:
(18)
其中:0
嵌入确定性搜索蚁群算法的步骤如下:
(1)初始化;
(2)Loop;
(3)每只蚂蚁处于每次循环的开始位置;
(4)Loop;
(5)每只蚂蚁利用式(18)进行局部搜索;
(6)Until所有蚂蚁完成局部搜索;
(7)Loop;
(8)每只蚂蚁进行全局搜索,按式(14)～(16)选择要进行的动作;
(9)Until所有蚂蚁完成全局搜索;
(10)按式(17)进行信息素强度更新;
(11)Until中止条件。
3仿真试验
试验仿真使用matLaB软件,电机参数如下:p=1.7kw,ne=1440r/min,R1=4.25Ω,R2=3.24Ω,L1=0.666H,L2=0.671H,Lm=0.651H,J=0.02n.m2。小波母函数采用墨西哥草帽函数,同时m=80,v0=0.1,q0=0.2,t=10,ρ0=0.6,β=0.7,每次循环次数为120次。
下面的图2和图3分别是基于蚁群算法和梯度下降法优化的小波神经网络磁链观测器观测的磁链轨迹。两图对比可得:在相同的条件下,基于蚁群算法优化的小波神经网络磁链观测器的定子磁链幅值更近似于恒定,ψs轨迹为圆形,更符合无速度传感器直接转矩控制系统的要求。而基于梯度下降法的小波神经网络磁链观测器的磁链轨迹尽管最终也近似为圆形,但其波动较大,系统的动态特性明显劣于基于蚁群算法的小波神经网络磁链观测器。
4结论
梯度下降法引入小波神经网络可以改善磁链观测器的辨识精度,然而小波神经网络隐层节点数没有变化,计算复杂度没有下降,因此小波网络学习周期比较长。嵌入确定性搜索的蚁群算法引入小波神经网络减少了隐层节点的数目,导致计算复杂度下降,因此大幅度减少了小波网络的学习周期,从而加快了小波神经网络的收敛速度,进而提高了磁链观测器在线辨识精度。对于连续空间优化问题,蚂蚁的个数m可以适当取大一些。随机性的概率搜索易使求解时间过长,而确定性搜索则容易陷入局部最优。将二者结合起来,在随机搜索过程中嵌入按目标函数变化趋势的确定性寻优算法,能有效地克服二终找到目标解。为了快速有效地求解优化问题,将随机性搜索和确定性搜索相结合,嵌入了步长加速直接搜索法。
参考文献
[1]段海滨.蚁群算法原理及其应用[m].科学出版社,2005.
[2]D.Casadei,G.Serra,anda.tani.analyticalinvestigationoftorqueandfluxrippleinDtCschemesforinductionmotors[C].proc.ieeeieCon’97,1997(2).
[3]曹承志,鲁木平,王楠,王欣.基于小波模糊神经网络的DtC系统参数辨识[J].电工技术学报,2004,19(6).
[4]黄德先,金以慧.基于小波神经网络的通用多变量非线性系统辨识算法和应用[J].控制理论与应用,2001,(18).
[5]S.Kim,t.park,J.Yoo,G.park.Speed-SensorlessVectorControlofaninductionmotorUsingneuralnetworkSpeedestimation[C].ieee.transactionsonindustrialelectronics,June2001,48(3).
[6]梅红,王勇,赵荣齐.基于蚁群优化的前向神经网络[J].武汉理工大学学报,2009,(3).
循环神经网络的优点篇2
摘要:
针对带钢表面缺陷检测系统的速度滞后，精度偏低等问题，在分析成像理论和图像检测理论的基础上，设计并实现了一种带钢表面缺陷高速高精度在线检测系统．该系统首先采用大功率半导体均匀发光激光器技术、高速线扫描成像技术和基于图形处理器的Gabor纹理滤波技术实现了高速高分辨率的图像采集和处理，然后采用基于嵌套循环的K－折交叉验证、信息增益率和Bp神经网络方法构建了高准确率的分类器，以达到对带钢表面缺陷高速高精度在线检测．实验结果表明，该系统满足了现有带钢生产速度的要求，具有较高的精度和准确率．
关键词:
图像采集和处理;图像检测;Gabor纹理滤波;神经网络
0引言
钢铁企业为了提高竞争力，对带钢的生产提出了新的要求，也对带钢表面检测系统提出了更高的要求，既要有更高的检测速度还要有更加准确的检测精度［1］．而与此同时，跟随机器视觉技术的发展，带钢表面检测系统也得到了广泛的研究与应用［2］．主要研究包括:①光源技术．由于带钢检测对光源要求频度高、体积小，这限制了传统光源在其应用［3］，激光具有方向性好、亮度高、体积小等优点，被广泛应用于带钢检测应用中，国内的徐科等［4］提出热轧钢检测中用绿光作为激光光源，但激光照明需解决均匀性问题．②扫描技术．由于电荷耦合元件能够实现实时检测，成为目前研究和应用的主流技术［5］．但是，CCD电荷耦合器需在同步时钟的控制下，以行为单位一位一位地输出信息，速度较慢，而互补金属氧化物半导体光电传感器采集光信号的同时就可以取出电信号，还能同时处理各单元的图像信息，速度比CCD电荷耦合器快很多［6］．③图像处理算法．受限于带钢加工过程的特性，带钢表面呈现出随机纹理的特点，对于随机纹理图像的处理分析，目前常用的方法有共生矩阵法、频域滤波法、分形法等．作为频域滤波法的代表，二维Gabor滤波器有着与生物视觉系统相近的特点［7］，广泛应用于纹理图像的处理分析．但是，CpU很难满足现在的带钢检测的实时要求［8］．④分类算法．特征选择的主流算法是主成分分析和信息增益．主成分分析存在特征向量方向不一致的问题，而且如何确定主成分存在主观性［9］．信息增益可以衡量特征的优劣，利用它可对特征进行排序，方便后面的特征选择，但信息增益适用于离散特征，信息增益率既适用于离散特征也适用于连续特征［10］，被广泛应用于特征选择的过程中．图像分类算法主流算法包括支持向量机和Bp神经网络．支持向量机不适用于大样本的分类问题［11］．Bp神经网络方法具有能够解决非线性分类问题，对噪声不敏感等优点，被广泛应用于带钢检测中，如王成明等［12］提出的基于Bp神经网络的带钢表面质量检测方法等，但是Bp神经网络的超参的设定往往具有随机性，这严重影响了分类效果［13]．本文首先介绍了带钢表面缺陷高速高分辨率成像系统的设计，针对光源的不均匀性、图像处理速度慢等问题，提出改进方法，然后介绍了分类器的构建，针对样本划分的随机性、特征选择的随机性以及Bp神经网络超参设定的随机性问题，做出改进，最后介绍试验结果．
1带钢表面缺陷高速高分辨率的成像系统的设计
1)大功率半导体均匀发光激光器技术．激光能够保证带钢表面缺陷的检出率［14］，本系统选用808nm半导体激光器作为照明源，出光功率可达30w，亮度可达1500流明．激光照明需解决均匀性的问题，本文采用了基于鲍威尔棱镜的激光线发生办法，解决了激光照明的均匀性问题，其光路如图1所示．该方法首先在激光聚焦位置放置圆形球面透镜，负责将发散的激光束汇聚成准平行光，同时控制光柱的粗细，然后，利用鲍威尔棱镜的扩散效果对圆柱的一个方向进行扩束，最终形成激光线．为保证亮度及宽度的适应性，激光器出光口距离圆透镜、鲍威尔棱镜的距离可以精密调整．为了降低反射亮度损失，在透镜表面镀上808±5nm的t≥99%的增透膜．
2)基于GpU的Gabor纹理滤波技术．二维Ga-bor滤波器具有易于调谐方向、径向频率带宽及中心频率等特征，本文采用该方法来进行图像处理，二维Gabor函数为guv(x，y)=k2σ2exp－n2(x2+y2)2σ[]2×expi(k•()xy[])－exp－σ2{()}2(1)其中:k=kxk()y=kvcosψμkvsinψ()μ;kv=2－v+22π;ψμ=μπn;v的取值决定了Gabor滤波的波长;μ的取值表示Gabor核函数的方向;n为总的方向数．设f(x，y)为图像函数，guv(x，y)为卷积函数，则卷积输出n(u，v)可表示为n(u，v)=f(x，y)*guv(x，y)(2)二维Gabor滤波算法计算量较大，为了保证了带钢表面缺陷检测的实时性，采用基于GpU的并行处理架构，其计算流程如图2所示．GpU的算法分为两个流程:训练过程主要针对无缺陷图像进行，通过训练完成纹理图像的背景建模，一方面消除背景变化带来的干扰，另一方面形成有效的Gabor卷积参数，以便在检测过程中得到最优的检出效果．检测过程对实际拍摄的缺陷图像进行分析，首先按照GpU的核心数和缓存大小对图像进行分解，本文所有GpU的核心数为1024，显存2G，因此将原始图像分解为1000块，分别加载到1000个核心中，同时并发运行卷积运算．最后将各个窗口的卷积结果合并到一起，得到完成的滤波结果，最后借助于背景模式，将背景的干扰消除，得到干净的缺陷区域．
3)成像系统．根据缺陷检测的精度要求(1800m/min的检测速度，0．25mm的精度)，带钢的规格要求(1900mm规格)，对带钢进行成像系统设计．基于互补金属氧化物半导体(CmoS)的成像芯片具有速度快，用电低等优势．选用两个4K线扫描CmoS相机作为成像核心器件，选用CameraLinkFull接口作为数据输出．两个4K扫描中间重叠100mm作为图像拼接区．两组线激光光源与线扫描组成系统的主要成像模块．成像系统结构如图3所示．
2构建分类器
检测缺陷类别及其特征描述如表1所示．
1)训练集和样本集划分．主要缺陷类别有5个，每个类别收集样本7000，共计35000个样本．为了避免训练集和样本集划分的盲目性，采用10－折交叉验证的方式划分训练集和测试集，即将样本集分成10份，从中选1份为测试集，剩下的为训练集，如图4所示，究竟选择哪一份作为测试集，需在后面的嵌套循环中实现．
2)特征选择．缺陷区域的长度、宽度、面积、区域对比度等共计138个特征形成初始特征集合，利用信息增益率来对各个特征排序．设样本集t的某个特征子集S中，相异值构成集合a，集合a把特征子集S划分为多个子集{S1，S2，Sv，…}，|Sv|、|S|为集和大小，信息增益率的公式为Gainration(S，a)=Gain(S，a)intrinsiclnfo(S，a)(3)式中Gain(S，a)为信息增益，是分裂前的信息减去分裂后的信息，公式为Gain(S，a)=infoBefore(S)－infoafter(S)=entropy(S)－∑v∈Values(a)|Sv||S|entropy(Sv)(4)式中entropy(S)为集合S的熵，公式为entropy(S)=entropy(p1，p2，…，pm)=－∑mi=1pilogpi(5)式中pi为第i个类别的概率．式(3)中，intrinsiclnfo(S，a)为内在信息，公式为intrinsiclnfo(S，a)=∑v∈Values(a)|Sv||S|log(|Sv||S|)(6)利用信息增益率对特征进行排序，再利用循环(从1到138循环)实现最优的特征个数的确定．
3)Bp神经网络隐含层节点数的确定．Bp神经网络应用到带钢表面质量检测上具有很多优势，但也存在一些问题，主要体现在隐含层节点数选取的盲目性和初始权值选取的随机性．对于隐含层节点数确定问题，利用隐含层节点数常用计算公式［15］(2(m+n)+1，n+槡m+a，log2n，n为输入层节点数，m为输出层节点数，a为的［1，10］常数)求得节点数的可能取值集合n1，求得该集合最大值n1－max和最小值n1－min，从n1－min开始到n1－max，利用循环，节点数逐个增加，确定最优的隐含层节点数［16］;
4)Bp神经网络初始权值的选取．当隐含层节点数确定后，需要确定输入层和隐含层之间、隐含层和输出层之间的初始权值．首先生成10组随机数数组，利用循环确定最优的随机数数组．
5)判别标准和嵌套循环．上述各循环中，分类效果好与坏的判别标准是分类的总体精度，公式为oa=∑niin(7)式中:nii为样本被预测为类别i，n为样本个数．上述各循环组合在一起就是一个嵌套循环，其n－S盒图如图5所示，最外层是测试集和训练集的10折交叉验证，第1层是确定最优的特征数，第3层是确定最优的隐含层节点数，第4、5层是确定最优的输入层和隐含层、隐含层和输出层的初始权值［17－20］.经以上循环，确定D3作为测试集，最优特征数为23个，最优的隐含层节点数是46个，同时也确定了最优的初始权值，对应的3层Bp神经网络的网络模型如图6所示．
3实验结果
1)鲍威尔棱镜与柱透镜进行对比在实际工作距离1．5m处，采用0．1m为间隔使用光功率计测试光源功率，如图7所示，横轴为测试点，纵轴为测试点的光功率．实验表明，鲍威尔棱镜均匀性优于柱透镜．
2)Gabor滤波方法与其他方法比较将动态阈值法+Blob分析法(方法a)和灰度共生矩阵纹理背景消除法(方法B)两种方法与Gabor滤波方法进行比较，如图8所示．由于缺陷与背景灰度相近(图(a))，致使方法a缺陷丢失(图(b))，由于缺陷与背景纹理相近(图(d))，致使方法B产生噪声(图(e))，Gabor方法取得了不错的效果(图(e)、(图(f)))．
3)GpU与CpU比较以4096×4096的图像为例，选10幅有代表性图像，利用CpU(最新的inteli7－2600处理器，4核8线程，2．6GHz，内存8G)和GpU(nVidiaGtX970，4G缓存显卡)进行Ga-bor运算，计算时间如表2所示，GpU计算效率明显优于CpU，其中CpU的平均耗时为290．4ms，而GpU的平均耗时为31．7ms．
4)检测效果在产线速度为1775m/min，最小检测缺陷的尺寸为0．25mm的检测系统中，对带钢的主要4种类型缺陷进行检测统计，检测结果如表3所示．可计算出整体检出率99．9%，检测准确率99．4%．
4结论
本文提出将基于鲍威尔棱镜的大功率激光器应用到光源的设计中，保证光源光照的均匀性;提出了新的带钢表面缺陷检测系统的成像系统结构设计，保证了快速、高精度的生成图像;提出了基于GpU的二维Gabor滤波图像处理的算法，满足了实时处理的要求;提出了基于嵌套循环的分类器择优算法，避免了样本集选择、特征选择和Bp神经网络参数设定的盲目性．借助上述技术，系统实现了较好的效果，满足当前带钢生产的检测需求．
参考文献:
［1］张长富．中国钢铁工业运行情况和发展展望［J］．中国钢铁业，2013(4):5－8．
［2］刘彩章．基于机器视觉的带钢表面缺陷成像系统理论与实验研究［D］．武汉:武汉科技大学，2012:2－4．
［3］高瑀含，安志勇，李娜娜等．高斯光束整形系统的光学设计［J］．光学精密工程，2011，19(7):1464－1471．
［4］徐科，杨朝霖，周鹏．热轧带钢表面缺陷在线检测的方法与工业应用［J］．机械工程学报，2009，45(4):111－114．
［5］李霞．基于CCD的钢板测宽仪系统设计［D］．秦皇岛:燕山大学，2014:5－10．
［6］石东新，傅新宇，张远．CmoS与CCD性能及高清应用比较［J］．通讯技术，2010，43(12):174－179．
［7］高梓瑞．Gabor滤波器在纹理分析中的应用研究［D］．武汉:武汉理工大学，2012:6－10．
［8］王成顺．表面缺陷检测GpU并行图像处理技术［D］．合肥:合肥工业大学，2012:3－6．
［9］徐永智，华慧川．对主成分分析三点不足的改进［J］．科技管理研究，2009(6):128－130．
［10］李佳龙，阎威武，白晓慧，等．基于数据驱动与信息增益率多指标决策模型的生活饮用水水质评估［J］．大连理工大学学报，2016，56(1):92－96．
［11］张晓雷．支持向量机若干问题的研究［D］．北京:清华大学，2012:1－20．
［12］王成明，颜云辉，李骏，等．基于Bp神经网络的冷轧带钢表面质量检测研究［J］．机械设计与制造，2007(6):106－108．
［13］高正中，张晓燕，龚群英．基于Bp神经网络的超声波流量计的设计［J］．现代电子技术，2016，39(16):6－9．
［14］周洋，何平安，蒋千年等．激光束整形光学系统的设计与研究［J］．光学与光电技术，2006，4(2):26－28．
［15］飞思科技产品研发中心．神经网络理论与matlab7实现［m］．北京:电子工业出版社，2005．
［16］沈花玉，王兆霞，高成耀等．Bp神经网络隐含层单元数的确定［J］．天津理工大学学报，2008，24(5):13－15．
［17］文冬林．Bp神经网络中一种逃离局部极小点的方法研究［D］．贵阳:贵州大学，2008．
［18］甘胜丰．带钢表面缺陷图像检测与分类方法研究［D］．北京:中国地质大学，2013:3－20．
［19］吴彬彬．机器视觉方法在带钢表面缺陷检测中的应用研究［D］．武汉:武汉科技大学，2015:4－50．
循环神经网络的优点篇3
关键字：暖通设计，现状，采暖
abstract:theapplicationofhvacbroad,soforheating,thesituationofthedevelopmentofcurrentsituationanalysisisalsoveryimportant,weanalyzedtheunderstanding,theimportanceofheating.tofurtherimprovethehvacheatingdesigntechnology,betterandadapttothesocialdevelopment.Sumsuptheproblemswhichshouldbesolveddesignmethod,thedesignoftheconventionalantipathytoadjustaccordingly,realizethehvacheatingthedesignofthemainrole.
Keyword:hvacdesign,thecurrentsituation,heating
中图分类号：tU96+2文献标识码：a文章编号：
0引言
随着暖通空调日益普及，采暖通风系统在使用的过程中经常会出现一些问题。这些问题会影响这个系统的正常运行和效率结果，对常见问题分析，找出解决的办法，在设计过程中做出相应的改进。利用高新技术改造传统产业，促进传统产业的发展是必然的趋势。相应技术创新技术也与原有技术相结合，总体提高设计和生产的过程。
1采暖设计常见问题分析与对策
采暖系统分为机械循环热水采暖系统和自然循环热水采暖系统。机械循环热水采暖系统是以水泵为循环动力，不受锅炉房位置高低及系统作用半径的限制，管中流速较大。系统所带的环路、支立管数较多，成为一个闭式的循环热水网，是一个复杂的水力系统。自然循环热水采暖系统是靠供、回水的密度差产生的作用压头克服系统阻力的，一般压头较小，管中流速一般较小。常采用异程式设计，易于平衡和调节。
2分析暖通空调系统
2.1暖通空调工作原理
暖通空调工作原理就是制冷剂在制冷机组的蒸发器中与冷冻水进行热量的交换而汽化，从而使冷冻水的温度降低，然后，被汽化的制冷剂在压缩机作用下，变成高温高压气体，流经制冷机组的冷凝器时被来自冷却塔的冷却水冷却，又从气体变成了低温低压的液体，同时被降温的冷冻水经冷冻水水泵送到空气处理单元的热交换器中，与混风进行冷热交换形成冷风源，通过送风管道送入被调房间。如此循环，在夏季，房间的热量就被冷却水所带走，在流经冷却塔时释放到空气中在此主要研究控制暖通空调系统的空气处理部分，主要涉及供水系统和空气处理单元。
2.2暖通空调供水系统
常用的冷冻水（水为载冷剂）系统的冷冻水管道均为循环式系统，根据用户的需求情况的不同，按水压特性划分，可分为闭式系统和开式系统两种：按冷、热水管道的设置方式划分，可分为双管制系统、三管制系统、四管制系统；按各末端设备的水流程划分，可分为同程式和异程式系统；按水量划分，可分为定水量和变水量系统。变流量系统中的原则足的供回水温度保持不变，建筑物负荷变化时，通过改变供、回水的流量来适应，该水系统输送的水流量要与建筑物需求相适宜。
2.3暖通空凋空气处理单元
在暖通空调空气处理单元中，首先是新风与部分回风混合，形成混风，混风经过热交换器与冷冻水进行热交换形成送风，在冬天，混风吸收能量温度提高，在夏天，混风温度降低，送风在风机的作用下经过送风管道进入房间，与房间内的空气进行热量的传递，最终调节房问的温度到达所需要的设定点。房间内的气体在排风机的作用下被排出，形成回风。部分的回风排出室外，部分回风与新风混合重复上述过程。
混风和冷冻水的热交换是在空气处理单元的热交换器中进行的，热交换器是暖通空调系统空气处理单元中的重要部分，热交换器的工况处于部分负荷下时，并非与设计工况相同，而实际使用过程中，热交换器绝大多数时间是在非设计工况。
3分析暖通空调控制系统设计原则
对房间温度进行了合理的设定，然后建立合理的暖通空调控制器，使暖通空调控制系统能快速准确的调解房间温度到达设定的房间最佳温度值，并有效的抑制房间内部和外部的干扰对房间内温度的影响，同时节省暖通空调系统能量的消耗。由于暖通空调具有时滞和大惯性，当前的控制信号要等到很长时间才能在系统的输出中反映，而广义预测控制可以利用现在时刻的控制变量使未来时刻系统的输出快速准确的跟踪期望的输出。同时暖通空调的工况环境不断变化且有干扰作用，用神经网络的强学习能力使暖通空调控制系统有效的抑制工况变化和干扰带来的对控制效果不利的影响。在此把广义预测控制和神经网络结合对暖通空调进行控制。
3.1暖通空调广义预测控制结构
这里选取的基于RBF糊神经网络暖通空调广义预测控制系统结构，如前面所描述暖通空调系统具有非线性，时变性大滞后和大惯性等特点，还受到许多的干扰盘管中冷、热水流量、压力变化，这些干扰折合成冷热水温度变化就会对系统造成一定的影响干扰2为外界干扰，主要有日照、室外气温、外部空气侵入以及新风温度变化和风机转速变化，这些干扰可以看成空调的送风风量变化。干扰3为房间内部干扰，要有人员的频繁进出、房主间内部各种耗能发热设备的使用。
基于RBF模糊神经网络的暖通空调广义预测控制主要由三部分构成。要实现暖通空调的广义预测控制，要有准确的暖通空调输出预测，在提供暖通空调预测输出的基础上，建立准确快速的在线优化策略和有效的反馈校正即通过所得到的未来温度输出和优化目标函数，利用梯度下降法对实现滚动优化控制功能的RBF模糊神经网进行修正，从而得到最佳的控制规律。此RBF模糊神经网的输入是实际房间温度和设定房间温度的差值和差值变化率，输出是暖通空调调节阀电压。
3.2暖通空调控制器在线滚动优化
暖通空调广义预测控制的在线滚动优化是利用模型辨识部分提供的预测输出信息，根据优化的目标函数及选定的优化方法进行在线的滚动优化，从而得到合理的控制规律，考虑在线优化的计算量，这里用RBF模糊神经网络完成广义预测控制的在线滚动优化。按性能指标，利用优化方法获得未来控制长度内的冷冻水调节阀电压，并取其首分量作为当前时刻的冷冻水调节阀电压。考虑降低在线计算的复杂性，采用了较常用的梯度下降法作为主要的优化算法。优化过程的关键是计算性能指标对RBF模糊神经网络控制器参数的导数。通过RBF模糊神经网和修正方法，利用暖通空调预测模型提供的信息来完成给定目标函数的优化，进而准确的提供冷冻水调节阀电压，从而实现广义预测控制的在线滚动优化来得到暖通空调的合理控制规律。
3.3暖通空调广义预测控制反馈校正
预测控制算法在进行滚动优化时，优化的基点应与系统实际一致。由于暖通空调系统受诸多干扰的影响，有可能导致辨识模型的失配。既基于不变RBF模糊神经网模型的预测不可能和实际空气处理单元完全相符。这就需要用附加的预测手段补充模型预测的不足，或者对基础模型进行在线修正况且滚动优只有建立在反馈校正的基础上，才能体现出其优越性。对RBF模糊神经网络各隐单元的是心和宽度和隐层到输出层的权值采用梯度下降法进行调整，在控制的每一步，都实时检测被控对象的实际输出与RBF模糊神经网络预测器输出之间的误差，若此误差大于预先设定的允许误差，则利用上述修正方法修正暖通空调预测模型的RBF模糊神经网络参数；否则，维持原有的RBF模糊神经网络预测模型。
4结语
随着生活水平的提高，空调系统的应用越来越普及，中央空调系统的能最消耗很高。但目前实际情况，空调系统是为了满足用户最大需求而设计，所以暖通空调系统的技术还需要不断的优化，使其在不同的环境和负载下都能以最高的效率工作，并且达到良好的效果，由此可以看出暖通空调具有非常广阔的发展前景。
5参考文献
[1]陆耀庆，供暖通风设计手册，北京中国建筑工业出版社，1987
[2]何天祺，供暖通风与空气调节，重庆重庆大学出版社，2003
循环神经网络的优点篇4
摘要：本文以人工神经网络为工具，建立了燃气电机组和吸附式制冷机组成的微型冷热电联供系统的模型，对于模型的仿真结果进行了分析。通过对模型的分析和评价，发现人工神经网络模型能准确适应联供系统的高度非线性。仿真结果显示了模型与系统的实际运行规律较为符合，为以后指导系统的优化运行和控制的设计奠定了良好的基础。
关键词：微型冷热电联供系统非线性Bp神经网络
0前言能源是当今社会发展所面临的一个重大问题。随着全球经济的快速发展和可持续战略的实施，能源的利用问题也摆在了非常重要的位置。冷热电联供系统作为一种新的能源利用方式具有无可比拟的优势。冷热电联供系统用天然气作为一次能源，随着世界天然气产量的增加，天然气将大大改变现有的能源结构，成为能源利用新的主力；而冷热电联供系统作为一种能量梯级利用系统，利用一次能源驱动发动机发电，利用余热利用设备对余热进行回收利用，同时提供电力，热量和冷量，这样能大大提高能源的利用效率[1]。基于以上优点，冷热电联供系统成为各国竞相研究的对象，并且在美国、日本和欧洲各国都有大规模的实际应用。冷热电联供系统的一个重要的研究方向是整个系统的建模，好的系统模型可以用来确定系统的可行性和分析预测系统的运行，以及用于系统的控制策略研究,并可以为系统的优化匹配和优化运行提供指导。以往的关于联供系统的数学模型都是基于热力学基本原理，建立简单的数学模型。而联供系统的特性是高度非线性化的，传统的热力学模型无法准确描述其运行特性，因此需要用另外的一种思路去建立模型，而人工神经网络则从一定程度上满足了这一需要。人工神经网络吸取了生物神经网络的许多优点，表现在：
（1）高度的并行性。
（2）高度的非线性全局作用。
（3）良好的容错性与联想记忆功能。
（4）十分强的自适应、自学习能力。[2]
近年来，人工神经网络已经在制冷空调方面有了一些应用。[5]、[7]
1微型冷热电联供系统实验装置设计1.1系统描述
上海交通大学制冷与低温工程研究所孔祥强[1]等建立了制冷功率在10kw左右的微型冷热电联供系统试验台，整个系统采用了一台小型燃气发电机组和一台研究所自己研制的余热型吸附式制冷机，其系统图见图1。系统设计参数见表1。
图1微型冷热电联供系统流程图
1.2实验参数仪器
系统的测试参数包括
（1）热水循环、冷却塔冷却水循环、冷冻水循环的状态参数（主要有温度和流量）；
（2）液化气供应的状态参数（主要有压力、温度和流量）；
（3）空气供应的状态参数（主要是温度和流量）
（4）小型燃气内燃机排烟的状态参数；
（5）系统发电的状态参数（主要是功率、电压、电流和频率）
上述待测参数的采集及处理全部由计算机采集系统自动完成。整个数据采集系统由27个温度传感器、2个压力传感器、7个流量传感器、1台电参数测量仪、1台Keithely2700数据采集/测量仪和1台计算机组成。
表1微型冷热电联供系统设计参数微型冷热电联供系统行评价，本文采用了两种验证方法，一是模型与所利用的实验数据进行误差计算；二是用另外的几组新的数据对模型进行测试。其误差曲线见图7，图8；其测试图见图9，图10。
如图7所示，燃气发电机组模型的发电量绝对误差非常小，且波动也较小，说明模型和实验数据拟合的比较好；而余热量在输入热量较大时误差突然变大，这是由于神经网络在训练时候的随机性决定的，但其绝对误差控制在0.06范围内，相对误差也非常小。在图9中可以看出模型对于测试点的预测效果非常好。
如图8所示，吸附式制冷机模型的绝对误差在0.03范围内波动，由图10可见，测试点基本上在模型曲线上下波动，在多输入参数的情况下，说明模型具有一定的适用性。
图7燃气发电机组神经网络模型的误差曲线图
图8吸附式制冷机神经网络模型的误差曲线图
图9燃气发电机组神经网络模型的测试图
图10吸附式制冷机神经网络模型的测试图
4结论针对微型冷热电联供系统的高度非线性，多输入多输出的特点，本文提出了以Bp神经网络进行建模的思想。系统模拟和评价的结果表明，神经网络作为一种非线性的数学工具，具有快速、简单、准确的特点，结合matlab的神经网络工具箱使得算法的精度和模型的适用性大大增强。这为以后预测系统的运行，系统的控制设计都提供了良好的基础。在建模过程中对系统做了必要的简化处理，随着实验和理论研究的进一步深入，以后的工作要研究多个参数对系统的运行的影响，为系统的优化运行提出必要的方案。
参考文献1.孔祥强.基于燃气内燃机和吸附制冷机的微型冷热电联供系统研究.[博士学位论文].上海：上海交通大学，2005
2.丛爽.面向matLaB工具箱的神经网络理论与应用（第2版）.合肥：中国科技大学出版社，2003，5
3.闻新，周露等.matLaB神经网络应用设计.北京：科学出版社,2000
4.飞思科技产品研发中心.matLaB6.5辅助神经网络设计.北京：电子工业出版社，2003，1
5.丁国良,张春路.制冷空调装置智能仿真.北京:科学出版社,2002
循环神经网络的优点篇5
关键词：计算机试验；分步优化设计
中图分类号：tp393文献标识码：a文章编号：1009-3044(2011)18-4429-02
1计算机试验
伴随着计算技术的发展，涉及到科学研究以及工程实践当中有关于实验现象的研究系统都是需要采用建立数学模型的方式来进行描述的，通过建立数学模型进行数值求解。例如大型土建或者水利设施等一些复杂的结构系统都不可避免的会接触到使用有限元等离散方法进行数值求解，从而获取结构的输入、输出响应。另外，系统结构的可靠性分析、优化设计以及结构性能评估等研究还需要进行大量的重复试验并且对数据进行缜密分析，才能有效地了解结构系统在整个输入参数空间的输出特性。但是，在计算机试验当中，想要提高每一次数值分析的精确性就必须要消耗大量的计算时间为代价，也就无法对试验设计中的所有参数组合进行逐一的分析求解，仅仅是通过选择一些适当的点作为输入然后进行计算机试验，并且通过建立替代模型，对未试验点进行响应的预测。在建模方法上，操作简单并且经常使用的是样条函数模型、多项式回归模型、随机过程模型以及人工神经模型等。
由此可见，计算机试验设计对于输入样本点的确定很大程度上决定着替代模型的逼近精度。现阶段所采用的抽样方法主要有简单随机抽样以及LHS抽样两种，但这些抽样方法都具有一定的不稳定性因素，为了改进这一点，人们在众多的LHS中挑出了一个最小化的某种优化准则进行试验设计，也就是所谓的优化拉丁方试验设计。例如进行最大及最小距离的设计、均匀试验设计和最大后验熵设计等等。作为样本输入的替代模型，虽然优化的拉丁方试验设计较于简单随机抽样以及LHS抽样作为输入的替代模型在逼近精度上有着极其明显的优势，但其缺点在于优化的拉丁方试验设计要进行全局精确寻优却是一个十分复杂繁琐的过程，若以10个样本输入点和4个变量为例进行试验设计，不同的试验个数就超过1022之多，这样一来，也就只能寻找近似的最优解，而且伴随着样本输入点数量的递增，工作站所需要花费的时间也随之相应增加，对于要确定一个最优的优化的拉丁方试验设计来说，计算时间的消耗是非常巨大的，这一点对于大规模的试验设计表现得尤为突出。因此，为了提高优化的拉丁方试验设计效率，对随机进化寻优算法和计算机试验的分布优化设计进行改进是一项亟待解决的研究课题。本文主要探讨通过均匀试验设计以及径向基神经网络替代模型的数值试验，并且通过验证，证明改进的算法以及分布试验设计方法具有可行性。
2随机进化算法的改进
最初的随机进化算法仅仅只是用于解决组合优化的问题，具体操作过程是：首先随机选择一个初始的拉丁方实验设计值X0。然后通过多次的元素交换组成一个设计集合Xset，而且设计集合当中含有多个新设计，即Xnew∈Xset。通过对所组成的设计集合进行计算，并且决定是否用更优的试验设计来替代当前的最优设计，然后再进行元素交换构造新的设计集合计算其中的每一个新设计关于某一优化准则的函数值并通过不断重复进行验证。
由此可见，随机进化算法虽然可以避开局部最优，逼近全局最优，但是通过繁琐的计算过程，我们不难发现，逃离局部最优是一个极其缓慢的过程，这其中至少存在一个直接或者间接地不断由旧值递推出新值的变量，需要进行数量足够的迭代，所以在一定程度上极大的影响了计算机试验设计的效率。由于计算机试验优化设计经常面临着非常广阔的搜索空间，相比传统的从一个初始点出发或者从一个局部极值点出发，再进行深度搜索寻找局部全优，其过程复杂耗时。鉴于此为了进一步提高计算机寻优过程的效率，需要对原始的随机进化算法从设计思路上进行一些改进，从一个集群的初始点出发或者从一个集群的局部极值出发，这样一来，就可以有效地兼顾深度搜索和广度搜索来寻找近似全局最优。其具体改进措施如下：
1)增加大循环，即在整个外部循环的外部再设置一重循环，其根本目的在于从外部循环中所确定的局部极值当中选出最优的局部极值作为全局极值。
2)确定外部循环中初始的拉丁方试验设计值X0为集合中的最优点，并设定初始集中随机样本点的个数。
3)在外部循环中增加对事件flagimp＝0的记数，即nimp，当初始集中随机样本点的个数nimp达到外部循环最大数的某一比例值时就可以结束这一轮的循环计算，然后改变集合中的元素进行下一轮大循环。
在这个过程中第一二步充分考虑到了随机进化算法的广度搜索空间，第三步可以有效地避免随机进化算法陷入局部极值。下面就保持整个循环总数一致，在此条件下进行原始随机进化算法与改进后的随即进化算法在时间的消耗以及完成任务的质量上进行比较。其中改进后的随即进化算法所用的时间与原始随即进化算法所用的时间之比为t，而改进后的随机进化算法的最优质与原始随机进化算法的最优值之比为V，所采用的均匀试验设计类型分为10×2，20×4，50×2，50×8，设原始随机进化算法的外循环数为60，改进后的随机进化算法的大循环数为3，外循环总数为20，通过计算如表1所示。
由此可见，改进算法所用的时间与原始算法所用的时间平均值为0.48，改进算法的最优质与原始算法的最优值为1.01，所以得出的结论是改进后的随机算法可以平均节省50%左右的时间，其搜索到的结果与原始算法结果仅仅存在1%左右的误差。
3计算机试验的分布试验设计
传统的计算机试验优化设计方法是将所有的实验样本点一次性布置完成，也就是所谓的一步试验设计。但其缺点也是显而易见的，伴随着试验样本点数量的递增，优化算法所面临的搜索空间也将无限扩大，所以在进行大规模试验设计时就需要消耗大量的时间。因此，对于这一繁琐的过程应该进行更为合理的改进，鉴于此，本文提出了分布试验设计的思路，就是逐步分批地布置试验样本点，化整为零地减小搜索空间，其基本过程如下：
1）首先布置一个试验样本点n1，即优化n1×m的拉丁方试验设计。
2）追加布置第二个试验样本点n2，即优化（n1＋n2）×m的拉丁方试验设计，在这其中一定要注意保持原先已经布置好的试验样本点的位置不变，即元素进形变换时只能在追加布置的第二个试验样本点中产生。
3）重复元素变换，直到完成所有的试验样本点布置。
由此可见，计算机试验的分布试验设计方法的根本目的在于以化整为零的方式以及分步优化的方法缩小搜索空间，从而极大的缩短了计算时间。采用分步试验的方法进行均匀试验设计，计算时间复杂程度为o（mn2），如果采用两步设计每步布置总点数的50%，则计算时间复杂度为2×o[m（0.5n）2]＝0.5×o（mn2），这样一来就将比传统的一部设计减少50%的用时，采用三步试验设计，若第一部布置点数占总样本点数的40%，第二、三步分别占总样本点数的30%，则计算时间复杂度为o{[m（0.4n）2]＋2×o[m（0.3n）2]}＝0.34×o（mn2），计算时间将比一步试验设计减少66%。因此，计算机试验的分步试验设计方法能够有效地减少计算用时。
为了验证计算机试验的分步优化设计，以均匀试验设计为例，将两步、三步试验设计和一步试验设计用于径向基神经网络替代模型的训练样本集的确定，然后再对径向基神经网络替代模型对真实响应的逼近精度的评价，进行计算机试验的分步优化设计可靠性验证。随机抽取5000个测试点用来比较输出值和真实响应之间的差异，所涉及到的评价指标为均为均方误差和相对误差两种，其中均方误差是指所有输出值和真实值之差的平方和的平均值；相对误差为误差小于某一比例的测试点占总测试点的百分比。通过选择三个典型的测试函数，分别用来描述指数关系、工程中常见的正弦关系以及含有两个变量的函数，具有多个局部极值，经常用于测试优化算法。通过具体的计算结果可知，在确保计算精度的前提下，将计算机试验划分为两步或者三步进行试验设计时相比较一步试验设计可以减少大约40%到60%的计算用时，所以也证实了计算机分步试验设计的时效性。基于一步、两步、三步试验设计建立的径向神经网络替代模型，通过对误差结果的对比分析可以得出，伴随着试验样本点数量的递增，一步、两步以及三步试验设计的替代模型的逼近精度也在逐步提高，均方误差下降，相对误差上升，并且各误差最终趋于平稳。总之，相比较一步试验设计而言，两步或者三步的计算机试验设计在不同的样本数量下，对于替代模型的逼近精度各有优劣，但总体影响相对较小，特别是伴随着试验样本点数量的递增的情况下，通过分步试验设计的方法所产生的误差趋于一致。因此，综合考虑计算机试验优化设计的效率以及替代模型的逼近精度，将分步试验设计用于大规模计算机试验优化设计将会更好的发挥其自身的特点。
4结束语
综上所述，传统的计算机试验优化设计计算需要耗费大量的时间，所以必须对其设计过程进行改进，一方面通过对原始的随机进化寻优算法进行改进，可以很好的兼顾深度搜索与广度搜索；另一方面提出了分布试验优化设计的思路，逐步分批地布置试验样本点，化整为零地减小搜索空间；最后采用径向基神经网络代替模型，并且以均匀试验设计为例，检验了分布试验优化设计方法的可行性。结合计算所得出的结论，改进后的随机进化算法节省了大约50%的计算用时，对于其所寻找的最优值与原始随机进化算法的差别仅为1%左右。所以计算机试验的分步优化设计可以有效地缩小搜索空间，在确保计算精度的同时也节省了计算时间的消耗。由此可知，计算机试验的分步试验设计方法尤其适合用于大规模试验样本点的替代模型，可以很好的提高工作效率。
参考文献：
[1]王元,方开泰.关于均匀分布与试验设计[J].科学通报,1981,26(2):485-489.
[2]黄靓,易伟建,汪优.计算机试验的分步优化设计研究[J].湖南大学学报:自然科学版,2007(8).
[3]韩斌,吴爱祥,邓建,等.基于可靠度理论的下向进路胶结充填技术分析[J].中南大学学报:自然科学版,2006,37(3):583-584.
循环神经网络的优点篇6
【关键词】认知无线电人工智能认知引擎遗传算法
1引言
频谱资源理论上是无限的,但天线尺寸、电磁波特性、设备性能和功率的限制,使实际可用的频谱非常有限,这些频谱已经基本划分完毕,再可被利用的频谱就显得无比珍贵。美国联邦通信委员会(FCC)研究发现,大量已经分配的频谱资源存在着不同程度的闲置,这造成了频谱资源日趋紧张与现有资源利用率很低的矛盾局面。为解决该问题,1999年mitola提出了认知无线电(CR,CognitiveRadio)的概念[1],其主要思想是:终端具有足够的智能和认知能力,能够自动感知周围环境和检测可用频谱,结合已知信息,经过学习、推理进行决策,通过调整设备参数来占用频谱,实现频谱的充分利用[2]。
认知无线电的核心思想是使无线电设备像人一样具有“智能”,能够进行感知、推理、学习、决策和执行等“认知”行为,这与人工智能的思想在某种程度上是吻合的。因此,将人工智能的理论和方法引进通信网络决策系统中,实现通信系统的“认知”智能化,对发展认知无线电具有重要的科学意义和迫切的现实意义。
人工智能即用人工的方法在机器上实现智能,研究领域主要有专家系统、机器学习、模式识别、自然语言理解、自动定理证明、自动程序设计、机器人学、博弈论、智能决策支持系统和人工神经网络等。它用知识表示和专家系统的理论将感知的信息合理地表示和存储,用神经网路、遗传算法等方法实现认知过程中的学习、推理,用博弈论在频谱分配共享和功率控制中进行决策,等等。人工智能在认知无线电中有广泛的应用,是现阶段研究的热点。
2认知引擎
认知无线电的功能和目的决定了认知循环过程包括感知、推理、学习、决策和执行等内容,这是一个循环往复的动态过程。认知无线电设备必须具备实现上述功能所必需的各种技术[3]。认知系统可由分别实现上述功能的单元组成,实际的认知处理过程,也必然涉及到不同单元间大量的信息传递和交换。由不同单元组成的系统架构,一种是采取全互通式连接,即每个单元间都互联互通,但会造成连接网络规模庞大,运行资源消耗较大,一旦某个环节出现问题,检查处理会比较困难;另一种是设立一个中间控制单元作为核心,集中控制各功能单元和彼此间的信息传递,减少资源消耗,提高效率和可控性。认知无线电现有的主要设计思想是构造一个认知核心并集合部分功能,作为信息处理和功能控制的中间节点。
基于遗传算法,Rondeautw等首先提出了“认知引擎”的概念[4],其目的是通过认知引擎分析物理层的链接状况、用户需求和调整机制,在多个目标和限制条件下寻求最优解,以此在整个自适应的无线电过程中提供智能控制。Rondeautw在其博士论文中系统阐述了该认知引擎结构,如图1所示[5]:
认知引擎的关键是一个认知控制器,作为系统的核心和调度中心,控制输入/输出和其它与之相连的单元。这些单元包括:感知器(感知无线电和环境信息),优化器(在确定目标和环境条件下,给出优化波形),决策器(挖掘信息,判断如何优化和行动),策略引擎(即策略校验器,加强对调整过程的控制),无线电架构(负责与无线电平台通信以确保优化方案能够得到执行,为感知器提供信息),用户接口(提供控制和监视认知引擎的端口);每一个单元都可作为一个独立的模块启动。在执行中,各单元通过普通的接口(比如插槽)连接和交换信息。
Rondeautw的认知引擎结构有两个重要特点:一是允许单独开发、测试和启动每一个结构单元,不同的单元依靠不同的处理器或者主机,能够执行分布式过程;二是允许用不同类型的算法和过程实现不同的单元,譬如,针对不同情况开发的感知器都可以应用在该结构中,或者是不同的优化函数都可以被应用和比较。遗传算法是基于变化的参数构成基因,从而通过进化达到最优解,而对于某些恒定参数(如用户资费长时间内保持不变)作用的研究,该结构还没有考虑,但它对用户是否使用认知无线电有决定性影响。
ClancyC等的认知引擎模型较为简单,即在软件无线电的平台上,增加一个由知识库、推理引擎和学习引擎模块组成的认知引擎,如图2所示[6]。知识库存储感知信息的逻辑描述、正确的预测和可以采取的行动策略集;推理引擎负责根据目标函数确定从知识库中提取的可直接采取的行动方案;学习引擎的主要目标是判断哪个输入状态将使目标函数最佳,完成特殊情况的处理,提供新的行动方案,并丰富知识库。根据应用的需要,学习引擎不仅可以从初始化开始就保持运行,也可以在认知无线电系统需要的时候阶段性运行。
此外,nolanKe等认为,认知需要一个高度可重构的核心,即一个具有推理、学习、知识表示和重新配置功能的认知封装,这类似于认知引擎的思想[7]。文献[8]给出了不受任何特殊软件无线电硬件和软件结构约束的认知引擎例子,文献[9]给出了认知引擎设计的基本考虑和特殊应用的细节研究。
3人工智能的应用
认知无线电的“智能化”体现在整个认知过程中,包括用户和环境信息的检测、辨识,获取信息的推理、学习,最终决策的制定、执行,新的认知过程实现等。认知引擎作为认知无线电的核心,是利用人工智能的最佳平台,它集合多种人工智能技术来实现无线电的认知智能。人工智能在认知无线电中的应用如图3所示[10],主要分为环境感知、信息存储阶段的应用,认知学习、推理阶段的应用和无线电决策、调整阶段的应用。
3.1环境感知、信息存储阶段的应用
(1)知识表示
知识表示就是将知识信息描述为一种便于机器识别的数据结构,它是认知的信息基础,直接影响知识库的构建和知识检索的难易程度、检索效率等,并决定认知无线电的实际可用性。以前和现在的无线电状态、可用的频谱资源、内部和外部的观察信息等都是认知过程中的重要资料,这些信息的表达形式直接影响它们的使用价值。此外,可用的行动序列和对行动的评价也是必备的重要数据。
从源实体得到的信息一般都有某种严格的描述规则,为了更好地解释这些信息,认知设备必须遵循一个通用的语法协议。mitola提出一种称为“无线电知识描述语言”(RKRL)的知识表示方法来表达无线规则、系统配置、软件模块、网络传送、用户需求和应用环境等知识[1];Rondeautw提出用XmL(eXtensiblemarkupLanguage)来描述感知的信息[5];nolanKe等提出使用owL(webontologyLanguage)[7]。不同的知识表示方法各有优劣,RKRL是一种并行对象语言,可动态定义认知无线电系统突发的数据变换,通过相关协议操作来更好地满足用户的需求,增强了系统的灵活性;XmL是一种简便的信息表示法,可以由软件处理并以人类思维的形式呈现;owL提供了一种说明场景的语义学方法,由不同的语法平台来传达和解释。
(2)专家系统
专家系统内部含有大量的某个领域专家水平的知识和经验,能够利用人类专家的知识和解决问题的方法来处理该领域问题。它一般解决的是没有算法解的问题,并且经常在不完全、不精确或不确定的信息基础上做出结论。在认知引擎中可以构建一个专门的知识库来存储频谱分配案例,当感知到非授权用户信息和环境数据后,可先在专家系统进行检索,若有相同案例,立即采用同样的行动方案进行通信,保证通信的简单性、实时性。专家系统的知识规模、知识库中知识的更新问题等是制约其应用的关键。
3.2认知学习、推理阶段的应用
(1)遗传算法
遗传算法是借鉴自然界自然选择和进化机制发展起来的高度并行、随机、自适应搜索算法。它使用了群体搜索技术,用种群代表一组问题解,如数据速率最大化、功率消耗最小化、干扰最小化、频谱效率改善等。通过对当前种群的选择、交叉和变异等一系列遗传操作,从而产生新一代种群,并逐步使种群进化到包含近似最优解的状态。遗传算法用向量表示无线电系统的给定条件或输入激励和行为,根据采取行为的成功程度来修正输入向量。
基因的比特序列由两部分组成:一部分是用于匹配给定条件的模式,包括功率、带宽、中心频率、调制方式、信号速率等;另一部分是用于匹配后所采取行为的比特模式,如功率调整、中心频率调整、速率调整等。基因模型如图4所示:
在执行输入部分匹配并采取相应行为后,对基因进行两种调整:一种是强化对成功行为有贡献的基因(对没有贡献的基因进行弱化),提高有益基因的存活率,使无益基因灭亡(从比特序列中删除);另一种是比特序列的随机突变,提供比特序列间产生新的解的机制。基因不仅以自然选择的方式存活或者死亡,还可以引入全新的种类,可能会得到更高效的推理。
文献[11]给出了遗传算法在认知无线电中应用的初步研究。遗传算法的主要研究方向是:明确构成染色体的信息参量组成和数目的规则;调整构成染色体的所有无线电参量的权重;改进算法,避免陷入局部最优解而得到一个非最佳行动方案,实现拟解决问题的最优化[12];优化算法的计算量和效率,以满足对实时性要求高的应用,等等。
(2)神经网络
神经网络是模拟人脑信息处理机制的并行处理网络系统,它不但具有处理数值数据的一般计算能力,而且具有处理知识的思维、学习和记忆能力。一个神经网络由多个互联的神经元组成。神经网络已经发展成为有多种网络模型的理论体系。利用神经网络构建学习单元,通过设定节点的激活门限,来决定感知到的或输入的信息(带宽、信号速率、空闲时间、BeR、FeR等)会产生怎样的响应,将获得的结果和预测结果进行比较。如果匹配,则到达该输出点的路径通过反向传播跟踪来强化中间节点和路径。
强化可以通过增加输入到正确输出的传播中涉及的节点权重来实现。神经链路的强化提高了相同的环境信息输入得到相同的正确输出的概率,与期望输出值不匹配的认知决策被削弱,降低了相同条件下再次采用这些方案的可能性。
文献[13]通过多层前馈神经网络进行通信性能实时特征评价,文献[14]研究了用神经网络进行最佳决策评估和学习的方法。神经网络研究中以下问题还有待深入:网络训练的数据样本的获取和确定,大规模认知网络的模拟分析(现在的神经网络只能模拟单个或多个认知设备组成的认知网络),等等。
(3)模糊逻辑
很多事情都表现为一定的不确定性,模糊理论通过模糊描述构建模糊集合,确定隶属函数,利用信息本身的不确定性来处理问题。认知无线电的学习、推理阶段,要进行各种信息的传输和交换,包括层间的信息传递,这涉及到网络的跨层设计和优化问题。Balodon等提出用模糊逻辑的语言来表达网络所需的跨层信息,以模糊逻辑控制器作为认知跨层的引擎,如图5所示[15]。该方法的优点是网络结构的构建复杂度降低,改善了信息解释(精确测量的结果可以用一个不精确的知识表示解决);存在的问题是跨层网络中各层间通信的跨层信息要求必须是连续可用的,而它的标准化工作还未解决。
3.3无线电决策、调整阶段的应用
博弈论是研究决策者在相互依存、相互影响的情况下如何进行战略决策的分析工具。稳定状态在博弈论中体现为博弈过程的nash平衡(ne,nashequilibrium)。在空白频谱的占用竞争机制中引入博弈论的方法实现分布式频谱资源策略的研究,已经成为关注的方向。
静态博弈模型的分析,假设所有参与者同时进行,该模型简单,但使用范围有限。这是因为用户决策都是从自身的角度出发使自己的收益最大化,这样得到的ne往往与系统最优解之间存在较大差距。动态决策过程强调决策过程和决策顺序对决策行为和结果的影响,可以出现合作等静态博弈过程不会有的结果,系统的稳定性能要优于静态博弈结果[16]。
功率控制的目标是在不干扰授权用户的前提下尽可能增加认知用户的发射功率。对于存在合作和竞争的多址认知无线电系统,发送功率受干扰温度和可用频谱数量的限制,可以用博弈论来解决其功率控制问题。
4结束语
认知无线电的优势体现在它的高度智能化和对频谱资源的充分利用,许多专家学者都在研究如何将人工智能的诸多方法用于认知无线电。神经网络、博弈论和遗传算法等运用到用户和环境信息的检测、频谱的分配共享机制,数据挖掘、贝叶斯逻辑、机器学习和博弈论等在认知学习、推理中的应用,决策树理论在认知行动决策中的应用,都是研究的方向。
对于用户和环境信息感知技术的研究,国内外进行的比较多,也形成了相对成熟的理论和方法;对于认知循环中推理、学习和决策阶段的研究尚处在起步阶段,这也是认知无线电的核心问题。统一高效的知识表示规则、认知无线电系统的安全保密策略以及认知网络的跨层设计等网络层面的研究,也是实际应用中必需要解决的问题。在这些问题的研究中,人工智能的思想和算法是大有可为的,必将成为认知无线电今后的研究热点和方向。
参考文献
[1]mitolaJ,maquireGJ.CognitiveRadio:makingSoftwareRadiosmorepersonal[J].ieeepersonalCommunications,1999,6(4):13-18.
[2]HaykinS.CognitiveRadio:Brain--empoweredwirelessCommunications[J].ieeeJSaC,2005,23(2):201-220.
[3]modyan,BlattSR,millsDG,etal.RecentadvancesinCognitiveCommunications[J].ieeeCommunicationmagazine,2007(10).
[4]Rondeautw,LeB,RieserCJ,etal.CognitiveRadioswithGeneticalgorithms:intelligentControlofSoftwareDefinedRadios[C].SoftwareDefinedRadioForumtechnicalConference,phoenix,aZ.,2004:C3-8.
[5]thomaswRondeau.applicationofartificialintelligencetowirelessCommunications[D].phD.Blacksburg:VirginiapolytechnicinstituteandStateUniversity,2007:11-12.
[6]ClancyC,Stuntebecke.applicationsofmachineLearningtoCognitiveRadionetworks[J].ieeewirelessCommunications,2007(8).
[7]nolanKe,Suttonp,DoyleLe.anencapsulationforReasoning,Learning,KnowledgeRepresentationandReconfigurationCognitiveRadioelements[C].CognitiveRadioorientedwirelessnetworksandCommunications,2006.
[8]FengGe,QinqinChen,Yingwang,etal.CognitiveRadio:FromSpectrumSharingtoadaptiveLearningandReconfiguration[C].aerospaceConference,2008ieee.1-8march2008:1-10.
[9]thomaswRondeau,BinLe,Davidmaldonado,etal.optimization,Learning,andDecisionmakinginaCognitiveengine[C].proceedingoftheSDR06technicalandproductexposition,2006.
[10]JosephGaeddert,KyouwoongKim,Rekhamenon,etal.applyingartificialintelligencetotheDevelopmentofacognitiveRadioengine[J/oL].(2006-11-06)wireless.vt.edu/archives/download/applyingartificialintelligence.pdf.
[11]Rondeautw,LeB,Davidmaldonado,etal.CognitiveRadioFormulationandimplementation[C].1stinternationalConferenceonCognitiveRadioorientedwirelessnetworksandCommunications,2006.8-10June2006:1-10.
[12]DanielHFriend,mustafaYelnainay,YongshengShi,etal.architectureandperformanceofanislandGeneticalgorithm-basedCognitivenetwork[C].ieeeCCnC2008.
[13]Baldon,Zorzim.LearningandadaptationinCognitiveRadiosusingneuralnetworks[C].ConsumerCommunicationsandnetworkingConference,2008.
[14]ZhenyuZhang,XiaoyaoXie.intelligentCognitiveRadio:ResearchonLearningandevaluationofCRBasedonneuralnetwork[C].iti5thinternationalConferenceoninformationandCommunicationstechnology,2007.
[15]Balodon,Zorzim.FuzzyLogicforCross-layeroptimizationinCognitiveRadionetworks[J].ieeeCommunicationsmagazine,2008(4).
[16]VarianHR.microeconomicanalysis[m].newYork,USa:w.w.norton&Company,1992.
【作者简介】
赤伟:重庆大学通信与信息系统专业硕士研究生,主要从事认知无线电的研究。
循环神经网络的优点篇7
工作目标：到2014年底，全县生猪存栏58万头，奶牛存栏4.6万头，家禽存栏175万只，建设规模养殖小区、养殖场20个，培训农民1000人次，秸秆青贮15万吨。建设“畜—沼—果”循环模式示范园3个，农户“畜—沼—果”循环模式示范户5户，农户“畜—沼—菜”循环模式示范户20户，“畜—沼—粮”循环模式示范户5户。三级防疫网络规范运行，畜产品质量安全监管扎实到位，完成1—2个无公害产品申报认证工作。全县全年不发生一例重大动物疫情和畜产品质量安全事故。
重点工作：
1、大力发展循环农业。一是投资700万元建设南仁旭日循环生态农业示范园区，并积极申报市级现代农业示范园区，力争进入省级现代农业示范园区行列。同时，在南仁永飞标准化养殖场和下寨村猕猴桃园区再建设2个“畜-沼-果”循环农业园，带动全县“畜—沼—果”循环农业发展。二是围绕大庄现代农业示范园建设，动员普集镇、大庄现代农业园区内及周边群众发展生猪、奶牛规模养殖，配套建设相应规模沼气池，发展农户“畜—沼—果”循环模式。三是围绕大庄贺家村蔬菜基地建设，在贺家村设施蔬菜基地设施大棚内一端配套建设10平方米猪舍，猪舍地下建设8立方米沼气池，发展一批农户“畜—沼—菜”循环模式。四是围绕镇、苏坊、游风商品粮基地建设，动员镇、苏坊、游风的农户发展生猪、奶牛养殖，配套建设沼气池，发展农户“畜—沼—粮”循环模式。五是在全县猕猴桃种植面积超过200亩的村，动员群众发展生猪养殖。按照每亩猕猴桃园配套5头猪的原则，在该村发展一批适度规模“畜—沼—果”循环模式养殖户，为果园提供优质有机肥。
2、依托企业引领，发展壮大畜牧产业。依托石羊集团技术、市场优势，发展“公司+农户”的养殖模式，在贞元、代家发展肉鸡产业。依托正大集团技术力量雄厚、服务网络全的优势，在镇、河道发展蛋鸡标准化养殖，与正大集团签订收购合同或配套建设禽蛋批发交易市场或建立经纪人队伍，畅通销售渠道。依托银桥、蒙牛、伊利等大型乳品企业，在苏坊、游凤发展奶牛标准化规模养殖场、小区，与乳品企业签订收购合同，保护养殖户利益。依托渭河沿岸水草茂盛的优势，在长宁、小村、普集街积极发展秦川牛规模养殖。
3、认真抓好标准化养殖。对以前建设的养殖场、小区进行标准化改造提升，加强软硬件设施建设，实行标准化生产，提高生产水平。对新建的养殖场，从规划阶段起坚持高点定位，按照标准化要求设计，提升标准化水平。深入开展畜禽标准化示范养殖场创建活动，到2014年底，力争有2—3个养殖场达到省级标准化示范场要求，至少1个养殖场达到部级标准化示范场标准。
4、认真抓好重大动物疫病防控。继续坚持“预防为主”的方针，认真落实动物防疫工作责任制，强化畜禽强制免疫工作，推进规模养殖场程序免疫和散养户春秋两季集中免疫，建立起免疫工作长效机制，使免疫工作常年化、制度化。强化动物疫病监测和流行病学调查，提高预警预报能力。加强布病、狂犬病、结核病等人畜共患病防治工作，有效防止疫情发生。充分发挥兽医实验室的作用，对全县各大养殖场、小区、大户的畜禽免疫抗体水平进行定期监测，及时加免，确保生产安全。
循环神经网络的优点篇8
关键词霾；人工神经网络；R语言；Bp算法；预报方法；山东淄博
中图分类号p457.7文献标识码a文章编号1007-5739（2017）10-0209-03
近年来，淄博地区空气中的细颗粒物和气体污染物明显增加，空气质量变差。这不仅对市民的健康构成了危胁，而且降低了大气的能见度，对交通出行造成影响，也通过远距离传输对周边地区带来一定的影响。
目前，国内外霾的预报主要有数值预报、模式输出统计预报等方法。数值预报方法在大气动力学模式的基础上耦合了化学模块，直接模拟大气污染与大气气象要素场的变化过程，具有良好的发展前景；但受到源排放清单不确定等因素影响，在日常预报业务中受到一定限制。模式输出统计预报方法首先依据污染物浓度数据集筛选出关联性强的气象因子，然后利用统计方法建立预报方程，最后利用模式输出量代入预报方程进行预报。陈亦君等应用基于系统辨识理论的实时迭代模式对wRF模式预报结果进行后处理，建立了上海地区霾天气的模式输出统计方法，结果表明霾日预报成功率为72.7%～73.7%[1]。毛宇清等使用SVm分类和回归方法分别建立了南京地区霾日分类预报模型和有霾日能见度预报模型，预报试验结果表明南京地区霾日的SVm分类预报结果tS评分均在0.4以上，有霾日14：00能见度的SVm回归预报结果准确率均达到86%以上[2]。以上研究主要是基于霾与气象条件之间的相关性，但是由于霾的严重程度受气溶胶浓度的影响很大，所以同时考虑气象条件、气溶胶浓度将很大程度上提高霾预报准确率。本研究尝试通过建立动态的预报模型，利用气象和大气化学模式输出的结果来实现霾等级预报。
1人工神经网络和R语言
1.1人工神经网络
神经网络是由简单处理单元构成的大规模并行分布式处理器，天然地具有存储经验知识和使之可用的特性。神经网络在2个方面与大脑相似：一是神经网络是通过学习过程从外界环境中获取知识；二是互联神经元的连接强度，即突触权值，用于存储获取的知识[3]。
根据网络结构的不同，可将神经网络分为3种，即前馈网络、竞争网络以及递归联想存储网络，本文采用基于误差反向传播算法的多层前馈神经网络，简称Bp神经网络。Bp网络是1986年由Rumelhart和mcCelland为首的科学家小组提出的，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。Bp网络具有非线性映射、自适应、自学习和自组织能力，通过分布储存和并行处理的方式，使其具有很强的容错性和很快的处理速度。Bp算法本质是优化计算中的梯度下降法，利用误差对于权、阈值的一阶导数信息，应用误差反传原理不断调整网络的权值、阈值，使网络输出值与期望值之间的误差平方和达到最小或小于设定精度。Bp网络模型由输入层、隐藏层和输出层构成，如图1所示。
1.2R语言与神经网络
与起源于贝尔实验室的S语言类似，R是一种为统计计算和绘图而生的语言和环境，它是一套开源的数据分析解决方案，由一个庞大且活跃的全球性研究型社区维护。R语言提供了各式各样的数据分析技术，拥有顶尖水准的制图功能，可进行交互式数据分析和探索，易于扩展，并为快速编程实现新的统计方法提供了一套十分自然的语言[4]。
R有大量的扩展包可以使用，目前有1万多个包可下载使用，这些包提供了横跨各种领域、数量惊人的新功能，包括分析地理数据、处理蛋白质质谱、心理测试分析、金融分析、数据挖掘、人工智能、数据可视化等功能，神经网络相关的包就有19个，常用的有nnet、amoRe、RSnnS等，其中amoRe包提供了S富的控制参数，本研究采用了amoRe包进行霾预报方法研究。
2神经网络预报模型的建立
分析资料采用淄博市8个地面气象观测站点的常规观测资料、nCep再分析资料（1°×1°）及淄博市环境监测站提供的污染物浓度资料组建模型训练样本。构建样本时间段为2015年4月至2016年9月。
2.1预报因子的选取
本研究针对预报因子的选取主要考虑影响霾天气形成的气象因子和主要污染物，包括地面气压、温度、露点温度、相对湿度、水平风速及其上空对流层中低层（500～850hpa）的水平风垂直切变、对流层中低层的层结不稳定及近地面层的逆温，以及主要污染物pm2.5浓度等9个预报因子作为训练样本，此处通过计算850hpa与1000hpa假相当位温垂直差代表对流层中低层的层结不稳定、925hpa与1000hpa温度垂直差代表近地面层的逆温。
2.2建模训练样本的处理
2015年4月1日至2016年9月30日，样本数据为1次/d，每个站的总样本数为549个。为提高霾天气预报准确率，在保证有霾和无霾样本的代表性情况下，本研究保留了有霾的样本，在无霾样本中随机剔除部分样本，提高了霾日样本所占比例，最终样本数见表1。
2.2.1样本资料的归一化处理。为消除预报因子之间的量纲影响，提高训练样本的速度，首先要对网络输入数据进行归一化处理，使其值在0～1之间。为保证建立的模型具有一定的外推能力，最好使数据预处理后的值在0.2～0.9之间。本研究中因子的归一化处理方法如下：f（x）=（x-xmin）×0.7/（xmax-xmin）+0.2，式中xmax代表该组数据中的最大值，xmin代表最小值。对网络输出结果进行反算即可得到实际值。
2.2.2样本资料的分层抽样。利用分层抽样技术对总体样本进行抽样，从无霾样本和不同等级的霾样本中抽样，将总体样本划分为训练样本和测试样本2个部分，训练样本占总样本的80%，测试样本占20%。分层抽样采用R语言的samping包中的strata函数来实现，抽样方法选用无放回的简单随机抽样法（srswor）。
2.3神经网络模型的建立
神经网络模型由1个输入层、1个输出层和若干个隐藏层构成，输入层由9个节点组成，输出层由1个节点组成。输入层节点数和输出层节点数确定后，对隐藏层节点数和隐藏层数进行优化。如果隐藏层节点数过少，网络不具备必要的学习能力和信息处理能力；反之，如果过多，则会大大增加网络结构的复杂性，使网络在学习过程中更容易陷入局部极小点，而且会使网络的学习速度变得很慢。一般在确定隐藏层节点数时采用经验公式或逐步试验法。至于网络中的神经元层数，大多数实际的神经网络仅有2～3层神经元，很少有4层或以上[5]。因此，经过反复试验，最后确定采用含有2个隐藏层的神经网络拓扑结构。将样本资料输入网络进行循环运算，运算过程采用精度和循环次数双层控制，达到所需精度或一定循环次数后，利用得到确定的网络权、阈值即构建所需的神经网络预报模型（图2）。
构建神经网络预报模型时误差准则选用最小均方（LmS）算法，隐藏层的激活函数选用sigmoid函数，输出层的激活函数选用purelin函数，训练方法采用动量自适应梯度下降法（aDaptgdwm）。
2.4神经网络模型的测试
利用总样本中20%的数据作为测试样本集进行测试，神经网络模型输出的霾日预报准确率达到80%以上。神经网络训练和测试部分代码如下：
#进行训练
net
result
#进行测试
y
y[which（y
y[which（y>4）]
y
precision
cat（′测试准确率为′，precision，′＼n′）；
3预报结果的检验分析
本研究所用的神经网络模型由R语言进行建模并完成测试，基于神经网络算法搭建了淄博地区站点霾等级预报系统。系统中的气象因子使用欧洲细网格数值预报产品，环境因子使用CUaCe雾霾数值模式产品，利用每天20：00的预报产品，预报未来72h的霾等级，时间分辨率为3h。利用该系统对2016年10月26日至11月27日期间淄博地区的霾进行了72h预报试验，并把得到的预报结果与地面观测实况作对比分析（表2）。
对预报检验结果分析如下：
（1）从单站预报情况看，5个站点的预报准确率达到了75%以上，预报模型输出的预报结果可用性较高，而站点54824、54825的空报率和漏报率较高，这可能与eC模式、CUaCe模式的预报误差有关。以淄博站（54830）为例，在2016年10月26日至11月27日期间输入3h间隔预报产品，预报次数为768次，预报结果为无霾正确632次、无霾空报80次、有霾漏报45次、有霾正确11次，漏报率为5.86%，空报率为10.42%，准确达到83.72%。
（2）从总体情况来看，淄博8个站点的平均预报准确率为74.02%，平均漏报率5.37%，平均空报率为20.61%，霾的漏报率较低，空报率略高。
（3）从霾日分级预报情况看（表3），除54824站预报偏轻外，霾等级预报整体偏重。
4结论与讨论
（1）本研究采用Bp算法的人工神经网络，利用nCep再分析资料和实况观测资料建立了淄博地区8个站点的霾等级预报模型，经过测试样本测试，霾日预报准确率达到80%以上。
（2）本研究基于人工神经网络模型，利用欧洲细网格数值模式输出的气象预报产品及CUaCe模式输出的污染物浓度预报产品搭建了淄博地区站点霾等级预报系统，并经过1个月的预报检验，平均预报准确率可达74%以上，对实际业务中霾的预报有一定参考意义。
（3）本研究训练样本数据由于受到pm2.5数据限制，样本偏小，有待进一步补充，以提高神经网络模型的稳定性和准确性。
（4）由于本研究中构建的霾等级预报系统是在利用数值预报产品解释应用的基础上进行的，准确率受到数值预报本身准确性的影响，所以检验系统预报准确率的同时对数值预报产品的检验和订正很有必要。
5参考文献
[1]陈亦君，尤佳红，束炯，等.基于wRF-Rtim的上海地区霾预报moS方法研究[J].环境科学学报，2014，34（3）：574-581.
[2]毛宇清，孙燕，姜爱军，等.南京地区霾预报方法试验研究[J].气候与环境研究，2011，16（3）：273-279.
[3]HaYKinS.神经网络与机器学习[m].申富饶，译.北京：机械工业出版社，2011：1.
循环神经网络的优点篇9
把握情境线：激活学生兴趣
“树立创新意识是唯物辩证法的要求”这一课，重点是第一目中辩证否定观的内涵、实质，难点是第二目中辩证法的革命批判精神，主干知识理论性比较强，离学生生活比较远，教学难度比较大。若仅单纯依赖枯燥讲授，课堂效果必定是事倍功半。笔者备课时想着，再过几天就是2014年的“双十一”（俗称“光棍节”），对比电商的火爆经营额，在江苏范围内存在数量越来越少的传统简易小卖部如临生死大考。一边是热火朝天，一边则是无奈冷清，可谓是“赚钱买卖在前头，几家欢喜几家愁。”于是，笔者尝试着以“网络购物pK传统简易小卖部购物”为媒介，组合一定的生活元素进行问题创设，营造引人入胜、耐人思考的氛围，将学生引入活动情境中，让学生通过系列情境及以情境为载体的知识的理解和把握，实现情与境汇、意与象通。
情境一：网络购物pK传统简易小卖部购物。设计意图：让学生将网络购物与传统简易小卖部购物对比，感悟网络购物的优势，指出传统简易小卖部购物的不足，指导学生透过现象看本质，无论是网购还是传统购物，其购买商品、你交钱，我给货的本质始终未发生根本改变，变的只是购买方式。从而引出“辩证否定观的内涵、实质”的讲解。
情境二：阿里巴巴的成功。设计意图：让学生体会15年、87年、90%这些数字背后的意义所指，感悟共同体现的哲学道理，从而引出“辩证法的革命批判精神的理论依据”的学习。
情境三：马云的商业模式。设计意图：通过让学生分组讨论，感悟对阿里巴巴的成功起到关键作用、全球互联网市场上独一无二商业模式，导出“辩证法的革命批判精神的方法论要求”的学习。
笔者认为，一节课好不好，关键看脚本好不好。所以，教师在备课时，应该把大部分精力集中在脚本设计上。情境材料应符合社会主义核心价值观要求，对学生思想道德素质的提高和健康成长起导航作用。情境材料要贴近学生，来源生活，要真实、可信，因为“最好的教育是用真实来教育”。此外，情境之间要连贯整体，一气呵成。
把握知识线：引领学生思维
伴随着层层推进的情境的展开，笔者在遵循学生认知规律的基础上，旨在激发学生解决问题的欲望，依据相关情境设置了具有一定思维含量及思辨性的探究问题。问题设置轻巧，遵循学生的认知和求索规律以及知识间的内在逻辑，准确表达了问题的指向性，激发了学生对问题的主动积极探究。通过环环紧扣的设问，将课堂内容的讲授和知识点的落实做到了自然的推进。
问题设置：①为什么选择网络购物？它有哪些优势？②购物方式不同，“购”的本质是否发生根本改变？③传统简易小卖部购物有哪些优点和缺点？④上述两段话共同体现了什么哲学道理？⑤从哲学角度分析马云的商业模式是如何暗合了辩证法的革命批判精神？
第一问、第二问、第三问，通过让学生自我总结网络购物的优点，进而引发“购物方式不同，‘购’的本质是否发生变化”的问题思考，由此得出：无论是网购还是传统购物，其购买商品、你交钱，我给货的本质始终未发生根本改变，变的只是购买方式。导出辩证否定观的含义的讲解。第四问之前有一个过渡，即中国互联网传奇人物马云是怎样带领他创立的阿里巴巴商务平台由西湖里一叶小舟变成今天一艘电子商务的大航母。从而让学生感受到马云的成功之处，进而将马云的成功和李嘉诚的成功放在一起对比，两人都是成功人物，虽事业的领域不同，但在他们身上都有着相似的特质。让学生关注材料中15年、87年、90%的数字，要求学生思考两段话共同体现了什么哲学道理，以此引出辩证法的革命批判精神的理论依据的学习。第五问是让学生以小组为单位，思考马云的商业模式是如何暗合了辩证法的革命批判精神，让学生在小组合作探究中碰撞出思维和智慧的火花，进而导出辩证法的革命批判精神的方法论要求。
可见，“网购、马云、阿里巴巴”活动情境是问题设置的中介和载体，它是为知识、能力、情感目标服务的载体，是联系情境线与知识线的中介。笔者意在通过问题的设置把包含在情境中的知识点一个个挖出来，这样，知识在情境的衬托下通过师生互动有效的达成和实现，随着以上五个问题环环相扣的提出和解决，遵循逻辑思维顺序、严密有序的知识线跃然纸上，本课的重难点、主干知识也清晰呈现。
把握情感线：升华自觉自信
“网购、马云、阿里巴巴”这一条情境线为“辩证否定观、辩证法的革命批判精神”这条知识线起铺垫作用，要落实教材知识，突破这条情境线，实现预定教学任务，则需要一种高效、接地气的学习方式。笔者在组织“情境一”和“情境二”两个教学环节时，分别采用分组合作探究和角色模仿等方式。
情境一：网络购物pK传统简易小卖部购物。问题设置：①为什么选择网络购物？它有哪些优势？②购物方式不同，“购”的本质是否发生根本改变？③传统简易小卖部购物有哪些优点和缺点？在组织这一环节教学时，将学生分成六个小组，分别对问题①②③以及问题③中的优点和缺点进行分组讨论思考，然后进行组别之间的pK较量，让学生在思索、争辩、阐述中加深对相关知识的理解，最后老师对这一环节进行综合评价概括。
情境二：阿里巴巴的成功。上市只是阿里巴巴成功的开始。“今天还不能说成功，我们只是站在新的台阶上。上市只是一个加油站，上市的目的是为了加油从而走得更远。很多人说我们成功了，其实我们离成功还很遥远，我们走过了15年，还有87年……”在组织这一环节教学时，笔者风趣地称某生为马云的关门弟子，让他模仿马云读一遍上述文字。记得当时，该生表现从容，底气十足并富有感情地朗诵了一遍，同学们立马被逗笑了，课堂里洋溢着亲切、幽默、温馨与和谐的气氛。这种师生、生生多向互动、平等对话等形式，增强了学生内心体验，张扬了学生的个性，丰富了学生的精神世界，陶冶了学生的情操，促进了学生对知识理解的生成以及情感态度价值观的实现。
对于笔者而言，这是一节收获满满的课，用一句话来概括，即把握了“三线”：情境线、知识线和情感线，做到了“三线”的有机融合。让学生在情境设置中得到内心体验，在解决问题后得到深刻感悟，在合作探究中升华自觉自信。当然，这也是一节不成熟的课，还有很多不足，笔者应该在问题设置的思辨性、情境性中选取一致性，以进一步推敲和完善。
循环神经网络的优点篇10
关键词：网络安全态势预测；CmaeS优化算法；RBF神经网络；时间序列预测
Doi：1015938/jjhust201702026
中图分类号：tp3930
文献标志码：a
文章编号：1007-2683（2017）02-0140-05
abstract：amethodfornetworksecuritysituationpredictionisproposed，wherethecovariancematrixadaptationevolutionstrategyalgorithm（CmaeS）isusedtooptimizetheparametersoftheradialbasisfunctionneuralnetworkforecastingmodel（RBF），whichmakestheforecastingmodelhavesuperiorability，andcanquicklyfindouttherulesofthecomplextimeseriesthesimulationsresultsshowthattheproposedmethodcanaccuratelypredictthenetworksecuritysituation，andhasbetterpredictionaccuracythantraditionalpredictionmethods
Keywords：networksecuritysituationprediction；covariancematrixadaptationevolutionstrategyalgorithm；Radialbasisfunctionneuralnetwork；timeseriesprediction
0引言
随着网络技术的广泛使用和快速发展，网络系统开始呈现出越来越复杂的趋势。所有复杂的系统都要面临严峻的安全问题，网络平台也不例外，任何一个小的漏洞都有可能被黑客利用，从而导致整个网络的崩溃。传统的安全技术属于被动防御技术，例如入侵检测系统是在攻击来临时进行识别并作出反应。相比之下，管理人员更需要一种能够宏观描述并预测网络整体状况的技术，以此能够做到未雨绸缪主动防御。针对这个问题，Basst在1999年提出了网络安全态势的概念[1-2]，他指出网络安全态势是一组能够反映网络系统宏观状态的数值，通过它可以让管理人员快速的了解网络运行的基本情况。获取并处理网络安全态势的技术称为网络安全态势感知[1，3-7]，它包括3个层次[8]：①网络底层态势要素的提取（态势提取）；②网络安全态势的评估（态势理解）；③网络安全态势的预测。态势要素的提取主要依靠神经网络和支持向量机等分类技术将威胁网络安全的数据分类，然后在由网络安全态势评估技术按照不同攻击种类的重要程度加权平均得出网络安全态势值[9]。当收集到一段时间的历史网络安全态势值后，就可以建立预测模型预测未来的网络安全态势。可以看出，网络安全态势预测技术是网络安全态势感知中最为重要的环节，本文要解决的就是网络安全态势预测问题。
目前，已经有很多预测模型用于网络安全态势预测，例如灰色预测模型[10]、GaBp预测模型[11]、RBF预测模型[12]、Hmm预测模型[13]、evHmm预测模型[14]以及HBRB预测模型[15-16]等。灰色预测模型是利用灰色理论对含不确定信息的系统进行预测的模型，但是它只能反映系统发展的大致趋势，并不能精确预测未来的数值。Hmm、evHmm以及HBRB等预测模型将安全态势视为隐含行为，优化过程复杂且具有s束条件，不适用于实时性要求高的网络系统。
神经网络模型是网络安全态势预测中最常用的方法，但是由于在训练模型的过程中需要优化大量的参数，且传统的优化算法往往会在优化过程中陷入到局部最优点，所以神经网络预测模型并不能精确的预测样本数量小且规律性不强的网络安全态势。
针对上述问题，本文提出利用CmaeS算法对RBF神经网络的参数进行优化，从而提高网络安全态势预测的精度。CmaeS算法全称是协方差矩阵自适应进化策略[17-18]，是目前最受关注的优化算法之一，它在高维非线性优化问题上表现良好，能够利用较少的个体快速收敛到全局最优点。RBF全称是径向基神经网络，它具备良好的泛化能力和逼近性能，并且可以处理复杂的非线性系统。RBF解决了Bp的局部最小值问题，并已成功应用到众多的工程领域[19-24]。将两者结合到一起，可以克服神经网络模型的缺点，增加全局优化能力，提高预测精度。
本文的组织结构为：在第一节中，介绍了RBF及CmaeS的相关概念及基本原理。在第二节中提出了CmaRBF预测模型。在第三节中，利用所提出的方法对实际网络平台的安全态势进行预测，并将结果和其他传统方法进行了比较。在第四节中，对CmaRBF预测模型进行总结。
1基本概念
11RBF神经网络的基本原理
RBF神经网络模型在结构上与Bp相同，都属于前馈型式神经网络。区别在于RBF的隐层只有一个且使用径向基函数作为隐层神经元的激活函数，RBF的隐层可以将输入变换到高维空间中，从而解决低维空间线性不可分的问题。RBF神经网络模型具备良好的全局最优和逼近性能，并且结构不复杂，收敛速度快，可以作为系统辨识的、非线性函数逼近等领域的有力工具。典型的RBF神经网络模型结构如图1所示。
利用CmaRBF预测网络安全态势的基本步骤如下所示：
Step1：利用公式（9）确定模型的历史样本；
Step2：确定RBF神经网络的初始参数Ω0；
Step3：确定初始迭代次数t=0和最大迭代次数tmax；
Step4：确定CmaeS算法的初始⑹；
Step5：建立形如公式（11）优化目标函数；
Step6：进入循环：whilet
Step61：利用公式（3）以Ωt作为期望meant生成新的种群；
Step62：利用公式（4）得到新的种群期望meant+1；
Step63：利用公式（5）（6）（8）更新种群的协方差矩阵，得到mt+1；
Step64：利用公式（9）更新步长，得到st+1；
Step65：计算新种群的目标函数值，选出最优个体（参数）Ωbest；
Step66：重复执行step61，直到t=tmax跳出循环；
Step7：以Ωbest作为RBF神经网络的参数，历史样本做为训练数据，对RBF进行训练；
Step8：用训练RBF模型对安全态势预测。
3仿真实验
31背景描述
我们以真实的网络平台为背景（如图3所示），收集了三个月共92天的攻击数据，并将它们利用层次化评估方法求出92天的网络安全态势值。
图3描绘的是某高校真实网络环境，全网可分为内网和DmZ区两大部分。其中内网包括图书馆、宿舍、行政楼和教学楼；DmZ区包括各类服务器及数据库。攻击数据的收集在防火墙及核心交换机上完成。
当作为网络安全要素的攻击数据收集完毕后，可以由专家确定各安全要素的权重，在利用常用的层次化评估方法获得全网的网络安全态势值，如图4所示：
从图4可以看出，该网络平台的网络安全态势在整体上呈现一定的规律，每个月的中期攻击强度增大，月底逐渐减小，但是在局部，态势值有一定的随机性。为了利用前述的CmaRBF模型去预测网络安全态势值，我们将上述数据通过公示（9）生成了89组样本，前60组作为训练样本，后29组作为预测样本。模型的初始参数见表1：
32比较实验
为验证所提模型有效性，选取了没有优化RBF模型和GaRBF模型与CmaRBF模型比较，比较结果如图5和表2所示：
从图5和表2可以看出，CmaRBF的预测精度要高于其他方法。
4结论
所提出的CmaRBF预测模型是将新的进化算法CmaeS引入到RBF模型中，利用CmaeS高效的寻优能力去解决高维模型中参数优化问题。两者的结合使得神经网络的结构和参数更加合理，具有更好的预测能力。本文将所提方法应用于网络安全态势预测领域，得到了很好的效果。比较实验结果表明，CmaRBF模型的预测精度高于其他传统方法。在今后的工作中，我们会继续探索更适应与网络安全态势预测的新方法。
参考文献：
[1]BaSStintrusionDetectionSystemandmultisensorDataFusion：CreatingCyberspaceSituationawareness[J].CommunicationsoftheaCm，2000，43（4）：99-105
[2]王庚，张景辉，吴娜网络安全态势预测方法的应用研究[J].计算机仿真，2012，29（2）：98-101
[3]胡冠宇，乔佩利基于云群的高维差分进化算法及其在网络安全态势预测上的应用[J].吉林大学学报（工学版），2016，46（2）：568-577
[4]鲁颖欣，王健，齐宏卓模糊判断在网络安全风险评估中的应用研究[J].哈尔滨理工大学学报，2014，19（1）：36-39
[5]高青波，胡冠宇，徐泽群并行计算平台的网络安全态势感知系统[J].科技创新与应用，2015（15）：4-5
[6]HUGY，QiaopCloudBeliefRuleBasemodelfornetworkSecuritySituationprediction[J].ieeeCommunicationsLetters，2016，20（5）：914-917
[7]HUGY，ZHoUZJ，ZHanGBC，etalamethodforpredictingthenetworkSecuritySituationBasedonHiddenBRBmodelandRevisedCmaeSalgorithm[J].appliedSoftComputing，2016，48：404-418
[8]王慧强，赖积保，胡明明等网络安全态势感知关键技术研究[J].武汉大学学报-信息科学版，2008，33（10）：995-998
[9]陈秀真，郑庆华，管晓宏等层次化网络安全威胁态势量化评估方法[J].软件学报，2006，17（4）：885-897
[10]马杰，任望，薛东军等灰色灾变模型在计算机网络安全态势预测中的研究[C].第三届信息安全漏洞分析与风险评估大会，2010
[11]胡明明，王慧强，赖积保一种基于GaBpnn的网络安全态势预测方法[m].北京：中国科技论文在线，2007
[12]任伟，蒋兴浩，孙锬锋基于RBF神经网络的网络安全态势预测方法[J].计算机工程与应用200631：136-139
[13]mUtHUmanin，tHanamaniaSoptimizingHiddenmarkovmodelforFailurepredictionComparisonofGaine’soptimizationandminimummessageLengthestimator[J].intJComputScieng，2011，3（2）：892-898
[14]RamaSSoeContributionofBeliefFunctionstoHmmwithanapplicationtoFaultDiagnosis[J].in：ieeeinternationalworkshoponmachineLearningandSignalprocessing，Grenoble，France，2009：2-4
[15]HUGY，QiaopLCloudBeliefRuleBasemodelfornetworkSecuritySituationprediction[J].ieeeCommunicationsLetters，2016，20（5）：914-917
[16]HUGY，ZHoUZJ，ZHanGBC，etalamethodforpredictingthenetworkSecuritySituationBasedonHiddenBRBmodelandRevisedCmaeSalgorithm[J].appliedSoftComputing，2016，48：404-418
[17]HanSenntheCmaevolutionStrategy：aComparingReviewtowardsanewevolutionaryComputation[J].advancesonestimationofdistributionalgorithms，2006，75-102
[18]HanSenn，KeRnSevaluatingtheCmaevolutionStrategyonmultimodaltestFunctions[J].parallelproblemSolvingfromnatureppSnViii，2004，282-291
[19]同光，桂卫华基于粒子群优化神经网络观测器感应电机定子电阻辨识[J].电机与控制学报，2015，19（2）：89-95
[20]王建敏，董小萌，吴云洁高超声速飞行器RBF神经网络滑模变结构控制[J].电机与控制学报，2016，20（5）：103-110
[21]张旭隆，曹言敬，邵晓根基于边界约束RBF网络的SRm磁链特性在线建模[J].电机与控制学报，2015，19（2）：83-88
[22]宋清昆，李源松RBF神经网络锅炉燃烧系统建模[J].哈尔滨理工大学学报，2016，21（1）：89-92