人工神經(jīng)網(wǎng)絡(luò)范文10篇

摘要：根據(jù)現(xiàn)代控制技術(shù)的人工神經(jīng)網(wǎng)絡(luò)理論提出了一種保護原理構(gòu)成方案，并分析了原理實現(xiàn)的可行性和技術(shù)難點。

人工神經(jīng)網(wǎng)絡(luò)（AartificialNeuralNetwork，下簡稱ANN）是模擬生物神經(jīng)元的結(jié)構(gòu)而提出的一種信息處理方法。早在1943年，已由心理學(xué)家WarrenS.Mcculloch和數(shù)學(xué)家WalthH.Pitts提出神經(jīng)元數(shù)學(xué)模型，后被冷落了一段時間，80年代又迅猛興起［1］。ANN之所以受到人們的普遍關(guān)注，是由于它具有本質(zhì)的非線形特征、并行處理能力、強魯棒性以及自組織自學(xué)習(xí)的能力。其中研究得最為成熟的是誤差的反傳模型算法（BP算法，BackPropagation），它的網(wǎng)絡(luò)結(jié)構(gòu)及算法直觀、簡單，在工業(yè)領(lǐng)域中應(yīng)用較多。

經(jīng)訓(xùn)練的ANN適用于利用分析振動數(shù)據(jù)對機器進行監(jiān)控和故障檢測，預(yù)測某些部件的疲勞壽命［2］。非線形神經(jīng)網(wǎng)絡(luò)補償和魯棒控制綜合方法的應(yīng)用（其魯棒控制利用了變結(jié)構(gòu)控制或滑動模控制），在實時工業(yè)控制執(zhí)行程序中較為有效［3］。人工神經(jīng)網(wǎng)絡(luò)（ANN）和模糊邏輯（FuzzyLogic）的綜合，實現(xiàn)了電動機故障檢測的啟發(fā)式推理。對非線形問題，可通過ANN的BP算法學(xué)習(xí)正常運行例子調(diào)整內(nèi)部權(quán)值來準(zhǔn)確求解［4］。

因此，對于電力系統(tǒng)這個存在著大量非線性的復(fù)雜大系統(tǒng)來講，ANN理論在電力系統(tǒng)中的應(yīng)用具有很大的潛力，目前已涉及到如暫態(tài)，動穩(wěn)分析，負荷預(yù)報，機組最優(yōu)組合，警報處理與故障診斷，配電網(wǎng)線損計算，發(fā)電規(guī)劃，經(jīng)濟運行及電力系統(tǒng)控制等方面［5］。

本文介紹了一種基于人工神經(jīng)網(wǎng)絡(luò)（ANN）理論的保護原理。

1、人工神經(jīng)網(wǎng)絡(luò)理論概述

人工神經(jīng)網(wǎng)絡(luò)理論（ArtificalNeuralNetworkstheory,ANN）是80年代中后期在世界范圍內(nèi)迅速發(fā)展起來的一個前沿研究領(lǐng)域。人工神經(jīng)網(wǎng)絡(luò)是一種有自組織、自學(xué)習(xí)能力的網(wǎng)絡(luò)系統(tǒng)，它的應(yīng)用對各門學(xué)科都產(chǎn)生了重要的影響。目前，ANN理論的研究取得了令人矚目的進展。由于其具有非線性、高維性、大規(guī)模并行處理、信息的分布或儲存、聯(lián)想、記憶和容錯等特征，在預(yù)測具有高復(fù)雜程度的非線性時間序列問題方面明顯優(yōu)于傳統(tǒng)預(yù)測方法。

水工隧洞一般都有過水要求，加上其復(fù)雜的地質(zhì)條件，因此正確的進行圍巖分類后采取相應(yīng)的支護措施將對保證隧洞穩(wěn)定性起決定性的作用。圍巖分類是一類非線性的綜合判定問題，用人工神經(jīng)網(wǎng)絡(luò)方法來判別水工隧洞圍巖類別是一種新的嘗試和新的方法。

1．圍巖分類的判定依據(jù)

水工隧洞圍巖工程地質(zhì)分類應(yīng)以控制圍巖穩(wěn)定的巖石強度、巖體完整程度、張開度、地下水力狀態(tài)和主要結(jié)構(gòu)面產(chǎn)狀等五項因素綜合評分為依據(jù)，圍巖強度應(yīng)力比為限定依據(jù)，見表1。

表1圍巖工程地質(zhì)分類依據(jù)

指標(biāo)名稱評價因素

摘要：統(tǒng)計學(xué)習(xí)方法和人工神經(jīng)網(wǎng)絡(luò)都是在數(shù)據(jù)分類任務(wù)中的使用的模型。本文從技術(shù)的角度上總結(jié)分析這些模型的相同點與不同點，提供對這些模型分類性能的客觀分析。最后本文對如何更好地提升統(tǒng)計學(xué)習(xí)和人工神經(jīng)網(wǎng)絡(luò)的分類性能進行分析總結(jié)。

關(guān)鍵詞：機器學(xué)習(xí)；神經(jīng)網(wǎng)絡(luò)；人工智能

1引言

預(yù)測模型在各種領(lǐng)域被用于分析和預(yù)測。預(yù)測模型都是從真實的數(shù)據(jù)樣本中建立的，這些樣本數(shù)據(jù)可以根據(jù)一系列規(guī)則進行預(yù)處理和轉(zhuǎn)格式，普遍用于基于知識的專家系統(tǒng)，或者作為統(tǒng)計和機器學(xué)習(xí)的訓(xùn)練數(shù)據(jù)集。目前在機器學(xué)習(xí)中較受歡迎的是統(tǒng)計學(xué)習(xí)方法[1-3]和人工神經(jīng)網(wǎng)路[4,5]。雖然這兩種模型分別來自于統(tǒng)計學(xué)和計算機學(xué)，但同時也具有一定的相似性。在本文我們給出了統(tǒng)計學(xué)習(xí)方法和人工神經(jīng)網(wǎng)絡(luò)的在模式統(tǒng)計識別中共同點，并且說明為何神經(jīng)網(wǎng)絡(luò)可以看做是統(tǒng)計學(xué)習(xí)的總結(jié)。目前預(yù)測模型算法已經(jīng)有不少現(xiàn)成的實現(xiàn)，既有免費的也有商業(yè)的軟件可用于測試。通過測試發(fā)現(xiàn)所獲取的結(jié)果主要依賴于三個因素：模型構(gòu)建的數(shù)據(jù)集的質(zhì)量、所調(diào)整的模型參數(shù)和用于計算模型處理結(jié)果的評價標(biāo)準(zhǔn)。在總結(jié)中，我們指出判斷這些預(yù)測模型測試結(jié)果的好壞所影響的因素。

2統(tǒng)計學(xué)習(xí)中的典型算法

支持向量機和k近鄰都是統(tǒng)計學(xué)習(xí)中的典型算法。支持向量機是從統(tǒng)計學(xué)習(xí)理論思想的一種實現(xiàn)，其工作是從數(shù)據(jù)集中建立具有一致性的評價器。支持向量機關(guān)系的問題是：一個模型如何根據(jù)僅僅給出的特征集和訓(xùn)練數(shù)據(jù)集在未知的數(shù)據(jù)集中進行預(yù)測？在算法上，支持向量機通過解決約束二次優(yōu)化問題在數(shù)據(jù)集中建立最佳的分界線。通過使用不同的核心函數(shù)，可以使模型包含不同程度的非線性和靈活性。因為他們可以從不同的高級統(tǒng)計思想中衍生出來，并且在模型計算時不會出現(xiàn)統(tǒng)計錯誤，因此支持向量機在過去的幾年都引起了大量的研究者的興趣。支持向量機的劣勢在于分類的是純粹的二分法，不會給出潛在的其他類別。K近鄰算法與其他方法不同的是k近鄰算法把數(shù)據(jù)直接用于分類，而且并不需要預(yù)先構(gòu)建模型。這樣便不需要考慮模型構(gòu)建的細節(jié)，并且在算法中需要考慮調(diào)整的參數(shù)只有k，其中k是在評估類別時候需要包含的近鄰的數(shù)量：p(y|x)的計算值是在x的k近鄰中屬于y類別的成員數(shù)量的比值。通過改變k，模型的靈活性可以相對提高和降低。k近鄰與其他算法相比的優(yōu)勢在于近鄰可以提供分類結(jié)果的解釋，在黑盒模型不足的時，這種基于實例的解釋更具有優(yōu)勢。而k近鄰的主要缺點在于近鄰的計算中：為了計算近鄰需要定義一個量度計算不同原子數(shù)據(jù)之間的距離。在大部分應(yīng)用領(lǐng)域中，如何這種方式定義的量度并不清晰，只能通過嘗試和失敗，根據(jù)相對重要的并不確定是否能反應(yīng)量度的數(shù)據(jù)來定義量度。

摘要根據(jù)現(xiàn)代控制技術(shù)的人工神經(jīng)網(wǎng)絡(luò)理論提出了一種保護原理構(gòu)成方案，并分析了原理實現(xiàn)的可行性和技術(shù)難點。

人工神經(jīng)網(wǎng)絡(luò)(AartificialNeuralNetwork，下簡稱ANN)是模擬生物神經(jīng)元的結(jié)構(gòu)而提出的一種信息處理方法。早在1943年，已由心理學(xué)家WarrenS.Mcculloch和數(shù)學(xué)家WalthH.Pitts提出神經(jīng)元數(shù)學(xué)模型，后被冷落了一段時間，80年代又迅猛興起［1］。ANN之所以受到人們的普遍關(guān)注，是由于它具有本質(zhì)的非線形特征、并行處理能力、強魯棒性以及自組織自學(xué)習(xí)的能力。其中研究得最為成熟的是誤差的反傳模型算法(BP算法，BackPropagation)，它的網(wǎng)絡(luò)結(jié)構(gòu)及算法直觀、簡單，在工業(yè)領(lǐng)域中應(yīng)用較多。

經(jīng)訓(xùn)練的ANN適用于利用分析振動數(shù)據(jù)對機器進行監(jiān)控和故障檢測，預(yù)測某些部件的疲勞壽命［2］。非線形神經(jīng)網(wǎng)絡(luò)補償和魯棒控制綜合方法的應(yīng)用(其魯棒控制利用了變結(jié)構(gòu)控制或滑動模控制)，在實時工業(yè)控制執(zhí)行程序中較為有效［3］。人工神經(jīng)網(wǎng)絡(luò)(ANN)和模糊邏輯(FuzzyLogic)的綜合，實現(xiàn)了電動機故障檢測的啟發(fā)式推理。對非線形問題，可通過ANN的BP算法學(xué)習(xí)正常運行例子調(diào)整內(nèi)部權(quán)值來準(zhǔn)確求解［4］。

因此，對于電力系統(tǒng)這個存在著大量非線性的復(fù)雜大系統(tǒng)來講，ANN理論在電力系統(tǒng)中的應(yīng)用具有很大的潛力，目前已涉及到如暫態(tài)，動穩(wěn)分析，負荷預(yù)報，機組最優(yōu)組合，警報處理與故障診斷，配電網(wǎng)線損計算，發(fā)電規(guī)劃，經(jīng)濟運行及電力系統(tǒng)控制等方面［5］。

本文介紹了一種基于人工神經(jīng)網(wǎng)絡(luò)(ANN)理論的保護原理。

1人工神經(jīng)網(wǎng)絡(luò)理論概述

目前，國內(nèi)外用于城市用水量短期預(yù)測的方法多為時間序列分析法并采用多種預(yù)測模型，但都存在計算比較復(fù)雜、費時、預(yù)測精度較差等問題。

現(xiàn)通過對時用水量變化規(guī)律的研究，提出以神經(jīng)網(wǎng)絡(luò)法預(yù)測城市短期用水量。

1城市供水管網(wǎng)用水量變化規(guī)律

在我國城市供水系統(tǒng)中，用水量一般包括居民生活用水、工礦企業(yè)生產(chǎn)用水和公共事業(yè)用水等。同一城市在一天內(nèi)的不同時段，用水量會發(fā)生顯著變化。

雖然城市用水量的變化受氣候、生活習(xí)慣、生產(chǎn)和生活條件等諸多因素的影響，變化情況也較為復(fù)雜，但通過分析不難發(fā)現(xiàn)：城市用水量曲線呈現(xiàn)三個周期性的變化，即：一天(24h)為一個周期、一星期(7d)為一個周期、一年(365d)為一個周期，并受增長因素(人口增長，生產(chǎn)發(fā)展)的影響。若將預(yù)測時段取為1h，則季節(jié)因素和增長因素的影響就顯得十分緩慢，因此管網(wǎng)時用水量的變化具有兩個重要特征：隨機性和周期性。

2人工神經(jīng)網(wǎng)絡(luò)模型

摘要根據(jù)現(xiàn)代控制技術(shù)的人工神經(jīng)網(wǎng)絡(luò)理論提出了一種保護原理構(gòu)成方案，并分析了原理實現(xiàn)的可行性和技術(shù)難點。

人工神經(jīng)網(wǎng)絡(luò)(AartificialNeuralNetwork，下簡稱ANN)是模擬生物神經(jīng)元的結(jié)構(gòu)而提出的一種信息處理方法。早在1943年，已由心理學(xué)家WarrenS.Mcculloch和數(shù)學(xué)家WalthH.Pitts提出神經(jīng)元數(shù)學(xué)模型，后被冷落了一段時間，80年代又迅猛興起［1］。ANN之所以受到人們的普遍關(guān)注，是由于它具有本質(zhì)的非線形特征、并行處理能力、強魯棒性以及自組織自學(xué)習(xí)的能力。其中研究得最為成熟的是誤差的反傳模型算法(BP算法，BackPropagation)，它的網(wǎng)絡(luò)結(jié)構(gòu)及算法直觀、簡單，在工業(yè)領(lǐng)域中應(yīng)用較多。

經(jīng)訓(xùn)練的ANN適用于利用分析振動數(shù)據(jù)對機器進行監(jiān)控和故障檢測，預(yù)測某些部件的疲勞壽命［2］。非線形神經(jīng)網(wǎng)絡(luò)補償和魯棒控制綜合方法的應(yīng)用(其魯棒控制利用了變結(jié)構(gòu)控制或滑動模控制)，在實時工業(yè)控制執(zhí)行程序中較為有效［3］。人工神經(jīng)網(wǎng)絡(luò)(ANN)和模糊邏輯(FuzzyLogic)的綜合，實現(xiàn)了電動機故障檢測的啟發(fā)式推理。對非線形問題，可通過ANN的BP算法學(xué)習(xí)正常運行例子調(diào)整內(nèi)部權(quán)值來準(zhǔn)確求解［4］。

因此，對于電力系統(tǒng)這個存在著大量非線性的復(fù)雜大系統(tǒng)來講，ANN理論在電力系統(tǒng)中的應(yīng)用具有很大的潛力，目前已涉及到如暫態(tài)，動穩(wěn)分析，負荷預(yù)報，機組最優(yōu)組合，警報處理與故障診斷，配電網(wǎng)線損計算，發(fā)電規(guī)劃，經(jīng)濟運行及電力系統(tǒng)控制等方面［5］。

本文介紹了一種基于人工神經(jīng)網(wǎng)絡(luò)(ANN)理論的保護原理。

1人工神經(jīng)網(wǎng)絡(luò)理論概述

一、化工企業(yè)安全管理評價體系

1評價體系建立的原則依據(jù)化工行業(yè)的安全評價體系依賴于化工行業(yè)的生產(chǎn)實際情況，利用模糊評判模型方法及層次分析法進行綜合分析。綜合分析依賴于3個方面：（1）化工企業(yè)安全文化評價指標(biāo)；（2）化工企業(yè)安全文化指標(biāo)；（3）化工企業(yè)安全文化指標(biāo)權(quán)重。對于要構(gòu)建的化工企業(yè)安全管理評價指標(biāo)體系這樣一個復(fù)雜的工程，要求涵蓋現(xiàn)在化工企業(yè)安全管理的多方面內(nèi)容。我們這里從六個方面來構(gòu)建：（1）企業(yè)安全物質(zhì)文化；（2）企業(yè)安全行為文化；（3）企業(yè)安全制度文化；（4）企業(yè)安全觀念文化；（5）企業(yè)系統(tǒng)文化的持久性；（6）企業(yè)系統(tǒng)文化的開放性來建立安全管理評價體系，該管理評價體系又從這6個方面細化為多個條款，依據(jù)現(xiàn)有的法律、法規(guī)以及國家規(guī)范對每個評價指標(biāo)做了闡釋，確定各個條款在這個評價體系中占的權(quán)值。2建立化工企業(yè)評價指標(biāo)的意義和方法現(xiàn)代化工企業(yè)和其他行業(yè)一樣處于各行各業(yè)飛速發(fā)展的信息時代，安全評價體系建設(shè)工作是直接影響化工行業(yè)發(fā)展的大事。安全評價指標(biāo)體系的完善程度關(guān)系化工企業(yè)的發(fā)展，現(xiàn)代化管理是否達標(biāo)跟上時代步伐，因此建立化工企業(yè)評價指標(biāo)體系意義重大。（1）理論分析化工企業(yè)安全評價體系的特點，論述神經(jīng)網(wǎng)絡(luò)技術(shù)在該評價體系中的可行性，提出建立基于人工神經(jīng)網(wǎng)絡(luò)的化工企業(yè)安全評價體系方法。（2）充分考慮化工生產(chǎn)企業(yè)的多種因素，確定評價指標(biāo)各細則條目，條目要求囊括生產(chǎn)過程的所有相關(guān)因素。（3）在認(rèn)真總結(jié)前人研究的基礎(chǔ)上，結(jié)合所構(gòu)建的安全評價指標(biāo)體系，以及采集到的各生產(chǎn)工段的安全狀況數(shù)據(jù)，構(gòu)建了適于化工企業(yè)安全評價的基于神經(jīng)網(wǎng)絡(luò)技術(shù)的BP網(wǎng)絡(luò)非線性模型。

二、人工神經(jīng)網(wǎng)絡(luò)在化工企業(yè)安全管理評價體系中的體現(xiàn)

1人工神經(jīng)網(wǎng)絡(luò)技術(shù)在化工企業(yè)安全評價中的可行性人工神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)單元是神經(jīng)元，網(wǎng)狀連接的神經(jīng)元模擬人的大腦活動方式來處理數(shù)據(jù)信息，這些信息是并行出來的，其網(wǎng)絡(luò)結(jié)構(gòu)像一個復(fù)雜局域網(wǎng)的拓撲圖，進行非線性的信息處理和傳輸。人工神經(jīng)網(wǎng)絡(luò)就像人的大腦一樣進行活動，接受外界來的信息后訓(xùn)練神經(jīng)網(wǎng)絡(luò)，這些神經(jīng)網(wǎng)絡(luò)模型邊學(xué)習(xí)、邊適應(yīng)、聯(lián)想記憶，模擬的神經(jīng)網(wǎng)絡(luò)模型避開復(fù)雜的數(shù)學(xué)運算，在非完善數(shù)學(xué)模式的狀態(tài)下取得較為理想的分析效果。如今神經(jīng)網(wǎng)絡(luò)技術(shù)在多個領(lǐng)域受到學(xué)術(shù)研究和技術(shù)應(yīng)用的青睞，應(yīng)用在模式識別、智能控制、虛擬技術(shù)、人工智能等多個領(lǐng)域。我們知道互聯(lián)網(wǎng)絡(luò)拓撲分為多種結(jié)構(gòu)，神經(jīng)網(wǎng)絡(luò)模型與之類似也存在多種拓撲連接方式。2BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)在評價體系的設(shè)計體現(xiàn)BP神經(jīng)網(wǎng)絡(luò)模式是最常用的神經(jīng)網(wǎng)絡(luò)拓撲方式。BP網(wǎng)絡(luò)模型模擬人的神經(jīng)網(wǎng)絡(luò)處理信息的機理是：當(dāng)信號m進入輸入單元，通過隱單元作用到輸出單元，中間含非線性變換的過程，從輸出單元輸出信號n，神經(jīng)網(wǎng)絡(luò)訓(xùn)練任一樣本，樣本包括輸入信號m和期盼的輸出值k，k與n之間必然存在差異，通過隱單元的作用減小k和n之間的差異，使誤差降低最低。神經(jīng)網(wǎng)絡(luò)多次進行這種訓(xùn)練過程，差異到最小時訓(xùn)練終止。BP網(wǎng)絡(luò)模型由4個模型組成，輸入輸出模型、變換函數(shù)模型、計算誤差模型和自我訓(xùn)練模型。BP神經(jīng)網(wǎng)絡(luò)在安全評價體系中的應(yīng)用：首先確定神經(jīng)網(wǎng)絡(luò)的拓撲結(jié)構(gòu)，該結(jié)構(gòu)的層級是多少，輸入層節(jié)點、輸出層節(jié)點以及隱含層的節(jié)點到底有多少，信息做到具體化。將神經(jīng)網(wǎng)絡(luò)與安全管理評價體系中的相關(guān)參數(shù)關(guān)聯(lián)，與評價體系關(guān)聯(lián)的參數(shù)的種類、數(shù)量以及特征都有拓撲結(jié)構(gòu)建立對應(yīng)關(guān)系，確定各參數(shù)在管理評價體系中的狀態(tài)及表達方式。篩選學(xué)習(xí)樣本提供給神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，盡量將樣本采集全面，樣本越多越能全面的供神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)，盡量把樣本選擇多樣化且有代表性，樣本代表企業(yè)安全生產(chǎn)過程的各自安全狀態(tài)，樣本的訓(xùn)練過程其實也是對網(wǎng)絡(luò)中節(jié)點間的權(quán)值修正和誤差拉近的過程。為了降低整個網(wǎng)絡(luò)的負責(zé)度級別，盡量避免選擇高難度的函數(shù)來作為處理函數(shù)，一般選擇非線性復(fù)雜低的函數(shù)作為神經(jīng)網(wǎng)絡(luò)的作用函數(shù)。安全評價知識庫是建立安全評價體系的集中點，輸入節(jié)點、輸出節(jié)點以及隱含節(jié)點是安全評價知識庫的要素，賦予網(wǎng)絡(luò)節(jié)點間的權(quán)值也是安全評價知識庫的要素，這些要素構(gòu)成了系統(tǒng)安全評價知識庫，為神經(jīng)網(wǎng)絡(luò)活動提供支持。聯(lián)系實際安全生產(chǎn)情況，神經(jīng)網(wǎng)絡(luò)不能脫離實際情況，在學(xué)習(xí)和訓(xùn)練過程都要將實際模擬過程的特征值導(dǎo)入到神經(jīng)網(wǎng)絡(luò)。依靠前面建立的系統(tǒng)安全評價知識庫多次進行培訓(xùn)學(xué)習(xí)，每次學(xué)習(xí)的結(jié)果數(shù)據(jù)作為新的樣本充實安全評價知識庫，整個過程形成良性循環(huán)。3人工神經(jīng)網(wǎng)絡(luò)在評價體系中的優(yōu)點（1）評價處理速度快，基于神經(jīng)網(wǎng)絡(luò)的特征，物理結(jié)構(gòu)是并行的，信息處理方式為并行處理，通過選擇所有安全評價體系中的指標(biāo)內(nèi)容，克服只是片面評價的弊端，全面對化工企業(yè)安全管理評價體系和所有影響參數(shù)的狀態(tài)進行評價。（2）優(yōu)越的自我學(xué)習(xí)能力，利用神經(jīng)網(wǎng)絡(luò)事先構(gòu)建的知識庫和所具有的自適應(yīng)能力，通過不斷訓(xùn)練和學(xué)習(xí)，結(jié)合歷史的案例和現(xiàn)在的新技術(shù)新知識，建立適應(yīng)當(dāng)前生產(chǎn)實際的安全管理評價體系。（3）人工神經(jīng)網(wǎng)絡(luò)理論具有很強的容錯能力，只有作用函數(shù)和數(shù)據(jù)結(jié)構(gòu)選擇恰當(dāng)才能利用神經(jīng)網(wǎng)絡(luò)的特性進行分析處理，得到當(dāng)前系統(tǒng)安全狀態(tài)的評價值。基于神經(jīng)網(wǎng)絡(luò)的評價方式雖然有很多優(yōu)點，但是一些有代表性的評價方法如AHP方法，F(xiàn)uzzy評價方法也具備其存在的空間和價值。基于神經(jīng)網(wǎng)絡(luò)的評價方法是通過這些傳統(tǒng)有代表性的評價方法總結(jié)學(xué)習(xí)達到目的的。如果評價指標(biāo)體系中某個參數(shù)發(fā)生變化時，先利用傳統(tǒng)的評價方式獲得評價樣本，神經(jīng)網(wǎng)絡(luò)借助于這些評價樣本進一步通過學(xué)習(xí)訓(xùn)練達到建立完善安全管理評價體系的目的。

三、結(jié)語

化工企業(yè)是高危行業(yè)，規(guī)模越大，生產(chǎn)手段越先進其安全問題涉及的人身及國家財產(chǎn)問題范圍更廣。化工企業(yè)建立安全管理評價體系，有助于主管部門進一步掌握化工企業(yè)安全管理的發(fā)展趨勢，并可為制定宏觀政策提供決策依據(jù)，運用新的人工神經(jīng)網(wǎng)絡(luò)科學(xué)技術(shù)完善安全管理評價體系的結(jié)構(gòu)，使化工企業(yè)管理走向規(guī)范化、科學(xué)化和系統(tǒng)化，使化工企業(yè)走上良性發(fā)展的道路。

摘要：根據(jù)現(xiàn)代控制技術(shù)的人工神經(jīng)網(wǎng)絡(luò)理論提出了一種保護原理構(gòu)成方案，并分析了原理實現(xiàn)的可行性和技術(shù)難點。

人工神經(jīng)網(wǎng)絡(luò)（AartificialNeuralNetwork，下簡稱ANN）是模擬生物神經(jīng)元的結(jié)構(gòu)而提出的一種信息處理方法。早在1943年，已由心理學(xué)家WarrenS.Mcculloch和數(shù)學(xué)家WalthH.Pitts提出神經(jīng)元數(shù)學(xué)模型，后被冷落了一段時間，80年代又迅猛興起［1］。ANN之所以受到人們的普遍關(guān)注，是由于它具有本質(zhì)的非線形特征、并行處理能力、強魯棒性以及自組織自學(xué)習(xí)的能力。其中研究得最為成熟的是誤差的反傳模型算法（BP算法，BackPropagation），它的網(wǎng)絡(luò)結(jié)構(gòu)及算法直觀、簡單，在工業(yè)領(lǐng)域中應(yīng)用較多。

經(jīng)訓(xùn)練的ANN適用于利用分析振動數(shù)據(jù)對機器進行監(jiān)控和故障檢測，預(yù)測某些部件的疲勞壽命［2］。非線形神經(jīng)網(wǎng)絡(luò)補償和魯棒控制綜合方法的應(yīng)用（其魯棒控制利用了變結(jié)構(gòu)控制或滑動模控制），在實時工業(yè)控制執(zhí)行程序中較為有效［3］。人工神經(jīng)網(wǎng)絡(luò)（ANN）和模糊邏輯（FuzzyLogic）的綜合，實現(xiàn)了電動機故障檢測的啟發(fā)式推理。對非線形問題，可通過ANN的BP算法學(xué)習(xí)正常運行例子調(diào)整內(nèi)部權(quán)值來準(zhǔn)確求解［4］。

因此，對于電力系統(tǒng)這個存在著大量非線性的復(fù)雜大系統(tǒng)來講，ANN理論在電力系統(tǒng)中的應(yīng)用具有很大的潛力，目前已涉及到如暫態(tài)，動穩(wěn)分析，負荷預(yù)報，機組最優(yōu)組合，警報處理與故障診斷，配電網(wǎng)線損計算，發(fā)電規(guī)劃，經(jīng)濟運行及電力系統(tǒng)控制等方面［5］。

本文介紹了一種基于人工神經(jīng)網(wǎng)絡(luò)（ANN）理論的保護原理。

1、人工神經(jīng)網(wǎng)絡(luò)理論概述

1．前言

人工神經(jīng)網(wǎng)絡(luò)（ANN）又稱連接機制模型（ConnectionModel）或并行分布處理模型（ParallalDistributedModel）。作為人工智能的研究方法，目前已廣泛應(yīng)用于自然科學(xué)的各個領(lǐng)域，應(yīng)用計算機程序來模擬這種特殊的數(shù)學(xué)模型并應(yīng)用于實際流域的洪水預(yù)報研究中，無疑是一種新的嘗試和有益探索。岳城水庫是海河流域南運河水系漳河上的一座大型控制性工程，入庫洪水突發(fā)性強，水猛多沙，為確保下游河北、河南、山東、天津廣大平原地區(qū)和京廣鐵路的安全，對水庫入庫洪水進行精確預(yù)報，及時采取預(yù)泄和分洪措施顯得極其重要，因此，用人工神經(jīng)網(wǎng)絡(luò)模型模擬預(yù)報水庫的入庫洪水過程，有重要參考和借鑒意義。

2．BP網(wǎng)絡(luò)的構(gòu)建

人工神經(jīng)網(wǎng)絡(luò)是一個高度復(fù)雜的非線性動力學(xué)系統(tǒng)，它有大量的簡單處理單元（神經(jīng)元）廣泛連接而成，他對人腦的功能作了某種簡化、抽象和模擬，具有很強的非線性映射能力，其中對多層前向神經(jīng)網(wǎng)絡(luò)bp模型的研究相對成熟，應(yīng)用最為廣泛，其模型結(jié)果如圖：

結(jié)構(gòu)中，輸入層、隱層和輸出層神經(jīng)元的個數(shù)根據(jù)具體情況設(shè)定，其中隱層層數(shù)不一，不失一般性對輸出層中只含有一個神經(jīng)元的三層前向神經(jīng)網(wǎng)絡(luò)分析如下：假設(shè)輸入層中有個神經(jīng)元，隱層中有個神經(jīng)元，輸出層神經(jīng)元的輸出，即整個網(wǎng)絡(luò)的輸出為Y，網(wǎng)絡(luò)中輸入層的輸入分別為,,…，則隱層神經(jīng)元的輸入分別是：

(i=1,2,…m)(2.1)

摘要：應(yīng)用人工神經(jīng)網(wǎng)絡(luò)的基本原理，建立了一個基于神經(jīng)網(wǎng)絡(luò)的煤礦立井井筒非采動破裂的預(yù)測系統(tǒng)，實現(xiàn)了立井井筒破裂預(yù)測的智能化。最后將神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果與數(shù)值計算結(jié)果對比，認(rèn)為應(yīng)用人工神經(jīng)網(wǎng)絡(luò)對立井井筒破裂時間的預(yù)測比較準(zhǔn)確，實用。

關(guān)鍵詞：立井井筒非采動破裂反向傳播網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò)預(yù)測數(shù)值模擬

一、煤礦立井發(fā)生破壞問題的提出

徐淮地區(qū)是中國東部主要的煤炭開采基地，其煤炭的生產(chǎn)直接影響著我國煤炭的總產(chǎn)量，在國民經(jīng)濟建設(shè)中占有重要的地位。然而自20世紀(jì)80年代以來，在我國徐淮地區(qū)（徐州、淮北、淮南）地區(qū)，出現(xiàn)了一種新的礦井破裂災(zāi)害——井筒的非采動破裂，即煤礦立井在不受地下采動影響的條件下（井筒及其附近的工業(yè)廣場都留有足夠的保護煤柱），井壁發(fā)生嚴(yán)重變形和破裂，致使提升運輸困難。90年代以來，在我國特大型煤炭企業(yè)'''');">企業(yè)兗州礦業(yè)集團的9對井筒也先后發(fā)生了破壞(有關(guān)兗州礦區(qū)井筒破裂的基本情況如表1所示)。煤礦豎井是礦山生產(chǎn)運輸?shù)难屎硪溃虼素Q井的破壞嚴(yán)重影響了礦山生產(chǎn)，給各煤礦造成了巨大的經(jīng)濟損失。

為了盡量減少立井的非采動破裂所造成的經(jīng)濟損失，現(xiàn)在各大礦山都對井筒的變形進行了預(yù)報和治理，到目前對井筒破裂的預(yù)報方法主要有兩種：

1）第一種方法是通過加強對井筒變形的監(jiān)測，以監(jiān)測數(shù)據(jù)為依據(jù)，對井筒的變形進行分析，對其破裂進行預(yù)報。