欧美日韩亚洲一区二区精品_亚洲无码a∨在线视频_国产成人自产拍免费视频_日本a在线免费观看_亚洲国产综合专区在线电影_丰满熟妇人妻无码区_免费无码又爽又刺激又高潮的视频_亚洲一区区
公務(wù)員期刊網(wǎng) 精選范文 人工神經(jīng)網(wǎng)絡(luò)的不足范文

人工神經(jīng)網(wǎng)絡(luò)的不足精選(九篇)

前言:一篇好文章的誕生,需要你不斷地搜集資料、整理思路,本站小編為你收集了豐富的人工神經(jīng)網(wǎng)絡(luò)的不足主題范文,僅供參考,歡迎閱讀并收藏。

第1篇:人工神經(jīng)網(wǎng)絡(luò)的不足范文

關(guān)鍵詞:人工神經(jīng)網(wǎng)絡(luò);信息處理;風(fēng)險(xiǎn)評(píng)估

中圖分類號(hào):TP18 文獻(xiàn)標(biāo)識(shí)碼:A 文章編號(hào):1009-3044(2014)06-1285-02

Research on the Application of Artificial Neural Network

LI Hong-chao

(China University of Petroleum (East China), Qingdao 266580,China)

Abstract: Artificial neural networks are part of an integrated artificial intelligence, it is proposed is based on research of modern neuroscience. With the continuous development of artificial neural networks, and their use more widely. This article first analyzes the basic concepts and features of artificial neural networks, from six aspects of information, medicine, psychology and other details of the application of artificial neural networks.

Key words: artificial neural network; information processing; risk assessment

1 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò),英文名為“Artificial Neural Network”,簡(jiǎn)稱ANN,它充分分析大腦神經(jīng)突觸聯(lián)接的結(jié)構(gòu)特點(diǎn),對(duì)其進(jìn)行模擬,然后進(jìn)行信息處理。簡(jiǎn)單來說,人工神經(jīng)網(wǎng)絡(luò)就是對(duì)人腦結(jié)構(gòu)、人腦功能的模仿。它的特點(diǎn)有很多,比如非線性、非局限性、非常定性、非凸性等。這些特點(diǎn)鑄就了人工神經(jīng)網(wǎng)絡(luò)的各種功能,促進(jìn)了它的應(yīng)用。

2 人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用

隨著人們對(duì)人工神經(jīng)網(wǎng)絡(luò)的不斷研究,人工神經(jīng)網(wǎng)絡(luò)的作用越來越大,給人們提供了更好的服務(wù),下面就以人工神經(jīng)網(wǎng)絡(luò)在信息領(lǐng)域、醫(yī)學(xué)、經(jīng)濟(jì)領(lǐng)域、控制領(lǐng)域、交通運(yùn)輸、心理學(xué)六個(gè)方面分別介紹其應(yīng)用。

2.1 信息領(lǐng)域

人工神經(jīng)網(wǎng)絡(luò)在信息領(lǐng)域的應(yīng)用分為兩個(gè)方面,一個(gè)是信息處理,一個(gè)是信息識(shí)別。

1)信息處理

由于現(xiàn)代信息的多樣化和多變性的特點(diǎn),信息處理就變得復(fù)雜起來,人工神經(jīng)網(wǎng)絡(luò)可以對(duì)人的一部分思維能力進(jìn)行模仿甚至代替,解決傳統(tǒng)信息處理的困難。在通常情況下,人工神經(jīng)網(wǎng)絡(luò)可以自動(dòng)診斷問題,開啟問題求解模式。另外,人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)的容錯(cuò)性能高,當(dāng)其連接線遭到破壞,自身的組織功能還是可以保持它的優(yōu)化工作狀態(tài)。因此,軍事系統(tǒng)充分利用這一優(yōu)勢(shì),在其電子設(shè)備廣泛應(yīng)用人工網(wǎng)絡(luò)信息系統(tǒng)。

2)模式識(shí)別

這項(xiàng)功能的理論基礎(chǔ)有兩個(gè),一個(gè)是貝葉斯的概率論,另一個(gè)是申農(nóng)提出的信息論。模式識(shí)別主要是分析和處理存在于目標(biāo)體上的各種形式的信息,然后在處理和分析的基礎(chǔ)上對(duì)目標(biāo)體進(jìn)行描述、辨認(rèn)等過程。隨著人工神經(jīng)網(wǎng)絡(luò)在模式識(shí)別中的應(yīng)用,傳統(tǒng)的模式識(shí)別逐漸被取代。隨著模式識(shí)別的發(fā)展,已經(jīng)逐漸應(yīng)用到語音識(shí)別、人臉識(shí)別、文字識(shí)別等各個(gè)方面。

2.2 醫(yī)學(xué)領(lǐng)域

人體是非常復(fù)雜的,在醫(yī)學(xué)中,想要弄清楚疾病的類型、疾病的嚴(yán)重情況等,僅僅依靠傳統(tǒng)的望聞問切診斷方法是遠(yuǎn)遠(yuǎn)不夠的,醫(yī)學(xué)的發(fā)展需要運(yùn)用新技術(shù)。人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于醫(yī)學(xué)中,可以分析生物信號(hào),觀察信息的表現(xiàn)形式以及研究信息的變化規(guī)律,將這三者的結(jié)果進(jìn)行分析和比較,從而掌握病人的病情。

1)生物信號(hào)的檢測(cè)與分析

在醫(yī)學(xué)診斷中,醫(yī)生基本上都是通過對(duì)醫(yī)學(xué)設(shè)備中呈現(xiàn)出來的連續(xù)波形進(jìn)行分析。人工神經(jīng)網(wǎng)絡(luò)中有一套自適應(yīng)的動(dòng)力學(xué)系統(tǒng),該系統(tǒng)由一些數(shù)量龐大的簡(jiǎn)單處理單元互相連接。因此,它具有多種功能,比如Massively Parallelism,即所謂的巨量并行,分布式存貯功能以及強(qiáng)大的自組織自學(xué)習(xí)功能等。用常規(guī)處理法處理生物醫(yī)學(xué)信號(hào)分析非常困難,而人工神經(jīng)網(wǎng)絡(luò)的功能可以有效解決難題,其在生物醫(yī)學(xué)人腦檢測(cè)與處理中的應(yīng)用非常廣泛,比如分析電腦信號(hào),對(duì)心電信號(hào)進(jìn)行壓縮處理,醫(yī)學(xué)圖像的識(shí)別等,在很大程度上促進(jìn)了醫(yī)學(xué)的發(fā)展。

2)醫(yī)學(xué)專家系統(tǒng)

對(duì)于傳統(tǒng)的專家系統(tǒng)而言,其工作原理基本上就是先由專家根據(jù)自己多年的醫(yī)學(xué)經(jīng)歷,總結(jié)自己的經(jīng)驗(yàn)和所掌握的知識(shí),以某種規(guī)則的形式將這些經(jīng)驗(yàn)和知識(shí)存儲(chǔ)在電腦中,建立一個(gè)專家的知識(shí)庫(kù),然后借助邏輯推理等方式開展醫(yī)療診斷工作。但是,隨著專家知識(shí)的不斷增長(zhǎng)和經(jīng)驗(yàn)的日益豐富化,數(shù)據(jù)庫(kù)的規(guī)模會(huì)越來越大,極有可能產(chǎn)生知識(shí)“爆炸”的現(xiàn)象。同時(shí),專家在獲取知識(shí)的過程中也會(huì)遇到困難,導(dǎo)致工作效率低下。人工神經(jīng)網(wǎng)絡(luò)中的非線性并行處理方式解決了傳統(tǒng)專家系統(tǒng)中的困難,在知識(shí)推理、自組織等方面都有了很大的提高,醫(yī)學(xué)專家系統(tǒng)也開始逐漸采用人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)。

在醫(yī)學(xué)領(lǐng)域中,麻醉和危重醫(yī)學(xué)的研究過程中,存在很多的生理方面的分析與檢測(cè)工作,人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)有良好的信號(hào)處理能力,排除干擾信號(hào),準(zhǔn)確檢測(cè)臨床狀況的相關(guān)情況,有力促進(jìn)了醫(yī)學(xué)的發(fā)展。

2.3 經(jīng)濟(jì)領(lǐng)域

經(jīng)濟(jì)的快速有效增長(zhǎng)是基于人們對(duì)市場(chǎng)規(guī)律良好的掌握和運(yùn)用以及對(duì)經(jīng)濟(jì)活動(dòng)中的風(fēng)險(xiǎn)評(píng)估,及時(shí)應(yīng)對(duì)和解決,這樣才能保障經(jīng)濟(jì)活動(dòng)的快速發(fā)展。人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于經(jīng)濟(jì)領(lǐng)域,主要有預(yù)測(cè)市場(chǎng)價(jià)格和評(píng)估經(jīng)濟(jì)風(fēng)險(xiǎn)兩個(gè)方面。

1)預(yù)測(cè)市場(chǎng)價(jià)格的波動(dòng)情況

商品的價(jià)格主要是由市場(chǎng)的供求關(guān)系和國(guó)家宏觀調(diào)控來變化的。國(guó)家的宏觀調(diào)控是客觀存在的,我們可以在遵循國(guó)家宏觀調(diào)控的前提之下分析市場(chǎng)的供求關(guān)系,從而預(yù)測(cè)商品的市場(chǎng)價(jià)格。在傳統(tǒng)的統(tǒng)計(jì)學(xué)方法中,在預(yù)測(cè)價(jià)格波動(dòng)時(shí)因其自身的局限性,難以做出科學(xué)的判斷。人工神經(jīng)網(wǎng)絡(luò)可以有效處理不完整數(shù)據(jù)和規(guī)律性不強(qiáng)的數(shù)據(jù),它是傳統(tǒng)統(tǒng)計(jì)方法所不能達(dá)到的。人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)基于市場(chǎng)價(jià)格的確定機(jī)制,綜合分析影響商品價(jià)格的因素,比如城市化水平、人均工資水平、貸款情況等,將這些復(fù)雜的因素綜合起來,建立一個(gè)模型,通過模型中的數(shù)據(jù)顯示,科學(xué)預(yù)測(cè)商品的市場(chǎng)價(jià)格波動(dòng)情況,有效利用商品的價(jià)格優(yōu)勢(shì)。

2)評(píng)估經(jīng)濟(jì)風(fēng)險(xiǎn)

經(jīng)濟(jì)風(fēng)險(xiǎn),即Economic Exposure,它指的是由于經(jīng)濟(jì)前景的一些不確定因素,導(dǎo)致經(jīng)濟(jì)實(shí)體出現(xiàn)重大的經(jīng)濟(jì)損失。在處理經(jīng)濟(jì)風(fēng)險(xiǎn)的時(shí)候,做好的措施就是防患于未然,做好評(píng)估和預(yù)測(cè),將經(jīng)濟(jì)風(fēng)險(xiǎn)扼殺在萌芽時(shí)期。人為的主觀判斷經(jīng)濟(jì)風(fēng)險(xiǎn)具有一定的可靠性,但是也存在很多的不足。將人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)應(yīng)用于評(píng)估經(jīng)濟(jì)風(fēng)險(xiǎn),可以有效彌補(bǔ)人為判斷風(fēng)險(xiǎn)的不足。人工神經(jīng)網(wǎng)絡(luò)先提取具體風(fēng)險(xiǎn)來源,然后在此基礎(chǔ)上構(gòu)建出一個(gè)模型,這個(gè)模型一般要符合實(shí)際情況,通過對(duì)模型的研究,得出風(fēng)險(xiǎn)評(píng)價(jià)系數(shù),最終確定有效的解決方案。

2.4 控制領(lǐng)域

隨著人工神經(jīng)網(wǎng)絡(luò)的不斷發(fā)展,人們開始研究其在控制領(lǐng)域的應(yīng)用。比如現(xiàn)在的機(jī)器人的攝像機(jī)控制、飛機(jī)控制等。它主要是通過控制圖像傳感器,再結(jié)合圖像表面的非線性關(guān)系,進(jìn)行計(jì)算和分析,另外,它還可以將圖像傳感器瞄準(zhǔn)到處于運(yùn)動(dòng)狀態(tài)中的目標(biāo)物上。

2.5 交通運(yùn)輸

交通問題具有高度的非線性特點(diǎn),它的數(shù)據(jù)處理是非常龐大和復(fù)雜的,這與人工神經(jīng)網(wǎng)絡(luò)有很大的吻合性。就目前來講,人工神經(jīng)網(wǎng)絡(luò)應(yīng)用到交通領(lǐng)域有模擬駕駛員的行為、分析交通的模式等等。

2.6 心理學(xué)

人工神經(jīng)網(wǎng)絡(luò)是對(duì)人腦神經(jīng)元的信息處理能力的模擬,本身就帶有一定的抽象性,它可以訓(xùn)練很多的認(rèn)知過程,比如感覺、記憶、情緒等。人們通過對(duì)人工神經(jīng)系統(tǒng)的不斷研究,多個(gè)角度分析了其認(rèn)知功能。就目前來看,人工神經(jīng)網(wǎng)絡(luò)可以分析人的認(rèn)知,同時(shí)對(duì)認(rèn)知方面有缺陷的病人進(jìn)行模擬,取得了很大的進(jìn)步。當(dāng)然,人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于心理學(xué)領(lǐng)域也存在很多的問題,比如結(jié)果精確度不高、模擬算法的速度不夠等,這些都需要人們持之以恒的研究。突破這些難題,促使人工神經(jīng)網(wǎng)絡(luò)有效應(yīng)用于心理學(xué)領(lǐng)域。

3 結(jié)束語

綜上所述,隨著人工神經(jīng)網(wǎng)絡(luò)的不斷發(fā)展,它特有的非線性適應(yīng)能力和自身的模擬結(jié)構(gòu)都有效推動(dòng)了其應(yīng)用范圍。我們應(yīng)該不斷運(yùn)用新技術(shù),不斷完善人工神經(jīng)網(wǎng)絡(luò)的功能,拓寬其應(yīng)用范圍,促進(jìn)其智能化、功能化方向發(fā)展。

參考文獻(xiàn):

[1] 毛健,趙紅東,姚婧婧.人工神經(jīng)網(wǎng)絡(luò)的發(fā)展及應(yīng)用[J].電子設(shè)計(jì)工程,2011(12).

[2] 林和平,張秉正,喬幸娟.回歸分析人工神經(jīng)網(wǎng)絡(luò)[J].吉林大學(xué)學(xué)報(bào):信息科學(xué)版,2010(3).

[3] 李雷雷.人工神經(jīng)網(wǎng)絡(luò)在建筑工程估算中的應(yīng)用研究[D].華北電力大學(xué),2012.

第2篇:人工神經(jīng)網(wǎng)絡(luò)的不足范文

關(guān)鍵詞:神經(jīng)網(wǎng)絡(luò);邊坡;穩(wěn)定性

引言

邊坡的穩(wěn)定性是目前巖土工程界研究的重大課題,在礦山工程、水利工程以及建筑工程等諸多領(lǐng)域都涉及到邊坡的穩(wěn)定性問題。邊坡工程是一個(gè)動(dòng)態(tài)開放的、復(fù)雜的、非線性的系統(tǒng)問題,影響邊坡穩(wěn)定性的因素不但有地質(zhì)和工程因素,而且還具有不確定性。目前,評(píng)價(jià)邊坡穩(wěn)定性的方法有層次分析法、灰色理論法、極限平衡法、有限元法等方法,但是這些方法難以擺脫人為因素的影響,計(jì)算復(fù)雜,具有一定的局限性。本文將人工神經(jīng)網(wǎng)絡(luò)的知識(shí)應(yīng)用到邊坡穩(wěn)定性的預(yù)測(cè)中,結(jié)合人工神經(jīng)網(wǎng)絡(luò)在結(jié)構(gòu)上的分布式存儲(chǔ)和并行處理的特點(diǎn),使人工神經(jīng)網(wǎng)絡(luò)具有較好的容錯(cuò)性、高度非線性映射、以及自適應(yīng)、自組織學(xué)習(xí)的能力,從而能夠捕捉邊坡穩(wěn)定性與影響邊坡穩(wěn)定因素之間的相關(guān)規(guī)律,彌補(bǔ)傳統(tǒng)方法在預(yù)測(cè)邊坡穩(wěn)定性上面的不足,實(shí)現(xiàn)對(duì)邊坡穩(wěn)定性的可靠預(yù)測(cè)。

1 神經(jīng)網(wǎng)絡(luò)原理

人工神經(jīng)網(wǎng)絡(luò)ANN(artificial neural network)是屬于人工智能(artificial intelligence)范疇的一種計(jì)算技術(shù),它根據(jù)人們對(duì)生物神經(jīng)網(wǎng)絡(luò)的研究成果設(shè)計(jì)出來,具有良好的數(shù)學(xué)描述,可以方便地用計(jì)算機(jī)程序加以模擬。

目前,最常用的人工神經(jīng)網(wǎng)絡(luò)模型有線性神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)、BP神經(jīng)網(wǎng)絡(luò)等,本文采用誤差信號(hào)反向傳播的BP神經(jīng)網(wǎng)絡(luò)對(duì)邊坡的穩(wěn)定性進(jìn)行研究。BP神經(jīng)網(wǎng)絡(luò)在訓(xùn)練時(shí),由信號(hào)的正向傳播和信號(hào)的反向傳播共同構(gòu)成神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程,其訓(xùn)練流程示意圖如圖 1 所示。

圖1 基于 BP 算法的神經(jīng)元網(wǎng)絡(luò)結(jié)構(gòu)訓(xùn)練流程圖

2 神經(jīng)網(wǎng)絡(luò)模型建立及訓(xùn)練

2.1 輸入樣本和輸出樣本的選擇

基于BP人工神經(jīng)網(wǎng)絡(luò)的邊坡穩(wěn)定性預(yù)測(cè)模型的建立,首先是確定神經(jīng)網(wǎng)絡(luò)模型各層的節(jié)點(diǎn)個(gè)數(shù)。本文采用某礦山的邊坡工程實(shí)例進(jìn)行 BP 神經(jīng)網(wǎng)絡(luò)模型的有效檢驗(yàn),選取影響邊坡穩(wěn)定性的6個(gè)主控因素為輸入樣本,即:確定輸入變量為 D1—邊坡高度指標(biāo),D2—重度指標(biāo),D3—內(nèi)聚力指標(biāo),D4—摩擦角指標(biāo),D5—邊坡角指標(biāo),D6—孔隙壓力比指標(biāo)。

輸出向量是邊坡穩(wěn)定性狀態(tài)代碼,將邊坡穩(wěn)定性狀態(tài)代碼分為兩種類型:即1代表邊坡穩(wěn)定性狀態(tài)為破壞,0代表邊坡穩(wěn)定性狀態(tài)為穩(wěn)定。

2.2 模型的訓(xùn)練和預(yù)測(cè)

本文通過編寫程序語言,結(jié)合Matlab7.0來實(shí)現(xiàn)邊坡穩(wěn)定性的預(yù)測(cè),應(yīng)用人工神經(jīng)網(wǎng)絡(luò)工具箱中的newff函數(shù)來建立一個(gè)前饋型的邊坡穩(wěn)定性預(yù)測(cè)網(wǎng)絡(luò)模型,在進(jìn)行網(wǎng)絡(luò)樣本訓(xùn)練時(shí),其中各參數(shù)的設(shè)定情況為:學(xué)習(xí)效率設(shè)為0.5,網(wǎng)絡(luò)訓(xùn)練的最大迭代次數(shù)為15000次,其收斂精度設(shè)置為0.001,采用隨機(jī)賦值的方法設(shè)定網(wǎng)絡(luò)訓(xùn)練中權(quán)值和閾值的初始值。網(wǎng)絡(luò)的輸入層和隱含層均采用對(duì)數(shù)型S型函數(shù)作為傳遞函數(shù)。通過BP神經(jīng)網(wǎng)絡(luò)信號(hào)誤差反向傳播算法所建立的邊坡穩(wěn)定性預(yù)測(cè)網(wǎng)絡(luò)模型,在樣本訓(xùn)練的過程中,當(dāng)網(wǎng)絡(luò)訓(xùn)練達(dá)到所設(shè)置的目標(biāo)精度或者滿足最大迭代次數(shù)時(shí),自動(dòng)停止訓(xùn)練。

本文收集整理了國(guó)內(nèi)外各類礦山及巖土工程中潛在或滑動(dòng)破壞模式為圓弧形滑落的穩(wěn)定邊坡和失穩(wěn)破壞邊坡實(shí)例共10個(gè)(破壞4,穩(wěn)定6)。根據(jù)提供信息包括邊坡結(jié)構(gòu)參數(shù),巖土體的物理力學(xué)性質(zhì)參數(shù),邊坡穩(wěn)定狀態(tài)及極限平衡法計(jì)算安全系數(shù)(表1)。輸入層的6個(gè)神經(jīng)元分別對(duì)應(yīng)參數(shù):重度、粘聚力、摩擦角、邊坡角、邊坡高度、孔隙壓力比。將10個(gè)樣本提供網(wǎng)絡(luò)學(xué)習(xí),經(jīng)922次迭代后網(wǎng)絡(luò)收斂。訓(xùn)練樣本的神經(jīng)網(wǎng)絡(luò)的計(jì)算結(jié)果見表2。網(wǎng)絡(luò)訓(xùn)練誤差曲線圖如圖2所示。

根據(jù)以上預(yù)測(cè)結(jié)果可知,預(yù)測(cè)精度達(dá)到了預(yù)定的要求0.001,預(yù)測(cè)結(jié)果與邊坡穩(wěn)定性的實(shí)際情況相符,本文建立的BP神經(jīng)網(wǎng)絡(luò)邊坡穩(wěn)定性預(yù)測(cè)模型預(yù)測(cè)效果較好,預(yù)測(cè)精度較高,能夠滿足實(shí)際工作的需要,輸出結(jié)果與現(xiàn)場(chǎng)情況吻合。

3 結(jié)論

人工神經(jīng)網(wǎng)絡(luò)將制約和影響邊坡穩(wěn)定的可直接取實(shí)測(cè)數(shù)據(jù)的定性因素包括邊坡結(jié)構(gòu)參數(shù)(高度、角度等)以及巖土體的物理力學(xué)性質(zhì)(粘聚力、摩擦角、干容重等)納入模型參與穩(wěn)定性評(píng)價(jià),借助計(jì)算軟件MATLAB編制計(jì)算程序加以實(shí)現(xiàn)。

實(shí)際應(yīng)用表明,神經(jīng)網(wǎng)絡(luò)模型由于具有很強(qiáng)的自學(xué)習(xí)、自組織的能力和高度非線形動(dòng)態(tài)處理能力,用來評(píng)價(jià)邊坡的穩(wěn)定性有較好的適用性,可以加以推廣應(yīng)用。

參考文獻(xiàn)

[1] 飛思科技產(chǎn)品研發(fā)中心. 神經(jīng)網(wǎng)絡(luò)理論與MATLAB7實(shí)現(xiàn)[M]. 北京: 電子工業(yè)出版社, 2005: 97-116.

[2] 李春輝. 基于BP神經(jīng)網(wǎng)絡(luò)的煤與瓦斯突出危險(xiǎn)性預(yù)測(cè)的研究[D]. 昆明:昆明理工大學(xué), 2010: 40-58.

[3] 劉勇, 江成玉. 基于BP神經(jīng)網(wǎng)絡(luò)的煤與瓦斯突出危險(xiǎn)性的預(yù)測(cè)研究[J]. 潔凈煤技術(shù),2011(1): 97-100.

[4] 馮夏庭, 王泳嘉, 盧世宗. 邊坡穩(wěn)定性的神經(jīng)網(wǎng)絡(luò)估計(jì)[J].工程地質(zhì)學(xué)報(bào),1995(4): 54-61

[5] 侯殿昆, 宋秀琴, 劉景凡. 基于神經(jīng)網(wǎng)絡(luò)的多參數(shù)露天邊坡穩(wěn)定性分析[J]. 遼寧工程技術(shù)大學(xué)學(xué)報(bào), 2007, 26(5): 649-651.

[6] 鄒義懷, 江成玉, 李春輝. 人工神經(jīng)網(wǎng)絡(luò)在邊坡穩(wěn)定性預(yù)測(cè)中的應(yīng)用[J]. 礦 冶, 2011, 20(4): 38-41.

第3篇:人工神經(jīng)網(wǎng)絡(luò)的不足范文

關(guān)鍵詞:人工神經(jīng)網(wǎng)絡(luò) 反向傳播算法 故障診斷

1 引言

隨著經(jīng)濟(jì)的發(fā)展,空調(diào)系統(tǒng)得到了越來越廣泛的應(yīng)用,空調(diào)設(shè)備已成為重要的生活必備品之一。這就要求空調(diào)系統(tǒng)可靠性高且功能齊全,而且在故障診斷維修服務(wù)方面達(dá)到一定的水平。國(guó)內(nèi)目前的大部分空調(diào)系統(tǒng)中無故障診斷系統(tǒng),當(dāng)空調(diào)系統(tǒng)出現(xiàn)故障后,維保人員往往不能及時(shí)、準(zhǔn)確地了解系統(tǒng)出現(xiàn)故障的原因及相關(guān)信息,空調(diào)系統(tǒng)無法得到及時(shí)修復(fù),這種情況急需得到改善。

2 關(guān)于故障診斷技術(shù)

故障診斷FD(fault diagnosis)是一種了解和掌握設(shè)備在使用過程中的技術(shù),確定其整體或局部是否正常,早期發(fā)現(xiàn)故障及其原因并能預(yù)報(bào)故障發(fā)展趨勢(shì)的技術(shù)。在診斷過程中,必須利用被診斷對(duì)象表現(xiàn)出來的各種有用信息,經(jīng)過適當(dāng)?shù)靥幚砗头治?,做出正確的診斷結(jié)論。在制冷暖通空調(diào)領(lǐng)域,1987年在彥啟森教授的建議下,才開始了故障診斷專家系統(tǒng)在制冷暖通空調(diào)領(lǐng)域的研究應(yīng)用[1]。

3 人工神經(jīng)網(wǎng)絡(luò)用于空調(diào)系統(tǒng)故障診斷的基本原理

人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network.簡(jiǎn)稱ANN)正是在人類對(duì)其大腦神經(jīng)網(wǎng)絡(luò)認(rèn)識(shí)理解的基礎(chǔ)上人工構(gòu)造的能夠?qū)崿F(xiàn)某種功能的神經(jīng)網(wǎng)絡(luò)。它是理論化的人腦神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)模型,是基于模仿大腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和功能而建立的一種信息處理系統(tǒng)。它實(shí)際上是由大量簡(jiǎn)單元件相互連接而成的復(fù)雜網(wǎng)絡(luò),具有高度的非線性,能夠進(jìn)行復(fù)雜的邏輯操作和非線性關(guān)系實(shí)現(xiàn)的系統(tǒng)。

典型的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

在眾多的人工神經(jīng)網(wǎng)絡(luò)模型中,最常用的是BP(Back Propagation)模型,即利用誤差反向傳播算法求解的多層前向神經(jīng)網(wǎng)絡(luò)模型[2]。BP網(wǎng)絡(luò)在故障診斷、模式識(shí)別、圖像識(shí)別、管理系統(tǒng)等方面都得到了廣泛的應(yīng)用。本文討論利用神經(jīng)網(wǎng)絡(luò)中的BP模型進(jìn)行空調(diào)系統(tǒng)的故障診斷。

首先需要進(jìn)行知識(shí)的獲取。由專家提供關(guān)于各種空調(diào)系統(tǒng)故障現(xiàn)象(征兆集)及相應(yīng)的故障原因(故障集)實(shí)例作為學(xué)習(xí)樣本。將數(shù)據(jù)分為兩部分,一部分用于訓(xùn)練網(wǎng)絡(luò),另一部分用于測(cè)試。將訓(xùn)練網(wǎng)絡(luò)的數(shù)據(jù)按一定順序編碼,分別賦給網(wǎng)絡(luò)輸入、輸出節(jié)點(diǎn),通過神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法對(duì)樣本進(jìn)行學(xué)習(xí),經(jīng)過網(wǎng)絡(luò)內(nèi)部自適應(yīng)算法不斷修正權(quán)值,直到達(dá)到所要求的學(xué)習(xí)精度為止。此時(shí)在大量神經(jīng)元之間聯(lián)結(jié)權(quán)值上就分布著專家知識(shí)和經(jīng)驗(yàn)。訓(xùn)練完畢后,再將測(cè)試網(wǎng)絡(luò)的數(shù)據(jù)從初始狀態(tài)出發(fā),向前推理,將顯示出的故障結(jié)果與實(shí)際的測(cè)試數(shù)據(jù)結(jié)果相比較,如果誤差很小,說明網(wǎng)絡(luò)的權(quán)值建立正確;如果誤差較大,說明網(wǎng)絡(luò)的權(quán)值建立有誤,需要重新進(jìn)行網(wǎng)絡(luò)的訓(xùn)練。

將訓(xùn)練樣本訓(xùn)練完畢后,即可進(jìn)行空調(diào)系統(tǒng)的故障診斷。只要實(shí)際輸入模式接近于某一個(gè)訓(xùn)練時(shí)的學(xué)習(xí)樣本的輸入模式,則可產(chǎn)生出接近學(xué)習(xí)樣本的輸出結(jié)果,也就是所謂的自聯(lián)想功能。同時(shí),由于網(wǎng)絡(luò)計(jì)算上的大量并行性,當(dāng)機(jī)器運(yùn)行狀況改變,出現(xiàn)網(wǎng)絡(luò)學(xué)習(xí)未考慮的情況時(shí),系統(tǒng)亦能給出正確分類結(jié)果。同時(shí)將新數(shù)據(jù)并入網(wǎng)絡(luò),實(shí)現(xiàn)系統(tǒng)的自適應(yīng)。一般來說,學(xué)習(xí)的故障實(shí)例樣本越多,診斷結(jié)果的準(zhǔn)確率越高。

4 BP學(xué)習(xí)算法

BP算法因其簡(jiǎn)單、易行、計(jì)算量小、并行性強(qiáng)等優(yōu)點(diǎn),是目前神經(jīng)網(wǎng)絡(luò)訓(xùn)練采用最多也是最成熟的訓(xùn)練算法之一。BP算法的實(shí)質(zhì)是求解誤差函數(shù)的最小值問題,由于它采用非線性規(guī)劃中的梯度下降法(Gradient Descent),按誤差函數(shù)的負(fù)梯度方向修正權(quán)值 [3]。其主要思路是如果求出訓(xùn)練網(wǎng)絡(luò)的指標(biāo)函數(shù)誤差:

一般的BP算法稱為標(biāo)準(zhǔn)誤差逆?zhèn)鞑ニ惴ǎ簿褪菍?duì)應(yīng)每一次輸入都校正一次權(quán)值。這種算法不是全局誤差意義上的梯度下降計(jì)算。對(duì)各個(gè)神經(jīng)元的輸出求偏導(dǎo)數(shù),那么就可以算出誤差對(duì)所有連接權(quán)值的偏導(dǎo)數(shù),從而可以利用梯度下降法來修改各個(gè)連接權(quán)值。真正的全局誤差意義上的梯度下降算法是在全部訓(xùn)練模式都學(xué)習(xí)完后才校正連接權(quán)和閾值。其計(jì)算流程如圖2所示:

5 故障診斷實(shí)例 5.1 空調(diào)系統(tǒng)故障診斷的BP網(wǎng)絡(luò)建立

空調(diào)系統(tǒng)故障模式及故障機(jī)制分析[4]如表1所示

表1 空調(diào)系統(tǒng)故障模式及故障機(jī)制分析 表示

符號(hào)

表示

符號(hào)

房間溫度均偏高

1.冷凍機(jī)產(chǎn)冷量不足

2.噴水堵塞

3.通過空氣處理設(shè)備的風(fēng)量過大,熱交換不良

4.回風(fēng)量大于送風(fēng)量

5.送風(fēng)量不足(可能空氣過濾氣堵塞)

6.表冷器結(jié)霜,造成堵塞

相對(duì)濕度均偏低

7.室外空氣未經(jīng)加濕處理

系統(tǒng)實(shí)測(cè)風(fēng)量大于設(shè)計(jì)風(fēng)量

8.系統(tǒng)的實(shí)際阻力小于設(shè)計(jì)阻力

9.設(shè)計(jì)時(shí)選用風(fēng)機(jī)容量偏大

房間氣流速度超過允許流速

10.送風(fēng)口速度過大

第4篇:人工神經(jīng)網(wǎng)絡(luò)的不足范文

關(guān)鍵詞:專家系統(tǒng) 神經(jīng)網(wǎng)絡(luò) 故障診斷 旋轉(zhuǎn)機(jī)械

引 言

針對(duì)旋轉(zhuǎn)機(jī)械故障的復(fù)雜性、多樣性和診斷時(shí)對(duì)領(lǐng)域?qū)<抑R(shí)的依賴性,對(duì)旋轉(zhuǎn)機(jī)械的故障診斷提出了采用人工神經(jīng)網(wǎng)絡(luò)(ANN)和傳統(tǒng)專家系統(tǒng)(ES)融合的新途徑,充分利用人工神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)各自特點(diǎn),使其功能互為補(bǔ)充。解決了傳統(tǒng)的專家系統(tǒng)在旋轉(zhuǎn)機(jī)械故障診斷中遇到的知識(shí)獲取的“瓶頸”等問題。同時(shí)也解決了單一神經(jīng)網(wǎng)絡(luò)系統(tǒng)在旋轉(zhuǎn)機(jī)械故障診斷中遇到的不足。這種人工神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)集成的故障診斷方法,能提高旋轉(zhuǎn)機(jī)械故障診斷的能力,更大限度地發(fā)揮人工智能技術(shù)在診斷領(lǐng)域的威力。

1、基于神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)集成的旋轉(zhuǎn)機(jī)械故障診斷模型

基于神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)集成的旋轉(zhuǎn)機(jī)械故障診斷模型如圖1所示。

圖1 神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)集成的診斷系統(tǒng)模型

各部分的主要功能是:

1)編譯器。主要是將符號(hào)知識(shí)轉(zhuǎn)換成神經(jīng)網(wǎng)絡(luò)所必須的數(shù)據(jù)知識(shí)。

2)神經(jīng)網(wǎng)絡(luò)。主要完成專家系統(tǒng)的推理工作。其實(shí)質(zhì)是神經(jīng)網(wǎng)絡(luò)的計(jì)算,即由已知的征兆向量經(jīng)過神經(jīng)網(wǎng)絡(luò)計(jì)算獲得故障向量。

3)行為解釋。利用網(wǎng)絡(luò)中的各項(xiàng)數(shù)據(jù)(包括征兆輸入數(shù)據(jù)、故障輸出數(shù)據(jù)和隱含神經(jīng)元輸出數(shù)據(jù))及輸入神經(jīng)元,輸出神經(jīng)元的物理含義并結(jié)合知識(shí)庫(kù)中的連接權(quán)值來形成規(guī)則,其過程相當(dāng)于神經(jīng)網(wǎng)絡(luò)訓(xùn)練的一個(gè)逆過程。

4)知識(shí)庫(kù)管理。存儲(chǔ)和管理知識(shí)庫(kù)的知識(shí),豐富知識(shí)庫(kù),以便系統(tǒng)不斷完善。

5)人機(jī)接口。以友好的人機(jī)界面同用戶交互。

6) 數(shù)據(jù)庫(kù)。用于存儲(chǔ)在線監(jiān)測(cè)和診斷時(shí)所需的實(shí)時(shí)檢測(cè)到的工作數(shù)據(jù)、推理過程中所需要和產(chǎn)生的各種診斷信息;靜態(tài)數(shù)據(jù)庫(kù)用于存儲(chǔ)故障時(shí)檢測(cè)到的數(shù)據(jù)或人為檢測(cè)到的一些特征數(shù)據(jù)。

7) 知識(shí)獲取。知識(shí)獲取過程就是網(wǎng)絡(luò)的學(xué)習(xí)過程,主要有兩種途徑實(shí)現(xiàn),一是直接從數(shù)據(jù)化的實(shí)例中學(xué)習(xí),二是從傳統(tǒng)的專家系統(tǒng)已獲取的知識(shí)中學(xué)習(xí)。

2基于神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)的旋轉(zhuǎn)機(jī)械故障診斷方法

1) 診斷參數(shù)的選取

根據(jù)故障機(jī)理,若某一故障發(fā)生,則其特征參數(shù)將發(fā)生較大變化。因受各種因索影響,盡量不以絕對(duì)值作為異常診斷的依據(jù),而要與初始值或正常值進(jìn)行比較,用其比值作為檢測(cè)參數(shù)來進(jìn)行診斷。為此,診斷的監(jiān)測(cè)參數(shù)定義為:

(1)

式中: ——相對(duì)于 的待檢狀態(tài)參數(shù)值;

——相對(duì)于 的正常狀態(tài)參數(shù)值。

兩者的比值與—門限值進(jìn)行比較若大于門限值.故障征兆輸入取為“1”即故障征兆存在,否則取為“0”,即故障征兆不存在。

2)知識(shí)庫(kù)的建立

它包括知識(shí)獲取和知識(shí)存儲(chǔ)兩個(gè)過程。知識(shí)獲取表現(xiàn)為訓(xùn)練樣本的獲得與選擇,訓(xùn)練樣本來源于同類型診斷對(duì)象在正常運(yùn)轉(zhuǎn)時(shí)和帶故障運(yùn)行時(shí)的各種特征參數(shù)。知識(shí)存儲(chǔ)是將由訓(xùn)練樣本對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練獲得的連續(xù)權(quán)值和閾值進(jìn)行存儲(chǔ),從而形成知識(shí)庫(kù)。

3)神經(jīng)網(wǎng)絡(luò)模塊結(jié)構(gòu)圖

為了進(jìn)一步提高系統(tǒng)的推理和學(xué)習(xí)能力,建立了故障診斷神經(jīng)網(wǎng)絡(luò)模型,其結(jié)構(gòu)如圖2所示。神經(jīng)網(wǎng)絡(luò)采用N層結(jié)構(gòu)的BP網(wǎng)絡(luò)。抽取出故障若干信息作為網(wǎng)絡(luò)的輸入;并從工程實(shí)例中選取有代表性的樣本對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練;訓(xùn)練完畢后即可利用神經(jīng)網(wǎng)絡(luò)進(jìn)行推理。當(dāng)出現(xiàn)網(wǎng)絡(luò)拒識(shí)樣本時(shí),通過專家進(jìn)行判斷推理,然后將此樣本輸入到訓(xùn)練樣本集中,使網(wǎng)絡(luò)繼續(xù)學(xué)習(xí),對(duì)權(quán)值進(jìn)行調(diào)整,直至做出正確推理為止。

圖2故障診斷神經(jīng)網(wǎng)絡(luò)模型

4)知識(shí)處理

在旋轉(zhuǎn)機(jī)械故障診斷神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)中,只需將觀測(cè)到的故障現(xiàn)象通過編譯器轉(zhuǎn)化為數(shù)值知識(shí),送入神經(jīng)網(wǎng)絡(luò),然后計(jì)算網(wǎng)絡(luò)輸出,最后將網(wǎng)絡(luò)的數(shù)值輸出經(jīng)反編譯器轉(zhuǎn)化為符號(hào)知識(shí),即得到了故障原因,這種專家系統(tǒng)的知識(shí)處理是與神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)緊密相關(guān)的統(tǒng)一體,不需增加相應(yīng)的推理機(jī)構(gòu),將數(shù)值知識(shí)轉(zhuǎn)換為符號(hào)知識(shí)的反編譯器是編譯的逆過程,有與編譯器類似的結(jié)構(gòu)。

4、算例

以某一旋轉(zhuǎn)機(jī)械為例,用MATLAB工具,通過神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)集成的方法實(shí)現(xiàn)故障診斷。

選用旋轉(zhuǎn)機(jī)械常見的不平衡、不對(duì)中、油膜渦動(dòng)等常見的10種故障作為網(wǎng)絡(luò)的輸出。取9個(gè)頻段的譜峰能量歸一化值,作為輸入[6]。因此,該網(wǎng)絡(luò)的輸入神經(jīng)元應(yīng)為9個(gè),輸出神經(jīng)元為10個(gè)。

訓(xùn)練BP網(wǎng)絡(luò)。將上述數(shù)據(jù)作為樣本訓(xùn)練BP網(wǎng)絡(luò)。首先確定BP網(wǎng)絡(luò)的結(jié)構(gòu),BP網(wǎng)絡(luò)輸入神經(jīng)元數(shù)為9,輸出神經(jīng)元數(shù)為10,而隱含層數(shù)及每層的神經(jīng)元數(shù)目經(jīng)過MATLAB程序多次仿真實(shí)驗(yàn),結(jié)果表明當(dāng)采用雙隱含層網(wǎng)絡(luò)時(shí),第一隱含層的神經(jīng)元數(shù)為9,第二隱含層神經(jīng)元數(shù)為11,網(wǎng)絡(luò)訓(xùn)練10步時(shí)誤差就可下降到0。故選擇的雙隱含層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為9-9-11-10為最佳網(wǎng)絡(luò)結(jié)構(gòu)。

測(cè)試BP網(wǎng)絡(luò)。利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷,故障診斷運(yùn)行的部分結(jié)果見表2。診斷結(jié)果表明,對(duì)于已經(jīng)學(xué)習(xí)過的樣本知識(shí),網(wǎng)絡(luò)輸出與期望結(jié)果充分相符,表明該網(wǎng)絡(luò)能夠正確地實(shí)現(xiàn)故障診斷;當(dāng)輸入數(shù)據(jù)在一定范圍內(nèi)偏離樣本知識(shí)時(shí),網(wǎng)絡(luò)的輸出具有接近樣本的傾向,因而表明了該網(wǎng)絡(luò)在故障診斷方面的使用可靠性。

表2故障測(cè)試結(jié)果

續(xù)表2

5、結(jié)論

在旋轉(zhuǎn)機(jī)械故障診斷中,將神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)結(jié)合,彌補(bǔ)了旋轉(zhuǎn)機(jī)械故障診斷專家系統(tǒng)存在的不足。實(shí)例證明,該方法診斷效率和精度較高,是一種有效的故障診斷途徑。

參考文獻(xiàn)

[1]徐敏.基于神經(jīng)網(wǎng)絡(luò)集成的專家系統(tǒng)模型[J].計(jì)算機(jī)工程與設(shè)計(jì),2006,(4).

第5篇:人工神經(jīng)網(wǎng)絡(luò)的不足范文

在進(jìn)行經(jīng)濟(jì)管理工作的時(shí)候,需要從工作中出現(xiàn)的龐大的信息進(jìn)行分析和處理,這些數(shù)據(jù)是重要的資源公司和機(jī)構(gòu)需要這些資源做了分析、決策。然而,經(jīng)濟(jì)管理人員如何處理這些信息,從而使這些資源能夠得到更好的決策服務(wù),是經(jīng)濟(jì)管理人員需要不斷探索的問題,在很多的研究過程中相關(guān)的許多研究人員已經(jīng)取得了較為合適的方法去處理數(shù)據(jù),但這些方法往往并不適用于人們獲得大量正確的感官使自己不足以判定自己的決定或感覺。不過由于計(jì)算機(jī)技術(shù)的發(fā)展,讓人們?cè)谔幚磉@些數(shù)據(jù)的過程中,獲得了很大的方便,因?yàn)殡娔X可以有效地對(duì)大量的數(shù)據(jù)進(jìn)行處理,分析,因此,計(jì)算機(jī)科學(xué)與技術(shù),經(jīng)濟(jì)管理提供了在工作過程中帶來極大的方便。

2、計(jì)算機(jī)科學(xué)與技術(shù)在經(jīng)濟(jì)管理過程中的應(yīng)用形式

2.1運(yùn)用人工神經(jīng)網(wǎng)絡(luò)的形式來對(duì)信息進(jìn)行分析

在動(dòng)物界的神經(jīng)傳遞過程,以及兩者之間的神經(jīng)元有突觸,發(fā)揮信息的一對(duì)神經(jīng)元之間傳遞的作用。在傳送過程中會(huì)被用來傳播若干神經(jīng)遞質(zhì),這些不同類型的神經(jīng)遞質(zhì)的那些神經(jīng)元接收時(shí)的軸突,會(huì)有許多分支。神經(jīng)遞質(zhì)中的信息傳送的神經(jīng)元再傳遞到受體細(xì)胞,然后。這種形式的信息傳遞有很多好處,研究人員受到這些啟示后,他們發(fā)明了一種自組織特征映射算法,以實(shí)現(xiàn)有效的傳遞信息。因此對(duì)計(jì)算機(jī)技術(shù),其在外界的時(shí)間表達(dá)的發(fā)展以及當(dāng)前正在使用的方式為數(shù)值向量,并且對(duì)于神經(jīng)系統(tǒng),這也是在該信號(hào)中的信息的傳播的移位。因此,使用計(jì)算機(jī)技術(shù)進(jìn)行的信息的神經(jīng)之間的信息發(fā)送處理,具有非常相似的地方。

2.2這種人工神經(jīng)網(wǎng)絡(luò)的信息處理方式具備的功能

有關(guān)信息處理這個(gè)人工神經(jīng)網(wǎng)絡(luò),它是基于神經(jīng)網(wǎng)絡(luò)的生物的形式來學(xué)習(xí)了,那里的人工神經(jīng)網(wǎng)絡(luò)的這個(gè)系統(tǒng),也就是現(xiàn)在的一些智能計(jì)算機(jī)功能與神經(jīng)系統(tǒng)的生物學(xué)特性有很大一部分是類似的,。第一,它具有如下特性反映在存儲(chǔ)器中,因?yàn)樗腔谏锷窠?jīng)模型來設(shè)計(jì),因此,其在信息存儲(chǔ)和分析,將在第一保留該信息,并且還具有關(guān)聯(lián)存儲(chǔ)器的功能。其次,它具有的功能,可以是非線性映射。因?yàn)樵谠S多實(shí)現(xiàn)該操作,不能夠建立的輸入信息與輸出的數(shù)量之間的線性關(guān)系,因此設(shè)計(jì)了許多熟悉的模型不能在其他信息處理系統(tǒng)來執(zhí)行。然而,使用人工神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)方法,使得它可以滿足非線性映射信息處理的過程中,也可以設(shè)置在設(shè)計(jì)過程中大量的非線性數(shù)學(xué)模型,并且每個(gè)字段可以是得到了應(yīng)用。另外,該人工神經(jīng)網(wǎng)絡(luò)的信息處理模式中,還可以輸入的信息來確定和實(shí)現(xiàn)有效的分類,原本存在于該信息的信息處理是不容易的分離和鑒定的問題,以便有效的解決方案。最后一個(gè)是,它可以具有的信息和輸入,并輸出將是一種有效的處理數(shù)據(jù)知識(shí)的內(nèi)容的功能,因?yàn)樵撊斯ど窠?jīng)網(wǎng)絡(luò)模型具有神經(jīng)傳遞在生物學(xué)的特性,所以它可以在信息到達(dá)時(shí),它的分析和信息處理為那些誰滿足要利用的條件,并存儲(chǔ)。這使信息的處理時(shí),數(shù)據(jù)可根據(jù)它們的特性進(jìn)行分類和分析。

3、人工神經(jīng)網(wǎng)絡(luò)的信息處理技術(shù)在經(jīng)濟(jì)管理中的應(yīng)用

計(jì)算機(jī)科學(xué)與技術(shù)帶來的這個(gè)神經(jīng)網(wǎng)絡(luò)的信息處理模式的發(fā)展過程中,因?yàn)樗囊恍┨匦院凸δ?,已有效地用于許多領(lǐng)域,解決了傳統(tǒng)的信息處理那些不能夠解決誰的問題,并取得了良好的效果。因此,目前的做法是,不僅能夠使用在經(jīng)濟(jì)管理過程信息,還是在醫(yī)藥,工程和其他經(jīng)濟(jì)領(lǐng)域已被廣泛使用。由于計(jì)算機(jī)模擬人類思維與人類思考有著極大的相似度,因此在經(jīng)濟(jì)管理和其他需要人類思維仔細(xì)工作的領(lǐng)域中計(jì)算機(jī)就可以代替人類進(jìn)行大量的思考,從而減少人腦處理數(shù)據(jù)的時(shí)間提升效率的同時(shí)也降低了人們的勞動(dòng)腦力,提升了工作品質(zhì)。

3.1在信貸分析過程中需要對(duì)這種信息處理技術(shù)加以利用

對(duì)于信貸分析,信貸評(píng)估機(jī)構(gòu)是有自己的特點(diǎn),所以在信息化的過程,因?yàn)檫@些公司帶來不同形式的信息,制作過程,以判斷其可信度,大的問題,這是很難判斷出來,使很多時(shí)候會(huì)帶來大量的經(jīng)濟(jì)損失。然而,采用這種判斷方法的人工神經(jīng)網(wǎng)絡(luò)的信息技術(shù),將上有效地解決這些問題完成的。在這些貸款時(shí),信用評(píng)級(jí)公司,只需要輸入信息編碼到它,你可以分析數(shù)據(jù),由于數(shù)額較大的信息輸入,使評(píng)價(jià)過程更加準(zhǔn)確地完成更多的工作。利用這種技術(shù),不僅可以做到的準(zhǔn)確度,而且還避免了主觀的思維操作者的形式。這是這些優(yōu)點(diǎn)的存在,使得其被非常廣泛地應(yīng)用于在企業(yè)風(fēng)險(xiǎn)分析的過程。

3.2使用這種方法可以對(duì)市場(chǎng)做到更準(zhǔn)確的預(yù)測(cè)

在經(jīng)濟(jì)管理過程中,需要對(duì)一些看起來似乎是有效的市場(chǎng)進(jìn)行分析,并做相關(guān)的未來發(fā)展趨勢(shì)的預(yù)測(cè),在決策過程,這些預(yù)測(cè)結(jié)果能夠起到參考作用,使得投資的風(fēng)險(xiǎn)可以減小。利用人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)市場(chǎng)上的信息處理技術(shù),使得市場(chǎng)價(jià)格走勢(shì)和走勢(shì)進(jìn)行了考慮和分析,讓一個(gè)可靠的市場(chǎng)模型可以被創(chuàng)建。例如,在期貨市場(chǎng)上使用這種技術(shù),可以預(yù)測(cè)其未來的價(jià)格。而這項(xiàng)技術(shù)也已經(jīng)在股市應(yīng)用。隨著科學(xué)技術(shù)和計(jì)算機(jī)技術(shù)的發(fā)展日趨成熟,使得在其工作過程中已經(jīng)能夠針對(duì)非常復(fù)雜的工作得到了良好的解決方案。在經(jīng)濟(jì)管理過程,從而產(chǎn)生大量的數(shù)據(jù),使用傳統(tǒng)方法是難以解決的,但是利用計(jì)算機(jī)科學(xué)和技術(shù),我們可以模仿人在神經(jīng)傳遞中的處理信息的方式來進(jìn)行處理,利用它們工作為人類提供了極大的方便。

4、結(jié)束語

第6篇:人工神經(jīng)網(wǎng)絡(luò)的不足范文

【關(guān)鍵詞】小波神經(jīng)網(wǎng)絡(luò);建筑承發(fā)包價(jià)格;預(yù)測(cè)

0.引言

建筑市場(chǎng)的健康發(fā)展對(duì)于拉動(dòng)經(jīng)濟(jì)增長(zhǎng),調(diào)整產(chǎn)業(yè)結(jié)構(gòu),改善人民生活水平起著重要的作用。建筑市場(chǎng)又是一個(gè)復(fù)雜的系統(tǒng),因?yàn)榻ㄖ袌?chǎng)設(shè)計(jì)到建筑材料市場(chǎng)、金融市場(chǎng)、勞動(dòng)力市場(chǎng)等各方面的發(fā)展,所以對(duì)于建筑市場(chǎng)進(jìn)行研究是必要的。建筑工程承發(fā)包模式在我國(guó)建筑市場(chǎng)中扮演的角色越來越重要,其中,建筑工程承發(fā)包價(jià)格管理尤為重要,直接關(guān)系到國(guó)家建設(shè)資金的合理利用,關(guān)系到維護(hù)建筑市場(chǎng)的秩序以及承發(fā)包雙方的合法權(quán)益,是國(guó)家有關(guān)部門和建筑各方都非常關(guān)心的問題。目前,可用于承發(fā)包價(jià)格預(yù)測(cè)的方法很多,比如回歸分析法、因果分析法、灰色系統(tǒng)以及BP神經(jīng)網(wǎng)絡(luò)等各種預(yù)測(cè)方法。但是,由于建筑承發(fā)包價(jià)格具有非線性趨勢(shì),因此,就必須利用模擬非線性的模型,前面幾種方法在這方面都存在不足。本文依據(jù)小波的時(shí)頻域特征,將小波分析理論與神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型結(jié)合在一起,提出了一種新的預(yù)測(cè)模型―小波神經(jīng)網(wǎng)絡(luò)模型,并將其應(yīng)用于房地產(chǎn)價(jià)格指數(shù)的預(yù)測(cè),解決了預(yù)測(cè)非線性時(shí)間序列的不足[1]。

1.小波神經(jīng)網(wǎng)絡(luò)模型

小波神經(jīng)網(wǎng)絡(luò)(Wavelet Neural Networks,縮寫WNN), 是近幾年國(guó)際上新興的一種數(shù)學(xué)建模分析方法,是結(jié)合最近發(fā)展的小波變換良好的時(shí)頻局域化性質(zhì)與傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)功能力而形成的。最早是由法國(guó)著名的信息科學(xué)研究機(jī)構(gòu)IR ISA 的Q inghua Zhang 等[2]于1992 年提出的, Y C Pat i 等[5]對(duì)離散仿射小波神經(jīng)網(wǎng)絡(luò)進(jìn)行了研究.小波神經(jīng)網(wǎng)絡(luò)是通過小波分解進(jìn)行平移和伸縮變化后而得到的級(jí)數(shù),具有小波分解的一般逼近函數(shù)的性質(zhì)與分類特征。并且由于它引入了兩個(gè)新的參變量,即伸縮因子和平移因子,所以小波神經(jīng)網(wǎng)絡(luò)具有比小波分解更多自由度,從而使其具有更靈活有效的函數(shù)逼近能力,更強(qiáng)的模式識(shí)別能力和容錯(cuò)能力。由于其建模算法不同于普通神經(jīng)網(wǎng)絡(luò)的BP算法,故可有效地克服普通人工神經(jīng)網(wǎng)絡(luò)模型所固有的缺陷[3]。

小波神經(jīng)網(wǎng)絡(luò)是基于小波分析而構(gòu)成的一類新型前饋網(wǎng)絡(luò),也可以看作是以小波函數(shù)為基底的一種新型函數(shù)連接神經(jīng)網(wǎng)絡(luò),其信號(hào)的表達(dá)式通過將所選取得小波基疊加來實(shí)現(xiàn)的等[4]。在信號(hào)分類中,子波空間可作為模式識(shí)別的特征空間,通過將小波基與信號(hào)向量的內(nèi)積進(jìn)行加權(quán)和來實(shí)現(xiàn)信號(hào)的特征提取,然后將這些特征輸入到分類器中,它結(jié)合了小波變換良好的時(shí)頻局域化性質(zhì)及神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)功能,因而具有良好的逼近與容錯(cuò)能力[5]。

小波神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的具體算法如下:

3.基于小波神經(jīng)網(wǎng)絡(luò)的建筑承發(fā)包價(jià)格預(yù)測(cè)

3.1數(shù)據(jù)的選取與預(yù)處理

以紹興市市磚混結(jié)構(gòu)住宅為例,對(duì)建筑工程承發(fā)包價(jià)格進(jìn)行預(yù)測(cè)研究。根據(jù)紹興市統(tǒng)計(jì)年鑒,2005 年~2009 年浙江建設(shè)工程材料信息價(jià)以及調(diào)研得到影響建設(shè)工程承發(fā)包價(jià)格因素的相關(guān)數(shù)據(jù),為了更方便的進(jìn)行預(yù)測(cè),首先要進(jìn)行歸一化處理,采用公式:

表1 經(jīng)過歸一化處理后的建筑承發(fā)包價(jià)格

Table1 Normalized real estate price index

3.2小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型預(yù)測(cè)結(jié)果

在設(shè)計(jì)網(wǎng)絡(luò)時(shí)采用三層網(wǎng)絡(luò)模型,這樣比采用四層網(wǎng)絡(luò)不易陷入局部極小值。采用此結(jié)構(gòu)對(duì)上面歸一化的中房指數(shù)數(shù)據(jù)進(jìn)行預(yù)測(cè)。并將整個(gè)過程運(yùn)用Matlab進(jìn)行編程實(shí)現(xiàn)將數(shù)據(jù)分為兩組,前一組用于訓(xùn)練網(wǎng)絡(luò),后一組用作檢驗(yàn)。用小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行預(yù)測(cè),結(jié)果如表2所示。

表2 小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果

Table 2 Forecast result of WNN

4.小結(jié)

小波神經(jīng)網(wǎng)絡(luò)是結(jié)合最近發(fā)展的小波變換良好的時(shí)頻局域化性質(zhì)與傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)功能而形成的,具有深厚的數(shù)學(xué)基底,被廣泛應(yīng)用于各個(gè)領(lǐng)域。本位在介紹小波神經(jīng)網(wǎng)絡(luò)的同時(shí),建立起了一種小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型,并將其應(yīng)用于建筑承發(fā)包價(jià)格的預(yù)測(cè)當(dāng)中。

【參考文獻(xiàn)】

[1]諸靜.智能預(yù)測(cè)控制及其應(yīng)用[M].杭州:浙江大學(xué)出版社,2000.

[2]劉明才.小波分析及其應(yīng)用[M].北京:清華大學(xué)出版社,2005.

[3]王洪元等.人工神經(jīng)網(wǎng)絡(luò)技術(shù)及其應(yīng)用[M].北京:中國(guó)石化出版社,2002.

第7篇:人工神經(jīng)網(wǎng)絡(luò)的不足范文

隨著我國(guó)城市化、工業(yè)化規(guī)模的日益擴(kuò)大和人口的不斷增長(zhǎng),生活污水和工業(yè)廢水量也隨之大幅增漲,大量未經(jīng)處理污水或者處理后不達(dá)標(biāo)的尾水直接排入水體,導(dǎo)致水環(huán)境污染問題日益突出。在眾多污染物中,氨氮是其中主要污染物之一。根據(jù) 2013 年中國(guó)環(huán)境統(tǒng)計(jì)年報(bào),全國(guó)廢水排放總量為 695.4 億噸,其中氨氮排放量達(dá) 245.7 萬噸。氨氮超標(biāo)排放,容易引發(fā)水體富營(yíng)養(yǎng)化,造成地下水硝酸鹽超標(biāo)等問題。據(jù)報(bào)告[1]全國(guó)湖泊和水庫(kù)富營(yíng)養(yǎng)化比例達(dá) 27.8%;地下水中“三氮”(亞硝酸鹽、硝酸鹽和氨氮)超標(biāo)嚴(yán)重,其中較差和極差監(jiān)測(cè)點(diǎn)分別占總監(jiān)測(cè)點(diǎn)數(shù)的 43.9%和 15.7%。水體富營(yíng)養(yǎng)化,會(huì)破壞水體生態(tài)平衡,造成水體功能下降、水生生物死亡等災(zāi)難性后果,不僅制約了水資源的利用價(jià)值,而且會(huì)直接影響人類的健康與社會(huì)經(jīng)濟(jì)的可持續(xù)發(fā)展。 加強(qiáng)污染源治理,提高污水處理水平,是控制水體富營(yíng)養(yǎng)化,防止水體污染有效途徑?!秶?guó)家環(huán)境保護(hù)“十二五”歸劃》中新增了氨氮和氮氧化物排放量作為經(jīng)濟(jì)社會(huì)發(fā)展的約束性指標(biāo),要求 2015 年氨氮和氮氧化物排放量須比 2010 年減少 10%以上。然而,目前我國(guó)眾多新建和已建污水處理廠大多使用傳統(tǒng)脫氮技術(shù),其自動(dòng)控制水平低下,運(yùn)行管理費(fèi)用高,導(dǎo)致出水水質(zhì)不能穩(wěn)定達(dá)標(biāo)。由此研發(fā)以防止水體富營(yíng)養(yǎng)化為目的新型脫氮技術(shù)及其自動(dòng)控制研究已成為國(guó)內(nèi)學(xué)術(shù)界的主要研究目標(biāo)之一。 污水脫氮處理過程涉及多種微生物,受環(huán)境影響大,操作復(fù)雜,采用人工控制方式,出水水質(zhì)穩(wěn)定性差,因此加強(qiáng)污水脫氮處理自動(dòng)控制研究是實(shí)現(xiàn)高效穩(wěn)定脫氮的必然途徑。由于經(jīng)典控制理論多以污水生物脫氮模型為基礎(chǔ),對(duì)于控制對(duì)象具有非線性、大時(shí)變、大滯后性的系統(tǒng),難以建立精確數(shù)學(xué)模型,因此很難獲得良好的控制品質(zhì)。智能控制是自動(dòng)控制發(fā)展的高級(jí)階段,具有自學(xué)習(xí)、自適應(yīng)和自組織能力,可以解決經(jīng)典控制難以解決的復(fù)雜控制系統(tǒng)問題。在污水脫氮處理中引入智能控制,不僅可以減小系統(tǒng)干擾對(duì)運(yùn)行的影響,而且能夠提高處理效率和降低運(yùn)行成本。由于目前國(guó)內(nèi)污水處理智能控制研究與應(yīng)用尚處于起步和發(fā)展階段,因此,加強(qiáng)污水處理智能控制技術(shù)研究具有十分重要的現(xiàn)實(shí)意義。

.........

1.2 國(guó)內(nèi)外研究現(xiàn)狀

傳統(tǒng)生物脫氮過程一般可分為三步:第一步是氨化作用,即水中的有機(jī)氮在氨化細(xì)菌的作用下轉(zhuǎn)化成氨氮。第二步是硝化作用,即在供氧充足的條件下,水中的 NH+ 4 -N 首先在亞硝化菌(ammonia oxidizing bacteria,AOB)的作用下被氧化成NO- 2 -N,然后再在硝化菌(nitrite oxidizing bacteria,NOB)的作用下進(jìn)一步氧化成NO- 3 -N。第三步是反硝化作用,即硝化產(chǎn)生的 NO- 2 -N 和 NO- 3 -N 在反硝化細(xì)菌的作用下被還原成 N2。 傳統(tǒng)生物脫氮工藝硝化和反硝化兩個(gè)過程需要在兩個(gè)或以上互相隔離的反應(yīng)器中進(jìn)行,或者在同一個(gè)在時(shí)間或者空間上交替缺氧和好氧的反應(yīng)器進(jìn)行,因此存在諸多不足: 生物脫氮技術(shù)的新發(fā)展突破了傳統(tǒng)理論的認(rèn)識(shí),主要開發(fā)了短程硝化反硝化工藝、同步硝化反硝化工藝、厭氧氨氧化以及單級(jí)自養(yǎng)脫氮等新工藝。其中單級(jí)自養(yǎng)脫氮技術(shù)因同時(shí)具備短程硝化反硝化工藝和厭氧氨氧化工藝優(yōu)點(diǎn),得到國(guó)內(nèi)外學(xué)者們廣泛關(guān)注。 單級(jí)自養(yǎng)脫氮工藝反應(yīng)器內(nèi)微生物種類多,而且相互間關(guān)系較復(fù)雜,因此對(duì)反應(yīng)器環(huán)境條件的控制要求更高。影響單級(jí)自養(yǎng)脫氮工藝的主要因素有 DO、pH、溫度等。研究表明,限制性供氧方式是單級(jí)自養(yǎng)脫氮的一個(gè)重要特點(diǎn),DO 的高低是實(shí)現(xiàn)單級(jí)自養(yǎng)脫氮工藝最重要的控制條件,它不僅關(guān)系著 NOB 能否被淘汰,而且決定了系統(tǒng)中活性污泥絮體或生物膜內(nèi)好氧和厭氧共存的微環(huán)境能否形成,使短程硝化和厭氧氨氧化的聯(lián)合反應(yīng)能夠順利進(jìn)行[2]。1995 年 Muller 等[3]發(fā)現(xiàn)自養(yǎng)硝化污泥在低氧條件下可以產(chǎn)生 N2。1997 年 Hippen 等[4]在德國(guó) Mechernich 地區(qū)的垃圾滲濾液處理廠也發(fā)現(xiàn),在不外加有機(jī)碳源以及 DO 限制條件下,反應(yīng)器中的 DO 值始終維持在 1.0mg/L 左右,生物轉(zhuǎn)盤中超過 60%的 NH+ 4 –N 轉(zhuǎn)化為 N2。試驗(yàn)中進(jìn)水 TOC 小于 20mg/L,而且出水中 TOC 也沒有明顯減少.

...........

2 SBBR 單級(jí)自養(yǎng)脫氮工藝

2.1 單級(jí)自養(yǎng)脫氮工藝概述

單級(jí)自養(yǎng)脫氮工藝是指在同一個(gè)反應(yīng)器內(nèi)由自養(yǎng)微生物完成 NH+ 4 -N 至 N2的全部轉(zhuǎn)化過程的一類工藝。單級(jí)自養(yǎng)脫氮現(xiàn)象先后被國(guó)內(nèi)外眾多研究者們發(fā)現(xiàn)并冠以不同的工藝名稱,這些工藝包括 CANON(completely autotrophicnitrogen removal over nitrite) 工 藝[31]、 OLAND(oxygen-limited autotrophic nitrification-denitrification)工藝[5]、DEMON(aerobic/anoxic deammonification)工藝[4]等。 CANON 工藝是由荷蘭 DELFT 技術(shù)大學(xué)的學(xué)者在 SHARON(Single reactor for high activity ammonia removal over nitrite))工藝和厭氧氨氧化工藝的基礎(chǔ)上研發(fā)出來的,該工藝 NH+ 4 -N 的轉(zhuǎn)化途徑分兩步進(jìn)行:第一步,系統(tǒng)中一部分 NH+ 4 -N 通過亞硝化轉(zhuǎn)化為 NO- 2 –N;第二步,系統(tǒng)中另一部分 NH+ 4 –N 和第一步產(chǎn)生的 NO- 2 –N 反應(yīng)生成 N2。CANON 工藝生物膜內(nèi)化學(xué)反應(yīng)模型如圖 2.1 所示[32]。OLAND 工藝是由比利時(shí) Gent 微生物實(shí)驗(yàn)室的 Kuai 和 Verstraete 研發(fā)命名的,該工藝是利用普通硝化污泥在限制 DO 的條件下,使硝化過程僅進(jìn)行到 NO- 2 -N 階段,然后在無外加碳源情況下,利用厭氧氨氧化細(xì)菌(Anaerobic ammonia oxidation bacteria,AAOB)的一步生化去除高氨氮廢水中氮的過程。從機(jī)理上看 OLAND 工藝與 CANON 工藝十分相似,均可認(rèn)為是 SHARON 和厭氧氨氧化工藝的耦合。

.........

2.2 單級(jí)自養(yǎng)脫氮工藝的影響因素

單級(jí)自養(yǎng)脫氮工藝反應(yīng)器內(nèi)微生物種類繁多,種間關(guān)系復(fù)雜,因此對(duì)環(huán)境條件的控制要求

十分苛刻,其中 DO、pH、溫度是其主要影響因素。單級(jí)自養(yǎng)脫氮工藝一般可看作是短程硝化和厭氧氨氧化兩個(gè)途徑聯(lián)合實(shí)現(xiàn)的。該工藝的功能菌包括 AOB、NOB 和 AAOB,其中 AOB 和 NOB 是好氧菌,AAOB 是嚴(yán)格厭氧菌,因此 DO 是單級(jí)自養(yǎng)脫氮工藝最重要的控制條件,通過調(diào)控反應(yīng)器 DO 值,可以使系統(tǒng)中活性污泥絮體或生物膜內(nèi)形成良好的好氧和厭氧共存的微環(huán)境,從而使得短程硝化和厭氧氨氧化的聯(lián)合反應(yīng)能夠順利進(jìn)行。在單級(jí)自養(yǎng)脫氮系統(tǒng)內(nèi),溫度的高低不僅會(huì)影響亞硝化反應(yīng)和厭氧氨氧化反應(yīng)的速率以及系統(tǒng)的脫氮性能,而且會(huì)影響出水中 N 元素的形態(tài)。單級(jí)自養(yǎng)脫氮適宜溫度范圍在 22~35℃,在這個(gè)溫度范圍內(nèi),AOB 和 AAOB 的最佳溫度相近,AOB 比 NOB 生長(zhǎng)迅速,并且能刺激 AAOB 的生長(zhǎng)。pH 可通過兩個(gè)途徑影響單級(jí)自養(yǎng)脫氮工藝,其一是通過影響微生物活性直接影響脫氮效果,其二是通過影響反應(yīng)器中游離氨的濃度間接影響脫氮效果。單級(jí)自養(yǎng)脫氮工藝是由不同微生物協(xié)同完成的,而微生物各有不同的最佳pH 值,因此可以通過調(diào)節(jié)反應(yīng)器 pH,培養(yǎng) AOB 和 AAOB 細(xì)菌,抑制 NOB 和其他細(xì)菌實(shí)現(xiàn)單級(jí)自養(yǎng)脫氮。水中氨氮可以以游離態(tài)和離子態(tài)存在,當(dāng) pH 高時(shí),在同樣氨氮濃度下,游離態(tài)的氨氮濃度更高,而游離態(tài)氨氮對(duì) NOB 細(xì)菌產(chǎn)生明顯的抑制作用。 ...........

3 人工神經(jīng)網(wǎng)絡(luò)智能控制系統(tǒng)設(shè)計(jì) ..... 10

3.1 人工神經(jīng)網(wǎng)絡(luò)........... 10

3.2 PID 控制基本原理.... 18

3.3 基于人工神經(jīng)網(wǎng)絡(luò)的單級(jí)自養(yǎng)脫氮智能控制系統(tǒng)設(shè)計(jì) ....... 22

3.4 本章小結(jié).......... 30

4 SBBR 單級(jí)自養(yǎng)脫氮智能控制試驗(yàn)研究........ 31

4.1 SBBR 單級(jí)自養(yǎng)脫氮啟動(dòng)試驗(yàn) .......... 31

4.2 SBBR 單級(jí)自養(yǎng)脫氮啟動(dòng)控制 .......... 38

4.2.1 硬件配置 ....... 38

4.2.2 BP 神經(jīng)網(wǎng)絡(luò) PID 反饋控制實(shí)現(xiàn)...... 39

4.3 SBBR 單級(jí)自養(yǎng)脫氮工藝運(yùn)行控制 ........... 44

4.3.1 硬件配置 ....... 44

4.3.2 RBF 神經(jīng)網(wǎng)絡(luò)前饋控制實(shí)現(xiàn)........... 44

4.3.3 人工神經(jīng)網(wǎng)絡(luò)智能控制實(shí)現(xiàn) ........... 47

4.4 本章小結(jié).......... 49

5 總結(jié)與展望 ....... 51

5.1 總結(jié) .......... 51

5.2 展望 .......... 52

4 SBBR 單級(jí)自養(yǎng)脫氮智能控制試驗(yàn)研究

本章通過試驗(yàn)研究確定啟動(dòng)階段不同進(jìn)水 NH+ 4 –N 和 COD 濃度下總氮去除率最大時(shí)的 DO 值,構(gòu)建基于 RBF 神經(jīng)網(wǎng)絡(luò)前饋和基于 BP 神經(jīng)網(wǎng)絡(luò) PID 反饋的復(fù)合控制系統(tǒng),以實(shí)現(xiàn) SBBR 單級(jí)自養(yǎng)脫氮工藝啟動(dòng)和高效穩(wěn)定運(yùn)行。

4.1 SBBR 單級(jí)自養(yǎng)脫氮啟動(dòng)試驗(yàn)

試驗(yàn)用反應(yīng)器為如圖 4.1 所示的 PVC 材質(zhì)的圓柱形,該反應(yīng)器直徑 180mm、高 470mm、總?cè)莘e約 12L,有效容積為 10L,內(nèi)置纖維填料,填充比為 60%。控制反應(yīng)器溫度在 30±0.2℃,采用額定功率 0.12kW、額定流量 15m3/h的鼓風(fēng)機(jī)曝氣。試驗(yàn)裝置配有工控機(jī)、變頻器、PLC 及在線溶解氧儀。 試驗(yàn)采用初期進(jìn)水為高濃度 NH+ 4 –N 和 COD,通過調(diào)節(jié)反應(yīng)器內(nèi) DO 值,使得出水水質(zhì)穩(wěn)定達(dá)標(biāo)后,再逐級(jí)降低進(jìn)水 NH+ 4 –N 和 COD 濃度方法實(shí)現(xiàn) SBBR 單級(jí)自養(yǎng)脫氮工藝的啟動(dòng)。課題組前期試驗(yàn)完成了進(jìn)水 NH+ 4 –N 濃度分別為2000mg/L、1500mg/L、1000mg/L、500mg/L,對(duì)應(yīng) COD 濃度分別為 350mg/L、350mg/L、120mg/L、100mg/L 的 SBBR 單級(jí)自養(yǎng)脫氮工藝的馴化,本研究在此基礎(chǔ)上繼續(xù)降低進(jìn)水 NH+ 4 –N 和 COD 濃度,直至進(jìn)水 NH+ 4 –N 和 COD 濃度處于城市污水一般水平,根據(jù)進(jìn)水 NH+ 4 –N、COD 濃度不同,本試驗(yàn)可分為三個(gè)階段,各階段時(shí)間、進(jìn)水 NH+ 4 –N 和 COD 濃度、反應(yīng)器排水比例、排水周期及曝停比如表4.1 所示。

..........

總結(jié)

針對(duì) SBBR 單級(jí)自養(yǎng)脫氮啟動(dòng)困難和運(yùn)行難以穩(wěn)定,對(duì)自動(dòng)控制精度要求高的問題,試驗(yàn)啟動(dòng)階段,采用進(jìn)水 NH+ 4 –N 和 COD 濃度由高到低進(jìn)行馴化,確定不同濃度下,總氮去除率最大時(shí)的 DO 值,并構(gòu)建基于該 DO 值的 BP 神經(jīng)網(wǎng)絡(luò) PID控制,實(shí)現(xiàn) SBBR 單級(jí)自養(yǎng)脫氮工藝啟動(dòng);試驗(yàn)運(yùn)行階段,構(gòu)建了人工神經(jīng)網(wǎng)絡(luò)智能控制系統(tǒng),以實(shí)現(xiàn) SBBR 單級(jí)自養(yǎng)脫氮工藝高效穩(wěn)定運(yùn)行。 主要研究?jī)?nèi)容方法及結(jié)果結(jié)論如下:

第8篇:人工神經(jīng)網(wǎng)絡(luò)的不足范文

關(guān)鍵詞: 金融風(fēng)險(xiǎn);預(yù)警;模糊聚類;神經(jīng)網(wǎng)絡(luò)

一、引言

2014年中央經(jīng)濟(jì)工作會(huì)議明確提出要“高度重視財(cái)政金融領(lǐng)域存在的風(fēng)險(xiǎn)隱患,堅(jiān)決守住不發(fā)生系統(tǒng)性和區(qū)域性金融風(fēng)險(xiǎn)的底線”。2008年國(guó)際金融危機(jī)爆發(fā)以來,世界各國(guó)應(yīng)對(duì)金融危機(jī)的經(jīng)驗(yàn)表明,構(gòu)建金融體系風(fēng)險(xiǎn)預(yù)警機(jī)制是必要且可行的。相對(duì)于整體金融風(fēng)險(xiǎn)而言,區(qū)域性金融風(fēng)險(xiǎn)具有更強(qiáng)的外部傳導(dǎo)性和可控性,且一般早于整體金融風(fēng)險(xiǎn)爆發(fā),在某種程度上可被視為整體金融風(fēng)險(xiǎn)的預(yù)警信號(hào),因此,作為金融監(jiān)管的有效補(bǔ)充,研究區(qū)域性金融風(fēng)險(xiǎn)早期預(yù)警體系并進(jìn)行預(yù)警分析將對(duì)金融風(fēng)險(xiǎn)管控具有重要意義。

國(guó)外學(xué)者對(duì)于早期風(fēng)險(xiǎn)預(yù)警體系的研究較為系統(tǒng)和成熟,且已有一些金融監(jiān)管部門建立了早期預(yù)警模型,如美聯(lián)儲(chǔ)的SEER評(píng)級(jí)模型、美國(guó)聯(lián)邦存款保險(xiǎn)公司的SCOR模型、法國(guó)銀行業(yè)委員會(huì)的預(yù)期損失模型、國(guó)際貨幣基金組織的宏觀審慎評(píng)估模型等。受國(guó)際金融危機(jī)的影響,近年來國(guó)內(nèi)學(xué)者在早期金融風(fēng)險(xiǎn)預(yù)警和管理方面的研究也越來越多,但由于預(yù)警指標(biāo)選擇、風(fēng)險(xiǎn)狀態(tài)劃分及臨界值選擇等均不盡相同,因此建立的預(yù)警模型也有所差異。本文通過借鑒國(guó)內(nèi)外對(duì)金融風(fēng)險(xiǎn)預(yù)警指標(biāo)體系的既有研究成果,綜合運(yùn)用模糊聚類分析、BP神經(jīng)網(wǎng)絡(luò)建模等計(jì)量分析方法,構(gòu)建區(qū)域金融風(fēng)險(xiǎn)預(yù)警體系,以期對(duì)區(qū)域性金融風(fēng)險(xiǎn)的評(píng)估和防范提供客觀性依據(jù)。

二、總體分析框架及模型構(gòu)建

本文構(gòu)建的區(qū)域金融風(fēng)險(xiǎn)早期預(yù)警體系由三部分組成:首先結(jié)合安徽區(qū)域特點(diǎn),構(gòu)建包括經(jīng)濟(jì)因素、財(cái)政因素、金融因素、房地產(chǎn)發(fā)展、企業(yè)經(jīng)營(yíng)狀況等的區(qū)域性金融風(fēng)險(xiǎn)指標(biāo)體系;其次利用模糊聚類分析對(duì)研究樣本進(jìn)行分類,確定BP神經(jīng)網(wǎng)絡(luò)預(yù)警模型的分割點(diǎn),為區(qū)域性金融風(fēng)險(xiǎn)水平的劃分提供一種新思路;最后采用人工神經(jīng)網(wǎng)絡(luò)來預(yù)測(cè)未來金融危機(jī)發(fā)生的可能性。

(一)區(qū)域性金融風(fēng)險(xiǎn)指標(biāo)體系

區(qū)域性金融風(fēng)險(xiǎn)指標(biāo)選擇既要考慮金融風(fēng)險(xiǎn)因素的普遍性,更要體現(xiàn)區(qū)域經(jīng)濟(jì)金融發(fā)展特點(diǎn)。指標(biāo)選取原則:一是全面性,所選指標(biāo)盡可能全面反映區(qū)域金融風(fēng)險(xiǎn);二是可得性,所選數(shù)據(jù)要容易獲得,且期間口徑未作調(diào)整;三是匹配性,數(shù)據(jù)收集成本與模型預(yù)測(cè)的經(jīng)濟(jì)實(shí)用性相匹配。

(二)風(fēng)險(xiǎn)評(píng)估的模糊聚類分析

在分析一個(gè)時(shí)間序列的區(qū)域金融風(fēng)險(xiǎn)時(shí),我們可以把指標(biāo)相似程度高的樣本聚集在一起,作為一個(gè)整體進(jìn)行分析,以達(dá)到簡(jiǎn)化的效果。傳統(tǒng)的聚類分析是一種“硬劃分”,即把每個(gè)待識(shí)別的對(duì)象嚴(yán)格劃分到某類中,具有“非此即彼”的性質(zhì),這種分類的類別界限也是分明的。然而,在大多數(shù)情況下,風(fēng)險(xiǎn)類別可能并沒有嚴(yán)格的界定,其類屬性方面存在中介性,適合進(jìn)行“軟劃分”。模糊集理論為這種劃分提供了強(qiáng)有力且有效的分析工具,采用相應(yīng)的模糊聚類模型,可以取得較好的分類效果?!澳:垲悺备拍钭钤缬蒖uspini提出,之后人們利用這一概念提出了多種模糊聚類算法。本文運(yùn)用神經(jīng)網(wǎng)絡(luò)來進(jìn)行模糊聚類,其優(yōu)勢(shì)在于神經(jīng)網(wǎng)絡(luò)的并行處理結(jié)構(gòu)。

(三)基于人工神經(jīng)網(wǎng)絡(luò)的早期預(yù)警體系

人工神經(jīng)網(wǎng)絡(luò)ANN)是一種在生物神經(jīng)網(wǎng)絡(luò)啟示下建立的數(shù)據(jù)處理模型,其具有強(qiáng)大的模式識(shí)別和數(shù)據(jù)擬合能力,最為可貴的是神經(jīng)網(wǎng)絡(luò)還有自學(xué)習(xí)和自適應(yīng)性。自適應(yīng)性是指一個(gè)系統(tǒng)能夠改變自身的性能以適應(yīng)環(huán)境變化的能力,當(dāng)環(huán)境發(fā)生變化時(shí),相當(dāng)于給神經(jīng)網(wǎng)絡(luò)輸入新的訓(xùn)練樣本,網(wǎng)絡(luò)能夠自動(dòng)調(diào)整結(jié)構(gòu)參數(shù),改變映射關(guān)系,從而對(duì)特定的輸入產(chǎn)生相應(yīng)的期望輸出。人工神經(jīng)網(wǎng)絡(luò)包括很多種,不同類型的神經(jīng)網(wǎng)絡(luò)適用于解決不同的問題,其中最為常用的一種就是BP神經(jīng)網(wǎng)絡(luò),它是一種多層前向神經(jīng)網(wǎng)絡(luò),其權(quán)值調(diào)整采用反向傳播學(xué)習(xí)算法。而自組織競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)則使用了與前向神經(jīng)網(wǎng)絡(luò)完全不同的思路,采取競(jìng)爭(zhēng)學(xué)習(xí)的思想,網(wǎng)絡(luò)的輸出神經(jīng)元之間相互競(jìng)爭(zhēng),同一時(shí)刻只有一個(gè)輸出神經(jīng)元獲勝,因此自組織神經(jīng)網(wǎng)絡(luò)主要用于解決分類、聚類問題。鑒于此,本文在進(jìn)行區(qū)域金融風(fēng)險(xiǎn)評(píng)估時(shí),運(yùn)用自組織競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)進(jìn)行模糊聚類分析,得出各樣本的風(fēng)險(xiǎn)類別;而在構(gòu)建區(qū)域風(fēng)險(xiǎn)早期預(yù)警體系時(shí),采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行分析和預(yù)測(cè)。

三、區(qū)域性金融風(fēng)險(xiǎn)早期預(yù)警的實(shí)證分析

(一)區(qū)域性金融風(fēng)險(xiǎn)監(jiān)測(cè)指標(biāo)的選取與標(biāo)準(zhǔn)化

金融風(fēng)險(xiǎn)是一個(gè)綜合性、系統(tǒng)性的概念,單純選用個(gè)別指標(biāo)不足以反映其真實(shí)水平。因此,根據(jù)客觀性、完備性、科學(xué)性、實(shí)用性、重要性原則,同時(shí)借鑒國(guó)內(nèi)外研究成果,本文選取了經(jīng)濟(jì)、財(cái)政、金融、房地產(chǎn)、企業(yè)經(jīng)營(yíng)等方面的17個(gè)金融風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo),樣本區(qū)間為2009年至2014年一季度的安徽省季度數(shù)據(jù),并根據(jù)指標(biāo)與金融風(fēng)險(xiǎn)的正負(fù)相關(guān)性對(duì)其進(jìn)行標(biāo)準(zhǔn)化。

第9篇:人工神經(jīng)網(wǎng)絡(luò)的不足范文

關(guān)鍵詞:BP神經(jīng)網(wǎng)絡(luò);學(xué)習(xí)率;改進(jìn)算法

反向傳播BP(back propagation)神經(jīng)網(wǎng)絡(luò)是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò),是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一[1]。BP算法的思想是,學(xué)習(xí)過程由信號(hào)的正向傳播與誤差的反向傳播兩個(gè)過程組成。正向傳播時(shí),輸入樣本從輸入層傳入,經(jīng)各隱層逐層處理后,傳向輸出層。若輸出層的實(shí)際輸出與期望的輸出不符合,則轉(zhuǎn)入誤差的反向傳播階段。誤差反傳是將輸出誤差以某種形式通過隱層向輸入層反傳,并將誤差分?jǐn)偨o各層的所有單元,從而獲得各層單元的誤差信號(hào),此誤差信號(hào)即作為修正各單元權(quán)值的依據(jù)。這種信號(hào)正向傳播與誤差反向傳播的各層權(quán)值調(diào)整過程,是周而復(fù)始地進(jìn)行的。權(quán)值不斷調(diào)整的過程,也就是網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練過程。此過程一直進(jìn)行到網(wǎng)絡(luò)輸出的誤差減少到可以接受的程度或進(jìn)行到預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止[2]。

1 BP標(biāo)準(zhǔn)神經(jīng)網(wǎng)絡(luò)算法分析

1.1 BP算法存在的不足及原因分析

標(biāo)準(zhǔn)的BP算法因其簡(jiǎn)單、易行、計(jì)算量小、并行性強(qiáng)等優(yōu)點(diǎn),是目前神經(jīng)網(wǎng)絡(luò)訓(xùn)練采用最多也是最為成熟的訓(xùn)練算法之一。與早期的人工神經(jīng)網(wǎng)絡(luò)模型相比,BP反向傳播神經(jīng)網(wǎng)絡(luò)無論是在網(wǎng)絡(luò)理論還是網(wǎng)絡(luò)性能方面都更加成熟,起最突出的優(yōu)點(diǎn)就是具有很強(qiáng)的非線性映射能力。但人們?cè)谑褂眠^程中發(fā)現(xiàn)BP算法也存在著訓(xùn)練時(shí)間長(zhǎng)、收斂速度慢、易陷入局部最小點(diǎn)等缺陷。

1.1.1 學(xué)習(xí)算法的收斂速度慢

BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練次數(shù)過多,導(dǎo)致學(xué)習(xí)訓(xùn)練過程過長(zhǎng),學(xué)習(xí)收斂速度太慢,即使一個(gè)比較簡(jiǎn)單的問題,也需要幾百次甚至上千次的學(xué)習(xí)才收斂。

1.1.2 隱含層層數(shù)及節(jié)點(diǎn)數(shù)的選取缺乏理論指導(dǎo)。

BP神經(jīng)網(wǎng)絡(luò)隱含層的層數(shù)以及節(jié)點(diǎn)數(shù)的選取,目前尚無理論上的指導(dǎo),大多根據(jù)經(jīng)驗(yàn)確定。因此網(wǎng)絡(luò)往往具有很大的冗余性,無形中增加了學(xué)習(xí)的時(shí)間。

1.1.3 訓(xùn)練時(shí)學(xué)習(xí)新樣本有遺忘舊樣本的趨勢(shì)

BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)與記憶具有不穩(wěn)定性。當(dāng)給一個(gè)訓(xùn)練結(jié)束的BP神經(jīng)網(wǎng)絡(luò)提供新的記憶模式時(shí),會(huì)破壞已經(jīng)調(diào)整完畢的網(wǎng)絡(luò)連接權(quán)值,導(dǎo)致已經(jīng)記憶的學(xué)習(xí)模式信息消失。

2 改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法

2.1 學(xué)習(xí)方法的改進(jìn)

對(duì)于標(biāo)準(zhǔn)的BP算法,由于其自身存在的缺點(diǎn),BP算法的研究提出了一些的改進(jìn)算法,如自適應(yīng)調(diào)節(jié)學(xué)習(xí)率[3],引入兜度因子[4],使用雙曲正切函數(shù)[5],但是都沒有取得非常理想的效果,對(duì)此我們可以采用以下的算法來解決問題。

2.1.1 加入動(dòng)量項(xiàng)

反向傳播算法提供使用最速下降方法在權(quán)空間計(jì)算得到的軌跡的一種近似。我們使用的學(xué)習(xí)率參數(shù)η越小,從一次迭代到下一次迭代的網(wǎng)絡(luò)突觸權(quán)值的變化量越小,軌跡在權(quán)值空間越光滑。我們可以設(shè)想使用一下的方法來解決這個(gè)問題。

ΔWji(n)=αΔWji(n-1)+ηδj(n)yi(n) (1)

α是動(dòng)量常數(shù),通常是整數(shù)。

為了看出動(dòng)量常數(shù)在一系列模式呈現(xiàn)上對(duì)突觸權(quán)值的影響,我們將(1)式重新寫成帶下標(biāo)t的一個(gè)時(shí)間系列。索引t從初始時(shí)間0到當(dāng)前時(shí)間n,式(1)可被視為權(quán)值修正量ΔWji(n)的一階差分方程。解這個(gè)關(guān)于ΔWji(n)的方程得到

這代表一個(gè)長(zhǎng)度為n+1的時(shí)間序列,并且我們可以知道δj(n)yi(n)等于- 因此我們可以把公式(2)重寫等等價(jià)形式

當(dāng)前修正值ΔWji(n)代表指數(shù)加權(quán)的時(shí)間序列的和。欲使時(shí)間序列收斂,動(dòng)量常數(shù)α必須限制在0和1之間。當(dāng)α等于0,反向傳播算法運(yùn)行起來沒有動(dòng)量。雖然在實(shí)際中動(dòng)量常數(shù)α不大可能是負(fù)的,但是還有可正可負(fù)。

當(dāng)偏導(dǎo)數(shù) 在連續(xù)迭代中有相同的代數(shù)符號(hào),指數(shù)加權(quán)和ΔWji(n)在數(shù)量上增加,所以權(quán)值ΔWji(n)被大幅度調(diào)整。在反向傳播算法中包含動(dòng)量趨于在穩(wěn)定的下降方向上加速下降。

當(dāng)偏導(dǎo)數(shù) 在連續(xù)迭代中有相反的代數(shù)符號(hào),指數(shù)加權(quán)和ΔWji(n)在數(shù)量上減少,所以權(quán)值ΔWji(n)調(diào)整不大。在反向傳播算法中包含動(dòng)量具有穩(wěn)定符號(hào)正負(fù)擺動(dòng)方向的效果。

3 仿真實(shí)驗(yàn)

根據(jù)以上的算法,我們對(duì)標(biāo)準(zhǔn)的BP算法和改進(jìn)的BP算法進(jìn)行仿真計(jì)算,仿真計(jì)算的結(jié)果如表1所示。

可以看出改進(jìn)后得算法能減少迭代次數(shù),減少實(shí)際誤差。

4 結(jié)論

從大量的實(shí)際應(yīng)用來看,收斂速率慢,學(xué)習(xí)時(shí)間長(zhǎng),產(chǎn)生振蕩,甚至達(dá)不到收斂精度是常規(guī)BP算法的主要缺陷,通過對(duì)BP算法的改進(jìn),增加動(dòng)量項(xiàng),可以減少BP算法的迭代次數(shù),減少誤差,提高BP算法的工作效率。

[參考文獻(xiàn)]

[1]Adaboost算法改進(jìn)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)研究[J].計(jì)算機(jī)工程與科學(xué),2013年8月.

[2]韓立群.人工神經(jīng)網(wǎng)絡(luò)教程[M].北京:人民郵電出版社,2007年7月.

[3]馬銳.人工神經(jīng)網(wǎng)絡(luò)原理[M].北京:機(jī)械工業(yè)出版社,2010年9月.

相關(guān)熱門標(biāo)簽
中国国产av一级| 久久久久人妻精品一区果冻| 国产在视频线精品| 天天躁夜夜躁狠狠躁躁| 亚洲成av片中文字幕在线观看 | 久久久精品国产亚洲av高清涩受| 日韩成人av中文字幕在线观看| 国产成人a∨麻豆精品| 国产 精品1| 日本91视频免费播放| 国产精品.久久久| 亚洲精品日韩在线中文字幕| 欧美精品av麻豆av| 97人妻天天添夜夜摸| 天天影视国产精品| 日本免费在线观看一区| 亚洲综合色网址| 国产在视频线精品| 日韩视频在线欧美| 中文天堂在线官网| 成人影院久久| 亚洲欧美日韩另类电影网站| 亚洲,欧美精品.| 国产精品 国内视频| av片东京热男人的天堂| 亚洲四区av| 精品人妻一区二区三区麻豆| 午夜福利在线观看免费完整高清在| 精品一区二区三区四区五区乱码 | 精品国产乱码久久久久久小说| 我的亚洲天堂| 自线自在国产av| 精品酒店卫生间| 免费观看a级毛片全部| 黑人欧美特级aaaaaa片| 999精品在线视频| 人妻一区二区av| 欧美亚洲 丝袜 人妻 在线| 丰满乱子伦码专区| 另类精品久久| 九草在线视频观看| 少妇人妻 视频| 高清不卡的av网站| 亚洲国产精品国产精品| 国产高清不卡午夜福利| 精品久久蜜臀av无| 9热在线视频观看99| 日本欧美视频一区| 一级,二级,三级黄色视频| 久久久国产一区二区| a级毛片黄视频| 精品视频人人做人人爽| 欧美精品人与动牲交sv欧美| 中文字幕最新亚洲高清| 黄色 视频免费看| 亚洲第一青青草原| 人人妻人人澡人人看| 在线观看免费高清a一片| 亚洲国产成人一精品久久久| 女人久久www免费人成看片| 五月伊人婷婷丁香| 免费观看无遮挡的男女| 国产亚洲av片在线观看秒播厂| 亚洲成人av在线免费| 精品一区二区免费观看| 一本大道久久a久久精品| 欧美av亚洲av综合av国产av | 又粗又硬又长又爽又黄的视频| 超碰成人久久| 久久久欧美国产精品| 午夜日本视频在线| 在线观看国产h片| 日韩一区二区三区影片| 九草在线视频观看| 99久久中文字幕三级久久日本| 美国免费a级毛片| 久久久国产欧美日韩av| 亚洲精品aⅴ在线观看| www.精华液| 最近的中文字幕免费完整| 久久毛片免费看一区二区三区| 一级,二级,三级黄色视频| 国产片内射在线| 人妻系列 视频| 人妻 亚洲 视频| 国产一区二区激情短视频 | 建设人人有责人人尽责人人享有的| 欧美 日韩 精品 国产| 久久久久久久国产电影| 精品视频人人做人人爽| 波野结衣二区三区在线| 国产福利在线免费观看视频| 成人国产麻豆网| 久久午夜福利片| 新久久久久国产一级毛片| 中文字幕人妻丝袜制服| 久久午夜综合久久蜜桃| 乱人伦中国视频| 精品国产一区二区三区久久久樱花| 亚洲av.av天堂| 国产精品久久久久成人av| 欧美在线黄色| 91国产中文字幕| 久久久精品94久久精品| 黄色怎么调成土黄色| 校园人妻丝袜中文字幕| 亚洲欧美日韩另类电影网站| 韩国av在线不卡| 久久久欧美国产精品| 国产精品无大码| 午夜激情久久久久久久| 日韩欧美精品免费久久| 丝袜喷水一区| av有码第一页| 日韩制服骚丝袜av| 97人妻天天添夜夜摸| 国产不卡av网站在线观看| 香蕉国产在线看| 国精品久久久久久国模美| 高清在线视频一区二区三区| 欧美精品人与动牲交sv欧美| 国产成人免费无遮挡视频| 国产在线一区二区三区精| av.在线天堂| 午夜久久久在线观看| 一级黄片播放器| 久久亚洲国产成人精品v| 日韩中字成人| 亚洲一区中文字幕在线| 欧美日本中文国产一区发布| 爱豆传媒免费全集在线观看| 国产亚洲一区二区精品| 你懂的网址亚洲精品在线观看| 国产成人精品婷婷| 婷婷色av中文字幕| 黑丝袜美女国产一区| 午夜激情久久久久久久| 狠狠精品人妻久久久久久综合| 色网站视频免费| 欧美日韩亚洲国产一区二区在线观看 | 五月天丁香电影| 两个人免费观看高清视频| 久久99精品国语久久久| 一本大道久久a久久精品| 日韩欧美一区视频在线观看| 91aial.com中文字幕在线观看| 日日爽夜夜爽网站| 国产色婷婷99| 少妇被粗大猛烈的视频| 不卡av一区二区三区| 两个人免费观看高清视频| 亚洲天堂av无毛| 王馨瑶露胸无遮挡在线观看| 18禁国产床啪视频网站| 亚洲av.av天堂| 国产精品99久久99久久久不卡 | 一区在线观看完整版| 欧美日韩国产mv在线观看视频| tube8黄色片| av.在线天堂| 菩萨蛮人人尽说江南好唐韦庄| 中文字幕最新亚洲高清| 九色亚洲精品在线播放| 伦理电影大哥的女人| 中文字幕色久视频| 国产精品久久久久久久久免| 国产女主播在线喷水免费视频网站| 精品第一国产精品| 久久久a久久爽久久v久久| 日韩人妻精品一区2区三区| 黄色怎么调成土黄色| 丁香六月天网| 婷婷色麻豆天堂久久| 一区二区三区四区激情视频| 日韩精品免费视频一区二区三区| 免费播放大片免费观看视频在线观看| 中文乱码字字幕精品一区二区三区| 人人妻人人爽人人添夜夜欢视频| 国产精品人妻久久久影院| 建设人人有责人人尽责人人享有的| 90打野战视频偷拍视频| 夫妻午夜视频| videos熟女内射| 亚洲av中文av极速乱| 国产成人免费无遮挡视频| 欧美97在线视频| 亚洲色图 男人天堂 中文字幕| 好男人视频免费观看在线| 两个人免费观看高清视频| 免费在线观看黄色视频的| 国产精品嫩草影院av在线观看| 欧美老熟妇乱子伦牲交| 亚洲国产欧美在线一区| 狠狠精品人妻久久久久久综合| 国产福利在线免费观看视频| 久久午夜福利片| 少妇被粗大的猛进出69影院| 国产97色在线日韩免费| 一边摸一边做爽爽视频免费| 成年美女黄网站色视频大全免费| 美女福利国产在线| 日韩在线高清观看一区二区三区| 搡女人真爽免费视频火全软件| 9热在线视频观看99| 成年人免费黄色播放视频| 日韩制服骚丝袜av| 国产精品久久久久久av不卡| 国产精品久久久久久精品古装| 美女xxoo啪啪120秒动态图| 午夜福利影视在线免费观看| 成年女人在线观看亚洲视频| 91aial.com中文字幕在线观看| 亚洲成人手机| 国产免费又黄又爽又色| 麻豆av在线久日| 免费久久久久久久精品成人欧美视频| 久久人人爽人人片av| 18禁国产床啪视频网站| 视频在线观看一区二区三区| 有码 亚洲区| 黄色视频在线播放观看不卡| 国产一区有黄有色的免费视频| 久久久久国产网址| 亚洲精品自拍成人| 午夜激情久久久久久久| 夜夜骑夜夜射夜夜干| 建设人人有责人人尽责人人享有的| 国产午夜精品一二区理论片| 亚洲欧美一区二区三区黑人 | 日韩 亚洲 欧美在线| 巨乳人妻的诱惑在线观看| 肉色欧美久久久久久久蜜桃| 十分钟在线观看高清视频www| 99九九在线精品视频| 十八禁高潮呻吟视频| 肉色欧美久久久久久久蜜桃| xxxhd国产人妻xxx| 国产又色又爽无遮挡免| xxx大片免费视频| 亚洲国产成人一精品久久久| 久久精品国产亚洲av高清一级| 亚洲精品乱久久久久久| 久久久精品国产亚洲av高清涩受| 又大又黄又爽视频免费| √禁漫天堂资源中文www| 久久午夜福利片| 久久精品国产鲁丝片午夜精品| 国产免费现黄频在线看| 亚洲欧美成人综合另类久久久| 久久国产亚洲av麻豆专区| 男人舔女人的私密视频| 高清视频免费观看一区二区| 91国产中文字幕| 国产精品 欧美亚洲| 侵犯人妻中文字幕一二三四区| 另类亚洲欧美激情| 亚洲精品日韩在线中文字幕| 天堂8中文在线网| 一区二区三区激情视频| 欧美黄色片欧美黄色片| 欧美日韩一级在线毛片| 毛片一级片免费看久久久久| 伦精品一区二区三区| av网站在线播放免费| 狠狠精品人妻久久久久久综合| 婷婷色麻豆天堂久久| 99久国产av精品国产电影| 黄色配什么色好看| 在线观看美女被高潮喷水网站| 青春草视频在线免费观看| 久久精品国产自在天天线| 国产精品国产三级国产专区5o| 免费女性裸体啪啪无遮挡网站| 国精品久久久久久国模美| 亚洲精华国产精华液的使用体验| 精品午夜福利在线看| 亚洲图色成人| 视频区图区小说| 免费黄色在线免费观看| 成人毛片a级毛片在线播放| 国产1区2区3区精品| 蜜桃在线观看..| 国产成人精品婷婷| 亚洲第一av免费看| 国产精品人妻久久久影院| 欧美成人午夜免费资源| 最新中文字幕久久久久| 午夜精品国产一区二区电影| 国产 一区精品| 国产黄色视频一区二区在线观看| 欧美精品一区二区大全| a级毛片黄视频| 你懂的网址亚洲精品在线观看| 少妇猛男粗大的猛烈进出视频| 国产不卡av网站在线观看| 大片电影免费在线观看免费| 国产精品麻豆人妻色哟哟久久| 99热国产这里只有精品6| 黄网站色视频无遮挡免费观看| 久久精品国产亚洲av高清一级| 丰满少妇做爰视频| 欧美最新免费一区二区三区| 好男人视频免费观看在线| 日韩,欧美,国产一区二区三区| 欧美少妇被猛烈插入视频| 午夜福利视频在线观看免费| 成人国语在线视频| 亚洲伊人色综图| 中文字幕人妻熟女乱码| 国产精品久久久久久久久免| 只有这里有精品99| 三级国产精品片| a级毛片在线看网站| 久久国内精品自在自线图片| 国产熟女欧美一区二区| 丰满少妇做爰视频| 99国产综合亚洲精品| 日日摸夜夜添夜夜爱| 亚洲久久久国产精品| 欧美精品av麻豆av| a级片在线免费高清观看视频| 午夜久久久在线观看| 日韩视频在线欧美| 久久久久视频综合| 在线观看一区二区三区激情| 中文精品一卡2卡3卡4更新| 精品亚洲乱码少妇综合久久| 亚洲国产av新网站| 久久人人97超碰香蕉20202| 日本午夜av视频| 丰满饥渴人妻一区二区三| 麻豆av在线久日| 国产 精品1| 国产女主播在线喷水免费视频网站| 免费在线观看视频国产中文字幕亚洲 | 欧美精品一区二区免费开放| 免费看av在线观看网站| 亚洲色图 男人天堂 中文字幕| 青春草国产在线视频| a级毛片在线看网站| 曰老女人黄片| 男女啪啪激烈高潮av片| 韩国av在线不卡| 亚洲精品视频女| 国产成人aa在线观看| 男的添女的下面高潮视频| 亚洲av免费高清在线观看| 香蕉丝袜av| 一级毛片我不卡| 大陆偷拍与自拍| 嫩草影院入口| 亚洲成人av在线免费| 9191精品国产免费久久| 欧美日韩一区二区视频在线观看视频在线| 日本欧美国产在线视频| 欧美精品一区二区大全| 侵犯人妻中文字幕一二三四区| 日韩av不卡免费在线播放| 国产成人aa在线观看| 亚洲av欧美aⅴ国产| 亚洲欧美中文字幕日韩二区| 母亲3免费完整高清在线观看 | 免费高清在线观看日韩| 最近手机中文字幕大全| 国产成人精品无人区| 国产精品嫩草影院av在线观看| 永久网站在线| av女优亚洲男人天堂| 中文天堂在线官网| 99热全是精品| 2022亚洲国产成人精品| 一级黄片播放器| 欧美亚洲 丝袜 人妻 在线| 夫妻性生交免费视频一级片| 午夜老司机福利剧场| 色网站视频免费| 丰满少妇做爰视频| 一级毛片黄色毛片免费观看视频| www日本在线高清视频| 国产成人精品久久久久久| av不卡在线播放| 午夜福利在线观看免费完整高清在| 午夜福利影视在线免费观看| 男女下面插进去视频免费观看| 2021少妇久久久久久久久久久| 久久女婷五月综合色啪小说| 亚洲婷婷狠狠爱综合网| 久久久久久久亚洲中文字幕| 秋霞伦理黄片| 下体分泌物呈黄色| 极品少妇高潮喷水抽搐| 天堂中文最新版在线下载| 久久久久国产一级毛片高清牌| 国产精品欧美亚洲77777| 久久人人爽人人片av| 国产在线免费精品| 丝袜人妻中文字幕| 啦啦啦中文免费视频观看日本| 中文字幕亚洲精品专区| 国产男女超爽视频在线观看| 丝袜美足系列| 国产精品av久久久久免费| 在线观看美女被高潮喷水网站| 国产毛片在线视频| 啦啦啦在线免费观看视频4| 看免费成人av毛片| 免费观看无遮挡的男女| 成人亚洲欧美一区二区av| 亚洲国产精品一区三区| 十八禁网站网址无遮挡| av在线播放精品| 国产成人精品福利久久| 王馨瑶露胸无遮挡在线观看| 久久人妻熟女aⅴ| 老司机亚洲免费影院| 天堂中文最新版在线下载| 欧美国产精品va在线观看不卡| 寂寞人妻少妇视频99o| 曰老女人黄片| 免费高清在线观看视频在线观看| 国产一级毛片在线| 亚洲国产av影院在线观看| 国产乱人偷精品视频| 中国三级夫妇交换| 男女无遮挡免费网站观看| 欧美另类一区| 高清视频免费观看一区二区| 免费观看无遮挡的男女| 中文字幕人妻丝袜制服| xxxhd国产人妻xxx| 国产精品久久久av美女十八| 最近手机中文字幕大全| 久久久国产欧美日韩av| 寂寞人妻少妇视频99o| 久久影院123| 飞空精品影院首页| 最近最新中文字幕大全免费视频 | 另类亚洲欧美激情| 最黄视频免费看| 午夜免费鲁丝| 亚洲美女搞黄在线观看| 欧美xxⅹ黑人| 日韩熟女老妇一区二区性免费视频| 中文字幕人妻丝袜一区二区 | 久久久久精品性色| 久久精品人人爽人人爽视色| 搡老乐熟女国产| 国产免费又黄又爽又色| 亚洲av成人精品一二三区| 秋霞在线观看毛片| 亚洲第一区二区三区不卡| 国产精品一区二区在线不卡| 久久精品国产亚洲av天美| 老司机影院毛片| 日本猛色少妇xxxxx猛交久久| 国产一级毛片在线| 交换朋友夫妻互换小说| 日本av手机在线免费观看| 亚洲三区欧美一区| 国产精品.久久久| 国产精品免费大片| 国产精品嫩草影院av在线观看| 亚洲久久久国产精品| 欧美少妇被猛烈插入视频| 亚洲精品国产av蜜桃| 2022亚洲国产成人精品| 亚洲av免费高清在线观看| www.av在线官网国产| 国产片内射在线| 美女午夜性视频免费| 人人妻人人澡人人看| 国产精品一二三区在线看| 永久免费av网站大全| 春色校园在线视频观看| 国产精品.久久久| 久久综合国产亚洲精品| 日韩精品免费视频一区二区三区| av天堂久久9| 女性生殖器流出的白浆| 99久久精品国产国产毛片| 日韩人妻精品一区2区三区| 久久精品久久久久久久性| 男女免费视频国产| 一二三四中文在线观看免费高清| 亚洲情色 制服丝袜| 韩国高清视频一区二区三区| 纵有疾风起免费观看全集完整版| 精品第一国产精品| 乱人伦中国视频| freevideosex欧美| 国产精品久久久久久精品电影小说| 国产精品.久久久| 国产av国产精品国产| 久久精品熟女亚洲av麻豆精品| av福利片在线| 精品卡一卡二卡四卡免费| 免费在线观看完整版高清| www.精华液| 亚洲第一av免费看| 精品一区二区免费观看| 999精品在线视频| 2022亚洲国产成人精品| 丝袜美足系列| 亚洲在久久综合| 男女边吃奶边做爰视频| 久久久国产欧美日韩av| 亚洲伊人久久精品综合| 晚上一个人看的免费电影| 欧美日韩成人在线一区二区| 欧美精品亚洲一区二区| 黄频高清免费视频| 午夜老司机福利剧场| 少妇人妻精品综合一区二区| 欧美精品一区二区大全| 亚洲欧美清纯卡通| 美女脱内裤让男人舔精品视频| 国产综合精华液| 久久久精品免费免费高清| 国产成人免费观看mmmm| 中文字幕亚洲精品专区| av在线观看视频网站免费| 一边摸一边做爽爽视频免费| 日韩人妻精品一区2区三区| 一级毛片我不卡| 欧美日本中文国产一区发布| 97在线视频观看| 国产精品麻豆人妻色哟哟久久| 精品国产乱码久久久久久小说| 建设人人有责人人尽责人人享有的| 亚洲激情五月婷婷啪啪| 亚洲欧美中文字幕日韩二区| 国产熟女欧美一区二区| 色播在线永久视频| 精品酒店卫生间| 国精品久久久久久国模美| 亚洲成av片中文字幕在线观看 | 午夜日韩欧美国产| 国产欧美亚洲国产| 高清不卡的av网站| www.av在线官网国产| 免费观看无遮挡的男女| 亚洲精品美女久久av网站| 久久97久久精品| 国产av一区二区精品久久| 国产精品一国产av| 亚洲成人一二三区av| 亚洲综合色惰| 精品国产一区二区三区四区第35| www.精华液| 国产一区二区三区综合在线观看| av不卡在线播放| 91aial.com中文字幕在线观看| 老女人水多毛片| 亚洲av电影在线观看一区二区三区| 国产熟女欧美一区二区| 蜜桃国产av成人99| 在线观看三级黄色| 精品酒店卫生间| 国产黄色视频一区二区在线观看| 久久精品国产自在天天线| 日韩精品免费视频一区二区三区| 午夜福利视频精品| 天天躁夜夜躁狠狠久久av| 天天躁夜夜躁狠狠躁躁| 91久久精品国产一区二区三区| 欧美最新免费一区二区三区| 99热全是精品| 一级毛片 在线播放| 亚洲男人天堂网一区| 不卡av一区二区三区| 欧美日韩一级在线毛片| 成年动漫av网址| 国产精品久久久久久av不卡| 男女边摸边吃奶| av在线app专区| 久久久久久久久免费视频了| 国产成人精品久久二区二区91 | 欧美精品高潮呻吟av久久| 观看美女的网站| 高清黄色对白视频在线免费看| 国产爽快片一区二区三区| 亚洲欧洲日产国产| 黑丝袜美女国产一区| 建设人人有责人人尽责人人享有的| av又黄又爽大尺度在线免费看| 国产欧美亚洲国产| 在线免费观看不下载黄p国产| 日韩一卡2卡3卡4卡2021年| 宅男免费午夜| 老司机亚洲免费影院| 亚洲av成人精品一二三区| 黄片小视频在线播放| 欧美 亚洲 国产 日韩一| 69精品国产乱码久久久| 两个人免费观看高清视频| 大片免费播放器 马上看| 街头女战士在线观看网站| 久久婷婷青草| 欧美日韩国产mv在线观看视频| 大香蕉久久成人网| 欧美97在线视频| 在线观看免费高清a一片| 亚洲精品日韩在线中文字幕| 在线观看人妻少妇| 亚洲精品av麻豆狂野| 国产黄色免费在线视频| 久久久国产欧美日韩av| 免费观看无遮挡的男女| 久久99精品国语久久久| 久久精品熟女亚洲av麻豆精品| 午夜91福利影院| 波多野结衣一区麻豆| 国产又色又爽无遮挡免| 免费日韩欧美在线观看| 菩萨蛮人人尽说江南好唐韦庄|