導語：如何才能寫好一篇模糊神經網絡的優點，這就需要搜集整理更多的資料和文獻，歡迎閱讀由公務員之家整理的十篇范文，供你借鑒。

篇1

關鍵詞：自主導航；人工智能；模糊神經網絡；避障；BP神經網絡

中圖分類號：TP79文獻標識碼：A文章編號：1005-3824（2014）03-0083-03

0引言

2013年12月14日21時11分，嫦娥三號探測器在月球表面預選著陸區域成功著陸，裝著紅外成像光譜儀、避障相機、機械臂和激光點陣器等設備的月球車“玉兔”驅動著6個輪子在月球表面留下了歷史的痕跡。這標志著我國已成為世界上第3個實現地外天體軟著陸的國家，也展現出了智能控制系統[1]在航天事業上的卓越應用。在如今的社會生活中，隨處體現著智能技術的存在，人們已經離不開智能技術，智能機器人的發展也飛速前進，從兒童的玩具機器人到太空探索的機器人，可以預見智能機器人的應用將更加廣泛。近年來，非線性動態系統的自適應控制在我國引起了廣泛的研究，模糊神經網絡控制是一個重要的自適應方法，因此得到了很多專家學者的青睞。

模糊邏輯控制在宏觀上模仿人的思維，處理語言和思維中的模糊性概念，它是以模糊集合論、模糊語言變量和模糊邏輯推理為基礎的一種計算機數字控制技術；神經網絡是從微觀上模仿人的智能行為，進行分布式并行信息處理算法的數學模型，它是根據人腦的生理結構和信息處理過程創造的[2]。模糊控制與神經網絡各自都有一定的應用局限，因此，人們早在20世紀80―90年代就把它們相結合，組成更為完善的控制方法。模糊控制與神經網絡的結合有多種方式，根據研究角度和應用領域的變化而不同。1模糊控制與神經網絡的介紹

1.1模糊邏輯控制系統

模糊邏輯控制系統主要包含輸入變量、模糊控制器、被控對象和偏差。模糊邏輯控制系統結構如圖1所示。

知識庫：是模糊控制器的核心。由數據庫和規則庫組成，數據庫中存著有關模糊化、模糊推理、解模糊的一切知識，規則庫是由若干模糊規則組成的。

模糊推理機：根據模糊邏輯法則把邏輯規則庫中的模糊“if-then”轉換成某種映射。

反模糊化：反模糊化的方法一般有最大隸屬度平均法、最大中點法、面積等分法、重心法和加權平均法等。

模糊控制的優點：可以在預先不知道被控對象的精確數學模型；規則一般是由有經驗的操作人員或者專家的經驗總結出來并且以條件語句表示的，便于學習和理解；控制是由人的語言形式表示，有利于人機對話和系統知識的處理等。不足之處：精度不夠高；自適應能力有限；模糊規則庫非常龐大，難以進行更改優化[3]。

1.2人工神經網絡

人工神經網絡（ANN）是一種模擬人腦神經系統的結構和功能的運算模型，由大量的節點，即神經元及相互之間連接構成的，它是人工方式構造的一種網絡系統。神經元結構模型如圖3所示。

傳遞函數f又稱轉移函數或激活函數，是單調上升的有界函數，常用的轉移函數有線性函數、斜坡函數、階躍函數及單雙極S型函數等。但是最常用的還是單極S型函數：

神經網絡的結構形式也有幾種，例如，全互連型結構、層次型結構和網孔型結構等[4]。前饋型網絡是一類單方向層次型網絡模塊，其最基本的單層神經元網絡如圖4所示。

圖4單層神經元網絡3層BP神經網絡是比較常用的結構，圖5是它的基本結構。

圖5BP神經網絡的基本結構BP神經網絡至少有3層，圖5中，第Ⅰ層是輸入層，第Ⅱ層為隱藏層，第Ⅲ層為輸出層。由于3層的BP神經網絡就具有了模糊系統中萬能逼近的能力[5]，為了不使系統變得更復雜，本文就只用了3層的BP神經網絡，當然，也可以根據自身的實際應用情況增加隱層的層數，但并不是層數越多，精度就越高，相對的系統的反應時間就會增加，時延也會增長。

神經網絡的優點：能夠通過學習和訓練獲取用數據表達的知識，不僅可以記憶一直獲得的信息，還具有較強的概括及聯想記憶能力，它的應用已經延伸到各個領域，在各方面取得很好的進展等。不足之處：缺乏統一的方法處理非線性系統；網絡的權值是隨機選取的；學習的時間長；無法利用系統信息和專家經驗等語言信息；難以理解建立的模型等[6]。

所以，綜合以上模糊邏輯系統與神經網絡各自的優缺點，就提出了一種它們的結合方法，即模糊神經網絡控制方法。

2模糊神經網絡的結合方式

模糊神經網絡大致分為3種形式：邏輯模糊神經網絡、算術模糊神經網絡和混合模糊神經網絡。

在這3種形式的系統中，模糊神經混合系統是根據模糊控制系統和神經網絡各自不同的功能、用途集成在一個系統里面的[7]。在這類系統中，我們可以將神經網絡用于輸入信號處理，模糊邏輯系統用于行為決策[8]（如圖6），或者把模糊邏輯系統作為輸入信號處理，神經網絡系統作為輸出行為決策，再或者是將神經網絡去代替模糊控制器的一部分，還可以將基于神經元網絡的模糊系統或者神經元網絡用在模糊神經混合系統中。

在本文的應用中，使用的是輪式智能小車，它一共安裝了3個超聲波傳感器、3個紅外傳感器和1個角度傳感器，紅外傳感器除了應用在小車循跡外，還用來增加控制系統測量的精確性和彌補超聲波測距的盲區。例如，在某一路或者幾路超聲波受到了外界的干擾時，紅外線就可以測量出系統所需要的數量值。超聲波與紅外線用來測量小車到左、前、右障礙物的距離Ll，Lf，Lr；模糊神經系統中控制器的輸入包括： Ll，Lf，Lr，小車與障礙物的夾角tg；輸出為小車的轉角sa和小車的加速度va。將Ll，Lf，Lr的模糊變量設為{near ，far}，論域為（0―2 m）；tg的模糊變量為{LB，LM，ZO，RM，RB}表示{左大，左小，零，右小，右大}，論域為（-1800，1800）；距離和夾角的隸屬度函數如圖7和圖8所示。輸出變量的隸屬度函數在這里就不再贅述了。

在系統解模糊化時，是將一個模糊量轉換成確定量，常用的解模糊化的方法有最大隸屬度函數法、重心法、加權平均法。在本文中用的是重心法。

智能小車避障的控制系統如圖9所示。

篇2

【關鍵詞】 T-S型模糊神經網絡 儲糧害蟲 分類識別 Visual C++6.0

糧食的安全儲藏問題是個世界性難題。據聯合國糧農組織的調查統計，全世界每年糧食霉變及蟲害等損失為糧食產量的8%[1]。因此，搞好糧食儲藏是一項關系到國計民生的重大課題，進行儲糧害蟲的治理任務重大而迫切。準確地給出害蟲的種類信息可為害蟲的綜合防治提供科學的決策依據。

模糊神經網絡是模糊理論同神經網絡相結合的產物，它的特點是將神經網絡較強的自學習和聯想能力與模糊邏輯的推理過程易理解、對樣本要求較低的特點融合在一起，模糊理論和模糊系統理論上比通常意義下的模糊邏輯和神經網絡更有優越性，但是很難實現自適應學習的功能。如果把神經網絡引入到模糊理論中，將兩者有機結合，模糊系統能夠成為一種具有較強自學習能力的自適應模糊系統，采用已有神經網絡的有效學習算法，并吸收模糊系統的優點，起到互補的效果。

1 T-S型模糊神經網絡

1985年，T-S型模糊邏輯系統由日本的高木（Takagi）和關野（Sugeno）提出，旨在開發從給定的輸入-輸出數據集產生模糊規則的系統化方法，這種基于語言規則描述的模型第i條規則可寫為：

（1-1）

式（1-1）中，A是前件中的模糊集合，z是后件中的精確函數。通常是輸入變量x和y的多項式。當是一階多項式時，所產生的模糊推理系統被稱為一階Sugeno模糊模型，當為常數時，即得到了零階Sugeno模糊模型[2，3]。

專家知識被Sugeno模糊模型通過語言和數據整合到if-then規則中，基于T-S型的模糊神經網絡綜合了模糊系統和神經網絡的特點，不但能夠實現一個Sugeno模糊推理系統的功能[4，5]，實現圖像的模糊輸入和模糊推理，而且它能根據系統輸出的期望值和實際值的差別自動生成和調整隸屬度函數和模糊規則。這種模糊神經網絡應用于儲糧害蟲分類，將更貼近于害蟲特征的形成過程，能取得較好的分類結果。

本實驗采用的是一階Sugeno模糊模型，后件是一階線性方程。其隸屬函數生成層、模糊推理層為：

（1-2）

（1-3）

其中，表示生成的隸屬度函數，采用的是高斯函數。為參數對，它們稱為前件參數，取值情況決定了的形狀。表示模糊推理層，模糊推理采用的是積運算，即各節點的輸出是輸入值的乘積。

反模糊化層采用一階Sugeno模糊模型的輸出。此時，令后件函數為，其模糊推理輸出：

（1-4）

學習算法采用誤差函數的負梯度下降方法，不斷更新網絡參數。第n個訓練模式的誤差參數，可定義為

（1-5）

其中p為輸出單元的個數。

按照模糊神經網絡的結構，可定義網絡參數向量：

（1-6）

參數更新修正規則：

（1-7）

其中為學習速率。

網絡分為4層：第1層為輸入層，代表儲糧害蟲的特征向量輸入網絡；第2層為模糊化層，完成輸入特征向量的模糊化，將輸入的特征向量分為3個等級{小（small），中（medium），大（large）}，隸屬函數為高斯函數；第3層為模糊推理層，以使對模糊化后的特征向量進行綜合處理，采用積運算，第4層是輸出層，它的輸出值即表示屬于此類的隸屬度。

2 試驗過程

試驗過程分為學習過程和回調過程。

學習過程：（1）確定分類數為9。確定訓練的矢量數據，用各分量分別代表害蟲特征向量作為輸入。取每類害蟲的5個特征分量值作為訓練數據的輸入矢量，從而完備訓練數據，同時確定各個輸入矢量對應的各類隸屬度輸出，構成9個5輸入單輸出的模糊神經網絡，每一個對應一類的隸屬度輸出。（2）將數據送入各自單個的網絡訓練，直至能模擬所有輸出。

回調過程：將待分類儲糧害蟲的特征向量送入網絡，得到各自的單個網絡的輸出，然后將輸出歸一化，得到最終的隸屬度輸出。

3 試驗結果

利用Sugeno型模糊神經網絡對6類儲糧害蟲進行了分類研究。試驗結果如（表1）所示。

4 Visual C++6.0平臺上實現識別

（圖1）是在儲糧害蟲圖像分類識別系統中對赤擬谷盜其中一個樣本的識別。

5 結語

運用T-S型神經網絡對儲糧害蟲進行分類的識別率達到95.6%，并且利用Visual C++6.0平臺實現，操作簡單，可讀性好，具有較大的實際應用價值。

參考文獻：

[1]黑龍江省大豆協會.我國糧食儲藏的現況及發展趨勢.http：//.cn/news/index.php？id=1163

[2]Sugeno M.，Kang G.T.Structure identification of fuzzy model [J].Fuzzy Sets and Systems，1998，28：15-33.

[3]Takagi，M.Sugeno.Fuzzy identification of systems and its applications to modeling and control[J].IEEE Transaction on System，1985，15：116-132.

篇3

關鍵詞：信用風險預警； 模糊神經網絡； 模因算法； 粗糙集

中圖分類號：TP301.6 文獻標識碼：A文章編號：2095-2163（2013）06-0010-05

0引言

近年來，人工神經網絡已廣泛應用于信用風險預警等金融風險管理領域，研究表明神經網絡預測準確性優于統計判別分析等傳統預警方法，但其中的“黑箱”操作等缺陷卻也導致了神經網絡在信用風險管理領域的應用遭到多方質疑[1-2]。源自模糊理論與神經網絡相融合的模糊神經網絡（Fuzzy Neural Network，FNN）提高了網絡的透明性、啟發性及魯棒性，在一定程度上克服了神經網絡的“黑箱操作”，然而FNN也存在“維數災難”、結構復雜、學習算法冗長、局部早熟等問題，由此也限制了其在金融風險管理領域中的應用[3]。據此，本文試圖在對模因算法（Memetic Algorithms，MA）進行改進的基礎上，結合粗糙集（Rough Set，RS）和模糊神經網絡提出一種模因進化型粗糙模糊神經網絡（MA-RSFNN）模型，旨在利用模因算法進行模糊神經網絡的訓練學習，發揮模因算法的全局優化能力，消減網絡陷入局部早熟的可能性，使網絡具有進化和學習的雙重智能，同時借助粗糙集知識約簡精煉訓練集、降低輸入維度，避免“維數災難”現象。

1模因算法

模因算法（Memetic Algorithms，MA）由Moscato和Norman等人于1992年提出，是一種超啟發式全局搜索混合算法，主要思想源自道金斯的文化進化思想和達爾文的自然進化法則[4]。其原理是在全局搜索策略中有機集成局域搜索策略，利用局部搜索策略的局部尋優能力提高算法的性能和收斂速度。相關研究表明模因算法在搜索過程中兼顧深度和廣度，不僅有較強的全局尋優能力，同時算法收斂速度快，在許多問題上的求解獲得了比遺傳算法收斂速度更快[6-9]。

經典的模因算法通常采用遺傳算法作為全局搜索策略，因此算法流程與遺傳算法類似。根據文獻[5]，模因算法的流程如圖1所示。

2模因算法改進

模糊神經網絡的訓練學習是一個連續函數優化過程，以遺傳算法為基礎的模因算法能有效求解組合優化問題，但對連續空間問題的求解則效率不高。粒子群算法是一種源自對鳥類等生物群體覓食行為進行模仿的實編碼優化算法，其概念簡單、結構簡潔，是求解實編碼優化問題的有力工具。本文提出一種以粒子群算法為全局搜索策略，BP算法為局部搜索策略的改進型模因算法，以期設計出一種高效的模糊神經網絡學習算法。

粒子群算法（Particle Swarm Optimization ，PSO）是一種基于群體智能的全局優化算法，其靈感源自鳥群、蟻群等生物群體的覓食過程[10-11]。目前，具有概念簡單、算法簡潔、隱含并行及全局收斂等優點的粒子群算法已廣泛應用到決策分析、知識發現等領域[12-13]，并取得了豐碩研究成果。基本粒子群算法的數學描述如下[10]。

假設一顆微粒代表尋優空間中的一個解，算法初始化時隨機生成一定數量的微粒構成種群，而后通過不斷隨機有向迭代尋求問題最優解。在迭代過程中，微粒通過跟蹤個體及種群歷史最優值，按式（1）、（2）不斷調整個體的速度和位置以實現向最優解靠攏。

其中，式（3）為速度vij的調整量；速度vij為位置xij的調整量；w∈[0.4，0.9]為慣性因子；c1=c2=2.0為學習因子； r（·）∈（0，1）為隨機數；pij和pg分別為個體及群體歷史最優值。

2.2改進型模因算法

改進型模因算法基本流程如圖2所示。

3模因進化型模糊神經網絡

3.1網絡結構

信用風險預警通常為多輸入單輸出的問題，參照文獻[14-15]設計的模糊神經網絡拓撲結構如所圖3所示。

3.2網絡學習算法

（1）編碼。微粒的坐標值代表了模糊神經網絡的模糊參數與權值，其編碼如圖4所示。

其中，yi為實際輸出；yi為期望輸出，P為群體規模。

（3）算法步驟。學習算法的主要步驟如下：

步驟一：初始化。設置全局搜索策略和局部搜索策略的相關參數，隨機生成種群。

步驟二：BP算子。采用BP算法對每個個體進行局部尋優。

步驟三：算法終止判斷。如果算法滿足終止條件則跳轉步驟六，否則跳轉步驟四。

步驟四：PSO算子。①根據式（4）計算每個個體的適應值；②個體及群體歷史最優位置調整；③按式（1）調整微粒速度；④按式（2）調整微粒位置。

步驟五：BP算子。采用BP算法對每個個體進行局部尋優，產生新群體，跳轉步驟三。

步驟六：算法結束。

其中，算法終止條件：① MSE最大進化代數。

BP算子的目標函數為式（4）所示的適應值函數，學習過程中，網絡參數與權值按以下數學公式作調整：

上述模因進化型模糊神經網絡采用模因算法對網絡進行學習與訓練，使得模型具備了學習與進化的雙重智能，但該模型也存在一般模糊神經網絡的“維數災難”現象。為此，采用粗糙集知識約簡對模型輸入數據進行前置處理，簡化訓練集、減少輸入維數，從而降低網絡結構的復雜程度，避免“維數災難”現象。前置處理的主要步驟如下：

（1）指標初選和數據預處理

在考慮數據可獲取性的前提下初步建立預警指標體系，指標體系要求涵蓋各方面的信息，力圖從全方位、多層次反映信用風險特征。

數據預處理主要是根據指標的特性，對連續型預警指標的數據進行離散化處理。數據離散化的原則是保持數據集分類或決策能力不變的前提下盡可能壓縮數據。

（2）建立決策表

以指標初選和數據預處理后的數據為基礎，建立如表1所示的決策表。

（3）知識約簡

對建立的決策表進行約簡處理，得到條件屬性的相對約簡，選取相對約簡所代表的預警指標組成指標集作為模型的輸入指標體系。

5模型在信用風險中的應用

從商業銀行的角度看，信用風險是指借款人的違約而造成的損失可能性。本文從商業銀行的企業貸款違約方面研究模型在信用風險評估中的應用，以檢驗模型在金融風險管理領域中的應用成效。

5.1指標初選與數據采集

在研究國內外相關成果的基礎上，參考相關商業銀行的企業績效評價指標體系[16-19]，選擇涵蓋企業盈利能力、償債能力、成長能力及營運能力等方面的共21個指標構成初選指標集，如表2所示。

5.2粗糙集前置處理

（1）數據離散化與決策表的建立

采用等頻率劃分算法在保持數據分類能力的前提下對數據進行離散化處理，斷點集數k可通過試驗獲得，一般取k=3。在數據離散化的基礎上，以初選指標為條件屬性，屬性Bc（1：貸款違約公司，0：貸款正常公司）為決策屬性，建立信用風險預警的決策表，如表3所示。

（2）屬性約簡

5.3模型訓練學習

學習算法的相關參數初始化如下：

（1）模糊子集數設為3（代表高、中、低），則該模型為6-18-3-1結構的模糊神經網絡，輸出Y為企業違約信號（1：違約；0：不違約）。

（2）參數初始化。網絡的模糊參數及權值隨機初始化，隸屬中心∈[-1，1]，隸屬寬度∈（0，1]，耦合權值∈（-1，1）。

（3）模因算法的參數設置。PSO算子隨機生成規模M=30的種群，w=0.729， c1=c2=1.49，[Vup，Vdown]為[-1，1]，Vmax=0.3，BP算子的學習率η=0.005。

（4）訓練終止條件：①適應值10 000。

在Matlab7.0環境中，編程實現上述的模型與算法，采用訓練數據集的150份數據對模型進行訓練學習，訓練過程誤差變化如圖5所示。經過3 000多代的進化，MSE達到了0.000 281。

采用測試集的數據對預警模型進行仿真實驗，表4匯總了三類模型的實驗結果，從中可以看出MA-RSFNN模型的預測準確率高達90%，相比BP神經網絡及單純模糊神經網絡均有了大幅度提高。無論是第一類錯誤還是第二類錯誤MA-RSFNN模型的表現都最好。

6結束語

模糊神經網絡具有啟發性、透明性等特征，可處理模糊信息，能避免神經網絡的“黑箱操作”，但其存在“維數災難”現象、結構復雜及收斂性差等缺陷。本文所提出的MA-RSFNN模型將模因算法和粗糙集理論融入模糊神經網絡，發揮模因算法的全局搜索能力提升模糊神經網絡的學習能力，借助粗糙集知識約簡的降維消冗能力對訓練數據進行降維消冗處理，從而精簡網絡結構，避免網絡陷入“維數災難”。應用實例的結果表明了新模型的有效性，可望為金融風險管理提供一種新方法和新思路。

參考文獻：

[1]MIN J H， LEE Y C. Bankruptcy prediction using support vector machine with optimal choice of kernel function parameters[J]. Expert Systems with Applications， 2005， 28 ：603-614.

[2]BAHRAMMIRZAEE A. A comparative survey of artificial intelligence applications in finance： artificial neural networks， expert system and hybrid intelligent systems[J].Neural Comput & Applic，2010，19：1165-1195.

[3]HAMDANI T M， ALIMI A M， FAKHRI K. Enhancing the structure and parameters of the centers for BBF fuzzy neural network classifier construction based on data structure[A]// Proceedings of the International Joint Conference on Neural Networks[C]. Piscataway NJ： IEEE， 2008： 3174-3180.

[4]MOSCATO P. On evolution， search， optimization， genetic algorithms and martial arts： towards memetic algorithms[A]//Tech. Rep. Caltech Concurrent Computation Program [C]. Pasadena， California， USA， 1989： 1-67.

[5]NORA S，CHRISTIAN S， ANDREAS Z.A memetic clustering algorithm for the functional partition of genes based on the gene ontology[C]//Proc of the 2004 IEEE Symposium on Computational Intelligence in Bioinformatics and Computational Biology.San Diego，USA，2004：252-259.

[6]DAWKINS R. The selfish gene[M].UK：Oxford University Press，1976.

[7]MOSCATO P， NORMAN M G. A memetic approach for the traveling salesman problem-implementation of a computational ecology for com-binatorial optimization on message-passing systems[C]// Proceedings of the International Conference on Parallel Computing and Transport Applications. Amsterdam：IOS Press，1992： 177-186.

[8]RADCLIFFE N J， SURRY P D. Formal memetic algorithms[J]. Evolutionary Computing， 1994，865： 1-16.

[9]XU Xin，HE H G.A theoretical model and convergence analysis of memetic evolutionary algorithms[C]//Proc of Int Conf on Natural Computation.Changsha，2005：1035-1043.

[10]KENNEDY J. EBERHART R C. Particle swarm optimization [A]// Proceedings of IEEE， International Conference on Neural Networks [C]. Piscataway NJ：IEEE， 1995： 1942-1948.

[11]KENNEDY J. The particle swarm： social adaptation of knowledge [A]//Preceedings of Evolutionary Computation [C] ，Indianapolis： IEEE， 1997：303-308.

[12]EBERHART R C， SHI Y H. Particle swarm optimization： developments， applications and resources [A]//Proceedings of the IEEE Congress on Evolutionary Computation [C]. Piscataway， USA： IEEE Service Center， 2001：81-86.

[13]吳啟迪，汪鐳. 智能微粒群算法研究及應用[M]. 南京：江蘇教育出版社，2005-04.

[14]AKAGI T， SUGENO M. Fuzzy identification of systems and its application to modeling and control[J]. IEEE Transactions on Systems， Man， and， Cybernetics， 1985，15（1）： 116-132.

[15]黃福員. 金融風險預警的MPSO-FNN模型構建與應用[J]. 計算機工程與應用，2009，45（14）：210-212.

[16]ALTMAN E I， MARCO G， VARETTO F. Corporate distress diagnosis： comparisons using linear discriminant Ana analysis and neural networks[J]. Journal of Banking and Finance， 1994， 18： 505-529.

[17]李志輝， 李萌. 我國商業銀行信用風險識別模型及其實證研究[J]. 經濟科學， 2005（5）： 61-71.

篇4

【關鍵詞】模糊神經網絡；異步電動機；故障診斷

1.引言

異步電動機作為人們日常生活和工業生產的主要驅動裝置和動力裝置，具有廣泛的應用范圍已成為人們生活生產中不可或缺的重要裝置。據資料顯示，90%的工業生產原動力是大型異步電動機。各種小型的電動機也廣泛的應用于人們的日常生活中比如一些風扇、冰箱等家電。顯而易見，電動機的正常工作對保證工業生產和日常生活的低耗、優質、高效和安全運行意義重大。由此看出，電機一旦發生故障甚至停機，必將帶給個人生活和企業的生產帶來不便和損失。因此，對于電機故障的準確和及時地診斷并加以排除具有較大的意義。

2.異步電動機常見故障及診斷方法

異步電動機常見故障按照發生位置不同主要分為定子繞組故障、轉子繞組故障、軸承故障等幾類。根據多年經驗研究以及對電動機故障的分析，其故障發生概率分別為30%、10%、15%。根據異步電動機的結構特點可知，其系統主要分為機械系統和電氣系統，機械系統故障包括偏心故障及軸承故障，而電氣系統故障包括定子繞組和轉子繞組故障。根據異步電動機的常見故障發生概率以及針對性，故本文主要是對定子匝間短路、轉子斷條、轉子偏心故障、軸承內圈故障進行診斷分析研究。

目前，用于電機故障診斷的常用技術包括：定子電流檢測法、振動檢測法、溫度檢測法等傳統的故障診斷方法一般是在實際測量的參數基礎上，用數學的（FFT）、信號處理（小波分析）等方法對測量參數進行故障特征參數的提取，對故障特征參數進行分析來確定其故障。測量的參數主要包括定子電流、電機溫度、振動、噪聲等信號。以上方法各有自己的優點和特點，一般根據實際情況和研究對象來選擇合適的方法。在本文主要采用定子電流頻譜分析法和振動信號時域均方根分析法。當異步電動機發生故障時，就是改變正常的氣隙磁通波形，進而改變定子電流頻率波形，對采集到的定子電流信號進行頻譜分析可以判斷出電機故障類型。而振動信號的故障分析同上，只是采用的是時域的均方根特征，因為它是振動信號一個廣泛的特征參數。

3.模糊神經網絡構建

神經網絡與模糊邏輯的建立有多種方式，將模糊邏輯引入神經網絡中，對模糊網絡的輸入數據進行模糊化預處理。本文將采用上面的模糊神經網絡建立方法。

3.1 神經網絡結構、輸入和輸出神經元個數的確定

對于BP神經網絡，有一個非常重要的定理，是對任何在閉區間內的一個連續函數都可以用單隱層的網絡來逼近。因而一個三層BP網絡就可以完成任意的n維到m維的映射，增加隱含層固然可以提高神經網絡的處理能力，但同時也使網絡的規模增大，結構變得復雜。加大了計算工作量及模式樣本數量。這樣一來，使網絡的訓練時間變長，所以增加一個隱層是可以的，但BP神經網絡隱層數一般不超過兩層。本文采用只包含一個隱層的BP神經網絡對電機發生的故障進行診斷。

根據本文研究的故障診斷對象，是通過5個不同位置的振動信號和對應的2個定子電流特征頻率的檢測來分析和診斷，故確定網絡輸入是一個7維向量，即輸入神經元個數為7個。由于本文研究的電機故障包括4種模式（定子匝間短路，轉子斷條，轉子偏心，軸承內圈），其對應的定子電流特征頻率為（147.8Hz，245.6Hz，47.7Hz，52.3Hz，707.8Hz，807.9Hz，710.6Hz，950.9Hz）。接下來確定網絡輸出模式。神經網絡輸入數據是提取相應特征頻率的幅值，輸出是對故障進行相應的編碼。從而建立故障模式與故障原因之間的映射關系，誰發生故障誰的期望輸出位是1，否則為0。因此網絡的神經元輸出為4個，可采用如下輸出：

1）匝間短路（1，0，0，0）

2）轉子斷條（0，1，0，0）

3）轉子偏心（0，0，1，0）

4）軸承內圈（0，0，0，1）

3.2 訓練樣本數據的處理

在神經網絡進行故障診斷過程中，一般要對數據進行預處理，數據預處理是指通過變換將網絡的輸入、輸出數據限制在（0，1）或（-1，1）區間內。由于數據的取值比較分散，采集的各數據單位有時不一致，因此須對數據進行歸一化處理，消除量綱的影響。所謂歸一化就是要把需要處理的數據經過處理后限制在一定范圍內，歸一化是為了后面數據處理的方便，保證程序運行時收斂加快。

BP網絡的神經元均采用sigmoid轉移函數，變化后可防止因凈輸入的絕對值過大而使神經元輸出飽和，繼而使權值調整進入誤差曲面的平坦區。Sigmid轉移函數的輸出在（0，1）或（-1，1）之間，作為教師信號的輸出數據如不進行處理，就會使數值大的輸出分量絕對誤差大，數值小的輸出分量絕對誤差小，網絡訓練時只針對輸出的總誤差調整權值，其結果是在總誤差中份額小的輸出分量相對誤差較大。對輸出量進行歸一化變換后這個問題可迎刃而解，如果直接用原始數據處理，則可能導致數據誤差增大，收斂性下降，甚至不收斂。故對特征值和幅值進行歸一化處理，其歸一化公式如下：

利用高斯型隸屬度函數（式4、5、6）對輸入數據進行模糊化處理，對上述每組7個輸入模糊化將得到4組，每組21個的模糊量。

3.3 隱含層神經元個數選取

對于BP神經網絡來說，隱含層神經元個數的確定是非常重要的，一般認為隱含層神經元個數過多或過少都會導致神經網絡的性能不佳。因此根據前人的經驗可以參照以下公式進行隱含層神經元數的設定。隱含層數：（其中為隱含層節點數，m為輸出層節點數，n為輸入層節點數，a為[1，10]之間的常數），確定。為6-15。

對于隱含層神經元個數確定的問題，本文采用試湊法，在其它參數不變的情況下，選用同一樣本集進行網絡訓練，設定相同的目標誤差，比較訓練步數，從中確定網絡誤差最小所對應的隱層神經元個數。故障珍斷的神經網絡模型為3層，分別是輸入層，隱含層和輸出層。輸入層神經元個數為21，輸出層神經元個數為4。

運用MATLAB2010神經網絡工具箱，針對同一組訓練樣本，選取不同的隱含層神經元個數，采用trainglm自適應修改學習率算法，訓練目標為10-5，分別對網絡訓練1000次。

隱含層取不同的神經元節點經訓練后得出結果如表2。

從以上訓練結果表中可以得到，當隱含層神經元個數為13個時，網絡訓練的誤差最低為1.2387e-007。此時經過9次迭代達到訓練設定的精度。所以隱含層神經元個數最后確定為13個。因此本文故障診斷采用的BP神經網絡是21-13-4的三層結構。模糊神經網絡誤差收斂圖如圖1。

3.4 模糊神經網絡分析結果

輸出結果：

[1 1.2768e-011 1.5529e-011 1.3627e-011；

3.5896e-005 1 3.9006e-005 3.87979e-05；

3.1034e-005 0.00034563 0.99997 0.00032671；

4.23123e-05 2.3578e-11 1.2323e-05 0.99989 ]

根據上述的輸出結果，誤差5%，滿足診斷要求，故證明使用模糊神經網絡對異步電動機進行故障診斷是可行的，滿足實際需求。

4.結論

針對異步電動機的各種故障特點，提出將神經網絡和模糊邏輯結合的模糊神經網絡的診斷方法，利用模糊邏輯對輸入數據進行模糊化處理，然后將模糊化后的輸入導入神經網絡中進行診斷分析，最后得到的結果基本滿足誤差需求，達到故障診斷的要求，證明了模糊神經網絡在異步電動機故障診斷應用中的可行性。

參考文獻

[1]王江萍.神經網絡信息融合技術在故障診斷中的應用[J].石油機械，2009，8：27-30.

[2]孫向作，潘宏俠.基于多傳感器數據融合的電機故障診斷[J].微計算機信息，2008，24（9）：218-219.

[3]王笑宇.基于BP神經網絡的感應電動機故障診斷技術研究[D].桂林理工大學碩士論文，2009.

篇5

1變壓器故障分析

電力變壓器固體絕緣材料和油在電和熱的雙重作用下，會產生各種氣體，而這些氣體將溶解于變壓器內部的油中，通過對油中氣體種類和含量進行分析，就能判斷變壓器的故障。產生的氣體主要有氫氣、烴類、一氧化碳和二氧化碳，其中氫氣、甲烷、乙炔、乙烷、乙烯、一氧化碳、二氧化碳是判斷故障時用到的主要氣體，稱為特征氣體。熱性故障主要是因熱應力造成絕緣加速老化引起的。當過熱只影響到絕緣油分解而不影響到其他材料時，會發生低溫過熱，此時主要產生低分子烴，特征氣體主要是甲烷和乙烷，并且這兩種烴占總烴的80%以上。當溫度較低時，甲烷所占比例最大；當溫度繼續升高到500℃時，即中溫過熱，乙烯和氫氣的含量急劇增大；溫度繼續升高到700℃（高溫過熱）以上時，會產生乙炔，但含量不太大，不會超過總烴量的6%。電性故障是在高電應力的作用下導致絕緣老化而引起的內部故障。根據能量密度的不同可分成不同的幾種故障類型：（1）高能放電，常見的是線圈匝和層間擊穿，其次是對地閃絡及分接開關飛弧或者引線斷裂，發生前沒有先兆現象，很難預測。特征氣體主要有乙炔、氫氣，其次有乙烯和甲烷。（2）低能放電，低能放電發生的情況較多，如鐵芯接地片接觸不良或者引線接觸不良而引起放電等。特征氣體主要有乙炔和氫氣，但烴的含量不高。（3）局部放電，局部放電較上面兩個放電發生的機率要小很多，發生局部放電時，特征氣體會跟隨放電能量密度的變化而變化，通常總烴的含量不高，主要是氫氣，還有甲烷，氫氣通常占氫和總烴的90%以上。

2基于徑向基神經網絡的變壓器故障診斷模型

RBF神經網絡是由輸入層、隱含層和輸出層構成的三層前向網絡[10]。輸入向量信號傳遞到隱層，隱層有S1個隱神經元，其節點徑向基傳遞函數為高斯函數(radbas)；輸出層有S2個神經元，節點函數是線性函數（pruelin）。函數網絡的結構如圖1所示。當輸入向量進入網絡的輸入端時，徑向基層的每個神經元都會輸出一個值，代表輸入向量和神經元權值向量之間的接近程度。如果輸入向量與權值向量相差很多，則徑向基層的輸出接近0，經過第二層的線性神經元，也輸出接近0；如果輸入向量與權值向量很接近，則徑向基層的輸出接近1，經過第二層的線性神經元，輸出值就更加接近第二層權值；在這個過程中，如果只有一個徑向基神經元的輸出為1，而其他的神經元輸出均為0或者接近0，那么線性神經元層的輸出就相當于輸出為1的神經元對應的第二層權值的值。一般情況下，不止一個徑向基神經元的輸出為1，所以輸出值就會有所不同。

2.1徑向基神經網絡輸入輸出設計網絡輸入層節點數就是一個故障模式包含的特征量數。基于油中溶解氣體與內部故障的對應關系，本論文采用6種特征氣體作為網絡的輸入向量，它們是H2，CH4，C2H4，C2H2，C2H6，CO2，這樣，網絡的輸入層的節點數被確定為6.在對變壓器的故障識別中，采用6種故障類型：低溫過熱、中低溫過熱、高溫過熱、低能放電、高能放電和局部放電，這樣輸出層的節點數也為6。下圖為實現變壓器故障診斷的RBF網絡拓撲結構。

2.2徑向基網絡徑向基函數確定及樣本數據處理針對變壓器故障的特點，本文選用高斯函數為徑向基函數，具體如下式所示。其中：x是6維輸入向量；c為基函數的中心，是與x具有相同維數的向量；δ決定基函數圍繞中心點的寬度。徑向基函數的優點在于：（1）表現的形式簡單，即使是多變量的輸入也不會增加過多的復雜性；（2）徑向對稱；（3）便于理論分析；（4）函數光滑性好，任意階的倒數都存在。為保證網絡的學習信息準確和網絡不出現飽和，以及網絡的規模不會過大，在把數據輸入網絡前，把數據進行歸一化處理，歸一化公式如下。其中：xi表示特征氣體的數值，xmin表示所有氣體數值中的最小值，xmax表示所有氣體數值中的最大值。

2.3用徑向基網絡進行變壓器故障診斷的基本步驟用RBF神經網絡診斷變壓器故障大致分為三步：（1）收集變壓器故障樣本數據，對輸入向量即6種特征氣體數據進行歸一化處理；（2）為得到網絡訓練的輸出向量，對變壓器故障樣本數據中的故障類型進行編碼。從RBF神經網絡的輸入和輸出樣本數據中選出一些作待測樣本，剩下的作訓練樣本；（3）構建和訓練RBF神經網絡。根據第一步和第二步得到的RBF神經網絡的輸入和輸出訓練樣本和待測樣本數據，構建和訓練RBF神經網絡，直到達到滿意的精度為止。

3徑向基神經網絡訓練及變壓器故障診斷

RBF神經網絡訓練及變壓器故障診斷實驗在Mat⁃lab應用軟件的神經網絡工具箱中進行，實驗選取273組故障數據作為訓練樣本，另外60組故障數據作為待測樣本。利用函數newrb（）構建RBF神經網絡。newrb（）函數可自動增加網絡的隱層神經元數目，直到均方差滿足精度或者神經元數目達到最大為止。調用方式如下：Net=newrb（P,T,goal,spread）其中，P為歸一化以后的輸入向量構成的矩陣，T為歸一化以后的期望輸出向量構成的矩陣，goal為訓練精度，spread為徑向基層的散布常數。用sim（）進行故障診斷測試構建的RBF神經網絡。調用方式如下：zhenduan=sim(netrbf,P1)其中，P1為歸一化以后的待測樣本的輸入向量構成的矩陣。選取精度goal為0.02，徑向基層的散布常數spread為5，構建和訓練RBF神經網絡，并用待測樣本的輸入向量P1進行故障診斷測試。RBF神經網絡訓練過程中的均方差變化情況如圖3所示。從圖中可以看到，均方差隨著訓練次數的增加而逐漸減小，當訓練次數達到150次的時候，均方差達到目標值。RBF神經網絡對待測樣本的故障診斷結果如下所示。應用最大隸屬原則，將zhenduan中的各個列向量的最大值取為1，其它分量的值取為0，然后與故障類型目標矩陣T1的各個列向量進行比較，有49個診斷結果正確，正確率為81.67%。選取精度goal為0.02，徑向基層的散布常數spread分別取為spread=10、spread=14、spread=10.5，構建和訓練RBF神經網絡，并用待測樣本的輸入向量P1進行故障診斷測試，診斷結果準正確率列于表2。經比較可以得出，當spread=10.5時準確率最高。所以選擇spread=10.5時訓練得到的RBF神經網絡模型變壓器故障診斷模型。

4徑向基神經網絡故障診斷和三比值法的比較

三比值法的基本原理是變壓器發生故障時,從變壓器油中提取五種特征氣體H2、CH4、C2H2、C2H4、C2H6的成分含量，計算出相應的三對比值C2H2/C2H4、CH4/H2、C2H4/C2H6并賦予相應的編碼，再由編碼規則，得到一組編碼表，然后根據提供的診斷標準就可找到相應的故障類型。用三比值法對上述60組樣本檢驗數據P1進行故障診斷,結果如表3。從表3可以看出，用三比值法有26組數據無法診斷故障類型，有6組故障類型診斷錯誤，故有32組數據不能正確判斷故障類型。三比值法與徑向基神經網絡模型故障診斷準確率的比較如表4所示。通過上面的實驗可知，選擇適合的spread參數，基于徑向基神經網絡模型的變壓器故障診斷方法比三比值法具有很好的優越性，診斷的準確率有很大的提高。

5總結

篇6

關鍵詞：神經網絡；預測；剩余油氣；模式識別；訓練

中圖分類號：TP18 文獻標識碼：A 文章編號：1009-3044（2015）09-0200-02

Abstract： The paper is aimed at the problem of traditional exploration methods can not predict the remaining oil and gas accurately， the methods of fuzzy theory and self-organizing map are approached. It takes the advantage of Fuzzy neural network system converging faster and higher prediction accuracy， as well as the unsupervised competitive learning mechanism of self-organizing map， it achieves the goal of predicting the remaining oil and gas. The method of neural network improve the precision of remaining oil and gas， it obtains better effect of prediction.

Key words： neural network； predict； remaining oil and gas； pattern recognition； train

石油是國家經濟發展的命脈，油氣勘探開發則是石油工業的基礎，在國民經濟的地位舉足輕重。隨著地震勘探理論方法日趨成熟，我國各大油氣田勘探程度相繼提高，油氣田已經被大幅度開采。然而我國的石油平均采收率并不高，約為30%多一點，還有近70%的油氣并未采收，傳統的油氣勘探方法已經不能滿足增加石油的采收率。當前我國各大油田的地質勘探工作已經進入中后期，迫切需要一些新的方法研究方法和技術，對油氣田剩余油氣的分布和變化趨勢做出預測，以便在尋找新的勘探開發領域，同時也能繼續對老油氣田進行挖掘，從而提高油氣產量。

近些年來，隨著神經網絡技術[1]的日趨成熟，基于模式識別的各類方法技術，如統計模式識別、神經網絡、模糊判別等技術和理論在剩余油氣預測方面都得到了較多的應用，也取得了較好的結果。其中模糊理論具有很強的表達能力并且容易被人理解，神經網絡的自適應學習能力很強。由于模糊理論和人工神經網絡各自的優點，常常被單獨或者是組合起來運用到實踐中，本文主要介紹神經網絡的方法運用于預測剩余油氣的工作中。

1 模糊理論

1.1 發展歷程

1965年美國加州大學伯里克分校的扎德教授首先創立了模糊集合的數學理論，隨后P.N.Marions也開始從事相關研究，于1966年發表了一份關于模糊邏輯的研究報告。1974年扎德教授作了模糊推理的研究報告，同年英國的E.H.Mamdanl運用模糊邏輯和模糊推理首次實現了蒸汽機的實驗性控制，從此模糊理論的雛形形成了，隨后模糊理論[2]掀起了一波熱潮。

1.2 在剩余油氣預測中的應用

在預測剩余油氣[3]的實踐中，首先對地震資料做初步的特征提取，然后將提取的樣本用模糊理論的聚類方法進行訓練，對訓練樣本進行幾類。每類都有各自對應的神經網絡，用專屬于每類的樣本依次訓練各自對應的神經網絡。具體步驟如下：

1）流體屬性的提取

流體屬性數據是三維數據，屬性的提取方法依賴于具體的物理問題與數據網格的劃分。三維數據場屬性邊界的提取所采用的方法是求出網格點的梯度，特征區域一般是梯度模值較大的區域。對于均勻的三維網格，估計其梯度的方法可采用三維差分。為得到網格點上的梯度值，簡單的方法是利用前、后、左、右、上、下六個鄰近點的場值進行簡單的差分估計。在計算流體力學問題中，采用的網格大都是結構化網格，為計算網格點上的梯度，需將網格變換為均勻規則正交網格。設三維網格交換為[x=T1（ξ，η，?）]，[y=T2（ξ，η，?）]，[z=T3（ξ，η，?）]，在點（m，n，p），其場值梯度在兩種網格上的關系式為：

[?f?ξ?f?η?f??=?f?x?f?y?f?z?x?ξ?x?η?x???y?ξ?y?η?y???z?ξ?z?η?z??]

2）模糊系統處理流體屬性

確定輸入輸出的學習樣本[（αK，βK，γk）]，k為樣本個數。利用模糊聚類的方法將輸入樣本分成N類，N類樣本對應N條神經網絡。利用各自的樣本訓練各自的神經網絡，選擇合適的學習樣本，系統經過多次樣本訓練和樣本學習之后，優化出一部分識別精度高的樣本，優選的樣本到達能辨別精度后，將該樣本輸出，這樣就可以被識別了。

2 自組織神經網絡

2.1 結構與工作過程

自組織神經網絡是上世紀80年代芬蘭Helsink大學的Kohonen在Willshaw與Von der Malsberg在的工作上，結合對自然界中的生物神經系統的理解，創建Kohonen模型，又稱Kohonen網絡。自組織神經網絡[4]的特征映射是基于生物的大腦神經系統，模擬它的自組織特征映射機制，在樣本訓練中有很強大學習能力，在組織學習中不需要監控，是一種無監督競爭式學習的前饋網絡。自組織神經網絡通過學習，從而提取某組數據中的某種重要特征或內在規律，按離散時間的方式進行分類。網絡可以把任意高維的輸入作為輸入神經元，映射到低維空間得到輸出神經元，并且使得輸入神經元內部的某些相似性質表現為幾何上鄰近的特征映射，這就是人們常說的降維處理。這樣輸出神經元會聚集成一個輸出層，輸出層就可以繪制成一維或二維離散幾何圖形，并且其拓撲結構保持不變。此分類反映了樣本集之間的本質區別，大幅度降低了一致性準則中的人為因素。

如圖1所示，SOM網絡是一種比較簡單的雙層網絡， 由若干輸入神經元和輸出神經元組成。輸入層與輸出層各神經元之間實現了全部互相直接或間接的連接方式，每個輸出神經元可通過可變連接權與所有輸入神經元相連， 且輸出神經元間存在局部相互連接。每個連接都具有對應的連接權值，用于表示該連接的強度。各個神經元的連接權值均具有一定的分布，每個輸入神經元與輸出神經元之間的聯系通過連接權來傳達。輸出層的神經元之間實行側向連接，相鄰的神經元相互激勵，距離較遠的神經元則相互抑制，然而超過了一定的距離的神經元又具有較弱的激勵作用，最后剩下的一個神經元或一組神經元，則反映該類樣本的屬性。

2.2 預測剩余油氣的步驟

1）根據勘探數據體提取流體屬性[5]，并對其進行預處理。

2）優選出所要了解的流體屬性，對其進行降維壓縮，將壓縮集作為模式識別的輸入，以統計的油氣儲層參數作為輸出來訓練組組織神經網絡。

3）利用模式識別[6]參數和降維壓縮集對儲層的油氣進行預測，從而得到如今的剩余油氣的分布。

3 結束語

本文針對傳統油氣勘探的方法難以滿足預測油氣田剩余油的難題，著重介紹了模糊理論和自組織神經網絡的方法，這兩種神經網絡的方法各有優勢。其中模糊神經網絡的系統訓練和學習速度快，收斂較快，預測的精度高。自組織神經網絡的競爭模式起到了快速優選的作用，神經元之間的協作模式在某種意義上則縮短了整個流程的工作時間。總而言之，神經網絡的技術與方法在預測油氣田的剩余油氣的實踐中取得了不錯的成果。

參考文獻：

[1] 汪鐳，周國興，吳啟迪.人工神經網絡理論在控制領域中的應用綜述[J].同濟大學學報：自然科學版，2001，03：357-361.

[2] 王曉軍，楊海峰，邱志平，等.基于測量數據的不確定性結構分析的模糊理論[J].北京航空航天大學學報，2010，08：887-891.

[3] 熊艷，包吉山，肖慈.模糊神經網絡預測儲層及油氣[J].石油地球物理勘探，2000，02：222-227.

[4] 易榮慶，李文輝，王鐸.基于自組織神經網絡的特征識別[J].吉林大學學報：工學版，2009，01：148-153.

篇7

關鍵詞:信用風險評估;支持向量機集成;預測

中圖分類號:F830.51

文獻標識碼:A

文章編號:1003-5192(2009)04-0057-05

1 引言

商業銀行作為國民經濟的總樞紐和金融信貸中心,發揮著融通資金、引導資產流向和調節社會供需平衡等諸多不可替代的作用。然而商業銀行在營運過程中面臨著各種各樣的風險,包括系統風險和非系統風險,其中在非系統風險中信用風險占有特殊的重要地位。世界銀行對全球銀行業危機的研究表明,導致銀行破產的最常見原因就是信用風險。信用風險又稱違約風險,是指借款人、證券發行人或交易對方因種種原因,不愿或無力履行合同條件而構成違約,致使銀行,投資者或交易對方遭受損失的可能性[1]。信用風險是商業銀行信貸風險管理中一項基礎性的工作,其目的在于分析銀行在貸款業務中可能面臨的信用風險――借款人如期履行特定債務的能力與意愿,從而為貸款決策提供依據。

信用評估方法在不斷演進,大致經歷了定性分析、統計分析和人工智能三個發展階段,最初它只是通過信貸分析員閱讀申請表并決定是否放貸,但是這一方法主觀因素太強,必然存在誤判的可能性。統計方法主要是判別分析(DA)[2],判別分析是分類預測的主要研究范疇之一[3],但是判別分析在操作上的一個缺點是其基本假設很容易被打亂。另外,模型只能在已被通過的貸款樣本中進行估計,因此存在參數估計的樣本偏差。隨著信用行業的發展以及貸款組合種類的不斷增加,信用評估的準確率哪怕只提高零點幾個百分點,都會帶來巨大的效益,因此,人們積極探索開發更加準確的信用評估模型,先后就非參數統計模型、人工智能等方法在信用評估方面的應用進行了嘗試[4],尤其是最近幾年中己經開發出來包括分類樹[5]、神經網絡[6]以及多元判別法分析[7]等在內的多種方法。但是,這些方法都存在一些缺點,即不能量化解釋指標的重要程度,在分類樹分析中沒有參數,而在神經網絡中則沒有參數解釋,用于信用風險評估具有一定的片面性。同時,神經網絡的訓練是在黑箱中進行的,這種運算摒棄許多行業經驗和專家經驗,具有一定的盲目性,人們不能對之進行干預。神經網絡適合于對數量指標的分析,而忽略對影響因素中的定性指標的分析,顯然是不合理的、片面的。而且用神經網絡來評價經濟問題時,很難說明神經網絡訓練后,各網絡參數和閥值的經濟含義,使得模型缺乏說服性。

研究表明組合分類器的分類精度一般比單個分類器的分類精度高,但是神經網絡集成[8]在信用評分中的應用結果表明,神經網絡集成的分類精度不如單個神經網絡。因為神經網絡分類建立在大樣本的基礎上,而目前銀行所保存的數據樣本量有限,用集成神經網絡分類則必須把所收集的樣本分割成多個子樣本,從而減少了單個神經網絡的訓練樣本數,進而影響了其分類精度。基于此,許多學者在支持向量機[9~11]的基礎上又發展了基于小樣本學習的支持向量基集成[12~14],許多領域都用此方法來改善分類精度,應用結果表明支持向量機集成的分類精度至少和單個支持向量機的分類精度一樣好。但是目前的研究普遍是基于最多投票原則的集成方法,該方法沒有考慮子支持向量機分類器的輸出重要性。

長期以來信用風險評估一直被看作是模式識別中的一類分類問題,依據的信用風險衡量標準是貸款企業“違約與否”,利用的是模型與方法的分類功能,形成信用風險的分類評估模式,這種做法被稱為“粗暴的經驗主義方法”。分類評估模式所反映的有限的經濟信息并不能充分滿足信貸風險決策的需要,轉變評估模式的關鍵在于確立更為有效、客觀的信用風險衡量標準和評估預測模型, 而實施貸款風險的五級分類體系可以提高分類準確性,本文建立基于模糊積分的支持向量機集成方法,該方法考慮了各子分類器的分類結果和各子分類器判決對最終決策的重要程度,并對商業銀行信用風險進行五級分類,以某商業銀行的實際數據進行實證研究,評估結果表明該評價方法具有科學、簡潔、預測精度高等特點,而且模型的結構與方法應用前景廣闊。

2 基于模糊積分SVMs集成的模型構建

2.1 Bagging個體生成

Bagging[15]的基礎是可重復采樣(Bootstrap Sampling)。在該方法中,各支持向量分類器的訓練集由原始訓練集中隨機抽取若干示例組成。訓練集的規模通常與原始訓練集相當,訓練例允許重復選取。這樣,原始訓練集中某些示例可能在新的訓練集中出現多次,而另一些示例可能一次也不出現。Bagging方法通過重新選取訓練集增加了分類器集成的差異度,從而提高了泛化能力。

3 模糊密度的確定方法

由模糊積分的定義可知,確定描述各個子支持向量分類器重要性的模糊密度值是基于模糊積分的多分類器集成的關鍵所在。本文使用混淆矩陣來確定各個支持向量分類器的模糊密度值。

在子支持向量分類器訓練完畢后,用子分類器各自的訓練集對各個子分類器進行測試得到各自的混淆矩陣。

假定一個K類分類問題,對于子分類器SVCk,其混淆矩陣可以定義為

通過混淆矩陣可以得到各個支持向量機的模糊密度,為利用模糊積分進行支持向量機集成奠定了基礎。

4 五類別問題實證分析

4.1 試驗過程

仿真實驗在Libsvm軟件的基礎上進行,采用Visual C++編譯實現。驗證平臺為256MB內存的AMD Athlon 1800+,操作系統為Windows 2000。支持向量機集成流程如圖1所示。

實驗過程如下:

第1步 使用Bagging方法從原始訓練集中產生各個子支持向量分類器的訓練集,對各子支持向量分類器進行訓練;

第2步 給出各訓練完畢的子支持向量分類器的五級分類的概率輸出模型[17];

第3步 根據第3節中介紹的方法確定模糊密度{g({SVMi,}),k=1,…,c},以此來表示各子支持向量機SVMi,i=1,…,m在各自訓練樣本上執行好壞的概率密度;

第4步 當給定一個測試樣本,得到各子支持向量分類器對該測試樣本的類概率輸出;第5步 對于ωk,k=1,…,c,根據2.2計算模糊積分ek,集成各子支持向量機;

4.2 指標體系的建立

商業銀行面臨的信用風險主要與貸款企業本身的信用狀況有關,另外還與銀行自身貸款分布和行業集中度等因素有關,具體可分為貸款企業風險、商業銀行風險、宏觀經濟風險和其他風險因素。

綜合考慮信用風險的各影響因素,依據指標選擇原則,借鑒我國財政部統計評價司的企業績效評價指標體系和中國工商銀行企業資信評估指標體系,并參考國內外有關文獻,兼顧我國信用風險的特殊性和數據的可獲得性,最終確定以下16個指標(圖2)用作商業銀行信用風險評估。

圖2 信用風險評估指標體系

4.3 樣本的獲取

本文的數據來源于中國工商銀行哈爾濱某分行,在采集數據時,注重樣本自身的行業特征,不同行業的企業經營環境和業務范圍差距很大,企業的各項財務指標和非財務指標也不具有可比性,而且又缺乏必要的行業標準和經驗值,因此模型中選用同一行業短期貸款的樣本數據來避開這一問題。采集的數據檢索條件如下:

(1)樣本行業范圍:制造業;

(2)貸款種類:短期貸款(一年及一年以內);

(3)貸款發放日期:1998年1月1日至1月31日;

(4)貸款余額截止日:2001年8月13日;

(5)貸款金額:貸款實際發放金額;

(6)貸款余額:截止2001年8月13日確定為損失的貸款余額;

(7)貸款形態:貸款目前所處的形態;

(8)企業全稱及代碼:識別企業的唯一標識碼;

(9)報表日期與報表:1997年12月31日的企業資產負債表和損益表;

(10)經過收集、整理共獲取176個樣本,涉及貸款額50多億元人民幣。

4.4 樣本數據處理

首先對樣本進行穩健性處理,選用兩倍、三倍標準差檢驗法進行異常數據剔除,最終獲得157個樣本數據。將樣本集劃分為訓練樣本集和測試樣本集,隨機抽取35%(56家)作為訓練樣本集,用于構造SVMs集成模型,其余的65%(101家)作為測試樣本集,用于檢驗模型的泛化能力。以風險為依據,按銀行所承受的風險大小來劃分貸款質量的分類法,即通常所說的將貸款分為正常、關注、次級、可疑、損失五類的“五級分類法”(表1)。原始數據中,關于原始數據的實際信用等級,該商業銀行是按貸款損失占貸款總額的比率來進行統計的。本文采用的是用貸款損失/貸款總額來確定貸款劃分的類型,因此不可能完全按照中國人民銀行規定的貸款五級分類法的標準,具有一定的預測性,但是,同樣,對貸款風險也有較好的指導作用。

在因子分析之前還需要進行巴特利特球體檢驗和KMO測度,測試結果顯示有必要對模型輸入指標進行因子分析。本文采用主成分分析法求解初始因子,依據特征值準則(取特征值大于等于1的主成分作為初始因子),因子個數應該確定為4,根據碎石檢驗準則(Scree Test Criterion)也得到同樣的結論,而此時因子累計解釋方差的比例可以達到74%以上,保留了原有數據的主要經濟信息,并且各因子經濟含義較為明確,表明因子個數的確定較為適宜。由于在因子負載矩陣中,相對于0.3的負載而言,變量的方差能夠被該因子解釋的部分不足10%,所以對于絕對值小于0.3的負載一般可以不予解釋,各因子的經濟含義較為明確,而且因子與指標間的內在聯系比較顯著,各因子依次可以歸結為營運能力因子、償債能力因子、盈利能力因子和貸款方式因子。

4.5 實證結果分析

依據表1,按銀行所承受的風險大小來劃分貸款質量,將貸款分為正常、關注、次級、可疑、損失五類,再將分類結果和實際的分類進行比較,判斷分類的正確性,以此對信用風險模型進行評價。

本文采用一對一策略來實現多類別分類,訓練出9個SVMs。各子支持向量分類器使用RBF核函數,每個SVM通過10重交叉驗證的方法來選擇相應的參數,本文進行了10次實驗,并將本文提出的模糊積分支持向量機集成方法在五級分類上的執行效果與單一SVM和基于最多投票原則的SVMs集成等的執行效果進行比較,圖3為平均執行效果比較,從左到右依次是:(1)神經網絡集成;(2)單一模糊神經網絡,(3)單一SVM,(4)基于最多投票SVMs集成,(5)基于模糊積分的SVMs集成。由圖3可知,基于模糊積分的SVMs集成的分類正確率為87.10%,基于最多投票的SVMs集成的分類正確率為85.17%,單一SVM的正確率為84.524%,模糊神經網絡的分類正確率為82.59%,神經網絡集成的分類正確率為81.72%。

應用結果表明,基于模糊積分SVMs集成比單個SVM、基于最多投票的SVMs集成和單個模糊神經網絡的分類效果好,而單個模糊神經網絡的分類正確率比神經網絡集成的分類正確率高。支持向量機集成的分類精度最高,可能是因為銀行目前所保存的樣本量有限,支持向量機適合小樣本訓練,而神經網絡訓練則需要大樣本支持,在有限的樣本中重復抽樣,會減少樣本量,這樣就會降低神經網絡的訓練精度,從而進一步證明了支持向量機對于小樣本訓練的優勢;并且模糊積分在進行多分類器決策融合的時候綜合考慮了各子分類器的分類結果和各子分類器判決對最終決策的重要程度的緣故,證實了本文提出的方法的準確性和有效性。

5 結束語

本文提出了一個基于模糊積分的支持向量機集成方法。該方法最主要的優點是它不僅組合各個分類結果,而且考慮不同SVMs分類器的相對重要性。將此方法應用于商業銀行信用風險評估,模擬結果表明該方法比單個SVM、基于最多投票的SVMs集成方法、神經網絡和神經網絡集成的效率高,效果好。說明基于模糊積分的SVMs集成的商業銀行信用風險評價是可行和有效的。進一步研究的方向是設定更加合理的模糊密度和用其它方法(如加速法)來構建SVMs。

參 考 文 獻:

[1]丁欣.國外信用風險評估方法的發展現狀[J].湖南大學學報(社會科學版),2002,16(3):140 142.

[2]Jackson P, Perraudin W. Regulatory implications of credit risk modelling[J]. Journal of Banking and Finance, 2000, 24(1): 1 14.

[3]De Andres J, Linda M, Lorca P. Forecasting business profitability by using classification techniques: a comparative analysis based on a Spanish case[J]. European Journal of Operational Research, 2005, 167(2): 518 542.

[4]West D. Neural network credit searing models[J]. Computers & Operations Researeh, 2000, 27(4): 1131 1152.

[5]姜明輝,王歡,王雅林.分類樹在個人信用評估中的應用[J].商業研究,2003,(12):15 19.

[6]Lee K C, Han I, Kwon Y. Hybrid neural network models for bankruptcy predictions[J]. Decision Support System, 1996, 18(1): 63 72.

[7]方洪全,曾勇.運用多元判別法評估企業信用風險的實例[J].預測,2004,23(2):6568.

[8]Tsai C F, Wu J W. Using neural network ensembles for bankruptcy prediction and credit scoring[J]. Expert Systems with Applications, 2008, 34(4): 2639 2649.

[9]Huang C L, Chen M C, Wang C J. Credit scoring with a data mining approach based on support vector machines[J]. Expert Systems with Applications, 2007,33(4): 847856.

[10]Xu Xiujuan, Zhou Chunguang, Wang Zhe. Credit scoring algorithm based on link analysis ranking with support vector machine[J]. Expert Systems with Applications, 2008, 36(2): 18.

[11]Crook J N, Edelman D B, Thomas L C. Recent developments in consumer credit risk assessment[J]. European Journal of Operational Research, 2007, 183(3): 1447 1465.

[12]Nanni L, Lumini A. MppS: an ensemble of support vector machine based on multiple physicochemical properties of amino acids[J]. Neurocomputing, 2006, 69(13): 1688 1690.

[13]Li Bo, Li Xinjun, Zhao Zhiyan. Novel algorithm for constructing support vector machine regression ensemble[J]. Journal of Systems Engineering and Electronics, 2006, 17(3): 541 545.

[14]Bertoni A, Folgieri R, Valentini G. Bio molecular cancer prediction with random subspace ensembles of support vector machines[J]. Neurocomputing, 2005, 63(6): 535 539.

[15]Breiman L. Bagging predictors[J]. Machine Learning, 1996, 24(2): 123 140.

[16]Kwak K C, Pedrycz W. Face recognition: a study in information fusion using fuzzy integral[J]. Pattern Recognition Letters, 2005, 26(6): 719 733.

篇8

關鍵詞：智能家居 神經網絡推理算法 遺傳算法 徑向基函數神經網絡

中圖分類號：TU855；TU892 文獻標識碼：A 文章編號：1007-9416（2016）04-0000-00

隨著科技的進步和生活質量的提升，智能家居必將成為未來家居的發展趨勢。為了提高防火控制器系統的辨別能力，利用多源信息融合技術，利用遺傳算法改進徑向基函數神經網絡（RBF），充分結合模糊控制和神經網絡處理兩者的優點，極大的改善系統的控制誤差及誤差變化，并且自適應、自組織，通過數據的采集、MATLAB仿真，驗證了所提改進方法的正確性和有效性。

1 多元信息融合技術

信息融合技術應用十分廣泛，在火災檢測系統中，煙霧傳感器、溫度傳感器、CO傳感器等雖然各具特色，但通過多元信息融合將不同的傳感器采集的信號進行抽象化分類組合，以獲得準確的判斷，從而大大提高防火系統的穩定度與靈敏性。信息融合算法眾多，本問采用模糊邏輯算法和神經網絡算法，利用遺傳算法改進徑向基函數神經網絡，來進行各輸入信號的融合處理，具體問題具體分析，解決火災檢測難題。

其中 反映學習速度， 為系統輸入， 、 、 分別為煙霧、溫度和CO濃度調整參數，來控制 。RBFNN和反向傳播前向網絡（BP）相比較，BP網絡由于采用非線性梯度優化算法，容易形成局部極小不易獲得全局的最優性，相反RBFNN更加容易獲得最優解，并且學習速度更快，以便提高探測精度。

3 遺傳算法的 、 、 整定

遺傳算法（Genetic Algorithm）是模擬達爾文生物進化論的自然選擇和遺傳學機理的生物進化過程的計算模型，是一種通過模擬自然進化過程搜索最優解的方法。特別對于一些非線性模塊的函數優化方面，基于“適者生存”的機制，快速響應得到最終結果，具有良好全局搜索能力，收斂速度迅速，不被局部優化解的困擾。遺傳算法的這些性質，已被廣泛應用與信號處理、自適應控制和組合優化等領域，是智能計算的必不可少的技術。

一般選擇適應度高的種群進行復制、交叉以及變異操作，對隱含層節點中心值、隱含層節點寬度和輸出線性權值優化，最終確保RBFNN網絡系統能夠得到全局最優解。

4 網絡學習算法的實現

網絡學習算法需要解決RBFNN的中心選取、方差和輸出權值等問題，由于火災檢測具有隨機性與動態性，應該選取能夠在線動態學習的算法來選取中心，因此采用自組織選取中心法，無需確定隱含層的節點個數。最近鄰法基于類比學習，既可以用于聚類，也可以用于分類，K-means是基于最近鄰法的聚類方法，采用其來選取中心最大的優勢在于簡潔和快速。

5 模糊RBFNN系統設計與仿真

本文設計的火災探測系統算法由兩部分組成，第一部分為模糊神經網絡系統，其輸入為三種傳感器采集火災現場的數據，進行相應的歸一化處理，輸入到改進型的RBFNN網絡中，再輸出三種火情概率；第二部分運用模糊邏輯系統進行推理判決，得到最終的控制信號。

由于明火或陰燃火概率處于中間值，系統難以準確判斷是否有火災，本系統中加入煙霧持續時間函數 ， 為判斷閾值， 為實際煙霧持續時間，只有當煙霧濃度持續的時間超過閾值， 才會被累加，否則為離散時間變量。仿真結果如圖1：

圖1中，曲線a代表無火概率，b代表陰燃火概率，c代表明火概率，d代表判斷閾值，可知，當明火概率大于0.6時，則輸出判斷發生火災。根據仿真圖驗證了所改進算法以及設計方法的正確性和有效性，能夠有效判斷是否發生火災，降低系統誤報率。

參考文獻

[1]林文韜，劉太君，葉焱 等.基于改進型徑向基函數神經網絡的功放線性化[J].微波學報，2015，31（5）：47-50.

[2]王嘉軼，聞新.基于改進RBF-NN優化模糊PID控制器的設計方法[J].航空兵器，2015，10（5）：60-65.

[3]韋巍，何衍.智能控制基礎[M].北京：清華大學出版社，2008.

篇9

關鍵詞：安全氣囊；點火算法；智能控制

中圖分類號： U461.91文獻標文獻標識碼：A文獻標DOI：10.3969/j.issn.2095-1469.2013.02.01

自從20世紀80年代在汽車上應用以來，安全氣囊已經挽救了無數乘員的生命，尤其是其與安全帶配合使用，可以使車輛在發生碰撞事故時前排乘員的死亡率降低61%[1]。然而，由于氣囊不適當的展開造成乘員損傷甚至死亡的事件也愈見頻繁。據NHTSA報道，在2001～2006年間，美國有大約1 400位乘員因為安全氣囊的誤點火死亡，這為安全氣囊的應用前景蒙上了一層陰影[2]。

汽車安全氣囊點火算法是安全氣囊控制系統的核心，它依據各安全法規的乘員碰撞損傷要求，并綜合判斷點火條件，來解決氣囊是否需要點火以及何時點火的問題。如果算法判斷氣囊在不需要點火的低速碰撞、干擾路況時誤點火，或者在高速柱碰撞時漏點火、遲點火都會對乘員造成生命危險。由于算法計算誤差造成氣囊在高強度碰撞時早點火，則會引起乘員在碰撞過程中接觸已泄氣的氣囊，而得不到最佳保護。因此，安全氣囊算法的優劣直接關系到駕乘人員的生命安全。本文對目前國內外常用的安全氣囊點火算法進行了總結歸納，并指出了今后的發展方向。

1 點火算法的理論依據

1.1 乘員損傷準則

安全氣囊的點火閾值是依據碰撞中乘員所受的損傷程度來確定的。如果在某一碰撞條件下乘員的損傷程度達到法規規定的乘員損傷指標，則該碰撞條件所確定的閾值為氣囊必須點火的閾值，因此了解乘員傷害的評價指標是開發安全氣囊算法的首要任務。在安全氣囊碰撞試驗中，不但需要評價乘員頭部的傷害指標值，還要評價氣囊對乘員的面部、胸部、頸部、下肢等部位的傷害情況[3-4]。表1是美國、歐洲以及中國正面碰撞法規對乘員損傷指標的規定，美國FMVSS 208法規比較全面地規定了各種碰撞假人在不同碰撞形式下的試驗要求和損傷指標，這里僅選取50百分位男性假人在100%正面碰撞中的損傷指標為例進行介紹。

1.2 點火條件

安全氣囊點火條件指碰撞過程中用來判斷氣囊是否需要點爆的輸入條件。傳統的安全氣囊算法是把碰撞事故的嚴重程度作為氣囊的點火條件，碰撞事故的嚴重程度用氣囊的點爆速度表示，即汽車和固定壁障發生與碰撞事故強度相當的正面碰撞時的等效初速度。歐洲ECE R94法規規定作為安全帶輔助裝置的安全氣囊的點爆速度為：低于20 km/h正面撞擊固定壁障時不應點火，大于30 km/h時必須點火，20～30 km/h時不作要求。在美國，要求安全氣囊對未佩戴安全帶的乘員也有較好的保護作用，因此Ford公司規定的安全氣囊引爆速度為：低于12.8 km/h正面撞擊固定壁障時不點火，高于22.4 km/h時必須點火，12.8～22.4 km/h時不作要求。我國的汽車安全法規主要參考歐洲法規，在安全氣囊的設計準則上與歐洲ECE R94法規的要求相一致。

近年來，隨著智能型安全氣囊的提出，要求相應的智能安全氣囊點火算法不僅要考慮汽車碰撞的嚴重程度這一個點火條件，還需要判斷汽車的碰撞形式和乘員的狀態等條件。文獻[8]詳細介紹了汽車所有可能發生的碰撞形式。而汽車乘員的狀態主要包括乘員大小、乘員佩戴安全帶狀態以及乘員的離位狀態。

1.3 點火時刻

1.3.1 最佳點火時刻

氣囊最佳點火時刻是指當乘員的面部剛剛接觸到安全氣囊氣袋時，氣袋恰好充滿氣體，這時氣袋對乘員的沖擊力最小，又能通過壓縮和泄氣孔吸收乘員大部分的碰撞能量，對乘員的保護效果最好。對于駕駛員側氣囊目前最常用的是“127 mm-30 ms”準則。這個準則的含義是：在汽車碰撞過程中，乘員相對于車體向前移動127 mm時刻的前30 ms是氣囊的最佳點火時刻。其依據是大多數轎車乘員與轉向盤之間的間距為305 mm，氣囊充滿氣的厚度為178 mm，氣囊從點火至展開到最大體積的時間約為30 ms，由此確定乘員前移127 mm這一時刻的前30 ms為最佳點火時刻。

1.3.2 實際點火時刻

安全氣囊的實際點火時刻是指實際碰撞事故中氣囊點爆的時刻。在前排成年乘員正常坐姿和佩戴安全帶的狀態下，針對不同車型確定其點火條件的閾值，在實際撞車事故中，當點火條件超過閾值時氣囊點爆。由于汽車碰撞事故的不確定性以及算法本身的缺陷，實際點火時刻與最佳點火時刻往往不會重合。如果實際點火時刻提前，乘員頭部與氣囊相接觸時，氣囊通過泄氣孔流失了大部分氣體，不能對乘員起到最佳保護作用；如果實際點火時刻延后，乘員與繼續膨脹的氣囊接觸時，氣囊展開的強大沖擊力同樣會對乘員造成致命的傷害。因此，確保實際點火時刻與最佳點火時刻的一致性是目前智能安全氣囊控制算法設計的主要目標。

2 傳統安全氣囊點火算法

傳統的安全氣囊點火算法主要根據汽車碰撞時的加速度信號及其線性變化量，例如速度變化量、車輛碰撞力或者能量變化等作為基本參數，判斷安全氣囊點火條件，最終確定氣囊是否需要點火。主要的算法形式包括加速度峰值法、加速度梯度法、速度變化量法、比功率法、移動窗算法、ARMA模型預報算法。

2.1 加速度峰值法

加速度峰值算法直接利用加速度傳感器信號來控制安全氣囊的點爆，當加速度信號超過預先設定的閥值就發出氣囊點火信號，使氣囊充氣。

加速度傳感器在車輛上的主要安裝位置包括：發動機艙內左右大燈或翼子板附近、車輛左右B柱。中央氣囊傳感器安裝在中央儀表板下方或者地板控制臺下方。無論是安裝在發動機艙內還是左右B柱的加速度傳感器，安裝位置處于車輛碰撞時的變形區，噪聲干擾會對加速度信號造成很大的影響；中央氣囊傳感器未處于變形區，受到噪聲的影響較小，但是采集到的信號不能正確反映碰撞的真實情況。因此除非處于變形區的傳感器已經被撞壞，否則不會單獨使用[9-11]。所以，采用加速度峰值算法需要對加速度信號進行很好的濾波，它一般應用于機械式的安全氣囊控制系統。目前，加速度峰值算法主要有以下兩方面的應用。

（1）“門檻”作用：在一些氣囊點火算法中，當加速度值超過一定閾值（如3 g）時，判斷有碰撞發生，主體安全氣囊點火算法開始計算。

（2）高速碰撞時直接點爆氣囊的作用：當車輛以特別高的速度發生碰撞時，加速度值超過設定的高閾值，則直接向氣體發生器發出點火信號，省去復雜的信號處理和計算過程，在高速碰撞時及時點爆氣囊。

2.2 加速度梯度法

加速度梯度算法是對加速度變化率的判斷，把濾波后的加速度數據對時間求導數，然后與預先設定的閾值進行比較，確定氣囊是否需要點火。

加速度梯度法對噪聲非常敏感，當車輛在起伏路上行駛、緊急制動或者與階梯發生低速碰撞時，加速度梯度值也有可能超過閾值而導致氣囊點爆，對乘員造成傷害。因此加速度梯度算法需要對加速度信號進行很好的濾波，這樣就造成了碰撞檢測時間的增加，并提高了氣囊控制系統的開發成本。不過，正如加速度梯度法的提出者美國ASL實驗室的Tony Gioutsos指出的那樣，加速度梯度參數對碰撞具有預測能力，它能夠在碰撞發生之前預測到即將發生的碰撞，并預測乘員的位移，在控制氣囊的點火時刻方面有著其它傳統算法無法比擬的優越性[12-13]。因此，將加速度梯度算法與其它算法，如抗干擾能力較強的移動窗算法結合使用，可以綜合兩者的優點，并彌補加速度梯度法抗干擾能力差的缺點。

2.3 移動窗積分算法

在介紹移動窗算法之前，簡要介紹一下速度變化量法。對碰撞過程中的加速度信號進行積分可以得到速度變化量，當速度變化量超過預先設定的閾值時就發出點火信號。速度變化量算法的關鍵是確定積分開始的時刻，現在一般通過加速度閾值來確定碰撞的起始時刻，同時認為碰撞的起始時刻為積分開始時刻。

為了避免選取積分開始時刻帶來的誤差和不便，一般使用移動窗積分算法代替速度變化量法。選取一個適當的窗寬T，對當前時刻之前T時間段內的加速度數據進行積分，并將積分結果與閾值比較，如果超過預先設定的閾值，則發出點火信號。由移動窗積分算法得到的速度變化量曲線比較平滑，有一定的抗干擾能力，在汽車發生100%正面碰撞時，能夠很容易判斷車輛碰撞的嚴重程度，確定氣囊是否需要點火。但是僅僅利用速度變化量參數ΔV，不能區分碰撞類型，當車輛發生柱碰撞、角度碰撞時，氣囊會發生漏點火現象。

文獻[14]和[15]在移動窗積分算法的基礎上引入了另外一個參數，用加速度曲線的長度L來判斷汽車的碰撞形式（a為加速度）。

.

因為高速柱碰撞的加速度比低速正面碰撞的加速度振蕩幅度更大，振蕩頻率也更快，即加速度曲線上的褶皺更加嚴重、密集，因此利用移動窗內加速度曲線的長度參數可以輕易地將高速柱碰撞從低速正面碰撞中區分出來，避免高速柱碰撞時由于安全氣囊不展開而造成的乘員傷害。然而，當汽車緊急制動或者在起伏路、搓板路等崎嶇不平的道路上行駛時，加速度曲線長度值也會很大，抗干擾能力變差。因此只有同時使用速度變化量和加速度曲線長度兩個參數，才能實現對安全氣囊系統的準確控制。另外，為了提高移動窗算法的路面抗干擾能力，文獻[16]提出同時對水平方向ax和垂直地面方向az進行兩向加速度合成積分，來削弱路面干擾信號對碰撞信號的影響。

，

式中：Sc為雙向合成積分量；n為當前時間點；k為算法考慮的采樣點數，即窗寬；fs為采樣頻率；ρ為合成因數，表征兩個方向加速度在合成算法中的權重。

2.4 比功率算法

對碰撞過程中汽車的動能兩邊進

行求導，可以得到汽車碰撞過程中的功率

。接著對其兩邊再進行求導可以得到比功率公式d，將得到的結果與閾值進行比較，可以判斷氣囊是否需要點火[17-18]。

比功率算法綜合了加速度、速度變化量和加速度梯度3個參數，同時融合了加速度峰值法、移動窗算法和加速度坡度法3種算法的優點。（1）對于偏置碰撞、柱碰撞和角度碰撞等碰撞形式，單純的速度變量參數不能很好地識別碰撞，而較敏感的加速度梯度參數可以解決這一問題。（2）加速度坡度法比較敏感，在進行長時間的車輛狀態判斷中會出現混亂，而速度變量法比較穩定，可以長時間判斷汽車安全氣囊是否需要點火。（3）加速度梯度法在起伏路等干擾路況中很敏感，容易出現誤點火的情況，在比功率算法中綜合了速度變化量參數，就可以通過一個很小的ΔV來調整梯度值，增強了算法的抗干擾能力。然而，比功率算法只是考慮了車輛碰撞強度這一點火條件，未考慮乘員狀態，也未對碰撞時刻進行控制，仍然會出現誤點火、遲點火、早點火的現象。

2.5 ARMA模型預報算法

ARMA模型預報算法是一種運用系統辨識建立的預測車身加速度和乘員頭部位移之間關系的方法。將系統假設為單輸入單輸出（SISO）系統，系統的“輸入”就是車身加速度，系統的“輸出”就是乘員頭部的位移，乘員頭部的位移除了受車身加速度的影響外，還要受到安全帶的自由行程、安全帶的制造誤差、座椅的剛度和乘員的坐姿等不確定因素的影響，用噪聲N（k）來表示[4]。系統的結構圖如圖1所示。

建立了系統的模型后，根據試驗數據訓練系統的參數，從而對系統進行預報控制，一般采用二階的ARMA模型就可以滿足預報要求。ARMA模型控制安全氣囊的步驟為：（1）檢測成員位置和車身減速度信號。（2）辨識乘員位置與車身減速度信號關系的數學模型。（3）預報30 ms后時刻乘員頭部位置。（4）如果達到127 mm就發出氣囊點火信號，否則重復步驟（1）。

2.6 安全氣囊傳統點火算法的優缺點對比

安全氣囊傳統控制算法結構簡單，容易實現，各有其特點。這里分別從算法的復雜度、穩定性、抗干擾能力、點火時刻控制、濾波要求和使用范圍進行列表對比，見表2。

綜上所述，傳統安全氣囊主要基于汽車碰撞過程中的加速度信號及其線性變化量，判斷汽車發生碰撞的情況，在控制安全氣囊的起爆過程中存在著一些缺陷。（1）缺少乘員檢測程序，造成座位無乘員乘坐、乘坐兒童等小個子乘員或者乘員處于離位狀態時氣囊全力展開。（2）不能判斷出汽車的碰撞形式，造成安全氣囊在高速柱碰撞、偏置碰撞、斜碰撞等碰撞形式下不展開。（3）抗干擾性能不佳，造成安全氣囊在起伏路、階梯等干擾路況行駛時展開。（4）點火時刻控制不佳，造成氣囊的早點火和遲點火。（5）不能實現氣囊的分級起爆。

3 智能安全氣囊點火算法

NHTSA指出由于目前的車輛乘員約束系統對碰撞類型識別、乘員類型識別以及約束系統工作時刻判斷的不準確，導致汽車發生正面碰撞事故時乘員因為約束系統的誤動作而死亡的情況經常發生。因此隨著法規以及消費者對汽車安全性能要求的提高，智能安全氣囊點火算法的研究越來越被重視。目前，研究較多的智能安全氣囊算法主要有：基于乘員檢測的自適應安全氣囊算法、模糊神經網絡算法、主被動安全系統一體化算法。

3.1 基于乘員檢測的自適應安全氣囊算法

乘員檢測技術應用在汽車上至少可以帶來3個方面的好處。（1）降低乘車成本。如果檢測到乘員座位無人，當車輛發生碰撞時乘員側安全氣囊不需要點爆，這樣就減少了更換安全氣囊帶來的花費。（2）提高乘車舒適性。當檢測到乘員座位有人乘坐時，可以自動打開空調等系統，使乘員乘車舒適。（3）提高乘車安全性。當乘員座位為小個子乘員、嬰兒或乘員處于離位狀態時可以使安全氣囊不展開或者低級展開，避免因氣囊全力展開對乘員造成傷害。乘員檢測的內容包括：乘員占座檢測、乘員大小分類、乘員坐姿檢測和乘員佩戴安全帶狀態檢測[19-21]。

近年來，乘員檢測系統致力于融合多種乘員信息，綜合考慮乘員大小、乘員坐姿以及乘員佩戴安全帶的狀態，為安全氣囊點火系統提供豐富的乘員信息。文獻[22]和[23]首先利用重力傳感器檢測乘員占座情況，根據體重對乘員進行分類，并根據重心初步檢測乘員的位置，然后利用視覺傳感器跟蹤乘員頭部運動軌跡，實時檢測乘員的坐姿。文獻[24]基于不同類型乘員的體壓分布特征，采用支持矢量機（Support Vector Machine，SVM）算法，通過壓力傳感器測得不同乘員類型在不同坐姿下的體型特征樣本對SVM進行了訓練及檢驗，最終得到滿足精度要求的乘員坐姿識別器。隨著攝像機和立體圖像處理技術的發展，僅僅使用視覺檢測系統來識別乘員綜合狀態的目標正在逐步實現。文獻[25]和[26]開發的視覺傳感系統主要檢測乘員臉部位置，其中文獻[25]提出了適用于乘員臉部檢測的3種算法即Viola-Jones算法， Kienzle算法和Nilsson算法，雖然通過驗證發現這3種算法在人臉檢測系統中還存在不穩定的缺點，但是為乘員檢測算法指出了一個有效的研究方向。文獻[27]介紹了視覺傳感器與先進的數字信號處理器DSP的應用，結果顯示乘員分類以及乘員坐姿分析的正確率可以達到97%，但耗時為970 ms，這對于實現實時跟蹤乘員頭部位移以及控制氣囊在最佳時刻點火的目標仍然存在一定的差距。現在基于視覺傳感器以及體壓分布的乘員識別系統所采用的模式識別技術跟模糊神經網絡的應用密不可分[28-30]。

3.2 模糊神經網絡算法

模糊神經網絡算法將模糊算法的非線性信息處理能力和神經網絡的自學習自適應功能應用于汽車安全氣囊控制系統中，有以下兩個方面的用途[4，31]。（1）與乘員識別系統相結合，實現乘員分類、乘員坐姿識別以及乘員頭部跟蹤。（2）與汽車加速度傳感器結合使用，通過對加速度序列的訓練，實現對碰撞嚴重程度、碰撞形式的判斷。模糊神經網絡的基本構造思想為：構造一個包含輸入層、隱含層和輸出層的神經網絡系統，應用實際碰撞試驗中的加速度序列值或者乘員圖像信息作為輸入量，利用反向傳播算法（BP算法）訓練神經網絡，逐步修改模糊隸屬度函數，確定相關參數閾值，最終獲得精準的模糊規則，應用于實際汽車碰撞事故時安全氣囊的點火控制[32-34]。

文獻[35]和[36]介紹了一種基于自適應模糊神經網絡系統（ANFIS）的安全氣囊控制算法，其中文獻[36]設計了一種“兩階段模糊算法”的ANFIS結構，利用了多個設計參數來支持算法。當加速度信號G超過預先設定值后，利用該時間段內對加速度信號兩次積分得到一個距離值“disp1”與設定的閾值作比較，判斷碰撞是否是“嚴重”碰撞。如果不是嚴重碰撞或者不能判斷，則進入第二層判斷，引入了加速度值對時間的導數“jerk”，加速度超過閾值后“jerk”值超過閾值的次數“njerk”以及加速度超過閾值與“jerk”值第1次超過閾值的時間間隔“tw”這3個參數，利用當前時間段內的“disp2”，“njerk”和“tw”3個參數來判斷碰撞的嚴重程度。文獻[37]利用遺傳算法對模糊神經網絡的隸屬度函數進行訓練，通過隨機但有向的搜索機制尋找全局最優解。解決了由人類經驗產生的模糊控制規則固定不變的問題，并且在設計空間可以進行多點搜索，大大降低了系統陷入局部最優值的概率。文獻[38]提出的應用進化策略對參數進行優化的算法，選擇碰撞過程中的速度、加速度、加速度偏差和乘員的頭部位移4個參數集作為系統的輸入，通過對參數集進行一系列的變異、復制和選擇，確定最優參數集，并建立一個質量函數來評價算法的功能。

3.3 主被動安全系統一體化的預測算法

主動安全系統通過其高性能的傳感器，例如雷達傳感器、立體視圖攝像機和超音波感測傳感器等，在汽車即將發生碰撞時發出警告，并通過制動踏板或者轉向輪來避免碰撞發生。主動安全系統提供的信息可以應用于安全氣囊的預碰撞識別系統，根據碰撞時車輛相對于前端障礙物的航向角、相對位置和相關速度預測即將發生的碰撞的場景，預測碰撞的嚴重程度和碰撞類型，為安全氣囊準確展開提供保證。文獻[39]中，Kwanghyun等人基于預警制動防撞系統（CMS）、自適應巡航系統（ACC）、車道偏離警示系統（LDWS）等主動安全裝置提供的信息和加速度傳感器信息提出了一種預碰撞算法和碰撞算法相融合的安全氣囊算法。該算法利用預碰撞算法得到以下3方面的信息。（1）通過估計前端障礙物的位置預測碰撞發生的可能性。（2）通過利用雷達傳感器提供的相關速度和距離來計算碰撞發生的時間。（3）基于前端障礙物的位置來描述碰撞類型。然后應用碰撞算法判斷汽車碰撞的發生時刻、碰撞類型、碰撞嚴重度和氣囊點火時刻，與預碰撞算法通過“AND”語句實現對汽車碰撞現場的精確掌握，以保證安全氣囊準確動作。文獻[40] 提出了一種針對汽車100%正面碰撞的主被動安全系統集成算法，并指出主被動融合技術的下一步就是實現碰撞的準確預測和在汽車上的匹配應用。

4 結論

本文詳細介紹了傳統安全氣囊點火算法，對傳統安全氣囊點火算法的優缺點進行了列表對比，并針對智能安全氣囊算法的3個發展方向進行了詳細分析，總結出安全氣囊算法的發展方向。

（1）自適應安全氣囊算法：安全氣囊控制系統根據座位乘員的大小、坐姿以及佩戴安全帶狀態選擇氣囊是否起爆或者調整氣囊起爆級別，目前需要解決系統的實時性問題。

（2）基于模糊神經網絡的智能算法：利用模糊神經網絡解決非線性問題的能力，處理汽車碰撞類型的識別問題，并實現乘員頭部位移的跟蹤，目前模糊神經網絡的應用還存在穩定性問題和局部最優解問題。

篇10

80年代初，在美國、日本、接著在我國國內都掀起了一股研究神經網絡理論和神經計算機的熱潮，并將神經網絡原理應用于圖象處理、模式識別、語音綜合及機器人控制等領域。近年來，美國等先進國家又相繼投入巨額資金，制定出強化研究計劃，開展對腦功能和新型智能計算機的研究。

人腦是自生命誕生以來，生物經過數十億年漫長歲月進化的結果，是具有高度智能的復雜系統，它不必采用繁復的數字計算和邏輯運算，卻能靈活處理各種復雜的，不精確的和模糊的信息，善于理解語言、圖象并具有直覺感知等功能。

人腦的信息處理機制極其復雜，從結構上看它是包含有140億神經細胞的大規模網絡。單個神經細胞的工作速度并不高（毫秒級），但它通過超并行處理使得整個系統實現處理的高速性和信息表現的多樣性。

因此，從信息處理的角度對人腦進行研究，并由此研制出一種象人腦一樣能夠“思維”的智能計算機和智能信息處理方法，一直是人工智能追求的目標。

神經網絡就是通過對人腦的基本單元---神經元的建模和聯結，來探索模擬人腦神經系統功能的模型，并研制一種具有學習、聯想、記憶和模式識別等智能信息處理功能的人工系統。本文介紹神經網絡的特點以及近年來有關神經網絡與混沌理論、模糊計算和遺傳算法等相結合的混合神經網絡研究的動態。

一．神經網絡和聯結主義

回顧認知科學的發展，有所謂符號主義和聯結主義兩大流派。符號主義從宏觀層次上，撇開人腦的內部結構和機制，僅從人腦外在表現出來的智能現象出發進行研究。例如，將記憶、判斷、推理、學習等心理活動總結成規律、甚至編制成規則，然后用計算機進行模擬，使計算機表現出各種智能。

符號主義認為，認識的基本元素是符號，認知過程是對符號表示的運算。人類的語言，文字的思維均可用符號來描述，而且思維過程只不過是這些符號的存儲、變換和輸入、輸出而已。以這種方法實現的系統具有串行、線性、準確、簡潔、易于表達的特點，體現了邏輯思維的基本特性。七十年代的專家系統和八十年代日本的第五代計算機研究計劃就是其主要代表。

聯接主義則與其不同，其特點是從微觀出發。聯接主義認為符號是不存在的，認知的基本元素就是神經細胞（神經元），認知過程是大量神經元的聯接，以及這種聯接所引起的神經元的不同興奮狀態和系統所表現出的總體行為。八十年代再度興起的神經網絡和神經計算機就是這種聯接主義的代表。

神經網絡的主要特征是：大規模的并行處理和分布式的信息存儲，良好的自適應、自組織性，以及很強的學習功能、聯想功能和容錯功能。與當今的馮．諾依曼式計算機相比，更加接近人腦的信息處理模式。主要表現如下：

神經網絡能夠處理連續的模擬信號。例如連續灰度變化的圖象信號。

能夠處理混沌的、不完全的、模糊的信息。

傳統的計算機能給出精確的解答，神經網絡給出的是次最優的逼近解答。

神經網絡并行分布工作，各組成部分同時參與運算，單個神經元的動作速度不高，但總體的處理速度極快。

神經網絡信息存儲分布于全網絡各個權重變換之中，某些單元障礙并不影響信息的完整，具有魯棒性。

傳統計算機要求有準確的輸入條件，才能給出精確解。神經網絡只要求部分條件，甚至對于包含有部分錯誤的輸入，也能得出較好的解答，具有容錯性。

神經網絡在處理自然語言理解、圖象模式識別、景物理解、不完整信息的處理、智能機器人控制等方面有優勢。

符號主義和聯接主義兩者各有特色，學術界目前有一種看法：認為基于符號主義得傳統人工智能和基于聯接主義得神經網絡是分別描述人腦左、右半腦的功能，反映了人類智能的兩重性：精確處理和非精確處理，分別面向認識的理性和感性兩個方面，兩者的關系應該是互補而非互相代替。理想的智能系統及其表現的智能行為應是兩者相互結合的結果。

接下去的問題是，符號AI和聯接AI具體如何結合，兩者在智能系統中相互關系如何？分別扮演什么角色？目前這方面發表的文獻很多，大致有如下幾種類型：

1．松耦合模型：符號機制的專家系統與聯接機制的神經網絡通過一個中間媒介（例如數據文件）進行通訊。

2．緊耦合模型：與松耦合模型相比較，其通訊不是通過外部數據進行，而是直接通過內部數據完成，具有較高的效率。其主要類型有嵌入式系統和黑板結構等。

3．轉換模型：將專家系統的知識轉換成神經網絡，或把神經網絡轉換成專家系統的知識，轉換前的系統稱為源系統，轉換后的系統稱為目標系統，由一種機制轉成另一種機制。如果源系統是專家系統，目標系統是神經網絡，則可獲得學習能力及自適應性；反之，可獲得單步推理能力、解釋能力及知識的顯式表示。當然，轉換需要在兩種的機制之間，確定結構上的一致性，目前主要問題是還沒有一種完備而精確的轉換方法實現兩者的轉換。有待進一步研究。

4．綜合模型：綜合模型共享數據結構和知識表示，這時聯接機制和符號機制不再分開，兩者相互結合成為一個整體，既具有符號機制的邏輯功能，又有聯接機制的自適應和容錯性的優點和特點。例如聯接主義的專家系統等。

近年來神經網絡研究的另一個趨勢，是將它與模糊邏輯、混沌理論、遺傳進化算法等相結合，即所謂“混合神經網絡”方法。由于這些理論和算法都是屬于仿效生物體信息處理的方法，人們希望通過她們之間的相互結合，能夠獲得具有有柔性信息處理功能的系統。下面分別介紹。

二．混沌理論與智能信息處理

混沌理論是對貌似無序而實際有序，表面上看來是雜亂無章的現象中，找出其規律，并予以處理的一門學科。早在七十年代，美國和歐洲的一些物理學家、生物學家、數學家就致力于尋求在許許多多不同種類的不規則性之間的聯系。生物學家發現在人類的心臟中有混沌現象存在，血管在顯微鏡下交叉纏繞，其中也有驚人的有序性。在生物腦神經系統中從微觀的神經膜電位到宏觀的腦電波，都可以觀察到混沌的性態，證明混沌也是神經系統的正常特性。

九十年代開始，則更進一步將混沌和神經網絡結合起來，提出多種混沌神經網絡模型，并探索應用混沌理論的各種信息處理方法。例如，在神經元模型中，引入神經膜的不應性，研究神經元模型的混沌響應，研究在神經網絡的方程中，不應性項的定標參數，不定性時間衰減常數等參數的性質，以及這些參數于神經網絡混沌響應的關系，并確定混沌---神經網絡模型具有混沌解的參數空間。經過試驗，由這種混沌神經網絡模型所繪出的輸出圖形和腦電圖極為相似。

現代腦科學把人腦的工作過程看成為復雜的多層次的混沌動力學系統。腦功能的物理基礎是混沌性質的過程，腦的工作包含有混沌的性質。通過混沌動力學，研究、分析腦模型的信息處理能力，可進一步探索動態聯想記憶、動態學習并應用到模式識別等工程領域。例如：

對混沌的隨機不規則現象，可利用混沌理論進行非線性預測和決策。

對被噪聲所掩蓋的微弱信號，如果噪聲是一種混沌現象，則可通過非線性辨識，有效進行濾波。

利用混沌現象對初始值的敏銳依賴性，構成模式識別系統。

研究基于混沌---神經網絡自適應存儲檢索算法。該算法主要包括三個步驟，即：特征提取、自適應學習和檢索。

模式特征提取采用從簡單的吸引子到混沌的層次分支結構來描述，這種分支結構有可能通過少數幾個系統參數的變化來加以控制，使復雜問題簡單化。自適應學習采用神經網絡的誤差反傳學習法。檢索過程是通過一個具有穩定吸引子的動力學系統來完成，即利用輸入的初始條件與某個吸引子（輸出）之間的存在直接對應關系的方法進行檢索。利用這種方法可應用于模式識別。例如黑白圖象的人臉識別。

三．模糊集理論與模糊工程

八十年代以來在模糊集理論和應用方面，也有很大進展。1983年美國西海岸AI研究所發表了稱為REVEAL的模糊輔助決策系統并投入市場，1986年美國將模糊邏輯導入OPS---5，并研究成功模糊專家系統外殼FLOPS，1987年英國發表采用模糊PROLOG的智能系統FRIL等。除此通用工具的研制以外，各國還開發一系列用于專用目的的智能信息處理系統并實際應用于智能控制、模式識別、醫療診斷、故障檢測等方面。

模糊集理論和神經網絡雖然都屬于仿效生物體信息處理機制以獲得柔性信息處理功能的理論，但兩者所用的研究方法卻大不相同，神經網絡著眼于腦的微觀網絡結構，通過學習、自組織化和非線性動力學理論形成的并行分析方法，可處理無法語言化的模式信息。而模糊集理論則著眼于可用語言和概念作為代表的腦的宏觀功能，按照人為引入的隸屬度函數，邏輯的處理包含有模糊性的語言信息。

神經網絡和模糊集理論目標相近而方法各異。因此如果兩者相互結合，必能達到取長補短的作用。將模糊和神經網絡相結合的研究，約在15年前便已在神經網絡領域開始，為了描述神經細胞模型，開始采用模糊語言，把模糊集合及其運算用于神經元模型和描述神經網絡系統。目前，有關模糊---神經網絡模型的研究大體上可分為兩類：一類是以神經網絡為主，結合模糊集理論。例如，將神經網絡參數模糊化，采用模糊集合進行模糊運算。另一類以模糊集、模糊邏輯為主，結合神經網絡方法，利用神經網絡的自組織特性，達到柔性信息處理的目的。

與神經網絡相比，模糊集理論和模糊計算是更接近實用化的理論，特別近年來美國和日本的各大公司都紛紛推出各種模糊芯片，研制了型號繁多的模糊推理板，并實際應用于智能控制等各個應用領域，建立“模糊工程”這樣一個新領域。日本更首先在模糊家電方面打開市場，帶有模糊控制，甚至標以神經---模糊智能控制的洗衣機、電冰箱、空調器、攝象機等已成為新一代家電的時髦產品。我國目前市場上也有許多洗衣機，例如榮事達洗衣機就是采用模糊神經網絡智能控制方式的洗衣機。

四．遺傳算法

遺傳算法（GeneticAlgorithm：GA）是模擬生物的進化現象（自然、淘汰、交叉、突然變異）的一種概率搜索和最優化方法。是模擬自然淘汰和遺傳現象的工程模型。

GA的歷史可追溯到1960年，明確提出遺傳算法的是1975年美國Michigan大學的Holland博士，他根據生物進化過程的適應現象，提出如下的GA模型方案：

1．將多個生物的染色體（Chromosmoe）組成的符號集合，按文字進行編碼，稱為個體。

2．定義評價函數，表示個體對外部環境的適應性。其數值大的個體表示對外部環境的適應性高，它的生存（子孫的延續）的概率也高。

3．每個個體由多個“部分”組合而成，每個部分隨機進行交叉及突然變異等變化，并由此產生子孫（遺傳現象）。

4．個體的集合通過遺傳，由選擇淘汰產生下一代。

遺傳算法提出之后，很快得到人工智能、計算機、生物學等領域科學家的高度重視，并在各方面廣泛應用。1989年美國Goldberg博士發表一本專著：“GeneticAlgorithmsinSearch，OptimizationandMachineLearning”。出版后產生較大影響，該書對GA的數學基礎理論，GA的基本定理、數理分析以及在搜索法、最優化、機器學習等GA應用方面進行了深入淺出的介紹，并附有Pascal模擬程序。

1985年7月在美國召開第一屆“遺傳算法國際會議”（ICGA）。以后每隔兩年召開一次。近年來，遺傳算法發展很快，并廣泛應用于信息技術的各個領域，例如：

智能控制：機器人控制。機器人路徑規劃。

工程設計：微電子芯片的布局、布線；通信網絡設計、濾波器設計、噴氣發動機設計。

圖象處理：圖象恢復、圖象識別、特征抽取。

調度規劃：生產規劃、調度問題、并行機任務分配。

優化理論：TSP問題、背包問題、圖劃分問題。

人工生命：生命的遺傳進化以及自增殖、自適應；免疫系統、生態系統等方面的研究。

神經網絡、模糊集理論和以遺傳算法為代表的進化算法都是仿效生物信息處理模式以獲得智能信息處理功能的理論。三者目標相近而方法各異；將它們相互結合，必能達到取長補短、各顯優勢的效果。例如，遺傳算法與神經網絡和模糊計算相結合方面就有：

神經網絡連續權的進化。

傳統神經網絡如BP網絡是通過學習，并按一定規則來改變數值分布。這種方法有訓練時間過長和容易陷入局部優化的問題。采用遺傳算法優化神經網絡可以克服這個缺點。

神經網絡結構的進化。

目前神經網絡結構的設計全靠設計者的經驗，由人事先確定，還沒有一種系統的方法來確定網絡結構，采用遺傳算法可用來優化神經網絡結構。

神經網絡學習規則的進化。