神经网络的优势范文篇1

关键词经济活动预测模型人工神经网络

经济活动诸如商品价格走势、生产活动的产量预测、加工的投入产出分析、工厂的成本控制等方面都是重要的技术经济层面。定量化的经济活动分析是经济学研究的必由之路，而建模是量化分析的基础，这是因为模型为科学分析和质量、成本等控制提供了理论依据。本文针对经济活动中大多数研究对象都具有的非线性特点，给出了用人工神经网络（ArtificialNerveNetwork）模型建立经济活动的预测模型的原理和方法，并描述了神经网络与各种先进的建模方法相结合的模型化方法，为经济活动的分析、预测与控制提供了理论基础。

1神经网络模型方法

现实的经济系统是一个极其复杂的非线性系统，客观上要求建立非线性模型。传统上使用回归与自回归模型刻画的都是线性关系，难于精确反映因变量的变化规律，也终将影响模型的拟合及预报效果。为揭示隐含于历史记录中的复杂非线性关系必须借助更先进的方法———人工神经网络(ANN)方法。

人工神经网络具有并行处理、自适应、自组织、联想记忆及源于神经元激活函数的压扁特性的容错和鲁棒性等特点。数学上已经证明，神经网络可以逼近所有函数，这意味着神经网络能逼近那些刻画了样本数据规律的函数，且所考虑的系统表现的函数形式越复杂，神经网络这种特性的作用就越明显。

在各类神经网络模型中，BP（Back－Propagation误差后向传播）神经网络模型是最常用的也是最成熟的模型之一。本质上，BP模型是对样本集进行建模，即建立对应关系RmRn,xk∈Rm,ykRn。数学上，就是一个通过函数逼近拟合曲线/曲面的方法，并将之转化为一个非线性优化问题来求解。

对BP神经网络模型，一般选用三层非循环网络。假设每层有N个处理单元，通常选取连续可微的非线性作用函数如Sigmoid函数f(x)=1/(1+e-x)，训练集包括M个样本模式{(xk,yk)}。对第P个训练样本（P＝1，2，…，M），单元j的输入总和记为apj，输出记为Opj，则:

apj=WQ

Opj=f(apj)=1/(1+e-apj)

（1）

对每个输入模式P，网络输出与期望输出（dpj）间误差为：

E=Ep=((dpj-Opj)2)

（2）

取BP网络的权值修正式：

Wji(t+1)=Wji(t)+?浊?啄pj+?琢(Wji(t)-Wji(t-1))

（3）

其中，对应输出单元?啄pj=f’,(apj)(dpj-Opj)；对应输入单元?啄pj=f’,(apj)?啄pkWkj；

?浊是为加快网络收敛速度而取值足够大又不致产生振荡的常数；?琢为一常数项，称为趋势因子，它决定上一次学习权值对本次权值的影响。

BP学习算法的步骤：初始化网络及学习参数；提供训练模式并训练网络直到满足学习要求；前向传播过程,对给定训练模式输入，计算网络的输出模式，并与期望比较，如有误差，则执行下一步，否则返回第二步；后向传播过程,计算同一层单元的误差?啄pj,按权值公式（3）修正权值;返回权值计算公式（3）。BP网络的学习一般均需多周期迭代，直至网络输出与期望输出间总体的均方根误差ERMS达到一定要求方结束。

实践中，BP网络可能遇到如下问题：局部极小点问题；迭代收敛性及收敛速度引起低效率问题。此外还有，模型的逼近性质差；模型的学习误差大，记忆能力不强；与线性时序模型一样，模型网络结构及节点作用函数不易确定；难以解决应用问题的实例规模与网络规模之间的矛盾等。为克服这样的一些问题，同时为了更好地面向实际问题的特殊性，出现了各种基于神经网络模型或与之结合的模型创新方法。

2灰色神经网络模型

灰色预测和神经网络一样是近年来用于非线性时间序列预测的引人注目的方法，两种方法在建模时都不需计算统计特征，且理论上可以适用于任何非线性时间序列的建模。灰色预测由于其模型特点，更合用于经济活动中具有指数增长趋势的问题，而对于其他变化趋势，则可能拟合灰度较大，导致精度难于提高。

对于既有随时间推移的增长趋势，又有同一季节的相似波动性趋势，且增长趋势和波动性趋势都呈现为一种复杂的非线性函数特性的一类现实问题，根据人工神经网络具有较好的描述复杂非线性函数能力特点，用其对季节性建模；最后根据最优组合预测理论，建立了兼有GM（1，1）和ANN优点的最优组合预测模型。该模型能够同时反映季节性时间序列的增长趋势性和同季波动性的双重特性，适用于一般具有季节性特点的经济预测。

首先，建立GM（1，1）模型，设时间序列x(0)=(x(0)(1),x(0)(2),?撰,x(0)(n))，作一阶累加生成：

x(1)=(x(1)(1),x(1)(2),?撰,x(1)(n))（4）

其中x(1)(k)=(x(0)(i),k=1,2,?撰,n

构造一阶线性灰色微分方程并得到该方程的白化微分方程：

+ax=u

用最小二乘法求解参数a，u，得到x(1)的灰色预测模型：

(1)(k+1)=(X(0)(1)-u/a)e-ak+u/a,(k=0,1,2,?撰)

（5）

其次，根据上节方法建立BP人工神经网络模型。

第三，将两模型优化组合。设f1是灰色预测值，f2是神经网络预测值，fc是最优组合预测值，预测误差分别为:e1,e2,ec，取w1和w2是相应的权系数，且w1+w2=1,有fc=w1f1+w2f2，则误差及方差分别为ec=w1e1+w2e2,Var(ec)=w21Var(e1)+w22Var(e2)+2w1w2cov(e1,e2)

对方差公式求关于w1的极小值，并取cov(e1,e2)=0，即可得到组合预测权系数的值。

2基于粗糙集理论的神经网络模型

粗糙集理论与模糊集理论一样是研究系统中知识不完全和不确定问题的方法。模糊集理论在利用隶属函数表达不确定性时，为定义一个合适的隶属函数，需要人工干预，因而有主观性。而粗糙集理论由粗糙度表示知识的不完全程度，是通过表达知识不精确性的概念计算得到的，是客观的，并不需要先验知识。粗糙集通过定义信息熵并进而规定重要性判据以判断某属性的必要性、重要性或冗余性。

一般来说，BP神经网络模型对模型输入变量的选择和网络结构确定等都基本凭经验或通过反复试验确定，这种方法的盲目性会导致模型质量变差。用粗糙集理论指导，先对各种影响预测的因素变量进行识别，以此确定预测模型的输入变量；再通过属性约简和属性值约简获得推理规则集；然后以这些推理规则构造神经网络预测模型，并采用加动量项的BP的学习算法对网络进行优化。有效改善了模型特性，提高了模型质量。其建模步骤为：由历史数据及其相关信息历史数据构造决策表；初始化；对决策表的决策属性变量按划分值域为n个区域的方式离散化；采用基于断点重要性的粗糙集离散化算法选择条件属性变量和断点（分点），同时计算决策表相容度，当决策表相容度为1或不再增加时，则选择条件属性变量和分点过程结束；由选择的条件属性变量及其样本离散化值构造新的决策表，并对其约简，得到推理规则集；由推理规则集建立神经网络模型；对神经网络进行训练；若神经网络拟合误差满足要求，则结束，否则，增加n。必须指出，区间分划n太小，会使得拟合不够，n太大，即输出空间分得太细，会导致过多的区域对应，使网络结构过于复杂，影响泛化（预测）能力。

3小波神经网络模型

人工神经网络模型存在的网络结构及节点函数不易确定问题，结合小波分析优良的数据拟合能力和神经网络的自学习、自适应特性建模，即用非线性小波基取代通常的非线性S型函数。

设非线性时间序列变化函数f(t)∈L2(R)，定义其小波变换为：

Wf(a,b)==f(t)?渍()dt

（6）

式中，?渍ab(t)称为由母小波?渍t（定义为满足一定条件的平方可积函数?渍(t)∈L2(R)如Haar小波、Morlet小波、样条小波等）生成的依赖于参数a、b的连续小波，也称小波基。参数a的变化不仅改变小波基的频谱结构，还改变其窗口的大小和形状。对于函数f(t)，其局部结构的分辩可以通过调节参数a、b，即调节小波基窗口的大小和位置来实现。

用小波级数的有限项来逼近时序函数，即：

(t)=wk?渍()

（7）

式中(t)，为时间序列y(t)的预测值序列；wk,bk,ak分别为权重系数，小波基的平移因子和伸缩因子；L为小波基的个数。参数wk,bk,ak采用最小均方误差能量函数优化得到，L通过试算得到。

4模糊神经网络模型

模糊集合和模糊逻辑以人脑处理不精确信息的方法为基础，而人工神经网络是以大量简单神经元的排列模拟人脑的生理结构。二者的融合既具有神经网络强大的计算能力、容错性和学习能力，又有对于不确定、不精确信息的处理能力，即同时具有底层的数据处理、学习能力和高层的推理、思考能力。

一种应用模糊理论的方法是把模糊聚类用来确定模糊系统的最优规则数，从而确定模糊神经网络的结构。这样确定的网络结构成为四层：第一层为直接输入层；第二层为模糊化层，对输入做模糊化处理；第三层为模糊推理层，对前层模糊结果做模糊推理；第四层为非模糊化层，可以采用重心非模糊化法，产生网络输出。该网络采用动态处理法，增强了其处理能力，且适用性强、精度高。

5结语

除上述几种结合式神经网络方法之外，人工神经网络模型在算法设计方面一直在取得巨大的进步。神经网络模型方法是一种先进的具有智能的非线性建模方法，其在自然科学、经济现象、社会活动等方面的应用正在不断深化，把神经网络方法引入经济活动的分析和预测中，并紧密联系诸多先进的建模方法，是使工业经济、商业经济及其对经济本质规律的研究等各项工作推向前进的重要理论武器。

参考文献

神经网络的优势范文篇2

关键词：神经网络算法电力负荷短期预测

1.引言

近年来BP网络以其独特的优势被运用到电力负荷预测中，运用BP网络的预测方法，可以结合电力负荷的历史数据，针对这些数据不确定、非线性的特点，对未来的短期负荷进行预测，发挥了较好的作用。电力短期负荷预测是电网运营商为用户提供可靠服务的重要基础。传统的电力负荷预测包括许多被广泛采用的方法，例如SVM法、回归法等等。这些方法的优势在于实现难度低，便于操作，但是其预测精度往往难以满足电网运营商的需求。传统的BP神经网络算法同样存在一些弱点，包括学习过程收敛速度慢、算法易陷入局部极小点和鲁棒性差等缺陷，对预测的效率与精度带来一些影响。本文引入遗传算法对其进行优化和改进，通过实验与比较，证明了所构建的负荷预测系统的准确度，在电力需求侧管理方面有着很好的实践意义，值得推广应用。

2.神经网络负荷预测概述

可以将电力系统短期之内的负荷看做是一个标准的时间序列。从算法的角度来讲，一般有两个类型的预测模式，第一种是基于参数的时间序列预测，第二种是基于非参数的时间序列预测方法。本研究所涉及的基于BP神经网络的电力短期符合预测属于基于非参数的序列预测，这种预测方式的优势在于不必再假设具体的信号模型。所以，与基于参数的预测相比较，具有更好的使用范围。在电力短期符合预测中，可以把这些以时间序列存在的负荷数据作为历史数据，以历史数据来计算数据发展的未来趋势，这就涉及到数据序列之间的映射关系，因为BP网络的特性便于实现数据序列里的映射关系，所以十分适合于进行未来趋势的预测。本文引入BP神经网络，进行电力系统短期负荷的预测。

3.基于传统神经网络的负荷预测

电网负荷与历史数据及天气状况之间是非线性的关系。经过仔细对其进行关联分析，得到了影响较大的因子：温度、时段、节假日以及环境，本研究将一天的24小时分为四个时段，为不使函数作用在其取值范围的平坦区，以归一化预处理的方法，将所采集的数据映射于[0.1，0.9]区间。以一个星期为周期，把本星期之内的前6天作为训练数据，最后一天作为预测数据，如表1所示：

结合Kolmogorov算法，输入层有12个神经元，隐含层为5个节点，输出层中的神经元有4个。以传统的神经网络方法对BP网络进行训练，引入Matlab实现对实验数据的仿真分析，结果为：训练次数超过1000次后，训练误差预测误差已经可以接受。

4.基于优化神经网络的负荷预测

传统的神经网络具有学习过程收敛慢、算法易陷在局部极小值以及鲁棒性差等缺陷，本文引入遗传优化算法对其进行改进。遗传算法能够在全局范围内以较快的速度找到最优解，收敛速度较快。通过改善权值和阈值的确定过程，增强其收敛速度，并避免其陷在局部极小值。

遗传算法能够以逼近自然选择与自然基因的方法进行搜索，遗传算法一般有三个步骤，分别是选择、交叉与变异。本文引入遗传算法训练传统神经网络权值，具体的流程如下：

（1）对权值进行编码操作，把其转换为步长是l的字符序列。

（2）确定序列的初始种群，通过将以上的字符序列进行编号，把所有的权值转换为一组数据，这些数据代表每一个个体，因此所有的数据便能够形成初始种群。

（3）确定适应度，把BP的输出误差经过运算得到其能量函数E，适应度为F=C/E。

（4）确定适应度之后，对上一代种群进行考察，取里面适应度较高的部分（一般选取前十分之一的数据）直接投入下一代种群，其余的种群则处于待定状态。

（5）进行数据交叉，引入单点交叉模式，将概率定于0.9。

（6）进行序列的变异，变异概率P=0.02。

（7）终止条件是否满足，如果已经满足，则操作停止，不满足则返回步骤（4）。

（8）结束过程。得到神经网络最优解，即权值和阈值。

同样以表1的负荷数据作为研究内容，从基本BP网络的误差曲线可知，传统神经网络训练次数超过1000次时，目标误差值10-4刚刚达到，收敛较慢，性能不佳；而粒子群优化后的BP网络则在第19次时满足了目标误差值，可见性能有较为明显的提升，经过更少的迭代次数就使网络的性能达到了要求。

本研究的仿真过程数据偏少，而在样本空间非常大的情况下，神经网络结构将变得复杂，此时的基于传统神经网络的预测收敛速度将会显著减慢，而优化之后的算法会体现出更加明显的优越性。此时可以通过对数据的处理来适当缩小规模，并进一步提升交叉概率，以保证更快的效率和更高的电力负荷预测准确率。

5.结束语

本研究将遗传算法优化的BP算法应用于电力负荷预测，本文的成果对电力需求侧管理和提升服务品质、夯实企业核心竞争力具有比较好的实践意义和理论价值。新算法克服神经网络固有的缺陷，经仿真试验证明效果满意，可以满足短期负荷预测的需要。

参考文献：

[1]梁海峰，涂光瑜，唐红卫.遗传神经网络在电力系统短期负荷预测中的应用[J].电网技术，2011，25（1）：49-53.

神经网络的优势范文篇3

1优势流场的形成及变化

1.1储层参数变化规律研究现状关于长期注水开发油田储层参数的变化特点，国内外许多学者作了研究，应用的方法主要有物理模拟实验、示踪剂测试、岩心分析、测井解释、试井等。宋万超等［5］提出了流体动力地质作用的概念，并认为流体动力地质作用通过风化、剥蚀、搬运、沉积对储层进行改造，是造成储层参数变化的主要原因。钟大康等［6］认为，长期注水冲刷后孔隙度及渗透率均会增大，岩石成分成熟度高、成岩演化程度低，长期注水是形成大孔道的主要原因。李存贵及林玉保等［7-8］的研究成果均表明，储层孔隙特征在高含水期明显变好，喉道半径有增大的趋势，喉道分选性变好，孔喉半径中值增大。在优势通道的识别方面，刘月田等［9］利用层次分析及模糊综合评判法计算出了大孔道的综合判度。杨元明等［10］通过应用层次分析法及模糊综合评判法建立了低效循环形成时机的评判模型。彭仕宓等［11］通过引入大孔道综合指数的概念，结合模糊综合评判技术定量识别窜流通道的分布规律。杨焕文等［12］采用注采关联度方法来识别窜流通道。余成林等［13］从地质及开发角度求取井组变异系数等4个参数，应用综合判别参数法定量判识窜流通道发育区。王都伟等［14］利用模糊ISODATA聚类方法进行了大孔道的级别确定。冯其红等［15］将储集层渗透率演化模型与油藏流体渗流方程进行耦合计算得出了大孔道在地层中的形成与演化规律。由此可见，人们对于储层参数变化的认识是逐步加深的，经历了由定性到半定量再到定量的描述过程。现在人们逐渐认识到“大孔道”是一个相对概念，并不是绝对的，不能将半径超过某一值的某个通道就定义为大孔道，因为“大孔道”并不能真实地反映注入水无效利用的现状。现在人们改用优势通道、窜流通道发育区、低效循环区等概念来表征储层参数的变化，本文则引入优势流场的概念展开研究。油藏流场一开始就存在，并随着油田开发的进行而不断发生变化。优势流场指在油田开发中后期，储层岩石在注入水的长期冲刷作用下，再加上油水的重力分异作用，局部多孔介质内的流场强度明显高于与之体积相当的邻近介质内的流场强度。优势流场的存在，严重影响油田高含水期的政策制定及方案实施，准确识别及评价优势流场，能够有针对性地开展油井防砂、高含水期生产制度调整、封堵剂及封堵工艺的研制工作，将油藏流场评价并分级后，可以通过层系调整、井网调整等流场重整措施部署油田开发方案。前人对优势通道的识别以模糊综合评判法为主，各评价指标的权重通过层次分析法或专家打分法确定，这2种方法人为主观因素较多，不能客观反映各因素对优势流场的影响，本文提出应用BP神经网络技术，选用经矿场调剖堵水后优势流场得到充分认识的油田作为样本，BP神经网络经样本训练后获得各层的连接权重并保存起来，即可作为评价优势流场的工具。

1.2油藏流场评价指标的选取流场评价涉及地质和开发因素在内的许多指标，但有些指标对流场的影响是重复的，有些指标虽然是独立的，但对流场的影响较小，因此首先要对评价指标进行筛选。指标的选取要遵循重要性、针对性、可比性及定性与定量相结合的原则。本文采用逻辑分析方法，将影响流场的指标按因果关系、等价关系和过程关系分类，剔除原因、等价多余和过程等指标，从而确定指标体系［16］。最终选取的评价指标为：渗透率、油层有效厚度、孔道半径、非均质系数、单位厚度累计注水量、单位厚度累计产液量、含水率、过水倍数、注采压差。

2BP神经网络

人工神经网络是模拟生物神经结构和信息处理方式的网络,可以用来解决模式识别、预测估值、评价分析等问题，目前被越来越多地应用于石油勘探开发中，主要用于识别剩余油分布、储层参数解释、产能评价、预测原油PVT属性、预测最小混相压力等［17］。BP神经网络是一种根据实际输出和期望输出之差，对网络各层之间的连接权值由后向前进行校正的多层前馈网络。它由1个输入层、1个输出层和若干个隐含层构成，可以真实刻画出输入变量和输出变量之间的非线性关系；它通过多个样本的训练获得各层连接权值等信息作为知识保存，以便对新样本进行预测。应用BP神经网络技术对某类问题综合评价的原理是：把评价指标体系作为输入向量，将代表相应综合评价的量值作为输出向量。首先利用一些经传统综合评价取得成功的样本训练这个网络，经训练学习后，各指标的权值可得到正确表示，训练好的神经网络即可作为综合评价的有效工具。利用BP神经网络进行流场评价时，各评价指标作为输入变量，因此输入层神经元的个数为9；流场强度作为输出向量，因此输出层神经元的个数为1，流场评价输出标准见表1。研究证明，单隐含层的神经网络，若隐层节点数足够的话，它就能以任意精度去逼近一个非线性函数，所以，本文确定隐含层数为1。选取胜利油田调剖堵水后对优势流场取得较好认识的4个油田数据作为样本，每个油田数据对应一种流场评价结果，计算每个样本数据所需的9个指标值，利用MATLAB软件对神经网络进行训练和检验，直到误差满足要求，此时各连接权值被确定下来。对于新油田，确定各个输入指标后，就可以进行流场的评价及分级。

3流场评价体系现场应用

3.1试验区概况埕东油田东区位于埕21大断层东侧，构造平缓，闭合高度60m，主要含油层系为上馆陶组，探明含油面积13.9km2，地质储量4251×104t。建立油藏数值模拟模型后，进行储量、压力和含水率的历史拟合，拟合效果较好，为剩余油潜力研究和方案优选奠定了基础。

3.2试验区流场强度评价通过计算试验区块各个小层的渗透率、有效厚度等参数，应用训练好的BP神经网络对该试验区块进行流场评价。通过对比各个层的流场强度可以发现，埕东东区主力层Ng251，Ng252，Ng331，Ng34的流场强度较大，产生了优势流场。结合剩余油饱和度分布图和油藏流场评价分级图发现，无论是平面上还是纵向上，优势流场存在的区域，剩余油饱和度很低；主力油层形成优势流场的区域大，剩余油饱和度较低而且分散，该评价结果与油田生产实际结果相符合。针对优势流场区域，可以采用层系重整、井网重建等流场重整措施来挖潜剩余油，提高采收率。

3.3油藏流场重整油藏流场调整措施主要包括：

1）井网调整。一是以目前流场评价体系研究为基础，结合流场强度分级，根据优势流场位置，以调整注采关系、完善注采井网为主要方式，达到提高开发效果的目的；二是以油藏动态分析为基础，结合流场分级和数值模拟技术对剩余油分布的研究，在剩余油富集区补钻调整井。

2）层系调整。主力含油层系由于形成优势流场的区域大，优先考虑调整优势通道，尽量利用现有井点进行层系互换，降低开发成本。

3）生产制度调整。对目前开发效果较好，但矛盾也比较突出的区域，淡化层系概念，充分利用现有井网，以改变注水方式为主，以调整注采关系为辅，提高层系开发效果。在经济评价的基础上，结合区块特点通过数值模拟技术对试验区进行了流场重整方案优选，以油田最终采收率为目标，最终确定试验区块油藏流场重整方案为：部署油井34口，水井41口，其中新油井1口，预测15a后采出程度达到56.62%。对比流场重整前后主韵律层流场强度可以发现，总流场强度大、剩余油饱和度低的区域经过流场重整后总流场强度降低，提高了注入水的利用率及油田开发效果。

4结论

1）提出了油藏优势流场的概念。油藏流场一开始就存在，并随着注水开发的进行而不断发生变化，优势流场所在的区域注入水冲刷强度大，形成注入水的低效或无效循环，影响油田开发效果。