神经网络技术在智能控制管理系统中的应用分析

开篇：润墨网以专业的文秘视角，为您筛选了一篇神经网络技术在智能控制管理系统中的应用分析范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

【摘要】随着智能控制管理技术的发展，以神经网络为核心的智能控制管理系统得到广泛的应用。本文主要讨论应用神经网络技术构成智能控制管理系统的步骤和需要解决的主要问题，为设计基于神经网络技术的智能控制管理系统提供一定的指导。

【关键词】神经网络技术 应用分析 智能系统

一、引言

神经网络是由具有适应性的简单单元组成的广泛并行互连的网络，它的组织能够模拟生物神经系统对真实世界物体所作出的交互反应。当常规方法解决不了或效果不佳时神经网络方法往往显示出其优越性。尤其对问题的机理不甚了解或不能用数学模型表示的系统，如故障诊断、特征提取和预测控制管理等问题，神经网络往往是很好的工具。另一方面， 神经网络对处理大量原始数据而不能用规则或公式描述的问题， 表现出极大的灵活性和自适应性。

二、神经网络应用分析

（一）样本数据

1.数据采集和分组

采用神经网络技术建模的首要和前提条件是有足够多典型和高精度的样本。为监控学习过程使之不发生“过拟合”和评价建立的网络模型的性能和泛化能力，必须将收集到的样本数据随机分成训练样本、检验样本（10%以上）和测试样本（10%以上）三部分。同时数据分组时还应尽可能考虑样本模式间的平衡。

2. 数据预处理

神经网络的输入变量一般根据专业知识确定。若输入变量较多，可通过主成份分析方法减少输入变量，也可根据剔除某一变量引起的系统误差与原系统误差的比值的大小来减少输入变量。输出变量即为系统待分析的外生变量，可以是一个，也可以是多个。一般将一个具有多个输出的网络模型转化为多个具有一个输出的网络模型效果会更好，训练也更方便。

预处理的方法有多种多样，各文献采用的公式也不尽相同。但必须注意的是，预处理的数据训练完成后，网络输出的结果要进行反变换才能得到实际值。为保证建立的模型具有一定的外推能力，数据预处理后的值在0.2～0.8之间比较合适。

（二）拓扑结构确定

1. 隐层数

增加隐层数可以降低网络误差，提高精度，但也使网络复杂化，从而增加了网络的训练时间。在设计神经网络时，应优先考虑3层BP网络。一般地，靠增加隐层节点数来获得较低的误差，其训练效果要比增加隐层数更容易实现。

2. 隐层节点数

在神经网络中，隐层节点数的选择非常重要，它不仅对建立的神经网络模型的性能影响很大，而且是训练时出现“过拟合”的直接原因，但是目前还没有一种科学的和普遍的确定方法。为尽可能避免训练时出现“过拟合”现象，保证足够高的网络性能和泛化能力，确定隐层节点数的最基本原则是：在满足精度要求的前提下取尽可能紧凑的结构，即取尽可能少的隐层节点数。研究表明，隐层节点数不仅与输入和输出层的节点数有关，也与需解决的问题的复杂程度和转换函数的形式以及样本数据的特性等因素有关。

3.神经网络训练

神经网络的训练是通过应用误差反传原理不断调整网络权值使网络模型输出值与已知的训练样本输出值之间的误差平方和达到最小或小于某一期望值。如何设计一个合理的网络模型并通过向所给的有限个样本的学习来地逼近样本所蕴含的规律的问题，目前在很大程度上还需要依靠经验知识和设计者的经验。因此，通过训练样本的学习建立合理的神经网络模型的过程，是一个复杂和困难的过程。例如BP网络采用误差反传算法，其实质是一个无约束的非线性最优化计算过程，在网络结构较大时不仅计算时间长，而且很容易限入局部极小点以致得不到最优结果。

4. 初始连接权值确定

BP算法决定了误差函数一般存在多个局部极小点，不同的网络初始权值直接决定了BP算法收敛于哪个局部极小点或是全局极小点。因此，要求计算程序必须能够自由改变网络初始连接权值。根据Sigmoid转换函数的特性，一般要求初始权值分布在-0.5～0.5之间是合适的。

5.模型参数确定

传统的误差反向传递BP算法较为成熟，并且应用广泛，因此提高该方法的学习速度具有很高的实用价值。BP算法中有几个常用的参数，包括学习率η，动量因子α，形状因子λ及收敛误差界值E等，这些参数对训练速度的影响最为关键。在实际应用中，需根据实际问题确定这些参数。

三、小结

神经网络具有自学习、自适应能力及非线性问题处理能力，在智能控制管理领域得到广泛应用。基于神经网络的智能系统设计是软件和硬件相结合的复杂过程。本文详细的阐述了神经网络方法的应用过程，对实际问题中应用神经方法解决问题具有一定指导作用。

基金项目：2014年广东科技学院院级项目

参考文献：

[1]王建军，马树才，张春梅.基于忆阻神经网络的锂电池检测技术研究[J]，电源技术，2014年11期.

[2]邝利丹，邓清勇等.一种估算锂电池SOC的新型方法[J]，计算机工程与应用，2013年6期.

作者简介：严其艳，女，1981出生，讲师，主要研究方向为电子技术，仿真技术、神经网络技术。