神經網絡研究現狀

前言：想要寫出一篇令人眼前一亮的文章嗎？我們特意為您整理了5篇神經網絡研究現狀范文，相信會為您的寫作帶來幫助，發現更多的寫作思路和靈感。

神經網絡研究現狀范文第1篇

>> 大規模自組織人工神經網絡技術在智能建筑中的應用方法研究 基于自組織增量神經網絡的碼書產生方法在圖像分類中的應用 基于Matlab的自組織神經網絡在油氣層識別中的應用研究 基于自組織競爭神經網絡的地震預測 自組織競爭網絡在測井資料巖性識別中的應用 自組織特征映射網絡在探地雷達數據處理中的應用 氣體識別自組織神經網絡 一種基于自組織過程神經網絡的動態樣本半監督學習算法 自組織灰色神經網絡中的基于電力系統短期負荷預測方法應用研究 基于自組織映射神經網絡的邊坡樣本分析方法 基于SOM神經網絡技術的區域卷煙消費狀態自組織分類 人工神經網絡模型在水動力模型數據缺失中的應用 基于人工神經網絡的數據挖掘技術在臨床中應用進展 自組織特征映射網絡在壓縮編碼設計中的應用 液壓控制系統中自組織雙模糊神經網絡控制模型關鍵點研究 淺談人工神經網絡在林業中的應用 人工神經網絡在空調系統中的應用 一種改進的動態二叉樹的自組織神經網絡算法 基于SOM神經網絡技術的卷煙零售客戶自組織分類 基于自組織神經網絡SOM的汽車安全氣囊裝配故障診斷 常見問題解答 當前所在位置：百度百科 移動學習2012-12-7

[2] 葉成林 徐福蔭 許駿 移動學習研究綜述 電化教育研究 2004 No.3

[3] 陳偉超 國內移動學習研究現狀及發展建議[J].中國電力教育，2009 No.9

[4] 詞匯語義知識庫淺述 劉興林 福建電腦 2009 No.9

神經網絡研究現狀范文第2篇

關鍵詞人工神經網絡；發展；應用

中圖分類號：TP183 文獻標識碼：A 文章編號：1671-7597（2014）12-0003-01

隨著科學技術的發展，各個行業和領域都在進行人工智能化的研究工作，已經成為專家學者研究的熱點。人工神經網絡就是在人工智能基礎上發展而來的重要分支，對人工智能的發展具有重要的促進作用。人工神經網絡從形成之初發展至今，經歷了不同的發展階段，并且在經濟、生物、醫學等領域得到了廣泛的應用，解決了許多技術上的難題。

1人工神經網絡概述

關于人工神經網絡，到目前為止還沒有一個得到廣泛認可的統一定義，綜合各專家學者的觀點可以將人工神經網絡簡單的概括為是模仿人腦的結構和功能的計算機信息處理系統[1]。人工神經網絡具有自身的發展特性，其具有很強的并行結構以及并行處理的能力，在實時和動態控制時能夠起到很好的作用；人工神經網絡具有非線性映射的特性，對處理非線性控制的問題時能給予一定的幫助；人工神經網絡可以通過訓練掌握數據歸納和處理的能力，因此在數學模型等難以處理時對問題進行解決；人工神經網絡的適應性和集成性很強，能夠適應不同規模的信息處理和大規模集成數據的處理與控制；人工神經網絡不但在軟件技術上比較成熟，而且近年來在硬件方面也得到了較大發展，提高了人工神經網絡系統的信息處理能力。

2人工神經網絡的發展歷程

2.1 萌芽時期

在20世紀40年代，生物學家McCulloch與數學家Pitts共同發表文章，第一次提出了關于神經元的模型M-P模型，這一理論的提出為神經網絡模型的研究和開發奠定了基礎，在此基礎上人工神經網絡研究逐漸展開。1951年，心理學家Hebb提出了關于連接權數值強化的法則，為神經網絡的學習功能開發進行了鋪墊。之后生物學家Eccles通過實驗證實了突觸的真實分流，為神經網絡研究突觸的模擬功能提供了真實的模型基礎以及生物學的依據[2]。隨后，出現了能夠模擬行為以及條件反射的處理機和自適應線性網絡模型，提高了人工神經網絡的速度和精準度。這一系列研究成果的出現為人工神經網絡的形成和發展提供了可能。

2.2 低谷時期

在人工神經網絡形成的初期，人們只是熱衷于對它的研究，卻對其自身的局限進行了忽視。Minskyh和Papert通過多年對神經網絡的研究，在1969年對之前所取得的研究成果提出了質疑，認為當前研究出的神經網絡只合適處理比較簡單的線性問題，對于非線性問題以及多層網絡問題卻無法解決。由于他們的質疑，使神經網絡的發展進入了低谷時期，但是在這一時期，專家和學者也并沒有停止對神經網絡的研究，針對他們的質疑也得出一些相應的研究成果。

2.3 復興時期

美國的物理學家Hopfield在1982年提出了新的神經網絡模型，并通過實驗證明在滿足一定的條件時，神經網絡是能夠達到穩定的狀態的。通過他的研究和帶動，眾多專家學者又重新開始了對人工神經網絡方面的研究，推動了神經網絡的再一次發展[3]。經過專家學者的不斷努力，提出了各種不同的人工神經網絡的模型，神經網絡理論研究不斷深化，新的理論和方法層出不窮，使神經網絡的研究和應用進入了一個嶄新的時期。

2.4 穩步發展時期

隨著人工神經網絡研究在世界范圍內的再次興起，我國也迎來了相關理論研究的熱潮，在人工神經網絡和計算機技術方面取得了突破性的進展。到20世紀90年代時，國內對于神經網絡領域的研究得到了進一步的完善和發展，而且能夠利用神經網絡對非線性的系統控制問題進行解決，研究成果顯著。隨著各類人工神經網絡的相關刊物的創建和相關學術會議的召開，我國人工神經網絡的研究和應用條件逐步改善，得到了國際的關注。

隨著人工神經網絡的穩步發展，逐漸建立了光學神經網絡系統，利用光學的強大功能，提高了人工神經網絡的學習能力和自適應能力。對非線性動態系統的控制問題，采取有效措施，提高超平面的光滑性，對其精度進行改進。之后有專家提出了關于人工神經網絡的抽取算法，雖然保證了精度，但也加大了消耗，在一定程度上降低了神經網絡的效率，因此在此基礎上又提出了改進算法FERNN。混沌神經網絡的發展也得到了相應的進步，提高了神經網絡的泛化能力。

3人工神經網絡的應用

3.1 在信息領域中的應用

人工神經網絡在信息領域中的應用主要體現在信息處理和模式識別兩個方面。由于科技的發展，當代信息處理工作越來越復雜，利用人工神經網絡系統可以對人的思維進行模仿甚至是替代，面對問題自動診斷和解決，能夠輕松解決許多傳統方法無法解決的問題，在軍事信息處理中的應用極為廣泛[4]。模式識別是對事物表象的各種信息進行整理和分析，對事物進行辨別和解釋的一個過程，這樣對信息進行處理的過程與人類大腦的思維方式很相像。模式識別的方法可以分為兩種，一種是統計模式識別，還有一種是結構模式識別，在語音識別和指紋識別等方面得到了廣泛的應用。

3.2 在醫學領域的應用

人工神經網絡對于非線性問題處理十分有效，而人體的構成和疾病形成的原因十分復雜，具有不可預測性，在生物信號的表現形式和變化規律上也很難掌握，信息檢測和分析等諸多方面都存在著復雜的非線性聯系，所以應用人工神經網絡決解這些非線性問題具有特殊意義[5]。目前，在醫學領域中的應用涉及到理論和臨床的各個方面，最主要的是生物信號的檢測和自動分析以及專家系統等方面的應用。

3.3 在經濟領域中的應用

經濟領域中的商品價格、供需關系、風險系數等方面的信息構成也十分復雜且變幻莫測，人工神經網絡可以對不完整的信息以及模糊不確定的信息進行簡單明了的處理，與傳統的經濟統計方法相比具有其無法比擬的優勢，數據分析的穩定性和可靠性更強。

3.4 在其他領域的應用

人工神經網絡在控制領域、交通領域、心理學領域等方面都有很廣泛的應用，能夠對高難度的非線性問題進行處理，對交通運輸方面進行集成式的管理，以其高適應性和優秀的模擬性能解決了許多傳統方法無法解決的問題，促進了各個領域的快速發展。

4總結

隨著科技的發展，人工智能系統將進入更加高級的發展階段，人工神經網絡也將得到更快的發展和更加廣泛的應用。人工神經網絡也許無法完全對人腦進行取代，但是其特有的非線性信息處理能力解決了許多人工無法解決的問題，在智能系統的各個領域中得到成功應用，今后的發展趨勢將向著更加智能和集成的方向發展。

參考文獻

[1]徐用懋，馮恩波.人工神經網絡的發展及其在控制中的應用[J].化工進展，1993（5）：8-12，20.

[2]湯素麗，羅宇鋒.人工神經網絡技術的發展與應用[J].電腦開發與應用，2009（10）：59-61.

[3]李會玲，柴秋燕.人工神經網絡與神經網絡控制的發展及展望[J].邢臺職業技術學院學報，2009（5）：44-46.

神經網絡研究現狀范文第3篇

關鍵詞：人工神經網絡模型；衛生人力；人力資源測算

衛生人力是指經過專業培訓、在衛生系統工作、提供衛生服務的人員，包括直接從事醫療、衛生、保健服務的衛生技術人員以及管理、工勤等其他人員。由于衛生系統本身具有復雜性和時變性的雙重特性，因此衛生人力受許多因素影響，如人口、經濟、社會與文化、資源利用效率、健康狀況等等，而且多個因素間相互作用、相互影響。

我國的衛生事業雖然取得了很大的發展，但卻存在明顯的衛生人力資源失衡現象，突出表現在：衛生人員總量過剩、人員地區分布不均衡尤其是城鄉差距較大、衛生人員總體素質不高。因而迫切需要加強衛生人力預測研究，使其更合理地從數量上、質量上和分布上調整現有存量、優化增量，以推動整個衛生事業的發展進程[1，2]。

人工神經網絡作為一種綜合信息處理和模擬技術，其特有的非線性適應性信息處理能力，克服了傳統方法的局限性，而且還具有學習預測精度高、容錯能力強和預測速度快的特點[3]。本研究基于人工神經網絡方法，構建出一套合理、有效的測算衛生人力需求量的指標體系。

1人工神經網絡簡介

人工神經網絡基本組成單位是神經元（節點），神經元之間按一定的方式相互連接，構成神經網絡系統，可以通過預先提供的一批相互對應的輸入--輸出數據，分析掌握兩者之間潛在的規律，最終根據這些規律，用新的輸入數據來推算輸出結果[4，5]。

迄今為止，已有多種人工神經網絡模型被開發和應用。本文應用較為成熟的誤差反向傳播學習算法人工神經網絡（BP-ANN）。BP神經網絡從模擬生物的神經網絡出發[6]，其最基本的結構是3層前饋網絡，即輸入層、隱含層、輸出層（見圖1），層與層之間多采用全互連方式，同一層單元間不存在相互連接。

圖1 人工神經網絡結構

BP網絡模型的應用過程包括訓練和預測兩個過程。訓練時，輸入信息從輸入層經隱含層逐層處理，并傳向輸出層。如果輸出層得不到期望的輸出，則將誤差信號沿原來的連接通道返回，通過修改各層神經元的連接權值，使得誤差最小。網絡重復以上過程進行迭代計算，直至收斂，由此構成了非線性映射模型，掌握了隱含在樣本內部各元素間的特殊關系[7]。經訓練后的人工神經網絡不僅對擬合過的樣本有效，而且對未經擬合的樣本也可以較準確地預測。人工神經網絡以其獨特的信息儲存方式、良好的容錯性、大規模的非線性并行處理方式[8]以及強大的自組織自擬合和自適應能力，已應用于信號處理、模式識別、綜合評價、預測分析等領域。

2指標篩選

本文的研究對象是衛生人力的數量。人工神經網絡要求選擇那些影響輸出的主要因素作為輸入層，選定的輸入變量數必須足夠且具有代表性[9，10]，基于這一點，經過文獻評閱分析及專家小組討論，本研究對于輸入變量，即測算指標的選擇主要從以下幾方面進行：

2.1人口數量變化 人口數量的變化是影響衛生人力需求量的最重要的因素。人口的增減會引起衛生服務需求量的增減，從而引起衛生人力需求量的波動。對應的變量選擇了總人口數、就診人次數、住院人次數。

2.2經濟發展水平 隨著社會經濟迅猛發展，居民的生活水平不斷提高，人們對生活質量要求也逐步提高，而健康是衡量生活質量的重要指標之一，所以隨著居民對健康意識的增強，衛生服務需求量將會加大，衛生人力的需求量也隨之增加[11，12]。對應的變量選擇了衛生總費用、人均衛生費用、人均國民生產總值。

2.3醫院發展規模 醫院規模直接影響整個衛生人力需求量和衛生人力內部構成。醫院規模的大小通常是以病床數來衡量的，而病床數又是人員編配的重要標準[13]。對應的變量選擇了醫院機構數、總床位數。

2.4衛生人力供給 每年都有大量的醫學生走向工作崗位，為醫療系統注入新的血液。對應的變量選擇了高等醫學院校畢業生數、中等醫學院校畢業生數[14]。

3結果與討論

得到衛生人力的測算指標包括總人口數（萬人）、就診人次數（億次）、住院人次數（萬人）、衛生總費用（億元）、人均衛生費用（元）、人均國民生產總值（元）、醫院機構數、總床位數（萬張）、高等醫學院校畢業生數、中等醫學院校畢業生數10項指標。鑒于年鑒收錄自國家及各省市地方統計局的歷年統計資料，具有資料翔實，信息密集的特點，所有數據均從統計年鑒中獲取，按照年份順序進行整理，過濾缺失的數據，建立起從1990～2008年的有關衛生人力資源的數據庫。

參考文獻：

[1]薛婭，高歌，沈月平.常州市衛生人力需要量統計預測研究[J].中國衛生統計，2007，24（3）：287.

[2]Francis Omaswa. Human resources for global health： time for action is now[J].The Lancet.2008，371：625.

[3]蔣宗禮.人工神經網絡導論[M].北京：高等教育出版社，2002.

[4]任宏，姜慶五.人工神經網絡及其在預防醫學領域的應用[J].上海預防醫學，2003，15（1）：22.

[5]黎衍云，李銳，張勝年.人工神經網絡及其在疾病篩查中的應用前景[J].環境與職業醫學，2006，23（1）：71.

[6]錢玲，施侶元，程茂金.應用人工神經網絡預測糖尿病/糖耐量異常[J].中國公共衛生，2003，19（10）：1272.

[7]Qian AI，Shrestha GB.An ANN based load model for fast transient stability calculations[J].Elec Power Syst Res，2006，76：217.

[8]RiccardoB，DarioG，LauroC，works and robust Bayesian classfiers for risk stratification following uncomplicated myocardial infarction[J].Int J Cardiol，2005，101：481.

[9]薛婭，高歌. 衛生人力需求量預測研究綜述[J].上海預防醫學雜志，2005，17（12）：589.

[10]鐘珞，饒文碧，鄒承明.人工神經網絡及其融合應用技術[M].北京：科學出版社，2007：12.

[11]陳力凌.江蘇省衛生人力資源現狀及需要量預測研究[D].碩士學位論文，2006：23.

[12]左延莉.廣西衛生人力資源配置現狀與預測研究[D].碩士學位論文，2002：12.

神經網絡研究現狀范文第4篇

(湘潭大學商學院,湖南湘潭410600)

［摘要］文章對神經網絡在非線性經濟問題預測中的研究與現狀進行綜述,側重討論了國內的研究近況,為國內學者在該方面的研究提供參考。

［

關鍵詞 ］神經網絡；非線性；經濟預測

［DOI］10?13939/j?cnki?zgsc?2015?09?025

人工神經網絡(Artificial Neural Networks,ANNs)也簡稱為神經網絡(NNs),是一種模仿人腦神經網絡特征,進行分布式并行信息處理的數學模型。NNs具有強大的非線性處理能力,為經濟預測提供了更多的可能性。

1BP神經網絡在經濟預測中的應用及改進

神經網絡模型的類型較多月前已不下數十種。代表性的神經網絡模型有BP神經網絡、GMDH網絡、RBF網絡、Hopfield模型、Boltzmann機、自適應共振理論、CPN模型等。Rumelhart等于1986年提出的誤差反向傳播算法,簡稱BP算法,是目前應用最廣泛的神經網絡模型之一。

Lapedes等人(1987)最先將神經網絡用于經濟預測。Vaifis(1990)應用神經網絡解決經濟時間序列數據的預測問題。Wedding(1996)提出使用徑向基函數網絡與Box-Jenkins模結合。近年來,國內經濟預測中有大量文獻涉及神經網絡算法。周柳青等(2011)運用BP人工神經網絡方法,對廣東省縣域經濟發展差異進行綜合評估。認為BP神經網絡的評價結果可以較好地模擬縣域經濟發展差異,能有效避免主觀確定權重所確定帶來的誤差,提高測度的準確性。傅建華等(2012)構建了企業綠色營銷績效評估的AHP-BP神經網絡模型,模型以AHP評價結果為神經網絡輸入,利用反向逆傳播神經網絡對評價結果進行訓練與檢驗,降低了人為主觀隨意性的缺陷,計算結果準確、方法可行、誤差可控,在企業綠色營銷績效評估領域具有推廣價值。

BP網絡能夠模仿非線性函數、分段函數等；能利用變量的屬性內含地建立相關的變量及變量之間的函數關系,且不需要預先假設基本的參數分布。因此,當變量之間的關系不適合假定的模型時,可以嘗試用BP神經網絡構建模型。但BP神經網絡模型預測的準確性受參數的選擇、神經網絡拓撲結構的優劣等影響。運用神經網絡構建模型的最主要的障礙是缺乏神經網絡拓撲結構的設計理論,且有時候會陷入局部極小值。針對這些問題,許多學者做了積極的改進。陳健等(2006)把對數據的歸一化變為對數據增長率的歸一化,因而只要預測的經濟數據增長率不超過以往的經濟數據增長率,則不再會發生外延問題。肖冬榮等(2007)通過綜合運用附加動量法、改變作用函數法以及把預測對象從生產總值調整為生產總值增長率等技巧,來改進預測精度、建模收斂速度、局部極小值等問題。吳俊利等(2012)引入Adaboost算法對BP神經網絡算法進行改進,提出了基于Adaboost的BP神經網絡算法,并將該方法應用于短期風速預測。劉向榮、孫紅英(2013)在對權值和閾值進行修改時加入了動量項α,改進了預測效果。

2徑向基神經網絡的應用

不同于BP神經網絡函數逼近時的負梯度下降法,徑向基神經網絡(RBF)由于采用高斯型傳遞函數,有著較快的收斂速度和較強的非線性映射能力,在非線性經濟預測方面具有很好的應用前景。許增福等(2008)根據經濟發展的實際指標數據,構造徑向基神經網絡模型,設計了有監督和無監督兩段學習算法,并利用歷史經濟數據證明了該方法的有效性。張亞平、張立偉(2011)利用徑向基函數(RBF)神經網絡建立投資預測模型,有效解決經濟投資預測中非線性預測問題。通過仿真實驗證明模型既真實地表達了投資要素之間的高度非線性關系,又考慮了分配結構的優化問題,具有很高的預測精度和較強的實際應用意義。郭立(2014)建立了基于徑向基神經網絡的礦產品價格非線性預測模型,并應用某金屬的中長期價格進行仿真,結果表明該模型具有較好的可靠性和實用性。

3遺傳算法、模糊算法與神經網絡的結合應用

1975年美國Michigan大學的Holland提出的模擬達爾文遺傳選擇和自然淘汰的生物進化論的計算模型——遺傳算法(Genetic Algorithm,GA)。在神經網絡中結合應用遺傳算法,能夠克服神經網絡利用梯度下降法所帶來的缺點,將它們應用于經濟預測可以得到較好的預測效果。陳朝陽等(1997)提出將遺傳算法用于神經網絡結合,并將其應用于經濟的預測及組合預測中,得到了比常規經濟學模型更優的效果。李玲、陶啟萍(2005)利用遺傳算法和人工神經網絡建立數學模型,同時結合企業態勢分析法(SWOT)選取各類指標形成完善的企業決策模型。張雙(2014)利用遺傳算法對權值和閾值的初始值進行優化改進后的BP神經網絡對預測殘差進行修正,建立灰色遺傳優化神經網絡模型,并利用加權法對多元回歸分析和灰色神經網絡進行組合,更好地利用了不同單一模型的優勢。通過實證分析證明這種組合預測模型較灰色預測模型誤差率可以減少40%～70%。

模糊模型因其善于處理分類邊界模糊的數據以及易于引入啟發性知識的能力而在自動控制、模式辨識等方面得到廣泛應用。目前在把人工神經網絡和模糊系統結合起來形成模糊神經系統方面已取得了很大進展。賀京同等(2000)運用模糊邏輯推理將經濟專家經驗引入到宏觀經濟的預警分析中,將神經網絡理論與模糊系統理論相結合,建立了宏觀經濟非線性預警模型。張婕等(2010)運用模糊學和BP神經網絡的基本理論,構建包裝企業的安全生產方案決策模型,進行安全生產方案的決策選擇,認為該方法能夠達到提高安全生產能力、增強企業的經濟效益與社會效益的目的。張廣平等(2012)借助廣義動態模糊神經網絡(GD-FNN)設計了一種模糊神經網絡模型并應用于臺風災害損失的預測預警中,定量地研究了臺風災害致災因子與災情指標因子之間的規律。王暉、唐靜(2013)將模糊理論和神經網絡理論結合,構建了教育經濟貢獻度分析模型,用于度量教育對于我國經濟的發展的作用。

綜上所述,神經網絡在經濟預測中的應用已得到了深入的研究。包括應用BP神經網絡、徑向基網絡對經濟數據進行建模分析,以及將遺傳算法、模糊系統算法與神經網絡的結合應用,并通過實證分析證明了多種模型的有效性。

如今,神經網絡已廣泛應用于智能控制、計算機視覺、模式識別、自動目標識別、連續語音識別、信號處理、自適應濾波、非線性優化、傳感技術與機器人、知識處理、生物醫學工程等領域,在經濟預測對復雜經濟變量的非線性關系預測上具有較高的精度。對于一些經濟理論尚不明確的經濟關系也能給出較為準確的預測。神經網絡的進一步發展,也會帶給經濟預測領域更新的方法。

參考文獻：

［1］Varfis, A?and Versino, C?, Univariate Economic Time Series Forecasting by Connectionist Method［M］?IEEE ICNN-90,1990?

［2］張雙?基于遺傳算法的灰色神經網絡的預測［J］?統計與決策,2014(17)：79-81?

神經網絡研究現狀范文第5篇

本文調查了國內外電動機各種保護方法和各類保護裝置的研究發展狀況，結合實際情況，提出了一種通過人工神經網絡預測電機繞組溫升的方案，由PC機通過RS485總線實時讀取下位機采集的電機運行參數，進行溫升預測，并將預測結果傳輸回下位機，從而實現了對電動機長期穩定負載運行的過載保護。

關鍵詞

電機保護；溫升預測

電動機是一種電能到機械能的能量轉換設備，是現代社會生產中的主要動力形式。在產業部門中，以電動機作動力的比例已占全部動力的90%。在電動機實際使用過程當中，惡劣的運行環境和超負荷的運行時間是導致電動機故障頻繁的主要原因。因此電動機的保護尤其是對大型電動機保護的開發研究對國民經濟有著重要的意義。

1電動機保護的發展趨勢

可以預測,應用電動機內部故障分析和利用先進信號處理方法進行精確的故障特征量追蹤捕捉這兩者的有效結合，再加上業內已成熟的微機保護技術，可以將大型電動機的故障診斷、故障保護等功能綜合于一體，實現電動機運行全過程的在線監測、故障診斷與保護。

2神經網絡溫升預測設計

2.1神經網絡算法

2.1.1BP算法設含有共L層和n個節點的一個任意網絡，每層單元只接受前一層的輸出信息并輸給下一層各單元，各節點的特性為Sigmoid型。

2.1.2改進的BP算法

鑒于改進的算法利用目標函數的二階導數信息。常用改進BP算法和標準BP算法進行比較，各改進BP算法比標準BP算法有不同程度的改善。LM(Levenberg-Marquardt)算法是為了訓練中等規模的前饋神經網絡（多達算百個連接權）而提出的最快速算法。目前LM算法在訓練速度上是最快的，并且它所達到的訓練平均誤差和收斂精度較其他算法具有明顯的優勢。

2.2神經網絡在電機繞組溫升預測中的應用

2.2.1電機熱過載保護的現狀熱過載保護是電機保護研究中的熱點和難點。國內外不少的研究工作者一直在從事電動機過載保護的研究，提出不少的保護方案，概括起來分為兩大類：直接測溫法和間接測溫法。直接測溫法就是把溫感裝置（如熱電阻、熱電偶和溫度繼電器等）直接埋入電動機繞組的熱點進行檢測，當溫度達到長期使用允許溫度時，就令繼電器動作斷開電動機的控制回路，從而達到保護電動機的目的。間接測溫法是在電動機外部通過檢測一些相關參數來計算電動機的溫度。

2.2.2神經網絡預測繞組溫升方法鑒于直接測溫法和間接測溫法各自存在不足，本文探索了一種通過采用神經網絡預測繞組溫升來完成對電動機長期穩定負載運行進行過載保護的方法。

（1）訓練樣本的數據處理實現神經網絡對電機進行溫升預測關鍵的一步是采集訓練樣本并且進行必要的數據處理。以電動機為例進行分析。電機的具體參數如下：Pe=220kW，Ue=6kV，Ie=26.7A，n=2976rpm，f=50Hz，絕緣等級F級。通過對電動機進行溫升試驗，采集了從額定電流(26.7A)到堵轉電流(150A)共20組不同的數據。表1給出了訓練網絡和測試網絡的數據分配情況。其中15組用于訓練網絡，其余幾組用于測試訓練后的網絡的正確性與適用性，將采集到的15組訓練數據，繪制成曲線，如圖1。

（2）電機長期穩定負載運行繞組溫升預測的網絡結構由于本系統研究的長期穩定負載運行情況下，電動機的過載溫升，所以電源電壓、電源頻率、功率因數都可認為保持不變，而僅將電流、環境溫度和轉速作為變量。同時考慮到影響轉速的三個要素電流、頻率和電壓，有兩個因素近似認為不變，因此轉速和電流存在著很強的相關性，兩者不必都作為輸入變量，只選擇電流作為輸入變量即可。通過以上分析可以將溫升預測系統簡化成輸入為電流和當前溫度的雙輸入單輸出的三層BP網絡。這樣，就可以使基于神經網絡的電動機長期穩定負載運行繞組溫升預測的設計在對電機進行過載保護方面充分發揮作用。

3總結