量子神經網絡算法范文

導語：如何才能寫好一篇量子神經網絡算法，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】過程神經網絡 量子混合蛙跳算法

過程神經網絡具有較強的信息處理能力，在實際中有著廣泛應用。然而隨著信息量的增加及處理的復雜化，該技術的不足之處也漸漸顯露，如對較大樣本的學習很難解決、不能滿足系統反映時變輸入信息對輸出的累積效應等。在長期探索中，多位專業人員不斷提出新的方法，但都有一定的缺陷。量子進化計算的全局尋優能力較強，蛙跳算法則具備計算簡單快速的優勢，在此將二者相結合，提出一種的新的算法，以提高過程神經網絡的穩定性。

1 量子混合蛙跳算法在過程神經網絡優化中的應用

1.1 個體編碼方案設計

|0〉和|1〉是微觀粒子基本狀態在量子計算中的表現形式，用其線性組合|φ〉=α |0〉+β|1〉可表示單量子比特的所有狀態，但其應符合|α|2 +|β|2 =1的要求。因此，可按照疊加理論，將量子比特的全部狀態均表示為：

|φ〉=cos|0〉+eiφsin |1〉

上式中，θ[0， π]，φ[0， 2π]，且（cos）2 +（eiφsin ）2 =1

可見，量子比特是由θ及φ兩個變量所刻畫的矢量空間，并可利用Bloch球面進行直觀的描述。設種群為m，優化空間為n維，采用Bloch球面坐標編碼，可將第i個待優化的個體編碼為：

其中，i=1，2，…，m；j=1，2，…，n；θij[0， π]，φij[0， 2π]

1.2 QSFLA的種群評估

1.2.1 個體解空間變換

QSFLA中的每只青蛙都有三組Bloch坐標，x=cosφsinθ，y=sinφsinθ，z=cosθ，各自都表示一個優化解?？紤]到x、y、z都 [-1，1]，需對其進行解空間變換。設待優化問題的第j維變量[Min（j），Max（j）]，可將解空間變化表示如下：

Xij = [Min（j）（1xij） + Max（j）（1+xij）]

Yij = [Min（j）（1yij） + Max（j）（1+yij）]

Zij = [Min（j）（1zij） + Max（j）（1+zij）]

1.2.2 QSFLA的種族評估

依次將青蛙個體各自對應的解代入到適應度函數，對其適應度進行計算。確保整個種群中最優青蛙所對應的幅角為θg和φg，而子種群中的最優青蛙相對應的幅角則為θb和φb，子種群中的最差青蛙相對應的幅值為θw和φw 。

1.3 QSFLA的種群進化

1.3.1 QSFLA個體更新

針對子種群中最差的青蛙量子位幅角增量的更新：

Δθ=rand（）（θb-θw），Δφ =rand（）（φb-φw）

在此借助量子旋轉門改變量子比特的相位：

基于量子旋轉門的量子位概率幅更新：

對上式進行分析，Δθ和Δφ兩轉角的大小和符號分別決定著收斂速度和方向，因此極為關鍵。為不影響算法效率，可將其看做是Block球面的旋轉，即量子比特在上面繞著某一固定軸進行旋轉。通過旋轉可使兩個參數同時改變，以提升優化能力。

1.3.2 自適應混沌旋轉角度算子

混沌優化方法適用于小空間搜索，在較大空間中搜索效果較弱，與蛙跳算法子群內部的全局遍歷十分適應。其公式如下：

δ（t）=δmin + × L×（δmaxδmin）

上式中，結合旋轉角度和進化代數進行適應調整，在進化初期，便可實現算法較大幅角的搜索工作。進化代數不斷增加，幅角隨之減小，為進化后期的精細搜索提供了便利。Lj+1=μLj（1Lj），μ=4是一個Logistic混沌序列，可讓旋轉操作在解空間內進行遍歷，對提高搜索效率較為有利。為提高收斂速度，用δmin和δmax分別表示允許旋轉角的最小及最大值。通過自適應調整，使得局部優化的遍歷性有所增強，且不需要將量子門轉角的方向與當前最優個體對比，有利于促進種群的進一步優化。

2 量子混合蛙跳算法的改進

在混合蛙跳算法分組中，若采用標準的分法，適應值較差的青蛙常分在最后一組，則其向最好青蛙學習的效果較弱。為此，提出一種新方法：初始種群P，先按照標準分組的方式將種群分為m個子群，均包含有n只青蛙；然后從其他組隨機選擇一只與該組中的最優青蛙進行對比更新，得到一個新青蛙，使得每組擴大到n+（m-1）個青蛙，使得分組更為多樣；當每組進化迭代完成后，再將各組進行重新合并，形成一個新種群，對其中青蛙的適應值進行計算閉關重新排序，取前P個進入下一輪迭代。

3 結束語

該方法將過程神經網絡的基函數展開項數、隱層神經元個數和其他常熟參數作為一個優化整體，具有很多優勢，在實踐中也證明了該算法的合理性，值得推廣應用。

作者簡介

張小軍（1980-），男，河南省人。現為河南教育學院信息技術系講師。主要研究方向為云計算、數據挖掘、通信技術。

作者單位

篇2

關鍵詞： 網絡流量檢測； 群智能算法； RBF神經網絡； 網絡安全

中圖分類號： TN926?34； TP393 文獻標識碼： A 文章編號： 1004?373X（2016）20?0012?03

Abstract： The application of swarm intelligence optimizing neural network in network security and a network traffic detection model based on neural network algorithm are studied in this paper. QAPSO algorithm is used to optimize the basis function center and base function width of RBF neural network， and the connection weights of the output layer and the hidden layer as well. The detection model studied in this paper is analyzed by means of an example. The collected data is used to train the network traffic identification system and test its performance. The method researched in this paper is compared with the algorithms based on the conventional PSO and HPSO. The results show that the detection method has a faster recognition speed and better recognition accuracy， and can avoid the occurrence of local optimal solutions.

Keywords： network traffic detection； swarm intelligence algorithm； RBF neural network； network security

0 引 言

隨著互聯網技術不斷發展和普及，互聯網絡中的應用和服務類型不斷增加，為了提高網絡安全，保護網民、公司企業以及政府部門等的財產與利益，需要對網絡流量進行高效的監測[1?2]。

RBF神經網絡具有強大的非線性擬合能力，即非線性映射能力，以及自學能力，同時便于計算機實現，因而在網絡流量檢測等網絡安全領域得到了廣泛應用。但是RBF神經網絡的性能特別依賴網絡參數選取的好壞，而傳統RBF神經網絡參數通常由人為按經驗或隨機選取，因此網絡的性能具有較強的隨機性[3?4]。

近年來，群智能優化算法逐漸發展并得到較為廣泛的應用，其中粒子群優化算法是一種能夠全局優化，具有建模速度快、收斂效率高的群智能優化算法，然而使用常規PSO算法優化神經網絡仍然存在收斂速度和全局優化能力不能夠達到平衡等問題[5?7]。因此本文研究一種基于量子自適應粒子群優化算法（QAPSO），對RBF神經網絡的基函數中心[Ci]、基函數的寬度[σi]以及輸出層與隱含層的連接權值[wi]進行優化。

1 基于群智能優化的神經網絡算法

本文研究的QAPSO優化算法主要分為4部分，分別為初始化種群、估計進化狀態、控制參數自適應以及處理變異[8]。

1.1 初始化種群

2 實例分析

為驗證本文建立基于QAPSO優化RBF神經網絡的網絡流量檢測模型的性能，使用基于Libsvm軟件包的C#程序并結合數值計算軟件Matlab R2014對網絡流量進行采集、計算以及分類。網絡流量檢測類型如表2所示。

表2 網絡流量檢測類型

使用常規PSO優化算法及HPSO優化算法對RBF神經網絡進行優化，并建立同樣的網絡流量檢測模型，使用同樣的訓練數據樣本進行訓練，使用同樣的測試數據樣本進行性能測試。常規PSO優化算法的參數為空間維度[D=24]，粒子數量[N=30]，最大迭代次數[tmax=200]，連接權值[w=0.9～0.4]，加速系數[c1]和[c2]均為2。HPSO優化算法的參數為空間維度[D=24]，粒子數量[N=30]，最大迭代次數[tmax=200]，連接權值[w=0.8～0.2]，加速系數[c1]和[c2]均為2.5，[Vmaxd=0.5×Range]。QAPSO算法的參數為空間維度[D=24]，粒子數量[N=30]，最大迭代次數[tmax=200]，連接權值[w=0.8～0.2]，加速系數[c1]和[c2]為1.5～2.5，[Vmaxd=Range]，[r1d]和[r2d]為0～1之間的隨機數。

從圖1可以看出，常規PSO優化算法使得適應度函數收斂到穩定值時的迭代次數為171次，HPSO優化算法使用了112次，而本文研究的QAPSO優化算法只使用了76次。同時，本文研究的QAPSO優化算法的收斂值更低，適應度函數的值即為RBF神經網絡的訓練誤差，因此適應度函數越小，RBF神經網絡的訓練誤差越小，性能越好。因此，本文研究的QAPSO優化算法相比另外兩種PSO優化算法具有更快的收斂速度和更高的收斂精度，極大地提高了RBF神經網絡的泛化能力。使用本文研究的QAPSO?RBF檢測模型及常規PSO和HPSO優化RBF算法的檢測模型對實驗數據進行識別。表3為三種檢測模型的檢測準確率與反饋率對比。圖2為三種模型的平均檢測率和反饋率對比。

通過表3的數據可以看出，本文研究的QAPSO?RBF檢測模型對12種類型網絡服務與應用均有較好的識別準確率和反饋率，平均識別準確率達到了92.81%，比HPSO?RBF算法的平均識別準確率高出3.49%，比PSO?RBF算法的平均識別準確率高出6.99%。QAPSO?RBF識別算法的平均識別反饋率達到了94.81%，比HPSO?RBF算法的平均識別反饋率高出3.51%，比PSO?RBF算法的平均識別反饋率高出7.28%?？杀砻飨啾绕渌Ｗ尤簝灮惴?，本文研究的QAPSO優化算法在進行多次迭代后仍然具有較好的活躍性，跳出局部最優解，對最佳值的全局搜索能力具有非常顯著的提高，加快了算法收斂速率，提高了識別準確率。

3 結 論

本文研究一種群智能優化神經網絡算法的網絡流量檢測模型。通過實際測試驗證，相比其他粒子群優化算法，本文研究的QAPSO優化算法在進行多次迭代后仍然具有較好的活躍性，跳出局部最優解，對最佳值的全局搜索能力具有非常顯著的提高，加快了算法收斂速率，提高了識別準確率。

參考文獻

[1] 盧金娜.基于優化算法的徑向基神經網絡模型的改進及應用[D].太原：中北大學，2015.

[2] 鐘建坤，周永福.群智能算法優化神經網絡在網絡安全的應用研究[J].激光雜志，2015，36（4）：143?146.

[3] 李博.粒子群優化算法及其在神經網絡中的應用[D].大連：大連理工大學，2005.

[4] 蔣林利.改進的PSO算法優化神經網絡模型及其應用研究[D].廈門：廈門大學，2014.

[5] 陳偉.基于群體智能算法的人工神經網絡優化及其應用[D].無錫：江南大學，2007.

[6] 劉曉剛.群體智能算法在RBF神經網絡中的應用[D].青島：青島大學，2008.

[7] 馬汝輝.基于網絡流量異常檢測的網絡安全技術研究[D].無錫：江南大學，2008.

篇3

關鍵詞：電網規劃；交流線路；線路長度；多元回歸；神經網絡 文獻標識碼：A

中圖分類號：TP273 文章編號：1009-2374（2016）22-0062-03 DOI：10.13535/ki.11-4406/n.2016.22.030

1 概述

電網規劃是電網安全穩定運行的基石，電網規劃數據的準確性尤其是數據中交流架空線路參數的準確性對規劃結果的合理性具有重要影響。

對于輸電線路的參數辨識方法較多，例如增廣狀態估計法、偏移向量法、卡爾曼濾波法等傳統數值方法，這些方法能較好地逼滑目標函數的極值點，但其迭代過程都依賴量測方程的增廣雅可比矩陣，苛刻地要求量測系統必須同時滿足狀態可觀測和參數可估計條件，并且可能遭受數值問題的干擾。參考文獻[4]中提出一種線路參數估計啟發式方法，將目標函數從增廣解空間垂直投影到參數空間，以啟發式方法搜索參數空間，尋找投影下表面的下確解，較好地解決了數值問題的干擾。參考文獻[5]在基于雙端PMU數據的線路線性數學模型和相應的最小二乘辨識的基礎上，引入基于IGG法的抗差準則。

2 BP人工神經網絡

2.1 BP神經網絡模型

BP神經網絡由輸入層、隱含層和輸出層三層網絡組成。BP神經網絡的核心在于其誤差反向傳播，反向傳播的學習規則是基于梯度下降法，由輸出端的實際輸出值與期望輸出值的誤差平方和進行鏈式求導，從而各層之間的連接權值。

2.2 BP神經網絡模型算法優缺點分析

神經網絡可以充分逼近任意復雜的非線性關系；采用并行分布處理方法；可學習和自適應不確定的系統等。

BP神經網絡算法的極小化代價函數易產生收斂慢或者振蕩的現象；代價函數不是二次的，而是非凸的，存在許多局部極小點的超曲面。這也導致神經網絡算法對初值的要求較高，給定較好的初值，BP神經網絡的收斂速度會大大加快，而且不易陷入局部極小值。

3 線路參數辨識中多元回歸模型與神經網絡的結合

3.1 線路長度回歸計算模型

實際工程中，線路長度與阻抗導納值之間的關系是確定的，對于架空線路，當長度小于300km時，其阻抗導納參數等于該型號架空線路單位長度的阻抗導納值與線路長度的乘積，此時阻抗導納參數與線路長度為簡單的線性關系；而當長度大于300km時，其阻抗導納參數的值就需要考慮長距離輸電線路分布參數的情況，此時并不能用簡單的線性關系來描述。

在建立線路長度回歸計算模型時，首先忽略線路的分布參數特性，建立回歸模型如下：

式中：L表示線路長度；lX表示通過電抗參數除以單位長度的電抗值得到的線路長度；lR表示通過電阻參數得到的線路長度；lG表示通過電導參數得到的線路長度；lB表示通過電納參數得到的線路長度；K1、K2、K3、K4、K5分別為各自的系數值。

回歸方程的求解采用最小二乘法，目標是使長度的計算值與長度的實際值差值的平方和達到最小，目標函數為：

J=∑Ni=1（Li～-Li）2

式中：J為線路長度計算值與實際值差值平方和；N為樣本線路的條數；Li～為線路長度的實際值；Li為線路長度通過回歸模型的計算值。

3.2 BP神經網絡模型的建立

當考慮線路長度的分布參數情況時，線路參數之間就不僅是簡單的線性關系，本文建立了神經網絡模型，輸入層為線路的電阻、電抗、電導和電納參數值；隱含層包含5個神經元；輸出層為線路的長度值。

如圖1所示，神經網絡模型的輸入層為線路的阻抗導納值；輸出層結果為線路長度，其中隱含層到輸出層的連接權值采用3.1中回歸模型的5個系數值作為初始值，然后輸入樣本值對神經網絡進行訓練，直到輸出實際值與理想值滿足誤差要求時停止。

4 回歸分析與神經網絡結合模型在線路參數辨識中的應用

4.1 線路參數辨識流程

根據以下步驟建立線路參數辨識模型，完成對BPA中交流架空線路的電阻、電抗、電導和電納參數的辨識。

第一步：提取BPA中所有交流架空線路的完整參數信息。

第二步：訓練回歸模型和神經網絡模型，直至滿足收斂標準。

第三步：判斷線路長度參數是否填寫。如果已填寫線路長度則進入步驟四，若沒有填寫線路長度進入步驟五。

第四步：根據已訓練完成的神經網絡模型反推線路的長度值，并比較線路長度的訓練值與長度填寫值之間的差距，如果兩者差距在合理范圍之內，進入步驟六，如果兩者差距過大，則采用長度訓練值進行后續的參數辨識過程。

第五步：根據已訓練完成的神經網絡模型反推線路的長度值。

第六步：根據單位標準參數值與線路長度計算得到線路參數的標準值，將標準值與線路參數的實際填寫值進行比對，如果計算得到的標準值與實際填寫值之差沒有超過閾度值，則進入步驟七；反之進入步驟八。

第七步：線路參數填寫合理，進入第十步。

第八步：線路參數填寫存在問題并按照計算得到的標準值作為推薦的修改值，并標識修改后的線路。

第九步：輸出標識的不合理數據，由規劃人員審核是否接受建議的修改值。

第十步：結束參數辨識。

4.2 辨識結果分析

4.2.1 線路長度訓練結果分析。如圖2所示，采用100條線路測試樣例，長度值由小到大進行排序，折線表示線路長度的實際值，折線表示的是通過本論文所建立的神經網絡模型得到的線路長度計算值。

對模型的訓練誤差做進一步分析可得：

訓練長度的平均誤差為1.35；訓練長度誤差最大值為8.9；訓練長度誤差最小值為0；訓練長度誤差均方差為1.68。

由以上數據可以看出，本論文所提的線路長度訓練算法準確度較高，能夠滿足參數辨識工作的需要。

4.2.2 線路參數辨識結果。算例采用數據為某電網某年的實際BPA規劃數據，辨識結果如表1所示：

由表1和表2的對比可以看出，上述交流線路的電納參數的填寫的確存在問題，由表2可以看出線路電阻和電抗的填寫值與標準值的差距很小，這說明線路填寫的電阻和電抗值是合理的，而電納的填寫值與標準值差距較大，由此可以說明線路電納值的填寫有誤；將表1中的辨識電納結果值與表2中的標準電納值做比較可以發現兩者之間差距不大，如表3所示，這說明采用該算法進行線路參數的辨識是有效合理的，辨識的結果值具有很大的參考價值。以上結果證明了算法的有效性，可以對參數填寫存在問題的交流線路進行辨識，并給出準確性較高的辨識結果值作為建議修正值。

5 結語

本文提出了電網規劃數據中輸電線路參數辨識算法。算法的創新點是根據線路阻抗導納參數與長度之間的潛在關系，首先建立線性回歸模型得到回歸系數作為BP神經網絡模型隱含層到輸出層的初始連接權值，然后建立神經網絡模型，訓練線路參數與線路長度之間的非線性關系。采用電網規劃中的實際BPA數據進行了算法有效性的驗證，結果表明本文提出的解決思路和算法對規劃工作具有很大的實際應用價值。

參考文獻

[1] 于爾鏗.電力系統狀態估計[M].北京：水利電力出

版社，1985.

[2] Liu W H E，Wu F F，Lun S M.Estimation of parameter

errors from measurement residuals in stateestimation[J].

IEEE Transactions on Power Systems，1992，7（1）.

[3] Slutsker I W，Clements K A.Real time recursive

parameter estimation in energy management systems[J].

IEEE Transactions on Power Systems，1996，11（3）.

[4] 趙紅嘎，薛禹勝，汪德星，等.計及PMU支路電流

相量的狀態估計模型[J].電力系統自動化，2004，28

（17）.

[5] 戴長春，王正風，張兆陽，等.基于IGG準則的抗差

最小二乘輸電線路參數辨識[J].現代電力，2014，31

（2）.

[6] 陳珩.電力系統穩態分析[M].北京：中國電力出版

社，2007.

[7] 曾明，魏衍.一種BP神經網絡改進算法的研究及應用

[J].微計算機信息，2009，（18）.

[8] 孟棟，樊重俊，王家楨.混沌遺傳算法對BP神經網絡

的改進研究[J].數學理論與應用，2014，34（1）.

[9] 吳俊利，張步涵，王魁.基于Adaboost的BP神經網

絡改進算法在短期風速預測中的應用[J].電網技術，

2012，36（9）.

[10] 楊耿煌，溫渤嬰.基于量子行為粒子群優化――人

工神經網絡的電能質量擾動識別[J].中國電機工程學

報，2008，28（10）.

[11] 王越，衛志農，吳佳佳.人工神經網絡預測技術

在微網運行中的應用[J].電力系統及其自動化學報，

2012，24（2）.

[12] 龐清樂.基于粗糙集理論的神經網絡預測算法及

其在短期負荷預測中的應用[J].電網技術，2010，34

（12）.

[13] 師彪，李郁俠，于新花，等.基于改進粒子群-徑向

基神經網絡模型的短期電力負荷預測[J].電網技術，

2009，33（17）.

[14] 王旭東，劉金鳳，張雷.蟻群神經網絡算法在電動

車用直流電機起動過程中的應用[J].中國電機工程學

篇4

關鍵詞:模糊神經網絡;擴展卡爾曼濾波;自組織學習

doi:10.3969/j.issn.1001-3695.2010.07.016

fast self-organizing learning algorithm based on ekf for fuzzy neural network

zhou shang-bo,liu yu-jiong

(college of computer science, chongqing university, chongqing 400044, china)

abstract:to construct an effective fuzzy neural network, this paper presented a self-organizing learning algorithm based on extended kalman filter for fuzzy neural network. in the algorithm, the network grew rules according to the proposed growing criteria without pruning, speeding up the online learning process.all the free parameters were updated by the extended kalman filter approach and the robustness of the network was obviously enhanced. the simulation results show that the proposed algorithm can achieve fast learning speed, high approximation precision and generation capability.

key words:fuzzy neural network; extended kalman filter(ekf); self-organizing learning

模糊神經網絡起源于20世紀80年代后期的日本,由于其簡單、實用,已經被廣泛應用在工業控制、系統辨識、模式識別、數據挖掘等許多領域[1~4]。然而,如何從可用的數據集和專家知識中獲取合適的規則數仍然是一個尚未解決的問題。為了獲取模糊規則,研究人員提出了不同的算法,如文獻[5]利用正交最小二乘算法確定徑向基函數的中心,但是該算法訓練速度比較慢;文獻[6]提出了基于徑向基函數的自適應模糊系統,其算法使用了分層自組織學習策略,但是逼近精度低。擴展卡爾曼濾波(ekf)算法作為一種非線性更新算法,在神經網絡中得到了廣泛應用。文獻[7]利用擴展卡爾曼濾波算法調整多層感知器的權值,文獻[8]利用擴展卡爾曼濾波算法調整徑向基函數網絡的權值。

本文提出了一種模糊神經網絡的快速自組織學習算法(sfnn)。該算法基于無須修剪過程的生長準則增加模糊規則,加速了網絡學習過程,同時使用ekf調整網絡的參數。在該算法中,模糊神經網絡結構不是預先設定的,而是在學習過程中動態變化的,即在學習開始前沒有一條模糊規則,在學習過程中逐漸增加模糊規則。與傳統的模糊神經網絡學習算法相比,本算法所得到的模糊規則數并不會隨著輸入變量的增加而呈指數增長,特別是本算法無須領域的專家知識就可以實現對系統的自動建模及抽取模糊規則。當然,如果設計者是領域專家,其知識也可以直接用于系統設計。本算法所得到的模糊神經網絡具有結構小、避免出現過擬合現象等特點。

1 sfnn的結構

本文采用與文獻[9]相似的網絡結構,如圖1所示。其中,r是輸入變量個數;xi(i=1,2,…,r)是輸入語言變量;y是系統的輸出;mfij是第i個輸入變量的第j個隸屬函數;rj表示第j條模糊規則;wj是第j條規則的結果參數;u是系統總的規則數。

下面是對該網絡各層含義的詳細描述。

第一層:輸入層。每個節點代表一個輸入語言變量。

第二層:隸屬函數層。每個節點代表一個隸屬函數,隸屬函數采用如下的高斯函數:

μij=exp(-(xi-cij)2σ2ij);i=1,2,…,r; j=1,2,…,u(1)

其中:r是輸入變量數;u是隸屬函數個數,也代表系統的總規則數;μij是xi的第j個高斯隸屬函數;cij是xi的第j個高斯隸屬函數的中心;σij是xi的第j個高斯隸屬函數的寬度。

第三層:t-范數層。每個節點代表一個可能的模糊規則的if-部分,也代表一個rbf單元,該層節點個數反映了模糊規則數。如果計算每個規則觸發權的t-范數算子是乘法,則在第三層中第j條規則rj的輸出為

φj=exp(-ri=1(xi-cij)2σ2ij);j=1,2,…,u(2)

第四層:輸出層。該層每個節點代表一個輸出變量,該輸出是所有輸入變量的疊加。

y(x)=uj=1wjφj(3)

其中:y是網絡的輸出;wj是then-部分。

2 sfnn的學習算法

如前文所述,第三層的每個節點代表一個可能的模糊規則的if-部分或者一個rbf單元。如果需要辨識系統的模糊規則數,則不能預先選擇模糊神經網絡的結構。于是,本文提出一種新的學習算法,該算法可以自動確定系統的模糊規則并能達到系統的特定性能。

2.1 模糊規則的產生準則

在模糊神經網絡中,如果模糊規則數太多,不僅增加系統的復雜性,而且增加計算負擔和降低網絡的泛化能力;如果規則數太少,系統將不能完全包含輸入/輸出狀態空間,將降低網絡的性能。是否加入新的模糊規則取決于系統誤差、可容納邊界和誤差下降率三個重要因素。

2.1.1 系統誤差

誤差判據:對于第i個觀測數據(xi,ti),其中xi是輸入向量,ti是期望輸出,由式(3)計算網絡現有結構的全部輸出yi。

定義:ei=ti-yi;i=1,2,…,n(4)

如果ei>ke ke=max[emax×βi,emin](5)

則說明網絡現有結構的性能比較差,要考慮增加一條新的規則;否則,不生成新規則。其中:ke是根據網絡期望的精度預先選擇的值;emax是預定義的最大誤差;emin是期望的輸出精度;β(0<β<1)是收斂因子。

2.1.2 可容納邊界

從某種意義上來講,模糊神經網絡結構的學習是對輸入空間的高效劃分。模糊神經網絡的性能和結構與輸入隸屬函數緊密相關。本文使用的是高斯隸屬函數,高斯函數輸出隨著與中心距離的增加而單調遞減。當輸入變量采用高斯隸屬函數時,則認為整個輸入空間由一系列高斯隸屬函數所劃分。如果某個新樣本位于某個已存在的高斯隸屬函數覆蓋范圍內,則該新樣本可以用已存在的高斯隸屬函數表示,不需要網絡生成新的高斯單元。

可容納邊界:對于第i個觀測數據(xi,ti),計算第i個輸入值xi與已有rbf單元的中心cj之間的距離di(j),即

di(j)=xi-cj;i=1,2,…,n; j=1,2,…,u(6)

其中:u是現有的模糊規則或rbf單元的數量。令

di,min=arg min(di(j))(7)

如果di,min>kd,kd=max[dmax×γi,dmin](8)

則說明已存在的輸入隸屬函數不能有效地劃分輸入空間。因此,需要增加一條新的模糊規則,否則,觀測數據可以由已存在的距離它最近的rbf單元表示。其中:kd是可容納邊界的有效半徑;dmax是輸入空間的最大長度;dmin是所關心的最小長度;γ(0<γ<1)是衰減因子。

2.1.3 誤差下降率

傳統的學習算法把誤差減少率(err)[5]用于網絡生長后的修剪過程,算法會因為修剪過程而增加計算負擔,降低學習速度。本文把誤差減少率用于生長過程形成一種新的生長準則,算法無須經過修剪過程,從而加速網絡的學習過程。

給定n個輸入/輸出數據對(xi,ti),t=1,2,…,n,把式(3)看做線性回歸模型的一種特殊情況,該線性回歸模型為

t(i)=uj=1hj(i)θj+ε(i)(9)

式(9)可簡寫為

d=hθ+e(10)

d=tt∈rn是期望輸出,h=φt∈rn×u是回歸量,θ=wt∈ru是權值向量,并且假設e∈rn是與回歸量不相關的誤差向量。

對于矩陣φ,如果它的行數大于列數,通過qr分解:

h=pq(11)

可把h變換成一組正交基向量集p=[p1,p2,…,pu]∈rn×u,其維數與h的維數相同,各列向量構成正交基,q∈ru×u是一個上三角矩陣。通過這一變換,有可能從每一基向量計算每一個分量對期望輸出能量的貢獻。把式(11)代入式(10)可得

d=pqθ+e=pg+e(12)

g的線性最小二乘解為g=(ptp)-1ptd,或

gk=ptkdptkpk;k=1,2,…,u(13)

q和θ滿足下面的方程:

qθ=g(14)

當k≠l時,pk和pl正交,d的平方和由式(15)給出:

dtd=uk=1g2kptkpk+ete(15)

去掉均值后,d的方差由式(16)給出:

n-1dtd=n-1uk=1g2kptkpk+n-1ete(16)

由式(16)可以看到,n-1uk=1g2kptkpk是由回歸量pk所造成的期望輸出方差的一部分。因此,pk的誤差下降率可以定義如下:

errk=g2kptkpkdtd,1≤k≤u(17)

把式(13)代入式(17)可得

errk=(ptkd)2ptkpkdtd,1≤k≤u(18)

式(18)為尋找重要回歸量子集提供了一種簡單而有效的方法,其意義在于errk揭示了pk和d的相似性。errk值越大,表示pk和d的相似度越大,且pk對于輸出影響越顯著。利用err定義泛化因子(gf),gf可以檢驗算法的泛化能力,并進一步簡化和加速學習過程。定義:

gf=uk=1errk(19)

如果gf

2.2 參數調整

需要注意的是,不管是新生成的隱節點還是已存在的隱節點,都需要對網絡參數進行調整。傳統的方法是使用lls[10]方法對網絡參數進行調整,本文提出使用ekf方法調節網絡的參數。由于lls方法在確定最優參數時計算簡單、速度快,但該方法對噪聲敏感,其學習速度隨著信噪比的增加而下降。另外,與lls方法相關的問題是其求解可能是病態的,這使得參數估計變得很困難。ekf方法由于其自適應過程比較復雜,計算速度沒有lls方法快,但是ekf方法在噪聲環境下具有魯棒性,使用ekf方法可以實現一種健壯的在線學習算法。網絡參數可以用下面的ekf[11]方法進行調整。事實上,網絡的參數向量θ可以看做一個非線性系統的狀態,并用下面的方程描述:

θi=θi-1

ti=h(θi-1,xi)+ei(20)

在當前的估計值i-1處將非線性函數h(θi-1,xi)展開,則狀態模型可以重寫為

θi=θi-1

ti=hiθi-1+εi+ei(21)

其中:εi=h(i-1 ,xi)-hii-1+ρi。hi是如下的梯度向量:

hi=h(θ,xi)θ|θ=i-1 (22)

參數向量θ使用下面的擴展卡爾曼濾波算法更新:

ki=pi-1hti[hipi-1hti+ri]-1

θi=θi-1+ki(ti-h(θi-1,xi))

pi=pi-1-kihipi-1+qi(23)

其中:ki是卡爾曼增益矩陣;pi是逼近誤差方差陣;ri是量測噪聲方差陣;qi是過程噪聲方差陣。

全局擴展卡爾曼濾波算法會涉及大型矩陣運算,增加計算負擔,因此可以將全局問題劃分為一系列子問題從而簡化全局方法。網絡的前件部分具有非線性特性,利用擴展卡爾曼濾波算法對其進行調整;網絡的后件部分具有線性特性,利用卡爾曼濾波算法對其進行調整,該方法等同于將全局方法簡化為一系列解耦方法,可以降低計算負擔。由于高斯函數的中心對系統的性能影響不明顯,為了簡化計算,只對高斯隸屬函數的寬度進行調整。

前件參數使用如下的擴展卡爾曼濾波算法更新:

kδi=pδi-1gti[ri+gipδi-1gti]-1

δi=δi-1+kδi(ti-wi-1φi)

pδi=pδi-1-kδigipδi-1+qi(24)

后件參數使用如下的卡爾曼濾波算法更新:

kwi=pwi-1φti[ri+φipwi-1φti]-1

wi=wi-1+kwi(ti-wi-1φi)

pwi=pwi-1-kwiφipwi-1+qi(25)

2.3 模糊規則的增加過程

在sfnn學習算法中,模糊規則增加過程如下:

a)初始參數分配。當得到第一個觀測數據(x1,t1) 時,此時的網絡還沒有建立起來,因此這個數據將被選為第一條模糊規則:c0=x0,δ1=δ0,w1=t1。其中δ0是預先設定的常數。

b)生長過程。當得到第i個觀測數據(xi,ti)時,假設在第三層中已存在u個隱含神經元,根據式(4)(7)和(19),分別計算ei、di,min、gf。如果

ei>ke,di,min>kd,且gf

則增加一個新的隱含神經元。其中ke、kd分別在式(5)和(8)中給出。新增加的隱含神經元的中心、寬度和權值賦值為:cu+1=xi,δu+1=k0di,min,wu+1=ei,其中k0(k0>1)是重疊因子。

c)參數調整。當增加新神經元后,所有已有神經元的參數通過式(24)(25)描述的算法調整。

3 仿真研究

時間序列預測在解決許多實際問題中是非常重要的。它在經濟預測、信號處理等很多領域都得到了廣泛應用。

本文采用的時間序列由mackey-glass差分延遲方程產生,其方程定義為[5]

x(t+1)=(1-a)x(t)+bx(t-τ)1+x10(t-τ)(27)

為了能夠與文獻[5,6]在相同的基礎上進行比較,取值δt=p=6,式(27)中的參數選擇為:a=0.1,b=0.2,τ=17。預測模型表示為

x(t+6)=f[x(t),x(t-6),x(t-12),x(t-18)](28)

為了獲得時間序列,利用式(27)生成2 000個數據,式(27)的初始條件為:x(0)=1.2。為了訓練和測試,在t=124和t=1 123之間選擇1 000個樣本作為式(28)的輸入/輸出樣本數據。使用前500個數據對作為訓練數據集,后面的500個數據對驗證該模型的預測性能。圖2顯示了sfnn生成的模糊規則數;圖3顯示了從t=124到t=623的訓練結果;圖4顯示了sfnn良好的預測性能。表1列出了sfnn與其他算法的比較結果。表1顯示,與ols、rbf-afs算法相比,sfnn具有最少的規則數、最小的誤差和良好的泛化能力,同時具有快速的學習速度。sfnn的快速性就在于:采用無須修剪過程的生長準則,加速了網絡學習過程;利用擴展卡爾曼濾波調整網絡的參數,可以縮短網絡的學習周期。從上面的分析可以看出,sfnn具有緊湊的結構、快速的學習速度、良好的逼近精度和泛化能力。

4 結束語

sfnn采用在線學習方法、參數估計和結構辨識同時進行,提高了網絡的學習速度?；谠摲椒ㄉ傻哪：窠浘W絡具有緊湊的結構,網絡結構不會持續增長,避免了過擬合及過訓練現象,確保了系統的泛化能力。

參考文獻:

[1]

huang huan,wu cong-xin.approximation capabilities of multilayer fuzzy neural networks on the set of fuzzy-valued functions[j].information sciences,2009,179(16):2762-2773.

[2]deng xing-sheng,wang xin-zhou.incremental learning of dynamic fuzzy neural networks for accurate system modeling[j].fuzzy sets and systems,2009,160(7):972-987.

[3]韋玉科,汪仁煌,李江平,等.一種新的數據智能化處理算法[j].計算機應用研究,2008,25(5):1328-1329.

[4]chen sheng,hong xia,luk b l,et al.orthogonal-least-squares regression:a unified approach for data modeling[j].neurocompu-ting,2009,72(10-12):2670-2681.

[5]chen s,cowan c f n,grant p m.orthogonal least squares learning algorithm for radial basis function networks[j].ieee trans on neural networks,1991,2(2):302-309.

[6]cho k b,wang b h.radial basis function based adaptive fuzzy systems and their applications to system identification and prediction[j].fuzzy sets and systems,1996,83(3):325-339.

[7]rivals i,personnaz l.a recursive algorithm based on the extended kalman filter for the training of feedforward neural models[j].neurocomputing,1998,20(1):279-294.

[8]simon d.training radial basis neural networks with the extended kalman filter[j].neurocomputing,2002,48(1):455-475.

[9]wu shi-qian,er m j,gao yang.a fast approach for automatic generation of fuzzy rules by generalized dynamic fuzzy neural networks[j].ieee trans on fuzzy systems,2001,9(4):578-594.

篇5

關鍵詞 計算機 云計算技術 未來發展

中圖分類號：TP3 文獻標識碼：A

1云計算技術的飛速發展

1.1云計算的提出

著名的美國計算機科學家、圖靈獎 （Turing Award）得主麥卡錫（John McCarthy， 1927-）在半個世紀前就曾思考過這個問題。1961年，他在麻省理工學院 （MIT） 的百年紀念活動中做了一個演講。在那次演講中，他提出了像使用其它資源一樣使用計算資源的想法，這就是時下IT界的時髦術語“云計算”（Cloud Computing） 的核心想法。

1.2云計算的含義

云計算是基于互聯網的相關服務的增加、使用和交付模式，通常涉及通過互聯網來提供動態易擴展且經常是虛擬化的資源。云是網絡、互聯網的一種比喻說法。過去在圖中往往用云來表示電信網，后來也用來表示互聯網和底層基礎設施的抽象。狹義云計算指IT基礎設施的交付和使用模式，指通過網絡以按需、易擴展的方式獲得所需資源；廣義云計算指服務的交付和使用模式，指通過網絡以按需、易擴展的方式獲得所需服務。這種服務可以是IT和軟件、互聯網相關，也可是其他服務。它意味著計算能力也可作為一種商品通過互聯網進行流通。

1.3云計算的特點

（1）資源配置動態化。根據消費者的需求動態劃分或釋放不同的物理和虛擬資源，當增加一個需求時，可通過增加可用的資源進行匹配，實現資源的快速彈性提供；如果用戶不再使用這部分資源時，可釋放這些資源。云計算為客戶提供的這種能力是無限的，實現了IT資源利用的可擴展性。

（2）需求服務自助化。云計算為客戶提供自助化的資源服務，用戶無需同提供商交互就可自動得到自助的計算資源能力。同時云系統為客戶提供一定的應用服務目錄，客戶可采用自助方式選擇滿足自身需求的服務項目和內容。

（3）網絡訪問便捷化?？蛻艨山柚煌慕K端設備，通過標準的應用實現對網絡訪問的可用能力，使對網絡的訪問無處不在。

（4）服務可計量化。在提供云服務過程中，針對客戶不同的服務類型，通過計量的方法來自動控制和優化資源配置。即資源的使用可被監測和控制，是一種即付即用的服務模式。

（5）資源的虛擬化。借助于虛擬化技術，將分布在不同地區的計算資源進行整合，實現基礎設施資源的共享。

1.4云計算技術的發展應用

云計算的發展也給我們的生活方面帶來各種各樣的變化，主要包括基礎設施即服務，平臺即服務和軟件即服務三方面的服務。這些服務應用在很多領域，如云物聯、云安全、云存儲、私有云、云游戲、云教育等方面。

2未來計算機

2.1量子計算機

量子計算機是一類遵循量子力學規律進行高速數學和邏輯運算、存儲及處理的量子物理設備，當某個設備是由兩子元件組裝，處理和計算的是量子信息，運行的是量子算法時，它就是量子計算機。

2.2神經網絡計算機

人腦總體運行速度相當于每秒1000萬億次的電腦功能，可把生物大腦神經網絡看做一個大規模并行處理的、緊密耦合的、能自行重組的計算網絡。從大腦工作的模型中抽取計算機設計模型，用許多處理機模仿人腦的神經元機構，將信息存儲在神經元之間的聯絡中，并采用大量的并行分布式網絡就構成了神經網絡計算機。

2.3化學、生物計算機

在運行機理上，化學計算機以化學制品中的微觀碳分子作信息載體，來實現信息的傳輸與存儲。DNA分子在酶的作用下可以從某基因代碼通過生物化學反應轉變為另一種基因代碼，轉變前的基因代碼可以作為輸入數據，反應后的基因代碼可以作為運算結果，利用這一過程可以制成新型的生物計算機。生物計算機最大的優點是生物芯片的蛋白質具有生物活性，能夠跟人體的組織結合在一起，特別是可以和人的大腦和神經系統有機的連接，使人機接口自然吻合，免除了繁瑣的人機對話，這樣，生物計算機就可以聽人指揮，成為人腦的外延或擴充部分，還能夠從人體的細胞中吸收營養來補充能量，不要任何外界的能源，由于生物計算機的蛋白質分子具有自我組合的能力，從而使生物計算機具有自調節能力、自修復能力和自再生能力，更易于模擬人類大腦的功能?，F今科學家已研制出了許多生物計算機的主要部件―生物芯片。

2.4光計算機

篇6

1.1生物醫學信號及其特點

生物醫學信號是一種由復雜的生命體發出的不穩定的自然信號,屬于強噪聲背景下的低頻微弱信號,信號本身特征、檢測方式和處理技術,都不同于一般的信號。生物醫學信號可以為源于一個生物系統的一類信號,這些信號通常含有與生物系統生理和結構狀態相關的信息。生物醫學信號種類繁多,其主要特點是:信號弱、隨機性大、噪聲背景比較強、頻率范圍一般較低,還有信號的統計特性隨時間而變,而且還是非先驗性的。

1.2生物醫學信號分類

按性質生物信號可分為生物電信號(BioelectricSignals),如腦電、心電、肌電、胃電、視網膜電等;生物磁信號(BiomagneticSignals),如心磁場、腦磁場、神經磁場;生物化學信號(BiochemicalSignals),如血液的pH值、血氣、呼吸氣體等;生物力學信號(BiomechanicalSignals),如血壓、氣血和消化道內壓和心肌張力等;生物聲學信號(BioacousticSignal),如心音、脈搏、心沖擊等。按來源生物醫學信號可大致分為兩類:(1)由生理過程自發產生的主動信號,例如心電(ECG)、腦電(EEG)、肌電(EMG)、眼電(EOG)、胃電(EGG)等電生理信號和體溫、血壓、脈博、呼吸等非電生信號;(2)外界施加于人體、把人體作為通道、用以進行探查的被動信號,如超聲波、同位素、X射線等。

2生物醫學信號的檢測及方法

生物醫學信號檢測是對生物體中包含的生命現象、狀態、性質和成分等信息進行檢測和量化的技術,涉及到人機接口技術、低噪聲和抗干擾技術、信號拾取、分析與處理技術等工程領域,也依賴于生命科學研究的進展。信號檢測一般需要通過以下步驟(見圖1)。①生物醫學信號通過電極拾取或通過傳感器轉換成電信號;②放大器及預處理器進行信號放大和預處理;③經A/D轉換器進行采樣,將模擬信號轉變為數字信號;④輸入計算機;⑤通過各種數字信號處理算法進行信號分析處理,得到有意義的結果。生物醫學信號檢測技術包括:(1)無創檢測、微創檢測、有創檢測;(2)在體檢測、離體檢測;(3)直接檢測、間接檢測;(4)非接觸檢測、體表檢測、體內檢測;(5)生物電檢測、生物非電量檢測;(6)形態檢測、功能檢測;(7)處于拘束狀態下的生物體檢測、處于自然狀態下的生物體檢測;(8)透射法檢測、反射法檢測;(9)一維信號檢測、多維信號檢測;(10)遙感法檢測、多維信號檢測;(11)一次量檢測、二次量分析檢測;(12)分子級檢測、細胞級檢測、系統級檢測。

3生物醫學信號的處理方法

生物醫學信號處理是研究從擾和噪聲淹沒的信號中提取有用的生物醫學信息的特征并作模式分類的方法。生物醫學信號處理的目的是要區分正常信號與異常信號,在此基礎上診斷疾病的存在。近年來隨著計算機信息技術的飛速發展,對生物醫學信號的處理廣泛地采用了數字信號分析處理方法:如對信號時域分析的相干平均算法;對信號頻域分析的快速傅立葉變換算法和各種數字濾波算法;對平穩隨機信號分析的功率譜估計算法和參數模型方法;對非平穩隨機信號分析的短時傅立葉變換、時頻分布(維格納分布)、小波變換、時變參數模型和自適應處理等算法;對信號的非線性處理方法如混沌與分形、人工神經網絡算法等。下面介紹幾種主要的處理方法。

3.1頻域分析法

信號的頻域分析是采用傅立葉變換將時域信號x(t)變換為頻域信號X(f),從而將時間變量轉變成頻率變量,幫助人們了解信號隨頻率的變化所表現出的特性。信號頻譜X(f)描述了信號的頻率結構以及在不同頻率處分量成分的大小,直觀地提供了從時域信號波形不易觀察得到頻率域信息。頻域分析的一個典型應用即是對信號進行傅立葉變換,研究信號所包含的各種頻率成分,從而揭示信號的頻譜、帶寬,并用以指導最優濾波器的設計。

3.2相干平均分析法

生物醫學信號常被淹沒在較強的噪聲中,且具有很大的隨機性,因此對這類信號的高效穩健提取比較困難。最常用的常規提取方法是相干平均法。相干平均(CoherentAverage)主要應用于能多次重復出現的信號的提取。如果待檢測的醫學信號與噪聲重疊在一起,信號如果可以重復出現,而噪聲是隨機信號,可用疊加法提高信噪比,從而提取有用的信號。這種方法不但用在誘發腦電的提取,也用在近年來發展的心電微電勢(希氏束電、心室晚電位等)的提取中。

3.3小波變換分析法

小波分析是傳統傅里葉變換的繼承和發展,是20世紀80年代末發展起來的一種新型的信號分析工具。目前,小波的研究受到廣泛的關注,特別是在信號處理、圖像處理、語音分析、模式識別、量子物理及眾多非線性科學等應用領域,被認為是近年來在工具及方法上的重大突破。小波分析有許多特性:多分辨率特性,保證非常好的刻畫信號的非平穩特征,如間斷、尖峰、階躍等;消失矩特性,保證了小波系數的稀疏性;緊支撐特性,保證了其良好的時頻局部定位特性;對稱性,保證了其相位的無損;去相關特性,保證了小波系數的弱相關性和噪聲小波系數的白化性;正交性,保證了變換域的能量守恒性;所有上述特性使小波分析成為解決實際問題的一個有效的工具。小波變換在心電、腦電、脈搏波等信號的噪聲去除、特征提取和自動分析識別中也已經取得了許多重要的研究成果。

篇7

關鍵詞　數字圖像處理；邊緣檢測；量子圖像

中圖分類號　TP391 文獻標識碼　A 文章編號　10002537（2012）04002605

邊緣檢測是圖像處理和計算機視覺中的基本問題，其目的是標識數字圖像中亮度變化明顯的點．邊緣檢測是底層視覺處理中最重要的環節之一，　也是圖像分割、目標區域識別、區域形狀提取等圖像分析方法的基礎，目前已經逐漸被廣泛地應用于生物醫學、模式識別以及工程技術中的零部件檢查、故障診斷等更多領域．一直以來，如何準確快速地提取圖像邊緣是圖像處理領域中的熱點問題．

篇8

關鍵詞：粒群；算法；優化；壓縮

中圖分類號：TP301文獻標識碼：A文章編號：1009-3044(2007)16-31086-02

Particle Swarm Optimization

SUN Qi,ZHANG Fu-yu

(The Information Management Department of Henan Economy and Trade Vocational College, Zhengzhou 450000,China)

Abstract:first we simply intruduce about the common algorithm ofParticle Swarm,then we discuss the using、develop、prospect and optimize of it。Further more we provide a new CSV2PSO algorithm based on compressed space,give the details of it and analyse the differences compared to other algorithms.CSV2PSO enhances the Particle Swarm’s rate of convergence,reduces the ratio of forwardness convergence,and it has a very goodfuture of apply.

Key words:Particle Swarm;algorithm;optimize;ompress

粒子群優化算法PSO(Particle Swarm Optimization)由Kennedy和Eberhart于1995年提出，算法模擬鳥群飛行覓食的行為，通過鳥之間的集體協作使群體達到最優。與遺傳算法類似，它也是基于群體迭代，但沒有交叉、變異算子，群體在解空間中追隨最優粒子進行搜索。

1 算法介紹

1.1 產生背景

復雜適應系統CAS(Complex Adaptive Sys2tem)理論于1994年正式提出，CAS中的成員稱為主體。主體有適應性，它能夠與環境及其他主體進行交流，并且根據交流的過程中“學習”或“積累經驗”改變自身結構和行為。整個系統的演變或進化包括:新層次的產生;分化和多樣性的出現;新的、更大的主體的出現等都基于此。CAS有4個基本特點:首先，主體是主動的、活的實體;其次，個體與環境及其他個體的相互影響、相互作用，是系統演變和進化的主要動力;再次，將宏觀和微觀有機地聯系起來;最后，系統引入了隨機因素。PSO源于對1個CAS:鳥群社會系統的仿真研究，也包含這4個基本特點。如何利用生物技術研究計算問題是人工生命研究的重要方向，現已有了很多源于生物現象的計算技巧，如人工神經網絡和遺傳算法等。“群智能”是對社會型生物系統的模擬，目前計算智能領域有3種基于群智能的算法:蟻群算法、文化算法和PSO。

1.2 基本PSO算法介紹

PSO初始化為一群隨機粒子，然后通過迭代找到最優解。每次迭代，粒子通過跟蹤2個“極值”:粒子本身所找到的最優解PBest和群體找到的最優解GBest來更新自己。

標準PSO的算法流程如下：

1.2.1 初始化：

1.2.1.1 設置常量c1，c2，w，NrVmax粒子數目P和最大迭代次數Kmax給定精度δ；

1.2.1.2 隨機初始化粒子位置；

1.2.1.3 隨機初始化粒子速度；

1.2.1.4 K=1,i=1;

1.2.2 優化：

1.2.2.8 轉到步驟1.2.2.1

1.2.3 輸出結果，程序終止。

1.3 算法分析與發展

與其他全局優化算法(如遺傳算法)一樣，粒子群優化算法同樣存在早熟收斂現象，尤其是在比較復雜的多峰搜索問題中。為解決這一問題并提高算法的收斂速度，粒群優化算法的發展也經過了一系列的過程：

1.3.1 PSO參數改進與優化

基本PSO的參數是固定的，在對某些函數優化上的精度較差，因此，Shi提出慣性因子w線性遞減的改進算法，使算法在搜索初期有著較大探索能力，而在后期又能得到較精確的結果，一定程度上提高了算法性能。2001年Shi又提出了自適應模糊調節w的PSO，在對單峰函數的處理中取得了良好的效果，但無法推廣。Bergh通過使粒子群中的最佳粒子GBest始終處于運動狀態，得到了保證收斂到局部最優的GCPSO，但其性能并不佳。

1.3.2 粒子群拓撲結構改進

在提出Local版之后，Kennedy等又進一步研究粒子群的拓撲結構，分析粒子間的信息流，提出了一系列的拓撲結構，并作實驗研究，如圖1所示。除靜態拓撲結構外，也有研究者提出動態粒子群拓撲結構。

1.3.3 PSO混合算法

PSO和其他優化算法的結合是改進研究的熱點。Angeline將選擇算子引入PSO中，選擇每次迭代后的較好粒子復制到下一代，以保證每次迭代的粒子群都具有較好的性能，這種算法對某些單峰函數效果良好。L?準vbjerg在粒子群每次迭代后，按幾率在粒子間交換各維，通過交叉來生成更優秀的粒子，算法對某些多峰函數效果較好。Higashi等人分別提出了自己的變異PSO算法，基本思路均是希望通過引入變異算子跳出局部極值點的吸引，從而提高算法的全局搜索能力，得到較高的搜索成功率。高鷹等人則引入免疫機制的概念，提高粒子群的多樣性和自我調節能力，以增強粒子的全局搜索能力。Baskar、Bergh等人各自提出了自己的協同PSO算法，通過使用多群粒子分別優化問題的不同維、多群粒子協同優化等辦法來對基本算法進行改進嘗試。Al-kazemi所提出的Multi-Phase PSO在粒子群中隨機選取部分個體向GBest飛，而其他個體向反方向飛，以擴大搜索空間。

除以上的混合算法之外，還出現了量子PSO、模擬退火PSO、耗散PSO、自適應PSO等混合改進算法，也有采取PSO與基于梯度的優化方法相結合的辦法。

2 一種基于壓縮搜索空間的CSV2PSO算法

為了提高PSO算法收斂速度與收斂精度，降低早熟收斂的比率，本文提出了壓縮搜索空間與速度范圍的粒子群優化(CSV2PSO)算法，對基本PSO算法進行了以下改進。

2.1 慣性權重的確定

把慣性權重w引入到粒子群算法中，并研究了其對優化性能的影響，發現較大的w值有利于跳出局部最優點，而較小的w值有利于算法收斂，因此提出了自適應調整w的策略，即隨著迭代的進行，線性地減小w的值，非線性地減少w的值:

其中w0為事先給定的正常數，k為飛行次數，n為以優化目標函數而定的正常數。

2.2 速度范圍的確定

不同的vmax(最大飛行速度)對壓縮因子PSO算法收斂速度有很大的影響。事實上，數值試驗表明vmax對各種PSO算法收斂速度及收斂精度都有影響。為了便于問題的描述，假設粒子群在M維空間里飛行速度的上下限分別表示為矢量：

Vmax=[vmax1,vmax2,…,vmaxM]和vmin=[vmin1,vmin2,…,vminM]搜索空間的上下限分別用矢量[vmax1,vmax2,…,vmaxM]和vmin=[vmin1,vmin2,…,vminM]表示，則粒子群在M維空間里飛行速度的上下限可用下式表達:

式中，D=1,2,…,M,a大小可用下式確定：

其中，a0為事先給定的正常數，k為飛行次數，m為以優化目標函數而定的正常數

2.3 搜索空間的確定

大量的數值試驗證明:隨著粒子群體不斷進化，粒子群體逐漸向問題空間的優秀解域靠近?因此，隨著進化的進行，適當的壓縮粒子群的搜索空間將有利于加速算法收斂，這在后面的數值仿真中得到驗證?壓縮搜索空間由式(7)和式(8)完成:

U’maxd=β0(U’maxd-Gcd)+Gcd(7)

D’mind=β0(D’mind-Gcd)+Gcd(8)

其中，0

式中，Npop為粒子群的群體規模。

隨著搜索空間的壓縮，一方面問題的最優解有可能被排擠在壓縮后的搜索空間之外，這樣問題的最優解將無法被搜索到;另一方面粒子的飛行范圍被大大縮減，降低了算法突破局部最優的能力。如果大部分粒子均在相同的局部極值附近飛行時，PSO算法容易出現暫時的“停滯”現象，突破局部極值的限制可能需要經過很長一段時間，也可能無法突破這一限制而陷入局部最優點。為此，當算法出現暫時“停滯”時，需重新對粒子進行初始化，本文把粒子分為兩部分，一部分在壓縮空間初始化，一部分在原始空間內初始化。數值試驗證明了該方法的可行性CSV－PSO算法以目標函數的函數值為其適應值求函數的最優解，算法的具體流程如下:

(1)初始化慣性權重w0，學習因子c1和c2，群體規模Npop，停滯進化代數Ns，常數α0和β0及進化結束標志，進化代數Ng和ε0，進入步(2);

(2)在?WDmin,Umax內隨機初始化粒子的位置，由式(4)和式(5)確定粒子飛行速度的極限Vmin和Vmax，然后在[Vmin,Vmax]內隨機初始化粒子的飛行速度;令群體進化代數N= 0，進入步(3);

(7)根據公式(4)和式(5)動態調整粒子飛行速度的極限，并由式(7)和式(8)壓縮粒子的搜索空間，進行步(8);

(8)把粒子分為兩部分，一部分在壓縮空間?WDmin,Umax內重新初始化，一部分在原始空間?WDmin,Umax內重新初始化，進行步(3)。

2.4數值測試

為了驗證改進算法的性能，選用了5個常用的非線性基準函數，函數基本特征如表1所示。最大進化代數Ng=10 000，學習因子c1=c2=2，群體規模Npop=30;變量維數、變量范圍、優化目標函數值如表1所示;設置參數w0=1。本文引入的參數停滯進化代數Ns=50，α0=019和β0=018(對函數f6,α0=015)。隨機運行20次，適應值達到目標函數值時的平均進化代數及進化代數范圍如表2所示：

表1

表2中，Nave和Nr分別為20次運行中收斂情況下進化代數的平均值和進化代數的范圍(例如，若20次運行中有3次不收斂，則Nave和Nr分別為17次收斂運行的進化代數平均值和進化代數的范圍)。對函數f2，壓縮因子法(Vmax=100 000)和改進壓縮因子法(Vmax=Xmax)，20次運行中各有1次不收斂(進化了10 000代適應值仍沒有達到目標函數值);對函數f3，慣性權重法在目標函數值設置為0105時得到的表中結果，壓縮因子法(Vmax=100 000)有3次不收斂，改進壓縮因子法(Vmax=Xmax)有1次不收斂?由表中結果可以看出與慣性權重法、壓縮因子法(Vmax=100 000)和改進壓縮因子法(Vmax=Xmax)相比，CSV2PSO算法收斂速度更快，運行更為穩定(不易出現早熟現象)。

表2

2.5 算法總結

2.5.1 針對基本PSO算法的不足，對其進行了改進，提出了CSV2PSO算法，數值仿真結果表明該算法收斂速度更快，精度更高，運行更為穩定。

2.5.2 隨著粒子群體不斷進化，粒子群體逐漸向問題空間的優秀解域靠近，此時適當壓縮粒子群搜索空間與粒子群飛行速度范圍有利于加速算法收斂，提高收斂精度。

2.5.3 CSV2PSO算法在PSO算法的基礎上引入了幾個參變量，如Ns，α0，β0，這些變量如何影響PSO算法性能，有待于進一步研究。

3 PSO算法的應用

3.1 神經網絡的訓練：PSO用于神經網絡的訓練中，主要包含3個方面:連接權重、網絡拓撲結構及傳遞函數、學習算法。每個粒子包含神經網絡的所有參數，通過迭代來優化這些參數，從而達到訓練的目的。

3.2 參數優化：PSO已廣泛應用于各類連續問題和離散問題的參數優化。例如，在模糊控制器的設計、機器人路徑規劃、信號處理和模式識別等問題上均取得了不錯的效果。

除了以上領域外，PSO在組合優化、多目標優化、自動目標檢測、生物信號識別、決策調度、系統辨識以及游戲訓練等方面也取得了一定的成果。

參考文獻：

[1]蔡自興,徐光v.人工智能及其應用[M].清華大學出版社,2003.

[2]陳慧萍,趙躍華,錢旭.人工智能教程[M].北京:電子工業出版社,2001.

[3]何華燦.人工智能導論[M].西安:西北工業大學出版社,1988.

[4]羅建宏,張忠能.并行仿真的粒子群優化算法異步模式研究[J].計算機仿真,2005,22(6).

[5]譚皓,沈春林,李錦.混合粒子群算法在高維復雜函數尋優中的應用[J].系統工程與電子技術,2005,27(8).

篇9

關鍵詞： 機場能耗信息采集系統； 經驗模式分解； 果蠅參數優化； 最小二乘支持向量機； 組合預測

中圖分類號：TP181 文獻標志碼：A 文章編號：1006-8228（2017）04-35-06

Abstract： Focused on the periodic， random and non-stationary time series characteristics of Airport energy consumption data， an improved prediction algorithm based on empirical mode decomposition（EMD） and least squares support vector machine （LSSVM） with fruit fly parameter optimization is proposed. On the basis of the original LSSVM， decompose the data into multiple different intrinsic mode function components with EMD first， using fruit fly optimization algorithm to choose appropriate regularization parameter and kernel function parameters in LSSVM. And then depending on the each decomposition variation construct deferent least squares support vector machine model to predict respectively， and use fruit fly optimization algorithm to find the optimal regularization parameter and kernel function parameters. Finally， the superposition of each predicted result is the final forecast value. The simulation results with the three airport energy consumption prediction algorithms show that， the decomposition of data highlights the local characteristics of the original data after EMD， and fruit fly optimization algorithm gets better regularization parameter and kernel function parameters， thus has higher prediction accuracy.

Key words： airport energy information collection system； empirical mode decomposition； parameter optimization； least squares support vector machine； prediction

0 引言

M入二十一世紀以來，機場信息化發展迅速，研發了各類能耗信息管理系統，同時收集到了海量的機場能耗數據，這些數據可用于機場能耗預測。機場能耗預測是機場能源優化調度和綜合管理的前提。機場能耗預測精度越高，就越有利于提高機場大型用電設備的效率，同時能為后期的調度工作提供有效的數據支持[1]。

機場能耗數據具有隨機性、周期性、跳變性等特征，目前主流能耗預測方法是假設它為周期性的穩定序列，這導致分析數據特征的精度不高。為了更有效的掌握能耗序列變化的信息，運用經驗模式分解（EMD）方法對其進行數據預處理，再根據分解后各分量的特點完成后面模型建立和能耗預測。文獻[2]中提到EMD是一種將原序列的時域特性和頻域特性組合在一起分析的自適應信號分解方法，它將非平穩序列分解成若干個不同頻率的本征模態分量（Intrinsic mode function，IMF），各個分量包含不同的特征信息，對各分量分別進行分析可以減少了序列中不同特征信息之間的干涉或耦合[2]。

研究能耗預測的方法主要有回歸分析法[3]、時間序列法[4-5]、神經網絡法[6-9]等。其中神經網絡能耗預測法應用廣泛，但其計算速度緩慢、模型的網絡結構難以確定、容易陷入局部極小值而難以找到全局最優解，由此造成能耗預測精度不高[10]。支持向量機（SVM）算法其優點是結構簡單、學習速度快、全局最優、泛化性好，等優點一度被認為是神經網絡的替代方法，已在模式識別、函數估計和信號處理領域廣泛應用[11-12]。最小二乘支持向量機（LSSVM）改進了原有支持向量機求解的方法，所以具有更高效的計算速度和更高的預測精度，但在正則化參數與核函數參數選取方面仍存在盲目性問題，采用果蠅優化算法對LSSVM進行參數尋優可以有效提高模型的準確性，果蠅優化算法有程序簡潔，計算速度快，尋找最優解能力強，實用性強等優點。利用果蠅算法尋優能力強的優點對LSSVM算法進行改進，自動尋找最優的正則化參數與核函數參數。

本文將EMD與果蠅參數優化的LSSVM方法相結合，對機場能耗進行組合預測。先運用EMD對機場能耗數據進行數據預處理，將非平穩的機場能耗序列分解成不同頻率的本征模態分量的疊加。然后利用果蠅參數優化的最小二乘支持向量機對這些具有各自特征的分量進行分析。最后綜合有分量回歸的預測值得到最終的預測值。選取2012到2016年天津濱海國際機場部分站點的能耗數據為例，進行本文的方法應用。并將本文方法與未經EMD處理的果蠅參數優化LSSVM和未進行過果蠅參數優化的EMD-LSSVM方法進行對比分析，Matlab仿真結果表明本文方法有較高的預測精度。

1 機場能耗數據的采集

能耗稻堇叢從諤旖蟣鹺9際機場的能源站監控系統。上位機是由VS2013和SQL2005聯合開發的一套數據采集與監控程序。機場各站點將采集到的能耗數據發送到互聯網，機場能源站上位機負責接受并儲存這些數據。系統結構圖如圖1所示。

2 經驗模式分解

機場能耗數序列具有復雜性、周期性、隨機性等特征。利用經驗模式分解（EMD）將機場能耗序列分解成若干個不同頻率的本征分量（IMF），IMF具如下特點：極值（極大值和極小值）數與過零點的數目相等或最多相差一個；在任意頻率里其上、下包絡線的均值必須是零[13]。原機場能耗序列經過EMD分解可以看出其周期項、隨機項、趨勢項，從而達到機場能耗序列平穩化的效果。具體的分解過程如下：

⑴ 根據原能耗序列X（t）的局部極值求出其上、下包絡線的平均值M1；

⑵ 將原能耗序列減去平均包絡后即可得一個去掉低頻的新序列F1=X（t）-M1；判斷F1是否滿足本征分量的條件，若不滿足將F1看作新X（t），重復上述處理過程，直到F1滿足為止，記F1為IMF1；

⑶ 將R1=X（t）-F1看作新的X（t），重復以上⑴和⑵步驟，即可依次得到IMF2，IMF3…直到Fn或Rn滿足給定的終止條件時篩選結束。最后，原始的數據序列X（t）可表示為：

式⑴表明，EMD處理之后原能耗序列X（t）分解成了幾個不同特征的分量，其中每個分量都代表一個特征尺度的能耗序列，對這些分量進行分析，可以降低后續建模的難度。

3 基于果蠅算法的正則化參數與高斯核函數的參數優化

對機場能耗數據進行EMD的數據預處理之后得到了若干個本征分量，根據各分量的變化特征采用參數優化的LSSVM方法分別進行建模。LSSVM可以有效克服算法計算量大，計算時間長等缺點，但是在正則化參數與核函數參數選取方面仍存在盲目性的問題，本文采用果蠅參數尋優的方法對LSSVM進行優化。具體推導過程如下：

LSSVM用如下函數形式對未知系統進行估計。

首先確定γ和σ的取值范圍，然后在取值范圍內隨機賦予若干個果蠅的初始位置，計算初始果蠅的味道濃度判定值并將其代入味道濃度判定函數即⑼式，找出濃度最低的果蠅，記下此時味道濃度最優的γ和σ以及濃度值并更新果蠅的位置，通過反復的迭代重復上述步驟，直到滿足跳出條件時得到一組最優目標值即最優的的γ和σ，將其代入式⑻得到最終的預測模型。

4 基于EMD和果蠅參數優化的LSSVM預測模型

利用EMD對能耗序列分解，分解后的本征分量突出了原能耗序列的局部特征，在此基礎上，根據各個本征分量的變化特點分別用參數優化的LSSVM算法建立不同的預測模型，利用果蠅參數尋優算法對正則化參數與高斯核函數參數進行尋優，以預測準確率最大為優化目標，設置跳出條件為兩代果蠅在一定限度之內，反復迭代直到找到最佳的正則化參數與核函數參數。因各個本征分量對最終的預測值貢獻有差異，最后將預測結果由SVM組合得到最終預測結果。其預測方法結構見圖2，步驟為：

⑴ 對能耗序列進行EMD分解得到n個IMF分量與一個余量Rn；

⑵ 對分解后的IMF分別建立合適的LSSVM能耗預測模型。

⑶ 設置果蠅參數尋優算法兩代果蠅味道濃度小于m時為迭代結束的跳出條件。

⑷ 將果蠅參數優化算法確定的正則化參數與高斯核函數的最優參數γ和σ代入式⑻中建立最終的數學模型。采用多個輸入、單輸出的一步預測方法；

⑸ 由于分解后的IMF分量特征相異，所以對最終結果影響存在差異，直接疊加會降低整體的預測精度，這里采用支持向量機加權組合的方法，通過支持向量機組合得到最終能耗預測值。

5 仿真實驗

數據來源于天津濱海國際機場能源站能耗數據，利用2012年1月1日至2016年1月1日整點天津濱海國際機場一號航站樓電能能耗數值，天氣狀況，節假日類型作為學習樣本，預測2016年9月31日全天機場電能能耗值。

采用相對誤差（Pe）和平均絕對百分比誤差（MAPE）作為評價最終的能耗預測的標準，如下式，其中pi為實際的能耗值，qi為預測的能耗值，N為預測值總個數。

圖3給出航站樓電能能耗序列的EMD分解局部圖，得到七個IMF分量，可以看到IMF1為數值較小劇烈變化的高頻分量，IMF2與IMF3與原序列周期變化相似，IMF4到IMF7為數值較小低頻分量，R8為趨勢項?？梢钥吹椒纸夂蟮姆至客怀隽嗽芎男蛄械木植刻卣?，能更明顯的看出原能耗序列的周期項、隨機項和趨勢項，能更好的把握能耗序列的特性。

根據各分量的變化規律選用不同LSSVM模型，并利用果蠅算法進行參數尋優，其中果蠅種群數為3，種群規模為30，最大迭代次數為100，預測值與訓練值的均方差作為目標函數，以搜索最小均方差為目標，迭代結束時可得各個IMF的參數γ和σ如表1所示。

為了驗證本文方法的有效性，采用EMD與果蠅參數優化的LSSVM、 EMD和未進行參數優化的LSSVM、單一果蠅參數優化的LSSVM三種方法分別進行預測，三種方法的預測結果圖如圖4，圖5和圖6所示?？梢钥闯霰疚姆椒ǖ钠茖嶋H值較大的點較少，預測曲線更平滑。其預測的平均絕對百分誤差和相對誤差的對比數據如表2所示。從三種方法的預測精度可以看出，EMD與果蠅參數優化LSSVM的平均絕對百分比誤差為1.02%，EMD與未進行參數優化的LSSVM的平均絕對百分比誤差為1.56%，而單一果蠅參數優化的LSSVM的百分比誤差為2.87%。本文方法在整點預測的相對誤差最小。

對比圖4，圖5。本文方法在分析機場能耗數據特征的基礎上，利用果蠅算法良好的全局尋優的能力對LSSVM的正則化參數γ與高斯核函數參數σ進行尋優。通過設定味道濃度判定函數和最優味道濃度的跳出條件，反復迭代不同的果蠅，直到迭代結束找出濃度最低的果蠅，得到最合適的正則化參數語高斯核函數參數γ和σ。相對于沒有進行參數優化的方法，合適的γ和σ使模型具有更佳的泛化和學習能力，使機場能耗的預測精度大幅提升，從表2可以看到本文的預測方法的相對誤差最大為1.02%最小則達到0.5%，從最終的預測曲線可以看出回歸函數更為平滑。

對比圖4，圖6。本文方法加入EMD后，將原本復雜機場能耗序列分解為一系列不同頻率的簡單的平穩分量，這些分量包含了原機場能耗序列的局部特征信息。隨著這些分量階數的提高，其隨機性減弱，對各個分量分別進行建模分析能更準確的把握原機場能耗序列的特征信息，使得能耗預測準確性大大提高。從最終的預測曲線可以看出，沒有加入EMD方法其預測效果誤差偏大，曲線偏移嚴重，而加入EMD之后預測準確性有顯著提高。

6 結束語

針對機場能耗數據的復雜性和隨機性造成預測精度不高的問題，本文提出EMD與果蠅參數優化的LSSVM預測方法。EMD分解可以分離出機場能耗序列的重要特征信息，根據分解之后各個分量的特點建立不同的最小二乘支持向量機子模型，然后利用果蠅算法良好的全局尋優能力進行關鍵參數的尋優，最后通過加權組合個分量的預測結果，得到最終預測結果。仿真結果表明，本文方法能進一步提高機場能耗預測的精度。未來研究工作將會對算法做進一步改進，加入實際數據的反饋，減少訓練樣本的添加影響，實現在線實時預測。

參考文獻（References）：

[1] 李永超.民用機場能源信息管理系統[D].北京交通大學碩士

學位論文，2010：1-6

[2] An X， J D， Zhao M， et al. Short-term prediction of wind

power using EMD and chaotic theory[J].Communications in Nonlinear Science and Numerical Simulation，2012.17（2）：1036-1042

[3] Lehmann A， Overton J M C， Leathwick J R. GRASP：

generalized regression analysis and spatial prediction[J].Ecological modelling，2002.157（2）：189-207

[4] 李瑞，張宏立，王雅.基于量子粒子群優化算法的新型正交

基神經網絡分數階混沌時間序列單步預測[J].計算機應用，2015.35（8）：2227-2232

[5] Weigend A S. Time series prediction： forescasting the

future and understanding the past[M]，1994.

[6] 王德明，王莉，張廣明.基于遺傳 BP 神經網絡的短期風速預

測模型[J].浙江大學學報（工學版），2012.46（5）：837-841

[7] HUANG J， Luo H， WANG H， et al. Prediction of time

sequence based on GA-BP neural net[J]. Journal of University of Electronic Science and Technology of China，2009.5：029

[8] Jin W， Li Z J， Wei L S， et al. The improvements of BP

neural network learning algorithm[C]//Signal Processing Proceedings， 2000. WCCC-ICSP 2000. 5th International Conference on. IEEE，2000.3：1647-1649

[9] Yu S， Zhu K， Diao F. A dynamic all parameters adaptive

BP neural networks model and its application on oil reservoir prediction[J]. Applied mathematics and computation，2008.195（1）：66-75

[10] Junsong W， Jiukun W， Maohua Z， et al. Prediction of

internet traffic based on Elman neural network[C]//Control and Decision Conference， 2009. CCDC'09. Chinese. IEEE，2009：1248-1252

[11] Vapnik V. The nature of statistical learning theory[M].

Springer Science & Business Media，2013.

[12] 祝志輝，孫云聯，季寧.基于EMD和SVM的短期負荷預測[J].

高電壓技術，2007.33（5）：118-112

[13] Wu Z， Huang N E. Ensemble empirical mode

decomposition： a noise-assisted data analysis method[J]. Advances in adaptive data analysis，2009.1：1-41

[14] Comak E， Polat K， Güne? S， et al. A new medical

decision making system： least square support vector machine（LSSVM） with fuzzy weighting pre-processing[J].Expert Systems with Applications， 2007.32（2）：409-414

篇10

特斯拉自動輔助駕駛技術

特斯拉增強型自動輔助駕駛系統包括8個攝像頭、12個超聲波傳感器，以及裝有聲納、雷達軟件的高速處理器。最遠監控距離達250米，覆蓋360度可視范圍。當駕駛員使用鑰匙“召喚”，車輛便會自動駛出車庫，?？吭隈{駛員身邊。當車輛收到變道信息，系統會根據道路情況自動完成變換車道。車輛接近目的地時，系統還會自動搜尋車位，自動完成泊車。

“我本人每天都使用這個技術，每次都感受到了完美的體驗?！?/p>

――成果人：特斯拉全球副總裁 任宇翔。

IBM“Watson”類腦計算機

“Watson”是一部類腦計算機，計算能力相當于40億個神經突出，功率只有2.5瓦。目前Watson已在醫療健康、教育、金融、零售等行業開發出各項應用。例如在遠程醫療領域，通過網絡連線Watson可對邊遠地區患者的核磁共振片進行解讀，甚至遠程分析基因圖譜。等同于在邊遠地區建成三甲醫院，為民眾健康提供科技支撐。

“所有科學都是在于發現，在于探索，在于求知，而科技在于發明，在于創造，在于造福于人類?！?/p>

――成果人：IBM全球副總裁 陳黎明

“飛天開放平臺”高可用電子商務交易處理平臺

阿里飛天平臺具備支撐每秒數十萬筆的高并發交易能力和彈性伸縮能力。為數億用戶提供安全、快捷、個性化的購物體驗，支撐電子商務快速創新，并可通過云服務實現普惠科技價值。即使“雙11”海量用戶同時訪問，平臺也可以每秒鐘17.5萬筆訂單的速度處理，零錯誤零報錯。

“飛天平臺已經推出全球首個基于VR技術為基礎的‘敗家用戶體驗’，完整的購物支付購買場景現在已經可以完成?！?/p>

――成果人：阿里巴巴集團CEO 張勇

卡巴斯基工控安全平臺2016

應對網絡攻擊對工業企業造成的威脅，卡巴斯基工控安全平臺已對能源、化工、油氣、鋼鐵、水資源、食品加工等企業實施保護。不可及時發現異?，F象，報告、處理可疑命令，也不會影響工業流程。

“我們認為只有通過公共和相關部門的合作才能更好地保護好我們的網絡，保護好我們的工業企業。”

――成果人：卡巴斯基實驗室全球副總裁 安東?新格羅夫

量子通信技術

隨著計算能力的快速提升，傳統通信的加密算法逐漸遭到破解，量子通信應運而生。

據了解，量子通信利用了單光子不可分割的特性，可以實現一次不可破譯的加密方式。為實現廣大范圍的量子通信，需要先用光纖實現城域網，利用衛星實現廣域網，再利用中繼器把兩個城市連接起來，實現廣域的量子通信。

“到目前為止，中科院的量子中心在相關部門的支持之下，已經實現集成化的量子通信終端，通過交換實現局域網之間無條件的安全，也可以實現量子網絡的推廣，目前的能力已經能夠覆蓋大概6000平方公里的城市，可以支持千節點、萬用戶的主網的需求?！?/p>

――成果人：中國科學院量子信息與量子科技前沿卓越創新中心主任 潘建偉

微軟Hololens混合現實全息眼鏡

微軟HoloLens全息眼鏡是一副眼鏡，更是一部全息計算機，完全獨立運營。通過眾多傳感器實時掃描，進行三維建模。醫療領域，學生戴上眼鏡可通過全息影像學習解剖。在航天領域，宇航員能夠戴著HoloLens學習探索火星。在設計領域，HoloLens可透視機械內部結構。

“我們認為下一個大事件將會是混合現實，這就是虛擬的數字世界和物理的現實世界的無縫融合?！?/p>

――成果人：微軟全球執行副總裁 沈向洋

“Transistor Density Increase by 1000X”鰭式晶體管密度增加技術

加州大學伯克利團隊創新發明“鰭式晶體管”，將晶體管做成垂直的薄膜，使晶體管密度增加，令半導體微型化大幅度再成長。只要薄膜做得更薄，晶體管微型化就能繼續，從而不斷提高電子產品的運算速度。

“現在晶體管的三極已經可以縮小到1納米的寬度，未來半導體晶體管的密度還將再增加1000倍。這也就意味著互聯網將來的速度和普及度也還有千百倍成長的空間?！?/p>

――成果人：美國加州大學伯克利分校教授 胡正明

“百度大腦”人工智能技術

“百度大腦”是人工智能的核心技術，由“超大規模計算”、“先進算法”、“海量大數據”三部分組成，并已建成覆蓋全球的深度學習“神經網絡”。目前，百度大腦的語音技術已經達到97%的準確率，無人駕駛汽車也由百度大腦操控。2016年9月，百度大腦的核心算法已經對外開放。

“我們現在看到的只是人工智能冰山一個小角，在未來的20年、30年，會有巨大的創新空間和商業機遇，共同開啟人工智能的新時代?！?/p>

――成果人：百度公司總裁 張亞勤

“寒武紀1A”深度神經元網絡處理器

模仿人腦的工作原理，中國科學院初步建成計算機神經元網絡處理器。在語音識別和視頻識別領域，該處理器的識別精度已經超越人類。

“這顆為人工智能而生的處理器，將出現在智能玩具里，攝像頭里，家庭服務機器人里，也會出現在后臺云端數據中心里……讓我們一起擁抱智能時代?！?/p>

――成果人：中國科學院計算技術研究所研究員 孫凝暉

三星復合生物信號處理器

該處理器采用45納米特殊半導體工藝制成，內嵌快閃存儲器，可以監測5種生物信號，并轉化成數據。能準確了解人體健康狀態，從而提供便利、低廉的醫療保健服務。

“病人可以在韓國、中國或世界上任何一個國家享受醫療服務，超越地理界限，幫助人們拯救生命?！?/p>

――成果人：三星電子高級副總裁 樸庸仁

“神威?太湖之光”超級計算機

“神威?太湖之光”采用全國產綜合處理器，是世界首臺性能超過10億億次，并行規模超千萬核的新型超級計算機。

它的亮點為：性能指標世界第一，芯片結構世界領先，低功耗設計更為高效，支持千萬核應用的系統支撐軟件。

“下一步超算中心將圍繞國家重大需求和國際需求開展高性能計算應用和計算任務，共同為世界科技的創新做出更多工作。”

――成果人：清華大學教授、國家超級計算無錫中心主任 楊廣文

SAP工業4.0互聯網制造解決方案

SAP與中科院沈自所聯合研發的工業4.0智能制造生產線，旨在實現創意制造、協同制造、綠色制造，推動中國制造與德國“工業4.0”結合，幫助中國制造實現數字化轉型。

“在工業4.0的時代，我們既需要解決個性化定制，也要符合環保和綠色的要求，SAP希望通過與中科院的合作來推動中國制造與德國‘工業4.0’的結合，幫助中國制造實現數字化轉型。”

――成果人：SAP全球副總裁、中國區總經理李強

微信生態創新

微信在技術、產業、社會等多層面提升生態創新能力，從溝通工具發展為開放平臺，并成為新的生活方式。通過語音識別、圖像識別、音頻指紋、微信BOT平臺、生物識別等技術服務，創新了人機交互方式。

“微信有個理念，好的產品是用完即走，這就好像我們在一個大森林里可以自由行走，暢快呼吸?！?/p>

――成果人：騰訊公司副總裁 江陽

華為麒麟960手機SoC芯片

華為麒麟960搭載了自主研發的全網通Modem，它可以支持所有的移油ㄐ牛幫助廣大用戶享受更加快速、可靠的連接服務。

華為在手機性能和功耗的平衡設計方面做了深入的研究，從處理器的核心、架構、系統工藝等方面都做了持續優化。

“麒麟960的照相技術來自于法國、俄羅斯和日本等團隊，部分通信技術來自于美國、比利時和瑞典等團隊。感謝世界互聯網大會將我們和全球合作伙伴召集在一起?！?/p>

――成果人：華為技術有限公司副總裁 艾偉

Qualcomm“5GNR（新空口）原型系統和試驗平臺”

5GNR是全新孔口設計的全球性5G標準，也是下一代蜂窩移動技術的基礎。