计算智能概论

计算智能概论学院:信息科学与工程专业:软件工程学号:201216040105姓名:李小光RBF神经网络在中长期负荷预测中的应用随着我国电力事业的发展电网管理日趋现代化,负荷预测问题的研究也越来越引起人们的重视,并已成为现代电力系统科学中一个重要领域。在实践中,无论是制订电力系统规划还是实现电力系统运行自动化,进行相应的负荷预测都是必不可少的。负荷预测的核心问题是预测的技术方法,或者说是预测的数学模型。由于人工神经网络ANN(artificialneuralnetwork)适于解决时间序列预测问题(尤其是平稳随机过程的预测),其在电力系统负荷预测中的应用从理论上是可行的。所以,ANN一经引入电力系统负荷预测就成为其应用研究的一个领域。与ANN方法中一般采用的BP(backpropagation)算法相比,后来发展起来的径向基函数RBF(radialbasisfunction)网络具有良好的推广能力,而且学习速度比通常的BP算法快得多。本文从中长期负荷预测的实际应用出发,将径向基函数网络引入缺损数据的处理并提出了基于RBF神经网络的改进的预测模型,重点讨论了空缺数据的补全、失真数据的查找和修正以及预测模型的改进,多个仿真算例结果均具有很好的收敛性,且效果令人满意。径向基函数RBF神经网络的结构与多层前向网络类似,它也是一种三层前向网络(结构下图所示)。输入层由信号源点组成;第二层为隐含层,它将输入空间映射到新的空间,其元数视所描述问题的需要而定;第三层为输出层,它对输入模式的作用做出响应。从输入空间到隐含层空间的变换是非线性的,它执行的是一种用于特征提取的非线性变换,而从隐含层空间到输出层空间变换是线性的。隐含层单元的变换函数是RBF函数,与BP网络中的Sigmoid函数相类似,只不过它是一种局部分布的对中心点径向对称衰减的非负非线性函数。RBF网络应用的关键是隐层节点基函数的中心C和方差的选取以及隐层与输出层间权值的确定。根据径向基函数中心选取方法的不同,RBF网络有不同的学习方法,其中最常用的四种学习方法是:随机选取中心法、自组织选取中心法、有监督选取中心法和正交最小二乘法。这些学习方法的具体推导可参考文献。本文采用的是Matlab神经网络工具箱中具体的函数,而该工具箱中的Solverb函数正是根据正交最小二乘法编写的。径向基函数网络具有以下特点:1)很强的泛函逼近能力,原理上能逼近任意的非线性函数;2)典型的局部逼近网络,对于每一个输入输出样本,网络中只需要调整少量的权值,从而具有训练速度快的优点;3)不需要大量的样本,在每一个输入、输出样本附近均有较好的泛化能力。还有,对于高斯基函数,每个基函数Ri(x)都有自己的平滑因子i,而不必所有的基函数共有一个平滑因子。在径向基函数网络的设计中,由于基函数的个数m小于数据集样本点的个数n,从而提高了训练速度。同时,由于每个基函数均有自身的平滑控制因子,故能更好地去掉数据中的噪声,使插值函数更为平滑。神经网络结构和学习算法的选择对负荷预测计算的速度和精度有着直接的影响。现有的ANN方法一般采用误差反向传播算法的前向多层感知器网络,由于感知器网络权重初始化的随机性,难根据负荷预测的实际情况确定一组较好的初始值,并且BP算法学习收敛速度较慢,容易陷于局部极小点,从而极大地限制了神经网络在负荷预测中的实际应用。后来发展起来的径向基函数RBF理论为前向网络的学习提供了一种新颖而有效的手段。1输入变量的选取输入变量选择是神经网络建模前的一项重要工作,是否能够选出一组最能反映期望输出变化原因的输入变量,直接关系到网络预测的性能。此外,还要求各输入变量之间互不相关或相关性很小,这是输入变量选择的两条基本原则。对某个变量是否适合作为网络输入没有把握,可分别训练含有和不含有该输入的两个网络,对其效果进行对比。负荷预测在本质上是对未来一段时期的负荷如何受其它变量的影响进行预测,而影响负荷变化的因素很多且具有如下特点:某一因素对负荷未来变化的影响一般很难用一个准确的关系式表示出来;这些因素的影响可能彼此相关的;这就使负荷预测问题变得复杂了,同时也使得神经网络在负荷预测方面具有一定的优势。因为神经网络能学习和存储大量输入、输出模式的映射关系,而无须事先了解描述这种映射关系的数学方程,只要能提供足够的样本模式进行学习训练,便能完成由n维输入空间到m维输出空间的非线性映射。但是,如果输入变量中包含过多的影响因素,将加重神经网络的训练负担,非但不能提高预测精度,反而会降低网络的性能。综上所述,本文选取的输入变量为预测地区的第一、第二和第三产业不变价的经济指标以及人口数和前一年的负荷值。2输入输出数据的预处理(归一化)在对神经网络进行学习训练以及预测负荷时,必须先对输入输出数据进行预处理,即归一化或标准化,将网络的输入输出数据限制在区间内。进行归一化的主要原因有:网络的各个输入数据常常具有不同的物理意义和不同的量纲,归一化可以使所有分量都在0～1之间变化,从而使网络训练一开始就给各输入分量以同等重要的地位;某些输入变量的值可能与其它输入变量相差甚远,数值大的变量可能掩盖数值小的变量的影响;可以避免神经元饱和。在进行数据预处理时,当输入或输出向量的各个分量量纲不同时,应对不同的分量在其取值范围内分别进行归一化;而当各分量物理意义相同且为同一量纲时,可以在整个数据范围内确定最大值和最小值进行统一的变换处理。将输入输出数据变换为[0,1]区间的值常用如下变换式:x=x-xminxmax-xmin(3)式中:x为未经处理的输入或输出值;x为经过预处理后的输入或输出值;xmax为神经网络输入量的最大值;xmin为神经网络输入量的最小值。本文尝试性地提出了基于RBF神经网络的数据缺损处理方法和改进了的中长期负荷预测模型,并通过对实际地区数据进行仿真试验,得出:1)基于RBF神经网络的数据缺损处理方法是可行和有效的,可以作为其他负荷预测方法进行负荷预测时的数据预处理;2)改进后的基于RBF神经网络的中长期负荷预测模型具有更好的预测效果,并适用于长期的负荷预测;3)网络输入变量的合理选择以及适当的归一化可以提高预测的准确性。生物特征识别技术在电子商务中的应用生物特征识别技术作为一种身份识别的手段,具有独特的优势,近年来已逐渐成为国际上的研究热点，并且具有广阔的应用领域和市场前景。以指纹自动识别系统为代表的生物特征识别技术已经在公安刑侦、人口管理等领域广泛应用；在边检、金融、教育、医疗、社保等领域的应用也在逐步扩大。研究此选题主要是为了加强对生物特征识别技术的更进一步的认识，并将其更好地应用到电子商务领域中，为人们的日常商务活动包括人员管理、资金管理、信息资源的规划等活动提供更加安全、方便、快捷、可实施性强的解决方案。一、生物特征识别技术的定义身份识别是人们日常生活中经常遇到的一个基本问题，随着网络与通信技术的飞速发展和人类物理与虚拟活动空间的不断扩大，现代社会对于人类自身身份识别的准确性、安全性与实用性提出了更高要求，传统身份识别方法正越来越受到局限。传统的身份识别方法主要基于身份标识物品和身份标识知识。身份标识物品如钥匙、证件、自动取款机的银行卡等；身份标识知识包括用户名、密码等。在一些安全性要求严格的系统中，往往将这两者结合起来，如自动取款机要求用户同时提供银行卡和密码。但标识物品容易丢失或被伪造，标识信息容易遗忘或记错，更为严重的是传统身份识别系统往往无法区分标识物品真正的拥有者和取得标识物品的冒充者，一旦他人获得标识物品，就可以拥有相同的权力。生物特征识别技术是根据每个人独有的可以采样和测量的生物学特征和行为学特征而进行身份识别的技术。从而生物特征就不像各种证件类持有物那样容易被窃取,也不像密码、口令那么容易遗忘或破解,所以在身份识别上体现了独特的优势,近年来在国际上被广泛研究，并且也具有广阔的应用领域和市场前景。随着计算机和网络技术的发展,信息安全显示出前所未有的重要性,而身份识别作为保证信息安全的必要前提,也越来越受到重视。二、生物特征识别技术的分类生物特征可分为生理特征和行为特征,人体所固有的生理特征包括面部特征、指纹、手型、掌纹、虹膜、视网膜、体味、耳廓、基因(DNA)、体热辐射以及手部/面部静脉血管模式等,这些特征不随客观条件和主观意愿而改变。基于行为特征的识别包括击键动力学分析、签名识别、说话人识别、步态识别等,这些都与后天环境养成的行为习惯有关。1．指纹识别指纹识别是使用最早也是最成熟的生物特征识别技术。指纹是手指末端正面皮肤上的呈有规则定向排列的纹线。采集得到的指纹图像是手指表面脊和谷的映像组合。一般情况下每个人都有其独特的指纹，但是其不足是:某些人或群体的指纹特征很少,难以成像。指纹识别主要包括指纹图像增强、特征提取、指纹分类和指纹匹配几个部分。2．虹膜识别虹膜识别技术是利用虹膜终身不变性和差异性的特点来识别身份的,自然界不可能出现2个一样的虹膜，其准确性是各种生物识别中最高的。其识别技术主要有:图像获取、模式识别匹配。图像获取非常重要,需要设计合理的光学系统,以得到用于识别的清晰虹膜图像。模式识别匹配主要有预处理、特征提取和分类器3个部分。预处理实现在图像中虹膜定位、归一化和去噪等功能;特征提取是整个识别算法的核心,采用有效的特征对虹膜进行描述;分类器完成基于虹膜特征向量的分类任务。其不足是图像获取设备复杂、价格较高、黑眼睛的虹膜读取较难。3．人脸识别人脸识别的准确性虽然不如虹膜、指纹等的识别,但是由于其直观性和无侵害性而最为人们所接受。根据人脸表征方式的不同,通常将人脸正面识别技术分为三大类:基于几何特征的识别方法、基于代数特征的识别方法和基于连接机制的识别方法。4．其它生理特征识别（1）视网膜识别（2）手型识别（3）掌纹识别（4）DNA识别（5）指背关节皮纹识别三、生物特征识别技术在电子商务中的应用基于生物特征的电子商务身份安全认证系统设计如下：在网络环境下（B/S结构），用户（客户端）如果要访问远程服务器所管理的信息资源，在获得相关资源访问权限之前，必须通过生物身份认证，所有的信息资源访问权限都在身份认证系统（服务器端）管理之下，未通过身份认证的用户无权访问信息资源。为增强系统安全，在客户端和服务端之间传输的所有数据包，如生物特征模板、用户的访问请求、服务器的反馈信息等都需要加密。同时指纹模板及相关的用户认证、注册信息都保存在一个本地安全数据库中，此数据库只有本地进程能访问，以防客户信息泄露。当模板内置于服务器时，通过客户端的生物特征传感器获得用户的生物特征识别信息，该信息被加上数字签名后传送到服务器，在服务器端首先校验签名是否有效，再与预先注册的模板进行比较，并完成身份认证。如果在电子商务活动中的身份认证环节采用一种或多种生物特征识别技术，不另外设置密码，这样就可以省去保存多个不同用户名和密码的麻烦，也不用担心用户名和密码被修改、被盗或被人冒用。也可以将生物特征识别技术与传统身份认证方法相结合，即又设置用户名和密码又使用生物特征识别，这样做可以加强其安全性。虽然在理论上生物特征识别技术可以应用到任何需要身份识别和认证的地方，但是现如今，具体到互联网的电子商务领域，无论是国内还是国外，真正将生物特征识别技术应用到的互联网上的还很少。究其没有广泛应用的原因，有以下几个方面：1．该技术的核心算法还不够成熟。部分算法导致数据量过大，不利于在互联网上传送。比如本文中提到的在对比和匹配过程中，尽管指纹只是人体皮肤的一小部分，但用于识别的数据量相当大，对这些数据进行比对也不是简单的相等与不相等的问题，而是需要使用进行大量运算的模糊匹配算法。2．由于技术的不够成熟，在国内，目前没有哪个电子商务网站敢于第一个使用该技术来进行身份认证。没有走向互联网就意味着其推广的速度将大大放慢。3．人们对其的心理接受程度。人们从不熟悉该技术到熟悉，这样的过程都是需要时间的。4．该技术的物理设备目前只在涉及到特定业务的企业或部门（比如说安全要害部门、银行等）应用地较广泛，因为这些部门非常注重安全，愿意不惜较高的代