專家系統(tǒng)及其應(yīng)用

專家系統(tǒng)及其應(yīng)用摘要：電力系統(tǒng)負(fù)荷預(yù)測是電力生產(chǎn)管理的重要環(huán)節(jié)之一，本文詳細(xì)綜述了BP網(wǎng)絡(luò)、RBF網(wǎng)絡(luò)以及小波神經(jīng)網(wǎng)絡(luò)在電力負(fù)荷預(yù)測領(lǐng)域的研究和應(yīng)用現(xiàn)狀，并指出目前神經(jīng)網(wǎng)絡(luò)還存在的一些問題。關(guān)鍵詞：人工智能，專家0.引言電力系統(tǒng)負(fù)荷預(yù)測是電力生產(chǎn)管理的重要環(huán)節(jié)之一，按預(yù)測周期長短可以分為長期、中期和短期負(fù)荷預(yù)測。其中短期負(fù)荷預(yù)測中的日負(fù)荷預(yù)測對于電力系統(tǒng)的實(shí)時(shí)運(yùn)行調(diào)度至關(guān)重要：依據(jù)準(zhǔn)確的日負(fù)荷預(yù)測數(shù)據(jù)，可以經(jīng)濟(jì)合理地安排機(jī)組啟停，減少旋轉(zhuǎn)備用容量，合理安排檢修計(jì)劃，降低發(fā)電成本，提高經(jīng)濟(jì)效益，有利于保持電網(wǎng)的安全穩(wěn)定性，有利于提高經(jīng)濟(jì)效益和社會(huì)效益。因此日負(fù)荷預(yù)測結(jié)果的準(zhǔn)確性對電力系統(tǒng)的安全穩(wěn)定運(yùn)行和經(jīng)濟(jì)性具有重要影響。許多學(xué)者對此進(jìn)行了研究，繼而提出了相應(yīng)的預(yù)測方法并及時(shí)地將數(shù)學(xué)領(lǐng)域的最新研究成果應(yīng)用到負(fù)荷預(yù)測中去，使預(yù)測水平得到了迅速提高，預(yù)測研究取得了較大進(jìn)展。近幾年來，隨著電力改革的深入和電力市場的逐步建立，無論是電網(wǎng)的安全運(yùn)行和經(jīng)濟(jì)運(yùn)行，還是發(fā)電公司的競價(jià)上網(wǎng)、電力公司或供電公司的購電計(jì)劃的制定等，都與短期負(fù)荷預(yù)測特別是日負(fù)荷預(yù)測曲線有著密切的關(guān)系。人工智能概述1.1人工智能的基本概念人工智能（ArtificialIntelligence，簡稱AI）這一術(shù)語是1956年在美國的Dartmouth大學(xué)召開的世界第一次AI會(huì)議上由麻省理工學(xué)院的青年數(shù)學(xué)教師JohnMcCarthy提議而使用的。AI這一學(xué)科至今已有50多年的歷史，在國際上已確認(rèn)AI是當(dāng)代高科技的核心之一。其基本含義是：AI是用機(jī)器（計(jì)算機(jī)或智能機(jī)）來模仿人類的智能行為。AI也叫機(jī)器智能，是研究如何使機(jī)器具有認(rèn)識問題與解決問題的能力，研究如何使機(jī)器具有感知功能（如視、聽、嗅）、思維功能（如分析、綜合、計(jì)算、推理、聯(lián)想、判斷、規(guī)劃、決策）、行為功能（如說、寫、畫）及學(xué)習(xí)、記憶等功能。AI是使技術(shù)適應(yīng)于人類的鑰匙，是自動(dòng)化技術(shù)向智能技術(shù)方向發(fā)展的關(guān)鍵，也是揭示人類智能和人腦奧秘的有力工具。人工智能的理論基礎(chǔ)有三個(gè)方面：數(shù)學(xué)理論（離散數(shù)學(xué)、模糊數(shù)學(xué)等）；思維科學(xué)理論（認(rèn)知心理學(xué)、邏輯或抽象思維學(xué)、形象或直感思維學(xué)等）；計(jì)算機(jī)工程技術(shù)（軟件技術(shù)和硬件技術(shù)）。由于大規(guī)模電力系統(tǒng)一般具有先進(jìn)的自動(dòng)控制水平，且電力系統(tǒng)研究的大量問題已具備相應(yīng)的數(shù)學(xué)模型和數(shù)值算法，因此在AI早期對電力部門的吸引力不大。隨著專家系統(tǒng)應(yīng)用的巨大成功亦啟發(fā)電力部門研究人員去嘗試，很快發(fā)現(xiàn)AI在電力系統(tǒng)的應(yīng)用潛力也是很大的，同時(shí)加上電力系統(tǒng)具備AI應(yīng)用的技術(shù)基礎(chǔ)，因此AI在電力系統(tǒng)的應(yīng)用研究發(fā)展很快。人工智能在電力系統(tǒng)中的應(yīng)用主要在故障診斷、報(bào)警處理和恢復(fù)控制三個(gè)方面，主要方法是專家系統(tǒng)，其它有人工神經(jīng)網(wǎng)絡(luò)、模糊控制、遺傳算法等。1.2人工智能的研究內(nèi)容要了解人工智能的研究內(nèi)容，必須先搞清楚什么是人類的智能。“智能”詞源來自拉丁語Legere，字面意思是采集、收集和匯集，并由此進(jìn)行選擇。而Intellegere意思是從中進(jìn)行選擇，進(jìn)而理解、領(lǐng)悟和認(rèn)識。因此，人工智能的研究內(nèi)容應(yīng)包括三個(gè)方面：1.知識表達(dá)（KnowledgeRepresentation）:——研究如何在機(jī)器中表示知識，使知識形式化、模型化，用以建立合適的符號邏輯系統(tǒng)。2.知識獲?。↘nowledgeAcquisition）：——研究機(jī)器如何從各種知識源獲取知識。3.知識處理（KnowledgeInference）或問題求解（ProblemSolving）:——運(yùn)用存貯于機(jī)器中的知識進(jìn)行相應(yīng)知識處理，并推出結(jié)論。神經(jīng)網(wǎng)絡(luò)在電力系統(tǒng)負(fù)荷預(yù)測中的應(yīng)用2.1電力系統(tǒng)負(fù)荷預(yù)測概況過去幾十年來，國內(nèi)外學(xué)者對電力系統(tǒng)短期負(fù)荷預(yù)測進(jìn)行了較充分的研究。這些研究可分為3類：①負(fù)荷預(yù)測傳統(tǒng)算法（時(shí)間序列法、回歸方法等）的研究，研究重點(diǎn)放在負(fù)荷序列本身的規(guī)律上；②負(fù)荷預(yù)測現(xiàn)代算法（專家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)等）的研究，研究重點(diǎn)放在用新的技術(shù)替代傳統(tǒng)方法，其中以BP神經(jīng)網(wǎng)絡(luò)應(yīng)用最為廣泛，取得了比傳統(tǒng)負(fù)荷預(yù)測更好的效果；③負(fù)荷預(yù)測的應(yīng)用研究，重點(diǎn)是各種預(yù)測方法的結(jié)合，分析影響負(fù)荷的各種因素，特別是天氣因素［1］。目前已有的負(fù)荷預(yù)測方法包括回歸法、時(shí)間序列法、神經(jīng)網(wǎng)絡(luò)法、灰色方法和模糊方法等，根據(jù)不同的預(yù)測要求用于不同的場合。應(yīng)用較多的為神經(jīng)網(wǎng)絡(luò)預(yù)測，它實(shí)際上是一種非線性擬合的方法，對于訓(xùn)練樣本分布較全且預(yù)測點(diǎn)在樣本空間附近的短期日負(fù)荷預(yù)測有較好的效果。神經(jīng)網(wǎng)絡(luò)理論是利用神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)功能，讓計(jì)算機(jī)學(xué)習(xí)包含在歷史負(fù)荷數(shù)據(jù)中的映射關(guān)系，再利用這種映射關(guān)系預(yù)測未來負(fù)荷。一般而言，神經(jīng)網(wǎng)絡(luò)理論(ANN)應(yīng)用于短期負(fù)荷預(yù)測要比應(yīng)用于中長期負(fù)荷預(yù)測更為適宜。因?yàn)槎唐谪?fù)荷變化可認(rèn)為是一個(gè)平穩(wěn)隨機(jī)過程，而長期負(fù)荷預(yù)測與國家或地區(qū)的政治、經(jīng)濟(jì)政策等因素密切相關(guān)，通常會(huì)有些大的波動(dòng)，而并非一個(gè)平穩(wěn)隨機(jī)過程。進(jìn)入上世紀(jì)90年代以來，國內(nèi)外利用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行負(fù)荷預(yù)測的研究達(dá)到了高潮。2.2神經(jīng)網(wǎng)絡(luò)概述人工神經(jīng)網(wǎng)絡(luò)，英文名稱是ArtificialNeuralNetwork，簡稱ANN。人工神經(jīng)網(wǎng)絡(luò)是采用物理可實(shí)現(xiàn)的手段來模仿人腦神經(jīng)系統(tǒng)結(jié)構(gòu)和功能的系統(tǒng)。人工神經(jīng)網(wǎng)絡(luò)是由大量的簡單計(jì)算單元(即人工神經(jīng)元)廣泛連接而成的大規(guī)模并行分布處理網(wǎng)絡(luò)。人工神經(jīng)網(wǎng)絡(luò)的主要模型有：誤差反向傳播(BP)模型、Hopfield網(wǎng)絡(luò)模型(離散和連續(xù))、Kohonen自組織特征映射模型、逆向傳播(CNP)模型、自適應(yīng)諧振理論(ART)模型、雙向聯(lián)想記憶模型。ANN的實(shí)現(xiàn)方式有：硬件實(shí)現(xiàn)(采用大規(guī)模集成電路技術(shù)，將大量人工神經(jīng)元連接成網(wǎng)絡(luò)，制成神經(jīng)網(wǎng)絡(luò)計(jì)算機(jī))，軟件模擬(基于傳統(tǒng)的計(jì)算機(jī)，通過數(shù)值計(jì)算軟件來模擬人工神經(jīng)網(wǎng)絡(luò)，將知識以權(quán)矩陣方式存儲(chǔ)在數(shù)據(jù)文件中)。ANN的主要用途有：模式識別和分類、函數(shù)逼近與控制過程仿真建模、語音和圖像處理、優(yōu)化問題、預(yù)測問題和過程控制。ANN在電力系統(tǒng)中的應(yīng)用領(lǐng)域有：報(bào)警處理和故障診斷、靜態(tài)和暫態(tài)安全評估、發(fā)電機(jī)模型的仿真和控制、過程控制和自動(dòng)化、大機(jī)組組合優(yōu)化和經(jīng)濟(jì)運(yùn)行、短期負(fù)荷預(yù)測、配電網(wǎng)線損計(jì)算。采用神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測.要解決的問題主要有以下兩個(gè)⑵：)ANN結(jié)構(gòu)確定要保證經(jīng)過足夠多的樣本學(xué)習(xí)后ANN能夠任意精確地逼近被預(yù)測的非線性系統(tǒng)，并且具有簡單的結(jié)構(gòu)形式和最少的可調(diào)參數(shù)。目前，如何確定神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，如網(wǎng)絡(luò)的層數(shù)，每層神經(jīng)元的數(shù)量，神經(jīng)元的連接方式仍是還沒有解決的問題。只能靠在實(shí)際應(yīng)用中的經(jīng)驗(yàn)或通過大量的實(shí)驗(yàn)獲得，現(xiàn)在大多文獻(xiàn)研究的重點(diǎn)在于如何構(gòu)成預(yù)測樣本、如何構(gòu)成輸入層數(shù)據(jù)等。)ANN訓(xùn)練算法的改進(jìn)基于誤差反向傳播算法的BP神經(jīng)網(wǎng)絡(luò)在負(fù)荷預(yù)測中得到了廣泛應(yīng)用，但標(biāo)準(zhǔn)BP算法最大的缺點(diǎn)就是收斂速度慢.容易陷入局部最優(yōu)解。2.3幾種常見的人工神經(jīng)網(wǎng)絡(luò)1）BP神經(jīng)網(wǎng)絡(luò)BP（BackPropagation）神經(jīng)網(wǎng)絡(luò)通常是指基于誤差反向傳播算法（BP算法）的多層前向神經(jīng)網(wǎng)絡(luò)，它是D.E.Rumelhart和J.L.McClelland及其研究小組在1986年研究并設(shè)計(jì)出來的。BP神經(jīng)網(wǎng)絡(luò)是一個(gè)多層感知模型，，網(wǎng)絡(luò)不僅有輸入層節(jié)點(diǎn)，輸出層節(jié)點(diǎn)，而且有隱含層節(jié)點(diǎn)（如圖1所示）。由于BP神經(jīng)網(wǎng)絡(luò)的強(qiáng)非線性擬和能力，尤其是對預(yù)測中天氣、溫度等因素處理方便，而且學(xué)習(xí)規(guī)則簡單，便于計(jì)算機(jī)實(shí)現(xiàn)，所以目前多利用BP學(xué)習(xí)算法來進(jìn)行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練［3］。BP網(wǎng)絡(luò)的訓(xùn)練方式采用反向誤差傳播學(xué)習(xí)過程，是按照誤差大小由輸出層經(jīng)隱層逐步向輸人層調(diào)整各神經(jīng)元的閾值以及聯(lián)結(jié)權(quán)值的過程。對給定的輸人樣本，經(jīng)當(dāng)前網(wǎng)絡(luò)參數(shù)映射可以得到一個(gè)輸出，該輸出與給定的輸出樣本相比較，若誤差不滿足要求，則按上述規(guī)則調(diào)整閾值和聯(lián)結(jié)權(quán)值，直至網(wǎng)絡(luò)輸出與輸出樣本間的偏差小于給定值。采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行短期日負(fù)荷預(yù)測時(shí)，首先要依據(jù)強(qiáng)關(guān)聯(lián)性原則合理組織訓(xùn)練樣本，即樣本數(shù)據(jù)和待預(yù)測時(shí)段在負(fù)荷變化規(guī)律上應(yīng)具有較強(qiáng)的內(nèi)在相似性?？紤]到神經(jīng)網(wǎng)絡(luò)的預(yù)測推廣能力主要通過實(shí)驗(yàn)確定，在組織輸人輸出樣本時(shí)也主要依據(jù)經(jīng)驗(yàn)判斷：一般采用近期的歷史負(fù)荷數(shù)據(jù)以及相應(yīng)的日期和天氣數(shù)據(jù)，它們包含了導(dǎo)致負(fù)荷波動(dòng)的主要因素。此外，為了獲得良好的訓(xùn)練和預(yù)測效果，還應(yīng)根據(jù)樣本數(shù)據(jù)量選擇適當(dāng)?shù)木W(wǎng)絡(luò)規(guī)模以保證良好的收斂速度和精度。在眾多的人工神經(jīng)網(wǎng)絡(luò)模型中，基于誤差反向傳播理論的前饋網(wǎng)絡(luò)方法（BP算法）是一種比較成熟而又簡單的方法。BP算法由兩部分組成，即信息的正向傳遞和誤差的反向傳播。BP算法的基本思想是：整個(gè)網(wǎng)絡(luò)的學(xué)習(xí)由輸入信號的正向傳播和誤差的逆向傳播兩個(gè)過程組成。正向傳播過程是指樣本信號由輸入層輸入，經(jīng)網(wǎng)絡(luò)的權(quán)重、域值和神經(jīng)元的轉(zhuǎn)移函數(shù)作用后，從輸出層輸出。如果輸出值與期望值之間的誤差大于規(guī)定量，則進(jìn)行修正，轉(zhuǎn)入誤差反傳播階段，即誤差通過隱層向輸入層逐層返回，并將誤差按“梯度下降”原則“分?jǐn)偂苯o各層神經(jīng)元，從而獲得各層神經(jīng)元的誤差信號，作為修改權(quán)重的依據(jù)。以上兩過程是反復(fù)多次進(jìn)行的。此循環(huán)一直進(jìn)行到網(wǎng)絡(luò)的輸出誤差減小到允許值或到達(dá)設(shè)定的訓(xùn)練次數(shù)為止［3］。2）RBF神經(jīng)網(wǎng)絡(luò)徑向基函數(shù)網(wǎng)絡(luò)是一種對多輸入、多輸出非線性系統(tǒng)的辨識方法，依此建立的神經(jīng)網(wǎng)絡(luò)可實(shí)現(xiàn)對非線性系統(tǒng)的辨識和預(yù)測，因?yàn)樵擃愋途W(wǎng)絡(luò)有高于BP網(wǎng)絡(luò)的收斂速度而且在預(yù)測節(jié)假日負(fù)荷的獨(dú)特優(yōu)勢，因而近來也受到廣泛關(guān)注。徑向基函數(shù)RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)與多層前向網(wǎng)絡(luò)類似，它也是一種三層前向網(wǎng)絡(luò)（結(jié)構(gòu)如圖2所示）。輸入層由信號源節(jié)點(diǎn)組成；第二層為隱含層，它將輸入空間映射到新的空間，其單元數(shù)視所描述問題的需要而定；第三層為輸出層，它對輸入模式的作用做出響應(yīng)。從輸入空間到隱含層空間的變換是非線性的，它執(zhí)行的是一種用于特征提取的非線性變換，而從隱含層空間到輸出層空間變換是線性的。隱含層單元的變換函數(shù)是RBF函數(shù)，與BP網(wǎng)絡(luò)中的Sigmoid函數(shù)相類似，只不過它是一種局部分布的對中心點(diǎn)徑向?qū)ΨQ衰減的非負(fù)非線性函數(shù)［4］。Ri(x)輸入層隱含層輸出層圖2：RBF網(wǎng)絡(luò)結(jié)構(gòu)圖徑向基函數(shù)網(wǎng)絡(luò)具有以下特點(diǎn)：1）很強(qiáng)的泛函逼近能力，原理上能逼近任意的非線性函數(shù)；2)典型的局部逼近網(wǎng)絡(luò)，對于每一個(gè)輸入輸出樣本，網(wǎng)絡(luò)中只需要調(diào)整少量的權(quán)值，從而具有訓(xùn)練速度快的優(yōu)點(diǎn)；3)不需要大量的樣本，在每一個(gè)輸入、輸出樣本附近均有較好的泛化能力⑸。3)小波神經(jīng)網(wǎng)絡(luò)小波神經(jīng)網(wǎng)絡(luò)(WaveletNeuralNetwork，簡稱WNN)是在小波理論基礎(chǔ)上結(jié)合人工神經(jīng)網(wǎng)絡(luò)而提出的一種前饋型網(wǎng)絡(luò)。它是在傅立葉分析基礎(chǔ)上發(fā)展起來的一種信號處理方法，它克服了傅立葉變換和短時(shí)傅立葉變換的一些缺點(diǎn)，能夠?qū)⑿盘柗纸獾礁鱾€(gè)時(shí)頻區(qū)域進(jìn)行觀察和處理，而且能夠根據(jù)待分析信號的特點(diǎn)調(diào)整時(shí)頻窗口的形狀，在時(shí)域和頻域都具有良好的分辨能力。鑒于小波理論的優(yōu)越性，人們已經(jīng)開始研究將小波理論與傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)相結(jié)合，從而形成小波神經(jīng)網(wǎng)絡(luò)。一些文獻(xiàn)對小波神經(jīng)網(wǎng)絡(luò)在電力負(fù)荷預(yù)測中的應(yīng)用進(jìn)行了探討，雖然這方面的工作起步不久，但已經(jīng)取得了令人鼓舞的成果［6］。小波神經(jīng)網(wǎng)絡(luò)已經(jīng)成為研究的熱點(diǎn)之一，研究表明小波神經(jīng)網(wǎng)絡(luò)具有傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)所不具備的一些優(yōu)點(diǎn)［7］，有希望解決傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)存在的一些問題，主要表現(xiàn)在：小波神經(jīng)網(wǎng)絡(luò)有完善的理論基礎(chǔ)。無論是連續(xù)小波還是離散化的正交基或緊框架，其線性組合在L2(R)稠密，從而保證能夠以任意精度逼近L2(R)空間的任意函數(shù)。小波神經(jīng)網(wǎng)絡(luò)隱節(jié)點(diǎn)數(shù)目和網(wǎng)絡(luò)參數(shù)的確定可以得到小波理論的指導(dǎo)，從而能夠較好地解決傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)在設(shè)計(jì)和訓(xùn)練中的一些困難。選用正交小波基時(shí)，小波神經(jīng)網(wǎng)絡(luò)的小波函數(shù)之間互不相關(guān)，可以通過對局部逼近之和達(dá)到對信號的全局逼近，而且存在唯一的最佳逼近。小波神經(jīng)網(wǎng)絡(luò)權(quán)系數(shù)線性分布和學(xué)習(xí)目標(biāo)函數(shù)的凸性，使網(wǎng)絡(luò)從根本上避免局部極小點(diǎn)等問題。小波的伸縮因子對應(yīng)頻率，平移因子對應(yīng)時(shí)間，具有一定的物理意義，便于在時(shí)域和頻域?qū)π〔ㄉ窠?jīng)網(wǎng)絡(luò)的參數(shù)進(jìn)行解釋。目前人們已經(jīng)提出多種類型的小波，各有不同的特點(diǎn)，可以選來作為隱節(jié)點(diǎn)激勵(lì)函數(shù)，能夠在實(shí)際應(yīng)用中提供更多的靈活性。小波神經(jīng)網(wǎng)絡(luò)已經(jīng)被成功地應(yīng)用于電力系統(tǒng)的故障檢測、模式識別、智能控制、數(shù)據(jù)壓縮等諸多領(lǐng)域。最初有關(guān)小波神經(jīng)網(wǎng)絡(luò)的研究主要是介紹網(wǎng)絡(luò)的結(jié)構(gòu)和算法，探討將小波神經(jīng)網(wǎng)絡(luò)應(yīng)用于電力負(fù)荷預(yù)測的可行性。由于小波神經(jīng)網(wǎng)絡(luò)出現(xiàn)不久，還缺乏專門為其設(shè)計(jì)的算法，因此一般采用BP神經(jīng)網(wǎng)絡(luò)算法，包括隨機(jī)初始化和基于梯度的訓(xùn)練方法。同時(shí)，所采用的小波函數(shù)也多是容易求導(dǎo)數(shù)的Morlet小波和MexicanHat小波。研究表明，小波神經(jīng)網(wǎng)絡(luò)應(yīng)用于電力負(fù)荷預(yù)測是可行的，而且在預(yù)測精度、所需訓(xùn)練樣本和隱節(jié)點(diǎn)數(shù)目等方面都表現(xiàn)出一定優(yōu)越性。2.4神經(jīng)網(wǎng)絡(luò)存在的問題近幾年來，隨著對神經(jīng)網(wǎng)絡(luò)技術(shù)的深入研究，也發(fā)現(xiàn)了神經(jīng)網(wǎng)絡(luò)在負(fù)荷預(yù)測中存在著一些問題，需要進(jìn)一步的探討［8］。訓(xùn)練樣本神經(jīng)網(wǎng)絡(luò)的性能與訓(xùn)練樣本的選取緊密相關(guān)。樣本的復(fù)雜性和代表性將嚴(yán)重影響網(wǎng)絡(luò)訓(xùn)練的結(jié)果。訓(xùn)練樣本的選取主要受兩個(gè)因素的影響：其一是訓(xùn)練樣本的長度。樣本長度并非越長越好，過長的訓(xùn)練樣本不僅影響計(jì)算速度，還會(huì)導(dǎo)致“過擬合”現(xiàn)象。其二是訓(xùn)樣本的代表性。代表性好的樣本即便用常規(guī)的BP算法仍可以得到令人滿意的結(jié)果。網(wǎng)絡(luò)結(jié)構(gòu)在實(shí)際應(yīng)用中，網(wǎng)絡(luò)結(jié)構(gòu)最難確定的是隱層神經(jīng)元個(gè)數(shù)。一般而言是依靠試算的辦法。該方法計(jì)算量大，且不易確定所得結(jié)構(gòu)的優(yōu)劣。網(wǎng)絡(luò)算法神經(jīng)網(wǎng)絡(luò)中常用的BP算法是按梯度下降法進(jìn)行推算，大量實(shí)踐已發(fā)現(xiàn)該方法存在計(jì)算速度較慢、不易找到最優(yōu)解的缺點(diǎn)。目前有很多改進(jìn)，在一定程度上可以改善BP算法的上述缺陷，但是仍然存在一些問題。例如，標(biāo)準(zhǔn)BP算法及大多數(shù)改進(jìn)算法通常是