供电系统误动作机理分析+ETAP仿真(5)
神经网络虽然已经在许多的领域里都取得了广泛的应用与成功，但是其发展还不十分成熟，仍有一些问题需要进一步的研究：
（1）神经计算的基础理论框架以及生理层面的研究仍需要深入，这个是为神经计算的进一步发展打下基础的。
（2）神经网络用于控制时还有许多问题值得研究：现行的学习算法收敛速度低，存在局部最优的问题，分布式并行处理方式的网络内部机理并不清楚，选择网络层数、每层神经元的个数，还需要凭经验；因此需要创造更适合于控制的专用神经网络；网络建立模算法和控制系统的收敛性与稳定性需要进一步的研究。
（3）神经计算技术与其他技术尤其是进化计算技术的结合以及由此而来的混合方法和混合系统，正成为一大研究热点。
2.3 ANN简介
根据生物知识可以知道，大量神经元组成了复杂的人脑结构体，神经元又是由轴突、树突和细胞体三个部分构成。其结构如图2.1所示，树突端与细胞体相连接，而另端连接了其他的神经元突触，接收到的信号借由它传递到细胞体，实质是种神经纤文的接收网络。在接收到信之后，细胞体就对其进行适当的处理，它们两者之间的关系其实就类似人脑与和身体的其他器官间的依赖关系。由图中看出，轴突其实是单根的细长的神经纤文，细胞体的信号通过它传送到其他的神经元，从而实现了信息传递。在传递信息的过程中，突触就是一个是神经元的轴突与另一个神经元轴突的结合点，ANN的功能直接由突触的强度和神经元的排列决定了。
图2.1生物神经元的简化示意图
生物神经网络中与生俱来了某些得神经结构，而其他部分可是在学习中不断形成的。所以，在整个生命期内ANN是不断地改变，加强或者减弱突触连接是在生命周期的后期的改变主要。即，在处理任务时，ANN中的突触和轴突的强度和细胞体之间的联结是起着关键作用的。于是，根据这一人脑的特性，研究人员模仿其原理，构建出了现在的ANN体系。图2.2所示是人工神经网络的单输入单神经元简化结构图。
图2.2 单输入神经元
其中，p是标量输入，即对应于ANN的突触，而权值W是对应于ANN的树突，而累加器∑以及传输的函数厂是对应于ANN的细胞体，而图的最右端输出的是 ，其对应于ANN的轴突信号，这些参数中中w和 偏置值b为可调整的标量函数。
2.3.1 ANN较为常见的为以下几类模型[35-42：
（1）不含反馈的前向网络
如图2.3(a)所示为没有反馈的前向网络，从图中看出，神经元是分层排列的，由输入层、隐含层、输出层分层排列的神经元所组成，其中，中间层：隐含层是可以由多层组成的。各层的神经元仅仅接受前层的神经元所给的信号作为自身的输入，输入的模式在各个层的依次变换，最终将产生的结果信号送给输出层作为输出。这种前向性的网络比较广泛的应用于生产中，比如BP算法和感知器中均采用此种网络类型结构。
图2.3（a）
（2）从输出层到输入层有反馈的前向网络
如图2.3（b）所示，从输出层到输入层有反馈的前向网络简称反馈神经网络。网络中的神经元也是分层排列的，但是输入层神经元在学习过程中接受输出层神经元或部分输出层神经元的反馈输入。
图2-3（b）
（3）层内有相互结合的前向网络
如图2.3（c）所示，每一层的神经元除了接受前一层神经元的输入之外，也可接受同一层神经元的输入。通过层内神经元之间横向的抑制或兴奋机制，从而可以限制一层内能同时动作的神经元的个数，或者实现把一层内的神经元分为若干组，每一组作为一个整体来动作。