1、    基于改進(jìn)型離散hopfield網(wǎng)絡(luò)的不間斷電源供電曲線模型研究    孫艷華【摘要】脈沖神經(jīng)元模擬了人體神經(jīng)系統(tǒng)進(jìn)行信號(hào)傳導(dǎo)與處理的真實(shí)特性。利用脈沖神經(jīng)元所具備的多種獨(dú)特性質(zhì)，可以將其有效利用于改進(jìn)離散hopfield網(wǎng)絡(luò)的數(shù)學(xué)結(jié)構(gòu)中，使這種傳統(tǒng)的遞歸神經(jīng)網(wǎng)絡(luò)無論是在函數(shù)擬合問題，或是時(shí)間序列預(yù)測問題上，都可以得到比傳統(tǒng)離散hopfield網(wǎng)絡(luò)模型更好的計(jì)算性能。不間斷電源電池在經(jīng)過長時(shí)間放置或者長期使用之后，都會(huì)出現(xiàn)不同程度的電荷衰減現(xiàn)象。本文采用了改進(jìn)型離散hopfield網(wǎng)絡(luò)來表達(dá)這一非線性系統(tǒng)，利用建立于改進(jìn)型離散hopfield網(wǎng)絡(luò)的

2、不間斷電源供電曲線模型，來有效掌握電池的工作狀態(tài)，為電力檢修提供了較大幫助?！娟P(guān)鍵詞】脈沖神經(jīng)元；離散hopfield網(wǎng)絡(luò)；不間斷電源；供電曲線1、引言近年來，通過神經(jīng)生物學(xué)的最新研究表明，一種區(qū)別于傳統(tǒng)s神經(jīng)元的脈沖神經(jīng)元進(jìn)一步模擬了人體神經(jīng)系統(tǒng)進(jìn)行信號(hào)傳導(dǎo)與處理的真實(shí)特性。1利用脈沖神經(jīng)元所具備的多種獨(dú)特性質(zhì)，可以將其有效利用于改進(jìn)離散hopfield網(wǎng)絡(luò)的數(shù)學(xué)結(jié)構(gòu)中，使這種傳統(tǒng)的遞歸神經(jīng)網(wǎng)絡(luò)無論是在函數(shù)擬合問題，或是時(shí)間序列預(yù)測問題上，都可以得到比傳統(tǒng)離散hopfield網(wǎng)絡(luò)模型更好的計(jì)算性能。不間斷電源（ups）所使用的鉛酸電池以其良好的性能和循環(huán)壽命被廣泛運(yùn)用于工業(yè)及日常生活中。up

3、s電池在經(jīng)過長時(shí)間放置或者長期使用之后，都會(huì)出現(xiàn)不同程度的電荷衰減現(xiàn)象。本文采用了改進(jìn)型離散hopfield網(wǎng)絡(luò)來表達(dá)這一非線性系統(tǒng)，利用建立于改進(jìn)型離散hopfield網(wǎng)絡(luò)的不間斷電源供電曲線模型，來有效掌握電池的工作狀態(tài)，為電力檢修提供了較大幫助。2、改進(jìn)型離散hopfield網(wǎng)絡(luò)結(jié)構(gòu)2.1、脈沖神經(jīng)元模型結(jié)構(gòu)s神經(jīng)元的輸出值在超出-1到1的值域后，因?yàn)椴荒鼙挥?jì)算出來，因此采用多次迭代和嚴(yán)格執(zhí)行時(shí)序的方法計(jì)算出來，對(duì)于不是模擬量的輸入值則不能有效計(jì)算，導(dǎo)致網(wǎng)絡(luò)計(jì)算錯(cuò)誤。因?yàn)槌街涤蚨捎枚啻蔚姆绞?，s神經(jīng)元對(duì)于時(shí)間序列預(yù)測等問題，存在神經(jīng)元內(nèi)部延時(shí)的天生缺陷，從數(shù)學(xué)結(jié)構(gòu)上就不存在用于設(shè)

4、置的時(shí)間變量。因此，采用新型的脈沖神經(jīng)元可以在一定程度上改善與時(shí)間相關(guān)的計(jì)算結(jié)構(gòu)，從而有效提高函數(shù)擬合與時(shí)間序列預(yù)測問題的準(zhǔn)確性和計(jì)算效率。脈沖神經(jīng)元的模型原理如圖1所示，其中左圖為脈沖神經(jīng)元工作時(shí)的膜電壓曲線，右圖為脈沖神經(jīng)元的膜電壓為負(fù)值時(shí)，抑制脈沖的負(fù)電壓的變化情況。在大多數(shù)情況下，假如用脈沖神經(jīng)元構(gòu)造的模型只考慮輸出端的脈沖神經(jīng)元抑制神經(jīng)元負(fù)電壓的影響，則神經(jīng)元的膜電壓響應(yīng)為：（1）公式1表示，當(dāng)神經(jīng)元受到了抑制神經(jīng)元負(fù)電壓影響時(shí)，因來自其他方面影響而傳導(dǎo)的突觸后膜電位將會(huì)結(jié)合來自其他方面的響應(yīng)。當(dāng)神經(jīng)元不斷積累由其他神經(jīng)元傳導(dǎo)而來的電信號(hào)時(shí)，膜電壓依照積分的特性積累，直到達(dá)到閾值，再

5、向下一級(jí)發(fā)出，之后將持續(xù)一段時(shí)間的抑制神經(jīng)元負(fù)電壓。脈沖神經(jīng)元抑制負(fù)電壓持續(xù)時(shí)間是脈沖神經(jīng)元的重要參數(shù)，其取值決定了脈沖神經(jīng)元對(duì)既有信息記憶的持續(xù)時(shí)長。2.2、基于脈沖神經(jīng)元的離散hopfield網(wǎng)絡(luò)離散hopfield網(wǎng)絡(luò)的數(shù)學(xué)模型由美國科學(xué)家j.j hopfield在1982年提出，是一種全連接型神經(jīng)網(wǎng)絡(luò)。在這種網(wǎng)絡(luò)中具有一層僅僅作為輸入功能的神經(jīng)元，無實(shí)際運(yùn)算的作用，它的下一級(jí)神經(jīng)元對(duì)輸入的信號(hào)和加權(quán)系數(shù)的乘積進(jìn)行累加，之后通過非線性函數(shù)進(jìn)行數(shù)據(jù)的讀出。是一個(gè)開關(guān)函數(shù)，倘若神經(jīng)網(wǎng)絡(luò)讀出器的值大于，則讀出器顯示為1，倘若神經(jīng)網(wǎng)絡(luò)讀出器的值小于，則讀出器顯示為-1。離散hopfield網(wǎng)絡(luò)的

6、數(shù)學(xué)表達(dá)式如公式2所示。（2）如果權(quán)值系數(shù)在時(shí)為零，這類神經(jīng)網(wǎng)絡(luò)只能單純輸出，不會(huì)傳遞反饋值，被稱為前饋型神經(jīng)網(wǎng)絡(luò)，反之，則可以傳遞反饋值，這些網(wǎng)絡(luò)被稱為遞歸型神經(jīng)網(wǎng)絡(luò)。離散hopfield網(wǎng)絡(luò)就是一種典型的遞歸型神經(jīng)網(wǎng)絡(luò)。83、基于改進(jìn)型網(wǎng)絡(luò)的ups供電曲線模型3.1、模型結(jié)構(gòu)及實(shí)驗(yàn)設(shè)計(jì)不間斷電源（ups）所使用的鉛酸電池以其良好的性能被廣泛運(yùn)用于工業(yè)及日常生活中。而電池在經(jīng)過長時(shí)間放置或者長期使用之后，都會(huì)出現(xiàn)不同程度的電荷衰減現(xiàn)象。不間斷電源供電曲線模型采用常規(guī)的方法很難進(jìn)行數(shù)學(xué)建模，故本文采用了改進(jìn)型離散hopfield網(wǎng)絡(luò)來表達(dá)這一非線性系統(tǒng)。我們采用了國產(chǎn)某一型號(hào)ups采集的電源電

7、壓值與電流值隨時(shí)間變化的數(shù)據(jù)進(jìn)行實(shí)驗(yàn)。其中，我們采用了由脈沖神經(jīng)元構(gòu)成的離散hopfield網(wǎng)絡(luò)進(jìn)行計(jì)算，脈沖神經(jīng)元的抑制負(fù)電壓的持續(xù)時(shí)間取為0.8，整個(gè)網(wǎng)絡(luò)的輸入為2個(gè)節(jié)點(diǎn)，輸出為1個(gè)節(jié)點(diǎn)，初始網(wǎng)絡(luò)權(quán)值都為0.1，實(shí)驗(yàn)平臺(tái)為matlab 2013b。3.2、實(shí)驗(yàn)結(jié)果通過使用改進(jìn)型離散hopfield網(wǎng)絡(luò)進(jìn)行建模計(jì)算，我們利用函數(shù)擬合得到了這一型號(hào)ups的供電曲線，如圖2所示。根據(jù)這一模型，可以確定，在常用的電池輸出電壓值為9.8v的情況下，當(dāng)電流為30a時(shí)，電池剩余時(shí)間為1851.0427min；當(dāng)電流為40a時(shí)，電池剩余時(shí)間為1297.8602min；當(dāng)電流為50a時(shí)，電池剩余時(shí)間為100

8、0.6463min；當(dāng)電流為60a時(shí)，電池剩余時(shí)間為778.0522min；當(dāng)電流為70a時(shí)，電池剩余時(shí)間為606.7987min。同時(shí)，利用改進(jìn)型離散hopfield網(wǎng)絡(luò)構(gòu)建的數(shù)學(xué)模型，我們可以得到，電流強(qiáng)度為55a時(shí)的放電曲線如圖3所示。利用數(shù)學(xué)模型計(jì)算出的剩余時(shí)間與實(shí)際剩余時(shí)間的平均相對(duì)誤差如表1所示。通過實(shí)驗(yàn)可以得出，利用改進(jìn)型離散hopfield網(wǎng)絡(luò)進(jìn)行的不間斷電源供電曲線模型建立和計(jì)算，具有較好的準(zhǔn)確性，能夠比較真實(shí)地還原出ups供電的基本情況。4、結(jié)論不間斷電源（ups）所使用的鉛酸電池以其良好的性能和循環(huán)壽命被廣泛運(yùn)用于工業(yè)及日常生活中。而電池在經(jīng)過長時(shí)間放置或者長期使用之后，

9、都會(huì)出現(xiàn)不同程度的電荷衰減現(xiàn)象。本文采用了改進(jìn)型離散hopfield網(wǎng)絡(luò)來表達(dá)這一非線性系統(tǒng)。我們采用了國產(chǎn)某一型號(hào)ups采集的電源電壓值與電流值隨時(shí)間變化的數(shù)據(jù)進(jìn)行實(shí)驗(yàn)。這種方法是將一個(gè)不可知的函數(shù)進(jìn)行訓(xùn)練，利用已知的數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，之后再進(jìn)行數(shù)學(xué)建模的工作。通過實(shí)驗(yàn)可以得出，利用改進(jìn)型離散hopfield網(wǎng)絡(luò)進(jìn)行的不間斷電源供電曲線模型建立和計(jì)算，具有較好的準(zhǔn)確性，能夠比較真實(shí)地還原出ups供電的基本情況，為今后ups電池的保養(yǎng)與更換提供了有力的幫助。參考文獻(xiàn)：1 maass， w. on the computational power of recurrent circuits of

10、spiking neuron， technische universit?t graz （2000）.2 behi t.， arous n.， ellouze n. self-organization map of spiking neurons evaluation in phoneme classificationc. sciences of electronics， technologies of information and telecommunications （setit）， 2012 6th international conference on， 2012， 701-705.

11、3 espinosa-ramos j.i.， cruz-cortes n.， vazquez r.a. creation of spiking neuron models applied in pattern recognition problemsc. neural networks （ijcnn）， the 2013 international joint conference on， 2013， 1-8.4 russell a.， orchard g.， yi dong， mihalas s.， niebur e.， tapson j.， etienne-cummings r. optimization methods for spiking neurons and networksc. neural networks， ieee transactions on， 2010， 1950-1962.5 徐若冰， 施偉峰， 劉燕. 基于dhnn的船舶發(fā)電機(jī)故障診斷j. 儀器儀表用戶， 2007， 14（6）： 114-115.6 宋濤， 唐德善， 曲煒. 基于離散型hopfield神經(jīng)網(wǎng)絡(luò)的項(xiàng)目風(fēng)險(xiǎn)分析模型j. 統(tǒng)計(jì)與決策，