神經網絡原理精選(九篇)

前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的神經網絡原理主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：神經網絡原理范文

【關鍵詞】諧波;APF;神經網絡

Abstract：With the development of the power of electronics technology，due to a variety of new non-linear loads are growing has caused much harmonic in power system，active power filter is the effective way to harmonic and compensate for the elimination.The working principle of active power filter system are briefly analyzed for this paper，and proposed a detection method based on neural networks，which are mainly using neural network load caused by harmonic resistance，etc.for effective analysis，to the original filter detection of the corresponding power system fundamental active current of more complete and thorough simulation results validate the design theory and analysis results are correct.

Key word：Harmonic;APF;neural networks

1.引言

在我國的可以發展和社會進步過程中，特別是各種高科技的產品以及衍生物的出現，發展進程不斷加快，由于我國的地理結構，特別是資源分布不均決定了電網的地理結構配置，尤其是在惡劣環境狀況下長遠距離的電網配送傳輸，這樣不得不造成電能在傳輸過程中的出現諸多問題，基于越來越到的三相交流正弦設備電壓的穩定性，尤其是大量的非線性設備在交流電下產生的非正弦電流（電壓等）信號，造成了其電能的有效性利用和一系列諧波的干擾等等。有源電力濾波器（Active Power Filter，APF）則應運而生，其優點是可以抑制一些諧波來提高電能的穩定性和電能的質量，其中在諧波處理這一塊加入新型的神經網絡，如現今的BP、FFT神經網絡算法的運用在電力濾波器中，能夠在諧波的處理過程中更加的準確和穩定，極大地加快了效率和保證了電能的質量，也是目前市場情景很廣的一個重要課題。

2.電力諧波的檢測方法

在現代的電力系統中，尤其的當前的三相交流電無時不刻地出現各種干擾性諧波，影響電能質量和效率。在傳統的諧波檢測中有一些比較傳統的方法，特別在最初使用的無源濾波器進行簡單且原始地濾波，這種濾波器在使用的同時也帶來了很多的不便和出現更多新的問題，在后來也慢慢被淘汰。于是在后來演變了幾種比較常用的方法，每種方法有其各自特點及應用范圍，因此了解各種諧波檢測方法的優缺點及其適用場合對擬制諧波是非常重要的。就目前廣泛應用的是那些基于瞬時無功功率理論的p-q法，法和同步檢測法以及基于正弦函數正交特性法的檢測等方法，然后通過一些仿真比較各自的優缺點及適用場合，為有效擬制諧波提供理論及實際指導。分析及仿真表明，有效利用各種諧波檢測方法的特點進行諧波擬制是非常有效、實用的，這是充分利用其反向特點分析的。

2.1 檢測法

就目前大部分的諧波檢測而言，基本都是運用檢測法進行諧波檢測，在諧波檢測的基本工作原理是：將電壓或電感器輸出的電流信號轉化為電壓信號并進行適當的放大或縮小（根據實際信號的輸出情況進行放大或縮小）。首先指令運算電路就是諧波檢測的重要部分，其作用是在有源電力濾波器的補償作用下得出其補償電路的指令信號（電流信號），其中常用且最為重要的部分是三相電路的檢測方法，在實際生活中常用的有兩種：一種是電路諧波檢測法，另一種是無功電流檢測法。如下圖1是電路-諧波檢測的原理示意圖.其方法的基本原理是利用三相電壓源中的其中一項與同相位的正弦信號和相對應的余弦信號sinωt_cosωt，然后他們由一個相鎖環（PLL）和sinωt_cosωt信號的發生電路模塊得到。再根據定以及其公式計算出、。在圖中、是由、、產生的、于是由、可以計算出、、，進而計算出、、。運算公式如圖1所示。

圖1 三相電流諧波檢測原理示意圖

（6）

（7）

（8）

（9）

用給定這些式子可以理想化的酸楚相應的補償電流出來，這樣根據所需的參數量來進行可控補償。最終達到諧波抑制的目的。

2.2 基于神經網絡的電流檢測

在傳統的APF（有源電力濾波器）中，我們很難有準確的測量方法，即是根據理想化的公式也只能進行理想的運算，然而在實際運行過程中，其測量參數準確度的有很大差距，于是我們提出了一種基于神經網絡電流檢測方法，這樣在有源電力濾波器中有了很好檢作用，其神經網絡原理圖 如下圖2所視，它具有多種跟蹤捕捉參數的能力，也能更為快速、準確地檢測出來，達到的結果更接近理想值，在有源電力濾波器中加入運用神經網絡是現今以及未來的一個趨勢。

圖2 神經網絡結構圖 圖3 基于神經網絡的基本原理圖

3.建立相關模型并仿真

在APF的濾波基礎上加入需要的神經網絡模塊，更能有效且準確地檢測諧波并進行有效的補償，最終得到需要的電流（電壓）信號供日常實際生產。在被控參數的前饋期加入神經網絡，可以很好的前饋控制，這樣的優點是互惠產生不必要的延遲，同時可以減小工作時間。

3.1 模型建立

由于該研究主要針對于日常用的三相電力系統中，所以本文也是以三相交流為研究對象，其主要原理框圖如圖4所示

圖4 加入神經網絡的有源濾波的簡易原理框圖

我們可以很弄清楚地看到，濾波裝置（APF）中加入可控串補神經經網調節模塊，由圖中可以看出主要對一些交流電流等相關參數進行補償和抑制，在實際的運行環境中一系列的諧波、內外振蕩和非穩定因素等干擾就得到了很好的抑制和處理，電壓（電流）變得更穩定并且得到補償和提高，很接近預期理論計算值，最終改善了運行環境，提高了電能的質量，同時更能有效地節省資源和提高電能有用功率。在每個模塊達到自己的理論使用效果后，就可以很好地達到預期的結果。

3.2 仿真結果

本文研究對象主要是針對于三相交流電的電流參數進行測試，得到了一些列的仿真結果，基本能夠反映研究的基本目的。下列圖形分別給出了其三相交流電流諧波補償抑制的仿真圖像。

（1）當給定電壓在380v、50Hz、α=30°時，在給與一定負載，得到的電流波形圖如下圖5所示，諧波很明顯，三相正弦電流波形受到的干擾很明顯，在有源濾波器的作用，諧波得到了很好的抑制并且提供了相應的補償，是電流波形接近正常。

（2）當給定電壓為380V、50Hz、α=30°時，同時給與一定負載，得到的電流波形圖如下圖6所示，諧干很明顯，可知三相正弦電流波形受到的干擾很明顯，在有加入神經網絡后的有源濾波器的作用下，我們能夠很明顯地看到諧波得到了很好的抑制，且給予的補償也很充分，電流的曲線圖像變得更接近理想值，振幅也比以前增大了，從圖像中我們可以得出在神經網絡的作用下，有源電力濾波器的作用能夠發揮得更加充分和完善，也是我們研究的重點和趨勢。

4.總結

本文主要是在諧波污染現狀上，對諧波進行系統的研究，尤其是在諧波檢測的基礎上進行研究，并設計了一種基于神經網絡的有源電力諧波檢測法，利用神經網絡具有逼近任意非線性函數能力，響應快、超調小、誤差小、魯棒性好等一些優點，克服了有源電力濾波器補償性能不足，檢測效率低等缺點。其仿真結果表明基于該神經網絡的諧波檢測模塊的試驗中，可以得出其具有快速且準確的檢測抑制效果，對今后的諧波抑制方面具有很好的發展前景。

參考文獻

[1]楊軍，王兆安.三相電路諧波電流兩種檢測方法的對比研究[J].電工技術學報，2005，6（7）.

[2]王兆安，劉建軍.電力電技術[M].北京：機械工業出版社，2010.

[3]于志豪，劉志珍，徐文尚.基于電路模型和神經網絡的諧波電流檢測方法[J].電工技術學報，2004，19（9）.

第2篇：神經網絡原理范文

伴隨著現代社會的飛速發展，互聯網信息技術與計算機技術等己在人們的生活中普遍地應用。因而生成了互聯網經濟，它的出現影響著人們的生產生活，使社會經濟得到更進一步地發展?；ヂ摼W經濟是利用相應的信息技術介質，在醫院內建立一整套的信息化、科學的互聯網運營系統體系，增進醫院審計的管理工作效率，使醫院的經濟達到最大的收益，促進社會的經濟發展。

1.互聯網經濟的特點對醫院審計的管理工作的現實意義

1.1有利于醫院審計網絡化信息技術體系

在互聯網經濟的作用下，醫院審計的管理工作也做出了相對的改新。在醫院內建構了網絡化的審計信息技術體系。此體系可以促使院內管理的高效性，還可以使醫院的經營方向及范圍更加的寬廣。使醫院內的各種經濟管理及經濟活動達到電算化形式的管理。有效提升院內的審計管理工作效率及質量。在互聯網經濟的作用下，院內審計的管理工作能夠把計算機這一科學技術與不同的審計軟件用在平時的院內審計工作中，在醫院中搭建起網絡化的信息技術審計體系，從而進一步地推動醫院運營管理，助力于社會經濟更進一層地發展。與此同時通過互聯網經濟的特點，使醫院審計管理所針對的對象、審計規模及其工作內容等一些層面都產生了相應的轉變。

1.2有利于?@現出醫院內審計工作的目的

在現今互聯網經濟的不斷發展中，醫院審計的管理工作是醫院整體管理的一個環節。其在醫院的持續進步中，有著非常主要的作用，醫院審計的管理工作可快速促進醫院的經濟發展。所以，醫院審計的管理工作一定參照醫院內部的工作主旨實行管理與發展，還應同時注重醫院內的財政工作管理，做好院內部的財務控制管理與財務的監督工作。使醫院審計和管理工作水平與質量得到有效地提升。醫院在審計工作的管理中，一定遵照相應的法律規定來實行相適應的管理，遵守國家規定的所有財務規定，達到醫院審計和管理工作良性地運營，體現醫院審計的管理工作目的，促進醫院更進一層地進步發展。如果想達到醫院審計管理工作的理想目的，就一定要把互聯網技術與計算機等科學技術應用到醫院審計的管理工作中，來取得相應的審計資格，整理相應的信息數據，在由信息系統進行相應地處理完善，給醫院審計和管理工作供應具有參照性的數據，給醫院的一些決策，提供信息數據的幫助，體現醫院審計的管理工作目的。

1.3有利于提高醫院審計工作的水準

在互聯網經濟的作用下，比較多的當代信息化技術己經普遍地在醫院的現實管理中得到應用，并且在醫院的管理過程中發揮了有效的作用，使醫院更進一層地進步發展。在醫院審計的管理中也使用了科學信息化的技術，通過計算機系統這一科技，在醫院審計和管理中建立完整的一套信息化的審計系統，如此不但能夠降低審計人員的工作量，還可以深一層的提升院內審計工作的管理質量及技能。可讓所有審計管理工作更為正規化、信息化，還可以在不同程度范圍內減少醫院審計的管理成本，保證審計管理的數據完善性與系統性，從而使醫院審計和管理工作水準得到有效地提高。

2.在互聯網經濟的基礎上提升醫院審計管理的有效措施

2.1通過計算機系統使醫院審計方法完善

在醫院的平時財務數據審計工作管理中的應用。在醫院的審計管理過程中，經?？梢姷呢攧諗祿徲嫻ぷ?，著重指出審計的工作人員對財務數據的研究與把握。在財務數據的審計工作中，可以參照工作中的現實狀況，利用計算機這一高科技來輔助平時審計管理工作。在現實平時財務數據審計的工作中，可以使用現代的一些審計相應的軟件，對相應的財務數據實行檢查、統籌、研究等相關的審計工作，能夠有利于提升財務數據的審計時效性與質量的保證。在財務數據審計的工作中，也能夠應用一些自動電算化的計算機這一高科技的系統，來對醫院財務數據審計工作施行審計的管理，以便提升審計的時效性。

2.2重視開發審計軟件，使醫院審計提高效率

在互聯網經濟這一網絡經濟的作用下，醫院審計的管理工作必須要利用信息、互聯網網絡等現代的科學技術，漸漸達成醫院審計的管理工作信息化技術的有效發展。在醫院內部組建起相應的對于審計管理的信息系統中，審計的工作人員一定要對有關的系統實行理解和學習，熟悉各種系統的準確功能，如此才可以在現實審計管理的工作中，嫻熟的應用審計管理的信息系統，保證審計信息的正確性與完善性。醫院在建設審計管理的信息化系統時，要重視審計管理信息系統的開發與更新。供給足夠的資金基礎，使之醫院信息系統能夠順利的開發和管理。還需對醫院審計管理工作做到較好地完善。所以在現實醫院審計的管理工作中，審計的相關工作人員要參加到醫院的審計信息系統的開發當中來，如此才可以及時地發覺其中存在的相關問題，并及時地實行對應地整合與更正。例如某一醫院的管理信息系統建構，完成了初步的以工作人員、財務、物質管理為主要的醫院管理信息系統的建設，其中對物質管理的系統環節包含固定資產的管理系統、物資的管理系統、設備器材的管理系統。組建醫院內部的相關財產調度平臺，活躍及提高了財產應用效果。每個科室能夠把本科室不用的資產公布到平臺上，這時有對此資產需求的科室就能夠在平臺上實行觀看并且申請使用。多種方式的終端平臺系統，全部參與、操作起來較為容易。所有關于設備的管理與使用人員都可以依照自己科室的需求，恰逢時宜地登錄系統進行操作，并可以實行查收、拍照、圖片上傳，操作的使用簡便、好學、容易理解、入手比較快。

2.3利用信息技術，搭建醫院審計信息化的本系

在互聯網經濟這一網絡化經濟的作用下，醫院也建構了相關的審計管理信息化系統，通過有關的審計概論、管理概論，使醫院內組成一個完善的一整套審計管理工作體系，能夠對醫院的全部經濟運行所帶來的財務數據信息實行有效及時地跟隨與及時監控，持續對醫院己有的審計管理工作信息系統加以改進完善，以便提升醫院審計的管理工作水準及質量?，F當下醫院所組建的審計管理信息化系統是三個主要的部分所組成，第一個部分是，審計信息系統的專家系統，其著重能夠對審計的數據信息實行研究分析、匯報等相關工作；第二個部分是，審計的監控系統，其著重對醫院的財務信息實行及時的監控；第三個部分是，數據庫信息系統，其著重是把審計的數據信息實行匯總、調整。達到信息能夠共同享用。例如在博科yigo平臺的基礎上，開發醫院固定資產的管理信息系統。把博科yigo平臺的固定資產信息管理系統應用在醫院審計和管理工作中，可以較大的提升醫院內部的工作時效性，使醫院的經濟效益大大地增加，有利于醫院切實地達成嚴格實行節約的準則。其容易、簡單、好學的客戶操作界面和強有力的系統功效，在大多同種系統中突現而出。

2.4做好培訓，提高醫院審計工作人的計算機操作水準

在互聯網經濟的作用下，醫院內部審計的管理工作也逐漸朝著信息技術化、互聯網電子信息化的目標發展。在醫院內的審計人員，著實的需要有一定優異的審計概論性的知識，明確相應的審計技能與措施，還要有一些相應的對計算機應用的實力，如此才可能保證醫院審計的管理工作順暢展開和具有時效性地進行。為此，在現實醫院審計的管理工作中，對審計的工作人員需要實行專業化的培訓學習，增強審計工作人員培訓的威力，要使審計工作人員了解并熟記基礎的審計措施，嫻熟使用現代科技化的審計用具，提升審計的管理工作成果。在審計工作人員的學習培訓中，同時還需要把醫院內部財務的管理、會計的數據管理等一些內容概括到其中，栽培出較多的實用型、多能型人才，使醫院內部審計的管理工作的成果及質量得到有效的提高，助力于醫院更上一層地發展。

第3篇：神經網絡原理范文

[關鍵詞] BP網絡； 旅行社； 人力資源危機； 預警模型； 危機識別

doi ： 10 . 3969 / j . issn . 1673 - 0194 . 2014 . 03. 034

[中圖分類號] F272.92 [文獻標識碼] A [文章編號] 1673 - 0194（2014）03- 0074- 05

人力資源危機在旅行社行業吸引人才、培養人才、留住人才的各個環節都有體現，影響旅行社行業人力資源管理的效果，影響旅行社行業的穩定與發展。因此，如何對旅行社行業人力資源危機狀況進行評判，進而采取應對措施，是當前旅行社行業人力資源管理的一個迫切任務。本文引入人工神經網絡中的BP網絡，構建河南省旅行社人力資源危機預警模型，以期提早應對危機。

1 BP網絡簡介

BP網絡由一個輸入層、若干隱含層和一個輸出層構成，是一種具有3層或者3層以上結構的多層神經元網絡，網絡中的神經元分層排列，它的左、右各層之間各個神經元實現全連接，即左層的每一個神經元與右層的每個神經元都有連接，而上下層各神經元之間無連接。每一層內神經元的輸出均傳送到下一層，這種傳送由連接權來達到增強、減弱或抑制的作用，除了輸入層的神經元以外，隱含層和輸出層神經元的凈輸入是前一層神經元輸出的加權和。每個神經元均由它的輸入、活化函數和閾值來決定它的活化程度。在人工神經網絡的實際應用中，80%～90%的模型是采用BP網絡或它的變化形式。BP網絡可以有多層，但前向三層BP網絡最具代表性，應用也最為廣泛。

2 基于BP網絡的河南省旅行社人力資源危機預警模型的構建

2.1 構建旅行社人力資源危機預警指標體系

人力資源危機預警指標體系由一系列能敏感反映人力資源管理活動狀態和結果表現的指標構成。筆者通過分析河南省旅行社人力資源危機現狀，遵循靈敏性、科學性、可測度性、相對獨立性、預見性和可比性等原則，篩選出獨立性較強、代表性較強和貢獻性高的最小評價指標體系，本文借助了專家打分的方法，各指標的具體值域范圍見表1。

2.2 建立基于BP網絡的旅行社人力資源危機預警模型

2.2.1 用主成分分析法對模擬數據進行預處理

根據表1，本文共模擬了8組數據（見表2），以建立基于BP網絡的河南省旅行社人力資源危機預警模型。

對表2中的極小值指標（如員工隱性流失率等）先取倒數，再利用SPSS統計分析軟件進行主成分分析，所得結果見表3。

本文共提取出6個公共因子，其特征值的方差貢獻率累積達到了96.044%（通常情況下，累積貢獻率達到85%即可）。本文選擇參數0.65作為劃分主要、次要指標的載荷系數臨界值，以滿足下一步研究的要求。最后得到由10項指標構成的新的人力資源投資風險預警評價指標體系，如表4所示。

2.2.2 BP網絡模型輸入節點的選擇

根據 Kolmogorov定理（即映射網絡存在定理），一個三層BP網絡即可在任意希望的精度上實現任意的連續函數 。因此，本研究中采用三層BP網絡模型。影響旅行社人力資源危機度的評價因子主要有人才引進率、招聘引進員工勝任度等10個，因此，可確定BP網絡的輸入層節點數為10。

本文選擇上述簡化后的10項指標作為BP模型的輸入節點。由于BP神經網絡的隱層一般采用Sigmoid轉換函數，為提高訓練速度和靈敏性以及有效避開Sigmoid函數的飽和區，一般要求輸入數據的值在0～1之間。因此，需要對輸入數據進行預處理。

進行輸入節點的輸入時，需要先對原始的模擬數據進行歸一化處理，將它們轉化為閉區間[0，1]上的無量綱性指標值。本著盡可能體現被評價對象之間的差異化原則，即使其離差平方和最大的原則，本文采用了極值處理法進行歸一運算：

若Mj = max{xij}，mj = min{xij} 則x′ij = ■

式中，xij為原始數據，x′ij∈[0，1]為歸一化后的無量綱性指標，其歸一化結果見表5。

2.2.3 BP網絡模型隱層節點的選擇

對于隱層節點的選擇是一個非常復雜的問題，因為神經網絡巨量并行分布的結構和非線性的動態特性決定了從理論上得到一個簡單通用的簡潔解析表達式或隱層單元確定公式是十分困難的，甚至是不可能的。隱層節點數的選擇與問題的要求和輸入輸出單元的多少都有直接關系：如果隱節點數過少，網絡不強壯，就不能識別以前沒有看到的樣本，容錯性就差，或由于網絡太小可能訓練不出來；但隱節點太多又會使學習時間過長，誤差也不一定最佳。因此，必定存在一個最佳的隱節點數，可用公式q = ■ + a作為參考。其中，q為隱含節點數，m為輸入神經元數，n為輸出神經元數，a為1 ～ 10之間的常數。

為使隱節點數更合適，本文將根據網絡的實際輸出與期望輸出矢量的均方誤差大小及訓練步數的多少來綜合確定，最終隱含節點選為9，其模型訓練精度最佳，訓練步數也最少。

2.2.4 BP網絡模型輸出節點的選擇

從表5中選出對應于新預警評價指標體系的數據再次進行主成分分析，步驟同前，所得結果如表6所示。

本文共提取出4個公共因子，其特征值的方差貢獻率累積達到92.232%。它們共同決定旅行社人力資源危機的狀況。

公因子1上載荷值大于0.65的指標有：招聘引進員工勝任度、培訓與員工需求吻合度、員工對評價制度和使用制度的滿意度，涉及旅行社人力資源危機的多個部分，可稱之為“綜合因子”；公因子2上的載荷值大于0.65的指標有：人力資本投資收益率、病假發生率，可稱之為“員工發展與保健因子”；公因子3上的載荷值大于0.65的指標有：員工對激勵機制的滿意度、缺勤率，可稱之為員工“價值取向因子”；公因子4上的載荷值大于0.65的指標主要有：員工離職增長率，主要是對員工流失指標的反映，可稱之為“員工流失因子”。

第一，計算各公因子的得分。由于在查找旅行社人力資源危機風險因素提出對策時，通常只研究各公共因子上的主要載荷指標，而不考慮其他冗余指標。因此，為使警情分析輸出更精確，從而能更準確地分析旅行社人力資源危機風險的內容，更有針對性地提出人力資源危機預警對策，本文忽略各公因子內部的冗余指標（載荷系數小于0.65的指標），只根據主要指標（載荷系數大于等于0.65的指標）的載荷系數，通過下列算式來計算各公共因子得分：

FP1 = ■

FP2 = ■

FP3 = ■

FP4 = ■ = t34

式中，tij是表中指標Xij均值為0、標準差為1的標準化變量；p為數組序號，p = 1，2，…，8。？搖

第二，以各公共因子的方差貢獻率占4個因子總方差貢獻率的比重作為權重進行加權匯總，得出各數組的最終因子綜合得分Fp：

Fp = ■

通過綜合因子Fp（見表7）來反映旅行社人力資源危機程度，據此制定相應的防范策略。BP網絡最后一層的傳輸函數Purelin使得網絡輸出可以是任意值，因此，本文將旅行社人力資源危機預警層次設置為4個級別，如表8所示，BP網絡的輸出層節點數為4，代表不同的旅行社人力資源危機等級，即安全、基本安全、風險和較大風險，4個等級對應的標準輸出分別為[1000]、[0100]、[0010]、[0001]。

依前分析輸出節點選擇4個，10組輸出的4個端子的數值就對應于10組人力資源危機預警指標數據所反映的旅行社人力資源危機狀況。

結合旅行社人力資源危機的表現形式，本文提出了以下人力資源危機等級所對應的標準（見表8）。

Ⅰ級狀態：旅行社人力資源各方面管理良好，沒有明顯危機跡象，處于安全狀態，但仍需注意各方面的情況，防止突發性危機的出現。

Ⅱ級狀態：旅行社人力資源各方面正常，基本看不出什么問題，不過需要提前采取相應措施以提防潛在危機和突發性危機的發生。

Ⅲ級狀態：旅行社人力資源出現危機，會帶來一定的損失，但不明顯，會對旅行社人力資源各方面造成一定負面影響。

Ⅳ級狀態：旅行社人力資源出現嚴重危機，對人力資源各方面造成非常明顯和嚴重的影響，甚至導致旅行社倒閉。

綜上所述，本文建立的BP網絡人力資源危機預警模型的構造為：10 × 9 × 4（即10個輸入神經元，9個隱層神經元，4個輸出神經元）。

3 基于BP網絡的旅行社人力資源危機預警模型的訓練和檢測

本文采用MATLAB工程計算軟件的神經網絡工具箱設計、訓練并檢測已建立的BP神經網絡預警模型。

3.1 基于BP網絡的旅行社人力資源危機預警模型的訓練

本文將表6歸一化后的前6組指標值作為BP網絡的輸入，由表7確定的風險程度矩陣作為與之相對應的期望輸出，導入MATLAB的圖形用戶界面――GUI（Graphical User Interfaces），即可創建網絡進行訓練。主要訓練參數設置如下（未提及的參數均采用默認值）。

（1） 訓練函數：TRAINLM函數，它適用于中、小規模網絡的函數擬合問題，收斂快，收斂誤差小。

（2） 權值調節規則：LEARNGDM函數，采用動量梯度下降方法對權值和閾值進行調整。

（3） 網絡層數：3層。

（4） 性能函數：MSE函數，表示輸出矢量與目標矢量之間的均方誤差。

（5） 期望誤差：ε = 0.001。

由圖1可知，當網絡訓練至第三步時，網絡性能達標。BP網絡模型的訓練輸出見表9，至此，BP網絡模型訓練完畢。

3.2 基于BP網絡的旅行社人力資源危機預警模型的檢測

同理，用第7、第8組歸一化后的指標數據及對應的風險程度矩陣作為模型檢測的輸入和期望輸出，檢測結果見表10。檢測結果表明，實際輸出與期望輸出十分接近，誤差滿足要求。

由此可以得出結論，基于BP網絡建立的旅行社人力資源危機預警模型是有效的，可以用這個經過訓練、檢測完畢的BP網絡危機預警模型對旅行社人力資源危機進行預警實證研究，以防范人力資源風險，保證旅行社企業良性運行，同時對整頓治理旅游市場秩序起到監督和促進作用。

主要參考文獻

[1] 許謹良. 風險管理[M]. 第2版. 北京：中國金融出版社，2003：53-55.

第4篇：神經網絡原理范文

【關鍵詞】BP神經網絡；計算原理；煤礦生產；安全性；評價系統；應用；分析

在煤礦開采生產中，對于煤礦安全的評價主要是結合煤礦安全生產的相關控制原理以及要求標準，在煤礦開采生產中存在的風險和不穩定因素進行分析判斷，以對于煤礦開采生產中不安全情況以及事故發生的可能性以及影響程度，同時進行相應的安全控制與解決措施的提供，以保證煤礦開采生產的安全與順利實施。結合當前國內對于煤礦安全評價的研究狀況，由于研究起步相對比較晚，因此還停留在理論研究上，對于實踐研究的內容相對較少。此外，在進行煤礦開采生產的安全評價中，隨著煤礦開采生產環境的變化，進行其安全評價應用的理論方法之間也會存在有一定的區別，其相關評價標準之間也有一定的不同，但是，結合煤礦安全評價的實際，其安全評價應用標準主要可以分為四種類型，即相關性安全評價標準以及類推評價標準、慣性評價標準、量變到質變的安全評價標準等。下文將在對于BP神經網絡計算方法的原理分析基礎上，結合煤礦安全評價的相關指標體系，對于基于BP神經網絡的煤礦安全評價體系的設計實現進行分析研究。

一、BP神經網絡法的計算原理分析

在實際計算應用中，BP神經網絡屬于一種前饋式的神經網絡結構，在各種計算評價中應用相對比較廣泛。通常情況下，比較典型的BP神經網絡架構主要包括輸入層以及隱含層、輸出層三個結構層次，如下圖1所示，為BP神經網絡的結構示意圖。

BP神經網絡算法在實際計算應用中是一種自主學習與反饋的計算形式，它主要是借助梯度搜索技術對于輸入層輸入的樣本進行搜索后，通過自主學習，以迭代計算方式對于輸出值進行計算，同時通過與估計值方差之間的對比，以實現輸出調整，滿足實際的計算評價需求。值得注意的是，BP神經網絡計算方法在自主學習的計算過程中，輸入信號的傳遞是自上向下傳遞實現的，在計算過程中，如果計算得到的輸出值和期望值之間的誤差比較大時，就會以反向傳播的方式，沿計算傳遞路線進行返回調整，以對于計算誤差進行控制和減小。

二、基于BP神經網絡法的煤礦安全評價系統分析

應用BP神經網絡計算方法進行煤礦安全評價系統設計構建中，首先要結合煤礦開采生產中，對于煤礦安全產生影響的指標因素，在進行煤礦安全評價指標體系構建基礎上，實現基于BP神經網絡的煤礦安全評價系統設計。

1、煤礦安全評價指標體系的構建

以煤礦開采生產中的礦井通風安全評價為例，在進行該項安全評價指標體系的構建中，首先需要明白礦井通風系統安全評價指標體系反映煤礦通風系統的基本情況、主要特征和系統潛在危險狀態。因此，根據礦井通風系統的安全性和經濟性要求，煤礦安全評價指標體系被劃分為4個一級指標和19個二級指標，如下圖1所示。在根據上述指標因素對于煤礦的礦井通風安全進行評價中，需要用分級量化法把定性指標轉換為定量指標，同時將每個指標劃分為5級，分別表示安全、比較安全、一般安全、不安全和非常不安全，每一級都有一個數值和取值標準與之對應，安全評價過程中可以根據對象的具體情況確定相應的評價值。

2、基于BP神經網絡法的煤礦安全評價系統

根據上述BP神經網絡的結構與計算原理，應用BP神經網絡法進行計算評價時，其具體計算步驟如下。

首先，設置初始權系W（0）為較小的隨機非零值；其次給定輸入輸出樣本對，計算網絡的輸出，其具體計算過程如下，設P組輸入、輸出樣本為（1），則在第P組樣本輸入輸出為（2），

在上示輸出計算中，Iip表示的是第P組樣本輸入節點i的第j個輸入；然后再進行BP神經網絡目標函數的計算，假設Ep為第P組樣本輸入時的網絡目標函數，則其計算公式如下（3）所示，

（3）

根據計算結果進行安全評價判斷，如果，其中，ε表示預先指定的誤差，并且ε>0，則算法結束。否則需要繼續進行反向傳播計算，也就是從BP神經網絡的輸出層按照梯度下降計算方式進行反向計算，并對于每層的權值進行調整。如下式（4）所示，為神經元j到神經元 i的聯接權調整計算公式。 （4）

在上式中，η表示的是學習算子，為常值。

根據上述BP神經網絡計算方法的安全評價計算步驟，結合上述建立的煤礦開采生產中礦井通風安全評價指標體系，就可以采用Matlab7.6.0編制BP人工神經網絡程序，同時使用BP算法對BP神經網絡進行訓練和結果分析，然后用待預測樣本對預測結果進行校驗，以實現對于煤礦礦井通風的安全評價。在應用BP神經網絡算法進行煤礦通風安全評價系統構建中，整理和分析煤礦通風系統原始數據，獲得80個輸入輸出樣本進行訓練和預測，并用兩個樣本校驗預測結果。進行樣本校驗中，通過調用BP神經網絡算法的訓練網絡，進行訓練參數設置情況下，對于訓練步數以及訓練時間進行設定，以進行計算訓練。根據最終計算訓練結果可以實現對于煤礦礦井通風的安全評價。

第5篇：神經網絡原理范文

只有清楚地了解電梯控制系統的運行原理才能夠及時準確的診斷出電梯故障原因，因此清楚的了解電梯運行原理,每一個電梯維修人員必須要做到。電梯運行過程總體上可分為以下幾個階段：第一、登記層外召喚信號和登記內選指令階段；第二、電梯門關閉或者電梯按照系統指令停運階段；第三、啟動階段；第四、在到達信號記錄的樓層前進行減速制動；第五、平層開門階段。在整個過程中電梯需要從外界接收信號并處理，然后完成相應的指令或者輸出信號，由此可以將電梯看作是一個完整的獨立的系統，只需要外界給予相應的信號就可以自動的做出動作。電梯系統內部復雜的構件緊密的結合在一起，正是如此才使得電梯系統故障具有了復雜性、層次性、相關性以及不確定性的特點。

二、神經網絡技術基本原理

生物學上的神經是由一個個簡單的神經元相互連接進而形成了復雜的龐大的神經系統，同理，神經網絡就是由大量簡單的處理單元相互連接形成的復雜的智能系統。單獨的處理單元類似于一個神經元，是一個可以接受不同信息但是只輸出一種信息的結構單位。神經網絡系統與生物學神經系統相似的是具有自我修改能力，它可以同時接收大量的數據并進行統一的分析處理，進而輸出相應的處理結果。這就使得神經網絡系統具有了高度容錯性、高度并行性、自我修改性、學習性以及高度復雜性，也正是由于這些特性才使的利用神經網絡技術能夠及時準確的查明電梯故障原因并得出故障解決方案。電梯故障診斷中應用的神經網絡模型分為三個層次：輸入層、接收外部信號或者是電梯自我檢測信息（如載重信息）；隱含層、對接收到了大量數據進行相應的分析處理；輸出層、將記錄著動作命令的數據傳送出來。在電梯出現故障時，首先可以通過神經網絡模型快速確定故障發生在哪一層達到節約時間的目的。但是神經網絡也會因為收斂速度過于慢、訓練強度太大或者是選擇的網絡模型不好等問題導致診斷結果受到影響。

三、神經網絡模型在電梯故障診斷中的應用分類

神經網絡模型已經成為了如今電梯故障診斷中應用最廣泛的技術模型，相比于傳統方式它具有診斷速度快、故障原因命中率高的優點，因此引起了各方面專業人士的強烈關注，并在他們的不懈努力下得到了發展與創新。它跨越多個專業領域、通過對各種復雜的高難度工作的不斷的發展與改進出現了越來越多的應用模型，下面主要介紹了當前應用最普遍的BP網絡模型，并且簡單的引入并介紹了近年來新興的模糊神經網絡模型和遺傳小波神經網絡模型。

（一）BP網絡模型

BP神經網絡作為神經網絡應用最廣泛的一種，它多應用的誤差反向傳播算法使其在模式識別、診斷故障、圖像識別以及管理系統方面具有相對先進性。基于BP網絡的電梯故障診斷技術就是通過學習故障信息、診斷經驗并不斷訓練，并將所學到的知識利用各層次之間節點上的權值從而表達出來。BP網絡系統的主要診斷步驟主要可以分為三步。第一步：對輸入輸出的數據進行歸一化處理，將數據映射到特定的區間。第二步：建立BP網絡模型，訓練BP網絡模型。第三：通過已經訓練好的網絡模型對原來的樣本進行全面的檢測。算法步驟：a、在一定的取值范圍內對數據進行初始化；b、確定輸入值數值大小，計算出預期輸出量；c、用實際輸出的值減去上一步得到的數值；d、將上一步得到的誤差分配到隱含層，從而計算出隱含層的誤差；e、修正輸出層的權值和閾值，修正隱含層的權值；f、修正隱含層的閾值，修正隱含層和輸入層的權值。

（二）遺傳小波神經網絡模型

遺傳算法運用了生物界的優勝劣汰、適者生存的思想對復雜問題進行優化，適用于復雜的故障，起到了優化簡化問題的作用。對局部數據進行詳細的分析是小波法最大的特點，所以它被譽為“數字顯微鏡”。遺傳算法小波神經網絡就是運用小波進行分解的方法分解模擬故障信號，將得到的數據進行歸一化，將歸一化后的數值輸入到神經網絡模型中。它融合了神經網絡、小波分析和遺傳算法三者所有的優點?；谶z傳小波神經網絡的電梯故障診斷的一般步驟為：測試節點信號采樣、小波分解、故障特征量提取、歸一化得到訓練樣本集、遺傳算法優化、得到故障類型。遺傳小波神經網絡模型在故障原因復雜、數據信息量巨大的電梯系統的應用中能夠發揮更大的作用。

（三）模糊神經網絡模型

模糊神經網絡模型就是創新性的將神經網絡與模糊理論結合到一起。它采用了廣義的方向推理和廣義的前向推理兩種推理方式。與其它兩種模型不同的是，它的語言邏輯、判斷依據和結論都是模糊的。但是它的數據處理能力還有自我學習能力并沒有因此而變差，反而更加豐富了它的定性知識的內容。在處理實際問題的過程中，首先要建立所有可能發生的故障的完整集合，其次將所有的故障發生原因歸入到同一個集合中去，最后就是建立故障和原因的關系矩陣。分別叫做模糊故障集、模糊原因集、模糊關系矩陣。相較于BP網絡模型，這種模型更加的簡單易行，充分發揮了神經網絡和模糊邏輯的優點，不會因為故障原因過于復雜而失去診斷的準確性，在原本豐富定性知識和強大數據處理能力的基礎上具有了很大的自我訓練能力。

四、結語

第6篇：神經網絡原理范文

黑科技？神經網絡是個什么鬼

說到神經網絡，很多朋友都會認為這是一個高大上的概念。從生物學角度來說，人類復雜的神經系統是由數目繁多的神經元組合而成，它們互相聯結形成神經網絡，經過對信息的分析和綜合，再通過運動神經發出控制信息，從而實現各種精密活動，如識別各種物體、學習各種知識、完成各種邏輯判斷等。

隨著人工智能技術的發展，科學家開發出人工神經網絡，它的構成原理和功能特點等方面更加接近人腦。它不是按給定的程序一步一步地執行運算，而是能夠自身適應環境、總結規律、完成某種運算、識別或過程控制。比如多倫多大學的Krizhevsky等人構造了一個超大型卷積神經網絡，有9層，共65萬個神經。第一層神經元只能識別顏色和簡單紋理，但是第五層的一些神經元可以識別出花、圓形屋頂、鍵盤、烏、黑眼圈等更為抽象豐富的物體（圖1）。因此神經網絡實際上是基于人工智能技術而形成的一種和人類神經網絡相似的網絡系統。

媲美Photoshop 神經網絡磨皮技術背后

如上所述，現在神經網絡技術發展已經非常迅猛，而且運用在各個領域。神經網絡磨皮則是指該技術在照片識別和美化方面的運用。那么它是怎樣實現對照片的美化？在Photoshop中磨皮操作是用戶先選中人臉區域，然后再使用Photoshop內置的方法實現磨皮。神經網絡磨皮原理類似，只不過這些操作是自動完成的。

首先是對照片人臉識別。要實現對照片的美容就必須先精確識別人臉，由于人臉有五官這個顯著特征，因此神經網絡磨皮技術只要通過機器對一定數量的人臉照片進行識別、讀取，然后就可以精確識別人臉。它的原理和常見的人臉識別技術類似（圖2）。

其次則是美化。在完成人臉識別后就需要對美化操作進行機器學習，以磨皮為例。因為人臉的每個年齡階段皮膚性質是不同的，為了達到更真實的磨皮效果，神經網絡磨皮是實現用戶“回到”幼年或者“穿越”到老年臉部皮膚的效果。研究人員將年齡段分類為0～18歲、19～29歲、30～39歲、40～49歲、50～59歲和60歲以上這幾個階段（圖3）。

然后準備兩個深度學習機器同時工作。兩個機器一個用來生成人臉，一個用來鑒別人臉。而且兩個機器會通過分析人臉圖像，提前學習到各年齡段人臉大概是什么樣子的。在每個年齡分組里，研究人員讓機器學習超過5000張標記過年齡的人臉圖像。通過大量的照片學習后，機器就可以學會每個年齡分組內的標簽，它可以準確知道每個人不同年齡階段的臉部特征。這樣無論你是要磨皮為年輕時的皮膚光滑、圓潤狀態，還是要變為50歲以后皺褶、粗糙的皮膚，神經磨皮都可以輕松幫助你實現。

當然學習有個通病，就是在合成過程中，機器可能會喪失掉圖片原有的識別資料（1D）。為了解決這個問題，上述介紹中的人臉鑒別機器就發揮功效了。它通過查看這個照片的識別資料是不是唯一的，如果不是的話照片則會被拒絕輸出。研究人員讓機器合成10000張從數據庫中抽取出來的人像，這些照片之前從未用來訓練機器。然后他們用開發的軟件程序來檢測訓練前后的兩張照片是否為同一個人，測試結果顯示有80%經訓練的照片都被認為和原照片是同一個人（而作為對比，用其他方法加工照片，平均測試結果只有50%）。舉個簡單例子，如果40歲的用戶將自己磨皮為20歲的樣子，如果軟件程序來檢測訓練前后的兩張照片為同一個人，那么就輸出磨皮效果，從而讓用戶可以輕松磨皮到20歲的狀態。這樣經過訓練的神經磨皮算法可以很真實地實現人臉的磨皮。

神經網絡 不H僅是磨皮

第7篇：神經網絡原理范文

【關鍵詞】PID控制;BP神經網絡;模糊PID控制

Abstruct：PID control are widely used in industrial process control，but the traditional PID control because of its control parameters are fixed，and it is difficult to adjust its parameters online.So this paper studies a new adaptive fuzzy PID control method，to solve problem without the ability to learn，and put forward a kind of adaptive fuzzy control method based on BP neural network in this paper.It is the effective combination of fuzzy control，neural network and PID control.Simulation results show that this fuzzy PID control method based on BP neural network has good control effect.

Keywords：PID control;BP neural network;Fuzzy PID control

1.引言

常規PID在控制領域被廣泛應用，利用數學算法來整定參數。而且隨著控制系統的復雜，被控對象很難建立數學模型，人們開始探索新的控制方式。模糊控制不要求掌握被控對象的精確的數學模型，根據人工控制規則組織控制決策表，然后由該表決定控制量的大小。在一般的模糊系統設計中，規則是由經驗豐富的專業人員以語言的方式表達出來的。但對于某些問題即使是很有經驗的專業人員也很難將他們的經驗總結、歸納為一些比較明確而簡化的規則。在這種情況下，就可以應用神經網絡的方法，依靠BP神經網絡的自學習功能，實現模糊控制的神經、模糊融合技術，并借助其并行分布的結構來估計輸入到輸出的映射關系，直接從原始的工作數據中歸納出若干控制規則。從而為模糊系統建立起行之有效的決策規則。

2.PID控制器原理

2.1 PID控制的微分方程

PID控制器是一種線性控制器，它將給定值r（t）與實際輸出值c（t）的偏差的比例（p）、積分（I）、微分（D）通過線性組合構成控制量，對控制對象進行控制。

式中：

2.2 PID控制器各環節的作用

（1）比例環節：及時成比例地反應控制系統的偏差信號e（t），偏差一旦產生，控制器立即產生控制作用以減小偏差。

（2）積分環節：積分作用會使系統穩定性下降，Kd大會使系統不穩定，但能消除靜態誤差。

（3）微分環節：能反應偏差信號的變化趨勢，并能在偏差信號值變得太大之前，在系統中引入一個早期修正信號，從而加快系統的動作速度，減小調節時間。Kd偏大時，超調較大，調節時間短;Kd偏小時，超調量也較大，調節時間長;只有Kd合適時才能超調小，時間短。

3.BP神經網絡與模糊控制

模糊控制是運用語言歸納操作人員的控制策略，運用變量和模糊集合理論形成控制算法的一種控制。如何讓機器像人一樣識別、理解模糊規則并進行模糊邏輯推理，最終得出新的結論并實現自動控制是模糊控制研究的主要內容。模糊控制器的基本結構如圖1所示。

圖1 模糊控制結構

人工神經網絡是由大量人工神經元經廣泛互連二組成的，它可用來模擬腦神經系統的結構和功能。人工神經網絡可以看成是以人工神經元為節點，用有向加權弧連接起來的有向圖。BP網絡是一種利用誤差反向傳播訓練算法的神經網絡，是一種有隱含層的多層前饋網絡，系統地解決了多層網絡中隱含單元連接權的學習問題。BP學習算法的基本原理是梯度最速下降法，它的中心思想是調整權值使網絡總誤差最小。也就是采用梯度搜索技術，以期使網絡的實際輸出值與期望輸出值的誤差均方值為最小。網絡學習過程是一種誤差邊向后傳播邊修正權系數的過程。其結構如圖2所示。

圖2中隱含層第一層神經元為7個，分別對應7個模糊子集：NB、NM、NS、ZO、PS、PM、PB。第二層49個神經元代表49條規則。第三層7個神經元代表輸出的7個模糊子集。模糊控制不依靠對象的數學模型，但模糊規則的建立需要人工經驗。采用BP算法對工程經驗和專家經驗的模糊規則進行訓練，其實就是把模糊規則用神經網絡來表示，即經過神經網絡的學習，將模糊規則以加權系數的形式表現出來，規則的生成就轉化為加權系數的確定和修改。

神經網絡是大規模并行運算，但由于網絡結構復雜，訓練和學習需要大量的時間，所以目前還無法實現實時控制。在具體應用中，我們是先離線將神經網絡的各層權值和閾值訓練出來，將其參數固定下來，然后將有系統檢測、計算得到的誤差變化直接代入非線性映射關系中，由計算機算出控制量，再用作被控對象。在matlab下以、、為輸出的BP網絡仿真訓練如圖3、圖4、圖5所示。

4.模糊PID控制器的原理與仿真

對于某一BP神經網絡控制系統，其中內部變化及被控對象的數學模型為：

利用模糊控制對PID參數實現在線調節，原理如圖6。

圖6 模糊PID控制原理圖

采用Z-N法和試湊法相結合，借助MATLAB的SIMULINK平臺，對被控對象進行常規PID仿真。參數值：kp=15，ki=6，kd=0.05。如圖7。作為比較，建立模糊PID控制器的仿真模型如圖8。

圖9、圖10分別為被控對象G（s）在階躍輸入下常規PID和模糊PID仿真結果的比較。

經過仿真發現，常規PID控制缺點是超調量大，調節時間長，動態性能差。優點是控制精度高，穩定性能好。模糊控制動態性能很好，上升速度快，基本無超調。但由于模糊化所造成的穩態誤差，在沒有積分環節的情況下很難消除，故穩態性能差。模糊PID繼承了二者的優點，摒棄二者缺點，具有更全面優良的控制性能。

5.結論

針對大滯后、慢時變、非線性的復雜系統，提出了一種基于BP神經網絡的模糊PID控制算法，該算法不依賴被控對象的精確數學模型，可實現在線自調整模糊規則，從而增強了模糊控制器的自學習能力。通過算法的仿真研究，驗證了算法的可行性。

參考文獻

[1]李華.計算機控制系統[M].北京：機械工業出版社，2007.

[2]高雋.人工神經網絡原理及仿真實例[M].北京：機械工業出版社，2007.

[3]蔡自興.智能控制[M].北京：電子工業出版社，2003.

[4]李國勇.智能控制及其MATLAB實現[M].北京：電子工業出版社，2005.

[5]張德豐.MATLAB神經網絡應用設計[M].北京：機械工業出版社，2009.

[6]劉金琨.先進PID控制及其MATLAB仿真[M].北京：電子工業出版社，2003.

[7]劉玲.三容水箱的單神經元自適應PID控制研究[J].信息技術，2005，3（8）：32-137.

第8篇：神經網絡原理范文

[關鍵詞] 船舶供應商 評價體系 遺傳算法 神經網絡

選擇合適的供應商直接關系到船舶企業降低成本、提高企業競爭力?，F有的平價方法在確定指標權重時存在主觀隨意性，評價結果缺乏客觀與公正。BP神經網絡具有容錯性、自適應性等特點，解決了評價過程中指標權重隨意性和人為因素。本文構建了BP神經網絡的船舶供應商評價模型，并針對BP神經網絡收斂速度慢的缺點，采用遺傳算法對構建的BP神經網絡模型進行優化，從而構建評價船舶供應商遺傳神經網絡模型。

一、船舶供應商評價指標體系的構建

原材料供應商和船舶配套企業的產品質量性能以及管理水平等都會對船舶企業的正常運行帶來重大影響，直接關系到企業的盈利能力。因此，構建科學的合理的供應商評價體系，是船舶制造企業綜合評價供應商的依據。

周期長、成本高等特點決定了船舶是一種特殊的產品，需要結合船舶自身的特點來構建船舶供應商評價指標體系。綜合學者的研究成果與船舶公司實際狀況，本文認為應該從質量、成本、交貨、柔性、財務與信譽狀況以及服務與管理水平6個方面構建船舶供應商的評價指標體系。

二、基于遺傳神經網絡的船舶供應商評價模型

1.BP神經網絡在船舶供應商評價中的應用

BP神經網絡模型是一個分層型網絡，具有輸入層、中間層和輸出層。供應商評價指標由輸入層到輸出層的傳遞是一個前向傳播的過程，若輸出結果與期望結果的誤差超過允許范圍，則誤差反向傳播，并根據各層誤差的大小來調節權值,尋找最佳權集，實現正確輸出。基于BP神經網絡的船舶供應商評價模型結構及學習原理如圖2所示。

2.基于遺傳算法改進的BP神經網絡模型

BP算法是沿梯度下降(平方誤差函數)來指導搜索的，學習過程收斂速度慢，易陷入局部極小點。而遺傳算法對于全局搜索具有較強的魯棒性和較高的效率，克服了BP網絡的局限性。將遺傳算法與BP網絡相結合,可以達到全局尋優和快速高效的目的。

遺傳算法改進BP神經網絡模型的步驟是:（1)確定網絡參數；（2）設定的種群規模N，產生初始種群;（3)求N組網絡權系數,得到具有相同結構的N個網絡;（4)求N組網絡權值對應的N個網絡輸出;（5）網絡性能評價;（6)若不滿足評價條件，由對染色體進行遺傳選擇、變異和交叉操作，產生新的染色體，直到滿足評價函數;（7)選擇一個最優染色體作為網絡權重，進行網絡的訓練和評價。其工作流程如圖3所示。

三、應用仿真算例

以中船公司的25家供應商數據為基礎，采用matlab7.0編程，建立三層遺傳神經網絡模型。

將前15家供應商作為訓練集，訓練該網絡；其余10家供應商作為測試集，模擬待評價的對象。設置誤差精度為0.00001。首先用遺傳算法，經過450次優化，得到全局最優的網絡權值。然后以前15家供應商的二級評價指標為樣本，經過BP神經網絡4700次訓練，得出對應的6個一級評價指標的訓練樣本;再以所得出的輸出值為樣本，經過BP神經網絡4450次訓練,訓練出最終的遺傳神經網絡模型，并用于綜合評價工作。輸入后10家供應商二級評價指標值，得到其一級評價指標的輸出值,以該輸出值為輸入，計算出10家供應商的綜合評價結果。見表。

四、結束語

基于遺傳神經網絡的船舶供應商評價模型借助BP神經網絡的容錯性和自適應自學習能力克服了傳統評價方法在指標權重賦值時存在的主觀隨意性問題，并用遺傳算法的優化解決了BP存在的收斂速度慢的問題，為評價船舶供應商提供了一條新的途徑。

參考文獻:

[1]金朝光 紀卓尚 林 焰:船舶企業選擇供應商的策略研究[J]. 計算機集成制造系統,2003,9(10):886～890

[2]馬士華 林 勇 陳志祥:供應鏈管理[M].北京:機械工業出版,2004

第9篇：神經網絡原理范文

關鍵詞：交通事件自動檢測 BP神經網絡 Matlab仿真

1.前言

隨著高速公路車流量的越來越大，交通事件頻繁發生，給高速公路管理者帶來了諸多困擾，而且給國家和社會也帶來了不必要的損失[1]。

本文在國內外學者研究的基礎上提出了基于BP神經網絡的高速公路交通事件自動檢測算法。將上下游車道占有率、流量、大型車所占比例作為BP神經網絡的輸入，建立了神經網絡模型。本算法可為高速公路事件檢測系統的建立提供理論基礎，對提高高速公路利用率和安全性有重要意義。

2.交通事件自動檢測原理分析

正常情況下，高速公路上的交通流符合“連續車流”的規律[2]。當T時刻發生交通事件后，由于道路通行能力的突然下降導致事發點上游出現交通擁擠，流量和車速下降，占有率上升；T+1時刻下游車道流量下降，車速上升，占有率下降；同時研究發現由于不同類型的車輛換車道行駛需要的時間和道路空間不同，上、下游車道中車型比例也有所變化。因此，交通事件自動檢測的原理是通過分析高速公路上不同位置、不同時刻的交通參數變化來識別事件和非事件模式。

3.交通事件檢測的模型構建

本研究采用三層神經網絡結構，模型結構圖如圖1所示。

輸入層：輸入層有6個神經元節點代表交通流變化的交通參數。包括T時刻上游和T+1時刻下游的占有率、流量及大型車所占比例。

隱含層：對于隱含層神經元節點數目nh的確定，有下列經驗公式[3]：

其中ni為輸入層節點數，no為輸出層節點數，本研究中ni=6，no=1，所以隱含層神經元節點數nh =13。

輸出層：選擇一個輸出神經元節點作為輸出，按照有無事件發生，以輸出節點為1表示有事件發生，輸出節點為0表示無事件發生。

4.事件檢測算法的Matlab實現與評估

4.1.數據預處理

本次研究采用陜西西安繞城高速上車檢器采集的1000組交通數據。其中500組用來訓練網絡，包括輸入數據（交通參數）和目標數據（事件狀態）。另外500組作為神經網絡測試數據。在訓練BP神經網絡之前先利用premnmx函數對數據進行歸一化處理，即 [pn，minp，maxp，tn，mint，maxt]=premnmx（p，t）。

4.2神經網絡創建和初始化

利用newff函數創建一個新的神經網絡：

net=newff（minmax（pn），[13，1]，{'tansig'，'purelin'}，'traingdx'， 'learngdm'）；

利用minmax函數設定輸入向量pn的元素的取值范圍；在訓練BP網絡之前，必須對網絡的連接權值和閾值進行初始化。

4.3.BP神經網絡訓練

將神經網絡的參數設置為每50次顯示訓練迭代過程；學習速率為0.05；動量因子為0.9；

網絡訓練次數為1500；訓練目標精度為1e-002；網絡最大失敗次數為5次。

調用train函數利用traingdx算法訓練BP網絡：net=train（net，pn，tn）； BP網絡訓練效果如圖2所示，由圖可見，經過852次訓練，經過交通數據訓練的網絡能快速收斂，效果良好。

4.4.BP神經網絡仿真與測試

訓練結束后，用剩下的500組數據作為測試樣本對網絡進行測試，用tramnmx 函數對其進行歸一化處理。然后運用sim函數對BP網絡進行仿真，仿真結果須用postmnmx函數進行反歸一，這時的輸出數據才是真正的交通事件檢測結果，將小于0.5的事件狀態輸出為0，即無事件發生，大于0.5的事件狀態輸出為1，即有事件發生，計算檢測誤差并輸出圖形。結果如圖3所示，由圖可見檢測結果和訓練結果能很好的擬合。

4.5.AID算法評估

交通事件自動檢測算法最常用的性能評估指標有檢測率、誤報率和平均檢測時間 [4]。本文對經典加州算法和BP神經網絡算法通過仿真

5.結語

本文采用BP神經網絡算法來對高速公路交通事件進行檢測。算法中將上下游大型車比例作為一個輸入是個創新點。運用BP神經網絡算法建立交通檢測模型，避免了傳統算法因人為建立的模型與實際情況不符而導致檢測不準確的情況。通過Matlab仿真與測試證明本算法檢測交通事件性能較好。

參考文獻：

[1]靳引利，朱春平.高速公路信息設施的特性分析[J].中國水運.2007-10，（10）

[2]潘若禹.基于數據融合的高速公路交通異常事件檢測的研究[D].西安：長安大學.2006