bp神經網絡精選(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bp神經網絡主題范文，僅供參考，歡迎閱讀并收藏。
第1篇：bp神經網絡范文
[關鍵詞]有機碳含量評價 神經網絡
中圖分類號：TP183 文獻標識碼：A 文章編號：1009-914X（2015）45-0356-01
BP神經網絡，即誤差反傳誤差反向傳播算法的學習過程，由信息的正向傳播和誤差的反向傳播兩個過程組成。輸入層各神經元負責接收來自外界的輸入信息，并傳遞給中間層各神經元；中間層是內部信息處理層，負責信息變換，根據信息變化能力的需求，中間層可以設計為單隱層或者多隱層結構；最后一個隱層傳遞到輸出層各神經元的信息，經進一步處理后，完成一次學習的正向傳播處理過程，由輸出層向外界輸出信息處理結果。當實際輸出與期望輸出不符時，進入誤差的反向傳播階段。誤差通過輸出層，按誤差梯度下降的方式修正各層權值，向隱層、輸入層逐層反傳。周而復始的信息正向傳播和誤差反向傳播過程，是各層權值不斷調整的過程，也是神經網絡學習訓練的過程，此過程一直進行到網絡輸出的誤差減少到可以接受的程度，或者預先設定的學習次數為止。
2 BP神經網絡工作機理
2.1 正向傳播
圖中，表示神經元的輸入，表示輸入層與隱含層之間權值，為隱含層與輸出層之間的權值，f（）為傳遞函數，為第k個神經元輸出。假設BP神經網絡輸入層有n個節點，隱含層有q個節點，輸出層m個節點。
隱含層第k個神經元的輸入：
經過傳遞函數f（）后，則隱含層第k個神經元的輸出：
其中f（）為單調遞增且有界，所以一定有最大值。
輸出層第j個神經元輸出：
2.2 反向傳播
輸入P個學習樣本，通過傳入網絡后，輸出，第P個樣本誤差：
式中：期望
全局誤差E：
輸出層權值的變化，通過調整，使得全局誤差E最小，得出輸出層神經元權值調整公式：
隱含層神經元的調整公式：
3 應用實例
選擇AC，DEN，CNL，GR，PE，RD作為輸入曲線。XX井的53個點的巖心數據，從中選出30個點作為訓練樣本，23個點作為預測，構建網絡，對全井段處理。結果對比（如圖3-1），發現神經網絡計算的TOC比傳統的法計算的TOC效果好。其中TOC_NN為神經網絡預測TOC，TOC_DaltalogR_AC為法計算的TOC。
4 結論
BP神經網絡預測TOC克服了常規解釋模型的缺陷，不用選擇解釋參數，計算結果與解釋人員經驗無關，預測結果精度有較大幅度的提高。利用多種測井解釋數據及巖心分析資料作為網絡訓練樣本，通過網絡的訓練、學習，建立了BP網絡TOC模型，并利用該模型預測該地區新井的TOC值，實驗證明用該模型進行TOC預測是可行的。
參考文獻
[1]楊斌.神經網絡及其在石油測井中的應用[M].北京：石油工業出版，2005：111-115.
[2]羅利，姚聲賢.神經網絡及模式識別技術在測井解釋中的應用[J].測井技術，2002.
第2篇：bp神經網絡范文
關鍵詞： 時間序列； BP神經網絡； EMD； 本征模函數； 預測模型
中圖分類號：TP311.1 文獻標志碼：A 文章編號：1006-8228（2014）02-01-04
0 引言
時間序列是將某種現象某一個統計指標在不同時間上的各個數值，按時間先后順序排列而形成的序列。時間序列分析是一種動態的數列分析[1]，出發點是承認數據的有序性和相關性，通過數據內部的相互關系來辨識系統的變化規律。常用的時間序列分析法主要是建立在回歸――移動平均模型（ARMA）[2-3]之上，被用來對股價（最高價、最低價、開盤價、收盤價）及綜合指數進行預測[4-5]。然而，這些經典回歸分析暗含著一個重要假設：數據是平穩的。如果數據非平穩，往往導致出現“虛假回歸”，嚴重影響預測效果。股票等金融數據是典型的非平穩時間序列，一般地說，股票價格的變化主要包括經濟性因素、政治性因素、人為操縱因素、有關行業及投資者心理等多種因素的影響，各因素的影響程度、時間范圍和方式也不盡相同；且股市各因素間相互關系錯綜復雜，主次關系變化不定，數量關系難以提取及定量分析[6]。因此，需要尋找一種好的方法來避免或減弱這些因素的影響，于是學者研究小波分析[6]和神經網絡[7-8]用于時間序列分析預測。小波變換可以使非平穩數據中的有效成分和噪聲呈現出各自不同的特征，但小波變換中小波基的選取會對數據去噪的效果產生很大的影響，因此利用小波變換對非平穩數據分析的方法缺乏自適應性。Zhaohua Wu[11]等人通過大量的實驗，證實經驗模態分解（EMD，Empirical mode decomposition）具有類似小波變換中的二進濾波器特性，通過分解、數據重組后實現了數據的去噪，汲取了小波變換優勢，同時又克服了小波變換中的小波基選擇難的問題。
本文將經驗模態分解和BP神經網絡相結合，構建了一種基于EMD-BP神經網絡的預測模型，通過對中國石化股票進行預測模擬仿真，實驗結果得出結論，將EMD用于時間序列的預測分析，大大降低了擾動因素的影響，提高了預測精度。
1 時間序列的BP神經網絡訓練
神經網絡具有較強的學習能力和適應能力，在非線性系統中的預測方面得到了廣泛的應用。考慮到金融數據是一類非線性較強的時間序列，本文選用BP神經網絡作為預測工具。BP網絡[9-10]是一種多層前饋型神經網絡，其神經采用的傳遞函數一般都是Sigmoid（S形彎曲）型可微函數，是嚴格的遞增函數，在線性和非線性之間顯現出較好的平衡，所以可實現輸入和輸出間的任意非線性映射，適用于中長期的預測；逼近效果好，計算速度快，不需要建立數學模型，精度高；理論依據堅實，推導過程嚴謹，所得公式對稱優美，具有強非線性擬合能力。目前，已經有一些比較成熟的神經網絡軟件包，其中MATLAB的神經網絡工具箱應用最為廣泛。
在網絡訓練中，最重要的三個參數是權值、學習率和單元數。權值可能變得很大，這會使神經元的輸入變得很大，從而使得其激活函數的導函數在輸入點的取值很小，這樣訓練的步長就會變得非常小，進而導致訓練的速度下降到很小的程度，最終可能使得網絡停止收斂，即網絡癱瘓。因此在對網絡的連接權矩陣進行初始化時，隨機給定各層之間的權值與閾值的初始值比單純地隨機給定某一部分層的收斂速度更快。學習率的選擇，其合理與否是網絡是否穩定的關鍵：太高的學習率，可以減少網絡訓練的時間，但是容易導致網絡的不穩定與訓練誤差的增加；太低的學習率，需要較長的訓練時間。在一定的條件下，較少的單元數目往往能夠提高網絡的收斂速度，而較多的單元數目有可能在規定的訓練長度里不能滿足要求。因此，對于參數數目的選擇，并沒有一個固定的模型，往往根據更多的經驗成分。
2.1 經驗模態分解（EMD）
經驗模態分解法EMD[11]是由美國NASA的黃鍔博士提出的一種信號分析方法。它適合于分析非線性、非平穩信號序列，具有很高的信噪比。該方法的關鍵是經驗模式分解，它能使復雜信號分解為有限個本征模函數（Intrinsic Mode Function，簡稱IMF），所分解出來的各IMF分量包含了原信號的不同時間尺度的局部特征信號。
EMD是基于以下假設條件：①數據至少有一個最大值和一個最小值兩個極值點；②數據極值點間的時間尺度惟一確定局部時域特性；③如果數據沒有極值點但必須有拐點，通過對數據微分一次或多次求得極值，再通過積分來獲得分解結果。
2.2 數據重構
對原始數據進行EMD分解后，得到有限個IMF分量。為了降低原始數據中的非平穩性，需要對得到的各分量進行相關系數分析，篩選出有用的IMF分量，對其進行重構，以得到一個與原始數據近似的新數據進行預測實驗。
數據重組的方法有多種，本文采用相關系數分析法進行數據的篩選。由于篇幅有限，關于EMD分解與重構的代碼不在本文提供。
2.3 應用訓練好的神經網絡對合成數據預測
對于非線性系統，BP神經網絡預測有著明顯的優勢。但是在復雜的非線性系統中，非平穩因素給預測帶來了一定的困難。正是因為EMD分解降低了各個分量的平穩性[12]，才得到了廣泛應用[13-15]。金融數據等時間序列隨著時間，以及在多種因素的影響下會隨之改變，所以數據本質上是非平穩的，因此利用神經網絡對該數據進行預測，數據的平穩性使得其預測結果不是很理想，為了提高預測精度，我們用EMD方法對數據進行分解，以降低其非平穩性對預測精度的影響。然后對分解后的各分量進行相關系數分析比較，選取有用的IMF分量，進行數據的合成，從而得到一個與原始數據近似的新數據。將重組后的擬合數據輸入到訓練好的BP神經網絡進行預測。預測過程如圖1所示。
3 應用實例和分析
3.1 股票數據的BP神經網絡訓練
將中國石化股票從2011年6月至2011年12月共130天的股票價格數據進行樣本劃分。用前60天的數據來預測后5天的數據，作為網絡訓練集。選取剩下的60天數據預測最后的5天，作為測試集。
3.3 數據合成及預測
本文對中國石化股票數據（圖3）進行EMD分解后得到4個IMF分量和1個剩余分量。對4個分量分別進行與剩余分量的相關系數分析。分析結果表明，IMF3和IMF4相關性較大，并與剩余分量的相關性也較大（相關門限值選取0.3）。所以選取IMF3和IMF4兩個分量與剩余分量進行重構，得到與原始數據近似的較平滑的新數據如圖9所示。
經過比較可知，對于具有非平穩強烈的股票時間序列的預測，基于EMD的BP神經網絡預測要比直接BP神經網絡預測更為準確。
對于非平穩的時間序列，BP神經網絡預測有著明顯的優勢，但是對于影響因素復雜的非平穩數據，多種因素的干擾給預測帶來了一定的困難。EMD分解分離了各個不同因素的相互干擾，通過對各分量單獨預測再合成的處理，從而提高了預測精度。從表1可以看出最終的預測誤差經過EMD分解的信號要精確于直接神經網絡預測。從圖4中可以看出影響信號平穩性程度最大的是IMF1，如果再對其進行分解處理，整個系統的預測精度會得到更大的改善。
4 結束語
對于非平穩的時間序列，BP神經網絡預測有著明顯的優勢，但是對于影響因素復雜的非平穩數據，多種因素的干擾給預測帶來了一定的困難。EMD分解分離了各個不同因素的相互干擾，通過對各分量分析再合成的處理，提高了預測精度。目前EMD方法主要用于模擬信號和大氣數據分析[13-15]，用于金融數據預測還較為少見。本文將其與BP神經網絡結合，構建了EMD-BP神經網絡預測模型。從本文的預測過程和仿真結果可以看到，利用EMD分解的BP神經網絡預測優于直接BP神經網絡預測，相比其精確度有了明顯的提高。
參考文獻：
[1] 劉瑛慧，曹家璉.時間序列分析理論與發展趨勢[J].電腦知識與技術，2010.2：257-258
[2] 劉佳，趙文慧，劉光榮.基于SAS的非平穩時間序列分析及實證研究[J].汕頭大學學報.2010.2（1）：48-53.
[3] 李海林，郭崇慧，時間序列數據挖掘征表示與相似性度量研究綜述[J].計算機應用研究，2013.5（30）：1285-1290
[4] 魏宇.中國股票市場的最優波動率預測模型研究[J].管理學報，2010.6（6）：936-942
[5] 方啟東，溫鑫，蔣佳靜等.基于時間序列的股價預測[J].宿州學院學報，2010.8（8）：71-74
[6] 杜建衛，王超峰.小波分析方法在金融股票數據中的應用[J].數學的實踐與認識，2008.7（38-7）：68-75
[7] 劉海，白艷萍.時間序列模型和神經網絡模型在股票預測中的分析[J].數學的實踐與認識，2011.2（4）：14-19
[8] 張媛，劉紅忠.基于行為金融的神經網絡模型在股票價格預測中的有效性研究[J].世界經濟情況，2011.2（2）：62-67
[9] 焦淑華，夏冰，徐海靜，劉瑩.BP神經網絡預測的MATLAB實現[J].哈爾濱金融高等專科學校學報，2009.3（97）：55-56
[10] 李萍，曾令可，稅安澤，金雪莉，劉艷春，王慧.基于MATLAB的BP神經網絡預測系統的設計[J].計算機應用與軟件，2008.4（25-4）：149-151
[11] Zhaohua Wu， Norden E. Huang. A study of the characteristics of white noise using the empirical mode decomposition method[J].The Royal Society，2004.3（10）：1597-1611
[12] 劉慧婷，倪志偉，李建洋.經驗模態分解方法及其應用[J].計算機工程及應用，2006.1（32）：44-47
[13] 徐世艷.經驗模態分解的時頻分析方法及其應用[J].吉林大學學報，2009.9（27-5）：487-492
第3篇：bp神經網絡范文
關鍵詞： BP神經網絡；生存分析；賁門癌
Abstract:Objective To explore the application of BP neural network in the survival analysis.Method Three approaches have been illustrated how to fit survival model for carcinoma of the gastric cardia.Results The neural network models have good predictive ability.Conclusion BP neural network is very flexible without making assumption of proportionality of hazards,it can allow non-linear predictors and the effect of the covariates to vary over time,so it has broad application prospects.
Key words:BP neural network; survival analysis; carcinoma of the gastric cardia
生存分析（survival analysis）起源于19世紀對壽命表的分析，目前已廣泛應用到臨床研究中，可以處理含有刪失值的數據，可以同時考慮事件發生的結局及發生結局的時間。目前處理生存資料的方法有參數模型、非參數模型及半參數模型。參數模型對生存時間的分布要求非常嚴格，醫學資料中很少能滿足；生存分析中傳統的回歸模型，例如：Cox比例風險模型、加速失效時間模型也要求模型滿足一定的假設前提，而實際數據往往難以滿足這些假設。神經網絡近年來受到普遍的關注，在醫學領域中的應用主要預測與分類，與傳統回歸模型不同，它可以克服這些缺點，在模型中可以容納非線性效應，交互效應、協變量的效應可以隨時間變化。目前國內研究神經網絡在生存分析中的應用尚較少，本文擬探討幾種不同的神經網絡生存模型在賁門癌預后中的應用。
1 方法
BP神經網絡是目前應用最多的神經網絡，一般由一個輸入層（input layer）、一個輸出層（output layer）、一個或幾個中間層（隱層）組成，每一層可包含一個或多個神經元，其中每一層的每個神經元和前一層相連接，同一層之間沒有連接。輸入層神經元傳遞輸入信息到第一隱層或直接傳到輸出層，隱層的神經元對輸入層的信息加權求和，加一個常數后，經傳遞函數運算后傳到下一個隱層（或輸出層），常用的傳遞函數是logistic函數，即φh=1/(1+exp (－z))，輸出層神經元對前一層的輸入信息加權求和經傳遞函數φ0（線性或logistic函數或門限函數）運算后輸出，例如：如果輸入為xi，對于含一個隱層的神經網絡可以得到：
g(xi,θ)=φ0(αk+∑i≠kwikxi+∑jwjkφh(αj+∑iwijxi))（1）
θ表示未知的參數矢量（即各層的網絡權值），BP神經網絡一般采用BP算法訓練網絡，訓練開始時選擇初始值0，BP算法通過梯度下降法得到估計值，使得g(x,)能很好地估計實測值，關于BP算法及改進可參考相關文獻［1］。
利用BP神經網絡模型建立生存分析模型，常用的方法有：連續時間模型（continuous time models）與離散時間模型（discrete time models）。
1.1 連續時間模型（continuous time models）
最常用的是Faraggi和Simon［2］提出的方法，在Cox比例風險模型中,風險函數與時間、協變量有如下關系：
h(t,xi)=h0(t)exp (βxi)（2）
通過最大化偏似然函數，使用Newton-Raphson法得到參數的估計值，現在使用神經網絡的輸出值g(xi,θ)來代替（2）中的線性項 βxi，比例風險模型變成h(t,xi)=h0(t)exp ［g(xi,θ)］，有偏似然函數：
Lc(θ)=∏i∈uexp ∑jwjk/(1+exp (－wijxi))/∑j∈Riexp ∑jwjk/(1+exp (－wijxj))(3)
g(xi,θ)可以依賴時間和協變量變化，也就是說協變量的效應可以隨時間而變化，這給我們提供了一個可以處理刪失變量但又不需要滿足比例風險模型的PH假定的可供選擇的方法。
1.2 離散時間模型（discrete time models）
常用的模型有［3］：（1）直接預測患者是否可以存活到某年(例如5年)，是最簡單的神經網絡模型，模型的輸出層只有一個神經元結點，如欲預測多個時間點，則需建立多個神經網絡模型（每個模型對應一個時間區間)；（2）多個輸出結點的單個神經網絡模型。
1.2.1 輸出層有單個結點的神經網絡模型 是一個標準的分類神經網絡模型，生存時間被分成2個區間，例如生存時間是否大于5年。其似然函數為：
∏patientsptii(1-pi)(1-ti)
其對數似然函數為：
∑patientstilog pi+(1-ti)log (1-pi)
pi：第i個病人死亡的概率，ti：第i個觀測在某時間點（例如5年）的結果，如觀測死亡，取值為1，否則取值為0。對于刪失的觀測不能簡單地排除，這樣會造成偏性，我們使用Cox線性比例風險模型產生的個體預測值對刪失值做填補。 1.2.2 輸出層有多個結點的神經網絡模型 將生存時間分成幾個離散的區間，估計某個區間事件發生的概率。
第4篇：bp神經網絡范文
【關鍵詞】BP神經網絡；函數逼近
1.緒論
人工神經網絡（artificial neural network，ANN）是模仿生物神經網絡功能的一種經驗模型。生物神經元受到傳入的刺激，其反應又從輸出端傳到相聯的其它神經元，輸入和輸出之間的變換關系一般是非線性的。
1.1 BP神經網絡定義
BP （Back Propagation）神經網絡是一種神經網絡學習算法。相鄰層之間各神經元進行全連接，而每層各神經元之間無連接，網絡按有教師示教的方式進行學習，當一對學習模式提供給網絡后，各神經元獲得網絡的輸入響應產生連接權值（Weight）。此過程反復交替進行，直至網絡的全局誤差趨向給定的極小值，即完成學習的過程。
1.2 BP神經網絡模型及其基本原理
網絡的輸入層模擬的是神經系統中的感覺神經元，它接收輸入樣本信號。輸入信號經輸入層輸入， 通過隱含層的復雜計算由輸出層輸出，輸出信號與期望輸出相比較，若有誤差，再將誤差信號反向由輸出層通過隱含層處理后向輸入層傳播。在這個過程中，誤差通過梯度下降算法，分攤給各層的所有單元，從而獲得各單元的誤差信號，以此誤差信號為依據修正各單元權值，網絡權值因此被重新分布。此過程完成后， 輸入信號再次由輸入層輸入網絡，重復上述過程。這種信號正向傳播與誤差反向傳播的各層權值調整過程周而復始地進行著，直到網絡輸出的誤差減少到可以接受的程度，或進行到預先設定的學習次數為止。權值不斷調整的過程就是網絡的學習訓練過程。
2.BP網絡在函數逼近中的應用
2.1 基于BP神經網絡逼近函數
步驟1：假設頻率參數k=1，繪制要逼近的非線性函數的曲線。
步驟2：網絡的建立
應用newff（）函數建立BP網絡結構。隱層神經元數目n可以改變，暫設為n=3，輸出層有一個神經元。選擇隱層和輸出層神經元傳遞函數分別為tansig函數和purelin函數，網絡訓練的算法采用Levenberg Marquardt算法trainlm。
同時繪制網絡輸出曲線，并與原函數相比較，結果如圖3.3所示。
其中 “――” 代表要逼近的非線性函數曲線；
“……” 代表未經訓練的函數曲線；
因為使用newff（ ）函數建立函數網絡時，權值和閾值的初始化是隨機的，所以網絡輸出結構很差，根本達不到函數逼近的目的，每次運行的結果也有時不同。
步驟3：網絡訓練
應用train（）函數對網絡進行訓練之前，需要預先設置網絡訓練參數。訓練后得到的誤差變化過程如圖2.1所示。
步驟4： 網絡測試
對于訓練好的網絡進行仿真：
其中 “――” 代表要逼近的非線性函數曲線；
“” 代表未經訓練的函數曲線；
“” 代表經過訓練的函數曲線；
從圖中可以看出，得到的曲線和原始的非線性函數曲線很接近。這說明經過訓練后，BP網絡對非線性函數的逼近效果比較好。
3.結束語
神經網絡在近幾年的不斷發展，在人工智能、自動控制、計算機科學、信息處理、機器人、模式識別等眾多方面都取得了不錯的成績，給人們帶來了很多應用上的方便，和一些解決問題的方法，期待神經網絡可以應在在更多的領域，為人類做出更大的貢獻。
參考文獻：
[1] 劉煥海，汪禹.《計算機光盤軟件與應用》. 北京： 高等教育出版社，2011.10：15-30.
第5篇：bp神經網絡范文
關鍵詞：BP;神經網絡;PID控制器
1 分層調整學習速率的改進BP算法
BP算法本質上是梯度下降法。若要改進BP算法，首先要熟悉了解梯度下降法的原理。
設函數f（x）具有一階連續導數，假設在x=x*處取得函數極小值，用xk代表在第k次接近極小值點，則在第k+1次接近極小值點為xk+1=xk+λpk，對函數f（x）在xk+1處進行泰勒級數展開：
f（xk+1）=f（xk+λpk）=f（xk）+λ？犖f（xk）Tpk+o（λ）（1-1）
上式中？犖f（xk）為函數f（x）在xk處的梯度，當λ取得非常小的值時，o（λ）為λ的高階無窮小。如果有
？犖f（xk）Tpk<0 （1-2）
能推出
f（xk+λpk）<f（xk） （1-3）
這就表明在第k+1次迭代時的函數值小于第k次迭代的函數值。為了使？犖f（xk）Tpk取得最小值，對其求模變化：
？犖f（xk）Tpk=||？犖f（xk）||?||pk||?cosθ （1-4）
上式中，θ為向量？犖f（xk）與pk的夾角。
假設||pk||為固定值，當θ=0時，即向量？犖f（xk）與pk同向，則cosθ=1，？犖f（xk）Tpk取得最大值;反之，當θ=180時，即向量？犖f（xk）與pk反向，則cosθ=-1，？犖f（xk）Tpk<0，所以向量pk的正方向就是梯度的負方向。沿其負梯度方向進行搜索能夠使f（x）函數值減小的速率加快，能夠快速地找到極小點。
根據式（1-1）可知，λ作為梯度？犖f（xk）與向量pk的系數，稱為步長，同時影響著網絡在負梯度方向上的搜索能力。選取最佳步長的計算公式如下：
λk=（1-5）
把求得最佳步長代入式（1-3）得
f（xk-λkpk）<f（xk） （1-6）
我們在最佳步長的計算中能夠發現，公式（1-5）的計算增加了網絡計算量，可以通過使用學習速率η替代步長來降低計算量。在文章中我們提出了一種分層調整學習速率的方法，它能夠同時調整輸入層與隱含層及隱含層與輸出層之間的網絡連接權值的學習速率。
設定網絡的學習速率η為一個較小的值，當滿足f（xk-λkpk）<f（xk）條件時，則學習速率的改變趨勢為：
η？坩2η （1-7）
當滿足f（xk-λkpk）>f（xk）條件時，則學習速率的改變趨勢為：
η？坩0.5η （1-8）
2 以改進的BP神經網絡參數為基礎的自整定PID控制器
相比較其他而言，BP神經網絡主要優勝點在于能夠將網絡連接權值不斷代入計算來修正誤差，使之可以不斷接近適應度函數。學習算法的實現難度比較小，所以在構建PID控制器時，用BP網絡結構來構建是比較常見的。以BP算法為基礎的神經網絡能夠通過自學及自適應能力找到一組最優PID參數，使系統的性能達到最優。
①常規的PID控制器：閉環控制被控對象，在線整定KP、KI、KD參數;
②BP神經網絡：BP神經網絡通過自學習和自適應能力不斷更新整定網絡的連接權值，通過不斷整定使輸出值極限接近目標值。當輸出值為KP、KI、KD時，系統的性能為最佳。
假定BP神經網絡優化PID控制器是一個由三層網絡構成的，且其輸入層節點有M個，隱含層節點Q個、輸出層節點3個。
輸出節電輸出對應KP、KI、KD可調參數值，隱含層的激發函數可以取Sigmoid函數，可正可負。然而輸出層的激發函數為非負。
BP神經網絡輸入層節點的輸出為
公式中，g′（x）=g（x）?（1-g（x）），f′（x）=（1-f2（x））/2。
以改進的BP神經網絡為基礎的PID控制器算法：
一是對BP神經網絡的結構進行明確，在明確了網絡結構的同時也就明確了輸出層及隱含層的節點個數。并對各層的（0）初始化，k=1;
二是為計算e（k）=r（k）-y（k），可以通過樣本采集得到的r（k）及y（k）代入計算;
三是在將r（i），y（i），u（i-1），e（i）（i=k，k-1，...，k-p）輸入到神經網絡之前進行統一化處理;
四是通過式（2-2）和（2-3）將各層神經元的輸入輸出計算出來，輸出層輸出的數據就是PID控制器的KP（k）、K1（k）、KD（k）;
五是PID的控制輸出u（k）可以由式u（t）=KP[e（t）]得到;
六是當所有網絡權值刷新一次之后，若誤差e（k+1）滿足e（k+1）<
e（k），那么按照式（1-7）對其學習速率增大，當誤差不再變化時，此時記錄連接權值。若誤差e（k+1）滿足e（k+1）>e（k），那么按照式（1-8）對其學習速率減小，當誤差減小時，記錄連接權值
七是將k賦值為k+1，返回第二步。
3 改進的BP神經網絡PID仿真
將被控對象假定為：
網絡結構采用4-5-3結構，輸入信號為γ（k）=1.0，此信號是階躍信號。網絡結構中的4代表輸入層有四個輸入，為給定輸入r（k）、
e（k）=r（k）-y（k）、y（k）和1。網絡結構中的3代表輸出層有三個參數，為KP、KI、KD。η=0.01，加權系數初值在[-1，1]區間內隨機賦值。經過仿真得到的曲線圖如圖1和圖2所示。
圖1 單位階躍響應曲線圖
圖2 誤差變化曲線
被控對象是二階的，所以階躍響應曲線以正弦的方式衰減，并在系統穩定水平線上下振蕩。從圖1和圖2可以看出，剛啟動時系統振蕩幅度較大，誤差也比較大，系統在0.2s左右時振蕩幅度變小，誤差也迅速變小，在0.3s之后系統達到穩定運行，誤差幾近于0。由圖可知在單位階躍響應中改進的BP神經網絡相較BP神經網絡而言，超調量小，收斂速度快。
4 總結
提出了一種分層調整學習速率的BP神經網絡改進方法，并把改進的方法與傳統的PID結合。并基于MATLAB平臺建立了模型進行仿真驗證，仿真結果驗證了改進的BP神經網絡PID具有更快的響應速度、更高的精度，且穩定性更強。
參考文獻：
[1]李楠.基于神經網絡直流無刷電機控制策略的研究[D].蘭州理工大學，2005.
[2]黃家圣.人工神經網絡在無刷直流電動機中的應用研究[D].上海海事大學，2005.
[3]王國玲，李振宇，范自道.無刷直流電機自適應模糊PID控制系統[J].機電工程技術，2013（2）：30～33.
第6篇：bp神經網絡范文
【關鍵詞】GPS；高程異常；BP神經網絡；擬合模型
Research on the Models of GPS Height Fitting Based on BP Neural Network
Li Yongquan
【Abstract】International and domestic multifarious control nets in use of GPS’s positioning techniques are only to solve the horizontal coordinates, but the height still follow to use the geometric leveling.Therefore, The basic theory of neural network and algorithm of BP are described, Discuss the problem of GPS height fitting based on BP neural network by trials. BP neural network is a kind of nonlinear mapping for its inputs and outputs，BP neural network is a high precise method for translating height.
【Key words】GPS；height anomaly；back propagation neural networks； fitting models
1. 引言
GPS平面定位的精度目前已經可以達到毫米級，但相對于平面定位精度，GPS在高程方面的定位精度較低。 神經網絡是一種高度自適應的非線性動力系統，神經網絡的數學理論本質上是非線性數學理論，通過BP神經網絡學習可以得到輸入和輸出之間的高度非線性映射，因此，使用神經網絡可以建立起輸入和輸出之間的非線性關系。BP神經網絡本身也是一種高精度的高程轉換方法。
2. 神經網絡的模型及BP算法
2.1 神經網絡的模型
（1）生物神經元模型。神經元模型是基于生物神經元的特點提出的，人腦由大量的生物神經元組成，神經元之間互相有連接，從而構成一個龐大而復雜的神經元網絡。神經元是大腦處理信息的基本單元，結構如圖1。神經元由細胞體、樹突和軸突三部分組成，其中突觸是神經元之間的連接。細胞體是由很多分子形成的綜合體，內部含有細胞核、細胞質和細胞膜。細胞體的作用是接受和處理信息。樹突是細胞體向外延伸的纖維體，是接受從其他神經元傳入信息的入口。軸突是神經元的信息通道，是細胞體向外延伸最長、最粗的樹枝纖維體，也叫神經纖維。（2）神經元模型。神經元一般表現為一個多輸入（多個樹突和細胞體與其他多個神經元軸突末梢突觸連接）、單輸出（每個神經元只有一個軸突作為輸出通道）的非線性器件，通用的結構模型如圖2所示。
(3）神經網絡模型。神經網絡的神經元之間的互連模式有前向網絡、有反饋的前向網絡、層內有相互結合的前向網絡和相互結合型網絡四種。
前向網絡神經元分層排列，組成輸入層、中間層（隱含層）和輸出層。每一層的神經元只接受來自前一層神經元的輸入，后面的層對前面的層沒有信號反饋。輸入模式經過各層次的順序傳播，最后在輸出層上得到輸出。目前對前向網絡得出的一致的結論是：甚至是單中間層網絡，只要隱節點數目足夠多，前向網絡就可以通過訓練學習樣本，以任意精度逼近(或表達)期望目標。
2.2 神經網絡BP算法
(1）BP（Back Propagation）網絡模型結構。BP網絡的結構如圖4所示，BP網絡具有三層或三層以上神經元的神經網絡，包括輸入層、中間層（隱層）和輸出層。上下層之間實現全連接，而每層神經元之間沒有連接。當一對學習樣本提供給網絡后，神經元的激活值從輸入層經各中間層向輸出層傳播，在輸出層的各神經元獲得網絡的輸入響應。接下來，按照減少目標輸出和實際輸出之間的方向，從輸出層反向經過各中間層回到輸入層，從而逐層修正各連接權值，這種算法稱為“誤差反向傳播算法”，即BP算法。
（2）BP算法的數學描述。BP算法基本原理是利用輸出后的誤差來估計輸出層的直接前導層的誤差，再用這個誤差估計更前一層的誤差，如此一層一層的反傳下去，就獲得了所有其他各層的誤差估計。
BP網絡學習規則的指導思想是：對網絡權值和閾值的修正要沿著表現函數下降最快的方向――負梯度方向。
xk+1=xk-akgk(1)
其中xk是當前的權值和閾值矩陣，gk是當前表現函數的梯度，ak是學習速率。
三層BP網絡，輸入節點xi，中間層節點yi，輸出節點zl。輸入節點與中間層節點間的網絡權值為wji，中間層節點與輸出節點間的網絡權值為vlj。當輸出節點的期望值為tl時，模型計算公式如下。
中間層節點的輸出：
yi=f(∑iwjixi-θj)=f(netj)(2)
輸出節點的計算輸出：
zl=f(∑jvljyj-θl)=f(netl)(3)
3. BP神經網絡用于GPS高程擬合
3.1 山區高程異常擬合實例:以本溪GPS和水準資料作為樣本來源，進行BP高程異常擬合。
通過山區高程異常擬合實例，對數據分析可以得到如下結論，學習樣本數與測試樣本數之比在1/4之間時網絡穩定性較好。高程擬合的精度與學習樣本數量有關，學習樣本數越多，擬合精度就越高。
3.2 平原地區高程異常擬合實例:以某市D級GPS部分數據進行實驗研究
通過平原地區高程異常擬合實例，對數據分析可以得到如下結論，學習樣本數與測試樣本數之比在 1/3 之間時網絡穩定性較好。學習樣本數對測試對象的精度也有著重要的影響，一般隨著學習樣本數的增多，中誤差會有所改善。這主要是更多的學習樣本就更能表述出所研究問題的一些基本特征，進而仿真的效果就能更好。
4. 結束語
重點研究基于BP神經網絡的GPS高程異常擬合算法，詳細介紹了人工神經網絡基本理論，重點討論了基于BP神經網絡的GPS高程擬合，包括BP神經網絡的基本原理、主要特點。分析了神經網絡的BP算法，包括其數學模型、網絡結構。構造了基于BP神經網絡的GPS高程擬合模型，結合具體工程數據進行了神經網絡性能分析。
參考文獻
[1] 國家測繪局測繪發展研究中心.測繪發展研究動態[R].北京：國家測繪局，2008，8：1-7
[2] 李征航、黃勁松.GPS測量與數據處理[M].武漢：武漢大學出版社，2005，277-278
[3] 曹先革.基于人工神經網絡的GPS高程異常擬合方法研究[D]，北京：中國地質大學，2008
[4] 徐紹銓．GPS高程擬合系統的研究[J]，武漢：武漢測繪科技大學學報，1999，24(4),11-15
[5] 閻平凡.人工神經網絡與模擬進化計算[M]，北京:清華大學出版社，2000，5-6
[6] 徐麗娜.神經網絡控制[M].哈爾濱：哈爾濱工業大學出版社，1999，1-40
第7篇：bp神經網絡范文
【關鍵詞】BP神經網絡；變形檢測；沉降預報最佳值為7；輸入層和隱層的傳遞函數(Tfi)用缺省的正切S形函數(tansig)，輸出層用線形函數(purelin)；網絡訓練函數(BTF)使用動量批梯度下降函數(traingdm)，它具有更快的收斂速度，而且引入了一個動量項mc，避免了局部最小問題的出現；網絡權值、閾值學習函數(BLF)和性能函數(PF)采用MATLAB缺省值；對輸入數據、目標數據、輸出數據的處理，使用MATLAB提供的歸一化函數(premnmx)和反歸一化函數(postmnmx)。運行程序時先用訓練樣本對網絡進行訓練，然后利用訓練好的網絡對預報樣本進行預報。灰色理論GM(1，1)模型同樣利用MATLAB編程實現。
2.3結果分析
首先用MATLAB編寫的灰色理論GM（1，1）模型和BP神經網絡模型分別處理訓練樣本，得到相應的擬合誤差。其中GM（1,1）相對模型擬合誤差主要為18.97、4.48、9.07、33.71、7.63、4.08、9.50等，等維BP網絡模型擬合誤差主要為6.66、0.97、0.29、6.16、2.06、4.44.并且通過之前得到的模擬數據可以得出BP神經網絡模型擬合的平均誤差以及GM(1，1)模型擬合的平均誤差為11.82%。BP神經網絡模型擬合的誤差小于GM(1，1)模型擬合的誤差為3.10%，其擬合精度高于灰色理論GM(1，1)模型。為了進一步檢測灰色理論GM(1，1)模型和BP神經網絡模型的預報精度，再分別用兩種模型對監測點的沉降數據的預報樣本進行預報，并可從中得出BP神經網絡模型的預報精度遠高于灰色GM(1，1)模型的結果。
三、結論
本文引入灰色理論中新陳代謝思想構造神經網絡的學習樣本，建立BP神經網絡預測模型，并用該模型進行了實際的沉降預測。工程模擬實例表明：用等維BP神經網絡模型進行沉降預測是可行的，預報精度遠高于灰色GM(1，1)模型。為了提高BP神經網絡模型的預測精度，一方面需要有足夠的觀測數據序列，以保證神經網絡學習所需的樣本數。另一方面需要恰當地確定輸入層神經元的個數，目前尚無據可依，只能通過根據試算確定。
參考文獻
第8篇：bp神經網絡范文
關鍵詞:BP神經網絡;電力負荷;短期預測
中圖分類號:TP183 文獻標識碼:A文章編號:1007-9599 (2010) 09-0000-02
Power Load Short-term Forecasting Based on BP Neural Network
Wang Jing,Yang Xiao
(School of Economics&Management,North China Electric Power University,Beijing102206,China)
Abstract:Load forecasting is an important task in power system.We forecasted short-term load for a region of southern based on BP neural network.Firstly,we introduce the structure of BP neural network,and then we make use of the data to do empirical research by using BP neural network of the region.And we consider the meteorological factors in the design of the BP neural network structure.
Keywords:BP Neural Network;Power Load;Short-term Forecast
一、引言
目前,全國供電緊張,部分嚴重地區經常缺電,造成許多發電設備不能及時檢修,處于超負荷的運轉狀態。會導致機組老化加速,出現不可預見的事故,造成人員、財產的傷亡。因此對未來電網內負荷變化趨勢的預測,是電網調度部門和設計部門所必須具備的基本信息之一。
電力系統負荷預測是電力生產部門的重要工作,通過精確的預測電力負荷,可以經濟的調度發電機組,合理安排機組啟停、機組檢修計劃,降低發電成本,提高經濟效益。負荷預測對電力系統控制、運行和計劃都有著重要的意義。電力系統負荷變化受多方面的影響,包括不確定性因素引起的隨機波動和周期性變化規律。并且,由于受天氣、節假日等特殊情況影響,又使負荷變化出現差異。神經網絡具有較強非線性的映射功能,用神經網絡來預測電力負荷越來越引起人們的關注。
二、BP網絡理論
(一)BP網絡結構
BP神經網絡全稱為Back-Propagation Network,即反向傳播網絡,是一種多層前饋神經網絡,結構圖如圖1所示,根據圖示可以知道BP神經網絡是一種有三層或三層以上的神經網絡,包括輸入層、中間層(隱層)和輸出層。前后層之間實現全連接,各層之間的神經元不進行連接。當學習樣本輸入后,神經元的激活之經由各層從輸入層向輸出層傳遞。之后,根據減少目標輸出與實際輸出誤差的原則,從輸出層反向經過各層至輸入層,逐級修正各連接的權值,該算法成為“誤差方向傳播算法”,即BP算法。由于誤差反向傳播不斷進行,網絡對輸入模式響應的正確率也不斷上升。
BP神經網絡傳遞函數不同于感知器模型傳遞函數,BP神經網絡要求其必須是可微的,所以感知器網絡中所用到的硬閾值傳遞函數在BP神經網絡中并不適應。BP神經網絡中常用的傳遞函數有正切函數、Sigmoid型的對數或線性函數。由于這些函數均是可微的,所以BP神經網絡所劃分的區域是一個非線性的超平面組成的區域,是一個比較平滑的曲面,它比線性劃分更加的精確。另外,網絡才有嚴格的梯度下降法進行學習,權值修正的解析式分非常明確。
(二)BP網絡算法
(1)初始化。給沒給連接權值 、 、閾值 與 賦予區間 內的隨機值
(2)確定輸入P和目標輸出T。選取一組輸入樣本 和目標輸出樣本 提供給網絡。
(3)用輸入樣本 、連接權 和閾值 計算中間層各單元的輸入 ,然后用 通過傳遞函數計算中間層各單元的輸出 。
(4)利用中間層的輸出 、連接權 和閾值 計算輸出層各單元的輸出 ,然后通過傳遞函數計算輸出層各單元的響應 。
(5)利用目標向量 和網絡的實際輸出 ,計算輸出層各單元的一般化誤差 。
(6)利用連接權 、輸出層的一般化誤差 和中間層的輸出 計算中間層各單元的一般化誤差 。
(7)利用輸出層各單元的一般化誤差 與中間呈個單元的輸出 來修正連接權 和閾值 。
(8)利用中間層各單元的一般化誤差 ,和輸入層各單元輸入P來修正連接權 和閾值 ,計算方法同(7)。
(9)達到誤差精度要求或最大訓練步數,輸出結果,否則返回(3)
三、實證研究
(一)神經網絡結構設計
本文以南方某缺電城市的整點有功負荷值,在預測的前一天中,每隔2小時對電力負荷進行一次測量,這樣,可以得到12組負荷數據。此外電力負荷還和環境因素有關,文章選取預測日最高氣溫、最低氣溫和降雨量氣象特征作為網絡輸入變量。所以設計的網絡結構為:15個輸入層節點和12個輸出向量,根據Kolmogorov定理可知,網絡中間層的神經元可以去31個。
(二)輸入數據歸一化處理
獲得輸入變量后,為了防止神經元飽和現象,在BP神經網絡輸入層進行歸一化,文章才有如下公式進行變換。
(三)實證分析
中間層神經元傳遞函數和輸出層傳遞函數分別采用S型正切函數tansig和S型對數函數logsig,因為這連個函數輸出區間為[0,1],滿足網絡設計的需求。
利用以下代碼創建一個滿足上述要求的BP神經網絡。
threshold=[0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1];
netbp=newff(threshold,[31,12],{’tansig’,’logsig’},’trainlm’)
其中變量threshold用于規定輸入向量的最大值和最小值,規定了網絡輸入向量的最大值為1,最小值為0,。“trainlm”是為網絡設定的訓練函數,采用的是Levenberg-Marquardt算法進行網絡學習。該方法明顯優于共軛梯度法及變學習效率的BP算法,LM算法可大大提高學習速度,縮短訓練時間。
使用該地區2007年8月11日到20日的負荷和氣象數據作為輸入向量,8月12日至8月21日負荷數據作為目標向量,對網絡進行訓練,再用8月20日負荷數據和21日的氣象特征數據來預測21日用電負荷,檢驗預測誤差是否能帶到要求。
利用MATLAB進行仿真,經過79次訓練后達到誤差要求結果。如圖2
網絡訓練參數的設定見下表
從圖3和圖4中可以看出運用BP神經網絡方法很好的預測了負荷走勢,并且預測誤差較小,負荷工程預測的要求。四、結論
在進行電力負荷預測時,必須考慮氣象因素的影響。在不同的地區氣象因素對電力負荷的影響不同,因此本文在設計神經網絡結構時,結合該地實際情況考慮氣象因素。本文研究了BP神經網絡在電力負荷短期預測中的應用,根據上述的預測結果可以說明BP神經網絡對電力負荷進行短期預測是目前一種比較可行的方法。
參考文獻
[1]蔣平,鞠平.應用人工神經網絡進行中期電力負荷預報[J].電力系統自動化,1995,6(19):15-17
[2]蘇寧.MATLAB軟件在電力負荷預測中的應用[J].華北電力技術,2007(8):16-19
[3]康重慶,夏清,張伯明.電力系統負荷預測研究綜述與發展方向的探討[J].電力系統自動化,2OO4,28(17):1-11
[4]姜勇.電力系統短期負荷預測的模糊神經網絡方法[J].繼電器,2002,36(2):11-13
[5]田景文,高美娟.人工神經網絡算法研究及應用[M].北京:北京理工大學出版社,2006
第9篇：bp神經網絡范文
【關鍵詞】BP神經網絡模型； 煤相； 訓練； 預測
煤相最早是由前蘇聯學者熱姆丘日尼科夫于1951年提出的，定義為煤的原始成因類型即一定泥炭沼澤環境下形成的煤成因類型和煤巖類型[1]。應用煤相分析實現煤層氣潛力評價和生氣有利帶預測已成為煤層氣勘探開發中十分重要的方法，然而成煤環境中不同的層位（縱向上）和不同地區（平面上）的煤相特征存在明顯差異，野外露頭觀察、薄片分析等地質方法工作量巨大，而傳統數學歸納統計方法又很難準確描述，因此尋找到一種高效、準確的方法成為亟待解決的問題。
1 煤相分析參數及類型劃分
1.1 煤相分析參數
不同煤相反映出泥炭沼澤的覆水深度水介質的酸度氧化還原電位堆積方式和成煤植物種類等成煤環境的不同，可通過凝膠化指數（GI）、植物保存指數（TPI）、鏡惰比（V/I）、流動性指數（MI）和森林指數（WI）五個煤巖學參數反映。
凝膠化指數GI反映泥炭沼澤的覆水程度，高值表明環境相對潮濕，低值則相對干燥，一般以4為界。
植物保存系數TPI是古代植物遺體遭受微生物降解程度的反映，在一定程度上反映PH的高低。
一般鏡惰比（V/I）是成煤泥炭遭受氧化程度的參數，小于1.0反映成煤泥炭層暴露于氧化環境。
流動性指數MI是水流動介質和相對停滯介質的比值，可以反映成煤環境水體的流動性，一般大于0.4表明為流動相。
森林指數WI反映了成煤環境的森林情況，大于0.5表示為森林沼澤[2]。
1.2 煤相類型劃分
根據成煤環境中煤相參數的劃分依據，結合實際沉積環境的沉積相分析研究，將煤相特征劃分為如下三類：干燥泥炭沼澤、森林泥炭沼澤和活水泥炭沼澤。
干燥泥炭沼澤類型反映高位干燥森林沼澤，包括潛水條件或者水下短時間干燥的氧化沼澤，該煤相廣泛發育于辮狀河三角洲等沉積環境。
森林泥炭沼澤體現極為潮濕、覆水較深的森林面貌，植物遺體遭受分解破壞弱，水流活動差，該煤相廣泛發育于上三角洲平原等沉積環境。
活水泥炭沼澤反映處于流動的水動力條件，微生物活動強烈，強覆水的沼澤泥炭環境，該煤相廣泛發育于三角洲間灣等沉積環境[3]。
其中在森林泥炭沼澤相發育地帶，煤層厚度大且分布穩定，是煤層氣生成有利地帶，同樣，煤儲層物性也發育良好，有利于煤層氣聚集成藏地帶。
2 BP神經網絡概述
BP神經網絡（Back-Propagation Neural Networks）是一種典型的多層神經網絡，由輸入層、中間層和輸出層組成，其學習過程包括正向傳播和反向傳播兩部分，在正向傳播中，信號從輸入神經元傳入，傳播到各隱層神經元，經過激活函數輸出，傳播到輸出層；判斷誤差函數的最小值，如果達不到所要求的精度，則自動轉入反向傳播，通過修改學習率、學習步長等參數，調整輸出層與隱層、隱層與輸入層之間的連接權值，重新進行正向傳播，反復訓練，直到誤差函數達到所要求的精度為止，此時網絡模型自動將各層連接權值加以保存，用于對未訓練樣本值進行預測[4-5]（圖1）。
圖1 BP神經網絡示意圖
Fig.1 Back-Propagation Neural Networks
BP神經網絡模型中輸入層節點和輸出層節點根據需要求解的問題、數據而定，隱層數一般在1到3之間，隱層節點數目前只能根據經驗公式獲得，根據Komogorov理論，一個具有n 個節點輸入層，隱層節點數為2n+1。
輸入層各節點數據的量綱差異往往對網絡訓練和預測結果會產生影響，，因此首先要對數據進行歸一化處理，使數據經過歸一化后全部分布在[0，1]區間內。數據標準化處理有如下幾種：
（1）X’（i）=，（2）X’（i）=，（3）X’（i）=，本文采用方法（3）。
3 使用BP神經網絡算法進行煤相預測
圖2 學習次數與誤差分析關系圖
Fig.2 Learning times and error analysis
3.1 BP神經網絡模型建立
選取凝膠化指數（GI）、植物保存系數（TPI）、一般鏡惰比（V/I）、流動性指數（MI）、森林指數（WI）作為輸入層節點變量；輸出層劃分為三個節點：干燥泥炭沼澤相、活水泥炭沼澤相、森林泥炭沼澤相，分別賦予期望輸出值為0.99、0.66和0.33；隱層數設為1，隱層節點數為11；最大誤差精度要求在達到10-3數量級，最大訓練次數為3500次。此外針對BP神經算法收斂速度慢和易陷入局部極小的缺點，本文選擇采用改進的BP神經網絡算法，通過加入動量常數，可有效提高運算速度并避免不收斂情況的發生。
3.2 BP神經網絡模型訓練
選取了西北地區柴達木盆地、鄂爾多斯盆地的不同地區、不同層位的25個樣點煤相分析結果作為訓練樣本 [1]，應用專業軟件Matlab進行BP神經網絡模型訓練，通過對學習率、學習步長、動量常數等參數的調整，使誤差精度達到了預期要求[6-8]，實際的訓練次數為1095次，并且沒有出現不收斂情況（圖2）。
將參與訓練的樣本代回已經訓練好的網絡模型進行驗證，驗證結果表明，訓練值與期望值之間的相對誤差全部在10%以內，對于網絡輸出值小于1的神經網絡模型，認定訓練成功，模型可用于煤相類型的神經網絡預測（表1）。
表1 西北地區柴達木盆地、鄂爾多斯盆地的幾十個地區的
樣點的煤相分析
Tab.1 The coal facies analysis of samples in qaidam basin
and ordos basin
3.3 BP神經網絡模型預測
隨機選取8個未參與訓練的樣點，將煤相參數代入已經訓練好的網絡中，進行網絡預測，結果表明8個預測樣本全部判別正確，判別效果非常好（表2）。
表2 樣本預測及預測結果
Tab.2 Prediction of samples and results
4 結論
4.1 不同煤相反映出泥炭沼澤的覆水深度水介質的酸度氧化還原電位堆積方式和成煤植物種類等成煤環境的不同，通過凝膠化指數、植物保存指數、鏡惰比、流動性指數和森林指數五個煤巖學參數量化反映。根據成煤環境中煤相參數的劃分依據，將煤相劃分為：干燥泥炭沼澤、森林泥炭沼澤和活水泥炭沼澤。
4.2 由于煤相類別與分析參數之間存在著較強的非線性關系，用傳統的地質方法和數學歸納方法難以處理，而BP神經網絡具有極強的自適應學習能力，能準確刻畫出兩者之間復雜的非線性關系，通過加入動量常數，則有效地提高了運算速度并避免了不收斂的發生。
4.3 本文將煤相分析參數作為輸入層節點，典型煤相類別作為輸出層節點，建立了基于BP神經網絡的煤相分析預測模型，通過模型訓練和預測，BP神經網絡預測煤相結果準確，為開展區域上煤相研究提供了高效快速的方法。
【參考文獻】
