反向傳播神經(jīng)網(wǎng)絡(luò)基本原理精選(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反向傳播神經(jīng)網(wǎng)絡(luò)基本原理主題范文，僅供參考，歡迎閱讀并收藏。
第1篇：反向傳播神經(jīng)網(wǎng)絡(luò)基本原理范文
【關(guān)鍵詞】BP神經(jīng)網(wǎng)絡(luò)；預(yù)測(cè)；誤差
1.引言
許多金融學(xué)家和計(jì)量學(xué)家對(duì)發(fā)達(dá)國(guó)家成熟市場(chǎng)的波動(dòng)性進(jìn)行了廣泛的研究，但是在對(duì)股市的預(yù)測(cè)上，由于人們?cè)谥R(shí)、能力、經(jīng)驗(yàn)上存在著較大的差異，加之問(wèn)題本身又具有很大的隨機(jī)性和高度的非線性，即使是一些金融專家、炒股高手對(duì)出現(xiàn)的同一復(fù)雜行情進(jìn)行分析，往往也會(huì)得出不同的結(jié)論。此外，傳統(tǒng)方法還要事先知道各種參數(shù)，以及這些參數(shù)在什么情況下應(yīng)作怎樣的修正。這都給預(yù)測(cè)股市帶來(lái)一定的困難。
基于以上股市預(yù)測(cè)的困難性，本文提出了人工神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)方法。隨著計(jì)算機(jī)、人工智能尤其是專家系統(tǒng)的發(fā)展，人工神經(jīng)網(wǎng)絡(luò)技術(shù)逐漸成熟并開(kāi)始應(yīng)用于各個(gè)領(lǐng)域。人工神經(jīng)網(wǎng)絡(luò)（ANN，簡(jiǎn)稱神經(jīng)網(wǎng)絡(luò)）作為一種由大量簡(jiǎn)單神經(jīng)元廣泛相互聯(lián)接而成的非線性映射或自適應(yīng)動(dòng)力系統(tǒng)，恰好能有效解決股市預(yù)測(cè)處理中常見(jiàn)的困難，因此它很快在股市預(yù)測(cè)分析與處理領(lǐng)域得到了廣泛的應(yīng)用。
2.BP神經(jīng)網(wǎng)絡(luò)介紹
2.1 BP 網(wǎng)絡(luò)算法的基本原理
2.1.1 標(biāo)準(zhǔn)的BP 網(wǎng)絡(luò)算法的基本原理
BP(Back Propagation)網(wǎng)絡(luò)是反向傳播的多層前饋式網(wǎng)絡(luò)，是目前使用最為廣泛的一種人工神經(jīng)網(wǎng)絡(luò)。它的核心是BP算法，一種對(duì)于多基本子系統(tǒng)構(gòu)成的大系統(tǒng)進(jìn)行微商計(jì)算的嚴(yán)格而有效的方法，采用最小均方差學(xué)習(xí)方式。BP 神經(jīng)網(wǎng)絡(luò)的原理說(shuō)到底就是給它一些輸入變量，然后就有一個(gè)輸出，輸出值的情況與實(shí)際的情況進(jìn)行比較，差多少，然后再進(jìn)行網(wǎng)絡(luò)的內(nèi)部調(diào)整，屬于有導(dǎo)師的學(xué)習(xí)規(guī)則，使得網(wǎng)絡(luò)輸出與實(shí)際逼近。
神經(jīng)網(wǎng)絡(luò)能學(xué)習(xí)和存貯大量的輸入―輸出模式映射關(guān)系，而無(wú)需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程。人工神經(jīng)網(wǎng)絡(luò)由非線性函數(shù)組成，而由一系列不同權(quán)重的線性過(guò)濾器組合而成：
2.1.2 BP網(wǎng)絡(luò)算法的優(yōu)化
由于常用的BP算法主要缺點(diǎn)為收斂速度慢，局部極值，難以確定隱含層和隱含層的個(gè)數(shù)，使得在實(shí)際應(yīng)用中BP算法很難應(yīng)用，因此，出現(xiàn)了許多改進(jìn)算法。BP算法的改進(jìn)主要有兩種途徑，一種是采用啟發(fā)式學(xué)習(xí)方法；另一種則是采用更有效的優(yōu)化算法，本文采用了動(dòng)量法和學(xué)習(xí)率自適應(yīng)調(diào)整的策略，從而提高了學(xué)習(xí)速度并增加了算法的可靠性。動(dòng)量法降低了網(wǎng)絡(luò)對(duì)于誤差曲面局部極值的敏感性，有效地抑制了網(wǎng)絡(luò)陷于局部極小。
2.2 BP神經(jīng)網(wǎng)絡(luò)的模型識(shí)別及步驟
模式通常指對(duì)事物的一種定量描述或結(jié)構(gòu)描述，“識(shí)別”是指對(duì)客觀事物按其物理特征進(jìn)行分類。模式識(shí)別的基本原理就是從待識(shí)別對(duì)象和理想標(biāo)本之間若干特征的相似性推斷它們之間總體的相似性。BP神經(jīng)網(wǎng)絡(luò)模式識(shí)別過(guò)程分為訓(xùn)練階段和模式分類階段，分為初始化、數(shù)據(jù)與處理、網(wǎng)絡(luò)訓(xùn)練以及模式分類四個(gè)步驟。以下利用實(shí)證分析來(lái)進(jìn)行著四個(gè)步驟。
3.實(shí)例分析
下面以上證的某股600個(gè)交易日的股票價(jià)格收盤指數(shù)作為原始樣本數(shù)據(jù)，對(duì)上述神經(jīng)網(wǎng)絡(luò)模型進(jìn)行求解，預(yù)測(cè)20天的收盤價(jià)，與實(shí)際收盤價(jià)進(jìn)行比較，并求出其誤差：
式中，表示第日的實(shí)際收盤指數(shù)，表示第日的預(yù)測(cè)值，表示誤差。主要按照如下幾部分來(lái)處理：（1）準(zhǔn)備600個(gè)數(shù)據(jù)的時(shí)間序列，進(jìn)行歸一化。BP神經(jīng)網(wǎng)絡(luò)中每個(gè)神經(jīng)元的輸出值由傳遞函數(shù)Sigmoid函數(shù)來(lái)計(jì)算，其輸出值的范圍是（0，1）；（2）留出最后20個(gè)數(shù)據(jù)，作為預(yù)測(cè)檢驗(yàn)使用；（3）繪制圖像，包括實(shí)際值和預(yù)測(cè)值，能量函數(shù)；（4）分析實(shí)際和預(yù)測(cè)兩曲線的趨勢(shì)。
采用I-J-K學(xué)習(xí)模型，該模型是輸入層I個(gè)神經(jīng)元，隱層J 個(gè)神經(jīng)元，輸出層K個(gè)神經(jīng)元。利用BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練500次、800次、1000次的輸出值和期望值以及能量函數(shù)（或者叫誤差函數(shù)）E，結(jié)果見(jiàn)圖1到圖3。
通過(guò)上面的圖示，可以看到用BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的效果比較明顯，這說(shuō)明該模型適用于短期預(yù)測(cè)嗎，股市的波動(dòng)在很多地區(qū)都是非常劇烈的，各種因素的綜合作用也使得長(zhǎng)期股指的變動(dòng)具有極大的不確定性，使得預(yù)測(cè)變得很困難。而B(niǎo)P網(wǎng)絡(luò)的算法原理和自學(xué)習(xí)的特點(diǎn)使其能夠充分挖掘出隱含在樣本數(shù)據(jù)中的規(guī)律性，實(shí)現(xiàn)從輸入空間到輸出空間的非線性映射，對(duì)樣本數(shù)據(jù)進(jìn)行精確的擬合。從而B(niǎo)P神經(jīng)網(wǎng)絡(luò)的方法對(duì)于股市上的一些很難看出規(guī)律的數(shù)據(jù)列的預(yù)測(cè)而言，無(wú)疑是一個(gè)比較精確的預(yù)測(cè)方法。
4.結(jié)論
本文介紹了股市的特點(diǎn)以及股市預(yù)測(cè)的困難性，提出了利用BP神經(jīng)網(wǎng)絡(luò)的方法來(lái)解決股市預(yù)測(cè)問(wèn)題。文章介紹了BP神經(jīng)網(wǎng)絡(luò)算法的基本原理，BP神經(jīng)網(wǎng)絡(luò)算法的優(yōu)化，BP神經(jīng)網(wǎng)絡(luò)模型識(shí)別及步驟，最后后以上海證券交易所每日股票價(jià)格收盤指數(shù)為分析對(duì)象，把原理應(yīng)用于實(shí)際，利用BP神經(jīng)網(wǎng)絡(luò)對(duì)股票價(jià)格收盤指數(shù)進(jìn)行了短期預(yù)測(cè)，并計(jì)算出預(yù)測(cè)值和實(shí)際值的誤差。通過(guò)實(shí)驗(yàn)發(fā)現(xiàn)該模型收斂速度快，預(yù)測(cè)精度非常高，對(duì)預(yù)測(cè)短周期內(nèi)股指波動(dòng)具有較強(qiáng)的適用性。
參考文獻(xiàn)
[1]高琴.人工神經(jīng)網(wǎng)絡(luò)在股市預(yù)測(cè)模型中的應(yīng)用[J].微電子學(xué)與計(jì)算機(jī),2007年第24卷第11期.
[2]周翠紅,路邁西.線性回歸與人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)煤炭發(fā)熱量[J].煤炭科學(xué)技術(shù),第37卷第12期.
[3]尹慶雙,奉瑩.人工神經(jīng)網(wǎng)絡(luò)在第三產(chǎn)業(yè)就業(yè)分析中的應(yīng)用[J].人口與經(jīng)濟(jì),2009年第6期.
[4]鄒文安,劉寶,姜波,楊春生.基于Excel 技術(shù)平臺(tái)人工神經(jīng)網(wǎng)絡(luò)BP模型及應(yīng)用[J].水文,第30卷第1期.
[5]康進(jìn),劉敬偉.非參數(shù)回歸估計(jì)與人工神經(jīng)網(wǎng)絡(luò)方法的預(yù)測(cè)效果比較[J].統(tǒng)計(jì)與決策,2009年第23 期.
[6]楊本昭,田耕.基于人工神經(jīng)網(wǎng)絡(luò)的客戶價(jià)值分類研究[J].科技管理研究,2007年第12期.
第2篇：反向傳播神經(jīng)網(wǎng)絡(luò)基本原理范文
關(guān)鍵詞：智能車；電磁循跡；路徑識(shí)別；神經(jīng)網(wǎng)絡(luò)；偏差量
中圖分類號(hào)：TP391.41 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9599 （2012） 17-0000-02
1 引言
人工神經(jīng)網(wǎng)絡(luò)是模擬生物神經(jīng)系統(tǒng)建立起來(lái)的非線性動(dòng)力學(xué)系統(tǒng)具有自我學(xué)習(xí)、聯(lián)想存儲(chǔ)以及高速尋求最優(yōu)解的強(qiáng)大功能，它的分類能力和非線性映射能力使得它在系統(tǒng)辨識(shí)、模式識(shí)別、圖像處理、智能控制等領(lǐng)域有著廣泛而吸引人的前景，并且越來(lái)越多地被人們所運(yùn)用。
“飛思卡爾”杯全國(guó)大學(xué)生智能車競(jìng)賽中的電磁組是依據(jù)電磁感應(yīng)原理，實(shí)現(xiàn)智能車的自動(dòng)循跡。以飛思卡爾公司生產(chǎn)的MC9S12XS128芯片作為微控制器，以通有固定頻率和電流值的導(dǎo)線作為目標(biāo)路徑，用電磁傳感器檢測(cè)智能車偏離導(dǎo)線的偏差量，配合舵機(jī)和電機(jī)的動(dòng)作在50cm寬的賽道上實(shí)現(xiàn)自動(dòng)循跡。其中偏差量的檢測(cè)與計(jì)算是智能車能否準(zhǔn)確快速跟蹤引導(dǎo)線的關(guān)鍵。當(dāng)前偏差量的計(jì)算算法主要有兩種，一種是取感應(yīng)電動(dòng)勢(shì)最大的傳感器位置作為線徑所在位置，這種方法本質(zhì)上以點(diǎn)來(lái)檢測(cè)，測(cè)量精度低，需要的傳感器數(shù)量大。另外一種是根據(jù)感應(yīng)電動(dòng)勢(shì)的特點(diǎn)，將兩個(gè)傳感器的感應(yīng)電動(dòng)勢(shì)作差值計(jì)算，得到電動(dòng)勢(shì)與偏差量之間的一個(gè)二次函數(shù)，這種方式計(jì)算是關(guān)于二次函數(shù)來(lái)進(jìn)行的，計(jì)算量大，對(duì)檢測(cè)的實(shí)時(shí)性會(huì)有所影響。本文提出的方案，是以電感線圈作為傳感器來(lái)檢測(cè)路徑，基于人工神經(jīng)網(wǎng)絡(luò)算法來(lái)計(jì)算車身相對(duì)引導(dǎo)線的偏移量，把樣本數(shù)據(jù)放在matlab環(huán)境下訓(xùn)練，得到滿足誤差要求的參數(shù)，然后將參
2 BP神經(jīng)網(wǎng)絡(luò)模型基本原理
BP神經(jīng)網(wǎng)絡(luò)由信息的正向傳播和誤差的反向傳播兩個(gè)過(guò)程組成。輸入層各神經(jīng)元負(fù)責(zé)接收來(lái)自外界的輸入信息，并傳遞給中間層各神經(jīng)元；中間層是內(nèi)部信息處理層，負(fù)責(zé)信息變換，中間層傳遞到輸出層各神經(jīng)元的信息，經(jīng)進(jìn)一步處理后，完成一次學(xué)習(xí)的正向傳播處理過(guò)程，由輸出層向外界輸出信息處理結(jié)果。當(dāng)實(shí)際輸出與期望輸出不符時(shí)，進(jìn)入誤差的反向傳播階段。誤差通過(guò)輸出層，按誤差梯度下降的方式修正各層權(quán)值，向隱層、輸入層逐層反向傳播。BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)如所示：
BP神經(jīng)網(wǎng)絡(luò)主要由輸入層、隱含層和輸出層構(gòu)成。輸入信號(hào)先向前傳播到隱含層節(jié)點(diǎn)，經(jīng)作用函數(shù)后，把隱節(jié)點(diǎn)的輸出信號(hào)傳播到輸出節(jié)點(diǎn)，最后得出輸出結(jié)果。本文中隱層節(jié)點(diǎn)的激勵(lì)函數(shù)選取雙曲正切S型函數(shù)，
（1）
在正向傳播過(guò)程中，輸入信息從輸入層經(jīng)隱含層逐層處理，并傳向輸出層。每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)。如果輸出層得不到期望的輸出，則轉(zhuǎn)入反向傳播，將誤差信號(hào)沿原來(lái)的連接通道返回，通過(guò)修改各層神經(jīng)元的權(quán)值，使得誤差信號(hào)最小。
前向傳播過(guò)程：
（1）隱層神經(jīng)元的輸入為輸入神經(jīng)元的加權(quán)和加上輸入層到隱層的閾值。
（2）
（2）隱層神經(jīng)元的輸出為：
（3）
（3）輸出層神經(jīng)元輸出為隱層神經(jīng)元的輸出加權(quán)和加上隱層到輸出層閾值。
（4）
網(wǎng)絡(luò)輸出y1與理想輸出y01的誤差e1為：
e1=y10-y1 （5）
反向傳播采用L-M優(yōu)化算法，調(diào)整各層間的權(quán)值。L-M算法是一種利用標(biāo)準(zhǔn)的數(shù)值優(yōu)化技術(shù)的快速算法，它是梯度下降法與高斯-牛頓法的結(jié)合。設(shè)W（k）表示第 k 次迭代的權(quán)值和閾值所組成的向量新的權(quán)值和閾值組成的向量W（k+1）可根據(jù)下面的規(guī)則求得：
（6）
對(duì)于L-M算法則有：
（7）
其中，J為雅克比矩陣。比例系數(shù)μ>0為常數(shù)，I為單位矩陣。當(dāng) μ=0即為高斯-牛頓法；當(dāng)μ取值很大則接近梯度下降法。實(shí)踐證明，采用L-M算法可以較原來(lái)的梯度下降法提高速度幾十甚至上百倍。本文采用L-M算法進(jìn)行訓(xùn)練。
3 Matlab中神經(jīng)網(wǎng)絡(luò)算法的實(shí)現(xiàn)
3.1 獲取樣本數(shù)據(jù)
根據(jù)麥克斯韋電磁場(chǎng)理論，通有交變電流的導(dǎo)線會(huì)在其周圍產(chǎn)生交變的電磁場(chǎng)，如果在里面放置一個(gè)電感線圈，電磁感應(yīng)作用會(huì)使線圈中產(chǎn)生交變的感應(yīng)電壓。智能車使用電感線圈作為傳感器檢測(cè)導(dǎo)線周圍磁場(chǎng)信息，由電磁學(xué)可知，水平放置的電感線圈在導(dǎo)線磁場(chǎng)內(nèi)的感應(yīng)電動(dòng)勢(shì)E=h/（h2+x2），h表示傳感器離導(dǎo)線的垂直距離，x代表傳感器距離導(dǎo)線的水平距離。假設(shè)h=5cm，x在±15cm內(nèi)電動(dòng)勢(shì)和水平距離的關(guān)系曲線如2所示：
經(jīng)過(guò)實(shí)際測(cè)試，使用四路傳感器比較合適。傳感器分布以車軸為中心，間隔為12cm 呈“一”字均勻排列構(gòu)成前瞻，傳感器距離水平面15cm，距離車身50cm。布局示意圖如圖3所示：
圖2電動(dòng)勢(shì)和水平距離的曲線圖 3前瞻分布示意圖
將傳感器的感應(yīng)電動(dòng)勢(shì)進(jìn)行檢波放大 ，把處理后的信號(hào)經(jīng)AD轉(zhuǎn)換得到傳感器信號(hào)值。轉(zhuǎn)換過(guò)程如圖4所示。
本系統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)的輸入為四路傳感器的感應(yīng)電壓信號(hào)，輸出為小車車身偏移引導(dǎo)線的水平偏移量，綜合考慮訓(xùn)練誤差和速度，設(shè)置隱含層得神經(jīng)元個(gè)數(shù)為10。訓(xùn)練目標(biāo)誤差平方和取為0.000005 ，訓(xùn)練次數(shù)為5000次。
3.2 智能車算法實(shí)現(xiàn)：
最終算法的實(shí)現(xiàn)需要將神經(jīng)網(wǎng)絡(luò)的訓(xùn)練好的權(quán)重和閾值移植到智能車的微控制器中去。通過(guò)BP神經(jīng)網(wǎng)絡(luò)對(duì)智能車采集到的輸入信號(hào)進(jìn)行處理運(yùn)算，計(jì)算得到的輸出層的神經(jīng)元輸出值就是當(dāng)前車軸中心線偏離引導(dǎo)線的偏差量，根據(jù)此值進(jìn)行相應(yīng)的打舵與調(diào)速操作，以實(shí)現(xiàn)智能車的快速穩(wěn)定循跡。
4 實(shí)驗(yàn)結(jié)果與分析
記錄并分析實(shí)驗(yàn)數(shù)據(jù)，matlab訓(xùn)練得到的實(shí)際輸出與理想輸出之間的關(guān)系如圖5所示：
由上圖可知，基于BP神經(jīng)網(wǎng)絡(luò)算法計(jì)算出的偏差量與理想偏差量之間的誤差在±1cm以內(nèi)。在“飛思卡爾”杯智能汽車競(jìng)賽中，由于神經(jīng)網(wǎng)絡(luò)的非線性映射能力和高速尋求最優(yōu)解能力，把它應(yīng)用到智能車的循跡上來(lái)效果是很明顯的，它不需要計(jì)算感應(yīng)電動(dòng)勢(shì)和偏差量之間的非線性關(guān)系，把計(jì)算量很大的訓(xùn)練過(guò)程放在matlab環(huán)境下進(jìn)行，微控制器直接使用matlab下訓(xùn)練得到的參數(shù)就可以了。
5 結(jié)論
本文在當(dāng)前主流循跡算法的基礎(chǔ)上，提出了基于BP神經(jīng)網(wǎng)絡(luò)的路徑識(shí)別算法，并詳細(xì)敘述了基本原理和具體的實(shí)現(xiàn)方法。實(shí)驗(yàn)結(jié)果證明：使用BP神經(jīng)網(wǎng)絡(luò)計(jì)算得到的結(jié)果誤差在±1cm以內(nèi)，它可以大幅度地提高智能小車對(duì)環(huán)境的適應(yīng)性，從而降低系統(tǒng)對(duì)智能小車硬件的要求。但其激勵(lì)函數(shù)和學(xué)習(xí)算法仍需要深入研究，并且在實(shí)際運(yùn)用中還有待提高，以達(dá)到更好的應(yīng)用效果。
參考文獻(xiàn)：
[1]卓晴，黃開(kāi)勝，邵貝貝.學(xué)做智能車[M].北京：北京航天航空出版社，2007.
[2]馬銳.人工神經(jīng)網(wǎng)絡(luò)原理[M].機(jī)械工業(yè)出版社，2010.
[3]張雨濃，楊逸文，李巍.神經(jīng)網(wǎng)絡(luò)權(quán)值直接確定法[M].中山大學(xué)出版社，2010.
[4]陳杰，黃鴻.傳感器與檢測(cè)技術(shù)[M].北京：高等教育出版社，2002.
[5]飛思卡爾競(jìng)賽管理秘書處，電磁組競(jìng)賽車模路徑檢測(cè)設(shè)計(jì)參考方案，2010.
[6]童詩(shī)白，華成英.模擬電子技術(shù)基礎(chǔ)[M].高等教育出版社，2000.
[7]傅薈璇，趙紅等.MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計(jì)[M].機(jī)械工業(yè)出版社，2010.
[8]CS12微控器原理及應(yīng)用[M].北京航天航空大學(xué)出版社，2007.
第3篇：反向傳播神經(jīng)網(wǎng)絡(luò)基本原理范文
Abstract: This paper proposed financial crisis early-warning model of China's real estate listed companies based on BP neural network, through the domestic and foreign companies' financial crisis esrly-warning literature and combining the characteristics of China's real estate industry.
關(guān)鍵詞: 財(cái)務(wù)危機(jī);BP神經(jīng)網(wǎng)絡(luò);房地產(chǎn)上市公司
Key words: financial crisis;BP neural network;real estate listed companies
中圖分類號(hào):F275 文獻(xiàn)標(biāo)識(shí)碼:A文章編號(hào):1006-4311(2010)08-0051-01
0引言
對(duì)于中國(guó)房地產(chǎn)公司,構(gòu)建一套完善先進(jìn)的預(yù)警系統(tǒng)十分重要,構(gòu)建一套基于科學(xué)預(yù)警理論研究成果指導(dǎo)下的專門針對(duì)房地產(chǎn)行業(yè)的財(cái)務(wù)危機(jī)預(yù)警系統(tǒng)迫在眉睫,它是房地產(chǎn)健康發(fā)展的客觀要求,也是政府和房地產(chǎn)管理部門的規(guī)劃、決策和調(diào)控走向理性的需要。
1文獻(xiàn)回顧
幾十年來(lái),理論界圍繞著如何更加準(zhǔn)確地預(yù)測(cè)企業(yè)的財(cái)務(wù)危機(jī)展開(kāi)了多種多樣的研究,研究的重點(diǎn)集中在如下兩個(gè)方面:
1.1 企業(yè)財(cái)務(wù)危機(jī)的界定國(guó)外對(duì)財(cái)務(wù)危機(jī)的界定因研究目的不同而不同,主要有以下幾種觀點(diǎn):①已經(jīng)破產(chǎn)的企業(yè);②進(jìn)入破產(chǎn)程序的企業(yè);③無(wú)力還本付息的企業(yè);④資不抵債的企業(yè)。因此我們認(rèn)為,由于有研究結(jié)果表明我國(guó)的資本市場(chǎng)目前仍處于弱式有效市場(chǎng),信息的不對(duì)稱導(dǎo)致尚無(wú)一種客觀的評(píng)判標(biāo)準(zhǔn),故對(duì)我國(guó)上市公司財(cái)務(wù)危機(jī)的界定主要是依據(jù)證監(jiān)會(huì)定義ST企業(yè)的前兩條標(biāo)準(zhǔn),即出現(xiàn)下列情況之一的企業(yè):①最近一個(gè)會(huì)計(jì)年度的審計(jì)結(jié)果中顯示的凈利潤(rùn)均為負(fù)值;②最近一個(gè)會(huì)計(jì)年度的審計(jì)結(jié)果中顯示的其股東權(quán)益低于注冊(cè)資本。即每股凈資產(chǎn)低于股票面值。
1.2 財(cái)務(wù)危機(jī)預(yù)測(cè)方法的研究從研究方法看,預(yù)測(cè)企業(yè)是否發(fā)生財(cái)務(wù)危機(jī)的方法一直在不斷地改進(jìn)和創(chuàng)新之中。從傳統(tǒng)的預(yù)測(cè)方法來(lái)看,統(tǒng)計(jì)判定分析一直是研究預(yù)測(cè)企業(yè)是否會(huì)發(fā)生財(cái)務(wù)危機(jī)的一個(gè)好方法。
近年來(lái),有關(guān)企業(yè)財(cái)務(wù)預(yù)測(cè)分析日益已經(jīng)引起國(guó)內(nèi)理論界和實(shí)業(yè)界的高度重視。我們認(rèn)為,在我國(guó)目前上市公司財(cái)務(wù)數(shù)據(jù)并不很完善的情況下,應(yīng)用多種研究方法建立我國(guó)上市公司的財(cái)務(wù)危機(jī)預(yù)測(cè)模型,通過(guò)比較分析有利于提高模型的適人工神經(jīng)網(wǎng)絡(luò)是由大量稱為神經(jīng)元的簡(jiǎn)單信息單元廣泛連接組成的復(fù)雜網(wǎng)絡(luò)用范圍和預(yù)測(cè)的準(zhǔn)確性。
2BP神經(jīng)網(wǎng)絡(luò)基本原理
人工神經(jīng)網(wǎng)絡(luò)是由大量稱為神經(jīng)元的簡(jiǎn)單信息單元的廣泛連接所組成的復(fù)雜網(wǎng)絡(luò)系統(tǒng),用于模擬人類的大腦神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和行為,使它具有學(xué)習(xí)、記憶、聯(lián)想、歸納、概括和抽取、容錯(cuò)以及自學(xué)自適應(yīng)等能力。本文采用典型的3層前饋型BP網(wǎng)絡(luò)模型,它具有網(wǎng)絡(luò)訓(xùn)練信息的正向傳播過(guò)程和誤差的反向傳播過(guò)程。
設(shè)ai是網(wǎng)絡(luò)樣本輸入值,bi是網(wǎng)絡(luò)隱含層的輸出值,cj為對(duì)應(yīng)的實(shí)際輸出值。輸入神經(jīng)元到隱層神經(jīng)元的權(quán)值為vhi,隱層神經(jīng)元到輸出神經(jīng)元的權(quán)值為wij,另外分別用θi和xj表示隱含層和輸出層的閾值。三層BP網(wǎng)絡(luò)的數(shù)學(xué)模型表示為:①利用樣本輸入層的信息以及輸入神經(jīng)元到隱層神經(jīng)元的權(quán)值得到隱含層節(jié)點(diǎn)的輸出:bi=fahvhi+θi,(i=1,2,…,p);②輸出層節(jié)點(diǎn)的輸出:cj=fwijbi+xj,(i=1,2,…,q)最初的wij是設(shè)定的隨機(jī)值;③輸出層節(jié)點(diǎn)實(shí)際輸出值cj與期望輸出值c之間的誤差:dj=cj(1-cj)(c-c);④向隱含層節(jié)點(diǎn)反向分配誤差,令:ei=bi(1-bi)wijdj(i=1,2,…,p);⑤隱含層到輸出層的權(quán)值通過(guò)下式調(diào)整:Δwij=abidj(i=1,2,…,p;a是學(xué)習(xí)系數(shù),0
3神經(jīng)網(wǎng)絡(luò)的建立及模擬訓(xùn)練
3.1神經(jīng)網(wǎng)絡(luò)模型的建立
通過(guò)廣泛考察以往國(guó)內(nèi)外相關(guān)研究對(duì)最終模型有顯著貢獻(xiàn)的預(yù)測(cè)變量,主要采用的基本財(cái)務(wù)指標(biāo)可以分為5個(gè)一級(jí)指標(biāo),盈利能力、償債能力、成長(zhǎng)能力、擴(kuò)張能力和營(yíng)運(yùn)能力相關(guān)指標(biāo),又包含12個(gè)二級(jí)指標(biāo)。
Bp神經(jīng)網(wǎng)絡(luò)把用來(lái)描述企業(yè)財(cái)務(wù)狀況特征的12個(gè)指標(biāo)做為神經(jīng)網(wǎng)絡(luò)的輸入向量X=|X1,X2,…,X12|,將代表相應(yīng)綜合評(píng)價(jià)結(jié)果的值作為網(wǎng)絡(luò)的輸出Y,用學(xué)習(xí)樣本訓(xùn)練這個(gè)網(wǎng)絡(luò),使不同的輸入向量得到不同的輸出量值,這樣神經(jīng)網(wǎng)絡(luò)所持有的那組權(quán)系數(shù)值和閾值,便是網(wǎng)絡(luò)經(jīng)過(guò)自適應(yīng)學(xué)習(xí)所得到的正確內(nèi)部表示,經(jīng)過(guò)反復(fù)學(xué)習(xí)訓(xùn)練,確定與最小誤差相對(duì)應(yīng)的網(wǎng)絡(luò)參數(shù)(權(quán)值和閾值),訓(xùn)練即告停止。
3.2指標(biāo)數(shù)據(jù)的歸一化由于不同的指標(biāo)數(shù)據(jù)量綱均不相同,不進(jìn)行歸一化就會(huì)將神經(jīng)網(wǎng)絡(luò)模型帶入較大的系統(tǒng)誤差,因此,考慮到神經(jīng)網(wǎng)絡(luò)訓(xùn)練的收斂問(wèn)題,也為了便于最終評(píng)價(jià)值的確定,在網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練前將學(xué)習(xí)樣本和檢驗(yàn)樣本的原始指標(biāo)數(shù)據(jù)同時(shí)進(jìn)行歸一化,以便消除指標(biāo)量綱不同和系統(tǒng)誤差所帶來(lái)的影響本文采用正向和反向傳播公式,將原始指標(biāo)數(shù)據(jù)歸一化到[0,1]之間。歸一化公式為:①正向指標(biāo)歸一化公式:xij=(xij-minxi)(maxxi-minxi);②反向指標(biāo)歸一化公式:xij=(maxxi-xij)(maxxi-minxi)。其中xij是xi中的第j個(gè)數(shù)據(jù),maxxi是xi中數(shù)值最大的數(shù)據(jù),minxi是xi中數(shù)值最小的數(shù)據(jù)。
3.3 網(wǎng)絡(luò)訓(xùn)練過(guò)程本文利用DPS軟件的Bp神經(jīng)網(wǎng)絡(luò)工具箱進(jìn)行了數(shù)據(jù)分析,采用12個(gè)指標(biāo)進(jìn)行上市公司財(cái)務(wù)預(yù)警,這樣,網(wǎng)絡(luò)輸入層節(jié)點(diǎn)數(shù)i定為11,隱含層(中間層)的節(jié)點(diǎn)數(shù)1,輸出層為1,允許誤差為0.01,最小轉(zhuǎn)換速度為0.01,最大訓(xùn)練次數(shù)為1000次。
將10年的樣本數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)辨識(shí)模型的訓(xùn)練樣本,預(yù)測(cè)2009年企業(yè)的財(cái)務(wù)狀況,繼續(xù)用DPS軟件的Bp神經(jīng)網(wǎng)絡(luò)工具箱對(duì)09年企業(yè)的財(cái)務(wù)數(shù)據(jù)進(jìn)行分析,得出2009年的擬合結(jié)果為23.440,即2009年企業(yè)的財(cái)務(wù)數(shù)據(jù)將處于健康狀態(tài)。
第4篇：反向傳播神經(jīng)網(wǎng)絡(luò)基本原理范文
【關(guān)鍵詞】故障診斷;基本原理;神經(jīng)網(wǎng)絡(luò);實(shí)際應(yīng)用
引言
電梯在實(shí)際生活中出現(xiàn)不正常運(yùn)行、停運(yùn)等故障是在所難免的，而作為高層建筑中主要的垂直交通工具如果不能及時(shí)準(zhǔn)確的查明故障原因并維修往往會(huì)給乘客帶來(lái)巨大的生命威脅。只有保證電梯的安全運(yùn)行，及時(shí)的發(fā)現(xiàn)故障并解決故障，才能夠?yàn)槌俗娞莸某丝吞峁┖细竦陌踩ＷC。目前，國(guó)內(nèi)在用的電梯缺乏完善的故障診斷系統(tǒng)，僅僅依靠維修技術(shù)人員的經(jīng)驗(yàn)以及簡(jiǎn)單的診斷儀器已經(jīng)不能夠及時(shí)的解決復(fù)雜的電梯故障問(wèn)題。神經(jīng)網(wǎng)絡(luò)技術(shù)可以應(yīng)用于復(fù)雜多模式的故障診斷并且既可以用于實(shí)時(shí)監(jiān)測(cè)也可以進(jìn)行離線診斷，在系統(tǒng)模式非常復(fù)雜或者根本不知道系統(tǒng)模式的情況都可以應(yīng)用，這些特點(diǎn)恰恰解決了傳統(tǒng)方法中最最難以解決的問(wèn)題。因此必須加快神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用于診斷電梯故障的步伐，形成完善的故障診斷系統(tǒng)，才能更及時(shí)準(zhǔn)確的查明故障原因進(jìn)一步及時(shí)的解決問(wèn)題，保證乘客的人身安全。
一、電梯的運(yùn)行原理和電梯故障的特點(diǎn)
只有清楚地了解電梯控制系統(tǒng)的運(yùn)行原理才能夠及時(shí)準(zhǔn)確的診斷出電梯故障原因，因此清楚的了解電梯運(yùn)行原理，每一個(gè)電梯維修人員必須要做到。電梯運(yùn)行過(guò)程總體上可分為以下幾個(gè)階段：第一、登記層外召喚信號(hào)和登記內(nèi)選指令階段;第二、電梯門關(guān)閉或者電梯按照系統(tǒng)指令停運(yùn)階段;第三、啟動(dòng)階段;第四、在到達(dá)信號(hào)記錄的樓層前進(jìn)行減速制動(dòng);第五、平層開(kāi)門階段。在整個(gè)過(guò)程中電梯需要從外界接收信號(hào)并處理，然后完成相應(yīng)的指令或者輸出信號(hào)，由此可以將電梯看作是一個(gè)完整的獨(dú)立的系統(tǒng)，只需要外界給予相應(yīng)的信號(hào)就可以自動(dòng)的做出動(dòng)作。電梯系統(tǒng)內(nèi)部復(fù)雜的構(gòu)件緊密的結(jié)合在一起，正是如此才使得電梯系統(tǒng)故障具有了復(fù)雜性、層次性、相關(guān)性以及不確定性的特點(diǎn)。
二、神經(jīng)網(wǎng)絡(luò)技術(shù)基本原理
生物學(xué)上的神經(jīng)是由一個(gè)個(gè)簡(jiǎn)單的神經(jīng)元相互連接進(jìn)而形成了復(fù)雜的龐大的神經(jīng)系統(tǒng)，同理，神經(jīng)網(wǎng)絡(luò)就是由大量簡(jiǎn)單的處理單元相互連接形成的復(fù)雜的智能系統(tǒng)。單獨(dú)的處理單元類似于一個(gè)神經(jīng)元，是一個(gè)可以接受不同信息但是只輸出一種信息的結(jié)構(gòu)單位。神經(jīng)網(wǎng)絡(luò)系統(tǒng)與生物學(xué)神經(jīng)系統(tǒng)相似的是具有自我修改能力，它可以同時(shí)接收大量的數(shù)據(jù)并進(jìn)行統(tǒng)一的分析處理，進(jìn)而輸出相應(yīng)的處理結(jié)果。這就使得神經(jīng)網(wǎng)絡(luò)系統(tǒng)具有了高度容錯(cuò)性、高度并行性、自我修改性、學(xué)習(xí)性以及高度復(fù)雜性，也正是由于這些特性才使的利用神經(jīng)網(wǎng)絡(luò)技術(shù)能夠及時(shí)準(zhǔn)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(yīng)用的神經(jīng)網(wǎng)絡(luò)模型分為三個(gè)層次：輸入層、接收外部信號(hào)或者是電梯自我檢測(cè)信息（如載重信息）;隱含層、對(duì)接收到了大量數(shù)據(jù)進(jìn)行相應(yīng)的分析處理;輸出層、將記錄著動(dòng)作命令的數(shù)據(jù)傳送出來(lái)。在電梯出現(xiàn)故障時(shí)，首先可以通過(guò)神經(jīng)網(wǎng)絡(luò)模型快速確定故障發(fā)生在哪一層達(dá)到節(jié)約時(shí)間的目的。但是神經(jīng)網(wǎng)絡(luò)也會(huì)因?yàn)槭諗克俣冗^(guò)于慢、訓(xùn)練強(qiáng)度太大或者是選擇的網(wǎng)絡(luò)模型不好等問(wèn)題導(dǎo)致診斷結(jié)果受到影響。
三、神經(jīng)網(wǎng)絡(luò)模型在電梯故障診斷中的應(yīng)用分類
神經(jīng)網(wǎng)絡(luò)模型已經(jīng)成為了如今電梯故障診斷中應(yīng)用最廣泛的技術(shù)模型，相比于傳統(tǒng)方式它具有診斷速度快、故障原因命中率高的優(yōu)點(diǎn)，因此引起了各方面專業(yè)人士的強(qiáng)烈關(guān)注，并在他們的不懈努力下得到了發(fā)展與創(chuàng)新。它跨越多個(gè)專業(yè)領(lǐng)域、通過(guò)對(duì)各種復(fù)雜的高難度工作的不斷的發(fā)展與改進(jìn)出現(xiàn)了越來(lái)越多的應(yīng)用模型，下面主要介紹了當(dāng)前應(yīng)用最普遍的BP網(wǎng)絡(luò)模型，并且簡(jiǎn)單的引入并介紹了近年來(lái)新興的模糊神經(jīng)網(wǎng)絡(luò)模型和遺傳小波神經(jīng)網(wǎng)絡(luò)模型。
（一）BP網(wǎng)絡(luò)模型
BP神經(jīng)網(wǎng)絡(luò)作為神經(jīng)網(wǎng)絡(luò)應(yīng)用最廣泛的一種，它多應(yīng)用的誤差反向傳播算法使其在模式識(shí)別、診斷故障、圖像識(shí)別以及管理系統(tǒng)方面具有相對(duì)先進(jìn)性?；贐P網(wǎng)絡(luò)的電梯故障診斷技術(shù)就是通過(guò)學(xué)習(xí)故障信息、診斷經(jīng)驗(yàn)并不斷訓(xùn)練，并將所學(xué)到的知識(shí)利用各層次之間節(jié)點(diǎn)上的權(quán)值從而表達(dá)出來(lái)。BP網(wǎng)絡(luò)系統(tǒng)的主要診斷步驟主要可以分為三步。第一步：對(duì)輸入輸出的數(shù)據(jù)進(jìn)行歸一化處理，將數(shù)據(jù)映射到特定的區(qū)間。第二步：建立BP網(wǎng)絡(luò)模型，訓(xùn)練BP網(wǎng)絡(luò)模型。第三：通過(guò)已經(jīng)訓(xùn)練好的網(wǎng)絡(luò)模型對(duì)原來(lái)的樣本進(jìn)行全面的檢測(cè)。算法步驟：a、在一定的取值范圍內(nèi)對(duì)數(shù)據(jù)進(jìn)行初始化;b、確定輸入值數(shù)值大小，計(jì)算出預(yù)期輸出量;c、用實(shí)際輸出的值減去上一步得到的數(shù)值;d、將上一步得到的誤差分配到隱含層，從而計(jì)算出隱含層的誤差;e、修正輸出層的權(quán)值和閾值，修正隱含層的權(quán)值;f、修正隱含層的閾值，修正隱含層和輸入層的權(quán)值。
（二）遺傳小波神經(jīng)網(wǎng)絡(luò)模型
遺傳算法運(yùn)用了生物界的優(yōu)勝劣汰、適者生存的思想對(duì)復(fù)雜問(wèn)題進(jìn)行優(yōu)化，適用于復(fù)雜的故障，起到了優(yōu)化簡(jiǎn)化問(wèn)題的作用。對(duì)局部數(shù)據(jù)進(jìn)行詳細(xì)的分析是小波法最大的特點(diǎn)，所以它被譽(yù)為“數(shù)字顯微鏡”。遺傳算法小波神經(jīng)網(wǎng)絡(luò)就是運(yùn)用小波進(jìn)行分解的方法分解模擬故障信號(hào)，將得到的數(shù)據(jù)進(jìn)行歸一化，將歸一化后的數(shù)值輸入到神經(jīng)網(wǎng)絡(luò)模型中。它融合了神經(jīng)網(wǎng)絡(luò)、小波分析和遺傳算法三者所有的優(yōu)點(diǎn)?；谶z傳小波神經(jīng)網(wǎng)絡(luò)的電梯故障診斷的一般步驟為：測(cè)試節(jié)點(diǎn)信號(hào)采樣、小波分解、故障特征量提取、歸一化得到訓(xùn)練樣本集、遺傳算法優(yōu)化、得到故障類型。遺傳小波神經(jīng)網(wǎng)絡(luò)模型在故障原因復(fù)雜、數(shù)據(jù)信息量巨大的電梯系統(tǒng)的應(yīng)用中能夠發(fā)揮更大的作用。
（三）模糊神經(jīng)網(wǎng)絡(luò)模型
模糊神經(jīng)網(wǎng)絡(luò)模型就是創(chuàng)新性的將神經(jīng)網(wǎng)絡(luò)與模糊理論結(jié)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(yǔ)言邏輯、判斷依據(jù)和結(jié)論都是模糊的。但是它的數(shù)據(jù)處理能力還有自我學(xué)習(xí)能力并沒(méi)有因此而變差，反而更加豐富了它的定性知識(shí)的內(nèi)容。在處理實(shí)際問(wèn)題的過(guò)程中，首先要建立所有可能發(fā)生的故障的完整集合，其次將所有的故障發(fā)生原因歸入到同一個(gè)集合中去，最后就是建立故障和原因的關(guān)系矩陣。分別叫做模糊故障集、模糊原因集、模糊關(guān)系矩陣。相較于BP網(wǎng)絡(luò)模型，這種模型更加的簡(jiǎn)單易行，充分發(fā)揮了神經(jīng)網(wǎng)絡(luò)和模糊邏輯的優(yōu)點(diǎn)，不會(huì)因?yàn)楣收显蜻^(guò)于復(fù)雜而失去診斷的準(zhǔn)確性，在原本豐富定性知識(shí)和強(qiáng)大數(shù)據(jù)處理能力的基礎(chǔ)上具有了很大的自我訓(xùn)練能力。
結(jié)語(yǔ)
綜上所述，神經(jīng)網(wǎng)絡(luò)技術(shù)可以應(yīng)用于復(fù)雜多模式的故障診斷并且既可以用于實(shí)時(shí)監(jiān)測(cè)也可以進(jìn)行離線診斷，在系統(tǒng)模式非常復(fù)雜或者根本不知道系統(tǒng)模式的情況都可以應(yīng)用，這些特點(diǎn)恰恰解決了傳統(tǒng)方法中最最難以解決的問(wèn)題，它的應(yīng)用提高了電梯故障的診斷速度和準(zhǔn)確度，保證了電梯運(yùn)行的安全性。雖然神經(jīng)網(wǎng)絡(luò)技術(shù)的優(yōu)點(diǎn)很多，但是在實(shí)際生活中的應(yīng)用還很少，因此還需要不斷的進(jìn)行改進(jìn)完善。同時(shí)還要注意將集中診斷方法融合到一起，例如穩(wěn)重提到的模糊神經(jīng)網(wǎng)絡(luò)模型和遺傳小波神經(jīng)網(wǎng)絡(luò)模型都是集成應(yīng)用的典型代表。
第5篇：反向傳播神經(jīng)網(wǎng)絡(luò)基本原理范文
關(guān)鍵詞：高速公路；隧道施工系統(tǒng)；安全評(píng)價(jià)；模糊理論；神經(jīng)網(wǎng)絡(luò)
0引言
近年來(lái)，隨著國(guó)家高速公路迅猛發(fā)展，隧道建設(shè)數(shù)量也越來(lái)越多，規(guī)模也越來(lái)越大。在隧道施工過(guò)程中，由于圍巖地質(zhì)條件的多樣性和復(fù)雜性，其施工事故發(fā)生率比其他巖土工程高且嚴(yán)重，給隧道工程施工人員身心帶來(lái)嚴(yán)重的危害，社會(huì)影響惡劣，有悖于國(guó)家建設(shè)和諧社會(huì)的宗旨。這就要求用科學(xué)的方法對(duì)隧道施工生產(chǎn)系統(tǒng)進(jìn)行安全分析與評(píng)估，預(yù)測(cè)事故發(fā)生的可能性[1]。
在傳統(tǒng)的公路隧道施工生產(chǎn)系統(tǒng)安全評(píng)價(jià)中，經(jīng)常使用的安全評(píng)價(jià)方法主要以定性安全評(píng)價(jià)方法為主，如專家論證法、安全檢查表法及作業(yè)條件危險(xiǎn)性評(píng)價(jià)法等[2,3]。近年來(lái)，在公路隧道施工生產(chǎn)系統(tǒng)安全評(píng)價(jià)中，引人了模糊綜合評(píng)價(jià)的方法，取得了較好的決策效果[4]。但是，該方法缺乏對(duì)環(huán)境變化的自學(xué)習(xí)能力，對(duì)權(quán)值不能進(jìn)行動(dòng)態(tài)調(diào)整[5],而神經(jīng)網(wǎng)絡(luò)具有非線性逼近能力,具有自學(xué)習(xí)、自適應(yīng)和并行分布處理能力，但其對(duì)不確定性知識(shí)的表達(dá)能力較差，因此，模糊控制與神經(jīng)網(wǎng)絡(luò)結(jié)合就可以優(yōu)勢(shì)互補(bǔ)，各取所長(zhǎng)[6]，在這方面已經(jīng)出現(xiàn)了一些研究成果[7～11]。為此，本文把人工神經(jīng)網(wǎng)絡(luò)理論與模糊綜合評(píng)價(jià)理論相融合，研究建立了一種模糊神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)模型，對(duì)公路隧道施工的安全管理水平進(jìn)行評(píng)價(jià)。
1模糊神經(jīng)網(wǎng)絡(luò)
1.1基本結(jié)構(gòu)原理
模糊神經(jīng)網(wǎng)絡(luò)是由與人腦神經(jīng)細(xì)胞相似的基本計(jì)算單元即神經(jīng)元通過(guò)大規(guī)模并行、相互連接而成的網(wǎng)絡(luò)系統(tǒng)，訓(xùn)練完的網(wǎng)絡(luò)系統(tǒng)具有處理評(píng)估不確定性的能力，也具有記憶聯(lián)想的能力，可以成為解決評(píng)估問(wèn)題的有效工具，對(duì)未知對(duì)象作出較為客觀正確的評(píng)估。
根據(jù)評(píng)估問(wèn)題的要求，本文采用具有多輸人單元和五輸出單元的三層前饋神經(jīng)網(wǎng)絡(luò)，其中包括神經(jīng)網(wǎng)絡(luò)和模糊集合兩方面的內(nèi)容。
1.2神經(jīng)網(wǎng)絡(luò)
為了模擬人腦結(jié)構(gòu)和功能的基本特性，前饋神經(jīng)網(wǎng)絡(luò)由許多非線性神經(jīng)元組成，并行分布，多層連接。Robert Hecht一Nielson于1989年證明了對(duì)于任何在閉區(qū)間內(nèi)的一個(gè)連續(xù)函數(shù)都可以用一個(gè)隱層的BP網(wǎng)絡(luò)來(lái)逼近[12]，因而一個(gè)三層的BP網(wǎng)絡(luò)完全可以完成任意的輸人層到輸出層的變換。因此，本文研究的公路隧道施工系統(tǒng)安全評(píng)價(jià)模糊神經(jīng)網(wǎng)絡(luò)采用三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。輸人層有 個(gè)神經(jīng)元，輸人向量 ， ，輸人層神經(jīng)元 的輸出是輸人向量的各分分量 。隱層有個(gè)神經(jīng)元 ， ，若輸人層神經(jīng)元 與隱層神經(jīng)元 之間的連接權(quán)值為 ，且隱層神經(jīng)元 的閾值為 ，則隱層神經(jīng)元 的輸出為
(l)
式中 是神經(jīng)元的激勵(lì)函數(shù)，一般選取單調(diào)遞增的有界非線性函數(shù)，這里選用Sigmoid函數(shù)：
(2)
由此，隱層神經(jīng)元的輸出為：
(3)
同理可得輸出層神經(jīng)元的輸出為：
(4)
1.3學(xué)習(xí)算法
本網(wǎng)絡(luò)采用BP學(xué)習(xí)算法，它是一種有教師的學(xué)習(xí)算法，其學(xué)習(xí)過(guò)程由信號(hào)的正向傳播和誤差的反向傳播組成?；驹硎牵涸O(shè)輸人學(xué)習(xí)樣本為 個(gè)，即輸人矢量 ，已知其對(duì)應(yīng)的期望輸出矢量(教師信號(hào))為 ，正向傳播過(guò)程將學(xué)習(xí)樣本輸人模式 從輸人層經(jīng)隱含單元層逐層處理，并傳向輸出層，得到實(shí)際的輸出矢量 ，如果在輸出層不能得到期望輸出 ，則轉(zhuǎn)人反向傳播，將 與 的誤差信號(hào)通過(guò)隱層向輸入層逐層反傳，并將誤差分?jǐn)偨o各層的所有單元，從而調(diào)整各神經(jīng)元之間的連接權(quán)值，這種信號(hào)正向傳播與誤差反向傳播得各層權(quán)值調(diào)整過(guò)程是周而復(fù)始地進(jìn)行的，直到網(wǎng)絡(luò)輸出的誤差減少到可接受的程度，或進(jìn)行到預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止。
網(wǎng)絡(luò)的具體學(xué)習(xí)算法的計(jì)算模型如下：
對(duì)某一學(xué)習(xí)樣本 ，誤差函數(shù)為
（5）
式中： 、 分別為該樣本的輸出期望值和實(shí)際值。
對(duì)于所有學(xué)習(xí)樣本 ，網(wǎng)絡(luò)的總誤差為
（6）
網(wǎng)絡(luò)學(xué)習(xí)算法實(shí)際上就是求誤差函數(shù)的極小值。利用非線性規(guī)劃中的梯度下降法(最速下降法)，使權(quán)值沿著誤差函數(shù)的負(fù)梯度方向改變。
隱層與輸出層之間的權(quán)值(及閾值) 的更新量 可表示為
（7）
式中： 為學(xué)習(xí)率，可取 。
將式（6）和（4）代入式（7），并利用復(fù)合函數(shù)求導(dǎo)的連鎖規(guī)則，得
（8）
式中： 為迭代次數(shù)， 為誤差信號(hào)
（9）
類似的，輸入層與隱層之間的權(quán)值（及閾值）修正為
（10）
同理可得
式中 為誤差信號(hào)
（11）
為了改善收斂性，提高網(wǎng)絡(luò)的訓(xùn)練速度，避免訓(xùn)練過(guò)程發(fā)生振蕩，對(duì)BP算法進(jìn)行改進(jìn)，在權(quán)值調(diào)整公式中增加一動(dòng)量項(xiàng)，即從前一次權(quán)值調(diào)整量中取出一部分迭加到本次權(quán)值調(diào)整量中，即：
（12）
（13）
式中 為動(dòng)量因子，一般有 。
1.4模糊集合
評(píng)估指標(biāo)集由表征一類評(píng)估決策問(wèn)題的若干性能指標(biāo)組成。由于指標(biāo)的量化含有不確定性，故用模糊方法加以處理[13]。評(píng)估指標(biāo)的模糊集合 可表示為
（14）
式中： 是評(píng)估指標(biāo)， 是相應(yīng)指標(biāo)的評(píng)價(jià)滿意度， 。
評(píng)估指標(biāo)集用其滿意度表示，取值在[0，1]之間，作為模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)中神經(jīng)網(wǎng)絡(luò)的輸人向量，這正好符合神經(jīng)網(wǎng)絡(luò)對(duì)輸人向量特征化的要求。實(shí)踐表明，經(jīng)過(guò)對(duì)輸人向量的特征化處理，可大大減少網(wǎng)絡(luò)的學(xué)習(xí)時(shí)間，加速網(wǎng)絡(luò)訓(xùn)練的收斂。
2隧道施工系統(tǒng)安全評(píng)價(jià)模糊神經(jīng)網(wǎng)絡(luò)
2.1指標(biāo)體系與神經(jīng)網(wǎng)絡(luò)劃分
實(shí)踐證明，一個(gè)好的隧道施工系統(tǒng)安全評(píng)價(jià)方法應(yīng)滿足以下要求：評(píng)價(jià)指標(biāo)能全面準(zhǔn)確地反映出隧道施工系統(tǒng)的狀況與技術(shù)質(zhì)量特征；評(píng)價(jià)模式簡(jiǎn)單明了，可操作性強(qiáng)，易掌握；評(píng)價(jià)結(jié)論能反映隧道施工系統(tǒng)的合理性、經(jīng)濟(jì)性及安全可靠性；評(píng)價(jià)中所采用的數(shù)據(jù)易于獲取，數(shù)據(jù)處理工作量?。豁攲虞敵黾礊橄到y(tǒng)的專家評(píng)估，而每層各評(píng)估項(xiàng)目的子系統(tǒng)都可以用子結(jié)構(gòu)表示。
每個(gè)子結(jié)構(gòu)具有輸人輸出關(guān)系可表達(dá)為
（15）
其中 是子系統(tǒng)的輸出， 是子系統(tǒng)的輸人矢量， 為相應(yīng)的專家(加權(quán))知識(shí)。
評(píng)估專家系統(tǒng)中各子系統(tǒng)的評(píng)估由各自的模糊神經(jīng)網(wǎng)絡(luò)來(lái)完成。
這種對(duì)評(píng)估系統(tǒng)的結(jié)構(gòu)分解和組合具有如下特點(diǎn)：
（1）每個(gè)子系統(tǒng)可以采用較少的神經(jīng)元來(lái)實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)和知識(shí)推理，這樣既減少了學(xué)習(xí)樣本數(shù)、提高了樣本訓(xùn)練速度，又能夠獨(dú)立完成某一推理任務(wù)。
（2）分解的各子系統(tǒng)具有相對(duì)獨(dú)立性，便于系統(tǒng)的修改、擴(kuò)展和子系統(tǒng)的刪除，從而具有良好的維護(hù)性。
（3）子系統(tǒng)的評(píng)估項(xiàng)目即為節(jié)點(diǎn)，在系統(tǒng)進(jìn)行評(píng)估推理時(shí)產(chǎn)生的評(píng)估表示式可以很好地解釋評(píng)估系統(tǒng)的推理過(guò)程，避免了神經(jīng)網(wǎng)絡(luò)權(quán)值難以理解所致的推理過(guò)程難以理解的弱點(diǎn)。
2.2網(wǎng)絡(luò)的設(shè)計(jì)
評(píng)估問(wèn)題是前向處理問(wèn)題，所以選用如前所述的前向型模糊神經(jīng)網(wǎng)絡(luò)來(lái)實(shí)現(xiàn)。
（1）輸人層
輸人層是對(duì)模糊信息進(jìn)行預(yù)處理的網(wǎng)層，主要用于對(duì)來(lái)自輸人單元的輸人值進(jìn)行規(guī)范化處理，輸出由系統(tǒng)模糊變量基本狀態(tài)的隸屬函數(shù)所確定的標(biāo)準(zhǔn)化的值，以便使其適應(yīng)后面的處理。根據(jù)評(píng)價(jià)指標(biāo)體系，對(duì)應(yīng)20個(gè)指標(biāo)構(gòu)建BP網(wǎng)絡(luò)的輸入層為20個(gè)節(jié)點(diǎn)，將指標(biāo)轉(zhuǎn)換為相應(yīng)指數(shù)后作為樣本進(jìn)入網(wǎng)絡(luò)進(jìn)行計(jì)算。
（2）隱層(模糊推理層)
該層是前向型模糊神經(jīng)網(wǎng)絡(luò)的核心，用以執(zhí)行模糊關(guān)系的映射，將指標(biāo)狀態(tài)輸入與評(píng)估結(jié)果輸出聯(lián)系起來(lái)。采用試探法選取模型的隱含層神經(jīng)元數(shù)，即首先給定一個(gè)較小的隱含層神經(jīng)元數(shù)，代入模型觀察其收斂情況，然后逐漸增大，直至網(wǎng)絡(luò)穩(wěn)定收斂。通過(guò)計(jì)算該模型的隱含層神經(jīng)元數(shù)為28個(gè)。
（3）輸出層
輸出層是求解模糊神經(jīng)網(wǎng)絡(luò)的結(jié)果，也是最后的評(píng)估結(jié)果。我們把評(píng)價(jià)因素論域中的每一因素分成5個(gè)評(píng)價(jià)等級(jí)，即
={安全（ ），較安全（ ），安全性一般（ ），較不安全（ ），不安全（ ）}
對(duì)應(yīng)這5個(gè)等級(jí)，確定輸出層為5個(gè)節(jié)點(diǎn)。這樣就構(gòu)建了一個(gè)“20―28―5”的3層BP網(wǎng)絡(luò)作為評(píng)價(jià)體系的網(wǎng)絡(luò)模型。
2.3模糊神經(jīng)網(wǎng)絡(luò)訓(xùn)練
網(wǎng)絡(luò)設(shè)計(jì)好后,須對(duì)其進(jìn)行訓(xùn)練，使網(wǎng)絡(luò)具有再現(xiàn)專家評(píng)估的知識(shí)和經(jīng)驗(yàn)的能力。樣本數(shù)據(jù)來(lái)自我省已經(jīng)建成的高速公路隧道施工的現(xiàn)場(chǎng)數(shù)據(jù)庫(kù)，從中選取30組，其中20組數(shù)據(jù)作為訓(xùn)練樣本，余下的10組作為測(cè)試樣本。實(shí)際網(wǎng)絡(luò)訓(xùn)練表明，當(dāng)訓(xùn)練步數(shù)為12875時(shí)，達(dá)到了目標(biāo)要求的允差，獲得模糊神經(jīng)網(wǎng)絡(luò)各節(jié)點(diǎn)的權(quán)值和閾值，網(wǎng)絡(luò)訓(xùn)練學(xué)習(xí)成功。根據(jù)最大隸屬度原則進(jìn)行比較，與期望結(jié)果相符，其準(zhǔn)確率為100%。這說(shuō)明所建立的隧道施工系統(tǒng)安全評(píng)價(jià)模糊神經(jīng)網(wǎng)絡(luò)模型及訓(xùn)練結(jié)果可靠。
3 工程應(yīng)用實(shí)例
利用所訓(xùn)練好的模糊神經(jīng)網(wǎng)絡(luò)模型，對(duì)江西省正在施工的某高速公路A3合同段3座隧道（北晨亭隧道、洪家坂隧道和窯坑隧道）施工系統(tǒng)進(jìn)行安全評(píng)價(jià)測(cè)定，評(píng)價(jià)出系統(tǒng)的安全狀況與3座隧道施工實(shí)際情況完全相符。同時(shí)，實(shí)際系統(tǒng)的評(píng)價(jià)結(jié)果又可作為新的學(xué)習(xí)樣本輸入網(wǎng)絡(luò)模型，實(shí)現(xiàn)歷史經(jīng)驗(yàn)和新知識(shí)相結(jié)合,在發(fā)展過(guò)程中動(dòng)態(tài)地評(píng)價(jià)系統(tǒng)的安全狀態(tài)。
4 結(jié)論
（1）本文對(duì)模糊理論與神經(jīng)網(wǎng)絡(luò)融合技術(shù)進(jìn)行了研究，建立了一種公路隧道施工系統(tǒng)安全模糊神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)模型，利用歷史樣本數(shù)據(jù)進(jìn)行學(xué)習(xí)訓(xùn)練和測(cè)試，并對(duì)工程實(shí)例進(jìn)行了評(píng)價(jià)。結(jié)果顯示，該評(píng)價(jià)方法可行，評(píng)價(jià)精度滿足工程應(yīng)用要求,為公路隧道施工安全評(píng)價(jià)探索了一種新的評(píng)價(jià)方法。
（2）運(yùn)用模糊神經(jīng)網(wǎng)絡(luò)知識(shí)存儲(chǔ)和自適應(yīng)性特征，通過(guò)適當(dāng)補(bǔ)充學(xué)習(xí)樣本，可以實(shí)現(xiàn)歷史經(jīng)驗(yàn)與新知識(shí)完美結(jié)合，在發(fā)展過(guò)程中動(dòng)態(tài)地評(píng)價(jià)公路隧道施工系統(tǒng)的安全狀態(tài)，可及時(shí)評(píng)估出施工系統(tǒng)的安全狀況，盡早發(fā)現(xiàn)安全隱患。
參考文獻(xiàn)：
[1]徐德蜀.安全科學(xué)與工程導(dǎo)論[M].北京:化學(xué)工業(yè)出版社,2005.
[2]劉鐵民,張興凱,劉功智.安全評(píng)價(jià)方法應(yīng)用指南[M].北京:化學(xué)工業(yè)出版社,2005.
[3]田建,李志強(qiáng),張斌.交通建設(shè)工程安全評(píng)價(jià)技術(shù)現(xiàn)狀及趨勢(shì)研究[J].中國(guó)安全科學(xué)學(xué)報(bào),2008,18(6):171-176.
[4]張鴻,劉優(yōu)平,黎劍華等.基于模糊理論的隧道施工安全預(yù)警模型研究及應(yīng)用[J].中國(guó)安全科學(xué)學(xué)報(bào),2009.19(4):5-10.
[5]劉輝,王海寧,呂志飛.模糊神經(jīng)網(wǎng)絡(luò)技術(shù)在礦山安全評(píng)價(jià)中的適應(yīng)性研究[J].中國(guó)安全生產(chǎn)科學(xué)技術(shù),2005,1(3):54-59.
[6]張吉禮.模糊-神經(jīng)網(wǎng)絡(luò)控制原理與工程應(yīng)用[M].哈爾濱:哈爾濱工業(yè)大學(xué)出版社,2004.
[7]葛淑杰,李彥峰,姜天文等.基于模糊神經(jīng)網(wǎng)絡(luò)的煤礦安全評(píng)價(jià)綜合評(píng)判[J].黑龍江科技學(xué)院學(xué)報(bào),2007,17(4):321-325.
[8]鄭恒,汪佩蘭.模糊神經(jīng)網(wǎng)絡(luò)在火工品生產(chǎn)系統(tǒng)安全評(píng)價(jià)中的應(yīng)用[J].安全與環(huán)境學(xué)報(bào),2004,4:159-162.
[9田軍.基于模糊神經(jīng)網(wǎng)絡(luò)的隧道圍巖分級(jí)系統(tǒng)[J].湖南交通科技,2007,34(4):104-107.
[10]郭宇航,王保國(guó).兩類新型神經(jīng)網(wǎng)絡(luò)及其在安全評(píng)價(jià)中的應(yīng)用[J].中國(guó)安全科學(xué)學(xué)報(bào),2008,18(7):28-33.
[11]宋瑞,鄧寶.神經(jīng)元網(wǎng)絡(luò)在安全評(píng)價(jià)中的應(yīng)用[J].中國(guó)安全科學(xué)學(xué)報(bào),2005,15(3):78-81.
[12]韓力群.人工神經(jīng)網(wǎng)絡(luò)理論、設(shè)計(jì)及應(yīng)用[M].北京:化學(xué)工業(yè)出版社,2007.
[13]楊綸標(biāo),高英儀.模糊數(shù)學(xué)原理及應(yīng)用[M].廣州:華南理工大學(xué),2005.
第6篇：反向傳播神經(jīng)網(wǎng)絡(luò)基本原理范文
只有清楚地了解電梯控制系統(tǒng)的運(yùn)行原理才能夠及時(shí)準(zhǔn)確的診斷出電梯故障原因，因此清楚的了解電梯運(yùn)行原理,每一個(gè)電梯維修人員必須要做到。電梯運(yùn)行過(guò)程總體上可分為以下幾個(gè)階段：第一、登記層外召喚信號(hào)和登記內(nèi)選指令階段；第二、電梯門關(guān)閉或者電梯按照系統(tǒng)指令停運(yùn)階段；第三、啟動(dòng)階段；第四、在到達(dá)信號(hào)記錄的樓層前進(jìn)行減速制動(dòng)；第五、平層開(kāi)門階段。在整個(gè)過(guò)程中電梯需要從外界接收信號(hào)并處理，然后完成相應(yīng)的指令或者輸出信號(hào)，由此可以將電梯看作是一個(gè)完整的獨(dú)立的系統(tǒng)，只需要外界給予相應(yīng)的信號(hào)就可以自動(dòng)的做出動(dòng)作。電梯系統(tǒng)內(nèi)部復(fù)雜的構(gòu)件緊密的結(jié)合在一起，正是如此才使得電梯系統(tǒng)故障具有了復(fù)雜性、層次性、相關(guān)性以及不確定性的特點(diǎn)。
二、神經(jīng)網(wǎng)絡(luò)技術(shù)基本原理
生物學(xué)上的神經(jīng)是由一個(gè)個(gè)簡(jiǎn)單的神經(jīng)元相互連接進(jìn)而形成了復(fù)雜的龐大的神經(jīng)系統(tǒng)，同理，神經(jīng)網(wǎng)絡(luò)就是由大量簡(jiǎn)單的處理單元相互連接形成的復(fù)雜的智能系統(tǒng)。單獨(dú)的處理單元類似于一個(gè)神經(jīng)元，是一個(gè)可以接受不同信息但是只輸出一種信息的結(jié)構(gòu)單位。神經(jīng)網(wǎng)絡(luò)系統(tǒng)與生物學(xué)神經(jīng)系統(tǒng)相似的是具有自我修改能力，它可以同時(shí)接收大量的數(shù)據(jù)并進(jìn)行統(tǒng)一的分析處理，進(jìn)而輸出相應(yīng)的處理結(jié)果。這就使得神經(jīng)網(wǎng)絡(luò)系統(tǒng)具有了高度容錯(cuò)性、高度并行性、自我修改性、學(xué)習(xí)性以及高度復(fù)雜性，也正是由于這些特性才使的利用神經(jīng)網(wǎng)絡(luò)技術(shù)能夠及時(shí)準(zhǔn)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(yīng)用的神經(jīng)網(wǎng)絡(luò)模型分為三個(gè)層次：輸入層、接收外部信號(hào)或者是電梯自我檢測(cè)信息（如載重信息）；隱含層、對(duì)接收到了大量數(shù)據(jù)進(jìn)行相應(yīng)的分析處理；輸出層、將記錄著動(dòng)作命令的數(shù)據(jù)傳送出來(lái)。在電梯出現(xiàn)故障時(shí)，首先可以通過(guò)神經(jīng)網(wǎng)絡(luò)模型快速確定故障發(fā)生在哪一層達(dá)到節(jié)約時(shí)間的目的。但是神經(jīng)網(wǎng)絡(luò)也會(huì)因?yàn)槭諗克俣冗^(guò)于慢、訓(xùn)練強(qiáng)度太大或者是選擇的網(wǎng)絡(luò)模型不好等問(wèn)題導(dǎo)致診斷結(jié)果受到影響。
三、神經(jīng)網(wǎng)絡(luò)模型在電梯故障診斷中的應(yīng)用分類
神經(jīng)網(wǎng)絡(luò)模型已經(jīng)成為了如今電梯故障診斷中應(yīng)用最廣泛的技術(shù)模型，相比于傳統(tǒng)方式它具有診斷速度快、故障原因命中率高的優(yōu)點(diǎn)，因此引起了各方面專業(yè)人士的強(qiáng)烈關(guān)注，并在他們的不懈努力下得到了發(fā)展與創(chuàng)新。它跨越多個(gè)專業(yè)領(lǐng)域、通過(guò)對(duì)各種復(fù)雜的高難度工作的不斷的發(fā)展與改進(jìn)出現(xiàn)了越來(lái)越多的應(yīng)用模型，下面主要介紹了當(dāng)前應(yīng)用最普遍的BP網(wǎng)絡(luò)模型，并且簡(jiǎn)單的引入并介紹了近年來(lái)新興的模糊神經(jīng)網(wǎng)絡(luò)模型和遺傳小波神經(jīng)網(wǎng)絡(luò)模型。
（一）BP網(wǎng)絡(luò)模型
BP神經(jīng)網(wǎng)絡(luò)作為神經(jīng)網(wǎng)絡(luò)應(yīng)用最廣泛的一種，它多應(yīng)用的誤差反向傳播算法使其在模式識(shí)別、診斷故障、圖像識(shí)別以及管理系統(tǒng)方面具有相對(duì)先進(jìn)性?；贐P網(wǎng)絡(luò)的電梯故障診斷技術(shù)就是通過(guò)學(xué)習(xí)故障信息、診斷經(jīng)驗(yàn)并不斷訓(xùn)練，并將所學(xué)到的知識(shí)利用各層次之間節(jié)點(diǎn)上的權(quán)值從而表達(dá)出來(lái)。BP網(wǎng)絡(luò)系統(tǒng)的主要診斷步驟主要可以分為三步。第一步：對(duì)輸入輸出的數(shù)據(jù)進(jìn)行歸一化處理，將數(shù)據(jù)映射到特定的區(qū)間。第二步：建立BP網(wǎng)絡(luò)模型，訓(xùn)練BP網(wǎng)絡(luò)模型。第三：通過(guò)已經(jīng)訓(xùn)練好的網(wǎng)絡(luò)模型對(duì)原來(lái)的樣本進(jìn)行全面的檢測(cè)。算法步驟：a、在一定的取值范圍內(nèi)對(duì)數(shù)據(jù)進(jìn)行初始化；b、確定輸入值數(shù)值大小，計(jì)算出預(yù)期輸出量；c、用實(shí)際輸出的值減去上一步得到的數(shù)值；d、將上一步得到的誤差分配到隱含層，從而計(jì)算出隱含層的誤差；e、修正輸出層的權(quán)值和閾值，修正隱含層的權(quán)值；f、修正隱含層的閾值，修正隱含層和輸入層的權(quán)值。
（二）遺傳小波神經(jīng)網(wǎng)絡(luò)模型
遺傳算法運(yùn)用了生物界的優(yōu)勝劣汰、適者生存的思想對(duì)復(fù)雜問(wèn)題進(jìn)行優(yōu)化，適用于復(fù)雜的故障，起到了優(yōu)化簡(jiǎn)化問(wèn)題的作用。對(duì)局部數(shù)據(jù)進(jìn)行詳細(xì)的分析是小波法最大的特點(diǎn)，所以它被譽(yù)為“數(shù)字顯微鏡”。遺傳算法小波神經(jīng)網(wǎng)絡(luò)就是運(yùn)用小波進(jìn)行分解的方法分解模擬故障信號(hào)，將得到的數(shù)據(jù)進(jìn)行歸一化，將歸一化后的數(shù)值輸入到神經(jīng)網(wǎng)絡(luò)模型中。它融合了神經(jīng)網(wǎng)絡(luò)、小波分析和遺傳算法三者所有的優(yōu)點(diǎn)?；谶z傳小波神經(jīng)網(wǎng)絡(luò)的電梯故障診斷的一般步驟為：測(cè)試節(jié)點(diǎn)信號(hào)采樣、小波分解、故障特征量提取、歸一化得到訓(xùn)練樣本集、遺傳算法優(yōu)化、得到故障類型。遺傳小波神經(jīng)網(wǎng)絡(luò)模型在故障原因復(fù)雜、數(shù)據(jù)信息量巨大的電梯系統(tǒng)的應(yīng)用中能夠發(fā)揮更大的作用。
（三）模糊神經(jīng)網(wǎng)絡(luò)模型
模糊神經(jīng)網(wǎng)絡(luò)模型就是創(chuàng)新性的將神經(jīng)網(wǎng)絡(luò)與模糊理論結(jié)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(yǔ)言邏輯、判斷依據(jù)和結(jié)論都是模糊的。但是它的數(shù)據(jù)處理能力還有自我學(xué)習(xí)能力并沒(méi)有因此而變差，反而更加豐富了它的定性知識(shí)的內(nèi)容。在處理實(shí)際問(wèn)題的過(guò)程中，首先要建立所有可能發(fā)生的故障的完整集合，其次將所有的故障發(fā)生原因歸入到同一個(gè)集合中去，最后就是建立故障和原因的關(guān)系矩陣。分別叫做模糊故障集、模糊原因集、模糊關(guān)系矩陣。相較于BP網(wǎng)絡(luò)模型，這種模型更加的簡(jiǎn)單易行，充分發(fā)揮了神經(jīng)網(wǎng)絡(luò)和模糊邏輯的優(yōu)點(diǎn)，不會(huì)因?yàn)楣收显蜻^(guò)于復(fù)雜而失去診斷的準(zhǔn)確性，在原本豐富定性知識(shí)和強(qiáng)大數(shù)據(jù)處理能力的基礎(chǔ)上具有了很大的自我訓(xùn)練能力。
四、結(jié)語(yǔ)
第7篇：反向傳播神經(jīng)網(wǎng)絡(luò)基本原理范文
Abstract： This article discusses the green construction theory and builds a construction project green construction assessment index system. The construction project green construction assessment model is built based on BP artificial neural network， and the model is used to simulate the green construction of a practical project.
關(guān)鍵詞： BP人工神經(jīng)網(wǎng)絡(luò)；綠色施工；評(píng)價(jià)方法
Key words： BP artificial neural network；green construction；assessment method
中圖分類號(hào)：TU71 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1006-4311（2015）12-0005-04
0 引言
隨著我國(guó)建筑業(yè)的快速發(fā)展，建筑工程建設(shè)消耗自然資源和破壞生態(tài)環(huán)境的問(wèn)題，已經(jīng)引起了社會(huì)各界的廣泛關(guān)注，建筑生產(chǎn)活動(dòng)中的施工階段是大規(guī)模地改變自然生態(tài)環(huán)境、消耗自然資源的階段。針對(duì)該階段進(jìn)行控制和管理，實(shí)施綠色施工，可以有效改善建筑工程能耗大、破壞生態(tài)環(huán)境等的問(wèn)題。近年來(lái)，綠色施工已經(jīng)成為建筑工程的施工的主要趨勢(shì)，我國(guó)已經(jīng)在綠色建筑的評(píng)價(jià)體系研究方面取得了很多富有價(jià)值的研究成果，如建設(shè)部住宅產(chǎn)業(yè)化促進(jìn)中心制定的《綠色生態(tài)住宅小區(qū)建設(shè)要點(diǎn)與技術(shù)導(dǎo)則》、《現(xiàn)代房地產(chǎn)綠色開(kāi)發(fā)與評(píng)價(jià)》、《綠色奧運(yùn)建筑評(píng)估體系》等，建設(shè)部的《綠色施工導(dǎo)則》中給出了綠色施工的定義，指工程施工過(guò)程中，在保證質(zhì)量、安全等基本要求的前提下，通過(guò)科學(xué)管理和先進(jìn)技術(shù)，最大限度地節(jié)約資源與減少對(duì)環(huán)境負(fù)面影響的施工活動(dòng)，實(shí)現(xiàn)節(jié)能、節(jié)地、節(jié)水、節(jié)材和環(huán)境保護(hù)[1]。以這些理論背景為基礎(chǔ)，構(gòu)建綠色施工評(píng)價(jià)指標(biāo)體系，研究適用于綠色施工的評(píng)價(jià)方法對(duì)于推動(dòng)綠色施工實(shí)踐具有十分重要的意義。
人工神經(jīng)網(wǎng)絡(luò)，是利用計(jì)算機(jī)來(lái)模擬生物神經(jīng)網(wǎng)絡(luò)系統(tǒng)，通過(guò)模擬生物神經(jīng)系統(tǒng)的工作機(jī)理，來(lái)抽取其活動(dòng)過(guò)程中的可利用部分通過(guò)物理器件進(jìn)行實(shí)現(xiàn)，也就是將生物細(xì)胞進(jìn)行了數(shù)學(xué)化[2]。目前比較常用的是BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)算法。是一種基于逆?zhèn)鞑ピ淼乃惴?，由于它?yōu)秀的自學(xué)習(xí)、自聯(lián)想功能，使得BP人工神經(jīng)網(wǎng)絡(luò)廣泛的應(yīng)用于非線性建模、函數(shù)逼近等方面。本文選擇BP神經(jīng)網(wǎng)絡(luò)模型研究建筑工程綠色施工評(píng)價(jià)問(wèn)題，能夠模擬出專家對(duì)綠色施工評(píng)價(jià)的思維過(guò)程，大大提高工作效率，減少評(píng)價(jià)周期，避免評(píng)價(jià)過(guò)程中人為因素及模糊隨機(jī)性的影響。
1 建筑工程綠色施工評(píng)價(jià)指標(biāo)
建筑工程綠色施工是一個(gè)多種因素相互影響作用的綜合系統(tǒng)，建筑工程綠色施工評(píng)價(jià)工作的進(jìn)行依賴于綠色施工評(píng)價(jià)指標(biāo)的選取的有效性和準(zhǔn)確性。本文參考了各位專家學(xué)者對(duì)綠色施工定義、框架劃分及相關(guān)文獻(xiàn)的研究，并聽(tīng)取了他們的意見(jiàn)建議，從建筑工程綠色施工的本質(zhì)要求出發(fā)，將建筑工程綠色施工評(píng)價(jià)的總體目標(biāo)分為施工技術(shù)、施工綜合管理、各類資源及能源的使用、環(huán)境控制這4個(gè)指標(biāo)。并結(jié)合對(duì)各類資源、能源的節(jié)約理念，環(huán)境保護(hù)目標(biāo)，可持續(xù)發(fā)展原則，以人為本的價(jià)值觀等將這4個(gè)一級(jí)指標(biāo)細(xì)分為26個(gè)二級(jí)指標(biāo)，從而建立了建筑工程評(píng)價(jià)指標(biāo)體系，見(jiàn)表1。
2 基于BP人工神經(jīng)網(wǎng)絡(luò)的建筑工程綠色施工評(píng)價(jià)模型
2.1 BP人工神經(jīng)網(wǎng)絡(luò)的基本原理
BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程是由正向傳播和反向傳播兩個(gè)階段構(gòu)成的，若給定一組樣本的輸入值和期望輸出值，通過(guò)正向傳播過(guò)程計(jì)算各節(jié)點(diǎn)之間的權(quán)值和閾值，然后通過(guò)將誤差通過(guò)反向傳播計(jì)算，實(shí)現(xiàn)對(duì)權(quán)值和閾值的調(diào)節(jié)，反復(fù)以上過(guò)程直到使輸出值落到最終滿意的誤差范圍內(nèi)，達(dá)到網(wǎng)絡(luò)訓(xùn)練的目的。其具體的計(jì)算過(guò)程這里以一個(gè)分別包含一個(gè)輸入層、隱含層和輸出層的三層的人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)加以說(shuō)明，如圖1所示。
令wir表示輸入層節(jié)點(diǎn)xi到隱含層節(jié)點(diǎn)yr間的連接權(quán)值，wrj表示隱含層節(jié)點(diǎn)yr到輸出層節(jié)點(diǎn)zj間的連接權(quán)值，θr表示為隱含層節(jié)點(diǎn)的閾值，θj為輸出層節(jié)點(diǎn)的閾值：
①給wir、θr、wrj、θj隨機(jī)賦一個(gè)較小的值，其值一般在0到1之間。
②輸入樣本，設(shè)樣本個(gè)數(shù)為P，樣本模式為（A（k）C（k））（K=1，2，…，P），即由給定樣本的輸入值和期望輸出值組成的矩陣。將A（k）的值x■■作為輸入層節(jié)點(diǎn)的值，逐層按公式（1）、（2）所示依次進(jìn)行正向的計(jì)算：
此處的EAV表示的是網(wǎng)絡(luò)訓(xùn)練的目標(biāo)誤差函數(shù)（j=l，2，…，n；k=1，2，…，p）。
基于上述計(jì)算，就能把擬解決問(wèn)題的特征值反應(yīng)在權(quán)值和閾值上，然后就可以利用這組特定的值來(lái)求解實(shí)際問(wèn)題的結(jié)果。
2.2 面向MATLAB的BP網(wǎng)絡(luò)評(píng)價(jià)模型設(shè)計(jì)
利用計(jì)算機(jī)軟件―MATLAB神經(jīng)網(wǎng)絡(luò)工具箱中所具有的函數(shù)功能，可以將上訴神經(jīng)網(wǎng)絡(luò)的計(jì)算過(guò)程，通過(guò)調(diào)用函數(shù)來(lái)進(jìn)行實(shí)現(xiàn)。
2.2.1 樣本數(shù)據(jù)的選取
以表1所示的建筑工程綠色施工評(píng)價(jià)指標(biāo)體系為基礎(chǔ)，對(duì)各定性指標(biāo)采用專家評(píng)判法進(jìn)行量化，將綠色施工水平從低到高依次劃分為五個(gè)等級(jí)：低（0，0.2）；較低（0.2，0.4）；一般（0.4，0.6）；較高（0.6，0.8）；高（0.8，1）。通過(guò)組織專家對(duì)國(guó)內(nèi)的15個(gè)項(xiàng)目的綠色施工水平進(jìn)行評(píng)定，得到了這15個(gè)項(xiàng)目的綠色施工評(píng)價(jià)指標(biāo)值，見(jiàn)表2。
對(duì)表2中的數(shù)據(jù)進(jìn)行歸納整理，征求各位專家的意見(jiàn)，得到建筑工程項(xiàng)目的綠色施工評(píng)價(jià)綜合評(píng)分表，見(jiàn)表3。
2.2.2 模型算法的實(shí)現(xiàn)
①確定BP網(wǎng)絡(luò)結(jié)構(gòu)各層神經(jīng)元節(jié)點(diǎn)數(shù)。采用圖1所示3層BP網(wǎng)絡(luò)結(jié)構(gòu)，輸入層為各評(píng)價(jià)指標(biāo)的評(píng)價(jià)值，共26個(gè)神經(jīng)元節(jié)點(diǎn)，輸出層表示對(duì)一個(gè)建筑工程綠色施工評(píng)價(jià)的綜合結(jié)果，即只有一個(gè)神經(jīng)元數(shù)值，根據(jù)經(jīng)驗(yàn)公式和反復(fù)的迭代試驗(yàn)缺點(diǎn)隱含層神經(jīng)元節(jié)點(diǎn)數(shù)目為19個(gè)。即本文研究問(wèn)題的BP神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)模型結(jié)構(gòu)為28×12×1。
②對(duì)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。將表2中前12組數(shù)據(jù)的專家打分值作為網(wǎng)絡(luò)的輸入節(jié)點(diǎn)值輸入網(wǎng)絡(luò)，將表3中的綜合評(píng)定值作為這12組數(shù)據(jù)的期望輸出值，使用MATLAB軟件編程，MATLAB中的語(yǔ)言為：
MATLAB程序語(yǔ)言具體如下：
P=[]'；
T=[]；
（ 輸入向量P和目標(biāo)向量T的矩陣值）
threshold=[]；
（設(shè)定網(wǎng)絡(luò)輸入向量的取值范圍矩陣，一般單個(gè)輸入向量的取值范圍為[0，1]）
net=newff（threshold，[15，1]，{‘tansig’，‘logsig’}，‘traingdx’）；
（此語(yǔ)句創(chuàng)建BP神經(jīng)網(wǎng)絡(luò)，訓(xùn)練函數(shù)為traingdx函數(shù)；權(quán)值調(diào)節(jié)規(guī)則函數(shù)為learngdm函數(shù)；，各層激勵(lì)函數(shù)類型為{‘tansig’，‘logsig’}）
net.trainParam.epochs=1000；
（設(shè)置網(wǎng)絡(luò)的最大訓(xùn)練次數(shù)）
net.trainParam.goal=0.00001；
（設(shè)置網(wǎng)絡(luò)的期望誤差）
net=train（net，P，T）；
（對(duì)創(chuàng)建的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練）
經(jīng)學(xué)習(xí)訓(xùn)練后的網(wǎng)絡(luò)輸出結(jié)果見(jiàn)表4，它們與期望輸出非常接近，綠色評(píng)價(jià)等級(jí)一致。網(wǎng)絡(luò)訓(xùn)練結(jié)果如圖2。
③對(duì)網(wǎng)絡(luò)模型進(jìn)行檢測(cè)。將表2中后3組數(shù)據(jù)作為校驗(yàn)數(shù)據(jù)輸入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，MATLAB中的程序語(yǔ)言為：
P_test=[]'；
（輸入測(cè)試樣本的矩陣值）
Y=sim（net，P_test）.
（對(duì)網(wǎng)絡(luò)模型進(jìn)行仿真）
得到的綜合評(píng)價(jià)結(jié)果見(jiàn)表5。
由表5可見(jiàn)由訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)得到的檢測(cè)樣本的實(shí)際輸出值與期望值誤差很小，且綜合評(píng)價(jià)結(jié)果與專家評(píng)價(jià)結(jié)果一致。說(shuō)明得到的神經(jīng)網(wǎng)絡(luò)所反映的輸入與輸出之間的關(guān)系是正確的，可以有效地應(yīng)用于其他建筑工程項(xiàng)目的綠色施工評(píng)價(jià)。
3 案例分析
某地區(qū)稅務(wù)局的辦公樓工程，規(guī)劃用地約4300m2，地上九層、地下一層，建筑總高度34.5m，框架結(jié)構(gòu)，建筑面積約為8989.44m2。由于該工程建設(shè)初期，建設(shè)單位、設(shè)計(jì)單位、監(jiān)理單位對(duì)工程提出了一部分綠色施工要求，施工單位在建設(shè)過(guò)程中采用了大量的綠色施工新技術(shù)、新機(jī)械、新工藝。并針對(duì)保護(hù)環(huán)境采取了一定的技術(shù)措施，但由于施工工期安排較緊，人員培訓(xùn)不到位等因素的影響，在工程綠色施工方面還存在個(gè)別的問(wèn)題，在對(duì)工程項(xiàng)目資料做了仔細(xì)研究和對(duì)工程項(xiàng)目相關(guān)人員進(jìn)行了了解的基礎(chǔ)上，給出了此工程項(xiàng)目綠色施工評(píng)價(jià)指標(biāo)的的分值，見(jiàn)表6。
將表6中的數(shù)據(jù)輸入已經(jīng)訓(xùn)練成功的神經(jīng)網(wǎng)絡(luò)模型中，經(jīng)網(wǎng)絡(luò)計(jì)算，得到該項(xiàng)目綠色施工的綜合評(píng)價(jià)得分為0.6084，屬于綠色評(píng)價(jià)等級(jí)中的較高級(jí)別，此類工程項(xiàng)目可以在對(duì)施工人員進(jìn)行培訓(xùn)，控制噪聲和廢水、廢料，節(jié)約資源與能源方面做進(jìn)一步的優(yōu)化從而提高綠色施工水平。
4 結(jié)論
本文構(gòu)建了建筑工程綠色施工評(píng)價(jià)指標(biāo)體系，并通過(guò)BP人工神經(jīng)網(wǎng)絡(luò)法，對(duì)建筑工程綠色施工進(jìn)行了定量化的評(píng)價(jià)，通過(guò)樣本的訓(xùn)練和檢測(cè)驗(yàn)證了模型的有效性，訓(xùn)練好的網(wǎng)絡(luò)可用于一般建筑工程項(xiàng)目的綠色評(píng)價(jià)中，可大大提高評(píng)價(jià)工作的效率，及其準(zhǔn)確性、針對(duì)性。
參考文獻(xiàn)：
[1]熊燕.高等級(jí)公路綠色施工評(píng)價(jià)研究[D].長(zhǎng)沙理工大學(xué)碩士學(xué)位論文.長(zhǎng)沙：長(zhǎng)沙理工大學(xué)，2013.
[2]施彥，韓力群，廉小親.神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)方法與實(shí)例分析[M].北京：北京郵電大學(xué)出版社，2009.
[3]陳建國(guó)，閔洲源.基于BP人工神經(jīng)網(wǎng)絡(luò)的綠色施工評(píng)價(jià)方法研究[J].基建優(yōu)化，2007，10（28）：169-172.
第8篇：反向傳播神經(jīng)網(wǎng)絡(luò)基本原理范文
關(guān)鍵詞：圖像標(biāo)注；BP神經(jīng)網(wǎng)絡(luò)；Normalized Cuts；圖像低層特征
中圖分類號(hào)：TP391文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044(2011)14-3399-02
Image Semantic Annotation Based on BP Neural Network Algorithm
WU Yu-hua
(Department of information Technology, Hengyang Technician College, Hengyang 421008, China)
Abstract: Because of the "Semantic gab" problem in the traditional CBIR(content-based image retrieval ) systems, they are not fit in some special areas. The appearance of Image-Semantic-Annotation can effectively resolve this problem. This paper represents a method that first uses the Normalized Cuts to cut the image into several areas and then extract the low-level features, last use BP neural network algorithm to learn the relations between the areas and the annotation words. The experiment's results proved this method is valid and efficient.
Key words: image annotation; BP neural network; normalized cuts; low-level feature
基于內(nèi)容的圖像檢索近10年來(lái)得到了研究者的關(guān)注,一系列的基于內(nèi)容的圖像檢索方法和檢索系統(tǒng)被提出來(lái)。然而由于計(jì)算機(jī)對(duì)圖像信息的理解和人對(duì)圖像信息的理解存在著客觀區(qū)別, 檢索系統(tǒng)中就難免存在計(jì)算機(jī)認(rèn)為的“視覺(jué)相似”和人們所理解的“語(yǔ)義相似”之間的“語(yǔ)義鴻溝( Semantic gap )”。如何解決“語(yǔ)義鴻溝”問(wèn)題是目前CBIR系統(tǒng)亟待解決的技術(shù)難題。圖像標(biāo)注這個(gè)直觀的想法能有效地彌補(bǔ)語(yǔ)義的缺失,它可以利用已標(biāo)注的圖像集自動(dòng)學(xué)習(xí)語(yǔ)義概念空間與視覺(jué)特征空間的關(guān)系模型,并用此模型標(biāo)注未知語(yǔ)義的圖像,即它試圖在高層語(yǔ)義特征和底層視覺(jué)特征之間建立一座橋梁。因此,它可以一定程度解決大多基于內(nèi)容圖像檢索方法存在的語(yǔ)義鴻溝問(wèn)題。如果能實(shí)現(xiàn)自動(dòng)圖像標(biāo)注,那么現(xiàn)有的圖像檢索問(wèn)題實(shí)際上就可以轉(zhuǎn)化成技術(shù)已經(jīng)相當(dāng)成熟的文本檢索問(wèn)題。它的潛在應(yīng)用領(lǐng)域包括生物醫(yī)學(xué)、商業(yè)、軍事、教育、數(shù)字圖書館和互聯(lián)網(wǎng)檢索等。
1 相關(guān)研究工作
圖像自動(dòng)標(biāo)注技術(shù)可以利用已標(biāo)注的圖像集自動(dòng)學(xué)習(xí)語(yǔ)義概念空間與視覺(jué)特征空間的關(guān)系模型,并用此模型標(biāo)注未知語(yǔ)義的圖像,即它試圖在高層語(yǔ)義特征和底層視覺(jué)特征之間建立一座橋梁。近年來(lái)圖像自動(dòng)標(biāo)注技術(shù)正成為國(guó)際上圖像檢索領(lǐng)域的一個(gè)研究熱點(diǎn)。許多機(jī)器學(xué)習(xí)方法由于能很好地獲取圖像特征和文本描述之間的對(duì)應(yīng)關(guān)系,因而被引入這一領(lǐng)域，并且已經(jīng)出了一些成果，例如同現(xiàn)模型(Co-occurrence Model)[1],基于機(jī)器翻譯的對(duì)象識(shí)別模型[2]，跨媒體相關(guān)模型(Cross-Media Relevance, CMR)[3]等等。
本文中我們提出了先使用Normalized Cuts[4]方法對(duì)圖像進(jìn)行分割并提取出每個(gè)區(qū)域的低層特征，再利用BP神經(jīng)網(wǎng)絡(luò)算法來(lái)學(xué)習(xí)圖像區(qū)域特征和標(biāo)注字的對(duì)應(yīng)關(guān)系模型并用此模型來(lái)對(duì)未知語(yǔ)義圖像進(jìn)行自動(dòng)標(biāo)注的方法，實(shí)驗(yàn)證明該方法能夠取得很好的效果。
2 Normalized Cuts及圖像區(qū)域特征選擇
因?yàn)镹ormalized Cuts在圖像分割這塊有強(qiáng)的優(yōu)勢(shì)，所以本文中我們選擇其作為圖像的分割方法。先對(duì)圖像進(jìn)行Normalized Cuts區(qū)域分割，然后提取圖像的各個(gè)區(qū)域特征，在這里我們采用的圖像低層視覺(jué)特征是顏色、紋理特征的結(jié)合。
2.1 Normalized Cuts區(qū)域分割
我們使用Timothee Cour等人開(kāi)發(fā)的Multiscale Normalized Cuts Segmentation Toolbox對(duì)每個(gè)圖像（160*160）進(jìn)行區(qū)域分割（nsegs = 8），分割的效果如圖1所示。
2.2 低層特征提取
由于圖像的顏色分布信息主要集中在低階矩中，因此我們采用顏色的一階矩、二階矩和三階矩來(lái)表示圖像的顏色分布。一階中心矩、二階中心矩和三階中心矩分別表示圖像或子區(qū)域圖像的平均顏色、標(biāo)準(zhǔn)方差和三次根非對(duì)稱性，公式分別為以下式1、2和3：
(1)
(2)
(3)
對(duì)于每幅圖像每一個(gè)分割區(qū)域我們可以得到3個(gè)顏色分布特征。
我們采用的紋理特征是Gabor紋理特征（Gabor濾波變換后求取圖像區(qū)域的均值和方差）。Gabor濾波后的部份圖像效果圖如圖2所示。
我們對(duì)每幅圖像從4個(gè)尺度(0,1,2,3)和8個(gè)角度（0℃，45℃，90℃,135℃,180℃,225℃,270℃,315℃）組合進(jìn)行濾波后再提取每個(gè)區(qū)域的均值和方差作為紋理特征,這樣每個(gè)區(qū)域就可得到32個(gè)紋理特征。
通過(guò)上面的低層特征提取，每幅圖像的每個(gè)區(qū)域我們可以得到共有35個(gè)低層特征，即顏色特征3個(gè)，紋理特征32個(gè)。
3 BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)
3.1 BP神經(jīng)網(wǎng)絡(luò)典型結(jié)構(gòu)
圖3為BP網(wǎng)絡(luò)結(jié)構(gòu)圖。
3.2 BP學(xué)習(xí)算法[5]
BP(Back Propagation)算法為誤差反向傳播算法，主要分為兩個(gè)階段：一個(gè)前向傳播階段（計(jì)算誤差），另一個(gè)誤差反向傳播階段（修改權(quán)值）。
BP具體算法：
①創(chuàng)建nin個(gè)輸入單元，nhidden個(gè)隱藏單元，nout個(gè)輸出單元的網(wǎng)絡(luò)；
② 初始化所有的網(wǎng)絡(luò)權(quán)值為小的隨機(jī)值（-0.05~0.05）；
③ 在遇到終止條件前（達(dá)到迭代次數(shù)或者訓(xùn)練精度），對(duì)于每個(gè)訓(xùn)練樣例做以下計(jì)算：
1）輸入沿網(wǎng)絡(luò)前向傳播：把實(shí)例輸入網(wǎng)絡(luò),并計(jì)算網(wǎng)絡(luò)中每個(gè)單元u的輸出ou。
2）誤差沿網(wǎng)絡(luò)反向傳播：
對(duì)于網(wǎng)絡(luò)的每個(gè)輸出單元k,計(jì)算它的誤差項(xiàng)dk， ；
對(duì)于網(wǎng)絡(luò)的每個(gè)隱藏單元h,計(jì)算它的誤差項(xiàng)δh: 。
3）更新每個(gè)網(wǎng)絡(luò)權(quán)值wji，
3.3 圖像標(biāo)注基本原理
圖像標(biāo)注基本原理如圖4所示，主要分為兩個(gè)階段：模型訓(xùn)練階段和標(biāo)注階段，我們采用BP神經(jīng)網(wǎng)絡(luò)模型來(lái)學(xué)習(xí)圖像區(qū)域特征和標(biāo)注字之間的對(duì)應(yīng)關(guān)系。
訓(xùn)練階段主要是對(duì)已標(biāo)注的圖像集進(jìn)行處理，包括：1、圖像的區(qū)域分割，2、區(qū)域特征的提取，3、區(qū)域?qū)?yīng)的標(biāo)注字的提?。ㄒ布磳?duì)應(yīng)的標(biāo)記，例如在程序中，我們使用1代表森林，2代表草地，3代表動(dòng)物，4代表天空等），4、BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練幾個(gè)步驟，訓(xùn)練后得到的權(quán)值，我們保存在weight.txt文件中。
標(biāo)注階段是對(duì)待標(biāo)注的圖像集進(jìn)行處理，包括：1、圖像的區(qū)域分割，2、區(qū)域特征的提取，3、從weight.txt文件中讀取各層的權(quán)值到BP模型中，使用訓(xùn)練好的BP模型來(lái)對(duì)待標(biāo)注的圖像進(jìn)行標(biāo)注。
4 實(shí)驗(yàn)結(jié)果
我們使用的實(shí)驗(yàn)數(shù)據(jù)為微軟亞洲研究院視覺(jué)計(jì)算組的圖像集。我們從中挑選了300幅包含動(dòng)物、草地、森林和天空等對(duì)象的圖像作為訓(xùn)練集，先使用NormalizedCuts方法進(jìn)行區(qū)域分割，得到8個(gè)區(qū)域并抽取其36維特征向量，在程序中我們采用三層BP模型，36個(gè)輸入單元（對(duì)應(yīng)36個(gè)低層特征），15個(gè)隱藏單元和4個(gè)輸出單元（對(duì)應(yīng)4個(gè)對(duì)象，動(dòng)物、草地、森林和天空），學(xué)習(xí)因子為0.3，訓(xùn)練后得到權(quán)值保存在weight.txt文件中。另外我們選取了50幅圖像作為測(cè)試集，在PIV 2.0G 256M 硬件環(huán)境和XP系統(tǒng)，vs2005 + OpenCV_1.0的軟件環(huán)境下進(jìn)行實(shí)驗(yàn)，使用本文提出的方法來(lái)進(jìn)行圖像語(yǔ)義的標(biāo)注，準(zhǔn)確率達(dá)到78.23%，初期實(shí)驗(yàn)結(jié)果樣例如圖5所示。
5 結(jié)束語(yǔ)
使用BP神經(jīng)網(wǎng)絡(luò)算法能夠很好學(xué)習(xí)區(qū)域特征和標(biāo)注字的對(duì)應(yīng)關(guān)系，因此圖像的區(qū)域分割和低層視覺(jué)特征選擇很重要，搞好了就能很好地進(jìn)行圖像語(yǔ)義自動(dòng)標(biāo)注，對(duì)稍微簡(jiǎn)單點(diǎn)的圖像標(biāo)注準(zhǔn)確率比較高，對(duì)復(fù)雜圖像的標(biāo)注準(zhǔn)確率下降很多，也就是BP神經(jīng)網(wǎng)絡(luò)存在無(wú)法學(xué)習(xí)圖像的上下文信息的缺點(diǎn)。因此如果能夠融合圖像的上下文信息的話，標(biāo)注的效果會(huì)更好。而CRF（條件概率隨機(jī)場(chǎng)）[6]在融合上下文信息這方面功能很強(qiáng)大，因此，未來(lái)的工作重點(diǎn)主是結(jié)合BP和CRF對(duì)圖像進(jìn)行語(yǔ)義的自動(dòng)標(biāo)注。
參考文獻(xiàn)：
[1] Mori Y, Takahashi H, Oka R.Image-to-word transformation based on dividing and vector quantizing images with words[J].In Proc. of MISRM,1999.
[2] Duygulu P, Barnard K, de Freitas J F G, et al, Object Recognition as Machine Translation: Learning a Lexicon for a Fixed Image Vocabulary[J].Proceedings of the 7th European Conference on Computer Vision-Part IV,2002:97-112.
[3] Jeon J, Lavrenko V , Manmatha R. Automatic image annotation and retrieval using cross - media relevance models[C].New York: ACM Press, 2003:119 - 126.
[4] Shi J, Malik J.Normalized cuts and image segmentation[J].In Proc. IEEE Conf. Computer Vision and Pattern Recognition,731-737,1997.
第9篇：反向傳播神經(jīng)網(wǎng)絡(luò)基本原理范文
關(guān)鍵詞：估算模型、工程造價(jià)、思考
中圖分類號(hào)：TU723.3文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)：
建筑工程造價(jià)，在通常情況下指的就是工程建設(shè)過(guò)程中需要花費(fèi)的所有費(fèi)用，換言之，就是依據(jù)工程計(jì)劃此工程建設(shè)項(xiàng)目因開(kāi)展固定資產(chǎn)再生產(chǎn)而衍生出與之相對(duì)應(yīng)鋪底流動(dòng)資金與無(wú)形資金之和。事實(shí)上，工程造價(jià)既與建設(shè)地區(qū)的經(jīng)濟(jì)發(fā)展?fàn)顩r、建設(shè)者的技術(shù)水準(zhǔn)、當(dāng)?shù)卣恼叻龀值纫蛩叵⑾⑾嚓P(guān)，又緊密聯(lián)系著工程本身的內(nèi)容。
事實(shí)上，工程項(xiàng)目在施行過(guò)程中，不僅要耗費(fèi)大量時(shí)間，還需投入很多資金。且每一階段均會(huì)出現(xiàn)很多不確定因素，因此，在工程項(xiàng)目施工早期很難確定出一個(gè)合理、正確、科學(xué)的造價(jià)。然而，工程造價(jià)的合理性將會(huì)給施工單位和建設(shè)單位的共同經(jīng)濟(jì)利益帶來(lái)直接的影響。這就要求我們?cè)谌缃窀?jìng)爭(zhēng)日益激烈化的社會(huì)能熟練地應(yīng)用科學(xué)手段，精、穩(wěn)、準(zhǔn)地把工程造價(jià)估算出來(lái)。但是，工程造價(jià)會(huì)隨著項(xiàng)目開(kāi)展的深度的逐漸加深而愈漸合理化。工程項(xiàng)目富有計(jì)價(jià)特性，這就決定了在控制工程項(xiàng)目的過(guò)程中各個(gè)階段的手段與重點(diǎn)也許會(huì)存在一些差異。因此，在工程項(xiàng)目建設(shè)的全過(guò)程中，要確保工程造價(jià)能將工程的實(shí)際造價(jià)合理、科學(xué)地體現(xiàn)出來(lái)，與工程項(xiàng)目管理的需求與市場(chǎng)經(jīng)濟(jì)體制相適應(yīng)，積極采用合理、可行性高的、可操作性強(qiáng)的手段，管控好建設(shè)工程造價(jià)。
一、工程造價(jià)估算模型的類別
當(dāng)前，世界上存在的投資估算方法多種多樣，但每一樣方法的優(yōu)劣勢(shì)及其所適用的范疇均存在一定的差異。在這當(dāng)中，盡管最小二乘回歸模型法能夠彌補(bǔ)單位面積法的不足指出，精確度很好，但是由于隸屬系數(shù)、模糊關(guān)系系數(shù)等諸多數(shù)據(jù)的大小均取決于經(jīng)驗(yàn)，且其處在不斷地變化發(fā)展過(guò)程中，這無(wú)疑會(huì)加大模型建立的難度系數(shù)。
伴隨著模糊數(shù)學(xué)理論在工程造價(jià)測(cè)算當(dāng)中的廣泛運(yùn)用與發(fā)展，其所展現(xiàn)出來(lái)的優(yōu)越性愈來(lái)愈獨(dú)特。為此，筆者針對(duì)已建工程與待建工程當(dāng)中的類似程序加以探索與比較，能在較短時(shí)間內(nèi)運(yùn)用已建工程的造價(jià)資料與信息，從而對(duì)待建工程的造價(jià)進(jìn)行估算。此類手段能飛快而又精準(zhǔn)地估測(cè)出工程造價(jià)，待構(gòu)建起信息管理系統(tǒng)、信息數(shù)據(jù)庫(kù)、拓展大量的信息渠道后，可以確保估算工程數(shù)據(jù)的精準(zhǔn)性與合理性。
二、神經(jīng)網(wǎng)絡(luò)的工程造價(jià)估算模型的基本原理
神經(jīng)網(wǎng)絡(luò)憑借著生物神經(jīng)系統(tǒng)作用原理發(fā)展的信息處理系統(tǒng)能夠極為精確地解決好繁雜的非線性問(wèn)題。但是，其與眾不同的是，神經(jīng)網(wǎng)絡(luò)極具自組織、自學(xué)習(xí)、容錯(cuò)性等特征?；趯?duì)數(shù)據(jù)的建立模型，可將函數(shù)的最佳參數(shù)較快地求算出來(lái)，使設(shè)計(jì)成功后的系統(tǒng)可更好地模擬輸入輸出關(guān)系。
1、神經(jīng)網(wǎng)絡(luò)的基本模式
神經(jīng)網(wǎng)絡(luò)包括了反饋型網(wǎng)絡(luò)、自組織型網(wǎng)絡(luò)、隨機(jī)型網(wǎng)絡(luò)以及前饋型網(wǎng)絡(luò)這四大類型，這四大類型的神經(jīng)網(wǎng)絡(luò)所具有的網(wǎng)絡(luò)模型各不相同。Hopfield網(wǎng)絡(luò)主要出現(xiàn)在反饋網(wǎng)絡(luò)當(dāng)中，BP網(wǎng)絡(luò)、Adaiine、RBF網(wǎng)絡(luò)則是前饋網(wǎng)絡(luò)的關(guān)鍵網(wǎng)絡(luò)模式，Boltzman網(wǎng)絡(luò)為隨機(jī)網(wǎng)絡(luò)的關(guān)鍵網(wǎng)絡(luò)模式，ARI網(wǎng)絡(luò)俄日自組織網(wǎng)絡(luò)的關(guān)鍵網(wǎng)絡(luò)模式。然而，在此類神經(jīng)網(wǎng)絡(luò)當(dāng)中，前饋型網(wǎng)絡(luò)內(nèi)的RBF網(wǎng)絡(luò)和BP網(wǎng)絡(luò)能較好地滿足市政工程造價(jià)的需要。因?yàn)锽P神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)精簡(jiǎn)、預(yù)算精度高、可行性高、收斂迅速、泛化能力強(qiáng)大，所以到目前為止，BP算法的多層前饋網(wǎng)變成了運(yùn)用范圍最大的神經(jīng)網(wǎng)絡(luò)。從統(tǒng)計(jì)上來(lái)看，BP算法是依靠學(xué)習(xí)過(guò)程的誤差反向傳播和信號(hào)正向傳播所構(gòu)成的。當(dāng)前運(yùn)用BP算法的神經(jīng)網(wǎng)絡(luò)所占的百分比近達(dá)百分之九十。
2、神經(jīng)網(wǎng)絡(luò)的基本模型
實(shí)際上，神經(jīng)網(wǎng)絡(luò)的輸入層是由各個(gè)極具代表性的工程建筑特性組合而成的，其輸入向量是闡釋工程特性的基本信息，神經(jīng)網(wǎng)絡(luò)輸出向量則為工程所需的工程造價(jià)。然而，如果輸入向量不同，那么想獲取到不一樣的輸出量值的話就需充分利用已建成的極具代表性的工程特性與造價(jià)，以它為訓(xùn)練樣本，從而訓(xùn)練神經(jīng)網(wǎng)絡(luò)，進(jìn)而達(dá)到從輸入至輸出進(jìn)行映射的目的。
3、神經(jīng)網(wǎng)絡(luò)的運(yùn)作手段
一般而言，神經(jīng)網(wǎng)絡(luò)的運(yùn)作方式有兩類，即演化式與前饋式。演化式模型的復(fù)雜度更高，其在網(wǎng)絡(luò)當(dāng)中與耗散的動(dòng)力學(xué)系統(tǒng)差不多，在演化時(shí)狀態(tài)空間會(huì)慢慢收縮，最后變成了小體積的吸引子集，其輸出就相當(dāng)于終態(tài)，而輸入則為初始態(tài)；前饋式之所以能達(dá)到自輸入至輸出的非線性映射，主要依賴于神經(jīng)元非線性輸出輸入的關(guān)系。
三、神經(jīng)網(wǎng)絡(luò)估算法的廣泛運(yùn)用
若要估算項(xiàng)目工程造價(jià)，神經(jīng)網(wǎng)絡(luò)需具備一定數(shù)量的樣本以進(jìn)行訓(xùn)練。一般來(lái)講，我們可以將估算建設(shè)工程造價(jià)這一問(wèn)題視成從輸入工程造價(jià)估算體系至輸出項(xiàng)目的單位造價(jià)的非線性映射，把指標(biāo)體系的指標(biāo)值輸入，然后再神經(jīng)網(wǎng)絡(luò)中加以估算，從而就能把此項(xiàng)目的單位造價(jià)輸出來(lái)。
但是，由于建設(shè)項(xiàng)目不同，其使用要求與功能也會(huì)有所不同，這直接會(huì)給工程造價(jià)的因素造成影響。因此，要嚴(yán)格依照建設(shè)項(xiàng)目的種類，分門別類地構(gòu)建出估算對(duì)象的指標(biāo)體系。本篇文章將重點(diǎn)闡述市政排水工程建設(shè)問(wèn)題，針對(duì)神經(jīng)網(wǎng)絡(luò)估算模型的運(yùn)用進(jìn)行剖析。
（1）工程特征的解剖
不論是道路的總長(zhǎng)度、雨水管道的平均管徑與長(zhǎng)度、雨水管道平均埋深，還是污水管道平均管徑與長(zhǎng)度、污水管道平均埋深等因素均會(huì)給市政排水工程造價(jià)帶來(lái)極大的影響。但是，此類影響市政排水工程造價(jià)的因素均存在一個(gè)共性，即：神經(jīng)網(wǎng)絡(luò)估算模型的輸入向量。
（2）構(gòu)建工程造價(jià)模型
工程造價(jià)估算法BP網(wǎng)絡(luò)程序主要是由樣本數(shù)據(jù)庫(kù)模塊構(gòu)成的，它是由newff函數(shù)生成的。當(dāng)生成的BP神經(jīng)網(wǎng)絡(luò)初始化之后，應(yīng)充分運(yùn)用當(dāng)前存在的“輸入―目標(biāo)”的訓(xùn)練樣本數(shù)據(jù)，選取網(wǎng)絡(luò)內(nèi)的train函數(shù)加以訓(xùn)練。同時(shí)，還要應(yīng)用BP神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)處理模塊及仿真模塊去測(cè)試訓(xùn)練完畢的網(wǎng)絡(luò)，依照函數(shù)的反函數(shù)戰(zhàn)隊(duì)神經(jīng)網(wǎng)絡(luò)的輸出值實(shí)施數(shù)據(jù)后續(xù)處理，從而將預(yù)測(cè)單位的工程造價(jià)求算出來(lái)，然后對(duì)比實(shí)際值，驗(yàn)證出預(yù)測(cè)的精確度。
（3）建設(shè)指標(biāo)體系的基準(zhǔn)單位
在建設(shè)市政排水工程的過(guò)程中，存在著大量對(duì)項(xiàng)目工程造成影響的因素。要想得出模型的輸出向量，就必須把道路的延長(zhǎng)米視成排水工程的基準(zhǔn)單位，然后將排水工程的整體造價(jià)均勻地派遣到道路的延長(zhǎng)米上，最終即可得到排水工程的道路延長(zhǎng)米的工程造價(jià)，也就是模型的輸出向量。
（4）估算出工程造價(jià)
運(yùn)用神經(jīng)網(wǎng)絡(luò)估算法與Matlab神經(jīng)網(wǎng)絡(luò)的工具箱函數(shù)編制出與其相對(duì)應(yīng)的計(jì)算程序，依照數(shù)據(jù)庫(kù)開(kāi)展訓(xùn)練測(cè)試工作，以便得出工程的實(shí)際造價(jià)。同時(shí)，要采取科學(xué)、易算、簡(jiǎn)潔、精確的工程造價(jià)估算手段，從而有利于工程建設(shè)的迅速、安全地完成、工程造價(jià)控制以及工程投資管理工作的開(kāi)展。因BP神經(jīng)網(wǎng)絡(luò)極具較強(qiáng)的容錯(cuò)性與自組織適應(yīng)能力等特性，再加上其擁有精確、簡(jiǎn)潔、迅速等優(yōu)勢(shì)，因此其在建設(shè)項(xiàng)目的工程造價(jià)估算的運(yùn)用中能順利地?cái)[脫傳統(tǒng)項(xiàng)目估算的限制，同時(shí)在現(xiàn)代經(jīng)濟(jì)領(lǐng)域中有著巨大的運(yùn)用市場(chǎng)。
參考文獻(xiàn)：
[1] 胡偉勛. 工程造價(jià)估算模型研究與應(yīng)用[J]. 中南林業(yè)科技大學(xué)學(xué)報(bào), 2011,(08)
[2] 盧梅,韓小康,孔祥坤,蔡靜. 基于BP神經(jīng)網(wǎng)絡(luò)和TOC的工程造價(jià)預(yù)控研究[J]. 西安建筑科技大學(xué)學(xué)報(bào)(自然科學(xué)版), 2011,(01) .
[3] 王興鵬,桂莉. 基于粗糙集―神經(jīng)網(wǎng)絡(luò)的工程造價(jià)估算模型研究[J]. 石家莊鐵道學(xué)院學(xué)報(bào)(社會(huì)科學(xué)版), 2008,(01) .
[4] 胡偉勛. 基于GST的工程造價(jià)預(yù)測(cè)模型理論研究[J]. 中南林業(yè)科技大學(xué)學(xué)報(bào), 2011,(04) .