神經網絡實驗總結精選(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實驗總結主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：神經網絡實驗總結范文

關鍵詞：神經網絡 入侵檢測；自動變速率；隨機優化算子

中圖分類號：TP18 文獻標識碼：A 文章編號：1009-3044（2014）03-0614-03

隨著互聯網應用的發展，更現顯了網絡安全的重要性。入侵檢測技術在安全防護中是一種主動防護技術，能及時地檢測各種惡意入侵，并在網絡系統受到危害時進行響應，因此在為安全防御體系中入侵檢測系統占有重要的地位。但是在現實的應用中，入侵檢測系統沒有充分發揮其作用。這是因為，不斷變化的入侵方式要求入侵檢測模型必須具有分析大量數據的能力。無論這些數據是不完全的，是非結構化的，或者是含有噪音的。而且，有些攻擊是由處于不同網絡位置上的多個攻擊者協作進行的，這就要求入侵檢測模型又必須具備處理來自非線性數據源的大量數據的能力。神經網絡具有聯想記憶能力、自學習能力和模糊運算的能力。因此將神經網絡應用入侵檢測中，它不僅可以識別出曾見過的入侵，還可以識別出未曾見過的入侵。該文首先介紹了一種改進的神經網絡算法，然后分析了該算法在入侵檢測中的應用，并給出試驗仿真結果。

1 BP神經網絡與入侵檢測

1.1 BP神經網絡的特點與不足

BP神經網絡是神經網絡模型中應用最廣泛一種。它基于成熟的BP算法，主要有以下幾個特點：1）它能夠實現自組織、自學習，根據給定的輸入輸出樣本自動調整它的網絡參數來模擬輸入輸出之間的非線性關系。2）在存儲上采用分布式存儲，所有的信息分布存儲在每一個神經元中。3）它還可以實現并行處理，下一層的每個神經元可以根據接收到的上一層信息同時獨立地計算。這些特點使其很適合應用于入侵檢測技術，滿足入侵檢測的適應性、可靠性、安全性和高效性的要求。

但是傳統的BP算法也存在著以下幾個方面的不足：1）局部極小；2）學習算法收斂速度慢；3）隱含層節點選取缺乏理論；4）加入新的樣本會影響已經學完的樣本；5）每次輸入樣本特征的數目必須確定且相同。

1.2 入侵檢測技術

通過對系統數據的分析，當發現有非授權的網絡訪問和攻擊行為時，采取報警、切斷入侵線路等措施來維護網絡安全，這被就是入侵檢測技術。采用此技術設計的系統稱為入侵檢測系統。根據采用的技術來說入侵檢測系統應具有以下幾個特性：1）監視用戶及系統活動；2） 分析用戶及系統活動；3） 異常行為模式分析；4） 識別已知的進攻活動模式并反映報警；5） 系統構造和弱點的審計，操作系統的審計跟蹤管理；6） 評估重要的系統和數據文件的完整性，并識別用戶違反安全策略的行為。

目前最常用的攻擊手段有：拒絕服務、探測、非授權訪問和非授權獲得超級用戶權限攻擊。而且這些攻擊手段在實際中還有很大的變異，因此給入侵檢測帶來了一定的難度。BP神經網絡的自組織自學習能力，使得經過訓練后的BP神經網絡對以前觀察到的入侵檢測行為模式進行歸納總結，除了可以識別出已經觀察到的攻擊，還可以識別出由已知攻擊變異出的新的攻擊，甚至是全新的攻擊。

2.3 改進的神經網絡算法

人工神經網絡在模式識別、非線性處理、信號檢測等領域應用非常多，這是由于人工神經網絡具有的良好的自適應和自組織性，高度的非線性特性以及大規模并行處理和分布式信息存儲能力的特性。BP神經網絡算法實質上是非線性優化問題的梯度算法，該算法在收斂性問題上存在限制與不足。即該算法學習的結果不能保證一定收斂到均方誤差的全局最小點，也有可能落入局部極小點，使算法不收斂，導致陷入錯誤的工作模式。因此本文選擇了改進的神經網絡，改進主要有以下幾點：

2）自動變速率學習法

傳統的BP算法是以梯度為基礎，采用LMS學習問題的最陡下降法，學習步長是一個固定不變的較小值，不利于網絡的收斂。因此，選擇了基于梯度方向來自動調節學習速率的方法。利用梯度確定學習的方向，由速率決定在梯度方向上學習的步長。因此，如果相鄰兩次的梯度方向相同則說明在該方向是有利收斂的方向，如果相鄰兩次的梯度方向相反則說明此處存在不穩定。因此，可以利用兩次相對梯度變化來確定學習步長，當兩次梯度方向相同時則增大學習步長，加快在該方向上的學習速度；而如果兩次梯度方向相反那么減小學習步長，加快整個網絡的收斂速度。這種方法的自適應速率調節公式如下：

2）引入遺忘因子

本文所采用的自適應變速率學習法是依據相鄰兩次梯度變化來確定學習步長的算法，但單純的學習速率的變化還不能即完全地既保證收斂速度，又不至于引起振蕩。因此考慮變相的學習速率的學習。即在權值的調節量上再加一項正比于前幾次加權的量。權值調節量為：

我們將[τ]稱為遺忘因子。遺忘因子項的引入就是對學習過程中等效的對學習速率進行微調的效果。遺忘因子起到了緩沖平滑的作用，使得調節向著底部的平均方向變化。

3）隨機優化算子

雖然采用自動變速率學習法，并引入遺忘因子的神經網絡算法可以對學習速率進行微調，但是仍存在著BP神經網絡的限制與不足因此引入隨機優化算子。也就是當網絡的權值誤差迭代一定的次數后，仍沒有明顯的收斂，或者系統誤差函數的梯度連續幾次發生改變，這說明網絡進入了一個比較疲乏的狀態，需要借助外界的推動力來激活網絡。當發現上述的兩種情況時，就產生與權值維數相同的隨機數，并將隨機數與權值直接相加，然后判斷系統誤差的變化。如果誤差沒有降低，那么就再繼續產生隨機數來修改權值，直到誤差減少，再從新的權值開始繼續BP算法。隨機優化算子可以令搜索方向隨機變化，從而擺脫局部極小點。

4）改進算法與傳統算法比較

以200個訓練樣本為例，分別采用改進的BP神經網絡和經典BP神經網絡的方法進行學習、訓練。兩種算法的誤差收斂對比曲線如圖1所示。

3 采用改進算法的入侵檢測仿真實驗

入侵檢測系統進行測試和評估需要標準的、可重現的并包含入侵的大量數據。本仿真實驗選取DARPA數據集網絡連接數據集作為實驗數據。然后，對這些數據選三組特征值進行實驗，并給出實驗結果。

3.1 數據源的選取

該實驗的數據采用DARPA 1988入侵檢測評估數據庫的數據。該數據有大量的連接數據記錄。每個一記錄代表一次網絡連接，且每個記錄均有41個特征值，其中各個特征的含義不同，大致可分為三類：1）表示網絡連接內容特征；2）表示網絡連接基本特征；3）表示網絡連接流量特征。

模擬的入侵主要有以下四種類型：DOS 、 R2L、U2R、Probing，考慮到設計的實用性分別對三類特征值用神經網絡分別進行訓練和識別。實驗選取了13000組數據進行仿真實驗，其中3000組用于訓練神經網絡，10000組用于系統測試。

3.2 仿真實驗結果

對三類特征組的訓練集數據應用改進神經網絡分別訓練出三個神經網絡，表示網絡連接內容特征的神經網絡，表示網絡連接基本特征的神經網絡以及表示網絡連接流量的特征的神經網絡在訓練成功時的迭代步數分別為7056，386，3030。然后再對測試集數據進行測試，結果如下：

1）表示網絡連接內容特征組，利用改進神經網絡進行檢測識別，結果如表1所示。

2）表示網絡連接基本特征組，利用改進神經網絡進行檢測識別，結果如表2所示。

3）網絡連接流量特征組，利用改進神經網絡進行檢測識別，結果如表3所示：

從表中數據可以看出對常見的四種攻擊，不同的特征分組在改進神經網絡的作用下檢測各有優勢。

4 結論

論文采用自動變速率學習法，利用遺忘因子進行微調，同時引入隨機優化算子對BP神經網絡進行了改進。改進神經網絡的收斂速度比經典BP神經網絡更快，同時穩定性也較好。并將該算法應用于入侵檢測實驗，實驗結果顯示改進后的算法具有較好的識別攻擊的能力。

參考文獻：

[1] 肖道舉，毛輝.BP神經網絡在入侵檢測中的應用[J].華中科技大學學報，2003（5）.

[2] 汪潔.基于神經網路的入侵檢測系統的設計與實現[J].計算機應用與軟件，2013（5）.

第2篇：神經網絡實驗總結范文

關鍵詞：人工神經網絡 礦山 安全狀態 評判能力

中圖分類號：TD77；TP181 文獻標識碼：A 文章編號：1007-9416（2015）04-0206-01

通過改變神經網絡訓練樣本等方式，對神經網絡不同訓練樣本的反應能力進行對比分析，從而探討人工神經網絡對礦山安全程度評價的適應性。為了有效的提高人工神經網絡對礦山安全程度評價的能力，可以通過改變神經網絡的神經元數目以及初值賦值的方式來測試不同的結構，從而得出不同參數下神經網絡對相同訓練樣本的評價結論，以便提高其評價能力，在礦山安全狀態評判中充分發揮出人工神經網絡的作用。

1 人工神經網絡中的網絡結構設計與原始數據的準備

本文中主要采取如1所示的神經網絡結構，根據測試目的的差異性，其測試過程中神經網絡的部分性能也就不同，但是對整個網絡結構的性能不會改變。

這種神經網絡的主體結構是單輸入、三層式BP的網絡結構，輸出連接、目標連接、輸入權重連接、偏置連接以及層權連接等是其主要的連接方式。各層神經元的分類包括：第一隱含層有8個正切S型神經元，第二隱含層有8個對數S型的神經元，輸入層有4個元素，輸出層有一個線性神經元。其網絡函數主要包括訓練函數、初始化函數、性能函數以及各網絡層的層初始化函數。其訓練函數需要采取TRAINLM回轉方法來運算；初始化函數需要采取逐層初始化的方法運算；性能函數需要采取均方誤差法來計算；各網絡層的層初始化函數需要采取優化規則的方式計算，有的時候還需要采取INITWB的方式進行運算。各個權閾值的初始化需要采用RANDS方法來計算。在人工神經網絡訓練的原始樣本數據以及期望值中，這些數據主要是用來評價地質因素對礦山安全影響程度的原始數據。當訓練完成之后，需要對其各種數據進行仿真測試，以便評斷這種人工神經網絡結構在礦山安全狀態中的應用價值與能力，并對其不足之處以及缺陷問題等進行分析，以便尋找出更加優化的方案，從而提高人工神經網絡在礦山安全狀態中的評判作用與能力。

2 人工神經網絡對礦山安全狀態評判能力的訓練以及仿真測試

對礦山安全評價的方法較多，但是能夠較好的應用于礦山安全評價的方法卻很少，例如事故樹分析法、概率風險評價法以及事件樹分析法等，這些方法均由于基本事件的發生概率的確定方面存在一定的困難，從而導致運用于礦山過程中的安全評價效率不高。另外，在礦山安全狀態評價的過程中，其安全檢查表、專家評價方法等存在一定的缺點與不足，其在評價的過程中，主觀性較強，受到個人意識的影響較大。綜合指標評價法由于其指標間的邏輯關系，指標的權值與指標的量化等問題，從而導致該方法難以在礦山安全狀態中進行準確的評價。只有能夠更好的適應這種復雜的動態系統的安全評價方法，才能夠將其更好的應用在礦山安全狀態評價中[1]。

其中人工神經網絡在處理無法使用簡單規則或公式進行描述的大量的原始數據的問題時，以及在處理規律不清楚的問題時，其具有較大的優勢。也正是由于這種方法能夠對復雜的非線性動力學系統的適應，才能夠使其在礦山安全狀態評價中得到引進與推廣。將人工神經網絡對礦山安全狀態評價能力的訓練進行仿真實驗，在每次實驗檢測之前，都需要對同一神經網絡進行重新初始化，之后需要運用相同的訓練樣本數據對神經網絡進行訓練，以便達到訓練要求后對網絡進行仿真測試，訓練性能函數的誤差需要保持在10以內。其神經網絡的訓練過程是網絡在初始權閾值的基礎上，對其權閾值進行不斷的修改，以便尋找出它們之間的某種聯系，使得輸入的整個訓練樣本集數據經過網絡的運算之后，其輸出與相應的目標數據差別能夠滿足性能函數的要求。因此，在人工網絡對礦山安全狀態進行評判的時候，即使所有數據與性能均符合要求，但是由于在訓練的時候就被賦予了不同的權閾值，訓練之后得到的權閾值的最終組合也會存在較大的差異。通過神經網絡對礦山進行安全評判的目的在于運用神經網絡總結分析數據，對礦井各個致災的貢獻率進行分析，進而對礦山的安裝狀態進行評判。從神經網絡的角度來分析，通過運用網絡的運算功能對訓練樣本的數據進行統計分析，并從中找出滿足目標值以及性能要求的權閾值組合形式，從而通過仿真方式來評價礦山的安全狀態。

3 結語

通過對人工神經網絡在礦山安全狀態的評判能力進行訓練以及仿真測試后，發現人工神經網絡與人類評判方法存在一定的差異性，在今后的發展過程中，還需要對人工神經網絡在礦山安全狀態中的評判能力進行不斷的優化與改進，以便更好的適應礦山安全狀態的評判，在礦山安全狀態的評判中充分發揮出人工神經網絡的作用，從而更好的確保礦山生產與經營的安全性。

第3篇：神經網絡實驗總結范文

隨著科技的不斷進步，國內外各領域專家學者相互努力共同打造了智能機器人。模糊神經網絡理論通過自身所擁有的歸納等能力，有效地幫助了人們更好地控制機器人。使其具備自我學習和聯想能力，通過蟻群算法優化的模糊神經網絡理論能夠更好地控制特種機器人，有效地應對工作中隨機出現的變化問題。

關鍵詞：

特種機器人；蟻群算法；人工智能控制；模糊神經網絡

1創建機器人的數學模型

任何機械物體的運動都需要理論與實踐的支持，而特種機器人的研究也是如此，對特種機器人進行操控就需要對它的各個運動構件的方位、位置、速度等建立一個合理有序的關系。而機器人的空間坐標、運動等可以通過數學模型來呈現。

1.1特種機器人的空間坐標

首先，描述特種機器人的空間坐標，可以用X,Y,Z軸方向的向量表示。其次，對于機器人的運動和操作，方位的準確明了非常關鍵。而特種機器人的方位也可用坐標系來表示。設一直角坐標系{B}與此剛體固接，坐標系{B}的三個主軸方向的單位矢量XB、YB、ZB相對于坐標系{A}的方向余弦組成的3×3矩陣稱為ABR旋轉矩陣：ABR=[AxBAyBAzB]=r11r12r13r21r22r23r31r32r33333333333333333333（1）式中，R的上標A和下標B表示R是{B}相對于{A}的關系；r為矢量矩陣的單位向量。而剛體{A}的位姿可通過上述所說的坐標系{B}在坐標系{A}中的各個方位和位置來闡述，進而{B}的原點根據其在坐標系{B}、{A}中的方位，分別表示了剛體在其中的位置和方向，式（2）表示{B}的位置矢量，用ABR和APBORG來描述坐標系{B}，其中APBORG是確定坐標系{B}的位置矢量，建立公式（2）：{B}={ABR，APBORG}（2）

1.2機器人運動方程

連桿坐標系、動力學方程、運動學方程都是操控機器人運動所需要的。特種機器人中的機械臂系統是一種涉及各桿、各關節、機械臂末端相對于絕對坐標的位姿、運動等的多剛體系統。其中，連桿坐標系的建立則為更好地操控機器人，使其高效長久地運動、工作做出了巨大的貢獻，圖1則為連桿坐標圖。雖然建立了連桿坐標系，但是其中的桿與桿的關系則要建立一個齊次變換陣來連接。通過這個矩陣，機器人末端連桿在笛卡爾坐標系里的位置和位姿便可得出。

1.3機器人動力學方程

機械臂系統的運動學模型建立以后，還需建立動力學模型來控制。而動力學解決的問題是2種相對問題：若已知關節的施加力或力矩，求其速度、位移、加速度等；反之，則求力或矩陣。牛頓的歐拉方程等都是為了更好地操控特種機器人而建立的動力學。

2模糊神經網絡理論研究

機器人系統功能多且復雜，對于各種生產運作過程中出現的一些問題很難控制。對此，模糊控制和神經網絡相結合而成的模糊神經網絡具備了解決一些問題的特別優勢。模糊控制系統主要通過語言的描述控制機器人的運動，而語言描述能夠充分地將專家的經驗、知識轉化為控制規則，模糊控制器由以下幾個高功能的部分構成。

2.1神經網絡理論

用于控制特種機器人的神經網絡是根據人類大腦的思維模式和構造而設計，其中，神經元是大腦組織、信息處理的基本單位，而人工制作的神經網絡則會根據企業、國家、個人的不同需求進行設計和分類，前饋網絡和遞歸神經網絡是其中的兩大類。前饋網絡不但層次感強，其常用的感知器、BP網絡也能非常有針對性地解決一些問題；遞歸神經網絡包含積分、反饋等功能，反饋機制是其在信息傳輸中的一大特點。

2.2模糊神經網絡控制系統系統的輸入及各種運作

實驗證明：模糊系統與神經網絡之間具有很多相似點，可以相互轉化。模糊神經網絡系統使其對數據的計算等更快并且更加正確，通過模糊控制也使其自身的容錯力增強。模糊神經網絡（FNN）模型的設計經過專家利用各種經驗和知識的打造，能夠更好地通過BP網絡、建立樣本等方式控制特種機器人的運作。

3蟻群算法優化訓練的模糊神經網絡

特種機器人控制螞蟻算法是模仿生物界中蟻群通過交流、協作、共同搜尋獲取實物活動的仿生優化算法。在螞蟻工作的過程中，他們通過一種“信息素”交流。

3.1蟻群算法的本質

螞蟻算法是通過分析、實踐、探索螞蟻群體活動得出的，是一種隨機算法。螞蟻算法分適應階段和調解階段，在這2個階段中他們不斷地優化自身的機構、積累需要的信息、尋求最佳解。螞蟻算法中的人工螞蟻不但有自組織性，還有協作、競爭的關系，在這過個程中，需要不斷地協作、改進、更新。

3.2蟻群算法優化模糊神經網絡

螞蟻算法具有全局優化的特點，可以有效地訓練FNN，避免了BP的缺陷。它在模糊控制系統和神經網絡系統結合后，不但提高了整體優勢，也增加了一些功能和特點。這些優化的改變，使某些工作的計算更加便捷。同時BP的缺陷及一些神經網絡系統無法解決的問題，它也能很好地解決。而螞蟻算法通過螞蟻群體機智有效的協作，總結并融合了一些思想，通過這些思想，特種機器人能夠自我選擇方便、快捷、有效的工作路徑[1]。螞蟻算法為進一步控制特種機器人提供了更加合理有效的措施，也優化了各種運作系統。

3.3蟻群算法優化的結果

通過各種實驗結果表明，螞蟻算法優化的模糊神經網絡系統更加穩定，也更加高效快速。通過實驗比較發現：在普通的模糊神經網絡中，把基本臂和期望主臂的軌跡長度比較后發現，被螞蟻算法優化的模糊神經網絡控制系統運行的軌跡更短效果更好更明顯。

4結語

隨著人類文明的發展，機械的運用與不斷的創新隨處可見，這個時代對特種機器人的需求也在不斷增加。而國內外對特種機器人的研發也在不斷地創新和投入，對此，涌現了大批的類型、功能不一的特種智能機器人。被螞蟻算法優化過的系統很好地解決了一些問題，能夠全面地優化各個方面，這種算法，為人類更好地發展特種機器人研究機器人做出了巨大的貢獻。

參考文獻：

第4篇：神經網絡實驗總結范文

Abstract： In order to further improve the ability of BP neural network fitting with complex functions， this paper further optimizes the genetic algorithm by changing the weights and threshold of BP neural network and applies this design model to the prediction system of vehicle sales. In order to compare its prediction effect with that of the traditional BP neural algorithm， this paper carries out the prediction simulation to compare the accuracies of the two. The simulation results show that the improved algorithm has better fitting ability and higher prediction precision for the data which has obvious linear correlation.

關鍵詞：預測；神經網絡；線性相關；遺傳算法

Key words： prediction；neural network；linear correlation；genetic algorithm

中圖分類號：F224 文獻標識碼：A 文章編號：1006-4311（2016）12-0074-04

0 引言

以時間序列預測汽車銷量的方法在當今的預測汽車銷售領域中占了絕大多數，比如我們所熟悉的有線性回歸法、季節預測法[1]等等。線性回歸法[2]（如AR、MA、ARIMA模型等）能夠體現銷售量數據隨時間變化的趨勢，季節預測法能夠有效地反映銷售量隨季節波動的特點。然而，除了汽車市場的內部影響因素之外，汽車銷售量還受到市場環境變化等外部因素影響，如經濟危機、限購政策、油價上漲、小排量購置稅優惠政策等等[3]。在常見的預測模型中對非線性因素的處理方法存在著“自身的缺陷”，比如在外部因素引起市場一定的波動時，僅僅是靠時間序列模型的預測方法則很難做到精確。因此，在有效地收集、分析、掌握外部因素信息的基礎上，將這些因素甄別和量化，反映到整個預測過程中，提高預測模型可使用的總體信息量，提高預測模型的預測質量，尤其在當市場環境有變化的情況之下，銷售預測精確性將會獲得較大的提高，并且更加趨近合理。

1 系統模型

1.1 系統分析

在不同的系統分析中，我們有時會采取不同的算法，每個算法都有各自的優勢。遺傳算法、BP神經網絡和多元回歸等算法也有著不同的優點[4]，如遺傳算法的全局尋優性， BP神經網絡的優秀學習能力，從而避免了它們在各自單獨使用時所存在的不足。我們把數據分為兩個部分：線性相關和非線性相關，對這兩部分采取相關性分析法進行處理。緊接著，充分利用BP神經網絡與多元回歸在處理數據方面的優勢，分次處理數據的非線性和線性部分；最后，利用遺傳算法所擁有的特性，即尋優特性，將已由BP神經網絡和多元回歸算法處理的數據整合在一起，最終的目的是使各項值得到進一步優化，如多元回歸的權值、BP神經網絡的連接權值以及閾值。

在這里，我們先暫定待處理的數據為DATA，DATA中包含的記錄條數為U條。DATA的第k個記錄含有M+N個自變量，記為X 其中：

k∈{1，2，…U}，i∈{1，2，…M+N}；1個因變量（期望值），記為Yk其中k∈{1，2，…U}。

1.2 相關性分析

當我們要判定如國民收入和居民儲蓄存款或者身高和體重，這些變量之間的關系時，我們首先會去判定這兩個變量或兩個數據集合間是否存在線性相關時，這里就引出了我們所要用到的判定相關系數Pearson[5]。Pearson相關系數的作用最重要的是用來判定定距變量間的線性關系和兩個數據集合是否在一條線上。某些情況下我們會用到Pearson簡單相關系數r。其計算公式為：

我們根據所得r的數值來判斷兩者相關度的強弱。一般說來，當相關系數的絕對值越大或者相關系數越接近于1或-1的情況下，相關度是越來越強的；而相關系數越趨近于0，相關度就會變得越來越弱。

若相關系數r>0.6，認定自變量Xi與Y線性相關，否則為線性不相關。根據文獻[6]可知，本文研究的BP神經網絡中，輸入數據Xi i∈{1，2，…N}與輸出數據Y在Xi i∈{1，2…N}與Y線性相關，在Xi i∈{N+1，N+2…N+M}與Y線性不相關。

1.3 BP神經網絡

輸入層、輸出層和隱含層[6]是BP神經網絡的三個組成部分，其中輸入層和輸出層各一個，而對于隱含層，在理論上，它的數量是不會受到任何限制的，但BP神經網絡在一般情況下僅設置一個或者兩個隱含層。在這個神經網絡中，輸入信號經過作用函數的作用之后，在其信號傳至隱層節點之時隨即把它得到的輸出信號傳遞到輸出層節點上，同樣經過處理后而得到的輸出便是最終的結果。作用函數S型函數在本文中的節點之間會被用到，它的計算公式為：f（x）= 。

本文構建的神經網絡模型如圖1所示。

由圖1可知，我們這個神經網絡模型共有四層。模型的第一層X即是輸入層，它是以非線性相關的Xi i∈{N+1，N+2…N+M}的數據作為其輸入的；神經網絡包括的兩個隱含層分別是第二層J和第三層I；神經網絡模型的輸出層就是第四層BY。例如圖1上的J層第1節點，當它和第I層的第2個節點連接時，權值的計算值則為W 。如若模型采用的節點作用函數為f（x）= ，則可以得到該節點的輸出為Y =f（ W Y -B ）。該式中W 、Y 和B 分別表示某一節點與其上層節點之間的連接權值、上層各節點的輸出值和節點的閾值。根據公式：E=（t-BY）*BY（1-BY），它表示的含義是網絡誤差的計算，在式中t的含義是輸出的期望值。將網絡誤差與最大允許誤差進行比較：

BP神經網絡在模式匹配、模式分類、模式識別和預測分析等方面[7]，性能優勢十分明顯。

雖然BP算法是網絡結構中應用比較普遍的算法之一，而且BP算法在應用上也取得了一定的成功，但是BP算法本身還是存在著不可避免的局限性：

①在BP神經網絡算法中，它為了不使加權值過大，通常選取較小的隨機數（如0～0.2之間）作為初始權值，同時設置網絡在初始階段就處于S型函數的飽和區，就是在這樣給定初值的范圍內，有些取值也會使算法的結果值陷入局部極小，一旦有了某些局部極小點[8]的牽累，就會引起訓練的振蕩而達不到我們所想要的穩定，同樣也會陷入局部極值的不利情況。

②在BP算法中，我們需要設置一些參數的初始值，以便網絡訓練得以進行。如初始權重值，隱層節點個數值，當我們在設置沒有任何參考時，可能會致使網絡訓練的失敗或者說執行的并不如我們所預料的結果那樣，與理想有所差別。但是這些參數的選取過程又缺乏嚴格的理論依據，需要根據我們過往的經驗以及一定的實驗來選取，才可保證它的選取值合適與否。

③在BP算法中，它存在一個遺忘所學樣本的趨勢，就是在每當其輸入一個的權重值時，會導致閾值不斷地修改，所以前面已學的學習樣本必然會受到后面每次所輸入樣本的影響。

2 一種BP神經網絡和線性回歸優化的遺傳雜合算法

為了實現網絡訓練的過程并得到全局相應的最優化的解，我們提出一種基于BP神經網絡和線性回歸優化的遺傳雜合算法。在文章的前面我們知道，傳統的BP神經的學習過程存在一些不足，我們提出的這種算法會把BP神經網絡和遺傳算法結合起來，利用遺傳算法的全局尋優特性，來實現網絡的訓練，得到全局相應的最優解。改進的算法模型如圖2。

待處理數據Xi i∈{1，2…N}和Y，我們假定兩者是呈線性相關的。首先對線性不相關數據進行BP神經網絡處理輸出為BY，BY與存在線性相關的數據進行多元線性回歸。

模型誤差：

2.1 改進算法模型的遺傳優化

在生物進化機制的搜索方法中有自然選擇和自然遺傳，而本文改進的遺傳算法就是基于這些內容的。現如今有一種算法正趨于發展成為自適應啟發式概率性迭代式全局搜索算法[9]。某個優化問題的解集，也就是它的搜索空間，并且映射搜索空間為遺傳空間。我們隨機產生的一組初始解，在遺傳算法中稱作此初始解為群體，它所產生的后代中不斷地傳下去并且一代一代地進化，我們稱之為遺傳。我們找到收斂為最佳的染色體，即是最優解。

將以上改進的遺傳優化算法運用到BP神經網絡的權重、閾值以及回歸系數上，可以達到優化這些參數的目的，使網絡誤差值最小。在本文的實驗中，由生物種群的概念，我們視BP神經網絡和回歸系數的所有權值為一個種群。本文的實驗是基于遺傳代數1000、種群60所進行的遺傳算法優化訓練過程。即為圖3所示過程。

2.2 算法詳細流程

①樣本值歸一化處理。

對原始樣本值X，Y按照公式X′= -1，Y′= -1歸一化處理作為模型輸入數據，歸一化處理后數據在[-1，1]之間。式中X′、Y′為歸一化后的數值，Ymin、Xmin為原始數據最小值，Ymax、Ymax為原始數據最大值。

②參數集。

將模型中待優化參數BP網絡權重W 、閾值B 與回歸系數？孜組成一個參數集C={W ，B ，？孜}，C作為染色體，Ci為單個基因。

③編碼。

編碼方式中有一種稱為實數編碼的，它是指個體編碼的長度與決策變量的個數相等，在合理具體的條件范圍內，用一個實數表示某個體的每個基因值。該方法中用到的值是決策變量的真實值，因此我們又稱它為：真值編碼方法。考慮我們實驗過程所需要的算法，這種編碼方式對于我們的實驗十分合適。

④初始化種群。

種群大小N=60，隨機生成第一代個體C 其中t為代數t=1，i表示個體編號i∈{1，…， }，C 表示第一代的第五個個體。

⑤個體適應度。

我們以f =Emax-E（C ）為個體適應度函數，能夠滿足我們的要求。式中f 表示第t代的第i個個體的適應度計算值，Emax為最大系統誤差，E（C ）為C 個體的系統誤差。

⑥選擇操作。

在試驗中我們需要知道選擇概率值，所以由前公式f =Emax-E（C ）和公式P = 兩者結合便可以計算出選擇概率。我們在pop（t）代中根據所計算得到的概率值隨機的選擇一部分個體染色體遺傳到下一代，為pop（t+1）代。將選擇出的個體染色體暫且稱為一個中間代mespop（t），并將其作為下面遺傳操作（交叉、變異）的對象。

⑦交叉算法。

我們先假設要交叉的兩個父體對象分別為Pi=（p ，

⑧變異算法。

在選擇交叉的遺傳過程中，我們也需要考慮到遺傳變異這一情況。所以我們采取了一種特殊的變異算法：邊界變異。它在遺傳的后代種群中選擇中間代mespop（t）代，又在其中選擇N對個體，當交叉概率為Pc時，以此概率值指導個體進行遺傳變異。邊界變異的取值方法的多樣性也正是后代種群群體多樣性的特點。其變異位的值往往是在它的邊界上，因為在邊界上，通常存在著許多約束優化的最優值，也就是其編碼位取值范圍的邊界之一。在中間代mespop（t）完成交叉和變異所形成的下一代中pop（t+1）進行個體適應度值計算的操作。

3 仿真結果和分析

仿真實驗中，分別采用多元線性回歸、傳統BP神經網絡和本實驗算法對多元線性方程、多元非線性方程、含有線性和非線性部分的方程進行擬合。

多元線性方程：

多元非線性方程：

含有線性和非線性部分的方程：

3.1 樣本數據

樣本輸入數據是在考慮影響汽車銷售多方面因素的前提下，如：經濟危機、限購政策、油價上漲、小排量購置稅優惠政策等，在Matlab平臺下擬合而成。樣本輸入數據為xi∈[-1，1]，樣本總數為20，隨機生成20組數據作為樣本值（圖4）。

選用第一行到第四行作為式（8）的輸入函數值，如圖5。

選用第一行到第二行作為式（9）的輸入函數值，如圖6。

選用第一行到第二行作為式（10）的輸入函數值，如圖7。

3.2 仿真結果

式（8）多元線性回歸、BP神經網絡、改進算法仿真結果（圖8）。

式（9）多元線性回歸、BP神經網絡、改進算法仿真結果（圖9）。

式（10）多元線性回歸、BP神經網絡、改進算法仿真結果（圖10）。

多元線性回歸、BP神經網絡、改進算法擬合三種方程誤差平方和如表1所示。

3.3 仿真結果分析

由結合改進算法的特點和對比分析所得到的實驗結果，我們可以得到以下三點結論：①多元線性回歸在擬合線性方程時所產生的誤差比較小，而在擬合非線性方程時，產生的誤差略大。②BP神經網絡在擬合存在非線性數據時，誤差較小，在擬合線性方程時存在明顯的不足。③三種算法在擬合非線性和線性結合方程時，本實驗的誤差要比單純擬合非線性方程小很多，與理論預期明顯相悖。對于這種情況的原因，結合理論，本文總結出可能存在的兩小點：1）數據的輸入值范圍在[-1，1]，范圍太小，對函數值得影響不顯著；2）由于實驗采用擬合函數的形式，函數關系內部過于簡單。

4 結論

用改進算法擬合復雜函數的能力比單純依靠線性回歸和BP神經網絡存在明顯的優勢。影響商品銷售的因素有很多，各種因素對銷售的影響也各不相同，傳統的BP神經算法可以很好的預測效果。但是BP算法在處理那些同銷售值存在較大相關性的因素時，不能突出它的優勢。我們通過把影響銷售較大的因素與其他因素直接加權相加得到銷售值，最后通過遺傳算法來優化權值。這也就是我們研究本文算法的目的之所在。

參考文獻：

[1]張彥鐸，李哲靖，魯統偉.機器人世界杯足球錦標賽中多機器人對目標協同定位算法的改進[J].武漢工程大學學報，2013（02）：69.

第5篇：神經網絡實驗總結范文

【關鍵詞】電力負荷預測 模型 神經網絡

能量的管理系統當中一個非常關鍵的部分就是電力負荷的預測，它對電力系統的運行和控制等工作發揮著非常重要的作用。怎么去提高預測工作所呈現的精準程度已經成為現在對負荷預測理論研究的重點所在。但是對于符合的預測是比較復雜的，利用傳統解析模型基本上無法完成對負荷比較準確的預測。經過長時間科研工作者的實踐經驗總結，外部環境條件是對負荷產生影響的一個尤為重要的因素。為了得出環境條件對負荷影響的規律，保證電力供應能夠保持一定的平衡，必須要將電力負荷的變化特征作為基礎，繼而定量分析它們具體的關系。

1 氣候條件對電力負荷的影響

1.1 溫度以及濕度

電網負荷產生的變化與外部環境中氣溫的高低有著密不可分的聯系，能夠產生正向的影響。而在氣溫比較適宜的情況之下，濕度對于人類身體產生的影響并不是特別的顯著。在氣溫過高或者過低的時候，濕度的波動就會給人體熱平衡以及溫熱感應形成較高的影響。當空氣中的濕度處于一個較高的狀態時，人們身體所向外生成的熱輻射將會被空氣中所含有的水蒸氣所吸納。當環境中的氣溫低于人體皮膚表面溫度的時候，風可以使人散熱過程的速度更快。大概是每秒的風速漲一米，人們的體感溫度就會下降二到三攝氏度。

1.2 大氣壓

外部環境所呈現的大氣壓與電力的負荷在不同的季節當中都有一定的關系，不過目前關系的數據和形式還不能確定，有待進一步研究。

1.3 降水量

經過相關的研究證明，基本所有的降水過程都能對日用電量產生影響，引起下降的幅度一般為百分之三左右，最大幅度能夠達到百分之十。不過，降水過程對負荷的影響具有延遲的特性。

上文所陳述的三種分析結論還是存在一定偏差的，這是由于負荷曲線的峰值、谷值以及一些其它形式的波動能夠受到一些大型工廠以及企事業單位工作時間，以及公共設施使用狀況等各方面因素的綜合影響，上面所說的氣象因素只是對總負荷形成影響的一個部分。在實際的應用當中應該將這些因素加以更為全面的考慮，避免對單個因素孤立的分析。

2 利用多模型方法實現建模以及預測

2.1 人工神經網絡

它是在模仿生物神經網絡功能的基礎上而形成的一種模型。一般情況下，生物神經元能夠受到傳入刺激，繼而自輸出端傳導至相關聯的神經元之上，輸出跟輸入過程之間的變化呈現出非線性聯系。神經網絡則是由很多個簡單的原件以及它的層次組織，采用大規模并行的連接形式所形成的，以生物神經網絡相類似的形式來處置輸入信息。對生物神經網絡加以模仿建立起來的人工神經網絡對于輸入信號有著十分強大的處理能力。

很多神經元之間相互連接而形成一個大的網絡，在這個網絡中的一個神經元就可以實現對幾個輸入信號的接收，并且依據一定的規律將其轉變為輸出信號。由于神經網絡中各神經元見有著比較復雜的一種關聯，并且每一個神經元在對信號進行傳遞的時候都會顯現出非線性的基本形式，因此輸入和輸出信號見可以建立起不同的關系，可以當成黑箱模型，用在對作用機理不明確的模型實現描述，不過輸出跟輸入間有客觀、確定或者模糊規律的客體。因此人工神經網絡已然在化工開發等領域得到了較大面積的應用。

人工神經網絡所包含的各種層次的神經元主要是通過wkj以及wlk進行連接的。神經元所呈現的輸出與權之間做出乘法運算就能得到下層神經元的輸出。每一個隱層神經元的輸出其實就是輸出層所呈現的輸入，它們都是被神經元的活化函數決定。

BP模型是NN模型中應用最為廣泛的一種模型。BP神經網絡主要是指將BP算法當做基礎的一種多層神經的網絡系統。BP神經網絡通常都具有至少一個隱含層，隱含層中的神經元采用了sigmiod函數，而輸出層則是應用purelin傳遞函數。在理論方面其實已然證明了有著當個隱含層的網絡模型在隱含層神經元增長到一定數量的時候，能夠從所有的精度去逼近不管哪個具備有限斷點的非線性函數。而在結構上實現則要比增加隱含層更加簡單，所以在電力負荷的預測工作當中利用BP網絡的時候都是采用具有一層的隱含層。

2.2 運用多模型方法建模與預測

運用分層形式的多神經完了模型針對電力負荷的整體加以預測。底層通常是把電力負荷的基礎樣本以及相關的氣象因素加以獨立的構建神經網絡的模型；頂層用的是因為氣象因素而對電力負荷實現修正的具體結果。系統規模較為龐大，但各個子模型規模并不是很大，不過它的數量是比較多的。

3 實例分析

我們以某市的某個居民小區在2016年366天的用電數據為例，采樣的周期是一個小時，一共獲得了366組原始樣本。與此同時將這個地區每天每個小時的溫度、濕度、以及降水量等最為重要的氣象影響因素進行細致的記錄和分析。將全部數據都加以標準化，繼而從366天中選擇二百五十天的數據作為底層的基礎樣本，剩下的數據作為頂層測試樣本。要選擇一個確定的時間前連續的二十四小時中24個整點電力的負荷值，并且將溫度、濕度以及降水量等當成底層子神經網絡一至五的輸入，一個整點作為輸出。底層子網絡應用三層的BP網絡結構，這樣就有二十四個輸入的節點一級一個輸出的節點，經過反復實驗后，確定了網絡隱含層的節點數是46、32、35、30、30。在這當中選取一組有著最為優秀性能的權和閾值作為實驗最后的結果，再利用相關樣本數據檢驗模型。結合預測結果能夠分析出，以單個神經網絡預測的基本模型無法達成對有些特殊狀況加以可靠預測的目的。多模型神經網絡預測的模型針對電力負荷的情況預測，能夠得到精度較高的預測結果。

4 結束語

本文主要考慮了天氣因素對于負荷生成的影響，并且探討了利用多模型的神經元網絡方式來設置電力負荷預測的模型。過實際例子的分析，與單模型方法相比，證明了多模型方法的實用性。因為電力負荷會隨著季節的變化形成較大的不同，這一方面的內容還有待我們加以進一步的研究。

參考文獻

[1]段j.基于能量管理系統的電力系統負荷預測[D].廣州：華南理工大學，2009.

[2]陳華友.組合預測方法有效性理論及其應用[M].北京：科學出版社，2007.

第6篇：神經網絡實驗總結范文

【關鍵詞】LSSM 字符識別

字符識別作為多種應用的基礎與關鍵，如文本識別、車牌識別、證件識別等，對工業生產與商業應用具有重要意義。在實際應用中識別對象通常帶有一定的噪聲，因此要求識別系統具有一定的容噪能力及處理速度。

傳統的字符識別的手段中主要有人工神經網絡、模板匹配、特征識別、支持向量機等。人工神經網絡屬于比較成熟有效的工具，識別中使用最廣泛的是BP神經網絡，還有SOM、MLP、RBF等。BP為多層網絡，通常需要提取字符特征進行訓練，訓練速度較慢，干擾比較敏感，且容易陷入局部最小點。

LSSM 應用于單層全互聯網絡，不需要對字符進行特征提取，節約了訓練時間。記憶模式為網絡能量的最小值。具有較快的收斂速度。

1 LSSM算法介紹

網絡的輸出將反饋至輸入，形成動態系統并收斂于設計的漸進平衡點。LSSM是連續系統，其對應的差分方程可直接用于離散的Hopfield網絡。

系統的差分方程：χ（t+1）=F（WX（t）+I） 。x為神經元狀態，激勵函數。W表示連接神經元的權值，I代表神經元的閾值。F（）為激勵函數，表達式如下所示：

LSSM設計步驟如下：

1）.t={t1，t2，…，tN-1，tN}，ti為記憶模式，1≤i≤N。

2）.A={t1-tN，t2-tN，，tN-1-tN}＼

3）.A=USVT，K=rank（A）。

4）.up={U1，U2，…，Uk}，um={uK+1，uK+2，…，uN}}，，。

5）.Wt=Tp-τ×Tm，It=tN-Wt×tN

W=exp（h×Wt）

，

其中C1=exp（h）-1，C2=-[exp（-τ×h）-1]/τ， h為采樣頻率，τ為控制參數。

2 字符識別

本文采用ASCII碼表中的阿拉伯數字、大小寫英文字母，共62個模式。每個字符用8*8的圖像表示，網絡使用64個神經元，以{-1，1}作為記憶模式的神經元狀態。

由于LSSM能處理連續值，我們正態分布的隨機噪聲加入記憶模式進行檢驗。實驗中選擇均值為0，方差變化的噪聲序列。因此方差代表了噪聲水平。當兩次輸入相同時停止迭代，得出收斂速度與噪聲水平的關系。當輸出與記憶模式完全相同視作回憶正確，得出錯誤率與噪聲水平的關系。

在處理加噪輸入之前，應先檢驗網絡是否能夠成功記住記憶模式。實驗表明，LSSM能成功記住所有模式。用不同方差的的噪聲向量加入記憶模式中，將其作為網絡的輸入進行識別。

所有記憶模式在在相同噪聲水平下，進行50次實驗最后取其錯誤率與收斂速度的均值，得到LSSM隨噪聲變化，網絡識別效果的曲線。在噪聲水平低于1的時候，LSSM能完全成功識別所有模式，并且迭代步數基本均小于20步。當噪聲水平大于1，時，網絡出現錯誤，且迭代步數上升。

在研究了LSSM識別相關字符后，再對比離散Hopfield網絡的識別效果。在記憶62個模式之后，對‘0’、‘A’、‘a’的回憶情況如下，此時離散Hopfield已經不能正確記憶模式，網絡失效。鑒于容量問題，無法使用離散Hopfield就本文提出的字符識別進行應用。

通過對比發現，LSSM用作聯想記憶進行字符識別，容噪能力高、收斂速度快、識別正確率高，是十分成功的。在規模上相較于傳統的BP神經網絡、在容量上相較于離散Hopfield網絡都有巨大的優勢。

3 總結與展望

本文將LSSM應用于字符識別，對該系統進行了深入的分析，通過定量實驗展示了其容噪能力、收斂速度，充分說明其優越性。單個字符的識別是模式識別的典型案例與本文識別的基礎，因此LSSM在聯想記憶的應用中將具有廣闊的前景。

在將來的研究中，可以擴展LSSM的識別范圍，同時對傾斜字符和缺失字符的處理進行研究。除此之外，對算法的研究，有助于拓展識別系統的硬件設計，使神經網絡的處理能力在大規模并行處理器上得以施展。

參考文獻

[1]牛慧娟，汪森霖.基于神經網絡的帶噪聲英文字母和數字識別[J].研究與開發，2008.

[2]許新征，曾文華.基于自組織特征映射神經網絡的數字模式識別[J].廈門大學學報，2005.

[3]Li J H，Michel A N，PorodW.Analysis and synthesis of a class of neural networks：linear systems operating on a closed hypercube[J].Circuits and Systems，IEEE Transactions on，1989， 36（11）：1405-1422.

[4]Li J H，Michel A N，Porod W.Analysis and synthesis of a class of neural networks：Variable structure systems with infinite grain[J].Circuits and Systems，IEEE Transactions on，1989， 36（5）：713-731.

第7篇：神經網絡實驗總結范文

關鍵詞： 供應鏈績效評價；模糊綜合評估；粗糙集；BP神經網絡

中圖分類號：C93 文獻標識碼： A文章編號：1003-7217(2011)05-0119-06

一、引 言

在供應鏈條件下，各節點企業運作行為往往具有隨機性和不確定性。動態供應鏈績效評價是一個包含多個指標和輸入輸出的復雜評估系統，各績效指標具有模糊性、不確定性，彼此之間存在非線性關聯性。軟計算［1-7］理論與方法是處理動態供應鏈績效這樣復雜的、具有大量不確定性和模糊性的評估系統的重要技術。在相當多的領域（自然科學、社會科學與工程技術）中，都涉及到對不完備信息和不確定因素的處理。從實際系統中采集到的數據常常包含著噪聲、不精確甚至不完整，如果我們采用純數學上的假設來消除或回避這種不確定性，效果往往不理想。但如果對這種信息使用恰當的方式進行處理，常常有助于實際系統問題的解決。

二、相關研究評述

多年來，研究人員一直在努力尋找科學地處理不完整性和不確定性的有效途徑，實踐證明，1965年Zadeh［8］創立的模糊集理論與1982年Pawlak［9］倡導的粗糙集理論是處理不確定性的兩種很好的方法。事實上，除了上述兩種方法外，基于概率統計方法的證據理論也是處理不確定性的一種有效方法。以上眾多的方法都屬于軟計算［10－15］(Soft Computing)的范疇。Zadeh教授提出了軟計算的概念，軟計算的主要工具包括粗糙集、模糊邏輯(Fuzzy Logic)、神經網絡、概率推理(Probability Reasoning)、信任度網絡(Belief Network)、遺傳算法（Genetic Arithmetic）、混沌理論(Chaos)等。傳統的計算方法，即所謂的硬計算(Hard Computing)，使用精確、固定和不變的算法來表達和解決問題，軟計算利用所允許的不精確性、不確定性和部分真實性得到易于處理、魯棒性強和成本較低的解決方案，以便更好地與現實系統相協調。因此，軟計算作為知識獲取和智能信息處理的重要手段，在許多研究領域有著廣泛而深入的應用。

（一）基于模糊綜合評估的供應鏈績效評價

模糊集理論是經典理論的推廣，它認為元素總是以一定的程度屬于某個集合， 也可能以不同的程度屬于幾個集合。經典理論中集合的邊界是清晰的，而模糊集理論中集合的邊界是不清晰的，對人們顯示生活中大量使用的一些含義確定但不準確的語言表述，模糊數學可以較好地表達，因而可以自然地用于事物的評價。

在動態供應鏈績效評價體系中，各績效指標之間往往存在著復雜的因果關系，這些指標中既有定性指標也有定量指標，具有模糊和不確定的特點，模糊綜合評估方法為處理這種不確定性提供了有力的工具，它能夠盡可能地減少個人主觀臆斷所帶來的危害，為合理評價決策提供科學的依據。作者在文獻［16］中詳細討論了基于模糊綜合分析的供應鏈績效評價方法，并結合Markov鏈預測理論給出了供應鏈績效未來的發展趨勢。

（二）基于粗糙集約簡的供應鏈績效評價

Rough集理論是一種刻畫含噪聲、不完整、不精確、不相容的數學工具，它能有效分析和處理不精確、不一致、不完整等各種不完備信息，并從中發現隱含的知識，揭示潛在的規律，是一種重要的軟計算技術。其主要思想是在保持分類能力不變的前提下，通過知識約簡，導出概念的分類原則。Rough 集理論是基于不可分辨的思想和知識簡化的方法，從數據中推理邏輯規則作為知識系統模型。

如前所述，在供應鏈條件下，各節點企業運作策略具有動態可調節性，其運作行為具有隨機性和不確定性，這就要求在對供應鏈績效進行評價必須采用動態評價方法，同時對供應鏈在未來某一時刻的整體績效進行預測。粗糙集及其約簡理論是處理這種不確定性的重要技術。作者在文獻［17］中基于粗糙集理論的績效評價模型，建立了動態供應鏈績效評價決策表，利用粗糙集約簡方法得到了預測績效評價結果的決策規則集，并把粗糙集約簡和模糊綜合評估技術相結合進行動態供應鏈績效評價，顯然地縮小了數據處理的規模，降低了模型的計算復雜度。

（三）基于神經網絡的供應鏈績效評價

神經網絡可大規模地并行處理和分布式地存儲信息，具有良好的自適應、自組織性以及很強的學習功能、聯想功能和容錯功能。與當今的馮諾依曼式計算機相比，更加接近人腦的信息處理模式，主要表現為能夠處理連續的模擬信號。神經網絡并行分布工作，各組成部分同時參與運算，單個神經元的動作速度不高，但總體的處理速度很快。神經網絡信息存儲分布于全網絡各個權重變換之中，某些單元障礙并不影響信息的完整。傳統計算機要求有準確的輸入條件, 才能給出精確解。神經網絡只要求部分條件，甚至對于包含有部分錯誤的輸入，也能得出較好的解答，因此具有較好的容錯性。

動態供應鏈績效評價是一個包含多個指標輸入輸出的復雜評估系統，各績效指標具有模糊性，彼此之間存在非線性關聯性。針對這樣一個復雜的評估系統，作者曾利用BP神經網絡技術來找出供應鏈績效評價系統輸入-輸出之間的非線性映射關系，從而對動態供應鏈績效評價結果進行學習和預測。通過與粗糙集約簡理論相結合，簡化了BP神經網絡的結構設計，減小了運算量。

（四）幾種軟計算方法的優缺點

軟計算是一個方法的集合體，目前主要包括粗糙集、模糊邏輯、神經網絡、概率推理、信任度網絡、遺傳算法以及混沌理論等。軟計算方法已廣泛應用于包括模式識別、數據挖掘、系統評價、故障診斷、專家系統等在內的諸多領域的不精確、不確定問題。軟計算方法按照其特點各有優勢。例如，模糊集可以通過對人類思維建模來給不確定性問題提供自然的解決機制；粗糙集在屬性約簡和規則抽取方面性能優良；神經網絡對噪聲具有強魯棒性，分類精度高；遺傳算法廣泛用于優化搜索問題。 同時，以上軟計算方法依照算法的不同有各自的局限性：模糊集過度依賴專家知識，遺傳算法收斂速度慢、穩定性差，神經網絡訓練時間過長、知識解釋性差，而粗糙集對數據中的噪聲較敏感。本文為了克服單一方法的局限，試圖通過集成兩種或兩種以上的軟計算方法的軟計算融合系統來解決供應鏈績效評價的實際問題［6, 7］。

財經理論與實踐(雙月刊)2011年第5期2011年第5期(總第173期)鄭 培，萬 煒：基于智能信息處理的供應鏈績效評價方法

（五）軟計算融合技術在動態供應鏈績效評價中的應用

作者詳細研究了模糊綜合分析、粗糙集理論、神經網絡等軟計算技術在動態供應鏈績效評價中的應用方法。從文獻［16-17］實驗結果可以初步看出，通過把幾種軟計算技術融合起來應用于供應鏈績效評價，就能夠克服單一智能信息處理方法的缺陷，取得更好的效果。本文使用的幾種軟計算技術能在多個方面進行融合［6, 7］。

粗糙集和神經網絡的融合。通過粗糙集的屬性約簡可以顯著減少原始數據量，使神經網絡訓練時間縮短，從訓練后的神經網絡中抽取規則也可顯著提高神經網絡中知識可理解性；神經網絡的強魯棒性也可解決粗糙集處理數據中的噪聲問題。

粗糙集理論和模糊集理論的融合。粗糙集理論和模糊集理論都是研究信息系統中知識不完善、不精確問題的方法，但粗糙集理論解決問題的出發點是信息系統中知識的不可分辨性，而模糊集理論則關注信息系統中知識的模糊性，兩者在處理方法上各有特色。兩者的結合可以更好地解決信息系統中不完善、不精確性知識的問題。

模糊集和神經網絡的融合。模糊集和神經網絡的融合主要有模糊神經網絡和神經模糊系統。神經模糊系統以神經網絡為主，結合模糊集理論，將神經網絡作為實現模糊模型的工具，即在神經網絡的框架下實現模糊系統或其一部分功能。從結構上看，一般是四層或五層的前向神經網絡。模糊神經網絡是神經網絡的模糊化，即以模糊集、模糊邏輯為主，結合神經網絡方法，利用神經網絡的自組織性，達到柔性信息處理的目的。

三、基于智能信息處理的供應鏈績效評價方法比較

（一）基本思路

在作者以前的研究里，曾應用模糊綜合分析、粗糙集理論和BP神經網絡等智能信息處理方法建立了多個供應鏈績效評價模型，本文對這些評價模型的效果和優缺點進行了分析和總結。我們的基本思路是以某動態供應鏈為例，選取合適的績效指標集，對得到的績效指標按照評價模型的數據要求進行預處理，然后輸入到不同的動態績效評價模型中進行處理，對各個績效評價模型進行解算。通過對模型輸出的結果的比較和分析來歸納各個績效評價模型的主要特點，并對評價模型的實際效果進行總結。

（二）數據預處理

如前所述，本文已經根據文獻［15］提出的供應鏈五維平衡計分卡，選擇了15個關鍵績效指標作為動態供應鏈的績效評價指標集C，C＝{F1, F2, F3, C1, C2, C3, P1, P2, P3, P4, L1, L2, L3, S1, S2}。在15個績效指標中，既有定性指標，也有定量指標。由于BP神經網絡只能處理數值向量，因此在這些績效指標輸入BP網絡訓練之前必須對它們進行預處理。在基于粗糙集理論的供應鏈績效評價模型里，根據決策表信息約簡的要求，需要對所有屬性的取值進行離散化處理。這里對某動態聯盟供應鏈績效決策表條件屬性采用表1的方法進行離散化處理。

假設根據歷史經驗或供應鏈行規，把供應鏈的績效評價結果劃分為G1、G2、G3、G4四個等級，分別對應供應鏈績效評價為優、良、中、差的狀態，其劃分的依據如表1所示。

在基于模糊綜合評估的供應鏈績效評價模型里，表1將作為構造各績效指標屬于各類的隸屬度函數的依據。

（三）實驗結果比較與分析

實驗的數據源仍采用文獻［15］某供應鏈相關指標的調查結果，經調查得到該供應鏈在2007年1~12個月的績效指標取值和績效綜合評價結果。本文已經詳細討論了對該供應鏈績效采用基于BP網絡訓練和學習的過程，并結合粗糙集約簡給出兩者相結合的混合績效評價方法及結果。

BP網絡學習完畢后，就可以用來對下一評估時刻的供應鏈績效進行預測。針對上述供應鏈，經調查得到該供應鏈在2008年前4個月的績效指標取值結果，如表2所示。

將上述各績效指標規一化后輸入訓練好的BP網絡，得到相應的輸出向量分別為(0.0023, 0.998, -0.002, 0.007)、(-0.008, 0.003, 0.988, -0.005)、(-0.008, 0.958, -0.008, -0.002)和(0.987, -0.010, -0.005, 0.005)。據此可判斷該供應鏈在2008年1~4月的績效綜合評價結果分別為G2、G3、G2、G1。

進一步，針對表1所示的供應鏈績效分級標準，可以通過Rough約簡得到供應鏈績效分級決策表的最佳約簡，即供應鏈績效評價的關鍵績效指標集。通過約簡得到供應鏈績效評價的關鍵指標集為{F1, F2, F3, C1, C2, P1, P2, P3, L1, L2, L3, S1}，這樣這12個關鍵績效指標就構成了BP網絡的輸入層節點。把表2所示的供應鏈在2008年1~4月的關鍵績效指標量化結果輸入訓練好的BP網絡，可求出其相應的績效評價結果分別為G2、G3、G2、G1，與供應鏈績效實際調查結果一致。

下面，針對同一供應鏈，分別采用基于粗糙集理論的動態供應鏈績效評價模型、基于模糊綜合評估的供應鏈績效評價模型及兩者的結合來得出供應鏈績效評價結果，并進行方法間的比較。

在基于粗糙集理論的供應鏈績效評價模型里，先對各績效指標進行離散化處理,離散化后的該動態供應鏈績效決策表如下。

對于表3所示的績效評價決策表，利用約簡算法對決策表進行屬性約簡，以便去掉決策表的冗余條件屬性。進一步，利用歸納值約簡算法對績效決策表進行值約簡，可以得到一系列用于供應鏈績效評價的決策規則集。由于決策屬性值被離散化為四個等級，亦即信息系統具有四個概念。針對這四個概念的最一般規則分別為：

根據上述關于決策屬性取值的最一般規則，就可以對某一考察周期動態聯盟的綜合績效評價結果作出判斷。當條件屬性集不完全滿足規則前件時，可以選取關于各個概念的次一般(或可信度較高)的生成式規則對績效作出綜合評估。

把表2所示的該供應鏈在2008年前4個月的績效指標離散化，然后針對上述供應鏈績效評價決策規則進行匹配，可得這4個月供應鏈績效綜合評價結果分別為G3、G3、G2、G1。

接著，采用模糊綜合評估方法來對同一供應鏈的績效評價結果進行分析。首先建立模糊關系矩陣，單因素評價矩陣取各因素在評價集上的隸屬度，各隸屬度函數均取為二次函數。根據供應鏈績效分類標準表1，建立F1屬于各類的隸屬度函數為：

同理，可分別建立其它績效指標屬于各類的隸屬度函數，對應績效評價指標集C的權向量取為：

W=(0.17,0.06,0.02,0.08,0.13,0.02,0.05,0.04,0.10,0.01,0.10,0.04,0.05,0.11,0.02)

于是，由模糊綜合評估法可求出該供應鏈在2008年前4個月的績效分別為G3、G3、G2、G1。

最后，采用結合了粗糙集約簡和模糊綜合評估的動態供應鏈績效評價方法來得到該供應鏈績效評價結果。首先借助于動態供應鏈績效評價決策表對績效評價指標進行約簡和降維，通過Rough約簡得到供應鏈績效評價的關鍵績效指標集為{F1, F2, F3, C1, C2, P1, P2, P3, L1, L2, L3, S1}，根據供應鏈績效分類標準表2分別建立上述關鍵績效指標屬于各類的隸屬度函數，然后利用模糊評估方法對供應鏈績效進行綜合評價。根據該混合供應鏈績效評價方法求出該供應鏈在2008年前4個月的績效分別為G2、G3、G3、G1。

我們給出了采用上述五種基于智能信息處理的績效評價方法得到的該供應鏈在2007年1月~2008年4月間績效評價結果的變化趨勢，如圖1所示。其中，如圖例所示圓圈、方塊實線、下三角實線、粗標圓卷實線和帶星虛線分別代表了對應月份由五種評估方法得到的供應鏈績效評價結果。

圖1 某供應鏈采用五種績效綜合評估方法得到的評價結果

從圖1可以看出，采用五種不同的供應鏈績效評價方法得到的結果略有差異。這一差異由多種原因引起，首先基于BP神經網絡的績效評價方法和基于粗糙集理論的績效評價方法都是有監督的智能學習算法，即在對動態供應鏈績效評價結果作出預測之前，都有個訓練的過程，這需要大量的歷史數據。而基于模糊綜合評估的供應鏈績效評價方法隸屬度函數主要由績效分級標準確定，并不“顯式”地需要歷史績效結果。其次，許多基于智能信息處理的績效評價模型都需要事先確定一些參數，如BP網絡需要確定網絡結構、學習速率、沖量因子；模糊綜合評估需要確定指標權值和隸屬度函數表示方法等。另外，不同的績效評價模型對輸入數據的要求各不相同，BP神經網絡和模糊綜合評估處理的是連續數據，粗糙集約簡處理的是離散數據，而實際獲得的績效指標中既有定性指標，也有定量指標，這就需要在績效指標輸入模型之前進行預處理，預處理方法的不同導致模型輸出有很大的差異。上述幾種不同的基于智能信息處理的供應鏈績效評價方法輸出結果與供應鏈實際績效基本相符，在實際使用時要根據情況靈活選擇。

此外,實驗結果也表明通過幾種智能信息處理方法融合在動態供應鏈績效評價中能取得更好的效果。通過粗糙集約簡和模糊綜合評估的融合，顯然縮小了數據處理的規模，降低了評估模型的計算復雜度，同時克服了模糊評估過度依賴專家知識（領域知識）的缺點。通過粗糙集約簡和BP神經網絡的融合，降低BP網絡的設計復雜度，克服了神經網絡訓練時間長、知識解釋性較差的缺點。兩種融合方法都保持了較高的準確度，在動態供應鏈績效評價中更為有效。

本文的研究結果彌補了目前國內外動態供應鏈績效評價中智能信息處理方法的融合理論研究少、應用不夠深入的缺點，對實際供應鏈運作與管理中基于軟計算的動態績效評價模型和方法的選擇與應用具有理論指導意義。

四、結 論

軟計算作為知識獲取和智能信息處理的重要手段，在供應鏈績效評價領域有著良好的應用前景。越來越多的學者開始集成兩種或兩種以上的軟計算方法的智能信息融合算法來克服單一方法的局限性。本文針對之前使用的模糊綜合評估、粗糙集約簡及BP神經網絡等軟計算方法在動態供應鏈績效評價中的主要特點和效果進行了簡要的比較和分析，指出了每種方法的優缺點。然而，由于每種智能信息處理方法存在著本質上的差異，對這些方法間的效果差異進行嚴格的比較存在理論上的困難。某種智能信息處理方法可能適用于某種供應鏈，而另一種智能信息處理方法則可能更適用于另一種供應鏈。因此，在實際使用時，要根據供應鏈具體情況靈活選擇或融合多種智能信息處理方法以取得更好的效果。

參考文獻：

［1］Anna, M. R. and Etienne, E. K. A comparative study of fuzzy rough sets［J］. Fuzzy Sets and System, 2002 ，126（2): 137-155.

［2］Nagatanit, Helbingd. Stability analysis and stabilization strategies for linear supply chains.［J］.Physica A., 2004, 35 (3-4): 644-660.

［3］Mohamed. Q. A-RST: a generation of rough set theory［J］. Information Science, 2000 ，124（1-4): 301-316.

［4］Roman, W. S., Larry, H. Rough sets as a front end of neuraln-etworks texture classifiers［J］. Neurocomputing, 2001, 36: 85-102.

［5］Yahia, M. E., Mahmod R. and N. Sulaiman, et al. Rough neural expert systems［J］. Expert Systems with Applications. 2002, 18: 87-99.

［6］McKee, T. E., Terje, L. Genetic programming and rough sets: a hybrid approach to bankruptcy classification［J］. European Journal of Operational Research, 2002 ,138: 436-451.

［7］Bolch G., Greine, S., H. D. Meer, etc. Queuing networks and markov chains-modeling and performance evaluation with computer science applications (2nd edition)［M］. A John Wiley & Sons, Inc., publication, 2006.

［8］Zadeh L. A. Fuzzy sets［J］. Information and Control. 1965, 8 (3): 338-353.

［9］Pawlak, Z. Rough set-theoretical aspects of reasoning about data ［M］. Boston: MA: Kluwer Academic Publishers, 1991.

［10］曹慶奎,阮俊虎.基于粗糙集-未確知測度的礦井通風系統合理性評價［J］.科學決策,2009.5:89-94.

［11］劉敬學,陳曦. 基于神經網絡的專家預測方法研究［J］.科學決策,2009,11:78-81.

［12］Bhagwat and Sharma.Management of information system in SMEs: an exploratory study. ［J］.International Journal of Enterprise and Network Management. 2006,1(1): 99-125.

［13］Bititici et al..Implementation of performance measurement systems:private and public sectors［J］. Editorial, Production Planning and Control. 2005,16(2):99-100.

［14］鄭培，黎建強. 基于BP神經網絡的供應鏈績效評價方法［J］.運籌與管理，2010,19(2):26-32.

［15］宋莎莎,戴鋒,衛保璐.基于模糊層次分析法和聚類分析的突發事件分級研究［J］.科學決策,2010,10:68-72.

［16］鄭培，黎建強. 基于模糊評估和馬爾可夫預測的供應鏈動態平衡記分卡研究 ［J］. 系統工程理論與實踐，2008，4(4): 57-64.

［17］鄭培，黎建強. 基于粗糙集理論的供應鏈動態績效評估方法研究 ［J］. 運籌與管理,2008,10(5):6-11.

［18］王俊峰,劉立東.基于博弈論的閉環供應鏈中三方協調研究［J］.科學決策,2009,(3):33-37.

Supply Chain Performance Measurement Methods based on Intelligent Information Processing

ZHENG Pei 1, WAN Wei2

（College of Business Administration, Hunan University, Changsha Hunan 410082, China）

第8篇：神經網絡實驗總結范文

一、3G用戶細分體系架構

用戶細分是3G業務開發及市場營銷的基礎，用戶細分能夠使差異化成為可能，使運營商提供的3G產品和服務能夠更有針對性。3G用戶細分方法的選擇直接決定了相關用戶細分結果的準確性及實用性。對于3G用戶細分的體系搭建的思路是： 采用3 個緯度進行用戶的細分，首先按照用戶價值緯度進行用戶細分，然后再結合消費行為緯度和消費心理緯度細分用戶群。在3G用戶細分的體系架構中，3個緯度的用戶細分依據、方法及應用價值如表1 所示。

二、客戶識別分類模型

（一）數據抽取

本案例數據來源于某電信運營公司，該數據總量為26000條。每一條對應一個客戶近六個月的統計信息。其中已知分類（2G、3G）的為18000條，未知分類8000 條。其中包括客戶年齡，月平均消費額，月平均通話時長等屬性250 個（包括客戶類型）。本例利用26000條已知分類的數據進行分類模型的建立，隨機抽取訓練數據10000條，測試數據8000條。

（二）數據預處理

上述采集的數據有數據多、數據取值范圍廣和數據取值類型多樣的特點，因此必須在建模前對數據進行預處理，如采集的樣本數據存在一些屬性值缺省或空值，如果不做處理，將直接影響后續算法的挖掘效果，嚴重時甚至得到錯誤的結果。數據預處理包含數據清洗、屬性篩選、數據平衡、數據歸一化和離散化五個步驟。數據清洗分為類型轉換和缺失數據填補兩部分；屬性篩選分為人工篩選和通過相關系數分析實現屬性選擇兩部分；由于作為訓練的18000條數據只有少數是3G用戶，這樣會導致模型輸出結果偏向判別為2G 客戶，因此必須通過數據平衡實現2、3G用戶數量達到1：1；為了提高BP 神經網絡的性能，需要對數據進行歸一化；對于決策樹算法，需要對數據進行離散化，否則生產的決策樹將會過于茂盛，以至于無法分析。

三、客戶數據分類識別過程

本文分別采用BP 神經網絡和決策樹進行建模，實現對3G 客戶的分類識別。本案例運用TipDM 數據挖掘在線建模平臺中的性分析進行數據探索，再運用BP 神經網絡和C4.5 決策樹進行客戶識別。（一）模型輸入。本案例中，模型數據涉及客戶年齡、月平均通話時長和月平均消費額等240多個屬性（包含客戶類型），模型輸入需將客戶識別樣本屬性表導入建模平臺中即可。（二）仿真識別過程。建模仿真過程說明如下：1.登錄TipDM 平臺，在方案管理頁面中，新建方案或者打開一個已建方案；2.切換到數據管理頁面，上傳經預處理后的專家樣本數據文件；3.選擇相關性分析功能，導入樣本數據進行相關性分析；4.分別選擇BP 神經網絡算法和C4.5 決策樹算法，進行模型構建；5.對比BP 神經網絡和C4.5 決策樹的建模結果，并選擇最優算法；6.用最優法對測試樣本進行3G 客戶識別。（三）仿真結果分析。1.基于BP 神經網絡的模型構建。由于神經網絡算法輸出結果受到訓練次數影響，并伴隨一定的隨機性，多次實驗得到的分類正確率如下表所示。

四、總結與建議

決策樹與BP神經網絡對于3G客戶的識別正確率都接近80%，說明本用例建立的分類模型對3G客戶的敏感度比較高，基本能識別出3G用戶，能達到預期目標。但是只看3G客戶的識別正確率是不科學的，還要看2G 客戶的識別正確率和總體識別正確率。從總體正確率看，BP 神經網絡的正確率仍然比決策樹高近10%，BP神經網絡無論是總體性能還是對局部分類的敏感度都表現不錯，而決策樹分類模型性能還有待提高。

雖然本例的客戶識別未能達到百分百地準確，但從另外一個角度看，一味追求正確率并沒有太多意義。因為本來運營商對各個用戶的類別就已經作了登記，反而，我們或許能從客戶的誤識別中獲得更多信息。

第9篇：神經網絡實驗總結范文

關鍵詞：旋轉機械；故障診斷；方法

DOI：10.16640/ki.37-1222/t.2017.10.026

隨著診斷技術研究的深入，可以實現故障診斷的方法越來越多，既有對前人研究成果的完善，也有一些原創性的研究成果相繼被提出，根據各類方法在實現方式上的不同，可以大致將其分為三類，第一種是通過建立合適的模型進行故障診斷，這種方法在實際的生產應用中，往往由于設備結構復雜，無法構建精準的模型，即便可以獲得合適的參數模型，其耗資也會相當大，所以實際應用可行性不大。第二種方法是結合人工智能技術的專家系統，在實際應用中這種方法得到了一定的肯定，但仍然存在知識獲取不全面、針對性太強、智能水平低等問題，使得故障診斷結果可靠性不強。而模式識別是故障診斷中應用最為廣泛的方法，且目前很多學者都認為基于模式識別的故障診斷有很大的進步空間。

1 旋轉機械故障特點

旋轉機械故障的故障特點與其他類型的機械故障存在一定的區別，且是機械設備中最為常用的一類，所以有必要對其進行單獨的深入研究。旋轉機械故障是指有轉子系統的機械設備在運行過程中出現異常的工作狀態，比如不正常的噪聲、異常大的振動、溫度急劇升高，或者其他指標不正常。旋轉機械的結構復雜，故障發生具有一定的階段性，并且部分故障的發生有一個漸進的過程，在進行故障診斷時，必須綜合考慮多項因素，使得進行準確故障診斷的難度較大。

2 旋轉機械故障檢測方法

2.1 模式識別

經過多年的發展，模式識別己是故障檢測的重要理論基礎之一。近十幾年來，模式識別技術在機械設備故障診斷領域的應用己經非常普遍，每年都有相關的改進方法被。在機器人模仿人類思考能力的研究領域上，模式識別方法一直占據著十分重要地位，在機械故障診斷方法中模式識別也始終是一個先進且富有挑戰的探索方向。

隨著計算機技術的迅速發展，各國在旋轉機械故障診斷方面都取得了很大的進步，擺脫了傳統依靠技術工人經驗判斷的主觀臆斷和不準確性，特別是這幾年，計算機技術的發展使得各種更加完善的算法運行更為迅速，進而推進了旋轉機械故障診斷的發展。

美國是最先研究機械故障診斷技術的國家之一，其診斷技術在很多方面都屬于世界先進水平，目前美國從事故障診斷研究的機構主要有電子能源研究機構、西屋電氣、Bently和CSI等公司。其中西屋電氣是最早應用計算機網絡的，該公司自己開發的汽輪機故障診斷軟件可以對遠程對多臺機組進行診斷。而Bently公司在轉子的動力系統和故障的診斷機理方面比較領先。

我國在機械故障診斷方面的研究起步相對較晚，技術也較為落后。剛開始主要以學習研究國外相關理論為主。直到80年代初期才逐漸有了自己研發的技術，在這個階段，大型設備的出現和各項相關技術的發展也刺激了國人對旋轉機械故障診斷技術的重視，也推動了該技術的自主研發。隨著國家和企業對這項技術領域的投入逐漸增大，許多學者開始涉足這個領域，并對其進行大量的探索和實驗，加上與國際交流合作，我國也開發出了一些在線監測與故障診斷的軟件，這也很大程度上減小了與國際上相關先進技術的差距，但事實上，我國研究水平總體還是比較落后，故障診斷技術的可靠性還需要不斷提升。

2.2 人工神經網絡理論

1940年左右，有關應用人工神經網絡的理論開始出現，經過多年的發展，它己經被引入到許多領域，比如，智能機器的控制、神經網絡計算機的研發、算法的優化、應用計算機進行圖像處理、模式識別、連續續語音的識別、數據的壓縮、信息處理等領域，在實踐應用中取得了很好的效果，作為一項新的模式識別技術和信息處理辦法，人工神經網絡的應用前景十分可觀。

目前，使用人工神經網絡進行故障診斷的方法有很多，最常用方法是：多層感知器神經網絡、BP神經網絡、自組織Kohonen神經網絡、和徑向基函數RBF（Radial Bases Function）神經網絡，也有學者將人工神經網絡與各種其他方法相結合的實例。在使用人工神經網絡進行故障處理時，首先檢查采集到的故障信息數據，剔除多余或者不合理的異常數據，再對有效數據進行歸一化處理，預處理工作完成后即可將數據輸入到神經網絡中進行訓練學習和故障識別過程。

2002年，王守覺院士分析傳統模式識別方法的缺點，認為傳統的BP神經網絡和RBF神經網絡都是假設特征空間中包括了所有的模式類別，要實現模式識別只需要找到最佳的特征空間劃分方法，但事實上，任何一個特征空間中不可能包含所有的模式類別，特征空間中必然存在模式空白區域，就像人類對某些事物表現為不認識一樣。認識到這一點后，王守覺院士提出了“仿生模式識別”這一概念，與傳統的基于特征空間最佳劃分的方法相比，仿生模式識別最為突出的特點就是，能構造封閉的、復雜的幾何形體對各類樣本進行覆蓋，從而達到模式識別的目的。

2.3 仿生模式識別

自從仿生模式識別這一概念被提出以來，許多學者對其進行了深入研究，并將其應用到了人臉識別、車牌識別、語音識別、字體識別等領域。并取得了良的識別效果，例如：陸飛在其碩士論文中重點對仿生模式識別中的幾何模型進行了深入分析，并用超香腸神經網絡作為仿生模式識別的實現方法應用到了人臉識別中，取得了良好的實驗結果；劉煥云等人將仿生模式識別應用到目標識別和跟蹤方面，編寫了自適應目標算法，與傳統方法相比，跟蹤識別效果有顯著的提升；王守覺院士自己也對仿生模式識別算法進行了一系列的優化，先后提出了超香腸神經網絡和多權值神經網絡識別實現方法，并在文獻中將基于仿生模式識別的多權值神經網絡應用到連續語音識別中，與目前認可度最高的基于隱馬爾可夫模型（HMM）的識別方法進行比較，表現出了顯著的優勢。

目前有許多的編程軟件都加入了神經網絡的功能，其中MATLAB軟件最為方便實用，并且易于操作。它除了擁有對各種圖形和數據進行處理的強大功能，其開發公司一一美國的MathWorks公司一一還專門在軟件中開發加入了神經網絡工具箱，全面包含了人工神經網絡中常用的激勵函數，例如線性函數（purline函數），感知器函數（（sigmoid函數）以及徑向基函數（radbas函數），除了這些常用傳遞函數，還可以自定義相關的函數。各層網絡之間的映射也有嚴格的設定，映射函數可自行設定。鑒于以上優點，本文采用MATLAB軟件編寫仿生模式識別的實現程序，以及機械故障信號的特征提取和網絡測試。

參考文獻：