神經(jīng)網(wǎng)絡方法精選(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(jīng)網(wǎng)絡方法主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：神經(jīng)網(wǎng)絡方法范文

關鍵詞：基本概況；電力電量預測；神經(jīng)網(wǎng)絡；BP神經(jīng)網(wǎng)絡模型

一．神經(jīng)網(wǎng)絡和電力電量預測的基本概況

1.神經(jīng)網(wǎng)絡。神經(jīng)網(wǎng)絡的基礎在于神經(jīng)元，神經(jīng)元是以生物神經(jīng)系統(tǒng)的神經(jīng)細胞為基礎的生物模型。在人們對生物神經(jīng)系統(tǒng)進行研究，以探討人工智能的機制時，把神經(jīng)元數(shù)學化，從而產(chǎn)生神經(jīng)元數(shù)學模型。大量的形式相同的神經(jīng)元連結在一起就組成了神經(jīng)網(wǎng)絡，神經(jīng)網(wǎng)絡是一個高度非線性動力學系統(tǒng)。神經(jīng)網(wǎng)絡主要有以下四個特征：

（1）非線性。非線性關系是自然的普片特性，大腦的智慧就是一種非線性現(xiàn)象。人工神經(jīng)元處于激活或抑制兩種不同的狀態(tài)，這種行為在數(shù)學上表現(xiàn)為一種非線性關系。

（2）非局限性。一個神經(jīng)網(wǎng)絡通常由多個神經(jīng)元廣泛連接而成的，一個系統(tǒng)的整體行為不僅取決于單個神經(jīng)元的特征，而且可能主要由單元之間的相互作用、相互連接所決定的，通過單元之間的大量連接模擬大腦的非局限性。

（3）非常定性。人工神經(jīng)網(wǎng)絡具有自適應、自組織、自學習能力。神經(jīng)網(wǎng)絡不但處理的信息可以有各種變化，而且在處理信息的同時，非線性動力系統(tǒng)本身也在不斷變化。

（4）非凸性。一個系統(tǒng)的演化方向，在一定條件下將取決于某個特定的狀態(tài)函數(shù)。非凸性是指這種函數(shù)有多個極值，故系統(tǒng)具有多個較穩(wěn)定的平衡態(tài)。

2.電力電量預測。電力電量預測是電力系統(tǒng)規(guī)劃的重要組成部分，也是電力系統(tǒng)經(jīng)濟運行的基礎，其對電力系統(tǒng)規(guī)劃和運行都極其重要。電力電量預測的含義有：（1）指按照在國家機關、企業(yè)、居民等用戶處的各種用電設備。（2）指描述上述用電設備所消耗的數(shù)值。電力電量預測包括了對未來電力需求量（功率）的預測和對未來用電量（能量）的預測以及對負荷曲線的預測。電力電量預測的工作主要是為了電力系統(tǒng)規(guī)劃和運行提供可靠的決策依據(jù)。

二．神經(jīng)網(wǎng)絡模型中的BP神經(jīng)網(wǎng)絡模型

BP（Back Propagation）網(wǎng)絡是一種按誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伨W(wǎng)絡，是目前，應用最為廣泛的神經(jīng)網(wǎng)絡模型之一。BP網(wǎng)絡能學習和存貯大量的輸入/輸出模式映射關系，而不需要事情揭示描述這種映射關系的數(shù)學方程。它的學習規(guī)則是使用最速下降法，通過方向傳播來不斷調(diào)整網(wǎng)絡的權值和閾值，使網(wǎng)絡的誤差平方和最小。BP神經(jīng)網(wǎng)絡模型拓撲結構包括輸入層、隱層、輸出層。

BP神經(jīng)網(wǎng)絡模型的分類：

1.節(jié)點輸出模型。節(jié)點輸出模型又可以分為：

（1）隱節(jié)點輸出模型：οj=f(∑Wij×Xi－qj) （1)

（2）輸出節(jié)點輸出模型：Yk=f(∑Tjk×οj－qk)（2)

（3）f-非線形作用函數(shù)；q -神經(jīng)單元閾值

2.作用函數(shù)模型。作用函數(shù)是反映下層輸入對上層節(jié)點刺激脈沖強度的函數(shù)又稱刺激函數(shù)，一般取為（0,1）內(nèi)連續(xù)取值Sigmoid函數(shù)：f(x)=1/(1+e)(3)

3.誤差計算模型。誤差計算模型是反映神經(jīng)網(wǎng)絡期望輸出與計算輸出之間誤差大小的函數(shù)：Ep=1/2×∑(tpi－pi) (4)

Tpi- i節(jié)點的期望輸出值；pi- i節(jié)點計算輸出值。

4.自學習模型。神經(jīng)網(wǎng)絡的學習過程，即連接下層節(jié)點和上層節(jié)點之間的權重矩陣Wij的設定和誤差修正過程。自學習模型為：Wij(n+1)= h×Ф i×j + a×Wij(n) （5）

在這個式子中H為學習因子，Ф i為輸出節(jié)點i的計算誤差，j為輸出節(jié)點j的計算輸出，a為動力因子。

三．電力電量預測的神經(jīng)網(wǎng)絡方法

1.電力電量預測的神經(jīng)網(wǎng)絡方法中數(shù)據(jù)的標準化。上面我們說了下層輸入對上層節(jié)點刺激脈沖強度的函數(shù)又稱刺激函數(shù)，一般取為（0,1），因此，要想把數(shù)據(jù)標準化，就要把相同的因子的取值分為最大值、中間值、最小值，其中因子的最大值要定為1，因子的中間值應用公式X標準＝X－X min／X max－X min，進行因子中間值的計算，最后因子的最小值要定為為0，當把這些數(shù)據(jù)進行標準化后，要列一表格，在表格中要清楚的寫好需要被電力電量預測的項目的時間和標準化值，這樣才能保證神經(jīng)網(wǎng)絡方法在電力電量預測中得出的結論是準確的。

2.電力電量預測的神經(jīng)網(wǎng)絡方法中的網(wǎng)絡訓練。由于電力電量預測的內(nèi)容不是非簡單的線性關系，而且關系非常的復雜，因此在進行電力電力預測時，需要對其進行輸入、輸出的分類，例如：在全年的電力電量預測時，需將前六個月中所用的電量作為六個電力電量預測的輸入，然后把第七個月所用的電量作為電力電量預測的輸出，以此類推。

3.電力電量預測的神經(jīng)網(wǎng)絡方法中的預測結果以及結果的分析。當上面第2點有效的完成后，就可以以網(wǎng)絡訓練的結果為根據(jù)，對BP神經(jīng)網(wǎng)絡模型再進行600次的訓練，當標準值的誤差達到1e-5的時候，就可以對電力電量預測出來的結果進行分析，并將這個分析出來的結果描述為表格，這個表格的內(nèi)容為時間、實際用電量、神經(jīng)網(wǎng)絡預測值，以及相對誤差，有了這個表格就可以很清楚、明了的知道有神經(jīng)網(wǎng)絡的方法所預測出來的電力電量，而且還可以清楚的知道由神經(jīng)網(wǎng)絡方法所預測出來的電力電量和實際產(chǎn)生的電力電量的之間的相對誤差值是非常的低，由此，可以知道神經(jīng)網(wǎng)絡方法是非常精準的，它對電力電量的預測值的精準度已經(jīng)成熟的達到了99%左右。

4.電力電量預測中的神經(jīng)網(wǎng)絡方法中出現(xiàn)誤差的原因。（1）實際數(shù)據(jù)統(tǒng)計出現(xiàn)誤差。對于實際電力電量數(shù)據(jù)的統(tǒng)計也有可能出現(xiàn)誤差，這也就會導致電力電力預測中神經(jīng)網(wǎng)絡方法中出現(xiàn)誤差。（2）神經(jīng)網(wǎng)絡方法中樣本不斷的增多。隨著我國科學技術的不斷進步，我國神經(jīng)網(wǎng)絡方法中網(wǎng)絡訓練的方法也在不斷的進步，網(wǎng)絡訓練的樣本也就越來越多。然而，隨著這個神經(jīng)網(wǎng)絡方法中網(wǎng)絡訓練的樣本越來越多，電力電量的預測也就會存在一些誤差，雖然會存在誤差，但是也導致了神經(jīng)網(wǎng)絡方法的技術越來越高，那么，預測的精準度度也就會越來越高。

四．總結

綜上所述，由于，神經(jīng)網(wǎng)絡方法的技術越來越高，對電力電量的預測結果也越來越精準，因此，有效的將神經(jīng)網(wǎng)絡的方法應用在電力電量的預測中，可以有效的為電力電量的預測帶來更精準的電力電量預測值。

參考文獻：

[1]張，吳知非，禹建麗.電力電量預測的神經(jīng)網(wǎng)絡方法[J].統(tǒng)計與決策，2008，(4).

[2]萬星，周建中.改進灰色神經(jīng)網(wǎng)絡模型在電量預測中的應用[J].水力發(fā)電，2007，33，(6).

[3]張，吳知非.電力電量預測的神經(jīng)網(wǎng)絡方法[J].電腦知識與技術（學術交流），2007,4，(20).

[4]俞達，綦方中.基于灰色神經(jīng)網(wǎng)絡的公路物流需求量預測模型[J].軟科學，2009，(11).

第2篇：神經(jīng)網(wǎng)絡方法范文

關鍵詞：神經(jīng)網(wǎng)絡 直方圖 圖像增強

1.引言

灰度級是決定一幅數(shù)字圖像特征的重要參數(shù)之一。在數(shù)字圖像處理過程中，可以對圖像的灰度級進行取樣量化分析。如果將圖像中像素亮度（灰度級別）看成是一個隨機變量， 則其分布情況就反映了圖像的統(tǒng)計特性，這可用Probability Density Function (PDF)來刻畫和描述，表現(xiàn)為灰度直方圖（Histogram）。灰度直方圖是灰度級的函數(shù)，它表示圖像中具有某種灰度級的像素的個數(shù)，反映了圖像中每種灰度出現(xiàn)的頻率， 如下圖所示?；叶戎狈綀D的橫坐標是灰度級，縱坐標是該灰度級出現(xiàn)的頻度，它是圖像最基本的統(tǒng)計特征通過對直方圖的離散化和均衡化處理，可以有效地運用于圖像的空間域增強。為圖像的后期處理作好準備。神經(jīng)網(wǎng)絡在圖像處理領域中應用十分廣泛，因為其可以有效適應圖像的非線性特點，并具有自組織、自學習和并行計算等優(yōu)勢，因此本文希望在傳統(tǒng)直方圖處理過程中，采用神經(jīng)網(wǎng)絡的方法對其進行檢驗和調(diào)試。

2．直方圖處理

設r代表圖像中像素灰度級，作歸一化處理后，r將被限定在［0, 1］之內(nèi)。在灰度級中，r=0代表黑，r=1代表白。對于一幅給定的圖像來說，每一個像素取得［0, 1］區(qū)間內(nèi)的灰度級是隨機的，也就是說r是一個隨機變量。假定對每一瞬間，它們是連續(xù)的隨機變量，那么就可以用概率密度函數(shù)pr(r)來表示原始圖像的灰度分布。如果用直角坐標系的橫軸代表灰度級r，用縱軸代表灰度級的概率密度函數(shù)pr(r)，這樣就可以針對一幅圖像在這個坐標系中作出一條曲線來。這條曲線在概率論中就是概率密度曲線。

但是曲線是關于r的連續(xù)型函數(shù)圖像，對于離散化后的數(shù)據(jù)，我們要處理的應該是概率的和，而不是概率密度積分?；叶戎狈綀D的計算非常簡單，依據(jù)定義，在離散形式下，灰度級為[0，L-1]范圍的數(shù)字圖像直方圖是離散函數(shù)h(rk)=nk，rk是第k 級灰度，nk是圖像中灰度級為rk的像素數(shù)，經(jīng)常以圖像中的像素的總數(shù)（用n表示）除于它的每一個值得到歸一化的直方圖：因此一個歸一化的直方圖由 表示。k=1,2,…,L-1所以 表示的是灰度級為rk發(fā)生的概率估計值。

3．直方圖均衡

直方圖均衡化處理是以累積分布函數(shù)變換法為基礎的直方圖修正法。用累積分布函數(shù)原理求變換函數(shù)的表達式如下：

按照這樣的關系變換，就可以得到一幅改善質(zhì)量的新圖像。這幅圖像的灰度層次將不再是呈現(xiàn)較暗色調(diào)的圖像，而是一幅灰度層次較為適中， 比原始圖像清晰， 明快得多的圖像?？梢宰C明，變換后的灰度及概率密度是均勻分布的。

上述方法是以連續(xù)隨機變量為基礎進行討論的。當灰度級是離散值時，可用頻數(shù)近似代替概率值，即

其反變換式為

4. BP神經(jīng)網(wǎng)絡

下圖是一個單輸出的感知器，實質(zhì)是一個典型的人工神經(jīng)元。

單輸出的感知器（M-P模型）

BP神經(jīng)網(wǎng)絡的訓練過程是根據(jù)樣本集對神經(jīng)元之間的聯(lián)接權進行調(diào)整的過程。樣本集有形如：

（輸入向量，輸出向量）

的向量對構成。在開始訓練前，用一些不同的小隨機數(shù)對聯(lián)接權進行初始化。然后可以開始訓練，BP算法簡單分為4步。

4.1向前傳播階段

(1) 從樣本集中取一個樣本（T(rp),sp），將 T(rp)輸入網(wǎng)絡；（2）計算相應的實際輸出op

在此階段，信息從輸入層逐層傳輸，直到輸出層。網(wǎng)絡執(zhí)行以下算法

4.2 向后傳播階段

（1）計算實際輸出op與相應的理想輸出sp的差；（2）按極小化誤差的方式調(diào)整權矩陣。這兩個階段要受到精度要求的控制，在此，取作為網(wǎng)絡關于第p個樣本的誤差測度。而將整個樣本集的誤差測度定義為 過程2對應于輸入信號的正常傳播而言。在第一次調(diào)整聯(lián)接權時只能 求出輸出層的誤差，其他層的誤差要通過第一次的誤差反向逐層后推得到。

上文提到的精度根據(jù)具體實踐得出。需要注意的是在對一個樣本進行訓練結束后，還要對其他樣本全部考察一遍。然后再重復以上過程，直到網(wǎng)絡滿足各個樣本的要求。即 。在網(wǎng)絡的訓練過程中，以 作為網(wǎng)絡的激活函數(shù)。

對以下像素集

經(jīng)直方圖均衡化后的Lena圖像及直方圖

5.結論

通過調(diào)整權值的神經(jīng)網(wǎng)絡方法得到的數(shù)據(jù)能夠同傳統(tǒng)方法相對應。可以作為直方圖均衡化的一種補充。經(jīng)變換后得到的新直方圖雖然不很平坦，但畢竟比原始圖像的直方圖平坦的多， 而且其動態(tài)范圍也大大地擴展了。因此，這種方法對于對比度較弱的圖像進行處理是很有效的。從上例可以看出，變換后的灰度級減少了，這種現(xiàn)象叫做“簡并”現(xiàn)象。由于簡并現(xiàn)象的存在，處理后的灰度級總是要減少的，這是像素灰度有限的必然結果。

參考文獻：

[1]許鋒,盧建剛,孫優(yōu)賢.神經(jīng)網(wǎng)絡在圖像處理中的應用[J].信息與控制,2003,32(4)：344~350

[2]Rafael C,Gonzalez,Richard E.Wodds著.阮秋琦,阮宇智等譯.Digital Image Processing．Second Edition[M].北京:電子工業(yè)出版社,2004:176~215

[3]Zhou Y T,Chellappa R,Jenkins B K.Image res―toration using a neural network[J].IEEE Trans AcoustSpeech Signal Processing,1988,36(7):1141~ 1151

第3篇：神經(jīng)網(wǎng)絡方法范文

關鍵字：BP神經(jīng)網(wǎng)絡； 數(shù)據(jù)庫； 查詢；準確度

中圖分類號：TP393 文獻標識碼：A 文章編號：1009-3044（2017）04-0001-03

神經(jīng)網(wǎng)絡系統(tǒng)是根據(jù)人體神經(jīng)系統(tǒng)的基本原理構建的，其在一定程度上實現(xiàn)了記憶和訓練過程[1-2]。此項功能體現(xiàn)了神經(jīng)網(wǎng)絡與傳統(tǒng)計算機算法存在的根本差異，其具備在線學習、自調(diào)節(jié)以及自適應性，同時具備信息的分布式信息存儲特性。正是由于神經(jīng)網(wǎng)絡的學習特性，使其在聯(lián)想記憶、數(shù)據(jù)非線性映射、在線學習模型構建、數(shù)據(jù)信息分類與識別等領域具有了廣泛的應用空間。

在云數(shù)據(jù)應用時代，存儲系統(tǒng)的應用領域及使用者的范圍不斷擴大[6]，用戶呈指數(shù)倍的增長使得數(shù)據(jù)的存儲容量不斷增長，用戶訪問數(shù)據(jù)庫的頻繁程度也將持續(xù)增加，這對存儲系統(tǒng)數(shù)據(jù)庫訪問的吞吐量性能提出了更高的要求，也對數(shù)據(jù)查詢的效率得出了更加嚴格的標準。

本文提出的基于神經(jīng)網(wǎng)絡的數(shù)據(jù)庫優(yōu)化查詢方法主要通過對云存儲數(shù)據(jù)的關鍵詞進行相似度對比，利用神經(jīng)網(wǎng)絡算法對查詢數(shù)據(jù)樣本進行記憶訓練，通過對查詢關鍵字進行數(shù)據(jù)匹配，最終實現(xiàn)數(shù)據(jù)的準確查詢。為了測試本文設計的基于神經(jīng)網(wǎng)絡的數(shù)據(jù)庫優(yōu)化查詢方法的可行性及準確性能，作者在完成了模型構建后，Matlab軟件中構建實驗場景，模擬數(shù)據(jù)庫檢索過程，完成了對查詢方法進行測試驗證。

1 神經(jīng)網(wǎng)絡模型的建立

1.1 BP神經(jīng)網(wǎng)絡處理單元模型

為了不失一般性，選取BP神經(jīng)網(wǎng)絡的任意兩層介紹其處理單元的數(shù)學模型。BP神經(jīng)網(wǎng)絡處理單元的結果如圖1所示，其中，L1層的[n]個神經(jīng)元和L2層的[p]個神經(jīng)元進行全連接，定義連接權向量為[W={wij}，i=1，2，…，n，j=1，2，…，p]；L1層的[n]個神經(jīng)元的輸出作為L2層各神經(jīng)元的輸入列向量[X=（x1，…，xi，…，xn）T]，L2層各個神經(jīng)元的閾值設置為[θj，j=1，2，…，p]，因此，L2層各神經(jīng)元接收的輸入加權和如下式所示[3-4]：

L2層各神經(jīng)元的輸出結果利用轉(zhuǎn)移函數(shù)進行計算。一般情況下，BP神經(jīng)網(wǎng)絡將Sigmoid函數(shù)作為轉(zhuǎn)移函數(shù)。Sigmoid函數(shù)的數(shù)學表達式為：

因此，L2層各個處理單元的輸出為：

由于Sigmoid函數(shù)的輸出類似于本文設計的神經(jīng)網(wǎng)絡的信號輸出形式，本文設計的模型采用Sigmoid函數(shù)作為系統(tǒng)的轉(zhuǎn)移函數(shù)，其能蜃既訪枋鍪據(jù)檢索過程中的非線性特性水平[5-6]。

1.2 BP神經(jīng)網(wǎng)絡學習算法

本文的無線通信選擇機制采用三層BP神經(jīng)網(wǎng)絡結果，具體學習算法如下所述：

輸入模式向量設為[Xk=（x1k，…，xik，…，xnk）T]，[k=1，2，…，m]，其中[m]表示樣本模式對個數(shù)，[n]表示輸入層神經(jīng)元數(shù)量；輸入模式對應的期望輸出向量為[Yk=（y1k，…，yik，…，yqk）T]，隱含層神經(jīng)元的凈輸入向量設置為[Sk=（s1k，…，sik，…，spk）T]，輸出向量設置為[Bk=（b1k，…，bik，…，bpk）T]，[q]表示輸出層單元數(shù)量，[p]表示隱含層單元個數(shù)；輸出層神經(jīng)元凈輸入向量設置為[Lk=（l1k，…，lik，…，lqk）T]，實際輸出向量設置為[Ck=（c1k，…，cik，…，cqk）T]；輸入層神經(jīng)元至隱含層神經(jīng)元的連接權值設置為[W={wij}]，其中，[i=1，2，…，n，j=1，2，…，p]隱含層至輸出層的連接權值設置為[V={vjt}]，隱含層神經(jīng)元的閾值設置為[θ={θj}，j=1，2，…，p]，輸出層各神經(jīng)元的閾值設置為[γ={γt}，t=1，2，…，q]。

（1）初始化操作。將連接權值矩陣[W]、[V]及閾值[θ]、[γ]在[[-1，+1]]區(qū)間內(nèi)進行隨機取值。

（2）隨機從訓練集合中選取一個學習模式對[（Xk，Yk）]作為BP神經(jīng)網(wǎng)絡的輸入。

（3）輸入層的輸出的計算。輸入層的各神經(jīng)元不對輸入模式進行任何處理，而是直接將接收到的數(shù)據(jù)關鍵詞直接輸出到隱含層各神經(jīng)元，不做任何的數(shù)據(jù)處理。

（4）根據(jù)下式求得隱含層各處理單元的凈輸入和凈輸出：

（5）根據(jù)下式求得各輸出層神經(jīng)元的凈輸入和實際輸出：

（6）根據(jù)設定的期望輸出，通過下式求得各輸出層神經(jīng)元的校正誤差[dkt]，

（7）根據(jù)下式得出隱含層各神經(jīng)處理單元的校正誤差[ekj]，

（8）根據(jù)下式調(diào)整隱含層至輸出層的連接權值[V]和輸出層神經(jīng)元閾值[γ]， [α]表示學習速率，[0

（9）根據(jù)下式調(diào)整輸入層至隱含層神經(jīng)元的連接權值[W]和輸出層神經(jīng)元閾值[θ]， [β]表示學習速率，[0

（10）為BP神經(jīng)網(wǎng)絡隨機輸入下一個學習模式對，返回（3）處，直至訓練完成[m]個學習模式對。

（11）對系統(tǒng)的全局誤差[E]進行判斷，查看其是否滿足神經(jīng)網(wǎng)絡設定的精度需求。如果 [E≤ε]，這說明滿足結束條件，結束學習過程，如果未滿足，則繼續(xù)學習。

（12）更新神網(wǎng)絡學習次數(shù)，如果未達到設定的學習次數(shù)，則返回Step2。

（13）BP神經(jīng)網(wǎng)絡學習過程結束。

在整個神經(jīng)網(wǎng)絡的學習階段中，分別涵蓋了輸入模式的“順傳播過程”，全局誤差的“逆?zhèn)鞑ミ^程”以及“學習記憶訓練”過程，（11）至（12）表示是收斂過程。全局誤差[E]的理想學習曲線如圖2所示。

為了減小震蕩，加快網(wǎng)絡的記憶訓練速度，作者在對連接權值進行調(diào)整時，在改變量基礎上添加一定比例的權值改變值，稱之為動量項。則附加動量項的連接權值調(diào)整方法如下式所示：

式中，[ηΔwij（n-1）]代表動量項，其中[n]為學習次數(shù)，[η]作為動量系數(shù)，[0

加入動量項的本質(zhì)目的是使控制學習過程的學習速率[β]不僅僅是一個固定值，而是能夠持續(xù)變化的。在引入動量項后，網(wǎng)絡總是試圖使連接權值的調(diào)整按照相同方向進行，即使前后兩次連接權值的調(diào)整值方向相反，也能夠降低震蕩趨勢，加快學習記憶速度，以及網(wǎng)絡收斂速度[7]。

通常來說，動量系數(shù)的取值不宜過大。若動量系數(shù)過大，動量項所占比例過重，則本次誤差修正項的作用會不太明顯，以致完全沒有作用，反而會減慢收斂速度，甚至導致整個網(wǎng)絡震蕩。一般情況下，動量系數(shù)的最大值在0.9作用，本文取值為0.6。

2 數(shù)據(jù)庫查詢方法測試

為了測試本文設計的基于神經(jīng)網(wǎng)絡的數(shù)據(jù)庫優(yōu)化查詢方法的可行性及準確性能，作者在完成了模型構建后，Matlab軟件中構建實驗場景，模擬數(shù)據(jù)庫檢索過程，完成了對查詢方法進行測試驗證。數(shù)據(jù)庫查詢學習樣本使用的是加州大學標準數(shù)據(jù)集，通過選擇中度數(shù)據(jù)規(guī)模的樣本空間進行設計網(wǎng)絡的學習訓練，主要訓練搜索關鍵字與查詢結果直接的對應關系，并進行存儲記憶。通過不同查詢次數(shù)的響應延時進行統(tǒng)計分析，與未使用任何算法的隨機檢索方法的搜索結果進行對比分析。數(shù)據(jù)檢索實驗對比結果如圖3所示。

從數(shù)據(jù)檢索對比結果得知，當?shù)螖?shù)達到200次時，本文提出的基于神經(jīng)網(wǎng)絡算法的數(shù)據(jù)庫查詢方法滿足收斂條件[f（x）≤e-10]，此時可視為系統(tǒng)以及查詢到最優(yōu)數(shù)據(jù)結果。同時，較隨機數(shù)據(jù)庫檢索方法，本設計的優(yōu)化方法在響應延時方面平均降低了34.7%，同時搜索查詢準確率高達99.3%。

3 總結

神經(jīng)網(wǎng)絡在聯(lián)想記憶、數(shù)據(jù)非線性映射、在線學習模型構建、數(shù)據(jù)信息分類與識別等領域具有了廣泛的應用空間。通過對云存儲數(shù)據(jù)庫查詢過程的原理進行研究，本文提出的基于神經(jīng)網(wǎng)絡的數(shù)據(jù)庫優(yōu)化查詢方法主要通過對云存儲數(shù)據(jù)的關鍵詞進行相似度對比，利用神經(jīng)網(wǎng)絡算法對查詢數(shù)據(jù)樣本進行記憶訓練，通過對查詢關鍵字進行數(shù)據(jù)匹配，最終實現(xiàn)數(shù)據(jù)的準確查詢。為了測試本文設計的基于神經(jīng)網(wǎng)絡的數(shù)據(jù)庫優(yōu)化查詢方法的可行性及準確性能，作者在完成了模型構建后，Matlab軟件中構建實驗場景，模擬數(shù)據(jù)庫檢索過程，完成了對查詢方法進行測試驗證。仿真結果表明，本文提出的基于神經(jīng)網(wǎng)絡的數(shù)據(jù)庫優(yōu)化查詢方法的準確率高達98.3%，具有較高的檢索精度及穩(wěn)定性。

參考文獻：

[1] 李中志.基于改進BP神經(jīng)網(wǎng)絡的水位流量關系擬合[J].中國農(nóng)村水利水電， 2008（10）：30-32.

[2] 任雯，胥布工.基于標準神經(jīng)網(wǎng)絡模型的非線性系統(tǒng)分布式無線網(wǎng)絡化控制[J]. 控制與決策， 2015，30（4）：691-697.

[3] 余開華.小波神經(jīng)網(wǎng)絡模型在河道流量水位預測中的應用[J].水資源與水工程學報， 2013， 24（2）：204-208.

[4] 潘道宏.RBF神經(jīng)網(wǎng)絡模型擬合電力抽水站水位流量關系研究[J].水利科技與經(jīng)濟， 2010，16（3）：300-301.

[5] 孔玉靜，侯鑫，華爾天等.基于BP神經(jīng)網(wǎng)絡的無線傳感器網(wǎng)絡路由協(xié)議的研究[J].傳感技術學報， 2013， 26（2）：246-251.

[6] 田曉青，劉松良.基于人工神經(jīng)網(wǎng)絡的過閘流量軟測量研究[J].電子產(chǎn)品世界， 2013（10）：43-45.

第4篇：神經(jīng)網(wǎng)絡方法范文

本方法作為水質(zhì)分析評價的方法，比起其他方法，具有算法簡單，運算速度快，受外界影響小等特點。

關鍵詞：人工神經(jīng)網(wǎng)絡Matlab水質(zhì)評價BP

中圖分類號： TN711文獻標識碼：A 文章編號：

“人口、資源、環(huán)境”是當今世界面臨的三大難題。人類的生存與發(fā)展從根本上依賴于水的獲取和對水的控制。

天津市蘊藏著豐富的中、低溫地下水資源。同時，天津市作為華北地區(qū)嚴重缺水的城市，地下水資源對天津市的經(jīng)濟發(fā)展具有極其重要的作用。地下水水質(zhì)的分析評價，為資源管理提供了水質(zhì)判別的依據(jù)，是資源管理系統(tǒng)中重要的一部分。

目前，天津市的地下水水資源的分析管理工作中，水質(zhì)分析評價采用的比較多的是內(nèi)梅羅指數(shù)公式法、模糊綜合評判法、國標法等。

1 BP人工神經(jīng)網(wǎng)絡簡介

BP (Back Propagation)神經(jīng)網(wǎng)絡是一種神經(jīng)網(wǎng)絡學習算法，全稱是基于誤差反向傳播算法的人工神經(jīng)網(wǎng)絡。它的學習過程，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(jīng)元負責接收來自外界的輸入信息，并傳遞給中間層各神經(jīng)元；中間層是內(nèi)部信息處理層，負責信息變換；最后一個隱層傳遞到輸出層各神經(jīng)元的信息，經(jīng)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。

BP神經(jīng)網(wǎng)絡相對比其他的神經(jīng)網(wǎng)絡，具有運算速度快，疊加性好等特點。

2分析方法模型建立

2.1 分析標準選擇

參照《中華人民共和國地下水質(zhì)量標準》，結合天津市水資源的實際取樣和檢測經(jīng)驗，形成下述指標：

表1水質(zhì)評價的要素表（單位：mg/L）

2.2 分析方法建立

分析方法基本流程如圖

圖1基本流程圖

隱含層采用正切S型神經(jīng)元，輸出層采用線性神經(jīng)元，輸入向量的維數(shù)是16，所以輸入層節(jié)點數(shù)確定為16個。輸出層節(jié)點數(shù)由輸出向量的維數(shù)決定，這里輸出節(jié)點數(shù)為1。據(jù)經(jīng)驗以及反復訓練, 隱含層節(jié)點數(shù)定為5。這樣就形成了一個16×5×1神經(jīng)網(wǎng)絡。

圖2BP神經(jīng)網(wǎng)絡結構

輸入向量為2-1，地下水質(zhì)量分類指標，共有項目16，分為五個級別。輸出結果為一列。

2.3 平臺選擇

本文使用的開發(fā)平臺為MATLAB7.8(R2009a)。

2.4 算法選擇

本文選擇動量批梯度下降函數(shù)（traingdm）來訓練算法。它實現(xiàn)的是一種批處理的前饋神經(jīng)網(wǎng)絡訓練算法，它不但具有更快的收斂速度，而且引入了一個動量項，有效地避免了局部最小問題在網(wǎng)絡訓練中的出現(xiàn)。

2.5 學習訓練和模擬

網(wǎng)絡的訓練學習，分為如下幾步：

首先，采用指令 net=newff(minmax(p),[5,1],{'tansig','purelin'},'traingdm') 建立網(wǎng)絡。

newff()為建立BP神經(jīng)網(wǎng)絡的函數(shù)，minmax(p)表示網(wǎng)絡輸入p的取值范圍（0～1），[5,1]表示隱層節(jié)點數(shù)是5，輸出層節(jié)點數(shù)是1，{'tansig','purelin'}表示隱含層中的神經(jīng)元采用tansig轉(zhuǎn)換函數(shù)，輸出層采用purelin函數(shù)，'traingdm'表示選擇的學習算法。

權重和閾值初始化 net=init(net);給各連接權重IW{1,1}、LW{2,1}及閾值b{1}、b{2}賦予（-1,+1）間的隨機值。

然后，采用指令[net,tr]=train(net,p,t)進行訓練；訓練次數(shù)1000，誤差限為10-8。采用水質(zhì)標準歸一化后的數(shù)值作為訓練向量。訓練結果如下：

圖3 網(wǎng)絡訓練誤差圖

采用指令 a= sim(net,p)模擬；

訓練結果：1.0001 1.9998 3.0001 4.0000 5.0000

這說明網(wǎng)絡已經(jīng)訓練完畢，可以使用進行實際應用。

根據(jù)訓練好的網(wǎng)絡及輸入向量進行模擬網(wǎng)絡輸出，輸入層P為16×n的數(shù)組，將監(jiān)測數(shù)據(jù)，進行評價歸一化后，根據(jù)訓練好的模型進行仿真采用指令out= sim(net,p1)，得到的結果為1×n的向量。即為樣本的評價值。然后將評價值根據(jù)大小分為不同的等級（I,II,III,IV,V），輸出為rank數(shù)組。

3實驗結果

3.1 小量樣本對比實驗

選取3個地點，使用不同方法進行評價，水質(zhì)評價可以用礦化度和硬度這兩項指標來簡單的評價，因為這兩個指標可以說明水質(zhì)各組分濃度大小。比較結果如下：

表2小量樣本結果

從上表中可以看出，3號樣本的礦化度和硬度這兩項指標遠小于其他兩個樣本，水質(zhì)情況明顯好于其他兩個樣本。這個結論與BP神經(jīng)網(wǎng)絡的評價結果是一致的，其他兩種方法不能將這3個樣本的水質(zhì)情況區(qū)分開。

從小量樣本的結果看，BP神經(jīng)網(wǎng)絡法的評價與實際的符合度較好。

3.2 大量樣本對比實驗

分析方法是否科學，是否符合實際工作的需要，僅有小量樣本的實驗是遠遠不夠的，還需要使用較大規(guī)模的數(shù)據(jù)樣本進行實驗。

大量樣本實驗選取多年地下水監(jiān)測數(shù)據(jù)中隨機抽取的200組數(shù)據(jù)，代入模型，結果如下：

表3大量樣本結果

與往年數(shù)據(jù)進行比較，結果如下：

圖4 地下水歷年評價結果對比圖

由上圖可以看出，使用BP神經(jīng)網(wǎng)絡法對水質(zhì)進行分析評價，結果比較合理，與往年的數(shù)據(jù)相符合，結果可信。

4結論

天津市地下水資源的管理，到現(xiàn)在已經(jīng)走過了20幾年的時間，積累了大量的監(jiān)測數(shù)據(jù)，為了更好的整理分析這些數(shù)據(jù)，便于管理工作的進行，水質(zhì)分析評價就成為了一個很好的工具?；贐P人工神經(jīng)網(wǎng)絡的水質(zhì)分析評價模型，為水質(zhì)分析評價工作提供了一個新的方向。與傳統(tǒng)的方法不同，BP神經(jīng)網(wǎng)絡法進行水質(zhì)分析評價，更為簡單，快捷，結果也與真實情況相符合。

水質(zhì)分析評價是一項長期、枯燥、嚴謹而又非常重要的工作。使用BP網(wǎng)絡法評價，現(xiàn)階段同樣存在著不足，比如不同的評價對象具有不同的影響因子，對于不同的評價對象，評價因子需進一步更改。

本文對于地下水水質(zhì)評價方法提出一個新的研究方向，希望能夠拋磚引玉，供大家借鑒思考。

參考文獻：

[1]郝華.我國城市地下水污染狀況與對策研究[J].水利發(fā)展研究，2004，(3):23-25+49.

[2]盧新衛(wèi).基于人工神經(jīng)網(wǎng)絡的水質(zhì)污染綜合評價方法[J].工程勘察，1997，(6):25-26.

第5篇：神經(jīng)網(wǎng)絡方法范文

關鍵詞：RBF神經(jīng)網(wǎng)絡；數(shù)據(jù)挖掘；遺傳算法

中圖分類號：TP18 文獻標識碼：A 文章編號：1009-3044（2016）07-0151-03

Research on Data Mining Method Based on RBF Neural Network

CAO Jia-jie， YANG Meng， XU Xin-yu

（Beijing Satellite Manufacturing Plant， Beijing 100000， China）

Abstract： The rapid development of Internet technology and database technology is widely used at the same time， human through information technology to collect data is more and more strong， and how to from a lot of data mining valuable information and knowledge has become particularly urgent. In order to solve the above problems， data mining technology arises at the historic moment. It is found that the data mining the data for the nonlinear， messy and the presence of noise data， neural network is by virtue of the degree of fault tolerance， distributed storage， parallel processing， adaptive and robust feature is widely used to deal with some of the data mining problems. Accordingly， in this case， the author first introduces the data mining and RBF neural network of the relevant theoretical knowledge， and then focus on the RBF neural network based on the data mining method for peer reference.

Key words： RBF neural network； data mining； genetic algorithm

數(shù)據(jù)挖掘是從大量數(shù)據(jù)中挖掘有價值的信息和知識，以便為管理決策和戰(zhàn)略部署提供數(shù)據(jù)支撐。數(shù)據(jù)挖掘作為信息技術發(fā)展的結果，其應用前景相當廣泛。數(shù)據(jù)庫技術主要研究數(shù)據(jù)的組織、存儲、獲取和處理，而信息技術主要經(jīng)歷以下發(fā)展歷程：數(shù)據(jù)的簡單收集和數(shù)據(jù)庫的初期建設數(shù)據(jù)的存儲與檢索、數(shù)據(jù)庫的事務處理數(shù)據(jù)的分析與理解，此時便出現(xiàn)數(shù)據(jù)挖掘技術?；谏鲜鲅芯勘尘?，下文首先分別介紹數(shù)據(jù)挖掘與RBF神經(jīng)網(wǎng)絡的相關理論知識，并在此基礎上，討論基于RBF神經(jīng)網(wǎng)絡的數(shù)據(jù)挖掘方法，目的是為了研究數(shù)據(jù)挖掘所用到的分類算法。關于神經(jīng)網(wǎng)絡，作為一種人工智能技術，其一方面可以省去繁瑣的數(shù)學建模和數(shù)學推理，另一方面在處理含噪聲的非線性數(shù)據(jù)時表現(xiàn)出無與倫比的優(yōu)越性。

1 數(shù)據(jù)挖掘

數(shù)據(jù)挖掘是非平凡的數(shù)據(jù)處理過程，即識別數(shù)據(jù)集中具有潛在價值、新穎有效且最終可被理解的模式，其中潛在價值指的是挖掘出的知識具有實際效用；新穎是指識別出的模式新穎；有效是指識別出的模式在一定程度上是正確的；最終可被理解是指識別出的數(shù)據(jù)可被用戶理解。圖1所示為數(shù)據(jù)挖掘的工作流程。

如圖1所示，數(shù)據(jù)挖掘主要經(jīng)歷數(shù)據(jù)準備、模式提取、結果解釋與評估等階段，其中數(shù)據(jù)準備的步驟為：數(shù)據(jù)清洗數(shù)據(jù)選取數(shù)據(jù)預處理數(shù)據(jù)表示；數(shù)據(jù)提取階段又稱數(shù)據(jù)挖掘階段，其實現(xiàn)步驟為：確定數(shù)據(jù)挖掘的目標或任務選取適宜的數(shù)據(jù)挖掘工具或算法進行數(shù)據(jù)挖掘操作；結果解釋與評估階段主要對所識別的數(shù)據(jù)進行評估、篩除。一般來講，數(shù)據(jù)挖掘質(zhì)量主要與以下影響因素有關：數(shù)據(jù)挖掘技術的可靠性與有效性；目標數(shù)據(jù)的數(shù)量與質(zhì)量?？傊瑪?shù)據(jù)挖掘是一個反復反饋的過程，而可視化貫穿在數(shù)據(jù)挖掘的全過程。

數(shù)據(jù)挖掘的方法一般分為統(tǒng)計型、機械學習型兩大類，而較為常用的算法包括遺傳算法、神經(jīng)網(wǎng)絡等。遺傳算法是一種以生物進化理論為基礎的優(yōu)化空間搜尋法，其在數(shù)據(jù)挖掘中，通常以搜索問題的形式來表述具體的任務，并通過選擇、交叉、變異遺傳等操作尋得最優(yōu)解。神經(jīng)網(wǎng)絡是一種與人類大腦重復學習類似的方法，即通過學習和訓練一些事先給出的樣本，產(chǎn)生與樣品有所區(qū)別的特征和模式，其中樣本集應具有代表性。研究表明，神經(jīng)網(wǎng)絡具有準確預測復雜的問題、有效處理存在噪聲的數(shù)據(jù)等優(yōu)點。神經(jīng)網(wǎng)絡一般分為自組織、反饋式和前饋式神經(jīng)網(wǎng)絡，目前正被廣泛應用于商業(yè)領域。

2 RBF神經(jīng)網(wǎng)絡

RBF網(wǎng)絡結構是一種由輸入層、隱含層和輸出層組成的三層前向網(wǎng)絡，其中輸入層包含信號源結點；隱含層主要由節(jié)點數(shù)目描述的具體問題而定；輸出層主要響應輸入模式的具體作用。圖2所示為RBF神經(jīng)網(wǎng)絡的拓撲結構模型。

如圖2所示，RBF網(wǎng)絡由輸入層向隱含層變換的過程具有非線性的特征，而由隱含層向輸入層變化的過程具有線性的特征。據(jù)此可知，RBF神經(jīng)網(wǎng)絡是一種基于前饋網(wǎng)絡的拓撲結構。研究發(fā)現(xiàn)，RBF神經(jīng)網(wǎng)絡拓撲結構會對自身的性能產(chǎn)生影響，而以下因素又會對RBF網(wǎng)絡拓撲結構產(chǎn)生影響：RBF的隱節(jié)點數(shù)目、中心矢量、徑向基函數(shù)寬度和隱含層與輸出層的權值矩陣。

RBF網(wǎng)絡具有較強的非線性逼近性能。得益于此，其目前主要用來實現(xiàn)非線性系統(tǒng)的建模與數(shù)據(jù)挖掘、貝葉斯規(guī)則和連續(xù)輸入/出數(shù)據(jù)對的映射建模。與其他前向神經(jīng)網(wǎng)絡相比，RBF神經(jīng)網(wǎng)絡具有以下優(yōu)點：

1）RBF神經(jīng)網(wǎng)絡能逼近任意非線性映射，也能處理系統(tǒng)內(nèi)部的規(guī)律性問題。就無噪聲數(shù)據(jù)而言，RBF神經(jīng)網(wǎng)絡模型的預測精度高且擬合能力強；而就存在噪聲的數(shù)據(jù)來講，RBF神經(jīng)網(wǎng)絡模型的預測誤差和擬合誤差均偏低，且收斂速度相當快。得益于此，RBF神經(jīng)網(wǎng)絡在時序建模和分析中的應用十分廣泛。

2）RBF神經(jīng)網(wǎng)絡的拓撲結構加快了學習速度和規(guī)避了局部極小的問題。RBF神經(jīng)網(wǎng)絡采用核函數(shù)，特別是高斯函數(shù)的使用使得核函數(shù)的優(yōu)點更為突出：表示簡單、光滑性好和解釋性好等。

3）RBF神經(jīng)網(wǎng)絡的可解釋性好。目前，以下理論均可用于RBF網(wǎng)絡參數(shù)和拓撲結構的解釋中：RBF網(wǎng)絡能夠?qū)斎雽愚D(zhuǎn)向輸出層進行映射；核回歸能夠逼近存在噪聲的函數(shù)噪聲數(shù)據(jù)插值能夠逼近輸入缺少函數(shù)；規(guī)則化可以通過在一般化與精確匹配中尋求平衡；貝葉斯規(guī)則可以根據(jù)前概率計算出后概率。

3 基于RBF神經(jīng)網(wǎng)絡的分類數(shù)據(jù)挖掘

關于RBF神經(jīng)網(wǎng)絡的研究，其主要表現(xiàn)在以下兩個方面： RBF網(wǎng)絡結構模型； RBF神經(jīng)網(wǎng)絡學習算法。

3.1 RBF網(wǎng)絡結構模型

在實際應用中，RBF模型的應用范圍更廣，其核函數(shù)使用的是高斯函數(shù)。但研究發(fā)現(xiàn)，在上述結構模型中，訓練算法的優(yōu)劣會對模型的應用效果和RBF網(wǎng)絡性能的高低產(chǎn)生決定作用。鑒于此，研究人員提出一些具有新特點和新性能的網(wǎng)絡模型，具體包括：

1）高斯型核函數(shù)一般化。當隱含層RBF采用以下高斯條函數(shù)時，將大大改善RBFN的綜合性能：[Φ?x）=exp-（x-cj?T（x-cj）]/2σ2j]。對于普通高斯函數(shù)，其擁有半徑相同的變量軸和超球面狀的函數(shù)曲面。但與此相比，高斯條核函數(shù)擁有超橢球面狀的函數(shù)曲面和半徑不同的變量軸，因此它具有更強的樣本點逼近能力和更大的網(wǎng)絡訓練工作量。

2）WNN（小波神經(jīng)網(wǎng)絡）。WNN是一種基于小波函數(shù)的函數(shù)連接型網(wǎng)絡，因此在一定程度上應被看作RBFN的推廣形式。WNN的激活函數(shù)為小波函數(shù)，具體以仿射變換的方式創(chuàng)建網(wǎng)絡參數(shù)與小波變換之間的聯(lián)系，因此所表現(xiàn)出的特點與RBFN有所差異。此外，WNN具有極佳的時頻特征，因此被廣泛應用于圖像處理和模式識別等領域。

3）RBPNN（徑向基概率神經(jīng)網(wǎng)絡）。RBPNN作為RBFNN與PNN綜合發(fā)展的結果，其學習收斂速度比RBFN更快，同時也將模式之間的交錯影響考慮其中。關于RBPNN，其結構主要由2個隱含層、1個輸入層、2個輸出層組成，其中第一個隱含層為非線處理層，具體包括隱中心矢量，此乃網(wǎng)絡結構優(yōu)化的核心對象；在輸出層得出輸入樣本概率密度的估算值，可降低計算的復雜度。

4）GRNN（廣義回歸網(wǎng)絡）。GRNN使用的也是高斯型徑向基函數(shù)，一般被看作RBFN的變換形式。GRNN的結構主要由模式層、輸入層、加和層、輸出層組成，其中核函數(shù)所包含的平滑因子需采用優(yōu)化或經(jīng)驗方法來選定。

3.2 RBF神經(jīng)網(wǎng)絡學習算法

在RBF網(wǎng)絡設計中，最為核心的問題是如何合理確定中心點的位置、數(shù)目和訓練網(wǎng)絡權值。通常情況下，中心點的確定與權值的訓練既可分開實現(xiàn)，又可同時進行。鑒于此，RBF網(wǎng)絡可以采用以下兩類學習算法：

3.2.1 靜態(tài)學習算法

靜態(tài)學習算法是一種離線學習算法，即在離線設計RBF網(wǎng)絡時，中心點的確定與權值的訓練分開進行。

1）隨機確定RBF中心點，即隨機從訓練數(shù)據(jù)集中選取RBF中心點。當RBF選取以下高斯函數(shù)：[G（X-Cj2=exp（-m/d2maxX-Cj）j=1，2，...，m]，其中，[Cj]――RBF的中心點；[m]――中心數(shù)；[dmax]――相鄰中心點最大的間隔距離，因此高斯徑向基函數(shù)的寬度[σ=dmax/2m]。利用上述算法，可以避免RBF的形狀出現(xiàn)過平或過陡兩種極端現(xiàn)象。如此一來，便可通過計算線性方程組的方式來確定輸出層與隱含層的連接權值。

2）自組織學習確定RBF中心點?；旌蠈W習過程主要包括自組織學習階段、監(jiān)督學習階段，其中自組織學習階段的任務是采用聚類算法來估計隱含層RBF的中心點；監(jiān)督學習階段主要通過對輸出層線性權重進行估計來設計網(wǎng)絡，具體采用最小二乘法。輸出層節(jié)點的LMS算法與隱含層節(jié)點的K-均值聚類同時進行，以加速學習過程。

3）有監(jiān)督學習確定RBF中心點，即通過有監(jiān)督學習解得RBF的中心點和自有參數(shù)，具體使用牛頓法或梯度下降法等。如果使用梯度下降法，則應從參數(shù)空間的某一有效區(qū)域開始進行搜索，即先利用RBF網(wǎng)絡得到高斯分類算法，再以分類結果為搜索點，以免學習程收斂至局部極小。

3.2.2 動態(tài)學習算法

動態(tài)學習算法是一種在線學習算法，其主要在在線數(shù)據(jù)挖掘環(huán)境中使用。由于在在線數(shù)據(jù)挖掘環(huán)境中，通常不會全部給定訓練樣本，因此如果隱含層中心點與單元數(shù)目的確定采用靜態(tài)學習算法，則解算結果不一定最優(yōu)，而在線學習算法支持動態(tài)刪除或加入隱含層節(jié)點，且隱含層中心點的確定和權值的訓練同時進行，因此可以動態(tài)構造網(wǎng)絡。

1）以分組優(yōu)化策略為基礎的在線學習法。訓練神經(jīng)網(wǎng)絡是約束優(yōu)化的過程，則需對特定的神經(jīng)網(wǎng)絡類型進行深入探討。以下內(nèi)容為在線隱含層單元的確定策略：當輸入的訓練樣本同時滿足以下條件時，則為之分配相應的隱含層但愿你：網(wǎng)絡輸出誤差比誤差的設定閥值大；輸入樣本與隱層中心點之間的距離比距離的設計閥值大。如果在RBF神經(jīng)網(wǎng)絡在線訓練方式中引入分組優(yōu)化策略，則網(wǎng)絡輸出與網(wǎng)絡權值之間存在線性關系，同時與隱含層單元的寬度、中心點之間存在非線性關系，表明盡量采取不同的優(yōu)化方法來處理兩部分的參數(shù)。

2）最近鄰聚類算法。最近鄰居類算法作為動態(tài)自適應聚類學習算法，由其聚類得出的RBF網(wǎng)絡不僅最優(yōu)，且支持在線學習。最近鄰聚類算法的實現(xiàn)過程為：

① 設定高斯函數(shù)寬度為r，定義矢量A（l）存放輸出矢量的總和，定義計數(shù)器B（l）統(tǒng)計樣本數(shù)量，其中類別數(shù)目為l。

② 對于數(shù)據(jù)對[（x1，y1）]，于[x1]上創(chuàng)建1個聚類中心，并令[x1=c1]，[y1=A（1）]，[B（1）=1]，那么在RBF網(wǎng)絡中便僅存在1個中心為[c1]的隱含層單元，且隱含層單元與輸出層的權矢量[w1=A（1）/B（1）]。

③ 對于數(shù)據(jù)對[（x2，y2）]，解得[x2]與[c1]之間的距離[x2-c1]。假設[x2-c1≤r]，那么[x2]的最近鄰聚類為[c1]，假設[A（1）=y1+y2]，[B（1）=B（1）+1]，[w1=A（1）/B（1）]；假設[x2-c1>r]，那么以[x2]為新的聚類中心，同時假設[c2=x2]，[A（2）=y2]，[B（2）=1]。根據(jù)上述要求創(chuàng)建的RBF網(wǎng)絡，再在其中加入一個隱含層單元，其與輸出層之間的權矢量[w2=A（2）/B（2）]。

④ 假設第k個數(shù)據(jù)對[（xk，yk）（k=3，4，...，n）]的聚類中心數(shù)為M，相應的中心點為[c1，c2，...，cm]，則由此創(chuàng)建的RBF網(wǎng)絡中便存在M個隱含層單元。據(jù)此，解得[xk]與M個聚類中心的間距為[xk-ci，i=1，2，...，M]，假設兩者的減小間距為[xk-ci]，那么[xk]的最近鄰聚類為[ci]。根據(jù)第一、二數(shù)據(jù)對的計算步驟，解得當[xk-ci>r]時，第M個隱含層單元與輸出層之間的權矢量[wM=A（M）/B（M）]；當[xk-ci≤r]時，隱含層單元與輸出層之間的權矢量[wi=A（i）/B（i），i=1，2，...，M]。研究發(fā)現(xiàn)，動態(tài)自適應RBF網(wǎng)絡的難易程度由r所決定，即聚類數(shù)目與r呈負相關，即r越小，聚類數(shù)目越多，則計算量越大和精度越高，反之亦然?？傊?，最近鄰聚類法具有性能優(yōu)點、計算量小河學習時間短等優(yōu)點，不僅可以通過確定隱含層來建立RBF神經(jīng)網(wǎng)絡，還可以在動態(tài)輸入模式在線學習中得到有效應用。

綜上，RBF網(wǎng)絡是一種具有最佳擬合和全局逼近性能的前向型神經(jīng)網(wǎng)絡，其無疑具有廣闊的應用前景，但在實際應用中，應當考慮到局部極小問題的存在，進而保障其應用效果。

參考文獻：

[1] 儲兵，吳陳，楊習貝，等.基于RBF神經(jīng)網(wǎng)絡與粗糙集的數(shù)據(jù)挖掘算法[J].計算機技術與發(fā)展，2013，23（7）：87-91.

[2] 宮曉曼，滕榮華.基于神經(jīng)網(wǎng)絡的數(shù)據(jù)挖掘在煤礦選煤中的應用[J].煤炭技術，2013（9）：127-128.

[3] 魏文軒.改進型RBF神經(jīng)網(wǎng)絡在股票市場預測中的應用[J].統(tǒng)計與決策，2013（15）：70-72.

[4] 曹東方，王玉恒.數(shù)據(jù)挖掘在員工考評管理信息系統(tǒng)中的應用[J].河北工業(yè)科技，2012，29（5）：323-326.

[5] 姚應水，葉明全.RBF神經(jīng)網(wǎng)絡與logistic回歸模型的對比研究[J].中國衛(wèi)生統(tǒng)計，2011，28（4）：397-399.

[6] 張會敏，葉明全，羅永錢等.基于RBF神經(jīng)網(wǎng)絡的老年癡呆癥智能診斷研究[J].中國數(shù)字醫(yī)學，2015（6）：38-41.

[7] 習勤，米帥軍.指標篩選技術在神經(jīng)網(wǎng)絡數(shù)據(jù)挖掘模型中的應用[J].統(tǒng)計與決策，2011（10）：163-165.

[8] 林濤，葛玉敏，安玳寧等.基于 RBF 神經(jīng)網(wǎng)絡的鋼構件質(zhì)量追溯系統(tǒng)研究[J].計算技術與自動化，2015（1）：20-24.

第6篇：神經(jīng)網(wǎng)絡方法范文

關鍵詞：瓷磚表面缺陷；布爾神經(jīng)網(wǎng)絡；瓷磚檢測

中圖分類號：TP274 文獻標識碼：A 文章編號：1009-2374（2013）30-0031-02

過去的神經(jīng)網(wǎng)絡沒有解釋能力，其不能很好地觀測物體內(nèi)部機理構造，而本文所論述的布爾神經(jīng)網(wǎng)絡是在過去神經(jīng)網(wǎng)絡上的一種升級，它將原始數(shù)據(jù)按照某種規(guī)則進行了編碼，然后利用編碼后得到的數(shù)據(jù)信息來重新驅(qū)動網(wǎng)絡，其各個節(jié)點具備有效的物理意義。當前瓷磚表面的缺陷依據(jù)瓷磚不規(guī)則性及顏色可分為幾種，按照缺陷所對應的類型可選擇使用不同的濾波器來進行檢測，因為缺陷瓷磚表面通常存在不規(guī)則形，所以濾波器在使用過程中有著極大的局限性，針對缺陷本身來說，雖然不同的瓷磚產(chǎn)品有著一定的差異，但是同種瓷磚又基本保持不變。而布爾神經(jīng)網(wǎng)絡其可在大范圍內(nèi)有效控制檢測的精度及速度，并具有智能型，因此對它的研究將具備極為重要的現(xiàn)實意義。

1 布爾神經(jīng)網(wǎng)絡應用背景

隨著社會經(jīng)濟的不斷發(fā)展，客戶對各類型產(chǎn)品表面的質(zhì)量要求越來越苛刻，表面質(zhì)量已經(jīng)成為了直接決定產(chǎn)品價格及各個企業(yè)之間競爭的重要指標，另外，過去的人工目視檢測方法存在很多的缺陷及不足，如無法適應高速機組，對細小表面缺陷的檢測效率極低，并且如果長期進行檢測，檢測人員易出現(xiàn)視覺疲勞而無法長時間有效地進行整個材料表面的檢測?？傊?，傳統(tǒng)的檢測已經(jīng)無法滿足現(xiàn)代化生產(chǎn)的需要。在這種背景下，新的檢測方法必然出現(xiàn)，而其中布爾神經(jīng)網(wǎng)絡的應用就是其中的一種有效的檢測手段。

2 廣義的布爾神經(jīng)網(wǎng)絡

過去的BP網(wǎng)絡在分類上屬于一種分層網(wǎng)絡，其各個節(jié)點域下一層節(jié)點在連接時通常是完全均勻的，而這種均勻直接連接在圖像感知時通常會致使網(wǎng)絡感知能力受到限制，但是廣義的布爾神經(jīng)網(wǎng)絡是通過研究過去的前向神經(jīng)網(wǎng)絡的優(yōu)點及缺陷之后升級而來。如果單獨從數(shù)據(jù)驅(qū)動方面來講，布爾神經(jīng)網(wǎng)絡也可叫做前向傳播網(wǎng)絡。在該網(wǎng)絡中其各個權重和神經(jīng)網(wǎng)絡只能取值兩個，分別為{-1，1}、{0，1}，其閾值也被限定為整數(shù)。

但是在具體進行運算階段通常是使用二進乘法、整數(shù)加法、比較操作法等幾種方法，因此與傳統(tǒng)的方法相比較其運算速度得到了提高，另外，這種網(wǎng)絡在訓練階段因為不存在反向傳播過程，所以其不需要反復迭代，這使得其運算速度又得到了進一步提高。

設總數(shù)是K的訓練樣本為ak，當，根據(jù)樣本ak，可計算對應的權值wk=2ak-1，由于ak的取值范圍在[0、1]，因此，其第k節(jié)點的閾值表達式為：

在該式中rk表示神經(jīng)網(wǎng)絡第k節(jié)點的吸引域，在該吸引域中心是該神經(jīng)網(wǎng)絡的權重矢量中心wk，而在對樣本進行具體檢測時通常應用的方法為漢明距離測量法，如果測試樣本在進入某節(jié)點吸引域，那么對應的節(jié)點則被激活，其值顯示為1。

2.1 布爾神經(jīng)網(wǎng)絡檢測流程

布爾神經(jīng)網(wǎng)絡是一種三層網(wǎng)絡，如圖1所示，其第一層通常設置為輸入層，在進行檢測過程中在該層輸入標本模式數(shù)據(jù)，在分類過程則輸入采樣樣本數(shù)據(jù)信息，其第二層通常是以C個節(jié)點所組成，其各個節(jié)點都與輸入點相互連接，各個節(jié)點均有三個相同的參數(shù)，即權重、閾值及吸引域，這些參數(shù)必須要由訓練算法來求算，第三層包括兩個節(jié)點，分別是接受節(jié)點與拒絕節(jié)點，接受節(jié)點的閾值為1，和各個種類的節(jié)點相互連接的閾值也是1，拒絕的節(jié)點的閾值則為θ，其和第二層的連接權重則為-1，當種類層中出現(xiàn)多個節(jié)點是1的時候，那么接收點將被激活，與之相反當所有的種類節(jié)點顯示為0時，那么拒絕節(jié)點將被激活，說明該次輸入為奇異點，也叫做缺陷點，進而完成對缺陷的檢測。

2.2 布爾神經(jīng)網(wǎng)絡的連續(xù)特征值

以上所述的布爾神經(jīng)網(wǎng)絡需要輸入的驅(qū)動數(shù)據(jù)是二進制數(shù)，但在實際運用過程通常是連續(xù)值，因此必須要對該網(wǎng)絡所對應的連續(xù)特征值進行研究，首先要對連續(xù)值做好編碼，將這些數(shù)據(jù)信息轉(zhuǎn)化為和其完全對應的二進制數(shù)，而其具體的網(wǎng)絡結構圖如圖2所示，該處通常利用溫度計進行編碼，在實際操作過程中使用一連串的1來對連續(xù)值進行對應表示。因為其存在對應關系，因此該串1的長度和連續(xù)量的值一般為正比關系，在具體進行編碼過程中，由于要對一些特征值進行歸一化數(shù)，導致同類型的特征值在差異方面出現(xiàn)了更大的變化。

2.2.1 編碼算法。（1）對所有的特征值進行歸一化，讓其值的分布區(qū)間在[0，1]，即以其最大值除去其所有的同種特征值。（2）選定一個有效的正整數(shù)，稱編碼為階次，使用該階次與所得歸一化特征值相乘，再加上0.5，并和其最為靠近的整數(shù)相互替換，最后將特征值變?yōu)檎麛?shù)，使其分布區(qū)間為[1，階次+1]。（3）將相互替換得到的整數(shù)變?yōu)槎M制數(shù)，如果所得二進制數(shù)的階次為5，則第4的編碼為111100。

2.2.2 訓練計算。首先將訓練獲取的數(shù)據(jù)及信息逐一離散化、歸一化，其次構建好網(wǎng)絡，依據(jù)一定的規(guī)律在訓練過程中有序的增減種類節(jié)點，接著對特征節(jié)點所對應的閾值依據(jù)二進制布爾神經(jīng)網(wǎng)絡的訓練方式來求算，通常情況下訓練節(jié)點的權重是1，而其閾值和所對應連接特征數(shù)其對應的權重及閾值均是1。

2.2.3 分類計算。（1）對輸入的樣本信息進行歸一化并進行編碼轉(zhuǎn)換。（2）假設拒絕節(jié)點顯示為1，那么根據(jù)第四步進行。（3）種類節(jié)點的閾值必須加1。（4）如果拒絕節(jié)點顯示為1，則根據(jù)第五步或者根據(jù)第三步進行。（5）種類層其節(jié)點在進行計算時必須要減1，另外需要讀取的種類節(jié)點也是1，并且在進行檢測時確定其所屬的種類。（6）將各種類層所對應節(jié)點的閾值減去2，并進行再次分類。

3 分層進行檢測

在具體利用布爾神經(jīng)網(wǎng)絡檢測瓷磚表面缺陷過程中，除了必要的將網(wǎng)絡分類中權重及閾值除去外，還要求對神經(jīng)節(jié)點的各個吸引域做好對應的控制，但是其對一些較大的吸引域做出的結果往往很是粗糙，這致使虛警出現(xiàn)的概率大大地增加，另外也會導致漏警出現(xiàn)的概率增加。在進行分層檢測時，對于存在差異的分辨率要求適應不同的吸引域，對一些較低分辨率要求采用較大的吸引域，隨著進行逐層檢驗還需要緩慢減小吸引域，最終使得檢驗精度得到有效提高，因為對下層的檢驗是在上層檢驗結果出現(xiàn)之后才進行的，所以排除了吸引域，因此使得檢驗精度得到不斷提高。從圖像顯示來說，圖像結構包含K個層次，其中不同的層次在組合過程中其分辨率存在差異，最底層是由最初的輸入圖像，而在塔形k+1層則是下層元素在該基礎的一種簡單變換，另外第k層的元素比k+1層要多，這就呈現(xiàn)了一種塔形結構，因此對輸入客體來講，其敘述的準確性相對K層來說較為粗糙，最后頂層所具有的的元素應該

最少。

4 布爾神經(jīng)網(wǎng)絡方法的運用方向

一般來說瓷磚表面出現(xiàn)的缺陷主要為刮痕、裂紋、斑點及針孔，其中針孔缺陷在進行檢測時通常是根據(jù)其的反射性質(zhì)，并通過線型CCD來完成檢測的，而本文所述的檢測手段僅對瓷磚表面的刮痕、裂紋及斑點進行檢測，由于瓷磚本身的大小及形狀有著極大的不確定性，所以使用本文所述的方法進行瓷磚的缺陷檢測比傳統(tǒng)濾波器檢測效果

更好。

5 結語

本文主要闡述了對瓷磚表面缺陷檢測過程中布爾神經(jīng)網(wǎng)絡技術的一些簡單運用，其具體分為兩個階段，即訓練階段與檢測階段，為了測試檢測的正確性，通常是將同一塊磚的無缺陷部位來作為檢測的訓練樣本，而將其中的缺陷部分進行檢測，工作時充分利用以下三個參數(shù)：方差、能量、均值，在數(shù)字化過程中要求取階次N=10，這樣可直接獲取[1，11]位所對應的二進表達，因為使用了溫度進行編碼，所以整個過程一定要以值的大小來做基礎參考，從實驗結果來看，利用本文所述的方法來檢測，對缺陷的檢出率得到了有效提高。

參考文獻

[1] 戴哲敏，許增樸，于德敏，王永強.計算機視覺在

瓷磚表面顏色勻度分析中的應用[J].中國陶瓷工業(yè)，

2002，（4）.

[2] 吳平川，路同浚，王炎.機器視覺與鋼板表面缺陷的

無損檢測[J].無損檢測，2000，（1）.

[3] 趙海洋，馮心海，薛鈞義，江顯異.基于機器視覺的

瓷磚表面質(zhì)量分析與檢測[J].西安建筑科技大學學報

（自然科學版），2000，（1）.

[4] 羅瑋，彭復員，柳健.彩色瓷磚的自動分類系統(tǒng)[J].

第7篇：神經(jīng)網(wǎng)絡方法范文

關鍵詞：公交客流 數(shù)據(jù)修正 徑向基神經(jīng)網(wǎng)絡

中圖分類號：TP311.13 文獻標識碼：A 文章編號：1007-9416(2012)02-0117-01

1、引言

公交優(yōu)化調(diào)度是智能公交系統(tǒng)的重要組成部分，也是提高城市公共交通運行效率的重要手段。近些年來，我國在公交調(diào)度方面進行了大量的研究，提 出各種各樣的優(yōu)化調(diào)度模型。而這些模型都是建立在公交客流數(shù)據(jù)的基礎上的，公交客流數(shù)據(jù)的準確性直接影響到公交調(diào)度優(yōu)化結果。因此，為了提高公交客流數(shù)據(jù)準確性，本文提出基于RBF神經(jīng)網(wǎng)絡的公交客流修正方法，以便為公交優(yōu)化調(diào)模型提供科學的數(shù)據(jù)基礎。

2、徑向基神經(jīng)網(wǎng)絡理論

2.1 徑向基神經(jīng)網(wǎng)絡結構

徑向基函數(shù)神經(jīng)網(wǎng)絡(Radial Basic Function,RBF)是多維空間插值的傳統(tǒng)技術，由Powell 于1985年提出，并于1989年論證了RBF神經(jīng)網(wǎng)絡對非線性連續(xù)函數(shù)的一致逼近性能。RBF神經(jīng)網(wǎng)絡屬于前向神經(jīng)網(wǎng)絡類型，由三層結構組成。第一層為輸入層，由信號源點結點組成；第二層為隱藏層，隱臧結點由所描述的問題決定；第三層為輸入層，主要功能為響應輸入模式。

2.2 徑向基神經(jīng)網(wǎng)絡的學習算法

RBF神經(jīng)網(wǎng)絡學習算法的主要問題是求解3個有效參數(shù)，分別為基函數(shù)中心，方差和隱含層到輸出層的權值。因為RBF基函數(shù)中心選取方法不同，RBF網(wǎng)絡有多種學習方法。本文根據(jù)所要解決的問題，選用自組織選取中心的RBF神經(jīng)網(wǎng)絡的學習方法。該方法分別由無導師學習過程和有導師學習階段兩部分組成。具體學習算法這里不再贅述。

3、基于徑向基神經(jīng)網(wǎng)絡客流連續(xù)化方法

公交客流數(shù)據(jù)包括乘客到達率，下車率，斷面通過率等。本文以乘客到達率作為公交客流數(shù)據(jù)的具體例子，對其進行基于徑向基神經(jīng)網(wǎng)絡修正。其它客流數(shù)據(jù)連續(xù)化處理方法相同。單位時間內(nèi)到達的乘客人數(shù)定義為乘客到達率，但按照定義方法求得的到達率為離散點，不能反映出其隨時間連續(xù)變化的規(guī)律。為了得到更滿意的結果，故本文采用以上介紹的徑向量神經(jīng)網(wǎng)絡進行連續(xù)化處理。

具體的處理步驟如下：

(1)首先把統(tǒng)計時段的中間點取值為該時段的平均值。

(2)如果計算時，初始時刻到達率出現(xiàn)負值，則將初始時刻的平均值取半作為實際計算值。因為首發(fā)和末發(fā)時段一般呈現(xiàn)上升和下降的趨勢，如果變化率較大，采用徑向基神經(jīng)網(wǎng)絡進行處理時，有可能使初始時刻和最后時刻的到達率出現(xiàn)負值。

(3)運用matlab神經(jīng)網(wǎng)絡工具箱中newrb()函數(shù)構建徑向基神經(jīng)網(wǎng)絡，sim()進行預測仿真，得出具體的曲線。

4、實例應用

如表1所示，為江蘇省鎮(zhèn)江市19路車某個工作日江蘇大學中門站7：00～8：00的上車人數(shù)。

由表1計算結果可知江蘇大學中門站7：10～7：20的乘客到達率為2.9人/min，而7：00～7：10到達率卻是1人/min，7∶20～7∶30的A1站到達率為2.4人/min。因此，該站在7∶10～7∶20到達率應為單調(diào)遞升，主要表現(xiàn)為7∶10附近的到達率要小于2.9人/min，7∶20附近的到達率要大于2.9人/min。所以如果7∶10～7∶15時段到達率選用2.9人/min，則必將降低公交調(diào)度優(yōu)化結果的準確度。因此，為了克服上述問題的不足，得到更佳理想的結果，本文采用以上所述方法對其修正，結果如圖1所示。

5、結語

本文根據(jù)城市公交客流數(shù)據(jù)所存在的問題，采用RBF神經(jīng)網(wǎng)絡對其進行科學修正，以便為公交調(diào)度優(yōu)化模型提供更加準確的數(shù)據(jù)源。并以鎮(zhèn)江市19 路公交車江蘇大學中門站某個工作日的客流量數(shù)據(jù)計算實例，結果表明該方法科學可行，具有更加廣闊的適用面。

參考文獻

[1]楊慶芳,魏領紅,揚兆升.公交線路調(diào)度優(yōu)化模型研究[J].合肥工業(yè)大學學報,2009,32(11):1643～1645.

第8篇：神經(jīng)網(wǎng)絡方法范文

關鍵詞：脫硫脫硝；BP神經(jīng)網(wǎng)絡；反向傳播；預測

中圖分類號：X73文獻標識碼：A文章編號：16749944（2014）07021303

1技術背景

煤炭燃燒產(chǎn)生的煙氣中，含有大量的氮硫氧化物，這些氧化物直接排放到空氣中，會導致酸雨等自然災害的發(fā)生。因此，各國都在積極研究煙氣脫硫脫硝技術。目前最新的技術是采用臭氧的強氧化性對煙氣中的NO進行處理，使之溶解于水，降低煙氣中的氮硫氧化物。

現(xiàn)有的技術對于臭氧的添加采用的是PID控制，此控制技術經(jīng)過多年的發(fā)展，已經(jīng)相對成熟。其控制設備簡單，控制思路清晰，但在控制過程中也存在很多問題，比如對于大慣性環(huán)節(jié)控制滯后，震蕩過度等問題。在添加臭氧的過程中，通過檢測煙氣輸入端的氮硫氧化物的摩爾量，利用反應方程式計算理想狀態(tài)下需要的臭氧摩爾量，然后再通過檢測通入堿性廢水中和前的NOx，SO2的濃度，完成PID調(diào)節(jié)，改變臭氧的添加量。

在添加的過程中，因為影響臭氧添加量的各個因素之間是非線性的，所以無法進行單一的線性補償，導致臭氧添加量過大或者過少。過大會造成添加臭氧的浪費，過小會使煙氣反應不完全，導致煙氣排放不達標，所以本發(fā)明的目的就是根據(jù)歷史數(shù)據(jù)對臭氧的需求量建立預測模型，通過數(shù)據(jù)的分析，預測臭氧的消耗量，以達到減少浪費或者減少煙氣不達標的情況。

人工神經(jīng)網(wǎng)絡是利用計算機模擬人腦的結構和功能的一門新學科[1]，能夠利用自身的優(yōu)良處理性能，解決高度非線性和嚴重不確定性系統(tǒng)的復雜問題，在此適合進行對臭氧需求量進行預測，所以提出建立一個三層BP神經(jīng)網(wǎng)絡預測模型，使用改進的算法進行訓練，并對煙氣脫硫脫硝中臭氧需求量的預測的方法[2]。

2BP網(wǎng)絡及動量梯度下降算法

BP（Back Propagation）網(wǎng)絡是1986年由Rumelhart和McCelland為首的科學家小組提出的，一種按誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伨W(wǎng)絡，是目前應用最廣泛的神經(jīng)網(wǎng)絡模型之一。BP網(wǎng)絡能學習和存貯大量的輸入-輸出模式映射關系，并且無需事前揭示描述這種映射關系的數(shù)學方程。它的學習規(guī)則是使用最速下降法，通過反向傳播來不斷調(diào)整網(wǎng)絡的權值和閾值，使網(wǎng)絡的誤差平方和最小。BP神經(jīng)網(wǎng)絡模型拓撲結構包括輸入層（input layer）、隱含層（hide layer）和輸出層（output layer）。

網(wǎng)絡學習規(guī)則又稱為 學習規(guī)則，對于給定的一組訓練模式，不斷用一個個訓練模式重復前向傳播和誤差反向傳播過程，各個訓練模式都滿足要求時，則說明BP網(wǎng)絡已學習好了。從網(wǎng)絡學習的角度來看，網(wǎng)絡狀態(tài)前向更新及誤差信號傳播過程中，信息的傳播是雙向的，但是不意味著網(wǎng)絡層與層之間的結構也是雙向的。

BP神經(jīng)網(wǎng)絡能夠以任意精度逼近任何非線性連續(xù)函，使得其特別適合于求解內(nèi)部機制復雜的問題，即BP神經(jīng)網(wǎng)絡具有較強的非線性映射能力；其次BP神經(jīng)網(wǎng)絡具有高度自學習和自適應的能力。還有泛化能力，即BP神經(jīng)網(wǎng)絡具有將學習成果應用于新知識的能力。容錯能力：BP神經(jīng)網(wǎng)絡具有一定的容錯能力，即使系統(tǒng)在受到局部損傷時還是可以正常工作（圖1）。

從（2）式可看出，如果比例系數(shù)μ=0，則為高斯-牛頓法；如果μ取值很大，則LM算法接近梯度下降法，每迭代成功一步，則μ減小一些，這樣在接近誤差目標的時候，逐漸與高斯-牛頓法相似[4]。高斯-牛頓法在接近誤差的最小值的時候，計算速度更快，精度也更高。由于LM算法利用了近似的二階導數(shù)信息，它比梯度下降法快得多，實踐證明，采用LM算法可以較原來的梯度下降法提高速度幾十甚至上百倍。另外由于[JT（w）J（w）+μw]是正定的，所以（2）式的解總是存在的，從這個意義上說，LM算法也優(yōu)于高斯-牛頓法，因為對于高斯-牛頓法來說，JTJ是否滿秩還是個潛在的問題。

在實際的操作中，μ是一個試探性的參數(shù)，對于給定的μ，如果求得的 能使誤差指標函數(shù) 降低，則E（w）降低；反之，則μ增加。用（2）式修改一次權值和閾值時需要求n階的代數(shù)方程（n為網(wǎng)絡中權值數(shù)目）。LM算法的計算復雜度為O（n3/6），若n很大，則計算量和存儲量都非常大。然而，每次迭代效率的顯著提高，可大大改善其整體性能，特別是在精度要求高的時候[5]。

3臭氧脫硫脫硝需求量的預測

以BP神經(jīng)網(wǎng)絡模型為原始模型，建立一個三層BP神經(jīng)網(wǎng)絡預測模型，使用改進的算法進行訓練，并對煙氣脫硫脫硝中臭氧需求量的預測[6]，主要步驟分析為以下幾個方面。

（1）根據(jù)生產(chǎn)工藝流程，臭氧將難溶于水的NOx，SO2等氮硫氧化物氧化成易溶于水的高價氧化物，通過堿性廢水進行中和，同時脫硫脫硝的目的。通過分析可知，影響臭氧需求量的主要因素是：煙氣的流速，反應前煙氣中氧氣的濃度，反應中管道內(nèi)的平均氧氣濃度，反應管道中臭氧與SO2的摩爾比，臭氧與NOx的摩爾比，氣體在反應管道中的停留時間，堿性廢水吸收液的溫度，堿性廢水吸收液中堿離子的濃度和煙氣的溫度等因素。在此，選取以上影響因素作為BP神經(jīng)網(wǎng)絡模型的輸入變量，通入的臭氧的流速作為輸出變量。

在建立BP神經(jīng)網(wǎng)絡模型過程中，隱含層節(jié)點數(shù)對BP神經(jīng)網(wǎng)絡預測精度有較大的影響，節(jié)點數(shù)太少，網(wǎng)絡不能很好地學習，需要增加訓練次數(shù)，訓練的精度也受影響；節(jié)點數(shù)太多，訓練時間增加，網(wǎng)絡容易過擬合[7，8]。最佳隱含層節(jié)點數(shù)的選擇可參考如下公式。

4結語

改進的BP網(wǎng)絡預測模型，對同時脫硫脫硝臭氧需求量進行預測，訓練算法采用動態(tài)自適應學習率的梯度下降算法，能夠更快的進行訓練，預測誤差也較小，預測值有很好的利用價值；通過對臭氧需求量的預測，能夠?qū)崟r的根據(jù)工況自動改變臭氧的添加量，既能滿足脫硫脫硝的技術要求，同時也可以降低臭氧的需求量，降低企業(yè)成本，提高公司效益。本文只是設計了方法，結果需要經(jīng)過試驗進行驗證，并進行改進。

參考文獻：

[1] 吳昌設.基于人工神經(jīng)網(wǎng)絡的電網(wǎng)日負荷預測研究[D].杭州：浙江大學，2011.

[2] 姜成科.基于遺傳算法的神經(jīng)網(wǎng)絡在大壩變形預報中的應用 [D].大連：大連理工大學，2008.

[3] 劉曉悅，姚樂樂，聚類分析在超短期電力負荷中的應用[J].河北聯(lián)合大學學報：自然科學版，2013，35（3）：74～80.

[4] 沙瑞華.基于神經(jīng)網(wǎng)絡的水電機組動載識別研究[D].大連：大連理工大學，2005.

[5] 黃豪彩，楊冠魯.基于LM算法的神經(jīng)網(wǎng)絡系統(tǒng)辨識[J].組合機床與自動化加工技術，2003（2）：6～8.

[6] 馮居易，郭曄.基于LM算法的石油期貨價格預測研究[J].技術經(jīng)濟與管理研究，2009（5）：19～21.

[7] 項灝，張俊.一種改進的量子遺傳模擬退火算法及其在神經(jīng)網(wǎng)絡智能故障診斷中的應用[J].機床與液壓，2012.40（13）：196～200.

第9篇：神經(jīng)網(wǎng)絡方法范文

【關鍵詞】ERP BP神經(jīng)網(wǎng)絡 系統(tǒng)實施 系統(tǒng)評價

ERP（Enterprise Resource Planning）作為企業(yè)資源計劃的簡稱，是融合了信息技術方法、管理理論、實際需求的先進管理方法。從MRP物料需求計劃到現(xiàn)在的ERP企業(yè)資源計劃，ERP在信息技術、功能等方面實現(xiàn)了更廣泛的應用，也提供了更有效率、更靈活的信息管理平臺。

ERP系統(tǒng)實施主要目標是對企業(yè)所擁有的人、財、物、信息、時間和空間等內(nèi)部外部資源進行優(yōu)化，達到平衡狀態(tài)，協(xié)調(diào)企業(yè)各管理部門，以市場需求為決策要素開展業(yè)務活動，使得企業(yè)在激烈競爭中不斷強化優(yōu)勢，得到經(jīng)濟效益最大化。所以，ERP首先是一個軟件，同時也是一個管理工具。它是信息技術與管理思想的融合體，也就是先進的管理思想借助現(xiàn)代技術，來完成經(jīng)濟管理目標。ERP系統(tǒng)實施的地位可以用實施領域一個經(jīng)典的總結概括：“三分技術，七分實施”。ERP實施工作是針對企業(yè)管理現(xiàn)狀，將ERP系統(tǒng)先進的技術和管理思想融合到企業(yè)實際運作的復雜系統(tǒng)工程，實施過程也是企業(yè)管理規(guī)范化、制度化的過程。一個成功的ERP實施能縮短生產(chǎn)周期，增加需求預測的準確性，改善客戶服務，減少運營成本，通過消除冗余信息來全面縮減信息技術及計算機系統(tǒng)成本。

一、ERP系統(tǒng)實施項目成功要素

系統(tǒng)實施項目管理也屬于項目管理范疇，項目管理是一項綜合性的工作，涉及到多個知識領域。在項目過程中，如果只在某一領域采取了行動，或未能采取行動，通常會影響其他領域的工作開展或成果，這就是項目管理所涉及到的領域間的交互作用。

ERP成功的實施需要人、部門、過程和整個企業(yè)的改變。因此，系統(tǒng)實施過程是高壓力、長時間、具有不確定性的過程。但他們也會在企業(yè)運作方式方面提供驚人的改變機會。公司實施系統(tǒng)的方式將在很大程度上決定是否其能夠成功。根據(jù)特定的情況，許多因素都將對系統(tǒng)成功實施起到關鍵作用。有八個比較關鍵的成功要素：

（1）實施團隊代表必須由公司優(yōu)秀員工組成。被高層管理者充分信任，這些小組也應該有重組已經(jīng)存在的業(yè)務過程的權力或者開發(fā)出新的業(yè)務過程來支持組織目標。

（2）中層管理被全面包含在實施過程中。這些人也必須被包含在決策過程中，尤其在決定具體實施計劃的時候。成功的實施需要實施者和最終用戶持續(xù)的溝通。中層管理者必須促進員工的持續(xù)反饋，為他們的問題提供真誠的答案，并且?guī)椭麄兘鉀Q問題。

（3）優(yōu)秀的項目管理技術應被采用。實施小組應該采用具有規(guī)則的方法來主導管理，包括對目標，工作計劃進展的清晰定義，以及建立資源需求計劃。

（4）原有ERP系統(tǒng)，包括試運行系統(tǒng)都需要淘汰。每個人都必須在新系統(tǒng)下工作，而不是作為旁觀者。平行運作或者試運行的系統(tǒng)都將會使員工有避免使用新系統(tǒng)的機會。

（5）恰當激勵機制和持續(xù)檢測。實施前必須確定恰當?shù)捻椖吭u估方法。管理者，供應商，實施小組和系統(tǒng)使用用戶必須共擔責任。如果一些員工不能獲得一致達成的目標，他們將接受必要的協(xié)助或者被替換。如果系統(tǒng)實施與獎金無關，那么它將不會是成功的。當小組達成了特定目標，獎金必須以公開的方式呈現(xiàn)。

（6）建立一個比較前瞻的但卻能達成的實施進度計劃。盡最大努力將實施工作標準化，減少處理實施異常需要的時間和努力，并有助于讓實施工作按照進程進行。

（7）需要成功的管理變革技術。實施團隊，高層管理者，中層管理者以及一般管理人員都應該使用成功變革技巧來識別并瞄準阻礙改變的因素。

（8）提供廣泛的教育與培訓。這其中包括實施前和實施中大量的最終用戶培訓，以及實施后的后續(xù)培訓。高層管理者必須準備好投資大量的金錢在培訓上，并將其作為正式的系統(tǒng)預算一部分，因為系統(tǒng)的全部效益只有在最終用戶恰當使用系統(tǒng)時才會被認識到。如果員工能理解系統(tǒng)怎樣運作，他們就會利用他們所知道的操作方法來操作部分系統(tǒng)模塊以改造業(yè)務過程。研究表明預留系統(tǒng)實施預算總額的百分之十到百分之十五份額給培訓部分將會給成功實施帶來百分之八十的機會。

二、ERP實施項目評價指標

由于系統(tǒng)使用者角色較多，承擔不同的責任，因此在建立評價指標體系時一定要把與應用管理系統(tǒng)有著緊密關聯(lián)的管理思想、管理方法、管理模式、管理基礎、管理機制、業(yè)務流程、組織結構、員工素質(zhì)、信息處理以及反映企業(yè)綜合能力和過程控制狀況的相關經(jīng)濟指標等評價內(nèi)容包括進來，重點突出企業(yè)通過應用信息系統(tǒng)后在管理方面有哪些改進、提高和創(chuàng)新。

由于企業(yè)處在激烈的競爭環(huán)境中，對實施效益應當分別從橫向和縱向來分析和評價，因此，企業(yè)信息系統(tǒng)實施是否有效的最終評價標準是它與原有系統(tǒng)相比的優(yōu)劣程度和它與同行業(yè)企業(yè)相比的優(yōu)劣程度。只有新系統(tǒng)運行平穩(wěn)同時又具有原系統(tǒng)不具備的優(yōu)勢，并有助于保持企業(yè)目前和長遠的競爭利益，才能認為企業(yè)成功地實施了管理信息系統(tǒng)。這種比較應當建立在量化的基礎上，以確保比較的公開性、公正性和可接受性。項目總評的指標體系及其量化在項目結束時進行的項目總評活動應當從全局的觀點出發(fā)，既要考慮項目對于本行業(yè)的特殊性，又要考慮項目對企業(yè)發(fā)展通用模式的普遍效益。

為加強企業(yè)信息化程度，國資委下達了《關于加強中央企業(yè)信息化工作的指導意見》。中央企業(yè)信息化水平評價以中央企業(yè)的總體水平為對象，實行初評和復評相結合。評價結果共分五個級別：A、B、C、D、E。對于針對具體某個行業(yè)，某個企業(yè)的信息系統(tǒng)評價雖然沒有中央企業(yè)信息化水平評價工程巨大，但仍然是個系統(tǒng)的評價過程。就基站管理系統(tǒng)來說，基于此系統(tǒng)實施項目特殊性，可以從兩個角度來考慮評價指標的設計。首先，是人員角度，人員有兩個角色，一是項目組成員，需要考察項目組人員執(zhí)行力度；二是系統(tǒng)終端用戶，對于信息系統(tǒng)操作掌握程度。其次，系統(tǒng)本身角度，要考慮系統(tǒng)處理數(shù)據(jù)的準確性及運行穩(wěn)定性。最后，就是實施項目本身角度，項目是否在既定成本和時間下完成。

根據(jù)一般信息系統(tǒng)評價小組專家構成情況可知，評價組織中專家的專業(yè)構成要有一個合理的比例，應以管理專家為主一般為4∶2∶1，即項目評價小組由20位專家組成，其中12位為管理專家，3位為生產(chǎn)工藝專家或產(chǎn)品專家，另2位為系統(tǒng)應用軟件和硬件網(wǎng)絡專家。按照這樣的原則，邀請20位專家對次系統(tǒng)做出評價。初步確定了基站管理信息系統(tǒng)實施項目七個主要評價指標：系統(tǒng)實施項目制度執(zhí)行力、系統(tǒng)培訓充分性、數(shù)據(jù)準確性、系統(tǒng)運行穩(wěn)定性、員工掌握信息化程度、項目成本控制情況、系統(tǒng)是否按時交付。

三、BP神經(jīng)網(wǎng)絡方法

（1）BP神經(jīng)網(wǎng)絡方法在系統(tǒng)評價中優(yōu)勢。通常都采用層次分析法來評價信息系統(tǒng)，運用BP人工神經(jīng)網(wǎng)絡評價解決了多指標變權問題的動態(tài)求解，克服了權重確定過程中的主觀因素，為客觀進行基站管理系統(tǒng)實施項目評價提供了一種有效的方法．在ERP實施項目評價中，利用人工神經(jīng)網(wǎng)絡可以全面評價信息系統(tǒng)實施過程中人員、系統(tǒng)等多因素共同作用下最終效果，運用神經(jīng)網(wǎng)絡知識儲存和自適應特征，可以實現(xiàn)歷史經(jīng)驗與新知識的結合，在發(fā)展過程中動態(tài)評價ERP實施項目。

（2）BP神經(jīng)網(wǎng)絡輸入節(jié)點確定。根據(jù)前期評價指標確定輸入節(jié)點數(shù)目。

（3）根據(jù)前面建立的評價指標，輸入節(jié)點確立為系統(tǒng)實施項目執(zhí)行力度、系統(tǒng)培訓充分性、數(shù)據(jù)準確性、系統(tǒng)運行穩(wěn)定性、員工掌握信息化程度、實施項目成本控制情況、項目是否按時交付。共七個作為BP神經(jīng)網(wǎng)絡輸入節(jié)點。

（4）隱含層數(shù)目和隱含層神經(jīng)元數(shù)目確定。本模型采用一個隱含層，一個輸出層兩層的BP網(wǎng)絡結構，BP神經(jīng)網(wǎng)絡的隱藏層數(shù)目就現(xiàn)階段而言不是主流問題，通常采用一層隱含層的網(wǎng)絡結構，相對于隱含層中的神經(jīng)元個數(shù)來說并不那么重要。

本模型隱含層采用了三個神經(jīng)元。有研究表明對任何閉區(qū)間內(nèi)的連續(xù)函數(shù)，都可以用一個隱含層的BP神經(jīng)網(wǎng)絡來逼近，因而一個三層的BP神經(jīng)網(wǎng)絡可以完成任意的N維到M維的映射。

（5）輸出節(jié)點確定。輸出節(jié)點對應評價結果，比如本評價標準采用0-10分打分制，希望最后得出實施項目總體評價分數(shù)，8分以上可以定義為本實施項目成功。所以結果為一個1-10之間的數(shù)字，為一個節(jié)點。

（6）函數(shù)選擇。函數(shù)newff（）就是用來構建神經(jīng)網(wǎng)絡的。它需要四個輸入條件，依次是：由R維的輸入樣本最大最小值構成的R*7維矩陣、各層的神經(jīng)元個數(shù)、各層神經(jīng)元的傳遞函數(shù)以及訓練用函數(shù)的名稱。

本評價模型采用兩層神經(jīng)網(wǎng)絡，其輸入向量是七維的，輸入向量的范圍為【0 10；0 10；0 10；0 10；0 10；0 10；0 10】，第一層（隱層）有三個神經(jīng)元，傳遞函數(shù)是tansig（）；第二層（輸出層）是單個神經(jīng)元，傳遞函數(shù)是線性的，訓練函數(shù)選擇traingd（）。

輸入向量范圍：輸入向量范圍確定為【0 10】，因為指標打分設置為0-10分

傳遞函數(shù)tansig（）的選擇：tansig是雙曲正切S型傳遞函數(shù)，收斂速度相對于logsig要快，通常bp神經(jīng)網(wǎng)絡架構的輸入層會選擇tansig函數(shù)。

輸出函數(shù)purelin的選擇：purelin為線性傳遞函數(shù)，通常用在輸出層。

訓練函數(shù)traingd（）的選擇：traingd函數(shù)是批梯度下降訓練函數(shù),沿網(wǎng)絡性能參數(shù)的負梯度方向調(diào)整網(wǎng)絡的權值和閾值。 Traingdm函數(shù)是動量批梯度下降函數(shù),也是一種批處理的前饋神經(jīng)網(wǎng)絡訓練方法,不但具有更快的收斂速度,而且引入了一個動量項,有效避免了局部最小問題在網(wǎng)絡訓練中出現(xiàn)。 Trainrp是有彈回的BP算法,用于消除梯度模值對網(wǎng)絡訓練帶來的影響,提高訓練的速度。一般來說,traingd和traingdm是普通訓練函數(shù),而traingda,traingdx,traingd,trainrp,traincgf,traincgb,trainscg,trainbgf等都是快速訓練函數(shù)，在訓練時間和精度上存在差異。此處選擇普通訓練函數(shù)traingd。

參考文獻

[1]陳君,李聰穎,丁光明.基于BP神經(jīng)網(wǎng)絡的高速公路交通安全評價[J]．同濟大學學報,2008,36(7).

[2] William R. King．Ensuring ERP Implementation Success [J]．IT Strategy and Innovation，2007.

[3]趙萬芹．基于BP神經(jīng)網(wǎng)絡的產(chǎn)品造型設計評價[J]．計算機工程與設計，2009，30(24).

[4]閔文杰,陳建明,張仲義.信息系統(tǒng)評價指標體系及方法的研究[J].鐵道學報,2000,22(5).