神經網絡方法精選(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網絡方法主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：神經網絡方法范文

關鍵詞：基本概況；電力電量預測；神經網絡；BP神經網絡模型

一．神經網絡和電力電量預測的基本概況

1.神經網絡。神經網絡的基礎在于神經元，神經元是以生物神經系統的神經細胞為基礎的生物模型。在人們對生物神經系統進行研究，以探討人工智能的機制時，把神經元數學化，從而產生神經元數學模型。大量的形式相同的神經元連結在一起就組成了神經網絡，神經網絡是一個高度非線性動力學系統。神經網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象。人工神經元處于激活或抑制兩種不同的狀態，這種行為在數學上表現為一種非線性關系。

（2）非局限性。一個神經網絡通常由多個神經元廣泛連接而成的，一個系統的整體行為不僅取決于單個神經元的特征，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。人工神經網絡具有自適應、自組織、自學習能力。神經網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，非線性動力系統本身也在不斷變化。

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

2.電力電量預測。電力電量預測是電力系統規劃的重要組成部分，也是電力系統經濟運行的基礎，其對電力系統規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、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規劃和運行提供可靠的決策依據。

二．神經網絡模型中的BP神經網絡模型

BP（Back Propagation）網絡是一種按誤差逆傳播算法訓練的多層前饋網絡，是目前，應用最為廣泛的神經網絡模型之一。BP網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學方程。它的學習規則是使用最速下降法，通過方向傳播來不斷調整網絡的權值和閾值，使網絡的誤差平方和最小。BP神經網絡模型拓撲結構包括輸入層、隱層、輸出層。

BP神經網絡模型的分類：

1.節點輸出模型。節點輸出模型又可以分為：

（1）隱節點輸出模型：οj=f(∑Wij×Xi－qj) （1)

（2）輸出節點輸出模型：Yk=f(∑Tjk×οj－qk)（2)

（3）f-非線形作用函數；q -神經單元閾值

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

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

Tpi- i節點的期望輸出值；pi- i節點計算輸出值。

4.自學習模型。神經網絡的學習過程，即連接下層節點和上層節點之間的權重矩陣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為輸出節點i的計算誤差，j為輸出節點j的計算輸出，a為動力因子。

三．電力電量預測的神經網絡方法

1.電力電量預測的神經網絡方法中數據的標準化。上面我們說了下層輸入對上層節點刺激脈沖強度的函數又稱刺激函數，一般取為（0,1），因此，要想把數據標準化，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，當把這些數據進行標準化后，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，這樣才能保證神經網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網絡方法中的網絡訓練。由于電力電量預測的內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網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，就可以以網絡訓練的結果為根據，對BP神經網絡模型再進行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，這個表格的內容為時間、實際用電量、神經網絡預測值，以及相對誤差，有了這個表格就可以很清楚、明了的知道有神經網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網絡方法所預測出來的電力電量和實際產生的電力電量的之間的相對誤差值是非常的低，由此，可以知道神經網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成熟的達到了99%左右。

4.電力電量預測中的神經網絡方法中出現誤差的原因。（1）實際數據統計出現誤差。對于實際電力電量數據的統計也有可能出現誤差，這也就會導致電力電力預測中神經網絡方法中出現誤差。（2）神經網絡方法中樣本不斷的增多。隨著我國科學技術的不斷進步，我國神經網絡方法中網絡訓練的方法也在不斷的進步，網絡訓練的樣本也就越來越多。然而，隨著這個神經網絡方法中網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，但是也導致了神經網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，神經網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，有效的將神經網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網絡方法[J].統計與決策，2008，(4).

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

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

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

第2篇：神經網絡方法范文

關鍵詞：神經網絡 直方圖 圖像增強

1.引言

灰度級是決定一幅數字圖像特征的重要參數之一。在數字圖像處理過程中，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計特性，這可用Probability Density Function (PDF)來刻畫和描述，表現為灰度直方圖（Histogram）。灰度直方圖是灰度級的函數，它表示圖像中具有某種灰度級的像素的個數，反映了圖像中每種灰度出現的頻率， 如下圖所示。灰度直方圖的橫坐標是灰度級，縱坐標是該灰度級出現的頻度，它是圖像最基本的統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。神經網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勢，因此本文希望在傳統直方圖處理過程中，采用神經網絡的方法對其進行檢驗和調試。

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。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］區間內的灰度級是隨機的，也就是說r是一個隨機變量。假定對每一瞬間，它們是連續的隨機變量，那么就可以用概率密度函數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的連續型函數圖像，對于離散化后的數據，我們要處理的應該是概率的和，而不是概率密度積分。灰度直方圖的計算非常簡單，依據定義，在離散形式下，灰度級為[0，L-1]范圍的數字圖像直方圖是離散函數h(rk)=nk，rk是第k 級灰度，nk是圖像中灰度級為rk的像素數，經常以圖像中的像素的總數（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變換法為基礎的直方圖修正法。用累積分布函數原理求變換函數的表達式如下：

按照這樣的關系變換，就可以得到一幅改善質量的新圖像。這幅圖像的灰度層次將不再是呈現較暗色調的圖像，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。可以證明，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，可用頻數近似代替概率值，即

其反變換式為

4. BP神經網絡

下圖是一個單輸出的感知器，實質是一個典型的人工神經元。

單輸出的感知器（M-P模型）

BP神經網絡的訓練過程是根據樣本集對神經元之間的聯接權進行調整的過程。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對聯接權進行初始化。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。網絡執行以下算法

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。在第一次調整聯接權時只能 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，直到網絡滿足各個樣本的要求。即 。在網絡的訓練過程中，以 作為網絡的激活函數。

對以下像素集

經直方圖均衡化后的Lena圖像及直方圖

5.結論

通過調整權值的神經網絡方法得到的數據能夠同傳統方法相對應。可以作為直方圖均衡化的一種補充。經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，這種現象叫做“簡并”現象。由于簡并現象的存在，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,孫優賢.神經網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：神經網絡方法范文

關鍵字：BP神經網絡； 數據庫； 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

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

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

本文提出的基于神經網絡的數據庫優化查詢方法主要通過對云存儲數據的關鍵詞進行相似度對比，利用神經網絡算法對查詢數據樣本進行記憶訓練，通過對查詢關鍵字進行數據匹配，最終實現數據的準確查詢。為了測試本文設計的基于神經網絡的數據庫優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，模擬數據庫檢索過程，完成了對查詢方法進行測試驗證。

1 神經網絡模型的建立

1.1 BP神經網絡處理單元模型

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

L2層各神經元的輸出結果利用轉移函數進行計算。一般情況下，BP神經網絡將Sigmoid函數作為轉移函數。Sigmoid函數的數學表達式為：

因此，L2層各個處理單元的輸出為：

由于Sigmoid函數的輸出類似于本文設計的神經網絡的信號輸出形式，本文設計的模型采用Sigmoid函數作為系統的轉移函數，其能蜃既訪枋鍪據檢索過程中的非線性特性水平[5-6]。

1.2 BP神經網絡學習算法

本文的無線通信選擇機制采用三層BP神經網絡結果，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，[n]表示輸入層神經元數量；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]表示輸出層單元數量，[p]表示隱含層單元個數；輸出層神經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]；輸入層神經元至隱含層神經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}]，隱含層神經元的閾值設置為[θ={θj}，j=1，2，…，p]，輸出層各神經元的閾值設置為[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]]區間內進行隨機取值。

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

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

（4）根據下式求得隱含層各處理單元的凈輸入和凈輸出：

（5）根據下式求得各輸出層神經元的凈輸入和實際輸出：

（6）根據設定的期望輸出，通過下式求得各輸出層神經元的校正誤差[dkt]，

（7）根據下式得出隱含層各神經處理單元的校正誤差[ekj]，

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

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

（10）為BP神經網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）對系統的全局誤差[E]進行判斷，查看其是否滿足神經網絡設定的精度需求。如果 [E≤ε]，這說明滿足結束條件，結束學習過程，如果未滿足，則繼續學習。

（12）更新神網絡學習次數，如果未達到設定的學習次數，則返回Step2。

（13）BP神經網絡學習過程結束。

在整個神經網絡的學習階段中，分別涵蓋了輸入模式的“順傳播過程”，全局誤差的“逆傳播過程”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，加快網絡的記憶訓練速度，作者在對連接權值進行調整時，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，[η]作為動量系數，[0

加入動量項的本質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，而是能夠持續變化的。在引入動量項后，網絡總是試圖使連接權值的調整按照相同方向進行，即使前后兩次連接權值的調整值方向相反，也能夠降低震蕩趨勢，加快學習記憶速度，以及網絡收斂速度[7]。

通常來說，動量系數的取值不宜過大。若動量系數過大，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，甚至導致整個網絡震蕩。一般情況下，動量系數的最大值在0.9作用，本文取值為0.6。

2 數據庫查詢方法測試

為了測試本文設計的基于神經網絡的數據庫優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，模擬數據庫檢索過程，完成了對查詢方法進行測試驗證。數據庫查詢學習樣本使用的是加州大學標準數據集，通過選擇中度數據規模的樣本空間進行設計網絡的學習訓練，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。通過不同查詢次數的響應延時進行統計分析，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。數據檢索實驗對比結果如圖3所示。

從數據檢索對比結果得知，當迭代次數達到200次時，本文提出的基于神經網絡算法的數據庫查詢方法滿足收斂條件[f（x）≤e-10]，此時可視為系統以及查詢到最優數據結果。同時，較隨機數據庫檢索方法，本設計的優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

神經網絡在聯想記憶、數據非線性映射、在線學習模型構建、數據信息分類與識別等領域具有了廣泛的應用空間。通過對云存儲數據庫查詢過程的原理進行研究，本文提出的基于神經網絡的數據庫優化查詢方法主要通過對云存儲數據的關鍵詞進行相似度對比，利用神經網絡算法對查詢數據樣本進行記憶訓練，通過對查詢關鍵字進行數據匹配，最終實現數據的準確查詢。為了測試本文設計的基于神經網絡的數據庫優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，模擬數據庫檢索過程，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網絡的數據庫優化查詢方法的準確率高達98.3%，具有較高的檢索精度及穩定性。

參考文獻：

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

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

[3] 余開華.小波神經網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神經網絡模型擬合電力抽水站水位流量關系研究[J].水利科技與經濟， 2010，16（3）：300-301.

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

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

第4篇：神經網絡方法范文

本方法作為水質分析評價的方法，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：人工神經網絡Matlab水質評價BP

中圖分類號： TN711文獻標識碼：A 文章編號：

“人口、資源、環境”是當今世界面臨的三大難題。人類的生存與發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嚴重缺水的城市，地下水資源對天津市的經濟發展具有極其重要的作用。地下水水質的分析評價，為資源管理提供了水質判別的依據，是資源管理系統中重要的一部分。

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

1 BP人工神經網絡簡介

BP (Back Propagation)神經網絡是一種神經網絡學習算法，全稱是基于誤差反向傳播算法的人工神經網絡。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。輸入層各神經元負責接收來自外界的輸入信息，并傳遞給中間層各神經元；中間層是內部信息處理層，負責信息變換；最后一個隱層傳遞到輸出層各神經元的信息，經進一步處理后，完成一次學習的正向傳播處理過程，由輸出層向外界輸出信息處理結果。

BP神經網絡相對比其他的神經網絡，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量標準》，結合天津市水資源的實際取樣和檢測經驗，形成下述指標：

表1水質評價的要素表（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型神經元，輸出層采用線性神經元，輸入向量的維數是16，所以輸入層節點數確定為16個。輸出層節點數由輸出向量的維數決定，這里輸出節點數為1。據經驗以及反復訓練, 隱含層節點數定為5。這樣就形成了一個16×5×1神經網絡。

圖2BP神經網絡結構

輸入向量為2-1，地下水質量分類指標，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（traingdm）來訓練算法。它實現的是一種批處理的前饋神經網絡訓練算法，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絡訓練中的出現。

2.5 學習訓練和模擬

網絡的訓練學習，分為如下幾步：

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

newff()為建立BP神經網絡的函數，minmax(p)表示網絡輸入p的取值范圍（0～1），[5,1]表示隱層節點數是5，輸出層節點數是1，{'tansig','purelin'}表示隱含層中的神經元采用tansig轉換函數，輸出層采用purelin函數，'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1000，誤差限為10-8。采用水質標準歸一化后的數值作為訓練向量。訓練結果如下：

圖3 網絡訓練誤差圖

采用指令 a= sim(net,p)模擬；

訓練結果：1.0001 1.9998 3.0001 4.0000 5.0000

這說明網絡已經訓練完畢，可以使用進行實際應用。

根據訓練好的網絡及輸入向量進行模擬網絡輸出，輸入層P為16×n的數組，將監測數據，進行評價歸一化后，根據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。然后將評價值根據大小分為不同的等級（I,II,III,IV,V），輸出為rank數組。

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，水質情況明顯好于其他兩個樣本。這個結論與BP神經網絡的評價結果是一致的，其他兩種方法不能將這3個樣本的水質情況區分開。

從小量樣本的結果看，BP神經網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，還需要使用較大規模的數據樣本進行實驗。

大量樣本實驗選取多年地下水監測數據中隨機抽取的200組數據，代入模型，結果如下：

表3大量樣本結果

與往年數據進行比較，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神經網絡法對水質進行分析評價，結果比較合理，與往年的數據相符合，結果可信。

4結論

天津市地下水資源的管理，到現在已經走過了20幾年的時間，積累了大量的監測數據，為了更好的整理分析這些數據，便于管理工作的進行，水質分析評價就成為了一個很好的工具。基于BP人工神經網絡的水質分析評價模型，為水質分析評價工作提供了一個新的方向。與傳統的方法不同，BP神經網絡法進行水質分析評價，更為簡單，快捷，結果也與真實情況相符合。

水質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網絡法評價，現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].水利發展研究，2004，(3):23-25+49.

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

第5篇：神經網絡方法范文

關鍵詞：RBF神經網絡；數據挖掘；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

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

1 數據挖掘

數據挖掘是非平凡的數據處理過程，即識別數據集中具有潛在價值、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據可被用戶理解。圖1所示為數據挖掘的工作流程。

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

數據挖掘的方法一般分為統計型、機械學習型兩大類，而較為常用的算法包括遺傳算法、神經網絡等。遺傳算法是一種以生物進化理論為基礎的優化空間搜尋法，其在數據挖掘中，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解。神經網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，產生與樣品有所區別的特征和模式，其中樣本集應具有代表性。研究表明，神經網絡具有準確預測復雜的問題、有效處理存在噪聲的數據等優點。神經網絡一般分為自組織、反饋式和前饋式神經網絡，目前正被廣泛應用于商業領域。

2 RBF神經網絡

RBF網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絡，其中輸入層包含信號源結點；隱含層主要由節點數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神經網絡的拓撲結構模型。

如圖2所示，RBF網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。據此可知，RBF神經網絡是一種基于前饋網絡的拓撲結構。研究發現，RBF神經網絡拓撲結構會對自身的性能產生影響，而以下因素又會對RBF網絡拓撲結構產生影響：RBF的隱節點數目、中心矢量、徑向基函數寬度和隱含層與輸出層的權值矩陣。

RBF網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非線性系統的建模與數據挖掘、貝葉斯規則和連續輸入/出數據對的映射建模。與其他前向神經網絡相比，RBF神經網絡具有以下優點：

1）RBF神經網絡能逼近任意非線性映射，也能處理系統內部的規律性問題。就無噪聲數據而言，RBF神經網絡模型的預測精度高且擬合能力強；而就存在噪聲的數據來講，RBF神經網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神經網絡在時序建模和分析中的應用十分廣泛。

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

3）RBF神經網絡的可解釋性好。目前，以下理論均可用于RBF網絡參數和拓撲結構的解釋中：RBF網絡能夠對輸入層轉向輸出層進行映射；核回歸能夠逼近存在噪聲的函數噪聲數據插值能夠逼近輸入缺少函數；規則化可以通過在一般化與精確匹配中尋求平衡；貝葉斯規則可以根據前概率計算出后概率。

3 基于RBF神經網絡的分類數據挖掘

關于RBF神經網絡的研究，其主要表現在以下兩個方面： RBF網絡結構模型； RBF神經網絡學習算法。

3.1 RBF網絡結構模型

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

1）高斯型核函數一般化。當隱含層RBF采用以下高斯條函數時，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，其擁有半徑相同的變量軸和超球面狀的函數曲面。但與此相比，高斯條核函數擁有超橢球面狀的函數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絡訓練工作量。

2）WNN（小波神經網絡）。WNN是一種基于小波函數的函數連接型網絡，因此在一定程度上應被看作RBFN的推廣形式。WNN的激活函數為小波函數，具體以仿射變換的方式創建網絡參數與小波變換之間的聯系，因此所表現出的特點與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（徑向基概率神經網絡）。RBPNN作為RBFNN與PNN綜合發展的結果，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，此乃網絡結構優化的核心對象；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（廣義回歸網絡）。GRNN使用的也是高斯型徑向基函數，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，其中核函數所包含的平滑因子需采用優化或經驗方法來選定。

3.2 RBF神經網絡學習算法

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

3.2.1 靜態學習算法

靜態學習算法是一種離線學習算法，即在離線設計RBF網絡時，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，即隨機從訓練數據集中選取RBF中心點。當RBF選取以下高斯函數：[G（X-Cj2=exp（-m/d2maxX-Cj）j=1，2，...，m]，其中，[Cj]――RBF的中心點；[m]――中心數；[dmax]――相鄰中心點最大的間隔距離，因此高斯徑向基函數的寬度[σ=dmax/2m]。利用上述算法，可以避免RBF的形狀出現過平或過陡兩種極端現象。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。混合學習過程主要包括自組織學習階段、監督學習階段，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絡，具體采用最小二乘法。輸出層節點的LMS算法與隱含層節點的K-均值聚類同時進行，以加速學習過程。

3）有監督學習確定RBF中心點，即通過有監督學習解得RBF的中心點和自有參數，具體使用牛頓法或梯度下降法等。如果使用梯度下降法，則應從參數空間的某一有效區域開始進行搜索，即先利用RBF網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 動態學習算法

動態學習算法是一種在線學習算法，其主要在在線數據挖掘環境中使用。由于在在線數據挖掘環境中，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目的確定采用靜態學習算法，則解算結果不一定最優，而在線學習算法支持動態刪除或加入隱含層節點，且隱含層中心點的確定和權值的訓練同時進行，因此可以動態構造網絡。

1）以分組優化策略為基礎的在線學習法。訓練神經網絡是約束優化的過程，則需對特定的神經網絡類型進行深入探討。以下內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神經網絡在線訓練方式中引入分組優化策略，則網絡輸出與網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化方法來處理兩部分的參數。

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

① 設定高斯函數寬度為r，定義矢量A（l）存放輸出矢量的總和，定義計數器B（l）統計樣本數量，其中類別數目為l。

② 對于數據對[（x1，y1）]，于[x1]上創建1個聚類中心，并令[x1=c1]，[y1=A（1）]，[B（1）=1]，那么在RBF網絡中便僅存在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 對于數據對[（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]。根據上述要求創建的RBF網絡，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個數據對[（xk，yk）（k=3，4，...，n）]的聚類中心數為M，相應的中心點為[c1，c2，...，cm]，則由此創建的RBF網絡中便存在M個隱含層單元。據此，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]。根據第一、二數據對的計算步驟，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]。研究發現，動態自適應RBF網絡的難易程度由r所決定，即聚類數目與r呈負相關，即r越小，聚類數目越多，則計算量越大和精度越高，反之亦然。總之，最近鄰聚類法具有性能優點、計算量小河學習時間短等優點，不僅可以通過確定隱含層來建立RBF神經網絡，還可以在動態輸入模式在線學習中得到有效應用。

綜上，RBF網絡是一種具有最佳擬合和全局逼近性能的前向型神經網絡，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神經網絡與粗糙集的數據挖掘算法[J].計算機技術與發展，2013，23（7）：87-91.

[2] 宮曉曼，滕榮華.基于神經網絡的數據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神經網絡在股票市場預測中的應用[J].統計與決策，2013（15）：70-72.

[4] 曹東方，王玉恒.數據挖掘在員工考評管理信息系統中的應用[J].河北工業科技，2012，29（5）：323-326.

[5] 姚應水，葉明全.RBF神經網絡與logistic回歸模型的對比研究[J].中國衛生統計，2011，28（4）：397-399.

[6] 張會敏，葉明全，羅永錢等.基于RBF神經網絡的老年癡呆癥智能診斷研究[J].中國數字醫學，2015（6）：38-41.

[7] 習勤，米帥軍.指標篩選技術在神經網絡數據挖掘模型中的應用[J].統計與決策，2011（10）：163-165.

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

第6篇：神經網絡方法范文

關鍵詞：瓷磚表面缺陷；布爾神經網絡；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

過去的神經網絡沒有解釋能力，其不能很好地觀測物體內部機理構造，而本文所論述的布爾神經網絡是在過去神經網絡上的一種升級，它將原始數據按照某種規則進行了編碼，然后利用編碼后得到的數據信息來重新驅動網絡，其各個節點具備有效的物理意義。當前瓷磚表面的缺陷依據瓷磚不規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。而布爾神經網絡其可在大范圍內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實意義。

1 布爾神經網絡應用背景

隨著社會經濟的不斷發展，客戶對各類型產品表面的質量要求越來越苛刻，表面質量已經成為了直接決定產品價格及各個企業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，檢測人員易出現視覺疲勞而無法長時間有效地進行整個材料表面的檢測。總之，傳統的檢測已經無法滿足現代化生產的需要。在這種背景下，新的檢測方法必然出現，而其中布爾神經網絡的應用就是其中的一種有效的檢測手段。

2 廣義的布爾神經網絡

過去的BP網絡在分類上屬于一種分層網絡，其各個節點域下一層節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絡感知能力受到限制，但是廣義的布爾神經網絡是通過研究過去的前向神經網絡的優點及缺陷之后升級而來。如果單獨從數據驅動方面來講，布爾神經網絡也可叫做前向傳播網絡。在該網絡中其各個權重和神經網絡只能取值兩個，分別為{-1，1}、{0，1}，其閾值也被限定為整數。

但是在具體進行運算階段通常是使用二進乘法、整數加法、比較操作法等幾種方法，因此與傳統的方法相比較其運算速度得到了提高，另外，這種網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。

設總數是K的訓練樣本為ak，當，根據樣本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節點的閾值表達式為：

在該式中rk表示神經網絡第k節點的吸引域，在該吸引域中心是該神經網絡的權重矢量中心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點吸引域，那么對應的節點則被激活，其值顯示為1。

2.1 布爾神經網絡檢測流程

布爾神經網絡是一種三層網絡，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據，在分類過程則輸入采樣樣本數據信息，其第二層通常是以C個節點所組成，其各個節點都與輸入點相互連接，各個節點均有三個相同的參數，即權重、閾值及吸引域，這些參數必須要由訓練算法來求算，第三層包括兩個節點，分別是接受節點與拒絕節點，接受節點的閾值為1，和各個種類的節點相互連接的閾值也是1，拒絕的節點的閾值則為θ，其和第二層的連接權重則為-1，當種類層中出現多個節點是1的時候，那么接收點將被激活，與之相反當所有的種類節點顯示為0時，那么拒絕節點將被激活，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 布爾神經網絡的連續特征值

以上所述的布爾神經網絡需要輸入的驅動數據是二進制數，但在實際運用過程通常是連續值，因此必須要對該網絡所對應的連續特征值進行研究，首先要對連續值做好編碼，將這些數據信息轉化為和其完全對應的二進制數，而其具體的網絡結構圖如圖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，導致同類型的特征值在差異方面出現了更大的變化。

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，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相互替換，最后將特征值變為正整數，使其分布區間為[1，階次+1]。（3）將相互替換得到的整數變為二進制數，如果所得二進制數的階次為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據及信息逐一離散化、歸一化，其次構建好網絡，依據一定的規律在訓練過程中有序的增減種類節點，接著對特征節點所對應的閾值依據二進制布爾神經網絡的訓練方式來求算，通常情況下訓練節點的權重是1，而其閾值和所對應連接特征數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換。（2）假設拒絕節點顯示為1，那么根據第四步進行。（3）種類節點的閾值必須加1。（4）如果拒絕節點顯示為1，則根據第五步或者根據第三步進行。（5）種類層其節點在進行計算時必須要減1，另外需要讀取的種類節點也是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網絡檢測瓷磚表面缺陷過程中，除了必要的將網絡分類中權重及閾值除去外，還要求對神經節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，這致使虛警出現的概率大大地增加，另外也會導致漏警出現的概率增加。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 布爾神經網絡方法的運用方向

一般來說瓷磚表面出現的缺陷主要為刮痕、裂紋、斑點及針孔，其中針孔缺陷在進行檢測時通常是根據其的反射性質，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網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：方差、能量、均值，在數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，

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[J].

第7篇：神經網絡方法范文

關鍵詞：公交客流 數據修正 徑向基神經網絡

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

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

2、徑向基神經網絡理論

2.1 徑向基神經網絡結構

徑向基函數神經網絡(Radial Basic Function,RBF)是多維空間插值的傳統技術，由Powell 于1985年提出，并于1989年論證了RBF神經網絡對非線性連續函數的一致逼近性能。RBF神經網絡屬于前向神經網絡類型，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 徑向基神經網絡的學習算法

RBF神經網絡學習算法的主要問題是求解3個有效參數，分別為基函數中心，方差和隱含層到輸出層的權值。因為RBF基函數中心選取方法不同，RBF網絡有多種學習方法。本文根據所要解決的問題，選用自組織選取中心的RBF神經網絡的學習方法。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、基于徑向基神經網絡客流連續化方法

公交客流數據包括乘客到達率，下車率，斷面通過率等。本文以乘客到達率作為公交客流數據的具體例子，對其進行基于徑向基神經網絡修正。其它客流數據連續化處理方法相同。單位時間內到達的乘客人數定義為乘客到達率，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變化的規律。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網絡進行連續化處理。

具體的處理步驟如下：

(1)首先把統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。因為首發和末發時段一般呈現上升和下降的趨勢，如果變化率較大，采用徑向基神經網絡進行處理時，有可能使初始時刻和最后時刻的到達率出現負值。

(3)運用matlab神經網絡工具箱中newrb()函數構建徑向基神經網絡，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。

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到達率應為單調遞升，主要表現為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，則必將降低公交調度優化結果的準確度。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

本文根據城市公交客流數據所存在的問題，采用RBF神經網絡對其進行科學修正，以便為公交調度優化模型提供更加準確的數據源。并以鎮江市19 路公交車江蘇大學中門站某個工作日的客流量數據計算實例，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.公交線路調度優化模型研究[J].合肥工業大學學報,2009,32(11):1643～1645.

第8篇：神經網絡方法范文

關鍵詞：脫硫脫硝；BP神經網絡；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。

現有的技術對于臭氧的添加采用的是PID控制，此控制技術經過多年的發展，已經相對成熟。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，比如對于大慣性環節控制滯后，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調節，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，所以本發明的目的就是根據歷史數據對臭氧的需求量建立預測模型，通過數據的分析，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。

人工神經網絡是利用計算機模擬人腦的結構和功能的一門新學科[1]，能夠利用自身的優良處理性能，解決高度非線性和嚴重不確定性系統的復雜問題，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神經網絡預測模型，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網絡及動量梯度下降算法

BP（Back Propagation）網絡是1986年由Rumelhart和McCelland為首的科學家小組提出的，一種按誤差逆傳播算法訓練的多層前饋網絡，是目前應用最廣泛的神經網絡模型之一。BP網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學方程。它的學習規則是使用最速下降法，通過反向傳播來不斷調整網絡的權值和閾值，使網絡的誤差平方和最小。BP神經網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）。

網絡學習規則又稱為 學習規則，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網絡已學習好了。從網絡學習的角度來看，網絡狀態前向更新及誤差信號傳播過程中，信息的傳播是雙向的，但是不意味著網絡層與層之間的結構也是雙向的。

BP神經網絡能夠以任意精度逼近任何非線性連續函，使得其特別適合于求解內部機制復雜的問題，即BP神經網絡具有較強的非線性映射能力；其次BP神經網絡具有高度自學習和自適應的能力。還有泛化能力，即BP神經網絡具有將學習成果應用于新知識的能力。容錯能力：BP神經網絡具有一定的容錯能力，即使系統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，對于給定的μ，如果求得的 能使誤差指標函數 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階的代數方程（n為網絡中權值數目）。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神經網絡模型為原始模型，建立一個三層BP神經網絡預測模型，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）根據生產工藝流程，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神經網絡模型的輸入變量，通入的臭氧的流速作為輸出變量。

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

4結語

改進的BP網絡預測模型，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，能夠實時的根據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，降低企業成本，提高公司效益。本文只是設計了方法，結果需要經過試驗進行驗證，并進行改進。

參考文獻：

[1] 吳昌設.基于人工神經網絡的電網日負荷預測研究[D].杭州：浙江大學，2011.

[2] 姜成科.基于遺傳算法的神經網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].河北聯合大學學報：自然科學版，2013，35（3）：74～80.

[4] 沙瑞華.基于神經網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算法的神經網絡系統辨識[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網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：神經網絡方法范文

【關鍵詞】ERP BP神經網絡 系統實施 系統評價

ERP（Enterprise Resource Planning）作為企業資源計劃的簡稱，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物料需求計劃到現在的ERP企業資源計劃，ERP在信息技術、功能等方面實現了更廣泛的應用，也提供了更有效率、更靈活的信息管理平臺。

ERP系統實施主要目標是對企業所擁有的人、財、物、信息、時間和空間等內部外部資源進行優化，達到平衡狀態，協調企業各管理部門，以市場需求為決策要素開展業務活動，使得企業在激烈競爭中不斷強化優勢，得到經濟效益最大化。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代技術，來完成經濟管理目標。ERP系統實施的地位可以用實施領域一個經典的總結概括：“三分技術，七分實施”。ERP實施工作是針對企業管理現狀，將ERP系統先進的技術和管理思想融合到企業實際運作的復雜系統工程，實施過程也是企業管理規范化、制度化的過程。一個成功的ERP實施能縮短生產周期，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成本。

一、ERP系統實施項目成功要素

系統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、過程和整個企業的改變。因此，系統實施過程是高壓力、長時間、具有不確定性的過程。但他們也會在企業運作方式方面提供驚人的改變機會。公司實施系統的方式將在很大程度上決定是否其能夠成功。根據特定的情況，許多因素都將對系統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存在的業務過程的權力或者開發出新的業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的溝通。中層管理者必須促進員工的持續反饋，為他們的問題提供真誠的答案，并且幫助他們解決問題。

（3）優秀的項目管理技術應被采用。實施小組應該采用具有規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，包括試運行系統都需要淘汰。每個人都必須在新系統下工作，而不是作為旁觀者。平行運作或者試運行的系統都將會使員工有避免使用新系統的機會。

（5）恰當激勵機制和持續檢測。實施前必須確定恰當的項目評估方法。管理者，供應商，實施小組和系統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助或者被替換。如果系統實施與獎金無關，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。

（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預算一部分，因為系統的全部效益只有在最終用戶恰當使用系統時才會被認識到。如果員工能理解系統怎樣運作，他們就會利用他們所知道的操作方法來操作部分系統模塊以改造業務過程。研究表明預留系統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有著緊密關聯的管理思想、管理方法、管理模式、管理基礎、管理機制、業務流程、組織結構、員工素質、信息處理以及反映企業綜合能力和過程控制狀況的相關經濟指標等評價內容包括進來，重點突出企業通過應用信息系統后在管理方面有哪些改進、提高和創新。

由于企業處在激烈的競爭環境中，對實施效益應當分別從橫向和縱向來分析和評價，因此，企業信息系統實施是否有效的最終評價標準是它與原有系統相比的優劣程度和它與同行業企業相比的優劣程度。只有新系統運行平穩同時又具有原系統不具備的優勢，并有助于保持企業目前和長遠的競爭利益，才能認為企業成功地實施了管理信息系統。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，既要考慮項目對于本行業的特殊性，又要考慮項目對企業發展通用模式的普遍效益。

為加強企業信息化程度，國資委下達了《關于加強中央企業信息化工作的指導意見》。中央企業信息化水平評價以中央企業的總體水平為對象，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，某個企業的信息系統評價雖然沒有中央企業信息化水平評價工程巨大，但仍然是個系統的評價過程。就基站管理系統來說，基于此系統實施項目特殊性，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行力度；二是系統終端用戶，對于信息系統操作掌握程度。其次，系統本身角度，要考慮系統處理數據的準確性及運行穩定性。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。

根據一般信息系統評價小組專家構成情況可知，評價組織中專家的專業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位為生產工藝專家或產品專家，另2位為系統應用軟件和硬件網絡專家。按照這樣的原則，邀請20位專家對次系統做出評價。初步確定了基站管理信息系統實施項目七個主要評價指標：系統實施項目制度執行力、系統培訓充分性、數據準確性、系統運行穩定性、員工掌握信息化程度、項目成本控制情況、系統是否按時交付。

三、BP神經網絡方法

（1）BP神經網絡方法在系統評價中優勢。通常都采用層次分析法來評價信息系統，運用BP人工神經網絡評價解決了多指標變權問題的動態求解，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，利用人工神經網絡可以全面評價信息系統實施過程中人員、系統等多因素共同作用下最終效果，運用神經網絡知識儲存和自適應特征，可以實現歷史經驗與新知識的結合，在發展過程中動態評價ERP實施項目。

（2）BP神經網絡輸入節點確定。根據前期評價指標確定輸入節點數目。

（3）根據前面建立的評價指標，輸入節點確立為系統實施項目執行力度、系統培訓充分性、數據準確性、系統運行穩定性、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神經網絡輸入節點。

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

本模型隱含層采用了三個神經元。有研究表明對任何閉區間內的連續函數，都可以用一個隱含層的BP神經網絡來逼近，因而一個三層的BP神經網絡可以完成任意的N維到M維的映射。

（5）輸出節點確定。輸出節點對應評價結果，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，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之間的數字，為一個節點。

（6）函數選擇。函數newff（）就是用來構建神經網絡的。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、各層的神經元個數、各層神經元的傳遞函數以及訓練用函數的名稱。

本評價模型采用兩層神經網絡，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）有三個神經元，傳遞函數是tansig（）；第二層（輸出層）是單個神經元，傳遞函數是線性的，訓練函數選擇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tansig（）的選擇：tansig是雙曲正切S型傳遞函數，收斂速度相對于logsig要快，通常bp神經網絡架構的輸入層會選擇tansig函數。

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

訓練函數traingd（）的選擇：traingd函數是批梯度下降訓練函數,沿網絡性能參數的負梯度方向調整網絡的權值和閾值。 Traingdm函數是動量批梯度下降函數,也是一種批處理的前饋神經網絡訓練方法,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絡訓練中出現。 Trainrp是有彈回的BP算法,用于消除梯度模值對網絡訓練帶來的影響,提高訓練的速度。一般來說,traingd和traingdm是普通訓練函數,而traingda,traingdx,traingd,trainrp,traincgf,traincgb,trainscg,trainbgf等都是快速訓練函數，在訓練時間和精度上存在差異。此處選擇普通訓練函數traingd。

參考文獻

[1]陳君,李聰穎,丁光明.基于BP神經網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神經網絡的產品造型設計評價[J]．計算機工程與設計，2009，30(24).

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