神經網絡總結精選(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總結主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：神經網絡總結范文

關鍵詞：人工神經網絡；神經元；可視化

中圖分類號：TP183文獻標識碼：A文章編號：1009-3044(2008)36-2882-03

Analysis and Comparison Between ANN and Viewdata

ZHAO Chun, LI Dong

(Department of Computer Science, Xinxiang University, Xinxiang 453000, China)

Abstract: ANN and viewdata two calculating methods of obtaing new data by the dig and learrangement of the original data. This paper intends to make a general analysis of the featurcs of the two methods and a friof comparison between the two, and summed up the two algorithms and the similarity of common ground.

Key words：ANN; nerve cell; viewdata

1 引言

人工神經網絡和可視化方法是數據挖掘中的兩個重要的算法模型，兩者都是根據模擬人腦和人的視覺神經與傳統的數字計算機相比較而抽象出來的數據挖掘算法。可視化方法是人腦神經網絡的一部分，它們之間存在著必然的聯系，而算法又各有所異。隨著數據挖掘技術的快速發展，存儲在數據庫中的數據量也迅速增長，這證明傳統的關系數據庫和存儲圖像、CAD（計算機輔助設計）圖紙、地理信息和分子生物結構的復雜2D和3D多媒體數據庫是合理的。許多應用都要用到大型的數據庫，這些數據庫有幾百萬種數據對象，這些數據對象的緯度達到幾十甚至幾百。面對如此復雜的數據時，我們常常面臨著一些棘手的問題：應該從哪里開始著手？哪些是有用的數據？還有一些其他可用的數據嗎？能得出答案的其他方法是什么？人們在尋求突破的同時反復地思考并詢問復雜數據的專門問題。我們從人工神經網絡和可視化方法的算法、特有屬性進行橫向和縱向的比較來找出他們的共同點和相似點。

2 人工神經網絡算法與可視化方法性能比較

2.1 人工神經網絡提供特有的屬性和能力

1) 人工神經網絡有超強的運算功能――人腦大約有1011個微處理神經元，這些神經元之間相互連接，連接的數目大約達到1015數量級[1]。每個神經元都相當一個微型計算機，把每個微型計算機鏈接起來就形成了一個超級計算機網絡。

2) 由于人工神經網絡相當于一個超級因特網，每個神經元都相當于一個微型計算機，對所有的任務都可并行，并且是分布式處理，其處理能力也是超強的――每個神經元節點都可以看作一個微型計算機，這樣就形成了一個龐大的神經元網絡。

3) 人工神經網絡有歸納總結和分類的能力。――歸納總結和分類是人工神經網絡對輸入而產生合理的輸出。

4) 人工神經網絡有離散性。

5) 人工神經網絡通過典型的實例中進行歸納總結。

6) 對整個網絡有很強的適應性和快速的驗證的能力。

7) 對整個人工神經網絡的包容性。

8 對整個人工神經網絡統籌能力。

2.2 可視化方法特有的屬性和能力

1) 在正常情況下人對圖像的信息比較敏感。而對數據的反映比較遲鈍。

2) 人從圖像視覺接受到的信息比從文本或表格上接受更快、更有效。比如“百聞不如一見”。

3) 人從圖像視覺接受到的信息總是有選擇的接受

4) 人的視覺選擇的特征為形狀、顏色、亮度、運動、向量、質地等。

這些篩選仍然是通過人龐大的神經網絡中的部分神經元來處理的。其中進行的樣本的學習能里以及自適應性得到了充分的體現。

2.3 人工神經網絡和可視化方法的共同點

1) 對接受到的信息進行歸納處理。

2) 對接受到的信息進行轉化，只是轉化的方式不同。

3) 對接受到的信息進行篩選，并對接受到的信息產生合理的輸出。

4) 容錯性。

5) 從接受到的信息進行學習的能力。

2.4 人工神經網絡和可視化方法的不同點

1) 人工神經網絡是好比因特網，而可視化方法的計算網絡好比計算機網絡。可視化網絡的計算能力只是人工神經網絡很小的一部分。

2) 可視化方法雖然也是并行分布式處理的結構，但是它也只是人工神經網絡分布式處理的很小部分。其速度要遠遠低于人工神經網絡

3) 人的視覺和人工神經網絡對信息的篩選的方式各有不同。

3 算法比較

3.1 人工神經網絡

人工神經元是一個抽象的自然神經元模型，將其數據模型符號化為：

netk=x1wk1+x2wk2+ … … +xm wkm +bk

在ANN中輸入和相應權重乘機的累加為xiwki（其中，i=1, ……m），一些輸入xi，i=1, ……m，其中k是ANN中給定的神經元的索引，權重模擬了自然神經元中的生物突出強度[2]。

一個神經元就是一個微型計算機，它是一個ANN運轉的最小單位，就像是整個因特網中的一臺計算機。下例圖1是人工神經元的模型。

從這個模型可以看出人工神經元是有三個基本元素組成：

第一、一組連接線。X1 、X2 、…、Xm，每個連接線上的Wki為權重。權重在一定范圍類可能是正值，也可能是負值。

第二、累加器。將Xi與對應的權重值相乘的積累加。

第三、篩選函數。通過每個神經元經過函數篩選后輸出數值。

同樣，還可以用矢量符號來將其表示成兩個m維向量的無向乘積：

netk= X?W

其中

X={x0, x1, x3,… , xm}

W={w0, w1, w3,… , wkm}

3.2 可視化方法

可視化技術在字典中的意思為“心理圖像”，在計算機圖形學領域。可視化將自身行為聯系起來，特別是和人眼可以理解的復雜行為聯系起來。計算機可視化就是用計算機圖形和其他技術來考慮更多的樣本、變量和關系。

可視化技術其目的是清晰地、恰當地、有見解地思考，以及有著堅定信念的行動。

基于計算機的可視化技術不僅僅把計算機作為一種工具，也是一種交流媒介，可視化對開發人類認知方面提出了挑戰，也創造了機遇。挑戰是要避免觀察不出不正確的模式，以免錯誤地做出決策和行動。機遇是在設計可視化時運用關于人類認知的知識。

安得魯曲線技術把每個n維樣本繪制成一條直線。

f(t)=x1/1.41+x2sin(t)+x3cos(t)+ x4sin(2t) +x3cos(2t)+ …

其中t為時間域，函數f(t)把n維點X=(x1, x2, x3, x4, …,xn)

將f(t)進行部分變換：

f(t)= X?W

其中

X={x0, x1, x3,… , xm}

W={w0, w1, w3,… , wkm} （w0= sin(t)，w1= cos (t)）

這種可視化的一個好處是它可以表示很多維，缺點是要花很多的時間計算，才可以展示每個維點。這種幾何投影技術也包括探測性統計學，如主成分分析、因子分析和緯度縮放。平行坐標可視化技術和放射可視化技術也屬于這類可視化[3]。

3.3 人工神經元模型與可視化化方法中的安得魯曲線技術分析與比較

人工神經元是一個抽象的自然神經元模型，將其數據模型符號化為：

netk=x1wk1+x2wk2+ … … +xmwkm+bk

netk= X?W

安得魯曲線技術把每個n維樣本繪制成一條曲線。這種方法與數據點的傅立葉轉換相似。它用時間域T的函數f(t)來把n維點X=(x1,x2,x3,x4, …,xn)轉換為一個連續的點。這個函數常被劃分在－∏≤t≤∏區間。

f(t)=x1/1.41+x2sin(t)+x3cos(t)+ x4sin(2t) +x3cos(2t)+ …

f(t)= X?W

人工神經網絡和可視化方法部分算法比較可以近似的計算認為：

netk= f(t) =X?W

通過對人工神經網絡和可視化方法公式的整理可以得出它們有著很多的共同性和相似性[4]，在容錯允許的情況下其算法為：

F(t)= X?W

其中F(t)可表示為人工神經網絡

F(t)= netk

或可視化方法

F(t)= f(t)

4 kohonen神經網絡

Kohonen神經網絡也是基于n維可視化的聚類技術，聚類是一個非常難的問題，由于在n維的樣本空間數據可以以不同的形狀和大小來表示類，n維空間上的n個樣本。

Mk=（1/n）

其中k=1，2，…，k。每個樣本就是一個類，因此∑nk=N。[5]

Kohonen神經網絡可以看作是一種非線性的數據投影這種技術和聚類中的k-平均算法有些相似。

可見，Kohonen神經網絡屬于可視化方法也屬于神經網絡算法。

5 結束語

現代世界是一個知識大爆炸的世界。我們被大量的數據所包圍著，這些數據或是整型的、或是數值型或其他類型，它們都必須經過各種方法的分析和處理，把它轉換成對我們有用的或可以輔助我們決策和理解的信息。數據挖掘是計算機行業中發展最快的領域之一，原始數據在爆炸式的增長，從原始數據中發現新知識的方法也在爆炸性地增長。人工神經網絡和可視化方法是兩種對海量數據進行數據挖掘整理的不同算法，通過以上縱向和橫向的對比，我們可以發現它們的相似性和共同點：對接受到的信息進行歸納處理、轉化、篩選、容錯性、并對接受到的信息產生合理的輸出。在應用中可以根據它們不同的屬性和能力選擇不同的算法。

參考文獻：

[1] Tang，Z H.數據挖掘原理與應用[M].北京.清華大學出版社,2007:74.

[2] Kantardzic M.數據挖掘[M].北京.清華大學出版社,2002:89.

[3] 李守巨,王吉.基于概率神經網絡的巖土邊坡穩定性預測方法[J].巖土力學,2000(2).

[4] Tam C M, Tong T K L.Diagnosis of Prestressed Concrete Pile Defects Using probabilistic Neural Networks[J].Engineering Structures,2004,26(8):1155.

第2篇：神經網絡總結范文

關鍵詞：圖像復原 BP神經網絡 Hopfield神經網絡 應用

中圖分類號：TP391.41 文獻標識碼：A 文章編號：1007-9416（2013）11-0040-02

1 引言

圖像復原是一項富有現實意義的工作，它涉及到廣泛的技術領域，是圖像處理領域研究的焦點之一。在得到圖像的過程中，由于各種各樣的原因，包括與觀測對象的相對運動、介質散射、成像系統缺陷和環境噪聲等原因，使得最終的圖像都會有一定程度的退化。圖像復原就是從退化的圖像中恢復圖像的本來面目。傳統的圖像復原處理問題的關鍵在于建立退化模型，估計退化過程中的參數，由此通過相應的逆過程得到原始圖像。獲得準確的圖像退化模型是比較困難的事情。大多數圖像復原的實際問題是點擴展函數以及原始圖像均未知的盲復原問題，這類問題具有更嚴重的病態性因而進一步增加了解決的難度。人工神經網絡（Artificial Neural Network，ANN）為圖像復原問題的解決提供了另外一條路徑，這是基于人工神經網絡具有的模擬人類神經的非線性、自組織、自學習、自適應特性。一般而言，人工神經網絡適合于解決無法或很難精確建立數學模型、不完全清楚內部機理的問題，人工神經網絡的很多特性適合解決圖像復原問題。近些年來，對人工神經網絡應用于圖像復原的研究越來越多，形成了很多豐富的神經網絡模型和算法。BP（Back Propagation反向傳播）和Hopfield（霍普菲爾德）是典型的人工神經網絡類型，也是在圖像復原領域應用較多的神經網絡類型。

2 BP神經網絡在圖像復原中的應用

2.1 BP神經網絡的特性

BP神經網絡是上世紀80年代美國加州大學的Rumelhart、McClelland及其團隊研究并行分布信息處理時提出的采用反向傳播算法的多層前饋網絡。BP神經網絡具有良好的泛化能力，其隱層的非線性傳遞函數神經元可以學習輸入輸出之間的線性或非線性關系。在1989年，RobertHecht-Nielson證明了對于任何一個在閉區間內連續的函數都可以由具有一個隱含層的BP網絡來逼近，這樣，一個三層（輸入層、隱層和輸出層）的BP神經網絡即能完成對多維度函數的逼近。這些特性，使得選用BP神經網絡簡單地實現在未知點擴展函數的情況下，擬合原始圖像與退化圖像之間的關系，從而得到滿意的圖像復原結果成為可能。

2.2 BP神經網絡應用于圖像復原

BP神經網絡用退化圖像與相對應的原始圖像進行訓練，退化圖像為網絡的輸入，原始圖像為網絡的輸出。訓練完成的神經網絡會在退化圖像與原始圖像之間建立非線性的映射關系，使得利用這種非線性關系即可實現在只有退化圖像的情況下對齊進行復原。

利用BP神經網絡進行圖像復原，一般用輸入圖像的N×N鄰域內的N2個像素點對應輸出圖像的一個像素點。這樣的對應方法會使整個運算量增大，但正由于參與運算的像素點增加，使得網絡具有更好的泛化和魯棒能力。由于三層BP神經網絡可以任意精度逼近某一多維度函數，因而其應用于圖像復原時使用三層網絡結構。輸入層和輸入層節點數分別由輸入圖像像素數量和輸出圖像像素數量決定，隱層節點數量和訓練方法在很大程度上決定了網絡性能。

為了便于網絡計算，通過神經網絡計算前通常將輸入圖像進行歸一化。以灰度圖像為例，將圖像數據[0～255]轉換到[-1～1]或[0～1]。圖像經過神經網絡復原后還需進行反歸一化轉換，將計算得到的數據轉換為圖像數據，即將[-1～1]或[0～1]轉換到[0～255]。

通常，運用BP網絡進行圖像復原算法流程包括：（1）圖像的預處理，得到歸一化的便于神經網絡計算的數據；（2）使用退化圖像與對應的原始圖像（訓練BP神經網絡；（3）將待復原圖像輸入訓練好的BP神經網絡進行圖像復原；（4）數據的后處理，將網絡輸出數據進行反歸一化，得到復原圖像。

3 Hopfield神經網絡在圖像復原中的應用

3.1 Hopfield神經網絡的特性

不同于BP神經網絡，Hopfield神經網絡是一種單層反饋網絡，信號在網絡中不僅向前傳遞，還在神經元之間傳遞。圖1是有三個神經元的Hopfield神經網絡結構圖。Hopfield神經網絡由美國加州理工學院物理學家J·J·Hopfield在上世紀80年代提出，并首次在神經網絡研究中引入了計算能量函數的概念，通過研究網絡的穩定性與計算能量函數的相關性給出了網絡的穩定性判據。J·J·Hopfield運用Hopfield神經網絡成功地探討了旅行商問題（TSP）的求解方法。HNN神經網絡采用灌輸式學習方式，其網絡權值是事先按一定規則計算出來的，確定之后不再改變，各神經元的狀態在運行過程中不斷更新，網絡穩定時各神經元的狀態便是問題的解。Hopfield神經網絡的這些自身特征使其適于應用于聯想記憶和求解最優化問題。

3.2 Hopfield神經網絡應用于圖像復原

利用神經網絡進行圖像復原的方法分為兩類：一種是用原始圖像和模糊圖像構成的樣本訓練神經網絡，在訓練好的網絡中建立起原始圖像與模糊圖像的非線性映射關系，然后以帶復原的模糊圖像作為網絡的輸入，經過網絡輸出的圖像數據就是經過復原的圖像，BP神經網絡就是運用這種方法進行圖像復原的典型神經網絡。另一種是經過神經網絡反復的數學迭代計算復原，運用Hopfield神經網絡進行圖像復原屬于這類方法。

其中是神經網絡的狀態向量，為網絡的權值矩陣，為由網絡中各神經元閾值構成的向量。Hopfield神經網絡的運行結果即網絡達到穩定狀態就是達到最小值時的狀態。由式（4）和（5）可以看出圖像復原的目標函數與Hopfield神經網絡能量函數具有相似的表達形式，因而可以建立兩者之間的聯系，從而將圖像復原問題轉變為神經網絡的運算問題，這也就是Hopfield神經網絡應用于圖像復原的基本原理。

運用Hopfield神經網絡解決圖像復原問題首先要確定網絡的權值矩陣。可以按照Hebb學習規則得出[4]。完成網絡初始化后，將退化圖像輸入網絡，從網絡中選取一個神經元按照Hopfield神經網絡的運算規則得出神經元的輸出，將所有神經元求出輸出后判斷該網絡是否達到穩定狀態，即計算前后的網絡能量函數的誤差是否小于要求的范圍。如果網絡不穩定，需要重復迭代計算；網絡達到穩定狀態時，神經網絡的狀態向量就是要求的原始圖像。經過一定的后處理就能得到具有一定精度的原始圖像。

4 結語

人工神經網絡在圖像復原問題中的應用已經擴展到了很多方面，包括三維顯微圖像、高能閃光照相等領域[5-6]。神經網絡在圖像復原中的應用機理也不斷得到深入研究。這些得益于神經網絡算法不依賴求解問題本身數學模型的特點，以及自身強大的泛化能力。BP和Hopfield神經網絡都能成功地運用在圖像復原問題中，在選用神經網絡進行圖像復原研究時要注意到BP神經網絡強烈地依賴退化圖像與原始圖像構成的樣本集合對網絡進行訓練，這就要求得到足夠的先驗知識或者通過某種算法得到退化圖像與原始圖像相對應的樣本群。Hopfield神經網絡不依賴于退化圖像與原始圖像的先驗知識，可以直接針對退化圖像進行復原。這就需要根據不同的實際情況選取合適的網絡類型來解決問題。

參考文獻

[1]尚鋼，鐘珞，陳立耀.神經網絡結構與參數選取[J].武漢工業大學學報，1997，19（2）.

[2]王晗.基于Hopfield神經網絡的圖像恢復[D].武漢：華中科技大學南京理工大學，2006年4月.

[3]席旭剛，羅志增.用Hopfield神經網絡實現觸覺圖像恢復[J].儀器儀表學報，2008，30（10）.

[4] Bianchini M，Frasconi P.Learning without local minima in radial basis function networks[J].IEEE Transaction on Neural Networks，1995，6（3）：749～756.

第3篇：神經網絡總結范文

BP（Back Propagation）神經網絡是1986年由Rumelhart和McCelland為首的科學家小組提出，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）、隱層（hidden layer）和輸出層（output layer）。

二、BP神經網絡在坐標轉換中的應用

坐標轉換基本思路： 首先就是要建立網絡的模型結構， 即確定層數、每層的神經元數和功能函數； 其次， 建立網絡的學習規則， 利用樣本數據（WGS284 橢球大地坐標和北京54 坐標） 對網絡進行訓練， 確定網絡中的各個權矩陣和偏差向量， 使得網絡輸出值與實際值在一定準則之下盡可能吻合， 從而完成坐標的轉換。

三、數據計算

本次設計選用MATLAB語言為作為編程語言，BP神經網絡為理論基礎。MATLAB語言是一種解釋性執行語言，它靈活、方便，其調試程序手段豐富，調式速度快，需要學習時間少，而且MATLAB語言與C語言、VB、Java有很多相似之處，可以相互調用。由于MATLAB軟件里有很多神經網絡函數，使用MATLAB建立BP神經網絡非常方便。

1、指令格式

四、分析總結

1、在應用BP神經網絡轉換GPS坐標時，網絡結構的設計非常重要，訓練函數和傳遞函數選擇、網絡隱含層數確定、隱含層節點數的確定、網絡訓練次數的選擇非常重要，在選擇函數、層數和節點數時，對于大量數據的處理應該考慮計算機的性能，以選擇合適的函數使計算機能夠運行且穩定，學習速率選擇、初始權值等的選擇可以根據坐標轉換精度要求確定；

2、BP神經網絡轉換坐標時，由于所選擇的函數不同，網絡的性能也不同，本文由于數據位數較大，沒有合適的數據壓縮模型，所以采用了線性函數purelin作為傳遞函數，對于purelin函數，網絡節點數和層數的增加都會增加網絡的訓練時間，這一點與其他函數不同；

3、本文設計的利用網絡誤差作為評價標準選擇神經網絡的節點數的選擇效果良好，值得推廣；

4、利用神經網絡進行坐標轉換， 其內插的精度很高， 外推精度較低；

5、利用神經網絡進行坐標轉換是完全可行的，其模擬精度可達到厘米級；

6、神經網絡方法對GPS坐標聯測點數目要求較少，可以解決已知點較少的測區GPS坐標轉換問題，且效果較好，這對于充分利用GPS坐標信息，減少坐標測量外業，有著一定的現實意義。用神經網絡方法轉換GPS坐標的優點還在于它可以利用地面坐標系或WGS-84坐標系中的數據直接獲得所需要的坐標。網絡通過學習形成的是數據集之間的映射，不需要先進行坐標類型轉換，然后再進行坐標轉換。這樣也就不會有中間環節的精度損失。總的來說，用神經網絡方法可能解決已知點較少的測區中GPS坐標轉換問題；

第4篇：神經網絡總結范文

計算機網絡技術已經逐漸發展成為廣泛應用于人們日常生產生活的重要技術，而在實際的使用過程中，卻難免要遇到安全隱患，例如黑客的入侵、安全漏洞和病毒傳播等。在計算機網絡安全的評價體系中，神經網絡的應用以其能夠形成非線性自適應動態系統的特點，迅速適應網絡環境，進而實現對信息的運算、識別和控制功能，提高了計算機的工作效率和安全性。

2計算機網絡安全的概念

計算機的網絡安全，主要指的是針對網絡信息瀏覽和操作等過程中的安全管理，以達到提高網絡信息保密性、安全性的目的，維護使用者的合法權益，最終實現整個網絡的順利運行。我國當前的計算機網絡安全問題通常涉及到信息安全、計算機網絡技術等多個方面，而伴隨計算機網絡的日益普及，其網絡信息的安全問題更加為人們所重視。例如，對于企業而言，其日常經營活動中往往會運用到計算機網絡，因此要求網絡必須具備核心技術，對企業信息實施保護和保密，維護重要內部信息的安全性，從而維護企業利益。即便是個人在使用計算機網絡時，也同樣需要網絡對個人信息實施控制與保護，防止泄漏或被不法分子盜取，損害人民的權益和實際利益。

3神經網絡概述

3.1概念

所謂神經網絡，其模型建立的基礎，是人體腦部的信息處理模式作為參考，然后運用數學模型，模擬生物的神經元、腦細胞結構，以及其生理特征，最終模擬獲得該神經網絡模型。此后，計算機專家則以此模型為基礎，添加入編制好的學習機制，然后將其應用到實際工程中，最終開發出了感知器神經網絡模型。該模型具備了聲納波的識別功能，可用于探測潛艇位置等實踐中。經過進一步的深入研究，相關研究人員在其中運用了映射拓撲性質，在計算機的基礎之上建立了映射自組織網絡模型;繼而通過分析研究生物自組織神經網絡，確定神經網絡模的實質，獲得一組微分非線性方程，然后將神經網絡應用于實際，最終形成了神經網絡的系統性科學研究，例如具有一定代表性的BP神經網絡。

3.2神經網絡的優越性

神經網絡建立的基礎是生物大腦結構和工作原理，因而屬于人工智能系統，該系統基于計算機網絡內部大量節點的關系分析，發揮出方面優越的應用性能，主要包括以下方面：

3.2.1自學功能

神經網絡系統能夠進行自我學習，通過自動識別正在輸入的信息，自行為操作者總結相關的規律，進而形成聯想的模式。其優勢即在于這種對于信息的識別能力，使系統能夠在之后的工作中，進行獨立自動運作，從而縮短操作人員的工作時間。現有計算機神經網絡系統，甚至能夠實現高于聯想模式的預測功能，應用于證券市場中，系統可以基于對當前股市證券、市場經濟和企業現狀的研究分析，預測其未來的效益，從而企業未來的良性發展，提供了有力的智能支持。

3.2.2優化系統

神經網絡同時還具備了自我優化的能力，可以自行提高計算機運轉能力，同時幫助操作用戶，針對某些問題提出解決方案。基于此，神經網絡系統被建議應用于計算機的網絡安全評價中，以發揮其自身的優越性能。

4計算機網絡安全評價中神經網絡的應用

4.1計算機網絡安全評價體系的構建

4.1.1構建神經網絡體系的必要性

基于神經網絡的計算機網絡安全評價保護是多元化的，由于其對于環境的適應力較強，因而能夠迅速適應周圍狀況，并對自身進行調整，以降低誤差。另外，神經網絡的自我訓練使其能夠在計算機網絡安全評價的體系中，實現自我總結和完善。此外，神經網絡還具備了良好的容錯性，對于一些不完整信息、噪聲等并不敏感，因而在網絡節點出現問題時，不會對神經網絡的整體保護產生影響。且神經網絡在進行自我訓練之后，能夠將正常的工作效率提升至常規的4～5倍。加上神經網絡對于結果的獲取高效快捷，因此更加便于使用，其各方面的設置也更加人性化。

4.1.2安全評價體系構成指標

計算機網絡安全的一級評價，其中的指標通常包括：管理安全、物理安全以及邏輯安全，具體如下：①管理安全評價指標時二級指標，分別為安全組織體系、安全管理制度、人員安全培訓以及應急響應機制;②物理安全評價指標為二級指標，包括防電磁泄漏措施、供電線路、網絡機房、容錯冗余以及設備安全;③邏輯安全評價指標同樣是二級指標，包括數據的備份、恢復，訪問的控制、軟件安全、防病毒措施、系統審計、數字簽名、數據加密以及入侵防范。

4.2實現評價指標的標準化

不同的評價指標集，對于影響因素的描述也存在差異，因此需要在實施定量、定性評價時有所側重。此外，應當合理運用科學的方法，對計算機的網絡安全情況作出反應，因而一定程度上影響了指標的客觀對比。因此，必須保持客觀的態度，對評價指標的取值規則進行調整，以實現指標的標準化。在定量指標評價時，相關工作人員應當結合計算機網絡系統的實際運行狀況，對其進行客觀評價與取值，進行科學的分析。此外，對于不同的評價指標，應當使用不同的衡量單位，有所側重地進行標準化處理，將取值固定到一定范圍內，通常在0～1之間。而為了實現定性指標評價，則通常會采用打分的方式來客觀評價計算機的網絡系統機型，定性指標評價標準化。

4.3基于神經網絡的計算機網絡安全評價構建

4.3.1服務器維護機制規范化構建

構建計算機網絡安全評價體系，其首要的任務和硬件維護的關鍵，即在于服務器維護。在構建服務器維護機制規范化的過程中，應當注意避免不當服務器所可能造成的傷害，要求操作人員時刻警醒，保證及時清除網卡冗余，調整服務器的荷載，以維持服務器的平衡與穩定。

4.3.2云主機的建立

以神經網絡為基礎建立的計算機網絡安全評價體系，需要快速打造安全云主機，用以集成包括了云鎖服務安全軟件的所有安全防護體系，從而達到突破傳統服務器安防理念，實現對于用戶的實時安全服務效果。因此，構建過程中需要在云主機中使用很多快捷自動安裝軟件，如MYSQL、PHP、ASP等。這些軟件的共同點在于均適用于對網站數據庫的實時管控、對于站點信息的實時監控，以及對于計算機各種軟件溫度進行的調節，和WebShell病毒查殺功能。如今的計算機網絡安全系統已經首創了以C/S的神經網絡架構為基礎的應用體系，實現了計算機端和服務器之間的遠程訪問與控制功能，從而提升了計算機網絡對于木馬、病毒和惡意代碼、惡意攻擊等危害的防御能力，起到保護計算機服務器與網站安全的作用。

4.3.3安全管理和服務體系的建立

基于神經網絡建立起來的計算機網絡安全評價體系，其作用即在于在進行安全評價時，管理人員能夠提供與評價標準判定相對應的具體內容、實施范圍等信息，然后針對計算機安全狀況、信息技術的關鍵點，實施研究與分析，運用評價方法測算其安全等級。計算機網絡的安全級別評價，可以按照以下公式生成評價因子，基于神經網絡的計算機網絡安全評價級別公式如下：f=(x1，x2，x3……，xi……xm)式中：xi-計算機網絡安全評價中最主要的評價因子;f-計算機網絡安全評價模型主體。管理人員應當結合實際，為計算機系統選取正確的評價模型主體與安全等級，進而依據系統要求，對神經網絡安全管理體系采取必要的優化措施，以做到有備無患。

4.4建立并完善評價結果評語集

基于計算機網絡安全評價指標特征，可建立評價結果評語集，按照網絡安全等級差異，將該評語集劃分為四個集合：①第一等集合設置為“安全”;②第二等集合設置為“較為安全”;③第三等集合設置為“不安全”;④最后一個等集合則設置為“很不安全”。此外，還可以對這些集合附以說明，從而有效地位計算機使用者提供便捷的方式，來了解計算機網絡安全狀況，提供良。

5結語

神經網絡技術在計算機網絡安全評價中的應用，實現了評價體系的自動抽提功能，體現出了外推性、容錯性、適應性等優勢，滿足了計算機網絡的在線實用性要求，在有效提高計算機網絡評價客觀性、正確性的同時，為用戶提供了安全的使用環境，確保用戶能夠通過網絡獲得可靠、有效的數據信息。

參考文獻

[1]王強.基于神經網絡的計算機網絡故障診斷[J].信息與電腦：理論版，2015(10)：157~158.

第5篇：神經網絡總結范文

關鍵詞：模糊神經網絡，訓練函數，學習函數，性能函數

中圖分類號： TP391 文獻標識碼： A

模糊神經網絡（ fuzzy neural network，FNN） 是模糊邏輯推理與BP神經網絡的結合，利用誤差信號反向傳播、調節權重，具有良好的自適應性、自組織性和很強的自學習能力，是數據分類和模式識別的有力工具，目前，模糊神經網絡在臨床疾病診斷中的應用日益廣泛[1-4] 。消化道系統中的急性胰腺炎、膽囊炎（膽石癥）、急性胃腸炎等疾病之間，由于有很多相似的癥狀體征，從而極容易引起誤診，為了能對這些疾病進行準確的輔助診斷，本文將消化道系統中急性胰腺炎、膽囊炎（膽石癥）、急性胃腸炎等疾病的診斷技術引入模糊神經網絡，借助模糊神經網絡的模式識別來進行診斷。

1 資料與方法

1.1 一般資料 收集了2011年1月～2012年10月南昌大學第四附屬醫院的100例消化道系統疾病患者的各種檢測結果，100例患者中膽結石伴膽囊炎患者30例，急性膽囊炎10例，急性胃腸炎32例，急性胰腺炎28例，診斷結果均得到病理證實。

1.2 數據預處理 提取膽結石伴膽囊炎患者、急性膽囊炎患者、急性胃腸炎患者、急性胰腺炎患者的血液分析及生化篩查等39項檢測數據和7項臨床癥狀為第1層的輸入向量。7個臨床癥狀通過利用模糊數學的"降半梯形"結構的錄屬函數來賦值：

其中， yji為第i 個對象對第j 類癥狀的隸屬函數 ，其定義域為[0 ，λ（2）m （i）] 。

1.3 模糊神經網絡模型的建立： 由3層前向BP神經網絡組成。第1層為數據預處理層，先提取患者的46個特征值再對其進行模糊化處理；第2層為隱含層；第3層為輸出層，輸出層為消化道系統的四種疾病，其結構如下圖（圖1）：

2 模糊神經網絡臨床診斷的實現

2.1 網絡訓練 從全部樣本中隨機抽取70 例（膽結石伴膽囊炎21例，急性膽囊炎6例，急性胃腸炎23例，急性胰腺炎20例）作為訓練組，15例作為驗證組（膽結石伴膽囊炎6例，急性膽囊炎3例，急性胃腸炎2例，急性胰腺炎4例），15例為測試組（膽結石伴膽囊炎3例，急性膽囊炎1例，急性胃腸炎7例，急性胰腺炎4例）。用MATLAB 2012a編程，分別對FNN 進行訓練，并用完成訓練的網絡模型進行驗證和測試。網絡的訓練函數為trainlm，學習函數為learngdm，誤差性能函數為mse，各層的傳遞函數為logsig，訓練次數設置為1000。

2.2 仿真診斷結果 通過神經網絡的訓練、驗證和和測試，在訓練次數達到40次時，訓練、驗證和和測試誤差同時達到最小，其中驗證誤差稍大一點，但也只有2.99 ，見圖2：

從圖2中可以看出，模糊神經網絡（FNN）具有較快的收斂速度，只用了40次訓練，就使訓練誤差、驗證誤差、測試誤差都同時達到最小，從而使仿真診斷測試的準確率能大大提高。為了能了解模糊神經網絡臨床診斷的效果，于是把訓練組、驗證組和測試組的診斷結果進行對照，見表1：

3總結

將神經網絡技術與模糊理論結合構起來進行醫學知識處理是一種很好的方法，這種方法也適用于其他它領域的知識處理，該系統的識別能力與訓練集關系密切，若能搜集更多的典型病例，系統的識別能力將進一步提高。

參考文獻：

[1]黃永鋒， 岑康等. 模糊神經網絡在顱腦磁共振圖像分割中的應用研究[N]. 中國生物醫學工程學報， 2003， 22（ 6） ： 508-512.

[2]徐力平，尚丹. 模糊神經網絡在肺癌CT 診斷中的應用[N]. 鄭州大學學報（醫學版），2014，49（2）：191-194.

第6篇：神經網絡總結范文

【關鍵詞】PCA神經網絡算法閾值區低功耗低面積積分器

一、引言

本文中為實現植入式的腦電信號特征提取，而設計的一種基于模擬模塊的硬件實現方法，實現對神經spike信號的神經網絡算法的特征提取的PCA2-1網絡，本文的神經網絡算法的硬件完全采用模擬電路來實現，以滿足植入式的芯片，需要具有低功耗，低面積的特點。本文中的特征提取選擇了主成分分析法（PCA），采用基于PCA算法的全模擬電路實現架構，由具有足夠線性范圍的模擬乘法器，基于亞閾值區的積分器，合理的加法器模塊，來實現設計低功耗，低面積的神經信號處理電路。最終驗證通過模擬電路實現的神經特征提取電路的權值變化和MATLAB計算出的權值變化相一致，以此來證明該系統的正確性。

二、PCA神經網絡

主分量分析的目的在于減少數據維數。其基本思想是提取出空間數據中的主要特征（主分量），減少數據冗余，去掉數據相關性，使得數據能夠在一個低維空間來處理。它確定一個方向向量w，使得輸入向量x在該方向上的投影y=wTx的方差最大。PCA神經網絡克服了傳統方法的缺點，它通過學習自動收斂到主分量方向而不用計算相關矩陣[2]。本文中的實現PCA的神經網絡為一個單層的前向網絡。

本文中的基于神經網絡的PCA的算法實現步驟如下：

（1）在t=1時，用小的隨機數賦給主元神經網絡的權值，另權值修正系數為一小的正數；

（2）對于在t=1，從訓練樣本集中選取樣本輸入網絡，計算：

由于積分器的輸出是權值w，所以對輸出幅度有較高要求。本文采用的積分器的OTA為兩個單端輸出的鏡像電流源結構。這樣輸出的幅度是全差分雙端輸出的2倍。而且兩個單端輸出很好的提高了電路的共模抑制比CMRR。OTA的輸出級為共源共柵的結構，這讓OTA的輸出

圖3為對輸入數據進行長時間的仿真后數據的圖像特性，可以看出w的值有很好的收斂特性。

三、總結

PCA算法在噪聲比較大的情況下容易聚類失敗，而本文中的系統是作為已經實現的低噪聲放大器和NEO信號去噪檢測之后的一級，所以選取PCA作為特征提取的方法是可行的。本文設計了一種基于神經網絡算法的信號特征提取的硬件實現，采用了完全的模擬電路來實現。并根據算法的特點，合理的選擇和改進積分器電路和乘法器電路的拓撲結構，來實現電路的功能。并實現了系統的低功耗，低面積的特點。有利于集成于植入式系統的實現。通過對輸入一組方波數據的仿真，通過短時間來驗證瞬態輸出的準確性，而長時間的仿真來驗證該系統可有效的讓權值w收斂。

參考文獻

[1] Hongge Li， Zhao Wei， Zhang Youguang. Micropower fully integrated CMOS readout interface for neural recording application[J]. 2010， 50（2）： 273-281.

[2] Oja E. Principal Components， Minor Components， and Linear Neural Networks[J]. Neural Networks， 1992，5（6）：927-935.

第7篇：神經網絡總結范文

關鍵詞：負荷預測 RBF 神經網絡 電力系統

0 引言

負荷預測是實現電力系統優化運行的基礎，對于電力系統的安全性、可靠性和經濟性都有著顯著影響。負荷預測是指從已知的經濟、社會發展和電力系統需求出發，考慮政治、經濟、氣候等相關因素，通過對歷史數據的分析和研究，探索事物之間的內在聯系和發展規律，以未來經濟和社會發展情況的預測結果為依據，對未來的電力需求做出估計和預測[1]。相關研究工作已在國內廣泛開展，其研究成果已經廣泛應用到電力系統實際運行維護當中，并取得了良好的經濟效益。

負荷預測的方法主要分為兩大類，分別是基于參數模型預測法和基于非參數模型預測方法。基于參數模型的預測方法主要有單耗法、負荷密度法、電力彈性系數法、回歸模型預測法、趨勢外推預測法、時間序列預測法等；基于非參數模型預測方法主要有專家系統法、模糊預測法、灰色預測法、人工神經網絡預測法、小波分析預測法等[2]。

RBF神經網絡具有良好的函數逼近功能，在函數回歸上表現出較好的性能，已被廣泛應用到人工智能領域。在負荷預測方面，RBF也得到了廣泛的應用。本文的主要工作是整理了主要的基于RBF的電力負荷研究內容，對存在的問題進行了分析，并對未來的發展進行了展望。

本文接下來的內容安排如下，第二章介紹了RBF神經網絡的基本原理，第三章對基于RBF的電力負荷研究進行了綜述，最后給出了總結。

1 RBF神經網絡基本原理

RBF網絡的結構與多層前向網絡類似，如圖1所示，它由三層組成：第一層為輸入層，第二層為隱含層，第三層為輸出層[3]。

假設RBF神經網絡的輸入向量為n維，學習樣本為 （X，Y），其中，X=（X1，X2，…XN），為輸入向量，Xi=（Xi1，Xi2，…，XiN）T，1≤i≤Nj；Y=（y1，y2，…，yN），為期望輸出；N為訓練樣本個數。當神經網絡輸入為Xi時，隱含層第j節點的輸出如式（1）所示[4]。

對于全體輸入學習樣本，RBF神經網絡的輸出如式（2）所示。

2 基于RBF負荷預測相關研究

文獻[4]通過建立徑向基（RBF）神經網絡和自適應神經網絡模糊系統（ANFIs）相結合的短期負荷預測模型來應對實時電價對短期負荷的影響。由于固定電價時代的預測方法在電價敏感環境下效果不理想，文章根據近期實時電價的變化應用ANns系統對RBF神經網絡的負荷預測結果進行修正，提高預測效果。

文獻[5]研究了基于RBF神經網絡的多變量系統建模。文章將正規化正交最小二乘算法引入多輸入多輸出系統，進行相關研究，建立了基于RBF神經網絡的多變量系統的模型。對電廠單元機組負荷系統進行建模仿真研究的結果表明，用該方法建立的多變量熱工系統的非線性模型是有效的，具有較高的辨識精度和較好的泛化能力。

文獻[6]提出了一種基于交替梯度算法的RBF神經網絡，并將之應用到負荷預測領域，取得較好的效果。通過使用交替梯度算法來優化RBF輸出層權值和中心與偏差值來得到改進的RBF算法。與傳統梯度下降算法相比，改進的RBF算法具有更高的預測精度和更快的收斂速度。模型綜合考慮了氣象數據、日類型等影響負荷變化的多種因素，實驗結果表明改進的RBF網絡算法具有更優的性能。

文獻[7]將RBF神經網絡和專家系統相結合，在深入研究天氣和特殊事件對電力負荷的影響的基礎上，提出了新的負荷預測模型。利用RBF神經網絡的非線性逼近能力預測出日負荷曲線，然后利用專家系統根據天氣因素或特殊事件對負荷曲線進行修正，使其在天氣突變等情況下也能達到較高的預測精度。表1為文獻[7]的實驗結果對比表。

文獻[8]將模糊聚類分析中的隸屬度應用到負荷預測應，通過隸屬度原理得到一批與預測日在樣本信息上類似的歷史日。采用模糊聚類分析獲得的樣本作為RBF神經網絡的訓練樣本，并應用改進的RBF神經網絡進行訓練，在不需大量訓練樣本的前提下實現對短期負荷的預測。

影響電網負荷預測的因素很多，而地區電網負荷易受氣象因素影響，文獻[9]針對電網負荷預測以上特點，把氣象因素作為影響負荷的主要因素，采用模糊規則控制的徑向基神經網絡（RBF）算法，對某地區電網的日負荷數據進行預測，實驗證明采用這種預測方法可以提高負荷預測的速度和精度。表2給出了文獻[9]的實驗結果表。

3 結束語

本文針對基于RBF神經網絡負荷預測進行了綜述，但由于文章篇幅的原因，不能將所有的方法列舉出來，只列舉了具有代表性的方法，希望能起到拋磚引玉的作用。

參考文獻：

[1]肖國泉，王春，張福偉.電力負荷預[M].北京：中國電力出版社，2001.

[2]李昀.電力系統中長期負荷預測方法研究與應用[D].2011.

[3]張師玲.基于RBF神經網絡與模糊控制的電力系統短期負荷預測[D].江蘇大學，2010.

[4]雷紹蘭，孫才新，周等.基于徑向基神經網絡和自適應神經模糊系統的電力短期負荷預測方法[J].中國電機工程學報，2005.

[5]劉志遠，呂劍虹，陳來九等.基于RBF神經網絡的單元機組負荷系統建模研究[J].控制與決策，2003.

[6]郭偉偉，劉家學，馬云龍等.基于改進RBF網絡算法的電力系統短期負荷預測[J].電力系統保護與控制，2008.

[7]張濤，趙登福，周琳等.基于RBF神經網絡和專家系統的短期負荷預測方法[J].西安交通大學學報，2001.

第8篇：神經網絡總結范文

關鍵詞：矩形混凝土柱；屈服位移；人工神經網絡；預測模型

中圖分類號：TU375.3 文獻標識碼：A

文章編號：1674-2974（2015）11-0017-08

隨著社會經濟的發展，以及對近些年大地震的不斷反思，基于性能的結構抗震設計已成為地震工程領域研究的熱點問題和前沿發展方向，為眾多國家的規程所提及或者采用（如FEMA273[1]，FEMA356[2]，ASCE41[3]和Eurocode8[4]）.柱子作為實際結構中承受豎向荷載和抵抗水平荷載的關鍵構件，其屈服位移的合理評估對于性能化結構抗震設計中結構的動力響應、結構性能水準的評估和抗震延性設計有很大影響.綜合以往對柱子屈服位移的研究，其定義不明確，經驗理論模型預測結果離散度較大的特點，使柱屈服位移的合理取值成為一個亟待解決的問題.

對于柱屈服位移的定義，國內外研究者提出了不同的看法，如Park在文獻＼[5＼]中總結了4種不同的定義方法，并推薦使用割線剛度的方法定義屈服位移.Panagiakos[6]認為判定柱屈服的條件是柱中縱向鋼筋屈服或者混凝土發生嚴重的非線，并在此基礎上給出了對應的經驗公式.Montes[7]基于柱中鋼筋屈服，提出了對應不同強度等級鋼筋的柱有效屈服曲率計算公式.Berry[8]等模擬了PEER[9]柱性能數據庫中255根矩形截面混凝土柱的屈服位移.錢稼茹[10]亦對該數據庫中144根剪跨比大于2的矩形柱考慮軸壓比的影響進行回歸分析，提出了修正的柱屈服轉角表達式.蔣歡軍[11]綜合Berry[8]關于屈服位移以及Priestley[12]對于屈服曲率的定義，在計算屈服位移的公式中加入了考慮柱端鋼筋滑移和柱子剪切變形影響的修正項.Peru[13]基于Eurocode8[14]中柱屈服位移的定義，利用CAE方法對PEER柱性能數據庫的柱屈服位移進行了預測.

柱屈服過程中鋼筋和混凝土都發生了復雜的非線，加之影響屈服性能的因素也非常多，上述基于經驗理論的非線性擬合公式預測柱屈服性能時存在預測結果離散度非常大的問題.人工神經網絡作為一種在數據稀少的情況下能夠有效預測數據輸入和輸出關系的手段而進入研究者的視野.人工神經網絡是以人類神經活動為基礎而發展起來的一項新穎的計算手段，適合處理復雜線性及非線性映射問題.由于其強大的非線性映射能力，神經網絡在工程領域被用于預測圓柱形混凝土柱約束狀態的極限壓應力和對應的壓應變[15]，模擬金屬疲勞裂紋開展速率[16].神經網絡的其它工程應用還有如混凝土柱在彎曲失效模式下的極限變形預測[17]，邊坡穩定性分析[18]，修正結構有限元模型[19]等.

本文基于經驗理論模型對彎曲型混凝土柱屈服性能影響因素的研究，利用神經網絡預測PEER柱性能庫210組矩形混凝土柱的屈服性能，并以此來探討神經網絡對柱性能預測的可行性和有效性.通過對比神經網絡的預測結果與實驗結果以及經驗理論模型估算結果，評價神經網絡預測模型的效果.最后基于Carson敏感性分析方法驗證所選神經網絡輸入參數的合理性并得到輸入各參數對混凝土柱屈服位移的貢獻程度.

1 經驗模型預測實驗數據庫柱屈服轉角

1.1 實驗數據庫

本文對彎曲型失效為主的柱屈服轉角進行預測，在PEER[9]柱性能數據庫中通過以下標準：1）柱子截面形狀為矩形；2）柱子受往復荷載作用直至失效；3）柱子的實驗失效模式為彎曲失效.選擇210組實驗數據，作為神經網絡預測數據庫.該預測數據庫的主要屬性參數范圍如圖1所示.

從圖1中可看出本文所選數據庫主要參數分布覆蓋了常規設計的參數取值范圍，具有廣泛的代表性.

從圖2和表1中可以看出，利用4種經驗模型估算構件的屈服轉角時，預測值與實驗值的比值分布相當離散，ASCE41模型計算結果變異系數相對較小為0.443，而利用ACI318-08（b）變異系數則達到0.65.針對上述預測結果離散的問題，本文采用BP神經網絡預測PEER數據庫柱的屈服轉角.

2 神經網絡預測柱屈服轉角方法

2.1 BP神經網絡

BP神經網絡作為前向型多層神經網絡的一種，其實質是利用誤差反向傳播算法（Back-Propagation）對神經網絡進行訓練.BP神經網絡結構由輸入層、隱含層和輸出層三個部分組成，Hornik[22]已經證明單隱層的神經網絡可以實現任意精度的非線性映射關系.BP神經網絡訓練分為信息的正向輸入和誤差的反向傳播兩個階段.在信息正向輸入階段，輸入參數通過閥值和權值的調節，再經激活函數傳遞對計算結果進行輸出；而在誤差反向傳播階段則是通過計算輸出層的結果和目標值之間的誤差來反向調節各神經元的權值和閥值；在實際訓練中這兩個階段交替進行，直至達到訓練的性能目標為止.

但由于BP學習算法其本質是梯度下降學習算法，權值的修正是沿性能函數梯度的反向進行，使普通的BP神經網絡在訓練時有以下不足：1）作為一種局部搜索的方法，容易陷入局部極小值而不能得到全局最優的結果；2）由于BP算法本身反向傳播的特點，使其在求解矩陣時耗費大量的計算時間，致使神經網絡收斂速度很慢.針對上述不足，眾多學者對其進行修正，其中L-M（Levenberg-Marquardt）[23] 算法因其能夠進行快速迭代，又具有全局優化的特點而在小型神經網絡中得以廣泛應用.L-M算法中迭代項如式（3）所示：

綜合以上討論，可以確定影響柱屈服轉角的主要參數有：混凝土的抗壓強度、軸壓比、剪跨比、縱向鋼筋的屈服強度、配筋率以及縱向鋼筋直徑，并將作為神經網絡預測模型的輸入參數.

2.3 構建BP網絡預測模型

根據前述從PEER數據庫中遴選出的210組數據，180組作為BP神經網絡的訓練集，30組作為測試集.將2.2節討論的6個主要參數作為神經網絡輸入參數，柱的屈服轉角為輸出結果，在MATLAB中建立如圖3所示的3層BP神經網絡N 6-H-1（其中輸入層節點數為6，H為隱含層的節點數，輸出層節點數為1）.

利用MATLAB神經網絡工具箱建立神經網絡模型需要確定以下參數：學習函數、學習速率、激活函數、訓練函數、學習周期、性能目標和隱含層節點數.神經網絡參數選擇如下：

利用BP網絡進行預測分析，為避免因輸入因子數量級差別而引起較大的網絡誤差，一般先將輸入因子進行歸一化處理.為避免激活函數其極值0和1附近飽和而伴隨出現“麻痹現象”，這里采用如式（12）所示方法將神經網絡的輸入和輸出規格化：

2.4 BP網絡預測結果

根據以上討論對圖3中BP神經網絡進行訓練、測試，得到如表2所示的預測結果.

從表2中可以看出當隱含層節點數為13和15時，其測試集和訓練集的性能函數值分別達到最小；而當隱含層節點數為17和21時，神經網絡訓練集和測試集的性能函數均有相對較好的取值.限于篇幅，本文只以13和15節點神經網絡為例，討論其對混凝土柱屈服性能預測的適用性.

圖4和表3列出了對應節點數目為13和15的BP神經網絡模型預測結果.為了進一步檢驗神經網絡的預測能力，將這兩組預測結果與實驗結果進行線性回歸分析，結果如圖5所示.

根據表2和圖5給出的預測結果以及對應的線性回歸結果，其對應較小的性能函數MSE的值和較高的相關系數R的值，可以看出神經網絡能夠準確預測混凝土柱的屈服轉角.

在表3和圖4中可以看出，2種不同節點數的神經網絡均能取得較好的預測結果，表3中訓練集和測試集的最大變異系數僅為0.164和0.179.從圖4～圖5以及表2～表3分析可以看到，利用BP網絡預測柱的屈服位移可以得到相當滿意的結果.

2.5 BP網絡預測結果與經驗模型比較

為了對比說明神經網絡預測結果的準確性，本文也將Elwood在文獻＼[20＼]基于理論推導的有效剛度模型帶入式（2），計算結果列于圖6（a）中.同時對應式（1）中屈服位移的定義，計算對比文獻＼[11＼]所提出的經驗模型屈服轉角：

從圖6和表4中可以看出：在利用Elwood計算模型估算構件的屈服轉角時，估算精度高于前述4種規范模型，但是也看出Elwood模型和Jiang經驗模型估算結果依舊相當離散，其中Elwood模型計算結果變異系數較小為0.365，而Jiang模型的計算結果則為0.477.相對于上述6種經驗理論模型，本文所提的13和15節點神經網絡模型，其預測結果與實驗值的比值均值為1；變異系數僅為0.16和0.13.

相對于前述6種經驗理論模型中僅考慮其中一部分因素的影響或者用一個數學表達式描述輸入參數和柱子屈服位移之間的關系，神經網絡綜合考慮輸入參數之間的相互影響，通過權值和閥值矩陣的調節得到更為準確的預測結果.

2.6 BP網絡敏感性分析

為得到輸入參數對混凝土柱屈服位移的影響程度以及驗證2.2節通過經驗模型選用神經網絡輸入參數方法的合理性，本文采用基于Garson算法[28]的神經網絡敏感性分析.作為基于連接權神經網絡敏感性分析方法的代表，該方法通過連接權的乘積計算輸入變量對輸出變量的貢獻程度.對于一個N X-H-1的神經網絡，其計算表述如式（14）所示：

3 結 論

為了能夠準確地預測混凝土柱構件的屈服性能，建立一種基于BP神經網絡預測混凝土柱的屈服性能的方法.本文首先利用以往的經驗理論模型詳細解構了影響混凝土柱屈服性能的因素，并將混凝土強度、軸壓比、剪跨比、縱向鋼筋配筋率、縱向鋼筋直徑及縱向鋼筋屈服強度作為BP神經網絡的輸入參數預測混凝土柱的屈服性能.通過與已有估算模型結果的對比，顯示出利用BP神經網絡預測模型的高效性.最后通過利用Garson敏感性分析方法證明了本文選擇預測模型輸入參數合理性，并評估了各個輸入因素對混凝土柱屈服位移影響的程度.本文通過利用神經網絡預測矩形混凝土柱的屈服性能，說明在數據不充分的情況下神經網絡對于預測工程結果是一種很有潛力的手段.

參考文獻

[1] FEMA 273 Guidelines for the seismic rehabilitation of buildings[S]. Washington： Federal Emergency Management Agency， 1997：13-14.

[2] FEMA 356 Prestandard and commentary for the seismic rehabilitation of buildings ＼[S＼]. Washington： Federal Emergency Management Agency， 2000：218-218.

[3] ASCE/SEI41 Seismic rehabilitation of existing buildings ＼[S＼]. American Society of Civil Engineers， Reston， VA. 2007：354-354.

[4] Eurocode 8：Design of Structures for earthquake resistance Part 1： General rules， seismic actions and rules for buildings＼[S＼]. Brussels European Committee for Standardization，1998：219-219.

[5] PARK R. Ductility evaluation from laboratory and analytical testing ＼[C＼]// Proceedings 9th World Conference on Earthquake Engineering.Tokyo-Kyoto， Japan. 1988：VIII，605-616.

[6] PANAGIOKOS T B， FARDIS M N. Deformations of reinforced concrete members at yielding and ultimate ＼[J＼]. ACI Structural Journal， 2001， 98（2）： 135-148.

[7] MONTES H E， ASCHLEIM M. Estimates of the yield curvature for design of reinforced concrete columns ＼[J＼]. Magazine of Concrete Research， 2003， 55（4）： 373-383.

[8] BERRY M， EBERHARD M O. Performance models for flexural damage in reinforced concrete columns ＼[R＼]. Pacific Earthquake Engineering Research Center， College of Engineering， University of California， 2004：158-158.

[9] PEER. Peer structural performance database ＼[DB/OL＼]. ＼[2003-12-29＼]. http： // nisee. berkeley. edu / spd.

[10]錢稼茹，徐福江.鋼筋混凝土柱基于位移的變形能力設計方法＼[J＼]. 建筑結構， 2007（12）： 30-32.

QIAN Jia-ru， XU Fu-jiang. Displacement-based deformation capacity design of RC columns ＼[J＼]. Building Structure， 2007（12）： 30-32.（In Chinese）

[11]JIANG Huan-jun， LU Xi-lin， KUBO T. Damage displacement estimation of flexure-dominant RC columns[J]. Advances in Structural Engineering， 2010， 13（2）： 357-368.

[12]PRIESTLEY M. Brief comments on elastic flexibility of reinforced concrete frames and significance to seismic design ＼[J＼]. Bulletin of the New Zealand National Society for Earthquake Engineering， 1998，31（4）： 246-259.

[13]PERU I， FAJFAR P. Prediction of the forceCdrift envelope for RC columns in flexure by the CAE method ＼[J＼]. Earthquake Engineering & Structural Dynamics， 2007，36（15）： 2345-2363.

[14]Eurocode 8： design of structures for earthquake resistance CPart 2： Bridge＼[S＼]. Brussels European Committee for Standardization， 2005：133-133.

[15]ORETA A W， KAWASHIMA K. Neural network modeling of confined compressive strength and strain of circular concrete columns ＼[J＼]. Journal of Structural Engineering， 2003， 129（4）： 554-561.

[16]羅廣恩，崔維成. 金屬疲勞裂紋擴展速率的貝葉斯正則化BP神經網絡預測＼[J＼]. 船舶力學， 2012， 16（4）： 433-441.

LUO Guang-en， CUI Wei-cheng. Prediction of fatigue crack growth rate of metal based on Bayesian regularized BP neural network ＼[J＼]. Journal of Ship Mechanics， 2012， 16（4）： 433-441. （In Chinese）

[17]INEL M. Modeling ultimate deformation capacity of RC columns using artificial neural networks ＼[J＼]. Engineering Structures， 2007， 29（3）： 329-335.

[18]劉思思，趙明華，楊明輝，等. 基于自組織神經網絡與遺傳算法的邊坡穩定性分析方法＼[J＼]. 湖南大學學報：自然科學版，2008，35（12）： 7-12.

LIU Si-si， ZHAO Ming-hua， YANG Ming-hui， et al. Slope stability analysis method based on self-organizing neural network and genetic algorithm＼[J＼]. Journal of Hunan University： Natural Sciences， 2008， 35（12）： 7-12. （In Chinese）

[19]王蕾，郁勝，李賓賓，等. 基于徑向基神經網絡的橋梁有限元模型修正＼[J＼]. 土木工程學報， 2012，45（S2）： 11-15.

WANG Lei， YU Shen， LI Bin-bin， et al. Bridge model updating based on radial basis function neural network ＼[J＼]. China Civil Engineering Journal， 2012，45（S2）： 11-15. （In Chinese）

[20]ELWOOD K J， EBERHARD M O. Effective stiffness of reinforced concrete columns ＼[J＼]. ACI Structural Journal， 2009， 106（4）：483-483.

[21]ACI 318-2008 Building Code requirements for structural concrete and commentary ＼[S＼]. Farmington Hills： 2008， American Concrete Institute， 2008：143-143.

[22]HORNIK K， STINCHCOMBE M， WHITE H. Multilayer feedforward networks are universal approximators ＼[J＼]. Neural Networks， IEEE Transactions on， 1989， 2（5）： 359-366.

[23]HAGAN M T， MENHAJ M B. Training feedforward networks with the Marquardt algorithm ＼[J＼]. Neural Networks， IEEE Transactions on， 1994， 5（6）： 989-993.

[24]鄭罡，李貴乾. 鋼筋混凝土橋墩有效剛度＼[J＼]. 土木工程學報， 2013，46（6）：44-52.

ZHENG Gang， LI Gui-qian. Effective stiffness of reinforced concrete bridges piers ＼[J＼]. China Civil Engineering Journal， 2013，46（6）：44-52. （In Chinese）

[25]SEZEN H， MOEHLE J P. Bond-slip behavior of reinforced concrete members ＼[C＼]//Proceedings of fib symposium on concrete structures in seismic regions. Athens， Greece. CEB-FIP. 2003.

[26]BERRY M J， LINOFF G. Data mining techniques： for marketing， sales， and customer support ＼[M＼].New York： John Wiley & Sons Inc，1997：444-444.

第9篇：神經網絡總結范文

80年代初，在美國、日本、接著在我國國內都掀起了一股研究神經網絡理論和神經計算機的熱潮，并將神經網絡原理應用于圖象處理、模式識別、語音綜合及機器人控制等領域。近年來，美國等先進國家又相繼投入巨額資金，制定出強化研究計劃，開展對腦功能和新型智能計算機的研究。

人腦是自生命誕生以來，生物經過數十億年漫長歲月進化的結果，是具有高度智能的復雜系統，它不必采用繁復的數字計算和邏輯運算，卻能靈活處理各種復雜的，不精確的和模糊的信息，善于理解語言、圖象并具有直覺感知等功能。

人腦的信息處理機制極其復雜，從結構上看它是包含有140億神經細胞的大規模網絡。單個神經細胞的工作速度并不高（毫秒級），但它通過超并行處理使得整個系統實現處理的高速性和信息表現的多樣性。

因此，從信息處理的角度對人腦進行研究，并由此研制出一種象人腦一樣能夠“思維”的智能計算機和智能信息處理方法，一直是人工智能追求的目標。

神經網絡就是通過對人腦的基本單元---神經元的建模和聯結，來探索模擬人腦神經系統功能的模型，并研制一種具有學習、聯想、記憶和模式識別等智能信息處理功能的人工系統。本文介紹神經網絡的特點以及近年來有關神經網絡與混沌理論、模糊計算和遺傳算法等相結合的混合神經網絡研究的動態。

一．神經網絡和聯結主義

回顧認知科學的發展，有所謂符號主義和聯結主義兩大流派。符號主義從宏觀層次上，撇開人腦的內部結構和機制，僅從人腦外在表現出來的智能現象出發進行研究。例如，將記憶、判斷、推理、學習等心理活動總結成規律、甚至編制成規則，然后用計算機進行模擬，使計算機表現出各種智能。

符號主義認為，認識的基本元素是符號，認知過程是對符號表示的運算。人類的語言，文字的思維均可用符號來描述，而且思維過程只不過是這些符號的存儲、變換和輸入、輸出而已。以這種方法實現的系統具有串行、線性、準確、簡潔、易于表達的特點，體現了邏輯思維的基本特性。七十年代的專家系統和八十年代日本的第五代計算機研究計劃就是其主要代表。

聯接主義則與其不同，其特點是從微觀出發。聯接主義認為符號是不存在的，認知的基本元素就是神經細胞（神經元），認知過程是大量神經元的聯接，以及這種聯接所引起的神經元的不同興奮狀態和系統所表現出的總體行為。八十年代再度興起的神經網絡和神經計算機就是這種聯接主義的代表。

神經網絡的主要特征是：大規模的并行處理和分布式的信息存儲，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。主要表現如下：

神經網絡能夠處理連續的模擬信號。例如連續灰度變化的圖象信號。

能夠處理混沌的、不完全的、模糊的信息。

傳統的計算機能給出精確的解答，神經網絡給出的是次最優的逼近解答。

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，但總體的處理速度極快。

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，具有魯棒性。

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，具有容錯性。

神經網絡在處理自然語言理解、圖象模式識別、景物理解、不完整信息的處理、智能機器人控制等方面有優勢。

符號主義和聯接主義兩者各有特色，學術界目前有一種看法：認為基于符號主義得傳統人工智能和基于聯接主義得神經網絡是分別描述人腦左、右半腦的功能，反映了人類智能的兩重性：精確處理和非精確處理，分別面向認識的理性和感性兩個方面，兩者的關系應該是互補而非互相代替。理想的智能系統及其表現的智能行為應是兩者相互結合的結果。

接下去的問題是，符號AI和聯接AI具體如何結合，兩者在智能系統中相互關系如何？分別扮演什么角色？目前這方面發表的文獻很多，大致有如下幾種類型：

1．松耦合模型：符號機制的專家系統與聯接機制的神經網絡通過一個中間媒介（例如數據文件）進行通訊。

2．緊耦合模型：與松耦合模型相比較，其通訊不是通過外部數據進行，而是直接通過內部數據完成，具有較高的效率。其主要類型有嵌入式系統和黑板結構等。

3．轉換模型：將專家系統的知識轉換成神經網絡，或把神經網絡轉換成專家系統的知識，轉換前的系統稱為源系統，轉換后的系統稱為目標系統，由一種機制轉成另一種機制。如果源系統是專家系統，目標系統是神經網絡，則可獲得學習能力及自適應性；反之，可獲得單步推理能力、解釋能力及知識的顯式表示。當然，轉換需要在兩種的機制之間，確定結構上的一致性，目前主要問題是還沒有一種完備而精確的轉換方法實現兩者的轉換。有待進一步研究。

4．綜合模型：綜合模型共享數據結構和知識表示，這時聯接機制和符號機制不再分開，兩者相互結合成為一個整體，既具有符號機制的邏輯功能，又有聯接機制的自適應和容錯性的優點和特點。例如聯接主義的專家系統等。

近年來神經網絡研究的另一個趨勢，是將它與模糊邏輯、混沌理論、遺傳進化算法等相結合，即所謂“混合神經網絡”方法。由于這些理論和算法都是屬于仿效生物體信息處理的方法，人們希望通過她們之間的相互結合，能夠獲得具有有柔性信息處理功能的系統。下面分別介紹。

二．混沌理論與智能信息處理

混沌理論是對貌似無序而實際有序，表面上看來是雜亂無章的現象中，找出其規律，并予以處理的一門學科。早在七十年代，美國和歐洲的一些物理學家、生物學家、數學家就致力于尋求在許許多多不同種類的不規則性之間的聯系。生物學家發現在人類的心臟中有混沌現象存在，血管在顯微鏡下交叉纏繞，其中也有驚人的有序性。在生物腦神經系統中從微觀的神經膜電位到宏觀的腦電波，都可以觀察到混沌的性態，證明混沌也是神經系統的正常特性。

九十年代開始，則更進一步將混沌和神經網絡結合起來，提出多種混沌神經網絡模型，并探索應用混沌理論的各種信息處理方法。例如，在神經元模型中，引入神經膜的不應性，研究神經元模型的混沌響應，研究在神經網絡的方程中，不應性項的定標參數，不定性時間衰減常數等參數的性質，以及這些參數于神經網絡混沌響應的關系，并確定混沌---神經網絡模型具有混沌解的參數空間。經過試驗，由這種混沌神經網絡模型所繪出的輸出圖形和腦電圖極為相似。

現代腦科學把人腦的工作過程看成為復雜的多層次的混沌動力學系統。腦功能的物理基礎是混沌性質的過程，腦的工作包含有混沌的性質。通過混沌動力學，研究、分析腦模型的信息處理能力，可進一步探索動態聯想記憶、動態學習并應用到模式識別等工程領域。例如：

對混沌的隨機不規則現象，可利用混沌理論進行非線性預測和決策。

對被噪聲所掩蓋的微弱信號，如果噪聲是一種混沌現象，則可通過非線性辨識，有效進行濾波。

利用混沌現象對初始值的敏銳依賴性，構成模式識別系統。

研究基于混沌---神經網絡自適應存儲檢索算法。該算法主要包括三個步驟，即：特征提取、自適應學習和檢索。

模式特征提取采用從簡單的吸引子到混沌的層次分支結構來描述，這種分支結構有可能通過少數幾個系統參數的變化來加以控制，使復雜問題簡單化。自適應學習采用神經網絡的誤差反傳學習法。檢索過程是通過一個具有穩定吸引子的動力學系統來完成，即利用輸入的初始條件與某個吸引子（輸出）之間的存在直接對應關系的方法進行檢索。利用這種方法可應用于模式識別。例如黑白圖象的人臉識別。

三．模糊集理論與模糊工程

八十年代以來在模糊集理論和應用方面，也有很大進展。1983年美國西海岸AI研究所發表了稱為REVEAL的模糊輔助決策系統并投入市場，1986年美國將模糊邏輯導入OPS---5，并研究成功模糊專家系統外殼FLOPS，1987年英國發表采用模糊PROLOG的智能系統FRIL等。除此通用工具的研制以外，各國還開發一系列用于專用目的的智能信息處理系統并實際應用于智能控制、模式識別、醫療診斷、故障檢測等方面。

模糊集理論和神經網絡雖然都屬于仿效生物體信息處理機制以獲得柔性信息處理功能的理論，但兩者所用的研究方法卻大不相同，神經網絡著眼于腦的微觀網絡結構，通過學習、自組織化和非線性動力學理論形成的并行分析方法，可處理無法語言化的模式信息。而模糊集理論則著眼于可用語言和概念作為代表的腦的宏觀功能，按照人為引入的隸屬度函數，邏輯的處理包含有模糊性的語言信息。

神經網絡和模糊集理論目標相近而方法各異。因此如果兩者相互結合，必能達到取長補短的作用。將模糊和神經網絡相結合的研究，約在15年前便已在神經網絡領域開始，為了描述神經細胞模型，開始采用模糊語言，把模糊集合及其運算用于神經元模型和描述神經網絡系統。目前，有關模糊---神經網絡模型的研究大體上可分為兩類：一類是以神經網絡為主，結合模糊集理論。例如，將神經網絡參數模糊化，采用模糊集合進行模糊運算。另一類以模糊集、模糊邏輯為主，結合神經網絡方法，利用神經網絡的自組織特性，達到柔性信息處理的目的。

與神經網絡相比，模糊集理論和模糊計算是更接近實用化的理論，特別近年來美國和日本的各大公司都紛紛推出各種模糊芯片，研制了型號繁多的模糊推理板，并實際應用于智能控制等各個應用領域，建立“模糊工程”這樣一個新領域。日本更首先在模糊家電方面打開市場，帶有模糊控制，甚至標以神經---模糊智能控制的洗衣機、電冰箱、空調器、攝象機等已成為新一代家電的時髦產品。我國目前市場上也有許多洗衣機，例如榮事達洗衣機就是采用模糊神經網絡智能控制方式的洗衣機。

四．遺傳算法

遺傳算法（GeneticAlgorithm：GA）是模擬生物的進化現象（自然、淘汰、交叉、突然變異）的一種概率搜索和最優化方法。是模擬自然淘汰和遺傳現象的工程模型。

GA的歷史可追溯到1960年，明確提出遺傳算法的是1975年美國Michigan大學的Holland博士，他根據生物進化過程的適應現象，提出如下的GA模型方案：

1．將多個生物的染色體（Chromosmoe）組成的符號集合，按文字進行編碼，稱為個體。

2．定義評價函數，表示個體對外部環境的適應性。其數值大的個體表示對外部環境的適應性高，它的生存（子孫的延續）的概率也高。

3．每個個體由多個“部分”組合而成，每個部分隨機進行交叉及突然變異等變化，并由此產生子孫（遺傳現象）。

4．個體的集合通過遺傳，由選擇淘汰產生下一代。

遺傳算法提出之后，很快得到人工智能、計算機、生物學等領域科學家的高度重視，并在各方面廣泛應用。1989年美國Goldberg博士發表一本專著：“GeneticAlgorithmsinSearch，OptimizationandMachineLearning”。出版后產生較大影響，該書對GA的數學基礎理論，GA的基本定理、數理分析以及在搜索法、最優化、機器學習等GA應用方面進行了深入淺出的介紹，并附有Pascal模擬程序。

1985年7月在美國召開第一屆“遺傳算法國際會議”（ICGA）。以后每隔兩年召開一次。近年來，遺傳算法發展很快，并廣泛應用于信息技術的各個領域，例如：

智能控制：機器人控制。機器人路徑規劃。

工程設計：微電子芯片的布局、布線；通信網絡設計、濾波器設計、噴氣發動機設計。

圖象處理：圖象恢復、圖象識別、特征抽取。

調度規劃：生產規劃、調度問題、并行機任務分配。

優化理論：TSP問題、背包問題、圖劃分問題。

人工生命：生命的遺傳進化以及自增殖、自適應；免疫系統、生態系統等方面的研究。

神經網絡、模糊集理論和以遺傳算法為代表的進化算法都是仿效生物信息處理模式以獲得智能信息處理功能的理論。三者目標相近而方法各異；將它們相互結合，必能達到取長補短、各顯優勢的效果。例如，遺傳算法與神經網絡和模糊計算相結合方面就有：

神經網絡連續權的進化。

傳統神經網絡如BP網絡是通過學習，并按一定規則來改變數值分布。這種方法有訓練時間過長和容易陷入局部優化的問題。采用遺傳算法優化神經網絡可以克服這個缺點。

神經網絡結構的進化。

目前神經網絡結構的設計全靠設計者的經驗，由人事先確定，還沒有一種系統的方法來確定網絡結構，采用遺傳算法可用來優化神經網絡結構。

神經網絡學習規則的進化。