神經網絡的思想精選(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的思想主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：神經網絡的思想范文

【關鍵詞】攔渣壩； BP神經網絡；小波神經網絡

0 前言

為了確保各種大型工程在施工和生產運行中會產生大量的棄土、棄石等廢棄固體物質的安全放置，必須建立合適的攔渣壩。但是，隨著攔渣壩運行時間的推移，攔渣壩運行的各種條件（如結構、基礎、環境等）逐漸發生變化，使得壩體材料老化變質、壩體結構性能衰減甚至惡化等影響其安全運行，這樣有可能嚴重的威脅著周邊人民的生命和財產安全，這在在國內外均有著深刻教訓。因此，必須對攔渣壩進行安全監測，建立正確有效的變形預測模型，科學地分析和預測攔渣壩的變形，及時發現存在的安全隱患，制定合理的防治措施，以確保攔渣壩的安全運行。

由于各種條件和環境的復雜性，使得攔渣壩變形的影響因素存在多樣性，利用單一的理論方法來對工程變形進行預測，其變形的大小是難以準確預測的。將多種理論和方法進行有機結合，建立一種方法預測工程變形的大小是一種有效的途徑。本文基于這樣的思想，將小波分析與神經網絡有機結合的小波神經網絡應用于攔渣壩工程實例，對其變形分析研究。

1 小波神經網絡

小波神經網絡是將小波分析與人工神經網絡有機結合的產物。其基本思想是用小波元代替神經元，用已定位的小波函數代替Sigmoid函數作為激活函數，然后通過仿射變換建立起小波變換與神經網絡系數之間的連接，形成的新模型具有較強的網絡逼近能力和容錯能力。

目前，將小波分析與人工神經網絡的結合主要有下面兩種方式：松散性結合，即將小波分析與人工神經網絡進行輔助式結合；緊致性結合，即將小波和神經網絡直接融合的一種方式， 它主要是把小波元代替神經元，將相應的輸入層到隱層的權值及隱層閾值分別由小波函數的尺度與平移參數所代替。其中緊致性結合方式也是當前研究小波神經網絡模型最主要的結構形式。

小波神經網絡是在小波分析的基礎上提出的前饋型神經網絡。小波神經網絡激活函數是具有良好時頻局域化性質的小波基函數。設小波神經網絡有m（m=1，2，…，m）個輸入節點、N（N=1，2，…，N）個輸出層、n（n=1，2，…，n）個隱含層節點。并設xk為輸入層的第k個輸入樣本，yi為輸入層的第i個輸出值，wij為連接輸出層節點i和隱含層節點j的權值，wjk為連接隱含層節點j和輸入層節點k的權值。約定wi0是第j個輸出層節點閾值，wj0是第j個隱含層節點閾值，aj和bj分別為第j個隱含層節點的伸縮和平移因子，則小波神經網絡模型可以表示為：

2 工程實例應用

國家某重點高速公路第B4合同段內某攔渣壩，其壩體為混凝土重力壩，長約122米，高約30米，攔渣壩上面（上游）是巨大的高速路高填方路基，這在國內是比較罕見的，而下游是梅西河。本攔渣壩主要是為了防止高速路隧道挖方土回填的高填方路基滑動和垮塌發生危險，從而對高速路的運行和梅溪河的通航造成不必要的影響。通過對攔渣壩體上S5號點上的沉降監測數據分析，建立變形預測的小波神經網絡模型。將從2008年9月28日到2009年11月5日共11期數據作為學習樣本對攔渣壩小波神經網絡進行訓練和學習。對S5號從2010年2月1日到2010年12月29日共5期數據進行預測。

通過對混凝土壩的研究和本攔渣壩功能作用的分析，可知影響本攔渣壩沉降變化的因素主要有：溫度、土壓力、時效。其中取4個溫度因子，分別為C、C5、C15、C30（Ci為自觀測日起前i天的平均氣溫）；土壓力因子1個（為S5號點附近土壓力盒的每期平均計算壓力）；時效因子2個，分別為T、InT（T為觀測日到起算日的累計天數除以100）。故輸入層節點數為7個。而輸出層節點數為1個，即為觀測點S5每次垂直方向的累計沉降量。先用經驗公式確定一個初始節點數，然后進行試驗訓練，當隱含層節點數為13時網絡訓練最為合適，所以采用7-13-1的結構形式的小波神經網絡模型。通過對不同小波函數的試驗訓練，多次計算表明，當選用Morlet小波函數時網絡的總體性能較好。利用Matlab7.1語言編制相應的網絡模型程序進行計算。

為了充分的分析小波神經網絡的訓練效果，本文中也采用相同結構的BP神經網絡對攔渣壩監測數據進行訓練、預測。在本實例中，設兩種模型的收斂誤差都取0.0001。訓練結果表明，兩種模型的收斂速度都比較快，BP神經網絡訓練了25次就低于誤差限差；而小波神經網絡只訓練了5次就低于誤差限差0.0001，總體上小波神經網絡比BP網絡精度高。小波神經網絡訓練與BP神經網絡訓練擬合殘差系統比較結果如表1。

從預測結果對比分析表可以看出，小波神經網絡和BP神經網絡對攔渣壩變形預測的預測殘差絕對值在一個數量級上，但是WNN網絡的預測殘差值總體上明顯小于BP神經網絡。小波神經網絡的預測值與BP神經網絡的預測值相比較更加接近于實際值，WNN預測結果好于BP神經網絡預測結果，其預測優越性是顯而易見的。

3 小結

本文通過對小波神經網絡模型的研究，建立了攔渣壩變形預測的小波神經網絡模型。通過對WNN網絡模型和BP神經網絡模型訓練擬合結果與預測結果的對比分析，可以看出小波神經網絡模型在攔渣壩變形預測中的收斂性和精度比BP神經網絡好，對攔渣壩的變形預測研究有一定的參考應用價值。

【參考文獻】

第2篇：神經網絡的思想范文

關鍵詞：建設項目；集成管理；績效評價；信息熵；改進BP神經網絡

1.引言

目前我國的建設項目管理水平和國際先進水平比較，還存在著較大的差距，尤其在工程項目的集成管理方面。項目集成管理的思想：要充分正視和考慮項目控制的目標（工期、質量和成本）的系統性特點，在控制過程中，始終將其作為一個系統來對待，而不是人為地割裂目標間的相互聯系和相互作用[1]。因此，科學地對建設項目集成管理進行績效評價能夠從系統角度對建設項目的各個環節進行改進。

E.Chown提出了通過使用任務過程系統化的集成數據庫，將項目的任務、材料、設備、操作者的戰略性日程綜合起來，使資源的分配和控制十分有效[2]。Glenn Ballard介紹了在高速鐵路建設項目中將項目管理技術，業務流程和組織集成起來構成項目管理集成系統[3]。JaafariA提出了基于全壽命期目標的一般項目管理模型，以此將整個項目的過程集成起來。郭勇把人工神經網絡應用在績效評價中，首先對單個指標質量、成本、進度進行研究并建立模型，然后運用人工神經網絡對建立的模型進行綜合評價[4]；劉劼把供應鏈的思想應用到集成管理績效評價中，建立了基于層次分析法的模糊綜合評價模型，并對構建的建設項目集成管理績效評價體系的戰略層、執行層和結果層等方面的高效性和及時性進行評價[5]；劉洪海提出了建設項目集成管理系統績效是由目標系統要素、業務過程系統結構、信息系統環境等決定的，同時通過“三維系統”模型，分析了建設項目集成管理績效模糊綜合評價方法[6]。

傳統的項目績效評價關注項目內部評估，不重視子項目與外部利益相關者的關系且多采用財務數據，不能反映企業整體的運營狀況。本文首先從項目集成管理的角度出發，構建建設項目集成管理績效評價指標體系，然后對傳統的BP神經網絡進行改進，最后通過案例驗證方法的有效性。

2.構建建設項目集成管理績效評價指標體系

在建設項目集成管理績效評價中，借鑒供應鏈管理的思想，對建設項目建立的全部過程按照供應鏈管理的思想進行管理與規劃[7-9]。首先，在設立評價指標時，除了對企業內部運作的基本評價外，還要把注意力放在供應鏈的測控上，以保證內外在績效上達到一致，使供應鏈評價指標更加集成化；其次，注重指標之間的平衡，做到非財務指標和財務指標并重，關注供應鏈的長期發展和短期利潤的有效組合，實現兩個目標之間的有效傳遞。建設項目供應鏈是以建設項目為核心，圍繞核心企業（項目公司），通過對信息流、物流、資金流進行控制，所以在此選取項目公司作為核心企業建立評價指標體系如表1所示。

3.BP神經網絡算法的改進

3.1BP神經網絡的學習算法

誤差反傳前饋網絡（Back-Propagation）[48-51]是典型的前饋網絡，其算法的基本思想是：誤差逆傳播神經網絡是一種具有三層或三層以上的階層神經網絡[10-11]。典型的BP網絡

是三層，即：輸入層、隱含層和輸出層，經典三層BP算法的學習過程如下所示：

4.3網絡構造、訓練及檢驗

構建建設項目集成管理的三層前饋網絡神經網絡模型，影響建設項目集成管理績效的26個因素作為輸入層的26個節點，隱含層取30個節點。隱含層的傳遞函數為雙曲正切S形函數。此改進BP網絡的輸出層節點數為1，輸出層的傳遞函數為線性函數。網絡訓練時性能函數為誤差平方和SSE，初始化各層的連接權矩陣為0矩陣，網絡訓練時的最大步長為100000，網絡性能目標（SSE）設為10-6，學習速率為0.01，動量常數為0.9，每次梯度動量下降步長 為1.2。依據以上參數，將26個集成項目的前20組數據作為訓練子集，后6組數據作為檢驗子集，應用改進的BP神經網絡對標準化后的數據進行訓練學習，得到最好的梯度下降圖，如圖1所示，該網絡經過596次訓練達到精度要求，說明在收斂方面有很好的效果。

為了檢驗建立的三層BP網絡和傳統的BP網絡對建設項目集成管理績效評價的準確性，利用檢驗子集對改進的BP網絡和傳統的BP網絡分別進行仿真實驗。輸出結果如表3所示。

改進的BP網絡在收斂程度上，由于梯度動量下降步長的存在，收斂圖明顯有下降的趨勢，而且每次下降呈增加的趨勢；同時，梯度下降步長 克服了傳統BP網絡容易形成局部最優而達不到全局最優的弊端。在檢驗方面，由改進的BP神經網絡得出的訓練結果明顯好于傳統BP網絡所得出的訓練結果，并且誤差明顯小于傳統BP網絡的誤差。由此可知，基于改進的BP神經網絡對建設項目集成管理的績效評價是可行的、準確的和有效的。

5.結論

本文首先將集成管理思想融入到建設項目的績效評價中，建立了建設項目集成管理績效評價指標體系，然后針對BP神經網絡算法進行改進，并在對實際建設項目進行調查的基礎上，應用信息熵對建設項目集成管理績效評價指標體系進行約簡，得出更符合企業實際的建設項目集成管理績效評價指標體系，最后運用改進的BP神經網絡模型對建設項目集成管理績效進行綜合評價，驗證了該方法的有效性和科學性，為建設項目集成管理績效評價的研究提供一種新的可操作性方法。

參考文獻

[1] 戚安邦.建設項目全面造價管理[M].南開大學出版社，2000

[2] E.Chown，K .Mohamed.Integrated Construction Activity Cost System.AACE International. Transactions of the Annual Meeting 43’d Annual Meeting of RACE International.l 999：568～574

[3] Glenn Ballard， Managing work flow on design projects： a case study， Engineering Construction and Architectural Management， Volume 9 Issue 3， June 2002

[4] A. Jaafari， K .Manivong. Synthesis of A Model for Life-cycle Project Management[J].Computer-aided Civil and Infrastructure Engineering.2000，15 （1） 26 ～38

[5] 劉頡.建設項目集成管理績效評價理論與方法研究[D].武漢.武漢理工大學，2006

[6] 劉洪海.建設項目目標控制系統集成管理研究[D].武漢.武漢理工大學，2006

[7] 何曙光、齊二石、.面向工程建設的現代集成管理系統研究[J].計算機集成制造系統，2002（4）：330-332

[8] 強茂山、楊亮、鄧煥彬.高速公路建設項目集成化管理評價體系[J].清華大學學報（自然科學版），2010，50（9 ）：1369-1373

[9] 吳育華、王鳳鳴.超大型工程建設項目集成管理研究[J]河北工程大學學報：社會科學版，2008.25（3）：1-2.

[10] 韓力群.人工神經網絡理論、設計及應用[M].北京.化學工業出版社，2002.6

第3篇：神經網絡的思想范文

[關鍵詞]BP神經網絡 水資源系統 評價指標

中圖分類號：TV213.4 文獻標識碼：A 文章編號：1009-914X（2015）04-0361-01

1、神經網絡和BP學習算法

人工神經網絡是模擬人腦的一些基本特性，因其具有大規模并行處理、分布式儲存、自適應性、自組織性及很強的學習、聯想、容錯及抗干擾能力等優點而被廣泛應用。人工神經網絡有眾多的模型，在眾多的神經網絡模型中，原理最簡單，應用最廣泛的是基于誤差反向傳播算法的BP神經網絡模型。

BP神經網絡由一個輸入層、一個輸出層和一個或多個隱含層組成。每一層都包含若干個神經元，神經元是一個多輸入單輸出的信息處理單元，且它對信息的處理是非線性的。神經元之間通過權重連接，但同層的神經元之間沒有聯系。BP神經網絡的主要思想是根據樣本的希望輸出與實際輸出的平方誤差E，利用梯度下降法，求使E達到最小的網絡權系數。

2、水質評價的BP神經網絡模型

現用BP網絡方法模擬某個樣本水質評價因子和水質級別間的非線性關系，對該樣本水質量進行評價，為水資源的合理保護與利用提供依據。

2.1 基本思想

水質評價是一個非線性較為復雜的問題，基于BP神經網絡的水質評價模型的訓練樣本即為水質分級標準。網絡訓練完成后，網絡將保存對分級標準學習的知識和有關信息，即各層間的連接權與各個神經元的閾值得以保存，然后從輸入層輸入待評資料，得到有關評價結論的信息，從而根據一定規則作出有關的評價結論的判斷。

設待評的水質監測樣本M個，每個樣本選擇具有典型代表的N項污染指標監測值，按照國家行業規范規定，相應于N項污染指標下的水質標準濃度可將水質劃分為C個等級。因此，水質評價的神經網絡結構的輸入層和輸出層的神經元數分別為N和C，即輸入層的每一個神經元代表1種水質評價的污染指標，輸出層的每一個神經元代表一個水質評價等級。

2.2 BP神經網絡用于于橋水庫的水質評價

為了對于橋水庫進行水質變化趨勢評價，以便為進一步的決策管理提供依據，選取了2012年5月-10月、2013年5月-10月與富營養化密切相關的5個指標，即PH值、總氮、BOD、總磷和CODMn，其監測的平均值如表1所列。

應用人工神經網絡中的BP網絡算法進行評價，參照《中國地面水環境質量標準》（GB3838-88），并考慮各等級間的區分度，取標準如表2所列。

用上表數據作為學習樣本模式，建立水質富營養化的BP模型。

經過多次嘗試，最終選定BP網絡結構如圖所示，該BP網絡具有3層，1個輸入層，1個隱含層和一個輸出層。輸入層有5個神經元（對應PH值、總氮、BOD、總磷和CODMn5個輸入），隱含層有4個神經元，輸出層有1個神經元。

用表2給定的標準樣本對本文所用的5-4-1結構的BP網絡進行訓練。當完成93566次訓練之后，全局誤差E=0.0001，小于預先給定的允許誤差（E

由此可以認為該網絡已從所選標準的樣本模式中學到了評價水庫富營養化的知識，可以用水庫的富營養化的評價。因此用它對于橋水庫2012年5-10月、2013年5-10月水質監測值進行評價，評價結果見表4

第4篇：神經網絡的思想范文

【關鍵詞】地下水位;BP神經網絡;RBF神經網絡;MATLAB

1.引言

隨著我國國民經濟的快速發展，對地下水資源的開發利用日益增加。通過對地下水位動態變化規律的預測研究，以此來制定科學的開發利用策略，具有重要的現實意義[1]。地下水位受許多因素的影響，由于問題的高度復雜性地下水位預測還有許多問題未解決。近幾年，許多學者將神經網絡用于地下水位的預測并且取得了不少有價值的成果。

2.BP神經網絡

BP算法的基本原理是利用輸出后的誤差來估計輸出層的直接前導層的誤差，再利用這個誤差估計更前一層的誤差，如此一層一層的反傳下去，就獲得了所有其他各層的誤差估計[5]。BP神經網絡結構圖，如圖1所示。

BP網絡學習的過程是神經網絡在外界輸入樣本的刺激下不斷改變網絡的連接權值，以使網絡的輸出不斷地接近期望輸出。BP網絡的學習本質是對各連接權值的動態調整，其學習規則是權值調整規則，即在學習過程中網絡中各神經元的連接權變化所依據的一定的調整規則。

3.RBF神經網絡

RBF網絡的基本思想是用RBF作為隱單元的“基”構成隱含層空間，將輸入矢量直接（即不需要通過權連接）映射到隱空間;當RBF的中心點確定后，映射關系也就確定;隱含層空間到輸出空間的映射是線性的[7]。RBF神經網絡結構圖，如圖2所示。

4.數據樣本的采集及預處理

利用神經網絡進行地下水位預測，首先應該提取有關地下水位預測重要指標，確定網絡結構。樣本數目的確定沒有通用的方法，樣本過少可能使得網絡的表達不夠充分，從而導致網絡外推的能力不夠;而樣本過多可能會出現樣本冗余現象，既增加了網絡的訓練負擔，也有可能出現信息量過剩。獲得輸入變量將指標數據處理為區間[0 1]之間的數據[4]。公式如下：

地下水位主要受河道流量、氣溫、飽和差、降水量和蒸發量等重要因子的影響，由此測量并歸納出24組數據，如表1所示。選定1-19組為訓練樣本，20-24組為測試樣本。

5.神經網絡的訓練與測試

5.1 BP神經網絡的訓練與測試

根據BP算法設計的網絡，一般的預測問題都可以通過單隱層的BP網絡實現。由于輸入向量元素個數為5，所以網絡的輸入層的神經元有5個，根據Kolmogorov定理，可知中間層神經元數=2×輸入層的神經元個數+1=11。輸出向量為1個，所以輸出層神經元應該有1個。網絡中間層神經元采用S型正切函數tansig，輸出層神經元傳遞函數采用S型對數函數logsig。網絡的訓練函數為trainlm，它采用Levenberg-Marquardt算法進行網絡學習。其代碼如下：

threshold=[0 1;0 1;0 1;0 1;0 1];

net=newff（threshold，[11 1]，{‘tansig’，’logsig’}，’trainlm’）;

經過500次訓練后，對網絡進行仿真并計算網絡誤差。

y=sim（net，P）;

y_bp=y-T_test;

5.2 RBF神經網絡的訓練與測試

RBF神經元的輸入層神經元個數取決于地下水位影響因子的個數，由表1可知，其個數為5。由于輸出是地下水位值，所以輸出層神經元個數是1。SPREAD為徑向基函數的分布密度，分布密度越大，函數越平滑，并且分布密度值得大小影響網絡的預測精度。設定SPREAD=1.5，2，3，4，5其代碼如下：

for i=1：4

net=newrbe（P，T，i+1）;

y（i，：）=sim（net，P_test）;

error（i）=y（i，：）-T_test;

end

圖3 BP神經網絡與RBF神經網絡預測誤差圖

6.網絡結果的比較

以上程序在MATLAB中運行后得出。BP神經網絡與RBF神經網絡對地下水位預測的誤差比較如圖3所示，其中“* BP”為BP神經網路預測的誤差，其余為RBF的分布密度分別為1.5，2，3，4，5時的預測誤差。

由圖3可以清晰的看出，對于RBF神經網的地下水位預測，當SPREAD=2或3時網絡的預測誤差最小。綜合對比后發現，對于預報精度來說RBF網絡明顯高于BP網絡。

7.結語

BP神經網絡和RBF神經網絡對地下水位的預測效果都較好，但是BP網絡的訓練時間明顯大于RBF網絡，其訓練速度比較慢并且精度不如RBF網絡。綜上所述，RBF神經網絡可以被廣泛的用于地下水位的預測系統中。

參考文獻

[1]蘇國韶，張研，張小飛.高斯過程機器學習方法在地下水位預測中的應用[J].中國農村水利水電，2008（12）：48-50.

[2]楊婷，魏曉妹，胡國杰.灰色BP神經網絡模型在民勤盆地地下水埋深動態預測中的應用[J].干旱地區農業研究，2011，29（2）：204-208.

[3]張斌，劉俊民.基于BP神經網絡的地下水動態預測[J].水土保持研究，2012，19（5）：235-237.

第5篇：神經網絡的思想范文

關鍵詞：煤礦 漸進神經網絡 煤與瓦斯突出

1 概述

對于煤礦各煤層的煤與瓦斯突出危險性的區域預測，一般是先確定突出危險性參數，建立一個初步的預測模型，然后根據該礦區已經發生的煤與瓦斯突出事故的情況來不斷驗證，直到得到合理的區域預測模型，這樣整個區域預測模型的建立需要做大量調試，耗費很長的時間。

本文嘗試利用漸進神經網絡的特點，建立利用結果反求礦井的煤與瓦斯突出危險性區域預測模型，使得建立的模型能更加適合不同礦井發生煤與瓦斯突出的實際情況。此外，還能大大減少模型調試所消耗的大量時間[3]。

2 關于建立煤與瓦斯突出區域預測模型的分析

目前為止，國內外對影響煤與瓦斯突出參數的問題進行了很多研究，而隨著力學、動力學理論等學科的發展，分析礦井煤與瓦斯突出是如何發生的方法也越來越多。在眾多的突出理論中，能讓從事該行業的絕大多數人認同和接受的就是綜合假說。

綜合假說的主要理論是：煤與瓦斯突出是礦井中一種極其復雜的動力現象，它包括三個因素：地應力、高壓瓦斯和煤的結構性能，它的發生是三個主要因素綜合作用的結果。

從能量轉換角度分析，突出的能量來自煤巖體彈性彈性潛能和煤體中的瓦斯膨脹能，這些能量在突出過程中主要轉換為煤體的破碎功和碎煤在巷道中的移動功等。因此，在由煤巖層和瓦斯組成的這樣一個力學系統中，就有四種相互作用和相互轉化的能量體系，它們之間的消長關系夠長了煤與瓦斯突出全過程的能量條件。當煤巖體彈性潛能和煤體中的瓦斯膨脹能大于煤體的破壞功和移動功時，就發生煤與瓦斯突出，否則就不發生。

3 基于漸進神經網絡的煤與瓦斯突出危險區域預測模型的建立

神經網絡是由大量的神經元相連接的網絡，針對影響煤與瓦斯突出的地應力、瓦斯壓力、煤體結構的復雜關系，通過對漸進神經網絡的訓練、控制和識辯可以反求到影響不同礦井對煤與瓦斯突出影響的參數及其權重值[2]。

基于地應力、瓦斯壓力、煤體結構參數反求流程如圖1所示。假設模型的各項參數為某一組數值，可以仿真得到相應的突出參數的神經網絡的初始訓練樣本，將各種參數值Xm輸入神經網絡，即可反求得到對于的參數Yi，并將其作為煤與瓦斯突出的影響參數，可以得到影響參數的計算值Xn。如果計算值Xm和測量值Xn偏差超過許可誤差，必須重新選取樣本，對神經網絡在訓練，直到計算值Xm和測量值Xn的偏差在許可范圍內，即為反求得到的煤與瓦斯突出影響參數Yj。

神經網絡模型的結構，需要根據具體求解問題的復雜程度決定[3]。圖2為煤與瓦斯突出影響參數反求的神經網絡結構，神經網絡由可能代表影響煤與瓦斯突出因素的N個輸入單元組成輸入層，網絡的輸出層由實際代表影響煤與瓦斯突出的M個單元組成，網絡還包含一個隱含層。通過神經網絡可以建立影響煤與瓦斯突出因素的非線性關系：

神經網絡的訓練，就是根據訓練樣本來計算權值矩陣W，根據求出影響參數及權值矩陣計算煤層的突出危險性程度。神經網絡訓練以后，不管實際問題怎么復雜，神經網絡都可以快速的計算輸出變量，因此，神經網絡是適合用于煤與瓦斯突出危險性區域預測模型的建立的。

4 結論

本文應用反求的思想，從滿足預測的觀點出發，通過建立漸進神經網絡的方法來反求滿足不同礦區實際情況的突出危險性區域預測模型，從而反求出影響不同煤礦的煤與瓦斯突出危險性的影響參數，從而避免了建立煤與瓦斯突出危險性區域預測模型過程中繁雜的調試過程，縮短了該模型建立過程，并使得區域預測模型具有較好的針對性及預測效果。

參考文獻：

[1]候媛彬，杜京義，汪梅.神經網絡[M].西安電子科技大學出版社.

[2]張青貴.人工神經網絡導論[M].中國水利水電出版社.

[3]劉海波，施式亮等.人工神經網絡對礦山安全狀態的評判能力分析[J].安全與環境學報，2004（5）：69～72.

[4]胡千庭，鄒銀輝等.瓦斯含量法預測突出危險新技術[J].煤炭學報，2007（3）：277～280.

第6篇：神經網絡的思想范文

研究區潘莊區塊位于沁水盆地南部向西北傾的斜坡帶上，構造主要以褶皺為主，斷層稀少．山西組的3號煤層是本區內穩定發育的主采煤層，也是CM1煤層氣井的目標煤層．該煤層屬于厚煤層，厚度變化范圍3．15～7．30m，平均6．11m．埋深介于156．27～695．20m之間．頂板巖性主要為泥巖、粉砂巖、粉砂質泥巖，底板主要為粉砂巖和泥巖．

2BP神經網絡簡介

2．1BP神經網絡結構BP神經網絡結構由輸入層、隱含層和輸出層組成，其中隱含層可以有多層．在工程預測中，經常使用的是3層BP神經網絡結構（圖2）．這種神經網絡結構的特點是：每一層內的神經元之間無任何連接，相鄰層神經元之間具有單向連接，隱含層的激勵函數采用非線性的S型函數，輸出層的激勵函數為線性函數．

2．2BP算法原理BP算法是一種監督式的學習算法．其主要思想為：對于n個輸入學習樣本：P1，P2，…，Pn，已知與其對應的輸出樣本為：T1，T2，…，Tn，學習的目的是用網絡的實際輸出A1，A2，…，An與目標矢量T1，T2，…，Tn之間的誤差來修改其權值，使Al（l＝1，2，…，n）與期望的Tl盡可能地接近，使網絡輸出層的誤差平方和達到最小．它是通過連續不斷地在相對誤差函數斜率下降的方向上計算網絡權值和偏差的變化而逐漸逼近目標的．每一次權值和偏差的變化都與網絡誤差的影響成正比，并以反向傳播的方式傳遞到每一層。BP神經網絡時間序列預測模型，即先利用BP神經網絡的非線性逼近技術隱性的求解函數f，并以此為依據預測未來值．

3神經網絡模型構建及檢驗

為了精確預測煤層氣井產能、優化排采制度，本文基于時間序列預測思想構建了BP神經網絡預測模型，整個設計過程由MATLAB7．11軟件編程實現．

3．1神經網絡基本參數確定在實際生產中，煤層氣井產氣量主要受控于產水量和井底流壓，而且這兩個參數數據資料豐富，易于收集．因此，以每天產水量和井底流壓為基礎向量，基于時間序列預測思想構建了14個網絡輸入向量（表1）．神經網絡預測模型初步設定為一個14－X－7的3層BP網絡．其中輸入層節點數為14，對應14個輸入向量；X為隱含層節點數，由經驗公式［12］可得出其取值范圍為6～15；輸出層節點數為7，對應輸出向量分別為未來7d中每天的產氣量；初始權值為（－1，1）之間的隨機數，初始學習率為0．1；隱含層激勵函數為雙曲正切函數，輸出層激勵函數為pureline函數，訓練函數為trainlm函數．

3．2神經網絡模型的構建選取CM1井2009年2月14日至2009年9月8日連續207d的排采數據為原始樣本數據．其中，前200d的排采數據為訓練樣本，后7d的排采數據為檢驗樣本．網絡訓練目標誤差設定為0．0002，最大迭代次數設定為500次．將原始數據歸一化后輸入到網絡中進行訓練，隱含層最佳節點數采用試湊法確定為13（表2）．因此，BP神經網絡預測模型的最佳網絡結構為14－13－7（圖4）．

3．3網絡模型訓練及檢驗再次輸入訓練樣本對確定的網絡結構進行訓練，當網絡達到目標誤差或最大迭代次數時，停止訓練．網絡訓練完畢后，將檢驗樣本輸入到網絡中，進行模型性能檢驗。檢驗樣本最大絕對誤差72m3／d，最小絕對誤差17m3／d，相對誤差范圍－1．43％～1．60％，平均相對誤差1．05％，表明網絡模型預測性能良好，能夠準確預測CM1煤層氣井未來7d的產氣量．

4CM1井排采制度優化

在煤層氣井排采實踐中，根據未來產氣量變化或生產需要，何時應該增大或減少產水量，何時應該增大或減少井底流壓，調控的具體量度應該是多少，這些問題至今都沒有明確的結論．因此，本文針對所有可能出現的生產情況，設計了24種排采制度調整方案。針對CM1井實際排采情況，厘定了產水量、井底流壓調控量度及產氣量變化量臨界值．其中，調控產水量小幅增大（減小）與大幅增大（減小）臨界值定為0．2m3／d；調控井底流壓小幅增大（減小）和大幅增大（減小）臨界值定為0．1MPa；產氣量變化量小幅增大（減小）和大幅增大（減小）臨界值定為1000m3／d．而在實際操作中，選取產水量小幅增大（減小）的值為0．05m3／d，產水量大幅增大（減小）的值為0．5m3／d，井底流壓小幅增大（減小）的值為0．05MPa，井底流壓大幅增大（減小）的值為0．2MPa．采用所建立的BP神經網絡預測模型對各方案產氣量進行了模擬，以第21種調整方案“產水量小幅增大—井底流壓小幅減小”的模擬結果為例（表5），其它方案模擬結果見表6．在第21種排采制度方案中，當產水量小幅增大0．05m3／d，井底流壓小幅減小0．05MPa，預測產氣量比實際產氣量平均增大了537m3／d，比前一周產氣量平均增大了469m3／d．顯而易見，當決策者希望煤層氣井未來日產氣量能夠增大500m3／d左右時，可執行產水量提高0．05m3／d，井底流壓減小0．05MPa的排采制度．綜上所述，煤層氣井采取不同的排采制度，產氣量變化決然不同，總體可分為四大類，即產氣量大幅減小、小幅減小、小幅增大和大幅增大（表6）．其中，使產氣量大幅減小的排采制度方案有5種，小幅減小的有7種，小幅增大的7種，大幅增大的5種．這樣就可以根據各調整方案預測結果，結合實際生產的需要，采用不同的排采制度，使煤層氣井產氣量朝著我們預期的方向發展．例如，如果期望未來7d產氣量大幅增大，可以采用“產水量不變—井底流壓大幅減小”、“產水量大幅增大—井底流壓大幅減小”、“產水量小幅增大—井底流壓大幅減小”等排采制度。

5結論

第7篇：神經網絡的思想范文

關鍵詞：矩陣式紅外熱電堆；RBF神經網絡；慣性權重因子；粒子群算法

DOI：10.16640/ki.37-1222/t.2017.04.220

1 引言

常用的人體入侵檢測方法有視頻監測、超聲波、機電檢測、紅外檢測等，而它的準確性和可靠性對人的生命財產安全起確定性的作用。本文采用的是Melexis（邁來芯）的一套矩陣式紅外熱電堆溫度采集裝置，其中傳感器MLX90621是一款采用16*4像素的紅外陣列傳感器，可以檢測出一副畫面中64個點的溫度，可以提供的視角范圍是，配合電機，它的檢測范圍可以達到，因此它每一幀可以測得的溫度數據有個。相比于傳統的檢測方法，雖然它的檢測像素低，但是在后面的算法計算中，它的計算量會降低，它的優勢在于成本低、體積小易于隱蔽，而且不易受環境因素的影響，比如黑夜、電磁干擾等。在人體識別部分，本文采用的是改進RBF神經網絡算法，RBF神經網絡是一種采用局部接受域來執行函數映射的人工神經網絡[1]。而如何確定RBF神經網絡的隱層基函數的個數、中心向量以及寬度是訓練RBF神經網絡的關鍵所在。假如設定的隱層基函數的個數偏多會造成訓練和測試的時間加長，不僅容易產生過擬合[2]，而且還會造成網絡的泛化能力下降。相反，設定偏少的話會造成神經網絡的收斂誤差變大。一般采用K-mean聚類算法來確定徑向基函數的個數和中心向量，但其依賴初始中心的選擇，只能獲得局部最優解[3]。

粒子群算法（PSO）是基于群體智能的優化算法，通過粒子間的合作與競爭的群體智能理論的優化搜索，它可以記憶所有粒子都共享的迄今為止問題的最優解[4]。PSO的優勢在于簡單且易于實現。但基本PSO的缺點在于其參數是相對固定的，會導致在優化某些函數時，造成精度差、收斂速度慢等。因此本文針對基本PSO的缺點，提出了結合慣性權重模型，將適應度擇優選取引入基本PSO算法的方法進行改進。RBF神經網絡首先采用最近鄰聚類算法來確定隱層基函數的個數，中心向量即為聚類的的均值。同時將改進的粒子群優化算法來優化最近鄰聚類算法的聚類半徑，從而確定出RBF神經網絡最優的隱層基函數和中心向量，使其不用依靠初始中心的選擇，減少了現有算法中人為因素的影響，從而有效地提高了RBF神經網絡的精度和收斂速度。獨立訓練特定的RBF網絡并合成其預測結果，可以有效得提高神經網絡表達對象的準確性[5，6]。將改進PSO優化RBF神經網絡的方法應用于人體入侵檢測識別中，通過實測數據驗證，準確率相對基本RBF神經網絡有了顯著的提高。

2 RBF神經網絡設計

2.1 RBF基本原理

RBF 神經網絡，即徑向基神經網絡，是前饋神經網絡的一種，具有三層結構，如圖 1 所示。它的基本思想是用RBF作為隱單元的“基”構成隱含層空間，將輸入矢量直接（即不需要通過權鏈接）映射到隱空間，當RBF神經網絡的中心確定之后，映射關系也就隨之確定了。隱含層的作用是把向量從低維映射到高維，這樣低維線性不可分的情況到高維就線性可分了，隱含層空間到輸出空間的映射關系是線性的。

（1）假設已經有個聚類中心，分別為：，分別計算與它們之間的距離，。

（2），即到中心的歐式距離最小。

（3）比較與的大小，如果，則就會被設定為一個新的聚類中心，如果，則按照更新，。

（4）重新選取下一個輸入的樣本數據，返回1）。

（5）所有的輸入數據取完則結束。

從上面的算法步驟來看，可以得出，隱層基函數的中心的確定，最主要的因素是聚類半徑，若過大，會造成基函數的中心個數較少的情況，從而導致網絡的收斂誤差偏大，反之則會造成基函數的中心個數較多的情況，從而導致網絡的泛化能力下降。因此本文在最近鄰聚類算法中選取合適的聚類半徑時，采用改進的粒子群算法，最后可以確定出最優的RBF神經網絡的隱層基函數的中心向量。

3 粒子群優化算法

3.1 基本粒子群優化算法

粒子群優化算法（PSO）是由Kennedy和 Eberhart于1995年提出的一種通過模仿鳥類群體捕食行為研究的群體智能算法[7]。粒子群優化算法的基本思想是通過群體中個體之間的協作和信息共享來尋找最優解[8]。它的優勢在于簡單容易實現并且沒有許多參數的調節[9]，目前已被廣泛應用于函數優化、神經網絡訓練、模糊系統控制以及其他遺傳算法的應用領域。在由 m 個粒子組成的粒子群中，每個搜索空間中的潛在的解由粒子的位置來確定，新的個體在取值時主要由粒子的當前速度、粒子群中的最優個體以及當前粒子的歷史最優解3個因素來決定，其中粒子的當前速度控制著搜索的步長，算法的全局以及全局搜索能力由其決定，對PSO的收斂速度和質量有著重要的影響；后兩者則主要用于控制搜索的方向，反映了可利用的梯度信息[10]。粒子根據如下三條原則來更新自身狀態：（1）保持自身慣性；（2）按自身的最優位置來改變狀；（3）按群體的最優位置來改變狀態。

算法描述：在一個 n維的搜索空間中，是由m個粒子組成的粒子群，其中，為第個粒子的位置為，為速度。其中，為個體極值，為種群的全局極值。接下去粒子會根據公式（6）不斷更新自己的速度，根據公式（7）不斷更新自己的位置。

3.2 慣性權重因子的引入及其改進

為改善粒子群算法的搜索性能，以及基本PSO參數固定優化某些函數時精度較差的問題，Shi和Eberhart對基本PSO算法進行了改進，在粒子的速度進化方程中引入慣性權重[11]。一般地，較大的權重有利于提高算法的全局開發能力，而較小的權重則能增強算法的局部搜索能力[12]。因此慣性權重因子對當前速度的大小起決定性因素，提升PSO性能的關鍵一環是慣性權重因子和調整策略的合理設置[13，14]。將代入公式（6）可得：

上式中，和分別代表第個粒子和最優粒子在第次迭代時相應的函數值。的計算是用來判斷目標函數的平整度[16]。由圖2可以看出，在迭代時變化越明顯，表明目標函數越不平整，相反則表示越平整。通過跟隨的變化而變化，以此來實現的動態變化。

4 基于改進PSO算法的RBF神經網絡訓練

前面提到RBF神經網絡基函數個數和中心向量難以獲取最優的缺點，本文將改進PSO算法應用到RBF神經網絡的訓練學習中，有效地提高了RBF神經網絡的精度和收斂速度，大大地增強了網絡的泛化能力。粒子群算法的神經網絡訓練過程如圖3所示。具體的優化步驟如下：

1）首先對樣本進行歸一化處理。

2）初始化。由參數，，組成粒子群，然后隨機賦上初始值，并根據這些S機值來初始化粒子群的位置和速度。

3）計算適應度值。根據得到的RBF神經網絡輸入輸出值，應用公式：

來計算粒子群的適應度值，以此來確定和。其中和分別為訓練樣本數和輸出神經元個數，、分別為第個樣本的第個分量的輸出值和期望輸出值。

4）根據公式（8）更新粒子的位置和速度，得到新的粒子群。

5）判斷優化目標是否滿足終止條件，若滿足，則結束算法；否則返回到（3）。

5 實驗驗證及結果分析

本文在對上述改進PSO算法訓練的RBF神經網絡算法進行尋優測試后發現，改進后的RBF神經網絡算法在尋找最優值時，收斂速度和精度上都優于基本RBF神經網絡算法，且大大提高了網絡的泛化能力。然后將改進后的RBF神經網絡運用到實際的人體識別檢測中來進行驗證。在實驗中，通過MLX90621紅外陣列傳感器配合電機采集一個空間在不同情況下的溫度數據作為實驗數據，每一幀有16X36個溫度數據，共測得297組數據用于訓練。下面附上其中一張實測數據結果驗證圖（見圖4）：

圖中坐標軸中顯示的溫度數據就是實測的空間溫度數據，綠色區域為熱源干擾物，紅色區域為目標。根據采集獲得的溫度數據將其分為最高溫度、最低溫度、平均溫度三類，在正常情況下，由于人體的正常溫度存在一個絕對范圍，因此結合這個絕對范圍并將分割處理后的圖像一起作為訓練的特征值對改進PSO算法訓練的RBF神經網絡進行訓練，實現了對人體目標的檢測，然后利用訓練好的RBF神經網絡直接對新的溫度數據進行分類，檢測并判斷每一幀是否有人。

下面分別采集無人無干擾和無人有熱源干擾的兩種情況下的空間溫度數據，用這兩組數據作為訓練樣本對基本RBF神經網絡和改進PSO算法訓練的RBF神經網絡進行訓練，訓練結果如表1所示：

從訓練結果來看，改進后的RBF神經網絡算法的訓練效果有了很大的提高，無論在無人無干擾還是無人有熱源干擾的數據中，測得的無人的準確率都高于基本RBF神經網絡。最后用測得的有人有熱源干擾的空間溫度數據用來進行結果驗證，驗證結果如表2所示：

重新在一個空間中測得99組有人有干擾的溫度數進行結果驗證，在基本PSO的基礎上引入慣性權重因子，對基本RBF神經網絡的訓練效果有明顯的提升，改進PSO算法訓練的RBF神經網絡算法測得有人的準確率明顯高于基本RBF神經網絡。

6 結論

對人體識別算法進行了研究，最終確定使用RBF神經網絡作為研究對象，并使用最近鄰聚類算法來確定RBF神經網絡的中心向量，成功地消除了操作時人為因素的參與。本文通過引入動態慣性權重因子對基本PSO算法進行改進，將改進PSO算法訓練的RBF神經網絡與基本RBF神經網絡進行對比，對比訓練的過程及結果可以得出，改進后的RBF神經網絡在訓練效果上有了很大的提升，精度、收斂速度以及穩定性都優于基本RBF神經網絡。最后將改進后的RBF神經網絡應用到人體入侵檢測識別中，經過實測數據驗證，雖然改進PSO算法訓練的RBF神經網絡在排除干擾的問題上提升不是非常明顯，但是識別的準確率有了很大的提高，說明改進后的RBF神經網絡更加適用于低精度且計算量少的人體入侵檢測識別中。

參考文獻：

[1]SimonHaykin.Neural Networks：A comprehensive Foundation，SecondEdition[M]. U.S：Prentive Hall，1988.

[2]段其昌.一種改進PSO優化RBF神經網絡的新方法[J]計算機仿真，2009，26（12）：126-129.

[3]Y Moddy and C J Darken. Fast learning in network of locally tuned processing unites [C] .Neural Computation，1989（01）：281-294.

[4]Kennedy J and R C Eberhart. Particle swarm optimization[C]. Conf.Neural Networks.1995.1942-1948.

[5]王桂洋，張亞庭.基于APSO優化算法的 GCHP 系統神經網絡預測控制[J].計算機測量與控制，2014，22（01）：106-108.

[6]譚子平.基于白適應權值神經網絡的 PID 參數優化[J].計算機光盤軟件與應用，2014，17（07）：97-98.

[7]皮倩瑛，葉洪濤.一種動態調節慣性權重的粒子群算法[J].廣西科技大學學報，2016，27（03）：26-31.

[8]胡珀，婁淵勝.改進粒子群優化算法在服務組合中的應用[J].計算機工程，2011，37（17）：130-133.

[9]任圓圓，劉培玉，薛素芝.一種新的自適應動態文化粒子群優化算法[J]. 計算機應用研究，2013（30）11：3240-3243.

[10]于海鵬，翟紅生.基于混合策略的自適應粒子群優化算法[J].計算機工程與設計，2014，35（07）：2552-2556.

[11]Shi Y，Eberhart R C.A Modified Particle Swarm Op-timizer[C]/ / Proceedings of the IEEE Congress onEvolutionary Computation.Now York： IEEE，1998：303-308.

[12]羅金炎.粒子群優化算法慣性權重的一種動態調整策略[J]沈陽化工大大學學報，2013（04）：371-375.

[13]De Silva I J，Rider IM J，Romero R，et al.Transmission network expansion planning with security constraints[J].IEEE Proc Gener Transm Distrib，2005，152（6）：828-836.

[14]左浩，李雯.混沌粒子群與模糊聚類在圖像分割中的應用[J].計算機工程與應用，2012，48（02）：194-196.

[15]田雨波.混合神經網絡技術[M].北京：科學出版社，2009.

第8篇：神經網絡的思想范文

關鍵詞：電阻點焊；神經網絡；消音鋸片

0序言

電阻點焊過程是一個高度非線性，既有多變量靜態疊加又有動態耦合，同時又具有大量隨機不確定因素的復雜過程。這種復雜性使得傳統方法確定最佳工藝參數存在操作復雜、精度低等缺陷。

本文通過深入研究提出了一種神經網絡優化消音鋸片電阻點焊工藝參數方法。以試驗數據為樣本，通過神經網絡，建立焊接工藝參數與焊接性能之間的復雜模型，充分發揮神經網絡的非線性映射能力。為準確預測點焊質量提高依據。在運用試驗手段、神經網絡高度非線性擬合能力結合的方式，能在很大程度上克服傳統方法的缺陷，完成網絡的訓練、檢驗和最優評價，為電阻點焊過程的決策和控制提供可靠依據。

1原理

人工神經網絡是用物理模型模擬生物神經網絡的基本功能和結構，可以在未知被控對象和業務模型情況下達到學習的目的。建立神經網絡是利用神經網絡高度并行的信息處理能力，較強的非線性映射能力及自適應學習能力，同時為消除復雜系統的制約因素提供了手段。人工神經網絡在足夠多的樣本數據的基礎上，可以很好地比較任意復雜的非線性函數。另外，神經網絡的并行結構可用硬件實現的方法進行開發。目前應用最成熟最廣泛的一種神經網絡是前饋多層神經網絡（BP），通常稱為BP神經網絡。

神經網絡方法的基本思想是：神經網絡模型的網絡輸入與神經網絡輸出的數學關系用以表示系統的結構參數與系統動態參數之間的復雜的物理關系，即訓練。我們發現利用經過訓練的模型進行權值和閾值的再修改和優化（稱之為學習）時，其計算速度要大大快于基于其他優化計算的速度。

BP神經網絡一般由大量的非線性處理單元——神經元連接組成的。具有大規模并行處理信息能力和極強的的容錯性。每個神經元有一個單一的輸出，但可以把這個輸出量與下一層的多個神經元相連，每個連接通路對應一個連接權系數。根據功能可以把神經網絡分為輸入層，隱含層（一或多層），輸出層三個部分。設每層輸入為ui(q)輸出為vi(q)。同時，給定了P組輸入和輸出樣本 ，dp（p=200）。

（6）

該網絡實質上是對任意非線性映射關系的一種逼近，由于采用的是全局逼近的方法，因而BP網絡具有較好的泛化的能力。

我們主要是利用神經網絡的非線性自適應能力，將它用于消音鋸片的電阻點焊過程。訓練過程是：通過點焊實驗獲得目標函數與各影響因素間的離散關系，用神經網絡的隱式來表達輸入輸出的函數關系，即將實驗數據作為樣本輸入網絡進行訓練，建立輸入輸出之間的非線性映射關系，并將知識信息儲存在連接權上，從而利用網絡的記憶功能形成一個函數。不斷地迭代可以達到sse（誤差平方和）最小。

我們這次做的消音金剛石鋸片電焊機，通過實驗發現可以通過采用雙隱層BP神經網絡就可以很好的反應輸入輸出參數的非線性關系。輸入神經元為3，分別對應3個電阻點焊工藝參數。輸出神經元為1，對應焊接質量指標參數。設第1隱含層神經元取為s1，第2隱含層神經元取為s2。輸入層和隱含層以及隱層之間的激活函數都選取Log-Sigmoid型函數，輸出層的激活函數選取Pureline型函數。

2點焊樣本的選取

影響點焊質量的參數有很多，我們選取點焊時的控制參數，即點焊時間，電極力和焊接電流，在固定式點焊機上進行實驗。選用鋼種為50Mn2V，Φ600m的消音型薄型圓鋸片基體為進行實驗。對需要優化的參數為點焊時間，電極力和焊接電流3個參數進行的訓練。最后的結果為焊接質量，通常以鋸片的抗拉剪載荷為指標。

建立BP神經網絡時，選擇樣本非常重要。樣本的選取關系到所建立的網絡模型能否正確反映所選點焊參數和輸出之間的關系。利用插值法，將輸入變量在較理想的區間均勻分布取值，如果有m個輸入量，每個輸入量均勻取n個值（即每個輸入量有m個水平數）， 則根據排列組合有nm個樣本。對應于本例，有3個輸入量，每個變量有5個水平數，這樣訓練樣本的數目就為53=125個。

我們的實驗，是以工人的經驗為參考依據，發現點焊時間范圍為2~8s，電極力范圍為500~3000N，點焊電流范圍為5~20kA時，焊接質量比較好。我們先取點焊電流，電極力為定量，在合理的范圍內不斷改變點焊時間，得到抗拉剪載荷。如此，可以得到不同點焊電流和電極力的抗拉剪載荷。根據點焊數據的情況，我們共選用200組數據。部分測試數據如表1：

神經網絡建模的關鍵是訓練，而訓練時隨著輸入參數個數的增加樣本的排列組合數也急劇增加，這就給神經網絡建模帶來了很大的工作量，甚至于無法達到訓練目的。

3神經網絡

我們用200組訓練樣本對進行神經網絡訓練，以err_goal=0.01為目標。調用Matlab神經網絡工具箱中的函數編程計算，實現對網絡的訓練，訓練完成后便得到一個網絡模型。

程序

x1=[2.1 2.5 3 3.5 4……]； %點焊時間輸入，取200組

x2=[1.3 1.5 1.9 2.1 2.3……]；%電極力輸入，取200組

x3=[9 10 11 12 13……];%點焊電流輸入，取200組

y=[2756 3167 3895 3264 2877……]； %輸出量，取200組

net=newff([1 10;0.5 3;5 20]，[10 10 1]，{‘tansig‘‘tansig‘‘purelin‘});

%初始化網絡 轉貼于

net.trainParam.goal = 0.01;%設定目標值

net=train(net，[x1;x2;x3]，y);%訓練網絡

figure； %畫出圖像

選取不同的s1，s2，經過不斷的神經網絡訓練，發現當s1=8，s2=6時，神經網絡可以達到要求。工具箱示意圖如下圖1。

圖 1工具箱示意圖

工具箱示意圖非常清晰地表示了本實驗的神經網絡的輸入，輸出以及訓練的過程。

神經網絡的訓練結果，如圖2所示:

圖2神經網絡的學習過程

圖中可以看出雙層網絡訓練的sse在訓練100次時，已經接近0.0001，效果較理想。

為了驗證經過訓練的網絡模型的泛化能力，在輸入變量所允許的區域內又另選多個樣本進行了計算。發現：利用BP神經網絡模型計算的測試輸出與期望輸出值相符，誤差小于2％。

在已經訓練好的網絡中找出最大值：

for i=2:10 %點焊時間選擇

for j=0.5:0.1:3%電極力選擇

fork=5:0.1:20%點焊電流選擇

a=sim(net，[i，j，k])；%仿真

ifan %比較仿真結果與最大值，取最大值n=a；

i(1)=i；%最大值的時間

j(1)=j；%最大值的電極力

k(1)=k； %最大值的電流

end

end

end

end

將i（1），j（1），k（1）以及n輸出，n為最大值。得到點焊時間為3.4s，電極力為12.7kN，點焊電流為11.8kA，此時的抗剪拉剪載荷為4381N，為訓練結果的最大值。將點焊時間為3.4s，電極力為12.7kN，點焊電流為11.8kA在點焊機上進行實驗，得到結果為4297N。并且通過與實際的結果相比較，發現誤差也在2%以內。

4結論

1）本文采用了插值法作為選取BP神經網絡訓練樣本的方法。并且在數據變化劇烈的地方多選取了75組數據，這樣可以得到較高精度的網絡模型，使點焊模型的可行性。

2）基于此方法建立了三個點焊參數的BP神經網絡模型，而且所建的BP模型具有較高的精度，可以很好的描述了這三個點焊參數與點焊質量的映射關系。

3）由于神經網絡模型將系統結構參數與傳統動態特性參數之間的物理關系，反映為神經網絡模型的網絡輸入與網絡輸出的數學關系，因此，在神經網絡模型上進行結構修正與優化比在其他模型上更直接，簡單與高效。

本文采用神經網絡的方法優化復合消音鋸片的點焊工藝參數，為分析點焊質量提供了很好的輔助手段。通過與以前工藝相比較，提高了點焊質量。

參考文獻

[1] 方平，熊麗云.點焊電流有效值神經網絡實時計算方法研究.[J].機械工程學報，2004（11）.148-152.

第9篇：神經網絡的思想范文

 

目前國內外常用的信息安全風險評價模型主要由層次分析法(AHP)、基于概率統計的ALE算法，模糊綜合評價法等，也取得了一定的研究成果。但上述算法的基本思想是基于線性映射和概率密度分布的，即各風險指標與最終評價結果之間存在著線性關系[2]。然而，這種關系的存在是否科學至今也沒有得到準確的答復，同時這些方法在實施時雖然給出了定量計算的算法，但操作較為繁瑣，難以達到快速識別的要求。目前應用較廣泛的BP神經網絡評價算法存在著網絡參數難確定、收斂速度較慢且易陷入極小值等問題。為了解決上述問題，本文應用魚群算法對BP神經網絡進行了改進，結合信息安全評價實例進行了測試，并將測試數據與標準BP神經網絡進行了比較與分析，取得了理想的結果。

 

一、信息安全的概念

 

所謂的信息安全評估指的是通過分析信息系統所包含的資產總值、識別系統本身的防御機制以及所受到的危險性系數，利用數學模型綜合判斷出系統當前的風險值。信息安全風險評估主要包括三方面的內容，分別是資產總值識別、外部威脅識別以及脆弱性識別。資產總值識別是為了識別出系統所涉及的資產總值，外部威脅識別指的是識別當前狀態下系統受攻擊或威脅的程度，而脆弱性識別指的是系統自身的脆弱性程度。其中綜合考慮外部威脅以及內部脆弱性可以得出發生風險事件的危害性，而自然總值識別再加上脆弱性識別就可以得到系統的易損性，基于上述過程可以得到信息安全系統的風險值。

 

二、基本BP神經網絡算法

 

BP神經網絡算法是一種采用誤差反向傳播的多層前饋感知器。其特點是具有分布式的信息存儲方式，能進行大規模并行處理，并具有較強的自學習及自適應能力。BP網絡由輸入層(感知單元)、計算層(隱藏層)、輸出層三部分組成。輸入層神經元首先將輸入信息向前傳遞至隱含層節點，經過激活函數預處理后，隱層節點再將輸出信息傳送至輸出層得到結果輸出。輸入層與輸出層節點的個數取決于輸入、輸出向量的維數，隱含層節點個數目前并沒有統一的標準進行參考，需通過反復試錯來確定。根據Kolmogorov定理，具有一個隱層的三層BP神經網絡能在閉集上以任意精度逼近任意非線性連續函數，所以本文選擇單隱層的BP神經網絡。

 

三、人工魚群算法

 

3.1基本原理

 

通過對魚類覓食的觀察可知，魚類一般能自行或者尾隨其他同伴找到食物數量相對充足的地方。因此，一般魚類數量較多的地區即為食物相對充足的區域。人工魚群算法是指通過長期對魚類覓食行為的觀察，構造人工魚來模擬魚類的覓食、群聚、尾隨以及隨機行為，從而完成全局最優值的尋找。算法所包含的基本過程如下：

 

覓食行為：魚類會利用視覺或嗅覺來感知水中食物濃度的高低，以此來選擇覓食的路線。

 

聚群行為：魚類一般會以群體形式進行覓食，以此來躲避天敵的傷害并以最大概率獲得準確的覓食路線。

 

尾隨行為：當群體中的某條魚或幾條魚尋找到食物后，其附近的其他同伴會立刻尾隨而來，其他更遠處的魚也會相繼游過來。

 

隨機行為：魚在水中的活動是不受外界支配的，基本上處于隨機狀態，這種隨機性有利于魚類更大范圍的尋找食物及同伴。

 

3.2 魚群算法優化BP神經網絡的原理

 

BP神經網絡在求解最優化問題時容易陷入局部極值，并且網絡的收斂速度較慢。魚群算法通過設定人工魚個體，模擬魚群在水中的覓食、尾隨和群聚行為，通過個體的局部尋優，最終實

 

現全局尋優。人工魚在不斷感知周圍環境狀況及

 

同伴狀態后，集結在幾個局部最優點處，而值較大的最優點附近一般會匯集較多的人工魚，這有

 

助于判斷并實現全局最優值的獲取。因此用人工魚群算法來優化BP神經網絡是一種合理的嘗試。

 

3.3 具體工作步驟

 

人工魚群算法用于優化神經網絡時的具體步驟如下：

 

①設定BP神經網絡結構，確定隱層節點數目;

 

②設定人工魚參數，主要包括個體間距離、有效視線范圍以及移動步長等;

 

③人工魚進行覓食、群聚及尾隨行為來優化BP神經網絡;

 

④通過設定的狀態參量，判斷是否達到目標精度;

 

⑤若達到精度要求則輸出網絡優化權值，并執行網絡循環，否則繼續改化參數進行優化;

 

⑥輸出最終優化參數并進行計算機網絡安全評價。

 

四、仿真實驗

 

將信息安全風險評估常用的3項評價指標的分值作為BP神經網絡的輸入，網絡的期望輸出只有一項，即安全綜合評價分值。目前用于信息安全風險評價的數據還很少，本文采用文獻[3]所列的15組典型信息安全單項指標評價數據，其中1-10項作為訓練，11-15項用于仿真。通過實際實驗分析，本文將權值調整參數α=0.1，閾值調整參數β=0.1，隱層神經元數目為6，學習精度ε=0.0001。網絡經過2000次訓練，收斂于所要求的誤差，人工魚群算法的相關參數： 種群大小為39;可視域為0.8;最大移動步長為0.6;擁擠度因子為3.782。然后對檢驗樣本及專家評價樣本進行仿真，結果如表1所示。可以看出，魚群神經網絡得到的仿真結果與期望值之間的平均誤差為0.001，而標準BP神經網絡為0.0052，所以魚群神經網絡的得到的仿真精度較高，取得了理想的實驗結果。

 

五、結論

 

本文將魚群算法和神經網絡結合起來對信息安全評價進行了研究，得到了如下幾個結論：

 

(1) 基于魚群算法優化后的BP神經網絡具有收斂速度快、擬合精度高等優點，克服了標準BP神經網絡收斂速度慢、容易陷入局部極小值的缺點。同時，優化算法編碼過程簡單，并具有較強的魯棒性。

 

(2) 本文采用的實驗數據僅有15個，基于魚群算法優化后的BP神經網絡精度有明顯提高，避免了由于樣本數量少造成的擬合精度低等缺點。

 

(3) 通過將標準BP神經網絡算法與魚群神經網絡算法進行對比發現，后者的收斂速度明顯加快并且自組織能力也有一定提高，在實際的工程建設中可以將其代替傳統的BP神經網絡算法來進行信息安全的風險評估。