常見的神經(jīng)網(wǎng)絡(luò)算法精選(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常見的神經(jīng)網(wǎng)絡(luò)算法主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：常見的神經(jīng)網(wǎng)絡(luò)算法范文

【關(guān)鍵詞】遺傳算法；BP神經(jīng)網(wǎng)絡(luò)；柴油機(jī)；故障診斷

柴油機(jī)缸蓋振動(dòng)信號中包含著豐富的工作狀態(tài)信息，在對其現(xiàn)代診斷技術(shù)中，基于振動(dòng)信號分析的診斷方法顯示出了其優(yōu)越性，利用缸蓋振動(dòng)信號診斷柴油機(jī)故障是一種有效方法。故障特征的提取和故障類型的識別是利用振動(dòng)信號分析法在對柴油機(jī)進(jìn)行故障診斷過程中兩個(gè)最為重要的過程。根據(jù)提取的故障特征識別柴油機(jī)的故障類型是一個(gè)典型的模式識別問題，對柴油機(jī)故障類型識別采用恰當(dāng)?shù)哪Ｊ阶R別方法就尤為重要。神經(jīng)網(wǎng)絡(luò)作為一種自適應(yīng)的模式識別技術(shù)，其通過自身的學(xué)習(xí)機(jī)制自動(dòng)形成所要求的決策區(qū)域，而不需要預(yù)先給出有關(guān)模式的經(jīng)驗(yàn)知識和判斷函數(shù)；它可以充分利用狀態(tài)信息，對來自于不同狀態(tài)的信息逐一進(jìn)行訓(xùn)練而獲得某種映射關(guān)系。鑒于其自身特性，在故障模式識別領(lǐng)域中有著越來越廣泛的應(yīng)用。而據(jù)統(tǒng)計(jì)，有80%～90%的神經(jīng)網(wǎng)絡(luò)模型都是采用了BP網(wǎng)絡(luò)或者是它的變形。BP網(wǎng)絡(luò)是前向網(wǎng)絡(luò)的核心部分，是神經(jīng)網(wǎng)絡(luò)中最精華、最完美的部分。但是它也存在一些缺陷，例如學(xué)習(xí)收斂速度、不能保證收斂到全局最小點(diǎn)、網(wǎng)絡(luò)結(jié)構(gòu)不易確定。遺傳算法是一種基于生物自然選擇與遺傳機(jī)理的隨機(jī)搜索算法。其基本操作是選擇、交叉和變異，核心內(nèi)容是參數(shù)編碼、初始群體的設(shè)定、適應(yīng)度函數(shù)的設(shè)計(jì)、遺傳操作設(shè)計(jì)和控制參數(shù)的設(shè)定。遺傳算法通過種群隨機(jī)搜索，對數(shù)據(jù)進(jìn)行并行處理，將結(jié)果收斂到全局最優(yōu)解。因此，將遺傳算法與BP神經(jīng)網(wǎng)絡(luò)結(jié)合應(yīng)用于柴油機(jī)故障診斷中，可以提高網(wǎng)絡(luò)的性能，避免網(wǎng)絡(luò)陷入局部極小解，進(jìn)而實(shí)現(xiàn)對設(shè)備故障的識別。

1 BP神經(jīng)網(wǎng)絡(luò)

1.1 BP神經(jīng)元模型在柴油機(jī)故障診斷中的應(yīng)用

BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋型神經(jīng)網(wǎng)絡(luò)，其神經(jīng)元的傳遞是S型函數(shù)，輸出量為0至1之間的連續(xù)量，它可以實(shí)現(xiàn)從輸入到輸出的任意非線性映射。由于權(quán)值的調(diào)整采用反向傳播學(xué)習(xí)算法，因此也稱為其為BP網(wǎng)絡(luò)。

圖1 BP神經(jīng)元模型

上圖給出一個(gè)基本的BP神經(jīng)元模型，它具有R個(gè)輸入，每個(gè)輸入都通過一個(gè)適當(dāng)?shù)臋?quán)值和ω下一層相連，網(wǎng)絡(luò)輸入可表示為：

a=f（wp+b）

f就是表示輸入/輸出關(guān)系的傳遞函數(shù)。

BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)與所有影響齒輪故障的特征因素有關(guān)。柴油機(jī)運(yùn)動(dòng)部件多而復(fù)雜，激勵(lì)源眾多且其頻率范圍寬廣，加之噪聲的融入，使得柴油機(jī)表面振動(dòng)信號極為復(fù)雜?；谶@種特點(diǎn)，可以確定用于柴油機(jī)故障診斷的BP神經(jīng)網(wǎng)絡(luò)的輸入層、輸出層隱含層以及節(jié)點(diǎn)數(shù)等。由小波包提取各柴油機(jī)故障的特征值作為輸入節(jié)點(diǎn)，輸出節(jié)點(diǎn)數(shù)目與柴油機(jī)故障類別的數(shù)目有關(guān)。

1.2 BP神經(jīng)網(wǎng)絡(luò)與遺傳算法

BP神經(jīng)網(wǎng)絡(luò)又稱為反向傳播算法，其算法數(shù)學(xué)意義明確、步驟分明，是神經(jīng)網(wǎng)絡(luò)中最為常用、最有效、最活躍的一種網(wǎng)絡(luò)模型。常用方法梯度下降法和動(dòng)量法，但是梯度下降法訓(xùn)練速度較慢，效率比較低，訓(xùn)練易陷入癱瘓，而且其實(shí)質(zhì)是單點(diǎn)搜索算法，不具有全局搜索能力；動(dòng)量法因?yàn)閷W(xué)習(xí)率的提高通常比單純的梯度下降法要快一些，但在實(shí)際應(yīng)用中速度還是不夠；BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練開始時(shí)網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)是隨機(jī)給定的，因此結(jié)果存在一定的隨機(jī)性。

遺傳算法（Genetic Algorithm，GA）是模擬達(dá)爾文的遺傳選擇和自然淘汰的生物進(jìn)化過程的計(jì)算模型，它是由美國密歇根大學(xué)的J.Holland 教授于1975年首先提出來的，遺傳算法具有很強(qiáng)的宏觀搜索能力和良好的全局優(yōu)化性能，因此將遺傳算法與BP神經(jīng)網(wǎng)絡(luò)結(jié)合，訓(xùn)練時(shí)先用遺傳算法對神經(jīng)網(wǎng)絡(luò)的權(quán)值進(jìn)行尋找，將搜索范圍縮小后，再利用BP網(wǎng)絡(luò)來進(jìn)行精確求解，可以達(dá)到全局尋找和快速高效的目的，并且可以避免局部極小點(diǎn)問題。該算法不僅具有全局搜索能力，而且提高了局部搜索能力，從而增強(qiáng)了在搜索過程中自動(dòng)獲取和積累搜索空間知識及自應(yīng)用地控制搜索的能力，從而使結(jié)果的性質(zhì)得以極大的改善。

2 基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)

遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)主要分為：BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)確定、遺傳算法優(yōu)化權(quán)值和閥值、BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練及預(yù)測。其中，BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)是根據(jù)樣本的輸入/輸出個(gè)數(shù)確定的，這樣就可以確定遺傳算法優(yōu)化參數(shù)的個(gè)數(shù)，從而確定種群個(gè)體的編碼長度。因?yàn)檫z傳算法優(yōu)化參數(shù)是BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閥值，只要網(wǎng)絡(luò)結(jié)構(gòu)已知，權(quán)值和閥值的個(gè)數(shù)就已知了。神經(jīng)網(wǎng)絡(luò)的權(quán)值和閥值一般是通過隨機(jī)初始化為[-0.5，0.5]區(qū)間的隨機(jī)數(shù)，這個(gè)初始化參數(shù)對網(wǎng)絡(luò)訓(xùn)練的影響很大，但是又無法準(zhǔn)確獲得，對于相同的初始權(quán)重值和閥值，網(wǎng)絡(luò)的訓(xùn)練結(jié)果是一樣的，引入遺傳算法就是為了優(yōu)化出最佳的初始權(quán)值和閥值。

2.1 基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)在柴油機(jī)故障診斷中的應(yīng)用

通過基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)建立小波包特征量與故障之間的對應(yīng)關(guān)系。表1為柴油機(jī)常見故障在不同頻段的能量分布，構(gòu)成了人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本。表2為網(wǎng)絡(luò)輸出樣本，“0”代表沒有故障，“1”代表發(fā)生故障。利用表1中的訓(xùn)練樣本對基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，經(jīng)1000次訓(xùn)練達(dá)到了理想訓(xùn)練效果。

表1 訓(xùn)練樣本

表2 網(wǎng)絡(luò)理想輸出

表3 待診斷的故障樣本

表4 診斷結(jié)果

將表3中的待診斷的故障樣本輸入到已經(jīng)訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)，得到診斷結(jié)果如表4所示。第1組待診斷的信號第1個(gè)輸出節(jié)點(diǎn)接近1，可以根據(jù)訓(xùn)練樣本結(jié)果判斷該組數(shù)據(jù)故障為供油提前角晚；第2組待診斷的信號第4個(gè)輸出節(jié)點(diǎn)接近1，根據(jù)訓(xùn)練樣本結(jié)果可以判斷該組數(shù)據(jù)故障類型為供油提前角早；第3組待診斷的信號第7個(gè)數(shù)據(jù)節(jié)點(diǎn)接近1 ，可以判斷故障類型為針閥卡死，其診斷結(jié)果和現(xiàn)場勘查結(jié)果一致。

3 結(jié)語

遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的目的是通過遺傳算法得到更好的網(wǎng)絡(luò)初始值和閥值。通過以上研究可以看出，遺傳算法和BP算法有機(jī)的融合，可以有效地彌補(bǔ)BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)、權(quán)值和閥值選擇上的隨機(jī)性缺陷，充分利用了遺傳算法的全局搜索能力和BP神經(jīng)網(wǎng)絡(luò)的局部搜索能力，克服了傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)柴油機(jī)故障診斷的缺點(diǎn)，提高了柴油機(jī)故障診斷的精度。

【參考文獻(xiàn)】

第2篇：常見的神經(jīng)網(wǎng)絡(luò)算法范文

1.1混合神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)本文提出的混合神經(jīng)網(wǎng)絡(luò)是在CC神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，在隱含層的生成中增加了乘算子的部分以提高神經(jīng)網(wǎng)絡(luò)非線性辨識能力。乘算子和加算子結(jié)構(gòu)上的自增長基本相互獨(dú)立，既保留了原CC神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)，同時(shí)也使得乘算子的特點(diǎn)得到發(fā)揮?；旌仙窠?jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖3所示，網(wǎng)絡(luò)的隱含層由兩種不同類型的算子(乘算子和加算子)共同構(gòu)成。這種混合隱含層根據(jù)構(gòu)成的算子類型分為加法部分和乘法部分。通過相關(guān)性s來確定其中一個(gè)隱含層部分增加節(jié)點(diǎn)，加法部分采用級聯(lián)結(jié)構(gòu)與原CC神經(jīng)網(wǎng)絡(luò)相同，乘法部分采用單層結(jié)構(gòu)避免其階數(shù)過高，最后兩個(gè)隱含層的輸出同時(shí)作為輸出節(jié)點(diǎn)的輸入進(jìn)行輸出。

1.2引導(dǎo)型粒子群算法針對混合隱含層的結(jié)構(gòu)、權(quán)值和閾值的求取,本文提出了一種新的引導(dǎo)型粒子群算法（GQPSOI）。GQPSOI通過控制粒子i和j之間的距離來保證粒子不會收斂得太快從而陷入局部極小值，同時(shí)根據(jù)各粒子p(i,:)和p(j,:)之間的距離D(i,j)以及粒子間平均距離D來計(jì)算淘汰度Ew決定淘汰粒子并對其進(jìn)行量子化更新。

1.3混合神經(jīng)網(wǎng)絡(luò)算法流程混合神經(jīng)網(wǎng)絡(luò)的自增長過程如圖4所示。網(wǎng)絡(luò)增長的具體步驟如下。（1）網(wǎng)絡(luò)結(jié)構(gòu)初始化。網(wǎng)絡(luò)中只有輸入層和輸出層，無隱含層，如圖4(a)所示。（2）使用GQPSOI算法訓(xùn)練輸出權(quán)值。（3）對網(wǎng)絡(luò)性能進(jìn)行判斷，如滿足要求，則算法結(jié)束，網(wǎng)絡(luò)停止增長，如圖4(d)所示，否則轉(zhuǎn)到下一步。（4）建立隱含層節(jié)點(diǎn)候選池(內(nèi)含一個(gè)乘算子和一個(gè)加算子)，分別將候選隱含層節(jié)點(diǎn)代入網(wǎng)絡(luò)結(jié)構(gòu)并使用GQPSOI算法以最大相關(guān)性原理訓(xùn)練兩個(gè)候選節(jié)點(diǎn)，分別計(jì)算兩個(gè)候選節(jié)點(diǎn)與現(xiàn)有殘差Ep,o的相關(guān)性s。（5）選擇相關(guān)性s最大的候選節(jié)點(diǎn)，作為新的隱節(jié)點(diǎn)加入網(wǎng)絡(luò)結(jié)構(gòu)，如圖4(b)、(c)所示，并固定新隱節(jié)點(diǎn)的輸入權(quán)值。轉(zhuǎn)移到步驟（2），對整個(gè)網(wǎng)絡(luò)的輸出權(quán)值進(jìn)行調(diào)整。

2混合神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)性能測試

2.1GQPSOI算法性能測試首先應(yīng)用幾個(gè)經(jīng)典函數(shù)[9]對GQPSOI算法的性能進(jìn)行了評價(jià)，并將實(shí)驗(yàn)結(jié)果與幾種常見的算法進(jìn)行了對比。這些函數(shù)包括：F1（Sphere函數(shù)）、F2(Rosenbrock函數(shù))、F3(Rastrigin函數(shù))、F4(Griewank函數(shù))、F5(Ackley函數(shù))，評價(jià)函數(shù)的維數(shù)為10。經(jīng)過30次獨(dú)立運(yùn)行實(shí)驗(yàn)，每次的函數(shù)評價(jià)次數(shù)（FEs）[12]為100000。表1給出了GQPSOI算法與離子群算法（PSO），遺傳算法（GA）以及差分進(jìn)化法（DE）在30次獨(dú)立運(yùn)行評價(jià)試驗(yàn)中得到最優(yōu)值的平均值和標(biāo)準(zhǔn)差。從表1中可以看出，在F2的實(shí)驗(yàn)中GQPSOI算法在30次獨(dú)立運(yùn)行中的平均值為7.746×10−12，這一結(jié)果明顯優(yōu)于PSO算法的29.55和GA算法的97.19，略優(yōu)于DE的2.541×10−11。從F1、F3、F4、F5的實(shí)驗(yàn)結(jié)果也都可以看出GQPSOI算法明顯優(yōu)于其他算法。實(shí)驗(yàn)證明了GQPSOI算法的有效性和適用性，能夠應(yīng)用于神經(jīng)網(wǎng)絡(luò)的參數(shù)和結(jié)構(gòu)調(diào)整。

2.2燃料電池的建模實(shí)驗(yàn)

2.2.1基于燃料電池輸出電壓的模型質(zhì)子交換膜燃料電池[13-15]作為一種高效的清潔能源，在過去的幾十年里取得了巨大的進(jìn)展。在正常操作條件下，一片單電池可以輸出大約0.5～0.9V電壓。為了應(yīng)用于實(shí)際能源供應(yīng)，有可能需要將多片單電池串聯(lián)在一起。具有級聯(lián)結(jié)構(gòu)的質(zhì)子交換膜燃料電池實(shí)驗(yàn)裝置如圖5所示。從圖5可以看出，電池引出電流I，電池溫度T，H2和O2壓力PH2和PO2會影響電池電壓。將混合神經(jīng)網(wǎng)絡(luò)用于質(zhì)子交換膜燃料電池的軟測量建模，選用電池引出電流I，電池溫度T，H2和O2壓力PH2和PO2會影響電池電壓的變量作為輸入變量。將56片單電池的串聯(lián)輸出電壓作為其輸出，模型的目標(biāo)函數(shù)取實(shí)際輸出值與模型輸出值得均方根誤差(使其最小)。混合神經(jīng)網(wǎng)絡(luò)中加法部分以及輸出層的神經(jīng)元傳遞函數(shù)采用S型函數(shù)，GQPSOI算法中設(shè)置種群數(shù)30，最大迭代步長為1000，引導(dǎo)粒子起作用的概率設(shè)置為2%。圖6為5kW質(zhì)子交換膜燃料電池堆的實(shí)驗(yàn)裝置。該實(shí)驗(yàn)系統(tǒng)采用增濕器與電池堆分體設(shè)置，參數(shù)檢測采用傳感器-直讀式儀表方式，氣體和水的流量測量采用轉(zhuǎn)子流量計(jì)，電堆采用電阻負(fù)載，可直接測量電堆的輸出電流、電壓或功率。電池堆參數(shù)見表2。

2.2.2結(jié)果與分析實(shí)驗(yàn)條件如表3所示。取燃料電池裝置輸出的前100個(gè)值作為訓(xùn)練樣本，后100個(gè)值作為測試樣本。分別用CC神經(jīng)網(wǎng)絡(luò)，CC-GQPSOI和混合神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，當(dāng)訓(xùn)練目標(biāo)函數(shù)小于0.1或最大隱含層節(jié)點(diǎn)數(shù)達(dá)到30時(shí)網(wǎng)絡(luò)停止增長，訓(xùn)練結(jié)束。表4給出了其最大相對誤差和均方根誤差的對比。圖7顯示了最終訓(xùn)練預(yù)測數(shù)據(jù)與輸出數(shù)據(jù)之間的對比。從表4可以看出CC-GQPSOI和混合神經(jīng)網(wǎng)絡(luò)分別在隱含層節(jié)點(diǎn)數(shù)為4和6時(shí)達(dá)到訓(xùn)練要求，相較于CC神經(jīng)網(wǎng)絡(luò)的30個(gè)隱含層節(jié)點(diǎn)具有較小的網(wǎng)絡(luò)結(jié)構(gòu)。同時(shí)CC-GQPSOI和混合神經(jīng)網(wǎng)絡(luò)的均方根誤差(3.0723×10−2和3.8606×10−2)也相較于CC神經(jīng)網(wǎng)絡(luò)的均方根誤差(1.0354)具有更高的精度。從圖8和圖9的泛化結(jié)果來看，混合神經(jīng)網(wǎng)絡(luò)的預(yù)測誤差保持在0.7以內(nèi)，相對誤差(絕對誤差與被測量真值之比)保持在1.25%以內(nèi)。CC-GQPSOI的誤差在1以內(nèi)。相對誤差保持在3%以內(nèi)。從實(shí)驗(yàn)結(jié)果可以看出，混合神經(jīng)網(wǎng)絡(luò)可以精確地預(yù)測出燃料電池裝置的輸出，反映了實(shí)際工況，具有良好的應(yīng)用前景。

3結(jié)論

第3篇：常見的神經(jīng)網(wǎng)絡(luò)算法范文

關(guān)鍵詞： 坦克傳動(dòng)系統(tǒng)； 齒輪箱； 故障診斷； 遞歸神經(jīng)網(wǎng)絡(luò)

中圖分類號： TN911?34 文獻(xiàn)標(biāo)識碼： A 文章編號： 1004?373X（2013）20?0033?05

0 引 言

作為機(jī)械設(shè)備重要結(jié)構(gòu)部件之一的齒輪箱，維修保養(yǎng)工作量大；由于容易受安裝位置、運(yùn)行工況等復(fù)雜因素的影響，故障與征兆間的關(guān)系不很明確，是非線性映射關(guān)系；且不解體診斷技術(shù)的實(shí)現(xiàn)也相當(dāng)復(fù)雜。因此，齒輪箱的故障診斷是一個(gè)非常復(fù)雜的問題，對此技術(shù)的深入研究，具有重要的理論意義、學(xué)術(shù)價(jià)值和廣闊的應(yīng)用前景[1?2]。

作為一種有效的模式識別技術(shù)，BP神經(jīng)網(wǎng)絡(luò)模型具有其特定的優(yōu)勢：較強(qiáng)的自學(xué)習(xí)、自適應(yīng)、聯(lián)想記憶和非線性模式識別能力，在多故障、多征兆復(fù)雜模式識別方面顯示出極大應(yīng)用潛力，因而被廣泛應(yīng)用到齒輪箱故障診斷方面。標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)具有一定的局限性：收斂速度太慢；不能保證收斂到最小點(diǎn)；學(xué)習(xí)記憶不穩(wěn)定。

本文主要實(shí)現(xiàn)了某新型號坦克傳動(dòng)系統(tǒng)的齒輪箱的故障診斷。為實(shí)現(xiàn)齒輪箱的智能化故障診斷建立基礎(chǔ)，首先從坦克齒輪箱的故障特點(diǎn)分析入手，然后研究了帶有偏單元的遞歸神經(jīng)網(wǎng)絡(luò)理論，建立了基于帶有偏單元的遞歸神經(jīng)網(wǎng)絡(luò)的齒輪箱故障診斷模型，最后，將數(shù)據(jù)采集器現(xiàn)場采集到的齒輪箱數(shù)據(jù)作預(yù)處理后的數(shù)據(jù)和人為設(shè)置了一些故障的數(shù)據(jù)分別用此模型進(jìn)行分析判斷，研究結(jié)果表明，帶有偏單元的遞歸神經(jīng)網(wǎng)絡(luò)方法能夠?qū)崿F(xiàn)本型號坦克齒輪箱的滿意的診斷結(jié)果。

1 齒輪箱的故障分析[3]

齒輪箱是各類機(jī)械的變速傳動(dòng)部件，其運(yùn)行狀況將直接影響整個(gè)機(jī)器或機(jī)組的工作。齒輪箱主要由軸承、齒輪和軸組成，因此齒輪箱的失效原因主要包括軸承失效、齒輪失效、軸失效、箱體失效等。且齒輪箱各部件失效的比例大致如下：齒輪60%，軸承19%，軸10%，箱體等其他11%。因此，本文主要分析齒輪箱中齒輪、軸承和軸的故障診斷。

1.1 滾動(dòng)軸承的主要故障

滾動(dòng)軸承經(jīng)過一段時(shí)間的運(yùn)轉(zhuǎn)通常會出現(xiàn)疲勞剝落和磨損等現(xiàn)象影響機(jī)器的正常工作。滾動(dòng)軸承常見的主要故障有：

（1）疲勞剝落：滾動(dòng)軸承工作時(shí)，滾動(dòng)和滾動(dòng)體表面既承受載荷有相對滾動(dòng)，又由于交變載荷的作用，首先在表面下一定深度（除最大剪應(yīng)力處）形成裂紋，繼而擴(kuò)展到接觸表層發(fā)生剝落坑，最后發(fā)展到大片剝落。在正常工作條件下，疲勞剝落往往是滾動(dòng)軸承故障的主要原因；

（2）磨損：滾道和滾動(dòng)體的相對運(yùn)動(dòng)（包括滾動(dòng)和滑動(dòng)）和塵埃異物的侵入等都會引起表面磨損，而當(dāng)不良時(shí)更會加劇表面磨損；

（3）塑性變形：在工作負(fù)荷過重的情況下，軸承受到過大的沖擊載荷或靜載荷，或者因?yàn)闊嶙冃我痤~外的載荷，或者當(dāng)有高硬度的異物侵入時(shí)，都會在滾道表面上形成凹痕或劃痕；

（4）腐蝕：當(dāng)水分直接侵入軸承時(shí)就會引起軸承腐蝕，另一方面，當(dāng)軸承停止工作時(shí)，軸承溫度下降達(dá)到零點(diǎn)，空氣中的水分凝結(jié)成水滴吸附在軸承的表面上會引起腐蝕，此外，當(dāng)軸承內(nèi)部有電流通過時(shí)，在滾道和滾動(dòng)體之間的接觸點(diǎn)處，電流通過很薄的油膜引起火化，使表面局部熔融，在表面上形成波紋狀的凹凸不平；

（5）斷裂：當(dāng)載荷超過軸承滾道或滾動(dòng)體的強(qiáng)度極限時(shí)會引起軸承零件的破裂；

（6）膠合：在不良，高速重載的情況下，由于摩擦發(fā)熱，軸承零件可能在極短的時(shí)間內(nèi)達(dá)到很高的溫度，從而導(dǎo)致表面燒傷及損壞；

（7）保持架損壞：通常，由于裝配或使用不當(dāng)而引起保持架發(fā)生變形，從而就可能增加保持架與滾動(dòng)體之間的摩擦，甚至使某種滾動(dòng)體卡死而不能滾動(dòng)，或保持架與內(nèi)外滾道發(fā)生摩擦等均可能引起保持架損壞，這也使振動(dòng)、噪聲和發(fā)熱增加。

綜合滾動(dòng)軸承的各種故障，其主要表現(xiàn)在內(nèi)環(huán)、外環(huán)、滾珠或保持架等故障。

1.2 齒輪的常見故障[4]

齒輪是常見的傳動(dòng)零件，齒輪的各種失效及比例大致如下：斷齒41%，點(diǎn)蝕31%，劃痕10%，磨損10%，其他8%。

（1）輪齒斷裂：有疲勞斷裂和過負(fù)荷斷裂兩種，疲勞斷裂，通常先從受力側(cè)齒根產(chǎn)生龜裂、逐漸向齒端發(fā)展而致折斷，而過負(fù)荷斷裂是由于機(jī)械系統(tǒng)弧度的劇烈變化、軸系共振、軸承破損、軸彎曲等原因，使齒輪產(chǎn)生不正常的一段接觸，載荷集中到齒面一端而引起；

（2）齒面磨損：金屬微粒、污物、塵埃和沙粒等進(jìn)入齒輪而導(dǎo)致材料磨損、齒面局部熔焊隨之有撕裂的現(xiàn)象——擦傷等均屬磨損的情況；

（3）齒面疲勞：齒面接觸應(yīng)力超過材料允許的疲勞極限，表面層先是產(chǎn)生細(xì)微裂紋，然后是小塊剝落，直至嚴(yán)重時(shí)整個(gè)齒斷裂；

（4）齒面塑性變形：如壓碎、趨皺。

1.3 軸的常見故障[4]

軸的失效形式主要表現(xiàn)為軸不平衡、不對中和彎曲。軸產(chǎn)生較嚴(yán)重的不平衡問題主要來自于：

（1）制造過程中的問題，新軸產(chǎn)生的嚴(yán)重的不平衡現(xiàn)象；

（2）使用過程中的問題主要分為兩方面，其一是軸在受到過大、瞬時(shí)沖擊載荷作用時(shí)產(chǎn)生彎曲或永久變形，其二是軸長期在較大的偏載工況下工作因而疲勞產(chǎn)生永久變形。

2 帶偏差單元的遞歸神經(jīng)網(wǎng)絡(luò)原理及算法實(shí)現(xiàn)[5]

2.1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

人工神經(jīng)元模型如圖1所示，神經(jīng)網(wǎng)絡(luò)就是由大量的神經(jīng)元按一定的拓?fù)浣Y(jié)構(gòu)廣泛連接而成，節(jié)點(diǎn)與節(jié)點(diǎn)之間的傳輸通路，稱為“連接”。每一連接都具有一加權(quán)，或連接權(quán)，用于表示神經(jīng)元的連接強(qiáng)度。

神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)一般包括輸入層、輸出層和隱層。輸入層和輸出層分別是用于接收輸入信號，而隱層則用于對輸入信號進(jìn)行內(nèi)部學(xué)習(xí)和處理。1989年Rober Hecht Nielson證明，一個(gè)具有三層計(jì)算單元的BP神經(jīng)網(wǎng)絡(luò)（其隱層采用Sigmoid型單元）可以以任意精度逼近任何連續(xù)函數(shù)，確定網(wǎng)絡(luò)輸入和輸出間的非線性映射關(guān)系。BP網(wǎng)絡(luò)結(jié)果如圖2所示。在實(shí)際應(yīng)用中，一般取隱含層為一層構(gòu)成一個(gè)三層的BP網(wǎng)絡(luò)，以減少計(jì)算量及避免網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜化。

BP算法采用梯度下降的最小方差學(xué)習(xí)方式，按廣義規(guī)則改變權(quán)值，其基本原理是把相似模式的特征值提取出來，并映射到連接權(quán)值上，使學(xué)習(xí)后的網(wǎng)絡(luò)在遇到一個(gè)新模式時(shí)，通過將該模式與已存在的各類模式的特征值相比較，從而判斷出其類別。其缺點(diǎn)是：收斂數(shù)度太慢；不能保證收斂到最小點(diǎn)；學(xué)習(xí)記憶不穩(wěn)定。

2.2 帶偏差單元的遞歸神經(jīng)網(wǎng)絡(luò)算法實(shí)現(xiàn)

帶偏差單元的遞歸神經(jīng)網(wǎng)絡(luò)算法學(xué)習(xí)流程圖如圖3所示，其實(shí)現(xiàn)過程具體如下：

（1）初始化；

（2）選區(qū)輸入模式Ak，Yk提供給網(wǎng)絡(luò)；

（3）用輸入模式Ak，連接{Wij}計(jì)算中間層各單元的輸入Sj，然后通過S函數(shù)計(jì)算中間各層各單元的輸出{bj}

（4）用中間層的輸入{bj}、連接權(quán){Vji}計(jì)算輸出各單元的輸入{Lt}，然后用{Lt}通過S函數(shù)計(jì)算輸出層的各單元的響應(yīng){C[kt]}；

（5）計(jì)算一般化訓(xùn)練誤差；

（6）用中間層各單元的一般化誤差修正連接權(quán){Wij}，判斷訓(xùn)練誤差的精度要求；

（7）判斷訓(xùn)練誤差的精度要求，執(zhí)行步驟（3）；

（8）轉(zhuǎn)回到步驟（2）。因此，帶偏差單元的遞歸神經(jīng)網(wǎng)絡(luò)正好彌補(bǔ)了BP神經(jīng)網(wǎng)絡(luò)的缺點(diǎn)。

3 基于帶偏差單元的遞歸神經(jīng)網(wǎng)絡(luò)齒輪箱故障

診斷

3.1 帶有偏單元的遞歸神經(jīng)網(wǎng)絡(luò)診斷模型的建立

神經(jīng)網(wǎng)絡(luò)用于故障分類診斷的流程圖如圖4表示。本研究中使用的輸入層是27個(gè)神經(jīng)元，其對應(yīng)的測試點(diǎn)是11個(gè)，隱層神經(jīng)元16個(gè)。用基于帶有偏單元的遞歸神經(jīng)網(wǎng)絡(luò)來實(shí)現(xiàn)故障分類：表1所示是標(biāo)準(zhǔn)樣本，當(dāng)其中測試編碼為1時(shí)代表有故障，且故障的各種特征參數(shù)的數(shù)據(jù)值在故障的范圍內(nèi)，當(dāng)測試編碼為0時(shí)代表無故障，且其各種特征參數(shù)的數(shù)據(jù)值在無故障范圍內(nèi)，如，表1中第二行的1代表存在第一種故障，其他的0代表無其他故障；網(wǎng)絡(luò)輸入及輸出分別使用測試編碼和故障編碼，第一層和第二層的學(xué)習(xí)速率均取1.5，輸入和輸出偏差學(xué)習(xí)速率分別取1.0和3 100；帶有偏單元的遞歸神經(jīng)網(wǎng)絡(luò)誤差的收斂結(jié)果如圖5所示，可以看出：網(wǎng)絡(luò)學(xué)習(xí)到第八步時(shí)，其精度優(yōu)于0.006，且隨著訓(xùn)練步數(shù)的增加，誤差呈收斂狀態(tài)。

應(yīng)用典型數(shù)據(jù)（包括有故障數(shù)據(jù)與無故障數(shù)據(jù)）分別對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并將訓(xùn)練好的網(wǎng)絡(luò)凍結(jié)，然后將測試編碼作為輸入，使網(wǎng)絡(luò)處于回想狀態(tài)，結(jié)果見表2。

3.2 帶有偏單元的遞歸神經(jīng)網(wǎng)絡(luò)診斷

本文使用我國某新型坦克，研究其齒輪箱的故障診斷。根據(jù)前面第3.1中對齒輪箱中常發(fā)生故障的部件的分析，選取軸承、齒輪和軸的典型故障，如外圈、內(nèi)圈、滾珠、保持架故障、齒輪磨損、齒形誤差、斷齒、點(diǎn)蝕、軸彎曲、軸向竄動(dòng)、軸不對中等11種故障為研究對象，并選取一種為正常情況。

診斷過程分兩類：其一是采用本實(shí)驗(yàn)采集到的處理后的數(shù)據(jù)，使用帶有偏單元的遞歸神經(jīng)網(wǎng)絡(luò)診斷模型判斷其是否有故障，表3為模型的實(shí)際輸出；其二是人為設(shè)置一些故障，通過帶有偏單元的遞歸神經(jīng)網(wǎng)絡(luò)診斷模型判斷其是否有故障并確定其故障類型，表4為實(shí)際輸出與理論輸出的比較。

結(jié)果分析：由表3可以看出，經(jīng)過程序模型判斷，現(xiàn)在坦克齒輪箱無故障，符合實(shí)際情況，本研究采集的是全新坦克數(shù)據(jù)。

從表4可以看出，實(shí)際判斷的故障與模擬故障相吻合，并可確定前三組為單一故障分別為斷齒、滾珠破損、外圈剝落。后三種分別為混合故障，且第四組為斷齒和外圈剝落，第五組為斷齒和滾珠破損，第六組為斷齒、外圈剝落和滾珠破損。

因此，帶偏差單元的遞歸神經(jīng)網(wǎng)絡(luò)在本型號坦克齒輪箱的故障診斷中不僅能對齒輪箱的單一故障做出正確的診斷，而且對混合故障也具有良好的識別能力。算法精度高，收斂性好。

4 結(jié) 語

本文對某型號坦克傳動(dòng)系統(tǒng)的齒輪箱的故障診斷是基于帶偏差單元的遞歸神經(jīng)網(wǎng)絡(luò)模型的算法。以齒輪箱的常見故障為基礎(chǔ)，以帶偏差單元的遞歸神經(jīng)網(wǎng)絡(luò)模型為模式識別技術(shù)，實(shí)現(xiàn)了齒輪箱故障的有效診斷。本文的研究對其他領(lǐng)域故障診斷的成功率的進(jìn)一步提高起到了積極地推動(dòng)作用。

參考文獻(xiàn)

[1] 馬銳.齒輪箱的非線性故障機(jī)理研究及實(shí)驗(yàn)診斷[D].哈爾濱：哈爾濱工業(yè)大學(xué)，2012.

[2] 林近山，陳前.基于非平穩(wěn)時(shí)間序列雙指標(biāo)特征的齒輪箱故障診斷[J].機(jī)械工程學(xué)報(bào)，2012，48（13）：108?114.

[3] 管森森.基于振動(dòng)信號分析的齒輪箱故障診斷系統(tǒng)開發(fā)[D].北京：華北電力大學(xué)，2011.

[4] 趙軍，張丹，王金光.齒輪箱的失效原因與振動(dòng)診斷[J].中國修船，2008，21（5）：15?17.

第4篇：常見的神經(jīng)網(wǎng)絡(luò)算法范文

關(guān)鍵詞：決策支持系統(tǒng)；專家系統(tǒng)；集成學(xué)習(xí)；神經(jīng)網(wǎng)絡(luò)集成

中圖分類號：TP18文獻(xiàn)標(biāo)識碼：A文章編號：1009-3044(2008)27-2045-02

The Construction of the IDSS Based on the Neural Network Ensemble

WANG Jian-min, LI Tie-jun, DONG Yun-qiang

(PLA University of Science and Technology, Nanjing 210007, China)

Abstract: It is difficult to solve the problem, which is gaps between classical Decision Support System (DDS) and practical decision-making problems, especially the complexes. Ensemble Learning is a hot topic in Machine Learning studies. The improvement of generalization performance of individuals comes primarily from the diversity caused by re-sampling the training set. Neural Network Ensemble (NNE) can significantly improve the generalization ability of learning systems through training a finite number of neural networks and combining their result. The paper introduces the DSS and NNE, and studies the application of NNE on constructing IDSS knowledge base.

Key words: DSS; expert system; ensemble learning; NNE

1 引言

決策支持系統(tǒng)（Decision Support System，簡稱DSS）的概念在20世紀(jì)初由Keen P G和Morton M S等人提出，1980年Sprague R H 提出了基于數(shù)據(jù)庫和模型庫的DSS結(jié)構(gòu)，目前各個(gè)DSS框架結(jié)構(gòu)，概括起來分為基于X庫和基于知識的DSS的框架結(jié)構(gòu)兩大類，前者以各種庫及其管理系統(tǒng)作為DSS的核心，后者以問題處理單元作為系統(tǒng)的主要部分。隨著研究的深入，人們發(fā)現(xiàn)傳統(tǒng)的手段難以在決策中取得理想的結(jié)果，于是將AI中知識表示與知識處理的思想引入到了DSS中，產(chǎn)生了智能決策支持系統(tǒng)（Intelligent Decision Support Systems，簡稱IDSS）。目前在研究的各類DSS大都與計(jì)算機(jī)技術(shù)緊密關(guān)聯(lián)，對計(jì)算機(jī)依賴程度過高，從而產(chǎn)生了很多局限，且不能解決或者有效提供對于復(fù)雜巨問題的決策支持[1]。

機(jī)器學(xué)習(xí)是人工智能研究的重要方向，已在DSS中扮演起越來越重要的角色，若將兩者有機(jī)地結(jié)合起來，改進(jìn)問題處理系統(tǒng)，增設(shè)學(xué)習(xí)系統(tǒng)，就成為一種基于學(xué)習(xí)的DSS體系結(jié)構(gòu)，簡稱ML-IDSS [2]。對神經(jīng)網(wǎng)絡(luò)算法運(yùn)用集成學(xué)習(xí)（Ensemble Learning ）的思想，即為神經(jīng)網(wǎng)絡(luò)集成(Neural Network Ensemble)方法，它通過訓(xùn)練多個(gè)神經(jīng)網(wǎng)絡(luò)并將其結(jié)果進(jìn)行合成，可顯著地提高神經(jīng)網(wǎng)絡(luò)系統(tǒng)的泛化能力。該方法易于使用且效果明顯，是一種非常有效的工程化神經(jīng)計(jì)算方法 [3]。

2 決策支持系統(tǒng)（Decision Support System）

一般認(rèn)為決策支持系統(tǒng)是“決策”（D）、“支持”（S）、“系統(tǒng)”（S）三者匯集成的一體，即通過不斷發(fā)展的計(jì)算機(jī)建立系統(tǒng)的技術(shù)（System），逐漸擴(kuò)展支持能力（Support），達(dá)到更好的輔助決策（Decision）[4]。

傳統(tǒng)DSS通過模型來操縱數(shù)據(jù)，實(shí)際上支持的僅僅是決策過程中結(jié)構(gòu)化和具有明確過程性的部分，人們更希望解決半結(jié)構(gòu)化和非結(jié)構(gòu)化的決策問題。即傳統(tǒng)DSS的局限性表現(xiàn)在：系統(tǒng)在決策支持中的作用是被動(dòng)的，不能根據(jù)決策環(huán)境的變化提供主動(dòng)支持（主動(dòng)的DSS或者協(xié)同的DSS），對決策中普遍存在的非結(jié)構(gòu)化問題無法提供支持，以定量數(shù)學(xué)模型為基礎(chǔ)，對決策中常見的定性問題、模糊問題和不確定性問題缺乏相應(yīng)的支持手段。

AI技術(shù)應(yīng)用于DSS中后，有效地增強(qiáng)了DSS的效能，提高了輔助決策和支持決策的能力，極大地豐富了DSS的信息存取和信息處理手段，同時(shí)也使DSS在軍事、政府、工程規(guī)劃、制造等領(lǐng)域受到越來越多的青睞，現(xiàn)有的DSS除了在定量分析支持上有提升外，對于決策中的半結(jié)構(gòu)化和非結(jié)構(gòu)化的問題也提供了一定的定性分析支持，但是集成了專家系統(tǒng)的DSS，定性知識處理能力依然較弱，且基于專家系統(tǒng)的智能決策系統(tǒng)適用范圍狹窄，依然無法完成全部的定性分析支持，更無法處理復(fù)雜問題的決策支持 [1]。

3 神經(jīng)網(wǎng)絡(luò)集成(Neural Network Ensemble)

3.1 機(jī)器學(xué)習(xí)（Machine Learning）

機(jī)器學(xué)習(xí)是一門新興的邊緣學(xué)科，其突出的自學(xué)習(xí)能力讓人們看到了它在DSS中應(yīng)用的前景?，F(xiàn)有的DSS定性知識處理能力弱，沒有自學(xué)習(xí)適應(yīng)能力，而這正是機(jī)器學(xué)習(xí)應(yīng)用于DSS中的突出優(yōu)點(diǎn)。神經(jīng)網(wǎng)絡(luò)是機(jī)器學(xué)習(xí)中具有強(qiáng)大生命力的算法之一。

3.2 神經(jīng)網(wǎng)絡(luò)集成（NNE）

神經(jīng)網(wǎng)絡(luò)算法已經(jīng)成功應(yīng)用在諸多領(lǐng)域，但由于缺乏嚴(yán)密理論體系指導(dǎo)，其應(yīng)用效果完全取決于使用者的經(jīng)驗(yàn)。神經(jīng)網(wǎng)絡(luò)集成一般是幾個(gè)神經(jīng)網(wǎng)絡(luò)的線性組合，它具有比單個(gè)神經(jīng)網(wǎng)絡(luò)更好的泛化能力。

3.2.1 問題的提出：強(qiáng)學(xué)習(xí)器與弱學(xué)習(xí)器

在PAC學(xué)習(xí)模型中，存在強(qiáng)學(xué)習(xí)與弱學(xué)習(xí)之分，且兩者存在等價(jià)性問題。若存在的一個(gè)多項(xiàng)式級學(xué)習(xí)算法在辨別一組概念的過程中，辨別正確率很高，那么它是強(qiáng)可學(xué)習(xí)的；如果學(xué)習(xí)算法辨別一組概念的正確率僅比隨機(jī)猜測略好，那么它是弱可學(xué)習(xí)的，并且弱、強(qiáng)學(xué)習(xí)算法之間存在等價(jià)性問題，即可以將弱學(xué)習(xí)算法提升成強(qiáng)學(xué)習(xí)算法。等價(jià)性問題是神經(jīng)網(wǎng)絡(luò)集成思想的出發(fā)點(diǎn)。1990年，Schapire針對此問題給出了構(gòu)造性證明并提出集成方法和相應(yīng)的Boosting算法。

第5篇：常見的神經(jīng)網(wǎng)絡(luò)算法范文

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

關(guān)鍵詞：預(yù)測；神經(jīng)網(wǎng)絡(luò)；線性相關(guān)；遺傳算法

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

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

0 引言

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

1 系統(tǒng)模型

1.1 系統(tǒng)分析

在不同的系統(tǒng)分析中，我們有時(shí)會采取不同的算法，每個(gè)算法都有各自的優(yōu)勢。遺傳算法、BP神經(jīng)網(wǎng)絡(luò)和多元回歸等算法也有著不同的優(yōu)點(diǎn)[4]，如遺傳算法的全局尋優(yōu)性， BP神經(jīng)網(wǎng)絡(luò)的優(yōu)秀學(xué)習(xí)能力，從而避免了它們在各自單獨(dú)使用時(shí)所存在的不足。我們把數(shù)據(jù)分為兩個(gè)部分：線性相關(guān)和非線性相關(guān)，對這兩部分采取相關(guān)性分析法進(jìn)行處理。緊接著，充分利用BP神經(jīng)網(wǎng)絡(luò)與多元回歸在處理數(shù)據(jù)方面的優(yōu)勢，分次處理數(shù)據(jù)的非線性和線性部分；最后，利用遺傳算法所擁有的特性，即尋優(yōu)特性，將已由BP神經(jīng)網(wǎng)絡(luò)和多元回歸算法處理的數(shù)據(jù)整合在一起，最終的目的是使各項(xiàng)值得到進(jìn)一步優(yōu)化，如多元回歸的權(quán)值、BP神經(jīng)網(wǎng)絡(luò)的連接權(quán)值以及閾值。

在這里，我們先暫定待處理的數(shù)據(jù)為DATA，DATA中包含的記錄條數(shù)為U條。DATA的第k個(gè)記錄含有M+N個(gè)自變量，記為X 其中：

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

1.2 相關(guān)性分析

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

我們根據(jù)所得r的數(shù)值來判斷兩者相關(guān)度的強(qiáng)弱。一般說來，當(dāng)相關(guān)系數(shù)的絕對值越大或者相關(guān)系數(shù)越接近于1或-1的情況下，相關(guān)度是越來越強(qiáng)的；而相關(guān)系數(shù)越趨近于0，相關(guān)度就會變得越來越弱。

若相關(guān)系數(shù)r>0.6，認(rèn)定自變量Xi與Y線性相關(guān)，否則為線性不相關(guān)。根據(jù)文獻(xiàn)[6]可知，本文研究的BP神經(jīng)網(wǎng)絡(luò)中，輸入數(shù)據(jù)Xi i∈{1，2，…N}與輸出數(shù)據(jù)Y在Xi i∈{1，2…N}與Y線性相關(guān)，在Xi i∈{N+1，N+2…N+M}與Y線性不相關(guān)。

1.3 BP神經(jīng)網(wǎng)絡(luò)

輸入層、輸出層和隱含層[6]是BP神經(jīng)網(wǎng)絡(luò)的三個(gè)組成部分，其中輸入層和輸出層各一個(gè)，而對于隱含層，在理論上，它的數(shù)量是不會受到任何限制的，但BP神經(jīng)網(wǎng)絡(luò)在一般情況下僅設(shè)置一個(gè)或者兩個(gè)隱含層。在這個(gè)神經(jīng)網(wǎng)絡(luò)中，輸入信號經(jīng)過作用函數(shù)的作用之后，在其信號傳至隱層節(jié)點(diǎn)之時(shí)隨即把它得到的輸出信號傳遞到輸出層節(jié)點(diǎn)上，同樣經(jīng)過處理后而得到的輸出便是最終的結(jié)果。作用函數(shù)S型函數(shù)在本文中的節(jié)點(diǎn)之間會被用到，它的計(jì)算公式為：f（x）= 。

本文構(gòu)建的神經(jīng)網(wǎng)絡(luò)模型如圖1所示。

由圖1可知，我們這個(gè)神經(jīng)網(wǎng)絡(luò)模型共有四層。模型的第一層X即是輸入層，它是以非線性相關(guān)的Xi i∈{N+1，N+2…N+M}的數(shù)據(jù)作為其輸入的；神經(jīng)網(wǎng)絡(luò)包括的兩個(gè)隱含層分別是第二層J和第三層I；神經(jīng)網(wǎng)絡(luò)模型的輸出層就是第四層BY。例如圖1上的J層第1節(jié)點(diǎn)，當(dāng)它和第I層的第2個(gè)節(jié)點(diǎn)連接時(shí)，權(quán)值的計(jì)算值則為W 。如若模型采用的節(jié)點(diǎn)作用函數(shù)為f（x）= ，則可以得到該節(jié)點(diǎn)的輸出為Y =f（ W Y -B ）。該式中W 、Y 和B 分別表示某一節(jié)點(diǎn)與其上層節(jié)點(diǎn)之間的連接權(quán)值、上層各節(jié)點(diǎn)的輸出值和節(jié)點(diǎn)的閾值。根據(jù)公式：E=（t-BY）*BY（1-BY），它表示的含義是網(wǎng)絡(luò)誤差的計(jì)算，在式中t的含義是輸出的期望值。將網(wǎng)絡(luò)誤差與最大允許誤差進(jìn)行比較：

BP神經(jīng)網(wǎng)絡(luò)在模式匹配、模式分類、模式識別和預(yù)測分析等方面[7]，性能優(yōu)勢十分明顯。

雖然BP算法是網(wǎng)絡(luò)結(jié)構(gòu)中應(yīng)用比較普遍的算法之一，而且BP算法在應(yīng)用上也取得了一定的成功，但是BP算法本身還是存在著不可避免的局限性：

①在BP神經(jīng)網(wǎng)絡(luò)算法中，它為了不使加權(quán)值過大，通常選取較小的隨機(jī)數(shù)（如0～0.2之間）作為初始權(quán)值，同時(shí)設(shè)置網(wǎng)絡(luò)在初始階段就處于S型函數(shù)的飽和區(qū)，就是在這樣給定初值的范圍內(nèi)，有些取值也會使算法的結(jié)果值陷入局部極小，一旦有了某些局部極小點(diǎn)[8]的牽累，就會引起訓(xùn)練的振蕩而達(dá)不到我們所想要的穩(wěn)定，同樣也會陷入局部極值的不利情況。

②在BP算法中，我們需要設(shè)置一些參數(shù)的初始值，以便網(wǎng)絡(luò)訓(xùn)練得以進(jìn)行。如初始權(quán)重值，隱層節(jié)點(diǎn)個(gè)數(shù)值，當(dāng)我們在設(shè)置沒有任何參考時(shí)，可能會致使網(wǎng)絡(luò)訓(xùn)練的失敗或者說執(zhí)行的并不如我們所預(yù)料的結(jié)果那樣，與理想有所差別。但是這些參數(shù)的選取過程又缺乏嚴(yán)格的理論依據(jù)，需要根據(jù)我們過往的經(jīng)驗(yàn)以及一定的實(shí)驗(yàn)來選取，才可保證它的選取值合適與否。

③在BP算法中，它存在一個(gè)遺忘所學(xué)樣本的趨勢，就是在每當(dāng)其輸入一個(gè)的權(quán)重值時(shí)，會導(dǎo)致閾值不斷地修改，所以前面已學(xué)的學(xué)習(xí)樣本必然會受到后面每次所輸入樣本的影響。

2 一種BP神經(jīng)網(wǎng)絡(luò)和線性回歸優(yōu)化的遺傳雜合算法

為了實(shí)現(xiàn)網(wǎng)絡(luò)訓(xùn)練的過程并得到全局相應(yīng)的最優(yōu)化的解，我們提出一種基于BP神經(jīng)網(wǎng)絡(luò)和線性回歸優(yōu)化的遺傳雜合算法。在文章的前面我們知道，傳統(tǒng)的BP神經(jīng)的學(xué)習(xí)過程存在一些不足，我們提出的這種算法會把BP神經(jīng)網(wǎng)絡(luò)和遺傳算法結(jié)合起來，利用遺傳算法的全局尋優(yōu)特性，來實(shí)現(xiàn)網(wǎng)絡(luò)的訓(xùn)練，得到全局相應(yīng)的最優(yōu)解。改進(jìn)的算法模型如圖2。

待處理數(shù)據(jù)Xi i∈{1，2…N}和Y，我們假定兩者是呈線性相關(guān)的。首先對線性不相關(guān)數(shù)據(jù)進(jìn)行BP神經(jīng)網(wǎng)絡(luò)處理輸出為BY，BY與存在線性相關(guān)的數(shù)據(jù)進(jìn)行多元線性回歸。

模型誤差：

2.1 改進(jìn)算法模型的遺傳優(yōu)化

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

將以上改進(jìn)的遺傳優(yōu)化算法運(yùn)用到BP神經(jīng)網(wǎng)絡(luò)的權(quán)重、閾值以及回歸系數(shù)上，可以達(dá)到優(yōu)化這些參數(shù)的目的，使網(wǎng)絡(luò)誤差值最小。在本文的實(shí)驗(yàn)中，由生物種群的概念，我們視BP神經(jīng)網(wǎng)絡(luò)和回歸系數(shù)的所有權(quán)值為一個(gè)種群。本文的實(shí)驗(yàn)是基于遺傳代數(shù)1000、種群60所進(jìn)行的遺傳算法優(yōu)化訓(xùn)練過程。即為圖3所示過程。

2.2 算法詳細(xì)流程

①樣本值歸一化處理。

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

②參數(shù)集。

將模型中待優(yōu)化參數(shù)BP網(wǎng)絡(luò)權(quán)重W 、閾值B 與回歸系數(shù)？孜組成一個(gè)參數(shù)集C={W ，B ，？孜}，C作為染色體，Ci為單個(gè)基因。

③編碼。

編碼方式中有一種稱為實(shí)數(shù)編碼的，它是指個(gè)體編碼的長度與決策變量的個(gè)數(shù)相等，在合理具體的條件范圍內(nèi)，用一個(gè)實(shí)數(shù)表示某個(gè)體的每個(gè)基因值。該方法中用到的值是決策變量的真實(shí)值，因此我們又稱它為：真值編碼方法?？紤]我們實(shí)驗(yàn)過程所需要的算法，這種編碼方式對于我們的實(shí)驗(yàn)十分合適。

④初始化種群。

種群大小N=60，隨機(jī)生成第一代個(gè)體C 其中t為代數(shù)t=1，i表示個(gè)體編號i∈{1，…， }，C 表示第一代的第五個(gè)個(gè)體。

⑤個(gè)體適應(yīng)度。

我們以f =Emax-E（C ）為個(gè)體適應(yīng)度函數(shù)，能夠滿足我們的要求。式中f 表示第t代的第i個(gè)個(gè)體的適應(yīng)度計(jì)算值，Emax為最大系統(tǒng)誤差，E（C ）為C 個(gè)體的系統(tǒng)誤差。

⑥選擇操作。

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

⑦交叉算法。

我們先假設(shè)要交叉的兩個(gè)父體對象分別為Pi=（p ，

⑧變異算法。

在選擇交叉的遺傳過程中，我們也需要考慮到遺傳變異這一情況。所以我們采取了一種特殊的變異算法：邊界變異。它在遺傳的后代種群中選擇中間代mespop（t）代，又在其中選擇N對個(gè)體，當(dāng)交叉概率為Pc時(shí)，以此概率值指導(dǎo)個(gè)體進(jìn)行遺傳變異。邊界變異的取值方法的多樣性也正是后代種群群體多樣性的特點(diǎn)。其變異位的值往往是在它的邊界上，因?yàn)樵谶吔缟希ǔ４嬖谥S多約束優(yōu)化的最優(yōu)值，也就是其編碼位取值范圍的邊界之一。在中間代mespop（t）完成交叉和變異所形成的下一代中pop（t+1）進(jìn)行個(gè)體適應(yīng)度值計(jì)算的操作。

3 仿真結(jié)果和分析

仿真實(shí)驗(yàn)中，分別采用多元線性回歸、傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)和本實(shí)驗(yàn)算法對多元線性方程、多元非線性方程、含有線性和非線性部分的方程進(jìn)行擬合。

多元線性方程：

多元非線性方程：

含有線性和非線性部分的方程：

3.1 樣本數(shù)據(jù)

樣本輸入數(shù)據(jù)是在考慮影響汽車銷售多方面因素的前提下，如：經(jīng)濟(jì)危機(jī)、限購政策、油價(jià)上漲、小排量購置稅優(yōu)惠政策等，在Matlab平臺下擬合而成。樣本輸入數(shù)據(jù)為xi∈[-1，1]，樣本總數(shù)為20，隨機(jī)生成20組數(shù)據(jù)作為樣本值（圖4）。

選用第一行到第四行作為式（8）的輸入函數(shù)值，如圖5。

選用第一行到第二行作為式（9）的輸入函數(shù)值，如圖6。

選用第一行到第二行作為式（10）的輸入函數(shù)值，如圖7。

3.2 仿真結(jié)果

式（8）多元線性回歸、BP神經(jīng)網(wǎng)絡(luò)、改進(jìn)算法仿真結(jié)果（圖8）。

式（9）多元線性回歸、BP神經(jīng)網(wǎng)絡(luò)、改進(jìn)算法仿真結(jié)果（圖9）。

式（10）多元線性回歸、BP神經(jīng)網(wǎng)絡(luò)、改進(jìn)算法仿真結(jié)果（圖10）。

多元線性回歸、BP神經(jīng)網(wǎng)絡(luò)、改進(jìn)算法擬合三種方程誤差平方和如表1所示。

3.3 仿真結(jié)果分析

由結(jié)合改進(jìn)算法的特點(diǎn)和對比分析所得到的實(shí)驗(yàn)結(jié)果，我們可以得到以下三點(diǎn)結(jié)論：①多元線性回歸在擬合線性方程時(shí)所產(chǎn)生的誤差比較小，而在擬合非線性方程時(shí)，產(chǎn)生的誤差略大。②BP神經(jīng)網(wǎng)絡(luò)在擬合存在非線性數(shù)據(jù)時(shí)，誤差較小，在擬合線性方程時(shí)存在明顯的不足。③三種算法在擬合非線性和線性結(jié)合方程時(shí)，本實(shí)驗(yàn)的誤差要比單純擬合非線性方程小很多，與理論預(yù)期明顯相悖。對于這種情況的原因，結(jié)合理論，本文總結(jié)出可能存在的兩小點(diǎn)：1）數(shù)據(jù)的輸入值范圍在[-1，1]，范圍太小，對函數(shù)值得影響不顯著；2）由于實(shí)驗(yàn)采用擬合函數(shù)的形式，函數(shù)關(guān)系內(nèi)部過于簡單。

4 結(jié)論

用改進(jìn)算法擬合復(fù)雜函數(shù)的能力比單純依靠線性回歸和BP神經(jīng)網(wǎng)絡(luò)存在明顯的優(yōu)勢。影響商品銷售的因素有很多，各種因素對銷售的影響也各不相同，傳統(tǒng)的BP神經(jīng)算法可以很好的預(yù)測效果。但是BP算法在處理那些同銷售值存在較大相關(guān)性的因素時(shí)，不能突出它的優(yōu)勢。我們通過把影響銷售較大的因素與其他因素直接加權(quán)相加得到銷售值，最后通過遺傳算法來優(yōu)化權(quán)值。這也就是我們研究本文算法的目的之所在。

參考文獻(xiàn)：

[1]張彥鐸，李哲靖，魯統(tǒng)偉.機(jī)器人世界杯足球錦標(biāo)賽中多機(jī)器人對目標(biāo)協(xié)同定位算法的改進(jìn)[J].武漢工程大學(xué)學(xué)報(bào)，2013（02）：69.

第6篇：常見的神經(jīng)網(wǎng)絡(luò)算法范文

關(guān)鍵詞：火災(zāi)探測 模糊神經(jīng)網(wǎng)絡(luò) 智能 Matlab

根據(jù)燃燒對象，火災(zāi)分為A，B，C，D四種。A類火災(zāi)為固體可燃物引發(fā)的火災(zāi)，亦是最常見的燃燒對象；B類火災(zāi)為液體可燃物火災(zāi)；C類火災(zāi)為氣體可燃物火災(zāi)；D類火災(zāi)為可燃金屬火災(zāi)?；馂?zāi)發(fā)生后蔓延速度極快，燃燒產(chǎn)生大量CO2，CO1等大量氣體及煙霧，并伴隨光、熱，損失將不可估計(jì)。對待火災(zāi)，我們應(yīng)采取“防消結(jié)合，預(yù)防為主”?；馂?zāi)探測技術(shù)的應(yīng)用便擔(dān)任著前鋒的作用，有效的提高探測器的靈敏度成為一個(gè)重大課題。本為將采用智能型報(bào)警系統(tǒng)，做早期發(fā)現(xiàn)和通報(bào)火災(zāi)，研究模糊神經(jīng)網(wǎng)絡(luò)的應(yīng)用。

1.火災(zāi)探測系統(tǒng)

探測器是自定報(bào)警系統(tǒng)中的最重要部分。隨著火災(zāi)的發(fā)生，火災(zāi)初期可燃物燃燒產(chǎn)生大量煙霧（S）和CO2，CO1等大量氣體（G），火災(zāi)達(dá)到全火焰時(shí)溫度（T）急劇上升，并伴隨著光（L）和熱（H）。因此在圖書館設(shè)感溫探測器，感煙探測器，氣體探測器及感光探測器。由于感煙探測器動(dòng)作較早，可探測到70%以上的火災(zāi)，因此使用較為普遍。

2.模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì)

2.1 模糊神經(jīng)網(wǎng)絡(luò)的應(yīng)用

模糊神經(jīng)網(wǎng)絡(luò)（Fuzzy Neural Network，簡稱FNN）是全部或部分采用模糊神經(jīng)元所構(gòu)成的一種可處理模糊信息的神經(jīng)網(wǎng)絡(luò)系統(tǒng)，也是現(xiàn)代熱門研究是技術(shù)，是模糊控制與神經(jīng)網(wǎng)絡(luò)控制的有機(jī)結(jié)合，博采眾長，以長補(bǔ)拙[1]。其特點(diǎn)是利用模糊邏輯較強(qiáng)的結(jié)構(gòu)性知識表達(dá)能力和神經(jīng)網(wǎng)絡(luò)強(qiáng)大的自學(xué)能力與定量數(shù)據(jù)的直接處理能力，在溫度、煙霧、氣體、光等信號處理上，提高火災(zāi)探測的準(zhǔn)確度、加快火情識別速度，使火災(zāi)報(bào)警信號處理更具邏輯性、可靠性，直接指導(dǎo)消防控制室的操作和應(yīng)用，在火災(zāi)報(bào)警系統(tǒng)中發(fā)揮良好的作用。

2.2 模糊控制規(guī)則設(shè)計(jì)[2-3]

模糊控制規(guī)則可根據(jù)火災(zāi)發(fā)生可能性大小分為不可能即NP，可能性小即PS，一定發(fā)生即PB三種。隱層的溫度隸屬度生成函數(shù)采用三角函數(shù)：

（ x - a）/（ b - a） a < x < b

μ（x） =

（ x - c）/ （ b - c） b < x < c

圖1 隸屬度函數(shù)

2.3神經(jīng)網(wǎng)絡(luò)模型

本文給出一個(gè)3層前饋網(wǎng)絡(luò)結(jié)構(gòu)，如圖2所示。設(shè)輸入信號為s：煙霧；g：CO2氣體；t：溫度；l：光；輸入信號為第一層，含3個(gè)神經(jīng)元；第二層為模糊層，設(shè)為9個(gè)節(jié)點(diǎn)，第三層為輸出層，有3個(gè)節(jié)點(diǎn)，表示無火、火小和火災(zāi)發(fā)生。

圖2 BP前饋網(wǎng)絡(luò)模型

3.算法及Matlab 網(wǎng)絡(luò)仿真

3.1 算法

本文采用反向傳播算法，學(xué)習(xí)訓(xùn)練過程由正向信號傳輸和反向誤差傳播組成。當(dāng)正向傳輸?shù)膶?shí)際輸出與期望輸出不符合時(shí)，轉(zhuǎn)入誤差反向傳播。

輸出誤差逐層反向傳播到隱層再到輸入層。誤差分給各層所有節(jié)點(diǎn)單元，獲得各層單元的誤差信號，且將該信號作為修正各單元權(quán)值的根據(jù)。通過不斷的調(diào)整權(quán)值，訓(xùn)練到誤差符合要求為止。

因此可知，設(shè)輸入向量為X；隱層輸出向量為Y；輸出層輸出向量為O；期望輸出向量為T；輸出層至隱層的權(quán)值矩陣為V；隱層至輸入層權(quán)值為W。隱層，輸出層的轉(zhuǎn)換函數(shù)分別采用雙曲正切S型函數(shù)tansig和S型對數(shù)函數(shù)logsig。

定義網(wǎng)絡(luò)的輸出誤差函數(shù)為均方誤差函數(shù)

E=1/2（T-O）2.

將輸出誤差函數(shù)展開到隱層，在展開到輸入層，并通過調(diào)節(jié)權(quán)值和閾值改變誤差E，從而減小誤差。即：

對于輸出層，設(shè)Y，δ0為輸出層的誤差信號，則輸出層的權(quán)值調(diào)整V=η（δ0YT） T；

對于輸入層，設(shè)X，δy為隱含層的誤差信號，則隱含層的權(quán)值調(diào)整為W=η（δyXT） T， η為學(xué)習(xí)率，在0～1間取值，這里取值0.1。

具體算法步驟：①初始化，對所有權(quán)值賦予任意小量，并對閾值設(shè)定初值；②給定訓(xùn)練數(shù)據(jù)集，即提供向量X和期望輸出Y；③計(jì)算實(shí)際輸出y；④調(diào)整權(quán)值，按誤差方向傳播方向，從輸出接點(diǎn)返回到隱層修正權(quán)值；⑤返回第②步重復(fù)計(jì)算，直至誤差滿足要求為止[4]。

3.2 Matlab 網(wǎng)絡(luò)仿真

模糊規(guī)則層設(shè)9個(gè)節(jié)點(diǎn)，輸出層有3個(gè)節(jié)點(diǎn)。用新浪天氣給出的鄭州市2012年8月1日到8月4日的天氣，歸一化處理：溫度/100℃，加上天氣特征值（0代表晴天，0.5代表陰天，1代表雨天），有4組數(shù)據(jù)。并將8月4日天氣數(shù)據(jù)作為導(dǎo)師信號。打開Matlab的編輯，輸入newff（）創(chuàng)建前向BP網(wǎng)絡(luò)，使用神經(jīng)元上的傳遞函數(shù)tansig（）及tansig（），建立一個(gè)訓(xùn)練函數(shù)使用梯度下降法的訓(xùn)練函數(shù)trainlm（）的BP網(wǎng)絡(luò)[5]。誤差訓(xùn)練下降曲線如圖3：

4.結(jié)語

在1000次訓(xùn)練后，輸出的均方誤差非常小， MSE=1.04678e-013/0，此時(shí)的網(wǎng)絡(luò)輸出應(yīng)該是非常精確的。這說明將模糊神經(jīng)網(wǎng)絡(luò)理論應(yīng)用在火災(zāi)報(bào)警系統(tǒng)中，有效地提高系統(tǒng)精度和減少誤報(bào)率，并且充分發(fā)揮了它的自學(xué)習(xí)、自適應(yīng)能力，使系統(tǒng)的靈敏度提高，同時(shí)又提高了系統(tǒng)的智能化程度。

參考文獻(xiàn)：

第7篇：常見的神經(jīng)網(wǎng)絡(luò)算法范文

關(guān)鍵詞：深基坑工程；人工神經(jīng)網(wǎng)絡(luò)；支護(hù)結(jié)構(gòu)

中圖分類號：Tu473

文獻(xiàn)標(biāo)識碼：A

隨著城市現(xiàn)代化進(jìn)程的加快，地下工程規(guī)模日漸擴(kuò)大，深基坑工程無論在數(shù)量上還是在規(guī)模上都有大幅度提高。深基坑工程是一個(gè)十分龐大的極其復(fù)雜的非線性系統(tǒng)，它既涉及土力學(xué)中最典型的強(qiáng)度、穩(wěn)定和變形問題，同時(shí)還涉及土與支護(hù)結(jié)構(gòu)的共同作用、水文地質(zhì)與地下水控制、施工組織設(shè)計(jì)等問題。由于人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Net-works，簡寫成ANN)能簡單模擬人腦神經(jīng)元工作的部分機(jī)理，具有自適應(yīng)性、非線性、學(xué)習(xí)功能及容錯(cuò)性強(qiáng)等特點(diǎn)，特別適合于處理各種非線性問題，因而在深基坑工程的研究中得到了廣泛的應(yīng)用。本文擬就ANN在深基坑工程中的應(yīng)用進(jìn)行一番探討。

1　人工神經(jīng)網(wǎng)絡(luò)理論研究的發(fā)展簡介

人工神經(jīng)網(wǎng)絡(luò)是以工程技術(shù)手段來模擬人腦神經(jīng)元網(wǎng)絡(luò)的結(jié)構(gòu)與特征的系統(tǒng)。利用人工神經(jīng)元可以構(gòu)成各種不同拓?fù)浣Y(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)，它是生物神經(jīng)網(wǎng)絡(luò)的一種模擬和近似。在人工神經(jīng)網(wǎng)絡(luò)中，前饋型神經(jīng)網(wǎng)絡(luò)是目前人工神經(jīng)網(wǎng)絡(luò)中應(yīng)用最廣泛也是發(fā)展最為成熟的一種網(wǎng)絡(luò)模型，其網(wǎng)絡(luò)結(jié)構(gòu)如同1所示，神經(jīng)元分層排列，有輸入層、隱層(亦稱中間層)和輸出層。各層神經(jīng)元、各層之間通過不同的權(quán)重連接，權(quán)重的大小反映互連神經(jīng)元之間相互影響的形式與大小。在輸入層輸入各初始參數(shù)后，輸出層的輸出值即為網(wǎng)絡(luò)對這些輸入?yún)?shù)的響應(yīng)，也即所需的結(jié)構(gòu)。圖1所示的網(wǎng)絡(luò)其本質(zhì)上是建立輸入層各參數(shù)到輸出層各參數(shù)的映射，從而反映這些輸入?yún)?shù)對輸出的影響形式和幅度，進(jìn)而反映輸入?yún)?shù)與輸出結(jié)構(gòu)之問的本質(zhì)聯(lián)系。

2　人工神經(jīng)網(wǎng)絡(luò)理論研究的發(fā)展簡介

1943年，美國神經(jīng)生理學(xué)家Warren Mcculloch和數(shù)學(xué)家Walter Pitts在文章“A Logical Calculus of I-deas Immanent in Nervous Activity”中，第一次提出了神經(jīng)元數(shù)學(xué)模型，拉開了人工神經(jīng)網(wǎng)絡(luò)發(fā)展的序幕。1949年，心理學(xué)家Donald Hebb在其所著書《The Organization of Behavior》中第一次將學(xué)習(xí)功能引入神經(jīng)網(wǎng)絡(luò)系統(tǒng)，他所提出的Hebb學(xué)習(xí)規(guī)則在神經(jīng)網(wǎng)絡(luò)模型研究中一直起著重要的作用。1957年。Frank Rosenblatt提出的感知器模型(Perceptron)，被認(rèn)為是最早的神經(jīng)網(wǎng)絡(luò)模型。1959年，Bernard Widrow和Marvin Hoff開發(fā)出一種稱為自適應(yīng)單元(Ada-line)的網(wǎng)絡(luò)模型，網(wǎng)絡(luò)通過Marvin-Hoff學(xué)習(xí)算法訓(xùn)練后，成功地應(yīng)用于抵消通信中的回波和躁聲，也可用于天氣預(yù)報(bào)，是第一個(gè)用于實(shí)際問題的神經(jīng)網(wǎng)絡(luò)模型。由于這些有識之士的工作及對神經(jīng)網(wǎng)絡(luò)的宣傳，激起了更多人的興趣投入到這一領(lǐng)域，形成了ANN研究的第一次。

1969年，Marvin Minsky和Seymour Papert在他們合著的書《Perceptron》中，分析了簡單的感知器，指出了它的局限性，即對于非線形問題，甚至簡單的“異或”問題都無能為力。由此引起了對神經(jīng)網(wǎng)絡(luò)批評的高漲，使得ANN的研究陷入了低潮。直到1982年，John Hopfield對神經(jīng)網(wǎng)絡(luò)進(jìn)行了嚴(yán)格的數(shù)學(xué)分析，揭示了其工作機(jī)理，并且用他提出的模型從失真的和不完善的數(shù)據(jù)圖形中獲得完整的數(shù)據(jù)圖形，引起了人們的關(guān)注，致使ANN的研究開始復(fù)蘇，并在近20年中得到了飛速的發(fā)展。

盡管神經(jīng)網(wǎng)絡(luò)的研究才剛剛起步，它已在廣泛的領(lǐng)域中得到了應(yīng)用。如信號處理與模式識別、專家系統(tǒng)、機(jī)器人控制、郵政通訊、圖像處理、語音識別等領(lǐng)域。近幾年來，在工程力學(xué)領(lǐng)域已有人引入ANN來解決問題，如基于BP網(wǎng)絡(luò)的混凝土本構(gòu)關(guān)系模型，力學(xué)領(lǐng)域中非線形動(dòng)態(tài)系統(tǒng)的識別，振動(dòng)控制中的狀態(tài)估計(jì)，結(jié)構(gòu)破壞形式估計(jì)，以及結(jié)構(gòu)分析和可行性設(shè)計(jì)等等。

3　ANN在深基坑工程中的應(yīng)用

ANN應(yīng)用到基坑工程研究的時(shí)間較晚。Gob等(1995)用ANN成功地預(yù)測了基坑支護(hù)中地下連續(xù)墻的側(cè)向位移。在國內(nèi)土木工程界，李立新(1997)在基坑的非線形位移反分析中應(yīng)用了ANN，率先將ANN引入到用于解決深基坑工程中的種種問題。此后，許多專家學(xué)者開始意識到ANN解決深基坑工程問題的有效性和實(shí)用性，紛紛開展了這方面的研究工作。ANN在深基坑工程中的應(yīng)用越來越普遍，應(yīng)用的范圍也不斷擴(kuò)大。截止目前，ANN在國內(nèi)深基坑工程中主要應(yīng)用于以下幾個(gè)方面：

3.1支護(hù)結(jié)構(gòu)選型

常見的深基坑支護(hù)結(jié)構(gòu)型式有排樁、地下連續(xù)墻、水泥土墻、土釘墻、逆作拱墻、放坡開挖等。支護(hù)結(jié)構(gòu)可根據(jù)基坑周邊環(huán)境、基坑規(guī)模、工程地質(zhì)與水文地質(zhì)、施工作業(yè)設(shè)備、施工季節(jié)等條件，選用上述的某一種或幾種型式的組合。在深基坑工程中，支護(hù)體系和支撐構(gòu)件設(shè)計(jì)的合理性和施工質(zhì)量的優(yōu)劣直接影響到整個(gè)支護(hù)體系的安全和正常使用，如何在眾多的支護(hù)方案中選擇一種技術(shù)上先進(jìn)、施工上可行、經(jīng)濟(jì)上合理的支護(hù)方案就顯得異常重要。支護(hù)結(jié)構(gòu)體系是一個(gè)龐大復(fù)雜的力學(xué)系統(tǒng)，決定基坑工程支護(hù)方案的因素眾多且大多具有不確定性特點(diǎn)，根據(jù)ANN的特性和工作原理，考慮采用ANN進(jìn)行深基坑支護(hù)結(jié)構(gòu)選型是完全可行的。

王曉鴻等根據(jù)大量工程實(shí)踐確定了支護(hù)方案選擇的神經(jīng)網(wǎng)絡(luò)表示方法，該方法以基坑開挖深度、基坑規(guī)模、場地條件、周邊環(huán)境控制等級、基坑周圍建筑物、道路、工程、管線的距離等作為輸入信息，以水泥土擋墻、灌注樁墻、地連墻等作為輸出信息，采用ANN方法進(jìn)行研究，取得了常規(guī)的解析或數(shù)值方法不能達(dá)到的較好結(jié)果。

3.2變形的預(yù)測預(yù)報(bào)

深基坑工程變形的預(yù)測預(yù)報(bào)包括諸多方面：圍護(hù)結(jié)構(gòu)的變形、地表沉降、坑底隆起、周圍管線變位等。對于上述諸多方面變形的每一種來說，其影響因素都是多方面且極其復(fù)雜的。比如，根據(jù)以往的施工經(jīng)驗(yàn)，影響支護(hù)結(jié)構(gòu)變形的因素就有支撐條件、土層強(qiáng)度、圍護(hù)墻的剛度、圍護(hù)墻在坑底以下的入土深度、地下水、施工情況等，且每一種因素的影響方式和影響程度都不同，甚至有的是不確定的，因而采用傳統(tǒng)方法較難甚至不可能建立滿意的數(shù)學(xué)模型，也就無法很好地解決深基坑工程變形的預(yù)測預(yù)報(bào)問題。ANN方法的發(fā)展及其本身的諸多優(yōu)點(diǎn)，為解決這一重要問題提供了強(qiáng)有力的工具。

目前，ANN在深基坑工程變形的預(yù)測預(yù)報(bào)中的應(yīng)用研究比較活躍。總體來講，ANN應(yīng)用于深基坑

工程變形的預(yù)測預(yù)報(bào)問題的研究可分為兩大類：

a)一般預(yù)測問題：即對一些同類型的、隨機(jī)的、廣泛在同一平面或曲面上(服從一定的概率分布)的實(shí)測值進(jìn)行ANN模擬和泛化推廣，可稱之為橫向推廣。華瑞平等以單層內(nèi)支撐圍護(hù)結(jié)構(gòu)作為神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)的支護(hù)結(jié)構(gòu)類型，以支撐點(diǎn)與開挖深度的比值、支撐彈性系數(shù)、基坑開挖深度、樁的入土深度、土的c、ψ值、樁的剛度7個(gè)指標(biāo)作為輸入層參數(shù)，以樁的最大位移作為輸出層，采用10個(gè)樣本進(jìn)行訓(xùn)練，后對3個(gè)樣本進(jìn)行了檢驗(yàn)，最大誤差僅為6.6％，效果比較令人滿意。此外，其他一些專家學(xué)者對類似問題采用了不同的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行研究，都取得了理想的預(yù)測結(jié)果。

b)時(shí)間序列預(yù)測問題。即將一個(gè)非線性變化過程依時(shí)間而產(chǎn)生的某種分布規(guī)律通過建立ANN以求得這種分布性的探索和泛化推廣，可稱為縱向推廣。深基坑工程中的變形是一個(gè)動(dòng)態(tài)的過程。時(shí)間序列預(yù)測的基本思想是利用現(xiàn)有的歷史數(shù)據(jù)設(shè)計(jì)合理的ANN，經(jīng)訓(xùn)練和檢驗(yàn)?zāi)苓_(dá)到所要求的精度后來預(yù)測未來時(shí)間的變形數(shù)據(jù)，從而預(yù)測預(yù)報(bào)基坑的穩(wěn)定性。如孫海濤等對上海某深基坑工程中兩個(gè)測點(diǎn)每天的沉降進(jìn)行了監(jiān)測，以前4d的測量數(shù)據(jù)為依據(jù)來預(yù)測后2d的沉降值，經(jīng)訓(xùn)練、檢驗(yàn)后，發(fā)現(xiàn)預(yù)測值與實(shí)測值較為吻合，基本反映了實(shí)測值的趨勢。

3.3土體物性參數(shù)識別

深基坑工程中的各種理論分析必須以合理的土體物性參數(shù)為基礎(chǔ)。這些由試驗(yàn)測定的參數(shù)由于許多因素的影響往往與實(shí)際值存在較大差異。在實(shí)際工程中不確定的因素更多，因而采用這樣的參數(shù)進(jìn)行分析計(jì)算，得到的結(jié)果往往不可靠。這就需要對深基坑開挖工程中土體的物性參數(shù)進(jìn)行識別。其解決方法是：在深基坑開挖施工過程中，根據(jù)若干預(yù)先布置好的測點(diǎn)處現(xiàn)場測量所得的數(shù)據(jù)(位移、應(yīng)力、孔隙水壓力等)，來反求出基坑及基坑周圍土體的物性參數(shù)(粘聚力、內(nèi)摩擦角、彈性模量、泊松比等)。傳統(tǒng)的反分析法通常結(jié)合有限元法和數(shù)學(xué)規(guī)劃法，通過優(yōu)化方法不斷修正土體的未知參數(shù)，使一些現(xiàn)場實(shí)測值與相應(yīng)的數(shù)值計(jì)算的差異達(dá)到最小，這些方法需要求待識別參數(shù)對于現(xiàn)場實(shí)測值的敏度。由于土體物理特性與力學(xué)特性的非線性，采用數(shù)值近似方法計(jì)算敏度的工作量很大，程序的實(shí)現(xiàn)也復(fù)雜。利用人工神經(jīng)網(wǎng)絡(luò)的非線性映射能力，可以解決一系列函數(shù)關(guān)系不能顯示表達(dá)的復(fù)雜模式識別與參數(shù)估計(jì)問題。與傳統(tǒng)反分析方法相比，該方法避免了敏度分析，并具有概念直觀、易于掌握、易于實(shí)現(xiàn)等優(yōu)點(diǎn)。

3.4其它方面的應(yīng)用

人工神經(jīng)網(wǎng)絡(luò)除了成功地解決深基坑支護(hù)結(jié)構(gòu)選型、變形預(yù)測預(yù)報(bào)、土體物性參數(shù)識別等問題以外，還可以應(yīng)用于施工控制、突涌分析、工程造價(jià)預(yù)測、底板混凝土測溫等方面。雖然應(yīng)用的方向和解決的問題有所不同，但是利用該方法所解決不同問題的思路大體上是一致的。

4　ANN方法在深基坑工程研究中的發(fā)展展望

4.1　BPN算法自身的改進(jìn)

在目前為數(shù)眾多的ANN中，前饋型多層、誤差逆向傳播的BP神經(jīng)網(wǎng)絡(luò)(Back Propagation Network，簡稱BPN)因?yàn)槠浜唵蔚奶攸c(diǎn)而成為目前應(yīng)用最廣的ANN學(xué)習(xí)模型。但BPN存在著自身的限制和不足，主要包括：收斂速度慢，存在局部極值，隱層節(jié)點(diǎn)個(gè)數(shù)選擇無理論參考，僅憑經(jīng)驗(yàn)選取，網(wǎng)絡(luò)運(yùn)行為單向傳播，沒有反饋和返化能力差。基于此，出現(xiàn)了一些旨在改善BPN學(xué)習(xí)效果的方法。其中一個(gè)方法是通過發(fā)展更有效的學(xué)習(xí)算法去縮短學(xué)習(xí)時(shí)間。Moiler(1993)研制了一個(gè)比例共軛梯度算法去加快學(xué)習(xí)速度；Adeli和Hung(1994)建立了一個(gè)自適應(yīng)共軛梯度神經(jīng)網(wǎng)絡(luò)(Ad-CGN)學(xué)習(xí)算法，并將其應(yīng)用到了結(jié)構(gòu)工程當(dāng)中。Sanossian和Evans(1995)用一個(gè)基于梯度的啟發(fā)式算法去加速神經(jīng)網(wǎng)絡(luò)。另一個(gè)方法是利用平行算法去縮短計(jì)算時(shí)間。例如，Adeli和Hung(1993)提出了一個(gè)實(shí)時(shí)Ad-CGN學(xué)習(xí)算法去解決大規(guī)模模式識別問題，他們的算法在縮短BPN計(jì)算時(shí)間方面取得了一些進(jìn)展。此外，通過合理選擇代表性框架來表示訓(xùn)練的輸入輸出模式可以極大地改善神經(jīng)網(wǎng)絡(luò)的工程應(yīng)用性能。Gunaratnam和Gero(1994)討論了BPN應(yīng)用于結(jié)構(gòu)設(shè)計(jì)時(shí)訓(xùn)練樣本的輸入輸出模式對BPN性能的影響。上面提到Hung和Lin(1994)在一個(gè)類似于牛頓第2定律的L-BFGS方法基礎(chǔ)上利用非線性搜索算法研制了一個(gè)更有效的自適應(yīng)性算法L-BFGS。S.F.Masri(1999)在應(yīng)用力學(xué)研究中用自適應(yīng)隨機(jī)搜索技術(shù)(ARS)訓(xùn)練了BPN。對BPN的改進(jìn)的算法還有許多，這些算法各有其優(yōu)點(diǎn)，也都有需要改進(jìn)的地方。因此，為了使BPN能更為高效快速，我們今后還需要做更多的研究工作。

第8篇：常見的神經(jīng)網(wǎng)絡(luò)算法范文

【關(guān)鍵詞】窯電流；RBF神經(jīng)網(wǎng)絡(luò)；模糊控制；預(yù)測控制

引言

水泥回轉(zhuǎn)窯是新型干法水泥生產(chǎn)線的核心設(shè)備，生料煅燒理化反應(yīng)是水泥生產(chǎn)過程在回轉(zhuǎn)窯中最關(guān)鍵的部分，回轉(zhuǎn)窯的負(fù)載電流能很大程度反映窯內(nèi)熱工狀況。研究窯電流的建模和預(yù)測方法，對提高水泥回轉(zhuǎn)窯的控制水平具有重要的理論和實(shí)際意義。

時(shí)變性、非線性、滯后性是回轉(zhuǎn)窯的重要特征，窯電流是回轉(zhuǎn)窯的主要參數(shù)之一，其波動(dòng)情況受很多因素共同影響，普通的數(shù)學(xué)模型很難比較精確的預(yù)測窯電流的變化趨勢。

根據(jù)上述問題本文采用模糊控制與神經(jīng)網(wǎng)絡(luò)算法相結(jié)合的方法對窯電流的發(fā)展趨勢進(jìn)行預(yù)測。建立RBF神經(jīng)網(wǎng)絡(luò)的預(yù)測模型，將預(yù)測數(shù)據(jù)與實(shí)測數(shù)據(jù)進(jìn)行了比較，發(fā)現(xiàn)預(yù)測數(shù)據(jù)與實(shí)測數(shù)據(jù)誤差很小，對水泥廠實(shí)際生產(chǎn)具有很高價(jià)值的指導(dǎo)意義。

1、RBF神經(jīng)網(wǎng)絡(luò)

1.1RBF網(wǎng)絡(luò)常用學(xué)習(xí)算法

基函數(shù)中心的選取對RBF網(wǎng)絡(luò)性能的影響并是至關(guān)重要的，RBF網(wǎng)絡(luò)中心選取不當(dāng)構(gòu)造不出性能優(yōu)越的網(wǎng)絡(luò)。例如，有些網(wǎng)絡(luò)數(shù)值上產(chǎn)生病變是由于選取的網(wǎng)絡(luò)中心太靠近造成近似線性相關(guān)。通常使用的RBF有：高斯函數(shù)、多二次函數(shù)、逆多二次函數(shù)、薄板樣條函數(shù)等。高斯函數(shù)的應(yīng)用在普通RBF網(wǎng)絡(luò)中是比較常見的。高斯基函數(shù)表達(dá)形式簡單對于多輸入變量復(fù)雜性不會有太多增加，所以常作為基函數(shù)，并且徑向?qū)ΨQ；光滑性好，任意階導(dǎo)數(shù)均存在?；瘮?shù)結(jié)構(gòu)簡單解析性好的基函數(shù)是進(jìn)行理論分析的基礎(chǔ)。

隨機(jī)選取中心、自組織選取中心、有監(jiān)督選取中心、正交最小二乘等方法是按RBF的中心選取方法的來區(qū)分的。采用監(jiān)督學(xué)習(xí)算法對數(shù)的中心、擴(kuò)展常數(shù)和輸出層權(quán)值進(jìn)行訓(xùn)練，在訓(xùn)練過程中不斷修整參數(shù)。本文介紹一種梯度下降算法。

參數(shù)公式是目標(biāo)函數(shù)在訓(xùn)練過程中通過樣本誤差不斷修整，所有樣本輸入一輪后對應(yīng)各參數(shù)調(diào)整一次。瞬時(shí)值可以作為目標(biāo)函數(shù)的表達(dá)形式，即當(dāng)前輸入樣本引起的誤差：E=0.5e*e。單樣本訓(xùn)練模式的目的是使上式中目標(biāo)函數(shù)參數(shù)誤差最小化。

2、模糊控制器

模糊控制器如圖2所示主要由：模糊化、模糊控制規(guī)則、模糊決策和解模糊，四部分組成。

結(jié)合現(xiàn)場實(shí)際工況，將系統(tǒng)偏差E和偏差變化率EC作為模糊控制器的輸入，S作為輸出。設(shè)定輸入變量偏差E和偏差變化率EC語言值的模糊子集為{負(fù)大，負(fù)中，負(fù)小，零，正小，正中，正大}，并簡記為{NB，NM，NS，Z，PS，PM，PB}。窯電流偏差E和偏差變化率EC的論域定為[-100，100]，ΔS為模糊控制器輸出值S的調(diào)整值。ΔS的論域?yàn)椋害=[-0.5，0.5]，其模糊集為：ΔS= {NB，NM，NS，Z，PS，PM，PB}，模糊集中元素NB、NM、NS、Z、PS、PM、PB，分別為負(fù)大、負(fù)中、負(fù)小、零、正小、正中，正大。 隸屬度函數(shù)NB、PB選為高斯函數(shù)，其余選取等腰三角形函數(shù)作為隸屬度函數(shù)。E，EC作為兩個(gè)輸入值決定模糊控制器調(diào)整值ΔS的輸出。模糊控制器輸出值S與調(diào)整值ΔS根據(jù)如下公式進(jìn)行調(diào)整

3、RBF神經(jīng)模糊網(wǎng)絡(luò)控制系統(tǒng)的結(jié)構(gòu)

具有學(xué)習(xí)算法的模糊RBF神經(jīng)網(wǎng)絡(luò)被稱作RBF神經(jīng)模糊網(wǎng)絡(luò)系統(tǒng)，“if-then”是模糊規(guī)則的表達(dá)形式，模糊規(guī)則在模糊RBF神經(jīng)系統(tǒng)中占有控制決策的支配地位；神經(jīng)模糊系統(tǒng)的參數(shù)的調(diào)整則通過學(xué)習(xí)算法對數(shù)據(jù)信息的更新來完成。通過學(xué)習(xí)能自動(dòng)產(chǎn)生模糊規(guī)則是RBF模糊神經(jīng)系統(tǒng)的優(yōu)勢所在。模糊RBF神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)的結(jié)構(gòu)圖如圖3所示。R為輸入信號，E、Ec分別為窯頭溫度、壓力和窯尾溫度、壓力與設(shè)定值的誤差及誤差變化率，E和Ec量化后的模糊量送入RBF神經(jīng)網(wǎng)絡(luò)構(gòu)成神經(jīng)模糊網(wǎng)絡(luò)控制器的輸入；Ke、Kc為量化因子。

4、控制算法的應(yīng)用

在生產(chǎn)現(xiàn)場，采用了本文所述控制算法的軟件與水泥生產(chǎn)線的DCS系統(tǒng)相連接，并應(yīng)用該軟件對回轉(zhuǎn)窯各參數(shù)進(jìn)行了200分鐘的在線控制，根據(jù)現(xiàn)場情況和燒成系統(tǒng)的工藝要求，將窯電流的目標(biāo)設(shè)定值為1150A。應(yīng)用本文所提出的預(yù)測控制方式下，對后30分鐘窯電流的變化值進(jìn)行了預(yù)測，如圖4所示。

試驗(yàn)表明在經(jīng)過6次迭代后窯電流網(wǎng)絡(luò)訓(xùn)練趨于穩(wěn)定，在經(jīng)過第69次迭代時(shí)網(wǎng)絡(luò)的預(yù)測性能達(dá)到最佳。經(jīng)過與實(shí)測數(shù)據(jù)的對比，仿真的數(shù)據(jù)是合理的，最后的均方差誤差小，測試集誤差和驗(yàn)證集誤差特征類似，沒有明顯的因過擬合想象發(fā)生的迭代。結(jié)合圖4和圖5所示，表明RBF模糊神經(jīng)網(wǎng)絡(luò)對窯電流的預(yù)測有較高可靠性。

5、結(jié)束語

本文應(yīng)用模糊RBF神經(jīng)網(wǎng)絡(luò)對回轉(zhuǎn)窯系統(tǒng)建立控制模型，當(dāng)現(xiàn)場工況出現(xiàn)波動(dòng)時(shí)，控制系統(tǒng)把偏差量送入模糊RBF神經(jīng)預(yù)測系統(tǒng)中，根據(jù)實(shí)測數(shù)據(jù)進(jìn)行分析處理，從而較為準(zhǔn)確預(yù)測出窯電流的變化趨勢，對燒成系統(tǒng)的預(yù)判斷有很大的參考價(jià)值，便于提前對回轉(zhuǎn)窯系統(tǒng)進(jìn)行調(diào)整。

參考文獻(xiàn)

[1]龐清樂.基于粗糙集理論的神經(jīng)網(wǎng)絡(luò)預(yù)測算法及其在短期負(fù)荷預(yù)測中的應(yīng)用[J].電網(wǎng)技術(shù)，2010，12.

[2]張亮，王瑞民，周友運(yùn).一種基于模糊神經(jīng)網(wǎng)絡(luò)融合的故障診斷模型研究[J].彈箭與制導(dǎo)學(xué)報(bào)，2005，25（3）.

[3]A. J. Adeloye， A. De Munari. Artificial neural network based generalized storage-yield - reliability models using the Levenberg-Marquardt algorithm [J]. Journalof Hydrology， 2006，326 （1-4）： 215-230.

[4]李永亮，袁鑄鋼，于宏亮.ART-2在回轉(zhuǎn)窯電機(jī)電流模式識別中的應(yīng)用[J].濟(jì)南大學(xué)學(xué)報(bào)（自然科學(xué)版），2008，22（2）：149-152.

[5]李萍，烏日圖，楊舉憲.水泥回轉(zhuǎn)窯系統(tǒng)模糊控制研究[J].內(nèi)蒙古科技與經(jīng)濟(jì)，2004（9）：81-82.

[6]胡寶清.模糊理論基礎(chǔ)[M]2版，武漢大學(xué)出版社，2010.330-446.

作者簡介

第9篇：常見的神經(jīng)網(wǎng)絡(luò)算法范文

〔關(guān)鍵詞〕電子商務(wù)；銷售能力；評價(jià)體系；遺傳算法；BP神經(jīng)網(wǎng)絡(luò)

DOI：10.3969/j.issn.1008-0821.2013.10.027

〔中圖分類號〕F724.6〔文獻(xiàn)標(biāo)識碼〕A〔文章編號〕1008-0821（2013）10-0120-04

根據(jù)中國互聯(lián)網(wǎng)信息中心數(shù)據(jù)顯示，截至2012年12月，我國網(wǎng)絡(luò)購物用戶規(guī)模達(dá)到2.42億人，網(wǎng)絡(luò)購物使用率提升至42.9%。在“十二五”規(guī)劃明確要積極發(fā)展電子商務(wù)后，國家對企業(yè)進(jìn)入電子商務(wù)市場扶持力度的不斷加大，加之企業(yè)自身意識的提升以及電子商務(wù)運(yùn)營商新型政策的出臺等原因，促使電子商務(wù)行業(yè)蓬勃發(fā)展以及傳統(tǒng)企業(yè)互聯(lián)網(wǎng)化程度的不斷加深。根據(jù)易觀國際2012年7月的研究報(bào)告顯示，2012年第2季度中國網(wǎng)上零售市場交易規(guī)模達(dá)到2 788億元，環(huán)比增長27.4%，同比增長45%。其中B2C交易額988.4億，逼近千億。由此可以看出，相比傳統(tǒng)購物模式，網(wǎng)絡(luò)購物在時(shí)間、地域以及商品選擇等方面都具有很大優(yōu)勢，網(wǎng)絡(luò)購物的方便快捷特點(diǎn)，使其受到越來越多的關(guān)注，并逐漸成為人們生活中不可或缺的一部分。網(wǎng)購用戶的迅猛增長為網(wǎng)絡(luò)購物市場帶來廣闊的發(fā)展前景，與此同時(shí)也帶來了電子商務(wù)領(lǐng)域日趨激烈的競爭。對于電子商務(wù)的企業(yè)而言，進(jìn)行生產(chǎn)或提供服務(wù)的最終目的都是誘發(fā)消費(fèi)者的購買行為，如何讓自己的產(chǎn)品在激烈競爭的市場中獲得優(yōu)勢是至關(guān)重要的問題。因此，全面分析電子商務(wù)中產(chǎn)品銷售能力影響因素間的關(guān)系，構(gòu)建產(chǎn)品銷售能力評價(jià)體系，對企業(yè)把握自身產(chǎn)品的競爭優(yōu)勢，爭取利潤，制定有效的生產(chǎn)計(jì)劃，提高競爭力具有重要的現(xiàn)實(shí)意義。

隨著電子商務(wù)的迅猛發(fā)展，針對網(wǎng)絡(luò)消費(fèi)的分析和研究也越來越多。文獻(xiàn)[1]介紹了電子商務(wù)條件下影響消費(fèi)者購買行為的個(gè)人以及環(huán)境因素。文獻(xiàn)[2]分析了網(wǎng)絡(luò)團(tuán)購條件下消費(fèi)者購買選擇行為偏好的影響因素。文獻(xiàn)[3]針對電子商務(wù)賣家的激烈競爭環(huán)境，提出了電子商務(wù)環(huán)境下賣家可以采取的5種具體競爭戰(zhàn)略。

盡管國內(nèi)外有關(guān)電子商務(wù)的研究已經(jīng)成為近幾年的學(xué)術(shù)研究熱點(diǎn)，但是相對而言，大多數(shù)的研究都集中在對于網(wǎng)絡(luò)環(huán)境下消費(fèi)者的消費(fèi)心理以及影響其購買行為因素等方面，對電子商務(wù)產(chǎn)品銷售能力的研究沒有進(jìn)行深入探討，也沒有形成關(guān)于產(chǎn)品銷售能力的全面評價(jià)體系。針對電子商務(wù)中產(chǎn)品銷售能力的分析是一個(gè)信息不完全的復(fù)雜多因素綜合決策問題，運(yùn)用定性和定量相結(jié)合的系統(tǒng)分析方法，研究電子商務(wù)中產(chǎn)品銷售能力的評價(jià)指標(biāo)體系。采用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)評價(jià)方法對電子商務(wù)產(chǎn)品銷售能力進(jìn)行評價(jià)，提高了評價(jià)結(jié)果的科學(xué)性和合理性，以利于電子商務(wù)企業(yè)在產(chǎn)品營銷策略中做出正確的決策。

科學(xué)合理地構(gòu)建電子商務(wù)產(chǎn)品銷售能力的評價(jià)指標(biāo)系統(tǒng)，是正確評價(jià)電子商務(wù)產(chǎn)品銷售能力的前提和基礎(chǔ)。因此，對電子商務(wù)產(chǎn)品銷售能力的分析原則上應(yīng)能科學(xué)、全面、客觀和公正地反映其真實(shí)的內(nèi)涵和水平。本文試圖通過對影響電子商務(wù)產(chǎn)品銷售能力的因素進(jìn)行分析和整合，從定性和定量相結(jié)合的角度，由電子商務(wù)中產(chǎn)品的銷售策略因素、產(chǎn)品特性因素、產(chǎn)品的交易因素、產(chǎn)品服務(wù)與信譽(yù)機(jī)制因素4個(gè)一級指標(biāo)以及與之相關(guān)的16個(gè)二級指標(biāo)來建立電子商務(wù)產(chǎn)品銷售能力的評價(jià)指標(biāo)體系（見表1）。

表1電子商務(wù)產(chǎn)品銷售能力的評價(jià)指標(biāo)體系[4-6]

一級指標(biāo)1二級指標(biāo)1指標(biāo)說明產(chǎn)品銷售策略因素1產(chǎn)品廣告投入1定量；廣告投入/成本產(chǎn)品促銷力度1定量；促銷投入/成本互動(dòng)營銷方式的開展1定量；一年內(nèi)賣家互動(dòng)營銷，體驗(yàn)營銷的開展次數(shù)。整合網(wǎng)絡(luò)營銷的進(jìn)行1定量；整合網(wǎng)絡(luò)多種營銷推廣投入/成本產(chǎn)品特性因素1性能/價(jià)格比1定性；單位付出所購得的商品性能品牌價(jià)值1定性；反應(yīng)人們對產(chǎn)品綜合品質(zhì)的評價(jià)和認(rèn)知質(zhì)量水平1定性；反應(yīng)產(chǎn)品成功滿足用戶的需要程度市場占有率1定量；產(chǎn)品的市場占有率產(chǎn)品交易因素1銷量1定量；最近一個(gè)月內(nèi)產(chǎn)品的銷售數(shù)量產(chǎn)品配送力度1定量；物流的平均配送時(shí)間交易的安全性1定性；買家交易過程中的安全性顧客好評率1定量；顧客對產(chǎn)品的好評率產(chǎn)品服務(wù)與

信譽(yù)機(jī)制因素1產(chǎn)品信息提供1定量；反應(yīng)賣家對產(chǎn)品完整、無偏差信息提供程度的評分賣家服務(wù)水平1定量；反應(yīng)賣家服務(wù)質(zhì)量的評分消費(fèi)者保障機(jī)制1定量；是否支持消費(fèi)者保障、產(chǎn)品退貨換貨等服務(wù)賣家信譽(yù)度1定量；反應(yīng)賣家信譽(yù)的評分

1.1電子商務(wù)產(chǎn)品的銷售策略

在電子商務(wù)賣家激烈競爭的環(huán)境里，產(chǎn)品的銷售一直是企業(yè)所圍繞的話題，銷量無疑是賣家的最終追求。提高企業(yè)產(chǎn)品的知名度以及打造產(chǎn)品的品牌效應(yīng)，讓企業(yè)的產(chǎn)品或品牌深入到消費(fèi)者心坎里去，讓消費(fèi)者認(rèn)識產(chǎn)品、了解產(chǎn)品、信任產(chǎn)品到最后的依賴產(chǎn)品是電子商務(wù)企業(yè)產(chǎn)品銷售策略最直接的體現(xiàn)。因此，電子商務(wù)產(chǎn)品的銷售策略是產(chǎn)品銷售能力至關(guān)重要的因素。

1.2電子商務(wù)產(chǎn)品特性

網(wǎng)絡(luò)購買相對于傳統(tǒng)的購買來說，是發(fā)生在一個(gè)新的購買環(huán)境里，并且具有產(chǎn)銷活動(dòng)無時(shí)空限制、個(gè)性化和共享性突出等顯著特征[7]，消費(fèi)者只能憑借有限的信息來了解物品，無法親身體驗(yàn)物品。因此，在網(wǎng)絡(luò)消費(fèi)環(huán)境下，產(chǎn)品的性價(jià)比、品牌價(jià)值、質(zhì)量以及市場占有率對其銷售能力的影響也就顯得更為重要了。

1.3產(chǎn)品交易

由于網(wǎng)上交易的虛擬性，交易過程中買賣雙方通常是處在非面對面環(huán)境中[8]，在信息不對稱和不完全的條件下，除了商品的銷售量外，消費(fèi)者往往更有可能通過在線評論去信任其他消費(fèi)者，尤其是已購買者提供的經(jīng)驗(yàn)信息。此外，網(wǎng)上購物無法提供像現(xiàn)場購物那樣的安全放心的交易，交易本身的安全性以及物流的配送力度很大程度上影響著消費(fèi)者的購買決策。

1.4產(chǎn)品服務(wù)與信譽(yù)機(jī)制

由于互聯(lián)網(wǎng)絡(luò)的開放性、虛擬性、數(shù)字化等特征，網(wǎng)絡(luò)購物與傳統(tǒng)購物模式相比，消費(fèi)者感知到的風(fēng)險(xiǎn)會比較大[9]，消費(fèi)者無法進(jìn)行實(shí)物商品的體驗(yàn)，因而增加了購買的不確定性。所以，對賣家而言，完整、無偏差的產(chǎn)品信息提供與消費(fèi)者之間無障礙的溝通有利于引導(dǎo)消費(fèi)者的購買。同時(shí)，健全的消費(fèi)者保障機(jī)制以及良好的信譽(yù)度也是提升賣家競爭優(yōu)勢的關(guān)鍵所在。

2電子商務(wù)產(chǎn)品銷售能力評價(jià)方法

由于層次分析法、灰色評價(jià)法以及模糊綜合評價(jià)法等常見的評價(jià)方法都依賴專家打分來確定權(quán)重，難以避免其評價(jià)過程中的主觀隨意性。神經(jīng)網(wǎng)絡(luò)具有高速信息處理的能力以及很強(qiáng)的不確定性信息處理能力。即使輸入信息不完全、不準(zhǔn)確或模糊不清，神經(jīng)網(wǎng)絡(luò)仍然能夠聯(lián)想存在于記憶中的事物的完整圖像[10]。利用神經(jīng)網(wǎng)絡(luò)并行分布、自組織適應(yīng)、收斂性和容錯(cuò)性的優(yōu)勢，結(jié)合定性與定量分析，能夠有效的適應(yīng)電子商務(wù)產(chǎn)品銷售能力這類多因素和不確定性問題。針對標(biāo)準(zhǔn)的BP神經(jīng)網(wǎng)絡(luò)存在著收斂速度慢和容易陷入局部極小值的問題，采用遺傳算法對BP神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)進(jìn)行優(yōu)化，將優(yōu)化后的神經(jīng)網(wǎng)絡(luò)用于電子商務(wù)產(chǎn)品銷售能力評價(jià)中，能夠較好的保證評價(jià)結(jié)果的客觀性。

2.1遺傳算法（GA）

遺傳算法（Genetic Algorithm，GA）是一種基于自然選擇和基因遺傳機(jī)理的全局搜索算法，算法以生物界的進(jìn)化規(guī)律為參照，通過模擬自然界進(jìn)化來尋找最優(yōu)解。遺傳算法將生物界“優(yōu)勝劣汰、適者生存”的進(jìn)化原理引入到待優(yōu)化參數(shù)形成的編碼串群體中，按照一定的適應(yīng)度函數(shù)及一系列遺傳操作對各個(gè)體進(jìn)行篩選[11]，從而產(chǎn)生新一代群體，并通過給定的適應(yīng)度值來決定種群中個(gè)體的去留，最終使群體進(jìn)化到包含或接近最優(yōu)解的狀態(tài)。基本遺傳算法的流程如圖1。

1圖1基本遺傳算法的流程圖1

2.2基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型

遺傳算法的全局優(yōu)化、自適應(yīng)以及概率搜索等特點(diǎn)使得它能夠?qū)δ繕?biāo)函數(shù)空間進(jìn)行多線索的并進(jìn)式搜索，能夠彌補(bǔ)BP神經(jīng)網(wǎng)絡(luò)連接權(quán)值和閾值選擇上的隨機(jī)性缺陷。本文利用遺傳算法來優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值。通過建立染色體編碼長度與神經(jīng)網(wǎng)絡(luò)連接權(quán)值之間的映射，使神經(jīng)網(wǎng)絡(luò)中連接權(quán)值和偏置值的個(gè)數(shù)與編碼的長度一致，并使用神經(jīng)網(wǎng)絡(luò)誤差的倒數(shù)作為適應(yīng)度函數(shù)?；谶z傳算法的BP神經(jīng)網(wǎng)絡(luò)初始權(quán)值優(yōu)化步驟如下：

（1）初始化BP網(wǎng)絡(luò)結(jié)構(gòu)。初始化神經(jīng)網(wǎng)絡(luò)各層間的連接權(quán)值、閾值，并將它們順序級聯(lián)，構(gòu)成初始的染色體組；

（2）設(shè)定網(wǎng)絡(luò)誤差函數(shù)的倒數(shù)為染色體的適應(yīng)度函數(shù)，并計(jì)算每個(gè)染色體的適應(yīng)值；

（3）根據(jù)個(gè)體適應(yīng)度大小，選出適應(yīng)度高的個(gè)體，并按一定的交叉概率和變異概率產(chǎn)生新的個(gè)體，并計(jì)算它們的適應(yīng)度；

（4）考察種群中染色體的適應(yīng)度或當(dāng)前循環(huán)次數(shù)，如果滿足結(jié)束條件，得出適應(yīng)度最大的個(gè)體，作為BP網(wǎng)絡(luò)的初始權(quán)值和閾值，否則，轉(zhuǎn)至步驟（3）；

（5）用（4）得到的權(quán)值和偏置對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

3評價(jià)模型的建立

3.1電子商務(wù)產(chǎn)品銷售能力評價(jià)指標(biāo)預(yù)處理

在電子商務(wù)產(chǎn)品銷售能力評價(jià)指標(biāo)體系中，同時(shí)存在定性指標(biāo)和定量指標(biāo)，為了增加各指標(biāo)間的可比性，必須對各指標(biāo)進(jìn)行處理。由于定量指標(biāo)的衡量單位和級差各不相同，所以必須對其進(jìn)行規(guī)范化和趨同化處理，具體處理方式如下：

x（t）=x（t）-xmin1xmax-xmin

式中，x（t）表示預(yù)處理后的數(shù)據(jù)，xmax和xmin分別為評價(jià)系統(tǒng)區(qū)域范圍內(nèi)某項(xiàng)指標(biāo)的最大值和最小值。經(jīng)過數(shù)據(jù)預(yù)處理后，數(shù)據(jù)范圍在[0，1]區(qū)間中。

對于定性指標(biāo)，因?yàn)椴荒苤苯恿炕?，可以通過模糊綜合評價(jià)的方法，確定各指標(biāo)對于“電子商務(wù)產(chǎn)品銷售能力高低”這個(gè)模糊集的隸屬度，以指標(biāo)的隸屬度作為神經(jīng)網(wǎng)絡(luò)的輸入值。確定其隸屬度的具體做法是：設(shè)xi是定性評價(jià)指標(biāo)，V=（v1，v2，…，vn）是其對應(yīng)的評價(jià)集，U=（u1，u2，…，un）為評價(jià)集V對應(yīng)的權(quán)重，xi相對于評價(jià)集V的隸屬度向量ri=（ri1，ri2，…，rin）可以通過專家評價(jià)或者問卷調(diào)查等方法來確定。根據(jù)模糊矩陣合成法B=U·ri便可計(jì)算出定性指標(biāo)在給定標(biāo)度U下的量化值了。在電子商務(wù)產(chǎn)品銷售能力定性評價(jià)指標(biāo)體系中，指標(biāo)對于“電子商務(wù)產(chǎn)品銷售能力”的模糊評價(jià)集為（差、一般、中等、好），相應(yīng)的權(quán)重為B=（1，0.7，0.4，0.1）。

3.2電子商務(wù)產(chǎn)品銷售能力評價(jià)模型結(jié)構(gòu)的確定

（1）網(wǎng)絡(luò)的層數(shù)。根據(jù)Kolmogorov定理，在不限制隱含層節(jié)點(diǎn)數(shù)的情況下，三層BP神經(jīng)網(wǎng)絡(luò)充分學(xué)習(xí)后能夠?qū)崿F(xiàn)任何非線性映射，因此構(gòu)建三層結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)。

（2）網(wǎng)絡(luò)的節(jié)點(diǎn)數(shù)。電子商務(wù)產(chǎn)品銷售能力的評估是一個(gè)模式識別問題，網(wǎng)絡(luò)的目標(biāo)是根據(jù)輸入?yún)?shù)給出產(chǎn)品銷售能力評價(jià)的綜合指數(shù)。由于輸入向量包含16項(xiàng)指標(biāo)，故輸入層應(yīng)包含16個(gè)節(jié)點(diǎn)，輸出層只有一個(gè)輸出節(jié)點(diǎn)，輸出電子商務(wù)產(chǎn)品銷售能力評價(jià)的綜合指數(shù)。隱含層節(jié)點(diǎn)數(shù)的設(shè)計(jì)參考經(jīng)驗(yàn)式：J=entn+m+a。式中，ent為取整函數(shù)，n和m分別表示輸入層、輸出層神經(jīng)元的個(gè)數(shù)，a為1～10之間的常數(shù)。根據(jù)試算比較，本文最終確定隱含層節(jié)點(diǎn)數(shù)為11。

（3）確定隱含層、輸出層傳遞函數(shù)關(guān)系以及訓(xùn)練函數(shù)。網(wǎng)絡(luò)隱含層傳遞函數(shù)采用雙曲正切函數(shù)tansig，輸出層傳遞函數(shù)采用對數(shù)函數(shù)logsig，訓(xùn)練函數(shù)為LM（Levenberg-Marquardt）算法（trainlm）。

（4）設(shè)定遺傳算法的種群規(guī)模為30，最大進(jìn)化代數(shù)為800，選擇概率為0.8，交叉概率為0.5，變異概率0.05。

4結(jié)論

隨著互聯(lián)網(wǎng)的高速發(fā)展，網(wǎng)絡(luò)交易模式逐步被人們所接受并應(yīng)用，網(wǎng)絡(luò)購物的方便快捷、便宜、降低消費(fèi)成本等優(yōu)勢，使其越來越受到消費(fèi)者的歡迎。對網(wǎng)絡(luò)交易中的供應(yīng)商而言，準(zhǔn)確分析和判斷其產(chǎn)品的銷售能力是提高自身競爭優(yōu)勢的重要環(huán)節(jié)。因而，對電子商務(wù)產(chǎn)品銷售能力的評價(jià)是一個(gè)綜合系統(tǒng)的動(dòng)態(tài)過程，需要設(shè)計(jì)全面的評價(jià)指標(biāo)體系并對其進(jìn)行綜合評價(jià)。本文在分析了電子商務(wù)產(chǎn)品銷售能力構(gòu)成的基礎(chǔ)上，利用基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的評價(jià)模型，來評價(jià)電子商務(wù)產(chǎn)品的銷售能力。通過結(jié)合遺傳算法多點(diǎn)搜索的全局尋優(yōu)能力和BP神經(jīng)網(wǎng)絡(luò)算法的局部搜索優(yōu)勢，能夠有效的避免網(wǎng)絡(luò)陷入局部最優(yōu)，同時(shí)保證了評價(jià)結(jié)果的準(zhǔn)確性，對電子商務(wù)產(chǎn)品銷售能力的評價(jià)有助于供應(yīng)商準(zhǔn)確地了解產(chǎn)品屬性及其競爭優(yōu)勢，對設(shè)計(jì)產(chǎn)品、制定營銷策略和完善商家服務(wù)體系具有指導(dǎo)作用。

參考文獻(xiàn)

[1]陳慧，李遠(yuǎn)志.電子商務(wù)條件下消費(fèi)者購買決策影響因素探析[J].北京郵電大學(xué)學(xué)報(bào)：社會科學(xué)版，2007，9（2）：1-4，24.

[2]寧連舉，張瑩瑩.網(wǎng)絡(luò)團(tuán)購消費(fèi)者購買選擇行為偏好及其實(shí)證研究——以餐飲類團(tuán)購為例[J].東北大學(xué)學(xué)報(bào)：社會科學(xué)版，2011，13（5）：404-409，415.

[3]薛有志，郭勇峰.C2C電子商務(wù)賣家的競爭戰(zhàn)略研究：基于淘寶網(wǎng)的分析[J].南開管理評論，2012，15（5）：129-140.

[4]郭贊偉.網(wǎng)絡(luò)消費(fèi)及其影響因素：基于中國數(shù)據(jù)的實(shí)證研究[D].長沙：湖南大學(xué)，2010.

[5]周毅.網(wǎng)絡(luò)購買決策關(guān)鍵影響因素挖掘研究[D].上海：東華大學(xué)，2011.

[6]鄭小平.在線評論對網(wǎng)絡(luò)消費(fèi)者購買決策影響的實(shí)證研究[D].北京：中國人民大學(xué)，2008.

[7]李遠(yuǎn)志.北京大學(xué)生網(wǎng)絡(luò)消費(fèi)決策影響因素的實(shí)證研究[D].北京：北京郵電大學(xué)，2008.

[8]李瑞軒，高昶，辜希武，等.C2C電子商務(wù)交易的信用及風(fēng)險(xiǎn)評估方法研究[J].通信學(xué)報(bào)，2009，30（7）：78-85.

[9]孫曙迎.消費(fèi)者網(wǎng)絡(luò)信息可信度感知影響因素的實(shí)證研究[J].北京理工大學(xué)學(xué)報(bào)：社會科學(xué)版，2008，10（6）：50-54.