人工神經網絡法精選(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人工神經網絡法主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：人工神經網絡法范文

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

關鍵詞：人工神經網絡Matlab水質評價BP

中圖分類號： TN711文獻標識碼：A 文章編號：

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

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

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

1 BP人工神經網絡簡介

BP (Back Propagation)神經網絡是一種神經網絡學習算法，全稱是基于誤差反向傳播算法的人工神經網絡。它的學習過程，由信息的正向傳播和誤差的反向傳播兩個過程組成。輸入層各神經元負責接收來自外界的輸入信息，并傳遞給中間層各神經元；中間層是內部信息處理層，負責信息變換；最后一個隱層傳遞到輸出層各神經元的信息，經進一步處理后，完成一次學習的正向傳播處理過程，由輸出層向外界輸出信息處理結果。

BP神經網絡相對比其他的神經網絡，具有運算速度快，疊加性好等特點。

2分析方法模型建立

2.1 分析標準選擇

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

表1水質評價的要素表（單位：mg/L）

2.2 分析方法建立

分析方法基本流程如圖

圖1基本流程圖

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

圖2BP神經網絡結構

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

2.3 平臺選擇

本文使用的開發平臺為MATLAB7.8(R2009a)。

2.4 算法選擇

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

2.5 學習訓練和模擬

網絡的訓練學習，分為如下幾步：

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

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

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

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

圖3 網絡訓練誤差圖

采用指令 a= sim(net,p)模擬；

訓練結果：1.0001 1.9998 3.0001 4.0000 5.0000

這說明網絡已經訓練完畢，可以使用進行實際應用。

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

3實驗結果

3.1 小量樣本對比實驗

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

表2小量樣本結果

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

從小量樣本的結果看，BP神經網絡法的評價與實際的符合度較好。

3.2 大量樣本對比實驗

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

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

表3大量樣本結果

與往年數據進行比較，結果如下：

圖4 地下水歷年評價結果對比圖

由上圖可以看出，使用BP神經網絡法對水質進行分析評價，結果比較合理，與往年的數據相符合，結果可信。

4結論

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

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

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

參考文獻：

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

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

第2篇：人工神經網絡法范文

【關鍵詞】自組織神經網絡；智能建筑管理；BP神經網絡

1 基于自組織神經網絡技術原理

基于大規模自組織神經網絡技術[1]是在自組織神經網絡技術和專家系統的基礎原理運用多層數據融合彌補了單循環數據在智能建筑工程管理分析數據處理的不足和邏輯的缺陷學科.多跳自組織神經網絡是智能傳感器采集數據訓練樣本仿真學習模型即自動增速各個自組織神經元連接權閥值與感知識別隱式分布在整個網絡結構體系中實現自組織神經網絡模式記憶與信息處理應用.

2 基于大規模自組織神經網絡在智能建筑管理中研究

2.1 基于多跳自組織神經網絡在造價預測研究

基于大規模自組織BP神經模型應用40個高層智能建筑工程樣本訓練并用工程實例進行驗證高精確性;而用大規模自組織神經網絡模擬與輸入層和隱含層加入了偏置自組織神經元來促進學習訓練樣本數據中有噪聲、干擾等會造成過度學習現象,同時采用遺傳優化算法進行建筑結構優化.基于BP神經在智能建筑工程估價中的應用“特征提取器”的運算大量過去的工程資料中自動提取工程特征與預算資料的規律關系數據.

2.2 基于大規模自組織神經網絡在工程管理績效評價中的應用

運用大規模自組織BP神經模型對工程管理績效評價問題進行研究建立綜合考慮工期、質量、費用、安全四大控制指標的工程管理績效評價模型[2].實踐證明,基于BP神經網絡在運算工程管理績效評估模型有利于多跳自組織神經網絡預測工程工期、質量、成本、安全與績效之間復雜的非線性關系來提高管理績效的評價數據.

2.3 基于遺傳算法模型在建設工程評標結構優化應用

基于多層神經網絡的工作原理是先將輸入信號傳輸到下一層節點運算函數處理后再將該節點的輸出信息向下一層節點傳輸到信號傳輸到輸出層節點為止.同時運用遺傳算法模型構造及算法設計進行方案優劣排序、換位矩陣以及能量函數構造、大規模自組織神經元之間連接和輸出,并用實例說明了該方法的優越性和實用性與非線性.

2.4 基于BP神經網絡模型在建設工程招投標管理應用研究

基于BP神經網絡多層數據融合多跳自組織神經網絡技術原理分析自動預測工程招投標的招標價格和風險因素分析以及競標單位資格審查等方面的應用指出多跳自組織神經網絡具有的高度并行處理和可完成復雜輸入輸出的非線性映射組合結構,不僅可以保證高的中標率,且可避免招標過程中不確定性因素的影響.運用大規模自組織神經網絡的工程承包招投標報價的研究,提出了一個多因素確定高層智能建筑投標報價的大規模自組織模型影響報高率的諸多因素,并確定了其權值即確定了用BP神經網絡實施黑箱操作的樣本輸入值和目標值再通過訓練樣本自主調整修正輸入節點和輸出節點間的聯系得出符合各種情況要求的權值矩陣算法.

2.5 基于智能建筑算法模型研究

基于BP神經網絡是以訓練樣本算法即誤差反向傳播算法即BP神經算法的學習過程分為信息的正向傳播和誤差的反向傳播[1],其通過訓練樣本前一次迭代的權值和閾值來應用神經網絡技術的第一層向后計算各層大規模自組織神經元的輸出和最后層向前計算各層權值和閾值對總誤差的梯度進而對前面各層的權值和閾值進行修改運算反復直到神經網絡樣本收斂 BP神經網絡輸入向量為

X=( )T;隱含層輸出向量為Y=( )T;輸出層的輸出向量為O= )T;期望輸出向量為 ;輸入層到隱含層之間的權值矩陣 ,其中列向量 為隱含層第j個大規模自組織神經元對應的權向量;隱含層到輸入層之間的權值矩陣 ,其中列向量 為輸出層第k個大規模自組織神經元對應的權向量.各層信號之間的算法結構為:

以上式中的 均為S類型函數, 的導數方程為: （5）

神經網絡輸出與期望輸出的均方誤差為: （6）

則訓練樣本輸出層和隱含層的權值調整量分別為:

式中: 為比例系數,在模型訓練中代表學習速率.如果BP自組織神經網絡有 個隱含層,各隱含層節點分別記為 ,各隱含層輸出分別記為 ,則各層權值調整計算公式分別如下:

輸出層

綜合上述預測分析在BP神經學習算法運用各層權值調整公式均由學習速率、本層輸出的誤差信號和本層輸入數字離散信號決定在訓練樣本學習的過程受決策環境復雜程度和訓練樣本的收斂性即需要增大樣本量來提高網絡技術所學知識的代表性應注意在收集某個問題領域的樣本時,注意樣本的全面性、代表性以及提高樣本的精確性,增大抗干擾噪聲,還可以采用其他方法收集多層訓練樣本數據.

3 結束語

自組織神經網絡技術應用在智能建筑管理領域是在多層智能傳感器等多種信息技術飛速發展的多學科交叉研究領域得到廣泛應用.

參考文獻:

[1]周小佳.電力系統可靠性神經網絡模型及實現研究[D].博士學位論文,1997.

[2]胡保清等.神經網絡在土木工程領域的應用[J].低溫智能建筑,2004(2).

作者介紹:

第3篇：人工神經網絡法范文

關鍵詞：入侵檢測 神經網絡 人工魚群算法 模型參數

中圖分類號：TP18 文獻標識碼：A 文章編號：1674-2117（2014）20-00-01

1 前言

21世紀是網絡的時代，網絡已進入人們的日常生活，成為人們通信和交流的工具，人們對于網絡的依賴也越來越強。

針對網絡入侵檢測問題，國內外許多學者進行了深入研究，提出了許多有效的網絡入侵檢測模型。在網絡入侵檢測過程，網絡入侵分類器設計是網絡入侵檢測的關鍵，當前網絡入侵分類器主要有基于支持向量機、K最近鄰算法、神經網絡等進行設計。其中出回聲狀態神經網絡（Echo State Network，ESN）是一種新型的網絡，具有簡單、易實現、泛化能力優異等優點，成為網絡入侵檢測中的主要研究方向。人工魚群算法（Artificial Fish Swarm Algorithm，AFSA）是一種采用自下而上信息尋優模式的智能搜索算法，具有并行性、收斂速度快等優點，為回聲狀態神經網絡參數優化提供了一種新的工具。

2 人工魚算法優化神經網絡的入侵檢測模型

2.1 回聲狀態神經網絡

ESN是一種由輸入層、內部儲備池和輸出層組成的非線性遞歸神經網絡，其狀態方程為：

式中，sigmoid為激活函數；Win和Wx分別為輸入和儲備池內部的連接矩陣；μ（t），x（t）分別表示t時刻的輸入向量和儲備池內部狀態向量量，sin為輸入項比例系數；ρ為內部儲備池的譜半徑。

那么ESN的輸出方程為

（2）

式中，y（t）為t時刻的輸出向量Wout為輸出連接向量。

輸出權值對ESN性能起著關鍵作用，常采用最小二乘法進行求解，目標函數的最小化形式為

式中 ，

，N為儲備池節點數；l為訓練樣本數。

根據式（3）式得到解

（4）

式中，為的估計值。

從式（1）可知，參數sin和ρ的選取影響回聲狀態神經網絡的性能，本文采用人工魚群算法（AFSA）對參數sin和ρ的選擇，以提高網絡入侵的檢測正確率。

2.2 人工魚群算法

工魚群算模擬魚群覓食的行為，人工魚個體的狀態可表示為向量Xi=（xi1，xi2，…，xiD），食物濃度表示為Y=f（x），其中Y為目標函數值；Visual表示人工魚的感知范圍：Step表示人工魚移動的步長；δ表示擁擠度因子。人工魚的行為包括以下幾種：①覓食行為；②聚群行為；③追尾行為；④隨機行為。

2.3 人工魚群算法優化神經網絡參數

（1）初始化人工魚群算法參數，主要包括人工魚群數以及最大迭代次數；（2）初始位置為回聲狀態神經網絡的參數；（3）計算適應度函數，并選擇適應度函數值最大的人工魚個體進入公告板；（4）人工魚模擬魚群覓食行為，得到新的人工魚位置；（5）與公告板人工魚的位置進行比較，如果優于公告板，那么將該人工魚位置記入公告牌；（6）將最優公告牌的位置進行解碼，得到回聲狀態神經網絡最優參數；（7）利用最優參數建立網絡入侵檢測模型，并對其性能進行測試。

3 仿真實驗

3.1 仿真環境

數據來自網絡入侵標準測試集KDDCUP99數據集，其包括4種入侵類型：DoS、Probe、U2R和R2L，同時包括正常樣本，每一個樣本共有41個特征，7個符號型字段和34個數值型字段。由于KDDCup99數據集樣本多，從中隨機選擇部分數量的數據進行測試，數據具體分布見下表。為了使本文模型的結果具有可比性，采用PSO算法優化回聲狀態神經網絡（PSO-ESN），遺傳算法優化回聲狀態神經網絡（GA-ESN）進行對比實驗。

樣本集分布情況

入侵類型 訓練樣本 測試樣本

DoS 2000 400

Probe 1000 200

R2L 500 100

U2R 100 20

3.2 結果與分析

所有模型對網絡入侵數據進行建模，仿真結果如圖1和圖2所示。從圖1和圖2進行仔細分析，可以知道，相對于PSO-ESN、GA-ESN，人工魚群算法優化神經網絡的入侵檢測性能最優，網絡入侵檢測的誤報率更低，具有十分明顯的優勢，在網絡安全領域具有廣泛的應用前景。

圖1幾種模型的檢測率比較

圖2幾種模型的誤報率比較

4 結語

針對回聲狀態神經網絡參數優化難題，提出一種人工魚群算法優化回聲狀態神經網絡參數的入侵檢測模型。仿真結果表明，相對于對比模型，本文模型提高了網絡入侵的檢測率，同時誤報率明顯降低，具有一定的實際應用價值。

參考文獻：

[1]唐正軍，李建華.入侵檢測技術[M].北京：清華大學出版社，2004.

第4篇：人工神經網絡法范文

【關鍵詞】人工神經網絡 BP神經網絡 圖像識別 識別技術

通常而言，所謂圖像處理與識別，便是對實際圖像進行轉換與變換，進而達到識別的目的。圖像往往具有相當龐大的信息量，在進行處理圖像的時候要進行降維、 數字化、濾波等程序，以往人們進行圖像識別時采用投影法、不變矩法等方法，隨著計算機技術的飛速發展，人工神經網絡的圖像識別技術將逐漸取代傳統的圖像識別方法，獲得愈來愈廣泛的應用。

1 人工神經網絡圖像識別技術概述

近年來，人工智能理論方面相關的理論越來越豐富，基于人工神經網絡的圖像識別技術也獲得了非常廣泛的應用，將圖像識別技術與人工神經網絡技術結合起來的優點是非常顯著的，比如說：

（1）由于神經網絡具有自學習功能，可以使得系統能夠適應識別圖像信息的不確定性以及識別環境的不斷變化。

（2）在一般情況下，神經網絡的信息都是存儲在網絡的連接結構以及連接權值之上，從而使圖像信息表示是統一的形式，如此便使得知識庫的建立與管理變得簡便起來。

（3）由于神經網絡所具有的并行處理機制，在處理圖像時可以達到比較快的速度，如此便可以使圖像識別的實時處理要求得以滿足。

（4）由于神經網絡可增加圖像信息處理的容錯性，識別系統在圖像遭到干擾的時候仍然能正常工作，輸出較準確的信息。

2 圖像識別技術探析

2.1 簡介

廣義來講，圖像技術是各種與圖像有關的技術的總稱。根據研究方法以及抽象程度的不同可以將圖像技術分為三個層次，分為：圖像處理、圖像分析以及圖像理解，該技術與計算機視覺、模式識別以及計算機圖形學等學科互相交叉，與生物學、數學、物理學、電子學計算機科學等學科互相借鑒。此外，隨著計算機技術的發展，對圖像技術的進一步研究離不開神經網絡、人工智能等理論。

2.2 圖像處理、圖像識別與圖像理解的關系

圖像處理包括圖像壓縮、圖像編碼以及圖像分割等等，對圖像進行處理的目的是判斷圖像里是否具有所需的信息并濾出噪聲，并對這些信息進行確定。常用方法有灰度，二值化，銳化，去噪等；圖像識別則是將經過處理的圖像予以匹配，并且對類別名稱進行確定，圖像識別可以在分割的基礎之上對所需提取的特征進行篩選，然后再對這些特征進行提取，最終根據測量結果進行識別；所謂圖像理解，指的是在圖像處理與圖像識別的基礎上，根據分類作結構句法分析，對圖像進行描述與解釋。所以，圖像理解包括圖像處理、圖像識別和結構分析。就圖像理解部分而言，輸入是圖像，輸出是對圖像的描述解釋 。

3 人工神經網絡結構和算法

在上個世紀八十年代，McClelland與Rumelhant提出了一種人工神經網絡，截止現在，BP神經網絡已經發展成為應用最為廣泛的神經網絡之一，它是一種多層前饋神經網絡，包括輸入層、輸出層和輸入層輸出層之間隱藏層，如圖1所示，便是一種典型的BP神經網絡結構。

BP神經網絡是通過不斷迭代更新權值使實際輸入與輸出關系達到期望，由輸出向輸入層反向計算誤差，從而通過梯度下降方法不斷修正各層權值的網絡。

BP神經網絡結構算法如下所述：

（1）對權值矩陣，學習速率，最大學習次數，閾值等變量和參數進行初始化設置；

（2）在黑色節點處對樣本進行輸入；

（3）對輸入樣本，前向計算人工神經網絡隱層及輸出層各層神經元的輸出；

（4）使用梯度下降方法不斷修正各層權值及閥值，由梯度算子得到的權值為

（6）判斷，判斷是否大于最大迭代次數或者是否誤差已經達到要求。如果大于最大迭代次數或誤差達到要求，那么便直接轉到第（7）步，否則，轉到第（4）步對各個矩陣的權值繼續修正，反復訓練；

（7）看是否遍歷所有樣本，是則結束，否則跳回第（3）步繼續。

BP神經網絡操作簡單而有效，可通過Opencv的CvANN_MLP類， Matlab的模式識別工具箱Nprtool等實現，經驗得出在如下情況中人工神經網絡尤為適用：

（1）大量數據可用，卻不知道與輸出之間關系；

（2）問題的解決方案隨時間變化而變化；

（3）輸出是模糊的函數關系，而非精確數字。

4 人工神經網絡圖像識別

傳感器或攝像儀輸入圖像識別系統以后，其目標圖像不能夠與系統全部的參考圖像完全一樣， 這是由于對應噪聲干擾，光線不足和放縮旋轉等問題。 基于人工神經網絡對畸變圖像識別進行深層分析，并且利用 CCD 攝像頭對圖像信息進行采集，在此過程之中通過對攝像頭方位進行更改對易出現畸變的圖像進行采集，從而使得畸變圖像所帶信息組成樣本庫。在電腦里面輸入樣本庫中的圖像信息，并且進行模數的轉化，變成數字圖像，利用數字濾波來對數字圖像信息進行處理。在神經網絡之中輸入樣本圖像數字信息來進行訓練，一方面可以基于數字圖像的像素點集合組成輸入矩陣，用高維數據作為訓練樣本，通過主成分分析（PCA）的方法進行降維，大大簡化計算量；一方面可以基于數字圖像的特征空間進行聚類分割，提取幾何特征或者統計特征，輸入到SOFM神經網絡或者Hopfield神經網絡，從而使其生成圖像識別神經網絡系統。在進行圖像識別的時候使用CCD 攝像頭來采集識別圖像，并且把其模型轉化為數字圖像，預處理后，將其輸入到訓練好的神經網絡識別系統里面，就其可以開展快速的計算，并進行識別。把圖像識別技術與人工神經網絡理論有機結合起來，可以非常有效地實現神經網絡信息系統的一致性， 此外，還可以將其對網絡連接結果與權值進行存儲，促進管理效率的提高，并對于知識庫的構建也具有積極的作用。

5 結論

本文就基于人工神經網絡的圖像識別技術進行了詳細地闡述，由綜上研究可以基于人工神經網絡的圖像識別技術具有比較多的優點以及比較高的可行性，然而，我們對該技術存在的網絡規模及復雜圖像識別準確度上還應繼續進行深入研究，以求技術突破。在將來，圖像識別技術隨著科技的不斷發展將會獲得更多的應用，其勢必會發展為一門獨立且具備強大生命力的學科

參考文獻

[1]王強，張小溪，韓一紅.基于神經網絡的圖像識別[J].電子設計工程，2012.

[2]雷建鋒，孫俊逸.基于人工神經網絡下的圖像識別的研究[J].現代電子技術，2008.

第5篇：人工神經網絡法范文

關鍵詞：人工神經網絡；自動化；采煤技術；綜放工作面

隨著我國國民經濟總量的增大，煤炭能源的消耗也是越來與而大，同時也對煤礦的開采提出了更高的要求。近年來，國家對煤礦安全越來越重視，管理也更加嚴格，很多不合安全規范的小型煤礦被關停。想在現有環境下提高采煤量，就必須加大科技方面的投入，采用最先進的自動化設備技術，宗放自動化采煤是當前世界上最為先進的采煤技術，是提高采煤生產效率的關鍵技術之一。人工神經系統可以較好的輔助綜放工作面的工作，可對綜放工作面進行控制生產，對提高采煤效率有著極為重要的意義。

一、人工神經網絡的簡單介紹

人工神經網絡是一種非線性、交叉的科學，它通過計算機系統對生物神經信息進行模擬來解決實際工作中的問題，屬于非線性、交叉的科學。經過近些年的發展，人工神經網落技術在自然科學、社會科學等各個領域的應用已經得到廣泛應用。人工神經網絡的廣泛應用自然也推動了人工神經網路的研究，現在出現的具有不同功能作用的網絡結構和算法系統，就是近年來研究的成果，人工神經網絡的理論系統也日趨成熟，適用范圍也越來越廣。

通過模擬人體神經系統信號傳輸原理，人工神經網絡的各個節點也與人體內的神經元相似，能夠通過連接權值進行非常緊密的聯系。在實際應用中，如果神經元的輸出大大超過了網絡內部神經元閥值的時候，這個人工神經網絡就會輸出信號，這個信號也就是成為了下個神經元輸入的信號。人工神經網絡是模擬人的神經系統創建的，自然與人的神經系統很相似，要通過不斷的應用、訓練才可以保持較為良好的狀態，在實際操作中，人工神經網絡的性能是由各個節點的激活函數、網絡的拓撲結構以及網絡的訓練方法決定的。較為常用的BP算法就是通過對網絡連接權值的不斷調整來達到訓練人工神經網絡的目的。

二、人工神經網絡的相關建模方法

就現有研究來看，人工神經網絡的建模方法主要包括模糊建模和混合建模，這些具體而有效的建模方法給采煤綜放工作面生產過程自動化提供了較為科學的理論指導，是提高采煤效率和降低采煤工人勞動強度的有效舉措之一，以下是對人工神經網絡建模的具體介紹。

（一）人工神經網絡的模糊建模方法

在煤礦的實際工作中，傳統的數學建模方法有其局限性，不能適應較為復雜的問題，嚴重影響了煤礦的生產效率。模糊理論正是在這種大背景下出現的，它通過有效的實驗方法，將實驗數據總結匯總，將實驗匯總的數據作為模糊規則，然后依據相關模糊理論進行實際的人工神經網絡建模。這種建模方法的優勢是能夠較為快速的預測出新輸入數據接下來會輸出的結果。煤礦在應用模糊建模方法后，對于生產過程的預算也就更為準確，便于企業做出相關決策。整個模糊建模方法主要由三個部分組成，既模糊化、推理機制、解模糊，這是模糊建模的一個有機整體，是這種建模方式的核心價值所在。

（二）人工神經網絡的混合建模方法

除了模糊建模方法之外，人工神經網絡還有一種混合建模方法，這種建模方法是依托智能算法的進步而出現的，現已廣泛應用于煤礦生產。近年來，為了適應人工神經網絡的發展，包括粒子群算法和遺傳算法在內的智能算法取得了較大的發展，這種建模方可以對實際工作中比較復雜的參數進行優化處理，進而提高生產效率。

1.粒子群算法建模

粒子群建模簡單來說就是利用較為成熟的計算機語言的算法對相關生物的群體行為進行模仿，然后進行建模，在具體操作中，粒子群算法建模要避免碰撞而飛離最近的個體、飛向目標、飛向群體中心，這也被稱為粒子群建模方法的三大原則。

2.遺傳算法

遺傳算法就是將計算機技術和進化論聯合運用于人工神經網絡建模。在實際工作中，遺傳算法應用了當前最為先進的編碼技術和遺傳操來做鋪墊。在Holland體系中，GA就是一種較為簡單的遺傳算法，各種不同形式的二進制串就是其具體的操作對象。但在煤礦工作中，如果是要通過參數來進行問題分析，遺傳算法的研究對象就可以是一個參數組，在這個參數組中，遺傳算法具體是通過這個參數組的適應度來表現其好壞情況。通常情況下，遺傳算法在具體操作中就是通過對基礎的參數群進行有效分析，其選擇個體是依據這個個體的適應值比例，然后通過交叉和變異進的方法誕生下一個組種群，這個過程可以持續下去，直到滿足生產需求的參數值出現為止。遺傳算法也是一種優選的方法，它將遺傳算法的優點和人工神經網絡的特點進行了有機結合，通過遺傳算法可以進行前期模塊的優選，建立一個合乎現實情況的非線性模型，然后進行與模糊建模方法相類似的實驗數據收集，分析最為有效的網絡結構，在滿足預測的情況下實現了參數的優選。

三、人工神經網絡應用在采煤技術上效果

通過上文介紹，在采煤中利用人工神經網絡是為綜放工作面生產過程實現自動化提供相對應的理論依據，減輕采煤的勞動強度并提高采煤效率是其目的所在；人工神經網落還能夠對采煤工作中的相關生產設備的性能做有效的檢查，能夠在最快的時間內發現機械故障，及時的排除機械故障，極大的降低了煤礦安全事故的發生率；人工神經網絡還能夠將采煤生產設備工作面的具體信息，快速的反饋到地面，然后通過先進的計算機技術對數據進行相關處理，實現信息資源共享，采煤過程中對人工的依賴也會降低，為日后的無人操作打下了堅實的基礎。

將現代化的人工神經網絡應用于采煤，可以實現對綜放工作面自動化的有效控制，它將整個采煤的綜放工作面看做是個有機的整體，在條件允許的情況下進行仿真模擬，通常情況下都是應用MATLAB軟件來及進行仿真模擬，可以系統化的管理整個采煤過程，排除采煤過程中的相關機械故障，在提高采煤效率的同時實現了安全生產，人工神經網絡值得在采煤技術中大力推廣、應用。

四、結束語

可以將綜放工作面看做是整個采煤系統實現自動化，這也是日后采煤自動化發展的一個重要方向，這種思維模式有效避免了在沒有考慮綜放工作面控制功能而進行自動化的情況。多年的實踐表明，神經網絡技術應用于煤礦開采中可以有效分析、診斷采煤工作中的一些問題，為日后采煤規劃提供了強而有力的依據，其在采煤領域的應用空間還非常寬闊，值得進一步研究、拓展。

參考文獻：

[1]鄭勝友.人工神經網絡在采煤技術上的應用[J].科技風，2012（10）.

[2]董麗麗，喬育鋒，郭曉山.遺傳算法和人工神經網絡在煤礦突水預測中的應用研究[A]. 智能信息技術應用學會.Proceedings of 2010 International Conference on Management Science and Engineering （MSE 2010） （Volume 3）[C].智能信息技術應用學會：，2010（5）.

[3]彭學前.采煤機故障診斷與故障預測研究[D].南京理工大學，2013.

第6篇：人工神經網絡法范文

關鍵詞：神經網絡 計算機安全 入侵檢測

中圖分類號：TP393.08 文獻標識碼：A 文章編號：1674-098X（2012）12（c）-00-01

自從1960年Widrow等提出自適應線形神經元用于信號處理中的自適應濾波、預測和模型識別以來，神經網絡技術便被用來解決現實生活中的問題。而在McCulloch等基于模仿人腦結構和功能建立起一種人工智能的信息處理系統后，人工神經網絡在土木工程、農業、經濟管理及企業管理等不同領域中被廣泛應用[1-2]。該文介紹了神經網絡的概念及特點，并分析神經網絡在計算機安全尤其是在網絡入侵檢測中的應用。

1 神經網絡的概念及特點

1.1 神經網絡的概念

神經網絡是一個并行、分布處理結構，是由神經元及稱為聯接的無向訊號通道互連而成。人工神經網絡（Artificial Neural Network，ANN）指的則是模仿生理神經網絡的結構和功能而設計的一種信息處理系統，即由多個非常簡單的處理單元彼此按某種方式相互連接而形成的信息處理網絡[3]。

1.2 神經網絡的特點

在人工神經網絡中，由于網絡中的每一個單元都是獨立的信息處理單元，因此其計算可獨立進行，而整個網絡系統卻是并行計算的。這不同于傳統的計算機的串行運算。由于神經網絡是一個大規模互聯的復雜網絡系統，因而是大規模的并行處理，這在一定程度上提高了系統的處理速度，同時也為實時處理提供了重要條件。人工神經網絡與人腦類似，具有學習的功能。通常只要給出所需的數據、實例，由網絡去學習，而學習獲得的知識都分布儲存在整個網絡的用權系數表示的連接線上。不同網絡因學習方法及內容不同，可得到不同的功能和不同的應用。因而有可能解決傳統人工智能目前最感困難的機器學習中知識獲取、知識表示等問題。此外神經網絡還對于輸入數據的失真具有相當的彈性。

1.3 常用的神經網絡算法

常用的神經網絡算法包括ARTMAP模型、ART模型、概率模型PNN、模糊模型ART、模糊多層感知器、Kohonen特征映射網絡、反饋多層感知器模型等[4-5]。其中，ART模型和Kohonen特征映射網絡、模糊模型ART屬于無監督訓練算法，而反饋多層感知器模型是受限反饋，ARTMAP模型、ART模型屬于反饋的網絡拓撲

結構。

2 神經網絡在網絡入侵檢測中的應用

2.1 神經網絡應用于網絡入侵檢測的優勢

由于神經網絡對于數據訓練獲得預測能力的過程是通過完全抽象計算實現的，而不強調對于數據分布的假設前提，因此在建立神經網絡模型過程中沒有必要向神經網絡解釋知識的具體細節。同時，神經網絡在網絡入侵檢測中，可以通過數據運算而形成異常的判別值，這樣可以對于當前是否受到攻擊行為影響做出判斷，從而實現對檢測對象是否存在異常情況的檢測[6-8]。

2.2 神經網絡在網絡入侵檢測中的應用

神經網絡在網絡安全尤其是入侵檢測方面已有了相當的研究[9]。有研究者將組織聚類神經網絡應用于計算機安全研究中，其采用了自適應諧振學習法進行數據的前期訓練，對于無顯著意義的平均誤差減少時，采用遺傳算法繼續在前期基礎上進行數據數據以得到最佳的權值。國內也在神經網絡應用于網絡入侵檢測上做了大量工作。王勇等研究者在參考MIT Lincoln有關網絡入侵檢測方法基礎上，提出了基于Linux主機的網絡入侵檢測方案，實現了對于多種網絡攻擊的特征進行抽取及檢測的目的[10]。

神經網絡在網絡入侵檢測中有廣泛的應用空間[11-12]，今后應該擴大訓練數據的數量和范圍，并擴大操作系統的研究空間，通過模擬真實的計算機網絡環境，將神經網絡技術真正應用于計算機安全尤其是入侵檢測工作中。

參考文獻

[1] 李季，蒲彪.人工神經網絡在食品微生物發酵中的應用[J].食品研究與開發，2009，30（4）：171-174.

[2] 李聰超，周鐵軍.人工神經網絡在農業中的應用[J].農業網絡信息，2008（1）：35-38.

[3] 李麗霞，張敏，郜艷暉，等.人工神經網絡在醫學研究中的應用[J].數理醫藥學雜志，2009，22（1）：80-82.

[4] 高雋.人工神經網絡原理及仿真實例[M].北京：機械工業出版社，2003：44-73.

[5] 楊行峻，鄭君里.人工神經網絡與盲信號處理[M].北京：清華大學出版社，2003：23-105.

[6] 程麗麗.基于模糊神經網絡的入侵檢測設計模型[D].哈爾濱：哈爾濱理工大學，2005.

[7] 周開利，康耀紅.神經網絡模型及其MATLAB仿真程序設計[M].北京：清華大學出版社，2005.

[8] 李家春，李之堂.神經模糊入侵檢測系統的研究[J].計算機工程與應用，2001，23（17）：37-39，

[9] 王勇，楊輝華.一種基于進化神經網絡的入侵檢測實驗系統[J].華東理工大學學報（自然科學版），2005（6）：362-366

[10] 喬瑞.基于優化自組織聚類神經網絡的入侵檢測方法研究[J].計算機與現代化，2005（1）：77-79.

第7篇：人工神經網絡法范文

關鍵詞：人工神經網絡；尖峰神經元模型

近年來，人們在計算機智能化領域上取得了很大的進步，但計算機領域還有很多問題無法解決，例如視覺、語言識別和計算機等技術，人們仍不能將計算機系統設計得像生物系統那樣靈活。因此，大批研究者轉移到仿生科學研究，希望由此找到新的技術，設計出新的智能計算機，其中人工神經網絡是其中一個比較熱門的領域。隨著這個領域的發展，一些團隊已經建立起一些創造性的、復雜的神經電路模型，并將其應用到一些項目中，也有研究團隊在致力研究人工神經網絡的軟件和硬件方案，希望能夠為智能計算機提供更高層次的理解能力。

人工神經網絡模型的并行特性使它與傳統的計算機模型相比具有更強的理能力，使它更有機會解決如手寫文字識別這類問題。長期以來，大多數研究者都是在CPU上使用模擬的方式進行神經網絡的計算，由于CPU工作模式和結構的限制，無法提供最佳的計算性能，因此本文尋求一種新的智能計算硬件平臺，在硅芯片上設計神經網絡電路。

一、神經網絡模型

人工神經網絡理論已發展了很多年，并日益趨于成熟，在各領域都得到了一定的應用。人工神經網絡的運算主要由計算的基本單位神經元進行，通過若干個神經元構成神經網絡以解決現實中的各種問題。

如圖1所示，一組神經元構成一個神經網絡系統。每一個神經元都有獨立的計算單元。神經元計算公式如下：yi(t)=■W■?著ij(t-tij) （1）

公式（1）中yi(t)表示神經元的輸出結果，i表示神經元序號，?著ij(t-tij)表示神經元輸入值，W■表示每個神經元的權值。

人工神經網絡的基本運算包括了乘法和加法運算。為了能夠在硬件上執行神經網絡的理功能，必須為每個神經元設計獨立的加法器和乘法器，我們將其稱為加乘法運算單元（MAC），每個神經元都包含了一個MAC單元。

為了使系統能夠更好地模擬人類神經系統工作原理，發揮硬件的理能力，本文采用了Gerstner的尖峰神經元模型構建神經元理器的工作流程。在該模型中，每個神經元的膜電位在時間t時表示如下：

ui(t)=■■■W■?著ij(t-tij)+?濁i(t-tij) （2）

?著ij(t)=exp(-■)-exp(-■)*H(t-t■) （3）

公式（2）中，W■表示為第i神經元和第j神經元之間連接的權值，?著ij(t-tij)表示為神經元i能夠提供給神經元j的突觸后電位（PSP），而?濁i(t-tij)表示倔強函數。公式（3）表示突觸后電位（PSP）的計算方法，其中t■和t■為時間常數，H(t-t■) 為Heaviside階梯函數，t■為軸突傳輸延時系數。

二、神經元硬件設計

如圖2所示，神經網絡系統是由多個神經元構成，每個神經元是一個單獨的實體，神經元既相互獨立，又相互聯系，神經元根據所受到外界的刺激（輸入）和鄰居神經元對自己的影響，做出判斷與決策（輸出），并影響到周圍神經元的反應。為了能夠實現神經網絡功能，需要模擬神經元單位設計一個特殊的理器用于計算外界刺激而做出的反應，它包含了簡單的算數邏輯運算單元、寄存器和控制器，在本文中使用PN表示該理器。

圖3顯示了一個PN理單元的工作流程圖，每個PN理器包括了進行神經元計算必須的運算器和存儲器以及相關附屬器件。PN理單元的工作流程是：當外部有輸入數據通過總線進入PN理器時先存放在輸入事件存儲器；系統根據事件時間將數據輸入到突觸后電勢寄存器；同時輸入值被編號后分別放入公共連接存儲器；突觸后電勢PSP值與其他神經元的權值相乘后與原有膜電位值相加，相加結果更新膜電位存儲器值；同時結果與閾值相比較，如果大于閾值則將結果輸出到輸出存儲器中作為該神經元的輸出結果存放在輸出時間存儲器。

系統是由若干個神經元理器構成。如圖4所示，人工神經網絡系統由若干個神經元共同構成，圖5表示了人工神經網絡的硬件構成。每一個人工神經網絡都是由若干個神經元理單元構成，每個神經元理單元又是由邏輯運算器、存儲器和通信單元構成。將這些神經元理器構建在一塊電路板或者芯片上，同時理器與理器通過總線連接起來相互通信，共同完成神經網絡的運算。系統還為每一個神經元單位配置了一個PN理器，理器之間相互獨立，并行計算。當外部刺激（輸入）進入系統時，立刻被分配到各個PN理器并行計算神經元對刺激的響應（輸出），同時根據計算結果，調整神經元之間的權值系數，并更新存儲其中的權值。由于PN理器是并行計算，相對于傳統計算機模擬運算，極大地提高了神經網絡的計算速度。

本文以Gerstner的尖峰神經元模型為基礎，設計了模擬神經元工作的PN理單元，并由若干個PN理單元構成模擬人類神經系統的人工神經網絡的硬件系統。相對于在傳統計算機上的操作，PN理單元的并行性使新系統有更強的理能力，有效地提高了神經網絡的計算速度，使神經網絡系統有更好的應用前景。

（作者單位：廣東肇慶科技職業技術學院）

參考文獻：

[1]Gerstner,W. & Kistler,W.M.Spiking neuron models:single neurons,populations,plasticity. Cambridge,UK:Cambridge University Press，2002.

[2]Mazad S. Zaveri. Dan Hammerstrom1. Performance/price estimates for cortex-scale hardware: A design space exploration，2011，(24).

[3]徐明華，甘強.脈沖神經網絡的振蕩與分割[J].生物物理學報，1997，(1).

第8篇：人工神經網絡法范文

關鍵詞：神經網絡；應用研究

中圖分類號：TP393文獻標識碼：A文章編號：1009-3044(2008)22-635-02

Application of Neural Network Study

WANG Ying1,LI Bing-fu2

(1.Information Science and Technology College,Zhanjiang Normal College,Zhanjiang 524048,China;2.Registry,Information Science and Technology College,Zhanjiang Normal College,Zhanjiang 524048,China)

Abstract:The study of the purpose of Artificial Neural Network,from the neural network of research and advantages, and other aspects proceed, the statement focused on neural networks in the economic field, the food industry, environmental science and engineering applications.

Key words: Neural Networks; Applied Research

1 引言

人工神經網絡（Artificial Neural Network， ANN）簡稱神經網絡，是由具有適應性的簡單單元組成的廣泛并行互連的網絡，它的組織能夠模擬生物神經系統對真實世界物體所做出的交互反應，并利用機器模仿人類的智能是長期以來人們認識自然、改造自然和認識自身的理想。研究人工神經網絡的主要目的包括：探索和模擬人的感覺、思維和行為的規律，設計具有人類智能的計算機系統；探討人腦的智能活動，用物化了的智能來考察和研究人腦智能的物質過程及其規律。

2 神經網絡（ANN）的研究內容

1)理論研究：ANN模型及其學習算法，試圖從數學上描述ANN的動力學過程，建立相應的ANN模型，在該模型的基礎上，對于給定的學習樣本，找出一種能以較快的速度和較高的精度調整神經元間互連權值，使系統達到穩定狀態，滿足學習要求的算法；2)實現技術的研究：探討利用電子、光學、生物等技術實現神經計算機的途徑；3)應用的研究：探討如何應用ANN解決實際問題，如模式識別、故障檢測、智能機器人等;4)基本模型如圖1示。

■

圖1生物神經元功能模型

3 神經網絡（ANN）的研究在各領域的優缺點

人工神經網絡的理論研究和應用研究已取得豐碩成果，對于在各領域的應用具有以下優點：1)學習能力：人工神經網絡具有學習的能力，通過學習，人工神經網絡具有很好的輸入-輸出映射能力。學習方式可分為：有導師學習（Learning With a Teacher）和無導師學習（Learning Without a Teacher）；2)容錯性：容錯包括空間上的容錯、時間上的容錯和故障檢測。容錯性是生物神經網絡所具有的特性，靠硬件或軟件實現的人工神經網絡也具有容錯性。由于在人工神經網絡中信息存儲具有分布特性，這意味著局部的損害會使人工神經網絡的運行適度地減弱，但不會產生災難性的后果；3)適應性：人工神經網絡具有調整權值以適應變化的能力，尤其是在特定環境中訓練的神經網絡能很容易地被再次訓練以處理條件的變化，這反映了人工神經網絡的適應性；4)并行分布處理：采用并行分布處理方法，同時由于計算機硬件的迅猛發展，使得快速進行大量運算成為可能；5)仿真軟件的逐步完善：人工神經網絡仿真軟件的逐步完善，將人們從繁瑣的編程中解放出來，同時也為人工神經網絡在各領域的應用研究提供了可進行分析和預測的能力。

缺點：研究受到腦科學研究成果的限制；缺少一個完整、成熟的理論體系；研究帶有濃厚的策略和經驗色彩；與傳統技術的接口不成熟。

4 神經網絡在各領域的應用研究探討

4.1 神經網絡在經濟領域的應用研究探討

神經網絡在經濟領域的應用主要有：1)價格預測影響商品和服務：價格變動的因素是復雜、多變的，傳統的統計經濟學方法存在不適合動態系統、建模復雜等局限性，難以對價格變動做出科學的預測，人工神經網絡容易處理不完整的、模糊不確定或規律性不明顯的數據，所以用人工神經網絡進行價格預測是可行的，且有著傳統方法無法比擬的優勢；2)風險評估：風險是由于從事某項特定活動過程中存在的不確定性而產生的經濟或財務的損失、自然破壞或損傷的可能性。防范風險的最好辦法就是事先對風險做出科學的預測和評估，傳統的專家評估依賴于專家的經驗，存在著人為和主觀的因素，人工神經網絡的預測思想是建立風險來源和風險評價系數的非線性映射，提供定量的解決方案，彌補了主觀評估的不足。商業銀行的風險管理問題是我國加入WTO后的一個突出問題。目前，信用風險仍然是我國商業銀行最主要的風險。我國商業銀行目前正處在轉軌時期，用傳統方法評估信用風險難以達到滿意的效果，而神經網絡學習能力強，容錯性好，具有很強的魯棒性，適合評價信息不全的系統。根據我國的具體現實，運用人工神經網絡技術，構造出適合中國的信用風險模型，并對某國有銀行提供的數據進行了實證研究。

4.2 神經網絡在食品工業中的應用研究探討

神經網絡在食品工業中的應用研究主要有：1)外來物的探測：對食品中偶爾混入極少量的外來物采用先進的儀器探測方法，如X射線衍射，可較為快速而準確地檢測出食品中夾帶的外來物。儀器探測法產生大量的測量數據可以利用分析運算方法能快速地從大量的數據中找出差異而判別出外來物，從而提高生產的效率。分析方法很多，但目前較為有效的是ANN法――例如對于軟質外來物如木屑和塑料，在X射線數據上外來物與食品原料的差異很小，情況更為復雜，很難做出判別。根據ANN自學習自適應的特點，不是只采用一個簡單的ANN，而是構造了一組子網絡。讓每一子網絡用來識別一種外來物，各自訓練子網絡，然后將結果最后融合輸入一個決策單元，讓決策單元決定食品是否合格；2)摻假食品的鑒別：摻假物是人為地故意地加入食品中，可根據不同食品初步估計加入的摻假物的種類，選用相應的檢測方法，并結合ANN算法對測量數據分析，可獲得較滿意的結果；3)分類與分級：果蔬外觀特征很多，隨季節、產地和品種不同而不同，可抽取主要特征，再運用ANN模式識別算法進行分類。顏色往往是衡量果蔬外部品質的一個重要指標，也間接反映果蔬的成熟度和內部品質，高品質的果蔬一般著色好。此外，ANN除可進行果蔬分類（分級）外，還可以對肉類分級。從肉類的圖像處理數據中提取“大理石紋值”（marbling score，表征脊肉中脂肪分布密度）來表征肉類質量，運用三層前向型ANN進行模式識別，效果令人滿意；4)加工過程的仿真與控制：食品加工過程總是難以規范地操作，因為食品物料的性質與季節、產地與氣候緊密地聯系，同是由于缺乏合適的傳感器或不足夠和不精確的在線測量，以及食品的物性的時變性。在傳統的過程仿真中，需要建立假設、簡化和大量的參數用來建立數學模型，這有可能與實際情況相差很遠。因此，具有對非線性和非穩態系統有強處理能力的ANN尤適合應用于食品加工；5)感觀評價與預測、食品配方設計等：以往常用的建模方法是多元回歸法，但是在多因子、非線性的條件下多元回歸法并不適用。ANN則有效地解決這一問題。采用ANN先對已有的27組數據進行擬合；然后用ANN進行模擬，輸入各種配方成分的含量，ANN就會輸出預測結果，從中挑選出最佳的配方。

4.3 神經網絡在環境科學與工程中的應用探討

神經網絡在環境科學與工程中的應用主要有：1)環境質量評價；2)環境系統因素預測；3)環境因素定量關系模擬構效分析、成因分析；4)污染防治系統建模。由于BP神經網絡具有優良的非線性逼近能力，1994年以來，已在環境科學與工程的環境質量評價與預測、監測點的優化布置、社會經濟環境可持續發展、污染物降解與釋放、水（處理、生態）系統的模擬與預測等方面獲得了廣泛的應用。

5 結束語

由于神經網絡學科的范圍涉及很廣泛，文中僅在那些有發展前途的領域中，列舉出少數幾個方向，應該說明的是，除了上述列舉的以外，還有形形的、規模可觀的研究工作正在進行，其未來的發展必將是激動人心的。神經網絡理論的前沿問題必將滲透在21世紀科學的挑戰性問題中，并將取得重大的突破。

參考文獻：

第9篇：人工神經網絡法范文

關鍵詞：BP人工神經網絡；RBF人工神經網絡；經濟增長預測

中圖分類號：TP183文獻標識碼：A文章編號：1009-3044(2011)10-2345-03

The Study of Forecast of Zhejiang Province's Economic Growth Using BP and RBF Artificial Neural Network

BAI Xue-bing

(Zhengjiang University of Technology, Hangzhou 310014, China)

Abstract: Based on existing studies of economic forecasting methods, the article studies the Zhejiang province'sEconomic Growth Forecastusing BP and RBF Artificial Neural Network.Thedata research shows Artificial Neural Network hasgood precision, but different Artificial Neural Network have different behavior, some have big error. Artificial Neural Network can provide good reference for the making policy of sector of economy.

Key words: BP artificial neural network; RBF artificial neural network; economic growth forecast

1 經濟預測概論

經濟預測是與未來有關的旨在減少不確定性對經濟活動影響的一種經濟分析。它是對將來經濟發展的科學認識活動。經濟預測不是靠經驗、憑直覺的預言或猜測，而是以科學的理論和方法、可靠的資料、精密的計算及對客觀規律性的認識所作出的分析和判斷。

2 人工神經網絡經濟預測技術

由于人工神經網絡具有大規模并行處理、容錯性、自適應和聯想功能強等特點，作為非線性智能預測方法的人工神經網絡預測方法成為國內外經濟預測研究的一個熱點。

人工神經網絡不斷應用于證券預測分析、企業經濟戰略預測、經濟理論創新、經濟預測預警等研究中，都得到了一定的效果。

3 BP與RBF神經網絡預測模型分析

3.1 經濟增長神經網絡設計模型

3.1.1 宏觀經濟預測指標

經濟增長率是判斷宏觀經濟運行狀況的一個主要指標。經濟增長率指的就是不變價國內生產總值增長率(簡稱國內生產總值增長率。因此，判斷宏觀經濟運行狀況要落腳到對國內生產總值的核算上。在本文中我們采用GDP的增長率來作為預測目標。

3.1.2 神經網絡設計模型經濟模型的設計

本論文采用兩種模型對經濟進行預測。

1) 第一種 GDP預測模型：第n年的一、二、三產業的增長率作為輸入，第n+1年GDP增長率作為輸出。

2) 第二種預測模型。第n-3、n-2、n-1、n年的經濟增長率作為輸入，第n-1、n、n+1年經濟增長率作為輸出。

這里還要說明兩個問題。第一我們用到的數據來自2009年 浙江省統計年鑒，它的網址是 。

3.1.3 神經網絡模型結構

設計經濟預測神經網絡模型前，首先需要確定神經網絡的結構，主要包括如下內容：網絡的層數，每層的神經元數和激活函數等。采用的神經網絡結構如圖1。

3.2 使用BP在以浙江省過去的每年的GDP增長指數的基礎上進行BP神經網絡預測

3.2.1 學習樣本的選擇

本次實驗使用Matlab 軟件采用3層BP神經網絡建立浙江省經濟發展的的預測模型。輸入層節點數為n=4，輸出層節點m=3.而隱含層節點數的選擇是人工神經網絡最為關鍵的一步，它直接影響網絡隊復雜問題的映射能力，實驗中我們采用試湊法來確定最佳節點數。現設置較少的隱節點訓練網絡，然后逐漸增加網絡節點數，用同一樣本進行訓練，從中確定網絡誤差最小時對應的節點數，隱層、輸出層神經元的轉移函數，隱含層和輸出層轉移函數分別采用tansig和logsig，訓練函數選擇traindx。

3.2.2 數值歸一化處理

對于浙江省經濟增長序列Q=（Q1，Q2…，Qt）。設序列的最大值、最小值分別為Qmax、Qmin。對時間序列的值作歸一化處理。

令xi=(Qi-Qmin)/(Qmax-Qmin)

3.2.3 樣本數據訓練和數據預測

采用1978～2003年的數據樣本在MatLab7.0軟件中對輸入網絡進行訓練.隱層節點數先從4開始訓練，逐步增加到12時，當數值 為10時預測結果較好。允許誤差為0.001，訓練3217次達到訓練要求。

采用1978～2004年的數據作為第一組訓練數據，2005-年數據作為仿真預測數據，通過神經網絡預測GDP。采用1978～2005年的數據作為第一組訓練數據，2006年數據作為仿真預測數據，通過神經網絡預測GDP， 采用1978～2006年的數據作為第一組訓練數據，2007-年數據作為仿真預測數據，通過神經網絡預測GDP，依次類推，產生結果如表1所示。

3.2.4 數據分析

從2000-2004的擬合數據來看，相對誤差比較小，BP網絡對整個模擬數據的擬合程度還是比較好的，但是從2005-2009的預測數據來看預測數據的誤差還是比較大的，這也說明對未來的預測是很難的。各種不確定的因素在起作用。

3.3 三種產業增加率BP確定法預測GDP

3.3.1 樣本數據訓練

將1978-2004年數據對輸入網絡進行訓練。然后把需要預測的樣本2000-2004年的樣本數據輸入網絡，得到結果，然后用反歸一化公式獲得結果。在Matlab7.0中調用newff函數，建立一個3個輸入節點、18個隱含層節點、一個輸出結點的BP神經網絡，隱含層和輸出層轉移函數分別采用tansig和logsig，訓練函數選擇traindx，允許誤差為0.001，訓練1748次達到訓練要求。

采用1978～2004年的數據作為第一組訓練數據，2005年數據作為仿真預測數據，通過神經網絡預測GDP。采用1978～2005年的數據作為第一組訓練數據，2006年數據作為仿真預測數據，通過神經網絡預測GDP， 采用1978～2006年的數據作為第一組訓練數據，2007年數據作為仿真預測數據，通過神經網絡預測GDP，依次類推，產生結果如表2所示。

3.3.2 數據分析

從預測數據來看預測數據的誤差盡管比上一種類型的數據要好，但是誤差還是比較大的，但是考慮到預測的能力 ，數據還是可以接受的 。但是數據誤差還是比較大的，這也說明對未來的預測是很難的，不是十分確定的，有些文章的數據精確度挺高的，但我想應該是不太可能的，也許有故意湊數據的嫌疑。如果預測一年的話，可以通過調整參數獲得近似結果，但是很多年就很困難。

3.4 使用RBF在以浙江省過去的每年的GDP增長指數的基礎上進行RBF神經網絡預測.

3.4.1 RBF 神經網絡模型設計

該種方式與第一種BP神經網絡預測方法類似， 以以前四年的GDP增長率作為輸入，后兩年加以預測的年作為輸出。輸入層節點數為n=4，輸出層節點m=3.而隱含層節點數的選擇是采用matlab的newrbe自動來設置.然后用同一樣本進行訓練。

3.4.2 樣本數據訓練和數據預測

1) 采用1978～2004年的數據作為第一組訓練數據，2005年數據作為仿真預測數據，通過神經網絡預測GDP。采用1978～2005年的數據作為第一組訓練數據，2006年數據作為仿真預測數據，通過神經網絡預測GDP，依次類推，產生結果如表3所示。這兒采用newrbe函數，spread參數為0.25。這是因為通過測試采用0.25獲得的數據結果較好。

3.4.3 數據分析

從實驗數據看，RBF對整個模擬數據的曲線擬合程度是相當完美，但是從2005-2009的預測數據來看預測數據的誤差還是比較大的，這也說明RBF神經網絡盡管曲線的擬合程度比BP網絡好 ，但是從預測的能力來講，并不比BP網絡好，反而通過試驗顯得更差一些。這仍然表明對未來的預測是很難的。各種不確定的因素在起作用。神經網絡的預測也只能作為參考之用，不能對各種的突發事件進行預測。

3.5 使用RBF三種產業增加率確定法預測GDP

3.5.1 RBF神經網絡模型設計

該種方式與對應的BP神經網絡預測方法類似， 以一年的三種產業增長率作為輸入，后一年的GDP增長率預測作為輸出。本次實驗采用RBF神經網絡建立浙江省經濟發展的的預測模型。輸入層節點數為n=3，輸出層節點m=1.而隱含層節點數的選擇采用RBF自動的newrbe方法實現。

3.5.2 數據處理

1) 采用1978～2004年的數據作為第一組訓練數據，2005年數據作為仿真預測數據，通過神經網絡預測GDP。采用1978～2005年的數據作為第一組訓練數據，2006年數據作為仿真預測數據，通過神經網絡預測GDP， 采用1978～2006年的數據作為第一組訓練數據，2007-年數據作為仿真預測數據，通過神經網絡預測GDP，依次類推，產生結果如表4所示。

3.5.3 數據分析

但是從2005-2009的預測數據來看預測數據的誤差比上一組得RBF的誤差還要大，幾乎有點難以接受。這也說明RBF神經網絡盡管曲線的擬合程度比BP網絡好，但是從預測的能力來講，并不比BP網絡好，反而我通過試驗更差一些。2009年的數據變得極為不合理，從而導致數據的偏差性很高。，從測試數據可看出，但是由于經濟運行的復雜性，以及不可預知性，特別是由于2008的美國金融導致的世界范圍的經濟危機，導致經濟數據的不可靠性大大增加，歷史數據變得用處不太大。2009年的數據變得極為不合理，從而導致數據的偏差性很高。

4 總結與歸納

從我們的試驗來看，各種神經網絡的確可以對未來進行預測，但是精度多高卻有一些問題，從我們的試驗來看BP神經網絡的數據要比RBF神經網絡的數據要好，但是也只在一定范圍內 ，四種檢測方法，只有一種數據還略微能夠接受。神經網絡預測仍然需要不斷的完善。

參考文獻：

[1] 張德豐.Matlab神經網絡應用設計[M].北京:機械工業出版社,2009.

[2] 高雋.人工神經網絡原理及仿真實例[M].2版.北京:機械工業出版社,2007.

[3] 韓力群.人工神經網絡理論、設計與應用[M].2版.北京:化學工業出版社,2007.