對神經網絡的認識精選(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對神經網絡的認識主題范文，僅供參考，歡迎閱讀并收藏。
第1篇：對神經網絡的認識范文
關鍵詞：神經網絡 BP網絡
中圖分類號：TP3 文獻標識碼：A 文章編號：1672-3791（2014）01（c）-0240-02
神經網絡是一門發展十分迅速的交叉學科，它是由大量的處理單元組成非線性的大規模自適應動力系統。神經網絡具有分布式存儲、并行處理、高容錯能力以及良好的自學習、自適應、聯想等特點。該模型對于擬合現實復雜世界有著重要的實用價值。
1 神經網絡簡介
人工神經網絡（Artificial Neural Network，ANN），亦稱神經網絡（Neural Network，NN），是一種應用類似于大腦神經突觸連接結構進行信息處理的數學模型，它是在人類對自身大腦組織結合和思維機制的認識理解基礎之上模擬出來的，它是根植于神經科學、數學、統計學、物理學、計算機科學以及工程科學的一門技術。心理學家Mcculloch，數學家Pitts在20世紀40年代第一次提出了神經網絡模型，從此開創了神經科學理論的研究時代，此后半個世紀神經網絡技術蓬勃發展。神經網絡是一種計算模型，由大量的神經元個體節點和其間相互連接的加權值共同組成，每個節點都代表一種運算，稱為激勵函數（activation function）。每兩個相互連接的節點間都代表一個通過該連接信號加權值，稱值為權重（weight），神經網絡就是通過這種方式來模擬人類的記憶，網絡的輸出則取決于網絡的結構、網絡的連接方式、權重和激勵函數。而網絡本身通常是對自然界或者人類社會某種算法或函數的逼近，也可能是一種邏輯策略的表達。神經網絡的構筑理念是受到生物的神經網絡運作啟發而產生的。人工神經網絡則是把對生物神經網絡的認識與數學統計模型向結合，借助數學統計工具來實現。另一方面在人工智能學的人工感知領域，我們通過數學統計學的方法，使神經網絡能夠具備類似于人的決定能力和簡單的判斷能力，這種方法是對傳統邏輯學演算的進一步延伸。
2 神經網絡模型及訓練
2.1 生物神經元模型
人腦是自然界所造就的高級動物，人的思維是由人腦來完成的，而思維則是人類智能的集中體現。人腦的皮層中包含100億個神經元、60萬億個神經突觸，以及他們的連接體。神經系統的基本結構和功能單位就是神經細胞，即神經元，它主要由細胞體、樹突、軸突和突觸組成。人類的神經元具備以下幾個基本功能特性：時空整合功能；神經元的動態極化性；興奮與抑制狀態；結構的可塑性；脈沖與電位信號的轉換；突觸延期和不延期；學習、遺忘和疲勞；神經網絡是由大量的神經元單元相互連接而構成的網絡系統。
2.2 人工神經網絡模型
人工神經網絡，使通過模仿生物神經網絡的行為特征，進行分布式并行信息處理的數學模型。這種網絡依靠系統的復雜度，通過調整內部大量節點之間相互連接的關系，從而達到信息處理的目的。人工神經網絡具有自學習和自適應的能力，可以通過預先提供的一批相互對應的輸入輸出數據，分析兩者的內在關系和規律，最終通過這些規律形成一個復雜的非線性系統函數，這種學習分析過程被稱作“訓練”。神經元的每一個輸入連接都有突觸連接強度，用一個連接權值來表示，即將產生的信號通過連接強度放大，每一個輸入量都對應有一個相關聯的權重。處理單元將經過權重的輸入量化，然后相加求得加權值之和，計算出輸出量，這個輸出量是權重和的函數，一般稱此函數為傳遞函數。
2.3 神經網絡的訓練
當神經網絡的結構確定以后，接下來的工作就是訓練和學習。神經網絡不是通過改變處理單元的本身來完成訓練和學習過程的，而是依靠改變網絡中各神經元節點的連接權重來完成的。因此若處理單元要學會正確的處理所給定的問題，唯一用以改變處理單元性能的元素就是連接權重。
2.4 神經網絡的分類
神經網絡按照不同的結構、功能，以及學習算法，對網絡進行分類，可以分為：（1）感知器神經網絡：最簡單的神經網絡類型，只有單層的神經網絡結構，采用硬限值作為網絡傳遞函數，主要適用于簡單的線性二類劃分問題，在此類問題中處理的效率較高。但不適合本論文的課題。（2）線性神經網絡：單層結構的神經網絡，采用線性函數作為網絡的傳遞，主要也是用于解決線性逼近問題。
3 BP神經網絡
目前應用最為廣泛的網絡，具有多層網絡結構，可以由一個或者多個隱含層。BP網絡采用Widrow―Hoff學習算法和非線性傳遞函數，典型的BP網絡采用的是梯度下降算法，也就是Widrow―Hoff算法所規定的。BP，即Back Propagation，就是指為非線性多層網絡訓練中梯度計算是采用信號正向傳播、誤差反向傳播的方式。通過采用非線性傳遞函數，BP網絡能夠以仁義的精度逼近任何非線性函數，由于采用隱含中間層的結構，BP網絡能夠提取出更高階的統計性質，尤其是當輸入規模龐大時，網絡能夠提取高階統計性質的能力就顯得非常重要了，結合本文的課題，將采用BP神經網絡及其改進算法進行組合集成實驗，用以解決財務預警的實際問題，在后面的章節會采用相關實驗證明組合集成的BP神經網絡的優勢。
4 徑向基神經網絡
徑向基神經網絡又稱為RBF網絡，它與BP網絡同為多層前向網絡，也能夠以任意的精度逼近任何非線性函數，只是它與BP網絡采用的傳遞函數不同，BP通常采用的是Sigmoid函數或線性函數作為傳遞函數，而RBF網絡則采用徑向基函數作為傳遞函數。本文后面將采用徑向基函網絡與BP網絡進行對比。
5 競爭神經網絡
競爭神經網絡的特點是它的各個神經元之間是相互競爭的關系，眾多神經元之間相互競爭以決定勝出者，或勝神經元決定哪一種原模型最能代表輸入模式。
6 反饋神經網絡
BP神經網絡（Fredric M.Ham Ivica Kostanic Principles of Neurocomputing for Science―Engineering 2007）BP神經網絡具有sigmoid隱含層以及線性輸出層，具有很強的映射能力，本節我們對BP網絡神經元和網絡結構進行介紹。神經網絡方法的具體步驟是：向網絡提供訓練例子，即學習樣本，包括輸入和期望的輸出。確定網絡的實際輸出和期望輸出之間允許的誤差。改變網絡中所有連接權值，使網絡產生的輸出更接近于期望輸出，直到滿足確定的允許誤差。下圖給出了一個具有N個輸入的基本的BP神經元模型結構。途中每一個輸入都被賦予一定的權值，與偏差求和和后形成神經元傳遞函數的輸入。
我們來看看三層BP神經網絡模型的數學表達，首先我們來確定途中各個參數所代表的涵義：
（1）輸入向量：X=（x1，x2，…，xi，…，xn）T；
（2）隱層輸出向量：Y=（y1，y2，…，yj，…，ym）T；
（3）輸出層輸出向量：O=（O1，O2，…，Ok，…，Ol）T；
（4）期望輸出向量：d=（d1，d2，…，dk，…，dl）T；
（5）輸入層到隱層之間的權值矩陣：V=（V1，V2，…，Vj，…，Vm）；
（6）隱層到輸出層之間的權值矩陣：W=（W1，W2，…，Wk，…，Wl）。
BP神經網絡就是通過構建上述變量來完成網絡的描述。
我們從上至下，從輸出層開始看BP網絡的工作原理，對于輸出層：
k=1，2，…，l （1）
k=1，2，…，l （2）
對于隱層：j=1，2，…，m （3）
j=1，2，…，m （4）
其中的是傳遞函數我們可以采用單極性Sigmoid函數： （5）
（1）網絡誤差與權值調整
輸出誤差E定義：
（6）
（7）
在這一步的基礎上，進一步展開至輸入層：
（8）
j=0，1，2，…，m；k=1，2，…，l （9）
i=0，1，2，…，n；j=1，2，…，m （10）
式中負號表示梯度下降，常數η∈（0，1）表示比例系數。在全部推導過程中，對輸出層有j=0，1，2，…，m；k=1，2，…，l，對隱層有i=0，1，2，…，n；j=1，2，…，m
（2）BP算法推導
對于輸出層，式（9）可寫為：
（8）對隱層，式（9）可寫為：（10），對于隱層，利用式（7）：
可得： （11）
將以上結果代入式（8），并應用式（5）：，得到：
（12）
（13）
至此兩個誤差信號的推導已完成。將式（12）代回到式（8），得到三層前饋網的BP學習算法權值調整計算公式為：
（14）
第2篇：對神經網絡的認識范文
關鍵詞：神經網絡 化工過程 人工智能
中圖分類號：TM835 文獻標識碼：A 文章編號：1007-9416（2016）12-0024-01
大量的處理單元就如同神經單元一樣，經過一系列的排列組合構成了復雜的神經網絡系統，廣泛應用于復雜信息處理、機器視覺、智能化控制等方面。仿生學的設計和智能化軟件的設計，使得神經網絡系統具有自動處理數據、自動組織、自動學習，使得化工過程控制具有高精度、高安全系數、智能化的特點。化工生產是一個復雜的生產過程，其中涉及的設備多，涉及的工藝復雜，控制難度高，如何促進化工生產的過程控制，從而實現科學管理、優化生產、提高生產率的目的。設備的多樣、工藝的復雜、流程復雜等一系列的因素，使得神元或者是多個單元實現智能化控制，既能收集生產過程產生的數據，而且也能對這些數據進行處理，達到監測生產環境、監控生產過程、實時優化生產的目的。
1 神經網絡技術的基本理論和基本結構
神經網絡技術的發展是建立在對人腦神經系統的構成和作用機制認識的基礎上，神經單元構成了龐大的神經系統，神經單元接受信息并傳遞信息，神經中樞處理信息并反饋信息。神經網絡技術模擬神經系統處理單元類似于神經單元，計算機控制系統相當于神經中樞，分析數據、處理數據、輸出結果。計算機技術的發展、傳感器的應用，為神經網絡的發展提供了基礎。神經網絡包括一個輸入層和輸出層，若干的隱含層。輸入層的作用是接受外部信息并傳遞信息；輸出層的作用是接受輸入層傳遞的信息，處理信息并反饋信息；隱含層的作用是將輸入層的信息進行組合，預處理。信息的接受、傳遞、處理和反饋一系列的過程使神經網絡發揮作用的過程。
由于處理單元的應用，使得神經網絡系統是一種自學習、自處理、自組織的智能化系統。神經系統的運行類似于人學習的過程，由簡單到復雜，不斷的修正節點的連接方式，直到輸出滿意的結果和符合實際應用。神經網絡系統是建立在數學模型的基礎上，利用數學建模搭建神經網絡節點，建模主要有M-P模型、BP模型、RBF模型等。根據外部參數的不同和應用的目的，采用不同的函數，如可逆函數、線性函數、非線性函數、S函數等等，建立數學模型，輸入參數，不斷的優化模型，優化的過程使神經網絡系統自學的過程。神經網絡訓練算法與模型的設置有關，如BP模型采取反傳處理誤差的訓練算法，優化算法，達到優化模型的目的，使建立的模型更加符合實際應用情況。
2 神經網絡在化工過程控制中的應用
神經網絡具有很強的信息處理能力、自學習能力、自組織能力。根據輸出的信息，可以建立信息之間的關系和處理多余的信息，簡化生產過程中的信息，檢測生產環境，監控生產，達到最優化的生產過程。神經網絡覆蓋生產過程中的所有要考慮的因素，因此神經網絡的應用也覆蓋化工過程控制的方方面面。
化工生產涉及的環節多種多樣，當某一環節發生故障，若處理不及時，將使這一環節癱瘓甚至使整個生產過程癱瘓，造成重大安全事故。高效、實時、預測的檢測和診斷故障的系統是化工過程控制中安全、高效生產的保障。美國的科學家首次提出將神經網絡技術用于化工過程控制中，用于檢測、診斷、預警故障。神經網絡系統是一種仿生系統，具有思維、意識和學習能力的動力學系統，能夠處理復雜的事物和環境，根據實際生產過程不斷校正系統，實時監測參數的變化，對故障進行診斷和報警。目前主流的故障診斷的神經網絡系統有：反傳動態經網絡控制系統、自適應神經網絡控制系統和RBF神經網絡控制系統。
神經網絡技術主要靠傳感器接受外部信息，大量傳感器的應用，有利于智能化控制生產過程。化工過程的控制主要是對生產過程中的機器控制，生產過程涉及的機器種類繁多，同時維持安全、高效率階段比較困難。神經網絡系統自動控制機器生產，控制生產參數和生產流程，最優化生產過程控制和安全化控制，實時跟蹤控制生產。控制主要有兩種基本的方法，一種數學建模，將對象的目標信息作為標準，經過不斷的訓練和反饋，修正誤差，化模型，優化控制模式；另外一種是控制器設置，如PID控制器，實現實時控制，不僅對精確知識進行處理，而且對模糊信息也能進行處理。國內外都已經有成熟的化工過程控制中的神經網絡系統，如對乙酸乙烯酯聚合成乳液過程的實時控制，氯氣生產過程的故障預報神經網絡系統。
3 總結
神經網絡技術是21世紀最重要的技術之一，化工過程控制是化工生產的安全保障。化工過程控制應用神經網絡技術，有利于提高控制的安全系數，提高生產效率，有利于智能化管理，提高管理水平，有利于整個社會生產力水平的提高和社會智能化發展。化工過程控制采取神經網絡技術，有利于工業技術的創新和改善工人工作環境，保障工人人身安全。
參考文獻
第3篇：對神經網絡的認識范文
關鍵詞：神經網絡；計算機網絡；安全管理；應用
中圖分類號：TP393.08
進入到信息時代，便捷的計算機網絡技術不僅給人們的生活帶來了極大的便利，但同時也容易遭到蠕蟲病毒、木馬病毒等破壞性極強的程序病毒攻擊留下便利的通道，使得計算機網絡安全面臨巨大的威脅。鑒于此，要對計算機網絡安全所面臨的風險進行科學、合理以及準確的分析、評估，同時要采取相應的措施對面臨的風險有效的進行防范，盡可能的減少由于計算機網絡安全管理問題所帶來的損失。另外，計算機網絡安全受到很多種因素的影響，主要有病毒的入侵以及系統漏洞，更重要的是這些因素之間有很強的關聯性，這也就導致計算機網絡安全管理的問題逐漸趨于復雜化，在這種情況下，就必須要求計算機網絡系統的管理者以及使用者對網絡的安全進行有效的管理，更要對網絡的安全性有清楚的認識和了解，切實的掌握影響計算機網絡安全的因素。為了更好的解決計算機網絡安全管理問題，神經網絡逐漸被應用到計算機網絡安全管理之中，使得對計算機網絡安全管理更加準確和有效。
1 計算機網絡安全管理概述
一般而言，計算機網路安全管理指的是計算機在連接網絡后進行信息的交換、瀏覽以及下載的過程中，對信息安全進行有效的管理，防止信息被他人竊取或者破壞。隨著信息時代的到來，越來越多的人對計算機產生了很強的依賴，從兒童到老年人，計算機的影響無處不在，隨著計算機的普及，人們在使用計算機的過程中對其安全性就有了顧忌。對于計算機網絡，只要連接互聯網，隨時都存在被攻擊的可能，相對而言，沒有任何計算機是絕對的安全或者是不受到任何的攻擊。運用計算機網絡技術進行攻擊或者盜取個人信息或者是企業信息的事件幾乎每年都會發生，計算機網絡存在嚴重的安全隱患。所以，要及時的認識以及了解計算機網絡面臨的安全隱患，積極的采取相應的措施加強對計算機網絡安全的管理。
2 神經網絡在計算機網絡安全管理應用的現狀
2.1 對神經網絡在計算機安全管理運用中的重視程度不夠
計算機網絡安全是因特網發展的最基礎的目的，但與此同時近乎所有的計算機網絡在開創以及不斷的發展過程中都趨向于實用以及便利，相反卻在一定程度上沒有重視對計算機的安全管理，更沒有將神經網絡技術運用到計算機的安全管理中，進而對計算機網絡的安全管理留下了嚴重的隱患。另外，神經網絡在計算機網絡安全管理中主要是對計算機的網絡安全進行評估，然而由于不重視對神經網絡在計算機網絡安全管理中的運用，使得沒有建立良好的計算機網絡安全評價標準體系。
2.2 對神經網絡在計算機網絡安全評價模型的設計和實際運用不夠合理
一般來說，神經網絡在計算機網絡安全管理中主要是對計算機網絡安全進行一定的評估，在對其進行評估的過程中，就需要設計一定的計算機網絡安全評價模型，主要包含對輸入層、輸出層以及隱含層的設計；但是，目前神經網絡在計算機網絡安全管理中對于評價模型的設計還沒有將這三方面有效的聯系起來。除此之外，對神經網絡在計算機網絡安全管理的實際運用中，不能科學、合理的實現計算機網絡安全管理評價模型運用，不注重對評價模型的學習以及不關注對評價模型進行有效的驗證。
3 加強神經網絡在計算機網絡安全管理中的應用采取的措施
3.1 神經網絡在計算機網絡安全管理中要科學、合理的設計網絡安全評價模型
神經網絡在計算機網絡安全管理中要科學、合理的設計網絡安全評價模型，以便更好的實現計算機網絡安全、高效的運行。為此，計算機網絡安全評價模型需要進行一下設計：首先是對輸入層的設計，一般來說，神經網絡在計算機網絡安全管理運用中，對于輸入層考慮的是神經元的節點數以及評價指標的數量，盡可能的使這兩者數量保持一致。其次是對隱含層的設計，對于隱含層的設計需要注意的是若某個連續函數在任意的閉區間中，可以通過在隱含層里的神經網絡來靠近，大多數情況下，神經網絡通常運用的是單隱含層。最后是輸出層的設計，神經網絡的輸出層設計主要是獲得計算機網絡安全管理評價的最終結果，例如可以設置計算機網絡安全管理評價的輸出層節點數為2，那么相應的輸出結果（1，1）指的是非常安全、（0，1）指的是較不安全、（1，0）指的是基本安全以及（0，0）指的是非常的不安全。
3.2 神經網絡在計算機網絡安全管理運用中要對評價模型進行有效的驗證
需要注意的是，神經網絡在計算機網絡安全管理運用中要對評價模型進行有效的驗證，一般體現在一下幾方面：首先是要關注評價模型的實現，為了實現神經網絡在計算機網絡安全管理中的良好運用，就要依據客戶滿意的評價模型，運用計算機網絡技術創建設置含有輸入層、隱含層以及輸出層的神經網絡模型，然后再對網絡安全進行檢驗。其次是要注意對評價模型的學習，在對計算機網絡安全進行評價之前，需要對神經網絡進行標準化的處理，才能盡可能的減少對計算機網絡安全管理評價中的誤差。最后要注意對評價模型進行驗證，當神經網絡經過標準化處理以及在計算機網絡安全評價之后，就需要對輸出的結果進行一定的驗證，以便確定神經網絡對計算機網絡安全的評價輸出結果是否與期望的評價結果相一致，進一步驗證神經網絡在計算機網絡安全管理中安全評價模型的準確與否。
3.3 重視神經網絡在計算機網絡安全管理運用以及建立健全安全評價標準體系
神經網絡在計算機網絡安全管理運用中主要的任務是對計算機網絡的安全進行一定的評價，并且將評價的結果準確、及時的反饋給用戶，所以就應該對其在計算機網絡安全管理中的應用引起高度的重視，為此就應該建立健全計算機網絡安全管理的評價標準體系。一方面是評價指標的建立，計算機網絡安全管理是復雜的過程，同時影響計算機網絡安全的因素比較多。因此，建立科學、合理以及有效的計算機網絡安全管理評價標準，對于神經網絡高效的開展評價工作有很大的關聯。另一方面是對評價標準的準確化，影響計算機網絡安全管理的因素非常的多，就應該對各種評價標準進行細化，以達到評價的準確。
4 結束語
綜上所述，通過神經網絡對計算機網絡安全的評價，可以有效的對計算機網絡安全進行管理。運用神經網絡技術手段，提高了計算機網絡安全管理的效率，并且在運用神經網絡的過程中建立健全安全評價標準體系、注重對評價模型進行有效的驗證以及加強對計算機網絡安全評價模型的設計，切實的提升計算機網絡安全管理水平。
參考文獻：
[1]毛志勇.BP神經網絡在計算機網絡安全評價中的應用[J].信息技術，2008（06）.
[2]周忠.神經網絡技術在網絡安全中的應用[J].科技致富向導，2010（32）.
[3]趙冬梅，劉海峰，劉晨光.基于BP神經網絡的信息安全風險評估[J].計算機工程與應用，2007（01）.
[4]樓文高，姜麗，孟祥輝.計算機網絡安全綜合評價的神經網絡模型[J].計算機工程與應用，2007（32）.
[5]沈宗慶，劉西林.基于BP神經網絡的分銷商績效指標評價及應用[J].華東交通大學學報，2007（04）.
第4篇：對神經網絡的認識范文
關鍵詞：人工神經網絡；產生；原理；特點；應用
Application of man-made neural network and medical Image to analyses
Abstract: Man-made neural network (ANN)is a binding system on structure to imitate biological neural to link. It can carry on pattern discriminate， Signal processing et. in order to let the medical students and workers understand the neural network， especially understand the man-made neural network which applies to the medical image to analyses， the article avoids complicated figure’s analysis and reasoning. It explains the concerned profound questions， mainly about the physical concept. In simple terms. I hope it can work !
Key words: Man-made neural network; Produce; Principle; Characteristic; Application
人工神經的出現與發展，從而解決了對于那些利用其它信號處理技術無法解決的問題，已成為信號處理的強有力的工具，人工神經網絡的應用開辟了新的領域。二十世紀九十年代初，神經網絡的研究在國際上曾經出現一股熱潮，近年來有增無減，已廣泛應用在民用、軍用、醫學生物等各個領域。
1 神經網絡與人工神經網絡
1.1 神經網絡
神經網絡就是由多個非常簡單的處理單元彼此按某種方式相互連接而成的計算機系統。該系統是靠其狀態對外部輸入信息的動態響應來處理信息。
1.2 人工神經網絡
1.2.1 神經元模型的產生
神經元（神經細胞）是神經系統的基本構造單位，是處理人體內各部分之間相互信息傳遞的基本單元。每個神經元都由一個簡單處理作用的細胞體，一個連接其它神經元的軸突和一些向外伸出的其它較短分支——樹突組成。人的大腦正是擁有約個神經元這個龐大的信息處理體系，來完成極其復雜的分析和推導工作。
人工神經網絡（ARTIFICIALNEURALNETWORK，簡稱(A.N.N.）就是在對人腦組織結構和運動機智的認識理解基礎上模擬其結構和智能功能而構成的一種信息處理系統或計算機。二十世紀40年代初期，心理學家Mcculloch、數學家Pitts就提出了人工神經網絡的第一數學模型，從此開創了神經科學理論的研究時代。隨后F.Rosenblatt、Widrow和Hopf、J.J.Hopfield等學者先后又提出了感知模型，使人工神經網絡技術有了新的發展。
1.2.2 人工神經網絡的工作原理
人工神經網絡首先要以一定的學習準則進行學習，然后才能工作。現以人工神經網絡對手寫“A”、“B”兩個字母的識別為例進行說明：為了討論方便，先規定當“A”輸入網絡時，應該輸出“1”，而當輸入為“B”時，輸出為“0”。因此網絡學習的準則應該是：如果網絡做出錯誤的判決，則通過網絡的學習，應使得網絡減小下次犯同樣錯誤的可能性。首先，給網絡各連接權值賦予（0，1）區間內的隨機值，將“A”所對應的圖像模式輸入給網絡，網絡將輸入模式加權求和、與門限比較、再進行非線性運算，得到網絡的輸出。在此情況下，網絡輸出是完全隨機的，“1”和“0”的概率各為50%。這時如果輸出為“1”（結果正確），則使連接權值增大，以便使網絡再次遇到“A”模式輸入時，仍然能做出正確的判斷。如果輸出為“0”（結果錯誤），則把網絡連接權值朝著減小綜合輸入加權值的方向調整，其目的在于使網絡下次再遇到“A”模式輸入時，減小犯同樣錯誤的可能性。如此操作調整，當給網絡輪番輸入若干個手寫字母“A”、“B”后，經過網絡按以上學習方法進行若干次學習后，網絡判斷的正確率將大大提高。這說明網絡對這兩個模式的學習已經獲得了成功，它已將這兩個模式分布地記憶在網絡中所含的神經元個數越多，則它能記憶、識別的模式也就越多。
1.2.3 人工神經網絡的特點
人工神經網絡的特點是高速信息處理能力和知識存儲容量很大。人工神經網絡同現行的計算機所不同的是，它是一種非線性的處理單元。只有當神經元對所有的輸入信號的綜合處理結果超出某一門限值后才能輸出一個信號。因此，神經網絡是一種具有高度非線性的超大規模連續時間動力學系統。它突破了傳統的以線性處理為基礎的數字電子計算機的局限，標志著人們智能信息處理能力和模擬人腦智能行為能力的一大飛躍。轉貼于 2 人工神經網絡的種類
人工神經網絡分為誤差逆傳播神經網絡（多層感知網絡）、競爭型(KOHONEN)神經網絡、前饋神經網絡和Hopfield神經網絡四種。
3 人工神經網絡的應用領域
3.1 民用領域
人工神經網絡在民用領域主要用于語言識別，圖像識別與理解，計算機視覺，智能機器人故障檢測，實時信息翻譯，企業管理，市場分析，決策優化，物資調運，自適應控制，專家系統，智能接口，神經生理學，心理學和認知科學研究等。
3.2 軍用領域
人工神經網絡在軍用領域主要用于語音，圖像信息的錄取與處理，雷達、聲納的多目標識別與跟蹤，戰場管理與決策支持系統，軍用機器人控制，信息的快速錄取，分類與查詢，導彈的智能引導，保密通訊，航天器的姿態控制等。
3.3 生物醫學工程領域
人工神經網絡在生物醫學工程領域主要是解決用常規方法難以解決和無法解決的問題。在生物醫學信號的檢測和分析處理中主要集中對心電、腦電、肌電、胃腸電等信號的識別，腦電信號的分析，聽覺誘發電位信號的提取，Holter系統的心電信號數據的壓縮，醫學圖像的識別和數據壓縮處理。即廣泛應用和解釋許多復雜的生理、病理現象。例如：CT腦切片。人工神經網絡從MR圖像分割組織和解剖物體，如腫瘤。這種基于二次掃描的方法包括無指導聚類分析，維數減少和通過非線性拓撲映射的紋理特征可視化。采用后處理技術逼近貝葉斯判斷邊緣，然后用人和神經網絡的交互對這些結果進行優化。
3.4 人工神經網絡在肺部CT片定量分析中的應用
肺部CT圖像定量分析是先通過計算ROI區域的紋理和其它形態學的特征，形成特征矢量，然后交由后續的神經網絡去進行分/聚類，從而達到定量分析的目的。現以其中常用的BP網絡為例加以說明。由于BP網絡存在紋理特征的計算很費時間和很難找到對某一病理區域有特異性的紋理特征等參數的缺陷。Heitmann等直接使用了Kohonen自組織映射網絡（SOM）來對彌漫性肺病在HRCT中的典型征象——磨玻璃樣影（GGO）進行自動識別。他將一55大小的ROI的CT數值直接作為SOM網絡的輸入，經網絡聚類后，輸出結果的真陽性超過95%，但也有太多的非GGO區域被誤分成GGO區域，假陽性竟高達150——300%。特別是靠近胸膜和靠近氣管與血管處的區域最易被誤分類，而這類區域處的對比度比較高。也就是說單個SOM網絡無法清楚地區分GGO相對均質的區域和低密度肺組織靠近高密度結構處的強對比區域。鑒于以上情況，Heitmann又設計了一個包括三個簡單網絡的分層結構。其中：一個簡單網絡可以檢測幾乎所有正確的GGO區域以及高對比度處的假GGO區域，而另兩個網絡（一個針對靠近胸膜處的組織；另一個針對靠近氣管和血管處的組織）僅僅被訓練成高對比有反應，而真正的GGO區域則無法檢出。將這三個網絡的輸出以一定的邏輯規則（即三個網絡的輸出都為真，則該區域才是GGO）相連，最終結果比單個網絡的結果精確了許多，它去掉了約95%的假陽性區域。雖然一些強對比區域的真的GGO區域也不可避免地被移走，但真陽性仍在可接受的范圍內。實踐證明：那些被誤分類的區域實際上大多是肺內血管、氣管、胸壁或縱隔的部分容積效應，以及有心臟主動脈搏動或呼吸位移引起的運動偽影。可以通過解剖結構信息來校正。
神經網絡的研究內容相當廣泛，反映了多學科交叉技術領域的特點。迄今為止，在人工神經網絡研究領域中，有代表性的網絡模型已達數十種，而學習算法的類型更難以統計其數量。神經網絡研究熱潮的興起是20世紀末人類科學技術發展全面飛躍的一個組成部分。它與多種科學領域的發展密切相關，縱觀當代新興科學技術的發展歷史，人類在征服宇宙空間、基本粒子、生命起源等科學領域的進程之中歷經了崎嶇不平之路。在以人為本的21世紀，我們將會看到探索人腦功能和神經網絡的研究將伴隨著重重困難的克服而日新月異，同時人工神經網絡在醫學領域的應用前景也會更加廣闊。
參考文獻
[1] 陳旭，莊天戈.肺部放射影像的定量分析[J].中國醫療器械雜志。2001，26（2）：117—118.
第5篇：對神經網絡的認識范文
關鍵詞：建筑成本 造價估算 工程造價
1. 前言
建筑工程造價估算是項目決策的重要組成部分，是項目建設前期編制可行性報告以及項目建議書的重要依據之一。由于建筑工程施工周期長、工藝較為復雜、涉及投資金額較大，項目造價估算是否準確，不僅影響項目建設資金的籌措，而且影響下一階段設計以及施工圖概算的編制，使得投資者不能做出正確的投資決策。目前我國建筑工程造價管理正處于重要的改革階段，早期估算的準確性也越來越得到投資者的重視。加強對建筑項目早期估算的研究，無疑對改變人們對工程造價的認識和工程造價管理改革都具有重要的意義。
2. 造價估算模型基本原理剖析
為了提高工程企業在造價估算電算方面的效率和精度，溫國鋒等[1] 在進行工程預算時引入了回歸分析、時間序列、自回歸預測等模型，但這些傳統的計算方法受限于確定性變化規律及線性關系。它基于一種簡單化和理想化的條件假設，在實際工程中受到許多不確定性因素如地理條件、社會以及經濟因素等等的影響，工程估算問題呈現的是一種非線性關系。毛義華等[2]引入ANN（人工神經網絡方法），其本質是通過網絡函數逼近能力映射實際的復雜函數。工程造價的相關影響因素空間到工程造價資料空間的映射是工程造價估算的實質。基于神經網絡的造價估算模型取神經網絡的輸入向量為投資估算的特征信息，神經網絡的輸出為項目工程主要材料用量、具體的工程造價，通過以往典型的工程特征、工料及造價作為訓練樣本，對其進行訓練，使不同的輸入向量都能得到最優的輸出量值，從而是想輸入工程特征到輸出造價資料的映射。神經網絡方法最常用是BP網絡，其存在著容易陷入局部最優、收斂慢等缺點。
基于徑向基函數神經網絡方法建立預測模型，結合免疫算法確定中心值和隱層數量，并選擇監督算法調整其權重，將得到一個精確的預測結果和客觀的結局方法[3]。采用RBF解決非線性問題時，通常使用內插觀點與函數逼近進行解釋，廣義的RBF網絡數據中心通常采用兩階段混合學習過程，第一階段為K-mean聚類算法，其主要任務是通過采用自組織聚類的方法，為隱層節點的徑向基函數確定合適的數據中心，因節點的擴展常數由各個數據中心的距離確定。第二階段為監督學習節點，其主要任務是監督學習算法訓練輸出層權值。
3. 造價估算實例分析
本文采用某市普通商用土建單方造價作為估算的對象，樣本數據的主要來源是該年份的該市商業地產藍皮書、統計年鑒以及工程信息網發生在2006-2010年間的56個商業地產項目。為適應其處理要求，矩陣標準化按照以下線性公式：標準化值=2*（原值-矩陣列最小值）/（列最大值-列最小值）-1。神經網絡的輸出轉化則按照下式實現：（網絡輸出值+1）*（最大輸出-最小輸出）/2+最小輸出。參考前學者的研究成果，根據工程造價影響因素確定{基礎種類、結構類型、樓面工程、抗震烈度、門窗形式、外墻裝飾、建筑層數、物價上漲指數}為神經網絡訓練集。
將該市56組樣本數據分成兩部分，第一部分為訓練樣本數據，由前45組數據組成；測試數據則由剩下的10組數據組成。RBF神經網絡的決定性結構通過反復的訓練形成，其中隱層節點為45，輸入層節點為8，輸出層節點為1。通過上述定義方法對工程標準化和定量化，輸入量為工程目標特征，輸出量為工程成本結果，非線性處理器為RBF，神經網絡的訓練以及樣本測試通過采用MATLAB神經網絡工具箱進行，表1為樣本在不同網絡模擬結果對比。
表1 測試樣本不同網絡模型結果對比
表中結果顯示，實際值與輸出結果的相對誤差最小值為3.91%，最大值為6.32%，標注值為0.007，平均值為5.09%，說明采用基于徑向基函數神經網絡的投資估算模型對測試樣本進行造價資料的模擬的預測精度符合實際工程的要求，運用在實際建筑工程成本投資估算過程中時可行的。同樣的樣本使用BP網絡進行測試和培訓，測試結果與RBF相對比，結果如表2所示，BP神經網絡其最大相對誤差達到18.57%，標注值為9.79，針對相同的樣本訓練，RBF神經網絡的結果要精確于BP神經網絡，而且RBF神經網絡所用到的神經元個數較少且所用時間也相對較短。表2為誤差指標為0.01時，通過不同的路徑逼近同一函數得到的性能對比結果。與RBF神經網絡相比，BP神經網絡速度相對較慢，RBF能更快的逼近函數取得結果。
表2 不同網絡結構性能比較
RBF神經網絡通過實例進行分析，具有較強的自學習能力、自適應性以及快捷、簡單的數據處理能力。與其他不同的神經網絡模型相對比，RBF神經網絡方法在絕大多數不確定性的建筑工程預測中更具有優勢。
4. 結論
建筑工程造價估算是影響投資控制的關鍵因素之一，尋找便捷科學的分析方法，較好的估算工程項目的造價也成為了目前工程界重要的研究課題。本文通過對比RBF神經網絡和BP神經網絡兩種估算模型分析結果，比較結果的精確度，結果證明，RBF神經網絡更具有速度和泛化能力的優勢，模擬的預測精度符合實際工程的要求，運用在實際建筑工程成本投資估算過程中時可行。
參考文獻
[1]溫國鋒.建設項目投資估算模型分析[J].中國煤炭經濟學院學報，2000.9（3）：19—22.
第6篇：對神經網絡的認識范文
關鍵詞ERP項目實施模糊神經網絡風險評價
1問題提出
企業ERP項目實施涉及到原有工作模式、業務流程變革、組織結構調整等許多方面，因此在實施ERP過程中要認識到它的復雜性和艱巨性，要認識到它的高風險性。然而，目前對ERP項目實施風險評價不是很多，有效性也不高。文獻分析，常用風險評價方法主要有層次分析法、神經網絡評價法和模糊綜合評判法等。
本文提出用模糊神經網絡模型來評價企業ERP項目實施風險。將模糊神經網絡用于實施ERP企業風險問題的評價，具有一定的進步性，是一種有益的嘗試，同其他方法相比，模糊神經網絡風險評價方法具有科學、簡潔、可操作性強等特點，而且模型的結構與方法應用前景廣闊。
2企業ERP項目實施風險評價指標體系
在分析了ERP項目實施過程風險影響因素，我們考慮的是可能導致項目失敗風險因素；因此要從企業實施ERP項目戰略角度、實施中人為風險因素、業務流程重組、ERP實施項目管理和關鍵事件分析和評估。該指標體系有三級，一級指標8個，二級指標26個，各二級指標相互獨立反映了前一項指標屬性內涵。評價指標體系的風險影響因素能從不同的角度反映這些風險指標度量屬性，其最終風險評價指標體系結構，如表1所示。
表1星火ERP項目實施風險評價指標體系表
風險項二級風險評價指標風險影響因素
信息化規劃風險U1信息化戰略地位u111)沒有信息化戰略或不健全、信息戰略執行不到位；
2)信息化投入總額的比重、網絡性能水平、沒有其他信息化設施；
3)是否接觸其他單模塊MIS系統每百名管理人員計算機擁有量。
信息基礎建設風險u12
信息化應用狀況風險u13
基礎數據風險U2基礎數據規范性風險u211)企業數據的完整程度、數據的不規范性；
2）數據編碼體系與ERP要求是否存在較大差別、編碼體系不完整；
3)品種繁多且雜亂、工藝復雜、工藝不規范、業務數據不一致。
編碼系統完整性風險u22
產品繁雜度風險u23
人力資源風險U3高層領導的指導力u311)高層領導參與度、對風險的認識程度以及支持力度；
2)項目經理的實施經驗和協調溝通能力。
項目經理的控制力u32
需求分析風險U4需求分析量化程度u411)企業需求分析不全面、需求分析報告不能反映實際情況；
2)外部市場牽引力度不當、需求拉動力誤導、政府推動力不強；
3）沒有咨詢顧問指導、需求分析反復修改、企業診斷結論錯誤。
需求動力分析風險u42
信息需求不明確u43
管理基礎風險U5行業（特點）風險u511)企業規模大小、企業體制、企業地理位置、企業的類型；
2)企業文化與ERP文化相抵制、新文化的形成；
3)企業管理水平低、管理模式落后、與ERP管理不符合度。
企業文化風險u52
管理不規范性u53
協作方選擇風險U6軟件商選擇風險u611)軟件供應商類型選擇不當、供應商綜合能力不強；
2)咨詢方行業經驗、雙方配合度不高；
3)監理基本能力不足、行業經驗不足。
咨詢方選擇風險u62
監理方選擇風險u63
軟硬件選擇風險U7硬件選擇不當u711)安全風險、后續維護風險、價格不合理；
2)系統集成性不高、二次開發工具水平；
3)軟件成熟度、類型選擇錯誤、選型方法或步驟不對；
4)質量先天性缺陷、質量不高、不可靠性風險。
軟件技術風險、u72
選型匹配風險u73
軟件質量風險u74
項目管理風險U8項目進度風險U811)沒有合理進度計劃、進度控制不嚴、進度延期、人員不變動；
2)硬件維護費用增加、實施費用無計劃地增加、維護費用增加；
3)實施效果難以衡量、沒有制定相應質量目標、階段成果未達標；
4)范圍無限擴大、不嚴格控制計劃，實施范圍不清楚風險；
5)對業務流程變革認識不統一、缺乏有效流程控制體系、重組變革方式和工具選擇、過多地改變軟件原有流程。
項目成本風險U82
項目質量風險U83
實施范圍風險U84
業務流程重組風險U85
3基于模糊神經網絡ERP項目實施風險評價模型
模糊神經網絡在SPSS、Excel和Matlab等統計分析軟件工具的幫助下，使這種預測評價變得簡單可行，具有很強的操作性和實用價值。模糊神經網絡作為人工智能領域一種新的技能、正向著更高層次的研究與應用方面發展。模糊神經網絡模型也用于企業風險評價方面，張英才提出基于模糊神經的人力資源風險評價，吳沖等提出基于模糊神經網絡的商業銀行信用風險的評價。
3.1模糊神經網絡評價模型建立
根據企業實際結合已有的研究成果及風險評價指標體系，確定了8個評價的變量。選擇[0,1]上的數據對上述8種因素的風險進行評判。同時，我們可以用以下數學語言描述：設ui(i=1,2,……7)為ERP項目實施風險評價的輸入變量，Ui為其論域。在本系統中，ui∈[0,1］，將ui的風險類別模糊化為一個定義在Ui上的模糊子集Aj(j=1,2,3,4,5分別代表風險低、較低、一般、高、較高五種類型)，其模糊性用Ui的模糊分布一隸屬函數UAj(ui)來表示。具體模糊量化過程為：
（1）選擇影響因素的集合；本文采用風險指標體系子要素層中的評價影響集合。（2）確定評價等級空間U；U={cl，c2，…，ck}，若ck+1比ck“強”，記作ck+1>ck，一般地，評價等級統計取4至6個等級較合適，本文風險等級分5個等級,即風險低、風險較低、風險一般、風險較高和風險高。
（3）確定子要素層每一因素對U中的各評價等級的隸屬度；通過專家打分后，采用統計方法獲得，第i個因素對各等級的隸屬度為Ri＝（ri1，ri2，ri3，ri4，ri5）。
（4）計算每個因素的評價值；將5個評價等級數量化后視為一個向量，例如取C=(0.9,0.7,0.5,0.3,0.1)，則第i個因素的數值化風險評價值為Xi=Ri*CT。根據所評價ERP項目實施風險評價中指標，模糊神經網絡ERP項目實施風險評價結構確定為(8,m,5)，即輸入層節點8個(根據評價階段指標體系確定)；隱含層節點數為m，一般人為給定m值后，經k-means方法調整出合適值；輸出層節點5個。通過上述模糊化方法處理得出每個風險影響因素的模糊化數值xi后，作為神經網絡輸入層節點的輸入值。輸出層節點輸出企業ERP項目實施風險綜合評價值。因此所建模型如圖1所示，模糊神經網絡風險評價模型分兩大模塊:前一部分是模糊量化模塊，作用是將輸入變量模糊化，模糊化處理是將數字表示形式的輸入量轉化為通常用語言值表示的某模糊論語的序數。后一部分是模糊神經網絡(FNN)模塊，此模型中FNN模塊采用BP神經網絡。該網絡模型兩大模塊包括三層:輸入層、隱含層和輸出層。
圖1風險評價中模糊神經網絡模型
輸入層：在ERP項目實施風險評價指標體系中，輸入層評價指標經過模糊化處理后輸入。但由于指標值量綱不相同，代表了不同的物理含義。因此，在進行綜合評價之前可將各指標值轉化成無量綱的標準化數據，這樣就可以利用同一標準進行衡量一般可采用直線型無量綱化方法，如利用極差變換公式將各類指標標準化。輸入層中神經元的輸入與輸出為Ui=Xi，Oij=Xi,（其中i=1,2,…..,8；j=1,2,……,m）。同時，我們將上述的風險因素和ERP項目實施風險評價的結果按照風險的大小程度分別用5個語言變量表示，并用各個語言變量的隸屬函數代表其模糊性。
隱含層：其作用是對輸入量進行評語等級分化處理，即根據隸屬函數求出每一輸入的各等級隸屬度值。本文選用梯形函數，它對樣本數據要求相對簡單，雖然它的準確性不如非線性隸屬函數高，但是經過模糊神經網絡的控制也能達到良好的效果。圖2說明了用梯形函數來表示ERP項目實施風險隸屬函數。
3.2模糊神經(FNN)網絡學習訓練
模糊神經網絡模型應用具體步驟包括兩個過程①學習訓練過程：在現有的ERP項目實施企業中，選擇成功與失敗典型樣本對網絡進行學習訓練，經過反復迭代，使系統平均誤差降低到滿意的程度，從而獲得穩定的網絡結構、連接權值和各參數。②模型確定后，可用來進行ERP項目實施風的評價。
(1)樣本數據的獲得
選取若干具有代表性的數據，通過專家意見調查，收集相關數據作為樣本數據。論文研究選擇對象主要面向大中小各類企業，除已實施ERP的企業外，也包括將要實施ERP的企業。我們通過東西部地區200多家案例企業獲得樣本數據，進行統計分析。先對樣本數據進行穩定性處理，鑒于論文取得的樣本數據容量較大，各指標取值范圍較廣，數據具有一定的平滑性，因此選用兩倍、三倍標準差檢驗法進行異常數據剔除，最終獲得（167個）樣本數據。
(2)網絡學習訓練結果
模糊神經網絡的學習過程也就是網絡參數修正的過程，本系統的網絡學習采用有教師的學習方法，網絡參數的修正采用梯度法實現。
(3)ERP實施風險評價輸出
模糊神經網絡訓練趨向穩定后，并滿足指定的性能指標(如訓練誤差)，說明神經網絡已訓練結束，可以用來評價企業ERP項目實施風險。將待評價的對象按模糊規則轉換后得到n個輸入量，已訓練好的網絡模型就可以通過輸入量到輸出實現；輸出結果為隸屬度向量O=(O1，O2，O3，O4,,O5)，定義為最大隸屬度。即，=MAX(O1，O2，O3，O4，O5)。
根據最大隸屬度原則就可以確定待評價的ERP項目實施風險的大小。在每次評價工作中，無論評價結果是否得到了專家的認可，都可以把它作為新的學習樣本讓這個模糊神經網絡評價系統不斷學習、繼續完善，以使它做出更準確的評價。
4結論
本文確立了企業ERP實施風險評價的指標體系，建立了基于模糊神經網絡的ERP項目實施風險評價模型，利用神經網絡實現風險評價功能，可以充分利用以往的經驗，使評價系統具有學習能力。模糊神經網絡用于評價企業ERP實施風險非常適合，這不僅可以評價ERP項目實施各階段風險大小，也可以利用網絡的預測評價功能，預測將要實施ERP企業的風險大小，而且網絡預測誤差小，適合用于各類企業ERP項目實施風險評價。
參考文獻
[1]陳啟申.ERP——從內部集成起步.北京:電子工業出版社[M].2004
[2]劉暉.我國企業發展與實施ERP的現狀分析[J].情報科學.第23卷第6期.2005.6.28~29
第7篇：對神經網絡的認識范文
關鍵詞：方法；維修性評估；BP神經網絡
1 概述
維修性是現代航空武器裝備重要的設計特性，是影響其使用可用度和作戰效能的重要因素。定型試飛階段是裝備維修性評價的重要環節，其目的是驗證裝備的維修性水平是否達標，為改進裝備維修性設計提供重要參考，提高裝備的維修性水平。試飛階段的維修性評價主要是通過試飛階段產生的維修信息，驗證裝備的維修性水平。維修性評估除了有量化指標要求外，還有很多是一些非量化和無法量化的要求和指標。對這些非量化的指標和要求進行評價是非常困難的，往往不易下結論或者結論不夠準確。目前，人們一般采用層次分析法（AHP）、模糊綜合評判法或灰色評價法進行評價，但這些方法具有較強的主觀性，缺乏自學習能力，實際評判中易受判定隨機性、參評人員主觀不確定性及認識模糊性等諸多因素的制約。針對以上情況，文章在建立維修性定性評估指標體系的基礎上，采用目前比較成熟且最常用的一種神經網絡方法，即BP神經網絡，建立了評價模型，并給出了評價結果。
2 BP神經網絡方法
人工神經網絡是在現代神經生理學和心理學的研究基礎上，模仿人的大腦神經元結構特性而建立的一種非線性動力學網絡系統，它由大量簡單的非線性處理單元（類似人腦的神經元）高度并聯、互聯而成，具有對人腦某些基本特性的簡單的數學模擬能力。
2.1 BP網絡結構
BP神經網絡是一種單向傳播的多層前饋神經網絡，由一個輸入層、一個輸出層和若干中間層（隱層）構成。每層由若干神經元組成，不同層次的神經元之間形成全互連接。層內神經元相互獨立，不同層次之間的神經元以權值W單向連接。每層神經元在節點接受前一層的輸出，同時進行線性復合和映射（線性或非線性），通過復合反映不同神經元之間的耦合和映射對輸入信息作出反應。
BP神經網絡對于輸入值要先向前傳播到隱層節點，經作用函數運算后，再把隱層節點的輸出信息傳播到輸出節點，最后給出輸出值。文章采用一種具有個n2輸入節點、n1個隱層節點和單個輸出節點的三層BP神經網絡，它的數學模型是：
Y=f（WijX+？茲1） （1）
Z=f（WjY+？茲2） （2）
其中，X，Y，Z分別為輸入層、隱層和輸出層矢量（節點向量）；Wij，？茲1和Wj，？茲2分別表示輸入層與隱含層以及隱含層與輸出層之間的連接權和閾值，i=1，2，…，n2；j=1，2，…，n1；f（x）為網絡激活函數或傳遞函數，通常采用S形函數，即f（x）=■，如果整個網絡的輸出要取實數域內任何值，則網絡輸出層可以采用線性函數作為傳遞函數，即f（x）=x，其結構如圖1所示。
圖2 圖1中神經元j的結構模型
圖1中Xk=（xp1，xp2，？撰，xpn2）為評價指標屬性值，k=1，2，…，s，其中s是輸入樣本量；Z為樣本模式P的輸出。B=[b1，b2，？撰，bs]T=[bp]s×1為與樣本模式P對應的評價結果，也是神經網絡的期望輸出值。實際輸出Z與期望輸出bp的誤差函數Ep定義為Ep=（bp-Z）2/2。
對于圖1中隱層的神經元j，其結構模型如圖2。
神經元j模型可以表示為：
（3）
2.2 BP網絡學習過程
BP神經網絡的學習過程由正向傳播和反向傳播兩部分組成，在正向傳播過程中，輸入模式從輸入層經過隱層神經元的處理后，傳向輸出層，每一層神經元的狀態只影響下一層神經元狀態。如果在輸出層得不到期望的輸出，則轉入反向傳播，此時誤差信號從輸出層向輸入層傳播并沿途調整各層向連接權值和閾值。以使誤差不斷減小，直到達到精度要求。該算法實際上是求誤差函數的極小值，它通過多個樣本的反復訓練，并采用最快下降法使得權值沿著誤差函數負梯度方向改變，并收斂于最小點。
3 維修性定性評價指標體系
根據GJB 368B裝備維修性通用工作要求中維修性定性評價內容可確定維修性定性評估的指標體系如圖3所示。
圖3 維修性定性評價指標體系
維修性評價的最主要目的就是得出分析對象的維修性好壞。對于二級指標，這里為了方便現場操作人員評價打分，每個指標又細化為多個評價準則。這里給出了互換性與標準化評價準則表，見表1。操作人員只需對評價準則進行回答，即可得出每個指標的評價值。文章以可達性中視覺可達為例介紹專家打分方法和評價過程。由于影響視覺可達的條件不同，因此具體項目和分值應根據實際操作進行調整。打分共有好、中、差等3項指標，“好”指標對應分值為80～100分，“中”指標對應分值為60～80分，“差”指標對應分值為60分以下，滿分100代表最好的視覺可達狀況。為了便于神經網絡訓練，對得到的百分制評價結果進行了處理，即每個分值除以100得到神經網絡輸入向量的元素，例如，如果專家對視覺可達的最終打分結果是85分，對應文章的輸入向量的元素值為0.850。
附表1 互換性與標準化評價準則表
4 維修性BP神經網絡評估模型
文章利用MATLAB實現BP神經網絡的編程。將維修性定性評估指標體系中的16個指標作為神經網絡的輸入向量，將其評估結果作為唯一輸出，建立一個如圖1的16×midnote×1的3層BP神經網絡。
其中16是輸入樣本的維數；
midnote是隱層節點數，隱層節點數目太多會導致學習時間過長、誤差不一定最佳，也會導致容錯性差、不能識別以前沒有看到的樣本，因此一定存在一個最佳的隱層節點數。以下3個公式可用于選擇最佳隱層節點數時的參考公式：
（1）■C■■>k，其中k為樣本數，n1為隱層節點數，n2為輸入節點數。如果i>n1，C■■=0；
（2）n1=■+a，其中m為輸出節點數，n2為輸入節點數，a為[1，10]之間的常數；
（3）n1=log2n2，其中，n2為輸入節點數。
1 是輸出層節點數。
網絡輸入層與隱層之間的傳遞函數f（x）為tansig，即S型的雙曲正切函數；隱層與輸出層之間的傳遞函數f（x）為purelin，即f（x）=x；網絡訓練函數為traingd，即梯度下降BP算法函數；對于BP網絡創建函數newff，其性能函數默認為“mse”，即均方誤差性能函數，其權值和閾值的BP學習算法默認為“learngdm”。下面將介紹學習步長、初始權值和目標精度的選取要求。
4.1 學習步長、初始權值、目標精度的選取
學習步長是在學習過程中對權值的修正量，與網絡的穩定性有關。步長過短，則學習效率低，步長過長，則網絡穩定性差，學習步長一般取0.05。
初始權值選取和輸出結果是否最接近實際，是否能夠收斂，學習時間的長短等關系很大，由于MATLAB仿真軟件會根據初始化函數自動生成相應的初始權值和閾值。
目標精度是確定神經網絡的精度標準，當誤差達到目標精度要求后網絡停止。目標精度的確定是根據實際情況對精度的要求而定。
4.2 實例驗證
訓練根據實際數據和專家評定，選定用于訓練和測試的10組樣本數據，其中X矩陣的前9行，即9組訓練樣本，X矩陣的第10行為1組測試樣本，B為10組樣本的目標輸出矩陣，Q為待估樣本矩陣。
（1） 學習樣本矩陣、目標輸出矩陣、待評估矩陣的數據輸入
（2）BP神經網絡模型程序代碼設計：
net=newff （min max（X（1：9，inf）'）， [midnote 1]， {'tansig'，'purelin'}，'traingd'）%創建網絡并初始化
net.trainparam.show=50 顯示訓練狀態間隔次數
net.trainparam.lr=0.05 學習步長
net.trainparam.epochs=500 仿真次數
net.trainparam.goal=0.001 目標精度
[net，tr]=train（net， X（1：9，inf）'，B'） 網絡訓練
Zsim=sim（net， X（10，inf）'） 仿真計算
（3）仿真結果輸出及分析
待評估矩陣的仿真結果為：Zsim=0.762066，它表示的意義是在16個二級評估指標能力值分別為待評估矩陣所給定值時，該維修性的評估結果是0.762066。圖4為BP神經網絡訓練圖。從圖中可以看出，訓練仿真到351次時，達到設定的目標精度0.001，訓練停止。文章只對BP神經網絡解決維修性評估的方法上進行了初步的探索，隨著裝備維修性研究的不斷深入和神經網絡技術的發展，BP神經網絡方法在維修性評估中的應用將更加廣泛。
圖4神經網絡訓練誤差曲線
5 結束語
文章將BP神經網絡方法應用于對航空維修性的評價，意在建立更加接近于人類思維模式的定性與定量相結合的綜合評價模型。通過對給定樣本模式的學習，獲取評價專家的經驗、知識、主觀判斷及對目標重要性的傾向，當需對有關對象作出綜合評價時，便可再現評價專家的經驗、知識和直覺思維，從而實現了定性分析和定量分析的有效結合，也較好地保證了評價結果的客觀性，此外仿真結果精確度高，可信性強。
參考文獻
[1]黃書峰，端木京順，唐學琴，等.航空維修保障能力的神經網絡評估方法與應用[J].航空維修與工程，2008.
[2]GJB 368A-1994.裝備維修性通用大綱[S].
第8篇：對神經網絡的認識范文
（西藏職業技術學院，拉薩 850000）
（Tibet Vocational Technical Collage，Lhasa 850000，China）
摘要： 在政府投資項目推行代建制的過程中，必須正確認識代建制模式下的風險管理工作的重要性，認清風險的來源，有效評估工程項目風險嚴重程度和整體風險水平是決策項目上馬的先決條件。本文在闡述代建制項目進行風險評價的重要性基礎上，結合政府投資代建項目的特征和國內工程的實踐進行歸納總結，建立了共性的風險評價指標體系，提出了基于誤差反向傳播算法的BP神經網絡評價模型，并通過算例驗證了該模型的可行性，為實際工程項目進行風險預測、應對、規避提供決策支持，從而提高了政府投資項目的整體效益。
Abstract： In the process of government investment project implementing agency construction， we must understand correctly the importance of risk management under agency construction and recognize the risk source，so as to assess the severity of project risk and the overall level of risk effectively which is an essential prerequisite of decision-making project. On the basis of expounding the importance of project under agency construction carrying on risk assessment，combined with the characteristic of project under agency construction and the generalization of domestic engineering practice，this paper set up common risk evaluation index system，put forward the BP neural network evaluation model based on error back propagation. Besides this paper uses the BP neural network evaluation model in the really construction to draw a conclusion that the model is feasible and hope the model can provide the decision support for risk prediction、risk response and risk aversion in the really construction，so as to improve the whole efficiency of the government investment project.
關鍵詞 ： BP；神經網絡；代建制；風險評價
Key words： BP；neural network；gent-construction；risk assessment
中圖分類號：F283 文獻標識碼：A 文章編號：1006-4311（2015）19-0030-03
作者簡介：謝亮（1982-），男，四川德陽人，講師，工程師，一級建造師，造價工程師，碩士研究生，研究方向為工程管理。
0 引言
政府投資項目實行代建制，可以有效加強政府對投資項目的管理，規范投資建設秩序，建立投資責任約束機制，通過市場運作，選擇有經驗、講信譽的專業化管理隊伍，用法律和經濟手段確立投資者和建設者之間的相互關系，有效保證資金的使用效益和施工質量。因此，本文在項目實行代建制的前提下，運用基于誤差反向傳播算法的BP神經網絡評價代建制項目風險，通過建立代建制項目一般風險指標為引例，論證該方法在項目風險評價上的可行性、可操作性，為實際工程項目規避風險，降低工程成本提供理論依據，從而提高政府投資項目的社會效益和經濟效益。
1 代建制項目風險評價的重要性
政府投資項目代建制作為有效的工程項目管理模式，推進代建制的實施必然要重視投資項目的風險管理，尤其是對投資項目的風險評價。風險評價是政府投資代建項目風險管理的關鍵步驟，是對一個項目整體風險水平做出合理評價的過程。在對投資項目風險因素進行識別之后，投資決策者在進行風險因素識別以后就需要分析其投資機會的潛在價值，判斷項目在整個生命周期遇到的不確定性風險帶來損失的程度，決策項目是否上馬[1]。
因此，需要對項目面臨的風險做出科學評價，并以此為依據制定相應風險應對規避措施，減少或降低項目在實施過程中帶來的損失。由此可見，風險評價在項目中的重要性是不言而喻的。
2 建立誤差方向傳播神經網絡評價模型
任何一個項目在實施過程中都具有不確定性，代建制作為政府投資項目建設推行的一種模式，具有打包式的形式，項目在實施過程中存在許多偶然事件。通過整理相關文獻，目前關于代建制項目的風險評價研究較少，部分學者從理論上進行了研究，提出了不同的觀點，Nigel John Smith， Min An等人[2]，引入因子指數來組織和評估這些因素，并將其整合納入風險評估的決策過程中。該文獻提出了一種全新的風險評估方法，以應對建設行業復雜環境中的風險。同時根據模糊推理技術，提出了一種處理在施工過程中產生的不確定性和主觀性的有效工具。Stephen Ward， Chris Chapman認為[3]，目前所有項目風險管理的實施過程，都忽視了關于項目不確定性管理。該文獻討論了引起這種觀點的原因，并堅決主張把注意力集中于不確定性上而不是風險，才能夠提高項目的風險管理。同時提出了一種如何將項目風險管理的過程改進成便于應用不確定性管理觀點的方法。孫少楠等人，研究了基于群組AHP代建制項目風險評價，認為利用群組層次分析的方法，來確定代建制項目風險層次結構中風險指標權重，從而來確定風險指標評價等級[4]。因此，本文在改進前人研究的基礎上，通過誤差反向傳播算法建立BP評價模型，并以工程實例的形式來驗證模型的科學性和合理性，從而為代建制模式下工程項目風險評價提供應用價值。
2.1 人工神經網絡概述
人工神經網絡（Artificial Neural Network）是模仿生物神經網絡功能的一種經驗模型，由大量與自然神經細胞類似的人工神經元互聯而成的網絡。其工作機理是根據輸入的信息建立神經元，輸入和輸出之間的變換關系具有非線性特點，通過輸入一定量的樣本數據按照學習規則或自組織進行不斷修正，把問題的特征反映在神經元之間相互聯系的權值中，使輸出結果和實際值之間差距不斷縮小。所以，神經網絡的輸出層就是將給出解決問題的結果[5]。
2.2 BP神經網絡算法流程
基于誤差反向傳播（Error back propagation， 簡稱BP）的神經網絡是一種多層次反饋型網絡，使用有導師的學習算法。而基于人工神經網絡的多指標綜合評價方法通過神經網絡的自學習、自適應能力和強容錯性，建立更加接近人類思維模式的定性與定量相結合的綜合評價模型。
在本文采用基于BP算法來構造神經網絡模型，選用典型的三層BP神經網絡前饋型層次結構網絡，由輸入層，隱含層和輸出層三部分組成。其中同層次神經元之間無關聯，異層次神經元之間前向連接。在三層BP神經網絡中，輸入層含n個節點，代表神經網絡的n個輸入；輸出層含l個節點，代表神經網絡的l種輸出；隱含層的節點數目m，可根據需要設置，具體相關函數參見文獻[6-7]。
本文應用Matlab 7.0進行BP算法步驟如下：
2.3 建立評價指標體系
本文結合政府投資代建項目的特征，旨在建立一般意義上的風險評價指標體系，根據全面性、可比性、可操作性等指標設計原則，并考慮到模型的實際運用，建立了基本所有項目通用的、系統的、科學合理的代建制項目風險評價指標體系。對于一個具體的項目而言，風險因素的增加、刪減并不影響本模型的應用，評價指標體系如圖1所示。
2.4 基于BP神經網絡模型建立
由于目前針對代建項目風險管理的工程實例和歷史數據較少，為了獲得本文模型實證所需的樣本數據，經過大量相關文獻數據的收集整理，共收集到了6個實施代建制的項目風險數據，將實際數據進行了處理，處理后的樣本數據見表1所示。
實際應用表明，合理確定網絡層數與各層的神經元數，是成功應用BP神經網絡模型的關鍵之一。一個三層的神經網絡可以完成任意n維到m維的映射，即具有一個隱含層的神經網絡能夠以任意精度表示任何連續函數。因此，本模型設置一層隱含層，建模如下：
①輸入節點：根據風險評價指標體系，將政治風險，經濟風險，自然風險，決策風險，管理風險共5個作為BP模型的輸入節點；②輸出節點：輸出節點對應評價結果，在本文建立的模型中，由于最終的結果是一個評價數值，即綜合評價分數，代表不同的風險程度，因此選擇1個輸出節點；③隱節點：根據最佳隱節點計算公式，本模型隱節點數選擇范圍在3-12之間，利用表1樣本數據進行訓練，訓練函數采用Traingdx函數，訓練結果見表2所示。
誤差水平和訓練速度是考慮網絡性能的兩個重要指標。根據表2可知，隱含層節點數為11的BP網絡對評價函數的逼近效果最好，誤差最小，訓練次數為115次。因此，本模型中隱含層的節點數目應該選擇為11。因此，本文建立的BP神經網絡模型為5×11×1的三層網絡模型。
④訓練函數：采用不同的訓練函數對網絡收斂速度和訓練次數有影響，通過對traingdx、trainlm和traingd三個訓練函數進行分析，trainlm學習算法具有收斂速度很快特點，訓練結果、誤差曲線分別如圖2、圖3所示。
可以看出，訓練次數為6時，網絡的逼近誤差為7.42×10-5。六組樣本數據的誤差在區間（-0.016，0）內。因此，本文的評價模型決定采用trainlm對網絡進行訓練。
綜上所述，最終確定風險評價神經網絡模型的BP網絡結構見表3所示。
3 應用算例
本文以西藏會展中心為項目背景，通過訓練好的模型對該項目在實施過程中的進行風險評價，為項目制定風險應對措施提供科學依據，也提供了一種風險評價思路。
3.1 模型訓練
通過運用6個樣本輸入和輸出值對建立的BP神經網絡進行學習訓練，EMSE=7.42×10-5，總體誤差滿足要求，訓練樣本結果見表4所示。
3.2 西藏會展中心項目風險評價
將西藏會展中心項目原始數據經處理后的項目風險數據作為樣本輸入數據見表5所示，輸入到訓練誤差滿足要求的模型中，得到表6的輸出結果，即風險評價等級。
根據表6輸出的數據結果可以得出，模型訓練比較穩定，期望輸出0.6947，即為評價項目的風險等級，該項目評定結果為中風險。
4 結論
本文通過建立政府投資代建項目的風險評價指標體系，運用誤差反向傳播算法，建立代建制項目風險評價模型，通過對獲得的實例工程風險評價樣本數據，帶入評價模型中進行自學習、訓練，使得模型的自適應滿足評價要求，最后以工程實例對該模型進了風險評價驗證，論證了該模型的可行性和可操作性，通過該模型在工程實例中的應用，為工程規避風險，制定風險應對措施提供了科學指導，為企業減少了不可預見費用的支出，提高了政府投資項目的社會效益和經濟效益，證明該模型在政府投資代建項目風險評價及控制中值得應用。
參考文獻：
[1]Akintola S Akintoye， Malcolm J MacLeod. Risk analysis and management in construction. International Journal of Project Management， 1997， 15(1)：31-38.
[2]Nigel John Smith， Min An. Application of a fuzzy based decision making methodology to construction project risk assessment[J]. International Journal of Project Management， 2007，25：589-600.
[3]Stephen Ward，Chris Chapman. Transforming project risk management into project uncertainty management[J]. International Journal of Project Management，2003，21：97-105.
[4]孫少楠，王愛領.基于群組AHP代建制項目風險評價[J].統計與決策，2009，1：172-173.
[5]張穎，劉艷秋.軟計算方法.[M].北京：科學出版社，2002：66.
[6]袁曾任.人工神經網絡原理及其應用[M].北京：清華大學出版社，1999：36-42.
第9篇：對神經網絡的認識范文
關鍵詞：神經網絡 圖像識別 企業應用
中圖分類號：TP183 文獻標識碼：A 文章編號：1007-9416（2016）10-0124-01
1 神經網絡的發展、應用及其特點
現代計算機的應用前提下，計算和信息處理能力均較高，但感知能力和馱踴肪持械吶卸夏芰均不如人類，并且短期內難以實施。特別是，缺乏在特定環境的學習和適應能力，只能按照一定的程序進行分解及工作、執行。本世紀初，人們對于人類大腦的工作方式已經有了一定程度的了解，有著非常大的規模的基本單元，被稱為神經元，這些經過高度復雜的統一結合，形成復雜的、非線性、平行處理的信息綜合處理系統，這和當代的計算機處理方式是完全不同的。單個的神經元的反應速度比起類似計算機的基本單元邏輯反應時間，是毫秒級別的。
1.1 圖像識別及分類技術概況
隨著計算機技術和數字圖像處理技術的發展，為了滿足當前迫切需要，通過對機器視覺設備所獲得的圖像識別和分類，己成為當前的迫切需要。研制機器的視覺系統是圖像識別的最終目的。因此，他們自行區別分類是可能的。通過一些手段使各類圖像的重要顯性數據通過一定的數值來表示出來，除了對圖像進行數據化處理之外，通常特征范圍的提取工作也是必要的。但反應某一類特征時，計算工作的繁雜、內容的龐大，為計算帶來了很大壓力的同時，產生了不精確的可能，難免有一些誤差。所以進一步的工作量需要對特征進行選擇與處理，減小特征值的誤差而保留圖像特征信息，這種找出比原來特征數目少而精的綜合指標的方法稱之為特征選擇。
1.2 神經網絡應用于圖像識別技術的現況
在世界范圍內掀起了探索和研究神經網絡的熱潮，來自發展了的學習算法。目前國內外研究較多的有字符識別技術、車牌識別技術、臉部識別技術、各種紙幣識別技術、印章識別技術及對一些軍事目標的識別等方面。人工神經網絡的發展己滲透到各種研究領域，特別是在模式識別的圖像分類技術方面，所取得的應用也日益增多。
2 圖像識別原理簡介
2.1 圖像識別系統
圖像模式識別系統的三個重要組成部分，有如下三種，第一是圖像有關信息的采集和收集，他等同于對被研究對象的深入了解和調查，取得有關數據后，進行整體的加工、修改、歸納、整合，并且進一步提出反應其點的一些潛質。最重要的一部分特點是將類似空間的映射量折射到空間中。相當于人類的感性和理性認識的轉換，并作出結論的過程。圖像識別系統如圖1所示。
2.2 模糊模式識別法
模糊特征，本質就是根據一定的模糊化規則，經過多重加工后，將圖像的一個特征或者一組特征分成多個模糊變量，使每個模糊變量能表達原特征的一部分特性。這些新的模糊特征取代原來的特征進行模式識別，提高了分類器的性能。
2.3 人工神經網絡模式識別法
圖像輸入預處理特征提取神經網絡識別識別結果。
3 神經網絡圖像識別系統設計
3.1 網絡分類器的設計
新的性能指標函數，通過反復使用，可以在保證網絡誤差盡可能小的情況下使網絡具有較小的權值，使得網絡的有效權值盡可能少，這實際上相當于自動縮小了網絡的規模。
3.2 樣本的選擇及組織
選擇標準且合理的樣本，對提高網絡的學習速度、使網絡具有良好的識別精度都有著舉足輕重的作用。本實驗中，樣本的選擇可以遵循以下原則，當網絡用于分類屬性時，首先選取各類的樣本進行訓練，在使網絡的總體性能不高時，另一方面可以大幅度提高訓練程序速度，避免網絡陷入癱瘓。如此反復，結果會使網絡產生振蕩。要使網絡對模式的旋轉、伸縮等具有不變性，因為網絡并不具有不變識別的能力，所以就要選擇各種可能情況的樣本，這樣可以保證網絡具有比較高的識別率。
4 傳統企業應用技術分析
無限制地共享數據和業務處理是企業應用集成（EAI）是指企業內部和企業之間的任何相連的應用之間。公共對象請求體系結構（CORBA）、分布式組件對象模型（DCOM）和遠程方法調用是傳統的系統集成方式。目前用的比較多的集成方式是 Web Services。
5 結語
本文首先綜述了人工神經網絡的發展、應用、特點和神經網絡應用于圖像識別技術的現況。重點介紹了目前在目標識別中用的最多的前饋神經網絡模型及其采用的算法的同時，介紹了圖像識別原理和幾種模式識別常用的神經網絡模型。
隨著有關研究的不斷深入、計算機運行技術、數字圖像處理技術的發展，對機器視覺設備信息操作，所獲得的圖像識別和分類已成為當前的迫切需要。
目前所做的工作離實用要求的距離還有很大的距離。不過，結合企業實際情況設計了基于ESB的企業應用集成技術。這一課題必然會得到較好的解決。
參考文獻
[1]袁建國，高亮，劉向軍等.需求鏈管理的研究.中國機械工程，2003，14：89-93.
[2]孫晉文，肖建國.企業應用集成與基于Web Services 的構架應用.計算機工程與應用，2003，8：25-29.
收到日期：2016-09-02
