反向傳播神經(jīng)網(wǎng)絡(luò)基本原理精選(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反向傳播神經(jīng)網(wǎng)絡(luò)基本原理主題范文，僅供參考，歡迎閱讀并收藏。
第1篇：反向傳播神經(jīng)網(wǎng)絡(luò)基本原理范文
【關(guān)鍵詞】BP神經(jīng)網(wǎng)絡(luò)；預(yù)測；誤差
1.引言
許多金融學(xué)家和計(jì)量學(xué)家對發(fā)達(dá)國家成熟市場的波動性進(jìn)行了廣泛的研究，但是在對股市的預(yù)測上，由于人們在知識、能力、經(jīng)驗(yàn)上存在著較大的差異，加之問題本身又具有很大的隨機(jī)性和高度的非線性，即使是一些金融專家、炒股高手對出現(xiàn)的同一復(fù)雜行情進(jìn)行分析，往往也會得出不同的結(jié)論。此外，傳統(tǒng)方法還要事先知道各種參數(shù)，以及這些參數(shù)在什么情況下應(yīng)作怎樣的修正。這都給預(yù)測股市帶來一定的困難。
基于以上股市預(yù)測的困難性，本文提出了人工神經(jīng)網(wǎng)絡(luò)的預(yù)測方法。隨著計(jì)算機(jī)、人工智能尤其是專家系統(tǒng)的發(fā)展，人工神經(jīng)網(wǎng)絡(luò)技術(shù)逐漸成熟并開始應(yīng)用于各個(gè)領(lǐng)域。人工神經(jīng)網(wǎng)絡(luò)（ANN，簡稱神經(jīng)網(wǎng)絡(luò)）作為一種由大量簡單神經(jīng)元廣泛相互聯(lián)接而成的非線性映射或自適應(yīng)動力系統(tǒng)，恰好能有效解決股市預(yù)測處理中常見的困難，因此它很快在股市預(yù)測分析與處理領(lǐng)域得到了廣泛的應(yīng)用。
2.BP神經(jīng)網(wǎng)絡(luò)介紹
2.1 BP 網(wǎng)絡(luò)算法的基本原理
2.1.1 標(biāo)準(zhǔn)的BP 網(wǎng)絡(luò)算法的基本原理
BP(Back Propagation)網(wǎng)絡(luò)是反向傳播的多層前饋式網(wǎng)絡(luò)，是目前使用最為廣泛的一種人工神經(jīng)網(wǎng)絡(luò)。它的核心是BP算法，一種對于多基本子系統(tǒng)構(gòu)成的大系統(tǒng)進(jìn)行微商計(jì)算的嚴(yán)格而有效的方法，采用最小均方差學(xué)習(xí)方式。BP 神經(jīng)網(wǎng)絡(luò)的原理說到底就是給它一些輸入變量，然后就有一個(gè)輸出，輸出值的情況與實(shí)際的情況進(jìn)行比較，差多少，然后再進(jìn)行網(wǎng)絡(luò)的內(nèi)部調(diào)整，屬于有導(dǎo)師的學(xué)習(xí)規(guī)則，使得網(wǎng)絡(luò)輸出與實(shí)際逼近。
神經(jīng)網(wǎng)絡(luò)能學(xué)習(xí)和存貯大量的輸入―輸出模式映射關(guān)系，而無需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程。人工神經(jīng)網(wǎng)絡(luò)由非線性函數(shù)組成，而由一系列不同權(quán)重的線性過濾器組合而成：
2.1.2 BP網(wǎng)絡(luò)算法的優(yōu)化
由于常用的BP算法主要缺點(diǎn)為收斂速度慢，局部極值，難以確定隱含層和隱含層的個(gè)數(shù)，使得在實(shí)際應(yīng)用中BP算法很難應(yīng)用，因此，出現(xiàn)了許多改進(jìn)算法。BP算法的改進(jìn)主要有兩種途徑，一種是采用啟發(fā)式學(xué)習(xí)方法；另一種則是采用更有效的優(yōu)化算法，本文采用了動量法和學(xué)習(xí)率自適應(yīng)調(diào)整的策略，從而提高了學(xué)習(xí)速度并增加了算法的可靠性。動量法降低了網(wǎng)絡(luò)對于誤差曲面局部極值的敏感性，有效地抑制了網(wǎng)絡(luò)陷于局部極小。
2.2 BP神經(jīng)網(wǎng)絡(luò)的模型識別及步驟
模式通常指對事物的一種定量描述或結(jié)構(gòu)描述，“識別”是指對客觀事物按其物理特征進(jìn)行分類。模式識別的基本原理就是從待識別對象和理想標(biāo)本之間若干特征的相似性推斷它們之間總體的相似性。BP神經(jīng)網(wǎng)絡(luò)模式識別過程分為訓(xùn)練階段和模式分類階段，分為初始化、數(shù)據(jù)與處理、網(wǎng)絡(luò)訓(xùn)練以及模式分類四個(gè)步驟。以下利用實(shí)證分析來進(jìn)行著四個(gè)步驟。
3.實(shí)例分析
下面以上證的某股600個(gè)交易日的股票價(jià)格收盤指數(shù)作為原始樣本數(shù)據(jù)，對上述神經(jīng)網(wǎng)絡(luò)模型進(jìn)行求解，預(yù)測20天的收盤價(jià)，與實(shí)際收盤價(jià)進(jìn)行比較，并求出其誤差：
式中，表示第日的實(shí)際收盤指數(shù)，表示第日的預(yù)測值，表示誤差。主要按照如下幾部分來處理：（1）準(zhǔn)備600個(gè)數(shù)據(jù)的時(shí)間序列，進(jìn)行歸一化。BP神經(jīng)網(wǎng)絡(luò)中每個(gè)神經(jīng)元的輸出值由傳遞函數(shù)Sigmoid函數(shù)來計(jì)算，其輸出值的范圍是（0，1）；（2）留出最后20個(gè)數(shù)據(jù)，作為預(yù)測檢驗(yàn)使用；（3）繪制圖像，包括實(shí)際值和預(yù)測值，能量函數(shù)；（4）分析實(shí)際和預(yù)測兩曲線的趨勢。
采用I-J-K學(xué)習(xí)模型，該模型是輸入層I個(gè)神經(jīng)元，隱層J 個(gè)神經(jīng)元，輸出層K個(gè)神經(jīng)元。利用BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練500次、800次、1000次的輸出值和期望值以及能量函數(shù)（或者叫誤差函數(shù)）E，結(jié)果見圖1到圖3。
通過上面的圖示，可以看到用BP神經(jīng)網(wǎng)絡(luò)預(yù)測的效果比較明顯，這說明該模型適用于短期預(yù)測嗎，股市的波動在很多地區(qū)都是非常劇烈的，各種因素的綜合作用也使得長期股指的變動具有極大的不確定性，使得預(yù)測變得很困難。而BP網(wǎng)絡(luò)的算法原理和自學(xué)習(xí)的特點(diǎn)使其能夠充分挖掘出隱含在樣本數(shù)據(jù)中的規(guī)律性，實(shí)現(xiàn)從輸入空間到輸出空間的非線性映射，對樣本數(shù)據(jù)進(jìn)行精確的擬合。從而BP神經(jīng)網(wǎng)絡(luò)的方法對于股市上的一些很難看出規(guī)律的數(shù)據(jù)列的預(yù)測而言，無疑是一個(gè)比較精確的預(yù)測方法。
4.結(jié)論
本文介紹了股市的特點(diǎn)以及股市預(yù)測的困難性，提出了利用BP神經(jīng)網(wǎng)絡(luò)的方法來解決股市預(yù)測問題。文章介紹了BP神經(jīng)網(wǎng)絡(luò)算法的基本原理，BP神經(jīng)網(wǎng)絡(luò)算法的優(yōu)化，BP神經(jīng)網(wǎng)絡(luò)模型識別及步驟，最后后以上海證券交易所每日股票價(jià)格收盤指數(shù)為分析對象，把原理應(yīng)用于實(shí)際，利用BP神經(jīng)網(wǎng)絡(luò)對股票價(jià)格收盤指數(shù)進(jìn)行了短期預(yù)測，并計(jì)算出預(yù)測值和實(shí)際值的誤差。通過實(shí)驗(yàn)發(fā)現(xiàn)該模型收斂速度快，預(yù)測精度非常高，對預(yù)測短周期內(nèi)股指波動具有較強(qiáng)的適用性。
參考文獻(xiàn)
[1]高琴.人工神經(jīng)網(wǎng)絡(luò)在股市預(yù)測模型中的應(yīng)用[J].微電子學(xué)與計(jì)算機(jī),2007年第24卷第11期.
[2]周翠紅,路邁西.線性回歸與人工神經(jīng)網(wǎng)絡(luò)預(yù)測煤炭發(fā)熱量[J].煤炭科學(xué)技術(shù),第37卷第12期.
[3]尹慶雙,奉瑩.人工神經(jīng)網(wǎng)絡(luò)在第三產(chǎn)業(yè)就業(yè)分析中的應(yīng)用[J].人口與經(jīng)濟(jì),2009年第6期.
[4]鄒文安,劉寶,姜波,楊春生.基于Excel 技術(shù)平臺人工神經(jīng)網(wǎng)絡(luò)BP模型及應(yīng)用[J].水文,第30卷第1期.
[5]康進(jìn),劉敬偉.非參數(shù)回歸估計(jì)與人工神經(jīng)網(wǎng)絡(luò)方法的預(yù)測效果比較[J].統(tǒng)計(jì)與決策,2009年第23 期.
[6]楊本昭,田耕.基于人工神經(jīng)網(wǎng)絡(luò)的客戶價(jià)值分類研究[J].科技管理研究,2007年第12期.
第2篇：反向傳播神經(jīng)網(wǎng)絡(luò)基本原理范文
關(guān)鍵詞：智能車；電磁循跡；路徑識別；神經(jīng)網(wǎng)絡(luò)；偏差量
中圖分類號：TP391.41 文獻(xiàn)標(biāo)識碼：A 文章編號：1007-9599 （2012） 17-0000-02
1 引言
人工神經(jīng)網(wǎng)絡(luò)是模擬生物神經(jīng)系統(tǒng)建立起來的非線性動力學(xué)系統(tǒng)具有自我學(xué)習(xí)、聯(lián)想存儲以及高速尋求最優(yōu)解的強(qiáng)大功能，它的分類能力和非線性映射能力使得它在系統(tǒng)辨識、模式識別、圖像處理、智能控制等領(lǐng)域有著廣泛而吸引人的前景，并且越來越多地被人們所運(yùn)用。
“飛思卡爾”杯全國大學(xué)生智能車競賽中的電磁組是依據(jù)電磁感應(yīng)原理，實(shí)現(xiàn)智能車的自動循跡。以飛思卡爾公司生產(chǎn)的MC9S12XS128芯片作為微控制器，以通有固定頻率和電流值的導(dǎo)線作為目標(biāo)路徑，用電磁傳感器檢測智能車偏離導(dǎo)線的偏差量，配合舵機(jī)和電機(jī)的動作在50cm寬的賽道上實(shí)現(xiàn)自動循跡。其中偏差量的檢測與計(jì)算是智能車能否準(zhǔn)確快速跟蹤引導(dǎo)線的關(guān)鍵。當(dāng)前偏差量的計(jì)算算法主要有兩種，一種是取感應(yīng)電動勢最大的傳感器位置作為線徑所在位置，這種方法本質(zhì)上以點(diǎn)來檢測，測量精度低，需要的傳感器數(shù)量大。另外一種是根據(jù)感應(yīng)電動勢的特點(diǎn)，將兩個(gè)傳感器的感應(yīng)電動勢作差值計(jì)算，得到電動勢與偏差量之間的一個(gè)二次函數(shù)，這種方式計(jì)算是關(guān)于二次函數(shù)來進(jìn)行的，計(jì)算量大，對檢測的實(shí)時(shí)性會有所影響。本文提出的方案，是以電感線圈作為傳感器來檢測路徑，基于人工神經(jīng)網(wǎng)絡(luò)算法來計(jì)算車身相對引導(dǎo)線的偏移量，把樣本數(shù)據(jù)放在matlab環(huán)境下訓(xùn)練，得到滿足誤差要求的參數(shù)，然后將參
2 BP神經(jīng)網(wǎng)絡(luò)模型基本原理
BP神經(jīng)網(wǎng)絡(luò)由信息的正向傳播和誤差的反向傳播兩個(gè)過程組成。輸入層各神經(jīng)元負(fù)責(zé)接收來自外界的輸入信息，并傳遞給中間層各神經(jīng)元；中間層是內(nèi)部信息處理層，負(fù)責(zé)信息變換，中間層傳遞到輸出層各神經(jīng)元的信息，經(jīng)進(jìn)一步處理后，完成一次學(xué)習(xí)的正向傳播處理過程，由輸出層向外界輸出信息處理結(jié)果。當(dāng)實(shí)際輸出與期望輸出不符時(shí)，進(jìn)入誤差的反向傳播階段。誤差通過輸出層，按誤差梯度下降的方式修正各層權(quán)值，向隱層、輸入層逐層反向傳播。BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)如所示：
BP神經(jīng)網(wǎng)絡(luò)主要由輸入層、隱含層和輸出層構(gòu)成。輸入信號先向前傳播到隱含層節(jié)點(diǎn)，經(jīng)作用函數(shù)后，把隱節(jié)點(diǎn)的輸出信號傳播到輸出節(jié)點(diǎn)，最后得出輸出結(jié)果。本文中隱層節(jié)點(diǎn)的激勵(lì)函數(shù)選取雙曲正切S型函數(shù)，
（1）
在正向傳播過程中，輸入信息從輸入層經(jīng)隱含層逐層處理，并傳向輸出層。每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)。如果輸出層得不到期望的輸出，則轉(zhuǎn)入反向傳播，將誤差信號沿原來的連接通道返回，通過修改各層神經(jīng)元的權(quán)值，使得誤差信號最小。
前向傳播過程：
（1）隱層神經(jīng)元的輸入為輸入神經(jīng)元的加權(quán)和加上輸入層到隱層的閾值。
（2）
（2）隱層神經(jīng)元的輸出為：
（3）
（3）輸出層神經(jīng)元輸出為隱層神經(jīng)元的輸出加權(quán)和加上隱層到輸出層閾值。
（4）
網(wǎng)絡(luò)輸出y1與理想輸出y01的誤差e1為：
e1=y10-y1 （5）
反向傳播采用L-M優(yōu)化算法，調(diào)整各層間的權(quán)值。L-M算法是一種利用標(biāo)準(zhǔn)的數(shù)值優(yōu)化技術(shù)的快速算法，它是梯度下降法與高斯-牛頓法的結(jié)合。設(shè)W（k）表示第 k 次迭代的權(quán)值和閾值所組成的向量新的權(quán)值和閾值組成的向量W（k+1）可根據(jù)下面的規(guī)則求得：
（6）
對于L-M算法則有：
（7）
其中，J為雅克比矩陣。比例系數(shù)μ>0為常數(shù)，I為單位矩陣。當(dāng) μ=0即為高斯-牛頓法；當(dāng)μ取值很大則接近梯度下降法。實(shí)踐證明，采用L-M算法可以較原來的梯度下降法提高速度幾十甚至上百倍。本文采用L-M算法進(jìn)行訓(xùn)練。
3 Matlab中神經(jīng)網(wǎng)絡(luò)算法的實(shí)現(xiàn)
3.1 獲取樣本數(shù)據(jù)
根據(jù)麥克斯韋電磁場理論，通有交變電流的導(dǎo)線會在其周圍產(chǎn)生交變的電磁場，如果在里面放置一個(gè)電感線圈，電磁感應(yīng)作用會使線圈中產(chǎn)生交變的感應(yīng)電壓。智能車使用電感線圈作為傳感器檢測導(dǎo)線周圍磁場信息，由電磁學(xué)可知，水平放置的電感線圈在導(dǎo)線磁場內(nèi)的感應(yīng)電動勢E=h/（h2+x2），h表示傳感器離導(dǎo)線的垂直距離，x代表傳感器距離導(dǎo)線的水平距離。假設(shè)h=5cm，x在±15cm內(nèi)電動勢和水平距離的關(guān)系曲線如2所示：
經(jīng)過實(shí)際測試，使用四路傳感器比較合適。傳感器分布以車軸為中心，間隔為12cm 呈“一”字均勻排列構(gòu)成前瞻，傳感器距離水平面15cm，距離車身50cm。布局示意圖如圖3所示：
圖2電動勢和水平距離的曲線圖 3前瞻分布示意圖
將傳感器的感應(yīng)電動勢進(jìn)行檢波放大 ，把處理后的信號經(jīng)AD轉(zhuǎn)換得到傳感器信號值。轉(zhuǎn)換過程如圖4所示。
本系統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)的輸入為四路傳感器的感應(yīng)電壓信號，輸出為小車車身偏移引導(dǎo)線的水平偏移量，綜合考慮訓(xùn)練誤差和速度，設(shè)置隱含層得神經(jīng)元個(gè)數(shù)為10。訓(xùn)練目標(biāo)誤差平方和取為0.000005 ，訓(xùn)練次數(shù)為5000次。
3.2 智能車算法實(shí)現(xiàn)：
最終算法的實(shí)現(xiàn)需要將神經(jīng)網(wǎng)絡(luò)的訓(xùn)練好的權(quán)重和閾值移植到智能車的微控制器中去。通過BP神經(jīng)網(wǎng)絡(luò)對智能車采集到的輸入信號進(jìn)行處理運(yùn)算，計(jì)算得到的輸出層的神經(jīng)元輸出值就是當(dāng)前車軸中心線偏離引導(dǎo)線的偏差量，根據(jù)此值進(jìn)行相應(yīng)的打舵與調(diào)速操作，以實(shí)現(xiàn)智能車的快速穩(wěn)定循跡。
4 實(shí)驗(yàn)結(jié)果與分析
記錄并分析實(shí)驗(yàn)數(shù)據(jù)，matlab訓(xùn)練得到的實(shí)際輸出與理想輸出之間的關(guān)系如圖5所示：
由上圖可知，基于BP神經(jīng)網(wǎng)絡(luò)算法計(jì)算出的偏差量與理想偏差量之間的誤差在±1cm以內(nèi)。在“飛思卡爾”杯智能汽車競賽中，由于神經(jīng)網(wǎng)絡(luò)的非線性映射能力和高速尋求最優(yōu)解能力，把它應(yīng)用到智能車的循跡上來效果是很明顯的，它不需要計(jì)算感應(yīng)電動勢和偏差量之間的非線性關(guān)系，把計(jì)算量很大的訓(xùn)練過程放在matlab環(huán)境下進(jìn)行，微控制器直接使用matlab下訓(xùn)練得到的參數(shù)就可以了。
5 結(jié)論
本文在當(dāng)前主流循跡算法的基礎(chǔ)上，提出了基于BP神經(jīng)網(wǎng)絡(luò)的路徑識別算法，并詳細(xì)敘述了基本原理和具體的實(shí)現(xiàn)方法。實(shí)驗(yàn)結(jié)果證明：使用BP神經(jīng)網(wǎng)絡(luò)計(jì)算得到的結(jié)果誤差在±1cm以內(nèi)，它可以大幅度地提高智能小車對環(huán)境的適應(yīng)性，從而降低系統(tǒng)對智能小車硬件的要求。但其激勵(lì)函數(shù)和學(xué)習(xí)算法仍需要深入研究，并且在實(shí)際運(yùn)用中還有待提高，以達(dá)到更好的應(yīng)用效果。
參考文獻(xiàn)：
[1]卓晴，黃開勝，邵貝貝.學(xué)做智能車[M].北京：北京航天航空出版社，2007.
[2]馬銳.人工神經(jīng)網(wǎng)絡(luò)原理[M].機(jī)械工業(yè)出版社，2010.
[3]張雨濃，楊逸文，李巍.神經(jīng)網(wǎng)絡(luò)權(quán)值直接確定法[M].中山大學(xué)出版社，2010.
[4]陳杰，黃鴻.傳感器與檢測技術(shù)[M].北京：高等教育出版社，2002.
[5]飛思卡爾競賽管理秘書處，電磁組競賽車模路徑檢測設(shè)計(jì)參考方案，2010.
[6]童詩白，華成英.模擬電子技術(shù)基礎(chǔ)[M].高等教育出版社，2000.
[7]傅薈璇，趙紅等.MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計(jì)[M].機(jī)械工業(yè)出版社，2010.
[8]CS12微控器原理及應(yīng)用[M].北京航天航空大學(xué)出版社，2007.
第3篇：反向傳播神經(jīng)網(wǎng)絡(luò)基本原理范文
Abstract: This paper proposed financial crisis early-warning model of China's real estate listed companies based on BP neural network, through the domestic and foreign companies' financial crisis esrly-warning literature and combining the characteristics of China's real estate industry.
關(guān)鍵詞: 財(cái)務(wù)危機(jī);BP神經(jīng)網(wǎng)絡(luò);房地產(chǎn)上市公司
Key words: financial crisis;BP neural network;real estate listed companies
中圖分類號:F275 文獻(xiàn)標(biāo)識碼:A文章編號:1006-4311(2010)08-0051-01
0引言
對于中國房地產(chǎn)公司,構(gòu)建一套完善先進(jìn)的預(yù)警系統(tǒng)十分重要,構(gòu)建一套基于科學(xué)預(yù)警理論研究成果指導(dǎo)下的專門針對房地產(chǎn)行業(yè)的財(cái)務(wù)危機(jī)預(yù)警系統(tǒng)迫在眉睫,它是房地產(chǎn)健康發(fā)展的客觀要求,也是政府和房地產(chǎn)管理部門的規(guī)劃、決策和調(diào)控走向理性的需要。
1文獻(xiàn)回顧
幾十年來,理論界圍繞著如何更加準(zhǔn)確地預(yù)測企業(yè)的財(cái)務(wù)危機(jī)展開了多種多樣的研究,研究的重點(diǎn)集中在如下兩個(gè)方面:
1.1 企業(yè)財(cái)務(wù)危機(jī)的界定國外對財(cái)務(wù)危機(jī)的界定因研究目的不同而不同,主要有以下幾種觀點(diǎn):①已經(jīng)破產(chǎn)的企業(yè);②進(jìn)入破產(chǎn)程序的企業(yè);③無力還本付息的企業(yè);④資不抵債的企業(yè)。因此我們認(rèn)為,由于有研究結(jié)果表明我國的資本市場目前仍處于弱式有效市場,信息的不對稱導(dǎo)致尚無一種客觀的評判標(biāo)準(zhǔn),故對我國上市公司財(cái)務(wù)危機(jī)的界定主要是依據(jù)證監(jiān)會定義ST企業(yè)的前兩條標(biāo)準(zhǔn),即出現(xiàn)下列情況之一的企業(yè):①最近一個(gè)會計(jì)年度的審計(jì)結(jié)果中顯示的凈利潤均為負(fù)值;②最近一個(gè)會計(jì)年度的審計(jì)結(jié)果中顯示的其股東權(quán)益低于注冊資本。即每股凈資產(chǎn)低于股票面值。
1.2 財(cái)務(wù)危機(jī)預(yù)測方法的研究從研究方法看,預(yù)測企業(yè)是否發(fā)生財(cái)務(wù)危機(jī)的方法一直在不斷地改進(jìn)和創(chuàng)新之中。從傳統(tǒng)的預(yù)測方法來看,統(tǒng)計(jì)判定分析一直是研究預(yù)測企業(yè)是否會發(fā)生財(cái)務(wù)危機(jī)的一個(gè)好方法。
近年來,有關(guān)企業(yè)財(cái)務(wù)預(yù)測分析日益已經(jīng)引起國內(nèi)理論界和實(shí)業(yè)界的高度重視。我們認(rèn)為,在我國目前上市公司財(cái)務(wù)數(shù)據(jù)并不很完善的情況下,應(yīng)用多種研究方法建立我國上市公司的財(cái)務(wù)危機(jī)預(yù)測模型,通過比較分析有利于提高模型的適人工神經(jīng)網(wǎng)絡(luò)是由大量稱為神經(jīng)元的簡單信息單元廣泛連接組成的復(fù)雜網(wǎng)絡(luò)用范圍和預(yù)測的準(zhǔn)確性。
2BP神經(jīng)網(wǎng)絡(luò)基本原理
人工神經(jīng)網(wǎng)絡(luò)是由大量稱為神經(jīng)元的簡單信息單元的廣泛連接所組成的復(fù)雜網(wǎng)絡(luò)系統(tǒng),用于模擬人類的大腦神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和行為,使它具有學(xué)習(xí)、記憶、聯(lián)想、歸納、概括和抽取、容錯(cuò)以及自學(xué)自適應(yīng)等能力。本文采用典型的3層前饋型BP網(wǎng)絡(luò)模型,它具有網(wǎng)絡(luò)訓(xùn)練信息的正向傳播過程和誤差的反向傳播過程。
設(shè)ai是網(wǎng)絡(luò)樣本輸入值,bi是網(wǎng)絡(luò)隱含層的輸出值,cj為對應(yīng)的實(shí)際輸出值。輸入神經(jīng)元到隱層神經(jīng)元的權(quán)值為vhi,隱層神經(jīng)元到輸出神經(jīng)元的權(quán)值為wij,另外分別用θi和xj表示隱含層和輸出層的閾值。三層BP網(wǎng)絡(luò)的數(shù)學(xué)模型表示為:①利用樣本輸入層的信息以及輸入神經(jīng)元到隱層神經(jīng)元的權(quán)值得到隱含層節(jié)點(diǎn)的輸出:bi=fahvhi+θi,(i=1,2,…,p);②輸出層節(jié)點(diǎn)的輸出:cj=fwijbi+xj,(i=1,2,…,q)最初的wij是設(shè)定的隨機(jī)值;③輸出層節(jié)點(diǎn)實(shí)際輸出值cj與期望輸出值c之間的誤差:dj=cj(1-cj)(c-c);④向隱含層節(jié)點(diǎn)反向分配誤差,令:ei=bi(1-bi)wijdj(i=1,2,…,p);⑤隱含層到輸出層的權(quán)值通過下式調(diào)整:Δwij=abidj(i=1,2,…,p;a是學(xué)習(xí)系數(shù),0
3神經(jīng)網(wǎng)絡(luò)的建立及模擬訓(xùn)練
3.1神經(jīng)網(wǎng)絡(luò)模型的建立
通過廣泛考察以往國內(nèi)外相關(guān)研究對最終模型有顯著貢獻(xiàn)的預(yù)測變量,主要采用的基本財(cái)務(wù)指標(biāo)可以分為5個(gè)一級指標(biāo),盈利能力、償債能力、成長能力、擴(kuò)張能力和營運(yùn)能力相關(guān)指標(biāo),又包含12個(gè)二級指標(biāo)。
Bp神經(jīng)網(wǎng)絡(luò)把用來描述企業(yè)財(cái)務(wù)狀況特征的12個(gè)指標(biāo)做為神經(jīng)網(wǎng)絡(luò)的輸入向量X=|X1,X2,…,X12|,將代表相應(yīng)綜合評價(jià)結(jié)果的值作為網(wǎng)絡(luò)的輸出Y,用學(xué)習(xí)樣本訓(xùn)練這個(gè)網(wǎng)絡(luò),使不同的輸入向量得到不同的輸出量值,這樣神經(jīng)網(wǎng)絡(luò)所持有的那組權(quán)系數(shù)值和閾值,便是網(wǎng)絡(luò)經(jīng)過自適應(yīng)學(xué)習(xí)所得到的正確內(nèi)部表示,經(jīng)過反復(fù)學(xué)習(xí)訓(xùn)練,確定與最小誤差相對應(yīng)的網(wǎng)絡(luò)參數(shù)(權(quán)值和閾值),訓(xùn)練即告停止。
3.2指標(biāo)數(shù)據(jù)的歸一化由于不同的指標(biāo)數(shù)據(jù)量綱均不相同,不進(jìn)行歸一化就會將神經(jīng)網(wǎng)絡(luò)模型帶入較大的系統(tǒng)誤差,因此,考慮到神經(jīng)網(wǎng)絡(luò)訓(xùn)練的收斂問題,也為了便于最終評價(jià)值的確定,在網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練前將學(xué)習(xí)樣本和檢驗(yàn)樣本的原始指標(biāo)數(shù)據(jù)同時(shí)進(jìn)行歸一化,以便消除指標(biāo)量綱不同和系統(tǒng)誤差所帶來的影響本文采用正向和反向傳播公式,將原始指標(biāo)數(shù)據(jù)歸一化到[0,1]之間。歸一化公式為:①正向指標(biāo)歸一化公式:xij=(xij-minxi)(maxxi-minxi);②反向指標(biāo)歸一化公式:xij=(maxxi-xij)(maxxi-minxi)。其中xij是xi中的第j個(gè)數(shù)據(jù),maxxi是xi中數(shù)值最大的數(shù)據(jù),minxi是xi中數(shù)值最小的數(shù)據(jù)。
3.3 網(wǎng)絡(luò)訓(xùn)練過程本文利用DPS軟件的Bp神經(jīng)網(wǎng)絡(luò)工具箱進(jìn)行了數(shù)據(jù)分析,采用12個(gè)指標(biāo)進(jìn)行上市公司財(cái)務(wù)預(yù)警,這樣,網(wǎng)絡(luò)輸入層節(jié)點(diǎn)數(shù)i定為11,隱含層(中間層)的節(jié)點(diǎn)數(shù)1,輸出層為1,允許誤差為0.01,最小轉(zhuǎn)換速度為0.01,最大訓(xùn)練次數(shù)為1000次。
將10年的樣本數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)辨識模型的訓(xùn)練樣本,預(yù)測2009年企業(yè)的財(cái)務(wù)狀況,繼續(xù)用DPS軟件的Bp神經(jīng)網(wǎng)絡(luò)工具箱對09年企業(yè)的財(cái)務(wù)數(shù)據(jù)進(jìn)行分析,得出2009年的擬合結(jié)果為23.440,即2009年企業(yè)的財(cái)務(wù)數(shù)據(jù)將處于健康狀態(tài)。
第4篇：反向傳播神經(jīng)網(wǎng)絡(luò)基本原理范文
【關(guān)鍵詞】故障診斷;基本原理;神經(jīng)網(wǎng)絡(luò);實(shí)際應(yīng)用
引言
電梯在實(shí)際生活中出現(xiàn)不正常運(yùn)行、停運(yùn)等故障是在所難免的，而作為高層建筑中主要的垂直交通工具如果不能及時(shí)準(zhǔn)確的查明故障原因并維修往往會給乘客帶來巨大的生命威脅。只有保證電梯的安全運(yùn)行，及時(shí)的發(fā)現(xiàn)故障并解決故障，才能夠?yàn)槌俗娞莸某丝吞峁┖细竦陌踩ＷC。目前，國內(nèi)在用的電梯缺乏完善的故障診斷系統(tǒng)，僅僅依靠維修技術(shù)人員的經(jīng)驗(yàn)以及簡單的診斷儀器已經(jīng)不能夠及時(shí)的解決復(fù)雜的電梯故障問題。神經(jīng)網(wǎng)絡(luò)技術(shù)可以應(yīng)用于復(fù)雜多模式的故障診斷并且既可以用于實(shí)時(shí)監(jiān)測也可以進(jìn)行離線診斷，在系統(tǒng)模式非常復(fù)雜或者根本不知道系統(tǒng)模式的情況都可以應(yīng)用，這些特點(diǎn)恰恰解決了傳統(tǒng)方法中最最難以解決的問題。因此必須加快神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用于診斷電梯故障的步伐，形成完善的故障診斷系統(tǒng)，才能更及時(shí)準(zhǔn)確的查明故障原因進(jìn)一步及時(shí)的解決問題，保證乘客的人身安全。
一、電梯的運(yùn)行原理和電梯故障的特點(diǎn)
只有清楚地了解電梯控制系統(tǒng)的運(yùn)行原理才能夠及時(shí)準(zhǔn)確的診斷出電梯故障原因，因此清楚的了解電梯運(yùn)行原理，每一個(gè)電梯維修人員必須要做到。電梯運(yùn)行過程總體上可分為以下幾個(gè)階段：第一、登記層外召喚信號和登記內(nèi)選指令階段;第二、電梯門關(guān)閉或者電梯按照系統(tǒng)指令停運(yùn)階段;第三、啟動階段;第四、在到達(dá)信號記錄的樓層前進(jìn)行減速制動;第五、平層開門階段。在整個(gè)過程中電梯需要從外界接收信號并處理，然后完成相應(yīng)的指令或者輸出信號，由此可以將電梯看作是一個(gè)完整的獨(dú)立的系統(tǒng)，只需要外界給予相應(yīng)的信號就可以自動的做出動作。電梯系統(tǒng)內(nèi)部復(fù)雜的構(gòu)件緊密的結(jié)合在一起，正是如此才使得電梯系統(tǒng)故障具有了復(fù)雜性、層次性、相關(guān)性以及不確定性的特點(diǎn)。
二、神經(jīng)網(wǎng)絡(luò)技術(shù)基本原理
生物學(xué)上的神經(jīng)是由一個(gè)個(gè)簡單的神經(jīng)元相互連接進(jìn)而形成了復(fù)雜的龐大的神經(jīng)系統(tǒng)，同理，神經(jīng)網(wǎng)絡(luò)就是由大量簡單的處理單元相互連接形成的復(fù)雜的智能系統(tǒng)。單獨(dú)的處理單元類似于一個(gè)神經(jīng)元，是一個(gè)可以接受不同信息但是只輸出一種信息的結(jié)構(gòu)單位。神經(jīng)網(wǎng)絡(luò)系統(tǒng)與生物學(xué)神經(jīng)系統(tǒng)相似的是具有自我修改能力，它可以同時(shí)接收大量的數(shù)據(jù)并進(jìn)行統(tǒng)一的分析處理，進(jìn)而輸出相應(yīng)的處理結(jié)果。這就使得神經(jīng)網(wǎng)絡(luò)系統(tǒng)具有了高度容錯(cuò)性、高度并行性、自我修改性、學(xué)習(xí)性以及高度復(fù)雜性，也正是由于這些特性才使的利用神經(jīng)網(wǎng)絡(luò)技術(shù)能夠及時(shí)準(zhǔn)確的查明電梯故障原因并得出故障解決方案。電梯故障診斷中應(yīng)用的神經(jīng)網(wǎng)絡(luò)模型分為三個(gè)層次：輸入層、接收外部信號或者是電梯自我檢測信息（如載重信息）;隱含層、對接收到了大量數(shù)據(jù)進(jìn)行相應(yīng)的分析處理;輸出層、將記錄著動作命令的數(shù)據(jù)傳送出來。在電梯出現(xiàn)故障時(shí)，首先可以通過神經(jīng)網(wǎng)絡(luò)模型快速確定故障發(fā)生在哪一層達(dá)到節(jié)約時(shí)間的目的。但是神經(jīng)網(wǎng)絡(luò)也會因?yàn)槭諗克俣冗^于慢、訓(xùn)練強(qiáng)度太大或者是選擇的網(wǎng)絡(luò)模型不好等問題導(dǎo)致診斷結(jié)果受到影響。
三、神經(jīng)網(wǎng)絡(luò)模型在電梯故障診斷中的應(yīng)用分類
神經(jīng)網(wǎng)絡(luò)模型已經(jīng)成為了如今電梯故障診斷中應(yīng)用最廣泛的技術(shù)模型，相比于傳統(tǒng)方式它具有診斷速度快、故障原因命中率高的優(yōu)點(diǎn)，因此引起了各方面專業(yè)人士的強(qiáng)烈關(guān)注，并在他們的不懈努力下得到了發(fā)展與創(chuàng)新。它跨越多個(gè)專業(yè)領(lǐng)域、通過對各種復(fù)雜的高難度工作的不斷的發(fā)展與改進(jìn)出現(xiàn)了越來越多的應(yīng)用模型，下面主要介紹了當(dāng)前應(yīng)用最普遍的BP網(wǎng)絡(luò)模型，并且簡單的引入并介紹了近年來新興的模糊神經(jīng)網(wǎng)絡(luò)模型和遺傳小波神經(jīng)網(wǎng)絡(luò)模型。
（一）BP網(wǎng)絡(luò)模型
BP神經(jīng)網(wǎng)絡(luò)作為神經(jīng)網(wǎng)絡(luò)應(yīng)用最廣泛的一種，它多應(yīng)用的誤差反向傳播算法使其在模式識別、診斷故障、圖像識別以及管理系統(tǒng)方面具有相對先進(jìn)性?；贐P網(wǎng)絡(luò)的電梯故障診斷技術(shù)就是通過學(xué)習(xí)故障信息、診斷經(jīng)驗(yàn)并不斷訓(xùn)練，并將所學(xué)到的知識利用各層次之間節(jié)點(diǎn)上的權(quán)值從而表達(dá)出來。BP網(wǎng)絡(luò)系統(tǒng)的主要診斷步驟主要可以分為三步。第一步：對輸入輸出的數(shù)據(jù)進(jìn)行歸一化處理，將數(shù)據(jù)映射到特定的區(qū)間。第二步：建立BP網(wǎng)絡(luò)模型，訓(xùn)練BP網(wǎng)絡(luò)模型。第三：通過已經(jīng)訓(xùn)練好的網(wǎng)絡(luò)模型對原來的樣本進(jìn)行全面的檢測。算法步驟：a、在一定的取值范圍內(nèi)對數(shù)據(jù)進(jìn)行初始化;b、確定輸入值數(shù)值大小，計(jì)算出預(yù)期輸出量;c、用實(shí)際輸出的值減去上一步得到的數(shù)值;d、將上一步得到的誤差分配到隱含層，從而計(jì)算出隱含層的誤差;e、修正輸出層的權(quán)值和閾值，修正隱含層的權(quán)值;f、修正隱含層的閾值，修正隱含層和輸入層的權(quán)值。
（二）遺傳小波神經(jīng)網(wǎng)絡(luò)模型
遺傳算法運(yùn)用了生物界的優(yōu)勝劣汰、適者生存的思想對復(fù)雜問題進(jìn)行優(yōu)化，適用于復(fù)雜的故障，起到了優(yōu)化簡化問題的作用。對局部數(shù)據(jù)進(jìn)行詳細(xì)的分析是小波法最大的特點(diǎn)，所以它被譽(yù)為“數(shù)字顯微鏡”。遺傳算法小波神經(jīng)網(wǎng)絡(luò)就是運(yùn)用小波進(jìn)行分解的方法分解模擬故障信號，將得到的數(shù)據(jù)進(jìn)行歸一化，將歸一化后的數(shù)值輸入到神經(jīng)網(wǎng)絡(luò)模型中。它融合了神經(jīng)網(wǎng)絡(luò)、小波分析和遺傳算法三者所有的優(yōu)點(diǎn)?；谶z傳小波神經(jīng)網(wǎng)絡(luò)的電梯故障診斷的一般步驟為：測試節(jié)點(diǎn)信號采樣、小波分解、故障特征量提取、歸一化得到訓(xùn)練樣本集、遺傳算法優(yōu)化、得到故障類型。遺傳小波神經(jīng)網(wǎng)絡(luò)模型在故障原因復(fù)雜、數(shù)據(jù)信息量巨大的電梯系統(tǒng)的應(yīng)用中能夠發(fā)揮更大的作用。
（三）模糊神經(jīng)網(wǎng)絡(luò)模型
模糊神經(jīng)網(wǎng)絡(luò)模型就是創(chuàng)新性的將神經(jīng)網(wǎng)絡(luò)與模糊理論結(jié)合到一起。它采用了廣義的方向推理和廣義的前向推理兩種推理方式。與其它兩種模型不同的是，它的語言邏輯、判斷依據(jù)和結(jié)論都是模糊的。但是它的數(shù)據(jù)處理能力還有自我學(xué)習(xí)能力并沒有因此而變差，反而更加豐富了它的定性知識的內(nèi)容。在處理實(shí)際問題的過程中，首先要建立所有可能發(fā)生的故障的完整集合，其次將所有的故障發(fā)生原因歸入到同一個(gè)集合中去，最后就是建立故障和原因的關(guān)系矩陣。分別叫做模糊故障集、模糊原因集、模糊關(guān)系矩陣。相較于BP網(wǎng)絡(luò)模型，這種模型更加的簡單易行，充分發(fā)揮了神經(jīng)網(wǎng)絡(luò)和模糊邏輯的優(yōu)點(diǎn)，不會因?yàn)楣收显蜻^于復(fù)雜而失去診斷的準(zhǔn)確性，在原本豐富定性知識和強(qiáng)大數(shù)據(jù)處理能力的基礎(chǔ)上具有了很大的自我訓(xùn)練能力。
結(jié)語
綜上所述，神經(jīng)網(wǎng)絡(luò)技術(shù)可以應(yīng)用于復(fù)雜多模式的故障診斷并且既可以用于實(shí)時(shí)監(jiān)測也可以進(jìn)行離線診斷，在系統(tǒng)模式非常復(fù)雜或者根本不知道系統(tǒng)模式的情況都可以應(yīng)用，這些特點(diǎn)恰恰解決了傳統(tǒng)方法中最最難以解決的問題，它的應(yīng)用提高了電梯故障的診斷速度和準(zhǔn)確度，保證了電梯運(yùn)行的安全性。雖然神經(jīng)網(wǎng)絡(luò)技術(shù)的優(yōu)點(diǎn)很多，但是在實(shí)際生活中的應(yīng)用還很少，因此還需要不斷的進(jìn)行改進(jìn)完善。同時(shí)還要注意將集中診斷方法融合到一起，例如穩(wěn)重提到的模糊神經(jīng)網(wǎng)絡(luò)模型和遺傳小波神經(jīng)網(wǎng)絡(luò)模型都是集成應(yīng)用的典型代表。
第5篇：反向傳播神經(jīng)網(wǎng)絡(luò)基本原理范文
關(guān)鍵詞：高速公路；隧道施工系統(tǒng)；安全評價(jià)；模糊理論；神經(jīng)網(wǎng)絡(luò)
0引言
近年來，隨著國家高速公路迅猛發(fā)展，隧道建設(shè)數(shù)量也越來越多，規(guī)模也越來越大。在隧道施工過程中，由于圍巖地質(zhì)條件的多樣性和復(fù)雜性，其施工事故發(fā)生率比其他巖土工程高且嚴(yán)重，給隧道工程施工人員身心帶來嚴(yán)重的危害，社會影響惡劣，有悖于國家建設(shè)和諧社會的宗旨。這就要求用科學(xué)的方法對隧道施工生產(chǎn)系統(tǒng)進(jìn)行安全分析與評估，預(yù)測事故發(fā)生的可能性[1]。
在傳統(tǒng)的公路隧道施工生產(chǎn)系統(tǒng)安全評價(jià)中，經(jīng)常使用的安全評價(jià)方法主要以定性安全評價(jià)方法為主，如專家論證法、安全檢查表法及作業(yè)條件危險(xiǎn)性評價(jià)法等[2,3]。近年來，在公路隧道施工生產(chǎn)系統(tǒng)安全評價(jià)中，引人了模糊綜合評價(jià)的方法，取得了較好的決策效果[4]。但是，該方法缺乏對環(huán)境變化的自學(xué)習(xí)能力，對權(quán)值不能進(jìn)行動態(tài)調(diào)整[5],而神經(jīng)網(wǎng)絡(luò)具有非線性逼近能力,具有自學(xué)習(xí)、自適應(yīng)和并行分布處理能力，但其對不確定性知識的表達(dá)能力較差，因此，模糊控制與神經(jīng)網(wǎng)絡(luò)結(jié)合就可以優(yōu)勢互補(bǔ)，各取所長[6]，在這方面已經(jīng)出現(xiàn)了一些研究成果[7～11]。為此，本文把人工神經(jīng)網(wǎng)絡(luò)理論與模糊綜合評價(jià)理論相融合，研究建立了一種模糊神經(jīng)網(wǎng)絡(luò)評價(jià)模型，對公路隧道施工的安全管理水平進(jìn)行評價(jià)。
1模糊神經(jīng)網(wǎng)絡(luò)
1.1基本結(jié)構(gòu)原理
模糊神經(jīng)網(wǎng)絡(luò)是由與人腦神經(jīng)細(xì)胞相似的基本計(jì)算單元即神經(jīng)元通過大規(guī)模并行、相互連接而成的網(wǎng)絡(luò)系統(tǒng)，訓(xùn)練完的網(wǎng)絡(luò)系統(tǒng)具有處理評估不確定性的能力，也具有記憶聯(lián)想的能力，可以成為解決評估問題的有效工具，對未知對象作出較為客觀正確的評估。
根據(jù)評估問題的要求，本文采用具有多輸人單元和五輸出單元的三層前饋神經(jīng)網(wǎng)絡(luò)，其中包括神經(jīng)網(wǎng)絡(luò)和模糊集合兩方面的內(nèi)容。
1.2神經(jīng)網(wǎng)絡(luò)
為了模擬人腦結(jié)構(gòu)和功能的基本特性，前饋神經(jīng)網(wǎng)絡(luò)由許多非線性神經(jīng)元組成，并行分布，多層連接。Robert Hecht一Nielson于1989年證明了對于任何在閉區(qū)間內(nèi)的一個(gè)連續(xù)函數(shù)都可以用一個(gè)隱層的BP網(wǎng)絡(luò)來逼近[12]，因而一個(gè)三層的BP網(wǎng)絡(luò)完全可以完成任意的輸人層到輸出層的變換。因此，本文研究的公路隧道施工系統(tǒng)安全評價(jià)模糊神經(jīng)網(wǎng)絡(luò)采用三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。輸人層有 個(gè)神經(jīng)元，輸人向量 ， ，輸人層神經(jīng)元 的輸出是輸人向量的各分分量 。隱層有個(gè)神經(jīng)元 ， ，若輸人層神經(jīng)元 與隱層神經(jīng)元 之間的連接權(quán)值為 ，且隱層神經(jīng)元 的閾值為 ，則隱層神經(jīng)元 的輸出為
(l)
式中 是神經(jīng)元的激勵(lì)函數(shù)，一般選取單調(diào)遞增的有界非線性函數(shù)，這里選用Sigmoid函數(shù)：
(2)
由此，隱層神經(jīng)元的輸出為：
(3)
同理可得輸出層神經(jīng)元的輸出為：
(4)
1.3學(xué)習(xí)算法
本網(wǎng)絡(luò)采用BP學(xué)習(xí)算法，它是一種有教師的學(xué)習(xí)算法，其學(xué)習(xí)過程由信號的正向傳播和誤差的反向傳播組成。基本原理是：設(shè)輸人學(xué)習(xí)樣本為 個(gè)，即輸人矢量 ，已知其對應(yīng)的期望輸出矢量(教師信號)為 ，正向傳播過程將學(xué)習(xí)樣本輸人模式 從輸人層經(jīng)隱含單元層逐層處理，并傳向輸出層，得到實(shí)際的輸出矢量 ，如果在輸出層不能得到期望輸出 ，則轉(zhuǎn)人反向傳播，將 與 的誤差信號通過隱層向輸入層逐層反傳，并將誤差分?jǐn)偨o各層的所有單元，從而調(diào)整各神經(jīng)元之間的連接權(quán)值，這種信號正向傳播與誤差反向傳播得各層權(quán)值調(diào)整過程是周而復(fù)始地進(jìn)行的，直到網(wǎng)絡(luò)輸出的誤差減少到可接受的程度，或進(jìn)行到預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止。
網(wǎng)絡(luò)的具體學(xué)習(xí)算法的計(jì)算模型如下：
對某一學(xué)習(xí)樣本 ，誤差函數(shù)為
（5）
式中： 、 分別為該樣本的輸出期望值和實(shí)際值。
對于所有學(xué)習(xí)樣本 ，網(wǎng)絡(luò)的總誤差為
（6）
網(wǎng)絡(luò)學(xué)習(xí)算法實(shí)際上就是求誤差函數(shù)的極小值。利用非線性規(guī)劃中的梯度下降法(最速下降法)，使權(quán)值沿著誤差函數(shù)的負(fù)梯度方向改變。
隱層與輸出層之間的權(quán)值(及閾值) 的更新量 可表示為
（7）
式中： 為學(xué)習(xí)率，可取 。
將式（6）和（4）代入式（7），并利用復(fù)合函數(shù)求導(dǎo)的連鎖規(guī)則，得
（8）
式中： 為迭代次數(shù)， 為誤差信號
（9）
類似的，輸入層與隱層之間的權(quán)值（及閾值）修正為
（10）
同理可得
式中 為誤差信號
（11）
為了改善收斂性，提高網(wǎng)絡(luò)的訓(xùn)練速度，避免訓(xùn)練過程發(fā)生振蕩，對BP算法進(jìn)行改進(jìn)，在權(quán)值調(diào)整公式中增加一動量項(xiàng)，即從前一次權(quán)值調(diào)整量中取出一部分迭加到本次權(quán)值調(diào)整量中，即：
（12）
（13）
式中 為動量因子，一般有 。
1.4模糊集合
評估指標(biāo)集由表征一類評估決策問題的若干性能指標(biāo)組成。由于指標(biāo)的量化含有不確定性，故用模糊方法加以處理[13]。評估指標(biāo)的模糊集合 可表示為
（14）
式中： 是評估指標(biāo)， 是相應(yīng)指標(biāo)的評價(jià)滿意度， 。
評估指標(biāo)集用其滿意度表示，取值在[0，1]之間，作為模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)中神經(jīng)網(wǎng)絡(luò)的輸人向量，這正好符合神經(jīng)網(wǎng)絡(luò)對輸人向量特征化的要求。實(shí)踐表明，經(jīng)過對輸人向量的特征化處理，可大大減少網(wǎng)絡(luò)的學(xué)習(xí)時(shí)間，加速網(wǎng)絡(luò)訓(xùn)練的收斂。
2隧道施工系統(tǒng)安全評價(jià)模糊神經(jīng)網(wǎng)絡(luò)
2.1指標(biāo)體系與神經(jīng)網(wǎng)絡(luò)劃分
實(shí)踐證明，一個(gè)好的隧道施工系統(tǒng)安全評價(jià)方法應(yīng)滿足以下要求：評價(jià)指標(biāo)能全面準(zhǔn)確地反映出隧道施工系統(tǒng)的狀況與技術(shù)質(zhì)量特征；評價(jià)模式簡單明了，可操作性強(qiáng)，易掌握；評價(jià)結(jié)論能反映隧道施工系統(tǒng)的合理性、經(jīng)濟(jì)性及安全可靠性；評價(jià)中所采用的數(shù)據(jù)易于獲取，數(shù)據(jù)處理工作量??；頂層輸出即為系統(tǒng)的專家評估，而每層各評估項(xiàng)目的子系統(tǒng)都可以用子結(jié)構(gòu)表示。
每個(gè)子結(jié)構(gòu)具有輸人輸出關(guān)系可表達(dá)為
（15）
其中 是子系統(tǒng)的輸出， 是子系統(tǒng)的輸人矢量， 為相應(yīng)的專家(加權(quán))知識。
評估專家系統(tǒng)中各子系統(tǒng)的評估由各自的模糊神經(jīng)網(wǎng)絡(luò)來完成。
這種對評估系統(tǒng)的結(jié)構(gòu)分解和組合具有如下特點(diǎn)：
（1）每個(gè)子系統(tǒng)可以采用較少的神經(jīng)元來實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)和知識推理，這樣既減少了學(xué)習(xí)樣本數(shù)、提高了樣本訓(xùn)練速度，又能夠獨(dú)立完成某一推理任務(wù)。
（2）分解的各子系統(tǒng)具有相對獨(dú)立性，便于系統(tǒng)的修改、擴(kuò)展和子系統(tǒng)的刪除，從而具有良好的維護(hù)性。
（3）子系統(tǒng)的評估項(xiàng)目即為節(jié)點(diǎn)，在系統(tǒng)進(jìn)行評估推理時(shí)產(chǎn)生的評估表示式可以很好地解釋評估系統(tǒng)的推理過程，避免了神經(jīng)網(wǎng)絡(luò)權(quán)值難以理解所致的推理過程難以理解的弱點(diǎn)。
2.2網(wǎng)絡(luò)的設(shè)計(jì)
評估問題是前向處理問題，所以選用如前所述的前向型模糊神經(jīng)網(wǎng)絡(luò)來實(shí)現(xiàn)。
（1）輸人層
輸人層是對模糊信息進(jìn)行預(yù)處理的網(wǎng)層，主要用于對來自輸人單元的輸人值進(jìn)行規(guī)范化處理，輸出由系統(tǒng)模糊變量基本狀態(tài)的隸屬函數(shù)所確定的標(biāo)準(zhǔn)化的值，以便使其適應(yīng)后面的處理。根據(jù)評價(jià)指標(biāo)體系，對應(yīng)20個(gè)指標(biāo)構(gòu)建BP網(wǎng)絡(luò)的輸入層為20個(gè)節(jié)點(diǎn)，將指標(biāo)轉(zhuǎn)換為相應(yīng)指數(shù)后作為樣本進(jìn)入網(wǎng)絡(luò)進(jìn)行計(jì)算。
（2）隱層(模糊推理層)
該層是前向型模糊神經(jīng)網(wǎng)絡(luò)的核心，用以執(zhí)行模糊關(guān)系的映射，將指標(biāo)狀態(tài)輸入與評估結(jié)果輸出聯(lián)系起來。采用試探法選取模型的隱含層神經(jīng)元數(shù)，即首先給定一個(gè)較小的隱含層神經(jīng)元數(shù)，代入模型觀察其收斂情況，然后逐漸增大，直至網(wǎng)絡(luò)穩(wěn)定收斂。通過計(jì)算該模型的隱含層神經(jīng)元數(shù)為28個(gè)。
（3）輸出層
輸出層是求解模糊神經(jīng)網(wǎng)絡(luò)的結(jié)果，也是最后的評估結(jié)果。我們把評價(jià)因素論域中的每一因素分成5個(gè)評價(jià)等級，即
={安全（ ），較安全（ ），安全性一般（ ），較不安全（ ），不安全（ ）}
對應(yīng)這5個(gè)等級，確定輸出層為5個(gè)節(jié)點(diǎn)。這樣就構(gòu)建了一個(gè)“20―28―5”的3層BP網(wǎng)絡(luò)作為評價(jià)體系的網(wǎng)絡(luò)模型。
2.3模糊神經(jīng)網(wǎng)絡(luò)訓(xùn)練
網(wǎng)絡(luò)設(shè)計(jì)好后,須對其進(jìn)行訓(xùn)練，使網(wǎng)絡(luò)具有再現(xiàn)專家評估的知識和經(jīng)驗(yàn)的能力。樣本數(shù)據(jù)來自我省已經(jīng)建成的高速公路隧道施工的現(xiàn)場數(shù)據(jù)庫，從中選取30組，其中20組數(shù)據(jù)作為訓(xùn)練樣本，余下的10組作為測試樣本。實(shí)際網(wǎng)絡(luò)訓(xùn)練表明，當(dāng)訓(xùn)練步數(shù)為12875時(shí)，達(dá)到了目標(biāo)要求的允差，獲得模糊神經(jīng)網(wǎng)絡(luò)各節(jié)點(diǎn)的權(quán)值和閾值，網(wǎng)絡(luò)訓(xùn)練學(xué)習(xí)成功。根據(jù)最大隸屬度原則進(jìn)行比較，與期望結(jié)果相符，其準(zhǔn)確率為100%。這說明所建立的隧道施工系統(tǒng)安全評價(jià)模糊神經(jīng)網(wǎng)絡(luò)模型及訓(xùn)練結(jié)果可靠。
3 工程應(yīng)用實(shí)例
利用所訓(xùn)練好的模糊神經(jīng)網(wǎng)絡(luò)模型，對江西省正在施工的某高速公路A3合同段3座隧道（北晨亭隧道、洪家坂隧道和窯坑隧道）施工系統(tǒng)進(jìn)行安全評價(jià)測定，評價(jià)出系統(tǒng)的安全狀況與3座隧道施工實(shí)際情況完全相符。同時(shí)，實(shí)際系統(tǒng)的評價(jià)結(jié)果又可作為新的學(xué)習(xí)樣本輸入網(wǎng)絡(luò)模型，實(shí)現(xiàn)歷史經(jīng)驗(yàn)和新知識相結(jié)合,在發(fā)展過程中動態(tài)地評價(jià)系統(tǒng)的安全狀態(tài)。
4 結(jié)論
（1）本文對模糊理論與神經(jīng)網(wǎng)絡(luò)融合技術(shù)進(jìn)行了研究，建立了一種公路隧道施工系統(tǒng)安全模糊神經(jīng)網(wǎng)絡(luò)評價(jià)模型，利用歷史樣本數(shù)據(jù)進(jìn)行學(xué)習(xí)訓(xùn)練和測試，并對工程實(shí)例進(jìn)行了評價(jià)。結(jié)果顯示，該評價(jià)方法可行，評價(jià)精度滿足工程應(yīng)用要求,為公路隧道施工安全評價(jià)探索了一種新的評價(jià)方法。
（2）運(yùn)用模糊神經(jīng)網(wǎng)絡(luò)知識存儲和自適應(yīng)性特征，通過適當(dāng)補(bǔ)充學(xué)習(xí)樣本，可以實(shí)現(xiàn)歷史經(jīng)驗(yàn)與新知識完美結(jié)合，在發(fā)展過程中動態(tài)地評價(jià)公路隧道施工系統(tǒng)的安全狀態(tài)，可及時(shí)評估出施工系統(tǒng)的安全狀況，盡早發(fā)現(xiàn)安全隱患。
參考文獻(xiàn)：
[1]徐德蜀.安全科學(xué)與工程導(dǎo)論[M].北京:化學(xué)工業(yè)出版社,2005.
[2]劉鐵民,張興凱,劉功智.安全評價(jià)方法應(yīng)用指南[M].北京:化學(xué)工業(yè)出版社,2005.
[3]田建,李志強(qiáng),張斌.交通建設(shè)工程安全評價(jià)技術(shù)現(xiàn)狀及趨勢研究[J].中國安全科學(xué)學(xué)報(bào),2008,18(6):171-176.
[4]張鴻,劉優(yōu)平,黎劍華等.基于模糊理論的隧道施工安全預(yù)警模型研究及應(yīng)用[J].中國安全科學(xué)學(xué)報(bào),2009.19(4):5-10.
[5]劉輝,王海寧,呂志飛.模糊神經(jīng)網(wǎng)絡(luò)技術(shù)在礦山安全評價(jià)中的適應(yīng)性研究[J].中國安全生產(chǎn)科學(xué)技術(shù),2005,1(3):54-59.
[6]張吉禮.模糊-神經(jīng)網(wǎng)絡(luò)控制原理與工程應(yīng)用[M].哈爾濱:哈爾濱工業(yè)大學(xué)出版社,2004.
[7]葛淑杰,李彥峰,姜天文等.基于模糊神經(jīng)網(wǎng)絡(luò)的煤礦安全評價(jià)綜合評判[J].黑龍江科技學(xué)院學(xué)報(bào),2007,17(4):321-325.
[8]鄭恒,汪佩蘭.模糊神經(jīng)網(wǎng)絡(luò)在火工品生產(chǎn)系統(tǒng)安全評價(jià)中的應(yīng)用[J].安全與環(huán)境學(xué)報(bào),2004,4:159-162.
[9田軍.基于模糊神經(jīng)網(wǎng)絡(luò)的隧道圍巖分級系統(tǒng)[J].湖南交通科技,2007,34(4):104-107.
[10]郭宇航,王保國.兩類新型神經(jīng)網(wǎng)絡(luò)及其在安全評價(jià)中的應(yīng)用[J].中國安全科學(xué)學(xué)報(bào),2008,18(7):28-33.
[11]宋瑞,鄧寶.神經(jīng)元網(wǎng)絡(luò)在安全評價(jià)中的應(yīng)用[J].中國安全科學(xué)學(xué)報(bào),2005,15(3):78-81.
[12]韓力群.人工神經(jīng)網(wǎng)絡(luò)理論、設(shè)計(jì)及應(yīng)用[M].北京:化學(xué)工業(yè)出版社,2007.
[13]楊綸標(biāo),高英儀.模糊數(shù)學(xué)原理及應(yīng)用[M].廣州:華南理工大學(xué),2005.
第6篇：反向傳播神經(jīng)網(wǎng)絡(luò)基本原理范文
只有清楚地了解電梯控制系統(tǒng)的運(yùn)行原理才能夠及時(shí)準(zhǔn)確的診斷出電梯故障原因，因此清楚的了解電梯運(yùn)行原理,每一個(gè)電梯維修人員必須要做到。電梯運(yùn)行過程總體上可分為以下幾個(gè)階段：第一、登記層外召喚信號和登記內(nèi)選指令階段；第二、電梯門關(guān)閉或者電梯按照系統(tǒng)指令停運(yùn)階段；第三、啟動階段；第四、在到達(dá)信號記錄的樓層前進(jìn)行減速制動；第五、平層開門階段。在整個(gè)過程中電梯需要從外界接收信號并處理，然后完成相應(yīng)的指令或者輸出信號，由此可以將電梯看作是一個(gè)完整的獨(dú)立的系統(tǒng)，只需要外界給予相應(yīng)的信號就可以自動的做出動作。電梯系統(tǒng)內(nèi)部復(fù)雜的構(gòu)件緊密的結(jié)合在一起，正是如此才使得電梯系統(tǒng)故障具有了復(fù)雜性、層次性、相關(guān)性以及不確定性的特點(diǎn)。
二、神經(jīng)網(wǎng)絡(luò)技術(shù)基本原理
生物學(xué)上的神經(jīng)是由一個(gè)個(gè)簡單的神經(jīng)元相互連接進(jìn)而形成了復(fù)雜的龐大的神經(jīng)系統(tǒng)，同理，神經(jīng)網(wǎng)絡(luò)就是由大量簡單的處理單元相互連接形成的復(fù)雜的智能系統(tǒng)。單獨(dú)的處理單元類似于一個(gè)神經(jīng)元，是一個(gè)可以接受不同信息但是只輸出一種信息的結(jié)構(gòu)單位。神經(jīng)網(wǎng)絡(luò)系統(tǒng)與生物學(xué)神經(jīng)系統(tǒng)相似的是具有自我修改能力，它可以同時(shí)接收大量的數(shù)據(jù)并進(jìn)行統(tǒng)一的分析處理，進(jìn)而輸出相應(yīng)的處理結(jié)果。這就使得神經(jīng)網(wǎng)絡(luò)系統(tǒng)具有了高度容錯(cuò)性、高度并行性、自我修改性、學(xué)習(xí)性以及高度復(fù)雜性，也正是由于這些特性才使的利用神經(jīng)網(wǎng)絡(luò)技術(shù)能夠及時(shí)準(zhǔn)確的查明電梯故障原因并得出故障解決方案。電梯故障診斷中應(yīng)用的神經(jīng)網(wǎng)絡(luò)模型分為三個(gè)層次：輸入層、接收外部信號或者是電梯自我檢測信息（如載重信息）；隱含層、對接收到了大量數(shù)據(jù)進(jìn)行相應(yīng)的分析處理；輸出層、將記錄著動作命令的數(shù)據(jù)傳送出來。在電梯出現(xiàn)故障時(shí)，首先可以通過神經(jīng)網(wǎng)絡(luò)模型快速確定故障發(fā)生在哪一層達(dá)到節(jié)約時(shí)間的目的。但是神經(jīng)網(wǎng)絡(luò)也會因?yàn)槭諗克俣冗^于慢、訓(xùn)練強(qiáng)度太大或者是選擇的網(wǎng)絡(luò)模型不好等問題導(dǎo)致診斷結(jié)果受到影響。
三、神經(jīng)網(wǎng)絡(luò)模型在電梯故障診斷中的應(yīng)用分類
神經(jīng)網(wǎng)絡(luò)模型已經(jīng)成為了如今電梯故障診斷中應(yīng)用最廣泛的技術(shù)模型，相比于傳統(tǒng)方式它具有診斷速度快、故障原因命中率高的優(yōu)點(diǎn)，因此引起了各方面專業(yè)人士的強(qiáng)烈關(guān)注，并在他們的不懈努力下得到了發(fā)展與創(chuàng)新。它跨越多個(gè)專業(yè)領(lǐng)域、通過對各種復(fù)雜的高難度工作的不斷的發(fā)展與改進(jìn)出現(xiàn)了越來越多的應(yīng)用模型，下面主要介紹了當(dāng)前應(yīng)用最普遍的BP網(wǎng)絡(luò)模型，并且簡單的引入并介紹了近年來新興的模糊神經(jīng)網(wǎng)絡(luò)模型和遺傳小波神經(jīng)網(wǎng)絡(luò)模型。
（一）BP網(wǎng)絡(luò)模型
BP神經(jīng)網(wǎng)絡(luò)作為神經(jīng)網(wǎng)絡(luò)應(yīng)用最廣泛的一種，它多應(yīng)用的誤差反向傳播算法使其在模式識別、診斷故障、圖像識別以及管理系統(tǒng)方面具有相對先進(jìn)性?；贐P網(wǎng)絡(luò)的電梯故障診斷技術(shù)就是通過學(xué)習(xí)故障信息、診斷經(jīng)驗(yàn)并不斷訓(xùn)練，并將所學(xué)到的知識利用各層次之間節(jié)點(diǎn)上的權(quán)值從而表達(dá)出來。BP網(wǎng)絡(luò)系統(tǒng)的主要診斷步驟主要可以分為三步。第一步：對輸入輸出的數(shù)據(jù)進(jìn)行歸一化處理，將數(shù)據(jù)映射到特定的區(qū)間。第二步：建立BP網(wǎng)絡(luò)模型，訓(xùn)練BP網(wǎng)絡(luò)模型。第三：通過已經(jīng)訓(xùn)練好的網(wǎng)絡(luò)模型對原來的樣本進(jìn)行全面的檢測。算法步驟：a、在一定的取值范圍內(nèi)對數(shù)據(jù)進(jìn)行初始化；b、確定輸入值數(shù)值大小，計(jì)算出預(yù)期輸出量；c、用實(shí)際輸出的值減去上一步得到的數(shù)值；d、將上一步得到的誤差分配到隱含層，從而計(jì)算出隱含層的誤差；e、修正輸出層的權(quán)值和閾值，修正隱含層的權(quán)值；f、修正隱含層的閾值，修正隱含層和輸入層的權(quán)值。
（二）遺傳小波神經(jīng)網(wǎng)絡(luò)模型
遺傳算法運(yùn)用了生物界的優(yōu)勝劣汰、適者生存的思想對復(fù)雜問題進(jìn)行優(yōu)化，適用于復(fù)雜的故障，起到了優(yōu)化簡化問題的作用。對局部數(shù)據(jù)進(jìn)行詳細(xì)的分析是小波法最大的特點(diǎn)，所以它被譽(yù)為“數(shù)字顯微鏡”。遺傳算法小波神經(jīng)網(wǎng)絡(luò)就是運(yùn)用小波進(jìn)行分解的方法分解模擬故障信號，將得到的數(shù)據(jù)進(jìn)行歸一化，將歸一化后的數(shù)值輸入到神經(jīng)網(wǎng)絡(luò)模型中。它融合了神經(jīng)網(wǎng)絡(luò)、小波分析和遺傳算法三者所有的優(yōu)點(diǎn)。基于遺傳小波神經(jīng)網(wǎng)絡(luò)的電梯故障診斷的一般步驟為：測試節(jié)點(diǎn)信號采樣、小波分解、故障特征量提取、歸一化得到訓(xùn)練樣本集、遺傳算法優(yōu)化、得到故障類型。遺傳小波神經(jīng)網(wǎng)絡(luò)模型在故障原因復(fù)雜、數(shù)據(jù)信息量巨大的電梯系統(tǒng)的應(yīng)用中能夠發(fā)揮更大的作用。
（三）模糊神經(jīng)網(wǎng)絡(luò)模型
模糊神經(jīng)網(wǎng)絡(luò)模型就是創(chuàng)新性的將神經(jīng)網(wǎng)絡(luò)與模糊理論結(jié)合到一起。它采用了廣義的方向推理和廣義的前向推理兩種推理方式。與其它兩種模型不同的是，它的語言邏輯、判斷依據(jù)和結(jié)論都是模糊的。但是它的數(shù)據(jù)處理能力還有自我學(xué)習(xí)能力并沒有因此而變差，反而更加豐富了它的定性知識的內(nèi)容。在處理實(shí)際問題的過程中，首先要建立所有可能發(fā)生的故障的完整集合，其次將所有的故障發(fā)生原因歸入到同一個(gè)集合中去，最后就是建立故障和原因的關(guān)系矩陣。分別叫做模糊故障集、模糊原因集、模糊關(guān)系矩陣。相較于BP網(wǎng)絡(luò)模型，這種模型更加的簡單易行，充分發(fā)揮了神經(jīng)網(wǎng)絡(luò)和模糊邏輯的優(yōu)點(diǎn)，不會因?yàn)楣收显蜻^于復(fù)雜而失去診斷的準(zhǔn)確性，在原本豐富定性知識和強(qiáng)大數(shù)據(jù)處理能力的基礎(chǔ)上具有了很大的自我訓(xùn)練能力。
四、結(jié)語
第7篇：反向傳播神經(jīng)網(wǎng)絡(luò)基本原理范文
Abstract： This article discusses the green construction theory and builds a construction project green construction assessment index system. The construction project green construction assessment model is built based on BP artificial neural network， and the model is used to simulate the green construction of a practical project.
關(guān)鍵詞： BP人工神經(jīng)網(wǎng)絡(luò)；綠色施工；評價(jià)方法
Key words： BP artificial neural network；green construction；assessment method
中圖分類號：TU71 文獻(xiàn)標(biāo)識碼：A 文章編號：1006-4311（2015）12-0005-04
0 引言
隨著我國建筑業(yè)的快速發(fā)展，建筑工程建設(shè)消耗自然資源和破壞生態(tài)環(huán)境的問題，已經(jīng)引起了社會各界的廣泛關(guān)注，建筑生產(chǎn)活動中的施工階段是大規(guī)模地改變自然生態(tài)環(huán)境、消耗自然資源的階段。針對該階段進(jìn)行控制和管理，實(shí)施綠色施工，可以有效改善建筑工程能耗大、破壞生態(tài)環(huán)境等的問題。近年來，綠色施工已經(jīng)成為建筑工程的施工的主要趨勢，我國已經(jīng)在綠色建筑的評價(jià)體系研究方面取得了很多富有價(jià)值的研究成果，如建設(shè)部住宅產(chǎn)業(yè)化促進(jìn)中心制定的《綠色生態(tài)住宅小區(qū)建設(shè)要點(diǎn)與技術(shù)導(dǎo)則》、《現(xiàn)代房地產(chǎn)綠色開發(fā)與評價(jià)》、《綠色奧運(yùn)建筑評估體系》等，建設(shè)部的《綠色施工導(dǎo)則》中給出了綠色施工的定義，指工程施工過程中，在保證質(zhì)量、安全等基本要求的前提下，通過科學(xué)管理和先進(jìn)技術(shù)，最大限度地節(jié)約資源與減少對環(huán)境負(fù)面影響的施工活動，實(shí)現(xiàn)節(jié)能、節(jié)地、節(jié)水、節(jié)材和環(huán)境保護(hù)[1]。以這些理論背景為基礎(chǔ)，構(gòu)建綠色施工評價(jià)指標(biāo)體系，研究適用于綠色施工的評價(jià)方法對于推動綠色施工實(shí)踐具有十分重要的意義。
人工神經(jīng)網(wǎng)絡(luò)，是利用計(jì)算機(jī)來模擬生物神經(jīng)網(wǎng)絡(luò)系統(tǒng)，通過模擬生物神經(jīng)系統(tǒng)的工作機(jī)理，來抽取其活動過程中的可利用部分通過物理器件進(jìn)行實(shí)現(xiàn)，也就是將生物細(xì)胞進(jìn)行了數(shù)學(xué)化[2]。目前比較常用的是BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)算法。是一種基于逆?zhèn)鞑ピ淼乃惴ǎ捎谒鼉?yōu)秀的自學(xué)習(xí)、自聯(lián)想功能，使得BP人工神經(jīng)網(wǎng)絡(luò)廣泛的應(yīng)用于非線性建模、函數(shù)逼近等方面。本文選擇BP神經(jīng)網(wǎng)絡(luò)模型研究建筑工程綠色施工評價(jià)問題，能夠模擬出專家對綠色施工評價(jià)的思維過程，大大提高工作效率，減少評價(jià)周期，避免評價(jià)過程中人為因素及模糊隨機(jī)性的影響。
1 建筑工程綠色施工評價(jià)指標(biāo)
建筑工程綠色施工是一個(gè)多種因素相互影響作用的綜合系統(tǒng)，建筑工程綠色施工評價(jià)工作的進(jìn)行依賴于綠色施工評價(jià)指標(biāo)的選取的有效性和準(zhǔn)確性。本文參考了各位專家學(xué)者對綠色施工定義、框架劃分及相關(guān)文獻(xiàn)的研究，并聽取了他們的意見建議，從建筑工程綠色施工的本質(zhì)要求出發(fā)，將建筑工程綠色施工評價(jià)的總體目標(biāo)分為施工技術(shù)、施工綜合管理、各類資源及能源的使用、環(huán)境控制這4個(gè)指標(biāo)。并結(jié)合對各類資源、能源的節(jié)約理念，環(huán)境保護(hù)目標(biāo)，可持續(xù)發(fā)展原則，以人為本的價(jià)值觀等將這4個(gè)一級指標(biāo)細(xì)分為26個(gè)二級指標(biāo)，從而建立了建筑工程評價(jià)指標(biāo)體系，見表1。
2 基于BP人工神經(jīng)網(wǎng)絡(luò)的建筑工程綠色施工評價(jià)模型
2.1 BP人工神經(jīng)網(wǎng)絡(luò)的基本原理
BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程是由正向傳播和反向傳播兩個(gè)階段構(gòu)成的，若給定一組樣本的輸入值和期望輸出值，通過正向傳播過程計(jì)算各節(jié)點(diǎn)之間的權(quán)值和閾值，然后通過將誤差通過反向傳播計(jì)算，實(shí)現(xiàn)對權(quán)值和閾值的調(diào)節(jié)，反復(fù)以上過程直到使輸出值落到最終滿意的誤差范圍內(nèi)，達(dá)到網(wǎng)絡(luò)訓(xùn)練的目的。其具體的計(jì)算過程這里以一個(gè)分別包含一個(gè)輸入層、隱含層和輸出層的三層的人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)加以說明，如圖1所示。
令wir表示輸入層節(jié)點(diǎn)xi到隱含層節(jié)點(diǎn)yr間的連接權(quán)值，wrj表示隱含層節(jié)點(diǎn)yr到輸出層節(jié)點(diǎn)zj間的連接權(quán)值，θr表示為隱含層節(jié)點(diǎn)的閾值，θj為輸出層節(jié)點(diǎn)的閾值：
①給wir、θr、wrj、θj隨機(jī)賦一個(gè)較小的值，其值一般在0到1之間。
②輸入樣本，設(shè)樣本個(gè)數(shù)為P，樣本模式為（A（k）C（k））（K=1，2，…，P），即由給定樣本的輸入值和期望輸出值組成的矩陣。將A（k）的值x■■作為輸入層節(jié)點(diǎn)的值，逐層按公式（1）、（2）所示依次進(jìn)行正向的計(jì)算：
此處的EAV表示的是網(wǎng)絡(luò)訓(xùn)練的目標(biāo)誤差函數(shù)（j=l，2，…，n；k=1，2，…，p）。
基于上述計(jì)算，就能把擬解決問題的特征值反應(yīng)在權(quán)值和閾值上，然后就可以利用這組特定的值來求解實(shí)際問題的結(jié)果。
2.2 面向MATLAB的BP網(wǎng)絡(luò)評價(jià)模型設(shè)計(jì)
利用計(jì)算機(jī)軟件―MATLAB神經(jīng)網(wǎng)絡(luò)工具箱中所具有的函數(shù)功能，可以將上訴神經(jīng)網(wǎng)絡(luò)的計(jì)算過程，通過調(diào)用函數(shù)來進(jìn)行實(shí)現(xiàn)。
2.2.1 樣本數(shù)據(jù)的選取
以表1所示的建筑工程綠色施工評價(jià)指標(biāo)體系為基礎(chǔ)，對各定性指標(biāo)采用專家評判法進(jìn)行量化，將綠色施工水平從低到高依次劃分為五個(gè)等級：低（0，0.2）；較低（0.2，0.4）；一般（0.4，0.6）；較高（0.6，0.8）；高（0.8，1）。通過組織專家對國內(nèi)的15個(gè)項(xiàng)目的綠色施工水平進(jìn)行評定，得到了這15個(gè)項(xiàng)目的綠色施工評價(jià)指標(biāo)值，見表2。
對表2中的數(shù)據(jù)進(jìn)行歸納整理，征求各位專家的意見，得到建筑工程項(xiàng)目的綠色施工評價(jià)綜合評分表，見表3。
2.2.2 模型算法的實(shí)現(xiàn)
①確定BP網(wǎng)絡(luò)結(jié)構(gòu)各層神經(jīng)元節(jié)點(diǎn)數(shù)。采用圖1所示3層BP網(wǎng)絡(luò)結(jié)構(gòu)，輸入層為各評價(jià)指標(biāo)的評價(jià)值，共26個(gè)神經(jīng)元節(jié)點(diǎn)，輸出層表示對一個(gè)建筑工程綠色施工評價(jià)的綜合結(jié)果，即只有一個(gè)神經(jīng)元數(shù)值，根據(jù)經(jīng)驗(yàn)公式和反復(fù)的迭代試驗(yàn)缺點(diǎn)隱含層神經(jīng)元節(jié)點(diǎn)數(shù)目為19個(gè)。即本文研究問題的BP神經(jīng)網(wǎng)絡(luò)評價(jià)模型結(jié)構(gòu)為28×12×1。
②對網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。將表2中前12組數(shù)據(jù)的專家打分值作為網(wǎng)絡(luò)的輸入節(jié)點(diǎn)值輸入網(wǎng)絡(luò)，將表3中的綜合評定值作為這12組數(shù)據(jù)的期望輸出值，使用MATLAB軟件編程，MATLAB中的語言為：
MATLAB程序語言具體如下：
P=[]'；
T=[]；
（ 輸入向量P和目標(biāo)向量T的矩陣值）
threshold=[]；
（設(shè)定網(wǎng)絡(luò)輸入向量的取值范圍矩陣，一般單個(gè)輸入向量的取值范圍為[0，1]）
net=newff（threshold，[15，1]，{‘tansig’，‘logsig’}，‘traingdx’）；
（此語句創(chuàng)建BP神經(jīng)網(wǎng)絡(luò)，訓(xùn)練函數(shù)為traingdx函數(shù)；權(quán)值調(diào)節(jié)規(guī)則函數(shù)為learngdm函數(shù)；，各層激勵(lì)函數(shù)類型為{‘tansig’，‘logsig’}）
net.trainParam.epochs=1000；
（設(shè)置網(wǎng)絡(luò)的最大訓(xùn)練次數(shù)）
net.trainParam.goal=0.00001；
（設(shè)置網(wǎng)絡(luò)的期望誤差）
net=train（net，P，T）；
（對創(chuàng)建的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練）
經(jīng)學(xué)習(xí)訓(xùn)練后的網(wǎng)絡(luò)輸出結(jié)果見表4，它們與期望輸出非常接近，綠色評價(jià)等級一致。網(wǎng)絡(luò)訓(xùn)練結(jié)果如圖2。
③對網(wǎng)絡(luò)模型進(jìn)行檢測。將表2中后3組數(shù)據(jù)作為校驗(yàn)數(shù)據(jù)輸入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，MATLAB中的程序語言為：
P_test=[]'；
（輸入測試樣本的矩陣值）
Y=sim（net，P_test）.
（對網(wǎng)絡(luò)模型進(jìn)行仿真）
得到的綜合評價(jià)結(jié)果見表5。
由表5可見由訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)得到的檢測樣本的實(shí)際輸出值與期望值誤差很小，且綜合評價(jià)結(jié)果與專家評價(jià)結(jié)果一致。說明得到的神經(jīng)網(wǎng)絡(luò)所反映的輸入與輸出之間的關(guān)系是正確的，可以有效地應(yīng)用于其他建筑工程項(xiàng)目的綠色施工評價(jià)。
3 案例分析
某地區(qū)稅務(wù)局的辦公樓工程，規(guī)劃用地約4300m2，地上九層、地下一層，建筑總高度34.5m，框架結(jié)構(gòu)，建筑面積約為8989.44m2。由于該工程建設(shè)初期，建設(shè)單位、設(shè)計(jì)單位、監(jiān)理單位對工程提出了一部分綠色施工要求，施工單位在建設(shè)過程中采用了大量的綠色施工新技術(shù)、新機(jī)械、新工藝。并針對保護(hù)環(huán)境采取了一定的技術(shù)措施，但由于施工工期安排較緊，人員培訓(xùn)不到位等因素的影響，在工程綠色施工方面還存在個(gè)別的問題，在對工程項(xiàng)目資料做了仔細(xì)研究和對工程項(xiàng)目相關(guān)人員進(jìn)行了了解的基礎(chǔ)上，給出了此工程項(xiàng)目綠色施工評價(jià)指標(biāo)的的分值，見表6。
將表6中的數(shù)據(jù)輸入已經(jīng)訓(xùn)練成功的神經(jīng)網(wǎng)絡(luò)模型中，經(jīng)網(wǎng)絡(luò)計(jì)算，得到該項(xiàng)目綠色施工的綜合評價(jià)得分為0.6084，屬于綠色評價(jià)等級中的較高級別，此類工程項(xiàng)目可以在對施工人員進(jìn)行培訓(xùn)，控制噪聲和廢水、廢料，節(jié)約資源與能源方面做進(jìn)一步的優(yōu)化從而提高綠色施工水平。
4 結(jié)論
本文構(gòu)建了建筑工程綠色施工評價(jià)指標(biāo)體系，并通過BP人工神經(jīng)網(wǎng)絡(luò)法，對建筑工程綠色施工進(jìn)行了定量化的評價(jià)，通過樣本的訓(xùn)練和檢測驗(yàn)證了模型的有效性，訓(xùn)練好的網(wǎng)絡(luò)可用于一般建筑工程項(xiàng)目的綠色評價(jià)中，可大大提高評價(jià)工作的效率，及其準(zhǔn)確性、針對性。
參考文獻(xiàn)：
[1]熊燕.高等級公路綠色施工評價(jià)研究[D].長沙理工大學(xué)碩士學(xué)位論文.長沙：長沙理工大學(xué)，2013.
[2]施彥，韓力群，廉小親.神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)方法與實(shí)例分析[M].北京：北京郵電大學(xué)出版社，2009.
[3]陳建國，閔洲源.基于BP人工神經(jīng)網(wǎng)絡(luò)的綠色施工評價(jià)方法研究[J].基建優(yōu)化，2007，10（28）：169-172.
第8篇：反向傳播神經(jīng)網(wǎng)絡(luò)基本原理范文
關(guān)鍵詞：圖像標(biāo)注；BP神經(jīng)網(wǎng)絡(luò)；Normalized Cuts；圖像低層特征
中圖分類號：TP391文獻(xiàn)標(biāo)識碼：A文章編號：1009-3044(2011)14-3399-02
Image Semantic Annotation Based on BP Neural Network Algorithm
WU Yu-hua
(Department of information Technology, Hengyang Technician College, Hengyang 421008, China)
Abstract: Because of the "Semantic gab" problem in the traditional CBIR(content-based image retrieval ) systems, they are not fit in some special areas. The appearance of Image-Semantic-Annotation can effectively resolve this problem. This paper represents a method that first uses the Normalized Cuts to cut the image into several areas and then extract the low-level features, last use BP neural network algorithm to learn the relations between the areas and the annotation words. The experiment's results proved this method is valid and efficient.
Key words: image annotation; BP neural network; normalized cuts; low-level feature
基于內(nèi)容的圖像檢索近10年來得到了研究者的關(guān)注,一系列的基于內(nèi)容的圖像檢索方法和檢索系統(tǒng)被提出來。然而由于計(jì)算機(jī)對圖像信息的理解和人對圖像信息的理解存在著客觀區(qū)別, 檢索系統(tǒng)中就難免存在計(jì)算機(jī)認(rèn)為的“視覺相似”和人們所理解的“語義相似”之間的“語義鴻溝( Semantic gap )”。如何解決“語義鴻溝”問題是目前CBIR系統(tǒng)亟待解決的技術(shù)難題。圖像標(biāo)注這個(gè)直觀的想法能有效地彌補(bǔ)語義的缺失,它可以利用已標(biāo)注的圖像集自動學(xué)習(xí)語義概念空間與視覺特征空間的關(guān)系模型,并用此模型標(biāo)注未知語義的圖像,即它試圖在高層語義特征和底層視覺特征之間建立一座橋梁。因此,它可以一定程度解決大多基于內(nèi)容圖像檢索方法存在的語義鴻溝問題。如果能實(shí)現(xiàn)自動圖像標(biāo)注,那么現(xiàn)有的圖像檢索問題實(shí)際上就可以轉(zhuǎn)化成技術(shù)已經(jīng)相當(dāng)成熟的文本檢索問題。它的潛在應(yīng)用領(lǐng)域包括生物醫(yī)學(xué)、商業(yè)、軍事、教育、數(shù)字圖書館和互聯(lián)網(wǎng)檢索等。
1 相關(guān)研究工作
圖像自動標(biāo)注技術(shù)可以利用已標(biāo)注的圖像集自動學(xué)習(xí)語義概念空間與視覺特征空間的關(guān)系模型,并用此模型標(biāo)注未知語義的圖像,即它試圖在高層語義特征和底層視覺特征之間建立一座橋梁。近年來圖像自動標(biāo)注技術(shù)正成為國際上圖像檢索領(lǐng)域的一個(gè)研究熱點(diǎn)。許多機(jī)器學(xué)習(xí)方法由于能很好地獲取圖像特征和文本描述之間的對應(yīng)關(guān)系,因而被引入這一領(lǐng)域，并且已經(jīng)出了一些成果，例如同現(xiàn)模型(Co-occurrence Model)[1],基于機(jī)器翻譯的對象識別模型[2]，跨媒體相關(guān)模型(Cross-Media Relevance, CMR)[3]等等。
本文中我們提出了先使用Normalized Cuts[4]方法對圖像進(jìn)行分割并提取出每個(gè)區(qū)域的低層特征，再利用BP神經(jīng)網(wǎng)絡(luò)算法來學(xué)習(xí)圖像區(qū)域特征和標(biāo)注字的對應(yīng)關(guān)系模型并用此模型來對未知語義圖像進(jìn)行自動標(biāo)注的方法，實(shí)驗(yàn)證明該方法能夠取得很好的效果。
2 Normalized Cuts及圖像區(qū)域特征選擇
因?yàn)镹ormalized Cuts在圖像分割這塊有強(qiáng)的優(yōu)勢，所以本文中我們選擇其作為圖像的分割方法。先對圖像進(jìn)行Normalized Cuts區(qū)域分割，然后提取圖像的各個(gè)區(qū)域特征，在這里我們采用的圖像低層視覺特征是顏色、紋理特征的結(jié)合。
2.1 Normalized Cuts區(qū)域分割
我們使用Timothee Cour等人開發(fā)的Multiscale Normalized Cuts Segmentation Toolbox對每個(gè)圖像（160*160）進(jìn)行區(qū)域分割（nsegs = 8），分割的效果如圖1所示。
2.2 低層特征提取
由于圖像的顏色分布信息主要集中在低階矩中，因此我們采用顏色的一階矩、二階矩和三階矩來表示圖像的顏色分布。一階中心矩、二階中心矩和三階中心矩分別表示圖像或子區(qū)域圖像的平均顏色、標(biāo)準(zhǔn)方差和三次根非對稱性，公式分別為以下式1、2和3：
(1)
(2)
(3)
對于每幅圖像每一個(gè)分割區(qū)域我們可以得到3個(gè)顏色分布特征。
我們采用的紋理特征是Gabor紋理特征（Gabor濾波變換后求取圖像區(qū)域的均值和方差）。Gabor濾波后的部份圖像效果圖如圖2所示。
我們對每幅圖像從4個(gè)尺度(0,1,2,3)和8個(gè)角度（0℃，45℃，90℃,135℃,180℃,225℃,270℃,315℃）組合進(jìn)行濾波后再提取每個(gè)區(qū)域的均值和方差作為紋理特征,這樣每個(gè)區(qū)域就可得到32個(gè)紋理特征。
通過上面的低層特征提取，每幅圖像的每個(gè)區(qū)域我們可以得到共有35個(gè)低層特征，即顏色特征3個(gè)，紋理特征32個(gè)。
3 BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)
3.1 BP神經(jīng)網(wǎng)絡(luò)典型結(jié)構(gòu)
圖3為BP網(wǎng)絡(luò)結(jié)構(gòu)圖。
3.2 BP學(xué)習(xí)算法[5]
BP(Back Propagation)算法為誤差反向傳播算法，主要分為兩個(gè)階段：一個(gè)前向傳播階段（計(jì)算誤差），另一個(gè)誤差反向傳播階段（修改權(quán)值）。
BP具體算法：
①創(chuàng)建nin個(gè)輸入單元，nhidden個(gè)隱藏單元，nout個(gè)輸出單元的網(wǎng)絡(luò)；
② 初始化所有的網(wǎng)絡(luò)權(quán)值為小的隨機(jī)值（-0.05~0.05）；
③ 在遇到終止條件前（達(dá)到迭代次數(shù)或者訓(xùn)練精度），對于每個(gè)訓(xùn)練樣例做以下計(jì)算：
1）輸入沿網(wǎng)絡(luò)前向傳播：把實(shí)例輸入網(wǎng)絡(luò),并計(jì)算網(wǎng)絡(luò)中每個(gè)單元u的輸出ou。
2）誤差沿網(wǎng)絡(luò)反向傳播：
對于網(wǎng)絡(luò)的每個(gè)輸出單元k,計(jì)算它的誤差項(xiàng)dk， ；
對于網(wǎng)絡(luò)的每個(gè)隱藏單元h,計(jì)算它的誤差項(xiàng)δh: 。
3）更新每個(gè)網(wǎng)絡(luò)權(quán)值wji，
3.3 圖像標(biāo)注基本原理
圖像標(biāo)注基本原理如圖4所示，主要分為兩個(gè)階段：模型訓(xùn)練階段和標(biāo)注階段，我們采用BP神經(jīng)網(wǎng)絡(luò)模型來學(xué)習(xí)圖像區(qū)域特征和標(biāo)注字之間的對應(yīng)關(guān)系。
訓(xùn)練階段主要是對已標(biāo)注的圖像集進(jìn)行處理，包括：1、圖像的區(qū)域分割，2、區(qū)域特征的提取，3、區(qū)域?qū)?yīng)的標(biāo)注字的提?。ㄒ布磳?yīng)的標(biāo)記，例如在程序中，我們使用1代表森林，2代表草地，3代表動物，4代表天空等），4、BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練幾個(gè)步驟，訓(xùn)練后得到的權(quán)值，我們保存在weight.txt文件中。
標(biāo)注階段是對待標(biāo)注的圖像集進(jìn)行處理，包括：1、圖像的區(qū)域分割，2、區(qū)域特征的提取，3、從weight.txt文件中讀取各層的權(quán)值到BP模型中，使用訓(xùn)練好的BP模型來對待標(biāo)注的圖像進(jìn)行標(biāo)注。
4 實(shí)驗(yàn)結(jié)果
我們使用的實(shí)驗(yàn)數(shù)據(jù)為微軟亞洲研究院視覺計(jì)算組的圖像集。我們從中挑選了300幅包含動物、草地、森林和天空等對象的圖像作為訓(xùn)練集，先使用NormalizedCuts方法進(jìn)行區(qū)域分割，得到8個(gè)區(qū)域并抽取其36維特征向量，在程序中我們采用三層BP模型，36個(gè)輸入單元（對應(yīng)36個(gè)低層特征），15個(gè)隱藏單元和4個(gè)輸出單元（對應(yīng)4個(gè)對象，動物、草地、森林和天空），學(xué)習(xí)因子為0.3，訓(xùn)練后得到權(quán)值保存在weight.txt文件中。另外我們選取了50幅圖像作為測試集，在PIV 2.0G 256M 硬件環(huán)境和XP系統(tǒng)，vs2005 + OpenCV_1.0的軟件環(huán)境下進(jìn)行實(shí)驗(yàn)，使用本文提出的方法來進(jìn)行圖像語義的標(biāo)注，準(zhǔn)確率達(dá)到78.23%，初期實(shí)驗(yàn)結(jié)果樣例如圖5所示。
5 結(jié)束語
使用BP神經(jīng)網(wǎng)絡(luò)算法能夠很好學(xué)習(xí)區(qū)域特征和標(biāo)注字的對應(yīng)關(guān)系，因此圖像的區(qū)域分割和低層視覺特征選擇很重要，搞好了就能很好地進(jìn)行圖像語義自動標(biāo)注，對稍微簡單點(diǎn)的圖像標(biāo)注準(zhǔn)確率比較高，對復(fù)雜圖像的標(biāo)注準(zhǔn)確率下降很多，也就是BP神經(jīng)網(wǎng)絡(luò)存在無法學(xué)習(xí)圖像的上下文信息的缺點(diǎn)。因此如果能夠融合圖像的上下文信息的話，標(biāo)注的效果會更好。而CRF（條件概率隨機(jī)場）[6]在融合上下文信息這方面功能很強(qiáng)大，因此，未來的工作重點(diǎn)主是結(jié)合BP和CRF對圖像進(jìn)行語義的自動標(biāo)注。
參考文獻(xiàn)：
[1] Mori Y, Takahashi H, Oka R.Image-to-word transformation based on dividing and vector quantizing images with words[J].In Proc. of MISRM,1999.
[2] Duygulu P, Barnard K, de Freitas J F G, et al, Object Recognition as Machine Translation: Learning a Lexicon for a Fixed Image Vocabulary[J].Proceedings of the 7th European Conference on Computer Vision-Part IV,2002:97-112.
[3] Jeon J, Lavrenko V , Manmatha R. Automatic image annotation and retrieval using cross - media relevance models[C].New York: ACM Press, 2003:119 - 126.
[4] Shi J, Malik J.Normalized cuts and image segmentation[J].In Proc. IEEE Conf. Computer Vision and Pattern Recognition,731-737,1997.
第9篇：反向傳播神經(jīng)網(wǎng)絡(luò)基本原理范文
關(guān)鍵詞：估算模型、工程造價(jià)、思考
中圖分類號：TU723.3文獻(xiàn)標(biāo)識碼： A 文章編號：
建筑工程造價(jià)，在通常情況下指的就是工程建設(shè)過程中需要花費(fèi)的所有費(fèi)用，換言之，就是依據(jù)工程計(jì)劃此工程建設(shè)項(xiàng)目因開展固定資產(chǎn)再生產(chǎn)而衍生出與之相對應(yīng)鋪底流動資金與無形資金之和。事實(shí)上，工程造價(jià)既與建設(shè)地區(qū)的經(jīng)濟(jì)發(fā)展?fàn)顩r、建設(shè)者的技術(shù)水準(zhǔn)、當(dāng)?shù)卣恼叻龀值纫蛩叵⑾⑾嚓P(guān)，又緊密聯(lián)系著工程本身的內(nèi)容。
事實(shí)上，工程項(xiàng)目在施行過程中，不僅要耗費(fèi)大量時(shí)間，還需投入很多資金。且每一階段均會出現(xiàn)很多不確定因素，因此，在工程項(xiàng)目施工早期很難確定出一個(gè)合理、正確、科學(xué)的造價(jià)。然而，工程造價(jià)的合理性將會給施工單位和建設(shè)單位的共同經(jīng)濟(jì)利益帶來直接的影響。這就要求我們在如今競爭日益激烈化的社會能熟練地應(yīng)用科學(xué)手段，精、穩(wěn)、準(zhǔn)地把工程造價(jià)估算出來。但是，工程造價(jià)會隨著項(xiàng)目開展的深度的逐漸加深而愈漸合理化。工程項(xiàng)目富有計(jì)價(jià)特性，這就決定了在控制工程項(xiàng)目的過程中各個(gè)階段的手段與重點(diǎn)也許會存在一些差異。因此，在工程項(xiàng)目建設(shè)的全過程中，要確保工程造價(jià)能將工程的實(shí)際造價(jià)合理、科學(xué)地體現(xiàn)出來，與工程項(xiàng)目管理的需求與市場經(jīng)濟(jì)體制相適應(yīng)，積極采用合理、可行性高的、可操作性強(qiáng)的手段，管控好建設(shè)工程造價(jià)。
一、工程造價(jià)估算模型的類別
當(dāng)前，世界上存在的投資估算方法多種多樣，但每一樣方法的優(yōu)劣勢及其所適用的范疇均存在一定的差異。在這當(dāng)中，盡管最小二乘回歸模型法能夠彌補(bǔ)單位面積法的不足指出，精確度很好，但是由于隸屬系數(shù)、模糊關(guān)系系數(shù)等諸多數(shù)據(jù)的大小均取決于經(jīng)驗(yàn)，且其處在不斷地變化發(fā)展過程中，這無疑會加大模型建立的難度系數(shù)。
伴隨著模糊數(shù)學(xué)理論在工程造價(jià)測算當(dāng)中的廣泛運(yùn)用與發(fā)展，其所展現(xiàn)出來的優(yōu)越性愈來愈獨(dú)特。為此，筆者針對已建工程與待建工程當(dāng)中的類似程序加以探索與比較，能在較短時(shí)間內(nèi)運(yùn)用已建工程的造價(jià)資料與信息，從而對待建工程的造價(jià)進(jìn)行估算。此類手段能飛快而又精準(zhǔn)地估測出工程造價(jià)，待構(gòu)建起信息管理系統(tǒng)、信息數(shù)據(jù)庫、拓展大量的信息渠道后，可以確保估算工程數(shù)據(jù)的精準(zhǔn)性與合理性。
二、神經(jīng)網(wǎng)絡(luò)的工程造價(jià)估算模型的基本原理
神經(jīng)網(wǎng)絡(luò)憑借著生物神經(jīng)系統(tǒng)作用原理發(fā)展的信息處理系統(tǒng)能夠極為精確地解決好繁雜的非線性問題。但是，其與眾不同的是，神經(jīng)網(wǎng)絡(luò)極具自組織、自學(xué)習(xí)、容錯(cuò)性等特征。基于對數(shù)據(jù)的建立模型，可將函數(shù)的最佳參數(shù)較快地求算出來，使設(shè)計(jì)成功后的系統(tǒng)可更好地模擬輸入輸出關(guān)系。
1、神經(jīng)網(wǎng)絡(luò)的基本模式
神經(jīng)網(wǎng)絡(luò)包括了反饋型網(wǎng)絡(luò)、自組織型網(wǎng)絡(luò)、隨機(jī)型網(wǎng)絡(luò)以及前饋型網(wǎng)絡(luò)這四大類型，這四大類型的神經(jīng)網(wǎng)絡(luò)所具有的網(wǎng)絡(luò)模型各不相同。Hopfield網(wǎng)絡(luò)主要出現(xiàn)在反饋網(wǎng)絡(luò)當(dāng)中，BP網(wǎng)絡(luò)、Adaiine、RBF網(wǎng)絡(luò)則是前饋網(wǎng)絡(luò)的關(guān)鍵網(wǎng)絡(luò)模式，Boltzman網(wǎng)絡(luò)為隨機(jī)網(wǎng)絡(luò)的關(guān)鍵網(wǎng)絡(luò)模式，ARI網(wǎng)絡(luò)俄日自組織網(wǎng)絡(luò)的關(guān)鍵網(wǎng)絡(luò)模式。然而，在此類神經(jīng)網(wǎng)絡(luò)當(dāng)中，前饋型網(wǎng)絡(luò)內(nèi)的RBF網(wǎng)絡(luò)和BP網(wǎng)絡(luò)能較好地滿足市政工程造價(jià)的需要。因?yàn)锽P神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)精簡、預(yù)算精度高、可行性高、收斂迅速、泛化能力強(qiáng)大，所以到目前為止，BP算法的多層前饋網(wǎng)變成了運(yùn)用范圍最大的神經(jīng)網(wǎng)絡(luò)。從統(tǒng)計(jì)上來看，BP算法是依靠學(xué)習(xí)過程的誤差反向傳播和信號正向傳播所構(gòu)成的。當(dāng)前運(yùn)用BP算法的神經(jīng)網(wǎng)絡(luò)所占的百分比近達(dá)百分之九十。
2、神經(jīng)網(wǎng)絡(luò)的基本模型
實(shí)際上，神經(jīng)網(wǎng)絡(luò)的輸入層是由各個(gè)極具代表性的工程建筑特性組合而成的，其輸入向量是闡釋工程特性的基本信息，神經(jīng)網(wǎng)絡(luò)輸出向量則為工程所需的工程造價(jià)。然而，如果輸入向量不同，那么想獲取到不一樣的輸出量值的話就需充分利用已建成的極具代表性的工程特性與造價(jià)，以它為訓(xùn)練樣本，從而訓(xùn)練神經(jīng)網(wǎng)絡(luò)，進(jìn)而達(dá)到從輸入至輸出進(jìn)行映射的目的。
3、神經(jīng)網(wǎng)絡(luò)的運(yùn)作手段
一般而言，神經(jīng)網(wǎng)絡(luò)的運(yùn)作方式有兩類，即演化式與前饋式。演化式模型的復(fù)雜度更高，其在網(wǎng)絡(luò)當(dāng)中與耗散的動力學(xué)系統(tǒng)差不多，在演化時(shí)狀態(tài)空間會慢慢收縮，最后變成了小體積的吸引子集，其輸出就相當(dāng)于終態(tài)，而輸入則為初始態(tài)；前饋式之所以能達(dá)到自輸入至輸出的非線性映射，主要依賴于神經(jīng)元非線性輸出輸入的關(guān)系。
三、神經(jīng)網(wǎng)絡(luò)估算法的廣泛運(yùn)用
若要估算項(xiàng)目工程造價(jià)，神經(jīng)網(wǎng)絡(luò)需具備一定數(shù)量的樣本以進(jìn)行訓(xùn)練。一般來講，我們可以將估算建設(shè)工程造價(jià)這一問題視成從輸入工程造價(jià)估算體系至輸出項(xiàng)目的單位造價(jià)的非線性映射，把指標(biāo)體系的指標(biāo)值輸入，然后再神經(jīng)網(wǎng)絡(luò)中加以估算，從而就能把此項(xiàng)目的單位造價(jià)輸出來。
但是，由于建設(shè)項(xiàng)目不同，其使用要求與功能也會有所不同，這直接會給工程造價(jià)的因素造成影響。因此，要嚴(yán)格依照建設(shè)項(xiàng)目的種類，分門別類地構(gòu)建出估算對象的指標(biāo)體系。本篇文章將重點(diǎn)闡述市政排水工程建設(shè)問題，針對神經(jīng)網(wǎng)絡(luò)估算模型的運(yùn)用進(jìn)行剖析。
（1）工程特征的解剖
不論是道路的總長度、雨水管道的平均管徑與長度、雨水管道平均埋深，還是污水管道平均管徑與長度、污水管道平均埋深等因素均會給市政排水工程造價(jià)帶來極大的影響。但是，此類影響市政排水工程造價(jià)的因素均存在一個(gè)共性，即：神經(jīng)網(wǎng)絡(luò)估算模型的輸入向量。
（2）構(gòu)建工程造價(jià)模型
工程造價(jià)估算法BP網(wǎng)絡(luò)程序主要是由樣本數(shù)據(jù)庫模塊構(gòu)成的，它是由newff函數(shù)生成的。當(dāng)生成的BP神經(jīng)網(wǎng)絡(luò)初始化之后，應(yīng)充分運(yùn)用當(dāng)前存在的“輸入―目標(biāo)”的訓(xùn)練樣本數(shù)據(jù)，選取網(wǎng)絡(luò)內(nèi)的train函數(shù)加以訓(xùn)練。同時(shí)，還要應(yīng)用BP神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)處理模塊及仿真模塊去測試訓(xùn)練完畢的網(wǎng)絡(luò)，依照函數(shù)的反函數(shù)戰(zhàn)隊(duì)神經(jīng)網(wǎng)絡(luò)的輸出值實(shí)施數(shù)據(jù)后續(xù)處理，從而將預(yù)測單位的工程造價(jià)求算出來，然后對比實(shí)際值，驗(yàn)證出預(yù)測的精確度。
（3）建設(shè)指標(biāo)體系的基準(zhǔn)單位
在建設(shè)市政排水工程的過程中，存在著大量對項(xiàng)目工程造成影響的因素。要想得出模型的輸出向量，就必須把道路的延長米視成排水工程的基準(zhǔn)單位，然后將排水工程的整體造價(jià)均勻地派遣到道路的延長米上，最終即可得到排水工程的道路延長米的工程造價(jià)，也就是模型的輸出向量。
（4）估算出工程造價(jià)
運(yùn)用神經(jīng)網(wǎng)絡(luò)估算法與Matlab神經(jīng)網(wǎng)絡(luò)的工具箱函數(shù)編制出與其相對應(yīng)的計(jì)算程序，依照數(shù)據(jù)庫開展訓(xùn)練測試工作，以便得出工程的實(shí)際造價(jià)。同時(shí)，要采取科學(xué)、易算、簡潔、精確的工程造價(jià)估算手段，從而有利于工程建設(shè)的迅速、安全地完成、工程造價(jià)控制以及工程投資管理工作的開展。因BP神經(jīng)網(wǎng)絡(luò)極具較強(qiáng)的容錯(cuò)性與自組織適應(yīng)能力等特性，再加上其擁有精確、簡潔、迅速等優(yōu)勢，因此其在建設(shè)項(xiàng)目的工程造價(jià)估算的運(yùn)用中能順利地?cái)[脫傳統(tǒng)項(xiàng)目估算的限制，同時(shí)在現(xiàn)代經(jīng)濟(jì)領(lǐng)域中有著巨大的運(yùn)用市場。
參考文獻(xiàn)：
[1] 胡偉勛. 工程造價(jià)估算模型研究與應(yīng)用[J]. 中南林業(yè)科技大學(xué)學(xué)報(bào), 2011,(08)
[2] 盧梅,韓小康,孔祥坤,蔡靜. 基于BP神經(jīng)網(wǎng)絡(luò)和TOC的工程造價(jià)預(yù)控研究[J]. 西安建筑科技大學(xué)學(xué)報(bào)(自然科學(xué)版), 2011,(01) .
[3] 王興鵬,桂莉. 基于粗糙集―神經(jīng)網(wǎng)絡(luò)的工程造價(jià)估算模型研究[J]. 石家莊鐵道學(xué)院學(xué)報(bào)(社會科學(xué)版), 2008,(01) .
[4] 胡偉勛. 基于GST的工程造價(jià)預(yù)測模型理論研究[J]. 中南林業(yè)科技大學(xué)學(xué)報(bào), 2011,(04) .