神經(jīng)網(wǎng)絡(luò)的思想精選(九篇)

前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的神經(jīng)網(wǎng)絡(luò)的思想主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：神經(jīng)網(wǎng)絡(luò)的思想范文

【關(guān)鍵詞】攔渣壩； BP神經(jīng)網(wǎng)絡(luò)；小波神經(jīng)網(wǎng)絡(luò)

0 前言

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

由于各種條件和環(huán)境的復(fù)雜性，使得攔渣壩變形的影響因素存在多樣性，利用單一的理論方法來對工程變形進(jìn)行預(yù)測，其變形的大小是難以準(zhǔn)確預(yù)測的。將多種理論和方法進(jìn)行有機(jī)結(jié)合，建立一種方法預(yù)測工程變形的大小是一種有效的途徑。本文基于這樣的思想，將小波分析與神經(jīng)網(wǎng)絡(luò)有機(jī)結(jié)合的小波神經(jīng)網(wǎng)絡(luò)應(yīng)用于攔渣壩工程實例，對其變形分析研究。

1 小波神經(jīng)網(wǎng)絡(luò)

小波神經(jīng)網(wǎng)絡(luò)是將小波分析與人工神經(jīng)網(wǎng)絡(luò)有機(jī)結(jié)合的產(chǎn)物。其基本思想是用小波元代替神經(jīng)元，用已定位的小波函數(shù)代替Sigmoid函數(shù)作為激活函數(shù)，然后通過仿射變換建立起小波變換與神經(jīng)網(wǎng)絡(luò)系數(shù)之間的連接，形成的新模型具有較強(qiáng)的網(wǎng)絡(luò)逼近能力和容錯能力。

目前，將小波分析與人工神經(jīng)網(wǎng)絡(luò)的結(jié)合主要有下面兩種方式：松散性結(jié)合，即將小波分析與人工神經(jīng)網(wǎng)絡(luò)進(jìn)行輔助式結(jié)合；緊致性結(jié)合，即將小波和神經(jīng)網(wǎng)絡(luò)直接融合的一種方式， 它主要是把小波元代替神經(jīng)元，將相應(yīng)的輸入層到隱層的權(quán)值及隱層閾值分別由小波函數(shù)的尺度與平移參數(shù)所代替。其中緊致性結(jié)合方式也是當(dāng)前研究小波神經(jīng)網(wǎng)絡(luò)模型最主要的結(jié)構(gòu)形式。

小波神經(jīng)網(wǎng)絡(luò)是在小波分析的基礎(chǔ)上提出的前饋型神經(jīng)網(wǎng)絡(luò)。小波神經(jīng)網(wǎng)絡(luò)激活函數(shù)是具有良好時頻局域化性質(zhì)的小波基函數(shù)。設(shè)小波神經(jīng)網(wǎng)絡(luò)有m（m=1，2，…，m）個輸入節(jié)點(diǎn)、N（N=1，2，…，N）個輸出層、n（n=1，2，…，n）個隱含層節(jié)點(diǎn)。并設(shè)xk為輸入層的第k個輸入樣本，yi為輸入層的第i個輸出值，wij為連接輸出層節(jié)點(diǎn)i和隱含層節(jié)點(diǎn)j的權(quán)值，wjk為連接隱含層節(jié)點(diǎn)j和輸入層節(jié)點(diǎn)k的權(quán)值。約定wi0是第j個輸出層節(jié)點(diǎn)閾值，wj0是第j個隱含層節(jié)點(diǎn)閾值，aj和bj分別為第j個隱含層節(jié)點(diǎn)的伸縮和平移因子，則小波神經(jīng)網(wǎng)絡(luò)模型可以表示為：

2 工程實例應(yīng)用

國家某重點(diǎn)高速公路第B4合同段內(nèi)某攔渣壩，其壩體為混凝土重力壩，長約122米，高約30米，攔渣壩上面（上游）是巨大的高速路高填方路基，這在國內(nèi)是比較罕見的，而下游是梅西河。本攔渣壩主要是為了防止高速路隧道挖方土回填的高填方路基滑動和垮塌發(fā)生危險，從而對高速路的運(yùn)行和梅溪河的通航造成不必要的影響。通過對攔渣壩體上S5號點(diǎn)上的沉降監(jiān)測數(shù)據(jù)分析，建立變形預(yù)測的小波神經(jīng)網(wǎng)絡(luò)模型。將從2008年9月28日到2009年11月5日共11期數(shù)據(jù)作為學(xué)習(xí)樣本對攔渣壩小波神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和學(xué)習(xí)。對S5號從2010年2月1日到2010年12月29日共5期數(shù)據(jù)進(jìn)行預(yù)測。

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

為了充分的分析小波神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效果，本文中也采用相同結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)對攔渣壩監(jiān)測數(shù)據(jù)進(jìn)行訓(xùn)練、預(yù)測。在本實例中，設(shè)兩種模型的收斂誤差都取0.0001。訓(xùn)練結(jié)果表明，兩種模型的收斂速度都比較快，BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練了25次就低于誤差限差；而小波神經(jīng)網(wǎng)絡(luò)只訓(xùn)練了5次就低于誤差限差0.0001，總體上小波神經(jīng)網(wǎng)絡(luò)比BP網(wǎng)絡(luò)精度高。小波神經(jīng)網(wǎng)絡(luò)訓(xùn)練與BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練擬合殘差系統(tǒng)比較結(jié)果如表1。

從預(yù)測結(jié)果對比分析表可以看出，小波神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)對攔渣壩變形預(yù)測的預(yù)測殘差絕對值在一個數(shù)量級上，但是WNN網(wǎng)絡(luò)的預(yù)測殘差值總體上明顯小于BP神經(jīng)網(wǎng)絡(luò)。小波神經(jīng)網(wǎng)絡(luò)的預(yù)測值與BP神經(jīng)網(wǎng)絡(luò)的預(yù)測值相比較更加接近于實際值，WNN預(yù)測結(jié)果好于BP神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果，其預(yù)測優(yōu)越性是顯而易見的。

3 小結(jié)

本文通過對小波神經(jīng)網(wǎng)絡(luò)模型的研究，建立了攔渣壩變形預(yù)測的小波神經(jīng)網(wǎng)絡(luò)模型。通過對WNN網(wǎng)絡(luò)模型和BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練擬合結(jié)果與預(yù)測結(jié)果的對比分析，可以看出小波神經(jīng)網(wǎng)絡(luò)模型在攔渣壩變形預(yù)測中的收斂性和精度比BP神經(jīng)網(wǎng)絡(luò)好，對攔渣壩的變形預(yù)測研究有一定的參考應(yīng)用價值。

【參考文獻(xiàn)】

第2篇：神經(jīng)網(wǎng)絡(luò)的思想范文

關(guān)鍵詞：建設(shè)項目；集成管理；績效評價；信息熵；改進(jìn)BP神經(jīng)網(wǎng)絡(luò)

1.引言

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

E.Chown提出了通過使用任務(wù)過程系統(tǒng)化的集成數(shù)據(jù)庫，將項目的任務(wù)、材料、設(shè)備、操作者的戰(zhàn)略性日程綜合起來，使資源的分配和控制十分有效[2]。Glenn Ballard介紹了在高速鐵路建設(shè)項目中將項目管理技術(shù)，業(yè)務(wù)流程和組織集成起來構(gòu)成項目管理集成系統(tǒng)[3]。JaafariA提出了基于全壽命期目標(biāo)的一般項目管理模型，以此將整個項目的過程集成起來。郭勇把人工神經(jīng)網(wǎng)絡(luò)應(yīng)用在績效評價中，首先對單個指標(biāo)質(zhì)量、成本、進(jìn)度進(jìn)行研究并建立模型，然后運(yùn)用人工神經(jīng)網(wǎng)絡(luò)對建立的模型進(jìn)行綜合評價[4]；劉劼把供應(yīng)鏈的思想應(yīng)用到集成管理績效評價中，建立了基于層次分析法的模糊綜合評價模型，并對構(gòu)建的建設(shè)項目集成管理績效評價體系的戰(zhàn)略層、執(zhí)行層和結(jié)果層等方面的高效性和及時性進(jìn)行評價[5]；劉洪海提出了建設(shè)項目集成管理系統(tǒng)績效是由目標(biāo)系統(tǒng)要素、業(yè)務(wù)過程系統(tǒng)結(jié)構(gòu)、信息系統(tǒng)環(huán)境等決定的，同時通過“三維系統(tǒng)”模型，分析了建設(shè)項目集成管理績效模糊綜合評價方法[6]。

傳統(tǒng)的項目績效評價關(guān)注項目內(nèi)部評估，不重視子項目與外部利益相關(guān)者的關(guān)系且多采用財務(wù)數(shù)據(jù)，不能反映企業(yè)整體的運(yùn)營狀況。本文首先從項目集成管理的角度出發(fā)，構(gòu)建建設(shè)項目集成管理績效評價指標(biāo)體系，然后對傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)，最后通過案例驗證方法的有效性。

2.構(gòu)建建設(shè)項目集成管理績效評價指標(biāo)體系

在建設(shè)項目集成管理績效評價中，借鑒供應(yīng)鏈管理的思想，對建設(shè)項目建立的全部過程按照供應(yīng)鏈管理的思想進(jìn)行管理與規(guī)劃[7-9]。首先，在設(shè)立評價指標(biāo)時，除了對企業(yè)內(nèi)部運(yùn)作的基本評價外，還要把注意力放在供應(yīng)鏈的測控上，以保證內(nèi)外在績效上達(dá)到一致，使供應(yīng)鏈評價指標(biāo)更加集成化；其次，注重指標(biāo)之間的平衡，做到非財務(wù)指標(biāo)和財務(wù)指標(biāo)并重，關(guān)注供應(yīng)鏈的長期發(fā)展和短期利潤的有效組合，實現(xiàn)兩個目標(biāo)之間的有效傳遞。建設(shè)項目供應(yīng)鏈?zhǔn)且越ㄔO(shè)項目為核心，圍繞核心企業(yè)（項目公司），通過對信息流、物流、資金流進(jìn)行控制，所以在此選取項目公司作為核心企業(yè)建立評價指標(biāo)體系如表1所示。

3.BP神經(jīng)網(wǎng)絡(luò)算法的改進(jìn)

3.1BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法

誤差反傳前饋網(wǎng)絡(luò)（Back-Propagation）[48-51]是典型的前饋網(wǎng)絡(luò)，其算法的基本思想是：誤差逆?zhèn)鞑ド窠?jīng)網(wǎng)絡(luò)是一種具有三層或三層以上的階層神經(jīng)網(wǎng)絡(luò)[10-11]。典型的BP網(wǎng)絡(luò)

是三層，即：輸入層、隱含層和輸出層，經(jīng)典三層BP算法的學(xué)習(xí)過程如下所示：

4.3網(wǎng)絡(luò)構(gòu)造、訓(xùn)練及檢驗

構(gòu)建建設(shè)項目集成管理的三層前饋網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò)模型，影響建設(shè)項目集成管理績效的26個因素作為輸入層的26個節(jié)點(diǎn)，隱含層取30個節(jié)點(diǎn)。隱含層的傳遞函數(shù)為雙曲正切S形函數(shù)。此改進(jìn)BP網(wǎng)絡(luò)的輸出層節(jié)點(diǎn)數(shù)為1，輸出層的傳遞函數(shù)為線性函數(shù)。網(wǎng)絡(luò)訓(xùn)練時性能函數(shù)為誤差平方和SSE，初始化各層的連接權(quán)矩陣為0矩陣，網(wǎng)絡(luò)訓(xùn)練時的最大步長為100000，網(wǎng)絡(luò)性能目標(biāo)（SSE）設(shè)為10-6，學(xué)習(xí)速率為0.01，動量常數(shù)為0.9，每次梯度動量下降步長 為1.2。依據(jù)以上參數(shù)，將26個集成項目的前20組數(shù)據(jù)作為訓(xùn)練子集，后6組數(shù)據(jù)作為檢驗子集，應(yīng)用改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)對標(biāo)準(zhǔn)化后的數(shù)據(jù)進(jìn)行訓(xùn)練學(xué)習(xí)，得到最好的梯度下降圖，如圖1所示，該網(wǎng)絡(luò)經(jīng)過596次訓(xùn)練達(dá)到精度要求，說明在收斂方面有很好的效果。

為了檢驗建立的三層BP網(wǎng)絡(luò)和傳統(tǒng)的BP網(wǎng)絡(luò)對建設(shè)項目集成管理績效評價的準(zhǔn)確性，利用檢驗子集對改進(jìn)的BP網(wǎng)絡(luò)和傳統(tǒng)的BP網(wǎng)絡(luò)分別進(jìn)行仿真實驗。輸出結(jié)果如表3所示。

改進(jìn)的BP網(wǎng)絡(luò)在收斂程度上，由于梯度動量下降步長的存在，收斂圖明顯有下降的趨勢，而且每次下降呈增加的趨勢；同時，梯度下降步長 克服了傳統(tǒng)BP網(wǎng)絡(luò)容易形成局部最優(yōu)而達(dá)不到全局最優(yōu)的弊端。在檢驗方面，由改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)得出的訓(xùn)練結(jié)果明顯好于傳統(tǒng)BP網(wǎng)絡(luò)所得出的訓(xùn)練結(jié)果，并且誤差明顯小于傳統(tǒng)BP網(wǎng)絡(luò)的誤差。由此可知，基于改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)對建設(shè)項目集成管理的績效評價是可行的、準(zhǔn)確的和有效的。

5.結(jié)論

本文首先將集成管理思想融入到建設(shè)項目的績效評價中，建立了建設(shè)項目集成管理績效評價指標(biāo)體系，然后針對BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行改進(jìn)，并在對實際建設(shè)項目進(jìn)行調(diào)查的基礎(chǔ)上，應(yīng)用信息熵對建設(shè)項目集成管理績效評價指標(biāo)體系進(jìn)行約簡，得出更符合企業(yè)實際的建設(shè)項目集成管理績效評價指標(biāo)體系，最后運(yùn)用改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)模型對建設(shè)項目集成管理績效進(jìn)行綜合評價，驗證了該方法的有效性和科學(xué)性，為建設(shè)項目集成管理績效評價的研究提供一種新的可操作性方法。

參考文獻(xiàn)

[1] 戚安邦.建設(shè)項目全面造價管理[M].南開大學(xué)出版社，2000

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

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

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

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

[6] 劉洪海.建設(shè)項目目標(biāo)控制系統(tǒng)集成管理研究[D].武漢.武漢理工大學(xué)，2006

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

[8] 強(qiáng)茂山、楊亮、鄧煥彬.高速公路建設(shè)項目集成化管理評價體系[J].清華大學(xué)學(xué)報（自然科學(xué)版），2010，50（9 ）：1369-1373

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

[10] 韓力群.人工神經(jīng)網(wǎng)絡(luò)理論、設(shè)計及應(yīng)用[M].北京.化學(xué)工業(yè)出版社，2002.6

第3篇：神經(jīng)網(wǎng)絡(luò)的思想范文

[關(guān)鍵詞]BP神經(jīng)網(wǎng)絡(luò) 水資源系統(tǒng) 評價指標(biāo)

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

1、神經(jīng)網(wǎng)絡(luò)和BP學(xué)習(xí)算法

人工神經(jīng)網(wǎng)絡(luò)是模擬人腦的一些基本特性，因其具有大規(guī)模并行處理、分布式儲存、自適應(yīng)性、自組織性及很強(qiáng)的學(xué)習(xí)、聯(lián)想、容錯及抗干擾能力等優(yōu)點(diǎn)而被廣泛應(yīng)用。人工神經(jīng)網(wǎng)絡(luò)有眾多的模型，在眾多的神經(jīng)網(wǎng)絡(luò)模型中，原理最簡單，應(yīng)用最廣泛的是基于誤差反向傳播算法的BP神經(jīng)網(wǎng)絡(luò)模型。

BP神經(jīng)網(wǎng)絡(luò)由一個輸入層、一個輸出層和一個或多個隱含層組成。每一層都包含若干個神經(jīng)元，神經(jīng)元是一個多輸入單輸出的信息處理單元，且它對信息的處理是非線性的。神經(jīng)元之間通過權(quán)重連接，但同層的神經(jīng)元之間沒有聯(lián)系。BP神經(jīng)網(wǎng)絡(luò)的主要思想是根據(jù)樣本的希望輸出與實際輸出的平方誤差E，利用梯度下降法，求使E達(dá)到最小的網(wǎng)絡(luò)權(quán)系數(shù)。

2、水質(zhì)評價的BP神經(jīng)網(wǎng)絡(luò)模型

現(xiàn)用BP網(wǎng)絡(luò)方法模擬某個樣本水質(zhì)評價因子和水質(zhì)級別間的非線性關(guān)系，對該樣本水質(zhì)量進(jìn)行評價，為水資源的合理保護(hù)與利用提供依據(jù)。

2.1 基本思想

水質(zhì)評價是一個非線性較為復(fù)雜的問題，基于BP神經(jīng)網(wǎng)絡(luò)的水質(zhì)評價模型的訓(xùn)練樣本即為水質(zhì)分級標(biāo)準(zhǔn)。網(wǎng)絡(luò)訓(xùn)練完成后，網(wǎng)絡(luò)將保存對分級標(biāo)準(zhǔn)學(xué)習(xí)的知識和有關(guān)信息，即各層間的連接權(quán)與各個神經(jīng)元的閾值得以保存，然后從輸入層輸入待評資料，得到有關(guān)評價結(jié)論的信息，從而根據(jù)一定規(guī)則作出有關(guān)的評價結(jié)論的判斷。

設(shè)待評的水質(zhì)監(jiān)測樣本M個，每個樣本選擇具有典型代表的N項污染指標(biāo)監(jiān)測值，按照國家行業(yè)規(guī)范規(guī)定，相應(yīng)于N項污染指標(biāo)下的水質(zhì)標(biāo)準(zhǔn)濃度可將水質(zhì)劃分為C個等級。因此，水質(zhì)評價的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的輸入層和輸出層的神經(jīng)元數(shù)分別為N和C，即輸入層的每一個神經(jīng)元代表1種水質(zhì)評價的污染指標(biāo)，輸出層的每一個神經(jīng)元代表一個水質(zhì)評價等級。

2.2 BP神經(jīng)網(wǎng)絡(luò)用于于橋水庫的水質(zhì)評價

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

應(yīng)用人工神經(jīng)網(wǎng)絡(luò)中的BP網(wǎng)絡(luò)算法進(jìn)行評價，參照《中國地面水環(huán)境質(zhì)量標(biāo)準(zhǔn)》（GB3838-88），并考慮各等級間的區(qū)分度，取標(biāo)準(zhǔn)如表2所列。

用上表數(shù)據(jù)作為學(xué)習(xí)樣本模式，建立水質(zhì)富營養(yǎng)化的BP模型。

經(jīng)過多次嘗試，最終選定BP網(wǎng)絡(luò)結(jié)構(gòu)如圖所示，該BP網(wǎng)絡(luò)具有3層，1個輸入層，1個隱含層和一個輸出層。輸入層有5個神經(jīng)元（對應(yīng)PH值、總氮、BOD、總磷和CODMn5個輸入），隱含層有4個神經(jīng)元，輸出層有1個神經(jīng)元。

用表2給定的標(biāo)準(zhǔn)樣本對本文所用的5-4-1結(jié)構(gòu)的BP網(wǎng)絡(luò)進(jìn)行訓(xùn)練。當(dāng)完成93566次訓(xùn)練之后，全局誤差E=0.0001，小于預(yù)先給定的允許誤差（E

由此可以認(rèn)為該網(wǎng)絡(luò)已從所選標(biāo)準(zhǔn)的樣本模式中學(xué)到了評價水庫富營養(yǎng)化的知識，可以用水庫的富營養(yǎng)化的評價。因此用它對于橋水庫2012年5-10月、2013年5-10月水質(zhì)監(jiān)測值進(jìn)行評價，評價結(jié)果見表4

第4篇：神經(jīng)網(wǎng)絡(luò)的思想范文

【關(guān)鍵詞】地下水位;BP神經(jīng)網(wǎng)絡(luò);RBF神經(jīng)網(wǎng)絡(luò);MATLAB

1.引言

隨著我國國民經(jīng)濟(jì)的快速發(fā)展，對地下水資源的開發(fā)利用日益增加。通過對地下水位動態(tài)變化規(guī)律的預(yù)測研究，以此來制定科學(xué)的開發(fā)利用策略，具有重要的現(xiàn)實意義[1]。地下水位受許多因素的影響，由于問題的高度復(fù)雜性地下水位預(yù)測還有許多問題未解決。近幾年，許多學(xué)者將神經(jīng)網(wǎng)絡(luò)用于地下水位的預(yù)測并且取得了不少有價值的成果。

2.BP神經(jīng)網(wǎng)絡(luò)

BP算法的基本原理是利用輸出后的誤差來估計輸出層的直接前導(dǎo)層的誤差，再利用這個誤差估計更前一層的誤差，如此一層一層的反傳下去，就獲得了所有其他各層的誤差估計[5]。BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖，如圖1所示。

BP網(wǎng)絡(luò)學(xué)習(xí)的過程是神經(jīng)網(wǎng)絡(luò)在外界輸入樣本的刺激下不斷改變網(wǎng)絡(luò)的連接權(quán)值，以使網(wǎng)絡(luò)的輸出不斷地接近期望輸出。BP網(wǎng)絡(luò)的學(xué)習(xí)本質(zhì)是對各連接權(quán)值的動態(tài)調(diào)整，其學(xué)習(xí)規(guī)則是權(quán)值調(diào)整規(guī)則，即在學(xué)習(xí)過程中網(wǎng)絡(luò)中各神經(jīng)元的連接權(quán)變化所依據(jù)的一定的調(diào)整規(guī)則。

3.RBF神經(jīng)網(wǎng)絡(luò)

RBF網(wǎng)絡(luò)的基本思想是用RBF作為隱單元的“基”構(gòu)成隱含層空間，將輸入矢量直接（即不需要通過權(quán)連接）映射到隱空間;當(dāng)RBF的中心點(diǎn)確定后，映射關(guān)系也就確定;隱含層空間到輸出空間的映射是線性的[7]。RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖，如圖2所示。

4.數(shù)據(jù)樣本的采集及預(yù)處理

利用神經(jīng)網(wǎng)絡(luò)進(jìn)行地下水位預(yù)測，首先應(yīng)該提取有關(guān)地下水位預(yù)測重要指標(biāo)，確定網(wǎng)絡(luò)結(jié)構(gòu)。樣本數(shù)目的確定沒有通用的方法，樣本過少可能使得網(wǎng)絡(luò)的表達(dá)不夠充分，從而導(dǎo)致網(wǎng)絡(luò)外推的能力不夠;而樣本過多可能會出現(xiàn)樣本冗余現(xiàn)象，既增加了網(wǎng)絡(luò)的訓(xùn)練負(fù)擔(dān)，也有可能出現(xiàn)信息量過剩。獲得輸入變量將指標(biāo)數(shù)據(jù)處理為區(qū)間[0 1]之間的數(shù)據(jù)[4]。公式如下：

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

5.神經(jīng)網(wǎng)絡(luò)的訓(xùn)練與測試

5.1 BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練與測試

根據(jù)BP算法設(shè)計的網(wǎng)絡(luò)，一般的預(yù)測問題都可以通過單隱層的BP網(wǎng)絡(luò)實現(xiàn)。由于輸入向量元素個數(shù)為5，所以網(wǎng)絡(luò)的輸入層的神經(jīng)元有5個，根據(jù)Kolmogorov定理，可知中間層神經(jīng)元數(shù)=2×輸入層的神經(jīng)元個數(shù)+1=11。輸出向量為1個，所以輸出層神經(jīng)元應(yīng)該有1個。網(wǎng)絡(luò)中間層神經(jīng)元采用S型正切函數(shù)tansig，輸出層神經(jīng)元傳遞函數(shù)采用S型對數(shù)函數(shù)logsig。網(wǎng)絡(luò)的訓(xùn)練函數(shù)為trainlm，它采用Levenberg-Marquardt算法進(jìn)行網(wǎng)絡(luò)學(xué)習(xí)。其代碼如下：

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

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

經(jīng)過500次訓(xùn)練后，對網(wǎng)絡(luò)進(jìn)行仿真并計算網(wǎng)絡(luò)誤差。

y=sim（net，P）;

y_bp=y-T_test;

5.2 RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練與測試

RBF神經(jīng)元的輸入層神經(jīng)元個數(shù)取決于地下水位影響因子的個數(shù)，由表1可知，其個數(shù)為5。由于輸出是地下水位值，所以輸出層神經(jīng)元個數(shù)是1。SPREAD為徑向基函數(shù)的分布密度，分布密度越大，函數(shù)越平滑，并且分布密度值得大小影響網(wǎng)絡(luò)的預(yù)測精度。設(shè)定SPREAD=1.5，2，3，4，5其代碼如下：

for i=1：4

net=newrbe（P，T，i+1）;

y（i，：）=sim（net，P_test）;

error（i）=y（i，：）-T_test;

end

圖3 BP神經(jīng)網(wǎng)絡(luò)與RBF神經(jīng)網(wǎng)絡(luò)預(yù)測誤差圖

6.網(wǎng)絡(luò)結(jié)果的比較

以上程序在MATLAB中運(yùn)行后得出。BP神經(jīng)網(wǎng)絡(luò)與RBF神經(jīng)網(wǎng)絡(luò)對地下水位預(yù)測的誤差比較如圖3所示，其中“* BP”為BP神經(jīng)網(wǎng)路預(yù)測的誤差，其余為RBF的分布密度分別為1.5，2，3，4，5時的預(yù)測誤差。

由圖3可以清晰的看出，對于RBF神經(jīng)網(wǎng)的地下水位預(yù)測，當(dāng)SPREAD=2或3時網(wǎng)絡(luò)的預(yù)測誤差最小。綜合對比后發(fā)現(xiàn)，對于預(yù)報精度來說RBF網(wǎng)絡(luò)明顯高于BP網(wǎng)絡(luò)。

7.結(jié)語

BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)對地下水位的預(yù)測效果都較好，但是BP網(wǎng)絡(luò)的訓(xùn)練時間明顯大于RBF網(wǎng)絡(luò)，其訓(xùn)練速度比較慢并且精度不如RBF網(wǎng)絡(luò)。綜上所述，RBF神經(jīng)網(wǎng)絡(luò)可以被廣泛的用于地下水位的預(yù)測系統(tǒng)中。

參考文獻(xiàn)

[1]蘇國韶，張研，張小飛.高斯過程機(jī)器學(xué)習(xí)方法在地下水位預(yù)測中的應(yīng)用[J].中國農(nóng)村水利水電，2008（12）：48-50.

[2]楊婷，魏曉妹，胡國杰.灰色BP神經(jīng)網(wǎng)絡(luò)模型在民勤盆地地下水埋深動態(tài)預(yù)測中的應(yīng)用[J].干旱地區(qū)農(nóng)業(yè)研究，2011，29（2）：204-208.

[3]張斌，劉俊民.基于BP神經(jīng)網(wǎng)絡(luò)的地下水動態(tài)預(yù)測[J].水土保持研究，2012，19（5）：235-237.

第5篇：神經(jīng)網(wǎng)絡(luò)的思想范文

關(guān)鍵詞：煤礦 漸進(jìn)神經(jīng)網(wǎng)絡(luò) 煤與瓦斯突出

1 概述

對于煤礦各煤層的煤與瓦斯突出危險性的區(qū)域預(yù)測，一般是先確定突出危險性參數(shù)，建立一個初步的預(yù)測模型，然后根據(jù)該礦區(qū)已經(jīng)發(fā)生的煤與瓦斯突出事故的情況來不斷驗證，直到得到合理的區(qū)域預(yù)測模型，這樣整個區(qū)域預(yù)測模型的建立需要做大量調(diào)試，耗費(fèi)很長的時間。

本文嘗試?yán)脻u進(jìn)神經(jīng)網(wǎng)絡(luò)的特點(diǎn)，建立利用結(jié)果反求礦井的煤與瓦斯突出危險性區(qū)域預(yù)測模型，使得建立的模型能更加適合不同礦井發(fā)生煤與瓦斯突出的實際情況。此外，還能大大減少模型調(diào)試所消耗的大量時間[3]。

2 關(guān)于建立煤與瓦斯突出區(qū)域預(yù)測模型的分析

目前為止，國內(nèi)外對影響煤與瓦斯突出參數(shù)的問題進(jìn)行了很多研究，而隨著力學(xué)、動力學(xué)理論等學(xué)科的發(fā)展，分析礦井煤與瓦斯突出是如何發(fā)生的方法也越來越多。在眾多的突出理論中，能讓從事該行業(yè)的絕大多數(shù)人認(rèn)同和接受的就是綜合假說。

綜合假說的主要理論是：煤與瓦斯突出是礦井中一種極其復(fù)雜的動力現(xiàn)象，它包括三個因素：地應(yīng)力、高壓瓦斯和煤的結(jié)構(gòu)性能，它的發(fā)生是三個主要因素綜合作用的結(jié)果。

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

3 基于漸進(jìn)神經(jīng)網(wǎng)絡(luò)的煤與瓦斯突出危險區(qū)域預(yù)測模型的建立

神經(jīng)網(wǎng)絡(luò)是由大量的神經(jīng)元相連接的網(wǎng)絡(luò)，針對影響煤與瓦斯突出的地應(yīng)力、瓦斯壓力、煤體結(jié)構(gòu)的復(fù)雜關(guān)系，通過對漸進(jìn)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練、控制和識辯可以反求到影響不同礦井對煤與瓦斯突出影響的參數(shù)及其權(quán)重值[2]。

基于地應(yīng)力、瓦斯壓力、煤體結(jié)構(gòu)參數(shù)反求流程如圖1所示。假設(shè)模型的各項參數(shù)為某一組數(shù)值，可以仿真得到相應(yīng)的突出參數(shù)的神經(jīng)網(wǎng)絡(luò)的初始訓(xùn)練樣本，將各種參數(shù)值Xm輸入神經(jīng)網(wǎng)絡(luò)，即可反求得到對于的參數(shù)Yi，并將其作為煤與瓦斯突出的影響參數(shù)，可以得到影響參數(shù)的計算值Xn。如果計算值Xm和測量值Xn偏差超過許可誤差，必須重新選取樣本，對神經(jīng)網(wǎng)絡(luò)在訓(xùn)練，直到計算值Xm和測量值Xn的偏差在許可范圍內(nèi)，即為反求得到的煤與瓦斯突出影響參數(shù)Yj。

神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)，需要根據(jù)具體求解問題的復(fù)雜程度決定[3]。圖2為煤與瓦斯突出影響參數(shù)反求的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，神經(jīng)網(wǎng)絡(luò)由可能代表影響煤與瓦斯突出因素的N個輸入單元組成輸入層，網(wǎng)絡(luò)的輸出層由實際代表影響煤與瓦斯突出的M個單元組成，網(wǎng)絡(luò)還包含一個隱含層。通過神經(jīng)網(wǎng)絡(luò)可以建立影響煤與瓦斯突出因素的非線性關(guān)系：

神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，就是根據(jù)訓(xùn)練樣本來計算權(quán)值矩陣W，根據(jù)求出影響參數(shù)及權(quán)值矩陣計算煤層的突出危險性程度。神經(jīng)網(wǎng)絡(luò)訓(xùn)練以后，不管實際問題怎么復(fù)雜，神經(jīng)網(wǎng)絡(luò)都可以快速的計算輸出變量，因此，神經(jīng)網(wǎng)絡(luò)是適合用于煤與瓦斯突出危險性區(qū)域預(yù)測模型的建立的。

4 結(jié)論

本文應(yīng)用反求的思想，從滿足預(yù)測的觀點(diǎn)出發(fā)，通過建立漸進(jìn)神經(jīng)網(wǎng)絡(luò)的方法來反求滿足不同礦區(qū)實際情況的突出危險性區(qū)域預(yù)測模型，從而反求出影響不同煤礦的煤與瓦斯突出危險性的影響參數(shù)，從而避免了建立煤與瓦斯突出危險性區(qū)域預(yù)測模型過程中繁雜的調(diào)試過程，縮短了該模型建立過程，并使得區(qū)域預(yù)測模型具有較好的針對性及預(yù)測效果。

參考文獻(xiàn)：

[1]候媛彬，杜京義，汪梅.神經(jīng)網(wǎng)絡(luò)[M].西安電子科技大學(xué)出版社.

[2]張青貴.人工神經(jīng)網(wǎng)絡(luò)導(dǎo)論[M].中國水利水電出版社.

[3]劉海波，施式亮等.人工神經(jīng)網(wǎng)絡(luò)對礦山安全狀態(tài)的評判能力分析[J].安全與環(huán)境學(xué)報，2004（5）：69～72.

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

第6篇：神經(jīng)網(wǎng)絡(luò)的思想范文

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

2BP神經(jīng)網(wǎng)絡(luò)簡介

2．1BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)由輸入層、隱含層和輸出層組成，其中隱含層可以有多層．在工程預(yù)測中，經(jīng)常使用的是3層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)（圖2）．這種神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的特點(diǎn)是：每一層內(nèi)的神經(jīng)元之間無任何連接，相鄰層神經(jīng)元之間具有單向連接，隱含層的激勵函數(shù)采用非線性的S型函數(shù)，輸出層的激勵函數(shù)為線性函數(shù)．

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

3神經(jīng)網(wǎng)絡(luò)模型構(gòu)建及檢驗

為了精確預(yù)測煤層氣井產(chǎn)能、優(yōu)化排采制度，本文基于時間序列預(yù)測思想構(gòu)建了BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型，整個設(shè)計過程由MATLAB7．11軟件編程實現(xiàn)．

3．1神經(jīng)網(wǎng)絡(luò)基本參數(shù)確定在實際生產(chǎn)中，煤層氣井產(chǎn)氣量主要受控于產(chǎn)水量和井底流壓，而且這兩個參數(shù)數(shù)據(jù)資料豐富，易于收集．因此，以每天產(chǎn)水量和井底流壓為基礎(chǔ)向量，基于時間序列預(yù)測思想構(gòu)建了14個網(wǎng)絡(luò)輸入向量（表1）．神經(jīng)網(wǎng)絡(luò)預(yù)測模型初步設(shè)定為一個14－X－7的3層BP網(wǎng)絡(luò)．其中輸入層節(jié)點(diǎn)數(shù)為14，對應(yīng)14個輸入向量；X為隱含層節(jié)點(diǎn)數(shù)，由經(jīng)驗公式［12］可得出其取值范圍為6～15；輸出層節(jié)點(diǎn)數(shù)為7，對應(yīng)輸出向量分別為未來7d中每天的產(chǎn)氣量；初始權(quán)值為（－1，1）之間的隨機(jī)數(shù)，初始學(xué)習(xí)率為0．1；隱含層激勵函數(shù)為雙曲正切函數(shù)，輸出層激勵函數(shù)為pureline函數(shù)，訓(xùn)練函數(shù)為trainlm函數(shù)．

3．2神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建選取CM1井2009年2月14日至2009年9月8日連續(xù)207d的排采數(shù)據(jù)為原始樣本數(shù)據(jù)．其中，前200d的排采數(shù)據(jù)為訓(xùn)練樣本，后7d的排采數(shù)據(jù)為檢驗樣本．網(wǎng)絡(luò)訓(xùn)練目標(biāo)誤差設(shè)定為0．0002，最大迭代次數(shù)設(shè)定為500次．將原始數(shù)據(jù)歸一化后輸入到網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，隱含層最佳節(jié)點(diǎn)數(shù)采用試湊法確定為13（表2）．因此，BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的最佳網(wǎng)絡(luò)結(jié)構(gòu)為14－13－7（圖4）．

3．3網(wǎng)絡(luò)模型訓(xùn)練及檢驗再次輸入訓(xùn)練樣本對確定的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行訓(xùn)練，當(dāng)網(wǎng)絡(luò)達(dá)到目標(biāo)誤差或最大迭代次數(shù)時，停止訓(xùn)練．網(wǎng)絡(luò)訓(xùn)練完畢后，將檢驗樣本輸入到網(wǎng)絡(luò)中，進(jìn)行模型性能檢驗。檢驗樣本最大絕對誤差72m3／d，最小絕對誤差17m3／d，相對誤差范圍－1．43％～1．60％，平均相對誤差1．05％，表明網(wǎng)絡(luò)模型預(yù)測性能良好，能夠準(zhǔn)確預(yù)測CM1煤層氣井未來7d的產(chǎn)氣量．

4CM1井排采制度優(yōu)化

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

5結(jié)論

第7篇：神經(jīng)網(wǎng)絡(luò)的思想范文

關(guān)鍵詞：矩陣式紅外熱電堆；RBF神經(jīng)網(wǎng)絡(luò)；慣性權(quán)重因子；粒子群算法

DOI：10.16640/ki.37-1222/t.2017.04.220

1 引言

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

粒子群算法（PSO）是基于群體智能的優(yōu)化算法，通過粒子間的合作與競爭的群體智能理論的優(yōu)化搜索，它可以記憶所有粒子都共享的迄今為止問題的最優(yōu)解[4]。PSO的優(yōu)勢在于簡單且易于實現(xiàn)。但基本PSO的缺點(diǎn)在于其參數(shù)是相對固定的，會導(dǎo)致在優(yōu)化某些函數(shù)時，造成精度差、收斂速度慢等。因此本文針對基本PSO的缺點(diǎn)，提出了結(jié)合慣性權(quán)重模型，將適應(yīng)度擇優(yōu)選取引入基本PSO算法的方法進(jìn)行改進(jìn)。RBF神經(jīng)網(wǎng)絡(luò)首先采用最近鄰聚類算法來確定隱層基函數(shù)的個數(shù)，中心向量即為聚類的的均值。同時將改進(jìn)的粒子群優(yōu)化算法來優(yōu)化最近鄰聚類算法的聚類半徑，從而確定出RBF神經(jīng)網(wǎng)絡(luò)最優(yōu)的隱層基函數(shù)和中心向量，使其不用依靠初始中心的選擇，減少了現(xiàn)有算法中人為因素的影響，從而有效地提高了RBF神經(jīng)網(wǎng)絡(luò)的精度和收斂速度。獨(dú)立訓(xùn)練特定的RBF網(wǎng)絡(luò)并合成其預(yù)測結(jié)果，可以有效得提高神經(jīng)網(wǎng)絡(luò)表達(dá)對象的準(zhǔn)確性[5，6]。將改進(jìn)PSO優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的方法應(yīng)用于人體入侵檢測識別中，通過實測數(shù)據(jù)驗證，準(zhǔn)確率相對基本RBF神經(jīng)網(wǎng)絡(luò)有了顯著的提高。

2 RBF神經(jīng)網(wǎng)絡(luò)設(shè)計

2.1 RBF基本原理

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

（1）假設(shè)已經(jīng)有個聚類中心，分別為：，分別計算與它們之間的距離，。

（2），即到中心的歐式距離最小。

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

（4）重新選取下一個輸入的樣本數(shù)據(jù)，返回1）。

（5）所有的輸入數(shù)據(jù)取完則結(jié)束。

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

3 粒子群優(yōu)化算法

3.1 基本粒子群優(yōu)化算法

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

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

3.2 慣性權(quán)重因子的引入及其改進(jìn)

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

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

4 基于改進(jìn)PSO算法的RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練

前面提到RBF神經(jīng)網(wǎng)絡(luò)基函數(shù)個數(shù)和中心向量難以獲取最優(yōu)的缺點(diǎn)，本文將改進(jìn)PSO算法應(yīng)用到RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練學(xué)習(xí)中，有效地提高了RBF神經(jīng)網(wǎng)絡(luò)的精度和收斂速度，大大地增強(qiáng)了網(wǎng)絡(luò)的泛化能力。粒子群算法的神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程如圖3所示。具體的優(yōu)化步驟如下：

1）首先對樣本進(jìn)行歸一化處理。

2）初始化。由參數(shù)，，組成粒子群，然后隨機(jī)賦上初始值，并根據(jù)這些S機(jī)值來初始化粒子群的位置和速度。

3）計算適應(yīng)度值。根據(jù)得到的RBF神經(jīng)網(wǎng)絡(luò)輸入輸出值，應(yīng)用公式：

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

4）根據(jù)公式（8）更新粒子的位置和速度，得到新的粒子群。

5）判斷優(yōu)化目標(biāo)是否滿足終止條件，若滿足，則結(jié)束算法；否則返回到（3）。

5 實驗驗證及結(jié)果分析

本文在對上述改進(jìn)PSO算法訓(xùn)練的RBF神經(jīng)網(wǎng)絡(luò)算法進(jìn)行尋優(yōu)測試后發(fā)現(xiàn)，改進(jìn)后的RBF神經(jīng)網(wǎng)絡(luò)算法在尋找最優(yōu)值時，收斂速度和精度上都優(yōu)于基本RBF神經(jīng)網(wǎng)絡(luò)算法，且大大提高了網(wǎng)絡(luò)的泛化能力。然后將改進(jìn)后的RBF神經(jīng)網(wǎng)絡(luò)運(yùn)用到實際的人體識別檢測中來進(jìn)行驗證。在實驗中，通過MLX90621紅外陣列傳感器配合電機(jī)采集一個空間在不同情況下的溫度數(shù)據(jù)作為實驗數(shù)據(jù)，每一幀有16X36個溫度數(shù)據(jù)，共測得297組數(shù)據(jù)用于訓(xùn)練。下面附上其中一張實測數(shù)據(jù)結(jié)果驗證圖（見圖4）：

圖中坐標(biāo)軸中顯示的溫度數(shù)據(jù)就是實測的空間溫度數(shù)據(jù)，綠色區(qū)域為熱源干擾物，紅色區(qū)域為目標(biāo)。根據(jù)采集獲得的溫度數(shù)據(jù)將其分為最高溫度、最低溫度、平均溫度三類，在正常情況下，由于人體的正常溫度存在一個絕對范圍，因此結(jié)合這個絕對范圍并將分割處理后的圖像一起作為訓(xùn)練的特征值對改進(jìn)PSO算法訓(xùn)練的RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，實現(xiàn)了對人體目標(biāo)的檢測，然后利用訓(xùn)練好的RBF神經(jīng)網(wǎng)絡(luò)直接對新的溫度數(shù)據(jù)進(jìn)行分類，檢測并判斷每一幀是否有人。

下面分別采集無人無干擾和無人有熱源干擾的兩種情況下的空間溫度數(shù)據(jù)，用這兩組數(shù)據(jù)作為訓(xùn)練樣本對基本RBF神經(jīng)網(wǎng)絡(luò)和改進(jìn)PSO算法訓(xùn)練的RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，訓(xùn)練結(jié)果如表1所示：

從訓(xùn)練結(jié)果來看，改進(jìn)后的RBF神經(jīng)網(wǎng)絡(luò)算法的訓(xùn)練效果有了很大的提高，無論在無人無干擾還是無人有熱源干擾的數(shù)據(jù)中，測得的無人的準(zhǔn)確率都高于基本RBF神經(jīng)網(wǎng)絡(luò)。最后用測得的有人有熱源干擾的空間溫度數(shù)據(jù)用來進(jìn)行結(jié)果驗證，驗證結(jié)果如表2所示：

重新在一個空間中測得99組有人有干擾的溫度數(shù)進(jìn)行結(jié)果驗證，在基本PSO的基礎(chǔ)上引入慣性權(quán)重因子，對基本RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效果有明顯的提升，改進(jìn)PSO算法訓(xùn)練的RBF神經(jīng)網(wǎng)絡(luò)算法測得有人的準(zhǔn)確率明顯高于基本RBF神經(jīng)網(wǎng)絡(luò)。

6 結(jié)論

對人體識別算法進(jìn)行了研究，最終確定使用RBF神經(jīng)網(wǎng)絡(luò)作為研究對象，并使用最近鄰聚類算法來確定RBF神經(jīng)網(wǎng)絡(luò)的中心向量，成功地消除了操作時人為因素的參與。本文通過引入動態(tài)慣性權(quán)重因子對基本PSO算法進(jìn)行改進(jìn)，將改進(jìn)PSO算法訓(xùn)練的RBF神經(jīng)網(wǎng)絡(luò)與基本RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行對比，對比訓(xùn)練的過程及結(jié)果可以得出，改進(jìn)后的RBF神經(jīng)網(wǎng)絡(luò)在訓(xùn)練效果上有了很大的提升，精度、收斂速度以及穩(wěn)定性都優(yōu)于基本RBF神經(jīng)網(wǎng)絡(luò)。最后將改進(jìn)后的RBF神經(jīng)網(wǎng)絡(luò)應(yīng)用到人體入侵檢測識別中，經(jīng)過實測數(shù)據(jù)驗證，雖然改進(jìn)PSO算法訓(xùn)練的RBF神經(jīng)網(wǎng)絡(luò)在排除干擾的問題上提升不是非常明顯，但是識別的準(zhǔn)確率有了很大的提高，說明改進(jìn)后的RBF神經(jīng)網(wǎng)絡(luò)更加適用于低精度且計算量少的人體入侵檢測識別中。

參考文獻(xiàn)：

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

[2]段其昌.一種改進(jìn)PSO優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的新方法[J]計算機(jī)仿真，2009，26（12）：126-129.

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

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

[5]王桂洋，張亞庭.基于APSO優(yōu)化算法的 GCHP 系統(tǒng)神經(jīng)網(wǎng)絡(luò)預(yù)測控制[J].計算機(jī)測量與控制，2014，22（01）：106-108.

[6]譚子平.基于白適應(yīng)權(quán)值神經(jīng)網(wǎng)絡(luò)的 PID 參數(shù)優(yōu)化[J].計算機(jī)光盤軟件與應(yīng)用，2014，17（07）：97-98.

[7]皮倩瑛，葉洪濤.一種動態(tài)調(diào)節(jié)慣性權(quán)重的粒子群算法[J].廣西科技大學(xué)學(xué)報，2016，27（03）：26-31.

[8]胡珀，婁淵勝.改進(jìn)粒子群優(yōu)化算法在服務(wù)組合中的應(yīng)用[J].計算機(jī)工程，2011，37（17）：130-133.

[9]任圓圓，劉培玉，薛素芝.一種新的自適應(yīng)動態(tài)文化粒子群優(yōu)化算法[J]. 計算機(jī)應(yīng)用研究，2013（30）11：3240-3243.

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

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

[12]羅金炎.粒子群優(yōu)化算法慣性權(quán)重的一種動態(tài)調(diào)整策略[J]沈陽化工大大學(xué)學(xué)報，2013（04）：371-375.

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

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

[15]田雨波.混合神經(jīng)網(wǎng)絡(luò)技術(shù)[M].北京：科學(xué)出版社，2009.

第8篇：神經(jīng)網(wǎng)絡(luò)的思想范文

關(guān)鍵詞：電阻點(diǎn)焊；神經(jīng)網(wǎng)絡(luò)；消音鋸片

0序言

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

本文通過深入研究提出了一種神經(jīng)網(wǎng)絡(luò)優(yōu)化消音鋸片電阻點(diǎn)焊工藝參數(shù)方法。以試驗數(shù)據(jù)為樣本，通過神經(jīng)網(wǎng)絡(luò)，建立焊接工藝參數(shù)與焊接性能之間的復(fù)雜模型，充分發(fā)揮神經(jīng)網(wǎng)絡(luò)的非線性映射能力。為準(zhǔn)確預(yù)測點(diǎn)焊質(zhì)量提高依據(jù)。在運(yùn)用試驗手段、神經(jīng)網(wǎng)絡(luò)高度非線性擬合能力結(jié)合的方式，能在很大程度上克服傳統(tǒng)方法的缺陷，完成網(wǎng)絡(luò)的訓(xùn)練、檢驗和最優(yōu)評價，為電阻點(diǎn)焊過程的決策和控制提供可靠依據(jù)。

1原理

人工神經(jīng)網(wǎng)絡(luò)是用物理模型模擬生物神經(jīng)網(wǎng)絡(luò)的基本功能和結(jié)構(gòu)，可以在未知被控對象和業(yè)務(wù)模型情況下達(dá)到學(xué)習(xí)的目的。建立神經(jīng)網(wǎng)絡(luò)是利用神經(jīng)網(wǎng)絡(luò)高度并行的信息處理能力，較強(qiáng)的非線性映射能力及自適應(yīng)學(xué)習(xí)能力，同時為消除復(fù)雜系統(tǒng)的制約因素提供了手段。人工神經(jīng)網(wǎng)絡(luò)在足夠多的樣本數(shù)據(jù)的基礎(chǔ)上，可以很好地比較任意復(fù)雜的非線性函數(shù)。另外，神經(jīng)網(wǎng)絡(luò)的并行結(jié)構(gòu)可用硬件實現(xiàn)的方法進(jìn)行開發(fā)。目前應(yīng)用最成熟最廣泛的一種神經(jīng)網(wǎng)絡(luò)是前饋多層神經(jīng)網(wǎng)絡(luò)（BP），通常稱為BP神經(jīng)網(wǎng)絡(luò)。

神經(jīng)網(wǎng)絡(luò)方法的基本思想是：神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)輸入與神經(jīng)網(wǎng)絡(luò)輸出的數(shù)學(xué)關(guān)系用以表示系統(tǒng)的結(jié)構(gòu)參數(shù)與系統(tǒng)動態(tài)參數(shù)之間的復(fù)雜的物理關(guān)系，即訓(xùn)練。我們發(fā)現(xiàn)利用經(jīng)過訓(xùn)練的模型進(jìn)行權(quán)值和閾值的再修改和優(yōu)化（稱之為學(xué)習(xí)）時，其計算速度要大大快于基于其他優(yōu)化計算的速度。

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

（6）

該網(wǎng)絡(luò)實質(zhì)上是對任意非線性映射關(guān)系的一種逼近，由于采用的是全局逼近的方法，因而BP網(wǎng)絡(luò)具有較好的泛化的能力。

我們主要是利用神經(jīng)網(wǎng)絡(luò)的非線性自適應(yīng)能力，將它用于消音鋸片的電阻點(diǎn)焊過程。訓(xùn)練過程是：通過點(diǎn)焊實驗獲得目標(biāo)函數(shù)與各影響因素間的離散關(guān)系，用神經(jīng)網(wǎng)絡(luò)的隱式來表達(dá)輸入輸出的函數(shù)關(guān)系，即將實驗數(shù)據(jù)作為樣本輸入網(wǎng)絡(luò)進(jìn)行訓(xùn)練，建立輸入輸出之間的非線性映射關(guān)系，并將知識信息儲存在連接權(quán)上，從而利用網(wǎng)絡(luò)的記憶功能形成一個函數(shù)。不斷地迭代可以達(dá)到sse（誤差平方和）最小。

我們這次做的消音金剛石鋸片電焊機(jī)，通過實驗發(fā)現(xiàn)可以通過采用雙隱層BP神經(jīng)網(wǎng)絡(luò)就可以很好的反應(yīng)輸入輸出參數(shù)的非線性關(guān)系。輸入神經(jīng)元為3，分別對應(yīng)3個電阻點(diǎn)焊工藝參數(shù)。輸出神經(jīng)元為1，對應(yīng)焊接質(zhì)量指標(biāo)參數(shù)。設(shè)第1隱含層神經(jīng)元取為s1，第2隱含層神經(jīng)元取為s2。輸入層和隱含層以及隱層之間的激活函數(shù)都選取Log-Sigmoid型函數(shù)，輸出層的激活函數(shù)選取Pureline型函數(shù)。

2點(diǎn)焊樣本的選取

影響點(diǎn)焊質(zhì)量的參數(shù)有很多，我們選取點(diǎn)焊時的控制參數(shù)，即點(diǎn)焊時間，電極力和焊接電流，在固定式點(diǎn)焊機(jī)上進(jìn)行實驗。選用鋼種為50Mn2V，Φ600m的消音型薄型圓鋸片基體為進(jìn)行實驗。對需要優(yōu)化的參數(shù)為點(diǎn)焊時間，電極力和焊接電流3個參數(shù)進(jìn)行的訓(xùn)練。最后的結(jié)果為焊接質(zhì)量，通常以鋸片的抗拉剪載荷為指標(biāo)。

建立BP神經(jīng)網(wǎng)絡(luò)時，選擇樣本非常重要。樣本的選取關(guān)系到所建立的網(wǎng)絡(luò)模型能否正確反映所選點(diǎn)焊參數(shù)和輸出之間的關(guān)系。利用插值法，將輸入變量在較理想的區(qū)間均勻分布取值，如果有m個輸入量，每個輸入量均勻取n個值（即每個輸入量有m個水平數(shù)）， 則根據(jù)排列組合有nm個樣本。對應(yīng)于本例，有3個輸入量，每個變量有5個水平數(shù)，這樣訓(xùn)練樣本的數(shù)目就為53=125個。

我們的實驗，是以工人的經(jīng)驗為參考依據(jù)，發(fā)現(xiàn)點(diǎn)焊時間范圍為2~8s，電極力范圍為500~3000N，點(diǎn)焊電流范圍為5~20kA時，焊接質(zhì)量比較好。我們先取點(diǎn)焊電流，電極力為定量，在合理的范圍內(nèi)不斷改變點(diǎn)焊時間，得到抗拉剪載荷。如此，可以得到不同點(diǎn)焊電流和電極力的抗拉剪載荷。根據(jù)點(diǎn)焊數(shù)據(jù)的情況，我們共選用200組數(shù)據(jù)。部分測試數(shù)據(jù)如表1：

神經(jīng)網(wǎng)絡(luò)建模的關(guān)鍵是訓(xùn)練，而訓(xùn)練時隨著輸入?yún)?shù)個數(shù)的增加樣本的排列組合數(shù)也急劇增加，這就給神經(jīng)網(wǎng)絡(luò)建模帶來了很大的工作量，甚至于無法達(dá)到訓(xùn)練目的。

3神經(jīng)網(wǎng)絡(luò)

我們用200組訓(xùn)練樣本對進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練，以err_goal=0.01為目標(biāo)。調(diào)用Matlab神經(jīng)網(wǎng)絡(luò)工具箱中的函數(shù)編程計算，實現(xiàn)對網(wǎng)絡(luò)的訓(xùn)練，訓(xùn)練完成后便得到一個網(wǎng)絡(luò)模型。

程序

x1=[2.1 2.5 3 3.5 4……]； %點(diǎn)焊時間輸入，取200組

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

x3=[9 10 11 12 13……];%點(diǎn)焊電流輸入，取200組

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

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

%初始化網(wǎng)絡(luò) 轉(zhuǎn)貼于

net.trainParam.goal = 0.01;%設(shè)定目標(biāo)值

net=train(net，[x1;x2;x3]，y);%訓(xùn)練網(wǎng)絡(luò)

figure； %畫出圖像

選取不同的s1，s2，經(jīng)過不斷的神經(jīng)網(wǎng)絡(luò)訓(xùn)練，發(fā)現(xiàn)當(dāng)s1=8，s2=6時，神經(jīng)網(wǎng)絡(luò)可以達(dá)到要求。工具箱示意圖如下圖1。

圖 1工具箱示意圖

工具箱示意圖非常清晰地表示了本實驗的神經(jīng)網(wǎng)絡(luò)的輸入，輸出以及訓(xùn)練的過程。

神經(jīng)網(wǎng)絡(luò)的訓(xùn)練結(jié)果，如圖2所示:

圖2神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程

圖中可以看出雙層網(wǎng)絡(luò)訓(xùn)練的sse在訓(xùn)練100次時，已經(jīng)接近0.0001，效果較理想。

為了驗證經(jīng)過訓(xùn)練的網(wǎng)絡(luò)模型的泛化能力，在輸入變量所允許的區(qū)域內(nèi)又另選多個樣本進(jìn)行了計算。發(fā)現(xiàn)：利用BP神經(jīng)網(wǎng)絡(luò)模型計算的測試輸出與期望輸出值相符，誤差小于2％。

在已經(jīng)訓(xùn)練好的網(wǎng)絡(luò)中找出最大值：

for i=2:10 %點(diǎn)焊時間選擇

for j=0.5:0.1:3%電極力選擇

fork=5:0.1:20%點(diǎn)焊電流選擇

a=sim(net，[i，j，k])；%仿真

ifan %比較仿真結(jié)果與最大值，取最大值n=a；

i(1)=i；%最大值的時間

j(1)=j；%最大值的電極力

k(1)=k； %最大值的電流

end

end

end

end

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

4結(jié)論

1）本文采用了插值法作為選取BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本的方法。并且在數(shù)據(jù)變化劇烈的地方多選取了75組數(shù)據(jù)，這樣可以得到較高精度的網(wǎng)絡(luò)模型，使點(diǎn)焊模型的可行性。

2）基于此方法建立了三個點(diǎn)焊參數(shù)的BP神經(jīng)網(wǎng)絡(luò)模型，而且所建的BP模型具有較高的精度，可以很好的描述了這三個點(diǎn)焊參數(shù)與點(diǎn)焊質(zhì)量的映射關(guān)系。

3）由于神經(jīng)網(wǎng)絡(luò)模型將系統(tǒng)結(jié)構(gòu)參數(shù)與傳統(tǒng)動態(tài)特性參數(shù)之間的物理關(guān)系，反映為神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)輸入與網(wǎng)絡(luò)輸出的數(shù)學(xué)關(guān)系，因此，在神經(jīng)網(wǎng)絡(luò)模型上進(jìn)行結(jié)構(gòu)修正與優(yōu)化比在其他模型上更直接，簡單與高效。

本文采用神經(jīng)網(wǎng)絡(luò)的方法優(yōu)化復(fù)合消音鋸片的點(diǎn)焊工藝參數(shù)，為分析點(diǎn)焊質(zhì)量提供了很好的輔助手段。通過與以前工藝相比較，提高了點(diǎn)焊質(zhì)量。

參考文獻(xiàn)

[1] 方平，熊麗云.點(diǎn)焊電流有效值神經(jīng)網(wǎng)絡(luò)實時計算方法研究.[J].機(jī)械工程學(xué)報，2004（11）.148-152.

第9篇：神經(jīng)網(wǎng)絡(luò)的思想范文

 

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

 

一、信息安全的概念

 

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

 

二、基本BP神經(jīng)網(wǎng)絡(luò)算法

 

BP神經(jīng)網(wǎng)絡(luò)算法是一種采用誤差反向傳播的多層前饋感知器。其特點(diǎn)是具有分布式的信息存儲方式，能進(jìn)行大規(guī)模并行處理，并具有較強(qiáng)的自學(xué)習(xí)及自適應(yīng)能力。BP網(wǎng)絡(luò)由輸入層(感知單元)、計算層(隱藏層)、輸出層三部分組成。輸入層神經(jīng)元首先將輸入信息向前傳遞至隱含層節(jié)點(diǎn)，經(jīng)過激活函數(shù)預(yù)處理后，隱層節(jié)點(diǎn)再將輸出信息傳送至輸出層得到結(jié)果輸出。輸入層與輸出層節(jié)點(diǎn)的個數(shù)取決于輸入、輸出向量的維數(shù)，隱含層節(jié)點(diǎn)個數(shù)目前并沒有統(tǒng)一的標(biāo)準(zhǔn)進(jìn)行參考，需通過反復(fù)試錯來確定。根據(jù)Kolmogorov定理，具有一個隱層的三層BP神經(jīng)網(wǎng)絡(luò)能在閉集上以任意精度逼近任意非線性連續(xù)函數(shù)，所以本文選擇單隱層的BP神經(jīng)網(wǎng)絡(luò)。

 

三、人工魚群算法

 

3.1基本原理

 

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

 

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

 

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

 

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

 

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

 

3.2 魚群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的原理

 

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

 

現(xiàn)全局尋優(yōu)。人工魚在不斷感知周圍環(huán)境狀況及

 

同伴狀態(tài)后，集結(jié)在幾個局部最優(yōu)點(diǎn)處，而值較大的最優(yōu)點(diǎn)附近一般會匯集較多的人工魚，這有

 

助于判斷并實現(xiàn)全局最優(yōu)值的獲取。因此用人工魚群算法來優(yōu)化BP神經(jīng)網(wǎng)絡(luò)是一種合理的嘗試。

 

3.3 具體工作步驟

 

人工魚群算法用于優(yōu)化神經(jīng)網(wǎng)絡(luò)時的具體步驟如下：

 

①設(shè)定BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，確定隱層節(jié)點(diǎn)數(shù)目;

 

②設(shè)定人工魚參數(shù)，主要包括個體間距離、有效視線范圍以及移動步長等;

 

③人工魚進(jìn)行覓食、群聚及尾隨行為來優(yōu)化BP神經(jīng)網(wǎng)絡(luò);

 

④通過設(shè)定的狀態(tài)參量，判斷是否達(dá)到目標(biāo)精度;

 

⑤若達(dá)到精度要求則輸出網(wǎng)絡(luò)優(yōu)化權(quán)值，并執(zhí)行網(wǎng)絡(luò)循環(huán)，否則繼續(xù)改化參數(shù)進(jìn)行優(yōu)化;

 

⑥輸出最終優(yōu)化參數(shù)并進(jìn)行計算機(jī)網(wǎng)絡(luò)安全評價。

 

四、仿真實驗

 

將信息安全風(fēng)險評估常用的3項評價指標(biāo)的分值作為BP神經(jīng)網(wǎng)絡(luò)的輸入，網(wǎng)絡(luò)的期望輸出只有一項，即安全綜合評價分值。目前用于信息安全風(fēng)險評價的數(shù)據(jù)還很少，本文采用文獻(xiàn)[3]所列的15組典型信息安全單項指標(biāo)評價數(shù)據(jù)，其中1-10項作為訓(xùn)練，11-15項用于仿真。通過實際實驗分析，本文將權(quán)值調(diào)整參數(shù)α=0.1，閾值調(diào)整參數(shù)β=0.1，隱層神經(jīng)元數(shù)目為6，學(xué)習(xí)精度ε=0.0001。網(wǎng)絡(luò)經(jīng)過2000次訓(xùn)練，收斂于所要求的誤差，人工魚群算法的相關(guān)參數(shù)： 種群大小為39;可視域為0.8;最大移動步長為0.6;擁擠度因子為3.782。然后對檢驗樣本及專家評價樣本進(jìn)行仿真，結(jié)果如表1所示?？梢钥闯觯~群神經(jīng)網(wǎng)絡(luò)得到的仿真結(jié)果與期望值之間的平均誤差為0.001，而標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)為0.0052，所以魚群神經(jīng)網(wǎng)絡(luò)的得到的仿真精度較高，取得了理想的實驗結(jié)果。

 

五、結(jié)論

 

本文將魚群算法和神經(jīng)網(wǎng)絡(luò)結(jié)合起來對信息安全評價進(jìn)行了研究，得到了如下幾個結(jié)論：

 

(1) 基于魚群算法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)具有收斂速度快、擬合精度高等優(yōu)點(diǎn)，克服了標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)收斂速度慢、容易陷入局部極小值的缺點(diǎn)。同時，優(yōu)化算法編碼過程簡單，并具有較強(qiáng)的魯棒性。

 

(2) 本文采用的實驗數(shù)據(jù)僅有15個，基于魚群算法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)精度有明顯提高，避免了由于樣本數(shù)量少造成的擬合精度低等缺點(diǎn)。

 

(3) 通過將標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)算法與魚群神經(jīng)網(wǎng)絡(luò)算法進(jìn)行對比發(fā)現(xiàn)，后者的收斂速度明顯加快并且自組織能力也有一定提高，在實際的工程建設(shè)中可以將其代替?zhèn)鹘y(tǒng)的BP神經(jīng)網(wǎng)絡(luò)算法來進(jìn)行信息安全的風(fēng)險評估。