人工神經(jīng)網(wǎng)絡(luò)的意義精選(九篇)

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

第1篇：人工神經(jīng)網(wǎng)絡(luò)的意義范文

【摘要】 人工神經(jīng)網(wǎng)絡(luò)由于其具有高度的自適應(yīng)性、非線性、善于處理復(fù)雜關(guān)系的特點，在許多研究領(lǐng)域得到了廣泛應(yīng)用，并取得了令人矚目的成就。對其目前在醫(yī)學(xué)研究領(lǐng)域中的應(yīng)用做一簡單綜述。

【關(guān)鍵詞】 人工神經(jīng)網(wǎng)絡(luò)； 應(yīng)用

人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network，ANN)方法自從本世紀40年代被提出以來，許多從事人工智能、計算機科學(xué)、信息科學(xué)的科學(xué)家都在對它進行研究，已在軍事、醫(yī)療、航天、自動控制、金融等許多領(lǐng)域取得了成功的應(yīng)用。目前出現(xiàn)了許多模仿動物和人的智能形式與功能的某個方面的神經(jīng)網(wǎng)絡(luò)，例如，Grossberg提出的自適應(yīng)共振理論（Adaptive Resonance Theory，ART），T-Kohenen的自組織特征映射網(wǎng)絡(luò)(Self-Organizing feature Map，SOM)，徑向基函數(shù)網(wǎng)絡(luò)（Radial Basis Function，RBF），Hopfield網(wǎng)等。進入90年代以后，由于計算機技術(shù)和信息技術(shù)的發(fā)展，以及各種算法的不斷提出，神經(jīng)網(wǎng)絡(luò)的研究逐漸深化，應(yīng)用面也逐步擴大，本研究對常用的神經(jīng)網(wǎng)絡(luò)方法及其在醫(yī)學(xué)領(lǐng)域中的應(yīng)用做一簡單綜述。

1 自組織特征映射網(wǎng)絡(luò)（self-organizing feature map，SOM）在基因表達數(shù)據(jù)分析中的應(yīng)用

1.1 方法介紹

腦神經(jīng)學(xué)的研究表明，人腦中大量的神經(jīng)元處于空間的不同區(qū)域，有著不同的功能，各自敏感著各自的輸入信息模式的不同特征。芬蘭赫爾辛基大學(xué)神經(jīng)網(wǎng)絡(luò)專家T.Kohonen根據(jù)大腦神經(jīng)系統(tǒng)的這一特性，于1981年提出了自組織特征映射網(wǎng)絡(luò)，它模擬人的大腦，利用競爭學(xué)習(xí)的方式進行網(wǎng)絡(luò)學(xué)習(xí)，具有很強的自組織、自適應(yīng)學(xué)習(xí)能力，魯棒性和容錯能力，其理論及應(yīng)用發(fā)展很快，目前已在信息處理、模式識別、圖像處理、語音識別、機器人控制、數(shù)據(jù)挖掘等方面都有成功應(yīng)用的實例。

Kohonen網(wǎng)絡(luò)由輸入層和競爭層組成，網(wǎng)絡(luò)結(jié)構(gòu)見圖1。輸入層由N個神經(jīng)元組成，競爭層由M個輸出神經(jīng)元組成，輸入層與競爭層各神經(jīng)元之間實現(xiàn)全互連接，競爭層之間實行側(cè)向連接。設(shè)輸入向量為x=(x1，…，xd)T ，輸出神經(jīng)元j對應(yīng)的權(quán)重向量為wj=(wj1，…，wjd)T ，對每一輸出神經(jīng)元計算輸入向量x 和權(quán)重向量wj 間的距離，據(jù)此利用競爭學(xué)習(xí)規(guī)則對權(quán)向量進行調(diào)節(jié)。在網(wǎng)絡(luò)的競爭層，各神經(jīng)元競爭對輸入模式的響應(yīng)機會，最后僅一個神經(jīng)元成為勝利者，并對與獲勝神經(jīng)元有關(guān)的各權(quán)重朝著更有利于它競爭的方向調(diào)整，這樣在每個獲勝神經(jīng)元附近形成一個“聚類區(qū)”，學(xué)習(xí)的結(jié)果使聚類區(qū)內(nèi)各神經(jīng)元的權(quán)重向量保持與輸入向量逼近的趨勢，從而使具有相近特性的輸入向量聚集在一起，這種自組織聚類過程是系統(tǒng)自主、無教師示教的聚類方法，能將任意維輸入模式在輸出層映射成一維或二維離散圖形，并保持其拓撲結(jié)構(gòu)不變。網(wǎng)絡(luò)通過對輸入模式的學(xué)習(xí)，網(wǎng)絡(luò)競爭層神經(jīng)元相互競爭，自適應(yīng)地形成對輸入模式的不同響應(yīng)，模擬大腦信息處理的聚類功能、自組織、自學(xué)習(xí)功能，實現(xiàn)用低維目標(biāo)空間的點去表示高維原始空間的點，其工作原理和聚類算法及改進方法參見相關(guān)文獻［1］。

1.2 應(yīng)用

基因芯片技術(shù)的應(yīng)用使得人們可以從基因水平探討疾病的病因及預(yù)后，而基因芯片產(chǎn)生的數(shù)據(jù)具有高維度（變量多）、樣本量小、高噪聲的特點，樣本量遠小于變量數(shù)，如何從海量的數(shù)據(jù)中挖掘信息或知識成為重大課題。聚類分析是數(shù)據(jù)挖掘中的一類重要技術(shù)，傳統(tǒng)方法主要有系統(tǒng)聚類、k-means聚類等，但在處理復(fù)雜非線性關(guān)系及變量間的交互作用時效果較差，受異常值影響較大。近年來神經(jīng)網(wǎng)絡(luò)技術(shù)法成為聚類領(lǐng)域的研究熱點，其中自組織特征映射網(wǎng)絡(luò)由于其良好的自適應(yīng)性，其算法對基因表達數(shù)據(jù)的聚類有較高的穩(wěn)定性和智能性，尤其在處理基因表達中有缺失數(shù)據(jù)及原始空間到目標(biāo)空間存在非線性映射結(jié)構(gòu)時有較好的體現(xiàn)，適用于復(fù)雜的多維數(shù)據(jù)的模式識別和特征分類等探索性分析，同時可實現(xiàn)聚類過程和結(jié)果的可視化［2］。目前Kohonen網(wǎng)絡(luò)已被成功用到許多基因表達數(shù)據(jù)的分析中，Jihua Huang等［3］設(shè)計6×6的網(wǎng)絡(luò)對酵母細胞周期數(shù)據(jù)進行分析，總正確率為67.7%；曹暉等［4］將其算法改進后用在酵母菌基因表達數(shù)據(jù)中，總正確率高達84.73%，有較高的聚類效能；鄧慶山［5］將該模型與K平均值聚類方法結(jié)合用于公開的結(jié)腸基因表達數(shù)據(jù)集和白血病基因表達數(shù)據(jù)集，聚類的準(zhǔn)確率分別為94.12%和90.32%。目前Kohonen網(wǎng)絡(luò)在醫(yī)學(xué)領(lǐng)域中主要應(yīng)用前景有：① 發(fā)現(xiàn)與疾病相關(guān)的新的未知基因，對目標(biāo)基因進一步研究，提高診斷的正確率，并對藥物的開發(fā)研究提供重要的線索；② 對腫瘤組織的基因表達譜數(shù)據(jù)聚類，以期發(fā)現(xiàn)新的、未知的疾病亞型（腫瘤亞型），以便提出更加有針對性的治療方案，為從分子水平對疾病分型、診斷、預(yù)后等提供依據(jù)；③ 發(fā)現(xiàn)與已知基因有相似功能的基因，為推斷未知基因的可能功能提供線索。

2 BP神經(jīng)網(wǎng)絡(luò)在醫(yī)學(xué)研究中的應(yīng)用

2.1 BP神經(jīng)網(wǎng)絡(luò)在疾病輔助診斷中的應(yīng)用

2.1.1 方法介紹

BP神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用最多的神經(jīng)網(wǎng)絡(luò)，一般由一個輸入層（input layer）、一個輸出層（output layer）、一個或幾個中間層（隱層）組成。每一層可包含一個或多個神經(jīng)元，其中每一層的每個神經(jīng)元和前一層相連接，同一層之間沒有連接。輸入層神經(jīng)元傳遞輸入信息到第一隱層或直接傳到輸出層，隱層的神經(jīng)元對輸入層的信息加權(quán)求和，加一個常數(shù)后，經(jīng)傳遞函數(shù)運算后傳到下一個隱層（或輸出層），常用的傳遞函數(shù)是logistic函數(shù)，即Φh=1/(1+exp(-z)) ，輸出層神經(jīng)元對前一層的輸入信息加權(quán)求和經(jīng)傳遞函數(shù)Φ0 （線性或logistic函數(shù)或門限函數(shù)）運算后輸出，BP神經(jīng)網(wǎng)絡(luò)一般采用BP算法訓(xùn)練網(wǎng)絡(luò)，關(guān)于BP算法及改進可參考相關(guān)文獻［1］。

人工神經(jīng)網(wǎng)絡(luò)具有強大的非線性映射能力，含一個隱層的網(wǎng)絡(luò)可以實現(xiàn)從輸入到輸出間的任意非線性映射，是典型的非線性數(shù)學(xué)模型，建立BP神經(jīng)網(wǎng)絡(luò)模型的一般步驟為：① BP網(wǎng)訓(xùn)練集、校驗集、測試集的確定；② 輸入數(shù)據(jù)的預(yù)處理：使輸入變量的取值落在0到1的范圍內(nèi)，如果是無序分類變量，以啞變量的形式賦值；③ 神經(jīng)網(wǎng)絡(luò)模型的建立及訓(xùn)練：學(xué)習(xí)率、傳遞函數(shù)、隱層數(shù)、隱單元數(shù)的選擇，注意防止過度擬合。一般使用靈敏度、特異度、陽性預(yù)測值、陰性預(yù)測值、ROC曲線對模型的預(yù)測性能進行評價。

2.1.2 應(yīng)用

BP神經(jīng)網(wǎng)絡(luò)已廣泛用于臨床輔助診斷中，白云靜等［6］用于中醫(yī)證候的非線性建模，建立了RA證侯BP網(wǎng)絡(luò)模型和DN證侯BP網(wǎng)絡(luò)模型，結(jié)果顯示平均診斷準(zhǔn)確率分別為90.72%、92.21%，具有較高的診斷、預(yù)測能力。曹志峰［7］采用PROBEN1中的甲狀腺疾病數(shù)據(jù)庫用于甲狀腺疾病（甲亢、甲減、正常）的診斷，結(jié)果顯示訓(xùn)練樣本的正確識別率為99.3% ，測試樣本的正確識別率為98.2%，提示對臨床診斷甲狀腺疾病提供有益的幫助；還有學(xué)者用于急性心肌梗塞、甲狀腺功能紊亂、乳腺癌、前列腺癌、宮頸癌、肺癌、卵巢癌、急性肺梗塞等的輔助診斷等［8］。

2.2 BP神經(jīng)網(wǎng)絡(luò)在生存分析中的應(yīng)用

2.2.1 方法介紹

傳統(tǒng)的生存分析方法有非參數(shù)、半?yún)?shù)、參數(shù)模型，參數(shù)模型主要有指數(shù)回歸模型、Weibull回歸模型，都要求對基線風(fēng)險做一定的假設(shè)，但實際資料常常不符合條件，生存分析中應(yīng)用最為廣泛的半?yún)?shù)模型:Cox比例風(fēng)險模型，但它要求滿足比例風(fēng)險的假定，在很多情況下也難以滿足?；谏窠?jīng)網(wǎng)絡(luò)的生存分析模型可以克服這些困難，可以探測復(fù)雜的非線性效應(yīng)，復(fù)雜的交互效應(yīng)，模型中協(xié)變量的效應(yīng)可以隨時間變化，對數(shù)據(jù)的分布不做要求。目前一些策略被用到神經(jīng)網(wǎng)絡(luò)預(yù)測方法中分析含有刪失的生存數(shù)據(jù)，主要有Faraggi-Simon(1995)法、Liestol-Andersen-Andersen(1994) 法、改良uckley-James(1979)法等。

BP神經(jīng)網(wǎng)絡(luò)建立生存分析模型常用的方法有［9］：連續(xù)時間模型（continuous time models）與離散時間模型（discrete time models）。常用的Faraggi和Simon［10］提出的連續(xù)時間模型擴展了Cox回歸模型，允許非線性函數(shù)代替通常的協(xié)變量的線性組合，這種方法既保持了Cox回歸模型的比例風(fēng)險的特點，又提供了處理復(fù)雜非線性關(guān)系、交互作用能力的好方法。

離散時間模型常用的模型有：① 輸出層為單個結(jié)點：模型的輸出層只有一個神經(jīng)元結(jié)點，是最簡單的神經(jīng)網(wǎng)絡(luò)模型，生存時間被分成兩個區(qū)間，當(dāng)研究者僅僅對某一時間點的預(yù)后感興趣時，例如預(yù)測癌癥患者的5年生存情況，如欲預(yù)測多個時間點，則需建立多個神經(jīng)網(wǎng)絡(luò)模型（每個模型對應(yīng)一個時間區(qū)間）；② 輸出層為多個結(jié)點：生存時間被分成幾個離散的區(qū)間，估計某個時間區(qū)間事件發(fā)生的概率，Liestol法是常用的離散時間模型。還有研究者在建立多個時間區(qū)間模型時將時間也做為一個輸入變量，也有學(xué)者將神經(jīng)網(wǎng)絡(luò)納入Bayes方法的研究框架。

一般采用靈敏度、特異度、一致性指數(shù)C(Concordance index)作為預(yù)測準(zhǔn)確性的評價指標(biāo)，神經(jīng)網(wǎng)絡(luò)在生存分析中的應(yīng)用主要在于［11］：個體患者預(yù)后的預(yù)測，研究預(yù)后因子的重要性，研究預(yù)后因子的相互作用，對于預(yù)測變量的影響力強弱及解釋性，還有待進一步探討。

2.2.2 應(yīng)用

國外Ruth M.Ripley等［9］將7種不同的神經(jīng)網(wǎng)絡(luò)生存分析模型（3種離散時間模型，4種連續(xù)時間模型）用于1335例乳腺癌患者復(fù)發(fā)概率的預(yù)測，并對其精確性、靈敏度、特異度等預(yù)測性能指標(biāo)進行比較，結(jié)果證明神經(jīng)網(wǎng)絡(luò)方法能成功用于生存分析問題，可以提取預(yù)后因子所蘊涵的最大可能的信息。Anny Xiang等［12］采用Monte Carlo模擬研究方法，在9種實驗條件下（不同的輸入結(jié)點、刪失比例、樣本含量等）對Faraggi-Simon法、Liestol-Andersen-Andersen法、改良Buckley-James法處理右刪失生存數(shù)據(jù)的性能與Cox回歸作比較，研究結(jié)果提示神經(jīng)網(wǎng)絡(luò)方法可以作為分析右刪失數(shù)據(jù)的一個有效的方法。D.J.Groves［13］等將Cox回歸與神經(jīng)網(wǎng)絡(luò)方法對兒童急性淋巴母細胞白血病的預(yù)后進行了比較，Lucila Ohno-Machado等［14］建立輸出層為4個結(jié)點的離散時間神經(jīng)網(wǎng)絡(luò)模型做為AIDS預(yù)后研究的工具，并使用ROC曲線下面積、靈敏度、特異度、陽性預(yù)測值、陰性預(yù)測值對不同時間區(qū)間的預(yù)測性能做了評價。國內(nèi)用于生存分析方面的研究還較少，黃德生［15］等利用BP神經(jīng)網(wǎng)絡(luò)建立time-coded model和single-time point model用于肺鱗癌預(yù)后預(yù)測，賀佳［16］等把BP網(wǎng)絡(luò)用于預(yù)測肝癌患者術(shù)后無瘤生存期，也有學(xué)者對AIDS、惡性腫瘤的預(yù)后做了相關(guān)的研究。

2.3 BP神經(jīng)網(wǎng)絡(luò)在其它方面的應(yīng)用

近年來BP神經(jīng)網(wǎng)絡(luò)在疾病篩查中的的應(yīng)用引起學(xué)者的關(guān)注，例如在乳腺癌、宮頸癌、糖尿病的篩查都有成功的應(yīng)用［17］。神經(jīng)網(wǎng)絡(luò)在法醫(yī)學(xué)研究領(lǐng)域具有實用性和廣泛的應(yīng)用前景，法醫(yī)學(xué)家將其用在死亡時間推斷、死因分析、個體識別和毒物分析等研究中［18］。在藥學(xué)研究中也有一定的應(yīng)用，例如在定量藥物設(shè)計、藥物分析、藥動/藥效學(xué)研究中，都有成功的應(yīng)用案例，相秉仁等［19］對其做了詳細的綜述。曹顯慶［20］等還將神經(jīng)網(wǎng)絡(luò)用于ECG、EEG等信號的識別和處理、醫(yī)學(xué)圖像分析中，取得了較好的結(jié)果。

人工神經(jīng)網(wǎng)絡(luò)是在研究生物神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上建立的模型，迄今為止有代表性的網(wǎng)絡(luò)模型已達數(shù)10種，人工神經(jīng)網(wǎng)絡(luò)不需要精確的數(shù)學(xué)模型，沒有任何對變量的假設(shè)要求，能通過模擬人的智能行為處理復(fù)雜的、不確定的、非線性問題。在醫(yī)學(xué)研究領(lǐng)域，變量間關(guān)系往往非常復(fù)雜，為了探測變量間的復(fù)雜模式，神經(jīng)網(wǎng)絡(luò)正逐漸變成分析數(shù)據(jù)的流行工具。目前國際上已出現(xiàn)許多著名的神經(jīng)網(wǎng)絡(luò)專業(yè)雜志：Neural Network，Neural Computation，IEEE Transaction on Neural Networks等，同時已有許多商業(yè)化的神經(jīng)網(wǎng)絡(luò)開發(fā)軟件，如Matlab軟件， S-plus軟件，SNNS(Stuttgart Neural Network Simulator)等，高版本SAS系統(tǒng)中的Enterprise Miner應(yīng)用模塊中也可以建立神經(jīng)網(wǎng)絡(luò)模型，隨著計算機技術(shù)的進一步發(fā)展，人工神經(jīng)網(wǎng)絡(luò)在醫(yī)學(xué)領(lǐng)域的應(yīng)用前景也會更加廣闊。

【參考文獻】

1 余雪麗，主編.神經(jīng)網(wǎng)絡(luò)與實例學(xué)習(xí).中國鐵道出版社，1996.

2 白耀輝，陳明.利用自組織特征映射神經(jīng)網(wǎng)絡(luò)進行可視化聚類.計算機仿真，2006，23(1):180~183.

3 Jinua Huang，Hiroshi Shimizu，Suteaki Shioya.Clustering gene expression pattern and extracting relationship in gene network based on artificial neural networks.Journal of bioscience and bioengineering，2003，96(5):421~428.

4 曹暉，席斌，米紅.一種新聚類算法在基因表達數(shù)據(jù)分析中的應(yīng)用.計算機工程與應(yīng)用，2007，43(18)：234~238.

5 鄧慶山.聚類分析在基因表達數(shù)據(jù)上的應(yīng)用研究.計算機工程與應(yīng)用，2005，41(35):210~212.

6 白云靜，申洪波，孟慶剛，等.基于人工神經(jīng)網(wǎng)絡(luò)的中醫(yī)證侯非線性建模研究.中國中醫(yī)藥信息雜志，2007，14（7）:3~4.

7 曹志峰. BP 神經(jīng)網(wǎng)絡(luò)在臨床診斷中的應(yīng)用與探討.實用醫(yī)技雜志，2005，12(9):2656~2657.

8 William G Baxt. Application of artificial neural networks to clinical medicine. The Lancet，1995，346(8983):1135~1138.

9 Ruth M.Ripley，Adrian L.Harris，Lionel Tarassenko.Non-linear survival analysis using neural networks. Statistics in medicine，2004，23(5):825~842.

10 David Faraggi，Richard Simon.A neural network model for survival data. Statistics in medicine，1995，14(1):73~82.

11 高蔚，聶紹發(fā)，施侶元，等.神經(jīng)網(wǎng)絡(luò)在生存分析中的應(yīng)用進展.中國衛(wèi)生統(tǒng)計，2006，23（4）：358~360.

12 Anny Xiang，Pablo Lapuerta， Alex Ryutov.Comparison of the performance of neural network methods and Cox regression for censored survival data.Computational statistics ＆ data analysis，2000，34(2):243~257.

13 D.J.Groves，S.W.Smye，S.E.Kinsey.A comparison of Cox regression and neural networks for risk stratification in case of acute lymphoblastic leukaemia in children.Neural computing ＆ applications，1999，8(3):257~264.

14 Lucila Ohno-Machado.A comparison of cox proportional hazards and artificial neural network models for medicial prognosis.Comput Biol Med，1997，27(1):55~65.

15 黃德生，周寶森，劉延齡，等.BP人工神經(jīng)網(wǎng)絡(luò)用于肺鱗癌預(yù)后預(yù)測.中國衛(wèi)生統(tǒng)計，2000，17(6):337~340.

16 賀佳，張智堅，賀憲民.肝癌術(shù)后無瘤生存期的人工神經(jīng)網(wǎng)絡(luò)預(yù)測.數(shù)理統(tǒng)計與管理，2002，21（4）：14~16.

17 黎衍云，李銳，張勝年.人工神經(jīng)網(wǎng)絡(luò)及其在疾病篩查中的應(yīng)用前景.環(huán)境與職業(yè)醫(yī)學(xué)，2006，23(1):71~73.

18 汪嵐，劉良.人工神經(jīng)網(wǎng)絡(luò)的法醫(yī)學(xué)應(yīng)用.中國法醫(yī)學(xué)雜志，2005，20(3)：161~163.

第2篇：人工神經(jīng)網(wǎng)絡(luò)的意義范文

Abstract: The paper evaluated urban land use efficiency for Liaoyang city by using the model of BP neural network and indexes system during 2000~2009. The BP neural network was applied and trained by training data after having dealed the evaluation indexes with dimensionless mode. The results indicated that land use efficiency index of Liaoyang city is rising.

關(guān)鍵詞： 土地利用效益；BP神經(jīng)網(wǎng)絡(luò)；遼陽市

Key words: land use efficiency；BP neural network；Liaoyang city

中圖分類號：F293.2 文獻標(biāo)識碼：A文章編號：1006-4311（2011）18-0007-02

0引言

城市土地是城市形成和發(fā)展的基礎(chǔ)，是城市社會、經(jīng)濟、政治、文化等各項活動載體，城市土地資源利用的合理性，直接關(guān)系到城市的可持續(xù)發(fā)展[1]。當(dāng)前，我國正努力建設(shè)資源節(jié)約型社會，提倡節(jié)約集約利用稀缺的土地資源，迫切需要實現(xiàn)城市土地的高效利用，防止城市土地的無序、攤大餅式擴張。城市土地利用效益是指城市土地在數(shù)量、質(zhì)量的空間和時間上安排、使用和優(yōu)化，從而給整個城市帶來的經(jīng)濟、社會、生態(tài)、和環(huán)境效益的總和[2]。本文從經(jīng)濟、社會、生態(tài)效益三個方面構(gòu)建城市土地利用效益評價指標(biāo)體系，采用人工神經(jīng)網(wǎng)絡(luò)模型，對遼陽市2000~2009年的城市土地利用效益進行定量評價，以期為遼陽市城市土地資源的高效利用和科學(xué)管理及相關(guān)政策的制定提供借鑒。

1研究區(qū)概況

遼陽市位于遼寧中部，南鄰鞍山，北依沈陽，東臨本溪，西與遼河油田接壤，地處東經(jīng)122°35′04″~123°41′00″；北緯40°42′19″~41°36′32″。全市土地總面積4731平方公里，總?cè)丝?85萬，其中市區(qū)面積574平方公里，城市建成區(qū)面積92平方公里。

2評價指標(biāo)體系的建立

在指標(biāo)體系構(gòu)建過程中應(yīng)該遵循科學(xué)性、系統(tǒng)性、相對完備性以及可操作性等原則[3-4]，根據(jù)研究區(qū)域?qū)嶋H狀況，從經(jīng)濟效益、社會效益、生態(tài)效益三個方面，選取具有代表性的指標(biāo)構(gòu)成城市土地利用效益評價指標(biāo)體系。

3人工神經(jīng)網(wǎng)絡(luò)評價模型的建立

3.1 BP神經(jīng)網(wǎng)絡(luò)的原理BP網(wǎng)絡(luò)模型是一種基于反向傳播學(xué)習(xí)算法的多層網(wǎng)絡(luò)模型，其基本思路是把網(wǎng)絡(luò)學(xué)習(xí)時輸出層出現(xiàn)的與“事實”不符的誤差，歸結(jié)為連接層中各節(jié)點間連接權(quán)及閾值的“過錯”，通過把輸出層節(jié)點的誤差逐層向輸入層逆向傳播，以“分攤”給各連接節(jié)點，從而可算出各連接節(jié)點的參考誤差，并據(jù)此對各連接權(quán)進行相應(yīng)的調(diào)整，使網(wǎng)絡(luò)適應(yīng)要求的映射[5]。

3.2 城市土地利用效益的人工神經(jīng)網(wǎng)絡(luò)模型評價采用三層BP神經(jīng)網(wǎng)絡(luò)模型，借助MATLAB R14的神經(jīng)網(wǎng)絡(luò)工具箱函數(shù)實現(xiàn)模型評價。第一層為輸入層，共有14個節(jié)點，即為評判城市土地利用效益的14個指標(biāo)。由于評價指標(biāo)的量綱不同，且數(shù)據(jù)變化范圍較大，不便于分析和計算。因此，對各評價指標(biāo)值進行無量綱化處理，即每一指標(biāo)數(shù)據(jù)除以各自指標(biāo)中的最大值，將數(shù)據(jù)劃歸在[0，1]范圍之內(nèi)。本文以隸屬度函數(shù)對各指標(biāo)進行標(biāo)準(zhǔn)化，歸一化后得到采用模糊數(shù)學(xué)表示的隸屬函數(shù)，并且采用隸屬度的概念表示每一項指標(biāo)。

網(wǎng)絡(luò)層數(shù)確定由1個輸入層、1個輸出層和1個隱含層組成。對于隱含層節(jié)點數(shù)的確定比較復(fù)雜，對于節(jié)點采用Sigmoid型節(jié)點的多層前饋神經(jīng)網(wǎng)絡(luò)，只要有足夠多的隱節(jié)點，它們都能把所需要的輸入信號變成線形獨立的隱節(jié)點增廣向量。在實際操作過程中，根據(jù)經(jīng)驗選取節(jié)點數(shù)為12個。學(xué)習(xí)參數(shù)的確定采用參數(shù)η（學(xué)習(xí)速率），α（動量系數(shù)）自適應(yīng)調(diào)整的方法。

根據(jù)遼寧省統(tǒng)計年鑒、遼陽市統(tǒng)計年鑒，本文采用2000-2009年的大連、沈陽、鞍山等6城市的數(shù)據(jù)，對其作為樣本對網(wǎng)絡(luò)進行訓(xùn)練，用遼陽市2000-2009年數(shù)據(jù)作為測試樣本，得到網(wǎng)絡(luò)計算結(jié)果（見圖1）。通過對計算結(jié)果與已有訓(xùn)練成果進行分析來研究神經(jīng)網(wǎng)絡(luò)模型的模擬精度，最后網(wǎng)絡(luò)的終止參數(shù)為：經(jīng)過1478次訓(xùn)練后，網(wǎng)絡(luò)的性能就達到了要求。得出遼陽市2000~2009年城市土地利用效益程度分別0.3621、0.3647、0.3905、0.4003、0.4250、0.4574、0.5360、

0.6141、0.7578、0.8235。

4評價結(jié)果分析

4.1 評價結(jié)果等級劃分運用特爾菲法，經(jīng)過三輪專家征詢、統(tǒng)計、分析，將遼陽市土地利用效益水平劃分為4個等級：低度效益（0~0.35），一般效益（0.35~0.50），較高效益（0.50~0.80），高度效益（0.80~1），城市土地利用效益評價分級成果見表2。

4.2 評價結(jié)果分析從遼陽市城市土地利用效益水平評價結(jié)果可知，2000年到2005年處于一般水平，2006-2008年土地利用效益處于較高水平，2009年土地利用效益處于高度水平。研究期內(nèi)遼陽市的土地利用整體效益水平呈上升趨勢，從2000年的0.3621增加到2009年的0.8235，增長速度較快，年均增長率為14.2%。

對照指標(biāo)體系，從三大評價指標(biāo)來看，經(jīng)濟效益水平變化幅度比較明顯，呈大幅度上升趨勢，而社會效益和生態(tài)效益水平變化比較緩慢。經(jīng)濟的快速發(fā)展對土地利用是把雙刃劍，科學(xué)的發(fā)展方式可以促進土地利用效益的整體提高，反之，則使土地利用效益整體降低。通過以上分析可看出遼陽市城市土地利用效益的提升主要是由于經(jīng)濟效益的高速發(fā)展，而社會效益和生態(tài)效益沒有顯著地變化，然而經(jīng)濟效益、社會效益和生態(tài)效益是城市發(fā)展中不可或缺的三項重要指標(biāo)，不可過分地依賴某個因素，而應(yīng)注意三者之間的相互聯(lián)系和相互制約，更多地考慮三方面協(xié)調(diào)發(fā)展，共同促進土地利用效益的提高。因此，在今后遼陽市的發(fā)展中，要在經(jīng)濟快速增長的同時，更加注重城市土地利用的結(jié)構(gòu)調(diào)整，使社會、經(jīng)濟、生態(tài)等各項指標(biāo)穩(wěn)步提高，最終提升土地利用的整體效益。

5結(jié)語

城市土地利用效益評價具有模糊性、非線性等特點。一般的評價方法很難同時考慮到這幾個方面。BP人工神經(jīng)網(wǎng)絡(luò)利用其非線性映射能力，能夠?qū)崿F(xiàn)對其識別和映射。在利用該模型時只需要將網(wǎng)絡(luò)訓(xùn)練好，就可以用來進行大批量的數(shù)據(jù)處理，而且評價結(jié)果客觀、合理。

參考文獻：

[1]劉喜廣，劉朝暉.城市土地利用效益評價研究[J].華中農(nóng)業(yè)大學(xué)學(xué)報（社會科學(xué)版），2005（4）：91~95.

[2]申海元，陳瑛，張彩云.西安市土地利用綜合效益研究[J].土壤通報，2009，40（2）：209-213.

[3]陳靜，付梅臣，陶金等.唐山市土地利用效益評價及驅(qū)動機制[J].資源與產(chǎn)業(yè)，2010，12（2）：60-63.

第3篇：人工神經(jīng)網(wǎng)絡(luò)的意義范文

本文主要介紹了人工神經(jīng)網(wǎng)絡(luò)的概念，并對幾種具體的神經(jīng)網(wǎng)絡(luò)進行介紹，從它們的提出時間、網(wǎng)絡(luò)結(jié)構(gòu)和適用范圍幾個方面來深入講解。

【關(guān)鍵詞】神經(jīng)網(wǎng)絡(luò) 感知器網(wǎng)絡(luò) 徑向基網(wǎng)絡(luò) 反饋神經(jīng)網(wǎng)絡(luò)

1 引言

人工神經(jīng)網(wǎng)絡(luò)是基于對人腦組織結(jié)構(gòu)、活動機制的初步認識提出的一種新型信息處理體系。它實際上是一個由大量簡單元件相互連接而成的復(fù)雜網(wǎng)絡(luò)，具有高度的非線性，能夠進行復(fù)雜的邏輯操作和非線性關(guān)系實現(xiàn)的系統(tǒng)，通過模仿腦神經(jīng)系統(tǒng)的組織結(jié)構(gòu)以及某些活動機理，人工神經(jīng)網(wǎng)絡(luò)可呈現(xiàn)出人腦的許多特征，并具有人腦的一些基本功能，利用這一特性，可以設(shè)計處具有類似大腦某些功能的智能系統(tǒng)來處理各種信息，解決不同問題。下面對幾種具體的神經(jīng)網(wǎng)絡(luò)進行介紹。

2 感知器網(wǎng)絡(luò)

感知器是由美國學(xué)者Rosenblatt在1957年首次提出的，感知器可謂是最早的人工神經(jīng)網(wǎng)絡(luò)。感知器具有分層結(jié)構(gòu)，信息從輸入層進入網(wǎng)絡(luò)，逐層向前傳遞到輸出層。感知器是神經(jīng)網(wǎng)絡(luò)用來進行模式識別的一種最簡單模型，屬于前向神經(jīng)網(wǎng)絡(luò)類型。

2.1 單層感知器

單層感知器是指只有一層處理單元的感知器，它的結(jié)構(gòu)與功能都非常簡單，通過讀網(wǎng)絡(luò)權(quán)值的訓(xùn)練，可以使感知器對一組輸入矢量的響應(yīng)達到元素為0或1的目標(biāo)輸出，從而實現(xiàn)對輸入矢量分類的目的，目前在解決實際問題時很少被采用，但由于它在神經(jīng)網(wǎng)絡(luò)研究中具有重要意義，是研究其他網(wǎng)絡(luò)的基礎(chǔ)，而且較易學(xué)習(xí)和理解，適合于作為學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的起點。

2.2 多層感知器

多層感知器是對單層感知器的推廣，它能夠成功解決單層感知器所不能解決的非線性可分問題，在輸入層與輸出層之間引入隱層作為輸入模式的“內(nèi)部表示”，即可將單層感知器變成多層感知器。

3 線性神經(jīng)網(wǎng)絡(luò)

線性神經(jīng)網(wǎng)絡(luò)類似于感知器，但是線性

神經(jīng)網(wǎng)絡(luò)的激活函數(shù)是線性的，而不是硬限轉(zhuǎn)移函數(shù)。因此線性神經(jīng)網(wǎng)絡(luò)的輸出可以使任意值，而感知器的輸出不是0就是1。線性神經(jīng)網(wǎng)絡(luò)最早的典型代表就是在1963年由美國斯坦福大學(xué)教授Berhard Windrow提出的自適應(yīng)線性元件網(wǎng)絡(luò)，它是一個由輸入層和輸出層構(gòu)成的單層前饋性網(wǎng)絡(luò)。自適應(yīng)線性神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法比感知器的學(xué)習(xí)算法的收斂速度和精度都有較大的提高，自適應(yīng)線性神經(jīng)網(wǎng)絡(luò)主要用于函數(shù)逼近、信號預(yù)測、系統(tǒng)辨識、模式識別和控制等領(lǐng)域。

4 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是1986年由以Rumelhart和McCelland為首的科學(xué)家小組提出的，是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，在人工神經(jīng)網(wǎng)絡(luò)的實際應(yīng)用中，80%～90%的人工神經(jīng)網(wǎng)絡(luò)模型采用BP網(wǎng)絡(luò)或者它的變化形式，它也是前向網(wǎng)絡(luò)的核心部分，體現(xiàn)了人工神經(jīng)網(wǎng)絡(luò)最精華的部分，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過程組成。輸入層各神經(jīng)元負責(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，負責(zé)信息變換，根據(jù)信息變化能力的需求，中間層可以設(shè)計為單隱層或者多隱層結(jié)構(gòu)；最后一個隱層傳遞到輸出層各神經(jīng)元的信息，經(jīng)過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)實際輸出與期望輸出不符時，進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、輸入層逐層反傳。周而復(fù)始的信息正向傳播和誤差反向傳播過程，是各層權(quán)值不斷調(diào)整的過程，也是神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練過程，此過程一直進行到網(wǎng)絡(luò)輸出的誤差減少到可以接受的程度，或者達到預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止。

BP網(wǎng)絡(luò)主要應(yīng)用于以下方面：

（1）函數(shù)逼近：用輸入矢量和相應(yīng)的輸出矢量訓(xùn)練一個網(wǎng)絡(luò)逼近一個函數(shù)。

（2）模式識別：用一個特定的輸出矢量將它與輸入矢量聯(lián)系起來。

（3）分類：對輸入矢量以所定義的合適方式進行分類。

（4）數(shù)據(jù)壓縮：減少輸出矢量維數(shù)以便于傳輸或存儲。

5 反饋神經(jīng)網(wǎng)絡(luò)

美國加州理工學(xué)院物理學(xué)家J.J.Hopfield教授于1982年發(fā)表了對神經(jīng)網(wǎng)絡(luò)發(fā)展頗具影響的論文，提出一種單層反饋神經(jīng)網(wǎng)絡(luò)，后來人們將這種反饋網(wǎng)絡(luò)稱作Hopfield網(wǎng)。在多輸入/多輸出的動態(tài)系統(tǒng)中，控制對象特性復(fù)雜，傳統(tǒng)方法難以描述復(fù)雜的系統(tǒng)。為控制對象建立模型可以減少直接進行實驗帶來的負面影響，所以模型顯得尤為重要。但是，前饋神經(jīng)網(wǎng)絡(luò)從結(jié)構(gòu)上說屬于一種靜態(tài)網(wǎng)絡(luò)，其輸入、輸出向量之間是簡單的非線性函數(shù)映射關(guān)系。實際應(yīng)用中系統(tǒng)過程大多是動態(tài)的，前饋神經(jīng)網(wǎng)絡(luò)辨識就暴露出明顯的不足，用前饋神經(jīng)網(wǎng)絡(luò)只是非線性對應(yīng)網(wǎng)絡(luò)，無反饋記憶環(huán)節(jié)，因此，利用反饋神經(jīng)網(wǎng)絡(luò)的動態(tài)特性就可以克服前饋神經(jīng)網(wǎng)絡(luò)的缺點，使神經(jīng)網(wǎng)絡(luò)更加接近系統(tǒng)的實際過程。

Hopfield神經(jīng)網(wǎng)絡(luò)的應(yīng)用：

（1）在數(shù)字識別方面。

（2）高校科研能力評價。

（3）應(yīng)用于聯(lián)想記憶的MATLAB程序。

6 徑向基神經(jīng)網(wǎng)絡(luò)

徑向基RBF網(wǎng)絡(luò)是一個3層的網(wǎng)絡(luò)，除了輸入、輸出層之間外僅有一個隱層。隱層中的轉(zhuǎn)換函數(shù)是局部響應(yīng)的高斯函數(shù)，而其他前向網(wǎng)絡(luò)，轉(zhuǎn)換函數(shù)一般都是全局響應(yīng)函數(shù)。由于這樣的差異，要實現(xiàn)同樣的功能，RBF需要更多的神經(jīng)元，這就是RBF網(wǎng)絡(luò)不能取代標(biāo)準(zhǔn)前向型絡(luò)的原因。但是RBF網(wǎng)絡(luò)的訓(xùn)練時間更短，它對函數(shù)的逼近時最優(yōu)的，可以以任意精度逼近任意連續(xù)函數(shù)。隱層中的神經(jīng)元越多，逼近越精確。

徑向基網(wǎng)絡(luò)的應(yīng)用：

（1）用于曲線擬合的RBF網(wǎng)絡(luò)。

（2）徑向基網(wǎng)絡(luò)實現(xiàn)非線性函數(shù)回歸。

7 自組織神經(jīng)網(wǎng)絡(luò)

自組織競爭型神經(jīng)網(wǎng)絡(luò)是一種無教師監(jiān)督學(xué)習(xí)，具有自組織功能的神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)通過自身的訓(xùn)練。能自動對輸入模式進行分類，一般由輸入層和競爭層夠曾。兩層之間各神經(jīng)元實現(xiàn)雙向連接，而且網(wǎng)絡(luò)沒有隱含層。有時競爭層之間還存在著橫向連接。

常用自組織網(wǎng)絡(luò)有一下幾種：

（1）自組織特征映射網(wǎng)絡(luò)。

（2）學(xué)習(xí)矢量量化網(wǎng)絡(luò)。

（3）自適應(yīng)共振理論模型。

（4）對偶傳播網(wǎng)絡(luò)。

參考文獻

[1]韓力群.人工神經(jīng)網(wǎng)絡(luò)教程[M].北京：北京郵電大學(xué)出版社，2006.

[2]周品.神經(jīng)網(wǎng)絡(luò)設(shè)計與應(yīng)用[M].北京：清華大學(xué)出版社，2013.

作者簡介

孔令文（1989-），男，黑龍江省齊齊哈爾市人?，F(xiàn)為西南林業(yè)大學(xué)機械與交通學(xué)院在讀研究生。研究方向為計算機仿真。

第4篇：人工神經(jīng)網(wǎng)絡(luò)的意義范文

Abstract: The technology of affecting the output accuracy of artificial neural network model has affected widespread ettention,and influence researches of sample quality to neural network output accuracy are very few,and the majority of these researcher about neural network structure. This paper analyses the influence of the sample to the output of artificial neural network,having important significance to improve accuracy of neural network output.

關(guān)鍵詞: 人工神經(jīng)網(wǎng)絡(luò);局部影響;BP神經(jīng)網(wǎng)絡(luò);算法

Key words: artificial neural networks;local influence;BP neural network;algorithm

中圖分類號:TP393.092 文獻標(biāo)識碼:A文章編號:1006-4311(2010)07-0144-02

0引言

神經(jīng)網(wǎng)絡(luò)應(yīng)用到預(yù)測有許多問題需要解決, 其中最為突出的問題就是沒有一個確定的最合適的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的標(biāo)準(zhǔn)方法,由于影響神經(jīng)網(wǎng)絡(luò)預(yù)測能力的參數(shù)很多,本文針對最為常用的BP神經(jīng)網(wǎng)絡(luò),對影響神經(jīng)網(wǎng)絡(luò)預(yù)測精度的樣本質(zhì)量進行了詳細分析和研究, 并在此基礎(chǔ)上,給出優(yōu)化樣本后的具體例子。

1樣本質(zhì)量對網(wǎng)絡(luò)的影響

用于神經(jīng)網(wǎng)絡(luò)的樣本分為訓(xùn)練樣本和測試樣本,訓(xùn)練樣本的質(zhì)量在一定程度上決定著預(yù)測精度。首先,訓(xùn)練樣本和待預(yù)測樣本的均值存在較大差異, 預(yù)測誤差會隨著長時間的訓(xùn)練而增大。其次,訓(xùn)練誤差會隨著訓(xùn)練樣本和待預(yù)測樣本均值間差異的增大而增大。再次,訓(xùn)練誤差會隨著訓(xùn)練樣本和待預(yù)測樣本方差間差異的增大而增大[1]。下面是文獻[1]對樣本質(zhì)量分析的方法。

文獻[1]的人工神經(jīng)網(wǎng)絡(luò)預(yù)測誤差為e=em+et+er,其中,e為預(yù)測誤差;em為模型誤差,它由所建回歸模型與實際系統(tǒng)的差異引起的;et為最終的訓(xùn)練誤差;er為人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練和預(yù)測過程中引入的隨機誤差。et和er的存在是不可避免的,而em為:em=ef+ed,式中ef為實際輸出值與預(yù)測輸出值之間的誤差,它反映了樣本質(zhì)量;為由不正確的嵌入維數(shù)引起的誤差, 它可通過選擇合適的輸入神經(jīng)元數(shù)來消除。

為了評價訓(xùn)練樣本質(zhì)量,根據(jù)ef提出“一致度”的指標(biāo)。文獻[1]定義了偽距離DCTP-D,但計算偽距離是相當(dāng)復(fù)雜的,難于實現(xiàn)對樣本質(zhì)量的分析和應(yīng)用。下面用協(xié)方差比統(tǒng)計量分析訓(xùn)練樣本對預(yù)測精度的影響。

設(shè)訓(xùn)練樣本為θ,是神經(jīng)網(wǎng)絡(luò)的輸出,i是從θ中剔除第i個數(shù)據(jù)點的神經(jīng)網(wǎng)絡(luò)輸出。則剔除第i個數(shù)據(jù)點的協(xié)方差比統(tǒng)計量CR=cv()cv()表明了剔除第個數(shù)據(jù)點對神經(jīng)網(wǎng)絡(luò)輸出精度的影響,從精度方面刻畫了第i個數(shù)據(jù)點的重要程度。CRi-1的值越大,對預(yù)測精度(神經(jīng)網(wǎng)絡(luò)輸出)的影響越大。在使用PB神經(jīng)網(wǎng)絡(luò)預(yù)測時先對訓(xùn)練樣本進行篩選,剔除對網(wǎng)絡(luò)輸出結(jié)果影響小的樣本點。

樣本精簡:矩陣初等行變換能保持矩陣列向量之間的線性關(guān)系,利用這個結(jié)論我們可以用來進行樣本數(shù)據(jù)的精簡,這樣精簡后的樣本數(shù)據(jù)能夠保持各屬性字段之間的線性關(guān)系。神經(jīng)網(wǎng)絡(luò)的訓(xùn)練實際上是一個通過給定樣本實時調(diào)整網(wǎng)絡(luò)連接權(quán)重的過程,樣本預(yù)處理的結(jié)果對于網(wǎng)絡(luò)訓(xùn)練的收斂性起到關(guān)鍵的作用。

2實例分析

本文采用麻省理工大學(xué)林肯實驗室的測試數(shù)據(jù)KDDCUP99,它是專門用來進行入侵檢測評估的。我們采用數(shù)據(jù)集上的一個子集10%作為實驗數(shù)據(jù)源,它一共包含有494021條網(wǎng)絡(luò)連接,其中正常連接97277 條,異常連接396744條。

下面我們針對DOS攻擊類型數(shù)據(jù)(DOS攻擊類型編碼為“0 0 0 1”)進行分析。

設(shè)A為樣本數(shù)據(jù)矩陣,其中每一行向量表示一條樣本數(shù)據(jù),則該行向量含34個數(shù)據(jù),假設(shè)有a條樣本,則A為a行34列矩陣;由于每條樣本數(shù)據(jù)輸入網(wǎng)絡(luò)后都會有一條對應(yīng)的輸出,加上本實例為DOS攻擊類型以編碼“0 0 0 1”表示,則期望輸出矩陣B為a行4列矩陣(暫時先不考慮閾值,只考慮權(quán)重問題)。本文BP神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點數(shù)為34個,隱含層節(jié)點數(shù)為15個,輸出層節(jié)點數(shù)為4個雖然神經(jīng)網(wǎng)絡(luò)的連接權(quán)重可以用一個實數(shù)串進行表示,但在進行網(wǎng)絡(luò)的訓(xùn)練時,還需要將實數(shù)串分為兩部分,設(shè)輸入層到隱含層的連接權(quán)重矩陣為W1,則W1為34行15列矩陣;同理,隱含層到輸出層的連接權(quán)重矩陣W2為15行4列矩陣。于是我們可以得到公式(1)。

AWW=B(1)

如式(2)所示,A和B是系數(shù)矩陣 ,C是增廣矩陣。經(jīng)過帶約束初等行變換后如式(3)所示。

C=[AB](2)

C=[AB]A′B′C D(3)

式(3)中,C、D為零矩陣,經(jīng)過處理以后,由原先的A對應(yīng)輸出B變成了現(xiàn)在的A′對應(yīng)輸出B′,通過這樣的處理,我們就可以將大樣本變?yōu)樾颖?從而使計算更加快速,樣本數(shù)據(jù)更加精簡。 為了能使樣本應(yīng)用于本文提出的分類檢測器同步檢測模型,我們將樣本數(shù)據(jù)先進行歸類合并,分別構(gòu)造出DOS、PROBE、U2R、R2L四大類攻擊樣本數(shù)據(jù)集,這樣四個檢測器分別檢測四大類攻擊。為了降低可疑攻擊數(shù),即四大攻擊類型數(shù)據(jù)集之間的重疊記錄數(shù)要少。精度過大會增加計算量,從而會降低學(xué)習(xí)速度;精度過小,會使記錄重疊數(shù)增加,從而造成可疑攻擊數(shù)增加,影響訓(xùn)練結(jié)果。

對訓(xùn)練樣本用上述方法進行優(yōu)化后,利用矩陣初等行變換能保持矩陣列向量之間的線性關(guān)系這個結(jié)論,我們可以進一步對樣本數(shù)據(jù)的精簡,這樣精簡后的樣本數(shù)據(jù)能夠保持各屬性字段之間的線性關(guān)系。神經(jīng)網(wǎng)絡(luò)的訓(xùn)練實際上是一個通過給定樣本實時調(diào)整網(wǎng)絡(luò)連接權(quán)重的過程,樣本預(yù)處理的結(jié)果對于網(wǎng)絡(luò)訓(xùn)練的收斂性起到關(guān)鍵的作用。

3結(jié)論

(1)分析神經(jīng)網(wǎng)絡(luò)進行非線性預(yù)測多變量預(yù)測的優(yōu)越性以及神經(jīng)網(wǎng)絡(luò)用于預(yù)測的缺點所在。

(2)提出了影響網(wǎng)絡(luò)預(yù)測能力的五個重要參數(shù):樣本質(zhì)量、樣本歸一化、輸人層節(jié)點數(shù)、隱層節(jié)點數(shù)及網(wǎng)絡(luò)訓(xùn)練允許誤差目標(biāo)值。

(3)在一定允許訓(xùn)練誤差的情況下,研究了無個參數(shù)對網(wǎng)絡(luò)預(yù)測精度的影響,發(fā)現(xiàn)存在一個最優(yōu)的樣本、輸入層節(jié)點數(shù)和隱層節(jié)點數(shù),這樣的網(wǎng)絡(luò)具有較強的預(yù)測能力。

(4)本文用遺傳算法構(gòu)造了同時優(yōu)化影響神經(jīng)網(wǎng)絡(luò)預(yù)測精度的參數(shù)(輸入層節(jié)點數(shù)、隱層節(jié)點數(shù)及樣本允許訓(xùn)練誤差)的算法, 得到了較優(yōu)的網(wǎng)絡(luò)預(yù)測模型最后, 用算例驗證了本文分析結(jié)果的正確性。

參考文獻:

[1]陳果.神經(jīng)網(wǎng)絡(luò)模型的預(yù)測精度影響因素分析[J].北京: 模式識別與人工智能,2005,18(5):528-533.

[2]蔣林,陳濤,屈梁生.訓(xùn)練樣本質(zhì)量對人工神經(jīng)網(wǎng)絡(luò)性能的影響[J].北京:中國機械工程,1979,8(2):50-53.

[3]李敏強,徐博藝,寇紀淞.遺傳算法與神經(jīng)網(wǎng)絡(luò)的結(jié)合[J].北京:系統(tǒng)工程理論與實踐,1999(2).

[4]吳懷宇,宋玉階.非線性回歸分析中的神經(jīng)網(wǎng)絡(luò)方法[J].武漢:武漢冶金科技大學(xué)學(xué)報,1998,21(1):90-93.

第5篇：人工神經(jīng)網(wǎng)絡(luò)的意義范文

關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò)；概算；BP

中圖分類號：TP183文獻標(biāo)識碼： A

一、人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于建設(shè)項目概算的重要意義

（一）人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)就是由許多神經(jīng)元互連在一起所組成的神經(jīng)結(jié)構(gòu)，把神經(jīng)元之間相互作用的關(guān)系進行數(shù)學(xué)模型化就可以得到神經(jīng)網(wǎng)絡(luò)模型。人工神經(jīng)網(wǎng)絡(luò)是一種非常復(fù)雜的非線性的動態(tài)分析系統(tǒng)。它模擬人腦的神經(jīng)功能分層由單個神經(jīng)元非線性地、復(fù)雜地組合成一個網(wǎng)絡(luò)系統(tǒng)。當(dāng)某一問題的求解過程可描述為若干個有一定內(nèi)在聯(lián)系，又無法用解析法表達其內(nèi)在關(guān)系的各個輸入因子與輸出因子的關(guān)系時，將輸入、輸出因子作為樣本進入神經(jīng)元網(wǎng)絡(luò)結(jié)構(gòu)，網(wǎng)絡(luò)系統(tǒng)會對各個輸入、輸出因子的因果關(guān)系作一番認識和學(xué)習(xí)，建立起各神經(jīng)元之間的連接強度(即權(quán)值)閥值。這樣學(xué)習(xí)后生成的人工神經(jīng)元網(wǎng)絡(luò)系統(tǒng)，仿佛具有了人腦解決這一問題的技能。當(dāng)輸入一組新的參數(shù)它可以給出這個領(lǐng)域?qū)＜艺J為應(yīng)該輸出的數(shù)值。

（二）建設(shè)項目概算應(yīng)用神經(jīng)網(wǎng)絡(luò)的必要性

電網(wǎng)建設(shè)工程造價是組成電網(wǎng)的各分項工程的價格總和，而各分項工程的價格則取決于其工程量的大小和單價的高低。以往工程造價的計算是由造價編制人員算出各分項工程量，分別乘以其單價。由于組成電網(wǎng)的分項工程數(shù)量多，工程量的計算非常繁瑣，計算時間占造價計算總時間的90%以上，所以計算結(jié)果容易出現(xiàn)誤差。這表明造價計算的重點和難點在于工程量的計算。

一個有豐富經(jīng)驗的造價師，根據(jù)工程類型、特征及其相關(guān)情況，參照以往經(jīng)驗和工程數(shù)據(jù)資料，就能大致概算出造價，而無需進行大量繁雜計算，而且經(jīng)驗越豐富，資料積累越多，格算的造價就越準(zhǔn)確，模仿這種大腦思維模式，正是人工神經(jīng)網(wǎng)絡(luò)所擅長的。神經(jīng)網(wǎng)絡(luò)模型通用性、適應(yīng)性強，它不但不排斥新樣本，相反它會隨著樣本數(shù)的不斷增加而提高自身的概括能力和預(yù)測能力，這正好滿足了建立造價信息系統(tǒng)的要求--動態(tài)地、自適應(yīng)地從眾多已完工程中提取有用信息，進行預(yù)測并輔助決策，由于電網(wǎng)工程的單件性，一般不存在兩個完全一樣的工程，但許多工程之間存在著某種程度的相似性，造價估計分析的基本原理就是建立在電網(wǎng)工程的相似性基礎(chǔ)上，對于某個欲估工程，首先從分析電網(wǎng)類型和工程特征入手，再從數(shù)目眾多的同類已竣工的工程中找出與預(yù)估項目最相似的若干個工程，然后利用這些相似電網(wǎng)項目的造價資料作為原始數(shù)據(jù)進行推理，最后得到擬建電網(wǎng)的造價及其他有關(guān)數(shù)據(jù)。

二、BP網(wǎng)絡(luò)

（一）BP網(wǎng)絡(luò)算法

神經(jīng)網(wǎng)絡(luò)在目前已有幾十種不同的模型，在人們提出的幾十種神經(jīng)網(wǎng)絡(luò)模型中，人們較多用的是Hopfield網(wǎng)絡(luò)、BP網(wǎng)絡(luò)、Kohonen網(wǎng)絡(luò)和ART(白適應(yīng)共振理論)網(wǎng)絡(luò)。其中BP網(wǎng)絡(luò)是反向傳播(BackPropagation)網(wǎng)絡(luò)，它是一種多層前向網(wǎng)絡(luò)，采用最小均方差學(xué)習(xí)方式，這是一種最廣泛應(yīng)用的網(wǎng)絡(luò)。

BP算法的學(xué)習(xí)過程是由正向傳播和反向傳播兩個過程組成。在正傳播過程中,輸入信息從輸入層經(jīng)隱含層逐層傳遞、處理,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)。如果在輸出層不能得到期望輸出,則轉(zhuǎn)入反向傳播過程,將誤差信號沿原來的連接通路返回,通過修改各層間連結(jié)權(quán)的值,逐次地向輸入層傳播,再經(jīng)過正向傳播過程,兩個過程的反復(fù)運用使得誤差不斷減小至滿足要求。其模型可以表示為:

單隱層BP網(wǎng)絡(luò)有三部分組成:輸入層,輸入向量:

X=(x1x2,...,x1,...,xn)T

隱含層:

輸出層:

期望輸出向量為:

d=(d1,d2,...,dk...,dl)T

輸入層到隱含層之間的權(quán)值矩陣用V表示:V=(v1,v2,...,vj,󰀁vm)T

隱含層到輸出層之間的權(quán)值矩陣用W表示:W=(w1,w2,...,wk,...,wl)T

轉(zhuǎn)移函數(shù)采用tansig函數(shù):

F(n)=2/(1+exp(-2*))-1

準(zhǔn)則函數(shù)(誤差):

權(quán)值的調(diào)整量:�

;

反向傳播計算公式,可得如下權(quán)系數(shù)學(xué)習(xí)規(guī)律:

（二）BP神經(jīng)網(wǎng)絡(luò)的利弊分析及相關(guān)建議

BP算法樣本訓(xùn)練失敗的可能性較大，原因有以下幾點：

（1）從數(shù)學(xué)角度看，BP算法為一種局部搜索的優(yōu)化方法，但它要解決的問題是求解復(fù)雜非線性函數(shù)的全局極值，因此，算法很有可能陷入局部極值，使訓(xùn)練失敗；

（2）網(wǎng)絡(luò)的逼近、推廣能力完全取決于學(xué)習(xí)樣本的典型性。而對學(xué)習(xí)樣本的選取并組成訓(xùn)練集則是相當(dāng)困難的問題。

（3）難以解決應(yīng)用問題的實例規(guī)模和網(wǎng)絡(luò)規(guī)模間的矛盾。實例規(guī)模與網(wǎng)絡(luò)規(guī)?？偸谴嬖谥艽蟛町悾W(wǎng)絡(luò)容量也是有著自己的局限性，當(dāng)實例規(guī)模超出網(wǎng)絡(luò)容量時，BP算法會失敗。

基于前文所給出的BP網(wǎng)絡(luò)技術(shù)存在的利弊現(xiàn)象，結(jié)合工程造價實際情況，個人認為，其弊端的解決方法可以概括為以下幾點：

（1）由于BP網(wǎng)絡(luò)技術(shù)在執(zhí)行較為復(fù)雜的目標(biāo)函數(shù)時會出現(xiàn)“崩潰”現(xiàn)象，即算法低效，函數(shù)圖象錯亂、超過網(wǎng)絡(luò)容量等等。所以造價人員在選擇需要用BP算法概算的工程時應(yīng)該注意工程的復(fù)雜性，對于那些過于龐大、復(fù)雜的工程不宜采用BP算法，以免出現(xiàn)系統(tǒng)錯亂。對于較為簡單、較為精簡的工程則可用BP算法進行工程造價的概算。同時，也應(yīng)注意實例造價概算工程的規(guī)模與網(wǎng)絡(luò)實際承載規(guī)模的大小，對于網(wǎng)絡(luò)承載范圍之內(nèi)的，才宜采用BP算法。

（2）樣本數(shù)據(jù)的采集非常重要。BP算法的網(wǎng)絡(luò)預(yù)測能力是與訓(xùn)練能力呈正比的。因此，首先需要確定分解項目，分解項目應(yīng)選擇那些最能體現(xiàn)一個工程特征并且最能決定這個工程造價的關(guān)鍵因素，這樣才能正確定位這個工程的造價。其次，選擇的已建工程一定是要與待估工程有著較高的相似度。此處，可以進行相似度估測，查看已建工程每個分項的隸屬度與待估工程隸屬度的差異，差異過大的樣本應(yīng)予以舍去。

（3）針對BP算法的“過擬合”現(xiàn)象，造價中需要注意的是選擇的樣本數(shù)量不宜過大。以防BP算法網(wǎng)絡(luò)學(xué)習(xí)了細節(jié)卻丟失了最重要的骨架――樣本內(nèi)部的規(guī)律，從而不能得出滿意的結(jié)果。

三、基于人工神經(jīng)網(wǎng)絡(luò)的送電線路工程造價概算

（一）送電線路工程造價估算模型建立

送電線路工程的造價受多個因素的相互影響，考慮下列因素作為影響著工程價格的主要因素，把它們列為神經(jīng)網(wǎng)絡(luò)的輸入單元，如圖l所示。設(shè)在某一電壓等級下的送電線路，考慮某種地形、氣象條件、架線回路、桿塔類型等基本因素的影響，把實際工程項目投資劃分為工地運輸、土石方工程、基礎(chǔ)工程、桿塔工程、架線工程、附件工程等6個部分。根據(jù)測算出的每公里建筑安裝費用，再加上其它費用與資金成本，得出每公里的單位靜態(tài)投資造價，將這些指標(biāo)作為神經(jīng)網(wǎng)絡(luò)的輸出單元。

圖1 圖2

（二）工神經(jīng)網(wǎng)絡(luò)模型的建立和設(shè)計

BP網(wǎng)絡(luò)模型結(jié)構(gòu)的選擇主要涉及到輸入層、輸出層、隱含層神經(jīng)元數(shù)目的確定、學(xué)習(xí)算法的確定等。

1、神經(jīng)元數(shù)目的確立

輸人層：由上面送電線路工程概算體系結(jié)構(gòu)的分析，按影響因素層次，可得到13項主要指標(biāo)，也即是下面的輸入神經(jīng)元。

輸出層：輸出節(jié)點對應(yīng)于評價結(jié)果，在筆者建立的模型中，產(chǎn)生了7個相關(guān)指標(biāo)，分別代表著本體工程的6項投資金額和單位投資金額，因此選擇7個輸出神經(jīng)元節(jié)點。

隱含層：隱含層神經(jīng)元單元數(shù)的選擇與輸入輸出單元的多少都有直接關(guān)系。

在實際操作中，可參考下面經(jīng)驗公式(1)確定。

n1=(1)

其中，m為輸出神經(jīng)元數(shù)；拓為輸入神經(jīng)元數(shù)；a為1～10間的常數(shù),形成的人工神經(jīng)網(wǎng)絡(luò)示意圖見圖2。

2、輸入輸出向量

（1）輸入向量

1)地形因秦

送電線路地形可能由5種地形組合而成，所討論的某地區(qū)基本是丘陵和山地組成，因此選擇它們作為2個輸入神經(jīng)元，以所占線路的百分比表示。

2)線型因素

主要包括導(dǎo)線和地線型號的選擇，參考限額設(shè)計指標(biāo)與實際采用的導(dǎo)線型號，對于110 kV線路，有LGJ―150／20、LGJ―185／25、LGJ一240／35、LGJ一300／35四種類型，依次選擇上述導(dǎo)線類型，將對應(yīng)量化值為1、2、3和4。在地線型號選擇中，選取GJ一35、GJ一50，對于量化值為1和2，導(dǎo)線和地線型號量化值作為2個輸入神經(jīng)元。

3)平均檔距

反映相鄰桿塔問的距離作為1個輸入神經(jīng)元。

4)桿塔數(shù)目

鐵塔數(shù)目和水泥桿數(shù)目對于造價影響重大，選擇鐵塔數(shù)和水泥桿數(shù)為2個輸入神經(jīng)元。

5)運距

它包括人力運距和汽車運距兩部分，作為2個輸入神經(jīng)元。

6)土石方量

1個輸入神經(jīng)元。

7)金具

它包括掛線金具和拉線金具兩部分，作為2個輸入神經(jīng)元。

8)絕緣子

1個輸入神經(jīng)元。

（2）輸出向量

工地運輸、土石方工程、基礎(chǔ)工程、桿塔工程、架線工程、附件工程、單位靜態(tài)投資。

參考文獻

第6篇：人工神經(jīng)網(wǎng)絡(luò)的意義范文

人工神經(jīng)網(wǎng)絡(luò)（ANN）又稱連接機制模型（ConnectionModel）或并行分布處理模型（ParallalDistributedModel）。作為人工智能的研究方法，目前已廣泛應(yīng)用于自然科學(xué)的各個領(lǐng)域，應(yīng)用計算機程序來模擬這種特殊的數(shù)學(xué)模型并應(yīng)用于實際流域的洪水預(yù)報研究中，無疑是一種新的嘗試和有益探索。岳城水庫是海河流域南運河水系漳河上的一座大型控制性工程，入庫洪水突發(fā)性強，水猛多沙，為確保下游河北、河南、山東、天津廣大平原地區(qū)和京廣鐵路的安全，對水庫入庫洪水進行精確預(yù)報，及時采取預(yù)泄和分洪措施顯得極其重要，因此，用人工神經(jīng)網(wǎng)絡(luò)模型模擬預(yù)報水庫的入庫洪水過程，有重要參考和借鑒意義。

2．BP網(wǎng)絡(luò)的構(gòu)建

人工神經(jīng)網(wǎng)絡(luò)是一個高度復(fù)雜的非線性動力學(xué)系統(tǒng)，它有大量的簡單處理單元（神經(jīng)元）廣泛連接而成，他對人腦的功能作了某種簡化、抽象和模擬，具有很強的非線性映射能力，其中對多層前向神經(jīng)網(wǎng)絡(luò)bp模型的研究相對成熟，應(yīng)用最為廣泛，其模型結(jié)果如圖：

結(jié)構(gòu)中，輸入層、隱層和輸出層神經(jīng)元的個數(shù)根據(jù)具體情況設(shè)定，其中隱層層數(shù)不一，不失一般性對輸出層中只含有一個神經(jīng)元的三層前向神經(jīng)網(wǎng)絡(luò)分析如下：假設(shè)輸入層中有個神經(jīng)元，隱層中有個神經(jīng)元，輸出層神經(jīng)元的輸出，即整個網(wǎng)絡(luò)的輸出為Y，網(wǎng)絡(luò)中輸入層的輸入分別為,,…，則隱層神經(jīng)元的輸入分別是：

(i=1,2,…m)(2.1)

在上式中，為隱層神經(jīng)元i與輸入層神經(jīng)元j的連接權(quán)，為隱層神經(jīng)元的閾值，選擇函數(shù)作為隱層神經(jīng)元的激發(fā)函數(shù),則隱層神經(jīng)元的輸出為：

(i=1,2,…m)(2.2)

輸出神經(jīng)元的激發(fā)函數(shù)取為線性函數(shù)，輸出層神經(jīng)元的輸出及整個網(wǎng)絡(luò)的輸出為：

(2.3)

其中，Vi為輸出層神經(jīng)元與隱層神經(jīng)元i的連接權(quán)。定義由、、組成的向量為網(wǎng)絡(luò)的連接權(quán)向量(ij，i，i)。設(shè)有學(xué)習(xí)樣本(，，…；)(=1,2…,p;p為樣本數(shù))。對某樣本(，，…；)在給出網(wǎng)絡(luò)向量后，可以通過公式(1.1)～(1.3)計算出網(wǎng)絡(luò)的輸出值，對于樣本

定義網(wǎng)絡(luò)的輸出誤差為：(2.4)

定義誤差函數(shù)為：(2.5)

(ij，i，i)隨機給出，計算式(2.5)定義的誤差值較大，網(wǎng)絡(luò)計算精度不高，在確定網(wǎng)絡(luò)結(jié)構(gòu)后，通過調(diào)整(ij，i，i)的值，以逐步降低誤差，以提高網(wǎng)絡(luò)的計算精度，下面給出根據(jù)誤差信息調(diào)整(ij，i，i)的具體計算過程。

在反向傳播算法中，是沿著誤差函數(shù)隨(ij，i，i)變化的負梯度方向?qū)M行休整。設(shè)的修正值為：(2.6)

式中：為第n次迭代計算時連接權(quán)的修正值；為前一次迭代計算時計算所得的連接權(quán)修正值；為學(xué)習(xí)率，取0~1間的數(shù)；為動量因子，一般取接近1的數(shù)。將式(1.4)和(1.5)代入式(1.6)中，有(2.7)

定義=（,,），則：

(2.8)

(2.9)

(2.10)

采用迭代式對修正計算，得到新的連接權(quán)向量。對于所有的學(xué)習(xí)樣本均按照樣本排列順序進行上述計算過程，然后固定的值，對于p個樣本分別進行正向計算，從而求出學(xué)習(xí)樣本的能量函數(shù)值：

(2.11)

這樣結(jié)束了一個輪次的迭代過程，當(dāng)滿足某一精度要求時，就停止迭代計算，所得(ij，i，i)即為最終模型參數(shù)，否則就要進行新一輪的計算。

3．BP算法的VB程序?qū)崿F(xiàn)

因程序代碼太多，不再給出。網(wǎng)絡(luò)學(xué)習(xí)程序界面如下圖2：

4．洪水預(yù)報網(wǎng)絡(luò)模型構(gòu)建

4．1資料收集

岳城水庫的入庫水文站為觀臺水文站，該站上游有清漳河匡門口水文站和濁漳河天橋段水文站，距觀臺分別為66km和64km。上游匡門口、天橋段與下游觀臺的區(qū)間流域面積為1488km2，見流域水系圖3。資料采用年鑒1962、1976、1977、1988年四次洪水和相應(yīng)年份的區(qū)間時段降雨量共118組調(diào)查數(shù)據(jù)作為模型的學(xué)習(xí)訓(xùn)練樣本，另取1971年和1982年兩次大洪水作為模型的檢驗數(shù)據(jù)。

4．2預(yù)報模型構(gòu)建

網(wǎng)絡(luò)模型采用輸出層中有一個神經(jīng)元的三層前向人工神經(jīng)網(wǎng)絡(luò)，洪水預(yù)報模型的輸出節(jié)點為岳城水庫的入庫站觀臺水文站的時刻的流量，即網(wǎng)絡(luò)。考慮河道洪水演進時間和區(qū)間流域的產(chǎn)匯流時間，分別取清漳河匡門口站和天橋斷以及流域平均降雨量、作為模型的輸入節(jié)點值；隱層神經(jīng)元節(jié)點數(shù)和輸入層節(jié)點數(shù)相同取為4。

模型參數(shù)優(yōu)化：計算中，學(xué)習(xí)率越大，學(xué)習(xí)速度會越快，但是過大時會引起振蕩效應(yīng)；動量因子取得過大可能導(dǎo)致發(fā)散，過小則收斂速度太慢。據(jù)有關(guān)文獻介紹，取，算法收斂速度較快。本次計算取，；網(wǎng)絡(luò)中的初始值取(0.1～0.1)之間的隨機數(shù)（由VB程序產(chǎn)生）。

樣本的歸一化處理：為了有效利用型函數(shù)的特性，以保證網(wǎng)絡(luò)神經(jīng)元的非線性作用，對于數(shù)值型的學(xué)習(xí)樣本要進行歸一化處理。對樣本(p=1,2,…p)定義，，歸一化處理計算就是按照公式：

(4.1)

將樣本轉(zhuǎn)化為0～1之間的數(shù)據(jù)。對于網(wǎng)絡(luò)的輸出數(shù)據(jù)還應(yīng)進行還原計算恢復(fù)實際值，公式為：

(4.2)

使用VB程序?qū)W(wǎng)絡(luò)模型進行訓(xùn)練學(xué)習(xí)，經(jīng)102135次學(xué)習(xí)后，網(wǎng)絡(luò)輸出能量函數(shù)值為3.2×10-3，此時得到模型最優(yōu)參數(shù)如表1。

表1模型參數(shù)表

序號

11.625608-2.361247-3.2047142.846384-2.718568-1.185164-1.029736

20.138017-0.041076-0.6707810.8445030.936162-2.7469741.546362

31.770369-6.0486571.1342710.7454760.58331-3.0635082.5033320.250.9

4-0.8183131.471144-1.4842650.875319-1.995911-2.6673082.075974

5-1.9730730.30147122.993124-0.160362-3.290356-1.59743-0.627028

5．模型檢驗

應(yīng)用以上該區(qū)洪水預(yù)報的神經(jīng)網(wǎng)絡(luò)模型參數(shù)分別對1982年、1971年的兩次洪水進行檢驗預(yù)測，相應(yīng)洪水過程趨勢線見圖4圖5。

表2預(yù)報考評指標(biāo)表

序號序號

1982.10.0311982年前20h0.69

1982.20.00811982年后80h0.07

1982.30.040.51982年總過程0.19

1982.40.0421971年前11h0.7

19710.0611971年后50h0.12

aver0.0361.11971年總過程0.23

注：1.1982.1表示1982年大洪水的第一次洪峰，其它類同。

2.1982年前20h表示1982年大洪水的漲洪段前20h，其它類同。

圖41971年預(yù)測洪水與實測洪水過程線圖51982年預(yù)測洪水與實測洪水過程線

檢驗標(biāo)準(zhǔn)：

1）洪峰流量預(yù)報誤,經(jīng)計算、皆小于0.1，據(jù)《水庫洪水調(diào)度考評規(guī)定SL224-98》，考評等極為良好（見表2）。

2）峰現(xiàn)時間預(yù)報誤差，經(jīng)計算考評等極為一般，其中一次良好。

3）洪水過程預(yù)報考評指標(biāo)，從預(yù)報數(shù)據(jù)分析，兩次洪水過程的預(yù)報考評0.23，，根據(jù)規(guī)范屬一般，從洪水過程檢驗指標(biāo)可分析主要是因為模型對漲洪期低量洪水預(yù)報精度不高造成，但峰值附近及后期預(yù)報精度較高，可作為洪水預(yù)報的一項行之有效的方案。

6．結(jié)論

岳城水庫入庫洪水過程的神經(jīng)網(wǎng)絡(luò)預(yù)測模型運行穩(wěn)定，對峰高量大洪水預(yù)報較為準(zhǔn)確，根據(jù)規(guī)范規(guī)定可作為水庫自動測報系統(tǒng)的有益補充，為水庫的防洪調(diào)度提供較為可靠的依據(jù)。

參考文獻：

[1]焦李成.神經(jīng)網(wǎng)絡(luò)的應(yīng)用與實現(xiàn).西安：西安電子科技大學(xué)出版社，1993

[2]李春好等.人工神經(jīng)網(wǎng)絡(luò)bp算法的數(shù)據(jù)處理方法及應(yīng)用.系統(tǒng)工程理論與實踐,1997,17(8)

[3]趙林明等.多層前向人工神經(jīng)網(wǎng)絡(luò).鄭州：黃河水利出版社，1999

[4]丁晶等.人工神經(jīng)前饋(bp)網(wǎng)絡(luò)模型用作過渡期徑流預(yù)測的探討.水電站設(shè)計,1997,13

第7篇：人工神經(jīng)網(wǎng)絡(luò)的意義范文

1.1集先進性、實用性和前沿性為一體的教學(xué)內(nèi)容改革對國內(nèi)外優(yōu)秀的人工智能教材[2-6]的內(nèi)容進行整合，建立人工智能的知識體系，并提取人工智能課程的知識要點，確定集先進性、實用性和前沿性為一體的教學(xué)內(nèi)容。人工智能的核心思想是研究人類智能活動規(guī)律和模擬人類智能行為的理論、方法和技術(shù)，因此人工智能應(yīng)圍繞“智能”這個中心。由于智能本身的復(fù)雜性，難以用單一的理論與方法來描述，因此可以通過建立人工智能的不同層次來刻畫智能這個主題。人工智能的主要內(nèi)容可按圖1所示劃分為最底層、抽象層、邏輯層和應(yīng)用層這4個不同層次。在最底層，神經(jīng)網(wǎng)絡(luò)與演化計算輔助感知以及與物理世界的交互。抽象層反映知識在智能中的角色和創(chuàng)建，圍繞問題求解對知識進行抽象、表示與理解。邏輯層提出學(xué)習(xí)、規(guī)劃、推理、挖掘的模型與方式。應(yīng)用層構(gòu)造智能化智能體以及具有一定智能的人工系統(tǒng)。將人工智能劃分為這4個層次可確定人工智能課程的教學(xué)內(nèi)容，并保證教學(xué)內(nèi)容的循序漸進。

1.2基于人工智能知識體系的教學(xué)案例庫建設(shè)根據(jù)所確定的教學(xué)內(nèi)容、知識重點和知識難點，從國內(nèi)外經(jīng)典教材、科研項目、研發(fā)設(shè)計、生產(chǎn)建設(shè)以及國內(nèi)外人工智能網(wǎng)站等多種途徑，收集案例素材，加以整理，撰寫各知識要點的教學(xué)案例及其內(nèi)容。表1給出基于人工智能知識體系的教學(xué)案例示例。

2人工智能課程教學(xué)案例的詳細設(shè)計

在教學(xué)案例具體設(shè)計時應(yīng)包括章節(jié)、知識重點、知識難點、案例名稱、案例內(nèi)容、案例分析過程、案例教學(xué)手段、思考/討論內(nèi)容等案例規(guī)范，分別從以下單一案例、一題多解案例和綜合應(yīng)用案例3種情況進行討論。

2.1單一案例設(shè)計以人工智能課程中神經(jīng)網(wǎng)絡(luò)課堂教學(xué)內(nèi)容為例，介紹基于知識點的單一案例的設(shè)計。神經(jīng)網(wǎng)絡(luò)在模式識別、圖像處理、組合優(yōu)化、自動控制、信息處理和機器人學(xué)等領(lǐng)域具有廣泛的應(yīng)用，是人工智能課程的主要內(nèi)容之一。教學(xué)內(nèi)容主要包括介紹人工神經(jīng)網(wǎng)絡(luò)的由來、特性、結(jié)構(gòu)、模型和算法，以及神經(jīng)網(wǎng)絡(luò)的表示和推理。這些內(nèi)容是神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)知識。其重點在于人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)、模型和算法。難點是人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和算法。從教學(xué)要求上，通過對該章節(jié)內(nèi)容的學(xué)習(xí)，使學(xué)生掌握人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)、模型和算法，了解人工神經(jīng)網(wǎng)絡(luò)的由來和特性，一般性地了解神經(jīng)網(wǎng)絡(luò)的表示和推理方法。采用課件PPT和演示手段，由簡單到復(fù)雜，在學(xué)生掌握人工神經(jīng)網(wǎng)絡(luò)的基本原理和方法之后，再講解反向傳播BP算法，然后運用“手寫體如何識別”案例，引導(dǎo)學(xué)生學(xué)習(xí)理解人工神經(jīng)網(wǎng)絡(luò)的核心思想及其應(yīng)用方法。從國外教材中整理和設(shè)計該案例，同時應(yīng)包括以下規(guī)范內(nèi)容。章節(jié)：神經(jīng)網(wǎng)絡(luò)。知識重點：神經(jīng)網(wǎng)絡(luò)。知識難點：人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)、表示、學(xué)習(xí)算法和推理。案例名稱：手寫體如何識別。案例內(nèi)容：用訓(xùn)練樣本集訓(xùn)練一個神經(jīng)網(wǎng)絡(luò)使其推廣到先前訓(xùn)練所得結(jié)果，正確分類先前未見過的數(shù)據(jù)。案例分析過程：①訓(xùn)練數(shù)字識別神經(jīng)網(wǎng)絡(luò)的樣本位圖；②反向傳播BP算法；③神經(jīng)網(wǎng)絡(luò)的表示；④使用誤差反向傳播算法訓(xùn)練的神經(jīng)網(wǎng)絡(luò)的泛化能力；⑤一個神經(jīng)網(wǎng)絡(luò)訓(xùn)練完畢后，將網(wǎng)絡(luò)中的權(quán)值保存起來供實際應(yīng)用。案例教學(xué)手段：手寫體識別的神經(jīng)網(wǎng)絡(luò)演示。思考/討論內(nèi)容：①訓(xùn)練改進與權(quán)值調(diào)整改進；②過學(xué)習(xí)/過擬合現(xiàn)象，即在一個數(shù)據(jù)集上訓(xùn)練時間過長，導(dǎo)致網(wǎng)絡(luò)過擬合于訓(xùn)練數(shù)據(jù)，對未出現(xiàn)過的新數(shù)據(jù)沒有推廣性。

2.2一題多解案例設(shè)計一題多解案例有助于學(xué)生把相關(guān)知識點聯(lián)系起來，形成相互關(guān)聯(lián)的知識網(wǎng)絡(luò)。以人工智能課程中知識及其表示教學(xué)內(nèi)容為例，介紹一題多解案例的設(shè)計。知識及其表示是人工智能課程三大內(nèi)容（知識表示、知識推理、知識應(yīng)用）之一。教學(xué)內(nèi)容主要包括知識表示的各種方法。其重點在于狀態(tài)空間、問題歸約、謂詞邏輯、語義網(wǎng)絡(luò)等知識表示方法。難點是知識表示方法的區(qū)別及其應(yīng)用。從教學(xué)要求上，通過對該章節(jié)內(nèi)容的學(xué)習(xí)，使學(xué)生掌握利用狀態(tài)空間法、問題歸約法、謂詞演算法、語義網(wǎng)絡(luò)法來描述和解決應(yīng)用問題，重點掌握幾種主要知識表示方法之間的差別，并對如何選擇知識表示方法有一般性的了解。通過講解和討論“猴子和香蕉問題”案例，來表示抽象概念。該案例從國內(nèi)外教材中進行整理和設(shè)計，同時包括以下規(guī)范內(nèi)容。章節(jié)：知識及其表示。知識重點：狀態(tài)空間法、問題歸約法、謂詞邏輯法、語義網(wǎng)絡(luò)法等。知識難點：知識表示方法的區(qū)別及其應(yīng)用。案例名稱：分別用狀態(tài)空間表示法與謂詞邏輯法表示猴子和香蕉問題。案例內(nèi)容：房間內(nèi)有一只機器猴、一個箱子和一束香蕉。香蕉掛在天花板下方，但猴子的高度不足以碰到它。猴子如何摘到香蕉？如何采用多種知識表示方法表示和求解該問題？案例分析過程：①狀態(tài)空間法的解題過程。用n元表列表示該問題的狀態(tài)；定義問題的操作算符；定義初始狀態(tài)變換為目標(biāo)狀態(tài)的操作序列；畫出該問題的狀態(tài)空間圖。②謂詞邏輯法的解題過程。定義問題的常量；定義問題的謂詞；根據(jù)問題描述用謂詞公式表示問題的初始狀態(tài)、中間狀態(tài)和目標(biāo)狀態(tài)。案例教學(xué)手段：猴子和香蕉問題的演示。思考/討論內(nèi)容：①選擇知識表示方法時，應(yīng)考慮哪些主要因素？②如何綜合運用多種知識表示方法獲得最有效的問題解決方案?

2.3綜合應(yīng)用案例設(shè)計與單一案例、一題多解案例相比，綜合應(yīng)用案例能更加有效地啟發(fā)學(xué)生全方位地思考和探索問題的解決方法。以機器人行動規(guī)劃模擬為例，介紹人工智能綜合應(yīng)用案例的設(shè)計，該案例包括以下規(guī)范內(nèi)容。章節(jié)：人工智能綜合應(yīng)用。知識重點：人工智能的研究方向和應(yīng)用領(lǐng)域。知識難點：人工智能的技術(shù)集成。案例名稱：機器人行動規(guī)劃模擬。案例內(nèi)容：綜合應(yīng)用行為規(guī)劃、知識表示方法、機器人學(xué)、神經(jīng)網(wǎng)絡(luò)、人工智能語言等多種人工智能技術(shù)與方法，對機器人行動規(guī)劃問題進行描述和可視化。案例分析過程：①機器人行為規(guī)劃問題求解。采用狀態(tài)歸約法與分層規(guī)劃技術(shù)，將機器人須完成的總?cè)蝿?wù)分解為若干依序排列的子任務(wù)；依據(jù)任務(wù)進程，確定若干關(guān)鍵性的中間狀態(tài)，將狀態(tài)對應(yīng)為進程子規(guī)劃的目標(biāo)；確定規(guī)劃的執(zhí)行與操作控制，以及機器人過程控制與環(huán)境約束。②基于謂詞邏輯表示的機器人行為規(guī)劃設(shè)計。定義表達狀態(tài)的謂詞邏輯；用謂詞邏輯描述問題的初始狀態(tài)、問題的目標(biāo)狀態(tài)以及機器人行動規(guī)劃過程的中間狀態(tài)；定義操作的約束條件和行為動作。③機器人控制系統(tǒng)。定義機器人平臺的控制體系結(jié)構(gòu)，包括反應(yīng)式控制、包容結(jié)構(gòu)以及其他控制系統(tǒng)等。④基于神經(jīng)網(wǎng)絡(luò)的模式識別。采用神經(jīng)網(wǎng)絡(luò)方法以及BP算法對桌面茶壺、杯子等物體進行識別，提取物體圖形特征。⑤機器人程序設(shè)計語言。運用人工智能語言實現(xiàn)機器人行動規(guī)劃行為的可視化。案例教學(xué)手段：機器人行動規(guī)劃的模擬演示。思考/討論內(nèi)容：人工智能將會怎樣發(fā)展？應(yīng)該在哪些方面進一步開展研究？

3案例教學(xué)環(huán)節(jié)和過程的具體實施細節(jié)

人工智能案例教學(xué)的實施面向筆者所在學(xué)院軟件工程專業(yè)三年級本科生展開。具體實施細節(jié)如下。（1）教學(xué)內(nèi)容的先進性、實用性和前沿性。引進和整合國外著名人工智能教材內(nèi)容，保證課程內(nèi)容具有先進性。同時將前沿人工智能的研究成果與技術(shù)有機地融入課程案例教學(xué)之中。（2）案例教學(xué)的創(chuàng)新教學(xué)模式。在教師的引導(dǎo)下，將案例中涉及的人工智能內(nèi)容推廣到對人工智能的一般性認識。案例的教學(xué)過程，成為認識人工智能、初步運用人工智能的理論與方法分析和解決實際應(yīng)用問題的過程，使學(xué)生具備運用人工智能知識解決實際問題的意識和初步能力。在課程教學(xué)中，打破國內(nèi)常規(guī)教學(xué)方式，建立和實施開放式案例教學(xué)模式。采用動畫課件、錄像教學(xué)、實物演示、網(wǎng)絡(luò)教學(xué)等多種多媒體教學(xué)手段，以及集中講授與專題討論相結(jié)合的教學(xué)方式將理論、方法、技術(shù)、算法以及實現(xiàn)有機結(jié)合，感性認識與理性認識相結(jié)合，理論與實際相結(jié)合，極大地激發(fā)學(xué)生自主和創(chuàng)新性學(xué)習(xí)的熱情。（3）“課堂教學(xué)—實踐活動—現(xiàn)實應(yīng)用”的有機融合。在案例教學(xué)過程中，從傳統(tǒng)教學(xué)觀以學(xué)會為中心轉(zhuǎn)化為創(chuàng)新應(yīng)用型教學(xué)觀以創(chuàng)新為中心，以及從傳統(tǒng)教學(xué)的以課堂教學(xué)為中心轉(zhuǎn)化為以課堂教學(xué)與實踐活動并重為中心，構(gòu)造具體問題場景以及設(shè)計教學(xué)案例在情境中的現(xiàn)實應(yīng)用，加深學(xué)生對教學(xué)內(nèi)容的理解，同時提高學(xué)生的思考能力和實際綜合應(yīng)用能力。

4結(jié)語

第8篇：人工神經(jīng)網(wǎng)絡(luò)的意義范文

[關(guān)鍵詞]神經(jīng)網(wǎng)絡(luò);鋼鐵企業(yè);質(zhì)量預(yù)測

[DOI]10.13939/ki.zgsc.2015.11.041

1 數(shù)據(jù)挖掘在鋼鐵企業(yè)質(zhì)量預(yù)測中的應(yīng)用

在鋼鐵企業(yè)質(zhì)量預(yù)測工作中，使用數(shù)據(jù)挖掘技術(shù)可以以鋼鐵企業(yè)的產(chǎn)品質(zhì)量目標(biāo)以及產(chǎn)品生產(chǎn)中存在的問題為依據(jù)來探索大量的鋼鐵產(chǎn)品生產(chǎn)業(yè)務(wù)數(shù)據(jù)，并對鋼鐵產(chǎn)品生產(chǎn)中存在的規(guī)律進行總結(jié)，然后通過模型化來指導(dǎo)鋼鐵企業(yè)開展實際的鋼鐵產(chǎn)品生產(chǎn)工作。數(shù)據(jù)挖掘過程所處理的數(shù)據(jù)具有隨機性、模糊性、不完全性以及量大的特點，但是通過數(shù)據(jù)挖掘技術(shù)所得到的信息卻是人們并不熟悉但是對鋼鐵產(chǎn)品生產(chǎn)具有較高價值的信息數(shù)據(jù)以及知識。利用數(shù)據(jù)挖掘所獲取的信息能夠作為鋼鐵企業(yè)開展信息管理、信息查詢、生產(chǎn)過程控制以及決策工作的重要依據(jù)。

從鋼鐵企業(yè)質(zhì)量預(yù)測中對數(shù)據(jù)挖掘的應(yīng)用步驟來看，主要步驟體現(xiàn)為以下幾個方面：一是鋼鐵企業(yè)中鋼鐵產(chǎn)品生產(chǎn)數(shù)據(jù)的準(zhǔn)備工作。數(shù)據(jù)挖掘技術(shù)所處理的內(nèi)容是經(jīng)過長期積累并存儲于數(shù)據(jù)庫中的信息數(shù)據(jù)，雖然數(shù)據(jù)挖掘一般都是對大量數(shù)據(jù)進行處理，但是這些原始數(shù)據(jù)卻并不適合使用數(shù)據(jù)挖掘技術(shù)開展直接挖掘，這要求鋼鐵企業(yè)能夠?qū)@些信息數(shù)據(jù)做出整理與準(zhǔn)備，如對這些數(shù)據(jù)進行縮減、轉(zhuǎn)換、凈化以及挑選等，這種準(zhǔn)備工作對于提高數(shù)據(jù)挖掘的效率以及質(zhì)量具有重要意義，換而言之，鋼鐵企業(yè)在數(shù)據(jù)準(zhǔn)備方面所做出的工作是否合格直接影響著數(shù)據(jù)挖掘的速度、準(zhǔn)確性以及得出信息的價值;二是構(gòu)建模型。在鋼鐵企業(yè)質(zhì)量預(yù)測中應(yīng)用數(shù)據(jù)挖掘技術(shù)，必須要面臨構(gòu)建模型這一重點工作與難點工作。在這項工作中，鋼鐵企業(yè)需要對數(shù)據(jù)挖掘的算法以及模式模型做出合理的選擇，尤其是數(shù)據(jù)挖掘算法的挑選十分重要。在此基礎(chǔ)上，數(shù)據(jù)挖掘可以根據(jù)鋼鐵企業(yè)質(zhì)量預(yù)測目標(biāo)來使用所確定的數(shù)據(jù)挖掘算法參數(shù)對前期準(zhǔn)備完成的數(shù)據(jù)進行分析，從而形成可以作為知識與規(guī)律的模式模型;三是對模式模型做出解釋與評估。在鋼鐵企業(yè)質(zhì)量預(yù)測工作中，當(dāng)利用數(shù)據(jù)挖掘完成模型構(gòu)建后，還需要制定嚴格的模型評估標(biāo)準(zhǔn)，并以這些評價標(biāo)準(zhǔn)為依據(jù)來對所構(gòu)建的模式模型做出評估，從而有針對性地取出無效的模式模型，并選擇一種在理解難度方面具有優(yōu)勢的模式模型來做出解釋;四是對模型做出鞏固與運用。在鋼鐵企業(yè)質(zhì)量預(yù)測工作中，需要對數(shù)據(jù)挖掘所構(gòu)建的模式模型知識做出統(tǒng)一檢查，并對知識中存在的沖突與矛盾做出剔除。然后可以利用數(shù)據(jù)分析方法來對數(shù)據(jù)挖掘所得到的知識開展二次處理，以便讓數(shù)據(jù)體現(xiàn)出形象化、可視化以及專業(yè)化的特點。

在應(yīng)用數(shù)據(jù)挖掘開展鋼鐵企業(yè)質(zhì)量預(yù)測的工作中，并不能通過一次數(shù)據(jù)挖掘就完成相關(guān)工作，而應(yīng)當(dāng)對整個過程進行反復(fù)循環(huán)，并做出反饋與完善。雖然數(shù)據(jù)挖掘技術(shù)能夠很好地得出鋼鐵企業(yè)質(zhì)量預(yù)測結(jié)果，但是需要注意的是，數(shù)據(jù)發(fā)掘僅僅是一項可以應(yīng)用于鋼鐵企業(yè)質(zhì)量預(yù)測中的工具，而并不是萬靈藥，雖然良好的應(yīng)用能夠減少鋼鐵企業(yè)生產(chǎn)中的質(zhì)量問題，但是如果不能做出良好應(yīng)用，則會導(dǎo)致鋼鐵企業(yè)在質(zhì)量預(yù)測方面投入不必要的人力與財力。

2 人工神經(jīng)網(wǎng)絡(luò)在鋼鐵企業(yè)質(zhì)量預(yù)測中的應(yīng)用

人工神經(jīng)網(wǎng)絡(luò)是以人腦組織原理與活動原理為依據(jù)構(gòu)造數(shù)據(jù)驅(qū)動型非線性映射模型，通過對這種模型的運用，可以對因果關(guān)系做出映射。將人工神經(jīng)網(wǎng)絡(luò)引用于鋼鐵企業(yè)質(zhì)量預(yù)測中，可以從鋼鐵企業(yè)產(chǎn)品生產(chǎn)的歷史信息內(nèi)進行學(xué)習(xí)，并發(fā)現(xiàn)鋼鐵企業(yè)質(zhì)量規(guī)律，從而對鋼鐵企業(yè)質(zhì)量做出準(zhǔn)確預(yù)測。相對于數(shù)學(xué)模型而言，人工網(wǎng)絡(luò)模型具有更廣的處理范圍，并且具有自組織、自適應(yīng)、容錯魯棒等特性，因此對于復(fù)雜數(shù)據(jù)的處理往往具有良好的表現(xiàn)。人工神經(jīng)網(wǎng)絡(luò)在鋼鐵企業(yè)質(zhì)量預(yù)測中的應(yīng)用為鋼鐵企業(yè)質(zhì)量預(yù)測提供了一種新的辦法與途徑，在利用人工神經(jīng)網(wǎng)絡(luò)開展鋼鐵企業(yè)質(zhì)量預(yù)測的過程中，可以將影響鋼鐵企業(yè)質(zhì)量的各類要素進行輸入并構(gòu)建包含不確定性影響的模型，在鋼鐵企業(yè)質(zhì)量預(yù)測中十分適用。

當(dāng)前鋼鐵企業(yè)質(zhì)量預(yù)測目標(biāo)是對影響鋼鐵企業(yè)生產(chǎn)質(zhì)量的因素做出預(yù)測并對這些因素做出改進，同時預(yù)測在鋼鐵企業(yè)生產(chǎn)過程中是否仍舊會產(chǎn)生質(zhì)量問題。如果判定鋼鐵企業(yè)生產(chǎn)仍舊會產(chǎn)生質(zhì)量問題，則要求鋼鐵企業(yè)尋找問題產(chǎn)生的原因與對策，并在解決問題之后開展生產(chǎn)以生產(chǎn)出具有更高質(zhì)量的產(chǎn)品。在其他方面，人工神經(jīng)網(wǎng)絡(luò)還可以預(yù)測鋼鐵企業(yè)生產(chǎn)工藝改變對生產(chǎn)質(zhì)量的影響等。由此可見，人工神經(jīng)網(wǎng)絡(luò)在鋼鐵企業(yè)質(zhì)量預(yù)測中具有重要的應(yīng)用價值。人工神經(jīng)網(wǎng)絡(luò)在鋼鐵質(zhì)量預(yù)測中的應(yīng)用，會讓鋼鐵質(zhì)量預(yù)測工作的理念以及技術(shù)都產(chǎn)生一種變革，并在對傳統(tǒng)質(zhì)量預(yù)測方法做出突破的基礎(chǔ)上解決鋼鐵企業(yè)傳統(tǒng)質(zhì)量預(yù)測中存在的缺陷，從而為鋼鐵企業(yè)生產(chǎn)質(zhì)量預(yù)測模式體現(xiàn)出實用化的特點以及鋼鐵企業(yè)生產(chǎn)現(xiàn)代化的發(fā)展發(fā)揮推動作用。但是同時，人工神經(jīng)網(wǎng)絡(luò)在鋼鐵企業(yè)質(zhì)量預(yù)測中的應(yīng)用也具有一定缺陷，這些缺陷主要體現(xiàn)在人工神經(jīng)網(wǎng)絡(luò)所得出的知識是分散于系統(tǒng)內(nèi)部的，通過對人工神經(jīng)網(wǎng)絡(luò)的使用，在使原始數(shù)據(jù)在歸納法基礎(chǔ)上利用學(xué)習(xí)算法來完成內(nèi)部知識庫的構(gòu)建，然而單個的神經(jīng)元并不進行信息數(shù)據(jù)的存儲，這導(dǎo)致了知識具有不明確的表達以及具有很大的正視難度，同時也無法做出有效的解釋。

3 BP人工神經(jīng)網(wǎng)絡(luò)在鋼鐵企業(yè)質(zhì)量預(yù)測中的應(yīng)用

在鋼鐵企業(yè)應(yīng)用神經(jīng)網(wǎng)絡(luò)開展質(zhì)量預(yù)測工作的過程中，需要認識到人工神經(jīng)網(wǎng)絡(luò)具有多樣化的特點，因此需要鋼鐵企業(yè)以實際問題為依據(jù)來對網(wǎng)絡(luò)類型做出選取。在一些情況中，鋼鐵企業(yè)需要根據(jù)歷史產(chǎn)品質(zhì)量數(shù)據(jù)來獲得質(zhì)量特性信息，從而為質(zhì)量預(yù)測與分析工作提供依據(jù)。能夠?qū)|(zhì)量模型產(chǎn)生影響的因素較多，并且也沒有一個專門的數(shù)學(xué)解析式來用于鋼鐵企業(yè)質(zhì)量預(yù)測的計算，因此這屬于一個具有復(fù)雜性特點的非線性問題。對于這類問題，鋼鐵企業(yè)可以使用BP網(wǎng)絡(luò)模型來進行解決，這種模型的優(yōu)勢在于具備較強的非線性映射能力。在鋼鐵企業(yè)質(zhì)量預(yù)測工作應(yīng)用BP網(wǎng)絡(luò)的實踐中，大部分的神經(jīng)網(wǎng)絡(luò)模型都是使用BP網(wǎng)絡(luò)或者BP網(wǎng)絡(luò)的變化形式，其作用在于數(shù)據(jù)壓縮、函數(shù)逼近、模式識別以及分類。在這種網(wǎng)絡(luò)的應(yīng)用中，只要具備隱層以及隱層單元數(shù)的數(shù)量夠多，BP網(wǎng)絡(luò)就能夠在不構(gòu)建數(shù)學(xué)解析式模型的基礎(chǔ)上向任意非線性映射關(guān)系進行逼近。則主要是因為只要以原始的鋼鐵企業(yè)生產(chǎn)數(shù)據(jù)為依據(jù)，并利用學(xué)習(xí)與訓(xùn)練就可以找出原始數(shù)據(jù)與有價值數(shù)據(jù)之間的聯(lián)系，由此可見，這種方法在鋼鐵企業(yè)質(zhì)量預(yù)測中具有良好的適應(yīng)性。另外，BP網(wǎng)絡(luò)所采用的學(xué)習(xí)算法具有穩(wěn)定的工作狀態(tài)、嚴謹?shù)慕Y(jié)構(gòu)以及清晰的思路，并且良好的容錯能力也能夠在連接改動甚至損壞的情況下不會出現(xiàn)系統(tǒng)崩潰的情況。但是BP網(wǎng)絡(luò)所使用的學(xué)習(xí)方法具有過慢的收斂速度，因此需要在數(shù)據(jù)分析中做出千次迭代，因此，很多BP網(wǎng)絡(luò)在一些系統(tǒng)中并不具備適應(yīng)性?？傊?，BP在包括鋼鐵企業(yè)在內(nèi)的許多工程領(lǐng)域都得到了運用，隨著BP網(wǎng)絡(luò)的不斷完善，BP網(wǎng)絡(luò)在鋼鐵企業(yè)質(zhì)量預(yù)測中也將發(fā)揮出越來越重要的作用。

參考文獻：

[1]張維維，趙成林，李廣幫，等.BP神經(jīng)網(wǎng)絡(luò)技術(shù)在鋼鐵工業(yè)中的應(yīng)用[J].鞍鋼技術(shù)，2010（4）.

[2]陳蘊博，左秀榮，王淼輝，等.人工神經(jīng)網(wǎng)絡(luò)在鋼鐵材料研究中的應(yīng)用[J].材料導(dǎo)報，2009（7）.

[3]張永敢，蔡瑞英.基于BFGS算法的BP網(wǎng)絡(luò)在燒結(jié)終點預(yù)報中的應(yīng)用[J].微計算機信息，2008（34）.

第9篇：人工神經(jīng)網(wǎng)絡(luò)的意義范文

Abstract： The river is particularly important in the city's drainage system. In this paper， BP neural network is used to construct the river water level forecasting model from the macroscopic aspect. Through the model predicted value， it is displayed in the three-dimensional system to achieve the spatial distribution of disaster points in the city's waterlogged river. The advantages of the model： access to less data， high precision， can be a good simulation of rainstorm conditions in Kunming Panlongjiang Youguanqiao water level. The research results of this paper are helpful to the study of urban waterlogging.

關(guān)鍵詞： 三維系統(tǒng)；BP；城市內(nèi)澇；MATLAB；預(yù)測模型

Key words： three-dimensional system；BP；urban waterlogging；MATLAB；prediction model

中圖分類號：TV85 文獻標(biāo)識碼：A 文章編號：1006-4311（2017）14-0181-03

0 引言

近年來，城市內(nèi)澇問題困擾著很多城市，城市河道漫堤對城市的內(nèi)澇影響較大，城市綜合流域排水模型系統(tǒng)（INFOWORKS ICM）現(xiàn)在正被中國大部分市政規(guī)劃部門應(yīng)用于城市內(nèi)澇模擬評價中。INFOWORKS ICM要能精確地模擬城市內(nèi)澇的演進過程，河道水位數(shù)據(jù)必不可少。河道災(zāi)害點在三維系統(tǒng)中的空間分布對城市防澇，防災(zāi)預(yù)案的制定、災(zāi)害點地下管線的規(guī)劃有著重要意義。

1 人工神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建

宏觀的研究河道水位前人已經(jīng)做過很多成功的案例。在過去的二十年里，國際上許多學(xué)者開展了人工神經(jīng)網(wǎng)絡(luò)在城市內(nèi)澇防治中的相關(guān)研究。利用人工神經(jīng)網(wǎng)絡(luò)技術(shù)對城市洪水，區(qū)域洪災(zāi)，城市防澇進行了很多研究[1，2]。在預(yù)測方面Yen-Ming Chiang，et.al，L.See，et.al，通過一些實驗證實人工神經(jīng)網(wǎng)絡(luò)在實時洪水預(yù)測方面的能力[3，4]。Masoud Bakhtyari Kia等人選擇一片示范區(qū)域，將該區(qū)域的七個不同GIS圖層作為神經(jīng)網(wǎng)絡(luò)的入條件，將一個河道淹沒區(qū)空間分布作為輸出結(jié)果，模擬結(jié)果很好地反應(yīng)了洪水淹沒情況[9]。人工神經(jīng)網(wǎng)絡(luò)是一種與人類神經(jīng)系統(tǒng)的信息處理相似的技術(shù)。神經(jīng)網(wǎng)絡(luò)包括很多種，最常用的一種為BP神經(jīng)網(wǎng)絡(luò)，它具有非常強的非線性映射能力，是一種前向網(wǎng)絡(luò)。怎樣獲取精度較高的內(nèi)河河道水位及在其災(zāi)害點的三維可視化空間分布，對科學(xué)地分析城市內(nèi)澇具有一定意義。

1.1 數(shù)據(jù)的收集

本研究采用了大量GIS類型數(shù)據(jù)，首先采集了盤龍江沿岸1：500地形以及影像數(shù)據(jù)，同時經(jīng)過2個月的采集收集了盤龍江沿岸220個排水口數(shù)據(jù)，這些排水口在雨季都向盤龍江排出雨水，對盤龍江雨天的河道水位造成一定影響，排水口的普查情況在GIS系統(tǒng)中的分布圖如圖1。

降雨水位數(shù)據(jù)選取了：金殿水庫站、茨壩站、松華鄉(xiāng)站、鼓樓站、雙龍鄉(xiāng)站，對昆明市盤龍江昆明水文站油管橋段影響較大的幾個降雨觀測站（見圖2）。

收集了從7月18日13時到7月19日23時的降雨數(shù)據(jù)，數(shù)據(jù)覆蓋了整個洪水的淹沒過程， ANDREW P. DUNCAN等（2012）使用氣象雷達和降雨數(shù)據(jù)建立神經(jīng)網(wǎng)絡(luò)模型實現(xiàn)了實時洪水預(yù)測[5，6，7]，運用降雨數(shù)據(jù)模擬洪水具有合理性和可行性。水位數(shù)據(jù)為盤龍江昆明水文站油管橋的監(jiān)測數(shù)據(jù)，數(shù)據(jù)時間跨度為從7月18日13時到7月19日23時的每小時水位數(shù)據(jù)。

1.2 模型的建立

本文建立以下BP人工神經(jīng)網(wǎng)絡(luò)模型，模型結(jié)構(gòu)如圖3。

神經(jīng)網(wǎng)絡(luò)的建模過程主要包括：數(shù)據(jù)前處理、選擇充分的模式輸入、確定適當(dāng)?shù)木W(wǎng)絡(luò)拓撲結(jié)構(gòu)以及參數(shù)初始化和模型檢驗。本文所用的訓(xùn)練函數(shù)：BP網(wǎng)絡(luò)的學(xué)習(xí)算法選擇trainlm Levenberg-Marquardt反向傳播算法訓(xùn)練函數(shù)，傳輸函數(shù)隱含層為tan-sigmoid、輸出層為purelin為線性函數(shù)，purelin（X）函數(shù)比較簡單，輸出就等于輸入。

經(jīng)過多次反復(fù)的試錯加減隱含層神經(jīng)元個數(shù)，對比他們的學(xué)習(xí)結(jié)果得到最佳的隱含層節(jié)點數(shù)為10，學(xué)習(xí)因子為0.04，目標(biāo)誤差為1e-6，最大迭代次數(shù)設(shè)置為5000次，訓(xùn)練的結(jié)果不錯。

1.3 模型的運行結(jié)果

加入排水知識的管線數(shù)據(jù)后，神經(jīng)網(wǎng)絡(luò)預(yù)測模型的河道水位與實際河道水位的對比如圖4。從圖4可以看出神經(jīng)網(wǎng)絡(luò)預(yù)測模型可以很好地模擬河道水位[8，9]。

通過建立BP人工神經(jīng)網(wǎng)絡(luò)模型，實現(xiàn)人工神經(jīng)網(wǎng)絡(luò)模型與城市河道系統(tǒng)的耦合，對輸入條件進行了網(wǎng)絡(luò)自學(xué)習(xí)、模擬和訓(xùn)練，通過上述工作，對昆明市主城區(qū)盤龍江昆明水文站2013年7月19日前后35小時內(nèi)暴雨水位進行預(yù)測，研究結(jié)果表明，上述方法能夠很好地模擬河道水位變化情況，模擬結(jié)果在內(nèi)澇水位時間分布上與歷史記錄基本趨同，因此本研究能夠為預(yù)測城市內(nèi)河水位過程提供幫助。

2 三維系統(tǒng)

StampGIS是國際領(lǐng)先的具有完全自主知識產(chǎn)權(quán)的大型3D GIS平臺軟件，其在精細化大場景渲染、真實美觀的可視化效果、地上地下一體化、海量空間數(shù)據(jù)管理、三維數(shù)據(jù)全要素實時在線更新和三維地下管線自動化生成等方面具有核心技術(shù)競爭優(yōu)勢，支持傾斜攝影測量數(shù)據(jù)、支持BIM數(shù)據(jù)、分布式部署、物聯(lián)網(wǎng)集成和云計算架構(gòu)，可無縫聚合ArcGIS、天地圖等第三方服務(wù)。平臺采用開放的軟件架構(gòu)體系，可實現(xiàn)開發(fā)環(huán)境（SDK）與運行環(huán)境（RunTime）的統(tǒng)一，并提供豐富的二次開發(fā)接口（COM）。

StampGIS系列軟件及三維數(shù)據(jù)生產(chǎn)工藝已廣泛應(yīng)用于數(shù)字城市、城鄉(xiāng)規(guī)劃、市政管線、數(shù)字營房、高速公路、城市交通和數(shù)字礦山等領(lǐng)域，在StampGIS中表達河道水位災(zāi)害點的分布較為直觀。本文通過神經(jīng)網(wǎng)絡(luò)預(yù)測的河道水位點，比較現(xiàn)實河堤數(shù)據(jù)，來判斷河道是否漫堤，即是否為災(zāi)害點。加入河道水位點的三維空間分布如圖6。當(dāng)城市進入暴雨期時，水位監(jiān)測點的水位高程超過河堤高程，即為城市內(nèi)河的在災(zāi)害點。

3 結(jié)束語

本文從神經(jīng)網(wǎng)絡(luò)模型入手，運用BP神經(jīng)網(wǎng)絡(luò)的預(yù)測功能來預(yù)測河道的水位數(shù)據(jù)，結(jié)合河堤數(shù)據(jù)從而判斷盤龍江沿岸的災(zāi)害點。再結(jié)合三維信息系統(tǒng)軟件制作水位災(zāi)害點的分布圖，使得理論研究的成果能夠直觀地表現(xiàn)出來。本文限于盤龍江沿岸水位點數(shù)據(jù)，水位點只獲取了油管橋一點。后期可以根據(jù)需要制作河道水位淹沒點專題地圖，使其成果應(yīng)用于昆明的實際生活。我國由于城市排水管網(wǎng)水力模型的構(gòu)建起步較晚，基礎(chǔ)數(shù)據(jù)的不足及普查數(shù)據(jù)的精度問題使得建立模型的精確度不高，模擬效果不理想。在城市內(nèi)澇研究中人工神經(jīng)網(wǎng)絡(luò)需要的數(shù)據(jù)少，預(yù)測精確度高，它的引入可以解決宏觀的河道水位預(yù)測。但人工神經(jīng)網(wǎng)絡(luò)自身還存在一些不完善的地方需要進一步研究進行完善。相信神經(jīng)網(wǎng)絡(luò)與三維系統(tǒng)的結(jié)合可以很好地服務(wù)于城市內(nèi)澇研究。

參考文獻：

[1]A. Breinholt， P. A. Santacoloma ， P. S. Mikkelsen ， H. Madsen ， M. Grum 3， M.K. Nielsen. Evaluation framework for control of integrated urban drainage systems[C].11th International Conference on Urban Drainage， Edinburgh， Scotland， UK： 2008.

[2]Jeng-Chung Chen， Shu-Kuang Ning， Ho-Wen Chen and Ching-Sung Shu. Flooding probability of urban area estimated by decisiontree and artificial neural networks[J]. Journal of Hydroinformatics， 2008（10）：57-67.

[3]Yen-Ming Chiang， Li-Chiu Chang， Meng-Jung Tsai， Yi-Fung Wang， and Fi-John Chang. Dynamic neural networks for real-time water level predictions of sewerage systems-covering gauged and ungauged sites[J]. Hydrol. Earth Syst. Sci.， 2010（14）：1309-1319.

[4]L. See， S. Corne， M. Dougherty， S. Openshaw. Some Initial Experiments with Neural Network Models of Flood Forecasting on the River Ouse[J]. GeoComputation '97 & SIRC '97， 1997：15-22.

[5]Masoud Bakhtyari Kia，Saied Pirasteh，Biswajeet Pradhan，Ahmad Rodzi Mahmud，Wan Nor Azmin Sulaiman，Abbas Moradi. An artificial neural network model for flood simulation using GIS：Johor River Basin， Malaysia [J]. Environ Earth Sci， 2011：DOI 10.1007/s12665-011-1504-z.

[6]ANDREW P. DUNCAN， ALBERT S. CHEN， EDWARD C. KEEDWELL， SLOBODAN DJORDJEVI & DRAGAN A. SAVI. Urban flood prediction in real-time from weather radar and rainfall data using artificial neural networks [J]. IAHS Red Book， 2012：1-6.

[7]T必波，張伶俐，陳艷.BP神經(jīng)網(wǎng)絡(luò)在洪流預(yù)報中的應(yīng)用[J].重慶工學(xué)院學(xué)報，2008，22（7）：117-128.