神经网络原理精选(九篇)

前言：一篇好文章的诞生，需要你不断地搜集资料、整理思路，本站小编为你收集了丰富的神经网络原理主题范文，仅供参考，欢迎阅读并收藏。

第1篇：神经网络原理范文

【关键词】谐波;APF;神经网络

Abstract：With the development of the power of electronics technology，due to a variety of new non-linear loads are growing has caused much harmonic in power system，active power filter is the effective way to harmonic and compensate for the elimination.The working principle of active power filter system are briefly analyzed for this paper，and proposed a detection method based on neural networks，which are mainly using neural network load caused by harmonic resistance，etc.for effective analysis，to the original filter detection of the corresponding power system fundamental active current of more complete and thorough simulation results validate the design theory and analysis results are correct.

Key word：Harmonic;APF;neural networks

1.引言

在我国的可以发展和社会进步过程中，特别是各种高科技的产品以及衍生物的出现，发展进程不断加快，由于我国的地理结构，特别是资源分布不均决定了电网的地理结构配置，尤其是在恶劣环境状况下长远距离的电网配送传输，这样不得不造成电能在传输过程中的出现诸多问题，基于越来越到的三相交流正弦设备电压的稳定性，尤其是大量的非线性设备在交流电下产生的非正弦电流（电压等）信号，造成了其电能的有效性利用和一系列谐波的干扰等等。有源电力滤波器（Active Power Filter，APF）则应运而生，其优点是可以抑制一些谐波来提高电能的稳定性和电能的质量，其中在谐波处理这一块加入新型的神经网络，如现今的BP、FFT神经网络算法的运用在电力滤波器中，能够在谐波的处理过程中更加的准确和稳定，极大地加快了效率和保证了电能的质量，也是目前市场情景很广的一个重要课题。

2.电力谐波的检测方法

在现代的电力系统中，尤其的当前的三相交流电无时不刻地出现各种干扰性谐波，影响电能质量和效率。在传统的谐波检测中有一些比较传统的方法，特别在最初使用的无源滤波器进行简单且原始地滤波，这种滤波器在使用的同时也带来了很多的不便和出现更多新的问题，在后来也慢慢被淘汰。于是在后来演变了几种比较常用的方法，每种方法有其各自特点及应用范围，因此了解各种谐波检测方法的优缺点及其适用场合对拟制谐波是非常重要的。就目前广泛应用的是那些基于瞬时无功功率理论的p-q法，法和同步检测法以及基于正弦函数正交特性法的检测等方法，然后通过一些仿真比较各自的优缺点及适用场合，为有效拟制谐波提供理论及实际指导。分析及仿真表明，有效利用各种谐波检测方法的特点进行谐波拟制是非常有效、实用的，这是充分利用其反向特点分析的。

2.1 检测法

就目前大部分的谐波检测而言，基本都是运用检测法进行谐波检测，在谐波检测的基本工作原理是：将电压或电感器输出的电流信号转化为电压信号并进行适当的放大或缩小（根据实际信号的输出情况进行放大或缩小）。首先指令运算电路就是谐波检测的重要部分，其作用是在有源电力滤波器的补偿作用下得出其补偿电路的指令信号（电流信号），其中常用且最为重要的部分是三相电路的检测方法，在实际生活中常用的有两种：一种是电路谐波检测法，另一种是无功电流检测法。如下图1是电路-谐波检测的原理示意图.其方法的基本原理是利用三相电压源中的其中一项与同相位的正弦信号和相对应的余弦信号sinωt_cosωt，然后他们由一个相锁环（PLL）和sinωt_cosωt信号的发生电路模块得到。再根据定以及其公式计算出、。在图中、是由、、产生的、于是由、可以计算出、、，进而计算出、、。运算公式如图1所示。

图1 三相电流谐波检测原理示意图

（6）

（7）

（8）

（9）

用给定这些式子可以理想化的酸楚相应的补偿电流出来，这样根据所需的参数量来进行可控补偿。最终达到谐波抑制的目的。

2.2 基于神经网络的电流检测

在传统的APF（有源电力滤波器）中，我们很难有准确的测量方法，即是根据理想化的公式也只能进行理想的运算，然而在实际运行过程中，其测量参数准确度的有很大差距，于是我们提出了一种基于神经网络电流检测方法，这样在有源电力滤波器中有了很好检作用，其神经网络原理图 如下图2所视，它具有多种跟踪捕捉参数的能力，也能更为快速、准确地检测出来，达到的结果更接近理想值，在有源电力滤波器中加入运用神经网络是现今以及未来的一个趋势。

图2 神经网络结构图 图3 基于神经网络的基本原理图

3.建立相关模型并仿真

在APF的滤波基础上加入需要的神经网络模块，更能有效且准确地检测谐波并进行有效的补偿，最终得到需要的电流（电压）信号供日常实际生产。在被控参数的前馈期加入神经网络，可以很好的前馈控制，这样的优点是互惠产生不必要的延迟，同时可以减小工作时间。

3.1 模型建立

由于该研究主要针对于日常用的三相电力系统中，所以本文也是以三相交流为研究对象，其主要原理框图如图4所示

图4 加入神经网络的有源滤波的简易原理框图

我们可以很弄清楚地看到，滤波装置（APF）中加入可控串补神经经网调节模块，由图中可以看出主要对一些交流电流等相关参数进行补偿和抑制，在实际的运行环境中一系列的谐波、内外振荡和非稳定因素等干扰就得到了很好的抑制和处理，电压（电流）变得更稳定并且得到补偿和提高，很接近预期理论计算值，最终改善了运行环境，提高了电能的质量，同时更能有效地节省资源和提高电能有用功率。在每个模块达到自己的理论使用效果后，就可以很好地达到预期的结果。

3.2 仿真结果

本文研究对象主要是针对于三相交流电的电流参数进行测试，得到了一些列的仿真结果，基本能够反映研究的基本目的。下列图形分别给出了其三相交流电流谐波补偿抑制的仿真图像。

（1）当给定电压在380v、50Hz、α=30°时，在给与一定负载，得到的电流波形图如下图5所示，谐波很明显，三相正弦电流波形受到的干扰很明显，在有源滤波器的作用，谐波得到了很好的抑制并且提供了相应的补偿，是电流波形接近正常。

（2）当给定电压为380V、50Hz、α=30°时，同时给与一定负载，得到的电流波形图如下图6所示，谐干很明显，可知三相正弦电流波形受到的干扰很明显，在有加入神经网络后的有源滤波器的作用下，我们能够很明显地看到谐波得到了很好的抑制，且给予的补偿也很充分，电流的曲线图像变得更接近理想值，振幅也比以前增大了，从图像中我们可以得出在神经网络的作用下，有源电力滤波器的作用能够发挥得更加充分和完善，也是我们研究的重点和趋势。

4.总结

本文主要是在谐波污染现状上，对谐波进行系统的研究，尤其是在谐波检测的基础上进行研究，并设计了一种基于神经网络的有源电力谐波检测法，利用神经网络具有逼近任意非线性函数能力，响应快、超调小、误差小、鲁棒性好等一些优点，克服了有源电力滤波器补偿性能不足，检测效率低等缺点。其仿真结果表明基于该神经网络的谐波检测模块的试验中，可以得出其具有快速且准确的检测抑制效果，对今后的谐波抑制方面具有很好的发展前景。

参考文献

[1]杨军，王兆安.三相电路谐波电流两种检测方法的对比研究[J].电工技术学报，2005，6（7）.

[2]王兆安，刘建军.电力电技术[M].北京：机械工业出版社，2010.

[3]于志豪，刘志珍，徐文尚.基于电路模型和神经网络的谐波电流检测方法[J].电工技术学报，2004，19（9）.

第2篇：神经网络原理范文

关键词：网络经济；计算机技术；信息化；医院审计；管理策略

中图分类号：R197.324文献标识码：A文章编号：1007-9599 (2012) 04-0000-02

一、网络经济对医院审计带来的积极影响

（一）有利于加快医院审计信息化建设

随着医院内部管理信息化、业务运行网络化、会计信息电子化的广泛建立，不仅使医院各项经济活动的会计处理工作均可以通过计算机系统和软件自动完成，还使医院的经营管理步入了信息化、网络化的轨道。在这样的网络经济环境下，医院审计工作的范围、对象、内容、方法等审计要素也随之发生了较大的变化，对传统的审计工作造成了巨大的冲击。为了满足医院管理信息化的发展需求，医院必须加快审计信息化建设，以改进传统审计工作的不足，提高医院整体信息化的建设水平。

（二）有利于实现医院审计目标

医院审计工作的目标在于紧紧围绕本院工作重心，以强化财务管理和内部控制监督为主要任务，实现维护国家财经纪律、促进医院健康发展的目标。所以，医院必须采取先进、科学的技术方法，借助于网络技术、信息技术和计算机技术对所获取的审计凭证和信息资料进行加工处理，作为审计结果的评估、判断依据，以此为医院领导提供可靠的决策信息，从而确保审计目标的实现。

（三）有利于提升医院内部审计质量

网络经济环境下，网络信息技术已经广泛被应用于医院的日常经营管理活动中，医院内部审计工作也不例外。审计工作利用现代科学技术，不仅可以极大地减轻审计人员的工作量，确保审计数据的准确性和完整性，还可以促进审计工作规范化、流程化，提高审计工作效率，降低审计管理成本，从而提升医院内部审计工作水平和质量。

二、网络经济对医院审计的管理策略

（一）运用计算机辅助审计方法

1.对医院日常会计信息的审计。当前的医院审计要求审计工作人员应对会计信息给予更多的分析，并利用计算机辅助审计来完成具体工作。首先，应多开发一些适用于计算机辅助审计的应用软件，这样便于审计人员借助这些审计软件来对会计信息进行相应的检查、测试、比较分析、统计、汇总等审计工作。如审计人员可以通过借助相应的审计软件对医院财务部门各个时期的指标进行比较，并从中找出异常状况，以便于进一步加以调查和分析；其次，也可以借助会计电算化自带的一些功能来完成审计工作。如审计人员可以利用会计电算化中的查询过滤功能，将某些明细账反映的医疗服务金额在指定数额以上的全部记录显示出来，借此来进行分析性复核；再次，使用办公自动化软件来辅助审计工作。如可借助EXCEL表格对材料成本差异核算进行复核。

2.计算机辅助审计信息管理与传递。在进行审计时，审计人员需要掌握大量的有关信息，如法律法规、被审计单位的具体情况、上一年度的审计底稿以及审计报告等等。在以往应用手工方式时，这些信息都是由人工进行整理和提供，既费时又费力，致使审计效率偏低。而利用计算机辅助审计，则可将这些信息全部存储到计算机中，通过计算机的快速查找功能，便可以迅速、准确地找到所需的信息。因此，为方便审计人员开展工作，应建立审计法律法规库、被审单位信息集料库以及审计档案库等，同时还应提供相应的更新、维护以及查询功能。

3.计算机辅助审计统计抽样。在网络经济环境下，现代审计已经建立起了一套较为完善的抽样技术。而将抽样技术合理地应用于审计工作当中，是审计理论与实践的一大重要突破，特别是统计抽样比非统计抽样更具科学性，其能够准确地将抽样误差控制在指定的范围以内。正因如此，计算机辅助审计的作用也随之得以展现，具体体现在以下几个方面上：其一，审计抽样随机数的选取。利用计算机辅助审计，则可通过程序编码并借助计算机自身的功能来选取随机数，既方便又快捷；其二，样本选取。使用恰当合理的统计抽样方法可以有效地避免抽取无代表性样本的风险，从而达到迅速、公正、客观的目的；其三，简化计算。借助计算机辅助审计，能够利用计算机的语言编辑功能，建立一些应用程序，并以此来计算有关的统计指标，如样本量、总体估算值等等，只要运行这些程序便能够快速地获得结果。

（二）使用高效的医院审计软件

在信息化的前提条件下，审计人员需要大量的时间和精力去对医院信息系统的具体功能进行了解，只有这样才能够确保处理的完整性、正确性以及合法性。而当一个医院信息系统建设完成并投入使用以后，对其的改进要比设计研发更加困难，并且费用也会更好。为此，除应对已经投入使用的医院信息系统进行审计外，还应加强事前和事中审计。这就要求审计人员应参与到医院信息系统的设计研发过程当中，这样能够及时发现问题，并进行相应的改进。此外，专业的审计软件也能够帮助审计人员完成审计工作。但是由于各个医院的信息系统都存在一定差别，统一性和标准性较差。针对这一问题，当前急需制定一个统一的数据格式标准或转换标准。同时也应对审计软件进行模块化和程序化，从而方便审计人员在现场制定审计方案，这样有利于审计工作的顺利开展。

（三）建立医院内部审计信息系统

医院内部审计信息系统是以医院信息系统和内部控制系统为基础，结合内部审计理论、风险管理理论，通过对医院经济活动所产生的财务数据进行实时监控，从而完成对医院整体资源审计管理的综合信息系统。该系统由以下三个子系统构成：其一，审计专家信息系统。其主要技术功能包括审计抽样和分析、审计取证、审计数据采集和转换、审计工作底稿编制、审计信息交互共享、审计报告、审计规则库定义和修订等；其二，审计监控系统。该系统直接嵌入到医院管理信息系统中，对财务数据资源进行实时监控；其三，数据库系统。该系统利用数据库技术实现内部审计数据与医院管理信息系统的转换，并将医院内部审计数据与财务医务信息进行集中、整合，而后对整个医院数据实施共享。内部审计信息系统可以通过数据库系统获取所有财务数据信息，加强了对医院日常经济活动的审计，同时也可以利用审计专家系统对财务数据实施回归分析、线性分析和统计分析，尤其能够发现数据记录中存在的疑点事件和违规行为，从而加强医院管理风险的控制。

（四）做好审计风险防范工作

现阶段，在网络经济环境下，计算机网络技术的不断发展，推动了其在管理领域中的应用，这使得以往传统的管理、控制、检查以及审计等技术均面临着严峻挑战。与此同时，国际会计公司、专业服务机构以及咨询公司等都将风险防范，尤其是计算机网络及信息系统的运行风险防范作为日常管理的工作重点。目前，网络系统在医院的应用日益普及，各类重要信息的载体也由传统的纸张转变为磁性介质。虽然这种介质在使用上比较方便，但是对其的保存要求却相对较高，它很容易受到高温、震动以及磁性物质的影响，这在一定程度上增大了保存风险。并且这种存储媒体的可变性较强，极易被非法访问和滥用。为了确保重要信息的安全性，必须加强风险防范。一方面可以通过制定相关的风险防范规章制度，如网络管理规定、安全保密规定以及会计核算软件安全运行管理细则等等；另一方面，还应不断强化医院内部控制，借此来保护自身的安全，进而保障会计信息的真实性、准确性以及可维护性，以此来降低审计风险。

（五）提高审计人员计算机水平

目前，理论基础知识的缺乏以及计算机审计整体水平偏低等情况，已成为影响医院内部审计信息化建设的主要因素之一，也在一定程度上阻碍了医院的健康发展。针对这一问题，必须采取积极有效地措施予以解决。首先，应加大对审计人员的培训力度。作为一名医院内审人员不仅要熟练掌握先进的审计方法和审计工具，如审计软件等，并且还要能够将这些软件有效地应用到实际审计工作当中，以此来提高计算机审计方面的专业水平。同时还应了解医院财务、会计专业方面的相关知识，从而成为既懂医院业务又熟悉计算机审计技术的复合型人才；其次，医院应通过不断引进具有较高审计水平及丰富计算机知识的人才，来提高医院内部审计队伍的整体水平；再次，在条件允许的前提下，医院还可建立审计人员与计算机网络及电子商务等方面专家全面联合的机制，这种机制的建立也是当前解决医院审计人员计算机水平偏低的有效途径之一。

参考文献

第3篇：神经网络原理范文

[关键词] BP网络； 旅行社； 人力资源危机； 预警模型； 危机识别

doi ： 10 . 3969 / j . issn . 1673 - 0194 . 2014 . 03. 034

[中图分类号] F272.92 [文献标识码] A [文章编号] 1673 - 0194（2014）03- 0074- 05

人力资源危机在旅行社行业吸引人才、培养人才、留住人才的各个环节都有体现，影响旅行社行业人力资源管理的效果，影响旅行社行业的稳定与发展。因此，如何对旅行社行业人力资源危机状况进行评判，进而采取应对措施，是当前旅行社行业人力资源管理的一个迫切任务。本文引入人工神经网络中的BP网络，构建河南省旅行社人力资源危机预警模型，以期提早应对危机。

1 BP网络简介

BP网络由一个输入层、若干隐含层和一个输出层构成，是一种具有3层或者3层以上结构的多层神经元网络，网络中的神经元分层排列，它的左、右各层之间各个神经元实现全连接，即左层的每一个神经元与右层的每个神经元都有连接，而上下层各神经元之间无连接。每一层内神经元的输出均传送到下一层，这种传送由连接权来达到增强、减弱或抑制的作用，除了输入层的神经元以外，隐含层和输出层神经元的净输入是前一层神经元输出的加权和。每个神经元均由它的输入、活化函数和阈值来决定它的活化程度。在人工神经网络的实际应用中，80%～90%的模型是采用BP网络或它的变化形式。BP网络可以有多层，但前向三层BP网络最具代表性，应用也最为广泛。

2 基于BP网络的河南省旅行社人力资源危机预警模型的构建

2.1 构建旅行社人力资源危机预警指标体系

人力资源危机预警指标体系由一系列能敏感反映人力资源管理活动状态和结果表现的指标构成。笔者通过分析河南省旅行社人力资源危机现状，遵循灵敏性、科学性、可测度性、相对独立性、预见性和可比性等原则，筛选出独立性较强、代表性较强和贡献性高的最小评价指标体系，本文借助了专家打分的方法，各指标的具体值域范围见表1。

2.2 建立基于BP网络的旅行社人力资源危机预警模型

2.2.1 用主成分分析法对模拟数据进行预处理

根据表1，本文共模拟了8组数据（见表2），以建立基于BP网络的河南省旅行社人力资源危机预警模型。

对表2中的极小值指标（如员工隐性流失率等）先取倒数，再利用SPSS统计分析软件进行主成分分析，所得结果见表3。

本文共提取出6个公共因子，其特征值的方差贡献率累积达到了96.044%（通常情况下，累积贡献率达到85%即可）。本文选择参数0.65作为划分主要、次要指标的载荷系数临界值，以满足下一步研究的要求。最后得到由10项指标构成的新的人力资源投资风险预警评价指标体系，如表4所示。

2.2.2 BP网络模型输入节点的选择

根据 Kolmogorov定理（即映射网络存在定理），一个三层BP网络即可在任意希望的精度上实现任意的连续函数 。因此，本研究中采用三层BP网络模型。影响旅行社人力资源危机度的评价因子主要有人才引进率、招聘引进员工胜任度等10个，因此，可确定BP网络的输入层节点数为10。

本文选择上述简化后的10项指标作为BP模型的输入节点。由于BP神经网络的隐层一般采用Sigmoid转换函数，为提高训练速度和灵敏性以及有效避开Sigmoid函数的饱和区，一般要求输入数据的值在0～1之间。因此，需要对输入数据进行预处理。

进行输入节点的输入时，需要先对原始的模拟数据进行归一化处理，将它们转化为闭区间[0，1]上的无量纲性指标值。本着尽可能体现被评价对象之间的差异化原则，即使其离差平方和最大的原则，本文采用了极值处理法进行归一运算：

若Mj = max{xij}，mj = min{xij} 则x′ij = ■

式中，xij为原始数据，x′ij∈[0，1]为归一化后的无量纲性指标，其归一化结果见表5。

2.2.3 BP网络模型隐层节点的选择

对于隐层节点的选择是一个非常复杂的问题，因为神经网络巨量并行分布的结构和非线性的动态特性决定了从理论上得到一个简单通用的简洁解析表达式或隐层单元确定公式是十分困难的，甚至是不可能的。隐层节点数的选择与问题的要求和输入输出单元的多少都有直接关系：如果隐节点数过少，网络不强壮，就不能识别以前没有看到的样本，容错性就差，或由于网络太小可能训练不出来；但隐节点太多又会使学习时间过长，误差也不一定最佳。因此，必定存在一个最佳的隐节点数，可用公式q = ■ + a作为参考。其中，q为隐含节点数，m为输入神经元数，n为输出神经元数，a为1 ～ 10之间的常数。

为使隐节点数更合适，本文将根据网络的实际输出与期望输出矢量的均方误差大小及训练步数的多少来综合确定，最终隐含节点选为9，其模型训练精度最佳，训练步数也最少。

2.2.4 BP网络模型输出节点的选择

从表5中选出对应于新预警评价指标体系的数据再次进行主成分分析，步骤同前，所得结果如表6所示。

本文共提取出4个公共因子，其特征值的方差贡献率累积达到92.232%。它们共同决定旅行社人力资源危机的状况。

公因子1上载荷值大于0.65的指标有：招聘引进员工胜任度、培训与员工需求吻合度、员工对评价制度和使用制度的满意度，涉及旅行社人力资源危机的多个部分，可称之为“综合因子”；公因子2上的载荷值大于0.65的指标有：人力资本投资收益率、病假发生率，可称之为“员工发展与保健因子”；公因子3上的载荷值大于0.65的指标有：员工对激励机制的满意度、缺勤率，可称之为员工“价值取向因子”；公因子4上的载荷值大于0.65的指标主要有：员工离职增长率，主要是对员工流失指标的反映，可称之为“员工流失因子”。

第一，计算各公因子的得分。由于在查找旅行社人力资源危机风险因素提出对策时，通常只研究各公共因子上的主要载荷指标，而不考虑其他冗余指标。因此，为使警情分析输出更精确，从而能更准确地分析旅行社人力资源危机风险的内容，更有针对性地提出人力资源危机预警对策，本文忽略各公因子内部的冗余指标（载荷系数小于0.65的指标），只根据主要指标（载荷系数大于等于0.65的指标）的载荷系数，通过下列算式来计算各公共因子得分：

FP1 = ■

FP2 = ■

FP3 = ■

FP4 = ■ = t34

式中，tij是表中指标Xij均值为0、标准差为1的标准化变量；p为数组序号，p = 1，2，…，8。？摇

第二，以各公共因子的方差贡献率占4个因子总方差贡献率的比重作为权重进行加权汇总，得出各数组的最终因子综合得分Fp：

Fp = ■

通过综合因子Fp（见表7）来反映旅行社人力资源危机程度，据此制定相应的防范策略。BP网络最后一层的传输函数Purelin使得网络输出可以是任意值，因此，本文将旅行社人力资源危机预警层次设置为4个级别，如表8所示，BP网络的输出层节点数为4，代表不同的旅行社人力资源危机等级，即安全、基本安全、风险和较大风险，4个等级对应的标准输出分别为[1000]、[0100]、[0010]、[0001]。

依前分析输出节点选择4个，10组输出的4个端子的数值就对应于10组人力资源危机预警指标数据所反映的旅行社人力资源危机状况。

结合旅行社人力资源危机的表现形式，本文提出了以下人力资源危机等级所对应的标准（见表8）。

Ⅰ级状态：旅行社人力资源各方面管理良好，没有明显危机迹象，处于安全状态，但仍需注意各方面的情况，防止突发性危机的出现。

Ⅱ级状态：旅行社人力资源各方面正常，基本看不出什么问题，不过需要提前采取相应措施以提防潜在危机和突发性危机的发生。

Ⅲ级状态：旅行社人力资源出现危机，会带来一定的损失，但不明显，会对旅行社人力资源各方面造成一定负面影响。

Ⅳ级状态：旅行社人力资源出现严重危机，对人力资源各方面造成非常明显和严重的影响，甚至导致旅行社倒闭。

综上所述，本文建立的BP网络人力资源危机预警模型的构造为：10 × 9 × 4（即10个输入神经元，9个隐层神经元，4个输出神经元）。

3 基于BP网络的旅行社人力资源危机预警模型的训练和检测

本文采用MATLAB工程计算软件的神经网络工具箱设计、训练并检测已建立的BP神经网络预警模型。

3.1 基于BP网络的旅行社人力资源危机预警模型的训练

本文将表6归一化后的前6组指标值作为BP网络的输入，由表7确定的风险程度矩阵作为与之相对应的期望输出，导入MATLAB的图形用户界面――GUI（Graphical User Interfaces），即可创建网络进行训练。主要训练参数设置如下（未提及的参数均采用默认值）。

（1） 训练函数：TRAINLM函数，它适用于中、小规模网络的函数拟合问题，收敛快，收敛误差小。

（2） 权值调节规则：LEARNGDM函数，采用动量梯度下降方法对权值和阈值进行调整。

（3） 网络层数：3层。

（4） 性能函数：MSE函数，表示输出矢量与目标矢量之间的均方误差。

（5） 期望误差：ε = 0.001。

由图1可知，当网络训练至第三步时，网络性能达标。BP网络模型的训练输出见表9，至此，BP网络模型训练完毕。

3.2 基于BP网络的旅行社人力资源危机预警模型的检测

同理，用第7、第8组归一化后的指标数据及对应的风险程度矩阵作为模型检测的输入和期望输出，检测结果见表10。检测结果表明，实际输出与期望输出十分接近，误差满足要求。

由此可以得出结论，基于BP网络建立的旅行社人力资源危机预警模型是有效的，可以用这个经过训练、检测完毕的BP网络危机预警模型对旅行社人力资源危机进行预警实证研究，以防范人力资源风险，保证旅行社企业良性运行，同时对整顿治理旅游市场秩序起到监督和促进作用。

主要参考文献

[1] 许谨良. 风险管理[M]. 第2版. 北京：中国金融出版社，2003：53-55.

第4篇：神经网络原理范文

【关键词】BP神经网络；计算原理；煤矿生产；安全性；评价系统；应用；分析

在煤矿开采生产中，对于煤矿安全的评价主要是结合煤矿安全生产的相关控制原理以及要求标准，在煤矿开采生产中存在的风险和不稳定因素进行分析判断，以对于煤矿开采生产中不安全情况以及事故发生的可能性以及影响程度，同时进行相应的安全控制与解决措施的提供，以保证煤矿开采生产的安全与顺利实施。结合当前国内对于煤矿安全评价的研究状况，由于研究起步相对比较晚，因此还停留在理论研究上，对于实践研究的内容相对较少。此外，在进行煤矿开采生产的安全评价中，随着煤矿开采生产环境的变化，进行其安全评价应用的理论方法之间也会存在有一定的区别，其相关评价标准之间也有一定的不同，但是，结合煤矿安全评价的实际，其安全评价应用标准主要可以分为四种类型，即相关性安全评价标准以及类推评价标准、惯性评价标准、量变到质变的安全评价标准等。下文将在对于BP神经网络计算方法的原理分析基础上，结合煤矿安全评价的相关指标体系，对于基于BP神经网络的煤矿安全评价体系的设计实现进行分析研究。

一、BP神经网络法的计算原理分析

在实际计算应用中，BP神经网络属于一种前馈式的神经网络结构，在各种计算评价中应用相对比较广泛。通常情况下，比较典型的BP神经网络架构主要包括输入层以及隐含层、输出层三个结构层次，如下图1所示，为BP神经网络的结构示意图。

BP神经网络算法在实际计算应用中是一种自主学习与反馈的计算形式，它主要是借助梯度搜索技术对于输入层输入的样本进行搜索后，通过自主学习，以迭代计算方式对于输出值进行计算，同时通过与估计值方差之间的对比，以实现输出调整，满足实际的计算评价需求。值得注意的是，BP神经网络计算方法在自主学习的计算过程中，输入信号的传递是自上向下传递实现的，在计算过程中，如果计算得到的输出值和期望值之间的误差比较大时，就会以反向传播的方式，沿计算传递路线进行返回调整，以对于计算误差进行控制和减小。

二、基于BP神经网络法的煤矿安全评价系统分析

应用BP神经网络计算方法进行煤矿安全评价系统设计构建中，首先要结合煤矿开采生产中，对于煤矿安全产生影响的指标因素，在进行煤矿安全评价指标体系构建基础上，实现基于BP神经网络的煤矿安全评价系统设计。

1、煤矿安全评价指标体系的构建

以煤矿开采生产中的矿井通风安全评价为例，在进行该项安全评价指标体系的构建中，首先需要明白矿井通风系统安全评价指标体系反映煤矿通风系统的基本情况、主要特征和系统潜在危险状态。因此，根据矿井通风系统的安全性和经济性要求，煤矿安全评价指标体系被划分为4个一级指标和19个二级指标，如下图1所示。在根据上述指标因素对于煤矿的矿井通风安全进行评价中，需要用分级量化法把定性指标转换为定量指标，同时将每个指标划分为5级，分别表示安全、比较安全、一般安全、不安全和非常不安全，每一级都有一个数值和取值标准与之对应，安全评价过程中可以根据对象的具体情况确定相应的评价值。

2、基于BP神经网络法的煤矿安全评价系统

根据上述BP神经网络的结构与计算原理，应用BP神经网络法进行计算评价时，其具体计算步骤如下。

首先，设置初始权系W（0）为较小的随机非零值；其次给定输入输出样本对，计算网络的输出，其具体计算过程如下，设P组输入、输出样本为（1），则在第P组样本输入输出为（2），

在上示输出计算中，Iip表示的是第P组样本输入节点i的第j个输入；然后再进行BP神经网络目标函数的计算，假设Ep为第P组样本输入时的网络目标函数，则其计算公式如下（3）所示，

（3）

根据计算结果进行安全评价判断，如果，其中，ε表示预先指定的误差，并且ε>0，则算法结束。否则需要继续进行反向传播计算，也就是从BP神经网络的输出层按照梯度下降计算方式进行反向计算，并对于每层的权值进行调整。如下式（4）所示，为神经元j到神经元 i的联接权调整计算公式。 （4）

在上式中，η表示的是学习算子，为常值。

根据上述BP神经网络计算方法的安全评价计算步骤，结合上述建立的煤矿开采生产中矿井通风安全评价指标体系，就可以采用Matlab7.6.0编制BP人工神经网络程序，同时使用BP算法对BP神经网络进行训练和结果分析，然后用待预测样本对预测结果进行校验，以实现对于煤矿矿井通风的安全评价。在应用BP神经网络算法进行煤矿通风安全评价系统构建中，整理和分析煤矿通风系统原始数据，获得80个输入输出样本进行训练和预测，并用两个样本校验预测结果。进行样本校验中，通过调用BP神经网络算法的训练网络，进行训练参数设置情况下，对于训练步数以及训练时间进行设定，以进行计算训练。根据最终计算训练结果可以实现对于煤矿矿井通风的安全评价。

第5篇：神经网络原理范文

只有清楚地了解电梯控制系统的运行原理才能够及时准确的诊断出电梯故障原因，因此清楚的了解电梯运行原理,每一个电梯维修人员必须要做到。电梯运行过程总体上可分为以下几个阶段：第一、登记层外召唤信号和登记内选指令阶段；第二、电梯门关闭或者电梯按照系统指令停运阶段；第三、启动阶段；第四、在到达信号记录的楼层前进行减速制动；第五、平层开门阶段。在整个过程中电梯需要从外界接收信号并处理，然后完成相应的指令或者输出信号，由此可以将电梯看作是一个完整的独立的系统，只需要外界给予相应的信号就可以自动的做出动作。电梯系统内部复杂的构件紧密的结合在一起，正是如此才使得电梯系统故障具有了复杂性、层次性、相关性以及不确定性的特点。

二、神经网络技术基本原理

生物学上的神经是由一个个简单的神经元相互连接进而形成了复杂的庞大的神经系统，同理，神经网络就是由大量简单的处理单元相互连接形成的复杂的智能系统。单独的处理单元类似于一个神经元，是一个可以接受不同信息但是只输出一种信息的结构单位。神经网络系统与生物学神经系统相似的是具有自我修改能力，它可以同时接收大量的数据并进行统一的分析处理，进而输出相应的处理结果。这就使得神经网络系统具有了高度容错性、高度并行性、自我修改性、学习性以及高度复杂性，也正是由于这些特性才使的利用神经网络技术能够及时准确的查明电梯故障原因并得出故障解决方案。电梯故障诊断中应用的神经网络模型分为三个层次：输入层、接收外部信号或者是电梯自我检测信息（如载重信息）；隐含层、对接收到了大量数据进行相应的分析处理；输出层、将记录着动作命令的数据传送出来。在电梯出现故障时，首先可以通过神经网络模型快速确定故障发生在哪一层达到节约时间的目的。但是神经网络也会因为收敛速度过于慢、训练强度太大或者是选择的网络模型不好等问题导致诊断结果受到影响。

三、神经网络模型在电梯故障诊断中的应用分类

神经网络模型已经成为了如今电梯故障诊断中应用最广泛的技术模型，相比于传统方式它具有诊断速度快、故障原因命中率高的优点，因此引起了各方面专业人士的强烈关注，并在他们的不懈努力下得到了发展与创新。它跨越多个专业领域、通过对各种复杂的高难度工作的不断的发展与改进出现了越来越多的应用模型，下面主要介绍了当前应用最普遍的BP网络模型，并且简单的引入并介绍了近年来新兴的模糊神经网络模型和遗传小波神经网络模型。

（一）BP网络模型

BP神经网络作为神经网络应用最广泛的一种，它多应用的误差反向传播算法使其在模式识别、诊断故障、图像识别以及管理系统方面具有相对先进性。基于BP网络的电梯故障诊断技术就是通过学习故障信息、诊断经验并不断训练，并将所学到的知识利用各层次之间节点上的权值从而表达出来。BP网络系统的主要诊断步骤主要可以分为三步。第一步：对输入输出的数据进行归一化处理，将数据映射到特定的区间。第二步：建立BP网络模型，训练BP网络模型。第三：通过已经训练好的网络模型对原来的样本进行全面的检测。算法步骤：a、在一定的取值范围内对数据进行初始化；b、确定输入值数值大小，计算出预期输出量；c、用实际输出的值减去上一步得到的数值；d、将上一步得到的误差分配到隐含层，从而计算出隐含层的误差；e、修正输出层的权值和阈值，修正隐含层的权值；f、修正隐含层的阈值，修正隐含层和输入层的权值。

（二）遗传小波神经网络模型

遗传算法运用了生物界的优胜劣汰、适者生存的思想对复杂问题进行优化，适用于复杂的故障，起到了优化简化问题的作用。对局部数据进行详细的分析是小波法最大的特点，所以它被誉为“数字显微镜”。遗传算法小波神经网络就是运用小波进行分解的方法分解模拟故障信号，将得到的数据进行归一化，将归一化后的数值输入到神经网络模型中。它融合了神经网络、小波分析和遗传算法三者所有的优点。基于遗传小波神经网络的电梯故障诊断的一般步骤为：测试节点信号采样、小波分解、故障特征量提取、归一化得到训练样本集、遗传算法优化、得到故障类型。遗传小波神经网络模型在故障原因复杂、数据信息量巨大的电梯系统的应用中能够发挥更大的作用。

（三）模糊神经网络模型

模糊神经网络模型就是创新性的将神经网络与模糊理论结合到一起。它采用了广义的方向推理和广义的前向推理两种推理方式。与其它两种模型不同的是，它的语言逻辑、判断依据和结论都是模糊的。但是它的数据处理能力还有自我学习能力并没有因此而变差，反而更加丰富了它的定性知识的内容。在处理实际问题的过程中，首先要建立所有可能发生的故障的完整集合，其次将所有的故障发生原因归入到同一个集合中去，最后就是建立故障和原因的关系矩阵。分别叫做模糊故障集、模糊原因集、模糊关系矩阵。相较于BP网络模型，这种模型更加的简单易行，充分发挥了神经网络和模糊逻辑的优点，不会因为故障原因过于复杂而失去诊断的准确性，在原本丰富定性知识和强大数据处理能力的基础上具有了很大的自我训练能力。

四、结语

第6篇：神经网络原理范文

黑科技？神经网络是个什么鬼

说到神经网络，很多朋友都会认为这是一个高大上的概念。从生物学角度来说，人类复杂的神经系统是由数目繁多的神经元组合而成，它们互相联结形成神经网络，经过对信息的分析和综合，再通过运动神经发出控制信息，从而实现各种精密活动，如识别各种物体、学习各种知识、完成各种逻辑判断等。

随着人工智能技术的发展，科学家开发出人工神经网络，它的构成原理和功能特点等方面更加接近人脑。它不是按给定的程序一步一步地执行运算，而是能够自身适应环境、总结规律、完成某种运算、识别或过程控制。比如多伦多大学的Krizhevsky等人构造了一个超大型卷积神经网络，有9层，共65万个神经。第一层神经元只能识别颜色和简单纹理，但是第五层的一些神经元可以识别出花、圆形屋顶、键盘、乌、黑眼圈等更为抽象丰富的物体（图1）。因此神经网络实际上是基于人工智能技术而形成的一种和人类神经网络相似的网络系统。

媲美Photoshop 神经网络磨皮技术背后

如上所述，现在神经网络技术发展已经非常迅猛，而且运用在各个领域。神经网络磨皮则是指该技术在照片识别和美化方面的运用。那么它是怎样实现对照片的美化？在Photoshop中磨皮操作是用户先选中人脸区域，然后再使用Photoshop内置的方法实现磨皮。神经网络磨皮原理类似，只不过这些操作是自动完成的。

首先是对照片人脸识别。要实现对照片的美容就必须先精确识别人脸，由于人脸有五官这个显著特征，因此神经网络磨皮技术只要通过机器对一定数量的人脸照片进行识别、读取，然后就可以精确识别人脸。它的原理和常见的人脸识别技术类似（图2）。

其次则是美化。在完成人脸识别后就需要对美化操作进行机器学习，以磨皮为例。因为人脸的每个年龄阶段皮肤性质是不同的，为了达到更真实的磨皮效果，神经网络磨皮是实现用户“回到”幼年或者“穿越”到老年脸部皮肤的效果。研究人员将年龄段分类为0～18岁、19～29岁、30～39岁、40～49岁、50～59岁和60岁以上这几个阶段（图3）。

然后准备两个深度学习机器同时工作。两个机器一个用来生成人脸，一个用来鉴别人脸。而且两个机器会通过分析人脸图像，提前学习到各年龄段人脸大概是什么样子的。在每个年龄分组里，研究人员让机器学习超过5000张标记过年龄的人脸图像。通过大量的照片学习后，机器就可以学会每个年龄分组内的标签，它可以准确知道每个人不同年龄阶段的脸部特征。这样无论你是要磨皮为年轻时的皮肤光滑、圆润状态，还是要变为50岁以后皱褶、粗糙的皮肤，神经磨皮都可以轻松帮助你实现。

当然学习有个通病，就是在合成过程中，机器可能会丧失掉图片原有的识别资料（1D）。为了解决这个问题，上述介绍中的人脸鉴别机器就发挥功效了。它通过查看这个照片的识别资料是不是唯一的，如果不是的话照片则会被拒绝输出。研究人员让机器合成10000张从数据库中抽取出来的人像，这些照片之前从未用来训练机器。然后他们用开发的软件程序来检测训练前后的两张照片是否为同一个人，测试结果显示有80%经训练的照片都被认为和原照片是同一个人（而作为对比，用其他方法加工照片，平均测试结果只有50%）。举个简单例子，如果40岁的用户将自己磨皮为20岁的样子，如果软件程序来检测训练前后的两张照片为同一个人，那么就输出磨皮效果，从而让用户可以轻松磨皮到20岁的状态。这样经过训练的神经磨皮算法可以很真实地实现人脸的磨皮。

神经网络 不H仅是磨皮

第7篇：神经网络原理范文

【关键词】PID控制;BP神经网络;模糊PID控制

Abstruct：PID control are widely used in industrial process control，but the traditional PID control because of its control parameters are fixed，and it is difficult to adjust its parameters online.So this paper studies a new adaptive fuzzy PID control method，to solve problem without the ability to learn，and put forward a kind of adaptive fuzzy control method based on BP neural network in this paper.It is the effective combination of fuzzy control，neural network and PID control.Simulation results show that this fuzzy PID control method based on BP neural network has good control effect.

Keywords：PID control;BP neural network;Fuzzy PID control

1.引言

常规PID在控制领域被广泛应用，利用数学算法来整定参数。而且随着控制系统的复杂，被控对象很难建立数学模型，人们开始探索新的控制方式。模糊控制不要求掌握被控对象的精确的数学模型，根据人工控制规则组织控制决策表，然后由该表决定控制量的大小。在一般的模糊系统设计中，规则是由经验丰富的专业人员以语言的方式表达出来的。但对于某些问题即使是很有经验的专业人员也很难将他们的经验总结、归纳为一些比较明确而简化的规则。在这种情况下，就可以应用神经网络的方法，依靠BP神经网络的自学习功能，实现模糊控制的神经、模糊融合技术，并借助其并行分布的结构来估计输入到输出的映射关系，直接从原始的工作数据中归纳出若干控制规则。从而为模糊系统建立起行之有效的决策规则。

2.PID控制器原理

2.1 PID控制的微分方程

PID控制器是一种线性控制器，它将给定值r（t）与实际输出值c（t）的偏差的比例（p）、积分（I）、微分（D）通过线性组合构成控制量，对控制对象进行控制。

式中：

2.2 PID控制器各环节的作用

（1）比例环节：及时成比例地反应控制系统的偏差信号e（t），偏差一旦产生，控制器立即产生控制作用以减小偏差。

（2）积分环节：积分作用会使系统稳定性下降，Kd大会使系统不稳定，但能消除静态误差。

（3）微分环节：能反应偏差信号的变化趋势，并能在偏差信号值变得太大之前，在系统中引入一个早期修正信号，从而加快系统的动作速度，减小调节时间。Kd偏大时，超调较大，调节时间短;Kd偏小时，超调量也较大，调节时间长;只有Kd合适时才能超调小，时间短。

3.BP神经网络与模糊控制

模糊控制是运用语言归纳操作人员的控制策略，运用变量和模糊集合理论形成控制算法的一种控制。如何让机器像人一样识别、理解模糊规则并进行模糊逻辑推理，最终得出新的结论并实现自动控制是模糊控制研究的主要内容。模糊控制器的基本结构如图1所示。

图1 模糊控制结构

人工神经网络是由大量人工神经元经广泛互连二组成的，它可用来模拟脑神经系统的结构和功能。人工神经网络可以看成是以人工神经元为节点，用有向加权弧连接起来的有向图。BP网络是一种利用误差反向传播训练算法的神经网络，是一种有隐含层的多层前馈网络，系统地解决了多层网络中隐含单元连接权的学习问题。BP学习算法的基本原理是梯度最速下降法，它的中心思想是调整权值使网络总误差最小。也就是采用梯度搜索技术，以期使网络的实际输出值与期望输出值的误差均方值为最小。网络学习过程是一种误差边向后传播边修正权系数的过程。其结构如图2所示。

图2中隐含层第一层神经元为7个，分别对应7个模糊子集：NB、NM、NS、ZO、PS、PM、PB。第二层49个神经元代表49条规则。第三层7个神经元代表输出的7个模糊子集。模糊控制不依靠对象的数学模型，但模糊规则的建立需要人工经验。采用BP算法对工程经验和专家经验的模糊规则进行训练，其实就是把模糊规则用神经网络来表示，即经过神经网络的学习，将模糊规则以加权系数的形式表现出来，规则的生成就转化为加权系数的确定和修改。

神经网络是大规模并行运算，但由于网络结构复杂，训练和学习需要大量的时间，所以目前还无法实现实时控制。在具体应用中，我们是先离线将神经网络的各层权值和阈值训练出来，将其参数固定下来，然后将有系统检测、计算得到的误差变化直接代入非线性映射关系中，由计算机算出控制量，再用作被控对象。在matlab下以、、为输出的BP网络仿真训练如图3、图4、图5所示。

4.模糊PID控制器的原理与仿真

对于某一BP神经网络控制系统，其中内部变化及被控对象的数学模型为：

利用模糊控制对PID参数实现在线调节，原理如图6。

图6 模糊PID控制原理图

采用Z-N法和试凑法相结合，借助MATLAB的SIMULINK平台，对被控对象进行常规PID仿真。参数值：kp=15，ki=6，kd=0.05。如图7。作为比较，建立模糊PID控制器的仿真模型如图8。

图9、图10分别为被控对象G（s）在阶跃输入下常规PID和模糊PID仿真结果的比较。

经过仿真发现，常规PID控制缺点是超调量大，调节时间长，动态性能差。优点是控制精度高，稳定性能好。模糊控制动态性能很好，上升速度快，基本无超调。但由于模糊化所造成的稳态误差，在没有积分环节的情况下很难消除，故稳态性能差。模糊PID继承了二者的优点，摒弃二者缺点，具有更全面优良的控制性能。

5.结论

针对大滞后、慢时变、非线性的复杂系统，提出了一种基于BP神经网络的模糊PID控制算法，该算法不依赖被控对象的精确数学模型，可实现在线自调整模糊规则，从而增强了模糊控制器的自学习能力。通过算法的仿真研究，验证了算法的可行性。

参考文献

[1]李华.计算机控制系统[M].北京：机械工业出版社，2007.

[2]高隽.人工神经网络原理及仿真实例[M].北京：机械工业出版社，2007.

[3]蔡自兴.智能控制[M].北京：电子工业出版社，2003.

[4]李国勇.智能控制及其MATLAB实现[M].北京：电子工业出版社，2005.

[5]张德丰.MATLAB神经网络应用设计[M].北京：机械工业出版社，2009.

[6]刘金琨.先进PID控制及其MATLAB仿真[M].北京：电子工业出版社，2003.

[7]刘玲.三容水箱的单神经元自适应PID控制研究[J].信息技术，2005，3（8）：32-137.

第8篇：神经网络原理范文

[关键词] 船舶供应商 评价体系 遗传算法 神经网络

选择合适的供应商直接关系到船舶企业降低成本、提高企业竞争力。现有的平价方法在确定指标权重时存在主观随意性，评价结果缺乏客观与公正。BP神经网络具有容错性、自适应性等特点，解决了评价过程中指标权重随意性和人为因素。本文构建了BP神经网络的船舶供应商评价模型，并针对BP神经网络收敛速度慢的缺点，采用遗传算法对构建的BP神经网络模型进行优化，从而构建评价船舶供应商遗传神经网络模型。

一、船舶供应商评价指标体系的构建

原材料供应商和船舶配套企业的产品质量性能以及管理水平等都会对船舶企业的正常运行带来重大影响，直接关系到企业的盈利能力。因此，构建科学的合理的供应商评价体系，是船舶制造企业综合评价供应商的依据。

周期长、成本高等特点决定了船舶是一种特殊的产品，需要结合船舶自身的特点来构建船舶供应商评价指标体系。综合学者的研究成果与船舶公司实际状况，本文认为应该从质量、成本、交货、柔性、财务与信誉状况以及服务与管理水平6个方面构建船舶供应商的评价指标体系。

二、基于遗传神经网络的船舶供应商评价模型

1.BP神经网络在船舶供应商评价中的应用

BP神经网络模型是一个分层型网络，具有输入层、中间层和输出层。供应商评价指标由输入层到输出层的传递是一个前向传播的过程，若输出结果与期望结果的误差超过允许范围，则误差反向传播，并根据各层误差的大小来调节权值,寻找最佳权集，实现正确输出。基于BP神经网络的船舶供应商评价模型结构及学习原理如图2所示。

2.基于遗传算法改进的BP神经网络模型

BP算法是沿梯度下降(平方误差函数)来指导搜索的，学习过程收敛速度慢，易陷入局部极小点。而遗传算法对于全局搜索具有较强的鲁棒性和较高的效率，克服了BP网络的局限性。将遗传算法与BP网络相结合,可以达到全局寻优和快速高效的目的。

遗传算法改进BP神经网络模型的步骤是:（1)确定网络参数；（2）设定的种群规模N，产生初始种群;（3)求N组网络权系数,得到具有相同结构的N个网络;（4)求N组网络权值对应的N个网络输出;（5）网络性能评价;（6)若不满足评价条件，由对染色体进行遗传选择、变异和交叉操作，产生新的染色体，直到满足评价函数;（7)选择一个最优染色体作为网络权重，进行网络的训练和评价。其工作流程如图3所示。

三、应用仿真算例

以中船公司的25家供应商数据为基础，采用matlab7.0编程，建立三层遗传神经网络模型。

将前15家供应商作为训练集，训练该网络；其余10家供应商作为测试集，模拟待评价的对象。设置误差精度为0.00001。首先用遗传算法，经过450次优化，得到全局最优的网络权值。然后以前15家供应商的二级评价指标为样本，经过BP神经网络4700次训练，得出对应的6个一级评价指标的训练样本;再以所得出的输出值为样本，经过BP神经网络4450次训练,训练出最终的遗传神经网络模型，并用于综合评价工作。输入后10家供应商二级评价指标值，得到其一级评价指标的输出值,以该输出值为输入，计算出10家供应商的综合评价结果。见表。

四、结束语

基于遗传神经网络的船舶供应商评价模型借助BP神经网络的容错性和自适应自学习能力克服了传统评价方法在指标权重赋值时存在的主观随意性问题，并用遗传算法的优化解决了BP存在的收敛速度慢的问题，为评价船舶供应商提供了一条新的途径。

参考文献:

[1]金朝光 纪卓尚 林 焰:船舶企业选择供应商的策略研究[J]. 计算机集成制造系统,2003,9(10):886～890

[2]马士华 林 勇 陈志祥:供应链管理[M].北京:机械工业出版,2004

第9篇：神经网络原理范文

关键词：交通事件自动检测 BP神经网络 Matlab仿真

1.前言

随着高速公路车流量的越来越大，交通事件频繁发生，给高速公路管理者带来了诸多困扰，而且给国家和社会也带来了不必要的损失[1]。

本文在国内外学者研究的基础上提出了基于BP神经网络的高速公路交通事件自动检测算法。将上下游车道占有率、流量、大型车所占比例作为BP神经网络的输入，建立了神经网络模型。本算法可为高速公路事件检测系统的建立提供理论基础，对提高高速公路利用率和安全性有重要意义。

2.交通事件自动检测原理分析

正常情况下，高速公路上的交通流符合“连续车流”的规律[2]。当T时刻发生交通事件后，由于道路通行能力的突然下降导致事发点上游出现交通拥挤，流量和车速下降，占有率上升；T+1时刻下游车道流量下降，车速上升，占有率下降；同时研究发现由于不同类型的车辆换车道行驶需要的时间和道路空间不同，上、下游车道中车型比例也有所变化。因此，交通事件自动检测的原理是通过分析高速公路上不同位置、不同时刻的交通参数变化来识别事件和非事件模式。

3.交通事件检测的模型构建

本研究采用三层神经网络结构，模型结构图如图1所示。

输入层：输入层有6个神经元节点代表交通流变化的交通参数。包括T时刻上游和T+1时刻下游的占有率、流量及大型车所占比例。

隐含层：对于隐含层神经元节点数目nh的确定，有下列经验公式[3]：

其中ni为输入层节点数，no为输出层节点数，本研究中ni=6，no=1，所以隐含层神经元节点数nh =13。

输出层：选择一个输出神经元节点作为输出，按照有无事件发生，以输出节点为1表示有事件发生，输出节点为0表示无事件发生。

4.事件检测算法的Matlab实现与评估

4.1.数据预处理

本次研究采用陕西西安绕城高速上车检器采集的1000组交通数据。其中500组用来训练网络，包括输入数据（交通参数）和目标数据（事件状态）。另外500组作为神经网络测试数据。在训练BP神经网络之前先利用premnmx函数对数据进行归一化处理，即 [pn，minp，maxp，tn，mint，maxt]=premnmx（p，t）。

4.2神经网络创建和初始化

利用newff函数创建一个新的神经网络：

net=newff（minmax（pn），[13，1]，{'tansig'，'purelin'}，'traingdx'， 'learngdm'）；

利用minmax函数设定输入向量pn的元素的取值范围；在训练BP网络之前，必须对网络的连接权值和阈值进行初始化。

4.3.BP神经网络训练

将神经网络的参数设置为每50次显示训练迭代过程；学习速率为0.05；动量因子为0.9；

网络训练次数为1500；训练目标精度为1e-002；网络最大失败次数为5次。

调用train函数利用traingdx算法训练BP网络：net=train（net，pn，tn）； BP网络训练效果如图2所示，由图可见，经过852次训练，经过交通数据训练的网络能快速收敛，效果良好。

4.4.BP神经网络仿真与测试

训练结束后，用剩下的500组数据作为测试样本对网络进行测试，用tramnmx 函数对其进行归一化处理。然后运用sim函数对BP网络进行仿真，仿真结果须用postmnmx函数进行反归一，这时的输出数据才是真正的交通事件检测结果，将小于0.5的事件状态输出为0，即无事件发生，大于0.5的事件状态输出为1，即有事件发生，计算检测误差并输出图形。结果如图3所示，由图可见检测结果和训练结果能很好的拟合。

4.5.AID算法评估

交通事件自动检测算法最常用的性能评估指标有检测率、误报率和平均检测时间 [4]。本文对经典加州算法和BP神经网络算法通过仿真

5.结语

本文采用BP神经网络算法来对高速公路交通事件进行检测。算法中将上下游大型车比例作为一个输入是个创新点。运用BP神经网络算法建立交通检测模型，避免了传统算法因人为建立的模型与实际情况不符而导致检测不准确的情况。通过Matlab仿真与测试证明本算法检测交通事件性能较好。

参考文献：

[1]靳引利，朱春平.高速公路信息设施的特性分析[J].中国水运.2007-10，（10）

[2]潘若禹.基于数据融合的高速公路交通异常事件检测的研究[D].西安：长安大学.2006