神经网络隐含层的作用精选(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隐含层的作用主题范文，仅供参考，欢迎阅读并收藏。

第1篇：神经网络隐含层的作用范文

关键词：BP神经网络；非线性函数；拟合；收敛

中图分类号：TP18文献标识码：A文章编号：1009-3044(2012)27-6579-05

Nonlinear Function Approximation Based on BP Neural Network

ZHANG Bao-kun1, ZHANG Bao-yi2

(1.China Nuclear Control System Engineering Co.,Ltd, Beijing 100076, China; 2. Shenzhen Speedy-Tech Electronics Co., Ltd, Shenzhen 518004, China)

Abstract: This paper introduces the features and algorithm theorem of BP neural network, and deduces the update rules of the network weight based on a given BP neural network. According to several problems of BP neural network, suggestions are pro? vided for these problems. Applicability of BP neural network for nonlinear function approximation is verified by simulations, and the accuracy can be guaranteed.

Key words: BP neural network; nonlinear function; approximation; convergence

BP(Back Propagation)神经网络是1986年由Rumelhart和McCelland提出的，它是一种误差按反向传播的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP神经网络具有非常强的非线性映射能力，能以任意精度逼近任意连续函数，因此在人工智能的许多领域都得到了广泛的应用。

通常，BP算法是通过一些学习规则来调整神经元之间的连接权值，在学习过程中，学习规则以及网络的拓扑结构不变。然而一个神经网络的信息处理功能不仅取决于神经元之间的连接强度，而且与网络的拓扑结构（神经元的连接方式）、神经元的输入输出特性和神经元的阈值有关，因而神经网络模型要加强自身的适应和学习能力，应该知道如何合理地自组织网络的拓扑结构，知道改变神经元的激活特性以及在必要时调整网络的学习参数等。[1]图1多层神经网络结构

图1中给出的多层神经网络输入层有n个神经元，隐含层有l个神经元，输出层有m个神经元。其中wij是输入层第i个神经元和隐含层第j个神经元之间的连接权值，wjk是隐含层第j个神经元和输出层第k个神经元之间的连接权值。对于输入层神经元，其作用函数取线性函数，即神经元的输出等于输入。隐含层和输出层神经元的输入分别是上一层神经元输出的加权和，且每个神

在以下仿真实例中，BP网络为有监督学习，训练输入样本为input=[1 2 3 4 5 6 7 8 9 10 11 12 13 14],输出样本output=[1 2 3 6 11 16 19 24 25 29 32 33 36 42],隐含层节点数为6，网络最大训练次数为1000次，学习率为0.005，输入层到隐含层的初始权值W1以及隐含层到输出层的初始权值均为-0.1至0.1范围内的随机数，仿真结果如下两图所示：图3 BP神经网络拟合误差曲线

图2中的虚线为BP网络对测试数据的拟合曲线。实验结果表明，BP神经网络能有效拟合非线性函数，若增加隐含层节点数则能进一步提高拟合精度，但是会加大计算量，影响训练速度。

本文首先介绍了BP神经网络的原理以及网络权值的修正规则，然后通过编程实现BP神经网络，并将之应用到非线性函数的拟合。实验结果表明，BP神经网络能很好的拟合非线性函数，参数的选择对网络的性能影响很大。

[1]何伟,谭骏珊,王楚正,等.BP神经网络的改进算法及应用[J].信息与电脑,2009(10):34-36.

[2]程森林,师超超.BP神经网络模型预测控制算法的仿真研究[J].计算机系统应用,2011，20(8):100-103.

[3]周永进,蔡惠华,尹逊震,等.改进的BP网络及其在数据预测中的应用[J].微计算机信息,2007,23(27):150-151.

[4]夏玫.BP神经网络泛化能力改进研究[D].太原科技大学,2009.

[5]王爽,张鹰,吕瑞霞.BP神经网络的算法改进及应用[J].电脑知识与技术,2009,15(4):933-935.

第2篇：神经网络隐含层的作用范文

关键词：模拟电路；故障诊断；模糊数学；BP网络；模糊BP网络

0引言

电路故障是指在规定的条件下，电路工作时它的一个或几个性能参数不能保持在要求的上、下限之间，其结构、组件、元器件等出现性能减退、老化、破损、断裂、击穿等现象，丧失了在规定条件和环境下完成所需功能的能力。

长期以来，学界对模拟电路工作特点的研究已相当深入，但对于故障诊断方法的研究却困难较大，这是由于模拟电路本身的特性决定的：1）输入激励和输出响应都是连续量，模拟电路中的故障模型复杂，量化难度大；2）模拟电路信号量程宽，不管电压、电流的量程还是频率都可达十几个数量级，测量难度大；3）模拟电路中的元器件参数具有容差，导致电路的故障状态的模糊性，而无法准确定位；4）模拟电路中存在广泛的反馈回路和非线性问题，使计算的难度更加复杂。因此，学界提出了许多模型和方法来完成对某些符合特定条件的模拟电路的故障诊断。其中神经网络法的使用就相当普遍，在硬和软故障诊断中都有应用，因为神经网络的技术优势针对模拟电路故障诊断有较好的适用性，这主要体现在：1）神经网络的大规模并行处理特点，大大提高了诊断效率；2）自适应与自组织能力使神经网络在学习和训练中改变权重值，发展出新的功能。同时，模糊数学也与神经网络相结合，这是利用了模糊数学对待诊断模拟元器件的故障不确定性进行量化处理，能够有效克服模拟电路元器件因为容差、非线性及噪声造成的电路参数模糊性。

本文的研究目的就是分别利用单纯BP神经网络和模糊BP神经网络的方法建立模拟电路故障诊断模型，利用电路仿真收集电路不同工作状态下的关键点电压，代入诊断模型并得到诊断结果。根据各网络的结果分析比较各诊断模型的优缺点，找出模糊数学对改进模拟电路故障诊断模型的具体表现。

1模糊神经网络的故障诊断模型

1.1典型模糊神经网络诊断模型介绍

图1显示的是一个典型的模糊神经网络模型，该模型由原始知识获取（Fundamental Knowledge Acquire，FKA）、特征参数处理（Characteristic Parameter Produce，CDP）、知识提取（Knowledge Extracted，KE）、经验知识库（Experience Knowledge Base，EKB）、学习样本集（Learning Sample Set，LSS）和模糊神经网络（Fuzzy Neural Networks，FNN）共6个模块共同组成，其工作流程是：

图1 典型模糊神经网络诊断模型

1）原始知识获取模块通过对电路工作原理进行分析，模拟或仿真各类故障发生时输入和输出参数，从而获取原始知识（X，Y），将其传入知识提取模块中供系统学习，所得经验集存入经验知识库中；

2）将原始知识和已经存放在经验知识库中的经验知识（初始库可为空）一起输入学习样本组织模块中，进行学习样本的构建，合成训练样本集为（X1，Y1）；

3）将（X1，Y1）输入到模糊神经网络模块，学习训练，并在达到指定精度后停止；

4）将从模拟电路中获得的实测参数Xc输入至特征参数提取模块中，完成数据分析和处理，输出特征参数数据Xc'；

5）将特征参数数据输入到学习收敛后的模糊神经网络中，进行诊断推理，得出诊断结果Yc'；

6）将得到的实测数据集（Xc'，Yc'）输入学习样本组织模块，动态增强模糊神经网络的自适应能力；

7）将得到的实测数据集（Xc'，Yc'）输入知识提取模块，进行分析和处理，如能提取出经验知识，则归入经验知识库中[1]。

1.2模糊神经网络结构

模糊神经网络的结构应该包括4层，如图2所示。

模糊层的作用是将输入量进行模糊化。每一个模糊层节点对应一个该论域中的模糊子集和隶属函数。该层接收精确数值输入，经过模糊化计算得出对应的隶属度并输出。

图2 模糊神经网络结构图

输入层、隐含层和输出层共同构成一个完整的神经网络。输入层不具有运算功能，它只是将所感知的输入值精确传递到神经网络中；隐含层的作用相当于特征检测器，提取输入模式中包含的有效特征信息，使输出层所处理的模式是线性可分的，该层节点是模糊神经元，与输入层间的连接权值是随机设定的固定值；输出层节点也是模糊神经元，与隐含层之间采用全连接方式，其连接权值是可调的，作用是输出用模糊量表示的结果[2]。

1.3输入层、输出层和隐含层节点数确定

输入层的个数代表了电路故障诊断的关键测试点的个数N1，输出点为电路所具有的潜在故障模式种类数N3。

根据输入层和输出层的个数，隐含层节点数N2的确定有以下4种经验公式[3]：

（1）

（为0～10之间的常数）（2）

（为0～10之间的常数）（3）

（4）

2模糊数学和神经网络的算法介绍

2.1模糊数学和隶属度函数

模糊数学的作用是对测试点测得的电压信号进行特征提取——模糊化处理。因为在模拟电路测试中，参数值会随着故障原因的不同和故障阶段不同而发生变化，所以在进行数据处理时常用方法是使用精确事实规则。即用正态分布函数作为隶属度函数表示“大约为a”的模糊概念，此外还有如三角分布和梯形分布等[4]。在使用中，正态分布使用较多，其中的a是该测试点的理想状态工作点，b为该测试点在各种可能状态下的工作电压均方差。

2.2BP神经网络与算法

图3BP神经网络模型结构图

反向传播网络（Back-Propagation Network，简称BP网络），是一种有隐含层的多层前馈网络。每一层均有一个或多个神经元节点，信息从输入层依次经各隐含层向输出层传递，层间的连接关系强弱由连接权值W来表征。BP算法是一种监督的学习，基本原理是梯度最速下降法，中心思想是调整权值使网络总误差最小。通过连续不断地在相对于误差函数斜率下降的方向上计算网络权值和偏差值的变化而逐渐逼近目标的。每一次权值和偏差的变化都与网络的误差的影响成正比，并以反向传播的方式传递到每一层。BP网络模型结构如图3所示。

以BP神经网络模型结构图为例进行BP算法推导，其输入为P，输入神经元有r个，隐含层内有s1个神经元，激活函数为F1，输入层内有s2个神经元，对应的激活函数为F2，输出为A，目标矢量为T。

1）隐含层输出：（i=1，2，…，s1）（5）

2）输出层输出： （k=1，2，…，s2） （6）

3）定义误差函数：（7）

4）输入层的权值变化量：（8）

其中：

同理可得：（9）

5）隐含层权值变化有： （10）

其中：

同理： （11）

BP网络经常使用的是S型的对数、正切激活函数或线性函数[5]。

3电路故障诊断算法验证

图4 共集-共射电路的直流通路图

例：如图4所示的直流通路图，电阻的标称值如图中所注。利用Multism软件在直流状态下进行多次Monte Carlo分析仿真该电路[6]，并考虑电阻的容差影响，取40个样本作为模糊神经网络的训练样本，另取5个样本为测试样本。设电阻R1～R5的容差值为-5%～5%。测试点选为A、B、C、D和E五点，所测电压值为VA、VB、VC、VD和VE。

表1 部分电路实验样本原始数据

表2 测试样本原始数据

表1列举了40组电路实验样本原始数据的11组，包含了该电路在11种工作状态下的五个关键点电压值，所以N1=5，N2=11，隐含层的节点数可以依据公式2.3确定为12个，其中a为5。

表2则列举了5组测试样本的原始数据。

步骤一：数据模糊化

根据用正态分布函数作为隶属度函数表示“大约为a”模糊概念的思路，可以分别得到各测试点上电压隶属度函数的参数值。

a1=5.57、a2=4.97、a3=4.9、a4=5.7和a5=5.69以及b1=4.3729、b2=4.4817、b3=3.9091、b4=4.2870和b5=3.7944。

由各测试点的隶属度函数可得到网络的训练样本见表3。

表3 神经网络部分输入、输出训练样本

步骤二：将训练样本输入神经网络进行训练

将全部40个原始值和模糊化值的输入样本和对应的输出样本分别输入BP神经网络中进行训练。

步骤三：将测试样本输入神经网络进行检测

将全部5个原始值和模糊化值的输入样本和对应的输出样本分别输入已经训练好的BP神经网络中，输出诊断结果见表4。

表4 输出诊断结果

表4中的数据是经过故障诊断后得到的结果，在此只是各随机选用了一组数据加以比较说明。通过对故障诊断的试验观察和结果的比较可以作出以下分析。

1）模糊化数据能够有效减少神经网络的收敛次数。如在BP网络诊断中，使用模糊化数据的迭代次数由886减少到263次，收敛速度明显加快；

2）模糊化数据能够有效提高神经网络训练的效果。通过表4中数据的对比可以发现对于相同的神经网络，经过模糊化数据的训练，其准确性更高。这主要表现在电路所对应的状态结果普遍高于未经模糊化数据训练的网络得出的结果；同时，其他状态对应的机率更低，皆低于0.1，且更多值为0，说明数据模糊化能使神经网络的诊断结果更集中，正确率更高，有效性更加明显。

4结论

通过分别采用BP网络和模糊BP网络建立了电路故障诊断模型，对电路相同工作状态参数的诊断结果进行比较，得出了模糊数学对提高电路故障诊断模型精度和有效性效果明显的结论。模糊数学和神经网路理论的组合有效地提高了模拟电路故障诊断模型的收敛速度，提高了故障诊断的工作效率，还提高了诊断的准确性，有效性得到了充分显示。

参考文献

[1] 吕律，魏蛟龙.基于模糊神经网络的板级电路故障诊断研究[J].计算机与数字工程，2003（3）:21-23.

[2] 李国勇.智能预测控制及其MATLAB实现[M].北京:电子工业出版社，2010.

[3] MATLAB中文论坛.MATLAB神经网络30个案例分析[M].北京:北京航空航天大学出版社，2010.

[4] 朱大奇.电子设备故障诊断原理与实践[M].北京:电子工业出版社，2004.

第3篇：神经网络隐含层的作用范文

[关键词]人力资源管理；人力资源需求预测；BP神经网络

[中图分类号]F270.7[文献标识码]A[文章编号]2095-3283（2013）01-00-02

一、 应用BP神经网络的必要性

随着经济全球化和信息技术的加快发展，我国企业面临着更为严峻的竞争压力。为了适应现代市场需求，企业必须优化配置人力资源，并科学制定人力资源规划。其中，科学的人力资源需求预测是人力资源开发和规划的基础，对人力资源管理活动将产生持续和重要的影响。

企业人力资源需求预测分析方法多种多样。在进行人力资源需求预测时，企业要考虑的因素复杂多变，如企业的目标和经营战略、生产状况的变化、工作设计或组织结构的变化等，而且各种影响因素与预测结果之间的相关性难以用定量的方法表示出来，是非线性相互制约的映射关系。将BP神经网络方法应用于人力资源需求预测领域，弥补和改进了人力资源需求预测分析方法，能较好地实现各指标与需求结果之间非线性关系的映射，对企业人力资源决策具有一定的参考和指导作用。

二、BP神经网络的基本原理

人工神经网络，简称神经网络，是一种包括许多简单的非线性计算单元或联结点的非线性动力系统，是用大量简单的处理单元广泛连接组成的复杂网络。Back-Propagation Network，简称为BP网络，即基于误差反向传播算法的多层前馈网络，是目前应用最成功和广泛的人工神经网络。它由输入层、隐含层和输出层组成。隐含层可以是一层或多层。BP神经网络自身具有的非线性映射、自学习、自适应能力、容易实现并行计算等优点，弥补和改进了供应商选择和评价方法，能较好地实现各指标与评价结果之间非线性关系的映射。

基于BP神经网络，构建供应商的选择评价模型，其基本思想为：假设输入变量为X=（X1，X2，···，Xi）'，隐含层输出变量为Y=（Y1，Y2，···，Yj）'，输出层变量为Z=（Z1，Z2，···，Zl）'，期望输出的目标变量为T=（T1，T2，···，Tl）'，Wij、Wjl分别为输入层到隐含层、隐含层到输出层的连接权值（如图1所示）。对于i个输入学习样本X1，X2，···，Xi，已知与其对应的输出样本为Z1，Z2，···，Zl。通过BP算法的学习，沿着负梯度方向不断调整和修正网络连接权值Wij和Wjl，使网络的实际输出Z逐渐逼近目标矢量T，也就是使网络输出层的误差平方和达到最小。

图1三层BP网络结构图三、BP神经网络在企业人力资源需求预测中的应用

根据上述BP神经网络主要思想，以A公司为例，分析如何运用MATLAB工具箱实现基于BP神经网络的企业人力资源需求预测。

1.样本数据处理

选取年份、产值、资产总计、利润4个指标作为输入向量，从业人员作为目标向量（见表1）。在对BP网络进行训练前，应该对数据进行归一化处理，使那些比较大的输入仍落在传递函数梯度大的地方。本例采用MATLAB工具箱中的premnmx（）函数把数据归一到[-1，1]之间，如表2所示。

对于BP网络，有一个非常重要的定理。即对于任何在闭区间内的一个连续函数都可以用单隐层的BP网络逼近，因而一个三层BP网络就可以完成任意的n维到m维的映射。本例采用单隐层的BP网络进行从业人员预测。由于输入样本为4维的输入向量，因此，输入层一共有4个神经元，网络只有1个输出数据，则输出层只有1个神经元。隐含层神经元个数根据最佳隐含层神经元数经验公式取15个。因此，网络应该为4×15×1的结构。隐含层神经元的传递函数为S型正切函数tansig（），输出层神经元的传递函数为线性激活函数purelin（）。

3.BP网络训练及仿真

建立网络后，对表2中的数据进行训练，训练参数的设定如表3所示，其他参数取默认值。

训练次数12100012目标误差120.00112学习速率120.01训练结果如图1所示，可见经过52次训练后，网络的目标误差达到要求。

图1训练结果网络训练结束后，运用MATLAB工具箱中的sim（）函数，将经过归一化后的数据表2进行仿真模拟，获得网络的输出，然后将运算结果通过postmnmx（）函数进行反归一化处理，得到BP网络预测值，最后检查BP网络预测值和实际从业人员数之间的误差是否符合要求，如表4所示。

4.预测结果评价

图2反映了该BP网络较好地逼近了输入矢量，即年份、产值（万元）、资产总计（万元）和利润（万元）与目标矢量，即从业人员（人）之间的线性关系。用BP神经网络对现有人力资源状况进行分析拟合，是人力资源需求预测的较理想方法。与传统的人力资源需求预测方法相比，将BP神经网络用于人力资源需求预测，克服了输入矢量和目标矢量非线性、不符合统计规律的问题。BP神经网络模型良好的容错和自学习能力，调用MATLAB工具箱函数，使预测过程更易实现，可以更好地对人力资源进行规划，提高人力资源预测精度。

图2BP神经网络的函数逼近结果将BP神经网络应用于企业人力资源需求预测，能较好地建立起各影响因素与预测结果之间的非线性关系，是企业预测人力资源需求的一种较理想的方法。但BP神经网络也存在着一些不足和问题。主要表现在学习速率太小可能会造成训练时间过长；BP算法可以使权值收敛到某个值，但并不能保证其为误差平面的全局最小值；网络隐含层的层数和单元数的选择一般是根据经验或者通过反复实验确定，网络往往存在很大的冗余性，在一定程度上也增加了网络学习的负担。因此，BP神经网络在企业人力资源需求预测领域的应用仍需根据企业自身实际情况做进一步的改进和完善。

[参考文献]

[1]飞思科技产品研发中心神经网络理论与MATLAB7实现[M]北京：电子工业出版社，2005.

[2]（美）海金（Simon Haykin）神经网络原理（原书第2版）[M]叶世伟，史忠植译北京：机械工业出版社，2004.

[3]丛爽面向MATLAB工具箱的神经网络理论与应用[M]中国科学技术大学出版社，1998.

[4]刘跃基于BP神经网络的人力资源估价研究[J]统计与信息论坛，2007（1）：96-99.

[5]艳明四种人力资源的定量预测方法及评述[J]统计与决策，2008（7）：30-32.

[6]国家统计局固定资产投资统计司，中国行业企业信息中心中国大型房地产与建筑业企业年鉴[M]北京：中国大地出版社，2003-2008.

[7]王文富企业人力资源预测与规划研究[D]天津大学，2004.

第4篇：神经网络隐含层的作用范文

关键词：短期负荷预测；神经网络；遗传算法

作者简介：黄国栋（1976-），男，广东阳江人，广东电网湛江供电局，工程师。（广东 湛江 524005）

中图分类号：TM714 文献标识码：A 文章编号：1007-0079（2014）06-0261-02

电力短期负荷预测是对未来一周以内（通常为一周或一天）的负荷进行预测。短期负荷预测在电网运行实时控制和发电规划中具有重要地位，短期负荷的预测结果是调度中心制定发电计划、电力系统运行安全评估、电力企业日常经营管理的重要依据。[1]在当前电力系统市场化形势下，提高负荷预测精度对于电力系统的经济运行、合理制定机组检修计划和进行电力需求管理等具有重要意义。

一、电力系统负荷变化的特点及预测方法

电力系统负荷变化受到很多因素的影响。一方面，负荷变化存在由未知不确定因素引起的随机波动；另一方面，具有周期变化的规律性，这也使得负荷曲线具有相似性；同时，由于受天气、节假日等特殊情况的影响，负荷变化又会体现出差异性。[2]整体上讲，负荷曲线是与很多因素相关而且难以用数学公式表达的非线性函数。

相对于早期的统计技术法和专家系统法，神经网络的优点在于它不依靠专家经验，只利用观察到的数据，可以在训练过程中通过学习来逼近任意的非线性输入/输出关系，因此，将神经网络方法应用于电力负荷预测有着明显的优势。但是，神经网络存在两个主要问题：收敛速度慢和容易陷入局部极小点。因此，本文采用遗传算法优化人工神经网络，建立电力短期负荷预测模型，并将结合广东省某城市的电力负荷的实际情况对预测方法进行探讨和研究。

二、人工神经网络模型

BP（Back Propagation）神经网络是一种按误差逆传播算法训练的多层前馈网络，神经网络模型中的所有神经元按照功能一般分成三层（输入层、隐含层和输出层），各层顺次连接。[3]其三层模型拓扑结构如图1所示。

BP算法的学习过程分为正向传播过程和反向传播过程两个阶段。

1.正向传播过程

输入信息从输入层经隐含层逐层计算各单元的实际输出值，各神经元的状态只对下一层神经元的状态产生影响。设BP网络的输入层有n1个节点，隐含层有n2个节点，输出层有n3个节点，输入为xi，输入层与隐含层之间的权值为wki，隐含层与输出层之间的权值为wjk；隐含层的阈值为bk，输出层的阈值为bj；隐含层的传递函数为f1（·），输出层的传递函数为f2（·）。则隐含层节点输出zk和输出层节点输出yj分别为：

k=1，2，……n2

（1）

j=1，2，……n3

（2）

2.反相传播过程

若网络实际输出值与期望值之差，即误差超出允许值，则逆向逐层修正连接权值。设BP网络有P个输入样本，采用平方型误差函数，于是得到全局误差为：

（3）

式中：为第p个样本的实际输出，为期望输出。

采用累计误差BP算法依次调整输出层权值wjk和隐含层权值wki误差使全局误差变小，即：

（4）

（5）

式中：η为学习率。

如此往复不断调整权值，直到使网络的误差满足要求。

三、遗传算法

1.遗传算法的基本原理

遗传算法（Genetic Algorithms，简称GA）是一种高度并行、自适应全局优化搜索方法。[4]它借鉴自然界遗传和选择机理，首先初始化一个种群，然后按照某种指标在每一代选取较优个体，利用遗传算子（选择、交叉和变异）对这些个体进行组合，产生新一代个体，重复此过程，直到满足优化准则为止。遗传算法是基于对生物遗传和进化过程的计算机模拟，它能使各种人工系统具有良好的自适应能力和优化能力。目前，遗传算法已经广泛应用于规划设计、组合优化、自适应控制、经济运行、模式识别、人工智能、分子生物学、故障诊断以及计算机技术等领域，并取得了很好的效果。

2.遗传算法的实现过程

（1）将问题的解以编码形式表示出来，并随机生成若干个体，即初始群体。

（2）译码，计算目标函数得出个体适应度值，判断是否满足停止条件。

（3）根据个体适应度值的高低，应用选择、交叉和突变算子进行遗传操作，产生下一代群体。

（4）返回步骤（2），反复执行，直到满足停止条件。最后，搜索到最优个体，即问题的最优解。[5]

3.遗传算法优化BP网络权值、阈值

由于遗传算法是以最大值作为优化目标，为适应神经网络算法的要求，将适应度函数取反，即变为以最小值为优化目标。遗传算法优化BP神经网络算法的步骤：

（1）构建BP网络，确定遗传算法个体长度。

（2）生成初始种群，确定种群规模。对遗传算法个体进行编码，编码由神经网络的输入层与隐含层的连接权值、隐含层阈值、隐含层与输出层的连接权值和输出层阈值四部分组成。

（3）根据个体得到BP网络的权值和阈值，应用训练数据训练，得到网络的输出。计算实际输出与期望输出的误差，并依据此误差计算个体适应度值。

（4）根据个体的适应度进行选优操作，选择若干适应度强的个体直接进入下一代，适应度差的个体被淘汰。

（5）进行交叉、变异操作，生成下一代群体，然后返回步骤（3），直到得到最优解。

四、实例分析

本试验分别采用单一神经网络预测法、遗传算法和神经网络的组合预测法，分别对广东省某城市某一日的时负荷进行预测与分析。以该市2010年6月2日～21日和2010年6月3日～22日（只选取工作日）的整点负荷训练样本集，根据6月23日各整点的时负荷数据和24日各整点的温度与天气，预测6月24日的时负荷。

1.数据预处理

根据神经网络的建模原理，训练样本的准确性对于模型的预测准确性至关重要。由于系统故障、线路停电检修、通信错误等原因，历史负荷数据中经常存在一些不良数据。这些不良数据具有很强的随机性，会对网络的预测精度和预测速度产生严重影响。因此，在建立电力短期负荷预测模型前，先对训练用的数据样本进行预处理。应用格拉布斯准则判别是否有不良数据，如果有要直接消除并以相应的插值代替，从而提高数据的准确度和可信度。经计算，本实例的样本数据正常，符合实际情况。

数据归一化方法是神经网络预测前对数据常做的一种处理方法。数据归一化处理把所有的数据都转化为[0，1]之间的数，其目的是取消数据间数量级差别，避免因为输入/输出数据数量级差别较大而造成网络预测误差较大。最后需要进行反归一化，得到最终预测结果。[6]数据归一化的方法主要有最大最小值法和平均数方差法。本文采用最大最小值法。

2.确定BP神经网络结构

考虑到该城市位于中国南端，纬度较低，影响电力负荷最主要的因素是温度等天气情况。采集预测日前一天每小时的负荷数据和预测日当天各小时的温度值（取平均值）、气象类型（晴、阴、雨）作为预测条件。由此确定BP神经网络模型的输入节点数为3；输出节点数为1；隐含层节点数取8。为方便计算，将气象类型数字化、归一化处理，温度值和负荷数据归一化处理。本文采用分散式建模方法，即为一天的24小时各建立一个模型，共建立24个。分散式建模方法相对于集中建模方法（24小时用一个模型），虽然模型多，但是预测准确度高。每个整点的时负荷采用相应的BP神经网络模型进行预测。建模工具选用matlab7.0。[7]

3.遗传算法优化神经网络

以整点负荷、温度数据和气象数据作为网络的训练样本集，应用遗传算法对基于单一神经网络建立的各个模型（每小时各建一个模型，共24个）进行优化，得到每个模型近似最优权值和阈值。应用优化的权值和阈值对BP神经网络进行训练，并保存训练好的网络。最后，应用训练好的网络对各整点时负荷进行预测。

表1 2010年6月24日负荷预测值与误差

时间 实际值 BP神经网络

方法预测 误差/% 遗传算法神经网络方法预测 误差/%

0：00 404.743 412.375 1.886 397.470 -1.797

1：00 382.280 376.397 -1.539 382.009 -0.071

2：00 359.937 369.208 2.576 352.735 -2.001

3：00 355.508 352.308 -0.900 357.115 0.452

4：00 347.836 341.504 -1.820 346.528 -0.376

5：00 347.545 342.354 -1.494 346.586 -0.276

6：00 354.184 356.650 0.696 360.655 1.827

7：00 364.504 363.920 -0.160 360.123 -1.202

8：00 395.881 392.358 -0.890 390.042 -1.475

9：00 462.394 471.572 1.985 464.239 0.399

10：00 500.344 502.904 0.512 494.610 -1.146

11：00 514.415 515.950 0.298 513.479 -0.182

12：00 477.935 489.898 2.503 485.792 1.644

13：00 479.680 473.516 -1.285 472.638 -1.468

14：00 470.148 477.403 1.543 462.066 -1.719

15：00 482.950 490.302 1.522 474.556 -1.738

16：00 487.295 483.800 -0.717 486.028 -0.260

17：00 501.225 503.265 0.407 505.465 0.846

18：00 470.361 462.391 -1.694 466.165 -0.892

19：00 455.995 443.791 -2.676 463.788 1.709

20：00 493.266 494.178 0.185 494.682 0.287

21：00 489.909 498.115 1.675 486.195 -0.758

22：00 474.146 486.493 2.604 480.348 1.308

23：00 446.201 436.293 -2.221 441.855 -0.974

单一神经网络方法和遗传算法优化神经网络方法得出的预测结果见表1和图3。从图3中3条曲线对比可以看出，应用遗传算法优化神经网络预测模型得到的预测结果比单一神经网络的更接近实际负荷曲线。单一神经网络预测的负荷最大误差为-2.676%，平均误差1.408%，而用基于遗传算法优化神经网络预测的负荷最大误差为-2.001%，平均误差为1.034%，精度显然大于单一神经网络。

五、结论

本文利用遗传算法优化了BP神经网络结构，并且应用此模型对实际电力短期负荷进行了预测试验分析。实证证明，遗传算法的全局优化搜索能力有效弥补了BP神经网络容易陷入局部极小值的缺陷，在此基础上建立的预测模型的可靠性、准确性都有所增强，证明了基于遗传算法优化的神经网络的短期负荷预测方法是可行的。

参考文献：

[1]牛东晓，曹树华，赵磊，等.电力负荷预测技术及其应用[M].北京：中国电力出版社，2002.

[2]陈金赛，张新波.基于改进BP人工神经网络的电力负荷预测[J].杭州电子科技大学学报，2011，34（4）：173-176.

[3]田景文，高美娟.人工神经网络算法研究及应用[M].北京：北京理工大学出版社，2006.

[4]王小平，曹立明.遗传算法[M].西安：西安交通大学出版社，

2002.

[5]李玲纯，田丽.基于遗传算法和BP神经网络的短期电力负荷预测[J].安徽工程科技学院学报，2009，24（3）：57-60.

第5篇：神经网络隐含层的作用范文

关键词： 径向基函数神经网络； 近邻传播聚类算法； 隐含层； 逼近误差

中图分类号： TN711?34； TP398.1 文献标识码： A 文章编号： 1004?373X（2016）19?0016?04

Abstract： The prediction accuracy of the traditional radial basis function （RBF） neural network may result in lower algorithm efficiency and pathological numerical value due to the inappropriate random selection of the hidden layer center node， to improve the efficiency of RBF neural network， a method of using affinity propagation （AP） clustering algorithm to improve RBF neural network is proposed. The principle and modeling steps of the method are introduced. Since the adopted AP clustering algorithm belongs to the self?adapting clustering learning algorithm， it needn′t predefine the numbers of the hidden layer center nodes， and is applied to prediction without transcendental information. The AP algorithm is used for clustering iteration according the information of training sample， so as to determine the center node and node numerical value of hidden layer in RBF neural network， and solve the center dereferencing problem of RBF network. After that， all input data is taken in RBF neural network based on AP clustering algorithm for prediction. Since the use of AP algorithm needn′t predefine the clustering numbers， the proposed scheme can improve the learning accuracy and training speed of the RBF neural network. The approximate simulation experiment was performed for sine function with the proposed optimization scheme. The results show that the approximate error of the proposed scheme is only 0.005 5， and can keep good prediction accuracy under the noise of 0.3.

Keywords： radial basis function neural network； affinity propagation clustering algorithm； hidden layer； approximate error

0 引 言

RBF（Radial Basis Function）网络是一种单隐含层前馈神经网络，其基本思想是在隐含层内基函数的作用下，将输入信息的不可分矢量变换到高维可分空间[1?3]。RBF网络结构简单而且具备非线性逼近能力，收敛速度快。RBF网络已经广泛应用于函数逼近、模式识别、信号处理和控制等领域[4?5]。由于RBF网络的输出是线性的，隐含层的输出是非线性的，所以对RBF网络的训练主要针对隐含层。目前，提高RBF网络性能的主要方法包括调节隐含层层数，调节隐含层的中心节点参数和宽度参数。王荣秀等利用局部保持投影的方法[6]，对用于来波到达角估计的神经网络进行降维，同时获得了良好的估计精度和效率。郭伟等用K近邻统计法估计隐含节点输出矩阵和输出节点输出矩阵之间的互信息，减少相关性最小的隐含节点以优化网络结构[7]。薛福强等通过改进的层次遗传算法确定RBF神经网络均衡器结构[8]，使用较少的隐含层单元获得了信道均衡器的低误码率。

近邻传播AP算法是Frey等提出的一种新的聚类算法[9]。它因无需指定聚类数目，具有更高效的处理速度，同时也能够得到较好的聚类结果。朱红等提出了一种改进属性约简的细粒度AP算法[10]，实现聚类的并行处理。然而，利用AP聚类算法的优秀特性对RBF神经网络进行优化的文献却比较少见。本文使用AP算法对输入数据进行聚类，选出聚类中心作为隐含层的中心节点，以聚类中心数作为隐含层节点数，解决了隐含层中心取值和层数确定的问题，使RBF网络只需要进行一步迭代算法，就能得到输出结果。

1 RBF网络模型

RBF神经网络是由输入层、隐含层和输出层组成的单隐层前馈网络[11?12]。其中，输入层不会改变输入信息的相关性，只起到传递作用；而隐含层单元为感受野单元，由一组径向基函数构成，一般为非线性函数[13]。

3 AP聚类算法优化的RBF神经网络

目前针对RBF神经网络隐含层优化的方法主要分为两类：调节隐含层层数，调节隐含层的中心节点参数和宽度参数。调节隐含层层数的方法需要根据训练数据的先验信息设置具体的隐含层层数，或者利用预处理的方法对输入进行处理以消除部分相关性。当隐含层内的神经元无法覆盖所有输入信息的数据集合时，网络本身的预测精度就难以保证。调节隐含层节点参数和宽度参数的方法需要根据具体的应用需要开发新的预处理方法，实施起来不具有普适性。在本文提出的AP算法优化的RBF神经网络中，由于AP聚类学习算法属于自适应聚类学习算法，它无需事先给定隐含层中心节点的个数，只需要根据输入样本的信息进行聚类迭代，从而确定径向基函数的中心点，能够适用于不具有先验信息的预测。

本文提出的基于AP算法优化RBF神经网络模型由两部分组成：首先用AP算法对样本进行初始聚类，以确定RBF神经网络的中心节点及其数目；然后将所有数据交给RBF神经网络进行预测。基于AP算法优化的RBF神经网络模型如图2所示。

4 仿真结果

本文以逼近正弦函数[y=sin（2πx）]为例，首先取0.01～1之间以0.01为间隔的100个数作为输入值，然后使用AP算法选出中心节点，接着使用RBF网络进行训练，最后取0.505～1之间以0.01为间隔的50个数作为输入值进行预测，以输出误差值的最大值作为评价标准。阻尼因子设置为[λ=0.5，]中心节点数目标识为[A。][W1]为无噪声时的误差，[W2]为加入占空比为30%的白噪声后的逼近误差。表1为无噪声环境下[P]取不同值时选择出的中心节点和逼近误差。

由图4可以看出，取0.505～1区间内以0.01为间隔的50个数作为输入数据进行预测后得到的预测结果非常好。

图5和图6分别是在噪声占空比为0.15和0.3环境下的预测结果。从这两幅图中可以看出在低噪声情况下，本文提出的方案能够很好地抑制噪声，取得较好的预测结果。在高噪声情况下，本文提出的方案仍然能够获得有效的预测结果。

从上述仿真结果可以看出，在无噪声情况下选出的节点数越多，逼近误差值越小，但是中心节点数增多，会导致隐含层层数增多，网络结构更加复杂，大大增加了训练时间，降低了学习速率。因此选择适当的中心节点数和中心节点对RBF网络非常重要。

5 结 语

RBF神经网络隐含层中心节点个数和选取方案关乎其预测精度，而现有中心节点的选取方案依赖于对训练样本的相关性分析，使得RBF神经网络实施复杂，不具有普适性。本文利用AP聚类算法无需指定聚类个数、自适应实现全局最优聚类和聚类速度快的优点，用AP算法确定RBF神经网络中心节点个数和数值。本文改进的RBF网络不仅能够确定隐含层的层数还能选出中心节点，训练速度快，解决了RBF网络最重要的问题，而且不依赖于具体训练数据的相关程度，具有普适性。从仿真实验可以看出，AP算法和RBF网络结合后的预测结果准确度高，逼近效果好，表明AP算法能够有效地解决RBF网络隐含层优化问题。

参考文献

[1] 文翰，肖南峰.基于强类别特征近邻传播的半监督文本聚类[J].模式识别与人工智能，2014，27（7）：646?654.

[2] 回立川，于淼，梁芷睿.应用近邻传播算法改进RBF的短期负荷预测[J].电力系统及其自动化学报，2015，27（1）：69?73.

[3] 赵凤娇，贺月姣.基于改进的K?means聚类算法水下图像边缘检测[J].现代电子技术，2015，38（18）：89?91.

[4] 黄建清，王卫星，胡月明，等.近邻传播聚类无线传感器网络分簇路由算法[J].计算机工程与设计，2014，35（2）：406?410.

[5] 常瑞花.基于密集度量元的近邻传播聚类算法[J].微电子学与计算机，2015（5）：1?5.

[6] 王荣秀，田雨波，张贞凯.基于局部保持投影和RBF神经网络的DOA估计[J].科学技术与工程，2013，13（24）：7054?7058.

[7] 郭伟.基于互信息的RBF神经网络结构优化设计[J].计算机科学，2013，40（6）：252?255.

[8] 薛富强，葛临东，王彬.基于改进层次遗传算法优化的神经网络信道均衡器[J].计算机应用与软件，2010，27（5）：75?77.

[9] FREY B J， DUECK D. Clustering by passing messages between data points [J]. Science， 2007， 315（5814）： 972?976.

[10] 朱红，丁世飞，许新征.基于改进属性约简的细粒度并行AP聚类算法[J].计算机研究与发展，2012，49（12）：2638?2644.

[11] 李英乐，于洪涛，刘力雄，等.基于RBF神经网络的微博消息传播时间预测方法[J].计算机工程与设计，2013，34（11）：3815?3819.

[12] 孟军，尉双云.基于近邻传播聚类的集成特征选择方法[J].计算机科学，2015，42（3）：241?244.

[13] 钱雪忠，赵建芳，贾志伟.基于约束投影的近邻传播聚类算法[J].计算机工程与科学，2014，36（3）：524?529.

[14] 邢，刘剑.基于近邻传播与密度相融合的进化数据流聚类算法[J].计算机应用，2015，35（7）：1927?1932.

第6篇：神经网络隐含层的作用范文

计算机网络的安全评价是计算机操作和运行过程中的一个重要的环节。影响计算机网络安全的因素有很多，例如硬件、软件设备、计算机程序、操作方式、网络环境等。传统的计算机网络安全评价是一个线性评价的过程，不能对各种影响因素进行综合的评价，在评价的精度上也不高。神经网络是在传统评价方式上进行优化的一种评价手段，采用了更为合理的评价标准，然后通过专家打分的方式确定各个影响因素在评价指标中所占到的比重，最后得出计算机网络的安全评价。

关键词：

神经网络；计算机；网络安全评价；应用

伴随着网络技术的发展，计算机网络安全的影响因素也在不断增加，病毒、系统漏洞、黑客入侵等多种安全隐患对计算机的功能和操作都能产生了极大的影响。这些影响因素之间还会相互影响，形成错综复杂的非线性关系，给网络系统安全性的定量评价带来了极大的难度。计算机网络安全的传统评价方式采用的是线性评价的模式，在操作上较为复杂，且精度不高，已经无法在实际应用中发挥有效的作用。另一种专家评价方式则带有较强的主观性，且对专家自身的专业素质和工作经验有着较高的要求，评价的结果往往难以验证。神经网络是近几年发展起来的新型评价方式，它是由许多神经元组成的，能够对网络的安全性进行非线性的评价，并完成对网络的简单维护和控制，与传统评价方式相比，神经网络在评价精度和效率上都有较大的提高。

1神经网络的特点及发展

神经网络的提出是在上个世纪中期。生物学家和物理学家首次尝试将两个学科的研究结合起来，形成了神经网络模型。这种模型是以人脑的神经网络为模板，模拟了人脑处理信息和传递信息的过程。通过数学学科对网络的结构、神经元的组成等进行研究，以及生物学对神经元的功能、作用原理等进行研究，成功模拟出了神经网络模型。这一模型的提出为神经网络在计算机安全评价方面的应用奠定了基础。上个世纪中后期，计算机领域的专家将神经网络的模型应用到了计算机网络安全的研究上，并在原始模型的基础上，增加了模型的感知功能，并与计算机技术进行了结合，在工程学领域进行了应用。神经网络模型在计算机网络上的应用能够实现对声波的检测和识别，并且确定目标物的精确位置。这促进了神经网络技术的进一步发展。上个世纪末，计算机专家又提出了一种新的映射网络模型，利用映射中的拓扑结构，对计算机的功能进行了模拟。1982年，生物学家对神经网络的性质进行了更深层的研究，从而发现神经网络是一种非线性的结构，由此神经网络为计算机网络安全的评价提供了一条新的思路。

2计算机网络安全评价体系概述

计算机网络安全是现在人们关注的重点问题之一，所谓的计算机网络安全就是指通过合理的措施确保计算机中的数据信息的安全性和可靠性。计算机网络安全包括两部分的内容，第一部分是逻辑安全,所谓的逻辑安全是指保证计算机中存储的数据信息的完整性和安全性;第二部分是物理安全,所谓的物理安全是指要对计算机的硬件设施进行检查，保证计算机的硬件设施、系统处于安全运行状态，避免出现计算机硬件设施运行异常的情况。但需要注意的是计算机网络安全不仅仅包括上述这些内容，随着网络技术的不断发展，计算机网络安全还应包括网络信息共享的安全性。通过上述的分析不难发现，计算机网络安全具有下述几个特征。第一，计算机网络安全具有一定的保密性，计算机网络中传输的数据信息有很大一部分是需要保密的，因此为了保证网络传输信息的安全，必须要加强计算机网络安全建设；第二，计算机网络安全具有一定的完整性，计算机中无论是存储的数据还是传输的数据都应保证其完整性，这样才能满足相应的使用要求；第三，计算机网络安全应具有一定的可控性，计算机网络安全性应是处于可以控制的范围内，如果不能满足这一要求，则会影响计算机网络的使用效果。近年来，随着科学技术的不断发展，计算机网络安全面临的挑战愈加严峻，在这种情况下，必须要加强对计算机网络安全的重视。计算机网络安全评价是实现网络安全保护的重要环节之一，只有对网络中存在的安全隐患进行有效的评估和检测，才能有针对性地制定解决方案，从而实现网络的安全稳定运行。随着评价方式的不断丰富和评价标准的不断完善，逐渐形成了一个完整的网络安全评价体系。网络安全评价体系的建立需要遵循一些基本的原则。首先是准确性原则，建立计算机网络安全评价体系的根本目的就是要有效识别网络中的安全隐患，确保网络环境的安全可靠，评价的准确性直接影响了网络安全维护的质量。其次是独立性，要对网络安全进行评价必须要有一定的安全标准，这就需要设置一系列的评价指标，各个指标之间都应当是相互独立的，不应当在内容上产生重叠，防止指标之间的相互影响。第三是简洁性原则，在确保评价准确的基础上，要使评价的过程尽量的简化，这样才能提高评价的效率。第四是完善性原则，完善性就是要求指标应当包含对网络安全性各个方面的评价，能够从整体上反映出整个系统的运行状态。最后是可行性原则，在选择评价指标时应当考虑到指标能否在实际中进行操作和执行，因此，指标的设定应当尽量与实际操作结合起来。

3网络安全体系的设定

根据网络安全的状况可以将计算机的网络安全分为四个等级，分别是安全、有风险、有危险、非常危险。不同的安全等级可以采用不同的颜色进行标注。例如十分危险可以用红色进行标注，表明网络中存在极大的漏洞，需要立即进行处理。有危险可以用橙色进行标注，说明网络中存在安全隐患，需要对网络进行检查，并进行一定的杀毒处理。有风险可以用黄色进行标注，说明网络的运行的过程中出现了风险项，需要对网络进行一定的检测和调试，及时排除网络中的风险项。安全可以用绿色来表示，说明网络安全状况良好，可以进行放心的使用。用颜色来表示不同的安全状态是一种十分直观的表示方式，能够方便用户在最短的时间内确认网络的运行状况。

4各评价指标的取值及标准化问题

计算机网络安全评价由于各个指标所评价的因素不同，因此在指标的取值和标准上也有所不同。评价的方式主要有两种，分别是定性评价和定量评价。这两种评价方式的侧重点有所不同，因此将两项评价指标结合起来能够更全面反映网络的安全状况。定量指标在进行取值时应当根据实际情况进行选取，不能对所有的定量指标采取一样的评价指标。在进行标准化处理时则要将取值的范围限定在0-1之间。对定性标准而言，采用专家打分的方式是较好的取值方式，不同的系统也要根据实际情况进行不同的等级评价。定性指标也应当进行一定的标准化处理。

5借助神经网络建立计算机网络安全评价的必要性

与传统的算法相比，神经网络算法有着明显的优势，例如，有较强的学习能力，能够进行自我调解，精确度较高等。

5.1较强的适应性神经网络具有良好的环境适应能力，当其处于输入或输出的状态时，可以进行自我调节从而提高计算的精度，并对计算的过程进行反馈。

5.2容错性神经网络与传统算法相比，最大的优势在于它对噪音和不完善的信息具有较高的敏感度，这是由于神经网络的每一个节点对应着网络中的一个特征，当某一个节点中输入的信息出现问题时，神经网络能够立即作出反应。

5.3可在线应用神经网络运行的核心环节在训练过程，因此在这一个阶段会耗费较长的时间。一旦神经网络完成这一个阶段的工作后，就能快速的获得计算结果，从而提高了安全评价的效率，能够在在线系统的应用中获得良好的效果。

6计算机网络安全评价模型的设计

6.1输入层输入层的神经元节点数量应当根据计算机网络安全评价指标的数量来确定。例如，当计算机安全评价模型中含有20个指标时，输入层的神经元指标也必须为20个。

6.2隐含层绝大多数神经网络的隐含层属于单向隐含层。隐含层节点的数量直接决定着神经网络的性能。当隐含层的数量过多时会导致神经网络的结构过于复杂，信息传输的速率较低。当隐含层的节点数量较少时，神经网络的容错能力会减弱。因此，隐含层节点的数量必须进行合理地选择。根据实际操作的经验，通常隐含层的节点数量为5个时能够起到较好的评价作用。

6.3输出层输出层的节点数量通常为2个，可以通过不同的组合方式来表示不同等级的网络安全状态。例如，（1，1）表示安全，（1，0）表示存在风险，（0，1）表示存在危险，（0，0）表示非常危险。

7计算机网络评价的具体步骤

计算机网络评价的具体过程分为两个步骤：首先是构建计算机网络安全评价体系，其次是使用粒子群优化的方法对BP神经系统进行优化，改善BP神经网络自身的缺陷，提高其性能。BP神经网络的优化方法有以下几点：对BP神经网络的目标量、函数等进行初始化；对粒子的初始速度、初始位置、动量参数等进行设置和调整；通过粒子群的集中来完善BP神经网络的功能，对网络的适应度作出评价；对每个神经元进行历史适应度与当前适应度的对比，若当前的适应度是历史最高时，就应当及时保存，并将此作为评价的标准；计算每个粒子的惯性；当粒子的位置和运动速率产生变化时，记录粒子群之间的适应度误差，并做好相应的记录；对系统适应度的误差进行统计。

8计算机网络安全评价的原理

计算机的安全评价原理是依据相关的评价标准，先确定评价的范围和内容，再根据网络的实际运行状况和安全状态，对网络中可能出现安全隐患的区域进行预测，并采取制定的标准进行评价，最终得到网络安全等级。在这一过程中，合理地选择计算机网络的评价因素、建立正确的评价模型是关键的环节。计算机网络是一个非线性的结构，安全漏洞的出现具有突发性和多变性。而神经网络具有非线性的评价功能，用它来进行计算机网络的安全等级评价是一种科学性较高的评价模式，能够有效地提高评价的精度。

8.1计算机网络安全评价指标体选择计算机是一个十分复杂的体系，影响其安全等级的因素有很多，要确保安全评价的准确性就要建立起一个完善、合理的评价体系。计算机网络安全评价指标的选择应当从管理安全、物理安全、逻辑安全等几个方面进行考虑，并采用专家系统对安全评价标准的选择进行调整和确定，确定各个指标在最终的评价体系中所占的比重。

8.2计算机网络安全指标的归一化处理由于各个指标之间的评价方式有所不同，因此不同的指标之间是无法进行直接的比较的。为了便于进行指标之间的比较，并加快神经网络的收敛速率，需要对指标进行归一化处理。定性指标可以通过专家打分的方式进行归一处理，定量指标则需要经过一定的公式计算进行归一化处理。

8.3BP神经网络算法BP神经网络是当前最常用的一种神经网络模型。它采用的是梯度下降的算法，可以对误差进行反向计算，从而对网络的阈值进行不断的调整，减少计算的误差。BP神经网络具有强大的非线性逼近能力，计算方法较为简单，但是也有一定的缺陷，例如容易陷入局部极值，从而防止了有效的收敛，此外，BP神经网络还有全局能力不强的缺点，由于BP神经网络采用的是反向传播的下降算法，所以收敛速度极慢。

9神经网络系统在计算机网络安全中的应用

计算机网络具有传递数据、分享信息的功能，当前已经在众多领域进行了应用，包括商务、贸易、信息管理等。而网络黑客则利用了计算机网络的安全漏洞，对系统进行攻击和入侵，并窃取了客户重要的个人信息和商业信息，给用户造成了极大的经济损失，并对整个社会造成恶劣影响。神经网络系统在计算机信息传递的过程中起到了过滤非法信息的作用。在网络世界中，信息的传递是双向的，而在神经网络的模式下，信息的输入和输出都要经过神经网络的过滤作用。神经网络的三个组成部分，输入层、输出层、隐含层都对信息有过滤的作用，经过三层的过滤作用，信息的安全性有了更好的保障。在这三层中，隐含层起到了关键性的作用。输入的信息都要先经过隐含层，在经过隐含层的处理后，再通过输出层传出。在信息传输的过程中，若发现信息存在异常，可以输送回上一层进行信息的重新核对，信息重新进行上述的处理过程，直到确认信息无误后才会输出。神经网络系统的应用极大地提高了网络的安全性，从而为人们提供了一个良好的网络环境。尽管神经网络系统有上述的这些优点，但也存在一定的缺陷。虽然神经网络的灵活性和适应性较强，但对缺失信息的反应不如传统算法灵敏。在神经网络中，一个节点只能反映一个网络问题，一旦一个节点发生问题后，整个神经网络都会作出相应的反应。神经网络具有较好的延展性，可以容纳多种类型的样本数据。神经网络还具有较好的学习适应能力，可以归纳总结运行过程中的运算规律，自动调节信息输入输出的形式，从而减少数据的误差。神经网络还能在有线网络中进行应用，因此可以进行大范围的推广。大量的节点共同组成了神经网络，相邻的节点之间都是相互连接的，从而确保了信息传递的效率。神经系统能够自动的调节节点之间的关联，具有一定的智能化操作功能，还可以对问题进行简单的分析。神经系统的结构较为复杂，在处理信息的过程中可以产生多种不同的组合类型，并从这些组合中优选出最佳的组合方式。但这种结构也会导致在信息处理的过程中一些细小的问题容易被忽视，在一定程度上影响信息处理的精度。一些复杂的数据采用神经网络的处理方法速率会十分的缓慢。在输入信息不断增加的过程中，计算机内部的存储压力会显著上升，进一步影响信息的处理速度。神经网络与人工智能的功能还是存在一定的差距的，在性能和结构上还有进一步完善的空间。

10结束语

神经网络是将生物学与数学进行结合的典范，将两个学科的优势充分的利用起来。神经网络在计算机网络安全评价中能够起到良好的效果，可以在未来进行进一步的推广应用。

参考文献：

[1]李忠武,陈丽清.计算机网络安全评价中神经网络的应用研究[J].现代电子技术,2014(9):11-13.

[2]郑刚.计算机网络安全评价中神经网络的应用研究[J].网络安全技术与应用,2014(7):33-36.

第7篇：神经网络隐含层的作用范文

关键词：BP神经网络；农用地定级；评价

0 引言

农用地定级作为农用地分等与估价的中间环节，是在分等对农用地质量区域性差异评价的基础上，考虑影响土地质量的自然因素和社会经济因素，根据土地管理，尤其是耕地保护管理的需要，在一定行政区内进行的农用地质量综合评定[1]。根据《农用地定级规程》（TD/T1005-2003），农用地定级推荐采用因素法、修正法或样地法，在加权求和模型、几何平均模型或复合模型求取土地评价单元总分值的基础上，通过等间距法、数轴法或总分频率曲线法进行土地级别的划分。

传统的定级方法容易受人为主观因素影响，导致评价结果的不准确性，而人工神经网络的评价方法具有自学习、自组织、自适应性的特点，正好可以解决此问题。人工神经网络（Artifical Neural Network，ANN）的评价与优化功能在近几年的地学研究中得到充分体现[2]，其中BP（Back Propagatin）人工神经网络是目前应用最广泛的一类，该网络在具有人工神经网络各特点的同时，还具有构建简单、训练算法丰富、映射能力强等优点。本文尝试运用 BP人工神经网络进行农用地定级，利用这种非线性定量分析的方法不仅可以减少人为确定权重的主观性和模糊性，同时还可以精简评价过程。

1 研究区概况

嘉鱼县位于湖北东南部，长江中游南岸。地跨东经113°39′-114°22′，北纬29°48′-30°19′，县境地形狭长，全境长85km，宽5.7-17.9km。地属长江冲积平原，地面高程都在18-26m之间。属亚热带湿润型季风气候，具有四季分明、气候温和、湿度较大、日照充足、雨热同季、无霜期长等特点。境内平原与丘岗气候亦无明显区别。

嘉鱼县国土面积为101842.36hm2。其构成是：农用地面积74，885hm2，占总面积73.53%，其中耕地面积为32，944.26hm2，占总面积32.35%；建设用地面积10，462.7hm2，占总面积的10.27%，其中居民点及工矿用地5，254.72hm2，占总面积5.16%，未利用地16，494.66hm2，占总面积16.20%。

2 研究方法与模型

2.1 BP人工神经网络

BP（Back Propagatin）人工神经网络是目前世界上研究最深入、应用最广泛的人工神经网络模型。该网络一般由输入层、隐含层（或称中间层）和输出层三层构成；层内的单元不发生联系，层间的单元间通过输入数据及其对应的权重值相互连接。信息由输入层进入网络后，传到隐含层单元，经过响应传递函数（一般取Sigmoid 函数），再传到输出层并计算输出值。之后网络将应有的输出与实际输出进行比较，通过反向传播误差，修正与基本单元相连接的各输入量的权重，并重新计算输出、进行比较。通过信息传递、输出、比较、反馈的连续反复训练，使模拟误差逐步降低直至低于规定要求[4]。

2.2 建立定级模型

根据对BP人工神经网络的分析，农用地定级评价的BP神经网络模型结构如图1所示：

由模型结构图可以看出，模型由三层神经元组成：输入层、隐含层和输出层。其中输入层神经元是经过标准化处理后的农用地定级评价基础指标；输出层神经元是农用地定级评价的结果，即农用地定级级别；而隐含层的神经元数目的多少则是对整个网络能否正常工作具有重要意义，所以科学地、自动地确定隐含层节点数目是极其重要的。

2.2.1 确定隐含层节点数

从原理上说, 一个在输入层上具有m个神经元，隐含层具有（2m+1）个神经元，输出层具有n个神经元的三层网络，可以精确地实现任意给定的连续的映射。因此，每当创建一个新的人工神经网络模型时，可以从这（2m+1）个隐层节点入手进行筛选，根据前人经验[6~9]可以依据以下公式进行设计：

（1）

（2）

式中：m为隐层节点数；n为输入层节点数；w为输出层节点数；R（10）为1~10之间的常数。

2.2.2 模型建立步骤

根据图1所示BP网络，可按以下步骤建立模型：

（1）确定影响因素因子并进行数据量化处理，作为网络输入。收集研究区内样点资料，并进行必要的分析与检验，剔除不合格的样点数据，确保样本数据可靠。

（2）确定网络结构，即根据评估对象特性确定隐含层节点数及各层的节点数。

（3）初始化网络及学习参数，即将隐含层和输出层各节点的连接权值、神经元阈值赋予某一区间的一个随机数。

（4）提供训练样本。即从样本数据中，选取一部分样本，作为网络学习样本。

（5）训练样本经过隐含层、依权值和激活函数的作用在输出节点算得网络输出值，并计算网络输出与样点期望输出间的均方差，如果均方差大于给定限差，则执行下一步（6）；如小于，则返回本步，进行下一个训练样本训练，直到训练样本集合中的每个样本满足输出要求为止，即BP网络学习完毕。

（6）从输出层反向计算到第一隐含层，首先计算同一层节点的的误差δ，然后按梯度法修正权值，再用修正后的各节点连接权值转到第（5）步重新计算。

3 嘉鱼县农用地定级评价

3.1 嘉鱼县农用地定级指标体系构建

3.1.1 农用地定级影响因素分析

影响农用地定级的因素主要指对农用地质量差异有显著影响的自然因素、区位因素和社会经济因素[3]。

（1）自然因素：指对农用地质量有显著影响的局部气候差异、地形、土壤条件、水资源状况等，主要包括温度、降水量、蒸发量、地形部位、坡度坡向、土壤质地、土壤pH值、土壤污染状况、地下水埋深、水源水质等。

（2）区位因素：指土地利用状况、耕作便利条件和基础设施条件等，主要包括灌溉保证率、排水条件、田间道路、耕作距离、田块平整度、利用集约度、人均耕地、利用现状等。

（3）社会经济因素：指对农用地质量有影响的区位条件和交通条件，主要包括中心城市影响度、农贸市场影响度、道路通达度等。

不同地区，影响农用地质量的因素存在差异，在具体评估过程中，选择定级因素应遵循以主导因素为主的原则，选择那些对农用地质量有显著影响的、有较大变化范围的主要因素，尽可能舍弃那些影响弱、或与主导因素存在相关关系的因素。为了便于应用数学模型对农用地定级评价，还必须根据各因素对农用地质量的影响程度大小进行量化及相应的处理。

3.1.2 嘉鱼县农用地定级指标体系

根据以上分析，结合《农用地定级规程》（TD/T 1005-2003）中提供的农用地定级备选因素因子、统计资料与影响因素的相关性和资料收集的难易性、以及以往土地评估经验和专家的建议，利用特尔菲法，最终确定选择了自然因素、社会经济因素和区位因素3个方面共10个因子指标，建立了嘉鱼县农用地定级评价指标体系，如表1：

3.2 属性数据的标准化处理

为了统一数据量纲、提高数据可比性，并满足BP模型对数据的要求，需要对所有因子指标进行量化，并根据需要对数据进行极差标准化处理，从而把所有数据转化到0~1范围内[5]。经极差标准化后的数据如表2：

3.3 定级评价过程BP网络模拟

在嘉鱼县农用地定级评价过程中，采集的样本数总数为163，其中训练集样本63个，占总数的38.7%，测试集样本100个。利用MATLAB软件将经过标准化处理后的10个定级因子作为样本的输入值，利用63个训练样本进行网络学习训练，并进行网络隐含层神经元数的调整，最终确定隐含层神经元数为6，即网络结构为10-6-1，程序代码如下：

%p为样本输入数据；%t为目标数据

net=newff（[0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1],[6 1],{'tansig' 'purelin'},'traingdx'）；

net.trainParam.goal=0.001；

net.trainParam.epochs=10000；

net=init（net）；net=train（net,p,t）；save net10 net；

网络训练成功，并保存网络。将测试样本输入训练好的网络中，输出定级结果。神经网络输出的结果是定级评估的量化值，而不仅是级别，级别内部差别也可得到体现。如表3：

3.4 试验结果与分析

根据神经网络计算出的评价值，可将嘉鱼县农用地分为5级。一、二级地分别占总面积的16%和15%，分布在全县的东南部地势较平缓的平原地区；三级和四级地分别占总面积的31%、35%，主要分布在全县的西北岗地区；五级地占总面积的3%，主要为自然条件和灌溉条件差、利用率低的地区。评价结果与嘉鱼县实际情况基本相符，该结果反映出嘉鱼县农用地低等级别地较多，占农用地总面积的六成以上。也间接反映出近年来，耕地质量下降的问题。

4 结论

尽管BP神经网络有其自身的弱点，还有待进一步的完善。但由于神经网络具有自身适应能力，排除了很多人为的干扰因素，从而能对农用地定级给出一个客观的评价。并且，人工神经网络还可以精简评价过程，为评价工作减少不必要的冗余。通过BP网络在嘉鱼县农用地定级评价中的应用，与嘉鱼县实际情况是基本相符合的，证明了该方法还是具有很强的实际应用价值的。

参考文献：

[1] 金晓斌，张鸿辉.基于模糊ISODATA聚类方法的农用地定级研究[J].农业工程学报，2008，24（7）:82-85.

[2] 朱红梅，周子英.BP人工神经网络在城市土地集约利用评价中的应用――以长沙市为例[J].经济地理，2009，29（5）:836-839.

[3] TD/T1005-2003.农用地定级规程[S].

[4] 张蓬涛，杨红.基于神经网络的基准地价预测模型研究--以河北省主要城市为例[J].中国土地科学，2000，14（5）:32-35.

[5] 刘耀林，焦利民.土地评价理论、方法与系统开发[M].北京: 科学出版社，2008：213-223.

[6] 赵霈生，陈百明.在土地评价中应用人工神经网络专家系统的理论与实践[J].中国土地科学，1998，12（2）:28-34.

[7] 周开利，康耀红.神经网络模型及其MATLAB仿真程序设计[M].北京:清华大学出版社，2005：89-100.

第8篇：神经网络隐含层的作用范文

关键字神经网络，BP模型，预测

1引言

在系统建模、辨识和预测中，对于线性系统，在频域，传递函数矩阵可以很好地表达系统的黑箱式输入输出模型；在时域，Box-Jenkins方法、回归分析方法、ARMA模型等，通过各种参数估计方法也可以给出描述。对于非线性时间序列预测系统，双线性模型、门限自回归模型、ARCH模型都需要在对数据的内在规律知道不多的情况下对序列间关系进行假定。可以说传统的非线性系统预测，在理论研究和实际应用方面，都存在极大的困难。相比之下，神经网络可以在不了解输入或输出变量间关系的前提下完成非线性建模[4，6]。神经元、神经网络都有非线性、非局域性、非定常性、非凸性和混沌等特性，与各种预测方法有机结合具有很好的发展前景，也给预测系统带来了新的方向与突破。建模算法和预测系统的稳定性、动态性等研究成为当今热点问题。目前在系统建模与预测中，应用最多的是静态的多层前向神经网络，这主要是因为这种网络具有通过学习逼近任意非线性映射的能力。利用静态的多层前向神经网络建立系统的输入/输出模型，本质上就是基于网络逼近能力，通过学习获知系统差分方程中的非线性函数。但在实际应用中，需要建模和预测的多为非线性动态系统，利用静态的多层前向神经网络必须事先给定模型的阶次，即预先确定系统的模型，这一点非常难做到。近来，有关基于动态网络的建模和预测的研究，代表了神经网络建模和预测新的发展方向。

2BP神经网络模型

BP网络是采用Widrow-Hoff学习算法和非线性可微转移函数的多层网络。典型的BP算法采用梯度下降法，也就是Widrow-Hoff算法。现在有许多基本的优化算法，例如变尺度算法和牛顿算法。如图1所示，BP神经网络包括以下单元：①处理单元(神经元)（图中用圆圈表示），即神经网络的基本组成部分。输入层的处理单元只是将输入值转入相邻的联接权重，隐层和输出层的处理单元将它们的输入值求和并根据转移函数计算输出值。②联接权重(图中如V,W)。它将神经网络中的处理单元联系起来，其值随各处理单元的联接程度而变化。③层。神经网络一般具有输入层x、隐层y和输出层o。④阈值。其值可为恒值或可变值，它可使网络能更自由地获取所要描述的函数关系。⑤转移函数F。它是将输入的数据转化为输出的处理单元，通常为非线性函数。

2.1基本算法

BP算法主要包含4步，分为向前传播和向后传播两个阶段：

1）向前传播阶段

（1）从样本集中取一个样本（Xp，Yp），将Xp输入网络；

（2）计算相应的实际输出Op

在此阶段，信息从输入层经过逐级的变换，传送到输出层。这个过程也是网络在完成训练后正常运行时的执行过程。

2）向后传播阶段

（1）计算实际输出Op与相应的理想输出Yp的差；

（2）按极小化误差的方式调整权矩阵。

这两个阶段的工作受到精度要求的控制，在这里取作为网络关于第p个样本的误差测度，而将网络关于整个样本集的误差测度定义为。图2是基本BP算法的流程图。

2.2动态BP神经网络预测算法

在经典的BP算法以及其他的训练算法中都有很多变量，这些训练算法可以确定一个ANN结构，它们只训练固定结构的ANN权值（包括联接权值和结点转换函数）。在自动设计ANN结构方面，也已有较多的尝试，比如构造性算法和剪枝算法。前一种是先随机化网络，然后在训练过程中有必要地增加新的层和结点；而剪枝法则正好相反。文献[2]中提出了演化神经网络的理念，并把EP算法与BP进行了组合演化；也有很多学者把遗传算法和BP进行结合，但这些算法都以时间复杂度以及空间复杂度的增加为代价。根据Kolmogorov定理,对于任意给定的L2型连续函数f:[0,1]nRm,f可以精确地用一个三层前向神经网络来实现，因而可以只考虑演化网络的权值和结点数而不影响演化结果。基于此，在BP原有算法的基础上，增加结点数演化因子，然后记录每层因子各异时演化出的结构，最后选取最优的因子及其网络结构，这样就可以避免由于增加或剪枝得到的局部最优。根据实验得知，不同的预测精度也影响网络层神经元的结点数，所以可根据要求动态地建立预测系统。具体步骤如下：

（1）将输入向量和目标向量进行归一化处理。

（2）读取输入向量、目标向量，记录输入维数m、输出层结点数n。

（3）当训练集确定之后，输入层结点数和输出层结点数随之而确定，首先遇到的一个十分重要而又困难的问题是如何优化隐层结点数和隐层数。实验表明，如果隐层结点数过少，网络不能具有必要的学习能力和信息处理能力。反之，若过多，不仅会大大增加网络结构的复杂性（这一点对硬件实现的网络尤其重要），网络在学习过程中更易陷入局部极小点，而且会使网络的学习速度变得很慢。隐层结点数的选择问题一直受到神经网络研究工作者的高度重视。Gorman指出隐层结点数s与模式数N的关系是：s＝log2N；Kolmogorov定理表明，隐层结点数s＝2n＋1（n为输入层结点数）；而根据文献[7]：s＝sqrt（0.43mn＋0.12nn＋2.54m＋0.77n＋0.35）＋0.51[7]。

（4）设置结点数演化因子a。为了快速建立网络，可以对其向量初始化，并从小到大排序[4，7]。

（5）建立BP神经网络。隐含层传递函数用tansig，输出层用logsig，训练函数采用动态自适应BP算法，并制订停止准则：目标误差精度以及训练代数。

（6）初始化网络。

（7）训练网络直到满足停止判断准则。

（8）用测试向量对网络进行预测，并记录误差和逼近曲线，评估其网络的适应性。其适应度函数采取规则化均方误差函数。

（9）转到（5），选取下一个演化因子，动态增加隐含层结点数，直到最后得到最佳预测网络。

3基于神经网络的预测原理[4]

3.1正向建模

正向建模是指训练一个神经网络表达系统正向动态的过程，这一过程建立的神经网络模型称为正向模型，其结构如图3所示。其中，神经网络与待辨识的系统并联，两者的输出误差用做网络的训练信号。显然，这是一个典型的有导师学习问题，实际系统作为教师，向神经网络提供算法所需要的期望输出。当系统是被控对象或传统控制器时，神经网络多采用多层前向网络的形式，可直接选用BP网络或它的各种变形。而当系统为性能评价器时，则可选择再励学习算法，这时网络既可以采用具有全局逼近能力的网络（如多层感知器），也可选用具有局部逼近能力的网络（如小脑模型控制器等）。3.2逆向建模

建立动态系统的逆模型，在神经网络中起着关键作用，并且得到了广泛的应用。其中，比较简单的是直接逆建模法，也称为广义逆学习。其结构如图4所示，拟预报的系统输出作为网络的输入，网络输出与系统输入比较，相应的输入误差用于训练，因而网络将通过学习建立系统的逆模型。但是，如果所辨识的非线性系统是不可逆的，利用上述方法将得到一个不正确的逆模型。因此，在建立系统时，可逆性应该先有所保证。

4应用实例分析

以我国西南某地震常发地区的地震资料作为样本来源，实现基于动态神经网络的地震预报。根据资料，提取出7个预报因子和实际发生的震级M作为输入和目标向量。预报因子为半年内M>=3的地震累计频度、半年内能量释放积累值、b值、异常地震群个数、地震条带个数、是否处于活动期内以及相关地震区地震级。在训练前，对数据进行归一化处理。由于输入样本为7维的输入向量，一般情况下输入层设7个神经元。根据实际情况，输出层神经元个数为1。隐含层神经元的传递函数为S型正切函数，输出层也可以动态选择传递函数。实例数据来自文献[4]，将数据集分为训练集、测试集和确定集。表1中的7×7数组表示归一化后的训练向量，第一个7表示预报因子数，第二个7表示样本数。

表1归一化后的训练向量

在不同神经元数情况下，对网络进行训练和仿真，得到如图5所示的一组预测误差曲线。其中，曲线A表示隐层结点数为6时的预测误差曲线，曲线B表示隐含层结点数为3时的预测误差曲线，曲线C表示隐含层结点数为5时的预测误差曲线，曲线D表示隐含层结点数为4时的预测误差曲线。将五种情况下的误差进行对比，曲线C表示的网络预测性能最好，其隐含层神经元数为5，图中曲线E表示的是隐含层结点数为15时的预测误差曲线（文献[4]中的最好结果）。同时也证明，在设计BP网络时，不能无限制地增加层神经元的个数。若过多，不仅会大大增加网络结构的复杂性，网络在学习过程中更易陷入局部极小点，而且会使网络的学习速度、预测速度变得很慢。

5结论

本文针对基本的BP神经网络，提出了可动态改变神经元数（与精度相关）的BP神经网络预测方法，可以根据实际情况建立预测系统。用此种方法可以建立最好的神经网络，不会有多余的神经元，也不会让网络在学习过程中过早陷于局部极小点。

参考文献

[1]YaoX,LiuY.FastEvolutionaryProgramming.inEvolutionaryProgrammingⅤ:Proc.5thAnnu.Conf.EvolutionaryProgram,L.Fogel,P.AngelineandT.Bäck,Eds.Cambridge,MA:MITPress,1996,451-460

[2]XinYao,YongLiu,ANewEvolutionarySystemforEvolvingArtificialNeuralNetworksIEEETRANSACTIONSONNEURALNETWORKS,VOL8,NO.31997，694-714

[3]潘正君，康立山，陈毓屏.演化计算[M].北京:清华大学出版社，1998

[4]飞思科技产品研发中心.神经网络理论与实现.北京:电子工业出版社，2005

[5]蔡晓芬，方建斌.演化神经网络算法.江汉大学学报，第33卷第3期，2005.9

第9篇：神经网络隐含层的作用范文

 

计算机网络的快速发展和技术的广泛应用给人们的生产生活提供了便利，但同时，也带来了一些不容忽视的安全隐患。近年来，影响计算机安全的因素很多，例如犯罪团伙利用网络等高科技进行犯罪的案例屡见不鲜。对此进行严格防范，更好地促进计算机和互联网的发展，需要对计算机网络安全进行评价，建立安全、有效的计算机网络评价系统，网络安全评价体系可以对整个计算机网络进行评估和分析，完善评价体系，使系统更准确、可靠，其中使用率最高的则是神经网络。

 

1 神经网络的概述

 

1.1 神经网络的简介

 

神经网络又被称为链接模型，它效仿了生物神经网络而建立，它以人脑的信息处理方式为基础，采用建立数学模型的方式研究大脑行为结构和生物神经元基本特征，世界上第一个神经网络模型是由数学家和生物学家共同提出。神经网络复杂多变，它是由神经元内部通过大量节点进行相互连接形成的一种网络结构，其中每个神经元都可处理信息，从而达到处理海量信息的规模。随后，计算机学家在原有的神经网络模型的基础上增加了学习机制，将神经网络技术应用在工程中，设计出了感知器神经网络模型，我国的计算机学家和数学家通过对神经网络的分析，展开长期的研究工作，掌握了模型的实质，研究表明，神经网络模型适合应用在不同的研究领域。

 

1.2 神经网络的功能

 

神经网络是一项人工智能系统，是通过生物神经网络的工作原理建立而来，它的应用具有全方位的优越性能。计算机神经网络系统还可实现预测功能，此功能为联想模式的升级版，主要运用于市场和企业中，例如股票等证券市场，预测功能可对股市证券和企业的未来效益进行预测分析，基于计算机的神经网络为市场和企业的发展提供了强有力的支持。正是有这些优越性能，神经网络系统在计算机网络安全评价过程中，才能发挥出最大的价值。

 

2 计算机网络安全概述

 

2.1 计算机网络安全的简介

 

计算机网络安全是指在网络环境中，采用先进的科学技术和网络管理控制措施来保证计算机资料能得以安全及完整的保护。计算机网络安全由逻辑安全和物理安全两大重要部分组成：第一，计算机的逻辑安全是指其中信息数据的保密性、完整性及可用性方面的内容;第二，物理安全包括了系统中的组网硬件和相关软件等方面内容，其具有可控性及可审查性等特点。在当今的计算机网络环境中，安全问题是关键，由于网络的开放自由性导致信息在传播过程中会受到硬件漏洞或者通讯协议方面的攻击，这不仅给本地用户带来威胁，对国际网络市场也是一种挑战。

 

2.2 计算机网络安全评价体系的建立

 

计算机网络安全评价体系的建立是对网络安全评价的一个强有力保障，该体系能全面、科学、客观的体现计算机网络中存在的不安全因素并且给出相对应的解决措施，所以应该根据多种综合因素设立评价体系中的评价指标，从而准确地反映评价信息，计算机网络安全评价系统的构建原则是：第一，可行性。在计算机网络安全评价体系构建过程中，结合实际的测评条件，因地制宜，才能有效的进行测评和操作。第二，准确性。在计算机网络安全评价体系的构建过程中，应当对网络安全的技术水平进行真实的体现，及时且准确的对安全信息进行监测分析再反馈到计算机网络中，使技术人员及时有效的解决产生的问题。第三，完备性。建立的安全评价体系，需确保所选指标对网络安全基本特征有全面的反映，进而提高评价结果的真实可靠性。第四，简要性。在选取评价指标的过程中，要选取具有代表性的，保证结果准确可靠从而降低工作量。第五，独立性。计算机网络是一个复杂多变的系统，在选取各项评价指标时，要避免出现重复选择的情况，减少指标间的关联度，从而客观准确的将计算机网络安全运行状态展现出来。计算机安全网络存在一定风险性，在安全保护上也存在难度，遵守以上原则，在实际工作应用中，提高计算机网络的工作质量和效率。

 

3 基于神经网络的计算机网络安全评价系统

 

在神经网络模型中，使用最为广泛的是BP神经网络模型，它采用最速下降法进行反向传播，调整相关数值，将误差降至最低。BP神经网络模型还通过误差逆传播算法，训练前馈多层网络。其算法简单，容易实现，具有非线性逼近能力。本文以BP神经网络为研究对象，对计算机网络安全评价进行分析。

 

3.1 神经网络的计算机网络安全评价模型设计

 

基于神经网络设计的计算机网络安全评价模型，由3个部分组成，分别是输入层、隐含层和输出层：(1)输入层。BP神经网络在设计的过程中规定输入层神经元节点的数量，与计算机网络安全评价指标数量必须一致，所以对模型输入层中神经元节点的数量确定需由二级指标的数量完成。例如，在安全评价体系中设计了10个二级指标，在计算机网络安全评价模型中输入层神经元节点数量也必须是10个。(2)BP神经网络模型在设计的过程中，采用单向隐含层，如果隐含层中的节点数过多会延长神经网络学习时间，如果隐含层节点数的数量过少则会降低神经网络的容错能力。所以隐含层中的节点数量对网络性能有较大的影响。(3)输出层。BP神经网络在输出层的设计工作即反映网络安全评价结果，依据输入层的评价设计，将输出层的节点数设为2个，则(1，1)的输出结果表示非常安全，(1，0)的输出结果基本安全，(0，1)的输出结果表示不安全，(0，0)的输出结果表示非常不安全。

 

3.2 神经网络的计算机网络安全评价模型学习

 

BP神经网络在计算机网络安全评价模型中需完成神经网络的学习，也就表示其在模型构建前需进行神经网络的训练工作，这使BP神经网络具有初始连接权，在完成神经网络的学习后，减少误差值，保证安全评价结果和使用者期望值达成一致。

 

3.3 神经网络的计算机网络安全评价模型验证

 

为确保计算机网络安全模型的应用效能，在完成设计与学习工作后，对其进行验证，首先选取样本数据，再将样本数据输入到模型中，通过模型内部检验分析，完成评价功能的应用，如果输出的安全评价结果与期望值达成一致，则说明基于神经网络的计算机网络安全评价模型具有准确性，可以使用。

 

4 结语

 

随着社会的发展，科学的进步，越来越多的先进信息技术和网络技术得以应用，计算机网络是一个复杂的系统，其中存在一定的风险性，计算机网络的安全问题是目前亟待解决的关键问题。在当前社会，神经网络技术广泛应用于各大领域，将神经网络模型与计算机网络安全相结合，遵守可行性、准确性、完备性、简要性、独立性原则，构建一个网络安全评价体系。有利于对计算机安全管理奠定基础，基于神经网络的计算机网络安全评价体系能使评价结果更具真实性和可靠性，但目前的神经网络技术并不十分成熟，根据其应用特点，将神经网络技术与其他技术相融合的发展问题，仍值得广大学者深入研究。通过本文的分析与研究，认识到神经网络的发展及特点，针对其功能的优越性，加大对神经网络的重视，提高安全评价体系对环境的适应力，提升体系的容错性，实现在线应用模式，促进其在计算机网络安全中的进一步完善和发展，为计算机网络安全评价提供保障，使神经网络在计算机网络安全评价中发挥更大的作用。