神经网络的流程精选(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的流程主题范文，仅供参考，欢迎阅读并收藏。

第1篇：神经网络的流程范文

关键词：一流学科；课程结构；BP神经网络；创新型人才

中图分类号：G642.0 文献标志码：A 文章编号：1674-9324（2017）03-0162-02

建设国际一流的学科是创建国际一流大学的基础，坚持以一流为目标，以机械工程学科为基础，优化课程结构体系，培养创新型人才。机械工程学科课程结构建设是研究生培养的重要特征，也是创新型人才培养的重要载体和平台。本文以大学排名为依托，选取全球范围内认可度较高的大学排名――国际高等教育研究机构Quacquarelli Symonds（简称QS）世界大学工程技术类排名的各项参数作为依据。设计人工神经网络模型，将众多复杂的指标综合起来，并予以量化。

一、课程结构与创新型人才培养的关系

培养创新型人才既是当前中国高校教育改革与发展的一个重要课题，也是中国经济社会发展的迫切需要，对知识的学习和积累也提出了更高的要求。任何课程体系都必须围绕并服务于创新人才各方面素质的全面发展以及个性培养而设计，不能顾此失彼，从各门课程的组成要素看，也必须注意进行整体设计，兼顾各要素之间的联系，才能起到相互促进的作用[1]。人们在社会科学、自然科学和技术科学等各学科内，通过多门学科相结合，运用各种方法、技巧等，使其相互结合，形成新的学科，提高研究生的创新能力。

二、基于BP神经网络的机械工程研究生课程结构分析

BP神经网络是被广泛应用的一种重要网络形式，主要用来进行非线性系统的输入输出映射关系建模。本文采用的是隐含层为一层的三层BP神经网络模型，该模型为有监督的多层前向网络，由三层神经元组成：输入层、隐含层和输出层，其不同层之间用网络权值进行连接，同层内部神经元之间没有连接关系[2]。

通过对QS世界大学排名中工程技术类排名前400的部分院校进行排名指标数据整理和汇总，以及对其机械工程学科研究生课程进行搜集和分类，参考部分典型的课程结构分类标准，将机械工程学科的研究生课程分为自然科学基础、工程技术基础、机械设计、机械制造、机电一体化、生物方面、能源环保方面、微纳尺度、管理九类课程，作为九个指标，将其每类课程所占百分比，作为BP神经网络输入层的神经元；输出层有四个神经元，数据来源于QS世界大学排名中工程技术类排名，包括总体得分、学术声誉、全球雇主评价、单位教职的论文引用数。通常我们要根据网络收敛性能的好坏来确定隐含层神经元个数，通过对大量网络模型结构的分析研究，得到以下经验公式[3]：

S=■+a 1≤a≤10 （2.1）其中S为隐含层节点数，m为输入层节点数，n为输出层节点数。根据公式（2.1），我们首先将隐含层神经元数目设置为10，然后逐步增加到15和20。进行多次实验，通过误差的对比，发现在隐含层神经元个数为25时，该BP神经网络的性能最好。因此，该BP神经网络模型隐含层神经元数目设为25。将输入数据的70%作为训练数据，15%作为测试数据，15%作为验证数据，通过对训练结果进行测试，误差达到所要求的范围内则说明网络模型良好[4]。利用MATLAB训练及测试后的网络误差情况如下页图1所示，训练和测试误差均达到预期效果，大多集中在零误差附近，该模型满足实际的应用要求。

三、中国高校与国际一流学科大学的对比分析

列举中国某“211工程”、“985工程”高校，对其研究生院机械工程学科课程结构进行调查与统计，将其课程分布的9个参量输入到训练好的BP神经网络，推测出其总体得分、学术声誉、全球雇主评价、单位教职的论文引用数4个参量。

输入x=[9.76 13.82 39.84 11.38 21.95 0.00 0.81 0.81 1.63]；

输出ans=57.8018 28.9101 38.9170 72.6147

中国某高校总体得分为57.8018，学术声誉28.9101，全球雇主评价38.9170，单位教职的论文引用情况72.6147。从推测出的数据看，在QS排名中，中国某高校主要落后在学术声誉、全球雇主评价等指标上，相比于国际一流学科高校还是有很大的差距，差距最大的主要是科研水平和国际化方面，尤其是在科研水平方面。对比来看，在课程设置中，国际一流大学一流学科都有着丰富的课程设置，强调多学科融合以及新兴领域的学习，注重课程设置，推进创新型人才的培养。中国高校要创建国际一流学科，加大培养创新型人才的力度，应强化基础知识的学习，多开设工程技术基础类课程；在此基础上，加强专业知识的拓宽，不同专业方向专业课程供开放选择，增设新兴领域的课程学习[5]。另外，要强化多学科知识的融合，设置大量交叉学科课程，提高实践能力，锻炼和提高学生的实践和创新能力。

四、结论

本文研究了国际一流大学机械工程学科的课程体系结构，利用QS世界大学排名相关参数指标，建立了三层BP神经网络分析模型，对国际一流高校的机械工程学科课程结构进行了分析。基于所建数学模型，求出了中国某高校的QS总体得分、学术声誉、全球雇主评价、单位教职的论文引用情况等。选用QS排名中的29所高校作为系统样本，其中25组作为训练样本，4组作为测试样本，通过MATLAB完成网络的训练和测试，使用训练好的BP网络模型，推测QS排名系统未列出的中国某高校的QS相关参数，将其与国际一流学科的数据进行了比较分析。结果表明，中国某高校机械工程学科在课程结构设置上需要整体优化，强调多学科融合，拓宽知识面，巩固基础知识学习，加大创新型人才培养力度。

参考文献：

[1]郭丛斌，孙启明.中国内地高校与世界一流大学的比较分析――从大学排名的视角[J].教育研究，2015，（02）：147-157.

[2]饶海琴，雷良海.重点课程建设对创新人才培养的思考[J].课程教育研究，2013，（32）：255-256.

[3]卢铮松，李珂珂.基于人工神经网络的研究生课程评价模型[J].现代教育技术，2009，（10）：53-57.

[4]聂勇，马其平.国际一流高校创新型人才培养模式建构的思考[J].内蒙古农业大学学报（社会科学版），2011，（06）：126-127.

[5]刘强，潘鹏飞，王玉清.变革中的大学学科排名――QS世界大学学科排名最新进展与反思[J].比较教育研究，2015，（12）：35-41.

Research on the Course Structure of International First-Class Mechanical Engineering Using Neural Network

YANG Yang，WANG Hong，HUA Cheng-cheng，YIN Chang-hao，LI Kai-yuan

（Northeastern University School of Mechanical Engineer & Automation，Shenyang，Liaoning 110819，China）

第2篇：神经网络的流程范文

摘要：

为更全面准确地评价产品造型设计，在近几年国内外产品评价系统研究的基础上，综合运用主成分分析法、聚类分析法、BP神经网络技术，对产品设计造型要素的感性意象进行定量化研究，建立和完善了产品设计评价的神经网络模型．并以园林工具割草机产品设计为例训练模型，验证了模型的可行性和有效性．

关键词：

产品设计评价；主成分分析；聚类分析；BP神经网络；感性工学

产品造型设计和评价是产品设计开发过程中的重要组成部分．近年来，国内外学者结合感性工学对产品造型设计和产品造型评价进行了大量的研究．产品造型设计是一项复杂的系统运行过程，除受客观条件如经济、技术、构造等要素的影响外，同时，社会审美、目标消费群的偏好、设计师经验、背景等因素也相互影响［1］．人工神经网络是伴随着生物学、数学、计算机等学科的发展而产生的一门新兴的综合交叉性学科．其中，最常见的是BP神经网络，它具备任意精度的函数逼近能力，具有自组织、自适应、自学习、高度非线性映射性、泛化性、容错性的优点［2］．BP神经网络因其很强的学习能力、抗故障性、并行性的优点，特别适合于解决上述非线性很高的复杂系统．割草机产品应用具有较强的地域性和个性化的消费者群细分，造型设计目前未形成系统的理论和方法．将BP神经网络法和遗传算法等应用于产品造型设计的评价系统中尚属于摸索阶段．文献［3］提出了BP神经网络技术与产品评价系统结合的可行性．文献［4］通过将遗传算法与神经网络相结合，进一步优化了产品设计评价模型的精度．产品造型设计与评价是个复杂的过程，需要多层次的系统分析．为此，本文将综合运用主成分分析法、聚类分析法与BP神经网络技术，定量地研究感性意象与产品造型设计之间的关系．以园林工具割草机产品为例，把产品造型要素的集合分组为由类似对象组成的多个类，分析影响割草机产品感性意象的主要造型特征，基于MatlabR2014a平台，建立BP神经网络模型，检测产品造型与目标消费者群体偏好之间的对应关系，以验证和提高产品设计评价模型的可行性和准确度．

1研究流程

本文以割草机产品为例，综合应用主成分分析、聚类分析方法和BP神经网络技术，对感性意象进行定量化研究，建立和完善产品造型特征与感性意象关系评价的神经网络模型．研究流程如图1所示．具体流程如下：

（1）通过网络调研并筛选得到描述割草机外形的形容词．

（2）通过网络搜集各国割草机图片样本，对图片进行去色、去标志处理，排除颜色和品牌对试验样本的影响．

（3）把7点量表建立在已经选择出来的感性意象形容词上，让每个测试者针对这些选定的形容词对每个试验样本打分．将试验所得数据运用主成分分析，并结合专家意见，确定最终描述词汇．

（4）将样本进行聚类分析，并通过专家对同类内样本共同特征的提取，明确影响割草机外形意象的造型特征，并分析各造型特征组合与感性意象的关系．

（5）建立BP神经网络模型，以试验数据训练神经网络模型．

（6）神经网络准确率检测，总结分析．

2割草机外观特征与感性意象认知关系量化试验

2．1试验准备

通过调研，共搜集整理近5年销售生产的割草机产品图片150张，分别来自不同国家和地区．对图片进行去色、去标志处理，以排除颜色、品牌及其他因素对试验样本的影响．利用KJ法［5］筛选得到20个图片样本，部分样本图片如图2所示．经过表1的分析可以得到形容词的意象空间，专家设计师结合这一意象空间进行总结和分析，得到其3个维度上的感性意象描述形容词，分别为“科技－落后”“朴素－华丽”“易用－复杂”．

2．3关键造型特征提取和聚类分析

将意象空间的样本进行聚类分析，把产品造型要素的集合分组为由类似的对象组成的多个类，分析影响割草机产品感性意象的主要造型特征．通过专家设计师评价和问卷调查统计，抽取同类样本内的共同特征，得到最主要的影响割草机感性意象的造型特征．聚类分析的结果如表2所示．

3BP神经网络模型建立、训练、预测

3．1BP神经网络模型建立

选用MatlabR2014a为平台进行BP神经网络结构的建立与模拟，其模型如图3所示．通过历史数据的训练，用以检测产品造型与其感性意向的对应关系，建立产品造型设计评价体系．经过数次预先进行的试验，确定神经网络结构为3层，输入层（包含2个节点）、隐含层（包含4个节点）、输出层（包含1个节点）．输入层是2个设计元素的编号组合，输出层是关于“科技的－落后的”这个语汇对的感性意象评价值．

3．2BP神经网络模型训练设置

BP神经网络的学习次数为5000次，采用梯度下降法，目标误差值为0．001，训练结果采用均方误差衡量，将表4中样本1＃～15＃的数据导入建立的网络，训练BP神经网络，在1753次训练时结果收敛，停止训练，其训练的结果如图4所示．由图4可得，其实际训练的误差值为0．00908．

3．3BP神经网络模型测试选用

表4中样本16＃～20＃测试神经网络预测能力，即将5个样本造型特征组合导入网络的输入层，将调查得到的数据与神经网络预测的感性评价值进行对比，结果如表5所示．由表5可见，实际感性评价值与预测感性评价值相对误差较小，说明网络精度达到要求，验证了割草机产品评价模型的可行性和有效性．

4结语

本文将主成分分析法、聚类分析法与BP神经网络模型相结合，对割草机产品造型设计与感性意象之间的关系进行分析，为产品造型设计符合目标消费群体需求提供客观评价帮助．但是本文只针对割草机的主要产品造型要素进行了试验，随着研究方法及科技的不断进步，结合色彩、材质、纹理甚至人机工程学等综合因素的研究将成为下一步的研究重点．基于神经网络的意象认知模型，还存在一定局限性，随着科技的发展，结合认知心理学、脑科学、人工智能等技术和方法将使相关研究得到更深入的发展．

参考文献：

［1］王爱华，孙峻．BP神经网络在工程项目管理中的应用［J］．建筑管理现代化，2009（4）：306－309．

［2］周美玉，李倩．神经网络在产品感性设计中的应用［J］．东华大学学报（自然科学版），2011，37（4）：509－513．

［3］赵万芹．基于BP神经网络的产品造型设计评价［J］．计算机工程与设计，2009，30（24）：5715－5717．

［4］林琳，张志华，张睿欣．基于遗传算法优化神经网络的产品造型设计评价［J］．计算机工程与设计，2015，36（3）：789－813．

［5］川喜田二郎．KJ法［M］．京都：中央公論新社，1986．

第3篇：神经网络的流程范文

关键词： 小波神经网络； 网络流量； 预测研究； 训练样本

中图分类号： TN711?34 文献标识码： A 文章编号： 1004?373X（2016）23?0098?02

Research on network traffic prediction based on wavelet neural network

LI Xin， SUN Shanshan

（College of Information Engineering， Suihua University， Suihua 152000， China）

Abstract： The relevant theory and method of wavelet neural network are used to establish and predict the network traffic situation of a certain uptown. The acquired network traffic change situation is used as the training sample of the wavelet network to realize the traffic prediction of the network. The simulation results show that the constructed wavelet neural network model has high precision to predict the network traffic.

Keywords： wavelet neural network； network traffic； prediction research； training sample

0 引 言

随着互联网规模的不断增大以及各种网络“新应用”、“新服务”的不断涌现，网络信息变得越来越庞大和多变，对网络访问流量进行精确地预测从而实现对网络运行状态的有效管理，已经逐步成为目前的一个研究热点。网络流量预测是实现网络控制、网络规划，保证网络安全以及提高网络服务质量的重要前提。

网络流量具有自相似性、长相关性和多重分形性等复杂性质，对其进行精确地预测一直以来都是一个难点。目前，常见的网络流量预测方法主要有自回归分析法、马尔科夫分析法、分形布朗运动分析法和神经网络分析法。与前面三种传统方法相比，利用神经网络对网络流量进行预测具有预测精度高、方法简单、泛化性强和稳定性好的特点，正在逐步成为网络流量预测研究中的主流方法。

文献[1]根据网络流量的变化特征，基于BP神经网络提出了一个P2P网络流量预测模型，实现了网络流量的较高精度预测。文献[2]结合小波变换和人工神经网络的优势，建立一种网络流量预测的小波神经网络模型，通过将流量时间序列进行小波分解，获得了网络的训练和验证样本，试验表明采用这种方法进行流量预测，要比直接采用神经网络对样本进行预测的精度高。文献[3]根据网络流量自身的特征，研究了BP神经网络和小波神经网络在校园流量预测中的应用，其所建立的模型，经仿真验证证明，可以较好地预测学校网络的流量变化情况，可以为校园网络的规划和管理提供一定参考。

小波神经网络是一种以BP神经网络拓扑结构为基础，把小波基函数作为隐含节点的传递函数，其拓扑结构如图1所示。它类似于BP神经网络权值修正算法，采用梯度修正法修正网络的权值和小波基函数参数，从而使小波神经网络预测输出不断逼近期望输出[4?5]。

采用小波神经网络进行网络流量预测的基本流程如图2所示。

1 网络流量预测

1.1 试验数据来源

采用网络流量监测软件对某小区的网络流量进行实时采集，得到了该小区5天内的网络流量数据，每隔15 min记录一次该时间段内的网络流量值，一共获得了480个时间点的数据。用4天共384个网络流量的数据训练小波网络，最后用训练好的小波神经网络预测第5天的网络流量。为了避免局部数值偏移造成的误差，本文采用编组的方式提高模型预测精度，用前三个时间点的网络流量来综合预测后一个时间点的网络流量情况[6?7]。

图1 小波神经网络的拓扑结构

图2 小波神经网络进行预测的流程图

1.2 构建小波神经网络模型

本文采用的小波基函数为Mexican Hat小波基函数，其表达式为：

[ψ（t）=（1-t2）e-t22ψ（ω）=2πω2e-ω22]

函数的时域和频域波形图如图3所示[7?8]。

图3 Mexican Hat函数的时域和频域特征

本文采用的小波神经网络结构为3?5?1；输入层有3个节点，表示预测时间节点前3个时间节点的网络流量；隐含层有5个节点；输入层有1个节点，为预测的网络流量。设置网络预期误差值为[1×10-2，]将训练数据输入到Matlab软件中进行训练，训练过程中小波神经网络的误差变换情况如图4所示。由图4可知，该小波神经网络经过58步运算后收敛到预定精度要求。

用训练好的小波神经网络对该小区内第五天的网络流量情况进行预测，预测结果与交通流量的实际值比较如图5所示。在图5中，加“*”曲线对应预测数据，加“[]”曲线对应实际数据，可以看到小波神经网络可以较好地预测网络流量。

为了进一步分析仿真结果，采用绝对值误差均值（MAE）和绝对百分比误差均值（MAPE）两个指标进行评价分析，其中MAE和MAPE分别用下式计算[9]：

[MAE=1ni=1nxi-xiMAPE=1ni=1nxi-xixi×100%]

式中：[xi]表示模型的预测值；[xi]表示模型预测值的算术平均值；[n]为样本数。

小波神经网络的MAE和MAPE值如表1所示。

从表1可以看出，本文构建的小波神经网络的MAE值在3.36 GB左右，而MAPE值小于0.1，说明该预测模型可以较好地预测网络流量的变化情况，反应该小区的流量信息变化，为小区网络的规划和管理提供可靠的依据。

2 结 论

本文在网络流量的预测研究中引入了小波神经网络模型，利用收集到的某小区5天内的网络流量变化数据作为训练和测试样本对构建的小波神经网络进行训练和测试研究。试验结果表明，本文构建的小波神经网络具有较高的预测精度，可以对该小区网络的流量变化情况进行较高精度的预测。

参考文献

[1] 韩志杰，王汝传.一种新的 P2P 网络流量预测模型[J].计算机科学，2008（9）：39?14.

[2] 雷霆，余镇危.一种网络流量预测的小波神经网络模型[J].计算机应用，2006（3）：526?528.

[3] 张昕.校园网络流量分析与预测研究[D].西安：西安电子科技大学，2012.

[4] 王鸣，孙奕鸣.小波支持向量机的网络流量预测研究[J].计算机仿真，2012，29（11）：198?201.

[5] ZHANG Li， ZHOU Weida， JIAO Licheng. Wavelet support vector machine [J]. IEEE transactions on systems， man， and cybernetics， 2004， 34（1）： 34?39.

[6] 邓远.BP神经网络评价方法在交通流量评价方面的应用[J].中国交通，2011，35（5）：146?151.

[7] 李远航.网络流量预测技术的应用[J].计算机工程应用研究，2014，34（1）：131?138.

第4篇：神经网络的流程范文

【关键词】 遗传算法 BP神经网络 结构参数 优化

一、引 言

传统的滤波器设计需要大量繁琐计算和曲线查找，在商用电磁仿真软件出现后，微波滤波器的设计得到了很大的改善，但是在实际操作中对经验依赖性还是很强。如何快速准确的设计出符合要求的滤波器，是传统的滤波器设计方法和目前的商用电磁仿真软件难以有效解决的。针对以上问题，本文将遗传算法和BP神经网络结合[1]，在MATLAB环境下实现了对腔体滤波器结构参数的设计。

二、遗传神经网络优化

BP神经网络尤其适用在有大量实验数据，而数据间的内在关系很难用明确的表达式的非线性系统中，但在实际应用中神经网络存在学习时间长，容易陷入局部极小点等弊端。因为该算法从本质上来说属于局部寻优算法，为此利用遗传算法全局搜索能力强的特点，结合神经网络的局部寻优能力，可以更好的实现对非线性系统的预测，其基本思想是通过遗传算法得到更好的网络初始权重。

2.1算法实现过程

遗传神经网络分为BP神经网络结构确定、遗传算法优化和BP神经网络预测3个部分。本文是以三腔体滤波器为例，将滤波器的频率f和耦合系数c作为输入向量

其次，使用改进的遗传算法对网络初始权重进行优化，将初步得到的权重赋给尚未开始训练的BP神经网络。然后，设置训练参数，开始训练网络，将 90组数用于网络训练，10组作为测试样本。最后将预测结果反归一化，观察得到的误差值，其流程图如图1所示。

2.2 优化结果

采用上述遗传神经网络算法对腔体滤波器的结构参数进行优化，均方误差为5.0972×10-5， 时间为1.056s；BP网络的均方误差为2.8871×10-4，时间为2.103s，可以看出遗传神经网络优化值更加精确，速度快。

三、结论

本文针对遗传算法和神经网络的优缺点，将遗传算法与BP神经网络有机地结合在一起，应用在腔体滤波器结构参数的优化中，优化结果表明此方法可以在较短的时间内达到精度范围内的优化值，为腔体滤波器的结构参数优化设计提供了一种新方法。

第5篇：神经网络的流程范文

关键词： BP神经网络; 电子信息装备; 维修保障能力; 评估

中图分类号： TN911?34 文献标识码： A 文章编号： 1004?373X（2015）02?0011?04

Evaluation based on BP neural network for electronic information equipment maintenance support capability

ZHONG Jing?li， ZHANG Hui， MA Zhen

（PLA Academy of National Defense Information， Wuhan 430010， China）

Abstract： Objective and accurate evaluation of electronic information equipment maintenance support capability is the important basis of strengthening the construction of equipment maintenance support system and improving the ability of support. The BP neural network is creatively applied to the field of equipment maintenance support. An evaluation index system of electronic information equipment maintenance support capability is established. The indexes of key factors are determined. A BP neural network model for assessment of the electronic information equipment maintenance support capability is designed. The algorithm flow and data processing of evaluation model are studied. The result is calculated and analyzed with simulation software Matlab. It proves that the BP neural network has a strong ability to solve the problem of complex nonlinearity relation. The method can eliminate the uncertainty of the evaluation results due to the individual difference of experts， and is suitable for analysis and evaluation of the ability of electronic information equipment maintenance support.

Keywords： BP neural network; electronic information equipment; maintenance support capability; evaluation

电子信息装备维修保障能力就是其运用各类保障资源保证完成电子信息装备维修任务的能力，是确保电子信息装备保持、恢复或改善到规定技术状态的本领[1]。由于电子信息装备生产和维修保障费用较高，因此对各种维修保障资源进行合理的配置，并对其进行不断地修改和完善，能够有效促进维修保障能力的提高。由于电子信息装备维修保障能力与影响参数之间存在非线性关系，因此可采用BP神经网络进行电子信息装备维修保障能力评估。

运用BP神经网络模型进行电子信息装备维修保障能力评估时，把对维修保障能力影响较大的参数指标作为神经网络的输入，维修保障能力作为神经网络的输出，并用大量样本按照某种学习规则对神经网络进行训练，通过动态的自适应调整，训练好的网络具有确定的权值和阀值，其能有效地描述电子信息装备维修保障能力和特征参数之间的非线性关系。神经网络训练完毕，便可作为一种有效的工具，来评估电子信息装备的维修保障能力

1 构建电子信息装备维修保障能力指标体系

在暂不考虑管理因素的情况下，影响电子信息装备维修保障能力的资源要素有很多。通常运用主成分逐步回归法[1]来选择影响电子信息装备维修保障能力的主要参数，主要归纳为保障人力资源、保障备件资源、保障设备资源和保障技术资料4个方面，同时4个一级指标下面包含15个二级指标，如图1所示。以15个二级指标参数作为神经网络的输入，电子信息装备维修保障能力作为网络输出。

<E：＼王芳＼现代电子技术201502＼Image＼11t1.tif>

图1 电子信息装备维修保障能力指标体系

2 构建电子信息装备维修保障能力神经网络评

估模型

2.1 网络结构设计

典型的BP神经网络主要由三层网络构成：输入层、隐含层和输出层[2]，其结构如图2所示。采用三层BP神经网络模型来评估电子信息装备维修保障能力，以所选取的主要特征参数Xi作为网络的输入，以电子信息装备维修保障能力T作为目标输出，Wij和Wn为所确定的权值。

<E：＼王芳＼现代电子技术201502＼Image＼11t2.tif>

图2 BP神经网络结构图

选用电子信息装备维修保障能力指标体系的15个二级资源指标作为神经网络的输入层信息，则输入单元数为15。电子信息装备的维修保障能力作为输出层，则输出接点数为1。实践证明，隐含层的神经元个数直接影响网络的非线性预测能力[1]，由经验公式[β=n+m+α]（β为隐含层节点数，n为输入层节点数，m为输出层节点数，α为1～10的常数）确定隐含节点数为6。电子信息装备维修保障能力评估的BP神经网络模型如图3所示。

<E：＼王芳＼现代电子技术201502＼Image＼11t3.tif>

图3 电子信息装备维修保障能力评估BP神经网络型

2.2 BP神经网络算法流程

BP神经网络学习过程由正向传播和反向传播组成[3]。本文选取非线性可微非递减S型函数[f（x）=1（1+e-x）]为传递函数，采取BP算法，通过网络的实际输出与目标值之间的误差来训练其权值，使实际的输出尽可能地接近期望值。其BP算法流程图如4所示。

<E：＼王芳＼现代电子技术201502＼Image＼11t4.tif>

图4 BP网络算法流程图

2.3 BP神经网络学习参数选取

由于系统的非线性，初始值选取对于输出结果是否接近实际和训练时间的长短有很大关系，一般希望初始加权后的每个神经元的输出值都接近于零，因此初始权值选取在（-1，1）之间的随机数。学习速率一般倾向于选取较小的学习速率以保证系统的稳定性，尽管学习速率较小会导致学习时间较长。一般的取值范围是0.01～0.07，本文选取0.03。

3 仿真设计

3.1 选取样本数据并进行处理

从某电子信息装备维修单位历次的维修保障能力考评成绩中随机选取10组样本数据进行分析。

由于量纲不同，因此将所有数据进行归一化处理以便于比较分析，同时有利于提高神经网络的训练速度。

计算方法是：

[Xn=2X-min Xmax X-min X-1]

式中：X是收集的一组数据;max X和min X是这组数据的最大值和最小值;Xn是归一化的数据，Xn∈[-1，1]。归一化处理后的电子信息装备维修保障能力评估样本数据见表1。

3.3 Matlab程序代码设计

net=newff（minmax（P），[6，1]，{′tansig′，′purelin′}，′traingd′）;

%创建神经网络net.trainparam.show=50;

%每仿真50次显示训练状态

net.trainparam.lr=0.03; %设定网络学习速率为0.03

net.trainparam.epochs=500; %设定仿真次数为500

net.trainparam.goal=1e?2; %设定目标精度，即均方差误差为10-2

[net，tr]=train（net，P，T）; %进行网络训练

A=sim（net，P） %对网络进行仿真

E=T?A

MSE=mse（E） %计算仿真误差

Y=sim（net，Q） %用待评估矩阵Q进行仿真计算

X=1：1：15

plot（X，A，X，T） %预测输出矩阵和目标输出矩阵分布

legend（′A′，′T′）

3.4 结果输出

网络初始化后，经过246次训练仿真达到设定的目标精度后才停止训练。预测输出矩阵和目标输出矩阵的误差对比如图5所示，具有较高精度。在训练过程中，误差平方和的变化曲线，即电子信息装备维修保障能力评估BP神经网络训练图，如图6所示。<E：＼王芳＼现代电子技术201502＼Image＼11t5.tif>

图5 预测输出矩阵和目标输出矩阵对比图

对应待评估矩阵Q的仿真结果值为Y=0.784 1。它表示在15个二级评估指标能力值分别为待评估矩阵所给定值时，则该电子信息装备维修保障系统的能力值是0.784 1。

4 结 语

针对电子信息装备维修保障能力评估构建的BP神经网络模型具有较高的精度，通过对样本的训练和检验，证实用BP 神经网络评估电子信息装备维修保障能力是有效的。在评估过程中降低了人为因素影响，保证了评估的客观性和科学性。然而评估模型也存在不完善的地方，比如评估指标不精细、样本量较小等，同时BP神经网络还存在有收敛速度慢，有局部极小值的缺陷等问题[3]，这些将在下一步的装备工作中继续深入研究。

<E：＼王芳＼现代电子技术201502＼Image＼11t6.tif>

图6 电子信息装备维修保障能力评估BP神经网络训练图

参考文献

[1] 张柳，于永利.装备维修保障系统建模理论与方法[M].北京：国防工业出版社，2012.

[2] 周林，王君.军事装备管理预测与决策[M].北京：国防工业出版社，2007.

[3] 焦李成.神经网络计算[M].西安：西安电子科技大学出版社，1993.

[4] 同济大学数学系.工程数学线性代数[M].北京：高等教育出版社，2013.

第6篇：神经网络的流程范文

关键词： 离散； Hopfield神经网络； 联想记忆； 数字识别

中图法分类号：TP301.6 文献标识码：A 文章编号：1006-8228（2012）03-01-03

On numerical recognition using discrete Hopfield neural network

Jin Can1,2

（1. School of Information Science and Engineering, Central South University, Changsha, Hunan 410083, China

2. Modern Education Technology Center, Hunan University of Arts and Science）

Abstract: The author introduces in this paper the basic concept of discrete Hopfield neural network (DHNN), and then designs a discrete Hopfield neural network model with associative memory function using MATLAB according to the related knowledge of DHNN. Specifically, the author presents the idea of designing, designing procedure and the testing results. The simulation shows that DHNN can correctly recognize the numerical dot matrices with noises. When noise intensity is less than 0.1, the recognition ability is satisfactory.

Key words: Discrete； Hopfield neural network； Associative memory； Numeral recognition

1 离散Hopfield神经网络概述

Hopfield网络作为一种全连接型的神经网络，曾经为人工神经网络的发展开辟了新的研究途径。它利用与阶层性神经网络不同的结构特征和学习方法，模拟生物神经网络的记忆机理，获得了令人满意的结果。这一网络及学习算法最初是由美国物理学家J.J Hopfield于1982年首先提出的，故称为Hopfield神经网络[1]。

Hopfield最早提出的网络是二值神经网络，神经元的输出值只取1或-1，所以，也称离散Hopfield神经网络(DHNN, Discrete Hopfield Neural Network)。在离散Hopfield网络中，所采用的神经元是二值神经元，因此，所输出的离散值1和-1分别表示神经元处于激活和抑制状态[2]。

DHNN是一种单层、输出为二值的反馈网络。假设有一个由三个神经元组成的离散Hopfield神经网络[3]，其结构如图1所示[4]。

在图1中，第0层仅仅作为网络的输入，它不是实际神经元，所以无计算功能；第1层是神经元，执行对输入信息与权系数的乘积求累加和，并经非线性函数f 处理后产生输出信息。f是一个简单的阈值函数，如果神经元的输出信息大于阈值θ，那么，神经元的输出取值为1；小于阈值θ，则神经元的输出取值为-1。

图1 离散Hopfield神经网络结构

对于二值神经元，它的计算公式如下：

⑴

式中，xj为外部输入，并且有

⑵

一个DHNN的网络状态是输出神经元信息的集合。对于一个输出层是n个神经元的网络，其t时刻的状态为一个n维变量：

⑶

因为yi（t）(i=1,2，…，n)可以取值为1或-1，故n维向量Y(t)有2n种状态，即网络有2n种状态。

我们考虑DHNN的一般节点状态。用yj(t)表示第j个神经元，即节点j在时刻t的状态，则节点的下一个时刻(t+1)的状态可以求得：

⑷

⑸

如果wij在i-j时等于0，说明一个神经元的输出并不会反馈到其输入，这时，DHNN称为无自反馈的网络。如果wij在i=j时不等于0，说明一个神经元的输出会反馈到其输入端，这时，DHNN称为有自反馈的网络[4]。

2 联想记忆网络

联想记忆是神经网络理论的一个重要组成部分，也是神经网络用于模式识别与人工智能等领域的一个重要功能。Hopfield网络模拟了生物神经网络的记忆功能，也常常被称为联想记忆网络。所谓的联想记忆也成为了一种基于内容的存取方法，信息被分布于生物记忆的内容之中，而不是某个确定的地址。联想记忆可分为自联想与异联想两种。Hopfield网络属于自联想网络。自联想能将网络中输入模式映射到存贮在网络中一种模式。联想记忆网络不仅能将输入模式映射为自己所存贮的模式，而且还能对具有缺省噪音的输入模式有一定的容错能力。

设在学习过程中给联想记忆网络存入M个样本：{Xi}i=1,2，……M。若给联想记忆网络加以输入X'=Xm+V，其中Xm是M个学习样本之一，V是偏差项，则通过自联想联想记忆网络的输出为Xm，即使之复原。

Hopfield联想记忆网络运行步骤为：

第一步：设定记忆模式。将欲存储的模式进行编码，得到取值为1和-1的记忆模式(m

。

第二步：设计网络的权值。

，

其中wij一旦计算完毕，将保持不变。

第三步：初始化网络状态。将欲识别模式设为网络状态的初始状态，为网络中任意神经元i在t=0时刻的状态。

第四步：迭代收敛。随机地更新某一神经元的状态，反复迭代直至网络中所有神经元的状态不变为止。

第五步：网络输出。这时的网络状态(稳定状态)即为网络的输出y=vi(T)。

3 基于Hopfield神经网络的数字识别

根据Hopfield神经网络相关知识，下面设计一个具有联想记忆功能的离散型Hopfield神经网络，要求该网络可以正确识别0~9这10个数字，并且当数字被一定的噪声干扰后，仍具有较好的识别效果。

3.1 设计思路

假设网络由0~9共10个稳态构成，每个稳态用10*10的矩阵表示。该矩阵可直观地描述阿拉伯数字，即把矩阵规分成10*10个单元，有数字轨迹的单元用1表示，空白部分用-1表示，如图2所示。网络对这10个稳态即10个数字（点阵）具有联想记忆的功能，当有带噪声的数字点阵输入到该网络时，网络的输出便可以得到最接近的目标向量(即10个稳态)，从而达到正确识别的效果。

图2 数字1和2的点阵图

3.2 设计步骤

按照上述思路，设计Hopfield网络需要经过以下几个步骤，如图3所示。

[设计数字点阵

（0-9）][创建Hopfield

网络][产生带

噪声的

数字点阵] [数字识

别测试][结果

分析]

图3 Hopfield网络设计流程图

3.3 MATLAB实现

利用MATLAB神经网络工具箱提供的函数，可以按照Hopfield网络设计流程图将设计步骤一一在MATLAB环境下实现。

3.3.1 输入输出设计

如图2所示，有数字的部分用1表示，空白部分用-1表示，即可得到0~9的点阵。将数字点阵以图形的形式呈现出来，如图4所示。

图4 数字点阵0~9的实现结果

以数字1、2、3、4为例，利用这四个数字点阵构成训练样本T：

T=[array_one; array_two; array_three; array_four]’

3.3.2 网络建立

利用newhop( )函数可以方便地创建一个离散型Hopfield神经网络。

3.3.3 产生带噪声的数字点阵

常见的模拟产生带噪声数字的方法有两种：固定噪声法和随机噪声法。

固定噪声法指的是人工修改的方法改变数字点阵某些位置的值，从而模拟产生带噪声的数字点阵。如果希望产生不同的带噪声的数字矩阵，需要人工做多次的修改，这无疑是比较麻烦的。

相比较而言，随机噪声产生法可以方便地产生各种类型的带噪声的数字矩阵。

随机噪声产生法是利用产生随机数的方法来确定需要修改的点阵位置，进而对数字点阵进行修改。由于数字点阵中的值只有1和-1两种，所以这里的修改就是将1换成-1，-1换成1。

3.3.4 网络仿真

利用sim()函数可对神经网络进行仿真，其调用格式为：

4 实验结果与分析

将带噪声的数字点阵输入已创建好的Hopfield网络，便可对带噪声的数字点阵进行识别，识别结果仍为数字点阵形式。考虑到仿真结果的直观性和可读性，程序中的数字点阵将以图形的形式呈现，如图5所示。

图5 噪声强度为0.1时数字识别结果

图5所示的是噪声强度为0.1(即10%的数字点阵位置值发生变化)时的识别效果。从图中可以看出，识别效果较好。进一步的研究发现，随着噪声强度的增加识别效果逐渐下降。噪声强度为0.2和0.3时的识别结果分别如图6和图7所示。从图中不难看出，当噪声强度为0.3时，Hopfield已经很难对数字进行识别了。

图6 噪声强度为0.2时的识别结果

图7 噪声强度为0.3时的识别结果

5 结束语

通过对实验结果的分析，可以得出结论：对于带一定噪声的数字点阵，Hopfield网络可以正确地进行数字识别。下一步的工作可以将一些优化算法与离散Hopfield神经网络相结合，使神经网络的联想记忆能力更强，应用效果更为突出。

例如，由于一般离散Hopfield神经网络存在很多伪稳定点[1]，网络很难得到真正的稳态，为此可以将遗传算法应用到离散Hopfield神经网络中，利用遗传算法的全局搜索能力，对Hopfield联想记忆稳态进行优化，使待联想的模式跳出伪稳定点，从而使Hopfield网络在较高信噪比的情况下保持较高的联想成功率。

参考文献：

[1] 飞思科产品研发中心.神经网络与MATLAB 7实现[M] .电子工业出版社,2005.

[2] MATLAB神经网络与应用(2版)[M].国防工业出版社,2007.

[3] 张良均,曹晶,蒋世忠.神经网络适用教程[M].机械工业出版社,2008.

[4] 史峰,王小川等.MATLAB神经网络30个案例分析[M].北京航空航天大学出版社,2010.

[5] 边肇祺,张学工等.模式识别[M].清华大学出版社,1999.

[6] 张宏林.数字图像模式识别技术及工程实践[M].人民邮电出版社,2004.

[7] 邓丽华,崔志强,张静.基于人工神经网络的手写体数字识别[J].三峡大学学报,2005.6:255~256

[8] 孙兆林.MATLAB6.x 图像处理[M].清华大学出版社,2002.

[9] 付德胜,张学勇.基于Hopfield神经网络噪声数字的识别[J].通信技术,Vol.43,No. 01,2010:126~129

[10] 孟祥武,程虎.基于任意给定训练集的离散型Hopfield网学习算法[J].软件学报,1998.9(03):213~216

[11] 陈文宇,吴跃.Hopfield神经网络参数设置[J].计算机工程与应用,

2006.31.

[12] TALAVAN.YANEZ P M.Parameter setting of the Hopfield network applied to TSP[J].2002

第7篇：神经网络的流程范文

关键词ERP项目实施模糊神经网络风险评价

1问题提出

企业ERP项目实施涉及到原有工作模式、业务流程变革、组织结构调整等许多方面，因此在实施ERP过程中要认识到它的复杂性和艰巨性，要认识到它的高风险性。然而，目前对ERP项目实施风险评价不是很多，有效性也不高。文献分析，常用风险评价方法主要有层次分析法、神经网络评价法和模糊综合评判法等。

本文提出用模糊神经网络模型来评价企业ERP项目实施风险。将模糊神经网络用于实施ERP企业风险问题的评价，具有一定的进步性，是一种有益的尝试，同其他方法相比，模糊神经网络风险评价方法具有科学、简洁、可操作性强等特点，而且模型的结构与方法应用前景广阔。

2企业ERP项目实施风险评价指标体系

在分析了ERP项目实施过程风险影响因素，我们考虑的是可能导致项目失败风险因素；因此要从企业实施ERP项目战略角度、实施中人为风险因素、业务流程重组、ERP实施项目管理和关键事件分析和评估。该指标体系有三级，一级指标8个，二级指标26个，各二级指标相互独立反映了前一项指标属性内涵。评价指标体系的风险影响因素能从不同的角度反映这些风险指标度量属性，其最终风险评价指标体系结构，如表1所示。

表1星火ERP项目实施风险评价指标体系表

风险项二级风险评价指标风险影响因素

信息化规划风险U1信息化战略地位u111)没有信息化战略或不健全、信息战略执行不到位；

2)信息化投入总额的比重、网络性能水平、没有其他信息化设施；

3)是否接触其他单模块MIS系统每百名管理人员计算机拥有量。

信息基础建设风险u12

信息化应用状况风险u13

基础数据风险U2基础数据规范性风险u211)企业数据的完整程度、数据的不规范性；

2）数据编码体系与ERP要求是否存在较大差别、编码体系不完整；

3)品种繁多且杂乱、工艺复杂、工艺不规范、业务数据不一致。

编码系统完整性风险u22

产品繁杂度风险u23

人力资源风险U3高层领导的指导力u311)高层领导参与度、对风险的认识程度以及支持力度；

2)项目经理的实施经验和协调沟通能力。

项目经理的控制力u32

需求分析风险U4需求分析量化程度u411)企业需求分析不全面、需求分析报告不能反映实际情况；

2)外部市场牵引力度不当、需求拉动力误导、政府推动力不强；

3）没有咨询顾问指导、需求分析反复修改、企业诊断结论错误。

需求动力分析风险u42

信息需求不明确u43

管理基础风险U5行业（特点）风险u511)企业规模大小、企业体制、企业地理位置、企业的类型；

2)企业文化与ERP文化相抵制、新文化的形成；

3)企业管理水平低、管理模式落后、与ERP管理不符合度。

企业文化风险u52

管理不规范性u53

协作方选择风险U6软件商选择风险u611)软件供应商类型选择不当、供应商综合能力不强；

2)咨询方行业经验、双方配合度不高；

3)监理基本能力不足、行业经验不足。

咨询方选择风险u62

监理方选择风险u63

软硬件选择风险U7硬件选择不当u711)安全风险、后续维护风险、价格不合理；

2)系统集成性不高、二次开发工具水平；

3)软件成熟度、类型选择错误、选型方法或步骤不对；

4)质量先天性缺陷、质量不高、不可靠性风险。

软件技术风险、u72

选型匹配风险u73

软件质量风险u74

项目管理风险U8项目进度风险U811)没有合理进度计划、进度控制不严、进度延期、人员不变动；

2)硬件维护费用增加、实施费用无计划地增加、维护费用增加；

3)实施效果难以衡量、没有制定相应质量目标、阶段成果未达标；

4)范围无限扩大、不严格控制计划，实施范围不清楚风险；

5)对业务流程变革认识不统一、缺乏有效流程控制体系、重组变革方式和工具选择、过多地改变软件原有流程。

项目成本风险U82

项目质量风险U83

实施范围风险U84

业务流程重组风险U85

3基于模糊神经网络ERP项目实施风险评价模型

模糊神经网络在SPSS、Excel和Matlab等统计分析软件工具的帮助下，使这种预测评价变得简单可行，具有很强的操作性和实用价值。模糊神经网络作为人工智能领域一种新的技能、正向着更高层次的研究与应用方面发展。模糊神经网络模型也用于企业风险评价方面，张英才提出基于模糊神经的人力资源风险评价，吴冲等提出基于模糊神经网络的商业银行信用风险的评价。

3.1模糊神经网络评价模型建立

根据企业实际结合已有的研究成果及风险评价指标体系，确定了8个评价的变量。选择[0,1]上的数据对上述8种因素的风险进行评判。同时，我们可以用以下数学语言描述：设ui(i=1,2,……7)为ERP项目实施风险评价的输入变量，Ui为其论域。在本系统中，ui∈[0,1］，将ui的风险类别模糊化为一个定义在Ui上的模糊子集Aj(j=1,2,3,4,5分别代表风险低、较低、一般、高、较高五种类型)，其模糊性用Ui的模糊分布一隶属函数UAj(ui)来表示。具体模糊量化过程为：

（1）选择影响因素的集合；本文采用风险指标体系子要素层中的评价影响集合。（2）确定评价等级空间U；U={cl，c2，…，ck}，若ck+1比ck“强”，记作ck+1>ck，一般地，评价等级统计取4至6个等级较合适，本文风险等级分5个等级,即风险低、风险较低、风险一般、风险较高和风险高。

（3）确定子要素层每一因素对U中的各评价等级的隶属度；通过专家打分后，采用统计方法获得，第i个因素对各等级的隶属度为Ri＝（ri1，ri2，ri3，ri4，ri5）。

（4）计算每个因素的评价值；将5个评价等级数量化后视为一个向量，例如取C=(0.9,0.7,0.5,0.3,0.1)，则第i个因素的数值化风险评价值为Xi=Ri*CT。根据所评价ERP项目实施风险评价中指标，模糊神经网络ERP项目实施风险评价结构确定为(8,m,5)，即输入层节点8个(根据评价阶段指标体系确定)；隐含层节点数为m，一般人为给定m值后，经k-means方法调整出合适值；输出层节点5个。通过上述模糊化方法处理得出每个风险影响因素的模糊化数值xi后，作为神经网络输入层节点的输入值。输出层节点输出企业ERP项目实施风险综合评价值。因此所建模型如图1所示，模糊神经网络风险评价模型分两大模块:前一部分是模糊量化模块，作用是将输入变量模糊化，模糊化处理是将数字表示形式的输入量转化为通常用语言值表示的某模糊论语的序数。后一部分是模糊神经网络(FNN)模块，此模型中FNN模块采用BP神经网络。该网络模型两大模块包括三层:输入层、隐含层和输出层。

图1风险评价中模糊神经网络模型

输入层：在ERP项目实施风险评价指标体系中，输入层评价指标经过模糊化处理后输入。但由于指标值量纲不相同，代表了不同的物理含义。因此，在进行综合评价之前可将各指标值转化成无量纲的标准化数据，这样就可以利用同一标准进行衡量一般可采用直线型无量纲化方法，如利用极差变换公式将各类指标标准化。输入层中神经元的输入与输出为Ui=Xi，Oij=Xi,（其中i=1,2,…..,8；j=1,2,……,m）。同时，我们将上述的风险因素和ERP项目实施风险评价的结果按照风险的大小程度分别用5个语言变量表示，并用各个语言变量的隶属函数代表其模糊性。

隐含层：其作用是对输入量进行评语等级分化处理，即根据隶属函数求出每一输入的各等级隶属度值。本文选用梯形函数，它对样本数据要求相对简单，虽然它的准确性不如非线性隶属函数高，但是经过模糊神经网络的控制也能达到良好的效果。图2说明了用梯形函数来表示ERP项目实施风险隶属函数。

3.2模糊神经(FNN)网络学习训练

模糊神经网络模型应用具体步骤包括两个过程①学习训练过程：在现有的ERP项目实施企业中，选择成功与失败典型样本对网络进行学习训练，经过反复迭代，使系统平均误差降低到满意的程度，从而获得稳定的网络结构、连接权值和各参数。②模型确定后，可用来进行ERP项目实施风的评价。

(1)样本数据的获得

选取若干具有代表性的数据，通过专家意见调查，收集相关数据作为样本数据。论文研究选择对象主要面向大中小各类企业，除已实施ERP的企业外，也包括将要实施ERP的企业。我们通过东西部地区200多家案例企业获得样本数据，进行统计分析。先对样本数据进行稳定性处理，鉴于论文取得的样本数据容量较大，各指标取值范围较广，数据具有一定的平滑性，因此选用两倍、三倍标准差检验法进行异常数据剔除，最终获得（167个）样本数据。

(2)网络学习训练结果

模糊神经网络的学习过程也就是网络参数修正的过程，本系统的网络学习采用有教师的学习方法，网络参数的修正采用梯度法实现。

(3)ERP实施风险评价输出

模糊神经网络训练趋向稳定后，并满足指定的性能指标(如训练误差)，说明神经网络已训练结束，可以用来评价企业ERP项目实施风险。将待评价的对象按模糊规则转换后得到n个输入量，已训练好的网络模型就可以通过输入量到输出实现；输出结果为隶属度向量O=(O1，O2，O3，O4,,O5)，定义为最大隶属度。即，=MAX(O1，O2，O3，O4，O5)。

根据最大隶属度原则就可以确定待评价的ERP项目实施风险的大小。在每次评价工作中，无论评价结果是否得到了专家的认可，都可以把它作为新的学习样本让这个模糊神经网络评价系统不断学习、继续完善，以使它做出更准确的评价。

4结论

本文确立了企业ERP实施风险评价的指标体系，建立了基于模糊神经网络的ERP项目实施风险评价模型，利用神经网络实现风险评价功能，可以充分利用以往的经验，使评价系统具有学习能力。模糊神经网络用于评价企业ERP实施风险非常适合，这不仅可以评价ERP项目实施各阶段风险大小，也可以利用网络的预测评价功能，预测将要实施ERP企业的风险大小，而且网络预测误差小，适合用于各类企业ERP项目实施风险评价。

参考文献

[1]陈启申.ERP——从内部集成起步.北京:电子工业出版社[M].2004

[2]刘晖.我国企业发展与实施ERP的现状分析[J].情报科学.第23卷第6期.2005.6.28~29

第8篇：神经网络的流程范文

关键词：话题热度；权重；神经网络

中图分类号：TP393 文献标识码：A 文章编号：1007-9416（2017）03-0082-02

1 引言

近几年，社交网络飞速发展，各大社交媒体的用户量呈指数性上升，微博也成为人们获取和信息的重要渠道，其热门话题也已经成为了网络热点的风向标。微博话题预测与分析，可向用户提供了解热门信息的渠道，还能节省时间；对于网络社交媒体网站的管理人员来说，可以帮助他们更好的了解用户群体的喜好；对于企业来说，能帮助他们迅速了解市场动向，为业务决策提供数据支持和指导[1]；对于政府来说，有助于了解点与文化道德倾向，为施政方向提供参考等等。本文提出了将神经网络的思想应用在话题预测中，使微博话题更有预见性，提高预测准确度。

2 系统结构

系统的整体结构如图1所示。首先从新浪微博开放接口中获取并识别出话题信息，建立话题数据库，并通过网络爬虫技术从微博搜索中抓取到与话题有关的微博数据，均进行特征提取[2]后分类存入话题相关数据库中，对这些数据处理和分析后作出预判哪些话题为热门话题，哪些为非热门话题。本文将主要阐述数据处理分析这一过程中用算法实现对热门话题的预判这一流程。

3 神经网络

3.1 固定权重计算

权重，即将话题热度分为阅读量、转发量、增长率等影响因子，为其中每种影响因子分配各自的系数。最终将各项影响因子与其系数相乘再进行累加可得到话题热度。这种方式的优点是划分精细，可根据测试后数据增减影响因子，改动系数，但其缺点明显，自适应能力差，所需数据量太过庞大。其计算公式为：

（1）

式（1）中，T表示话题热度，表示权重，表示影响因子。

3.2 构建函数计算

根据各项数据之间的关系，可以简单地抽象为一个热度得分与权重的线性关系，得分越高，对应权重在有限范围内同比上升。这种方式需要在前期获取大量数据进行测试和构建函数模型，最后得到话题热度。利用这种方式，我们可以在一定程度上进行简单的话题预测模拟。其具有较为清晰的逻辑，编程较为简单的优点，缺点是需要大量的真实数据来构建函数模型。其计算公式为：

（2）

式（2）中，T表示话题热度，表示权重上限，表示权重下限，表示此话题下内容条数上限，此话题下内容条数下限，表示当前内容条数。

3.3 神经网络算法

神经网络算法是指让机器模拟逻辑性的思维，根据逻辑规则进行推理的过程。人工神经网络按照一定的学习准则，自发发现环境特征和规律性，减少下次犯错的可能性，达到高准确度的理想状态[3]。其优点是模拟人类思考的方式，对话题热度预测的方式更加人性化，自适应力强，通过大量的训练课提高预测的准确性，但它的编程比较困难，逻辑比较复杂。神经网络训练公式：

（3）

式（3）输入样本X根据误差e对权重A不断调整，直到e接近零；表示权重变化率，其取值不能过大或过小，过大会影响权重的稳定，过小会使调整权重时收敛太慢。

3.4 概述

我们的方法综合利用了以上三种思想。我们首先将话题的阅读量、评论数、粉丝数按照一定比例赋予固定的权重，存入基本库，得到热度基值；而对于一些比较抽象的影响因子，例如名人效应、时效性、内容生动性、国家政策等没有明显划分标准的因素，我们首先利用一些少量的数据来构建一个简单的函数，提取内容特征来并建立附加库，再通过神经网络算法思想利用训练数据来不断调整权重，丰富并完善附加库，最终得到热度附加值。最后，将热度基值与热度附加值相加得到话题热度。

4 测试结果与分析

4.1 神经网络算法应用

输入训练数据，先根据当前的权重计算，看误差是否_到训练要求，若没有则对权重进行调整，直到误差接近于零，计算出的结果与训练数据的结果一样，然后再进行下一组数据的读取，重复以上步骤，直到所有结果达到训练要求。其神经网络算法流程图如图2。

4.2 模拟结果与分析

如图3，在做神经网络训练预测时，我们采取两个点做回归分析。横坐标为目标值target，纵坐标神经网络输出。为防止过拟合，我们运用matlab对数据划分成三分，trainning表示训练，validation表示验证，test表示测试，最后统计了整体状况all，只有trainning数据参加训练，其他两组数据不参加训练，用于检验。训练进行时，目标target和训练test数据之间的误差会越来越小，validation数据和目标之间的误差也越来越小，曲线也越来越接近对角线。

5 结语

本文对微博热门话题预测进行了分析，针对数据处理及分析这一过程中的算法问题进行研究，综合应用了固定权重法、构建函数法和神经网络算法这三种算法。若要提高预测的准确度，我们还需考虑更多影响因子与划分标准，需要更多数据加以测试与改进，优化我们的算法，使其有更多的应用价值和更加广泛的应用平台。

参考文献

[1]姚婧.中文微博的话题检测和预警[D].上海：上海交通大学，2012：1-2.

第9篇：神经网络的流程范文

关键词:BP神经网络 容差优化 多目标

在飞机设计、工艺、制造、装配等研制过程中,容差分配是一个复杂的多解问题,合理的容差分配非常关键,它控制着产品的性能、制造成本、装配工艺性等。目前,飞机装配容差优化的研究主要以最低成本法、综合优化法等为主。假设作为调整因素的各零件之间的容差信息相互独立,以装配性能、加工成本和装配工艺性作为优化指标,装配容差优化即设法找到使指标达到最佳值的优化因素组合,这属于典型的非线性优化问题。而神经网络作为模仿生物神经的智能信息处理系统,具有高度的非线性映射的特点,为解决容差优化问题提供了一个良好手段。

1、多目标容差优化的神经网络原理

在多目标容差优化过程中,由于各个目标之间往往存在着一定的矛盾关系,通常不可能达到所有目标都最优的方案,因此引入求解多目标优化的最基本方法——评价函数法,将多目标容差优化问题转化为单目标容差优化问题进行求解。

1.1 单目标容差优化的BP神经网络的构建

为简化分析,以一个确定了制造、装配工艺方案,包含三个零件的装配体为例,构建基于BP算法的神经网络进行单目标的容差优化,采用如图1所示的三层网络结构:第一层为输入层,将各零件的容差信息传递给下一层;第二层为以隐层,进行容差信息的处理;第三层为输出层,输出优化指标。

将各零件容差的上、下极限偏差作为输入值,令其为。将装配性能、加工成本和装配工艺性三个优化指标作为输出值,令其为,分别建立三个针对各自优化指标的容差优化BP神经网络模型。隐层节点数可根据经验公式来确定,其中为输出层节点数,为1～10之间的常数。各层之间均采用双极性Sigmoid函数作为传输函数。

图1容差优化的神经网络模型

对于一个三层BP神经网络,若输出层的输入信号为,输出的误差信号为,则隐层到输出层的权值矩阵的调整可以表示为:

若隐层的输入信号为,输出的误差信号为,则输入层到隐层的权值矩阵的调整可以表示为:

单目标容差优化的BP神经网络经过学习训练后,将容差与优化指标之间的非线性映射关系存储在权值矩阵中,在工作阶段,便可以实现对非样本信号的正确映射,得到所对应的优化指标值。

1.2 多目标优化评价函数的建立

建立多目标评价函数之前先完成各自单目标优化模型输出数据的预处理即归一化,将输出数据限制在一定的区域内,以便于在一个共同的区域内进行多个优化指标的综合评价。将输出数据变换为[0,1]区间的值可采用变化式:

在三个容差优化指标中,装配性能指标输出的是装配封闭环的容差大小,优化目标是值越小越好,加工成本指标的优化目标同样是越小越好,装配工艺性指标输出的是工艺过程能力指数,其优化目标是越大越好。假设各优化指标与输入值之间存在着,,由于优化指标之间相互存在着矛盾关系,不可能使得每个优化指标达到最佳,设在值域中存在着一个理想点,寻求距离最近的作为优化的近似值,因此构造评价函数:

这样就可以将多目标容差优化问题转化为求上式的极小值问题来解决:

2、多目标容差优化设计的工作流程

根据以上对BP神经网络的结构的分析,并结合多目标优化的评价函数,多目标容差优化设计可按以下步骤进行:

(1)建立针对各优化指标的单目标容差优化的BP神经网络。

(2)确定BP神经网络中包括输入信息与输出信息在内的网络结构参数。

(3)准备网络的训练数据,对BP神经网络进行训练,将训练好的BP神经网络模型作为单目标容差优化的函数值仿真计算工具。

(4)分别对各BP神经网络的目标函数值进行单目标优化,得到有效值域中的理想点。

(5)对式(2-5)进行评价函数的单目标优化,得到多目标容差优化的结果。