人工神经网络发展精选(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人工神经网络发展主题范文，仅供参考，欢迎阅读并收藏。

第1篇：人工神经网络发展范文

【关键词】 人工神经网络技术 应用 现状

一、人工神经网络概述

要对人工神经网络技术的应用进行了解，首先要掌握人工神经网络的基本模型和结构。它的结构是并行分布的，通过大量的神经元的模型组成，是用来进行信息处理的网络。各个神经元之间相互联系，相互之间联系的方式很多，每个特定的链接之中都有相应的权系数，而各个神经元的输出是特定的。

二、人工神经网络技术的应用现状

人工神经网络技术由于其结构上的优势和对信息处理的高效性，使得在很多方面都有广泛的应用，例如，运用人工神经网络技术进行图像处理、智能识别、自动监控、信号处理、机器人监控等，使得其在生活的各个方面都发挥了重要的作用，为交通、电力、军事等部门提供了便利。下面对人工神经网络技术的具体应用做简单的分析。

第一，BP神经网络。基于人工神经网络技术的BP神经网络，在进行优化预测、分类和函数逼近等方面有着广泛的应用。网络的应用大体有分类、函数逼近、优化预测等方面。比如，将胃电图和心电图进行分类，对某些函数的最小二乘进行逼近，对工业生产过程中的数据进行整合，对电力系统中的负荷量和一些数据进行优化和预测等。特别是在进行时间序列的预测中，发挥着重要的积极作用。使用BP神经网络还能对国家经济发展中的一些数据进行处理。相对其它人工神经网络技术的网络而言，BP网络复杂性较低，所以在很多工业产业上应用较多。在某些需要进行控制的系统内，BP神经网络能够对系统进行有效的控制。其具体的优势主要有以下几点：利用BP神经网络在识别和分类中的优势，能够及时快速的判断一些系统中的故障，相比以往的谱分析技术，其工作效率有了较大的提高。BP神经网络中也存在着一些不足，表现在其网络的鲁棒性和容错性不够，在对故障进行判断和检测时，不能有效地确保其准确性。此外，这种算法的收敛速度不快，在选择网络隐层节点中还没有形成完善的配套理论。这些都在某种程度上对其应用造成了影响。

第二，ART神经网络。基于人工神经网络技术的ART神经网络，广泛的应用在对图像、语音。文字等的识别过程中。其在某些工业产业中也普遍应用，主要应用在对系统的控制方面。例如，对故障判断，问题预警和事故检测等较为繁琐的生产过程进行控制，进行数据挖掘，从有关的数据中找到能够应用的数据。ART神经网络在应用中的优势主要是其具有很强的稳定性，能够在环境变化的情况下稳定的工作，其算法也十分简单而且为快速。其缺点主要是在要求对参数和模型等进行准确的判断时，其网络的结构还需要进行完善。

第三，RBF神经网络。基于人工神经网络技术的RBF神经网络目前在建模、分类、函数近似、识别、信号处理等方面有着广泛的引用。比于其他的神经网络，RBF神经网络的结构较为简单，其在非线性的逼近上的效果较为显著，收敛的速度也较快，能够有效的对整体进行收敛。其存在的缺点是，在函数逼近方面还不够完善，仍然要进行性改进。

第四，Hopfield神经网络。作为反馈神经网络的一种，Hopfield神经网络能够在连接性较高的神经网络中进行集中自动的计算。目前其在工业产业中有着广泛的应用。优点是，对于一些线性问题，避免了只是用数学方法所带来的繁琐，在进行数模之间的转化时，能够快速准确的进行。

三、人工神经网络技术的发展

人工神经网络技术和理论的不断发展和进步，在较多领域中，人工神经网络技术引起了人们的关注。但是，目前在技术的运用和技术本身仍存在着一些问题。

人工神经网络技术的发展，对数学领域的发展提出了要求，对有关的制造技术和科学技术也提出相应的要求，这就需要我们要加快与其相关的各种技术的快速发展，使这些技术能与人工神经网络技术相互匹配。在发展人工神经网络技术的同时，要加强与其它相关学科的相互联系，这对于更好的发展人工神经网络技术有着积极重要的作用。

第2篇：人工神经网络发展范文

关键词：人工神经网络；产生；原理；特点；应用

Application of man-made neural network and medical Image to analyses

Abstract: Man-made neural network (ANN)is a binding system on structure to imitate biological neural to link. It can carry on pattern discriminate， Signal processing et. in order to let the medical students and workers understand the neural network， especially understand the man-made neural network which applies to the medical image to analyses， the article avoids complicated figure’s analysis and reasoning. It explains the concerned profound questions， mainly about the physical concept. In simple terms. I hope it can work !

Key words: Man-made neural network; Produce; Principle; Characteristic; Application

人工神经的出现与发展，从而解决了对于那些利用其它信号处理技术无法解决的问题，已成为信号处理的强有力的工具，人工神经网络的应用开辟了新的领域。二十世纪九十年代初，神经网络的研究在国际上曾经出现一股热潮，近年来有增无减，已广泛应用在民用、军用、医学生物等各个领域。

1 神经网络与人工神经网络

1.1 神经网络

神经网络就是由多个非常简单的处理单元彼此按某种方式相互连接而成的计算机系统。该系统是靠其状态对外部输入信息的动态响应来处理信息。

1.2 人工神经网络

1.2.1 神经元模型的产生

神经元（神经细胞）是神经系统的基本构造单位，是处理人体内各部分之间相互信息传递的基本单元。每个神经元都由一个简单处理作用的细胞体，一个连接其它神经元的轴突和一些向外伸出的其它较短分支——树突组成。人的大脑正是拥有约个神经元这个庞大的信息处理体系，来完成极其复杂的分析和推导工作。

人工神经网络（ARTIFICIALNEURALNETWORK，简称(A.N.N.）就是在对人脑组织结构和运动机智的认识理解基础上模拟其结构和智能功能而构成的一种信息处理系统或计算机。二十世纪40年代初期，心理学家Mcculloch、数学家Pitts就提出了人工神经网络的第一数学模型，从此开创了神经科学理论的研究时代。随后F.Rosenblatt、Widrow和Hopf、J.J.Hopfield等学者先后又提出了感知模型，使人工神经网络技术有了新的发展。

1.2.2 人工神经网络的工作原理

人工神经网络首先要以一定的学习准则进行学习，然后才能工作。现以人工神经网络对手写“A”、“B”两个字母的识别为例进行说明：为了讨论方便，先规定当“A”输入网络时，应该输出“1”，而当输入为“B”时，输出为“0”。因此网络学习的准则应该是：如果网络做出错误的判决，则通过网络的学习，应使得网络减小下次犯同样错误的可能性。首先，给网络各连接权值赋予（0，1）区间内的随机值，将“A”所对应的图像模式输入给网络，网络将输入模式加权求和、与门限比较、再进行非线性运算，得到网络的输出。在此情况下，网络输出是完全随机的，“1”和“0”的概率各为50%。这时如果输出为“1”（结果正确），则使连接权值增大，以便使网络再次遇到“A”模式输入时，仍然能做出正确的判断。如果输出为“0”（结果错误），则把网络连接权值朝着减小综合输入加权值的方向调整，其目的在于使网络下次再遇到“A”模式输入时，减小犯同样错误的可能性。如此操作调整，当给网络轮番输入若干个手写字母“A”、“B”后，经过网络按以上学习方法进行若干次学习后，网络判断的正确率将大大提高。这说明网络对这两个模式的学习已经获得了成功，它已将这两个模式分布地记忆在网络中所含的神经元个数越多，则它能记忆、识别的模式也就越多。

1.2.3 人工神经网络的特点

人工神经网络的特点是高速信息处理能力和知识存储容量很大。人工神经网络同现行的计算机所不同的是，它是一种非线性的处理单元。只有当神经元对所有的输入信号的综合处理结果超出某一门限值后才能输出一个信号。因此，神经网络是一种具有高度非线性的超大规模连续时间动力学系统。它突破了传统的以线性处理为基础的数字电子计算机的局限，标志着人们智能信息处理能力和模拟人脑智能行为能力的一大飞跃。转贴于 2 人工神经网络的种类

人工神经网络分为误差逆传播神经网络（多层感知网络）、竞争型(KOHONEN)神经网络、前馈神经网络和Hopfield神经网络四种。

3 人工神经网络的应用领域

3.1 民用领域

人工神经网络在民用领域主要用于语言识别，图像识别与理解，计算机视觉，智能机器人故障检测，实时信息翻译，企业管理，市场分析，决策优化，物资调运，自适应控制，专家系统，智能接口，神经生理学，心理学和认知科学研究等。

3.2 军用领域

人工神经网络在军用领域主要用于语音，图像信息的录取与处理，雷达、声纳的多目标识别与跟踪，战场管理与决策支持系统，军用机器人控制，信息的快速录取，分类与查询，导弹的智能引导，保密通讯，航天器的姿态控制等。

3.3 生物医学工程领域

人工神经网络在生物医学工程领域主要是解决用常规方法难以解决和无法解决的问题。在生物医学信号的检测和分析处理中主要集中对心电、脑电、肌电、胃肠电等信号的识别，脑电信号的分析，听觉诱发电位信号的提取，Holter系统的心电信号数据的压缩，医学图像的识别和数据压缩处理。即广泛应用和解释许多复杂的生理、病理现象。例如：CT脑切片。人工神经网络从MR图像分割组织和解剖物体，如肿瘤。这种基于二次扫描的方法包括无指导聚类分析，维数减少和通过非线性拓扑映射的纹理特征可视化。采用后处理技术逼近贝叶斯判断边缘，然后用人和神经网络的交互对这些结果进行优化。

3.4 人工神经网络在肺部CT片定量分析中的应用

肺部CT图像定量分析是先通过计算ROI区域的纹理和其它形态学的特征，形成特征矢量，然后交由后续的神经网络去进行分/聚类，从而达到定量分析的目的。现以其中常用的BP网络为例加以说明。由于BP网络存在纹理特征的计算很费时间和很难找到对某一病理区域有特异性的纹理特征等参数的缺陷。Heitmann等直接使用了Kohonen自组织映射网络（SOM）来对弥漫性肺病在HRCT中的典型征象——磨玻璃样影（GGO）进行自动识别。他将一55大小的ROI的CT数值直接作为SOM网络的输入，经网络聚类后，输出结果的真阳性超过95%，但也有太多的非GGO区域被误分成GGO区域，假阳性竟高达150——300%。特别是靠近胸膜和靠近气管与血管处的区域最易被误分类，而这类区域处的对比度比较高。也就是说单个SOM网络无法清楚地区分GGO相对均质的区域和低密度肺组织靠近高密度结构处的强对比区域。鉴于以上情况，Heitmann又设计了一个包括三个简单网络的分层结构。其中：一个简单网络可以检测几乎所有正确的GGO区域以及高对比度处的假GGO区域，而另两个网络（一个针对靠近胸膜处的组织；另一个针对靠近气管和血管处的组织）仅仅被训练成高对比有反应，而真正的GGO区域则无法检出。将这三个网络的输出以一定的逻辑规则（即三个网络的输出都为真，则该区域才是GGO）相连，最终结果比单个网络的结果精确了许多，它去掉了约95%的假阳性区域。虽然一些强对比区域的真的GGO区域也不可避免地被移走，但真阳性仍在可接受的范围内。实践证明：那些被误分类的区域实际上大多是肺内血管、气管、胸壁或纵隔的部分容积效应，以及有心脏主动脉搏动或呼吸位移引起的运动伪影。可以通过解剖结构信息来校正。

神经网络的研究内容相当广泛，反映了多学科交叉技术领域的特点。迄今为止，在人工神经网络研究领域中，有代表性的网络模型已达数十种，而学习算法的类型更难以统计其数量。神经网络研究热潮的兴起是20世纪末人类科学技术发展全面飞跃的一个组成部分。它与多种科学领域的发展密切相关，纵观当代新兴科学技术的发展历史，人类在征服宇宙空间、基本粒子、生命起源等科学领域的进程之中历经了崎岖不平之路。在以人为本的21世纪，我们将会看到探索人脑功能和神经网络的研究将伴随着重重困难的克服而日新月异，同时人工神经网络在医学领域的应用前景也会更加广阔。

参考文献

[1] 陈旭，庄天戈.肺部放射影像的定量分析[J].中国医疗器械杂志。2001，26（2）：117—118.

第3篇：人工神经网络发展范文

关键词：人工神经；网络游戏程序；研究和设计；分析探究

中图分类号：TP183 文献标识码：A 文章编号：1671-2064（2017）01-0044-01

近年来，在网络游戏发展过程中，图像的呈现质量已经提升到了一个极高的水平，人工智能游戏已经成为决定一款游戏成功与否的重要关键，并受到了游戏开发商的广泛关注和高度重视。网络游戏作为一种目标性、竞争性、互动性、情节性的娱乐作品，它的智能水平对游戏的质量和可玩性具有着直接的影响作用。因此，将计算机图形学和人工智能有机的结合起来，把人工智能中的预测、路径规划、搜索、学习等技术有效的应用到网络游戏的研发工作中去，不仅能够提升游戏的质量和可玩性，同时还有利于促进游戏开发企业的发展。

1 人工神经网络分析

人脑可以用一套较为独特的方法来解决相关问题，并且还能够从正反两面的行为差异中进行学习，经过研究发现，人脑是由十万种类的遗传因子中的十万亿个细胞组合而成，人工神经网络就相当于模拟人脑功能的一个数学模型。其中神经元作为人脑系统中处理基本信息的单元，是人体神经器官的重要组成部分，通过轴将各个神经元进行有效连接，而其他神经元的发送的信号能够使当前神经元产生相应的反映，这一反映如果能够达到特定的阈值，就会逐渐产生一种新的信号，并且沿着轴将信号传输到其他神经元[1]。人工神经网络主要就是由各种节点相互连接组合形成的，节点类似于人脑的各个神经元细胞，会存在一些节点连接外部环境，主要负责相关的信息输出和输入工作，被称作是输出点或者输入点，而另外一些网络内部的节点，通常被称作隐藏节点。隐藏节点的信息输出通常是输出节点的信息输入，输入节点的信息输出通常是隐藏节点的信息输入。

此外，人工神经网络的主要核心思想就是对人类大脑神经系统功能进行模拟的机器学习的一种方法，并且通过对系统内部各个神经元的各种连接参数进行反复的调节，使得神经网络系统得到训练，并且在遇到一定情况时能够做出最佳的反映[2]。总之，神经网络作为一项发展较为成熟的技术，其在解决相关问题之后，将会使网络游戏的智能化提升到一个全新的高度。

2 人工神经网络中的游戏学习设计分析

与传统方法相比，神经网络解决问题的方式有着明显的不同，其具有着较强的自主学习能力，经过不断的学习，ANN可以从未知式中的各种复杂数据信息中发现规律[3]。这种神经网络方法在很大程度上克服了传统方法在分析中的复杂性以及各种模型函数选择的困难，通过训练对问题进行解答，ANN可以较为快速的建立解决问题的非线性和线性模型。如果想要人工神经网络进行运作，首先就需要让网络进行学习，不断的训练网络，帮助它获取更多的知识信息，最后将这些信息有效的存储起来。一旦完成相关的训练和学习，就可以将知识有效的存储在权值中。在游戏的开发过程中，将神经网络模型看作是人物建模的基础，通过对玩家将要进行的动作或者选择的画面场景进行预测，运用神经网络进行信息存储，并且在游戏的运行过程中要保证学习元素的有效运行，进而让神经网络潜移默化的学会相应的自适应技术，最终实现游戏的可玩性和趣味性，提升游戏的开发设计质量和效果，进而吸引更多的游戏玩家。

3 BP神经网络游戏开发设计分析

在神经网络的众多模型中，BP算法是其中较为常用的一种神经网络，一般分为输入层、输出层、中间层等三个部分，各个层之间按顺序进行连接，因为中间存在隐含层，可以从中发现一定的学习规律，可以通过对这种网络的有效训练，进而形成一种较为复杂、多样的决策界面[4]。同时，BP神经网络具有一个强大的功能，其主要就是能够封装一个将信息输入映射到信息输出的非线性函数。假如不存在隐含层，那么神经网络只能发现信息输入与信息输出之间存在的线性关系。但是，仅仅是为感知网络增添一个隐含层还是远远不够的，需要通过非线性激活函数为网络连接提供相应的非线性元素。大多数的非线性函数基本上都能够进行使用，但是多项式函数除外。

在游戏中，设置网络作为神经网络实现的基本步骤，可以将特定数据当做输入训练网络，并且在游戏的具体输入中进行实际应用。在游戏问题的神经网络设计中，应该注意结构、学习、神经元特点等三个方面的因素。其中结构主要就是指要进行构造的神经网络组织、连接方式以及基本类型。而且在神经网络中节点数设计要遵循相关的原则就是越少越好。神经网络中的节点数越多，那么神经网络搜索正确解的空间范围就越广阔[5]。神经网络中输入节点数在一定程度上决定着模式匹配或网络分类的变量数，例如，篮球类型的游戏中，运动员投篮命中、灌篮动作、球员分布、难度等级等变量数。

4 结语

总而言之，网络游戏作为一种新型的娱乐方式，具有着较强的生活模拟性和互动性，深受广大社会群众的喜爱。因此，我国应该重视游戏产业的发展，不断加大对网络游戏的开发和设计，将神经网络有效的应用到网络游戏开发的实践中去，尤其是BP神经网络，它不仅可以预测玩家的行为，及时提供信息反馈，同时还能提高网络游戏的可玩性和趣味性，提升游戏设计的整体质量和效果，有利于促进我国游戏开发产业的发展和进步。

参考文献：

[1]余颖.基于神经网络和遗传算法的人工智能游戏研究与应用[D].湖南大学，2011.

[2]王淑琴.神经网络和遗传算法在游戏设计中的应用研究[D].东北师范大学，2014.

[3]f潭凯.神经网络在即时战略游戏中的应用[D].福州大学，2014.

第4篇：人工神经网络发展范文

Abstract: Financial management decision support system (hereinafter referred to as the DSS) is to assist decision-makers at various levels realize financial management. It achieves scientific management through mainly the man-machine interactive way and the use of a lot of financial data and numerous model. Neural network is a complicated nonlinear network system, and it mainly consists of many processing units which are similar to neuron. The combination of financial management and neural network and decision support system can realize the automation of adaptive, associating and reasoning, and data mining, and make the financial management, decision-making, and execution more scientific, standardized, and intelligent.

关键词： 财务管理；神经网络；决策支持系统；专家系统

Key words: financial management；nerve network；decision support system （DSS）；expert system

中图分类号：F275 文献标识码：A 文章编号：1006-4311（2012）03-0126-02

0 引言

DSS是80年代迅速发展起来的新型计算机科学。它是一个有着广泛应用背景的十分热门的交叉科学。神经网络是一个具有高度非线性的超大规模连续时间的动力系统。结合神经网络的智能决策支持系统是目前研究的前沿之一，它极具理论和使用价值。

财务管理的信息化、数字化是财务规范和科学管理的趋势。与DSS的结合将更加有利于数据标准的统一，有利于数据采集的模块化，有利于决策支持的科学化，有利于财务公开的透明化。

1 财务管理决策支持系统的研究现状

决策支持系统经过二十多年的发展，形成了如图1所示公认的体系结构。它把模型并入信息系统软件中，依靠管理信息系统和运筹学这两个基础逐步发展起来。它为解决非结构化决策问题提供了相应的有用信息，给各级管理决策人员的工作带来了便利。

从图1可以看出决策支持系统体系结构可划分为三级，即语言系统（LS）级、问题处理系统（PPS）级和知识系统（KS）级。其中问题处理系统级包括推理机系统（RS）、模型库管理系统（MBMS）、知识库管理系统（KBMS）及数据库管理系统（DBMS）。知识系统级包括模型库（MB）、知识库（KB）及数据库（DB）。

九十年代中期，兴起了三个辅助决策技术：数据仓库（DW）、联机分析处理（OLAP）和数据挖掘（DM）。联机分析处理是以客户/服务器的方式完成多维数据分析。数据仓库是根据决策主题的需要汇集大量的数据库，通过综合和分析得到辅助决策的信息。数据挖掘顾名思义，是为了获得有用的数据，在大量的数据库中进行筛选。人工智能技术建立一个智能的DSS人机界面，可进行图、文、声、像、形等多模式交互，人机交互此时变得更为自然和谐，人们能沉浸其中，进行合作式、目标向导式的交互方法。

从目前情况来看，财务决策支持系统的研究还处于初级发展阶段，财务数据的保密性、特殊性决定了财务决策不能全部公开化、透明化，但随着中央及国务院相关部门财务预决算数据的公开，财务决策系统及其支持系统和过程也将随之公开，这就要求决策者充分利用财务知识和决策支持系统的知识“聪明”决策、合理决策、科学决策、规范决策。

2 财务管理神经网络智能决策支持系统总体研究框架

2.1 神经网络运行机制 神经网络的着眼点是采纳生物体中神经细胞网络中某些可利用的部分，来弥补计算机的不足之处，而不是单单用物理的器件去完整地复制。

第一，神经网络中的链接的结构和链接权都可以通过学习而得到，具有十分强大的学习功能；第二，神经网络所记忆的信息是一种分布式的储存方式，大多储存在神经元之间的权中；第三，神经网络部分的或局部的神经元被破坏后，仍可以继续进行其他活动，不影响全局的活动，因此说，神经网络的这种特性被称作容错性；第四，神经网络是由大量简单的神经元组成的，每个神经元虽然结构简单，但是它们组合到一起并行活动时，却能爆发出较快较强的速度来。

我们可以利用神经网络的上述特点，将之应用于模式识别、自动控制、优化计算和联想记忆、军事应用以及决策支持系统中。

2.2 财务管理神经网络集成智能财务DSS的必然性 在企业经营管理、政府机构财务活动中，人们时常面临着财务决策。人们往往需要根据有关的理论及经验制定出一系列的衡量标准。这种评价是一个非常复杂的非结构化决策过程，一般都是由内行专家根据一定的专业理论凭经验和直觉在收集大量不完全、不确定信息基础上建立起多级指标体系。但在这种指标体系中，各种指标之间的关系很难明确，而且还受评价者的效用标准和主观偏好所左右。因此，很难在指标体系和评价目标间建立起准确的定量或定性模型。因此，我们需要采用一种可处理不确定性、不完全性信息的评价方法以支持决策。自然，利用人工神经网络构造系统模式来支持这类评价决策问题是目前财务管理智能决策支持系统的一种发展趋势和必然趋势[4]。

2.3 财务管理神经网络集成智能DSS系统框架 神经网络智能决策支持系统主要以知识、数据和模型为主体，结合神经网络进行推理与数据开采。图2给出了神经网络智能决策支持系统研究框架[2]。研究中有两个重点，即神经网络推理系统和神经网络数据开采系统。

2.3.1 神经网络数据开采系统 神经网络数据开采时利用神经网络技术协助从数据中抽取模式。数据开采有五项基本任务：相关分析、聚类、概念描述、偏差监测、预测。

常用的前馈式神经网络，如BP网络，可用于进行概念描述及预测。对向传播（Counter Propagation，简称CP）神经网路可用来进行统计分析和聚类。

CP网络是美国神经计算专家Robert Hecht-Nielsen提出的一种新型特征映射网络，其网络结构分输入、竞争、输出三层。该网络吸取了无教师示教型网络分类录活、算法简练的优点，又采纳了有教师示教型网络分类精细、准确的好处，使两者有机地结合起来。由竞争层至输出层，网络按基本竞争型网络学习规则得到各输出神经元的实际输出值，并按有教师示教的误差校正方法调整由竞争层至输出层的链接权。经过这样反复地学习，可以将任意输入模式映射为输出模式。

2.3.2 财务管理神经网络推理系统 财务管理神经网络推理系统主要利用神经网络的并行处理机制来解决传统推理方法中存在的“组合爆炸”、“无穷递归”，等问题。在神经网络系统中，计算与存储时完全合二为一的，即信息的存储体现在神经元互连的分布上，并以大规模并行方式处理。流动的过程就是从部分信息找到全部信息的过程，这就是联想记忆的基本原理。若视动力系统的稳定吸引子为系统计算能量函数的极小点，系统最终会流向期望的最小点，计算也就在运动过程中悄悄地完成了。因而，可用双向联想记忆（BAM）网络或CP网络实现并行推理。CP网络具有特殊的联想推理映射功能。将输入学习模式和期望输出模式取为同一模式，且将之分为X和Y两部分。网络通过提供的样本对进行充分的学习后，就可用来进行模式间的联想推理。

3 财务管理神经网络智能DSS研究展望

当前世界上最热门的研究课题，是模仿人类的思维方式来解决实际问题。专家系统和人工神经网络是比较常用的技术，但由于自身的局限性，它们都侧重于人类思维方式的某一方面。平时解决简单的问题的时候还好，但真遇到解决复杂的问题的时候，它就显得力不从心了，所以，这个时候我们可以将两种技术结合起来解决，除了它们要自身不断发展和完善外，还要注重两者的协调配合，神经网络DSS未来的发展趋势就是依靠这两种技术不断结合，从而能帮助我们解决更多的实际问题。

3.1 财务管理神经网络支持专家系统 常见的财务管理神经网络支持专家系统主要包括几个方面：知识维护、知识表示、知识获取、推理等，我们针对各个步骤展开讨论。

3.1.1 知识维护。如果知识是通过人工神经网络来获取的，我们就可以同样利用人工神经网络，来让维护工作变得更加方便快捷，维护可以通过人工神经网络来自动完成，我们需要做的只是重新运行网络模块，或者重新训练网络模块，又或是增加新的网络模块。

3.1.2 推理。一般的专家系统只是求解专门性问题，应用的领域非常狭窄，同时由于控制策略不灵活，推理方法简单，容易出现一些这样或那样的问题，推理效率低、速度慢。人工神经网络可以解决这一问题，从根本上提升工作效率，提高工作速度，它可以拓展知识空间，不只局限在狭窄的领域。

3.1.3 知识表示。很多专家知识事实上很难用规则表示出来，但在现实工作中，我们大部分财务管理专家却都采取这种方式，无论是直接的还是间接的。其它的知识表示方法也存在着同样的问题。为了解决这一问题，我们可以采用人工神经网络系统来将知识提供给专家系统，这样做就可以避免这一问题，当专家系统需要相应知识时，就不需要用规则来表示知识，直接调用人工神经网络就可以了。

3.1.4 知识获取。人工神经网络可以帮专家系统来获取知识，知识获取是通过人机对话的形式进行的。首先，专家系统向专家提出问题，人工神经网路则负责对这些信息进行收集、处理，在人工神经网络的联结权值中已经具有通用的知识，所以这一步骤会很方便，之后再产生相应的数据结果。接着，专家系统在对这些数据进行进一步的分析。在这一过程中，专家系统只运用很少的规则就可以获得相关的知识，大大提高了工作效率。

3.2 财务管理专家系统支持神经网络 财务管理专家主要通过三种方式来对神经网络提供必要的支持：第一，提供相应的必要的解释；第二，进行预处理；第三，联合应用。

3.2.1 解释。作为专家系统的人工神经网络，它做不到同其他专家系统那样，具体详细地跟踪问题求解的过程，以获得答案的原因，它只能依靠增加一个小型的专家来解决这一问题，以获得答案的原因，这个专家系统可以反向推理，从结果到初始输入，系统提供具体的解决方法。

在这种模式中，经过训练的人工神经网络来解决问题。当用户要求解释的时候，就可以通过网络输入一个并行的专家系统。

3.2.2 预处理。对于人工神经网络来说，处理数据这项工作比较难。专家系统可以帮助人工神经做好这些工作：选择合适的收敛算法，确定训练神经网络的样本的数量，选择合适的神经网络。收集正确数据的工作，对于人工神经网络来说至关重要，事先对它们进行预处理，可以确保各项工作顺利的完成。

3.2.3 联合应用。将一个复问题分解为几个子问题，如下图3所示，再将各个子问题来逐个解决，这就是我们所常说说的联合应用方法。它可以直接采用人工神经网络、专家系统以及其种可能的方法来解决问题，指导实际应用。

我们当前计算机所要解决的主要问题，是如何解决半结构化和非结构化的决策等问题，它是人们在日常生活中所经常遇到的，在财务活动中会大量存在。如何更科学、更合理地处理这些问题是我们当前工作的主要方向。运用人工神经网络技术处理半结构化和非结构化的决策是一种智能化的求解方式。但是此种方式并不是完美无缺的，它还存在着一定程度上的缺点，我们只有改善这种技术上的不成熟，将智能化研究进行到底，才能让神经网络决策支持系统的研究出现新的进展。

参考文献：

[1]陈文伟.智能决策技术.电子工业出版社，1998年.

[2]钟义信.智能理论与技术——人工智能与神经网络.人民邮电出版社，1992年.

第5篇：人工神经网络发展范文

关键词：神经网络 网络方法 环境色谱法 多个节点 信息模型

中图分类号：X83 文献标识码：A 文章编号：1674-098X（2017）05（a）-0126-02

从近几年在国内神经网络的使用来看，在环境监测中也有着非常良好的效果。无论是从色谱法、光谱法还是整个环境的评价都带来了很多新的成果。该文主要是通过对神经网络相关分类的阐述，结合神经网络在环境监测中的应用效果，希望能给神经网络对环境监测中做一些回顾和总结[1]。

1 网络方法类别

由于着重的角度关系，网络法会有多种不同的类别，由于神经网络是多个节点的连接，有相当多复杂的算法，基于神经网络，可以总共阐述两大类的情况，包括有管理和无管理的网络方法。关于这两种的不同点就在于它们是否需要对现有的样本进行训练。有管理的网络方法是需要训练，而无管理的网络方法是无需进行训练，它需要与其他的化合物相结合使用，里面会涉及到网络与遗传法、偏最小二乘法等分析方法来进行分析比较。另外根据网络的结构不同，也可以把网络方法给分成前向和后向的网络方法，而如果是从网络活动方式的差别，也可以将其分为随机和确定两种网络方法。

2 关于环境监测的化学方面的应用

在化学方面，国内与有很多用于化合物的一些研究，比如一些有机结构分析，还有化学反应、蛋白质结构等等的分析。在进行定量的构效关系分析中，可以把酿酒的酵母菌来作为一种模型的指示物，建立相关网络模型，然后对生物的毒性进行进一步预测，当然，在分析过程中还存在着很多的问题，通过比较一些网络模型，然后计算它们之间的权值，再筛选相出相应的参数，学者们在分析的时候也会对多层前传网络进行探讨分析，尽量减低误差，通过多方向的非线性校准，并且进行数据解析，然后表明引射能力，通过建立神经网络来不断接近规律的程度，拟定相关的指标数[2]。

3 分光光度的方法应用

在化学分析进程中，通过多元校正和分辨是相对来说较好的一种方法。随着相关方法的不断普及，目前大多数是使网络和现有的紫外光谱法相互关联，利用线性网络、BP网络等来用于多个分组的报道[3]。邓勃等[4]学者在分析的时候，认为除了人工神经网络，迭代目标转换因子的分析法相比较起来也是一种不错的选择，两种方法各有优势，并且产生的网络法的误差一般都不会很大。孙益民等专家在分析时，利用现有的人工神经网络先后侧出的光度法，并且可以测定比如铜、镍，并且这个分析方式非常的简单和方便[5]。

4 神经网络对X射线中的荧光光谱法的应用

研究人员通过神经网络建立与X射线荧光谱谱法的关系，通过多个不同的神经网络来应用，可以通过他们之间的连接来测定酸溶铝，通过神经网络的设置，可以测定里面的最低的铝值，通过神经网络与BP的网络模型的设立，可以直接输入测出来的铝含量情况，然后通过铝含量来侧出酸溶出来的铝的数值。BP模型可以结合现有的神经网络系统，充分的在现有的信息模型上应用，通过利用网络神经的结构，不仅可以做一些化学分析，还可以通过神经网络来检测环境监测中涉及到的红外谱图等的分析，这为环境分析提供了非常有意义的方向，并且给环境监测提供了新的检测方法[6]。

5 环境监测中的色谱法的研究

在关于色谱法的研究中，人工神经网络也有可以应用的方向[7]。色谱法中的小波分析，与人工神经网络的结合，小波分析的主要目的是为了得到重叠的色谱峰的信息，运用神经网络分析之后，可以在其中建立相关的模型，通过两者的结合来分开重叠的色谱峰信息，众所周知，把重叠色谱分开是一个非常复杂的工程，它们之间需要运用大量的元素来分开，效率极低，极其浪费时间。因为其内里复杂的重叠组织，而现在，人工神经网络为其分离提供了一种新的尝试[8]，不仅如此，通过人工神经网络的方法不仅可以分离，而且可以在分离之后得到更加精确的色谱信息。研究工作者在模拟退火神经网络的时候，会运用药物来优化整个分离的条件，这对于提高色谱精确度也非常有效。

6 环境监测中的评价

通过之前提到的BP网络，通过介绍与人工神经网络模型的结合，来阐述了整个模型应用的原理，通过综合相关的分析方法可以对环境监测中的适用性进行分析评价，这样表现出来的结果会更加客观。研究者可以从有预测模型中表现的结果，在水库里进行抽样，提取水库中的相关元素进行预测，确认是否与实际结果一致，可以通过建立人工神经网络来对水质中的污染指数进行评价，然后得出相应的成果。

7 结语

人工神经网络在整个环境监测中有着非常重要的作用，它拥有一些比较有意义特性，总共可以总结为以下3个方面：第一，人工神经网络具有自学习的特性。可以通过大量的图像来设计，进行相关的图像识别，把不同的几个图像进行整合分析，并且把与之相互对应的结果嵌入到神经网络系统中，系统会根据自己特有的自学功能，对以后相关的图像进行识别操作，它可以给人们提供一些预测结果，甚至在未来的无论是经济还是政治等方面提供一些预测，预测经济和市场，给未来的发展提供引导。第二，系统具有可存储的特性。人工神经网络里面包含了一种反馈的功能，而通过输入信息和模型整合，联系不同元素之间的关系，得出一些可能的联想信息。最后，神经网络还有一项功能便是优化得出答案的能力。

一般问题的因果关系都会涉及到多个方面，那么如何在多个元素中抽丝剥茧，不断地优化整个系统，是神经网络的一个主要的功能，它可以通过计算来得到最优化的解，即便其中的运算量牵连的比较多，但是结合神经网络中反馈联想的功能，再包括计算机强大的运算效率，那么得到答案有时候也是比较容易的。

人工神经网络在环境监测中表现的效果比较好，但是除此之外，在其他领域，运用神经系统也可以得到一些相关的数据，比如经济领域，它可以通过建立信息模型，来进行市场预测和风险评估，这些都是很好的应用方式。在未来的实践中，随着经验的积累，神经网络的应用在环境监测中会不断地深入，通过在色谱、光度等领域的剖析，为未来的环境监测效果提供了更多的可能性。

参考文献

[1] 黄胜林.遗传优化神经网络在大坝变形监测中的应用[D].辽宁工程技术大学，2012.

[2] 熊勋.人工神经网络在环境质量评价和预测中的应用研究[D].华中科技大学，2009.

[3] 王学.无线传感器网络在远程环境监测中的应用[D].山东师范大学，2011.

[4] 武艺.人工神经网络在土壤质量监测中的应用[D].浙江海洋学院，2015.

[5] 黄湘君.基于主成分分析的BP神经网络在电力系统负荷预测中的应用[J].科技信息：科学・教研，2008（16）：313-314.

[6] 李春梅，周骥平，颜景平.人工神经网络在机器人视觉中的应用[J].制造业自动化，2000（9）：33-36，49.

[7] 涂晔，车文刚.BP神经网络在福利彩票预测中的应用[A].中国智能计算大会[C].2009.

[8] 李岩，韩秋，郑万仁.BP神经网络在电力需求决策中的应用[J].现代经济信息，2009（22）：325-326.

第6篇：人工神经网络发展范文

关键词:农村电力;BP算法;人工神经网络;回归分析

中图分类号:TM855文献标识码:A

文章编号:1009-2374 (2010)22-0138-03

0引言

农村用电具有很大的不确定性,农村电力短期负荷预测研究对农村电力系统的安全及农业安全生产有十分重要的意义。基于短期负荷预测研究理论和方法已做了大量预测研究,提出了很多方法,大致可以分为两类:一类是以时间序列法为代表的传统方法,如时间序列法等,这些方法算法简单,速度快,应用广泛,但由于其本质上都是线性模型方法,因此存在着很多缺点和局限性,无法真实地反映农村电力系统不同负荷模型的非线性特性;另一类是以人工神经网络为代表的新型人工智能方法,神经网络具有并行分布信息和自学习及任意逼近连续函数的能力,能够捕获农村电力短期负荷的各种变化趋势。BP网络需要大量历史数据进行训练,且学习及处理不确定性和人工信息的能力较差。人工逻辑系统适用于处理不确定性、不精确性及噪声引起的问题。实践证明,将BP算法和神经网络融合的人工神经网络能发挥各自的优势,克服各自的不足是一种有效的方法。

1农村电力短期负荷预测研究算法

基于负荷预测方法主要有回归分析法、时间序列法、指数平滑法、灰色模型法、专家系统法、人工神经网络法、小波分析预测技术和数据挖掘理论等。

1.1回归分析法

回归分析法是研究变量与变量之间的一种数学方法。在回归分析中,自变量是随机变量,因变量是非随机变量,由给定的多组自变量和因变量资料,研究各自变量和因变量之间的关系,形成回归方程,求解回归方程后,给定各自变量数值,即可求出因变量值。回归分析法根据历史数据和一些影响负荷变化的因素变量来推断将来时刻的负荷值。回归分析法的特点是:原理、结构简单,预测速度快,外推特性好,对于历史上未出现过的情况有较好的预测值。

1.2灰色模型法

灰色系统理论将一切随机变化量看作是在一定范围内变化的灰色量。常用累加生成(AGO)和累减生成(IAGO)的方法将杂乱无章的原始数据整理成规律性较强的生成数据列。用灰色模型(GM)的微分方程作为农村电力系统单一指标(如负荷)的预测时,求解微分方程的时间响应函数表达式即为所求的灰色预测模型,对模型的精度和可信度进行校验并修正后即可据此模型预测未来的负荷。

1.3专家系统法

专家系统是依据专门从事短期负荷预测的技术人员提供的经验,总结出一系列的规则,并建立相应的历史负荷和天气的数据库,利用if-then规则对待预测日的负荷进行估计。由于专家系统将天气条件作为一个重要因素引入预测模型,因而预测的结果更为令人满意。专家系统预测的优点在于较好的解决了天气等因素对负荷的影响,有力的克服了时间序列法不能处理数据序列中出现大扰动的情况。但是这种方法过分依赖规则,如果没有一系列成熟的规则负荷预测就无法进行,而规则本身不具有普遍适应性,预测模型不能推广到所有的系统,这正是专家系统存在的弱点。

1.4人工神经网络法

人工神经网络方法是90年代以来发展起来的新方法,用人工神经网络进行负荷预测是农村电力系统负荷预测的一个新发展方向。人工神经网络法利用人工神经网络(ANN),选取过去一段时间的负荷作为训练样本,然后构造适宜的网络结构,用某种训练算法对网络进行训练,使其满足精度要求之后,用ANN作负荷预测。一般而言,ANN应用于短期负荷预测要比应用于中长期负荷预测更为适宜,因为短期负荷变化可以认为是一个平稳随机过程,而长期负荷预测与国家或地区的政治、经济政策等因素密切相关,通常会有些大的波动,而并非是一个平稳随机过程。目前用人工神经网络进行负荷预测还存在一些问题,比如模型结构的确定,输入变量的选取,人工神经网络的学习时间较长等问题。但它仍具有许多其他方法所不能比拟的优点,例如:良好的函数逼近能力,通过对样本的学习,能够很好的反映对象的输入/输出之间复杂的非线性关系。因此人工神经网络受到许多学者的高度评价。

1.5小波分析预测技术

小波分析是Fourie分析深入发展过程中的一个新的里程碑,是本世纪数学研究成果中最杰出的代表,已成为众多学科共同关注的热点。一方面,小波分析发扬了Foufie分析的优点,克服了Fourie分析的某些缺点;另一方面,小波分析现在已经被广泛应用于信号处理、图像处理、量子场论、语言识别与合成、地震预报、机器视觉、机械故障诊断与监控、数字通信与传输等众多领域。原则上讲,凡是传统方法中采用Fourier分析的地方,基本上都可以用小波分析来取代,而且其应用结果会得到深化和发展,因此小波分析作为一种多方面运用的数学工具,具有巨大的潜力和广泛的应用前景。

农村电力系统中曰负荷曲线具有特殊的周期性,负荷以天、周、年为周期发生波动,大周期中嵌套小周期。而小波分析是一种时域或频域分析方法,它在时域和频域上同时具有良好的局部化性质,并且能根据信号频率高低自动调节采样的疏密,容易捕捉和分析微弱信号以及信号、图像精细的采样步长,从而可以聚焦到信号的任意细节,尤其是对奇异信号很敏感,能很好的处理微弱或突变的信号,其目标是将一个信号的信息转化成小波系数,可以方便的处理、存储、传递、分析或被用于重建原始信号,这些优点决定了小波分析可以有效地应用于负荷预测问题的研究。

1.6模糊预测法(FUZZY)

FUZZY预测,是近几年来在农村电力系统负荷预测中不断出现的一种预测方法,将FUZZY方法引入的原因是,农村电力系统中存在着大量的模糊信息,如负荷预测中的关键因素气象状况的评判、负荷的日期类型的划分等信息,都是模糊的。常规方法就是采用统计和经验相结合的方法予以处理,这给负荷预测引入了不科学因素,并且与自动化要求相矛盾,而FUZZY方法正是破解这些模糊信息的钥匙。从实际应用来看,单纯的FUZZY方法对于负荷预测的精度往往是不尽人意的,主要因为FUZZY预测没有学习能力,这一点对于不断变化的农村电力系统而言,是极为不利的。

2农村电力短期负荷预测研究与实现

2.1人工神经网络原理

人工神经网络是一种“采用物理可实现的系统来模仿人脑神经细胞的结构和功能的系统。”人工神经网络是最近发展起来的十分热门的交叉学科,它涉及生物、电子、计算机、数学和物理学科,有着非常广泛的应用背景,这门学科的发展对日前和末来的科学技术的发展有重要的影响。二维的简单人工神经网络按网络拓扑结构可分为两类:前馈型网络和反馈型网络。反馈型网络模型是一种反馈动力学系统,它具有极复杂的动力学特性。反馈神经网络模型可以用完备的无向图表示,代表性的模型包括;Hopfield网络模型和Hamming网络模型。反馈神经网络模型有很强的计算能力。前馈神经网络模型是指那些在网络中各处理单元之间的连接都是单向的,而且总是指向网络输出方向的网络模型。

2.2BP人工神经网络算法

基于BP网络学习规则的指导思想:对网络权值和阈值的修正要沿着表现函数下降最快的方向――负梯度方向。

xk+1=xk-akgk (1)

其中xk是当前的权值和阈值矩阵,gk是当前表现函数的梯度,ak是学习速度。假设三层BP网络,输入节点,隐层节点,输出节点。输入节点与隐层节点间的网络权值为,隐层节点与输出节点间的网络权值为。当输出节点的期望值为时,模型的计算公式如下:

隐层节点的输出:

yj=f(wjixi-θj )=f (netj) (2)

其中netj=wjixi-θj (3)

输出节点的计算输出:

zl=f(vljyj-θl)=f (netl) (4)

其中netl=vlj yj-θl (5)

输出节点的误差:

E=(tl-zl)2=(tl-f(vljyj-θl))2

=(tl-f(vljf(wjixi-θj)-θl))2 (6)

E=(tI-zi)2=(tI-zi)

2.3误差函数对输出节点求导

=・=・ (7)

E是多个zk的函数。但有一个zk与vlj有关,各zk间相互独立,其中:

=[-2(tk-zk)・]=-(tl-zl) (8)

=・=f '(netl)・yj (9)

则=-(tl-zl)・f '(netl)・yj (10)

设输入节点误差为δl=(tl-zl)・f '(netl) (11)

则=-δl・yj (12)

2.4误差函数对隐层节点求导

=・・ (13)

E是多个zl的函数,针对某一个wji,对应一个yj,它与所有zl有关,其中:

=[-2(tk-zk)・]=-(tl-zl) (14)

=・=f '(netl)・(-1)=f '(netl)・vlj (15)

=・=f '(netl)・xi (16)

则=-(tl-zl)・f '(netl)・vlj・f '(netj)・xi=δlvlj・f '(netj)・xi(17)

设隐层节点误差为δj'=f '(netj)・δlvlj (18)

则:=-δj'xi (19)

由于权值的修正Δvlj,Δwji正比于误差函数沿梯度下降,则有:

Δwji=-η'=η'δj'xi (20)

vlj(k+1)=vlj(k)+Δvlj=vlj(k)+ηδlyj (21)

δl=-(tl-zl)・f '(netl) (22)

Δθl=η=ηδl (23)

wji(k+1)=wji(k)+Δwji=wji(k)+η'δj'xi (24)

δj′=f '(netj)・δlvlj (25)

其中隐层节点误差δj′中的δlvlj表示输出节点的zl的误差δl通过权值vlj向节点yj反向传播成为隐层节点的误差。

2.5 阈值θ也是变化值,在修正权值的同时也需要修正,原理同权值修正一样误差函数对输出节点阈值求导

=・ (26)

其中=-(tl-zl) (27)

=・=f '(netl)・(-1)=-f '(netl) (28)

则=(tl-zl)・f '(netl)=δl (29)

阈值修正Δθl=η=ηδl (30)

θl(k+1)=θl(k)+ηδl (31)

误差函数对隐层节点阈值求导=・・(32)

其中=-(tl-zl) (33)

=f '(netl)・vlj (34)

=・=f '(netj)・(-1)=-f '(netj) (35)

则=(tl-zl)・f '(netl)・vlj・f '(netj)=δlvlj・f '(netj)=δj' (36)

阈值修正Δθj=η' =η'δj' (37)

θj(k+1)=θj(k)+η'δ'j (38)

2.6传递函数f(x)的导数S型函数

f (x)=,则f ' (x)=f (x)・(1-f (x)) (39)

f ' (netk)=f (netk)・(1-f (netk)) (40)

对输出节点zl=f (netj) (41)

f ' (netj)=zl・(1-zl) (42)

对输出节点yj= f (netj) (43)

f ' (netj)=yj・(1-yj) (44)

3结语

基于一种新的基于人工神经网络在农村电力短期负荷预测研究。针对BP算法中存在的收敛速度慢、易陷入局部最小值的问题,可采用附加动量法和自适应学习速率法在一定程度上解决这些问题。附加动量法是在BP算法的基础上,在每个权值变化上加上一项正比于上一次权值变化量的值,并根据BP算法来产生新的权值变化,利用附加动量法可能会避开某些局部最小值。自适应学习速率法是在学习过程中不断修正学习速率,有利于提高学习效率,缩短学习时间。

参考文献

[1] 刘光中,颜科琦.组合神经网络模型对电力需求的预测[J].数量经济技术经济研究,2003,(1)

第7篇：人工神经网络发展范文

【摘要】  目的：应用bp人工神经网络原理，设计一种类风湿关节炎疾病诊断的方法。方法：选用对类风湿关节炎敏感的8个指标，作为bp人工神经网络的输入数据，对样本进行训练和预测。结果：bp人工神经网络经通过对150例样本的运算，训练集的113例样本，训练正确率为97.4%;预测集的37例样本，预测正确率为91.9%。结论：bp人工神经网络能为类风湿关节炎作出较准确的诊断，能提高诊断的客观性。

【关键词】  人工神经网络; 类风湿关节炎; 预测

类风湿关节炎(rheumatoid arthritis ,ra)是一种以关节滑膜发生慢性炎性病变的自身免疫性疾病，其病程多呈进行性进展，致残率高，治愈率低下[1]，早期临床表现不典型，单项自身抗体检测的灵敏度和特异性均有不足，类风湿因子的检出率也偏低，容易造成误诊[2，3]。因此医务人员主要是通过敏感性互补的几个检验指标和临床表现对类风湿关节炎作出诊断[4]，但在疾病的诊断中往往带有很多的主观因素。近年来发展起来的人工神经网络是种理论化的数学模型,是模仿人脑神经的网络结构及其功能而建立起来的一种信息处理系统，具有自行学习、联想记忆、错误容纳和强大的非线性处理能力[5]。因此人工神经网络常常被应用到临床医学疾病的诊断上。本研究结合类风湿关节炎诊断的8个主要指标，设计一种基于人工神经网络类风湿关节炎的诊断方法，通过对150例样本的网络运算，探讨了人工神经网络对类风湿关节炎诊断的可行性。

1 人工神经网络基本原理

人工神经网络可以通过对外界信息的学习，以特定的方式对这些信息进行处理和概括，从而具备了对这些信息的识别功能，并产生了一个相对应的结论。因此，再次给人工神经网络这样一个相似的条件时，神经网络就会根据已学到的知识，自行推理判断，得到一个我们需要的结果。

1.1 人工神经元

人工神经元是组成人工神经网络的基本处理单元，简称为神经元。如图1显示了一个具有r个输入分量的人工神经元模型[6]。

图1中p(r=1，2，…，r) 为该神经元的输入数据;wr 为该神经元分别与各输入数据间的连接强度，称为连接权重，权重值的大小代表上一级神经元对下一级神经元的影响程度。b为该神经元的阈值，f(x)为作用于神经元的激励函数，通常采用的是s 型函数，其数学表达式见式(1)[7]：

f(x)=(1+e-qx)-1(1)

a为神经元的输出数据。神经元将接收信息pi与连接权重wi 的点乘积求和构成其总输入, 在神经元阈值b的作用下经函数f(x)的作用,产生信号输出a。

图1 人工神经元模型

1.2 人工神经网络

人工神经网络是由多个不同的神经元连接而成，一般含有多个层次，每个层次又包含了多个神经元，上一层次的神经元只能对下一层的神经元产生作用，同层神经元间无相互作用[7]。根据神经元的不同连接方式，就形成了不同功能的连接网络模型。比如bp神经网络，kohonen神经网络，hopfield神经网络等等，多达数十种。在医学中应用比较广泛的是bp神经(back propagation)，也就是误差逆向传递网络[8]，本研究中采用的也是bp神经网络。bp神经网络一般由输入层，隐含层和输出层构成，其结构模型如图2所示。

神经网络输入层的神经元是接受外界信息的端口，不包括数据运算功能，他将外界的输入数据通过一个连接权重传递给下一隐含层的神经元。隐含层是神经网络的核心部分，数量上可以有一个或多个层次，随着层次的增多，网络结构变得更复杂，网络数据处理功能也增强。网络的最后一层是输出层，输出层接收到隐含层的各项信息，然后经过转换把信息传给外界。

输入层 隐含层 输出层

图2 bp人工神经网络模型

1.3 人工神经网络工作原理

为了解决临床上对疾病的预测或识别等问题，神经网络主要是通过学习来获取"知识"或"经验"的，这一过程总体上可分为训练和预测两个阶段。所谓训练就是形成一种病因与疾病之间的函数映射关系，即给定一个实际输出与期望输出的目标误差值，将病人的各种病因、实验室检查、影像超声检查、临床表现等作为网络的输入信息加到其输入端，输入信息经过隐含层神经元的处理后，传递给输出层。如果输出层得到的结果大于预先给定的误差目标值时，神经网络将这种误差信号沿原来的传递路线逐层返回，并调节各个层次间神经元连接的权重值，这种过程不断交替进行，直到误差达到目标值时，训练过程结束。经过训练可使疾病的各种情况分布到连接权上, 使学习后的网络权重值存储了临床症状和疾病类型等相关的知识，此时可以认为神经网络建立起了病人的各种因素与该病人是否患有某种疾病的映射关系，这种映射关系就是一个预测疾病的判别函数。预测就是检验判别函数的可靠程度，利用一些未包括在训练集中的样本构成预测集，将预测集中与疾病相关的数据输入到训练好的网络中去，在训练阶段所得到的判别函数的作用下，就可以得到一个测试结果，从网络的输出端就可以诊断病人是否为疾病患者。

2 人工神经网络诊断类风湿关节炎实例

2.1 病例选取及变量确定

实验数据来源于哈尔滨医科大学附属医院，总共有150例。其中类风湿关节炎患者83例，女71例，占85.5%;男12例，占14.5%。年龄范围为20～79岁，平均年龄为48.92岁。所有患者均符合1987年美国风湿病协会修订的类风湿关节炎诊断标准。用来作正常对照的有67例，其中女62例，占92.5%;男5例，占%7.5，年龄范围为18～79岁，平均年龄为43.63岁。病人资料主要包括临床症状与体征，相关实验室检查，相应影像学检查。

根据中华医学会风湿病学分会制定的类风湿关节炎诊断指南，典型的类风湿关节炎按照1987年美国风湿病协会修订的类风湿关节炎诊断标准来诊断并不困难，但某些不典型、早期类风湿关节炎，常常被误诊或漏诊。2008年，胡勇等[9]通过研究发现，抗ccp抗体对类风湿关节炎的敏感性和特异性分别为80.0%和93.7 %，联合抗ccp抗体和rf可以提高诊断的准确性,对类风湿关节炎的早期诊断有重要意义。因此为了提高神经网络诊断各种类型类风湿关节炎的准确率，我们选取了x1(关节晨僵)、x2(对称性关节炎)、x3(腕、掌指或者近端指间关节至少有一个关节肿)、x4(3个或者3个以上关节部位肿)、x5(关节x线改变)、x6(皮下结节)、x7(rf )和x8(抗ccp抗体)这8个指标来作为神经网络运算的输入数据。其中x1、x2、x3、x4、x5、x6和x7这几个输入数据是1987年美国风湿病协会修订的类风湿关节炎诊断标准所包含的内容，x8是为了提高对不典型、早期类风湿关节炎的诊断所采用的输入数据。上述x1、x2、x3、x4、x5、x6是定性变量(离散变量)，临床上常用阳性和阴性来描述，实验中用1和0对这些变量进行赋值，当变量值为1时表示阳性，为0时表示阴性;而变量x7、x8是定量变量(连续变量)，用原始数据来描述。

2.2 确定训练样本及预测样本

在以上150例样本中(83例类风湿关节炎和67例正常对照)中分别选取63例类风湿关节炎和50例正常对照的样本，用来组成训练集，并用1～113的数字对其进行顺序编号，1～63号代表是类风湿关节炎，64～113号代表的是正常对照组的样本。剩余的样本用来组成预测集，集中样本总数为37例，其中类风湿关节炎患者有20例，正常对照组有17例，也用同样的方法进行编号。训练集与预测集样本比例大约为4:1。

2.3 网络参数的设定及算法程序

首先对神经网络参数设定如下：输入神经元个数为8，输出神经元个数为1，期望目标输出值用0表示正常，用1表示类风湿关节炎，隐含层采用tansig函数。训练次数为6000次，训练目标为0.06，学习速度为0.05，网络连接权重初始值是[-1,1]之间的随机数，其次网络进行运算所采用的是批动量梯度下降算法，应用matlab6.5来编写该程序算法。

2.4 训练及预测结果

将训练集样本的8个指标输入到bp网络的算法程序中，网络经过500次的训练后，达到了训练目标的要求，训练结果如图3所示，预测输出以0.5为阈值，>0.5者为类风湿关节炎患者，<0.5者为正常对照样本。

图3 113例样本训练结果从训练得到的图形可以看出，63例类风湿关节炎患者中有54例训练结果都在目标输出值1附近，而且非常靠近1。只有9例稍微偏离了目标输出值1，由于输出结果均在0.5～1.5的范围内，可以认为训练结果与实际相吻合。类似的在50例正常对照组中，有47例输出结果都在目标值0的附近，输出值都在0～0.5之间，训练结果与实际也相吻合。而编号为64、75、92的3例样本，其输出值大于0.5，明显大于目标输出值0，样本训练结果有错误。综上所述，训练集中113例样本有110训练正确，训练正确率达到97.4%。

经过训练可以得到一个能反映类风湿关节炎疾病情况的神经网络模型。把预测集样本的数据导入到训练好的神经网络中去，进行预测，预测的结果如图4。

图4 37例样本预测结果从上图的输出结果可以看出，在20例类风湿关节炎样本的预测中，19例样本的输出结果主要集中在目标输出值1附近，没有超出0.5～1.5的范围，可以视为预测结果与实际相符合，而编号为1的样本，其输出值小于0.5，偏离了目标输出值1，预测结果错误。另外17例正常对照组中，15例预测结果与实际相符合，而编号为27、33号的样本其输出值大于0.5，明显偏离目标输出值0，预测不正确。所以对于预测的总体样本来说，34例预测正确，准确率为91.9%，灵敏度为94.7%，特异度为86.7%。

训练集和预测集的样本，经bp神经网络运算，其结果如表1所示。表1 bp神经网络测试样本的计算结果

3 讨论

由表1可知,2例预测有误的样本，它们来源于预测集的正常对照组中。同样在训练阶段，运算有误的3例样本也全都来源于训练集的正常对照组中。由此可见，运算有误的样本在训练集和预测集之间存在一种对应关系，即神经网络对样本训练的错误率越高，其预测的准确率就越低。同时，一些样本的训练和预测结果也出现了较大范围的波动，没有集中在目标值为1和0的这两条直线上。出现这种结果的原因可能是：有些样本数据偏倚，训练样本总数又不是很多，从而导致这些数据偏倚的样本所占的比例较大，在总体中表现出来的作用也就较强。因此加大训练样本的数量，选择数据偏倚较少或者更有代表性的样本来学习训练，神经网络就能更准确的反映疾病自身情况，同时网络所包含的病因与疾病间相映射的函数关系也就更具有普遍性。

对疾病诊断过程而言，人工神经网络能够模拟专家级医师诊断疾病的思维过程和获得诊断疾病的相关知识。此后对疾病进行预测时就可以避免医师对疾病诊断的主观性及思维定势，因此能提高疾病诊断的客观性。尽管临床上也存在一些疾病患者，往往因为诊断数据的缺失，给医师诊断带来了很多的困难或是误诊，然而神经网络具有的容错性质以及能根据训练得来的知识和处理问题的经验，对上述缺失的数据等这种复杂的问题，做出合理的判断与推理，从而为病人做出较正确的诊断。

在疾病诊断方面， 按照1987年美国风湿病协会修订的类风湿关节炎诊断标准，对一些不典型，早期的类风湿关节炎常常不能作出正确的诊断，特异性也低，往往造成误诊。然而基于人工神经网络类风湿关节炎的诊断方法，通过对37例样本的预测，预测结果表明：本方法对类风湿关节炎的诊断，其准确率为91.9%，灵敏度为94.7%，特异度为86.7%，可作为疾病诊断的一种新方法。当然，实验中也存在一些问题有待于进一步研究,如输入变量的选择及其数据处理，网络初始权重的计算，网络训练的最佳原则，隐含层数的设计等等。随着研究的进一步深入，人工神经网络必将得到临床工作者的认同并为疾病研究带来诸多的便利。

【参考文献】

  　1 顾福荣,张义东,施锦杰.抗ccp抗体、抗ra33抗体、抗sa 抗体和rf联合检测对类风湿性关节炎诊断的意义.江西医学检验,2007,25(1):24～25.

2 matsuo k,xiang y,nakamura h,et al.identification of novel eitrullinated autoantigens of synovium in rheumatoid arthritis using a proteomie approach.arthritis res ther,2006,8(6):1～3.

3 harrison mj,paget sa. anti2ccp antibody testing as a diagnostic and prognostic tool in rheumatoid arthritis.qjm,2007,100(4):193～201.

4 王青青.类风湿性关节炎的诊断与治疗.全科医学临床与教育.2008,6(2):92～94.

5 孙文恒,王炜,周文策.人工神经网络技术在胰腺癌诊断中的应用.兰州大学学报,2008,44(7)：224～227.

6 宋烨,杨本付,人工神经网络及其在疾病诊断中的应用,中华医学实践杂志,2006,5(3):275～277.

7 王俊杰,陈景武.bp神经网络在疾病预测中的应用.理理医药学杂志,2005,21(3):259～262.

第8篇：人工神经网络发展范文

【关键词】建筑经济管理；神经网络

中图分类号：TU198文献标识码： A

一、前言

建筑经济管理在我国是一个非常重要的行业，为社会的进步提供了夯实的基础，但是在神经网络的应用这方面还是存在一定的问题，所以，科学技术人员在这个方面还是很努力的研究，并且促使这个技术发展更为全面。

二、神经网络的特征及其信息处理特点

人工神经网络(Application of Neural Network，即:ANN)是一种对人脑中枢神经系统的生物神经结构进行的功能性抽象，在模式识别和分类领域显示了强大的能力，它们以“黑箱”模式工作，不需要先验模型，具有自适应能力，可以从数据中捕捉和学习规律，其计算能力在预测和评估、模式识别和优化等领域得到了广泛验证。神经网络尤其适合解决那些采用传统的数学方法和手段建模困难的复杂问题，并已被证明是解决复杂非线性问题的一种有效工具。

1、神经网络的基本特征

（1）内在并行性。神经网络是一个高度并行的非线性系统，其并行性不仅体现在结构上，它的处理运行过程也是并行的。神经网络从单个处理单元到整个系统，在理论和实践上都反映了并行性，计算是分布在多个处理单元上同时进行的。

（2）分布式存储。与传统计算机不同，神经网络中信息并非存储在一个特定的存储区域，而是分布存储在整个系统中。神经网络的每一个神经元都只是整体概念的一个部分，每一个单元都包含着对整体的贡献，而每一个单元都无法决定整体的状态。

（3）容错性。因为信息是分布存储在整个系统中，而不是驻留在某一个特定的存储区域内，因此，网络中部分神经元的误差不会在很大程度上影响改变整个系统的行为。

（4）学习与自适应性。神经网络的一个重要特点是具有很强的学习能力，它可以通过对数据的监督或非监督学习，实现任意复杂的函数关系，而且整个网络具有自适应性，即进行自我调节的能力。

2、神经网络的信息处理特点

神经网络的基本特征使其在信息处理上具有与传统信息处理技术不同的特点。

（1）数据驱动、“黑箱”建模方式。神经网络通过训练能够直接从数据中发现规则和特征，实现任意复杂的函数映射。这种学习能力使得神经网络分析和建模过程相当于一个“黑箱”，既无需模型结构设计和参数估计过程，而且在没有输入模式先验信息的情况下，通过数据驱动取得优良的结果。

（2）非编程、自适应的工作方式。神经网络的学习是便利而且可塑的，在网络整体结构不变的情况下，只需调整权值即可完成任意关系的学习，通过递进补充训练样本即可跟踪和适应外界环境的不断变化。因此，神经网络的工作方式可以是实时的和自适应的。

（3）信息处理与存储合二为一。神经网络在运行时信息处理与存储同时完成，信息的隐含特征和规则分布于神经元状态和权值之上，通常具有冗余性。这样，当不完全信息或含噪信号输入时，神经网络就可以根据这些分布记忆进行联想以恢复全部信息。同时，这种合二为一的方式从本质上消除了软件和算法的“瓶颈效应，”提供了实现高速信息处理的手段。

（4）实时信息处理。神经网络是一个大规模非线性动力学系统，具有高维、高密度的并行计算结构。大量神经元的微观活动构成了神经网络的整体宏观效应。这种集体运算能力使得神经网络可以完成高维数据的在线实时处理。

三、建筑经济管理研究面临的问题

1、对系统的非线性认识不足

(1)忽视了系统内各变量之间复杂的非线性关系，过分强调先验假设。建筑活动在理论和实践中有明显的非线性和复杂性。建筑经济管理问题的本质上是因为现实的复杂性导致的非线性。建筑活动随时代和环境的变迁表现出其非线性特征。一方面，建筑经济管理问题的线性假没体现了系统特殊性。但另一方面，系统建模时所使用的理论总是落后于现实，这是因为其相关理论发展的滞后性，而这又是由于其非线性和复杂性引起的。

(2)忽视数据本身效用，过分依赖理论指导。模型的函数形式很难仅仅通过理论考虑获得。在实践中选择理论框架既是十分重要又是十分困难的。

2、对系统变量自身特征的认识不足

(1)变量(数据)的高噪声。采集、编制建筑经济管理数据时会有很多误差，再加上诸多外在因素的冲击造成了波动强烈变形，所以数据是包含有许多“奇异点”而且是高噪声。

(2)变量的高度不确定性。目前经济学界对不确定性没有一个统一的定义，一般情况下有2种不确定性的定义。一种定义是变量的不确定性通过随机变量的方差来定义，通常称为概率型不确定性，也可称为“风险”。另一种定义是一种没有稳定概率的随机事件，称为非概率型不确定性。

(3)变量不同程度的模糊性。一定的模糊性是大多数建筑管理问题变量的特点。现实中的不分明现象就是模糊性。而从一种状态过度到另一种有差异的状态的过程中，中间发生了量变到质变的连续过程。总之，常常需要解决建筑管理中的决策、优化等非线性问题，由于它们的一次性、高度动态性和复杂性的特点，建筑管理的信息是随机的，具有非线性和时变性，相应的变量也有不确定性、高噪声和模糊性的特点，因此搜集数据、分析因素等方面有相当大的难度。

四、ANN在建筑工程项目管理中的应用研究

1、ANN在造价预测方面的应用

汪应洛，杨耀红(2004年)总结了ANN在费用估计方面的应用。采用BP网络，用40个公路工程样例训练网络，并用工程实例进行验证，发现效果比传统方法好。Tarek Hegazy(1998年)等用MS-Excel表格进行ANN模拟，并在输入层和隐含层加入了偏置神经元来促进网络学习。其缺点是由于网络学习时的训练样本数据中有噪声，会造成过度学习现象，运用规范化网络可以解决这个问题。周丽萍，胡振锋(2005年)在研究BP神经网络在建筑工程估价中的应用时指出，可以利用神经网络“特征提取器”的作用，从大量过去的工程资料中自动提取工程特征与预算资料的规律关系；由于神经网络具有高度的容错性，因而对于过去的工程资料中由于人为的或其他因素造成的偏差有自动纠偏功能；此外由于神经网络是并行处理数据的，因而其处理速度相当快，这点满足了快速估算要求，实践证明是有效的。

2、ANN在工程项目管理绩效评价中的应用

闫文周(2005年)等运用ANN中的BP网络对工程项目管理绩效评价问题进行研究，建立了一个综合考虑项目工期、质量、费用、安全四大控制指标的工程项目管理绩效评价模型。实例分析表明，其评价结果更加全面、更加符合实际情况，从而有助于促进工程项目管理水平的提高。基于BP神经网络的工程项目管理绩效评估模型，将影响工程项目管理绩效的主要因素进行整合，通过神经网络反映了工程项目工期、质量、成本、安全与项目绩效之间复杂的非线性关系，从而使项目管理绩效的评价更客观。

3、Hop field网络模型在建设工程评标中的应用

建设工程评标是一个多目标决策过程，评标过程中存在着大量的定性和模糊的因素，评标人很难快速做出准确客观的评判。朱玉涛(2006年)等用ANN作为新型信息处理工具，在建设工程评标中可应用于优选中标企业。介绍了Hop field网络模型构造及算法设计，包括进行方案优劣排序、换位矩阵以及能量函数构造、神经元之间连接和输出，并用实例说明了该方法的优越性和实用性。应用Hop field网络对非定量因素进行科学的分析，可以消除一些人为因素的影响，使评选结果更加合理。

4、BP网络模型在建设工程招投标管理中的应用

BP网络以其自学习、自联想功能的优点在建设工程招投标中得到广泛应用。杨中宣(2006年)结合人工神经网络基本理论，介绍了它在工程招投标的招标价格、风险因素分析以及竞标单位资格审查等方面的应用，指出利用人工神经网络具有的高度并行处理和可完成复杂输入输出的非线性映射能力，不仅可以保证高的中标率，且可避免招标过程中不确定性因素的影响。

五、人工神经网络的发展趋势

人工神经网络在建筑管理中的应用与研究，解决了不少该领域中的难题，显现出广阔的应用前景。但是，神经网络作为新兴学科，在理论和实践中，还有很多不完善和不成熟的地方，又在一定程度上制约了它的实际应用。因此在利用人工神经网络解决问题时，需要选定合适的网络模型及网络算法，同时还要加深人工神经网络基础理论方面的研究。

六、结束语

总而言之，就建筑经济管理中神经网络的应用这方面而言，这项技术的发展不仅使建筑经济管理体系更加的完善，更加使人们的生活带来了许多的便利条件，通过科学技术人员的不断努力，会使为社会发展做出巨大的贡献。

参考文献

[1]王其文，刘广灵.人工神经网络与线性回归的比较 决策与决策支持系统，2008（4）:22-26.

第9篇：人工神经网络发展范文

关键词：负荷预测；人工神经网络；BP算法；

中图分类号：TM732 文献标识码：A 文章编号：1674-3520（2015）-01-00-03

为了向用户提供安全、可靠和优质的电能，电力部门需要保持电力系统的安全性和可靠性，这就要求系统发电出力随时紧跟系统负荷，否则就会影响供、用电质量，并会危及系统安全与稳定。所以，电力系统短期负荷预测是电力系统安全分析的基础。

目前，电力系统短期负荷预测主要呈现以下特点：智能技术广泛用于负荷预测领域，模型结构趋于复杂，考虑的影响因素更多，非线性理论的应用，组合预测应用更广。

人工神经网络（ArtificialNeuralNetwork，ANN）作为一门新兴的交叉学科，为揭示复杂对象的运行机理提供了一条新的途径，许多学者将其应用于电力负荷预测问题，例如人工神经网络与小波分析相结合，人工神经网络与专家系统相结合，人工神经网络与遗传算法相结合等[16-18]。

本文对历史负荷数据进行分析及预处理，选取一个时段作为预测样本，选择输入量的构成。利用MATLAB建立一个两层BP结构作为本次预测网络模型。在此基础上用SCG算法进行网络的训练以提高训练速度，进行预测误差的分析，最后使用训练成的网络进行指定日预测，分析仿真结果。

一、人工神经网络的基本结构和模型

人工神经网络由许多个神经元组成。一个神经网络的神经元模型和结构描述了一个网络如何将它的输入矢量转化为输出矢量，其实质是网络输入和其输出之间的函数关系。通过选取不同的模型结构和激活函数，可以形成各种不同的人工神经网络，得到不同的输入输出关系式，最终达到不同的设计目的。

神经元是人工神经网络的基本处理单元，一般是一个多输入/单输出的非线性元件，如下图所示。

为偏差信号，也称为阀值；为神经元的基函数，得到的为激活函数的输入；为神经元的激活函数。

激活函数是一个神经元及神经网络的核心，其基本作用是控制输入对输出的激活作用，对输入、输出进行函数转换，将可能无限域的输入变换成指定的有限范围内的输出。常用的激活函数有阀值型、线性型、Sigmoid型、高斯型等。阀值型函数将任意输入转化为0或1的输出，函数为单位阶跃函数。线性型函数是网络的输出等于加权输入加上偏差。Sigmoid型函数将任意输入值压缩到（0，1）的范围内，常用对数或双曲正切等一类S形状的曲线来表示，如图2.2（a）、（b）所示。对数S型激活函数关系式为：

S型激活函数具有非线性放大增益，对任意输入的增益等于在输入/输出曲线中该输入点处的曲线斜率值。利用该函数可以使同一神经网络既能处理小信号（中间的高增益区）又能处理大信号（两边的低增益区）。高斯型激活函数又称为钟形函数，常用于径向基函数神经网络，也是十分重要的激活函数类型，表达式为：

（3.3）

一般地，称一个神经网络是线性或非线性是由神经元中激活函数是线性或非线性决定的。

将两个或更多个简单神经元并联起来，使每个神经元具有相同的输入矢量，即可组成一个神经元层，如图2.3所示。将两个以上的单层神经网络级联起来则组成多层神经网络，如图2.4所示。

二、基于人工神经网络的短期负荷预测实现

（一）模型选择及算法改进

由神经元激活函数的特性可以知道，神经元的输出通常被限制在一定的范围内，大多数人工神经网络使用的非线性激活函数为S型函数，其输出被限制在[0，1]或[-1，1]之间。可原始数据和期望输出值通常在此区间之外，直接以原始数据对网络进行训练会引起神经元饱和。因此，在对网络进行训练之前必须对数据进行预处理及归一化处理（Normalization），以避免法训练过程中的神经麻痹。研究表明：以恰当的方式对数据进行归一化处理可以加速神经网络的收敛。

负荷数据的归一化有许多处理方式，本文采用的方法如下：

（二）算例分析

本文的历史负荷数据为天津地区2014年一整年的日负荷，包括每天的24点负荷。由于节日的负荷状况与正常日差别较大，本文只考虑正常日负荷预测，剔除节日负荷样本。由于所能获得的数据的有限性，无法获得一些实际上对负荷有影响的变量（如重大事件或自然灾害等）的数据，在模型中无法考虑这些变量。故只选取相关负荷数据作为日负荷预测的输入量，并剔除其中明显异常的数据，如负荷毛刺等。

在正常日数据中又应当有所划分，根据已知的文献[11-15]大体有如下几类划分方式：1、将一周的7天分为工作日（星期一到星期五）和休息日（星期六和星期天）等两种类型；2、将一周分为星期一、星期二到星期四、星期五、星期六、星期天等5种类型。3、将一周的7天每天都看做一种类型，共有7种类型。根据历史负荷数据的曲线，本文采用第1种负荷划分模式，即将一周的7天分为工作日（星期一到星期五）和休息日（星期六和星期天）等两种类型。

神经网络的学习是通过对有限个样本的学习，调整各权值，寻求样本发展的规律。把所得的负荷数据样本分为两组，一组用于训练神经网络模型，另一组作为检验训练结果用。本文只用根据日期类型来选择学习样本和建立网络。

根据短期负荷的周期性，以及对历史负荷数据图像的分析[9]，本文选取预测日前一周同一天的24小时负荷数据以及预测日前一天的24小时负荷数据作为输入量，即输入量是48维的。网络输出为预测日0时到23时的整点负荷，是一个24维的输出量。

如前文所述，本次预测以天津地区电网的实际历史负荷为样本数据，预测该地区日负荷。基于MATLAB软件建立含一个隐含层的BP网络模型，实现预测日24点负荷的输出，每个BP神经网络的输入层、隐含层、输出层的神经元个数均为48-11-24。网络训练样本集选取预测日前一天和前一周同一天的实际负荷。

（1）根据实际调研的资料，工作日模型选取该地区1月1日至1月12日期间工作日的负荷数据作为训练网络的样本输入和目标输出，用训练好的网络对2014年1月16日的日负荷进行预测检验。预测的结果如下图所示：

由图2可知，预测负荷曲线和实际负荷曲线基本吻合。下表1是2014年1月16日的实际负荷值和预测值的比较，绝对误差和相对误差如表所示：

2是2014年2月4日的实际负荷值和预测值的比较，绝对误差和相对误差如表所示：

以上图表直观地表明了人工神经网络用于负荷预测能达到较高的精度，能对负荷曲线进行良好的非线性拟合，具有良好的应用前景，同时也有一些提高的空间。

三、结论

人工神经网络用于电力系统短期负荷预测，往往在计算过程中存在神经元的饱和问题。针对这一问题，本文对输入负荷数据进行了归一化处理，在此基础上应用了SCG算法对网络进行实训，提高了神经网络的收敛速度和预测精度。

以天津地区电网的实际历史负荷为样本数据，预测该地区日负荷。算例表明，本算法解决了神经元的饱和问题，能达到较高的精度，能对负荷曲线进行良好的非线性拟合，具有良好的应用前景。

参考文献：

[1]牛东晓，曹树华，卢建昌，赵磊.电力负荷预测技术及其应用（第二版）[M].北京：中国电力出版社，2009

[2]康重庆，夏清，刘梅.电力系统负荷预测[M].北京：中国电力出版社，2007

[3]王波.考虑气象要素的电力系统短期负荷预测研究[D].上海：上海交通大学，2008