神经网络的思想精选(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思想主题范文，仅供参考，欢迎阅读并收藏。

第1篇：神经网络的思想范文

【关键词】拦渣坝； BP神经网络；小波神经网络

0 前言

为了确保各种大型工程在施工和生产运行中会产生大量的弃土、弃石等废弃固体物质的安全放置，必须建立合适的拦渣坝。但是，随着拦渣坝运行时间的推移，拦渣坝运行的各种条件（如结构、基础、环境等）逐渐发生变化，使得坝体材料老化变质、坝体结构性能衰减甚至恶化等影响其安全运行，这样有可能严重的威胁着周边人民的生命和财产安全，这在在国内外均有着深刻教训。因此，必须对拦渣坝进行安全监测，建立正确有效的变形预测模型，科学地分析和预测拦渣坝的变形，及时发现存在的安全隐患，制定合理的防治措施，以确保拦渣坝的安全运行。

由于各种条件和环境的复杂性，使得拦渣坝变形的影响因素存在多样性，利用单一的理论方法来对工程变形进行预测，其变形的大小是难以准确预测的。将多种理论和方法进行有机结合，建立一种方法预测工程变形的大小是一种有效的途径。本文基于这样的思想，将小波分析与神经网络有机结合的小波神经网络应用于拦渣坝工程实例，对其变形分析研究。

1 小波神经网络

小波神经网络是将小波分析与人工神经网络有机结合的产物。其基本思想是用小波元代替神经元，用已定位的小波函数代替Sigmoid函数作为激活函数，然后通过仿射变换建立起小波变换与神经网络系数之间的连接，形成的新模型具有较强的网络逼近能力和容错能力。

目前，将小波分析与人工神经网络的结合主要有下面两种方式：松散性结合，即将小波分析与人工神经网络进行辅助式结合；紧致性结合，即将小波和神经网络直接融合的一种方式， 它主要是把小波元代替神经元，将相应的输入层到隐层的权值及隐层阈值分别由小波函数的尺度与平移参数所代替。其中紧致性结合方式也是当前研究小波神经网络模型最主要的结构形式。

小波神经网络是在小波分析的基础上提出的前馈型神经网络。小波神经网络激活函数是具有良好时频局域化性质的小波基函数。设小波神经网络有m（m=1，2，…，m）个输入节点、N（N=1，2，…，N）个输出层、n（n=1，2，…，n）个隐含层节点。并设xk为输入层的第k个输入样本，yi为输入层的第i个输出值，wij为连接输出层节点i和隐含层节点j的权值，wjk为连接隐含层节点j和输入层节点k的权值。约定wi0是第j个输出层节点阈值，wj0是第j个隐含层节点阈值，aj和bj分别为第j个隐含层节点的伸缩和平移因子，则小波神经网络模型可以表示为：

2 工程实例应用

国家某重点高速公路第B4合同段内某拦渣坝，其坝体为混凝土重力坝，长约122米，高约30米，拦渣坝上面（上游）是巨大的高速路高填方路基，这在国内是比较罕见的，而下游是梅西河。本拦渣坝主要是为了防止高速路隧道挖方土回填的高填方路基滑动和垮塌发生危险，从而对高速路的运行和梅溪河的通航造成不必要的影响。通过对拦渣坝体上S5号点上的沉降监测数据分析，建立变形预测的小波神经网络模型。将从2008年9月28日到2009年11月5日共11期数据作为学习样本对拦渣坝小波神经网络进行训练和学习。对S5号从2010年2月1日到2010年12月29日共5期数据进行预测。

通过对混凝土坝的研究和本拦渣坝功能作用的分析，可知影响本拦渣坝沉降变化的因素主要有：温度、土压力、时效。其中取4个温度因子，分别为C、C5、C15、C30（Ci为自观测日起前i天的平均气温）；土压力因子1个（为S5号点附近土压力盒的每期平均计算压力）；时效因子2个，分别为T、InT（T为观测日到起算日的累计天数除以100）。故输入层节点数为7个。而输出层节点数为1个，即为观测点S5每次垂直方向的累计沉降量。先用经验公式确定一个初始节点数，然后进行试验训练，当隐含层节点数为13时网络训练最为合适，所以采用7-13-1的结构形式的小波神经网络模型。通过对不同小波函数的试验训练，多次计算表明，当选用Morlet小波函数时网络的总体性能较好。利用Matlab7.1语言编制相应的网络模型程序进行计算。

为了充分的分析小波神经网络的训练效果，本文中也采用相同结构的BP神经网络对拦渣坝监测数据进行训练、预测。在本实例中，设两种模型的收敛误差都取0.0001。训练结果表明，两种模型的收敛速度都比较快，BP神经网络训练了25次就低于误差限差；而小波神经网络只训练了5次就低于误差限差0.0001，总体上小波神经网络比BP网络精度高。小波神经网络训练与BP神经网络训练拟合残差系统比较结果如表1。

从预测结果对比分析表可以看出，小波神经网络和BP神经网络对拦渣坝变形预测的预测残差绝对值在一个数量级上，但是WNN网络的预测残差值总体上明显小于BP神经网络。小波神经网络的预测值与BP神经网络的预测值相比较更加接近于实际值，WNN预测结果好于BP神经网络预测结果，其预测优越性是显而易见的。

3 小结

本文通过对小波神经网络模型的研究，建立了拦渣坝变形预测的小波神经网络模型。通过对WNN网络模型和BP神经网络模型训练拟合结果与预测结果的对比分析，可以看出小波神经网络模型在拦渣坝变形预测中的收敛性和精度比BP神经网络好，对拦渣坝的变形预测研究有一定的参考应用价值。

【参考文献】

第2篇：神经网络的思想范文

关键词：建设项目；集成管理；绩效评价；信息熵；改进BP神经网络

1.引言

目前我国的建设项目管理水平和国际先进水平比较，还存在着较大的差距，尤其在工程项目的集成管理方面。项目集成管理的思想：要充分正视和考虑项目控制的目标（工期、质量和成本）的系统性特点，在控制过程中，始终将其作为一个系统来对待，而不是人为地割裂目标间的相互联系和相互作用[1]。因此，科学地对建设项目集成管理进行绩效评价能够从系统角度对建设项目的各个环节进行改进。

E.Chown提出了通过使用任务过程系统化的集成数据库，将项目的任务、材料、设备、操作者的战略性日程综合起来，使资源的分配和控制十分有效[2]。Glenn Ballard介绍了在高速铁路建设项目中将项目管理技术，业务流程和组织集成起来构成项目管理集成系统[3]。JaafariA提出了基于全寿命期目标的一般项目管理模型，以此将整个项目的过程集成起来。郭勇把人工神经网络应用在绩效评价中，首先对单个指标质量、成本、进度进行研究并建立模型，然后运用人工神经网络对建立的模型进行综合评价[4]；刘劼把供应链的思想应用到集成管理绩效评价中，建立了基于层次分析法的模糊综合评价模型，并对构建的建设项目集成管理绩效评价体系的战略层、执行层和结果层等方面的高效性和及时性进行评价[5]；刘洪海提出了建设项目集成管理系统绩效是由目标系统要素、业务过程系统结构、信息系统环境等决定的，同时通过“三维系统”模型，分析了建设项目集成管理绩效模糊综合评价方法[6]。

传统的项目绩效评价关注项目内部评估，不重视子项目与外部利益相关者的关系且多采用财务数据，不能反映企业整体的运营状况。本文首先从项目集成管理的角度出发，构建建设项目集成管理绩效评价指标体系，然后对传统的BP神经网络进行改进，最后通过案例验证方法的有效性。

2.构建建设项目集成管理绩效评价指标体系

在建设项目集成管理绩效评价中，借鉴供应链管理的思想，对建设项目建立的全部过程按照供应链管理的思想进行管理与规划[7-9]。首先，在设立评价指标时，除了对企业内部运作的基本评价外，还要把注意力放在供应链的测控上，以保证内外在绩效上达到一致，使供应链评价指标更加集成化；其次，注重指标之间的平衡，做到非财务指标和财务指标并重，关注供应链的长期发展和短期利润的有效组合，实现两个目标之间的有效传递。建设项目供应链是以建设项目为核心，围绕核心企业（项目公司），通过对信息流、物流、资金流进行控制，所以在此选取项目公司作为核心企业建立评价指标体系如表1所示。

3.BP神经网络算法的改进

3.1BP神经网络的学习算法

误差反传前馈网络（Back-Propagation）[48-51]是典型的前馈网络，其算法的基本思想是：误差逆传播神经网络是一种具有三层或三层以上的阶层神经网络[10-11]。典型的BP网络

是三层，即：输入层、隐含层和输出层，经典三层BP算法的学习过程如下所示：

4.3网络构造、训练及检验

构建建设项目集成管理的三层前馈网络神经网络模型，影响建设项目集成管理绩效的26个因素作为输入层的26个节点，隐含层取30个节点。隐含层的传递函数为双曲正切S形函数。此改进BP网络的输出层节点数为1，输出层的传递函数为线性函数。网络训练时性能函数为误差平方和SSE，初始化各层的连接权矩阵为0矩阵，网络训练时的最大步长为100000，网络性能目标（SSE）设为10-6，学习速率为0.01，动量常数为0.9，每次梯度动量下降步长 为1.2。依据以上参数，将26个集成项目的前20组数据作为训练子集，后6组数据作为检验子集，应用改进的BP神经网络对标准化后的数据进行训练学习，得到最好的梯度下降图，如图1所示，该网络经过596次训练达到精度要求，说明在收敛方面有很好的效果。

为了检验建立的三层BP网络和传统的BP网络对建设项目集成管理绩效评价的准确性，利用检验子集对改进的BP网络和传统的BP网络分别进行仿真实验。输出结果如表3所示。

改进的BP网络在收敛程度上，由于梯度动量下降步长的存在，收敛图明显有下降的趋势，而且每次下降呈增加的趋势；同时，梯度下降步长 克服了传统BP网络容易形成局部最优而达不到全局最优的弊端。在检验方面，由改进的BP神经网络得出的训练结果明显好于传统BP网络所得出的训练结果，并且误差明显小于传统BP网络的误差。由此可知，基于改进的BP神经网络对建设项目集成管理的绩效评价是可行的、准确的和有效的。

5.结论

本文首先将集成管理思想融入到建设项目的绩效评价中，建立了建设项目集成管理绩效评价指标体系，然后针对BP神经网络算法进行改进，并在对实际建设项目进行调查的基础上，应用信息熵对建设项目集成管理绩效评价指标体系进行约简，得出更符合企业实际的建设项目集成管理绩效评价指标体系，最后运用改进的BP神经网络模型对建设项目集成管理绩效进行综合评价，验证了该方法的有效性和科学性，为建设项目集成管理绩效评价的研究提供一种新的可操作性方法。

参考文献

[1] 戚安邦.建设项目全面造价管理[M].南开大学出版社，2000

[2] E.Chown，K .Mohamed.Integrated Construction Activity Cost System.AACE International. Transactions of the Annual Meeting 43’d Annual Meeting of RACE International.l 999：568～574

[3] Glenn Ballard， Managing work flow on design projects： a case study， Engineering Construction and Architectural Management， Volume 9 Issue 3， June 2002

[4] A. Jaafari， K .Manivong. Synthesis of A Model for Life-cycle Project Management[J].Computer-aided Civil and Infrastructure Engineering.2000，15 （1） 26 ～38

[5] 刘颉.建设项目集成管理绩效评价理论与方法研究[D].武汉.武汉理工大学，2006

[6] 刘洪海.建设项目目标控制系统集成管理研究[D].武汉.武汉理工大学，2006

[7] 何曙光、齐二石、.面向工程建设的现代集成管理系统研究[J].计算机集成制造系统，2002（4）：330-332

[8] 强茂山、杨亮、邓焕彬.高速公路建设项目集成化管理评价体系[J].清华大学学报（自然科学版），2010，50（9 ）：1369-1373

[9] 吴育华、王凤鸣.超大型工程建设项目集成管理研究[J]河北工程大学学报：社会科学版，2008.25（3）：1-2.

[10] 韩力群.人工神经网络理论、设计及应用[M].北京.化学工业出版社，2002.6

第3篇：神经网络的思想范文

[关键词]BP神经网络 水资源系统 评价指标

中图分类号：TV213.4 文献标识码：A 文章编号：1009-914X（2015）04-0361-01

1、神经网络和BP学习算法

人工神经网络是模拟人脑的一些基本特性，因其具有大规模并行处理、分布式储存、自适应性、自组织性及很强的学习、联想、容错及抗干扰能力等优点而被广泛应用。人工神经网络有众多的模型，在众多的神经网络模型中，原理最简单，应用最广泛的是基于误差反向传播算法的BP神经网络模型。

BP神经网络由一个输入层、一个输出层和一个或多个隐含层组成。每一层都包含若干个神经元，神经元是一个多输入单输出的信息处理单元，且它对信息的处理是非线性的。神经元之间通过权重连接，但同层的神经元之间没有联系。BP神经网络的主要思想是根据样本的希望输出与实际输出的平方误差E，利用梯度下降法，求使E达到最小的网络权系数。

2、水质评价的BP神经网络模型

现用BP网络方法模拟某个样本水质评价因子和水质级别间的非线性关系，对该样本水质量进行评价，为水资源的合理保护与利用提供依据。

2.1 基本思想

水质评价是一个非线性较为复杂的问题，基于BP神经网络的水质评价模型的训练样本即为水质分级标准。网络训练完成后，网络将保存对分级标准学习的知识和有关信息，即各层间的连接权与各个神经元的阈值得以保存，然后从输入层输入待评资料，得到有关评价结论的信息，从而根据一定规则作出有关的评价结论的判断。

设待评的水质监测样本M个，每个样本选择具有典型代表的N项污染指标监测值，按照国家行业规范规定，相应于N项污染指标下的水质标准浓度可将水质划分为C个等级。因此，水质评价的神经网络结构的输入层和输出层的神经元数分别为N和C，即输入层的每一个神经元代表1种水质评价的污染指标，输出层的每一个神经元代表一个水质评价等级。

2.2 BP神经网络用于于桥水库的水质评价

为了对于桥水库进行水质变化趋势评价，以便为进一步的决策管理提供依据，选取了2012年5月-10月、2013年5月-10月与富营养化密切相关的5个指标，即PH值、总氮、BOD、总磷和CODMn，其监测的平均值如表1所列。

应用人工神经网络中的BP网络算法进行评价，参照《中国地面水环境质量标准》（GB3838-88），并考虑各等级间的区分度，取标准如表2所列。

用上表数据作为学习样本模式，建立水质富营养化的BP模型。

经过多次尝试，最终选定BP网络结构如图所示，该BP网络具有3层，1个输入层，1个隐含层和一个输出层。输入层有5个神经元（对应PH值、总氮、BOD、总磷和CODMn5个输入），隐含层有4个神经元，输出层有1个神经元。

用表2给定的标准样本对本文所用的5-4-1结构的BP网络进行训练。当完成93566次训练之后，全局误差E=0.0001，小于预先给定的允许误差（E

由此可以认为该网络已从所选标准的样本模式中学到了评价水库富营养化的知识，可以用水库的富营养化的评价。因此用它对于桥水库2012年5-10月、2013年5-10月水质监测值进行评价，评价结果见表4

第4篇：神经网络的思想范文

【关键词】地下水位;BP神经网络;RBF神经网络;MATLAB

1.引言

随着我国国民经济的快速发展，对地下水资源的开发利用日益增加。通过对地下水位动态变化规律的预测研究，以此来制定科学的开发利用策略，具有重要的现实意义[1]。地下水位受许多因素的影响，由于问题的高度复杂性地下水位预测还有许多问题未解决。近几年，许多学者将神经网络用于地下水位的预测并且取得了不少有价值的成果。

2.BP神经网络

BP算法的基本原理是利用输出后的误差来估计输出层的直接前导层的误差，再利用这个误差估计更前一层的误差，如此一层一层的反传下去，就获得了所有其他各层的误差估计[5]。BP神经网络结构图，如图1所示。

BP网络学习的过程是神经网络在外界输入样本的刺激下不断改变网络的连接权值，以使网络的输出不断地接近期望输出。BP网络的学习本质是对各连接权值的动态调整，其学习规则是权值调整规则，即在学习过程中网络中各神经元的连接权变化所依据的一定的调整规则。

3.RBF神经网络

RBF网络的基本思想是用RBF作为隐单元的“基”构成隐含层空间，将输入矢量直接（即不需要通过权连接）映射到隐空间;当RBF的中心点确定后，映射关系也就确定;隐含层空间到输出空间的映射是线性的[7]。RBF神经网络结构图，如图2所示。

4.数据样本的采集及预处理

利用神经网络进行地下水位预测，首先应该提取有关地下水位预测重要指标，确定网络结构。样本数目的确定没有通用的方法，样本过少可能使得网络的表达不够充分，从而导致网络外推的能力不够;而样本过多可能会出现样本冗余现象，既增加了网络的训练负担，也有可能出现信息量过剩。获得输入变量将指标数据处理为区间[0 1]之间的数据[4]。公式如下：

地下水位主要受河道流量、气温、饱和差、降水量和蒸发量等重要因子的影响，由此测量并归纳出24组数据，如表1所示。选定1-19组为训练样本，20-24组为测试样本。

5.神经网络的训练与测试

5.1 BP神经网络的训练与测试

根据BP算法设计的网络，一般的预测问题都可以通过单隐层的BP网络实现。由于输入向量元素个数为5，所以网络的输入层的神经元有5个，根据Kolmogorov定理，可知中间层神经元数=2×输入层的神经元个数+1=11。输出向量为1个，所以输出层神经元应该有1个。网络中间层神经元采用S型正切函数tansig，输出层神经元传递函数采用S型对数函数logsig。网络的训练函数为trainlm，它采用Levenberg-Marquardt算法进行网络学习。其代码如下：

threshold=[0 1;0 1;0 1;0 1;0 1];

net=newff（threshold，[11 1]，{‘tansig’，’logsig’}，’trainlm’）;

经过500次训练后，对网络进行仿真并计算网络误差。

y=sim（net，P）;

y_bp=y-T_test;

5.2 RBF神经网络的训练与测试

RBF神经元的输入层神经元个数取决于地下水位影响因子的个数，由表1可知，其个数为5。由于输出是地下水位值，所以输出层神经元个数是1。SPREAD为径向基函数的分布密度，分布密度越大，函数越平滑，并且分布密度值得大小影响网络的预测精度。设定SPREAD=1.5，2，3，4，5其代码如下：

for i=1：4

net=newrbe（P，T，i+1）;

y（i，：）=sim（net，P_test）;

error（i）=y（i，：）-T_test;

end

图3 BP神经网络与RBF神经网络预测误差图

6.网络结果的比较

以上程序在MATLAB中运行后得出。BP神经网络与RBF神经网络对地下水位预测的误差比较如图3所示，其中“* BP”为BP神经网路预测的误差，其余为RBF的分布密度分别为1.5，2，3，4，5时的预测误差。

由图3可以清晰的看出，对于RBF神经网的地下水位预测，当SPREAD=2或3时网络的预测误差最小。综合对比后发现，对于预报精度来说RBF网络明显高于BP网络。

7.结语

BP神经网络和RBF神经网络对地下水位的预测效果都较好，但是BP网络的训练时间明显大于RBF网络，其训练速度比较慢并且精度不如RBF网络。综上所述，RBF神经网络可以被广泛的用于地下水位的预测系统中。

参考文献

[1]苏国韶，张研，张小飞.高斯过程机器学习方法在地下水位预测中的应用[J].中国农村水利水电，2008（12）：48-50.

[2]杨婷，魏晓妹，胡国杰.灰色BP神经网络模型在民勤盆地地下水埋深动态预测中的应用[J].干旱地区农业研究，2011，29（2）：204-208.

[3]张斌，刘俊民.基于BP神经网络的地下水动态预测[J].水土保持研究，2012，19（5）：235-237.

第5篇：神经网络的思想范文

关键词：煤矿 渐进神经网络 煤与瓦斯突出

1 概述

对于煤矿各煤层的煤与瓦斯突出危险性的区域预测，一般是先确定突出危险性参数，建立一个初步的预测模型，然后根据该矿区已经发生的煤与瓦斯突出事故的情况来不断验证，直到得到合理的区域预测模型，这样整个区域预测模型的建立需要做大量调试，耗费很长的时间。

本文尝试利用渐进神经网络的特点，建立利用结果反求矿井的煤与瓦斯突出危险性区域预测模型，使得建立的模型能更加适合不同矿井发生煤与瓦斯突出的实际情况。此外，还能大大减少模型调试所消耗的大量时间[3]。

2 关于建立煤与瓦斯突出区域预测模型的分析

目前为止，国内外对影响煤与瓦斯突出参数的问题进行了很多研究，而随着力学、动力学理论等学科的发展，分析矿井煤与瓦斯突出是如何发生的方法也越来越多。在众多的突出理论中，能让从事该行业的绝大多数人认同和接受的就是综合假说。

综合假说的主要理论是：煤与瓦斯突出是矿井中一种极其复杂的动力现象，它包括三个因素：地应力、高压瓦斯和煤的结构性能，它的发生是三个主要因素综合作用的结果。

从能量转换角度分析，突出的能量来自煤岩体弹性弹性潜能和煤体中的瓦斯膨胀能，这些能量在突出过程中主要转换为煤体的破碎功和碎煤在巷道中的移动功等。因此，在由煤岩层和瓦斯组成的这样一个力学系统中，就有四种相互作用和相互转化的能量体系，它们之间的消长关系够长了煤与瓦斯突出全过程的能量条件。当煤岩体弹性潜能和煤体中的瓦斯膨胀能大于煤体的破坏功和移动功时，就发生煤与瓦斯突出，否则就不发生。

3 基于渐进神经网络的煤与瓦斯突出危险区域预测模型的建立

神经网络是由大量的神经元相连接的网络，针对影响煤与瓦斯突出的地应力、瓦斯压力、煤体结构的复杂关系，通过对渐进神经网络的训练、控制和识辩可以反求到影响不同矿井对煤与瓦斯突出影响的参数及其权重值[2]。

基于地应力、瓦斯压力、煤体结构参数反求流程如图1所示。假设模型的各项参数为某一组数值，可以仿真得到相应的突出参数的神经网络的初始训练样本，将各种参数值Xm输入神经网络，即可反求得到对于的参数Yi，并将其作为煤与瓦斯突出的影响参数，可以得到影响参数的计算值Xn。如果计算值Xm和测量值Xn偏差超过许可误差，必须重新选取样本，对神经网络在训练，直到计算值Xm和测量值Xn的偏差在许可范围内，即为反求得到的煤与瓦斯突出影响参数Yj。

神经网络模型的结构，需要根据具体求解问题的复杂程度决定[3]。图2为煤与瓦斯突出影响参数反求的神经网络结构，神经网络由可能代表影响煤与瓦斯突出因素的N个输入单元组成输入层，网络的输出层由实际代表影响煤与瓦斯突出的M个单元组成，网络还包含一个隐含层。通过神经网络可以建立影响煤与瓦斯突出因素的非线性关系：

神经网络的训练，就是根据训练样本来计算权值矩阵W，根据求出影响参数及权值矩阵计算煤层的突出危险性程度。神经网络训练以后，不管实际问题怎么复杂，神经网络都可以快速的计算输出变量，因此，神经网络是适合用于煤与瓦斯突出危险性区域预测模型的建立的。

4 结论

本文应用反求的思想，从满足预测的观点出发，通过建立渐进神经网络的方法来反求满足不同矿区实际情况的突出危险性区域预测模型，从而反求出影响不同煤矿的煤与瓦斯突出危险性的影响参数，从而避免了建立煤与瓦斯突出危险性区域预测模型过程中繁杂的调试过程，缩短了该模型建立过程，并使得区域预测模型具有较好的针对性及预测效果。

参考文献：

[1]候媛彬，杜京义，汪梅.神经网络[M].西安电子科技大学出版社.

[2]张青贵.人工神经网络导论[M].中国水利水电出版社.

[3]刘海波，施式亮等.人工神经网络对矿山安全状态的评判能力分析[J].安全与环境学报，2004（5）：69～72.

[4]胡千庭，邹银辉等.瓦斯含量法预测突出危险新技术[J].煤炭学报，2007（3）：277～280.

第6篇：神经网络的思想范文

研究区潘庄区块位于沁水盆地南部向西北倾的斜坡带上，构造主要以褶皱为主，断层稀少．山西组的3号煤层是本区内稳定发育的主采煤层，也是CM1煤层气井的目标煤层．该煤层属于厚煤层，厚度变化范围3．15～7．30m，平均6．11m．埋深介于156．27～695．20m之间．顶板岩性主要为泥岩、粉砂岩、粉砂质泥岩，底板主要为粉砂岩和泥岩．

2BP神经网络简介

2．1BP神经网络结构BP神经网络结构由输入层、隐含层和输出层组成，其中隐含层可以有多层．在工程预测中，经常使用的是3层BP神经网络结构（图2）．这种神经网络结构的特点是：每一层内的神经元之间无任何连接，相邻层神经元之间具有单向连接，隐含层的激励函数采用非线性的S型函数，输出层的激励函数为线性函数．

2．2BP算法原理BP算法是一种监督式的学习算法．其主要思想为：对于n个输入学习样本：P1，P2，…，Pn，已知与其对应的输出样本为：T1，T2，…，Tn，学习的目的是用网络的实际输出A1，A2，…，An与目标矢量T1，T2，…，Tn之间的误差来修改其权值，使Al（l＝1，2，…，n）与期望的Tl尽可能地接近，使网络输出层的误差平方和达到最小．它是通过连续不断地在相对误差函数斜率下降的方向上计算网络权值和偏差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误差的影响成正比，并以反向传播的方式传递到每一层。BP神经网络时间序列预测模型，即先利用BP神经网络的非线性逼近技术隐性的求解函数f，并以此为依据预测未来值．

3神经网络模型构建及检验

为了精确预测煤层气井产能、优化排采制度，本文基于时间序列预测思想构建了BP神经网络预测模型，整个设计过程由MATLAB7．11软件编程实现．

3．1神经网络基本参数确定在实际生产中，煤层气井产气量主要受控于产水量和井底流压，而且这两个参数数据资料丰富，易于收集．因此，以每天产水量和井底流压为基础向量，基于时间序列预测思想构建了14个网络输入向量（表1）．神经网络预测模型初步设定为一个14－X－7的3层BP网络．其中输入层节点数为14，对应14个输入向量；X为隐含层节点数，由经验公式［12］可得出其取值范围为6～15；输出层节点数为7，对应输出向量分别为未来7d中每天的产气量；初始权值为（－1，1）之间的随机数，初始学习率为0．1；隐含层激励函数为双曲正切函数，输出层激励函数为pureline函数，训练函数为trainlm函数．

3．2神经网络模型的构建选取CM1井2009年2月14日至2009年9月8日连续207d的排采数据为原始样本数据．其中，前200d的排采数据为训练样本，后7d的排采数据为检验样本．网络训练目标误差设定为0．0002，最大迭代次数设定为500次．将原始数据归一化后输入到网络中进行训练，隐含层最佳节点数采用试凑法确定为13（表2）．因此，BP神经网络预测模型的最佳网络结构为14－13－7（图4）．

3．3网络模型训练及检验再次输入训练样本对确定的网络结构进行训练，当网络达到目标误差或最大迭代次数时，停止训练．网络训练完毕后，将检验样本输入到网络中，进行模型性能检验。检验样本最大绝对误差72m3／d，最小绝对误差17m3／d，相对误差范围－1．43％～1．60％，平均相对误差1．05％，表明网络模型预测性能良好，能够准确预测CM1煤层气井未来7d的产气量．

4CM1井排采制度优化

在煤层气井排采实践中，根据未来产气量变化或生产需要，何时应该增大或减少产水量，何时应该增大或减少井底流压，调控的具体量度应该是多少，这些问题至今都没有明确的结论．因此，本文针对所有可能出现的生产情况，设计了24种排采制度调整方案。针对CM1井实际排采情况，厘定了产水量、井底流压调控量度及产气量变化量临界值．其中，调控产水量小幅增大（减小）与大幅增大（减小）临界值定为0．2m3／d；调控井底流压小幅增大（减小）和大幅增大（减小）临界值定为0．1MPa；产气量变化量小幅增大（减小）和大幅增大（减小）临界值定为1000m3／d．而在实际操作中，选取产水量小幅增大（减小）的值为0．05m3／d，产水量大幅增大（减小）的值为0．5m3／d，井底流压小幅增大（减小）的值为0．05MPa，井底流压大幅增大（减小）的值为0．2MPa．采用所建立的BP神经网络预测模型对各方案产气量进行了模拟，以第21种调整方案“产水量小幅增大—井底流压小幅减小”的模拟结果为例（表5），其它方案模拟结果见表6．在第21种排采制度方案中，当产水量小幅增大0．05m3／d，井底流压小幅减小0．05MPa，预测产气量比实际产气量平均增大了537m3／d，比前一周产气量平均增大了469m3／d．显而易见，当决策者希望煤层气井未来日产气量能够增大500m3／d左右时，可执行产水量提高0．05m3／d，井底流压减小0．05MPa的排采制度．综上所述，煤层气井采取不同的排采制度，产气量变化决然不同，总体可分为四大类，即产气量大幅减小、小幅减小、小幅增大和大幅增大（表6）．其中，使产气量大幅减小的排采制度方案有5种，小幅减小的有7种，小幅增大的7种，大幅增大的5种．这样就可以根据各调整方案预测结果，结合实际生产的需要，采用不同的排采制度，使煤层气井产气量朝着我们预期的方向发展．例如，如果期望未来7d产气量大幅增大，可以采用“产水量不变—井底流压大幅减小”、“产水量大幅增大—井底流压大幅减小”、“产水量小幅增大—井底流压大幅减小”等排采制度。

5结论

第7篇：神经网络的思想范文

关键词：矩阵式红外热电堆；RBF神经网络；惯性权重因子；粒子群算法

DOI：10.16640/ki.37-1222/t.2017.04.220

1 引言

常用的人体入侵检测方法有视频监测、超声波、机电检测、红外检测等，而它的准确性和可靠性对人的生命财产安全起确定性的作用。本文采用的是Melexis（迈来芯）的一套矩阵式红外热电堆温度采集装置，其中传感器MLX90621是一款采用16*4像素的红外阵列传感器，可以检测出一副画面中64个点的温度，可以提供的视角范围是，配合电机，它的检测范围可以达到，因此它每一帧可以测得的温度数据有个。相比于传统的检测方法，虽然它的检测像素低，但是在后面的算法计算中，它的计算量会降低，它的优势在于成本低、体积小易于隐蔽，而且不易受环境因素的影响，比如黑夜、电磁干扰等。在人体识别部分，本文采用的是改进RBF神经网络算法，RBF神经网络是一种采用局部接受域来执行函数映射的人工神经网络[1]。而如何确定RBF神经网络的隐层基函数的个数、中心向量以及宽度是训练RBF神经网络的关键所在。假如设定的隐层基函数的个数偏多会造成训练和测试的时间加长，不仅容易产生过拟合[2]，而且还会造成网络的泛化能力下降。相反，设定偏少的话会造成神经网络的收敛误差变大。一般采用K-mean聚类算法来确定径向基函数的个数和中心向量，但其依赖初始中心的选择，只能获得局部最优解[3]。

粒子群算法（PSO）是基于群体智能的优化算法，通过粒子间的合作与竞争的群体智能理论的优化搜索，它可以记忆所有粒子都共享的迄今为止问题的最优解[4]。PSO的优势在于简单且易于实现。但基本PSO的缺点在于其参数是相对固定的，会导致在优化某些函数时，造成精度差、收敛速度慢等。因此本文针对基本PSO的缺点，提出了结合惯性权重模型，将适应度择优选取引入基本PSO算法的方法进行改进。RBF神经网络首先采用最近邻聚类算法来确定隐层基函数的个数，中心向量即为聚类的的均值。同时将改进的粒子群优化算法来优化最近邻聚类算法的聚类半径，从而确定出RBF神经网络最优的隐层基函数和中心向量，使其不用依靠初始中心的选择，减少了现有算法中人为因素的影响，从而有效地提高了RBF神经网络的精度和收敛速度。独立训练特定的RBF网络并合成其预测结果，可以有效得提高神经网络表达对象的准确性[5，6]。将改进PSO优化RBF神经网络的方法应用于人体入侵检测识别中，通过实测数据验证，准确率相对基本RBF神经网络有了显著的提高。

2 RBF神经网络设计

2.1 RBF基本原理

RBF 神经网络，即径向基神经网络，是前馈神经网络的一种，具有三层结构，如图 1 所示。它的基本思想是用RBF作为隐单元的“基”构成隐含层空间，将输入矢量直接（即不需要通过权链接）映射到隐空间，当RBF神经网络的中心确定之后，映射关系也就随之确定了。隐含层的作用是把向量从低维映射到高维，这样低维线性不可分的情况到高维就线性可分了，隐含层空间到输出空间的映射关系是线性的。

（1）假设已经有个聚类中心，分别为：，分别计算与它们之间的距离，。

（2），即到中心的欧式距离最小。

（3）比较与的大小，如果，则就会被设定为一个新的聚类中心，如果，则按照更新，。

（4）重新选取下一个输入的样本数据，返回1）。

（5）所有的输入数据取完则结束。

从上面的算法步骤来看，可以得出，隐层基函数的中心的确定，最主要的因素是聚类半径，若过大，会造成基函数的中心个数较少的情况，从而导致网络的收敛误差偏大，反之则会造成基函数的中心个数较多的情况，从而导致网络的泛化能力下降。因此本文在最近邻聚类算法中选取合适的聚类半径时，采用改进的粒子群算法，最后可以确定出最优的RBF神经网络的隐层基函数的中心向量。

3 粒子群优化算法

3.1 基本粒子群优化算法

粒子群优化算法（PSO）是由Kennedy和 Eberhart于1995年提出的一种通过模仿鸟类群体捕食行为研究的群体智能算法[7]。粒子群优化算法的基本思想是通过群体中个体之间的协作和信息共享来寻找最优解[8]。它的优势在于简单容易实现并且没有许多参数的调节[9]，目前已被广泛应用于函数优化、神经网络训练、模糊系统控制以及其他遗传算法的应用领域。在由 m 个粒子组成的粒子群中，每个搜索空间中的潜在的解由粒子的位置来确定，新的个体在取值时主要由粒子的当前速度、粒子群中的最优个体以及当前粒子的历史最优解3个因素来决定，其中粒子的当前速度控制着搜索的步长，算法的全局以及全局搜索能力由其决定，对PSO的收敛速度和质量有着重要的影响；后两者则主要用于控制搜索的方向，反映了可利用的梯度信息[10]。粒子根据如下三条原则来更新自身状态：（1）保持自身惯性；（2）按自身的最优位置来改变状；（3）按群体的最优位置来改变状态。

算法描述：在一个 n维的搜索空间中，是由m个粒子组成的粒子群，其中，为第个粒子的位置为，为速度。其中，为个体极值，为种群的全局极值。接下去粒子会根据公式（6）不断更新自己的速度，根据公式（7）不断更新自己的位置。

3.2 惯性权重因子的引入及其改进

为改善粒子群算法的搜索性能，以及基本PSO参数固定优化某些函数时精度较差的问题，Shi和Eberhart对基本PSO算法进行了改进，在粒子的速度进化方程中引入惯性权重[11]。一般地，较大的权重有利于提高算法的全局开发能力，而较小的权重则能增强算法的局部搜索能力[12]。因此惯性权重因子对当前速度的大小起决定性因素，提升PSO性能的关键一环是惯性权重因子和调整策略的合理设置[13，14]。将代入公式（6）可得：

上式中，和分别代表第个粒子和最优粒子在第次迭代时相应的函数值。的计算是用来判断目标函数的平整度[16]。由图2可以看出，在迭代时变化越明显，表明目标函数越不平整，相反则表示越平整。通过跟随的变化而变化，以此来实现的动态变化。

4 基于改进PSO算法的RBF神经网络训练

前面提到RBF神经网络基函数个数和中心向量难以获取最优的缺点，本文将改进PSO算法应用到RBF神经网络的训练学习中，有效地提高了RBF神经网络的精度和收敛速度，大大地增强了网络的泛化能力。粒子群算法的神经网络训练过程如图3所示。具体的优化步骤如下：

1）首先对样本进行归一化处理。

2）初始化。由参数，，组成粒子群，然后随机赋上初始值，并根据这些S机值来初始化粒子群的位置和速度。

3）计算适应度值。根据得到的RBF神经网络输入输出值，应用公式：

来计算粒子群的适应度值，以此来确定和。其中和分别为训练样本数和输出神经元个数，、分别为第个样本的第个分量的输出值和期望输出值。

4）根据公式（8）更新粒子的位置和速度，得到新的粒子群。

5）判断优化目标是否满足终止条件，若满足，则结束算法；否则返回到（3）。

5 实验验证及结果分析

本文在对上述改进PSO算法训练的RBF神经网络算法进行寻优测试后发现，改进后的RBF神经网络算法在寻找最优值时，收敛速度和精度上都优于基本RBF神经网络算法，且大大提高了网络的泛化能力。然后将改进后的RBF神经网络运用到实际的人体识别检测中来进行验证。在实验中，通过MLX90621红外阵列传感器配合电机采集一个空间在不同情况下的温度数据作为实验数据，每一帧有16X36个温度数据，共测得297组数据用于训练。下面附上其中一张实测数据结果验证图（见图4）：

图中坐标轴中显示的温度数据就是实测的空间温度数据，绿色区域为热源干扰物，红色区域为目标。根据采集获得的温度数据将其分为最高温度、最低温度、平均温度三类，在正常情况下，由于人体的正常温度存在一个绝对范围，因此结合这个绝对范围并将分割处理后的图像一起作为训练的特征值对改进PSO算法训练的RBF神经网络进行训练，实现了对人体目标的检测，然后利用训练好的RBF神经网络直接对新的温度数据进行分类，检测并判断每一帧是否有人。

下面分别采集无人无干扰和无人有热源干扰的两种情况下的空间温度数据，用这两组数据作为训练样本对基本RBF神经网络和改进PSO算法训练的RBF神经网络进行训练，训练结果如表1所示：

从训练结果来看，改进后的RBF神经网络算法的训练效果有了很大的提高，无论在无人无干扰还是无人有热源干扰的数据中，测得的无人的准确率都高于基本RBF神经网络。最后用测得的有人有热源干扰的空间温度数据用来进行结果验证，验证结果如表2所示：

重新在一个空间中测得99组有人有干扰的温度数进行结果验证，在基本PSO的基础上引入惯性权重因子，对基本RBF神经网络的训练效果有明显的提升，改进PSO算法训练的RBF神经网络算法测得有人的准确率明显高于基本RBF神经网络。

6 结论

对人体识别算法进行了研究，最终确定使用RBF神经网络作为研究对象，并使用最近邻聚类算法来确定RBF神经网络的中心向量，成功地消除了操作时人为因素的参与。本文通过引入动态惯性权重因子对基本PSO算法进行改进，将改进PSO算法训练的RBF神经网络与基本RBF神经网络进行对比，对比训练的过程及结果可以得出，改进后的RBF神经网络在训练效果上有了很大的提升，精度、收敛速度以及稳定性都优于基本RBF神经网络。最后将改进后的RBF神经网络应用到人体入侵检测识别中，经过实测数据验证，虽然改进PSO算法训练的RBF神经网络在排除干扰的问题上提升不是非常明显，但是识别的准确率有了很大的提高，说明改进后的RBF神经网络更加适用于低精度且计算量少的人体入侵检测识别中。

参考文献：

[1]SimonHaykin.Neural Networks：A comprehensive Foundation，SecondEdition[M]. U.S：Prentive Hall，1988.

[2]段其昌.一种改进PSO优化RBF神经网络的新方法[J]计算机仿真，2009，26（12）：126-129.

[3]Y Moddy and C J Darken. Fast learning in network of locally tuned processing unites [C] .Neural Computation，1989（01）：281-294.

[4]Kennedy J and R C Eberhart. Particle swarm optimization[C]. Conf.Neural Networks.1995.1942-1948.

[5]王桂洋，张亚庭.基于APSO优化算法的 GCHP 系统神经网络预测控制[J].计算机测量与控制，2014，22（01）：106-108.

[6]谭子平.基于白适应权值神经网络的 PID 参数优化[J].计算机光盘软件与应用，2014，17（07）：97-98.

[7]皮倩瑛，叶洪涛.一种动态调节惯性权重的粒子群算法[J].广西科技大学学报，2016，27（03）：26-31.

[8]胡珀，娄渊胜.改进粒子群优化算法在服务组合中的应用[J].计算机工程，2011，37（17）：130-133.

[9]任圆圆，刘培玉，薛素芝.一种新的自适应动态文化粒子群优化算法[J]. 计算机应用研究，2013（30）11：3240-3243.

[10]于海鹏，翟红生.基于混合策略的自适应粒子群优化算法[J].计算机工程与设计，2014，35（07）：2552-2556.

[11]Shi Y，Eberhart R C.A Modified Particle Swarm Op-timizer[C]/ / Proceedings of the IEEE Congress onEvolutionary Computation.Now York： IEEE，1998：303-308.

[12]罗金炎.粒子群优化算法惯性权重的一种动态调整策略[J]沈阳化工大大学学报，2013（04）：371-375.

[13]De Silva I J，Rider IM J，Romero R，et al.Transmission network expansion planning with security constraints[J].IEEE Proc Gener Transm Distrib，2005，152（6）：828-836.

[14]左浩，李雯.混沌粒子群与模糊聚类在图像分割中的应用[J].计算机工程与应用，2012，48（02）：194-196.

[15]田雨波.混合神经网络技术[M].北京：科学出版社，2009.

第8篇：神经网络的思想范文

关键词：电阻点焊；神经网络；消音锯片

0序言

电阻点焊过程是一个高度非线性，既有多变量静态叠加又有动态耦合，同时又具有大量随机不确定因素的复杂过程。这种复杂性使得传统方法确定最佳工艺参数存在操作复杂、精度低等缺陷。

本文通过深入研究提出了一种神经网络优化消音锯片电阻点焊工艺参数方法。以试验数据为样本，通过神经网络，建立焊接工艺参数与焊接性能之间的复杂模型，充分发挥神经网络的非线性映射能力。为准确预测点焊质量提高依据。在运用试验手段、神经网络高度非线性拟合能力结合的方式，能在很大程度上克服传统方法的缺陷，完成网络的训练、检验和最优评价，为电阻点焊过程的决策和控制提供可靠依据。

1原理

人工神经网络是用物理模型模拟生物神经网络的基本功能和结构，可以在未知被控对象和业务模型情况下达到学习的目的。建立神经网络是利用神经网络高度并行的信息处理能力，较强的非线性映射能力及自适应学习能力，同时为消除复杂系统的制约因素提供了手段。人工神经网络在足够多的样本数据的基础上，可以很好地比较任意复杂的非线性函数。另外，神经网络的并行结构可用硬件实现的方法进行开发。目前应用最成熟最广泛的一种神经网络是前馈多层神经网络（BP），通常称为BP神经网络。

神经网络方法的基本思想是：神经网络模型的网络输入与神经网络输出的数学关系用以表示系统的结构参数与系统动态参数之间的复杂的物理关系，即训练。我们发现利用经过训练的模型进行权值和阈值的再修改和优化（称之为学习）时，其计算速度要大大快于基于其他优化计算的速度。

BP神经网络一般由大量的非线性处理单元——神经元连接组成的。具有大规模并行处理信息能力和极强的的容错性。每个神经元有一个单一的输出，但可以把这个输出量与下一层的多个神经元相连，每个连接通路对应一个连接权系数。根据功能可以把神经网络分为输入层，隐含层（一或多层），输出层三个部分。设每层输入为ui(q)输出为vi(q)。同时，给定了P组输入和输出样本 ，dp（p=200）。

（6）

该网络实质上是对任意非线性映射关系的一种逼近，由于采用的是全局逼近的方法，因而BP网络具有较好的泛化的能力。

我们主要是利用神经网络的非线性自适应能力，将它用于消音锯片的电阻点焊过程。训练过程是：通过点焊实验获得目标函数与各影响因素间的离散关系，用神经网络的隐式来表达输入输出的函数关系，即将实验数据作为样本输入网络进行训练，建立输入输出之间的非线性映射关系，并将知识信息储存在连接权上，从而利用网络的记忆功能形成一个函数。不断地迭代可以达到sse（误差平方和）最小。

我们这次做的消音金刚石锯片电焊机，通过实验发现可以通过采用双隐层BP神经网络就可以很好的反应输入输出参数的非线性关系。输入神经元为3，分别对应3个电阻点焊工艺参数。输出神经元为1，对应焊接质量指标参数。设第1隐含层神经元取为s1，第2隐含层神经元取为s2。输入层和隐含层以及隐层之间的激活函数都选取Log-Sigmoid型函数，输出层的激活函数选取Pureline型函数。

2点焊样本的选取

影响点焊质量的参数有很多，我们选取点焊时的控制参数，即点焊时间，电极力和焊接电流，在固定式点焊机上进行实验。选用钢种为50Mn2V，Φ600m的消音型薄型圆锯片基体为进行实验。对需要优化的参数为点焊时间，电极力和焊接电流3个参数进行的训练。最后的结果为焊接质量，通常以锯片的抗拉剪载荷为指标。

建立BP神经网络时，选择样本非常重要。样本的选取关系到所建立的网络模型能否正确反映所选点焊参数和输出之间的关系。利用插值法，将输入变量在较理想的区间均匀分布取值，如果有m个输入量，每个输入量均匀取n个值（即每个输入量有m个水平数）， 则根据排列组合有nm个样本。对应于本例，有3个输入量，每个变量有5个水平数，这样训练样本的数目就为53=125个。

我们的实验，是以工人的经验为参考依据，发现点焊时间范围为2~8s，电极力范围为500~3000N，点焊电流范围为5~20kA时，焊接质量比较好。我们先取点焊电流，电极力为定量，在合理的范围内不断改变点焊时间，得到抗拉剪载荷。如此，可以得到不同点焊电流和电极力的抗拉剪载荷。根据点焊数据的情况，我们共选用200组数据。部分测试数据如表1：

神经网络建模的关键是训练，而训练时随着输入参数个数的增加样本的排列组合数也急剧增加，这就给神经网络建模带来了很大的工作量，甚至于无法达到训练目的。

3神经网络

我们用200组训练样本对进行神经网络训练，以err_goal=0.01为目标。调用Matlab神经网络工具箱中的函数编程计算，实现对网络的训练，训练完成后便得到一个网络模型。

程序

x1=[2.1 2.5 3 3.5 4……]； %点焊时间输入，取200组

x2=[1.3 1.5 1.9 2.1 2.3……]；%电极力输入，取200组

x3=[9 10 11 12 13……];%点焊电流输入，取200组

y=[2756 3167 3895 3264 2877……]； %输出量，取200组

net=newff([1 10;0.5 3;5 20]，[10 10 1]，{‘tansig‘‘tansig‘‘purelin‘});

%初始化网络 转贴于

net.trainParam.goal = 0.01;%设定目标值

net=train(net，[x1;x2;x3]，y);%训练网络

figure； %画出图像

选取不同的s1，s2，经过不断的神经网络训练，发现当s1=8，s2=6时，神经网络可以达到要求。工具箱示意图如下图1。

图 1工具箱示意图

工具箱示意图非常清晰地表示了本实验的神经网络的输入，输出以及训练的过程。

神经网络的训练结果，如图2所示:

图2神经网络的学习过程

图中可以看出双层网络训练的sse在训练100次时，已经接近0.0001，效果较理想。

为了验证经过训练的网络模型的泛化能力，在输入变量所允许的区域内又另选多个样本进行了计算。发现：利用BP神经网络模型计算的测试输出与期望输出值相符，误差小于2％。

在已经训练好的网络中找出最大值：

for i=2:10 %点焊时间选择

for j=0.5:0.1:3%电极力选择

fork=5:0.1:20%点焊电流选择

a=sim(net，[i，j，k])；%仿真

ifan %比较仿真结果与最大值，取最大值n=a；

i(1)=i；%最大值的时间

j(1)=j；%最大值的电极力

k(1)=k； %最大值的电流

end

end

end

end

将i（1），j（1），k（1）以及n输出，n为最大值。得到点焊时间为3.4s，电极力为12.7kN，点焊电流为11.8kA，此时的抗剪拉剪载荷为4381N，为训练结果的最大值。将点焊时间为3.4s，电极力为12.7kN，点焊电流为11.8kA在点焊机上进行实验，得到结果为4297N。并且通过与实际的结果相比较，发现误差也在2%以内。

4结论

1）本文采用了插值法作为选取BP神经网络训练样本的方法。并且在数据变化剧烈的地方多选取了75组数据，这样可以得到较高精度的网络模型，使点焊模型的可行性。

2）基于此方法建立了三个点焊参数的BP神经网络模型，而且所建的BP模型具有较高的精度，可以很好的描述了这三个点焊参数与点焊质量的映射关系。

3）由于神经网络模型将系统结构参数与传统动态特性参数之间的物理关系，反映为神经网络模型的网络输入与网络输出的数学关系，因此，在神经网络模型上进行结构修正与优化比在其他模型上更直接，简单与高效。

本文采用神经网络的方法优化复合消音锯片的点焊工艺参数，为分析点焊质量提供了很好的辅助手段。通过与以前工艺相比较，提高了点焊质量。

参考文献

[1] 方平，熊丽云.点焊电流有效值神经网络实时计算方法研究.[J].机械工程学报，2004（11）.148-152.

第9篇：神经网络的思想范文

 

目前国内外常用的信息安全风险评价模型主要由层次分析法(AHP)、基于概率统计的ALE算法，模糊综合评价法等，也取得了一定的研究成果。但上述算法的基本思想是基于线性映射和概率密度分布的，即各风险指标与最终评价结果之间存在着线性关系[2]。然而，这种关系的存在是否科学至今也没有得到准确的答复，同时这些方法在实施时虽然给出了定量计算的算法，但操作较为繁琐，难以达到快速识别的要求。目前应用较广泛的BP神经网络评价算法存在着网络参数难确定、收敛速度较慢且易陷入极小值等问题。为了解决上述问题，本文应用鱼群算法对BP神经网络进行了改进，结合信息安全评价实例进行了测试，并将测试数据与标准BP神经网络进行了比较与分析，取得了理想的结果。

 

一、信息安全的概念

 

所谓的信息安全评估指的是通过分析信息系统所包含的资产总值、识别系统本身的防御机制以及所受到的危险性系数，利用数学模型综合判断出系统当前的风险值。信息安全风险评估主要包括三方面的内容，分别是资产总值识别、外部威胁识别以及脆弱性识别。资产总值识别是为了识别出系统所涉及的资产总值，外部威胁识别指的是识别当前状态下系统受攻击或威胁的程度，而脆弱性识别指的是系统自身的脆弱性程度。其中综合考虑外部威胁以及内部脆弱性可以得出发生风险事件的危害性，而自然总值识别再加上脆弱性识别就可以得到系统的易损性，基于上述过程可以得到信息安全系统的风险值。

 

二、基本BP神经网络算法

 

BP神经网络算法是一种采用误差反向传播的多层前馈感知器。其特点是具有分布式的信息存储方式，能进行大规模并行处理，并具有较强的自学习及自适应能力。BP网络由输入层(感知单元)、计算层(隐藏层)、输出层三部分组成。输入层神经元首先将输入信息向前传递至隐含层节点，经过激活函数预处理后，隐层节点再将输出信息传送至输出层得到结果输出。输入层与输出层节点的个数取决于输入、输出向量的维数，隐含层节点个数目前并没有统一的标准进行参考，需通过反复试错来确定。根据Kolmogorov定理，具有一个隐层的三层BP神经网络能在闭集上以任意精度逼近任意非线性连续函数，所以本文选择单隐层的BP神经网络。

 

三、人工鱼群算法

 

3.1基本原理

 

通过对鱼类觅食的观察可知，鱼类一般能自行或者尾随其他同伴找到食物数量相对充足的地方。因此，一般鱼类数量较多的地区即为食物相对充足的区域。人工鱼群算法是指通过长期对鱼类觅食行为的观察，构造人工鱼来模拟鱼类的觅食、群聚、尾随以及随机行为，从而完成全局最优值的寻找。算法所包含的基本过程如下：

 

觅食行为：鱼类会利用视觉或嗅觉来感知水中食物浓度的高低，以此来选择觅食的路线。

 

聚群行为：鱼类一般会以群体形式进行觅食，以此来躲避天敌的伤害并以最大概率获得准确的觅食路线。

 

尾随行为：当群体中的某条鱼或几条鱼寻找到食物后，其附近的其他同伴会立刻尾随而来，其他更远处的鱼也会相继游过来。

 

随机行为：鱼在水中的活动是不受外界支配的，基本上处于随机状态，这种随机性有利于鱼类更大范围的寻找食物及同伴。

 

3.2 鱼群算法优化BP神经网络的原理

 

BP神经网络在求解最优化问题时容易陷入局部极值，并且网络的收敛速度较慢。鱼群算法通过设定人工鱼个体，模拟鱼群在水中的觅食、尾随和群聚行为，通过个体的局部寻优，最终实

 

现全局寻优。人工鱼在不断感知周围环境状况及

 

同伴状态后，集结在几个局部最优点处，而值较大的最优点附近一般会汇集较多的人工鱼，这有

 

助于判断并实现全局最优值的获取。因此用人工鱼群算法来优化BP神经网络是一种合理的尝试。

 

3.3 具体工作步骤

 

人工鱼群算法用于优化神经网络时的具体步骤如下：

 

①设定BP神经网络结构，确定隐层节点数目;

 

②设定人工鱼参数，主要包括个体间距离、有效视线范围以及移动步长等;

 

③人工鱼进行觅食、群聚及尾随行为来优化BP神经网络;

 

④通过设定的状态参量，判断是否达到目标精度;

 

⑤若达到精度要求则输出网络优化权值，并执行网络循环，否则继续改化参数进行优化;

 

⑥输出最终优化参数并进行计算机网络安全评价。

 

四、仿真实验

 

将信息安全风险评估常用的3项评价指标的分值作为BP神经网络的输入，网络的期望输出只有一项，即安全综合评价分值。目前用于信息安全风险评价的数据还很少，本文采用文献[3]所列的15组典型信息安全单项指标评价数据，其中1-10项作为训练，11-15项用于仿真。通过实际实验分析，本文将权值调整参数α=0.1，阈值调整参数β=0.1，隐层神经元数目为6，学习精度ε=0.0001。网络经过2000次训练，收敛于所要求的误差，人工鱼群算法的相关参数： 种群大小为39;可视域为0.8;最大移动步长为0.6;拥挤度因子为3.782。然后对检验样本及专家评价样本进行仿真，结果如表1所示。可以看出，鱼群神经网络得到的仿真结果与期望值之间的平均误差为0.001，而标准BP神经网络为0.0052，所以鱼群神经网络的得到的仿真精度较高，取得了理想的实验结果。

 

五、结论

 

本文将鱼群算法和神经网络结合起来对信息安全评价进行了研究，得到了如下几个结论：

 

(1) 基于鱼群算法优化后的BP神经网络具有收敛速度快、拟合精度高等优点，克服了标准BP神经网络收敛速度慢、容易陷入局部极小值的缺点。同时，优化算法编码过程简单，并具有较强的鲁棒性。

 

(2) 本文采用的实验数据仅有15个，基于鱼群算法优化后的BP神经网络精度有明显提高，避免了由于样本数量少造成的拟合精度低等缺点。

 

(3) 通过将标准BP神经网络算法与鱼群神经网络算法进行对比发现，后者的收敛速度明显加快并且自组织能力也有一定提高，在实际的工程建设中可以将其代替传统的BP神经网络算法来进行信息安全的风险评估。