神经网络的特性精选(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特性主题范文，仅供参考，欢迎阅读并收藏。

第1篇：神经网络的特性范文

【关键词】测试 GRNN类神经网络 应用 探讨

1 类人工神经网络特性

类人工神经网络技术（Artificial Neural Networks）是近年发展起来的一个新的研究领域，反映了人脑功能的若干基本特性，从而使计算机能够模仿人的大脑，具有较强的形象思维能力。

我们目前应用的神经网络多是模糊神经网络，即神经网络与模糊系统的结合，此方法既改进了原有的测试系统的实时性能，又使神经网络学习得到了指导，有利于收敛。但是，此方法单纯地强调了无模型的冗余式学习和模拟，必然造成对计量对象以及计量目标本身的忽略。所以，我们开始尝试使用多层反馈式神经网络，即本文要探讨的GRNN（Generlized Regnssion Neurl Network）神经网络。通过上面的介绍我们可以总结出类人工神经网络具有以下优点非线性映射逼近能力；

（1）对信息的并行分布处理能力；

（2）高强的容错能力；

（3）对学习结果的泛化和自适应能力；

（4）很强的信息综合能力；

（5）信息的优化计算能力；

（6） 便于集成实现和计算模拟

2 建议在石油领域应用类人工神经网络于产量预测

由于上述类神经网络的优点，我们可以知道可以通过监督学习的方法，将专家的故障分析经验传递给神经网络，或用神经网络来建立参数观测系统，从而避免了数学建模的困难，同时，诊断信息还能被用于系统的容错控制。我们利用三层GRNN神经网络来训练网络，可以根据输入到网络的一些样本提供一套权重来进行石油领域的一些预测，在网络训练之后，可以将任何新输入的资料划分为有效产能或无效产能。

虽然神经网络作为一种分类工具似乎比其他方法较具吸引力，在石油领域解决实际问题的应用到目前为止还不多。神经网络（ANN）人工智能方法能处理一系列的信息输入如比率等，并能产生相应的输出，而其运算分析能生成一个成功反映所有输入输出变量相应关系的模式。除此之外，神经网络并不依赖于变量之间必须线性相关或是相互独立的假设。变量之间存有微妙联系，如同数据不连续或不完全一样，均可被系统辨识并生成定性评估。简而言之，除了部分不明确的结果之外，神经网络能够在相似点和类似点方面给出有根据的结论，在很大程度上，神经网络方法在油井的判别上有相似的

作用。

3 GRNN类神经网络模型数学模型及计算

3.1 GRNN类神经网络模型数学模型

GRNN（Generlized Regnssion Neurl

Network）是径向基函数神经网络的一种，主要用于函数逼近。GRNN 网络为含1个输入层、1个隐层和1个输出层的3层结构神经网络。隐层传递函数为径向基函数Radbas，输出层为线性函数Purelin：Radbs（x）=exp（-x2），Purelin（x）=x，GRNN网络设置隐层的权重W1为：W1=P’式中为P’输入向量P的转置矩阵：隐层的偏差b1为：b1 =0.8326/ spread

式中spread为径向基函数的展形。输出层的权重W2=T，T为目标向量。

模型设计输入变量为油井的平均压力和平均气温，输出变量为油井的月平均流量。为防止部分神经元达到过饱和，提高网络收敛程度和计算速度，对原始资料应做标准化处理。

3.2 GRNN类神经网络模型数学计算

测试实验目的是了解新的井身结构及管柱所允许的单井产能，并尽可能求取最大产量。设计采用6个油嘴进行回压法测试。回压测试结束后用21.57mm油嘴测试，日产油300.44×104m3，预测生产压差6.056MPa。井下入四支高精度PPC型存储式井下电子压力温度计同时测试。采用MCALLSTER型的直读式电子井下压力温度计，取得了较好效果。

井筒中的动力异常是造成压力异常的主要原因。分隔器密封不严、节流影响、井筒积液、温度变化都会造成井筒中的动力异常。采用变井筒温度模型井的试井数据进行了校正，校正后的平均地层压力上升了约1.2MPa，压力恢复曲线也呈上升趋势。从图1中看出GRNN模拟效果极好，验证结果也基本令人满意。

4 结论和展望

4.1 结论

大庆油田由于多年开采，井下地质条件复杂，使用神经网络模型（如GRNN和BP神经网络）进行监测效果分析，可获得比较好的结果；

在储层四性特征及其四特性关系研究的基础上，以岩心分析数据为标定，测井为工具，GRNN神经网络为方法，基本可以实现储层物性参数的精确预测，且比常规数理方法具有较高的精度，显示出BP神经网络在储层参数预测中具有较为广阔的应用前景。

多层反馈式神经网络具有特定的标准结构和非线性收敛特性。在求解具体问题时，只要把具体确定的能量函数与标准能量函数相对应，就能确定相应的神经网络参数。在合适的能量函数指导下，根据计量目标设计基于反馈式神经网络的系统结构和动态参数，并将基于此网络的参数辩识和计量结合起来，使其具有更强的自适应性。

4.2 展望

（1）如何在矢量控制的框架下补偿参数随时间常数的变化对计量性能带来的影响，是一个重要的研究课题，也是我们以往研究结果的基础上进一步努力的方向；

（2）GRNN神经网络的优越特性必然能在其它的石油领域中得到更广泛的应用，关于此项的研究任务是一项长期的任务。

参考文献

第2篇：神经网络的特性范文

摘要:

针对水文时间序列的非平稳性特征，以长江三峡宜昌站1904～2003年年平均流量为例，分别建立了小波分析(WA)与BP神经网络和径向基函数神经网络(RBF)耦合的预测模型，探究了两种组合模型的预测效果，并与传统的单一人工神经网络模型对比;并采用5种常见的预测性能评价指标分析预测效果。结果表明:组合模型预测成果的精度较单一模型显著提高;组合和单一模型中RBF网络模型均优于BP网络模型;小波径向基函数神经网络组合模型具有较优的预测精度和泛化能力，是提高预测精度的有效方法，在径流预测中具有可行性。

关键词:

ATrous小波分析;BP神经网络;径向基函数神经网络;预测模型;水文预报

中长期水文预报是根据已知水文与气象要素信息对未来一定时期内的水文状态作出定性和定量的预测。目前，通常预报的水文要素有流量、水位、冰情和旱情等［1］。水文时间序列预测对防汛、抗旱、水资源开发利用等具有重大的实用意义，然而水文系统是一个高度复杂的非线性系统，在由降雨经过蒸散发、下渗、截留、填洼形成径流的过程中，还受到流域地形地貌、气候变化、人类活动等因子的干预，因此，水文时间序列表现出极大的复杂性，给预测带来一定困难。传统的中长期水文预报大多采用回归分析法和时间序列分析方法［2］。常用的回归分析法主要有一元线性回归分析法、多元线性回归分析法、逐步回归分析法、最小二乘回归分析法、聚类分析法和主成分分析法等［2］，其因建模简单、易于实现的优点成为了径流中长期预报应用最早也是最广的方法［3］，但回归分析法中存在因子个数合理性的选择、预报成果取均值而忽略了极大与极小值情况等问题;时间序列分析法常用自回归序列(AR)模型、滑动平均序列(MA)模型、自回归滑动平均序列(ARMA)模型、求和自回归滑动平均序列(ARIMA)混合模型、门限自回归序列(TAR)模型等［4］。

该方法能够很好地分析和处理具有季节性、趋势性的水文预报问题，但在建模过程中存在模型参数估计和合理定阶等问题［2］。随着计算机技术的发展，一些智能新方法被广泛应用于中长期水文预测中，主要包括模糊分析、人工神经网络、灰色系统分析、混沌理论、投影寻踪、小波分析等方法［5］，然而目前还没有一种水文预报模型能够对所有水文序列具有完全适应性。近年来，小波分析和人工神经网络组合模型成为中长期径流预测的研究热点［6－7］。利用小波变换可将径流序列的趋势项、周期项和随机项成分较好地分离，为克服水文时间序列成因复杂、难以详尽表述其变化规律等困难提供了一种便利的分析技术［8］，再将不同频率下的小波变换成分输入神经网络进行预测，能够较好地提高预测精度。只有选择合适的小波神经网络组合模型的结构，才能得到精度更高的预报结果。本文提出将小波分析与不同类型的神经网络组合，分别建立小波分析与加动量的BP神经网络相结合、小波与RBF网络相结合的径流预报模型，对两种组合模型及传统单一的神经网络模型的模拟效果进行对比分析。

1模型结构及原理

1．1小波分析对水文时间序列进行小波分析时，使用连续小波变换或离散小波变换得到的小波变换系数冗余，因此常用快速的小波变换算法计算，不涉及具体的小波函数，主要有Mallat算法和ATrous算法。相比原始时间序列，Mallat算法重构后的时间序列因其二进抽取、插值处理，容易出现相位失真［9－11］，并会发生一定的偏移，而ATrous算法为无抽取离散小波变换，具备平移时不变性的特性，它只是对滤波器组进行内插补零，其每级分解系数和原始时间序列的长度保持一致，因此本文小波分析采用ATrous算法。

1．2BP神经网络BP神经网络的拓扑结构图如图1所示［12］。BP神经网络预测模型，运用了神经网络可以任意逼近非线性函数的特性，输入与输出间的复杂关系表示具有非线式的特点，其适用性明显高于一般显式线性预测模型［12］。水文时间序列是受多因子复杂影响的一种非稳定性的时间序列，并非可用单一的线性或非线性函数计算所得。BP神经网络相当于一个“黑箱”模式，不需要知道输入与输出数据间的函数关系，仅通过对输入输出数据进行训练学习，获得误差达到最优的一种映射关系，就可将训练好的模型用于预测，它具有自学习、计算简单、容错性较好、泛化能力较强的特点。

1．3径向基函数神经网络径向基函数神经网络(RBF，RadialBasisFunc-tion)是一种能够以任意精度逼近任意非线性函数的神经网络结构，具有单隐层的3层向前网络［12］，其中隐层函数为径向基函数。RBF神经网络仅对输入空间的某一局部区域存在少数的神经元，用来决定网络的输出，且RBF网络中的重要参数中心向量和宽度向量是根据样本集中的训练模式来试算确定或者初始化的，因此，RBF神经网络具有避免陷入局部极小值的解域中的优点。RBF神经网络的拓扑结构图如图2所示［12］。

2预测性能评价指标

为了对预测模型的适应性进行分析，需用预测成果的精度来度量。本文采用常用的3种误差评定方法和预测值的相对误差小于10%和20%的合格率，来评价模型的预测精度［13－14］。NMSE和MRE反映出实测值和预测值之间的偏差，NMSE和MAE越小，表明预测值越接近于实测值，即预测的效果越好。DVS以百分比形式表示正确预测目标值变化方向，其值越大，表明预测效果越好。以预测值相对误差满足小于10%和小于20%的合格率来反映预测值与实测值之间的逼近程度，其值越大，预测效果越好。

3模型仿真

长江宜昌水文站是长江上游出口的唯一控制站，且三峡工程位于其上游约44km处，对宜昌站年径流量的预测具有重要的实践意义。本文利用宜昌站1904～2003年为期100a的实测年均流量资料，采用MATLAB编程，利用小波神经网络组合模型对其预测，选取两种不同神经网络模型对比分析。

3．1小波变换本文选取宜昌站100a年均径流量，利用ATrous算法进行分解尺度为3的小波变换，求取径流序列的细节系数W1、W2、W3和近似系数C3，用作神经网络输入。小波分析成果见图3。

3．2基于小波变换的BP模型构建一个3层双隐层的BP神经网络模型，可以以任意精度逼近给定的非线性函数，而双隐层可以提高模型的逼近精度。小波BP网络模型即将BP神经网络模型中对径流量直接输入预测替换为对小波变换系数的预测。小波分析将具有复杂非稳定性特征的径流量分解成不同频率的高频细节序列和低频概貌序列，因此可以更好地利用神经网络模拟成因复杂、具有时－频特征的径流量序列的形态变化特征和趋势。构建一个4－10－8－1结构的3层双隐层BP模型，隐含层函数选用transig，输出层函数选用purelin，采用有动量加自适应lr梯度下降法选择参数，设置最大训练次数为5000、训练要求精度0．00001、学习速率0．01。利用Matlab软件进行网络训练，对预测结果进行反归一化处理，得到最终预测结果，成果见表1。

3．3基于小波变换的RBF模型与小波BP网络模型类似，将归一化后的前90a的年均径流量小波变换系数作为RBF网络模型训练样本的输入，Q(t+T)作为训练样本输出，预见期为2a，后10a的资料作为测试。不同于BP神经网络的初始权值选取对于网络训练的精度影响很大这一特点，RBF神经网络只需用试错法调整参数SPREAD。在Matlab平台上，调用RBF模型，调用方式为net=newrb(P，T，GOAL，SPREAD，MN，DF)，SPREAD为径向基层的扩展速度常数，其取值会影响神经网络的运算速度和精度［10］。通过试算得SPREAD的最优解为67．3。将训练好的模型用来预测后10a的年均径流量，成果见表1。

3．4单一人工神经网络模型直接将实测的年均径流量作为模型的输入，预见期为2a。因径流的成因复杂及形成过程具有较多干扰因素，单一的人工神经网络模型不一定能较好地模拟其内部的变化特征，本文分别采用单一的BP神经网络和RBF网络对后10a的年均径流量进行预测，预测成果见表1。

4模型适用性分析

根据三峡宜昌站100a径流量资料，建立不同组合的小波神经网络模型，利用Matlab软件平台对模型进行网络学习，分别调试不同模型得到最优预测径流量，成果见表1。为了判断4种预测模型的预测结果是否保持实测序列的主要统计特性和变化特征，采用以下5种常见的预测性能评价指标验证模型的适用性，成果详见表2。(1)由宜昌站1994～2003年年均流量的预测值与实测值比较计算得NMSE、MRE、DVS、合格率e＜10%和合格率e＜20%的5种误差评定参数。从预测整体NMSE和MRE上看，小波人工神经网络组合模型预测精度明显高于传统单一的人工神经网络模型，而组合模型中，小波RBF网络模型预测效果更优，单一神经网络模型中RBF网络预测精度也高于BP网络。这表明，组合模型用于长江径流预测是合理可行的，具有较好的预测精度和泛化能力，是提高模型预测精度的有效方法。但BP神经网络存在收敛速度较慢、易陷入局部极值、易发生“过拟合”或“欠拟合”情形等缺陷［15］，而RBF神经网络以对点径向对称且衰减的非负非线性函数为传递函数［16］，能够避免BP网络产生的缺点，具有更好的逼近能力。(2)小波RBF神经网络DVS表明，预测目标值方向的正确率高达88．89%，单一的BP网络的DVS指标却只有33．33%。这表明，小波神经网络组合模型较单一神经网络模型能更准确地预测目标值变化方向，RBF神经网络在模式识别能力方面也优于BP神经网络。(3)多数小波神经网络组合模型成果的预测相对误差小于10%，而单一神经网络合格率则只接近半数，其中无论组合模型还是单一模型，RBF模型预测值的合格率都要高于BP神经网络模型。由表2可知，4种模型预测精度基本达到(合格率e＜20%)，即人工神经网络由于其较强的非线性映射能力、鲁棒性、容错性和自适应、自组织、自学习等特性［17］，对于水文径流量预测具有可行性，而进行小波分析处理后再建立神经网络模型能提高预测的精度，选择合适的神经网络模型则能优化预测成果。

5结语

笔者提出小波分析与不同人工神经网络耦合的预测模型。组合模型可将高度复杂的非稳定年径流序列分频率提取的成分输入人工神经网络进行预测，巧妙地避开了单一预测模型预测精度不高的问题;而不同的小波神经网络组合模型则进一步探讨了小波分析和不同人工神经网络耦合的密切程度，得到预测精度较高的小波神经网络模型的组合结构。本文以宜昌水文站100a实测年均径流量序列为例，进行实例对比验证。对比分析模型模拟成果表明，小波神经网络组合模型对径流预测的适应性强于人工神经网络模型，而小波RBF网络模型比小波BP网络模型具有更优适应性，小波RBF网络模型能更好地揭示水文随机序列的变化特性且提高了预测精度和速率，为水文工作提供了有效可行的预报方法，对水文资料的预测和插补延长具有实际意义。

参考文献:

［1］包为民．水文预报［M］．北京:中国水利水电出版社，2009．

［2］宋一凡，郭中小，卢亚静．基于遗传算法优化的小波神经网络在中长期水文预报中的应用———以三门峡为例［J］．中国水利水电科学研究院学报，2014，12(4):337－343．

［3］宋荷花，胡国华，李正最．湘江流域中长期水文预报［D］．长沙:长沙理工大学，2008．

［4］钟登华，王仁超，皮钧．水文预报时间序列神经网络模型［J］．水利学报，1995，(2):69－74．

［5］王丽学，杨军，孙靓，等．基于灰色系统与RBF神经网络的中长期水文预报［J］．人民长江，2015，46(17):15－17．

［6］BatesJM，GrangerCWJ．Thecombinationofforecasts［J］．Opera-tionalResearchQuarterly，1969，20(1):451－468．

［7］王文圣，丁晶，李跃清．水文小波分析［M］．北京:化学工业出版社，2005．

［8］LiZuoyong．Progressofstudyonhydrologywaterresourceandwaterenvironment［J］．JournalofSichuanUniversity:EngineeringScienceEdition，2002，34(2):1－4．

［9］孙延奎．小波分析及其应用［M］．北京:机械工业出版社，2005．

［10］李贤彬，丁晶，李后强．基于子波变换序列的人工神经网络组合预测［J］．水利学报，1999，(2):1－4．

［11］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．

［12］杨淑莹．模式识别与智能计算:Matlab技术实现［M］．北京:电子工业出版社，2008．

［13］汪丽娜，陈晓宏，李艳．不同径流尺度的小波神经网络预测［J］．华南师范大学学报:自然科学版，2013，45(2):104－106．

［14］SL250－2000水文情报预报规范［S］．

［15］崔东文，金波．改进BP神经网络模型在小康水利综合评价中的应用［J］．河海大学学报:自然科学版，2014，42(4):306－313．

［16］黄剑竹．改进RBF－Adadoost模型及其在年径流预测中的应用［J］．人江，2015，45(1):32－36．

第3篇：神经网络的特性范文

摘要:常规PID控制器以其算法简单、可靠性高等优点,在工业生产得到了广泛应用。但是,PID控制器存在控制参数不易在线实时整定、难于对复杂对象进行有效控制等不足。利用神经网络自学习、自适应和非线性映射等特点,将神经网络和PID控制相结合,形成一种PID神经网络控制系统,可对工业中使用的具有大时滞、慢时变、非线性特点的电炉系统进行有效辨识与控制。

关键词:PID神经网络;智能控制器;滞后系统;时变系统;电炉控制系统

中图分类号:TP18文献标识码:A文章编号:1009-3044(2009)28-8028-03

Application of PID Neural Network in Electric Cooker Controlling Systems

REN Hui, WANG Wei-zhi

(Institute of Automation, Fuzhou University,Fuzhou 350002, China)

Abstract: General PID controller, because its algorithm is simple and high reliability,so has been widely used in industrial production. However, PID controller, there is not easy to line real-time control parameter tuning, is difficult for complex objects such as lack of effective control. Using neural network self-learning, adaptive and nonlinear mapping characteristics of neural network and PID control combined to form a PID neural network control system can be used in industry with a large time lag, slow time-varying, nonlinear characteristics of electric systems for effective identification and control.

Key words: PID neural network;intelligent controller;time lag system;time-varying system;electric cooker systems

近年来,随着神经网络理论的发展,将控制中应用最广泛的PID的控制器与具有自学习功能的神经网络相结合,已成为智能控制研究的一个新方向。并且,在这个方向上已取得了一些研究成果 。其主要的结合方式是在常规PID控制器的基础上增加一个神经网络模块,利用神经网络来在线调节 PID参数,但缺点是结构较复杂。本文介绍的PID神经网络是将PID控制规律融进神经网络之中构成的,实现了神经网络和PID控制规律的本质结合。它属于多层前向网络,但是它与一般的多层前向网络又不完全相同,一般的多层前向网络中的全部神经元的输入输出特性都是相同的,而PID-NN的隐含层是由比例、积分、微分三个单元组成,是一种动态前向网络,更适合于控制系统。各层神经元个数、连接方式、连接权值是按控制规律的基本原则和已有的经验确定的,保证了系统稳定和快速收敛。由于PID神经网络控制器是将神经网络和PID控制规律融为一体,所以其既具有常规PID控制器结构简单、参数物理意义明确之优点,同时又具有神经网络自学习、自适应的功能,可将PID神经网络应用于对工业控制领域的复杂非线性对象的控制。

本文提出一种基于PID神经网络的控制方案,用来对大时滞、慢时变、非线性的电炉系统进行辨识与控制。

1 PID神经网络控制系统

1.1 PID神经网络的结构

PID神经网络是一个 3层的前向网络,包括输入层、隐含层和输出层,其结构如图1所示。网络的输入层有2个神经元,分别对应系统的输人和输出;隐含层有3个神经元,各神经元的输出函数互不相同,分别对应比例(P)、积分(I)、微分(D)3个部分;网络的输出层完成PID-NN控制规律的综合。网络的前向计算实现PID神经网络的控制规律,网络的反向算法实现PID神经网络参数的自适应调整。

1.2 控制系统结构及其工作原理

PID神经网络控制系统结构如图2所示。控制系统包含PID神经网络辨识器(PID-NNI )和PID神经网络控制器((PID-NNC )。其中r(k)为系统的设定输入,y(k)为被控对象的实际输出,y~(k)为PID-NNI的输出,u(k)为PID-NNC的输出。系统的工作原理是:利用神经网络的非线性函数逼近能力和学习记忆功能,由PID-NNI在线对被控对象模型进行辨识。它利用输出偏差(e1(k)=y(k)-y~(k) ),修正网络权值,使之逐步适应被辨识对象的特性。当它学习到与被控对象基本一致时,PID-NNC利用系统偏差 (e2(k)=r(k)-y~(k)),通过反传算法实时调整自身权值,以跟上系统的变化,达到有效控制的目的。

2 PID神经网络学习算法

第4篇：神经网络的特性范文

关键词：神经网络；上证指数；预测

1.引言

金融时间序列的预测对于投资决策以及规避风险有重要的意义，其中股票市场走势预测始终更是金融领域分析的热点和难点。对于金融时间序列的预测是否足够准确影响着预测方法的有效性，较低的准确率使得预测失去了实际应用的意义。目前的金融时间序列预测方法有很大一部分是通过使用神经网络进行预测，神经网络本身具有良好的拟合非线性的特性，克服了类似于AR模型、MA模型和AMRA模型难于拟合非平稳序列的缺点[1]。在理论上，神经网络可以拟合任何函数，具有很好的自适应性和学习性。同时，由于神经网络计算的高效性，被广泛应用于预测时间序列领域。目前常用的用于预测时间序列的神经网络有BP神经网络、径向基神经网络以及小波神经网络。本文将对这三种神经网络在预测上证指数中的准确率进行比较分析。

2.神经网络概述及原理

2.1.BP神经网络

BP神经网络是一种多层前馈神经网络，该网络的主要特点是信号前向传递，误差反向传播[2]。向前传递是由输入层接收到外界信号后将信息传入到隐含层进行处理运算，之后传入到输出层。如果输出层得出的结果与预期不一致则产生预测误差，接下来就开始反向传递，根据预测误差调整网络权值和阀值，从而使BP神经网络预测输出不断逼近期望输出。

2.1.1 BP神经网络结构

BP神经网络模型如图1所示，包括输入层、输出层和隐含层。输入层负责将输入信号传递给隐含层，输入结点本身没有计算功能。

2.1.2 BP神经网络模型的建立

BP神经网络模型通过Matlab软件进行编程建模，数据的选取是利用大智慧软件选取1990-2012的5302个收盘价作为样本，其中，前5150个样本为训练样本训练神经网络，后152个样本为测试样本。为了提高神经网络的预测效率，加快训练速度，所以在训练神经网络之前将原始数据归一化。归一化公式为：（x-xmin）/（xmax-xmin），其中xmax代表最大值，xmin表示最小值；根据上证指数的特性，将BP网络的结构设计为三层，即输入层，隐含层和输出层；输入层有6个结点，即式（1）中的输入变量xi（i=1，2，…，n），表示预测时间结点的前6日收盘价；隐含层是该模型的运算核心，共有8个结点，其执行式（1）的运算，隐含层的输出结果为中间变量Oj（j=1，2…，l），变量Oj将被传入到输出节点进行运算；输出层有一个结点，执行式（3）的运算；选取第7日的收盘价为预期输出。

2.2.径向基神经网络

径向基神经网络即径向基函数神经网络。该型神经网络从输入层到隐含层通过径向基函数完成非线性变换；而隐单元到输出是线性映射的，因此输出层权值的调整可通过线性规划方程直接算出[3]。径向基神经网络一般有三层即输入层、隐含层和输出层。输人层由输入结点组成；隐含层中神经元采用的是径向基函数，该函数是局部响应函数；第三层为输出层。径向基神经网络的节点激活函数采用径向基函数。

2.2.1径向基神经网络结构

输入层只负责信号输入，输入层与隐含层的连接权值都为1，即输入层与隐含层的权值不用调整改变。隐含层结点的输出为：

3.实验结果

3.1三种神经网络模型的预测结果比较

4 结语：

上证指数的走势可以视为经济的运转状况的反映，而经济的运行状况受到社会中的各种因素和因素间的交互效应的影响，从而上证指数的走势具有很强的非平稳性以及非规律性，很难预测准确。本文比较了BP神经网络、径向基神经网络、小波神经网络对预测上证指数的准确性，发现BP神经网络的预测效果是三种神经网络最好的，表明BP型神经网络相比之下更加适用于对上证指数的预测。（作者单位：北京信息科技大学经济管理学院）

参考文献：

[1]徐超，魏连鑫，王卫新.基于小波网络的上证指数预测实证分析[J].时代金融，2011.（24）：146.

[2]史峰，王小川，郁磊，李洋.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.

[3]左喆，董申.基于神经网络的股票市场预测[J].财经论坛，2010.（24）：204-205.

第5篇：神经网络的特性范文

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：神经网络的特性范文

[关键词] 广义回归神经网络 经济预测 评价指标体系

一般常用的预测方法包括时间序列方法（移动平滑法、指数平滑法、随机时间序列方法），相关(回归)分析法，灰色预测方法等。这些方法大都集中于对因果关系回归模型和时间序列模型的分析，建立的模型不能全面和本质的反映所预测的动态数据的内在结构和复杂特性。人工神经网络是有大量简单的处理单元组成的非线形、自适应、自组织系统，它的重要特点是通过网络学习达到其输出与期望输出相符的结果，具有很强的自学自适应、鲁棒性、容错性、存储记忆的能力，人工神经网络具有传统建模方法所不具备的很多优点，有很好的非线形映射能力，对被建模对象的经验知识要求不多，一般不必事先知道有关被建模对象的结构、参数和动态特性等方面的知识。只需要给出对象的输入和输出数据，通过网络本身的学习功能就可以达到输入和输出的映射关系。相对于传统的根据数据分析预测方法，它更适合处理模糊、非线形的和模式特征不明确的问题。人工神经网络中有各种模型，其中广义回归神经网络（Generalized Regression Neural Network, GRNN）是Donald F.Specht提出的一种新型神经网络，本文将探讨该神经网络模型在经济预测中的应用。

一、广义回归神经网络

广义回归神经网络（GRNN）是径向基函数神经网络的一种，有三层组织结构。第一层为输入层，有信号源结点组成。第二层为径向基隐含层，神经元个数等于训练样本数，由所描述问题而定，第三层为线性输出层，其权函数为规范化点积权函数，计算网络的输出。

GRNN网络连接权值的学习修正使用BP算法，由于网络隐含层结点中的作用函数采用高斯函数，从而具有局部逼近能力，此为该网络之所以学习速度快的原因，此外，由于GRNN中人为调节参数很少，只有一个阈值，网络的学习全部依耐数据样本，这个特点决定网络得以最大可能地避免人为主观假定对预测结果的影响。

二、GRNN在经济预测中的应用

本文根据对GDP影响因素的分析，这里分别取固定资产投资、从业人员数量、能源生产总量、财政支出、货运量、人均收入、进出口量，货币供应量等8项指标作为GDP预测的影响因子，以第一产业，第二产业，第三产业生产总值作为GDP的输出因子，即网络的输出。由此来构建广义回归神经网络。

我们通过查《中国统计年鉴》，利用1990年～1999年共10年的历史统计数据作为网络的训练样本，2000年～2003年共4年的历史统计数据作为网络的外推测试样本。

应用MATLAB7编程，创建一个GRNN网络，输入向量组数为10，每组向量的元素个数为8，中间层径向基神经元个数为10，输出层有线性神经元个数3。对网络进行训练和测试。我们将光滑因子分别设置为0.01，0.02，0.03，0.04，0.05，通过不断的尝试，我们得到光滑因子为0.01时，网络的误差最小，逼近效果相对最好，如图1所示，网络此时的逼近误差基本均在0附近，网络训练符合要求。

通过2000年至2003年共4年的数据进行网络外推预测测试，得到预测误差曲线如图2，网络的输出误差分别在0.12和0.25之间。应该说在训练样本较少的情况下这种误差是可以接受的。因此可以用GRNN神经网络进行预测，将2007年的相关数据进行输入网路中，就可以得到2008年的各产业的经济生产总值了。

三、结论

通过以上对GRNN在经济预测中的应用分析可以看出，GRNN神经网络模型在预测方面有很好的优势，其预测精度较高，对参数的要求较低，只需一个光滑因子，但模型本身也有一定局限，其对样本数据依耐很强，随着时间推移，其预测结果偏差会越来越大，因此模型更适合于短期预测。如要应用于长期预测，就需不断增加新样本数据，对模型进行完善。

参考文献：

[1]乔维德:基于BP神经网络的电力企业信息化水平评价指标体系的研究[J].电气时代，2004，A20

[2]欧邦才:基于BP神经网络的经济预测方法[J].南京工程学院学报（自然科学版），2004（2），11～14

[3]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，2005，117

第7篇：神经网络的特性范文

关键词：神经网络 入侵检测；自动变速率；随机优化算子

中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2014）03-0614-03

随着互联网应用的发展，更现显了网络安全的重要性。入侵检测技术在安全防护中是一种主动防护技术，能及时地检测各种恶意入侵，并在网络系统受到危害时进行响应，因此在为安全防御体系中入侵检测系统占有重要的地位。但是在现实的应用中，入侵检测系统没有充分发挥其作用。这是因为，不断变化的入侵方式要求入侵检测模型必须具有分析大量数据的能力。无论这些数据是不完全的，是非结构化的，或者是含有噪音的。而且，有些攻击是由处于不同网络位置上的多个攻击者协作进行的，这就要求入侵检测模型又必须具备处理来自非线性数据源的大量数据的能力。神经网络具有联想记忆能力、自学习能力和模糊运算的能力。因此将神经网络应用入侵检测中，它不仅可以识别出曾见过的入侵，还可以识别出未曾见过的入侵。该文首先介绍了一种改进的神经网络算法，然后分析了该算法在入侵检测中的应用，并给出试验仿真结果。

1 BP神经网络与入侵检测

1.1 BP神经网络的特点与不足

BP神经网络是神经网络模型中应用最广泛一种。它基于成熟的BP算法，主要有以下几个特点：1）它能够实现自组织、自学习，根据给定的输入输出样本自动调整它的网络参数来模拟输入输出之间的非线性关系。2）在存储上采用分布式存储，所有的信息分布存储在每一个神经元中。3）它还可以实现并行处理，下一层的每个神经元可以根据接收到的上一层信息同时独立地计算。这些特点使其很适合应用于入侵检测技术，满足入侵检测的适应性、可靠性、安全性和高效性的要求。

但是传统的BP算法也存在着以下几个方面的不足：1）局部极小；2）学习算法收敛速度慢；3）隐含层节点选取缺乏理论；4）加入新的样本会影响已经学完的样本；5）每次输入样本特征的数目必须确定且相同。

1.2 入侵检测技术

通过对系统数据的分析，当发现有非授权的网络访问和攻击行为时，采取报警、切断入侵线路等措施来维护网络安全，这被就是入侵检测技术。采用此技术设计的系统称为入侵检测系统。根据采用的技术来说入侵检测系统应具有以下几个特性：1）监视用户及系统活动；2） 分析用户及系统活动；3） 异常行为模式分析；4） 识别已知的进攻活动模式并反映报警；5） 系统构造和弱点的审计，操作系统的审计跟踪管理；6） 评估重要的系统和数据文件的完整性，并识别用户违反安全策略的行为。

目前最常用的攻击手段有：拒绝服务、探测、非授权访问和非授权获得超级用户权限攻击。而且这些攻击手段在实际中还有很大的变异，因此给入侵检测带来了一定的难度。BP神经网络的自组织自学习能力，使得经过训练后的BP神经网络对以前观察到的入侵检测行为模式进行归纳总结，除了可以识别出已经观察到的攻击，还可以识别出由已知攻击变异出的新的攻击，甚至是全新的攻击。

2.3 改进的神经网络算法

人工神经网络在模式识别、非线性处理、信号检测等领域应用非常多，这是由于人工神经网络具有的良好的自适应和自组织性，高度的非线性特性以及大规模并行处理和分布式信息存储能力的特性。BP神经网络算法实质上是非线性优化问题的梯度算法，该算法在收敛性问题上存在限制与不足。即该算法学习的结果不能保证一定收敛到均方误差的全局最小点，也有可能落入局部极小点，使算法不收敛，导致陷入错误的工作模式。因此本文选择了改进的神经网络，改进主要有以下几点：

2）自动变速率学习法

传统的BP算法是以梯度为基础，采用LMS学习问题的最陡下降法，学习步长是一个固定不变的较小值，不利于网络的收敛。因此，选择了基于梯度方向来自动调节学习速率的方法。利用梯度确定学习的方向，由速率决定在梯度方向上学习的步长。因此，如果相邻两次的梯度方向相同则说明在该方向是有利收敛的方向，如果相邻两次的梯度方向相反则说明此处存在不稳定。因此，可以利用两次相对梯度变化来确定学习步长，当两次梯度方向相同时则增大学习步长，加快在该方向上的学习速度；而如果两次梯度方向相反那么减小学习步长，加快整个网络的收敛速度。这种方法的自适应速率调节公式如下：

2）引入遗忘因子

本文所采用的自适应变速率学习法是依据相邻两次梯度变化来确定学习步长的算法，但单纯的学习速率的变化还不能即完全地既保证收敛速度，又不至于引起振荡。因此考虑变相的学习速率的学习。即在权值的调节量上再加一项正比于前几次加权的量。权值调节量为：

我们将[τ]称为遗忘因子。遗忘因子项的引入就是对学习过程中等效的对学习速率进行微调的效果。遗忘因子起到了缓冲平滑的作用，使得调节向着底部的平均方向变化。

3）随机优化算子

虽然采用自动变速率学习法，并引入遗忘因子的神经网络算法可以对学习速率进行微调，但是仍存在着BP神经网络的限制与不足因此引入随机优化算子。也就是当网络的权值误差迭代一定的次数后，仍没有明显的收敛，或者系统误差函数的梯度连续几次发生改变，这说明网络进入了一个比较疲乏的状态，需要借助外界的推动力来激活网络。当发现上述的两种情况时，就产生与权值维数相同的随机数，并将随机数与权值直接相加，然后判断系统误差的变化。如果误差没有降低，那么就再继续产生随机数来修改权值，直到误差减少，再从新的权值开始继续BP算法。随机优化算子可以令搜索方向随机变化，从而摆脱局部极小点。

4）改进算法与传统算法比较

以200个训练样本为例，分别采用改进的BP神经网络和经典BP神经网络的方法进行学习、训练。两种算法的误差收敛对比曲线如图1所示。

3 采用改进算法的入侵检测仿真实验

入侵检测系统进行测试和评估需要标准的、可重现的并包含入侵的大量数据。本仿真实验选取DARPA数据集网络连接数据集作为实验数据。然后，对这些数据选三组特征值进行实验，并给出实验结果。

3.1 数据源的选取

该实验的数据采用DARPA 1988入侵检测评估数据库的数据。该数据有大量的连接数据记录。每个一记录代表一次网络连接，且每个记录均有41个特征值，其中各个特征的含义不同，大致可分为三类：1）表示网络连接内容特征；2）表示网络连接基本特征；3）表示网络连接流量特征。

模拟的入侵主要有以下四种类型：DOS 、 R2L、U2R、Probing，考虑到设计的实用性分别对三类特征值用神经网络分别进行训练和识别。实验选取了13000组数据进行仿真实验，其中3000组用于训练神经网络，10000组用于系统测试。

3.2 仿真实验结果

对三类特征组的训练集数据应用改进神经网络分别训练出三个神经网络，表示网络连接内容特征的神经网络，表示网络连接基本特征的神经网络以及表示网络连接流量的特征的神经网络在训练成功时的迭代步数分别为7056，386，3030。然后再对测试集数据进行测试，结果如下：

1）表示网络连接内容特征组，利用改进神经网络进行检测识别，结果如表1所示。

2）表示网络连接基本特征组，利用改进神经网络进行检测识别，结果如表2所示。

3）网络连接流量特征组，利用改进神经网络进行检测识别，结果如表3所示：

从表中数据可以看出对常见的四种攻击，不同的特征分组在改进神经网络的作用下检测各有优势。

4 结论

论文采用自动变速率学习法，利用遗忘因子进行微调，同时引入随机优化算子对BP神经网络进行了改进。改进神经网络的收敛速度比经典BP神经网络更快，同时稳定性也较好。并将该算法应用于入侵检测实验，实验结果显示改进后的算法具有较好的识别攻击的能力。

参考文献：

[1] 肖道举，毛辉.BP神经网络在入侵检测中的应用[J].华中科技大学学报，2003（5）.

[2] 汪洁.基于神经网路的入侵检测系统的设计与实现[J].计算机应用与软件，2013（5）.

第8篇：神经网络的特性范文

关键词：电加热炉；BP神经网络；PID控制

中图分类号：TP23文献标识码：A文章编号：1672-3198（2008）05-0322-02

1 基于BP神经网络的PID控制

BP算法是在导师指导下，适合于多层神经元网络的一种学习，它是建立在梯度下降法的基础上的。理论证明，含有一个隐含层的BP网络可以实现以任意精度近似任何连续非线性函数。

BP神经网络结构如图1所示，由三层(输人层、隐含层、输出层)网络组成，使输出层的神经元状态对应PID控制器的三个可调参数Kp、Ki、Kd。通过神经网络的自学习、加权系数调整使神经网络输出对应于某种最优控制律下的PID控制器参数。

图1 BP网络结构

基于BP(Baekpropgation)网络的PID控制系统结构如图2所示，控制器由常规的PID控制器和神经网络两部分组成，常规PID控制器直接对被控对象进行闭环控制，并且其控制参数为Kp、Ki、Kd在线调整方式；神经网络根据系统的运行状态，调节PID控制器的参数，以期达到某种性能指标的最优化，使输出层神经元的输出对应于PID控制器的三个可调参数Kp、Ki、Kd。通过神经网络的自学习、加权系数的调整，使神经网络输出对应于某种最优控制规律下的PID控制器参数。

图2 神经网络PID控制器结构图

2 改进型BP神经网络

基本BP神经网络主要存在以下两个缺陷：其一，传统BP网络是一个非线形优化问题，不可避免的存在局部极小问题。网络的权值和阀值沿局部改善的方向不断修正，力图达到使误差函数 最小化的全局解，但实际上常得到的是局部最优点；其二，学习过程中，误差函数下降慢，学习速度缓，易出现一个长时间的误差坦区，即出现平台。

目前已有不少人对此提出改进的方法。如在修改权值中加入“动量项”，采用Catchy误差估计器代替传统的LMS误差估计器等。本文在此探讨通过变

换梯度来加快网络训练的收敛速度的共轭梯度算法,利用这种算法改善收敛速度与收敛性能。改进共轭梯度算法在不增加算法复杂性的前提下可以提高收敛速度，并且可以沿共轭方向达到全局最优即全局极值点。它要求在算法进行过程中采用线性搜索，本文采用Fletcher-Reeves线性搜索方法，以保证算法的收敛速度。

将改进共轭梯度法应用于BP网络的控制算法如下：

1)选取初始点w(0)和初始搜索方向d(0)=-g(0)；

2)对k=0，1，2，…，n-1,BP网络的权值修正公式为

w(k+1)=w(k)+α(k)d(k)(1)

式中：α(k)为学习速率，使式(1)取得极小；d(k)为第k次迭代的共轭方向。

3)计算新的梯度矢量g(k+1)；

4)若k=n-1，则用w(n)代替w(0)，并返回步骤(1)；否则转步骤(5)；

5)计算第(k+1)迭代的共轭方向

d(k+1)=-g(k+1)+β(k)d(k)(2)

式中

β(k)=gT(k)g(k)gT(k-1)g(k-1)（Fletcher-Reeves公式）(3)

6)如果dT(k+1)g(k+1)>0，则用w(n)代替w(0)，并返回步骤(1)；否则转步骤(2)。

3 仿真试验

本文以电加热炉为控制对象，其数学模型可以用一阶惯性环节加上一个大的纯滞后环节来表示，传递函数为：

G(s)=KpTps+1e-τs=148286s+1e-200s

构造两个3-5-3结构的BP神经网络，以误差、误差的积分、误差的微分为网络的输入；选取学习速率η=0.01、惯性系数α=0.04，加权系数初始矩阵取区间［0 0.5］上的随机数，传统与改进的BP神经网络的加权系数分别使用负梯度法、改进共轭梯度法进行自整定。

由于电加热炉是温度参数的定值控制，且存在干扰和对象参数变化的情况，为验证改进BP神经网络PID控制的效果，分别对其跟踪设定值特性、及适应对象参数变化的能力进行仿真研究，并与基于传统BP神经网络PID控制器的控制效果进行比较分析。图3为单位阶跃响应曲线，图4为过程对象单位阶跃响应曲线是在控制器参数不变的情况下改变对象G(S)参数的仿真结果。(注:以下各图中实线或“I”均表示改进BP神经网络PID控制结果，虚线、点线或“T”表传统BP神经网络PID控制器的控制结果;A、B、C分别表示G(S)三种参数变化了的模型)

从仿真结果看，改进BP神经网络PID控制器比传统BP神经网络PID控制器在控制性能上有了一定程度的提高，尤其是在系统稳定时间和抗干扰性方面的优化较为明显。这主要是因为在BP算法中采用了改进共轭梯度法，加快了BP算法的收敛速度，从而保证了系统稳定时间较短，又具有较好的泛化能力，因此，具有较强的抗干扰和适应参数变化的能力

4 结论

改进共轭梯度BP算法在不增加算法复杂度的情况下，通过梯度的共轭方向来寻求网络的全局最优值，从而避免网络陷入局部极小值。本文将其替代传统的BP算法构造智能PID控制器，并进行了以电加热炉为模型的控制系统仿真。结果表明，这种改进算法能够有效提高网络的训练速度，改善网络的收敛性能，避免网络陷入局部极小值，取得了良好的控制性能。

参考文献

［1］陈巍, 吴捷. 具有辅助调节功能的递归神经网络自适应PID控制［J］. 信息与控制, 2000, 29(5): 461-470.

［2］李奇, 李世华. 一类神经网络智能PID控制算法的分析与改进［J］. 控制与决策, 1998, 13(4): 312-316.

［3］李士勇著. 模糊控制、神经控制和智能控制论［M］. 哈尔滨: 哈尔并工业大学出版社, 1996.

［4］高隽. 人工神经网络原理及仿真实例［M］. 北京:机械工业出版社, 2003, 7-20.

第9篇：神经网络的特性范文

为寻求一种简便的船舶运动模型辨识方法，根据船舶动力学与运动学基本方程的结构形式，建立一种基于Elman神经网络的辨识模型，给出网络结构的选取和确定方法.以载质量为5万t的散货船为例，利用国际海事组织要求的几个典型的船舶操纵试验数据对网络进行训练，计算权值矩阵，获得该船舶可用于船舶操纵性分析的神经网络模型.将网络计算结果代入船舶运动学方程进行船舶航迹仿真，并与试验航迹数据进行对比， 验证网络模型的精确性.比较仿真验证结果和试验数据可知，该网络模型能基本反映被辨识船舶的动态特性，验证其有效性和准确性.

关键词：

船舶动力学模型； 船舶运动学方程； 神经网络； 系统辨识

中图分类号： U661.33；TP183

文献标志码： A

0引言

目前对于船舶操纵运动数学模型的研究基本上从两方面着手：一是机理建模研究，从基本运动方程出发，通过确定其水动力求解其运动参数的水动力模型；二是辨识建模研究，将船舶看作一个动态系统，舵角作为输入，船舶运动参数作为输出，进行水动力参数辨识和函数形式传递的船舶模型辨识.前一种方法需要测量和计算复杂的水动力导数，工作量大，而且某些水动力导数的理论估算目前还不能满足工程精度的要求，只能通过拘束船模试验精确确定，费用高，可行性较低.后一种方法中的水动力参数辨识，存在无法完全辨识的问题，而传递函数形式的船舶模型，更适合于宽阔水域的船舶操纵，不适合具有高强机动性的船舶操纵控制，若要应用于仿真，还需补充目前尚无统一形式的船舶纵向方程[1].近几年，随着神经网络研究的再度兴起，神经网络在模式识别、系统辨识、图像处理和自动控制等众多领域得到广泛应用[24]，在运动建模与仿真，特别是在船舶操纵性中的应用也越来越受到国内外众多学者[58]的关注.神经网络具有自学习、自适应的能力，能够从输入数据中自动学习，抽取包含在数据中的映射关系，因此可以用来学习船舶在航行过程中的动态操纵特性.目前， 在系统辨识中应用最多的是多层前向网络. 该网络具有逼近任意连续非线性函数的能力， 但这种网络结构一般是静态的， 而人们更关心控制系统的动态特性， 这恰恰是反向传播（BackPropagation，BP）神经网络等前馈型网络所缺乏的.与静态前馈型神经网络不同，动态递归网络通过存储内部状态使其具备映射动态特征的功能， 从而使系统具有适应时变特性的能力， 更适合于非线性动态系统的辨识.动态递归神经网络是控制系统建模和辨识中极具发展潜力的网络.[9]本文将动态递归神经网络应用于船舶操纵运动辨识，建立一种基于Elman神经网络的辨识模型.该网络模型与已知的船舶动力学基本模型相对应，使网络结构具有明确的物理意义.随后，利用几种典型的船舶操纵性试验数据对网络模型进行训练和验证，得到比较满意的结果.

1船舶运动数学模型

船舶的实际运动是一种具有6个自由度的异常复杂的运动.对大多数情况下的船舶运动及控制而言，可以忽略船舶垂荡、横摇和纵摇运动.国际海事组织（International Maritime Organization，IMO）要求的几种典型的船舶操纵性试验极少包含对船舶垂荡、横摇和纵摇运动的数据记录.本文的主要目的在于验证Elman神经网络对船舶运动辨识的可行性.考虑上述原因，仅对船舶3自由度运动进行辨识与建模，不考虑风、浪和流等外界条件的影响.

船舶3自由度的动力学方程[5]为