人工神经网络的实际应用精选(九篇)

前言：一篇好文章的诞生，需要你不断地搜集资料、整理思路，本站小编为你收集了丰富的人工神经网络的实际应用主题范文，仅供参考，欢迎阅读并收藏。

第1篇：人工神经网络的实际应用范文

>> 基于MATLAB的BP神经网络算法在多元非线性系统建模中的应用 改进的求解非线性方程组的迭代神经网络算法 基于非线性粒子群算法与神经网络的天气预测 演化算法在非线性方程求解方面的应用 基于BP神经网络的非线性函数拟合 非线性倒立摆系统的神经网络辨识 基于遗传小波神经网络的非线性动态自治网络故障诊断仿真算法 一种基于正交基神经网络的非线性卫星信道预失真补偿算法 神经网络在电路故障诊断方面的应用 神经网络在钢铁企业质量预测方面的应用 BP神经网络在坐标转换方面的应用 人工神经网络在电涡流传感器非线性补偿中的应用研究 基于神经网络的通用非线性神经自适应控制研究 基于BP神经网络的非线性网络流量预测 改进的基于神经网络的非线性多元回归分析 基于径向基神经网络的非线性系统辨识 基于OBF神经网络的温度传感器非线性补偿方法 基于RBF神经网络的非线性控制系统 群智能算法优化神经网络在网络安全的应用 浅谈基于BP神经网络的水源热泵在建筑节能方面的应用 常见问题解答 当前所在位置：中国 > 教育 > 神经网络算法非线性优化方面的应用 神经网络算法非线性优化方面的应用 杂志之家、写作服务和杂志订阅支持对公帐户付款！安全又可靠！ document.write("作者： 方达 胡忠刚")

申明:本网站内容仅用于学术交流，如有侵犯您的权益，请及时告知我们，本站将立即删除有关内容。 摘 要：文章通过神经网络算法对一类非线性优化方面的问题进行了分析，得到了应用神经网络非线性优化算法求解该类问题的具体步骤和算法方案，并给出了实例进行验证，证明了神经网络非线性优化算法是有效的，具有理论意义和实用价值。 关键词：：神经网络算法;MTLAB;非线性优化最优化

中图分类号：G622 文献标识码：B 文章编号：1002-7661（2014）22-002-01

人工神经网络是由简单的处理单元所组成的大量并行分布的处理机，这种处理机具有储存和应用经念知识的自然特性，它与人脑的相似之处概括两个方面：一是通过学习过程利用神经网络从外部环境中获取知识;二是内部神经元（突触权值）用来存储获取的知识信息。

一、神经网络非线性优化求解铁路空车调度组合优化问题

目前铁路局对空车调度计划是利用表上作业法，采用计算机辅助统计，要经过分局管内各主要站和各区段的车种别空车调度，分局间分界站车种别交接空车数的确定;局间分界站车种别交接空车数的确定来编制整个铁路局的空车调度计划.下面用神经网络优化方法解决该问题。

空车调度问题一般指的是：设有个空车发送站，个空车到达站数的距离为，设空车产生站 到空车需求站的空车数为，由发出的空车数为，则应满足

空车需求站接受到的空车数为，则应满足

假设空车产生数等于空车的需求数，即平衡运输，则

总的空车走行公里数为

由于神经元的输出值在之间，而空车数目是大于1的数，则将（ ）作为实际空车数，这样就可以保证在（ ）之间，求为在中所占的百分比，为了用Hopfield神经网络求解空车调度问题，建立能量函数如下

式中

表示空车发送站的空车数应等于的约束，当且仅当发车数为时，该项为0; 表示空车到达站所需的空车数应等于的约束，当且仅当到达的空车数为时，该项为0;

表示对空车调度的总体约束;

表示对目标项的约束;

表示惩罚项系数，为目标项系数.

当计算能量函数 达到最小时，对应于空车调整计划的一个最佳计划方案.其算法如下

则动态迭代过程为

其中 ，分别代表迭代次数，选取0.001.

二、结束语

第2篇：人工神经网络的实际应用范文

【关键词】Matlab；RBF神经网络；仿真试验

人工神经网络（ANN-Artificial Neural Network）是一种与传统计算机系统不同的信息处理工具，具有人脑的某些功能特征，可用来解决模式识别与人工智能中用传统方法难以解决的问题。神经网络具有高度的自学习、自组织和自适应能力，通过学习和训练网络模型的输入、输出数据就可以获得网络的权值和结构，从而得出隐含在输入、输出数据中的关系。这种关系隐含在神经网络内部，它不需要知道具体的精确模型，只需用神经网络就能逼近输入和输出之间的多维非线性特性，从而建立输入与输出之间的关系，这种非线性映射能力在人工智能、模式识别、信息处理等工程领域得到了广泛的应用。

随着神经网络理论研究和实际应用的不断深入，《人工神经网络》课程逐渐受到较多高校的重视，并将其列入教学计划，成为电气信息类学科的一门专业选修课。但《人工神经网络》课程的理论性非常强，对本科生的教学具有一定的难度。作为入门课程，本科生的教学重点应放对各种网络模型的结构和特点的理解，并结合应用实例，使学生能够获取一些初步设计经验的基础上，掌握有关模型的用法和性能。因此，笔者以RBF神经网络为例设计仿真试验，通过实例增强学生的对神经网络模型的设计和仿真的认识，加深学生神经网络理论的理解。

一、RBF神经网络

RBF网络可以根据问题确定相应的网络拓扑结构，学习速度快，不存在局部最小问题。RBF网络的优良特性使得它正显示出比BP网络更强的生命力，正在越来越多的领域替代了BP网络。

RBF网络典型结构如图1所示。输入层节点只是传递输入信号到隐含层，隐含层节点由像高斯函数那样的辐射状作用函数构成，而输出层节点通常是简单的线性函数。隐含层节点中的作用函数对输入信号将在局部产生响应，也就是说，当输入信号靠近该函数的中央范围时，隐含层节点将产生较大的输出。由此可看出这种网络具有局部逼近能力，故径向基函数网络也称为局部感知场网络。

二、基于MATLAB的RBF神经网络设计与仿真

MATLAB神经网络工具箱为径向基网络提供了很多工具箱函数，它们对我们利用MATLAB进行径向基网络的设计、分析及实际应用有着不可替代的作用，这给用户带来了极大的方便。

下面以污闪风险预测模型为例来说明神经网络设计与仿真。预测模型采用三输入一输出的结构。输入向量为相对湿度RH、泄漏电流幅值Ih、泄漏电流三次谐波与基波的幅值之比δ，它们的大小是能够检测到的用于评判绝缘子污闪风险的主要参数；将绝缘子污闪的风险等级作为输出，输出取值分别为不报警（NA）、一般报警（GA）、危险报警（DA）等三个模糊量。对于绝缘子污闪风险等级NA、GA和DA，为了方便神经网络进行拟合建模，分别赋予一个量化的值1，2和3与之一一对应。

利用函数newrbe创建一个准确的径向基网络，该函数在创建RBF网络时，自动选择隐含层的数目，使得误差为0。在网络设计过程中，用不同的SPREAD值进行尝试，以确定一个最优值。SPREAD分别取1，2，3，4时得到不同的网络结构。将污闪风险等级的实际值和神经网络输出的结果对比，不同神经网络的验证结果如图3所示。可以看出，当SPREAD取1时，污闪风险的实际值与神经网络计算值之间的误差最小，网络性能达到最优，所以本论文预测网络的SPREAD选取1。

将试验中得到的600组数据预留20组数据作为检验样本，剩下的580组数据为RBF神经网络的训练样本，训练好的网络具有进行绝缘子污闪风险预测的能力。

三、结语

人工神经网络是一门理论性很强而又应用广泛的课程，已经应用各种电气设备信号预测和状态监测等领域，本科生由于数学基础的限制学习这门课程有一定的难度。高校要培养出高素质的工程应用型人才，应充分利用MATLAB平台将实验仿真教学与理论学习相结合，以促进学生对较难理解的理论知识的掌握。通过采用灵活多变的教学方式，培养学生的学习兴趣、激发学生的求知欲，从而达到启迪思维、拓展视野的目的，培养学生自学能力、独立解决问题的能力，为社会培养出具有工程创新能力的卓越工程师。

参考文献

[1] 李国勇.智能控制及其MATLAB实现[M].电子工业出版社，2006.

[2] 葛哲学，孙志强.神经网络理论与MATLAB R2007实现[M].电子工业出版社，2007（03）.

第3篇：人工神经网络的实际应用范文

经过长期不懈努力，科学家认为可以从仿制人脑神经系统的结构和功能出发，研究人类智能活动和认识现象。然而，客观现实世界是纷繁复杂的，非线性情况随处可见，人脑神经系统更是如此。为了更好地认识客观世界，我们必须对非线性科学进行研究。人工神经网络作为一种非线性的、与大脑智能相似的网络模型，就这样应运而生了。因此，首先对人工神经网络进行了概述；而后重点描述BP网络模型，对其基于弹性BP算法的BP网络设计与实现；最后，对网络的训练和测试进行了简单的分析。

关键词：

人工神经网络；数学模型；策略

神经系统，是人体器官的一种较为复杂的系统。人工神经网络是对人脑的神经结构与机制进行模拟，是一种区别于符号推理以及逻辑思维的人工智能技术。人工神经网络是基于现代神经生物学和认知科学对人类信息处理研究成果的基础上研发的，用来模拟生物神经系统对真实世界的物体来做出反应。除此之外，它还属于一种大规模自适应的非线性动力学系统，具备非常强的联想记忆和自主学习能力。人工神经网络具有非线性映射、模式识别、函数逼近、聚类分析、数据压缩以及优化设计的功能，并且在稳定性、收敛性等方面都有良好的性质，被广泛应用于信息处理、模式识别、计算机视觉、优化计算、智能控制等各个领域中。

一、人工神经网络

人工神经网络，可以称之为神经网络或者链接模型，是属于一种对人脑或者自然神经网络的若干个基本特性进行抽象和模拟的网络。现阶段人工神经网络的研究成果基础是对大脑的模拟研究，是为了模拟大脑当中的某些机理与机制，实现某个方面的功能而进行专项研究的。人工神经网络具有可以充分逼近任意复杂的非线性关系，对于定量或者定性的信息会采用并行分布的处理方式，使其可以大量并且快速进行运算、适应不确定的系统和对定量以及定性信息进行同一时间的处理。人工神经网络的优越性表现在三方面，具有自主学习的能力，具有联想存储的能力，具有高速寻找并且寻找优化方式的能力。对人工神经网络的研究，可以分为理论研究和应用研究两个方面的研究。在理论研究中，可以利用神经生理与认知科学对人类的思维以及智能机理进行相关研究，还可以利用人脑神经的基础理论研究成果，用数理方法对神经网络模型进行更加完善、更加优越的探索。在应用研究方面，神经网络可以实现对软件的模拟和对硬件的科学研究。而且，神经网络在各个领域中也都得到了广泛的研究，例如模式识别、信号处理、知识工程、专家系统、优化组合以及机器人控制等领域。

现行的数理知识是建立在集合论的基础上的，随着数学阶段的发展，对于人类系统的行为，或者对于人类复杂系统，比如航天系统、人脑系统以及社会系统等方面，其中的参数和变量有很多，各种因素也是相互交错的，因此，系统是相当复杂的，相对的模糊性也会显得非常明显。就认识方面来讲，可以用模糊性这个词语来概括概念外延的不确定性。因此，模糊数学的概念应运而生，主要的研究内容包括三个方面。首先，可以对模糊数学的理论进行精确研究，其中包含着与精确数学以及随机数学的关系；其次，还需要研究模糊语言学和模糊逻辑，人类的自然语言都是具有模糊性的，人们经常会接收到迷糊语言和模糊的信息，并且可以对其做出正确的判断和辨别。因此，为了可以使得自然语言和计算机语言的直接对话，就必须把人类的自然语言和思维的过程提炼成为数学模型来对计算机进行指令，这样就可以建立模糊数学的模型样本，通过运用此种方式，建立的就是模糊数学的模型，也是运用数学方法的关键之所在。最后，研究模糊数学的应用，模糊数学的研究对象通常是以不确定的事物为主的。模糊的集合通常都是通过数学来适用描述的复杂的事物，将研究的对象数学化，将其中的不确定性很好地和抽象的数学沟通起来，达到形象生动直观的效果。

二、BP网络模型

1.BP网概述BP算法，是由PallWerbas博士在1974年首次提出的，即为误差逆传播学习算法，而对于此算法完整的提出是在1986年由Rumelhart和McCelland为首的科学家小组提出来的。后来，人们把BP算法在进行训练之前的前馈型的神经网络称之为BP网络，逐渐以其简洁、实用和高度的非线性映射能力成为流行的网络模型，在信号处理、模式识别、系统辨识以及数据压缩中都有广泛的应用。在人工神经网络的实际应用过程当中，大部分的模型会采用BP网络或者它所拥有的变化形式，属于前向网络中的基础核心部分，属于人工神经网络中的精华部分。2.BP网络拓扑结构BP网络属于一种前向型神经网络，其中的神经网络具有三层或者三层以上，可以对上下层之间的神经元进行全部的连接，也就是说下层的每一个神经元可以和上层的每一个神经元实现连接，但是在同层之间的神经元是没有办法相连的。3.BP网络的工作原理以及过程对于BP网络的学习可以有两个阶段。首先，需要学习信号的正向传播过程。当一对学习的模式进行网络提供之后，神经元的激活值就会从输入层当中的各隐含层向输出层中进行传播，并且在输出层的各个神经元内会相应地输入响应值。其次，是对正方向的传播过程进行误差的修正，如果在输出层中的输出值和预期的有偏差，就会对实际输入与期望输出之间的误差进行逐层递归的计算，计算方向会按照减小期望输出和实际输出之间的误差方向。对输出层之间的各个隐含层进行每一层的连接权进行逐层的修正，最后再回到输入层，这个循环的过程就称之为“误差逆传播学习算法”。现阶段，这种误差传播的修正方式在不断地进行创新修正，网络对应的输入模式相应的正确率也会随着算法的不断发展得到相对应地提高。4.算法流程BP的算法流程如图2。

三、基于弹性BP算法的BP网设计与实现

1.BP网络结构的设计在1989年，RobertHecht-Nielson证明了在任何一个闭区间当中的一个连续的函数都可以用一个隐含层的BP网络来进行逼近，这就导致了用一个3层的BP网络可以完成任意的从N到M维的映射。输入层节点的点数是根据样本的输入特征项来决定的，而输出的节点数是根据样本的期望输出项来决定的。在隐层节点当中，由于隐层节点的数目过多，平均的收敛速度就会变慢并且速度是极其不稳定的，这样就会增加初始权值的敏感度，网络的泛化能力也会随之降低，在对隐层节点数进行计算的时候。其中，h代表的是隐层节点数，nin代表的是输入层的节点数，则nout则代表的是输出层的节点数。当因为网络发生误差产生下降的时候，也就是E（网络误差）下降的速度非常缓慢的时候，这个时候网络的收敛水平还需要进一步提高的时候，就会增加一个隐层节点。如果遇到相反的情况，则就会减少一个相应的节点。对于BP网络的优化，主要包括以下几个步骤。首先，利用弹性BP算法来对网络的权值和偏差进行修正，利用此种算法，在很大程度上避免了使得学习（是学习）陷入局部狭小的现象，这样可以加快学习收敛的速度；其次，对于隐含的节点数可以进行随意的设定；而后，在对隐含层和输出层的激活函数之间可以在给定的5种畅通的函数当中进行随意的选择，最后就需要对输入向量的归一化了。

四、网络的训练与测试

1.训练样本的声场以及网络的构造如果采用100个样本对来进行声场训练样本对，这里的样本数据采用LINSPACE（X1，X2，N）的函数生成。在本文当中，BP网络有三层构造。在这三层构造当中，第一层采用tansig激活函数；第二层采用logsig激活函数，在第三层则需要采用purline激活函数来进行。在网络训练当中需要用Matlab神经网络工具箱当中的L-M法的trainlm这个函数来进行计算。2.网络学习以及等级的评价通过MATLAB的神经网络工具箱上建立的模型，需要将学3.网络测试成效从评价的结果上来看，运用人工神经网络的评价方法最大限度地减少了人为因素的影响，在这其中可以在很大程度上减少因为传统方式而在设计权重过程当中的不确定性，通过这种方式来对评价的对象进行自动评价。同时，BP的神经网络这种评估方式本身也具有一定的局限性，例如对网络当中的隐层节点个数难以确定，在学习训练的过程当中最容易陷入局部最优的问题，在很大程度上会影响评价结果的精准性。

五、结束语

运用人工神经网络方式有效解决多源、多类型以及多属性地址处理和分析问题，在很大程度上突破了统计数学模型对预测的约束力和限制力。应用人工神经网络进行复杂的地址信息的非线性整合处理，可以精准的对各类资料进行综合分析和归类。

参考文献：

[1]李传杰.基于模糊数学及神经网络的心理评估模型[D].山东大学，2008

[2]徐振东.人工神经网络的数学模型建立及成矿预测BP网络的实现[D].吉林大学，2004

[3]邓丽琼，朱俊.基于BP神经网络的教师课堂教学评价模型[J].国土资源高等职业教育研究，2013

第4篇：人工神经网络的实际应用范文

【关键词】软土路基；预测方法；分析

软土路基沉降程度与道路建设工程的质量、成本及工期有着很大的关系，施工单位为了有效的掌控软土路基的沉降变化，往往会采取一些软土路基沉降预测方法，并对这些方法在实际应用中采取动态的管控，观其应用的实际效果。软土路基沉降的预测，可以使施工单位对软土路基、路基的整体稳定性和完工后的沉降量进行有效的控制。软土路基沉降预测的方法很多，本文就几种常用的方法做了对比分析。

一、软土路基沉降常用的预测方法

在道路建设过程中，对软土路基后期沉降情况的预测意义重大。软土路基后期沉降情况的预测基础是道路工程建设的现场实测沉降资料。在实际工作中最常用的推测方法有下几种：人工神经网络法、灰色理论预测法、双曲线法、反分析方法、、有限元法等，每种预测方法都有自身的特有属性。

二、常用软土路基沉降预测方法的对比分析

第一，人工神经网络预测法。人工神经网络预测法是一种新型的预测方法，在软土路基沉降预测上应用的时间还不长。人工神经网络预测法的本质是一种应用系统，主要负责处理软土路基沉降的相关实测数据信息。目前，人工神经网络预测法使用较为广泛的领域主要包括两个――信息科学和工程技术。在工程技术领域的应用，主要体现自在软土路基沉降预测方面。组成人工神经网络预测法的处理单元单个来讲是非常简单的，但是这些单元之间的联系又是非常高度的，这些单元之间的高度联系形成了一个类似生物脑的神经系统，该系统能够模拟计算机的处理模式来处理软土路基沉降的相关数据。预测模式包括输出量和输入量，输出量指的是传统的因变量，输入量指的是传统的自变量，两种量之间关系用一种高维非线性的映射来表示。人工神经网络预测法自身有着非常独特的特点，可以解决其它预测方法在软土路基沉降量预测的效果短板，即土地自身原因导致预测精准度的降低，和效果的不能优化。人工神经网路预测法的构成单元相当于计算机的软件集成模块，其工作原理类似于计算机处理问题的原理，因此人工神经网络预测法不仅有较强的建模能力，还有较强的整合数据的能力，尤其擅长处理非线性的问题，这也是人工神经网络预测法的独有特性。利用这个特性对道路工程建设现场实测软土路基沉降资料进行分析，找出规律，进而为软土路基后期沉降量的预测作出正确的判断。在软土路基沉降预测方法中，人工神经网络预测法的优点是有目共睹的，但这种预测法不能应用于长期预测，根本原因是这种预测方法的精确度会随着时间的流失慢慢的下降，最终导致精确度丧失，这也是人工神经网络预测法的短板所在。

第二，灰色理论预测法。灰色理论预测法也是常用的一种软土路基沉降预测的方法。这种方法工作原理是通过灰色模型对不同数据去留的选择来实现预测精度、预测手段和预测模型的提升、修正和调整。作为灰色理论预测法核心――灰色模型，共有三种检验方法。在模型建立完毕及选定检验方法后，通过计算机的编程功能对道路工程建设现场实测的软土路基沉降的资料进行分析并记录数据，通过对这些数据的分析找出软土路基沉降的规律，并画出预测曲线图。灰色理论预测法的使用需要保证软土路基沉降实测数据的更新及时性和高精确度性，由于理论与现实总有误差，所以此方法的预测结果大于实测结果是很正常的。

第三，双曲线法。在软土路基沉降预测方法中，双曲线法是一种假设法，以假设的成立条件来预测软土路基沉降量，并画出坐标图。此方法运用所得到的数据精度由于其前提条件的因素是一个慢慢提升的过程，即后期的数据精度远远高于初期的数据精度。一般来讲，双曲线预测法使用的最佳时间点是软土路基沉降基本稳定时。此方法的短板在于数据观测时间会受到人为因素的干扰。

第四，反分析预测法。反分析预测法的过程是一个数值计算的过程，它需要通过对软土路基工程真实测量值的计算来得到土性参数和本构模型参数，并同时求出需要的物理量。反分析预测法在软土路基沉降的使用上也同人工神经网络预测法一样，都是一种新的预测方法。其工作的基本原理是对实测数据的反复计算，以使得到结果更加接近软土路基后期沉降量的数值。反分析法的使用除了要求实测数据的真实完整外，还需要假设一个合理的反分析数学模型，这个模型的建立对反分析法预测的结果又一定的影响。由于是假设，所以该模型建立使用的预测结果在一定程度上存在人为因素的误差。

第五，有限元预测法。有限元预测法有着自身的越性，在其使用的多种类型的本构模型中，非线性的弹性模型是使用范围最广的一个。有限元法可以容纳更加复杂的计算关系，可以更好地反映影响软土路基沉降的因素。从理论上讲，在所有预测软土路基沉降的方法中，有限元法是比较完善的一种方法，收到人们的关注。其自身的短板表现为在实际计算过程中需要用到大量的参数做依据，最终数据的确定必须通过特定试验的论证，导致其工作量和工程的复杂性远远高于其它的预测方法。

道路工程建设中会遇到很多软土路基沉降的想象，有效的对软土路基沉降作出预测，对道路工程的顺利施工有重要意义。综上所述，软土路基沉降的预测方法各有各的长板和短板，道路工程建设人员要根据施工现场的实际情况选取科学的预测方法，以提高软土路基后期沉降量数值的精确性。

参考文献：

第5篇：人工神经网络的实际应用范文

【关键词】自组织神经网络；MATLAB；震级；地震预测

1.引言

地震是一种会给人类社会带来巨大灾难的自然现象。在众多的自然灾害中，特别是在造成人员伤亡方面，全球地震灾害造成的死亡人数占全球各类自然灾害造成的死亡人数总数的54%，可以堪称群灾之首[1].地震预报是地理问题研究领域中的一个重要课题，准确的地震预报可以帮助人们及时采取有效措施，降低人员伤亡和经济损失[2]。

神经网络是一种大规模并行分布处理的非线性系统，具有高度的非线性运算能力和良好的自学习能力[3]。近年来，受到了广大预测科学工作者的关注。神经网络这方面的优势，主要体现在：

（1）容错能力强。由于网络知识信息采用的是分布式存储，个别单元损坏就不会引起输出错误。这使得预测、识别过程时容错力强，可靠性高。

（2）预测、识别速度快。训练好的网络对样本预测、识别的时候仅需要少量的算法，这使得其运算速度比其他算法更快。

（3）避免了特征因素与判别目标复杂关系，尤其是公式的叙述。网络可以自己学习和记忆各个输入量与输出量间的关系[4]。

2.自组织竞争神经网络

在地震的预报中，有的时候需要根据不同地震活动指标将发生在不同时间、空间和强度的地震进行分类研究，然后根据这些特征对其他的样本进行预报。自组织竞争神经网络能够对输入模式进行自组织训练和判断，并将其最终分为不同的类型[5]。

自组织竞争型网络预报的原理：通过采集的训练样本对网络训练，训练好的网络记忆了所有分类模式。当输入新样本会激发对应神经元就可以对新样本进行分类。自组织竞争网络基本上为输入层和映射层的双层结果，映射层的神经元互相连接，每个输出神经元连接至所有输入神经元[5]，其结构图如图1所示。

图1 自组织竞争神经网络结构图

3.数据样本的采集及预处理

利用自组织竞争神经网络进行地震预报，首先应该提取有关地震预报的重要指标，确定网络结构。样本数目的确定没有通用的方法，一般认为，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。

这里测取了我国某地区连续12年的地震趋势作为检验实例，研究时间1年，所选取的11项地震活动指标：最多次数的地震震级、b值、平均震级、平均纬度、平均纬度偏差、平均经度、平均经度偏差、最大地震震级、ML大于115的地震次数、相邻两年地震次数差、相邻两年的最大地震震级差。

获得输入变量后除了大地震震级指标将其余指标数据处理为区间[0 1]之间的数据[4]。公式如下：

处理后的数据如表1所示。

4.自组织竞争神经网络的设计

上述数据按照震级的大小分为：一般地震、中等地震、严重地震3类，因此这里需要设置的神经元数为3个。最后一年的数据作为测试样本其余均参加竞争训练。由于输入有11个向量所以输入层神经元数目为11。为了增快学习速度将学习速率设定为0.1。其建立网络代码如下：

本程序建立的自组织竞争神经网络结构图，如图2所示：

5.网络训练

网络训练后才可用于地震预测的实际应用。训练代码如下：

根据代码的输出结果可知，表1中的第1、3、4、6、11组数据属于一类；第2、7组数据属于一类；第5、8、9、10组数据属于一类。直接检验表中的数据，可以很容易的发现同一类数据比较相近，这同样验证了上述的分类结果。

6.网络的测试

根据训练好的自组织竞争神经网络输入测试样本，得到的输出结果与实际结果进行比对。这里输入测试代码：

P_test=[0.3125 0.45 0.5001 0.7853 1 0.4236 0.1825 4.1 0.0501 0.4 0.12]’；

y1=sim（net，P_test）；

y1=vec2ind（y1）；

代码的输出结果为：y1=1。

通过直接进行数据对比我们认为第12组数据和第1组数据非常的接近，所以网络的运行结果是正确的。由上述可以得知，此网络有着相当好的预报精度。

7.结语

通过实验基于自组织竞争神经网络的地震预测精度很高，并且可以有效的克服数据含噪声的因素，此外本文所使用的竞争神经网络结构简单、易于实现。综上所述，该自组织竞争神经网络可以被广泛的用于地震分类的预测系统中。

参考文献

[1]陈运泰.地震预测：回顾与展望[J].中国科学，2009，39 （12）：1633-1658.

[2]付兴兵，刘光远.粒子群多层感知器在地震预报中的应用研究[J].湖南工程学院，2007，17（1）：23-26.

[3]李东升，王炜.人工神经网络及其在地震预报中的应用[J].地震，1995，15（4）：379-383.

[4]张治国.人工神经网络及其在地学中的应用研究[D].吉林：吉林大学，2006：78-79.

[5]朱大齐，史惠.人工神经网络原理及应用[M].北京：科学出版社，2006.

[6]韩晓飞，潘存英，罗词建.基于遗传算法的广义回归神经网络在地震预测中的应用[J].华北地震科学，2012，30（1）：48-53.

第6篇：人工神经网络的实际应用范文

关键词：微地震；震源探测；遗传算法；BP人工神经网络法

中图分类号：P315 文献标识码：A

微地震属于一种小型地震，经常发生在地下矿井深部开采过程中的一种不可避免的现象。在20世纪80年代中期发展起来的微震探测技术源于声发射学和地震学，是区别于常规地震的地球物理勘探技术，根据声发射检测技术演化发展起来，主要应用于油气工业中。而探测可以导致微地震的地质活动，有着重大的现实意义和指导意义。

1 物探技术研究进展

20世纪70年代初期，为了确认开发井的目标和叙述辅助的断裂层，水力压裂微震探测技术始于地热领域。70年代末，美国Los Alamos国家实验室在Fenten山热干岩进行了3年的井下微震观测研究的现场实验，验证了水力裂缝的方位可以通过水力压裂时产生的水平微震来确定。90年代以后，荷兰飞利浦、加拿大金斯敦ESG组织、英国KEELE大学、日本JAPEX研究生中心等机构对于微震检测技术在油气工业中的应用提供了较多的理论与实验支撑。国内关于微震探测技术的研发相对较晚，但近年来，从基础理论研究和自主研发方面都取得了很大的成果。在基础理论研究方面，相继提出了瑞雷波频散曲线的正反演、遗传算法和局域搜索算法的联合反演、射线追踪法以及滤波技术等研究方法。在自主研发方面，主要有微震探测系统、基于三分量检波器的探测系统、遥测地震仪和基于Labview的微震探测系统等。

2 探测技术研究方法

2.1 射线追踪正演算法

本文主要通过基于射线法进行正演研究。射线法，可以利用不断更新的射线路径，对各种复杂的地质结构选择地震波在介质中的最佳运动轨迹。同时，迭代法可以通过结点的增减，来完成地震波传播路径的探测工作。综合微变网格法，经过设计得到复杂模型微震射线路径追踪法。

2.2 非线性反演算法

在探测过程中，非线性最优算法发展最为迅速，需要通过微震资料的反演来定位震源和了解速度场变化。非线性反演方法中应用最广泛的主要有遗传算法（GA，Genetic Algorithm）和人工神经网络法（ANN，Artificial Neural Network）方法中的BP神经网络。本文将GA算法和BP算法结合，通过联合反演方法讨论微震震源的定位反演。

2.2.1 遗传算法反演

遗传算法，是一种全局最优算法，可以结合定向和随机搜索方法，是模拟达尔文生物进化论的自然选择与遗传学机理的生物进化过程和机制的计算模型。1975年，J. Holland教授提出了遗传算法。目前，遗传算法发展完善，有着搜索过程多维化、简单化、适应性强以及全局性的特点。通过对遗传算法、加速收敛和正演参数的确定，明确介质模型参数的搜索范围，最后对遗传算法获取的反演数据进行处理。

2.2.2 BP神经网络算法反演

二十世纪80年代，人工神经网络的研究进入了一个新。它易于处理复杂非线性问题，具有持久性和适时预报性的特点，被广泛应用于多个领域。其中，BP人工神经网络（BP，Back Propagation），是目前应用最为广泛的人工神经网络模型之一，是一种按误差逆传播算法训练的多层前馈网络，是可以计算单个权值变化引起网络性能变化值的较为简单的方法，在地球物理勘测方面发挥了重大作用。BP神经网络反演方法的主要步骤分为两部分，分别为学习训练和迭代反演。

2.2.3 GA-BP联合反演方法

GA算法与BP算法的混合，可以结合全局最优算法和局部最优算法的优点，弥补对方的缺点，使其交叉变异率具备自学习、自适应等特征，并且能够快捷、有效的获取最优解，提供神经网络的预测能力。进行GA算法和BP算法的联合反演，二者需持续运行，并且按照一定的比例进行。图1为基于混合算法的微地震震源定位反演算法流程。

3 研究展望

发展基于遗传算法的全局混合优化算法已成为新的发展趋势。而对于非线性反演，尤其是面对地球物理资料联合反演，通过算法指挥由不同反演方法和迭代过程组织成系统，使之输出分辨率最优而方差最小的地球物理介质模型，是其非常重要的研究方向。

参考文献

[1]李琼，李勇，李正文，吴朝容.基于GA-BP理论的储层视裂缝密度地震非线性反演方法[J].地球物理学进展，2006，21（02）：465-471.

第7篇：人工神经网络的实际应用范文

关键词:BP神经网络 MATLAB仿真

中图分类号:TP39文献标识码:A 文章编号:1007-3973(2010)06-061-02

1 BP神经网络概述

BP(Back Propagation)网络是1986年由Rumelhart和McCelland为首的科学家小组提出,是一种按误差逆传播算法训练的多层前馈网络,是目前应用最广泛的神经网络模型之一。它的学习规则是使用最速下降法,通过反向传播来不断调整网络的权值和阈值,使网络的误差平方和最小。BP一般为多层神经网络,其模型拓扑结构一般包括输入层(input)、隐层(hide layer)和输出层(output layer)。如图1所示:

2BP网络的学习算法

(1)最速下降BP算法(steepest descent backpropagation,SDBP)

如图2所示的BP神经网络,设k为迭代次数,则每一次权值和阈值的修正案下式进行:

式中:w(t)为第k次迭代各层之间的连接权向量或阈值向量。x(k)= 为第k次迭代的神经网络输出误差对个权值或阈值的梯度向量。负号代表梯度的反方向,即梯度的最速下降方向。 为学习速率,在训练时事一常数。在MATLAB神经网络工具箱中,其默认值为0.01,可以通过改变训练参数进行设置。为第k次迭代的网络输出的总误差性能函数,在MATLAB神经网络工具箱中,BP网络误差性能函数的默认值为均误差MSE(mean square error):

根据(2.2)式,可以求出第k次迭代的总误差曲面的梯度x(k)= ,分别代入式(2.1)中,就可以逐次修正其权值和阈值,并使总的误差向减小的方向变化,最终求出所要求的误差性能。

(2)冲量BP算法(momentum backpropagation,MOBP)

因为反向传播算法的应用广泛,所以已经开发出了很多反向传播算法的变体。其中最常见得事在梯度下降算法的基础上修改公式(2.1)的权值更新法则,即引入冲量因子,并且0≤

标准BP算法实质上是一种简单的最速下降静态寻优方法,在修正W(K)时,只按照第K步的负梯度方向进行修正,而没有考虑到以前积累的经验,即以前时刻的梯度方向,从而常常使学习过程发生振荡,收敛缓慢。动量法权值调整算法的具体做法是:将上一次权值调整量的一部分迭加到按本次误差计算所得的权值调整量上,作为本次的实际权值调整量,即公式(2.3)所示:是冲量系数,通常0≤

(3)学习率可变的BP算法(variable learnling rate backpropagation,VLBP)

标准BP算法收敛速度缓慢的一个重要原因是学习率选择不当,学习率选得太小,收敛慢;反之,则有可能修正的过头,导致振荡甚至发散。因此可以采用图3所示的自适应方法调整学习率。

自适应调整学习率的梯度下降算法,在训练的过程中,力求使算法稳定,而同时又使学习的不长尽量地大,学习率则是根据局部误差曲面作出相应的调整。学习率则是通过乘上一个相应的增量因子来调整学习率的大小。即公式(2.5)所示:

其中:为使步长增加的增量因子,为使步长减小的增量因子; 为学习率。

3 建立BP神经网络预测模型

BP预测模型的设计主要有输入层、隐含层、输出层及各层的个数和层与层之间的传输函数。

(1)网络层数

BP有一个输入层和一个输出层,但可以包含多个隐含层。但理论的上已证明,在不限制隐含层节点的情况下,只有一个隐含层的BP就可以实现任意非线性映射。

(2)输入层和输出层的节点数

输入层是BP的第一层,它的节点数由输入的信号的维数决定,这里输入层的个数为3;输出层的节点数取决于BP的具体应用有关,这里输出节点为1。

(3)隐含层的节点数

隐含层节点数的选择往往是根据前人设计所得的经验和自己的进行的实验来确定的。根据前人经验,可以参考以下公式设计:

其中:n为隐含层节点数;m为输入节点数;t为输出节点数;a为1~10之间的常数。根据本文要预测的数据及输入和输出节点的个数,则取隐含层个数为10。

(4)传输函数

BP神经网络中的传输函数通常采用S(sigmoid)型函数:

如果BP神经网络的最后一层是Sigmoid函数,那么整个网络的输出就会限制在0~1之间的连续;而如果选的是Pureline函数,那么整个网络输出可以取任意值。因此函数选取分别为sigmoid和pureline函数。

4 BP神经网络预测的MATLAB仿真实验

(1)样本数据的预处理

本文的样本数据来源于中国历年国内生产总值统计表,为了让样本数据在同一数量级上,首先对BP输入和输出数据进行预处理:将原样本数据乘上,同时将样本数据分为训练样本集和测试样本集,1991~1999年我国的三大产业的各总值的处理结果作为训练样本集,即1991~1998年训练样本作为训练输入;1999年训练样本数据作为输出训练输出;1992~2000年我国的三大产业的各总值的处理结果作为测试样本集,即1992~1999年的测试样本作为测试输入,2000年测试样本数据作为测试输出。

(2)确定传输函数

根据本文的数据,如第3节所述,本文选取S函数(tansig)和线性函数(purelin)。

(3)设定BP的最大学习迭代次数为5000次。

(4)设定BP的学习精度为0.001;BP的学习率为0.1。

(5)创建BP结构如图4所示;训练BP的结果图5所示:

正如图5所示的数据与本文所示设计的网络模型相符,且如图5所示当BP神经网络学习迭代到99次时,就打到了学习精度0.000997788,其学习速度比较快。

(6)测试BP神经网络

通过MATLAB对测试样本数据进行仿真,与实际的2000年我国三大产业的各生产总值比较(见表1),说明BP神经网络预测模型是可行的。、

5总结

总之,在人工神经网络的实际应用中,BP神经网络广泛应用于函数逼近、模式识别/分类、数据压缩等。通过本文可以体现出MATLAB语言在编程的高效、简洁和灵活。虽然BP在预测方面有很多的优点,但其还有一定的局限性,还需要进一步的改进。

参考文献:

[1]周开利,康耀红.神经网络模型及其MATLAB仿真程序设计[M].北京:清华大学出版社,2005.7.

[2]张德丰等.MATLAB神经网络应用设计[M].北京:机械工业出版社,2009.1.

[3][美]米歇尔(Mitchell,T.M.)著;曾华军等译[M].北京:机械工业出版社,2003.1.

第8篇：人工神经网络的实际应用范文

关键词：电力系统超短期负荷预测人工神经网络外推法

中图分类号：F407文献标识码： A

1 负荷预测概述[1]

负荷的大小与特性对于电力系统设计和运行都是极为重要的因素。对负荷的变化与特性有一个事先的估计是电力系统运行、控制和规划不可缺少的一部分。

指导调度员控制联络线交换功率在规定范围，一般需5～15min 的负荷数据。预防性控制和紧急状态处理需要10min至1h的预测值[2] 。这也是本文的主要研究方向。

2 电力系统负荷预测方法简介

长期以来，国内外学者对负荷预测的理论和方法做了大量的研究，提出了各种各样的预测方法，这些方法大致可分为两大类:一类是以时间序列法为代表的传统方法，另一类是以人工神经网络为代表的新型人工智能方法。传统方法中主要有时间序列法、多元线性回归法及傅立叶展开法等。人工智能方法中主要有专家系统法、模糊逻辑法、人工神经网络法及小波分析法等。由于电力负荷的变化有其不确定性，如气候变化、意外事故的发生等对电力负荷造成随机干扰，因此，每种方法均有一定的适应场合，并需要不断的完善。

2.1 回归分析法

回归分析法又称统计分析法,回归模型有一元线性回归、多元线性回归、非线性回归等回归预测模型；其中，线性回归用于中期负荷预测。优点是：预测精度较高，适用于在中、短期预测使用。缺点是：1.规划水平年的工农业总产值很难详细统计；2.用回归分析法只能测算出综合用电负荷的发展水平，无法测算出各供电区的负荷发展水平，也就无法进行具体的电网建设规划。

2.2 弹性系数法

弹性系数是电量平均增长率与国内生产总值之间的比值，根据国内生产总值的增长速度结合弹性系数得到规划期末的总用电量。弹性系数法是从宏观上确定电力发展同国民经济发展的相对速度，它是衡量国民经济发展和用电需求的重要参数。电力弹性系数可以用下面的公式来表示：

(2-1-1)

式中：为电力弹性系数；为为电力消费年平均增长率；为国民经济年平均增长率

在市场经济条件下，电力弹性系数已经变得捉摸不定，并且随着科学技术的迅猛发展，节电技术和电力需求侧管理，电力与经济的关系急剧变化，电力需求与经济发展的变化步伐严重失调，使得弹性系数难以捉摸，使用弹性系数法预测电力需求难以得到满意的效果。2.3 时间序列法

时间序列法是短期负荷预测的经典方法，是根据负荷的历史资料，设法建立一个数学模型，用这个数学模型一方面来描述电力负荷这个随机变量变化过程的统计规律，另一方面在该数学模型的基础上再确立负荷预测的数学表达式，对未来的负荷进行预报。就一般地时间序列预测方法而言，人们总是先去识别与实际预测目标序列相符合的一个随机模型，并估计出随机模型中的未知参数，再对随机模型进行考核，当确认该随机模型具有适用价值后，再在此基础上建立预测表达式进行预报。它利用了电力负荷变动的惯性特征和时间上的延续性，通过对历史数据时间序列的分析处理，确定其基本特征和变化规律，预测未来负荷。

2.4 负荷求导法

每天的负荷大小（高低）有差别，但其负荷的变化率是有一定的规律。只要找出一个适当函数来拟合每天的负荷曲线，对这个函数进行一次求导，即可得出一天的负荷变化率。虽然每天的负荷大小变化难以准确预测，但对负荷曲线求导后，得出的负荷变化率有一定的稳定性。因此，利用负荷的变化率来进行超短期负荷预测将会使精确度提高。负荷求导法预测的公式是：

(2-1-2)

式中对第i+1点的负荷预测值；

第i点的实际负荷值；

第i点的预测负荷变化率值。

2.5 专家系统法

专家系统预测法是对数据库里存放的过去几年甚至几十年的，每小时的负荷和天气数据进行分析，从而汇集有经验的负荷预测人员的知识，提取有关规则，按照一定的规则进行负荷预测。实践证明，精确的负荷预测不仅需要高新技术的支撑，同时也需要融合人类自身的经验和智慧。因此，就会需要专家系统这样的技术。专家系统法，是对人类的不可量化的经验进行转化的一种较好的方法。但专家系统分析本身就是一个耗时的过程，并且某些复杂的因素（如天气因素），即使知道其对负荷的影响，但要准确定量地确定他们对负荷地区的影响也是很难的。专家系统预测法适用于中、长期负荷预测。此法的优点是：1.能汇集多个专家的知识和经验，最大限度地利用专家的能力；2.占有的资料、信息多，考虑的因素也比较全面，有利于得出较为正确的结论。

2.6 外推法

根据负荷的变化趋势对未来负荷情况作出预测。电力负荷虽然具有随机性和不确定性，但在一定条件下，仍存在着明显的变化趋势，例如农业用电，在气候条件变化较小的冬季，日用电量相对稳定，表现为较平稳的变化趋势。

外推法有线性趋势预测法、对数趋势预测法、二次曲线趋势预测法、指数曲线趋势预测法。趋势外推法的优点是：只需要历史数据、所需的数据量较少。缺点是：如果负荷出现变动，会引起较大的误差。

2.7 人工神经网络法

人工神经网络理论最早出现于20世纪40年代，经过几十年的发展，已广泛的用于电力系统短期负荷预测。在现有的各种神经网络的计算方法中，由Ponelhert和Mcclelland提出的BP算法是应用得最多的一种。BP算法的模型为前向多层网络，由输入层、隐含层、输出层组成，每层都包含若干节点，同一层的节点间没有相互的连接，而仅仅在前后不同层之间有节点的连接。BP算法的学习过程由正向传播和反向传播组成，正向传播过程的输入样本从输入层经隐含层处理后传向输出层，每一层神经元的状态只影响下一层神经元的状态。如果在输出层得不到期望值，则转入反向传播，将误差信号沿原连接通路返回，通过修正各神经元的权系数，使误差信号减小，达到给定的精度，从而完成了其学习过程。这样，当在网络的输入端加入一新的信号时，就能从其输出端得到相应的结果。

3 预测算例

通过前述对各种预测方法的分析，采用神经网络法和外推法对山东某地区一个变电站的2005年8月8日负荷进行预测。在实际应用中，预测最小间隔为5min，预测长度为1h。目前15min预测间隔为最常用。负荷采样间隔为5分钟，一天24个小时为288个数据，预测为提前15分钟的预测，预测结果如下：

图1 基于BP神经网络的负荷预测曲线

预测的平均相对误差为2.3089%，本文在建立超短期负荷模型时，未考虑天气变化和突发事件对负荷的影响，这在一定程度上影响了预测的精度。当天气变化显著或者有突发事件时，这个预测模型的精度会变差。但总的来说，所得预测结果比较令人满意。

图2 外推法负荷预测曲线

预测的平均相对误差为2.3059%，与神经网络法预测结果相差不大。

4 结论

本文对各种负荷预测方法进行了分析，并且在短期及超短期负荷预测方面，针对于两种目前比较常用的负荷预测方法――人工神经网络法和负荷外推法进行了重点的仿真研究。得出：在超短期负荷预测方面两种方法得出结果相差并不是很大。负荷外推法方法简单，要求的历史数据较少，运算速度较快，可满足系统在线分析的实时要求，比较适合在工程中应用。人工神经网络法算法比较复杂，而且存在训练时间较长、收敛性等问题。但是在短期负荷预测方面(例如提前24小时的预测)神经网络法存在着比负荷外推法明显的优势。因此，在工程应用等方面线性外推法还是具有较强的实用性。

参考文献

[1]刘晨晖.电力系统负荷预报理论与方法[M].中国:哈尔滨工业大学出版社，1987年 .20-60.

[2]张峰 吴劲晖 张怡 胡若云.基于负荷趋势的新型超短期负荷预测法[J]. 电网技术,2005,vol.28 No.19

[3]吴熳红 杨继旺.几种电力负荷预测方法及其比较[J].广东电力,2001,vol.17 No.1

[4]陈霞 安伯义 陈广林.电力负荷预测理论与方法[J].农村电气化,2004.7

[5]吴劲晖 王冬明 黄良宝 孙维真.一种超短期负荷预测的新方法-负荷求导法[J]. 浙江电力,2000,6

[6]张国忠 熊伟 向求新 黄晓明 刘亚. 应用人工神经网络预测电力负荷[J].电力自动化设备,2002,22

[7]S.H.Ling Frank H.F.Leung H.K.Lam Peter K.S.Tam Short-Term Electric Load Forecasting Based on a Neural Fuzzy Networks[A]. IEEE Transactions on Industrial electronics vol.50 no.6

[8]闫承山 刘永奇.人工神经网络在华北电网负荷预测中的应用[J].电网技术,1998,22

[9] 马文晓 白晓民 沐连顺.基于人工神经网络和模糊推理的短期负荷预测方法[J].电网技术,2003,27

[10]D.C.Park M.A.El-Sharkawi R.J.Marks II L.E.Atlas and M.J.Damborg. Electric Load Forecasting Using An Artificial Neural Network [A].IEEE Transcaction on Power Systems vol.6 no.2 May 1991

[11]Lee K.Y.，Cha Y.T. Park J.H.，Short-term load forecasting using an artificial neutral network[J]. Power Systems, IEEE Transactions on , Volume: 7 , Issue: 1 , Feb. 1992

[12]姜勇.电力系统短期负荷预测的模糊神经网络方法[J]. 继电,2002，30(7)

[13]Shan Shao, Yaming Sun, Short-term load forecasting using fuzzy neural network. Advances in Power System Control, Operation and Management, 1997. Fourth International Conference on (Conf. Publ. No. 450) Vol. 1 Nov 1997

[14]杨洪明 白培林.基于遗传算法的人工神经网络负荷预报模型[J].湖南电力，2000 20

作者简介

陈晓东 男 硕士 工程师电力系统稳定 山东电机工程学会

第9篇：人工神经网络的实际应用范文

Guo Qingchun； He Zhenfang；Kou Liqun；Kong Lingjun；

Zhang Xiaoyong；Cui Wenjuan

（①Shaanxi Radio & TV University，Xi'an 710068，China；

②Cold and Arid Regions Environmental and Engineering Research Institute，Chinese Academy of Sciences，Lanzhou 730000，China）

摘要： 宏观经济政策的制定要参照各次产业的发展水平，所以对产业发展水平进行评估和预测就显得十分必要。通过运用改进BP算法神经网络的建模方法对我国第三产业产值比重进行分析，最后建立了单隐层的BP神经网络模型。结果表明基于改进BP算法的神经网络模型预测精度高，收敛速度快，具有良好的泛化能力，模型的通用性和实用性强。

Abstract: The formulation of macroeconomic should consult the industry development level, so it is very important to assess and predict the industrial development level. Through the application and improvement of modeling method of BP algorithm neural network, the production value of the tertiary industry in China is analyzed, finally single hidden layer of BP neural network model is established. The research results show that the model based on the improved BP neural network has high forecast precision, fast convergence rate, good generalization ability, strong universality and strong practicality.

关键词： 第三产业 产值比重 BP神经网络 预测

Key words: tertiary industrial；the proportion of output-value；BP Neural Network；predict

中图分类号：F20 文献标识码：A文章编号：1006-4311（2011）15-0009-02

0引言

第三产业的产值比重是衡量一个国家经济发展水平的重要指标之一，第三产业的兴旺发达已经成为全球性的经济发展趋势，成为了现代经济的一个重要特征。而第三产业受到人均国民生产总值、第一产业及第二产业的就业比重和产值比重的影响，而且这种影响是非线性的、不确定的、模糊的，传统的经济数学模型是很难得到满意结果的。

人工神经网络是目前一种有效的预测方法，大量的仿真实验和理论研究已经证明BP算法是一种有效的神经网络学习算法，它具有很强的处理非线性问题的能力，近年来已经广泛应用到各个领域[1-4]。但在实际应用中，BP算法也暴露出一些自身的缺点，算法容易陷入局部极值点，收敛速度慢等，这使得BP算法只能解决小规模的问题，求得全局最优的可能性较小，这样限制了BP算法在实际中的应用。因此应用改进BP算法的人工神经网络模型预测第三产业的产值比重，和常规方法相比在计算速度、训练时间等方面都有显著提高。

1数据来源和预处理

数据来源于《中国统计年鉴（2009年）》，资料时间范围为1978年-2008年。在发展中国家，第三产业主要受人均国内生产总值和第二产业的影响，所以采用的数据有：人均国内生产总值，第二产业的产值比重，第二产业的就业比重。一般来说，在实际应用中，由于所采集的数据跨度较大，为提高训练速度和灵敏性以及有效避开Sigmoid函数的饱和区，一般要求输入数据的值在-1~l之间。通过标准化(y=2*(x-min(x))/(max(x)-min(x))-1)处理，构成一组新序列。

2BP神经网络模型的建立

BP模型实现了多层学习的设想，当给定网络一个输入模式时，它从输入层单元传到隐含层单元，经隐含层单元逐层处理后再发送到输出层单元，经输出层单元处理后产生一个输出模式，这是一个逐层状态更新的过程，称为前向传播，如果输出响应与期望输出模式有误差，不满足要求，则转入误差反向传播，将误差值沿连接通路逐层反向传送并修正各层连接权值和阈值，当各个训练模式都满足要求时，则学习结束。

研究中直接把影响第三产业产值比重的3项指标（人均国内生产总值，第二产业的产值比重，第二产业的就业比重）作为BP神经网络的输入向量，把第三产业产值比重作为输出向量，这样就确定了输入层节点数为3，输出层节点数为1。BP模型中，转移函数常用的有两种：sigmoid函数和线性函数（y=x），sigmoid函数又有两种函数：tansig函数和logsig函数，本研究穷尽了这二种转移函数的搭配组合，测试不同组合对网络性能的影响，结果表明，当输入-隐层为tansig函数、隐层-输出层为线性函数时，效果最好。

若输入层和输出层采用线性转换函数，隐含层采用Sigmoid转换函数，则只有一个隐含层的网络能够以任意精度逼近任何有理函数，所以第三产业产值比重预测模型也只选用一层隐含层来构建网络。在预测中分别组建了隐层节点数从1～25的BP网络，经过大量试算，最后根据试报效果，确定了较为理想的隐层单元数是5。

由于传统神经网络存在不足，因此需对其进行改进，trainbr（Levenberg-Marquardt优化方法与Bayesian正则化方法）函数采用Levenberg-Marquardt优化方法进行网络权值和阈值的最优化搜索，并采用Bayesian正则化方法在网络训练过程中自适应地调节性能函数比例系数y的大小，使其达到最优，并且采用trainbr函数训练后BP网络具有较好的推广能力。

3结果

利用1978年-2003年的第三产业产值比重数据作为训练样本，采用改进BP算法的trainbr训练函数进行训练构建的神经网络，不断调整输入层和隐含层、隐含层和输出层的权值和阈值，达到预定精度，结束训练，然后采用2004年-2008年的第三产业产值比重数据作为检验样本，利用训练好的网络对2004年-2008年的第三产业产值比重进行预测。结果表明训练样本模拟值和实际值的平均相对误差为0.037%，它们的相关系数为0.998297；检验样本预测值和实际值的平均相对误差为1.408%，它们的相关系数为0.732383；无论是训练样本的残差和误差，还是检验样本的残差和误差，都较小，而且它们的相关系数都较高，该方法进行预测时，如2007年我国第三产业产值比重预测值为40.75%，实际值为40.37%，二者相差不大；2008年的预测值为40.83%，实际值为40.07%，相对误差仅为1.9%。

4结论

利用1978年-2003年的数据作为训练样本，建立了基于改进BP算法神经网络的GDP预测模型，并对2004年-2008年进行了预测，通过模型建立和研究可以得出以下结论：

训练样本模拟值和实际值的平均相对误差为0.037%，它们的相关系数为0.998297；检验样本预测值和实际值的平均相对误差为1.408%，它们的相关系数为0.732383；说明预测精度高和泛化能力强。

改进BP算法的神经网络采用Levenberg-Marquardt优化方法进行网络权值和阈值的最优化搜索，并采用Bayesian正则化方法在网络训练过程中自适应地调节性能函数比例系数y的大小，系统的计算速度更快、预测精度更高，应用该方法对我国1978-2008年第三产业的产值比重进行计算和预测，结果比较合理。

改进BP算法的人工神经网络能够捕捉到第三产业产值比重和人均国内生产总值、第二产业的产值比重、第二产业的就业比重之间的高度复杂的非线性函数映射关系，很好地解决了第三产业产值比重预测的难题，为经济政策的制定提供了科学依据，实践证明这种方法具有较大的理论意义和应用价值。

参考文献：

[1]王晓东，薛宏智.基于BP神经网络的股票涨跌预测模型[J].价值工程，2010，29（31）：47-49.

[2]朱刘阳.一种雷达信号自适应盲分离算法[J].价值工程，2010，29（30）：211-212.