常见的神经网络算法精选(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常见的神经网络算法主题范文，仅供参考，欢迎阅读并收藏。

第1篇：常见的神经网络算法范文

【关键词】遗传算法；BP神经网络；柴油机；故障诊断

柴油机缸盖振动信号中包含着丰富的工作状态信息，在对其现代诊断技术中，基于振动信号分析的诊断方法显示出了其优越性，利用缸盖振动信号诊断柴油机故障是一种有效方法。故障特征的提取和故障类型的识别是利用振动信号分析法在对柴油机进行故障诊断过程中两个最为重要的过程。根据提取的故障特征识别柴油机的故障类型是一个典型的模式识别问题，对柴油机故障类型识别采用恰当的模式识别方法就尤为重要。神经网络作为一种自适应的模式识别技术，其通过自身的学习机制自动形成所要求的决策区域，而不需要预先给出有关模式的经验知识和判断函数；它可以充分利用状态信息，对来自于不同状态的信息逐一进行训练而获得某种映射关系。鉴于其自身特性，在故障模式识别领域中有着越来越广泛的应用。而据统计，有80%～90%的神经网络模型都是采用了BP网络或者是它的变形。BP网络是前向网络的核心部分，是神经网络中最精华、最完美的部分。但是它也存在一些缺陷，例如学习收敛速度、不能保证收敛到全局最小点、网络结构不易确定。遗传算法是一种基于生物自然选择与遗传机理的随机搜索算法。其基本操作是选择、交叉和变异，核心内容是参数编码、初始群体的设定、适应度函数的设计、遗传操作设计和控制参数的设定。遗传算法通过种群随机搜索，对数据进行并行处理，将结果收敛到全局最优解。因此，将遗传算法与BP神经网络结合应用于柴油机故障诊断中，可以提高网络的性能，避免网络陷入局部极小解，进而实现对设备故障的识别。

1 BP神经网络

1.1 BP神经元模型在柴油机故障诊断中的应用

BP神经网络是一种多层前馈型神经网络，其神经元的传递是S型函数，输出量为0至1之间的连续量，它可以实现从输入到输出的任意非线性映射。由于权值的调整采用反向传播学习算法，因此也称为其为BP网络。

图1 BP神经元模型

上图给出一个基本的BP神经元模型，它具有R个输入，每个输入都通过一个适当的权值和ω下一层相连，网络输入可表示为：

a=f（wp+b）

f就是表示输入/输出关系的传递函数。

BP神经网络的结构与所有影响齿轮故障的特征因素有关。柴油机运动部件多而复杂，激励源众多且其频率范围宽广，加之噪声的融入，使得柴油机表面振动信号极为复杂。基于这种特点，可以确定用于柴油机故障诊断的BP神经网络的输入层、输出层隐含层以及节点数等。由小波包提取各柴油机故障的特征值作为输入节点，输出节点数目与柴油机故障类别的数目有关。

1.2 BP神经网络与遗传算法

BP神经网络又称为反向传播算法，其算法数学意义明确、步骤分明，是神经网络中最为常用、最有效、最活跃的一种网络模型。常用方法梯度下降法和动量法，但是梯度下降法训练速度较慢，效率比较低，训练易陷入瘫痪，而且其实质是单点搜索算法，不具有全局搜索能力；动量法因为学习率的提高通常比单纯的梯度下降法要快一些，但在实际应用中速度还是不够；BP神经网络学习训练开始时网络的结构参数是随机给定的，因此结果存在一定的随机性。

遗传算法（Genetic Algorithm，GA）是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型，它是由美国密歇根大学的J.Holland 教授于1975年首先提出来的，遗传算法具有很强的宏观搜索能力和良好的全局优化性能，因此将遗传算法与BP神经网络结合，训练时先用遗传算法对神经网络的权值进行寻找，将搜索范围缩小后，再利用BP网络来进行精确求解，可以达到全局寻找和快速高效的目的，并且可以避免局部极小点问题。该算法不仅具有全局搜索能力，而且提高了局部搜索能力，从而增强了在搜索过程中自动获取和积累搜索空间知识及自应用地控制搜索的能力，从而使结果的性质得以极大的改善。

2 基于遗传算法的BP神经网络

遗传算法优化BP神经网络主要分为：BP神经网络结构确定、遗传算法优化权值和阀值、BP神经网络训练及预测。其中，BP神经网络的拓扑结构是根据样本的输入/输出个数确定的，这样就可以确定遗传算法优化参数的个数，从而确定种群个体的编码长度。因为遗传算法优化参数是BP神经网络的初始权值和阀值，只要网络结构已知，权值和阀值的个数就已知了。神经网络的权值和阀值一般是通过随机初始化为[-0.5，0.5]区间的随机数，这个初始化参数对网络训练的影响很大，但是又无法准确获得，对于相同的初始权重值和阀值，网络的训练结果是一样的，引入遗传算法就是为了优化出最佳的初始权值和阀值。

2.1 基于遗传算法的BP神经网络在柴油机故障诊断中的应用

通过基于遗传算法的BP神经网络建立小波包特征量与故障之间的对应关系。表1为柴油机常见故障在不同频段的能量分布，构成了人工神经网络的训练样本。表2为网络输出样本，“0”代表没有故障，“1”代表发生故障。利用表1中的训练样本对基于遗传算法的BP神经网络进行训练，经1000次训练达到了理想训练效果。

表1 训练样本

表2 网络理想输出

表3 待诊断的故障样本

表4 诊断结果

将表3中的待诊断的故障样本输入到已经训练好的BP神经网络，得到诊断结果如表4所示。第1组待诊断的信号第1个输出节点接近1，可以根据训练样本结果判断该组数据故障为供油提前角晚；第2组待诊断的信号第4个输出节点接近1，根据训练样本结果可以判断该组数据故障类型为供油提前角早；第3组待诊断的信号第7个数据节点接近1 ，可以判断故障类型为针阀卡死，其诊断结果和现场勘查结果一致。

3 结语

遗传算法优化BP神经网络的目的是通过遗传算法得到更好的网络初始值和阀值。通过以上研究可以看出，遗传算法和BP算法有机的融合，可以有效地弥补BP神经网络结构、权值和阀值选择上的随机性缺陷，充分利用了遗传算法的全局搜索能力和BP神经网络的局部搜索能力，克服了传统的BP神经网络柴油机故障诊断的缺点，提高了柴油机故障诊断的精度。

【参考文献】

第2篇：常见的神经网络算法范文

1.1混合神经网络的结构本文提出的混合神经网络是在CC神经网络的基础上，在隐含层的生成中增加了乘算子的部分以提高神经网络非线性辨识能力。乘算子和加算子结构上的自增长基本相互独立，既保留了原CC神经网络的优点，同时也使得乘算子的特点得到发挥。混合神经网络的结构如图3所示，网络的隐含层由两种不同类型的算子(乘算子和加算子)共同构成。这种混合隐含层根据构成的算子类型分为加法部分和乘法部分。通过相关性s来确定其中一个隐含层部分增加节点，加法部分采用级联结构与原CC神经网络相同，乘法部分采用单层结构避免其阶数过高，最后两个隐含层的输出同时作为输出节点的输入进行输出。

1.2引导型粒子群算法针对混合隐含层的结构、权值和阈值的求取,本文提出了一种新的引导型粒子群算法（GQPSOI）。GQPSOI通过控制粒子i和j之间的距离来保证粒子不会收敛得太快从而陷入局部极小值，同时根据各粒子p(i,:)和p(j,:)之间的距离D(i,j)以及粒子间平均距离D来计算淘汰度Ew决定淘汰粒子并对其进行量子化更新。

1.3混合神经网络算法流程混合神经网络的自增长过程如图4所示。网络增长的具体步骤如下。（1）网络结构初始化。网络中只有输入层和输出层，无隐含层，如图4(a)所示。（2）使用GQPSOI算法训练输出权值。（3）对网络性能进行判断，如满足要求，则算法结束，网络停止增长，如图4(d)所示，否则转到下一步。（4）建立隐含层节点候选池(内含一个乘算子和一个加算子)，分别将候选隐含层节点代入网络结构并使用GQPSOI算法以最大相关性原理训练两个候选节点，分别计算两个候选节点与现有残差Ep,o的相关性s。（5）选择相关性s最大的候选节点，作为新的隐节点加入网络结构，如图4(b)、(c)所示，并固定新隐节点的输入权值。转移到步骤（2），对整个网络的输出权值进行调整。

2混合神经网络网络性能测试

2.1GQPSOI算法性能测试首先应用几个经典函数[9]对GQPSOI算法的性能进行了评价，并将实验结果与几种常见的算法进行了对比。这些函数包括：F1（Sphere函数）、F2(Rosenbrock函数)、F3(Rastrigin函数)、F4(Griewank函数)、F5(Ackley函数)，评价函数的维数为10。经过30次独立运行实验，每次的函数评价次数（FEs）[12]为100000。表1给出了GQPSOI算法与离子群算法（PSO），遗传算法（GA）以及差分进化法（DE）在30次独立运行评价试验中得到最优值的平均值和标准差。从表1中可以看出，在F2的实验中GQPSOI算法在30次独立运行中的平均值为7.746×10−12，这一结果明显优于PSO算法的29.55和GA算法的97.19，略优于DE的2.541×10−11。从F1、F3、F4、F5的实验结果也都可以看出GQPSOI算法明显优于其他算法。实验证明了GQPSOI算法的有效性和适用性，能够应用于神经网络的参数和结构调整。

2.2燃料电池的建模实验

2.2.1基于燃料电池输出电压的模型质子交换膜燃料电池[13-15]作为一种高效的清洁能源，在过去的几十年里取得了巨大的进展。在正常操作条件下，一片单电池可以输出大约0.5～0.9V电压。为了应用于实际能源供应，有可能需要将多片单电池串联在一起。具有级联结构的质子交换膜燃料电池实验装置如图5所示。从图5可以看出，电池引出电流I，电池温度T，H2和O2压力PH2和PO2会影响电池电压。将混合神经网络用于质子交换膜燃料电池的软测量建模，选用电池引出电流I，电池温度T，H2和O2压力PH2和PO2会影响电池电压的变量作为输入变量。将56片单电池的串联输出电压作为其输出，模型的目标函数取实际输出值与模型输出值得均方根误差(使其最小)。混合神经网络中加法部分以及输出层的神经元传递函数采用S型函数，GQPSOI算法中设置种群数30，最大迭代步长为1000，引导粒子起作用的概率设置为2%。图6为5kW质子交换膜燃料电池堆的实验装置。该实验系统采用增湿器与电池堆分体设置，参数检测采用传感器-直读式仪表方式，气体和水的流量测量采用转子流量计，电堆采用电阻负载，可直接测量电堆的输出电流、电压或功率。电池堆参数见表2。

2.2.2结果与分析实验条件如表3所示。取燃料电池装置输出的前100个值作为训练样本，后100个值作为测试样本。分别用CC神经网络，CC-GQPSOI和混合神经网络进行训练，当训练目标函数小于0.1或最大隐含层节点数达到30时网络停止增长，训练结束。表4给出了其最大相对误差和均方根误差的对比。图7显示了最终训练预测数据与输出数据之间的对比。从表4可以看出CC-GQPSOI和混合神经网络分别在隐含层节点数为4和6时达到训练要求，相较于CC神经网络的30个隐含层节点具有较小的网络结构。同时CC-GQPSOI和混合神经网络的均方根误差(3.0723×10−2和3.8606×10−2)也相较于CC神经网络的均方根误差(1.0354)具有更高的精度。从图8和图9的泛化结果来看，混合神经网络的预测误差保持在0.7以内，相对误差(绝对误差与被测量真值之比)保持在1.25%以内。CC-GQPSOI的误差在1以内。相对误差保持在3%以内。从实验结果可以看出，混合神经网络可以精确地预测出燃料电池装置的输出，反映了实际工况，具有良好的应用前景。

3结论

第3篇：常见的神经网络算法范文

关键词： 坦克传动系统； 齿轮箱； 故障诊断； 递归神经网络

中图分类号： TN911?34 文献标识码： A 文章编号： 1004?373X（2013）20?0033?05

0 引 言

作为机械设备重要结构部件之一的齿轮箱，维修保养工作量大；由于容易受安装位置、运行工况等复杂因素的影响，故障与征兆间的关系不很明确，是非线性映射关系；且不解体诊断技术的实现也相当复杂。因此，齿轮箱的故障诊断是一个非常复杂的问题，对此技术的深入研究，具有重要的理论意义、学术价值和广阔的应用前景[1?2]。

作为一种有效的模式识别技术，BP神经网络模型具有其特定的优势：较强的自学习、自适应、联想记忆和非线性模式识别能力，在多故障、多征兆复杂模式识别方面显示出极大应用潜力，因而被广泛应用到齿轮箱故障诊断方面。标准BP神经网络具有一定的局限性：收敛速度太慢；不能保证收敛到最小点；学习记忆不稳定。

本文主要实现了某新型号坦克传动系统的齿轮箱的故障诊断。为实现齿轮箱的智能化故障诊断建立基础，首先从坦克齿轮箱的故障特点分析入手，然后研究了带有偏单元的递归神经网络理论，建立了基于带有偏单元的递归神经网络的齿轮箱故障诊断模型，最后，将数据采集器现场采集到的齿轮箱数据作预处理后的数据和人为设置了一些故障的数据分别用此模型进行分析判断，研究结果表明，带有偏单元的递归神经网络方法能够实现本型号坦克齿轮箱的满意的诊断结果。

1 齿轮箱的故障分析[3]

齿轮箱是各类机械的变速传动部件，其运行状况将直接影响整个机器或机组的工作。齿轮箱主要由轴承、齿轮和轴组成，因此齿轮箱的失效原因主要包括轴承失效、齿轮失效、轴失效、箱体失效等。且齿轮箱各部件失效的比例大致如下：齿轮60%，轴承19%，轴10%，箱体等其他11%。因此，本文主要分析齿轮箱中齿轮、轴承和轴的故障诊断。

1.1 滚动轴承的主要故障

滚动轴承经过一段时间的运转通常会出现疲劳剥落和磨损等现象影响机器的正常工作。滚动轴承常见的主要故障有：

（1）疲劳剥落：滚动轴承工作时，滚动和滚动体表面既承受载荷有相对滚动，又由于交变载荷的作用，首先在表面下一定深度（除最大剪应力处）形成裂纹，继而扩展到接触表层发生剥落坑，最后发展到大片剥落。在正常工作条件下，疲劳剥落往往是滚动轴承故障的主要原因；

（2）磨损：滚道和滚动体的相对运动（包括滚动和滑动）和尘埃异物的侵入等都会引起表面磨损，而当不良时更会加剧表面磨损；

（3）塑性变形：在工作负荷过重的情况下，轴承受到过大的冲击载荷或静载荷，或者因为热变形引起额外的载荷，或者当有高硬度的异物侵入时，都会在滚道表面上形成凹痕或划痕；

（4）腐蚀：当水分直接侵入轴承时就会引起轴承腐蚀，另一方面，当轴承停止工作时，轴承温度下降达到零点，空气中的水分凝结成水滴吸附在轴承的表面上会引起腐蚀，此外，当轴承内部有电流通过时，在滚道和滚动体之间的接触点处，电流通过很薄的油膜引起火化，使表面局部熔融，在表面上形成波纹状的凹凸不平；

（5）断裂：当载荷超过轴承滚道或滚动体的强度极限时会引起轴承零件的破裂；

（6）胶合：在不良，高速重载的情况下，由于摩擦发热，轴承零件可能在极短的时间内达到很高的温度，从而导致表面烧伤及损坏；

（7）保持架损坏：通常，由于装配或使用不当而引起保持架发生变形，从而就可能增加保持架与滚动体之间的摩擦，甚至使某种滚动体卡死而不能滚动，或保持架与内外滚道发生摩擦等均可能引起保持架损坏，这也使振动、噪声和发热增加。

综合滚动轴承的各种故障，其主要表现在内环、外环、滚珠或保持架等故障。

1.2 齿轮的常见故障[4]

齿轮是常见的传动零件，齿轮的各种失效及比例大致如下：断齿41%，点蚀31%，划痕10%，磨损10%，其他8%。

（1）轮齿断裂：有疲劳断裂和过负荷断裂两种，疲劳断裂，通常先从受力侧齿根产生龟裂、逐渐向齿端发展而致折断，而过负荷断裂是由于机械系统弧度的剧烈变化、轴系共振、轴承破损、轴弯曲等原因，使齿轮产生不正常的一段接触，载荷集中到齿面一端而引起；

（2）齿面磨损：金属微粒、污物、尘埃和沙粒等进入齿轮而导致材料磨损、齿面局部熔焊随之有撕裂的现象——擦伤等均属磨损的情况；

（3）齿面疲劳：齿面接触应力超过材料允许的疲劳极限，表面层先是产生细微裂纹，然后是小块剥落，直至严重时整个齿断裂；

（4）齿面塑性变形：如压碎、趋皱。

1.3 轴的常见故障[4]

轴的失效形式主要表现为轴不平衡、不对中和弯曲。轴产生较严重的不平衡问题主要来自于：

（1）制造过程中的问题，新轴产生的严重的不平衡现象；

（2）使用过程中的问题主要分为两方面，其一是轴在受到过大、瞬时冲击载荷作用时产生弯曲或永久变形，其二是轴长期在较大的偏载工况下工作因而疲劳产生永久变形。

2 带偏差单元的递归神经网络原理及算法实现[5]

2.1 BP神经网络结构

人工神经元模型如图1所示，神经网络就是由大量的神经元按一定的拓扑结构广泛连接而成，节点与节点之间的传输通路，称为“连接”。每一连接都具有一加权，或连接权，用于表示神经元的连接强度。

神经网络的结构一般包括输入层、输出层和隐层。输入层和输出层分别是用于接收输入信号，而隐层则用于对输入信号进行内部学习和处理。1989年Rober Hecht Nielson证明，一个具有三层计算单元的BP神经网络（其隐层采用Sigmoid型单元）可以以任意精度逼近任何连续函数，确定网络输入和输出间的非线性映射关系。BP网络结果如图2所示。在实际应用中，一般取隐含层为一层构成一个三层的BP网络，以减少计算量及避免网络结构复杂化。

BP算法采用梯度下降的最小方差学习方式，按广义规则改变权值，其基本原理是把相似模式的特征值提取出来，并映射到连接权值上，使学习后的网络在遇到一个新模式时，通过将该模式与已存在的各类模式的特征值相比较，从而判断出其类别。其缺点是：收敛数度太慢；不能保证收敛到最小点；学习记忆不稳定。

2.2 带偏差单元的递归神经网络算法实现

带偏差单元的递归神经网络算法学习流程图如图3所示，其实现过程具体如下：

（1）初始化；

（2）选区输入模式Ak，Yk提供给网络；

（3）用输入模式Ak，连接{Wij}计算中间层各单元的输入Sj，然后通过S函数计算中间各层各单元的输出{bj}

（4）用中间层的输入{bj}、连接权{Vji}计算输出各单元的输入{Lt}，然后用{Lt}通过S函数计算输出层的各单元的响应{C[kt]}；

（5）计算一般化训练误差；

（6）用中间层各单元的一般化误差修正连接权{Wij}，判断训练误差的精度要求；

（7）判断训练误差的精度要求，执行步骤（3）；

（8）转回到步骤（2）。因此，带偏差单元的递归神经网络正好弥补了BP神经网络的缺点。

3 基于带偏差单元的递归神经网络齿轮箱故障

诊断

3.1 带有偏单元的递归神经网络诊断模型的建立

神经网络用于故障分类诊断的流程图如图4表示。本研究中使用的输入层是27个神经元，其对应的测试点是11个，隐层神经元16个。用基于带有偏单元的递归神经网络来实现故障分类：表1所示是标准样本，当其中测试编码为1时代表有故障，且故障的各种特征参数的数据值在故障的范围内，当测试编码为0时代表无故障，且其各种特征参数的数据值在无故障范围内，如，表1中第二行的1代表存在第一种故障，其他的0代表无其他故障；网络输入及输出分别使用测试编码和故障编码，第一层和第二层的学习速率均取1.5，输入和输出偏差学习速率分别取1.0和3 100；带有偏单元的递归神经网络误差的收敛结果如图5所示，可以看出：网络学习到第八步时，其精度优于0.006，且随着训练步数的增加，误差呈收敛状态。

应用典型数据（包括有故障数据与无故障数据）分别对网络进行训练，并将训练好的网络冻结，然后将测试编码作为输入，使网络处于回想状态，结果见表2。

3.2 带有偏单元的递归神经网络诊断

本文使用我国某新型坦克，研究其齿轮箱的故障诊断。根据前面第3.1中对齿轮箱中常发生故障的部件的分析，选取轴承、齿轮和轴的典型故障，如外圈、内圈、滚珠、保持架故障、齿轮磨损、齿形误差、断齿、点蚀、轴弯曲、轴向窜动、轴不对中等11种故障为研究对象，并选取一种为正常情况。

诊断过程分两类：其一是采用本实验采集到的处理后的数据，使用带有偏单元的递归神经网络诊断模型判断其是否有故障，表3为模型的实际输出；其二是人为设置一些故障，通过带有偏单元的递归神经网络诊断模型判断其是否有故障并确定其故障类型，表4为实际输出与理论输出的比较。

结果分析：由表3可以看出，经过程序模型判断，现在坦克齿轮箱无故障，符合实际情况，本研究采集的是全新坦克数据。

从表4可以看出，实际判断的故障与模拟故障相吻合，并可确定前三组为单一故障分别为断齿、滚珠破损、外圈剥落。后三种分别为混合故障，且第四组为断齿和外圈剥落，第五组为断齿和滚珠破损，第六组为断齿、外圈剥落和滚珠破损。

因此，带偏差单元的递归神经网络在本型号坦克齿轮箱的故障诊断中不仅能对齿轮箱的单一故障做出正确的诊断，而且对混合故障也具有良好的识别能力。算法精度高，收敛性好。

4 结 语

本文对某型号坦克传动系统的齿轮箱的故障诊断是基于带偏差单元的递归神经网络模型的算法。以齿轮箱的常见故障为基础，以带偏差单元的递归神经网络模型为模式识别技术，实现了齿轮箱故障的有效诊断。本文的研究对其他领域故障诊断的成功率的进一步提高起到了积极地推动作用。

参考文献

[1] 马锐.齿轮箱的非线性故障机理研究及实验诊断[D].哈尔滨：哈尔滨工业大学，2012.

[2] 林近山，陈前.基于非平稳时间序列双指标特征的齿轮箱故障诊断[J].机械工程学报，2012，48（13）：108?114.

[3] 管森森.基于振动信号分析的齿轮箱故障诊断系统开发[D].北京：华北电力大学，2011.

[4] 赵军，张丹，王金光.齿轮箱的失效原因与振动诊断[J].中国修船，2008，21（5）：15?17.

第4篇：常见的神经网络算法范文

关键词：决策支持系统；专家系统；集成学习；神经网络集成

中图分类号：TP18文献标识码：A文章编号：1009-3044(2008)27-2045-02

The Construction of the IDSS Based on the Neural Network Ensemble

WANG Jian-min, LI Tie-jun, DONG Yun-qiang

(PLA University of Science and Technology, Nanjing 210007, China)

Abstract: It is difficult to solve the problem, which is gaps between classical Decision Support System (DDS) and practical decision-making problems, especially the complexes. Ensemble Learning is a hot topic in Machine Learning studies. The improvement of generalization performance of individuals comes primarily from the diversity caused by re-sampling the training set. Neural Network Ensemble (NNE) can significantly improve the generalization ability of learning systems through training a finite number of neural networks and combining their result. The paper introduces the DSS and NNE, and studies the application of NNE on constructing IDSS knowledge base.

Key words: DSS; expert system; ensemble learning; NNE

1 引言

决策支持系统（Decision Support System，简称DSS）的概念在20世纪初由Keen P G和Morton M S等人提出，1980年Sprague R H 提出了基于数据库和模型库的DSS结构，目前各个DSS框架结构，概括起来分为基于X库和基于知识的DSS的框架结构两大类，前者以各种库及其管理系统作为DSS的核心，后者以问题处理单元作为系统的主要部分。随着研究的深入，人们发现传统的手段难以在决策中取得理想的结果，于是将AI中知识表示与知识处理的思想引入到了DSS中，产生了智能决策支持系统（Intelligent Decision Support Systems，简称IDSS）。目前在研究的各类DSS大都与计算机技术紧密关联，对计算机依赖程度过高，从而产生了很多局限，且不能解决或者有效提供对于复杂巨问题的决策支持[1]。

机器学习是人工智能研究的重要方向，已在DSS中扮演起越来越重要的角色，若将两者有机地结合起来，改进问题处理系统，增设学习系统，就成为一种基于学习的DSS体系结构，简称ML-IDSS [2]。对神经网络算法运用集成学习（Ensemble Learning ）的思想，即为神经网络集成(Neural Network Ensemble)方法，它通过训练多个神经网络并将其结果进行合成，可显著地提高神经网络系统的泛化能力。该方法易于使用且效果明显，是一种非常有效的工程化神经计算方法 [3]。

2 决策支持系统（Decision Support System）

一般认为决策支持系统是“决策”（D）、“支持”（S）、“系统”（S）三者汇集成的一体，即通过不断发展的计算机建立系统的技术（System），逐渐扩展支持能力（Support），达到更好的辅助决策（Decision）[4]。

传统DSS通过模型来操纵数据，实际上支持的仅仅是决策过程中结构化和具有明确过程性的部分，人们更希望解决半结构化和非结构化的决策问题。即传统DSS的局限性表现在：系统在决策支持中的作用是被动的，不能根据决策环境的变化提供主动支持（主动的DSS或者协同的DSS），对决策中普遍存在的非结构化问题无法提供支持，以定量数学模型为基础，对决策中常见的定性问题、模糊问题和不确定性问题缺乏相应的支持手段。

AI技术应用于DSS中后，有效地增强了DSS的效能，提高了辅助决策和支持决策的能力，极大地丰富了DSS的信息存取和信息处理手段，同时也使DSS在军事、政府、工程规划、制造等领域受到越来越多的青睐，现有的DSS除了在定量分析支持上有提升外，对于决策中的半结构化和非结构化的问题也提供了一定的定性分析支持，但是集成了专家系统的DSS，定性知识处理能力依然较弱，且基于专家系统的智能决策系统适用范围狭窄，依然无法完成全部的定性分析支持，更无法处理复杂问题的决策支持 [1]。

3 神经网络集成(Neural Network Ensemble)

3.1 机器学习（Machine Learning）

机器学习是一门新兴的边缘学科，其突出的自学习能力让人们看到了它在DSS中应用的前景。现有的DSS定性知识处理能力弱，没有自学习适应能力，而这正是机器学习应用于DSS中的突出优点。神经网络是机器学习中具有强大生命力的算法之一。

3.2 神经网络集成（NNE）

神经网络算法已经成功应用在诸多领域，但由于缺乏严密理论体系指导，其应用效果完全取决于使用者的经验。神经网络集成一般是几个神经网络的线性组合，它具有比单个神经网络更好的泛化能力。

3.2.1 问题的提出：强学习器与弱学习器

在PAC学习模型中，存在强学习与弱学习之分，且两者存在等价性问题。若存在的一个多项式级学习算法在辨别一组概念的过程中，辨别正确率很高，那么它是强可学习的；如果学习算法辨别一组概念的正确率仅比随机猜测略好，那么它是弱可学习的，并且弱、强学习算法之间存在等价性问题，即可以将弱学习算法提升成强学习算法。等价性问题是神经网络集成思想的出发点。1990年，Schapire针对此问题给出了构造性证明并提出集成方法和相应的Boosting算法。

第5篇：常见的神经网络算法范文

Abstract： In order to further improve the ability of BP neural network fitting with complex functions， this paper further optimizes the genetic algorithm by changing the weights and threshold of BP neural network and applies this design model to the prediction system of vehicle sales. In order to compare its prediction effect with that of the traditional BP neural algorithm， this paper carries out the prediction simulation to compare the accuracies of the two. The simulation results show that the improved algorithm has better fitting ability and higher prediction precision for the data which has obvious linear correlation.

关键词：预测；神经网络；线性相关；遗传算法

Key words： prediction；neural network；linear correlation；genetic algorithm

中图分类号：F224 文献标识码：A 文章编号：1006-4311（2016）12-0074-04

0 引言

以时间序列预测汽车销量的方法在当今的预测汽车销售领域中占了绝大多数，比如我们所熟悉的有线性回归法、季节预测法[1]等等。线性回归法[2]（如AR、MA、ARIMA模型等）能够体现销售量数据随时间变化的趋势，季节预测法能够有效地反映销售量随季节波动的特点。然而，除了汽车市场的内部影响因素之外，汽车销售量还受到市场环境变化等外部因素影响，如经济危机、限购政策、油价上涨、小排量购置税优惠政策等等[3]。在常见的预测模型中对非线性因素的处理方法存在着“自身的缺陷”，比如在外部因素引起市场一定的波动时，仅仅是靠时间序列模型的预测方法则很难做到精确。因此，在有效地收集、分析、掌握外部因素信息的基础上，将这些因素甄别和量化，反映到整个预测过程中，提高预测模型可使用的总体信息量，提高预测模型的预测质量，尤其在当市场环境有变化的情况之下，销售预测精确性将会获得较大的提高，并且更加趋近合理。

1 系统模型

1.1 系统分析

在不同的系统分析中，我们有时会采取不同的算法，每个算法都有各自的优势。遗传算法、BP神经网络和多元回归等算法也有着不同的优点[4]，如遗传算法的全局寻优性， BP神经网络的优秀学习能力，从而避免了它们在各自单独使用时所存在的不足。我们把数据分为两个部分：线性相关和非线性相关，对这两部分采取相关性分析法进行处理。紧接着，充分利用BP神经网络与多元回归在处理数据方面的优势，分次处理数据的非线性和线性部分；最后，利用遗传算法所拥有的特性，即寻优特性，将已由BP神经网络和多元回归算法处理的数据整合在一起，最终的目的是使各项值得到进一步优化，如多元回归的权值、BP神经网络的连接权值以及阈值。

在这里，我们先暂定待处理的数据为DATA，DATA中包含的记录条数为U条。DATA的第k个记录含有M+N个自变量，记为X 其中：

k∈{1，2，…U}，i∈{1，2，…M+N}；1个因变量（期望值），记为Yk其中k∈{1，2，…U}。

1.2 相关性分析

当我们要判定如国民收入和居民储蓄存款或者身高和体重，这些变量之间的关系时，我们首先会去判定这两个变量或两个数据集合间是否存在线性相关时，这里就引出了我们所要用到的判定相关系数Pearson[5]。Pearson相关系数的作用最重要的是用来判定定距变量间的线性关系和两个数据集合是否在一条线上。某些情况下我们会用到Pearson简单相关系数r。其计算公式为：

我们根据所得r的数值来判断两者相关度的强弱。一般说来，当相关系数的绝对值越大或者相关系数越接近于1或-1的情况下，相关度是越来越强的；而相关系数越趋近于0，相关度就会变得越来越弱。

若相关系数r>0.6，认定自变量Xi与Y线性相关，否则为线性不相关。根据文献[6]可知，本文研究的BP神经网络中，输入数据Xi i∈{1，2，…N}与输出数据Y在Xi i∈{1，2…N}与Y线性相关，在Xi i∈{N+1，N+2…N+M}与Y线性不相关。

1.3 BP神经网络

输入层、输出层和隐含层[6]是BP神经网络的三个组成部分，其中输入层和输出层各一个，而对于隐含层，在理论上，它的数量是不会受到任何限制的，但BP神经网络在一般情况下仅设置一个或者两个隐含层。在这个神经网络中，输入信号经过作用函数的作用之后，在其信号传至隐层节点之时随即把它得到的输出信号传递到输出层节点上，同样经过处理后而得到的输出便是最终的结果。作用函数S型函数在本文中的节点之间会被用到，它的计算公式为：f（x）= 。

本文构建的神经网络模型如图1所示。

由图1可知，我们这个神经网络模型共有四层。模型的第一层X即是输入层，它是以非线性相关的Xi i∈{N+1，N+2…N+M}的数据作为其输入的；神经网络包括的两个隐含层分别是第二层J和第三层I；神经网络模型的输出层就是第四层BY。例如图1上的J层第1节点，当它和第I层的第2个节点连接时，权值的计算值则为W 。如若模型采用的节点作用函数为f（x）= ，则可以得到该节点的输出为Y =f（ W Y -B ）。该式中W 、Y 和B 分别表示某一节点与其上层节点之间的连接权值、上层各节点的输出值和节点的阈值。根据公式：E=（t-BY）*BY（1-BY），它表示的含义是网络误差的计算，在式中t的含义是输出的期望值。将网络误差与最大允许误差进行比较：

BP神经网络在模式匹配、模式分类、模式识别和预测分析等方面[7]，性能优势十分明显。

虽然BP算法是网络结构中应用比较普遍的算法之一，而且BP算法在应用上也取得了一定的成功，但是BP算法本身还是存在着不可避免的局限性：

①在BP神经网络算法中，它为了不使加权值过大，通常选取较小的随机数（如0～0.2之间）作为初始权值，同时设置网络在初始阶段就处于S型函数的饱和区，就是在这样给定初值的范围内，有些取值也会使算法的结果值陷入局部极小，一旦有了某些局部极小点[8]的牵累，就会引起训练的振荡而达不到我们所想要的稳定，同样也会陷入局部极值的不利情况。

②在BP算法中，我们需要设置一些参数的初始值，以便网络训练得以进行。如初始权重值，隐层节点个数值，当我们在设置没有任何参考时，可能会致使网络训练的失败或者说执行的并不如我们所预料的结果那样，与理想有所差别。但是这些参数的选取过程又缺乏严格的理论依据，需要根据我们过往的经验以及一定的实验来选取，才可保证它的选取值合适与否。

③在BP算法中，它存在一个遗忘所学样本的趋势，就是在每当其输入一个的权重值时，会导致阈值不断地修改，所以前面已学的学习样本必然会受到后面每次所输入样本的影响。

2 一种BP神经网络和线性回归优化的遗传杂合算法

为了实现网络训练的过程并得到全局相应的最优化的解，我们提出一种基于BP神经网络和线性回归优化的遗传杂合算法。在文章的前面我们知道，传统的BP神经的学习过程存在一些不足，我们提出的这种算法会把BP神经网络和遗传算法结合起来，利用遗传算法的全局寻优特性，来实现网络的训练，得到全局相应的最优解。改进的算法模型如图2。

待处理数据Xi i∈{1，2…N}和Y，我们假定两者是呈线性相关的。首先对线性不相关数据进行BP神经网络处理输出为BY，BY与存在线性相关的数据进行多元线性回归。

模型误差：

2.1 改进算法模型的遗传优化

在生物进化机制的搜索方法中有自然选择和自然遗传，而本文改进的遗传算法就是基于这些内容的。现如今有一种算法正趋于发展成为自适应启发式概率性迭代式全局搜索算法[9]。某个优化问题的解集，也就是它的搜索空间，并且映射搜索空间为遗传空间。我们随机产生的一组初始解，在遗传算法中称作此初始解为群体，它所产生的后代中不断地传下去并且一代一代地进化，我们称之为遗传。我们找到收敛为最佳的染色体，即是最优解。

将以上改进的遗传优化算法运用到BP神经网络的权重、阈值以及回归系数上，可以达到优化这些参数的目的，使网络误差值最小。在本文的实验中，由生物种群的概念，我们视BP神经网络和回归系数的所有权值为一个种群。本文的实验是基于遗传代数1000、种群60所进行的遗传算法优化训练过程。即为图3所示过程。

2.2 算法详细流程

①样本值归一化处理。

对原始样本值X，Y按照公式X′= -1，Y′= -1归一化处理作为模型输入数据，归一化处理后数据在[-1，1]之间。式中X′、Y′为归一化后的数值，Ymin、Xmin为原始数据最小值，Ymax、Ymax为原始数据最大值。

②参数集。

将模型中待优化参数BP网络权重W 、阈值B 与回归系数？孜组成一个参数集C={W ，B ，？孜}，C作为染色体，Ci为单个基因。

③编码。

编码方式中有一种称为实数编码的，它是指个体编码的长度与决策变量的个数相等，在合理具体的条件范围内，用一个实数表示某个体的每个基因值。该方法中用到的值是决策变量的真实值，因此我们又称它为：真值编码方法。考虑我们实验过程所需要的算法，这种编码方式对于我们的实验十分合适。

④初始化种群。

种群大小N=60，随机生成第一代个体C 其中t为代数t=1，i表示个体编号i∈{1，…， }，C 表示第一代的第五个个体。

⑤个体适应度。

我们以f =Emax-E（C ）为个体适应度函数，能够满足我们的要求。式中f 表示第t代的第i个个体的适应度计算值，Emax为最大系统误差，E（C ）为C 个体的系统误差。

⑥选择操作。

在试验中我们需要知道选择概率值，所以由前公式f =Emax-E（C ）和公式P = 两者结合便可以计算出选择概率。我们在pop（t）代中根据所计算得到的概率值随机的选择一部分个体染色体遗传到下一代，为pop（t+1）代。将选择出的个体染色体暂且称为一个中间代mespop（t），并将其作为下面遗传操作（交叉、变异）的对象。

⑦交叉算法。

我们先假设要交叉的两个父体对象分别为Pi=（p ，

⑧变异算法。

在选择交叉的遗传过程中，我们也需要考虑到遗传变异这一情况。所以我们采取了一种特殊的变异算法：边界变异。它在遗传的后代种群中选择中间代mespop（t）代，又在其中选择N对个体，当交叉概率为Pc时，以此概率值指导个体进行遗传变异。边界变异的取值方法的多样性也正是后代种群群体多样性的特点。其变异位的值往往是在它的边界上，因为在边界上，通常存在着许多约束优化的最优值，也就是其编码位取值范围的边界之一。在中间代mespop（t）完成交叉和变异所形成的下一代中pop（t+1）进行个体适应度值计算的操作。

3 仿真结果和分析

仿真实验中，分别采用多元线性回归、传统BP神经网络和本实验算法对多元线性方程、多元非线性方程、含有线性和非线性部分的方程进行拟合。

多元线性方程：

多元非线性方程：

含有线性和非线性部分的方程：

3.1 样本数据

样本输入数据是在考虑影响汽车销售多方面因素的前提下，如：经济危机、限购政策、油价上涨、小排量购置税优惠政策等，在Matlab平台下拟合而成。样本输入数据为xi∈[-1，1]，样本总数为20，随机生成20组数据作为样本值（图4）。

选用第一行到第四行作为式（8）的输入函数值，如图5。

选用第一行到第二行作为式（9）的输入函数值，如图6。

选用第一行到第二行作为式（10）的输入函数值，如图7。

3.2 仿真结果

式（8）多元线性回归、BP神经网络、改进算法仿真结果（图8）。

式（9）多元线性回归、BP神经网络、改进算法仿真结果（图9）。

式（10）多元线性回归、BP神经网络、改进算法仿真结果（图10）。

多元线性回归、BP神经网络、改进算法拟合三种方程误差平方和如表1所示。

3.3 仿真结果分析

由结合改进算法的特点和对比分析所得到的实验结果，我们可以得到以下三点结论：①多元线性回归在拟合线性方程时所产生的误差比较小，而在拟合非线性方程时，产生的误差略大。②BP神经网络在拟合存在非线性数据时，误差较小，在拟合线性方程时存在明显的不足。③三种算法在拟合非线性和线性结合方程时，本实验的误差要比单纯拟合非线性方程小很多，与理论预期明显相悖。对于这种情况的原因，结合理论，本文总结出可能存在的两小点：1）数据的输入值范围在[-1，1]，范围太小，对函数值得影响不显著；2）由于实验采用拟合函数的形式，函数关系内部过于简单。

4 结论

用改进算法拟合复杂函数的能力比单纯依靠线性回归和BP神经网络存在明显的优势。影响商品销售的因素有很多，各种因素对销售的影响也各不相同，传统的BP神经算法可以很好的预测效果。但是BP算法在处理那些同销售值存在较大相关性的因素时，不能突出它的优势。我们通过把影响销售较大的因素与其他因素直接加权相加得到销售值，最后通过遗传算法来优化权值。这也就是我们研究本文算法的目的之所在。

参考文献：

[1]张彦铎，李哲靖，鲁统伟.机器人世界杯足球锦标赛中多机器人对目标协同定位算法的改进[J].武汉工程大学学报，2013（02）：69.

第6篇：常见的神经网络算法范文

关键词：火灾探测 模糊神经网络 智能 Matlab

根据燃烧对象，火灾分为A，B，C，D四种。A类火灾为固体可燃物引发的火灾，亦是最常见的燃烧对象；B类火灾为液体可燃物火灾；C类火灾为气体可燃物火灾；D类火灾为可燃金属火灾。火灾发生后蔓延速度极快，燃烧产生大量CO2，CO1等大量气体及烟雾，并伴随光、热，损失将不可估计。对待火灾，我们应采取“防消结合，预防为主”。火灾探测技术的应用便担任着前锋的作用，有效的提高探测器的灵敏度成为一个重大课题。本为将采用智能型报警系统，做早期发现和通报火灾，研究模糊神经网络的应用。

1.火灾探测系统

探测器是自定报警系统中的最重要部分。随着火灾的发生，火灾初期可燃物燃烧产生大量烟雾（S）和CO2，CO1等大量气体（G），火灾达到全火焰时温度（T）急剧上升，并伴随着光（L）和热（H）。因此在图书馆设感温探测器，感烟探测器，气体探测器及感光探测器。由于感烟探测器动作较早，可探测到70%以上的火灾，因此使用较为普遍。

2.模糊神经网络的结构设计

2.1 模糊神经网络的应用

模糊神经网络（Fuzzy Neural Network，简称FNN）是全部或部分采用模糊神经元所构成的一种可处理模糊信息的神经网络系统，也是现代热门研究是技术，是模糊控制与神经网络控制的有机结合，博采众长，以长补拙[1]。其特点是利用模糊逻辑较强的结构性知识表达能力和神经网络强大的自学能力与定量数据的直接处理能力，在温度、烟雾、气体、光等信号处理上，提高火灾探测的准确度、加快火情识别速度，使火灾报警信号处理更具逻辑性、可靠性，直接指导消防控制室的操作和应用，在火灾报警系统中发挥良好的作用。

2.2 模糊控制规则设计[2-3]

模糊控制规则可根据火灾发生可能性大小分为不可能即NP，可能性小即PS，一定发生即PB三种。隐层的温度隶属度生成函数采用三角函数：

（ x - a）/（ b - a） a < x < b

μ（x） =

（ x - c）/ （ b - c） b < x < c

图1 隶属度函数

2.3神经网络模型

本文给出一个3层前馈网络结构，如图2所示。设输入信号为s：烟雾；g：CO2气体；t：温度；l：光；输入信号为第一层，含3个神经元；第二层为模糊层，设为9个节点，第三层为输出层，有3个节点，表示无火、火小和火灾发生。

图2 BP前馈网络模型

3.算法及Matlab 网络仿真

3.1 算法

本文采用反向传播算法，学习训练过程由正向信号传输和反向误差传播组成。当正向传输的实际输出与期望输出不符合时，转入误差反向传播。

输出误差逐层反向传播到隐层再到输入层。误差分给各层所有节点单元，获得各层单元的误差信号，且将该信号作为修正各单元权值的根据。通过不断的调整权值，训练到误差符合要求为止。

因此可知，设输入向量为X；隐层输出向量为Y；输出层输出向量为O；期望输出向量为T；输出层至隐层的权值矩阵为V；隐层至输入层权值为W。隐层，输出层的转换函数分别采用双曲正切S型函数tansig和S型对数函数logsig。

定义网络的输出误差函数为均方误差函数

E=1/2（T-O）2.

将输出误差函数展开到隐层，在展开到输入层，并通过调节权值和阈值改变误差E，从而减小误差。即：

对于输出层，设Y，δ0为输出层的误差信号，则输出层的权值调整V=η（δ0YT） T；

对于输入层，设X，δy为隐含层的误差信号，则隐含层的权值调整为W=η（δyXT） T， η为学习率，在0～1间取值，这里取值0.1。

具体算法步骤：①初始化，对所有权值赋予任意小量，并对阈值设定初值；②给定训练数据集，即提供向量X和期望输出Y；③计算实际输出y；④调整权值，按误差方向传播方向，从输出接点返回到隐层修正权值；⑤返回第②步重复计算，直至误差满足要求为止[4]。

3.2 Matlab 网络仿真

模糊规则层设9个节点，输出层有3个节点。用新浪天气给出的郑州市2012年8月1日到8月4日的天气，归一化处理：温度/100℃，加上天气特征值（0代表晴天，0.5代表阴天，1代表雨天），有4组数据。并将8月4日天气数据作为导师信号。打开Matlab的编辑，输入newff（）创建前向BP网络，使用神经元上的传递函数tansig（）及tansig（），建立一个训练函数使用梯度下降法的训练函数trainlm（）的BP网络[5]。误差训练下降曲线如图3：

4.结语

在1000次训练后，输出的均方误差非常小， MSE=1.04678e-013/0，此时的网络输出应该是非常精确的。这说明将模糊神经网络理论应用在火灾报警系统中，有效地提高系统精度和减少误报率，并且充分发挥了它的自学习、自适应能力，使系统的灵敏度提高，同时又提高了系统的智能化程度。

参考文献：

第7篇：常见的神经网络算法范文

关键词：深基坑工程；人工神经网络；支护结构

中图分类号：Tu473

文献标识码：A

随着城市现代化进程的加快，地下工程规模日渐扩大，深基坑工程无论在数量上还是在规模上都有大幅度提高。深基坑工程是一个十分庞大的极其复杂的非线性系统，它既涉及土力学中最典型的强度、稳定和变形问题，同时还涉及土与支护结构的共同作用、水文地质与地下水控制、施工组织设计等问题。由于人工神经网络(Artificial Neural Net-works，简写成ANN)能简单模拟人脑神经元工作的部分机理，具有自适应性、非线性、学习功能及容错性强等特点，特别适合于处理各种非线性问题，因而在深基坑工程的研究中得到了广泛的应用。本文拟就ANN在深基坑工程中的应用进行一番探讨。

1　人工神经网络理论研究的发展简介

人工神经网络是以工程技术手段来模拟人脑神经元网络的结构与特征的系统。利用人工神经元可以构成各种不同拓扑结构的神经网络，它是生物神经网络的一种模拟和近似。在人工神经网络中，前馈型神经网络是目前人工神经网络中应用最广泛也是发展最为成熟的一种网络模型，其网络结构如同1所示，神经元分层排列，有输入层、隐层(亦称中间层)和输出层。各层神经元、各层之间通过不同的权重连接，权重的大小反映互连神经元之间相互影响的形式与大小。在输入层输入各初始参数后，输出层的输出值即为网络对这些输入参数的响应，也即所需的结构。图1所示的网络其本质上是建立输入层各参数到输出层各参数的映射，从而反映这些输入参数对输出的影响形式和幅度，进而反映输入参数与输出结构之问的本质联系。

2　人工神经网络理论研究的发展简介

1943年，美国神经生理学家Warren Mcculloch和数学家Walter Pitts在文章“A Logical Calculus of I-deas Immanent in Nervous Activity”中，第一次提出了神经元数学模型，拉开了人工神经网络发展的序幕。1949年，心理学家Donald Hebb在其所著书《The Organization of Behavior》中第一次将学习功能引入神经网络系统，他所提出的Hebb学习规则在神经网络模型研究中一直起着重要的作用。1957年。Frank Rosenblatt提出的感知器模型(Perceptron)，被认为是最早的神经网络模型。1959年，Bernard Widrow和Marvin Hoff开发出一种称为自适应单元(Ada-line)的网络模型，网络通过Marvin-Hoff学习算法训练后，成功地应用于抵消通信中的回波和躁声，也可用于天气预报，是第一个用于实际问题的神经网络模型。由于这些有识之士的工作及对神经网络的宣传，激起了更多人的兴趣投入到这一领域，形成了ANN研究的第一次。

1969年，Marvin Minsky和Seymour Papert在他们合著的书《Perceptron》中，分析了简单的感知器，指出了它的局限性，即对于非线形问题，甚至简单的“异或”问题都无能为力。由此引起了对神经网络批评的高涨，使得ANN的研究陷入了低潮。直到1982年，John Hopfield对神经网络进行了严格的数学分析，揭示了其工作机理，并且用他提出的模型从失真的和不完善的数据图形中获得完整的数据图形，引起了人们的关注，致使ANN的研究开始复苏，并在近20年中得到了飞速的发展。

尽管神经网络的研究才刚刚起步，它已在广泛的领域中得到了应用。如信号处理与模式识别、专家系统、机器人控制、邮政通讯、图像处理、语音识别等领域。近几年来，在工程力学领域已有人引入ANN来解决问题，如基于BP网络的混凝土本构关系模型，力学领域中非线形动态系统的识别，振动控制中的状态估计，结构破坏形式估计，以及结构分析和可行性设计等等。

3　ANN在深基坑工程中的应用

ANN应用到基坑工程研究的时间较晚。Gob等(1995)用ANN成功地预测了基坑支护中地下连续墙的侧向位移。在国内土木工程界，李立新(1997)在基坑的非线形位移反分析中应用了ANN，率先将ANN引入到用于解决深基坑工程中的种种问题。此后，许多专家学者开始意识到ANN解决深基坑工程问题的有效性和实用性，纷纷开展了这方面的研究工作。ANN在深基坑工程中的应用越来越普遍，应用的范围也不断扩大。截止目前，ANN在国内深基坑工程中主要应用于以下几个方面：

3.1支护结构选型

常见的深基坑支护结构型式有排桩、地下连续墙、水泥土墙、土钉墙、逆作拱墙、放坡开挖等。支护结构可根据基坑周边环境、基坑规模、工程地质与水文地质、施工作业设备、施工季节等条件，选用上述的某一种或几种型式的组合。在深基坑工程中，支护体系和支撑构件设计的合理性和施工质量的优劣直接影响到整个支护体系的安全和正常使用，如何在众多的支护方案中选择一种技术上先进、施工上可行、经济上合理的支护方案就显得异常重要。支护结构体系是一个庞大复杂的力学系统，决定基坑工程支护方案的因素众多且大多具有不确定性特点，根据ANN的特性和工作原理，考虑采用ANN进行深基坑支护结构选型是完全可行的。

王晓鸿等根据大量工程实践确定了支护方案选择的神经网络表示方法，该方法以基坑开挖深度、基坑规模、场地条件、周边环境控制等级、基坑周围建筑物、道路、工程、管线的距离等作为输入信息，以水泥土挡墙、灌注桩墙、地连墙等作为输出信息，采用ANN方法进行研究，取得了常规的解析或数值方法不能达到的较好结果。

3.2变形的预测预报

深基坑工程变形的预测预报包括诸多方面：围护结构的变形、地表沉降、坑底隆起、周围管线变位等。对于上述诸多方面变形的每一种来说，其影响因素都是多方面且极其复杂的。比如，根据以往的施工经验，影响支护结构变形的因素就有支撑条件、土层强度、围护墙的刚度、围护墙在坑底以下的入土深度、地下水、施工情况等，且每一种因素的影响方式和影响程度都不同，甚至有的是不确定的，因而采用传统方法较难甚至不可能建立满意的数学模型，也就无法很好地解决深基坑工程变形的预测预报问题。ANN方法的发展及其本身的诸多优点，为解决这一重要问题提供了强有力的工具。

目前，ANN在深基坑工程变形的预测预报中的应用研究比较活跃。总体来讲，ANN应用于深基坑

工程变形的预测预报问题的研究可分为两大类：

a)一般预测问题：即对一些同类型的、随机的、广泛在同一平面或曲面上(服从一定的概率分布)的实测值进行ANN模拟和泛化推广，可称之为横向推广。华瑞平等以单层内支撑围护结构作为神经网络设计的支护结构类型，以支撑点与开挖深度的比值、支撑弹性系数、基坑开挖深度、桩的入土深度、土的c、ψ值、桩的刚度7个指标作为输入层参数，以桩的最大位移作为输出层，采用10个样本进行训练，后对3个样本进行了检验，最大误差仅为6.6％，效果比较令人满意。此外，其他一些专家学者对类似问题采用了不同的网络结构进行研究，都取得了理想的预测结果。

b)时间序列预测问题。即将一个非线性变化过程依时间而产生的某种分布规律通过建立ANN以求得这种分布性的探索和泛化推广，可称为纵向推广。深基坑工程中的变形是一个动态的过程。时间序列预测的基本思想是利用现有的历史数据设计合理的ANN，经训练和检验能达到所要求的精度后来预测未来时间的变形数据，从而预测预报基坑的稳定性。如孙海涛等对上海某深基坑工程中两个测点每天的沉降进行了监测，以前4d的测量数据为依据来预测后2d的沉降值，经训练、检验后，发现预测值与实测值较为吻合，基本反映了实测值的趋势。

3.3土体物性参数识别

深基坑工程中的各种理论分析必须以合理的土体物性参数为基础。这些由试验测定的参数由于许多因素的影响往往与实际值存在较大差异。在实际工程中不确定的因素更多，因而采用这样的参数进行分析计算，得到的结果往往不可靠。这就需要对深基坑开挖工程中土体的物性参数进行识别。其解决方法是：在深基坑开挖施工过程中，根据若干预先布置好的测点处现场测量所得的数据(位移、应力、孔隙水压力等)，来反求出基坑及基坑周围土体的物性参数(粘聚力、内摩擦角、弹性模量、泊松比等)。传统的反分析法通常结合有限元法和数学规划法，通过优化方法不断修正土体的未知参数，使一些现场实测值与相应的数值计算的差异达到最小，这些方法需要求待识别参数对于现场实测值的敏度。由于土体物理特性与力学特性的非线性，采用数值近似方法计算敏度的工作量很大，程序的实现也复杂。利用人工神经网络的非线性映射能力，可以解决一系列函数关系不能显示表达的复杂模式识别与参数估计问题。与传统反分析方法相比，该方法避免了敏度分析，并具有概念直观、易于掌握、易于实现等优点。

3.4其它方面的应用

人工神经网络除了成功地解决深基坑支护结构选型、变形预测预报、土体物性参数识别等问题以外，还可以应用于施工控制、突涌分析、工程造价预测、底板混凝土测温等方面。虽然应用的方向和解决的问题有所不同，但是利用该方法所解决不同问题的思路大体上是一致的。

4　ANN方法在深基坑工程研究中的发展展望

4.1　BPN算法自身的改进

在目前为数众多的ANN中，前馈型多层、误差逆向传播的BP神经网络(Back Propagation Network，简称BPN)因为其简单的特点而成为目前应用最广的ANN学习模型。但BPN存在着自身的限制和不足，主要包括：收敛速度慢，存在局部极值，隐层节点个数选择无理论参考，仅凭经验选取，网络运行为单向传播，没有反馈和返化能力差。基于此，出现了一些旨在改善BPN学习效果的方法。其中一个方法是通过发展更有效的学习算法去缩短学习时间。Moiler(1993)研制了一个比例共轭梯度算法去加快学习速度；Adeli和Hung(1994)建立了一个自适应共轭梯度神经网络(Ad-CGN)学习算法，并将其应用到了结构工程当中。Sanossian和Evans(1995)用一个基于梯度的启发式算法去加速神经网络。另一个方法是利用平行算法去缩短计算时间。例如，Adeli和Hung(1993)提出了一个实时Ad-CGN学习算法去解决大规模模式识别问题，他们的算法在缩短BPN计算时间方面取得了一些进展。此外，通过合理选择代表性框架来表示训练的输入输出模式可以极大地改善神经网络的工程应用性能。Gunaratnam和Gero(1994)讨论了BPN应用于结构设计时训练样本的输入输出模式对BPN性能的影响。上面提到Hung和Lin(1994)在一个类似于牛顿第2定律的L-BFGS方法基础上利用非线性搜索算法研制了一个更有效的自适应性算法L-BFGS。S.F.Masri(1999)在应用力学研究中用自适应随机搜索技术(ARS)训练了BPN。对BPN的改进的算法还有许多，这些算法各有其优点，也都有需要改进的地方。因此，为了使BPN能更为高效快速，我们今后还需要做更多的研究工作。

第8篇：常见的神经网络算法范文

【关键词】窑电流；RBF神经网络；模糊控制；预测控制

引言

水泥回转窑是新型干法水泥生产线的核心设备，生料煅烧理化反应是水泥生产过程在回转窑中最关键的部分，回转窑的负载电流能很大程度反映窑内热工状况。研究窑电流的建模和预测方法，对提高水泥回转窑的控制水平具有重要的理论和实际意义。

时变性、非线性、滞后性是回转窑的重要特征，窑电流是回转窑的主要参数之一，其波动情况受很多因素共同影响，普通的数学模型很难比较精确的预测窑电流的变化趋势。

根据上述问题本文采用模糊控制与神经网络算法相结合的方法对窑电流的发展趋势进行预测。建立RBF神经网络的预测模型，将预测数据与实测数据进行了比较，发现预测数据与实测数据误差很小，对水泥厂实际生产具有很高价值的指导意义。

1、RBF神经网络

1.1RBF网络常用学习算法

基函数中心的选取对RBF网络性能的影响并是至关重要的，RBF网络中心选取不当构造不出性能优越的网络。例如，有些网络数值上产生病变是由于选取的网络中心太靠近造成近似线性相关。通常使用的RBF有：高斯函数、多二次函数、逆多二次函数、薄板样条函数等。高斯函数的应用在普通RBF网络中是比较常见的。高斯基函数表达形式简单对于多输入变量复杂性不会有太多增加，所以常作为基函数，并且径向对称；光滑性好，任意阶导数均存在。基函数结构简单解析性好的基函数是进行理论分析的基础。

随机选取中心、自组织选取中心、有监督选取中心、正交最小二乘等方法是按RBF的中心选取方法的来区分的。采用监督学习算法对数的中心、扩展常数和输出层权值进行训练，在训练过程中不断修整参数。本文介绍一种梯度下降算法。

参数公式是目标函数在训练过程中通过样本误差不断修整，所有样本输入一轮后对应各参数调整一次。瞬时值可以作为目标函数的表达形式，即当前输入样本引起的误差：E=0.5e*e。单样本训练模式的目的是使上式中目标函数参数误差最小化。

2、模糊控制器

模糊控制器如图2所示主要由：模糊化、模糊控制规则、模糊决策和解模糊，四部分组成。

结合现场实际工况，将系统偏差E和偏差变化率EC作为模糊控制器的输入，S作为输出。设定输入变量偏差E和偏差变化率EC语言值的模糊子集为{负大，负中，负小，零，正小，正中，正大}，并简记为{NB，NM，NS，Z，PS，PM，PB}。窑电流偏差E和偏差变化率EC的论域定为[-100，100]，ΔS为模糊控制器输出值S的调整值。ΔS的论域为：ΔS=[-0.5，0.5]，其模糊集为：ΔS= {NB，NM，NS，Z，PS，PM，PB}，模糊集中元素NB、NM、NS、Z、PS、PM、PB，分别为负大、负中、负小、零、正小、正中，正大。 隶属度函数NB、PB选为高斯函数，其余选取等腰三角形函数作为隶属度函数。E，EC作为两个输入值决定模糊控制器调整值ΔS的输出。模糊控制器输出值S与调整值ΔS根据如下公式进行调整

3、RBF神经模糊网络控制系统的结构

具有学习算法的模糊RBF神经网络被称作RBF神经模糊网络系统，“if-then”是模糊规则的表达形式，模糊规则在模糊RBF神经系统中占有控制决策的支配地位；神经模糊系统的参数的调整则通过学习算法对数据信息的更新来完成。通过学习能自动产生模糊规则是RBF模糊神经系统的优势所在。模糊RBF神经网络控制系统的结构图如图3所示。R为输入信号，E、Ec分别为窑头温度、压力和窑尾温度、压力与设定值的误差及误差变化率，E和Ec量化后的模糊量送入RBF神经网络构成神经模糊网络控制器的输入；Ke、Kc为量化因子。

4、控制算法的应用

在生产现场，采用了本文所述控制算法的软件与水泥生产线的DCS系统相连接，并应用该软件对回转窑各参数进行了200分钟的在线控制，根据现场情况和烧成系统的工艺要求，将窑电流的目标设定值为1150A。应用本文所提出的预测控制方式下，对后30分钟窑电流的变化值进行了预测，如图4所示。

试验表明在经过6次迭代后窑电流网络训练趋于稳定，在经过第69次迭代时网络的预测性能达到最佳。经过与实测数据的对比，仿真的数据是合理的，最后的均方差误差小，测试集误差和验证集误差特征类似，没有明显的因过拟合想象发生的迭代。结合图4和图5所示，表明RBF模糊神经网络对窑电流的预测有较高可靠性。

5、结束语

本文应用模糊RBF神经网络对回转窑系统建立控制模型，当现场工况出现波动时，控制系统把偏差量送入模糊RBF神经预测系统中，根据实测数据进行分析处理，从而较为准确预测出窑电流的变化趋势，对烧成系统的预判断有很大的参考价值，便于提前对回转窑系统进行调整。

参考文献

[1]庞清乐.基于粗糙集理论的神经网络预测算法及其在短期负荷预测中的应用[J].电网技术，2010，12.

[2]张亮，王瑞民，周友运.一种基于模糊神经网络融合的故障诊断模型研究[J].弹箭与制导学报，2005，25（3）.

[3]A. J. Adeloye， A. De Munari. Artificial neural network based generalized storage-yield - reliability models using the Levenberg-Marquardt algorithm [J]. Journalof Hydrology， 2006，326 （1-4）： 215-230.

[4]李永亮，袁铸钢，于宏亮.ART-2在回转窑电机电流模式识别中的应用[J].济南大学学报（自然科学版），2008，22（2）：149-152.

[5]李萍，乌日图，杨举宪.水泥回转窑系统模糊控制研究[J].内蒙古科技与经济，2004（9）：81-82.

[6]胡宝清.模糊理论基础[M]2版，武汉大学出版社，2010.330-446.

作者简介

第9篇：常见的神经网络算法范文

〔关键词〕电子商务；销售能力；评价体系；遗传算法；BP神经网络

DOI：10.3969/j.issn.1008-0821.2013.10.027

〔中图分类号〕F724.6〔文献标识码〕A〔文章编号〕1008-0821（2013）10-0120-04

根据中国互联网信息中心数据显示，截至2012年12月，我国网络购物用户规模达到2.42亿人，网络购物使用率提升至42.9%。在“十二五”规划明确要积极发展电子商务后，国家对企业进入电子商务市场扶持力度的不断加大，加之企业自身意识的提升以及电子商务运营商新型政策的出台等原因，促使电子商务行业蓬勃发展以及传统企业互联网化程度的不断加深。根据易观国际2012年7月的研究报告显示，2012年第2季度中国网上零售市场交易规模达到2 788亿元，环比增长27.4%，同比增长45%。其中B2C交易额988.4亿，逼近千亿。由此可以看出，相比传统购物模式，网络购物在时间、地域以及商品选择等方面都具有很大优势，网络购物的方便快捷特点，使其受到越来越多的关注，并逐渐成为人们生活中不可或缺的一部分。网购用户的迅猛增长为网络购物市场带来广阔的发展前景，与此同时也带来了电子商务领域日趋激烈的竞争。对于电子商务的企业而言，进行生产或提供服务的最终目的都是诱发消费者的购买行为，如何让自己的产品在激烈竞争的市场中获得优势是至关重要的问题。因此，全面分析电子商务中产品销售能力影响因素间的关系，构建产品销售能力评价体系，对企业把握自身产品的竞争优势，争取利润，制定有效的生产计划，提高竞争力具有重要的现实意义。

随着电子商务的迅猛发展，针对网络消费的分析和研究也越来越多。文献[1]介绍了电子商务条件下影响消费者购买行为的个人以及环境因素。文献[2]分析了网络团购条件下消费者购买选择行为偏好的影响因素。文献[3]针对电子商务卖家的激烈竞争环境，提出了电子商务环境下卖家可以采取的5种具体竞争战略。

尽管国内外有关电子商务的研究已经成为近几年的学术研究热点，但是相对而言，大多数的研究都集中在对于网络环境下消费者的消费心理以及影响其购买行为因素等方面，对电子商务产品销售能力的研究没有进行深入探讨，也没有形成关于产品销售能力的全面评价体系。针对电子商务中产品销售能力的分析是一个信息不完全的复杂多因素综合决策问题，运用定性和定量相结合的系统分析方法，研究电子商务中产品销售能力的评价指标体系。采用遗传算法优化BP神经网络评价方法对电子商务产品销售能力进行评价，提高了评价结果的科学性和合理性，以利于电子商务企业在产品营销策略中做出正确的决策。

科学合理地构建电子商务产品销售能力的评价指标系统，是正确评价电子商务产品销售能力的前提和基础。因此，对电子商务产品销售能力的分析原则上应能科学、全面、客观和公正地反映其真实的内涵和水平。本文试图通过对影响电子商务产品销售能力的因素进行分析和整合，从定性和定量相结合的角度，由电子商务中产品的销售策略因素、产品特性因素、产品的交易因素、产品服务与信誉机制因素4个一级指标以及与之相关的16个二级指标来建立电子商务产品销售能力的评价指标体系（见表1）。

表1电子商务产品销售能力的评价指标体系[4-6]

一级指标1二级指标1指标说明产品销售策略因素1产品广告投入1定量；广告投入/成本产品促销力度1定量；促销投入/成本互动营销方式的开展1定量；一年内卖家互动营销，体验营销的开展次数。整合网络营销的进行1定量；整合网络多种营销推广投入/成本产品特性因素1性能/价格比1定性；单位付出所购得的商品性能品牌价值1定性；反应人们对产品综合品质的评价和认知质量水平1定性；反应产品成功满足用户的需要程度市场占有率1定量；产品的市场占有率产品交易因素1销量1定量；最近一个月内产品的销售数量产品配送力度1定量；物流的平均配送时间交易的安全性1定性；买家交易过程中的安全性顾客好评率1定量；顾客对产品的好评率产品服务与

信誉机制因素1产品信息提供1定量；反应卖家对产品完整、无偏差信息提供程度的评分卖家服务水平1定量；反应卖家服务质量的评分消费者保障机制1定量；是否支持消费者保障、产品退货换货等服务卖家信誉度1定量；反应卖家信誉的评分

1.1电子商务产品的销售策略

在电子商务卖家激烈竞争的环境里，产品的销售一直是企业所围绕的话题，销量无疑是卖家的最终追求。提高企业产品的知名度以及打造产品的品牌效应，让企业的产品或品牌深入到消费者心坎里去，让消费者认识产品、了解产品、信任产品到最后的依赖产品是电子商务企业产品销售策略最直接的体现。因此，电子商务产品的销售策略是产品销售能力至关重要的因素。

1.2电子商务产品特性

网络购买相对于传统的购买来说，是发生在一个新的购买环境里，并且具有产销活动无时空限制、个性化和共享性突出等显著特征[7]，消费者只能凭借有限的信息来了解物品，无法亲身体验物品。因此，在网络消费环境下，产品的性价比、品牌价值、质量以及市场占有率对其销售能力的影响也就显得更为重要了。

1.3产品交易

由于网上交易的虚拟性，交易过程中买卖双方通常是处在非面对面环境中[8]，在信息不对称和不完全的条件下，除了商品的销售量外，消费者往往更有可能通过在线评论去信任其他消费者，尤其是已购买者提供的经验信息。此外，网上购物无法提供像现场购物那样的安全放心的交易，交易本身的安全性以及物流的配送力度很大程度上影响着消费者的购买决策。

1.4产品服务与信誉机制

由于互联网络的开放性、虚拟性、数字化等特征，网络购物与传统购物模式相比，消费者感知到的风险会比较大[9]，消费者无法进行实物商品的体验，因而增加了购买的不确定性。所以，对卖家而言，完整、无偏差的产品信息提供与消费者之间无障碍的沟通有利于引导消费者的购买。同时，健全的消费者保障机制以及良好的信誉度也是提升卖家竞争优势的关键所在。

2电子商务产品销售能力评价方法

由于层次分析法、灰色评价法以及模糊综合评价法等常见的评价方法都依赖专家打分来确定权重，难以避免其评价过程中的主观随意性。神经网络具有高速信息处理的能力以及很强的不确定性信息处理能力。即使输入信息不完全、不准确或模糊不清，神经网络仍然能够联想存在于记忆中的事物的完整图像[10]。利用神经网络并行分布、自组织适应、收敛性和容错性的优势，结合定性与定量分析，能够有效的适应电子商务产品销售能力这类多因素和不确定性问题。针对标准的BP神经网络存在着收敛速度慢和容易陷入局部极小值的问题，采用遗传算法对BP神经网络网络进行优化，将优化后的神经网络用于电子商务产品销售能力评价中，能够较好的保证评价结果的客观性。

2.1遗传算法（GA）

遗传算法（Genetic Algorithm，GA）是一种基于自然选择和基因遗传机理的全局搜索算法，算法以生物界的进化规律为参照，通过模拟自然界进化来寻找最优解。遗传算法将生物界“优胜劣汰、适者生存”的进化原理引入到待优化参数形成的编码串群体中，按照一定的适应度函数及一系列遗传操作对各个体进行筛选[11]，从而产生新一代群体，并通过给定的适应度值来决定种群中个体的去留，最终使群体进化到包含或接近最优解的状态。基本遗传算法的流程如图1。

1图1基本遗传算法的流程图1

2.2基于遗传算法优化BP神经网络模型

遗传算法的全局优化、自适应以及概率搜索等特点使得它能够对目标函数空间进行多线索的并进式搜索，能够弥补BP神经网络连接权值和阈值选择上的随机性缺陷。本文利用遗传算法来优化BP神经网络的权值和阈值。通过建立染色体编码长度与神经网络连接权值之间的映射，使神经网络中连接权值和偏置值的个数与编码的长度一致，并使用神经网络误差的倒数作为适应度函数。基于遗传算法的BP神经网络初始权值优化步骤如下：

（1）初始化BP网络结构。初始化神经网络各层间的连接权值、阈值，并将它们顺序级联，构成初始的染色体组；

（2）设定网络误差函数的倒数为染色体的适应度函数，并计算每个染色体的适应值；

（3）根据个体适应度大小，选出适应度高的个体，并按一定的交叉概率和变异概率产生新的个体，并计算它们的适应度；

（4）考察种群中染色体的适应度或当前循环次数，如果满足结束条件，得出适应度最大的个体，作为BP网络的初始权值和阈值，否则，转至步骤（3）；

（5）用（4）得到的权值和偏置对神经网络进行训练。

3评价模型的建立

3.1电子商务产品销售能力评价指标预处理

在电子商务产品销售能力评价指标体系中，同时存在定性指标和定量指标，为了增加各指标间的可比性，必须对各指标进行处理。由于定量指标的衡量单位和级差各不相同，所以必须对其进行规范化和趋同化处理，具体处理方式如下：

x（t）=x（t）-xmin1xmax-xmin

式中，x（t）表示预处理后的数据，xmax和xmin分别为评价系统区域范围内某项指标的最大值和最小值。经过数据预处理后，数据范围在[0，1]区间中。

对于定性指标，因为不能直接量化，可以通过模糊综合评价的方法，确定各指标对于“电子商务产品销售能力高低”这个模糊集的隶属度，以指标的隶属度作为神经网络的输入值。确定其隶属度的具体做法是：设xi是定性评价指标，V=（v1，v2，…，vn）是其对应的评价集，U=（u1，u2，…，un）为评价集V对应的权重，xi相对于评价集V的隶属度向量ri=（ri1，ri2，…，rin）可以通过专家评价或者问卷调查等方法来确定。根据模糊矩阵合成法B=U·ri便可计算出定性指标在给定标度U下的量化值了。在电子商务产品销售能力定性评价指标体系中，指标对于“电子商务产品销售能力”的模糊评价集为（差、一般、中等、好），相应的权重为B=（1，0.7，0.4，0.1）。

3.2电子商务产品销售能力评价模型结构的确定

（1）网络的层数。根据Kolmogorov定理，在不限制隐含层节点数的情况下，三层BP神经网络充分学习后能够实现任何非线性映射，因此构建三层结构的BP神经网络。

（2）网络的节点数。电子商务产品销售能力的评估是一个模式识别问题，网络的目标是根据输入参数给出产品销售能力评价的综合指数。由于输入向量包含16项指标，故输入层应包含16个节点，输出层只有一个输出节点，输出电子商务产品销售能力评价的综合指数。隐含层节点数的设计参考经验式：J=entn+m+a。式中，ent为取整函数，n和m分别表示输入层、输出层神经元的个数，a为1～10之间的常数。根据试算比较，本文最终确定隐含层节点数为11。

（3）确定隐含层、输出层传递函数关系以及训练函数。网络隐含层传递函数采用双曲正切函数tansig，输出层传递函数采用对数函数logsig，训练函数为LM（Levenberg-Marquardt）算法（trainlm）。

（4）设定遗传算法的种群规模为30，最大进化代数为800，选择概率为0.8，交叉概率为0.5，变异概率0.05。

4结论

随着互联网的高速发展，网络交易模式逐步被人们所接受并应用，网络购物的方便快捷、便宜、降低消费成本等优势，使其越来越受到消费者的欢迎。对网络交易中的供应商而言，准确分析和判断其产品的销售能力是提高自身竞争优势的重要环节。因而，对电子商务产品销售能力的评价是一个综合系统的动态过程，需要设计全面的评价指标体系并对其进行综合评价。本文在分析了电子商务产品销售能力构成的基础上，利用基于遗传算法优化BP神经网络的评价模型，来评价电子商务产品的销售能力。通过结合遗传算法多点搜索的全局寻优能力和BP神经网络算法的局部搜索优势，能够有效的避免网络陷入局部最优，同时保证了评价结果的准确性，对电子商务产品销售能力的评价有助于供应商准确地了解产品属性及其竞争优势，对设计产品、制定营销策略和完善商家服务体系具有指导作用。

参考文献

[1]陈慧，李远志.电子商务条件下消费者购买决策影响因素探析[J].北京邮电大学学报：社会科学版，2007，9（2）：1-4，24.

[2]宁连举，张莹莹.网络团购消费者购买选择行为偏好及其实证研究——以餐饮类团购为例[J].东北大学学报：社会科学版，2011，13（5）：404-409，415.

[3]薛有志，郭勇峰.C2C电子商务卖家的竞争战略研究：基于淘宝网的分析[J].南开管理评论，2012，15（5）：129-140.

[4]郭赞伟.网络消费及其影响因素：基于中国数据的实证研究[D].长沙：湖南大学，2010.

[5]周毅.网络购买决策关键影响因素挖掘研究[D].上海：东华大学，2011.

[6]郑小平.在线评论对网络消费者购买决策影响的实证研究[D].北京：中国人民大学，2008.

[7]李远志.北京大学生网络消费决策影响因素的实证研究[D].北京：北京邮电大学，2008.

[8]李瑞轩，高昶，辜希武，等.C2C电子商务交易的信用及风险评估方法研究[J].通信学报，2009，30（7）：78-85.

[9]孙曙迎.消费者网络信息可信度感知影响因素的实证研究[J].北京理工大学学报：社会科学版，2008，10（6）：50-54.