神经网络的局限性精选(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局限性主题范文，仅供参考，欢迎阅读并收藏。

第1篇：神经网络的局限性范文

关键词：教学资源网络共享平台 BP神经网络 资源检索 优化算法

中图分类号：G642 文献标识码：A 文章编号：1672-3791（2015）05（b）-0149-01

在信息化大潮的今天，高校教学资源已步入了数字化信息化时代网络化的时代。在教育部的主导下现在各大高校已经建设起了上万门的精品课程；现在又大力开展精品资源共享课的建设，计划在“十二五”期间支持建设5000门国家级精品资源共享课。如此多的优质教学资源就意味着必须有一个优质高效的教学资源网络共享平台才能发挥这些资源最大的教学效能。其中这种类型的平台要解决的第一个问题就是资源检索的优化问题，以期解决在大规模访问时支撑教学资源网络共享平台的服务器能同时对多个使用者快速准确的完成检索并返回检索的结果。

为什么我们把优化检索效率放在首要解决的问题上呢？我们对教学资源网络共享平台的使用对广西中医药大学的大三学生进行了相关问卷调查。其中一项的的调查为在什么情况下会放弃使用该平台，四个选项中检索速度慢和检索结果不精确这两个选项分别占据了38%和32%。由此可以得出结论：在现在的现实应用中我们已经有了很多优质的教学视频资源，由此对于一个教学资源网络共享平台而言现在最为重要的就是要解决检索的速度、效率、和准确度的问题了。因此我们把对高校优质教学资源网络共享平台的信息检索的优化作为首要解决的问题。

神经网络的基本特征在数据检索上的应用具有以下四点。

（1）非线性：非线性现象大量的存在于现实世界中。大脑的神经网络活动就是属于这种现象。神经网络的基本单元神经元一般具有两种形态：激活或关闭，在数学上该行为表现为一种离散特性而教学资源网络共享平台信息检索所产生的指令数据就是典型的离散信息。这些神经元在一定的闽值控制下进行激活或关闭，由此它们所构成的网络具有更好的容错性。

（2）非局限性：由网络化结构来组成的大量神经元网络可以模拟出大脑的非局限性，这种局限性可以限制对整个系统的无限制遍历，可以更精确的先行定位搜索的范围。单个神经元的特性并不能决定一个系统的整体行为，而神经元之间的相互作用、相互连接却能够决定一个系统的整体行为。

（3）非常定性：在处理检索信息的时候，如果引用神经网络，其本身具有自适应、自组织自学习能力，可以使其处理各种变化的输入信息，且在处理信息的同时，非线性动力系统也通过迭代过程不断的变化，就可以适应一段时间内检索内容的变化多寡而改变针对某个检索内容的检索效率。

（4）非凸性：由于非凸性可以让检索信息在神经网络中拥有自组织学习的过程，可以达到多个较稳定的平衡状态，这可以解释为数学原理，某个特定的状态函数在一定的条件下将会决定一个系统所进化的方向。例如检索变量函数的极值对应于系统的结果输出的稳定状态。而非凸性指的是该检索变量函数可以达到的多个极值，所以系统有多个稳定的检索结果，因此这就使系统检索结果具有变化的多样性。神经网络算法有多重类型由于检索的信息需要有反馈所以该文使用有反馈的前向网络即BP神经网络。

神经网络一般是输入层检索目标对输出层的检索结果有反馈信息，使得输出层输出相应的检索结果，而这种类型的网络中对输入层存在反馈信息，用于存储某种模式序列，典型的神经认知机和回归BP网络就属于这种网络类型。

（1）在多级的神经网络中，同级的神经元节点是独立的，它们之间没有联系。

（2）通过相互的权值各级层神经元之间互联，前一层的输入要查询的检索信息是后一层的输出结果。

（3）检索信息从前一层逐层向后一层传递，并没有反向连接信号。

在该文中作为实际输出，通过对上述公式的计算就可以不断的检索出实际的检索目标对应的字段标志参数，完成分类、模式识别或者函数逼近和模拟的任务，最终不断的逼近最优化的值，形成最快捷的检索通路。通过上述方法我们可以BP算法在检索信息时的训练过程总结（如图1所示）。

通过上述内容可以初步得到高校优质教学资源网络共享平台信息检索的优化采用BP神经网络算法是可行的，在检索优化的过程中在检索效率和准确度上由于神经网络具有的自我学习能力使之具备较好的检索性能。

参考文献

[1] 陈国良.并行算法的设计与分析[M].北京：高等教育出版社，2005：76-80.

[2] 蒋宗礼.人工神经网络导论[M].北京：高等教育出版社，2005：34-78.

第2篇：神经网络的局限性范文

关键词：油气输送；ANN技术；意义；应用

1 ANN技术

ANN技术也就是人工神经网络技术。人工神经网络是一种通过模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。人工神经网络通过调节系统内部大量节点之间相互连接的关系，并对其之间关系进行信息处理，从而达到处理信息的目的。人工神经网络具有自学习和自适应的能力。人工神经网络技术（ANN技术）就是根据人工神经网络而提出来的处理单元互联组成的非线性、自适应信息处理系统技术，利用人工神经网络技术可以通过模拟大脑神经网络处理、记忆信息的方式进行信息处理。ANN技术通常是通过一个基于数学统计学类型的学习方法得以优化，所以人工神经网络技术也是数学统计学方法的一种实际应用。人工神经网络技术具有四个基本特征：非线性、非局限性、非常定性、非凸性。

就目前来说，常用的人工神经网络是Hopfield联想记忆网络，波尔兹曼学习机和网络误差反传（BP）试验方法。BP网络可以对油气管道油气泄漏、管道腐蚀速度等进行预测，所以在油气储运中，应用最多的是BPNN技术。

2 ANN技术在油气储运中的应用

（一）在油气储运中运用ANN技术的重要意义

油气储运工程主要包括油气田集输、长距离输送管道、储存与装卸等，它是连接油气生产、加工、分配、销售诸环节的纽带。ANN技术通常是通过一个基于数学统计学类型的学习方法得以优化，所以人工神经网络技术也是数学统计学方法的一种实际应用。人工神经网络（ANN）具有非线性、非局限性、非常定性、非凸性等特征，用人工神经网络技术的自适应能力学习管道的各种工况，对管道运行状况进行分类识别，从而更准确的检测油气储运管道泄漏情况和管道腐蚀速度。为了更加准确的检测油气储运管道泄漏情况和管道腐蚀速度，为了石油生产建设的需要，因此要在油气储运中运用人工神经网络技术（ANN技术）。

（二）ANN技术在油气储运中的具体应用

（1）在油气储运中应用ANN技术，是因为人工神经网络（ANN）具有以下的特点和优越性：第一，具有自学习功能。例如管道的油气泄漏情况或者管道腐蚀度进行识别时，首先要把不同管道的泄漏或腐蚀图像样板以及对应的应识别结果输入到人工神经网络系统（ANN）中，利用人工神经网络系统（ANN）的自学功能，学会识别其他的相类似的图像。人工神经网络（ANN）的自学习功能对于油气管道泄漏情况和管道腐蚀情况预测有特别重要的意义。第二，利用人工神经网络（ANN）的联想存储功能，把关于石油管道泄露或腐蚀等的各种情况进行相互的联想、比对，找出石油管道泄露的具体地方以及管道腐蚀的情况，进而提出切实可行的解决措施。第三，利用人工神经网络（ANN）的高速寻找优化解的能力，通过计算机的高速运算，找出解决石油运输中出现的问题的最佳方法。

（2）BPNN网络是一种基于广义2R规则的有监督的学习网络，属误差修正算法。采用BPNN网络对管道泄漏进行检测，主要是利用单元希望输出与实际输m之问的偏差作为连接权调整的参考，并最终减小这种误差。

（3）自适应模糊神绛网络系统具有自学习能力和非线性映射，它不仅能够获取信号的最佳估计，并且能够克服信号处理中存在的模型和噪声的不确定性、不完备性，所以可以用于噪声信号的非线性建模。利用自适应模糊神经网络系统的去噪可以提高压力信号、流量信号的信噪比。自适应模糊神经网络的自适应噪声抵消器具有实现简单、节省运行时间，能快速、有效地消除流量、压力信号中的各种噪声的特点，所以把自适应模糊神绛网络系统应用到油气储运中管道泄漏、腐蚀情况的检测中，提高泄漏检测和定位的精度。

（4）可以利用人工神经网络对油气管道的腐蚀过程和腐蚀速度进行预测。在油气输送管道中，由于各种油气性质的不同，再加上高速度、高循环率的运输，增加了油气管道的腐蚀程度。我们可以通过人工神经网络（ANN），采用逐步回归的方法对油气管道中的腐蚀程度和腐蚀速度进行预测，进而保证油气管道能够安全有效的运行。

3 结语

综上所述，油气储运工程主要包括油气田集输、长距离输送管道、储存与装卸等，它是连接油气生产、加工、分配、销售诸环节的纽带。ANN技术也就是人工神经网络技术，ANN技术具有可以充分逼近任意复杂的非线性关系，具有很强的鲁棒性和容错性，能够同时处理定量、定性知识，能够优化设计、模式识别、联想记忆等特点。在油气储运中用人工神经网络技术的自适应能力学习管道的各种工况，对管道运行状况进行分类识别，更准确的检测油气储运管道泄漏情况和管道腐蚀速度。

参考文献：

[1]王延民，齐志财.ANN技术在油气储运中的应用[J].油气田地面工程.2008，（10）：55.

第3篇：神经网络的局限性范文

关键词：神经网络 车辆跟驰 智能系统

中图分类号：U491 文献标识码：A 文章编号：1007-9416（2016）12-0081-01

引言

微观模型越来越多的被应用于评估新的智能运输系统。车辆跟驰模型就是其中之一[3]。车辆跟驰模型基于这样的假设：后车司机受到一系列变量的影响，车辆的行驶受到人的影响最大，所以建立模型实际上就是将人的驾驶技巧转化成智能系统。为了得到高保真度的微型仿真，人们主要是研究战术层面的行为。

1 神经网络的应用

人工神经网络（Artificial Neural Networks， ANN），一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型[1]。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。人工神经网络具有自学习和自适应的能力，可以通过预先提供的一批相互对应的输入-输出数据，分析掌握两者之间潜在的规律，最终根据这些规律，用新的输入数据来推算输出结果，这种学习分析的过程被称为“训练”。

2 车辆跟驰行为分析

人的驾驶行为可以分为三个层次：分别是：战略、战术和具体操作。战略的驾驶行为主要是路线的规划，战术的驾驶行为就是实现短期的目标，比如：超车，换道等，操作层面的驾驶行为就是具体的动作如：方向盘旋转，刹车行为等。车辆跟驰行为具有很强的非线性特性[2]。

ANN（artificial neural networks）可以用来解决复杂和不明确的问题。

基于数据的学习可以提取出数据中输出与输入之间的关系，它们之间的关系是复杂的、非线性的、难以精确获得的。而神经网络可以通过学习提取出数据之间蕴藏的规律，以较高的精度来预测将来的数据。

对车辆跟驰行为更加精确的模拟应该考虑到人反应的非线性和人感知的局限性。也就是说，驾驶员不能精确地感知相对速度和距离，做出决定的过程是非线性的。人工神经网络可以找到驾驶员感知到的变量和驾驶员控制动作变量之间的映射关系。这使得神经网络系统可以模拟和预测驾驶员的行为。

3 数值仿真

训练时，实验选取了27组输入变量（每组输入变量有三个元素），每组输入变量会有一个理想输出。也就是说，一共有27个输出值构成了一个行向量。用来检测的输入向量输入到训练好的神经网络中，同样输出27个元素的行向量。在MATLAB中画出这两个向量，进行比较，得出训练效果。图1表示训练值与理想值的偏差，误差绝对值可控制在30个单位之龋图2表示预测值与实际值的位置坐标。

4 结语

本文针对传统车辆跟驰模型存在的预测不准确，计算繁杂，实用性不高等缺点，提出了基于神经网络的车辆跟驰模型，首先分析了神经网络的应用原理和领域，其次分析了神经网络在车辆跟驰模型上应用的可行性，最后通过MATLAB数值仿真验证理论的正确性，证明了神经网络的方法可以提高模型预测的准确性。

参考文献

[1]韩立群.人工神经网络教程[M].北京：北京邮电大学出版社，2006：20-25，87.

第4篇：神经网络的局限性范文

关键词：小波；神经网络；网络流量；预测

Abstract: predict the network traffic while there are many ways, but the use of wavelet neural network to predict accuracy is the highest, this kind of method integration of the wavelet transform and neural network advantages. This paper mainly to the wavelet neural network and the network traffic prediction are analyzed, and the further proof that the wavelet neural network advantages and feasibility.

Keywords: small wave. Neural network; Network flow; forecast

中图分类号：F272.1文献标识码：A 文章编号：

随着网络的迅猛发展，网络拥塞的现象越来越严重，此时预测网络流量显得如此重要。网络流量是一个复杂的系统工程，其具有很多特性，如突发性、长相关等。预测网络流量方法很多，如用小波变换、用神经网络等，这些方法虽然都能够实现预测网络流量，但是由于这些方法的局限性，预测结果的准确率有所不同。因此，找出一个准确率高的方法进行网络流量预测是非常关键的。

1.小波神经网络

1.1小波神经网络的结构形式

小波神经网络其实就是小波分析理论与神经网络理论相结合的一种产物。这两种理论相结合可以分为两类：（1）“松散型”结合。这种类型的结合就是指小波分析作为神经网络的前置处理手段，主要提供输入特征向量，为神经网络做准备。经小波变换后，再向常规神经网络输入，进而使分类、函数逼近等功能实现。（2）“紧致型”结合。这种类型的结合就是小波分析和神经网络直接融合，采用小波函数来将常规单隐层前馈神经网络的隐节点激活，由小波函数的伸缩与平移参数来分别代替相应的输入层到隐层的权值及隐层阈值。

1.2多分辨小波神经网络模型的网络结构

从理论上讲，小波理论对时间序列进行分解预测是可行的。已经有研究表明，小波变换可以解决一切能够用傅立叶变换解决的问题，小波变换在解决这些问题时不会损失任何东西，只是将我们通常观察问题的视角改变了。如果把流量曲线看作不同的信号分量叠加，分别预测各个分量，最后重新叠加各个分量预测结果，最后就能够将预测结果得到。其实利用小波方法就是这个过程来完成预测的。以下只对“松散型”小波神经网络进行分析:

先对t时刻的原始序列f(t)进行小波分解，分解尺度为n，an(t)为t时刻第n层低频系数序列，dn(t)为t时刻第n层高频系数序列，an(t)、d1(t)、d2(t)…dn(t)作为神经网络的输入，再分别对每一层小波系数用神经网络模型进行预测，得到an(t+T)、d1(t+T)、d2(t+T)…dn(t+T)共n+l个预测值，最后将这些预测值合成就得到f(t+T)，即t+T时刻的预测值。根据以上假设，使用小波分析的变换对数据进行多分辨分解，即利用小波分解的特点，根据变化的频度将序列中变化频率不同的成分分解出来。由于小波分解可以使影响流量值大小的因素相对集中起来，因此分解后的小波分量具有明显的规律性，这就使得我们便于针对不同的规律采用不同的预测技术，从而可以达到提高预测精度的同时缩短预测时间的目的，提高整个模型的效率。

2.神经网络预测

本实验选取了360个样本数据，将其生成小波分解所需的信号文件，如图1所示。

图1 历史数据

对流量序列作多分辨分析。经过5层分解后的各层信号波形如图2所示。

图2 小波分解结果

将上述小波分解的各分量，经预处理成为样本向量后输入BP神经网络预测模型，得出各分量的预测值如图3所示。

图3各分量预测结果

3.实验结果对比

将各分量分别预测出后，重构各分量的预测结果，得到最终的流量预测结果。将BP神经网络模型与小波神经网络模型进行对比，在网络中采集了360组数据，对数据进行一定的操作后，分别测试两种网络，实验结果如图4所示。

图4

将实验结果进行对比，对其测试主要采用小波神经网络来进行，这样对网络流量预测的准确率会更准确。因此，构建小波神经网络进行预测，识别准确率达到90%以上，弥补了BP神经网络预测精准度不高的缺陷。

4.结语

近年来，网络流量预测成为研究热点。本文主要讲BP神经网络和小波变换进行对比，将这两者的优点结合起来用于预测网络流量，在很大程度上提高了预测的精准度。

参考文献：

[1]胡俊,胡玉清,肖中卿.基于小波变换的网络流量预测模型[J]. 计算机工程. 2008(19).

第5篇：神经网络的局限性范文

关键词:BP神经网络;住宅项目;特征定价

中图分类号:F293.3文献标识码:A

新建住宅项目定价能否被消费者认同,对于项目投资者来说,能够快速准确地了解项目定价的合理区间是非常重要的。目前,在实际操作中运用的市场比较法、收益还原法等基本方法在估算精度、速度乃至应用范围上都具有局限性。随着计算机技术的迅速发展,近些年来兴起的人工神经网络模型的一个明显特征就是具有通过学习最佳逼近非线性映射的能力。因此,项目特征到项目定价的非线性映射关系通过人工神经网络来进行模拟求解是可行的。

一、应用BP神经网络的原理

神经网络在回归分析中较传统方法具有相对优越性,它能从大量的离散实验数据中经过学习训练,建立起反映实际过程内在规律的系统模型,BP神经网络是其中的一种较为简单但应用广泛的方法。

(一)BP人工神经网络模型构造概述。BP神经网络,由输入层、隐含层和输出层构成,各层采用全互连接,同一层中各单元不连接。通过调整各个权值和阈值,直到达到期望的误差即可。

(二)基于LM法的BP算法改进。由于标准BP算法用的梯度下降法随着接近最优值,梯度趋于零,致使误差函数下降缓慢。LM法的优点是迭代次数少,收敛速度快,精确度高,因此在训练样本时采用LM法。

二、住宅项目定价模型构建

(一)住宅项目定价特征的选取。根据Lancaster特征价格理论,模型的一般形式是:P=F(X1,X2,X3…XN),P为住宅项目均价,F为函数形式,X为住宅项目特征变量。住宅项目特征变量通常考虑的因素,可以分为建筑特征、区位特征、邻里特征、需求特征四大类,分别用L、M、N、R表示,如下:

P=F(Z)=F(L,M,N,R)(1)

变量应选取与项目整体相关的特征因素,对于特征的选取,采用专家评审法,邀请一家咨询公司5位工作8年以上的项目策划师,对住宅项目中影响定价的各种因素进行选取打分,最终选取的特征变量如表1所示。(表1)

(二)BP神经网络模型的建立。由于仅含有一个隐含层可以任意逼近连续函数,因此BP神经网络采用3层结构。BP神经网络的输入节点为7(对应特征变量数),输出节点为数为1(对应项目均价),隐层节点数根据以下公式来确定:

s=+0.51(2)

其中,m为输入层节点数;n为输出层节点数;s为隐层节点数。

将m=7,n=1带入上式,通过计算s=5,即建立7*5*1的拓扑结构。

三、应用分析

(一)研究对象。选取2008年北京、天津、沈阳、上海、南京等20个城市的78个普通住宅项目为研究对象。在选取过程中尽量保证市场的同一性,使不同城市之间的商品住宅具有可比性。

(二)变量的量化。由于样本数据较多,这里只选取测试样本数据做说明。参照表1进行量化,量化结果见表2。(表2)

(三)BP网络参数设置及训练。将规格化后的66个样本数据代入神经网络模型中,采用LM改进算法进行训练,隐含层激活函数为tansig,输出层激活函数为logsig,BP神经网络经过所设定的220次训练后,网络目标误差达到精度要求,此时的误差为:res=0.000991452。训练结束后,固定连接值和阈值并输入测试数据,测试数据的BP输出结果见表3。(表3)

(四)结果分析。样本项目的预测输出和实际值的相对误差值在0.6%～7.8%之间,平均误差为0.3828。这说明,BP神经网络在项目定价预测中具有相对的稳定性和优越性。

四、结论

与传统的住宅项目均价定价方法相比,利用BP神经网络确定新建项目均价一方面具有较高的精度;另一方面简化了计算过程,减少资源的投入,是一种快速、便捷、有效的新方法。当然,样本要尽量选取经典的,去掉一些“噪声”比较大的样本和特别复杂的项目。

(作者单位:重庆大学建设管理与房地产学院)

主要参考文献:

[1]LANCASTER KJ.A new approach to consumer theory[J].Journal of Political Economy,1966.74.1.

[2]张吉礼.模糊神经网络控制原理与工程应用[M].哈尔滨:哈尔滨工业出版社,2004.

[3]王其文,吕景峰,刘广灵等.人工神经网络与线性回归的比较[J].决策与决策支持,1993.3.3.

[4]张良均,曹晶,蒋世忠.神经网络实用教程[M].北京:机械工业出版社,2008.2.

第6篇：神经网络的局限性范文

关键词：电子商务交易额；灰色理论；GM1，1模型；RBF神经网络

中图分类号：F713.360 文献标识码：A

Abstract： E-commerce trade volume is an important index to measure a country or a region's E-commerce development situation， and an accurate volume forecast plays a critical role in making a country's E-business strategy. According to the data characteristics of China's E-commerce transactions throughout the years， this paper proposed a combined forecast model based on grey theory and RBF neural network algorithm. After predicting the trade volume of China's E-commerce， this report compared the combined forecast model with single GM1，1 model and RBF neural network model， which shows the combined forecast model's predicted results are much more accurate. Therefore， the combined forecast model can be used as a new method for predicting E-commerce trade volume.

Key words： E-commerce trade volume； grey theory； GM1，1 model； RBF neural network

0 引 言

随着我国互联网和计算机信息技术的普及与发展，电子商务的发展速度及其影响力已经超出了人们的预期，电子商务将成为“大众创业、万众创新”的新引擎[1]。

关于电子商务交易额的预测，国内的研究论文相对较少。任丽丽、陆秋君[2]使用模糊线性回归模型对电子商务交易额进行预测。王小东等[3]使用时间序列预测模型对世界电子商务交易额进行预测。资道根[4]使用灰色理论模型对跨境电子商务交易额进行预测。但是，以上学者提出的电子商务交易额预测方法都是基于单一的模型，从而没有考虑到单一模型在预测方面的局限性，影响了最终预测结果的精度或实用性。例如，文献[2]中使用模糊线性回归模型对电子商务交易额的预测，预测结果误差较大，达到了14.5%。文献[4]中的灰色理论模型的预测结果虽然精度较高，但是若样本数目增加或者离散程度增大时，预测结果的精度会受到较大影响。因此，本文采用灰色理论与RBF神经网络组合预测模型对中国的电子商务交易额进行预测，并将预测结果与单独的灰色GM1，1模型和RBF神经网络算法预测结果进行比较，具有较高的精度。

3 结 论

通过构建灰色理论与RBF神经网络组合预测模型，对中国电子商务交易额进行预测，将预测结果与单一的RBF神经网络算法和GM1，1模型比较，精度上有较大的提高，为今后电子商务交易额预测提供了新的思路和方法。电子商务交易额预测以及电子商务的发展研究是一项整合各种技术的复杂任务，本文虽然给出了基于灰色理论和RBF神经网络算法的组合预测方法，但是对于电子商务交易额的影响因素没有涉及，这是对未来电子商务的一个研究方向。

参考文献：

[1] 中国社科院财经战略研究院课题组，荆林波. 电子商务：中国经济发展的新引擎[J]. 求是，2013（11）：15-17.

[2] 任丽丽，陆秋君. 电子商务交易额预测的模糊线性回归研究[J]. 江苏商论，2012（7）：66-69.

[3] 王小东，杨坚争，杨纳川. 世界上网人口与电子商务交易额预测[J]. 金融经济，2013（12）：173-175.

[4] 资道根. 基于灰色GM1，1模型的跨境电子商务发展前景预测分析[J]. 数学的实践与认识，2015（1）：96-105.

[5] 邓聚龙. 灰色系统基本方法[M]. 武汉：华中科技大学出版社，2005.

第7篇：神经网络的局限性范文

【关键词】人口预测；人工神经网络；BP神经网络

0 引言

中国是一个人口大国， 人口问题始终是制约我国发展的关键因素之一， 但是要确定人口发展战略， 必须既着眼于人口本身的问题， 又处理好人口与经济社会资源环境之间的相互关系， 构建社会主义和谐社会， 统筹解决人口数量、素质、结构、分布等问题。已有的文献采用微分方程、灰色系统和曲线拟合等方法研究了我国人口问题[1-2]。本文根据近年来中国的人口发展所出现一些新的特点， 以及近几年中国人口抽样数据及现有全国人口普查数据， 运用人工神经网络算法[3-4]对中国人口做出了分析和预测。人工神经网络（ANN）可以通过学习来抽取和逼近输入输出之间存在的非线性关系。因此，基于人工神经网络的预测方法成为近几年研究的热点。目前，主要采用BP神经网络、局部反馈性神经网络等。BP神经网络是人工神经网络中应用最广泛的算法。

1 BP神经网络模型

BP神经网络的输入与输出之间是一种高度非线性映射关系，如果输入节点数是N，输出节点数是M，则网络是从N维欧式空间到M 维欧式空间的映射。通过调整BP神经网络的连接权值和网络的规模（包括N，M和隐层节点数），可以以任意精度逼近任何非线性函数。

BP算法的训练过程包括输入信号的正向传播和输出误差的反向传播两个过程。BP算法首先进行输入信号的正向传播。输入的样本首先进入网络的输入层，经中间隐含层的分析计算处理后，进入输出层得到样本训练输出结果。如果网络最终输出与网络期望输出值（导师信号）存在误差，那么就进行误差的反向传播。误差的反向传播首先将误差按照一定的学习算法整理成相应的形式，由隐含层传播至输入层，并将误差分配给各层的所有神经元上，从而获得各层神经元的误差信号，此误差信号即作为修正各神经元权值的依据。这种权值修正的过程，也就是网络的学习训练过程。这种过程不断迭代，最后使得误差信号达到允许的范围内。

在BP神经网络预测前，首先要训练网络，通过训练使网络有联想记忆和预测的能力。具体的步骤如下：

第一步：设置好已知参数，包括目标输出、预期平均误差、隐含层的数量与神经元个数、输出层的神经元个数、各层的权值与阀值等。

第二步：数据归一化。在设定好各种参数之后，确定每一样本的参数。每一样本的每个数据作为输入层神经元，所有样本计算做为一个学习周期，为了使网络能更快地收敛，应该将输入层神经元归一化，即将其按照式（1）转换为（0，1）之间的值，其中x是样本数据。

第三步：确定样本数据之后，通过每一个样本数据对网络进行的计算。计算时首先将输入层神经元按照式（2）计算出隐含层输入，其中h表示隐含层，k表示第k个样本，wih表示第i个输入层神经元与第h个隐含层神经元之间连接的权值，bh表示隐含层第h个神经元的阀值。计算隐含层输入之后通过可导函数（一般选择sigmond函数，如式（3）所示，其中x表示隐含层输入）处理得出隐含层输出；将第一层隐含层的输出作为下一隐含层的神经元进行下一隐含层输入计算，在通过可导函数处理得出下一层隐含层的输出如此反复计算，直至隐含层全部计算完；

2 人口预测

2.1 数据来源

为了验证神经网络模型在人口预测中的效果，本文采用的我国人口数据均来自1995 -2012年的《中国统计年鉴》，具体数值如表1所示。我们将数据分为两部分，1995-2008年作为训练样本，2009-2012年作为测试样本。

2.2 BP神经网络拓扑结构的确定

如果隐含层神经元数目过少，网络很难识别样本，难以完成训练，并且网络的容错性也会降低；如果数目过多，则会增加网络的迭代次数，从而延长网络的训练时间，同时也会降低网络的泛化能力，导致预测能力下降。在选择隐含层层数时要从网络精度和培训时间上综合考虑。在具体设计时，首先根据经验公式初步确定隐含层神经元个数，然后通过对不同神经元数的网络进行训练对比，再最终确定神经元数。通用的隐含层神经元数的确定经验公式有：

其中i为隐含层神经元的个数，n为输入层神经元的个数，m为输出层神经元的个数， a为常数且1

2.3 人口预测结果

由图2可知，神经网络很快就训练收敛了。经过多次训练和学习，得到BP网络的预测值。预测结果是2009-2012年人口预测数量分别为：133487，133985，135139，135431.（单位：万人）。

2.4 结束语

将BP 预测值与实际值做比较， 2009-2012年的相对误差为0. 01%、0. 01%、0.3%、0. 009%.

BP 网络预测结果表明， 比其他数学方法预测值更接近实际值. 这是因为我国的人口数量受多种因素的影响，人口的增长呈非线性局势， 而BP 网络的优点就在于它的非线性趋近性和泛化能力。本文采用自适应学习速率和附加动量法相结合的方法， 比应用单一的方法效果要好很多。BP 网络具有它的局限性， 隐含层的设计是人为设定的， 这样很容易造成误差。因此， 如何更好的将BP 网络与其他神经网络结合起来应用于人口预测系统， 是我们以后努力的方向。

【参考文献】

[1]王晓龙，杨广，张保华.灰色及其改进模型在人口预测中的应用[J].世界科技研究与发展，2009，31（4）：757-758.

[2]蒋超，杨琳，付敏.中国人口预测的数学模型[J].内江师范学院学报，2008，3（12）： 33-35.

第8篇：神经网络的局限性范文

关键词：航材；采购量短期预测；BP神经网络

中图分类号： TP399 文献标识码： 文章编号：2095-2163（2014）02-

Short-term Forecasting of the Aircraft Entertainment System based on BP Neural Network

HAO Kuang-rong1，2，WU Pei-de1

（1 College of Information Sciences and Technology， Shanghai 201620， China；

2） Engineering Research Center of Digitized Textile & Fashion Technology， Ministry of Education

Donghua University， Shanghai 201620， China）

Abstract：This paper points out the limitation of traditional aviation material procurement decision behavior， the study of aviation material procurement BP model of neural network for short-term forecasting method based on the BP neural network model， BP neural network model is applied to the study of aviation material procurement short-term forecast， and according to the historical data based on BP neural network forms the training forecasting model of the airplane entertainment system procurement quantity .To elucidate the neural network can provide the more information and supporting in decision-making， and implementation of the purchase quality of scientization. Furtherly， the forecasting result shows of aviation material procurement short-term forecasting based on neural network is an effective method， the theory and method of centralized procurement and provide the reference for civil aviation.

Key words： Air Material Procurement； Forecasting； BP Neural Network

0 引言

2012年罗兰贝格诊断报告显示，航空公司航材资产积压严重，周转速率明显偏慢，与这一情况相对应的却是航材保留故障百条上下的保障力度。

我国航材部门对航材采购方式的重视力度普遍不够，只满足于惯有传统模式，且未缺乏主动创新和改革，也缺乏科学理论和方法的采购决策，同时还易受主观因素等条件的影响，由此即增加了公司运营的不稳定性，这种不稳定性带来的延迟后果会束缚航空公司相关航材采购部门的需求预测，继而带来后续航材的供需矛盾。因此，寻找可行的科学理论方法来保证航空公司航材的采购决策稳定性就成为开展研究的现实关键。

本文针对航材采购量的预测方法应用进行分析，并基于客观研究内容提出具体分析策略。同时对相关环节进行分析，拟在建立 BP 神经网络模型[1]的基础上，利用统计分析航材中的飞机娱乐系统为实际采购分析案例，将 BP神经网络模型运用到此项航材采购的需求预测中来，进一步分析其在实际预测中的稳定性和可靠性。本文即以FD航空公司航材采购部门为主体，在采购决策过程中，提供更多的数据采购的支持信息，由此获取科学化的航材采购质量管理，满足航材采购部门对机娱乐系统的供应需要，实现航材资源优化配置，为民航相应航材采购量短期预测的理论和方法提供借鉴和参考。

1 BP 神经网络在航材采购量短期预测中的应用

1.1航材采购量预测模型数据的选择

BP 神经网络主要可分为时间序列和回归分析两种预测研究模式。本文将应用时间序列的预测模式，一次实现预测模型的建立。其中的研究对象选用了航材月度采购量，并以航材（本文中的航材数据具体为thales IFE A330飞机娱乐设备）月度采购量预测作为案例研究模型。本文所应用的时间序列预测模式，是以时间序列的前面几期航材采购量来预测稍后一期的航材采购量的假设形式来实现和开展的，同时也将以此作为建立神经网络预测模型的数据关系。

本文的相关数据选取了 thales IFE a330 飞机娱乐系统2012 年9 月至 2013 年 12 月期间的采购量数据，这16个月的采购量即为训练样本。其中，2012 年 9月-2013 年8月连续 12 月的数据是用作检验样本，2013年9 月 -2013 年 12月连续4月的数据则为预测样本。本文建模对象及数据即可如表 1所示。

1.2航材采购量短期预测模型的建立

1.2.1 构造 BP 网络的基本步骤[1-2]

（1）首先确定 BP 网络的输入向量、输出向量的维数、隐含层数及节点数 ；

（2）确立隐含层传递函数和输出层的传递函数关系；

（3）把网络学习样本划分为学习阶段和验证阶段 ；

（4）整合学习阶段时间序列，并将其误差平方和达到最小；

（5）通过验证阶段数据的检验，将训练完成的网络模型对未来需求进行数据预测。

2.2.2 航材采购量神经网络预测模型的实现与实证检验

2013年9 月 -2013 年 12月连续4月的数据为预测样本。模型的输入层神经节点数为 12，输出层节点数为 1 ；设定的隐层节点数为 10，目标误差为0.01，学习率设置为0.1， 经过 BP 神经网络预测模型设计过程，最终可以确定本文实证部分采用基于 BP 神经网络的模型结构为包含一个隐含层的三层 BP 神经网络架构，其中输入层、隐含层、输出层的神经元节点数分别为 12、10、1；误差函数为均方误差 MSE（Mean SquaredError）；训练算法采用的是基于 L-M（Levenberg-Marquardt）的 BP 算法；最大迭代次数为 2 000 次，目标误差为 0.01，学习率为 0.1。将10.6” G4 SVDU SB 屏幕显示器的训练样本数据代入模型进行训练，可得训练结果图1所示。

图1训练结果图

Fig. 1 the training results

经过 16次迭代之后达到了指定精度，误差为 0.009 79。图 2 为误差变化图，显而易见，随着迭代次数的增加，误差在不断下降。最终在第 16次迭代时，得到了符合目标要求的误差精度，训练过程终止。

图2 误差变化图

Fig. 2 the variation of error

2 试验结果分析

2.1 各样本分析

由表 2中可以看出，2号和3号样本的数据训练达到了目标误差而结束；2号、4号的最终误差大于目标误差，这2个样本的最终误差与目标误差在数量级上没有差别，数值上也比较接近，且对训练样本的拟合效果较好，因此本文在此处也接受这2个样本的训练结果，认可其最终误差的水平。

3.2 试验结果分析

将10.6” G4 SVDU SB 屏幕显示器的训练样本数据代入模型进行训练由2012 年 9月-2013 年8月连续 12 月的数据做检验样本P，2013年9 月 -2013 年 12月连续4月的数据为预测样本。测试程序如下 ：

a=sim（net，pn）；

[a]=postmnmx（a，mint，maxt）；

error=[a]-t，。

误 差 为error

= -3.7847 3.1239 2.5506 -1.0172 1.7613 2.0213 0.5645 0.9944 4.7235 -0.0271 -0.4051 0.1386。

误差均在可接受的范围内，认可数据已得到很好的训练，具备较好的仿真能力。真实值与预测值如图3所示。

图3 预测值与实际值的比较

Fig 3 Comparison of the predicted and actual values

由图3可知，预测模型在大多数检验样本点上保持了较好的仿真水平，检验结果较优，通过检验。

2.3预测结果分析

实际3号样本采购量与实证检验建立模型后所得到的预测结果进行比较，结果如表 3所示。

从表 3 中可以看出，9月样本为18.89%，其余月份BP 神经网络模型对于3号样本采购量的预测误差率大多在 10% 以下，主要原因为，其与前后一天的采购量水平，仿真值与真实数值之间出现的差异较大，导致了误差突增。由数值统计得到的数值可知， 在预测模型中的12个检验样本点中，大多数的检验样本点达到了较好的仿真水平。通过上述试验结果，可以很好地预测一个月或几个月内短期的fd航空公司航材娱乐系统的采购量，公司可以根据预测结果指定航班运行计划，并完成航材采购等工作，为提高企业的运作效率，使航材的利用率和库存量均能得到良好的运行和保障提供了相应的技术基础和依据。

4 结束语

本文通过基于BP神经网络对机娱乐系统中航材采购量的预测应用实现了模拟仿真，并达到较高精度水平的预测，为航空公司航材采购的短期预测提供了一套高效实用的理论工具和方法，并对于航材的需求变化规律的发现和探索起到一定的积极作用。但与此同时，本文所建立的BP人工神经网络的短期预测模型在进行实证预测时也出现了一些问题，如预测时间的局限性、预测数值时高时低，个别的预测值相对误差较大等问题。上述的这些问题将有待于针对BP神经网络的理论和研究在未来取得进一步的发展，从而得到改进和解决。

参考文献：

[1] 王庆斌.航材需求预测的研究[J]. SCIENCE & TECHNOLOGY INFORMATION科技信息，2013年（1）.

[2] 刘卫红 ， 崔振霞 .基于 BP 神经网络的药品采购资金管理研究 [J]. 中国乡镇企业会计 ， 2012， 20（1）： 70-71.

[3]白斌飞.基于神经网络理论的线性时间序列预测研究[D].成都：西南交通大学，2005.

[4]程刚，张，汪寿阳. 原油期货价格对现货价格的预测准确性分析[J]. 系统工程理论与实践，2009（8）：12-18.

第9篇：神经网络的局限性范文

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.