人工神经网络法精选(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人工神经网络法主题范文，仅供参考，欢迎阅读并收藏。

第1篇：人工神经网络法范文

本方法作为水质分析评价的方法，比起其他方法，具有算法简单，运算速度快，受外界影响小等特点。

关键词：人工神经网络Matlab水质评价BP

中图分类号： TN711文献标识码：A 文章编号：

“人口、资源、环境”是当今世界面临的三大难题。人类的生存与发展从根本上依赖于水的获取和对水的控制。

天津市蕴藏着丰富的中、低温地下水资源。同时，天津市作为华北地区严重缺水的城市，地下水资源对天津市的经济发展具有极其重要的作用。地下水水质的分析评价，为资源管理提供了水质判别的依据，是资源管理系统中重要的一部分。

目前，天津市的地下水水资源的分析管理工作中，水质分析评价采用的比较多的是内梅罗指数公式法、模糊综合评判法、国标法等。

1 BP人工神经网络简介

BP (Back Propagation)神经网络是一种神经网络学习算法，全称是基于误差反向传播算法的人工神经网络。它的学习过程，由信息的正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变换；最后一个隐层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。

BP神经网络相对比其他的神经网络，具有运算速度快，叠加性好等特点。

2分析方法模型建立

2.1 分析标准选择

参照《中华人民共和国地下水质量标准》，结合天津市水资源的实际取样和检测经验，形成下述指标：

表1水质评价的要素表（单位：mg/L）

2.2 分析方法建立

分析方法基本流程如图

图1基本流程图

隐含层采用正切S型神经元，输出层采用线性神经元，输入向量的维数是16，所以输入层节点数确定为16个。输出层节点数由输出向量的维数决定，这里输出节点数为1。据经验以及反复训练, 隐含层节点数定为5。这样就形成了一个16×5×1神经网络。

图2BP神经网络结构

输入向量为2-1，地下水质量分类指标，共有项目16，分为五个级别。输出结果为一列。

2.3 平台选择

本文使用的开发平台为MATLAB7.8(R2009a)。

2.4 算法选择

本文选择动量批梯度下降函数（traingdm）来训练算法。它实现的是一种批处理的前馈神经网络训练算法，它不但具有更快的收敛速度，而且引入了一个动量项，有效地避免了局部最小问题在网络训练中的出现。

2.5 学习训练和模拟

网络的训练学习，分为如下几步：

首先，采用指令 net=newff(minmax(p),[5,1],{'tansig','purelin'},'traingdm') 建立网络。

newff()为建立BP神经网络的函数，minmax(p)表示网络输入p的取值范围（0～1），[5,1]表示隐层节点数是5，输出层节点数是1，{'tansig','purelin'}表示隐含层中的神经元采用tansig转换函数，输出层采用purelin函数，'traingdm'表示选择的学习算法。

权重和阈值初始化 net=init(net);给各连接权重IW{1,1}、LW{2,1}及阈值b{1}、b{2}赋予（-1,+1）间的随机值。

然后，采用指令[net,tr]=train(net,p,t)进行训练；训练次数1000，误差限为10-8。采用水质标准归一化后的数值作为训练向量。训练结果如下：

图3 网络训练误差图

采用指令 a= sim(net,p)模拟；

训练结果：1.0001 1.9998 3.0001 4.0000 5.0000

这说明网络已经训练完毕，可以使用进行实际应用。

根据训练好的网络及输入向量进行模拟网络输出，输入层P为16×n的数组，将监测数据，进行评价归一化后，根据训练好的模型进行仿真采用指令out= sim(net,p1)，得到的结果为1×n的向量。即为样本的评价值。然后将评价值根据大小分为不同的等级（I,II,III,IV,V），输出为rank数组。

3实验结果

3.1 小量样本对比实验

选取3个地点，使用不同方法进行评价，水质评价可以用矿化度和硬度这两项指标来简单的评价，因为这两个指标可以说明水质各组分浓度大小。比较结果如下：

表2小量样本结果

从上表中可以看出，3号样本的矿化度和硬度这两项指标远小于其他两个样本，水质情况明显好于其他两个样本。这个结论与BP神经网络的评价结果是一致的，其他两种方法不能将这3个样本的水质情况区分开。

从小量样本的结果看，BP神经网络法的评价与实际的符合度较好。

3.2 大量样本对比实验

分析方法是否科学，是否符合实际工作的需要，仅有小量样本的实验是远远不够的，还需要使用较大规模的数据样本进行实验。

大量样本实验选取多年地下水监测数据中随机抽取的200组数据，代入模型，结果如下：

表3大量样本结果

与往年数据进行比较，结果如下：

图4 地下水历年评价结果对比图

由上图可以看出，使用BP神经网络法对水质进行分析评价，结果比较合理，与往年的数据相符合，结果可信。

4结论

天津市地下水资源的管理，到现在已经走过了20几年的时间，积累了大量的监测数据，为了更好的整理分析这些数据，便于管理工作的进行，水质分析评价就成为了一个很好的工具。基于BP人工神经网络的水质分析评价模型，为水质分析评价工作提供了一个新的方向。与传统的方法不同，BP神经网络法进行水质分析评价，更为简单，快捷，结果也与真实情况相符合。

水质分析评价是一项长期、枯燥、严谨而又非常重要的工作。使用BP网络法评价，现阶段同样存在着不足，比如不同的评价对象具有不同的影响因子，对于不同的评价对象，评价因子需进一步更改。

本文对于地下水水质评价方法提出一个新的研究方向，希望能够抛砖引玉，供大家借鉴思考。

参考文献：

[1]郝华.我国城市地下水污染状况与对策研究[J].水利发展研究，2004，(3):23-25+49.

[2]卢新卫.基于人工神经网络的水质污染综合评价方法[J].工程勘察，1997，(6):25-26.

第2篇：人工神经网络法范文

【关键词】自组织神经网络；智能建筑管理；BP神经网络

1 基于自组织神经网络技术原理

基于大规模自组织神经网络技术[1]是在自组织神经网络技术和专家系统的基础原理运用多层数据融合弥补了单循环数据在智能建筑工程管理分析数据处理的不足和逻辑的缺陷学科.多跳自组织神经网络是智能传感器采集数据训练样本仿真学习模型即自动增速各个自组织神经元连接权阀值与感知识别隐式分布在整个网络结构体系中实现自组织神经网络模式记忆与信息处理应用.

2 基于大规模自组织神经网络在智能建筑管理中研究

2.1 基于多跳自组织神经网络在造价预测研究

基于大规模自组织BP神经模型应用40个高层智能建筑工程样本训练并用工程实例进行验证高精确性;而用大规模自组织神经网络模拟与输入层和隐含层加入了偏置自组织神经元来促进学习训练样本数据中有噪声、干扰等会造成过度学习现象,同时采用遗传优化算法进行建筑结构优化.基于BP神经在智能建筑工程估价中的应用“特征提取器”的运算大量过去的工程资料中自动提取工程特征与预算资料的规律关系数据.

2.2 基于大规模自组织神经网络在工程管理绩效评价中的应用

运用大规模自组织BP神经模型对工程管理绩效评价问题进行研究建立综合考虑工期、质量、费用、安全四大控制指标的工程管理绩效评价模型[2].实践证明,基于BP神经网络在运算工程管理绩效评估模型有利于多跳自组织神经网络预测工程工期、质量、成本、安全与绩效之间复杂的非线性关系来提高管理绩效的评价数据.

2.3 基于遗传算法模型在建设工程评标结构优化应用

基于多层神经网络的工作原理是先将输入信号传输到下一层节点运算函数处理后再将该节点的输出信息向下一层节点传输到信号传输到输出层节点为止.同时运用遗传算法模型构造及算法设计进行方案优劣排序、换位矩阵以及能量函数构造、大规模自组织神经元之间连接和输出,并用实例说明了该方法的优越性和实用性与非线性.

2.4 基于BP神经网络模型在建设工程招投标管理应用研究

基于BP神经网络多层数据融合多跳自组织神经网络技术原理分析自动预测工程招投标的招标价格和风险因素分析以及竞标单位资格审查等方面的应用指出多跳自组织神经网络具有的高度并行处理和可完成复杂输入输出的非线性映射组合结构,不仅可以保证高的中标率,且可避免招标过程中不确定性因素的影响.运用大规模自组织神经网络的工程承包招投标报价的研究,提出了一个多因素确定高层智能建筑投标报价的大规模自组织模型影响报高率的诸多因素,并确定了其权值即确定了用BP神经网络实施黑箱操作的样本输入值和目标值再通过训练样本自主调整修正输入节点和输出节点间的联系得出符合各种情况要求的权值矩阵算法.

2.5 基于智能建筑算法模型研究

基于BP神经网络是以训练样本算法即误差反向传播算法即BP神经算法的学习过程分为信息的正向传播和误差的反向传播[1],其通过训练样本前一次迭代的权值和阈值来应用神经网络技术的第一层向后计算各层大规模自组织神经元的输出和最后层向前计算各层权值和阈值对总误差的梯度进而对前面各层的权值和阈值进行修改运算反复直到神经网络样本收敛 BP神经网络输入向量为

X=( )T;隐含层输出向量为Y=( )T;输出层的输出向量为O= )T;期望输出向量为 ;输入层到隐含层之间的权值矩阵 ,其中列向量 为隐含层第j个大规模自组织神经元对应的权向量;隐含层到输入层之间的权值矩阵 ,其中列向量 为输出层第k个大规模自组织神经元对应的权向量.各层信号之间的算法结构为:

以上式中的 均为S类型函数, 的导数方程为: （5）

神经网络输出与期望输出的均方误差为: （6）

则训练样本输出层和隐含层的权值调整量分别为:

式中: 为比例系数,在模型训练中代表学习速率.如果BP自组织神经网络有 个隐含层,各隐含层节点分别记为 ,各隐含层输出分别记为 ,则各层权值调整计算公式分别如下:

输出层

综合上述预测分析在BP神经学习算法运用各层权值调整公式均由学习速率、本层输出的误差信号和本层输入数字离散信号决定在训练样本学习的过程受决策环境复杂程度和训练样本的收敛性即需要增大样本量来提高网络技术所学知识的代表性应注意在收集某个问题领域的样本时,注意样本的全面性、代表性以及提高样本的精确性,增大抗干扰噪声,还可以采用其他方法收集多层训练样本数据.

3 结束语

自组织神经网络技术应用在智能建筑管理领域是在多层智能传感器等多种信息技术飞速发展的多学科交叉研究领域得到广泛应用.

参考文献:

[1]周小佳.电力系统可靠性神经网络模型及实现研究[D].博士学位论文,1997.

[2]胡保清等.神经网络在土木工程领域的应用[J].低温智能建筑,2004(2).

作者介绍:

第3篇：人工神经网络法范文

关键词：入侵检测 神经网络 人工鱼群算法 模型参数

中图分类号：TP18 文献标识码：A 文章编号：1674-2117（2014）20-00-01

1 前言

21世纪是网络的时代，网络已进入人们的日常生活，成为人们通信和交流的工具，人们对于网络的依赖也越来越强。

针对网络入侵检测问题，国内外许多学者进行了深入研究，提出了许多有效的网络入侵检测模型。在网络入侵检测过程，网络入侵分类器设计是网络入侵检测的关键，当前网络入侵分类器主要有基于支持向量机、K最近邻算法、神经网络等进行设计。其中出回声状态神经网络（Echo State Network，ESN）是一种新型的网络，具有简单、易实现、泛化能力优异等优点，成为网络入侵检测中的主要研究方向。人工鱼群算法（Artificial Fish Swarm Algorithm，AFSA）是一种采用自下而上信息寻优模式的智能搜索算法，具有并行性、收敛速度快等优点，为回声状态神经网络参数优化提供了一种新的工具。

2 人工鱼算法优化神经网络的入侵检测模型

2.1 回声状态神经网络

ESN是一种由输入层、内部储备池和输出层组成的非线性递归神经网络，其状态方程为：

式中，sigmoid为激活函数；Win和Wx分别为输入和储备池内部的连接矩阵；μ（t），x（t）分别表示t时刻的输入向量和储备池内部状态向量量，sin为输入项比例系数；ρ为内部储备池的谱半径。

那么ESN的输出方程为

（2）

式中，y（t）为t时刻的输出向量Wout为输出连接向量。

输出权值对ESN性能起着关键作用，常采用最小二乘法进行求解，目标函数的最小化形式为

式中 ，

，N为储备池节点数；l为训练样本数。

根据式（3）式得到解

（4）

式中，为的估计值。

从式（1）可知，参数sin和ρ的选取影响回声状态神经网络的性能，本文采用人工鱼群算法（AFSA）对参数sin和ρ的选择，以提高网络入侵的检测正确率。

2.2 人工鱼群算法

工鱼群算模拟鱼群觅食的行为，人工鱼个体的状态可表示为向量Xi=（xi1，xi2，…，xiD），食物浓度表示为Y=f（x），其中Y为目标函数值；Visual表示人工鱼的感知范围：Step表示人工鱼移动的步长；δ表示拥挤度因子。人工鱼的行为包括以下几种：①觅食行为；②聚群行为；③追尾行为；④随机行为。

2.3 人工鱼群算法优化神经网络参数

（1）初始化人工鱼群算法参数，主要包括人工鱼群数以及最大迭代次数；（2）初始位置为回声状态神经网络的参数；（3）计算适应度函数，并选择适应度函数值最大的人工鱼个体进入公告板；（4）人工鱼模拟鱼群觅食行为，得到新的人工鱼位置；（5）与公告板人工鱼的位置进行比较，如果优于公告板，那么将该人工鱼位置记入公告牌；（6）将最优公告牌的位置进行解码，得到回声状态神经网络最优参数；（7）利用最优参数建立网络入侵检测模型，并对其性能进行测试。

3 仿真实验

3.1 仿真环境

数据来自网络入侵标准测试集KDDCUP99数据集，其包括4种入侵类型：DoS、Probe、U2R和R2L，同时包括正常样本，每一个样本共有41个特征，7个符号型字段和34个数值型字段。由于KDDCup99数据集样本多，从中随机选择部分数量的数据进行测试，数据具体分布见下表。为了使本文模型的结果具有可比性，采用PSO算法优化回声状态神经网络（PSO-ESN），遗传算法优化回声状态神经网络（GA-ESN）进行对比实验。

样本集分布情况

入侵类型 训练样本 测试样本

DoS 2000 400

Probe 1000 200

R2L 500 100

U2R 100 20

3.2 结果与分析

所有模型对网络入侵数据进行建模，仿真结果如图1和图2所示。从图1和图2进行仔细分析，可以知道，相对于PSO-ESN、GA-ESN，人工鱼群算法优化神经网络的入侵检测性能最优，网络入侵检测的误报率更低，具有十分明显的优势，在网络安全领域具有广泛的应用前景。

图1几种模型的检测率比较

图2几种模型的误报率比较

4 结语

针对回声状态神经网络参数优化难题，提出一种人工鱼群算法优化回声状态神经网络参数的入侵检测模型。仿真结果表明，相对于对比模型，本文模型提高了网络入侵的检测率，同时误报率明显降低，具有一定的实际应用价值。

参考文献：

[1]唐正军，李建华.入侵检测技术[M].北京：清华大学出版社，2004.

第4篇：人工神经网络法范文

【关键词】人工神经网络 BP神经网络 图像识别 识别技术

通常而言，所谓图像处理与识别，便是对实际图像进行转换与变换，进而达到识别的目的。图像往往具有相当庞大的信息量，在进行处理图像的时候要进行降维、 数字化、滤波等程序，以往人们进行图像识别时采用投影法、不变矩法等方法，随着计算机技术的飞速发展，人工神经网络的图像识别技术将逐渐取代传统的图像识别方法，获得愈来愈广泛的应用。

1 人工神经网络图像识别技术概述

近年来，人工智能理论方面相关的理论越来越丰富，基于人工神经网络的图像识别技术也获得了非常广泛的应用，将图像识别技术与人工神经网络技术结合起来的优点是非常显著的，比如说：

（1）由于神经网络具有自学习功能，可以使得系统能够适应识别图像信息的不确定性以及识别环境的不断变化。

（2）在一般情况下，神经网络的信息都是存储在网络的连接结构以及连接权值之上，从而使图像信息表示是统一的形式，如此便使得知识库的建立与管理变得简便起来。

（3）由于神经网络所具有的并行处理机制，在处理图像时可以达到比较快的速度，如此便可以使图像识别的实时处理要求得以满足。

（4）由于神经网络可增加图像信息处理的容错性，识别系统在图像遭到干扰的时候仍然能正常工作，输出较准确的信息。

2 图像识别技术探析

2.1 简介

广义来讲，图像技术是各种与图像有关的技术的总称。根据研究方法以及抽象程度的不同可以将图像技术分为三个层次，分为：图像处理、图像分析以及图像理解，该技术与计算机视觉、模式识别以及计算机图形学等学科互相交叉，与生物学、数学、物理学、电子学计算机科学等学科互相借鉴。此外，随着计算机技术的发展，对图像技术的进一步研究离不开神经网络、人工智能等理论。

2.2 图像处理、图像识别与图像理解的关系

图像处理包括图像压缩、图像编码以及图像分割等等，对图像进行处理的目的是判断图像里是否具有所需的信息并滤出噪声，并对这些信息进行确定。常用方法有灰度，二值化，锐化，去噪等；图像识别则是将经过处理的图像予以匹配，并且对类别名称进行确定，图像识别可以在分割的基础之上对所需提取的特征进行筛选，然后再对这些特征进行提取，最终根据测量结果进行识别；所谓图像理解，指的是在图像处理与图像识别的基础上，根据分类作结构句法分析，对图像进行描述与解释。所以，图像理解包括图像处理、图像识别和结构分析。就图像理解部分而言，输入是图像，输出是对图像的描述解释 。

3 人工神经网络结构和算法

在上个世纪八十年代，McClelland与Rumelhant提出了一种人工神经网络，截止现在，BP神经网络已经发展成为应用最为广泛的神经网络之一，它是一种多层前馈神经网络，包括输入层、输出层和输入层输出层之间隐藏层，如图1所示，便是一种典型的BP神经网络结构。

BP神经网络是通过不断迭代更新权值使实际输入与输出关系达到期望，由输出向输入层反向计算误差，从而通过梯度下降方法不断修正各层权值的网络。

BP神经网络结构算法如下所述：

（1）对权值矩阵，学习速率，最大学习次数，阈值等变量和参数进行初始化设置；

（2）在黑色节点处对样本进行输入；

（3）对输入样本，前向计算人工神经网络隐层及输出层各层神经元的输出；

（4）使用梯度下降方法不断修正各层权值及阀值，由梯度算子得到的权值为

（6）判断，判断是否大于最大迭代次数或者是否误差已经达到要求。如果大于最大迭代次数或误差达到要求，那么便直接转到第（7）步，否则，转到第（4）步对各个矩阵的权值继续修正，反复训练；

（7）看是否遍历所有样本，是则结束，否则跳回第（3）步继续。

BP神经网络操作简单而有效，可通过Opencv的CvANN_MLP类， Matlab的模式识别工具箱Nprtool等实现，经验得出在如下情况中人工神经网络尤为适用：

（1）大量数据可用，却不知道与输出之间关系；

（2）问题的解决方案随时间变化而变化；

（3）输出是模糊的函数关系，而非精确数字。

4 人工神经网络图像识别

传感器或摄像仪输入图像识别系统以后，其目标图像不能够与系统全部的参考图像完全一样， 这是由于对应噪声干扰，光线不足和放缩旋转等问题。 基于人工神经网络对畸变图像识别进行深层分析，并且利用 CCD 摄像头对图像信息进行采集，在此过程之中通过对摄像头方位进行更改对易出现畸变的图像进行采集，从而使得畸变图像所带信息组成样本库。在电脑里面输入样本库中的图像信息，并且进行模数的转化，变成数字图像，利用数字滤波来对数字图像信息进行处理。在神经网络之中输入样本图像数字信息来进行训练，一方面可以基于数字图像的像素点集合组成输入矩阵，用高维数据作为训练样本，通过主成分分析（PCA）的方法进行降维，大大简化计算量；一方面可以基于数字图像的特征空间进行聚类分割，提取几何特征或者统计特征，输入到SOFM神经网络或者Hopfield神经网络，从而使其生成图像识别神经网络系统。在进行图像识别的时候使用CCD 摄像头来采集识别图像，并且把其模型转化为数字图像，预处理后，将其输入到训练好的神经网络识别系统里面，就其可以开展快速的计算，并进行识别。把图像识别技术与人工神经网络理论有机结合起来，可以非常有效地实现神经网络信息系统的一致性， 此外，还可以将其对网络连接结果与权值进行存储，促进管理效率的提高，并对于知识库的构建也具有积极的作用。

5 结论

本文就基于人工神经网络的图像识别技术进行了详细地阐述，由综上研究可以基于人工神经网络的图像识别技术具有比较多的优点以及比较高的可行性，然而，我们对该技术存在的网络规模及复杂图像识别准确度上还应继续进行深入研究，以求技术突破。在将来，图像识别技术随着科技的不断发展将会获得更多的应用，其势必会发展为一门独立且具备强大生命力的学科

参考文献

[1]王强，张小溪，韩一红.基于神经网络的图像识别[J].电子设计工程，2012.

[2]雷建锋，孙俊逸.基于人工神经网络下的图像识别的研究[J].现代电子技术，2008.

第5篇：人工神经网络法范文

关键词：人工神经网络；自动化；采煤技术；综放工作面

随着我国国民经济总量的增大，煤炭能源的消耗也是越来与而大，同时也对煤矿的开采提出了更高的要求。近年来，国家对煤矿安全越来越重视，管理也更加严格，很多不合安全规范的小型煤矿被关停。想在现有环境下提高采煤量，就必须加大科技方面的投入，采用最先进的自动化设备技术，宗放自动化采煤是当前世界上最为先进的采煤技术，是提高采煤生产效率的关键技术之一。人工神经系统可以较好的辅助综放工作面的工作，可对综放工作面进行控制生产，对提高采煤效率有着极为重要的意义。

一、人工神经网络的简单介绍

人工神经网络是一种非线性、交叉的科学，它通过计算机系统对生物神经信息进行模拟来解决实际工作中的问题，属于非线性、交叉的科学。经过近些年的发展，人工神经网落技术在自然科学、社会科学等各个领域的应用已经得到广泛应用。人工神经网络的广泛应用自然也推动了人工神经网路的研究，现在出现的具有不同功能作用的网络结构和算法系统，就是近年来研究的成果，人工神经网络的理论系统也日趋成熟，适用范围也越来越广。

通过模拟人体神经系统信号传输原理，人工神经网络的各个节点也与人体内的神经元相似，能够通过连接权值进行非常紧密的联系。在实际应用中，如果神经元的输出大大超过了网络内部神经元阀值的时候，这个人工神经网络就会输出信号，这个信号也就是成为了下个神经元输入的信号。人工神经网络是模拟人的神经系统创建的，自然与人的神经系统很相似，要通过不断的应用、训练才可以保持较为良好的状态，在实际操作中，人工神经网络的性能是由各个节点的激活函数、网络的拓扑结构以及网络的训练方法决定的。较为常用的BP算法就是通过对网络连接权值的不断调整来达到训练人工神经网络的目的。

二、人工神经网络的相关建模方法

就现有研究来看，人工神经网络的建模方法主要包括模糊建模和混合建模，这些具体而有效的建模方法给采煤综放工作面生产过程自动化提供了较为科学的理论指导，是提高采煤效率和降低采煤工人劳动强度的有效举措之一，以下是对人工神经网络建模的具体介绍。

（一）人工神经网络的模糊建模方法

在煤矿的实际工作中，传统的数学建模方法有其局限性，不能适应较为复杂的问题，严重影响了煤矿的生产效率。模糊理论正是在这种大背景下出现的，它通过有效的实验方法，将实验数据总结汇总，将实验汇总的数据作为模糊规则，然后依据相关模糊理论进行实际的人工神经网络建模。这种建模方法的优势是能够较为快速的预测出新输入数据接下来会输出的结果。煤矿在应用模糊建模方法后，对于生产过程的预算也就更为准确，便于企业做出相关决策。整个模糊建模方法主要由三个部分组成，既模糊化、推理机制、解模糊，这是模糊建模的一个有机整体，是这种建模方式的核心价值所在。

（二）人工神经网络的混合建模方法

除了模糊建模方法之外，人工神经网络还有一种混合建模方法，这种建模方法是依托智能算法的进步而出现的，现已广泛应用于煤矿生产。近年来，为了适应人工神经网络的发展，包括粒子群算法和遗传算法在内的智能算法取得了较大的发展，这种建模方可以对实际工作中比较复杂的参数进行优化处理，进而提高生产效率。

1.粒子群算法建模

粒子群建模简单来说就是利用较为成熟的计算机语言的算法对相关生物的群体行为进行模仿，然后进行建模，在具体操作中，粒子群算法建模要避免碰撞而飞离最近的个体、飞向目标、飞向群体中心，这也被称为粒子群建模方法的三大原则。

2.遗传算法

遗传算法就是将计算机技术和进化论联合运用于人工神经网络建模。在实际工作中，遗传算法应用了当前最为先进的编码技术和遗传操来做铺垫。在Holland体系中，GA就是一种较为简单的遗传算法，各种不同形式的二进制串就是其具体的操作对象。但在煤矿工作中，如果是要通过参数来进行问题分析，遗传算法的研究对象就可以是一个参数组，在这个参数组中，遗传算法具体是通过这个参数组的适应度来表现其好坏情况。通常情况下，遗传算法在具体操作中就是通过对基础的参数群进行有效分析，其选择个体是依据这个个体的适应值比例，然后通过交叉和变异进的方法诞生下一个组种群，这个过程可以持续下去，直到满足生产需求的参数值出现为止。遗传算法也是一种优选的方法，它将遗传算法的优点和人工神经网络的特点进行了有机结合，通过遗传算法可以进行前期模块的优选，建立一个合乎现实情况的非线性模型，然后进行与模糊建模方法相类似的实验数据收集，分析最为有效的网络结构，在满足预测的情况下实现了参数的优选。

三、人工神经网络应用在采煤技术上效果

通过上文介绍，在采煤中利用人工神经网络是为综放工作面生产过程实现自动化提供相对应的理论依据，减轻采煤的劳动强度并提高采煤效率是其目的所在；人工神经网落还能够对采煤工作中的相关生产设备的性能做有效的检查，能够在最快的时间内发现机械故障，及时的排除机械故障，极大的降低了煤矿安全事故的发生率；人工神经网络还能够将采煤生产设备工作面的具体信息，快速的反馈到地面，然后通过先进的计算机技术对数据进行相关处理，实现信息资源共享，采煤过程中对人工的依赖也会降低，为日后的无人操作打下了坚实的基础。

将现代化的人工神经网络应用于采煤，可以实现对综放工作面自动化的有效控制，它将整个采煤的综放工作面看做是个有机的整体，在条件允许的情况下进行仿真模拟，通常情况下都是应用MATLAB软件来及进行仿真模拟，可以系统化的管理整个采煤过程，排除采煤过程中的相关机械故障，在提高采煤效率的同时实现了安全生产，人工神经网络值得在采煤技术中大力推广、应用。

四、结束语

可以将综放工作面看做是整个采煤系统实现自动化，这也是日后采煤自动化发展的一个重要方向，这种思维模式有效避免了在没有考虑综放工作面控制功能而进行自动化的情况。多年的实践表明，神经网络技术应用于煤矿开采中可以有效分析、诊断采煤工作中的一些问题，为日后采煤规划提供了强而有力的依据，其在采煤领域的应用空间还非常宽阔，值得进一步研究、拓展。

参考文献：

[1]郑胜友.人工神经网络在采煤技术上的应用[J].科技风，2012（10）.

[2]董丽丽，乔育锋，郭晓山.遗传算法和人工神经网络在煤矿突水预测中的应用研究[A]. 智能信息技术应用学会.Proceedings of 2010 International Conference on Management Science and Engineering （MSE 2010） （Volume 3）[C].智能信息技术应用学会：，2010（5）.

[3]彭学前.采煤机故障诊断与故障预测研究[D].南京理工大学，2013.

第6篇：人工神经网络法范文

关键词：神经网络 计算机安全 入侵检测

中图分类号：TP393.08 文献标识码：A 文章编号：1674-098X（2012）12（c）-00-01

自从1960年Widrow等提出自适应线形神经元用于信号处理中的自适应滤波、预测和模型识别以来，神经网络技术便被用来解决现实生活中的问题。而在McCulloch等基于模仿人脑结构和功能建立起一种人工智能的信息处理系统后，人工神经网络在土木工程、农业、经济管理及企业管理等不同领域中被广泛应用[1-2]。该文介绍了神经网络的概念及特点，并分析神经网络在计算机安全尤其是在网络入侵检测中的应用。

1 神经网络的概念及特点

1.1 神经网络的概念

神经网络是一个并行、分布处理结构，是由神经元及称为联接的无向讯号通道互连而成。人工神经网络（Artificial Neural Network，ANN）指的则是模仿生理神经网络的结构和功能而设计的一种信息处理系统，即由多个非常简单的处理单元彼此按某种方式相互连接而形成的信息处理网络[3]。

1.2 神经网络的特点

在人工神经网络中，由于网络中的每一个单元都是独立的信息处理单元，因此其计算可独立进行，而整个网络系统却是并行计算的。这不同于传统的计算机的串行运算。由于神经网络是一个大规模互联的复杂网络系统，因而是大规模的并行处理，这在一定程度上提高了系统的处理速度，同时也为实时处理提供了重要条件。人工神经网络与人脑类似，具有学习的功能。通常只要给出所需的数据、实例，由网络去学习，而学习获得的知识都分布储存在整个网络的用权系数表示的连接线上。不同网络因学习方法及内容不同，可得到不同的功能和不同的应用。因而有可能解决传统人工智能目前最感困难的机器学习中知识获取、知识表示等问题。此外神经网络还对于输入数据的失真具有相当的弹性。

1.3 常用的神经网络算法

常用的神经网络算法包括ARTMAP模型、ART模型、概率模型PNN、模糊模型ART、模糊多层感知器、Kohonen特征映射网络、反馈多层感知器模型等[4-5]。其中，ART模型和Kohonen特征映射网络、模糊模型ART属于无监督训练算法，而反馈多层感知器模型是受限反馈，ARTMAP模型、ART模型属于反馈的网络拓扑

结构。

2 神经网络在网络入侵检测中的应用

2.1 神经网络应用于网络入侵检测的优势

由于神经网络对于数据训练获得预测能力的过程是通过完全抽象计算实现的，而不强调对于数据分布的假设前提，因此在建立神经网络模型过程中没有必要向神经网络解释知识的具体细节。同时，神经网络在网络入侵检测中，可以通过数据运算而形成异常的判别值，这样可以对于当前是否受到攻击行为影响做出判断，从而实现对检测对象是否存在异常情况的检测[6-8]。

2.2 神经网络在网络入侵检测中的应用

神经网络在网络安全尤其是入侵检测方面已有了相当的研究[9]。有研究者将组织聚类神经网络应用于计算机安全研究中，其采用了自适应谐振学习法进行数据的前期训练，对于无显著意义的平均误差减少时，采用遗传算法继续在前期基础上进行数据数据以得到最佳的权值。国内也在神经网络应用于网络入侵检测上做了大量工作。王勇等研究者在参考MIT Lincoln有关网络入侵检测方法基础上，提出了基于Linux主机的网络入侵检测方案，实现了对于多种网络攻击的特征进行抽取及检测的目的[10]。

神经网络在网络入侵检测中有广泛的应用空间[11-12]，今后应该扩大训练数据的数量和范围，并扩大操作系统的研究空间，通过模拟真实的计算机网络环境，将神经网络技术真正应用于计算机安全尤其是入侵检测工作中。

参考文献

[1] 李季，蒲彪.人工神经网络在食品微生物发酵中的应用[J].食品研究与开发，2009，30（4）：171-174.

[2] 李聪超，周铁军.人工神经网络在农业中的应用[J].农业网络信息，2008（1）：35-38.

[3] 李丽霞，张敏，郜艳晖，等.人工神经网络在医学研究中的应用[J].数理医药学杂志，2009，22（1）：80-82.

[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，2003：44-73.

[5] 杨行峻，郑君里.人工神经网络与盲信号处理[M].北京：清华大学出版社，2003：23-105.

[6] 程丽丽.基于模糊神经网络的入侵检测设计模型[D].哈尔滨：哈尔滨理工大学，2005.

[7] 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.

[8] 李家春，李之堂.神经模糊入侵检测系统的研究[J].计算机工程与应用，2001，23（17）：37-39，

[9] 王勇，杨辉华.一种基于进化神经网络的入侵检测实验系统[J].华东理工大学学报（自然科学版），2005（6）：362-366

[10] 乔瑞.基于优化自组织聚类神经网络的入侵检测方法研究[J].计算机与现代化，2005（1）：77-79.

第7篇：人工神经网络法范文

关键词：人工神经网络；尖峰神经元模型

近年来，人们在计算机智能化领域上取得了很大的进步，但计算机领域还有很多问题无法解决，例如视觉、语言识别和计算机等技术，人们仍不能将计算机系统设计得像生物系统那样灵活。因此，大批研究者转移到仿生科学研究，希望由此找到新的技术，设计出新的智能计算机，其中人工神经网络是其中一个比较热门的领域。随着这个领域的发展，一些团队已经建立起一些创造性的、复杂的神经电路模型，并将其应用到一些项目中，也有研究团队在致力研究人工神经网络的软件和硬件方案，希望能够为智能计算机提供更高层次的理解能力。

人工神经网络模型的并行特性使它与传统的计算机模型相比具有更强的理能力，使它更有机会解决如手写文字识别这类问题。长期以来，大多数研究者都是在CPU上使用模拟的方式进行神经网络的计算，由于CPU工作模式和结构的限制，无法提供最佳的计算性能，因此本文寻求一种新的智能计算硬件平台，在硅芯片上设计神经网络电路。

一、神经网络模型

人工神经网络理论已发展了很多年，并日益趋于成熟，在各领域都得到了一定的应用。人工神经网络的运算主要由计算的基本单位神经元进行，通过若干个神经元构成神经网络以解决现实中的各种问题。

如图1所示，一组神经元构成一个神经网络系统。每一个神经元都有独立的计算单元。神经元计算公式如下：yi(t)=■W■?着ij(t-tij) （1）

公式（1）中yi(t)表示神经元的输出结果，i表示神经元序号，?着ij(t-tij)表示神经元输入值，W■表示每个神经元的权值。

人工神经网络的基本运算包括了乘法和加法运算。为了能够在硬件上执行神经网络的理功能，必须为每个神经元设计独立的加法器和乘法器，我们将其称为加乘法运算单元（MAC），每个神经元都包含了一个MAC单元。

为了使系统能够更好地模拟人类神经系统工作原理，发挥硬件的理能力，本文采用了Gerstner的尖峰神经元模型构建神经元理器的工作流程。在该模型中，每个神经元的膜电位在时间t时表示如下：

ui(t)=■■■W■?着ij(t-tij)+?浊i(t-tij) （2）

?着ij(t)=exp(-■)-exp(-■)*H(t-t■) （3）

公式（2）中，W■表示为第i神经元和第j神经元之间连接的权值，?着ij(t-tij)表示为神经元i能够提供给神经元j的突触后电位（PSP），而?浊i(t-tij)表示倔强函数。公式（3）表示突触后电位（PSP）的计算方法，其中t■和t■为时间常数，H(t-t■) 为Heaviside阶梯函数，t■为轴突传输延时系数。

二、神经元硬件设计

如图2所示，神经网络系统是由多个神经元构成，每个神经元是一个单独的实体，神经元既相互独立，又相互联系，神经元根据所受到外界的刺激（输入）和邻居神经元对自己的影响，做出判断与决策（输出），并影响到周围神经元的反应。为了能够实现神经网络功能，需要模拟神经元单位设计一个特殊的理器用于计算外界刺激而做出的反应，它包含了简单的算数逻辑运算单元、寄存器和控制器，在本文中使用PN表示该理器。

图3显示了一个PN理单元的工作流程图，每个PN理器包括了进行神经元计算必须的运算器和存储器以及相关附属器件。PN理单元的工作流程是：当外部有输入数据通过总线进入PN理器时先存放在输入事件存储器；系统根据事件时间将数据输入到突触后电势寄存器；同时输入值被编号后分别放入公共连接存储器；突触后电势PSP值与其他神经元的权值相乘后与原有膜电位值相加，相加结果更新膜电位存储器值；同时结果与阈值相比较，如果大于阈值则将结果输出到输出存储器中作为该神经元的输出结果存放在输出时间存储器。

系统是由若干个神经元理器构成。如图4所示，人工神经网络系统由若干个神经元共同构成，图5表示了人工神经网络的硬件构成。每一个人工神经网络都是由若干个神经元理单元构成，每个神经元理单元又是由逻辑运算器、存储器和通信单元构成。将这些神经元理器构建在一块电路板或者芯片上，同时理器与理器通过总线连接起来相互通信，共同完成神经网络的运算。系统还为每一个神经元单位配置了一个PN理器，理器之间相互独立，并行计算。当外部刺激（输入）进入系统时，立刻被分配到各个PN理器并行计算神经元对刺激的响应（输出），同时根据计算结果，调整神经元之间的权值系数，并更新存储其中的权值。由于PN理器是并行计算，相对于传统计算机模拟运算，极大地提高了神经网络的计算速度。

本文以Gerstner的尖峰神经元模型为基础，设计了模拟神经元工作的PN理单元，并由若干个PN理单元构成模拟人类神经系统的人工神经网络的硬件系统。相对于在传统计算机上的操作，PN理单元的并行性使新系统有更强的理能力，有效地提高了神经网络的计算速度，使神经网络系统有更好的应用前景。

（作者单位：广东肇庆科技职业技术学院）

参考文献：

[1]Gerstner,W. & Kistler,W.M.Spiking neuron models:single neurons,populations,plasticity. Cambridge,UK:Cambridge University Press，2002.

[2]Mazad S. Zaveri. Dan Hammerstrom1. Performance/price estimates for cortex-scale hardware: A design space exploration，2011，(24).

[3]徐明华，甘强.脉冲神经网络的振荡与分割[J].生物物理学报，1997，(1).

第8篇：人工神经网络法范文

关键词：神经网络；应用研究

中图分类号：TP393文献标识码：A文章编号：1009-3044(2008)22-635-02

Application of Neural Network Study

WANG Ying1,LI Bing-fu2

(1.Information Science and Technology College,Zhanjiang Normal College,Zhanjiang 524048,China;2.Registry,Information Science and Technology College,Zhanjiang Normal College,Zhanjiang 524048,China)

Abstract:The study of the purpose of Artificial Neural Network,from the neural network of research and advantages, and other aspects proceed, the statement focused on neural networks in the economic field, the food industry, environmental science and engineering applications.

Key words: Neural Networks; Applied Research

1 引言

人工神经网络（Artificial Neural Network， ANN）简称神经网络，是由具有适应性的简单单元组成的广泛并行互连的网络，它的组织能够模拟生物神经系统对真实世界物体所做出的交互反应，并利用机器模仿人类的智能是长期以来人们认识自然、改造自然和认识自身的理想。研究人工神经网络的主要目的包括：探索和模拟人的感觉、思维和行为的规律，设计具有人类智能的计算机系统；探讨人脑的智能活动，用物化了的智能来考察和研究人脑智能的物质过程及其规律。

2 神经网络（ANN）的研究内容

1)理论研究：ANN模型及其学习算法，试图从数学上描述ANN的动力学过程，建立相应的ANN模型，在该模型的基础上，对于给定的学习样本，找出一种能以较快的速度和较高的精度调整神经元间互连权值，使系统达到稳定状态，满足学习要求的算法；2)实现技术的研究：探讨利用电子、光学、生物等技术实现神经计算机的途径；3)应用的研究：探讨如何应用ANN解决实际问题，如模式识别、故障检测、智能机器人等;4)基本模型如图1示。

■

图1生物神经元功能模型

3 神经网络（ANN）的研究在各领域的优缺点

人工神经网络的理论研究和应用研究已取得丰硕成果，对于在各领域的应用具有以下优点：1)学习能力：人工神经网络具有学习的能力，通过学习，人工神经网络具有很好的输入-输出映射能力。学习方式可分为：有导师学习（Learning With a Teacher）和无导师学习（Learning Without a Teacher）；2)容错性：容错包括空间上的容错、时间上的容错和故障检测。容错性是生物神经网络所具有的特性，靠硬件或软件实现的人工神经网络也具有容错性。由于在人工神经网络中信息存储具有分布特性，这意味着局部的损害会使人工神经网络的运行适度地减弱，但不会产生灾难性的后果；3)适应性：人工神经网络具有调整权值以适应变化的能力，尤其是在特定环境中训练的神经网络能很容易地被再次训练以处理条件的变化，这反映了人工神经网络的适应性；4)并行分布处理：采用并行分布处理方法，同时由于计算机硬件的迅猛发展，使得快速进行大量运算成为可能；5)仿真软件的逐步完善：人工神经网络仿真软件的逐步完善，将人们从繁琐的编程中解放出来，同时也为人工神经网络在各领域的应用研究提供了可进行分析和预测的能力。

缺点：研究受到脑科学研究成果的限制；缺少一个完整、成熟的理论体系；研究带有浓厚的策略和经验色彩；与传统技术的接口不成熟。

4 神经网络在各领域的应用研究探讨

4.1 神经网络在经济领域的应用研究探讨

神经网络在经济领域的应用主要有：1)价格预测影响商品和服务：价格变动的因素是复杂、多变的，传统的统计经济学方法存在不适合动态系统、建模复杂等局限性，难以对价格变动做出科学的预测，人工神经网络容易处理不完整的、模糊不确定或规律性不明显的数据，所以用人工神经网络进行价格预测是可行的，且有着传统方法无法比拟的优势；2)风险评估：风险是由于从事某项特定活动过程中存在的不确定性而产生的经济或财务的损失、自然破坏或损伤的可能性。防范风险的最好办法就是事先对风险做出科学的预测和评估，传统的专家评估依赖于专家的经验，存在着人为和主观的因素，人工神经网络的预测思想是建立风险来源和风险评价系数的非线性映射，提供定量的解决方案，弥补了主观评估的不足。商业银行的风险管理问题是我国加入WTO后的一个突出问题。目前，信用风险仍然是我国商业银行最主要的风险。我国商业银行目前正处在转轨时期，用传统方法评估信用风险难以达到满意的效果，而神经网络学习能力强，容错性好，具有很强的鲁棒性，适合评价信息不全的系统。根据我国的具体现实，运用人工神经网络技术，构造出适合中国的信用风险模型，并对某国有银行提供的数据进行了实证研究。

4.2 神经网络在食品工业中的应用研究探讨

神经网络在食品工业中的应用研究主要有：1)外来物的探测：对食品中偶尔混入极少量的外来物采用先进的仪器探测方法，如X射线衍射，可较为快速而准确地检测出食品中夹带的外来物。仪器探测法产生大量的测量数据可以利用分析运算方法能快速地从大量的数据中找出差异而判别出外来物，从而提高生产的效率。分析方法很多，但目前较为有效的是ANN法――例如对于软质外来物如木屑和塑料，在X射线数据上外来物与食品原料的差异很小，情况更为复杂，很难做出判别。根据ANN自学习自适应的特点，不是只采用一个简单的ANN，而是构造了一组子网络。让每一子网络用来识别一种外来物，各自训练子网络，然后将结果最后融合输入一个决策单元，让决策单元决定食品是否合格；2)掺假食品的鉴别：掺假物是人为地故意地加入食品中，可根据不同食品初步估计加入的掺假物的种类，选用相应的检测方法，并结合ANN算法对测量数据分析，可获得较满意的结果；3)分类与分级：果蔬外观特征很多，随季节、产地和品种不同而不同，可抽取主要特征，再运用ANN模式识别算法进行分类。颜色往往是衡量果蔬外部品质的一个重要指标，也间接反映果蔬的成熟度和内部品质，高品质的果蔬一般着色好。此外，ANN除可进行果蔬分类（分级）外，还可以对肉类分级。从肉类的图像处理数据中提取“大理石纹值”（marbling score，表征脊肉中脂肪分布密度）来表征肉类质量，运用三层前向型ANN进行模式识别，效果令人满意；4)加工过程的仿真与控制：食品加工过程总是难以规范地操作，因为食品物料的性质与季节、产地与气候紧密地联系，同是由于缺乏合适的传感器或不足够和不精确的在线测量，以及食品的物性的时变性。在传统的过程仿真中，需要建立假设、简化和大量的参数用来建立数学模型，这有可能与实际情况相差很远。因此，具有对非线性和非稳态系统有强处理能力的ANN尤适合应用于食品加工；5)感观评价与预测、食品配方设计等：以往常用的建模方法是多元回归法，但是在多因子、非线性的条件下多元回归法并不适用。ANN则有效地解决这一问题。采用ANN先对已有的27组数据进行拟合；然后用ANN进行模拟，输入各种配方成分的含量，ANN就会输出预测结果，从中挑选出最佳的配方。

4.3 神经网络在环境科学与工程中的应用探讨

神经网络在环境科学与工程中的应用主要有：1)环境质量评价；2)环境系统因素预测；3)环境因素定量关系模拟构效分析、成因分析；4)污染防治系统建模。由于BP神经网络具有优良的非线性逼近能力，1994年以来，已在环境科学与工程的环境质量评价与预测、监测点的优化布置、社会经济环境可持续发展、污染物降解与释放、水（处理、生态）系统的模拟与预测等方面获得了广泛的应用。

5 结束语

由于神经网络学科的范围涉及很广泛，文中仅在那些有发展前途的领域中，列举出少数几个方向，应该说明的是，除了上述列举的以外，还有形形的、规模可观的研究工作正在进行，其未来的发展必将是激动人心的。神经网络理论的前沿问题必将渗透在21世纪科学的挑战性问题中，并将取得重大的突破。

参考文献：

第9篇：人工神经网络法范文

关键词：BP人工神经网络；RBF人工神经网络；经济增长预测

中图分类号：TP183文献标识码：A文章编号：1009-3044(2011)10-2345-03

The Study of Forecast of Zhejiang Province's Economic Growth Using BP and RBF Artificial Neural Network

BAI Xue-bing

(Zhengjiang University of Technology, Hangzhou 310014, China)

Abstract: Based on existing studies of economic forecasting methods, the article studies the Zhejiang province'sEconomic Growth Forecastusing BP and RBF Artificial Neural Network.Thedata research shows Artificial Neural Network hasgood precision, but different Artificial Neural Network have different behavior, some have big error. Artificial Neural Network can provide good reference for the making policy of sector of economy.

Key words: BP artificial neural network; RBF artificial neural network; economic growth forecast

1 经济预测概论

经济预测是与未来有关的旨在减少不确定性对经济活动影响的一种经济分析。它是对将来经济发展的科学认识活动。经济预测不是靠经验、凭直觉的预言或猜测，而是以科学的理论和方法、可靠的资料、精密的计算及对客观规律性的认识所作出的分析和判断。

2 人工神经网络经济预测技术

由于人工神经网络具有大规模并行处理、容错性、自适应和联想功能强等特点，作为非线性智能预测方法的人工神经网络预测方法成为国内外经济预测研究的一个热点。

人工神经网络不断应用于证券预测分析、企业经济战略预测、经济理论创新、经济预测预警等研究中，都得到了一定的效果。

3 BP与RBF神经网络预测模型分析

3.1 经济增长神经网络设计模型

3.1.1 宏观经济预测指标

经济增长率是判断宏观经济运行状况的一个主要指标。经济增长率指的就是不变价国内生产总值增长率(简称国内生产总值增长率。因此，判断宏观经济运行状况要落脚到对国内生产总值的核算上。在本文中我们采用GDP的增长率来作为预测目标。

3.1.2 神经网络设计模型经济模型的设计

本论文采用两种模型对经济进行预测。

1) 第一种 GDP预测模型：第n年的一、二、三产业的增长率作为输入，第n+1年GDP增长率作为输出。

2) 第二种预测模型。第n-3、n-2、n-1、n年的经济增长率作为输入，第n-1、n、n+1年经济增长率作为输出。

这里还要说明两个问题。第一我们用到的数据来自2009年 浙江省统计年鉴，它的网址是 。

3.1.3 神经网络模型结构

设计经济预测神经网络模型前，首先需要确定神经网络的结构，主要包括如下内容：网络的层数，每层的神经元数和激活函数等。采用的神经网络结构如图1。

3.2 使用BP在以浙江省过去的每年的GDP增长指数的基础上进行BP神经网络预测

3.2.1 学习样本的选择

本次实验使用Matlab 软件采用3层BP神经网络建立浙江省经济发展的的预测模型。输入层节点数为n=4，输出层节点m=3.而隐含层节点数的选择是人工神经网络最为关键的一步，它直接影响网络队复杂问题的映射能力，实验中我们采用试凑法来确定最佳节点数。现设置较少的隐节点训练网络，然后逐渐增加网络节点数，用同一样本进行训练，从中确定网络误差最小时对应的节点数，隐层、输出层神经元的转移函数，隐含层和输出层转移函数分别采用tansig和logsig，训练函数选择traindx。

3.2.2 数值归一化处理

对于浙江省经济增长序列Q=（Q1，Q2…，Qt）。设序列的最大值、最小值分别为Qmax、Qmin。对时间序列的值作归一化处理。

令xi=(Qi-Qmin)/(Qmax-Qmin)

3.2.3 样本数据训练和数据预测

采用1978～2003年的数据样本在MatLab7.0软件中对输入网络进行训练.隐层节点数先从4开始训练，逐步增加到12时，当数值 为10时预测结果较好。允许误差为0.001，训练3217次达到训练要求。

采用1978～2004年的数据作为第一组训练数据，2005-年数据作为仿真预测数据，通过神经网络预测GDP。采用1978～2005年的数据作为第一组训练数据，2006年数据作为仿真预测数据，通过神经网络预测GDP， 采用1978～2006年的数据作为第一组训练数据，2007-年数据作为仿真预测数据，通过神经网络预测GDP，依次类推，产生结果如表1所示。

3.2.4 数据分析

从2000-2004的拟合数据来看，相对误差比较小，BP网络对整个模拟数据的拟合程度还是比较好的，但是从2005-2009的预测数据来看预测数据的误差还是比较大的，这也说明对未来的预测是很难的。各种不确定的因素在起作用。

3.3 三种产业增加率BP确定法预测GDP

3.3.1 样本数据训练

将1978-2004年数据对输入网络进行训练。然后把需要预测的样本2000-2004年的样本数据输入网络，得到结果，然后用反归一化公式获得结果。在Matlab7.0中调用newff函数，建立一个3个输入节点、18个隐含层节点、一个输出结点的BP神经网络，隐含层和输出层转移函数分别采用tansig和logsig，训练函数选择traindx，允许误差为0.001，训练1748次达到训练要求。

采用1978～2004年的数据作为第一组训练数据，2005年数据作为仿真预测数据，通过神经网络预测GDP。采用1978～2005年的数据作为第一组训练数据，2006年数据作为仿真预测数据，通过神经网络预测GDP， 采用1978～2006年的数据作为第一组训练数据，2007年数据作为仿真预测数据，通过神经网络预测GDP，依次类推，产生结果如表2所示。

3.3.2 数据分析

从预测数据来看预测数据的误差尽管比上一种类型的数据要好，但是误差还是比较大的，但是考虑到预测的能力 ，数据还是可以接受的 。但是数据误差还是比较大的，这也说明对未来的预测是很难的，不是十分确定的，有些文章的数据精确度挺高的，但我想应该是不太可能的，也许有故意凑数据的嫌疑。如果预测一年的话，可以通过调整参数获得近似结果，但是很多年就很困难。

3.4 使用RBF在以浙江省过去的每年的GDP增长指数的基础上进行RBF神经网络预测.

3.4.1 RBF 神经网络模型设计

该种方式与第一种BP神经网络预测方法类似， 以以前四年的GDP增长率作为输入，后两年加以预测的年作为输出。输入层节点数为n=4，输出层节点m=3.而隐含层节点数的选择是采用matlab的newrbe自动来设置.然后用同一样本进行训练。

3.4.2 样本数据训练和数据预测

1) 采用1978～2004年的数据作为第一组训练数据，2005年数据作为仿真预测数据，通过神经网络预测GDP。采用1978～2005年的数据作为第一组训练数据，2006年数据作为仿真预测数据，通过神经网络预测GDP，依次类推，产生结果如表3所示。这儿采用newrbe函数，spread参数为0.25。这是因为通过测试采用0.25获得的数据结果较好。

3.4.3 数据分析

从实验数据看，RBF对整个模拟数据的曲线拟合程度是相当完美，但是从2005-2009的预测数据来看预测数据的误差还是比较大的，这也说明RBF神经网络尽管曲线的拟合程度比BP网络好 ，但是从预测的能力来讲，并不比BP网络好，反而通过试验显得更差一些。这仍然表明对未来的预测是很难的。各种不确定的因素在起作用。神经网络的预测也只能作为参考之用，不能对各种的突发事件进行预测。

3.5 使用RBF三种产业增加率确定法预测GDP

3.5.1 RBF神经网络模型设计

该种方式与对应的BP神经网络预测方法类似， 以一年的三种产业增长率作为输入，后一年的GDP增长率预测作为输出。本次实验采用RBF神经网络建立浙江省经济发展的的预测模型。输入层节点数为n=3，输出层节点m=1.而隐含层节点数的选择采用RBF自动的newrbe方法实现。

3.5.2 数据处理

1) 采用1978～2004年的数据作为第一组训练数据，2005年数据作为仿真预测数据，通过神经网络预测GDP。采用1978～2005年的数据作为第一组训练数据，2006年数据作为仿真预测数据，通过神经网络预测GDP， 采用1978～2006年的数据作为第一组训练数据，2007-年数据作为仿真预测数据，通过神经网络预测GDP，依次类推，产生结果如表4所示。

3.5.3 数据分析

但是从2005-2009的预测数据来看预测数据的误差比上一组得RBF的误差还要大，几乎有点难以接受。这也说明RBF神经网络尽管曲线的拟合程度比BP网络好，但是从预测的能力来讲，并不比BP网络好，反而我通过试验更差一些。2009年的数据变得极为不合理，从而导致数据的偏差性很高。，从测试数据可看出，但是由于经济运行的复杂性，以及不可预知性，特别是由于2008的美国金融导致的世界范围的经济危机，导致经济数据的不可靠性大大增加，历史数据变得用处不太大。2009年的数据变得极为不合理，从而导致数据的偏差性很高。

4 总结与归纳

从我们的试验来看，各种神经网络的确可以对未来进行预测，但是精度多高却有一些问题，从我们的试验来看BP神经网络的数据要比RBF神经网络的数据要好，但是也只在一定范围内 ，四种检测方法，只有一种数据还略微能够接受。神经网络预测仍然需要不断的完善。

参考文献：

[1] 张德丰.Matlab神经网络应用设计[M].北京:机械工业出版社,2009.

[2] 高隽.人工神经网络原理及仿真实例[M].2版.北京:机械工业出版社,2007.

[3] 韩力群.人工神经网络理论、设计与应用[M].2版.北京:化学工业出版社,2007.