对神经网络的认识精选(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对神经网络的认识主题范文，仅供参考，欢迎阅读并收藏。

第1篇：对神经网络的认识范文

关键词：神经网络 BP网络

中图分类号：TP3 文献标识码：A 文章编号：1672-3791（2014）01（c）-0240-02

神经网络是一门发展十分迅速的交叉学科，它是由大量的处理单元组成非线性的大规模自适应动力系统。神经网络具有分布式存储、并行处理、高容错能力以及良好的自学习、自适应、联想等特点。该模型对于拟合现实复杂世界有着重要的实用价值。

1 神经网络简介

人工神经网络（Artificial Neural Network，ANN），亦称神经网络（Neural Network，NN），是一种应用类似于大脑神经突触连接结构进行信息处理的数学模型，它是在人类对自身大脑组织结合和思维机制的认识理解基础之上模拟出来的，它是根植于神经科学、数学、统计学、物理学、计算机科学以及工程科学的一门技术。心理学家Mcculloch，数学家Pitts在20世纪40年代第一次提出了神经网络模型，从此开创了神经科学理论的研究时代，此后半个世纪神经网络技术蓬勃发展。神经网络是一种计算模型，由大量的神经元个体节点和其间相互连接的加权值共同组成，每个节点都代表一种运算，称为激励函数（activation function）。每两个相互连接的节点间都代表一个通过该连接信号加权值，称值为权重（weight），神经网络就是通过这种方式来模拟人类的记忆，网络的输出则取决于网络的结构、网络的连接方式、权重和激励函数。而网络本身通常是对自然界或者人类社会某种算法或函数的逼近，也可能是一种逻辑策略的表达。神经网络的构筑理念是受到生物的神经网络运作启发而产生的。人工神经网络则是把对生物神经网络的认识与数学统计模型向结合，借助数学统计工具来实现。另一方面在人工智能学的人工感知领域，我们通过数学统计学的方法，使神经网络能够具备类似于人的决定能力和简单的判断能力，这种方法是对传统逻辑学演算的进一步延伸。

2 神经网络模型及训练

2.1 生物神经元模型

人脑是自然界所造就的高级动物，人的思维是由人脑来完成的，而思维则是人类智能的集中体现。人脑的皮层中包含100亿个神经元、60万亿个神经突触，以及他们的连接体。神经系统的基本结构和功能单位就是神经细胞，即神经元，它主要由细胞体、树突、轴突和突触组成。人类的神经元具备以下几个基本功能特性：时空整合功能；神经元的动态极化性；兴奋与抑制状态；结构的可塑性；脉冲与电位信号的转换；突触延期和不延期；学习、遗忘和疲劳；神经网络是由大量的神经元单元相互连接而构成的网络系统。

2.2 人工神经网络模型

人工神经网络，使通过模仿生物神经网络的行为特征，进行分布式并行信息处理的数学模型。这种网络依靠系统的复杂度，通过调整内部大量节点之间相互连接的关系，从而达到信息处理的目的。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，分析两者的内在关系和规律，最终通过这些规律形成一个复杂的非线性系统函数，这种学习分析过程被称作“训练”。神经元的每一个输入连接都有突触连接强度，用一个连接权值来表示，即将产生的信号通过连接强度放大，每一个输入量都对应有一个相关联的权重。处理单元将经过权重的输入量化，然后相加求得加权值之和，计算出输出量，这个输出量是权重和的函数，一般称此函数为传递函数。

2.3 神经网络的训练

当神经网络的结构确定以后，接下来的工作就是训练和学习。神经网络不是通过改变处理单元的本身来完成训练和学习过程的，而是依靠改变网络中各神经元节点的连接权重来完成的。因此若处理单元要学会正确的处理所给定的问题，唯一用以改变处理单元性能的元素就是连接权重。

2.4 神经网络的分类

神经网络按照不同的结构、功能，以及学习算法，对网络进行分类，可以分为：（1）感知器神经网络：最简单的神经网络类型，只有单层的神经网络结构，采用硬限值作为网络传递函数，主要适用于简单的线性二类划分问题，在此类问题中处理的效率较高。但不适合本论文的课题。（2）线性神经网络：单层结构的神经网络，采用线性函数作为网络的传递，主要也是用于解决线性逼近问题。

3 BP神经网络

目前应用最为广泛的网络，具有多层网络结构，可以由一个或者多个隐含层。BP网络采用Widrow―Hoff学习算法和非线性传递函数，典型的BP网络采用的是梯度下降算法，也就是Widrow―Hoff算法所规定的。BP，即Back Propagation，就是指为非线性多层网络训练中梯度计算是采用信号正向传播、误差反向传播的方式。通过采用非线性传递函数，BP网络能够以仁义的精度逼近任何非线性函数，由于采用隐含中间层的结构，BP网络能够提取出更高阶的统计性质，尤其是当输入规模庞大时，网络能够提取高阶统计性质的能力就显得非常重要了，结合本文的课题，将采用BP神经网络及其改进算法进行组合集成实验，用以解决财务预警的实际问题，在后面的章节会采用相关实验证明组合集成的BP神经网络的优势。

4 径向基神经网络

径向基神经网络又称为RBF网络，它与BP网络同为多层前向网络，也能够以任意的精度逼近任何非线性函数，只是它与BP网络采用的传递函数不同，BP通常采用的是Sigmoid函数或线性函数作为传递函数，而RBF网络则采用径向基函数作为传递函数。本文后面将采用径向基函网络与BP网络进行对比。

5 竞争神经网络

竞争神经网络的特点是它的各个神经元之间是相互竞争的关系，众多神经元之间相互竞争以决定胜出者，或胜神经元决定哪一种原模型最能代表输入模式。

6 反馈神经网络

BP神经网络（Fredric M.Ham Ivica Kostanic Principles of Neurocomputing for Science―Engineering 2007）BP神经网络具有sigmoid隐含层以及线性输出层，具有很强的映射能力，本节我们对BP网络神经元和网络结构进行介绍。神经网络方法的具体步骤是：向网络提供训练例子，即学习样本，包括输入和期望的输出。确定网络的实际输出和期望输出之间允许的误差。改变网络中所有连接权值，使网络产生的输出更接近于期望输出，直到满足确定的允许误差。下图给出了一个具有N个输入的基本的BP神经元模型结构。途中每一个输入都被赋予一定的权值，与偏差求和和后形成神经元传递函数的输入。

我们来看看三层BP神经网络模型的数学表达，首先我们来确定途中各个参数所代表的涵义：

（1）输入向量：X=（x1，x2，…，xi，…，xn）T；

（2）隐层输出向量：Y=（y1，y2，…，yj，…，ym）T；

（3）输出层输出向量：O=（O1，O2，…，Ok，…，Ol）T；

（4）期望输出向量：d=（d1，d2，…，dk，…，dl）T；

（5）输入层到隐层之间的权值矩阵：V=（V1，V2，…，Vj，…，Vm）；

（6）隐层到输出层之间的权值矩阵：W=（W1，W2，…，Wk，…，Wl）。

BP神经网络就是通过构建上述变量来完成网络的描述。

我们从上至下，从输出层开始看BP网络的工作原理，对于输出层：

k=1，2，…，l （1）

k=1，2，…，l （2）

对于隐层：j=1，2，…，m （3）

j=1，2，…，m （4）

其中的是传递函数我们可以采用单极性Sigmoid函数： （5）

（1）网络误差与权值调整

输出误差E定义：

（6）

（7）

在这一步的基础上，进一步展开至输入层：

（8）

j=0，1，2，…，m；k=1，2，…，l （9）

i=0，1，2，…，n；j=1，2，…，m （10）

式中负号表示梯度下降，常数η∈（0，1）表示比例系数。在全部推导过程中，对输出层有j=0，1，2，…，m；k=1，2，…，l，对隐层有i=0，1，2，…，n；j=1，2，…，m

（2）BP算法推导

对于输出层，式（9）可写为：

（8）对隐层，式（9）可写为：（10），对于隐层，利用式（7）：

可得： （11）

将以上结果代入式（8），并应用式（5）：，得到：

（12）

（13）

至此两个误差信号的推导已完成。将式（12）代回到式（8），得到三层前馈网的BP学习算法权值调整计算公式为：

（14）

第2篇：对神经网络的认识范文

关键词：神经网络 化工过程 人工智能

中图分类号：TM835 文献标识码：A 文章编号：1007-9416（2016）12-0024-01

大量的处理单元就如同神经单元一样，经过一系列的排列组合构成了复杂的神经网络系统，广泛应用于复杂信息处理、机器视觉、智能化控制等方面。仿生学的设计和智能化软件的设计，使得神经网络系统具有自动处理数据、自动组织、自动学习，使得化工过程控制具有高精度、高安全系数、智能化的特点。化工生产是一个复杂的生产过程，其中涉及的设备多，涉及的工艺复杂，控制难度高，如何促进化工生产的过程控制，从而实现科学管理、优化生产、提高生产率的目的。设备的多样、工艺的复杂、流程复杂等一系列的因素，使得神元或者是多个单元实现智能化控制，既能收集生产过程产生的数据，而且也能对这些数据进行处理，达到监测生产环境、监控生产过程、实时优化生产的目的。

1 神经网络技术的基本理论和基本结构

神经网络技术的发展是建立在对人脑神经系统的构成和作用机制认识的基础上，神经单元构成了庞大的神经系统，神经单元接受信息并传递信息，神经中枢处理信息并反馈信息。神经网络技术模拟神经系统处理单元类似于神经单元，计算机控制系统相当于神经中枢，分析数据、处理数据、输出结果。计算机技术的发展、传感器的应用，为神经网络的发展提供了基础。神经网络包括一个输入层和输出层，若干的隐含层。输入层的作用是接受外部信息并传递信息；输出层的作用是接受输入层传递的信息，处理信息并反馈信息；隐含层的作用是将输入层的信息进行组合，预处理。信息的接受、传递、处理和反馈一系列的过程使神经网络发挥作用的过程。

由于处理单元的应用，使得神经网络系统是一种自学习、自处理、自组织的智能化系统。神经系统的运行类似于人学习的过程，由简单到复杂，不断的修正节点的连接方式，直到输出满意的结果和符合实际应用。神经网络系统是建立在数学模型的基础上，利用数学建模搭建神经网络节点，建模主要有M-P模型、BP模型、RBF模型等。根据外部参数的不同和应用的目的，采用不同的函数，如可逆函数、线性函数、非线性函数、S函数等等，建立数学模型，输入参数，不断的优化模型，优化的过程使神经网络系统自学的过程。神经网络训练算法与模型的设置有关，如BP模型采取反传处理误差的训练算法，优化算法，达到优化模型的目的，使建立的模型更加符合实际应用情况。

2 神经网络在化工过程控制中的应用

神经网络具有很强的信息处理能力、自学习能力、自组织能力。根据输出的信息，可以建立信息之间的关系和处理多余的信息，简化生产过程中的信息，检测生产环境，监控生产，达到最优化的生产过程。神经网络覆盖生产过程中的所有要考虑的因素，因此神经网络的应用也覆盖化工过程控制的方方面面。

化工生产涉及的环节多种多样，当某一环节发生故障，若处理不及时，将使这一环节瘫痪甚至使整个生产过程瘫痪，造成重大安全事故。高效、实时、预测的检测和诊断故障的系统是化工过程控制中安全、高效生产的保障。美国的科学家首次提出将神经网络技术用于化工过程控制中，用于检测、诊断、预警故障。神经网络系统是一种仿生系统，具有思维、意识和学习能力的动力学系统，能够处理复杂的事物和环境，根据实际生产过程不断校正系统，实时监测参数的变化，对故障进行诊断和报警。目前主流的故障诊断的神经网络系统有：反传动态经网络控制系统、自适应神经网络控制系统和RBF神经网络控制系统。

神经网络技术主要靠传感器接受外部信息，大量传感器的应用，有利于智能化控制生产过程。化工过程的控制主要是对生产过程中的机器控制，生产过程涉及的机器种类繁多，同时维持安全、高效率阶段比较困难。神经网络系统自动控制机器生产，控制生产参数和生产流程，最优化生产过程控制和安全化控制，实时跟踪控制生产。控制主要有两种基本的方法，一种数学建模，将对象的目标信息作为标准，经过不断的训练和反馈，修正误差，化模型，优化控制模式；另外一种是控制器设置，如PID控制器，实现实时控制，不仅对精确知识进行处理，而且对模糊信息也能进行处理。国内外都已经有成熟的化工过程控制中的神经网络系统，如对乙酸乙烯酯聚合成乳液过程的实时控制，氯气生产过程的故障预报神经网络系统。

3 总结

神经网络技术是21世纪最重要的技术之一，化工过程控制是化工生产的安全保障。化工过程控制应用神经网络技术，有利于提高控制的安全系数，提高生产效率，有利于智能化管理，提高管理水平，有利于整个社会生产力水平的提高和社会智能化发展。化工过程控制采取神经网络技术，有利于工业技术的创新和改善工人工作环境，保障工人人身安全。

参考文献

第3篇：对神经网络的认识范文

关键词：神经网络；计算机网络；安全管理；应用

中图分类号：TP393.08

进入到信息时代，便捷的计算机网络技术不仅给人们的生活带来了极大的便利，但同时也容易遭到蠕虫病毒、木马病毒等破坏性极强的程序病毒攻击留下便利的通道，使得计算机网络安全面临巨大的威胁。鉴于此，要对计算机网络安全所面临的风险进行科学、合理以及准确的分析、评估，同时要采取相应的措施对面临的风险有效的进行防范，尽可能的减少由于计算机网络安全管理问题所带来的损失。另外，计算机网络安全受到很多种因素的影响，主要有病毒的入侵以及系统漏洞，更重要的是这些因素之间有很强的关联性，这也就导致计算机网络安全管理的问题逐渐趋于复杂化，在这种情况下，就必须要求计算机网络系统的管理者以及使用者对网络的安全进行有效的管理，更要对网络的安全性有清楚的认识和了解，切实的掌握影响计算机网络安全的因素。为了更好的解决计算机网络安全管理问题，神经网络逐渐被应用到计算机网络安全管理之中，使得对计算机网络安全管理更加准确和有效。

1 计算机网络安全管理概述

一般而言，计算机网路安全管理指的是计算机在连接网络后进行信息的交换、浏览以及下载的过程中，对信息安全进行有效的管理，防止信息被他人窃取或者破坏。随着信息时代的到来，越来越多的人对计算机产生了很强的依赖，从儿童到老年人，计算机的影响无处不在，随着计算机的普及，人们在使用计算机的过程中对其安全性就有了顾忌。对于计算机网络，只要连接互联网，随时都存在被攻击的可能，相对而言，没有任何计算机是绝对的安全或者是不受到任何的攻击。运用计算机网络技术进行攻击或者盗取个人信息或者是企业信息的事件几乎每年都会发生，计算机网络存在严重的安全隐患。所以，要及时的认识以及了解计算机网络面临的安全隐患，积极的采取相应的措施加强对计算机网络安全的管理。

2 神经网络在计算机网络安全管理应用的现状

2.1 对神经网络在计算机安全管理运用中的重视程度不够

计算机网络安全是因特网发展的最基础的目的，但与此同时近乎所有的计算机网络在开创以及不断的发展过程中都趋向于实用以及便利，相反却在一定程度上没有重视对计算机的安全管理，更没有将神经网络技术运用到计算机的安全管理中，进而对计算机网络的安全管理留下了严重的隐患。另外，神经网络在计算机网络安全管理中主要是对计算机的网络安全进行评估，然而由于不重视对神经网络在计算机网络安全管理中的运用，使得没有建立良好的计算机网络安全评价标准体系。

2.2 对神经网络在计算机网络安全评价模型的设计和实际运用不够合理

一般来说，神经网络在计算机网络安全管理中主要是对计算机网络安全进行一定的评估，在对其进行评估的过程中，就需要设计一定的计算机网络安全评价模型，主要包含对输入层、输出层以及隐含层的设计；但是，目前神经网络在计算机网络安全管理中对于评价模型的设计还没有将这三方面有效的联系起来。除此之外，对神经网络在计算机网络安全管理的实际运用中，不能科学、合理的实现计算机网络安全管理评价模型运用，不注重对评价模型的学习以及不关注对评价模型进行有效的验证。

3 加强神经网络在计算机网络安全管理中的应用采取的措施

3.1 神经网络在计算机网络安全管理中要科学、合理的设计网络安全评价模型

神经网络在计算机网络安全管理中要科学、合理的设计网络安全评价模型，以便更好的实现计算机网络安全、高效的运行。为此，计算机网络安全评价模型需要进行一下设计：首先是对输入层的设计，一般来说，神经网络在计算机网络安全管理运用中，对于输入层考虑的是神经元的节点数以及评价指标的数量，尽可能的使这两者数量保持一致。其次是对隐含层的设计，对于隐含层的设计需要注意的是若某个连续函数在任意的闭区间中，可以通过在隐含层里的神经网络来靠近，大多数情况下，神经网络通常运用的是单隐含层。最后是输出层的设计，神经网络的输出层设计主要是获得计算机网络安全管理评价的最终结果，例如可以设置计算机网络安全管理评价的输出层节点数为2，那么相应的输出结果（1，1）指的是非常安全、（0，1）指的是较不安全、（1，0）指的是基本安全以及（0，0）指的是非常的不安全。

3.2 神经网络在计算机网络安全管理运用中要对评价模型进行有效的验证

需要注意的是，神经网络在计算机网络安全管理运用中要对评价模型进行有效的验证，一般体现在一下几方面：首先是要关注评价模型的实现，为了实现神经网络在计算机网络安全管理中的良好运用，就要依据客户满意的评价模型，运用计算机网络技术创建设置含有输入层、隐含层以及输出层的神经网络模型，然后再对网络安全进行检验。其次是要注意对评价模型的学习，在对计算机网络安全进行评价之前，需要对神经网络进行标准化的处理，才能尽可能的减少对计算机网络安全管理评价中的误差。最后要注意对评价模型进行验证，当神经网络经过标准化处理以及在计算机网络安全评价之后，就需要对输出的结果进行一定的验证，以便确定神经网络对计算机网络安全的评价输出结果是否与期望的评价结果相一致，进一步验证神经网络在计算机网络安全管理中安全评价模型的准确与否。

3.3 重视神经网络在计算机网络安全管理运用以及建立健全安全评价标准体系

神经网络在计算机网络安全管理运用中主要的任务是对计算机网络的安全进行一定的评价，并且将评价的结果准确、及时的反馈给用户，所以就应该对其在计算机网络安全管理中的应用引起高度的重视，为此就应该建立健全计算机网络安全管理的评价标准体系。一方面是评价指标的建立，计算机网络安全管理是复杂的过程，同时影响计算机网络安全的因素比较多。因此，建立科学、合理以及有效的计算机网络安全管理评价标准，对于神经网络高效的开展评价工作有很大的关联。另一方面是对评价标准的准确化，影响计算机网络安全管理的因素非常的多，就应该对各种评价标准进行细化，以达到评价的准确。

4 结束语

综上所述，通过神经网络对计算机网络安全的评价，可以有效的对计算机网络安全进行管理。运用神经网络技术手段，提高了计算机网络安全管理的效率，并且在运用神经网络的过程中建立健全安全评价标准体系、注重对评价模型进行有效的验证以及加强对计算机网络安全评价模型的设计，切实的提升计算机网络安全管理水平。

参考文献：

[1]毛志勇.BP神经网络在计算机网络安全评价中的应用[J].信息技术，2008（06）.

[2]周忠.神经网络技术在网络安全中的应用[J].科技致富向导，2010（32）.

[3]赵冬梅，刘海峰，刘晨光.基于BP神经网络的信息安全风险评估[J].计算机工程与应用，2007（01）.

[4]楼文高，姜丽，孟祥辉.计算机网络安全综合评价的神经网络模型[J].计算机工程与应用，2007（32）.

[5]沈宗庆，刘西林.基于BP神经网络的分销商绩效指标评价及应用[J].华东交通大学学报，2007（04）.

第4篇：对神经网络的认识范文

关键词：人工神经网络；产生；原理；特点；应用

Application of man-made neural network and medical Image to analyses

Abstract: Man-made neural network (ANN)is a binding system on structure to imitate biological neural to link. It can carry on pattern discriminate， Signal processing et. in order to let the medical students and workers understand the neural network， especially understand the man-made neural network which applies to the medical image to analyses， the article avoids complicated figure’s analysis and reasoning. It explains the concerned profound questions， mainly about the physical concept. In simple terms. I hope it can work !

Key words: Man-made neural network; Produce; Principle; Characteristic; Application

人工神经的出现与发展，从而解决了对于那些利用其它信号处理技术无法解决的问题，已成为信号处理的强有力的工具，人工神经网络的应用开辟了新的领域。二十世纪九十年代初，神经网络的研究在国际上曾经出现一股热潮，近年来有增无减，已广泛应用在民用、军用、医学生物等各个领域。

1 神经网络与人工神经网络

1.1 神经网络

神经网络就是由多个非常简单的处理单元彼此按某种方式相互连接而成的计算机系统。该系统是靠其状态对外部输入信息的动态响应来处理信息。

1.2 人工神经网络

1.2.1 神经元模型的产生

神经元（神经细胞）是神经系统的基本构造单位，是处理人体内各部分之间相互信息传递的基本单元。每个神经元都由一个简单处理作用的细胞体，一个连接其它神经元的轴突和一些向外伸出的其它较短分支——树突组成。人的大脑正是拥有约个神经元这个庞大的信息处理体系，来完成极其复杂的分析和推导工作。

人工神经网络（ARTIFICIALNEURALNETWORK，简称(A.N.N.）就是在对人脑组织结构和运动机智的认识理解基础上模拟其结构和智能功能而构成的一种信息处理系统或计算机。二十世纪40年代初期，心理学家Mcculloch、数学家Pitts就提出了人工神经网络的第一数学模型，从此开创了神经科学理论的研究时代。随后F.Rosenblatt、Widrow和Hopf、J.J.Hopfield等学者先后又提出了感知模型，使人工神经网络技术有了新的发展。

1.2.2 人工神经网络的工作原理

人工神经网络首先要以一定的学习准则进行学习，然后才能工作。现以人工神经网络对手写“A”、“B”两个字母的识别为例进行说明：为了讨论方便，先规定当“A”输入网络时，应该输出“1”，而当输入为“B”时，输出为“0”。因此网络学习的准则应该是：如果网络做出错误的判决，则通过网络的学习，应使得网络减小下次犯同样错误的可能性。首先，给网络各连接权值赋予（0，1）区间内的随机值，将“A”所对应的图像模式输入给网络，网络将输入模式加权求和、与门限比较、再进行非线性运算，得到网络的输出。在此情况下，网络输出是完全随机的，“1”和“0”的概率各为50%。这时如果输出为“1”（结果正确），则使连接权值增大，以便使网络再次遇到“A”模式输入时，仍然能做出正确的判断。如果输出为“0”（结果错误），则把网络连接权值朝着减小综合输入加权值的方向调整，其目的在于使网络下次再遇到“A”模式输入时，减小犯同样错误的可能性。如此操作调整，当给网络轮番输入若干个手写字母“A”、“B”后，经过网络按以上学习方法进行若干次学习后，网络判断的正确率将大大提高。这说明网络对这两个模式的学习已经获得了成功，它已将这两个模式分布地记忆在网络中所含的神经元个数越多，则它能记忆、识别的模式也就越多。

1.2.3 人工神经网络的特点

人工神经网络的特点是高速信息处理能力和知识存储容量很大。人工神经网络同现行的计算机所不同的是，它是一种非线性的处理单元。只有当神经元对所有的输入信号的综合处理结果超出某一门限值后才能输出一个信号。因此，神经网络是一种具有高度非线性的超大规模连续时间动力学系统。它突破了传统的以线性处理为基础的数字电子计算机的局限，标志着人们智能信息处理能力和模拟人脑智能行为能力的一大飞跃。转贴于 2 人工神经网络的种类

人工神经网络分为误差逆传播神经网络（多层感知网络）、竞争型(KOHONEN)神经网络、前馈神经网络和Hopfield神经网络四种。

3 人工神经网络的应用领域

3.1 民用领域

人工神经网络在民用领域主要用于语言识别，图像识别与理解，计算机视觉，智能机器人故障检测，实时信息翻译，企业管理，市场分析，决策优化，物资调运，自适应控制，专家系统，智能接口，神经生理学，心理学和认知科学研究等。

3.2 军用领域

人工神经网络在军用领域主要用于语音，图像信息的录取与处理，雷达、声纳的多目标识别与跟踪，战场管理与决策支持系统，军用机器人控制，信息的快速录取，分类与查询，导弹的智能引导，保密通讯，航天器的姿态控制等。

3.3 生物医学工程领域

人工神经网络在生物医学工程领域主要是解决用常规方法难以解决和无法解决的问题。在生物医学信号的检测和分析处理中主要集中对心电、脑电、肌电、胃肠电等信号的识别，脑电信号的分析，听觉诱发电位信号的提取，Holter系统的心电信号数据的压缩，医学图像的识别和数据压缩处理。即广泛应用和解释许多复杂的生理、病理现象。例如：CT脑切片。人工神经网络从MR图像分割组织和解剖物体，如肿瘤。这种基于二次扫描的方法包括无指导聚类分析，维数减少和通过非线性拓扑映射的纹理特征可视化。采用后处理技术逼近贝叶斯判断边缘，然后用人和神经网络的交互对这些结果进行优化。

3.4 人工神经网络在肺部CT片定量分析中的应用

肺部CT图像定量分析是先通过计算ROI区域的纹理和其它形态学的特征，形成特征矢量，然后交由后续的神经网络去进行分/聚类，从而达到定量分析的目的。现以其中常用的BP网络为例加以说明。由于BP网络存在纹理特征的计算很费时间和很难找到对某一病理区域有特异性的纹理特征等参数的缺陷。Heitmann等直接使用了Kohonen自组织映射网络（SOM）来对弥漫性肺病在HRCT中的典型征象——磨玻璃样影（GGO）进行自动识别。他将一55大小的ROI的CT数值直接作为SOM网络的输入，经网络聚类后，输出结果的真阳性超过95%，但也有太多的非GGO区域被误分成GGO区域，假阳性竟高达150——300%。特别是靠近胸膜和靠近气管与血管处的区域最易被误分类，而这类区域处的对比度比较高。也就是说单个SOM网络无法清楚地区分GGO相对均质的区域和低密度肺组织靠近高密度结构处的强对比区域。鉴于以上情况，Heitmann又设计了一个包括三个简单网络的分层结构。其中：一个简单网络可以检测几乎所有正确的GGO区域以及高对比度处的假GGO区域，而另两个网络（一个针对靠近胸膜处的组织；另一个针对靠近气管和血管处的组织）仅仅被训练成高对比有反应，而真正的GGO区域则无法检出。将这三个网络的输出以一定的逻辑规则（即三个网络的输出都为真，则该区域才是GGO）相连，最终结果比单个网络的结果精确了许多，它去掉了约95%的假阳性区域。虽然一些强对比区域的真的GGO区域也不可避免地被移走，但真阳性仍在可接受的范围内。实践证明：那些被误分类的区域实际上大多是肺内血管、气管、胸壁或纵隔的部分容积效应，以及有心脏主动脉搏动或呼吸位移引起的运动伪影。可以通过解剖结构信息来校正。

神经网络的研究内容相当广泛，反映了多学科交叉技术领域的特点。迄今为止，在人工神经网络研究领域中，有代表性的网络模型已达数十种，而学习算法的类型更难以统计其数量。神经网络研究热潮的兴起是20世纪末人类科学技术发展全面飞跃的一个组成部分。它与多种科学领域的发展密切相关，纵观当代新兴科学技术的发展历史，人类在征服宇宙空间、基本粒子、生命起源等科学领域的进程之中历经了崎岖不平之路。在以人为本的21世纪，我们将会看到探索人脑功能和神经网络的研究将伴随着重重困难的克服而日新月异，同时人工神经网络在医学领域的应用前景也会更加广阔。

参考文献

[1] 陈旭，庄天戈.肺部放射影像的定量分析[J].中国医疗器械杂志。2001，26（2）：117—118.

第5篇：对神经网络的认识范文

关键词：建筑成本 造价估算 工程造价

1. 前言

建筑工程造价估算是项目决策的重要组成部分，是项目建设前期编制可行性报告以及项目建议书的重要依据之一。由于建筑工程施工周期长、工艺较为复杂、涉及投资金额较大，项目造价估算是否准确，不仅影响项目建设资金的筹措，而且影响下一阶段设计以及施工图概算的编制，使得投资者不能做出正确的投资决策。目前我国建筑工程造价管理正处于重要的改革阶段，早期估算的准确性也越来越得到投资者的重视。加强对建筑项目早期估算的研究，无疑对改变人们对工程造价的认识和工程造价管理改革都具有重要的意义。

2. 造价估算模型基本原理剖析

为了提高工程企业在造价估算电算方面的效率和精度，温国锋等[1] 在进行工程预算时引入了回归分析、时间序列、自回归预测等模型，但这些传统的计算方法受限于确定性变化规律及线性关系。它基于一种简单化和理想化的条件假设，在实际工程中受到许多不确定性因素如地理条件、社会以及经济因素等等的影响，工程估算问题呈现的是一种非线性关系。毛义华等[2]引入ANN（人工神经网络方法），其本质是通过网络函数逼近能力映射实际的复杂函数。工程造价的相关影响因素空间到工程造价资料空间的映射是工程造价估算的实质。基于神经网络的造价估算模型取神经网络的输入向量为投资估算的特征信息，神经网络的输出为项目工程主要材料用量、具体的工程造价，通过以往典型的工程特征、工料及造价作为训练样本，对其进行训练，使不同的输入向量都能得到最优的输出量值，从而是想输入工程特征到输出造价资料的映射。神经网络方法最常用是BP网络，其存在着容易陷入局部最优、收敛慢等缺点。

基于径向基函数神经网络方法建立预测模型，结合免疫算法确定中心值和隐层数量，并选择监督算法调整其权重，将得到一个精确的预测结果和客观的结局方法[3]。采用RBF解决非线性问题时，通常使用内插观点与函数逼近进行解释，广义的RBF网络数据中心通常采用两阶段混合学习过程，第一阶段为K-mean聚类算法，其主要任务是通过采用自组织聚类的方法，为隐层节点的径向基函数确定合适的数据中心，因节点的扩展常数由各个数据中心的距离确定。第二阶段为监督学习节点，其主要任务是监督学习算法训练输出层权值。

3. 造价估算实例分析

本文采用某市普通商用土建单方造价作为估算的对象，样本数据的主要来源是该年份的该市商业地产蓝皮书、统计年鉴以及工程信息网发生在2006-2010年间的56个商业地产项目。为适应其处理要求，矩阵标准化按照以下线性公式：标准化值=2*（原值-矩阵列最小值）/（列最大值-列最小值）-1。神经网络的输出转化则按照下式实现：（网络输出值+1）*（最大输出-最小输出）/2+最小输出。参考前学者的研究成果，根据工程造价影响因素确定{基础种类、结构类型、楼面工程、抗震烈度、门窗形式、外墙装饰、建筑层数、物价上涨指数}为神经网络训练集。

将该市56组样本数据分成两部分，第一部分为训练样本数据，由前45组数据组成；测试数据则由剩下的10组数据组成。RBF神经网络的决定性结构通过反复的训练形成，其中隐层节点为45，输入层节点为8，输出层节点为1。通过上述定义方法对工程标准化和定量化，输入量为工程目标特征，输出量为工程成本结果，非线性处理器为RBF，神经网络的训练以及样本测试通过采用MATLAB神经网络工具箱进行，表1为样本在不同网络模拟结果对比。

表1 测试样本不同网络模型结果对比

表中结果显示，实际值与输出结果的相对误差最小值为3.91%，最大值为6.32%，标注值为0.007，平均值为5.09%，说明采用基于径向基函数神经网络的投资估算模型对测试样本进行造价资料的模拟的预测精度符合实际工程的要求，运用在实际建筑工程成本投资估算过程中时可行的。同样的样本使用BP网络进行测试和培训，测试结果与RBF相对比，结果如表2所示，BP神经网络其最大相对误差达到18.57%，标注值为9.79，针对相同的样本训练，RBF神经网络的结果要精确于BP神经网络，而且RBF神经网络所用到的神经元个数较少且所用时间也相对较短。表2为误差指标为0.01时，通过不同的路径逼近同一函数得到的性能对比结果。与RBF神经网络相比，BP神经网络速度相对较慢，RBF能更快的逼近函数取得结果。

表2 不同网络结构性能比较

RBF神经网络通过实例进行分析，具有较强的自学习能力、自适应性以及快捷、简单的数据处理能力。与其他不同的神经网络模型相对比，RBF神经网络方法在绝大多数不确定性的建筑工程预测中更具有优势。

4. 结论

建筑工程造价估算是影响投资控制的关键因素之一，寻找便捷科学的分析方法，较好的估算工程项目的造价也成为了目前工程界重要的研究课题。本文通过对比RBF神经网络和BP神经网络两种估算模型分析结果，比较结果的精确度，结果证明，RBF神经网络更具有速度和泛化能力的优势，模拟的预测精度符合实际工程的要求，运用在实际建筑工程成本投资估算过程中时可行。

参考文献

[1]温国锋.建设项目投资估算模型分析[J].中国煤炭经济学院学报，2000.9（3）：19—22.

第6篇：对神经网络的认识范文

关键词ERP项目实施模糊神经网络风险评价

1问题提出

企业ERP项目实施涉及到原有工作模式、业务流程变革、组织结构调整等许多方面，因此在实施ERP过程中要认识到它的复杂性和艰巨性，要认识到它的高风险性。然而，目前对ERP项目实施风险评价不是很多，有效性也不高。文献分析，常用风险评价方法主要有层次分析法、神经网络评价法和模糊综合评判法等。

本文提出用模糊神经网络模型来评价企业ERP项目实施风险。将模糊神经网络用于实施ERP企业风险问题的评价，具有一定的进步性，是一种有益的尝试，同其他方法相比，模糊神经网络风险评价方法具有科学、简洁、可操作性强等特点，而且模型的结构与方法应用前景广阔。

2企业ERP项目实施风险评价指标体系

在分析了ERP项目实施过程风险影响因素，我们考虑的是可能导致项目失败风险因素；因此要从企业实施ERP项目战略角度、实施中人为风险因素、业务流程重组、ERP实施项目管理和关键事件分析和评估。该指标体系有三级，一级指标8个，二级指标26个，各二级指标相互独立反映了前一项指标属性内涵。评价指标体系的风险影响因素能从不同的角度反映这些风险指标度量属性，其最终风险评价指标体系结构，如表1所示。

表1星火ERP项目实施风险评价指标体系表

风险项二级风险评价指标风险影响因素

信息化规划风险U1信息化战略地位u111)没有信息化战略或不健全、信息战略执行不到位；

2)信息化投入总额的比重、网络性能水平、没有其他信息化设施；

3)是否接触其他单模块MIS系统每百名管理人员计算机拥有量。

信息基础建设风险u12

信息化应用状况风险u13

基础数据风险U2基础数据规范性风险u211)企业数据的完整程度、数据的不规范性；

2）数据编码体系与ERP要求是否存在较大差别、编码体系不完整；

3)品种繁多且杂乱、工艺复杂、工艺不规范、业务数据不一致。

编码系统完整性风险u22

产品繁杂度风险u23

人力资源风险U3高层领导的指导力u311)高层领导参与度、对风险的认识程度以及支持力度；

2)项目经理的实施经验和协调沟通能力。

项目经理的控制力u32

需求分析风险U4需求分析量化程度u411)企业需求分析不全面、需求分析报告不能反映实际情况；

2)外部市场牵引力度不当、需求拉动力误导、政府推动力不强；

3）没有咨询顾问指导、需求分析反复修改、企业诊断结论错误。

需求动力分析风险u42

信息需求不明确u43

管理基础风险U5行业（特点）风险u511)企业规模大小、企业体制、企业地理位置、企业的类型；

2)企业文化与ERP文化相抵制、新文化的形成；

3)企业管理水平低、管理模式落后、与ERP管理不符合度。

企业文化风险u52

管理不规范性u53

协作方选择风险U6软件商选择风险u611)软件供应商类型选择不当、供应商综合能力不强；

2)咨询方行业经验、双方配合度不高；

3)监理基本能力不足、行业经验不足。

咨询方选择风险u62

监理方选择风险u63

软硬件选择风险U7硬件选择不当u711)安全风险、后续维护风险、价格不合理；

2)系统集成性不高、二次开发工具水平；

3)软件成熟度、类型选择错误、选型方法或步骤不对；

4)质量先天性缺陷、质量不高、不可靠性风险。

软件技术风险、u72

选型匹配风险u73

软件质量风险u74

项目管理风险U8项目进度风险U811)没有合理进度计划、进度控制不严、进度延期、人员不变动；

2)硬件维护费用增加、实施费用无计划地增加、维护费用增加；

3)实施效果难以衡量、没有制定相应质量目标、阶段成果未达标；

4)范围无限扩大、不严格控制计划，实施范围不清楚风险；

5)对业务流程变革认识不统一、缺乏有效流程控制体系、重组变革方式和工具选择、过多地改变软件原有流程。

项目成本风险U82

项目质量风险U83

实施范围风险U84

业务流程重组风险U85

3基于模糊神经网络ERP项目实施风险评价模型

模糊神经网络在SPSS、Excel和Matlab等统计分析软件工具的帮助下，使这种预测评价变得简单可行，具有很强的操作性和实用价值。模糊神经网络作为人工智能领域一种新的技能、正向着更高层次的研究与应用方面发展。模糊神经网络模型也用于企业风险评价方面，张英才提出基于模糊神经的人力资源风险评价，吴冲等提出基于模糊神经网络的商业银行信用风险的评价。

3.1模糊神经网络评价模型建立

根据企业实际结合已有的研究成果及风险评价指标体系，确定了8个评价的变量。选择[0,1]上的数据对上述8种因素的风险进行评判。同时，我们可以用以下数学语言描述：设ui(i=1,2,……7)为ERP项目实施风险评价的输入变量，Ui为其论域。在本系统中，ui∈[0,1］，将ui的风险类别模糊化为一个定义在Ui上的模糊子集Aj(j=1,2,3,4,5分别代表风险低、较低、一般、高、较高五种类型)，其模糊性用Ui的模糊分布一隶属函数UAj(ui)来表示。具体模糊量化过程为：

（1）选择影响因素的集合；本文采用风险指标体系子要素层中的评价影响集合。（2）确定评价等级空间U；U={cl，c2，…，ck}，若ck+1比ck“强”，记作ck+1>ck，一般地，评价等级统计取4至6个等级较合适，本文风险等级分5个等级,即风险低、风险较低、风险一般、风险较高和风险高。

（3）确定子要素层每一因素对U中的各评价等级的隶属度；通过专家打分后，采用统计方法获得，第i个因素对各等级的隶属度为Ri＝（ri1，ri2，ri3，ri4，ri5）。

（4）计算每个因素的评价值；将5个评价等级数量化后视为一个向量，例如取C=(0.9,0.7,0.5,0.3,0.1)，则第i个因素的数值化风险评价值为Xi=Ri*CT。根据所评价ERP项目实施风险评价中指标，模糊神经网络ERP项目实施风险评价结构确定为(8,m,5)，即输入层节点8个(根据评价阶段指标体系确定)；隐含层节点数为m，一般人为给定m值后，经k-means方法调整出合适值；输出层节点5个。通过上述模糊化方法处理得出每个风险影响因素的模糊化数值xi后，作为神经网络输入层节点的输入值。输出层节点输出企业ERP项目实施风险综合评价值。因此所建模型如图1所示，模糊神经网络风险评价模型分两大模块:前一部分是模糊量化模块，作用是将输入变量模糊化，模糊化处理是将数字表示形式的输入量转化为通常用语言值表示的某模糊论语的序数。后一部分是模糊神经网络(FNN)模块，此模型中FNN模块采用BP神经网络。该网络模型两大模块包括三层:输入层、隐含层和输出层。

图1风险评价中模糊神经网络模型

输入层：在ERP项目实施风险评价指标体系中，输入层评价指标经过模糊化处理后输入。但由于指标值量纲不相同，代表了不同的物理含义。因此，在进行综合评价之前可将各指标值转化成无量纲的标准化数据，这样就可以利用同一标准进行衡量一般可采用直线型无量纲化方法，如利用极差变换公式将各类指标标准化。输入层中神经元的输入与输出为Ui=Xi，Oij=Xi,（其中i=1,2,…..,8；j=1,2,……,m）。同时，我们将上述的风险因素和ERP项目实施风险评价的结果按照风险的大小程度分别用5个语言变量表示，并用各个语言变量的隶属函数代表其模糊性。

隐含层：其作用是对输入量进行评语等级分化处理，即根据隶属函数求出每一输入的各等级隶属度值。本文选用梯形函数，它对样本数据要求相对简单，虽然它的准确性不如非线性隶属函数高，但是经过模糊神经网络的控制也能达到良好的效果。图2说明了用梯形函数来表示ERP项目实施风险隶属函数。

3.2模糊神经(FNN)网络学习训练

模糊神经网络模型应用具体步骤包括两个过程①学习训练过程：在现有的ERP项目实施企业中，选择成功与失败典型样本对网络进行学习训练，经过反复迭代，使系统平均误差降低到满意的程度，从而获得稳定的网络结构、连接权值和各参数。②模型确定后，可用来进行ERP项目实施风的评价。

(1)样本数据的获得

选取若干具有代表性的数据，通过专家意见调查，收集相关数据作为样本数据。论文研究选择对象主要面向大中小各类企业，除已实施ERP的企业外，也包括将要实施ERP的企业。我们通过东西部地区200多家案例企业获得样本数据，进行统计分析。先对样本数据进行稳定性处理，鉴于论文取得的样本数据容量较大，各指标取值范围较广，数据具有一定的平滑性，因此选用两倍、三倍标准差检验法进行异常数据剔除，最终获得（167个）样本数据。

(2)网络学习训练结果

模糊神经网络的学习过程也就是网络参数修正的过程，本系统的网络学习采用有教师的学习方法，网络参数的修正采用梯度法实现。

(3)ERP实施风险评价输出

模糊神经网络训练趋向稳定后，并满足指定的性能指标(如训练误差)，说明神经网络已训练结束，可以用来评价企业ERP项目实施风险。将待评价的对象按模糊规则转换后得到n个输入量，已训练好的网络模型就可以通过输入量到输出实现；输出结果为隶属度向量O=(O1，O2，O3，O4,,O5)，定义为最大隶属度。即，=MAX(O1，O2，O3，O4，O5)。

根据最大隶属度原则就可以确定待评价的ERP项目实施风险的大小。在每次评价工作中，无论评价结果是否得到了专家的认可，都可以把它作为新的学习样本让这个模糊神经网络评价系统不断学习、继续完善，以使它做出更准确的评价。

4结论

本文确立了企业ERP实施风险评价的指标体系，建立了基于模糊神经网络的ERP项目实施风险评价模型，利用神经网络实现风险评价功能，可以充分利用以往的经验，使评价系统具有学习能力。模糊神经网络用于评价企业ERP实施风险非常适合，这不仅可以评价ERP项目实施各阶段风险大小，也可以利用网络的预测评价功能，预测将要实施ERP企业的风险大小，而且网络预测误差小，适合用于各类企业ERP项目实施风险评价。

参考文献

[1]陈启申.ERP——从内部集成起步.北京:电子工业出版社[M].2004

[2]刘晖.我国企业发展与实施ERP的现状分析[J].情报科学.第23卷第6期.2005.6.28~29

第7篇：对神经网络的认识范文

关键词：方法；维修性评估；BP神经网络

1 概述

维修性是现代航空武器装备重要的设计特性，是影响其使用可用度和作战效能的重要因素。定型试飞阶段是装备维修性评价的重要环节，其目的是验证装备的维修性水平是否达标，为改进装备维修性设计提供重要参考，提高装备的维修性水平。试飞阶段的维修性评价主要是通过试飞阶段产生的维修信息，验证装备的维修性水平。维修性评估除了有量化指标要求外，还有很多是一些非量化和无法量化的要求和指标。对这些非量化的指标和要求进行评价是非常困难的，往往不易下结论或者结论不够准确。目前，人们一般采用层次分析法（AHP）、模糊综合评判法或灰色评价法进行评价，但这些方法具有较强的主观性，缺乏自学习能力，实际评判中易受判定随机性、参评人员主观不确定性及认识模糊性等诸多因素的制约。针对以上情况，文章在建立维修性定性评估指标体系的基础上，采用目前比较成熟且最常用的一种神经网络方法，即BP神经网络，建立了评价模型，并给出了评价结果。

2 BP神经网络方法

人工神经网络是在现代神经生理学和心理学的研究基础上，模仿人的大脑神经元结构特性而建立的一种非线性动力学网络系统，它由大量简单的非线性处理单元（类似人脑的神经元）高度并联、互联而成，具有对人脑某些基本特性的简单的数学模拟能力。

2.1 BP网络结构

BP神经网络是一种单向传播的多层前馈神经网络，由一个输入层、一个输出层和若干中间层（隐层）构成。每层由若干神经元组成，不同层次的神经元之间形成全互连接。层内神经元相互独立，不同层次之间的神经元以权值W单向连接。每层神经元在节点接受前一层的输出，同时进行线性复合和映射（线性或非线性），通过复合反映不同神经元之间的耦合和映射对输入信息作出反应。

BP神经网络对于输入值要先向前传播到隐层节点，经作用函数运算后，再把隐层节点的输出信息传播到输出节点，最后给出输出值。文章采用一种具有个n2输入节点、n1个隐层节点和单个输出节点的三层BP神经网络，它的数学模型是：

Y=f（WijX+？兹1） （1）

Z=f（WjY+？兹2） （2）

其中，X，Y，Z分别为输入层、隐层和输出层矢量（节点向量）；Wij，？兹1和Wj，？兹2分别表示输入层与隐含层以及隐含层与输出层之间的连接权和阈值，i=1，2，…，n2；j=1，2，…，n1；f（x）为网络激活函数或传递函数，通常采用S形函数，即f（x）=■，如果整个网络的输出要取实数域内任何值，则网络输出层可以采用线性函数作为传递函数，即f（x）=x，其结构如图1所示。

图2 图1中神经元j的结构模型

图1中Xk=（xp1，xp2，？撰，xpn2）为评价指标属性值，k=1，2，…，s，其中s是输入样本量；Z为样本模式P的输出。B=[b1，b2，？撰，bs]T=[bp]s×1为与样本模式P对应的评价结果，也是神经网络的期望输出值。实际输出Z与期望输出bp的误差函数Ep定义为Ep=（bp-Z）2/2。

对于图1中隐层的神经元j，其结构模型如图2。

神经元j模型可以表示为：

（3）

2.2 BP网络学习过程

BP神经网络的学习过程由正向传播和反向传播两部分组成，在正向传播过程中，输入模式从输入层经过隐层神经元的处理后，传向输出层，每一层神经元的状态只影响下一层神经元状态。如果在输出层得不到期望的输出，则转入反向传播，此时误差信号从输出层向输入层传播并沿途调整各层向连接权值和阈值。以使误差不断减小，直到达到精度要求。该算法实际上是求误差函数的极小值，它通过多个样本的反复训练，并采用最快下降法使得权值沿着误差函数负梯度方向改变，并收敛于最小点。

3 维修性定性评价指标体系

根据GJB 368B装备维修性通用工作要求中维修性定性评价内容可确定维修性定性评估的指标体系如图3所示。

图3 维修性定性评价指标体系

维修性评价的最主要目的就是得出分析对象的维修性好坏。对于二级指标，这里为了方便现场操作人员评价打分，每个指标又细化为多个评价准则。这里给出了互换性与标准化评价准则表，见表1。操作人员只需对评价准则进行回答，即可得出每个指标的评价值。文章以可达性中视觉可达为例介绍专家打分方法和评价过程。由于影响视觉可达的条件不同，因此具体项目和分值应根据实际操作进行调整。打分共有好、中、差等3项指标，“好”指标对应分值为80～100分，“中”指标对应分值为60～80分，“差”指标对应分值为60分以下，满分100代表最好的视觉可达状况。为了便于神经网络训练，对得到的百分制评价结果进行了处理，即每个分值除以100得到神经网络输入向量的元素，例如，如果专家对视觉可达的最终打分结果是85分，对应文章的输入向量的元素值为0.850。

附表1 互换性与标准化评价准则表

4 维修性BP神经网络评估模型

文章利用MATLAB实现BP神经网络的编程。将维修性定性评估指标体系中的16个指标作为神经网络的输入向量，将其评估结果作为唯一输出，建立一个如图1的16×midnote×1的3层BP神经网络。

其中16是输入样本的维数；

midnote是隐层节点数，隐层节点数目太多会导致学习时间过长、误差不一定最佳，也会导致容错性差、不能识别以前没有看到的样本，因此一定存在一个最佳的隐层节点数。以下3个公式可用于选择最佳隐层节点数时的参考公式：

（1）■C■■>k，其中k为样本数，n1为隐层节点数，n2为输入节点数。如果i>n1，C■■=0；

（2）n1=■+a，其中m为输出节点数，n2为输入节点数，a为[1，10]之间的常数；

（3）n1=log2n2，其中，n2为输入节点数。

1 是输出层节点数。

网络输入层与隐层之间的传递函数f（x）为tansig，即S型的双曲正切函数；隐层与输出层之间的传递函数f（x）为purelin，即f（x）=x；网络训练函数为traingd，即梯度下降BP算法函数；对于BP网络创建函数newff，其性能函数默认为“mse”，即均方误差性能函数，其权值和阈值的BP学习算法默认为“learngdm”。下面将介绍学习步长、初始权值和目标精度的选取要求。

4.1 学习步长、初始权值、目标精度的选取

学习步长是在学习过程中对权值的修正量，与网络的稳定性有关。步长过短，则学习效率低，步长过长，则网络稳定性差，学习步长一般取0.05。

初始权值选取和输出结果是否最接近实际，是否能够收敛，学习时间的长短等关系很大，由于MATLAB仿真软件会根据初始化函数自动生成相应的初始权值和阈值。

目标精度是确定神经网络的精度标准，当误差达到目标精度要求后网络停止。目标精度的确定是根据实际情况对精度的要求而定。

4.2 实例验证

训练根据实际数据和专家评定，选定用于训练和测试的10组样本数据，其中X矩阵的前9行，即9组训练样本，X矩阵的第10行为1组测试样本，B为10组样本的目标输出矩阵，Q为待估样本矩阵。

（1） 学习样本矩阵、目标输出矩阵、待评估矩阵的数据输入

（2）BP神经网络模型程序代码设计：

net=newff （min max（X（1：9，inf）'）， [midnote 1]， {'tansig'，'purelin'}，'traingd'）%创建网络并初始化

net.trainparam.show=50 显示训练状态间隔次数

net.trainparam.lr=0.05 学习步长

net.trainparam.epochs=500 仿真次数

net.trainparam.goal=0.001 目标精度

[net，tr]=train（net， X（1：9，inf）'，B'） 网络训练

Zsim=sim（net， X（10，inf）'） 仿真计算

（3）仿真结果输出及分析

待评估矩阵的仿真结果为：Zsim=0.762066，它表示的意义是在16个二级评估指标能力值分别为待评估矩阵所给定值时，该维修性的评估结果是0.762066。图4为BP神经网络训练图。从图中可以看出，训练仿真到351次时，达到设定的目标精度0.001，训练停止。文章只对BP神经网络解决维修性评估的方法上进行了初步的探索，随着装备维修性研究的不断深入和神经网络技术的发展，BP神经网络方法在维修性评估中的应用将更加广泛。

图4神经网络训练误差曲线

5 结束语

文章将BP神经网络方法应用于对航空维修性的评价，意在建立更加接近于人类思维模式的定性与定量相结合的综合评价模型。通过对给定样本模式的学习，获取评价专家的经验、知识、主观判断及对目标重要性的倾向，当需对有关对象作出综合评价时，便可再现评价专家的经验、知识和直觉思维，从而实现了定性分析和定量分析的有效结合，也较好地保证了评价结果的客观性，此外仿真结果精确度高，可信性强。

参考文献

[1]黄书峰，端木京顺，唐学琴，等.航空维修保障能力的神经网络评估方法与应用[J].航空维修与工程，2008.

[2]GJB 368A-1994.装备维修性通用大纲[S].

第8篇：对神经网络的认识范文

（西藏职业技术学院，拉萨 850000）

（Tibet Vocational Technical Collage，Lhasa 850000，China）

摘要： 在政府投资项目推行代建制的过程中，必须正确认识代建制模式下的风险管理工作的重要性，认清风险的来源，有效评估工程项目风险严重程度和整体风险水平是决策项目上马的先决条件。本文在阐述代建制项目进行风险评价的重要性基础上，结合政府投资代建项目的特征和国内工程的实践进行归纳总结，建立了共性的风险评价指标体系，提出了基于误差反向传播算法的BP神经网络评价模型，并通过算例验证了该模型的可行性，为实际工程项目进行风险预测、应对、规避提供决策支持，从而提高了政府投资项目的整体效益。

Abstract： In the process of government investment project implementing agency construction， we must understand correctly the importance of risk management under agency construction and recognize the risk source，so as to assess the severity of project risk and the overall level of risk effectively which is an essential prerequisite of decision-making project. On the basis of expounding the importance of project under agency construction carrying on risk assessment，combined with the characteristic of project under agency construction and the generalization of domestic engineering practice，this paper set up common risk evaluation index system，put forward the BP neural network evaluation model based on error back propagation. Besides this paper uses the BP neural network evaluation model in the really construction to draw a conclusion that the model is feasible and hope the model can provide the decision support for risk prediction、risk response and risk aversion in the really construction，so as to improve the whole efficiency of the government investment project.

关键词 ： BP；神经网络；代建制；风险评价

Key words： BP；neural network；gent-construction；risk assessment

中图分类号：F283 文献标识码：A 文章编号：1006-4311（2015）19-0030-03

作者简介：谢亮（1982-），男，四川德阳人，讲师，工程师，一级建造师，造价工程师，硕士研究生，研究方向为工程管理。

0 引言

政府投资项目实行代建制，可以有效加强政府对投资项目的管理，规范投资建设秩序，建立投资责任约束机制，通过市场运作，选择有经验、讲信誉的专业化管理队伍，用法律和经济手段确立投资者和建设者之间的相互关系，有效保证资金的使用效益和施工质量。因此，本文在项目实行代建制的前提下，运用基于误差反向传播算法的BP神经网络评价代建制项目风险，通过建立代建制项目一般风险指标为引例，论证该方法在项目风险评价上的可行性、可操作性，为实际工程项目规避风险，降低工程成本提供理论依据，从而提高政府投资项目的社会效益和经济效益。

1 代建制项目风险评价的重要性

政府投资项目代建制作为有效的工程项目管理模式，推进代建制的实施必然要重视投资项目的风险管理，尤其是对投资项目的风险评价。风险评价是政府投资代建项目风险管理的关键步骤，是对一个项目整体风险水平做出合理评价的过程。在对投资项目风险因素进行识别之后，投资决策者在进行风险因素识别以后就需要分析其投资机会的潜在价值，判断项目在整个生命周期遇到的不确定性风险带来损失的程度，决策项目是否上马[1]。

因此，需要对项目面临的风险做出科学评价，并以此为依据制定相应风险应对规避措施，减少或降低项目在实施过程中带来的损失。由此可见，风险评价在项目中的重要性是不言而喻的。

2 建立误差方向传播神经网络评价模型

任何一个项目在实施过程中都具有不确定性，代建制作为政府投资项目建设推行的一种模式，具有打包式的形式，项目在实施过程中存在许多偶然事件。通过整理相关文献，目前关于代建制项目的风险评价研究较少，部分学者从理论上进行了研究，提出了不同的观点，Nigel John Smith， Min An等人[2]，引入因子指数来组织和评估这些因素，并将其整合纳入风险评估的决策过程中。该文献提出了一种全新的风险评估方法，以应对建设行业复杂环境中的风险。同时根据模糊推理技术，提出了一种处理在施工过程中产生的不确定性和主观性的有效工具。Stephen Ward， Chris Chapman认为[3]，目前所有项目风险管理的实施过程，都忽视了关于项目不确定性管理。该文献讨论了引起这种观点的原因，并坚决主张把注意力集中于不确定性上而不是风险，才能够提高项目的风险管理。同时提出了一种如何将项目风险管理的过程改进成便于应用不确定性管理观点的方法。孙少楠等人，研究了基于群组AHP代建制项目风险评价，认为利用群组层次分析的方法，来确定代建制项目风险层次结构中风险指标权重，从而来确定风险指标评价等级[4]。因此，本文在改进前人研究的基础上，通过误差反向传播算法建立BP评价模型，并以工程实例的形式来验证模型的科学性和合理性，从而为代建制模式下工程项目风险评价提供应用价值。

2.1 人工神经网络概述

人工神经网络（Artificial Neural Network）是模仿生物神经网络功能的一种经验模型，由大量与自然神经细胞类似的人工神经元互联而成的网络。其工作机理是根据输入的信息建立神经元，输入和输出之间的变换关系具有非线性特点，通过输入一定量的样本数据按照学习规则或自组织进行不断修正，把问题的特征反映在神经元之间相互联系的权值中，使输出结果和实际值之间差距不断缩小。所以，神经网络的输出层就是将给出解决问题的结果[5]。

2.2 BP神经网络算法流程

基于误差反向传播（Error back propagation， 简称BP）的神经网络是一种多层次反馈型网络，使用有导师的学习算法。而基于人工神经网络的多指标综合评价方法通过神经网络的自学习、自适应能力和强容错性，建立更加接近人类思维模式的定性与定量相结合的综合评价模型。

在本文采用基于BP算法来构造神经网络模型，选用典型的三层BP神经网络前馈型层次结构网络，由输入层，隐含层和输出层三部分组成。其中同层次神经元之间无关联，异层次神经元之间前向连接。在三层BP神经网络中，输入层含n个节点，代表神经网络的n个输入；输出层含l个节点，代表神经网络的l种输出；隐含层的节点数目m，可根据需要设置，具体相关函数参见文献[6-7]。

本文应用Matlab 7.0进行BP算法步骤如下：

2.3 建立评价指标体系

本文结合政府投资代建项目的特征，旨在建立一般意义上的风险评价指标体系，根据全面性、可比性、可操作性等指标设计原则，并考虑到模型的实际运用，建立了基本所有项目通用的、系统的、科学合理的代建制项目风险评价指标体系。对于一个具体的项目而言，风险因素的增加、删减并不影响本模型的应用，评价指标体系如图1所示。

2.4 基于BP神经网络模型建立

由于目前针对代建项目风险管理的工程实例和历史数据较少，为了获得本文模型实证所需的样本数据，经过大量相关文献数据的收集整理，共收集到了6个实施代建制的项目风险数据，将实际数据进行了处理，处理后的样本数据见表1所示。

实际应用表明，合理确定网络层数与各层的神经元数，是成功应用BP神经网络模型的关键之一。一个三层的神经网络可以完成任意n维到m维的映射，即具有一个隐含层的神经网络能够以任意精度表示任何连续函数。因此，本模型设置一层隐含层，建模如下：

①输入节点：根据风险评价指标体系，将政治风险，经济风险，自然风险，决策风险，管理风险共5个作为BP模型的输入节点；②输出节点：输出节点对应评价结果，在本文建立的模型中，由于最终的结果是一个评价数值，即综合评价分数，代表不同的风险程度，因此选择1个输出节点；③隐节点：根据最佳隐节点计算公式，本模型隐节点数选择范围在3-12之间，利用表1样本数据进行训练，训练函数采用Traingdx函数，训练结果见表2所示。

误差水平和训练速度是考虑网络性能的两个重要指标。根据表2可知，隐含层节点数为11的BP网络对评价函数的逼近效果最好，误差最小，训练次数为115次。因此，本模型中隐含层的节点数目应该选择为11。因此，本文建立的BP神经网络模型为5×11×1的三层网络模型。

④训练函数：采用不同的训练函数对网络收敛速度和训练次数有影响，通过对traingdx、trainlm和traingd三个训练函数进行分析，trainlm学习算法具有收敛速度很快特点，训练结果、误差曲线分别如图2、图3所示。

可以看出，训练次数为6时，网络的逼近误差为7.42×10-5。六组样本数据的误差在区间（-0.016，0）内。因此，本文的评价模型决定采用trainlm对网络进行训练。

综上所述，最终确定风险评价神经网络模型的BP网络结构见表3所示。

3 应用算例

本文以西藏会展中心为项目背景，通过训练好的模型对该项目在实施过程中的进行风险评价，为项目制定风险应对措施提供科学依据，也提供了一种风险评价思路。

3.1 模型训练

通过运用6个样本输入和输出值对建立的BP神经网络进行学习训练，EMSE=7.42×10-5，总体误差满足要求，训练样本结果见表4所示。

3.2 西藏会展中心项目风险评价

将西藏会展中心项目原始数据经处理后的项目风险数据作为样本输入数据见表5所示，输入到训练误差满足要求的模型中，得到表6的输出结果，即风险评价等级。

根据表6输出的数据结果可以得出，模型训练比较稳定，期望输出0.6947，即为评价项目的风险等级，该项目评定结果为中风险。

4 结论

本文通过建立政府投资代建项目的风险评价指标体系，运用误差反向传播算法，建立代建制项目风险评价模型，通过对获得的实例工程风险评价样本数据，带入评价模型中进行自学习、训练，使得模型的自适应满足评价要求，最后以工程实例对该模型进了风险评价验证，论证了该模型的可行性和可操作性，通过该模型在工程实例中的应用，为工程规避风险，制定风险应对措施提供了科学指导，为企业减少了不可预见费用的支出，提高了政府投资项目的社会效益和经济效益，证明该模型在政府投资代建项目风险评价及控制中值得应用。

参考文献：

[1]Akintola S Akintoye， Malcolm J MacLeod. Risk analysis and management in construction. International Journal of Project Management， 1997， 15(1)：31-38.

[2]Nigel John Smith， Min An. Application of a fuzzy based decision making methodology to construction project risk assessment[J]. International Journal of Project Management， 2007，25：589-600.

[3]Stephen Ward，Chris Chapman. Transforming project risk management into project uncertainty management[J]. International Journal of Project Management，2003，21：97-105.

[4]孙少楠，王爱领.基于群组AHP代建制项目风险评价[J].统计与决策，2009，1：172-173.

[5]张颖，刘艳秋.软计算方法.[M].北京：科学出版社，2002：66.

[6]袁曾任.人工神经网络原理及其应用[M].北京：清华大学出版社，1999：36-42.

第9篇：对神经网络的认识范文

关键词：神经网络 图像识别 企业应用

中图分类号：TP183 文献标识码：A 文章编号：1007-9416（2016）10-0124-01

1 神经网络的发展、应用及其特点

现代计算机的应用前提下，计算和信息处理能力均较高，但感知能力和驮踊肪持械呐卸夏芰均不如人类，并且短期内难以实施。特别是，缺乏在特定环境的学习和适应能力，只能按照一定的程序进行分解及工作、执行。本世纪初，人们对于人类大脑的工作方式已经有了一定程度的了解，有着非常大的规模的基本单元，被称为神经元，这些经过高度复杂的统一结合，形成复杂的、非线性、平行处理的信息综合处理系统，这和当代的计算机处理方式是完全不同的。单个的神经元的反应速度比起类似计算机的基本单元逻辑反应时间，是毫秒级别的。

1.1 图像识别及分类技术概况

随着计算机技术和数字图像处理技术的发展，为了满足当前迫切需要，通过对机器视觉设备所获得的图像识别和分类，己成为当前的迫切需要。研制机器的视觉系统是图像识别的最终目的。因此，他们自行区别分类是可能的。通过一些手段使各类图像的重要显性数据通过一定的数值来表示出来，除了对图像进行数据化处理之外，通常特征范围的提取工作也是必要的。但反应某一类特征时，计算工作的繁杂、内容的庞大，为计算带来了很大压力的同时，产生了不精确的可能，难免有一些误差。所以进一步的工作量需要对特征进行选择与处理，减小特征值的误差而保留图像特征信息，这种找出比原来特征数目少而精的综合指标的方法称之为特征选择。

1.2 神经网络应用于图像识别技术的现况

在世界范围内掀起了探索和研究神经网络的热潮，来自发展了的学习算法。目前国内外研究较多的有字符识别技术、车牌识别技术、脸部识别技术、各种纸币识别技术、印章识别技术及对一些军事目标的识别等方面。人工神经网络的发展己渗透到各种研究领域，特别是在模式识别的图像分类技术方面，所取得的应用也日益增多。

2 图像识别原理简介

2.1 图像识别系统

图像模式识别系统的三个重要组成部分，有如下三种，第一是图像有关信息的采集和收集，他等同于对被研究对象的深入了解和调查，取得有关数据后，进行整体的加工、修改、归纳、整合，并且进一步提出反应其点的一些潜质。最重要的一部分特点是将类似空间的映射量折射到空间中。相当于人类的感性和理性认识的转换，并作出结论的过程。图像识别系统如图1所示。

2.2 模糊模式识别法

模糊特征，本质就是根据一定的模糊化规则，经过多重加工后，将图像的一个特征或者一组特征分成多个模糊变量，使每个模糊变量能表达原特征的一部分特性。这些新的模糊特征取代原来的特征进行模式识别，提高了分类器的性能。

2.3 人工神经网络模式识别法

图像输入预处理特征提取神经网络识别识别结果。

3 神经网络图像识别系统设计

3.1 网络分类器的设计

新的性能指标函数，通过反复使用，可以在保证网络误差尽可能小的情况下使网络具有较小的权值，使得网络的有效权值尽可能少，这实际上相当于自动缩小了网络的规模。

3.2 样本的选择及组织

选择标准且合理的样本，对提高网络的学习速度、使网络具有良好的识别精度都有着举足轻重的作用。本实验中，样本的选择可以遵循以下原则，当网络用于分类属性时，首先选取各类的样本进行训练，在使网络的总体性能不高时，另一方面可以大幅度提高训练程序速度，避免网络陷入瘫痪。如此反复，结果会使网络产生振荡。要使网络对模式的旋转、伸缩等具有不变性，因为网络并不具有不变识别的能力，所以就要选择各种可能情况的样本，这样可以保证网络具有比较高的识别率。

4 传统企业应用技术分析

无限制地共享数据和业务处理是企业应用集成（EAI）是指企业内部和企业之间的任何相连的应用之间。公共对象请求体系结构（CORBA）、分布式组件对象模型（DCOM）和远程方法调用是传统的系统集成方式。目前用的比较多的集成方式是 Web Services。

5 结语

本文首先综述了人工神经网络的发展、应用、特点和神经网络应用于图像识别技术的现况。重点介绍了目前在目标识别中用的最多的前馈神经网络模型及其采用的算法的同时，介绍了图像识别原理和几种模式识别常用的神经网络模型。

随着有关研究的不断深入、计算机运行技术、数字图像处理技术的发展，对机器视觉设备信息操作，所获得的图像识别和分类已成为当前的迫切需要。

目前所做的工作离实用要求的距离还有很大的距离。不过，结合企业实际情况设计了基于ESB的企业应用集成技术。这一课题必然会得到较好的解决。

参考文献

[1]袁建国，高亮，刘向军等.需求链管理的研究.中国机械工程，2003，14：89-93.

[2]孙晋文，肖建国.企业应用集成与基于Web Services 的构架应用.计算机工程与应用，2003，8：25-29.

收到日期：2016-09-02