神經(jīng)網(wǎng)絡(luò)隱含層的作用精選(九篇)

前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的神經(jīng)網(wǎng)絡(luò)隱含層的作用主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：神經(jīng)網(wǎng)絡(luò)隱含層的作用范文

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)；非線性函數(shù)；擬合；收斂

中圖分類號：TP18文獻標識碼：A文章編號：1009-3044(2012)27-6579-05

Nonlinear Function Approximation Based on BP Neural Network

ZHANG Bao-kun1, ZHANG Bao-yi2

(1.China Nuclear Control System Engineering Co.,Ltd, Beijing 100076, China; 2. Shenzhen Speedy-Tech Electronics Co., Ltd, Shenzhen 518004, China)

Abstract: This paper introduces the features and algorithm theorem of BP neural network, and deduces the update rules of the network weight based on a given BP neural network. According to several problems of BP neural network, suggestions are pro? vided for these problems. Applicability of BP neural network for nonlinear function approximation is verified by simulations, and the accuracy can be guaranteed.

Key words: BP neural network; nonlinear function; approximation; convergence

BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)是1986年由Rumelhart和McCelland提出的，它是一種誤差按反向傳播的多層前饋網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。BP神經(jīng)網(wǎng)絡(luò)具有非常強的非線性映射能力，能以任意精度逼近任意連續(xù)函數(shù)，因此在人工智能的許多領(lǐng)域都得到了廣泛的應(yīng)用。

通常，BP算法是通過一些學(xué)習(xí)規(guī)則來調(diào)整神經(jīng)元之間的連接權(quán)值，在學(xué)習(xí)過程中，學(xué)習(xí)規(guī)則以及網(wǎng)絡(luò)的拓撲結(jié)構(gòu)不變。然而一個神經(jīng)網(wǎng)絡(luò)的信息處理功能不僅取決于神經(jīng)元之間的連接強度，而且與網(wǎng)絡(luò)的拓撲結(jié)構(gòu)（神經(jīng)元的連接方式）、神經(jīng)元的輸入輸出特性和神經(jīng)元的閾值有關(guān)，因而神經(jīng)網(wǎng)絡(luò)模型要加強自身的適應(yīng)和學(xué)習(xí)能力，應(yīng)該知道如何合理地自組織網(wǎng)絡(luò)的拓撲結(jié)構(gòu)，知道改變神經(jīng)元的激活特性以及在必要時調(diào)整網(wǎng)絡(luò)的學(xué)習(xí)參數(shù)等。[1]圖1多層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

圖1中給出的多層神經(jīng)網(wǎng)絡(luò)輸入層有n個神經(jīng)元，隱含層有l(wèi)個神經(jīng)元，輸出層有m個神經(jīng)元。其中wij是輸入層第i個神經(jīng)元和隱含層第j個神經(jīng)元之間的連接權(quán)值，wjk是隱含層第j個神經(jīng)元和輸出層第k個神經(jīng)元之間的連接權(quán)值。對于輸入層神經(jīng)元，其作用函數(shù)取線性函數(shù)，即神經(jīng)元的輸出等于輸入。隱含層和輸出層神經(jīng)元的輸入分別是上一層神經(jīng)元輸出的加權(quán)和，且每個神

在以下仿真實例中，BP網(wǎng)絡(luò)為有監(jiān)督學(xué)習(xí)，訓(xùn)練輸入樣本為input=[1 2 3 4 5 6 7 8 9 10 11 12 13 14],輸出樣本output=[1 2 3 6 11 16 19 24 25 29 32 33 36 42],隱含層節(jié)點數(shù)為6，網(wǎng)絡(luò)最大訓(xùn)練次數(shù)為1000次，學(xué)習(xí)率為0.005，輸入層到隱含層的初始權(quán)值W1以及隱含層到輸出層的初始權(quán)值均為-0.1至0.1范圍內(nèi)的隨機數(shù)，仿真結(jié)果如下兩圖所示：圖3 BP神經(jīng)網(wǎng)絡(luò)擬合誤差曲線

圖2中的虛線為BP網(wǎng)絡(luò)對測試數(shù)據(jù)的擬合曲線。實驗結(jié)果表明，BP神經(jīng)網(wǎng)絡(luò)能有效擬合非線性函數(shù)，若增加隱含層節(jié)點數(shù)則能進一步提高擬合精度，但是會加大計算量，影響訓(xùn)練速度。

本文首先介紹了BP神經(jīng)網(wǎng)絡(luò)的原理以及網(wǎng)絡(luò)權(quán)值的修正規(guī)則，然后通過編程實現(xiàn)BP神經(jīng)網(wǎng)絡(luò)，并將之應(yīng)用到非線性函數(shù)的擬合。實驗結(jié)果表明，BP神經(jīng)網(wǎng)絡(luò)能很好的擬合非線性函數(shù)，參數(shù)的選擇對網(wǎng)絡(luò)的性能影響很大。

[1]何偉,譚駿珊,王楚正,等.BP神經(jīng)網(wǎng)絡(luò)的改進算法及應(yīng)用[J].信息與電腦,2009(10):34-36.

[2]程森林,師超超.BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測控制算法的仿真研究[J].計算機系統(tǒng)應(yīng)用,2011，20(8):100-103.

[3]周永進,蔡惠華,尹遜震,等.改進的BP網(wǎng)絡(luò)及其在數(shù)據(jù)預(yù)測中的應(yīng)用[J].微計算機信息,2007,23(27):150-151.

[4]夏玫.BP神經(jīng)網(wǎng)絡(luò)泛化能力改進研究[D].太原科技大學(xué),2009.

[5]王爽,張鷹,呂瑞霞.BP神經(jīng)網(wǎng)絡(luò)的算法改進及應(yīng)用[J].電腦知識與技術(shù),2009,15(4):933-935.

第2篇：神經(jīng)網(wǎng)絡(luò)隱含層的作用范文

關(guān)鍵詞：模擬電路；故障診斷；模糊數(shù)學(xué)；BP網(wǎng)絡(luò)；模糊BP網(wǎng)絡(luò)

0引言

電路故障是指在規(guī)定的條件下，電路工作時它的一個或幾個性能參數(shù)不能保持在要求的上、下限之間，其結(jié)構(gòu)、組件、元器件等出現(xiàn)性能減退、老化、破損、斷裂、擊穿等現(xiàn)象，喪失了在規(guī)定條件和環(huán)境下完成所需功能的能力。

長期以來，學(xué)界對模擬電路工作特點的研究已相當(dāng)深入，但對于故障診斷方法的研究卻困難較大，這是由于模擬電路本身的特性決定的：1）輸入激勵和輸出響應(yīng)都是連續(xù)量，模擬電路中的故障模型復(fù)雜，量化難度大；2）模擬電路信號量程寬，不管電壓、電流的量程還是頻率都可達十幾個數(shù)量級，測量難度大；3）模擬電路中的元器件參數(shù)具有容差，導(dǎo)致電路的故障狀態(tài)的模糊性，而無法準確定位；4）模擬電路中存在廣泛的反饋回路和非線性問題，使計算的難度更加復(fù)雜。因此，學(xué)界提出了許多模型和方法來完成對某些符合特定條件的模擬電路的故障診斷。其中神經(jīng)網(wǎng)絡(luò)法的使用就相當(dāng)普遍，在硬和軟故障診斷中都有應(yīng)用，因為神經(jīng)網(wǎng)絡(luò)的技術(shù)優(yōu)勢針對模擬電路故障診斷有較好的適用性，這主要體現(xiàn)在：1）神經(jīng)網(wǎng)絡(luò)的大規(guī)模并行處理特點，大大提高了診斷效率；2）自適應(yīng)與自組織能力使神經(jīng)網(wǎng)絡(luò)在學(xué)習(xí)和訓(xùn)練中改變權(quán)重值，發(fā)展出新的功能。同時，模糊數(shù)學(xué)也與神經(jīng)網(wǎng)絡(luò)相結(jié)合，這是利用了模糊數(shù)學(xué)對待診斷模擬元器件的故障不確定性進行量化處理，能夠有效克服模擬電路元器件因為容差、非線性及噪聲造成的電路參數(shù)模糊性。

本文的研究目的就是分別利用單純BP神經(jīng)網(wǎng)絡(luò)和模糊BP神經(jīng)網(wǎng)絡(luò)的方法建立模擬電路故障診斷模型，利用電路仿真收集電路不同工作狀態(tài)下的關(guān)鍵點電壓，代入診斷模型并得到診斷結(jié)果。根據(jù)各網(wǎng)絡(luò)的結(jié)果分析比較各診斷模型的優(yōu)缺點，找出模糊數(shù)學(xué)對改進模擬電路故障診斷模型的具體表現(xiàn)。

1模糊神經(jīng)網(wǎng)絡(luò)的故障診斷模型

1.1典型模糊神經(jīng)網(wǎng)絡(luò)診斷模型介紹

圖1顯示的是一個典型的模糊神經(jīng)網(wǎng)絡(luò)模型，該模型由原始知識獲?。‵undamental Knowledge Acquire，F(xiàn)KA）、特征參數(shù)處理（Characteristic Parameter Produce，CDP）、知識提?。↘nowledge Extracted，KE）、經(jīng)驗知識庫（Experience Knowledge Base，EKB）、學(xué)習(xí)樣本集（Learning Sample Set，LSS）和模糊神經(jīng)網(wǎng)絡(luò)（Fuzzy Neural Networks，F(xiàn)NN）共6個模塊共同組成，其工作流程是：

圖1 典型模糊神經(jīng)網(wǎng)絡(luò)診斷模型

1）原始知識獲取模塊通過對電路工作原理進行分析，模擬或仿真各類故障發(fā)生時輸入和輸出參數(shù)，從而獲取原始知識（X，Y），將其傳入知識提取模塊中供系統(tǒng)學(xué)習(xí)，所得經(jīng)驗集存入經(jīng)驗知識庫中；

2）將原始知識和已經(jīng)存放在經(jīng)驗知識庫中的經(jīng)驗知識（初始庫可為空）一起輸入學(xué)習(xí)樣本組織模塊中，進行學(xué)習(xí)樣本的構(gòu)建，合成訓(xùn)練樣本集為（X1，Y1）；

3）將（X1，Y1）輸入到模糊神經(jīng)網(wǎng)絡(luò)模塊，學(xué)習(xí)訓(xùn)練，并在達到指定精度后停止；

4）將從模擬電路中獲得的實測參數(shù)Xc輸入至特征參數(shù)提取模塊中，完成數(shù)據(jù)分析和處理，輸出特征參數(shù)數(shù)據(jù)Xc'；

5）將特征參數(shù)數(shù)據(jù)輸入到學(xué)習(xí)收斂后的模糊神經(jīng)網(wǎng)絡(luò)中，進行診斷推理，得出診斷結(jié)果Yc'；

6）將得到的實測數(shù)據(jù)集（Xc'，Yc'）輸入學(xué)習(xí)樣本組織模塊，動態(tài)增強模糊神經(jīng)網(wǎng)絡(luò)的自適應(yīng)能力；

7）將得到的實測數(shù)據(jù)集（Xc'，Yc'）輸入知識提取模塊，進行分析和處理，如能提取出經(jīng)驗知識，則歸入經(jīng)驗知識庫中[1]。

1.2模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)應(yīng)該包括4層，如圖2所示。

模糊層的作用是將輸入量進行模糊化。每一個模糊層節(jié)點對應(yīng)一個該論域中的模糊子集和隸屬函數(shù)。該層接收精確數(shù)值輸入，經(jīng)過模糊化計算得出對應(yīng)的隸屬度并輸出。

圖2 模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

輸入層、隱含層和輸出層共同構(gòu)成一個完整的神經(jīng)網(wǎng)絡(luò)。輸入層不具有運算功能，它只是將所感知的輸入值精確傳遞到神經(jīng)網(wǎng)絡(luò)中；隱含層的作用相當(dāng)于特征檢測器，提取輸入模式中包含的有效特征信息，使輸出層所處理的模式是線性可分的，該層節(jié)點是模糊神經(jīng)元，與輸入層間的連接權(quán)值是隨機設(shè)定的固定值；輸出層節(jié)點也是模糊神經(jīng)元，與隱含層之間采用全連接方式，其連接權(quán)值是可調(diào)的，作用是輸出用模糊量表示的結(jié)果[2]。

1.3輸入層、輸出層和隱含層節(jié)點數(shù)確定

輸入層的個數(shù)代表了電路故障診斷的關(guān)鍵測試點的個數(shù)N1，輸出點為電路所具有的潛在故障模式種類數(shù)N3。

根據(jù)輸入層和輸出層的個數(shù)，隱含層節(jié)點數(shù)N2的確定有以下4種經(jīng)驗公式[3]：

（1）

（為0～10之間的常數(shù)）（2）

（為0～10之間的常數(shù)）（3）

（4）

2模糊數(shù)學(xué)和神經(jīng)網(wǎng)絡(luò)的算法介紹

2.1模糊數(shù)學(xué)和隸屬度函數(shù)

模糊數(shù)學(xué)的作用是對測試點測得的電壓信號進行特征提取——模糊化處理。因為在模擬電路測試中，參數(shù)值會隨著故障原因的不同和故障階段不同而發(fā)生變化，所以在進行數(shù)據(jù)處理時常用方法是使用精確事實規(guī)則。即用正態(tài)分布函數(shù)作為隸屬度函數(shù)表示“大約為a”的模糊概念，此外還有如三角分布和梯形分布等[4]。在使用中，正態(tài)分布使用較多，其中的a是該測試點的理想狀態(tài)工作點，b為該測試點在各種可能狀態(tài)下的工作電壓均方差。

2.2BP神經(jīng)網(wǎng)絡(luò)與算法

圖3BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)圖

反向傳播網(wǎng)絡(luò)（Back-Propagation Network，簡稱BP網(wǎng)絡(luò)），是一種有隱含層的多層前饋網(wǎng)絡(luò)。每一層均有一個或多個神經(jīng)元節(jié)點，信息從輸入層依次經(jīng)各隱含層向輸出層傳遞，層間的連接關(guān)系強弱由連接權(quán)值W來表征。BP算法是一種監(jiān)督的學(xué)習(xí)，基本原理是梯度最速下降法，中心思想是調(diào)整權(quán)值使網(wǎng)絡(luò)總誤差最小。通過連續(xù)不斷地在相對于誤差函數(shù)斜率下降的方向上計算網(wǎng)絡(luò)權(quán)值和偏差值的變化而逐漸逼近目標的。每一次權(quán)值和偏差的變化都與網(wǎng)絡(luò)的誤差的影響成正比，并以反向傳播的方式傳遞到每一層。BP網(wǎng)絡(luò)模型結(jié)構(gòu)如圖3所示。

以BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)圖為例進行BP算法推導(dǎo)，其輸入為P，輸入神經(jīng)元有r個，隱含層內(nèi)有s1個神經(jīng)元，激活函數(shù)為F1，輸入層內(nèi)有s2個神經(jīng)元，對應(yīng)的激活函數(shù)為F2，輸出為A，目標矢量為T。

1）隱含層輸出：（i=1，2，…，s1）（5）

2）輸出層輸出： （k=1，2，…，s2） （6）

3）定義誤差函數(shù)：（7）

4）輸入層的權(quán)值變化量：（8）

其中：

同理可得：（9）

5）隱含層權(quán)值變化有： （10）

其中：

同理： （11）

BP網(wǎng)絡(luò)經(jīng)常使用的是S型的對數(shù)、正切激活函數(shù)或線性函數(shù)[5]。

3電路故障診斷算法驗證

圖4 共集-共射電路的直流通路圖

例：如圖4所示的直流通路圖，電阻的標稱值如圖中所注。利用Multism軟件在直流狀態(tài)下進行多次Monte Carlo分析仿真該電路[6]，并考慮電阻的容差影響，取40個樣本作為模糊神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，另取5個樣本為測試樣本。設(shè)電阻R1～R5的容差值為-5%～5%。測試點選為A、B、C、D和E五點，所測電壓值為VA、VB、VC、VD和VE。

表1 部分電路實驗樣本原始數(shù)據(jù)

表2 測試樣本原始數(shù)據(jù)

表1列舉了40組電路實驗樣本原始數(shù)據(jù)的11組，包含了該電路在11種工作狀態(tài)下的五個關(guān)鍵點電壓值，所以N1=5，N2=11，隱含層的節(jié)點數(shù)可以依據(jù)公式2.3確定為12個，其中a為5。

表2則列舉了5組測試樣本的原始數(shù)據(jù)。

步驟一：數(shù)據(jù)模糊化

根據(jù)用正態(tài)分布函數(shù)作為隸屬度函數(shù)表示“大約為a”模糊概念的思路，可以分別得到各測試點上電壓隸屬度函數(shù)的參數(shù)值。

a1=5.57、a2=4.97、a3=4.9、a4=5.7和a5=5.69以及b1=4.3729、b2=4.4817、b3=3.9091、b4=4.2870和b5=3.7944。

由各測試點的隸屬度函數(shù)可得到網(wǎng)絡(luò)的訓(xùn)練樣本見表3。

表3 神經(jīng)網(wǎng)絡(luò)部分輸入、輸出訓(xùn)練樣本

步驟二：將訓(xùn)練樣本輸入神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練

將全部40個原始值和模糊化值的輸入樣本和對應(yīng)的輸出樣本分別輸入BP神經(jīng)網(wǎng)絡(luò)中進行訓(xùn)練。

步驟三：將測試樣本輸入神經(jīng)網(wǎng)絡(luò)進行檢測

將全部5個原始值和模糊化值的輸入樣本和對應(yīng)的輸出樣本分別輸入已經(jīng)訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)中，輸出診斷結(jié)果見表4。

表4 輸出診斷結(jié)果

表4中的數(shù)據(jù)是經(jīng)過故障診斷后得到的結(jié)果，在此只是各隨機選用了一組數(shù)據(jù)加以比較說明。通過對故障診斷的試驗觀察和結(jié)果的比較可以作出以下分析。

1）模糊化數(shù)據(jù)能夠有效減少神經(jīng)網(wǎng)絡(luò)的收斂次數(shù)。如在BP網(wǎng)絡(luò)診斷中，使用模糊化數(shù)據(jù)的迭代次數(shù)由886減少到263次，收斂速度明顯加快；

2）模糊化數(shù)據(jù)能夠有效提高神經(jīng)網(wǎng)絡(luò)訓(xùn)練的效果。通過表4中數(shù)據(jù)的對比可以發(fā)現(xiàn)對于相同的神經(jīng)網(wǎng)絡(luò)，經(jīng)過模糊化數(shù)據(jù)的訓(xùn)練，其準確性更高。這主要表現(xiàn)在電路所對應(yīng)的狀態(tài)結(jié)果普遍高于未經(jīng)模糊化數(shù)據(jù)訓(xùn)練的網(wǎng)絡(luò)得出的結(jié)果；同時，其他狀態(tài)對應(yīng)的機率更低，皆低于0.1，且更多值為0，說明數(shù)據(jù)模糊化能使神經(jīng)網(wǎng)絡(luò)的診斷結(jié)果更集中，正確率更高，有效性更加明顯。

4結(jié)論

通過分別采用BP網(wǎng)絡(luò)和模糊BP網(wǎng)絡(luò)建立了電路故障診斷模型，對電路相同工作狀態(tài)參數(shù)的診斷結(jié)果進行比較，得出了模糊數(shù)學(xué)對提高電路故障診斷模型精度和有效性效果明顯的結(jié)論。模糊數(shù)學(xué)和神經(jīng)網(wǎng)路理論的組合有效地提高了模擬電路故障診斷模型的收斂速度，提高了故障診斷的工作效率，還提高了診斷的準確性，有效性得到了充分顯示。

參考文獻

[1] 呂律，魏蛟龍.基于模糊神經(jīng)網(wǎng)絡(luò)的板級電路故障診斷研究[J].計算機與數(shù)字工程，2003（3）:21-23.

[2] 李國勇.智能預(yù)測控制及其MATLAB實現(xiàn)[M].北京:電子工業(yè)出版社，2010.

[3] MATLAB中文論壇.MATLAB神經(jīng)網(wǎng)絡(luò)30個案例分析[M].北京:北京航空航天大學(xué)出版社，2010.

[4] 朱大奇.電子設(shè)備故障診斷原理與實踐[M].北京:電子工業(yè)出版社，2004.

第3篇：神經(jīng)網(wǎng)絡(luò)隱含層的作用范文

[關(guān)鍵詞]人力資源管理；人力資源需求預(yù)測；BP神經(jīng)網(wǎng)絡(luò)

[中圖分類號]F270.7[文獻標識碼]A[文章編號]2095-3283（2013）01-00-02

一、 應(yīng)用BP神經(jīng)網(wǎng)絡(luò)的必要性

隨著經(jīng)濟全球化和信息技術(shù)的加快發(fā)展，我國企業(yè)面臨著更為嚴峻的競爭壓力。為了適應(yīng)現(xiàn)代市場需求，企業(yè)必須優(yōu)化配置人力資源，并科學(xué)制定人力資源規(guī)劃。其中，科學(xué)的人力資源需求預(yù)測是人力資源開發(fā)和規(guī)劃的基礎(chǔ)，對人力資源管理活動將產(chǎn)生持續(xù)和重要的影響。

企業(yè)人力資源需求預(yù)測分析方法多種多樣。在進行人力資源需求預(yù)測時，企業(yè)要考慮的因素復(fù)雜多變，如企業(yè)的目標和經(jīng)營戰(zhàn)略、生產(chǎn)狀況的變化、工作設(shè)計或組織結(jié)構(gòu)的變化等，而且各種影響因素與預(yù)測結(jié)果之間的相關(guān)性難以用定量的方法表示出來，是非線性相互制約的映射關(guān)系。將BP神經(jīng)網(wǎng)絡(luò)方法應(yīng)用于人力資源需求預(yù)測領(lǐng)域，彌補和改進了人力資源需求預(yù)測分析方法，能較好地實現(xiàn)各指標與需求結(jié)果之間非線性關(guān)系的映射，對企業(yè)人力資源決策具有一定的參考和指導(dǎo)作用。

二、BP神經(jīng)網(wǎng)絡(luò)的基本原理

人工神經(jīng)網(wǎng)絡(luò)，簡稱神經(jīng)網(wǎng)絡(luò)，是一種包括許多簡單的非線性計算單元或聯(lián)結(jié)點的非線性動力系統(tǒng)，是用大量簡單的處理單元廣泛連接組成的復(fù)雜網(wǎng)絡(luò)。Back-Propagation Network，簡稱為BP網(wǎng)絡(luò)，即基于誤差反向傳播算法的多層前饋網(wǎng)絡(luò)，是目前應(yīng)用最成功和廣泛的人工神經(jīng)網(wǎng)絡(luò)。它由輸入層、隱含層和輸出層組成。隱含層可以是一層或多層。BP神經(jīng)網(wǎng)絡(luò)自身具有的非線性映射、自學(xué)習(xí)、自適應(yīng)能力、容易實現(xiàn)并行計算等優(yōu)點，彌補和改進了供應(yīng)商選擇和評價方法，能較好地實現(xiàn)各指標與評價結(jié)果之間非線性關(guān)系的映射。

基于BP神經(jīng)網(wǎng)絡(luò)，構(gòu)建供應(yīng)商的選擇評價模型，其基本思想為：假設(shè)輸入變量為X=（X1，X2，···，Xi）'，隱含層輸出變量為Y=（Y1，Y2，···，Yj）'，輸出層變量為Z=（Z1，Z2，···，Zl）'，期望輸出的目標變量為T=（T1，T2，···，Tl）'，Wij、Wjl分別為輸入層到隱含層、隱含層到輸出層的連接權(quán)值（如圖1所示）。對于i個輸入學(xué)習(xí)樣本X1，X2，···，Xi，已知與其對應(yīng)的輸出樣本為Z1，Z2，···，Zl。通過BP算法的學(xué)習(xí)，沿著負梯度方向不斷調(diào)整和修正網(wǎng)絡(luò)連接權(quán)值Wij和Wjl，使網(wǎng)絡(luò)的實際輸出Z逐漸逼近目標矢量T，也就是使網(wǎng)絡(luò)輸出層的誤差平方和達到最小。

圖1三層BP網(wǎng)絡(luò)結(jié)構(gòu)圖三、BP神經(jīng)網(wǎng)絡(luò)在企業(yè)人力資源需求預(yù)測中的應(yīng)用

根據(jù)上述BP神經(jīng)網(wǎng)絡(luò)主要思想，以A公司為例，分析如何運用MATLAB工具箱實現(xiàn)基于BP神經(jīng)網(wǎng)絡(luò)的企業(yè)人力資源需求預(yù)測。

1.樣本數(shù)據(jù)處理

選取年份、產(chǎn)值、資產(chǎn)總計、利潤4個指標作為輸入向量，從業(yè)人員作為目標向量（見表1）。在對BP網(wǎng)絡(luò)進行訓(xùn)練前，應(yīng)該對數(shù)據(jù)進行歸一化處理，使那些比較大的輸入仍落在傳遞函數(shù)梯度大的地方。本例采用MATLAB工具箱中的premnmx（）函數(shù)把數(shù)據(jù)歸一到[-1，1]之間，如表2所示。

對于BP網(wǎng)絡(luò)，有一個非常重要的定理。即對于任何在閉區(qū)間內(nèi)的一個連續(xù)函數(shù)都可以用單隱層的BP網(wǎng)絡(luò)逼近，因而一個三層BP網(wǎng)絡(luò)就可以完成任意的n維到m維的映射。本例采用單隱層的BP網(wǎng)絡(luò)進行從業(yè)人員預(yù)測。由于輸入樣本為4維的輸入向量，因此，輸入層一共有4個神經(jīng)元，網(wǎng)絡(luò)只有1個輸出數(shù)據(jù)，則輸出層只有1個神經(jīng)元。隱含層神經(jīng)元個數(shù)根據(jù)最佳隱含層神經(jīng)元數(shù)經(jīng)驗公式取15個。因此，網(wǎng)絡(luò)應(yīng)該為4×15×1的結(jié)構(gòu)。隱含層神經(jīng)元的傳遞函數(shù)為S型正切函數(shù)tansig（），輸出層神經(jīng)元的傳遞函數(shù)為線性激活函數(shù)purelin（）。

3.BP網(wǎng)絡(luò)訓(xùn)練及仿真

建立網(wǎng)絡(luò)后，對表2中的數(shù)據(jù)進行訓(xùn)練，訓(xùn)練參數(shù)的設(shè)定如表3所示，其他參數(shù)取默認值。

訓(xùn)練次數(shù)12100012目標誤差120.00112學(xué)習(xí)速率120.01訓(xùn)練結(jié)果如圖1所示，可見經(jīng)過52次訓(xùn)練后，網(wǎng)絡(luò)的目標誤差達到要求。

圖1訓(xùn)練結(jié)果網(wǎng)絡(luò)訓(xùn)練結(jié)束后，運用MATLAB工具箱中的sim（）函數(shù)，將經(jīng)過歸一化后的數(shù)據(jù)表2進行仿真模擬，獲得網(wǎng)絡(luò)的輸出，然后將運算結(jié)果通過postmnmx（）函數(shù)進行反歸一化處理，得到BP網(wǎng)絡(luò)預(yù)測值，最后檢查BP網(wǎng)絡(luò)預(yù)測值和實際從業(yè)人員數(shù)之間的誤差是否符合要求，如表4所示。

4.預(yù)測結(jié)果評價

圖2反映了該BP網(wǎng)絡(luò)較好地逼近了輸入矢量，即年份、產(chǎn)值（萬元）、資產(chǎn)總計（萬元）和利潤（萬元）與目標矢量，即從業(yè)人員（人）之間的線性關(guān)系。用BP神經(jīng)網(wǎng)絡(luò)對現(xiàn)有人力資源狀況進行分析擬合，是人力資源需求預(yù)測的較理想方法。與傳統(tǒng)的人力資源需求預(yù)測方法相比，將BP神經(jīng)網(wǎng)絡(luò)用于人力資源需求預(yù)測，克服了輸入矢量和目標矢量非線性、不符合統(tǒng)計規(guī)律的問題。BP神經(jīng)網(wǎng)絡(luò)模型良好的容錯和自學(xué)習(xí)能力，調(diào)用MATLAB工具箱函數(shù)，使預(yù)測過程更易實現(xiàn)，可以更好地對人力資源進行規(guī)劃，提高人力資源預(yù)測精度。

圖2BP神經(jīng)網(wǎng)絡(luò)的函數(shù)逼近結(jié)果將BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于企業(yè)人力資源需求預(yù)測，能較好地建立起各影響因素與預(yù)測結(jié)果之間的非線性關(guān)系，是企業(yè)預(yù)測人力資源需求的一種較理想的方法。但BP神經(jīng)網(wǎng)絡(luò)也存在著一些不足和問題。主要表現(xiàn)在學(xué)習(xí)速率太小可能會造成訓(xùn)練時間過長；BP算法可以使權(quán)值收斂到某個值，但并不能保證其為誤差平面的全局最小值；網(wǎng)絡(luò)隱含層的層數(shù)和單元數(shù)的選擇一般是根據(jù)經(jīng)驗或者通過反復(fù)實驗確定，網(wǎng)絡(luò)往往存在很大的冗余性，在一定程度上也增加了網(wǎng)絡(luò)學(xué)習(xí)的負擔(dān)。因此，BP神經(jīng)網(wǎng)絡(luò)在企業(yè)人力資源需求預(yù)測領(lǐng)域的應(yīng)用仍需根據(jù)企業(yè)自身實際情況做進一步的改進和完善。

[參考文獻]

[1]飛思科技產(chǎn)品研發(fā)中心神經(jīng)網(wǎng)絡(luò)理論與MATLAB7實現(xiàn)[M]北京：電子工業(yè)出版社，2005.

[2]（美）海金（Simon Haykin）神經(jīng)網(wǎng)絡(luò)原理（原書第2版）[M]葉世偉，史忠植譯北京：機械工業(yè)出版社，2004.

[3]叢爽面向MATLAB工具箱的神經(jīng)網(wǎng)絡(luò)理論與應(yīng)用[M]中國科學(xué)技術(shù)大學(xué)出版社，1998.

[4]劉躍基于BP神經(jīng)網(wǎng)絡(luò)的人力資源估價研究[J]統(tǒng)計與信息論壇，2007（1）：96-99.

[5]艷明四種人力資源的定量預(yù)測方法及評述[J]統(tǒng)計與決策，2008（7）：30-32.

[6]國家統(tǒng)計局固定資產(chǎn)投資統(tǒng)計司，中國行業(yè)企業(yè)信息中心中國大型房地產(chǎn)與建筑業(yè)企業(yè)年鑒[M]北京：中國大地出版社，2003-2008.

[7]王文富企業(yè)人力資源預(yù)測與規(guī)劃研究[D]天津大學(xué)，2004.

第4篇：神經(jīng)網(wǎng)絡(luò)隱含層的作用范文

關(guān)鍵詞：短期負荷預(yù)測；神經(jīng)網(wǎng)絡(luò)；遺傳算法

作者簡介：黃國棟（1976-），男，廣東陽江人，廣東電網(wǎng)湛江供電局，工程師。（廣東 湛江 524005）

中圖分類號：TM714 文獻標識碼：A 文章編號：1007-0079（2014）06-0261-02

電力短期負荷預(yù)測是對未來一周以內(nèi)（通常為一周或一天）的負荷進行預(yù)測。短期負荷預(yù)測在電網(wǎng)運行實時控制和發(fā)電規(guī)劃中具有重要地位，短期負荷的預(yù)測結(jié)果是調(diào)度中心制定發(fā)電計劃、電力系統(tǒng)運行安全評估、電力企業(yè)日常經(jīng)營管理的重要依據(jù)。[1]在當(dāng)前電力系統(tǒng)市場化形勢下，提高負荷預(yù)測精度對于電力系統(tǒng)的經(jīng)濟運行、合理制定機組檢修計劃和進行電力需求管理等具有重要意義。

一、電力系統(tǒng)負荷變化的特點及預(yù)測方法

電力系統(tǒng)負荷變化受到很多因素的影響。一方面，負荷變化存在由未知不確定因素引起的隨機波動；另一方面，具有周期變化的規(guī)律性，這也使得負荷曲線具有相似性；同時，由于受天氣、節(jié)假日等特殊情況的影響，負荷變化又會體現(xiàn)出差異性。[2]整體上講，負荷曲線是與很多因素相關(guān)而且難以用數(shù)學(xué)公式表達的非線性函數(shù)。

相對于早期的統(tǒng)計技術(shù)法和專家系統(tǒng)法，神經(jīng)網(wǎng)絡(luò)的優(yōu)點在于它不依靠專家經(jīng)驗，只利用觀察到的數(shù)據(jù)，可以在訓(xùn)練過程中通過學(xué)習(xí)來逼近任意的非線性輸入/輸出關(guān)系，因此，將神經(jīng)網(wǎng)絡(luò)方法應(yīng)用于電力負荷預(yù)測有著明顯的優(yōu)勢。但是，神經(jīng)網(wǎng)絡(luò)存在兩個主要問題：收斂速度慢和容易陷入局部極小點。因此，本文采用遺傳算法優(yōu)化人工神經(jīng)網(wǎng)絡(luò)，建立電力短期負荷預(yù)測模型，并將結(jié)合廣東省某城市的電力負荷的實際情況對預(yù)測方法進行探討和研究。

二、人工神經(jīng)網(wǎng)絡(luò)模型

BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)模型中的所有神經(jīng)元按照功能一般分成三層（輸入層、隱含層和輸出層），各層順次連接。[3]其三層模型拓撲結(jié)構(gòu)如圖1所示。

BP算法的學(xué)習(xí)過程分為正向傳播過程和反向傳播過程兩個階段。

1.正向傳播過程

輸入信息從輸入層經(jīng)隱含層逐層計算各單元的實際輸出值，各神經(jīng)元的狀態(tài)只對下一層神經(jīng)元的狀態(tài)產(chǎn)生影響。設(shè)BP網(wǎng)絡(luò)的輸入層有n1個節(jié)點，隱含層有n2個節(jié)點，輸出層有n3個節(jié)點，輸入為xi，輸入層與隱含層之間的權(quán)值為wki，隱含層與輸出層之間的權(quán)值為wjk；隱含層的閾值為bk，輸出層的閾值為bj；隱含層的傳遞函數(shù)為f1（·），輸出層的傳遞函數(shù)為f2（·）。則隱含層節(jié)點輸出zk和輸出層節(jié)點輸出yj分別為：

k=1，2，……n2

（1）

j=1，2，……n3

（2）

2.反相傳播過程

若網(wǎng)絡(luò)實際輸出值與期望值之差，即誤差超出允許值，則逆向逐層修正連接權(quán)值。設(shè)BP網(wǎng)絡(luò)有P個輸入樣本，采用平方型誤差函數(shù)，于是得到全局誤差為：

（3）

式中：為第p個樣本的實際輸出，為期望輸出。

采用累計誤差BP算法依次調(diào)整輸出層權(quán)值wjk和隱含層權(quán)值wki誤差使全局誤差變小，即：

（4）

（5）

式中：η為學(xué)習(xí)率。

如此往復(fù)不斷調(diào)整權(quán)值，直到使網(wǎng)絡(luò)的誤差滿足要求。

三、遺傳算法

1.遺傳算法的基本原理

遺傳算法（Genetic Algorithms，簡稱GA）是一種高度并行、自適應(yīng)全局優(yōu)化搜索方法。[4]它借鑒自然界遺傳和選擇機理，首先初始化一個種群，然后按照某種指標在每一代選取較優(yōu)個體，利用遺傳算子（選擇、交叉和變異）對這些個體進行組合，產(chǎn)生新一代個體，重復(fù)此過程，直到滿足優(yōu)化準則為止。遺傳算法是基于對生物遺傳和進化過程的計算機模擬，它能使各種人工系統(tǒng)具有良好的自適應(yīng)能力和優(yōu)化能力。目前，遺傳算法已經(jīng)廣泛應(yīng)用于規(guī)劃設(shè)計、組合優(yōu)化、自適應(yīng)控制、經(jīng)濟運行、模式識別、人工智能、分子生物學(xué)、故障診斷以及計算機技術(shù)等領(lǐng)域，并取得了很好的效果。

2.遺傳算法的實現(xiàn)過程

（1）將問題的解以編碼形式表示出來，并隨機生成若干個體，即初始群體。

（2）譯碼，計算目標函數(shù)得出個體適應(yīng)度值，判斷是否滿足停止條件。

（3）根據(jù)個體適應(yīng)度值的高低，應(yīng)用選擇、交叉和突變算子進行遺傳操作，產(chǎn)生下一代群體。

（4）返回步驟（2），反復(fù)執(zhí)行，直到滿足停止條件。最后，搜索到最優(yōu)個體，即問題的最優(yōu)解。[5]

3.遺傳算法優(yōu)化BP網(wǎng)絡(luò)權(quán)值、閾值

由于遺傳算法是以最大值作為優(yōu)化目標，為適應(yīng)神經(jīng)網(wǎng)絡(luò)算法的要求，將適應(yīng)度函數(shù)取反，即變?yōu)橐宰钚≈禐閮?yōu)化目標。遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)算法的步驟：

（1）構(gòu)建BP網(wǎng)絡(luò)，確定遺傳算法個體長度。

（2）生成初始種群，確定種群規(guī)模。對遺傳算法個體進行編碼，編碼由神經(jīng)網(wǎng)絡(luò)的輸入層與隱含層的連接權(quán)值、隱含層閾值、隱含層與輸出層的連接權(quán)值和輸出層閾值四部分組成。

（3）根據(jù)個體得到BP網(wǎng)絡(luò)的權(quán)值和閾值，應(yīng)用訓(xùn)練數(shù)據(jù)訓(xùn)練，得到網(wǎng)絡(luò)的輸出。計算實際輸出與期望輸出的誤差，并依據(jù)此誤差計算個體適應(yīng)度值。

（4）根據(jù)個體的適應(yīng)度進行選優(yōu)操作，選擇若干適應(yīng)度強的個體直接進入下一代，適應(yīng)度差的個體被淘汰。

（5）進行交叉、變異操作，生成下一代群體，然后返回步驟（3），直到得到最優(yōu)解。

四、實例分析

本試驗分別采用單一神經(jīng)網(wǎng)絡(luò)預(yù)測法、遺傳算法和神經(jīng)網(wǎng)絡(luò)的組合預(yù)測法，分別對廣東省某城市某一日的時負荷進行預(yù)測與分析。以該市2010年6月2日～21日和2010年6月3日～22日（只選取工作日）的整點負荷訓(xùn)練樣本集，根據(jù)6月23日各整點的時負荷數(shù)據(jù)和24日各整點的溫度與天氣，預(yù)測6月24日的時負荷。

1.數(shù)據(jù)預(yù)處理

根據(jù)神經(jīng)網(wǎng)絡(luò)的建模原理，訓(xùn)練樣本的準確性對于模型的預(yù)測準確性至關(guān)重要。由于系統(tǒng)故障、線路停電檢修、通信錯誤等原因，歷史負荷數(shù)據(jù)中經(jīng)常存在一些不良數(shù)據(jù)。這些不良數(shù)據(jù)具有很強的隨機性，會對網(wǎng)絡(luò)的預(yù)測精度和預(yù)測速度產(chǎn)生嚴重影響。因此，在建立電力短期負荷預(yù)測模型前，先對訓(xùn)練用的數(shù)據(jù)樣本進行預(yù)處理。應(yīng)用格拉布斯準則判別是否有不良數(shù)據(jù)，如果有要直接消除并以相應(yīng)的插值代替，從而提高數(shù)據(jù)的準確度和可信度。經(jīng)計算，本實例的樣本數(shù)據(jù)正常，符合實際情況。

數(shù)據(jù)歸一化方法是神經(jīng)網(wǎng)絡(luò)預(yù)測前對數(shù)據(jù)常做的一種處理方法。數(shù)據(jù)歸一化處理把所有的數(shù)據(jù)都轉(zhuǎn)化為[0，1]之間的數(shù)，其目的是取消數(shù)據(jù)間數(shù)量級差別，避免因為輸入/輸出數(shù)據(jù)數(shù)量級差別較大而造成網(wǎng)絡(luò)預(yù)測誤差較大。最后需要進行反歸一化，得到最終預(yù)測結(jié)果。[6]數(shù)據(jù)歸一化的方法主要有最大最小值法和平均數(shù)方差法。本文采用最大最小值法。

2.確定BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

考慮到該城市位于中國南端，緯度較低，影響電力負荷最主要的因素是溫度等天氣情況。采集預(yù)測日前一天每小時的負荷數(shù)據(jù)和預(yù)測日當(dāng)天各小時的溫度值（取平均值）、氣象類型（晴、陰、雨）作為預(yù)測條件。由此確定BP神經(jīng)網(wǎng)絡(luò)模型的輸入節(jié)點數(shù)為3；輸出節(jié)點數(shù)為1；隱含層節(jié)點數(shù)取8。為方便計算，將氣象類型數(shù)字化、歸一化處理，溫度值和負荷數(shù)據(jù)歸一化處理。本文采用分散式建模方法，即為一天的24小時各建立一個模型，共建立24個。分散式建模方法相對于集中建模方法（24小時用一個模型），雖然模型多，但是預(yù)測準確度高。每個整點的時負荷采用相應(yīng)的BP神經(jīng)網(wǎng)絡(luò)模型進行預(yù)測。建模工具選用matlab7.0。[7]

3.遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)

以整點負荷、溫度數(shù)據(jù)和氣象數(shù)據(jù)作為網(wǎng)絡(luò)的訓(xùn)練樣本集，應(yīng)用遺傳算法對基于單一神經(jīng)網(wǎng)絡(luò)建立的各個模型（每小時各建一個模型，共24個）進行優(yōu)化，得到每個模型近似最優(yōu)權(quán)值和閾值。應(yīng)用優(yōu)化的權(quán)值和閾值對BP神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，并保存訓(xùn)練好的網(wǎng)絡(luò)。最后，應(yīng)用訓(xùn)練好的網(wǎng)絡(luò)對各整點時負荷進行預(yù)測。

表1 2010年6月24日負荷預(yù)測值與誤差

時間 實際值 BP神經(jīng)網(wǎng)絡(luò)

方法預(yù)測 誤差/% 遺傳算法神經(jīng)網(wǎng)絡(luò)方法預(yù)測 誤差/%

0：00 404.743 412.375 1.886 397.470 -1.797

1：00 382.280 376.397 -1.539 382.009 -0.071

2：00 359.937 369.208 2.576 352.735 -2.001

3：00 355.508 352.308 -0.900 357.115 0.452

4：00 347.836 341.504 -1.820 346.528 -0.376

5：00 347.545 342.354 -1.494 346.586 -0.276

6：00 354.184 356.650 0.696 360.655 1.827

7：00 364.504 363.920 -0.160 360.123 -1.202

8：00 395.881 392.358 -0.890 390.042 -1.475

9：00 462.394 471.572 1.985 464.239 0.399

10：00 500.344 502.904 0.512 494.610 -1.146

11：00 514.415 515.950 0.298 513.479 -0.182

12：00 477.935 489.898 2.503 485.792 1.644

13：00 479.680 473.516 -1.285 472.638 -1.468

14：00 470.148 477.403 1.543 462.066 -1.719

15：00 482.950 490.302 1.522 474.556 -1.738

16：00 487.295 483.800 -0.717 486.028 -0.260

17：00 501.225 503.265 0.407 505.465 0.846

18：00 470.361 462.391 -1.694 466.165 -0.892

19：00 455.995 443.791 -2.676 463.788 1.709

20：00 493.266 494.178 0.185 494.682 0.287

21：00 489.909 498.115 1.675 486.195 -0.758

22：00 474.146 486.493 2.604 480.348 1.308

23：00 446.201 436.293 -2.221 441.855 -0.974

單一神經(jīng)網(wǎng)絡(luò)方法和遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)方法得出的預(yù)測結(jié)果見表1和圖3。從圖3中3條曲線對比可以看出，應(yīng)用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)預(yù)測模型得到的預(yù)測結(jié)果比單一神經(jīng)網(wǎng)絡(luò)的更接近實際負荷曲線。單一神經(jīng)網(wǎng)絡(luò)預(yù)測的負荷最大誤差為-2.676%，平均誤差1.408%，而用基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)預(yù)測的負荷最大誤差為-2.001%，平均誤差為1.034%，精度顯然大于單一神經(jīng)網(wǎng)絡(luò)。

五、結(jié)論

本文利用遺傳算法優(yōu)化了BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，并且應(yīng)用此模型對實際電力短期負荷進行了預(yù)測試驗分析。實證證明，遺傳算法的全局優(yōu)化搜索能力有效彌補了BP神經(jīng)網(wǎng)絡(luò)容易陷入局部極小值的缺陷，在此基礎(chǔ)上建立的預(yù)測模型的可靠性、準確性都有所增強，證明了基于遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)的短期負荷預(yù)測方法是可行的。

參考文獻：

[1]牛東曉，曹樹華，趙磊，等.電力負荷預(yù)測技術(shù)及其應(yīng)用[M].北京：中國電力出版社，2002.

[2]陳金賽，張新波.基于改進BP人工神經(jīng)網(wǎng)絡(luò)的電力負荷預(yù)測[J].杭州電子科技大學(xué)學(xué)報，2011，34（4）：173-176.

[3]田景文，高美娟.人工神經(jīng)網(wǎng)絡(luò)算法研究及應(yīng)用[M].北京：北京理工大學(xué)出版社，2006.

[4]王小平，曹立明.遺傳算法[M].西安：西安交通大學(xué)出版社，

2002.

[5]李玲純，田麗.基于遺傳算法和BP神經(jīng)網(wǎng)絡(luò)的短期電力負荷預(yù)測[J].安徽工程科技學(xué)院學(xué)報，2009，24（3）：57-60.

第5篇：神經(jīng)網(wǎng)絡(luò)隱含層的作用范文

關(guān)鍵詞： 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)； 近鄰傳播聚類算法； 隱含層； 逼近誤差

中圖分類號： TN711?34； TP398.1 文獻標識碼： A 文章編號： 1004?373X（2016）19?0016?04

Abstract： The prediction accuracy of the traditional radial basis function （RBF） neural network may result in lower algorithm efficiency and pathological numerical value due to the inappropriate random selection of the hidden layer center node， to improve the efficiency of RBF neural network， a method of using affinity propagation （AP） clustering algorithm to improve RBF neural network is proposed. The principle and modeling steps of the method are introduced. Since the adopted AP clustering algorithm belongs to the self?adapting clustering learning algorithm， it needn′t predefine the numbers of the hidden layer center nodes， and is applied to prediction without transcendental information. The AP algorithm is used for clustering iteration according the information of training sample， so as to determine the center node and node numerical value of hidden layer in RBF neural network， and solve the center dereferencing problem of RBF network. After that， all input data is taken in RBF neural network based on AP clustering algorithm for prediction. Since the use of AP algorithm needn′t predefine the clustering numbers， the proposed scheme can improve the learning accuracy and training speed of the RBF neural network. The approximate simulation experiment was performed for sine function with the proposed optimization scheme. The results show that the approximate error of the proposed scheme is only 0.005 5， and can keep good prediction accuracy under the noise of 0.3.

Keywords： radial basis function neural network； affinity propagation clustering algorithm； hidden layer； approximate error

0 引 言

RBF（Radial Basis Function）網(wǎng)絡(luò)是一種單隱含層前饋神經(jīng)網(wǎng)絡(luò)，其基本思想是在隱含層內(nèi)基函數(shù)的作用下，將輸入信息的不可分矢量變換到高維可分空間[1?3]。RBF網(wǎng)絡(luò)結(jié)構(gòu)簡單而且具備非線性逼近能力，收斂速度快。RBF網(wǎng)絡(luò)已經(jīng)廣泛應(yīng)用于函數(shù)逼近、模式識別、信號處理和控制等領(lǐng)域[4?5]。由于RBF網(wǎng)絡(luò)的輸出是線性的，隱含層的輸出是非線性的，所以對RBF網(wǎng)絡(luò)的訓(xùn)練主要針對隱含層。目前，提高RBF網(wǎng)絡(luò)性能的主要方法包括調(diào)節(jié)隱含層層數(shù)，調(diào)節(jié)隱含層的中心節(jié)點參數(shù)和寬度參數(shù)。王榮秀等利用局部保持投影的方法[6]，對用于來波到達角估計的神經(jīng)網(wǎng)絡(luò)進行降維，同時獲得了良好的估計精度和效率。郭偉等用K近鄰統(tǒng)計法估計隱含節(jié)點輸出矩陣和輸出節(jié)點輸出矩陣之間的互信息，減少相關(guān)性最小的隱含節(jié)點以優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)[7]。薛福強等通過改進的層次遺傳算法確定RBF神經(jīng)網(wǎng)絡(luò)均衡器結(jié)構(gòu)[8]，使用較少的隱含層單元獲得了信道均衡器的低誤碼率。

近鄰傳播AP算法是Frey等提出的一種新的聚類算法[9]。它因無需指定聚類數(shù)目，具有更高效的處理速度，同時也能夠得到較好的聚類結(jié)果。朱紅等提出了一種改進屬性約簡的細粒度AP算法[10]，實現(xiàn)聚類的并行處理。然而，利用AP聚類算法的優(yōu)秀特性對RBF神經(jīng)網(wǎng)絡(luò)進行優(yōu)化的文獻卻比較少見。本文使用AP算法對輸入數(shù)據(jù)進行聚類，選出聚類中心作為隱含層的中心節(jié)點，以聚類中心數(shù)作為隱含層節(jié)點數(shù)，解決了隱含層中心取值和層數(shù)確定的問題，使RBF網(wǎng)絡(luò)只需要進行一步迭代算法，就能得到輸出結(jié)果。

1 RBF網(wǎng)絡(luò)模型

RBF神經(jīng)網(wǎng)絡(luò)是由輸入層、隱含層和輸出層組成的單隱層前饋網(wǎng)絡(luò)[11?12]。其中，輸入層不會改變輸入信息的相關(guān)性，只起到傳遞作用；而隱含層單元為感受野單元，由一組徑向基函數(shù)構(gòu)成，一般為非線性函數(shù)[13]。

3 AP聚類算法優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)

目前針對RBF神經(jīng)網(wǎng)絡(luò)隱含層優(yōu)化的方法主要分為兩類：調(diào)節(jié)隱含層層數(shù)，調(diào)節(jié)隱含層的中心節(jié)點參數(shù)和寬度參數(shù)。調(diào)節(jié)隱含層層數(shù)的方法需要根據(jù)訓(xùn)練數(shù)據(jù)的先驗信息設(shè)置具體的隱含層層數(shù)，或者利用預(yù)處理的方法對輸入進行處理以消除部分相關(guān)性。當(dāng)隱含層內(nèi)的神經(jīng)元無法覆蓋所有輸入信息的數(shù)據(jù)集合時，網(wǎng)絡(luò)本身的預(yù)測精度就難以保證。調(diào)節(jié)隱含層節(jié)點參數(shù)和寬度參數(shù)的方法需要根據(jù)具體的應(yīng)用需要開發(fā)新的預(yù)處理方法，實施起來不具有普適性。在本文提出的AP算法優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)中，由于AP聚類學(xué)習(xí)算法屬于自適應(yīng)聚類學(xué)習(xí)算法，它無需事先給定隱含層中心節(jié)點的個數(shù)，只需要根據(jù)輸入樣本的信息進行聚類迭代，從而確定徑向基函數(shù)的中心點，能夠適用于不具有先驗信息的預(yù)測。

本文提出的基于AP算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)模型由兩部分組成：首先用AP算法對樣本進行初始聚類，以確定RBF神經(jīng)網(wǎng)絡(luò)的中心節(jié)點及其數(shù)目；然后將所有數(shù)據(jù)交給RBF神經(jīng)網(wǎng)絡(luò)進行預(yù)測?；贏P算法優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)模型如圖2所示。

4 仿真結(jié)果

本文以逼近正弦函數(shù)[y=sin（2πx）]為例，首先取0.01～1之間以0.01為間隔的100個數(shù)作為輸入值，然后使用AP算法選出中心節(jié)點，接著使用RBF網(wǎng)絡(luò)進行訓(xùn)練，最后取0.505～1之間以0.01為間隔的50個數(shù)作為輸入值進行預(yù)測，以輸出誤差值的最大值作為評價標準。阻尼因子設(shè)置為[λ=0.5，]中心節(jié)點數(shù)目標識為[A。][W1]為無噪聲時的誤差，[W2]為加入占空比為30%的白噪聲后的逼近誤差。表1為無噪聲環(huán)境下[P]取不同值時選擇出的中心節(jié)點和逼近誤差。

由圖4可以看出，取0.505～1區(qū)間內(nèi)以0.01為間隔的50個數(shù)作為輸入數(shù)據(jù)進行預(yù)測后得到的預(yù)測結(jié)果非常好。

圖5和圖6分別是在噪聲占空比為0.15和0.3環(huán)境下的預(yù)測結(jié)果。從這兩幅圖中可以看出在低噪聲情況下，本文提出的方案能夠很好地抑制噪聲，取得較好的預(yù)測結(jié)果。在高噪聲情況下，本文提出的方案仍然能夠獲得有效的預(yù)測結(jié)果。

從上述仿真結(jié)果可以看出，在無噪聲情況下選出的節(jié)點數(shù)越多，逼近誤差值越小，但是中心節(jié)點數(shù)增多，會導(dǎo)致隱含層層數(shù)增多，網(wǎng)絡(luò)結(jié)構(gòu)更加復(fù)雜，大大增加了訓(xùn)練時間，降低了學(xué)習(xí)速率。因此選擇適當(dāng)?shù)闹行墓?jié)點數(shù)和中心節(jié)點對RBF網(wǎng)絡(luò)非常重要。

5 結(jié) 語

RBF神經(jīng)網(wǎng)絡(luò)隱含層中心節(jié)點個數(shù)和選取方案關(guān)乎其預(yù)測精度，而現(xiàn)有中心節(jié)點的選取方案依賴于對訓(xùn)練樣本的相關(guān)性分析，使得RBF神經(jīng)網(wǎng)絡(luò)實施復(fù)雜，不具有普適性。本文利用AP聚類算法無需指定聚類個數(shù)、自適應(yīng)實現(xiàn)全局最優(yōu)聚類和聚類速度快的優(yōu)點，用AP算法確定RBF神經(jīng)網(wǎng)絡(luò)中心節(jié)點個數(shù)和數(shù)值。本文改進的RBF網(wǎng)絡(luò)不僅能夠確定隱含層的層數(shù)還能選出中心節(jié)點，訓(xùn)練速度快，解決了RBF網(wǎng)絡(luò)最重要的問題，而且不依賴于具體訓(xùn)練數(shù)據(jù)的相關(guān)程度，具有普適性。從仿真實驗可以看出，AP算法和RBF網(wǎng)絡(luò)結(jié)合后的預(yù)測結(jié)果準確度高，逼近效果好，表明AP算法能夠有效地解決RBF網(wǎng)絡(luò)隱含層優(yōu)化問題。

參考文獻

[1] 文翰，肖南峰.基于強類別特征近鄰傳播的半監(jiān)督文本聚類[J].模式識別與人工智能，2014，27（7）：646?654.

[2] 回立川，于淼，梁芷睿.應(yīng)用近鄰傳播算法改進RBF的短期負荷預(yù)測[J].電力系統(tǒng)及其自動化學(xué)報，2015，27（1）：69?73.

[3] 趙鳳嬌，賀月姣.基于改進的K?means聚類算法水下圖像邊緣檢測[J].現(xiàn)代電子技術(shù)，2015，38（18）：89?91.

[4] 黃建清，王衛(wèi)星，胡月明，等.近鄰傳播聚類無線傳感器網(wǎng)絡(luò)分簇路由算法[J].計算機工程與設(shè)計，2014，35（2）：406?410.

[5] 常瑞花.基于密集度量元的近鄰傳播聚類算法[J].微電子學(xué)與計算機，2015（5）：1?5.

[6] 王榮秀，田雨波，張貞凱.基于局部保持投影和RBF神經(jīng)網(wǎng)絡(luò)的DOA估計[J].科學(xué)技術(shù)與工程，2013，13（24）：7054?7058.

[7] 郭偉.基于互信息的RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化設(shè)計[J].計算機科學(xué)，2013，40（6）：252?255.

[8] 薛富強，葛臨東，王彬.基于改進層次遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)信道均衡器[J].計算機應(yīng)用與軟件，2010，27（5）：75?77.

[9] FREY B J， DUECK D. Clustering by passing messages between data points [J]. Science， 2007， 315（5814）： 972?976.

[10] 朱紅，丁世飛，許新征.基于改進屬性約簡的細粒度并行AP聚類算法[J].計算機研究與發(fā)展，2012，49（12）：2638?2644.

[11] 李英樂，于洪濤，劉力雄，等.基于RBF神經(jīng)網(wǎng)絡(luò)的微博消息傳播時間預(yù)測方法[J].計算機工程與設(shè)計，2013，34（11）：3815?3819.

[12] 孟軍，尉雙云.基于近鄰傳播聚類的集成特征選擇方法[J].計算機科學(xué)，2015，42（3）：241?244.

[13] 錢雪忠，趙建芳，賈志偉.基于約束投影的近鄰傳播聚類算法[J].計算機工程與科學(xué)，2014，36（3）：524?529.

[14] 邢，劉劍.基于近鄰傳播與密度相融合的進化數(shù)據(jù)流聚類算法[J].計算機應(yīng)用，2015，35（7）：1927?1932.

第6篇：神經(jīng)網(wǎng)絡(luò)隱含層的作用范文

計算機網(wǎng)絡(luò)的安全評價是計算機操作和運行過程中的一個重要的環(huán)節(jié)。影響計算機網(wǎng)絡(luò)安全的因素有很多，例如硬件、軟件設(shè)備、計算機程序、操作方式、網(wǎng)絡(luò)環(huán)境等。傳統(tǒng)的計算機網(wǎng)絡(luò)安全評價是一個線性評價的過程，不能對各種影響因素進行綜合的評價，在評價的精度上也不高。神經(jīng)網(wǎng)絡(luò)是在傳統(tǒng)評價方式上進行優(yōu)化的一種評價手段，采用了更為合理的評價標準，然后通過專家打分的方式確定各個影響因素在評價指標中所占到的比重，最后得出計算機網(wǎng)絡(luò)的安全評價。

關(guān)鍵詞：

神經(jīng)網(wǎng)絡(luò)；計算機；網(wǎng)絡(luò)安全評價；應(yīng)用

伴隨著網(wǎng)絡(luò)技術(shù)的發(fā)展，計算機網(wǎng)絡(luò)安全的影響因素也在不斷增加，病毒、系統(tǒng)漏洞、黑客入侵等多種安全隱患對計算機的功能和操作都能產(chǎn)生了極大的影響。這些影響因素之間還會相互影響，形成錯綜復(fù)雜的非線性關(guān)系，給網(wǎng)絡(luò)系統(tǒng)安全性的定量評價帶來了極大的難度。計算機網(wǎng)絡(luò)安全的傳統(tǒng)評價方式采用的是線性評價的模式，在操作上較為復(fù)雜，且精度不高，已經(jīng)無法在實際應(yīng)用中發(fā)揮有效的作用。另一種專家評價方式則帶有較強的主觀性，且對專家自身的專業(yè)素質(zhì)和工作經(jīng)驗有著較高的要求，評價的結(jié)果往往難以驗證。神經(jīng)網(wǎng)絡(luò)是近幾年發(fā)展起來的新型評價方式，它是由許多神經(jīng)元組成的，能夠?qū)W(wǎng)絡(luò)的安全性進行非線性的評價，并完成對網(wǎng)絡(luò)的簡單維護和控制，與傳統(tǒng)評價方式相比，神經(jīng)網(wǎng)絡(luò)在評價精度和效率上都有較大的提高。

1神經(jīng)網(wǎng)絡(luò)的特點及發(fā)展

神經(jīng)網(wǎng)絡(luò)的提出是在上個世紀中期。生物學(xué)家和物理學(xué)家首次嘗試將兩個學(xué)科的研究結(jié)合起來，形成了神經(jīng)網(wǎng)絡(luò)模型。這種模型是以人腦的神經(jīng)網(wǎng)絡(luò)為模板，模擬了人腦處理信息和傳遞信息的過程。通過數(shù)學(xué)學(xué)科對網(wǎng)絡(luò)的結(jié)構(gòu)、神經(jīng)元的組成等進行研究，以及生物學(xué)對神經(jīng)元的功能、作用原理等進行研究，成功模擬出了神經(jīng)網(wǎng)絡(luò)模型。這一模型的提出為神經(jīng)網(wǎng)絡(luò)在計算機安全評價方面的應(yīng)用奠定了基礎(chǔ)。上個世紀中后期，計算機領(lǐng)域的專家將神經(jīng)網(wǎng)絡(luò)的模型應(yīng)用到了計算機網(wǎng)絡(luò)安全的研究上，并在原始模型的基礎(chǔ)上，增加了模型的感知功能，并與計算機技術(shù)進行了結(jié)合，在工程學(xué)領(lǐng)域進行了應(yīng)用。神經(jīng)網(wǎng)絡(luò)模型在計算機網(wǎng)絡(luò)上的應(yīng)用能夠?qū)崿F(xiàn)對聲波的檢測和識別，并且確定目標物的精確位置。這促進了神經(jīng)網(wǎng)絡(luò)技術(shù)的進一步發(fā)展。上個世紀末，計算機專家又提出了一種新的映射網(wǎng)絡(luò)模型，利用映射中的拓撲結(jié)構(gòu)，對計算機的功能進行了模擬。1982年，生物學(xué)家對神經(jīng)網(wǎng)絡(luò)的性質(zhì)進行了更深層的研究，從而發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)是一種非線性的結(jié)構(gòu)，由此神經(jīng)網(wǎng)絡(luò)為計算機網(wǎng)絡(luò)安全的評價提供了一條新的思路。

2計算機網(wǎng)絡(luò)安全評價體系概述

計算機網(wǎng)絡(luò)安全是現(xiàn)在人們關(guān)注的重點問題之一，所謂的計算機網(wǎng)絡(luò)安全就是指通過合理的措施確保計算機中的數(shù)據(jù)信息的安全性和可靠性。計算機網(wǎng)絡(luò)安全包括兩部分的內(nèi)容，第一部分是邏輯安全,所謂的邏輯安全是指保證計算機中存儲的數(shù)據(jù)信息的完整性和安全性;第二部分是物理安全,所謂的物理安全是指要對計算機的硬件設(shè)施進行檢查，保證計算機的硬件設(shè)施、系統(tǒng)處于安全運行狀態(tài)，避免出現(xiàn)計算機硬件設(shè)施運行異常的情況。但需要注意的是計算機網(wǎng)絡(luò)安全不僅僅包括上述這些內(nèi)容，隨著網(wǎng)絡(luò)技術(shù)的不斷發(fā)展，計算機網(wǎng)絡(luò)安全還應(yīng)包括網(wǎng)絡(luò)信息共享的安全性。通過上述的分析不難發(fā)現(xiàn)，計算機網(wǎng)絡(luò)安全具有下述幾個特征。第一，計算機網(wǎng)絡(luò)安全具有一定的保密性，計算機網(wǎng)絡(luò)中傳輸?shù)臄?shù)據(jù)信息有很大一部分是需要保密的，因此為了保證網(wǎng)絡(luò)傳輸信息的安全，必須要加強計算機網(wǎng)絡(luò)安全建設(shè)；第二，計算機網(wǎng)絡(luò)安全具有一定的完整性，計算機中無論是存儲的數(shù)據(jù)還是傳輸?shù)臄?shù)據(jù)都應(yīng)保證其完整性，這樣才能滿足相應(yīng)的使用要求；第三，計算機網(wǎng)絡(luò)安全應(yīng)具有一定的可控性，計算機網(wǎng)絡(luò)安全性應(yīng)是處于可以控制的范圍內(nèi)，如果不能滿足這一要求，則會影響計算機網(wǎng)絡(luò)的使用效果。近年來，隨著科學(xué)技術(shù)的不斷發(fā)展，計算機網(wǎng)絡(luò)安全面臨的挑戰(zhàn)愈加嚴峻，在這種情況下，必須要加強對計算機網(wǎng)絡(luò)安全的重視。計算機網(wǎng)絡(luò)安全評價是實現(xiàn)網(wǎng)絡(luò)安全保護的重要環(huán)節(jié)之一，只有對網(wǎng)絡(luò)中存在的安全隱患進行有效的評估和檢測，才能有針對性地制定解決方案，從而實現(xiàn)網(wǎng)絡(luò)的安全穩(wěn)定運行。隨著評價方式的不斷豐富和評價標準的不斷完善，逐漸形成了一個完整的網(wǎng)絡(luò)安全評價體系。網(wǎng)絡(luò)安全評價體系的建立需要遵循一些基本的原則。首先是準確性原則，建立計算機網(wǎng)絡(luò)安全評價體系的根本目的就是要有效識別網(wǎng)絡(luò)中的安全隱患，確保網(wǎng)絡(luò)環(huán)境的安全可靠，評價的準確性直接影響了網(wǎng)絡(luò)安全維護的質(zhì)量。其次是獨立性，要對網(wǎng)絡(luò)安全進行評價必須要有一定的安全標準，這就需要設(shè)置一系列的評價指標，各個指標之間都應(yīng)當(dāng)是相互獨立的，不應(yīng)當(dāng)在內(nèi)容上產(chǎn)生重疊，防止指標之間的相互影響。第三是簡潔性原則，在確保評價準確的基礎(chǔ)上，要使評價的過程盡量的簡化，這樣才能提高評價的效率。第四是完善性原則，完善性就是要求指標應(yīng)當(dāng)包含對網(wǎng)絡(luò)安全性各個方面的評價，能夠從整體上反映出整個系統(tǒng)的運行狀態(tài)。最后是可行性原則，在選擇評價指標時應(yīng)當(dāng)考慮到指標能否在實際中進行操作和執(zhí)行，因此，指標的設(shè)定應(yīng)當(dāng)盡量與實際操作結(jié)合起來。

3網(wǎng)絡(luò)安全體系的設(shè)定

根據(jù)網(wǎng)絡(luò)安全的狀況可以將計算機的網(wǎng)絡(luò)安全分為四個等級，分別是安全、有風(fēng)險、有危險、非常危險。不同的安全等級可以采用不同的顏色進行標注。例如十分危險可以用紅色進行標注，表明網(wǎng)絡(luò)中存在極大的漏洞，需要立即進行處理。有危險可以用橙色進行標注，說明網(wǎng)絡(luò)中存在安全隱患，需要對網(wǎng)絡(luò)進行檢查，并進行一定的殺毒處理。有風(fēng)險可以用黃色進行標注，說明網(wǎng)絡(luò)的運行的過程中出現(xiàn)了風(fēng)險項，需要對網(wǎng)絡(luò)進行一定的檢測和調(diào)試，及時排除網(wǎng)絡(luò)中的風(fēng)險項。安全可以用綠色來表示，說明網(wǎng)絡(luò)安全狀況良好，可以進行放心的使用。用顏色來表示不同的安全狀態(tài)是一種十分直觀的表示方式，能夠方便用戶在最短的時間內(nèi)確認網(wǎng)絡(luò)的運行狀況。

4各評價指標的取值及標準化問題

計算機網(wǎng)絡(luò)安全評價由于各個指標所評價的因素不同，因此在指標的取值和標準上也有所不同。評價的方式主要有兩種，分別是定性評價和定量評價。這兩種評價方式的側(cè)重點有所不同，因此將兩項評價指標結(jié)合起來能夠更全面反映網(wǎng)絡(luò)的安全狀況。定量指標在進行取值時應(yīng)當(dāng)根據(jù)實際情況進行選取，不能對所有的定量指標采取一樣的評價指標。在進行標準化處理時則要將取值的范圍限定在0-1之間。對定性標準而言，采用專家打分的方式是較好的取值方式，不同的系統(tǒng)也要根據(jù)實際情況進行不同的等級評價。定性指標也應(yīng)當(dāng)進行一定的標準化處理。

5借助神經(jīng)網(wǎng)絡(luò)建立計算機網(wǎng)絡(luò)安全評價的必要性

與傳統(tǒng)的算法相比，神經(jīng)網(wǎng)絡(luò)算法有著明顯的優(yōu)勢，例如，有較強的學(xué)習(xí)能力，能夠進行自我調(diào)解，精確度較高等。

5.1較強的適應(yīng)性神經(jīng)網(wǎng)絡(luò)具有良好的環(huán)境適應(yīng)能力，當(dāng)其處于輸入或輸出的狀態(tài)時，可以進行自我調(diào)節(jié)從而提高計算的精度，并對計算的過程進行反饋。

5.2容錯性神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)算法相比，最大的優(yōu)勢在于它對噪音和不完善的信息具有較高的敏感度，這是由于神經(jīng)網(wǎng)絡(luò)的每一個節(jié)點對應(yīng)著網(wǎng)絡(luò)中的一個特征，當(dāng)某一個節(jié)點中輸入的信息出現(xiàn)問題時，神經(jīng)網(wǎng)絡(luò)能夠立即作出反應(yīng)。

5.3可在線應(yīng)用神經(jīng)網(wǎng)絡(luò)運行的核心環(huán)節(jié)在訓(xùn)練過程，因此在這一個階段會耗費較長的時間。一旦神經(jīng)網(wǎng)絡(luò)完成這一個階段的工作后，就能快速的獲得計算結(jié)果，從而提高了安全評價的效率，能夠在在線系統(tǒng)的應(yīng)用中獲得良好的效果。

6計算機網(wǎng)絡(luò)安全評價模型的設(shè)計

6.1輸入層輸入層的神經(jīng)元節(jié)點數(shù)量應(yīng)當(dāng)根據(jù)計算機網(wǎng)絡(luò)安全評價指標的數(shù)量來確定。例如，當(dāng)計算機安全評價模型中含有20個指標時，輸入層的神經(jīng)元指標也必須為20個。

6.2隱含層絕大多數(shù)神經(jīng)網(wǎng)絡(luò)的隱含層屬于單向隱含層。隱含層節(jié)點的數(shù)量直接決定著神經(jīng)網(wǎng)絡(luò)的性能。當(dāng)隱含層的數(shù)量過多時會導(dǎo)致神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)過于復(fù)雜，信息傳輸?shù)乃俾瘦^低。當(dāng)隱含層的節(jié)點數(shù)量較少時，神經(jīng)網(wǎng)絡(luò)的容錯能力會減弱。因此，隱含層節(jié)點的數(shù)量必須進行合理地選擇。根據(jù)實際操作的經(jīng)驗，通常隱含層的節(jié)點數(shù)量為5個時能夠起到較好的評價作用。

6.3輸出層輸出層的節(jié)點數(shù)量通常為2個，可以通過不同的組合方式來表示不同等級的網(wǎng)絡(luò)安全狀態(tài)。例如，（1，1）表示安全，（1，0）表示存在風(fēng)險，（0，1）表示存在危險，（0，0）表示非常危險。

7計算機網(wǎng)絡(luò)評價的具體步驟

計算機網(wǎng)絡(luò)評價的具體過程分為兩個步驟：首先是構(gòu)建計算機網(wǎng)絡(luò)安全評價體系，其次是使用粒子群優(yōu)化的方法對BP神經(jīng)系統(tǒng)進行優(yōu)化，改善BP神經(jīng)網(wǎng)絡(luò)自身的缺陷，提高其性能。BP神經(jīng)網(wǎng)絡(luò)的優(yōu)化方法有以下幾點：對BP神經(jīng)網(wǎng)絡(luò)的目標量、函數(shù)等進行初始化；對粒子的初始速度、初始位置、動量參數(shù)等進行設(shè)置和調(diào)整；通過粒子群的集中來完善BP神經(jīng)網(wǎng)絡(luò)的功能，對網(wǎng)絡(luò)的適應(yīng)度作出評價；對每個神經(jīng)元進行歷史適應(yīng)度與當(dāng)前適應(yīng)度的對比，若當(dāng)前的適應(yīng)度是歷史最高時，就應(yīng)當(dāng)及時保存，并將此作為評價的標準；計算每個粒子的慣性；當(dāng)粒子的位置和運動速率產(chǎn)生變化時，記錄粒子群之間的適應(yīng)度誤差，并做好相應(yīng)的記錄；對系統(tǒng)適應(yīng)度的誤差進行統(tǒng)計。

8計算機網(wǎng)絡(luò)安全評價的原理

計算機的安全評價原理是依據(jù)相關(guān)的評價標準，先確定評價的范圍和內(nèi)容，再根據(jù)網(wǎng)絡(luò)的實際運行狀況和安全狀態(tài)，對網(wǎng)絡(luò)中可能出現(xiàn)安全隱患的區(qū)域進行預(yù)測，并采取制定的標準進行評價，最終得到網(wǎng)絡(luò)安全等級。在這一過程中，合理地選擇計算機網(wǎng)絡(luò)的評價因素、建立正確的評價模型是關(guān)鍵的環(huán)節(jié)。計算機網(wǎng)絡(luò)是一個非線性的結(jié)構(gòu)，安全漏洞的出現(xiàn)具有突發(fā)性和多變性。而神經(jīng)網(wǎng)絡(luò)具有非線性的評價功能，用它來進行計算機網(wǎng)絡(luò)的安全等級評價是一種科學(xué)性較高的評價模式，能夠有效地提高評價的精度。

8.1計算機網(wǎng)絡(luò)安全評價指標體選擇計算機是一個十分復(fù)雜的體系，影響其安全等級的因素有很多，要確保安全評價的準確性就要建立起一個完善、合理的評價體系。計算機網(wǎng)絡(luò)安全評價指標的選擇應(yīng)當(dāng)從管理安全、物理安全、邏輯安全等幾個方面進行考慮，并采用專家系統(tǒng)對安全評價標準的選擇進行調(diào)整和確定，確定各個指標在最終的評價體系中所占的比重。

8.2計算機網(wǎng)絡(luò)安全指標的歸一化處理由于各個指標之間的評價方式有所不同，因此不同的指標之間是無法進行直接的比較的。為了便于進行指標之間的比較，并加快神經(jīng)網(wǎng)絡(luò)的收斂速率，需要對指標進行歸一化處理。定性指標可以通過專家打分的方式進行歸一處理，定量指標則需要經(jīng)過一定的公式計算進行歸一化處理。

8.3BP神經(jīng)網(wǎng)絡(luò)算法BP神經(jīng)網(wǎng)絡(luò)是當(dāng)前最常用的一種神經(jīng)網(wǎng)絡(luò)模型。它采用的是梯度下降的算法，可以對誤差進行反向計算，從而對網(wǎng)絡(luò)的閾值進行不斷的調(diào)整，減少計算的誤差。BP神經(jīng)網(wǎng)絡(luò)具有強大的非線性逼近能力，計算方法較為簡單，但是也有一定的缺陷，例如容易陷入局部極值，從而防止了有效的收斂，此外，BP神經(jīng)網(wǎng)絡(luò)還有全局能力不強的缺點，由于BP神經(jīng)網(wǎng)絡(luò)采用的是反向傳播的下降算法，所以收斂速度極慢。

9神經(jīng)網(wǎng)絡(luò)系統(tǒng)在計算機網(wǎng)絡(luò)安全中的應(yīng)用

計算機網(wǎng)絡(luò)具有傳遞數(shù)據(jù)、分享信息的功能，當(dāng)前已經(jīng)在眾多領(lǐng)域進行了應(yīng)用，包括商務(wù)、貿(mào)易、信息管理等。而網(wǎng)絡(luò)黑客則利用了計算機網(wǎng)絡(luò)的安全漏洞，對系統(tǒng)進行攻擊和入侵，并竊取了客戶重要的個人信息和商業(yè)信息，給用戶造成了極大的經(jīng)濟損失，并對整個社會造成惡劣影響。神經(jīng)網(wǎng)絡(luò)系統(tǒng)在計算機信息傳遞的過程中起到了過濾非法信息的作用。在網(wǎng)絡(luò)世界中，信息的傳遞是雙向的，而在神經(jīng)網(wǎng)絡(luò)的模式下，信息的輸入和輸出都要經(jīng)過神經(jīng)網(wǎng)絡(luò)的過濾作用。神經(jīng)網(wǎng)絡(luò)的三個組成部分，輸入層、輸出層、隱含層都對信息有過濾的作用，經(jīng)過三層的過濾作用，信息的安全性有了更好的保障。在這三層中，隱含層起到了關(guān)鍵性的作用。輸入的信息都要先經(jīng)過隱含層，在經(jīng)過隱含層的處理后，再通過輸出層傳出。在信息傳輸?shù)倪^程中，若發(fā)現(xiàn)信息存在異常，可以輸送回上一層進行信息的重新核對，信息重新進行上述的處理過程，直到確認信息無誤后才會輸出。神經(jīng)網(wǎng)絡(luò)系統(tǒng)的應(yīng)用極大地提高了網(wǎng)絡(luò)的安全性，從而為人們提供了一個良好的網(wǎng)絡(luò)環(huán)境。盡管神經(jīng)網(wǎng)絡(luò)系統(tǒng)有上述的這些優(yōu)點，但也存在一定的缺陷。雖然神經(jīng)網(wǎng)絡(luò)的靈活性和適應(yīng)性較強，但對缺失信息的反應(yīng)不如傳統(tǒng)算法靈敏。在神經(jīng)網(wǎng)絡(luò)中，一個節(jié)點只能反映一個網(wǎng)絡(luò)問題，一旦一個節(jié)點發(fā)生問題后，整個神經(jīng)網(wǎng)絡(luò)都會作出相應(yīng)的反應(yīng)。神經(jīng)網(wǎng)絡(luò)具有較好的延展性，可以容納多種類型的樣本數(shù)據(jù)。神經(jīng)網(wǎng)絡(luò)還具有較好的學(xué)習(xí)適應(yīng)能力，可以歸納總結(jié)運行過程中的運算規(guī)律，自動調(diào)節(jié)信息輸入輸出的形式，從而減少數(shù)據(jù)的誤差。神經(jīng)網(wǎng)絡(luò)還能在有線網(wǎng)絡(luò)中進行應(yīng)用，因此可以進行大范圍的推廣。大量的節(jié)點共同組成了神經(jīng)網(wǎng)絡(luò)，相鄰的節(jié)點之間都是相互連接的，從而確保了信息傳遞的效率。神經(jīng)系統(tǒng)能夠自動的調(diào)節(jié)節(jié)點之間的關(guān)聯(lián)，具有一定的智能化操作功能，還可以對問題進行簡單的分析。神經(jīng)系統(tǒng)的結(jié)構(gòu)較為復(fù)雜，在處理信息的過程中可以產(chǎn)生多種不同的組合類型，并從這些組合中優(yōu)選出最佳的組合方式。但這種結(jié)構(gòu)也會導(dǎo)致在信息處理的過程中一些細小的問題容易被忽視，在一定程度上影響信息處理的精度。一些復(fù)雜的數(shù)據(jù)采用神經(jīng)網(wǎng)絡(luò)的處理方法速率會十分的緩慢。在輸入信息不斷增加的過程中，計算機內(nèi)部的存儲壓力會顯著上升，進一步影響信息的處理速度。神經(jīng)網(wǎng)絡(luò)與人工智能的功能還是存在一定的差距的，在性能和結(jié)構(gòu)上還有進一步完善的空間。

10結(jié)束語

神經(jīng)網(wǎng)絡(luò)是將生物學(xué)與數(shù)學(xué)進行結(jié)合的典范，將兩個學(xué)科的優(yōu)勢充分的利用起來。神經(jīng)網(wǎng)絡(luò)在計算機網(wǎng)絡(luò)安全評價中能夠起到良好的效果，可以在未來進行進一步的推廣應(yīng)用。

參考文獻：

[1]李忠武,陳麗清.計算機網(wǎng)絡(luò)安全評價中神經(jīng)網(wǎng)絡(luò)的應(yīng)用研究[J].現(xiàn)代電子技術(shù),2014(9):11-13.

[2]鄭剛.計算機網(wǎng)絡(luò)安全評價中神經(jīng)網(wǎng)絡(luò)的應(yīng)用研究[J].網(wǎng)絡(luò)安全技術(shù)與應(yīng)用,2014(7):33-36.

第7篇：神經(jīng)網(wǎng)絡(luò)隱含層的作用范文

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)；農(nóng)用地定級；評價

0 引言

農(nóng)用地定級作為農(nóng)用地分等與估價的中間環(huán)節(jié)，是在分等對農(nóng)用地質(zhì)量區(qū)域性差異評價的基礎(chǔ)上，考慮影響土地質(zhì)量的自然因素和社會經(jīng)濟因素，根據(jù)土地管理，尤其是耕地保護管理的需要，在一定行政區(qū)內(nèi)進行的農(nóng)用地質(zhì)量綜合評定[1]。根據(jù)《農(nóng)用地定級規(guī)程》（TD/T1005-2003），農(nóng)用地定級推薦采用因素法、修正法或樣地法，在加權(quán)求和模型、幾何平均模型或復(fù)合模型求取土地評價單元總分值的基礎(chǔ)上，通過等間距法、數(shù)軸法或總分頻率曲線法進行土地級別的劃分。

傳統(tǒng)的定級方法容易受人為主觀因素影響，導(dǎo)致評價結(jié)果的不準確性，而人工神經(jīng)網(wǎng)絡(luò)的評價方法具有自學(xué)習(xí)、自組織、自適應(yīng)性的特點，正好可以解決此問題。人工神經(jīng)網(wǎng)絡(luò)（Artifical Neural Network，ANN）的評價與優(yōu)化功能在近幾年的地學(xué)研究中得到充分體現(xiàn)[2]，其中BP（Back Propagatin）人工神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用最廣泛的一類，該網(wǎng)絡(luò)在具有人工神經(jīng)網(wǎng)絡(luò)各特點的同時，還具有構(gòu)建簡單、訓(xùn)練算法豐富、映射能力強等優(yōu)點。本文嘗試運用 BP人工神經(jīng)網(wǎng)絡(luò)進行農(nóng)用地定級，利用這種非線性定量分析的方法不僅可以減少人為確定權(quán)重的主觀性和模糊性，同時還可以精簡評價過程。

1 研究區(qū)概況

嘉魚縣位于湖北東南部，長江中游南岸。地跨東經(jīng)113°39′-114°22′，北緯29°48′-30°19′，縣境地形狹長，全境長85km，寬5.7-17.9km。地屬長江沖積平原，地面高程都在18-26m之間。屬亞熱帶濕潤型季風(fēng)氣候，具有四季分明、氣候溫和、濕度較大、日照充足、雨熱同季、無霜期長等特點。境內(nèi)平原與丘崗氣候亦無明顯區(qū)別。

嘉魚縣國土面積為101842.36hm2。其構(gòu)成是：農(nóng)用地面積74，885hm2，占總面積73.53%，其中耕地面積為32，944.26hm2，占總面積32.35%；建設(shè)用地面積10，462.7hm2，占總面積的10.27%，其中居民點及工礦用地5，254.72hm2，占總面積5.16%，未利用地16，494.66hm2，占總面積16.20%。

2 研究方法與模型

2.1 BP人工神經(jīng)網(wǎng)絡(luò)

BP（Back Propagatin）人工神經(jīng)網(wǎng)絡(luò)是目前世界上研究最深入、應(yīng)用最廣泛的人工神經(jīng)網(wǎng)絡(luò)模型。該網(wǎng)絡(luò)一般由輸入層、隱含層（或稱中間層）和輸出層三層構(gòu)成；層內(nèi)的單元不發(fā)生聯(lián)系，層間的單元間通過輸入數(shù)據(jù)及其對應(yīng)的權(quán)重值相互連接。信息由輸入層進入網(wǎng)絡(luò)后，傳到隱含層單元，經(jīng)過響應(yīng)傳遞函數(shù)（一般取Sigmoid 函數(shù)），再傳到輸出層并計算輸出值。之后網(wǎng)絡(luò)將應(yīng)有的輸出與實際輸出進行比較，通過反向傳播誤差，修正與基本單元相連接的各輸入量的權(quán)重，并重新計算輸出、進行比較。通過信息傳遞、輸出、比較、反饋的連續(xù)反復(fù)訓(xùn)練，使模擬誤差逐步降低直至低于規(guī)定要求[4]。

2.2 建立定級模型

根據(jù)對BP人工神經(jīng)網(wǎng)絡(luò)的分析，農(nóng)用地定級評價的BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)如圖1所示：

由模型結(jié)構(gòu)圖可以看出，模型由三層神經(jīng)元組成：輸入層、隱含層和輸出層。其中輸入層神經(jīng)元是經(jīng)過標準化處理后的農(nóng)用地定級評價基礎(chǔ)指標；輸出層神經(jīng)元是農(nóng)用地定級評價的結(jié)果，即農(nóng)用地定級級別；而隱含層的神經(jīng)元數(shù)目的多少則是對整個網(wǎng)絡(luò)能否正常工作具有重要意義，所以科學(xué)地、自動地確定隱含層節(jié)點數(shù)目是極其重要的。

2.2.1 確定隱含層節(jié)點數(shù)

從原理上說, 一個在輸入層上具有m個神經(jīng)元，隱含層具有（2m+1）個神經(jīng)元，輸出層具有n個神經(jīng)元的三層網(wǎng)絡(luò)，可以精確地實現(xiàn)任意給定的連續(xù)的映射。因此，每當(dāng)創(chuàng)建一個新的人工神經(jīng)網(wǎng)絡(luò)模型時，可以從這（2m+1）個隱層節(jié)點入手進行篩選，根據(jù)前人經(jīng)驗[6~9]可以依據(jù)以下公式進行設(shè)計：

（1）

（2）

式中：m為隱層節(jié)點數(shù)；n為輸入層節(jié)點數(shù)；w為輸出層節(jié)點數(shù)；R（10）為1~10之間的常數(shù)。

2.2.2 模型建立步驟

根據(jù)圖1所示BP網(wǎng)絡(luò)，可按以下步驟建立模型：

（1）確定影響因素因子并進行數(shù)據(jù)量化處理，作為網(wǎng)絡(luò)輸入。收集研究區(qū)內(nèi)樣點資料，并進行必要的分析與檢驗，剔除不合格的樣點數(shù)據(jù)，確保樣本數(shù)據(jù)可靠。

（2）確定網(wǎng)絡(luò)結(jié)構(gòu)，即根據(jù)評估對象特性確定隱含層節(jié)點數(shù)及各層的節(jié)點數(shù)。

（3）初始化網(wǎng)絡(luò)及學(xué)習(xí)參數(shù)，即將隱含層和輸出層各節(jié)點的連接權(quán)值、神經(jīng)元閾值賦予某一區(qū)間的一個隨機數(shù)。

（4）提供訓(xùn)練樣本。即從樣本數(shù)據(jù)中，選取一部分樣本，作為網(wǎng)絡(luò)學(xué)習(xí)樣本。

（5）訓(xùn)練樣本經(jīng)過隱含層、依權(quán)值和激活函數(shù)的作用在輸出節(jié)點算得網(wǎng)絡(luò)輸出值，并計算網(wǎng)絡(luò)輸出與樣點期望輸出間的均方差，如果均方差大于給定限差，則執(zhí)行下一步（6）；如小于，則返回本步，進行下一個訓(xùn)練樣本訓(xùn)練，直到訓(xùn)練樣本集合中的每個樣本滿足輸出要求為止，即BP網(wǎng)絡(luò)學(xué)習(xí)完畢。

（6）從輸出層反向計算到第一隱含層，首先計算同一層節(jié)點的的誤差δ，然后按梯度法修正權(quán)值，再用修正后的各節(jié)點連接權(quán)值轉(zhuǎn)到第（5）步重新計算。

3 嘉魚縣農(nóng)用地定級評價

3.1 嘉魚縣農(nóng)用地定級指標體系構(gòu)建

3.1.1 農(nóng)用地定級影響因素分析

影響農(nóng)用地定級的因素主要指對農(nóng)用地質(zhì)量差異有顯著影響的自然因素、區(qū)位因素和社會經(jīng)濟因素[3]。

（1）自然因素：指對農(nóng)用地質(zhì)量有顯著影響的局部氣候差異、地形、土壤條件、水資源狀況等，主要包括溫度、降水量、蒸發(fā)量、地形部位、坡度坡向、土壤質(zhì)地、土壤pH值、土壤污染狀況、地下水埋深、水源水質(zhì)等。

（2）區(qū)位因素：指土地利用狀況、耕作便利條件和基礎(chǔ)設(shè)施條件等，主要包括灌溉保證率、排水條件、田間道路、耕作距離、田塊平整度、利用集約度、人均耕地、利用現(xiàn)狀等。

（3）社會經(jīng)濟因素：指對農(nóng)用地質(zhì)量有影響的區(qū)位條件和交通條件，主要包括中心城市影響度、農(nóng)貿(mào)市場影響度、道路通達度等。

不同地區(qū)，影響農(nóng)用地質(zhì)量的因素存在差異，在具體評估過程中，選擇定級因素應(yīng)遵循以主導(dǎo)因素為主的原則，選擇那些對農(nóng)用地質(zhì)量有顯著影響的、有較大變化范圍的主要因素，盡可能舍棄那些影響弱、或與主導(dǎo)因素存在相關(guān)關(guān)系的因素。為了便于應(yīng)用數(shù)學(xué)模型對農(nóng)用地定級評價，還必須根據(jù)各因素對農(nóng)用地質(zhì)量的影響程度大小進行量化及相應(yīng)的處理。

3.1.2 嘉魚縣農(nóng)用地定級指標體系

根據(jù)以上分析，結(jié)合《農(nóng)用地定級規(guī)程》（TD/T 1005-2003）中提供的農(nóng)用地定級備選因素因子、統(tǒng)計資料與影響因素的相關(guān)性和資料收集的難易性、以及以往土地評估經(jīng)驗和專家的建議，利用特爾菲法，最終確定選擇了自然因素、社會經(jīng)濟因素和區(qū)位因素3個方面共10個因子指標，建立了嘉魚縣農(nóng)用地定級評價指標體系，如表1：

3.2 屬性數(shù)據(jù)的標準化處理

為了統(tǒng)一數(shù)據(jù)量綱、提高數(shù)據(jù)可比性，并滿足BP模型對數(shù)據(jù)的要求，需要對所有因子指標進行量化，并根據(jù)需要對數(shù)據(jù)進行極差標準化處理，從而把所有數(shù)據(jù)轉(zhuǎn)化到0~1范圍內(nèi)[5]。經(jīng)極差標準化后的數(shù)據(jù)如表2：

3.3 定級評價過程BP網(wǎng)絡(luò)模擬

在嘉魚縣農(nóng)用地定級評價過程中，采集的樣本數(shù)總數(shù)為163，其中訓(xùn)練集樣本63個，占總數(shù)的38.7%，測試集樣本100個。利用MATLAB軟件將經(jīng)過標準化處理后的10個定級因子作為樣本的輸入值，利用63個訓(xùn)練樣本進行網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練，并進行網(wǎng)絡(luò)隱含層神經(jīng)元數(shù)的調(diào)整，最終確定隱含層神經(jīng)元數(shù)為6，即網(wǎng)絡(luò)結(jié)構(gòu)為10-6-1，程序代碼如下：

%p為樣本輸入數(shù)據(jù)；%t為目標數(shù)據(jù)

net=newff（[0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1],[6 1],{'tansig' 'purelin'},'traingdx'）；

net.trainParam.goal=0.001；

net.trainParam.epochs=10000；

net=init（net）；net=train（net,p,t）；save net10 net；

網(wǎng)絡(luò)訓(xùn)練成功，并保存網(wǎng)絡(luò)。將測試樣本輸入訓(xùn)練好的網(wǎng)絡(luò)中，輸出定級結(jié)果。神經(jīng)網(wǎng)絡(luò)輸出的結(jié)果是定級評估的量化值，而不僅是級別，級別內(nèi)部差別也可得到體現(xiàn)。如表3：

3.4 試驗結(jié)果與分析

根據(jù)神經(jīng)網(wǎng)絡(luò)計算出的評價值，可將嘉魚縣農(nóng)用地分為5級。一、二級地分別占總面積的16%和15%，分布在全縣的東南部地勢較平緩的平原地區(qū)；三級和四級地分別占總面積的31%、35%，主要分布在全縣的西北崗地區(qū)；五級地占總面積的3%，主要為自然條件和灌溉條件差、利用率低的地區(qū)。評價結(jié)果與嘉魚縣實際情況基本相符，該結(jié)果反映出嘉魚縣農(nóng)用地低等級別地較多，占農(nóng)用地總面積的六成以上。也間接反映出近年來，耕地質(zhì)量下降的問題。

4 結(jié)論

盡管BP神經(jīng)網(wǎng)絡(luò)有其自身的弱點，還有待進一步的完善。但由于神經(jīng)網(wǎng)絡(luò)具有自身適應(yīng)能力，排除了很多人為的干擾因素，從而能對農(nóng)用地定級給出一個客觀的評價。并且，人工神經(jīng)網(wǎng)絡(luò)還可以精簡評價過程，為評價工作減少不必要的冗余。通過BP網(wǎng)絡(luò)在嘉魚縣農(nóng)用地定級評價中的應(yīng)用，與嘉魚縣實際情況是基本相符合的，證明了該方法還是具有很強的實際應(yīng)用價值的。

參考文獻：

[1] 金曉斌，張鴻輝.基于模糊ISODATA聚類方法的農(nóng)用地定級研究[J].農(nóng)業(yè)工程學(xué)報，2008，24（7）:82-85.

[2] 朱紅梅，周子英.BP人工神經(jīng)網(wǎng)絡(luò)在城市土地集約利用評價中的應(yīng)用――以長沙市為例[J].經(jīng)濟地理，2009，29（5）:836-839.

[3] TD/T1005-2003.農(nóng)用地定級規(guī)程[S].

[4] 張蓬濤，楊紅.基于神經(jīng)網(wǎng)絡(luò)的基準地價預(yù)測模型研究--以河北省主要城市為例[J].中國土地科學(xué)，2000，14（5）:32-35.

[5] 劉耀林，焦利民.土地評價理論、方法與系統(tǒng)開發(fā)[M].北京: 科學(xué)出版社，2008：213-223.

[6] 趙霈生，陳百明.在土地評價中應(yīng)用人工神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的理論與實踐[J].中國土地科學(xué)，1998，12（2）:28-34.

[7] 周開利，康耀紅.神經(jīng)網(wǎng)絡(luò)模型及其MATLAB仿真程序設(shè)計[M].北京:清華大學(xué)出版社，2005：89-100.

第8篇：神經(jīng)網(wǎng)絡(luò)隱含層的作用范文

關(guān)鍵字神經(jīng)網(wǎng)絡(luò)，BP模型，預(yù)測

1引言

在系統(tǒng)建模、辨識和預(yù)測中，對于線性系統(tǒng)，在頻域，傳遞函數(shù)矩陣可以很好地表達系統(tǒng)的黑箱式輸入輸出模型；在時域，Box-Jenkins方法、回歸分析方法、ARMA模型等，通過各種參數(shù)估計方法也可以給出描述。對于非線性時間序列預(yù)測系統(tǒng)，雙線性模型、門限自回歸模型、ARCH模型都需要在對數(shù)據(jù)的內(nèi)在規(guī)律知道不多的情況下對序列間關(guān)系進行假定?？梢哉f傳統(tǒng)的非線性系統(tǒng)預(yù)測，在理論研究和實際應(yīng)用方面，都存在極大的困難。相比之下，神經(jīng)網(wǎng)絡(luò)可以在不了解輸入或輸出變量間關(guān)系的前提下完成非線性建模[4，6]。神經(jīng)元、神經(jīng)網(wǎng)絡(luò)都有非線性、非局域性、非定常性、非凸性和混沌等特性，與各種預(yù)測方法有機結(jié)合具有很好的發(fā)展前景，也給預(yù)測系統(tǒng)帶來了新的方向與突破。建模算法和預(yù)測系統(tǒng)的穩(wěn)定性、動態(tài)性等研究成為當(dāng)今熱點問題。目前在系統(tǒng)建模與預(yù)測中，應(yīng)用最多的是靜態(tài)的多層前向神經(jīng)網(wǎng)絡(luò)，這主要是因為這種網(wǎng)絡(luò)具有通過學(xué)習(xí)逼近任意非線性映射的能力。利用靜態(tài)的多層前向神經(jīng)網(wǎng)絡(luò)建立系統(tǒng)的輸入/輸出模型，本質(zhì)上就是基于網(wǎng)絡(luò)逼近能力，通過學(xué)習(xí)獲知系統(tǒng)差分方程中的非線性函數(shù)。但在實際應(yīng)用中，需要建模和預(yù)測的多為非線性動態(tài)系統(tǒng)，利用靜態(tài)的多層前向神經(jīng)網(wǎng)絡(luò)必須事先給定模型的階次，即預(yù)先確定系統(tǒng)的模型，這一點非常難做到。近來，有關(guān)基于動態(tài)網(wǎng)絡(luò)的建模和預(yù)測的研究，代表了神經(jīng)網(wǎng)絡(luò)建模和預(yù)測新的發(fā)展方向。

2BP神經(jīng)網(wǎng)絡(luò)模型

BP網(wǎng)絡(luò)是采用Widrow-Hoff學(xué)習(xí)算法和非線性可微轉(zhuǎn)移函數(shù)的多層網(wǎng)絡(luò)。典型的BP算法采用梯度下降法，也就是Widrow-Hoff算法?，F(xiàn)在有許多基本的優(yōu)化算法，例如變尺度算法和牛頓算法。如圖1所示，BP神經(jīng)網(wǎng)絡(luò)包括以下單元：①處理單元(神經(jīng)元)（圖中用圓圈表示），即神經(jīng)網(wǎng)絡(luò)的基本組成部分。輸入層的處理單元只是將輸入值轉(zhuǎn)入相鄰的聯(lián)接權(quán)重，隱層和輸出層的處理單元將它們的輸入值求和并根據(jù)轉(zhuǎn)移函數(shù)計算輸出值。②聯(lián)接權(quán)重(圖中如V,W)。它將神經(jīng)網(wǎng)絡(luò)中的處理單元聯(lián)系起來，其值隨各處理單元的聯(lián)接程度而變化。③層。神經(jīng)網(wǎng)絡(luò)一般具有輸入層x、隱層y和輸出層o。④閾值。其值可為恒值或可變值，它可使網(wǎng)絡(luò)能更自由地獲取所要描述的函數(shù)關(guān)系。⑤轉(zhuǎn)移函數(shù)F。它是將輸入的數(shù)據(jù)轉(zhuǎn)化為輸出的處理單元，通常為非線性函數(shù)。

2.1基本算法

BP算法主要包含4步，分為向前傳播和向后傳播兩個階段：

1）向前傳播階段

（1）從樣本集中取一個樣本（Xp，Yp），將Xp輸入網(wǎng)絡(luò)；

（2）計算相應(yīng)的實際輸出Op

在此階段，信息從輸入層經(jīng)過逐級的變換，傳送到輸出層。這個過程也是網(wǎng)絡(luò)在完成訓(xùn)練后正常運行時的執(zhí)行過程。

2）向后傳播階段

（1）計算實際輸出Op與相應(yīng)的理想輸出Yp的差；

（2）按極小化誤差的方式調(diào)整權(quán)矩陣。

這兩個階段的工作受到精度要求的控制，在這里取作為網(wǎng)絡(luò)關(guān)于第p個樣本的誤差測度，而將網(wǎng)絡(luò)關(guān)于整個樣本集的誤差測度定義為。圖2是基本BP算法的流程圖。

2.2動態(tài)BP神經(jīng)網(wǎng)絡(luò)預(yù)測算法

在經(jīng)典的BP算法以及其他的訓(xùn)練算法中都有很多變量，這些訓(xùn)練算法可以確定一個ANN結(jié)構(gòu)，它們只訓(xùn)練固定結(jié)構(gòu)的ANN權(quán)值（包括聯(lián)接權(quán)值和結(jié)點轉(zhuǎn)換函數(shù)）。在自動設(shè)計ANN結(jié)構(gòu)方面，也已有較多的嘗試，比如構(gòu)造性算法和剪枝算法。前一種是先隨機化網(wǎng)絡(luò)，然后在訓(xùn)練過程中有必要地增加新的層和結(jié)點；而剪枝法則正好相反。文獻[2]中提出了演化神經(jīng)網(wǎng)絡(luò)的理念，并把EP算法與BP進行了組合演化；也有很多學(xué)者把遺傳算法和BP進行結(jié)合，但這些算法都以時間復(fù)雜度以及空間復(fù)雜度的增加為代價。根據(jù)Kolmogorov定理,對于任意給定的L2型連續(xù)函數(shù)f:[0,1]nRm,f可以精確地用一個三層前向神經(jīng)網(wǎng)絡(luò)來實現(xiàn)，因而可以只考慮演化網(wǎng)絡(luò)的權(quán)值和結(jié)點數(shù)而不影響演化結(jié)果。基于此，在BP原有算法的基礎(chǔ)上，增加結(jié)點數(shù)演化因子，然后記錄每層因子各異時演化出的結(jié)構(gòu)，最后選取最優(yōu)的因子及其網(wǎng)絡(luò)結(jié)構(gòu)，這樣就可以避免由于增加或剪枝得到的局部最優(yōu)。根據(jù)實驗得知，不同的預(yù)測精度也影響網(wǎng)絡(luò)層神經(jīng)元的結(jié)點數(shù)，所以可根據(jù)要求動態(tài)地建立預(yù)測系統(tǒng)。具體步驟如下：

（1）將輸入向量和目標向量進行歸一化處理。

（2）讀取輸入向量、目標向量，記錄輸入維數(shù)m、輸出層結(jié)點數(shù)n。

（3）當(dāng)訓(xùn)練集確定之后，輸入層結(jié)點數(shù)和輸出層結(jié)點數(shù)隨之而確定，首先遇到的一個十分重要而又困難的問題是如何優(yōu)化隱層結(jié)點數(shù)和隱層數(shù)。實驗表明，如果隱層結(jié)點數(shù)過少，網(wǎng)絡(luò)不能具有必要的學(xué)習(xí)能力和信息處理能力。反之，若過多，不僅會大大增加網(wǎng)絡(luò)結(jié)構(gòu)的復(fù)雜性（這一點對硬件實現(xiàn)的網(wǎng)絡(luò)尤其重要），網(wǎng)絡(luò)在學(xué)習(xí)過程中更易陷入局部極小點，而且會使網(wǎng)絡(luò)的學(xué)習(xí)速度變得很慢。隱層結(jié)點數(shù)的選擇問題一直受到神經(jīng)網(wǎng)絡(luò)研究工作者的高度重視。Gorman指出隱層結(jié)點數(shù)s與模式數(shù)N的關(guān)系是：s＝log2N；Kolmogorov定理表明，隱層結(jié)點數(shù)s＝2n＋1（n為輸入層結(jié)點數(shù)）；而根據(jù)文獻[7]：s＝sqrt（0.43mn＋0.12nn＋2.54m＋0.77n＋0.35）＋0.51[7]。

（4）設(shè)置結(jié)點數(shù)演化因子a。為了快速建立網(wǎng)絡(luò)，可以對其向量初始化，并從小到大排序[4，7]。

（5）建立BP神經(jīng)網(wǎng)絡(luò)。隱含層傳遞函數(shù)用tansig，輸出層用logsig，訓(xùn)練函數(shù)采用動態(tài)自適應(yīng)BP算法，并制訂停止準則：目標誤差精度以及訓(xùn)練代數(shù)。

（6）初始化網(wǎng)絡(luò)。

（7）訓(xùn)練網(wǎng)絡(luò)直到滿足停止判斷準則。

（8）用測試向量對網(wǎng)絡(luò)進行預(yù)測，并記錄誤差和逼近曲線，評估其網(wǎng)絡(luò)的適應(yīng)性。其適應(yīng)度函數(shù)采取規(guī)則化均方誤差函數(shù)。

（9）轉(zhuǎn)到（5），選取下一個演化因子，動態(tài)增加隱含層結(jié)點數(shù)，直到最后得到最佳預(yù)測網(wǎng)絡(luò)。

3基于神經(jīng)網(wǎng)絡(luò)的預(yù)測原理[4]

3.1正向建模

正向建模是指訓(xùn)練一個神經(jīng)網(wǎng)絡(luò)表達系統(tǒng)正向動態(tài)的過程，這一過程建立的神經(jīng)網(wǎng)絡(luò)模型稱為正向模型，其結(jié)構(gòu)如圖3所示。其中，神經(jīng)網(wǎng)絡(luò)與待辨識的系統(tǒng)并聯(lián)，兩者的輸出誤差用做網(wǎng)絡(luò)的訓(xùn)練信號。顯然，這是一個典型的有導(dǎo)師學(xué)習(xí)問題，實際系統(tǒng)作為教師，向神經(jīng)網(wǎng)絡(luò)提供算法所需要的期望輸出。當(dāng)系統(tǒng)是被控對象或傳統(tǒng)控制器時，神經(jīng)網(wǎng)絡(luò)多采用多層前向網(wǎng)絡(luò)的形式，可直接選用BP網(wǎng)絡(luò)或它的各種變形。而當(dāng)系統(tǒng)為性能評價器時，則可選擇再勵學(xué)習(xí)算法，這時網(wǎng)絡(luò)既可以采用具有全局逼近能力的網(wǎng)絡(luò)（如多層感知器），也可選用具有局部逼近能力的網(wǎng)絡(luò)（如小腦模型控制器等）。3.2逆向建模

建立動態(tài)系統(tǒng)的逆模型，在神經(jīng)網(wǎng)絡(luò)中起著關(guān)鍵作用，并且得到了廣泛的應(yīng)用。其中，比較簡單的是直接逆建模法，也稱為廣義逆學(xué)習(xí)。其結(jié)構(gòu)如圖4所示，擬預(yù)報的系統(tǒng)輸出作為網(wǎng)絡(luò)的輸入，網(wǎng)絡(luò)輸出與系統(tǒng)輸入比較，相應(yīng)的輸入誤差用于訓(xùn)練，因而網(wǎng)絡(luò)將通過學(xué)習(xí)建立系統(tǒng)的逆模型。但是，如果所辨識的非線性系統(tǒng)是不可逆的，利用上述方法將得到一個不正確的逆模型。因此，在建立系統(tǒng)時，可逆性應(yīng)該先有所保證。

4應(yīng)用實例分析

以我國西南某地震常發(fā)地區(qū)的地震資料作為樣本來源，實現(xiàn)基于動態(tài)神經(jīng)網(wǎng)絡(luò)的地震預(yù)報。根據(jù)資料，提取出7個預(yù)報因子和實際發(fā)生的震級M作為輸入和目標向量。預(yù)報因子為半年內(nèi)M>=3的地震累計頻度、半年內(nèi)能量釋放積累值、b值、異常地震群個數(shù)、地震條帶個數(shù)、是否處于活動期內(nèi)以及相關(guān)地震區(qū)地震級。在訓(xùn)練前，對數(shù)據(jù)進行歸一化處理。由于輸入樣本為7維的輸入向量，一般情況下輸入層設(shè)7個神經(jīng)元。根據(jù)實際情況，輸出層神經(jīng)元個數(shù)為1。隱含層神經(jīng)元的傳遞函數(shù)為S型正切函數(shù)，輸出層也可以動態(tài)選擇傳遞函數(shù)。實例數(shù)據(jù)來自文獻[4]，將數(shù)據(jù)集分為訓(xùn)練集、測試集和確定集。表1中的7×7數(shù)組表示歸一化后的訓(xùn)練向量，第一個7表示預(yù)報因子數(shù)，第二個7表示樣本數(shù)。

表1歸一化后的訓(xùn)練向量

在不同神經(jīng)元數(shù)情況下，對網(wǎng)絡(luò)進行訓(xùn)練和仿真，得到如圖5所示的一組預(yù)測誤差曲線。其中，曲線A表示隱層結(jié)點數(shù)為6時的預(yù)測誤差曲線，曲線B表示隱含層結(jié)點數(shù)為3時的預(yù)測誤差曲線，曲線C表示隱含層結(jié)點數(shù)為5時的預(yù)測誤差曲線，曲線D表示隱含層結(jié)點數(shù)為4時的預(yù)測誤差曲線。將五種情況下的誤差進行對比，曲線C表示的網(wǎng)絡(luò)預(yù)測性能最好，其隱含層神經(jīng)元數(shù)為5，圖中曲線E表示的是隱含層結(jié)點數(shù)為15時的預(yù)測誤差曲線（文獻[4]中的最好結(jié)果）。同時也證明，在設(shè)計BP網(wǎng)絡(luò)時，不能無限制地增加層神經(jīng)元的個數(shù)。若過多，不僅會大大增加網(wǎng)絡(luò)結(jié)構(gòu)的復(fù)雜性，網(wǎng)絡(luò)在學(xué)習(xí)過程中更易陷入局部極小點，而且會使網(wǎng)絡(luò)的學(xué)習(xí)速度、預(yù)測速度變得很慢。

5結(jié)論

本文針對基本的BP神經(jīng)網(wǎng)絡(luò)，提出了可動態(tài)改變神經(jīng)元數(shù)（與精度相關(guān)）的BP神經(jīng)網(wǎng)絡(luò)預(yù)測方法，可以根據(jù)實際情況建立預(yù)測系統(tǒng)。用此種方法可以建立最好的神經(jīng)網(wǎng)絡(luò)，不會有多余的神經(jīng)元，也不會讓網(wǎng)絡(luò)在學(xué)習(xí)過程中過早陷于局部極小點。

參考文獻

[1]YaoX,LiuY.FastEvolutionaryProgramming.inEvolutionaryProgrammingⅤ:Proc.5thAnnu.Conf.EvolutionaryProgram,L.Fogel,P.AngelineandT.Bäck,Eds.Cambridge,MA:MITPress,1996,451-460

[2]XinYao,YongLiu,ANewEvolutionarySystemforEvolvingArtificialNeuralNetworksIEEETRANSACTIONSONNEURALNETWORKS,VOL8,NO.31997，694-714

[3]潘正君，康立山，陳毓屏.演化計算[M].北京:清華大學(xué)出版社，1998

[4]飛思科技產(chǎn)品研發(fā)中心.神經(jīng)網(wǎng)絡(luò)理論與實現(xiàn).北京:電子工業(yè)出版社，2005

[5]蔡曉芬，方建斌.演化神經(jīng)網(wǎng)絡(luò)算法.江漢大學(xué)學(xué)報，第33卷第3期，2005.9

第9篇：神經(jīng)網(wǎng)絡(luò)隱含層的作用范文

 

計算機網(wǎng)絡(luò)的快速發(fā)展和技術(shù)的廣泛應(yīng)用給人們的生產(chǎn)生活提供了便利，但同時，也帶來了一些不容忽視的安全隱患。近年來，影響計算機安全的因素很多，例如犯罪團伙利用網(wǎng)絡(luò)等高科技進行犯罪的案例屢見不鮮。對此進行嚴格防范，更好地促進計算機和互聯(lián)網(wǎng)的發(fā)展，需要對計算機網(wǎng)絡(luò)安全進行評價，建立安全、有效的計算機網(wǎng)絡(luò)評價系統(tǒng)，網(wǎng)絡(luò)安全評價體系可以對整個計算機網(wǎng)絡(luò)進行評估和分析，完善評價體系，使系統(tǒng)更準確、可靠，其中使用率最高的則是神經(jīng)網(wǎng)絡(luò)。

 

1 神經(jīng)網(wǎng)絡(luò)的概述

 

1.1 神經(jīng)網(wǎng)絡(luò)的簡介

 

神經(jīng)網(wǎng)絡(luò)又被稱為鏈接模型，它效仿了生物神經(jīng)網(wǎng)絡(luò)而建立，它以人腦的信息處理方式為基礎(chǔ)，采用建立數(shù)學(xué)模型的方式研究大腦行為結(jié)構(gòu)和生物神經(jīng)元基本特征，世界上第一個神經(jīng)網(wǎng)絡(luò)模型是由數(shù)學(xué)家和生物學(xué)家共同提出。神經(jīng)網(wǎng)絡(luò)復(fù)雜多變，它是由神經(jīng)元內(nèi)部通過大量節(jié)點進行相互連接形成的一種網(wǎng)絡(luò)結(jié)構(gòu)，其中每個神經(jīng)元都可處理信息，從而達到處理海量信息的規(guī)模。隨后，計算機學(xué)家在原有的神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)上增加了學(xué)習(xí)機制，將神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用在工程中，設(shè)計出了感知器神經(jīng)網(wǎng)絡(luò)模型，我國的計算機學(xué)家和數(shù)學(xué)家通過對神經(jīng)網(wǎng)絡(luò)的分析，展開長期的研究工作，掌握了模型的實質(zhì)，研究表明，神經(jīng)網(wǎng)絡(luò)模型適合應(yīng)用在不同的研究領(lǐng)域。

 

1.2 神經(jīng)網(wǎng)絡(luò)的功能

 

神經(jīng)網(wǎng)絡(luò)是一項人工智能系統(tǒng)，是通過生物神經(jīng)網(wǎng)絡(luò)的工作原理建立而來，它的應(yīng)用具有全方位的優(yōu)越性能。計算機神經(jīng)網(wǎng)絡(luò)系統(tǒng)還可實現(xiàn)預(yù)測功能，此功能為聯(lián)想模式的升級版，主要運用于市場和企業(yè)中，例如股票等證券市場，預(yù)測功能可對股市證券和企業(yè)的未來效益進行預(yù)測分析，基于計算機的神經(jīng)網(wǎng)絡(luò)為市場和企業(yè)的發(fā)展提供了強有力的支持。正是有這些優(yōu)越性能，神經(jīng)網(wǎng)絡(luò)系統(tǒng)在計算機網(wǎng)絡(luò)安全評價過程中，才能發(fā)揮出最大的價值。

 

2 計算機網(wǎng)絡(luò)安全概述

 

2.1 計算機網(wǎng)絡(luò)安全的簡介

 

計算機網(wǎng)絡(luò)安全是指在網(wǎng)絡(luò)環(huán)境中，采用先進的科學(xué)技術(shù)和網(wǎng)絡(luò)管理控制措施來保證計算機資料能得以安全及完整的保護。計算機網(wǎng)絡(luò)安全由邏輯安全和物理安全兩大重要部分組成：第一，計算機的邏輯安全是指其中信息數(shù)據(jù)的保密性、完整性及可用性方面的內(nèi)容;第二，物理安全包括了系統(tǒng)中的組網(wǎng)硬件和相關(guān)軟件等方面內(nèi)容，其具有可控性及可審查性等特點。在當(dāng)今的計算機網(wǎng)絡(luò)環(huán)境中，安全問題是關(guān)鍵，由于網(wǎng)絡(luò)的開放自由性導(dǎo)致信息在傳播過程中會受到硬件漏洞或者通訊協(xié)議方面的攻擊，這不僅給本地用戶帶來威脅，對國際網(wǎng)絡(luò)市場也是一種挑戰(zhàn)。

 

2.2 計算機網(wǎng)絡(luò)安全評價體系的建立

 

計算機網(wǎng)絡(luò)安全評價體系的建立是對網(wǎng)絡(luò)安全評價的一個強有力保障，該體系能全面、科學(xué)、客觀的體現(xiàn)計算機網(wǎng)絡(luò)中存在的不安全因素并且給出相對應(yīng)的解決措施，所以應(yīng)該根據(jù)多種綜合因素設(shè)立評價體系中的評價指標，從而準確地反映評價信息，計算機網(wǎng)絡(luò)安全評價系統(tǒng)的構(gòu)建原則是：第一，可行性。在計算機網(wǎng)絡(luò)安全評價體系構(gòu)建過程中，結(jié)合實際的測評條件，因地制宜，才能有效的進行測評和操作。第二，準確性。在計算機網(wǎng)絡(luò)安全評價體系的構(gòu)建過程中，應(yīng)當(dāng)對網(wǎng)絡(luò)安全的技術(shù)水平進行真實的體現(xiàn)，及時且準確的對安全信息進行監(jiān)測分析再反饋到計算機網(wǎng)絡(luò)中，使技術(shù)人員及時有效的解決產(chǎn)生的問題。第三，完備性。建立的安全評價體系，需確保所選指標對網(wǎng)絡(luò)安全基本特征有全面的反映，進而提高評價結(jié)果的真實可靠性。第四，簡要性。在選取評價指標的過程中，要選取具有代表性的，保證結(jié)果準確可靠從而降低工作量。第五，獨立性。計算機網(wǎng)絡(luò)是一個復(fù)雜多變的系統(tǒng)，在選取各項評價指標時，要避免出現(xiàn)重復(fù)選擇的情況，減少指標間的關(guān)聯(lián)度，從而客觀準確的將計算機網(wǎng)絡(luò)安全運行狀態(tài)展現(xiàn)出來。計算機安全網(wǎng)絡(luò)存在一定風(fēng)險性，在安全保護上也存在難度，遵守以上原則，在實際工作應(yīng)用中，提高計算機網(wǎng)絡(luò)的工作質(zhì)量和效率。

 

3 基于神經(jīng)網(wǎng)絡(luò)的計算機網(wǎng)絡(luò)安全評價系統(tǒng)

 

在神經(jīng)網(wǎng)絡(luò)模型中，使用最為廣泛的是BP神經(jīng)網(wǎng)絡(luò)模型，它采用最速下降法進行反向傳播，調(diào)整相關(guān)數(shù)值，將誤差降至最低。BP神經(jīng)網(wǎng)絡(luò)模型還通過誤差逆?zhèn)鞑ニ惴?，?xùn)練前饋多層網(wǎng)絡(luò)。其算法簡單，容易實現(xiàn)，具有非線性逼近能力。本文以BP神經(jīng)網(wǎng)絡(luò)為研究對象，對計算機網(wǎng)絡(luò)安全評價進行分析。

 

3.1 神經(jīng)網(wǎng)絡(luò)的計算機網(wǎng)絡(luò)安全評價模型設(shè)計

 

基于神經(jīng)網(wǎng)絡(luò)設(shè)計的計算機網(wǎng)絡(luò)安全評價模型，由3個部分組成，分別是輸入層、隱含層和輸出層：(1)輸入層。BP神經(jīng)網(wǎng)絡(luò)在設(shè)計的過程中規(guī)定輸入層神經(jīng)元節(jié)點的數(shù)量，與計算機網(wǎng)絡(luò)安全評價指標數(shù)量必須一致，所以對模型輸入層中神經(jīng)元節(jié)點的數(shù)量確定需由二級指標的數(shù)量完成。例如，在安全評價體系中設(shè)計了10個二級指標，在計算機網(wǎng)絡(luò)安全評價模型中輸入層神經(jīng)元節(jié)點數(shù)量也必須是10個。(2)BP神經(jīng)網(wǎng)絡(luò)模型在設(shè)計的過程中，采用單向隱含層，如果隱含層中的節(jié)點數(shù)過多會延長神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)時間，如果隱含層節(jié)點數(shù)的數(shù)量過少則會降低神經(jīng)網(wǎng)絡(luò)的容錯能力。所以隱含層中的節(jié)點數(shù)量對網(wǎng)絡(luò)性能有較大的影響。(3)輸出層。BP神經(jīng)網(wǎng)絡(luò)在輸出層的設(shè)計工作即反映網(wǎng)絡(luò)安全評價結(jié)果，依據(jù)輸入層的評價設(shè)計，將輸出層的節(jié)點數(shù)設(shè)為2個，則(1，1)的輸出結(jié)果表示非常安全，(1，0)的輸出結(jié)果基本安全，(0，1)的輸出結(jié)果表示不安全，(0，0)的輸出結(jié)果表示非常不安全。

 

3.2 神經(jīng)網(wǎng)絡(luò)的計算機網(wǎng)絡(luò)安全評價模型學(xué)習(xí)

 

BP神經(jīng)網(wǎng)絡(luò)在計算機網(wǎng)絡(luò)安全評價模型中需完成神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)，也就表示其在模型構(gòu)建前需進行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練工作，這使BP神經(jīng)網(wǎng)絡(luò)具有初始連接權(quán)，在完成神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)后，減少誤差值，保證安全評價結(jié)果和使用者期望值達成一致。

 

3.3 神經(jīng)網(wǎng)絡(luò)的計算機網(wǎng)絡(luò)安全評價模型驗證

 

為確保計算機網(wǎng)絡(luò)安全模型的應(yīng)用效能，在完成設(shè)計與學(xué)習(xí)工作后，對其進行驗證，首先選取樣本數(shù)據(jù)，再將樣本數(shù)據(jù)輸入到模型中，通過模型內(nèi)部檢驗分析，完成評價功能的應(yīng)用，如果輸出的安全評價結(jié)果與期望值達成一致，則說明基于神經(jīng)網(wǎng)絡(luò)的計算機網(wǎng)絡(luò)安全評價模型具有準確性，可以使用。

 

4 結(jié)語

 

隨著社會的發(fā)展，科學(xué)的進步，越來越多的先進信息技術(shù)和網(wǎng)絡(luò)技術(shù)得以應(yīng)用，計算機網(wǎng)絡(luò)是一個復(fù)雜的系統(tǒng)，其中存在一定的風(fēng)險性，計算機網(wǎng)絡(luò)的安全問題是目前亟待解決的關(guān)鍵問題。在當(dāng)前社會，神經(jīng)網(wǎng)絡(luò)技術(shù)廣泛應(yīng)用于各大領(lǐng)域，將神經(jīng)網(wǎng)絡(luò)模型與計算機網(wǎng)絡(luò)安全相結(jié)合，遵守可行性、準確性、完備性、簡要性、獨立性原則，構(gòu)建一個網(wǎng)絡(luò)安全評價體系。有利于對計算機安全管理奠定基礎(chǔ)，基于神經(jīng)網(wǎng)絡(luò)的計算機網(wǎng)絡(luò)安全評價體系能使評價結(jié)果更具真實性和可靠性，但目前的神經(jīng)網(wǎng)絡(luò)技術(shù)并不十分成熟，根據(jù)其應(yīng)用特點，將神經(jīng)網(wǎng)絡(luò)技術(shù)與其他技術(shù)相融合的發(fā)展問題，仍值得廣大學(xué)者深入研究。通過本文的分析與研究，認識到神經(jīng)網(wǎng)絡(luò)的發(fā)展及特點，針對其功能的優(yōu)越性，加大對神經(jīng)網(wǎng)絡(luò)的重視，提高安全評價體系對環(huán)境的適應(yīng)力，提升體系的容錯性，實現(xiàn)在線應(yīng)用模式，促進其在計算機網(wǎng)絡(luò)安全中的進一步完善和發(fā)展，為計算機網(wǎng)絡(luò)安全評價提供保障，使神經(jīng)網(wǎng)絡(luò)在計算機網(wǎng)絡(luò)安全評價中發(fā)揮更大的作用。