人工神經(jīng)網(wǎng)絡(luò)法精選(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人工神經(jīng)網(wǎng)絡(luò)法主題范文，僅供參考，歡迎閱讀并收藏。
第1篇：人工神經(jīng)網(wǎng)絡(luò)法范文
本方法作為水質(zhì)分析評(píng)價(jià)的方法，比起其他方法，具有算法簡(jiǎn)單，運(yùn)算速度快，受外界影響小等特點(diǎn)。
關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò)Matlab水質(zhì)評(píng)價(jià)BP
中圖分類號(hào)： TN711文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：
“人口、資源、環(huán)境”是當(dāng)今世界面臨的三大難題。人類的生存與發(fā)展從根本上依賴于水的獲取和對(duì)水的控制。
天津市蘊(yùn)藏著豐富的中、低溫地下水資源。同時(shí)，天津市作為華北地區(qū)嚴(yán)重缺水的城市，地下水資源對(duì)天津市的經(jīng)濟(jì)發(fā)展具有極其重要的作用。地下水水質(zhì)的分析評(píng)價(jià)，為資源管理提供了水質(zhì)判別的依據(jù)，是資源管理系統(tǒng)中重要的一部分。
目前，天津市的地下水水資源的分析管理工作中，水質(zhì)分析評(píng)價(jià)采用的比較多的是內(nèi)梅羅指數(shù)公式法、模糊綜合評(píng)判法、國標(biāo)法等。
1 BP人工神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介
BP (Back Propagation)神經(jīng)網(wǎng)絡(luò)是一種神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法，全稱是基于誤差反向傳播算法的人工神經(jīng)網(wǎng)絡(luò)。它的學(xué)習(xí)過程，由信息的正向傳播和誤差的反向傳播兩個(gè)過程組成。輸入層各神經(jīng)元負(fù)責(zé)接收來自外界的輸入信息，并傳遞給中間層各神經(jīng)元；中間層是內(nèi)部信息處理層，負(fù)責(zé)信息變換；最后一個(gè)隱層傳遞到輸出層各神經(jīng)元的信息，經(jīng)進(jìn)一步處理后，完成一次學(xué)習(xí)的正向傳播處理過程，由輸出層向外界輸出信息處理結(jié)果。
BP神經(jīng)網(wǎng)絡(luò)相對(duì)比其他的神經(jīng)網(wǎng)絡(luò)，具有運(yùn)算速度快，疊加性好等特點(diǎn)。
2分析方法模型建立
2.1 分析標(biāo)準(zhǔn)選擇
參照《中華人民共和國地下水質(zhì)量標(biāo)準(zhǔn)》，結(jié)合天津市水資源的實(shí)際取樣和檢測(cè)經(jīng)驗(yàn)，形成下述指標(biāo)：
表1水質(zhì)評(píng)價(jià)的要素表（單位：mg/L）
2.2 分析方法建立
分析方法基本流程如圖
圖1基本流程圖
隱含層采用正切S型神經(jīng)元，輸出層采用線性神經(jīng)元，輸入向量的維數(shù)是16，所以輸入層節(jié)點(diǎn)數(shù)確定為16個(gè)。輸出層節(jié)點(diǎn)數(shù)由輸出向量的維數(shù)決定，這里輸出節(jié)點(diǎn)數(shù)為1。據(jù)經(jīng)驗(yàn)以及反復(fù)訓(xùn)練, 隱含層節(jié)點(diǎn)數(shù)定為5。這樣就形成了一個(gè)16×5×1神經(jīng)網(wǎng)絡(luò)。
圖2BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
輸入向量為2-1，地下水質(zhì)量分類指標(biāo)，共有項(xiàng)目16，分為五個(gè)級(jí)別。輸出結(jié)果為一列。
2.3 平臺(tái)選擇
本文使用的開發(fā)平臺(tái)為MATLAB7.8(R2009a)。
2.4 算法選擇
本文選擇動(dòng)量批梯度下降函數(shù)（traingdm）來訓(xùn)練算法。它實(shí)現(xiàn)的是一種批處理的前饋神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法，它不但具有更快的收斂速度，而且引入了一個(gè)動(dòng)量項(xiàng)，有效地避免了局部最小問題在網(wǎng)絡(luò)訓(xùn)練中的出現(xiàn)。
2.5 學(xué)習(xí)訓(xùn)練和模擬
網(wǎng)絡(luò)的訓(xùn)練學(xué)習(xí)，分為如下幾步：
首先，采用指令 net=newff(minmax(p),[5,1],{'tansig','purelin'},'traingdm') 建立網(wǎng)絡(luò)。
newff()為建立BP神經(jīng)網(wǎng)絡(luò)的函數(shù)，minmax(p)表示網(wǎng)絡(luò)輸入p的取值范圍（0～1），[5,1]表示隱層節(jié)點(diǎn)數(shù)是5，輸出層節(jié)點(diǎn)數(shù)是1，{'tansig','purelin'}表示隱含層中的神經(jīng)元采用tansig轉(zhuǎn)換函數(shù)，輸出層采用purelin函數(shù)，'traingdm'表示選擇的學(xué)習(xí)算法。
權(quán)重和閾值初始化 net=init(net);給各連接權(quán)重IW{1,1}、LW{2,1}及閾值b{1}、b{2}賦予（-1,+1）間的隨機(jī)值。
然后，采用指令[net,tr]=train(net,p,t)進(jìn)行訓(xùn)練；訓(xùn)練次數(shù)1000，誤差限為10-8。采用水質(zhì)標(biāo)準(zhǔn)歸一化后的數(shù)值作為訓(xùn)練向量。訓(xùn)練結(jié)果如下：
圖3 網(wǎng)絡(luò)訓(xùn)練誤差圖
采用指令 a= sim(net,p)模擬；
訓(xùn)練結(jié)果：1.0001 1.9998 3.0001 4.0000 5.0000
這說明網(wǎng)絡(luò)已經(jīng)訓(xùn)練完畢，可以使用進(jìn)行實(shí)際應(yīng)用。
根據(jù)訓(xùn)練好的網(wǎng)絡(luò)及輸入向量進(jìn)行模擬網(wǎng)絡(luò)輸出，輸入層P為16×n的數(shù)組，將監(jiān)測(cè)數(shù)據(jù)，進(jìn)行評(píng)價(jià)歸一化后，根據(jù)訓(xùn)練好的模型進(jìn)行仿真采用指令out= sim(net,p1)，得到的結(jié)果為1×n的向量。即為樣本的評(píng)價(jià)值。然后將評(píng)價(jià)值根據(jù)大小分為不同的等級(jí)（I,II,III,IV,V），輸出為rank數(shù)組。
3實(shí)驗(yàn)結(jié)果
3.1 小量樣本對(duì)比實(shí)驗(yàn)
選取3個(gè)地點(diǎn)，使用不同方法進(jìn)行評(píng)價(jià)，水質(zhì)評(píng)價(jià)可以用礦化度和硬度這兩項(xiàng)指標(biāo)來簡(jiǎn)單的評(píng)價(jià)，因?yàn)檫@兩個(gè)指標(biāo)可以說明水質(zhì)各組分濃度大小。比較結(jié)果如下：
表2小量樣本結(jié)果
從上表中可以看出，3號(hào)樣本的礦化度和硬度這兩項(xiàng)指標(biāo)遠(yuǎn)小于其他兩個(gè)樣本，水質(zhì)情況明顯好于其他兩個(gè)樣本。這個(gè)結(jié)論與BP神經(jīng)網(wǎng)絡(luò)的評(píng)價(jià)結(jié)果是一致的，其他兩種方法不能將這3個(gè)樣本的水質(zhì)情況區(qū)分開。
從小量樣本的結(jié)果看，BP神經(jīng)網(wǎng)絡(luò)法的評(píng)價(jià)與實(shí)際的符合度較好。
3.2 大量樣本對(duì)比實(shí)驗(yàn)
分析方法是否科學(xué)，是否符合實(shí)際工作的需要，僅有小量樣本的實(shí)驗(yàn)是遠(yuǎn)遠(yuǎn)不夠的，還需要使用較大規(guī)模的數(shù)據(jù)樣本進(jìn)行實(shí)驗(yàn)。
大量樣本實(shí)驗(yàn)選取多年地下水監(jiān)測(cè)數(shù)據(jù)中隨機(jī)抽取的200組數(shù)據(jù)，代入模型，結(jié)果如下：
表3大量樣本結(jié)果
與往年數(shù)據(jù)進(jìn)行比較，結(jié)果如下：
圖4 地下水歷年評(píng)價(jià)結(jié)果對(duì)比圖
由上圖可以看出，使用BP神經(jīng)網(wǎng)絡(luò)法對(duì)水質(zhì)進(jìn)行分析評(píng)價(jià)，結(jié)果比較合理，與往年的數(shù)據(jù)相符合，結(jié)果可信。
4結(jié)論
天津市地下水資源的管理，到現(xiàn)在已經(jīng)走過了20幾年的時(shí)間，積累了大量的監(jiān)測(cè)數(shù)據(jù)，為了更好的整理分析這些數(shù)據(jù)，便于管理工作的進(jìn)行，水質(zhì)分析評(píng)價(jià)就成為了一個(gè)很好的工具。基于BP人工神經(jīng)網(wǎng)絡(luò)的水質(zhì)分析評(píng)價(jià)模型，為水質(zhì)分析評(píng)價(jià)工作提供了一個(gè)新的方向。與傳統(tǒng)的方法不同，BP神經(jīng)網(wǎng)絡(luò)法進(jìn)行水質(zhì)分析評(píng)價(jià)，更為簡(jiǎn)單，快捷，結(jié)果也與真實(shí)情況相符合。
水質(zhì)分析評(píng)價(jià)是一項(xiàng)長期、枯燥、嚴(yán)謹(jǐn)而又非常重要的工作。使用BP網(wǎng)絡(luò)法評(píng)價(jià)，現(xiàn)階段同樣存在著不足，比如不同的評(píng)價(jià)對(duì)象具有不同的影響因子，對(duì)于不同的評(píng)價(jià)對(duì)象，評(píng)價(jià)因子需進(jìn)一步更改。
本文對(duì)于地下水水質(zhì)評(píng)價(jià)方法提出一個(gè)新的研究方向，希望能夠拋磚引玉，供大家借鑒思考。
參考文獻(xiàn)：
[1]郝華.我國城市地下水污染狀況與對(duì)策研究[J].水利發(fā)展研究，2004，(3):23-25+49.
[2]盧新衛(wèi).基于人工神經(jīng)網(wǎng)絡(luò)的水質(zhì)污染綜合評(píng)價(jià)方法[J].工程勘察，1997，(6):25-26.
第2篇：人工神經(jīng)網(wǎng)絡(luò)法范文
【關(guān)鍵詞】自組織神經(jīng)網(wǎng)絡(luò)；智能建筑管理；BP神經(jīng)網(wǎng)絡(luò)
1 基于自組織神經(jīng)網(wǎng)絡(luò)技術(shù)原理
基于大規(guī)模自組織神經(jīng)網(wǎng)絡(luò)技術(shù)[1]是在自組織神經(jīng)網(wǎng)絡(luò)技術(shù)和專家系統(tǒng)的基礎(chǔ)原理運(yùn)用多層數(shù)據(jù)融合彌補(bǔ)了單循環(huán)數(shù)據(jù)在智能建筑工程管理分析數(shù)據(jù)處理的不足和邏輯的缺陷學(xué)科.多跳自組織神經(jīng)網(wǎng)絡(luò)是智能傳感器采集數(shù)據(jù)訓(xùn)練樣本仿真學(xué)習(xí)模型即自動(dòng)增速各個(gè)自組織神經(jīng)元連接權(quán)閥值與感知識(shí)別隱式分布在整個(gè)網(wǎng)絡(luò)結(jié)構(gòu)體系中實(shí)現(xiàn)自組織神經(jīng)網(wǎng)絡(luò)模式記憶與信息處理應(yīng)用.
2 基于大規(guī)模自組織神經(jīng)網(wǎng)絡(luò)在智能建筑管理中研究
2.1 基于多跳自組織神經(jīng)網(wǎng)絡(luò)在造價(jià)預(yù)測(cè)研究
基于大規(guī)模自組織BP神經(jīng)模型應(yīng)用40個(gè)高層智能建筑工程樣本訓(xùn)練并用工程實(shí)例進(jìn)行驗(yàn)證高精確性;而用大規(guī)模自組織神經(jīng)網(wǎng)絡(luò)模擬與輸入層和隱含層加入了偏置自組織神經(jīng)元來促進(jìn)學(xué)習(xí)訓(xùn)練樣本數(shù)據(jù)中有噪聲、干擾等會(huì)造成過度學(xué)習(xí)現(xiàn)象,同時(shí)采用遺傳優(yōu)化算法進(jìn)行建筑結(jié)構(gòu)優(yōu)化.基于BP神經(jīng)在智能建筑工程估價(jià)中的應(yīng)用“特征提取器”的運(yùn)算大量過去的工程資料中自動(dòng)提取工程特征與預(yù)算資料的規(guī)律關(guān)系數(shù)據(jù).
2.2 基于大規(guī)模自組織神經(jīng)網(wǎng)絡(luò)在工程管理績效評(píng)價(jià)中的應(yīng)用
運(yùn)用大規(guī)模自組織BP神經(jīng)模型對(duì)工程管理績效評(píng)價(jià)問題進(jìn)行研究建立綜合考慮工期、質(zhì)量、費(fèi)用、安全四大控制指標(biāo)的工程管理績效評(píng)價(jià)模型[2].實(shí)踐證明,基于BP神經(jīng)網(wǎng)絡(luò)在運(yùn)算工程管理績效評(píng)估模型有利于多跳自組織神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)工程工期、質(zhì)量、成本、安全與績效之間復(fù)雜的非線性關(guān)系來提高管理績效的評(píng)價(jià)數(shù)據(jù).
2.3 基于遺傳算法模型在建設(shè)工程評(píng)標(biāo)結(jié)構(gòu)優(yōu)化應(yīng)用
基于多層神經(jīng)網(wǎng)絡(luò)的工作原理是先將輸入信號(hào)傳輸?shù)较乱粚庸?jié)點(diǎn)運(yùn)算函數(shù)處理后再將該節(jié)點(diǎn)的輸出信息向下一層節(jié)點(diǎn)傳輸?shù)叫盘?hào)傳輸?shù)捷敵鰧庸?jié)點(diǎn)為止.同時(shí)運(yùn)用遺傳算法模型構(gòu)造及算法設(shè)計(jì)進(jìn)行方案優(yōu)劣排序、換位矩陣以及能量函數(shù)構(gòu)造、大規(guī)模自組織神經(jīng)元之間連接和輸出,并用實(shí)例說明了該方法的優(yōu)越性和實(shí)用性與非線性.
2.4 基于BP神經(jīng)網(wǎng)絡(luò)模型在建設(shè)工程招投標(biāo)管理應(yīng)用研究
基于BP神經(jīng)網(wǎng)絡(luò)多層數(shù)據(jù)融合多跳自組織神經(jīng)網(wǎng)絡(luò)技術(shù)原理分析自動(dòng)預(yù)測(cè)工程招投標(biāo)的招標(biāo)價(jià)格和風(fēng)險(xiǎn)因素分析以及競(jìng)標(biāo)單位資格審查等方面的應(yīng)用指出多跳自組織神經(jīng)網(wǎng)絡(luò)具有的高度并行處理和可完成復(fù)雜輸入輸出的非線性映射組合結(jié)構(gòu),不僅可以保證高的中標(biāo)率,且可避免招標(biāo)過程中不確定性因素的影響.運(yùn)用大規(guī)模自組織神經(jīng)網(wǎng)絡(luò)的工程承包招投標(biāo)報(bào)價(jià)的研究,提出了一個(gè)多因素確定高層智能建筑投標(biāo)報(bào)價(jià)的大規(guī)模自組織模型影響報(bào)高率的諸多因素,并確定了其權(quán)值即確定了用BP神經(jīng)網(wǎng)絡(luò)實(shí)施黑箱操作的樣本輸入值和目標(biāo)值再通過訓(xùn)練樣本自主調(diào)整修正輸入節(jié)點(diǎn)和輸出節(jié)點(diǎn)間的聯(lián)系得出符合各種情況要求的權(quán)值矩陣算法.
2.5 基于智能建筑算法模型研究
基于BP神經(jīng)網(wǎng)絡(luò)是以訓(xùn)練樣本算法即誤差反向傳播算法即BP神經(jīng)算法的學(xué)習(xí)過程分為信息的正向傳播和誤差的反向傳播[1],其通過訓(xùn)練樣本前一次迭代的權(quán)值和閾值來應(yīng)用神經(jīng)網(wǎng)絡(luò)技術(shù)的第一層向后計(jì)算各層大規(guī)模自組織神經(jīng)元的輸出和最后層向前計(jì)算各層權(quán)值和閾值對(duì)總誤差的梯度進(jìn)而對(duì)前面各層的權(quán)值和閾值進(jìn)行修改運(yùn)算反復(fù)直到神經(jīng)網(wǎng)絡(luò)樣本收斂 BP神經(jīng)網(wǎng)絡(luò)輸入向量為
X=( )T;隱含層輸出向量為Y=( )T;輸出層的輸出向量為O= )T;期望輸出向量為 ;輸入層到隱含層之間的權(quán)值矩陣 ,其中列向量 為隱含層第j個(gè)大規(guī)模自組織神經(jīng)元對(duì)應(yīng)的權(quán)向量;隱含層到輸入層之間的權(quán)值矩陣 ,其中列向量 為輸出層第k個(gè)大規(guī)模自組織神經(jīng)元對(duì)應(yīng)的權(quán)向量.各層信號(hào)之間的算法結(jié)構(gòu)為:
以上式中的 均為S類型函數(shù), 的導(dǎo)數(shù)方程為: （5）
神經(jīng)網(wǎng)絡(luò)輸出與期望輸出的均方誤差為: （6）
則訓(xùn)練樣本輸出層和隱含層的權(quán)值調(diào)整量分別為:
式中: 為比例系數(shù),在模型訓(xùn)練中代表學(xué)習(xí)速率.如果BP自組織神經(jīng)網(wǎng)絡(luò)有 個(gè)隱含層,各隱含層節(jié)點(diǎn)分別記為 ,各隱含層輸出分別記為 ,則各層權(quán)值調(diào)整計(jì)算公式分別如下:
輸出層
綜合上述預(yù)測(cè)分析在BP神經(jīng)學(xué)習(xí)算法運(yùn)用各層權(quán)值調(diào)整公式均由學(xué)習(xí)速率、本層輸出的誤差信號(hào)和本層輸入數(shù)字離散信號(hào)決定在訓(xùn)練樣本學(xué)習(xí)的過程受決策環(huán)境復(fù)雜程度和訓(xùn)練樣本的收斂性即需要增大樣本量來提高網(wǎng)絡(luò)技術(shù)所學(xué)知識(shí)的代表性應(yīng)注意在收集某個(gè)問題領(lǐng)域的樣本時(shí),注意樣本的全面性、代表性以及提高樣本的精確性,增大抗干擾噪聲,還可以采用其他方法收集多層訓(xùn)練樣本數(shù)據(jù).
3 結(jié)束語
自組織神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用在智能建筑管理領(lǐng)域是在多層智能傳感器等多種信息技術(shù)飛速發(fā)展的多學(xué)科交叉研究領(lǐng)域得到廣泛應(yīng)用.
參考文獻(xiàn):
[1]周小佳.電力系統(tǒng)可靠性神經(jīng)網(wǎng)絡(luò)模型及實(shí)現(xiàn)研究[D].博士學(xué)位論文,1997.
[2]胡保清等.神經(jīng)網(wǎng)絡(luò)在土木工程領(lǐng)域的應(yīng)用[J].低溫智能建筑,2004(2).
作者介紹:
第3篇：人工神經(jīng)網(wǎng)絡(luò)法范文
關(guān)鍵詞：入侵檢測(cè) 神經(jīng)網(wǎng)絡(luò) 人工魚群算法 模型參數(shù)
中圖分類號(hào)：TP18 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1674-2117（2014）20-00-01
1 前言
21世紀(jì)是網(wǎng)絡(luò)的時(shí)代，網(wǎng)絡(luò)已進(jìn)入人們的日常生活，成為人們通信和交流的工具，人們對(duì)于網(wǎng)絡(luò)的依賴也越來越強(qiáng)。
針對(duì)網(wǎng)絡(luò)入侵檢測(cè)問題，國內(nèi)外許多學(xué)者進(jìn)行了深入研究，提出了許多有效的網(wǎng)絡(luò)入侵檢測(cè)模型。在網(wǎng)絡(luò)入侵檢測(cè)過程，網(wǎng)絡(luò)入侵分類器設(shè)計(jì)是網(wǎng)絡(luò)入侵檢測(cè)的關(guān)鍵，當(dāng)前網(wǎng)絡(luò)入侵分類器主要有基于支持向量機(jī)、K最近鄰算法、神經(jīng)網(wǎng)絡(luò)等進(jìn)行設(shè)計(jì)。其中出回聲狀態(tài)神經(jīng)網(wǎng)絡(luò)（Echo State Network，ESN）是一種新型的網(wǎng)絡(luò)，具有簡(jiǎn)單、易實(shí)現(xiàn)、泛化能力優(yōu)異等優(yōu)點(diǎn)，成為網(wǎng)絡(luò)入侵檢測(cè)中的主要研究方向。人工魚群算法（Artificial Fish Swarm Algorithm，AFSA）是一種采用自下而上信息尋優(yōu)模式的智能搜索算法，具有并行性、收斂速度快等優(yōu)點(diǎn)，為回聲狀態(tài)神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化提供了一種新的工具。
2 人工魚算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的入侵檢測(cè)模型
2.1 回聲狀態(tài)神經(jīng)網(wǎng)絡(luò)
ESN是一種由輸入層、內(nèi)部儲(chǔ)備池和輸出層組成的非線性遞歸神經(jīng)網(wǎng)絡(luò)，其狀態(tài)方程為：
式中，sigmoid為激活函數(shù)；Win和Wx分別為輸入和儲(chǔ)備池內(nèi)部的連接矩陣；μ（t），x（t）分別表示t時(shí)刻的輸入向量和儲(chǔ)備池內(nèi)部狀態(tài)向量量，sin為輸入項(xiàng)比例系數(shù)；ρ為內(nèi)部儲(chǔ)備池的譜半徑。
那么ESN的輸出方程為
（2）
式中，y（t）為t時(shí)刻的輸出向量Wout為輸出連接向量。
輸出權(quán)值對(duì)ESN性能起著關(guān)鍵作用，常采用最小二乘法進(jìn)行求解，目標(biāo)函數(shù)的最小化形式為
式中 ，
，N為儲(chǔ)備池節(jié)點(diǎn)數(shù)；l為訓(xùn)練樣本數(shù)。
根據(jù)式（3）式得到解
（4）
式中，為的估計(jì)值。
從式（1）可知，參數(shù)sin和ρ的選取影響回聲狀態(tài)神經(jīng)網(wǎng)絡(luò)的性能，本文采用人工魚群算法（AFSA）對(duì)參數(shù)sin和ρ的選擇，以提高網(wǎng)絡(luò)入侵的檢測(cè)正確率。
2.2 人工魚群算法
工魚群算模擬魚群覓食的行為，人工魚個(gè)體的狀態(tài)可表示為向量Xi=（xi1，xi2，…，xiD），食物濃度表示為Y=f（x），其中Y為目標(biāo)函數(shù)值；Visual表示人工魚的感知范圍：Step表示人工魚移動(dòng)的步長；δ表示擁擠度因子。人工魚的行為包括以下幾種：①覓食行為；②聚群行為；③追尾行為；④隨機(jī)行為。
2.3 人工魚群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)參數(shù)
（1）初始化人工魚群算法參數(shù)，主要包括人工魚群數(shù)以及最大迭代次數(shù)；（2）初始位置為回聲狀態(tài)神經(jīng)網(wǎng)絡(luò)的參數(shù)；（3）計(jì)算適應(yīng)度函數(shù)，并選擇適應(yīng)度函數(shù)值最大的人工魚個(gè)體進(jìn)入公告板；（4）人工魚模擬魚群覓食行為，得到新的人工魚位置；（5）與公告板人工魚的位置進(jìn)行比較，如果優(yōu)于公告板，那么將該人工魚位置記入公告牌；（6）將最優(yōu)公告牌的位置進(jìn)行解碼，得到回聲狀態(tài)神經(jīng)網(wǎng)絡(luò)最優(yōu)參數(shù)；（7）利用最優(yōu)參數(shù)建立網(wǎng)絡(luò)入侵檢測(cè)模型，并對(duì)其性能進(jìn)行測(cè)試。
3 仿真實(shí)驗(yàn)
3.1 仿真環(huán)境
數(shù)據(jù)來自網(wǎng)絡(luò)入侵標(biāo)準(zhǔn)測(cè)試集KDDCUP99數(shù)據(jù)集，其包括4種入侵類型：DoS、Probe、U2R和R2L，同時(shí)包括正常樣本，每一個(gè)樣本共有41個(gè)特征，7個(gè)符號(hào)型字段和34個(gè)數(shù)值型字段。由于KDDCup99數(shù)據(jù)集樣本多，從中隨機(jī)選擇部分?jǐn)?shù)量的數(shù)據(jù)進(jìn)行測(cè)試，數(shù)據(jù)具體分布見下表。為了使本文模型的結(jié)果具有可比性，采用PSO算法優(yōu)化回聲狀態(tài)神經(jīng)網(wǎng)絡(luò)（PSO-ESN），遺傳算法優(yōu)化回聲狀態(tài)神經(jīng)網(wǎng)絡(luò)（GA-ESN）進(jìn)行對(duì)比實(shí)驗(yàn)。
樣本集分布情況
入侵類型 訓(xùn)練樣本 測(cè)試樣本
DoS 2000 400
Probe 1000 200
R2L 500 100
U2R 100 20
3.2 結(jié)果與分析
所有模型對(duì)網(wǎng)絡(luò)入侵?jǐn)?shù)據(jù)進(jìn)行建模，仿真結(jié)果如圖1和圖2所示。從圖1和圖2進(jìn)行仔細(xì)分析，可以知道，相對(duì)于PSO-ESN、GA-ESN，人工魚群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的入侵檢測(cè)性能最優(yōu)，網(wǎng)絡(luò)入侵檢測(cè)的誤報(bào)率更低，具有十分明顯的優(yōu)勢(shì)，在網(wǎng)絡(luò)安全領(lǐng)域具有廣泛的應(yīng)用前景。
圖1幾種模型的檢測(cè)率比較
圖2幾種模型的誤報(bào)率比較
4 結(jié)語
針對(duì)回聲狀態(tài)神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化難題，提出一種人工魚群算法優(yōu)化回聲狀態(tài)神經(jīng)網(wǎng)絡(luò)參數(shù)的入侵檢測(cè)模型。仿真結(jié)果表明，相對(duì)于對(duì)比模型，本文模型提高了網(wǎng)絡(luò)入侵的檢測(cè)率，同時(shí)誤報(bào)率明顯降低，具有一定的實(shí)際應(yīng)用價(jià)值。
參考文獻(xiàn)：
[1]唐正軍，李建華.入侵檢測(cè)技術(shù)[M].北京：清華大學(xué)出版社，2004.
第4篇：人工神經(jīng)網(wǎng)絡(luò)法范文
【關(guān)鍵詞】人工神經(jīng)網(wǎng)絡(luò) BP神經(jīng)網(wǎng)絡(luò) 圖像識(shí)別 識(shí)別技術(shù)
通常而言，所謂圖像處理與識(shí)別，便是對(duì)實(shí)際圖像進(jìn)行轉(zhuǎn)換與變換，進(jìn)而達(dá)到識(shí)別的目的。圖像往往具有相當(dāng)龐大的信息量，在進(jìn)行處理圖像的時(shí)候要進(jìn)行降維、 數(shù)字化、濾波等程序，以往人們進(jìn)行圖像識(shí)別時(shí)采用投影法、不變矩法等方法，隨著計(jì)算機(jī)技術(shù)的飛速發(fā)展，人工神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別技術(shù)將逐漸取代傳統(tǒng)的圖像識(shí)別方法，獲得愈來愈廣泛的應(yīng)用。
1 人工神經(jīng)網(wǎng)絡(luò)圖像識(shí)別技術(shù)概述
近年來，人工智能理論方面相關(guān)的理論越來越豐富，基于人工神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別技術(shù)也獲得了非常廣泛的應(yīng)用，將圖像識(shí)別技術(shù)與人工神經(jīng)網(wǎng)絡(luò)技術(shù)結(jié)合起來的優(yōu)點(diǎn)是非常顯著的，比如說：
（1）由于神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)功能，可以使得系統(tǒng)能夠適應(yīng)識(shí)別圖像信息的不確定性以及識(shí)別環(huán)境的不斷變化。
（2）在一般情況下，神經(jīng)網(wǎng)絡(luò)的信息都是存儲(chǔ)在網(wǎng)絡(luò)的連接結(jié)構(gòu)以及連接權(quán)值之上，從而使圖像信息表示是統(tǒng)一的形式，如此便使得知識(shí)庫的建立與管理變得簡(jiǎn)便起來。
（3）由于神經(jīng)網(wǎng)絡(luò)所具有的并行處理機(jī)制，在處理圖像時(shí)可以達(dá)到比較快的速度，如此便可以使圖像識(shí)別的實(shí)時(shí)處理要求得以滿足。
（4）由于神經(jīng)網(wǎng)絡(luò)可增加圖像信息處理的容錯(cuò)性，識(shí)別系統(tǒng)在圖像遭到干擾的時(shí)候仍然能正常工作，輸出較準(zhǔn)確的信息。
2 圖像識(shí)別技術(shù)探析
2.1 簡(jiǎn)介
廣義來講，圖像技術(shù)是各種與圖像有關(guān)的技術(shù)的總稱。根據(jù)研究方法以及抽象程度的不同可以將圖像技術(shù)分為三個(gè)層次，分為：圖像處理、圖像分析以及圖像理解，該技術(shù)與計(jì)算機(jī)視覺、模式識(shí)別以及計(jì)算機(jī)圖形學(xué)等學(xué)科互相交叉，與生物學(xué)、數(shù)學(xué)、物理學(xué)、電子學(xué)計(jì)算機(jī)科學(xué)等學(xué)科互相借鑒。此外，隨著計(jì)算機(jī)技術(shù)的發(fā)展，對(duì)圖像技術(shù)的進(jìn)一步研究離不開神經(jīng)網(wǎng)絡(luò)、人工智能等理論。
2.2 圖像處理、圖像識(shí)別與圖像理解的關(guān)系
圖像處理包括圖像壓縮、圖像編碼以及圖像分割等等，對(duì)圖像進(jìn)行處理的目的是判斷圖像里是否具有所需的信息并濾出噪聲，并對(duì)這些信息進(jìn)行確定。常用方法有灰度，二值化，銳化，去噪等；圖像識(shí)別則是將經(jīng)過處理的圖像予以匹配，并且對(duì)類別名稱進(jìn)行確定，圖像識(shí)別可以在分割的基礎(chǔ)之上對(duì)所需提取的特征進(jìn)行篩選，然后再對(duì)這些特征進(jìn)行提取，最終根據(jù)測(cè)量結(jié)果進(jìn)行識(shí)別；所謂圖像理解，指的是在圖像處理與圖像識(shí)別的基礎(chǔ)上，根據(jù)分類作結(jié)構(gòu)句法分析，對(duì)圖像進(jìn)行描述與解釋。所以，圖像理解包括圖像處理、圖像識(shí)別和結(jié)構(gòu)分析。就圖像理解部分而言，輸入是圖像，輸出是對(duì)圖像的描述解釋 。
3 人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和算法
在上個(gè)世紀(jì)八十年代，McClelland與Rumelhant提出了一種人工神經(jīng)網(wǎng)絡(luò)，截止現(xiàn)在，BP神經(jīng)網(wǎng)絡(luò)已經(jīng)發(fā)展成為應(yīng)用最為廣泛的神經(jīng)網(wǎng)絡(luò)之一，它是一種多層前饋神經(jīng)網(wǎng)絡(luò)，包括輸入層、輸出層和輸入層輸出層之間隱藏層，如圖1所示，便是一種典型的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。
BP神經(jīng)網(wǎng)絡(luò)是通過不斷迭代更新權(quán)值使實(shí)際輸入與輸出關(guān)系達(dá)到期望，由輸出向輸入層反向計(jì)算誤差，從而通過梯度下降方法不斷修正各層權(quán)值的網(wǎng)絡(luò)。
BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)算法如下所述：
（1）對(duì)權(quán)值矩陣，學(xué)習(xí)速率，最大學(xué)習(xí)次數(shù)，閾值等變量和參數(shù)進(jìn)行初始化設(shè)置；
（2）在黑色節(jié)點(diǎn)處對(duì)樣本進(jìn)行輸入；
（3）對(duì)輸入樣本，前向計(jì)算人工神經(jīng)網(wǎng)絡(luò)隱層及輸出層各層神經(jīng)元的輸出；
（4）使用梯度下降方法不斷修正各層權(quán)值及閥值，由梯度算子得到的權(quán)值為
（6）判斷，判斷是否大于最大迭代次數(shù)或者是否誤差已經(jīng)達(dá)到要求。如果大于最大迭代次數(shù)或誤差達(dá)到要求，那么便直接轉(zhuǎn)到第（7）步，否則，轉(zhuǎn)到第（4）步對(duì)各個(gè)矩陣的權(quán)值繼續(xù)修正，反復(fù)訓(xùn)練；
（7）看是否遍歷所有樣本，是則結(jié)束，否則跳回第（3）步繼續(xù)。
BP神經(jīng)網(wǎng)絡(luò)操作簡(jiǎn)單而有效，可通過Opencv的CvANN_MLP類， Matlab的模式識(shí)別工具箱Nprtool等實(shí)現(xiàn)，經(jīng)驗(yàn)得出在如下情況中人工神經(jīng)網(wǎng)絡(luò)尤為適用：
（1）大量數(shù)據(jù)可用，卻不知道與輸出之間關(guān)系；
（2）問題的解決方案隨時(shí)間變化而變化；
（3）輸出是模糊的函數(shù)關(guān)系，而非精確數(shù)字。
4 人工神經(jīng)網(wǎng)絡(luò)圖像識(shí)別
傳感器或攝像儀輸入圖像識(shí)別系統(tǒng)以后，其目標(biāo)圖像不能夠與系統(tǒng)全部的參考圖像完全一樣， 這是由于對(duì)應(yīng)噪聲干擾，光線不足和放縮旋轉(zhuǎn)等問題。 基于人工神經(jīng)網(wǎng)絡(luò)對(duì)畸變圖像識(shí)別進(jìn)行深層分析，并且利用 CCD 攝像頭對(duì)圖像信息進(jìn)行采集，在此過程之中通過對(duì)攝像頭方位進(jìn)行更改對(duì)易出現(xiàn)畸變的圖像進(jìn)行采集，從而使得畸變圖像所帶信息組成樣本庫。在電腦里面輸入樣本庫中的圖像信息，并且進(jìn)行模數(shù)的轉(zhuǎn)化，變成數(shù)字圖像，利用數(shù)字濾波來對(duì)數(shù)字圖像信息進(jìn)行處理。在神經(jīng)網(wǎng)絡(luò)之中輸入樣本圖像數(shù)字信息來進(jìn)行訓(xùn)練，一方面可以基于數(shù)字圖像的像素點(diǎn)集合組成輸入矩陣，用高維數(shù)據(jù)作為訓(xùn)練樣本，通過主成分分析（PCA）的方法進(jìn)行降維，大大簡(jiǎn)化計(jì)算量；一方面可以基于數(shù)字圖像的特征空間進(jìn)行聚類分割，提取幾何特征或者統(tǒng)計(jì)特征，輸入到SOFM神經(jīng)網(wǎng)絡(luò)或者Hopfield神經(jīng)網(wǎng)絡(luò)，從而使其生成圖像識(shí)別神經(jīng)網(wǎng)絡(luò)系統(tǒng)。在進(jìn)行圖像識(shí)別的時(shí)候使用CCD 攝像頭來采集識(shí)別圖像，并且把其模型轉(zhuǎn)化為數(shù)字圖像，預(yù)處理后，將其輸入到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)識(shí)別系統(tǒng)里面，就其可以開展快速的計(jì)算，并進(jìn)行識(shí)別。把圖像識(shí)別技術(shù)與人工神經(jīng)網(wǎng)絡(luò)理論有機(jī)結(jié)合起來，可以非常有效地實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)信息系統(tǒng)的一致性， 此外，還可以將其對(duì)網(wǎng)絡(luò)連接結(jié)果與權(quán)值進(jìn)行存儲(chǔ)，促進(jìn)管理效率的提高，并對(duì)于知識(shí)庫的構(gòu)建也具有積極的作用。
5 結(jié)論
本文就基于人工神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別技術(shù)進(jìn)行了詳細(xì)地闡述，由綜上研究可以基于人工神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別技術(shù)具有比較多的優(yōu)點(diǎn)以及比較高的可行性，然而，我們對(duì)該技術(shù)存在的網(wǎng)絡(luò)規(guī)模及復(fù)雜圖像識(shí)別準(zhǔn)確度上還應(yīng)繼續(xù)進(jìn)行深入研究，以求技術(shù)突破。在將來，圖像識(shí)別技術(shù)隨著科技的不斷發(fā)展將會(huì)獲得更多的應(yīng)用，其勢(shì)必會(huì)發(fā)展為一門獨(dú)立且具備強(qiáng)大生命力的學(xué)科
參考文獻(xiàn)
[1]王強(qiáng)，張小溪，韓一紅.基于神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別[J].電子設(shè)計(jì)工程，2012.
[2]雷建鋒，孫俊逸.基于人工神經(jīng)網(wǎng)絡(luò)下的圖像識(shí)別的研究[J].現(xiàn)代電子技術(shù)，2008.
第5篇：人工神經(jīng)網(wǎng)絡(luò)法范文
關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò)；自動(dòng)化；采煤技術(shù)；綜放工作面
隨著我國國民經(jīng)濟(jì)總量的增大，煤炭能源的消耗也是越來與而大，同時(shí)也對(duì)煤礦的開采提出了更高的要求。近年來，國家對(duì)煤礦安全越來越重視，管理也更加嚴(yán)格，很多不合安全規(guī)范的小型煤礦被關(guān)停。想在現(xiàn)有環(huán)境下提高采煤量，就必須加大科技方面的投入，采用最先進(jìn)的自動(dòng)化設(shè)備技術(shù)，宗放自動(dòng)化采煤是當(dāng)前世界上最為先進(jìn)的采煤技術(shù)，是提高采煤生產(chǎn)效率的關(guān)鍵技術(shù)之一。人工神經(jīng)系統(tǒng)可以較好的輔助綜放工作面的工作，可對(duì)綜放工作面進(jìn)行控制生產(chǎn)，對(duì)提高采煤效率有著極為重要的意義。
一、人工神經(jīng)網(wǎng)絡(luò)的簡(jiǎn)單介紹
人工神經(jīng)網(wǎng)絡(luò)是一種非線性、交叉的科學(xué)，它通過計(jì)算機(jī)系統(tǒng)對(duì)生物神經(jīng)信息進(jìn)行模擬來解決實(shí)際工作中的問題，屬于非線性、交叉的科學(xué)。經(jīng)過近些年的發(fā)展，人工神經(jīng)網(wǎng)落技術(shù)在自然科學(xué)、社會(huì)科學(xué)等各個(gè)領(lǐng)域的應(yīng)用已經(jīng)得到廣泛應(yīng)用。人工神經(jīng)網(wǎng)絡(luò)的廣泛應(yīng)用自然也推動(dòng)了人工神經(jīng)網(wǎng)路的研究，現(xiàn)在出現(xiàn)的具有不同功能作用的網(wǎng)絡(luò)結(jié)構(gòu)和算法系統(tǒng)，就是近年來研究的成果，人工神經(jīng)網(wǎng)絡(luò)的理論系統(tǒng)也日趨成熟，適用范圍也越來越廣。
通過模擬人體神經(jīng)系統(tǒng)信號(hào)傳輸原理，人工神經(jīng)網(wǎng)絡(luò)的各個(gè)節(jié)點(diǎn)也與人體內(nèi)的神經(jīng)元相似，能夠通過連接權(quán)值進(jìn)行非常緊密的聯(lián)系。在實(shí)際應(yīng)用中，如果神經(jīng)元的輸出大大超過了網(wǎng)絡(luò)內(nèi)部神經(jīng)元閥值的時(shí)候，這個(gè)人工神經(jīng)網(wǎng)絡(luò)就會(huì)輸出信號(hào)，這個(gè)信號(hào)也就是成為了下個(gè)神經(jīng)元輸入的信號(hào)。人工神經(jīng)網(wǎng)絡(luò)是模擬人的神經(jīng)系統(tǒng)創(chuàng)建的，自然與人的神經(jīng)系統(tǒng)很相似，要通過不斷的應(yīng)用、訓(xùn)練才可以保持較為良好的狀態(tài)，在實(shí)際操作中，人工神經(jīng)網(wǎng)絡(luò)的性能是由各個(gè)節(jié)點(diǎn)的激活函數(shù)、網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)以及網(wǎng)絡(luò)的訓(xùn)練方法決定的。較為常用的BP算法就是通過對(duì)網(wǎng)絡(luò)連接權(quán)值的不斷調(diào)整來達(dá)到訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)的目的。
二、人工神經(jīng)網(wǎng)絡(luò)的相關(guān)建模方法
就現(xiàn)有研究來看，人工神經(jīng)網(wǎng)絡(luò)的建模方法主要包括模糊建模和混合建模，這些具體而有效的建模方法給采煤綜放工作面生產(chǎn)過程自動(dòng)化提供了較為科學(xué)的理論指導(dǎo)，是提高采煤效率和降低采煤工人勞動(dòng)強(qiáng)度的有效舉措之一，以下是對(duì)人工神經(jīng)網(wǎng)絡(luò)建模的具體介紹。
（一）人工神經(jīng)網(wǎng)絡(luò)的模糊建模方法
在煤礦的實(shí)際工作中，傳統(tǒng)的數(shù)學(xué)建模方法有其局限性，不能適應(yīng)較為復(fù)雜的問題，嚴(yán)重影響了煤礦的生產(chǎn)效率。模糊理論正是在這種大背景下出現(xiàn)的，它通過有效的實(shí)驗(yàn)方法，將實(shí)驗(yàn)數(shù)據(jù)總結(jié)匯總，將實(shí)驗(yàn)匯總的數(shù)據(jù)作為模糊規(guī)則，然后依據(jù)相關(guān)模糊理論進(jìn)行實(shí)際的人工神經(jīng)網(wǎng)絡(luò)建模。這種建模方法的優(yōu)勢(shì)是能夠較為快速的預(yù)測(cè)出新輸入數(shù)據(jù)接下來會(huì)輸出的結(jié)果。煤礦在應(yīng)用模糊建模方法后，對(duì)于生產(chǎn)過程的預(yù)算也就更為準(zhǔn)確，便于企業(yè)做出相關(guān)決策。整個(gè)模糊建模方法主要由三個(gè)部分組成，既模糊化、推理機(jī)制、解模糊，這是模糊建模的一個(gè)有機(jī)整體，是這種建模方式的核心價(jià)值所在。
（二）人工神經(jīng)網(wǎng)絡(luò)的混合建模方法
除了模糊建模方法之外，人工神經(jīng)網(wǎng)絡(luò)還有一種混合建模方法，這種建模方法是依托智能算法的進(jìn)步而出現(xiàn)的，現(xiàn)已廣泛應(yīng)用于煤礦生產(chǎn)。近年來，為了適應(yīng)人工神經(jīng)網(wǎng)絡(luò)的發(fā)展，包括粒子群算法和遺傳算法在內(nèi)的智能算法取得了較大的發(fā)展，這種建模方可以對(duì)實(shí)際工作中比較復(fù)雜的參數(shù)進(jìn)行優(yōu)化處理，進(jìn)而提高生產(chǎn)效率。
1.粒子群算法建模
粒子群建模簡(jiǎn)單來說就是利用較為成熟的計(jì)算機(jī)語言的算法對(duì)相關(guān)生物的群體行為進(jìn)行模仿，然后進(jìn)行建模，在具體操作中，粒子群算法建模要避免碰撞而飛離最近的個(gè)體、飛向目標(biāo)、飛向群體中心，這也被稱為粒子群建模方法的三大原則。
2.遺傳算法
遺傳算法就是將計(jì)算機(jī)技術(shù)和進(jìn)化論聯(lián)合運(yùn)用于人工神經(jīng)網(wǎng)絡(luò)建模。在實(shí)際工作中，遺傳算法應(yīng)用了當(dāng)前最為先進(jìn)的編碼技術(shù)和遺傳操來做鋪墊。在Holland體系中，GA就是一種較為簡(jiǎn)單的遺傳算法，各種不同形式的二進(jìn)制串就是其具體的操作對(duì)象。但在煤礦工作中，如果是要通過參數(shù)來進(jìn)行問題分析，遺傳算法的研究對(duì)象就可以是一個(gè)參數(shù)組，在這個(gè)參數(shù)組中，遺傳算法具體是通過這個(gè)參數(shù)組的適應(yīng)度來表現(xiàn)其好壞情況。通常情況下，遺傳算法在具體操作中就是通過對(duì)基礎(chǔ)的參數(shù)群進(jìn)行有效分析，其選擇個(gè)體是依據(jù)這個(gè)個(gè)體的適應(yīng)值比例，然后通過交叉和變異進(jìn)的方法誕生下一個(gè)組種群，這個(gè)過程可以持續(xù)下去，直到滿足生產(chǎn)需求的參數(shù)值出現(xiàn)為止。遺傳算法也是一種優(yōu)選的方法，它將遺傳算法的優(yōu)點(diǎn)和人工神經(jīng)網(wǎng)絡(luò)的特點(diǎn)進(jìn)行了有機(jī)結(jié)合，通過遺傳算法可以進(jìn)行前期模塊的優(yōu)選，建立一個(gè)合乎現(xiàn)實(shí)情況的非線性模型，然后進(jìn)行與模糊建模方法相類似的實(shí)驗(yàn)數(shù)據(jù)收集，分析最為有效的網(wǎng)絡(luò)結(jié)構(gòu)，在滿足預(yù)測(cè)的情況下實(shí)現(xiàn)了參數(shù)的優(yōu)選。
三、人工神經(jīng)網(wǎng)絡(luò)應(yīng)用在采煤技術(shù)上效果
通過上文介紹，在采煤中利用人工神經(jīng)網(wǎng)絡(luò)是為綜放工作面生產(chǎn)過程實(shí)現(xiàn)自動(dòng)化提供相對(duì)應(yīng)的理論依據(jù)，減輕采煤的勞動(dòng)強(qiáng)度并提高采煤效率是其目的所在；人工神經(jīng)網(wǎng)落還能夠?qū)Σ擅汗ぷ髦械南嚓P(guān)生產(chǎn)設(shè)備的性能做有效的檢查，能夠在最快的時(shí)間內(nèi)發(fā)現(xiàn)機(jī)械故障，及時(shí)的排除機(jī)械故障，極大的降低了煤礦安全事故的發(fā)生率；人工神經(jīng)網(wǎng)絡(luò)還能夠?qū)⒉擅荷a(chǎn)設(shè)備工作面的具體信息，快速的反饋到地面，然后通過先進(jìn)的計(jì)算機(jī)技術(shù)對(duì)數(shù)據(jù)進(jìn)行相關(guān)處理，實(shí)現(xiàn)信息資源共享，采煤過程中對(duì)人工的依賴也會(huì)降低，為日后的無人操作打下了堅(jiān)實(shí)的基礎(chǔ)。
將現(xiàn)代化的人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于采煤，可以實(shí)現(xiàn)對(duì)綜放工作面自動(dòng)化的有效控制，它將整個(gè)采煤的綜放工作面看做是個(gè)有機(jī)的整體，在條件允許的情況下進(jìn)行仿真模擬，通常情況下都是應(yīng)用MATLAB軟件來及進(jìn)行仿真模擬，可以系統(tǒng)化的管理整個(gè)采煤過程，排除采煤過程中的相關(guān)機(jī)械故障，在提高采煤效率的同時(shí)實(shí)現(xiàn)了安全生產(chǎn)，人工神經(jīng)網(wǎng)絡(luò)值得在采煤技術(shù)中大力推廣、應(yīng)用。
四、結(jié)束語
可以將綜放工作面看做是整個(gè)采煤系統(tǒng)實(shí)現(xiàn)自動(dòng)化，這也是日后采煤自動(dòng)化發(fā)展的一個(gè)重要方向，這種思維模式有效避免了在沒有考慮綜放工作面控制功能而進(jìn)行自動(dòng)化的情況。多年的實(shí)踐表明，神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用于煤礦開采中可以有效分析、診斷采煤工作中的一些問題，為日后采煤規(guī)劃提供了強(qiáng)而有力的依據(jù)，其在采煤領(lǐng)域的應(yīng)用空間還非常寬闊，值得進(jìn)一步研究、拓展。
參考文獻(xiàn)：
[1]鄭勝友.人工神經(jīng)網(wǎng)絡(luò)在采煤技術(shù)上的應(yīng)用[J].科技風(fēng)，2012（10）.
[2]董麗麗，喬育鋒，郭曉山.遺傳算法和人工神經(jīng)網(wǎng)絡(luò)在煤礦突水預(yù)測(cè)中的應(yīng)用研究[A]. 智能信息技術(shù)應(yīng)用學(xué)會(huì).Proceedings of 2010 International Conference on Management Science and Engineering （MSE 2010） （Volume 3）[C].智能信息技術(shù)應(yīng)用學(xué)會(huì)：，2010（5）.
[3]彭學(xué)前.采煤機(jī)故障診斷與故障預(yù)測(cè)研究[D].南京理工大學(xué)，2013.
第6篇：人工神經(jīng)網(wǎng)絡(luò)法范文
關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò) 計(jì)算機(jī)安全 入侵檢測(cè)
中圖分類號(hào)：TP393.08 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1674-098X（2012）12（c）-00-01
自從1960年Widrow等提出自適應(yīng)線形神經(jīng)元用于信號(hào)處理中的自適應(yīng)濾波、預(yù)測(cè)和模型識(shí)別以來，神經(jīng)網(wǎng)絡(luò)技術(shù)便被用來解決現(xiàn)實(shí)生活中的問題。而在McCulloch等基于模仿人腦結(jié)構(gòu)和功能建立起一種人工智能的信息處理系統(tǒng)后，人工神經(jīng)網(wǎng)絡(luò)在土木工程、農(nóng)業(yè)、經(jīng)濟(jì)管理及企業(yè)管理等不同領(lǐng)域中被廣泛應(yīng)用[1-2]。該文介紹了神經(jīng)網(wǎng)絡(luò)的概念及特點(diǎn)，并分析神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)安全尤其是在網(wǎng)絡(luò)入侵檢測(cè)中的應(yīng)用。
1 神經(jīng)網(wǎng)絡(luò)的概念及特點(diǎn)
1.1 神經(jīng)網(wǎng)絡(luò)的概念
神經(jīng)網(wǎng)絡(luò)是一個(gè)并行、分布處理結(jié)構(gòu)，是由神經(jīng)元及稱為聯(lián)接的無向訊號(hào)通道互連而成。人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）指的則是模仿生理神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和功能而設(shè)計(jì)的一種信息處理系統(tǒng)，即由多個(gè)非常簡(jiǎn)單的處理單元彼此按某種方式相互連接而形成的信息處理網(wǎng)絡(luò)[3]。
1.2 神經(jīng)網(wǎng)絡(luò)的特點(diǎn)
在人工神經(jīng)網(wǎng)絡(luò)中，由于網(wǎng)絡(luò)中的每一個(gè)單元都是獨(dú)立的信息處理單元，因此其計(jì)算可獨(dú)立進(jìn)行，而整個(gè)網(wǎng)絡(luò)系統(tǒng)卻是并行計(jì)算的。這不同于傳統(tǒng)的計(jì)算機(jī)的串行運(yùn)算。由于神經(jīng)網(wǎng)絡(luò)是一個(gè)大規(guī)模互聯(lián)的復(fù)雜網(wǎng)絡(luò)系統(tǒng)，因而是大規(guī)模的并行處理，這在一定程度上提高了系統(tǒng)的處理速度，同時(shí)也為實(shí)時(shí)處理提供了重要條件。人工神經(jīng)網(wǎng)絡(luò)與人腦類似，具有學(xué)習(xí)的功能。通常只要給出所需的數(shù)據(jù)、實(shí)例，由網(wǎng)絡(luò)去學(xué)習(xí)，而學(xué)習(xí)獲得的知識(shí)都分布儲(chǔ)存在整個(gè)網(wǎng)絡(luò)的用權(quán)系數(shù)表示的連接線上。不同網(wǎng)絡(luò)因?qū)W習(xí)方法及內(nèi)容不同，可得到不同的功能和不同的應(yīng)用。因而有可能解決傳統(tǒng)人工智能目前最感困難的機(jī)器學(xué)習(xí)中知識(shí)獲取、知識(shí)表示等問題。此外神經(jīng)網(wǎng)絡(luò)還對(duì)于輸入數(shù)據(jù)的失真具有相當(dāng)?shù)膹椥浴?/p>
1.3 常用的神經(jīng)網(wǎng)絡(luò)算法
常用的神經(jīng)網(wǎng)絡(luò)算法包括ARTMAP模型、ART模型、概率模型PNN、模糊模型ART、模糊多層感知器、Kohonen特征映射網(wǎng)絡(luò)、反饋多層感知器模型等[4-5]。其中，ART模型和Kohonen特征映射網(wǎng)絡(luò)、模糊模型ART屬于無監(jiān)督訓(xùn)練算法，而反饋多層感知器模型是受限反饋，ARTMAP模型、ART模型屬于反饋的網(wǎng)絡(luò)拓?fù)?/p>
結(jié)構(gòu)。
2 神經(jīng)網(wǎng)絡(luò)在網(wǎng)絡(luò)入侵檢測(cè)中的應(yīng)用
2.1 神經(jīng)網(wǎng)絡(luò)應(yīng)用于網(wǎng)絡(luò)入侵檢測(cè)的優(yōu)勢(shì)
由于神經(jīng)網(wǎng)絡(luò)對(duì)于數(shù)據(jù)訓(xùn)練獲得預(yù)測(cè)能力的過程是通過完全抽象計(jì)算實(shí)現(xiàn)的，而不強(qiáng)調(diào)對(duì)于數(shù)據(jù)分布的假設(shè)前提，因此在建立神經(jīng)網(wǎng)絡(luò)模型過程中沒有必要向神經(jīng)網(wǎng)絡(luò)解釋知識(shí)的具體細(xì)節(jié)。同時(shí)，神經(jīng)網(wǎng)絡(luò)在網(wǎng)絡(luò)入侵檢測(cè)中，可以通過數(shù)據(jù)運(yùn)算而形成異常的判別值，這樣可以對(duì)于當(dāng)前是否受到攻擊行為影響做出判斷，從而實(shí)現(xiàn)對(duì)檢測(cè)對(duì)象是否存在異常情況的檢測(cè)[6-8]。
2.2 神經(jīng)網(wǎng)絡(luò)在網(wǎng)絡(luò)入侵檢測(cè)中的應(yīng)用
神經(jīng)網(wǎng)絡(luò)在網(wǎng)絡(luò)安全尤其是入侵檢測(cè)方面已有了相當(dāng)?shù)难芯縖9]。有研究者將組織聚類神經(jīng)網(wǎng)絡(luò)應(yīng)用于計(jì)算機(jī)安全研究中，其采用了自適應(yīng)諧振學(xué)習(xí)法進(jìn)行數(shù)據(jù)的前期訓(xùn)練，對(duì)于無顯著意義的平均誤差減少時(shí)，采用遺傳算法繼續(xù)在前期基礎(chǔ)上進(jìn)行數(shù)據(jù)數(shù)據(jù)以得到最佳的權(quán)值。國內(nèi)也在神經(jīng)網(wǎng)絡(luò)應(yīng)用于網(wǎng)絡(luò)入侵檢測(cè)上做了大量工作。王勇等研究者在參考MIT Lincoln有關(guān)網(wǎng)絡(luò)入侵檢測(cè)方法基礎(chǔ)上，提出了基于Linux主機(jī)的網(wǎng)絡(luò)入侵檢測(cè)方案，實(shí)現(xiàn)了對(duì)于多種網(wǎng)絡(luò)攻擊的特征進(jìn)行抽取及檢測(cè)的目的[10]。
神經(jīng)網(wǎng)絡(luò)在網(wǎng)絡(luò)入侵檢測(cè)中有廣泛的應(yīng)用空間[11-12]，今后應(yīng)該擴(kuò)大訓(xùn)練數(shù)據(jù)的數(shù)量和范圍，并擴(kuò)大操作系統(tǒng)的研究空間，通過模擬真實(shí)的計(jì)算機(jī)網(wǎng)絡(luò)環(huán)境，將神經(jīng)網(wǎng)絡(luò)技術(shù)真正應(yīng)用于計(jì)算機(jī)安全尤其是入侵檢測(cè)工作中。
參考文獻(xiàn)
[1] 李季，蒲彪.人工神經(jīng)網(wǎng)絡(luò)在食品微生物發(fā)酵中的應(yīng)用[J].食品研究與開發(fā)，2009，30（4）：171-174.
[2] 李聰超，周鐵軍.人工神經(jīng)網(wǎng)絡(luò)在農(nóng)業(yè)中的應(yīng)用[J].農(nóng)業(yè)網(wǎng)絡(luò)信息，2008（1）：35-38.
[3] 李麗霞，張敏，郜艷暉，等.人工神經(jīng)網(wǎng)絡(luò)在醫(yī)學(xué)研究中的應(yīng)用[J].數(shù)理醫(yī)藥學(xué)雜志，2009，22（1）：80-82.
[4] 高雋.人工神經(jīng)網(wǎng)絡(luò)原理及仿真實(shí)例[M].北京：機(jī)械工業(yè)出版社，2003：44-73.
[5] 楊行峻，鄭君里.人工神經(jīng)網(wǎng)絡(luò)與盲信號(hào)處理[M].北京：清華大學(xué)出版社，2003：23-105.
[6] 程麗麗.基于模糊神經(jīng)網(wǎng)絡(luò)的入侵檢測(cè)設(shè)計(jì)模型[D].哈爾濱：哈爾濱理工大學(xué)，2005.
[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(jì)[M].北京：清華大學(xué)出版社，2005.
[8] 李家春，李之堂.神經(jīng)模糊入侵檢測(cè)系統(tǒng)的研究[J].計(jì)算機(jī)工程與應(yīng)用，2001，23（17）：37-39，
[9] 王勇，楊輝華.一種基于進(jìn)化神經(jīng)網(wǎng)絡(luò)的入侵檢測(cè)實(shí)驗(yàn)系統(tǒng)[J].華東理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2005（6）：362-366
[10] 喬瑞.基于優(yōu)化自組織聚類神經(jīng)網(wǎng)絡(luò)的入侵檢測(cè)方法研究[J].計(jì)算機(jī)與現(xiàn)代化，2005（1）：77-79.
第7篇：人工神經(jīng)網(wǎng)絡(luò)法范文
關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò)；尖峰神經(jīng)元模型
近年來，人們?cè)谟?jì)算機(jī)智能化領(lǐng)域上取得了很大的進(jìn)步，但計(jì)算機(jī)領(lǐng)域還有很多問題無法解決，例如視覺、語言識(shí)別和計(jì)算機(jī)等技術(shù)，人們?nèi)圆荒軐⒂?jì)算機(jī)系統(tǒng)設(shè)計(jì)得像生物系統(tǒng)那樣靈活。因此，大批研究者轉(zhuǎn)移到仿生科學(xué)研究，希望由此找到新的技術(shù)，設(shè)計(jì)出新的智能計(jì)算機(jī)，其中人工神經(jīng)網(wǎng)絡(luò)是其中一個(gè)比較熱門的領(lǐng)域。隨著這個(gè)領(lǐng)域的發(fā)展，一些團(tuán)隊(duì)已經(jīng)建立起一些創(chuàng)造性的、復(fù)雜的神經(jīng)電路模型，并將其應(yīng)用到一些項(xiàng)目中，也有研究團(tuán)隊(duì)在致力研究人工神經(jīng)網(wǎng)絡(luò)的軟件和硬件方案，希望能夠?yàn)橹悄苡?jì)算機(jī)提供更高層次的理解能力。
人工神經(jīng)網(wǎng)絡(luò)模型的并行特性使它與傳統(tǒng)的計(jì)算機(jī)模型相比具有更強(qiáng)的理能力，使它更有機(jī)會(huì)解決如手寫文字識(shí)別這類問題。長期以來，大多數(shù)研究者都是在CPU上使用模擬的方式進(jìn)行神經(jīng)網(wǎng)絡(luò)的計(jì)算，由于CPU工作模式和結(jié)構(gòu)的限制，無法提供最佳的計(jì)算性能，因此本文尋求一種新的智能計(jì)算硬件平臺(tái)，在硅芯片上設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)電路。
一、神經(jīng)網(wǎng)絡(luò)模型
人工神經(jīng)網(wǎng)絡(luò)理論已發(fā)展了很多年，并日益趨于成熟，在各領(lǐng)域都得到了一定的應(yīng)用。人工神經(jīng)網(wǎng)絡(luò)的運(yùn)算主要由計(jì)算的基本單位神經(jīng)元進(jìn)行，通過若干個(gè)神經(jīng)元構(gòu)成神經(jīng)網(wǎng)絡(luò)以解決現(xiàn)實(shí)中的各種問題。
如圖1所示，一組神經(jīng)元構(gòu)成一個(gè)神經(jīng)網(wǎng)絡(luò)系統(tǒng)。每一個(gè)神經(jīng)元都有獨(dú)立的計(jì)算單元。神經(jīng)元計(jì)算公式如下：yi(t)=■W■?著ij(t-tij) （1）
公式（1）中yi(t)表示神經(jīng)元的輸出結(jié)果，i表示神經(jīng)元序號(hào)，?著ij(t-tij)表示神經(jīng)元輸入值，W■表示每個(gè)神經(jīng)元的權(quán)值。
人工神經(jīng)網(wǎng)絡(luò)的基本運(yùn)算包括了乘法和加法運(yùn)算。為了能夠在硬件上執(zhí)行神經(jīng)網(wǎng)絡(luò)的理功能，必須為每個(gè)神經(jīng)元設(shè)計(jì)獨(dú)立的加法器和乘法器，我們將其稱為加乘法運(yùn)算單元（MAC），每個(gè)神經(jīng)元都包含了一個(gè)MAC單元。
為了使系統(tǒng)能夠更好地模擬人類神經(jīng)系統(tǒng)工作原理，發(fā)揮硬件的理能力，本文采用了Gerstner的尖峰神經(jīng)元模型構(gòu)建神經(jīng)元理器的工作流程。在該模型中，每個(gè)神經(jīng)元的膜電位在時(shí)間t時(shí)表示如下：
ui(t)=■■■W■?著ij(t-tij)+?濁i(t-tij) （2）
?著ij(t)=exp(-■)-exp(-■)*H(t-t■) （3）
公式（2）中，W■表示為第i神經(jīng)元和第j神經(jīng)元之間連接的權(quán)值，?著ij(t-tij)表示為神經(jīng)元i能夠提供給神經(jīng)元j的突觸后電位（PSP），而?濁i(t-tij)表示倔強(qiáng)函數(shù)。公式（3）表示突觸后電位（PSP）的計(jì)算方法，其中t■和t■為時(shí)間常數(shù)，H(t-t■) 為Heaviside階梯函數(shù)，t■為軸突傳輸延時(shí)系數(shù)。
二、神經(jīng)元硬件設(shè)計(jì)
如圖2所示，神經(jīng)網(wǎng)絡(luò)系統(tǒng)是由多個(gè)神經(jīng)元構(gòu)成，每個(gè)神經(jīng)元是一個(gè)單獨(dú)的實(shí)體，神經(jīng)元既相互獨(dú)立，又相互聯(lián)系，神經(jīng)元根據(jù)所受到外界的刺激（輸入）和鄰居神經(jīng)元對(duì)自己的影響，做出判斷與決策（輸出），并影響到周圍神經(jīng)元的反應(yīng)。為了能夠?qū)崿F(xiàn)神經(jīng)網(wǎng)絡(luò)功能，需要模擬神經(jīng)元單位設(shè)計(jì)一個(gè)特殊的理器用于計(jì)算外界刺激而做出的反應(yīng)，它包含了簡(jiǎn)單的算數(shù)邏輯運(yùn)算單元、寄存器和控制器，在本文中使用PN表示該理器。
圖3顯示了一個(gè)PN理單元的工作流程圖，每個(gè)PN理器包括了進(jìn)行神經(jīng)元計(jì)算必須的運(yùn)算器和存儲(chǔ)器以及相關(guān)附屬器件。PN理單元的工作流程是：當(dāng)外部有輸入數(shù)據(jù)通過總線進(jìn)入PN理器時(shí)先存放在輸入事件存儲(chǔ)器；系統(tǒng)根據(jù)事件時(shí)間將數(shù)據(jù)輸入到突觸后電勢(shì)寄存器；同時(shí)輸入值被編號(hào)后分別放入公共連接存儲(chǔ)器；突觸后電勢(shì)PSP值與其他神經(jīng)元的權(quán)值相乘后與原有膜電位值相加，相加結(jié)果更新膜電位存儲(chǔ)器值；同時(shí)結(jié)果與閾值相比較，如果大于閾值則將結(jié)果輸出到輸出存儲(chǔ)器中作為該神經(jīng)元的輸出結(jié)果存放在輸出時(shí)間存儲(chǔ)器。
系統(tǒng)是由若干個(gè)神經(jīng)元理器構(gòu)成。如圖4所示，人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)由若干個(gè)神經(jīng)元共同構(gòu)成，圖5表示了人工神經(jīng)網(wǎng)絡(luò)的硬件構(gòu)成。每一個(gè)人工神經(jīng)網(wǎng)絡(luò)都是由若干個(gè)神經(jīng)元理單元構(gòu)成，每個(gè)神經(jīng)元理單元又是由邏輯運(yùn)算器、存儲(chǔ)器和通信單元構(gòu)成。將這些神經(jīng)元理器構(gòu)建在一塊電路板或者芯片上，同時(shí)理器與理器通過總線連接起來相互通信，共同完成神經(jīng)網(wǎng)絡(luò)的運(yùn)算。系統(tǒng)還為每一個(gè)神經(jīng)元單位配置了一個(gè)PN理器，理器之間相互獨(dú)立，并行計(jì)算。當(dāng)外部刺激（輸入）進(jìn)入系統(tǒng)時(shí)，立刻被分配到各個(gè)PN理器并行計(jì)算神經(jīng)元對(duì)刺激的響應(yīng)（輸出），同時(shí)根據(jù)計(jì)算結(jié)果，調(diào)整神經(jīng)元之間的權(quán)值系數(shù)，并更新存儲(chǔ)其中的權(quán)值。由于PN理器是并行計(jì)算，相對(duì)于傳統(tǒng)計(jì)算機(jī)模擬運(yùn)算，極大地提高了神經(jīng)網(wǎng)絡(luò)的計(jì)算速度。
本文以Gerstner的尖峰神經(jīng)元模型為基礎(chǔ)，設(shè)計(jì)了模擬神經(jīng)元工作的PN理單元，并由若干個(gè)PN理單元構(gòu)成模擬人類神經(jīng)系統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)的硬件系統(tǒng)。相對(duì)于在傳統(tǒng)計(jì)算機(jī)上的操作，PN理單元的并行性使新系統(tǒng)有更強(qiáng)的理能力，有效地提高了神經(jīng)網(wǎng)絡(luò)的計(jì)算速度，使神經(jīng)網(wǎng)絡(luò)系統(tǒng)有更好的應(yīng)用前景。
（作者單位：廣東肇慶科技職業(yè)技術(shù)學(xué)院）
參考文獻(xiàn)：
[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]徐明華，甘強(qiáng).脈沖神經(jīng)網(wǎng)絡(luò)的振蕩與分割[J].生物物理學(xué)報(bào)，1997，(1).
第8篇：人工神經(jīng)網(wǎng)絡(luò)法范文
關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)；應(yīng)用研究
中圖分類號(hào)：TP393文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：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
人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network， ANN）簡(jiǎn)稱神經(jīng)網(wǎng)絡(luò)，是由具有適應(yīng)性的簡(jiǎn)單單元組成的廣泛并行互連的網(wǎng)絡(luò)，它的組織能夠模擬生物神經(jīng)系統(tǒng)對(duì)真實(shí)世界物體所做出的交互反應(yīng)，并利用機(jī)器模仿人類的智能是長期以來人們認(rèn)識(shí)自然、改造自然和認(rèn)識(shí)自身的理想。研究人工神經(jīng)網(wǎng)絡(luò)的主要目的包括：探索和模擬人的感覺、思維和行為的規(guī)律，設(shè)計(jì)具有人類智能的計(jì)算機(jī)系統(tǒng)；探討人腦的智能活動(dòng)，用物化了的智能來考察和研究人腦智能的物質(zhì)過程及其規(guī)律。
2 神經(jīng)網(wǎng)絡(luò)（ANN）的研究內(nèi)容
1)理論研究：ANN模型及其學(xué)習(xí)算法，試圖從數(shù)學(xué)上描述ANN的動(dòng)力學(xué)過程，建立相應(yīng)的ANN模型，在該模型的基礎(chǔ)上，對(duì)于給定的學(xué)習(xí)樣本，找出一種能以較快的速度和較高的精度調(diào)整神經(jīng)元間互連權(quán)值，使系統(tǒng)達(dá)到穩(wěn)定狀態(tài)，滿足學(xué)習(xí)要求的算法；2)實(shí)現(xiàn)技術(shù)的研究：探討利用電子、光學(xué)、生物等技術(shù)實(shí)現(xiàn)神經(jīng)計(jì)算機(jī)的途徑；3)應(yīng)用的研究：探討如何應(yīng)用ANN解決實(shí)際問題，如模式識(shí)別、故障檢測(cè)、智能機(jī)器人等;4)基本模型如圖1示。
■
圖1生物神經(jīng)元功能模型
3 神經(jīng)網(wǎng)絡(luò)（ANN）的研究在各領(lǐng)域的優(yōu)缺點(diǎn)
人工神經(jīng)網(wǎng)絡(luò)的理論研究和應(yīng)用研究已取得豐碩成果，對(duì)于在各領(lǐng)域的應(yīng)用具有以下優(yōu)點(diǎn)：1)學(xué)習(xí)能力：人工神經(jīng)網(wǎng)絡(luò)具有學(xué)習(xí)的能力，通過學(xué)習(xí)，人工神經(jīng)網(wǎng)絡(luò)具有很好的輸入-輸出映射能力。學(xué)習(xí)方式可分為：有導(dǎo)師學(xué)習(xí)（Learning With a Teacher）和無導(dǎo)師學(xué)習(xí)（Learning Without a Teacher）；2)容錯(cuò)性：容錯(cuò)包括空間上的容錯(cuò)、時(shí)間上的容錯(cuò)和故障檢測(cè)。容錯(cuò)性是生物神經(jīng)網(wǎng)絡(luò)所具有的特性，靠硬件或軟件實(shí)現(xiàn)的人工神經(jīng)網(wǎng)絡(luò)也具有容錯(cuò)性。由于在人工神經(jīng)網(wǎng)絡(luò)中信息存儲(chǔ)具有分布特性，這意味著局部的損害會(huì)使人工神經(jīng)網(wǎng)絡(luò)的運(yùn)行適度地減弱，但不會(huì)產(chǎn)生災(zāi)難性的后果；3)適應(yīng)性：人工神經(jīng)網(wǎng)絡(luò)具有調(diào)整權(quán)值以適應(yīng)變化的能力，尤其是在特定環(huán)境中訓(xùn)練的神經(jīng)網(wǎng)絡(luò)能很容易地被再次訓(xùn)練以處理?xiàng)l件的變化，這反映了人工神經(jīng)網(wǎng)絡(luò)的適應(yīng)性；4)并行分布處理：采用并行分布處理方法，同時(shí)由于計(jì)算機(jī)硬件的迅猛發(fā)展，使得快速進(jìn)行大量運(yùn)算成為可能；5)仿真軟件的逐步完善：人工神經(jīng)網(wǎng)絡(luò)仿真軟件的逐步完善，將人們從繁瑣的編程中解放出來，同時(shí)也為人工神經(jīng)網(wǎng)絡(luò)在各領(lǐng)域的應(yīng)用研究提供了可進(jìn)行分析和預(yù)測(cè)的能力。
缺點(diǎn)：研究受到腦科學(xué)研究成果的限制；缺少一個(gè)完整、成熟的理論體系；研究帶有濃厚的策略和經(jīng)驗(yàn)色彩；與傳統(tǒng)技術(shù)的接口不成熟。
4 神經(jīng)網(wǎng)絡(luò)在各領(lǐng)域的應(yīng)用研究探討
4.1 神經(jīng)網(wǎng)絡(luò)在經(jīng)濟(jì)領(lǐng)域的應(yīng)用研究探討
神經(jīng)網(wǎng)絡(luò)在經(jīng)濟(jì)領(lǐng)域的應(yīng)用主要有：1)價(jià)格預(yù)測(cè)影響商品和服務(wù)：價(jià)格變動(dòng)的因素是復(fù)雜、多變的，傳統(tǒng)的統(tǒng)計(jì)經(jīng)濟(jì)學(xué)方法存在不適合動(dòng)態(tài)系統(tǒng)、建模復(fù)雜等局限性，難以對(duì)價(jià)格變動(dòng)做出科學(xué)的預(yù)測(cè)，人工神經(jīng)網(wǎng)絡(luò)容易處理不完整的、模糊不確定或規(guī)律性不明顯的數(shù)據(jù)，所以用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行價(jià)格預(yù)測(cè)是可行的，且有著傳統(tǒng)方法無法比擬的優(yōu)勢(shì)；2)風(fēng)險(xiǎn)評(píng)估：風(fēng)險(xiǎn)是由于從事某項(xiàng)特定活動(dòng)過程中存在的不確定性而產(chǎn)生的經(jīng)濟(jì)或財(cái)務(wù)的損失、自然破壞或損傷的可能性。防范風(fēng)險(xiǎn)的最好辦法就是事先對(duì)風(fēng)險(xiǎn)做出科學(xué)的預(yù)測(cè)和評(píng)估，傳統(tǒng)的專家評(píng)估依賴于專家的經(jīng)驗(yàn)，存在著人為和主觀的因素，人工神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)思想是建立風(fēng)險(xiǎn)來源和風(fēng)險(xiǎn)評(píng)價(jià)系數(shù)的非線性映射，提供定量的解決方案，彌補(bǔ)了主觀評(píng)估的不足。商業(yè)銀行的風(fēng)險(xiǎn)管理問題是我國加入WTO后的一個(gè)突出問題。目前，信用風(fēng)險(xiǎn)仍然是我國商業(yè)銀行最主要的風(fēng)險(xiǎn)。我國商業(yè)銀行目前正處在轉(zhuǎn)軌時(shí)期，用傳統(tǒng)方法評(píng)估信用風(fēng)險(xiǎn)難以達(dá)到滿意的效果，而神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)能力強(qiáng)，容錯(cuò)性好，具有很強(qiáng)的魯棒性，適合評(píng)價(jià)信息不全的系統(tǒng)。根據(jù)我國的具體現(xiàn)實(shí)，運(yùn)用人工神經(jīng)網(wǎng)絡(luò)技術(shù)，構(gòu)造出適合中國的信用風(fēng)險(xiǎn)模型，并對(duì)某國有銀行提供的數(shù)據(jù)進(jìn)行了實(shí)證研究。
4.2 神經(jīng)網(wǎng)絡(luò)在食品工業(yè)中的應(yīng)用研究探討
神經(jīng)網(wǎng)絡(luò)在食品工業(yè)中的應(yīng)用研究主要有：1)外來物的探測(cè)：對(duì)食品中偶爾混入極少量的外來物采用先進(jìn)的儀器探測(cè)方法，如X射線衍射，可較為快速而準(zhǔn)確地檢測(cè)出食品中夾帶的外來物。儀器探測(cè)法產(chǎn)生大量的測(cè)量數(shù)據(jù)可以利用分析運(yùn)算方法能快速地從大量的數(shù)據(jù)中找出差異而判別出外來物，從而提高生產(chǎn)的效率。分析方法很多，但目前較為有效的是ANN法――例如對(duì)于軟質(zhì)外來物如木屑和塑料，在X射線數(shù)據(jù)上外來物與食品原料的差異很小，情況更為復(fù)雜，很難做出判別。根據(jù)ANN自學(xué)習(xí)自適應(yīng)的特點(diǎn)，不是只采用一個(gè)簡(jiǎn)單的ANN，而是構(gòu)造了一組子網(wǎng)絡(luò)。讓每一子網(wǎng)絡(luò)用來識(shí)別一種外來物，各自訓(xùn)練子網(wǎng)絡(luò)，然后將結(jié)果最后融合輸入一個(gè)決策單元，讓決策單元決定食品是否合格；2)摻假食品的鑒別：摻假物是人為地故意地加入食品中，可根據(jù)不同食品初步估計(jì)加入的摻假物的種類，選用相應(yīng)的檢測(cè)方法，并結(jié)合ANN算法對(duì)測(cè)量數(shù)據(jù)分析，可獲得較滿意的結(jié)果；3)分類與分級(jí)：果蔬外觀特征很多，隨季節(jié)、產(chǎn)地和品種不同而不同，可抽取主要特征，再運(yùn)用ANN模式識(shí)別算法進(jìn)行分類。顏色往往是衡量果蔬外部品質(zhì)的一個(gè)重要指標(biāo)，也間接反映果蔬的成熟度和內(nèi)部品質(zhì)，高品質(zhì)的果蔬一般著色好。此外，ANN除可進(jìn)行果蔬分類（分級(jí)）外，還可以對(duì)肉類分級(jí)。從肉類的圖像處理數(shù)據(jù)中提取“大理石紋值”（marbling score，表征脊肉中脂肪分布密度）來表征肉類質(zhì)量，運(yùn)用三層前向型ANN進(jìn)行模式識(shí)別，效果令人滿意；4)加工過程的仿真與控制：食品加工過程總是難以規(guī)范地操作，因?yàn)槭称肺锪系男再|(zhì)與季節(jié)、產(chǎn)地與氣候緊密地聯(lián)系，同是由于缺乏合適的傳感器或不足夠和不精確的在線測(cè)量，以及食品的物性的時(shí)變性。在傳統(tǒng)的過程仿真中，需要建立假設(shè)、簡(jiǎn)化和大量的參數(shù)用來建立數(shù)學(xué)模型，這有可能與實(shí)際情況相差很遠(yuǎn)。因此，具有對(duì)非線性和非穩(wěn)態(tài)系統(tǒng)有強(qiáng)處理能力的ANN尤適合應(yīng)用于食品加工；5)感觀評(píng)價(jià)與預(yù)測(cè)、食品配方設(shè)計(jì)等：以往常用的建模方法是多元回歸法，但是在多因子、非線性的條件下多元回歸法并不適用。ANN則有效地解決這一問題。采用ANN先對(duì)已有的27組數(shù)據(jù)進(jìn)行擬合；然后用ANN進(jìn)行模擬，輸入各種配方成分的含量，ANN就會(huì)輸出預(yù)測(cè)結(jié)果，從中挑選出最佳的配方。
4.3 神經(jīng)網(wǎng)絡(luò)在環(huán)境科學(xué)與工程中的應(yīng)用探討
神經(jīng)網(wǎng)絡(luò)在環(huán)境科學(xué)與工程中的應(yīng)用主要有：1)環(huán)境質(zhì)量評(píng)價(jià)；2)環(huán)境系統(tǒng)因素預(yù)測(cè)；3)環(huán)境因素定量關(guān)系模擬構(gòu)效分析、成因分析；4)污染防治系統(tǒng)建模。由于BP神經(jīng)網(wǎng)絡(luò)具有優(yōu)良的非線性逼近能力，1994年以來，已在環(huán)境科學(xué)與工程的環(huán)境質(zhì)量評(píng)價(jià)與預(yù)測(cè)、監(jiān)測(cè)點(diǎn)的優(yōu)化布置、社會(huì)經(jīng)濟(jì)環(huán)境可持續(xù)發(fā)展、污染物降解與釋放、水（處理、生態(tài)）系統(tǒng)的模擬與預(yù)測(cè)等方面獲得了廣泛的應(yīng)用。
5 結(jié)束語
由于神經(jīng)網(wǎng)絡(luò)學(xué)科的范圍涉及很廣泛，文中僅在那些有發(fā)展前途的領(lǐng)域中，列舉出少數(shù)幾個(gè)方向，應(yīng)該說明的是，除了上述列舉的以外，還有形形的、規(guī)?？捎^的研究工作正在進(jìn)行，其未來的發(fā)展必將是激動(dòng)人心的。神經(jīng)網(wǎng)絡(luò)理論的前沿問題必將滲透在21世紀(jì)科學(xué)的挑戰(zhàn)性問題中，并將取得重大的突破。
參考文獻(xiàn)：
第9篇：人工神經(jīng)網(wǎng)絡(luò)法范文
關(guān)鍵詞：BP人工神經(jīng)網(wǎng)絡(luò)；RBF人工神經(jīng)網(wǎng)絡(luò)；經(jīng)濟(jì)增長預(yù)測(cè)
中圖分類號(hào)：TP183文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：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 經(jīng)濟(jì)預(yù)測(cè)概論
經(jīng)濟(jì)預(yù)測(cè)是與未來有關(guān)的旨在減少不確定性對(duì)經(jīng)濟(jì)活動(dòng)影響的一種經(jīng)濟(jì)分析。它是對(duì)將來經(jīng)濟(jì)發(fā)展的科學(xué)認(rèn)識(shí)活動(dòng)。經(jīng)濟(jì)預(yù)測(cè)不是靠經(jīng)驗(yàn)、憑直覺的預(yù)言或猜測(cè)，而是以科學(xué)的理論和方法、可靠的資料、精密的計(jì)算及對(duì)客觀規(guī)律性的認(rèn)識(shí)所作出的分析和判斷。
2 人工神經(jīng)網(wǎng)絡(luò)經(jīng)濟(jì)預(yù)測(cè)技術(shù)
由于人工神經(jīng)網(wǎng)絡(luò)具有大規(guī)模并行處理、容錯(cuò)性、自適應(yīng)和聯(lián)想功能強(qiáng)等特點(diǎn)，作為非線性智能預(yù)測(cè)方法的人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法成為國內(nèi)外經(jīng)濟(jì)預(yù)測(cè)研究的一個(gè)熱點(diǎn)。
人工神經(jīng)網(wǎng)絡(luò)不斷應(yīng)用于證券預(yù)測(cè)分析、企業(yè)經(jīng)濟(jì)戰(zhàn)略預(yù)測(cè)、經(jīng)濟(jì)理論創(chuàng)新、經(jīng)濟(jì)預(yù)測(cè)預(yù)警等研究中，都得到了一定的效果。
3 BP與RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型分析
3.1 經(jīng)濟(jì)增長神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)模型
3.1.1 宏觀經(jīng)濟(jì)預(yù)測(cè)指標(biāo)
經(jīng)濟(jì)增長率是判斷宏觀經(jīng)濟(jì)運(yùn)行狀況的一個(gè)主要指標(biāo)。經(jīng)濟(jì)增長率指的就是不變價(jià)國內(nèi)生產(chǎn)總值增長率(簡(jiǎn)稱國內(nèi)生產(chǎn)總值增長率。因此，判斷宏觀經(jīng)濟(jì)運(yùn)行狀況要落腳到對(duì)國內(nèi)生產(chǎn)總值的核算上。在本文中我們采用GDP的增長率來作為預(yù)測(cè)目標(biāo)。
3.1.2 神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)模型經(jīng)濟(jì)模型的設(shè)計(jì)
本論文采用兩種模型對(duì)經(jīng)濟(jì)進(jìn)行預(yù)測(cè)。
1) 第一種 GDP預(yù)測(cè)模型：第n年的一、二、三產(chǎn)業(yè)的增長率作為輸入，第n+1年GDP增長率作為輸出。
2) 第二種預(yù)測(cè)模型。第n-3、n-2、n-1、n年的經(jīng)濟(jì)增長率作為輸入，第n-1、n、n+1年經(jīng)濟(jì)增長率作為輸出。
這里還要說明兩個(gè)問題。第一我們用到的數(shù)據(jù)來自2009年 浙江省統(tǒng)計(jì)年鑒，它的網(wǎng)址是 。
3.1.3 神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)
設(shè)計(jì)經(jīng)濟(jì)預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)模型前，首先需要確定神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，主要包括如下內(nèi)容：網(wǎng)絡(luò)的層數(shù)，每層的神經(jīng)元數(shù)和激活函數(shù)等。采用的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1。
3.2 使用BP在以浙江省過去的每年的GDP增長指數(shù)的基礎(chǔ)上進(jìn)行BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)
3.2.1 學(xué)習(xí)樣本的選擇
本次實(shí)驗(yàn)使用Matlab 軟件采用3層BP神經(jīng)網(wǎng)絡(luò)建立浙江省經(jīng)濟(jì)發(fā)展的的預(yù)測(cè)模型。輸入層節(jié)點(diǎn)數(shù)為n=4，輸出層節(jié)點(diǎn)m=3.而隱含層節(jié)點(diǎn)數(shù)的選擇是人工神經(jīng)網(wǎng)絡(luò)最為關(guān)鍵的一步，它直接影響網(wǎng)絡(luò)隊(duì)復(fù)雜問題的映射能力，實(shí)驗(yàn)中我們采用試湊法來確定最佳節(jié)點(diǎn)數(shù)?，F(xiàn)設(shè)置較少的隱節(jié)點(diǎn)訓(xùn)練網(wǎng)絡(luò)，然后逐漸增加網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)，用同一樣本進(jìn)行訓(xùn)練，從中確定網(wǎng)絡(luò)誤差最小時(shí)對(duì)應(yīng)的節(jié)點(diǎn)數(shù)，隱層、輸出層神經(jīng)元的轉(zhuǎn)移函數(shù)，隱含層和輸出層轉(zhuǎn)移函數(shù)分別采用tansig和logsig，訓(xùn)練函數(shù)選擇traindx。
3.2.2 數(shù)值歸一化處理
對(duì)于浙江省經(jīng)濟(jì)增長序列Q=（Q1，Q2…，Qt）。設(shè)序列的最大值、最小值分別為Qmax、Qmin。對(duì)時(shí)間序列的值作歸一化處理。
令xi=(Qi-Qmin)/(Qmax-Qmin)
3.2.3 樣本數(shù)據(jù)訓(xùn)練和數(shù)據(jù)預(yù)測(cè)
采用1978～2003年的數(shù)據(jù)樣本在MatLab7.0軟件中對(duì)輸入網(wǎng)絡(luò)進(jìn)行訓(xùn)練.隱層節(jié)點(diǎn)數(shù)先從4開始訓(xùn)練，逐步增加到12時(shí)，當(dāng)數(shù)值 為10時(shí)預(yù)測(cè)結(jié)果較好。允許誤差為0.001，訓(xùn)練3217次達(dá)到訓(xùn)練要求。
采用1978～2004年的數(shù)據(jù)作為第一組訓(xùn)練數(shù)據(jù)，2005-年數(shù)據(jù)作為仿真預(yù)測(cè)數(shù)據(jù)，通過神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)GDP。采用1978～2005年的數(shù)據(jù)作為第一組訓(xùn)練數(shù)據(jù)，2006年數(shù)據(jù)作為仿真預(yù)測(cè)數(shù)據(jù)，通過神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)GDP， 采用1978～2006年的數(shù)據(jù)作為第一組訓(xùn)練數(shù)據(jù)，2007-年數(shù)據(jù)作為仿真預(yù)測(cè)數(shù)據(jù)，通過神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)GDP，依次類推，產(chǎn)生結(jié)果如表1所示。
3.2.4 數(shù)據(jù)分析
從2000-2004的擬合數(shù)據(jù)來看，相對(duì)誤差比較小，BP網(wǎng)絡(luò)對(duì)整個(gè)模擬數(shù)據(jù)的擬合程度還是比較好的，但是從2005-2009的預(yù)測(cè)數(shù)據(jù)來看預(yù)測(cè)數(shù)據(jù)的誤差還是比較大的，這也說明對(duì)未來的預(yù)測(cè)是很難的。各種不確定的因素在起作用。
3.3 三種產(chǎn)業(yè)增加率BP確定法預(yù)測(cè)GDP
3.3.1 樣本數(shù)據(jù)訓(xùn)練
將1978-2004年數(shù)據(jù)對(duì)輸入網(wǎng)絡(luò)進(jìn)行訓(xùn)練。然后把需要預(yù)測(cè)的樣本2000-2004年的樣本數(shù)據(jù)輸入網(wǎng)絡(luò)，得到結(jié)果，然后用反歸一化公式獲得結(jié)果。在Matlab7.0中調(diào)用newff函數(shù)，建立一個(gè)3個(gè)輸入節(jié)點(diǎn)、18個(gè)隱含層節(jié)點(diǎn)、一個(gè)輸出結(jié)點(diǎn)的BP神經(jīng)網(wǎng)絡(luò)，隱含層和輸出層轉(zhuǎn)移函數(shù)分別采用tansig和logsig，訓(xùn)練函數(shù)選擇traindx，允許誤差為0.001，訓(xùn)練1748次達(dá)到訓(xùn)練要求。
采用1978～2004年的數(shù)據(jù)作為第一組訓(xùn)練數(shù)據(jù)，2005年數(shù)據(jù)作為仿真預(yù)測(cè)數(shù)據(jù)，通過神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)GDP。采用1978～2005年的數(shù)據(jù)作為第一組訓(xùn)練數(shù)據(jù)，2006年數(shù)據(jù)作為仿真預(yù)測(cè)數(shù)據(jù)，通過神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)GDP， 采用1978～2006年的數(shù)據(jù)作為第一組訓(xùn)練數(shù)據(jù)，2007年數(shù)據(jù)作為仿真預(yù)測(cè)數(shù)據(jù)，通過神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)GDP，依次類推，產(chǎn)生結(jié)果如表2所示。
3.3.2 數(shù)據(jù)分析
從預(yù)測(cè)數(shù)據(jù)來看預(yù)測(cè)數(shù)據(jù)的誤差盡管比上一種類型的數(shù)據(jù)要好，但是誤差還是比較大的，但是考慮到預(yù)測(cè)的能力 ，數(shù)據(jù)還是可以接受的 。但是數(shù)據(jù)誤差還是比較大的，這也說明對(duì)未來的預(yù)測(cè)是很難的，不是十分確定的，有些文章的數(shù)據(jù)精確度挺高的，但我想應(yīng)該是不太可能的，也許有故意湊數(shù)據(jù)的嫌疑。如果預(yù)測(cè)一年的話，可以通過調(diào)整參數(shù)獲得近似結(jié)果，但是很多年就很困難。
3.4 使用RBF在以浙江省過去的每年的GDP增長指數(shù)的基礎(chǔ)上進(jìn)行RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè).
3.4.1 RBF 神經(jīng)網(wǎng)絡(luò)模型設(shè)計(jì)
該種方式與第一種BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法類似， 以以前四年的GDP增長率作為輸入，后兩年加以預(yù)測(cè)的年作為輸出。輸入層節(jié)點(diǎn)數(shù)為n=4，輸出層節(jié)點(diǎn)m=3.而隱含層節(jié)點(diǎn)數(shù)的選擇是采用matlab的newrbe自動(dòng)來設(shè)置.然后用同一樣本進(jìn)行訓(xùn)練。
3.4.2 樣本數(shù)據(jù)訓(xùn)練和數(shù)據(jù)預(yù)測(cè)
1) 采用1978～2004年的數(shù)據(jù)作為第一組訓(xùn)練數(shù)據(jù)，2005年數(shù)據(jù)作為仿真預(yù)測(cè)數(shù)據(jù)，通過神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)GDP。采用1978～2005年的數(shù)據(jù)作為第一組訓(xùn)練數(shù)據(jù)，2006年數(shù)據(jù)作為仿真預(yù)測(cè)數(shù)據(jù)，通過神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)GDP，依次類推，產(chǎn)生結(jié)果如表3所示。這兒采用newrbe函數(shù)，spread參數(shù)為0.25。這是因?yàn)橥ㄟ^測(cè)試采用0.25獲得的數(shù)據(jù)結(jié)果較好。
3.4.3 數(shù)據(jù)分析
從實(shí)驗(yàn)數(shù)據(jù)看，RBF對(duì)整個(gè)模擬數(shù)據(jù)的曲線擬合程度是相當(dāng)完美，但是從2005-2009的預(yù)測(cè)數(shù)據(jù)來看預(yù)測(cè)數(shù)據(jù)的誤差還是比較大的，這也說明RBF神經(jīng)網(wǎng)絡(luò)盡管曲線的擬合程度比BP網(wǎng)絡(luò)好 ，但是從預(yù)測(cè)的能力來講，并不比BP網(wǎng)絡(luò)好，反而通過試驗(yàn)顯得更差一些。這仍然表明對(duì)未來的預(yù)測(cè)是很難的。各種不確定的因素在起作用。神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)也只能作為參考之用，不能對(duì)各種的突發(fā)事件進(jìn)行預(yù)測(cè)。
3.5 使用RBF三種產(chǎn)業(yè)增加率確定法預(yù)測(cè)GDP
3.5.1 RBF神經(jīng)網(wǎng)絡(luò)模型設(shè)計(jì)
該種方式與對(duì)應(yīng)的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法類似， 以一年的三種產(chǎn)業(yè)增長率作為輸入，后一年的GDP增長率預(yù)測(cè)作為輸出。本次實(shí)驗(yàn)采用RBF神經(jīng)網(wǎng)絡(luò)建立浙江省經(jīng)濟(jì)發(fā)展的的預(yù)測(cè)模型。輸入層節(jié)點(diǎn)數(shù)為n=3，輸出層節(jié)點(diǎn)m=1.而隱含層節(jié)點(diǎn)數(shù)的選擇采用RBF自動(dòng)的newrbe方法實(shí)現(xiàn)。
3.5.2 數(shù)據(jù)處理
1) 采用1978～2004年的數(shù)據(jù)作為第一組訓(xùn)練數(shù)據(jù)，2005年數(shù)據(jù)作為仿真預(yù)測(cè)數(shù)據(jù)，通過神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)GDP。采用1978～2005年的數(shù)據(jù)作為第一組訓(xùn)練數(shù)據(jù)，2006年數(shù)據(jù)作為仿真預(yù)測(cè)數(shù)據(jù)，通過神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)GDP， 采用1978～2006年的數(shù)據(jù)作為第一組訓(xùn)練數(shù)據(jù)，2007-年數(shù)據(jù)作為仿真預(yù)測(cè)數(shù)據(jù)，通過神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)GDP，依次類推，產(chǎn)生結(jié)果如表4所示。
3.5.3 數(shù)據(jù)分析
但是從2005-2009的預(yù)測(cè)數(shù)據(jù)來看預(yù)測(cè)數(shù)據(jù)的誤差比上一組得RBF的誤差還要大，幾乎有點(diǎn)難以接受。這也說明RBF神經(jīng)網(wǎng)絡(luò)盡管曲線的擬合程度比BP網(wǎng)絡(luò)好，但是從預(yù)測(cè)的能力來講，并不比BP網(wǎng)絡(luò)好，反而我通過試驗(yàn)更差一些。2009年的數(shù)據(jù)變得極為不合理，從而導(dǎo)致數(shù)據(jù)的偏差性很高。，從測(cè)試數(shù)據(jù)可看出，但是由于經(jīng)濟(jì)運(yùn)行的復(fù)雜性，以及不可預(yù)知性，特別是由于2008的美國金融導(dǎo)致的世界范圍的經(jīng)濟(jì)危機(jī)，導(dǎo)致經(jīng)濟(jì)數(shù)據(jù)的不可靠性大大增加，歷史數(shù)據(jù)變得用處不太大。2009年的數(shù)據(jù)變得極為不合理，從而導(dǎo)致數(shù)據(jù)的偏差性很高。
4 總結(jié)與歸納
從我們的試驗(yàn)來看，各種神經(jīng)網(wǎng)絡(luò)的確可以對(duì)未來進(jìn)行預(yù)測(cè)，但是精度多高卻有一些問題，從我們的試驗(yàn)來看BP神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)要比RBF神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)要好，但是也只在一定范圍內(nèi) ，四種檢測(cè)方法，只有一種數(shù)據(jù)還略微能夠接受。神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)仍然需要不斷的完善。
參考文獻(xiàn)：
[1] 張德豐.Matlab神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計(jì)[M].北京:機(jī)械工業(yè)出版社,2009.
[2] 高雋.人工神經(jīng)網(wǎng)絡(luò)原理及仿真實(shí)例[M].2版.北京:機(jī)械工業(yè)出版社,2007.
[3] 韓力群.人工神經(jīng)網(wǎng)絡(luò)理論、設(shè)計(jì)與應(yīng)用[M].2版.北京:化學(xué)工業(yè)出版社,2007.
