神經(jīng)網(wǎng)絡(luò)實(shí)驗(yàn)總結(jié)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)實(shí)驗(yàn)總結(jié)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)實(shí)驗(yàn)總結(jié)范文

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò) 入侵檢測(cè)；自動(dòng)變速率；隨機(jī)優(yōu)化算子

中圖分類號(hào)：TP18 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2014）03-0614-03

隨著互聯(lián)網(wǎng)應(yīng)用的發(fā)展，更現(xiàn)顯了網(wǎng)絡(luò)安全的重要性。入侵檢測(cè)技術(shù)在安全防護(hù)中是一種主動(dòng)防護(hù)技術(shù)，能及時(shí)地檢測(cè)各種惡意入侵，并在網(wǎng)絡(luò)系統(tǒng)受到危害時(shí)進(jìn)行響應(yīng)，因此在為安全防御體系中入侵檢測(cè)系統(tǒng)占有重要的地位。但是在現(xiàn)實(shí)的應(yīng)用中，入侵檢測(cè)系統(tǒng)沒(méi)有充分發(fā)揮其作用。這是因?yàn)椋粩嘧兓娜肭址绞揭笕肭謾z測(cè)模型必須具有分析大量數(shù)據(jù)的能力。無(wú)論這些數(shù)據(jù)是不完全的，是非結(jié)構(gòu)化的，或者是含有噪音的。而且，有些攻擊是由處于不同網(wǎng)絡(luò)位置上的多個(gè)攻擊者協(xié)作進(jìn)行的，這就要求入侵檢測(cè)模型又必須具備處理來(lái)自非線性數(shù)據(jù)源的大量數(shù)據(jù)的能力。神經(jīng)網(wǎng)絡(luò)具有聯(lián)想記憶能力、自學(xué)習(xí)能力和模糊運(yùn)算的能力。因此將神經(jīng)網(wǎng)絡(luò)應(yīng)用入侵檢測(cè)中，它不僅可以識(shí)別出曾見(jiàn)過(guò)的入侵，還可以識(shí)別出未曾見(jiàn)過(guò)的入侵。該文首先介紹了一種改進(jìn)的神經(jīng)網(wǎng)絡(luò)算法，然后分析了該算法在入侵檢測(cè)中的應(yīng)用，并給出試驗(yàn)仿真結(jié)果。

1 BP神經(jīng)網(wǎng)絡(luò)與入侵檢測(cè)

1.1 BP神經(jīng)網(wǎng)絡(luò)的特點(diǎn)與不足

BP神經(jīng)網(wǎng)絡(luò)是神經(jīng)網(wǎng)絡(luò)模型中應(yīng)用最廣泛一種。它基于成熟的BP算法，主要有以下幾個(gè)特點(diǎn)：1）它能夠?qū)崿F(xiàn)自組織、自學(xué)習(xí)，根據(jù)給定的輸入輸出樣本自動(dòng)調(diào)整它的網(wǎng)絡(luò)參數(shù)來(lái)模擬輸入輸出之間的非線性關(guān)系。2）在存儲(chǔ)上采用分布式存儲(chǔ)，所有的信息分布存儲(chǔ)在每一個(gè)神經(jīng)元中。3）它還可以實(shí)現(xiàn)并行處理，下一層的每個(gè)神經(jīng)元可以根據(jù)接收到的上一層信息同時(shí)獨(dú)立地計(jì)算。這些特點(diǎn)使其很適合應(yīng)用于入侵檢測(cè)技術(shù)，滿足入侵檢測(cè)的適應(yīng)性、可靠性、安全性和高效性的要求。

但是傳統(tǒng)的BP算法也存在著以下幾個(gè)方面的不足：1）局部極?。?）學(xué)習(xí)算法收斂速度慢；3）隱含層節(jié)點(diǎn)選取缺乏理論；4）加入新的樣本會(huì)影響已經(jīng)學(xué)完的樣本；5）每次輸入樣本特征的數(shù)目必須確定且相同。

1.2 入侵檢測(cè)技術(shù)

通過(guò)對(duì)系統(tǒng)數(shù)據(jù)的分析，當(dāng)發(fā)現(xiàn)有非授權(quán)的網(wǎng)絡(luò)訪問(wèn)和攻擊行為時(shí)，采取報(bào)警、切斷入侵線路等措施來(lái)維護(hù)網(wǎng)絡(luò)安全，這被就是入侵檢測(cè)技術(shù)。采用此技術(shù)設(shè)計(jì)的系統(tǒng)稱為入侵檢測(cè)系統(tǒng)。根據(jù)采用的技術(shù)來(lái)說(shuō)入侵檢測(cè)系統(tǒng)應(yīng)具有以下幾個(gè)特性：1）監(jiān)視用戶及系統(tǒng)活動(dòng)；2） 分析用戶及系統(tǒng)活動(dòng)；3） 異常行為模式分析；4） 識(shí)別已知的進(jìn)攻活動(dòng)模式并反映報(bào)警；5） 系統(tǒng)構(gòu)造和弱點(diǎn)的審計(jì)，操作系統(tǒng)的審計(jì)跟蹤管理；6） 評(píng)估重要的系統(tǒng)和數(shù)據(jù)文件的完整性，并識(shí)別用戶違反安全策略的行為。

目前最常用的攻擊手段有：拒絕服務(wù)、探測(cè)、非授權(quán)訪問(wèn)和非授權(quán)獲得超級(jí)用戶權(quán)限攻擊。而且這些攻擊手段在實(shí)際中還有很大的變異，因此給入侵檢測(cè)帶來(lái)了一定的難度。BP神經(jīng)網(wǎng)絡(luò)的自組織自學(xué)習(xí)能力，使得經(jīng)過(guò)訓(xùn)練后的BP神經(jīng)網(wǎng)絡(luò)對(duì)以前觀察到的入侵檢測(cè)行為模式進(jìn)行歸納總結(jié)，除了可以識(shí)別出已經(jīng)觀察到的攻擊，還可以識(shí)別出由已知攻擊變異出的新的攻擊，甚至是全新的攻擊。

2.3 改進(jìn)的神經(jīng)網(wǎng)絡(luò)算法

人工神經(jīng)網(wǎng)絡(luò)在模式識(shí)別、非線性處理、信號(hào)檢測(cè)等領(lǐng)域應(yīng)用非常多，這是由于人工神經(jīng)網(wǎng)絡(luò)具有的良好的自適應(yīng)和自組織性，高度的非線性特性以及大規(guī)模并行處理和分布式信息存儲(chǔ)能力的特性。BP神經(jīng)網(wǎng)絡(luò)算法實(shí)質(zhì)上是非線性優(yōu)化問(wèn)題的梯度算法，該算法在收斂性問(wèn)題上存在限制與不足。即該算法學(xué)習(xí)的結(jié)果不能保證一定收斂到均方誤差的全局最小點(diǎn)，也有可能落入局部極小點(diǎn)，使算法不收斂，導(dǎo)致陷入錯(cuò)誤的工作模式。因此本文選擇了改進(jìn)的神經(jīng)網(wǎng)絡(luò)，改進(jìn)主要有以下幾點(diǎn)：

2）自動(dòng)變速率學(xué)習(xí)法

傳統(tǒng)的BP算法是以梯度為基礎(chǔ)，采用LMS學(xué)習(xí)問(wèn)題的最陡下降法，學(xué)習(xí)步長(zhǎng)是一個(gè)固定不變的較小值，不利于網(wǎng)絡(luò)的收斂。因此，選擇了基于梯度方向來(lái)自動(dòng)調(diào)節(jié)學(xué)習(xí)速率的方法。利用梯度確定學(xué)習(xí)的方向，由速率決定在梯度方向上學(xué)習(xí)的步長(zhǎng)。因此，如果相鄰兩次的梯度方向相同則說(shuō)明在該方向是有利收斂的方向，如果相鄰兩次的梯度方向相反則說(shuō)明此處存在不穩(wěn)定。因此，可以利用兩次相對(duì)梯度變化來(lái)確定學(xué)習(xí)步長(zhǎng)，當(dāng)兩次梯度方向相同時(shí)則增大學(xué)習(xí)步長(zhǎng)，加快在該方向上的學(xué)習(xí)速度；而如果兩次梯度方向相反那么減小學(xué)習(xí)步長(zhǎng)，加快整個(gè)網(wǎng)絡(luò)的收斂速度。這種方法的自適應(yīng)速率調(diào)節(jié)公式如下：

2）引入遺忘因子

本文所采用的自適應(yīng)變速率學(xué)習(xí)法是依據(jù)相鄰兩次梯度變化來(lái)確定學(xué)習(xí)步長(zhǎng)的算法，但單純的學(xué)習(xí)速率的變化還不能即完全地既保證收斂速度，又不至于引起振蕩。因此考慮變相的學(xué)習(xí)速率的學(xué)習(xí)。即在權(quán)值的調(diào)節(jié)量上再加一項(xiàng)正比于前幾次加權(quán)的量。權(quán)值調(diào)節(jié)量為：

我們將[τ]稱為遺忘因子。遺忘因子項(xiàng)的引入就是對(duì)學(xué)習(xí)過(guò)程中等效的對(duì)學(xué)習(xí)速率進(jìn)行微調(diào)的效果。遺忘因子起到了緩沖平滑的作用，使得調(diào)節(jié)向著底部的平均方向變化。

3）隨機(jī)優(yōu)化算子

雖然采用自動(dòng)變速率學(xué)習(xí)法，并引入遺忘因子的神經(jīng)網(wǎng)絡(luò)算法可以對(duì)學(xué)習(xí)速率進(jìn)行微調(diào)，但是仍存在著B(niǎo)P神經(jīng)網(wǎng)絡(luò)的限制與不足因此引入隨機(jī)優(yōu)化算子。也就是當(dāng)網(wǎng)絡(luò)的權(quán)值誤差迭代一定的次數(shù)后，仍沒(méi)有明顯的收斂，或者系統(tǒng)誤差函數(shù)的梯度連續(xù)幾次發(fā)生改變，這說(shuō)明網(wǎng)絡(luò)進(jìn)入了一個(gè)比較疲乏的狀態(tài)，需要借助外界的推動(dòng)力來(lái)激活網(wǎng)絡(luò)。當(dāng)發(fā)現(xiàn)上述的兩種情況時(shí)，就產(chǎn)生與權(quán)值維數(shù)相同的隨機(jī)數(shù)，并將隨機(jī)數(shù)與權(quán)值直接相加，然后判斷系統(tǒng)誤差的變化。如果誤差沒(méi)有降低，那么就再繼續(xù)產(chǎn)生隨機(jī)數(shù)來(lái)修改權(quán)值，直到誤差減少，再?gòu)男碌臋?quán)值開(kāi)始繼續(xù)BP算法。隨機(jī)優(yōu)化算子可以令搜索方向隨機(jī)變化，從而擺脫局部極小點(diǎn)。

4）改進(jìn)算法與傳統(tǒng)算法比較

以200個(gè)訓(xùn)練樣本為例，分別采用改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)和經(jīng)典BP神經(jīng)網(wǎng)絡(luò)的方法進(jìn)行學(xué)習(xí)、訓(xùn)練。兩種算法的誤差收斂對(duì)比曲線如圖1所示。

3 采用改進(jìn)算法的入侵檢測(cè)仿真實(shí)驗(yàn)

入侵檢測(cè)系統(tǒng)進(jìn)行測(cè)試和評(píng)估需要標(biāo)準(zhǔn)的、可重現(xiàn)的并包含入侵的大量數(shù)據(jù)。本仿真實(shí)驗(yàn)選取DARPA數(shù)據(jù)集網(wǎng)絡(luò)連接數(shù)據(jù)集作為實(shí)驗(yàn)數(shù)據(jù)。然后，對(duì)這些數(shù)據(jù)選三組特征值進(jìn)行實(shí)驗(yàn)，并給出實(shí)驗(yàn)結(jié)果。

3.1 數(shù)據(jù)源的選取

該實(shí)驗(yàn)的數(shù)據(jù)采用DARPA 1988入侵檢測(cè)評(píng)估數(shù)據(jù)庫(kù)的數(shù)據(jù)。該數(shù)據(jù)有大量的連接數(shù)據(jù)記錄。每個(gè)一記錄代表一次網(wǎng)絡(luò)連接，且每個(gè)記錄均有41個(gè)特征值，其中各個(gè)特征的含義不同，大致可分為三類：1）表示網(wǎng)絡(luò)連接內(nèi)容特征；2）表示網(wǎng)絡(luò)連接基本特征；3）表示網(wǎng)絡(luò)連接流量特征。

模擬的入侵主要有以下四種類型：DOS 、 R2L、U2R、Probing，考慮到設(shè)計(jì)的實(shí)用性分別對(duì)三類特征值用神經(jīng)網(wǎng)絡(luò)分別進(jìn)行訓(xùn)練和識(shí)別。實(shí)驗(yàn)選取了13000組數(shù)據(jù)進(jìn)行仿真實(shí)驗(yàn)，其中3000組用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)，10000組用于系統(tǒng)測(cè)試。

3.2 仿真實(shí)驗(yàn)結(jié)果

對(duì)三類特征組的訓(xùn)練集數(shù)據(jù)應(yīng)用改進(jìn)神經(jīng)網(wǎng)絡(luò)分別訓(xùn)練出三個(gè)神經(jīng)網(wǎng)絡(luò)，表示網(wǎng)絡(luò)連接內(nèi)容特征的神經(jīng)網(wǎng)絡(luò)，表示網(wǎng)絡(luò)連接基本特征的神經(jīng)網(wǎng)絡(luò)以及表示網(wǎng)絡(luò)連接流量的特征的神經(jīng)網(wǎng)絡(luò)在訓(xùn)練成功時(shí)的迭代步數(shù)分別為7056，386，3030。然后再對(duì)測(cè)試集數(shù)據(jù)進(jìn)行測(cè)試，結(jié)果如下：

1）表示網(wǎng)絡(luò)連接內(nèi)容特征組，利用改進(jìn)神經(jīng)網(wǎng)絡(luò)進(jìn)行檢測(cè)識(shí)別，結(jié)果如表1所示。

2）表示網(wǎng)絡(luò)連接基本特征組，利用改進(jìn)神經(jīng)網(wǎng)絡(luò)進(jìn)行檢測(cè)識(shí)別，結(jié)果如表2所示。

3）網(wǎng)絡(luò)連接流量特征組，利用改進(jìn)神經(jīng)網(wǎng)絡(luò)進(jìn)行檢測(cè)識(shí)別，結(jié)果如表3所示：

從表中數(shù)據(jù)可以看出對(duì)常見(jiàn)的四種攻擊，不同的特征分組在改進(jìn)神經(jīng)網(wǎng)絡(luò)的作用下檢測(cè)各有優(yōu)勢(shì)。

4 結(jié)論

論文采用自動(dòng)變速率學(xué)習(xí)法，利用遺忘因子進(jìn)行微調(diào)，同時(shí)引入隨機(jī)優(yōu)化算子對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行了改進(jìn)。改進(jìn)神經(jīng)網(wǎng)絡(luò)的收斂速度比經(jīng)典BP神經(jīng)網(wǎng)絡(luò)更快，同時(shí)穩(wěn)定性也較好。并將該算法應(yīng)用于入侵檢測(cè)實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果顯示改進(jìn)后的算法具有較好的識(shí)別攻擊的能力。

參考文獻(xiàn)：

[1] 肖道舉，毛輝.BP神經(jīng)網(wǎng)絡(luò)在入侵檢測(cè)中的應(yīng)用[J].華中科技大學(xué)學(xué)報(bào)，2003（5）.

[2] 汪潔.基于神經(jīng)網(wǎng)路的入侵檢測(cè)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J].計(jì)算機(jī)應(yīng)用與軟件，2013（5）.

第2篇：神經(jīng)網(wǎng)絡(luò)實(shí)驗(yàn)總結(jié)范文

關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò) 礦山 安全狀態(tài) 評(píng)判能力

中圖分類號(hào)：TD77；TP181 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9416（2015）04-0206-01

通過(guò)改變神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本等方式，對(duì)神經(jīng)網(wǎng)絡(luò)不同訓(xùn)練樣本的反應(yīng)能力進(jìn)行對(duì)比分析，從而探討人工神經(jīng)網(wǎng)絡(luò)對(duì)礦山安全程度評(píng)價(jià)的適應(yīng)性。為了有效的提高人工神經(jīng)網(wǎng)絡(luò)對(duì)礦山安全程度評(píng)價(jià)的能力，可以通過(guò)改變神經(jīng)網(wǎng)絡(luò)的神經(jīng)元數(shù)目以及初值賦值的方式來(lái)測(cè)試不同的結(jié)構(gòu)，從而得出不同參數(shù)下神經(jīng)網(wǎng)絡(luò)對(duì)相同訓(xùn)練樣本的評(píng)價(jià)結(jié)論，以便提高其評(píng)價(jià)能力，在礦山安全狀態(tài)評(píng)判中充分發(fā)揮出人工神經(jīng)網(wǎng)絡(luò)的作用。

1 人工神經(jīng)網(wǎng)絡(luò)中的網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)與原始數(shù)據(jù)的準(zhǔn)備

本文中主要采取如1所示的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，根據(jù)測(cè)試目的的差異性，其測(cè)試過(guò)程中神經(jīng)網(wǎng)絡(luò)的部分性能也就不同，但是對(duì)整個(gè)網(wǎng)絡(luò)結(jié)構(gòu)的性能不會(huì)改變。

這種神經(jīng)網(wǎng)絡(luò)的主體結(jié)構(gòu)是單輸入、三層式BP的網(wǎng)絡(luò)結(jié)構(gòu)，輸出連接、目標(biāo)連接、輸入權(quán)重連接、偏置連接以及層權(quán)連接等是其主要的連接方式。各層神經(jīng)元的分類包括：第一隱含層有8個(gè)正切S型神經(jīng)元，第二隱含層有8個(gè)對(duì)數(shù)S型的神經(jīng)元，輸入層有4個(gè)元素，輸出層有一個(gè)線性神經(jīng)元。其網(wǎng)絡(luò)函數(shù)主要包括訓(xùn)練函數(shù)、初始化函數(shù)、性能函數(shù)以及各網(wǎng)絡(luò)層的層初始化函數(shù)。其訓(xùn)練函數(shù)需要采取TRAINLM回轉(zhuǎn)方法來(lái)運(yùn)算；初始化函數(shù)需要采取逐層初始化的方法運(yùn)算；性能函數(shù)需要采取均方誤差法來(lái)計(jì)算；各網(wǎng)絡(luò)層的層初始化函數(shù)需要采取優(yōu)化規(guī)則的方式計(jì)算，有的時(shí)候還需要采取INITWB的方式進(jìn)行運(yùn)算。各個(gè)權(quán)閾值的初始化需要采用RANDS方法來(lái)計(jì)算。在人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練的原始樣本數(shù)據(jù)以及期望值中，這些數(shù)據(jù)主要是用來(lái)評(píng)價(jià)地質(zhì)因素對(duì)礦山安全影響程度的原始數(shù)據(jù)。當(dāng)訓(xùn)練完成之后，需要對(duì)其各種數(shù)據(jù)進(jìn)行仿真測(cè)試，以便評(píng)斷這種人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)在礦山安全狀態(tài)中的應(yīng)用價(jià)值與能力，并對(duì)其不足之處以及缺陷問(wèn)題等進(jìn)行分析，以便尋找出更加優(yōu)化的方案，從而提高人工神經(jīng)網(wǎng)絡(luò)在礦山安全狀態(tài)中的評(píng)判作用與能力。

2 人工神經(jīng)網(wǎng)絡(luò)對(duì)礦山安全狀態(tài)評(píng)判能力的訓(xùn)練以及仿真測(cè)試

對(duì)礦山安全評(píng)價(jià)的方法較多，但是能夠較好的應(yīng)用于礦山安全評(píng)價(jià)的方法卻很少，例如事故樹(shù)分析法、概率風(fēng)險(xiǎn)評(píng)價(jià)法以及事件樹(shù)分析法等，這些方法均由于基本事件的發(fā)生概率的確定方面存在一定的困難，從而導(dǎo)致運(yùn)用于礦山過(guò)程中的安全評(píng)價(jià)效率不高。另外，在礦山安全狀態(tài)評(píng)價(jià)的過(guò)程中，其安全檢查表、專家評(píng)價(jià)方法等存在一定的缺點(diǎn)與不足，其在評(píng)價(jià)的過(guò)程中，主觀性較強(qiáng)，受到個(gè)人意識(shí)的影響較大。綜合指標(biāo)評(píng)價(jià)法由于其指標(biāo)間的邏輯關(guān)系，指標(biāo)的權(quán)值與指標(biāo)的量化等問(wèn)題，從而導(dǎo)致該方法難以在礦山安全狀態(tài)中進(jìn)行準(zhǔn)確的評(píng)價(jià)。只有能夠更好的適應(yīng)這種復(fù)雜的動(dòng)態(tài)系統(tǒng)的安全評(píng)價(jià)方法，才能夠?qū)⑵涓玫膽?yīng)用在礦山安全狀態(tài)評(píng)價(jià)中[1]。

其中人工神經(jīng)網(wǎng)絡(luò)在處理無(wú)法使用簡(jiǎn)單規(guī)則或公式進(jìn)行描述的大量的原始數(shù)據(jù)的問(wèn)題時(shí)，以及在處理規(guī)律不清楚的問(wèn)題時(shí)，其具有較大的優(yōu)勢(shì)。也正是由于這種方法能夠?qū)?fù)雜的非線性動(dòng)力學(xué)系統(tǒng)的適應(yīng)，才能夠使其在礦山安全狀態(tài)評(píng)價(jià)中得到引進(jìn)與推廣。將人工神經(jīng)網(wǎng)絡(luò)對(duì)礦山安全狀態(tài)評(píng)價(jià)能力的訓(xùn)練進(jìn)行仿真實(shí)驗(yàn)，在每次實(shí)驗(yàn)檢測(cè)之前，都需要對(duì)同一神經(jīng)網(wǎng)絡(luò)進(jìn)行重新初始化，之后需要運(yùn)用相同的訓(xùn)練樣本數(shù)據(jù)對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，以便達(dá)到訓(xùn)練要求后對(duì)網(wǎng)絡(luò)進(jìn)行仿真測(cè)試，訓(xùn)練性能函數(shù)的誤差需要保持在10以內(nèi)。其神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程是網(wǎng)絡(luò)在初始權(quán)閾值的基礎(chǔ)上，對(duì)其權(quán)閾值進(jìn)行不斷的修改，以便尋找出它們之間的某種聯(lián)系，使得輸入的整個(gè)訓(xùn)練樣本集數(shù)據(jù)經(jīng)過(guò)網(wǎng)絡(luò)的運(yùn)算之后，其輸出與相應(yīng)的目標(biāo)數(shù)據(jù)差別能夠滿足性能函數(shù)的要求。因此，在人工網(wǎng)絡(luò)對(duì)礦山安全狀態(tài)進(jìn)行評(píng)判的時(shí)候，即使所有數(shù)據(jù)與性能均符合要求，但是由于在訓(xùn)練的時(shí)候就被賦予了不同的權(quán)閾值，訓(xùn)練之后得到的權(quán)閾值的最終組合也會(huì)存在較大的差異。通過(guò)神經(jīng)網(wǎng)絡(luò)對(duì)礦山進(jìn)行安全評(píng)判的目的在于運(yùn)用神經(jīng)網(wǎng)絡(luò)總結(jié)分析數(shù)據(jù)，對(duì)礦井各個(gè)致災(zāi)的貢獻(xiàn)率進(jìn)行分析，進(jìn)而對(duì)礦山的安裝狀態(tài)進(jìn)行評(píng)判。從神經(jīng)網(wǎng)絡(luò)的角度來(lái)分析，通過(guò)運(yùn)用網(wǎng)絡(luò)的運(yùn)算功能對(duì)訓(xùn)練樣本的數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，并從中找出滿足目標(biāo)值以及性能要求的權(quán)閾值組合形式，從而通過(guò)仿真方式來(lái)評(píng)價(jià)礦山的安全狀態(tài)。

3 結(jié)語(yǔ)

通過(guò)對(duì)人工神經(jīng)網(wǎng)絡(luò)在礦山安全狀態(tài)的評(píng)判能力進(jìn)行訓(xùn)練以及仿真測(cè)試后，發(fā)現(xiàn)人工神經(jīng)網(wǎng)絡(luò)與人類評(píng)判方法存在一定的差異性，在今后的發(fā)展過(guò)程中，還需要對(duì)人工神經(jīng)網(wǎng)絡(luò)在礦山安全狀態(tài)中的評(píng)判能力進(jìn)行不斷的優(yōu)化與改進(jìn)，以便更好的適應(yīng)礦山安全狀態(tài)的評(píng)判，在礦山安全狀態(tài)的評(píng)判中充分發(fā)揮出人工神經(jīng)網(wǎng)絡(luò)的作用，從而更好的確保礦山生產(chǎn)與經(jīng)營(yíng)的安全性。

第3篇：神經(jīng)網(wǎng)絡(luò)實(shí)驗(yàn)總結(jié)范文

隨著科技的不斷進(jìn)步，國(guó)內(nèi)外各領(lǐng)域?qū)＜覍W(xué)者相互努力共同打造了智能機(jī)器人。模糊神經(jīng)網(wǎng)絡(luò)理論通過(guò)自身所擁有的歸納等能力，有效地幫助了人們更好地控制機(jī)器人。使其具備自我學(xué)習(xí)和聯(lián)想能力，通過(guò)蟻群算法優(yōu)化的模糊神經(jīng)網(wǎng)絡(luò)理論能夠更好地控制特種機(jī)器人，有效地應(yīng)對(duì)工作中隨機(jī)出現(xiàn)的變化問(wèn)題。

關(guān)鍵詞：

特種機(jī)器人；蟻群算法；人工智能控制；模糊神經(jīng)網(wǎng)絡(luò)

1創(chuàng)建機(jī)器人的數(shù)學(xué)模型

任何機(jī)械物體的運(yùn)動(dòng)都需要理論與實(shí)踐的支持，而特種機(jī)器人的研究也是如此，對(duì)特種機(jī)器人進(jìn)行操控就需要對(duì)它的各個(gè)運(yùn)動(dòng)構(gòu)件的方位、位置、速度等建立一個(gè)合理有序的關(guān)系。而機(jī)器人的空間坐標(biāo)、運(yùn)動(dòng)等可以通過(guò)數(shù)學(xué)模型來(lái)呈現(xiàn)。

1.1特種機(jī)器人的空間坐標(biāo)

首先，描述特種機(jī)器人的空間坐標(biāo)，可以用X,Y,Z軸方向的向量表示。其次，對(duì)于機(jī)器人的運(yùn)動(dòng)和操作，方位的準(zhǔn)確明了非常關(guān)鍵。而特種機(jī)器人的方位也可用坐標(biāo)系來(lái)表示。設(shè)一直角坐標(biāo)系{B}與此剛體固接，坐標(biāo)系{B}的三個(gè)主軸方向的單位矢量XB、YB、ZB相對(duì)于坐標(biāo)系{A}的方向余弦組成的3×3矩陣稱為ABR旋轉(zhuǎn)矩陣：ABR=[AxBAyBAzB]=r11r12r13r21r22r23r31r32r33333333333333333333（1）式中，R的上標(biāo)A和下標(biāo)B表示R是{B}相對(duì)于{A}的關(guān)系；r為矢量矩陣的單位向量。而剛體{A}的位姿可通過(guò)上述所說(shuō)的坐標(biāo)系{B}在坐標(biāo)系{A}中的各個(gè)方位和位置來(lái)闡述，進(jìn)而{B}的原點(diǎn)根據(jù)其在坐標(biāo)系{B}、{A}中的方位，分別表示了剛體在其中的位置和方向，式（2）表示{B}的位置矢量，用ABR和APBORG來(lái)描述坐標(biāo)系{B}，其中APBORG是確定坐標(biāo)系{B}的位置矢量，建立公式（2）：{B}={ABR，APBORG}（2）

1.2機(jī)器人運(yùn)動(dòng)方程

連桿坐標(biāo)系、動(dòng)力學(xué)方程、運(yùn)動(dòng)學(xué)方程都是操控機(jī)器人運(yùn)動(dòng)所需要的。特種機(jī)器人中的機(jī)械臂系統(tǒng)是一種涉及各桿、各關(guān)節(jié)、機(jī)械臂末端相對(duì)于絕對(duì)坐標(biāo)的位姿、運(yùn)動(dòng)等的多剛體系統(tǒng)。其中，連桿坐標(biāo)系的建立則為更好地操控機(jī)器人，使其高效長(zhǎng)久地運(yùn)動(dòng)、工作做出了巨大的貢獻(xiàn)，圖1則為連桿坐標(biāo)圖。雖然建立了連桿坐標(biāo)系，但是其中的桿與桿的關(guān)系則要建立一個(gè)齊次變換陣來(lái)連接。通過(guò)這個(gè)矩陣，機(jī)器人末端連桿在笛卡爾坐標(biāo)系里的位置和位姿便可得出。

1.3機(jī)器人動(dòng)力學(xué)方程

機(jī)械臂系統(tǒng)的運(yùn)動(dòng)學(xué)模型建立以后，還需建立動(dòng)力學(xué)模型來(lái)控制。而動(dòng)力學(xué)解決的問(wèn)題是2種相對(duì)問(wèn)題：若已知關(guān)節(jié)的施加力或力矩，求其速度、位移、加速度等；反之，則求力或矩陣。牛頓的歐拉方程等都是為了更好地操控特種機(jī)器人而建立的動(dòng)力學(xué)。

2模糊神經(jīng)網(wǎng)絡(luò)理論研究

機(jī)器人系統(tǒng)功能多且復(fù)雜，對(duì)于各種生產(chǎn)運(yùn)作過(guò)程中出現(xiàn)的一些問(wèn)題很難控制。對(duì)此，模糊控制和神經(jīng)網(wǎng)絡(luò)相結(jié)合而成的模糊神經(jīng)網(wǎng)絡(luò)具備了解決一些問(wèn)題的特別優(yōu)勢(shì)。模糊控制系統(tǒng)主要通過(guò)語(yǔ)言的描述控制機(jī)器人的運(yùn)動(dòng)，而語(yǔ)言描述能夠充分地將專家的經(jīng)驗(yàn)、知識(shí)轉(zhuǎn)化為控制規(guī)則，模糊控制器由以下幾個(gè)高功能的部分構(gòu)成。

2.1神經(jīng)網(wǎng)絡(luò)理論

用于控制特種機(jī)器人的神經(jīng)網(wǎng)絡(luò)是根據(jù)人類大腦的思維模式和構(gòu)造而設(shè)計(jì)，其中，神經(jīng)元是大腦組織、信息處理的基本單位，而人工制作的神經(jīng)網(wǎng)絡(luò)則會(huì)根據(jù)企業(yè)、國(guó)家、個(gè)人的不同需求進(jìn)行設(shè)計(jì)和分類，前饋網(wǎng)絡(luò)和遞歸神經(jīng)網(wǎng)絡(luò)是其中的兩大類。前饋網(wǎng)絡(luò)不但層次感強(qiáng)，其常用的感知器、BP網(wǎng)絡(luò)也能非常有針對(duì)性地解決一些問(wèn)題；遞歸神經(jīng)網(wǎng)絡(luò)包含積分、反饋等功能，反饋機(jī)制是其在信息傳輸中的一大特點(diǎn)。

2.2模糊神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)系統(tǒng)的輸入及各種運(yùn)作

實(shí)驗(yàn)證明：模糊系統(tǒng)與神經(jīng)網(wǎng)絡(luò)之間具有很多相似點(diǎn)，可以相互轉(zhuǎn)化。模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)使其對(duì)數(shù)據(jù)的計(jì)算等更快并且更加正確，通過(guò)模糊控制也使其自身的容錯(cuò)力增強(qiáng)。模糊神經(jīng)網(wǎng)絡(luò)（FNN）模型的設(shè)計(jì)經(jīng)過(guò)專家利用各種經(jīng)驗(yàn)和知識(shí)的打造，能夠更好地通過(guò)BP網(wǎng)絡(luò)、建立樣本等方式控制特種機(jī)器人的運(yùn)作。

3蟻群算法優(yōu)化訓(xùn)練的模糊神經(jīng)網(wǎng)絡(luò)

特種機(jī)器人控制螞蟻算法是模仿生物界中蟻群通過(guò)交流、協(xié)作、共同搜尋獲取實(shí)物活動(dòng)的仿生優(yōu)化算法。在螞蟻工作的過(guò)程中，他們通過(guò)一種“信息素”交流。

3.1蟻群算法的本質(zhì)

螞蟻算法是通過(guò)分析、實(shí)踐、探索螞蟻群體活動(dòng)得出的，是一種隨機(jī)算法。螞蟻算法分適應(yīng)階段和調(diào)解階段，在這2個(gè)階段中他們不斷地優(yōu)化自身的機(jī)構(gòu)、積累需要的信息、尋求最佳解。螞蟻算法中的人工螞蟻不但有自組織性，還有協(xié)作、競(jìng)爭(zhēng)的關(guān)系，在這過(guò)個(gè)程中，需要不斷地協(xié)作、改進(jìn)、更新。

3.2蟻群算法優(yōu)化模糊神經(jīng)網(wǎng)絡(luò)

螞蟻算法具有全局優(yōu)化的特點(diǎn)，可以有效地訓(xùn)練FNN，避免了BP的缺陷。它在模糊控制系統(tǒng)和神經(jīng)網(wǎng)絡(luò)系統(tǒng)結(jié)合后，不但提高了整體優(yōu)勢(shì)，也增加了一些功能和特點(diǎn)。這些優(yōu)化的改變，使某些工作的計(jì)算更加便捷。同時(shí)BP的缺陷及一些神經(jīng)網(wǎng)絡(luò)系統(tǒng)無(wú)法解決的問(wèn)題，它也能很好地解決。而螞蟻算法通過(guò)螞蟻群體機(jī)智有效的協(xié)作，總結(jié)并融合了一些思想，通過(guò)這些思想，特種機(jī)器人能夠自我選擇方便、快捷、有效的工作路徑[1]。螞蟻算法為進(jìn)一步控制特種機(jī)器人提供了更加合理有效的措施，也優(yōu)化了各種運(yùn)作系統(tǒng)。

3.3蟻群算法優(yōu)化的結(jié)果

通過(guò)各種實(shí)驗(yàn)結(jié)果表明，螞蟻算法優(yōu)化的模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)更加穩(wěn)定，也更加高效快速。通過(guò)實(shí)驗(yàn)比較發(fā)現(xiàn)：在普通的模糊神經(jīng)網(wǎng)絡(luò)中，把基本臂和期望主臂的軌跡長(zhǎng)度比較后發(fā)現(xiàn)，被螞蟻算法優(yōu)化的模糊神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)運(yùn)行的軌跡更短效果更好更明顯。

4結(jié)語(yǔ)

隨著人類文明的發(fā)展，機(jī)械的運(yùn)用與不斷的創(chuàng)新隨處可見(jiàn)，這個(gè)時(shí)代對(duì)特種機(jī)器人的需求也在不斷增加。而國(guó)內(nèi)外對(duì)特種機(jī)器人的研發(fā)也在不斷地創(chuàng)新和投入，對(duì)此，涌現(xiàn)了大批的類型、功能不一的特種智能機(jī)器人。被螞蟻算法優(yōu)化過(guò)的系統(tǒng)很好地解決了一些問(wèn)題，能夠全面地優(yōu)化各個(gè)方面，這種算法，為人類更好地發(fā)展特種機(jī)器人研究機(jī)器人做出了巨大的貢獻(xiàn)。

參考文獻(xiàn)：

第4篇：神經(jīng)網(wǎng)絡(luò)實(shí)驗(yàn)總結(jié)范文

Abstract： In order to further improve the ability of BP neural network fitting with complex functions， this paper further optimizes the genetic algorithm by changing the weights and threshold of BP neural network and applies this design model to the prediction system of vehicle sales. In order to compare its prediction effect with that of the traditional BP neural algorithm， this paper carries out the prediction simulation to compare the accuracies of the two. The simulation results show that the improved algorithm has better fitting ability and higher prediction precision for the data which has obvious linear correlation.

關(guān)鍵詞：預(yù)測(cè)；神經(jīng)網(wǎng)絡(luò)；線性相關(guān)；遺傳算法

Key words： prediction；neural network；linear correlation；genetic algorithm

中圖分類號(hào)：F224 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1006-4311（2016）12-0074-04

0 引言

以時(shí)間序列預(yù)測(cè)汽車(chē)銷量的方法在當(dāng)今的預(yù)測(cè)汽車(chē)銷售領(lǐng)域中占了絕大多數(shù)，比如我們所熟悉的有線性回歸法、季節(jié)預(yù)測(cè)法[1]等等。線性回歸法[2]（如AR、MA、ARIMA模型等）能夠體現(xiàn)銷售量數(shù)據(jù)隨時(shí)間變化的趨勢(shì)，季節(jié)預(yù)測(cè)法能夠有效地反映銷售量隨季節(jié)波動(dòng)的特點(diǎn)。然而，除了汽車(chē)市場(chǎng)的內(nèi)部影響因素之外，汽車(chē)銷售量還受到市場(chǎng)環(huán)境變化等外部因素影響，如經(jīng)濟(jì)危機(jī)、限購(gòu)政策、油價(jià)上漲、小排量購(gòu)置稅優(yōu)惠政策等等[3]。在常見(jiàn)的預(yù)測(cè)模型中對(duì)非線性因素的處理方法存在著“自身的缺陷”，比如在外部因素引起市場(chǎng)一定的波動(dòng)時(shí)，僅僅是靠時(shí)間序列模型的預(yù)測(cè)方法則很難做到精確。因此，在有效地收集、分析、掌握外部因素信息的基礎(chǔ)上，將這些因素甄別和量化，反映到整個(gè)預(yù)測(cè)過(guò)程中，提高預(yù)測(cè)模型可使用的總體信息量，提高預(yù)測(cè)模型的預(yù)測(cè)質(zhì)量，尤其在當(dāng)市場(chǎng)環(huán)境有變化的情況之下，銷售預(yù)測(cè)精確性將會(huì)獲得較大的提高，并且更加趨近合理。

1 系統(tǒng)模型

1.1 系統(tǒng)分析

在不同的系統(tǒng)分析中，我們有時(shí)會(huì)采取不同的算法，每個(gè)算法都有各自的優(yōu)勢(shì)。遺傳算法、BP神經(jīng)網(wǎng)絡(luò)和多元回歸等算法也有著不同的優(yōu)點(diǎn)[4]，如遺傳算法的全局尋優(yōu)性， BP神經(jīng)網(wǎng)絡(luò)的優(yōu)秀學(xué)習(xí)能力，從而避免了它們?cè)诟髯詥为?dú)使用時(shí)所存在的不足。我們把數(shù)據(jù)分為兩個(gè)部分：線性相關(guān)和非線性相關(guān)，對(duì)這兩部分采取相關(guān)性分析法進(jìn)行處理。緊接著，充分利用BP神經(jīng)網(wǎng)絡(luò)與多元回歸在處理數(shù)據(jù)方面的優(yōu)勢(shì)，分次處理數(shù)據(jù)的非線性和線性部分；最后，利用遺傳算法所擁有的特性，即尋優(yōu)特性，將已由BP神經(jīng)網(wǎng)絡(luò)和多元回歸算法處理的數(shù)據(jù)整合在一起，最終的目的是使各項(xiàng)值得到進(jìn)一步優(yōu)化，如多元回歸的權(quán)值、BP神經(jīng)網(wǎng)絡(luò)的連接權(quán)值以及閾值。

在這里，我們先暫定待處理的數(shù)據(jù)為DATA，DATA中包含的記錄條數(shù)為U條。DATA的第k個(gè)記錄含有M+N個(gè)自變量，記為X 其中：

k∈{1，2，…U}，i∈{1，2，…M+N}；1個(gè)因變量（期望值），記為Yk其中k∈{1，2，…U}。

1.2 相關(guān)性分析

當(dāng)我們要判定如國(guó)民收入和居民儲(chǔ)蓄存款或者身高和體重，這些變量之間的關(guān)系時(shí)，我們首先會(huì)去判定這兩個(gè)變量或兩個(gè)數(shù)據(jù)集合間是否存在線性相關(guān)時(shí)，這里就引出了我們所要用到的判定相關(guān)系數(shù)Pearson[5]。Pearson相關(guān)系數(shù)的作用最重要的是用來(lái)判定定距變量間的線性關(guān)系和兩個(gè)數(shù)據(jù)集合是否在一條線上。某些情況下我們會(huì)用到Pearson簡(jiǎn)單相關(guān)系數(shù)r。其計(jì)算公式為：

我們根據(jù)所得r的數(shù)值來(lái)判斷兩者相關(guān)度的強(qiáng)弱。一般說(shuō)來(lái)，當(dāng)相關(guān)系數(shù)的絕對(duì)值越大或者相關(guān)系數(shù)越接近于1或-1的情況下，相關(guān)度是越來(lái)越強(qiáng)的；而相關(guān)系數(shù)越趨近于0，相關(guān)度就會(huì)變得越來(lái)越弱。

若相關(guān)系數(shù)r>0.6，認(rèn)定自變量Xi與Y線性相關(guān)，否則為線性不相關(guān)。根據(jù)文獻(xiàn)[6]可知，本文研究的BP神經(jīng)網(wǎng)絡(luò)中，輸入數(shù)據(jù)Xi i∈{1，2，…N}與輸出數(shù)據(jù)Y在Xi i∈{1，2…N}與Y線性相關(guān)，在Xi i∈{N+1，N+2…N+M}與Y線性不相關(guān)。

1.3 BP神經(jīng)網(wǎng)絡(luò)

輸入層、輸出層和隱含層[6]是BP神經(jīng)網(wǎng)絡(luò)的三個(gè)組成部分，其中輸入層和輸出層各一個(gè)，而對(duì)于隱含層，在理論上，它的數(shù)量是不會(huì)受到任何限制的，但BP神經(jīng)網(wǎng)絡(luò)在一般情況下僅設(shè)置一個(gè)或者兩個(gè)隱含層。在這個(gè)神經(jīng)網(wǎng)絡(luò)中，輸入信號(hào)經(jīng)過(guò)作用函數(shù)的作用之后，在其信號(hào)傳至隱層節(jié)點(diǎn)之時(shí)隨即把它得到的輸出信號(hào)傳遞到輸出層節(jié)點(diǎn)上，同樣經(jīng)過(guò)處理后而得到的輸出便是最終的結(jié)果。作用函數(shù)S型函數(shù)在本文中的節(jié)點(diǎn)之間會(huì)被用到，它的計(jì)算公式為：f（x）= 。

本文構(gòu)建的神經(jīng)網(wǎng)絡(luò)模型如圖1所示。

由圖1可知，我們這個(gè)神經(jīng)網(wǎng)絡(luò)模型共有四層。模型的第一層X(jué)即是輸入層，它是以非線性相關(guān)的Xi i∈{N+1，N+2…N+M}的數(shù)據(jù)作為其輸入的；神經(jīng)網(wǎng)絡(luò)包括的兩個(gè)隱含層分別是第二層J和第三層I；神經(jīng)網(wǎng)絡(luò)模型的輸出層就是第四層BY。例如圖1上的J層第1節(jié)點(diǎn)，當(dāng)它和第I層的第2個(gè)節(jié)點(diǎn)連接時(shí)，權(quán)值的計(jì)算值則為W 。如若模型采用的節(jié)點(diǎn)作用函數(shù)為f（x）= ，則可以得到該節(jié)點(diǎn)的輸出為Y =f（ W Y -B ）。該式中W 、Y 和B 分別表示某一節(jié)點(diǎn)與其上層節(jié)點(diǎn)之間的連接權(quán)值、上層各節(jié)點(diǎn)的輸出值和節(jié)點(diǎn)的閾值。根據(jù)公式：E=（t-BY）*BY（1-BY），它表示的含義是網(wǎng)絡(luò)誤差的計(jì)算，在式中t的含義是輸出的期望值。將網(wǎng)絡(luò)誤差與最大允許誤差進(jìn)行比較：

BP神經(jīng)網(wǎng)絡(luò)在模式匹配、模式分類、模式識(shí)別和預(yù)測(cè)分析等方面[7]，性能優(yōu)勢(shì)十分明顯。

雖然BP算法是網(wǎng)絡(luò)結(jié)構(gòu)中應(yīng)用比較普遍的算法之一，而且BP算法在應(yīng)用上也取得了一定的成功，但是BP算法本身還是存在著不可避免的局限性：

①在BP神經(jīng)網(wǎng)絡(luò)算法中，它為了不使加權(quán)值過(guò)大，通常選取較小的隨機(jī)數(shù)（如0～0.2之間）作為初始權(quán)值，同時(shí)設(shè)置網(wǎng)絡(luò)在初始階段就處于S型函數(shù)的飽和區(qū)，就是在這樣給定初值的范圍內(nèi)，有些取值也會(huì)使算法的結(jié)果值陷入局部極小，一旦有了某些局部極小點(diǎn)[8]的牽累，就會(huì)引起訓(xùn)練的振蕩而達(dá)不到我們所想要的穩(wěn)定，同樣也會(huì)陷入局部極值的不利情況。

②在BP算法中，我們需要設(shè)置一些參數(shù)的初始值，以便網(wǎng)絡(luò)訓(xùn)練得以進(jìn)行。如初始權(quán)重值，隱層節(jié)點(diǎn)個(gè)數(shù)值，當(dāng)我們?cè)谠O(shè)置沒(méi)有任何參考時(shí)，可能會(huì)致使網(wǎng)絡(luò)訓(xùn)練的失敗或者說(shuō)執(zhí)行的并不如我們所預(yù)料的結(jié)果那樣，與理想有所差別。但是這些參數(shù)的選取過(guò)程又缺乏嚴(yán)格的理論依據(jù)，需要根據(jù)我們過(guò)往的經(jīng)驗(yàn)以及一定的實(shí)驗(yàn)來(lái)選取，才可保證它的選取值合適與否。

③在BP算法中，它存在一個(gè)遺忘所學(xué)樣本的趨勢(shì)，就是在每當(dāng)其輸入一個(gè)的權(quán)重值時(shí)，會(huì)導(dǎo)致閾值不斷地修改，所以前面已學(xué)的學(xué)習(xí)樣本必然會(huì)受到后面每次所輸入樣本的影響。

2 一種BP神經(jīng)網(wǎng)絡(luò)和線性回歸優(yōu)化的遺傳雜合算法

為了實(shí)現(xiàn)網(wǎng)絡(luò)訓(xùn)練的過(guò)程并得到全局相應(yīng)的最優(yōu)化的解，我們提出一種基于BP神經(jīng)網(wǎng)絡(luò)和線性回歸優(yōu)化的遺傳雜合算法。在文章的前面我們知道，傳統(tǒng)的BP神經(jīng)的學(xué)習(xí)過(guò)程存在一些不足，我們提出的這種算法會(huì)把BP神經(jīng)網(wǎng)絡(luò)和遺傳算法結(jié)合起來(lái)，利用遺傳算法的全局尋優(yōu)特性，來(lái)實(shí)現(xiàn)網(wǎng)絡(luò)的訓(xùn)練，得到全局相應(yīng)的最優(yōu)解。改進(jìn)的算法模型如圖2。

待處理數(shù)據(jù)Xi i∈{1，2…N}和Y，我們假定兩者是呈線性相關(guān)的。首先對(duì)線性不相關(guān)數(shù)據(jù)進(jìn)行BP神經(jīng)網(wǎng)絡(luò)處理輸出為BY，BY與存在線性相關(guān)的數(shù)據(jù)進(jìn)行多元線性回歸。

模型誤差：

2.1 改進(jìn)算法模型的遺傳優(yōu)化

在生物進(jìn)化機(jī)制的搜索方法中有自然選擇和自然遺傳，而本文改進(jìn)的遺傳算法就是基于這些內(nèi)容的。現(xiàn)如今有一種算法正趨于發(fā)展成為自適應(yīng)啟發(fā)式概率性迭代式全局搜索算法[9]。某個(gè)優(yōu)化問(wèn)題的解集，也就是它的搜索空間，并且映射搜索空間為遺傳空間。我們隨機(jī)產(chǎn)生的一組初始解，在遺傳算法中稱作此初始解為群體，它所產(chǎn)生的后代中不斷地傳下去并且一代一代地進(jìn)化，我們稱之為遺傳。我們找到收斂為最佳的染色體，即是最優(yōu)解。

將以上改進(jìn)的遺傳優(yōu)化算法運(yùn)用到BP神經(jīng)網(wǎng)絡(luò)的權(quán)重、閾值以及回歸系數(shù)上，可以達(dá)到優(yōu)化這些參數(shù)的目的，使網(wǎng)絡(luò)誤差值最小。在本文的實(shí)驗(yàn)中，由生物種群的概念，我們視BP神經(jīng)網(wǎng)絡(luò)和回歸系數(shù)的所有權(quán)值為一個(gè)種群。本文的實(shí)驗(yàn)是基于遺傳代數(shù)1000、種群60所進(jìn)行的遺傳算法優(yōu)化訓(xùn)練過(guò)程。即為圖3所示過(guò)程。

2.2 算法詳細(xì)流程

①樣本值歸一化處理。

對(duì)原始樣本值X，Y按照公式X′= -1，Y′= -1歸一化處理作為模型輸入數(shù)據(jù)，歸一化處理后數(shù)據(jù)在[-1，1]之間。式中X′、Y′為歸一化后的數(shù)值，Ymin、Xmin為原始數(shù)據(jù)最小值，Ymax、Ymax為原始數(shù)據(jù)最大值。

②參數(shù)集。

將模型中待優(yōu)化參數(shù)BP網(wǎng)絡(luò)權(quán)重W 、閾值B 與回歸系數(shù)？孜組成一個(gè)參數(shù)集C={W ，B ，？孜}，C作為染色體，Ci為單個(gè)基因。

③編碼。

編碼方式中有一種稱為實(shí)數(shù)編碼的，它是指?jìng)€(gè)體編碼的長(zhǎng)度與決策變量的個(gè)數(shù)相等，在合理具體的條件范圍內(nèi)，用一個(gè)實(shí)數(shù)表示某個(gè)體的每個(gè)基因值。該方法中用到的值是決策變量的真實(shí)值，因此我們又稱它為：真值編碼方法?？紤]我們實(shí)驗(yàn)過(guò)程所需要的算法，這種編碼方式對(duì)于我們的實(shí)驗(yàn)十分合適。

④初始化種群。

種群大小N=60，隨機(jī)生成第一代個(gè)體C 其中t為代數(shù)t=1，i表示個(gè)體編號(hào)i∈{1，…， }，C 表示第一代的第五個(gè)個(gè)體。

⑤個(gè)體適應(yīng)度。

我們以f =Emax-E（C ）為個(gè)體適應(yīng)度函數(shù)，能夠滿足我們的要求。式中f 表示第t代的第i個(gè)個(gè)體的適應(yīng)度計(jì)算值，Emax為最大系統(tǒng)誤差，E（C ）為C 個(gè)體的系統(tǒng)誤差。

⑥選擇操作。

在試驗(yàn)中我們需要知道選擇概率值，所以由前公式f =Emax-E（C ）和公式P = 兩者結(jié)合便可以計(jì)算出選擇概率。我們?cè)趐op（t）代中根據(jù)所計(jì)算得到的概率值隨機(jī)的選擇一部分個(gè)體染色體遺傳到下一代，為pop（t+1）代。將選擇出的個(gè)體染色體暫且稱為一個(gè)中間代mespop（t），并將其作為下面遺傳操作（交叉、變異）的對(duì)象。

⑦交叉算法。

我們先假設(shè)要交叉的兩個(gè)父體對(duì)象分別為Pi=（p ，

⑧變異算法。

在選擇交叉的遺傳過(guò)程中，我們也需要考慮到遺傳變異這一情況。所以我們采取了一種特殊的變異算法：邊界變異。它在遺傳的后代種群中選擇中間代mespop（t）代，又在其中選擇N對(duì)個(gè)體，當(dāng)交叉概率為Pc時(shí)，以此概率值指導(dǎo)個(gè)體進(jìn)行遺傳變異。邊界變異的取值方法的多樣性也正是后代種群群體多樣性的特點(diǎn)。其變異位的值往往是在它的邊界上，因?yàn)樵谶吔缟希ǔ４嬖谥S多約束優(yōu)化的最優(yōu)值，也就是其編碼位取值范圍的邊界之一。在中間代mespop（t）完成交叉和變異所形成的下一代中pop（t+1）進(jìn)行個(gè)體適應(yīng)度值計(jì)算的操作。

3 仿真結(jié)果和分析

仿真實(shí)驗(yàn)中，分別采用多元線性回歸、傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)和本實(shí)驗(yàn)算法對(duì)多元線性方程、多元非線性方程、含有線性和非線性部分的方程進(jìn)行擬合。

多元線性方程：

多元非線性方程：

含有線性和非線性部分的方程：

3.1 樣本數(shù)據(jù)

樣本輸入數(shù)據(jù)是在考慮影響汽車(chē)銷售多方面因素的前提下，如：經(jīng)濟(jì)危機(jī)、限購(gòu)政策、油價(jià)上漲、小排量購(gòu)置稅優(yōu)惠政策等，在Matlab平臺(tái)下擬合而成。樣本輸入數(shù)據(jù)為xi∈[-1，1]，樣本總數(shù)為20，隨機(jī)生成20組數(shù)據(jù)作為樣本值（圖4）。

選用第一行到第四行作為式（8）的輸入函數(shù)值，如圖5。

選用第一行到第二行作為式（9）的輸入函數(shù)值，如圖6。

選用第一行到第二行作為式（10）的輸入函數(shù)值，如圖7。

3.2 仿真結(jié)果

式（8）多元線性回歸、BP神經(jīng)網(wǎng)絡(luò)、改進(jìn)算法仿真結(jié)果（圖8）。

式（9）多元線性回歸、BP神經(jīng)網(wǎng)絡(luò)、改進(jìn)算法仿真結(jié)果（圖9）。

式（10）多元線性回歸、BP神經(jīng)網(wǎng)絡(luò)、改進(jìn)算法仿真結(jié)果（圖10）。

多元線性回歸、BP神經(jīng)網(wǎng)絡(luò)、改進(jìn)算法擬合三種方程誤差平方和如表1所示。

3.3 仿真結(jié)果分析

由結(jié)合改進(jìn)算法的特點(diǎn)和對(duì)比分析所得到的實(shí)驗(yàn)結(jié)果，我們可以得到以下三點(diǎn)結(jié)論：①多元線性回歸在擬合線性方程時(shí)所產(chǎn)生的誤差比較小，而在擬合非線性方程時(shí)，產(chǎn)生的誤差略大。②BP神經(jīng)網(wǎng)絡(luò)在擬合存在非線性數(shù)據(jù)時(shí)，誤差較小，在擬合線性方程時(shí)存在明顯的不足。③三種算法在擬合非線性和線性結(jié)合方程時(shí)，本實(shí)驗(yàn)的誤差要比單純擬合非線性方程小很多，與理論預(yù)期明顯相悖。對(duì)于這種情況的原因，結(jié)合理論，本文總結(jié)出可能存在的兩小點(diǎn)：1）數(shù)據(jù)的輸入值范圍在[-1，1]，范圍太小，對(duì)函數(shù)值得影響不顯著；2）由于實(shí)驗(yàn)采用擬合函數(shù)的形式，函數(shù)關(guān)系內(nèi)部過(guò)于簡(jiǎn)單。

4 結(jié)論

用改進(jìn)算法擬合復(fù)雜函數(shù)的能力比單純依靠線性回歸和BP神經(jīng)網(wǎng)絡(luò)存在明顯的優(yōu)勢(shì)。影響商品銷售的因素有很多，各種因素對(duì)銷售的影響也各不相同，傳統(tǒng)的BP神經(jīng)算法可以很好的預(yù)測(cè)效果。但是BP算法在處理那些同銷售值存在較大相關(guān)性的因素時(shí)，不能突出它的優(yōu)勢(shì)。我們通過(guò)把影響銷售較大的因素與其他因素直接加權(quán)相加得到銷售值，最后通過(guò)遺傳算法來(lái)優(yōu)化權(quán)值。這也就是我們研究本文算法的目的之所在。

參考文獻(xiàn)：

[1]張彥鐸，李哲靖，魯統(tǒng)偉.機(jī)器人世界杯足球錦標(biāo)賽中多機(jī)器人對(duì)目標(biāo)協(xié)同定位算法的改進(jìn)[J].武漢工程大學(xué)學(xué)報(bào)，2013（02）：69.

第5篇：神經(jīng)網(wǎng)絡(luò)實(shí)驗(yàn)總結(jié)范文

【關(guān)鍵詞】電力負(fù)荷預(yù)測(cè) 模型 神經(jīng)網(wǎng)絡(luò)

能量的管理系統(tǒng)當(dāng)中一個(gè)非常關(guān)鍵的部分就是電力負(fù)荷的預(yù)測(cè)，它對(duì)電力系統(tǒng)的運(yùn)行和控制等工作發(fā)揮著非常重要的作用。怎么去提高預(yù)測(cè)工作所呈現(xiàn)的精準(zhǔn)程度已經(jīng)成為現(xiàn)在對(duì)負(fù)荷預(yù)測(cè)理論研究的重點(diǎn)所在。但是對(duì)于符合的預(yù)測(cè)是比較復(fù)雜的，利用傳統(tǒng)解析模型基本上無(wú)法完成對(duì)負(fù)荷比較準(zhǔn)確的預(yù)測(cè)。經(jīng)過(guò)長(zhǎng)時(shí)間科研工作者的實(shí)踐經(jīng)驗(yàn)總結(jié)，外部環(huán)境條件是對(duì)負(fù)荷產(chǎn)生影響的一個(gè)尤為重要的因素。為了得出環(huán)境條件對(duì)負(fù)荷影響的規(guī)律，保證電力供應(yīng)能夠保持一定的平衡，必須要將電力負(fù)荷的變化特征作為基礎(chǔ)，繼而定量分析它們具體的關(guān)系。

1 氣候條件對(duì)電力負(fù)荷的影響

1.1 溫度以及濕度

電網(wǎng)負(fù)荷產(chǎn)生的變化與外部環(huán)境中氣溫的高低有著密不可分的聯(lián)系，能夠產(chǎn)生正向的影響。而在氣溫比較適宜的情況之下，濕度對(duì)于人類身體產(chǎn)生的影響并不是特別的顯著。在氣溫過(guò)高或者過(guò)低的時(shí)候，濕度的波動(dòng)就會(huì)給人體熱平衡以及溫?zé)岣袘?yīng)形成較高的影響。當(dāng)空氣中的濕度處于一個(gè)較高的狀態(tài)時(shí)，人們身體所向外生成的熱輻射將會(huì)被空氣中所含有的水蒸氣所吸納。當(dāng)環(huán)境中的氣溫低于人體皮膚表面溫度的時(shí)候，風(fēng)可以使人散熱過(guò)程的速度更快。大概是每秒的風(fēng)速漲一米，人們的體感溫度就會(huì)下降二到三攝氏度。

1.2 大氣壓

外部環(huán)境所呈現(xiàn)的大氣壓與電力的負(fù)荷在不同的季節(jié)當(dāng)中都有一定的關(guān)系，不過(guò)目前關(guān)系的數(shù)據(jù)和形式還不能確定，有待進(jìn)一步研究。

1.3 降水量

經(jīng)過(guò)相關(guān)的研究證明，基本所有的降水過(guò)程都能對(duì)日用電量產(chǎn)生影響，引起下降的幅度一般為百分之三左右，最大幅度能夠達(dá)到百分之十。不過(guò)，降水過(guò)程對(duì)負(fù)荷的影響具有延遲的特性。

上文所陳述的三種分析結(jié)論還是存在一定偏差的，這是由于負(fù)荷曲線的峰值、谷值以及一些其它形式的波動(dòng)能夠受到一些大型工廠以及企事業(yè)單位工作時(shí)間，以及公共設(shè)施使用狀況等各方面因素的綜合影響，上面所說(shuō)的氣象因素只是對(duì)總負(fù)荷形成影響的一個(gè)部分。在實(shí)際的應(yīng)用當(dāng)中應(yīng)該將這些因素加以更為全面的考慮，避免對(duì)單個(gè)因素孤立的分析。

2 利用多模型方法實(shí)現(xiàn)建模以及預(yù)測(cè)

2.1 人工神經(jīng)網(wǎng)絡(luò)

它是在模仿生物神經(jīng)網(wǎng)絡(luò)功能的基礎(chǔ)上而形成的一種模型。一般情況下，生物神經(jīng)元能夠受到傳入刺激，繼而自輸出端傳導(dǎo)至相關(guān)聯(lián)的神經(jīng)元之上，輸出跟輸入過(guò)程之間的變化呈現(xiàn)出非線性聯(lián)系。神經(jīng)網(wǎng)絡(luò)則是由很多個(gè)簡(jiǎn)單的原件以及它的層次組織，采用大規(guī)模并行的連接形式所形成的，以生物神經(jīng)網(wǎng)絡(luò)相類似的形式來(lái)處置輸入信息。對(duì)生物神經(jīng)網(wǎng)絡(luò)加以模仿建立起來(lái)的人工神經(jīng)網(wǎng)絡(luò)對(duì)于輸入信號(hào)有著十分強(qiáng)大的處理能力。

很多神經(jīng)元之間相互連接而形成一個(gè)大的網(wǎng)絡(luò)，在這個(gè)網(wǎng)絡(luò)中的一個(gè)神經(jīng)元就可以實(shí)現(xiàn)對(duì)幾個(gè)輸入信號(hào)的接收，并且依據(jù)一定的規(guī)律將其轉(zhuǎn)變?yōu)檩敵鲂盘?hào)。由于神經(jīng)網(wǎng)絡(luò)中各神經(jīng)元見(jiàn)有著比較復(fù)雜的一種關(guān)聯(lián)，并且每一個(gè)神經(jīng)元在對(duì)信號(hào)進(jìn)行傳遞的時(shí)候都會(huì)顯現(xiàn)出非線性的基本形式，因此輸入和輸出信號(hào)見(jiàn)可以建立起不同的關(guān)系，可以當(dāng)成黑箱模型，用在對(duì)作用機(jī)理不明確的模型實(shí)現(xiàn)描述，不過(guò)輸出跟輸入間有客觀、確定或者模糊規(guī)律的客體。因此人工神經(jīng)網(wǎng)絡(luò)已然在化工開(kāi)發(fā)等領(lǐng)域得到了較大面積的應(yīng)用。

人工神經(jīng)網(wǎng)絡(luò)所包含的各種層次的神經(jīng)元主要是通過(guò)wkj以及wlk進(jìn)行連接的。神經(jīng)元所呈現(xiàn)的輸出與權(quán)之間做出乘法運(yùn)算就能得到下層神經(jīng)元的輸出。每一個(gè)隱層神經(jīng)元的輸出其實(shí)就是輸出層所呈現(xiàn)的輸入，它們都是被神經(jīng)元的活化函數(shù)決定。

BP模型是NN模型中應(yīng)用最為廣泛的一種模型。BP神經(jīng)網(wǎng)絡(luò)主要是指將BP算法當(dāng)做基礎(chǔ)的一種多層神經(jīng)的網(wǎng)絡(luò)系統(tǒng)。BP神經(jīng)網(wǎng)絡(luò)通常都具有至少一個(gè)隱含層，隱含層中的神經(jīng)元采用了sigmiod函數(shù)，而輸出層則是應(yīng)用purelin傳遞函數(shù)。在理論方面其實(shí)已然證明了有著當(dāng)個(gè)隱含層的網(wǎng)絡(luò)模型在隱含層神經(jīng)元增長(zhǎng)到一定數(shù)量的時(shí)候，能夠從所有的精度去逼近不管哪個(gè)具備有限斷點(diǎn)的非線性函數(shù)。而在結(jié)構(gòu)上實(shí)現(xiàn)則要比增加隱含層更加簡(jiǎn)單，所以在電力負(fù)荷的預(yù)測(cè)工作當(dāng)中利用BP網(wǎng)絡(luò)的時(shí)候都是采用具有一層的隱含層。

2.2 運(yùn)用多模型方法建模與預(yù)測(cè)

運(yùn)用分層形式的多神經(jīng)完了模型針對(duì)電力負(fù)荷的整體加以預(yù)測(cè)。底層通常是把電力負(fù)荷的基礎(chǔ)樣本以及相關(guān)的氣象因素加以獨(dú)立的構(gòu)建神經(jīng)網(wǎng)絡(luò)的模型；頂層用的是因?yàn)闅庀笠蛩囟鴮?duì)電力負(fù)荷實(shí)現(xiàn)修正的具體結(jié)果。系統(tǒng)規(guī)模較為龐大，但各個(gè)子模型規(guī)模并不是很大，不過(guò)它的數(shù)量是比較多的。

3 實(shí)例分析

我們以某市的某個(gè)居民小區(qū)在2016年366天的用電數(shù)據(jù)為例，采樣的周期是一個(gè)小時(shí)，一共獲得了366組原始樣本。與此同時(shí)將這個(gè)地區(qū)每天每個(gè)小時(shí)的溫度、濕度、以及降水量等最為重要的氣象影響因素進(jìn)行細(xì)致的記錄和分析。將全部數(shù)據(jù)都加以標(biāo)準(zhǔn)化，繼而從366天中選擇二百五十天的數(shù)據(jù)作為底層的基礎(chǔ)樣本，剩下的數(shù)據(jù)作為頂層測(cè)試樣本。要選擇一個(gè)確定的時(shí)間前連續(xù)的二十四小時(shí)中24個(gè)整點(diǎn)電力的負(fù)荷值，并且將溫度、濕度以及降水量等當(dāng)成底層子神經(jīng)網(wǎng)絡(luò)一至五的輸入，一個(gè)整點(diǎn)作為輸出。底層子網(wǎng)絡(luò)應(yīng)用三層的BP網(wǎng)絡(luò)結(jié)構(gòu)，這樣就有二十四個(gè)輸入的節(jié)點(diǎn)一級(jí)一個(gè)輸出的節(jié)點(diǎn)，經(jīng)過(guò)反復(fù)實(shí)驗(yàn)后，確定了網(wǎng)絡(luò)隱含層的節(jié)點(diǎn)數(shù)是46、32、35、30、30。在這當(dāng)中選取一組有著最為優(yōu)秀性能的權(quán)和閾值作為實(shí)驗(yàn)最后的結(jié)果，再利用相關(guān)樣本數(shù)據(jù)檢驗(yàn)?zāi)Ｐ汀＝Y(jié)合預(yù)測(cè)結(jié)果能夠分析出，以單個(gè)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的基本模型無(wú)法達(dá)成對(duì)有些特殊狀況加以可靠預(yù)測(cè)的目的。多模型神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的模型針對(duì)電力負(fù)荷的情況預(yù)測(cè)，能夠得到精度較高的預(yù)測(cè)結(jié)果。

4 結(jié)束語(yǔ)

本文主要考慮了天氣因素對(duì)于負(fù)荷生成的影響，并且探討了利用多模型的神經(jīng)元網(wǎng)絡(luò)方式來(lái)設(shè)置電力負(fù)荷預(yù)測(cè)的模型。過(guò)實(shí)際例子的分析，與單模型方法相比，證明了多模型方法的實(shí)用性。因?yàn)殡娏ω?fù)荷會(huì)隨著季節(jié)的變化形成較大的不同，這一方面的內(nèi)容還有待我們加以進(jìn)一步的研究。

參考文獻(xiàn)

[1]段j.基于能量管理系統(tǒng)的電力系統(tǒng)負(fù)荷預(yù)測(cè)[D].廣州：華南理工大學(xué)，2009.

[2]陳華友.組合預(yù)測(cè)方法有效性理論及其應(yīng)用[M].北京：科學(xué)出版社，2007.

第6篇：神經(jīng)網(wǎng)絡(luò)實(shí)驗(yàn)總結(jié)范文

【關(guān)鍵詞】LSSM 字符識(shí)別

字符識(shí)別作為多種應(yīng)用的基礎(chǔ)與關(guān)鍵，如文本識(shí)別、車(chē)牌識(shí)別、證件識(shí)別等，對(duì)工業(yè)生產(chǎn)與商業(yè)應(yīng)用具有重要意義。在實(shí)際應(yīng)用中識(shí)別對(duì)象通常帶有一定的噪聲，因此要求識(shí)別系統(tǒng)具有一定的容噪能力及處理速度。

傳統(tǒng)的字符識(shí)別的手段中主要有人工神經(jīng)網(wǎng)絡(luò)、模板匹配、特征識(shí)別、支持向量機(jī)等。人工神經(jīng)網(wǎng)絡(luò)屬于比較成熟有效的工具，識(shí)別中使用最廣泛的是BP神經(jīng)網(wǎng)絡(luò)，還有SOM、MLP、RBF等。BP為多層網(wǎng)絡(luò)，通常需要提取字符特征進(jìn)行訓(xùn)練，訓(xùn)練速度較慢，干擾比較敏感，且容易陷入局部最小點(diǎn)。

LSSM 應(yīng)用于單層全互聯(lián)網(wǎng)絡(luò)，不需要對(duì)字符進(jìn)行特征提取，節(jié)約了訓(xùn)練時(shí)間。記憶模式為網(wǎng)絡(luò)能量的最小值。具有較快的收斂速度。

1 LSSM算法介紹

網(wǎng)絡(luò)的輸出將反饋至輸入，形成動(dòng)態(tài)系統(tǒng)并收斂于設(shè)計(jì)的漸進(jìn)平衡點(diǎn)。LSSM是連續(xù)系統(tǒng)，其對(duì)應(yīng)的差分方程可直接用于離散的Hopfield網(wǎng)絡(luò)。

系統(tǒng)的差分方程：χ（t+1）=F（WX（t）+I） 。x為神經(jīng)元狀態(tài)，激勵(lì)函數(shù)。W表示連接神經(jīng)元的權(quán)值，I代表神經(jīng)元的閾值。F（）為激勵(lì)函數(shù)，表達(dá)式如下所示：

LSSM設(shè)計(jì)步驟如下：

1）.t={t1，t2，…，tN-1，tN}，ti為記憶模式，1≤i≤N。

2）.A={t1-tN，t2-tN，，tN-1-tN}＼

3）.A=USVT，K=rank（A）。

4）.up={U1，U2，…，Uk}，um={uK+1，uK+2，…，uN}}，，。

5）.Wt=Tp-τ×Tm，It=tN-Wt×tN

W=exp（h×Wt）

，

其中C1=exp（h）-1，C2=-[exp（-τ×h）-1]/τ， h為采樣頻率，τ為控制參數(shù)。

2 字符識(shí)別

本文采用ASCII碼表中的阿拉伯?dāng)?shù)字、大小寫(xiě)英文字母，共62個(gè)模式。每個(gè)字符用8*8的圖像表示，網(wǎng)絡(luò)使用64個(gè)神經(jīng)元，以{-1，1}作為記憶模式的神經(jīng)元狀態(tài)。

由于LSSM能處理連續(xù)值，我們正態(tài)分布的隨機(jī)噪聲加入記憶模式進(jìn)行檢驗(yàn)。實(shí)驗(yàn)中選擇均值為0，方差變化的噪聲序列。因此方差代表了噪聲水平。當(dāng)兩次輸入相同時(shí)停止迭代，得出收斂速度與噪聲水平的關(guān)系。當(dāng)輸出與記憶模式完全相同視作回憶正確，得出錯(cuò)誤率與噪聲水平的關(guān)系。

在處理加噪輸入之前，應(yīng)先檢驗(yàn)網(wǎng)絡(luò)是否能夠成功記住記憶模式。實(shí)驗(yàn)表明，LSSM能成功記住所有模式。用不同方差的的噪聲向量加入記憶模式中，將其作為網(wǎng)絡(luò)的輸入進(jìn)行識(shí)別。

所有記憶模式在在相同噪聲水平下，進(jìn)行50次實(shí)驗(yàn)最后取其錯(cuò)誤率與收斂速度的均值，得到LSSM隨噪聲變化，網(wǎng)絡(luò)識(shí)別效果的曲線。在噪聲水平低于1的時(shí)候，LSSM能完全成功識(shí)別所有模式，并且迭代步數(shù)基本均小于20步。當(dāng)噪聲水平大于1，時(shí)，網(wǎng)絡(luò)出現(xiàn)錯(cuò)誤，且迭代步數(shù)上升。

在研究了LSSM識(shí)別相關(guān)字符后，再對(duì)比離散Hopfield網(wǎng)絡(luò)的識(shí)別效果。在記憶62個(gè)模式之后，對(duì)‘0’、‘A’、‘a(chǎn)’的回憶情況如下，此時(shí)離散Hopfield已經(jīng)不能正確記憶模式，網(wǎng)絡(luò)失效。鑒于容量問(wèn)題，無(wú)法使用離散Hopfield就本文提出的字符識(shí)別進(jìn)行應(yīng)用。

通過(guò)對(duì)比發(fā)現(xiàn)，LSSM用作聯(lián)想記憶進(jìn)行字符識(shí)別，容噪能力高、收斂速度快、識(shí)別正確率高，是十分成功的。在規(guī)模上相較于傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)、在容量上相較于離散Hopfield網(wǎng)絡(luò)都有巨大的優(yōu)勢(shì)。

3 總結(jié)與展望

本文將LSSM應(yīng)用于字符識(shí)別，對(duì)該系統(tǒng)進(jìn)行了深入的分析，通過(guò)定量實(shí)驗(yàn)展示了其容噪能力、收斂速度，充分說(shuō)明其優(yōu)越性。單個(gè)字符的識(shí)別是模式識(shí)別的典型案例與本文識(shí)別的基礎(chǔ)，因此LSSM在聯(lián)想記憶的應(yīng)用中將具有廣闊的前景。

在將來(lái)的研究中，可以擴(kuò)展LSSM的識(shí)別范圍，同時(shí)對(duì)傾斜字符和缺失字符的處理進(jìn)行研究。除此之外，對(duì)算法的研究，有助于拓展識(shí)別系統(tǒng)的硬件設(shè)計(jì)，使神經(jīng)網(wǎng)絡(luò)的處理能力在大規(guī)模并行處理器上得以施展。

參考文獻(xiàn)

[1]牛慧娟，汪森霖.基于神經(jīng)網(wǎng)絡(luò)的帶噪聲英文字母和數(shù)字識(shí)別[J].研究與開(kāi)發(fā)，2008.

[2]許新征，曾文華.基于自組織特征映射神經(jīng)網(wǎng)絡(luò)的數(shù)字模式識(shí)別[J].廈門(mén)大學(xué)學(xué)報(bào)，2005.

[3]Li J H，Michel A N，PorodW.Analysis and synthesis of a class of neural networks：linear systems operating on a closed hypercube[J].Circuits and Systems，IEEE Transactions on，1989， 36（11）：1405-1422.

[4]Li J H，Michel A N，Porod W.Analysis and synthesis of a class of neural networks：Variable structure systems with infinite grain[J].Circuits and Systems，IEEE Transactions on，1989， 36（5）：713-731.

第7篇：神經(jīng)網(wǎng)絡(luò)實(shí)驗(yàn)總結(jié)范文

關(guān)鍵詞： 供應(yīng)鏈績(jī)效評(píng)價(jià)；模糊綜合評(píng)估；粗糙集；BP神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)：C93 文獻(xiàn)標(biāo)識(shí)碼： A文章編號(hào)：1003-7217(2011)05-0119-06

一、引 言

在供應(yīng)鏈條件下，各節(jié)點(diǎn)企業(yè)運(yùn)作行為往往具有隨機(jī)性和不確定性。動(dòng)態(tài)供應(yīng)鏈績(jī)效評(píng)價(jià)是一個(gè)包含多個(gè)指標(biāo)和輸入輸出的復(fù)雜評(píng)估系統(tǒng)，各績(jī)效指標(biāo)具有模糊性、不確定性，彼此之間存在非線性關(guān)聯(lián)性。軟計(jì)算［1-7］理論與方法是處理動(dòng)態(tài)供應(yīng)鏈績(jī)效這樣復(fù)雜的、具有大量不確定性和模糊性的評(píng)估系統(tǒng)的重要技術(shù)。在相當(dāng)多的領(lǐng)域（自然科學(xué)、社會(huì)科學(xué)與工程技術(shù)）中，都涉及到對(duì)不完備信息和不確定因素的處理。從實(shí)際系統(tǒng)中采集到的數(shù)據(jù)常常包含著噪聲、不精確甚至不完整，如果我們采用純數(shù)學(xué)上的假設(shè)來(lái)消除或回避這種不確定性，效果往往不理想。但如果對(duì)這種信息使用恰當(dāng)?shù)姆绞竭M(jìn)行處理，常常有助于實(shí)際系統(tǒng)問(wèn)題的解決。

二、相關(guān)研究評(píng)述

多年來(lái)，研究人員一直在努力尋找科學(xué)地處理不完整性和不確定性的有效途徑，實(shí)踐證明，1965年Zadeh［8］創(chuàng)立的模糊集理論與1982年P(guān)awlak［9］倡導(dǎo)的粗糙集理論是處理不確定性的兩種很好的方法。事實(shí)上，除了上述兩種方法外，基于概率統(tǒng)計(jì)方法的證據(jù)理論也是處理不確定性的一種有效方法。以上眾多的方法都屬于軟計(jì)算［10－15］(Soft Computing)的范疇。Zadeh教授提出了軟計(jì)算的概念，軟計(jì)算的主要工具包括粗糙集、模糊邏輯(Fuzzy Logic)、神經(jīng)網(wǎng)絡(luò)、概率推理(Probability Reasoning)、信任度網(wǎng)絡(luò)(Belief Network)、遺傳算法（Genetic Arithmetic）、混沌理論(Chaos)等。傳統(tǒng)的計(jì)算方法，即所謂的硬計(jì)算(Hard Computing)，使用精確、固定和不變的算法來(lái)表達(dá)和解決問(wèn)題，軟計(jì)算利用所允許的不精確性、不確定性和部分真實(shí)性得到易于處理、魯棒性強(qiáng)和成本較低的解決方案，以便更好地與現(xiàn)實(shí)系統(tǒng)相協(xié)調(diào)。因此，軟計(jì)算作為知識(shí)獲取和智能信息處理的重要手段，在許多研究領(lǐng)域有著廣泛而深入的應(yīng)用。

（一）基于模糊綜合評(píng)估的供應(yīng)鏈績(jī)效評(píng)價(jià)

模糊集理論是經(jīng)典理論的推廣，它認(rèn)為元素總是以一定的程度屬于某個(gè)集合， 也可能以不同的程度屬于幾個(gè)集合。經(jīng)典理論中集合的邊界是清晰的，而模糊集理論中集合的邊界是不清晰的，對(duì)人們顯示生活中大量使用的一些含義確定但不準(zhǔn)確的語(yǔ)言表述，模糊數(shù)學(xué)可以較好地表達(dá)，因而可以自然地用于事物的評(píng)價(jià)。

在動(dòng)態(tài)供應(yīng)鏈績(jī)效評(píng)價(jià)體系中，各績(jī)效指標(biāo)之間往往存在著復(fù)雜的因果關(guān)系，這些指標(biāo)中既有定性指標(biāo)也有定量指標(biāo)，具有模糊和不確定的特點(diǎn)，模糊綜合評(píng)估方法為處理這種不確定性提供了有力的工具，它能夠盡可能地減少個(gè)人主觀臆斷所帶來(lái)的危害，為合理評(píng)價(jià)決策提供科學(xué)的依據(jù)。作者在文獻(xiàn)［16］中詳細(xì)討論了基于模糊綜合分析的供應(yīng)鏈績(jī)效評(píng)價(jià)方法，并結(jié)合Markov鏈預(yù)測(cè)理論給出了供應(yīng)鏈績(jī)效未來(lái)的發(fā)展趨勢(shì)。

（二）基于粗糙集約簡(jiǎn)的供應(yīng)鏈績(jī)效評(píng)價(jià)

Rough集理論是一種刻畫(huà)含噪聲、不完整、不精確、不相容的數(shù)學(xué)工具，它能有效分析和處理不精確、不一致、不完整等各種不完備信息，并從中發(fā)現(xiàn)隱含的知識(shí)，揭示潛在的規(guī)律，是一種重要的軟計(jì)算技術(shù)。其主要思想是在保持分類能力不變的前提下，通過(guò)知識(shí)約簡(jiǎn)，導(dǎo)出概念的分類原則。Rough 集理論是基于不可分辨的思想和知識(shí)簡(jiǎn)化的方法，從數(shù)據(jù)中推理邏輯規(guī)則作為知識(shí)系統(tǒng)模型。

如前所述，在供應(yīng)鏈條件下，各節(jié)點(diǎn)企業(yè)運(yùn)作策略具有動(dòng)態(tài)可調(diào)節(jié)性，其運(yùn)作行為具有隨機(jī)性和不確定性，這就要求在對(duì)供應(yīng)鏈績(jī)效進(jìn)行評(píng)價(jià)必須采用動(dòng)態(tài)評(píng)價(jià)方法，同時(shí)對(duì)供應(yīng)鏈在未來(lái)某一時(shí)刻的整體績(jī)效進(jìn)行預(yù)測(cè)。粗糙集及其約簡(jiǎn)理論是處理這種不確定性的重要技術(shù)。作者在文獻(xiàn)［17］中基于粗糙集理論的績(jī)效評(píng)價(jià)模型，建立了動(dòng)態(tài)供應(yīng)鏈績(jī)效評(píng)價(jià)決策表，利用粗糙集約簡(jiǎn)方法得到了預(yù)測(cè)績(jī)效評(píng)價(jià)結(jié)果的決策規(guī)則集，并把粗糙集約簡(jiǎn)和模糊綜合評(píng)估技術(shù)相結(jié)合進(jìn)行動(dòng)態(tài)供應(yīng)鏈績(jī)效評(píng)價(jià)，顯然地縮小了數(shù)據(jù)處理的規(guī)模，降低了模型的計(jì)算復(fù)雜度。

（三）基于神經(jīng)網(wǎng)絡(luò)的供應(yīng)鏈績(jī)效評(píng)價(jià)

神經(jīng)網(wǎng)絡(luò)可大規(guī)模地并行處理和分布式地存儲(chǔ)信息，具有良好的自適應(yīng)、自組織性以及很強(qiáng)的學(xué)習(xí)功能、聯(lián)想功能和容錯(cuò)功能。與當(dāng)今的馮諾依曼式計(jì)算機(jī)相比，更加接近人腦的信息處理模式，主要表現(xiàn)為能夠處理連續(xù)的模擬信號(hào)。神經(jīng)網(wǎng)絡(luò)并行分布工作，各組成部分同時(shí)參與運(yùn)算，單個(gè)神經(jīng)元的動(dòng)作速度不高，但總體的處理速度很快。神經(jīng)網(wǎng)絡(luò)信息存儲(chǔ)分布于全網(wǎng)絡(luò)各個(gè)權(quán)重變換之中，某些單元障礙并不影響信息的完整。傳統(tǒng)計(jì)算機(jī)要求有準(zhǔn)確的輸入條件, 才能給出精確解。神經(jīng)網(wǎng)絡(luò)只要求部分條件，甚至對(duì)于包含有部分錯(cuò)誤的輸入，也能得出較好的解答，因此具有較好的容錯(cuò)性。

動(dòng)態(tài)供應(yīng)鏈績(jī)效評(píng)價(jià)是一個(gè)包含多個(gè)指標(biāo)輸入輸出的復(fù)雜評(píng)估系統(tǒng)，各績(jī)效指標(biāo)具有模糊性，彼此之間存在非線性關(guān)聯(lián)性。針對(duì)這樣一個(gè)復(fù)雜的評(píng)估系統(tǒng)，作者曾利用BP神經(jīng)網(wǎng)絡(luò)技術(shù)來(lái)找出供應(yīng)鏈績(jī)效評(píng)價(jià)系統(tǒng)輸入-輸出之間的非線性映射關(guān)系，從而對(duì)動(dòng)態(tài)供應(yīng)鏈績(jī)效評(píng)價(jià)結(jié)果進(jìn)行學(xué)習(xí)和預(yù)測(cè)。通過(guò)與粗糙集約簡(jiǎn)理論相結(jié)合，簡(jiǎn)化了BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì)，減小了運(yùn)算量。

（四）幾種軟計(jì)算方法的優(yōu)缺點(diǎn)

軟計(jì)算是一個(gè)方法的集合體，目前主要包括粗糙集、模糊邏輯、神經(jīng)網(wǎng)絡(luò)、概率推理、信任度網(wǎng)絡(luò)、遺傳算法以及混沌理論等。軟計(jì)算方法已廣泛應(yīng)用于包括模式識(shí)別、數(shù)據(jù)挖掘、系統(tǒng)評(píng)價(jià)、故障診斷、專家系統(tǒng)等在內(nèi)的諸多領(lǐng)域的不精確、不確定問(wèn)題。軟計(jì)算方法按照其特點(diǎn)各有優(yōu)勢(shì)。例如，模糊集可以通過(guò)對(duì)人類思維建模來(lái)給不確定性問(wèn)題提供自然的解決機(jī)制；粗糙集在屬性約簡(jiǎn)和規(guī)則抽取方面性能優(yōu)良；神經(jīng)網(wǎng)絡(luò)對(duì)噪聲具有強(qiáng)魯棒性，分類精度高；遺傳算法廣泛用于優(yōu)化搜索問(wèn)題。 同時(shí)，以上軟計(jì)算方法依照算法的不同有各自的局限性：模糊集過(guò)度依賴專家知識(shí)，遺傳算法收斂速度慢、穩(wěn)定性差，神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)間過(guò)長(zhǎng)、知識(shí)解釋性差，而粗糙集對(duì)數(shù)據(jù)中的噪聲較敏感。本文為了克服單一方法的局限，試圖通過(guò)集成兩種或兩種以上的軟計(jì)算方法的軟計(jì)算融合系統(tǒng)來(lái)解決供應(yīng)鏈績(jī)效評(píng)價(jià)的實(shí)際問(wèn)題［6, 7］。

財(cái)經(jīng)理論與實(shí)踐(雙月刊)2011年第5期2011年第5期(總第173期)鄭 培，萬(wàn) 煒：基于智能信息處理的供應(yīng)鏈績(jī)效評(píng)價(jià)方法

（五）軟計(jì)算融合技術(shù)在動(dòng)態(tài)供應(yīng)鏈績(jī)效評(píng)價(jià)中的應(yīng)用

作者詳細(xì)研究了模糊綜合分析、粗糙集理論、神經(jīng)網(wǎng)絡(luò)等軟計(jì)算技術(shù)在動(dòng)態(tài)供應(yīng)鏈績(jī)效評(píng)價(jià)中的應(yīng)用方法。從文獻(xiàn)［16-17］實(shí)驗(yàn)結(jié)果可以初步看出，通過(guò)把幾種軟計(jì)算技術(shù)融合起來(lái)應(yīng)用于供應(yīng)鏈績(jī)效評(píng)價(jià)，就能夠克服單一智能信息處理方法的缺陷，取得更好的效果。本文使用的幾種軟計(jì)算技術(shù)能在多個(gè)方面進(jìn)行融合［6, 7］。

粗糙集和神經(jīng)網(wǎng)絡(luò)的融合。通過(guò)粗糙集的屬性約簡(jiǎn)可以顯著減少原始數(shù)據(jù)量，使神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)間縮短，從訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)中抽取規(guī)則也可顯著提高神經(jīng)網(wǎng)絡(luò)中知識(shí)可理解性；神經(jīng)網(wǎng)絡(luò)的強(qiáng)魯棒性也可解決粗糙集處理數(shù)據(jù)中的噪聲問(wèn)題。

粗糙集理論和模糊集理論的融合。粗糙集理論和模糊集理論都是研究信息系統(tǒng)中知識(shí)不完善、不精確問(wèn)題的方法，但粗糙集理論解決問(wèn)題的出發(fā)點(diǎn)是信息系統(tǒng)中知識(shí)的不可分辨性，而模糊集理論則關(guān)注信息系統(tǒng)中知識(shí)的模糊性，兩者在處理方法上各有特色。兩者的結(jié)合可以更好地解決信息系統(tǒng)中不完善、不精確性知識(shí)的問(wèn)題。

模糊集和神經(jīng)網(wǎng)絡(luò)的融合。模糊集和神經(jīng)網(wǎng)絡(luò)的融合主要有模糊神經(jīng)網(wǎng)絡(luò)和神經(jīng)模糊系統(tǒng)。神經(jīng)模糊系統(tǒng)以神經(jīng)網(wǎng)絡(luò)為主，結(jié)合模糊集理論，將神經(jīng)網(wǎng)絡(luò)作為實(shí)現(xiàn)模糊模型的工具，即在神經(jīng)網(wǎng)絡(luò)的框架下實(shí)現(xiàn)模糊系統(tǒng)或其一部分功能。從結(jié)構(gòu)上看，一般是四層或五層的前向神經(jīng)網(wǎng)絡(luò)。模糊神經(jīng)網(wǎng)絡(luò)是神經(jīng)網(wǎng)絡(luò)的模糊化，即以模糊集、模糊邏輯為主，結(jié)合神經(jīng)網(wǎng)絡(luò)方法，利用神經(jīng)網(wǎng)絡(luò)的自組織性，達(dá)到柔性信息處理的目的。

三、基于智能信息處理的供應(yīng)鏈績(jī)效評(píng)價(jià)方法比較

（一）基本思路

在作者以前的研究里，曾應(yīng)用模糊綜合分析、粗糙集理論和BP神經(jīng)網(wǎng)絡(luò)等智能信息處理方法建立了多個(gè)供應(yīng)鏈績(jī)效評(píng)價(jià)模型，本文對(duì)這些評(píng)價(jià)模型的效果和優(yōu)缺點(diǎn)進(jìn)行了分析和總結(jié)。我們的基本思路是以某動(dòng)態(tài)供應(yīng)鏈為例，選取合適的績(jī)效指標(biāo)集，對(duì)得到的績(jī)效指標(biāo)按照評(píng)價(jià)模型的數(shù)據(jù)要求進(jìn)行預(yù)處理，然后輸入到不同的動(dòng)態(tài)績(jī)效評(píng)價(jià)模型中進(jìn)行處理，對(duì)各個(gè)績(jī)效評(píng)價(jià)模型進(jìn)行解算。通過(guò)對(duì)模型輸出的結(jié)果的比較和分析來(lái)歸納各個(gè)績(jī)效評(píng)價(jià)模型的主要特點(diǎn)，并對(duì)評(píng)價(jià)模型的實(shí)際效果進(jìn)行總結(jié)。

（二）數(shù)據(jù)預(yù)處理

如前所述，本文已經(jīng)根據(jù)文獻(xiàn)［15］提出的供應(yīng)鏈五維平衡計(jì)分卡，選擇了15個(gè)關(guān)鍵績(jī)效指標(biāo)作為動(dòng)態(tài)供應(yīng)鏈的績(jī)效評(píng)價(jià)指標(biāo)集C，C＝{F1, F2, F3, C1, C2, C3, P1, P2, P3, P4, L1, L2, L3, S1, S2}。在15個(gè)績(jī)效指標(biāo)中，既有定性指標(biāo)，也有定量指標(biāo)。由于BP神經(jīng)網(wǎng)絡(luò)只能處理數(shù)值向量，因此在這些績(jī)效指標(biāo)輸入BP網(wǎng)絡(luò)訓(xùn)練之前必須對(duì)它們進(jìn)行預(yù)處理。在基于粗糙集理論的供應(yīng)鏈績(jī)效評(píng)價(jià)模型里，根據(jù)決策表信息約簡(jiǎn)的要求，需要對(duì)所有屬性的取值進(jìn)行離散化處理。這里對(duì)某動(dòng)態(tài)聯(lián)盟供應(yīng)鏈績(jī)效決策表?xiàng)l件屬性采用表1的方法進(jìn)行離散化處理。

假設(shè)根據(jù)歷史經(jīng)驗(yàn)或供應(yīng)鏈行規(guī)，把供應(yīng)鏈的績(jī)效評(píng)價(jià)結(jié)果劃分為G1、G2、G3、G4四個(gè)等級(jí)，分別對(duì)應(yīng)供應(yīng)鏈績(jī)效評(píng)價(jià)為優(yōu)、良、中、差的狀態(tài)，其劃分的依據(jù)如表1所示。

在基于模糊綜合評(píng)估的供應(yīng)鏈績(jī)效評(píng)價(jià)模型里，表1將作為構(gòu)造各績(jī)效指標(biāo)屬于各類的隸屬度函數(shù)的依據(jù)。

（三）實(shí)驗(yàn)結(jié)果比較與分析

實(shí)驗(yàn)的數(shù)據(jù)源仍采用文獻(xiàn)［15］某供應(yīng)鏈相關(guān)指標(biāo)的調(diào)查結(jié)果，經(jīng)調(diào)查得到該供應(yīng)鏈在2007年1~12個(gè)月的績(jī)效指標(biāo)取值和績(jī)效綜合評(píng)價(jià)結(jié)果。本文已經(jīng)詳細(xì)討論了對(duì)該供應(yīng)鏈績(jī)效采用基于BP網(wǎng)絡(luò)訓(xùn)練和學(xué)習(xí)的過(guò)程，并結(jié)合粗糙集約簡(jiǎn)給出兩者相結(jié)合的混合績(jī)效評(píng)價(jià)方法及結(jié)果。

BP網(wǎng)絡(luò)學(xué)習(xí)完畢后，就可以用來(lái)對(duì)下一評(píng)估時(shí)刻的供應(yīng)鏈績(jī)效進(jìn)行預(yù)測(cè)。針對(duì)上述供應(yīng)鏈，經(jīng)調(diào)查得到該供應(yīng)鏈在2008年前4個(gè)月的績(jī)效指標(biāo)取值結(jié)果，如表2所示。

將上述各績(jī)效指標(biāo)規(guī)一化后輸入訓(xùn)練好的BP網(wǎng)絡(luò)，得到相應(yīng)的輸出向量分別為(0.0023, 0.998, -0.002, 0.007)、(-0.008, 0.003, 0.988, -0.005)、(-0.008, 0.958, -0.008, -0.002)和(0.987, -0.010, -0.005, 0.005)。據(jù)此可判斷該供應(yīng)鏈在2008年1~4月的績(jī)效綜合評(píng)價(jià)結(jié)果分別為G2、G3、G2、G1。

進(jìn)一步，針對(duì)表1所示的供應(yīng)鏈績(jī)效分級(jí)標(biāo)準(zhǔn)，可以通過(guò)Rough約簡(jiǎn)得到供應(yīng)鏈績(jī)效分級(jí)決策表的最佳約簡(jiǎn)，即供應(yīng)鏈績(jī)效評(píng)價(jià)的關(guān)鍵績(jī)效指標(biāo)集。通過(guò)約簡(jiǎn)得到供應(yīng)鏈績(jī)效評(píng)價(jià)的關(guān)鍵指標(biāo)集為{F1, F2, F3, C1, C2, P1, P2, P3, L1, L2, L3, S1}，這樣這12個(gè)關(guān)鍵績(jī)效指標(biāo)就構(gòu)成了BP網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)。把表2所示的供應(yīng)鏈在2008年1~4月的關(guān)鍵績(jī)效指標(biāo)量化結(jié)果輸入訓(xùn)練好的BP網(wǎng)絡(luò)，可求出其相應(yīng)的績(jī)效評(píng)價(jià)結(jié)果分別為G2、G3、G2、G1，與供應(yīng)鏈績(jī)效實(shí)際調(diào)查結(jié)果一致。

下面，針對(duì)同一供應(yīng)鏈，分別采用基于粗糙集理論的動(dòng)態(tài)供應(yīng)鏈績(jī)效評(píng)價(jià)模型、基于模糊綜合評(píng)估的供應(yīng)鏈績(jī)效評(píng)價(jià)模型及兩者的結(jié)合來(lái)得出供應(yīng)鏈績(jī)效評(píng)價(jià)結(jié)果，并進(jìn)行方法間的比較。

在基于粗糙集理論的供應(yīng)鏈績(jī)效評(píng)價(jià)模型里，先對(duì)各績(jī)效指標(biāo)進(jìn)行離散化處理,離散化后的該動(dòng)態(tài)供應(yīng)鏈績(jī)效決策表如下。

對(duì)于表3所示的績(jī)效評(píng)價(jià)決策表，利用約簡(jiǎn)算法對(duì)決策表進(jìn)行屬性約簡(jiǎn)，以便去掉決策表的冗余條件屬性。進(jìn)一步，利用歸納值約簡(jiǎn)算法對(duì)績(jī)效決策表進(jìn)行值約簡(jiǎn)，可以得到一系列用于供應(yīng)鏈績(jī)效評(píng)價(jià)的決策規(guī)則集。由于決策屬性值被離散化為四個(gè)等級(jí)，亦即信息系統(tǒng)具有四個(gè)概念。針對(duì)這四個(gè)概念的最一般規(guī)則分別為：

根據(jù)上述關(guān)于決策屬性取值的最一般規(guī)則，就可以對(duì)某一考察周期動(dòng)態(tài)聯(lián)盟的綜合績(jī)效評(píng)價(jià)結(jié)果作出判斷。當(dāng)條件屬性集不完全滿足規(guī)則前件時(shí)，可以選取關(guān)于各個(gè)概念的次一般(或可信度較高)的生成式規(guī)則對(duì)績(jī)效作出綜合評(píng)估。

把表2所示的該供應(yīng)鏈在2008年前4個(gè)月的績(jī)效指標(biāo)離散化，然后針對(duì)上述供應(yīng)鏈績(jī)效評(píng)價(jià)決策規(guī)則進(jìn)行匹配，可得這4個(gè)月供應(yīng)鏈績(jī)效綜合評(píng)價(jià)結(jié)果分別為G3、G3、G2、G1。

接著，采用模糊綜合評(píng)估方法來(lái)對(duì)同一供應(yīng)鏈的績(jī)效評(píng)價(jià)結(jié)果進(jìn)行分析。首先建立模糊關(guān)系矩陣，單因素評(píng)價(jià)矩陣取各因素在評(píng)價(jià)集上的隸屬度，各隸屬度函數(shù)均取為二次函數(shù)。根據(jù)供應(yīng)鏈績(jī)效分類標(biāo)準(zhǔn)表1，建立F1屬于各類的隸屬度函數(shù)為：

同理，可分別建立其它績(jī)效指標(biāo)屬于各類的隸屬度函數(shù)，對(duì)應(yīng)績(jī)效評(píng)價(jià)指標(biāo)集C的權(quán)向量取為：

W=(0.17,0.06,0.02,0.08,0.13,0.02,0.05,0.04,0.10,0.01,0.10,0.04,0.05,0.11,0.02)

于是，由模糊綜合評(píng)估法可求出該供應(yīng)鏈在2008年前4個(gè)月的績(jī)效分別為G3、G3、G2、G1。

最后，采用結(jié)合了粗糙集約簡(jiǎn)和模糊綜合評(píng)估的動(dòng)態(tài)供應(yīng)鏈績(jī)效評(píng)價(jià)方法來(lái)得到該供應(yīng)鏈績(jī)效評(píng)價(jià)結(jié)果。首先借助于動(dòng)態(tài)供應(yīng)鏈績(jī)效評(píng)價(jià)決策表對(duì)績(jī)效評(píng)價(jià)指標(biāo)進(jìn)行約簡(jiǎn)和降維，通過(guò)Rough約簡(jiǎn)得到供應(yīng)鏈績(jī)效評(píng)價(jià)的關(guān)鍵績(jī)效指標(biāo)集為{F1, F2, F3, C1, C2, P1, P2, P3, L1, L2, L3, S1}，根據(jù)供應(yīng)鏈績(jī)效分類標(biāo)準(zhǔn)表2分別建立上述關(guān)鍵績(jī)效指標(biāo)屬于各類的隸屬度函數(shù)，然后利用模糊評(píng)估方法對(duì)供應(yīng)鏈績(jī)效進(jìn)行綜合評(píng)價(jià)。根據(jù)該混合供應(yīng)鏈績(jī)效評(píng)價(jià)方法求出該供應(yīng)鏈在2008年前4個(gè)月的績(jī)效分別為G2、G3、G3、G1。

我們給出了采用上述五種基于智能信息處理的績(jī)效評(píng)價(jià)方法得到的該供應(yīng)鏈在2007年1月~2008年4月間績(jī)效評(píng)價(jià)結(jié)果的變化趨勢(shì)，如圖1所示。其中，如圖例所示圓圈、方塊實(shí)線、下三角實(shí)線、粗標(biāo)圓卷實(shí)線和帶星虛線分別代表了對(duì)應(yīng)月份由五種評(píng)估方法得到的供應(yīng)鏈績(jī)效評(píng)價(jià)結(jié)果。

圖1 某供應(yīng)鏈采用五種績(jī)效綜合評(píng)估方法得到的評(píng)價(jià)結(jié)果

從圖1可以看出，采用五種不同的供應(yīng)鏈績(jī)效評(píng)價(jià)方法得到的結(jié)果略有差異。這一差異由多種原因引起，首先基于BP神經(jīng)網(wǎng)絡(luò)的績(jī)效評(píng)價(jià)方法和基于粗糙集理論的績(jī)效評(píng)價(jià)方法都是有監(jiān)督的智能學(xué)習(xí)算法，即在對(duì)動(dòng)態(tài)供應(yīng)鏈績(jī)效評(píng)價(jià)結(jié)果作出預(yù)測(cè)之前，都有個(gè)訓(xùn)練的過(guò)程，這需要大量的歷史數(shù)據(jù)。而基于模糊綜合評(píng)估的供應(yīng)鏈績(jī)效評(píng)價(jià)方法隸屬度函數(shù)主要由績(jī)效分級(jí)標(biāo)準(zhǔn)確定，并不“顯式”地需要?dú)v史績(jī)效結(jié)果。其次，許多基于智能信息處理的績(jī)效評(píng)價(jià)模型都需要事先確定一些參數(shù)，如BP網(wǎng)絡(luò)需要確定網(wǎng)絡(luò)結(jié)構(gòu)、學(xué)習(xí)速率、沖量因子；模糊綜合評(píng)估需要確定指標(biāo)權(quán)值和隸屬度函數(shù)表示方法等。另外，不同的績(jī)效評(píng)價(jià)模型對(duì)輸入數(shù)據(jù)的要求各不相同，BP神經(jīng)網(wǎng)絡(luò)和模糊綜合評(píng)估處理的是連續(xù)數(shù)據(jù)，粗糙集約簡(jiǎn)處理的是離散數(shù)據(jù)，而實(shí)際獲得的績(jī)效指標(biāo)中既有定性指標(biāo)，也有定量指標(biāo)，這就需要在績(jī)效指標(biāo)輸入模型之前進(jìn)行預(yù)處理，預(yù)處理方法的不同導(dǎo)致模型輸出有很大的差異。上述幾種不同的基于智能信息處理的供應(yīng)鏈績(jī)效評(píng)價(jià)方法輸出結(jié)果與供應(yīng)鏈實(shí)際績(jī)效基本相符，在實(shí)際使用時(shí)要根據(jù)情況靈活選擇。

此外,實(shí)驗(yàn)結(jié)果也表明通過(guò)幾種智能信息處理方法融合在動(dòng)態(tài)供應(yīng)鏈績(jī)效評(píng)價(jià)中能取得更好的效果。通過(guò)粗糙集約簡(jiǎn)和模糊綜合評(píng)估的融合，顯然縮小了數(shù)據(jù)處理的規(guī)模，降低了評(píng)估模型的計(jì)算復(fù)雜度，同時(shí)克服了模糊評(píng)估過(guò)度依賴專家知識(shí)（領(lǐng)域知識(shí)）的缺點(diǎn)。通過(guò)粗糙集約簡(jiǎn)和BP神經(jīng)網(wǎng)絡(luò)的融合，降低BP網(wǎng)絡(luò)的設(shè)計(jì)復(fù)雜度，克服了神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)間長(zhǎng)、知識(shí)解釋性較差的缺點(diǎn)。兩種融合方法都保持了較高的準(zhǔn)確度，在動(dòng)態(tài)供應(yīng)鏈績(jī)效評(píng)價(jià)中更為有效。

本文的研究結(jié)果彌補(bǔ)了目前國(guó)內(nèi)外動(dòng)態(tài)供應(yīng)鏈績(jī)效評(píng)價(jià)中智能信息處理方法的融合理論研究少、應(yīng)用不夠深入的缺點(diǎn)，對(duì)實(shí)際供應(yīng)鏈運(yùn)作與管理中基于軟計(jì)算的動(dòng)態(tài)績(jī)效評(píng)價(jià)模型和方法的選擇與應(yīng)用具有理論指導(dǎo)意義。

四、結(jié) 論

軟計(jì)算作為知識(shí)獲取和智能信息處理的重要手段，在供應(yīng)鏈績(jī)效評(píng)價(jià)領(lǐng)域有著良好的應(yīng)用前景。越來(lái)越多的學(xué)者開(kāi)始集成兩種或兩種以上的軟計(jì)算方法的智能信息融合算法來(lái)克服單一方法的局限性。本文針對(duì)之前使用的模糊綜合評(píng)估、粗糙集約簡(jiǎn)及BP神經(jīng)網(wǎng)絡(luò)等軟計(jì)算方法在動(dòng)態(tài)供應(yīng)鏈績(jī)效評(píng)價(jià)中的主要特點(diǎn)和效果進(jìn)行了簡(jiǎn)要的比較和分析，指出了每種方法的優(yōu)缺點(diǎn)。然而，由于每種智能信息處理方法存在著本質(zhì)上的差異，對(duì)這些方法間的效果差異進(jìn)行嚴(yán)格的比較存在理論上的困難。某種智能信息處理方法可能適用于某種供應(yīng)鏈，而另一種智能信息處理方法則可能更適用于另一種供應(yīng)鏈。因此，在實(shí)際使用時(shí)，要根據(jù)供應(yīng)鏈具體情況靈活選擇或融合多種智能信息處理方法以取得更好的效果。

參考文獻(xiàn)：

［1］Anna, M. R. and Etienne, E. K. A comparative study of fuzzy rough sets［J］. Fuzzy Sets and System, 2002 ，126（2): 137-155.

［2］Nagatanit, Helbingd. Stability analysis and stabilization strategies for linear supply chains.［J］.Physica A., 2004, 35 (3-4): 644-660.

［3］Mohamed. Q. A-RST: a generation of rough set theory［J］. Information Science, 2000 ，124（1-4): 301-316.

［4］Roman, W. S., Larry, H. Rough sets as a front end of neuraln-etworks texture classifiers［J］. Neurocomputing, 2001, 36: 85-102.

［5］Yahia, M. E., Mahmod R. and N. Sulaiman, et al. Rough neural expert systems［J］. Expert Systems with Applications. 2002, 18: 87-99.

［6］McKee, T. E., Terje, L. Genetic programming and rough sets: a hybrid approach to bankruptcy classification［J］. European Journal of Operational Research, 2002 ,138: 436-451.

［7］Bolch G., Greine, S., H. D. Meer, etc. Queuing networks and markov chains-modeling and performance evaluation with computer science applications (2nd edition)［M］. A John Wiley & Sons, Inc., publication, 2006.

［8］Zadeh L. A. Fuzzy sets［J］. Information and Control. 1965, 8 (3): 338-353.

［9］Pawlak, Z. Rough set-theoretical aspects of reasoning about data ［M］. Boston: MA: Kluwer Academic Publishers, 1991.

［10］曹慶奎,阮俊虎.基于粗糙集-未確知測(cè)度的礦井通風(fēng)系統(tǒng)合理性評(píng)價(jià)［J］.科學(xué)決策,2009.5:89-94.

［11］劉敬學(xué),陳曦. 基于神經(jīng)網(wǎng)絡(luò)的專家預(yù)測(cè)方法研究［J］.科學(xué)決策,2009,11:78-81.

［12］Bhagwat and Sharma.Management of information system in SMEs: an exploratory study. ［J］.International Journal of Enterprise and Network Management. 2006,1(1): 99-125.

［13］Bititici et al..Implementation of performance measurement systems:private and public sectors［J］. Editorial, Production Planning and Control. 2005,16(2):99-100.

［14］鄭培，黎建強(qiáng). 基于BP神經(jīng)網(wǎng)絡(luò)的供應(yīng)鏈績(jī)效評(píng)價(jià)方法［J］.運(yùn)籌與管理，2010,19(2):26-32.

［15］宋莎莎,戴鋒,衛(wèi)保璐.基于模糊層次分析法和聚類分析的突發(fā)事件分級(jí)研究［J］.科學(xué)決策,2010,10:68-72.

［16］鄭培，黎建強(qiáng). 基于模糊評(píng)估和馬爾可夫預(yù)測(cè)的供應(yīng)鏈動(dòng)態(tài)平衡記分卡研究 ［J］. 系統(tǒng)工程理論與實(shí)踐，2008，4(4): 57-64.

［17］鄭培，黎建強(qiáng). 基于粗糙集理論的供應(yīng)鏈動(dòng)態(tài)績(jī)效評(píng)估方法研究 ［J］. 運(yùn)籌與管理,2008,10(5):6-11.

［18］王俊峰,劉立東.基于博弈論的閉環(huán)供應(yīng)鏈中三方協(xié)調(diào)研究［J］.科學(xué)決策,2009,(3):33-37.

Supply Chain Performance Measurement Methods based on Intelligent Information Processing

ZHENG Pei 1, WAN Wei2

（College of Business Administration, Hunan University, Changsha Hunan 410082, China）

第8篇：神經(jīng)網(wǎng)絡(luò)實(shí)驗(yàn)總結(jié)范文

一、3G用戶細(xì)分體系架構(gòu)

用戶細(xì)分是3G業(yè)務(wù)開(kāi)發(fā)及市場(chǎng)營(yíng)銷的基礎(chǔ)，用戶細(xì)分能夠使差異化成為可能，使運(yùn)營(yíng)商提供的3G產(chǎn)品和服務(wù)能夠更有針對(duì)性。3G用戶細(xì)分方法的選擇直接決定了相關(guān)用戶細(xì)分結(jié)果的準(zhǔn)確性及實(shí)用性。對(duì)于3G用戶細(xì)分的體系搭建的思路是： 采用3 個(gè)緯度進(jìn)行用戶的細(xì)分，首先按照用戶價(jià)值緯度進(jìn)行用戶細(xì)分，然后再結(jié)合消費(fèi)行為緯度和消費(fèi)心理緯度細(xì)分用戶群。在3G用戶細(xì)分的體系架構(gòu)中，3個(gè)緯度的用戶細(xì)分依據(jù)、方法及應(yīng)用價(jià)值如表1 所示。

二、客戶識(shí)別分類模型

（一）數(shù)據(jù)抽取

本案例數(shù)據(jù)來(lái)源于某電信運(yùn)營(yíng)公司，該數(shù)據(jù)總量為26000條。每一條對(duì)應(yīng)一個(gè)客戶近六個(gè)月的統(tǒng)計(jì)信息。其中已知分類（2G、3G）的為18000條，未知分類8000 條。其中包括客戶年齡，月平均消費(fèi)額，月平均通話時(shí)長(zhǎng)等屬性250 個(gè)（包括客戶類型）。本例利用26000條已知分類的數(shù)據(jù)進(jìn)行分類模型的建立，隨機(jī)抽取訓(xùn)練數(shù)據(jù)10000條，測(cè)試數(shù)據(jù)8000條。

（二）數(shù)據(jù)預(yù)處理

上述采集的數(shù)據(jù)有數(shù)據(jù)多、數(shù)據(jù)取值范圍廣和數(shù)據(jù)取值類型多樣的特點(diǎn)，因此必須在建模前對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，如采集的樣本數(shù)據(jù)存在一些屬性值缺省或空值，如果不做處理，將直接影響后續(xù)算法的挖掘效果，嚴(yán)重時(shí)甚至得到錯(cuò)誤的結(jié)果。數(shù)據(jù)預(yù)處理包含數(shù)據(jù)清洗、屬性篩選、數(shù)據(jù)平衡、數(shù)據(jù)歸一化和離散化五個(gè)步驟。數(shù)據(jù)清洗分為類型轉(zhuǎn)換和缺失數(shù)據(jù)填補(bǔ)兩部分；屬性篩選分為人工篩選和通過(guò)相關(guān)系數(shù)分析實(shí)現(xiàn)屬性選擇兩部分；由于作為訓(xùn)練的18000條數(shù)據(jù)只有少數(shù)是3G用戶，這樣會(huì)導(dǎo)致模型輸出結(jié)果偏向判別為2G 客戶，因此必須通過(guò)數(shù)據(jù)平衡實(shí)現(xiàn)2、3G用戶數(shù)量達(dá)到1：1；為了提高BP 神經(jīng)網(wǎng)絡(luò)的性能，需要對(duì)數(shù)據(jù)進(jìn)行歸一化；對(duì)于決策樹(shù)算法，需要對(duì)數(shù)據(jù)進(jìn)行離散化，否則生產(chǎn)的決策樹(shù)將會(huì)過(guò)于茂盛，以至于無(wú)法分析。

三、客戶數(shù)據(jù)分類識(shí)別過(guò)程

本文分別采用BP 神經(jīng)網(wǎng)絡(luò)和決策樹(shù)進(jìn)行建模，實(shí)現(xiàn)對(duì)3G 客戶的分類識(shí)別。本案例運(yùn)用TipDM 數(shù)據(jù)挖掘在線建模平臺(tái)中的性分析進(jìn)行數(shù)據(jù)探索，再運(yùn)用BP 神經(jīng)網(wǎng)絡(luò)和C4.5 決策樹(shù)進(jìn)行客戶識(shí)別。（一）模型輸入。本案例中，模型數(shù)據(jù)涉及客戶年齡、月平均通話時(shí)長(zhǎng)和月平均消費(fèi)額等240多個(gè)屬性（包含客戶類型），模型輸入需將客戶識(shí)別樣本屬性表導(dǎo)入建模平臺(tái)中即可。（二）仿真識(shí)別過(guò)程。建模仿真過(guò)程說(shuō)明如下：1.登錄TipDM 平臺(tái)，在方案管理頁(yè)面中，新建方案或者打開(kāi)一個(gè)已建方案；2.切換到數(shù)據(jù)管理頁(yè)面，上傳經(jīng)預(yù)處理后的專家樣本數(shù)據(jù)文件；3.選擇相關(guān)性分析功能，導(dǎo)入樣本數(shù)據(jù)進(jìn)行相關(guān)性分析；4.分別選擇BP 神經(jīng)網(wǎng)絡(luò)算法和C4.5 決策樹(shù)算法，進(jìn)行模型構(gòu)建；5.對(duì)比BP 神經(jīng)網(wǎng)絡(luò)和C4.5 決策樹(shù)的建模結(jié)果，并選擇最優(yōu)算法；6.用最優(yōu)法對(duì)測(cè)試樣本進(jìn)行3G 客戶識(shí)別。（三）仿真結(jié)果分析。1.基于BP 神經(jīng)網(wǎng)絡(luò)的模型構(gòu)建。由于神經(jīng)網(wǎng)絡(luò)算法輸出結(jié)果受到訓(xùn)練次數(shù)影響，并伴隨一定的隨機(jī)性，多次實(shí)驗(yàn)得到的分類正確率如下表所示。

四、總結(jié)與建議

決策樹(shù)與BP神經(jīng)網(wǎng)絡(luò)對(duì)于3G客戶的識(shí)別正確率都接近80%，說(shuō)明本用例建立的分類模型對(duì)3G客戶的敏感度比較高，基本能識(shí)別出3G用戶，能達(dá)到預(yù)期目標(biāo)。但是只看3G客戶的識(shí)別正確率是不科學(xué)的，還要看2G 客戶的識(shí)別正確率和總體識(shí)別正確率。從總體正確率看，BP 神經(jīng)網(wǎng)絡(luò)的正確率仍然比決策樹(shù)高近10%，BP神經(jīng)網(wǎng)絡(luò)無(wú)論是總體性能還是對(duì)局部分類的敏感度都表現(xiàn)不錯(cuò)，而決策樹(shù)分類模型性能還有待提高。

雖然本例的客戶識(shí)別未能達(dá)到百分百地準(zhǔn)確，但從另外一個(gè)角度看，一味追求正確率并沒(méi)有太多意義。因?yàn)楸緛?lái)運(yùn)營(yíng)商對(duì)各個(gè)用戶的類別就已經(jīng)作了登記，反而，我們或許能從客戶的誤識(shí)別中獲得更多信息。

第9篇：神經(jīng)網(wǎng)絡(luò)實(shí)驗(yàn)總結(jié)范文

關(guān)鍵詞：旋轉(zhuǎn)機(jī)械；故障診斷；方法

DOI：10.16640/ki.37-1222/t.2017.10.026

隨著診斷技術(shù)研究的深入，可以實(shí)現(xiàn)故障診斷的方法越來(lái)越多，既有對(duì)前人研究成果的完善，也有一些原創(chuàng)性的研究成果相繼被提出，根據(jù)各類方法在實(shí)現(xiàn)方式上的不同，可以大致將其分為三類，第一種是通過(guò)建立合適的模型進(jìn)行故障診斷，這種方法在實(shí)際的生產(chǎn)應(yīng)用中，往往由于設(shè)備結(jié)構(gòu)復(fù)雜，無(wú)法構(gòu)建精準(zhǔn)的模型，即便可以獲得合適的參數(shù)模型，其耗資也會(huì)相當(dāng)大，所以實(shí)際應(yīng)用可行性不大。第二種方法是結(jié)合人工智能技術(shù)的專家系統(tǒng)，在實(shí)際應(yīng)用中這種方法得到了一定的肯定，但仍然存在知識(shí)獲取不全面、針對(duì)性太強(qiáng)、智能水平低等問(wèn)題，使得故障診斷結(jié)果可靠性不強(qiáng)。而模式識(shí)別是故障診斷中應(yīng)用最為廣泛的方法，且目前很多學(xué)者都認(rèn)為基于模式識(shí)別的故障診斷有很大的進(jìn)步空間。

1 旋轉(zhuǎn)機(jī)械故障特點(diǎn)

旋轉(zhuǎn)機(jī)械故障的故障特點(diǎn)與其他類型的機(jī)械故障存在一定的區(qū)別，且是機(jī)械設(shè)備中最為常用的一類，所以有必要對(duì)其進(jìn)行單獨(dú)的深入研究。旋轉(zhuǎn)機(jī)械故障是指有轉(zhuǎn)子系統(tǒng)的機(jī)械設(shè)備在運(yùn)行過(guò)程中出現(xiàn)異常的工作狀態(tài)，比如不正常的噪聲、異常大的振動(dòng)、溫度急劇升高，或者其他指標(biāo)不正常。旋轉(zhuǎn)機(jī)械的結(jié)構(gòu)復(fù)雜，故障發(fā)生具有一定的階段性，并且部分故障的發(fā)生有一個(gè)漸進(jìn)的過(guò)程，在進(jìn)行故障診斷時(shí)，必須綜合考慮多項(xiàng)因素，使得進(jìn)行準(zhǔn)確故障診斷的難度較大。

2 旋轉(zhuǎn)機(jī)械故障檢測(cè)方法

2.1 模式識(shí)別

經(jīng)過(guò)多年的發(fā)展，模式識(shí)別己是故障檢測(cè)的重要理論基礎(chǔ)之一。近十幾年來(lái)，模式識(shí)別技術(shù)在機(jī)械設(shè)備故障診斷領(lǐng)域的應(yīng)用己經(jīng)非常普遍，每年都有相關(guān)的改進(jìn)方法被。在機(jī)器人模仿人類思考能力的研究領(lǐng)域上，模式識(shí)別方法一直占據(jù)著十分重要地位，在機(jī)械故障診斷方法中模式識(shí)別也始終是一個(gè)先進(jìn)且富有挑戰(zhàn)的探索方向。

隨著計(jì)算機(jī)技術(shù)的迅速發(fā)展，各國(guó)在旋轉(zhuǎn)機(jī)械故障診斷方面都取得了很大的進(jìn)步，擺脫了傳統(tǒng)依靠技術(shù)工人經(jīng)驗(yàn)判斷的主觀臆斷和不準(zhǔn)確性，特別是這幾年，計(jì)算機(jī)技術(shù)的發(fā)展使得各種更加完善的算法運(yùn)行更為迅速，進(jìn)而推進(jìn)了旋轉(zhuǎn)機(jī)械故障診斷的發(fā)展。

美國(guó)是最先研究機(jī)械故障診斷技術(shù)的國(guó)家之一，其診斷技術(shù)在很多方面都屬于世界先進(jìn)水平，目前美國(guó)從事故障診斷研究的機(jī)構(gòu)主要有電子能源研究機(jī)構(gòu)、西屋電氣、Bently和CSI等公司。其中西屋電氣是最早應(yīng)用計(jì)算機(jī)網(wǎng)絡(luò)的，該公司自己開(kāi)發(fā)的汽輪機(jī)故障診斷軟件可以對(duì)遠(yuǎn)程對(duì)多臺(tái)機(jī)組進(jìn)行診斷。而B(niǎo)ently公司在轉(zhuǎn)子的動(dòng)力系統(tǒng)和故障的診斷機(jī)理方面比較領(lǐng)先。

我國(guó)在機(jī)械故障診斷方面的研究起步相對(duì)較晚，技術(shù)也較為落后。剛開(kāi)始主要以學(xué)習(xí)研究國(guó)外相關(guān)理論為主。直到80年代初期才逐漸有了自己研發(fā)的技術(shù)，在這個(gè)階段，大型設(shè)備的出現(xiàn)和各項(xiàng)相關(guān)技術(shù)的發(fā)展也刺激了國(guó)人對(duì)旋轉(zhuǎn)機(jī)械故障診斷技術(shù)的重視，也推動(dòng)了該技術(shù)的自主研發(fā)。隨著國(guó)家和企業(yè)對(duì)這項(xiàng)技術(shù)領(lǐng)域的投入逐漸增大，許多學(xué)者開(kāi)始涉足這個(gè)領(lǐng)域，并對(duì)其進(jìn)行大量的探索和實(shí)驗(yàn)，加上與國(guó)際交流合作，我國(guó)也開(kāi)發(fā)出了一些在線監(jiān)測(cè)與故障診斷的軟件，這也很大程度上減小了與國(guó)際上相關(guān)先進(jìn)技術(shù)的差距，但事實(shí)上，我國(guó)研究水平總體還是比較落后，故障診斷技術(shù)的可靠性還需要不斷提升。

2.2 人工神經(jīng)網(wǎng)絡(luò)理論

1940年左右，有關(guān)應(yīng)用人工神經(jīng)網(wǎng)絡(luò)的理論開(kāi)始出現(xiàn)，經(jīng)過(guò)多年的發(fā)展，它己經(jīng)被引入到許多領(lǐng)域，比如，智能機(jī)器的控制、神經(jīng)網(wǎng)絡(luò)計(jì)算機(jī)的研發(fā)、算法的優(yōu)化、應(yīng)用計(jì)算機(jī)進(jìn)行圖像處理、模式識(shí)別、連續(xù)續(xù)語(yǔ)音的識(shí)別、數(shù)據(jù)的壓縮、信息處理等領(lǐng)域，在實(shí)踐應(yīng)用中取得了很好的效果，作為一項(xiàng)新的模式識(shí)別技術(shù)和信息處理辦法，人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用前景十分可觀。

目前，使用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷的方法有很多，最常用方法是：多層感知器神經(jīng)網(wǎng)絡(luò)、BP神經(jīng)網(wǎng)絡(luò)、自組織Kohonen神經(jīng)網(wǎng)絡(luò)、和徑向基函數(shù)RBF（Radial Bases Function）神經(jīng)網(wǎng)絡(luò)，也有學(xué)者將人工神經(jīng)網(wǎng)絡(luò)與各種其他方法相結(jié)合的實(shí)例。在使用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行故障處理時(shí)，首先檢查采集到的故障信息數(shù)據(jù)，剔除多余或者不合理的異常數(shù)據(jù)，再對(duì)有效數(shù)據(jù)進(jìn)行歸一化處理，預(yù)處理工作完成后即可將數(shù)據(jù)輸入到神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練學(xué)習(xí)和故障識(shí)別過(guò)程。

2002年，王守覺(jué)院士分析傳統(tǒng)模式識(shí)別方法的缺點(diǎn)，認(rèn)為傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)都是假設(shè)特征空間中包括了所有的模式類別，要實(shí)現(xiàn)模式識(shí)別只需要找到最佳的特征空間劃分方法，但事實(shí)上，任何一個(gè)特征空間中不可能包含所有的模式類別，特征空間中必然存在模式空白區(qū)域，就像人類對(duì)某些事物表現(xiàn)為不認(rèn)識(shí)一樣。認(rèn)識(shí)到這一點(diǎn)后，王守覺(jué)院士提出了“仿生模式識(shí)別”這一概念，與傳統(tǒng)的基于特征空間最佳劃分的方法相比，仿生模式識(shí)別最為突出的特點(diǎn)就是，能構(gòu)造封閉的、復(fù)雜的幾何形體對(duì)各類樣本進(jìn)行覆蓋，從而達(dá)到模式識(shí)別的目的。

2.3 仿生模式識(shí)別

自從仿生模式識(shí)別這一概念被提出以來(lái)，許多學(xué)者對(duì)其進(jìn)行了深入研究，并將其應(yīng)用到了人臉識(shí)別、車(chē)牌識(shí)別、語(yǔ)音識(shí)別、字體識(shí)別等領(lǐng)域。并取得了良的識(shí)別效果，例如：陸飛在其碩士論文中重點(diǎn)對(duì)仿生模式識(shí)別中的幾何模型進(jìn)行了深入分析，并用超香腸神經(jīng)網(wǎng)絡(luò)作為仿生模式識(shí)別的實(shí)現(xiàn)方法應(yīng)用到了人臉識(shí)別中，取得了良好的實(shí)驗(yàn)結(jié)果；劉煥云等人將仿生模式識(shí)別應(yīng)用到目標(biāo)識(shí)別和跟蹤方面，編寫(xiě)了自適應(yīng)目標(biāo)算法，與傳統(tǒng)方法相比，跟蹤識(shí)別效果有顯著的提升；王守覺(jué)院士自己也對(duì)仿生模式識(shí)別算法進(jìn)行了一系列的優(yōu)化，先后提出了超香腸神經(jīng)網(wǎng)絡(luò)和多權(quán)值神經(jīng)網(wǎng)絡(luò)識(shí)別實(shí)現(xiàn)方法，并在文獻(xiàn)中將基于仿生模式識(shí)別的多權(quán)值神經(jīng)網(wǎng)絡(luò)應(yīng)用到連續(xù)語(yǔ)音識(shí)別中，與目前認(rèn)可度最高的基于隱馬爾可夫模型（HMM）的識(shí)別方法進(jìn)行比較，表現(xiàn)出了顯著的優(yōu)勢(shì)。

目前有許多的編程軟件都加入了神經(jīng)網(wǎng)絡(luò)的功能，其中MATLAB軟件最為方便實(shí)用，并且易于操作。它除了擁有對(duì)各種圖形和數(shù)據(jù)進(jìn)行處理的強(qiáng)大功能，其開(kāi)發(fā)公司一一美國(guó)的MathWorks公司一一還專門(mén)在軟件中開(kāi)發(fā)加入了神經(jīng)網(wǎng)絡(luò)工具箱，全面包含了人工神經(jīng)網(wǎng)絡(luò)中常用的激勵(lì)函數(shù)，例如線性函數(shù)（purline函數(shù)），感知器函數(shù)（（sigmoid函數(shù)）以及徑向基函數(shù)（radbas函數(shù)），除了這些常用傳遞函數(shù)，還可以自定義相關(guān)的函數(shù)。各層網(wǎng)絡(luò)之間的映射也有嚴(yán)格的設(shè)定，映射函數(shù)可自行設(shè)定。鑒于以上優(yōu)點(diǎn)，本文采用MATLAB軟件編寫(xiě)仿生模式識(shí)別的實(shí)現(xiàn)程序，以及機(jī)械故障信號(hào)的特征提取和網(wǎng)絡(luò)測(cè)試。

參考文獻(xiàn)：