神經(jīng)網(wǎng)絡(luò)的流程精選(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)的流程主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：神經(jīng)網(wǎng)絡(luò)的流程范文

關(guān)鍵詞：一流學(xué)科；課程結(jié)構(gòu)；BP神經(jīng)網(wǎng)絡(luò)；創(chuàng)新型人才

中圖分類號(hào)：G642.0 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1674-9324（2017）03-0162-02

建設(shè)國(guó)際一流的學(xué)科是創(chuàng)建國(guó)際一流大學(xué)的基礎(chǔ)，堅(jiān)持以一流為目標(biāo)，以機(jī)械工程學(xué)科為基礎(chǔ)，優(yōu)化課程結(jié)構(gòu)體系，培養(yǎng)創(chuàng)新型人才。機(jī)械工程學(xué)科課程結(jié)構(gòu)建設(shè)是研究生培養(yǎng)的重要特征，也是創(chuàng)新型人才培養(yǎng)的重要載體和平臺(tái)。本文以大學(xué)排名為依托，選取全球范圍內(nèi)認(rèn)可度較高的大學(xué)排名――國(guó)際高等教育研究機(jī)構(gòu)Quacquarelli Symonds（簡(jiǎn)稱QS）世界大學(xué)工程技術(shù)類排名的各項(xiàng)參數(shù)作為依據(jù)。設(shè)計(jì)人工神經(jīng)網(wǎng)絡(luò)模型，將眾多復(fù)雜的指標(biāo)綜合起來(lái)，并予以量化。

一、課程結(jié)構(gòu)與創(chuàng)新型人才培養(yǎng)的關(guān)系

培養(yǎng)創(chuàng)新型人才既是當(dāng)前中國(guó)高校教育改革與發(fā)展的一個(gè)重要課題，也是中國(guó)經(jīng)濟(jì)社會(huì)發(fā)展的迫切需要，對(duì)知識(shí)的學(xué)習(xí)和積累也提出了更高的要求。任何課程體系都必須圍繞并服務(wù)于創(chuàng)新人才各方面素質(zhì)的全面發(fā)展以及個(gè)性培養(yǎng)而設(shè)計(jì)，不能顧此失彼，從各門課程的組成要素看，也必須注意進(jìn)行整體設(shè)計(jì)，兼顧各要素之間的聯(lián)系，才能起到相互促進(jìn)的作用[1]。人們?cè)谏鐣?huì)科學(xué)、自然科學(xué)和技術(shù)科學(xué)等各學(xué)科內(nèi)，通過(guò)多門學(xué)科相結(jié)合，運(yùn)用各種方法、技巧等，使其相互結(jié)合，形成新的學(xué)科，提高研究生的創(chuàng)新能力。

二、基于BP神經(jīng)網(wǎng)絡(luò)的機(jī)械工程研究生課程結(jié)構(gòu)分析

BP神經(jīng)網(wǎng)絡(luò)是被廣泛應(yīng)用的一種重要網(wǎng)絡(luò)形式，主要用來(lái)進(jìn)行非線性系統(tǒng)的輸入輸出映射關(guān)系建模。本文采用的是隱含層為一層的三層BP神經(jīng)網(wǎng)絡(luò)模型，該模型為有監(jiān)督的多層前向網(wǎng)絡(luò)，由三層神經(jīng)元組成：輸入層、隱含層和輸出層，其不同層之間用網(wǎng)絡(luò)權(quán)值進(jìn)行連接，同層內(nèi)部神經(jīng)元之間沒有連接關(guān)系[2]。

通過(guò)對(duì)QS世界大學(xué)排名中工程技術(shù)類排名前400的部分院校進(jìn)行排名指標(biāo)數(shù)據(jù)整理和匯總，以及對(duì)其機(jī)械工程學(xué)科研究生課程進(jìn)行搜集和分類，參考部分典型的課程結(jié)構(gòu)分類標(biāo)準(zhǔn)，將機(jī)械工程學(xué)科的研究生課程分為自然科學(xué)基礎(chǔ)、工程技術(shù)基礎(chǔ)、機(jī)械設(shè)計(jì)、機(jī)械制造、機(jī)電一體化、生物方面、能源環(huán)保方面、微納尺度、管理九類課程，作為九個(gè)指標(biāo)，將其每類課程所占百分比，作為BP神經(jīng)網(wǎng)絡(luò)輸入層的神經(jīng)元；輸出層有四個(gè)神經(jīng)元，數(shù)據(jù)來(lái)源于QS世界大學(xué)排名中工程技術(shù)類排名，包括總體得分、學(xué)術(shù)聲譽(yù)、全球雇主評(píng)價(jià)、單位教職的論文引用數(shù)。通常我們要根據(jù)網(wǎng)絡(luò)收斂性能的好壞來(lái)確定隱含層神經(jīng)元個(gè)數(shù)，通過(guò)對(duì)大量網(wǎng)絡(luò)模型結(jié)構(gòu)的分析研究，得到以下經(jīng)驗(yàn)公式[3]：

S=■+a 1≤a≤10 （2.1）其中S為隱含層節(jié)點(diǎn)數(shù)，m為輸入層節(jié)點(diǎn)數(shù)，n為輸出層節(jié)點(diǎn)數(shù)。根據(jù)公式（2.1），我們首先將隱含層神經(jīng)元數(shù)目設(shè)置為10，然后逐步增加到15和20。進(jìn)行多次實(shí)驗(yàn)，通過(guò)誤差的對(duì)比，發(fā)現(xiàn)在隱含層神經(jīng)元個(gè)數(shù)為25時(shí)，該BP神經(jīng)網(wǎng)絡(luò)的性能最好。因此，該BP神經(jīng)網(wǎng)絡(luò)模型隱含層神經(jīng)元數(shù)目設(shè)為25。將輸入數(shù)據(jù)的70%作為訓(xùn)練數(shù)據(jù)，15%作為測(cè)試數(shù)據(jù)，15%作為驗(yàn)證數(shù)據(jù)，通過(guò)對(duì)訓(xùn)練結(jié)果進(jìn)行測(cè)試，誤差達(dá)到所要求的范圍內(nèi)則說(shuō)明網(wǎng)絡(luò)模型良好[4]。利用MATLAB訓(xùn)練及測(cè)試后的網(wǎng)絡(luò)誤差情況如下頁(yè)圖1所示，訓(xùn)練和測(cè)試誤差均達(dá)到預(yù)期效果，大多集中在零誤差附近，該模型滿足實(shí)際的應(yīng)用要求。

三、中國(guó)高校與國(guó)際一流學(xué)科大學(xué)的對(duì)比分析

列舉中國(guó)某“211工程”、“985工程”高校，對(duì)其研究生院機(jī)械工程學(xué)科課程結(jié)構(gòu)進(jìn)行調(diào)查與統(tǒng)計(jì)，將其課程分布的9個(gè)參量輸入到訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)，推測(cè)出其總體得分、學(xué)術(shù)聲譽(yù)、全球雇主評(píng)價(jià)、單位教職的論文引用數(shù)4個(gè)參量。

輸入x=[9.76 13.82 39.84 11.38 21.95 0.00 0.81 0.81 1.63]；

輸出ans=57.8018 28.9101 38.9170 72.6147

中國(guó)某高校總體得分為57.8018，學(xué)術(shù)聲譽(yù)28.9101，全球雇主評(píng)價(jià)38.9170，單位教職的論文引用情況72.6147。從推測(cè)出的數(shù)據(jù)看，在QS排名中，中國(guó)某高校主要落后在學(xué)術(shù)聲譽(yù)、全球雇主評(píng)價(jià)等指標(biāo)上，相比于國(guó)際一流學(xué)科高校還是有很大的差距，差距最大的主要是科研水平和國(guó)際化方面，尤其是在科研水平方面。對(duì)比來(lái)看，在課程設(shè)置中，國(guó)際一流大學(xué)一流學(xué)科都有著豐富的課程設(shè)置，強(qiáng)調(diào)多學(xué)科融合以及新興領(lǐng)域的學(xué)習(xí)，注重課程設(shè)置，推進(jìn)創(chuàng)新型人才的培養(yǎng)。中國(guó)高校要?jiǎng)?chuàng)建國(guó)際一流學(xué)科，加大培養(yǎng)創(chuàng)新型人才的力度，應(yīng)強(qiáng)化基礎(chǔ)知識(shí)的學(xué)習(xí)，多開設(shè)工程技術(shù)基礎(chǔ)類課程；在此基礎(chǔ)上，加強(qiáng)專業(yè)知識(shí)的拓寬，不同專業(yè)方向?qū)I(yè)課程供開放選擇，增設(shè)新興領(lǐng)域的課程學(xué)習(xí)[5]。另外，要強(qiáng)化多學(xué)科知識(shí)的融合，設(shè)置大量交叉學(xué)科課程，提高實(shí)踐能力，鍛煉和提高學(xué)生的實(shí)踐和創(chuàng)新能力。

四、結(jié)論

本文研究了國(guó)際一流大學(xué)機(jī)械工程學(xué)科的課程體系結(jié)構(gòu)，利用QS世界大學(xué)排名相關(guān)參數(shù)指標(biāo)，建立了三層BP神經(jīng)網(wǎng)絡(luò)分析模型，對(duì)國(guó)際一流高校的機(jī)械工程學(xué)科課程結(jié)構(gòu)進(jìn)行了分析?；谒〝?shù)學(xué)模型，求出了中國(guó)某高校的QS總體得分、學(xué)術(shù)聲譽(yù)、全球雇主評(píng)價(jià)、單位教職的論文引用情況等。選用QS排名中的29所高校作為系統(tǒng)樣本，其中25組作為訓(xùn)練樣本，4組作為測(cè)試樣本，通過(guò)MATLAB完成網(wǎng)絡(luò)的訓(xùn)練和測(cè)試，使用訓(xùn)練好的BP網(wǎng)絡(luò)模型，推測(cè)QS排名系統(tǒng)未列出的中國(guó)某高校的QS相關(guān)參數(shù)，將其與國(guó)際一流學(xué)科的數(shù)據(jù)進(jìn)行了比較分析。結(jié)果表明，中國(guó)某高校機(jī)械工程學(xué)科在課程結(jié)構(gòu)設(shè)置上需要整體優(yōu)化，強(qiáng)調(diào)多學(xué)科融合，拓寬知識(shí)面，鞏固基礎(chǔ)知識(shí)學(xué)習(xí)，加大創(chuàng)新型人才培養(yǎng)力度。

參考文獻(xiàn)：

[1]郭叢斌，孫啟明.中國(guó)內(nèi)地高校與世界一流大學(xué)的比較分析――從大學(xué)排名的視角[J].教育研究，2015，（02）：147-157.

[2]饒海琴，雷良海.重點(diǎn)課程建設(shè)對(duì)創(chuàng)新人才培養(yǎng)的思考[J].課程教育研究，2013，（32）：255-256.

[3]盧錚松，李珂珂.基于人工神經(jīng)網(wǎng)絡(luò)的研究生課程評(píng)價(jià)模型[J].現(xiàn)代教育技術(shù)，2009，（10）：53-57.

[4]聶勇，馬其平.國(guó)際一流高校創(chuàng)新型人才培養(yǎng)模式建構(gòu)的思考[J].內(nèi)蒙古農(nóng)業(yè)大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2011，（06）：126-127.

[5]劉強(qiáng)，潘鵬飛，王玉清.變革中的大學(xué)學(xué)科排名――QS世界大學(xué)學(xué)科排名最新進(jìn)展與反思[J].比較教育研究，2015，（12）：35-41.

Research on the Course Structure of International First-Class Mechanical Engineering Using Neural Network

YANG Yang，WANG Hong，HUA Cheng-cheng，YIN Chang-hao，LI Kai-yuan

（Northeastern University School of Mechanical Engineer & Automation，Shenyang，Liaoning 110819，China）

第2篇：神經(jīng)網(wǎng)絡(luò)的流程范文

摘要：

為更全面準(zhǔn)確地評(píng)價(jià)產(chǎn)品造型設(shè)計(jì)，在近幾年國(guó)內(nèi)外產(chǎn)品評(píng)價(jià)系統(tǒng)研究的基礎(chǔ)上，綜合運(yùn)用主成分分析法、聚類分析法、BP神經(jīng)網(wǎng)絡(luò)技術(shù)，對(duì)產(chǎn)品設(shè)計(jì)造型要素的感性意象進(jìn)行定量化研究，建立和完善了產(chǎn)品設(shè)計(jì)評(píng)價(jià)的神經(jīng)網(wǎng)絡(luò)模型．并以園林工具割草機(jī)產(chǎn)品設(shè)計(jì)為例訓(xùn)練模型，驗(yàn)證了模型的可行性和有效性．

關(guān)鍵詞：

產(chǎn)品設(shè)計(jì)評(píng)價(jià)；主成分分析；聚類分析；BP神經(jīng)網(wǎng)絡(luò)；感性工學(xué)

產(chǎn)品造型設(shè)計(jì)和評(píng)價(jià)是產(chǎn)品設(shè)計(jì)開發(fā)過(guò)程中的重要組成部分．近年來(lái)，國(guó)內(nèi)外學(xué)者結(jié)合感性工學(xué)對(duì)產(chǎn)品造型設(shè)計(jì)和產(chǎn)品造型評(píng)價(jià)進(jìn)行了大量的研究．產(chǎn)品造型設(shè)計(jì)是一項(xiàng)復(fù)雜的系統(tǒng)運(yùn)行過(guò)程，除受客觀條件如經(jīng)濟(jì)、技術(shù)、構(gòu)造等要素的影響外，同時(shí)，社會(huì)審美、目標(biāo)消費(fèi)群的偏好、設(shè)計(jì)師經(jīng)驗(yàn)、背景等因素也相互影響［1］．人工神經(jīng)網(wǎng)絡(luò)是伴隨著生物學(xué)、數(shù)學(xué)、計(jì)算機(jī)等學(xué)科的發(fā)展而產(chǎn)生的一門新興的綜合交叉性學(xué)科．其中，最常見的是BP神經(jīng)網(wǎng)絡(luò)，它具備任意精度的函數(shù)逼近能力，具有自組織、自適應(yīng)、自學(xué)習(xí)、高度非線性映射性、泛化性、容錯(cuò)性的優(yōu)點(diǎn)［2］．BP神經(jīng)網(wǎng)絡(luò)因其很強(qiáng)的學(xué)習(xí)能力、抗故障性、并行性的優(yōu)點(diǎn)，特別適合于解決上述非線性很高的復(fù)雜系統(tǒng)．割草機(jī)產(chǎn)品應(yīng)用具有較強(qiáng)的地域性和個(gè)性化的消費(fèi)者群細(xì)分，造型設(shè)計(jì)目前未形成系統(tǒng)的理論和方法．將BP神經(jīng)網(wǎng)絡(luò)法和遺傳算法等應(yīng)用于產(chǎn)品造型設(shè)計(jì)的評(píng)價(jià)系統(tǒng)中尚屬于摸索階段．文獻(xiàn)［3］提出了BP神經(jīng)網(wǎng)絡(luò)技術(shù)與產(chǎn)品評(píng)價(jià)系統(tǒng)結(jié)合的可行性．文獻(xiàn)［4］通過(guò)將遺傳算法與神經(jīng)網(wǎng)絡(luò)相結(jié)合，進(jìn)一步優(yōu)化了產(chǎn)品設(shè)計(jì)評(píng)價(jià)模型的精度．產(chǎn)品造型設(shè)計(jì)與評(píng)價(jià)是個(gè)復(fù)雜的過(guò)程，需要多層次的系統(tǒng)分析．為此，本文將綜合運(yùn)用主成分分析法、聚類分析法與BP神經(jīng)網(wǎng)絡(luò)技術(shù)，定量地研究感性意象與產(chǎn)品造型設(shè)計(jì)之間的關(guān)系．以園林工具割草機(jī)產(chǎn)品為例，把產(chǎn)品造型要素的集合分組為由類似對(duì)象組成的多個(gè)類，分析影響割草機(jī)產(chǎn)品感性意象的主要造型特征，基于MatlabR2014a平臺(tái)，建立BP神經(jīng)網(wǎng)絡(luò)模型，檢測(cè)產(chǎn)品造型與目標(biāo)消費(fèi)者群體偏好之間的對(duì)應(yīng)關(guān)系，以驗(yàn)證和提高產(chǎn)品設(shè)計(jì)評(píng)價(jià)模型的可行性和準(zhǔn)確度．

1研究流程

本文以割草機(jī)產(chǎn)品為例，綜合應(yīng)用主成分分析、聚類分析方法和BP神經(jīng)網(wǎng)絡(luò)技術(shù)，對(duì)感性意象進(jìn)行定量化研究，建立和完善產(chǎn)品造型特征與感性意象關(guān)系評(píng)價(jià)的神經(jīng)網(wǎng)絡(luò)模型．研究流程如圖1所示．具體流程如下：

（1）通過(guò)網(wǎng)絡(luò)調(diào)研并篩選得到描述割草機(jī)外形的形容詞．

（2）通過(guò)網(wǎng)絡(luò)搜集各國(guó)割草機(jī)圖片樣本，對(duì)圖片進(jìn)行去色、去標(biāo)志處理，排除顏色和品牌對(duì)試驗(yàn)樣本的影響．

（3）把7點(diǎn)量表建立在已經(jīng)選擇出來(lái)的感性意象形容詞上，讓每個(gè)測(cè)試者針對(duì)這些選定的形容詞對(duì)每個(gè)試驗(yàn)樣本打分．將試驗(yàn)所得數(shù)據(jù)運(yùn)用主成分分析，并結(jié)合專家意見，確定最終描述詞匯．

（4）將樣本進(jìn)行聚類分析，并通過(guò)專家對(duì)同類內(nèi)樣本共同特征的提取，明確影響割草機(jī)外形意象的造型特征，并分析各造型特征組合與感性意象的關(guān)系．

（5）建立BP神經(jīng)網(wǎng)絡(luò)模型，以試驗(yàn)數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型．

（6）神經(jīng)網(wǎng)絡(luò)準(zhǔn)確率檢測(cè)，總結(jié)分析．

2割草機(jī)外觀特征與感性意象認(rèn)知關(guān)系量化試驗(yàn)

2．1試驗(yàn)準(zhǔn)備

通過(guò)調(diào)研，共搜集整理近5年銷售生產(chǎn)的割草機(jī)產(chǎn)品圖片150張，分別來(lái)自不同國(guó)家和地區(qū)．對(duì)圖片進(jìn)行去色、去標(biāo)志處理，以排除顏色、品牌及其他因素對(duì)試驗(yàn)樣本的影響．利用KJ法［5］篩選得到20個(gè)圖片樣本，部分樣本圖片如圖2所示．經(jīng)過(guò)表1的分析可以得到形容詞的意象空間，專家設(shè)計(jì)師結(jié)合這一意象空間進(jìn)行總結(jié)和分析，得到其3個(gè)維度上的感性意象描述形容詞，分別為“科技－落后”“樸素－華麗”“易用－復(fù)雜”．

2．3關(guān)鍵造型特征提取和聚類分析

將意象空間的樣本進(jìn)行聚類分析，把產(chǎn)品造型要素的集合分組為由類似的對(duì)象組成的多個(gè)類，分析影響割草機(jī)產(chǎn)品感性意象的主要造型特征．通過(guò)專家設(shè)計(jì)師評(píng)價(jià)和問(wèn)卷調(diào)查統(tǒng)計(jì)，抽取同類樣本內(nèi)的共同特征，得到最主要的影響割草機(jī)感性意象的造型特征．聚類分析的結(jié)果如表2所示．

3BP神經(jīng)網(wǎng)絡(luò)模型建立、訓(xùn)練、預(yù)測(cè)

3．1BP神經(jīng)網(wǎng)絡(luò)模型建立

選用MatlabR2014a為平臺(tái)進(jìn)行BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的建立與模擬，其模型如圖3所示．通過(guò)歷史數(shù)據(jù)的訓(xùn)練，用以檢測(cè)產(chǎn)品造型與其感性意向的對(duì)應(yīng)關(guān)系，建立產(chǎn)品造型設(shè)計(jì)評(píng)價(jià)體系．經(jīng)過(guò)數(shù)次預(yù)先進(jìn)行的試驗(yàn)，確定神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為3層，輸入層（包含2個(gè)節(jié)點(diǎn)）、隱含層（包含4個(gè)節(jié)點(diǎn)）、輸出層（包含1個(gè)節(jié)點(diǎn)）．輸入層是2個(gè)設(shè)計(jì)元素的編號(hào)組合，輸出層是關(guān)于“科技的－落后的”這個(gè)語(yǔ)匯對(duì)的感性意象評(píng)價(jià)值．

3．2BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練設(shè)置

BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)次數(shù)為5000次，采用梯度下降法，目標(biāo)誤差值為0．001，訓(xùn)練結(jié)果采用均方誤差衡量，將表4中樣本1?！?5＃的數(shù)據(jù)導(dǎo)入建立的網(wǎng)絡(luò)，訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，在1753次訓(xùn)練時(shí)結(jié)果收斂，停止訓(xùn)練，其訓(xùn)練的結(jié)果如圖4所示．由圖4可得，其實(shí)際訓(xùn)練的誤差值為0．00908．

3．3BP神經(jīng)網(wǎng)絡(luò)模型測(cè)試選用

表4中樣本16＃～20＃測(cè)試神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)能力，即將5個(gè)樣本造型特征組合導(dǎo)入網(wǎng)絡(luò)的輸入層，將調(diào)查得到的數(shù)據(jù)與神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的感性評(píng)價(jià)值進(jìn)行對(duì)比，結(jié)果如表5所示．由表5可見，實(shí)際感性評(píng)價(jià)值與預(yù)測(cè)感性評(píng)價(jià)值相對(duì)誤差較小，說(shuō)明網(wǎng)絡(luò)精度達(dá)到要求，驗(yàn)證了割草機(jī)產(chǎn)品評(píng)價(jià)模型的可行性和有效性．

4結(jié)語(yǔ)

本文將主成分分析法、聚類分析法與BP神經(jīng)網(wǎng)絡(luò)模型相結(jié)合，對(duì)割草機(jī)產(chǎn)品造型設(shè)計(jì)與感性意象之間的關(guān)系進(jìn)行分析，為產(chǎn)品造型設(shè)計(jì)符合目標(biāo)消費(fèi)群體需求提供客觀評(píng)價(jià)幫助．但是本文只針對(duì)割草機(jī)的主要產(chǎn)品造型要素進(jìn)行了試驗(yàn)，隨著研究方法及科技的不斷進(jìn)步，結(jié)合色彩、材質(zhì)、紋理甚至人機(jī)工程學(xué)等綜合因素的研究將成為下一步的研究重點(diǎn)．基于神經(jīng)網(wǎng)絡(luò)的意象認(rèn)知模型，還存在一定局限性，隨著科技的發(fā)展，結(jié)合認(rèn)知心理學(xué)、腦科學(xué)、人工智能等技術(shù)和方法將使相關(guān)研究得到更深入的發(fā)展．

參考文獻(xiàn)：

［1］王愛華，孫峻．BP神經(jīng)網(wǎng)絡(luò)在工程項(xiàng)目管理中的應(yīng)用［J］．建筑管理現(xiàn)代化，2009（4）：306－309．

［2］周美玉，李倩．神經(jīng)網(wǎng)絡(luò)在產(chǎn)品感性設(shè)計(jì)中的應(yīng)用［J］．東華大學(xué)學(xué)報(bào)（自然科學(xué)版），2011，37（4）：509－513．

［3］趙萬(wàn)芹．基于BP神經(jīng)網(wǎng)絡(luò)的產(chǎn)品造型設(shè)計(jì)評(píng)價(jià)［J］．計(jì)算機(jī)工程與設(shè)計(jì)，2009，30（24）：5715－5717．

［4］林琳，張志華，張睿欣．基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的產(chǎn)品造型設(shè)計(jì)評(píng)價(jià)［J］．計(jì)算機(jī)工程與設(shè)計(jì)，2015，36（3）：789－813．

［5］川喜田二郎．KJ法［M］．京都：中央公論新社，1986．

第3篇：神經(jīng)網(wǎng)絡(luò)的流程范文

關(guān)鍵詞： 小波神經(jīng)網(wǎng)絡(luò)； 網(wǎng)絡(luò)流量； 預(yù)測(cè)研究； 訓(xùn)練樣本

中圖分類號(hào)： TN711?34 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2016）23?0098?02

Research on network traffic prediction based on wavelet neural network

LI Xin， SUN Shanshan

（College of Information Engineering， Suihua University， Suihua 152000， China）

Abstract： The relevant theory and method of wavelet neural network are used to establish and predict the network traffic situation of a certain uptown. The acquired network traffic change situation is used as the training sample of the wavelet network to realize the traffic prediction of the network. The simulation results show that the constructed wavelet neural network model has high precision to predict the network traffic.

Keywords： wavelet neural network； network traffic； prediction research； training sample

0 引 言

隨著互聯(lián)網(wǎng)規(guī)模的不斷增大以及各種網(wǎng)絡(luò)“新應(yīng)用”、“新服務(wù)”的不斷涌現(xiàn)，網(wǎng)絡(luò)信息變得越來(lái)越龐大和多變，對(duì)網(wǎng)絡(luò)訪問(wèn)流量進(jìn)行精確地預(yù)測(cè)從而實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)運(yùn)行狀態(tài)的有效管理，已經(jīng)逐步成為目前的一個(gè)研究熱點(diǎn)。網(wǎng)絡(luò)流量預(yù)測(cè)是實(shí)現(xiàn)網(wǎng)絡(luò)控制、網(wǎng)絡(luò)規(guī)劃，保證網(wǎng)絡(luò)安全以及提高網(wǎng)絡(luò)服務(wù)質(zhì)量的重要前提。

網(wǎng)絡(luò)流量具有自相似性、長(zhǎng)相關(guān)性和多重分形性等復(fù)雜性質(zhì)，對(duì)其進(jìn)行精確地預(yù)測(cè)一直以來(lái)都是一個(gè)難點(diǎn)。目前，常見的網(wǎng)絡(luò)流量預(yù)測(cè)方法主要有自回歸分析法、馬爾科夫分析法、分形布朗運(yùn)動(dòng)分析法和神經(jīng)網(wǎng)絡(luò)分析法。與前面三種傳統(tǒng)方法相比，利用神經(jīng)網(wǎng)絡(luò)對(duì)網(wǎng)絡(luò)流量進(jìn)行預(yù)測(cè)具有預(yù)測(cè)精度高、方法簡(jiǎn)單、泛化性強(qiáng)和穩(wěn)定性好的特點(diǎn)，正在逐步成為網(wǎng)絡(luò)流量預(yù)測(cè)研究中的主流方法。

文獻(xiàn)[1]根據(jù)網(wǎng)絡(luò)流量的變化特征，基于BP神經(jīng)網(wǎng)絡(luò)提出了一個(gè)P2P網(wǎng)絡(luò)流量預(yù)測(cè)模型，實(shí)現(xiàn)了網(wǎng)絡(luò)流量的較高精度預(yù)測(cè)。文獻(xiàn)[2]結(jié)合小波變換和人工神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì)，建立一種網(wǎng)絡(luò)流量預(yù)測(cè)的小波神經(jīng)網(wǎng)絡(luò)模型，通過(guò)將流量時(shí)間序列進(jìn)行小波分解，獲得了網(wǎng)絡(luò)的訓(xùn)練和驗(yàn)證樣本，試驗(yàn)表明采用這種方法進(jìn)行流量預(yù)測(cè)，要比直接采用神經(jīng)網(wǎng)絡(luò)對(duì)樣本進(jìn)行預(yù)測(cè)的精度高。文獻(xiàn)[3]根據(jù)網(wǎng)絡(luò)流量自身的特征，研究了BP神經(jīng)網(wǎng)絡(luò)和小波神經(jīng)網(wǎng)絡(luò)在校園流量預(yù)測(cè)中的應(yīng)用，其所建立的模型，經(jīng)仿真驗(yàn)證證明，可以較好地預(yù)測(cè)學(xué)校網(wǎng)絡(luò)的流量變化情況，可以為校園網(wǎng)絡(luò)的規(guī)劃和管理提供一定參考。

小波神經(jīng)網(wǎng)絡(luò)是一種以BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)為基礎(chǔ)，把小波基函數(shù)作為隱含節(jié)點(diǎn)的傳遞函數(shù)，其拓?fù)浣Y(jié)構(gòu)如圖1所示。它類似于BP神經(jīng)網(wǎng)絡(luò)權(quán)值修正算法，采用梯度修正法修正網(wǎng)絡(luò)的權(quán)值和小波基函數(shù)參數(shù)，從而使小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)輸出不斷逼近期望輸出[4?5]。

采用小波神經(jīng)網(wǎng)絡(luò)進(jìn)行網(wǎng)絡(luò)流量預(yù)測(cè)的基本流程如圖2所示。

1 網(wǎng)絡(luò)流量預(yù)測(cè)

1.1 試驗(yàn)數(shù)據(jù)來(lái)源

采用網(wǎng)絡(luò)流量監(jiān)測(cè)軟件對(duì)某小區(qū)的網(wǎng)絡(luò)流量進(jìn)行實(shí)時(shí)采集，得到了該小區(qū)5天內(nèi)的網(wǎng)絡(luò)流量數(shù)據(jù)，每隔15 min記錄一次該時(shí)間段內(nèi)的網(wǎng)絡(luò)流量值，一共獲得了480個(gè)時(shí)間點(diǎn)的數(shù)據(jù)。用4天共384個(gè)網(wǎng)絡(luò)流量的數(shù)據(jù)訓(xùn)練小波網(wǎng)絡(luò)，最后用訓(xùn)練好的小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)第5天的網(wǎng)絡(luò)流量。為了避免局部數(shù)值偏移造成的誤差，本文采用編組的方式提高模型預(yù)測(cè)精度，用前三個(gè)時(shí)間點(diǎn)的網(wǎng)絡(luò)流量來(lái)綜合預(yù)測(cè)后一個(gè)時(shí)間點(diǎn)的網(wǎng)絡(luò)流量情況[6?7]。

圖1 小波神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)

圖2 小波神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)的流程圖

1.2 構(gòu)建小波神經(jīng)網(wǎng)絡(luò)模型

本文采用的小波基函數(shù)為Mexican Hat小波基函數(shù)，其表達(dá)式為：

[ψ（t）=（1-t2）e-t22ψ（ω）=2πω2e-ω22]

函數(shù)的時(shí)域和頻域波形圖如圖3所示[7?8]。

圖3 Mexican Hat函數(shù)的時(shí)域和頻域特征

本文采用的小波神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為3?5?1；輸入層有3個(gè)節(jié)點(diǎn)，表示預(yù)測(cè)時(shí)間節(jié)點(diǎn)前3個(gè)時(shí)間節(jié)點(diǎn)的網(wǎng)絡(luò)流量；隱含層有5個(gè)節(jié)點(diǎn)；輸入層有1個(gè)節(jié)點(diǎn)，為預(yù)測(cè)的網(wǎng)絡(luò)流量。設(shè)置網(wǎng)絡(luò)預(yù)期誤差值為[1×10-2，]將訓(xùn)練數(shù)據(jù)輸入到Matlab軟件中進(jìn)行訓(xùn)練，訓(xùn)練過(guò)程中小波神經(jīng)網(wǎng)絡(luò)的誤差變換情況如圖4所示。由圖4可知，該小波神經(jīng)網(wǎng)絡(luò)經(jīng)過(guò)58步運(yùn)算后收斂到預(yù)定精度要求。

用訓(xùn)練好的小波神經(jīng)網(wǎng)絡(luò)對(duì)該小區(qū)內(nèi)第五天的網(wǎng)絡(luò)流量情況進(jìn)行預(yù)測(cè)，預(yù)測(cè)結(jié)果與交通流量的實(shí)際值比較如圖5所示。在圖5中，加“*”曲線對(duì)應(yīng)預(yù)測(cè)數(shù)據(jù)，加“[]”曲線對(duì)應(yīng)實(shí)際數(shù)據(jù)，可以看到小波神經(jīng)網(wǎng)絡(luò)可以較好地預(yù)測(cè)網(wǎng)絡(luò)流量。

為了進(jìn)一步分析仿真結(jié)果，采用絕對(duì)值誤差均值（MAE）和絕對(duì)百分比誤差均值（MAPE）兩個(gè)指標(biāo)進(jìn)行評(píng)價(jià)分析，其中MAE和MAPE分別用下式計(jì)算[9]：

[MAE=1ni=1nxi-xiMAPE=1ni=1nxi-xixi×100%]

式中：[xi]表示模型的預(yù)測(cè)值；[xi]表示模型預(yù)測(cè)值的算術(shù)平均值；[n]為樣本數(shù)。

小波神經(jīng)網(wǎng)絡(luò)的MAE和MAPE值如表1所示。

從表1可以看出，本文構(gòu)建的小波神經(jīng)網(wǎng)絡(luò)的MAE值在3.36 GB左右，而MAPE值小于0.1，說(shuō)明該預(yù)測(cè)模型可以較好地預(yù)測(cè)網(wǎng)絡(luò)流量的變化情況，反應(yīng)該小區(qū)的流量信息變化，為小區(qū)網(wǎng)絡(luò)的規(guī)劃和管理提供可靠的依據(jù)。

2 結(jié) 論

本文在網(wǎng)絡(luò)流量的預(yù)測(cè)研究中引入了小波神經(jīng)網(wǎng)絡(luò)模型，利用收集到的某小區(qū)5天內(nèi)的網(wǎng)絡(luò)流量變化數(shù)據(jù)作為訓(xùn)練和測(cè)試樣本對(duì)構(gòu)建的小波神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和測(cè)試研究。試驗(yàn)結(jié)果表明，本文構(gòu)建的小波神經(jīng)網(wǎng)絡(luò)具有較高的預(yù)測(cè)精度，可以對(duì)該小區(qū)網(wǎng)絡(luò)的流量變化情況進(jìn)行較高精度的預(yù)測(cè)。

參考文獻(xiàn)

[1] 韓志杰，王汝傳.一種新的 P2P 網(wǎng)絡(luò)流量預(yù)測(cè)模型[J].計(jì)算機(jī)科學(xué)，2008（9）：39?14.

[2] 雷霆，余鎮(zhèn)危.一種網(wǎng)絡(luò)流量預(yù)測(cè)的小波神經(jīng)網(wǎng)絡(luò)模型[J].計(jì)算機(jī)應(yīng)用，2006（3）：526?528.

[3] 張昕.校園網(wǎng)絡(luò)流量分析與預(yù)測(cè)研究[D].西安：西安電子科技大學(xué)，2012.

[4] 王鳴，孫奕鳴.小波支持向量機(jī)的網(wǎng)絡(luò)流量預(yù)測(cè)研究[J].計(jì)算機(jī)仿真，2012，29（11）：198?201.

[5] ZHANG Li， ZHOU Weida， JIAO Licheng. Wavelet support vector machine [J]. IEEE transactions on systems， man， and cybernetics， 2004， 34（1）： 34?39.

[6] 鄧遠(yuǎn).BP神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)方法在交通流量評(píng)價(jià)方面的應(yīng)用[J].中國(guó)交通，2011，35（5）：146?151.

[7] 李遠(yuǎn)航.網(wǎng)絡(luò)流量預(yù)測(cè)技術(shù)的應(yīng)用[J].計(jì)算機(jī)工程應(yīng)用研究，2014，34（1）：131?138.

第4篇：神經(jīng)網(wǎng)絡(luò)的流程范文

【關(guān)鍵詞】 遺傳算法 BP神經(jīng)網(wǎng)絡(luò) 結(jié)構(gòu)參數(shù) 優(yōu)化

一、引 言

傳統(tǒng)的濾波器設(shè)計(jì)需要大量繁瑣計(jì)算和曲線查找，在商用電磁仿真軟件出現(xiàn)后，微波濾波器的設(shè)計(jì)得到了很大的改善，但是在實(shí)際操作中對(duì)經(jīng)驗(yàn)依賴性還是很強(qiáng)。如何快速準(zhǔn)確的設(shè)計(jì)出符合要求的濾波器，是傳統(tǒng)的濾波器設(shè)計(jì)方法和目前的商用電磁仿真軟件難以有效解決的。針對(duì)以上問(wèn)題，本文將遺傳算法和BP神經(jīng)網(wǎng)絡(luò)結(jié)合[1]，在MATLAB環(huán)境下實(shí)現(xiàn)了對(duì)腔體濾波器結(jié)構(gòu)參數(shù)的設(shè)計(jì)。

二、遺傳神經(jīng)網(wǎng)絡(luò)優(yōu)化

BP神經(jīng)網(wǎng)絡(luò)尤其適用在有大量實(shí)驗(yàn)數(shù)據(jù)，而數(shù)據(jù)間的內(nèi)在關(guān)系很難用明確的表達(dá)式的非線性系統(tǒng)中，但在實(shí)際應(yīng)用中神經(jīng)網(wǎng)絡(luò)存在學(xué)習(xí)時(shí)間長(zhǎng)，容易陷入局部極小點(diǎn)等弊端。因?yàn)樵撍惴◤谋举|(zhì)上來(lái)說(shuō)屬于局部尋優(yōu)算法，為此利用遺傳算法全局搜索能力強(qiáng)的特點(diǎn)，結(jié)合神經(jīng)網(wǎng)絡(luò)的局部尋優(yōu)能力，可以更好的實(shí)現(xiàn)對(duì)非線性系統(tǒng)的預(yù)測(cè)，其基本思想是通過(guò)遺傳算法得到更好的網(wǎng)絡(luò)初始權(quán)重。

2.1算法實(shí)現(xiàn)過(guò)程

遺傳神經(jīng)網(wǎng)絡(luò)分為BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)確定、遺傳算法優(yōu)化和BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)3個(gè)部分。本文是以三腔體濾波器為例，將濾波器的頻率f和耦合系數(shù)c作為輸入向量

其次，使用改進(jìn)的遺傳算法對(duì)網(wǎng)絡(luò)初始權(quán)重進(jìn)行優(yōu)化，將初步得到的權(quán)重賦給尚未開始訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)。然后，設(shè)置訓(xùn)練參數(shù)，開始訓(xùn)練網(wǎng)絡(luò)，將 90組數(shù)用于網(wǎng)絡(luò)訓(xùn)練，10組作為測(cè)試樣本。最后將預(yù)測(cè)結(jié)果反歸一化，觀察得到的誤差值，其流程圖如圖1所示。

2.2 優(yōu)化結(jié)果

采用上述遺傳神經(jīng)網(wǎng)絡(luò)算法對(duì)腔體濾波器的結(jié)構(gòu)參數(shù)進(jìn)行優(yōu)化，均方誤差為5.0972×10-5， 時(shí)間為1.056s；BP網(wǎng)絡(luò)的均方誤差為2.8871×10-4，時(shí)間為2.103s，可以看出遺傳神經(jīng)網(wǎng)絡(luò)優(yōu)化值更加精確，速度快。

三、結(jié)論

本文針對(duì)遺傳算法和神經(jīng)網(wǎng)絡(luò)的優(yōu)缺點(diǎn)，將遺傳算法與BP神經(jīng)網(wǎng)絡(luò)有機(jī)地結(jié)合在一起，應(yīng)用在腔體濾波器結(jié)構(gòu)參數(shù)的優(yōu)化中，優(yōu)化結(jié)果表明此方法可以在較短的時(shí)間內(nèi)達(dá)到精度范圍內(nèi)的優(yōu)化值，為腔體濾波器的結(jié)構(gòu)參數(shù)優(yōu)化設(shè)計(jì)提供了一種新方法。

第5篇：神經(jīng)網(wǎng)絡(luò)的流程范文

關(guān)鍵詞： BP神經(jīng)網(wǎng)絡(luò); 電子信息裝備; 維修保障能力; 評(píng)估

中圖分類號(hào)： TN911?34 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2015）02?0011?04

Evaluation based on BP neural network for electronic information equipment maintenance support capability

ZHONG Jing?li， ZHANG Hui， MA Zhen

（PLA Academy of National Defense Information， Wuhan 430010， China）

Abstract： Objective and accurate evaluation of electronic information equipment maintenance support capability is the important basis of strengthening the construction of equipment maintenance support system and improving the ability of support. The BP neural network is creatively applied to the field of equipment maintenance support. An evaluation index system of electronic information equipment maintenance support capability is established. The indexes of key factors are determined. A BP neural network model for assessment of the electronic information equipment maintenance support capability is designed. The algorithm flow and data processing of evaluation model are studied. The result is calculated and analyzed with simulation software Matlab. It proves that the BP neural network has a strong ability to solve the problem of complex nonlinearity relation. The method can eliminate the uncertainty of the evaluation results due to the individual difference of experts， and is suitable for analysis and evaluation of the ability of electronic information equipment maintenance support.

Keywords： BP neural network; electronic information equipment; maintenance support capability; evaluation

電子信息裝備維修保障能力就是其運(yùn)用各類保障資源保證完成電子信息裝備維修任務(wù)的能力，是確保電子信息裝備保持、恢復(fù)或改善到規(guī)定技術(shù)狀態(tài)的本領(lǐng)[1]。由于電子信息裝備生產(chǎn)和維修保障費(fèi)用較高，因此對(duì)各種維修保障資源進(jìn)行合理的配置，并對(duì)其進(jìn)行不斷地修改和完善，能夠有效促進(jìn)維修保障能力的提高。由于電子信息裝備維修保障能力與影響參數(shù)之間存在非線性關(guān)系，因此可采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行電子信息裝備維修保障能力評(píng)估。

運(yùn)用BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行電子信息裝備維修保障能力評(píng)估時(shí)，把對(duì)維修保障能力影響較大的參數(shù)指標(biāo)作為神經(jīng)網(wǎng)絡(luò)的輸入，維修保障能力作為神經(jīng)網(wǎng)絡(luò)的輸出，并用大量樣本按照某種學(xué)習(xí)規(guī)則對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，通過(guò)動(dòng)態(tài)的自適應(yīng)調(diào)整，訓(xùn)練好的網(wǎng)絡(luò)具有確定的權(quán)值和閥值，其能有效地描述電子信息裝備維修保障能力和特征參數(shù)之間的非線性關(guān)系。神經(jīng)網(wǎng)絡(luò)訓(xùn)練完畢，便可作為一種有效的工具，來(lái)評(píng)估電子信息裝備的維修保障能力

1 構(gòu)建電子信息裝備維修保障能力指標(biāo)體系

在暫不考慮管理因素的情況下，影響電子信息裝備維修保障能力的資源要素有很多。通常運(yùn)用主成分逐步回歸法[1]來(lái)選擇影響電子信息裝備維修保障能力的主要參數(shù)，主要?dú)w納為保障人力資源、保障備件資源、保障設(shè)備資源和保障技術(shù)資料4個(gè)方面，同時(shí)4個(gè)一級(jí)指標(biāo)下面包含15個(gè)二級(jí)指標(biāo)，如圖1所示。以15個(gè)二級(jí)指標(biāo)參數(shù)作為神經(jīng)網(wǎng)絡(luò)的輸入，電子信息裝備維修保障能力作為網(wǎng)絡(luò)輸出。

<E：＼王芳＼現(xiàn)代電子技術(shù)201502＼Image＼11t1.tif>

圖1 電子信息裝備維修保障能力指標(biāo)體系

2 構(gòu)建電子信息裝備維修保障能力神經(jīng)網(wǎng)絡(luò)評(píng)

估模型

2.1 網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)

典型的BP神經(jīng)網(wǎng)絡(luò)主要由三層網(wǎng)絡(luò)構(gòu)成：輸入層、隱含層和輸出層[2]，其結(jié)構(gòu)如圖2所示。采用三層BP神經(jīng)網(wǎng)絡(luò)模型來(lái)評(píng)估電子信息裝備維修保障能力，以所選取的主要特征參數(shù)Xi作為網(wǎng)絡(luò)的輸入，以電子信息裝備維修保障能力T作為目標(biāo)輸出，Wij和Wn為所確定的權(quán)值。

<E：＼王芳＼現(xiàn)代電子技術(shù)201502＼Image＼11t2.tif>

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

選用電子信息裝備維修保障能力指標(biāo)體系的15個(gè)二級(jí)資源指標(biāo)作為神經(jīng)網(wǎng)絡(luò)的輸入層信息，則輸入單元數(shù)為15。電子信息裝備的維修保障能力作為輸出層，則輸出接點(diǎn)數(shù)為1。實(shí)踐證明，隱含層的神經(jīng)元個(gè)數(shù)直接影響網(wǎng)絡(luò)的非線性預(yù)測(cè)能力[1]，由經(jīng)驗(yàn)公式[β=n+m+α]（β為隱含層節(jié)點(diǎn)數(shù)，n為輸入層節(jié)點(diǎn)數(shù)，m為輸出層節(jié)點(diǎn)數(shù)，α為1～10的常數(shù)）確定隱含節(jié)點(diǎn)數(shù)為6。電子信息裝備維修保障能力評(píng)估的BP神經(jīng)網(wǎng)絡(luò)模型如圖3所示。

<E：＼王芳＼現(xiàn)代電子技術(shù)201502＼Image＼11t3.tif>

圖3 電子信息裝備維修保障能力評(píng)估BP神經(jīng)網(wǎng)絡(luò)型

2.2 BP神經(jīng)網(wǎng)絡(luò)算法流程

BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過(guò)程由正向傳播和反向傳播組成[3]。本文選取非線性可微非遞減S型函數(shù)[f（x）=1（1+e-x）]為傳遞函數(shù)，采取BP算法，通過(guò)網(wǎng)絡(luò)的實(shí)際輸出與目標(biāo)值之間的誤差來(lái)訓(xùn)練其權(quán)值，使實(shí)際的輸出盡可能地接近期望值。其BP算法流程圖如4所示。

<E：＼王芳＼現(xiàn)代電子技術(shù)201502＼Image＼11t4.tif>

圖4 BP網(wǎng)絡(luò)算法流程圖

2.3 BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)參數(shù)選取

由于系統(tǒng)的非線性，初始值選取對(duì)于輸出結(jié)果是否接近實(shí)際和訓(xùn)練時(shí)間的長(zhǎng)短有很大關(guān)系，一般希望初始加權(quán)后的每個(gè)神經(jīng)元的輸出值都接近于零，因此初始權(quán)值選取在（-1，1）之間的隨機(jī)數(shù)。學(xué)習(xí)速率一般傾向于選取較小的學(xué)習(xí)速率以保證系統(tǒng)的穩(wěn)定性，盡管學(xué)習(xí)速率較小會(huì)導(dǎo)致學(xué)習(xí)時(shí)間較長(zhǎng)。一般的取值范圍是0.01～0.07，本文選取0.03。

3 仿真設(shè)計(jì)

3.1 選取樣本數(shù)據(jù)并進(jìn)行處理

從某電子信息裝備維修單位歷次的維修保障能力考評(píng)成績(jī)中隨機(jī)選取10組樣本數(shù)據(jù)進(jìn)行分析。

由于量綱不同，因此將所有數(shù)據(jù)進(jìn)行歸一化處理以便于比較分析，同時(shí)有利于提高神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度。

計(jì)算方法是：

[Xn=2X-min Xmax X-min X-1]

式中：X是收集的一組數(shù)據(jù);max X和min X是這組數(shù)據(jù)的最大值和最小值;Xn是歸一化的數(shù)據(jù)，Xn∈[-1，1]。歸一化處理后的電子信息裝備維修保障能力評(píng)估樣本數(shù)據(jù)見表1。

3.3 Matlab程序代碼設(shè)計(jì)

net=newff（minmax（P），[6，1]，{′tansig′，′purelin′}，′traingd′）;

%創(chuàng)建神經(jīng)網(wǎng)絡(luò)net.trainparam.show=50;

%每仿真50次顯示訓(xùn)練狀態(tài)

net.trainparam.lr=0.03; %設(shè)定網(wǎng)絡(luò)學(xué)習(xí)速率為0.03

net.trainparam.epochs=500; %設(shè)定仿真次數(shù)為500

net.trainparam.goal=1e?2; %設(shè)定目標(biāo)精度，即均方差誤差為10-2

[net，tr]=train（net，P，T）; %進(jìn)行網(wǎng)絡(luò)訓(xùn)練

A=sim（net，P） %對(duì)網(wǎng)絡(luò)進(jìn)行仿真

E=T?A

MSE=mse（E） %計(jì)算仿真誤差

Y=sim（net，Q） %用待評(píng)估矩陣Q進(jìn)行仿真計(jì)算

X=1：1：15

plot（X，A，X，T） %預(yù)測(cè)輸出矩陣和目標(biāo)輸出矩陣分布

legend（′A′，′T′）

3.4 結(jié)果輸出

網(wǎng)絡(luò)初始化后，經(jīng)過(guò)246次訓(xùn)練仿真達(dá)到設(shè)定的目標(biāo)精度后才停止訓(xùn)練。預(yù)測(cè)輸出矩陣和目標(biāo)輸出矩陣的誤差對(duì)比如圖5所示，具有較高精度。在訓(xùn)練過(guò)程中，誤差平方和的變化曲線，即電子信息裝備維修保障能力評(píng)估BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練圖，如圖6所示。<E：＼王芳＼現(xiàn)代電子技術(shù)201502＼Image＼11t5.tif>

圖5 預(yù)測(cè)輸出矩陣和目標(biāo)輸出矩陣對(duì)比圖

對(duì)應(yīng)待評(píng)估矩陣Q的仿真結(jié)果值為Y=0.784 1。它表示在15個(gè)二級(jí)評(píng)估指標(biāo)能力值分別為待評(píng)估矩陣所給定值時(shí)，則該電子信息裝備維修保障系統(tǒng)的能力值是0.784 1。

4 結(jié) 語(yǔ)

針對(duì)電子信息裝備維修保障能力評(píng)估構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)模型具有較高的精度，通過(guò)對(duì)樣本的訓(xùn)練和檢驗(yàn)，證實(shí)用BP 神經(jīng)網(wǎng)絡(luò)評(píng)估電子信息裝備維修保障能力是有效的。在評(píng)估過(guò)程中降低了人為因素影響，保證了評(píng)估的客觀性和科學(xué)性。然而評(píng)估模型也存在不完善的地方，比如評(píng)估指標(biāo)不精細(xì)、樣本量較小等，同時(shí)BP神經(jīng)網(wǎng)絡(luò)還存在有收斂速度慢，有局部極小值的缺陷等問(wèn)題[3]，這些將在下一步的裝備工作中繼續(xù)深入研究。

<E：＼王芳＼現(xiàn)代電子技術(shù)201502＼Image＼11t6.tif>

圖6 電子信息裝備維修保障能力評(píng)估BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練圖

參考文獻(xiàn)

[1] 張柳，于永利.裝備維修保障系統(tǒng)建模理論與方法[M].北京：國(guó)防工業(yè)出版社，2012.

[2] 周林，王君.軍事裝備管理預(yù)測(cè)與決策[M].北京：國(guó)防工業(yè)出版社，2007.

[3] 焦李成.神經(jīng)網(wǎng)絡(luò)計(jì)算[M].西安：西安電子科技大學(xué)出版社，1993.

[4] 同濟(jì)大學(xué)數(shù)學(xué)系.工程數(shù)學(xué)線性代數(shù)[M].北京：高等教育出版社，2013.

第6篇：神經(jīng)網(wǎng)絡(luò)的流程范文

關(guān)鍵詞： 離散； Hopfield神經(jīng)網(wǎng)絡(luò)； 聯(lián)想記憶； 數(shù)字識(shí)別

中圖法分類號(hào)：TP301.6 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1006-8228（2012）03-01-03

On numerical recognition using discrete Hopfield neural network

Jin Can1,2

（1. School of Information Science and Engineering, Central South University, Changsha, Hunan 410083, China

2. Modern Education Technology Center, Hunan University of Arts and Science）

Abstract: The author introduces in this paper the basic concept of discrete Hopfield neural network (DHNN), and then designs a discrete Hopfield neural network model with associative memory function using MATLAB according to the related knowledge of DHNN. Specifically, the author presents the idea of designing, designing procedure and the testing results. The simulation shows that DHNN can correctly recognize the numerical dot matrices with noises. When noise intensity is less than 0.1, the recognition ability is satisfactory.

Key words: Discrete； Hopfield neural network； Associative memory； Numeral recognition

1 離散Hopfield神經(jīng)網(wǎng)絡(luò)概述

Hopfield網(wǎng)絡(luò)作為一種全連接型的神經(jīng)網(wǎng)絡(luò)，曾經(jīng)為人工神經(jīng)網(wǎng)絡(luò)的發(fā)展開辟了新的研究途徑。它利用與階層性神經(jīng)網(wǎng)絡(luò)不同的結(jié)構(gòu)特征和學(xué)習(xí)方法，模擬生物神經(jīng)網(wǎng)絡(luò)的記憶機(jī)理，獲得了令人滿意的結(jié)果。這一網(wǎng)絡(luò)及學(xué)習(xí)算法最初是由美國(guó)物理學(xué)家J.J Hopfield于1982年首先提出的，故稱為Hopfield神經(jīng)網(wǎng)絡(luò)[1]。

Hopfield最早提出的網(wǎng)絡(luò)是二值神經(jīng)網(wǎng)絡(luò)，神經(jīng)元的輸出值只取1或-1，所以，也稱離散Hopfield神經(jīng)網(wǎng)絡(luò)(DHNN, Discrete Hopfield Neural Network)。在離散Hopfield網(wǎng)絡(luò)中，所采用的神經(jīng)元是二值神經(jīng)元，因此，所輸出的離散值1和-1分別表示神經(jīng)元處于激活和抑制狀態(tài)[2]。

DHNN是一種單層、輸出為二值的反饋網(wǎng)絡(luò)。假設(shè)有一個(gè)由三個(gè)神經(jīng)元組成的離散Hopfield神經(jīng)網(wǎng)絡(luò)[3]，其結(jié)構(gòu)如圖1所示[4]。

在圖1中，第0層僅僅作為網(wǎng)絡(luò)的輸入，它不是實(shí)際神經(jīng)元，所以無(wú)計(jì)算功能；第1層是神經(jīng)元，執(zhí)行對(duì)輸入信息與權(quán)系數(shù)的乘積求累加和，并經(jīng)非線性函數(shù)f 處理后產(chǎn)生輸出信息。f是一個(gè)簡(jiǎn)單的閾值函數(shù)，如果神經(jīng)元的輸出信息大于閾值θ，那么，神經(jīng)元的輸出取值為1；小于閾值θ，則神經(jīng)元的輸出取值為-1。

圖1 離散Hopfield神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

對(duì)于二值神經(jīng)元，它的計(jì)算公式如下：

⑴

式中，xj為外部輸入，并且有

⑵

一個(gè)DHNN的網(wǎng)絡(luò)狀態(tài)是輸出神經(jīng)元信息的集合。對(duì)于一個(gè)輸出層是n個(gè)神經(jīng)元的網(wǎng)絡(luò)，其t時(shí)刻的狀態(tài)為一個(gè)n維變量：

⑶

因?yàn)閥i（t）(i=1,2，…，n)可以取值為1或-1，故n維向量Y(t)有2n種狀態(tài)，即網(wǎng)絡(luò)有2n種狀態(tài)。

我們考慮DHNN的一般節(jié)點(diǎn)狀態(tài)。用yj(t)表示第j個(gè)神經(jīng)元，即節(jié)點(diǎn)j在時(shí)刻t的狀態(tài)，則節(jié)點(diǎn)的下一個(gè)時(shí)刻(t+1)的狀態(tài)可以求得：

⑷

⑸

如果wij在i-j時(shí)等于0，說(shuō)明一個(gè)神經(jīng)元的輸出并不會(huì)反饋到其輸入，這時(shí)，DHNN稱為無(wú)自反饋的網(wǎng)絡(luò)。如果wij在i=j時(shí)不等于0，說(shuō)明一個(gè)神經(jīng)元的輸出會(huì)反饋到其輸入端，這時(shí)，DHNN稱為有自反饋的網(wǎng)絡(luò)[4]。

2 聯(lián)想記憶網(wǎng)絡(luò)

聯(lián)想記憶是神經(jīng)網(wǎng)絡(luò)理論的一個(gè)重要組成部分，也是神經(jīng)網(wǎng)絡(luò)用于模式識(shí)別與人工智能等領(lǐng)域的一個(gè)重要功能。Hopfield網(wǎng)絡(luò)模擬了生物神經(jīng)網(wǎng)絡(luò)的記憶功能，也常常被稱為聯(lián)想記憶網(wǎng)絡(luò)。所謂的聯(lián)想記憶也成為了一種基于內(nèi)容的存取方法，信息被分布于生物記憶的內(nèi)容之中，而不是某個(gè)確定的地址。聯(lián)想記憶可分為自聯(lián)想與異聯(lián)想兩種。Hopfield網(wǎng)絡(luò)屬于自聯(lián)想網(wǎng)絡(luò)。自聯(lián)想能將網(wǎng)絡(luò)中輸入模式映射到存貯在網(wǎng)絡(luò)中一種模式。聯(lián)想記憶網(wǎng)絡(luò)不僅能將輸入模式映射為自己所存貯的模式，而且還能對(duì)具有缺省噪音的輸入模式有一定的容錯(cuò)能力。

設(shè)在學(xué)習(xí)過(guò)程中給聯(lián)想記憶網(wǎng)絡(luò)存入M個(gè)樣本：{Xi}i=1,2，……M。若給聯(lián)想記憶網(wǎng)絡(luò)加以輸入X'=Xm+V，其中Xm是M個(gè)學(xué)習(xí)樣本之一，V是偏差項(xiàng)，則通過(guò)自聯(lián)想聯(lián)想記憶網(wǎng)絡(luò)的輸出為Xm，即使之復(fù)原。

Hopfield聯(lián)想記憶網(wǎng)絡(luò)運(yùn)行步驟為：

第一步：設(shè)定記憶模式。將欲存儲(chǔ)的模式進(jìn)行編碼，得到取值為1和-1的記憶模式(m

。

第二步：設(shè)計(jì)網(wǎng)絡(luò)的權(quán)值。

，

其中wij一旦計(jì)算完畢，將保持不變。

第三步：初始化網(wǎng)絡(luò)狀態(tài)。將欲識(shí)別模式設(shè)為網(wǎng)絡(luò)狀態(tài)的初始狀態(tài)，為網(wǎng)絡(luò)中任意神經(jīng)元i在t=0時(shí)刻的狀態(tài)。

第四步：迭代收斂。隨機(jī)地更新某一神經(jīng)元的狀態(tài)，反復(fù)迭代直至網(wǎng)絡(luò)中所有神經(jīng)元的狀態(tài)不變?yōu)橹埂?/p>

第五步：網(wǎng)絡(luò)輸出。這時(shí)的網(wǎng)絡(luò)狀態(tài)(穩(wěn)定狀態(tài))即為網(wǎng)絡(luò)的輸出y=vi(T)。

3 基于Hopfield神經(jīng)網(wǎng)絡(luò)的數(shù)字識(shí)別

根據(jù)Hopfield神經(jīng)網(wǎng)絡(luò)相關(guān)知識(shí)，下面設(shè)計(jì)一個(gè)具有聯(lián)想記憶功能的離散型Hopfield神經(jīng)網(wǎng)絡(luò)，要求該網(wǎng)絡(luò)可以正確識(shí)別0~9這10個(gè)數(shù)字，并且當(dāng)數(shù)字被一定的噪聲干擾后，仍具有較好的識(shí)別效果。

3.1 設(shè)計(jì)思路

假設(shè)網(wǎng)絡(luò)由0~9共10個(gè)穩(wěn)態(tài)構(gòu)成，每個(gè)穩(wěn)態(tài)用10*10的矩陣表示。該矩陣可直觀地描述阿拉伯?dāng)?shù)字，即把矩陣規(guī)分成10*10個(gè)單元，有數(shù)字軌跡的單元用1表示，空白部分用-1表示，如圖2所示。網(wǎng)絡(luò)對(duì)這10個(gè)穩(wěn)態(tài)即10個(gè)數(shù)字（點(diǎn)陣）具有聯(lián)想記憶的功能，當(dāng)有帶噪聲的數(shù)字點(diǎn)陣輸入到該網(wǎng)絡(luò)時(shí)，網(wǎng)絡(luò)的輸出便可以得到最接近的目標(biāo)向量(即10個(gè)穩(wěn)態(tài))，從而達(dá)到正確識(shí)別的效果。

圖2 數(shù)字1和2的點(diǎn)陣圖

3.2 設(shè)計(jì)步驟

按照上述思路，設(shè)計(jì)Hopfield網(wǎng)絡(luò)需要經(jīng)過(guò)以下幾個(gè)步驟，如圖3所示。

[設(shè)計(jì)數(shù)字點(diǎn)陣

（0-9）][創(chuàng)建Hopfield

網(wǎng)絡(luò)][產(chǎn)生帶

噪聲的

數(shù)字點(diǎn)陣] [數(shù)字識(shí)

別測(cè)試][結(jié)果

分析]

圖3 Hopfield網(wǎng)絡(luò)設(shè)計(jì)流程圖

3.3 MATLAB實(shí)現(xiàn)

利用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱提供的函數(shù)，可以按照Hopfield網(wǎng)絡(luò)設(shè)計(jì)流程圖將設(shè)計(jì)步驟一一在MATLAB環(huán)境下實(shí)現(xiàn)。

3.3.1 輸入輸出設(shè)計(jì)

如圖2所示，有數(shù)字的部分用1表示，空白部分用-1表示，即可得到0~9的點(diǎn)陣。將數(shù)字點(diǎn)陣以圖形的形式呈現(xiàn)出來(lái)，如圖4所示。

圖4 數(shù)字點(diǎn)陣0~9的實(shí)現(xiàn)結(jié)果

以數(shù)字1、2、3、4為例，利用這四個(gè)數(shù)字點(diǎn)陣構(gòu)成訓(xùn)練樣本T：

T=[array_one; array_two; array_three; array_four]’

3.3.2 網(wǎng)絡(luò)建立

利用newhop( )函數(shù)可以方便地創(chuàng)建一個(gè)離散型Hopfield神經(jīng)網(wǎng)絡(luò)。

3.3.3 產(chǎn)生帶噪聲的數(shù)字點(diǎn)陣

常見的模擬產(chǎn)生帶噪聲數(shù)字的方法有兩種：固定噪聲法和隨機(jī)噪聲法。

固定噪聲法指的是人工修改的方法改變數(shù)字點(diǎn)陣某些位置的值，從而模擬產(chǎn)生帶噪聲的數(shù)字點(diǎn)陣。如果希望產(chǎn)生不同的帶噪聲的數(shù)字矩陣，需要人工做多次的修改，這無(wú)疑是比較麻煩的。

相比較而言，隨機(jī)噪聲產(chǎn)生法可以方便地產(chǎn)生各種類型的帶噪聲的數(shù)字矩陣。

隨機(jī)噪聲產(chǎn)生法是利用產(chǎn)生隨機(jī)數(shù)的方法來(lái)確定需要修改的點(diǎn)陣位置，進(jìn)而對(duì)數(shù)字點(diǎn)陣進(jìn)行修改。由于數(shù)字點(diǎn)陣中的值只有1和-1兩種，所以這里的修改就是將1換成-1，-1換成1。

3.3.4 網(wǎng)絡(luò)仿真

利用sim()函數(shù)可對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行仿真，其調(diào)用格式為：

4 實(shí)驗(yàn)結(jié)果與分析

將帶噪聲的數(shù)字點(diǎn)陣輸入已創(chuàng)建好的Hopfield網(wǎng)絡(luò)，便可對(duì)帶噪聲的數(shù)字點(diǎn)陣進(jìn)行識(shí)別，識(shí)別結(jié)果仍為數(shù)字點(diǎn)陣形式?？紤]到仿真結(jié)果的直觀性和可讀性，程序中的數(shù)字點(diǎn)陣將以圖形的形式呈現(xiàn)，如圖5所示。

圖5 噪聲強(qiáng)度為0.1時(shí)數(shù)字識(shí)別結(jié)果

圖5所示的是噪聲強(qiáng)度為0.1(即10%的數(shù)字點(diǎn)陣位置值發(fā)生變化)時(shí)的識(shí)別效果。從圖中可以看出，識(shí)別效果較好。進(jìn)一步的研究發(fā)現(xiàn)，隨著噪聲強(qiáng)度的增加識(shí)別效果逐漸下降。噪聲強(qiáng)度為0.2和0.3時(shí)的識(shí)別結(jié)果分別如圖6和圖7所示。從圖中不難看出，當(dāng)噪聲強(qiáng)度為0.3時(shí)，Hopfield已經(jīng)很難對(duì)數(shù)字進(jìn)行識(shí)別了。

圖6 噪聲強(qiáng)度為0.2時(shí)的識(shí)別結(jié)果

圖7 噪聲強(qiáng)度為0.3時(shí)的識(shí)別結(jié)果

5 結(jié)束語(yǔ)

通過(guò)對(duì)實(shí)驗(yàn)結(jié)果的分析，可以得出結(jié)論：對(duì)于帶一定噪聲的數(shù)字點(diǎn)陣，Hopfield網(wǎng)絡(luò)可以正確地進(jìn)行數(shù)字識(shí)別。下一步的工作可以將一些優(yōu)化算法與離散Hopfield神經(jīng)網(wǎng)絡(luò)相結(jié)合，使神經(jīng)網(wǎng)絡(luò)的聯(lián)想記憶能力更強(qiáng)，應(yīng)用效果更為突出。

例如，由于一般離散Hopfield神經(jīng)網(wǎng)絡(luò)存在很多偽穩(wěn)定點(diǎn)[1]，網(wǎng)絡(luò)很難得到真正的穩(wěn)態(tài)，為此可以將遺傳算法應(yīng)用到離散Hopfield神經(jīng)網(wǎng)絡(luò)中，利用遺傳算法的全局搜索能力，對(duì)Hopfield聯(lián)想記憶穩(wěn)態(tài)進(jìn)行優(yōu)化，使待聯(lián)想的模式跳出偽穩(wěn)定點(diǎn)，從而使Hopfield網(wǎng)絡(luò)在較高信噪比的情況下保持較高的聯(lián)想成功率。

參考文獻(xiàn)：

[1] 飛思科產(chǎn)品研發(fā)中心.神經(jīng)網(wǎng)絡(luò)與MATLAB 7實(shí)現(xiàn)[M] .電子工業(yè)出版社,2005.

[2] MATLAB神經(jīng)網(wǎng)絡(luò)與應(yīng)用(2版)[M].國(guó)防工業(yè)出版社,2007.

[3] 張良均,曹晶,蔣世忠.神經(jīng)網(wǎng)絡(luò)適用教程[M].機(jī)械工業(yè)出版社,2008.

[4] 史峰,王小川等.MATLAB神經(jīng)網(wǎng)絡(luò)30個(gè)案例分析[M].北京航空航天大學(xué)出版社,2010.

[5] 邊肇祺,張學(xué)工等.模式識(shí)別[M].清華大學(xué)出版社,1999.

[6] 張宏林.數(shù)字圖像模式識(shí)別技術(shù)及工程實(shí)踐[M].人民郵電出版社,2004.

[7] 鄧麗華,崔志強(qiáng),張靜.基于人工神經(jīng)網(wǎng)絡(luò)的手寫體數(shù)字識(shí)別[J].三峽大學(xué)學(xué)報(bào),2005.6:255~256

[8] 孫兆林.MATLAB6.x 圖像處理[M].清華大學(xué)出版社,2002.

[9] 付德勝,張學(xué)勇.基于Hopfield神經(jīng)網(wǎng)絡(luò)噪聲數(shù)字的識(shí)別[J].通信技術(shù),Vol.43,No. 01,2010:126~129

[10] 孟祥武,程虎.基于任意給定訓(xùn)練集的離散型Hopfield網(wǎng)學(xué)習(xí)算法[J].軟件學(xué)報(bào),1998.9(03):213~216

[11] 陳文宇,吳躍.Hopfield神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置[J].計(jì)算機(jī)工程與應(yīng)用,

2006.31.

[12] TALAVAN.YANEZ P M.Parameter setting of the Hopfield network applied to TSP[J].2002

第7篇：神經(jīng)網(wǎng)絡(luò)的流程范文

關(guān)鍵詞ERP項(xiàng)目實(shí)施模糊神經(jīng)網(wǎng)絡(luò)風(fēng)險(xiǎn)評(píng)價(jià)

1問(wèn)題提出

企業(yè)ERP項(xiàng)目實(shí)施涉及到原有工作模式、業(yè)務(wù)流程變革、組織結(jié)構(gòu)調(diào)整等許多方面，因此在實(shí)施ERP過(guò)程中要認(rèn)識(shí)到它的復(fù)雜性和艱巨性，要認(rèn)識(shí)到它的高風(fēng)險(xiǎn)性。然而，目前對(duì)ERP項(xiàng)目實(shí)施風(fēng)險(xiǎn)評(píng)價(jià)不是很多，有效性也不高。文獻(xiàn)分析，常用風(fēng)險(xiǎn)評(píng)價(jià)方法主要有層次分析法、神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)法和模糊綜合評(píng)判法等。

本文提出用模糊神經(jīng)網(wǎng)絡(luò)模型來(lái)評(píng)價(jià)企業(yè)ERP項(xiàng)目實(shí)施風(fēng)險(xiǎn)。將模糊神經(jīng)網(wǎng)絡(luò)用于實(shí)施ERP企業(yè)風(fēng)險(xiǎn)問(wèn)題的評(píng)價(jià)，具有一定的進(jìn)步性，是一種有益的嘗試，同其他方法相比，模糊神經(jīng)網(wǎng)絡(luò)風(fēng)險(xiǎn)評(píng)價(jià)方法具有科學(xué)、簡(jiǎn)潔、可操作性強(qiáng)等特點(diǎn)，而且模型的結(jié)構(gòu)與方法應(yīng)用前景廣闊。

2企業(yè)ERP項(xiàng)目實(shí)施風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)體系

在分析了ERP項(xiàng)目實(shí)施過(guò)程風(fēng)險(xiǎn)影響因素，我們考慮的是可能導(dǎo)致項(xiàng)目失敗風(fēng)險(xiǎn)因素；因此要從企業(yè)實(shí)施ERP項(xiàng)目戰(zhàn)略角度、實(shí)施中人為風(fēng)險(xiǎn)因素、業(yè)務(wù)流程重組、ERP實(shí)施項(xiàng)目管理和關(guān)鍵事件分析和評(píng)估。該指標(biāo)體系有三級(jí)，一級(jí)指標(biāo)8個(gè)，二級(jí)指標(biāo)26個(gè)，各二級(jí)指標(biāo)相互獨(dú)立反映了前一項(xiàng)指標(biāo)屬性內(nèi)涵。評(píng)價(jià)指標(biāo)體系的風(fēng)險(xiǎn)影響因素能從不同的角度反映這些風(fēng)險(xiǎn)指標(biāo)度量屬性，其最終風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)體系結(jié)構(gòu)，如表1所示。

表1星火ERP項(xiàng)目實(shí)施風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)體系表

風(fēng)險(xiǎn)項(xiàng)二級(jí)風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)風(fēng)險(xiǎn)影響因素

信息化規(guī)劃風(fēng)險(xiǎn)U1信息化戰(zhàn)略地位u111)沒有信息化戰(zhàn)略或不健全、信息戰(zhàn)略執(zhí)行不到位；

2)信息化投入總額的比重、網(wǎng)絡(luò)性能水平、沒有其他信息化設(shè)施；

3)是否接觸其他單模塊MIS系統(tǒng)每百名管理人員計(jì)算機(jī)擁有量。

信息基礎(chǔ)建設(shè)風(fēng)險(xiǎn)u12

信息化應(yīng)用狀況風(fēng)險(xiǎn)u13

基礎(chǔ)數(shù)據(jù)風(fēng)險(xiǎn)U2基礎(chǔ)數(shù)據(jù)規(guī)范性風(fēng)險(xiǎn)u211)企業(yè)數(shù)據(jù)的完整程度、數(shù)據(jù)的不規(guī)范性；

2）數(shù)據(jù)編碼體系與ERP要求是否存在較大差別、編碼體系不完整；

3)品種繁多且雜亂、工藝復(fù)雜、工藝不規(guī)范、業(yè)務(wù)數(shù)據(jù)不一致。

編碼系統(tǒng)完整性風(fēng)險(xiǎn)u22

產(chǎn)品繁雜度風(fēng)險(xiǎn)u23

人力資源風(fēng)險(xiǎn)U3高層領(lǐng)導(dǎo)的指導(dǎo)力u311)高層領(lǐng)導(dǎo)參與度、對(duì)風(fēng)險(xiǎn)的認(rèn)識(shí)程度以及支持力度；

2)項(xiàng)目經(jīng)理的實(shí)施經(jīng)驗(yàn)和協(xié)調(diào)溝通能力。

項(xiàng)目經(jīng)理的控制力u32

需求分析風(fēng)險(xiǎn)U4需求分析量化程度u411)企業(yè)需求分析不全面、需求分析報(bào)告不能反映實(shí)際情況；

2)外部市場(chǎng)牽引力度不當(dāng)、需求拉動(dòng)力誤導(dǎo)、政府推動(dòng)力不強(qiáng)；

3）沒有咨詢顧問(wèn)指導(dǎo)、需求分析反復(fù)修改、企業(yè)診斷結(jié)論錯(cuò)誤。

需求動(dòng)力分析風(fēng)險(xiǎn)u42

信息需求不明確u43

管理基礎(chǔ)風(fēng)險(xiǎn)U5行業(yè)（特點(diǎn)）風(fēng)險(xiǎn)u511)企業(yè)規(guī)模大小、企業(yè)體制、企業(yè)地理位置、企業(yè)的類型；

2)企業(yè)文化與ERP文化相抵制、新文化的形成；

3)企業(yè)管理水平低、管理模式落后、與ERP管理不符合度。

企業(yè)文化風(fēng)險(xiǎn)u52

管理不規(guī)范性u(píng)53

協(xié)作方選擇風(fēng)險(xiǎn)U6軟件商選擇風(fēng)險(xiǎn)u611)軟件供應(yīng)商類型選擇不當(dāng)、供應(yīng)商綜合能力不強(qiáng)；

2)咨詢方行業(yè)經(jīng)驗(yàn)、雙方配合度不高；

3)監(jiān)理基本能力不足、行業(yè)經(jīng)驗(yàn)不足。

咨詢方選擇風(fēng)險(xiǎn)u62

監(jiān)理方選擇風(fēng)險(xiǎn)u63

軟硬件選擇風(fēng)險(xiǎn)U7硬件選擇不當(dāng)u711)安全風(fēng)險(xiǎn)、后續(xù)維護(hù)風(fēng)險(xiǎn)、價(jià)格不合理；

2)系統(tǒng)集成性不高、二次開發(fā)工具水平；

3)軟件成熟度、類型選擇錯(cuò)誤、選型方法或步驟不對(duì)；

4)質(zhì)量先天性缺陷、質(zhì)量不高、不可靠性風(fēng)險(xiǎn)。

軟件技術(shù)風(fēng)險(xiǎn)、u72

選型匹配風(fēng)險(xiǎn)u73

軟件質(zhì)量風(fēng)險(xiǎn)u74

項(xiàng)目管理風(fēng)險(xiǎn)U8項(xiàng)目進(jìn)度風(fēng)險(xiǎn)U811)沒有合理進(jìn)度計(jì)劃、進(jìn)度控制不嚴(yán)、進(jìn)度延期、人員不變動(dòng)；

2)硬件維護(hù)費(fèi)用增加、實(shí)施費(fèi)用無(wú)計(jì)劃地增加、維護(hù)費(fèi)用增加；

3)實(shí)施效果難以衡量、沒有制定相應(yīng)質(zhì)量目標(biāo)、階段成果未達(dá)標(biāo)；

4)范圍無(wú)限擴(kuò)大、不嚴(yán)格控制計(jì)劃，實(shí)施范圍不清楚風(fēng)險(xiǎn)；

5)對(duì)業(yè)務(wù)流程變革認(rèn)識(shí)不統(tǒng)一、缺乏有效流程控制體系、重組變革方式和工具選擇、過(guò)多地改變軟件原有流程。

項(xiàng)目成本風(fēng)險(xiǎn)U82

項(xiàng)目質(zhì)量風(fēng)險(xiǎn)U83

實(shí)施范圍風(fēng)險(xiǎn)U84

業(yè)務(wù)流程重組風(fēng)險(xiǎn)U85

3基于模糊神經(jīng)網(wǎng)絡(luò)ERP項(xiàng)目實(shí)施風(fēng)險(xiǎn)評(píng)價(jià)模型

模糊神經(jīng)網(wǎng)絡(luò)在SPSS、Excel和Matlab等統(tǒng)計(jì)分析軟件工具的幫助下，使這種預(yù)測(cè)評(píng)價(jià)變得簡(jiǎn)單可行，具有很強(qiáng)的操作性和實(shí)用價(jià)值。模糊神經(jīng)網(wǎng)絡(luò)作為人工智能領(lǐng)域一種新的技能、正向著更高層次的研究與應(yīng)用方面發(fā)展。模糊神經(jīng)網(wǎng)絡(luò)模型也用于企業(yè)風(fēng)險(xiǎn)評(píng)價(jià)方面，張英才提出基于模糊神經(jīng)的人力資源風(fēng)險(xiǎn)評(píng)價(jià)，吳沖等提出基于模糊神經(jīng)網(wǎng)絡(luò)的商業(yè)銀行信用風(fēng)險(xiǎn)的評(píng)價(jià)。

3.1模糊神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)模型建立

根據(jù)企業(yè)實(shí)際結(jié)合已有的研究成果及風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)體系，確定了8個(gè)評(píng)價(jià)的變量。選擇[0,1]上的數(shù)據(jù)對(duì)上述8種因素的風(fēng)險(xiǎn)進(jìn)行評(píng)判。同時(shí)，我們可以用以下數(shù)學(xué)語(yǔ)言描述：設(shè)ui(i=1,2,……7)為ERP項(xiàng)目實(shí)施風(fēng)險(xiǎn)評(píng)價(jià)的輸入變量，Ui為其論域。在本系統(tǒng)中，ui∈[0,1］，將ui的風(fēng)險(xiǎn)類別模糊化為一個(gè)定義在Ui上的模糊子集Aj(j=1,2,3,4,5分別代表風(fēng)險(xiǎn)低、較低、一般、高、較高五種類型)，其模糊性用Ui的模糊分布一隸屬函數(shù)UAj(ui)來(lái)表示。具體模糊量化過(guò)程為：

（1）選擇影響因素的集合；本文采用風(fēng)險(xiǎn)指標(biāo)體系子要素層中的評(píng)價(jià)影響集合。（2）確定評(píng)價(jià)等級(jí)空間U；U={cl，c2，…，ck}，若ck+1比ck“強(qiáng)”，記作ck+1>ck，一般地，評(píng)價(jià)等級(jí)統(tǒng)計(jì)取4至6個(gè)等級(jí)較合適，本文風(fēng)險(xiǎn)等級(jí)分5個(gè)等級(jí),即風(fēng)險(xiǎn)低、風(fēng)險(xiǎn)較低、風(fēng)險(xiǎn)一般、風(fēng)險(xiǎn)較高和風(fēng)險(xiǎn)高。

（3）確定子要素層每一因素對(duì)U中的各評(píng)價(jià)等級(jí)的隸屬度；通過(guò)專家打分后，采用統(tǒng)計(jì)方法獲得，第i個(gè)因素對(duì)各等級(jí)的隸屬度為Ri＝（ri1，ri2，ri3，ri4，ri5）。

（4）計(jì)算每個(gè)因素的評(píng)價(jià)值；將5個(gè)評(píng)價(jià)等級(jí)數(shù)量化后視為一個(gè)向量，例如取C=(0.9,0.7,0.5,0.3,0.1)，則第i個(gè)因素的數(shù)值化風(fēng)險(xiǎn)評(píng)價(jià)值為Xi=Ri*CT。根據(jù)所評(píng)價(jià)ERP項(xiàng)目實(shí)施風(fēng)險(xiǎn)評(píng)價(jià)中指標(biāo)，模糊神經(jīng)網(wǎng)絡(luò)ERP項(xiàng)目實(shí)施風(fēng)險(xiǎn)評(píng)價(jià)結(jié)構(gòu)確定為(8,m,5)，即輸入層節(jié)點(diǎn)8個(gè)(根據(jù)評(píng)價(jià)階段指標(biāo)體系確定)；隱含層節(jié)點(diǎn)數(shù)為m，一般人為給定m值后，經(jīng)k-means方法調(diào)整出合適值；輸出層節(jié)點(diǎn)5個(gè)。通過(guò)上述模糊化方法處理得出每個(gè)風(fēng)險(xiǎn)影響因素的模糊化數(shù)值xi后，作為神經(jīng)網(wǎng)絡(luò)輸入層節(jié)點(diǎn)的輸入值。輸出層節(jié)點(diǎn)輸出企業(yè)ERP項(xiàng)目實(shí)施風(fēng)險(xiǎn)綜合評(píng)價(jià)值。因此所建模型如圖1所示，模糊神經(jīng)網(wǎng)絡(luò)風(fēng)險(xiǎn)評(píng)價(jià)模型分兩大模塊:前一部分是模糊量化模塊，作用是將輸入變量模糊化，模糊化處理是將數(shù)字表示形式的輸入量轉(zhuǎn)化為通常用語(yǔ)言值表示的某模糊論語(yǔ)的序數(shù)。后一部分是模糊神經(jīng)網(wǎng)絡(luò)(FNN)模塊，此模型中FNN模塊采用BP神經(jīng)網(wǎng)絡(luò)。該網(wǎng)絡(luò)模型兩大模塊包括三層:輸入層、隱含層和輸出層。

圖1風(fēng)險(xiǎn)評(píng)價(jià)中模糊神經(jīng)網(wǎng)絡(luò)模型

輸入層：在ERP項(xiàng)目實(shí)施風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)體系中，輸入層評(píng)價(jià)指標(biāo)經(jīng)過(guò)模糊化處理后輸入。但由于指標(biāo)值量綱不相同，代表了不同的物理含義。因此，在進(jìn)行綜合評(píng)價(jià)之前可將各指標(biāo)值轉(zhuǎn)化成無(wú)量綱的標(biāo)準(zhǔn)化數(shù)據(jù)，這樣就可以利用同一標(biāo)準(zhǔn)進(jìn)行衡量一般可采用直線型無(wú)量綱化方法，如利用極差變換公式將各類指標(biāo)標(biāo)準(zhǔn)化。輸入層中神經(jīng)元的輸入與輸出為Ui=Xi，Oij=Xi,（其中i=1,2,…..,8；j=1,2,……,m）。同時(shí)，我們將上述的風(fēng)險(xiǎn)因素和ERP項(xiàng)目實(shí)施風(fēng)險(xiǎn)評(píng)價(jià)的結(jié)果按照風(fēng)險(xiǎn)的大小程度分別用5個(gè)語(yǔ)言變量表示，并用各個(gè)語(yǔ)言變量的隸屬函數(shù)代表其模糊性。

隱含層：其作用是對(duì)輸入量進(jìn)行評(píng)語(yǔ)等級(jí)分化處理，即根據(jù)隸屬函數(shù)求出每一輸入的各等級(jí)隸屬度值。本文選用梯形函數(shù)，它對(duì)樣本數(shù)據(jù)要求相對(duì)簡(jiǎn)單，雖然它的準(zhǔn)確性不如非線性隸屬函數(shù)高，但是經(jīng)過(guò)模糊神經(jīng)網(wǎng)絡(luò)的控制也能達(dá)到良好的效果。圖2說(shuō)明了用梯形函數(shù)來(lái)表示ERP項(xiàng)目實(shí)施風(fēng)險(xiǎn)隸屬函數(shù)。

3.2模糊神經(jīng)(FNN)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練

模糊神經(jīng)網(wǎng)絡(luò)模型應(yīng)用具體步驟包括兩個(gè)過(guò)程①學(xué)習(xí)訓(xùn)練過(guò)程：在現(xiàn)有的ERP項(xiàng)目實(shí)施企業(yè)中，選擇成功與失敗典型樣本對(duì)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)訓(xùn)練，經(jīng)過(guò)反復(fù)迭代，使系統(tǒng)平均誤差降低到滿意的程度，從而獲得穩(wěn)定的網(wǎng)絡(luò)結(jié)構(gòu)、連接權(quán)值和各參數(shù)。②模型確定后，可用來(lái)進(jìn)行ERP項(xiàng)目實(shí)施風(fēng)的評(píng)價(jià)。

(1)樣本數(shù)據(jù)的獲得

選取若干具有代表性的數(shù)據(jù)，通過(guò)專家意見調(diào)查，收集相關(guān)數(shù)據(jù)作為樣本數(shù)據(jù)。論文研究選擇對(duì)象主要面向大中小各類企業(yè)，除已實(shí)施ERP的企業(yè)外，也包括將要實(shí)施ERP的企業(yè)。我們通過(guò)東西部地區(qū)200多家案例企業(yè)獲得樣本數(shù)據(jù)，進(jìn)行統(tǒng)計(jì)分析。先對(duì)樣本數(shù)據(jù)進(jìn)行穩(wěn)定性處理，鑒于論文取得的樣本數(shù)據(jù)容量較大，各指標(biāo)取值范圍較廣，數(shù)據(jù)具有一定的平滑性，因此選用兩倍、三倍標(biāo)準(zhǔn)差檢驗(yàn)法進(jìn)行異常數(shù)據(jù)剔除，最終獲得（167個(gè)）樣本數(shù)據(jù)。

(2)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練結(jié)果

模糊神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程也就是網(wǎng)絡(luò)參數(shù)修正的過(guò)程，本系統(tǒng)的網(wǎng)絡(luò)學(xué)習(xí)采用有教師的學(xué)習(xí)方法，網(wǎng)絡(luò)參數(shù)的修正采用梯度法實(shí)現(xiàn)。

(3)ERP實(shí)施風(fēng)險(xiǎn)評(píng)價(jià)輸出

模糊神經(jīng)網(wǎng)絡(luò)訓(xùn)練趨向穩(wěn)定后，并滿足指定的性能指標(biāo)(如訓(xùn)練誤差)，說(shuō)明神經(jīng)網(wǎng)絡(luò)已訓(xùn)練結(jié)束，可以用來(lái)評(píng)價(jià)企業(yè)ERP項(xiàng)目實(shí)施風(fēng)險(xiǎn)。將待評(píng)價(jià)的對(duì)象按模糊規(guī)則轉(zhuǎn)換后得到n個(gè)輸入量，已訓(xùn)練好的網(wǎng)絡(luò)模型就可以通過(guò)輸入量到輸出實(shí)現(xiàn)；輸出結(jié)果為隸屬度向量O=(O1，O2，O3，O4,,O5)，定義為最大隸屬度。即，=MAX(O1，O2，O3，O4，O5)。

根據(jù)最大隸屬度原則就可以確定待評(píng)價(jià)的ERP項(xiàng)目實(shí)施風(fēng)險(xiǎn)的大小。在每次評(píng)價(jià)工作中，無(wú)論評(píng)價(jià)結(jié)果是否得到了專家的認(rèn)可，都可以把它作為新的學(xué)習(xí)樣本讓這個(gè)模糊神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)系統(tǒng)不斷學(xué)習(xí)、繼續(xù)完善，以使它做出更準(zhǔn)確的評(píng)價(jià)。

4結(jié)論

本文確立了企業(yè)ERP實(shí)施風(fēng)險(xiǎn)評(píng)價(jià)的指標(biāo)體系，建立了基于模糊神經(jīng)網(wǎng)絡(luò)的ERP項(xiàng)目實(shí)施風(fēng)險(xiǎn)評(píng)價(jià)模型，利用神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)風(fēng)險(xiǎn)評(píng)價(jià)功能，可以充分利用以往的經(jīng)驗(yàn)，使評(píng)價(jià)系統(tǒng)具有學(xué)習(xí)能力。模糊神經(jīng)網(wǎng)絡(luò)用于評(píng)價(jià)企業(yè)ERP實(shí)施風(fēng)險(xiǎn)非常適合，這不僅可以評(píng)價(jià)ERP項(xiàng)目實(shí)施各階段風(fēng)險(xiǎn)大小，也可以利用網(wǎng)絡(luò)的預(yù)測(cè)評(píng)價(jià)功能，預(yù)測(cè)將要實(shí)施ERP企業(yè)的風(fēng)險(xiǎn)大小，而且網(wǎng)絡(luò)預(yù)測(cè)誤差小，適合用于各類企業(yè)ERP項(xiàng)目實(shí)施風(fēng)險(xiǎn)評(píng)價(jià)。

參考文獻(xiàn)

[1]陳啟申.ERP——從內(nèi)部集成起步.北京:電子工業(yè)出版社[M].2004

[2]劉暉.我國(guó)企業(yè)發(fā)展與實(shí)施ERP的現(xiàn)狀分析[J].情報(bào)科學(xué).第23卷第6期.2005.6.28~29

第8篇：神經(jīng)網(wǎng)絡(luò)的流程范文

關(guān)鍵詞：話題熱度；權(quán)重；神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)：TP393 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9416（2017）03-0082-02

1 引言

近幾年，社交網(wǎng)絡(luò)飛速發(fā)展，各大社交媒體的用戶量呈指數(shù)性上升，微博也成為人們獲取和信息的重要渠道，其熱門話題也已經(jīng)成為了網(wǎng)絡(luò)熱點(diǎn)的風(fēng)向標(biāo)。微博話題預(yù)測(cè)與分析，可向用戶提供了解熱門信息的渠道，還能節(jié)省時(shí)間；對(duì)于網(wǎng)絡(luò)社交媒體網(wǎng)站的管理人員來(lái)說(shuō)，可以幫助他們更好的了解用戶群體的喜好；對(duì)于企業(yè)來(lái)說(shuō)，能幫助他們迅速了解市場(chǎng)動(dòng)向，為業(yè)務(wù)決策提供數(shù)據(jù)支持和指導(dǎo)[1]；對(duì)于政府來(lái)說(shuō)，有助于了解點(diǎn)與文化道德傾向，為施政方向提供參考等等。本文提出了將神經(jīng)網(wǎng)絡(luò)的思想應(yīng)用在話題預(yù)測(cè)中，使微博話題更有預(yù)見性，提高預(yù)測(cè)準(zhǔn)確度。

2 系統(tǒng)結(jié)構(gòu)

系統(tǒng)的整體結(jié)構(gòu)如圖1所示。首先從新浪微博開放接口中獲取并識(shí)別出話題信息，建立話題數(shù)據(jù)庫(kù)，并通過(guò)網(wǎng)絡(luò)爬蟲技術(shù)從微博搜索中抓取到與話題有關(guān)的微博數(shù)據(jù)，均進(jìn)行特征提取[2]后分類存入話題相關(guān)數(shù)據(jù)庫(kù)中，對(duì)這些數(shù)據(jù)處理和分析后作出預(yù)判哪些話題為熱門話題，哪些為非熱門話題。本文將主要闡述數(shù)據(jù)處理分析這一過(guò)程中用算法實(shí)現(xiàn)對(duì)熱門話題的預(yù)判這一流程。

3 神經(jīng)網(wǎng)絡(luò)

3.1 固定權(quán)重計(jì)算

權(quán)重，即將話題熱度分為閱讀量、轉(zhuǎn)發(fā)量、增長(zhǎng)率等影響因子，為其中每種影響因子分配各自的系數(shù)。最終將各項(xiàng)影響因子與其系數(shù)相乘再進(jìn)行累加可得到話題熱度。這種方式的優(yōu)點(diǎn)是劃分精細(xì)，可根據(jù)測(cè)試后數(shù)據(jù)增減影響因子，改動(dòng)系數(shù)，但其缺點(diǎn)明顯，自適應(yīng)能力差，所需數(shù)據(jù)量太過(guò)龐大。其計(jì)算公式為：

（1）

式（1）中，T表示話題熱度，表示權(quán)重，表示影響因子。

3.2 構(gòu)建函數(shù)計(jì)算

根據(jù)各項(xiàng)數(shù)據(jù)之間的關(guān)系，可以簡(jiǎn)單地抽象為一個(gè)熱度得分與權(quán)重的線性關(guān)系，得分越高，對(duì)應(yīng)權(quán)重在有限范圍內(nèi)同比上升。這種方式需要在前期獲取大量數(shù)據(jù)進(jìn)行測(cè)試和構(gòu)建函數(shù)模型，最后得到話題熱度。利用這種方式，我們可以在一定程度上進(jìn)行簡(jiǎn)單的話題預(yù)測(cè)模擬。其具有較為清晰的邏輯，編程較為簡(jiǎn)單的優(yōu)點(diǎn)，缺點(diǎn)是需要大量的真實(shí)數(shù)據(jù)來(lái)構(gòu)建函數(shù)模型。其計(jì)算公式為：

（2）

式（2）中，T表示話題熱度，表示權(quán)重上限，表示權(quán)重下限，表示此話題下內(nèi)容條數(shù)上限，此話題下內(nèi)容條數(shù)下限，表示當(dāng)前內(nèi)容條數(shù)。

3.3 神經(jīng)網(wǎng)絡(luò)算法

神經(jīng)網(wǎng)絡(luò)算法是指讓機(jī)器模擬邏輯性的思維，根據(jù)邏輯規(guī)則進(jìn)行推理的過(guò)程。人工神經(jīng)網(wǎng)絡(luò)按照一定的學(xué)習(xí)準(zhǔn)則，自發(fā)發(fā)現(xiàn)環(huán)境特征和規(guī)律性，減少下次犯錯(cuò)的可能性，達(dá)到高準(zhǔn)確度的理想狀態(tài)[3]。其優(yōu)點(diǎn)是模擬人類思考的方式，對(duì)話題熱度預(yù)測(cè)的方式更加人性化，自適應(yīng)力強(qiáng)，通過(guò)大量的訓(xùn)練課提高預(yù)測(cè)的準(zhǔn)確性，但它的編程比較困難，邏輯比較復(fù)雜。神經(jīng)網(wǎng)絡(luò)訓(xùn)練公式：

（3）

式（3）輸入樣本X根據(jù)誤差e對(duì)權(quán)重A不斷調(diào)整，直到e接近零；表示權(quán)重變化率，其取值不能過(guò)大或過(guò)小，過(guò)大會(huì)影響權(quán)重的穩(wěn)定，過(guò)小會(huì)使調(diào)整權(quán)重時(shí)收斂太慢。

3.4 概述

我們的方法綜合利用了以上三種思想。我們首先將話題的閱讀量、評(píng)論數(shù)、粉絲數(shù)按照一定比例賦予固定的權(quán)重，存入基本庫(kù)，得到熱度基值；而對(duì)于一些比較抽象的影響因子，例如名人效應(yīng)、時(shí)效性、內(nèi)容生動(dòng)性、國(guó)家政策等沒有明顯劃分標(biāo)準(zhǔn)的因素，我們首先利用一些少量的數(shù)據(jù)來(lái)構(gòu)建一個(gè)簡(jiǎn)單的函數(shù)，提取內(nèi)容特征來(lái)并建立附加庫(kù)，再通過(guò)神經(jīng)網(wǎng)絡(luò)算法思想利用訓(xùn)練數(shù)據(jù)來(lái)不斷調(diào)整權(quán)重，豐富并完善附加庫(kù)，最終得到熱度附加值。最后，將熱度基值與熱度附加值相加得到話題熱度。

4 測(cè)試結(jié)果與分析

4.1 神經(jīng)網(wǎng)絡(luò)算法應(yīng)用

輸入訓(xùn)練數(shù)據(jù)，先根據(jù)當(dāng)前的權(quán)重計(jì)算，看誤差是否_到訓(xùn)練要求，若沒有則對(duì)權(quán)重進(jìn)行調(diào)整，直到誤差接近于零，計(jì)算出的結(jié)果與訓(xùn)練數(shù)據(jù)的結(jié)果一樣，然后再進(jìn)行下一組數(shù)據(jù)的讀取，重復(fù)以上步驟，直到所有結(jié)果達(dá)到訓(xùn)練要求。其神經(jīng)網(wǎng)絡(luò)算法流程圖如圖2。

4.2 模擬結(jié)果與分析

如圖3，在做神經(jīng)網(wǎng)絡(luò)訓(xùn)練預(yù)測(cè)時(shí)，我們采取兩個(gè)點(diǎn)做回歸分析。橫坐標(biāo)為目標(biāo)值target，縱坐標(biāo)神經(jīng)網(wǎng)絡(luò)輸出。為防止過(guò)擬合，我們運(yùn)用matlab對(duì)數(shù)據(jù)劃分成三分，trainning表示訓(xùn)練，validation表示驗(yàn)證，test表示測(cè)試，最后統(tǒng)計(jì)了整體狀況all，只有trainning數(shù)據(jù)參加訓(xùn)練，其他兩組數(shù)據(jù)不參加訓(xùn)練，用于檢驗(yàn)。訓(xùn)練進(jìn)行時(shí)，目標(biāo)target和訓(xùn)練test數(shù)據(jù)之間的誤差會(huì)越來(lái)越小，validation數(shù)據(jù)和目標(biāo)之間的誤差也越來(lái)越小，曲線也越來(lái)越接近對(duì)角線。

5 結(jié)語(yǔ)

本文對(duì)微博熱門話題預(yù)測(cè)進(jìn)行了分析，針對(duì)數(shù)據(jù)處理及分析這一過(guò)程中的算法問(wèn)題進(jìn)行研究，綜合應(yīng)用了固定權(quán)重法、構(gòu)建函數(shù)法和神經(jīng)網(wǎng)絡(luò)算法這三種算法。若要提高預(yù)測(cè)的準(zhǔn)確度，我們還需考慮更多影響因子與劃分標(biāo)準(zhǔn)，需要更多數(shù)據(jù)加以測(cè)試與改進(jìn)，優(yōu)化我們的算法，使其有更多的應(yīng)用價(jià)值和更加廣泛的應(yīng)用平臺(tái)。

參考文獻(xiàn)

[1]姚婧.中文微博的話題檢測(cè)和預(yù)警[D].上海：上海交通大學(xué)，2012：1-2.

第9篇：神經(jīng)網(wǎng)絡(luò)的流程范文

關(guān)鍵詞:BP神經(jīng)網(wǎng)絡(luò) 容差優(yōu)化 多目標(biāo)

在飛機(jī)設(shè)計(jì)、工藝、制造、裝配等研制過(guò)程中,容差分配是一個(gè)復(fù)雜的多解問(wèn)題,合理的容差分配非常關(guān)鍵,它控制著產(chǎn)品的性能、制造成本、裝配工藝性等。目前,飛機(jī)裝配容差優(yōu)化的研究主要以最低成本法、綜合優(yōu)化法等為主。假設(shè)作為調(diào)整因素的各零件之間的容差信息相互獨(dú)立,以裝配性能、加工成本和裝配工藝性作為優(yōu)化指標(biāo),裝配容差優(yōu)化即設(shè)法找到使指標(biāo)達(dá)到最佳值的優(yōu)化因素組合,這屬于典型的非線性優(yōu)化問(wèn)題。而神經(jīng)網(wǎng)絡(luò)作為模仿生物神經(jīng)的智能信息處理系統(tǒng),具有高度的非線性映射的特點(diǎn),為解決容差優(yōu)化問(wèn)題提供了一個(gè)良好手段。

1、多目標(biāo)容差優(yōu)化的神經(jīng)網(wǎng)絡(luò)原理

在多目標(biāo)容差優(yōu)化過(guò)程中,由于各個(gè)目標(biāo)之間往往存在著一定的矛盾關(guān)系,通常不可能達(dá)到所有目標(biāo)都最優(yōu)的方案,因此引入求解多目標(biāo)優(yōu)化的最基本方法——評(píng)價(jià)函數(shù)法,將多目標(biāo)容差優(yōu)化問(wèn)題轉(zhuǎn)化為單目標(biāo)容差優(yōu)化問(wèn)題進(jìn)行求解。

1.1 單目標(biāo)容差優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建

為簡(jiǎn)化分析,以一個(gè)確定了制造、裝配工藝方案,包含三個(gè)零件的裝配體為例,構(gòu)建基于BP算法的神經(jīng)網(wǎng)絡(luò)進(jìn)行單目標(biāo)的容差優(yōu)化,采用如圖1所示的三層網(wǎng)絡(luò)結(jié)構(gòu):第一層為輸入層,將各零件的容差信息傳遞給下一層;第二層為以隱層,進(jìn)行容差信息的處理;第三層為輸出層,輸出優(yōu)化指標(biāo)。

將各零件容差的上、下極限偏差作為輸入值,令其為。將裝配性能、加工成本和裝配工藝性三個(gè)優(yōu)化指標(biāo)作為輸出值,令其為,分別建立三個(gè)針對(duì)各自優(yōu)化指標(biāo)的容差優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型。隱層節(jié)點(diǎn)數(shù)可根據(jù)經(jīng)驗(yàn)公式來(lái)確定,其中為輸出層節(jié)點(diǎn)數(shù),為1～10之間的常數(shù)。各層之間均采用雙極性Sigmoid函數(shù)作為傳輸函數(shù)。

圖1容差優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型

對(duì)于一個(gè)三層BP神經(jīng)網(wǎng)絡(luò),若輸出層的輸入信號(hào)為,輸出的誤差信號(hào)為,則隱層到輸出層的權(quán)值矩陣的調(diào)整可以表示為:

若隱層的輸入信號(hào)為,輸出的誤差信號(hào)為,則輸入層到隱層的權(quán)值矩陣的調(diào)整可以表示為:

單目標(biāo)容差優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)經(jīng)過(guò)學(xué)習(xí)訓(xùn)練后,將容差與優(yōu)化指標(biāo)之間的非線性映射關(guān)系存儲(chǔ)在權(quán)值矩陣中,在工作階段,便可以實(shí)現(xiàn)對(duì)非樣本信號(hào)的正確映射,得到所對(duì)應(yīng)的優(yōu)化指標(biāo)值。

1.2 多目標(biāo)優(yōu)化評(píng)價(jià)函數(shù)的建立

建立多目標(biāo)評(píng)價(jià)函數(shù)之前先完成各自單目標(biāo)優(yōu)化模型輸出數(shù)據(jù)的預(yù)處理即歸一化,將輸出數(shù)據(jù)限制在一定的區(qū)域內(nèi),以便于在一個(gè)共同的區(qū)域內(nèi)進(jìn)行多個(gè)優(yōu)化指標(biāo)的綜合評(píng)價(jià)。將輸出數(shù)據(jù)變換為[0,1]區(qū)間的值可采用變化式:

在三個(gè)容差優(yōu)化指標(biāo)中,裝配性能指標(biāo)輸出的是裝配封閉環(huán)的容差大小,優(yōu)化目標(biāo)是值越小越好,加工成本指標(biāo)的優(yōu)化目標(biāo)同樣是越小越好,裝配工藝性指標(biāo)輸出的是工藝過(guò)程能力指數(shù),其優(yōu)化目標(biāo)是越大越好。假設(shè)各優(yōu)化指標(biāo)與輸入值之間存在著,,由于優(yōu)化指標(biāo)之間相互存在著矛盾關(guān)系,不可能使得每個(gè)優(yōu)化指標(biāo)達(dá)到最佳,設(shè)在值域中存在著一個(gè)理想點(diǎn),尋求距離最近的作為優(yōu)化的近似值,因此構(gòu)造評(píng)價(jià)函數(shù):

這樣就可以將多目標(biāo)容差優(yōu)化問(wèn)題轉(zhuǎn)化為求上式的極小值問(wèn)題來(lái)解決:

2、多目標(biāo)容差優(yōu)化設(shè)計(jì)的工作流程

根據(jù)以上對(duì)BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)的分析,并結(jié)合多目標(biāo)優(yōu)化的評(píng)價(jià)函數(shù),多目標(biāo)容差優(yōu)化設(shè)計(jì)可按以下步驟進(jìn)行:

(1)建立針對(duì)各優(yōu)化指標(biāo)的單目標(biāo)容差優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)。

(2)確定BP神經(jīng)網(wǎng)絡(luò)中包括輸入信息與輸出信息在內(nèi)的網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)。

(3)準(zhǔn)備網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù),對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,將訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)模型作為單目標(biāo)容差優(yōu)化的函數(shù)值仿真計(jì)算工具。

(4)分別對(duì)各BP神經(jīng)網(wǎng)絡(luò)的目標(biāo)函數(shù)值進(jìn)行單目標(biāo)優(yōu)化,得到有效值域中的理想點(diǎn)。

(5)對(duì)式(2-5)進(jìn)行評(píng)價(jià)函數(shù)的單目標(biāo)優(yōu)化,得到多目標(biāo)容差優(yōu)化的結(jié)果。