人工神經網絡發(fā)展精選(九篇)

前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的人工神經網絡發(fā)展主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：人工神經網絡發(fā)展范文

【關鍵詞】 人工神經網絡技術 應用 現狀

一、人工神經網絡概述

要對人工神經網絡技術的應用進行了解，首先要掌握人工神經網絡的基本模型和結構。它的結構是并行分布的，通過大量的神經元的模型組成，是用來進行信息處理的網絡。各個神經元之間相互聯系，相互之間聯系的方式很多，每個特定的鏈接之中都有相應的權系數，而各個神經元的輸出是特定的。

二、人工神經網絡技術的應用現狀

人工神經網絡技術由于其結構上的優(yōu)勢和對信息處理的高效性，使得在很多方面都有廣泛的應用，例如，運用人工神經網絡技術進行圖像處理、智能識別、自動監(jiān)控、信號處理、機器人監(jiān)控等，使得其在生活的各個方面都發(fā)揮了重要的作用，為交通、電力、軍事等部門提供了便利。下面對人工神經網絡技術的具體應用做簡單的分析。

第一，BP神經網絡?；谌斯ど窠浘W絡技術的BP神經網絡，在進行優(yōu)化預測、分類和函數逼近等方面有著廣泛的應用。網絡的應用大體有分類、函數逼近、優(yōu)化預測等方面。比如，將胃電圖和心電圖進行分類，對某些函數的最小二乘進行逼近，對工業(yè)生產過程中的數據進行整合，對電力系統(tǒng)中的負荷量和一些數據進行優(yōu)化和預測等。特別是在進行時間序列的預測中，發(fā)揮著重要的積極作用。使用BP神經網絡還能對國家經濟發(fā)展中的一些數據進行處理。相對其它人工神經網絡技術的網絡而言，BP網絡復雜性較低，所以在很多工業(yè)產業(yè)上應用較多。在某些需要進行控制的系統(tǒng)內，BP神經網絡能夠對系統(tǒng)進行有效的控制。其具體的優(yōu)勢主要有以下幾點：利用BP神經網絡在識別和分類中的優(yōu)勢，能夠及時快速的判斷一些系統(tǒng)中的故障，相比以往的譜分析技術，其工作效率有了較大的提高。BP神經網絡中也存在著一些不足，表現在其網絡的魯棒性和容錯性不夠，在對故障進行判斷和檢測時，不能有效地確保其準確性。此外，這種算法的收斂速度不快，在選擇網絡隱層節(jié)點中還沒有形成完善的配套理論。這些都在某種程度上對其應用造成了影響。

第二，ART神經網絡?；谌斯ど窠浘W絡技術的ART神經網絡，廣泛的應用在對圖像、語音。文字等的識別過程中。其在某些工業(yè)產業(yè)中也普遍應用，主要應用在對系統(tǒng)的控制方面。例如，對故障判斷，問題預警和事故檢測等較為繁瑣的生產過程進行控制，進行數據挖掘，從有關的數據中找到能夠應用的數據。ART神經網絡在應用中的優(yōu)勢主要是其具有很強的穩(wěn)定性，能夠在環(huán)境變化的情況下穩(wěn)定的工作，其算法也十分簡單而且為快速。其缺點主要是在要求對參數和模型等進行準確的判斷時，其網絡的結構還需要進行完善。

第三，RBF神經網絡?；谌斯ど窠浘W絡技術的RBF神經網絡目前在建模、分類、函數近似、識別、信號處理等方面有著廣泛的引用。比于其他的神經網絡，RBF神經網絡的結構較為簡單，其在非線性的逼近上的效果較為顯著，收斂的速度也較快，能夠有效的對整體進行收斂。其存在的缺點是，在函數逼近方面還不夠完善，仍然要進行性改進。

第四，Hopfield神經網絡。作為反饋神經網絡的一種，Hopfield神經網絡能夠在連接性較高的神經網絡中進行集中自動的計算。目前其在工業(yè)產業(yè)中有著廣泛的應用。優(yōu)點是，對于一些線性問題，避免了只是用數學方法所帶來的繁瑣，在進行數模之間的轉化時，能夠快速準確的進行。

三、人工神經網絡技術的發(fā)展

人工神經網絡技術和理論的不斷發(fā)展和進步，在較多領域中，人工神經網絡技術引起了人們的關注。但是，目前在技術的運用和技術本身仍存在著一些問題。

人工神經網絡技術的發(fā)展，對數學領域的發(fā)展提出了要求，對有關的制造技術和科學技術也提出相應的要求，這就需要我們要加快與其相關的各種技術的快速發(fā)展，使這些技術能與人工神經網絡技術相互匹配。在發(fā)展人工神經網絡技術的同時，要加強與其它相關學科的相互聯系，這對于更好的發(fā)展人工神經網絡技術有著積極重要的作用。

第2篇：人工神經網絡發(fā)展范文

關鍵詞：人工神經網絡；產生；原理；特點；應用

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

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

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

人工神經的出現與發(fā)展，從而解決了對于那些利用其它信號處理技術無法解決的問題，已成為信號處理的強有力的工具，人工神經網絡的應用開辟了新的領域。二十世紀九十年代初，神經網絡的研究在國際上曾經出現一股熱潮，近年來有增無減，已廣泛應用在民用、軍用、醫(yī)學生物等各個領域。

1 神經網絡與人工神經網絡

1.1 神經網絡

神經網絡就是由多個非常簡單的處理單元彼此按某種方式相互連接而成的計算機系統(tǒng)。該系統(tǒng)是靠其狀態(tài)對外部輸入信息的動態(tài)響應來處理信息。

1.2 人工神經網絡

1.2.1 神經元模型的產生

神經元（神經細胞）是神經系統(tǒng)的基本構造單位，是處理人體內各部分之間相互信息傳遞的基本單元。每個神經元都由一個簡單處理作用的細胞體，一個連接其它神經元的軸突和一些向外伸出的其它較短分支——樹突組成。人的大腦正是擁有約個神經元這個龐大的信息處理體系，來完成極其復雜的分析和推導工作。

人工神經網絡（ARTIFICIALNEURALNETWORK，簡稱(A.N.N.）就是在對人腦組織結構和運動機智的認識理解基礎上模擬其結構和智能功能而構成的一種信息處理系統(tǒng)或計算機。二十世紀40年代初期，心理學家Mcculloch、數學家Pitts就提出了人工神經網絡的第一數學模型，從此開創(chuàng)了神經科學理論的研究時代。隨后F.Rosenblatt、Widrow和Hopf、J.J.Hopfield等學者先后又提出了感知模型，使人工神經網絡技術有了新的發(fā)展。

1.2.2 人工神經網絡的工作原理

人工神經網絡首先要以一定的學習準則進行學習，然后才能工作?，F以人工神經網絡對手寫“A”、“B”兩個字母的識別為例進行說明：為了討論方便，先規(guī)定當“A”輸入網絡時，應該輸出“1”，而當輸入為“B”時，輸出為“0”。因此網絡學習的準則應該是：如果網絡做出錯誤的判決，則通過網絡的學習，應使得網絡減小下次犯同樣錯誤的可能性。首先，給網絡各連接權值賦予（0，1）區(qū)間內的隨機值，將“A”所對應的圖像模式輸入給網絡，網絡將輸入模式加權求和、與門限比較、再進行非線性運算，得到網絡的輸出。在此情況下，網絡輸出是完全隨機的，“1”和“0”的概率各為50%。這時如果輸出為“1”（結果正確），則使連接權值增大，以便使網絡再次遇到“A”模式輸入時，仍然能做出正確的判斷。如果輸出為“0”（結果錯誤），則把網絡連接權值朝著減小綜合輸入加權值的方向調整，其目的在于使網絡下次再遇到“A”模式輸入時，減小犯同樣錯誤的可能性。如此操作調整，當給網絡輪番輸入若干個手寫字母“A”、“B”后，經過網絡按以上學習方法進行若干次學習后，網絡判斷的正確率將大大提高。這說明網絡對這兩個模式的學習已經獲得了成功，它已將這兩個模式分布地記憶在網絡中所含的神經元個數越多，則它能記憶、識別的模式也就越多。

1.2.3 人工神經網絡的特點

人工神經網絡的特點是高速信息處理能力和知識存儲容量很大。人工神經網絡同現行的計算機所不同的是，它是一種非線性的處理單元。只有當神經元對所有的輸入信號的綜合處理結果超出某一門限值后才能輸出一個信號。因此，神經網絡是一種具有高度非線性的超大規(guī)模連續(xù)時間動力學系統(tǒng)。它突破了傳統(tǒng)的以線性處理為基礎的數字電子計算機的局限，標志著人們智能信息處理能力和模擬人腦智能行為能力的一大飛躍。轉貼于 2 人工神經網絡的種類

人工神經網絡分為誤差逆?zhèn)鞑ド窠浘W絡（多層感知網絡）、競爭型(KOHONEN)神經網絡、前饋神經網絡和Hopfield神經網絡四種。

3 人工神經網絡的應用領域

3.1 民用領域

人工神經網絡在民用領域主要用于語言識別，圖像識別與理解，計算機視覺，智能機器人故障檢測，實時信息翻譯，企業(yè)管理，市場分析，決策優(yōu)化，物資調運，自適應控制，專家系統(tǒng)，智能接口，神經生理學，心理學和認知科學研究等。

3.2 軍用領域

人工神經網絡在軍用領域主要用于語音，圖像信息的錄取與處理，雷達、聲納的多目標識別與跟蹤，戰(zhàn)場管理與決策支持系統(tǒng)，軍用機器人控制，信息的快速錄取，分類與查詢，導彈的智能引導，保密通訊，航天器的姿態(tài)控制等。

3.3 生物醫(yī)學工程領域

人工神經網絡在生物醫(yī)學工程領域主要是解決用常規(guī)方法難以解決和無法解決的問題。在生物醫(yī)學信號的檢測和分析處理中主要集中對心電、腦電、肌電、胃腸電等信號的識別，腦電信號的分析，聽覺誘發(fā)電位信號的提取，Holter系統(tǒng)的心電信號數據的壓縮，醫(yī)學圖像的識別和數據壓縮處理。即廣泛應用和解釋許多復雜的生理、病理現象。例如：CT腦切片。人工神經網絡從MR圖像分割組織和解剖物體，如腫瘤。這種基于二次掃描的方法包括無指導聚類分析，維數減少和通過非線性拓撲映射的紋理特征可視化。采用后處理技術逼近貝葉斯判斷邊緣，然后用人和神經網絡的交互對這些結果進行優(yōu)化。

3.4 人工神經網絡在肺部CT片定量分析中的應用

肺部CT圖像定量分析是先通過計算ROI區(qū)域的紋理和其它形態(tài)學的特征，形成特征矢量，然后交由后續(xù)的神經網絡去進行分/聚類，從而達到定量分析的目的?，F以其中常用的BP網絡為例加以說明。由于BP網絡存在紋理特征的計算很費時間和很難找到對某一病理區(qū)域有特異性的紋理特征等參數的缺陷。Heitmann等直接使用了Kohonen自組織映射網絡（SOM）來對彌漫性肺病在HRCT中的典型征象——磨玻璃樣影（GGO）進行自動識別。他將一55大小的ROI的CT數值直接作為SOM網絡的輸入，經網絡聚類后，輸出結果的真陽性超過95%，但也有太多的非GGO區(qū)域被誤分成GGO區(qū)域，假陽性竟高達150——300%。特別是靠近胸膜和靠近氣管與血管處的區(qū)域最易被誤分類，而這類區(qū)域處的對比度比較高。也就是說單個SOM網絡無法清楚地區(qū)分GGO相對均質的區(qū)域和低密度肺組織靠近高密度結構處的強對比區(qū)域。鑒于以上情況，Heitmann又設計了一個包括三個簡單網絡的分層結構。其中：一個簡單網絡可以檢測幾乎所有正確的GGO區(qū)域以及高對比度處的假GGO區(qū)域，而另兩個網絡（一個針對靠近胸膜處的組織；另一個針對靠近氣管和血管處的組織）僅僅被訓練成高對比有反應，而真正的GGO區(qū)域則無法檢出。將這三個網絡的輸出以一定的邏輯規(guī)則（即三個網絡的輸出都為真，則該區(qū)域才是GGO）相連，最終結果比單個網絡的結果精確了許多，它去掉了約95%的假陽性區(qū)域。雖然一些強對比區(qū)域的真的GGO區(qū)域也不可避免地被移走，但真陽性仍在可接受的范圍內。實踐證明：那些被誤分類的區(qū)域實際上大多是肺內血管、氣管、胸壁或縱隔的部分容積效應，以及有心臟主動脈搏動或呼吸位移引起的運動偽影?？梢酝ㄟ^解剖結構信息來校正。

神經網絡的研究內容相當廣泛，反映了多學科交叉技術領域的特點。迄今為止，在人工神經網絡研究領域中，有代表性的網絡模型已達數十種，而學習算法的類型更難以統(tǒng)計其數量。神經網絡研究熱潮的興起是20世紀末人類科學技術發(fā)展全面飛躍的一個組成部分。它與多種科學領域的發(fā)展密切相關，縱觀當代新興科學技術的發(fā)展歷史，人類在征服宇宙空間、基本粒子、生命起源等科學領域的進程之中歷經了崎嶇不平之路。在以人為本的21世紀，我們將會看到探索人腦功能和神經網絡的研究將伴隨著重重困難的克服而日新月異，同時人工神經網絡在醫(yī)學領域的應用前景也會更加廣闊。

參考文獻

[1] 陳旭，莊天戈.肺部放射影像的定量分析[J].中國醫(yī)療器械雜志。2001，26（2）：117—118.

第3篇：人工神經網絡發(fā)展范文

關鍵詞：人工神經；網絡游戲程序；研究和設計；分析探究

中圖分類號：TP183 文獻標識碼：A 文章編號：1671-2064（2017）01-0044-01

近年來，在網絡游戲發(fā)展過程中，圖像的呈現質量已經提升到了一個極高的水平，人工智能游戲已經成為決定一款游戲成功與否的重要關鍵，并受到了游戲開發(fā)商的廣泛關注和高度重視。網絡游戲作為一種目標性、競爭性、互動性、情節(jié)性的娛樂作品，它的智能水平對游戲的質量和可玩性具有著直接的影響作用。因此，將計算機圖形學和人工智能有機的結合起來，把人工智能中的預測、路徑規(guī)劃、搜索、學習等技術有效的應用到網絡游戲的研發(fā)工作中去，不僅能夠提升游戲的質量和可玩性，同時還有利于促進游戲開發(fā)企業(yè)的發(fā)展。

1 人工神經網絡分析

人腦可以用一套較為獨特的方法來解決相關問題，并且還能夠從正反兩面的行為差異中進行學習，經過研究發(fā)現，人腦是由十萬種類的遺傳因子中的十萬億個細胞組合而成，人工神經網絡就相當于模擬人腦功能的一個數學模型。其中神經元作為人腦系統(tǒng)中處理基本信息的單元，是人體神經器官的重要組成部分，通過軸將各個神經元進行有效連接，而其他神經元的發(fā)送的信號能夠使當前神經元產生相應的反映，這一反映如果能夠達到特定的閾值，就會逐漸產生一種新的信號，并且沿著軸將信號傳輸到其他神經元[1]。人工神經網絡主要就是由各種節(jié)點相互連接組合形成的，節(jié)點類似于人腦的各個神經元細胞，會存在一些節(jié)點連接外部環(huán)境，主要負責相關的信息輸出和輸入工作，被稱作是輸出點或者輸入點，而另外一些網絡內部的節(jié)點，通常被稱作隱藏節(jié)點。隱藏節(jié)點的信息輸出通常是輸出節(jié)點的信息輸入，輸入節(jié)點的信息輸出通常是隱藏節(jié)點的信息輸入。

此外，人工神經網絡的主要核心思想就是對人類大腦神經系統(tǒng)功能進行模擬的機器學習的一種方法，并且通過對系統(tǒng)內部各個神經元的各種連接參數進行反復的調節(jié)，使得神經網絡系統(tǒng)得到訓練，并且在遇到一定情況時能夠做出最佳的反映[2]?？傊?，神經網絡作為一項發(fā)展較為成熟的技術，其在解決相關問題之后，將會使網絡游戲的智能化提升到一個全新的高度。

2 人工神經網絡中的游戲學習設計分析

與傳統(tǒng)方法相比，神經網絡解決問題的方式有著明顯的不同，其具有著較強的自主學習能力，經過不斷的學習，ANN可以從未知式中的各種復雜數據信息中發(fā)現規(guī)律[3]。這種神經網絡方法在很大程度上克服了傳統(tǒng)方法在分析中的復雜性以及各種模型函數選擇的困難，通過訓練對問題進行解答，ANN可以較為快速的建立解決問題的非線性和線性模型。如果想要人工神經網絡進行運作，首先就需要讓網絡進行學習，不斷的訓練網絡，幫助它獲取更多的知識信息，最后將這些信息有效的存儲起來。一旦完成相關的訓練和學習，就可以將知識有效的存儲在權值中。在游戲的開發(fā)過程中，將神經網絡模型看作是人物建模的基礎，通過對玩家將要進行的動作或者選擇的畫面場景進行預測，運用神經網絡進行信息存儲，并且在游戲的運行過程中要保證學習元素的有效運行，進而讓神經網絡潛移默化的學會相應的自適應技術，最終實現游戲的可玩性和趣味性，提升游戲的開發(fā)設計質量和效果，進而吸引更多的游戲玩家。

3 BP神經網絡游戲開發(fā)設計分析

在神經網絡的眾多模型中，BP算法是其中較為常用的一種神經網絡，一般分為輸入層、輸出層、中間層等三個部分，各個層之間按順序進行連接，因為中間存在隱含層，可以從中發(fā)現一定的學習規(guī)律，可以通過對這種網絡的有效訓練，進而形成一種較為復雜、多樣的決策界面[4]。同時，BP神經網絡具有一個強大的功能，其主要就是能夠封裝一個將信息輸入映射到信息輸出的非線性函數。假如不存在隱含層，那么神經網絡只能發(fā)現信息輸入與信息輸出之間存在的線性關系。但是，僅僅是為感知網絡增添一個隱含層還是遠遠不夠的，需要通過非線性激活函數為網絡連接提供相應的非線性元素。大多數的非線性函數基本上都能夠進行使用，但是多項式函數除外。

在游戲中，設置網絡作為神經網絡實現的基本步驟，可以將特定數據當做輸入訓練網絡，并且在游戲的具體輸入中進行實際應用。在游戲問題的神經網絡設計中，應該注意結構、學習、神經元特點等三個方面的因素。其中結構主要就是指要進行構造的神經網絡組織、連接方式以及基本類型。而且在神經網絡中節(jié)點數設計要遵循相關的原則就是越少越好。神經網絡中的節(jié)點數越多，那么神經網絡搜索正確解的空間范圍就越廣闊[5]。神經網絡中輸入節(jié)點數在一定程度上決定著模式匹配或網絡分類的變量數，例如，籃球類型的游戲中，運動員投籃命中、灌籃動作、球員分布、難度等級等變量數。

4 結語

總而言之，網絡游戲作為一種新型的娛樂方式，具有著較強的生活模擬性和互動性，深受廣大社會群眾的喜愛。因此，我國應該重視游戲產業(yè)的發(fā)展，不斷加大對網絡游戲的開發(fā)和設計，將神經網絡有效的應用到網絡游戲開發(fā)的實踐中去，尤其是BP神經網絡，它不僅可以預測玩家的行為，及時提供信息反饋，同時還能提高網絡游戲的可玩性和趣味性，提升游戲設計的整體質量和效果，有利于促進我國游戲開發(fā)產業(yè)的發(fā)展和進步。

參考文獻：

[1]余穎.基于神經網絡和遺傳算法的人工智能游戲研究與應用[D].湖南大學，2011.

[2]王淑琴.神經網絡和遺傳算法在游戲設計中的應用研究[D].東北師范大學，2014.

[3]f潭凱.神經網絡在即時戰(zhàn)略游戲中的應用[D].福州大學，2014.

第4篇：人工神經網絡發(fā)展范文

Abstract: Financial management decision support system (hereinafter referred to as the DSS) is to assist decision-makers at various levels realize financial management. It achieves scientific management through mainly the man-machine interactive way and the use of a lot of financial data and numerous model. Neural network is a complicated nonlinear network system, and it mainly consists of many processing units which are similar to neuron. The combination of financial management and neural network and decision support system can realize the automation of adaptive, associating and reasoning, and data mining, and make the financial management, decision-making, and execution more scientific, standardized, and intelligent.

關鍵詞： 財務管理；神經網絡；決策支持系統(tǒng)；專家系統(tǒng)

Key words: financial management；nerve network；decision support system （DSS）；expert system

中圖分類號：F275 文獻標識碼：A 文章編號：1006-4311（2012）03-0126-02

0 引言

DSS是80年代迅速發(fā)展起來的新型計算機科學。它是一個有著廣泛應用背景的十分熱門的交叉科學。神經網絡是一個具有高度非線性的超大規(guī)模連續(xù)時間的動力系統(tǒng)。結合神經網絡的智能決策支持系統(tǒng)是目前研究的前沿之一，它極具理論和使用價值。

財務管理的信息化、數字化是財務規(guī)范和科學管理的趨勢。與DSS的結合將更加有利于數據標準的統(tǒng)一，有利于數據采集的模塊化，有利于決策支持的科學化，有利于財務公開的透明化。

1 財務管理決策支持系統(tǒng)的研究現狀

決策支持系統(tǒng)經過二十多年的發(fā)展，形成了如圖1所示公認的體系結構。它把模型并入信息系統(tǒng)軟件中，依靠管理信息系統(tǒng)和運籌學這兩個基礎逐步發(fā)展起來。它為解決非結構化決策問題提供了相應的有用信息，給各級管理決策人員的工作帶來了便利。

從圖1可以看出決策支持系統(tǒng)體系結構可劃分為三級，即語言系統(tǒng)（LS）級、問題處理系統(tǒng)（PPS）級和知識系統(tǒng)（KS）級。其中問題處理系統(tǒng)級包括推理機系統(tǒng)（RS）、模型庫管理系統(tǒng)（MBMS）、知識庫管理系統(tǒng)（KBMS）及數據庫管理系統(tǒng)（DBMS）。知識系統(tǒng)級包括模型庫（MB）、知識庫（KB）及數據庫（DB）。

九十年代中期，興起了三個輔助決策技術：數據倉庫（DW）、聯機分析處理（OLAP）和數據挖掘（DM）。聯機分析處理是以客戶/服務器的方式完成多維數據分析。數據倉庫是根據決策主題的需要匯集大量的數據庫，通過綜合和分析得到輔助決策的信息。數據挖掘顧名思義，是為了獲得有用的數據，在大量的數據庫中進行篩選。人工智能技術建立一個智能的DSS人機界面，可進行圖、文、聲、像、形等多模式交互，人機交互此時變得更為自然和諧，人們能沉浸其中，進行合作式、目標向導式的交互方法。

從目前情況來看，財務決策支持系統(tǒng)的研究還處于初級發(fā)展階段，財務數據的保密性、特殊性決定了財務決策不能全部公開化、透明化，但隨著中央及國務院相關部門財務預決算數據的公開，財務決策系統(tǒng)及其支持系統(tǒng)和過程也將隨之公開，這就要求決策者充分利用財務知識和決策支持系統(tǒng)的知識“聰明”決策、合理決策、科學決策、規(guī)范決策。

2 財務管理神經網絡智能決策支持系統(tǒng)總體研究框架

2.1 神經網絡運行機制 神經網絡的著眼點是采納生物體中神經細胞網絡中某些可利用的部分，來彌補計算機的不足之處，而不是單單用物理的器件去完整地復制。

第一，神經網絡中的鏈接的結構和鏈接權都可以通過學習而得到，具有十分強大的學習功能；第二，神經網絡所記憶的信息是一種分布式的儲存方式，大多儲存在神經元之間的權中；第三，神經網絡部分的或局部的神經元被破壞后，仍可以繼續(xù)進行其他活動，不影響全局的活動，因此說，神經網絡的這種特性被稱作容錯性；第四，神經網絡是由大量簡單的神經元組成的，每個神經元雖然結構簡單，但是它們組合到一起并行活動時，卻能爆發(fā)出較快較強的速度來。

我們可以利用神經網絡的上述特點，將之應用于模式識別、自動控制、優(yōu)化計算和聯想記憶、軍事應用以及決策支持系統(tǒng)中。

2.2 財務管理神經網絡集成智能財務DSS的必然性 在企業(yè)經營管理、政府機構財務活動中，人們時常面臨著財務決策。人們往往需要根據有關的理論及經驗制定出一系列的衡量標準。這種評價是一個非常復雜的非結構化決策過程，一般都是由內行專家根據一定的專業(yè)理論憑經驗和直覺在收集大量不完全、不確定信息基礎上建立起多級指標體系。但在這種指標體系中，各種指標之間的關系很難明確，而且還受評價者的效用標準和主觀偏好所左右。因此，很難在指標體系和評價目標間建立起準確的定量或定性模型。因此，我們需要采用一種可處理不確定性、不完全性信息的評價方法以支持決策。自然，利用人工神經網絡構造系統(tǒng)模式來支持這類評價決策問題是目前財務管理智能決策支持系統(tǒng)的一種發(fā)展趨勢和必然趨勢[4]。

2.3 財務管理神經網絡集成智能DSS系統(tǒng)框架 神經網絡智能決策支持系統(tǒng)主要以知識、數據和模型為主體，結合神經網絡進行推理與數據開采。圖2給出了神經網絡智能決策支持系統(tǒng)研究框架[2]。研究中有兩個重點，即神經網絡推理系統(tǒng)和神經網絡數據開采系統(tǒng)。

2.3.1 神經網絡數據開采系統(tǒng) 神經網絡數據開采時利用神經網絡技術協助從數據中抽取模式。數據開采有五項基本任務：相關分析、聚類、概念描述、偏差監(jiān)測、預測。

常用的前饋式神經網絡，如BP網絡，可用于進行概念描述及預測。對向傳播（Counter Propagation，簡稱CP）神經網路可用來進行統(tǒng)計分析和聚類。

CP網絡是美國神經計算專家Robert Hecht-Nielsen提出的一種新型特征映射網絡，其網絡結構分輸入、競爭、輸出三層。該網絡吸取了無教師示教型網絡分類錄活、算法簡練的優(yōu)點，又采納了有教師示教型網絡分類精細、準確的好處，使兩者有機地結合起來。由競爭層至輸出層，網絡按基本競爭型網絡學習規(guī)則得到各輸出神經元的實際輸出值，并按有教師示教的誤差校正方法調整由競爭層至輸出層的鏈接權。經過這樣反復地學習，可以將任意輸入模式映射為輸出模式。

2.3.2 財務管理神經網絡推理系統(tǒng) 財務管理神經網絡推理系統(tǒng)主要利用神經網絡的并行處理機制來解決傳統(tǒng)推理方法中存在的“組合爆炸”、“無窮遞歸”，等問題。在神經網絡系統(tǒng)中，計算與存儲時完全合二為一的，即信息的存儲體現在神經元互連的分布上，并以大規(guī)模并行方式處理。流動的過程就是從部分信息找到全部信息的過程，這就是聯想記憶的基本原理。若視動力系統(tǒng)的穩(wěn)定吸引子為系統(tǒng)計算能量函數的極小點，系統(tǒng)最終會流向期望的最小點，計算也就在運動過程中悄悄地完成了。因而，可用雙向聯想記憶（BAM）網絡或CP網絡實現并行推理。CP網絡具有特殊的聯想推理映射功能。將輸入學習模式和期望輸出模式取為同一模式，且將之分為X和Y兩部分。網絡通過提供的樣本對進行充分的學習后，就可用來進行模式間的聯想推理。

3 財務管理神經網絡智能DSS研究展望

當前世界上最熱門的研究課題，是模仿人類的思維方式來解決實際問題。專家系統(tǒng)和人工神經網絡是比較常用的技術，但由于自身的局限性，它們都側重于人類思維方式的某一方面。平時解決簡單的問題的時候還好，但真遇到解決復雜的問題的時候，它就顯得力不從心了，所以，這個時候我們可以將兩種技術結合起來解決，除了它們要自身不斷發(fā)展和完善外，還要注重兩者的協調配合，神經網絡DSS未來的發(fā)展趨勢就是依靠這兩種技術不斷結合，從而能幫助我們解決更多的實際問題。

3.1 財務管理神經網絡支持專家系統(tǒng) 常見的財務管理神經網絡支持專家系統(tǒng)主要包括幾個方面：知識維護、知識表示、知識獲取、推理等，我們針對各個步驟展開討論。

3.1.1 知識維護。如果知識是通過人工神經網絡來獲取的，我們就可以同樣利用人工神經網絡，來讓維護工作變得更加方便快捷，維護可以通過人工神經網絡來自動完成，我們需要做的只是重新運行網絡模塊，或者重新訓練網絡模塊，又或是增加新的網絡模塊。

3.1.2 推理。一般的專家系統(tǒng)只是求解專門性問題，應用的領域非常狹窄，同時由于控制策略不靈活，推理方法簡單，容易出現一些這樣或那樣的問題，推理效率低、速度慢。人工神經網絡可以解決這一問題，從根本上提升工作效率，提高工作速度，它可以拓展知識空間，不只局限在狹窄的領域。

3.1.3 知識表示。很多專家知識事實上很難用規(guī)則表示出來，但在現實工作中，我們大部分財務管理專家卻都采取這種方式，無論是直接的還是間接的。其它的知識表示方法也存在著同樣的問題。為了解決這一問題，我們可以采用人工神經網絡系統(tǒng)來將知識提供給專家系統(tǒng)，這樣做就可以避免這一問題，當專家系統(tǒng)需要相應知識時，就不需要用規(guī)則來表示知識，直接調用人工神經網絡就可以了。

3.1.4 知識獲取。人工神經網絡可以幫專家系統(tǒng)來獲取知識，知識獲取是通過人機對話的形式進行的。首先，專家系統(tǒng)向專家提出問題，人工神經網路則負責對這些信息進行收集、處理，在人工神經網絡的聯結權值中已經具有通用的知識，所以這一步驟會很方便，之后再產生相應的數據結果。接著，專家系統(tǒng)在對這些數據進行進一步的分析。在這一過程中，專家系統(tǒng)只運用很少的規(guī)則就可以獲得相關的知識，大大提高了工作效率。

3.2 財務管理專家系統(tǒng)支持神經網絡 財務管理專家主要通過三種方式來對神經網絡提供必要的支持：第一，提供相應的必要的解釋；第二，進行預處理；第三，聯合應用。

3.2.1 解釋。作為專家系統(tǒng)的人工神經網絡，它做不到同其他專家系統(tǒng)那樣，具體詳細地跟蹤問題求解的過程，以獲得答案的原因，它只能依靠增加一個小型的專家來解決這一問題，以獲得答案的原因，這個專家系統(tǒng)可以反向推理，從結果到初始輸入，系統(tǒng)提供具體的解決方法。

在這種模式中，經過訓練的人工神經網絡來解決問題。當用戶要求解釋的時候，就可以通過網絡輸入一個并行的專家系統(tǒng)。

3.2.2 預處理。對于人工神經網絡來說，處理數據這項工作比較難。專家系統(tǒng)可以幫助人工神經做好這些工作：選擇合適的收斂算法，確定訓練神經網絡的樣本的數量，選擇合適的神經網絡。收集正確數據的工作，對于人工神經網絡來說至關重要，事先對它們進行預處理，可以確保各項工作順利的完成。

3.2.3 聯合應用。將一個復問題分解為幾個子問題，如下圖3所示，再將各個子問題來逐個解決，這就是我們所常說說的聯合應用方法。它可以直接采用人工神經網絡、專家系統(tǒng)以及其種可能的方法來解決問題，指導實際應用。

我們當前計算機所要解決的主要問題，是如何解決半結構化和非結構化的決策等問題，它是人們在日常生活中所經常遇到的，在財務活動中會大量存在。如何更科學、更合理地處理這些問題是我們當前工作的主要方向。運用人工神經網絡技術處理半結構化和非結構化的決策是一種智能化的求解方式。但是此種方式并不是完美無缺的，它還存在著一定程度上的缺點，我們只有改善這種技術上的不成熟，將智能化研究進行到底，才能讓神經網絡決策支持系統(tǒng)的研究出現新的進展。

參考文獻：

[1]陳文偉.智能決策技術.電子工業(yè)出版社，1998年.

[2]鐘義信.智能理論與技術——人工智能與神經網絡.人民郵電出版社，1992年.

第5篇：人工神經網絡發(fā)展范文

關鍵詞：神經網絡 網絡方法 環(huán)境色譜法 多個節(jié)點 信息模型

中圖分類號：X83 文獻標識碼：A 文章編號：1674-098X（2017）05（a）-0126-02

從近幾年在國內神經網絡的使用來看，在環(huán)境監(jiān)測中也有著非常良好的效果。無論是從色譜法、光譜法還是整個環(huán)境的評價都帶來了很多新的成果。該文主要是通過對神經網絡相關分類的闡述，結合神經網絡在環(huán)境監(jiān)測中的應用效果，希望能給神經網絡對環(huán)境監(jiān)測中做一些回顧和總結[1]。

1 網絡方法類別

由于著重的角度關系，網絡法會有多種不同的類別，由于神經網絡是多個節(jié)點的連接，有相當多復雜的算法，基于神經網絡，可以總共闡述兩大類的情況，包括有管理和無管理的網絡方法。關于這兩種的不同點就在于它們是否需要對現有的樣本進行訓練。有管理的網絡方法是需要訓練，而無管理的網絡方法是無需進行訓練，它需要與其他的化合物相結合使用，里面會涉及到網絡與遺傳法、偏最小二乘法等分析方法來進行分析比較。另外根據網絡的結構不同，也可以把網絡方法給分成前向和后向的網絡方法，而如果是從網絡活動方式的差別，也可以將其分為隨機和確定兩種網絡方法。

2 關于環(huán)境監(jiān)測的化學方面的應用

在化學方面，國內與有很多用于化合物的一些研究，比如一些有機結構分析，還有化學反應、蛋白質結構等等的分析。在進行定量的構效關系分析中，可以把釀酒的酵母菌來作為一種模型的指示物，建立相關網絡模型，然后對生物的毒性進行進一步預測，當然，在分析過程中還存在著很多的問題，通過比較一些網絡模型，然后計算它們之間的權值，再篩選相出相應的參數，學者們在分析的時候也會對多層前傳網絡進行探討分析，盡量減低誤差，通過多方向的非線性校準，并且進行數據解析，然后表明引射能力，通過建立神經網絡來不斷接近規(guī)律的程度，擬定相關的指標數[2]。

3 分光光度的方法應用

在化學分析進程中，通過多元校正和分辨是相對來說較好的一種方法。隨著相關方法的不斷普及，目前大多數是使網絡和現有的紫外光譜法相互關聯，利用線性網絡、BP網絡等來用于多個分組的報道[3]。鄧勃等[4]學者在分析的時候，認為除了人工神經網絡，迭代目標轉換因子的分析法相比較起來也是一種不錯的選擇，兩種方法各有優(yōu)勢，并且產生的網絡法的誤差一般都不會很大。孫益民等專家在分析時，利用現有的人工神經網絡先后側出的光度法，并且可以測定比如銅、鎳，并且這個分析方式非常的簡單和方便[5]。

4 神經網絡對X射線中的熒光光譜法的應用

研究人員通過神經網絡建立與X射線熒光譜譜法的關系，通過多個不同的神經網絡來應用，可以通過他們之間的連接來測定酸溶鋁，通過神經網絡的設置，可以測定里面的最低的鋁值，通過神經網絡與BP的網絡模型的設立，可以直接輸入測出來的鋁含量情況，然后通過鋁含量來側出酸溶出來的鋁的數值。BP模型可以結合現有的神經網絡系統(tǒng)，充分的在現有的信息模型上應用，通過利用網絡神經的結構，不僅可以做一些化學分析，還可以通過神經網絡來檢測環(huán)境監(jiān)測中涉及到的紅外譜圖等的分析，這為環(huán)境分析提供了非常有意義的方向，并且給環(huán)境監(jiān)測提供了新的檢測方法[6]。

5 環(huán)境監(jiān)測中的色譜法的研究

在關于色譜法的研究中，人工神經網絡也有可以應用的方向[7]。色譜法中的小波分析，與人工神經網絡的結合，小波分析的主要目的是為了得到重疊的色譜峰的信息，運用神經網絡分析之后，可以在其中建立相關的模型，通過兩者的結合來分開重疊的色譜峰信息，眾所周知，把重疊色譜分開是一個非常復雜的工程，它們之間需要運用大量的元素來分開，效率極低，極其浪費時間。因為其內里復雜的重疊組織，而現在，人工神經網絡為其分離提供了一種新的嘗試[8]，不僅如此，通過人工神經網絡的方法不僅可以分離，而且可以在分離之后得到更加精確的色譜信息。研究工作者在模擬退火神經網絡的時候，會運用藥物來優(yōu)化整個分離的條件，這對于提高色譜精確度也非常有效。

6 環(huán)境監(jiān)測中的評價

通過之前提到的BP網絡，通過介紹與人工神經網絡模型的結合，來闡述了整個模型應用的原理，通過綜合相關的分析方法可以對環(huán)境監(jiān)測中的適用性進行分析評價，這樣表現出來的結果會更加客觀。研究者可以從有預測模型中表現的結果，在水庫里進行抽樣，提取水庫中的相關元素進行預測，確認是否與實際結果一致，可以通過建立人工神經網絡來對水質中的污染指數進行評價，然后得出相應的成果。

7 結語

人工神經網絡在整個環(huán)境監(jiān)測中有著非常重要的作用，它擁有一些比較有意義特性，總共可以總結為以下3個方面：第一，人工神經網絡具有自學習的特性?？梢酝ㄟ^大量的圖像來設計，進行相關的圖像識別，把不同的幾個圖像進行整合分析，并且把與之相互對應的結果嵌入到神經網絡系統(tǒng)中，系統(tǒng)會根據自己特有的自學功能，對以后相關的圖像進行識別操作，它可以給人們提供一些預測結果，甚至在未來的無論是經濟還是政治等方面提供一些預測，預測經濟和市場，給未來的發(fā)展提供引導。第二，系統(tǒng)具有可存儲的特性。人工神經網絡里面包含了一種反饋的功能，而通過輸入信息和模型整合，聯系不同元素之間的關系，得出一些可能的聯想信息。最后，神經網絡還有一項功能便是優(yōu)化得出答案的能力。

一般問題的因果關系都會涉及到多個方面，那么如何在多個元素中抽絲剝繭，不斷地優(yōu)化整個系統(tǒng)，是神經網絡的一個主要的功能，它可以通過計算來得到最優(yōu)化的解，即便其中的運算量牽連的比較多，但是結合神經網絡中反饋聯想的功能，再包括計算機強大的運算效率，那么得到答案有時候也是比較容易的。

人工神經網絡在環(huán)境監(jiān)測中表現的效果比較好，但是除此之外，在其他領域，運用神經系統(tǒng)也可以得到一些相關的數據，比如經濟領域，它可以通過建立信息模型，來進行市場預測和風險評估，這些都是很好的應用方式。在未來的實踐中，隨著經驗的積累，神經網絡的應用在環(huán)境監(jiān)測中會不斷地深入，通過在色譜、光度等領域的剖析，為未來的環(huán)境監(jiān)測效果提供了更多的可能性。

參考文獻

[1] 黃勝林.遺傳優(yōu)化神經網絡在大壩變形監(jiān)測中的應用[D].遼寧工程技術大學，2012.

[2] 熊勛.人工神經網絡在環(huán)境質量評價和預測中的應用研究[D].華中科技大學，2009.

[3] 王學.無線傳感器網絡在遠程環(huán)境監(jiān)測中的應用[D].山東師范大學，2011.

[4] 武藝.人工神經網絡在土壤質量監(jiān)測中的應用[D].浙江海洋學院，2015.

[5] 黃湘君.基于主成分分析的BP神經網絡在電力系統(tǒng)負荷預測中的應用[J].科技信息：科學?教研，2008（16）：313-314.

[6] 李春梅，周驥平，顏景平.人工神經網絡在機器人視覺中的應用[J].制造業(yè)自動化，2000（9）：33-36，49.

[7] 涂曄，車文剛.BP神經網絡在福利彩票預測中的應用[A].中國智能計算大會[C].2009.

[8] 李巖，韓秋，鄭萬仁.BP神經網絡在電力需求決策中的應用[J].現代經濟信息，2009（22）：325-326.

第6篇：人工神經網絡發(fā)展范文

關鍵詞:農村電力;BP算法;人工神經網絡;回歸分析

中圖分類號:TM855文獻標識碼:A

文章編號:1009-2374 (2010)22-0138-03

0引言

農村用電具有很大的不確定性,農村電力短期負荷預測研究對農村電力系統(tǒng)的安全及農業(yè)安全生產有十分重要的意義?；诙唐谪摵深A測研究理論和方法已做了大量預測研究,提出了很多方法,大致可以分為兩類:一類是以時間序列法為代表的傳統(tǒng)方法,如時間序列法等,這些方法算法簡單,速度快,應用廣泛,但由于其本質上都是線性模型方法,因此存在著很多缺點和局限性,無法真實地反映農村電力系統(tǒng)不同負荷模型的非線性特性;另一類是以人工神經網絡為代表的新型人工智能方法,神經網絡具有并行分布信息和自學習及任意逼近連續(xù)函數的能力,能夠捕獲農村電力短期負荷的各種變化趨勢。BP網絡需要大量歷史數據進行訓練,且學習及處理不確定性和人工信息的能力較差。人工邏輯系統(tǒng)適用于處理不確定性、不精確性及噪聲引起的問題。實踐證明,將BP算法和神經網絡融合的人工神經網絡能發(fā)揮各自的優(yōu)勢,克服各自的不足是一種有效的方法。

1農村電力短期負荷預測研究算法

基于負荷預測方法主要有回歸分析法、時間序列法、指數平滑法、灰色模型法、專家系統(tǒng)法、人工神經網絡法、小波分析預測技術和數據挖掘理論等。

1.1回歸分析法

回歸分析法是研究變量與變量之間的一種數學方法。在回歸分析中,自變量是隨機變量,因變量是非隨機變量,由給定的多組自變量和因變量資料,研究各自變量和因變量之間的關系,形成回歸方程,求解回歸方程后,給定各自變量數值,即可求出因變量值?；貧w分析法根據歷史數據和一些影響負荷變化的因素變量來推斷將來時刻的負荷值?；貧w分析法的特點是:原理、結構簡單,預測速度快,外推特性好,對于歷史上未出現過的情況有較好的預測值。

1.2灰色模型法

灰色系統(tǒng)理論將一切隨機變化量看作是在一定范圍內變化的灰色量。常用累加生成(AGO)和累減生成(IAGO)的方法將雜亂無章的原始數據整理成規(guī)律性較強的生成數據列。用灰色模型(GM)的微分方程作為農村電力系統(tǒng)單一指標(如負荷)的預測時,求解微分方程的時間響應函數表達式即為所求的灰色預測模型,對模型的精度和可信度進行校驗并修正后即可據此模型預測未來的負荷。

1.3專家系統(tǒng)法

專家系統(tǒng)是依據專門從事短期負荷預測的技術人員提供的經驗,總結出一系列的規(guī)則,并建立相應的歷史負荷和天氣的數據庫,利用if-then規(guī)則對待預測日的負荷進行估計。由于專家系統(tǒng)將天氣條件作為一個重要因素引入預測模型,因而預測的結果更為令人滿意。專家系統(tǒng)預測的優(yōu)點在于較好的解決了天氣等因素對負荷的影響,有力的克服了時間序列法不能處理數據序列中出現大擾動的情況。但是這種方法過分依賴規(guī)則,如果沒有一系列成熟的規(guī)則負荷預測就無法進行,而規(guī)則本身不具有普遍適應性,預測模型不能推廣到所有的系統(tǒng),這正是專家系統(tǒng)存在的弱點。

1.4人工神經網絡法

人工神經網絡方法是90年代以來發(fā)展起來的新方法,用人工神經網絡進行負荷預測是農村電力系統(tǒng)負荷預測的一個新發(fā)展方向。人工神經網絡法利用人工神經網絡(ANN),選取過去一段時間的負荷作為訓練樣本,然后構造適宜的網絡結構,用某種訓練算法對網絡進行訓練,使其滿足精度要求之后,用ANN作負荷預測。一般而言,ANN應用于短期負荷預測要比應用于中長期負荷預測更為適宜,因為短期負荷變化可以認為是一個平穩(wěn)隨機過程,而長期負荷預測與國家或地區(qū)的政治、經濟政策等因素密切相關,通常會有些大的波動,而并非是一個平穩(wěn)隨機過程。目前用人工神經網絡進行負荷預測還存在一些問題,比如模型結構的確定,輸入變量的選取,人工神經網絡的學習時間較長等問題。但它仍具有許多其他方法所不能比擬的優(yōu)點,例如:良好的函數逼近能力,通過對樣本的學習,能夠很好的反映對象的輸入/輸出之間復雜的非線性關系。因此人工神經網絡受到許多學者的高度評價。

1.5小波分析預測技術

小波分析是Fourie分析深入發(fā)展過程中的一個新的里程碑,是本世紀數學研究成果中最杰出的代表,已成為眾多學科共同關注的熱點。一方面,小波分析發(fā)揚了Foufie分析的優(yōu)點,克服了Fourie分析的某些缺點;另一方面,小波分析現在已經被廣泛應用于信號處理、圖像處理、量子場論、語言識別與合成、地震預報、機器視覺、機械故障診斷與監(jiān)控、數字通信與傳輸等眾多領域。原則上講,凡是傳統(tǒng)方法中采用Fourier分析的地方,基本上都可以用小波分析來取代,而且其應用結果會得到深化和發(fā)展,因此小波分析作為一種多方面運用的數學工具,具有巨大的潛力和廣泛的應用前景。

農村電力系統(tǒng)中曰負荷曲線具有特殊的周期性,負荷以天、周、年為周期發(fā)生波動,大周期中嵌套小周期。而小波分析是一種時域或頻域分析方法,它在時域和頻域上同時具有良好的局部化性質,并且能根據信號頻率高低自動調節(jié)采樣的疏密,容易捕捉和分析微弱信號以及信號、圖像精細的采樣步長,從而可以聚焦到信號的任意細節(jié),尤其是對奇異信號很敏感,能很好的處理微弱或突變的信號,其目標是將一個信號的信息轉化成小波系數,可以方便的處理、存儲、傳遞、分析或被用于重建原始信號,這些優(yōu)點決定了小波分析可以有效地應用于負荷預測問題的研究。

1.6模糊預測法(FUZZY)

FUZZY預測,是近幾年來在農村電力系統(tǒng)負荷預測中不斷出現的一種預測方法,將FUZZY方法引入的原因是,農村電力系統(tǒng)中存在著大量的模糊信息,如負荷預測中的關鍵因素氣象狀況的評判、負荷的日期類型的劃分等信息,都是模糊的。常規(guī)方法就是采用統(tǒng)計和經驗相結合的方法予以處理,這給負荷預測引入了不科學因素,并且與自動化要求相矛盾,而FUZZY方法正是破解這些模糊信息的鑰匙。從實際應用來看,單純的FUZZY方法對于負荷預測的精度往往是不盡人意的,主要因為FUZZY預測沒有學習能力,這一點對于不斷變化的農村電力系統(tǒng)而言,是極為不利的。

2農村電力短期負荷預測研究與實現

2.1人工神經網絡原理

人工神經網絡是一種“采用物理可實現的系統(tǒng)來模仿人腦神經細胞的結構和功能的系統(tǒng)?！比斯ど窠浘W絡是最近發(fā)展起來的十分熱門的交叉學科,它涉及生物、電子、計算機、數學和物理學科,有著非常廣泛的應用背景,這門學科的發(fā)展對日前和末來的科學技術的發(fā)展有重要的影響。二維的簡單人工神經網絡按網絡拓撲結構可分為兩類:前饋型網絡和反饋型網絡。反饋型網絡模型是一種反饋動力學系統(tǒng),它具有極復雜的動力學特性。反饋神經網絡模型可以用完備的無向圖表示,代表性的模型包括;Hopfield網絡模型和Hamming網絡模型。反饋神經網絡模型有很強的計算能力。前饋神經網絡模型是指那些在網絡中各處理單元之間的連接都是單向的,而且總是指向網絡輸出方向的網絡模型。

2.2BP人工神經網絡算法

基于BP網絡學習規(guī)則的指導思想:對網絡權值和閾值的修正要沿著表現函數下降最快的方向――負梯度方向。

xk+1=xk-akgk (1)

其中xk是當前的權值和閾值矩陣,gk是當前表現函數的梯度,ak是學習速度。假設三層BP網絡,輸入節(jié)點,隱層節(jié)點,輸出節(jié)點。輸入節(jié)點與隱層節(jié)點間的網絡權值為,隱層節(jié)點與輸出節(jié)點間的網絡權值為。當輸出節(jié)點的期望值為時,模型的計算公式如下:

隱層節(jié)點的輸出:

yj=f(wjixi-θj )=f (netj) (2)

其中netj=wjixi-θj (3)

輸出節(jié)點的計算輸出:

zl=f(vljyj-θl)=f (netl) (4)

其中netl=vlj yj-θl (5)

輸出節(jié)點的誤差:

E=(tl-zl)2=(tl-f(vljyj-θl))2

=(tl-f(vljf(wjixi-θj)-θl))2 (6)

E=(tI-zi)2=(tI-zi)

2.3誤差函數對輸出節(jié)點求導

=?=? (7)

E是多個zk的函數。但有一個zk與vlj有關,各zk間相互獨立,其中:

=[-2(tk-zk)?]=-(tl-zl) (8)

=?=f '(netl)?yj (9)

則=-(tl-zl)?f '(netl)?yj (10)

設輸入節(jié)點誤差為δl=(tl-zl)?f '(netl) (11)

則=-δl?yj (12)

2.4誤差函數對隱層節(jié)點求導

=?? (13)

E是多個zl的函數,針對某一個wji,對應一個yj,它與所有zl有關,其中:

=[-2(tk-zk)?]=-(tl-zl) (14)

=?=f '(netl)?(-1)=f '(netl)?vlj (15)

=?=f '(netl)?xi (16)

則=-(tl-zl)?f '(netl)?vlj?f '(netj)?xi=δlvlj?f '(netj)?xi(17)

設隱層節(jié)點誤差為δj'=f '(netj)?δlvlj (18)

則:=-δj'xi (19)

由于權值的修正Δvlj,Δwji正比于誤差函數沿梯度下降,則有:

Δwji=-η'=η'δj'xi (20)

vlj(k+1)=vlj(k)+Δvlj=vlj(k)+ηδlyj (21)

δl=-(tl-zl)?f '(netl) (22)

Δθl=η=ηδl (23)

wji(k+1)=wji(k)+Δwji=wji(k)+η'δj'xi (24)

δj′=f '(netj)?δlvlj (25)

其中隱層節(jié)點誤差δj′中的δlvlj表示輸出節(jié)點的zl的誤差δl通過權值vlj向節(jié)點yj反向傳播成為隱層節(jié)點的誤差。

2.5 閾值θ也是變化值,在修正權值的同時也需要修正,原理同權值修正一樣誤差函數對輸出節(jié)點閾值求導

=? (26)

其中=-(tl-zl) (27)

=?=f '(netl)?(-1)=-f '(netl) (28)

則=(tl-zl)?f '(netl)=δl (29)

閾值修正Δθl=η=ηδl (30)

θl(k+1)=θl(k)+ηδl (31)

誤差函數對隱層節(jié)點閾值求導=??(32)

其中=-(tl-zl) (33)

=f '(netl)?vlj (34)

=?=f '(netj)?(-1)=-f '(netj) (35)

則=(tl-zl)?f '(netl)?vlj?f '(netj)=δlvlj?f '(netj)=δj' (36)

閾值修正Δθj=η' =η'δj' (37)

θj(k+1)=θj(k)+η'δ'j (38)

2.6傳遞函數f(x)的導數S型函數

f (x)=,則f ' (x)=f (x)?(1-f (x)) (39)

f ' (netk)=f (netk)?(1-f (netk)) (40)

對輸出節(jié)點zl=f (netj) (41)

f ' (netj)=zl?(1-zl) (42)

對輸出節(jié)點yj= f (netj) (43)

f ' (netj)=yj?(1-yj) (44)

3結語

基于一種新的基于人工神經網絡在農村電力短期負荷預測研究。針對BP算法中存在的收斂速度慢、易陷入局部最小值的問題,可采用附加動量法和自適應學習速率法在一定程度上解決這些問題。附加動量法是在BP算法的基礎上,在每個權值變化上加上一項正比于上一次權值變化量的值,并根據BP算法來產生新的權值變化,利用附加動量法可能會避開某些局部最小值。自適應學習速率法是在學習過程中不斷修正學習速率,有利于提高學習效率,縮短學習時間。

參考文獻

[1] 劉光中,顏科琦.組合神經網絡模型對電力需求的預測[J].數量經濟技術經濟研究,2003,(1)

第7篇：人工神經網絡發(fā)展范文

【摘要】  目的：應用bp人工神經網絡原理，設計一種類風濕關節(jié)炎疾病診斷的方法。方法：選用對類風濕關節(jié)炎敏感的8個指標，作為bp人工神經網絡的輸入數據，對樣本進行訓練和預測。結果：bp人工神經網絡經通過對150例樣本的運算，訓練集的113例樣本，訓練正確率為97.4%;預測集的37例樣本，預測正確率為91.9%。結論：bp人工神經網絡能為類風濕關節(jié)炎作出較準確的診斷，能提高診斷的客觀性。

【關鍵詞】  人工神經網絡; 類風濕關節(jié)炎; 預測

類風濕關節(jié)炎(rheumatoid arthritis ,ra)是一種以關節(jié)滑膜發(fā)生慢性炎性病變的自身免疫性疾病，其病程多呈進行性進展，致殘率高，治愈率低下[1]，早期臨床表現不典型，單項自身抗體檢測的靈敏度和特異性均有不足，類風濕因子的檢出率也偏低，容易造成誤診[2，3]。因此醫(yī)務人員主要是通過敏感性互補的幾個檢驗指標和臨床表現對類風濕關節(jié)炎作出診斷[4]，但在疾病的診斷中往往帶有很多的主觀因素。近年來發(fā)展起來的人工神經網絡是種理論化的數學模型,是模仿人腦神經的網絡結構及其功能而建立起來的一種信息處理系統(tǒng)，具有自行學習、聯想記憶、錯誤容納和強大的非線性處理能力[5]。因此人工神經網絡常常被應用到臨床醫(yī)學疾病的診斷上。本研究結合類風濕關節(jié)炎診斷的8個主要指標，設計一種基于人工神經網絡類風濕關節(jié)炎的診斷方法，通過對150例樣本的網絡運算，探討了人工神經網絡對類風濕關節(jié)炎診斷的可行性。

1 人工神經網絡基本原理

人工神經網絡可以通過對外界信息的學習，以特定的方式對這些信息進行處理和概括，從而具備了對這些信息的識別功能，并產生了一個相對應的結論。因此，再次給人工神經網絡這樣一個相似的條件時，神經網絡就會根據已學到的知識，自行推理判斷，得到一個我們需要的結果。

1.1 人工神經元

人工神經元是組成人工神經網絡的基本處理單元，簡稱為神經元。如圖1顯示了一個具有r個輸入分量的人工神經元模型[6]。

圖1中p(r=1，2，…，r) 為該神經元的輸入數據;wr 為該神經元分別與各輸入數據間的連接強度，稱為連接權重，權重值的大小代表上一級神經元對下一級神經元的影響程度。b為該神經元的閾值，f(x)為作用于神經元的激勵函數，通常采用的是s 型函數，其數學表達式見式(1)[7]：

f(x)=(1+e-qx)-1(1)

a為神經元的輸出數據。神經元將接收信息pi與連接權重wi 的點乘積求和構成其總輸入, 在神經元閾值b的作用下經函數f(x)的作用,產生信號輸出a。

圖1 人工神經元模型

1.2 人工神經網絡

人工神經網絡是由多個不同的神經元連接而成，一般含有多個層次，每個層次又包含了多個神經元，上一層次的神經元只能對下一層的神經元產生作用，同層神經元間無相互作用[7]。根據神經元的不同連接方式，就形成了不同功能的連接網絡模型。比如bp神經網絡，kohonen神經網絡，hopfield神經網絡等等，多達數十種。在醫(yī)學中應用比較廣泛的是bp神經(back propagation)，也就是誤差逆向傳遞網絡[8]，本研究中采用的也是bp神經網絡。bp神經網絡一般由輸入層，隱含層和輸出層構成，其結構模型如圖2所示。

神經網絡輸入層的神經元是接受外界信息的端口，不包括數據運算功能，他將外界的輸入數據通過一個連接權重傳遞給下一隱含層的神經元。隱含層是神經網絡的核心部分，數量上可以有一個或多個層次，隨著層次的增多，網絡結構變得更復雜，網絡數據處理功能也增強。網絡的最后一層是輸出層，輸出層接收到隱含層的各項信息，然后經過轉換把信息傳給外界。

輸入層 隱含層 輸出層

圖2 bp人工神經網絡模型

1.3 人工神經網絡工作原理

為了解決臨床上對疾病的預測或識別等問題，神經網絡主要是通過學習來獲取"知識"或"經驗"的，這一過程總體上可分為訓練和預測兩個階段。所謂訓練就是形成一種病因與疾病之間的函數映射關系，即給定一個實際輸出與期望輸出的目標誤差值，將病人的各種病因、實驗室檢查、影像超聲檢查、臨床表現等作為網絡的輸入信息加到其輸入端，輸入信息經過隱含層神經元的處理后，傳遞給輸出層。如果輸出層得到的結果大于預先給定的誤差目標值時，神經網絡將這種誤差信號沿原來的傳遞路線逐層返回，并調節(jié)各個層次間神經元連接的權重值，這種過程不斷交替進行，直到誤差達到目標值時，訓練過程結束。經過訓練可使疾病的各種情況分布到連接權上, 使學習后的網絡權重值存儲了臨床癥狀和疾病類型等相關的知識，此時可以認為神經網絡建立起了病人的各種因素與該病人是否患有某種疾病的映射關系，這種映射關系就是一個預測疾病的判別函數。預測就是檢驗判別函數的可靠程度，利用一些未包括在訓練集中的樣本構成預測集，將預測集中與疾病相關的數據輸入到訓練好的網絡中去，在訓練階段所得到的判別函數的作用下，就可以得到一個測試結果，從網絡的輸出端就可以診斷病人是否為疾病患者。

2 人工神經網絡診斷類風濕關節(jié)炎實例

2.1 病例選取及變量確定

實驗數據來源于哈爾濱醫(yī)科大學附屬醫(yī)院，總共有150例。其中類風濕關節(jié)炎患者83例，女71例，占85.5%;男12例，占14.5%。年齡范圍為20～79歲，平均年齡為48.92歲。所有患者均符合1987年美國風濕病協會修訂的類風濕關節(jié)炎診斷標準。用來作正常對照的有67例，其中女62例，占92.5%;男5例，占%7.5，年齡范圍為18～79歲，平均年齡為43.63歲。病人資料主要包括臨床癥狀與體征，相關實驗室檢查，相應影像學檢查。

根據中華醫(yī)學會風濕病學分會制定的類風濕關節(jié)炎診斷指南，典型的類風濕關節(jié)炎按照1987年美國風濕病協會修訂的類風濕關節(jié)炎診斷標準來診斷并不困難，但某些不典型、早期類風濕關節(jié)炎，常常被誤診或漏診。2008年，胡勇等[9]通過研究發(fā)現，抗ccp抗體對類風濕關節(jié)炎的敏感性和特異性分別為80.0%和93.7 %，聯合抗ccp抗體和rf可以提高診斷的準確性,對類風濕關節(jié)炎的早期診斷有重要意義。因此為了提高神經網絡診斷各種類型類風濕關節(jié)炎的準確率，我們選取了x1(關節(jié)晨僵)、x2(對稱性關節(jié)炎)、x3(腕、掌指或者近端指間關節(jié)至少有一個關節(jié)腫)、x4(3個或者3個以上關節(jié)部位腫)、x5(關節(jié)x線改變)、x6(皮下結節(jié))、x7(rf )和x8(抗ccp抗體)這8個指標來作為神經網絡運算的輸入數據。其中x1、x2、x3、x4、x5、x6和x7這幾個輸入數據是1987年美國風濕病協會修訂的類風濕關節(jié)炎診斷標準所包含的內容，x8是為了提高對不典型、早期類風濕關節(jié)炎的診斷所采用的輸入數據。上述x1、x2、x3、x4、x5、x6是定性變量(離散變量)，臨床上常用陽性和陰性來描述，實驗中用1和0對這些變量進行賦值，當變量值為1時表示陽性，為0時表示陰性;而變量x7、x8是定量變量(連續(xù)變量)，用原始數據來描述。

2.2 確定訓練樣本及預測樣本

在以上150例樣本中(83例類風濕關節(jié)炎和67例正常對照)中分別選取63例類風濕關節(jié)炎和50例正常對照的樣本，用來組成訓練集，并用1～113的數字對其進行順序編號，1～63號代表是類風濕關節(jié)炎，64～113號代表的是正常對照組的樣本。剩余的樣本用來組成預測集，集中樣本總數為37例，其中類風濕關節(jié)炎患者有20例，正常對照組有17例，也用同樣的方法進行編號。訓練集與預測集樣本比例大約為4:1。

2.3 網絡參數的設定及算法程序

首先對神經網絡參數設定如下：輸入神經元個數為8，輸出神經元個數為1，期望目標輸出值用0表示正常，用1表示類風濕關節(jié)炎，隱含層采用tansig函數。訓練次數為6000次，訓練目標為0.06，學習速度為0.05，網絡連接權重初始值是[-1,1]之間的隨機數，其次網絡進行運算所采用的是批動量梯度下降算法，應用matlab6.5來編寫該程序算法。

2.4 訓練及預測結果

將訓練集樣本的8個指標輸入到bp網絡的算法程序中，網絡經過500次的訓練后，達到了訓練目標的要求，訓練結果如圖3所示，預測輸出以0.5為閾值，>0.5者為類風濕關節(jié)炎患者，<0.5者為正常對照樣本。

圖3 113例樣本訓練結果從訓練得到的圖形可以看出，63例類風濕關節(jié)炎患者中有54例訓練結果都在目標輸出值1附近，而且非?？拷?。只有9例稍微偏離了目標輸出值1，由于輸出結果均在0.5～1.5的范圍內，可以認為訓練結果與實際相吻合。類似的在50例正常對照組中，有47例輸出結果都在目標值0的附近，輸出值都在0～0.5之間，訓練結果與實際也相吻合。而編號為64、75、92的3例樣本，其輸出值大于0.5，明顯大于目標輸出值0，樣本訓練結果有錯誤。綜上所述，訓練集中113例樣本有110訓練正確，訓練正確率達到97.4%。

經過訓練可以得到一個能反映類風濕關節(jié)炎疾病情況的神經網絡模型。把預測集樣本的數據導入到訓練好的神經網絡中去，進行預測，預測的結果如圖4。

圖4 37例樣本預測結果從上圖的輸出結果可以看出，在20例類風濕關節(jié)炎樣本的預測中，19例樣本的輸出結果主要集中在目標輸出值1附近，沒有超出0.5～1.5的范圍，可以視為預測結果與實際相符合，而編號為1的樣本，其輸出值小于0.5，偏離了目標輸出值1，預測結果錯誤。另外17例正常對照組中，15例預測結果與實際相符合，而編號為27、33號的樣本其輸出值大于0.5，明顯偏離目標輸出值0，預測不正確。所以對于預測的總體樣本來說，34例預測正確，準確率為91.9%，靈敏度為94.7%，特異度為86.7%。

訓練集和預測集的樣本，經bp神經網絡運算，其結果如表1所示。表1 bp神經網絡測試樣本的計算結果

3 討論

由表1可知,2例預測有誤的樣本，它們來源于預測集的正常對照組中。同樣在訓練階段，運算有誤的3例樣本也全都來源于訓練集的正常對照組中。由此可見，運算有誤的樣本在訓練集和預測集之間存在一種對應關系，即神經網絡對樣本訓練的錯誤率越高，其預測的準確率就越低。同時，一些樣本的訓練和預測結果也出現了較大范圍的波動，沒有集中在目標值為1和0的這兩條直線上。出現這種結果的原因可能是：有些樣本數據偏倚，訓練樣本總數又不是很多，從而導致這些數據偏倚的樣本所占的比例較大，在總體中表現出來的作用也就較強。因此加大訓練樣本的數量，選擇數據偏倚較少或者更有代表性的樣本來學習訓練，神經網絡就能更準確的反映疾病自身情況，同時網絡所包含的病因與疾病間相映射的函數關系也就更具有普遍性。

對疾病診斷過程而言，人工神經網絡能夠模擬專家級醫(yī)師診斷疾病的思維過程和獲得診斷疾病的相關知識。此后對疾病進行預測時就可以避免醫(yī)師對疾病診斷的主觀性及思維定勢，因此能提高疾病診斷的客觀性。盡管臨床上也存在一些疾病患者，往往因為診斷數據的缺失，給醫(yī)師診斷帶來了很多的困難或是誤診，然而神經網絡具有的容錯性質以及能根據訓練得來的知識和處理問題的經驗，對上述缺失的數據等這種復雜的問題，做出合理的判斷與推理，從而為病人做出較正確的診斷。

在疾病診斷方面， 按照1987年美國風濕病協會修訂的類風濕關節(jié)炎診斷標準，對一些不典型，早期的類風濕關節(jié)炎常常不能作出正確的診斷，特異性也低，往往造成誤診。然而基于人工神經網絡類風濕關節(jié)炎的診斷方法，通過對37例樣本的預測，預測結果表明：本方法對類風濕關節(jié)炎的診斷，其準確率為91.9%，靈敏度為94.7%，特異度為86.7%，可作為疾病診斷的一種新方法。當然，實驗中也存在一些問題有待于進一步研究,如輸入變量的選擇及其數據處理，網絡初始權重的計算，網絡訓練的最佳原則，隱含層數的設計等等。隨著研究的進一步深入，人工神經網絡必將得到臨床工作者的認同并為疾病研究帶來諸多的便利。

【參考文獻】

  　1 顧福榮,張義東,施錦杰.抗ccp抗體、抗ra33抗體、抗sa 抗體和rf聯合檢測對類風濕性關節(jié)炎診斷的意義.江西醫(yī)學檢驗,2007,25(1):24～25.

2 matsuo k,xiang y,nakamura h,et al.identification of novel eitrullinated autoantigens of synovium in rheumatoid arthritis using a proteomie approach.arthritis res ther,2006,8(6):1～3.

3 harrison mj,paget sa. anti2ccp antibody testing as a diagnostic and prognostic tool in rheumatoid arthritis.qjm,2007,100(4):193～201.

4 王青青.類風濕性關節(jié)炎的診斷與治療.全科醫(yī)學臨床與教育.2008,6(2):92～94.

5 孫文恒,王煒,周文策.人工神經網絡技術在胰腺癌診斷中的應用.蘭州大學學報,2008,44(7)：224～227.

6 宋燁,楊本付,人工神經網絡及其在疾病診斷中的應用,中華醫(yī)學實踐雜志,2006,5(3):275～277.

7 王俊杰,陳景武.bp神經網絡在疾病預測中的應用.理理醫(yī)藥學雜志,2005,21(3):259～262.

第8篇：人工神經網絡發(fā)展范文

【關鍵詞】建筑經濟管理；神經網絡

中圖分類號：TU198文獻標識碼： A

一、前言

建筑經濟管理在我國是一個非常重要的行業(yè)，為社會的進步提供了夯實的基礎，但是在神經網絡的應用這方面還是存在一定的問題，所以，科學技術人員在這個方面還是很努力的研究，并且促使這個技術發(fā)展更為全面。

二、神經網絡的特征及其信息處理特點

人工神經網絡(Application of Neural Network，即:ANN)是一種對人腦中樞神經系統(tǒng)的生物神經結構進行的功能性抽象，在模式識別和分類領域顯示了強大的能力，它們以“黑箱”模式工作，不需要先驗模型，具有自適應能力，可以從數據中捕捉和學習規(guī)律，其計算能力在預測和評估、模式識別和優(yōu)化等領域得到了廣泛驗證。神經網絡尤其適合解決那些采用傳統(tǒng)的數學方法和手段建模困難的復雜問題，并已被證明是解決復雜非線性問題的一種有效工具。

1、神經網絡的基本特征

（1）內在并行性。神經網絡是一個高度并行的非線性系統(tǒng)，其并行性不僅體現在結構上，它的處理運行過程也是并行的。神經網絡從單個處理單元到整個系統(tǒng)，在理論和實踐上都反映了并行性，計算是分布在多個處理單元上同時進行的。

（2）分布式存儲。與傳統(tǒng)計算機不同，神經網絡中信息并非存儲在一個特定的存儲區(qū)域，而是分布存儲在整個系統(tǒng)中。神經網絡的每一個神經元都只是整體概念的一個部分，每一個單元都包含著對整體的貢獻，而每一個單元都無法決定整體的狀態(tài)。

（3）容錯性。因為信息是分布存儲在整個系統(tǒng)中，而不是駐留在某一個特定的存儲區(qū)域內，因此，網絡中部分神經元的誤差不會在很大程度上影響改變整個系統(tǒng)的行為。

（4）學習與自適應性。神經網絡的一個重要特點是具有很強的學習能力，它可以通過對數據的監(jiān)督或非監(jiān)督學習，實現任意復雜的函數關系，而且整個網絡具有自適應性，即進行自我調節(jié)的能力。

2、神經網絡的信息處理特點

神經網絡的基本特征使其在信息處理上具有與傳統(tǒng)信息處理技術不同的特點。

（1）數據驅動、“黑箱”建模方式。神經網絡通過訓練能夠直接從數據中發(fā)現規(guī)則和特征，實現任意復雜的函數映射。這種學習能力使得神經網絡分析和建模過程相當于一個“黑箱”，既無需模型結構設計和參數估計過程，而且在沒有輸入模式先驗信息的情況下，通過數據驅動取得優(yōu)良的結果。

（2）非編程、自適應的工作方式。神經網絡的學習是便利而且可塑的，在網絡整體結構不變的情況下，只需調整權值即可完成任意關系的學習，通過遞進補充訓練樣本即可跟蹤和適應外界環(huán)境的不斷變化。因此，神經網絡的工作方式可以是實時的和自適應的。

（3）信息處理與存儲合二為一。神經網絡在運行時信息處理與存儲同時完成，信息的隱含特征和規(guī)則分布于神經元狀態(tài)和權值之上，通常具有冗余性。這樣，當不完全信息或含噪信號輸入時，神經網絡就可以根據這些分布記憶進行聯想以恢復全部信息。同時，這種合二為一的方式從本質上消除了軟件和算法的“瓶頸效應，”提供了實現高速信息處理的手段。

（4）實時信息處理。神經網絡是一個大規(guī)模非線性動力學系統(tǒng)，具有高維、高密度的并行計算結構。大量神經元的微觀活動構成了神經網絡的整體宏觀效應。這種集體運算能力使得神經網絡可以完成高維數據的在線實時處理。

三、建筑經濟管理研究面臨的問題

1、對系統(tǒng)的非線性認識不足

(1)忽視了系統(tǒng)內各變量之間復雜的非線性關系，過分強調先驗假設。建筑活動在理論和實踐中有明顯的非線性和復雜性。建筑經濟管理問題的本質上是因為現實的復雜性導致的非線性。建筑活動隨時代和環(huán)境的變遷表現出其非線性特征。一方面，建筑經濟管理問題的線性假沒體現了系統(tǒng)特殊性。但另一方面，系統(tǒng)建模時所使用的理論總是落后于現實，這是因為其相關理論發(fā)展的滯后性，而這又是由于其非線性和復雜性引起的。

(2)忽視數據本身效用，過分依賴理論指導。模型的函數形式很難僅僅通過理論考慮獲得。在實踐中選擇理論框架既是十分重要又是十分困難的。

2、對系統(tǒng)變量自身特征的認識不足

(1)變量(數據)的高噪聲。采集、編制建筑經濟管理數據時會有很多誤差，再加上諸多外在因素的沖擊造成了波動強烈變形，所以數據是包含有許多“奇異點”而且是高噪聲。

(2)變量的高度不確定性。目前經濟學界對不確定性沒有一個統(tǒng)一的定義，一般情況下有2種不確定性的定義。一種定義是變量的不確定性通過隨機變量的方差來定義，通常稱為概率型不確定性，也可稱為“風險”。另一種定義是一種沒有穩(wěn)定概率的隨機事件，稱為非概率型不確定性。

(3)變量不同程度的模糊性。一定的模糊性是大多數建筑管理問題變量的特點?，F實中的不分明現象就是模糊性。而從一種狀態(tài)過度到另一種有差異的狀態(tài)的過程中，中間發(fā)生了量變到質變的連續(xù)過程?？傊?，常常需要解決建筑管理中的決策、優(yōu)化等非線性問題，由于它們的一次性、高度動態(tài)性和復雜性的特點，建筑管理的信息是隨機的，具有非線性和時變性，相應的變量也有不確定性、高噪聲和模糊性的特點，因此搜集數據、分析因素等方面有相當大的難度。

四、ANN在建筑工程項目管理中的應用研究

1、ANN在造價預測方面的應用

汪應洛，楊耀紅(2004年)總結了ANN在費用估計方面的應用。采用BP網絡，用40個公路工程樣例訓練網絡，并用工程實例進行驗證，發(fā)現效果比傳統(tǒng)方法好。Tarek Hegazy(1998年)等用MS-Excel表格進行ANN模擬，并在輸入層和隱含層加入了偏置神經元來促進網絡學習。其缺點是由于網絡學習時的訓練樣本數據中有噪聲，會造成過度學習現象，運用規(guī)范化網絡可以解決這個問題。周麗萍，胡振鋒(2005年)在研究BP神經網絡在建筑工程估價中的應用時指出，可以利用神經網絡“特征提取器”的作用，從大量過去的工程資料中自動提取工程特征與預算資料的規(guī)律關系；由于神經網絡具有高度的容錯性，因而對于過去的工程資料中由于人為的或其他因素造成的偏差有自動糾偏功能；此外由于神經網絡是并行處理數據的，因而其處理速度相當快，這點滿足了快速估算要求，實踐證明是有效的。

2、ANN在工程項目管理績效評價中的應用

閆文周(2005年)等運用ANN中的BP網絡對工程項目管理績效評價問題進行研究，建立了一個綜合考慮項目工期、質量、費用、安全四大控制指標的工程項目管理績效評價模型。實例分析表明，其評價結果更加全面、更加符合實際情況，從而有助于促進工程項目管理水平的提高?；贐P神經網絡的工程項目管理績效評估模型，將影響工程項目管理績效的主要因素進行整合，通過神經網絡反映了工程項目工期、質量、成本、安全與項目績效之間復雜的非線性關系，從而使項目管理績效的評價更客觀。

3、Hop field網絡模型在建設工程評標中的應用

建設工程評標是一個多目標決策過程，評標過程中存在著大量的定性和模糊的因素，評標人很難快速做出準確客觀的評判。朱玉濤(2006年)等用ANN作為新型信息處理工具，在建設工程評標中可應用于優(yōu)選中標企業(yè)。介紹了Hop field網絡模型構造及算法設計，包括進行方案優(yōu)劣排序、換位矩陣以及能量函數構造、神經元之間連接和輸出，并用實例說明了該方法的優(yōu)越性和實用性。應用Hop field網絡對非定量因素進行科學的分析，可以消除一些人為因素的影響，使評選結果更加合理。

4、BP網絡模型在建設工程招投標管理中的應用

BP網絡以其自學習、自聯想功能的優(yōu)點在建設工程招投標中得到廣泛應用。楊中宣(2006年)結合人工神經網絡基本理論，介紹了它在工程招投標的招標價格、風險因素分析以及競標單位資格審查等方面的應用，指出利用人工神經網絡具有的高度并行處理和可完成復雜輸入輸出的非線性映射能力，不僅可以保證高的中標率，且可避免招標過程中不確定性因素的影響。

五、人工神經網絡的發(fā)展趨勢

人工神經網絡在建筑管理中的應用與研究，解決了不少該領域中的難題，顯現出廣闊的應用前景。但是，神經網絡作為新興學科，在理論和實踐中，還有很多不完善和不成熟的地方，又在一定程度上制約了它的實際應用。因此在利用人工神經網絡解決問題時，需要選定合適的網絡模型及網絡算法，同時還要加深人工神經網絡基礎理論方面的研究。

六、結束語

總而言之，就建筑經濟管理中神經網絡的應用這方面而言，這項技術的發(fā)展不僅使建筑經濟管理體系更加的完善，更加使人們的生活帶來了許多的便利條件，通過科學技術人員的不斷努力，會使為社會發(fā)展做出巨大的貢獻。

參考文獻

[1]王其文，劉廣靈.人工神經網絡與線性回歸的比較 決策與決策支持系統(tǒng)，2008（4）:22-26.

第9篇：人工神經網絡發(fā)展范文

關鍵詞：負荷預測；人工神經網絡；BP算法；

中圖分類號：TM732 文獻標識碼：A 文章編號：1674-3520（2015）-01-00-03

為了向用戶提供安全、可靠和優(yōu)質的電能，電力部門需要保持電力系統(tǒng)的安全性和可靠性，這就要求系統(tǒng)發(fā)電出力隨時緊跟系統(tǒng)負荷，否則就會影響供、用電質量，并會危及系統(tǒng)安全與穩(wěn)定。所以，電力系統(tǒng)短期負荷預測是電力系統(tǒng)安全分析的基礎。

目前，電力系統(tǒng)短期負荷預測主要呈現以下特點：智能技術廣泛用于負荷預測領域，模型結構趨于復雜，考慮的影響因素更多，非線性理論的應用，組合預測應用更廣。

人工神經網絡（ArtificialNeuralNetwork，ANN）作為一門新興的交叉學科，為揭示復雜對象的運行機理提供了一條新的途徑，許多學者將其應用于電力負荷預測問題，例如人工神經網絡與小波分析相結合，人工神經網絡與專家系統(tǒng)相結合，人工神經網絡與遺傳算法相結合等[16-18]。

本文對歷史負荷數據進行分析及預處理，選取一個時段作為預測樣本，選擇輸入量的構成。利用MATLAB建立一個兩層BP結構作為本次預測網絡模型。在此基礎上用SCG算法進行網絡的訓練以提高訓練速度，進行預測誤差的分析，最后使用訓練成的網絡進行指定日預測，分析仿真結果。

一、人工神經網絡的基本結構和模型

人工神經網絡由許多個神經元組成。一個神經網絡的神經元模型和結構描述了一個網絡如何將它的輸入矢量轉化為輸出矢量，其實質是網絡輸入和其輸出之間的函數關系。通過選取不同的模型結構和激活函數，可以形成各種不同的人工神經網絡，得到不同的輸入輸出關系式，最終達到不同的設計目的。

神經元是人工神經網絡的基本處理單元，一般是一個多輸入/單輸出的非線性元件，如下圖所示。

為偏差信號，也稱為閥值；為神經元的基函數，得到的為激活函數的輸入；為神經元的激活函數。

激活函數是一個神經元及神經網絡的核心，其基本作用是控制輸入對輸出的激活作用，對輸入、輸出進行函數轉換，將可能無限域的輸入變換成指定的有限范圍內的輸出。常用的激活函數有閥值型、線性型、Sigmoid型、高斯型等。閥值型函數將任意輸入轉化為0或1的輸出，函數為單位階躍函數。線性型函數是網絡的輸出等于加權輸入加上偏差。Sigmoid型函數將任意輸入值壓縮到（0，1）的范圍內，常用對數或雙曲正切等一類S形狀的曲線來表示，如圖2.2（a）、（b）所示。對數S型激活函數關系式為：

S型激活函數具有非線性放大增益，對任意輸入的增益等于在輸入/輸出曲線中該輸入點處的曲線斜率值。利用該函數可以使同一神經網絡既能處理小信號（中間的高增益區(qū)）又能處理大信號（兩邊的低增益區(qū)）。高斯型激活函數又稱為鐘形函數，常用于徑向基函數神經網絡，也是十分重要的激活函數類型，表達式為：

（3.3）

一般地，稱一個神經網絡是線性或非線性是由神經元中激活函數是線性或非線性決定的。

將兩個或更多個簡單神經元并聯起來，使每個神經元具有相同的輸入矢量，即可組成一個神經元層，如圖2.3所示。將兩個以上的單層神經網絡級聯起來則組成多層神經網絡，如圖2.4所示。

二、基于人工神經網絡的短期負荷預測實現

（一）模型選擇及算法改進

由神經元激活函數的特性可以知道，神經元的輸出通常被限制在一定的范圍內，大多數人工神經網絡使用的非線性激活函數為S型函數，其輸出被限制在[0，1]或[-1，1]之間?？稍紨祿推谕敵鲋低ǔＴ诖藚^(qū)間之外，直接以原始數據對網絡進行訓練會引起神經元飽和。因此，在對網絡進行訓練之前必須對數據進行預處理及歸一化處理（Normalization），以避免法訓練過程中的神經麻痹。研究表明：以恰當的方式對數據進行歸一化處理可以加速神經網絡的收斂。

負荷數據的歸一化有許多處理方式，本文采用的方法如下：

（二）算例分析

本文的歷史負荷數據為天津地區(qū)2014年一整年的日負荷，包括每天的24點負荷。由于節(jié)日的負荷狀況與正常日差別較大，本文只考慮正常日負荷預測，剔除節(jié)日負荷樣本。由于所能獲得的數據的有限性，無法獲得一些實際上對負荷有影響的變量（如重大事件或自然災害等）的數據，在模型中無法考慮這些變量。故只選取相關負荷數據作為日負荷預測的輸入量，并剔除其中明顯異常的數據，如負荷毛刺等。

在正常日數據中又應當有所劃分，根據已知的文獻[11-15]大體有如下幾類劃分方式：1、將一周的7天分為工作日（星期一到星期五）和休息日（星期六和星期天）等兩種類型；2、將一周分為星期一、星期二到星期四、星期五、星期六、星期天等5種類型。3、將一周的7天每天都看做一種類型，共有7種類型。根據歷史負荷數據的曲線，本文采用第1種負荷劃分模式，即將一周的7天分為工作日（星期一到星期五）和休息日（星期六和星期天）等兩種類型。

神經網絡的學習是通過對有限個樣本的學習，調整各權值，尋求樣本發(fā)展的規(guī)律。把所得的負荷數據樣本分為兩組，一組用于訓練神經網絡模型，另一組作為檢驗訓練結果用。本文只用根據日期類型來選擇學習樣本和建立網絡。

根據短期負荷的周期性，以及對歷史負荷數據圖像的分析[9]，本文選取預測日前一周同一天的24小時負荷數據以及預測日前一天的24小時負荷數據作為輸入量，即輸入量是48維的。網絡輸出為預測日0時到23時的整點負荷，是一個24維的輸出量。

如前文所述，本次預測以天津地區(qū)電網的實際歷史負荷為樣本數據，預測該地區(qū)日負荷?；贛ATLAB軟件建立含一個隱含層的BP網絡模型，實現預測日24點負荷的輸出，每個BP神經網絡的輸入層、隱含層、輸出層的神經元個數均為48-11-24。網絡訓練樣本集選取預測日前一天和前一周同一天的實際負荷。

（1）根據實際調研的資料，工作日模型選取該地區(qū)1月1日至1月12日期間工作日的負荷數據作為訓練網絡的樣本輸入和目標輸出，用訓練好的網絡對2014年1月16日的日負荷進行預測檢驗。預測的結果如下圖所示：

由圖2可知，預測負荷曲線和實際負荷曲線基本吻合。下表1是2014年1月16日的實際負荷值和預測值的比較，絕對誤差和相對誤差如表所示：

2是2014年2月4日的實際負荷值和預測值的比較，絕對誤差和相對誤差如表所示：

以上圖表直觀地表明了人工神經網絡用于負荷預測能達到較高的精度，能對負荷曲線進行良好的非線性擬合，具有良好的應用前景，同時也有一些提高的空間。

三、結論

人工神經網絡用于電力系統(tǒng)短期負荷預測，往往在計算過程中存在神經元的飽和問題。針對這一問題，本文對輸入負荷數據進行了歸一化處理，在此基礎上應用了SCG算法對網絡進行實訓，提高了神經網絡的收斂速度和預測精度。

以天津地區(qū)電網的實際歷史負荷為樣本數據，預測該地區(qū)日負荷。算例表明，本算法解決了神經元的飽和問題，能達到較高的精度，能對負荷曲線進行良好的非線性擬合，具有良好的應用前景。

參考文獻：

[1]牛東曉，曹樹華，盧建昌，趙磊.電力負荷預測技術及其應用（第二版）[M].北京：中國電力出版社，2009

[2]康重慶，夏清，劉梅.電力系統(tǒng)負荷預測[M].北京：中國電力出版社，2007

[3]王波.考慮氣象要素的電力系統(tǒng)短期負荷預測研究[D].上海：上海交通大學，2008