神經(jīng)網(wǎng)絡(luò)的特性精選(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)的特性主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：神經(jīng)網(wǎng)絡(luò)的特性范文

【關(guān)鍵詞】測試 GRNN類神經(jīng)網(wǎng)絡(luò) 應(yīng)用 探討

1 類人工神經(jīng)網(wǎng)絡(luò)特性

類人工神經(jīng)網(wǎng)絡(luò)技術(shù)（Artificial Neural Networks）是近年發(fā)展起來的一個(gè)新的研究領(lǐng)域，反映了人腦功能的若干基本特性，從而使計(jì)算機(jī)能夠模仿人的大腦，具有較強(qiáng)的形象思維能力。

我們目前應(yīng)用的神經(jīng)網(wǎng)絡(luò)多是模糊神經(jīng)網(wǎng)絡(luò)，即神經(jīng)網(wǎng)絡(luò)與模糊系統(tǒng)的結(jié)合，此方法既改進(jìn)了原有的測試系統(tǒng)的實(shí)時(shí)性能，又使神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)得到了指導(dǎo)，有利于收斂。但是，此方法單純地強(qiáng)調(diào)了無模型的冗余式學(xué)習(xí)和模擬，必然造成對計(jì)量對象以及計(jì)量目標(biāo)本身的忽略。所以，我們開始嘗試使用多層反饋式神經(jīng)網(wǎng)絡(luò)，即本文要探討的GRNN（Generlized Regnssion Neurl Network）神經(jīng)網(wǎng)絡(luò)。通過上面的介紹我們可以總結(jié)出類人工神經(jīng)網(wǎng)絡(luò)具有以下優(yōu)點(diǎn)非線性映射逼近能力；

（1）對信息的并行分布處理能力；

（2）高強(qiáng)的容錯(cuò)能力；

（3）對學(xué)習(xí)結(jié)果的泛化和自適應(yīng)能力；

（4）很強(qiáng)的信息綜合能力；

（5）信息的優(yōu)化計(jì)算能力；

（6） 便于集成實(shí)現(xiàn)和計(jì)算模擬

2 建議在石油領(lǐng)域應(yīng)用類人工神經(jīng)網(wǎng)絡(luò)于產(chǎn)量預(yù)測

由于上述類神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)，我們可以知道可以通過監(jiān)督學(xué)習(xí)的方法，將專家的故障分析經(jīng)驗(yàn)傳遞給神經(jīng)網(wǎng)絡(luò)，或用神經(jīng)網(wǎng)絡(luò)來建立參數(shù)觀測系統(tǒng)，從而避免了數(shù)學(xué)建模的困難，同時(shí)，診斷信息還能被用于系統(tǒng)的容錯(cuò)控制。我們利用三層GRNN神經(jīng)網(wǎng)絡(luò)來訓(xùn)練網(wǎng)絡(luò)，可以根據(jù)輸入到網(wǎng)絡(luò)的一些樣本提供一套權(quán)重來進(jìn)行石油領(lǐng)域的一些預(yù)測，在網(wǎng)絡(luò)訓(xùn)練之后，可以將任何新輸入的資料劃分為有效產(chǎn)能或無效產(chǎn)能。

雖然神經(jīng)網(wǎng)絡(luò)作為一種分類工具似乎比其他方法較具吸引力，在石油領(lǐng)域解決實(shí)際問題的應(yīng)用到目前為止還不多。神經(jīng)網(wǎng)絡(luò)（ANN）人工智能方法能處理一系列的信息輸入如比率等，并能產(chǎn)生相應(yīng)的輸出，而其運(yùn)算分析能生成一個(gè)成功反映所有輸入輸出變量相應(yīng)關(guān)系的模式。除此之外，神經(jīng)網(wǎng)絡(luò)并不依賴于變量之間必須線性相關(guān)或是相互獨(dú)立的假設(shè)。變量之間存有微妙聯(lián)系，如同數(shù)據(jù)不連續(xù)或不完全一樣，均可被系統(tǒng)辨識并生成定性評估。簡而言之，除了部分不明確的結(jié)果之外，神經(jīng)網(wǎng)絡(luò)能夠在相似點(diǎn)和類似點(diǎn)方面給出有根據(jù)的結(jié)論，在很大程度上，神經(jīng)網(wǎng)絡(luò)方法在油井的判別上有相似的

作用。

3 GRNN類神經(jīng)網(wǎng)絡(luò)模型數(shù)學(xué)模型及計(jì)算

3.1 GRNN類神經(jīng)網(wǎng)絡(luò)模型數(shù)學(xué)模型

GRNN（Generlized Regnssion Neurl

Network）是徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的一種，主要用于函數(shù)逼近。GRNN 網(wǎng)絡(luò)為含1個(gè)輸入層、1個(gè)隱層和1個(gè)輸出層的3層結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)。隱層傳遞函數(shù)為徑向基函數(shù)Radbas，輸出層為線性函數(shù)Purelin：Radbs（x）=exp（-x2），Purelin（x）=x，GRNN網(wǎng)絡(luò)設(shè)置隱層的權(quán)重W1為：W1=P’式中為P’輸入向量P的轉(zhuǎn)置矩陣：隱層的偏差b1為：b1 =0.8326/ spread

式中spread為徑向基函數(shù)的展形。輸出層的權(quán)重W2=T，T為目標(biāo)向量。

模型設(shè)計(jì)輸入變量為油井的平均壓力和平均氣溫，輸出變量為油井的月平均流量。為防止部分神經(jīng)元達(dá)到過飽和，提高網(wǎng)絡(luò)收斂程度和計(jì)算速度，對原始資料應(yīng)做標(biāo)準(zhǔn)化處理。

3.2 GRNN類神經(jīng)網(wǎng)絡(luò)模型數(shù)學(xué)計(jì)算

測試實(shí)驗(yàn)?zāi)康氖橇私庑碌木斫Y(jié)構(gòu)及管柱所允許的單井產(chǎn)能，并盡可能求取最大產(chǎn)量。設(shè)計(jì)采用6個(gè)油嘴進(jìn)行回壓法測試?；貕簻y試結(jié)束后用21.57mm油嘴測試，日產(chǎn)油300.44×104m3，預(yù)測生產(chǎn)壓差6.056MPa。井下入四支高精度PPC型存儲式井下電子壓力溫度計(jì)同時(shí)測試。采用MCALLSTER型的直讀式電子井下壓力溫度計(jì)，取得了較好效果。

井筒中的動力異常是造成壓力異常的主要原因。分隔器密封不嚴(yán)、節(jié)流影響、井筒積液、溫度變化都會造成井筒中的動力異常。采用變井筒溫度模型井的試井?dāng)?shù)據(jù)進(jìn)行了校正，校正后的平均地層壓力上升了約1.2MPa，壓力恢復(fù)曲線也呈上升趨勢。從圖1中看出GRNN模擬效果極好，驗(yàn)證結(jié)果也基本令人滿意。

4 結(jié)論和展望

4.1 結(jié)論

大慶油田由于多年開采，井下地質(zhì)條件復(fù)雜，使用神經(jīng)網(wǎng)絡(luò)模型（如GRNN和BP神經(jīng)網(wǎng)絡(luò)）進(jìn)行監(jiān)測效果分析，可獲得比較好的結(jié)果；

在儲層四性特征及其四特性關(guān)系研究的基礎(chǔ)上，以巖心分析數(shù)據(jù)為標(biāo)定，測井為工具，GRNN神經(jīng)網(wǎng)絡(luò)為方法，基本可以實(shí)現(xiàn)儲層物性參數(shù)的精確預(yù)測，且比常規(guī)數(shù)理方法具有較高的精度，顯示出BP神經(jīng)網(wǎng)絡(luò)在儲層參數(shù)預(yù)測中具有較為廣闊的應(yīng)用前景。

多層反饋式神經(jīng)網(wǎng)絡(luò)具有特定的標(biāo)準(zhǔn)結(jié)構(gòu)和非線性收斂特性。在求解具體問題時(shí)，只要把具體確定的能量函數(shù)與標(biāo)準(zhǔn)能量函數(shù)相對應(yīng)，就能確定相應(yīng)的神經(jīng)網(wǎng)絡(luò)參數(shù)。在合適的能量函數(shù)指導(dǎo)下，根據(jù)計(jì)量目標(biāo)設(shè)計(jì)基于反饋式神經(jīng)網(wǎng)絡(luò)的系統(tǒng)結(jié)構(gòu)和動態(tài)參數(shù)，并將基于此網(wǎng)絡(luò)的參數(shù)辯識和計(jì)量結(jié)合起來，使其具有更強(qiáng)的自適應(yīng)性。

4.2 展望

（1）如何在矢量控制的框架下補(bǔ)償參數(shù)隨時(shí)間常數(shù)的變化對計(jì)量性能帶來的影響，是一個(gè)重要的研究課題，也是我們以往研究結(jié)果的基礎(chǔ)上進(jìn)一步努力的方向；

（2）GRNN神經(jīng)網(wǎng)絡(luò)的優(yōu)越特性必然能在其它的石油領(lǐng)域中得到更廣泛的應(yīng)用，關(guān)于此項(xiàng)的研究任務(wù)是一項(xiàng)長期的任務(wù)。

參考文獻(xiàn)

第2篇：神經(jīng)網(wǎng)絡(luò)的特性范文

摘要:

針對水文時(shí)間序列的非平穩(wěn)性特征，以長江三峽宜昌站1904～2003年年平均流量為例，分別建立了小波分析(WA)與BP神經(jīng)網(wǎng)絡(luò)和徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(RBF)耦合的預(yù)測模型，探究了兩種組合模型的預(yù)測效果，并與傳統(tǒng)的單一人工神經(jīng)網(wǎng)絡(luò)模型對比;并采用5種常見的預(yù)測性能評價(jià)指標(biāo)分析預(yù)測效果。結(jié)果表明:組合模型預(yù)測成果的精度較單一模型顯著提高;組合和單一模型中RBF網(wǎng)絡(luò)模型均優(yōu)于BP網(wǎng)絡(luò)模型;小波徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)組合模型具有較優(yōu)的預(yù)測精度和泛化能力，是提高預(yù)測精度的有效方法，在徑流預(yù)測中具有可行性。

關(guān)鍵詞:

ATrous小波分析;BP神經(jīng)網(wǎng)絡(luò);徑向基函數(shù)神經(jīng)網(wǎng)絡(luò);預(yù)測模型;水文預(yù)報(bào)

中長期水文預(yù)報(bào)是根據(jù)已知水文與氣象要素信息對未來一定時(shí)期內(nèi)的水文狀態(tài)作出定性和定量的預(yù)測。目前，通常預(yù)報(bào)的水文要素有流量、水位、冰情和旱情等［1］。水文時(shí)間序列預(yù)測對防汛、抗旱、水資源開發(fā)利用等具有重大的實(shí)用意義，然而水文系統(tǒng)是一個(gè)高度復(fù)雜的非線性系統(tǒng)，在由降雨經(jīng)過蒸散發(fā)、下滲、截留、填洼形成徑流的過程中，還受到流域地形地貌、氣候變化、人類活動等因子的干預(yù)，因此，水文時(shí)間序列表現(xiàn)出極大的復(fù)雜性，給預(yù)測帶來一定困難。傳統(tǒng)的中長期水文預(yù)報(bào)大多采用回歸分析法和時(shí)間序列分析方法［2］。常用的回歸分析法主要有一元線性回歸分析法、多元線性回歸分析法、逐步回歸分析法、最小二乘回歸分析法、聚類分析法和主成分分析法等［2］，其因建模簡單、易于實(shí)現(xiàn)的優(yōu)點(diǎn)成為了徑流中長期預(yù)報(bào)應(yīng)用最早也是最廣的方法［3］，但回歸分析法中存在因子個(gè)數(shù)合理性的選擇、預(yù)報(bào)成果取均值而忽略了極大與極小值情況等問題;時(shí)間序列分析法常用自回歸序列(AR)模型、滑動平均序列(MA)模型、自回歸滑動平均序列(ARMA)模型、求和自回歸滑動平均序列(ARIMA)混合模型、門限自回歸序列(TAR)模型等［4］。

該方法能夠很好地分析和處理具有季節(jié)性、趨勢性的水文預(yù)報(bào)問題，但在建模過程中存在模型參數(shù)估計(jì)和合理定階等問題［2］。隨著計(jì)算機(jī)技術(shù)的發(fā)展，一些智能新方法被廣泛應(yīng)用于中長期水文預(yù)測中，主要包括模糊分析、人工神經(jīng)網(wǎng)絡(luò)、灰色系統(tǒng)分析、混沌理論、投影尋蹤、小波分析等方法［5］，然而目前還沒有一種水文預(yù)報(bào)模型能夠?qū)λ兴男蛄芯哂型耆m應(yīng)性。近年來，小波分析和人工神經(jīng)網(wǎng)絡(luò)組合模型成為中長期徑流預(yù)測的研究熱點(diǎn)［6－7］。利用小波變換可將徑流序列的趨勢項(xiàng)、周期項(xiàng)和隨機(jī)項(xiàng)成分較好地分離，為克服水文時(shí)間序列成因復(fù)雜、難以詳盡表述其變化規(guī)律等困難提供了一種便利的分析技術(shù)［8］，再將不同頻率下的小波變換成分輸入神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測，能夠較好地提高預(yù)測精度。只有選擇合適的小波神經(jīng)網(wǎng)絡(luò)組合模型的結(jié)構(gòu)，才能得到精度更高的預(yù)報(bào)結(jié)果。本文提出將小波分析與不同類型的神經(jīng)網(wǎng)絡(luò)組合，分別建立小波分析與加動量的BP神經(jīng)網(wǎng)絡(luò)相結(jié)合、小波與RBF網(wǎng)絡(luò)相結(jié)合的徑流預(yù)報(bào)模型，對兩種組合模型及傳統(tǒng)單一的神經(jīng)網(wǎng)絡(luò)模型的模擬效果進(jìn)行對比分析。

1模型結(jié)構(gòu)及原理

1．1小波分析對水文時(shí)間序列進(jìn)行小波分析時(shí)，使用連續(xù)小波變換或離散小波變換得到的小波變換系數(shù)冗余，因此常用快速的小波變換算法計(jì)算，不涉及具體的小波函數(shù)，主要有Mallat算法和ATrous算法。相比原始時(shí)間序列，Mallat算法重構(gòu)后的時(shí)間序列因其二進(jìn)抽取、插值處理，容易出現(xiàn)相位失真［9－11］，并會發(fā)生一定的偏移，而ATrous算法為無抽取離散小波變換，具備平移時(shí)不變性的特性，它只是對濾波器組進(jìn)行內(nèi)插補(bǔ)零，其每級分解系數(shù)和原始時(shí)間序列的長度保持一致，因此本文小波分析采用ATrous算法。

1．2BP神經(jīng)網(wǎng)絡(luò)BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)圖如圖1所示［12］。BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型，運(yùn)用了神經(jīng)網(wǎng)絡(luò)可以任意逼近非線性函數(shù)的特性，輸入與輸出間的復(fù)雜關(guān)系表示具有非線式的特點(diǎn)，其適用性明顯高于一般顯式線性預(yù)測模型［12］。水文時(shí)間序列是受多因子復(fù)雜影響的一種非穩(wěn)定性的時(shí)間序列，并非可用單一的線性或非線性函數(shù)計(jì)算所得。BP神經(jīng)網(wǎng)絡(luò)相當(dāng)于一個(gè)“黑箱”模式，不需要知道輸入與輸出數(shù)據(jù)間的函數(shù)關(guān)系，僅通過對輸入輸出數(shù)據(jù)進(jìn)行訓(xùn)練學(xué)習(xí)，獲得誤差達(dá)到最優(yōu)的一種映射關(guān)系，就可將訓(xùn)練好的模型用于預(yù)測，它具有自學(xué)習(xí)、計(jì)算簡單、容錯(cuò)性較好、泛化能力較強(qiáng)的特點(diǎn)。

1．3徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(RBF，RadialBasisFunc-tion)是一種能夠以任意精度逼近任意非線性函數(shù)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，具有單隱層的3層向前網(wǎng)絡(luò)［12］，其中隱層函數(shù)為徑向基函數(shù)。RBF神經(jīng)網(wǎng)絡(luò)僅對輸入空間的某一局部區(qū)域存在少數(shù)的神經(jīng)元，用來決定網(wǎng)絡(luò)的輸出，且RBF網(wǎng)絡(luò)中的重要參數(shù)中心向量和寬度向量是根據(jù)樣本集中的訓(xùn)練模式來試算確定或者初始化的，因此，RBF神經(jīng)網(wǎng)絡(luò)具有避免陷入局部極小值的解域中的優(yōu)點(diǎn)。RBF神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)圖如圖2所示［12］。

2預(yù)測性能評價(jià)指標(biāo)

為了對預(yù)測模型的適應(yīng)性進(jìn)行分析，需用預(yù)測成果的精度來度量。本文采用常用的3種誤差評定方法和預(yù)測值的相對誤差小于10%和20%的合格率，來評價(jià)模型的預(yù)測精度［13－14］。NMSE和MRE反映出實(shí)測值和預(yù)測值之間的偏差，NMSE和MAE越小，表明預(yù)測值越接近于實(shí)測值，即預(yù)測的效果越好。DVS以百分比形式表示正確預(yù)測目標(biāo)值變化方向，其值越大，表明預(yù)測效果越好。以預(yù)測值相對誤差滿足小于10%和小于20%的合格率來反映預(yù)測值與實(shí)測值之間的逼近程度，其值越大，預(yù)測效果越好。

3模型仿真

長江宜昌水文站是長江上游出口的唯一控制站，且三峽工程位于其上游約44km處，對宜昌站年徑流量的預(yù)測具有重要的實(shí)踐意義。本文利用宜昌站1904～2003年為期100a的實(shí)測年均流量資料，采用MATLAB編程，利用小波神經(jīng)網(wǎng)絡(luò)組合模型對其預(yù)測，選取兩種不同神經(jīng)網(wǎng)絡(luò)模型對比分析。

3．1小波變換本文選取宜昌站100a年均徑流量，利用ATrous算法進(jìn)行分解尺度為3的小波變換，求取徑流序列的細(xì)節(jié)系數(shù)W1、W2、W3和近似系數(shù)C3，用作神經(jīng)網(wǎng)絡(luò)輸入。小波分析成果見圖3。

3．2基于小波變換的BP模型構(gòu)建一個(gè)3層雙隱層的BP神經(jīng)網(wǎng)絡(luò)模型，可以以任意精度逼近給定的非線性函數(shù)，而雙隱層可以提高模型的逼近精度。小波BP網(wǎng)絡(luò)模型即將BP神經(jīng)網(wǎng)絡(luò)模型中對徑流量直接輸入預(yù)測替換為對小波變換系數(shù)的預(yù)測。小波分析將具有復(fù)雜非穩(wěn)定性特征的徑流量分解成不同頻率的高頻細(xì)節(jié)序列和低頻概貌序列，因此可以更好地利用神經(jīng)網(wǎng)絡(luò)模擬成因復(fù)雜、具有時(shí)－頻特征的徑流量序列的形態(tài)變化特征和趨勢。構(gòu)建一個(gè)4－10－8－1結(jié)構(gòu)的3層雙隱層BP模型，隱含層函數(shù)選用transig，輸出層函數(shù)選用purelin，采用有動量加自適應(yīng)lr梯度下降法選擇參數(shù)，設(shè)置最大訓(xùn)練次數(shù)為5000、訓(xùn)練要求精度0．00001、學(xué)習(xí)速率0．01。利用Matlab軟件進(jìn)行網(wǎng)絡(luò)訓(xùn)練，對預(yù)測結(jié)果進(jìn)行反歸一化處理，得到最終預(yù)測結(jié)果，成果見表1。

3．3基于小波變換的RBF模型與小波BP網(wǎng)絡(luò)模型類似，將歸一化后的前90a的年均徑流量小波變換系數(shù)作為RBF網(wǎng)絡(luò)模型訓(xùn)練樣本的輸入，Q(t+T)作為訓(xùn)練樣本輸出，預(yù)見期為2a，后10a的資料作為測試。不同于BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值選取對于網(wǎng)絡(luò)訓(xùn)練的精度影響很大這一特點(diǎn)，RBF神經(jīng)網(wǎng)絡(luò)只需用試錯(cuò)法調(diào)整參數(shù)SPREAD。在Matlab平臺上，調(diào)用RBF模型，調(diào)用方式為net=newrb(P，T，GOAL，SPREAD，MN，DF)，SPREAD為徑向基層的擴(kuò)展速度常數(shù)，其取值會影響神經(jīng)網(wǎng)絡(luò)的運(yùn)算速度和精度［10］。通過試算得SPREAD的最優(yōu)解為67．3。將訓(xùn)練好的模型用來預(yù)測后10a的年均徑流量，成果見表1。

3．4單一人工神經(jīng)網(wǎng)絡(luò)模型直接將實(shí)測的年均徑流量作為模型的輸入，預(yù)見期為2a。因徑流的成因復(fù)雜及形成過程具有較多干擾因素，單一的人工神經(jīng)網(wǎng)絡(luò)模型不一定能較好地模擬其內(nèi)部的變化特征，本文分別采用單一的BP神經(jīng)網(wǎng)絡(luò)和RBF網(wǎng)絡(luò)對后10a的年均徑流量進(jìn)行預(yù)測，預(yù)測成果見表1。

4模型適用性分析

根據(jù)三峽宜昌站100a徑流量資料，建立不同組合的小波神經(jīng)網(wǎng)絡(luò)模型，利用Matlab軟件平臺對模型進(jìn)行網(wǎng)絡(luò)學(xué)習(xí)，分別調(diào)試不同模型得到最優(yōu)預(yù)測徑流量，成果見表1。為了判斷4種預(yù)測模型的預(yù)測結(jié)果是否保持實(shí)測序列的主要統(tǒng)計(jì)特性和變化特征，采用以下5種常見的預(yù)測性能評價(jià)指標(biāo)驗(yàn)證模型的適用性，成果詳見表2。(1)由宜昌站1994～2003年年均流量的預(yù)測值與實(shí)測值比較計(jì)算得NMSE、MRE、DVS、合格率e＜10%和合格率e＜20%的5種誤差評定參數(shù)。從預(yù)測整體NMSE和MRE上看，小波人工神經(jīng)網(wǎng)絡(luò)組合模型預(yù)測精度明顯高于傳統(tǒng)單一的人工神經(jīng)網(wǎng)絡(luò)模型，而組合模型中，小波RBF網(wǎng)絡(luò)模型預(yù)測效果更優(yōu)，單一神經(jīng)網(wǎng)絡(luò)模型中RBF網(wǎng)絡(luò)預(yù)測精度也高于BP網(wǎng)絡(luò)。這表明，組合模型用于長江徑流預(yù)測是合理可行的，具有較好的預(yù)測精度和泛化能力，是提高模型預(yù)測精度的有效方法。但BP神經(jīng)網(wǎng)絡(luò)存在收斂速度較慢、易陷入局部極值、易發(fā)生“過擬合”或“欠擬合”情形等缺陷［15］，而RBF神經(jīng)網(wǎng)絡(luò)以對點(diǎn)徑向?qū)ΨQ且衰減的非負(fù)非線性函數(shù)為傳遞函數(shù)［16］，能夠避免BP網(wǎng)絡(luò)產(chǎn)生的缺點(diǎn)，具有更好的逼近能力。(2)小波RBF神經(jīng)網(wǎng)絡(luò)DVS表明，預(yù)測目標(biāo)值方向的正確率高達(dá)88．89%，單一的BP網(wǎng)絡(luò)的DVS指標(biāo)卻只有33．33%。這表明，小波神經(jīng)網(wǎng)絡(luò)組合模型較單一神經(jīng)網(wǎng)絡(luò)模型能更準(zhǔn)確地預(yù)測目標(biāo)值變化方向，RBF神經(jīng)網(wǎng)絡(luò)在模式識別能力方面也優(yōu)于BP神經(jīng)網(wǎng)絡(luò)。(3)多數(shù)小波神經(jīng)網(wǎng)絡(luò)組合模型成果的預(yù)測相對誤差小于10%，而單一神經(jīng)網(wǎng)絡(luò)合格率則只接近半數(shù)，其中無論組合模型還是單一模型，RBF模型預(yù)測值的合格率都要高于BP神經(jīng)網(wǎng)絡(luò)模型。由表2可知，4種模型預(yù)測精度基本達(dá)到(合格率e＜20%)，即人工神經(jīng)網(wǎng)絡(luò)由于其較強(qiáng)的非線性映射能力、魯棒性、容錯(cuò)性和自適應(yīng)、自組織、自學(xué)習(xí)等特性［17］，對于水文徑流量預(yù)測具有可行性，而進(jìn)行小波分析處理后再建立神經(jīng)網(wǎng)絡(luò)模型能提高預(yù)測的精度，選擇合適的神經(jīng)網(wǎng)絡(luò)模型則能優(yōu)化預(yù)測成果。

5結(jié)語

筆者提出小波分析與不同人工神經(jīng)網(wǎng)絡(luò)耦合的預(yù)測模型。組合模型可將高度復(fù)雜的非穩(wěn)定年徑流序列分頻率提取的成分輸入人工神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測，巧妙地避開了單一預(yù)測模型預(yù)測精度不高的問題;而不同的小波神經(jīng)網(wǎng)絡(luò)組合模型則進(jìn)一步探討了小波分析和不同人工神經(jīng)網(wǎng)絡(luò)耦合的密切程度，得到預(yù)測精度較高的小波神經(jīng)網(wǎng)絡(luò)模型的組合結(jié)構(gòu)。本文以宜昌水文站100a實(shí)測年均徑流量序列為例，進(jìn)行實(shí)例對比驗(yàn)證。對比分析模型模擬成果表明，小波神經(jīng)網(wǎng)絡(luò)組合模型對徑流預(yù)測的適應(yīng)性強(qiáng)于人工神經(jīng)網(wǎng)絡(luò)模型，而小波RBF網(wǎng)絡(luò)模型比小波BP網(wǎng)絡(luò)模型具有更優(yōu)適應(yīng)性，小波RBF網(wǎng)絡(luò)模型能更好地揭示水文隨機(jī)序列的變化特性且提高了預(yù)測精度和速率，為水文工作提供了有效可行的預(yù)報(bào)方法，對水文資料的預(yù)測和插補(bǔ)延長具有實(shí)際意義。

參考文獻(xiàn):

［1］包為民．水文預(yù)報(bào)［M］．北京:中國水利水電出版社，2009．

［2］宋一凡，郭中小，盧亞靜．基于遺傳算法優(yōu)化的小波神經(jīng)網(wǎng)絡(luò)在中長期水文預(yù)報(bào)中的應(yīng)用———以三門峽為例［J］．中國水利水電科學(xué)研究院學(xué)報(bào)，2014，12(4):337－343．

［3］宋荷花，胡國華，李正最．湘江流域中長期水文預(yù)報(bào)［D］．長沙:長沙理工大學(xué)，2008．

［4］鐘登華，王仁超，皮鈞．水文預(yù)報(bào)時(shí)間序列神經(jīng)網(wǎng)絡(luò)模型［J］．水利學(xué)報(bào)，1995，(2):69－74．

［5］王麗學(xué)，楊軍，孫靚，等．基于灰色系統(tǒng)與RBF神經(jīng)網(wǎng)絡(luò)的中長期水文預(yù)報(bào)［J］．人民長江，2015，46(17):15－17．

［6］BatesJM，GrangerCWJ．Thecombinationofforecasts［J］．Opera-tionalResearchQuarterly，1969，20(1):451－468．

［7］王文圣，丁晶，李躍清．水文小波分析［M］．北京:化學(xué)工業(yè)出版社，2005．

［8］LiZuoyong．Progressofstudyonhydrologywaterresourceandwaterenvironment［J］．JournalofSichuanUniversity:EngineeringScienceEdition，2002，34(2):1－4．

［9］孫延奎．小波分析及其應(yīng)用［M］．北京:機(jī)械工業(yè)出版社，2005．

［10］李賢彬，丁晶，李后強(qiáng)．基于子波變換序列的人工神經(jīng)網(wǎng)絡(luò)組合預(yù)測［J］．水利學(xué)報(bào)，1999，(2):1－4．

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

［12］楊淑瑩．模式識別與智能計(jì)算:Matlab技術(shù)實(shí)現(xiàn)［M］．北京:電子工業(yè)出版社，2008．

［13］汪麗娜，陳曉宏，李艷．不同徑流尺度的小波神經(jīng)網(wǎng)絡(luò)預(yù)測［J］．華南師范大學(xué)學(xué)報(bào):自然科學(xué)版，2013，45(2):104－106．

［14］SL250－2000水文情報(bào)預(yù)報(bào)規(guī)范［S］．

［15］崔東文，金波．改進(jìn)BP神經(jīng)網(wǎng)絡(luò)模型在小康水利綜合評價(jià)中的應(yīng)用［J］．河海大學(xué)學(xué)報(bào):自然科學(xué)版，2014，42(4):306－313．

［16］黃劍竹．改進(jìn)RBF－Adadoost模型及其在年徑流預(yù)測中的應(yīng)用［J］．人江，2015，45(1):32－36．

第3篇：神經(jīng)網(wǎng)絡(luò)的特性范文

摘要:常規(guī)PID控制器以其算法簡單、可靠性高等優(yōu)點(diǎn),在工業(yè)生產(chǎn)得到了廣泛應(yīng)用。但是,PID控制器存在控制參數(shù)不易在線實(shí)時(shí)整定、難于對復(fù)雜對象進(jìn)行有效控制等不足。利用神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)、自適應(yīng)和非線性映射等特點(diǎn),將神經(jīng)網(wǎng)絡(luò)和PID控制相結(jié)合,形成一種PID神經(jīng)網(wǎng)絡(luò)控制系統(tǒng),可對工業(yè)中使用的具有大時(shí)滯、慢時(shí)變、非線性特點(diǎn)的電爐系統(tǒng)進(jìn)行有效辨識與控制。

關(guān)鍵詞:PID神經(jīng)網(wǎng)絡(luò);智能控制器;滯后系統(tǒng);時(shí)變系統(tǒng);電爐控制系統(tǒng)

中圖分類號:TP18文獻(xiàn)標(biāo)識碼:A文章編號:1009-3044(2009)28-8028-03

Application of PID Neural Network in Electric Cooker Controlling Systems

REN Hui, WANG Wei-zhi

(Institute of Automation, Fuzhou University,Fuzhou 350002, China)

Abstract: General PID controller, because its algorithm is simple and high reliability,so has been widely used in industrial production. However, PID controller, there is not easy to line real-time control parameter tuning, is difficult for complex objects such as lack of effective control. Using neural network self-learning, adaptive and nonlinear mapping characteristics of neural network and PID control combined to form a PID neural network control system can be used in industry with a large time lag, slow time-varying, nonlinear characteristics of electric systems for effective identification and control.

Key words: PID neural network;intelligent controller;time lag system;time-varying system;electric cooker systems

近年來,隨著神經(jīng)網(wǎng)絡(luò)理論的發(fā)展,將控制中應(yīng)用最廣泛的PID的控制器與具有自學(xué)習(xí)功能的神經(jīng)網(wǎng)絡(luò)相結(jié)合,已成為智能控制研究的一個(gè)新方向。并且,在這個(gè)方向上已取得了一些研究成果 。其主要的結(jié)合方式是在常規(guī)PID控制器的基礎(chǔ)上增加一個(gè)神經(jīng)網(wǎng)絡(luò)模塊,利用神經(jīng)網(wǎng)絡(luò)來在線調(diào)節(jié) PID參數(shù),但缺點(diǎn)是結(jié)構(gòu)較復(fù)雜。本文介紹的PID神經(jīng)網(wǎng)絡(luò)是將PID控制規(guī)律融進(jìn)神經(jīng)網(wǎng)絡(luò)之中構(gòu)成的,實(shí)現(xiàn)了神經(jīng)網(wǎng)絡(luò)和PID控制規(guī)律的本質(zhì)結(jié)合。它屬于多層前向網(wǎng)絡(luò),但是它與一般的多層前向網(wǎng)絡(luò)又不完全相同,一般的多層前向網(wǎng)絡(luò)中的全部神經(jīng)元的輸入輸出特性都是相同的,而PID-NN的隱含層是由比例、積分、微分三個(gè)單元組成,是一種動態(tài)前向網(wǎng)絡(luò),更適合于控制系統(tǒng)。各層神經(jīng)元個(gè)數(shù)、連接方式、連接權(quán)值是按控制規(guī)律的基本原則和已有的經(jīng)驗(yàn)確定的,保證了系統(tǒng)穩(wěn)定和快速收斂。由于PID神經(jīng)網(wǎng)絡(luò)控制器是將神經(jīng)網(wǎng)絡(luò)和PID控制規(guī)律融為一體,所以其既具有常規(guī)PID控制器結(jié)構(gòu)簡單、參數(shù)物理意義明確之優(yōu)點(diǎn),同時(shí)又具有神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)、自適應(yīng)的功能,可將PID神經(jīng)網(wǎng)絡(luò)應(yīng)用于對工業(yè)控制領(lǐng)域的復(fù)雜非線性對象的控制。

本文提出一種基于PID神經(jīng)網(wǎng)絡(luò)的控制方案,用來對大時(shí)滯、慢時(shí)變、非線性的電爐系統(tǒng)進(jìn)行辨識與控制。

1 PID神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)

1.1 PID神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

PID神經(jīng)網(wǎng)絡(luò)是一個(gè) 3層的前向網(wǎng)絡(luò),包括輸入層、隱含層和輸出層,其結(jié)構(gòu)如圖1所示。網(wǎng)絡(luò)的輸入層有2個(gè)神經(jīng)元,分別對應(yīng)系統(tǒng)的輸人和輸出;隱含層有3個(gè)神經(jīng)元,各神經(jīng)元的輸出函數(shù)互不相同,分別對應(yīng)比例(P)、積分(I)、微分(D)3個(gè)部分;網(wǎng)絡(luò)的輸出層完成PID-NN控制規(guī)律的綜合。網(wǎng)絡(luò)的前向計(jì)算實(shí)現(xiàn)PID神經(jīng)網(wǎng)絡(luò)的控制規(guī)律,網(wǎng)絡(luò)的反向算法實(shí)現(xiàn)PID神經(jīng)網(wǎng)絡(luò)參數(shù)的自適應(yīng)調(diào)整。

1.2 控制系統(tǒng)結(jié)構(gòu)及其工作原理

PID神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)結(jié)構(gòu)如圖2所示?？刂葡到y(tǒng)包含PID神經(jīng)網(wǎng)絡(luò)辨識器(PID-NNI )和PID神經(jīng)網(wǎng)絡(luò)控制器((PID-NNC )。其中r(k)為系統(tǒng)的設(shè)定輸入,y(k)為被控對象的實(shí)際輸出,y~(k)為PID-NNI的輸出,u(k)為PID-NNC的輸出。系統(tǒng)的工作原理是:利用神經(jīng)網(wǎng)絡(luò)的非線性函數(shù)逼近能力和學(xué)習(xí)記憶功能,由PID-NNI在線對被控對象模型進(jìn)行辨識。它利用輸出偏差(e1(k)=y(k)-y~(k) ),修正網(wǎng)絡(luò)權(quán)值,使之逐步適應(yīng)被辨識對象的特性。當(dāng)它學(xué)習(xí)到與被控對象基本一致時(shí),PID-NNC利用系統(tǒng)偏差 (e2(k)=r(k)-y~(k)),通過反傳算法實(shí)時(shí)調(diào)整自身權(quán)值,以跟上系統(tǒng)的變化,達(dá)到有效控制的目的。

2 PID神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法

第4篇：神經(jīng)網(wǎng)絡(luò)的特性范文

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)；上證指數(shù)；預(yù)測

1.引言

金融時(shí)間序列的預(yù)測對于投資決策以及規(guī)避風(fēng)險(xiǎn)有重要的意義，其中股票市場走勢預(yù)測始終更是金融領(lǐng)域分析的熱點(diǎn)和難點(diǎn)。對于金融時(shí)間序列的預(yù)測是否足夠準(zhǔn)確影響著預(yù)測方法的有效性，較低的準(zhǔn)確率使得預(yù)測失去了實(shí)際應(yīng)用的意義。目前的金融時(shí)間序列預(yù)測方法有很大一部分是通過使用神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測，神經(jīng)網(wǎng)絡(luò)本身具有良好的擬合非線性的特性，克服了類似于AR模型、MA模型和AMRA模型難于擬合非平穩(wěn)序列的缺點(diǎn)[1]。在理論上，神經(jīng)網(wǎng)絡(luò)可以擬合任何函數(shù)，具有很好的自適應(yīng)性和學(xué)習(xí)性。同時(shí)，由于神經(jīng)網(wǎng)絡(luò)計(jì)算的高效性，被廣泛應(yīng)用于預(yù)測時(shí)間序列領(lǐng)域。目前常用的用于預(yù)測時(shí)間序列的神經(jīng)網(wǎng)絡(luò)有BP神經(jīng)網(wǎng)絡(luò)、徑向基神經(jīng)網(wǎng)絡(luò)以及小波神經(jīng)網(wǎng)絡(luò)。本文將對這三種神經(jīng)網(wǎng)絡(luò)在預(yù)測上證指數(shù)中的準(zhǔn)確率進(jìn)行比較分析。

2.神經(jīng)網(wǎng)絡(luò)概述及原理

2.1.BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)的主要特點(diǎn)是信號前向傳遞，誤差反向傳播[2]。向前傳遞是由輸入層接收到外界信號后將信息傳入到隱含層進(jìn)行處理運(yùn)算，之后傳入到輸出層。如果輸出層得出的結(jié)果與預(yù)期不一致則產(chǎn)生預(yù)測誤差，接下來就開始反向傳遞，根據(jù)預(yù)測誤差調(diào)整網(wǎng)絡(luò)權(quán)值和閥值，從而使BP神經(jīng)網(wǎng)絡(luò)預(yù)測輸出不斷逼近期望輸出。

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

BP神經(jīng)網(wǎng)絡(luò)模型如圖1所示，包括輸入層、輸出層和隱含層。輸入層負(fù)責(zé)將輸入信號傳遞給隱含層，輸入結(jié)點(diǎn)本身沒有計(jì)算功能。

2.1.2 BP神經(jīng)網(wǎng)絡(luò)模型的建立

BP神經(jīng)網(wǎng)絡(luò)模型通過Matlab軟件進(jìn)行編程建模，數(shù)據(jù)的選取是利用大智慧軟件選取1990-2012的5302個(gè)收盤價(jià)作為樣本，其中，前5150個(gè)樣本為訓(xùn)練樣本訓(xùn)練神經(jīng)網(wǎng)絡(luò)，后152個(gè)樣本為測試樣本。為了提高神經(jīng)網(wǎng)絡(luò)的預(yù)測效率，加快訓(xùn)練速度，所以在訓(xùn)練神經(jīng)網(wǎng)絡(luò)之前將原始數(shù)據(jù)歸一化。歸一化公式為：（x-xmin）/（xmax-xmin），其中xmax代表最大值，xmin表示最小值；根據(jù)上證指數(shù)的特性，將BP網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì)為三層，即輸入層，隱含層和輸出層；輸入層有6個(gè)結(jié)點(diǎn)，即式（1）中的輸入變量xi（i=1，2，…，n），表示預(yù)測時(shí)間結(jié)點(diǎn)的前6日收盤價(jià)；隱含層是該模型的運(yùn)算核心，共有8個(gè)結(jié)點(diǎn)，其執(zhí)行式（1）的運(yùn)算，隱含層的輸出結(jié)果為中間變量Oj（j=1，2…，l），變量Oj將被傳入到輸出節(jié)點(diǎn)進(jìn)行運(yùn)算；輸出層有一個(gè)結(jié)點(diǎn)，執(zhí)行式（3）的運(yùn)算；選取第7日的收盤價(jià)為預(yù)期輸出。

2.2.徑向基神經(jīng)網(wǎng)絡(luò)

徑向基神經(jīng)網(wǎng)絡(luò)即徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)。該型神經(jīng)網(wǎng)絡(luò)從輸入層到隱含層通過徑向基函數(shù)完成非線性變換；而隱單元到輸出是線性映射的，因此輸出層權(quán)值的調(diào)整可通過線性規(guī)劃方程直接算出[3]。徑向基神經(jīng)網(wǎng)絡(luò)一般有三層即輸入層、隱含層和輸出層。輸人層由輸入結(jié)點(diǎn)組成；隱含層中神經(jīng)元采用的是徑向基函數(shù)，該函數(shù)是局部響應(yīng)函數(shù)；第三層為輸出層。徑向基神經(jīng)網(wǎng)絡(luò)的節(jié)點(diǎn)激活函數(shù)采用徑向基函數(shù)。

2.2.1徑向基神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

輸入層只負(fù)責(zé)信號輸入，輸入層與隱含層的連接權(quán)值都為1，即輸入層與隱含層的權(quán)值不用調(diào)整改變。隱含層結(jié)點(diǎn)的輸出為：

3.實(shí)驗(yàn)結(jié)果

3.1三種神經(jīng)網(wǎng)絡(luò)模型的預(yù)測結(jié)果比較

4 結(jié)語：

上證指數(shù)的走勢可以視為經(jīng)濟(jì)的運(yùn)轉(zhuǎn)狀況的反映，而經(jīng)濟(jì)的運(yùn)行狀況受到社會中的各種因素和因素間的交互效應(yīng)的影響，從而上證指數(shù)的走勢具有很強(qiáng)的非平穩(wěn)性以及非規(guī)律性，很難預(yù)測準(zhǔn)確。本文比較了BP神經(jīng)網(wǎng)絡(luò)、徑向基神經(jīng)網(wǎng)絡(luò)、小波神經(jīng)網(wǎng)絡(luò)對預(yù)測上證指數(shù)的準(zhǔn)確性，發(fā)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)的預(yù)測效果是三種神經(jīng)網(wǎng)絡(luò)最好的，表明BP型神經(jīng)網(wǎng)絡(luò)相比之下更加適用于對上證指數(shù)的預(yù)測。（作者單位：北京信息科技大學(xué)經(jīng)濟(jì)管理學(xué)院）

參考文獻(xiàn)：

[1]徐超，魏連鑫，王衛(wèi)新.基于小波網(wǎng)絡(luò)的上證指數(shù)預(yù)測實(shí)證分析[J].時(shí)代金融，2011.（24）：146.

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

[3]左喆，董申.基于神經(jīng)網(wǎng)絡(luò)的股票市場預(yù)測[J].財(cái)經(jīng)論壇，2010.（24）：204-205.

第5篇：神經(jīng)網(wǎng)絡(luò)的特性范文

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò) 網(wǎng)絡(luò)方法 環(huán)境色譜法 多個(gè)節(jié)點(diǎn) 信息模型

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

從近幾年在國內(nèi)神經(jīng)網(wǎng)絡(luò)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(gè)環(huán)境的評價(jià)都帶來了很多新的成果。該文主要是通過對神經(jīng)網(wǎng)絡(luò)相關(guān)分類的闡述，結(jié)合神經(jīng)網(wǎng)絡(luò)在環(huán)境監(jiān)測中的應(yīng)用效果，希望能給神經(jīng)網(wǎng)絡(luò)對環(huán)境監(jiān)測中做一些回顧和總結(jié)[1]。

1 網(wǎng)絡(luò)方法類別

由于著重的角度關(guān)系，網(wǎng)絡(luò)法會有多種不同的類別，由于神經(jīng)網(wǎng)絡(luò)是多個(gè)節(jié)點(diǎn)的連接，有相當(dāng)多復(fù)雜的算法，基于神經(jīng)網(wǎng)絡(luò)，可以總共闡述兩大類的情況，包括有管理和無管理的網(wǎng)絡(luò)方法。關(guān)于這兩種的不同點(diǎn)就在于它們是否需要對現(xiàn)有的樣本進(jìn)行訓(xùn)練。有管理的網(wǎng)絡(luò)方法是需要訓(xùn)練，而無管理的網(wǎng)絡(luò)方法是無需進(jìn)行訓(xùn)練，它需要與其他的化合物相結(jié)合使用，里面會涉及到網(wǎng)絡(luò)與遺傳法、偏最小二乘法等分析方法來進(jìn)行分析比較。另外根據(jù)網(wǎng)絡(luò)的結(jié)構(gòu)不同，也可以把網(wǎng)絡(luò)方法給分成前向和后向的網(wǎng)絡(luò)方法，而如果是從網(wǎng)絡(luò)活動方式的差別，也可以將其分為隨機(jī)和確定兩種網(wǎng)絡(luò)方法。

2 關(guān)于環(huán)境監(jiān)測的化學(xué)方面的應(yīng)用

在化學(xué)方面，國內(nèi)與有很多用于化合物的一些研究，比如一些有機(jī)結(jié)構(gòu)分析，還有化學(xué)反應(yīng)、蛋白質(zhì)結(jié)構(gòu)等等的分析。在進(jìn)行定量的構(gòu)效關(guān)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(guān)網(wǎng)絡(luò)模型，然后對生物的毒性進(jìn)行進(jìn)一步預(yù)測，當(dāng)然，在分析過程中還存在著很多的問題，通過比較一些網(wǎng)絡(luò)模型，然后計(jì)算它們之間的權(quán)值，再篩選相出相應(yīng)的參數(shù)，學(xué)者們在分析的時(shí)候也會對多層前傳網(wǎng)絡(luò)進(jìn)行探討分析，盡量減低誤差，通過多方向的非線性校準(zhǔn)，并且進(jìn)行數(shù)據(jù)解析，然后表明引射能力，通過建立神經(jīng)網(wǎng)絡(luò)來不斷接近規(guī)律的程度，擬定相關(guān)的指標(biāo)數(shù)[2]。

3 分光光度的方法應(yīng)用

在化學(xué)分析進(jìn)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(guān)方法的不斷普及，目前大多數(shù)是使網(wǎng)絡(luò)和現(xiàn)有的紫外光譜法相互關(guān)聯(lián)，利用線性網(wǎng)絡(luò)、BP網(wǎng)絡(luò)等來用于多個(gè)分組的報(bào)道[3]。鄧勃等[4]學(xué)者在分析的時(shí)候，認(rèn)為除了人工神經(jīng)網(wǎng)絡(luò)，迭代目標(biāo)轉(zhuǎn)換因子的分析法相比較起來也是一種不錯(cuò)的選擇，兩種方法各有優(yōu)勢，并且產(chǎn)生的網(wǎng)絡(luò)法的誤差一般都不會很大。孫益民等專家在分析時(shí)，利用現(xiàn)有的人工神經(jīng)網(wǎng)絡(luò)先后側(cè)出的光度法，并且可以測定比如銅、鎳，并且這個(gè)分析方式非常的簡單和方便[5]。

4 神經(jīng)網(wǎng)絡(luò)對X射線中的熒光光譜法的應(yīng)用

研究人員通過神經(jīng)網(wǎng)絡(luò)建立與X射線熒光譜譜法的關(guān)系，通過多個(gè)不同的神經(jīng)網(wǎng)絡(luò)來應(yīng)用，可以通過他們之間的連接來測定酸溶鋁，通過神經(jīng)網(wǎng)絡(luò)的設(shè)置，可以測定里面的最低的鋁值，通過神經(jīng)網(wǎng)絡(luò)與BP的網(wǎng)絡(luò)模型的設(shè)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(cè)出酸溶出來的鋁的數(shù)值。BP模型可以結(jié)合現(xiàn)有的神經(jīng)網(wǎng)絡(luò)系統(tǒng)，充分的在現(xiàn)有的信息模型上應(yīng)用，通過利用網(wǎng)絡(luò)神經(jīng)的結(jié)構(gòu)，不僅可以做一些化學(xué)分析，還可以通過神經(jīng)網(wǎng)絡(luò)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(guān)于色譜法的研究中，人工神經(jīng)網(wǎng)絡(luò)也有可以應(yīng)用的方向[7]。色譜法中的小波分析，與人工神經(jīng)網(wǎng)絡(luò)的結(jié)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(yùn)用神經(jīng)網(wǎng)絡(luò)分析之后，可以在其中建立相關(guān)的模型，通過兩者的結(jié)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(gè)非常復(fù)雜的工程，它們之間需要運(yùn)用大量的元素來分開，效率極低，極其浪費(fèi)時(shí)間。因?yàn)槠鋬?nèi)里復(fù)雜的重疊組織，而現(xiàn)在，人工神經(jīng)網(wǎng)絡(luò)為其分離提供了一種新的嘗試[8]，不僅如此，通過人工神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)的時(shí)候，會運(yùn)用藥物來優(yōu)化整個(gè)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(jià)

通過之前提到的BP網(wǎng)絡(luò)，通過介紹與人工神經(jīng)網(wǎng)絡(luò)模型的結(jié)合，來闡述了整個(gè)模型應(yīng)用的原理，通過綜合相關(guān)的分析方法可以對環(huán)境監(jiān)測中的適用性進(jìn)行分析評價(jià)，這樣表現(xiàn)出來的結(jié)果會更加客觀。研究者可以從有預(yù)測模型中表現(xiàn)的結(jié)果，在水庫里進(jìn)行抽樣，提取水庫中的相關(guān)元素進(jìn)行預(yù)測，確認(rèn)是否與實(shí)際結(jié)果一致，可以通過建立人工神經(jīng)網(wǎng)絡(luò)來對水質(zhì)中的污染指數(shù)進(jìn)行評價(jià)，然后得出相應(yīng)的成果。

7 結(jié)語

人工神經(jīng)網(wǎng)絡(luò)在整個(gè)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(jié)為以下3個(gè)方面：第一，人工神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)的特性?？梢酝ㄟ^大量的圖像來設(shè)計(jì)，進(jìn)行相關(guān)的圖像識別，把不同的幾個(gè)圖像進(jìn)行整合分析，并且把與之相互對應(yīng)的結(jié)果嵌入到神經(jīng)網(wǎng)絡(luò)系統(tǒng)中，系統(tǒng)會根據(jù)自己特有的自學(xué)功能，對以后相關(guān)的圖像進(jìn)行識別操作，它可以給人們提供一些預(yù)測結(jié)果，甚至在未來的無論是經(jīng)濟(jì)還是政治等方面提供一些預(yù)測，預(yù)測經(jīng)濟(jì)和市場，給未來的發(fā)展提供引導(dǎo)。第二，系統(tǒng)具有可存儲的特性。人工神經(jīng)網(wǎng)絡(luò)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(lián)系不同元素之間的關(guān)系，得出一些可能的聯(lián)想信息。最后，神經(jīng)網(wǎng)絡(luò)還有一項(xiàng)功能便是優(yōu)化得出答案的能力。

一般問題的因果關(guān)系都會涉及到多個(gè)方面，那么如何在多個(gè)元素中抽絲剝繭，不斷地優(yōu)化整個(gè)系統(tǒng)，是神經(jīng)網(wǎng)絡(luò)的一個(gè)主要的功能，它可以通過計(jì)算來得到最優(yōu)化的解，即便其中的運(yùn)算量牽連的比較多，但是結(jié)合神經(jīng)網(wǎng)絡(luò)中反饋聯(lián)想的功能，再包括計(jì)算機(jī)強(qiáng)大的運(yùn)算效率，那么得到答案有時(shí)候也是比較容易的。

人工神經(jīng)網(wǎng)絡(luò)在環(huán)境監(jiān)測中表現(xiàn)的效果比較好，但是除此之外，在其他領(lǐng)域，運(yùn)用神經(jīng)系統(tǒng)也可以得到一些相關(guān)的數(shù)據(jù)，比如經(jīng)濟(jì)領(lǐng)域，它可以通過建立信息模型，來進(jìn)行市場預(yù)測和風(fēng)險(xiǎn)評估，這些都是很好的應(yīng)用方式。在未來的實(shí)踐中，隨著經(jīng)驗(yàn)的積累，神經(jīng)網(wǎng)絡(luò)的應(yīng)用在環(huán)境監(jiān)測中會不斷地深入，通過在色譜、光度等領(lǐng)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(xiàn)

[1] 黃勝林.遺傳優(yōu)化神經(jīng)網(wǎng)絡(luò)在大壩變形監(jiān)測中的應(yīng)用[D].遼寧工程技術(shù)大學(xué)，2012.

[2] 熊勛.人工神經(jīng)網(wǎng)絡(luò)在環(huán)境質(zhì)量評價(jià)和預(yù)測中的應(yīng)用研究[D].華中科技大學(xué)，2009.

[3] 王學(xué).無線傳感器網(wǎng)絡(luò)在遠(yuǎn)程環(huán)境監(jiān)測中的應(yīng)用[D].山東師范大學(xué)，2011.

[4] 武藝.人工神經(jīng)網(wǎng)絡(luò)在土壤質(zhì)量監(jiān)測中的應(yīng)用[D].浙江海洋學(xué)院，2015.

[5] 黃湘君.基于主成分分析的BP神經(jīng)網(wǎng)絡(luò)在電力系統(tǒng)負(fù)荷預(yù)測中的應(yīng)用[J].科技信息：科學(xué)?教研，2008（16）：313-314.

[6] 李春梅，周驥平，顏景平.人工神經(jīng)網(wǎng)絡(luò)在機(jī)器人視覺中的應(yīng)用[J].制造業(yè)自動化，2000（9）：33-36，49.

[7] 涂曄，車文剛.BP神經(jīng)網(wǎng)絡(luò)在福利彩票預(yù)測中的應(yīng)用[A].中國智能計(jì)算大會[C].2009.

[8] 李巖，韓秋，鄭萬仁.BP神經(jīng)網(wǎng)絡(luò)在電力需求決策中的應(yīng)用[J].現(xiàn)代經(jīng)濟(jì)信息，2009（22）：325-326.

第6篇：神經(jīng)網(wǎng)絡(luò)的特性范文

[關(guān)鍵詞] 廣義回歸神經(jīng)網(wǎng)絡(luò) 經(jīng)濟(jì)預(yù)測 評價(jià)指標(biāo)體系

一般常用的預(yù)測方法包括時(shí)間序列方法（移動平滑法、指數(shù)平滑法、隨機(jī)時(shí)間序列方法），相關(guān)(回歸)分析法，灰色預(yù)測方法等。這些方法大都集中于對因果關(guān)系回歸模型和時(shí)間序列模型的分析，建立的模型不能全面和本質(zhì)的反映所預(yù)測的動態(tài)數(shù)據(jù)的內(nèi)在結(jié)構(gòu)和復(fù)雜特性。人工神經(jīng)網(wǎng)絡(luò)是有大量簡單的處理單元組成的非線形、自適應(yīng)、自組織系統(tǒng)，它的重要特點(diǎn)是通過網(wǎng)絡(luò)學(xué)習(xí)達(dá)到其輸出與期望輸出相符的結(jié)果，具有很強(qiáng)的自學(xué)自適應(yīng)、魯棒性、容錯(cuò)性、存儲記憶的能力，人工神經(jīng)網(wǎng)絡(luò)具有傳統(tǒng)建模方法所不具備的很多優(yōu)點(diǎn)，有很好的非線形映射能力，對被建模對象的經(jīng)驗(yàn)知識要求不多，一般不必事先知道有關(guān)被建模對象的結(jié)構(gòu)、參數(shù)和動態(tài)特性等方面的知識。只需要給出對象的輸入和輸出數(shù)據(jù)，通過網(wǎng)絡(luò)本身的學(xué)習(xí)功能就可以達(dá)到輸入和輸出的映射關(guān)系。相對于傳統(tǒng)的根據(jù)數(shù)據(jù)分析預(yù)測方法，它更適合處理模糊、非線形的和模式特征不明確的問題。人工神經(jīng)網(wǎng)絡(luò)中有各種模型，其中廣義回歸神經(jīng)網(wǎng)絡(luò)（Generalized Regression Neural Network, GRNN）是Donald F.Specht提出的一種新型神經(jīng)網(wǎng)絡(luò)，本文將探討該神經(jīng)網(wǎng)絡(luò)模型在經(jīng)濟(jì)預(yù)測中的應(yīng)用。

一、廣義回歸神經(jīng)網(wǎng)絡(luò)

廣義回歸神經(jīng)網(wǎng)絡(luò)（GRNN）是徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的一種，有三層組織結(jié)構(gòu)。第一層為輸入層，有信號源結(jié)點(diǎn)組成。第二層為徑向基隱含層，神經(jīng)元個(gè)數(shù)等于訓(xùn)練樣本數(shù)，由所描述問題而定，第三層為線性輸出層，其權(quán)函數(shù)為規(guī)范化點(diǎn)積權(quán)函數(shù)，計(jì)算網(wǎng)絡(luò)的輸出。

GRNN網(wǎng)絡(luò)連接權(quán)值的學(xué)習(xí)修正使用BP算法，由于網(wǎng)絡(luò)隱含層結(jié)點(diǎn)中的作用函數(shù)采用高斯函數(shù)，從而具有局部逼近能力，此為該網(wǎng)絡(luò)之所以學(xué)習(xí)速度快的原因，此外，由于GRNN中人為調(diào)節(jié)參數(shù)很少，只有一個(gè)閾值，網(wǎng)絡(luò)的學(xué)習(xí)全部依耐數(shù)據(jù)樣本，這個(gè)特點(diǎn)決定網(wǎng)絡(luò)得以最大可能地避免人為主觀假定對預(yù)測結(jié)果的影響。

二、GRNN在經(jīng)濟(jì)預(yù)測中的應(yīng)用

本文根據(jù)對GDP影響因素的分析，這里分別取固定資產(chǎn)投資、從業(yè)人員數(shù)量、能源生產(chǎn)總量、財(cái)政支出、貨運(yùn)量、人均收入、進(jìn)出口量，貨幣供應(yīng)量等8項(xiàng)指標(biāo)作為GDP預(yù)測的影響因子，以第一產(chǎn)業(yè)，第二產(chǎn)業(yè)，第三產(chǎn)業(yè)生產(chǎn)總值作為GDP的輸出因子，即網(wǎng)絡(luò)的輸出。由此來構(gòu)建廣義回歸神經(jīng)網(wǎng)絡(luò)。

我們通過查《中國統(tǒng)計(jì)年鑒》，利用1990年～1999年共10年的歷史統(tǒng)計(jì)數(shù)據(jù)作為網(wǎng)絡(luò)的訓(xùn)練樣本，2000年～2003年共4年的歷史統(tǒng)計(jì)數(shù)據(jù)作為網(wǎng)絡(luò)的外推測試樣本。

應(yīng)用MATLAB7編程，創(chuàng)建一個(gè)GRNN網(wǎng)絡(luò)，輸入向量組數(shù)為10，每組向量的元素個(gè)數(shù)為8，中間層徑向基神經(jīng)元個(gè)數(shù)為10，輸出層有線性神經(jīng)元個(gè)數(shù)3。對網(wǎng)絡(luò)進(jìn)行訓(xùn)練和測試。我們將光滑因子分別設(shè)置為0.01，0.02，0.03，0.04，0.05，通過不斷的嘗試，我們得到光滑因子為0.01時(shí)，網(wǎng)絡(luò)的誤差最小，逼近效果相對最好，如圖1所示，網(wǎng)絡(luò)此時(shí)的逼近誤差基本均在0附近，網(wǎng)絡(luò)訓(xùn)練符合要求。

通過2000年至2003年共4年的數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)外推預(yù)測測試，得到預(yù)測誤差曲線如圖2，網(wǎng)絡(luò)的輸出誤差分別在0.12和0.25之間。應(yīng)該說在訓(xùn)練樣本較少的情況下這種誤差是可以接受的。因此可以用GRNN神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測，將2007年的相關(guān)數(shù)據(jù)進(jìn)行輸入網(wǎng)路中，就可以得到2008年的各產(chǎn)業(yè)的經(jīng)濟(jì)生產(chǎn)總值了。

三、結(jié)論

通過以上對GRNN在經(jīng)濟(jì)預(yù)測中的應(yīng)用分析可以看出，GRNN神經(jīng)網(wǎng)絡(luò)模型在預(yù)測方面有很好的優(yōu)勢，其預(yù)測精度較高，對參數(shù)的要求較低，只需一個(gè)光滑因子，但模型本身也有一定局限，其對樣本數(shù)據(jù)依耐很強(qiáng)，隨著時(shí)間推移，其預(yù)測結(jié)果偏差會越來越大，因此模型更適合于短期預(yù)測。如要應(yīng)用于長期預(yù)測，就需不斷增加新樣本數(shù)據(jù)，對模型進(jìn)行完善。

參考文獻(xiàn)：

[1]喬維德:基于BP神經(jīng)網(wǎng)絡(luò)的電力企業(yè)信息化水平評價(jià)指標(biāo)體系的研究[J].電氣時(shí)代，2004，A20

[2]歐邦才:基于BP神經(jīng)網(wǎng)絡(luò)的經(jīng)濟(jì)預(yù)測方法[J].南京工程學(xué)院學(xué)報(bào)（自然科學(xué)版），2004（2），11～14

[3]飛思科技產(chǎn)品研發(fā)中心:神經(jīng)網(wǎng)絡(luò)理論與MATLAB7實(shí)現(xiàn)[M].北京:電子工業(yè)出版社，2005，117

第7篇：神經(jīng)網(wǎng)絡(luò)的特性范文

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

中圖分類號：TP18 文獻(xiàn)標(biāo)識碼：A 文章編號：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。入侵檢測技術(shù)在安全防護(hù)中是一種主動防護(hù)技術(shù)，能及時(shí)地檢測各種惡意入侵，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，入侵檢測系統(tǒng)沒有充分發(fā)揮其作用。這是因?yàn)?，不斷變化的入侵方式要求入侵檢測模型必須具有分析大量數(shù)據(jù)的能力。無論這些數(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，這就要求入侵檢測模型又必須具備處理來自非線性數(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)用入侵檢測中，它不僅可以識別出曾見過的入侵，還可以識別出未曾見過的入侵。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

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調(diào)整它的網(wǎng)絡(luò)參數(shù)來模擬輸入輸出之間的非線性關(guān)系。2）在存儲上采用分布式存儲，所有的信息分布存儲在每一個(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)用于入侵檢測技術(shù)，滿足入侵檢測的適應(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??；2）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 入侵檢測技術(shù)

通過對系統(tǒng)數(shù)據(jù)的分析，當(dāng)發(fā)現(xiàn)有非授權(quán)的網(wǎng)絡(luò)訪問和攻擊行為時(shí)，采取報(bào)警、切斷入侵線路等措施來維護(hù)網(wǎng)絡(luò)安全，這被就是入侵檢測技術(shù)。采用此技術(shù)設(shè)計(jì)的系統(tǒng)稱為入侵檢測系統(tǒng)。根據(jù)采用的技術(shù)來說入侵檢測系統(tǒng)應(yīng)具有以下幾個(gè)特性：1）監(jiān)視用戶及系統(tǒng)活動；2） 分析用戶及系統(tǒng)活動；3） 異常行為模式分析；4） 識別已知的進(jìn)攻活動模式并反映報(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） 評估重要的系統(tǒng)和數(shù)據(jù)文件的完整性，并識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、非授權(quán)訪問和非授權(quán)獲得超級用戶權(quán)限攻擊。而且這些攻擊手段在實(shí)際中還有很大的變異，因此給入侵檢測帶來了一定的難度。BP神經(jīng)網(wǎng)絡(luò)的自組織自學(xué)習(xí)能力，使得經(jīng)過訓(xùn)練后的BP神經(jīng)網(wǎng)絡(luò)對以前觀察到的入侵檢測行為模式進(jìn)行歸納總結(jié)，除了可以識別出已經(jīng)觀察到的攻擊，還可以識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)在模式識別、非線性處理、信號檢測等領(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)化問題的梯度算法，該算法在收斂性問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)問題的最陡下降法，學(xué)習(xí)步長是一個(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自動調(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。因此，如果相鄰兩次的梯度方向相同則說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明此處存在不穩(wěn)定。因此，可以利用兩次相對梯度變化來確定學(xué)習(xí)步長，當(dāng)兩次梯度方向相同時(shí)則增大學(xué)習(xí)步長，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，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確定學(xué)習(xí)步長的算法，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)的引入就是對學(xué)習(xí)過程中等效的對學(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)算法可以對學(xué)習(xí)速率進(jìn)行微調(diào)，但是仍存在著BP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力來激活網(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。如果誤差沒有降低，那么就再繼續(xù)產(chǎn)生隨機(jī)數(shù)來修改權(quán)值，直到誤差減少，再從新的權(quán)值開始繼續(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比曲線如圖1所示。

3 采用改進(jìn)算法的入侵檢測仿真實(shí)驗(yàn)

入侵檢測系統(tǒng)進(jìn)行測試和評估需要標(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入侵檢測評估數(shù)據(jù)庫的數(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)用性分別對三類特征值用神經(jīng)網(wǎng)絡(luò)分別進(jìn)行訓(xùn)練和識別。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)測試。

3.2 仿真實(shí)驗(yàn)結(jié)果

對三類特征組的訓(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。然后再對測試集數(shù)據(jù)進(jìn)行測試，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)行檢測識別，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)行檢測識別，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)行檢測識別，結(jié)果如表3所示：

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

4 結(jié)論

論文采用自動變速率學(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8篇：神經(jīng)網(wǎng)絡(luò)的特性范文

關(guān)鍵詞：電加熱爐；BP神經(jīng)網(wǎng)絡(luò)；PID控制

中圖分類號：TP23文獻(xiàn)標(biāo)識碼：A文章編號：1672-3198（2008）05-0322-02

1 基于BP神經(jīng)網(wǎng)絡(luò)的PID控制

BP算法是在導(dǎo)師指導(dǎo)下，適合于多層神經(jīng)元網(wǎng)絡(luò)的一種學(xué)習(xí)，它是建立在梯度下降法的基礎(chǔ)上的。理論證明，含有一個(gè)隱含層的BP網(wǎng)絡(luò)可以實(shí)現(xiàn)以任意精度近似任何連續(xù)非線性函數(shù)。

BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示，由三層(輸人層、隱含層、輸出層)網(wǎng)絡(luò)組成，使輸出層的神經(jīng)元狀態(tài)對應(yīng)PID控制器的三個(gè)可調(diào)參數(shù)Kp、Ki、Kd。通過神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)、加權(quán)系數(shù)調(diào)整使神經(jīng)網(wǎng)絡(luò)輸出對應(yīng)于某種最優(yōu)控制律下的PID控制器參數(shù)。

圖1 BP網(wǎng)絡(luò)結(jié)構(gòu)

基于BP(Baekpropgation)網(wǎng)絡(luò)的PID控制系統(tǒng)結(jié)構(gòu)如圖2所示，控制器由常規(guī)的PID控制器和神經(jīng)網(wǎng)絡(luò)兩部分組成，常規(guī)PID控制器直接對被控對象進(jìn)行閉環(huán)控制，并且其控制參數(shù)為Kp、Ki、Kd在線調(diào)整方式；神經(jīng)網(wǎng)絡(luò)根據(jù)系統(tǒng)的運(yùn)行狀態(tài)，調(diào)節(jié)PID控制器的參數(shù)，以期達(dá)到某種性能指標(biāo)的最優(yōu)化，使輸出層神經(jīng)元的輸出對應(yīng)于PID控制器的三個(gè)可調(diào)參數(shù)Kp、Ki、Kd。通過神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)、加權(quán)系數(shù)的調(diào)整，使神經(jīng)網(wǎng)絡(luò)輸出對應(yīng)于某種最優(yōu)控制規(guī)律下的PID控制器參數(shù)。

圖2 神經(jīng)網(wǎng)絡(luò)PID控制器結(jié)構(gòu)圖

2 改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)

基本BP神經(jīng)網(wǎng)絡(luò)主要存在以下兩個(gè)缺陷：其一，傳統(tǒng)BP網(wǎng)絡(luò)是一個(gè)非線形優(yōu)化問題，不可避免的存在局部極小問題。網(wǎng)絡(luò)的權(quán)值和閥值沿局部改善的方向不斷修正，力圖達(dá)到使誤差函數(shù) 最小化的全局解，但實(shí)際上常得到的是局部最優(yōu)點(diǎn)；其二，學(xué)習(xí)過程中，誤差函數(shù)下降慢，學(xué)習(xí)速度緩，易出現(xiàn)一個(gè)長時(shí)間的誤差坦區(qū)，即出現(xiàn)平臺。

目前已有不少人對此提出改進(jìn)的方法。如在修改權(quán)值中加入“動量項(xiàng)”，采用Catchy誤差估計(jì)器代替?zhèn)鹘y(tǒng)的LMS誤差估計(jì)器等。本文在此探討通過變

換梯度來加快網(wǎng)絡(luò)訓(xùn)練的收斂速度的共軛梯度算法,利用這種算法改善收斂速度與收斂性能。改進(jìn)共軛梯度算法在不增加算法復(fù)雜性的前提下可以提高收斂速度，并且可以沿共軛方向達(dá)到全局最優(yōu)即全局極值點(diǎn)。它要求在算法進(jìn)行過程中采用線性搜索，本文采用Fletcher-Reeves線性搜索方法，以保證算法的收斂速度。

將改進(jìn)共軛梯度法應(yīng)用于BP網(wǎng)絡(luò)的控制算法如下：

1)選取初始點(diǎn)w(0)和初始搜索方向d(0)=-g(0)；

2)對k=0，1，2，…，n-1,BP網(wǎng)絡(luò)的權(quán)值修正公式為

w(k+1)=w(k)+α(k)d(k)(1)

式中：α(k)為學(xué)習(xí)速率，使式(1)取得極??；d(k)為第k次迭代的共軛方向。

3)計(jì)算新的梯度矢量g(k+1)；

4)若k=n-1，則用w(n)代替w(0)，并返回步驟(1)；否則轉(zhuǎn)步驟(5)；

5)計(jì)算第(k+1)迭代的共軛方向

d(k+1)=-g(k+1)+β(k)d(k)(2)

式中

β(k)=gT(k)g(k)gT(k-1)g(k-1)（Fletcher-Reeves公式）(3)

6)如果dT(k+1)g(k+1)>0，則用w(n)代替w(0)，并返回步驟(1)；否則轉(zhuǎn)步驟(2)。

3 仿真試驗(yàn)

本文以電加熱爐為控制對象，其數(shù)學(xué)模型可以用一階慣性環(huán)節(jié)加上一個(gè)大的純滯后環(huán)節(jié)來表示，傳遞函數(shù)為：

G(s)=KpTps+1e-τs=148286s+1e-200s

構(gòu)造兩個(gè)3-5-3結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)，以誤差、誤差的積分、誤差的微分為網(wǎng)絡(luò)的輸入；選取學(xué)習(xí)速率η=0.01、慣性系數(shù)α=0.04，加權(quán)系數(shù)初始矩陣取區(qū)間［0 0.5］上的隨機(jī)數(shù)，傳統(tǒng)與改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)的加權(quán)系數(shù)分別使用負(fù)梯度法、改進(jìn)共軛梯度法進(jìn)行自整定。

由于電加熱爐是溫度參數(shù)的定值控制，且存在干擾和對象參數(shù)變化的情況，為驗(yàn)證改進(jìn)BP神經(jīng)網(wǎng)絡(luò)PID控制的效果，分別對其跟蹤設(shè)定值特性、及適應(yīng)對象參數(shù)變化的能力進(jìn)行仿真研究，并與基于傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)PID控制器的控制效果進(jìn)行比較分析。圖3為單位階躍響應(yīng)曲線，圖4為過程對象單位階躍響應(yīng)曲線是在控制器參數(shù)不變的情況下改變對象G(S)參數(shù)的仿真結(jié)果。(注:以下各圖中實(shí)線或“I”均表示改進(jìn)BP神經(jīng)網(wǎng)絡(luò)PID控制結(jié)果，虛線、點(diǎn)線或“T”表傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)PID控制器的控制結(jié)果;A、B、C分別表示G(S)三種參數(shù)變化了的模型)

從仿真結(jié)果看，改進(jìn)BP神經(jīng)網(wǎng)絡(luò)PID控制器比傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)PID控制器在控制性能上有了一定程度的提高，尤其是在系統(tǒng)穩(wěn)定時(shí)間和抗干擾性方面的優(yōu)化較為明顯。這主要是因?yàn)樵贐P算法中采用了改進(jìn)共軛梯度法，加快了BP算法的收斂速度，從而保證了系統(tǒng)穩(wěn)定時(shí)間較短，又具有較好的泛化能力，因此，具有較強(qiáng)的抗干擾和適應(yīng)參數(shù)變化的能力

4 結(jié)論

改進(jìn)共軛梯度BP算法在不增加算法復(fù)雜度的情況下，通過梯度的共軛方向來尋求網(wǎng)絡(luò)的全局最優(yōu)值，從而避免網(wǎng)絡(luò)陷入局部極小值。本文將其替代傳統(tǒng)的BP算法構(gòu)造智能PID控制器，并進(jìn)行了以電加熱爐為模型的控制系統(tǒng)仿真。結(jié)果表明，這種改進(jìn)算法能夠有效提高網(wǎng)絡(luò)的訓(xùn)練速度，改善網(wǎng)絡(luò)的收斂性能，避免網(wǎng)絡(luò)陷入局部極小值，取得了良好的控制性能。

參考文獻(xiàn)

［1］陳巍, 吳捷. 具有輔助調(diào)節(jié)功能的遞歸神經(jīng)網(wǎng)絡(luò)自適應(yīng)PID控制［J］. 信息與控制, 2000, 29(5): 461-470.

［2］李奇, 李世華. 一類神經(jīng)網(wǎng)絡(luò)智能PID控制算法的分析與改進(jìn)［J］. 控制與決策, 1998, 13(4): 312-316.

［3］李士勇著. 模糊控制、神經(jīng)控制和智能控制論［M］. 哈爾濱: 哈爾并工業(yè)大學(xué)出版社, 1996.

［4］高雋. 人工神經(jīng)網(wǎng)絡(luò)原理及仿真實(shí)例［M］. 北京:機(jī)械工業(yè)出版社, 2003, 7-20.

第9篇：神經(jīng)網(wǎng)絡(luò)的特性范文

為尋求一種簡便的船舶運(yùn)動模型辨識方法，根據(jù)船舶動力學(xué)與運(yùn)動學(xué)基本方程的結(jié)構(gòu)形式，建立一種基于Elman神經(jīng)網(wǎng)絡(luò)的辨識模型，給出網(wǎng)絡(luò)結(jié)構(gòu)的選取和確定方法.以載質(zhì)量為5萬t的散貨船為例，利用國際海事組織要求的幾個(gè)典型的船舶操縱試驗(yàn)數(shù)據(jù)對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，計(jì)算權(quán)值矩陣，獲得該船舶可用于船舶操縱性分析的神經(jīng)網(wǎng)絡(luò)模型.將網(wǎng)絡(luò)計(jì)算結(jié)果代入船舶運(yùn)動學(xué)方程進(jìn)行船舶航跡仿真，并與試驗(yàn)航跡數(shù)據(jù)進(jìn)行對比， 驗(yàn)證網(wǎng)絡(luò)模型的精確性.比較仿真驗(yàn)證結(jié)果和試驗(yàn)數(shù)據(jù)可知，該網(wǎng)絡(luò)模型能基本反映被辨識船舶的動態(tài)特性，驗(yàn)證其有效性和準(zhǔn)確性.

關(guān)鍵詞：

船舶動力學(xué)模型； 船舶運(yùn)動學(xué)方程； 神經(jīng)網(wǎng)絡(luò)； 系統(tǒng)辨識

中圖分類號： U661.33；TP183

文獻(xiàn)標(biāo)志碼： A

0引言

目前對于船舶操縱運(yùn)動數(shù)學(xué)模型的研究基本上從兩方面著手：一是機(jī)理建模研究，從基本運(yùn)動方程出發(fā)，通過確定其水動力求解其運(yùn)動參數(shù)的水動力模型；二是辨識建模研究，將船舶看作一個(gè)動態(tài)系統(tǒng)，舵角作為輸入，船舶運(yùn)動參數(shù)作為輸出，進(jìn)行水動力參數(shù)辨識和函數(shù)形式傳遞的船舶模型辨識.前一種方法需要測量和計(jì)算復(fù)雜的水動力導(dǎo)數(shù)，工作量大，而且某些水動力導(dǎo)數(shù)的理論估算目前還不能滿足工程精度的要求，只能通過拘束船模試驗(yàn)精確確定，費(fèi)用高，可行性較低.后一種方法中的水動力參數(shù)辨識，存在無法完全辨識的問題，而傳遞函數(shù)形式的船舶模型，更適合于寬闊水域的船舶操縱，不適合具有高強(qiáng)機(jī)動性的船舶操縱控制，若要應(yīng)用于仿真，還需補(bǔ)充目前尚無統(tǒng)一形式的船舶縱向方程[1].近幾年，隨著神經(jīng)網(wǎng)絡(luò)研究的再度興起，神經(jīng)網(wǎng)絡(luò)在模式識別、系統(tǒng)辨識、圖像處理和自動控制等眾多領(lǐng)域得到廣泛應(yīng)用[24]，在運(yùn)動建模與仿真，特別是在船舶操縱性中的應(yīng)用也越來越受到國內(nèi)外眾多學(xué)者[58]的關(guān)注.神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)、自適應(yīng)的能力，能夠從輸入數(shù)據(jù)中自動學(xué)習(xí)，抽取包含在數(shù)據(jù)中的映射關(guān)系，因此可以用來學(xué)習(xí)船舶在航行過程中的動態(tài)操縱特性.目前， 在系統(tǒng)辨識中應(yīng)用最多的是多層前向網(wǎng)絡(luò). 該網(wǎng)絡(luò)具有逼近任意連續(xù)非線性函數(shù)的能力， 但這種網(wǎng)絡(luò)結(jié)構(gòu)一般是靜態(tài)的， 而人們更關(guān)心控制系統(tǒng)的動態(tài)特性， 這恰恰是反向傳播（BackPropagation，BP）神經(jīng)網(wǎng)絡(luò)等前饋型網(wǎng)絡(luò)所缺乏的.與靜態(tài)前饋型神經(jīng)網(wǎng)絡(luò)不同，動態(tài)遞歸網(wǎng)絡(luò)通過存儲內(nèi)部狀態(tài)使其具備映射動態(tài)特征的功能， 從而使系統(tǒng)具有適應(yīng)時(shí)變特性的能力， 更適合于非線性動態(tài)系統(tǒng)的辨識.動態(tài)遞歸神經(jīng)網(wǎng)絡(luò)是控制系統(tǒng)建模和辨識中極具發(fā)展?jié)摿Φ木W(wǎng)絡(luò).[9]本文將動態(tài)遞歸神經(jīng)網(wǎng)絡(luò)應(yīng)用于船舶操縱運(yùn)動辨識，建立一種基于Elman神經(jīng)網(wǎng)絡(luò)的辨識模型.該網(wǎng)絡(luò)模型與已知的船舶動力學(xué)基本模型相對應(yīng)，使網(wǎng)絡(luò)結(jié)構(gòu)具有明確的物理意義.隨后，利用幾種典型的船舶操縱性試驗(yàn)數(shù)據(jù)對網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練和驗(yàn)證，得到比較滿意的結(jié)果.

1船舶運(yùn)動數(shù)學(xué)模型

船舶的實(shí)際運(yùn)動是一種具有6個(gè)自由度的異常復(fù)雜的運(yùn)動.對大多數(shù)情況下的船舶運(yùn)動及控制而言，可以忽略船舶垂蕩、橫搖和縱搖運(yùn)動.國際海事組織（International Maritime Organization，IMO）要求的幾種典型的船舶操縱性試驗(yàn)極少包含對船舶垂蕩、橫搖和縱搖運(yùn)動的數(shù)據(jù)記錄.本文的主要目的在于驗(yàn)證Elman神經(jīng)網(wǎng)絡(luò)對船舶運(yùn)動辨識的可行性.考慮上述原因，僅對船舶3自由度運(yùn)動進(jìn)行辨識與建模，不考慮風(fēng)、浪和流等外界條件的影響.

船舶3自由度的動力學(xué)方程[5]為