人工神經(jīng)網(wǎng)絡(luò)的實(shí)際應(yīng)用精選(九篇)

前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的人工神經(jīng)網(wǎng)絡(luò)的實(shí)際應(yīng)用主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：人工神經(jīng)網(wǎng)絡(luò)的實(shí)際應(yīng)用范文

>> 基于MATLAB的BP神經(jīng)網(wǎng)絡(luò)算法在多元非線(xiàn)性系統(tǒng)建模中的應(yīng)用 改進(jìn)的求解非線(xiàn)性方程組的迭代神經(jīng)網(wǎng)絡(luò)算法 基于非線(xiàn)性粒子群算法與神經(jīng)網(wǎng)絡(luò)的天氣預(yù)測(cè) 演化算法在非線(xiàn)性方程求解方面的應(yīng)用 基于BP神經(jīng)網(wǎng)絡(luò)的非線(xiàn)性函數(shù)擬合 非線(xiàn)性倒立擺系統(tǒng)的神經(jīng)網(wǎng)絡(luò)辨識(shí) 基于遺傳小波神經(jīng)網(wǎng)絡(luò)的非線(xiàn)性動(dòng)態(tài)自治網(wǎng)絡(luò)故障診斷仿真算法 一種基于正交基神經(jīng)網(wǎng)絡(luò)的非線(xiàn)性衛(wèi)星信道預(yù)失真補(bǔ)償算法 神經(jīng)網(wǎng)絡(luò)在電路故障診斷方面的應(yīng)用 神經(jīng)網(wǎng)絡(luò)在鋼鐵企業(yè)質(zhì)量預(yù)測(cè)方面的應(yīng)用 BP神經(jīng)網(wǎng)絡(luò)在坐標(biāo)轉(zhuǎn)換方面的應(yīng)用 人工神經(jīng)網(wǎng)絡(luò)在電渦流傳感器非線(xiàn)性補(bǔ)償中的應(yīng)用研究 基于神經(jīng)網(wǎng)絡(luò)的通用非線(xiàn)性神經(jīng)自適應(yīng)控制研究 基于BP神經(jīng)網(wǎng)絡(luò)的非線(xiàn)性網(wǎng)絡(luò)流量預(yù)測(cè) 改進(jìn)的基于神經(jīng)網(wǎng)絡(luò)的非線(xiàn)性多元回歸分析 基于徑向基神經(jīng)網(wǎng)絡(luò)的非線(xiàn)性系統(tǒng)辨識(shí) 基于OBF神經(jīng)網(wǎng)絡(luò)的溫度傳感器非線(xiàn)性補(bǔ)償方法 基于RBF神經(jīng)網(wǎng)絡(luò)的非線(xiàn)性控制系統(tǒng) 群智能算法優(yōu)化神經(jīng)網(wǎng)絡(luò)在網(wǎng)絡(luò)安全的應(yīng)用 淺談基于BP神經(jīng)網(wǎng)絡(luò)的水源熱泵在建筑節(jié)能方面的應(yīng)用 常見(jiàn)問(wèn)題解答 當(dāng)前所在位置：中國(guó) > 教育 > 神經(jīng)網(wǎng)絡(luò)算法非線(xiàn)性?xún)?yōu)化方面的應(yīng)用 神經(jīng)網(wǎng)絡(luò)算法非線(xiàn)性?xún)?yōu)化方面的應(yīng)用 雜志之家、寫(xiě)作服務(wù)和雜志訂閱支持對(duì)公帳戶(hù)付款！安全又可靠！ document.write("作者： 方達(dá) 胡忠剛")

申明:本網(wǎng)站內(nèi)容僅用于學(xué)術(shù)交流，如有侵犯您的權(quán)益，請(qǐng)及時(shí)告知我們，本站將立即刪除有關(guān)內(nèi)容。 摘 要：文章通過(guò)神經(jīng)網(wǎng)絡(luò)算法對(duì)一類(lèi)非線(xiàn)性?xún)?yōu)化方面的問(wèn)題進(jìn)行了分析，得到了應(yīng)用神經(jīng)網(wǎng)絡(luò)非線(xiàn)性?xún)?yōu)化算法求解該類(lèi)問(wèn)題的具體步驟和算法方案，并給出了實(shí)例進(jìn)行驗(yàn)證，證明了神經(jīng)網(wǎng)絡(luò)非線(xiàn)性?xún)?yōu)化算法是有效的，具有理論意義和實(shí)用價(jià)值。 關(guān)鍵詞：：神經(jīng)網(wǎng)絡(luò)算法;MTLAB;非線(xiàn)性?xún)?yōu)化最優(yōu)化

中圖分類(lèi)號(hào)：G622 文獻(xiàn)標(biāo)識(shí)碼：B 文章編號(hào)：1002-7661（2014）22-002-01

人工神經(jīng)網(wǎng)絡(luò)是由簡(jiǎn)單的處理單元所組成的大量并行分布的處理機(jī)，這種處理機(jī)具有儲(chǔ)存和應(yīng)用經(jīng)念知識(shí)的自然特性，它與人腦的相似之處概括兩個(gè)方面：一是通過(guò)學(xué)習(xí)過(guò)程利用神經(jīng)網(wǎng)絡(luò)從外部環(huán)境中獲取知識(shí);二是內(nèi)部神經(jīng)元（突觸權(quán)值）用來(lái)存儲(chǔ)獲取的知識(shí)信息。

一、神經(jīng)網(wǎng)絡(luò)非線(xiàn)性?xún)?yōu)化求解鐵路空車(chē)調(diào)度組合優(yōu)化問(wèn)題

目前鐵路局對(duì)空車(chē)調(diào)度計(jì)劃是利用表上作業(yè)法，采用計(jì)算機(jī)輔助統(tǒng)計(jì)，要經(jīng)過(guò)分局管內(nèi)各主要站和各區(qū)段的車(chē)種別空車(chē)調(diào)度，分局間分界站車(chē)種別交接空車(chē)數(shù)的確定;局間分界站車(chē)種別交接空車(chē)數(shù)的確定來(lái)編制整個(gè)鐵路局的空車(chē)調(diào)度計(jì)劃.下面用神經(jīng)網(wǎng)絡(luò)優(yōu)化方法解決該問(wèn)題。

空車(chē)調(diào)度問(wèn)題一般指的是：設(shè)有個(gè)空車(chē)發(fā)送站，個(gè)空車(chē)到達(dá)站數(shù)的距離為，設(shè)空車(chē)產(chǎn)生站 到空車(chē)需求站的空車(chē)數(shù)為，由發(fā)出的空車(chē)數(shù)為，則應(yīng)滿(mǎn)足

空車(chē)需求站接受到的空車(chē)數(shù)為，則應(yīng)滿(mǎn)足

假設(shè)空車(chē)產(chǎn)生數(shù)等于空車(chē)的需求數(shù)，即平衡運(yùn)輸，則

總的空車(chē)走行公里數(shù)為

由于神經(jīng)元的輸出值在之間，而空車(chē)數(shù)目是大于1的數(shù)，則將（ ）作為實(shí)際空車(chē)數(shù)，這樣就可以保證在（ ）之間，求為在中所占的百分比，為了用Hopfield神經(jīng)網(wǎng)絡(luò)求解空車(chē)調(diào)度問(wèn)題，建立能量函數(shù)如下

式中

表示空車(chē)發(fā)送站的空車(chē)數(shù)應(yīng)等于的約束，當(dāng)且僅當(dāng)發(fā)車(chē)數(shù)為時(shí)，該項(xiàng)為0; 表示空車(chē)到達(dá)站所需的空車(chē)數(shù)應(yīng)等于的約束，當(dāng)且僅當(dāng)?shù)竭_(dá)的空車(chē)數(shù)為時(shí)，該項(xiàng)為0;

表示對(duì)空車(chē)調(diào)度的總體約束;

表示對(duì)目標(biāo)項(xiàng)的約束;

表示懲罰項(xiàng)系數(shù)，為目標(biāo)項(xiàng)系數(shù).

當(dāng)計(jì)算能量函數(shù) 達(dá)到最小時(shí)，對(duì)應(yīng)于空車(chē)調(diào)整計(jì)劃的一個(gè)最佳計(jì)劃方案.其算法如下

則動(dòng)態(tài)迭代過(guò)程為

其中 ，分別代表迭代次數(shù)，選取0.001.

二、結(jié)束語(yǔ)

第2篇：人工神經(jīng)網(wǎng)絡(luò)的實(shí)際應(yīng)用范文

【關(guān)鍵詞】Matlab；RBF神經(jīng)網(wǎng)絡(luò)；仿真試驗(yàn)

人工神經(jīng)網(wǎng)絡(luò)（ANN-Artificial Neural Network）是一種與傳統(tǒng)計(jì)算機(jī)系統(tǒng)不同的信息處理工具，具有人腦的某些功能特征，可用來(lái)解決模式識(shí)別與人工智能中用傳統(tǒng)方法難以解決的問(wèn)題。神經(jīng)網(wǎng)絡(luò)具有高度的自學(xué)習(xí)、自組織和自適應(yīng)能力，通過(guò)學(xué)習(xí)和訓(xùn)練網(wǎng)絡(luò)模型的輸入、輸出數(shù)據(jù)就可以獲得網(wǎng)絡(luò)的權(quán)值和結(jié)構(gòu)，從而得出隱含在輸入、輸出數(shù)據(jù)中的關(guān)系。這種關(guān)系隱含在神經(jīng)網(wǎng)絡(luò)內(nèi)部，它不需要知道具體的精確模型，只需用神經(jīng)網(wǎng)絡(luò)就能逼近輸入和輸出之間的多維非線(xiàn)性特性，從而建立輸入與輸出之間的關(guān)系，這種非線(xiàn)性映射能力在人工智能、模式識(shí)別、信息處理等工程領(lǐng)域得到了廣泛的應(yīng)用。

隨著神經(jīng)網(wǎng)絡(luò)理論研究和實(shí)際應(yīng)用的不斷深入，《人工神經(jīng)網(wǎng)絡(luò)》課程逐漸受到較多高校的重視，并將其列入教學(xué)計(jì)劃，成為電氣信息類(lèi)學(xué)科的一門(mén)專(zhuān)業(yè)選修課。但《人工神經(jīng)網(wǎng)絡(luò)》課程的理論性非常強(qiáng)，對(duì)本科生的教學(xué)具有一定的難度。作為入門(mén)課程，本科生的教學(xué)重點(diǎn)應(yīng)放對(duì)各種網(wǎng)絡(luò)模型的結(jié)構(gòu)和特點(diǎn)的理解，并結(jié)合應(yīng)用實(shí)例，使學(xué)生能夠獲取一些初步設(shè)計(jì)經(jīng)驗(yàn)的基礎(chǔ)上，掌握有關(guān)模型的用法和性能。因此，筆者以RBF神經(jīng)網(wǎng)絡(luò)為例設(shè)計(jì)仿真試驗(yàn)，通過(guò)實(shí)例增強(qiáng)學(xué)生的對(duì)神經(jīng)網(wǎng)絡(luò)模型的設(shè)計(jì)和仿真的認(rèn)識(shí)，加深學(xué)生神經(jīng)網(wǎng)絡(luò)理論的理解。

一、RBF神經(jīng)網(wǎng)絡(luò)

RBF網(wǎng)絡(luò)可以根據(jù)問(wèn)題確定相應(yīng)的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，學(xué)習(xí)速度快，不存在局部最小問(wèn)題。RBF網(wǎng)絡(luò)的優(yōu)良特性使得它正顯示出比BP網(wǎng)絡(luò)更強(qiáng)的生命力，正在越來(lái)越多的領(lǐng)域替代了BP網(wǎng)絡(luò)。

RBF網(wǎng)絡(luò)典型結(jié)構(gòu)如圖1所示。輸入層節(jié)點(diǎn)只是傳遞輸入信號(hào)到隱含層，隱含層節(jié)點(diǎn)由像高斯函數(shù)那樣的輻射狀作用函數(shù)構(gòu)成，而輸出層節(jié)點(diǎn)通常是簡(jiǎn)單的線(xiàn)性函數(shù)。隱含層節(jié)點(diǎn)中的作用函數(shù)對(duì)輸入信號(hào)將在局部產(chǎn)生響應(yīng)，也就是說(shuō)，當(dāng)輸入信號(hào)靠近該函數(shù)的中央范圍時(shí)，隱含層節(jié)點(diǎn)將產(chǎn)生較大的輸出。由此可看出這種網(wǎng)絡(luò)具有局部逼近能力，故徑向基函數(shù)網(wǎng)絡(luò)也稱(chēng)為局部感知場(chǎng)網(wǎng)絡(luò)。

二、基于MATLAB的RBF神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)與仿真

MATLAB神經(jīng)網(wǎng)絡(luò)工具箱為徑向基網(wǎng)絡(luò)提供了很多工具箱函數(shù)，它們對(duì)我們利用MATLAB進(jìn)行徑向基網(wǎng)絡(luò)的設(shè)計(jì)、分析及實(shí)際應(yīng)用有著不可替代的作用，這給用戶(hù)帶來(lái)了極大的方便。

下面以污閃風(fēng)險(xiǎn)預(yù)測(cè)模型為例來(lái)說(shuō)明神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)與仿真。預(yù)測(cè)模型采用三輸入一輸出的結(jié)構(gòu)。輸入向量為相對(duì)濕度RH、泄漏電流幅值Ih、泄漏電流三次諧波與基波的幅值之比δ，它們的大小是能夠檢測(cè)到的用于評(píng)判絕緣子污閃風(fēng)險(xiǎn)的主要參數(shù)；將絕緣子污閃的風(fēng)險(xiǎn)等級(jí)作為輸出，輸出取值分別為不報(bào)警（NA）、一般報(bào)警（GA）、危險(xiǎn)報(bào)警（DA）等三個(gè)模糊量。對(duì)于絕緣子污閃風(fēng)險(xiǎn)等級(jí)NA、GA和DA，為了方便神經(jīng)網(wǎng)絡(luò)進(jìn)行擬合建模，分別賦予一個(gè)量化的值1，2和3與之一一對(duì)應(yīng)。

利用函數(shù)newrbe創(chuàng)建一個(gè)準(zhǔn)確的徑向基網(wǎng)絡(luò)，該函數(shù)在創(chuàng)建RBF網(wǎng)絡(luò)時(shí)，自動(dòng)選擇隱含層的數(shù)目，使得誤差為0。在網(wǎng)絡(luò)設(shè)計(jì)過(guò)程中，用不同的SPREAD值進(jìn)行嘗試，以確定一個(gè)最優(yōu)值。SPREAD分別取1，2，3，4時(shí)得到不同的網(wǎng)絡(luò)結(jié)構(gòu)。將污閃風(fēng)險(xiǎn)等級(jí)的實(shí)際值和神經(jīng)網(wǎng)絡(luò)輸出的結(jié)果對(duì)比，不同神經(jīng)網(wǎng)絡(luò)的驗(yàn)證結(jié)果如圖3所示?？梢钥闯?，當(dāng)SPREAD取1時(shí)，污閃風(fēng)險(xiǎn)的實(shí)際值與神經(jīng)網(wǎng)絡(luò)計(jì)算值之間的誤差最小，網(wǎng)絡(luò)性能達(dá)到最優(yōu)，所以本論文預(yù)測(cè)網(wǎng)絡(luò)的SPREAD選取1。

將試驗(yàn)中得到的600組數(shù)據(jù)預(yù)留20組數(shù)據(jù)作為檢驗(yàn)樣本，剩下的580組數(shù)據(jù)為RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，訓(xùn)練好的網(wǎng)絡(luò)具有進(jìn)行絕緣子污閃風(fēng)險(xiǎn)預(yù)測(cè)的能力。

三、結(jié)語(yǔ)

人工神經(jīng)網(wǎng)絡(luò)是一門(mén)理論性很強(qiáng)而又應(yīng)用廣泛的課程，已經(jīng)應(yīng)用各種電氣設(shè)備信號(hào)預(yù)測(cè)和狀態(tài)監(jiān)測(cè)等領(lǐng)域，本科生由于數(shù)學(xué)基礎(chǔ)的限制學(xué)習(xí)這門(mén)課程有一定的難度。高校要培養(yǎng)出高素質(zhì)的工程應(yīng)用型人才，應(yīng)充分利用MATLAB平臺(tái)將實(shí)驗(yàn)仿真教學(xué)與理論學(xué)習(xí)相結(jié)合，以促進(jìn)學(xué)生對(duì)較難理解的理論知識(shí)的掌握。通過(guò)采用靈活多變的教學(xué)方式，培養(yǎng)學(xué)生的學(xué)習(xí)興趣、激發(fā)學(xué)生的求知欲，從而達(dá)到啟迪思維、拓展視野的目的，培養(yǎng)學(xué)生自學(xué)能力、獨(dú)立解決問(wèn)題的能力，為社會(huì)培養(yǎng)出具有工程創(chuàng)新能力的卓越工程師。

參考文獻(xiàn)

[1] 李國(guó)勇.智能控制及其MATLAB實(shí)現(xiàn)[M].電子工業(yè)出版社，2006.

[2] 葛哲學(xué)，孫志強(qiáng).神經(jīng)網(wǎng)絡(luò)理論與MATLAB R2007實(shí)現(xiàn)[M].電子工業(yè)出版社，2007（03）.

第3篇：人工神經(jīng)網(wǎng)絡(luò)的實(shí)際應(yīng)用范文

經(jīng)過(guò)長(zhǎng)期不懈努力，科學(xué)家認(rèn)為可以從仿制人腦神經(jīng)系統(tǒng)的結(jié)構(gòu)和功能出發(fā)，研究人類(lèi)智能活動(dòng)和認(rèn)識(shí)現(xiàn)象。然而，客觀(guān)現(xiàn)實(shí)世界是紛繁復(fù)雜的，非線(xiàn)性情況隨處可見(jiàn)，人腦神經(jīng)系統(tǒng)更是如此。為了更好地認(rèn)識(shí)客觀(guān)世界，我們必須對(duì)非線(xiàn)性科學(xué)進(jìn)行研究。人工神經(jīng)網(wǎng)絡(luò)作為一種非線(xiàn)性的、與大腦智能相似的網(wǎng)絡(luò)模型，就這樣應(yīng)運(yùn)而生了。因此，首先對(duì)人工神經(jīng)網(wǎng)絡(luò)進(jìn)行了概述；而后重點(diǎn)描述BP網(wǎng)絡(luò)模型，對(duì)其基于彈性BP算法的BP網(wǎng)絡(luò)設(shè)計(jì)與實(shí)現(xiàn)；最后，對(duì)網(wǎng)絡(luò)的訓(xùn)練和測(cè)試進(jìn)行了簡(jiǎn)單的分析。

關(guān)鍵詞：

人工神經(jīng)網(wǎng)絡(luò)；數(shù)學(xué)模型；策略

神經(jīng)系統(tǒng)，是人體器官的一種較為復(fù)雜的系統(tǒng)。人工神經(jīng)網(wǎng)絡(luò)是對(duì)人腦的神經(jīng)結(jié)構(gòu)與機(jī)制進(jìn)行模擬，是一種區(qū)別于符號(hào)推理以及邏輯思維的人工智能技術(shù)。人工神經(jīng)網(wǎng)絡(luò)是基于現(xiàn)代神經(jīng)生物學(xué)和認(rèn)知科學(xué)對(duì)人類(lèi)信息處理研究成果的基礎(chǔ)上研發(fā)的，用來(lái)模擬生物神經(jīng)系統(tǒng)對(duì)真實(shí)世界的物體來(lái)做出反應(yīng)。除此之外，它還屬于一種大規(guī)模自適應(yīng)的非線(xiàn)性動(dòng)力學(xué)系統(tǒng)，具備非常強(qiáng)的聯(lián)想記憶和自主學(xué)習(xí)能力。人工神經(jīng)網(wǎng)絡(luò)具有非線(xiàn)性映射、模式識(shí)別、函數(shù)逼近、聚類(lèi)分析、數(shù)據(jù)壓縮以及優(yōu)化設(shè)計(jì)的功能，并且在穩(wěn)定性、收斂性等方面都有良好的性質(zhì)，被廣泛應(yīng)用于信息處理、模式識(shí)別、計(jì)算機(jī)視覺(jué)、優(yōu)化計(jì)算、智能控制等各個(gè)領(lǐng)域中。

一、人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)，可以稱(chēng)之為神經(jīng)網(wǎng)絡(luò)或者鏈接模型，是屬于一種對(duì)人腦或者自然神經(jīng)網(wǎng)絡(luò)的若干個(gè)基本特性進(jìn)行抽象和模擬的網(wǎng)絡(luò)?，F(xiàn)階段人工神經(jīng)網(wǎng)絡(luò)的研究成果基礎(chǔ)是對(duì)大腦的模擬研究，是為了模擬大腦當(dāng)中的某些機(jī)理與機(jī)制，實(shí)現(xiàn)某個(gè)方面的功能而進(jìn)行專(zhuān)項(xiàng)研究的。人工神經(jīng)網(wǎng)絡(luò)具有可以充分逼近任意復(fù)雜的非線(xiàn)性關(guān)系，對(duì)于定量或者定性的信息會(huì)采用并行分布的處理方式，使其可以大量并且快速進(jìn)行運(yùn)算、適應(yīng)不確定的系統(tǒng)和對(duì)定量以及定性信息進(jìn)行同一時(shí)間的處理。人工神經(jīng)網(wǎng)絡(luò)的優(yōu)越性表現(xiàn)在三方面，具有自主學(xué)習(xí)的能力，具有聯(lián)想存儲(chǔ)的能力，具有高速尋找并且尋找優(yōu)化方式的能力。對(duì)人工神經(jīng)網(wǎng)絡(luò)的研究，可以分為理論研究和應(yīng)用研究?jī)蓚€(gè)方面的研究。在理論研究中，可以利用神經(jīng)生理與認(rèn)知科學(xué)對(duì)人類(lèi)的思維以及智能機(jī)理進(jìn)行相關(guān)研究，還可以利用人腦神經(jīng)的基礎(chǔ)理論研究成果，用數(shù)理方法對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行更加完善、更加優(yōu)越的探索。在應(yīng)用研究方面，神經(jīng)網(wǎng)絡(luò)可以實(shí)現(xiàn)對(duì)軟件的模擬和對(duì)硬件的科學(xué)研究。而且，神經(jīng)網(wǎng)絡(luò)在各個(gè)領(lǐng)域中也都得到了廣泛的研究，例如模式識(shí)別、信號(hào)處理、知識(shí)工程、專(zhuān)家系統(tǒng)、優(yōu)化組合以及機(jī)器人控制等領(lǐng)域。

現(xiàn)行的數(shù)理知識(shí)是建立在集合論的基礎(chǔ)上的，隨著數(shù)學(xué)階段的發(fā)展，對(duì)于人類(lèi)系統(tǒng)的行為，或者對(duì)于人類(lèi)復(fù)雜系統(tǒng)，比如航天系統(tǒng)、人腦系統(tǒng)以及社會(huì)系統(tǒng)等方面，其中的參數(shù)和變量有很多，各種因素也是相互交錯(cuò)的，因此，系統(tǒng)是相當(dāng)復(fù)雜的，相對(duì)的模糊性也會(huì)顯得非常明顯。就認(rèn)識(shí)方面來(lái)講，可以用模糊性這個(gè)詞語(yǔ)來(lái)概括概念外延的不確定性。因此，模糊數(shù)學(xué)的概念應(yīng)運(yùn)而生，主要的研究?jī)?nèi)容包括三個(gè)方面。首先，可以對(duì)模糊數(shù)學(xué)的理論進(jìn)行精確研究，其中包含著與精確數(shù)學(xué)以及隨機(jī)數(shù)學(xué)的關(guān)系；其次，還需要研究模糊語(yǔ)言學(xué)和模糊邏輯，人類(lèi)的自然語(yǔ)言都是具有模糊性的，人們經(jīng)常會(huì)接收到迷糊語(yǔ)言和模糊的信息，并且可以對(duì)其做出正確的判斷和辨別。因此，為了可以使得自然語(yǔ)言和計(jì)算機(jī)語(yǔ)言的直接對(duì)話(huà)，就必須把人類(lèi)的自然語(yǔ)言和思維的過(guò)程提煉成為數(shù)學(xué)模型來(lái)對(duì)計(jì)算機(jī)進(jìn)行指令，這樣就可以建立模糊數(shù)學(xué)的模型樣本，通過(guò)運(yùn)用此種方式，建立的就是模糊數(shù)學(xué)的模型，也是運(yùn)用數(shù)學(xué)方法的關(guān)鍵之所在。最后，研究模糊數(shù)學(xué)的應(yīng)用，模糊數(shù)學(xué)的研究對(duì)象通常是以不確定的事物為主的。模糊的集合通常都是通過(guò)數(shù)學(xué)來(lái)適用描述的復(fù)雜的事物，將研究的對(duì)象數(shù)學(xué)化，將其中的不確定性很好地和抽象的數(shù)學(xué)溝通起來(lái)，達(dá)到形象生動(dòng)直觀(guān)的效果。

二、BP網(wǎng)絡(luò)模型

1.BP網(wǎng)概述BP算法，是由PallWerbas博士在1974年首次提出的，即為誤差逆?zhèn)鞑W(xué)習(xí)算法，而對(duì)于此算法完整的提出是在1986年由Rumelhart和McCelland為首的科學(xué)家小組提出來(lái)的。后來(lái)，人們把BP算法在進(jìn)行訓(xùn)練之前的前饋型的神經(jīng)網(wǎng)絡(luò)稱(chēng)之為BP網(wǎng)絡(luò)，逐漸以其簡(jiǎn)潔、實(shí)用和高度的非線(xiàn)性映射能力成為流行的網(wǎng)絡(luò)模型，在信號(hào)處理、模式識(shí)別、系統(tǒng)辨識(shí)以及數(shù)據(jù)壓縮中都有廣泛的應(yīng)用。在人工神經(jīng)網(wǎng)絡(luò)的實(shí)際應(yīng)用過(guò)程當(dāng)中，大部分的模型會(huì)采用BP網(wǎng)絡(luò)或者它所擁有的變化形式，屬于前向網(wǎng)絡(luò)中的基礎(chǔ)核心部分，屬于人工神經(jīng)網(wǎng)絡(luò)中的精華部分。2.BP網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)BP網(wǎng)絡(luò)屬于一種前向型神經(jīng)網(wǎng)絡(luò)，其中的神經(jīng)網(wǎng)絡(luò)具有三層或者三層以上，可以對(duì)上下層之間的神經(jīng)元進(jìn)行全部的連接，也就是說(shuō)下層的每一個(gè)神經(jīng)元可以和上層的每一個(gè)神經(jīng)元實(shí)現(xiàn)連接，但是在同層之間的神經(jīng)元是沒(méi)有辦法相連的。3.BP網(wǎng)絡(luò)的工作原理以及過(guò)程對(duì)于BP網(wǎng)絡(luò)的學(xué)習(xí)可以有兩個(gè)階段。首先，需要學(xué)習(xí)信號(hào)的正向傳播過(guò)程。當(dāng)一對(duì)學(xué)習(xí)的模式進(jìn)行網(wǎng)絡(luò)提供之后，神經(jīng)元的激活值就會(huì)從輸入層當(dāng)中的各隱含層向輸出層中進(jìn)行傳播，并且在輸出層的各個(gè)神經(jīng)元內(nèi)會(huì)相應(yīng)地輸入響應(yīng)值。其次，是對(duì)正方向的傳播過(guò)程進(jìn)行誤差的修正，如果在輸出層中的輸出值和預(yù)期的有偏差，就會(huì)對(duì)實(shí)際輸入與期望輸出之間的誤差進(jìn)行逐層遞歸的計(jì)算，計(jì)算方向會(huì)按照減小期望輸出和實(shí)際輸出之間的誤差方向。對(duì)輸出層之間的各個(gè)隱含層進(jìn)行每一層的連接權(quán)進(jìn)行逐層的修正，最后再回到輸入層，這個(gè)循環(huán)的過(guò)程就稱(chēng)之為“誤差逆?zhèn)鞑W(xué)習(xí)算法”。現(xiàn)階段，這種誤差傳播的修正方式在不斷地進(jìn)行創(chuàng)新修正，網(wǎng)絡(luò)對(duì)應(yīng)的輸入模式相應(yīng)的正確率也會(huì)隨著算法的不斷發(fā)展得到相對(duì)應(yīng)地提高。4.算法流程BP的算法流程如圖2。

三、基于彈性BP算法的BP網(wǎng)設(shè)計(jì)與實(shí)現(xiàn)

1.BP網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計(jì)在1989年，RobertHecht-Nielson證明了在任何一個(gè)閉區(qū)間當(dāng)中的一個(gè)連續(xù)的函數(shù)都可以用一個(gè)隱含層的BP網(wǎng)絡(luò)來(lái)進(jìn)行逼近，這就導(dǎo)致了用一個(gè)3層的BP網(wǎng)絡(luò)可以完成任意的從N到M維的映射。輸入層節(jié)點(diǎn)的點(diǎn)數(shù)是根據(jù)樣本的輸入特征項(xiàng)來(lái)決定的，而輸出的節(jié)點(diǎn)數(shù)是根據(jù)樣本的期望輸出項(xiàng)來(lái)決定的。在隱層節(jié)點(diǎn)當(dāng)中，由于隱層節(jié)點(diǎn)的數(shù)目過(guò)多，平均的收斂速度就會(huì)變慢并且速度是極其不穩(wěn)定的，這樣就會(huì)增加初始權(quán)值的敏感度，網(wǎng)絡(luò)的泛化能力也會(huì)隨之降低，在對(duì)隱層節(jié)點(diǎn)數(shù)進(jìn)行計(jì)算的時(shí)候。其中，h代表的是隱層節(jié)點(diǎn)數(shù)，nin代表的是輸入層的節(jié)點(diǎn)數(shù)，則nout則代表的是輸出層的節(jié)點(diǎn)數(shù)。當(dāng)因?yàn)榫W(wǎng)絡(luò)發(fā)生誤差產(chǎn)生下降的時(shí)候，也就是E（網(wǎng)絡(luò)誤差）下降的速度非常緩慢的時(shí)候，這個(gè)時(shí)候網(wǎng)絡(luò)的收斂水平還需要進(jìn)一步提高的時(shí)候，就會(huì)增加一個(gè)隱層節(jié)點(diǎn)。如果遇到相反的情況，則就會(huì)減少一個(gè)相應(yīng)的節(jié)點(diǎn)。對(duì)于BP網(wǎng)絡(luò)的優(yōu)化，主要包括以下幾個(gè)步驟。首先，利用彈性BP算法來(lái)對(duì)網(wǎng)絡(luò)的權(quán)值和偏差進(jìn)行修正，利用此種算法，在很大程度上避免了使得學(xué)習(xí)（是學(xué)習(xí)）陷入局部狹小的現(xiàn)象，這樣可以加快學(xué)習(xí)收斂的速度；其次，對(duì)于隱含的節(jié)點(diǎn)數(shù)可以進(jìn)行隨意的設(shè)定；而后，在對(duì)隱含層和輸出層的激活函數(shù)之間可以在給定的5種暢通的函數(shù)當(dāng)中進(jìn)行隨意的選擇，最后就需要對(duì)輸入向量的歸一化了。

四、網(wǎng)絡(luò)的訓(xùn)練與測(cè)試

1.訓(xùn)練樣本的聲場(chǎng)以及網(wǎng)絡(luò)的構(gòu)造如果采用100個(gè)樣本對(duì)來(lái)進(jìn)行聲場(chǎng)訓(xùn)練樣本對(duì)，這里的樣本數(shù)據(jù)采用LINSPACE（X1，X2，N）的函數(shù)生成。在本文當(dāng)中，BP網(wǎng)絡(luò)有三層構(gòu)造。在這三層構(gòu)造當(dāng)中，第一層采用tansig激活函數(shù)；第二層采用logsig激活函數(shù)，在第三層則需要采用purline激活函數(shù)來(lái)進(jìn)行。在網(wǎng)絡(luò)訓(xùn)練當(dāng)中需要用Matlab神經(jīng)網(wǎng)絡(luò)工具箱當(dāng)中的L-M法的trainlm這個(gè)函數(shù)來(lái)進(jìn)行計(jì)算。2.網(wǎng)絡(luò)學(xué)習(xí)以及等級(jí)的評(píng)價(jià)通過(guò)MATLAB的神經(jīng)網(wǎng)絡(luò)工具箱上建立的模型，需要將學(xué)3.網(wǎng)絡(luò)測(cè)試成效從評(píng)價(jià)的結(jié)果上來(lái)看，運(yùn)用人工神經(jīng)網(wǎng)絡(luò)的評(píng)價(jià)方法最大限度地減少了人為因素的影響，在這其中可以在很大程度上減少因?yàn)閭鹘y(tǒng)方式而在設(shè)計(jì)權(quán)重過(guò)程當(dāng)中的不確定性，通過(guò)這種方式來(lái)對(duì)評(píng)價(jià)的對(duì)象進(jìn)行自動(dòng)評(píng)價(jià)。同時(shí)，BP的神經(jīng)網(wǎng)絡(luò)這種評(píng)估方式本身也具有一定的局限性，例如對(duì)網(wǎng)絡(luò)當(dāng)中的隱層節(jié)點(diǎn)個(gè)數(shù)難以確定，在學(xué)習(xí)訓(xùn)練的過(guò)程當(dāng)中最容易陷入局部最優(yōu)的問(wèn)題，在很大程度上會(huì)影響評(píng)價(jià)結(jié)果的精準(zhǔn)性。

五、結(jié)束語(yǔ)

運(yùn)用人工神經(jīng)網(wǎng)絡(luò)方式有效解決多源、多類(lèi)型以及多屬性地址處理和分析問(wèn)題，在很大程度上突破了統(tǒng)計(jì)數(shù)學(xué)模型對(duì)預(yù)測(cè)的約束力和限制力。應(yīng)用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行復(fù)雜的地址信息的非線(xiàn)性整合處理，可以精準(zhǔn)的對(duì)各類(lèi)資料進(jìn)行綜合分析和歸類(lèi)。

參考文獻(xiàn)：

[1]李傳杰.基于模糊數(shù)學(xué)及神經(jīng)網(wǎng)絡(luò)的心理評(píng)估模型[D].山東大學(xué)，2008

[2]徐振東.人工神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)模型建立及成礦預(yù)測(cè)BP網(wǎng)絡(luò)的實(shí)現(xiàn)[D].吉林大學(xué)，2004

[3]鄧麗瓊，朱俊.基于BP神經(jīng)網(wǎng)絡(luò)的教師課堂教學(xué)評(píng)價(jià)模型[J].國(guó)土資源高等職業(yè)教育研究，2013

第4篇：人工神經(jīng)網(wǎng)絡(luò)的實(shí)際應(yīng)用范文

【關(guān)鍵詞】軟土路基；預(yù)測(cè)方法；分析

軟土路基沉降程度與道路建設(shè)工程的質(zhì)量、成本及工期有著很大的關(guān)系，施工單位為了有效的掌控軟土路基的沉降變化，往往會(huì)采取一些軟土路基沉降預(yù)測(cè)方法，并對(duì)這些方法在實(shí)際應(yīng)用中采取動(dòng)態(tài)的管控，觀(guān)其應(yīng)用的實(shí)際效果。軟土路基沉降的預(yù)測(cè)，可以使施工單位對(duì)軟土路基、路基的整體穩(wěn)定性和完工后的沉降量進(jìn)行有效的控制。軟土路基沉降預(yù)測(cè)的方法很多，本文就幾種常用的方法做了對(duì)比分析。

一、軟土路基沉降常用的預(yù)測(cè)方法

在道路建設(shè)過(guò)程中，對(duì)軟土路基后期沉降情況的預(yù)測(cè)意義重大。軟土路基后期沉降情況的預(yù)測(cè)基礎(chǔ)是道路工程建設(shè)的現(xiàn)場(chǎng)實(shí)測(cè)沉降資料。在實(shí)際工作中最常用的推測(cè)方法有下幾種：人工神經(jīng)網(wǎng)絡(luò)法、灰色理論預(yù)測(cè)法、雙曲線(xiàn)法、反分析方法、、有限元法等，每種預(yù)測(cè)方法都有自身的特有屬性。

二、常用軟土路基沉降預(yù)測(cè)方法的對(duì)比分析

第一，人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)法。人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)法是一種新型的預(yù)測(cè)方法，在軟土路基沉降預(yù)測(cè)上應(yīng)用的時(shí)間還不長(zhǎng)。人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)法的本質(zhì)是一種應(yīng)用系統(tǒng)，主要負(fù)責(zé)處理軟土路基沉降的相關(guān)實(shí)測(cè)數(shù)據(jù)信息。目前，人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)法使用較為廣泛的領(lǐng)域主要包括兩個(gè)――信息科學(xué)和工程技術(shù)。在工程技術(shù)領(lǐng)域的應(yīng)用，主要體現(xiàn)自在軟土路基沉降預(yù)測(cè)方面。組成人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)法的處理單元單個(gè)來(lái)講是非常簡(jiǎn)單的，但是這些單元之間的聯(lián)系又是非常高度的，這些單元之間的高度聯(lián)系形成了一個(gè)類(lèi)似生物腦的神經(jīng)系統(tǒng)，該系統(tǒng)能夠模擬計(jì)算機(jī)的處理模式來(lái)處理軟土路基沉降的相關(guān)數(shù)據(jù)。預(yù)測(cè)模式包括輸出量和輸入量，輸出量指的是傳統(tǒng)的因變量，輸入量指的是傳統(tǒng)的自變量，兩種量之間關(guān)系用一種高維非線(xiàn)性的映射來(lái)表示。人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)法自身有著非常獨(dú)特的特點(diǎn)，可以解決其它預(yù)測(cè)方法在軟土路基沉降量預(yù)測(cè)的效果短板，即土地自身原因?qū)е骂A(yù)測(cè)精準(zhǔn)度的降低，和效果的不能優(yōu)化。人工神經(jīng)網(wǎng)路預(yù)測(cè)法的構(gòu)成單元相當(dāng)于計(jì)算機(jī)的軟件集成模塊，其工作原理類(lèi)似于計(jì)算機(jī)處理問(wèn)題的原理，因此人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)法不僅有較強(qiáng)的建模能力，還有較強(qiáng)的整合數(shù)據(jù)的能力，尤其擅長(zhǎng)處理非線(xiàn)性的問(wèn)題，這也是人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)法的獨(dú)有特性。利用這個(gè)特性對(duì)道路工程建設(shè)現(xiàn)場(chǎng)實(shí)測(cè)軟土路基沉降資料進(jìn)行分析，找出規(guī)律，進(jìn)而為軟土路基后期沉降量的預(yù)測(cè)作出正確的判斷。在軟土路基沉降預(yù)測(cè)方法中，人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)法的優(yōu)點(diǎn)是有目共睹的，但這種預(yù)測(cè)法不能應(yīng)用于長(zhǎng)期預(yù)測(cè)，根本原因是這種預(yù)測(cè)方法的精確度會(huì)隨著時(shí)間的流失慢慢的下降，最終導(dǎo)致精確度喪失，這也是人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)法的短板所在。

第二，灰色理論預(yù)測(cè)法?；疑碚擃A(yù)測(cè)法也是常用的一種軟土路基沉降預(yù)測(cè)的方法。這種方法工作原理是通過(guò)灰色模型對(duì)不同數(shù)據(jù)去留的選擇來(lái)實(shí)現(xiàn)預(yù)測(cè)精度、預(yù)測(cè)手段和預(yù)測(cè)模型的提升、修正和調(diào)整。作為灰色理論預(yù)測(cè)法核心――灰色模型，共有三種檢驗(yàn)方法。在模型建立完畢及選定檢驗(yàn)方法后，通過(guò)計(jì)算機(jī)的編程功能對(duì)道路工程建設(shè)現(xiàn)場(chǎng)實(shí)測(cè)的軟土路基沉降的資料進(jìn)行分析并記錄數(shù)據(jù)，通過(guò)對(duì)這些數(shù)據(jù)的分析找出軟土路基沉降的規(guī)律，并畫(huà)出預(yù)測(cè)曲線(xiàn)圖?；疑碚擃A(yù)測(cè)法的使用需要保證軟土路基沉降實(shí)測(cè)數(shù)據(jù)的更新及時(shí)性和高精確度性，由于理論與現(xiàn)實(shí)總有誤差，所以此方法的預(yù)測(cè)結(jié)果大于實(shí)測(cè)結(jié)果是很正常的。

第三，雙曲線(xiàn)法。在軟土路基沉降預(yù)測(cè)方法中，雙曲線(xiàn)法是一種假設(shè)法，以假設(shè)的成立條件來(lái)預(yù)測(cè)軟土路基沉降量，并畫(huà)出坐標(biāo)圖。此方法運(yùn)用所得到的數(shù)據(jù)精度由于其前提條件的因素是一個(gè)慢慢提升的過(guò)程，即后期的數(shù)據(jù)精度遠(yuǎn)遠(yuǎn)高于初期的數(shù)據(jù)精度。一般來(lái)講，雙曲線(xiàn)預(yù)測(cè)法使用的最佳時(shí)間點(diǎn)是軟土路基沉降基本穩(wěn)定時(shí)。此方法的短板在于數(shù)據(jù)觀(guān)測(cè)時(shí)間會(huì)受到人為因素的干擾。

第四，反分析預(yù)測(cè)法。反分析預(yù)測(cè)法的過(guò)程是一個(gè)數(shù)值計(jì)算的過(guò)程，它需要通過(guò)對(duì)軟土路基工程真實(shí)測(cè)量值的計(jì)算來(lái)得到土性參數(shù)和本構(gòu)模型參數(shù)，并同時(shí)求出需要的物理量。反分析預(yù)測(cè)法在軟土路基沉降的使用上也同人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)法一樣，都是一種新的預(yù)測(cè)方法。其工作的基本原理是對(duì)實(shí)測(cè)數(shù)據(jù)的反復(fù)計(jì)算，以使得到結(jié)果更加接近軟土路基后期沉降量的數(shù)值。反分析法的使用除了要求實(shí)測(cè)數(shù)據(jù)的真實(shí)完整外，還需要假設(shè)一個(gè)合理的反分析數(shù)學(xué)模型，這個(gè)模型的建立對(duì)反分析法預(yù)測(cè)的結(jié)果又一定的影響。由于是假設(shè)，所以該模型建立使用的預(yù)測(cè)結(jié)果在一定程度上存在人為因素的誤差。

第五，有限元預(yù)測(cè)法。有限元預(yù)測(cè)法有著自身的越性，在其使用的多種類(lèi)型的本構(gòu)模型中，非線(xiàn)性的彈性模型是使用范圍最廣的一個(gè)。有限元法可以容納更加復(fù)雜的計(jì)算關(guān)系，可以更好地反映影響軟土路基沉降的因素。從理論上講，在所有預(yù)測(cè)軟土路基沉降的方法中，有限元法是比較完善的一種方法，收到人們的關(guān)注。其自身的短板表現(xiàn)為在實(shí)際計(jì)算過(guò)程中需要用到大量的參數(shù)做依據(jù)，最終數(shù)據(jù)的確定必須通過(guò)特定試驗(yàn)的論證，導(dǎo)致其工作量和工程的復(fù)雜性遠(yuǎn)遠(yuǎn)高于其它的預(yù)測(cè)方法。

道路工程建設(shè)中會(huì)遇到很多軟土路基沉降的想象，有效的對(duì)軟土路基沉降作出預(yù)測(cè)，對(duì)道路工程的順利施工有重要意義。綜上所述，軟土路基沉降的預(yù)測(cè)方法各有各的長(zhǎng)板和短板，道路工程建設(shè)人員要根據(jù)施工現(xiàn)場(chǎng)的實(shí)際情況選取科學(xué)的預(yù)測(cè)方法，以提高軟土路基后期沉降量數(shù)值的精確性。

參考文獻(xiàn)：

第5篇：人工神經(jīng)網(wǎng)絡(luò)的實(shí)際應(yīng)用范文

【關(guān)鍵詞】自組織神經(jīng)網(wǎng)絡(luò)；MATLAB；震級(jí)；地震預(yù)測(cè)

1.引言

地震是一種會(huì)給人類(lèi)社會(huì)帶來(lái)巨大災(zāi)難的自然現(xiàn)象。在眾多的自然災(zāi)害中，特別是在造成人員傷亡方面，全球地震災(zāi)害造成的死亡人數(shù)占全球各類(lèi)自然災(zāi)害造成的死亡人數(shù)總數(shù)的54%，可以堪稱(chēng)群災(zāi)之首[1].地震預(yù)報(bào)是地理問(wèn)題研究領(lǐng)域中的一個(gè)重要課題，準(zhǔn)確的地震預(yù)報(bào)可以幫助人們及時(shí)采取有效措施，降低人員傷亡和經(jīng)濟(jì)損失[2]。

神經(jīng)網(wǎng)絡(luò)是一種大規(guī)模并行分布處理的非線(xiàn)性系統(tǒng)，具有高度的非線(xiàn)性運(yùn)算能力和良好的自學(xué)習(xí)能力[3]。近年來(lái)，受到了廣大預(yù)測(cè)科學(xué)工作者的關(guān)注。神經(jīng)網(wǎng)絡(luò)這方面的優(yōu)勢(shì)，主要體現(xiàn)在：

（1）容錯(cuò)能力強(qiáng)。由于網(wǎng)絡(luò)知識(shí)信息采用的是分布式存儲(chǔ)，個(gè)別單元損壞就不會(huì)引起輸出錯(cuò)誤。這使得預(yù)測(cè)、識(shí)別過(guò)程時(shí)容錯(cuò)力強(qiáng)，可靠性高。

（2）預(yù)測(cè)、識(shí)別速度快。訓(xùn)練好的網(wǎng)絡(luò)對(duì)樣本預(yù)測(cè)、識(shí)別的時(shí)候僅需要少量的算法，這使得其運(yùn)算速度比其他算法更快。

（3）避免了特征因素與判別目標(biāo)復(fù)雜關(guān)系，尤其是公式的敘述。網(wǎng)絡(luò)可以自己學(xué)習(xí)和記憶各個(gè)輸入量與輸出量間的關(guān)系[4]。

2.自組織競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)

在地震的預(yù)報(bào)中，有的時(shí)候需要根據(jù)不同地震活動(dòng)指標(biāo)將發(fā)生在不同時(shí)間、空間和強(qiáng)度的地震進(jìn)行分類(lèi)研究，然后根據(jù)這些特征對(duì)其他的樣本進(jìn)行預(yù)報(bào)。自組織競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)能夠?qū)斎肽Ｊ竭M(jìn)行自組織訓(xùn)練和判斷，并將其最終分為不同的類(lèi)型[5]。

自組織競(jìng)爭(zhēng)型網(wǎng)絡(luò)預(yù)報(bào)的原理：通過(guò)采集的訓(xùn)練樣本對(duì)網(wǎng)絡(luò)訓(xùn)練，訓(xùn)練好的網(wǎng)絡(luò)記憶了所有分類(lèi)模式。當(dāng)輸入新樣本會(huì)激發(fā)對(duì)應(yīng)神經(jīng)元就可以對(duì)新樣本進(jìn)行分類(lèi)。自組織競(jìng)爭(zhēng)網(wǎng)絡(luò)基本上為輸入層和映射層的雙層結(jié)果，映射層的神經(jīng)元互相連接，每個(gè)輸出神經(jīng)元連接至所有輸入神經(jīng)元[5]，其結(jié)構(gòu)圖如圖1所示。

圖1 自組織競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

3.數(shù)據(jù)樣本的采集及預(yù)處理

利用自組織競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)進(jìn)行地震預(yù)報(bào)，首先應(yīng)該提取有關(guān)地震預(yù)報(bào)的重要指標(biāo)，確定網(wǎng)絡(luò)結(jié)構(gòu)。樣本數(shù)目的確定沒(méi)有通用的方法，一般認(rèn)為，樣本過(guò)少可能使得網(wǎng)絡(luò)的表達(dá)不夠充分，從而導(dǎo)致網(wǎng)絡(luò)外推的能力不夠；而樣本過(guò)多可能會(huì)出現(xiàn)樣本冗余現(xiàn)象，既增加了網(wǎng)絡(luò)的訓(xùn)練負(fù)擔(dān)，也有可能出現(xiàn)信息量過(guò)剩。

這里測(cè)取了我國(guó)某地區(qū)連續(xù)12年的地震趨勢(shì)作為檢驗(yàn)實(shí)例，研究時(shí)間1年，所選取的11項(xiàng)地震活動(dòng)指標(biāo)：最多次數(shù)的地震震級(jí)、b值、平均震級(jí)、平均緯度、平均緯度偏差、平均經(jīng)度、平均經(jīng)度偏差、最大地震震級(jí)、ML大于115的地震次數(shù)、相鄰兩年地震次數(shù)差、相鄰兩年的最大地震震級(jí)差。

獲得輸入變量后除了大地震震級(jí)指標(biāo)將其余指標(biāo)數(shù)據(jù)處理為區(qū)間[0 1]之間的數(shù)據(jù)[4]。公式如下：

處理后的數(shù)據(jù)如表1所示。

4.自組織競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)

上述數(shù)據(jù)按照震級(jí)的大小分為：一般地震、中等地震、嚴(yán)重地震3類(lèi)，因此這里需要設(shè)置的神經(jīng)元數(shù)為3個(gè)。最后一年的數(shù)據(jù)作為測(cè)試樣本其余均參加競(jìng)爭(zhēng)訓(xùn)練。由于輸入有11個(gè)向量所以輸入層神經(jīng)元數(shù)目為11。為了增快學(xué)習(xí)速度將學(xué)習(xí)速率設(shè)定為0.1。其建立網(wǎng)絡(luò)代碼如下：

本程序建立的自組織競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖，如圖2所示：

5.網(wǎng)絡(luò)訓(xùn)練

網(wǎng)絡(luò)訓(xùn)練后才可用于地震預(yù)測(cè)的實(shí)際應(yīng)用。訓(xùn)練代碼如下：

根據(jù)代碼的輸出結(jié)果可知，表1中的第1、3、4、6、11組數(shù)據(jù)屬于一類(lèi)；第2、7組數(shù)據(jù)屬于一類(lèi)；第5、8、9、10組數(shù)據(jù)屬于一類(lèi)。直接檢驗(yàn)表中的數(shù)據(jù)，可以很容易的發(fā)現(xiàn)同一類(lèi)數(shù)據(jù)比較相近，這同樣驗(yàn)證了上述的分類(lèi)結(jié)果。

6.網(wǎng)絡(luò)的測(cè)試

根據(jù)訓(xùn)練好的自組織競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)輸入測(cè)試樣本，得到的輸出結(jié)果與實(shí)際結(jié)果進(jìn)行比對(duì)。這里輸入測(cè)試代碼：

P_test=[0.3125 0.45 0.5001 0.7853 1 0.4236 0.1825 4.1 0.0501 0.4 0.12]’；

y1=sim（net，P_test）；

y1=vec2ind（y1）；

代碼的輸出結(jié)果為：y1=1。

通過(guò)直接進(jìn)行數(shù)據(jù)對(duì)比我們認(rèn)為第12組數(shù)據(jù)和第1組數(shù)據(jù)非常的接近，所以網(wǎng)絡(luò)的運(yùn)行結(jié)果是正確的。由上述可以得知，此網(wǎng)絡(luò)有著相當(dāng)好的預(yù)報(bào)精度。

7.結(jié)語(yǔ)

通過(guò)實(shí)驗(yàn)基于自組織競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)的地震預(yù)測(cè)精度很高，并且可以有效的克服數(shù)據(jù)含噪聲的因素，此外本文所使用的競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單、易于實(shí)現(xiàn)。綜上所述，該自組織競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)可以被廣泛的用于地震分類(lèi)的預(yù)測(cè)系統(tǒng)中。

參考文獻(xiàn)

[1]陳運(yùn)泰.地震預(yù)測(cè)：回顧與展望[J].中國(guó)科學(xué)，2009，39 （12）：1633-1658.

[2]付興兵，劉光遠(yuǎn).粒子群多層感知器在地震預(yù)報(bào)中的應(yīng)用研究[J].湖南工程學(xué)院，2007，17（1）：23-26.

[3]李東升，王煒.人工神經(jīng)網(wǎng)絡(luò)及其在地震預(yù)報(bào)中的應(yīng)用[J].地震，1995，15（4）：379-383.

[4]張治國(guó).人工神經(jīng)網(wǎng)絡(luò)及其在地學(xué)中的應(yīng)用研究[D].吉林：吉林大學(xué)，2006：78-79.

[5]朱大齊，史惠.人工神經(jīng)網(wǎng)絡(luò)原理及應(yīng)用[M].北京：科學(xué)出版社，2006.

[6]韓曉飛，潘存英，羅詞建.基于遺傳算法的廣義回歸神經(jīng)網(wǎng)絡(luò)在地震預(yù)測(cè)中的應(yīng)用[J].華北地震科學(xué)，2012，30（1）：48-53.

第6篇：人工神經(jīng)網(wǎng)絡(luò)的實(shí)際應(yīng)用范文

關(guān)鍵詞：微地震；震源探測(cè)；遺傳算法；BP人工神經(jīng)網(wǎng)絡(luò)法

中圖分類(lèi)號(hào)：P315 文獻(xiàn)標(biāo)識(shí)碼：A

微地震屬于一種小型地震，經(jīng)常發(fā)生在地下礦井深部開(kāi)采過(guò)程中的一種不可避免的現(xiàn)象。在20世紀(jì)80年代中期發(fā)展起來(lái)的微震探測(cè)技術(shù)源于聲發(fā)射學(xué)和地震學(xué)，是區(qū)別于常規(guī)地震的地球物理勘探技術(shù)，根據(jù)聲發(fā)射檢測(cè)技術(shù)演化發(fā)展起來(lái)，主要應(yīng)用于油氣工業(yè)中。而探測(cè)可以導(dǎo)致微地震的地質(zhì)活動(dòng)，有著重大的現(xiàn)實(shí)意義和指導(dǎo)意義。

1 物探技術(shù)研究進(jìn)展

20世紀(jì)70年代初期，為了確認(rèn)開(kāi)發(fā)井的目標(biāo)和敘述輔助的斷裂層，水力壓裂微震探測(cè)技術(shù)始于地?zé)犷I(lǐng)域。70年代末，美國(guó)Los Alamos國(guó)家實(shí)驗(yàn)室在Fenten山熱干巖進(jìn)行了3年的井下微震觀(guān)測(cè)研究的現(xiàn)場(chǎng)實(shí)驗(yàn)，驗(yàn)證了水力裂縫的方位可以通過(guò)水力壓裂時(shí)產(chǎn)生的水平微震來(lái)確定。90年代以后，荷蘭飛利浦、加拿大金斯敦ESG組織、英國(guó)KEELE大學(xué)、日本JAPEX研究生中心等機(jī)構(gòu)對(duì)于微震檢測(cè)技術(shù)在油氣工業(yè)中的應(yīng)用提供了較多的理論與實(shí)驗(yàn)支撐。國(guó)內(nèi)關(guān)于微震探測(cè)技術(shù)的研發(fā)相對(duì)較晚，但近年來(lái)，從基礎(chǔ)理論研究和自主研發(fā)方面都取得了很大的成果。在基礎(chǔ)理論研究方面，相繼提出了瑞雷波頻散曲線(xiàn)的正反演、遺傳算法和局域搜索算法的聯(lián)合反演、射線(xiàn)追蹤法以及濾波技術(shù)等研究方法。在自主研發(fā)方面，主要有微震探測(cè)系統(tǒng)、基于三分量檢波器的探測(cè)系統(tǒng)、遙測(cè)地震儀和基于Labview的微震探測(cè)系統(tǒng)等。

2 探測(cè)技術(shù)研究方法

2.1 射線(xiàn)追蹤正演算法

本文主要通過(guò)基于射線(xiàn)法進(jìn)行正演研究。射線(xiàn)法，可以利用不斷更新的射線(xiàn)路徑，對(duì)各種復(fù)雜的地質(zhì)結(jié)構(gòu)選擇地震波在介質(zhì)中的最佳運(yùn)動(dòng)軌跡。同時(shí)，迭代法可以通過(guò)結(jié)點(diǎn)的增減，來(lái)完成地震波傳播路徑的探測(cè)工作。綜合微變網(wǎng)格法，經(jīng)過(guò)設(shè)計(jì)得到復(fù)雜模型微震射線(xiàn)路徑追蹤法。

2.2 非線(xiàn)性反演算法

在探測(cè)過(guò)程中，非線(xiàn)性最優(yōu)算法發(fā)展最為迅速，需要通過(guò)微震資料的反演來(lái)定位震源和了解速度場(chǎng)變化。非線(xiàn)性反演方法中應(yīng)用最廣泛的主要有遺傳算法（GA，Genetic Algorithm）和人工神經(jīng)網(wǎng)絡(luò)法（ANN，Artificial Neural Network）方法中的BP神經(jīng)網(wǎng)絡(luò)。本文將GA算法和BP算法結(jié)合，通過(guò)聯(lián)合反演方法討論微震震源的定位反演。

2.2.1 遺傳算法反演

遺傳算法，是一種全局最優(yōu)算法，可以結(jié)合定向和隨機(jī)搜索方法，是模擬達(dá)爾文生物進(jìn)化論的自然選擇與遺傳學(xué)機(jī)理的生物進(jìn)化過(guò)程和機(jī)制的計(jì)算模型。1975年，J. Holland教授提出了遺傳算法。目前，遺傳算法發(fā)展完善，有著搜索過(guò)程多維化、簡(jiǎn)單化、適應(yīng)性強(qiáng)以及全局性的特點(diǎn)。通過(guò)對(duì)遺傳算法、加速收斂和正演參數(shù)的確定，明確介質(zhì)模型參數(shù)的搜索范圍，最后對(duì)遺傳算法獲取的反演數(shù)據(jù)進(jìn)行處理。

2.2.2 BP神經(jīng)網(wǎng)絡(luò)算法反演

二十世紀(jì)80年代，人工神經(jīng)網(wǎng)絡(luò)的研究進(jìn)入了一個(gè)新。它易于處理復(fù)雜非線(xiàn)性問(wèn)題，具有持久性和適時(shí)預(yù)報(bào)性的特點(diǎn)，被廣泛應(yīng)用于多個(gè)領(lǐng)域。其中，BP人工神經(jīng)網(wǎng)絡(luò)（BP，Back Propagation），是目前應(yīng)用最為廣泛的人工神經(jīng)網(wǎng)絡(luò)模型之一，是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，是可以計(jì)算單個(gè)權(quán)值變化引起網(wǎng)絡(luò)性能變化值的較為簡(jiǎn)單的方法，在地球物理勘測(cè)方面發(fā)揮了重大作用。BP神經(jīng)網(wǎng)絡(luò)反演方法的主要步驟分為兩部分，分別為學(xué)習(xí)訓(xùn)練和迭代反演。

2.2.3 GA-BP聯(lián)合反演方法

GA算法與BP算法的混合，可以結(jié)合全局最優(yōu)算法和局部最優(yōu)算法的優(yōu)點(diǎn)，彌補(bǔ)對(duì)方的缺點(diǎn)，使其交叉變異率具備自學(xué)習(xí)、自適應(yīng)等特征，并且能夠快捷、有效的獲取最優(yōu)解，提供神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)能力。進(jìn)行GA算法和BP算法的聯(lián)合反演，二者需持續(xù)運(yùn)行，并且按照一定的比例進(jìn)行。圖1為基于混合算法的微地震震源定位反演算法流程。

3 研究展望

發(fā)展基于遺傳算法的全局混合優(yōu)化算法已成為新的發(fā)展趨勢(shì)。而對(duì)于非線(xiàn)性反演，尤其是面對(duì)地球物理資料聯(lián)合反演，通過(guò)算法指揮由不同反演方法和迭代過(guò)程組織成系統(tǒng)，使之輸出分辨率最優(yōu)而方差最小的地球物理介質(zhì)模型，是其非常重要的研究方向。

參考文獻(xiàn)

[1]李瓊，李勇，李正文，吳朝容.基于GA-BP理論的儲(chǔ)層視裂縫密度地震非線(xiàn)性反演方法[J].地球物理學(xué)進(jìn)展，2006，21（02）：465-471.

第7篇：人工神經(jīng)網(wǎng)絡(luò)的實(shí)際應(yīng)用范文

關(guān)鍵詞:BP神經(jīng)網(wǎng)絡(luò) MATLAB仿真

中圖分類(lèi)號(hào):TP39文獻(xiàn)標(biāo)識(shí)碼:A 文章編號(hào):1007-3973(2010)06-061-02

1 BP神經(jīng)網(wǎng)絡(luò)概述

BP(Back Propagation)網(wǎng)絡(luò)是1986年由Rumelhart和McCelland為首的科學(xué)家小組提出,是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò),是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。它的學(xué)習(xí)規(guī)則是使用最速下降法,通過(guò)反向傳播來(lái)不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值,使網(wǎng)絡(luò)的誤差平方和最小。BP一般為多層神經(jīng)網(wǎng)絡(luò),其模型拓?fù)浣Y(jié)構(gòu)一般包括輸入層(input)、隱層(hide layer)和輸出層(output layer)。如圖1所示:

2BP網(wǎng)絡(luò)的學(xué)習(xí)算法

(1)最速下降BP算法(steepest descent backpropagation,SDBP)

如圖2所示的BP神經(jīng)網(wǎng)絡(luò),設(shè)k為迭代次數(shù),則每一次權(quán)值和閾值的修正案下式進(jìn)行:

式中:w(t)為第k次迭代各層之間的連接權(quán)向量或閾值向量。x(k)= 為第k次迭代的神經(jīng)網(wǎng)絡(luò)輸出誤差對(duì)個(gè)權(quán)值或閾值的梯度向量。負(fù)號(hào)代表梯度的反方向,即梯度的最速下降方向。 為學(xué)習(xí)速率,在訓(xùn)練時(shí)事一常數(shù)。在MATLAB神經(jīng)網(wǎng)絡(luò)工具箱中,其默認(rèn)值為0.01,可以通過(guò)改變訓(xùn)練參數(shù)進(jìn)行設(shè)置。為第k次迭代的網(wǎng)絡(luò)輸出的總誤差性能函數(shù),在MATLAB神經(jīng)網(wǎng)絡(luò)工具箱中,BP網(wǎng)絡(luò)誤差性能函數(shù)的默認(rèn)值為均誤差MSE(mean square error):

根據(jù)(2.2)式,可以求出第k次迭代的總誤差曲面的梯度x(k)= ,分別代入式(2.1)中,就可以逐次修正其權(quán)值和閾值,并使總的誤差向減小的方向變化,最終求出所要求的誤差性能。

(2)沖量BP算法(momentum backpropagation,MOBP)

因?yàn)榉聪騻鞑ニ惴ǖ膽?yīng)用廣泛,所以已經(jīng)開(kāi)發(fā)出了很多反向傳播算法的變體。其中最常見(jiàn)得事在梯度下降算法的基礎(chǔ)上修改公式(2.1)的權(quán)值更新法則,即引入沖量因子,并且0≤

標(biāo)準(zhǔn)BP算法實(shí)質(zhì)上是一種簡(jiǎn)單的最速下降靜態(tài)尋優(yōu)方法,在修正W(K)時(shí),只按照第K步的負(fù)梯度方向進(jìn)行修正,而沒(méi)有考慮到以前積累的經(jīng)驗(yàn),即以前時(shí)刻的梯度方向,從而常常使學(xué)習(xí)過(guò)程發(fā)生振蕩,收斂緩慢。動(dòng)量法權(quán)值調(diào)整算法的具體做法是:將上一次權(quán)值調(diào)整量的一部分迭加到按本次誤差計(jì)算所得的權(quán)值調(diào)整量上,作為本次的實(shí)際權(quán)值調(diào)整量,即公式(2.3)所示:是沖量系數(shù),通常0≤

(3)學(xué)習(xí)率可變的BP算法(variable learnling rate backpropagation,VLBP)

標(biāo)準(zhǔn)BP算法收斂速度緩慢的一個(gè)重要原因是學(xué)習(xí)率選擇不當(dāng),學(xué)習(xí)率選得太小,收斂慢;反之,則有可能修正的過(guò)頭,導(dǎo)致振蕩甚至發(fā)散。因此可以采用圖3所示的自適應(yīng)方法調(diào)整學(xué)習(xí)率。

自適應(yīng)調(diào)整學(xué)習(xí)率的梯度下降算法,在訓(xùn)練的過(guò)程中,力求使算法穩(wěn)定,而同時(shí)又使學(xué)習(xí)的不長(zhǎng)盡量地大,學(xué)習(xí)率則是根據(jù)局部誤差曲面作出相應(yīng)的調(diào)整。學(xué)習(xí)率則是通過(guò)乘上一個(gè)相應(yīng)的增量因子來(lái)調(diào)整學(xué)習(xí)率的大小。即公式(2.5)所示:

其中:為使步長(zhǎng)增加的增量因子,為使步長(zhǎng)減小的增量因子; 為學(xué)習(xí)率。

3 建立BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型

BP預(yù)測(cè)模型的設(shè)計(jì)主要有輸入層、隱含層、輸出層及各層的個(gè)數(shù)和層與層之間的傳輸函數(shù)。

(1)網(wǎng)絡(luò)層數(shù)

BP有一個(gè)輸入層和一個(gè)輸出層,但可以包含多個(gè)隱含層。但理論的上已證明,在不限制隱含層節(jié)點(diǎn)的情況下,只有一個(gè)隱含層的BP就可以實(shí)現(xiàn)任意非線(xiàn)性映射。

(2)輸入層和輸出層的節(jié)點(diǎn)數(shù)

輸入層是BP的第一層,它的節(jié)點(diǎn)數(shù)由輸入的信號(hào)的維數(shù)決定,這里輸入層的個(gè)數(shù)為3;輸出層的節(jié)點(diǎn)數(shù)取決于BP的具體應(yīng)用有關(guān),這里輸出節(jié)點(diǎn)為1。

(3)隱含層的節(jié)點(diǎn)數(shù)

隱含層節(jié)點(diǎn)數(shù)的選擇往往是根據(jù)前人設(shè)計(jì)所得的經(jīng)驗(yàn)和自己的進(jìn)行的實(shí)驗(yàn)來(lái)確定的。根據(jù)前人經(jīng)驗(yàn),可以參考以下公式設(shè)計(jì):

其中:n為隱含層節(jié)點(diǎn)數(shù);m為輸入節(jié)點(diǎn)數(shù);t為輸出節(jié)點(diǎn)數(shù);a為1~10之間的常數(shù)。根據(jù)本文要預(yù)測(cè)的數(shù)據(jù)及輸入和輸出節(jié)點(diǎn)的個(gè)數(shù),則取隱含層個(gè)數(shù)為10。

(4)傳輸函數(shù)

BP神經(jīng)網(wǎng)絡(luò)中的傳輸函數(shù)通常采用S(sigmoid)型函數(shù):

如果BP神經(jīng)網(wǎng)絡(luò)的最后一層是Sigmoid函數(shù),那么整個(gè)網(wǎng)絡(luò)的輸出就會(huì)限制在0~1之間的連續(xù);而如果選的是Pureline函數(shù),那么整個(gè)網(wǎng)絡(luò)輸出可以取任意值。因此函數(shù)選取分別為sigmoid和pureline函數(shù)。

4 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的MATLAB仿真實(shí)驗(yàn)

(1)樣本數(shù)據(jù)的預(yù)處理

本文的樣本數(shù)據(jù)來(lái)源于中國(guó)歷年國(guó)內(nèi)生產(chǎn)總值統(tǒng)計(jì)表,為了讓樣本數(shù)據(jù)在同一數(shù)量級(jí)上,首先對(duì)BP輸入和輸出數(shù)據(jù)進(jìn)行預(yù)處理:將原樣本數(shù)據(jù)乘上,同時(shí)將樣本數(shù)據(jù)分為訓(xùn)練樣本集和測(cè)試樣本集,1991~1999年我國(guó)的三大產(chǎn)業(yè)的各總值的處理結(jié)果作為訓(xùn)練樣本集,即1991~1998年訓(xùn)練樣本作為訓(xùn)練輸入;1999年訓(xùn)練樣本數(shù)據(jù)作為輸出訓(xùn)練輸出;1992~2000年我國(guó)的三大產(chǎn)業(yè)的各總值的處理結(jié)果作為測(cè)試樣本集,即1992~1999年的測(cè)試樣本作為測(cè)試輸入,2000年測(cè)試樣本數(shù)據(jù)作為測(cè)試輸出。

(2)確定傳輸函數(shù)

根據(jù)本文的數(shù)據(jù),如第3節(jié)所述,本文選取S函數(shù)(tansig)和線(xiàn)性函數(shù)(purelin)。

(3)設(shè)定BP的最大學(xué)習(xí)迭代次數(shù)為5000次。

(4)設(shè)定BP的學(xué)習(xí)精度為0.001;BP的學(xué)習(xí)率為0.1。

(5)創(chuàng)建BP結(jié)構(gòu)如圖4所示;訓(xùn)練BP的結(jié)果圖5所示:

正如圖5所示的數(shù)據(jù)與本文所示設(shè)計(jì)的網(wǎng)絡(luò)模型相符,且如圖5所示當(dāng)BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)迭代到99次時(shí),就打到了學(xué)習(xí)精度0.000997788,其學(xué)習(xí)速度比較快。

(6)測(cè)試BP神經(jīng)網(wǎng)絡(luò)

通過(guò)MATLAB對(duì)測(cè)試樣本數(shù)據(jù)進(jìn)行仿真,與實(shí)際的2000年我國(guó)三大產(chǎn)業(yè)的各生產(chǎn)總值比較(見(jiàn)表1),說(shuō)明BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型是可行的。、

5總結(jié)

總之,在人工神經(jīng)網(wǎng)絡(luò)的實(shí)際應(yīng)用中,BP神經(jīng)網(wǎng)絡(luò)廣泛應(yīng)用于函數(shù)逼近、模式識(shí)別/分類(lèi)、數(shù)據(jù)壓縮等。通過(guò)本文可以體現(xiàn)出MATLAB語(yǔ)言在編程的高效、簡(jiǎn)潔和靈活。雖然BP在預(yù)測(cè)方面有很多的優(yōu)點(diǎn),但其還有一定的局限性,還需要進(jìn)一步的改進(jìn)。

參考文獻(xiàn):

[1]周開(kāi)利,康耀紅.神經(jīng)網(wǎng)絡(luò)模型及其MATLAB仿真程序設(shè)計(jì)[M].北京:清華大學(xué)出版社,2005.7.

[2]張德豐等.MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計(jì)[M].北京:機(jī)械工業(yè)出版社,2009.1.

[3][美]米歇爾(Mitchell,T.M.)著;曾華軍等譯[M].北京:機(jī)械工業(yè)出版社,2003.1.

第8篇：人工神經(jīng)網(wǎng)絡(luò)的實(shí)際應(yīng)用范文

關(guān)鍵詞：電力系統(tǒng)超短期負(fù)荷預(yù)測(cè)人工神經(jīng)網(wǎng)絡(luò)外推法

中圖分類(lèi)號(hào)：F407文獻(xiàn)標(biāo)識(shí)碼： A

1 負(fù)荷預(yù)測(cè)概述[1]

負(fù)荷的大小與特性對(duì)于電力系統(tǒng)設(shè)計(jì)和運(yùn)行都是極為重要的因素。對(duì)負(fù)荷的變化與特性有一個(gè)事先的估計(jì)是電力系統(tǒng)運(yùn)行、控制和規(guī)劃不可缺少的一部分。

指導(dǎo)調(diào)度員控制聯(lián)絡(luò)線(xiàn)交換功率在規(guī)定范圍，一般需5～15min 的負(fù)荷數(shù)據(jù)。預(yù)防性控制和緊急狀態(tài)處理需要10min至1h的預(yù)測(cè)值[2] 。這也是本文的主要研究方向。

2 電力系統(tǒng)負(fù)荷預(yù)測(cè)方法簡(jiǎn)介

長(zhǎng)期以來(lái)，國(guó)內(nèi)外學(xué)者對(duì)負(fù)荷預(yù)測(cè)的理論和方法做了大量的研究，提出了各種各樣的預(yù)測(cè)方法，這些方法大致可分為兩大類(lèi):一類(lèi)是以時(shí)間序列法為代表的傳統(tǒng)方法，另一類(lèi)是以人工神經(jīng)網(wǎng)絡(luò)為代表的新型人工智能方法。傳統(tǒng)方法中主要有時(shí)間序列法、多元線(xiàn)性回歸法及傅立葉展開(kāi)法等。人工智能方法中主要有專(zhuān)家系統(tǒng)法、模糊邏輯法、人工神經(jīng)網(wǎng)絡(luò)法及小波分析法等。由于電力負(fù)荷的變化有其不確定性，如氣候變化、意外事故的發(fā)生等對(duì)電力負(fù)荷造成隨機(jī)干擾，因此，每種方法均有一定的適應(yīng)場(chǎng)合，并需要不斷的完善。

2.1 回歸分析法

回歸分析法又稱(chēng)統(tǒng)計(jì)分析法,回歸模型有一元線(xiàn)性回歸、多元線(xiàn)性回歸、非線(xiàn)性回歸等回歸預(yù)測(cè)模型；其中，線(xiàn)性回歸用于中期負(fù)荷預(yù)測(cè)。優(yōu)點(diǎn)是：預(yù)測(cè)精度較高，適用于在中、短期預(yù)測(cè)使用。缺點(diǎn)是：1.規(guī)劃水平年的工農(nóng)業(yè)總產(chǎn)值很難詳細(xì)統(tǒng)計(jì)；2.用回歸分析法只能測(cè)算出綜合用電負(fù)荷的發(fā)展水平，無(wú)法測(cè)算出各供電區(qū)的負(fù)荷發(fā)展水平，也就無(wú)法進(jìn)行具體的電網(wǎng)建設(shè)規(guī)劃。

2.2 彈性系數(shù)法

彈性系數(shù)是電量平均增長(zhǎng)率與國(guó)內(nèi)生產(chǎn)總值之間的比值，根據(jù)國(guó)內(nèi)生產(chǎn)總值的增長(zhǎng)速度結(jié)合彈性系數(shù)得到規(guī)劃期末的總用電量。彈性系數(shù)法是從宏觀(guān)上確定電力發(fā)展同國(guó)民經(jīng)濟(jì)發(fā)展的相對(duì)速度，它是衡量國(guó)民經(jīng)濟(jì)發(fā)展和用電需求的重要參數(shù)。電力彈性系數(shù)可以用下面的公式來(lái)表示：

(2-1-1)

式中：為電力彈性系數(shù)；為為電力消費(fèi)年平均增長(zhǎng)率；為國(guó)民經(jīng)濟(jì)年平均增長(zhǎng)率

在市場(chǎng)經(jīng)濟(jì)條件下，電力彈性系數(shù)已經(jīng)變得捉摸不定，并且隨著科學(xué)技術(shù)的迅猛發(fā)展，節(jié)電技術(shù)和電力需求側(cè)管理，電力與經(jīng)濟(jì)的關(guān)系急劇變化，電力需求與經(jīng)濟(jì)發(fā)展的變化步伐嚴(yán)重失調(diào)，使得彈性系數(shù)難以捉摸，使用彈性系數(shù)法預(yù)測(cè)電力需求難以得到滿(mǎn)意的效果。2.3 時(shí)間序列法

時(shí)間序列法是短期負(fù)荷預(yù)測(cè)的經(jīng)典方法，是根據(jù)負(fù)荷的歷史資料，設(shè)法建立一個(gè)數(shù)學(xué)模型，用這個(gè)數(shù)學(xué)模型一方面來(lái)描述電力負(fù)荷這個(gè)隨機(jī)變量變化過(guò)程的統(tǒng)計(jì)規(guī)律，另一方面在該數(shù)學(xué)模型的基礎(chǔ)上再確立負(fù)荷預(yù)測(cè)的數(shù)學(xué)表達(dá)式，對(duì)未來(lái)的負(fù)荷進(jìn)行預(yù)報(bào)。就一般地時(shí)間序列預(yù)測(cè)方法而言，人們總是先去識(shí)別與實(shí)際預(yù)測(cè)目標(biāo)序列相符合的一個(gè)隨機(jī)模型，并估計(jì)出隨機(jī)模型中的未知參數(shù)，再對(duì)隨機(jī)模型進(jìn)行考核，當(dāng)確認(rèn)該隨機(jī)模型具有適用價(jià)值后，再在此基礎(chǔ)上建立預(yù)測(cè)表達(dá)式進(jìn)行預(yù)報(bào)。它利用了電力負(fù)荷變動(dòng)的慣性特征和時(shí)間上的延續(xù)性，通過(guò)對(duì)歷史數(shù)據(jù)時(shí)間序列的分析處理，確定其基本特征和變化規(guī)律，預(yù)測(cè)未來(lái)負(fù)荷。

2.4 負(fù)荷求導(dǎo)法

每天的負(fù)荷大?。ǜ叩停┯胁顒e，但其負(fù)荷的變化率是有一定的規(guī)律。只要找出一個(gè)適當(dāng)函數(shù)來(lái)擬合每天的負(fù)荷曲線(xiàn)，對(duì)這個(gè)函數(shù)進(jìn)行一次求導(dǎo)，即可得出一天的負(fù)荷變化率。雖然每天的負(fù)荷大小變化難以準(zhǔn)確預(yù)測(cè)，但對(duì)負(fù)荷曲線(xiàn)求導(dǎo)后，得出的負(fù)荷變化率有一定的穩(wěn)定性。因此，利用負(fù)荷的變化率來(lái)進(jìn)行超短期負(fù)荷預(yù)測(cè)將會(huì)使精確度提高。負(fù)荷求導(dǎo)法預(yù)測(cè)的公式是：

(2-1-2)

式中對(duì)第i+1點(diǎn)的負(fù)荷預(yù)測(cè)值；

第i點(diǎn)的實(shí)際負(fù)荷值；

第i點(diǎn)的預(yù)測(cè)負(fù)荷變化率值。

2.5 專(zhuān)家系統(tǒng)法

專(zhuān)家系統(tǒng)預(yù)測(cè)法是對(duì)數(shù)據(jù)庫(kù)里存放的過(guò)去幾年甚至幾十年的，每小時(shí)的負(fù)荷和天氣數(shù)據(jù)進(jìn)行分析，從而匯集有經(jīng)驗(yàn)的負(fù)荷預(yù)測(cè)人員的知識(shí)，提取有關(guān)規(guī)則，按照一定的規(guī)則進(jìn)行負(fù)荷預(yù)測(cè)。實(shí)踐證明，精確的負(fù)荷預(yù)測(cè)不僅需要高新技術(shù)的支撐，同時(shí)也需要融合人類(lèi)自身的經(jīng)驗(yàn)和智慧。因此，就會(huì)需要專(zhuān)家系統(tǒng)這樣的技術(shù)。專(zhuān)家系統(tǒng)法，是對(duì)人類(lèi)的不可量化的經(jīng)驗(yàn)進(jìn)行轉(zhuǎn)化的一種較好的方法。但專(zhuān)家系統(tǒng)分析本身就是一個(gè)耗時(shí)的過(guò)程，并且某些復(fù)雜的因素（如天氣因素），即使知道其對(duì)負(fù)荷的影響，但要準(zhǔn)確定量地確定他們對(duì)負(fù)荷地區(qū)的影響也是很難的。專(zhuān)家系統(tǒng)預(yù)測(cè)法適用于中、長(zhǎng)期負(fù)荷預(yù)測(cè)。此法的優(yōu)點(diǎn)是：1.能匯集多個(gè)專(zhuān)家的知識(shí)和經(jīng)驗(yàn)，最大限度地利用專(zhuān)家的能力；2.占有的資料、信息多，考慮的因素也比較全面，有利于得出較為正確的結(jié)論。

2.6 外推法

根據(jù)負(fù)荷的變化趨勢(shì)對(duì)未來(lái)負(fù)荷情況作出預(yù)測(cè)。電力負(fù)荷雖然具有隨機(jī)性和不確定性，但在一定條件下，仍存在著明顯的變化趨勢(shì)，例如農(nóng)業(yè)用電，在氣候條件變化較小的冬季，日用電量相對(duì)穩(wěn)定，表現(xiàn)為較平穩(wěn)的變化趨勢(shì)。

外推法有線(xiàn)性趨勢(shì)預(yù)測(cè)法、對(duì)數(shù)趨勢(shì)預(yù)測(cè)法、二次曲線(xiàn)趨勢(shì)預(yù)測(cè)法、指數(shù)曲線(xiàn)趨勢(shì)預(yù)測(cè)法。趨勢(shì)外推法的優(yōu)點(diǎn)是：只需要?dú)v史數(shù)據(jù)、所需的數(shù)據(jù)量較少。缺點(diǎn)是：如果負(fù)荷出現(xiàn)變動(dòng)，會(huì)引起較大的誤差。

2.7 人工神經(jīng)網(wǎng)絡(luò)法

人工神經(jīng)網(wǎng)絡(luò)理論最早出現(xiàn)于20世紀(jì)40年代，經(jīng)過(guò)幾十年的發(fā)展，已廣泛的用于電力系統(tǒng)短期負(fù)荷預(yù)測(cè)。在現(xiàn)有的各種神經(jīng)網(wǎng)絡(luò)的計(jì)算方法中，由Ponelhert和Mcclelland提出的BP算法是應(yīng)用得最多的一種。BP算法的模型為前向多層網(wǎng)絡(luò)，由輸入層、隱含層、輸出層組成，每層都包含若干節(jié)點(diǎn)，同一層的節(jié)點(diǎn)間沒(méi)有相互的連接，而僅僅在前后不同層之間有節(jié)點(diǎn)的連接。BP算法的學(xué)習(xí)過(guò)程由正向傳播和反向傳播組成，正向傳播過(guò)程的輸入樣本從輸入層經(jīng)隱含層處理后傳向輸出層，每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)。如果在輸出層得不到期望值，則轉(zhuǎn)入反向傳播，將誤差信號(hào)沿原連接通路返回，通過(guò)修正各神經(jīng)元的權(quán)系數(shù)，使誤差信號(hào)減小，達(dá)到給定的精度，從而完成了其學(xué)習(xí)過(guò)程。這樣，當(dāng)在網(wǎng)絡(luò)的輸入端加入一新的信號(hào)時(shí)，就能從其輸出端得到相應(yīng)的結(jié)果。

3 預(yù)測(cè)算例

通過(guò)前述對(duì)各種預(yù)測(cè)方法的分析，采用神經(jīng)網(wǎng)絡(luò)法和外推法對(duì)山東某地區(qū)一個(gè)變電站的2005年8月8日負(fù)荷進(jìn)行預(yù)測(cè)。在實(shí)際應(yīng)用中，預(yù)測(cè)最小間隔為5min，預(yù)測(cè)長(zhǎng)度為1h。目前15min預(yù)測(cè)間隔為最常用。負(fù)荷采樣間隔為5分鐘，一天24個(gè)小時(shí)為288個(gè)數(shù)據(jù)，預(yù)測(cè)為提前15分鐘的預(yù)測(cè)，預(yù)測(cè)結(jié)果如下：

圖1 基于BP神經(jīng)網(wǎng)絡(luò)的負(fù)荷預(yù)測(cè)曲線(xiàn)

預(yù)測(cè)的平均相對(duì)誤差為2.3089%，本文在建立超短期負(fù)荷模型時(shí)，未考慮天氣變化和突發(fā)事件對(duì)負(fù)荷的影響，這在一定程度上影響了預(yù)測(cè)的精度。當(dāng)天氣變化顯著或者有突發(fā)事件時(shí)，這個(gè)預(yù)測(cè)模型的精度會(huì)變差。但總的來(lái)說(shuō)，所得預(yù)測(cè)結(jié)果比較令人滿(mǎn)意。

圖2 外推法負(fù)荷預(yù)測(cè)曲線(xiàn)

預(yù)測(cè)的平均相對(duì)誤差為2.3059%，與神經(jīng)網(wǎng)絡(luò)法預(yù)測(cè)結(jié)果相差不大。

4 結(jié)論

本文對(duì)各種負(fù)荷預(yù)測(cè)方法進(jìn)行了分析，并且在短期及超短期負(fù)荷預(yù)測(cè)方面，針對(duì)于兩種目前比較常用的負(fù)荷預(yù)測(cè)方法――人工神經(jīng)網(wǎng)絡(luò)法和負(fù)荷外推法進(jìn)行了重點(diǎn)的仿真研究。得出：在超短期負(fù)荷預(yù)測(cè)方面兩種方法得出結(jié)果相差并不是很大。負(fù)荷外推法方法簡(jiǎn)單，要求的歷史數(shù)據(jù)較少，運(yùn)算速度較快，可滿(mǎn)足系統(tǒng)在線(xiàn)分析的實(shí)時(shí)要求，比較適合在工程中應(yīng)用。人工神經(jīng)網(wǎng)絡(luò)法算法比較復(fù)雜，而且存在訓(xùn)練時(shí)間較長(zhǎng)、收斂性等問(wèn)題。但是在短期負(fù)荷預(yù)測(cè)方面(例如提前24小時(shí)的預(yù)測(cè))神經(jīng)網(wǎng)絡(luò)法存在著比負(fù)荷外推法明顯的優(yōu)勢(shì)。因此，在工程應(yīng)用等方面線(xiàn)性外推法還是具有較強(qiáng)的實(shí)用性。

參考文獻(xiàn)

[1]劉晨暉.電力系統(tǒng)負(fù)荷預(yù)報(bào)理論與方法[M].中國(guó):哈爾濱工業(yè)大學(xué)出版社，1987年 .20-60.

[2]張峰 吳勁暉 張怡 胡若云.基于負(fù)荷趨勢(shì)的新型超短期負(fù)荷預(yù)測(cè)法[J]. 電網(wǎng)技術(shù),2005,vol.28 No.19

[3]吳熳紅 楊繼旺.幾種電力負(fù)荷預(yù)測(cè)方法及其比較[J].廣東電力,2001,vol.17 No.1

[4]陳霞 安伯義 陳廣林.電力負(fù)荷預(yù)測(cè)理論與方法[J].農(nóng)村電氣化,2004.7

[5]吳勁暉 王冬明 黃良寶 孫維真.一種超短期負(fù)荷預(yù)測(cè)的新方法-負(fù)荷求導(dǎo)法[J]. 浙江電力,2000,6

[6]張國(guó)忠 熊偉 向求新 黃曉明 劉亞. 應(yīng)用人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)電力負(fù)荷[J].電力自動(dòng)化設(shè)備,2002,22

[7]S.H.Ling Frank H.F.Leung H.K.Lam Peter K.S.Tam Short-Term Electric Load Forecasting Based on a Neural Fuzzy Networks[A]. IEEE Transactions on Industrial electronics vol.50 no.6

[8]閆承山 劉永奇.人工神經(jīng)網(wǎng)絡(luò)在華北電網(wǎng)負(fù)荷預(yù)測(cè)中的應(yīng)用[J].電網(wǎng)技術(shù),1998,22

[9] 馬文曉 白曉民 沐連順.基于人工神經(jīng)網(wǎng)絡(luò)和模糊推理的短期負(fù)荷預(yù)測(cè)方法[J].電網(wǎng)技術(shù),2003,27

[10]D.C.Park M.A.El-Sharkawi R.J.Marks II L.E.Atlas and M.J.Damborg. Electric Load Forecasting Using An Artificial Neural Network [A].IEEE Transcaction on Power Systems vol.6 no.2 May 1991

[11]Lee K.Y.，Cha Y.T. Park J.H.，Short-term load forecasting using an artificial neutral network[J]. Power Systems, IEEE Transactions on , Volume: 7 , Issue: 1 , Feb. 1992

[12]姜勇.電力系統(tǒng)短期負(fù)荷預(yù)測(cè)的模糊神經(jīng)網(wǎng)絡(luò)方法[J]. 繼電,2002，30(7)

[13]Shan Shao, Yaming Sun, Short-term load forecasting using fuzzy neural network. Advances in Power System Control, Operation and Management, 1997. Fourth International Conference on (Conf. Publ. No. 450) Vol. 1 Nov 1997

[14]楊洪明 白培林.基于遺傳算法的人工神經(jīng)網(wǎng)絡(luò)負(fù)荷預(yù)報(bào)模型[J].湖南電力，2000 20

作者簡(jiǎn)介

陳曉東 男 碩士 工程師電力系統(tǒng)穩(wěn)定 山東電機(jī)工程學(xué)會(huì)

第9篇：人工神經(jīng)網(wǎng)絡(luò)的實(shí)際應(yīng)用范文

Guo Qingchun； He Zhenfang；Kou Liqun；Kong Lingjun；

Zhang Xiaoyong；Cui Wenjuan

（①Shaanxi Radio & TV University，Xi'an 710068，China；

②Cold and Arid Regions Environmental and Engineering Research Institute，Chinese Academy of Sciences，Lanzhou 730000，China）

摘要： 宏觀(guān)經(jīng)濟(jì)政策的制定要參照各次產(chǎn)業(yè)的發(fā)展水平，所以對(duì)產(chǎn)業(yè)發(fā)展水平進(jìn)行評(píng)估和預(yù)測(cè)就顯得十分必要。通過(guò)運(yùn)用改進(jìn)BP算法神經(jīng)網(wǎng)絡(luò)的建模方法對(duì)我國(guó)第三產(chǎn)業(yè)產(chǎn)值比重進(jìn)行分析，最后建立了單隱層的BP神經(jīng)網(wǎng)絡(luò)模型。結(jié)果表明基于改進(jìn)BP算法的神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)精度高，收斂速度快，具有良好的泛化能力，模型的通用性和實(shí)用性強(qiáng)。

Abstract: The formulation of macroeconomic should consult the industry development level, so it is very important to assess and predict the industrial development level. Through the application and improvement of modeling method of BP algorithm neural network, the production value of the tertiary industry in China is analyzed, finally single hidden layer of BP neural network model is established. The research results show that the model based on the improved BP neural network has high forecast precision, fast convergence rate, good generalization ability, strong universality and strong practicality.

關(guān)鍵詞： 第三產(chǎn)業(yè) 產(chǎn)值比重 BP神經(jīng)網(wǎng)絡(luò) 預(yù)測(cè)

Key words: tertiary industrial；the proportion of output-value；BP Neural Network；predict

中圖分類(lèi)號(hào)：F20 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1006-4311（2011）15-0009-02

0引言

第三產(chǎn)業(yè)的產(chǎn)值比重是衡量一個(gè)國(guó)家經(jīng)濟(jì)發(fā)展水平的重要指標(biāo)之一，第三產(chǎn)業(yè)的興旺發(fā)達(dá)已經(jīng)成為全球性的經(jīng)濟(jì)發(fā)展趨勢(shì)，成為了現(xiàn)代經(jīng)濟(jì)的一個(gè)重要特征。而第三產(chǎn)業(yè)受到人均國(guó)民生產(chǎn)總值、第一產(chǎn)業(yè)及第二產(chǎn)業(yè)的就業(yè)比重和產(chǎn)值比重的影響，而且這種影響是非線(xiàn)性的、不確定的、模糊的，傳統(tǒng)的經(jīng)濟(jì)數(shù)學(xué)模型是很難得到滿(mǎn)意結(jié)果的。

人工神經(jīng)網(wǎng)絡(luò)是目前一種有效的預(yù)測(cè)方法，大量的仿真實(shí)驗(yàn)和理論研究已經(jīng)證明BP算法是一種有效的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法，它具有很強(qiáng)的處理非線(xiàn)性問(wèn)題的能力，近年來(lái)已經(jīng)廣泛應(yīng)用到各個(gè)領(lǐng)域[1-4]。但在實(shí)際應(yīng)用中，BP算法也暴露出一些自身的缺點(diǎn)，算法容易陷入局部極值點(diǎn)，收斂速度慢等，這使得BP算法只能解決小規(guī)模的問(wèn)題，求得全局最優(yōu)的可能性較小，這樣限制了BP算法在實(shí)際中的應(yīng)用。因此應(yīng)用改進(jìn)BP算法的人工神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)第三產(chǎn)業(yè)的產(chǎn)值比重，和常規(guī)方法相比在計(jì)算速度、訓(xùn)練時(shí)間等方面都有顯著提高。

1數(shù)據(jù)來(lái)源和預(yù)處理

數(shù)據(jù)來(lái)源于《中國(guó)統(tǒng)計(jì)年鑒（2009年）》，資料時(shí)間范圍為1978年-2008年。在發(fā)展中國(guó)家，第三產(chǎn)業(yè)主要受人均國(guó)內(nèi)生產(chǎn)總值和第二產(chǎn)業(yè)的影響，所以采用的數(shù)據(jù)有：人均國(guó)內(nèi)生產(chǎn)總值，第二產(chǎn)業(yè)的產(chǎn)值比重，第二產(chǎn)業(yè)的就業(yè)比重。一般來(lái)說(shuō)，在實(shí)際應(yīng)用中，由于所采集的數(shù)據(jù)跨度較大，為提高訓(xùn)練速度和靈敏性以及有效避開(kāi)Sigmoid函數(shù)的飽和區(qū)，一般要求輸入數(shù)據(jù)的值在-1~l之間。通過(guò)標(biāo)準(zhǔn)化(y=2*(x-min(x))/(max(x)-min(x))-1)處理，構(gòu)成一組新序列。

2BP神經(jīng)網(wǎng)絡(luò)模型的建立

BP模型實(shí)現(xiàn)了多層學(xué)習(xí)的設(shè)想，當(dāng)給定網(wǎng)絡(luò)一個(gè)輸入模式時(shí)，它從輸入層單元傳到隱含層單元，經(jīng)隱含層單元逐層處理后再發(fā)送到輸出層單元，經(jīng)輸出層單元處理后產(chǎn)生一個(gè)輸出模式，這是一個(gè)逐層狀態(tài)更新的過(guò)程，稱(chēng)為前向傳播，如果輸出響應(yīng)與期望輸出模式有誤差，不滿(mǎn)足要求，則轉(zhuǎn)入誤差反向傳播，將誤差值沿連接通路逐層反向傳送并修正各層連接權(quán)值和閾值，當(dāng)各個(gè)訓(xùn)練模式都滿(mǎn)足要求時(shí)，則學(xué)習(xí)結(jié)束。

研究中直接把影響第三產(chǎn)業(yè)產(chǎn)值比重的3項(xiàng)指標(biāo)（人均國(guó)內(nèi)生產(chǎn)總值，第二產(chǎn)業(yè)的產(chǎn)值比重，第二產(chǎn)業(yè)的就業(yè)比重）作為BP神經(jīng)網(wǎng)絡(luò)的輸入向量，把第三產(chǎn)業(yè)產(chǎn)值比重作為輸出向量，這樣就確定了輸入層節(jié)點(diǎn)數(shù)為3，輸出層節(jié)點(diǎn)數(shù)為1。BP模型中，轉(zhuǎn)移函數(shù)常用的有兩種：sigmoid函數(shù)和線(xiàn)性函數(shù)（y=x），sigmoid函數(shù)又有兩種函數(shù)：tansig函數(shù)和logsig函數(shù)，本研究窮盡了這二種轉(zhuǎn)移函數(shù)的搭配組合，測(cè)試不同組合對(duì)網(wǎng)絡(luò)性能的影響，結(jié)果表明，當(dāng)輸入-隱層為tansig函數(shù)、隱層-輸出層為線(xiàn)性函數(shù)時(shí)，效果最好。

若輸入層和輸出層采用線(xiàn)性轉(zhuǎn)換函數(shù)，隱含層采用Sigmoid轉(zhuǎn)換函數(shù)，則只有一個(gè)隱含層的網(wǎng)絡(luò)能夠以任意精度逼近任何有理函數(shù)，所以第三產(chǎn)業(yè)產(chǎn)值比重預(yù)測(cè)模型也只選用一層隱含層來(lái)構(gòu)建網(wǎng)絡(luò)。在預(yù)測(cè)中分別組建了隱層節(jié)點(diǎn)數(shù)從1～25的BP網(wǎng)絡(luò)，經(jīng)過(guò)大量試算，最后根據(jù)試報(bào)效果，確定了較為理想的隱層單元數(shù)是5。

由于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)存在不足，因此需對(duì)其進(jìn)行改進(jìn)，trainbr（Levenberg-Marquardt優(yōu)化方法與Bayesian正則化方法）函數(shù)采用Levenberg-Marquardt優(yōu)化方法進(jìn)行網(wǎng)絡(luò)權(quán)值和閾值的最優(yōu)化搜索，并采用Bayesian正則化方法在網(wǎng)絡(luò)訓(xùn)練過(guò)程中自適應(yīng)地調(diào)節(jié)性能函數(shù)比例系數(shù)y的大小，使其達(dá)到最優(yōu)，并且采用trainbr函數(shù)訓(xùn)練后BP網(wǎng)絡(luò)具有較好的推廣能力。

3結(jié)果

利用1978年-2003年的第三產(chǎn)業(yè)產(chǎn)值比重?cái)?shù)據(jù)作為訓(xùn)練樣本，采用改進(jìn)BP算法的trainbr訓(xùn)練函數(shù)進(jìn)行訓(xùn)練構(gòu)建的神經(jīng)網(wǎng)絡(luò)，不斷調(diào)整輸入層和隱含層、隱含層和輸出層的權(quán)值和閾值，達(dá)到預(yù)定精度，結(jié)束訓(xùn)練，然后采用2004年-2008年的第三產(chǎn)業(yè)產(chǎn)值比重?cái)?shù)據(jù)作為檢驗(yàn)樣本，利用訓(xùn)練好的網(wǎng)絡(luò)對(duì)2004年-2008年的第三產(chǎn)業(yè)產(chǎn)值比重進(jìn)行預(yù)測(cè)。結(jié)果表明訓(xùn)練樣本模擬值和實(shí)際值的平均相對(duì)誤差為0.037%，它們的相關(guān)系數(shù)為0.998297；檢驗(yàn)樣本預(yù)測(cè)值和實(shí)際值的平均相對(duì)誤差為1.408%，它們的相關(guān)系數(shù)為0.732383；無(wú)論是訓(xùn)練樣本的殘差和誤差，還是檢驗(yàn)樣本的殘差和誤差，都較小，而且它們的相關(guān)系數(shù)都較高，該方法進(jìn)行預(yù)測(cè)時(shí)，如2007年我國(guó)第三產(chǎn)業(yè)產(chǎn)值比重預(yù)測(cè)值為40.75%，實(shí)際值為40.37%，二者相差不大；2008年的預(yù)測(cè)值為40.83%，實(shí)際值為40.07%，相對(duì)誤差僅為1.9%。

4結(jié)論

利用1978年-2003年的數(shù)據(jù)作為訓(xùn)練樣本，建立了基于改進(jìn)BP算法神經(jīng)網(wǎng)絡(luò)的GDP預(yù)測(cè)模型，并對(duì)2004年-2008年進(jìn)行了預(yù)測(cè)，通過(guò)模型建立和研究可以得出以下結(jié)論：

訓(xùn)練樣本模擬值和實(shí)際值的平均相對(duì)誤差為0.037%，它們的相關(guān)系數(shù)為0.998297；檢驗(yàn)樣本預(yù)測(cè)值和實(shí)際值的平均相對(duì)誤差為1.408%，它們的相關(guān)系數(shù)為0.732383；說(shuō)明預(yù)測(cè)精度高和泛化能力強(qiáng)。

改進(jìn)BP算法的神經(jīng)網(wǎng)絡(luò)采用Levenberg-Marquardt優(yōu)化方法進(jìn)行網(wǎng)絡(luò)權(quán)值和閾值的最優(yōu)化搜索，并采用Bayesian正則化方法在網(wǎng)絡(luò)訓(xùn)練過(guò)程中自適應(yīng)地調(diào)節(jié)性能函數(shù)比例系數(shù)y的大小，系統(tǒng)的計(jì)算速度更快、預(yù)測(cè)精度更高，應(yīng)用該方法對(duì)我國(guó)1978-2008年第三產(chǎn)業(yè)的產(chǎn)值比重進(jìn)行計(jì)算和預(yù)測(cè)，結(jié)果比較合理。

改進(jìn)BP算法的人工神經(jīng)網(wǎng)絡(luò)能夠捕捉到第三產(chǎn)業(yè)產(chǎn)值比重和人均國(guó)內(nèi)生產(chǎn)總值、第二產(chǎn)業(yè)的產(chǎn)值比重、第二產(chǎn)業(yè)的就業(yè)比重之間的高度復(fù)雜的非線(xiàn)性函數(shù)映射關(guān)系，很好地解決了第三產(chǎn)業(yè)產(chǎn)值比重預(yù)測(cè)的難題，為經(jīng)濟(jì)政策的制定提供了科學(xué)依據(jù)，實(shí)踐證明這種方法具有較大的理論意義和應(yīng)用價(jià)值。

參考文獻(xiàn)：

[1]王曉東，薛宏智.基于BP神經(jīng)網(wǎng)絡(luò)的股票漲跌預(yù)測(cè)模型[J].價(jià)值工程，2010，29（31）：47-49.

[2]朱劉陽(yáng).一種雷達(dá)信號(hào)自適應(yīng)盲分離算法[J].價(jià)值工程，2010，29（30）：211-212.