神經(jīng)網(wǎng)絡(luò)的運(yùn)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神經(jīng)網(wǎng)絡(luò)的運(yùn)用主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：神經(jīng)網(wǎng)絡(luò)的運(yùn)用范文

關(guān)鍵詞：物流；神經(jīng)網(wǎng)絡(luò)；Matlab；預(yù)測；多種模型

中圖分類號(hào)：U294.1 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2095-1302（2016）01-00-02

0 引 言

現(xiàn)如今物流業(yè)的快速發(fā)展對人們的生活與產(chǎn)能經(jīng)濟(jì)都產(chǎn)生了重要影響，而整個(gè)物流鏈中的關(guān)鍵就是貨運(yùn)環(huán)節(jié)。影響貨物運(yùn)輸?shù)囊蛩乇容^復(fù)雜，包括相關(guān)體制、交通條件、城市環(huán)境、產(chǎn)業(yè)布局等，這些因素在數(shù)學(xué)模型上是非線性且不確定的，于是給預(yù)測造成了較大困難。為了做好庫存控制、信息管理的工作，在貨物運(yùn)輸前對貨運(yùn)量進(jìn)行預(yù)測是非常有必要的。

1 神經(jīng)網(wǎng)絡(luò)模型及其特點(diǎn)

1.1 系統(tǒng)概述

本文研究的預(yù)測模型是基于貨運(yùn)預(yù)測系統(tǒng)的，該系統(tǒng)的主要功能是將項(xiàng)目輸入的數(shù)據(jù)確定為預(yù)測目標(biāo)，并根據(jù)具體要求與有關(guān)資料動(dòng)態(tài)分析出可執(zhí)行計(jì)劃，將預(yù)測結(jié)果保存到數(shù)據(jù)庫備份。貨運(yùn)預(yù)測系統(tǒng)的具體結(jié)構(gòu)包括初始數(shù)據(jù)模塊、預(yù)測方法選擇、結(jié)果處理模塊、系統(tǒng)輔助管理及數(shù)據(jù)庫模塊等。系統(tǒng)結(jié)構(gòu)圖如圖1所示。

圖1 貨運(yùn)預(yù)測系統(tǒng)結(jié)構(gòu)圖

1.2 模型特點(diǎn)

神經(jīng)網(wǎng)絡(luò)分為單層前向網(wǎng)絡(luò)（LMS學(xué)習(xí)算法）、多層前向網(wǎng)絡(luò)（BP學(xué)習(xí)算法）、改進(jìn)型神經(jīng)網(wǎng)絡(luò)等，其中BP神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用最廣泛的模型之一，模型拓?fù)浣Y(jié)構(gòu)如圖2所示。

圖2 含有兩個(gè)隱層的BP網(wǎng)絡(luò)結(jié)構(gòu)

多層前向網(wǎng)絡(luò)是單層感知器的推廣，解決了非線性可分問題，其由輸入層、隱含層和輸出層組成，其中隱含層可以為一層或多層。輸入層中每個(gè)源節(jié)點(diǎn)作為激勵(lì)單元，組成了下一層的輸入信號(hào)，而該層的輸出信號(hào)又成為后層的輸入，以此類推。多層感知器中每個(gè)神經(jīng)元的激勵(lì)函數(shù)是可微的Sigmoid函數(shù)，見式（1）所示：

（1）

式中ui是第i個(gè)神經(jīng)元的輸入信號(hào)，vi是該神經(jīng)元的輸出信號(hào)。

BP學(xué)習(xí)過程具有工作信號(hào)正向傳播、誤差信號(hào)反向傳播的特點(diǎn)。對于圖2，設(shè)輸入層任意一個(gè)輸入信號(hào)用m表示，第一層、第二層、輸出層任意神經(jīng)元分別用i，j，p表示。按誤差反向傳播方向，從輸出節(jié)點(diǎn)到隱含層的修正權(quán)值公式見式（2）：

（2）

按Delta學(xué)習(xí)規(guī)則求得：

Δwjp（n）=ηδp（n）vj（n） （3）

其中，η是學(xué)習(xí)步長， vj（n） 可由信號(hào)的正向傳播過程求得。

該系統(tǒng)的訓(xùn)練目標(biāo)是總的平均誤差能量Eav達(dá)到最小，。其中，ekp為網(wǎng)絡(luò)輸入第k個(gè)訓(xùn)練樣本時(shí)輸出神經(jīng)元p的誤差，N為訓(xùn)練樣本的個(gè)數(shù)。

2 預(yù)測實(shí)例及結(jié)果分析

2.1 問題描述

貨站是物流的一種重要形式，被認(rèn)為是物流中心，包含著物資信息、資金流動(dòng)等管理，這里取若干年的某貨站數(shù)據(jù)進(jìn)行預(yù)測并與實(shí)際結(jié)果對比，貨運(yùn)量走勢如圖3所示。

圖3 近十年某貨站物流量走勢圖

圖中曲線很明顯不適合做直線擬合，我們可運(yùn)用指數(shù)平滑法、神經(jīng)網(wǎng)絡(luò)等進(jìn)行外推預(yù)測。對于指數(shù)平滑法，歷史數(shù)據(jù)影響程度逐漸減小，隨著數(shù)據(jù)遠(yuǎn)離權(quán)數(shù)收斂趨近零，因此適用于短期預(yù)測；對于灰色模型，十分依賴于歷史數(shù)據(jù)，其精度受原始數(shù)據(jù)的影響較大。本預(yù)測系統(tǒng)會(huì)根據(jù)輸入數(shù)據(jù)的各項(xiàng)因子最終選擇最合適的算法模型。下面就神經(jīng)網(wǎng)絡(luò)的一般預(yù)測步驟進(jìn)行說明。

2.2 預(yù)測步驟

一般來說，BP算法的預(yù)測步驟如下：

（1）樣本預(yù)處理。由于數(shù)據(jù)的評(píng)價(jià)標(biāo)準(zhǔn)或量綱不一樣，所以需要對樣本作歸一化處理?？刹扇O差變換（xn-xmin）/（xmax-xmin）進(jìn)行處理；

（2）樣本分組。每組前m個(gè)值作為輸入，后一個(gè)作為輸出期望值；

（3）網(wǎng)絡(luò)訓(xùn)練。使訓(xùn)練后的網(wǎng)絡(luò)自適應(yīng)樣本數(shù)據(jù)的特征，網(wǎng)絡(luò)訓(xùn)練狀態(tài)如圖4所示；

圖4 網(wǎng)絡(luò)訓(xùn)練狀態(tài)

（4）得到預(yù)測值后?？赏ㄟ^對2001至2010年數(shù)據(jù)的網(wǎng)絡(luò)訓(xùn)練，得到2011年的輸出預(yù)測值。Matlab中仿真程序如下：

x=[105129.1 113918.7 121421.3 122757.9 122690.2 135560.5 159988.1 172152 210655.0 238749.2]；

r=max（x）-min（x）；

for n=1：length（x）

y（n）=[x（n）-min（x）]/r；

end

p=[y（length（x）-4） y（length（x）-3） y（length（x）-2） y（length（x）-1）]’；

L=length（p）；

R1=zeros（1，L）；

R2=ones（1，L）；

R=[R1；R2]’；

t=y（length（x））；

input=[y（length（x）-3） y（length（x）-2） y（length（x）-1） y（length（x））]’；

net=newff（R，[4，5，1]，{‘logsig’，’logsig’，’purelin’}，’trainlm’）；

net.trainParam.show=20；

net.trainParam.lr=0.01；

net.trainParam.epochs=100； net.trainParam.goal=1.0e-030； net=train（net，p，t）；

out=sim（net，input）；

out=out*r+min（x）；

（5）反歸一化處理。由于第一步對樣本進(jìn)行歸一化處理，則需要把結(jié)果還原，才能得到有效的預(yù)測值。

2.3 結(jié)果分析

最后得到2011年貨運(yùn)量預(yù)測值為259 137（噸）[實(shí)際值262 551（噸）]，與指數(shù)平滑法的271 740（噸）相比誤差由3.5%降為-1.3%。需要指出的是，增加隱含層的數(shù)目可以更加逼近非線性曲線提高映射能力，但多于某個(gè)值，會(huì)使整體預(yù)測性能降低。

3 結(jié) 語

貨運(yùn)預(yù)測影響因素的不確定性直接給預(yù)測系統(tǒng)的研究帶來困難，人工神經(jīng)網(wǎng)絡(luò)模仿自人的大腦，具備自適應(yīng)算法特性，擁有運(yùn)算、推理、識(shí)別及控制等能力，若能將其很好地運(yùn)用在貨運(yùn)預(yù)測方面，則能為物流業(yè)提供更大意義的幫助。

參考文獻(xiàn)

[1] Simon Haykin.神經(jīng)網(wǎng)絡(luò)原理[M].葉世偉，史忠植，譯.北京：機(jī)械工業(yè)出版社，2004.

[2]孫明璽.預(yù)測與評(píng)價(jià)[M].杭州：浙江教育出版社，2000.

[3]李采蓉.新的組合模型及在港口客流量預(yù)測上的應(yīng)用[J].遼寧大學(xué)學(xué)報(bào)，2000，27（4）：309-311.

[4]云俊，王少梅.物流系統(tǒng)的多目標(biāo)預(yù)測[J].武漢理工大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2001，14（3）：243-245.

[5]駱溫平.物流與供應(yīng)鏈管理[M].北京：電子工業(yè)出版社，2002.

[6]（美）Tom M.Mitchell.機(jī)器學(xué)習(xí)[M].曾華軍，譯.北京：機(jī)械工業(yè)出版社，2008.

[7]（美）Martin T Hagan，Howard B.Demuth.神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)[M].戴葵，等，譯.北京：機(jī)械工業(yè)出版社，2005.

[8]黨耀國，劉思峰，王正新.灰色預(yù)測與決策模型研究[M].北京：科學(xué)出版社，2009.

第2篇：神經(jīng)網(wǎng)絡(luò)的運(yùn)用范文

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)；計(jì)算機(jī)網(wǎng)絡(luò)；安全管理；應(yīng)用

中圖分類號(hào)：TP393.08

進(jìn)入到信息時(shí)代，便捷的計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)不僅給人們的生活帶來了極大的便利，但同時(shí)也容易遭到蠕蟲病毒、木馬病毒等破壞性極強(qiáng)的程序病毒攻擊留下便利的通道，使得計(jì)算機(jī)網(wǎng)絡(luò)安全面臨巨大的威脅。鑒于此，要對計(jì)算機(jī)網(wǎng)絡(luò)安全所面臨的風(fēng)險(xiǎn)進(jìn)行科學(xué)、合理以及準(zhǔn)確的分析、評(píng)估，同時(shí)要采取相應(yīng)的措施對面臨的風(fēng)險(xiǎn)有效的進(jìn)行防范，盡可能的減少由于計(jì)算機(jī)網(wǎng)絡(luò)安全管理問題所帶來的損失。另外，計(jì)算機(jī)網(wǎng)絡(luò)安全受到很多種因素的影響，主要有病毒的入侵以及系統(tǒng)漏洞，更重要的是這些因素之間有很強(qiáng)的關(guān)聯(lián)性，這也就導(dǎo)致計(jì)算機(jī)網(wǎng)絡(luò)安全管理的問題逐漸趨于復(fù)雜化，在這種情況下，就必須要求計(jì)算機(jī)網(wǎng)絡(luò)系統(tǒng)的管理者以及使用者對網(wǎng)絡(luò)的安全進(jìn)行有效的管理，更要對網(wǎng)絡(luò)的安全性有清楚的認(rèn)識(shí)和了解，切實(shí)的掌握影響計(jì)算機(jī)網(wǎng)絡(luò)安全的因素。為了更好的解決計(jì)算機(jī)網(wǎng)絡(luò)安全管理問題，神經(jīng)網(wǎng)絡(luò)逐漸被應(yīng)用到計(jì)算機(jī)網(wǎng)絡(luò)安全管理之中，使得對計(jì)算機(jī)網(wǎng)絡(luò)安全管理更加準(zhǔn)確和有效。

1 計(jì)算機(jī)網(wǎng)絡(luò)安全管理概述

一般而言，計(jì)算機(jī)網(wǎng)路安全管理指的是計(jì)算機(jī)在連接網(wǎng)絡(luò)后進(jìn)行信息的交換、瀏覽以及下載的過程中，對信息安全進(jìn)行有效的管理，防止信息被他人竊取或者破壞。隨著信息時(shí)代的到來，越來越多的人對計(jì)算機(jī)產(chǎn)生了很強(qiáng)的依賴，從兒童到老年人，計(jì)算機(jī)的影響無處不在，隨著計(jì)算機(jī)的普及，人們在使用計(jì)算機(jī)的過程中對其安全性就有了顧忌。對于計(jì)算機(jī)網(wǎng)絡(luò)，只要連接互聯(lián)網(wǎng)，隨時(shí)都存在被攻擊的可能，相對而言，沒有任何計(jì)算機(jī)是絕對的安全或者是不受到任何的攻擊。運(yùn)用計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)進(jìn)行攻擊或者盜取個(gè)人信息或者是企業(yè)信息的事件幾乎每年都會(huì)發(fā)生，計(jì)算機(jī)網(wǎng)絡(luò)存在嚴(yán)重的安全隱患。所以，要及時(shí)的認(rèn)識(shí)以及了解計(jì)算機(jī)網(wǎng)絡(luò)面臨的安全隱患，積極的采取相應(yīng)的措施加強(qiáng)對計(jì)算機(jī)網(wǎng)絡(luò)安全的管理。

2 神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)網(wǎng)絡(luò)安全管理應(yīng)用的現(xiàn)狀

2.1 對神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)安全管理運(yùn)用中的重視程度不夠

計(jì)算機(jī)網(wǎng)絡(luò)安全是因特網(wǎng)發(fā)展的最基礎(chǔ)的目的，但與此同時(shí)近乎所有的計(jì)算機(jī)網(wǎng)絡(luò)在開創(chuàng)以及不斷的發(fā)展過程中都趨向于實(shí)用以及便利，相反卻在一定程度上沒有重視對計(jì)算機(jī)的安全管理，更沒有將神經(jīng)網(wǎng)絡(luò)技術(shù)運(yùn)用到計(jì)算機(jī)的安全管理中，進(jìn)而對計(jì)算機(jī)網(wǎng)絡(luò)的安全管理留下了嚴(yán)重的隱患。另外，神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)網(wǎng)絡(luò)安全管理中主要是對計(jì)算機(jī)的網(wǎng)絡(luò)安全進(jìn)行評(píng)估，然而由于不重視對神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)網(wǎng)絡(luò)安全管理中的運(yùn)用，使得沒有建立良好的計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)標(biāo)準(zhǔn)體系。

2.2 對神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)模型的設(shè)計(jì)和實(shí)際運(yùn)用不夠合理

一般來說，神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)網(wǎng)絡(luò)安全管理中主要是對計(jì)算機(jī)網(wǎng)絡(luò)安全進(jìn)行一定的評(píng)估，在對其進(jìn)行評(píng)估的過程中，就需要設(shè)計(jì)一定的計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)模型，主要包含對輸入層、輸出層以及隱含層的設(shè)計(jì)；但是，目前神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)網(wǎng)絡(luò)安全管理中對于評(píng)價(jià)模型的設(shè)計(jì)還沒有將這三方面有效的聯(lián)系起來。除此之外，對神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)網(wǎng)絡(luò)安全管理的實(shí)際運(yùn)用中，不能科學(xué)、合理的實(shí)現(xiàn)計(jì)算機(jī)網(wǎng)絡(luò)安全管理評(píng)價(jià)模型運(yùn)用，不注重對評(píng)價(jià)模型的學(xué)習(xí)以及不關(guān)注對評(píng)價(jià)模型進(jìn)行有效的驗(yàn)證。

3 加強(qiáng)神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)網(wǎng)絡(luò)安全管理中的應(yīng)用采取的措施

3.1 神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)網(wǎng)絡(luò)安全管理中要科學(xué)、合理的設(shè)計(jì)網(wǎng)絡(luò)安全評(píng)價(jià)模型

神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)網(wǎng)絡(luò)安全管理中要科學(xué)、合理的設(shè)計(jì)網(wǎng)絡(luò)安全評(píng)價(jià)模型，以便更好的實(shí)現(xiàn)計(jì)算機(jī)網(wǎng)絡(luò)安全、高效的運(yùn)行。為此，計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)模型需要進(jìn)行一下設(shè)計(jì)：首先是對輸入層的設(shè)計(jì)，一般來說，神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)網(wǎng)絡(luò)安全管理運(yùn)用中，對于輸入層考慮的是神經(jīng)元的節(jié)點(diǎn)數(shù)以及評(píng)價(jià)指標(biāo)的數(shù)量，盡可能的使這兩者數(shù)量保持一致。其次是對隱含層的設(shè)計(jì)，對于隱含層的設(shè)計(jì)需要注意的是若某個(gè)連續(xù)函數(shù)在任意的閉區(qū)間中，可以通過在隱含層里的神經(jīng)網(wǎng)絡(luò)來靠近，大多數(shù)情況下，神經(jīng)網(wǎng)絡(luò)通常運(yùn)用的是單隱含層。最后是輸出層的設(shè)計(jì)，神經(jīng)網(wǎng)絡(luò)的輸出層設(shè)計(jì)主要是獲得計(jì)算機(jī)網(wǎng)絡(luò)安全管理評(píng)價(jià)的最終結(jié)果，例如可以設(shè)置計(jì)算機(jī)網(wǎng)絡(luò)安全管理評(píng)價(jià)的輸出層節(jié)點(diǎn)數(shù)為2，那么相應(yīng)的輸出結(jié)果（1，1）指的是非常安全、（0，1）指的是較不安全、（1，0）指的是基本安全以及（0，0）指的是非常的不安全。

3.2 神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)網(wǎng)絡(luò)安全管理運(yùn)用中要對評(píng)價(jià)模型進(jìn)行有效的驗(yàn)證

需要注意的是，神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)網(wǎng)絡(luò)安全管理運(yùn)用中要對評(píng)價(jià)模型進(jìn)行有效的驗(yàn)證，一般體現(xiàn)在一下幾方面：首先是要關(guān)注評(píng)價(jià)模型的實(shí)現(xiàn)，為了實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)網(wǎng)絡(luò)安全管理中的良好運(yùn)用，就要依據(jù)客戶滿意的評(píng)價(jià)模型，運(yùn)用計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)創(chuàng)建設(shè)置含有輸入層、隱含層以及輸出層的神經(jīng)網(wǎng)絡(luò)模型，然后再對網(wǎng)絡(luò)安全進(jìn)行檢驗(yàn)。其次是要注意對評(píng)價(jià)模型的學(xué)習(xí)，在對計(jì)算機(jī)網(wǎng)絡(luò)安全進(jìn)行評(píng)價(jià)之前，需要對神經(jīng)網(wǎng)絡(luò)進(jìn)行標(biāo)準(zhǔn)化的處理，才能盡可能的減少對計(jì)算機(jī)網(wǎng)絡(luò)安全管理評(píng)價(jià)中的誤差。最后要注意對評(píng)價(jià)模型進(jìn)行驗(yàn)證，當(dāng)神經(jīng)網(wǎng)絡(luò)經(jīng)過標(biāo)準(zhǔn)化處理以及在計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)之后，就需要對輸出的結(jié)果進(jìn)行一定的驗(yàn)證，以便確定神經(jīng)網(wǎng)絡(luò)對計(jì)算機(jī)網(wǎng)絡(luò)安全的評(píng)價(jià)輸出結(jié)果是否與期望的評(píng)價(jià)結(jié)果相一致，進(jìn)一步驗(yàn)證神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)網(wǎng)絡(luò)安全管理中安全評(píng)價(jià)模型的準(zhǔn)確與否。

3.3 重視神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)網(wǎng)絡(luò)安全管理運(yùn)用以及建立健全安全評(píng)價(jià)標(biāo)準(zhǔn)體系

神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)網(wǎng)絡(luò)安全管理運(yùn)用中主要的任務(wù)是對計(jì)算機(jī)網(wǎng)絡(luò)的安全進(jìn)行一定的評(píng)價(jià)，并且將評(píng)價(jià)的結(jié)果準(zhǔn)確、及時(shí)的反饋給用戶，所以就應(yīng)該對其在計(jì)算機(jī)網(wǎng)絡(luò)安全管理中的應(yīng)用引起高度的重視，為此就應(yīng)該建立健全計(jì)算機(jī)網(wǎng)絡(luò)安全管理的評(píng)價(jià)標(biāo)準(zhǔn)體系。一方面是評(píng)價(jià)指標(biāo)的建立，計(jì)算機(jī)網(wǎng)絡(luò)安全管理是復(fù)雜的過程，同時(shí)影響計(jì)算機(jī)網(wǎng)絡(luò)安全的因素比較多。因此，建立科學(xué)、合理以及有效的計(jì)算機(jī)網(wǎng)絡(luò)安全管理評(píng)價(jià)標(biāo)準(zhǔn)，對于神經(jīng)網(wǎng)絡(luò)高效的開展評(píng)價(jià)工作有很大的關(guān)聯(lián)。另一方面是對評(píng)價(jià)標(biāo)準(zhǔn)的準(zhǔn)確化，影響計(jì)算機(jī)網(wǎng)絡(luò)安全管理的因素非常的多，就應(yīng)該對各種評(píng)價(jià)標(biāo)準(zhǔn)進(jìn)行細(xì)化，以達(dá)到評(píng)價(jià)的準(zhǔn)確。

4 結(jié)束語

綜上所述，通過神經(jīng)網(wǎng)絡(luò)對計(jì)算機(jī)網(wǎng)絡(luò)安全的評(píng)價(jià)，可以有效的對計(jì)算機(jī)網(wǎng)絡(luò)安全進(jìn)行管理。運(yùn)用神經(jīng)網(wǎng)絡(luò)技術(shù)手段，提高了計(jì)算機(jī)網(wǎng)絡(luò)安全管理的效率，并且在運(yùn)用神經(jīng)網(wǎng)絡(luò)的過程中建立健全安全評(píng)價(jià)標(biāo)準(zhǔn)體系、注重對評(píng)價(jià)模型進(jìn)行有效的驗(yàn)證以及加強(qiáng)對計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)模型的設(shè)計(jì)，切實(shí)的提升計(jì)算機(jī)網(wǎng)絡(luò)安全管理水平。

參考文獻(xiàn)：

[1]毛志勇.BP神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)中的應(yīng)用[J].信息技術(shù)，2008（06）.

[2]周忠.神經(jīng)網(wǎng)絡(luò)技術(shù)在網(wǎng)絡(luò)安全中的應(yīng)用[J].科技致富向?qū)В?010（32）.

[3]趙冬梅，劉海峰，劉晨光.基于BP神經(jīng)網(wǎng)絡(luò)的信息安全風(fēng)險(xiǎn)評(píng)估[J].計(jì)算機(jī)工程與應(yīng)用，2007（01）.

[4]樓文高，姜麗，孟祥輝.計(jì)算機(jī)網(wǎng)絡(luò)安全綜合評(píng)價(jià)的神經(jīng)網(wǎng)絡(luò)模型[J].計(jì)算機(jī)工程與應(yīng)用，2007（32）.

[5]沈宗慶，劉西林.基于BP神經(jīng)網(wǎng)絡(luò)的分銷商績效指標(biāo)評(píng)價(jià)及應(yīng)用[J].華東交通大學(xué)學(xué)報(bào)，2007（04）.

第3篇：神經(jīng)網(wǎng)絡(luò)的運(yùn)用范文

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)、圖像分割、特征提取

Abstract: the image recognition process including the image preprocessing, feature extraction, image understanding and analysis. Which BP artificial neural network in the image segmentation using better; In the feature extraction phase BP neural network is also very good find application, and obtain the better feature extraction results; In the image understanding and the analysis phase using neural network classifier design, can get accurate classification results.

Keywords: BP neural network, image segmentation, feature extraction

中圖分類號(hào)：TP183 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：

引言

BP人工神經(jīng)網(wǎng)絡(luò)算法是現(xiàn)今應(yīng)用較為廣泛的多層前向反饋式神經(jīng)網(wǎng)絡(luò)算法，BP人工神經(jīng)網(wǎng)絡(luò)有較好的容錯(cuò)能力、魯棒性、并行協(xié)同處理能力和自適應(yīng)能力，受到了國內(nèi)外眾多領(lǐng)域?qū)W者的關(guān)注。由于神經(jīng)網(wǎng)絡(luò)高效率的集體計(jì)算能力和較強(qiáng)的魯棒性，它在圖像分割方面的應(yīng)用已經(jīng)很廣泛，Jain和Karu采用了多通道濾波與前向神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法實(shí)現(xiàn)圖像紋理分割算法。神經(jīng)網(wǎng)絡(luò)算法在特征提取階段，壓縮特征數(shù)量，以提高分類速度和精度。在圖像識(shí)別領(lǐng)域中神經(jīng)網(wǎng)絡(luò)作為分類器的研究也得到了很大的進(jìn)展，尤其是其學(xué)習(xí)能力和容錯(cuò)性對于模式識(shí)別是非常有利的，在一定程度上提高了訓(xùn)練速度和識(shí)別率。Le Cun等人提出了多層特征選擇(Multilayer Selection Procedure)方法用于字符識(shí)別，每一層神經(jīng)網(wǎng)絡(luò)處理較低層次的特征，獲取該層特征信息并傳給上一層。

BP神經(jīng)網(wǎng)絡(luò)的基本原理

人工神經(jīng)網(wǎng)絡(luò)的研究起源于對生物神經(jīng)系統(tǒng)的研究，它將若干處理單元（即神經(jīng)元）通過一定的互連模型連結(jié)成一個(gè)網(wǎng)絡(luò)，這個(gè)網(wǎng)絡(luò)通過一定的機(jī)制可以模仿人的神經(jīng)系統(tǒng)的動(dòng)作過程，以達(dá)到識(shí)別分類的目的。人工神經(jīng)網(wǎng)絡(luò)區(qū)別于其他識(shí)別方法的最大特點(diǎn)是它對待識(shí)別的對象不要求有太多的分析與了解，具有一定的智能化處理的特點(diǎn)。神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程實(shí)際上就是不斷地調(diào)整權(quán)值和閾值的過程。根據(jù)有無訓(xùn)練樣本的指導(dǎo)可以將神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方式分為兩種：監(jiān)督學(xué)習(xí)方式和非監(jiān)督學(xué)習(xí)方式，也稱為有導(dǎo)師指導(dǎo)學(xué)習(xí)方式和無導(dǎo)師指導(dǎo)學(xué)習(xí)方式。監(jiān)督學(xué)習(xí)方式，是在給定固定的輸入輸出樣本集的情況下，由網(wǎng)絡(luò)根據(jù)一定的學(xué)習(xí)規(guī)則進(jìn)行訓(xùn)練學(xué)習(xí)，每一次學(xué)習(xí)完成后，通過對比實(shí)際的輸出和期望的輸出，以此決定網(wǎng)絡(luò)是否需要再學(xué)習(xí)，如果還沒有達(dá)到期望的誤差，則將實(shí)際誤差反饋到網(wǎng)絡(luò)，進(jìn)行權(quán)值和閾值的調(diào)整，使實(shí)際的誤差隨著學(xué)習(xí)的反復(fù)進(jìn)行而逐步減小，直至達(dá)到所要求的性能指標(biāo)為止。非監(jiān)督學(xué)習(xí)方式，是在沒有外界的指導(dǎo)下進(jìn)行的學(xué)習(xí)方式，在學(xué)習(xí)過程中，調(diào)整網(wǎng)絡(luò)的權(quán)重不受外來教師的影響，但在網(wǎng)絡(luò)內(nèi)部會(huì)對其性能進(jìn)行自適應(yīng)調(diào)節(jié)。

BP神經(jīng)網(wǎng)絡(luò)分類器的設(shè)計(jì)

BP神經(jīng)網(wǎng)絡(luò)是基于誤差反向傳播算法(Back Propagation Algorithm，BPA)的多層前向神經(jīng)網(wǎng)絡(luò)，由輸入層、輸出層、一個(gè)或多個(gè)隱含層所組成。BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)確定之后，通過對輸出和輸入樣本集進(jìn)行訓(xùn)練，反復(fù)修正網(wǎng)絡(luò)的權(quán)值和閾值，達(dá)到學(xué)習(xí)訓(xùn)練的期望誤差，以使網(wǎng)絡(luò)能夠?qū)崿F(xiàn)給定的輸入輸出映射關(guān)系。BP人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程分為兩個(gè)階段，第一階段是輸入己知的學(xué)習(xí)樣本數(shù)據(jù)，給定網(wǎng)絡(luò)的結(jié)構(gòu)和初始連接權(quán)值和閾值，從輸入層逐層向后計(jì)算各神經(jīng)元的輸出；第二階段是對權(quán)值和閾值進(jìn)行修改，即根據(jù)網(wǎng)絡(luò)誤差從最后一層向前反饋計(jì)算各層權(quán)值和閾值的增減量，來逐層修正各層權(quán)值和閾值。以上正反兩個(gè)階段反復(fù)交替，直到網(wǎng)絡(luò)收斂。具體實(shí)現(xiàn)步驟如下：

(1) 網(wǎng)絡(luò)的初始化：首先對輸入的學(xué)習(xí)訓(xùn)練樣本進(jìn)行歸一化處理，對權(quán)值矩陣W和閾值向量賦初值，將網(wǎng)絡(luò)計(jì)數(shù)器和訓(xùn)練次數(shù)計(jì)數(shù)器置為1，網(wǎng)絡(luò)誤差置為0。

(2) 輸入訓(xùn)練樣本，計(jì)算輸入層，隱含層以及輸出層的實(shí)際輸出。

(3) 計(jì)算網(wǎng)絡(luò)輸出誤差。將實(shí)際的輸出和期望的輸出值進(jìn)行對比，采用均方根誤差指標(biāo)作為網(wǎng)絡(luò)的誤差性能函數(shù)。

(4) 若誤差還沒達(dá)到期望標(biāo)準(zhǔn)，則根據(jù)誤差信號(hào)，逐層調(diào)整權(quán)值矩陣和閾值向量。

(5) 若最終調(diào)整之后的網(wǎng)絡(luò)輸出達(dá)到了誤差范圍之內(nèi)，則進(jìn)行下一組訓(xùn)練樣本繼續(xù)訓(xùn)練網(wǎng)絡(luò)。

(6) 若全部的訓(xùn)練樣本訓(xùn)練完畢，并且達(dá)到了期望的誤差，則訓(xùn)練結(jié)束，輸出最終的網(wǎng)絡(luò)聯(lián)接權(quán)值和閾值。

BP神經(jīng)網(wǎng)絡(luò)可以逼近任意連續(xù)函數(shù)，具有很強(qiáng)的非線性映射能力，而且BP神經(jīng)網(wǎng)絡(luò)中間層數(shù)、各層神經(jīng)元數(shù)及網(wǎng)絡(luò)學(xué)習(xí)速率等參數(shù)均可以根據(jù)具體情況設(shè)定，靈活性較強(qiáng)，所以BP神經(jīng)網(wǎng)絡(luò)在許多領(lǐng)域中廣泛應(yīng)用。一般來說，神經(jīng)網(wǎng)絡(luò)方法應(yīng)同傳統(tǒng)的人工智能方法相聯(lián)系的。神經(jīng)網(wǎng)絡(luò)本身結(jié)構(gòu)及性能上的特點(diǎn)使其對問題的處理更富有彈性，更加穩(wěn)健。神經(jīng)網(wǎng)絡(luò)的基本特點(diǎn)是采用自下而上的設(shè)計(jì)思路，使其容易確定具體的目標(biāo)分割或識(shí)別算法，在增加了不確定因素的同時(shí)也產(chǎn)生了網(wǎng)絡(luò)最優(yōu)化的問題，這就是所謂的偽狀態(tài)(pseudo-trap)。盡管在實(shí)踐中并非所有的偽狀態(tài)對應(yīng)完全失敗的結(jié)果，但是畢竟這不符合對之完美的或者說合理的期望。人工智能則一般采用自上而下的方法，偏重于邏輯推理建立系統(tǒng)模型。因此將神經(jīng)網(wǎng)絡(luò)同人工智能結(jié)合起來，相當(dāng)于賦予神經(jīng)網(wǎng)絡(luò)高層指導(dǎo)的知識(shí)及邏輯推理的能力，具有潛在的優(yōu)勢。

輸入層中間層 輸出層

圖1 BP人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練

4.1 BP神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)

BP神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)主要包括兩方面內(nèi)容：一是神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的確定，特別是隱含層層數(shù)及隱含層單元數(shù)目的確定；二是高精度收斂問題，隱含層和隱含層單元數(shù)過多，將導(dǎo)致訓(xùn)練時(shí)間過長并出現(xiàn)過度擬和的問題，隱含層單元數(shù)過少又導(dǎo)致網(wǎng)絡(luò)收斂速度慢甚至不收斂，達(dá)不到誤差精度要求。在確定隱含層層數(shù)以及隱含層單元數(shù)目時(shí)，沒有一個(gè)嚴(yán)格的理論依據(jù)指導(dǎo)，需要根據(jù)特定的問題，結(jié)合經(jīng)驗(yàn)公式確定大致范圍來進(jìn)行逐步試算比較得到。

4.2 數(shù)據(jù)預(yù)處理

為了加快網(wǎng)絡(luò)的訓(xùn)練速度，通常在網(wǎng)絡(luò)訓(xùn)練前進(jìn)行神經(jīng)網(wǎng)絡(luò)輸入和輸出數(shù)據(jù)預(yù)處理，即將每組數(shù)據(jù)都?xì)w一化變?yōu)閇-1,1]之間的數(shù)值的處理過程。

4.3 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練

%當(dāng)前輸入層權(quán)值和閾值

inputWeights=net.IW{1,1}

inputbias=net.b{1}

%當(dāng)前網(wǎng)絡(luò)層權(quán)值和閾值

layerWeights=net.LW{2,1}

layerbias=net.b{2}

%設(shè)置訓(xùn)練參數(shù)

net.trainParam.show = 1000;%限時(shí)訓(xùn)練迭代過程

net.trainParam.lr = 0.1; %學(xué)習(xí)率，缺省為0.01

net.trainParam.epochs = 100000; %最大訓(xùn)練次數(shù)，缺省為100

net.trainParam.goal = 0.001; %訓(xùn)練要求精度，缺省為0

[net,tr]=train(net,P,T);%調(diào)用 TRAINGDM 算法訓(xùn)練 BP 網(wǎng)絡(luò)

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

E = T - A;%計(jì)算仿真誤差

MSE=mse(E)

結(jié)束語

BP網(wǎng)絡(luò)因?yàn)榫哂休^強(qiáng)的學(xué)習(xí)性、自適應(yīng)型和容錯(cuò)性，在很多領(lǐng)域均已經(jīng)大量運(yùn)用。本文將BP人工神經(jīng)網(wǎng)絡(luò)運(yùn)用于圖像的識(shí)別，探索人工神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別領(lǐng)域中的重要的現(xiàn)實(shí)意義。研究表明，BP人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于圖像識(shí)別在一定程度上提高了識(shí)別的效率和準(zhǔn)確率。但是，BP神經(jīng)網(wǎng)絡(luò)算法還存在以下幾點(diǎn)不足之處：（1）權(quán)的調(diào)整方法存在局限性，容易陷入局部最優(yōu)；（2）網(wǎng)絡(luò)的結(jié)構(gòu)需要提前指定或者在訓(xùn)練過程中不斷的修正；（3）過分依賴學(xué)習(xí)樣本，由于學(xué)習(xí)樣本是有限的或者學(xué)習(xí)樣本質(zhì)量不高，那么會(huì)導(dǎo)致訓(xùn)練達(dá)不到效果；（4）對于規(guī)模較大的模式映射問題，存在收斂速度慢、容易陷入局部極小點(diǎn)、判斷不準(zhǔn)確等缺陷?？傊?，如何解決以上問題，如何進(jìn)一步提高識(shí)別精度，擴(kuò)大識(shí)別范圍，使之更具有更好的工程實(shí)用性，是有待進(jìn)一步研究的內(nèi)容。

參考文獻(xiàn)：

[1] WE Blanz，S L Gish．A Connectionist Classifier Architecture Applied to Image Segmentation．Proc．10th ICPR，1990，272-277．

[2] Y Le Cun，L D Jackel，B Boser，J S Denker，H P Graf，I Guyon，D Henderson，R E Howard，and W Hubbard，Handwriten Digit Recognition：Applications of Neural Network Chips and Automatic Learning，IEEE Comm．Magazine．Nov．1989．

[3] A K Jain and K Karu，Automatic Filter Design for Texture Discrimination，Proc．12th Int’l Conf．NeuralNetworks，Orlando，Oct．1994，454-458．

[4] 邊肇其，張學(xué)工．模式識(shí)別（第二版）[M]．清華大學(xué)出版社，北京．1999，12．

[5] 陳書海，傅錄祥．實(shí)用數(shù)字圖像處理[M]．科學(xué)出版社，北京．2005．

[6] 萬來毅，陳建勛．基于BP神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別研究[J]．武漢科技大學(xué)學(xué)報(bào)（自然科學(xué)版）．2006，6．

[7] 叢爽．面向MATLAB工具箱的神經(jīng)網(wǎng)絡(luò)理論與應(yīng)用（第2版）[M]．北京：中國科學(xué)技術(shù)出版社，2003．

[8] 王娟，慈林林等．特征方法綜述[J]．計(jì)算機(jī)工程與科學(xué)．2005．27（12）．68-71．

[9] 賈花萍．基于神經(jīng)網(wǎng)絡(luò)的特征選擇與提取方法研究[J]．網(wǎng)絡(luò)安全．2008，7．33-35．

[10] 龔聲榮，劉純平等編著．?dāng)?shù)字圖像處理與分析[M]．清華大學(xué)出版社，北京．2006．7．

第4篇：神經(jīng)網(wǎng)絡(luò)的運(yùn)用范文

在上世紀(jì)九十年代初期，利用數(shù)學(xué)知識(shí)將感知器模型的弊病全面提出，致使社會(huì)各界對于人工神經(jīng)網(wǎng)絡(luò)的探究非常少。另一方面，針對邏輯運(yùn)算的人工神經(jīng)網(wǎng)絡(luò)研究存在一定的弊端，一直沒有被大家發(fā)現(xiàn)，因此，致使人工神經(jīng)網(wǎng)絡(luò)探究工程進(jìn)入嚴(yán)重的低谷期。

關(guān)于人工神經(jīng)網(wǎng)絡(luò)技術(shù)飛速發(fā)展時(shí)期，九十年代初期，對于人工神經(jīng)網(wǎng)絡(luò)技術(shù)的弊端予以充分解決，尤其是Hopefield的人工神經(jīng)網(wǎng)絡(luò)技術(shù)模型的提出，致使對于互聯(lián)網(wǎng)的穩(wěn)定性以及收斂性的探究有了充分的理論依據(jù)。而且將人工神經(jīng)網(wǎng)絡(luò)模型全面應(yīng)用到具體的實(shí)踐中，并且得到全面推廣，同時(shí)，將科學(xué)技術(shù)和人工神經(jīng)網(wǎng)絡(luò)進(jìn)行有機(jī)結(jié)合，使人工神經(jīng)網(wǎng)絡(luò)技術(shù)更加具有可研究性。

2關(guān)于人工神經(jīng)技術(shù)的構(gòu)造以及典型模型

互聯(lián)網(wǎng)人工神經(jīng)技術(shù)的構(gòu)造的組成包括以神經(jīng)元件為主，同時(shí)，這項(xiàng)包含多種神經(jīng)元結(jié)構(gòu)的互聯(lián)網(wǎng)信息處理技術(shù)是可以并行存在的。每一個(gè)具體的人工神經(jīng)元件可以單一輸出，還可以和其他的神經(jīng)元件相結(jié)合，并且具有非常多的連接輸出方法，每一種連接措施都會(huì)有相應(yīng)的權(quán)系數(shù)。具體的人工神經(jīng)網(wǎng)絡(luò)技術(shù)的特點(diǎn)有：（1）針對每一個(gè)節(jié)點(diǎn)i，都會(huì)有相應(yīng)的狀態(tài)變量Xi存在；（2）節(jié)點(diǎn)j到節(jié)點(diǎn)i之間，是相應(yīng)的權(quán)系數(shù)Wij存在；（3）在每一個(gè)節(jié)點(diǎn)i的后面，具體存在相應(yīng)的閾值θi；（4）在每一個(gè)節(jié)點(diǎn)i的后面，存在變換函數(shù)fi（Xi，Wijθi），但是，通常情況來說，這個(gè)函數(shù)取fi(∑，WijXi-θi)的情況。

3將人工神經(jīng)網(wǎng)絡(luò)技術(shù)進(jìn)行全面使用

互聯(lián)網(wǎng)的人工神經(jīng)網(wǎng)絡(luò)技術(shù)具有獨(dú)特的結(jié)構(gòu)和處理措施，具體包括在：自動(dòng)控制處理和網(wǎng)絡(luò)技術(shù)模式識(shí)別、模型圖像處理和相應(yīng)的傳感器信號(hào)處理技術(shù)。信號(hào)處理技術(shù)和機(jī)器人控制處理技術(shù)、地理領(lǐng)域和焊接、在電力系統(tǒng)應(yīng)用和相關(guān)數(shù)據(jù)挖掘、軍事和交通行業(yè)、農(nóng)業(yè)和氣象行業(yè)等多個(gè)領(lǐng)域紛紛體現(xiàn)出其卓越的貢獻(xiàn)。

ART人工神經(jīng)網(wǎng)絡(luò)技術(shù)的運(yùn)用。人工神經(jīng)網(wǎng)絡(luò)技術(shù)ART在網(wǎng)絡(luò)語音和網(wǎng)絡(luò)圖像、文字處理和具體識(shí)別等方面，得到廣泛的應(yīng)用；同時(shí)，在工業(yè)處理系統(tǒng)中也有相應(yīng)的應(yīng)用，例如，在工業(yè)系統(tǒng)中的故障診斷和故障檢測以及事故警報(bào)等情況的控制；人工神經(jīng)網(wǎng)絡(luò)ART技術(shù)還應(yīng)用在數(shù)據(jù)挖掘方面，在相關(guān)數(shù)據(jù)中挖掘最穩(wěn)定和最有意義的模式。具體的神經(jīng)網(wǎng)絡(luò)技術(shù)ART的優(yōu)勢為：網(wǎng)絡(luò)技術(shù)處理能力高、穩(wěn)定性強(qiáng)以及聚類效果非常好。

4結(jié)束語

第5篇：神經(jīng)網(wǎng)絡(luò)的運(yùn)用范文

介紹了基于神經(jīng)網(wǎng)絡(luò)的故障針診斷方法和結(jié)合模糊理論應(yīng)用的故障診斷。分析了小波變換的現(xiàn)代模擬電路軟故障診斷的研究現(xiàn)狀。

關(guān)鍵詞:

模擬電路；軟故障診斷；神經(jīng)網(wǎng)絡(luò)；模糊理論；小波變換

在最近幾年，現(xiàn)代模擬電路故障診斷方法的研究成為了新的熱點(diǎn)。其中有基于神經(jīng)網(wǎng)絡(luò)。并結(jié)合專家系統(tǒng)、小波變換、模糊理論和遺傳算法?！靶〔ㄉ窠?jīng)網(wǎng)絡(luò)”和“模糊神經(jīng)網(wǎng)絡(luò)”成為主流的模擬電路軟故障診斷方法。

1基于神經(jīng)網(wǎng)絡(luò)的故障診斷方法

神經(jīng)網(wǎng)絡(luò)有自組織性、自學(xué)性、并行性、聯(lián)想記憶和分類功能,這些信息處理特點(diǎn)使其能夠解決一些傳統(tǒng)模式難以解決的問題。其中模擬電路故障診斷中的非線性和容差問題就是運(yùn)用神經(jīng)網(wǎng)絡(luò)的非線性映射能力和泛化能力來解決的，同時(shí)這也是專家門的較為感興趣的研究熱點(diǎn)。基于神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷方法有一些，其中包括測試節(jié)點(diǎn)的選擇、確定被測故障集、故障特征的提取等步驟,這種方法與基于測前仿真的故障字典法雷同。前者用制作神經(jīng)網(wǎng)絡(luò)和樣本集來儲(chǔ)存特征信息，而且在測試完畢后定位故障是通過神經(jīng)網(wǎng)絡(luò)來處理。所以可以把基于神經(jīng)網(wǎng)絡(luò)的方法當(dāng)作是基于測后仿真和測前仿真的延伸與綜合。在故障診斷領(lǐng)域，誤差反傳神經(jīng)網(wǎng)絡(luò)（backpropagationneuralnetwork,BPNN）擁有較好的模式分類特性。然而僅僅以節(jié)點(diǎn)電壓視作故障特征訓(xùn)練的BPNN只能適用于診斷模擬電路的硬故障。在軟故障方面，一般需要基于神經(jīng)網(wǎng)絡(luò)和多種特征提取方法的綜合應(yīng)用來診斷。

2基于模糊理論應(yīng)用的模擬電路軟故障診斷

在一些故障診斷問題中，模糊規(guī)則適合描述故障診斷的機(jī)理。模糊理論中的模糊運(yùn)算、模糊邏輯系統(tǒng)、模糊集合擁有對模糊信息的準(zhǔn)確應(yīng)付能力，這使得模糊理論成為故障診斷的一種有力工具。神經(jīng)網(wǎng)絡(luò)與模糊理論相結(jié)合，充分發(fā)揮了模糊理論和神經(jīng)網(wǎng)絡(luò)各自的優(yōu)點(diǎn)，并以此來彌補(bǔ)各自的不足，這就是所謂的“模糊神經(jīng)網(wǎng)絡(luò)”。這種方法的基本思想是在BPNN的輸出層和輸入層中間增加一到兩層模糊層構(gòu)造模糊神經(jīng)網(wǎng)絡(luò)，分別利用神經(jīng)網(wǎng)絡(luò)和模糊邏輯處理低層感知數(shù)據(jù)與描述高層的邏輯框架，這樣一來跟神經(jīng)網(wǎng)絡(luò)分類器相比，“模糊神經(jīng)網(wǎng)絡(luò)”對模擬電路軟故障診斷效果的優(yōu)勢就非常明顯。通過一個(gè)無監(jiān)督的聚類算法自組織地確定模糊規(guī)則的數(shù)目并生成一個(gè)初始的故障診斷模糊規(guī)則庫，構(gòu)造了一類模糊神經(jīng)網(wǎng)絡(luò)，通過訓(xùn)練調(diào)整網(wǎng)絡(luò)權(quán)值，使故障診斷模糊規(guī)則庫的分類更加精確，實(shí)現(xiàn)了電路元件的軟故障診斷。

3基于小波變換的模擬電路軟故障診斷

小波變換是一種新的變換分析方法，它繼承和發(fā)展了短時(shí)傅立葉變換局部化的思想，同時(shí)又克服了窗口大小不隨頻率變化等缺點(diǎn)，能夠提供一個(gè)隨頻率改變的"時(shí)間-頻率"窗口，是進(jìn)行信號(hào)時(shí)頻分析和處理的理想工具。它的主要特點(diǎn)是通過變換能夠充分突出問題某些方面的特征，能對時(shí)間（空間）頻率的局部化分析，通過伸縮平移運(yùn)算對信號(hào)（函數(shù))逐步進(jìn)行多尺度細(xì)化，最終達(dá)到高頻處時(shí)間細(xì)分，低頻處頻率細(xì)分，能自動(dòng)適應(yīng)時(shí)頻信號(hào)分析的要求，從而可聚焦到信號(hào)的任意細(xì)節(jié)，解決了Fourier變換的困難問題，成為繼Fourier變換以來在科學(xué)方法上的重大突破。若滿足時(shí)，則由經(jīng)過伸縮和平移得到的函數(shù)成為小波函數(shù)族。小波變換具有時(shí)域局部特征,而神經(jīng)網(wǎng)絡(luò)具有魯棒性、自學(xué)習(xí)、自適性和容錯(cuò)性。如何把二者的優(yōu)勢結(jié)合起來一直是人們所關(guān)注的問題。一種方法是用小波變換對信號(hào)進(jìn)行預(yù)處理,即以小波空間作為模式識(shí)別的特征空間，通過小波分析來實(shí)現(xiàn)信號(hào)的特征提取，然后將提取的特征向量送入神經(jīng)網(wǎng)絡(luò)處理；另一種即所謂的小波神經(jīng)網(wǎng)絡(luò)或小波網(wǎng)絡(luò)。小波神經(jīng)網(wǎng)絡(luò)是神經(jīng)網(wǎng)絡(luò)與小波理論相結(jié)合的產(chǎn)物，最早是由法國著名的信息科學(xué)研究機(jī)構(gòu)IRLSA的ZhangQinghu等人1992年提出來的。小波神經(jīng)用絡(luò)是基于小波變換而構(gòu)成的神經(jīng)網(wǎng)絡(luò)模型,即用非線性小波基取代通常的神經(jīng)元非線性激勵(lì)函數(shù)(如Sigmoid函數(shù)),把小波變換與神經(jīng)網(wǎng)絡(luò)有機(jī)地結(jié)合起來,充分繼承了兩者的優(yōu)點(diǎn)。近幾年來,國內(nèi)外有關(guān)小波網(wǎng)絡(luò)的研究報(bào)告層出不窮。小波與前饋神經(jīng)網(wǎng)絡(luò)是小波網(wǎng)絡(luò)的主要研究方向。小波還可以與其他類型的神經(jīng)網(wǎng)絡(luò)結(jié)合,例如Kohonen網(wǎng)絡(luò)對信號(hào)做自適應(yīng)小波分解。

由于神經(jīng)網(wǎng)絡(luò)、小波變換、模糊理論在當(dāng)今的發(fā)展上還不是很完善,例如在診斷中，模糊度該如何準(zhǔn)確地定量化，對小波變換之后故障信號(hào)進(jìn)行怎樣構(gòu)造能體現(xiàn)故障類別的特征等,因此這些基于神經(jīng)網(wǎng)絡(luò)的診斷方法或多或少地存在一些局限性。一般來說,神經(jīng)網(wǎng)絡(luò)方法的長處并不是提高診斷精度，而且無論運(yùn)用什么方法,在選取狀態(tài)特征參量和確定電路故障集方面,傳統(tǒng)的故障診斷方法仍然具有理論上的指導(dǎo)意義。所以,抽取合理的故障特征比構(gòu)造合適的神經(jīng)網(wǎng)絡(luò)更為重要。

參考文獻(xiàn)：

[1]梁戈超,何怡剛,朱彥卿.基于模糊神經(jīng)網(wǎng)絡(luò)融合遺傳算法的模擬電路故障診斷法[J].電路與系統(tǒng)學(xué)報(bào),2004,9(2):54-57.

[2]譚陽紅,何怡剛.模擬電路故障診斷的小波方法[J].電工技術(shù)學(xué)報(bào),2005,20(8):89-93.

第6篇：神經(jīng)網(wǎng)絡(luò)的運(yùn)用范文

【關(guān)鍵詞】混合時(shí)滯 神經(jīng)網(wǎng)絡(luò) 穩(wěn)定性分析

【中圖分類號(hào)】G642 【文獻(xiàn)標(biāo)識(shí)碼】A 【文章編號(hào)】2095-3089（2016）04-0237-02

人工神經(jīng)網(wǎng)絡(luò)是基于人腦的功能，通過建構(gòu)與生物神經(jīng)元類似的電路結(jié)構(gòu)，從而在微觀的層次上實(shí)現(xiàn)對人類智能的仿真。神經(jīng)網(wǎng)絡(luò)是由神經(jīng)元的相互連接而形成的，反映在數(shù)學(xué)中，神經(jīng)元實(shí)質(zhì)上就是適當(dāng)?shù)暮瘮?shù)，也被稱為激活函數(shù)。神經(jīng)網(wǎng)絡(luò)在模式識(shí)別、優(yōu)化計(jì)算、智能控制以及聯(lián)想記憶等領(lǐng)域得到了廣泛的應(yīng)用，發(fā)展前景非常的廣闊[1]。

一、混合時(shí)滯神經(jīng)網(wǎng)絡(luò)發(fā)展的脈絡(luò)

穩(wěn)定性研究的開始可以追溯到十九世紀(jì)末期的Lyapunov理論和Poincare理論，在我國對穩(wěn)定性進(jìn)行充分研究的是著名物理學(xué)家錢學(xué)森，錢學(xué)森在其著名的《工程控制論》中，明確指出，穩(wěn)定性是系統(tǒng)控制的第一要求。美國的著名數(shù)學(xué)家LsSalle也說過，吸引全世界的數(shù)學(xué)家注意的點(diǎn)就是穩(wěn)定性。由此可見，穩(wěn)定性在數(shù)學(xué)研究中具有極其重要的作用[2]。

大部分的動(dòng)力系統(tǒng)都會(huì)隨著時(shí)間的演化不僅依賴于系統(tǒng)的當(dāng)前狀態(tài)，并且還會(huì)依賴于系統(tǒng)過去的某個(gè)時(shí)刻，這就是被科學(xué)家們稱作的時(shí)滯動(dòng)力系統(tǒng)。在工程系統(tǒng)中，時(shí)滯一般是指對測控過程中的測量時(shí)滯、形成控制決策所需要的時(shí)滯以及信號(hào)傳輸中的時(shí)滯等，這也是為什么大部分的動(dòng)力學(xué)系統(tǒng)都需要時(shí)滯動(dòng)力系統(tǒng)來進(jìn)行描述的主要原因。事實(shí)上，時(shí)滯系統(tǒng)的初始狀態(tài)空間是一個(gè)無限維的空間，而且沒有特殊的性質(zhì)，因此對其進(jìn)行理論分析非常困難 [3]。

二、混合時(shí)滯神經(jīng)網(wǎng)絡(luò)穩(wěn)定性的發(fā)展研究分析

系統(tǒng)的穩(wěn)定性在神經(jīng)網(wǎng)絡(luò)的應(yīng)用中非常的廣泛，如最優(yōu)化的問題研究、模式識(shí)別研究以及圖像處理研究等，都需要運(yùn)用系統(tǒng)的穩(wěn)定性。在上個(gè)世紀(jì)，有很多文獻(xiàn)都給出了不同類型神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性判據(jù)，最著名的當(dāng)屬Hopfield神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)規(guī)模的應(yīng)用范圍也在不斷的擴(kuò)大，人們對時(shí)滯神經(jīng)網(wǎng)絡(luò)模型的研究也越來越深入。時(shí)滯通常是由定時(shí)的時(shí)滯發(fā)展到連續(xù)分布的時(shí)滯。當(dāng)前神經(jīng)網(wǎng)絡(luò)穩(wěn)定性的研究領(lǐng)域運(yùn)用的主要方法就是Lyapunov泛函，然后再利用不同的不等式來對不等式進(jìn)行分析，從而得到具有穩(wěn)定性的數(shù)據(jù)[4]。

在優(yōu)化問題的應(yīng)用中，需要根據(jù)問題的基本特征，對設(shè)計(jì)所要求的神經(jīng)網(wǎng)絡(luò)達(dá)到唯一的、全局的漸進(jìn)穩(wěn)定的平衡點(diǎn)。當(dāng)神經(jīng)網(wǎng)絡(luò)應(yīng)用于實(shí)時(shí)的計(jì)算時(shí)，為了有效的提高收斂的速度，就需要神經(jīng)網(wǎng)絡(luò)必須具有非常高的指數(shù)收斂度。這也是時(shí)滯神經(jīng)網(wǎng)絡(luò)的全局漸近穩(wěn)定性與全局指數(shù)穩(wěn)定性研究如此吸引人的最為主要的原因。時(shí)滯反饋網(wǎng)絡(luò)的應(yīng)用和研究需要大量的具有穩(wěn)定性的數(shù)據(jù)作為基礎(chǔ)，因此，人們需要在不斷擴(kuò)展的網(wǎng)絡(luò)模型的條件下放寬對網(wǎng)絡(luò)中所有參數(shù)和激勵(lì)函數(shù)的限制。只有這樣，才能更好的促進(jìn)神經(jīng)網(wǎng)絡(luò)研究的快速發(fā)展[5]。

目前，對時(shí)滯反饋神經(jīng)網(wǎng)絡(luò)解的穩(wěn)定性進(jìn)行判別和分析的主要方法是Lyapunov方法，在進(jìn)行判別和分析時(shí)，需要同時(shí)結(jié)合泛函數(shù)的分不等式穩(wěn)定性理論來推導(dǎo)網(wǎng)絡(luò)解的穩(wěn)定性，通過這一方法能夠?qū)⒎€(wěn)定性的研究放到某個(gè)適當(dāng)?shù)亩x系統(tǒng)的軌跡上，而且通過對這些泛函數(shù)的研究分析，能夠得到穩(wěn)定性的相應(yīng)條件。這些穩(wěn)定性條件的最常用的表述形式就是我們經(jīng)常用的線矩不等式、系數(shù)矩陣的范數(shù)不等式以及Hanalay微分不等式。在這一研究領(lǐng)域，由于線矩不等式方法對系統(tǒng)的參數(shù)的限制比其它方法要少，而且比較容易驗(yàn)證，因此，這種方法在穩(wěn)定性理論的研究中應(yīng)用的非常的廣泛[6]。

三、混合時(shí)滯神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性分析研究

最近幾年，隨著人們對穩(wěn)定性研究的進(jìn)一步發(fā)展，人們對于驅(qū)動(dòng)-響應(yīng)系統(tǒng)的同步問題更加的重視，而且經(jīng)過大量的實(shí)踐和理論分析，人們發(fā)現(xiàn)驅(qū)動(dòng)-響應(yīng)系統(tǒng)是包含同樣的激活函數(shù)的。但是，在實(shí)際的模型中，驅(qū)動(dòng)-響應(yīng)系統(tǒng)卻含有不同的激活函數(shù)，需要對非恒同的情況進(jìn)行分析研究，也就是說驅(qū)動(dòng)-響應(yīng)系統(tǒng)的激活函數(shù)含有不相匹配的參數(shù)，致使對混沌系統(tǒng)的同步控制變得更加的復(fù)雜。由此可知，研究混合時(shí)滯神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性是非常有必要的[7]。

如下混合時(shí)滯神經(jīng)網(wǎng)絡(luò)

其中，是神經(jīng)元的狀態(tài)，

。在（1）中，是定義在上的實(shí)值內(nèi)部函數(shù)。代表離散時(shí)滯，表示分布時(shí)滯；代表外部輸入；；，，，分別代表連接權(quán)矩陣，離散時(shí)滯連接權(quán)矩陣和分布時(shí)滯連接權(quán)矩陣。

對于如下兩種情形的時(shí)滯，

第一種情形是，如果所有的和給定的標(biāo)量 、h>0和，

是一個(gè)可微函數(shù)，且滿足以下條件：，，

是一個(gè)連續(xù)函數(shù)且滿足以下條件

。 。

第二種情形是，如果所有的和給定的標(biāo)量 、h>0和，且和都是連續(xù)的函數(shù)，且函數(shù)和函數(shù)滿足以下條件：

。

假設(shè)是系統(tǒng)（1）的平衡點(diǎn)，那么會(huì)得到如下系統(tǒng)

根據(jù)上面的條件我們可以得出對于混合時(shí)滯神經(jīng)網(wǎng)絡(luò)系統(tǒng)（2）， 在滿足一定條件的第一種情況和第二種情況下，它的平衡點(diǎn)是全局指數(shù)穩(wěn)定的 [8]。

時(shí)滯神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性在理論和實(shí)踐方面都得到了廣泛的研究，但是對混合時(shí)滯的神經(jīng)網(wǎng)絡(luò)模型穩(wěn)定性的研究并不是很多。除此之外，在神經(jīng)網(wǎng)絡(luò)穩(wěn)定性的研究領(lǐng)域，雖然有很多大量的判別條件，不過由于大部分的條件都需要采用計(jì)算矩陣范數(shù)的方法來進(jìn)行，在進(jìn)行驗(yàn)證的時(shí)候也比較的困難，而且限制條件也非常的嚴(yán)格，在實(shí)際中的應(yīng)用比較少。通過利用線性矩陣不等式研究神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性能夠在很大程度上克服以上提及的缺點(diǎn)，所得到的條件更少保守，并且更容易得到充分的驗(yàn)證[9]。

線性矩陣不等式的研究在最近幾年受到人們的廣泛關(guān)注的原因，既有理論方面的原因，也有實(shí)踐方面的原因。從理論上來說，人們可以利用很多的矩形運(yùn)算技巧來對線性矩陣不等式問題進(jìn)行研究和推理；但是，從實(shí)際的觀點(diǎn)來說，線性矩陣不等式問題也可以憑借數(shù)值算法并借助電腦的強(qiáng)大的運(yùn)算能力從而快速、有效的求出數(shù)值解，最終使得線性矩陣不等式的求解變得更加的容易控制，從而使問題的解決更加可行。假設(shè)可以將一個(gè)復(fù)雜的問題轉(zhuǎn)換成線性矩陣不等式問題，那么就能夠利用Matab的LMI Toolbox進(jìn)行求解了。

運(yùn)用線性矩陣的不等式對混合時(shí)滯條件下的神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性進(jìn)行研究分析，可以充分掌握神經(jīng)網(wǎng)絡(luò)的全局指數(shù)的穩(wěn)定性。通過建構(gòu)新的Lyapunov-Krasovkii泛函，利用隨機(jī)微分與矩陣變換技巧導(dǎo)出線性矩陣不等式的穩(wěn)定性數(shù)據(jù)。由于線性矩陣不等式的穩(wěn)定性數(shù)據(jù)比利用矩陣范數(shù)進(jìn)行估計(jì)的判據(jù)更為保守，因此，人們可以利用MATLAB提供的線性矩陣不等式工具箱進(jìn)行求解驗(yàn)證，從而真正應(yīng)用于實(shí)踐[10]。

人們按照Lyapunov的穩(wěn)定性理論，建構(gòu)了新型的Lyapunov-Krasovskii泛函。從而對混合時(shí)滯條件下神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性進(jìn)行了科學(xué)、合理的分析。在對混合時(shí)滯條件下的神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性進(jìn)行分析時(shí)，線性矩陣不等式的應(yīng)用為對時(shí)滯穩(wěn)定性的進(jìn)一步研究提供了有利的條件。同時(shí)，對網(wǎng)絡(luò)中所包含的隨機(jī)擾動(dòng)采用了隨機(jī)微分公式的討論模式，從而使得混合時(shí)滯條件下的神經(jīng)網(wǎng)絡(luò)能夠應(yīng)用Lyapunov的穩(wěn)定性討論技巧與方法。在模型中對激活函數(shù)或者連接權(quán)矩陣的限制對混合時(shí)滯條件下的神經(jīng)網(wǎng)絡(luò)的研究深有幫助，而且采用線性矩陣不等式的表示方式，比之前的矩陣范數(shù)的判別條件要更加的有利。

四、結(jié)語

綜上所述，混合時(shí)滯條件下的神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性分析是以Lyapunov的穩(wěn)定性理論與線性矩陣不等式技術(shù)為基礎(chǔ)，同時(shí)利用積分不等式的方法，對混合時(shí)滯條件下的神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性進(jìn)行了科學(xué)、合理的分析，并給出了時(shí)滯依賴指數(shù)穩(wěn)定性的基本準(zhǔn)則，從而將對混合時(shí)滯條件下的神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性的研究又向前推進(jìn)了一大步。

參考文獻(xiàn)：

[1]武志鵬.帶有混合時(shí)滯的神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性分析[D].山西大學(xué)，2008.

[2]劉曉琳.混合變時(shí)滯神經(jīng)網(wǎng)指數(shù)穩(wěn)定性分析[D].曲阜師范大學(xué)，2009.

[3]王寧，孫曉玲.基于LMI的混合時(shí)滯隨機(jī)神經(jīng)網(wǎng)絡(luò)指數(shù)穩(wěn)定性[J].計(jì)算機(jī)仿真，2010，07：125-129.

[4]張金.具混合時(shí)滯的隨機(jī)神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性分析[J].蘇州大學(xué)學(xué)報(bào)（自然科學(xué)版），2011，02：16-22.

[5]吳文娟，劉德友，張靜文，劉海濤.具有混合時(shí)滯的隨機(jī)Hopfield神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性分析[J].蘭州理工大學(xué)學(xué)報(bào)，2011，03：89-93.

[6]陳一鳴，徐增輝，趙所所，周志全.具有混合時(shí)滯隨機(jī)離散神經(jīng)網(wǎng)絡(luò)的漸近穩(wěn)定性分析[J].鄭州大學(xué)學(xué)報(bào)（理學(xué)版），2011，04：33-38.

[7]耿立杰，李海穎，張曉靜，蘇廣.具有混合時(shí)滯的隨機(jī)反應(yīng)擴(kuò)散神經(jīng)網(wǎng)絡(luò)指數(shù)穩(wěn)定性[J].工程數(shù)學(xué)學(xué)報(bào)，2014，05：687-696.

[8]龍述君，張永新，向麗.具有混合時(shí)滯的隨機(jī)細(xì)胞神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性分析[J].四川師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2012，06：796-801.

第7篇：神經(jīng)網(wǎng)絡(luò)的運(yùn)用范文

關(guān)鍵詞：科技型創(chuàng)業(yè)企業(yè)；信用評(píng)價(jià)；BP神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)：F27

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：16723198（2015）23006203

1 引言

目前，科技型創(chuàng)業(yè)企業(yè)已成為推動(dòng)國民經(jīng)濟(jì)持續(xù)健康發(fā)展的重要?jiǎng)恿χ唬欢谄浒l(fā)展和壯大過程中也最容易出現(xiàn)制約其發(fā)展的問題。由于科技型創(chuàng)業(yè)企業(yè)需要大量的資金投入，融資問題已成為影響其是否取得成功的關(guān)鍵因素。在國內(nèi)企業(yè)取得融資的有限渠道中，銀行和金融市場起著至關(guān)重要的作用，但往往由于市場信息的不對稱以及企業(yè)信息不透明等因素的限制，出于規(guī)避高昂的監(jiān)督成本和收益的高度不確定性等風(fēng)險(xiǎn)，銀行和金融機(jī)構(gòu)在放貸額度中給予科技型創(chuàng)業(yè)企業(yè)的融資額度相對有限。由于科技型創(chuàng)業(yè)企業(yè)的研發(fā)周期長，在缺乏有效的外部融資的狀況下，即使項(xiàng)目有大好投資前景，企業(yè)也有較大的失敗風(fēng)險(xiǎn)，最終無法發(fā)揮出科技型創(chuàng)業(yè)企業(yè)對企業(yè)技術(shù)創(chuàng)新的促進(jìn)作用。因此，對國內(nèi)科技型創(chuàng)業(yè)企業(yè)進(jìn)行信用評(píng)價(jià)，建立適合其特征的信用評(píng)價(jià)模型，來提高其信用水平、財(cái)務(wù)信息透明度、拓寬其融資渠道十分必要。目前國內(nèi)針對企業(yè)信用評(píng)價(jià)的研究有了一定的發(fā)展，但統(tǒng)一的主要針對科技型創(chuàng)業(yè)企業(yè)信用評(píng)價(jià)的指標(biāo)體系和評(píng)價(jià)模型尚未形成。

傳統(tǒng)的企業(yè)信用評(píng)價(jià)模型主要有專家打分法、信用評(píng)級(jí)方法和信用評(píng)分方法等，現(xiàn)代的信用評(píng)價(jià)模型主要有：KMV模型、財(cái)務(wù)比率分析模型、Logit回歸模型、神經(jīng)網(wǎng)絡(luò)模型、模糊綜合評(píng)價(jià)法和AHP（Analytical Hierarchy Process）法。由于企業(yè)的信用風(fēng)險(xiǎn)與反映企業(yè)信用風(fēng)險(xiǎn)狀況的各項(xiàng)指標(biāo)變量之間通常具有非線性的關(guān)系，而上述企業(yè)信用評(píng)價(jià)方法都不能有效解決變量之間的非線性關(guān)系，也不能有效解決指標(biāo)變量存在的非正態(tài)分布問題。由于神經(jīng)網(wǎng)絡(luò)模型在解決變量間的非線性關(guān)系問題中具有優(yōu)越性，在Odom（1990年）運(yùn)用神經(jīng)網(wǎng)絡(luò)模型解決企業(yè)信用評(píng)價(jià)問題之后，神經(jīng)網(wǎng)絡(luò)模型逐漸獲得了相關(guān)實(shí)踐者和學(xué)者的極大關(guān)注。Tam（1991）、Kiang（1992）、Datta（1991）和Shekhar（1992）將神經(jīng)網(wǎng)絡(luò)模型用于銀行破產(chǎn)預(yù)測，Altman（1994）將其用于對意大利企業(yè)經(jīng)營成敗狀況進(jìn)行預(yù)測，取得了比多元判別分析模型預(yù)測結(jié)果更加準(zhǔn)確的結(jié)果。根據(jù)小微型科技企業(yè)信用狀況的特點(diǎn)，何躍、蔣國銀（2005）運(yùn)用人工神經(jīng)網(wǎng)絡(luò)原理構(gòu)建了三層BP神經(jīng)網(wǎng)絡(luò)信用評(píng)價(jià)模型，該模型的優(yōu)點(diǎn)是具有較強(qiáng)的自學(xué)習(xí)和非線性處理能力，針對小微型科技企業(yè)信用狀況的預(yù)測具有較高的預(yù)測結(jié)果。國內(nèi)許多學(xué)者（鮑盛祥、殷永飛，2009；龐素琳，2012）認(rèn)為，在變量之間是非線性關(guān)系的情況下，人工神經(jīng)網(wǎng)絡(luò)模型的精度優(yōu)于傳統(tǒng)的統(tǒng)計(jì)方法。

2 BP神經(jīng)網(wǎng)絡(luò)概述

BP神經(jīng)網(wǎng)絡(luò)具有準(zhǔn)確性高、誤差小、收斂速度快的顯著優(yōu)勢，相比其他企業(yè)信用評(píng)價(jià)方法，BP神經(jīng)網(wǎng)絡(luò)模型的自學(xué)習(xí)能力和自聯(lián)想功能較強(qiáng)，也不要求樣本數(shù)據(jù)呈正態(tài)分布、滿足先驗(yàn)概率已知以及協(xié)方差相等要求，同時(shí)也具有能夠有效解決非線性分類問題、對樣本數(shù)據(jù)容量不做具體要求等優(yōu)勢，是處理企業(yè)信用評(píng)價(jià)問題的理想方法。因此，本文使用BP神經(jīng)網(wǎng)絡(luò)來建立適合科技型創(chuàng)業(yè)企業(yè)的信用評(píng)價(jià)模型。

神經(jīng)網(wǎng)絡(luò)內(nèi)部依次為輸入層、隱含層、輸出層，BP神經(jīng)網(wǎng)絡(luò)屬于前向反饋神經(jīng)網(wǎng)絡(luò)，BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法包含了正向和反向傳播兩個(gè)過程，正向傳播過程即為：指標(biāo)變量信息由輸入層經(jīng)隱含層各神經(jīng)元傳向輸出層，前層神經(jīng)元的處理結(jié)果只對后層神經(jīng)元的結(jié)果產(chǎn)生影響，如果最后輸出層產(chǎn)生的結(jié)果與期望輸出不符，則自動(dòng)轉(zhuǎn)變?yōu)榉聪騻鞑ミ^程。反向傳播即為：將輸出誤差經(jīng)隱含層神經(jīng)元向輸入層逐層反饋，在此過程中，網(wǎng)絡(luò)會(huì)將誤差均攤給各層的每一個(gè)神經(jīng)元，從而網(wǎng)絡(luò)可以取得各層神經(jīng)元傳來的誤差信號(hào)，網(wǎng)絡(luò)將其作為修正各神經(jīng)元權(quán)值的依據(jù)，經(jīng)過權(quán)值的不斷調(diào)整使網(wǎng)絡(luò)完成訓(xùn)練。權(quán)值的調(diào)整過程持續(xù)到預(yù)先設(shè)定的學(xué)習(xí)次數(shù)或輸出誤差減小到可接受程度為止。三層前饋BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖1所示。其中，X=（x1，x2，……，xn）代表輸入向量，Y=（y1，y2，……，ym）代表輸出向量，n和m分別代表輸入和輸出向量的維數(shù)。不同層間的神經(jīng)元屬于全互聯(lián)接，每層次內(nèi)的神經(jīng)元沒有任何連接。

來衡量其信用的高低。反映科技型創(chuàng)業(yè)企業(yè)經(jīng)營和財(cái)務(wù)狀況的財(cái)務(wù)指標(biāo)具體包括償債能力、盈利能力、營運(yùn)能力和成長能力等方面。本文在借鑒現(xiàn)有企業(yè)信用評(píng)價(jià)研究成果并結(jié)合科技型創(chuàng)業(yè)企業(yè)的特征，選擇出16項(xiàng)可以有效反映科技型創(chuàng)業(yè)企業(yè)特點(diǎn)的財(cái)務(wù)指標(biāo)。為解決某些財(cái)務(wù)指標(biāo)變量間高度的相關(guān)性問題，本文通過SPSS 19.0軟件，使用因子分析法對這些指標(biāo)變量進(jìn)行分析和整理，在刪除那些與科技型創(chuàng)業(yè)企業(yè)信用狀況不相關(guān)或與其他指標(biāo)高度相關(guān)的指標(biāo)后，本文最終確定了包含12項(xiàng)指標(biāo)變量的指標(biāo)體系作為下文對科技型創(chuàng)業(yè)企業(yè)的信用狀況進(jìn)行評(píng)價(jià)的指標(biāo)體系（如圖1所示）。但由于保留的指標(biāo)變量間還可能存在多重共線性問題，為保證評(píng)價(jià)結(jié)果的準(zhǔn)確性、可靠性，本文再次對其進(jìn)行因子分析來提取公因子，以特征根大于1且累計(jì)方差貢獻(xiàn)率大于80%作為提取公因子的標(biāo)準(zhǔn)，通過分析本文提出了5個(gè)能夠體現(xiàn)原始變量的主要信息的公因子，它們即為下文評(píng)價(jià)模型中的輸入變量。

由于選取的樣本企業(yè)的各項(xiàng)財(cái)務(wù)指標(biāo)包含了不同的量綱和數(shù)量級(jí)，本文首先將各指標(biāo)變量進(jìn)行標(biāo)準(zhǔn)化處理，從而使各個(gè)指標(biāo)變量都具有共同的數(shù)值特性。本文運(yùn)用的標(biāo)準(zhǔn)化方法如下式所示：

Xij=xij-xjσj，其中，Xj為原始數(shù)據(jù)的均值，Xj=1ni=1xi，σj為原始數(shù)據(jù)的標(biāo)準(zhǔn)差，σj=1nni=1（xij-xj）。

4 科技型創(chuàng)業(yè)企業(yè)信用評(píng)價(jià)實(shí)證分析

4.1 BP神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)

BP神經(jīng)網(wǎng)絡(luò)可以根據(jù)實(shí)際情況來設(shè)置一個(gè)或者多個(gè)隱含層，當(dāng)樣本較多時(shí)，增加一個(gè)隱含層可以顯著減小網(wǎng)絡(luò)規(guī)模。由于包含單個(gè)隱含層網(wǎng)絡(luò)可以通過適當(dāng)調(diào)增神經(jīng)元個(gè)數(shù)來實(shí)現(xiàn)任意非線性映射，所以，包含單個(gè)隱含層的神經(jīng)網(wǎng)絡(luò)即可解決大部分場合下問題。因此本文建立的BP神經(jīng)網(wǎng)絡(luò)模型包含單個(gè)隱含層。

（1）輸入層和輸出層神經(jīng)元個(gè)數(shù)。輸入層神經(jīng)元個(gè)數(shù)等于輸入變量的個(gè)數(shù)，由于本文得到了5個(gè)公因子，因此輸入層神經(jīng)元數(shù)n=5。輸出層神經(jīng)元的個(gè)數(shù)m取決于科技型創(chuàng)業(yè)企業(yè)信用評(píng)價(jià)結(jié)果類別。本文用輸出“1”表示中小企業(yè)信用正常，用輸出“0”表示中小企業(yè)信用較差，因此本文建立的模型的輸出層神經(jīng)元的個(gè)數(shù)為1。

（2）隱含層神經(jīng)元個(gè)數(shù)。隱含層神經(jīng)元個(gè)數(shù)的確定目前還沒有一個(gè)理想的解析式，通常根據(jù)經(jīng)驗(yàn)公式來確定。

常用的經(jīng)驗(yàn)公式為：n1=n+m+a，其中m為輸出層個(gè)數(shù)，n為輸入層個(gè)數(shù)，a為[1，10]之間的常數(shù)，有上文可知，m=1，n=5，代入公式可知隱含層個(gè)數(shù)的取值范圍為（3，13），經(jīng)過實(shí)際對比分析，當(dāng)隱含層選10時(shí)，訓(xùn)練誤差較小，因此，本文設(shè)定隱含層個(gè)數(shù)為10。

（3）訓(xùn)練函數(shù)的選擇。本文建立的BP神經(jīng)網(wǎng)絡(luò)模型的輸入層和輸出層函數(shù)均為Sigmoid函數(shù)，并設(shè)定最大訓(xùn)練步長epoch=1500。

（4）樣本原始數(shù)據(jù)來源。本文選擇了100家在創(chuàng)業(yè)板和新三板上市的科技型創(chuàng)業(yè)企業(yè)的財(cái)務(wù)數(shù)據(jù)作為實(shí)證樣本數(shù)據(jù)進(jìn)行訓(xùn)練，各項(xiàng)數(shù)據(jù)取自于瑞思數(shù)據(jù)庫和東方財(cái)富Choices數(shù)據(jù)庫。為了確保能夠得到可靠、準(zhǔn)確的訓(xùn)練結(jié)果，樣本企業(yè)行業(yè)的選取包含了電子、化工、制藥、家電、生物科技、機(jī)械制造、金屬加工等多個(gè)行業(yè)部門，能夠反映科技型創(chuàng)業(yè)企業(yè)的特征。

4.2 實(shí)證分析與結(jié)果輸出

本文運(yùn)行Matlab2014a版本并運(yùn)用編寫的程序?qū)?00家企業(yè)各自的5項(xiàng)主因子作為輸入變量，對網(wǎng)絡(luò)進(jìn)行訓(xùn)練和檢驗(yàn)并對訓(xùn)練樣本進(jìn)行了仿真。本文將前90家企業(yè)數(shù)據(jù)作為訓(xùn)練樣本來訓(xùn)練網(wǎng)絡(luò)，將后10家企業(yè)數(shù)據(jù)作為檢驗(yàn)樣本代入網(wǎng)絡(luò)以檢驗(yàn)網(wǎng)絡(luò)的預(yù)測精度。對于得出的預(yù)測結(jié)果設(shè)定以0.5為分界值，如過大于05，則將公司判定為信用好的企業(yè)，反之則判定為信用差的企業(yè)。由圖2可知網(wǎng)絡(luò)可以以較快的速度實(shí)現(xiàn)收斂。

為了抵消隨機(jī)因素的影響，本文取相同的訓(xùn)練參數(shù)和測試樣本代入網(wǎng)絡(luò)重復(fù)運(yùn)算20次，統(tǒng)計(jì)正確率和迭代次數(shù)（如圖3所示），20次訓(xùn)練結(jié)果如表2。

由網(wǎng)絡(luò)20次訓(xùn)練結(jié)果（表2）可知，使用BP神經(jīng)網(wǎng)絡(luò)模型對實(shí)證樣本數(shù)據(jù)進(jìn)行預(yù)測的結(jié)果和期望輸出對比后，模型的平均正確率達(dá)到83%，預(yù)測精度較高，適合作為預(yù)測科技型創(chuàng)業(yè)企業(yè)信用狀況的評(píng)價(jià)模型。實(shí)證結(jié)果表明，利用BP神經(jīng)網(wǎng)絡(luò)對科技型創(chuàng)業(yè)企業(yè)進(jìn)行信用評(píng)價(jià)，具有較高的可操作性和準(zhǔn)確性。

5 結(jié)論

本文在借鑒國內(nèi)外現(xiàn)有的企業(yè)信用評(píng)價(jià)理論和相關(guān)研究成果的基礎(chǔ)上，結(jié)合科技型創(chuàng)業(yè)企業(yè)的特點(diǎn)構(gòu)建了適合對其進(jìn)行信用評(píng)價(jià)的指標(biāo)體系，然后在運(yùn)用因子分析提取反映企業(yè)信用狀況的公因子作為代入模型的指標(biāo)變量，據(jù)此建立了BP神經(jīng)網(wǎng)絡(luò)信用評(píng)價(jià)模型，通過對國內(nèi)100家在創(chuàng)業(yè)板和新三板上市公司的實(shí)際數(shù)據(jù)進(jìn)行分析，得出的實(shí)證結(jié)果表明使用BP神經(jīng)網(wǎng)絡(luò)對科技型創(chuàng)業(yè)企業(yè)進(jìn)行信用評(píng)價(jià)的平均正確率可以達(dá)到83%，具有較高的準(zhǔn)確率和可操作性。因此，金融機(jī)構(gòu)可以據(jù)此加強(qiáng)對科技型創(chuàng)業(yè)企業(yè)的信用評(píng)價(jià)，篩選優(yōu)秀的科技型創(chuàng)業(yè)企業(yè)借款人以降低信用風(fēng)險(xiǎn)，同時(shí)也可改善科技型創(chuàng)業(yè)企業(yè)與金融機(jī)構(gòu)之間的信息不對稱程度，使科技型創(chuàng)業(yè)企業(yè)能夠獲得更多的融資機(jī)會(huì)，促使其能夠以健康的方式持續(xù)的發(fā)展，進(jìn)而充分發(fā)揮出其促進(jìn)企業(yè)技術(shù)創(chuàng)新的作用。

參考文獻(xiàn)

[1]龐素琳.信用評(píng)價(jià)與股市預(yù)測模型研究及應(yīng)用統(tǒng)計(jì)學(xué)、神經(jīng)網(wǎng)絡(luò)與支持向量基方法[M].北京：科學(xué)出版社，2005.

[2]遲國泰，章穗，齊菲.小企業(yè)貸款信用評(píng)價(jià)模型及實(shí)證研究―基于最優(yōu)組合賦權(quán)視角[J].財(cái)經(jīng)問題研究，2012，（9）：5357.

[3]李菁苗，吳吉義，章劍林等.電子商務(wù)環(huán)境下中小企業(yè)信用評(píng)價(jià)[J].系統(tǒng)工程理論與實(shí)踐，2012，（3）：555560.

[4]劉湘勤，龍海雯.銀行結(jié)構(gòu)、信用環(huán)境與中小企業(yè)發(fā)展：基于中國跨省數(shù)據(jù)的實(shí)證分析[J].西北大學(xué)學(xué)報(bào)（哲學(xué)社會(huì)科學(xué)版），2007，（6）：159161.

[5]譚慶美，吳金克，趙黎明.基于BP神經(jīng)網(wǎng)絡(luò)的中小企業(yè)信用評(píng)價(jià)研究[J].西北農(nóng)林科技大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2009，（5）：5762.

[6]邢樂成，梁永賢.中小企業(yè)融資難的困境與出路[J].濟(jì)南大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2013，（2）：17.

第8篇：神經(jīng)網(wǎng)絡(luò)的運(yùn)用范文

【摘要】 將小麥葉片原始光譜經(jīng)過預(yù)處理后，采用主成分分析(PCA)對數(shù)據(jù)進(jìn)行降維，取前3個(gè)主成分輸入小波神經(jīng)網(wǎng)絡(luò)，建立了基于主成分分析和小波神經(jīng)網(wǎng)絡(luò)的近紅外多組分預(yù)測模型(WNN);進(jìn)一步研究了小波基函數(shù)個(gè)數(shù)的選取(WNN隱層節(jié)點(diǎn)數(shù))對小波神經(jīng)網(wǎng)絡(luò)模型性能的影響，并將WNN模型與偏最小二乘法(PLS)和傳統(tǒng)的反向傳播神經(jīng)網(wǎng)絡(luò)(BPNN)模型進(jìn)行了比較。結(jié)果表明，所建立的WNN模型能用于同時(shí)預(yù)測小麥葉片全氮和可溶性總糖兩種組分含量，其預(yù)測均方根誤差(RMSEP)分別為0.101%和0.089%，預(yù)測相關(guān)系數(shù)(R)分別為0.980和0.967。另外，在收斂速度和預(yù)測精度上，WNN模型明顯優(yōu)于BPNN和PLS模型，從而為將小波神經(jīng)網(wǎng)絡(luò)用于近紅外光譜的多組分定量分析奠定了基礎(chǔ)。

【關(guān)鍵詞】 小波神經(jīng)網(wǎng)絡(luò)， 主成分分析， 近紅外光譜， 小麥葉片， 全氮， 可溶性總糖

本文系教育部新世紀(jì)優(yōu)秀人才支持計(jì)劃(No.NCET080797)、國家自然科學(xué)基金(No.30871448)、國家科技支撐計(jì)劃(No.2008BADA4B02)、江蘇省創(chuàng)新學(xué)者攀登計(jì)劃(No.BK20081479)和江蘇省自然科學(xué)基金(No.BK2008330)資助

1 引 言

近紅外光譜(NIR)分析技術(shù)以其快速、環(huán)保、可多組分同時(shí)檢測等優(yōu)點(diǎn)[1]，在各個(gè)領(lǐng)域得到了廣泛應(yīng)用[2]。NIR屬于弱信號(hào)，信息提取必須依靠化學(xué)計(jì)量學(xué)才能實(shí)現(xiàn)，傳統(tǒng)的定量校正方法，如偏最小二乘法(PLS)，僅適用于線性模型，而實(shí)際應(yīng)用中卻存在很多非線性關(guān)系[3]。人工神經(jīng)網(wǎng)絡(luò)可解決連續(xù)非線性函數(shù)的逼近，在多組分分析中優(yōu)勢明顯，其中反向傳播(BP)算法是采用最多也是最成熟的神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法之一[4]，但是BP網(wǎng)絡(luò)(BPNN)存在著易陷于局部最小和收斂速度慢等弱點(diǎn)[5，6]。

小波神經(jīng)網(wǎng)絡(luò)(Wavelet neural network， WNN)已經(jīng)在化學(xué)領(lǐng)域得到了廣泛應(yīng)用[7，8]。小波神經(jīng)網(wǎng)絡(luò)綜合了小波多尺度分析和神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)的優(yōu)點(diǎn)，因而具有比傳統(tǒng)神經(jīng)網(wǎng)絡(luò)更快的收斂速度和更強(qiáng)的逼近性能。已有的多組分預(yù)測模型大都采用PLS方法[9]和傳統(tǒng)BP網(wǎng)絡(luò)[10，11]，而將小波神經(jīng)網(wǎng)絡(luò)用于近紅外光譜定量分析的報(bào)道較少。小波神經(jīng)網(wǎng)絡(luò)用于函數(shù)優(yōu)化時(shí)，其輸入層的維數(shù)和小波基函數(shù)都不能太多，否則會(huì)大大增加模型參數(shù)[12]。主成分分析(Principal component analysis， PCA)是對光譜數(shù)據(jù)壓縮和信息提取的有效方法[13]，通過提取少數(shù)幾個(gè)主成分(即原始變量的線性組合)，并把它們作為小波神經(jīng)網(wǎng)絡(luò)的輸入，既可以保證輸入數(shù)據(jù)的精度，又可以大大加快神經(jīng)網(wǎng)絡(luò)的收斂速度[14，15]。

本研究首先運(yùn)用主成分分析方法(PCA)從預(yù)處理后的小麥葉片近紅外光譜中提取主成分，以達(dá)到降維目的;然后將降維后得到的主成分作為小波神經(jīng)網(wǎng)絡(luò)的輸入，建立基于主成分分析和小波神經(jīng)網(wǎng)絡(luò)的近紅外多組分預(yù)測模型，以用于同時(shí)預(yù)測小麥葉片全氮和可溶性總糖含量;最后通過與PLS方法和傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的比較分析，檢驗(yàn)小波神經(jīng)網(wǎng)絡(luò)模型的收斂速度和預(yù)測精度。

2 理論部分

2.1 主成分分析

主成分分析(PCA)是一種數(shù)據(jù)壓縮的常用方法，通過少數(shù)幾個(gè)主成分(即原始變量的線性組合)解釋多變量的方差， 即導(dǎo)出少數(shù)幾個(gè)主成分，使它們盡可能完整地保留原始變量的信息，且彼此間不相關(guān)，以達(dá)到簡化數(shù)據(jù)的目的。將該方法結(jié)合神經(jīng)網(wǎng)絡(luò)用于近紅外光譜定量分析，既能保證輸入數(shù)據(jù)的精度、減少訓(xùn)練時(shí)間，又能簡化網(wǎng)絡(luò)結(jié)構(gòu)[13]。

2.2 小波神經(jīng)網(wǎng)絡(luò)理論

小波神經(jīng)網(wǎng)絡(luò)(WNN)是將小波理論與人工神經(jīng)網(wǎng)絡(luò)的思想相結(jié)合而形成的一種新的神經(jīng)網(wǎng)絡(luò)[7]。它將傳統(tǒng)神經(jīng)網(wǎng)絡(luò)中的隱層節(jié)點(diǎn)激勵(lì)函數(shù)(如Sigmoid函數(shù))用小波函數(shù)Ψ來代替， 圖1 小波神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

Fig.1 Structure of wavelet neural network相應(yīng)的輸入層到隱層的權(quán)值及隱層閾值分別由小波函數(shù)的伸縮參數(shù)a與平移參數(shù)b所代替，而輸出層通常為線性神經(jīng)元，它將隱層的小波伸縮系進(jìn)行線性疊加形成輸出結(jié)果。對于一個(gè)單隱層的神經(jīng)網(wǎng)絡(luò)，假設(shè)有p個(gè)輸入節(jié)點(diǎn)，h個(gè)隱層節(jié)點(diǎn)，q個(gè)輸出節(jié)點(diǎn)，則小波神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖1所示，其輸出表達(dá)式見公式(1)：fk(x)=∑hj=1wjk[ψ(∑pi=1xi-bjaj)](1)其中，xi(i=1， 2， …， p)為輸入層第i個(gè)輸入變量，k =1， 2， …， q，h為隱層節(jié)點(diǎn)數(shù)，Ψ為隱層的小波基函數(shù)，wjk是隱層第j個(gè)節(jié)點(diǎn)到輸出層第k個(gè)節(jié)點(diǎn)的連接權(quán)值，bj和aj分別是小波函數(shù)的平移參數(shù)(隱層節(jié)點(diǎn)的閾值)和伸縮參數(shù)(輸入層到隱層節(jié)點(diǎn)的權(quán)值)。由此可見，小波網(wǎng)絡(luò)可調(diào)整的參數(shù)包括wjk、bj和aj，共有3×h個(gè)，它們通過最小均方誤差函數(shù)得到優(yōu)化。本研究選擇常用的Morlet小波函數(shù)[16]作為小波神經(jīng)網(wǎng)絡(luò)的隱層激勵(lì)函數(shù)，該小波是余弦調(diào)制的高斯波，時(shí)頻域分辯率較高。

3 實(shí)驗(yàn)部分

3.1 樣品和儀器

3.1.1 樣品來源 樣品采自以下2個(gè)小麥田間試驗(yàn)，于主要生育期獲取小麥不同葉位的葉片共144份，殺青烘干后粉碎過40目篩，用自封帶密封后置于干燥器中備用。實(shí)驗(yàn)1 2006～2007年在江蘇南京市農(nóng)林局試驗(yàn)站(南京市江寧區(qū)，118°59′E，31°56′N)進(jìn)行。土壤有機(jī)質(zhì)含量1.01%、全氮含量0.11%、速效氮含量90.3 mg/kg、速效磷含量40.3 mg/kg、速效鉀含量100.3 mg/kg，前茬水稻。供試品種為寧麥9號(hào)和豫麥34號(hào)，試驗(yàn)設(shè)4個(gè)施氮水平，分別為0， 90， 180和270 kg N/ha純氮 (ha為公頃)，兩因素隨機(jī)區(qū)組排列，3次重復(fù)，每小區(qū)面積約為23 m2，基本苗1.5×106 株/ha，行距25 cm。氮肥基追比2∶1∶1，追肥時(shí)期為拔節(jié)期和孕穗期，各占25%。各處理配施105 kg/ha P2O5和80 kg/ha KCl，全部用作基肥。其它管理措施同高產(chǎn)小麥田。實(shí)驗(yàn)2 2007～2008年在南京農(nóng)業(yè)大學(xué)江浦試驗(yàn)站(南京市浦口區(qū)，118°37′E，32°02′N)進(jìn)行。土壤有機(jī)質(zhì)含量1.95%，全氮含量0.08%，速效磷含量13.4 mg/kg，速效鉀含量48.9 mg/kg，前茬玉米。供試品種為寧麥9號(hào)，設(shè)4個(gè)施氮水平，分別為0， 90， 180和270 kg/ha 純氮，兩因素隨機(jī)區(qū)組排列，3次重復(fù)，每小區(qū)面積約為16 m2，基本苗1.5×106株/ha，行距25 cm。氮肥基追比1∶1，追肥時(shí)期為拔節(jié)期，占50%。各處理配施150 kg/ha P2O5和 150 kg/ha K2O，全部用作基肥。其它管理措施同高產(chǎn)小麥田。

3.1.2 光譜采集和化學(xué)值測定 光譜采集用Thermo Nicolet 5700 FTIR近紅外光譜儀(自帶OMNIC 7.2集成軟件和內(nèi)徑2.5 cm、高5 cm的專用石英杯)。光譜采集前，先在室溫下開機(jī)預(yù)熱約1 h，然后將過篩樣品裝入石英杯，容量約1/3，用專用砝碼壓緊，置于樣品臺(tái)上掃描，每次采集前均用鍍金內(nèi)壁作背景。掃描范圍10000～4000 cm-1，分辨率4 cm-1，每次光譜采集掃描64次，每份樣品重復(fù)采集光譜9次，取平均值代表該樣品的光譜，以吸光度的格式存儲(chǔ)于計(jì)算機(jī)中。 圖2 葉片樣品近紅外吸光度譜圖

Fig.2 Near infrared absorbance spectra of leaf samples所有光譜數(shù)據(jù)都轉(zhuǎn)化為波長形式，范圍為1000～2500 nm，數(shù)據(jù)點(diǎn)間隔取為1 nm，因而所有的樣品光譜就組成了一個(gè)144行1501列的矩陣。圖2為144份樣品的近紅外原始光譜圖。

樣品全氮含量(TNC)采用凱氏微量定氮法測定，可溶性總糖含量(TSSC)采用蒽酮比色法測定[17]。每份樣品每個(gè)指標(biāo)重復(fù)測定3次，取平均值作為該樣品化學(xué)值(各組分含量單位均為%)，樣品集的全氮和可溶性總糖含量變化范圍分別為0.60%～4.32%和0.50%～4.78%。

3.2 數(shù)據(jù)處理與分析

運(yùn)用馬氏距離法[18]剔除奇異樣品后，對NIR光譜進(jìn)行多元散射校正和Norris一階導(dǎo)數(shù)濾波處理，然后采用PCA方法將光譜壓縮成若干主成分，最后將降維后的主成分分別作為小波神經(jīng)網(wǎng)絡(luò)和BP網(wǎng)絡(luò)的輸入節(jié)點(diǎn)，全氮和可溶性總糖兩個(gè)化學(xué)組分作為輸出節(jié)點(diǎn)，進(jìn)行網(wǎng)絡(luò)訓(xùn)練后得到模型，同時(shí)利用預(yù)處理后的光譜進(jìn)行PLS建模。本研究中涉及到光譜預(yù)處理方法、PCA和神經(jīng)網(wǎng)絡(luò)算法均在Matlab 7.0下編程實(shí)現(xiàn)。

3.2.1 樣品集的劃分 為了減少偶然誤差、提高模型精度，首先運(yùn)用馬氏距離法[18]從采集到的144份樣品中剔除5份奇異樣品，剩下139份樣品，再從中隨機(jī)選擇出100份作為校正集，其余39份作為檢驗(yàn)集。

3.2.2 光譜預(yù)處理 光譜預(yù)處理方法的選擇關(guān)系著模型的預(yù)測性能。為了消除光譜散射、平移和偏轉(zhuǎn)，減少環(huán)境噪聲對光譜的干擾，通過對樣品光譜預(yù)處理方法的多次選擇，發(fā)現(xiàn)采用多元散射校正(MSC)[19]和Norris一階導(dǎo)數(shù)[20]處理后的光譜建模效果最好，處理結(jié)果見圖3。因此，在用1000～2500 nm全譜區(qū)進(jìn)行建模前，采用上述方法對光譜進(jìn)行預(yù)處理。

3.2.3 光譜主成分的提取 光譜經(jīng)過預(yù)處理后，用PCA方法提取其主成分，結(jié)果如表1所示，前3個(gè)主成分累計(jì)貢獻(xiàn)達(dá)99.69%，可代表樣品光譜，因而可將前3個(gè)主成分(原變量的線性組合)經(jīng)標(biāo)準(zhǔn)化處理后作為網(wǎng)絡(luò)的輸入節(jié)點(diǎn)。由此可以確定，小波神經(jīng)網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)數(shù)應(yīng)為3，依次對應(yīng)于3個(gè)主成分;而輸出層節(jié)點(diǎn)數(shù)是2，對應(yīng)于全氮和可溶性總糖兩個(gè)化學(xué)組分。為了與PLS方法和傳統(tǒng)神經(jīng)網(wǎng)絡(luò)進(jìn)行比較， 圖3 經(jīng)預(yù)處理后的葉片NIR光譜

Fig.3 Near infrared spectra after preprocessing利用光譜儀自帶的TQ化學(xué)計(jì)量學(xué)軟件建立PLS模型，同時(shí)將PCA提取的3個(gè)主成分作為三層BP神經(jīng)網(wǎng)絡(luò)的輸入。表1 光譜數(shù)據(jù)前3個(gè)主成分的貢獻(xiàn)率

3.3 模型性能的優(yōu)化與評(píng)價(jià)

為保證模型的整體性能，本研究通過“剔一法”(Leaveoneout)得到的交互檢驗(yàn)均方根誤差RMSECV(Root mean square error of crossvalidation)來優(yōu)化建模參數(shù);而模型的預(yù)測性能，則通過預(yù)測均方根誤差RMSEP(Root mean square error of prediction)和相關(guān)系數(shù)R(Correlation coefficient)來評(píng)價(jià)，計(jì)算公式如下：RMSECV=∑Mi=1(Oi-Pi)2M-1(2)

RMSEP=∑Ni=1(Oi-Pi)2N(3)式中M，N分別表示用于建模和檢驗(yàn)的樣品數(shù)， Oi， Pi分別為樣品i化學(xué)組分的觀測值(Observed value)和預(yù)測值(Predicted value)。

4 結(jié)果與討論

4.1 隱層節(jié)點(diǎn)數(shù)的選取

隱層節(jié)點(diǎn)數(shù)(h)對神經(jīng)網(wǎng)絡(luò)的整體性能影響巨大，但是目前還無明確理論來指導(dǎo)h的選值[21]。 h過多可能造成訓(xùn)練時(shí)間過長和過擬合; h過少又可能導(dǎo)致訓(xùn)練達(dá)不到要求[22]。對于小波神經(jīng)網(wǎng)絡(luò)， h就是小波基函數(shù)的個(gè)數(shù)?？梢砸罁?jù)小波分析方法，事先確定小波基函數(shù)的個(gè)數(shù)，但是一般不宜超過10，因?yàn)閔的增加會(huì)大大增加小波神經(jīng)網(wǎng)絡(luò)模型的參數(shù)[14]。本研究為了找到最佳h，在實(shí)際操作中，比較了基于不同h(h≤10)所建模型的RMSECV，見圖4a;而對于傳統(tǒng)的BP網(wǎng)絡(luò)，則嘗試了取不同的h(h≤15)進(jìn)行建模，見圖4b。進(jìn)一步將RMSECV最小時(shí)的h確定為最佳h，由此獲得小波神經(jīng)網(wǎng)絡(luò)和BP網(wǎng)絡(luò)的最佳h分別為5和7(圖4)。

4.2 神經(jīng)網(wǎng)絡(luò)參數(shù)的確定

神經(jīng)網(wǎng)絡(luò)參數(shù)關(guān)系著模型的預(yù)測性能，關(guān)于小波神經(jīng)網(wǎng)絡(luò)參數(shù)的選取方法，已有眾多報(bào)道[23，24]。本研究中，兩種神經(jīng)網(wǎng)絡(luò)都采用三層結(jié)構(gòu)，其中，小波神經(jīng)網(wǎng)絡(luò)的隱層小波基函數(shù)采用時(shí)頻域分辯率較高的Morlet函數(shù)[16，24];BP網(wǎng)絡(luò)隱層傳遞函數(shù)分別采用常用的Tansig函數(shù)，輸出層采用Purelin函數(shù)。為了便于比較兩種網(wǎng)絡(luò)模型的性能，經(jīng)過反復(fù)嘗試，并綜合考慮網(wǎng)絡(luò)穩(wěn)定性和訓(xùn)練時(shí)間，將學(xué)習(xí)速率均設(shè)為0.01，網(wǎng)絡(luò)優(yōu)化算法選擇LevevbergMarquardt算法，最大訓(xùn)練次數(shù)都為1000，期望誤差為0.001。

4.3 模型性能的檢驗(yàn)與評(píng)價(jià)

用WNN模型對39個(gè)測試樣品的全氮(TNC)和可溶性總糖含量(TSSC)進(jìn)行了預(yù)測，結(jié)果如圖5。從預(yù)測均方根誤差(RMSEP)和相關(guān)系數(shù)(R)可以看出，小波神經(jīng)網(wǎng)絡(luò)模型的擬合精度較。

a. 全氮(Total nitrogen content); b. 可溶性總糖(Total soluble sugar content)。綜合比較了WNN模型和BPNN模型的收斂時(shí)間(Time)、達(dá)到期望誤差時(shí)的訓(xùn)練次數(shù)(Iteration， Iter)以及PLS模型對39份測試樣品的預(yù)測性能(RMSEP和R) (表2)?？梢姡瑑煞N神經(jīng)網(wǎng)絡(luò)模型的預(yù)表2 WNN模型、PLS模型和BPNN模型的表現(xiàn)比較測精度都高于PLS模型，因?yàn)镻LS是線性回歸方法，而在近紅外光譜上，盡管官能團(tuán)特征吸收頻率的位置是基本固定的，但是樣品各組分化合物之間的關(guān)系復(fù)雜，會(huì)發(fā)生不同程度的締合作用，如誘導(dǎo)效應(yīng)、空間位阻效應(yīng)和氫鍵效應(yīng)等[25]，這些因素決定了葉片樣品近紅外光譜與各組分之間的非線性關(guān)系，人工神經(jīng)網(wǎng)絡(luò)可以有效克服這種非線性干擾[3];從綜合收斂速度和預(yù)測精度來看，WNN模型均優(yōu)于傳統(tǒng)的BPNN模型[26]。即，在保證不發(fā)生過擬合的前提下，要達(dá)到同樣的期望誤差，小波神經(jīng)網(wǎng)絡(luò)所用的訓(xùn)練時(shí)間和訓(xùn)練次數(shù)均少于傳統(tǒng)的BP網(wǎng)絡(luò);而經(jīng)過同樣的訓(xùn)練次數(shù)，小波神經(jīng)網(wǎng)絡(luò)達(dá)到的預(yù)測精度也會(huì)比BP網(wǎng)絡(luò)高。因?yàn)閭鹘y(tǒng)BP網(wǎng)絡(luò)的隱層基函數(shù)一般為Sigmoid函數(shù)(本研究為Tansig函數(shù))，這類函數(shù)相互不正交，權(quán)重的學(xué)習(xí)容易出現(xiàn)峽谷型誤差曲面，導(dǎo)致收斂速度變慢，也很難保證非線性系統(tǒng)的唯一解。而小波神經(jīng)網(wǎng)絡(luò)的基函數(shù)是小波函數(shù)，它具有快速衰減性，局部逼近能力也就更強(qiáng);另一方面，小波基函數(shù)是正交或者近似正交的，權(quán)重之間相關(guān)冗余度很小，且小波神經(jīng)網(wǎng)絡(luò)的誤差函數(shù)是關(guān)于權(quán)值的凸函數(shù)，不存在局部極小點(diǎn)，因而收斂速度更快。

4.4 小結(jié)

本研究將小波神經(jīng)網(wǎng)絡(luò)引入到近紅外光譜的多組分分析模型中，建立了能同時(shí)預(yù)測小麥葉片全氮和可溶性總糖含量的小波神經(jīng)網(wǎng)絡(luò)(WNN)模型，并對WNN模型的整體性能與表現(xiàn)進(jìn)行了檢驗(yàn)和比較。結(jié)果表明，WNN模型預(yù)測結(jié)果可靠，可用于小麥近紅外光譜的多組分預(yù)測;與偏最小二乘法(PLS)和傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型(BPNN)相比，小波神經(jīng)網(wǎng)絡(luò)模型具有更好的全局收斂性和預(yù)測精度，從而為近紅外光譜的多組分定量分析提供了新的建模方法。

參考文獻(xiàn)

1 Yan YanLu(嚴(yán)衍祿). Near Infrared Spectroscopy and its application(近紅外光譜分析基礎(chǔ)與應(yīng)用). Beijing(北京): China Light Industry Press(中國輕工業(yè)出版社)， 2005: 1～115

2 Zhu XiaoLi(褚小立)， Tian GaoYou(田高友)， Yuan HongFu(袁洪福)， Lu WanZhen(陸婉珍). Chinese J. Anal. Chem.(分析化學(xué))， 2006， 34(9): S175～S178

3 PérezMarín D， GarridoVaro A， Guerrero J E. Talanta， 2007， 72(1): 28～42

4 Marengo E， Bobba M， Robotti E， Lenti M. Anal. Chim. Acta， 2004， 511(2): 313～322

5 Xu Lu(許 祿)， Shao XueGuang(邵學(xué)廣). Methods of Chemometrics(化學(xué)計(jì)量學(xué)方法). Beijing(北京): Science Press(科學(xué)出版社)， 2004: 279～298

6 Phua P K H， Ming Daohua. IEEE Transactions on Neural Networks， 2003， 14(6): 1460～1467

7 Tabaraki R， Khayamian T， Ensafi A A. Dyes and Pigments， 2007， 73 (2): 230～238

8 Balabin R M， Safieva R Z， Lomakina E I. Chemometrics and Intelligent Laboratory Systems， 2008， 93(1): 58～62

9 Wang JiaJun(王家俊)， Liang YiZeng(梁逸曾)， Wang Fan(汪 帆). Chinese J. Anal. Chem.(分析化學(xué))， 2005， 33(6): 793～797

10 Liu BoPing(劉波平)， Qin HuaJun(秦華俊)， Luo Xiang(羅 香)， Cao ShuWen(曹樹穩(wěn))， Wang JunDe(王俊德). Chinese J. Anal. Chem.(分析化學(xué))， 2007， 35(4): 525～528

11 Dou Y， Sun Y， Ren Y， Ren Y. Anal. Chim. Acta， 2005， 528(1): 55～61

12 Zhang Q. IEEE Transactions on Neural Networks， 1997， 8(2): 227～236

13 He Y， Li X， Deng X. Journal of Food Engineering， 2007， 79(4): 1238～1242

14 Wang W， Paliwal J. Biosystems Engineering， 2006， 94(1): 7～18

15 Dou Y， Mi H， Zhao L， Ren Y， Ren Y. Anal. Biochem.， 2006， 351(2): 174～180

16 Subasi A， Alkan A， Koklukaya E， Kiymik M K. Neural Networks， 2005， 18(7): 985～997

17 Li HeSheng(李合生). The Principle and Technology of Physiological and Biochemical Experiment of Plant(植物生理生化實(shí)驗(yàn)原理和技術(shù)). Beijing(北京): Higher Education Press(高等教育出版社)， 2000: 186～197

18 Smith B M， Gemperline P J. Anal. Chim. Acta， 2000， 423(2): 167～177

19 Fernandez J E， Badiali M， Guidetti A， Scot V. Nuclear Instruments and Methods in Physics Research， 2007， 580(1): 77～80

20 Norris K H， Williams P C. Cereal Chemistry， 1984， 61(2): 158～165

21 Janik L J， Cozzolino D， Dambergs R， Cynkar W， Gishen M. Anal. Chim. Acta， 2007， 594(1): 107～118

22 Wen Xin(聞 新)， Zhou Lu(周 露)， Wang DanLi(力)， Xiong XiaoYing(熊曉英). MATLAB Design for Neural Networks application(MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計(jì)). Beijing(北京): Science Press (科學(xué)出版社)， 2001: 225～232

23 Xu J， Daniel W C H. Neurocomputing， 2002， 48: 681～689

24 Tabaraki R， Khayamian T， Ensafi A A. Journal of Molecular Graphics and Modelling， 2006， 25(1): 46～54

第9篇：神經(jīng)網(wǎng)絡(luò)的運(yùn)用范文

只有清楚地了解電梯控制系統(tǒng)的運(yùn)行原理才能夠及時(shí)準(zhǔn)確的診斷出電梯故障原因，因此清楚的了解電梯運(yùn)行原理,每一個(gè)電梯維修人員必須要做到。電梯運(yùn)行過程總體上可分為以下幾個(gè)階段：第一、登記層外召喚信號(hào)和登記內(nèi)選指令階段；第二、電梯門關(guān)閉或者電梯按照系統(tǒng)指令停運(yùn)階段；第三、啟動(dòng)階段；第四、在到達(dá)信號(hào)記錄的樓層前進(jìn)行減速制動(dòng)；第五、平層開門階段。在整個(gè)過程中電梯需要從外界接收信號(hào)并處理，然后完成相應(yīng)的指令或者輸出信號(hào)，由此可以將電梯看作是一個(gè)完整的獨(dú)立的系統(tǒng)，只需要外界給予相應(yīng)的信號(hào)就可以自動(dòng)的做出動(dòng)作。電梯系統(tǒng)內(nèi)部復(fù)雜的構(gòu)件緊密的結(jié)合在一起，正是如此才使得電梯系統(tǒng)故障具有了復(fù)雜性、層次性、相關(guān)性以及不確定性的特點(diǎn)。

二、神經(jīng)網(wǎng)絡(luò)技術(shù)基本原理

生物學(xué)上的神經(jīng)是由一個(gè)個(gè)簡單的神經(jīng)元相互連接進(jìn)而形成了復(fù)雜的龐大的神經(jīng)系統(tǒng)，同理，神經(jīng)網(wǎng)絡(luò)就是由大量簡單的處理單元相互連接形成的復(fù)雜的智能系統(tǒng)。單獨(dú)的處理單元類似于一個(gè)神經(jīng)元，是一個(gè)可以接受不同信息但是只輸出一種信息的結(jié)構(gòu)單位。神經(jīng)網(wǎng)絡(luò)系統(tǒng)與生物學(xué)神經(jīng)系統(tǒng)相似的是具有自我修改能力，它可以同時(shí)接收大量的數(shù)據(jù)并進(jìn)行統(tǒng)一的分析處理，進(jìn)而輸出相應(yīng)的處理結(jié)果。這就使得神經(jīng)網(wǎng)絡(luò)系統(tǒng)具有了高度容錯(cuò)性、高度并行性、自我修改性、學(xué)習(xí)性以及高度復(fù)雜性，也正是由于這些特性才使的利用神經(jīng)網(wǎng)絡(luò)技術(shù)能夠及時(shí)準(zhǔn)確的查明電梯故障原因并得出故障解決方案。電梯故障診斷中應(yīng)用的神經(jīng)網(wǎng)絡(luò)模型分為三個(gè)層次：輸入層、接收外部信號(hào)或者是電梯自我檢測信息（如載重信息）；隱含層、對接收到了大量數(shù)據(jù)進(jìn)行相應(yīng)的分析處理；輸出層、將記錄著動(dòng)作命令的數(shù)據(jù)傳送出來。在電梯出現(xiàn)故障時(shí)，首先可以通過神經(jīng)網(wǎng)絡(luò)模型快速確定故障發(fā)生在哪一層達(dá)到節(jié)約時(shí)間的目的。但是神經(jīng)網(wǎng)絡(luò)也會(huì)因?yàn)槭諗克俣冗^于慢、訓(xùn)練強(qiáng)度太大或者是選擇的網(wǎng)絡(luò)模型不好等問題導(dǎo)致診斷結(jié)果受到影響。

三、神經(jīng)網(wǎng)絡(luò)模型在電梯故障診斷中的應(yīng)用分類

神經(jīng)網(wǎng)絡(luò)模型已經(jīng)成為了如今電梯故障診斷中應(yīng)用最廣泛的技術(shù)模型，相比于傳統(tǒng)方式它具有診斷速度快、故障原因命中率高的優(yōu)點(diǎn)，因此引起了各方面專業(yè)人士的強(qiáng)烈關(guān)注，并在他們的不懈努力下得到了發(fā)展與創(chuàng)新。它跨越多個(gè)專業(yè)領(lǐng)域、通過對各種復(fù)雜的高難度工作的不斷的發(fā)展與改進(jìn)出現(xiàn)了越來越多的應(yīng)用模型，下面主要介紹了當(dāng)前應(yīng)用最普遍的BP網(wǎng)絡(luò)模型，并且簡單的引入并介紹了近年來新興的模糊神經(jīng)網(wǎng)絡(luò)模型和遺傳小波神經(jīng)網(wǎng)絡(luò)模型。

（一）BP網(wǎng)絡(luò)模型

BP神經(jīng)網(wǎng)絡(luò)作為神經(jīng)網(wǎng)絡(luò)應(yīng)用最廣泛的一種，它多應(yīng)用的誤差反向傳播算法使其在模式識(shí)別、診斷故障、圖像識(shí)別以及管理系統(tǒng)方面具有相對先進(jìn)性?；贐P網(wǎng)絡(luò)的電梯故障診斷技術(shù)就是通過學(xué)習(xí)故障信息、診斷經(jīng)驗(yàn)并不斷訓(xùn)練，并將所學(xué)到的知識(shí)利用各層次之間節(jié)點(diǎn)上的權(quán)值從而表達(dá)出來。BP網(wǎng)絡(luò)系統(tǒng)的主要診斷步驟主要可以分為三步。第一步：對輸入輸出的數(shù)據(jù)進(jìn)行歸一化處理，將數(shù)據(jù)映射到特定的區(qū)間。第二步：建立BP網(wǎng)絡(luò)模型，訓(xùn)練BP網(wǎng)絡(luò)模型。第三：通過已經(jīng)訓(xùn)練好的網(wǎng)絡(luò)模型對原來的樣本進(jìn)行全面的檢測。算法步驟：a、在一定的取值范圍內(nèi)對數(shù)據(jù)進(jìn)行初始化；b、確定輸入值數(shù)值大小，計(jì)算出預(yù)期輸出量；c、用實(shí)際輸出的值減去上一步得到的數(shù)值；d、將上一步得到的誤差分配到隱含層，從而計(jì)算出隱含層的誤差；e、修正輸出層的權(quán)值和閾值，修正隱含層的權(quán)值；f、修正隱含層的閾值，修正隱含層和輸入層的權(quán)值。

（二）遺傳小波神經(jīng)網(wǎng)絡(luò)模型

遺傳算法運(yùn)用了生物界的優(yōu)勝劣汰、適者生存的思想對復(fù)雜問題進(jìn)行優(yōu)化，適用于復(fù)雜的故障，起到了優(yōu)化簡化問題的作用。對局部數(shù)據(jù)進(jìn)行詳細(xì)的分析是小波法最大的特點(diǎn)，所以它被譽(yù)為“數(shù)字顯微鏡”。遺傳算法小波神經(jīng)網(wǎng)絡(luò)就是運(yùn)用小波進(jìn)行分解的方法分解模擬故障信號(hào)，將得到的數(shù)據(jù)進(jìn)行歸一化，將歸一化后的數(shù)值輸入到神經(jīng)網(wǎng)絡(luò)模型中。它融合了神經(jīng)網(wǎng)絡(luò)、小波分析和遺傳算法三者所有的優(yōu)點(diǎn)?；谶z傳小波神經(jīng)網(wǎng)絡(luò)的電梯故障診斷的一般步驟為：測試節(jié)點(diǎn)信號(hào)采樣、小波分解、故障特征量提取、歸一化得到訓(xùn)練樣本集、遺傳算法優(yōu)化、得到故障類型。遺傳小波神經(jīng)網(wǎng)絡(luò)模型在故障原因復(fù)雜、數(shù)據(jù)信息量巨大的電梯系統(tǒng)的應(yīng)用中能夠發(fā)揮更大的作用。

（三）模糊神經(jīng)網(wǎng)絡(luò)模型

模糊神經(jīng)網(wǎng)絡(luò)模型就是創(chuàng)新性的將神經(jīng)網(wǎng)絡(luò)與模糊理論結(jié)合到一起。它采用了廣義的方向推理和廣義的前向推理兩種推理方式。與其它兩種模型不同的是，它的語言邏輯、判斷依據(jù)和結(jié)論都是模糊的。但是它的數(shù)據(jù)處理能力還有自我學(xué)習(xí)能力并沒有因此而變差，反而更加豐富了它的定性知識(shí)的內(nèi)容。在處理實(shí)際問題的過程中，首先要建立所有可能發(fā)生的故障的完整集合，其次將所有的故障發(fā)生原因歸入到同一個(gè)集合中去，最后就是建立故障和原因的關(guān)系矩陣。分別叫做模糊故障集、模糊原因集、模糊關(guān)系矩陣。相較于BP網(wǎng)絡(luò)模型，這種模型更加的簡單易行，充分發(fā)揮了神經(jīng)網(wǎng)絡(luò)和模糊邏輯的優(yōu)點(diǎn)，不會(huì)因?yàn)楣收显蜻^于復(fù)雜而失去診斷的準(zhǔn)確性，在原本豐富定性知識(shí)和強(qiáng)大數(shù)據(jù)處理能力的基礎(chǔ)上具有了很大的自我訓(xùn)練能力。

四、結(jié)語