神經(jīng)網(wǎng)絡(luò)的局限性精選(九篇)

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

第1篇：神經(jīng)網(wǎng)絡(luò)的局限性范文

關(guān)鍵詞：教學(xué)資源網(wǎng)絡(luò)共享平臺(tái) BP神經(jīng)網(wǎng)絡(luò) 資源檢索 優(yōu)化算法

中圖分類號(hào)：G642 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-3791（2015）05（b）-0149-01

在信息化大潮的今天，高校教學(xué)資源已步入了數(shù)字化信息化時(shí)代網(wǎng)絡(luò)化的時(shí)代。在教育部的主導(dǎo)下現(xiàn)在各大高校已經(jīng)建設(shè)起了上萬(wàn)門的精品課程；現(xiàn)在又大力開展精品資源共享課的建設(shè)，計(jì)劃在“十二五”期間支持建設(shè)5000門國(guó)家級(jí)精品資源共享課。如此多的優(yōu)質(zhì)教學(xué)資源就意味著必須有一個(gè)優(yōu)質(zhì)高效的教學(xué)資源網(wǎng)絡(luò)共享平臺(tái)才能發(fā)揮這些資源最大的教學(xué)效能。其中這種類型的平臺(tái)要解決的第一個(gè)問(wèn)題就是資源檢索的優(yōu)化問(wèn)題，以期解決在大規(guī)模訪問(wèn)時(shí)支撐教學(xué)資源網(wǎng)絡(luò)共享平臺(tái)的服務(wù)器能同時(shí)對(duì)多個(gè)使用者快速準(zhǔn)確的完成檢索并返回檢索的結(jié)果。

為什么我們把優(yōu)化檢索效率放在首要解決的問(wèn)題上呢？我們對(duì)教學(xué)資源網(wǎng)絡(luò)共享平臺(tái)的使用對(duì)廣西中醫(yī)藥大學(xué)的大三學(xué)生進(jìn)行了相關(guān)問(wèn)卷調(diào)查。其中一項(xiàng)的的調(diào)查為在什么情況下會(huì)放棄使用該平臺(tái)，四個(gè)選項(xiàng)中檢索速度慢和檢索結(jié)果不精確這兩個(gè)選項(xiàng)分別占據(jù)了38%和32%。由此可以得出結(jié)論：在現(xiàn)在的現(xiàn)實(shí)應(yīng)用中我們已經(jīng)有了很多優(yōu)質(zhì)的教學(xué)視頻資源，由此對(duì)于一個(gè)教學(xué)資源網(wǎng)絡(luò)共享平臺(tái)而言現(xiàn)在最為重要的就是要解決檢索的速度、效率、和準(zhǔn)確度的問(wèn)題了。因此我們把對(duì)高校優(yōu)質(zhì)教學(xué)資源網(wǎng)絡(luò)共享平臺(tái)的信息檢索的優(yōu)化作為首要解決的問(wèn)題。

神經(jīng)網(wǎng)絡(luò)的基本特征在數(shù)據(jù)檢索上的應(yīng)用具有以下四點(diǎn)。

（1）非線性：非線性現(xiàn)象大量的存在于現(xiàn)實(shí)世界中。大腦的神經(jīng)網(wǎng)絡(luò)活動(dòng)就是屬于這種現(xiàn)象。神經(jīng)網(wǎng)絡(luò)的基本單元神經(jīng)元一般具有兩種形態(tài)：激活或關(guān)閉，在數(shù)學(xué)上該行為表現(xiàn)為一種離散特性而教學(xué)資源網(wǎng)絡(luò)共享平臺(tái)信息檢索所產(chǎn)生的指令數(shù)據(jù)就是典型的離散信息。這些神經(jīng)元在一定的閩值控制下進(jìn)行激活或關(guān)閉，由此它們所構(gòu)成的網(wǎng)絡(luò)具有更好的容錯(cuò)性。

（2）非局限性：由網(wǎng)絡(luò)化結(jié)構(gòu)來(lái)組成的大量神經(jīng)元網(wǎng)絡(luò)可以模擬出大腦的非局限性，這種局限性可以限制對(duì)整個(gè)系統(tǒng)的無(wú)限制遍歷，可以更精確的先行定位搜索的范圍。單個(gè)神經(jīng)元的特性并不能決定一個(gè)系統(tǒng)的整體行為，而神經(jīng)元之間的相互作用、相互連接卻能夠決定一個(gè)系統(tǒng)的整體行為。

（3）非常定性：在處理檢索信息的時(shí)候，如果引用神經(jīng)網(wǎng)絡(luò)，其本身具有自適應(yīng)、自組織自學(xué)習(xí)能力，可以使其處理各種變化的輸入信息，且在處理信息的同時(shí)，非線性動(dòng)力系統(tǒng)也通過(guò)迭代過(guò)程不斷的變化，就可以適應(yīng)一段時(shí)間內(nèi)檢索內(nèi)容的變化多寡而改變針對(duì)某個(gè)檢索內(nèi)容的檢索效率。

（4）非凸性：由于非凸性可以讓檢索信息在神經(jīng)網(wǎng)絡(luò)中擁有自組織學(xué)習(xí)的過(guò)程，可以達(dá)到多個(gè)較穩(wěn)定的平衡狀態(tài)，這可以解釋為數(shù)學(xué)原理，某個(gè)特定的狀態(tài)函數(shù)在一定的條件下將會(huì)決定一個(gè)系統(tǒng)所進(jìn)化的方向。例如檢索變量函數(shù)的極值對(duì)應(yīng)于系統(tǒng)的結(jié)果輸出的穩(wěn)定狀態(tài)。而非凸性指的是該檢索變量函數(shù)可以達(dá)到的多個(gè)極值，所以系統(tǒng)有多個(gè)穩(wěn)定的檢索結(jié)果，因此這就使系統(tǒng)檢索結(jié)果具有變化的多樣性。神經(jīng)網(wǎng)絡(luò)算法有多重類型由于檢索的信息需要有反饋所以該文使用有反饋的前向網(wǎng)絡(luò)即BP神經(jīng)網(wǎng)絡(luò)。

神經(jīng)網(wǎng)絡(luò)一般是輸入層檢索目標(biāo)對(duì)輸出層的檢索結(jié)果有反饋信息，使得輸出層輸出相應(yīng)的檢索結(jié)果，而這種類型的網(wǎng)絡(luò)中對(duì)輸入層存在反饋信息，用于存儲(chǔ)某種模式序列，典型的神經(jīng)認(rèn)知機(jī)和回歸BP網(wǎng)絡(luò)就屬于這種網(wǎng)絡(luò)類型。

（1）在多級(jí)的神經(jīng)網(wǎng)絡(luò)中，同級(jí)的神經(jīng)元節(jié)點(diǎn)是獨(dú)立的，它們之間沒(méi)有聯(lián)系。

（2）通過(guò)相互的權(quán)值各級(jí)層神經(jīng)元之間互聯(lián)，前一層的輸入要查詢的檢索信息是后一層的輸出結(jié)果。

（3）檢索信息從前一層逐層向后一層傳遞，并沒(méi)有反向連接信號(hào)。

在該文中作為實(shí)際輸出，通過(guò)對(duì)上述公式的計(jì)算就可以不斷的檢索出實(shí)際的檢索目標(biāo)對(duì)應(yīng)的字段標(biāo)志參數(shù)，完成分類、模式識(shí)別或者函數(shù)逼近和模擬的任務(wù)，最終不斷的逼近最優(yōu)化的值，形成最快捷的檢索通路。通過(guò)上述方法我們可以BP算法在檢索信息時(shí)的訓(xùn)練過(guò)程總結(jié)（如圖1所示）。

通過(guò)上述內(nèi)容可以初步得到高校優(yōu)質(zhì)教學(xué)資源網(wǎng)絡(luò)共享平臺(tái)信息檢索的優(yōu)化采用BP神經(jīng)網(wǎng)絡(luò)算法是可行的，在檢索優(yōu)化的過(guò)程中在檢索效率和準(zhǔn)確度上由于神經(jīng)網(wǎng)絡(luò)具有的自我學(xué)習(xí)能力使之具備較好的檢索性能。

參考文獻(xiàn)

[1] 陳國(guó)良.并行算法的設(shè)計(jì)與分析[M].北京：高等教育出版社，2005：76-80.

[2] 蔣宗禮.人工神經(jīng)網(wǎng)絡(luò)導(dǎo)論[M].北京：高等教育出版社，2005：34-78.

第2篇：神經(jīng)網(wǎng)絡(luò)的局限性范文

關(guān)鍵詞：油氣輸送；ANN技術(shù)；意義；應(yīng)用

1 ANN技術(shù)

ANN技術(shù)也就是人工神經(jīng)網(wǎng)絡(luò)技術(shù)。人工神經(jīng)網(wǎng)絡(luò)是一種通過(guò)模仿動(dòng)物神經(jīng)網(wǎng)絡(luò)行為特征，進(jìn)行分布式并行信息處理的算法數(shù)學(xué)模型。人工神經(jīng)網(wǎng)絡(luò)通過(guò)調(diào)節(jié)系統(tǒng)內(nèi)部大量節(jié)點(diǎn)之間相互連接的關(guān)系，并對(duì)其之間關(guān)系進(jìn)行信息處理，從而達(dá)到處理信息的目的。人工神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)和自適應(yīng)的能力。人工神經(jīng)網(wǎng)絡(luò)技術(shù)（ANN技術(shù)）就是根據(jù)人工神經(jīng)網(wǎng)絡(luò)而提出來(lái)的處理單元互聯(lián)組成的非線性、自適應(yīng)信息處理系統(tǒng)技術(shù)，利用人工神經(jīng)網(wǎng)絡(luò)技術(shù)可以通過(guò)模擬大腦神經(jīng)網(wǎng)絡(luò)處理、記憶信息的方式進(jìn)行信息處理。ANN技術(shù)通常是通過(guò)一個(gè)基于數(shù)學(xué)統(tǒng)計(jì)學(xué)類型的學(xué)習(xí)方法得以優(yōu)化，所以人工神經(jīng)網(wǎng)絡(luò)技術(shù)也是數(shù)學(xué)統(tǒng)計(jì)學(xué)方法的一種實(shí)際應(yīng)用。人工神經(jīng)網(wǎng)絡(luò)技術(shù)具有四個(gè)基本特征：非線性、非局限性、非常定性、非凸性。

就目前來(lái)說(shuō)，常用的人工神經(jīng)網(wǎng)絡(luò)是Hopfield聯(lián)想記憶網(wǎng)絡(luò)，波爾茲曼學(xué)習(xí)機(jī)和網(wǎng)絡(luò)誤差反傳（BP）試驗(yàn)方法。BP網(wǎng)絡(luò)可以對(duì)油氣管道油氣泄漏、管道腐蝕速度等進(jìn)行預(yù)測(cè)，所以在油氣儲(chǔ)運(yùn)中，應(yīng)用最多的是BPNN技術(shù)。

2 ANN技術(shù)在油氣儲(chǔ)運(yùn)中的應(yīng)用

（一）在油氣儲(chǔ)運(yùn)中運(yùn)用ANN技術(shù)的重要意義

油氣儲(chǔ)運(yùn)工程主要包括油氣田集輸、長(zhǎng)距離輸送管道、儲(chǔ)存與裝卸等，它是連接油氣生產(chǎn)、加工、分配、銷售諸環(huán)節(jié)的紐帶。ANN技術(shù)通常是通過(guò)一個(gè)基于數(shù)學(xué)統(tǒng)計(jì)學(xué)類型的學(xué)習(xí)方法得以優(yōu)化，所以人工神經(jīng)網(wǎng)絡(luò)技術(shù)也是數(shù)學(xué)統(tǒng)計(jì)學(xué)方法的一種實(shí)際應(yīng)用。人工神經(jīng)網(wǎng)絡(luò)（ANN）具有非線性、非局限性、非常定性、非凸性等特征，用人工神經(jīng)網(wǎng)絡(luò)技術(shù)的自適應(yīng)能力學(xué)習(xí)管道的各種工況，對(duì)管道運(yùn)行狀況進(jìn)行分類識(shí)別，從而更準(zhǔn)確的檢測(cè)油氣儲(chǔ)運(yùn)管道泄漏情況和管道腐蝕速度。為了更加準(zhǔn)確的檢測(cè)油氣儲(chǔ)運(yùn)管道泄漏情況和管道腐蝕速度，為了石油生產(chǎn)建設(shè)的需要，因此要在油氣儲(chǔ)運(yùn)中運(yùn)用人工神經(jīng)網(wǎng)絡(luò)技術(shù)（ANN技術(shù)）。

（二）ANN技術(shù)在油氣儲(chǔ)運(yùn)中的具體應(yīng)用

（1）在油氣儲(chǔ)運(yùn)中應(yīng)用ANN技術(shù)，是因?yàn)槿斯ど窠?jīng)網(wǎng)絡(luò)（ANN）具有以下的特點(diǎn)和優(yōu)越性：第一，具有自學(xué)習(xí)功能。例如管道的油氣泄漏情況或者管道腐蝕度進(jìn)行識(shí)別時(shí)，首先要把不同管道的泄漏或腐蝕圖像樣板以及對(duì)應(yīng)的應(yīng)識(shí)別結(jié)果輸入到人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)（ANN）中，利用人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)（ANN）的自學(xué)功能，學(xué)會(huì)識(shí)別其他的相類似的圖像。人工神經(jīng)網(wǎng)絡(luò)（ANN）的自學(xué)習(xí)功能對(duì)于油氣管道泄漏情況和管道腐蝕情況預(yù)測(cè)有特別重要的意義。第二，利用人工神經(jīng)網(wǎng)絡(luò)（ANN）的聯(lián)想存儲(chǔ)功能，把關(guān)于石油管道泄露或腐蝕等的各種情況進(jìn)行相互的聯(lián)想、比對(duì)，找出石油管道泄露的具體地方以及管道腐蝕的情況，進(jìn)而提出切實(shí)可行的解決措施。第三，利用人工神經(jīng)網(wǎng)絡(luò)（ANN）的高速尋找優(yōu)化解的能力，通過(guò)計(jì)算機(jī)的高速運(yùn)算，找出解決石油運(yùn)輸中出現(xiàn)的問(wèn)題的最佳方法。

（2）BPNN網(wǎng)絡(luò)是一種基于廣義2R規(guī)則的有監(jiān)督的學(xué)習(xí)網(wǎng)絡(luò)，屬誤差修正算法。采用BPNN網(wǎng)絡(luò)對(duì)管道泄漏進(jìn)行檢測(cè)，主要是利用單元希望輸出與實(shí)際輸m之問(wèn)的偏差作為連接權(quán)調(diào)整的參考，并最終減小這種誤差。

（3）自適應(yīng)模糊神絳網(wǎng)絡(luò)系統(tǒng)具有自學(xué)習(xí)能力和非線性映射，它不僅能夠獲取信號(hào)的最佳估計(jì)，并且能夠克服信號(hào)處理中存在的模型和噪聲的不確定性、不完備性，所以可以用于噪聲信號(hào)的非線性建模。利用自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)的去噪可以提高壓力信號(hào)、流量信號(hào)的信噪比。自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)的自適應(yīng)噪聲抵消器具有實(shí)現(xiàn)簡(jiǎn)單、節(jié)省運(yùn)行時(shí)間，能快速、有效地消除流量、壓力信號(hào)中的各種噪聲的特點(diǎn)，所以把自適應(yīng)模糊神絳網(wǎng)絡(luò)系統(tǒng)應(yīng)用到油氣儲(chǔ)運(yùn)中管道泄漏、腐蝕情況的檢測(cè)中，提高泄漏檢測(cè)和定位的精度。

（4）可以利用人工神經(jīng)網(wǎng)絡(luò)對(duì)油氣管道的腐蝕過(guò)程和腐蝕速度進(jìn)行預(yù)測(cè)。在油氣輸送管道中，由于各種油氣性質(zhì)的不同，再加上高速度、高循環(huán)率的運(yùn)輸，增加了油氣管道的腐蝕程度。我們可以通過(guò)人工神經(jīng)網(wǎng)絡(luò)（ANN），采用逐步回歸的方法對(duì)油氣管道中的腐蝕程度和腐蝕速度進(jìn)行預(yù)測(cè)，進(jìn)而保證油氣管道能夠安全有效的運(yùn)行。

3 結(jié)語(yǔ)

綜上所述，油氣儲(chǔ)運(yùn)工程主要包括油氣田集輸、長(zhǎng)距離輸送管道、儲(chǔ)存與裝卸等，它是連接油氣生產(chǎn)、加工、分配、銷售諸環(huán)節(jié)的紐帶。ANN技術(shù)也就是人工神經(jīng)網(wǎng)絡(luò)技術(shù)，ANN技術(shù)具有可以充分逼近任意復(fù)雜的非線性關(guān)系，具有很強(qiáng)的魯棒性和容錯(cuò)性，能夠同時(shí)處理定量、定性知識(shí)，能夠優(yōu)化設(shè)計(jì)、模式識(shí)別、聯(lián)想記憶等特點(diǎn)。在油氣儲(chǔ)運(yùn)中用人工神經(jīng)網(wǎng)絡(luò)技術(shù)的自適應(yīng)能力學(xué)習(xí)管道的各種工況，對(duì)管道運(yùn)行狀況進(jìn)行分類識(shí)別，更準(zhǔn)確的檢測(cè)油氣儲(chǔ)運(yùn)管道泄漏情況和管道腐蝕速度。

參考文獻(xiàn)：

[1]王延民，齊志財(cái).ANN技術(shù)在油氣儲(chǔ)運(yùn)中的應(yīng)用[J].油氣田地面工程.2008，（10）：55.

第3篇：神經(jīng)網(wǎng)絡(luò)的局限性范文

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò) 車輛跟馳 智能系統(tǒng)

中圖分類號(hào)：U491 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9416（2016）12-0081-01

引言

微觀模型越來(lái)越多的被應(yīng)用于評(píng)估新的智能運(yùn)輸系統(tǒng)。車輛跟馳模型就是其中之一[3]。車輛跟馳模型基于這樣的假設(shè)：后車司機(jī)受到一系列變量的影響，車輛的行駛受到人的影響最大，所以建立模型實(shí)際上就是將人的駕駛技巧轉(zhuǎn)化成智能系統(tǒng)。為了得到高保真度的微型仿真，人們主要是研究戰(zhàn)術(shù)層面的行為。

1 神經(jīng)網(wǎng)絡(luò)的應(yīng)用

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks， ANN），一種模仿動(dòng)物神經(jīng)網(wǎng)絡(luò)行為特征，進(jìn)行分布式并行信息處理的算法數(shù)學(xué)模型[1]。這種網(wǎng)絡(luò)依靠系統(tǒng)的復(fù)雜程度，通過(guò)調(diào)整內(nèi)部大量節(jié)點(diǎn)之間相互連接的關(guān)系，從而達(dá)到處理信息的目的。人工神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)和自適應(yīng)的能力，可以通過(guò)預(yù)先提供的一批相互對(duì)應(yīng)的輸入-輸出數(shù)據(jù)，分析掌握兩者之間潛在的規(guī)律，最終根據(jù)這些規(guī)律，用新的輸入數(shù)據(jù)來(lái)推算輸出結(jié)果，這種學(xué)習(xí)分析的過(guò)程被稱為“訓(xùn)練”。

2 車輛跟馳行為分析

人的駕駛行為可以分為三個(gè)層次：分別是：戰(zhàn)略、戰(zhàn)術(shù)和具體操作。戰(zhàn)略的駕駛行為主要是路線的規(guī)劃，戰(zhàn)術(shù)的駕駛行為就是實(shí)現(xiàn)短期的目標(biāo)，比如：超車，換道等，操作層面的駕駛行為就是具體的動(dòng)作如：方向盤旋轉(zhuǎn)，剎車行為等。車輛跟馳行為具有很強(qiáng)的非線性特性[2]。

ANN（artificial neural networks）可以用來(lái)解決復(fù)雜和不明確的問(wèn)題。

基于數(shù)據(jù)的學(xué)習(xí)可以提取出數(shù)據(jù)中輸出與輸入之間的關(guān)系，它們之間的關(guān)系是復(fù)雜的、非線性的、難以精確獲得的。而神經(jīng)網(wǎng)絡(luò)可以通過(guò)學(xué)習(xí)提取出數(shù)據(jù)之間蘊(yùn)藏的規(guī)律，以較高的精度來(lái)預(yù)測(cè)將來(lái)的數(shù)據(jù)。

對(duì)車輛跟馳行為更加精確的模擬應(yīng)該考慮到人反應(yīng)的非線性和人感知的局限性。也就是說(shuō)，駕駛員不能精確地感知相對(duì)速度和距離，做出決定的過(guò)程是非線性的。人工神經(jīng)網(wǎng)絡(luò)可以找到駕駛員感知到的變量和駕駛員控制動(dòng)作變量之間的映射關(guān)系。這使得神經(jīng)網(wǎng)絡(luò)系統(tǒng)可以模擬和預(yù)測(cè)駕駛員的行為。

3 數(shù)值仿真

訓(xùn)練時(shí)，實(shí)驗(yàn)選取了27組輸入變量（每組輸入變量有三個(gè)元素），每組輸入變量會(huì)有一個(gè)理想輸出。也就是說(shuō)，一共有27個(gè)輸出值構(gòu)成了一個(gè)行向量。用來(lái)檢測(cè)的輸入向量輸入到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)中，同樣輸出27個(gè)元素的行向量。在MATLAB中畫出這兩個(gè)向量，進(jìn)行比較，得出訓(xùn)練效果。圖1表示訓(xùn)練值與理想值的偏差，誤差絕對(duì)值可控制在30個(gè)單位之齲圖2表示預(yù)測(cè)值與實(shí)際值的位置坐標(biāo)。

4 結(jié)語(yǔ)

本文針對(duì)傳統(tǒng)車輛跟馳模型存在的預(yù)測(cè)不準(zhǔn)確，計(jì)算繁雜，實(shí)用性不高等缺點(diǎn)，提出了基于神經(jīng)網(wǎng)絡(luò)的車輛跟馳模型，首先分析了神經(jīng)網(wǎng)絡(luò)的應(yīng)用原理和領(lǐng)域，其次分析了神經(jīng)網(wǎng)絡(luò)在車輛跟馳模型上應(yīng)用的可行性，最后通過(guò)MATLAB數(shù)值仿真驗(yàn)證理論的正確性，證明了神經(jīng)網(wǎng)絡(luò)的方法可以提高模型預(yù)測(cè)的準(zhǔn)確性。

參考文獻(xiàn)

[1]韓立群.人工神經(jīng)網(wǎng)絡(luò)教程[M].北京：北京郵電大學(xué)出版社，2006：20-25，87.

第4篇：神經(jīng)網(wǎng)絡(luò)的局限性范文

關(guān)鍵詞：小波；神經(jīng)網(wǎng)絡(luò)；網(wǎng)絡(luò)流量；預(yù)測(cè)

Abstract: predict the network traffic while there are many ways, but the use of wavelet neural network to predict accuracy is the highest, this kind of method integration of the wavelet transform and neural network advantages. This paper mainly to the wavelet neural network and the network traffic prediction are analyzed, and the further proof that the wavelet neural network advantages and feasibility.

Keywords: small wave. Neural network; Network flow; forecast

中圖分類號(hào)：F272.1文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：

隨著網(wǎng)絡(luò)的迅猛發(fā)展，網(wǎng)絡(luò)擁塞的現(xiàn)象越來(lái)越嚴(yán)重，此時(shí)預(yù)測(cè)網(wǎng)絡(luò)流量顯得如此重要。網(wǎng)絡(luò)流量是一個(gè)復(fù)雜的系統(tǒng)工程，其具有很多特性，如突發(fā)性、長(zhǎng)相關(guān)等。預(yù)測(cè)網(wǎng)絡(luò)流量方法很多，如用小波變換、用神經(jīng)網(wǎng)絡(luò)等，這些方法雖然都能夠?qū)崿F(xiàn)預(yù)測(cè)網(wǎng)絡(luò)流量，但是由于這些方法的局限性，預(yù)測(cè)結(jié)果的準(zhǔn)確率有所不同。因此，找出一個(gè)準(zhǔn)確率高的方法進(jìn)行網(wǎng)絡(luò)流量預(yù)測(cè)是非常關(guān)鍵的。

1.小波神經(jīng)網(wǎng)絡(luò)

1.1小波神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)形式

小波神經(jīng)網(wǎng)絡(luò)其實(shí)就是小波分析理論與神經(jīng)網(wǎng)絡(luò)理論相結(jié)合的一種產(chǎn)物。這兩種理論相結(jié)合可以分為兩類：（1）“松散型”結(jié)合。這種類型的結(jié)合就是指小波分析作為神經(jīng)網(wǎng)絡(luò)的前置處理手段，主要提供輸入特征向量，為神經(jīng)網(wǎng)絡(luò)做準(zhǔn)備。經(jīng)小波變換后，再向常規(guī)神經(jīng)網(wǎng)絡(luò)輸入，進(jìn)而使分類、函數(shù)逼近等功能實(shí)現(xiàn)。（2）“緊致型”結(jié)合。這種類型的結(jié)合就是小波分析和神經(jīng)網(wǎng)絡(luò)直接融合，采用小波函數(shù)來(lái)將常規(guī)單隱層前饋神經(jīng)網(wǎng)絡(luò)的隱節(jié)點(diǎn)激活，由小波函數(shù)的伸縮與平移參數(shù)來(lái)分別代替相應(yīng)的輸入層到隱層的權(quán)值及隱層閾值。

1.2多分辨小波神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)結(jié)構(gòu)

從理論上講，小波理論對(duì)時(shí)間序列進(jìn)行分解預(yù)測(cè)是可行的。已經(jīng)有研究表明，小波變換可以解決一切能夠用傅立葉變換解決的問(wèn)題，小波變換在解決這些問(wèn)題時(shí)不會(huì)損失任何東西，只是將我們通常觀察問(wèn)題的視角改變了。如果把流量曲線看作不同的信號(hào)分量疊加，分別預(yù)測(cè)各個(gè)分量，最后重新疊加各個(gè)分量預(yù)測(cè)結(jié)果，最后就能夠?qū)㈩A(yù)測(cè)結(jié)果得到。其實(shí)利用小波方法就是這個(gè)過(guò)程來(lái)完成預(yù)測(cè)的。以下只對(duì)“松散型”小波神經(jīng)網(wǎng)絡(luò)進(jìn)行分析:

先對(duì)t時(shí)刻的原始序列f(t)進(jìn)行小波分解，分解尺度為n，an(t)為t時(shí)刻第n層低頻系數(shù)序列，dn(t)為t時(shí)刻第n層高頻系數(shù)序列，an(t)、d1(t)、d2(t)…dn(t)作為神經(jīng)網(wǎng)絡(luò)的輸入，再分別對(duì)每一層小波系數(shù)用神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測(cè)，得到an(t+T)、d1(t+T)、d2(t+T)…dn(t+T)共n+l個(gè)預(yù)測(cè)值，最后將這些預(yù)測(cè)值合成就得到f(t+T)，即t+T時(shí)刻的預(yù)測(cè)值。根據(jù)以上假設(shè)，使用小波分析的變換對(duì)數(shù)據(jù)進(jìn)行多分辨分解，即利用小波分解的特點(diǎn)，根據(jù)變化的頻度將序列中變化頻率不同的成分分解出來(lái)。由于小波分解可以使影響流量值大小的因素相對(duì)集中起來(lái)，因此分解后的小波分量具有明顯的規(guī)律性，這就使得我們便于針對(duì)不同的規(guī)律采用不同的預(yù)測(cè)技術(shù)，從而可以達(dá)到提高預(yù)測(cè)精度的同時(shí)縮短預(yù)測(cè)時(shí)間的目的，提高整個(gè)模型的效率。

2.神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)

本實(shí)驗(yàn)選取了360個(gè)樣本數(shù)據(jù)，將其生成小波分解所需的信號(hào)文件，如圖1所示。

圖1 歷史數(shù)據(jù)

對(duì)流量序列作多分辨分析。經(jīng)過(guò)5層分解后的各層信號(hào)波形如圖2所示。

圖2 小波分解結(jié)果

將上述小波分解的各分量，經(jīng)預(yù)處理成為樣本向量后輸入BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，得出各分量的預(yù)測(cè)值如圖3所示。

圖3各分量預(yù)測(cè)結(jié)果

3.實(shí)驗(yàn)結(jié)果對(duì)比

將各分量分別預(yù)測(cè)出后，重構(gòu)各分量的預(yù)測(cè)結(jié)果，得到最終的流量預(yù)測(cè)結(jié)果。將BP神經(jīng)網(wǎng)絡(luò)模型與小波神經(jīng)網(wǎng)絡(luò)模型進(jìn)行對(duì)比，在網(wǎng)絡(luò)中采集了360組數(shù)據(jù)，對(duì)數(shù)據(jù)進(jìn)行一定的操作后，分別測(cè)試兩種網(wǎng)絡(luò)，實(shí)驗(yàn)結(jié)果如圖4所示。

圖4

將實(shí)驗(yàn)結(jié)果進(jìn)行對(duì)比，對(duì)其測(cè)試主要采用小波神經(jīng)網(wǎng)絡(luò)來(lái)進(jìn)行，這樣對(duì)網(wǎng)絡(luò)流量預(yù)測(cè)的準(zhǔn)確率會(huì)更準(zhǔn)確。因此，構(gòu)建小波神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)，識(shí)別準(zhǔn)確率達(dá)到90%以上，彌補(bǔ)了BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)精準(zhǔn)度不高的缺陷。

4.結(jié)語(yǔ)

近年來(lái)，網(wǎng)絡(luò)流量預(yù)測(cè)成為研究熱點(diǎn)。本文主要講BP神經(jīng)網(wǎng)絡(luò)和小波變換進(jìn)行對(duì)比，將這兩者的優(yōu)點(diǎn)結(jié)合起來(lái)用于預(yù)測(cè)網(wǎng)絡(luò)流量，在很大程度上提高了預(yù)測(cè)的精準(zhǔn)度。

參考文獻(xiàn)：

[1]胡俊,胡玉清,肖中卿.基于小波變換的網(wǎng)絡(luò)流量預(yù)測(cè)模型[J]. 計(jì)算機(jī)工程. 2008(19).

第5篇：神經(jīng)網(wǎng)絡(luò)的局限性范文

關(guān)鍵詞:BP神經(jīng)網(wǎng)絡(luò);住宅項(xiàng)目;特征定價(jià)

中圖分類號(hào):F293.3文獻(xiàn)標(biāo)識(shí)碼:A

新建住宅項(xiàng)目定價(jià)能否被消費(fèi)者認(rèn)同,對(duì)于項(xiàng)目投資者來(lái)說(shuō),能夠快速準(zhǔn)確地了解項(xiàng)目定價(jià)的合理區(qū)間是非常重要的。目前,在實(shí)際操作中運(yùn)用的市場(chǎng)比較法、收益還原法等基本方法在估算精度、速度乃至應(yīng)用范圍上都具有局限性。隨著計(jì)算機(jī)技術(shù)的迅速發(fā)展,近些年來(lái)興起的人工神經(jīng)網(wǎng)絡(luò)模型的一個(gè)明顯特征就是具有通過(guò)學(xué)習(xí)最佳逼近非線性映射的能力。因此,項(xiàng)目特征到項(xiàng)目定價(jià)的非線性映射關(guān)系通過(guò)人工神經(jīng)網(wǎng)絡(luò)來(lái)進(jìn)行模擬求解是可行的。

一、應(yīng)用BP神經(jīng)網(wǎng)絡(luò)的原理

神經(jīng)網(wǎng)絡(luò)在回歸分析中較傳統(tǒng)方法具有相對(duì)優(yōu)越性,它能從大量的離散實(shí)驗(yàn)數(shù)據(jù)中經(jīng)過(guò)學(xué)習(xí)訓(xùn)練,建立起反映實(shí)際過(guò)程內(nèi)在規(guī)律的系統(tǒng)模型,BP神經(jīng)網(wǎng)絡(luò)是其中的一種較為簡(jiǎn)單但應(yīng)用廣泛的方法。

(一)BP人工神經(jīng)網(wǎng)絡(luò)模型構(gòu)造概述。BP神經(jīng)網(wǎng)絡(luò),由輸入層、隱含層和輸出層構(gòu)成,各層采用全互連接,同一層中各單元不連接。通過(guò)調(diào)整各個(gè)權(quán)值和閾值,直到達(dá)到期望的誤差即可。

(二)基于LM法的BP算法改進(jìn)。由于標(biāo)準(zhǔn)BP算法用的梯度下降法隨著接近最優(yōu)值,梯度趨于零,致使誤差函數(shù)下降緩慢。LM法的優(yōu)點(diǎn)是迭代次數(shù)少,收斂速度快,精確度高,因此在訓(xùn)練樣本時(shí)采用LM法。

二、住宅項(xiàng)目定價(jià)模型構(gòu)建

(一)住宅項(xiàng)目定價(jià)特征的選取。根據(jù)Lancaster特征價(jià)格理論,模型的一般形式是:P=F(X1,X2,X3…XN),P為住宅項(xiàng)目均價(jià),F為函數(shù)形式,X為住宅項(xiàng)目特征變量。住宅項(xiàng)目特征變量通?？紤]的因素,可以分為建筑特征、區(qū)位特征、鄰里特征、需求特征四大類,分別用L、M、N、R表示,如下:

P=F(Z)=F(L,M,N,R)(1)

變量應(yīng)選取與項(xiàng)目整體相關(guān)的特征因素,對(duì)于特征的選取,采用專家評(píng)審法,邀請(qǐng)一家咨詢公司5位工作8年以上的項(xiàng)目策劃師,對(duì)住宅項(xiàng)目中影響定價(jià)的各種因素進(jìn)行選取打分,最終選取的特征變量如表1所示。(表1)

(二)BP神經(jīng)網(wǎng)絡(luò)模型的建立。由于僅含有一個(gè)隱含層可以任意逼近連續(xù)函數(shù),因此BP神經(jīng)網(wǎng)絡(luò)采用3層結(jié)構(gòu)。BP神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點(diǎn)為7(對(duì)應(yīng)特征變量數(shù)),輸出節(jié)點(diǎn)為數(shù)為1(對(duì)應(yīng)項(xiàng)目均價(jià)),隱層節(jié)點(diǎn)數(shù)根據(jù)以下公式來(lái)確定:

s=+0.51(2)

其中,m為輸入層節(jié)點(diǎn)數(shù);n為輸出層節(jié)點(diǎn)數(shù);s為隱層節(jié)點(diǎn)數(shù)。

將m=7,n=1帶入上式,通過(guò)計(jì)算s=5,即建立7*5*1的拓?fù)浣Y(jié)構(gòu)。

三、應(yīng)用分析

(一)研究對(duì)象。選取2008年北京、天津、沈陽(yáng)、上海、南京等20個(gè)城市的78個(gè)普通住宅項(xiàng)目為研究對(duì)象。在選取過(guò)程中盡量保證市場(chǎng)的同一性,使不同城市之間的商品住宅具有可比性。

(二)變量的量化。由于樣本數(shù)據(jù)較多,這里只選取測(cè)試樣本數(shù)據(jù)做說(shuō)明。參照表1進(jìn)行量化,量化結(jié)果見(jiàn)表2。(表2)

(三)BP網(wǎng)絡(luò)參數(shù)設(shè)置及訓(xùn)練。將規(guī)格化后的66個(gè)樣本數(shù)據(jù)代入神經(jīng)網(wǎng)絡(luò)模型中,采用LM改進(jìn)算法進(jìn)行訓(xùn)練,隱含層激活函數(shù)為tansig,輸出層激活函數(shù)為logsig,BP神經(jīng)網(wǎng)絡(luò)經(jīng)過(guò)所設(shè)定的220次訓(xùn)練后,網(wǎng)絡(luò)目標(biāo)誤差達(dá)到精度要求,此時(shí)的誤差為:res=0.000991452。訓(xùn)練結(jié)束后,固定連接值和閾值并輸入測(cè)試數(shù)據(jù),測(cè)試數(shù)據(jù)的BP輸出結(jié)果見(jiàn)表3。(表3)

(四)結(jié)果分析。樣本項(xiàng)目的預(yù)測(cè)輸出和實(shí)際值的相對(duì)誤差值在0.6%～7.8%之間,平均誤差為0.3828。這說(shuō)明,BP神經(jīng)網(wǎng)絡(luò)在項(xiàng)目定價(jià)預(yù)測(cè)中具有相對(duì)的穩(wěn)定性和優(yōu)越性。

四、結(jié)論

與傳統(tǒng)的住宅項(xiàng)目均價(jià)定價(jià)方法相比,利用BP神經(jīng)網(wǎng)絡(luò)確定新建項(xiàng)目均價(jià)一方面具有較高的精度;另一方面簡(jiǎn)化了計(jì)算過(guò)程,減少資源的投入,是一種快速、便捷、有效的新方法。當(dāng)然,樣本要盡量選取經(jīng)典的,去掉一些“噪聲”比較大的樣本和特別復(fù)雜的項(xiàng)目。

(作者單位:重慶大學(xué)建設(shè)管理與房地產(chǎn)學(xué)院)

主要參考文獻(xiàn):

[1]LANCASTER KJ.A new approach to consumer theory[J].Journal of Political Economy,1966.74.1.

[2]張吉禮.模糊神經(jīng)網(wǎng)絡(luò)控制原理與工程應(yīng)用[M].哈爾濱:哈爾濱工業(yè)出版社,2004.

[3]王其文,呂景峰,劉廣靈等.人工神經(jīng)網(wǎng)絡(luò)與線性回歸的比較[J].決策與決策支持,1993.3.3.

[4]張良均,曹晶,蔣世忠.神經(jīng)網(wǎng)絡(luò)實(shí)用教程[M].北京:機(jī)械工業(yè)出版社,2008.2.

第6篇：神經(jīng)網(wǎng)絡(luò)的局限性范文

關(guān)鍵詞：電子商務(wù)交易額；灰色理論；GM1，1模型；RBF神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)：F713.360 文獻(xiàn)標(biāo)識(shí)碼：A

Abstract： E-commerce trade volume is an important index to measure a country or a region's E-commerce development situation， and an accurate volume forecast plays a critical role in making a country's E-business strategy. According to the data characteristics of China's E-commerce transactions throughout the years， this paper proposed a combined forecast model based on grey theory and RBF neural network algorithm. After predicting the trade volume of China's E-commerce， this report compared the combined forecast model with single GM1，1 model and RBF neural network model， which shows the combined forecast model's predicted results are much more accurate. Therefore， the combined forecast model can be used as a new method for predicting E-commerce trade volume.

Key words： E-commerce trade volume； grey theory； GM1，1 model； RBF neural network

0 引 言

隨著我國(guó)互聯(lián)網(wǎng)和計(jì)算機(jī)信息技術(shù)的普及與發(fā)展，電子商務(wù)的發(fā)展速度及其影響力已經(jīng)超出了人們的預(yù)期，電子商務(wù)將成為“大眾創(chuàng)業(yè)、萬(wàn)眾創(chuàng)新”的新引擎[1]。

關(guān)于電子商務(wù)交易額的預(yù)測(cè)，國(guó)內(nèi)的研究論文相對(duì)較少。任麗麗、陸秋君[2]使用模糊線性回歸模型對(duì)電子商務(wù)交易額進(jìn)行預(yù)測(cè)。王小東等[3]使用時(shí)間序列預(yù)測(cè)模型對(duì)世界電子商務(wù)交易額進(jìn)行預(yù)測(cè)。資道根[4]使用灰色理論模型對(duì)跨境電子商務(wù)交易額進(jìn)行預(yù)測(cè)。但是，以上學(xué)者提出的電子商務(wù)交易額預(yù)測(cè)方法都是基于單一的模型，從而沒(méi)有考慮到單一模型在預(yù)測(cè)方面的局限性，影響了最終預(yù)測(cè)結(jié)果的精度或?qū)嵱眯?。例如，文獻(xiàn)[2]中使用模糊線性回歸模型對(duì)電子商務(wù)交易額的預(yù)測(cè)，預(yù)測(cè)結(jié)果誤差較大，達(dá)到了14.5%。文獻(xiàn)[4]中的灰色理論模型的預(yù)測(cè)結(jié)果雖然精度較高，但是若樣本數(shù)目增加或者離散程度增大時(shí)，預(yù)測(cè)結(jié)果的精度會(huì)受到較大影響。因此，本文采用灰色理論與RBF神經(jīng)網(wǎng)絡(luò)組合預(yù)測(cè)模型對(duì)中國(guó)的電子商務(wù)交易額進(jìn)行預(yù)測(cè)，并將預(yù)測(cè)結(jié)果與單獨(dú)的灰色GM1，1模型和RBF神經(jīng)網(wǎng)絡(luò)算法預(yù)測(cè)結(jié)果進(jìn)行比較，具有較高的精度。

3 結(jié) 論

通過(guò)構(gòu)建灰色理論與RBF神經(jīng)網(wǎng)絡(luò)組合預(yù)測(cè)模型，對(duì)中國(guó)電子商務(wù)交易額進(jìn)行預(yù)測(cè)，將預(yù)測(cè)結(jié)果與單一的RBF神經(jīng)網(wǎng)絡(luò)算法和GM1，1模型比較，精度上有較大的提高，為今后電子商務(wù)交易額預(yù)測(cè)提供了新的思路和方法。電子商務(wù)交易額預(yù)測(cè)以及電子商務(wù)的發(fā)展研究是一項(xiàng)整合各種技術(shù)的復(fù)雜任務(wù)，本文雖然給出了基于灰色理論和RBF神經(jīng)網(wǎng)絡(luò)算法的組合預(yù)測(cè)方法，但是對(duì)于電子商務(wù)交易額的影響因素沒(méi)有涉及，這是對(duì)未來(lái)電子商務(wù)的一個(gè)研究方向。

參考文獻(xiàn)：

[1] 中國(guó)社科院財(cái)經(jīng)戰(zhàn)略研究院課題組，荊林波. 電子商務(wù)：中國(guó)經(jīng)濟(jì)發(fā)展的新引擎[J]. 求是，2013（11）：15-17.

[2] 任麗麗，陸秋君. 電子商務(wù)交易額預(yù)測(cè)的模糊線性回歸研究[J]. 江蘇商論，2012（7）：66-69.

[3] 王小東，楊堅(jiān)爭(zhēng)，楊納川. 世界上網(wǎng)人口與電子商務(wù)交易額預(yù)測(cè)[J]. 金融經(jīng)濟(jì)，2013（12）：173-175.

[4] 資道根. 基于灰色GM1，1模型的跨境電子商務(wù)發(fā)展前景預(yù)測(cè)分析[J]. 數(shù)學(xué)的實(shí)踐與認(rèn)識(shí)，2015（1）：96-105.

[5] 鄧聚龍. 灰色系統(tǒng)基本方法[M]. 武漢：華中科技大學(xué)出版社，2005.

第7篇：神經(jīng)網(wǎng)絡(luò)的局限性范文

【關(guān)鍵詞】人口預(yù)測(cè)；人工神經(jīng)網(wǎng)絡(luò)；BP神經(jīng)網(wǎng)絡(luò)

0 引言

中國(guó)是一個(gè)人口大國(guó)， 人口問(wèn)題始終是制約我國(guó)發(fā)展的關(guān)鍵因素之一， 但是要確定人口發(fā)展戰(zhàn)略， 必須既著眼于人口本身的問(wèn)題， 又處理好人口與經(jīng)濟(jì)社會(huì)資源環(huán)境之間的相互關(guān)系， 構(gòu)建社會(huì)主義和諧社會(huì)， 統(tǒng)籌解決人口數(shù)量、素質(zhì)、結(jié)構(gòu)、分布等問(wèn)題。已有的文獻(xiàn)采用微分方程、灰色系統(tǒng)和曲線擬合等方法研究了我國(guó)人口問(wèn)題[1-2]。本文根據(jù)近年來(lái)中國(guó)的人口發(fā)展所出現(xiàn)一些新的特點(diǎn)， 以及近幾年中國(guó)人口抽樣數(shù)據(jù)及現(xiàn)有全國(guó)人口普查數(shù)據(jù)， 運(yùn)用人工神經(jīng)網(wǎng)絡(luò)算法[3-4]對(duì)中國(guó)人口做出了分析和預(yù)測(cè)。人工神經(jīng)網(wǎng)絡(luò)（ANN）可以通過(guò)學(xué)習(xí)來(lái)抽取和逼近輸入輸出之間存在的非線性關(guān)系。因此，基于人工神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)方法成為近幾年研究的熱點(diǎn)。目前，主要采用BP神經(jīng)網(wǎng)絡(luò)、局部反饋性神經(jīng)網(wǎng)絡(luò)等。BP神經(jīng)網(wǎng)絡(luò)是人工神經(jīng)網(wǎng)絡(luò)中應(yīng)用最廣泛的算法。

1 BP神經(jīng)網(wǎng)絡(luò)模型

BP神經(jīng)網(wǎng)絡(luò)的輸入與輸出之間是一種高度非線性映射關(guān)系，如果輸入節(jié)點(diǎn)數(shù)是N，輸出節(jié)點(diǎn)數(shù)是M，則網(wǎng)絡(luò)是從N維歐式空間到M 維歐式空間的映射。通過(guò)調(diào)整BP神經(jīng)網(wǎng)絡(luò)的連接權(quán)值和網(wǎng)絡(luò)的規(guī)模（包括N，M和隱層節(jié)點(diǎn)數(shù)），可以以任意精度逼近任何非線性函數(shù)。

BP算法的訓(xùn)練過(guò)程包括輸入信號(hào)的正向傳播和輸出誤差的反向傳播兩個(gè)過(guò)程。BP算法首先進(jìn)行輸入信號(hào)的正向傳播。輸入的樣本首先進(jìn)入網(wǎng)絡(luò)的輸入層，經(jīng)中間隱含層的分析計(jì)算處理后，進(jìn)入輸出層得到樣本訓(xùn)練輸出結(jié)果。如果網(wǎng)絡(luò)最終輸出與網(wǎng)絡(luò)期望輸出值（導(dǎo)師信號(hào)）存在誤差，那么就進(jìn)行誤差的反向傳播。誤差的反向傳播首先將誤差按照一定的學(xué)習(xí)算法整理成相應(yīng)的形式，由隱含層傳播至輸入層，并將誤差分配給各層的所有神經(jīng)元上，從而獲得各層神經(jīng)元的誤差信號(hào)，此誤差信號(hào)即作為修正各神經(jīng)元權(quán)值的依據(jù)。這種權(quán)值修正的過(guò)程，也就是網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練過(guò)程。這種過(guò)程不斷迭代，最后使得誤差信號(hào)達(dá)到允許的范圍內(nèi)。

在BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)前，首先要訓(xùn)練網(wǎng)絡(luò)，通過(guò)訓(xùn)練使網(wǎng)絡(luò)有聯(lián)想記憶和預(yù)測(cè)的能力。具體的步驟如下：

第一步：設(shè)置好已知參數(shù)，包括目標(biāo)輸出、預(yù)期平均誤差、隱含層的數(shù)量與神經(jīng)元個(gè)數(shù)、輸出層的神經(jīng)元個(gè)數(shù)、各層的權(quán)值與閥值等。

第二步：數(shù)據(jù)歸一化。在設(shè)定好各種參數(shù)之后，確定每一樣本的參數(shù)。每一樣本的每個(gè)數(shù)據(jù)作為輸入層神經(jīng)元，所有樣本計(jì)算做為一個(gè)學(xué)習(xí)周期，為了使網(wǎng)絡(luò)能更快地收斂，應(yīng)該將輸入層神經(jīng)元?dú)w一化，即將其按照式（1）轉(zhuǎn)換為（0，1）之間的值，其中x是樣本數(shù)據(jù)。

第三步：確定樣本數(shù)據(jù)之后，通過(guò)每一個(gè)樣本數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行的計(jì)算。計(jì)算時(shí)首先將輸入層神經(jīng)元按照式（2）計(jì)算出隱含層輸入，其中h表示隱含層，k表示第k個(gè)樣本，wih表示第i個(gè)輸入層神經(jīng)元與第h個(gè)隱含層神經(jīng)元之間連接的權(quán)值，bh表示隱含層第h個(gè)神經(jīng)元的閥值。計(jì)算隱含層輸入之后通過(guò)可導(dǎo)函數(shù)（一般選擇sigmond函數(shù)，如式（3）所示，其中x表示隱含層輸入）處理得出隱含層輸出；將第一層隱含層的輸出作為下一隱含層的神經(jīng)元進(jìn)行下一隱含層輸入計(jì)算，在通過(guò)可導(dǎo)函數(shù)處理得出下一層隱含層的輸出如此反復(fù)計(jì)算，直至隱含層全部計(jì)算完；

2 人口預(yù)測(cè)

2.1 數(shù)據(jù)來(lái)源

為了驗(yàn)證神經(jīng)網(wǎng)絡(luò)模型在人口預(yù)測(cè)中的效果，本文采用的我國(guó)人口數(shù)據(jù)均來(lái)自1995 -2012年的《中國(guó)統(tǒng)計(jì)年鑒》，具體數(shù)值如表1所示。我們將數(shù)據(jù)分為兩部分，1995-2008年作為訓(xùn)練樣本，2009-2012年作為測(cè)試樣本。

2.2 BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的確定

如果隱含層神經(jīng)元數(shù)目過(guò)少，網(wǎng)絡(luò)很難識(shí)別樣本，難以完成訓(xùn)練，并且網(wǎng)絡(luò)的容錯(cuò)性也會(huì)降低；如果數(shù)目過(guò)多，則會(huì)增加網(wǎng)絡(luò)的迭代次數(shù)，從而延長(zhǎng)網(wǎng)絡(luò)的訓(xùn)練時(shí)間，同時(shí)也會(huì)降低網(wǎng)絡(luò)的泛化能力，導(dǎo)致預(yù)測(cè)能力下降。在選擇隱含層層數(shù)時(shí)要從網(wǎng)絡(luò)精度和培訓(xùn)時(shí)間上綜合考慮。在具體設(shè)計(jì)時(shí)，首先根據(jù)經(jīng)驗(yàn)公式初步確定隱含層神經(jīng)元個(gè)數(shù)，然后通過(guò)對(duì)不同神經(jīng)元數(shù)的網(wǎng)絡(luò)進(jìn)行訓(xùn)練對(duì)比，再最終確定神經(jīng)元數(shù)。通用的隱含層神經(jīng)元數(shù)的確定經(jīng)驗(yàn)公式有：

其中i為隱含層神經(jīng)元的個(gè)數(shù)，n為輸入層神經(jīng)元的個(gè)數(shù)，m為輸出層神經(jīng)元的個(gè)數(shù)， a為常數(shù)且1

2.3 人口預(yù)測(cè)結(jié)果

由圖2可知，神經(jīng)網(wǎng)絡(luò)很快就訓(xùn)練收斂了。經(jīng)過(guò)多次訓(xùn)練和學(xué)習(xí)，得到BP網(wǎng)絡(luò)的預(yù)測(cè)值。預(yù)測(cè)結(jié)果是2009-2012年人口預(yù)測(cè)數(shù)量分別為：133487，133985，135139，135431.（單位：萬(wàn)人）。

2.4 結(jié)束語(yǔ)

將BP 預(yù)測(cè)值與實(shí)際值做比較， 2009-2012年的相對(duì)誤差為0. 01%、0. 01%、0.3%、0. 009%.

BP 網(wǎng)絡(luò)預(yù)測(cè)結(jié)果表明， 比其他數(shù)學(xué)方法預(yù)測(cè)值更接近實(shí)際值. 這是因?yàn)槲覈?guó)的人口數(shù)量受多種因素的影響，人口的增長(zhǎng)呈非線性局勢(shì)， 而BP 網(wǎng)絡(luò)的優(yōu)點(diǎn)就在于它的非線性趨近性和泛化能力。本文采用自適應(yīng)學(xué)習(xí)速率和附加動(dòng)量法相結(jié)合的方法， 比應(yīng)用單一的方法效果要好很多。BP 網(wǎng)絡(luò)具有它的局限性， 隱含層的設(shè)計(jì)是人為設(shè)定的， 這樣很容易造成誤差。因此， 如何更好的將BP 網(wǎng)絡(luò)與其他神經(jīng)網(wǎng)絡(luò)結(jié)合起來(lái)應(yīng)用于人口預(yù)測(cè)系統(tǒng)， 是我們以后努力的方向。

【參考文獻(xiàn)】

[1]王曉龍，楊廣，張保華.灰色及其改進(jìn)模型在人口預(yù)測(cè)中的應(yīng)用[J].世界科技研究與發(fā)展，2009，31（4）：757-758.

[2]蔣超，楊琳，付敏.中國(guó)人口預(yù)測(cè)的數(shù)學(xué)模型[J].內(nèi)江師范學(xué)院學(xué)報(bào)，2008，3（12）： 33-35.

第8篇：神經(jīng)網(wǎng)絡(luò)的局限性范文

關(guān)鍵詞：航材；采購(gòu)量短期預(yù)測(cè)；BP神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)： TP399 文獻(xiàn)標(biāo)識(shí)碼： 文章編號(hào)：2095-2163（2014）02-

Short-term Forecasting of the Aircraft Entertainment System based on BP Neural Network

HAO Kuang-rong1，2，WU Pei-de1

（1 College of Information Sciences and Technology， Shanghai 201620， China；

2） Engineering Research Center of Digitized Textile & Fashion Technology， Ministry of Education

Donghua University， Shanghai 201620， China）

Abstract：This paper points out the limitation of traditional aviation material procurement decision behavior， the study of aviation material procurement BP model of neural network for short-term forecasting method based on the BP neural network model， BP neural network model is applied to the study of aviation material procurement short-term forecast， and according to the historical data based on BP neural network forms the training forecasting model of the airplane entertainment system procurement quantity .To elucidate the neural network can provide the more information and supporting in decision-making， and implementation of the purchase quality of scientization. Furtherly， the forecasting result shows of aviation material procurement short-term forecasting based on neural network is an effective method， the theory and method of centralized procurement and provide the reference for civil aviation.

Key words： Air Material Procurement； Forecasting； BP Neural Network

0 引言

2012年羅蘭貝格診斷報(bào)告顯示，航空公司航材資產(chǎn)積壓嚴(yán)重，周轉(zhuǎn)速率明顯偏慢，與這一情況相對(duì)應(yīng)的卻是航材保留故障百條上下的保障力度。

我國(guó)航材部門對(duì)航材采購(gòu)方式的重視力度普遍不夠，只滿足于慣有傳統(tǒng)模式，且未缺乏主動(dòng)創(chuàng)新和改革，也缺乏科學(xué)理論和方法的采購(gòu)決策，同時(shí)還易受主觀因素等條件的影響，由此即增加了公司運(yùn)營(yíng)的不穩(wěn)定性，這種不穩(wěn)定性帶來(lái)的延遲后果會(huì)束縛航空公司相關(guān)航材采購(gòu)部門的需求預(yù)測(cè)，繼而帶來(lái)后續(xù)航材的供需矛盾。因此，尋找可行的科學(xué)理論方法來(lái)保證航空公司航材的采購(gòu)決策穩(wěn)定性就成為開展研究的現(xiàn)實(shí)關(guān)鍵。

本文針對(duì)航材采購(gòu)量的預(yù)測(cè)方法應(yīng)用進(jìn)行分析，并基于客觀研究?jī)?nèi)容提出具體分析策略。同時(shí)對(duì)相關(guān)環(huán)節(jié)進(jìn)行分析，擬在建立 BP 神經(jīng)網(wǎng)絡(luò)模型[1]的基礎(chǔ)上，利用統(tǒng)計(jì)分析航材中的飛機(jī)娛樂(lè)系統(tǒng)為實(shí)際采購(gòu)分析案例，將 BP神經(jīng)網(wǎng)絡(luò)模型運(yùn)用到此項(xiàng)航材采購(gòu)的需求預(yù)測(cè)中來(lái)，進(jìn)一步分析其在實(shí)際預(yù)測(cè)中的穩(wěn)定性和可靠性。本文即以FD航空公司航材采購(gòu)部門為主體，在采購(gòu)決策過(guò)程中，提供更多的數(shù)據(jù)采購(gòu)的支持信息，由此獲取科學(xué)化的航材采購(gòu)質(zhì)量管理，滿足航材采購(gòu)部門對(duì)機(jī)娛樂(lè)系統(tǒng)的供應(yīng)需要，實(shí)現(xiàn)航材資源優(yōu)化配置，為民航相應(yīng)航材采購(gòu)量短期預(yù)測(cè)的理論和方法提供借鑒和參考。

1 BP 神經(jīng)網(wǎng)絡(luò)在航材采購(gòu)量短期預(yù)測(cè)中的應(yīng)用

1.1航材采購(gòu)量預(yù)測(cè)模型數(shù)據(jù)的選擇

BP 神經(jīng)網(wǎng)絡(luò)主要可分為時(shí)間序列和回歸分析兩種預(yù)測(cè)研究模式。本文將應(yīng)用時(shí)間序列的預(yù)測(cè)模式，一次實(shí)現(xiàn)預(yù)測(cè)模型的建立。其中的研究對(duì)象選用了航材月度采購(gòu)量，并以航材（本文中的航材數(shù)據(jù)具體為thales IFE A330飛機(jī)娛樂(lè)設(shè)備）月度采購(gòu)量預(yù)測(cè)作為案例研究模型。本文所應(yīng)用的時(shí)間序列預(yù)測(cè)模式，是以時(shí)間序列的前面幾期航材采購(gòu)量來(lái)預(yù)測(cè)稍后一期的航材采購(gòu)量的假設(shè)形式來(lái)實(shí)現(xiàn)和開展的，同時(shí)也將以此作為建立神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的數(shù)據(jù)關(guān)系。

本文的相關(guān)數(shù)據(jù)選取了 thales IFE a330 飛機(jī)娛樂(lè)系統(tǒng)2012 年9 月至 2013 年 12 月期間的采購(gòu)量數(shù)據(jù)，這16個(gè)月的采購(gòu)量即為訓(xùn)練樣本。其中，2012 年 9月-2013 年8月連續(xù) 12 月的數(shù)據(jù)是用作檢驗(yàn)樣本，2013年9 月 -2013 年 12月連續(xù)4月的數(shù)據(jù)則為預(yù)測(cè)樣本。本文建模對(duì)象及數(shù)據(jù)即可如表 1所示。

1.2航材采購(gòu)量短期預(yù)測(cè)模型的建立

1.2.1 構(gòu)造 BP 網(wǎng)絡(luò)的基本步驟[1-2]

（1）首先確定 BP 網(wǎng)絡(luò)的輸入向量、輸出向量的維數(shù)、隱含層數(shù)及節(jié)點(diǎn)數(shù) ；

（2）確立隱含層傳遞函數(shù)和輸出層的傳遞函數(shù)關(guān)系；

（3）把網(wǎng)絡(luò)學(xué)習(xí)樣本劃分為學(xué)習(xí)階段和驗(yàn)證階段 ；

（4）整合學(xué)習(xí)階段時(shí)間序列，并將其誤差平方和達(dá)到最?。?/p>

（5）通過(guò)驗(yàn)證階段數(shù)據(jù)的檢驗(yàn)，將訓(xùn)練完成的網(wǎng)絡(luò)模型對(duì)未來(lái)需求進(jìn)行數(shù)據(jù)預(yù)測(cè)。

2.2.2 航材采購(gòu)量神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的實(shí)現(xiàn)與實(shí)證檢驗(yàn)

2013年9 月 -2013 年 12月連續(xù)4月的數(shù)據(jù)為預(yù)測(cè)樣本。模型的輸入層神經(jīng)節(jié)點(diǎn)數(shù)為 12，輸出層節(jié)點(diǎn)數(shù)為 1 ；設(shè)定的隱層節(jié)點(diǎn)數(shù)為 10，目標(biāo)誤差為0.01，學(xué)習(xí)率設(shè)置為0.1， 經(jīng)過(guò) BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型設(shè)計(jì)過(guò)程，最終可以確定本文實(shí)證部分采用基于 BP 神經(jīng)網(wǎng)絡(luò)的模型結(jié)構(gòu)為包含一個(gè)隱含層的三層 BP 神經(jīng)網(wǎng)絡(luò)架構(gòu)，其中輸入層、隱含層、輸出層的神經(jīng)元節(jié)點(diǎn)數(shù)分別為 12、10、1；誤差函數(shù)為均方誤差 MSE（Mean SquaredError）；訓(xùn)練算法采用的是基于 L-M（Levenberg-Marquardt）的 BP 算法；最大迭代次數(shù)為 2 000 次，目標(biāo)誤差為 0.01，學(xué)習(xí)率為 0.1。將10.6” G4 SVDU SB 屏幕顯示器的訓(xùn)練樣本數(shù)據(jù)代入模型進(jìn)行訓(xùn)練，可得訓(xùn)練結(jié)果圖1所示。

圖1訓(xùn)練結(jié)果圖

Fig. 1 the training results

經(jīng)過(guò) 16次迭代之后達(dá)到了指定精度，誤差為 0.009 79。圖 2 為誤差變化圖，顯而易見(jiàn)，隨著迭代次數(shù)的增加，誤差在不斷下降。最終在第 16次迭代時(shí)，得到了符合目標(biāo)要求的誤差精度，訓(xùn)練過(guò)程終止。

圖2 誤差變化圖

Fig. 2 the variation of error

2 試驗(yàn)結(jié)果分析

2.1 各樣本分析

由表 2中可以看出，2號(hào)和3號(hào)樣本的數(shù)據(jù)訓(xùn)練達(dá)到了目標(biāo)誤差而結(jié)束；2號(hào)、4號(hào)的最終誤差大于目標(biāo)誤差，這2個(gè)樣本的最終誤差與目標(biāo)誤差在數(shù)量級(jí)上沒(méi)有差別，數(shù)值上也比較接近，且對(duì)訓(xùn)練樣本的擬合效果較好，因此本文在此處也接受這2個(gè)樣本的訓(xùn)練結(jié)果，認(rèn)可其最終誤差的水平。

3.2 試驗(yàn)結(jié)果分析

將10.6” G4 SVDU SB 屏幕顯示器的訓(xùn)練樣本數(shù)據(jù)代入模型進(jìn)行訓(xùn)練由2012 年 9月-2013 年8月連續(xù) 12 月的數(shù)據(jù)做檢驗(yàn)樣本P，2013年9 月 -2013 年 12月連續(xù)4月的數(shù)據(jù)為預(yù)測(cè)樣本。測(cè)試程序如下 ：

a=sim（net，pn）；

[a]=postmnmx（a，mint，maxt）；

error=[a]-t，。

誤 差 為error

= -3.7847 3.1239 2.5506 -1.0172 1.7613 2.0213 0.5645 0.9944 4.7235 -0.0271 -0.4051 0.1386。

誤差均在可接受的范圍內(nèi)，認(rèn)可數(shù)據(jù)已得到很好的訓(xùn)練，具備較好的仿真能力。真實(shí)值與預(yù)測(cè)值如圖3所示。

圖3 預(yù)測(cè)值與實(shí)際值的比較

Fig 3 Comparison of the predicted and actual values

由圖3可知，預(yù)測(cè)模型在大多數(shù)檢驗(yàn)樣本點(diǎn)上保持了較好的仿真水平，檢驗(yàn)結(jié)果較優(yōu)，通過(guò)檢驗(yàn)。

2.3預(yù)測(cè)結(jié)果分析

實(shí)際3號(hào)樣本采購(gòu)量與實(shí)證檢驗(yàn)建立模型后所得到的預(yù)測(cè)結(jié)果進(jìn)行比較，結(jié)果如表 3所示。

從表 3 中可以看出，9月樣本為18.89%，其余月份BP 神經(jīng)網(wǎng)絡(luò)模型對(duì)于3號(hào)樣本采購(gòu)量的預(yù)測(cè)誤差率大多在 10% 以下，主要原因?yàn)?，其與前后一天的采購(gòu)量水平，仿真值與真實(shí)數(shù)值之間出現(xiàn)的差異較大，導(dǎo)致了誤差突增。由數(shù)值統(tǒng)計(jì)得到的數(shù)值可知， 在預(yù)測(cè)模型中的12個(gè)檢驗(yàn)樣本點(diǎn)中，大多數(shù)的檢驗(yàn)樣本點(diǎn)達(dá)到了較好的仿真水平。通過(guò)上述試驗(yàn)結(jié)果，可以很好地預(yù)測(cè)一個(gè)月或幾個(gè)月內(nèi)短期的fd航空公司航材娛樂(lè)系統(tǒng)的采購(gòu)量，公司可以根據(jù)預(yù)測(cè)結(jié)果指定航班運(yùn)行計(jì)劃，并完成航材采購(gòu)等工作，為提高企業(yè)的運(yùn)作效率，使航材的利用率和庫(kù)存量均能得到良好的運(yùn)行和保障提供了相應(yīng)的技術(shù)基礎(chǔ)和依據(jù)。

4 結(jié)束語(yǔ)

本文通過(guò)基于BP神經(jīng)網(wǎng)絡(luò)對(duì)機(jī)娛樂(lè)系統(tǒng)中航材采購(gòu)量的預(yù)測(cè)應(yīng)用實(shí)現(xiàn)了模擬仿真，并達(dá)到較高精度水平的預(yù)測(cè)，為航空公司航材采購(gòu)的短期預(yù)測(cè)提供了一套高效實(shí)用的理論工具和方法，并對(duì)于航材的需求變化規(guī)律的發(fā)現(xiàn)和探索起到一定的積極作用。但與此同時(shí)，本文所建立的BP人工神經(jīng)網(wǎng)絡(luò)的短期預(yù)測(cè)模型在進(jìn)行實(shí)證預(yù)測(cè)時(shí)也出現(xiàn)了一些問(wèn)題，如預(yù)測(cè)時(shí)間的局限性、預(yù)測(cè)數(shù)值時(shí)高時(shí)低，個(gè)別的預(yù)測(cè)值相對(duì)誤差較大等問(wèn)題。上述的這些問(wèn)題將有待于針對(duì)BP神經(jīng)網(wǎng)絡(luò)的理論和研究在未來(lái)取得進(jìn)一步的發(fā)展，從而得到改進(jìn)和解決。

參考文獻(xiàn)：

[1] 王慶斌.航材需求預(yù)測(cè)的研究[J]. SCIENCE & TECHNOLOGY INFORMATION科技信息，2013年（1）.

[2] 劉衛(wèi)紅 ， 崔振霞 .基于 BP 神經(jīng)網(wǎng)絡(luò)的藥品采購(gòu)資金管理研究 [J]. 中國(guó)鄉(xiāng)鎮(zhèn)企業(yè)會(huì)計(jì) ， 2012， 20（1）： 70-71.

[3]白斌飛.基于神經(jīng)網(wǎng)絡(luò)理論的線性時(shí)間序列預(yù)測(cè)研究[D].成都：西南交通大學(xué)，2005.

[4]程剛，張，汪壽陽(yáng). 原油期貨價(jià)格對(duì)現(xiàn)貨價(jià)格的預(yù)測(cè)準(zhǔn)確性分析[J]. 系統(tǒng)工程理論與實(shí)踐，2009（8）：12-18.

第9篇：神經(jīng)網(wǎng)絡(luò)的局限性范文

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

中圖分類號(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、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.