神經(jīng)網(wǎng)絡(luò)的思想精選(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)的思想主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：神經(jīng)網(wǎng)絡(luò)的思想范文

【關(guān)鍵詞】攔渣壩； BP神經(jīng)網(wǎng)絡(luò)；小波神經(jīng)網(wǎng)絡(luò)

0 前言

為了確保各種大型工程在施工和生產(chǎn)運(yùn)行中會(huì)產(chǎn)生大量的棄土、棄石等廢棄固體物質(zhì)的安全放置，必須建立合適的攔渣壩。但是，隨著攔渣壩運(yùn)行時(shí)間的推移，攔渣壩運(yùn)行的各種條件（如結(jié)構(gòu)、基礎(chǔ)、環(huán)境等）逐漸發(fā)生變化，使得壩體材料老化變質(zhì)、壩體結(jié)構(gòu)性能衰減甚至惡化等影響其安全運(yùn)行，這樣有可能嚴(yán)重的威脅著周邊人民的生命和財(cái)產(chǎn)安全，這在在國(guó)內(nèi)外均有著深刻教訓(xùn)。因此，必須對(duì)攔渣壩進(jìn)行安全監(jiān)測(cè)，建立正確有效的變形預(yù)測(cè)模型，科學(xué)地分析和預(yù)測(cè)攔渣壩的變形，及時(shí)發(fā)現(xiàn)存在的安全隱患，制定合理的防治措施，以確保攔渣壩的安全運(yùn)行。

由于各種條件和環(huán)境的復(fù)雜性，使得攔渣壩變形的影響因素存在多樣性，利用單一的理論方法來(lái)對(duì)工程變形進(jìn)行預(yù)測(cè)，其變形的大小是難以準(zhǔn)確預(yù)測(cè)的。將多種理論和方法進(jìn)行有機(jī)結(jié)合，建立一種方法預(yù)測(cè)工程變形的大小是一種有效的途徑。本文基于這樣的思想，將小波分析與神經(jīng)網(wǎng)絡(luò)有機(jī)結(jié)合的小波神經(jīng)網(wǎng)絡(luò)應(yīng)用于攔渣壩工程實(shí)例，對(duì)其變形分析研究。

1 小波神經(jīng)網(wǎng)絡(luò)

小波神經(jīng)網(wǎng)絡(luò)是將小波分析與人工神經(jīng)網(wǎng)絡(luò)有機(jī)結(jié)合的產(chǎn)物。其基本思想是用小波元代替神經(jīng)元，用已定位的小波函數(shù)代替Sigmoid函數(shù)作為激活函數(shù)，然后通過(guò)仿射變換建立起小波變換與神經(jīng)網(wǎng)絡(luò)系數(shù)之間的連接，形成的新模型具有較強(qiáng)的網(wǎng)絡(luò)逼近能力和容錯(cuò)能力。

目前，將小波分析與人工神經(jīng)網(wǎng)絡(luò)的結(jié)合主要有下面兩種方式：松散性結(jié)合，即將小波分析與人工神經(jīng)網(wǎng)絡(luò)進(jìn)行輔助式結(jié)合；緊致性結(jié)合，即將小波和神經(jīng)網(wǎng)絡(luò)直接融合的一種方式， 它主要是把小波元代替神經(jīng)元，將相應(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)的尺度與平移參數(shù)所代替。其中緊致性結(jié)合方式也是當(dāng)前研究小波神經(jīng)網(wǎng)絡(luò)模型最主要的結(jié)構(gòu)形式。

小波神經(jīng)網(wǎng)絡(luò)是在小波分析的基礎(chǔ)上提出的前饋型神經(jīng)網(wǎng)絡(luò)。小波神經(jīng)網(wǎng)絡(luò)激活函數(shù)是具有良好時(shí)頻局域化性質(zhì)的小波基函數(shù)。設(shè)小波神經(jīng)網(wǎng)絡(luò)有m（m=1，2，…，m）個(gè)輸入節(jié)點(diǎn)、N（N=1，2，…，N）個(gè)輸出層、n（n=1，2，…，n）個(gè)隱含層節(jié)點(diǎn)。并設(shè)xk為輸入層的第k個(gè)輸入樣本，yi為輸入層的第i個(gè)輸出值，wij為連接輸出層節(jié)點(diǎn)i和隱含層節(jié)點(diǎn)j的權(quán)值，wjk為連接隱含層節(jié)點(diǎn)j和輸入層節(jié)點(diǎn)k的權(quán)值。約定wi0是第j個(gè)輸出層節(jié)點(diǎn)閾值，wj0是第j個(gè)隱含層節(jié)點(diǎn)閾值，aj和bj分別為第j個(gè)隱含層節(jié)點(diǎn)的伸縮和平移因子，則小波神經(jīng)網(wǎng)絡(luò)模型可以表示為：

2 工程實(shí)例應(yīng)用

國(guó)家某重點(diǎn)高速公路第B4合同段內(nèi)某攔渣壩，其壩體為混凝土重力壩，長(zhǎng)約122米，高約30米，攔渣壩上面（上游）是巨大的高速路高填方路基，這在國(guó)內(nèi)是比較罕見(jiàn)的，而下游是梅西河。本攔渣壩主要是為了防止高速路隧道挖方土回填的高填方路基滑動(dòng)和垮塌發(fā)生危險(xiǎn)，從而對(duì)高速路的運(yùn)行和梅溪河的通航造成不必要的影響。通過(guò)對(duì)攔渣壩體上S5號(hào)點(diǎn)上的沉降監(jiān)測(cè)數(shù)據(jù)分析，建立變形預(yù)測(cè)的小波神經(jīng)網(wǎng)絡(luò)模型。將從2008年9月28日到2009年11月5日共11期數(shù)據(jù)作為學(xué)習(xí)樣本對(duì)攔渣壩小波神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和學(xué)習(xí)。對(duì)S5號(hào)從2010年2月1日到2010年12月29日共5期數(shù)據(jù)進(jìn)行預(yù)測(cè)。

通過(guò)對(duì)混凝土壩的研究和本攔渣壩功能作用的分析，可知影響本攔渣壩沉降變化的因素主要有：溫度、土壓力、時(shí)效。其中取4個(gè)溫度因子，分別為C、C5、C15、C30（Ci為自觀測(cè)日起前i天的平均氣溫）；土壓力因子1個(gè)（為S5號(hào)點(diǎn)附近土壓力盒的每期平均計(jì)算壓力）；時(shí)效因子2個(gè)，分別為T、InT（T為觀測(cè)日到起算日的累計(jì)天數(shù)除以100）。故輸入層節(jié)點(diǎn)數(shù)為7個(gè)。而輸出層節(jié)點(diǎn)數(shù)為1個(gè)，即為觀測(cè)點(diǎn)S5每次垂直方向的累計(jì)沉降量。先用經(jīng)驗(yàn)公式確定一個(gè)初始節(jié)點(diǎn)數(shù)，然后進(jìn)行試驗(yàn)訓(xùn)練，當(dāng)隱含層節(jié)點(diǎn)數(shù)為13時(shí)網(wǎng)絡(luò)訓(xùn)練最為合適，所以采用7-13-1的結(jié)構(gòu)形式的小波神經(jīng)網(wǎng)絡(luò)模型。通過(guò)對(duì)不同小波函數(shù)的試驗(yàn)訓(xùn)練，多次計(jì)算表明，當(dāng)選用Morlet小波函數(shù)時(shí)網(wǎng)絡(luò)的總體性能較好。利用Matlab7.1語(yǔ)言編制相應(yīng)的網(wǎng)絡(luò)模型程序進(jìn)行計(jì)算。

為了充分的分析小波神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效果，本文中也采用相同結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)對(duì)攔渣壩監(jiān)測(cè)數(shù)據(jù)進(jìn)行訓(xùn)練、預(yù)測(cè)。在本實(shí)例中，設(shè)兩種模型的收斂誤差都取0.0001。訓(xùn)練結(jié)果表明，兩種模型的收斂速度都比較快，BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練了25次就低于誤差限差；而小波神經(jīng)網(wǎng)絡(luò)只訓(xùn)練了5次就低于誤差限差0.0001，總體上小波神經(jīng)網(wǎng)絡(luò)比BP網(wǎng)絡(luò)精度高。小波神經(jīng)網(wǎng)絡(luò)訓(xùn)練與BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練擬合殘差系統(tǒng)比較結(jié)果如表1。

從預(yù)測(cè)結(jié)果對(duì)比分析表可以看出，小波神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)對(duì)攔渣壩變形預(yù)測(cè)的預(yù)測(cè)殘差絕對(duì)值在一個(gè)數(shù)量級(jí)上，但是WNN網(wǎng)絡(luò)的預(yù)測(cè)殘差值總體上明顯小于BP神經(jīng)網(wǎng)絡(luò)。小波神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)值與BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)值相比較更加接近于實(shí)際值，WNN預(yù)測(cè)結(jié)果好于BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果，其預(yù)測(cè)優(yōu)越性是顯而易見(jiàn)的。

3 小結(jié)

本文通過(guò)對(duì)小波神經(jīng)網(wǎng)絡(luò)模型的研究，建立了攔渣壩變形預(yù)測(cè)的小波神經(jīng)網(wǎng)絡(luò)模型。通過(guò)對(duì)WNN網(wǎng)絡(luò)模型和BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練擬合結(jié)果與預(yù)測(cè)結(jié)果的對(duì)比分析，可以看出小波神經(jīng)網(wǎng)絡(luò)模型在攔渣壩變形預(yù)測(cè)中的收斂性和精度比BP神經(jīng)網(wǎng)絡(luò)好，對(duì)攔渣壩的變形預(yù)測(cè)研究有一定的參考應(yīng)用價(jià)值。

【參考文獻(xiàn)】

第2篇：神經(jīng)網(wǎng)絡(luò)的思想范文

關(guān)鍵詞：建設(shè)項(xiàng)目；集成管理；績(jī)效評(píng)價(jià)；信息熵；改進(jìn)BP神經(jīng)網(wǎng)絡(luò)

1.引言

目前我國(guó)的建設(shè)項(xiàng)目管理水平和國(guó)際先進(jìn)水平比較，還存在著較大的差距，尤其在工程項(xiàng)目的集成管理方面。項(xiàng)目集成管理的思想：要充分正視和考慮項(xiàng)目控制的目標(biāo)（工期、質(zhì)量和成本）的系統(tǒng)性特點(diǎn)，在控制過(guò)程中，始終將其作為一個(gè)系統(tǒng)來(lái)對(duì)待，而不是人為地割裂目標(biāo)間的相互聯(lián)系和相互作用[1]。因此，科學(xué)地對(duì)建設(shè)項(xiàng)目集成管理進(jìn)行績(jī)效評(píng)價(jià)能夠從系統(tǒng)角度對(duì)建設(shè)項(xiàng)目的各個(gè)環(huán)節(jié)進(jìn)行改進(jìn)。

E.Chown提出了通過(guò)使用任務(wù)過(guò)程系統(tǒng)化的集成數(shù)據(jù)庫(kù)，將項(xiàng)目的任務(wù)、材料、設(shè)備、操作者的戰(zhàn)略性日程綜合起來(lái)，使資源的分配和控制十分有效[2]。Glenn Ballard介紹了在高速鐵路建設(shè)項(xiàng)目中將項(xiàng)目管理技術(shù)，業(yè)務(wù)流程和組織集成起來(lái)構(gòu)成項(xiàng)目管理集成系統(tǒng)[3]。JaafariA提出了基于全壽命期目標(biāo)的一般項(xiàng)目管理模型，以此將整個(gè)項(xiàng)目的過(guò)程集成起來(lái)。郭勇把人工神經(jīng)網(wǎng)絡(luò)應(yīng)用在績(jī)效評(píng)價(jià)中，首先對(duì)單個(gè)指標(biāo)質(zhì)量、成本、進(jìn)度進(jìn)行研究并建立模型，然后運(yùn)用人工神經(jīng)網(wǎng)絡(luò)對(duì)建立的模型進(jìn)行綜合評(píng)價(jià)[4]；劉劼把供應(yīng)鏈的思想應(yīng)用到集成管理績(jī)效評(píng)價(jià)中，建立了基于層次分析法的模糊綜合評(píng)價(jià)模型，并對(duì)構(gòu)建的建設(shè)項(xiàng)目集成管理績(jī)效評(píng)價(jià)體系的戰(zhàn)略層、執(zhí)行層和結(jié)果層等方面的高效性和及時(shí)性進(jìn)行評(píng)價(jià)[5]；劉洪海提出了建設(shè)項(xiàng)目集成管理系統(tǒng)績(jī)效是由目標(biāo)系統(tǒng)要素、業(yè)務(wù)過(guò)程系統(tǒng)結(jié)構(gòu)、信息系統(tǒng)環(huán)境等決定的，同時(shí)通過(guò)“三維系統(tǒng)”模型，分析了建設(shè)項(xiàng)目集成管理績(jī)效模糊綜合評(píng)價(jià)方法[6]。

傳統(tǒng)的項(xiàng)目績(jī)效評(píng)價(jià)關(guān)注項(xiàng)目?jī)?nèi)部評(píng)估，不重視子項(xiàng)目與外部利益相關(guān)者的關(guān)系且多采用財(cái)務(wù)數(shù)據(jù)，不能反映企業(yè)整體的運(yùn)營(yíng)狀況。本文首先從項(xiàng)目集成管理的角度出發(fā)，構(gòu)建建設(shè)項(xiàng)目集成管理績(jī)效評(píng)價(jià)指標(biāo)體系，然后對(duì)傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)，最后通過(guò)案例驗(yàn)證方法的有效性。

2.構(gòu)建建設(shè)項(xiàng)目集成管理績(jī)效評(píng)價(jià)指標(biāo)體系

在建設(shè)項(xiàng)目集成管理績(jī)效評(píng)價(jià)中，借鑒供應(yīng)鏈管理的思想，對(duì)建設(shè)項(xiàng)目建立的全部過(guò)程按照供應(yīng)鏈管理的思想進(jìn)行管理與規(guī)劃[7-9]。首先，在設(shè)立評(píng)價(jià)指標(biāo)時(shí)，除了對(duì)企業(yè)內(nèi)部運(yùn)作的基本評(píng)價(jià)外，還要把注意力放在供應(yīng)鏈的測(cè)控上，以保證內(nèi)外在績(jī)效上達(dá)到一致，使供應(yīng)鏈評(píng)價(jià)指標(biāo)更加集成化；其次，注重指標(biāo)之間的平衡，做到非財(cái)務(wù)指標(biāo)和財(cái)務(wù)指標(biāo)并重，關(guān)注供應(yīng)鏈的長(zhǎng)期發(fā)展和短期利潤(rùn)的有效組合，實(shí)現(xiàn)兩個(gè)目標(biāo)之間的有效傳遞。建設(shè)項(xiàng)目供應(yīng)鏈?zhǔn)且越ㄔO(shè)項(xiàng)目為核心，圍繞核心企業(yè)（項(xiàng)目公司），通過(guò)對(duì)信息流、物流、資金流進(jìn)行控制，所以在此選取項(xiàng)目公司作為核心企業(yè)建立評(píng)價(jià)指標(biāo)體系如表1所示。

3.BP神經(jīng)網(wǎng)絡(luò)算法的改進(jìn)

3.1BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法

誤差反傳前饋網(wǎng)絡(luò)（Back-Propagation）[48-51]是典型的前饋網(wǎng)絡(luò)，其算法的基本思想是：誤差逆?zhèn)鞑ド窠?jīng)網(wǎng)絡(luò)是一種具有三層或三層以上的階層神經(jīng)網(wǎng)絡(luò)[10-11]。典型的BP網(wǎng)絡(luò)

是三層，即：輸入層、隱含層和輸出層，經(jīng)典三層BP算法的學(xué)習(xí)過(guò)程如下所示：

4.3網(wǎng)絡(luò)構(gòu)造、訓(xùn)練及檢驗(yàn)

構(gòu)建建設(shè)項(xiàng)目集成管理的三層前饋網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò)模型，影響建設(shè)項(xiàng)目集成管理績(jī)效的26個(gè)因素作為輸入層的26個(gè)節(jié)點(diǎn)，隱含層取30個(gè)節(jié)點(diǎn)。隱含層的傳遞函數(shù)為雙曲正切S形函數(shù)。此改進(jìn)BP網(wǎng)絡(luò)的輸出層節(jié)點(diǎn)數(shù)為1，輸出層的傳遞函數(shù)為線性函數(shù)。網(wǎng)絡(luò)訓(xùn)練時(shí)性能函數(shù)為誤差平方和SSE，初始化各層的連接權(quán)矩陣為0矩陣，網(wǎng)絡(luò)訓(xùn)練時(shí)的最大步長(zhǎng)為100000，網(wǎng)絡(luò)性能目標(biāo)（SSE）設(shè)為10-6，學(xué)習(xí)速率為0.01，動(dòng)量常數(shù)為0.9，每次梯度動(dòng)量下降步長(zhǎng) 為1.2。依據(jù)以上參數(shù)，將26個(gè)集成項(xiàng)目的前20組數(shù)據(jù)作為訓(xùn)練子集，后6組數(shù)據(jù)作為檢驗(yàn)子集，應(yīng)用改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)對(duì)標(biāo)準(zhǔn)化后的數(shù)據(jù)進(jìn)行訓(xùn)練學(xué)習(xí)，得到最好的梯度下降圖，如圖1所示，該網(wǎng)絡(luò)經(jīng)過(guò)596次訓(xùn)練達(dá)到精度要求，說(shuō)明在收斂方面有很好的效果。

為了檢驗(yàn)建立的三層BP網(wǎng)絡(luò)和傳統(tǒng)的BP網(wǎng)絡(luò)對(duì)建設(shè)項(xiàng)目集成管理績(jī)效評(píng)價(jià)的準(zhǔn)確性，利用檢驗(yàn)子集對(duì)改進(jìn)的BP網(wǎng)絡(luò)和傳統(tǒng)的BP網(wǎng)絡(luò)分別進(jìn)行仿真實(shí)驗(yàn)。輸出結(jié)果如表3所示。

改進(jìn)的BP網(wǎng)絡(luò)在收斂程度上，由于梯度動(dòng)量下降步長(zhǎng)的存在，收斂圖明顯有下降的趨勢(shì)，而且每次下降呈增加的趨勢(shì)；同時(shí)，梯度下降步長(zhǎng) 克服了傳統(tǒng)BP網(wǎng)絡(luò)容易形成局部最優(yōu)而達(dá)不到全局最優(yōu)的弊端。在檢驗(yàn)方面，由改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)得出的訓(xùn)練結(jié)果明顯好于傳統(tǒng)BP網(wǎng)絡(luò)所得出的訓(xùn)練結(jié)果，并且誤差明顯小于傳統(tǒng)BP網(wǎng)絡(luò)的誤差。由此可知，基于改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)對(duì)建設(shè)項(xiàng)目集成管理的績(jī)效評(píng)價(jià)是可行的、準(zhǔn)確的和有效的。

5.結(jié)論

本文首先將集成管理思想融入到建設(shè)項(xiàng)目的績(jī)效評(píng)價(jià)中，建立了建設(shè)項(xiàng)目集成管理績(jī)效評(píng)價(jià)指標(biāo)體系，然后針對(duì)BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行改進(jìn)，并在對(duì)實(shí)際建設(shè)項(xiàng)目進(jìn)行調(diào)查的基礎(chǔ)上，應(yīng)用信息熵對(duì)建設(shè)項(xiàng)目集成管理績(jī)效評(píng)價(jià)指標(biāo)體系進(jìn)行約簡(jiǎn)，得出更符合企業(yè)實(shí)際的建設(shè)項(xiàng)目集成管理績(jī)效評(píng)價(jià)指標(biāo)體系，最后運(yùn)用改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)模型對(duì)建設(shè)項(xiàng)目集成管理績(jī)效進(jìn)行綜合評(píng)價(jià)，驗(yàn)證了該方法的有效性和科學(xué)性，為建設(shè)項(xiàng)目集成管理績(jī)效評(píng)價(jià)的研究提供一種新的可操作性方法。

參考文獻(xiàn)

[1] 戚安邦.建設(shè)項(xiàng)目全面造價(jià)管理[M].南開(kāi)大學(xué)出版社，2000

[2] E.Chown，K .Mohamed.Integrated Construction Activity Cost System.AACE International. Transactions of the Annual Meeting 43’d Annual Meeting of RACE International.l 999：568～574

[3] Glenn Ballard， Managing work flow on design projects： a case study， Engineering Construction and Architectural Management， Volume 9 Issue 3， June 2002

[4] A. Jaafari， K .Manivong. Synthesis of A Model for Life-cycle Project Management[J].Computer-aided Civil and Infrastructure Engineering.2000，15 （1） 26 ～38

[5] 劉頡.建設(shè)項(xiàng)目集成管理績(jī)效評(píng)價(jià)理論與方法研究[D].武漢.武漢理工大學(xué)，2006

[6] 劉洪海.建設(shè)項(xiàng)目目標(biāo)控制系統(tǒng)集成管理研究[D].武漢.武漢理工大學(xué)，2006

[7] 何曙光、齊二石、.面向工程建設(shè)的現(xiàn)代集成管理系統(tǒng)研究[J].計(jì)算機(jī)集成制造系統(tǒng)，2002（4）：330-332

[8] 強(qiáng)茂山、楊亮、鄧煥彬.高速公路建設(shè)項(xiàng)目集成化管理評(píng)價(jià)體系[J].清華大學(xué)學(xué)報(bào)（自然科學(xué)版），2010，50（9 ）：1369-1373

[9] 吳育華、王鳳鳴.超大型工程建設(shè)項(xiàng)目集成管理研究[J]河北工程大學(xué)學(xué)報(bào)：社會(huì)科學(xué)版，2008.25（3）：1-2.

[10] 韓力群.人工神經(jīng)網(wǎng)絡(luò)理論、設(shè)計(jì)及應(yīng)用[M].北京.化學(xué)工業(yè)出版社，2002.6

第3篇：神經(jīng)網(wǎng)絡(luò)的思想范文

[關(guān)鍵詞]BP神經(jīng)網(wǎng)絡(luò) 水資源系統(tǒng) 評(píng)價(jià)指標(biāo)

中圖分類號(hào)：TV213.4 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-914X（2015）04-0361-01

1、神經(jīng)網(wǎng)絡(luò)和BP學(xué)習(xí)算法

人工神經(jīng)網(wǎng)絡(luò)是模擬人腦的一些基本特性，因其具有大規(guī)模并行處理、分布式儲(chǔ)存、自適應(yīng)性、自組織性及很強(qiáng)的學(xué)習(xí)、聯(lián)想、容錯(cuò)及抗干擾能力等優(yōu)點(diǎn)而被廣泛應(yīng)用。人工神經(jīng)網(wǎng)絡(luò)有眾多的模型，在眾多的神經(jīng)網(wǎng)絡(luò)模型中，原理最簡(jiǎn)單，應(yīng)用最廣泛的是基于誤差反向傳播算法的BP神經(jīng)網(wǎng)絡(luò)模型。

BP神經(jīng)網(wǎng)絡(luò)由一個(gè)輸入層、一個(gè)輸出層和一個(gè)或多個(gè)隱含層組成。每一層都包含若干個(gè)神經(jīng)元，神經(jīng)元是一個(gè)多輸入單輸出的信息處理單元，且它對(duì)信息的處理是非線性的。神經(jīng)元之間通過(guò)權(quán)重連接，但同層的神經(jīng)元之間沒(méi)有聯(lián)系。BP神經(jīng)網(wǎng)絡(luò)的主要思想是根據(jù)樣本的希望輸出與實(shí)際輸出的平方誤差E，利用梯度下降法，求使E達(dá)到最小的網(wǎng)絡(luò)權(quán)系數(shù)。

2、水質(zhì)評(píng)價(jià)的BP神經(jīng)網(wǎng)絡(luò)模型

現(xiàn)用BP網(wǎng)絡(luò)方法模擬某個(gè)樣本水質(zhì)評(píng)價(jià)因子和水質(zhì)級(jí)別間的非線性關(guān)系，對(duì)該樣本水質(zhì)量進(jìn)行評(píng)價(jià)，為水資源的合理保護(hù)與利用提供依據(jù)。

2.1 基本思想

水質(zhì)評(píng)價(jià)是一個(gè)非線性較為復(fù)雜的問(wèn)題，基于BP神經(jīng)網(wǎng)絡(luò)的水質(zhì)評(píng)價(jià)模型的訓(xùn)練樣本即為水質(zhì)分級(jí)標(biāo)準(zhǔn)。網(wǎng)絡(luò)訓(xùn)練完成后，網(wǎng)絡(luò)將保存對(duì)分級(jí)標(biāo)準(zhǔn)學(xué)習(xí)的知識(shí)和有關(guān)信息，即各層間的連接權(quán)與各個(gè)神經(jīng)元的閾值得以保存，然后從輸入層輸入待評(píng)資料，得到有關(guān)評(píng)價(jià)結(jié)論的信息，從而根據(jù)一定規(guī)則作出有關(guān)的評(píng)價(jià)結(jié)論的判斷。

設(shè)待評(píng)的水質(zhì)監(jiān)測(cè)樣本M個(gè)，每個(gè)樣本選擇具有典型代表的N項(xiàng)污染指標(biāo)監(jiān)測(cè)值，按照國(guó)家行業(yè)規(guī)范規(guī)定，相應(yīng)于N項(xiàng)污染指標(biāo)下的水質(zhì)標(biāo)準(zhǔn)濃度可將水質(zhì)劃分為C個(gè)等級(jí)。因此，水質(zhì)評(píng)價(jià)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的輸入層和輸出層的神經(jīng)元數(shù)分別為N和C，即輸入層的每一個(gè)神經(jīng)元代表1種水質(zhì)評(píng)價(jià)的污染指標(biāo)，輸出層的每一個(gè)神經(jīng)元代表一個(gè)水質(zhì)評(píng)價(jià)等級(jí)。

2.2 BP神經(jīng)網(wǎng)絡(luò)用于于橋水庫(kù)的水質(zhì)評(píng)價(jià)

為了對(duì)于橋水庫(kù)進(jìn)行水質(zhì)變化趨勢(shì)評(píng)價(jià)，以便為進(jìn)一步的決策管理提供依據(jù)，選取了2012年5月-10月、2013年5月-10月與富營(yíng)養(yǎng)化密切相關(guān)的5個(gè)指標(biāo)，即PH值、總氮、BOD、總磷和CODMn，其監(jiān)測(cè)的平均值如表1所列。

應(yīng)用人工神經(jīng)網(wǎng)絡(luò)中的BP網(wǎng)絡(luò)算法進(jìn)行評(píng)價(jià)，參照《中國(guó)地面水環(huán)境質(zhì)量標(biāo)準(zhǔn)》（GB3838-88），并考慮各等級(jí)間的區(qū)分度，取標(biāo)準(zhǔn)如表2所列。

用上表數(shù)據(jù)作為學(xué)習(xí)樣本模式，建立水質(zhì)富營(yíng)養(yǎng)化的BP模型。

經(jīng)過(guò)多次嘗試，最終選定BP網(wǎng)絡(luò)結(jié)構(gòu)如圖所示，該BP網(wǎng)絡(luò)具有3層，1個(gè)輸入層，1個(gè)隱含層和一個(gè)輸出層。輸入層有5個(gè)神經(jīng)元（對(duì)應(yīng)PH值、總氮、BOD、總磷和CODMn5個(gè)輸入），隱含層有4個(gè)神經(jīng)元，輸出層有1個(gè)神經(jīng)元。

用表2給定的標(biāo)準(zhǔn)樣本對(duì)本文所用的5-4-1結(jié)構(gòu)的BP網(wǎng)絡(luò)進(jìn)行訓(xùn)練。當(dāng)完成93566次訓(xùn)練之后，全局誤差E=0.0001，小于預(yù)先給定的允許誤差（E

由此可以認(rèn)為該網(wǎng)絡(luò)已從所選標(biāo)準(zhǔn)的樣本模式中學(xué)到了評(píng)價(jià)水庫(kù)富營(yíng)養(yǎng)化的知識(shí)，可以用水庫(kù)的富營(yíng)養(yǎng)化的評(píng)價(jià)。因此用它對(duì)于橋水庫(kù)2012年5-10月、2013年5-10月水質(zhì)監(jiān)測(cè)值進(jìn)行評(píng)價(jià)，評(píng)價(jià)結(jié)果見(jiàn)表4

第4篇：神經(jīng)網(wǎng)絡(luò)的思想范文

【關(guān)鍵詞】地下水位;BP神經(jīng)網(wǎng)絡(luò);RBF神經(jīng)網(wǎng)絡(luò);MATLAB

1.引言

隨著我國(guó)國(guó)民經(jīng)濟(jì)的快速發(fā)展，對(duì)地下水資源的開(kāi)發(fā)利用日益增加。通過(guò)對(duì)地下水位動(dòng)態(tài)變化規(guī)律的預(yù)測(cè)研究，以此來(lái)制定科學(xué)的開(kāi)發(fā)利用策略，具有重要的現(xiàn)實(shí)意義[1]。地下水位受許多因素的影響，由于問(wèn)題的高度復(fù)雜性地下水位預(yù)測(cè)還有許多問(wèn)題未解決。近幾年，許多學(xué)者將神經(jīng)網(wǎng)絡(luò)用于地下水位的預(yù)測(cè)并且取得了不少有價(jià)值的成果。

2.BP神經(jīng)網(wǎng)絡(luò)

BP算法的基本原理是利用輸出后的誤差來(lái)估計(jì)輸出層的直接前導(dǎo)層的誤差，再利用這個(gè)誤差估計(jì)更前一層的誤差，如此一層一層的反傳下去，就獲得了所有其他各層的誤差估計(jì)[5]。BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖，如圖1所示。

BP網(wǎng)絡(luò)學(xué)習(xí)的過(guò)程是神經(jīng)網(wǎng)絡(luò)在外界輸入樣本的刺激下不斷改變網(wǎng)絡(luò)的連接權(quán)值，以使網(wǎng)絡(luò)的輸出不斷地接近期望輸出。BP網(wǎng)絡(luò)的學(xué)習(xí)本質(zhì)是對(duì)各連接權(quán)值的動(dòng)態(tài)調(diào)整，其學(xué)習(xí)規(guī)則是權(quán)值調(diào)整規(guī)則，即在學(xué)習(xí)過(guò)程中網(wǎng)絡(luò)中各神經(jīng)元的連接權(quán)變化所依據(jù)的一定的調(diào)整規(guī)則。

3.RBF神經(jīng)網(wǎng)絡(luò)

RBF網(wǎng)絡(luò)的基本思想是用RBF作為隱單元的“基”構(gòu)成隱含層空間，將輸入矢量直接（即不需要通過(guò)權(quán)連接）映射到隱空間;當(dāng)RBF的中心點(diǎn)確定后，映射關(guān)系也就確定;隱含層空間到輸出空間的映射是線性的[7]。RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖，如圖2所示。

4.數(shù)據(jù)樣本的采集及預(yù)處理

利用神經(jīng)網(wǎng)絡(luò)進(jìn)行地下水位預(yù)測(cè)，首先應(yīng)該提取有關(guān)地下水位預(yù)測(cè)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，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。獲得輸入變量將指標(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：

地下水位主要受河道流量、氣溫、飽和差、降水量和蒸發(fā)量等重要因子的影響，由此測(cè)量并歸納出24組數(shù)據(jù)，如表1所示。選定1-19組為訓(xùn)練樣本，20-24組為測(cè)試樣本。

5.神經(jīng)網(wǎng)絡(luò)的訓(xùn)練與測(cè)試

5.1 BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練與測(cè)試

根據(jù)BP算法設(shè)計(jì)的網(wǎng)絡(luò)，一般的預(yù)測(cè)問(wèn)題都可以通過(guò)單隱層的BP網(wǎng)絡(luò)實(shí)現(xiàn)。由于輸入向量元素個(gè)數(shù)為5，所以網(wǎng)絡(luò)的輸入層的神經(jīng)元有5個(gè)，根據(jù)Kolmogorov定理，可知中間層神經(jīng)元數(shù)=2×輸入層的神經(jīng)元個(gè)數(shù)+1=11。輸出向量為1個(gè)，所以輸出層神經(jīng)元應(yīng)該有1個(gè)。網(wǎng)絡(luò)中間層神經(jīng)元采用S型正切函數(shù)tansig，輸出層神經(jīng)元傳遞函數(shù)采用S型對(duì)數(shù)函數(shù)logsig。網(wǎng)絡(luò)的訓(xùn)練函數(shù)為trainlm，它采用Levenberg-Marquardt算法進(jìn)行網(wǎng)絡(luò)學(xué)習(xí)。其代碼如下：

threshold=[0 1;0 1;0 1;0 1;0 1];

net=newff（threshold，[11 1]，{‘tansig’，’logsig’}，’trainlm’）;

經(jīng)過(guò)500次訓(xùn)練后，對(duì)網(wǎng)絡(luò)進(jìn)行仿真并計(jì)算網(wǎng)絡(luò)誤差。

y=sim（net，P）;

y_bp=y-T_test;

5.2 RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練與測(cè)試

RBF神經(jīng)元的輸入層神經(jīng)元個(gè)數(shù)取決于地下水位影響因子的個(gè)數(shù)，由表1可知，其個(gè)數(shù)為5。由于輸出是地下水位值，所以輸出層神經(jīng)元個(gè)數(shù)是1。SPREAD為徑向基函數(shù)的分布密度，分布密度越大，函數(shù)越平滑，并且分布密度值得大小影響網(wǎng)絡(luò)的預(yù)測(cè)精度。設(shè)定SPREAD=1.5，2，3，4，5其代碼如下：

for i=1：4

net=newrbe（P，T，i+1）;

y（i，：）=sim（net，P_test）;

error（i）=y（i，：）-T_test;

end

圖3 BP神經(jīng)網(wǎng)絡(luò)與RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)誤差圖

6.網(wǎng)絡(luò)結(jié)果的比較

以上程序在MATLAB中運(yùn)行后得出。BP神經(jīng)網(wǎng)絡(luò)與RBF神經(jīng)網(wǎng)絡(luò)對(duì)地下水位預(yù)測(cè)的誤差比較如圖3所示，其中“* BP”為BP神經(jīng)網(wǎng)路預(yù)測(cè)的誤差，其余為RBF的分布密度分別為1.5，2，3，4，5時(shí)的預(yù)測(cè)誤差。

由圖3可以清晰的看出，對(duì)于RBF神經(jīng)網(wǎng)的地下水位預(yù)測(cè)，當(dāng)SPREAD=2或3時(shí)網(wǎng)絡(luò)的預(yù)測(cè)誤差最小。綜合對(duì)比后發(fā)現(xiàn)，對(duì)于預(yù)報(bào)精度來(lái)說(shuō)RBF網(wǎng)絡(luò)明顯高于BP網(wǎng)絡(luò)。

7.結(jié)語(yǔ)

BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)對(duì)地下水位的預(yù)測(cè)效果都較好，但是BP網(wǎng)絡(luò)的訓(xùn)練時(shí)間明顯大于RBF網(wǎng)絡(luò)，其訓(xùn)練速度比較慢并且精度不如RBF網(wǎng)絡(luò)。綜上所述，RBF神經(jīng)網(wǎng)絡(luò)可以被廣泛的用于地下水位的預(yù)測(cè)系統(tǒng)中。

參考文獻(xiàn)

[1]蘇國(guó)韶，張研，張小飛.高斯過(guò)程機(jī)器學(xué)習(xí)方法在地下水位預(yù)測(cè)中的應(yīng)用[J].中國(guó)農(nóng)村水利水電，2008（12）：48-50.

[2]楊婷，魏曉妹，胡國(guó)杰.灰色BP神經(jīng)網(wǎng)絡(luò)模型在民勤盆地地下水埋深動(dòng)態(tài)預(yù)測(cè)中的應(yīng)用[J].干旱地區(qū)農(nóng)業(yè)研究，2011，29（2）：204-208.

[3]張斌，劉俊民.基于BP神經(jīng)網(wǎng)絡(luò)的地下水動(dòng)態(tài)預(yù)測(cè)[J].水土保持研究，2012，19（5）：235-237.

第5篇：神經(jīng)網(wǎng)絡(luò)的思想范文

關(guān)鍵詞：煤礦 漸進(jìn)神經(jīng)網(wǎng)絡(luò) 煤與瓦斯突出

1 概述

對(duì)于煤礦各煤層的煤與瓦斯突出危險(xiǎn)性的區(qū)域預(yù)測(cè)，一般是先確定突出危險(xiǎn)性參數(shù)，建立一個(gè)初步的預(yù)測(cè)模型，然后根據(jù)該礦區(qū)已經(jīng)發(fā)生的煤與瓦斯突出事故的情況來(lái)不斷驗(yàn)證，直到得到合理的區(qū)域預(yù)測(cè)模型，這樣整個(gè)區(qū)域預(yù)測(cè)模型的建立需要做大量調(diào)試，耗費(fèi)很長(zhǎng)的時(shí)間。

本文嘗試?yán)脻u進(jìn)神經(jīng)網(wǎng)絡(luò)的特點(diǎn)，建立利用結(jié)果反求礦井的煤與瓦斯突出危險(xiǎn)性區(qū)域預(yù)測(cè)模型，使得建立的模型能更加適合不同礦井發(fā)生煤與瓦斯突出的實(shí)際情況。此外，還能大大減少模型調(diào)試所消耗的大量時(shí)間[3]。

2 關(guān)于建立煤與瓦斯突出區(qū)域預(yù)測(cè)模型的分析

目前為止，國(guó)內(nèi)外對(duì)影響煤與瓦斯突出參數(shù)的問(wèn)題進(jìn)行了很多研究，而隨著力學(xué)、動(dòng)力學(xué)理論等學(xué)科的發(fā)展，分析礦井煤與瓦斯突出是如何發(fā)生的方法也越來(lái)越多。在眾多的突出理論中，能讓從事該行業(yè)的絕大多數(shù)人認(rèn)同和接受的就是綜合假說(shuō)。

綜合假說(shuō)的主要理論是：煤與瓦斯突出是礦井中一種極其復(fù)雜的動(dòng)力現(xiàn)象，它包括三個(gè)因素：地應(yīng)力、高壓瓦斯和煤的結(jié)構(gòu)性能，它的發(fā)生是三個(gè)主要因素綜合作用的結(jié)果。

從能量轉(zhuǎn)換角度分析，突出的能量來(lái)自煤巖體彈性彈性潛能和煤體中的瓦斯膨脹能，這些能量在突出過(guò)程中主要轉(zhuǎn)換為煤體的破碎功和碎煤在巷道中的移動(dòng)功等。因此，在由煤巖層和瓦斯組成的這樣一個(gè)力學(xué)系統(tǒng)中，就有四種相互作用和相互轉(zhuǎn)化的能量體系，它們之間的消長(zhǎng)關(guān)系夠長(zhǎng)了煤與瓦斯突出全過(guò)程的能量條件。當(dāng)煤巖體彈性潛能和煤體中的瓦斯膨脹能大于煤體的破壞功和移動(dòng)功時(shí)，就發(fā)生煤與瓦斯突出，否則就不發(fā)生。

3 基于漸進(jìn)神經(jīng)網(wǎng)絡(luò)的煤與瓦斯突出危險(xiǎn)區(qū)域預(yù)測(cè)模型的建立

神經(jīng)網(wǎng)絡(luò)是由大量的神經(jīng)元相連接的網(wǎng)絡(luò)，針對(duì)影響煤與瓦斯突出的地應(yīng)力、瓦斯壓力、煤體結(jié)構(gòu)的復(fù)雜關(guān)系，通過(guò)對(duì)漸進(jìn)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練、控制和識(shí)辯可以反求到影響不同礦井對(duì)煤與瓦斯突出影響的參數(shù)及其權(quán)重值[2]。

基于地應(yīng)力、瓦斯壓力、煤體結(jié)構(gòu)參數(shù)反求流程如圖1所示。假設(shè)模型的各項(xiàng)參數(shù)為某一組數(shù)值，可以仿真得到相應(yīng)的突出參數(shù)的神經(jīng)網(wǎng)絡(luò)的初始訓(xùn)練樣本，將各種參數(shù)值Xm輸入神經(jīng)網(wǎng)絡(luò)，即可反求得到對(duì)于的參數(shù)Yi，并將其作為煤與瓦斯突出的影響參數(shù)，可以得到影響參數(shù)的計(jì)算值Xn。如果計(jì)算值Xm和測(cè)量值Xn偏差超過(guò)許可誤差，必須重新選取樣本，對(duì)神經(jīng)網(wǎng)絡(luò)在訓(xùn)練，直到計(jì)算值Xm和測(cè)量值Xn的偏差在許可范圍內(nèi)，即為反求得到的煤與瓦斯突出影響參數(shù)Yj。

神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)，需要根據(jù)具體求解問(wèn)題的復(fù)雜程度決定[3]。圖2為煤與瓦斯突出影響參數(shù)反求的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，神經(jīng)網(wǎng)絡(luò)由可能代表影響煤與瓦斯突出因素的N個(gè)輸入單元組成輸入層，網(wǎng)絡(luò)的輸出層由實(shí)際代表影響煤與瓦斯突出的M個(gè)單元組成，網(wǎng)絡(luò)還包含一個(gè)隱含層。通過(guò)神經(jīng)網(wǎng)絡(luò)可以建立影響煤與瓦斯突出因素的非線性關(guān)系：

神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，就是根據(jù)訓(xùn)練樣本來(lái)計(jì)算權(quán)值矩陣W，根據(jù)求出影響參數(shù)及權(quán)值矩陣計(jì)算煤層的突出危險(xiǎn)性程度。神經(jīng)網(wǎng)絡(luò)訓(xùn)練以后，不管實(shí)際問(wèn)題怎么復(fù)雜，神經(jīng)網(wǎng)絡(luò)都可以快速的計(jì)算輸出變量，因此，神經(jīng)網(wǎng)絡(luò)是適合用于煤與瓦斯突出危險(xiǎn)性區(qū)域預(yù)測(cè)模型的建立的。

4 結(jié)論

本文應(yīng)用反求的思想，從滿足預(yù)測(cè)的觀點(diǎn)出發(fā)，通過(guò)建立漸進(jìn)神經(jīng)網(wǎng)絡(luò)的方法來(lái)反求滿足不同礦區(qū)實(shí)際情況的突出危險(xiǎn)性區(qū)域預(yù)測(cè)模型，從而反求出影響不同煤礦的煤與瓦斯突出危險(xiǎn)性的影響參數(shù)，從而避免了建立煤與瓦斯突出危險(xiǎn)性區(qū)域預(yù)測(cè)模型過(guò)程中繁雜的調(diào)試過(guò)程，縮短了該模型建立過(guò)程，并使得區(qū)域預(yù)測(cè)模型具有較好的針對(duì)性及預(yù)測(cè)效果。

參考文獻(xiàn)：

[1]候媛彬，杜京義，汪梅.神經(jīng)網(wǎng)絡(luò)[M].西安電子科技大學(xué)出版社.

[2]張青貴.人工神經(jīng)網(wǎng)絡(luò)導(dǎo)論[M].中國(guó)水利水電出版社.

[3]劉海波，施式亮等.人工神經(jīng)網(wǎng)絡(luò)對(duì)礦山安全狀態(tài)的評(píng)判能力分析[J].安全與環(huán)境學(xué)報(bào)，2004（5）：69～72.

[4]胡千庭，鄒銀輝等.瓦斯含量法預(yù)測(cè)突出危險(xiǎn)新技術(shù)[J].煤炭學(xué)報(bào)，2007（3）：277～280.

第6篇：神經(jīng)網(wǎng)絡(luò)的思想范文

研究區(qū)潘莊區(qū)塊位于沁水盆地南部向西北傾的斜坡帶上，構(gòu)造主要以褶皺為主，斷層稀少．山西組的3號(hào)煤層是本區(qū)內(nèi)穩(wěn)定發(fā)育的主采煤層，也是CM1煤層氣井的目標(biāo)煤層．該煤層屬于厚煤層，厚度變化范圍3．15～7．30m，平均6．11m．埋深介于156．27～695．20m之間．頂板巖性主要為泥巖、粉砂巖、粉砂質(zhì)泥巖，底板主要為粉砂巖和泥巖．

2BP神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介

2．1BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)由輸入層、隱含層和輸出層組成，其中隱含層可以有多層．在工程預(yù)測(cè)中，經(jīng)常使用的是3層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)（圖2）．這種神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的特點(diǎn)是：每一層內(nèi)的神經(jīng)元之間無(wú)任何連接，相鄰層神經(jīng)元之間具有單向連接，隱含層的激勵(lì)函數(shù)采用非線性的S型函數(shù)，輸出層的激勵(lì)函數(shù)為線性函數(shù)．

2．2BP算法原理BP算法是一種監(jiān)督式的學(xué)習(xí)算法．其主要思想為：對(duì)于n個(gè)輸入學(xué)習(xí)樣本：P1，P2，…，Pn，已知與其對(duì)應(yīng)的輸出樣本為：T1，T2，…，Tn，學(xué)習(xí)的目的是用網(wǎng)絡(luò)的實(shí)際輸出A1，A2，…，An與目標(biāo)矢量T1，T2，…，Tn之間的誤差來(lái)修改其權(quán)值，使Al（l＝1，2，…，n）與期望的Tl盡可能地接近，使網(wǎng)絡(luò)輸出層的誤差平方和達(dá)到最小．它是通過(guò)連續(xù)不斷地在相對(duì)誤差函數(shù)斜率下降的方向上計(jì)算網(wǎng)絡(luò)權(quán)值和偏差的變化而逐漸逼近目標(biāo)的．每一次權(quán)值和偏差的變化都與網(wǎng)絡(luò)誤差的影響成正比，并以反向傳播的方式傳遞到每一層。BP神經(jīng)網(wǎng)絡(luò)時(shí)間序列預(yù)測(cè)模型，即先利用BP神經(jīng)網(wǎng)絡(luò)的非線性逼近技術(shù)隱性的求解函數(shù)f，并以此為依據(jù)預(yù)測(cè)未來(lái)值．

3神經(jīng)網(wǎng)絡(luò)模型構(gòu)建及檢驗(yàn)

為了精確預(yù)測(cè)煤層氣井產(chǎn)能、優(yōu)化排采制度，本文基于時(shí)間序列預(yù)測(cè)思想構(gòu)建了BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，整個(gè)設(shè)計(jì)過(guò)程由MATLAB7．11軟件編程實(shí)現(xiàn)．

3．1神經(jīng)網(wǎng)絡(luò)基本參數(shù)確定在實(shí)際生產(chǎn)中，煤層氣井產(chǎn)氣量主要受控于產(chǎn)水量和井底流壓，而且這兩個(gè)參數(shù)數(shù)據(jù)資料豐富，易于收集．因此，以每天產(chǎn)水量和井底流壓為基礎(chǔ)向量，基于時(shí)間序列預(yù)測(cè)思想構(gòu)建了14個(gè)網(wǎng)絡(luò)輸入向量（表1）．神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型初步設(shè)定為一個(gè)14－X－7的3層BP網(wǎng)絡(luò)．其中輸入層節(jié)點(diǎn)數(shù)為14，對(duì)應(yīng)14個(gè)輸入向量；X為隱含層節(jié)點(diǎn)數(shù)，由經(jīng)驗(yàn)公式［12］可得出其取值范圍為6～15；輸出層節(jié)點(diǎn)數(shù)為7，對(duì)應(yīng)輸出向量分別為未來(lái)7d中每天的產(chǎn)氣量；初始權(quán)值為（－1，1）之間的隨機(jī)數(shù)，初始學(xué)習(xí)率為0．1；隱含層激勵(lì)函數(shù)為雙曲正切函數(shù)，輸出層激勵(lì)函數(shù)為pureline函數(shù)，訓(xùn)練函數(shù)為trainlm函數(shù)．

3．2神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建選取CM1井2009年2月14日至2009年9月8日連續(xù)207d的排采數(shù)據(jù)為原始樣本數(shù)據(jù)．其中，前200d的排采數(shù)據(jù)為訓(xùn)練樣本，后7d的排采數(shù)據(jù)為檢驗(yàn)樣本．網(wǎng)絡(luò)訓(xùn)練目標(biāo)誤差設(shè)定為0．0002，最大迭代次數(shù)設(shè)定為500次．將原始數(shù)據(jù)歸一化后輸入到網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，隱含層最佳節(jié)點(diǎn)數(shù)采用試湊法確定為13（表2）．因此，BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的最佳網(wǎng)絡(luò)結(jié)構(gòu)為14－13－7（圖4）．

3．3網(wǎng)絡(luò)模型訓(xùn)練及檢驗(yàn)再次輸入訓(xùn)練樣本對(duì)確定的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行訓(xùn)練，當(dāng)網(wǎng)絡(luò)達(dá)到目標(biāo)誤差或最大迭代次數(shù)時(shí)，停止訓(xùn)練．網(wǎng)絡(luò)訓(xùn)練完畢后，將檢驗(yàn)樣本輸入到網(wǎng)絡(luò)中，進(jìn)行模型性能檢驗(yàn)。檢驗(yàn)樣本最大絕對(duì)誤差72m3／d，最小絕對(duì)誤差17m3／d，相對(duì)誤差范圍－1．43％～1．60％，平均相對(duì)誤差1．05％，表明網(wǎng)絡(luò)模型預(yù)測(cè)性能良好，能夠準(zhǔn)確預(yù)測(cè)CM1煤層氣井未來(lái)7d的產(chǎn)氣量．

4CM1井排采制度優(yōu)化

在煤層氣井排采實(shí)踐中，根據(jù)未來(lái)產(chǎn)氣量變化或生產(chǎn)需要，何時(shí)應(yīng)該增大或減少產(chǎn)水量，何時(shí)應(yīng)該增大或減少井底流壓，調(diào)控的具體量度應(yīng)該是多少，這些問(wèn)題至今都沒(méi)有明確的結(jié)論．因此，本文針對(duì)所有可能出現(xiàn)的生產(chǎn)情況，設(shè)計(jì)了24種排采制度調(diào)整方案。針對(duì)CM1井實(shí)際排采情況，厘定了產(chǎn)水量、井底流壓調(diào)控量度及產(chǎn)氣量變化量臨界值．其中，調(diào)控產(chǎn)水量小幅增大（減?。┡c大幅增大（減?。┡R界值定為0．2m3／d；調(diào)控井底流壓小幅增大（減?。┖痛蠓龃螅p?。┡R界值定為0．1MPa；產(chǎn)氣量變化量小幅增大（減小）和大幅增大（減小）臨界值定為1000m3／d．而在實(shí)際操作中，選取產(chǎn)水量小幅增大（減?。┑闹禐?．05m3／d，產(chǎn)水量大幅增大（減?。┑闹禐?．5m3／d，井底流壓小幅增大（減?。┑闹禐?．05MPa，井底流壓大幅增大（減?。┑闹禐?．2MPa．采用所建立的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型對(duì)各方案產(chǎn)氣量進(jìn)行了模擬，以第21種調(diào)整方案“產(chǎn)水量小幅增大—井底流壓小幅減小”的模擬結(jié)果為例（表5），其它方案模擬結(jié)果見(jiàn)表6．在第21種排采制度方案中，當(dāng)產(chǎn)水量小幅增大0．05m3／d，井底流壓小幅減小0．05MPa，預(yù)測(cè)產(chǎn)氣量比實(shí)際產(chǎn)氣量平均增大了537m3／d，比前一周產(chǎn)氣量平均增大了469m3／d．顯而易見(jiàn)，當(dāng)決策者希望煤層氣井未來(lái)日產(chǎn)氣量能夠增大500m3／d左右時(shí)，可執(zhí)行產(chǎn)水量提高0．05m3／d，井底流壓減小0．05MPa的排采制度．綜上所述，煤層氣井采取不同的排采制度，產(chǎn)氣量變化決然不同，總體可分為四大類，即產(chǎn)氣量大幅減小、小幅減小、小幅增大和大幅增大（表6）．其中，使產(chǎn)氣量大幅減小的排采制度方案有5種，小幅減小的有7種，小幅增大的7種，大幅增大的5種．這樣就可以根據(jù)各調(diào)整方案預(yù)測(cè)結(jié)果，結(jié)合實(shí)際生產(chǎn)的需要，采用不同的排采制度，使煤層氣井產(chǎn)氣量朝著我們預(yù)期的方向發(fā)展．例如，如果期望未來(lái)7d產(chǎn)氣量大幅增大，可以采用“產(chǎn)水量不變—井底流壓大幅減小”、“產(chǎn)水量大幅增大—井底流壓大幅減小”、“產(chǎn)水量小幅增大—井底流壓大幅減小”等排采制度。

5結(jié)論

第7篇：神經(jīng)網(wǎng)絡(luò)的思想范文

關(guān)鍵詞：矩陣式紅外熱電堆；RBF神經(jīng)網(wǎng)絡(luò)；慣性權(quán)重因子；粒子群算法

DOI：10.16640/ki.37-1222/t.2017.04.220

1 引言

常用的人體入侵檢測(cè)方法有視頻監(jiān)測(cè)、超聲波、機(jī)電檢測(cè)、紅外檢測(cè)等，而它的準(zhǔn)確性和可靠性對(duì)人的生命財(cái)產(chǎn)安全起確定性的作用。本文采用的是Melexis（邁來(lái)芯）的一套矩陣式紅外熱電堆溫度采集裝置，其中傳感器MLX90621是一款采用16*4像素的紅外陣列傳感器，可以檢測(cè)出一副畫(huà)面中64個(gè)點(diǎn)的溫度，可以提供的視角范圍是，配合電機(jī)，它的檢測(cè)范圍可以達(dá)到，因此它每一幀可以測(cè)得的溫度數(shù)據(jù)有個(gè)。相比于傳統(tǒng)的檢測(cè)方法，雖然它的檢測(cè)像素低，但是在后面的算法計(jì)算中，它的計(jì)算量會(huì)降低，它的優(yōu)勢(shì)在于成本低、體積小易于隱蔽，而且不易受環(huán)境因素的影響，比如黑夜、電磁干擾等。在人體識(shí)別部分，本文采用的是改進(jìn)RBF神經(jīng)網(wǎng)絡(luò)算法，RBF神經(jīng)網(wǎng)絡(luò)是一種采用局部接受域來(lái)執(zhí)行函數(shù)映射的人工神經(jīng)網(wǎng)絡(luò)[1]。而如何確定RBF神經(jīng)網(wǎng)絡(luò)的隱層基函數(shù)的個(gè)數(shù)、中心向量以及寬度是訓(xùn)練RBF神經(jīng)網(wǎng)絡(luò)的關(guān)鍵所在。假如設(shè)定的隱層基函數(shù)的個(gè)數(shù)偏多會(huì)造成訓(xùn)練和測(cè)試的時(shí)間加長(zhǎng)，不僅容易產(chǎn)生過(guò)擬合[2]，而且還會(huì)造成網(wǎng)絡(luò)的泛化能力下降。相反，設(shè)定偏少的話會(huì)造成神經(jīng)網(wǎng)絡(luò)的收斂誤差變大。一般采用K-mean聚類算法來(lái)確定徑向基函數(shù)的個(gè)數(shù)和中心向量，但其依賴初始中心的選擇，只能獲得局部最優(yōu)解[3]。

粒子群算法（PSO）是基于群體智能的優(yōu)化算法，通過(guò)粒子間的合作與競(jìng)爭(zhēng)的群體智能理論的優(yōu)化搜索，它可以記憶所有粒子都共享的迄今為止問(wèn)題的最優(yōu)解[4]。PSO的優(yōu)勢(shì)在于簡(jiǎn)單且易于實(shí)現(xiàn)。但基本PSO的缺點(diǎn)在于其參數(shù)是相對(duì)固定的，會(huì)導(dǎo)致在優(yōu)化某些函數(shù)時(shí)，造成精度差、收斂速度慢等。因此本文針對(duì)基本PSO的缺點(diǎn)，提出了結(jié)合慣性權(quán)重模型，將適應(yīng)度擇優(yōu)選取引入基本PSO算法的方法進(jìn)行改進(jìn)。RBF神經(jīng)網(wǎng)絡(luò)首先采用最近鄰聚類算法來(lái)確定隱層基函數(shù)的個(gè)數(shù)，中心向量即為聚類的的均值。同時(shí)將改進(jìn)的粒子群優(yōu)化算法來(lái)優(yōu)化最近鄰聚類算法的聚類半徑，從而確定出RBF神經(jīng)網(wǎng)絡(luò)最優(yōu)的隱層基函數(shù)和中心向量，使其不用依靠初始中心的選擇，減少了現(xiàn)有算法中人為因素的影響，從而有效地提高了RBF神經(jīng)網(wǎng)絡(luò)的精度和收斂速度。獨(dú)立訓(xùn)練特定的RBF網(wǎng)絡(luò)并合成其預(yù)測(cè)結(jié)果，可以有效得提高神經(jīng)網(wǎng)絡(luò)表達(dá)對(duì)象的準(zhǔn)確性[5，6]。將改進(jìn)PSO優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的方法應(yīng)用于人體入侵檢測(cè)識(shí)別中，通過(guò)實(shí)測(cè)數(shù)據(jù)驗(yàn)證，準(zhǔn)確率相對(duì)基本RBF神經(jīng)網(wǎng)絡(luò)有了顯著的提高。

2 RBF神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)

2.1 RBF基本原理

RBF 神經(jīng)網(wǎng)絡(luò)，即徑向基神經(jīng)網(wǎng)絡(luò)，是前饋神經(jīng)網(wǎng)絡(luò)的一種，具有三層結(jié)構(gòu)，如圖 1 所示。它的基本思想是用RBF作為隱單元的“基”構(gòu)成隱含層空間，將輸入矢量直接（即不需要通過(guò)權(quán)鏈接）映射到隱空間，當(dāng)RBF神經(jīng)網(wǎng)絡(luò)的中心確定之后，映射關(guān)系也就隨之確定了。隱含層的作用是把向量從低維映射到高維，這樣低維線性不可分的情況到高維就線性可分了，隱含層空間到輸出空間的映射關(guān)系是線性的。

（1）假設(shè)已經(jīng)有個(gè)聚類中心，分別為：，分別計(jì)算與它們之間的距離，。

（2），即到中心的歐式距離最小。

（3）比較與的大小，如果，則就會(huì)被設(shè)定為一個(gè)新的聚類中心，如果，則按照更新，。

（4）重新選取下一個(gè)輸入的樣本數(shù)據(jù)，返回1）。

（5）所有的輸入數(shù)據(jù)取完則結(jié)束。

從上面的算法步驟來(lái)看，可以得出，隱層基函數(shù)的中心的確定，最主要的因素是聚類半徑，若過(guò)大，會(huì)造成基函數(shù)的中心個(gè)數(shù)較少的情況，從而導(dǎo)致網(wǎng)絡(luò)的收斂誤差偏大，反之則會(huì)造成基函數(shù)的中心個(gè)數(shù)較多的情況，從而導(dǎo)致網(wǎng)絡(luò)的泛化能力下降。因此本文在最近鄰聚類算法中選取合適的聚類半徑時(shí)，采用改進(jìn)的粒子群算法，最后可以確定出最優(yōu)的RBF神經(jīng)網(wǎng)絡(luò)的隱層基函數(shù)的中心向量。

3 粒子群優(yōu)化算法

3.1 基本粒子群優(yōu)化算法

粒子群優(yōu)化算法（PSO）是由Kennedy和 Eberhart于1995年提出的一種通過(guò)模仿鳥(niǎo)類群體捕食行為研究的群體智能算法[7]。粒子群優(yōu)化算法的基本思想是通過(guò)群體中個(gè)體之間的協(xié)作和信息共享來(lái)尋找最優(yōu)解[8]。它的優(yōu)勢(shì)在于簡(jiǎn)單容易實(shí)現(xiàn)并且沒(méi)有許多參數(shù)的調(diào)節(jié)[9]，目前已被廣泛應(yīng)用于函數(shù)優(yōu)化、神經(jīng)網(wǎng)絡(luò)訓(xùn)練、模糊系統(tǒng)控制以及其他遺傳算法的應(yīng)用領(lǐng)域。在由 m 個(gè)粒子組成的粒子群中，每個(gè)搜索空間中的潛在的解由粒子的位置來(lái)確定，新的個(gè)體在取值時(shí)主要由粒子的當(dāng)前速度、粒子群中的最優(yōu)個(gè)體以及當(dāng)前粒子的歷史最優(yōu)解3個(gè)因素來(lái)決定，其中粒子的當(dāng)前速度控制著搜索的步長(zhǎng)，算法的全局以及全局搜索能力由其決定，對(duì)PSO的收斂速度和質(zhì)量有著重要的影響；后兩者則主要用于控制搜索的方向，反映了可利用的梯度信息[10]。粒子根據(jù)如下三條原則來(lái)更新自身狀態(tài)：（1）保持自身慣性；（2）按自身的最優(yōu)位置來(lái)改變狀；（3）按群體的最優(yōu)位置來(lái)改變狀態(tài)。

算法描述：在一個(gè) n維的搜索空間中，是由m個(gè)粒子組成的粒子群，其中，為第個(gè)粒子的位置為，為速度。其中，為個(gè)體極值，為種群的全局極值。接下去粒子會(huì)根據(jù)公式（6）不斷更新自己的速度，根據(jù)公式（7）不斷更新自己的位置。

3.2 慣性權(quán)重因子的引入及其改進(jìn)

為改善粒子群算法的搜索性能，以及基本PSO參數(shù)固定優(yōu)化某些函數(shù)時(shí)精度較差的問(wèn)題，Shi和Eberhart對(duì)基本PSO算法進(jìn)行了改進(jìn)，在粒子的速度進(jìn)化方程中引入慣性權(quán)重[11]。一般地，較大的權(quán)重有利于提高算法的全局開(kāi)發(fā)能力，而較小的權(quán)重則能增強(qiáng)算法的局部搜索能力[12]。因此慣性權(quán)重因子對(duì)當(dāng)前速度的大小起決定性因素，提升PSO性能的關(guān)鍵一環(huán)是慣性權(quán)重因子和調(diào)整策略的合理設(shè)置[13，14]。將代入公式（6）可得：

上式中，和分別代表第個(gè)粒子和最優(yōu)粒子在第次迭代時(shí)相應(yīng)的函數(shù)值。的計(jì)算是用來(lái)判斷目標(biāo)函數(shù)的平整度[16]。由圖2可以看出，在迭代時(shí)變化越明顯，表明目標(biāo)函數(shù)越不平整，相反則表示越平整。通過(guò)跟隨的變化而變化，以此來(lái)實(shí)現(xiàn)的動(dòng)態(tài)變化。

4 基于改進(jìn)PSO算法的RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練

前面提到RBF神經(jīng)網(wǎng)絡(luò)基函數(shù)個(gè)數(shù)和中心向量難以獲取最優(yōu)的缺點(diǎn)，本文將改進(jìn)PSO算法應(yīng)用到RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練學(xué)習(xí)中，有效地提高了RBF神經(jīng)網(wǎng)絡(luò)的精度和收斂速度，大大地增強(qiáng)了網(wǎng)絡(luò)的泛化能力。粒子群算法的神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程如圖3所示。具體的優(yōu)化步驟如下：

1）首先對(duì)樣本進(jìn)行歸一化處理。

2）初始化。由參數(shù)，，組成粒子群，然后隨機(jī)賦上初始值，并根據(jù)這些S機(jī)值來(lái)初始化粒子群的位置和速度。

3）計(jì)算適應(yīng)度值。根據(jù)得到的RBF神經(jīng)網(wǎng)絡(luò)輸入輸出值，應(yīng)用公式：

來(lái)計(jì)算粒子群的適應(yīng)度值，以此來(lái)確定和。其中和分別為訓(xùn)練樣本數(shù)和輸出神經(jīng)元個(gè)數(shù)，、分別為第個(gè)樣本的第個(gè)分量的輸出值和期望輸出值。

4）根據(jù)公式（8）更新粒子的位置和速度，得到新的粒子群。

5）判斷優(yōu)化目標(biāo)是否滿足終止條件，若滿足，則結(jié)束算法；否則返回到（3）。

5 實(shí)驗(yàn)驗(yàn)證及結(jié)果分析

本文在對(duì)上述改進(jìn)PSO算法訓(xùn)練的RBF神經(jīng)網(wǎng)絡(luò)算法進(jìn)行尋優(yōu)測(cè)試后發(fā)現(xiàn)，改進(jìn)后的RBF神經(jīng)網(wǎng)絡(luò)算法在尋找最優(yōu)值時(shí)，收斂速度和精度上都優(yōu)于基本RBF神經(jīng)網(wǎng)絡(luò)算法，且大大提高了網(wǎng)絡(luò)的泛化能力。然后將改進(jìn)后的RBF神經(jīng)網(wǎng)絡(luò)運(yùn)用到實(shí)際的人體識(shí)別檢測(cè)中來(lái)進(jìn)行驗(yàn)證。在實(shí)驗(yàn)中，通過(guò)MLX90621紅外陣列傳感器配合電機(jī)采集一個(gè)空間在不同情況下的溫度數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù)，每一幀有16X36個(gè)溫度數(shù)據(jù)，共測(cè)得297組數(shù)據(jù)用于訓(xùn)練。下面附上其中一張實(shí)測(cè)數(shù)據(jù)結(jié)果驗(yàn)證圖（見(jiàn)圖4）：

圖中坐標(biāo)軸中顯示的溫度數(shù)據(jù)就是實(shí)測(cè)的空間溫度數(shù)據(jù)，綠色區(qū)域?yàn)闊嵩锤蓴_物，紅色區(qū)域?yàn)槟繕?biāo)。根據(jù)采集獲得的溫度數(shù)據(jù)將其分為最高溫度、最低溫度、平均溫度三類，在正常情況下，由于人體的正常溫度存在一個(gè)絕對(duì)范圍，因此結(jié)合這個(gè)絕對(duì)范圍并將分割處理后的圖像一起作為訓(xùn)練的特征值對(duì)改進(jìn)PSO算法訓(xùn)練的RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，實(shí)現(xiàn)了對(duì)人體目標(biāo)的檢測(cè)，然后利用訓(xùn)練好的RBF神經(jīng)網(wǎng)絡(luò)直接對(duì)新的溫度數(shù)據(jù)進(jìn)行分類，檢測(cè)并判斷每一幀是否有人。

下面分別采集無(wú)人無(wú)干擾和無(wú)人有熱源干擾的兩種情況下的空間溫度數(shù)據(jù)，用這兩組數(shù)據(jù)作為訓(xùn)練樣本對(duì)基本RBF神經(jīng)網(wǎng)絡(luò)和改進(jìn)PSO算法訓(xùn)練的RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，訓(xùn)練結(jié)果如表1所示：

從訓(xùn)練結(jié)果來(lái)看，改進(jìn)后的RBF神經(jīng)網(wǎng)絡(luò)算法的訓(xùn)練效果有了很大的提高，無(wú)論在無(wú)人無(wú)干擾還是無(wú)人有熱源干擾的數(shù)據(jù)中，測(cè)得的無(wú)人的準(zhǔn)確率都高于基本RBF神經(jīng)網(wǎng)絡(luò)。最后用測(cè)得的有人有熱源干擾的空間溫度數(shù)據(jù)用來(lái)進(jìn)行結(jié)果驗(yàn)證，驗(yàn)證結(jié)果如表2所示：

重新在一個(gè)空間中測(cè)得99組有人有干擾的溫度數(shù)進(jìn)行結(jié)果驗(yàn)證，在基本PSO的基礎(chǔ)上引入慣性權(quán)重因子，對(duì)基本RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效果有明顯的提升，改進(jìn)PSO算法訓(xùn)練的RBF神經(jīng)網(wǎng)絡(luò)算法測(cè)得有人的準(zhǔn)確率明顯高于基本RBF神經(jīng)網(wǎng)絡(luò)。

6 結(jié)論

對(duì)人體識(shí)別算法進(jìn)行了研究，最終確定使用RBF神經(jīng)網(wǎng)絡(luò)作為研究對(duì)象，并使用最近鄰聚類算法來(lái)確定RBF神經(jīng)網(wǎng)絡(luò)的中心向量，成功地消除了操作時(shí)人為因素的參與。本文通過(guò)引入動(dòng)態(tài)慣性權(quán)重因子對(duì)基本PSO算法進(jìn)行改進(jìn)，將改進(jìn)PSO算法訓(xùn)練的RBF神經(jīng)網(wǎng)絡(luò)與基本RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行對(duì)比，對(duì)比訓(xùn)練的過(guò)程及結(jié)果可以得出，改進(jìn)后的RBF神經(jīng)網(wǎng)絡(luò)在訓(xùn)練效果上有了很大的提升，精度、收斂速度以及穩(wěn)定性都優(yōu)于基本RBF神經(jīng)網(wǎng)絡(luò)。最后將改進(jìn)后的RBF神經(jīng)網(wǎng)絡(luò)應(yīng)用到人體入侵檢測(cè)識(shí)別中，經(jīng)過(guò)實(shí)測(cè)數(shù)據(jù)驗(yàn)證，雖然改進(jìn)PSO算法訓(xùn)練的RBF神經(jīng)網(wǎng)絡(luò)在排除干擾的問(wèn)題上提升不是非常明顯，但是識(shí)別的準(zhǔn)確率有了很大的提高，說(shuō)明改進(jìn)后的RBF神經(jīng)網(wǎng)絡(luò)更加適用于低精度且計(jì)算量少的人體入侵檢測(cè)識(shí)別中。

參考文獻(xiàn)：

[1]SimonHaykin.Neural Networks：A comprehensive Foundation，SecondEdition[M]. U.S：Prentive Hall，1988.

[2]段其昌.一種改進(jìn)PSO優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的新方法[J]計(jì)算機(jī)仿真，2009，26（12）：126-129.

[3]Y Moddy and C J Darken. Fast learning in network of locally tuned processing unites [C] .Neural Computation，1989（01）：281-294.

[4]Kennedy J and R C Eberhart. Particle swarm optimization[C]. Conf.Neural Networks.1995.1942-1948.

[5]王桂洋，張亞庭.基于APSO優(yōu)化算法的 GCHP 系統(tǒng)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)控制[J].計(jì)算機(jī)測(cè)量與控制，2014，22（01）：106-108.

[6]譚子平.基于白適應(yīng)權(quán)值神經(jīng)網(wǎng)絡(luò)的 PID 參數(shù)優(yōu)化[J].計(jì)算機(jī)光盤軟件與應(yīng)用，2014，17（07）：97-98.

[7]皮倩瑛，葉洪濤.一種動(dòng)態(tài)調(diào)節(jié)慣性權(quán)重的粒子群算法[J].廣西科技大學(xué)學(xué)報(bào)，2016，27（03）：26-31.

[8]胡珀，婁淵勝.改進(jìn)粒子群優(yōu)化算法在服務(wù)組合中的應(yīng)用[J].計(jì)算機(jī)工程，2011，37（17）：130-133.

[9]任圓圓，劉培玉，薛素芝.一種新的自適應(yīng)動(dòng)態(tài)文化粒子群優(yōu)化算法[J]. 計(jì)算機(jī)應(yīng)用研究，2013（30）11：3240-3243.

[10]于海鵬，翟紅生.基于混合策略的自適應(yīng)粒子群優(yōu)化算法[J].計(jì)算機(jī)工程與設(shè)計(jì)，2014，35（07）：2552-2556.

[11]Shi Y，Eberhart R C.A Modified Particle Swarm Op-timizer[C]/ / Proceedings of the IEEE Congress onEvolutionary Computation.Now York： IEEE，1998：303-308.

[12]羅金炎.粒子群優(yōu)化算法慣性權(quán)重的一種動(dòng)態(tài)調(diào)整策略[J]沈陽(yáng)化工大大學(xué)學(xué)報(bào)，2013（04）：371-375.

[13]De Silva I J，Rider IM J，Romero R，et al.Transmission network expansion planning with security constraints[J].IEEE Proc Gener Transm Distrib，2005，152（6）：828-836.

[14]左浩，李雯.混沌粒子群與模糊聚類在圖像分割中的應(yīng)用[J].計(jì)算機(jī)工程與應(yīng)用，2012，48（02）：194-196.

[15]田雨波.混合神經(jīng)網(wǎng)絡(luò)技術(shù)[M].北京：科學(xué)出版社，2009.

第8篇：神經(jīng)網(wǎng)絡(luò)的思想范文

關(guān)鍵詞：電阻點(diǎn)焊；神經(jīng)網(wǎng)絡(luò)；消音鋸片

0序言

電阻點(diǎn)焊過(guò)程是一個(gè)高度非線性，既有多變量靜態(tài)疊加又有動(dòng)態(tài)耦合，同時(shí)又具有大量隨機(jī)不確定因素的復(fù)雜過(guò)程。這種復(fù)雜性使得傳統(tǒng)方法確定最佳工藝參數(shù)存在操作復(fù)雜、精度低等缺陷。

本文通過(guò)深入研究提出了一種神經(jīng)網(wǎng)絡(luò)優(yōu)化消音鋸片電阻點(diǎn)焊工藝參數(shù)方法。以試驗(yàn)數(shù)據(jù)為樣本，通過(guò)神經(jīng)網(wǎng)絡(luò)，建立焊接工藝參數(shù)與焊接性能之間的復(fù)雜模型，充分發(fā)揮神經(jīng)網(wǎng)絡(luò)的非線性映射能力。為準(zhǔn)確預(yù)測(cè)點(diǎn)焊質(zhì)量提高依據(jù)。在運(yùn)用試驗(yàn)手段、神經(jīng)網(wǎng)絡(luò)高度非線性擬合能力結(jié)合的方式，能在很大程度上克服傳統(tǒng)方法的缺陷，完成網(wǎng)絡(luò)的訓(xùn)練、檢驗(yàn)和最優(yōu)評(píng)價(jià)，為電阻點(diǎn)焊過(guò)程的決策和控制提供可靠依據(jù)。

1原理

人工神經(jīng)網(wǎng)絡(luò)是用物理模型模擬生物神經(jīng)網(wǎng)絡(luò)的基本功能和結(jié)構(gòu)，可以在未知被控對(duì)象和業(yè)務(wù)模型情況下達(dá)到學(xué)習(xí)的目的。建立神經(jīng)網(wǎng)絡(luò)是利用神經(jīng)網(wǎng)絡(luò)高度并行的信息處理能力，較強(qiáng)的非線性映射能力及自適應(yīng)學(xué)習(xí)能力，同時(shí)為消除復(fù)雜系統(tǒng)的制約因素提供了手段。人工神經(jīng)網(wǎng)絡(luò)在足夠多的樣本數(shù)據(jù)的基礎(chǔ)上，可以很好地比較任意復(fù)雜的非線性函數(shù)。另外，神經(jīng)網(wǎng)絡(luò)的并行結(jié)構(gòu)可用硬件實(shí)現(xiàn)的方法進(jìn)行開(kāi)發(fā)。目前應(yīng)用最成熟最廣泛的一種神經(jīng)網(wǎng)絡(luò)是前饋多層神經(jīng)網(wǎng)絡(luò)（bp），通常稱為bp神經(jīng)網(wǎng)絡(luò)。

神經(jīng)網(wǎng)絡(luò)方法的基本思想是：神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)輸入與神經(jīng)網(wǎng)絡(luò)輸出的數(shù)學(xué)關(guān)系用以表示系統(tǒng)的結(jié)構(gòu)參數(shù)與系統(tǒng)動(dòng)態(tài)參數(shù)之間的復(fù)雜的物理關(guān)系，即訓(xùn)練。我們發(fā)現(xiàn)利用經(jīng)過(guò)訓(xùn)練的模型進(jìn)行權(quán)值和閾值的再修改和優(yōu)化（稱之為學(xué)習(xí)）時(shí)，其計(jì)算速度要大大快于基于其他優(yōu)化計(jì)算的速度。

bp神經(jīng)網(wǎng)絡(luò)一般由大量的非線性處理單元——神經(jīng)元連接組成的。具有大規(guī)模并行處理信息能力和極強(qiáng)的的容錯(cuò)性。每個(gè)神經(jīng)元有一個(gè)單一的輸出，但可以把這個(gè)輸出量與下一層的多個(gè)神經(jīng)元相連，每個(gè)連接通路對(duì)應(yīng)一個(gè)連接權(quán)系數(shù)。根據(jù)功能可以把神經(jīng)網(wǎng)絡(luò)分為輸入層，隱含層（一或多層），輸出層三個(gè)部分。設(shè)每層輸入為ui(q)輸出為vi(q)。同時(shí)，給定了p組輸入和輸出樣本 ，dp（p=200）。

（6）

該網(wǎng)絡(luò)實(shí)質(zhì)上是對(duì)任意非線性映射關(guān)系的一種逼近，由于采用的是全局逼近的方法，因而bp網(wǎng)絡(luò)具有較好的泛化的能力。

我們主要是利用神經(jīng)網(wǎng)絡(luò)的非線性自適應(yīng)能力，將它用于消音鋸片的電阻點(diǎn)焊過(guò)程。訓(xùn)練過(guò)程是：通過(guò)點(diǎn)焊實(shí)驗(yàn)獲得目標(biāo)函數(shù)與各影響因素間的離散關(guān)系，用神經(jīng)網(wǎng)絡(luò)的隱式來(lái)表達(dá)輸入輸出的函數(shù)關(guān)系，即將實(shí)驗(yàn)數(shù)據(jù)作為樣本輸入網(wǎng)絡(luò)進(jìn)行訓(xùn)練，建立輸入輸出之間的非線性映射關(guān)系，并將知識(shí)信息儲(chǔ)存在連接權(quán)上，從而利用網(wǎng)絡(luò)的記憶功能形成一個(gè)函數(shù)。不斷地迭代可以達(dá)到sse（誤差平方和）最小。

我們這次做的消音金剛石鋸片電焊機(jī)，通過(guò)實(shí)驗(yàn)發(fā)現(xiàn)可以通過(guò)采用雙隱層bp神經(jīng)網(wǎng)絡(luò)就可以很好的反應(yīng)輸入輸出參數(shù)的非線性關(guān)系。輸入神經(jīng)元為3，分別對(duì)應(yīng)3個(gè)電阻點(diǎn)焊工藝參數(shù)。輸出神經(jīng)元為1，對(duì)應(yīng)焊接質(zhì)量指標(biāo)參數(shù)。設(shè)第1隱含層神經(jīng)元取為s1，第2隱含層神經(jīng)元取為s2。輸入層和隱含層以及隱層之間的激活函數(shù)都選取log-sigmoid型函數(shù)，輸出層的激活函數(shù)選取pureline型函數(shù)。

2點(diǎn)焊樣本的選取

影響點(diǎn)焊質(zhì)量的參數(shù)有很多，我們選取點(diǎn)焊時(shí)的控制參數(shù)，即點(diǎn)焊時(shí)間，電極力和焊接電流，在固定式點(diǎn)焊機(jī)上進(jìn)行實(shí)驗(yàn)。選用鋼種為50mn2v，φ600m的消音型薄型圓鋸片基體為進(jìn)行實(shí)驗(yàn)。對(duì)需要優(yōu)化的參數(shù)為點(diǎn)焊時(shí)間，電極力和焊接電流3個(gè)參數(shù)進(jìn)行的訓(xùn)練。最后的結(jié)果為焊接質(zhì)量，通常以鋸片的抗拉剪載荷為指標(biāo)。

建立bp神經(jīng)網(wǎng)絡(luò)時(shí)，選擇樣本非常重要。樣本的選取關(guān)系到所建立的網(wǎng)絡(luò)模型能否正確反映所選點(diǎn)焊參數(shù)和輸出之間的關(guān)系。利用插值法，將輸入變量在較理想的區(qū)間均勻分布取值，如果有m個(gè)輸入量，每個(gè)輸入量均勻取n個(gè)值（即每個(gè)輸入量有m個(gè)水平數(shù)）, 則根據(jù)排列組合有nm個(gè)樣本。對(duì)應(yīng)于本例，有3個(gè)輸入量，每個(gè)變量有5個(gè)水平數(shù)，這樣訓(xùn)練樣本的數(shù)目就為53=125個(gè)。

我們的實(shí)驗(yàn)，是以工人的經(jīng)驗(yàn)為參考依據(jù)，發(fā)現(xiàn)點(diǎn)焊時(shí)間范圍為2~8s，電極力范圍為500~3000n，點(diǎn)焊電流范圍為5~20ka時(shí)，焊接質(zhì)量比較好。我們先取點(diǎn)焊電流，電極力為定量，在合理的范圍內(nèi)不斷改變點(diǎn)焊時(shí)間，得到抗拉剪載荷。如此，可以得到不同點(diǎn)焊電流和電極力的抗拉剪載荷。根據(jù)點(diǎn)焊數(shù)據(jù)的情況，我們共選用200組數(shù)據(jù)。部分測(cè)試數(shù)據(jù)如表1：

神經(jīng)網(wǎng)絡(luò)建模的關(guān)鍵是訓(xùn)練，而訓(xùn)練時(shí)隨著輸入?yún)?shù)個(gè)數(shù)的增加樣本的排列組合數(shù)也急劇增加，這就給神經(jīng)網(wǎng)絡(luò)建模帶來(lái)了很大的工作量，甚至于無(wú)法達(dá)到訓(xùn)練目的。

3神經(jīng)網(wǎng)絡(luò)

我們用200組訓(xùn)練樣本對(duì)進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練，以err_goal=0.01為目標(biāo)。調(diào)用matlab神經(jīng)網(wǎng)絡(luò)工具箱中的函數(shù)編程計(jì)算，實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)的訓(xùn)練，訓(xùn)練完成后便得到一個(gè)網(wǎng)絡(luò)模型。

程序如下：

x1=[2.1 2.5 3 3.5 4……]； %點(diǎn)焊時(shí)間輸入，取200組

x2=[1.3 1.5 1.9 2.1 2.3……]；%電極力輸入，取200組

x3=[9 10 11 12 13……];%點(diǎn)焊電流輸入，取200組

y=[2756 3167 3895 3264 2877……]； %輸出量，取200組

net=newff([1 10;0.5 3;5 20],[10 10 1],{'tansig''tansig''purelin'});

%初始化網(wǎng)絡(luò)

net.trainparam.goal = 0.01;%設(shè)定目標(biāo)值

net=train(net,[x1;x2;x3],y);%訓(xùn)練網(wǎng)絡(luò)

figure； %畫(huà)出圖像

選取不同的s1,s2，經(jīng)過(guò)不斷的神經(jīng)網(wǎng)絡(luò)訓(xùn)練，發(fā)現(xiàn)當(dāng)s1=8,s2=6時(shí)，神經(jīng)網(wǎng)絡(luò)可以達(dá)到要求。工具箱示意圖如下圖1。

圖 1工具箱示意圖

工具箱示意圖非常清晰地表示了本實(shí)驗(yàn)的神經(jīng)網(wǎng)絡(luò)的輸入，輸出以及訓(xùn)練的過(guò)程。

神經(jīng)網(wǎng)絡(luò)的訓(xùn)練結(jié)果，如圖2所示:

圖2神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程

圖中可以看出雙層網(wǎng)絡(luò)訓(xùn)練的sse在訓(xùn)練100次時(shí)，已經(jīng)接近0.0001，效果較理想。

為了驗(yàn)證經(jīng)過(guò)訓(xùn)練的網(wǎng)絡(luò)模型的泛化能力，在輸入變量所允許的區(qū)域內(nèi)又另選多個(gè)樣本進(jìn)行了計(jì)算。發(fā)現(xiàn)：利用bp神經(jīng)網(wǎng)絡(luò)模型計(jì)算的測(cè)試輸出與期望輸出值相符，誤差小于2％。

在已經(jīng)訓(xùn)練好的網(wǎng)絡(luò)中找出最大值：

for i=2:10 %點(diǎn)焊時(shí)間選擇

for j=0.5:0.1:3%電極力選擇

fork=5:0.1:20%點(diǎn)焊電流選擇

a=sim(net,[i,j,k])；%仿真

ifa>n %比較仿真結(jié)果與最大值，取最大值n=a；

i(1)=i；%最大值的時(shí)間

j(1)=j；%最大值的電極力

k(1)=k； %最大值的電流

end

end

end

end

將i（1）,j（1）,k（1）以及n輸出，n為最大值。得到點(diǎn)焊時(shí)間為3.4s，電極力為12.7kn，點(diǎn)焊電流為11.8ka，此時(shí)的抗剪拉剪載荷為4381n，為訓(xùn)練結(jié)果的最大值。將點(diǎn)焊時(shí)間為3.4s，電極力為12.7kn，點(diǎn)焊電流為11.8ka在點(diǎn)焊機(jī)上進(jìn)行實(shí)驗(yàn)，得到結(jié)果為4297n。并且通過(guò)與實(shí)際的結(jié)果相比較，發(fā)現(xiàn)誤差也在2%以內(nèi)。

4結(jié)論

1）本文采用了插值法作為選取bp神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本的方法。并且在數(shù)據(jù)變化劇烈的地方多選取了75組數(shù)據(jù)，這樣可以得到較高精度的網(wǎng)絡(luò)模型，使點(diǎn)焊模型的可行性。

2）基于此方法建立了三個(gè)點(diǎn)焊參數(shù)的bp神經(jīng)網(wǎng)絡(luò)模型，而且所建的bp模型具有較高的精度，可以很好的描述了這三個(gè)點(diǎn)焊參數(shù)與點(diǎn)焊質(zhì)量的映射關(guān)系。

3）由于神經(jīng)網(wǎng)絡(luò)模型將系統(tǒng)結(jié)構(gòu)參數(shù)與傳統(tǒng)動(dòng)態(tài)特性參數(shù)之間的物理關(guān)系，反映為神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)輸入與網(wǎng)絡(luò)輸出的數(shù)學(xué)關(guān)系，因此，在神經(jīng)網(wǎng)絡(luò)模型上進(jìn)行結(jié)構(gòu)修正與優(yōu)化比在其他模型上更直接，簡(jiǎn)單與高效。

本文采用神經(jīng)網(wǎng)絡(luò)的方法優(yōu)化復(fù)合消音鋸片的點(diǎn)焊工藝參數(shù)，為分析點(diǎn)焊質(zhì)量提供了很好的輔助手段。通過(guò)與以前工藝相比較，提高了點(diǎn)焊質(zhì)量。

參考文獻(xiàn)：

[1] 方平,熊麗云.點(diǎn)焊電流有效值神經(jīng)網(wǎng)絡(luò)實(shí)時(shí)計(jì)算方法研究.[j].機(jī)械工程學(xué)報(bào),2004（11）.148-152.

第9篇：神經(jīng)網(wǎng)絡(luò)的思想范文

 

目前國(guó)內(nèi)外常用的信息安全風(fēng)險(xiǎn)評(píng)價(jià)模型主要由層次分析法(AHP)、基于概率統(tǒng)計(jì)的ALE算法，模糊綜合評(píng)價(jià)法等，也取得了一定的研究成果。但上述算法的基本思想是基于線性映射和概率密度分布的，即各風(fēng)險(xiǎn)指標(biāo)與最終評(píng)價(jià)結(jié)果之間存在著線性關(guān)系[2]。然而，這種關(guān)系的存在是否科學(xué)至今也沒(méi)有得到準(zhǔn)確的答復(fù)，同時(shí)這些方法在實(shí)施時(shí)雖然給出了定量計(jì)算的算法，但操作較為繁瑣，難以達(dá)到快速識(shí)別的要求。目前應(yīng)用較廣泛的BP神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)算法存在著網(wǎng)絡(luò)參數(shù)難確定、收斂速度較慢且易陷入極小值等問(wèn)題。為了解決上述問(wèn)題，本文應(yīng)用魚(yú)群算法對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行了改進(jìn)，結(jié)合信息安全評(píng)價(jià)實(shí)例進(jìn)行了測(cè)試，并將測(cè)試數(shù)據(jù)與標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行了比較與分析，取得了理想的結(jié)果。

 

一、信息安全的概念

 

所謂的信息安全評(píng)估指的是通過(guò)分析信息系統(tǒng)所包含的資產(chǎn)總值、識(shí)別系統(tǒng)本身的防御機(jī)制以及所受到的危險(xiǎn)性系數(shù)，利用數(shù)學(xué)模型綜合判斷出系統(tǒng)當(dāng)前的風(fēng)險(xiǎn)值。信息安全風(fēng)險(xiǎn)評(píng)估主要包括三方面的內(nèi)容，分別是資產(chǎn)總值識(shí)別、外部威脅識(shí)別以及脆弱性識(shí)別。資產(chǎn)總值識(shí)別是為了識(shí)別出系統(tǒng)所涉及的資產(chǎn)總值，外部威脅識(shí)別指的是識(shí)別當(dāng)前狀態(tài)下系統(tǒng)受攻擊或威脅的程度，而脆弱性識(shí)別指的是系統(tǒng)自身的脆弱性程度。其中綜合考慮外部威脅以及內(nèi)部脆弱性可以得出發(fā)生風(fēng)險(xiǎn)事件的危害性，而自然總值識(shí)別再加上脆弱性識(shí)別就可以得到系統(tǒng)的易損性，基于上述過(guò)程可以得到信息安全系統(tǒng)的風(fēng)險(xiǎn)值。

 

二、基本BP神經(jīng)網(wǎng)絡(luò)算法

 

BP神經(jīng)網(wǎng)絡(luò)算法是一種采用誤差反向傳播的多層前饋感知器。其特點(diǎn)是具有分布式的信息存儲(chǔ)方式，能進(jìn)行大規(guī)模并行處理，并具有較強(qiáng)的自學(xué)習(xí)及自適應(yīng)能力。BP網(wǎng)絡(luò)由輸入層(感知單元)、計(jì)算層(隱藏層)、輸出層三部分組成。輸入層神經(jīng)元首先將輸入信息向前傳遞至隱含層節(jié)點(diǎn)，經(jīng)過(guò)激活函數(shù)預(yù)處理后，隱層節(jié)點(diǎn)再將輸出信息傳送至輸出層得到結(jié)果輸出。輸入層與輸出層節(jié)點(diǎn)的個(gè)數(shù)取決于輸入、輸出向量的維數(shù)，隱含層節(jié)點(diǎn)個(gè)數(shù)目前并沒(méi)有統(tǒng)一的標(biāo)準(zhǔn)進(jìn)行參考，需通過(guò)反復(fù)試錯(cuò)來(lái)確定。根據(jù)Kolmogorov定理，具有一個(gè)隱層的三層BP神經(jīng)網(wǎng)絡(luò)能在閉集上以任意精度逼近任意非線性連續(xù)函數(shù)，所以本文選擇單隱層的BP神經(jīng)網(wǎng)絡(luò)。

 

三、人工魚(yú)群算法

 

3.1基本原理

 

通過(guò)對(duì)魚(yú)類覓食的觀察可知，魚(yú)類一般能自行或者尾隨其他同伴找到食物數(shù)量相對(duì)充足的地方。因此，一般魚(yú)類數(shù)量較多的地區(qū)即為食物相對(duì)充足的區(qū)域。人工魚(yú)群算法是指通過(guò)長(zhǎng)期對(duì)魚(yú)類覓食行為的觀察，構(gòu)造人工魚(yú)來(lái)模擬魚(yú)類的覓食、群聚、尾隨以及隨機(jī)行為，從而完成全局最優(yōu)值的尋找。算法所包含的基本過(guò)程如下：

 

覓食行為：魚(yú)類會(huì)利用視覺(jué)或嗅覺(jué)來(lái)感知水中食物濃度的高低，以此來(lái)選擇覓食的路線。

 

聚群行為：魚(yú)類一般會(huì)以群體形式進(jìn)行覓食，以此來(lái)躲避天敵的傷害并以最大概率獲得準(zhǔn)確的覓食路線。

 

尾隨行為：當(dāng)群體中的某條魚(yú)或幾條魚(yú)尋找到食物后，其附近的其他同伴會(huì)立刻尾隨而來(lái)，其他更遠(yuǎn)處的魚(yú)也會(huì)相繼游過(guò)來(lái)。

 

隨機(jī)行為：魚(yú)在水中的活動(dòng)是不受外界支配的，基本上處于隨機(jī)狀態(tài)，這種隨機(jī)性有利于魚(yú)類更大范圍的尋找食物及同伴。

 

3.2 魚(yú)群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的原理

 

BP神經(jīng)網(wǎng)絡(luò)在求解最優(yōu)化問(wèn)題時(shí)容易陷入局部極值，并且網(wǎng)絡(luò)的收斂速度較慢。魚(yú)群算法通過(guò)設(shè)定人工魚(yú)個(gè)體，模擬魚(yú)群在水中的覓食、尾隨和群聚行為，通過(guò)個(gè)體的局部尋優(yōu)，最終實(shí)

 

現(xiàn)全局尋優(yōu)。人工魚(yú)在不斷感知周圍環(huán)境狀況及

 

同伴狀態(tài)后，集結(jié)在幾個(gè)局部最優(yōu)點(diǎn)處，而值較大的最優(yōu)點(diǎn)附近一般會(huì)匯集較多的人工魚(yú)，這有

 

助于判斷并實(shí)現(xiàn)全局最優(yōu)值的獲取。因此用人工魚(yú)群算法來(lái)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)是一種合理的嘗試。

 

3.3 具體工作步驟

 

人工魚(yú)群算法用于優(yōu)化神經(jīng)網(wǎng)絡(luò)時(shí)的具體步驟如下：

 

①設(shè)定BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，確定隱層節(jié)點(diǎn)數(shù)目;

 

②設(shè)定人工魚(yú)參數(shù)，主要包括個(gè)體間距離、有效視線范圍以及移動(dòng)步長(zhǎng)等;

 

③人工魚(yú)進(jìn)行覓食、群聚及尾隨行為來(lái)優(yōu)化BP神經(jīng)網(wǎng)絡(luò);

 

④通過(guò)設(shè)定的狀態(tài)參量，判斷是否達(dá)到目標(biāo)精度;

 

⑤若達(dá)到精度要求則輸出網(wǎng)絡(luò)優(yōu)化權(quán)值，并執(zhí)行網(wǎng)絡(luò)循環(huán)，否則繼續(xù)改化參數(shù)進(jìn)行優(yōu)化;

 

⑥輸出最終優(yōu)化參數(shù)并進(jìn)行計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)。

 

四、仿真實(shí)驗(yàn)

 

將信息安全風(fēng)險(xiǎn)評(píng)估常用的3項(xiàng)評(píng)價(jià)指標(biāo)的分值作為BP神經(jīng)網(wǎng)絡(luò)的輸入，網(wǎng)絡(luò)的期望輸出只有一項(xiàng)，即安全綜合評(píng)價(jià)分值。目前用于信息安全風(fēng)險(xiǎn)評(píng)價(jià)的數(shù)據(jù)還很少，本文采用文獻(xiàn)[3]所列的15組典型信息安全單項(xiàng)指標(biāo)評(píng)價(jià)數(shù)據(jù)，其中1-10項(xiàng)作為訓(xùn)練，11-15項(xiàng)用于仿真。通過(guò)實(shí)際實(shí)驗(yàn)分析，本文將權(quán)值調(diào)整參數(shù)α=0.1，閾值調(diào)整參數(shù)β=0.1，隱層神經(jīng)元數(shù)目為6，學(xué)習(xí)精度ε=0.0001。網(wǎng)絡(luò)經(jīng)過(guò)2000次訓(xùn)練，收斂于所要求的誤差，人工魚(yú)群算法的相關(guān)參數(shù)： 種群大小為39;可視域?yàn)?.8;最大移動(dòng)步長(zhǎng)為0.6;擁擠度因子為3.782。然后對(duì)檢驗(yàn)樣本及專家評(píng)價(jià)樣本進(jìn)行仿真，結(jié)果如表1所示。可以看出，魚(yú)群神經(jīng)網(wǎng)絡(luò)得到的仿真結(jié)果與期望值之間的平均誤差為0.001，而標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)為0.0052，所以魚(yú)群神經(jīng)網(wǎng)絡(luò)的得到的仿真精度較高，取得了理想的實(shí)驗(yàn)結(jié)果。

 

五、結(jié)論

 

本文將魚(yú)群算法和神經(jīng)網(wǎng)絡(luò)結(jié)合起來(lái)對(duì)信息安全評(píng)價(jià)進(jìn)行了研究，得到了如下幾個(gè)結(jié)論：

 

(1) 基于魚(yú)群算法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)具有收斂速度快、擬合精度高等優(yōu)點(diǎn)，克服了標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)收斂速度慢、容易陷入局部極小值的缺點(diǎn)。同時(shí)，優(yōu)化算法編碼過(guò)程簡(jiǎn)單，并具有較強(qiáng)的魯棒性。

 

(2) 本文采用的實(shí)驗(yàn)數(shù)據(jù)僅有15個(gè)，基于魚(yú)群算法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)精度有明顯提高，避免了由于樣本數(shù)量少造成的擬合精度低等缺點(diǎn)。

 

(3) 通過(guò)將標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)算法與魚(yú)群神經(jīng)網(wǎng)絡(luò)算法進(jìn)行對(duì)比發(fā)現(xiàn)，后者的收斂速度明顯加快并且自組織能力也有一定提高，在實(shí)際的工程建設(shè)中可以將其代替?zhèn)鹘y(tǒng)的BP神經(jīng)網(wǎng)絡(luò)算法來(lái)進(jìn)行信息安全的風(fēng)險(xiǎn)評(píng)估。