神經(jīng)網(wǎng)絡(luò)的特性精選(九篇)

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

第1篇：神經(jīng)網(wǎng)絡(luò)的特性范文

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

1 類人工神經(jīng)網(wǎng)絡(luò)特性

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

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

（1）對信息的并行分布處理能力；

（2）高強的容錯能力；

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

（4）很強的信息綜合能力；

（5）信息的優(yōu)化計算能力；

（6） 便于集成實現(xiàn)和計算模擬

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

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

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

作用。

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

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

GRNN（Generlized Regnssion Neurl

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

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

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

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

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

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

4 結(jié)論和展望

4.1 結(jié)論

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

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

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

4.2 展望

（1）如何在矢量控制的框架下補償參數(shù)隨時間常數(shù)的變化對計量性能帶來的影響，是一個重要的研究課題，也是我們以往研究結(jié)果的基礎(chǔ)上進一步努力的方向；

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

參考文獻

第2篇：神經(jīng)網(wǎng)絡(luò)的特性范文

摘要:

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

關(guān)鍵詞:

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

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

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

1模型結(jié)構(gòu)及原理

1．1小波分析對水文時間序列進行小波分析時，使用連續(xù)小波變換或離散小波變換得到的小波變換系數(shù)冗余，因此常用快速的小波變換算法計算，不涉及具體的小波函數(shù)，主要有Mallat算法和ATrous算法。相比原始時間序列，Mallat算法重構(gòu)后的時間序列因其二進抽取、插值處理，容易出現(xiàn)相位失真［9－11］，并會發(fā)生一定的偏移，而ATrous算法為無抽取離散小波變換，具備平移時不變性的特性，它只是對濾波器組進行內(nèi)插補零，其每級分解系數(shù)和原始時間序列的長度保持一致，因此本文小波分析采用ATrous算法。

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

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

2預(yù)測性能評價指標

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

3模型仿真

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

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

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

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

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

4模型適用性分析

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

5結(jié)語

筆者提出小波分析與不同人工神經(jīng)網(wǎng)絡(luò)耦合的預(yù)測模型。組合模型可將高度復(fù)雜的非穩(wěn)定年徑流序列分頻率提取的成分輸入人工神經(jīng)網(wǎng)絡(luò)進行預(yù)測，巧妙地避開了單一預(yù)測模型預(yù)測精度不高的問題;而不同的小波神經(jīng)網(wǎng)絡(luò)組合模型則進一步探討了小波分析和不同人工神經(jīng)網(wǎng)絡(luò)耦合的密切程度，得到預(yù)測精度較高的小波神經(jīng)網(wǎng)絡(luò)模型的組合結(jié)構(gòu)。本文以宜昌水文站100a實測年均徑流量序列為例，進行實例對比驗證。對比分析模型模擬成果表明，小波神經(jīng)網(wǎng)絡(luò)組合模型對徑流預(yù)測的適應(yīng)性強于人工神經(jīng)網(wǎng)絡(luò)模型，而小波RBF網(wǎng)絡(luò)模型比小波BP網(wǎng)絡(luò)模型具有更優(yōu)適應(yīng)性，小波RBF網(wǎng)絡(luò)模型能更好地揭示水文隨機序列的變化特性且提高了預(yù)測精度和速率，為水文工作提供了有效可行的預(yù)報方法，對水文資料的預(yù)測和插補延長具有實際意義。

參考文獻:

［1］包為民．水文預(yù)報［M］．北京:中國水利水電出版社，2009．

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

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

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

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

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

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

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

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

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

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

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

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

［14］SL250－2000水文情報預(yù)報規(guī)范［S］．

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

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

第3篇：神經(jīng)網(wǎng)絡(luò)的特性范文

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

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

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

Application of PID Neural Network in Electric Cooker Controlling Systems

REN Hui, WANG Wei-zhi

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

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

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

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

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

1 PID神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)

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

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

1.2 控制系統(tǒng)結(jié)構(gòu)及其工作原理

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

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

第4篇：神經(jīng)網(wǎng)絡(luò)的特性范文

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

1.引言

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

2.神經(jīng)網(wǎng)絡(luò)概述及原理

2.1.BP神經(jīng)網(wǎng)絡(luò)

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

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

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

2.1.2 BP神經(jīng)網(wǎng)絡(luò)模型的建立

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

2.2.徑向基神經(jīng)網(wǎng)絡(luò)

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

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

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

3.實驗結(jié)果

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

4 結(jié)語：

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

參考文獻：

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

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

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

第5篇：神經(jīng)網(wǎng)絡(luò)的特性范文

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

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

從近幾年在國內(nèi)神經(jīng)網(wǎng)絡(luò)的使用來看，在環(huán)境監(jiān)測中也有著非常良好的效果。無論是從色譜法、光譜法還是整個環(huán)境的評價都帶來了很多新的成果。該文主要是通過對神經(jīng)網(wǎng)絡(luò)相關(guān)分類的闡述，結(jié)合神經(jīng)網(wǎng)絡(luò)在環(huán)境監(jiān)測中的應(yīng)用效果，希望能給神經(jīng)網(wǎng)絡(luò)對環(huán)境監(jiān)測中做一些回顧和總結(jié)[1]。

1 網(wǎng)絡(luò)方法類別

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

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

在化學(xué)方面，國內(nèi)與有很多用于化合物的一些研究，比如一些有機結(jié)構(gòu)分析，還有化學(xué)反應(yīng)、蛋白質(zhì)結(jié)構(gòu)等等的分析。在進行定量的構(gòu)效關(guān)系分析中，可以把釀酒的酵母菌來作為一種模型的指示物，建立相關(guān)網(wǎng)絡(luò)模型，然后對生物的毒性進行進一步預(yù)測，當(dāng)然，在分析過程中還存在著很多的問題，通過比較一些網(wǎng)絡(luò)模型，然后計算它們之間的權(quán)值，再篩選相出相應(yīng)的參數(shù)，學(xué)者們在分析的時候也會對多層前傳網(wǎng)絡(luò)進行探討分析，盡量減低誤差，通過多方向的非線性校準，并且進行數(shù)據(jù)解析，然后表明引射能力，通過建立神經(jīng)網(wǎng)絡(luò)來不斷接近規(guī)律的程度，擬定相關(guān)的指標數(shù)[2]。

3 分光光度的方法應(yīng)用

在化學(xué)分析進程中，通過多元校正和分辨是相對來說較好的一種方法。隨著相關(guān)方法的不斷普及，目前大多數(shù)是使網(wǎng)絡(luò)和現(xiàn)有的紫外光譜法相互關(guān)聯(lián)，利用線性網(wǎng)絡(luò)、BP網(wǎng)絡(luò)等來用于多個分組的報道[3]。鄧勃等[4]學(xué)者在分析的時候，認為除了人工神經(jīng)網(wǎng)絡(luò)，迭代目標轉(zhuǎn)換因子的分析法相比較起來也是一種不錯的選擇，兩種方法各有優(yōu)勢，并且產(chǎn)生的網(wǎng)絡(luò)法的誤差一般都不會很大。孫益民等專家在分析時，利用現(xiàn)有的人工神經(jīng)網(wǎng)絡(luò)先后側(cè)出的光度法，并且可以測定比如銅、鎳，并且這個分析方式非常的簡單和方便[5]。

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

研究人員通過神經(jīng)網(wǎng)絡(luò)建立與X射線熒光譜譜法的關(guān)系，通過多個不同的神經(jīng)網(wǎng)絡(luò)來應(yīng)用，可以通過他們之間的連接來測定酸溶鋁，通過神經(jīng)網(wǎng)絡(luò)的設(shè)置，可以測定里面的最低的鋁值，通過神經(jīng)網(wǎng)絡(luò)與BP的網(wǎng)絡(luò)模型的設(shè)立，可以直接輸入測出來的鋁含量情況，然后通過鋁含量來側(cè)出酸溶出來的鋁的數(shù)值。BP模型可以結(jié)合現(xiàn)有的神經(jīng)網(wǎng)絡(luò)系統(tǒng)，充分的在現(xiàn)有的信息模型上應(yīng)用，通過利用網(wǎng)絡(luò)神經(jīng)的結(jié)構(gòu)，不僅可以做一些化學(xué)分析，還可以通過神經(jīng)網(wǎng)絡(luò)來檢測環(huán)境監(jiān)測中涉及到的紅外譜圖等的分析，這為環(huán)境分析提供了非常有意義的方向，并且給環(huán)境監(jiān)測提供了新的檢測方法[6]。

5 環(huán)境監(jiān)測中的色譜法的研究

在關(guān)于色譜法的研究中，人工神經(jīng)網(wǎng)絡(luò)也有可以應(yīng)用的方向[7]。色譜法中的小波分析，與人工神經(jīng)網(wǎng)絡(luò)的結(jié)合，小波分析的主要目的是為了得到重疊的色譜峰的信息，運用神經(jīng)網(wǎng)絡(luò)分析之后，可以在其中建立相關(guān)的模型，通過兩者的結(jié)合來分開重疊的色譜峰信息，眾所周知，把重疊色譜分開是一個非常復(fù)雜的工程，它們之間需要運用大量的元素來分開，效率極低，極其浪費時間。因為其內(nèi)里復(fù)雜的重疊組織，而現(xiàn)在，人工神經(jīng)網(wǎng)絡(luò)為其分離提供了一種新的嘗試[8]，不僅如此，通過人工神經(jīng)網(wǎng)絡(luò)的方法不僅可以分離，而且可以在分離之后得到更加精確的色譜信息。研究工作者在模擬退火神經(jīng)網(wǎng)絡(luò)的時候，會運用藥物來優(yōu)化整個分離的條件，這對于提高色譜精確度也非常有效。

6 環(huán)境監(jiān)測中的評價

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

7 結(jié)語

人工神經(jīng)網(wǎng)絡(luò)在整個環(huán)境監(jiān)測中有著非常重要的作用，它擁有一些比較有意義特性，總共可以總結(jié)為以下3個方面：第一，人工神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)的特性。可以通過大量的圖像來設(shè)計，進行相關(guān)的圖像識別，把不同的幾個圖像進行整合分析，并且把與之相互對應(yīng)的結(jié)果嵌入到神經(jīng)網(wǎng)絡(luò)系統(tǒng)中，系統(tǒng)會根據(jù)自己特有的自學(xué)功能，對以后相關(guān)的圖像進行識別操作，它可以給人們提供一些預(yù)測結(jié)果，甚至在未來的無論是經(jīng)濟還是政治等方面提供一些預(yù)測，預(yù)測經(jīng)濟和市場，給未來的發(fā)展提供引導(dǎo)。第二，系統(tǒng)具有可存儲的特性。人工神經(jīng)網(wǎng)絡(luò)里面包含了一種反饋的功能，而通過輸入信息和模型整合，聯(lián)系不同元素之間的關(guān)系，得出一些可能的聯(lián)想信息。最后，神經(jīng)網(wǎng)絡(luò)還有一項功能便是優(yōu)化得出答案的能力。

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

人工神經(jīng)網(wǎng)絡(luò)在環(huán)境監(jiān)測中表現(xiàn)的效果比較好，但是除此之外，在其他領(lǐng)域，運用神經(jīng)系統(tǒng)也可以得到一些相關(guān)的數(shù)據(jù)，比如經(jīng)濟領(lǐng)域，它可以通過建立信息模型，來進行市場預(yù)測和風(fēng)險評估，這些都是很好的應(yīng)用方式。在未來的實踐中，隨著經(jīng)驗的積累，神經(jīng)網(wǎng)絡(luò)的應(yīng)用在環(huán)境監(jiān)測中會不斷地深入，通過在色譜、光度等領(lǐng)域的剖析，為未來的環(huán)境監(jiān)測效果提供了更多的可能性。

參考文獻

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

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

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

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

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

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

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

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

第6篇：神經(jīng)網(wǎng)絡(luò)的特性范文

[關(guān)鍵詞] 廣義回歸神經(jīng)網(wǎng)絡(luò) 經(jīng)濟預(yù)測 評價指標體系

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

一、廣義回歸神經(jīng)網(wǎng)絡(luò)

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

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

二、GRNN在經(jīng)濟預(yù)測中的應(yīng)用

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

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

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

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

三、結(jié)論

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

參考文獻：

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

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

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

第7篇：神經(jīng)網(wǎng)絡(luò)的特性范文

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

中圖分類號：TP18 文獻標識碼：A 文章編號：1009-3044（2014）03-0614-03

隨著互聯(lián)網(wǎng)應(yīng)用的發(fā)展，更現(xiàn)顯了網(wǎng)絡(luò)安全的重要性。入侵檢測技術(shù)在安全防護中是一種主動防護技術(shù)，能及時地檢測各種惡意入侵，并在網(wǎng)絡(luò)系統(tǒng)受到危害時進行響應(yīng)，因此在為安全防御體系中入侵檢測系統(tǒng)占有重要的地位。但是在現(xiàn)實的應(yīng)用中，入侵檢測系統(tǒng)沒有充分發(fā)揮其作用。這是因為，不斷變化的入侵方式要求入侵檢測模型必須具有分析大量數(shù)據(jù)的能力。無論這些數(shù)據(jù)是不完全的，是非結(jié)構(gòu)化的，或者是含有噪音的。而且，有些攻擊是由處于不同網(wǎng)絡(luò)位置上的多個攻擊者協(xié)作進行的，這就要求入侵檢測模型又必須具備處理來自非線性數(shù)據(jù)源的大量數(shù)據(jù)的能力。神經(jīng)網(wǎng)絡(luò)具有聯(lián)想記憶能力、自學(xué)習(xí)能力和模糊運算的能力。因此將神經(jīng)網(wǎng)絡(luò)應(yīng)用入侵檢測中，它不僅可以識別出曾見過的入侵，還可以識別出未曾見過的入侵。該文首先介紹了一種改進的神經(jīng)網(wǎng)絡(luò)算法，然后分析了該算法在入侵檢測中的應(yīng)用，并給出試驗仿真結(jié)果。

1 BP神經(jīng)網(wǎng)絡(luò)與入侵檢測

1.1 BP神經(jīng)網(wǎng)絡(luò)的特點與不足

BP神經(jīng)網(wǎng)絡(luò)是神經(jīng)網(wǎng)絡(luò)模型中應(yīng)用最廣泛一種。它基于成熟的BP算法，主要有以下幾個特點：1）它能夠?qū)崿F(xiàn)自組織、自學(xué)習(xí)，根據(jù)給定的輸入輸出樣本自動調(diào)整它的網(wǎng)絡(luò)參數(shù)來模擬輸入輸出之間的非線性關(guān)系。2）在存儲上采用分布式存儲，所有的信息分布存儲在每一個神經(jīng)元中。3）它還可以實現(xiàn)并行處理，下一層的每個神經(jīng)元可以根據(jù)接收到的上一層信息同時獨立地計算。這些特點使其很適合應(yīng)用于入侵檢測技術(shù)，滿足入侵檢測的適應(yīng)性、可靠性、安全性和高效性的要求。

但是傳統(tǒng)的BP算法也存在著以下幾個方面的不足：1）局部極小；2）學(xué)習(xí)算法收斂速度慢；3）隱含層節(jié)點選取缺乏理論；4）加入新的樣本會影響已經(jīng)學(xué)完的樣本；5）每次輸入樣本特征的數(shù)目必須確定且相同。

1.2 入侵檢測技術(shù)

通過對系統(tǒng)數(shù)據(jù)的分析，當(dāng)發(fā)現(xiàn)有非授權(quán)的網(wǎng)絡(luò)訪問和攻擊行為時，采取報警、切斷入侵線路等措施來維護網(wǎng)絡(luò)安全，這被就是入侵檢測技術(shù)。采用此技術(shù)設(shè)計的系統(tǒng)稱為入侵檢測系統(tǒng)。根據(jù)采用的技術(shù)來說入侵檢測系統(tǒng)應(yīng)具有以下幾個特性：1）監(jiān)視用戶及系統(tǒng)活動；2） 分析用戶及系統(tǒng)活動；3） 異常行為模式分析；4） 識別已知的進攻活動模式并反映報警；5） 系統(tǒng)構(gòu)造和弱點的審計，操作系統(tǒng)的審計跟蹤管理；6） 評估重要的系統(tǒng)和數(shù)據(jù)文件的完整性，并識別用戶違反安全策略的行為。

目前最常用的攻擊手段有：拒絕服務(wù)、探測、非授權(quán)訪問和非授權(quán)獲得超級用戶權(quán)限攻擊。而且這些攻擊手段在實際中還有很大的變異，因此給入侵檢測帶來了一定的難度。BP神經(jīng)網(wǎng)絡(luò)的自組織自學(xué)習(xí)能力，使得經(jīng)過訓(xùn)練后的BP神經(jīng)網(wǎng)絡(luò)對以前觀察到的入侵檢測行為模式進行歸納總結(jié)，除了可以識別出已經(jīng)觀察到的攻擊，還可以識別出由已知攻擊變異出的新的攻擊，甚至是全新的攻擊。

2.3 改進的神經(jīng)網(wǎng)絡(luò)算法

人工神經(jīng)網(wǎng)絡(luò)在模式識別、非線性處理、信號檢測等領(lǐng)域應(yīng)用非常多，這是由于人工神經(jīng)網(wǎng)絡(luò)具有的良好的自適應(yīng)和自組織性，高度的非線性特性以及大規(guī)模并行處理和分布式信息存儲能力的特性。BP神經(jīng)網(wǎng)絡(luò)算法實質(zhì)上是非線性優(yōu)化問題的梯度算法，該算法在收斂性問題上存在限制與不足。即該算法學(xué)習(xí)的結(jié)果不能保證一定收斂到均方誤差的全局最小點，也有可能落入局部極小點，使算法不收斂，導(dǎo)致陷入錯誤的工作模式。因此本文選擇了改進的神經(jīng)網(wǎng)絡(luò)，改進主要有以下幾點：

2）自動變速率學(xué)習(xí)法

傳統(tǒng)的BP算法是以梯度為基礎(chǔ)，采用LMS學(xué)習(xí)問題的最陡下降法，學(xué)習(xí)步長是一個固定不變的較小值，不利于網(wǎng)絡(luò)的收斂。因此，選擇了基于梯度方向來自動調(diào)節(jié)學(xué)習(xí)速率的方法。利用梯度確定學(xué)習(xí)的方向，由速率決定在梯度方向上學(xué)習(xí)的步長。因此，如果相鄰兩次的梯度方向相同則說明在該方向是有利收斂的方向，如果相鄰兩次的梯度方向相反則說明此處存在不穩(wěn)定。因此，可以利用兩次相對梯度變化來確定學(xué)習(xí)步長，當(dāng)兩次梯度方向相同時則增大學(xué)習(xí)步長，加快在該方向上的學(xué)習(xí)速度；而如果兩次梯度方向相反那么減小學(xué)習(xí)步長，加快整個網(wǎng)絡(luò)的收斂速度。這種方法的自適應(yīng)速率調(diào)節(jié)公式如下：

2）引入遺忘因子

本文所采用的自適應(yīng)變速率學(xué)習(xí)法是依據(jù)相鄰兩次梯度變化來確定學(xué)習(xí)步長的算法，但單純的學(xué)習(xí)速率的變化還不能即完全地既保證收斂速度，又不至于引起振蕩。因此考慮變相的學(xué)習(xí)速率的學(xué)習(xí)。即在權(quán)值的調(diào)節(jié)量上再加一項正比于前幾次加權(quán)的量。權(quán)值調(diào)節(jié)量為：

我們將[τ]稱為遺忘因子。遺忘因子項的引入就是對學(xué)習(xí)過程中等效的對學(xué)習(xí)速率進行微調(diào)的效果。遺忘因子起到了緩沖平滑的作用，使得調(diào)節(jié)向著底部的平均方向變化。

3）隨機優(yōu)化算子

雖然采用自動變速率學(xué)習(xí)法，并引入遺忘因子的神經(jīng)網(wǎng)絡(luò)算法可以對學(xué)習(xí)速率進行微調(diào)，但是仍存在著BP神經(jīng)網(wǎng)絡(luò)的限制與不足因此引入隨機優(yōu)化算子。也就是當(dāng)網(wǎng)絡(luò)的權(quán)值誤差迭代一定的次數(shù)后，仍沒有明顯的收斂，或者系統(tǒng)誤差函數(shù)的梯度連續(xù)幾次發(fā)生改變，這說明網(wǎng)絡(luò)進入了一個比較疲乏的狀態(tài)，需要借助外界的推動力來激活網(wǎng)絡(luò)。當(dāng)發(fā)現(xiàn)上述的兩種情況時，就產(chǎn)生與權(quán)值維數(shù)相同的隨機數(shù)，并將隨機數(shù)與權(quán)值直接相加，然后判斷系統(tǒng)誤差的變化。如果誤差沒有降低，那么就再繼續(xù)產(chǎn)生隨機數(shù)來修改權(quán)值，直到誤差減少，再從新的權(quán)值開始繼續(xù)BP算法。隨機優(yōu)化算子可以令搜索方向隨機變化，從而擺脫局部極小點。

4）改進算法與傳統(tǒng)算法比較

以200個訓(xùn)練樣本為例，分別采用改進的BP神經(jīng)網(wǎng)絡(luò)和經(jīng)典BP神經(jīng)網(wǎng)絡(luò)的方法進行學(xué)習(xí)、訓(xùn)練。兩種算法的誤差收斂對比曲線如圖1所示。

3 采用改進算法的入侵檢測仿真實驗

入侵檢測系統(tǒng)進行測試和評估需要標準的、可重現(xiàn)的并包含入侵的大量數(shù)據(jù)。本仿真實驗選取DARPA數(shù)據(jù)集網(wǎng)絡(luò)連接數(shù)據(jù)集作為實驗數(shù)據(jù)。然后，對這些數(shù)據(jù)選三組特征值進行實驗，并給出實驗結(jié)果。

3.1 數(shù)據(jù)源的選取

該實驗的數(shù)據(jù)采用DARPA 1988入侵檢測評估數(shù)據(jù)庫的數(shù)據(jù)。該數(shù)據(jù)有大量的連接數(shù)據(jù)記錄。每個一記錄代表一次網(wǎng)絡(luò)連接，且每個記錄均有41個特征值，其中各個特征的含義不同，大致可分為三類：1）表示網(wǎng)絡(luò)連接內(nèi)容特征；2）表示網(wǎng)絡(luò)連接基本特征；3）表示網(wǎng)絡(luò)連接流量特征。

模擬的入侵主要有以下四種類型：DOS 、 R2L、U2R、Probing，考慮到設(shè)計的實用性分別對三類特征值用神經(jīng)網(wǎng)絡(luò)分別進行訓(xùn)練和識別。實驗選取了13000組數(shù)據(jù)進行仿真實驗，其中3000組用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)，10000組用于系統(tǒng)測試。

3.2 仿真實驗結(jié)果

對三類特征組的訓(xùn)練集數(shù)據(jù)應(yīng)用改進神經(jīng)網(wǎng)絡(luò)分別訓(xùn)練出三個神經(jīng)網(wǎng)絡(luò)，表示網(wǎng)絡(luò)連接內(nèi)容特征的神經(jīng)網(wǎng)絡(luò)，表示網(wǎng)絡(luò)連接基本特征的神經(jīng)網(wǎng)絡(luò)以及表示網(wǎng)絡(luò)連接流量的特征的神經(jīng)網(wǎng)絡(luò)在訓(xùn)練成功時的迭代步數(shù)分別為7056，386，3030。然后再對測試集數(shù)據(jù)進行測試，結(jié)果如下：

1）表示網(wǎng)絡(luò)連接內(nèi)容特征組，利用改進神經(jīng)網(wǎng)絡(luò)進行檢測識別，結(jié)果如表1所示。

2）表示網(wǎng)絡(luò)連接基本特征組，利用改進神經(jīng)網(wǎng)絡(luò)進行檢測識別，結(jié)果如表2所示。

3）網(wǎng)絡(luò)連接流量特征組，利用改進神經(jīng)網(wǎng)絡(luò)進行檢測識別，結(jié)果如表3所示：

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

4 結(jié)論

論文采用自動變速率學(xué)習(xí)法，利用遺忘因子進行微調(diào)，同時引入隨機優(yōu)化算子對BP神經(jīng)網(wǎng)絡(luò)進行了改進。改進神經(jīng)網(wǎng)絡(luò)的收斂速度比經(jīng)典BP神經(jīng)網(wǎng)絡(luò)更快，同時穩(wěn)定性也較好。并將該算法應(yīng)用于入侵檢測實驗，實驗結(jié)果顯示改進后的算法具有較好的識別攻擊的能力。

參考文獻：

[1] 肖道舉，毛輝.BP神經(jīng)網(wǎng)絡(luò)在入侵檢測中的應(yīng)用[J].華中科技大學(xué)學(xué)報，2003（5）.

[2] 汪潔.基于神經(jīng)網(wǎng)路的入侵檢測系統(tǒng)的設(shè)計與實現(xiàn)[J].計算機應(yīng)用與軟件，2013（5）.

第8篇：神經(jīng)網(wǎng)絡(luò)的特性范文

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

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

1 基于BP神經(jīng)網(wǎng)絡(luò)的PID控制

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

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

圖1 BP網(wǎng)絡(luò)結(jié)構(gòu)

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

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

2 改進型BP神經(jīng)網(wǎng)絡(luò)

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

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

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

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

1)選取初始點w(0)和初始搜索方向d(0)=-g(0)；

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

w(k+1)=w(k)+α(k)d(k)(1)

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

3)計算新的梯度矢量g(k+1)；

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

5)計算第(k+1)迭代的共軛方向

d(k+1)=-g(k+1)+β(k)d(k)(2)

式中

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

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

3 仿真試驗

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

G(s)=KpTps+1e-τs=148286s+1e-200s

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

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

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

4 結(jié)論

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

參考文獻

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

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

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

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

第9篇：神經(jīng)網(wǎng)絡(luò)的特性范文

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

關(guān)鍵詞：

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

中圖分類號： U661.33；TP183

文獻標志碼： A

0引言

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

1船舶運動數(shù)學(xué)模型

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

船舶3自由度的動力學(xué)方程[5]為