人工神經網絡的實際應用精選(九篇)
前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的人工神經網絡的實際應用主題范文，僅供參考，歡迎閱讀并收藏。
第1篇：人工神經網絡的實際應用范文
>> 基于MATLAB的BP神經網絡算法在多元非線性系統建模中的應用 改進的求解非線性方程組的迭代神經網絡算法 基于非線性粒子群算法與神經網絡的天氣預測 演化算法在非線性方程求解方面的應用 基于BP神經網絡的非線性函數擬合 非線性倒立擺系統的神經網絡辨識 基于遺傳小波神經網絡的非線性動態自治網絡故障診斷仿真算法 一種基于正交基神經網絡的非線性衛星信道預失真補償算法 神經網絡在電路故障診斷方面的應用 神經網絡在鋼鐵企業質量預測方面的應用 BP神經網絡在坐標轉換方面的應用 人工神經網絡在電渦流傳感器非線性補償中的應用研究 基于神經網絡的通用非線性神經自適應控制研究 基于BP神經網絡的非線性網絡流量預測 改進的基于神經網絡的非線性多元回歸分析 基于徑向基神經網絡的非線性系統辨識 基于OBF神經網絡的溫度傳感器非線性補償方法 基于RBF神經網絡的非線性控制系統 群智能算法優化神經網絡在網絡安全的應用 淺談基于BP神經網絡的水源熱泵在建筑節能方面的應用 常見問題解答 當前所在位置：中國 > 教育 > 神經網絡算法非線性優化方面的應用 神經網絡算法非線性優化方面的應用 雜志之家、寫作服務和雜志訂閱支持對公帳戶付款！安全又可靠！ document.write("作者： 方達 胡忠剛")
申明:本網站內容僅用于學術交流，如有侵犯您的權益，請及時告知我們，本站將立即刪除有關內容。 摘 要：文章通過神經網絡算法對一類非線性優化方面的問題進行了分析，得到了應用神經網絡非線性優化算法求解該類問題的具體步驟和算法方案，并給出了實例進行驗證，證明了神經網絡非線性優化算法是有效的，具有理論意義和實用價值。 關鍵詞：：神經網絡算法;MTLAB;非線性優化最優化
中圖分類號：G622 文獻標識碼：B 文章編號：1002-7661（2014）22-002-01
人工神經網絡是由簡單的處理單元所組成的大量并行分布的處理機，這種處理機具有儲存和應用經念知識的自然特性，它與人腦的相似之處概括兩個方面：一是通過學習過程利用神經網絡從外部環境中獲取知識;二是內部神經元（突觸權值）用來存儲獲取的知識信息。
一、神經網絡非線性優化求解鐵路空車調度組合優化問題
目前鐵路局對空車調度計劃是利用表上作業法，采用計算機輔助統計，要經過分局管內各主要站和各區段的車種別空車調度，分局間分界站車種別交接空車數的確定;局間分界站車種別交接空車數的確定來編制整個鐵路局的空車調度計劃.下面用神經網絡優化方法解決該問題。
空車調度問題一般指的是：設有個空車發送站，個空車到達站數的距離為，設空車產生站 到空車需求站的空車數為，由發出的空車數為，則應滿足
空車需求站接受到的空車數為，則應滿足
假設空車產生數等于空車的需求數，即平衡運輸，則
總的空車走行公里數為
由于神經元的輸出值在之間，而空車數目是大于1的數，則將（ ）作為實際空車數，這樣就可以保證在（ ）之間，求為在中所占的百分比，為了用Hopfield神經網絡求解空車調度問題，建立能量函數如下
式中
表示空車發送站的空車數應等于的約束，當且僅當發車數為時，該項為0; 表示空車到達站所需的空車數應等于的約束，當且僅當到達的空車數為時，該項為0;
表示對空車調度的總體約束;
表示對目標項的約束;
表示懲罰項系數，為目標項系數.
當計算能量函數 達到最小時，對應于空車調整計劃的一個最佳計劃方案.其算法如下
則動態迭代過程為
其中 ，分別代表迭代次數，選取0.001.
二、結束語
第2篇：人工神經網絡的實際應用范文
【關鍵詞】Matlab；RBF神經網絡；仿真試驗
人工神經網絡（ANN-Artificial Neural Network）是一種與傳統計算機系統不同的信息處理工具，具有人腦的某些功能特征，可用來解決模式識別與人工智能中用傳統方法難以解決的問題。神經網絡具有高度的自學習、自組織和自適應能力，通過學習和訓練網絡模型的輸入、輸出數據就可以獲得網絡的權值和結構，從而得出隱含在輸入、輸出數據中的關系。這種關系隱含在神經網絡內部，它不需要知道具體的精確模型，只需用神經網絡就能逼近輸入和輸出之間的多維非線性特性，從而建立輸入與輸出之間的關系，這種非線性映射能力在人工智能、模式識別、信息處理等工程領域得到了廣泛的應用。
隨著神經網絡理論研究和實際應用的不斷深入，《人工神經網絡》課程逐漸受到較多高校的重視，并將其列入教學計劃，成為電氣信息類學科的一門專業選修課。但《人工神經網絡》課程的理論性非常強，對本科生的教學具有一定的難度。作為入門課程，本科生的教學重點應放對各種網絡模型的結構和特點的理解，并結合應用實例，使學生能夠獲取一些初步設計經驗的基礎上，掌握有關模型的用法和性能。因此，筆者以RBF神經網絡為例設計仿真試驗，通過實例增強學生的對神經網絡模型的設計和仿真的認識，加深學生神經網絡理論的理解。
一、RBF神經網絡
RBF網絡可以根據問題確定相應的網絡拓撲結構，學習速度快，不存在局部最小問題。RBF網絡的優良特性使得它正顯示出比BP網絡更強的生命力，正在越來越多的領域替代了BP網絡。
RBF網絡典型結構如圖1所示。輸入層節點只是傳遞輸入信號到隱含層，隱含層節點由像高斯函數那樣的輻射狀作用函數構成，而輸出層節點通常是簡單的線性函數。隱含層節點中的作用函數對輸入信號將在局部產生響應，也就是說，當輸入信號靠近該函數的中央范圍時，隱含層節點將產生較大的輸出。由此可看出這種網絡具有局部逼近能力，故徑向基函數網絡也稱為局部感知場網絡。
二、基于MATLAB的RBF神經網絡設計與仿真
MATLAB神經網絡工具箱為徑向基網絡提供了很多工具箱函數，它們對我們利用MATLAB進行徑向基網絡的設計、分析及實際應用有著不可替代的作用，這給用戶帶來了極大的方便。
下面以污閃風險預測模型為例來說明神經網絡設計與仿真。預測模型采用三輸入一輸出的結構。輸入向量為相對濕度RH、泄漏電流幅值Ih、泄漏電流三次諧波與基波的幅值之比δ，它們的大小是能夠檢測到的用于評判絕緣子污閃風險的主要參數；將絕緣子污閃的風險等級作為輸出，輸出取值分別為不報警（NA）、一般報警（GA）、危險報警（DA）等三個模糊量。對于絕緣子污閃風險等級NA、GA和DA，為了方便神經網絡進行擬合建模，分別賦予一個量化的值1，2和3與之一一對應。
利用函數newrbe創建一個準確的徑向基網絡，該函數在創建RBF網絡時，自動選擇隱含層的數目，使得誤差為0。在網絡設計過程中，用不同的SPREAD值進行嘗試，以確定一個最優值。SPREAD分別取1，2，3，4時得到不同的網絡結構。將污閃風險等級的實際值和神經網絡輸出的結果對比，不同神經網絡的驗證結果如圖3所示。可以看出，當SPREAD取1時，污閃風險的實際值與神經網絡計算值之間的誤差最小，網絡性能達到最優，所以本論文預測網絡的SPREAD選取1。
將試驗中得到的600組數據預留20組數據作為檢驗樣本，剩下的580組數據為RBF神經網絡的訓練樣本，訓練好的網絡具有進行絕緣子污閃風險預測的能力。
三、結語
人工神經網絡是一門理論性很強而又應用廣泛的課程，已經應用各種電氣設備信號預測和狀態監測等領域，本科生由于數學基礎的限制學習這門課程有一定的難度。高校要培養出高素質的工程應用型人才，應充分利用MATLAB平臺將實驗仿真教學與理論學習相結合，以促進學生對較難理解的理論知識的掌握。通過采用靈活多變的教學方式，培養學生的學習興趣、激發學生的求知欲，從而達到啟迪思維、拓展視野的目的，培養學生自學能力、獨立解決問題的能力，為社會培養出具有工程創新能力的卓越工程師。
參考文獻
[1] 李國勇.智能控制及其MATLAB實現[M].電子工業出版社，2006.
[2] 葛哲學，孫志強.神經網絡理論與MATLAB R2007實現[M].電子工業出版社，2007（03）.
第3篇：人工神經網絡的實際應用范文
經過長期不懈努力，科學家認為可以從仿制人腦神經系統的結構和功能出發，研究人類智能活動和認識現象。然而，客觀現實世界是紛繁復雜的，非線性情況隨處可見，人腦神經系統更是如此。為了更好地認識客觀世界，我們必須對非線性科學進行研究。人工神經網絡作為一種非線性的、與大腦智能相似的網絡模型，就這樣應運而生了。因此，首先對人工神經網絡進行了概述；而后重點描述BP網絡模型，對其基于彈性BP算法的BP網絡設計與實現；最后，對網絡的訓練和測試進行了簡單的分析。
關鍵詞：
人工神經網絡；數學模型；策略
神經系統，是人體器官的一種較為復雜的系統。人工神經網絡是對人腦的神經結構與機制進行模擬，是一種區別于符號推理以及邏輯思維的人工智能技術。人工神經網絡是基于現代神經生物學和認知科學對人類信息處理研究成果的基礎上研發的，用來模擬生物神經系統對真實世界的物體來做出反應。除此之外，它還屬于一種大規模自適應的非線性動力學系統，具備非常強的聯想記憶和自主學習能力。人工神經網絡具有非線性映射、模式識別、函數逼近、聚類分析、數據壓縮以及優化設計的功能，并且在穩定性、收斂性等方面都有良好的性質，被廣泛應用于信息處理、模式識別、計算機視覺、優化計算、智能控制等各個領域中。
一、人工神經網絡
人工神經網絡，可以稱之為神經網絡或者鏈接模型，是屬于一種對人腦或者自然神經網絡的若干個基本特性進行抽象和模擬的網絡。現階段人工神經網絡的研究成果基礎是對大腦的模擬研究，是為了模擬大腦當中的某些機理與機制，實現某個方面的功能而進行專項研究的。人工神經網絡具有可以充分逼近任意復雜的非線性關系，對于定量或者定性的信息會采用并行分布的處理方式，使其可以大量并且快速進行運算、適應不確定的系統和對定量以及定性信息進行同一時間的處理。人工神經網絡的優越性表現在三方面，具有自主學習的能力，具有聯想存儲的能力，具有高速尋找并且尋找優化方式的能力。對人工神經網絡的研究，可以分為理論研究和應用研究兩個方面的研究。在理論研究中，可以利用神經生理與認知科學對人類的思維以及智能機理進行相關研究，還可以利用人腦神經的基礎理論研究成果，用數理方法對神經網絡模型進行更加完善、更加優越的探索。在應用研究方面，神經網絡可以實現對軟件的模擬和對硬件的科學研究。而且，神經網絡在各個領域中也都得到了廣泛的研究，例如模式識別、信號處理、知識工程、專家系統、優化組合以及機器人控制等領域。
現行的數理知識是建立在集合論的基礎上的，隨著數學階段的發展，對于人類系統的行為，或者對于人類復雜系統，比如航天系統、人腦系統以及社會系統等方面，其中的參數和變量有很多，各種因素也是相互交錯的，因此，系統是相當復雜的，相對的模糊性也會顯得非常明顯。就認識方面來講，可以用模糊性這個詞語來概括概念外延的不確定性。因此，模糊數學的概念應運而生，主要的研究內容包括三個方面。首先，可以對模糊數學的理論進行精確研究，其中包含著與精確數學以及隨機數學的關系；其次，還需要研究模糊語言學和模糊邏輯，人類的自然語言都是具有模糊性的，人們經常會接收到迷糊語言和模糊的信息，并且可以對其做出正確的判斷和辨別。因此，為了可以使得自然語言和計算機語言的直接對話，就必須把人類的自然語言和思維的過程提煉成為數學模型來對計算機進行指令，這樣就可以建立模糊數學的模型樣本，通過運用此種方式，建立的就是模糊數學的模型，也是運用數學方法的關鍵之所在。最后，研究模糊數學的應用，模糊數學的研究對象通常是以不確定的事物為主的。模糊的集合通常都是通過數學來適用描述的復雜的事物，將研究的對象數學化，將其中的不確定性很好地和抽象的數學溝通起來，達到形象生動直觀的效果。
二、BP網絡模型
1.BP網概述BP算法，是由PallWerbas博士在1974年首次提出的，即為誤差逆傳播學習算法，而對于此算法完整的提出是在1986年由Rumelhart和McCelland為首的科學家小組提出來的。后來，人們把BP算法在進行訓練之前的前饋型的神經網絡稱之為BP網絡，逐漸以其簡潔、實用和高度的非線性映射能力成為流行的網絡模型，在信號處理、模式識別、系統辨識以及數據壓縮中都有廣泛的應用。在人工神經網絡的實際應用過程當中，大部分的模型會采用BP網絡或者它所擁有的變化形式，屬于前向網絡中的基礎核心部分，屬于人工神經網絡中的精華部分。2.BP網絡拓撲結構BP網絡屬于一種前向型神經網絡，其中的神經網絡具有三層或者三層以上，可以對上下層之間的神經元進行全部的連接，也就是說下層的每一個神經元可以和上層的每一個神經元實現連接，但是在同層之間的神經元是沒有辦法相連的。3.BP網絡的工作原理以及過程對于BP網絡的學習可以有兩個階段。首先，需要學習信號的正向傳播過程。當一對學習的模式進行網絡提供之后，神經元的激活值就會從輸入層當中的各隱含層向輸出層中進行傳播，并且在輸出層的各個神經元內會相應地輸入響應值。其次，是對正方向的傳播過程進行誤差的修正，如果在輸出層中的輸出值和預期的有偏差，就會對實際輸入與期望輸出之間的誤差進行逐層遞歸的計算，計算方向會按照減小期望輸出和實際輸出之間的誤差方向。對輸出層之間的各個隱含層進行每一層的連接權進行逐層的修正，最后再回到輸入層，這個循環的過程就稱之為“誤差逆傳播學習算法”。現階段，這種誤差傳播的修正方式在不斷地進行創新修正，網絡對應的輸入模式相應的正確率也會隨著算法的不斷發展得到相對應地提高。4.算法流程BP的算法流程如圖2。
三、基于彈性BP算法的BP網設計與實現
1.BP網絡結構的設計在1989年，RobertHecht-Nielson證明了在任何一個閉區間當中的一個連續的函數都可以用一個隱含層的BP網絡來進行逼近，這就導致了用一個3層的BP網絡可以完成任意的從N到M維的映射。輸入層節點的點數是根據樣本的輸入特征項來決定的，而輸出的節點數是根據樣本的期望輸出項來決定的。在隱層節點當中，由于隱層節點的數目過多，平均的收斂速度就會變慢并且速度是極其不穩定的，這樣就會增加初始權值的敏感度，網絡的泛化能力也會隨之降低，在對隱層節點數進行計算的時候。其中，h代表的是隱層節點數，nin代表的是輸入層的節點數，則nout則代表的是輸出層的節點數。當因為網絡發生誤差產生下降的時候，也就是E（網絡誤差）下降的速度非常緩慢的時候，這個時候網絡的收斂水平還需要進一步提高的時候，就會增加一個隱層節點。如果遇到相反的情況，則就會減少一個相應的節點。對于BP網絡的優化，主要包括以下幾個步驟。首先，利用彈性BP算法來對網絡的權值和偏差進行修正，利用此種算法，在很大程度上避免了使得學習（是學習）陷入局部狹小的現象，這樣可以加快學習收斂的速度；其次，對于隱含的節點數可以進行隨意的設定；而后，在對隱含層和輸出層的激活函數之間可以在給定的5種暢通的函數當中進行隨意的選擇，最后就需要對輸入向量的歸一化了。
四、網絡的訓練與測試
1.訓練樣本的聲場以及網絡的構造如果采用100個樣本對來進行聲場訓練樣本對，這里的樣本數據采用LINSPACE（X1，X2，N）的函數生成。在本文當中，BP網絡有三層構造。在這三層構造當中，第一層采用tansig激活函數；第二層采用logsig激活函數，在第三層則需要采用purline激活函數來進行。在網絡訓練當中需要用Matlab神經網絡工具箱當中的L-M法的trainlm這個函數來進行計算。2.網絡學習以及等級的評價通過MATLAB的神經網絡工具箱上建立的模型，需要將學3.網絡測試成效從評價的結果上來看，運用人工神經網絡的評價方法最大限度地減少了人為因素的影響，在這其中可以在很大程度上減少因為傳統方式而在設計權重過程當中的不確定性，通過這種方式來對評價的對象進行自動評價。同時，BP的神經網絡這種評估方式本身也具有一定的局限性，例如對網絡當中的隱層節點個數難以確定，在學習訓練的過程當中最容易陷入局部最優的問題，在很大程度上會影響評價結果的精準性。
五、結束語
運用人工神經網絡方式有效解決多源、多類型以及多屬性地址處理和分析問題，在很大程度上突破了統計數學模型對預測的約束力和限制力。應用人工神經網絡進行復雜的地址信息的非線性整合處理，可以精準的對各類資料進行綜合分析和歸類。
參考文獻：
[1]李傳杰.基于模糊數學及神經網絡的心理評估模型[D].山東大學，2008
[2]徐振東.人工神經網絡的數學模型建立及成礦預測BP網絡的實現[D].吉林大學，2004
[3]鄧麗瓊，朱俊.基于BP神經網絡的教師課堂教學評價模型[J].國土資源高等職業教育研究，2013
第4篇：人工神經網絡的實際應用范文
【關鍵詞】軟土路基；預測方法；分析
軟土路基沉降程度與道路建設工程的質量、成本及工期有著很大的關系，施工單位為了有效的掌控軟土路基的沉降變化，往往會采取一些軟土路基沉降預測方法，并對這些方法在實際應用中采取動態的管控，觀其應用的實際效果。軟土路基沉降的預測，可以使施工單位對軟土路基、路基的整體穩定性和完工后的沉降量進行有效的控制。軟土路基沉降預測的方法很多，本文就幾種常用的方法做了對比分析。
一、軟土路基沉降常用的預測方法
在道路建設過程中，對軟土路基后期沉降情況的預測意義重大。軟土路基后期沉降情況的預測基礎是道路工程建設的現場實測沉降資料。在實際工作中最常用的推測方法有下幾種：人工神經網絡法、灰色理論預測法、雙曲線法、反分析方法、、有限元法等，每種預測方法都有自身的特有屬性。
二、常用軟土路基沉降預測方法的對比分析
第一，人工神經網絡預測法。人工神經網絡預測法是一種新型的預測方法，在軟土路基沉降預測上應用的時間還不長。人工神經網絡預測法的本質是一種應用系統，主要負責處理軟土路基沉降的相關實測數據信息。目前，人工神經網絡預測法使用較為廣泛的領域主要包括兩個――信息科學和工程技術。在工程技術領域的應用，主要體現自在軟土路基沉降預測方面。組成人工神經網絡預測法的處理單元單個來講是非常簡單的，但是這些單元之間的聯系又是非常高度的，這些單元之間的高度聯系形成了一個類似生物腦的神經系統，該系統能夠模擬計算機的處理模式來處理軟土路基沉降的相關數據。預測模式包括輸出量和輸入量，輸出量指的是傳統的因變量，輸入量指的是傳統的自變量，兩種量之間關系用一種高維非線性的映射來表示。人工神經網絡預測法自身有著非常獨特的特點，可以解決其它預測方法在軟土路基沉降量預測的效果短板，即土地自身原因導致預測精準度的降低，和效果的不能優化。人工神經網路預測法的構成單元相當于計算機的軟件集成模塊，其工作原理類似于計算機處理問題的原理，因此人工神經網絡預測法不僅有較強的建模能力，還有較強的整合數據的能力，尤其擅長處理非線性的問題，這也是人工神經網絡預測法的獨有特性。利用這個特性對道路工程建設現場實測軟土路基沉降資料進行分析，找出規律，進而為軟土路基后期沉降量的預測作出正確的判斷。在軟土路基沉降預測方法中，人工神經網絡預測法的優點是有目共睹的，但這種預測法不能應用于長期預測，根本原因是這種預測方法的精確度會隨著時間的流失慢慢的下降，最終導致精確度喪失，這也是人工神經網絡預測法的短板所在。
第二，灰色理論預測法。灰色理論預測法也是常用的一種軟土路基沉降預測的方法。這種方法工作原理是通過灰色模型對不同數據去留的選擇來實現預測精度、預測手段和預測模型的提升、修正和調整。作為灰色理論預測法核心――灰色模型，共有三種檢驗方法。在模型建立完畢及選定檢驗方法后，通過計算機的編程功能對道路工程建設現場實測的軟土路基沉降的資料進行分析并記錄數據，通過對這些數據的分析找出軟土路基沉降的規律，并畫出預測曲線圖。灰色理論預測法的使用需要保證軟土路基沉降實測數據的更新及時性和高精確度性，由于理論與現實總有誤差，所以此方法的預測結果大于實測結果是很正常的。
第三，雙曲線法。在軟土路基沉降預測方法中，雙曲線法是一種假設法，以假設的成立條件來預測軟土路基沉降量，并畫出坐標圖。此方法運用所得到的數據精度由于其前提條件的因素是一個慢慢提升的過程，即后期的數據精度遠遠高于初期的數據精度。一般來講，雙曲線預測法使用的最佳時間點是軟土路基沉降基本穩定時。此方法的短板在于數據觀測時間會受到人為因素的干擾。
第四，反分析預測法。反分析預測法的過程是一個數值計算的過程，它需要通過對軟土路基工程真實測量值的計算來得到土性參數和本構模型參數，并同時求出需要的物理量。反分析預測法在軟土路基沉降的使用上也同人工神經網絡預測法一樣，都是一種新的預測方法。其工作的基本原理是對實測數據的反復計算，以使得到結果更加接近軟土路基后期沉降量的數值。反分析法的使用除了要求實測數據的真實完整外，還需要假設一個合理的反分析數學模型，這個模型的建立對反分析法預測的結果又一定的影響。由于是假設，所以該模型建立使用的預測結果在一定程度上存在人為因素的誤差。
第五，有限元預測法。有限元預測法有著自身的越性，在其使用的多種類型的本構模型中，非線性的彈性模型是使用范圍最廣的一個。有限元法可以容納更加復雜的計算關系，可以更好地反映影響軟土路基沉降的因素。從理論上講，在所有預測軟土路基沉降的方法中，有限元法是比較完善的一種方法，收到人們的關注。其自身的短板表現為在實際計算過程中需要用到大量的參數做依據，最終數據的確定必須通過特定試驗的論證，導致其工作量和工程的復雜性遠遠高于其它的預測方法。
道路工程建設中會遇到很多軟土路基沉降的想象，有效的對軟土路基沉降作出預測，對道路工程的順利施工有重要意義。綜上所述，軟土路基沉降的預測方法各有各的長板和短板，道路工程建設人員要根據施工現場的實際情況選取科學的預測方法，以提高軟土路基后期沉降量數值的精確性。
參考文獻：
第5篇：人工神經網絡的實際應用范文
【關鍵詞】自組織神經網絡；MATLAB；震級；地震預測
1.引言
地震是一種會給人類社會帶來巨大災難的自然現象。在眾多的自然災害中，特別是在造成人員傷亡方面，全球地震災害造成的死亡人數占全球各類自然災害造成的死亡人數總數的54%，可以堪稱群災之首[1].地震預報是地理問題研究領域中的一個重要課題，準確的地震預報可以幫助人們及時采取有效措施，降低人員傷亡和經濟損失[2]。
神經網絡是一種大規模并行分布處理的非線性系統，具有高度的非線性運算能力和良好的自學習能力[3]。近年來，受到了廣大預測科學工作者的關注。神經網絡這方面的優勢，主要體現在：
（1）容錯能力強。由于網絡知識信息采用的是分布式存儲，個別單元損壞就不會引起輸出錯誤。這使得預測、識別過程時容錯力強，可靠性高。
（2）預測、識別速度快。訓練好的網絡對樣本預測、識別的時候僅需要少量的算法，這使得其運算速度比其他算法更快。
（3）避免了特征因素與判別目標復雜關系，尤其是公式的敘述。網絡可以自己學習和記憶各個輸入量與輸出量間的關系[4]。
2.自組織競爭神經網絡
在地震的預報中，有的時候需要根據不同地震活動指標將發生在不同時間、空間和強度的地震進行分類研究，然后根據這些特征對其他的樣本進行預報。自組織競爭神經網絡能夠對輸入模式進行自組織訓練和判斷，并將其最終分為不同的類型[5]。
自組織競爭型網絡預報的原理：通過采集的訓練樣本對網絡訓練，訓練好的網絡記憶了所有分類模式。當輸入新樣本會激發對應神經元就可以對新樣本進行分類。自組織競爭網絡基本上為輸入層和映射層的雙層結果，映射層的神經元互相連接，每個輸出神經元連接至所有輸入神經元[5]，其結構圖如圖1所示。
圖1 自組織競爭神經網絡結構圖
3.數據樣本的采集及預處理
利用自組織競爭神經網絡進行地震預報，首先應該提取有關地震預報的重要指標，確定網絡結構。樣本數目的確定沒有通用的方法，一般認為，樣本過少可能使得網絡的表達不夠充分，從而導致網絡外推的能力不夠；而樣本過多可能會出現樣本冗余現象，既增加了網絡的訓練負擔，也有可能出現信息量過剩。
這里測取了我國某地區連續12年的地震趨勢作為檢驗實例，研究時間1年，所選取的11項地震活動指標：最多次數的地震震級、b值、平均震級、平均緯度、平均緯度偏差、平均經度、平均經度偏差、最大地震震級、ML大于115的地震次數、相鄰兩年地震次數差、相鄰兩年的最大地震震級差。
獲得輸入變量后除了大地震震級指標將其余指標數據處理為區間[0 1]之間的數據[4]。公式如下：
處理后的數據如表1所示。
4.自組織競爭神經網絡的設計
上述數據按照震級的大小分為：一般地震、中等地震、嚴重地震3類，因此這里需要設置的神經元數為3個。最后一年的數據作為測試樣本其余均參加競爭訓練。由于輸入有11個向量所以輸入層神經元數目為11。為了增快學習速度將學習速率設定為0.1。其建立網絡代碼如下：
本程序建立的自組織競爭神經網絡結構圖，如圖2所示：
5.網絡訓練
網絡訓練后才可用于地震預測的實際應用。訓練代碼如下：
根據代碼的輸出結果可知，表1中的第1、3、4、6、11組數據屬于一類；第2、7組數據屬于一類；第5、8、9、10組數據屬于一類。直接檢驗表中的數據，可以很容易的發現同一類數據比較相近，這同樣驗證了上述的分類結果。
6.網絡的測試
根據訓練好的自組織競爭神經網絡輸入測試樣本，得到的輸出結果與實際結果進行比對。這里輸入測試代碼：
P_test=[0.3125 0.45 0.5001 0.7853 1 0.4236 0.1825 4.1 0.0501 0.4 0.12]’；
y1=sim（net，P_test）；
y1=vec2ind（y1）；
代碼的輸出結果為：y1=1。
通過直接進行數據對比我們認為第12組數據和第1組數據非常的接近，所以網絡的運行結果是正確的。由上述可以得知，此網絡有著相當好的預報精度。
7.結語
通過實驗基于自組織競爭神經網絡的地震預測精度很高，并且可以有效的克服數據含噪聲的因素，此外本文所使用的競爭神經網絡結構簡單、易于實現。綜上所述，該自組織競爭神經網絡可以被廣泛的用于地震分類的預測系統中。
參考文獻
[1]陳運泰.地震預測：回顧與展望[J].中國科學，2009，39 （12）：1633-1658.
[2]付興兵，劉光遠.粒子群多層感知器在地震預報中的應用研究[J].湖南工程學院，2007，17（1）：23-26.
[3]李東升，王煒.人工神經網絡及其在地震預報中的應用[J].地震，1995，15（4）：379-383.
[4]張治國.人工神經網絡及其在地學中的應用研究[D].吉林：吉林大學，2006：78-79.
[5]朱大齊，史惠.人工神經網絡原理及應用[M].北京：科學出版社，2006.
[6]韓曉飛，潘存英，羅詞建.基于遺傳算法的廣義回歸神經網絡在地震預測中的應用[J].華北地震科學，2012，30（1）：48-53.
第6篇：人工神經網絡的實際應用范文
關鍵詞：微地震；震源探測；遺傳算法；BP人工神經網絡法
中圖分類號：P315 文獻標識碼：A
微地震屬于一種小型地震，經常發生在地下礦井深部開采過程中的一種不可避免的現象。在20世紀80年代中期發展起來的微震探測技術源于聲發射學和地震學，是區別于常規地震的地球物理勘探技術，根據聲發射檢測技術演化發展起來，主要應用于油氣工業中。而探測可以導致微地震的地質活動，有著重大的現實意義和指導意義。
1 物探技術研究進展
20世紀70年代初期，為了確認開發井的目標和敘述輔助的斷裂層，水力壓裂微震探測技術始于地熱領域。70年代末，美國Los Alamos國家實驗室在Fenten山熱干巖進行了3年的井下微震觀測研究的現場實驗，驗證了水力裂縫的方位可以通過水力壓裂時產生的水平微震來確定。90年代以后，荷蘭飛利浦、加拿大金斯敦ESG組織、英國KEELE大學、日本JAPEX研究生中心等機構對于微震檢測技術在油氣工業中的應用提供了較多的理論與實驗支撐。國內關于微震探測技術的研發相對較晚，但近年來，從基礎理論研究和自主研發方面都取得了很大的成果。在基礎理論研究方面，相繼提出了瑞雷波頻散曲線的正反演、遺傳算法和局域搜索算法的聯合反演、射線追蹤法以及濾波技術等研究方法。在自主研發方面，主要有微震探測系統、基于三分量檢波器的探測系統、遙測地震儀和基于Labview的微震探測系統等。
2 探測技術研究方法
2.1 射線追蹤正演算法
本文主要通過基于射線法進行正演研究。射線法，可以利用不斷更新的射線路徑，對各種復雜的地質結構選擇地震波在介質中的最佳運動軌跡。同時，迭代法可以通過結點的增減，來完成地震波傳播路徑的探測工作。綜合微變網格法，經過設計得到復雜模型微震射線路徑追蹤法。
2.2 非線性反演算法
在探測過程中，非線性最優算法發展最為迅速，需要通過微震資料的反演來定位震源和了解速度場變化。非線性反演方法中應用最廣泛的主要有遺傳算法（GA，Genetic Algorithm）和人工神經網絡法（ANN，Artificial Neural Network）方法中的BP神經網絡。本文將GA算法和BP算法結合，通過聯合反演方法討論微震震源的定位反演。
2.2.1 遺傳算法反演
遺傳算法，是一種全局最優算法，可以結合定向和隨機搜索方法，是模擬達爾文生物進化論的自然選擇與遺傳學機理的生物進化過程和機制的計算模型。1975年，J. Holland教授提出了遺傳算法。目前，遺傳算法發展完善，有著搜索過程多維化、簡單化、適應性強以及全局性的特點。通過對遺傳算法、加速收斂和正演參數的確定，明確介質模型參數的搜索范圍，最后對遺傳算法獲取的反演數據進行處理。
2.2.2 BP神經網絡算法反演
二十世紀80年代，人工神經網絡的研究進入了一個新。它易于處理復雜非線性問題，具有持久性和適時預報性的特點，被廣泛應用于多個領域。其中，BP人工神經網絡（BP，Back Propagation），是目前應用最為廣泛的人工神經網絡模型之一，是一種按誤差逆傳播算法訓練的多層前饋網絡，是可以計算單個權值變化引起網絡性能變化值的較為簡單的方法，在地球物理勘測方面發揮了重大作用。BP神經網絡反演方法的主要步驟分為兩部分，分別為學習訓練和迭代反演。
2.2.3 GA-BP聯合反演方法
GA算法與BP算法的混合，可以結合全局最優算法和局部最優算法的優點，彌補對方的缺點，使其交叉變異率具備自學習、自適應等特征，并且能夠快捷、有效的獲取最優解，提供神經網絡的預測能力。進行GA算法和BP算法的聯合反演，二者需持續運行，并且按照一定的比例進行。圖1為基于混合算法的微地震震源定位反演算法流程。
3 研究展望
發展基于遺傳算法的全局混合優化算法已成為新的發展趨勢。而對于非線性反演，尤其是面對地球物理資料聯合反演，通過算法指揮由不同反演方法和迭代過程組織成系統，使之輸出分辨率最優而方差最小的地球物理介質模型，是其非常重要的研究方向。
參考文獻
[1]李瓊，李勇，李正文，吳朝容.基于GA-BP理論的儲層視裂縫密度地震非線性反演方法[J].地球物理學進展，2006，21（02）：465-471.
第7篇：人工神經網絡的實際應用范文
關鍵詞:BP神經網絡 MATLAB仿真
中圖分類號:TP39文獻標識碼:A 文章編號:1007-3973(2010)06-061-02
1 BP神經網絡概述
BP(Back Propagation)網絡是1986年由Rumelhart和McCelland為首的科學家小組提出,是一種按誤差逆傳播算法訓練的多層前饋網絡,是目前應用最廣泛的神經網絡模型之一。它的學習規則是使用最速下降法,通過反向傳播來不斷調整網絡的權值和閾值,使網絡的誤差平方和最小。BP一般為多層神經網絡,其模型拓撲結構一般包括輸入層(input)、隱層(hide layer)和輸出層(output layer)。如圖1所示:
2BP網絡的學習算法
(1)最速下降BP算法(steepest descent backpropagation,SDBP)
如圖2所示的BP神經網絡,設k為迭代次數,則每一次權值和閾值的修正案下式進行:
式中:w(t)為第k次迭代各層之間的連接權向量或閾值向量。x(k)= 為第k次迭代的神經網絡輸出誤差對個權值或閾值的梯度向量。負號代表梯度的反方向,即梯度的最速下降方向。 為學習速率,在訓練時事一常數。在MATLAB神經網絡工具箱中,其默認值為0.01,可以通過改變訓練參數進行設置。為第k次迭代的網絡輸出的總誤差性能函數,在MATLAB神經網絡工具箱中,BP網絡誤差性能函數的默認值為均誤差MSE(mean square error):
根據(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)
因為反向傳播算法的應用廣泛,所以已經開發出了很多反向傳播算法的變體。其中最常見得事在梯度下降算法的基礎上修改公式(2.1)的權值更新法則,即引入沖量因子,并且0≤
標準BP算法實質上是一種簡單的最速下降靜態尋優方法,在修正W(K)時,只按照第K步的負梯度方向進行修正,而沒有考慮到以前積累的經驗,即以前時刻的梯度方向,從而常常使學習過程發生振蕩,收斂緩慢。動量法權值調整算法的具體做法是:將上一次權值調整量的一部分迭加到按本次誤差計算所得的權值調整量上,作為本次的實際權值調整量,即公式(2.3)所示:是沖量系數,通常0≤
(3)學習率可變的BP算法(variable learnling rate backpropagation,VLBP)
標準BP算法收斂速度緩慢的一個重要原因是學習率選擇不當,學習率選得太小,收斂慢;反之,則有可能修正的過頭,導致振蕩甚至發散。因此可以采用圖3所示的自適應方法調整學習率。
自適應調整學習率的梯度下降算法,在訓練的過程中,力求使算法穩定,而同時又使學習的不長盡量地大,學習率則是根據局部誤差曲面作出相應的調整。學習率則是通過乘上一個相應的增量因子來調整學習率的大小。即公式(2.5)所示:
其中:為使步長增加的增量因子,為使步長減小的增量因子; 為學習率。
3 建立BP神經網絡預測模型
BP預測模型的設計主要有輸入層、隱含層、輸出層及各層的個數和層與層之間的傳輸函數。
(1)網絡層數
BP有一個輸入層和一個輸出層,但可以包含多個隱含層。但理論的上已證明,在不限制隱含層節點的情況下,只有一個隱含層的BP就可以實現任意非線性映射。
(2)輸入層和輸出層的節點數
輸入層是BP的第一層,它的節點數由輸入的信號的維數決定,這里輸入層的個數為3;輸出層的節點數取決于BP的具體應用有關,這里輸出節點為1。
(3)隱含層的節點數
隱含層節點數的選擇往往是根據前人設計所得的經驗和自己的進行的實驗來確定的。根據前人經驗,可以參考以下公式設計:
其中:n為隱含層節點數;m為輸入節點數;t為輸出節點數;a為1~10之間的常數。根據本文要預測的數據及輸入和輸出節點的個數,則取隱含層個數為10。
(4)傳輸函數
BP神經網絡中的傳輸函數通常采用S(sigmoid)型函數:
如果BP神經網絡的最后一層是Sigmoid函數,那么整個網絡的輸出就會限制在0~1之間的連續;而如果選的是Pureline函數,那么整個網絡輸出可以取任意值。因此函數選取分別為sigmoid和pureline函數。
4 BP神經網絡預測的MATLAB仿真實驗
(1)樣本數據的預處理
本文的樣本數據來源于中國歷年國內生產總值統計表,為了讓樣本數據在同一數量級上,首先對BP輸入和輸出數據進行預處理:將原樣本數據乘上,同時將樣本數據分為訓練樣本集和測試樣本集,1991~1999年我國的三大產業的各總值的處理結果作為訓練樣本集,即1991~1998年訓練樣本作為訓練輸入;1999年訓練樣本數據作為輸出訓練輸出;1992~2000年我國的三大產業的各總值的處理結果作為測試樣本集,即1992~1999年的測試樣本作為測試輸入,2000年測試樣本數據作為測試輸出。
(2)確定傳輸函數
根據本文的數據,如第3節所述,本文選取S函數(tansig)和線性函數(purelin)。
(3)設定BP的最大學習迭代次數為5000次。
(4)設定BP的學習精度為0.001;BP的學習率為0.1。
(5)創建BP結構如圖4所示;訓練BP的結果圖5所示:
正如圖5所示的數據與本文所示設計的網絡模型相符,且如圖5所示當BP神經網絡學習迭代到99次時,就打到了學習精度0.000997788,其學習速度比較快。
(6)測試BP神經網絡
通過MATLAB對測試樣本數據進行仿真,與實際的2000年我國三大產業的各生產總值比較(見表1),說明BP神經網絡預測模型是可行的。、
5總結
總之,在人工神經網絡的實際應用中,BP神經網絡廣泛應用于函數逼近、模式識別/分類、數據壓縮等。通過本文可以體現出MATLAB語言在編程的高效、簡潔和靈活。雖然BP在預測方面有很多的優點,但其還有一定的局限性,還需要進一步的改進。
參考文獻:
[1]周開利,康耀紅.神經網絡模型及其MATLAB仿真程序設計[M].北京:清華大學出版社,2005.7.
[2]張德豐等.MATLAB神經網絡應用設計[M].北京:機械工業出版社,2009.1.
[3][美]米歇爾(Mitchell,T.M.)著;曾華軍等譯[M].北京:機械工業出版社,2003.1.
第8篇：人工神經網絡的實際應用范文
關鍵詞：電力系統超短期負荷預測人工神經網絡外推法
中圖分類號：F407文獻標識碼： A
1 負荷預測概述[1]
負荷的大小與特性對于電力系統設計和運行都是極為重要的因素。對負荷的變化與特性有一個事先的估計是電力系統運行、控制和規劃不可缺少的一部分。
指導調度員控制聯絡線交換功率在規定范圍，一般需5～15min 的負荷數據。預防性控制和緊急狀態處理需要10min至1h的預測值[2] 。這也是本文的主要研究方向。
2 電力系統負荷預測方法簡介
長期以來，國內外學者對負荷預測的理論和方法做了大量的研究，提出了各種各樣的預測方法，這些方法大致可分為兩大類:一類是以時間序列法為代表的傳統方法，另一類是以人工神經網絡為代表的新型人工智能方法。傳統方法中主要有時間序列法、多元線性回歸法及傅立葉展開法等。人工智能方法中主要有專家系統法、模糊邏輯法、人工神經網絡法及小波分析法等。由于電力負荷的變化有其不確定性，如氣候變化、意外事故的發生等對電力負荷造成隨機干擾，因此，每種方法均有一定的適應場合，并需要不斷的完善。
2.1 回歸分析法
回歸分析法又稱統計分析法,回歸模型有一元線性回歸、多元線性回歸、非線性回歸等回歸預測模型；其中，線性回歸用于中期負荷預測。優點是：預測精度較高，適用于在中、短期預測使用。缺點是：1.規劃水平年的工農業總產值很難詳細統計；2.用回歸分析法只能測算出綜合用電負荷的發展水平，無法測算出各供電區的負荷發展水平，也就無法進行具體的電網建設規劃。
2.2 彈性系數法
彈性系數是電量平均增長率與國內生產總值之間的比值，根據國內生產總值的增長速度結合彈性系數得到規劃期末的總用電量。彈性系數法是從宏觀上確定電力發展同國民經濟發展的相對速度，它是衡量國民經濟發展和用電需求的重要參數。電力彈性系數可以用下面的公式來表示：
(2-1-1)
式中：為電力彈性系數；為為電力消費年平均增長率；為國民經濟年平均增長率
在市場經濟條件下，電力彈性系數已經變得捉摸不定，并且隨著科學技術的迅猛發展，節電技術和電力需求側管理，電力與經濟的關系急劇變化，電力需求與經濟發展的變化步伐嚴重失調，使得彈性系數難以捉摸，使用彈性系數法預測電力需求難以得到滿意的效果。2.3 時間序列法
時間序列法是短期負荷預測的經典方法，是根據負荷的歷史資料，設法建立一個數學模型，用這個數學模型一方面來描述電力負荷這個隨機變量變化過程的統計規律，另一方面在該數學模型的基礎上再確立負荷預測的數學表達式，對未來的負荷進行預報。就一般地時間序列預測方法而言，人們總是先去識別與實際預測目標序列相符合的一個隨機模型，并估計出隨機模型中的未知參數，再對隨機模型進行考核，當確認該隨機模型具有適用價值后，再在此基礎上建立預測表達式進行預報。它利用了電力負荷變動的慣性特征和時間上的延續性，通過對歷史數據時間序列的分析處理，確定其基本特征和變化規律，預測未來負荷。
2.4 負荷求導法
每天的負荷大小（高低）有差別，但其負荷的變化率是有一定的規律。只要找出一個適當函數來擬合每天的負荷曲線，對這個函數進行一次求導，即可得出一天的負荷變化率。雖然每天的負荷大小變化難以準確預測，但對負荷曲線求導后，得出的負荷變化率有一定的穩定性。因此，利用負荷的變化率來進行超短期負荷預測將會使精確度提高。負荷求導法預測的公式是：
(2-1-2)
式中對第i+1點的負荷預測值；
第i點的實際負荷值；
第i點的預測負荷變化率值。
2.5 專家系統法
專家系統預測法是對數據庫里存放的過去幾年甚至幾十年的，每小時的負荷和天氣數據進行分析，從而匯集有經驗的負荷預測人員的知識，提取有關規則，按照一定的規則進行負荷預測。實踐證明，精確的負荷預測不僅需要高新技術的支撐，同時也需要融合人類自身的經驗和智慧。因此，就會需要專家系統這樣的技術。專家系統法，是對人類的不可量化的經驗進行轉化的一種較好的方法。但專家系統分析本身就是一個耗時的過程，并且某些復雜的因素（如天氣因素），即使知道其對負荷的影響，但要準確定量地確定他們對負荷地區的影響也是很難的。專家系統預測法適用于中、長期負荷預測。此法的優點是：1.能匯集多個專家的知識和經驗，最大限度地利用專家的能力；2.占有的資料、信息多，考慮的因素也比較全面，有利于得出較為正確的結論。
2.6 外推法
根據負荷的變化趨勢對未來負荷情況作出預測。電力負荷雖然具有隨機性和不確定性，但在一定條件下，仍存在著明顯的變化趨勢，例如農業用電，在氣候條件變化較小的冬季，日用電量相對穩定，表現為較平穩的變化趨勢。
外推法有線性趨勢預測法、對數趨勢預測法、二次曲線趨勢預測法、指數曲線趨勢預測法。趨勢外推法的優點是：只需要歷史數據、所需的數據量較少。缺點是：如果負荷出現變動，會引起較大的誤差。
2.7 人工神經網絡法
人工神經網絡理論最早出現于20世紀40年代，經過幾十年的發展，已廣泛的用于電力系統短期負荷預測。在現有的各種神經網絡的計算方法中，由Ponelhert和Mcclelland提出的BP算法是應用得最多的一種。BP算法的模型為前向多層網絡，由輸入層、隱含層、輸出層組成，每層都包含若干節點，同一層的節點間沒有相互的連接，而僅僅在前后不同層之間有節點的連接。BP算法的學習過程由正向傳播和反向傳播組成，正向傳播過程的輸入樣本從輸入層經隱含層處理后傳向輸出層，每一層神經元的狀態只影響下一層神經元的狀態。如果在輸出層得不到期望值，則轉入反向傳播，將誤差信號沿原連接通路返回，通過修正各神經元的權系數，使誤差信號減小，達到給定的精度，從而完成了其學習過程。這樣，當在網絡的輸入端加入一新的信號時，就能從其輸出端得到相應的結果。
3 預測算例
通過前述對各種預測方法的分析，采用神經網絡法和外推法對山東某地區一個變電站的2005年8月8日負荷進行預測。在實際應用中，預測最小間隔為5min，預測長度為1h。目前15min預測間隔為最常用。負荷采樣間隔為5分鐘，一天24個小時為288個數據，預測為提前15分鐘的預測，預測結果如下：
圖1 基于BP神經網絡的負荷預測曲線
預測的平均相對誤差為2.3089%，本文在建立超短期負荷模型時，未考慮天氣變化和突發事件對負荷的影響，這在一定程度上影響了預測的精度。當天氣變化顯著或者有突發事件時，這個預測模型的精度會變差。但總的來說，所得預測結果比較令人滿意。
圖2 外推法負荷預測曲線
預測的平均相對誤差為2.3059%，與神經網絡法預測結果相差不大。
4 結論
本文對各種負荷預測方法進行了分析，并且在短期及超短期負荷預測方面，針對于兩種目前比較常用的負荷預測方法――人工神經網絡法和負荷外推法進行了重點的仿真研究。得出：在超短期負荷預測方面兩種方法得出結果相差并不是很大。負荷外推法方法簡單，要求的歷史數據較少，運算速度較快，可滿足系統在線分析的實時要求，比較適合在工程中應用。人工神經網絡法算法比較復雜，而且存在訓練時間較長、收斂性等問題。但是在短期負荷預測方面(例如提前24小時的預測)神經網絡法存在著比負荷外推法明顯的優勢。因此，在工程應用等方面線性外推法還是具有較強的實用性。
參考文獻
[1]劉晨暉.電力系統負荷預報理論與方法[M].中國:哈爾濱工業大學出版社，1987年 .20-60.
[2]張峰 吳勁暉 張怡 胡若云.基于負荷趨勢的新型超短期負荷預測法[J]. 電網技術,2005,vol.28 No.19
[3]吳熳紅 楊繼旺.幾種電力負荷預測方法及其比較[J].廣東電力,2001,vol.17 No.1
[4]陳霞 安伯義 陳廣林.電力負荷預測理論與方法[J].農村電氣化,2004.7
[5]吳勁暉 王冬明 黃良寶 孫維真.一種超短期負荷預測的新方法-負荷求導法[J]. 浙江電力,2000,6
[6]張國忠 熊偉 向求新 黃曉明 劉亞. 應用人工神經網絡預測電力負荷[J].電力自動化設備,2002,22
[7]S.H.Ling Frank H.F.Leung H.K.Lam Peter K.S.Tam Short-Term Electric Load Forecasting Based on a Neural Fuzzy Networks[A]. IEEE Transactions on Industrial electronics vol.50 no.6
[8]閆承山 劉永奇.人工神經網絡在華北電網負荷預測中的應用[J].電網技術,1998,22
[9] 馬文曉 白曉民 沐連順.基于人工神經網絡和模糊推理的短期負荷預測方法[J].電網技術,2003,27
[10]D.C.Park M.A.El-Sharkawi R.J.Marks II L.E.Atlas and M.J.Damborg. Electric Load Forecasting Using An Artificial Neural Network [A].IEEE Transcaction on Power Systems vol.6 no.2 May 1991
[11]Lee K.Y.，Cha Y.T. Park J.H.，Short-term load forecasting using an artificial neutral network[J]. Power Systems, IEEE Transactions on , Volume: 7 , Issue: 1 , Feb. 1992
[12]姜勇.電力系統短期負荷預測的模糊神經網絡方法[J]. 繼電,2002，30(7)
[13]Shan Shao, Yaming Sun, Short-term load forecasting using fuzzy neural network. Advances in Power System Control, Operation and Management, 1997. Fourth International Conference on (Conf. Publ. No. 450) Vol. 1 Nov 1997
[14]楊洪明 白培林.基于遺傳算法的人工神經網絡負荷預報模型[J].湖南電力，2000 20
作者簡介
陳曉東 男 碩士 工程師電力系統穩定 山東電機工程學會
第9篇：人工神經網絡的實際應用范文
Guo Qingchun； He Zhenfang；Kou Liqun；Kong Lingjun；
Zhang Xiaoyong；Cui Wenjuan
（①Shaanxi Radio & TV University，Xi'an 710068，China；
②Cold and Arid Regions Environmental and Engineering Research Institute，Chinese Academy of Sciences，Lanzhou 730000，China）
摘要： 宏觀經濟政策的制定要參照各次產業的發展水平，所以對產業發展水平進行評估和預測就顯得十分必要。通過運用改進BP算法神經網絡的建模方法對我國第三產業產值比重進行分析，最后建立了單隱層的BP神經網絡模型。結果表明基于改進BP算法的神經網絡模型預測精度高，收斂速度快，具有良好的泛化能力，模型的通用性和實用性強。
Abstract: The formulation of macroeconomic should consult the industry development level, so it is very important to assess and predict the industrial development level. Through the application and improvement of modeling method of BP algorithm neural network, the production value of the tertiary industry in China is analyzed, finally single hidden layer of BP neural network model is established. The research results show that the model based on the improved BP neural network has high forecast precision, fast convergence rate, good generalization ability, strong universality and strong practicality.
關鍵詞： 第三產業 產值比重 BP神經網絡 預測
Key words: tertiary industrial；the proportion of output-value；BP Neural Network；predict
中圖分類號：F20 文獻標識碼：A文章編號：1006-4311（2011）15-0009-02
0引言
第三產業的產值比重是衡量一個國家經濟發展水平的重要指標之一，第三產業的興旺發達已經成為全球性的經濟發展趨勢，成為了現代經濟的一個重要特征。而第三產業受到人均國民生產總值、第一產業及第二產業的就業比重和產值比重的影響，而且這種影響是非線性的、不確定的、模糊的，傳統的經濟數學模型是很難得到滿意結果的。
人工神經網絡是目前一種有效的預測方法，大量的仿真實驗和理論研究已經證明BP算法是一種有效的神經網絡學習算法，它具有很強的處理非線性問題的能力，近年來已經廣泛應用到各個領域[1-4]。但在實際應用中，BP算法也暴露出一些自身的缺點，算法容易陷入局部極值點，收斂速度慢等，這使得BP算法只能解決小規模的問題，求得全局最優的可能性較小，這樣限制了BP算法在實際中的應用。因此應用改進BP算法的人工神經網絡模型預測第三產業的產值比重，和常規方法相比在計算速度、訓練時間等方面都有顯著提高。
1數據來源和預處理
數據來源于《中國統計年鑒（2009年）》，資料時間范圍為1978年-2008年。在發展中國家，第三產業主要受人均國內生產總值和第二產業的影響，所以采用的數據有：人均國內生產總值，第二產業的產值比重，第二產業的就業比重。一般來說，在實際應用中，由于所采集的數據跨度較大，為提高訓練速度和靈敏性以及有效避開Sigmoid函數的飽和區，一般要求輸入數據的值在-1~l之間。通過標準化(y=2*(x-min(x))/(max(x)-min(x))-1)處理，構成一組新序列。
2BP神經網絡模型的建立
BP模型實現了多層學習的設想，當給定網絡一個輸入模式時，它從輸入層單元傳到隱含層單元，經隱含層單元逐層處理后再發送到輸出層單元，經輸出層單元處理后產生一個輸出模式，這是一個逐層狀態更新的過程，稱為前向傳播，如果輸出響應與期望輸出模式有誤差，不滿足要求，則轉入誤差反向傳播，將誤差值沿連接通路逐層反向傳送并修正各層連接權值和閾值，當各個訓練模式都滿足要求時，則學習結束。
研究中直接把影響第三產業產值比重的3項指標（人均國內生產總值，第二產業的產值比重，第二產業的就業比重）作為BP神經網絡的輸入向量，把第三產業產值比重作為輸出向量，這樣就確定了輸入層節點數為3，輸出層節點數為1。BP模型中，轉移函數常用的有兩種：sigmoid函數和線性函數（y=x），sigmoid函數又有兩種函數：tansig函數和logsig函數，本研究窮盡了這二種轉移函數的搭配組合，測試不同組合對網絡性能的影響，結果表明，當輸入-隱層為tansig函數、隱層-輸出層為線性函數時，效果最好。
若輸入層和輸出層采用線性轉換函數，隱含層采用Sigmoid轉換函數，則只有一個隱含層的網絡能夠以任意精度逼近任何有理函數，所以第三產業產值比重預測模型也只選用一層隱含層來構建網絡。在預測中分別組建了隱層節點數從1～25的BP網絡，經過大量試算，最后根據試報效果，確定了較為理想的隱層單元數是5。
由于傳統神經網絡存在不足，因此需對其進行改進，trainbr（Levenberg-Marquardt優化方法與Bayesian正則化方法）函數采用Levenberg-Marquardt優化方法進行網絡權值和閾值的最優化搜索，并采用Bayesian正則化方法在網絡訓練過程中自適應地調節性能函數比例系數y的大小，使其達到最優，并且采用trainbr函數訓練后BP網絡具有較好的推廣能力。
3結果
利用1978年-2003年的第三產業產值比重數據作為訓練樣本，采用改進BP算法的trainbr訓練函數進行訓練構建的神經網絡，不斷調整輸入層和隱含層、隱含層和輸出層的權值和閾值，達到預定精度，結束訓練，然后采用2004年-2008年的第三產業產值比重數據作為檢驗樣本，利用訓練好的網絡對2004年-2008年的第三產業產值比重進行預測。結果表明訓練樣本模擬值和實際值的平均相對誤差為0.037%，它們的相關系數為0.998297；檢驗樣本預測值和實際值的平均相對誤差為1.408%，它們的相關系數為0.732383；無論是訓練樣本的殘差和誤差，還是檢驗樣本的殘差和誤差，都較小，而且它們的相關系數都較高，該方法進行預測時，如2007年我國第三產業產值比重預測值為40.75%，實際值為40.37%，二者相差不大；2008年的預測值為40.83%，實際值為40.07%，相對誤差僅為1.9%。
4結論
利用1978年-2003年的數據作為訓練樣本，建立了基于改進BP算法神經網絡的GDP預測模型，并對2004年-2008年進行了預測，通過模型建立和研究可以得出以下結論：
訓練樣本模擬值和實際值的平均相對誤差為0.037%，它們的相關系數為0.998297；檢驗樣本預測值和實際值的平均相對誤差為1.408%，它們的相關系數為0.732383；說明預測精度高和泛化能力強。
改進BP算法的神經網絡采用Levenberg-Marquardt優化方法進行網絡權值和閾值的最優化搜索，并采用Bayesian正則化方法在網絡訓練過程中自適應地調節性能函數比例系數y的大小，系統的計算速度更快、預測精度更高，應用該方法對我國1978-2008年第三產業的產值比重進行計算和預測，結果比較合理。
改進BP算法的人工神經網絡能夠捕捉到第三產業產值比重和人均國內生產總值、第二產業的產值比重、第二產業的就業比重之間的高度復雜的非線性函數映射關系，很好地解決了第三產業產值比重預測的難題，為經濟政策的制定提供了科學依據，實踐證明這種方法具有較大的理論意義和應用價值。
參考文獻：
[1]王曉東，薛宏智.基于BP神經網絡的股票漲跌預測模型[J].價值工程，2010，29（31）：47-49.
[2]朱劉陽.一種雷達信號自適應盲分離算法[J].價值工程，2010，29（30）：211-212.
