人工神經網絡的意義精選(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意義主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：人工神經網絡的意義范文

【摘要】 人工神經網絡由于其具有高度的自適應性、非線性、善于處理復雜關系的特點，在許多研究領域得到了廣泛應用，并取得了令人矚目的成就。對其目前在醫學研究領域中的應用做一簡單綜述。

【關鍵詞】 人工神經網絡； 應用

人工神經網絡(Artificial Neural Network，ANN)方法自從本世紀40年代被提出以來，許多從事人工智能、計算機科學、信息科學的科學家都在對它進行研究，已在軍事、醫療、航天、自動控制、金融等許多領域取得了成功的應用。目前出現了許多模仿動物和人的智能形式與功能的某個方面的神經網絡，例如，Grossberg提出的自適應共振理論（Adaptive Resonance Theory，ART），T-Kohenen的自組織特征映射網絡(Self-Organizing feature Map，SOM)，徑向基函數網絡（Radial Basis Function，RBF），Hopfield網等。進入90年代以后，由于計算機技術和信息技術的發展，以及各種算法的不斷提出，神經網絡的研究逐漸深化，應用面也逐步擴大，本研究對常用的神經網絡方法及其在醫學領域中的應用做一簡單綜述。

1 自組織特征映射網絡（self-organizing feature map，SOM）在基因表達數據分析中的應用

1.1 方法介紹

腦神經學的研究表明，人腦中大量的神經元處于空間的不同區域，有著不同的功能，各自敏感著各自的輸入信息模式的不同特征。芬蘭赫爾辛基大學神經網絡專家T.Kohonen根據大腦神經系統的這一特性，于1981年提出了自組織特征映射網絡，它模擬人的大腦，利用競爭學習的方式進行網絡學習，具有很強的自組織、自適應學習能力，魯棒性和容錯能力，其理論及應用發展很快，目前已在信息處理、模式識別、圖像處理、語音識別、機器人控制、數據挖掘等方面都有成功應用的實例。

Kohonen網絡由輸入層和競爭層組成，網絡結構見圖1。輸入層由N個神經元組成，競爭層由M個輸出神經元組成，輸入層與競爭層各神經元之間實現全互連接，競爭層之間實行側向連接。設輸入向量為x=(x1，…，xd)T ，輸出神經元j對應的權重向量為wj=(wj1，…，wjd)T ，對每一輸出神經元計算輸入向量x 和權重向量wj 間的距離，據此利用競爭學習規則對權向量進行調節。在網絡的競爭層，各神經元競爭對輸入模式的響應機會，最后僅一個神經元成為勝利者，并對與獲勝神經元有關的各權重朝著更有利于它競爭的方向調整，這樣在每個獲勝神經元附近形成一個“聚類區”，學習的結果使聚類區內各神經元的權重向量保持與輸入向量逼近的趨勢，從而使具有相近特性的輸入向量聚集在一起，這種自組織聚類過程是系統自主、無教師示教的聚類方法，能將任意維輸入模式在輸出層映射成一維或二維離散圖形，并保持其拓撲結構不變。網絡通過對輸入模式的學習，網絡競爭層神經元相互競爭，自適應地形成對輸入模式的不同響應，模擬大腦信息處理的聚類功能、自組織、自學習功能，實現用低維目標空間的點去表示高維原始空間的點，其工作原理和聚類算法及改進方法參見相關文獻［1］。

1.2 應用

基因芯片技術的應用使得人們可以從基因水平探討疾病的病因及預后，而基因芯片產生的數據具有高維度（變量多）、樣本量小、高噪聲的特點，樣本量遠小于變量數，如何從海量的數據中挖掘信息或知識成為重大課題。聚類分析是數據挖掘中的一類重要技術，傳統方法主要有系統聚類、k-means聚類等，但在處理復雜非線性關系及變量間的交互作用時效果較差，受異常值影響較大。近年來神經網絡技術法成為聚類領域的研究熱點，其中自組織特征映射網絡由于其良好的自適應性，其算法對基因表達數據的聚類有較高的穩定性和智能性，尤其在處理基因表達中有缺失數據及原始空間到目標空間存在非線性映射結構時有較好的體現，適用于復雜的多維數據的模式識別和特征分類等探索性分析，同時可實現聚類過程和結果的可視化［2］。目前Kohonen網絡已被成功用到許多基因表達數據的分析中，Jihua Huang等［3］設計6×6的網絡對酵母細胞周期數據進行分析，總正確率為67.7%；曹暉等［4］將其算法改進后用在酵母菌基因表達數據中，總正確率高達84.73%，有較高的聚類效能；鄧慶山［5］將該模型與K平均值聚類方法結合用于公開的結腸基因表達數據集和白血病基因表達數據集，聚類的準確率分別為94.12%和90.32%。目前Kohonen網絡在醫學領域中主要應用前景有：① 發現與疾病相關的新的未知基因，對目標基因進一步研究，提高診斷的正確率，并對藥物的開發研究提供重要的線索；② 對腫瘤組織的基因表達譜數據聚類，以期發現新的、未知的疾病亞型（腫瘤亞型），以便提出更加有針對性的治療方案，為從分子水平對疾病分型、診斷、預后等提供依據；③ 發現與已知基因有相似功能的基因，為推斷未知基因的可能功能提供線索。

2 BP神經網絡在醫學研究中的應用

2.1 BP神經網絡在疾病輔助診斷中的應用

2.1.1 方法介紹

BP神經網絡是目前應用最多的神經網絡，一般由一個輸入層（input layer）、一個輸出層（output layer）、一個或幾個中間層（隱層）組成。每一層可包含一個或多個神經元，其中每一層的每個神經元和前一層相連接，同一層之間沒有連接。輸入層神經元傳遞輸入信息到第一隱層或直接傳到輸出層，隱層的神經元對輸入層的信息加權求和，加一個常數后，經傳遞函數運算后傳到下一個隱層（或輸出層），常用的傳遞函數是logistic函數，即Φh=1/(1+exp(-z)) ，輸出層神經元對前一層的輸入信息加權求和經傳遞函數Φ0 （線性或logistic函數或門限函數）運算后輸出，BP神經網絡一般采用BP算法訓練網絡，關于BP算法及改進可參考相關文獻［1］。

人工神經網絡具有強大的非線性映射能力，含一個隱層的網絡可以實現從輸入到輸出間的任意非線性映射，是典型的非線性數學模型，建立BP神經網絡模型的一般步驟為：① BP網訓練集、校驗集、測試集的確定；② 輸入數據的預處理：使輸入變量的取值落在0到1的范圍內，如果是無序分類變量，以啞變量的形式賦值；③ 神經網絡模型的建立及訓練：學習率、傳遞函數、隱層數、隱單元數的選擇，注意防止過度擬合。一般使用靈敏度、特異度、陽性預測值、陰性預測值、ROC曲線對模型的預測性能進行評價。

2.1.2 應用

BP神經網絡已廣泛用于臨床輔助診斷中，白云靜等［6］用于中醫證候的非線性建模，建立了RA證侯BP網絡模型和DN證侯BP網絡模型，結果顯示平均診斷準確率分別為90.72%、92.21%，具有較高的診斷、預測能力。曹志峰［7］采用PROBEN1中的甲狀腺疾病數據庫用于甲狀腺疾病（甲亢、甲減、正常）的診斷，結果顯示訓練樣本的正確識別率為99.3% ，測試樣本的正確識別率為98.2%，提示對臨床診斷甲狀腺疾病提供有益的幫助；還有學者用于急性心肌梗塞、甲狀腺功能紊亂、乳腺癌、前列腺癌、宮頸癌、肺癌、卵巢癌、急性肺梗塞等的輔助診斷等［8］。

2.2 BP神經網絡在生存分析中的應用

2.2.1 方法介紹

傳統的生存分析方法有非參數、半參數、參數模型，參數模型主要有指數回歸模型、Weibull回歸模型，都要求對基線風險做一定的假設，但實際資料常常不符合條件，生存分析中應用最為廣泛的半參數模型:Cox比例風險模型，但它要求滿足比例風險的假定，在很多情況下也難以滿足。基于神經網絡的生存分析模型可以克服這些困難，可以探測復雜的非線性效應，復雜的交互效應，模型中協變量的效應可以隨時間變化，對數據的分布不做要求。目前一些策略被用到神經網絡預測方法中分析含有刪失的生存數據，主要有Faraggi-Simon(1995)法、Liestol-Andersen-Andersen(1994) 法、改良uckley-James(1979)法等。

BP神經網絡建立生存分析模型常用的方法有［9］：連續時間模型（continuous time models）與離散時間模型（discrete time models）。常用的Faraggi和Simon［10］提出的連續時間模型擴展了Cox回歸模型，允許非線性函數代替通常的協變量的線性組合，這種方法既保持了Cox回歸模型的比例風險的特點，又提供了處理復雜非線性關系、交互作用能力的好方法。

離散時間模型常用的模型有：① 輸出層為單個結點：模型的輸出層只有一個神經元結點，是最簡單的神經網絡模型，生存時間被分成兩個區間，當研究者僅僅對某一時間點的預后感興趣時，例如預測癌癥患者的5年生存情況，如欲預測多個時間點，則需建立多個神經網絡模型（每個模型對應一個時間區間）；② 輸出層為多個結點：生存時間被分成幾個離散的區間，估計某個時間區間事件發生的概率，Liestol法是常用的離散時間模型。還有研究者在建立多個時間區間模型時將時間也做為一個輸入變量，也有學者將神經網絡納入Bayes方法的研究框架。

一般采用靈敏度、特異度、一致性指數C(Concordance index)作為預測準確性的評價指標，神經網絡在生存分析中的應用主要在于［11］：個體患者預后的預測，研究預后因子的重要性，研究預后因子的相互作用，對于預測變量的影響力強弱及解釋性，還有待進一步探討。

2.2.2 應用

國外Ruth M.Ripley等［9］將7種不同的神經網絡生存分析模型（3種離散時間模型，4種連續時間模型）用于1335例乳腺癌患者復發概率的預測，并對其精確性、靈敏度、特異度等預測性能指標進行比較，結果證明神經網絡方法能成功用于生存分析問題，可以提取預后因子所蘊涵的最大可能的信息。Anny Xiang等［12］采用Monte Carlo模擬研究方法，在9種實驗條件下（不同的輸入結點、刪失比例、樣本含量等）對Faraggi-Simon法、Liestol-Andersen-Andersen法、改良Buckley-James法處理右刪失生存數據的性能與Cox回歸作比較，研究結果提示神經網絡方法可以作為分析右刪失數據的一個有效的方法。D.J.Groves［13］等將Cox回歸與神經網絡方法對兒童急性淋巴母細胞白血病的預后進行了比較，Lucila Ohno-Machado等［14］建立輸出層為4個結點的離散時間神經網絡模型做為AIDS預后研究的工具，并使用ROC曲線下面積、靈敏度、特異度、陽性預測值、陰性預測值對不同時間區間的預測性能做了評價。國內用于生存分析方面的研究還較少，黃德生［15］等利用BP神經網絡建立time-coded model和single-time point model用于肺鱗癌預后預測，賀佳［16］等把BP網絡用于預測肝癌患者術后無瘤生存期，也有學者對AIDS、惡性腫瘤的預后做了相關的研究。

2.3 BP神經網絡在其它方面的應用

近年來BP神經網絡在疾病篩查中的的應用引起學者的關注，例如在乳腺癌、宮頸癌、糖尿病的篩查都有成功的應用［17］。神經網絡在法醫學研究領域具有實用性和廣泛的應用前景，法醫學家將其用在死亡時間推斷、死因分析、個體識別和毒物分析等研究中［18］。在藥學研究中也有一定的應用，例如在定量藥物設計、藥物分析、藥動/藥效學研究中，都有成功的應用案例，相秉仁等［19］對其做了詳細的綜述。曹顯慶［20］等還將神經網絡用于ECG、EEG等信號的識別和處理、醫學圖像分析中，取得了較好的結果。

人工神經網絡是在研究生物神經網絡的基礎上建立的模型，迄今為止有代表性的網絡模型已達數10種，人工神經網絡不需要精確的數學模型，沒有任何對變量的假設要求，能通過模擬人的智能行為處理復雜的、不確定的、非線性問題。在醫學研究領域，變量間關系往往非常復雜，為了探測變量間的復雜模式，神經網絡正逐漸變成分析數據的流行工具。目前國際上已出現許多著名的神經網絡專業雜志：Neural Network，Neural Computation，IEEE Transaction on Neural Networks等，同時已有許多商業化的神經網絡開發軟件，如Matlab軟件， S-plus軟件，SNNS(Stuttgart Neural Network Simulator)等，高版本SAS系統中的Enterprise Miner應用模塊中也可以建立神經網絡模型，隨著計算機技術的進一步發展，人工神經網絡在醫學領域的應用前景也會更加廣闊。

【參考文獻】

1 余雪麗，主編.神經網絡與實例學習.中國鐵道出版社，1996.

2 白耀輝，陳明.利用自組織特征映射神經網絡進行可視化聚類.計算機仿真，2006，23(1):180~183.

3 Jinua Huang，Hiroshi Shimizu，Suteaki Shioya.Clustering gene expression pattern and extracting relationship in gene network based on artificial neural networks.Journal of bioscience and bioengineering，2003，96(5):421~428.

4 曹暉，席斌，米紅.一種新聚類算法在基因表達數據分析中的應用.計算機工程與應用，2007，43(18)：234~238.

5 鄧慶山.聚類分析在基因表達數據上的應用研究.計算機工程與應用，2005，41(35):210~212.

6 白云靜，申洪波，孟慶剛，等.基于人工神經網絡的中醫證侯非線性建模研究.中國中醫藥信息雜志，2007，14（7）:3~4.

7 曹志峰. BP 神經網絡在臨床診斷中的應用與探討.實用醫技雜志，2005，12(9):2656~2657.

8 William G Baxt. Application of artificial neural networks to clinical medicine. The Lancet，1995，346(8983):1135~1138.

9 Ruth M.Ripley，Adrian L.Harris，Lionel Tarassenko.Non-linear survival analysis using neural networks. Statistics in medicine，2004，23(5):825~842.

10 David Faraggi，Richard Simon.A neural network model for survival data. Statistics in medicine，1995，14(1):73~82.

11 高蔚，聶紹發，施侶元，等.神經網絡在生存分析中的應用進展.中國衛生統計，2006，23（4）：358~360.

12 Anny Xiang，Pablo Lapuerta， Alex Ryutov.Comparison of the performance of neural network methods and Cox regression for censored survival data.Computational statistics ＆ data analysis，2000，34(2):243~257.

13 D.J.Groves，S.W.Smye，S.E.Kinsey.A comparison of Cox regression and neural networks for risk stratification in case of acute lymphoblastic leukaemia in children.Neural computing ＆ applications，1999，8(3):257~264.

14 Lucila Ohno-Machado.A comparison of cox proportional hazards and artificial neural network models for medicial prognosis.Comput Biol Med，1997，27(1):55~65.

15 黃德生，周寶森，劉延齡，等.BP人工神經網絡用于肺鱗癌預后預測.中國衛生統計，2000，17(6):337~340.

16 賀佳，張智堅，賀憲民.肝癌術后無瘤生存期的人工神經網絡預測.數理統計與管理，2002，21（4）：14~16.

17 黎衍云，李銳，張勝年.人工神經網絡及其在疾病篩查中的應用前景.環境與職業醫學，2006，23(1):71~73.

18 汪嵐，劉良.人工神經網絡的法醫學應用.中國法醫學雜志，2005，20(3)：161~163.

第2篇：人工神經網絡的意義范文

Abstract: The paper evaluated urban land use efficiency for Liaoyang city by using the model of BP neural network and indexes system during 2000~2009. The BP neural network was applied and trained by training data after having dealed the evaluation indexes with dimensionless mode. The results indicated that land use efficiency index of Liaoyang city is rising.

關鍵詞： 土地利用效益；BP神經網絡；遼陽市

Key words: land use efficiency；BP neural network；Liaoyang city

中圖分類號：F293.2 文獻標識碼：A文章編號：1006-4311（2011）18-0007-02

0引言

城市土地是城市形成和發展的基礎，是城市社會、經濟、政治、文化等各項活動載體，城市土地資源利用的合理性，直接關系到城市的可持續發展[1]。當前，我國正努力建設資源節約型社會，提倡節約集約利用稀缺的土地資源，迫切需要實現城市土地的高效利用，防止城市土地的無序、攤大餅式擴張。城市土地利用效益是指城市土地在數量、質量的空間和時間上安排、使用和優化，從而給整個城市帶來的經濟、社會、生態、和環境效益的總和[2]。本文從經濟、社會、生態效益三個方面構建城市土地利用效益評價指標體系，采用人工神經網絡模型，對遼陽市2000~2009年的城市土地利用效益進行定量評價，以期為遼陽市城市土地資源的高效利用和科學管理及相關政策的制定提供借鑒。

1研究區概況

遼陽市位于遼寧中部，南鄰鞍山，北依沈陽，東臨本溪，西與遼河油田接壤，地處東經122°35′04″~123°41′00″；北緯40°42′19″~41°36′32″。全市土地總面積4731平方公里，總人口185萬，其中市區面積574平方公里，城市建成區面積92平方公里。

2評價指標體系的建立

在指標體系構建過程中應該遵循科學性、系統性、相對完備性以及可操作性等原則[3-4]，根據研究區域實際狀況，從經濟效益、社會效益、生態效益三個方面，選取具有代表性的指標構成城市土地利用效益評價指標體系。

3人工神經網絡評價模型的建立

3.1 BP神經網絡的原理BP網絡模型是一種基于反向傳播學習算法的多層網絡模型，其基本思路是把網絡學習時輸出層出現的與“事實”不符的誤差，歸結為連接層中各節點間連接權及閾值的“過錯”，通過把輸出層節點的誤差逐層向輸入層逆向傳播，以“分攤”給各連接節點，從而可算出各連接節點的參考誤差，并據此對各連接權進行相應的調整，使網絡適應要求的映射[5]。

3.2 城市土地利用效益的人工神經網絡模型評價采用三層BP神經網絡模型，借助MATLAB R14的神經網絡工具箱函數實現模型評價。第一層為輸入層，共有14個節點，即為評判城市土地利用效益的14個指標。由于評價指標的量綱不同，且數據變化范圍較大，不便于分析和計算。因此，對各評價指標值進行無量綱化處理，即每一指標數據除以各自指標中的最大值，將數據劃歸在[0，1]范圍之內。本文以隸屬度函數對各指標進行標準化，歸一化后得到采用模糊數學表示的隸屬函數，并且采用隸屬度的概念表示每一項指標。

網絡層數確定由1個輸入層、1個輸出層和1個隱含層組成。對于隱含層節點數的確定比較復雜，對于節點采用Sigmoid型節點的多層前饋神經網絡，只要有足夠多的隱節點，它們都能把所需要的輸入信號變成線形獨立的隱節點增廣向量。在實際操作過程中，根據經驗選取節點數為12個。學習參數的確定采用參數η（學習速率），α（動量系數）自適應調整的方法。

根據遼寧省統計年鑒、遼陽市統計年鑒，本文采用2000-2009年的大連、沈陽、鞍山等6城市的數據，對其作為樣本對網絡進行訓練，用遼陽市2000-2009年數據作為測試樣本，得到網絡計算結果（見圖1）。通過對計算結果與已有訓練成果進行分析來研究神經網絡模型的模擬精度，最后網絡的終止參數為：經過1478次訓練后，網絡的性能就達到了要求。得出遼陽市2000~2009年城市土地利用效益程度分別0.3621、0.3647、0.3905、0.4003、0.4250、0.4574、0.5360、

0.6141、0.7578、0.8235。

4評價結果分析

4.1 評價結果等級劃分運用特爾菲法，經過三輪專家征詢、統計、分析，將遼陽市土地利用效益水平劃分為4個等級：低度效益（0~0.35），一般效益（0.35~0.50），較高效益（0.50~0.80），高度效益（0.80~1），城市土地利用效益評價分級成果見表2。

4.2 評價結果分析從遼陽市城市土地利用效益水平評價結果可知，2000年到2005年處于一般水平，2006-2008年土地利用效益處于較高水平，2009年土地利用效益處于高度水平。研究期內遼陽市的土地利用整體效益水平呈上升趨勢，從2000年的0.3621增加到2009年的0.8235，增長速度較快，年均增長率為14.2%。

對照指標體系，從三大評價指標來看，經濟效益水平變化幅度比較明顯，呈大幅度上升趨勢，而社會效益和生態效益水平變化比較緩慢。經濟的快速發展對土地利用是把雙刃劍，科學的發展方式可以促進土地利用效益的整體提高，反之，則使土地利用效益整體降低。通過以上分析可看出遼陽市城市土地利用效益的提升主要是由于經濟效益的高速發展，而社會效益和生態效益沒有顯著地變化，然而經濟效益、社會效益和生態效益是城市發展中不可或缺的三項重要指標，不可過分地依賴某個因素，而應注意三者之間的相互聯系和相互制約，更多地考慮三方面協調發展，共同促進土地利用效益的提高。因此，在今后遼陽市的發展中，要在經濟快速增長的同時，更加注重城市土地利用的結構調整，使社會、經濟、生態等各項指標穩步提高，最終提升土地利用的整體效益。

5結語

城市土地利用效益評價具有模糊性、非線性等特點。一般的評價方法很難同時考慮到這幾個方面。BP人工神經網絡利用其非線性映射能力，能夠實現對其識別和映射。在利用該模型時只需要將網絡訓練好，就可以用來進行大批量的數據處理，而且評價結果客觀、合理。

參考文獻：

[1]劉喜廣，劉朝暉.城市土地利用效益評價研究[J].華中農業大學學報（社會科學版），2005（4）：91~95.

[2]申海元，陳瑛，張彩云.西安市土地利用綜合效益研究[J].土壤通報，2009，40（2）：209-213.

[3]陳靜，付梅臣，陶金等.唐山市土地利用效益評價及驅動機制[J].資源與產業，2010，12（2）：60-63.

第3篇：人工神經網絡的意義范文

本文主要介紹了人工神經網絡的概念，并對幾種具體的神經網絡進行介紹，從它們的提出時間、網絡結構和適用范圍幾個方面來深入講解。

【關鍵詞】神經網絡 感知器網絡 徑向基網絡 反饋神經網絡

1 引言

人工神經網絡是基于對人腦組織結構、活動機制的初步認識提出的一種新型信息處理體系。它實際上是一個由大量簡單元件相互連接而成的復雜網絡，具有高度的非線性，能夠進行復雜的邏輯操作和非線性關系實現的系統，通過模仿腦神經系統的組織結構以及某些活動機理，人工神經網絡可呈現出人腦的許多特征，并具有人腦的一些基本功能，利用這一特性，可以設計處具有類似大腦某些功能的智能系統來處理各種信息，解決不同問題。下面對幾種具體的神經網絡進行介紹。

2 感知器網絡

感知器是由美國學者Rosenblatt在1957年首次提出的，感知器可謂是最早的人工神經網絡。感知器具有分層結構，信息從輸入層進入網絡，逐層向前傳遞到輸出層。感知器是神經網絡用來進行模式識別的一種最簡單模型，屬于前向神經網絡類型。

2.1 單層感知器

單層感知器是指只有一層處理單元的感知器，它的結構與功能都非常簡單，通過讀網絡權值的訓練，可以使感知器對一組輸入矢量的響應達到元素為0或1的目標輸出，從而實現對輸入矢量分類的目的，目前在解決實際問題時很少被采用，但由于它在神經網絡研究中具有重要意義，是研究其他網絡的基礎，而且較易學習和理解，適合于作為學習神經網絡的起點。

2.2 多層感知器

多層感知器是對單層感知器的推廣，它能夠成功解決單層感知器所不能解決的非線性可分問題，在輸入層與輸出層之間引入隱層作為輸入模式的“內部表示”，即可將單層感知器變成多層感知器。

3 線性神經網絡

線性神經網絡類似于感知器，但是線性

神經網絡的激活函數是線性的，而不是硬限轉移函數。因此線性神經網絡的輸出可以使任意值，而感知器的輸出不是0就是1。線性神經網絡最早的典型代表就是在1963年由美國斯坦福大學教授Berhard Windrow提出的自適應線性元件網絡，它是一個由輸入層和輸出層構成的單層前饋性網絡。自適應線性神經網絡的學習算法比感知器的學習算法的收斂速度和精度都有較大的提高，自適應線性神經網絡主要用于函數逼近、信號預測、系統辨識、模式識別和控制等領域。

4 BP神經網絡

BP神經網絡是1986年由以Rumelhart和McCelland為首的科學家小組提出的，是一種按誤差逆傳播算法訓練的多層前饋網絡，在人工神經網絡的實際應用中，80%～90%的人工神經網絡模型采用BP網絡或者它的變化形式，它也是前向網絡的核心部分，體現了人工神經網絡最精華的部分，BP神經網絡由信息的正向傳播和誤差的反向傳播兩個過程組成。輸入層各神經元負責接收來自外界的輸入信息，并傳遞給中間層各神經元；中間層是內部信息處理層，負責信息變換，根據信息變化能力的需求，中間層可以設計為單隱層或者多隱層結構；最后一個隱層傳遞到輸出層各神經元的信息，經過一步處理后完成一次學習的正向傳播處理過程，由輸出層向外界輸出信息處理結果。當實際輸出與期望輸出不符時，進入誤差的反向傳播階段。誤差通過輸出層，按誤差梯度下降的方式修正各層權值，向隱層、輸入層逐層反傳。周而復始的信息正向傳播和誤差反向傳播過程，是各層權值不斷調整的過程，也是神經網絡學習訓練過程，此過程一直進行到網絡輸出的誤差減少到可以接受的程度，或者達到預先設定的學習次數為止。

BP網絡主要應用于以下方面：

（1）函數逼近：用輸入矢量和相應的輸出矢量訓練一個網絡逼近一個函數。

（2）模式識別：用一個特定的輸出矢量將它與輸入矢量聯系起來。

（3）分類：對輸入矢量以所定義的合適方式進行分類。

（4）數據壓縮：減少輸出矢量維數以便于傳輸或存儲。

5 反饋神經網絡

美國加州理工學院物理學家J.J.Hopfield教授于1982年發表了對神經網絡發展頗具影響的論文，提出一種單層反饋神經網絡，后來人們將這種反饋網絡稱作Hopfield網。在多輸入/多輸出的動態系統中，控制對象特性復雜，傳統方法難以描述復雜的系統。為控制對象建立模型可以減少直接進行實驗帶來的負面影響，所以模型顯得尤為重要。但是，前饋神經網絡從結構上說屬于一種靜態網絡，其輸入、輸出向量之間是簡單的非線性函數映射關系。實際應用中系統過程大多是動態的，前饋神經網絡辨識就暴露出明顯的不足，用前饋神經網絡只是非線性對應網絡，無反饋記憶環節，因此，利用反饋神經網絡的動態特性就可以克服前饋神經網絡的缺點，使神經網絡更加接近系統的實際過程。

Hopfield神經網絡的應用：

（1）在數字識別方面。

（2）高校科研能力評價。

（3）應用于聯想記憶的MATLAB程序。

6 徑向基神經網絡

徑向基RBF網絡是一個3層的網絡，除了輸入、輸出層之間外僅有一個隱層。隱層中的轉換函數是局部響應的高斯函數，而其他前向網絡，轉換函數一般都是全局響應函數。由于這樣的差異，要實現同樣的功能，RBF需要更多的神經元，這就是RBF網絡不能取代標準前向型絡的原因。但是RBF網絡的訓練時間更短，它對函數的逼近時最優的，可以以任意精度逼近任意連續函數。隱層中的神經元越多，逼近越精確。

徑向基網絡的應用：

（1）用于曲線擬合的RBF網絡。

（2）徑向基網絡實現非線性函數回歸。

7 自組織神經網絡

自組織競爭型神經網絡是一種無教師監督學習，具有自組織功能的神經網絡，網絡通過自身的訓練。能自動對輸入模式進行分類，一般由輸入層和競爭層夠曾。兩層之間各神經元實現雙向連接，而且網絡沒有隱含層。有時競爭層之間還存在著橫向連接。

常用自組織網絡有一下幾種：

（1）自組織特征映射網絡。

（2）學習矢量量化網絡。

（3）自適應共振理論模型。

（4）對偶傳播網絡。

參考文獻

[1]韓力群.人工神經網絡教程[M].北京：北京郵電大學出版社，2006.

[2]周品.神經網絡設計與應用[M].北京：清華大學出版社，2013.

作者簡介

孔令文（1989-），男，黑龍江省齊齊哈爾市人。現為西南林業大學機械與交通學院在讀研究生。研究方向為計算機仿真。

第4篇：人工神經網絡的意義范文

Abstract: The technology of affecting the output accuracy of artificial neural network model has affected widespread ettention,and influence researches of sample quality to neural network output accuracy are very few,and the majority of these researcher about neural network structure. This paper analyses the influence of the sample to the output of artificial neural network,having important significance to improve accuracy of neural network output.

關鍵詞: 人工神經網絡;局部影響;BP神經網絡;算法

Key words: artificial neural networks;local influence;BP neural network;algorithm

中圖分類號:TP393.092 文獻標識碼:A文章編號:1006-4311(2010)07-0144-02

0引言

神經網絡應用到預測有許多問題需要解決, 其中最為突出的問題就是沒有一個確定的最合適的神經網絡結構的標準方法,由于影響神經網絡預測能力的參數很多,本文針對最為常用的BP神經網絡,對影響神經網絡預測精度的樣本質量進行了詳細分析和研究, 并在此基礎上,給出優化樣本后的具體例子。

1樣本質量對網絡的影響

用于神經網絡的樣本分為訓練樣本和測試樣本,訓練樣本的質量在一定程度上決定著預測精度。首先,訓練樣本和待預測樣本的均值存在較大差異, 預測誤差會隨著長時間的訓練而增大。其次,訓練誤差會隨著訓練樣本和待預測樣本均值間差異的增大而增大。再次,訓練誤差會隨著訓練樣本和待預測樣本方差間差異的增大而增大[1]。下面是文獻[1]對樣本質量分析的方法。

文獻[1]的人工神經網絡預測誤差為e=em+et+er,其中,e為預測誤差;em為模型誤差,它由所建回歸模型與實際系統的差異引起的;et為最終的訓練誤差;er為人工神經網絡訓練和預測過程中引入的隨機誤差。et和er的存在是不可避免的,而em為:em=ef+ed,式中ef為實際輸出值與預測輸出值之間的誤差,它反映了樣本質量;為由不正確的嵌入維數引起的誤差, 它可通過選擇合適的輸入神經元數來消除。

為了評價訓練樣本質量,根據ef提出“一致度”的指標。文獻[1]定義了偽距離DCTP-D,但計算偽距離是相當復雜的,難于實現對樣本質量的分析和應用。下面用協方差比統計量分析訓練樣本對預測精度的影響。

設訓練樣本為θ,是神經網絡的輸出,i是從θ中剔除第i個數據點的神經網絡輸出。則剔除第i個數據點的協方差比統計量CR=cv()cv()表明了剔除第個數據點對神經網絡輸出精度的影響,從精度方面刻畫了第i個數據點的重要程度。CRi-1的值越大,對預測精度(神經網絡輸出)的影響越大。在使用PB神經網絡預測時先對訓練樣本進行篩選,剔除對網絡輸出結果影響小的樣本點。

樣本精簡:矩陣初等行變換能保持矩陣列向量之間的線性關系,利用這個結論我們可以用來進行樣本數據的精簡,這樣精簡后的樣本數據能夠保持各屬性字段之間的線性關系。神經網絡的訓練實際上是一個通過給定樣本實時調整網絡連接權重的過程,樣本預處理的結果對于網絡訓練的收斂性起到關鍵的作用。

2實例分析

本文采用麻省理工大學林肯實驗室的測試數據KDDCUP99,它是專門用來進行入侵檢測評估的。我們采用數據集上的一個子集10%作為實驗數據源,它一共包含有494021條網絡連接,其中正常連接97277 條,異常連接396744條。

下面我們針對DOS攻擊類型數據(DOS攻擊類型編碼為“0 0 0 1”)進行分析。

設A為樣本數據矩陣,其中每一行向量表示一條樣本數據,則該行向量含34個數據,假設有a條樣本,則A為a行34列矩陣;由于每條樣本數據輸入網絡后都會有一條對應的輸出,加上本實例為DOS攻擊類型以編碼“0 0 0 1”表示,則期望輸出矩陣B為a行4列矩陣(暫時先不考慮閾值,只考慮權重問題)。本文BP神經網絡的輸入節點數為34個,隱含層節點數為15個,輸出層節點數為4個雖然神經網絡的連接權重可以用一個實數串進行表示,但在進行網絡的訓練時,還需要將實數串分為兩部分,設輸入層到隱含層的連接權重矩陣為W1,則W1為34行15列矩陣;同理,隱含層到輸出層的連接權重矩陣W2為15行4列矩陣。于是我們可以得到公式(1)。

AWW=B(1)

如式(2)所示,A和B是系數矩陣 ,C是增廣矩陣。經過帶約束初等行變換后如式(3)所示。

C=[AB](2)

C=[AB]A′B′C D(3)

式(3)中,C、D為零矩陣,經過處理以后,由原先的A對應輸出B變成了現在的A′對應輸出B′,通過這樣的處理,我們就可以將大樣本變為小樣本,從而使計算更加快速,樣本數據更加精簡。 為了能使樣本應用于本文提出的分類檢測器同步檢測模型,我們將樣本數據先進行歸類合并,分別構造出DOS、PROBE、U2R、R2L四大類攻擊樣本數據集,這樣四個檢測器分別檢測四大類攻擊。為了降低可疑攻擊數,即四大攻擊類型數據集之間的重疊記錄數要少。精度過大會增加計算量,從而會降低學習速度;精度過小,會使記錄重疊數增加,從而造成可疑攻擊數增加,影響訓練結果。

對訓練樣本用上述方法進行優化后,利用矩陣初等行變換能保持矩陣列向量之間的線性關系這個結論,我們可以進一步對樣本數據的精簡,這樣精簡后的樣本數據能夠保持各屬性字段之間的線性關系。神經網絡的訓練實際上是一個通過給定樣本實時調整網絡連接權重的過程,樣本預處理的結果對于網絡訓練的收斂性起到關鍵的作用。

3結論

(1)分析神經網絡進行非線性預測多變量預測的優越性以及神經網絡用于預測的缺點所在。

(2)提出了影響網絡預測能力的五個重要參數:樣本質量、樣本歸一化、輸人層節點數、隱層節點數及網絡訓練允許誤差目標值。

(3)在一定允許訓練誤差的情況下,研究了無個參數對網絡預測精度的影響,發現存在一個最優的樣本、輸入層節點數和隱層節點數,這樣的網絡具有較強的預測能力。

(4)本文用遺傳算法構造了同時優化影響神經網絡預測精度的參數(輸入層節點數、隱層節點數及樣本允許訓練誤差)的算法, 得到了較優的網絡預測模型最后, 用算例驗證了本文分析結果的正確性。

參考文獻:

[1]陳果.神經網絡模型的預測精度影響因素分析[J].北京: 模式識別與人工智能,2005,18(5):528-533.

[2]蔣林,陳濤,屈梁生.訓練樣本質量對人工神經網絡性能的影響[J].北京:中國機械工程,1979,8(2):50-53.

[3]李敏強,徐博藝,寇紀淞.遺傳算法與神經網絡的結合[J].北京:系統工程理論與實踐,1999(2).

[4]吳懷宇,宋玉階.非線性回歸分析中的神經網絡方法[J].武漢:武漢冶金科技大學學報,1998,21(1):90-93.

第5篇：人工神經網絡的意義范文

關鍵詞：人工神經網絡；概算；BP

中圖分類號：TP183文獻標識碼： A

一、人工神經網絡應用于建設項目概算的重要意義

（一）人工神經網絡

人工神經網絡就是由許多神經元互連在一起所組成的神經結構，把神經元之間相互作用的關系進行數學模型化就可以得到神經網絡模型。人工神經網絡是一種非常復雜的非線性的動態分析系統。它模擬人腦的神經功能分層由單個神經元非線性地、復雜地組合成一個網絡系統。當某一問題的求解過程可描述為若干個有一定內在聯系，又無法用解析法表達其內在關系的各個輸入因子與輸出因子的關系時，將輸入、輸出因子作為樣本進入神經元網絡結構，網絡系統會對各個輸入、輸出因子的因果關系作一番認識和學習，建立起各神經元之間的連接強度(即權值)閥值。這樣學習后生成的人工神經元網絡系統，仿佛具有了人腦解決這一問題的技能。當輸入一組新的參數它可以給出這個領域專家認為應該輸出的數值。

（二）建設項目概算應用神經網絡的必要性

電網建設工程造價是組成電網的各分項工程的價格總和，而各分項工程的價格則取決于其工程量的大小和單價的高低。以往工程造價的計算是由造價編制人員算出各分項工程量，分別乘以其單價。由于組成電網的分項工程數量多，工程量的計算非常繁瑣，計算時間占造價計算總時間的90%以上，所以計算結果容易出現誤差。這表明造價計算的重點和難點在于工程量的計算。

一個有豐富經驗的造價師，根據工程類型、特征及其相關情況，參照以往經驗和工程數據資料，就能大致概算出造價，而無需進行大量繁雜計算，而且經驗越豐富，資料積累越多，格算的造價就越準確，模仿這種大腦思維模式，正是人工神經網絡所擅長的。神經網絡模型通用性、適應性強，它不但不排斥新樣本，相反它會隨著樣本數的不斷增加而提高自身的概括能力和預測能力，這正好滿足了建立造價信息系統的要求--動態地、自適應地從眾多已完工程中提取有用信息，進行預測并輔助決策，由于電網工程的單件性，一般不存在兩個完全一樣的工程，但許多工程之間存在著某種程度的相似性，造價估計分析的基本原理就是建立在電網工程的相似性基礎上，對于某個欲估工程，首先從分析電網類型和工程特征入手，再從數目眾多的同類已竣工的工程中找出與預估項目最相似的若干個工程，然后利用這些相似電網項目的造價資料作為原始數據進行推理，最后得到擬建電網的造價及其他有關數據。

二、BP網絡

（一）BP網絡算法

神經網絡在目前已有幾十種不同的模型，在人們提出的幾十種神經網絡模型中，人們較多用的是Hopfield網絡、BP網絡、Kohonen網絡和ART(白適應共振理論)網絡。其中BP網絡是反向傳播(BackPropagation)網絡，它是一種多層前向網絡，采用最小均方差學習方式，這是一種最廣泛應用的網絡。

BP算法的學習過程是由正向傳播和反向傳播兩個過程組成。在正傳播過程中,輸入信息從輸入層經隱含層逐層傳遞、處理,每一層神經元的狀態只影響下一層神經元的狀態。如果在輸出層不能得到期望輸出,則轉入反向傳播過程,將誤差信號沿原來的連接通路返回,通過修改各層間連結權的值,逐次地向輸入層傳播,再經過正向傳播過程,兩個過程的反復運用使得誤差不斷減小至滿足要求。其模型可以表示為:

單隱層BP網絡有三部分組成:輸入層,輸入向量:

X=(x1x2,...,x1,...,xn)T

隱含層:

輸出層:

期望輸出向量為:

d=(d1,d2,...,dk...,dl)T

輸入層到隱含層之間的權值矩陣用V表示:V=(v1,v2,...,vj,󰀁vm)T

隱含層到輸出層之間的權值矩陣用W表示:W=(w1,w2,...,wk,...,wl)T

轉移函數采用tansig函數:

F(n)=2/(1+exp(-2*))-1

準則函數(誤差):

權值的調整量:�

;

反向傳播計算公式,可得如下權系數學習規律:

（二）BP神經網絡的利弊分析及相關建議

BP算法樣本訓練失敗的可能性較大，原因有以下幾點：

（1）從數學角度看，BP算法為一種局部搜索的優化方法，但它要解決的問題是求解復雜非線性函數的全局極值，因此，算法很有可能陷入局部極值，使訓練失敗；

（2）網絡的逼近、推廣能力完全取決于學習樣本的典型性。而對學習樣本的選取并組成訓練集則是相當困難的問題。

（3）難以解決應用問題的實例規模和網絡規模間的矛盾。實例規模與網絡規模總是存在著很大差異，網絡容量也是有著自己的局限性，當實例規模超出網絡容量時，BP算法會失敗。

基于前文所給出的BP網絡技術存在的利弊現象，結合工程造價實際情況，個人認為，其弊端的解決方法可以概括為以下幾點：

（1）由于BP網絡技術在執行較為復雜的目標函數時會出現“崩潰”現象，即算法低效，函數圖象錯亂、超過網絡容量等等。所以造價人員在選擇需要用BP算法概算的工程時應該注意工程的復雜性，對于那些過于龐大、復雜的工程不宜采用BP算法，以免出現系統錯亂。對于較為簡單、較為精簡的工程則可用BP算法進行工程造價的概算。同時，也應注意實例造價概算工程的規模與網絡實際承載規模的大小，對于網絡承載范圍之內的，才宜采用BP算法。

（2）樣本數據的采集非常重要。BP算法的網絡預測能力是與訓練能力呈正比的。因此，首先需要確定分解項目，分解項目應選擇那些最能體現一個工程特征并且最能決定這個工程造價的關鍵因素，這樣才能正確定位這個工程的造價。其次，選擇的已建工程一定是要與待估工程有著較高的相似度。此處，可以進行相似度估測，查看已建工程每個分項的隸屬度與待估工程隸屬度的差異，差異過大的樣本應予以舍去。

（3）針對BP算法的“過擬合”現象，造價中需要注意的是選擇的樣本數量不宜過大。以防BP算法網絡學習了細節卻丟失了最重要的骨架――樣本內部的規律，從而不能得出滿意的結果。

三、基于人工神經網絡的送電線路工程造價概算

（一）送電線路工程造價估算模型建立

送電線路工程的造價受多個因素的相互影響，考慮下列因素作為影響著工程價格的主要因素，把它們列為神經網絡的輸入單元，如圖l所示。設在某一電壓等級下的送電線路，考慮某種地形、氣象條件、架線回路、桿塔類型等基本因素的影響，把實際工程項目投資劃分為工地運輸、土石方工程、基礎工程、桿塔工程、架線工程、附件工程等6個部分。根據測算出的每公里建筑安裝費用，再加上其它費用與資金成本，得出每公里的單位靜態投資造價，將這些指標作為神經網絡的輸出單元。

圖1 圖2

（二）工神經網絡模型的建立和設計

BP網絡模型結構的選擇主要涉及到輸入層、輸出層、隱含層神經元數目的確定、學習算法的確定等。

1、神經元數目的確立

輸人層：由上面送電線路工程概算體系結構的分析，按影響因素層次，可得到13項主要指標，也即是下面的輸入神經元。

輸出層：輸出節點對應于評價結果，在筆者建立的模型中，產生了7個相關指標，分別代表著本體工程的6項投資金額和單位投資金額，因此選擇7個輸出神經元節點。

隱含層：隱含層神經元單元數的選擇與輸入輸出單元的多少都有直接關系。

在實際操作中，可參考下面經驗公式(1)確定。

n1=(1)

其中，m為輸出神經元數；拓為輸入神經元數；a為1～10間的常數,形成的人工神經網絡示意圖見圖2。

2、輸入輸出向量

（1）輸入向量

1)地形因秦

送電線路地形可能由5種地形組合而成，所討論的某地區基本是丘陵和山地組成，因此選擇它們作為2個輸入神經元，以所占線路的百分比表示。

2)線型因素

主要包括導線和地線型號的選擇，參考限額設計指標與實際采用的導線型號，對于110 kV線路，有LGJ―150／20、LGJ―185／25、LGJ一240／35、LGJ一300／35四種類型，依次選擇上述導線類型，將對應量化值為1、2、3和4。在地線型號選擇中，選取GJ一35、GJ一50，對于量化值為1和2，導線和地線型號量化值作為2個輸入神經元。

3)平均檔距

反映相鄰桿塔問的距離作為1個輸入神經元。

4)桿塔數目

鐵塔數目和水泥桿數目對于造價影響重大，選擇鐵塔數和水泥桿數為2個輸入神經元。

5)運距

它包括人力運距和汽車運距兩部分，作為2個輸入神經元。

6)土石方量

1個輸入神經元。

7)金具

它包括掛線金具和拉線金具兩部分，作為2個輸入神經元。

8)絕緣子

1個輸入神經元。

（2）輸出向量

工地運輸、土石方工程、基礎工程、桿塔工程、架線工程、附件工程、單位靜態投資。

參考文獻

第6篇：人工神經網絡的意義范文

人工神經網絡（ANN）又稱連接機制模型（ConnectionModel）或并行分布處理模型（ParallalDistributedModel）。作為人工智能的研究方法，目前已廣泛應用于自然科學的各個領域，應用計算機程序來模擬這種特殊的數學模型并應用于實際流域的洪水預報研究中，無疑是一種新的嘗試和有益探索。岳城水庫是海河流域南運河水系漳河上的一座大型控制性工程，入庫洪水突發性強，水猛多沙，為確保下游河北、河南、山東、天津廣大平原地區和京廣鐵路的安全，對水庫入庫洪水進行精確預報，及時采取預泄和分洪措施顯得極其重要，因此，用人工神經網絡模型模擬預報水庫的入庫洪水過程，有重要參考和借鑒意義。

2．BP網絡的構建

人工神經網絡是一個高度復雜的非線性動力學系統，它有大量的簡單處理單元（神經元）廣泛連接而成，他對人腦的功能作了某種簡化、抽象和模擬，具有很強的非線性映射能力，其中對多層前向神經網絡bp模型的研究相對成熟，應用最為廣泛，其模型結果如圖：

結構中，輸入層、隱層和輸出層神經元的個數根據具體情況設定，其中隱層層數不一，不失一般性對輸出層中只含有一個神經元的三層前向神經網絡分析如下：假設輸入層中有個神經元，隱層中有個神經元，輸出層神經元的輸出，即整個網絡的輸出為Y，網絡中輸入層的輸入分別為,,…，則隱層神經元的輸入分別是：

(i=1,2,…m)(2.1)

在上式中，為隱層神經元i與輸入層神經元j的連接權，為隱層神經元的閾值，選擇函數作為隱層神經元的激發函數,則隱層神經元的輸出為：

(i=1,2,…m)(2.2)

輸出神經元的激發函數取為線性函數，輸出層神經元的輸出及整個網絡的輸出為：

(2.3)

其中，Vi為輸出層神經元與隱層神經元i的連接權。定義由、、組成的向量為網絡的連接權向量(ij，i，i)。設有學習樣本(，，…；)(=1,2…,p;p為樣本數)。對某樣本(，，…；)在給出網絡向量后，可以通過公式(1.1)～(1.3)計算出網絡的輸出值，對于樣本

定義網絡的輸出誤差為：(2.4)

定義誤差函數為：(2.5)

(ij，i，i)隨機給出，計算式(2.5)定義的誤差值較大，網絡計算精度不高，在確定網絡結構后，通過調整(ij，i，i)的值，以逐步降低誤差，以提高網絡的計算精度，下面給出根據誤差信息調整(ij，i，i)的具體計算過程。

在反向傳播算法中，是沿著誤差函數隨(ij，i，i)變化的負梯度方向對進行休整。設的修正值為：(2.6)

式中：為第n次迭代計算時連接權的修正值；為前一次迭代計算時計算所得的連接權修正值；為學習率，取0~1間的數；為動量因子，一般取接近1的數。將式(1.4)和(1.5)代入式(1.6)中，有(2.7)

定義=（,,），則：

(2.8)

(2.9)

(2.10)

采用迭代式對修正計算，得到新的連接權向量。對于所有的學習樣本均按照樣本排列順序進行上述計算過程，然后固定的值，對于p個樣本分別進行正向計算，從而求出學習樣本的能量函數值：

(2.11)

這樣結束了一個輪次的迭代過程，當滿足某一精度要求時，就停止迭代計算，所得(ij，i，i)即為最終模型參數，否則就要進行新一輪的計算。

3．BP算法的VB程序實現

因程序代碼太多，不再給出。網絡學習程序界面如下圖2：

4．洪水預報網絡模型構建

4．1資料收集

岳城水庫的入庫水文站為觀臺水文站，該站上游有清漳河匡門口水文站和濁漳河天橋段水文站，距觀臺分別為66km和64km。上游匡門口、天橋段與下游觀臺的區間流域面積為1488km2，見流域水系圖3。資料采用年鑒1962、1976、1977、1988年四次洪水和相應年份的區間時段降雨量共118組調查數據作為模型的學習訓練樣本，另取1971年和1982年兩次大洪水作為模型的檢驗數據。

4．2預報模型構建

網絡模型采用輸出層中有一個神經元的三層前向人工神經網絡，洪水預報模型的輸出節點為岳城水庫的入庫站觀臺水文站的時刻的流量，即網絡。考慮河道洪水演進時間和區間流域的產匯流時間，分別取清漳河匡門口站和天橋斷以及流域平均降雨量、作為模型的輸入節點值；隱層神經元節點數和輸入層節點數相同取為4。

模型參數優化：計算中，學習率越大，學習速度會越快，但是過大時會引起振蕩效應；動量因子取得過大可能導致發散，過小則收斂速度太慢。據有關文獻介紹，取，算法收斂速度較快。本次計算取，；網絡中的初始值取(0.1～0.1)之間的隨機數（由VB程序產生）。

樣本的歸一化處理：為了有效利用型函數的特性，以保證網絡神經元的非線性作用，對于數值型的學習樣本要進行歸一化處理。對樣本(p=1,2,…p)定義，，歸一化處理計算就是按照公式：

(4.1)

將樣本轉化為0～1之間的數據。對于網絡的輸出數據還應進行還原計算恢復實際值，公式為：

(4.2)

使用VB程序對網絡模型進行訓練學習，經102135次學習后，網絡輸出能量函數值為3.2×10-3，此時得到模型最優參數如表1。

表1模型參數表

序號

11.625608-2.361247-3.2047142.846384-2.718568-1.185164-1.029736

20.138017-0.041076-0.6707810.8445030.936162-2.7469741.546362

31.770369-6.0486571.1342710.7454760.58331-3.0635082.5033320.250.9

4-0.8183131.471144-1.4842650.875319-1.995911-2.6673082.075974

5-1.9730730.30147122.993124-0.160362-3.290356-1.59743-0.627028

5．模型檢驗

應用以上該區洪水預報的神經網絡模型參數分別對1982年、1971年的兩次洪水進行檢驗預測，相應洪水過程趨勢線見圖4圖5。

表2預報考評指標表

序號序號

1982.10.0311982年前20h0.69

1982.20.00811982年后80h0.07

1982.30.040.51982年總過程0.19

1982.40.0421971年前11h0.7

19710.0611971年后50h0.12

aver0.0361.11971年總過程0.23

注：1.1982.1表示1982年大洪水的第一次洪峰，其它類同。

2.1982年前20h表示1982年大洪水的漲洪段前20h，其它類同。

圖41971年預測洪水與實測洪水過程線圖51982年預測洪水與實測洪水過程線

檢驗標準：

1）洪峰流量預報誤,經計算、皆小于0.1，據《水庫洪水調度考評規定SL224-98》，考評等極為良好（見表2）。

2）峰現時間預報誤差，經計算考評等極為一般，其中一次良好。

3）洪水過程預報考評指標，從預報數據分析，兩次洪水過程的預報考評0.23，，根據規范屬一般，從洪水過程檢驗指標可分析主要是因為模型對漲洪期低量洪水預報精度不高造成，但峰值附近及后期預報精度較高，可作為洪水預報的一項行之有效的方案。

6．結論

岳城水庫入庫洪水過程的神經網絡預測模型運行穩定，對峰高量大洪水預報較為準確，根據規范規定可作為水庫自動測報系統的有益補充，為水庫的防洪調度提供較為可靠的依據。

參考文獻：

[1]焦李成.神經網絡的應用與實現.西安：西安電子科技大學出版社，1993

[2]李春好等.人工神經網絡bp算法的數據處理方法及應用.系統工程理論與實踐,1997,17(8)

[3]趙林明等.多層前向人工神經網絡.鄭州：黃河水利出版社，1999

[4]丁晶等.人工神經前饋(bp)網絡模型用作過渡期徑流預測的探討.水電站設計,1997,13

第7篇：人工神經網絡的意義范文

1.1集先進性、實用性和前沿性為一體的教學內容改革對國內外優秀的人工智能教材[2-6]的內容進行整合，建立人工智能的知識體系，并提取人工智能課程的知識要點，確定集先進性、實用性和前沿性為一體的教學內容。人工智能的核心思想是研究人類智能活動規律和模擬人類智能行為的理論、方法和技術，因此人工智能應圍繞“智能”這個中心。由于智能本身的復雜性，難以用單一的理論與方法來描述，因此可以通過建立人工智能的不同層次來刻畫智能這個主題。人工智能的主要內容可按圖1所示劃分為最底層、抽象層、邏輯層和應用層這4個不同層次。在最底層，神經網絡與演化計算輔助感知以及與物理世界的交互。抽象層反映知識在智能中的角色和創建，圍繞問題求解對知識進行抽象、表示與理解。邏輯層提出學習、規劃、推理、挖掘的模型與方式。應用層構造智能化智能體以及具有一定智能的人工系統。將人工智能劃分為這4個層次可確定人工智能課程的教學內容，并保證教學內容的循序漸進。

1.2基于人工智能知識體系的教學案例庫建設根據所確定的教學內容、知識重點和知識難點，從國內外經典教材、科研項目、研發設計、生產建設以及國內外人工智能網站等多種途徑，收集案例素材，加以整理，撰寫各知識要點的教學案例及其內容。表1給出基于人工智能知識體系的教學案例示例。

2人工智能課程教學案例的詳細設計

在教學案例具體設計時應包括章節、知識重點、知識難點、案例名稱、案例內容、案例分析過程、案例教學手段、思考/討論內容等案例規范，分別從以下單一案例、一題多解案例和綜合應用案例3種情況進行討論。

2.1單一案例設計以人工智能課程中神經網絡課堂教學內容為例，介紹基于知識點的單一案例的設計。神經網絡在模式識別、圖像處理、組合優化、自動控制、信息處理和機器人學等領域具有廣泛的應用，是人工智能課程的主要內容之一。教學內容主要包括介紹人工神經網絡的由來、特性、結構、模型和算法，以及神經網絡的表示和推理。這些內容是神經網絡的基礎知識。其重點在于人工神經網絡的結構、模型和算法。難點是人工神經網絡的結構和算法。從教學要求上，通過對該章節內容的學習，使學生掌握人工神經網絡的結構、模型和算法，了解人工神經網絡的由來和特性，一般性地了解神經網絡的表示和推理方法。采用課件PPT和演示手段，由簡單到復雜，在學生掌握人工神經網絡的基本原理和方法之后，再講解反向傳播BP算法，然后運用“手寫體如何識別”案例，引導學生學習理解人工神經網絡的核心思想及其應用方法。從國外教材中整理和設計該案例，同時應包括以下規范內容。章節：神經網絡。知識重點：神經網絡。知識難點：人工神經網絡的結構、表示、學習算法和推理。案例名稱：手寫體如何識別。案例內容：用訓練樣本集訓練一個神經網絡使其推廣到先前訓練所得結果，正確分類先前未見過的數據。案例分析過程：①訓練數字識別神經網絡的樣本位圖；②反向傳播BP算法；③神經網絡的表示；④使用誤差反向傳播算法訓練的神經網絡的泛化能力；⑤一個神經網絡訓練完畢后，將網絡中的權值保存起來供實際應用。案例教學手段：手寫體識別的神經網絡演示。思考/討論內容：①訓練改進與權值調整改進；②過學習/過擬合現象，即在一個數據集上訓練時間過長，導致網絡過擬合于訓練數據，對未出現過的新數據沒有推廣性。

2.2一題多解案例設計一題多解案例有助于學生把相關知識點聯系起來，形成相互關聯的知識網絡。以人工智能課程中知識及其表示教學內容為例，介紹一題多解案例的設計。知識及其表示是人工智能課程三大內容（知識表示、知識推理、知識應用）之一。教學內容主要包括知識表示的各種方法。其重點在于狀態空間、問題歸約、謂詞邏輯、語義網絡等知識表示方法。難點是知識表示方法的區別及其應用。從教學要求上，通過對該章節內容的學習，使學生掌握利用狀態空間法、問題歸約法、謂詞演算法、語義網絡法來描述和解決應用問題，重點掌握幾種主要知識表示方法之間的差別，并對如何選擇知識表示方法有一般性的了解。通過講解和討論“猴子和香蕉問題”案例，來表示抽象概念。該案例從國內外教材中進行整理和設計，同時包括以下規范內容。章節：知識及其表示。知識重點：狀態空間法、問題歸約法、謂詞邏輯法、語義網絡法等。知識難點：知識表示方法的區別及其應用。案例名稱：分別用狀態空間表示法與謂詞邏輯法表示猴子和香蕉問題。案例內容：房間內有一只機器猴、一個箱子和一束香蕉。香蕉掛在天花板下方，但猴子的高度不足以碰到它。猴子如何摘到香蕉？如何采用多種知識表示方法表示和求解該問題？案例分析過程：①狀態空間法的解題過程。用n元表列表示該問題的狀態；定義問題的操作算符；定義初始狀態變換為目標狀態的操作序列；畫出該問題的狀態空間圖。②謂詞邏輯法的解題過程。定義問題的常量；定義問題的謂詞；根據問題描述用謂詞公式表示問題的初始狀態、中間狀態和目標狀態。案例教學手段：猴子和香蕉問題的演示。思考/討論內容：①選擇知識表示方法時，應考慮哪些主要因素？②如何綜合運用多種知識表示方法獲得最有效的問題解決方案?

2.3綜合應用案例設計與單一案例、一題多解案例相比，綜合應用案例能更加有效地啟發學生全方位地思考和探索問題的解決方法。以機器人行動規劃模擬為例，介紹人工智能綜合應用案例的設計，該案例包括以下規范內容。章節：人工智能綜合應用。知識重點：人工智能的研究方向和應用領域。知識難點：人工智能的技術集成。案例名稱：機器人行動規劃模擬。案例內容：綜合應用行為規劃、知識表示方法、機器人學、神經網絡、人工智能語言等多種人工智能技術與方法，對機器人行動規劃問題進行描述和可視化。案例分析過程：①機器人行為規劃問題求解。采用狀態歸約法與分層規劃技術，將機器人須完成的總任務分解為若干依序排列的子任務；依據任務進程，確定若干關鍵性的中間狀態，將狀態對應為進程子規劃的目標；確定規劃的執行與操作控制，以及機器人過程控制與環境約束。②基于謂詞邏輯表示的機器人行為規劃設計。定義表達狀態的謂詞邏輯；用謂詞邏輯描述問題的初始狀態、問題的目標狀態以及機器人行動規劃過程的中間狀態；定義操作的約束條件和行為動作。③機器人控制系統。定義機器人平臺的控制體系結構，包括反應式控制、包容結構以及其他控制系統等。④基于神經網絡的模式識別。采用神經網絡方法以及BP算法對桌面茶壺、杯子等物體進行識別，提取物體圖形特征。⑤機器人程序設計語言。運用人工智能語言實現機器人行動規劃行為的可視化。案例教學手段：機器人行動規劃的模擬演示。思考/討論內容：人工智能將會怎樣發展？應該在哪些方面進一步開展研究？

3案例教學環節和過程的具體實施細節

人工智能案例教學的實施面向筆者所在學院軟件工程專業三年級本科生展開。具體實施細節如下。（1）教學內容的先進性、實用性和前沿性。引進和整合國外著名人工智能教材內容，保證課程內容具有先進性。同時將前沿人工智能的研究成果與技術有機地融入課程案例教學之中。（2）案例教學的創新教學模式。在教師的引導下，將案例中涉及的人工智能內容推廣到對人工智能的一般性認識。案例的教學過程，成為認識人工智能、初步運用人工智能的理論與方法分析和解決實際應用問題的過程，使學生具備運用人工智能知識解決實際問題的意識和初步能力。在課程教學中，打破國內常規教學方式，建立和實施開放式案例教學模式。采用動畫課件、錄像教學、實物演示、網絡教學等多種多媒體教學手段，以及集中講授與專題討論相結合的教學方式將理論、方法、技術、算法以及實現有機結合，感性認識與理性認識相結合，理論與實際相結合，極大地激發學生自主和創新性學習的熱情。（3）“課堂教學—實踐活動—現實應用”的有機融合。在案例教學過程中，從傳統教學觀以學會為中心轉化為創新應用型教學觀以創新為中心，以及從傳統教學的以課堂教學為中心轉化為以課堂教學與實踐活動并重為中心，構造具體問題場景以及設計教學案例在情境中的現實應用，加深學生對教學內容的理解，同時提高學生的思考能力和實際綜合應用能力。

4結語

第8篇：人工神經網絡的意義范文

[關鍵詞]神經網絡;鋼鐵企業;質量預測

[DOI]10.13939/ki.zgsc.2015.11.041

1 數據挖掘在鋼鐵企業質量預測中的應用

在鋼鐵企業質量預測工作中，使用數據挖掘技術可以以鋼鐵企業的產品質量目標以及產品生產中存在的問題為依據來探索大量的鋼鐵產品生產業務數據，并對鋼鐵產品生產中存在的規律進行總結，然后通過模型化來指導鋼鐵企業開展實際的鋼鐵產品生產工作。數據挖掘過程所處理的數據具有隨機性、模糊性、不完全性以及量大的特點，但是通過數據挖掘技術所得到的信息卻是人們并不熟悉但是對鋼鐵產品生產具有較高價值的信息數據以及知識。利用數據挖掘所獲取的信息能夠作為鋼鐵企業開展信息管理、信息查詢、生產過程控制以及決策工作的重要依據。

從鋼鐵企業質量預測中對數據挖掘的應用步驟來看，主要步驟體現為以下幾個方面：一是鋼鐵企業中鋼鐵產品生產數據的準備工作。數據挖掘技術所處理的內容是經過長期積累并存儲于數據庫中的信息數據，雖然數據挖掘一般都是對大量數據進行處理，但是這些原始數據卻并不適合使用數據挖掘技術開展直接挖掘，這要求鋼鐵企業能夠對這些信息數據做出整理與準備，如對這些數據進行縮減、轉換、凈化以及挑選等，這種準備工作對于提高數據挖掘的效率以及質量具有重要意義，換而言之，鋼鐵企業在數據準備方面所做出的工作是否合格直接影響著數據挖掘的速度、準確性以及得出信息的價值;二是構建模型。在鋼鐵企業質量預測中應用數據挖掘技術，必須要面臨構建模型這一重點工作與難點工作。在這項工作中，鋼鐵企業需要對數據挖掘的算法以及模式模型做出合理的選擇，尤其是數據挖掘算法的挑選十分重要。在此基礎上，數據挖掘可以根據鋼鐵企業質量預測目標來使用所確定的數據挖掘算法參數對前期準備完成的數據進行分析，從而形成可以作為知識與規律的模式模型;三是對模式模型做出解釋與評估。在鋼鐵企業質量預測工作中，當利用數據挖掘完成模型構建后，還需要制定嚴格的模型評估標準，并以這些評價標準為依據來對所構建的模式模型做出評估，從而有針對性地取出無效的模式模型，并選擇一種在理解難度方面具有優勢的模式模型來做出解釋;四是對模型做出鞏固與運用。在鋼鐵企業質量預測工作中，需要對數據挖掘所構建的模式模型知識做出統一檢查，并對知識中存在的沖突與矛盾做出剔除。然后可以利用數據分析方法來對數據挖掘所得到的知識開展二次處理，以便讓數據體現出形象化、可視化以及專業化的特點。

在應用數據挖掘開展鋼鐵企業質量預測的工作中，并不能通過一次數據挖掘就完成相關工作，而應當對整個過程進行反復循環，并做出反饋與完善。雖然數據挖掘技術能夠很好地得出鋼鐵企業質量預測結果，但是需要注意的是，數據發掘僅僅是一項可以應用于鋼鐵企業質量預測中的工具，而并不是萬靈藥，雖然良好的應用能夠減少鋼鐵企業生產中的質量問題，但是如果不能做出良好應用，則會導致鋼鐵企業在質量預測方面投入不必要的人力與財力。

2 人工神經網絡在鋼鐵企業質量預測中的應用

人工神經網絡是以人腦組織原理與活動原理為依據構造數據驅動型非線性映射模型，通過對這種模型的運用，可以對因果關系做出映射。將人工神經網絡引用于鋼鐵企業質量預測中，可以從鋼鐵企業產品生產的歷史信息內進行學習，并發現鋼鐵企業質量規律，從而對鋼鐵企業質量做出準確預測。相對于數學模型而言，人工網絡模型具有更廣的處理范圍，并且具有自組織、自適應、容錯魯棒等特性，因此對于復雜數據的處理往往具有良好的表現。人工神經網絡在鋼鐵企業質量預測中的應用為鋼鐵企業質量預測提供了一種新的辦法與途徑，在利用人工神經網絡開展鋼鐵企業質量預測的過程中，可以將影響鋼鐵企業質量的各類要素進行輸入并構建包含不確定性影響的模型，在鋼鐵企業質量預測中十分適用。

當前鋼鐵企業質量預測目標是對影響鋼鐵企業生產質量的因素做出預測并對這些因素做出改進，同時預測在鋼鐵企業生產過程中是否仍舊會產生質量問題。如果判定鋼鐵企業生產仍舊會產生質量問題，則要求鋼鐵企業尋找問題產生的原因與對策，并在解決問題之后開展生產以生產出具有更高質量的產品。在其他方面，人工神經網絡還可以預測鋼鐵企業生產工藝改變對生產質量的影響等。由此可見，人工神經網絡在鋼鐵企業質量預測中具有重要的應用價值。人工神經網絡在鋼鐵質量預測中的應用，會讓鋼鐵質量預測工作的理念以及技術都產生一種變革，并在對傳統質量預測方法做出突破的基礎上解決鋼鐵企業傳統質量預測中存在的缺陷，從而為鋼鐵企業生產質量預測模式體現出實用化的特點以及鋼鐵企業生產現代化的發展發揮推動作用。但是同時，人工神經網絡在鋼鐵企業質量預測中的應用也具有一定缺陷，這些缺陷主要體現在人工神經網絡所得出的知識是分散于系統內部的，通過對人工神經網絡的使用，在使原始數據在歸納法基礎上利用學習算法來完成內部知識庫的構建，然而單個的神經元并不進行信息數據的存儲，這導致了知識具有不明確的表達以及具有很大的正視難度，同時也無法做出有效的解釋。

3 BP人工神經網絡在鋼鐵企業質量預測中的應用

在鋼鐵企業應用神經網絡開展質量預測工作的過程中，需要認識到人工神經網絡具有多樣化的特點，因此需要鋼鐵企業以實際問題為依據來對網絡類型做出選取。在一些情況中，鋼鐵企業需要根據歷史產品質量數據來獲得質量特性信息，從而為質量預測與分析工作提供依據。能夠對質量模型產生影響的因素較多，并且也沒有一個專門的數學解析式來用于鋼鐵企業質量預測的計算，因此這屬于一個具有復雜性特點的非線性問題。對于這類問題，鋼鐵企業可以使用BP網絡模型來進行解決，這種模型的優勢在于具備較強的非線性映射能力。在鋼鐵企業質量預測工作應用BP網絡的實踐中，大部分的神經網絡模型都是使用BP網絡或者BP網絡的變化形式，其作用在于數據壓縮、函數逼近、模式識別以及分類。在這種網絡的應用中，只要具備隱層以及隱層單元數的數量夠多，BP網絡就能夠在不構建數學解析式模型的基礎上向任意非線性映射關系進行逼近。則主要是因為只要以原始的鋼鐵企業生產數據為依據，并利用學習與訓練就可以找出原始數據與有價值數據之間的聯系，由此可見，這種方法在鋼鐵企業質量預測中具有良好的適應性。另外，BP網絡所采用的學習算法具有穩定的工作狀態、嚴謹的結構以及清晰的思路，并且良好的容錯能力也能夠在連接改動甚至損壞的情況下不會出現系統崩潰的情況。但是BP網絡所使用的學習方法具有過慢的收斂速度，因此需要在數據分析中做出千次迭代，因此，很多BP網絡在一些系統中并不具備適應性。總之，BP在包括鋼鐵企業在內的許多工程領域都得到了運用，隨著BP網絡的不斷完善，BP網絡在鋼鐵企業質量預測中也將發揮出越來越重要的作用。

參考文獻：

[1]張維維，趙成林，李廣幫，等.BP神經網絡技術在鋼鐵工業中的應用[J].鞍鋼技術，2010（4）.

[2]陳蘊博，左秀榮，王淼輝，等.人工神經網絡在鋼鐵材料研究中的應用[J].材料導報，2009（7）.

[3]張永敢，蔡瑞英.基于BFGS算法的BP網絡在燒結終點預報中的應用[J].微計算機信息，2008（34）.

第9篇：人工神經網絡的意義范文

Abstract： The river is particularly important in the city's drainage system. In this paper， BP neural network is used to construct the river water level forecasting model from the macroscopic aspect. Through the model predicted value， it is displayed in the three-dimensional system to achieve the spatial distribution of disaster points in the city's waterlogged river. The advantages of the model： access to less data， high precision， can be a good simulation of rainstorm conditions in Kunming Panlongjiang Youguanqiao water level. The research results of this paper are helpful to the study of urban waterlogging.

關鍵詞： 三維系統；BP；城市內澇；MATLAB；預測模型

Key words： three-dimensional system；BP；urban waterlogging；MATLAB；prediction model

中圖分類號：TV85 文獻標識碼：A 文章編號：1006-4311（2017）14-0181-03

0 引言

近年來，城市內澇問題困擾著很多城市，城市河道漫堤對城市的內澇影響較大，城市綜合流域排水模型系統（INFOWORKS ICM）現在正被中國大部分市政規劃部門應用于城市內澇模擬評價中。INFOWORKS ICM要能精確地模擬城市內澇的演進過程，河道水位數據必不可少。河道災害點在三維系統中的空間分布對城市防澇，防災預案的制定、災害點地下管線的規劃有著重要意義。

1 人工神經網絡模型的構建

宏觀的研究河道水位前人已經做過很多成功的案例。在過去的二十年里，國際上許多學者開展了人工神經網絡在城市內澇防治中的相關研究。利用人工神經網絡技術對城市洪水，區域洪災，城市防澇進行了很多研究[1，2]。在預測方面Yen-Ming Chiang，et.al，L.See，et.al，通過一些實驗證實人工神經網絡在實時洪水預測方面的能力[3，4]。Masoud Bakhtyari Kia等人選擇一片示范區域，將該區域的七個不同GIS圖層作為神經網絡的入條件，將一個河道淹沒區空間分布作為輸出結果，模擬結果很好地反應了洪水淹沒情況[9]。人工神經網絡是一種與人類神經系統的信息處理相似的技術。神經網絡包括很多種，最常用的一種為BP神經網絡，它具有非常強的非線性映射能力，是一種前向網絡。怎樣獲取精度較高的內河河道水位及在其災害點的三維可視化空間分布，對科學地分析城市內澇具有一定意義。

1.1 數據的收集

本研究采用了大量GIS類型數據，首先采集了盤龍江沿岸1：500地形以及影像數據，同時經過2個月的采集收集了盤龍江沿岸220個排水口數據，這些排水口在雨季都向盤龍江排出雨水，對盤龍江雨天的河道水位造成一定影響，排水口的普查情況在GIS系統中的分布圖如圖1。

降雨水位數據選取了：金殿水庫站、茨壩站、松華鄉站、鼓樓站、雙龍鄉站，對昆明市盤龍江昆明水文站油管橋段影響較大的幾個降雨觀測站（見圖2）。

收集了從7月18日13時到7月19日23時的降雨數據，數據覆蓋了整個洪水的淹沒過程， ANDREW P. DUNCAN等（2012）使用氣象雷達和降雨數據建立神經網絡模型實現了實時洪水預測[5，6，7]，運用降雨數據模擬洪水具有合理性和可行性。水位數據為盤龍江昆明水文站油管橋的監測數據，數據時間跨度為從7月18日13時到7月19日23時的每小時水位數據。

1.2 模型的建立

本文建立以下BP人工神經網絡模型，模型結構如圖3。

神經網絡的建模過程主要包括：數據前處理、選擇充分的模式輸入、確定適當的網絡拓撲結構以及參數初始化和模型檢驗。本文所用的訓練函數：BP網絡的學習算法選擇trainlm Levenberg-Marquardt反向傳播算法訓練函數，傳輸函數隱含層為tan-sigmoid、輸出層為purelin為線性函數，purelin（X）函數比較簡單，輸出就等于輸入。

經過多次反復的試錯加減隱含層神經元個數，對比他們的學習結果得到最佳的隱含層節點數為10，學習因子為0.04，目標誤差為1e-6，最大迭代次數設置為5000次，訓練的結果不錯。

1.3 模型的運行結果

加入排水知識的管線數據后，神經網絡預測模型的河道水位與實際河道水位的對比如圖4。從圖4可以看出神經網絡預測模型可以很好地模擬河道水位[8，9]。

通過建立BP人工神經網絡模型，實現人工神經網絡模型與城市河道系統的耦合，對輸入條件進行了網絡自學習、模擬和訓練，通過上述工作，對昆明市主城區盤龍江昆明水文站2013年7月19日前后35小時內暴雨水位進行預測，研究結果表明，上述方法能夠很好地模擬河道水位變化情況，模擬結果在內澇水位時間分布上與歷史記錄基本趨同，因此本研究能夠為預測城市內河水位過程提供幫助。

2 三維系統

StampGIS是國際領先的具有完全自主知識產權的大型3D GIS平臺軟件，其在精細化大場景渲染、真實美觀的可視化效果、地上地下一體化、海量空間數據管理、三維數據全要素實時在線更新和三維地下管線自動化生成等方面具有核心技術競爭優勢，支持傾斜攝影測量數據、支持BIM數據、分布式部署、物聯網集成和云計算架構，可無縫聚合ArcGIS、天地圖等第三方服務。平臺采用開放的軟件架構體系，可實現開發環境（SDK）與運行環境（RunTime）的統一，并提供豐富的二次開發接口（COM）。

StampGIS系列軟件及三維數據生產工藝已廣泛應用于數字城市、城鄉規劃、市政管線、數字營房、高速公路、城市交通和數字礦山等領域，在StampGIS中表達河道水位災害點的分布較為直觀。本文通過神經網絡預測的河道水位點，比較現實河堤數據，來判斷河道是否漫堤，即是否為災害點。加入河道水位點的三維空間分布如圖6。當城市進入暴雨期時，水位監測點的水位高程超過河堤高程，即為城市內河的在災害點。

3 結束語

本文從神經網絡模型入手，運用BP神經網絡的預測功能來預測河道的水位數據，結合河堤數據從而判斷盤龍江沿岸的災害點。再結合三維信息系統軟件制作水位災害點的分布圖，使得理論研究的成果能夠直觀地表現出來。本文限于盤龍江沿岸水位點數據，水位點只獲取了油管橋一點。后期可以根據需要制作河道水位淹沒點專題地圖，使其成果應用于昆明的實際生活。我國由于城市排水管網水力模型的構建起步較晚，基礎數據的不足及普查數據的精度問題使得建立模型的精確度不高，模擬效果不理想。在城市內澇研究中人工神經網絡需要的數據少，預測精確度高，它的引入可以解決宏觀的河道水位預測。但人工神經網絡自身還存在一些不完善的地方需要進一步研究進行完善。相信神經網絡與三維系統的結合可以很好地服務于城市內澇研究。

參考文獻：

[1]A. Breinholt， P. A. Santacoloma ， P. S. Mikkelsen ， H. Madsen ， M. Grum 3， M.K. Nielsen. Evaluation framework for control of integrated urban drainage systems[C].11th International Conference on Urban Drainage， Edinburgh， Scotland， UK： 2008.

[2]Jeng-Chung Chen， Shu-Kuang Ning， Ho-Wen Chen and Ching-Sung Shu. Flooding probability of urban area estimated by decisiontree and artificial neural networks[J]. Journal of Hydroinformatics， 2008（10）：57-67.

[3]Yen-Ming Chiang， Li-Chiu Chang， Meng-Jung Tsai， Yi-Fung Wang， and Fi-John Chang. Dynamic neural networks for real-time water level predictions of sewerage systems-covering gauged and ungauged sites[J]. Hydrol. Earth Syst. Sci.， 2010（14）：1309-1319.

[4]L. See， S. Corne， M. Dougherty， S. Openshaw. Some Initial Experiments with Neural Network Models of Flood Forecasting on the River Ouse[J]. GeoComputation '97 & SIRC '97， 1997：15-22.

[5]Masoud Bakhtyari Kia，Saied Pirasteh，Biswajeet Pradhan，Ahmad Rodzi Mahmud，Wan Nor Azmin Sulaiman，Abbas Moradi. An artificial neural network model for flood simulation using GIS：Johor River Basin， Malaysia [J]. Environ Earth Sci， 2011：DOI 10.1007/s12665-011-1504-z.

[6]ANDREW P. DUNCAN， ALBERT S. CHEN， EDWARD C. KEEDWELL， SLOBODAN DJORDJEVI & DRAGAN A. SAVI. Urban flood prediction in real-time from weather radar and rainfall data using artificial neural networks [J]. IAHS Red Book， 2012：1-6.

[7]T必波，張伶俐，陳艷.BP神經網絡在洪流預報中的應用[J].重慶工學院學報，2008，22（7）：117-128.