前言：中文期刊网精心挑选了神经网络论文范文供你参考和学习，希望我们的参考范文能激发你的文章创作灵感，欢迎阅读。
神经网络论文范文1
1.1概率性神经网络（PNN）
地震属性和测井数据的关系，并不一定是线性的，利用概率性神经网络的方法弥补井和地震间的非线性关系。概率性神经网络（PNN）类似于多维属性空间上的克里金，采用了局部化的作用函数，具有最佳逼近特性，且没有局部极小值。每个输出点把新点处的新属性组与已知的培训例子中的属性进行比较来确定的，得到的预测值是培训目标值的加权组合。概率神经网络方法具有高度的容错性，即使某个井旁道地震参数或某个网络连接有缺陷，也可以通过联想得到全部或大部分信息。因此，用概率神经网络建立地震属性和测井特征属性之间的映射关系可靠性高。概率神经网络方法还具有动态适应性，当地质岩性类别变化或地震参数修改时，网络可自动适应新的变量，调整权系数，直到收敛。对于受岩性控制的储层，概率神经网络是描述其地震属性参数与岩性参数关系的有效方法。概率神经网络是由多测井和多地震属性参数组成的网络。首先,将由测井曲线和井旁地震道提取的特征参数按照地质岩性参数分成若干类;然后,通过非线性数学模型的神经网络学习系统,由输入矢量产生输出矢量,并把这个输出矢量与目标矢量进行平方意义下的误差对比;再以共轭迭代梯度下降法作权的调整,以减少输出矢量与目标矢量的差异,直到两者没有差异训练才结束。对于给定的培训数据，PNN程序假设测井值和每一输出端的新测井值为线性组合，新数据样点值用属性值X表示可写。这里σ是PNN使用的高斯权重函数的关键参数，来控制高斯函数的宽度。式（2）和式（3）是概率神经网络预测的基本原理，训练神经网络的过程实际上就是求解最优平滑因子的过程。
1.2交互验证增加属性类似于多项式拟合增加高阶项，增加多项式高阶将会使预测误差总是变小，但属性的个数绝不是越多越好。随着属性个数的增多，对预测的结果的影响越来越小，会明显削弱未参与神经网络训练的那些点的预测能力，甚至造成预测误差反而增大,这种现象称为过度匹配。而且参与运算的属性过多，也会影响到运算速度，因此通过计算验证误差来确定最佳的属性个数，防止过度匹配，该过程就称为交叉验证。通过蕴藏井误差分析的方法，验证出现拟合过度的情况。求取递归系数时，选取一口井作为验证井，不参与运算。利用拟合出的关系，得到验证井的误差值。以此类推，得到每一口井的误差值，以参与运算井的平均误差作为参考标准，来检验属性组合个数是否出现拟合过度的情况。
2应用实例分析
研究区内油气富集区主要为岩性控制，目的层段厚度70m左右，地震剖面上大约50ms，含油砂体主要发育在wellA，wellC附近，向周围变化较快。针对目标层T41-T43之间进行井曲线交汇和岩性统计。wellA，wellC主要是含油砂岩，wellB、D、F主要是泥质砂岩、煤层，岩性差别很大。但从速度、密度曲线交汇图版（图1）来看，曲线交汇统计重叠较大，很难区分含油砂岩和泥质砂岩。wellA、wellB对应层位岩性明显不同，在地震剖面也体现同样的反射特征。因此基于测井和地震模型为基础的常规叠后波阻抗反演很难准确识别这套含油砂岩。而更能反映岩性特征的GR曲线，则对这套砂体较为敏感，明显地区分出了这套含油砂岩（如图3所示）。因此我们采用本文介绍的神经网络技术，在常规波阻抗反演的基础上，预测GR曲线特征体。经过分析，把GR值65~75区间岩性赋值为含油砂岩，从而把这套储层有效的区分出来，在此基础上进一步计算砂岩厚度（图4）。
3结论
神经网络论文范文2
1.1估价指标体系的构建及其量化标准本文以城市住宅为研究对象，构建住宅类的价格评估模型。影响城市住宅价格的因素较多，归结起来可以分为3类，分别为：个别因素、区域因素和一般因素。在一定时期内，宏观环境较为稳定，一般因素对个体价格差异的影响较小，所以可以将一般因素剔除不计，重点分析个别因素和区域因素对房价的影响。通过查阅文献，归结出9个因素：地段等级、交通状况、配套设施、环境质量、建筑结构、成新度、装修情况、朝向、楼层。在因素评分中，可根据专家打分法，先将特征因素从好到坏分为5个等级：优、较优、一般、较差、差。再将其进行量化处理，可分别赋值为1、0.75、0.5、0.25、0，介于上述等级之间的，可根据具体情况赋值。文中所收集数据样本来源于昆明市西山区已成交案例。在收集样本过程中，为保证数据质量，尽量收集近期已成交案例，时间间隔不超过1个月，且已经排除非正常交易案例，故文中不考虑房屋价格受交易情况及交易时间的影响。网络的输出要求为0～1之间连续的数值，而收集到的价格为实际成交价格，为使之与网络输出相一致，应对成交价格进行数据标准化处理。本文所采用的数据标准化处理方式为归一化处理方法。在本文征因素值已在0～1之间，所以只需将成交价格数据进行标准化处理即可。
1.2网络结构的确定
1.2.1输入层节点数的确定输入层的节点个数由房屋价格影响因素的个数确定，文中将选取上述所列的9个影响因子作为网络的输入，即文中输入层节点数确定为9个。
1.2.2隐含层节点数的确定增加隐含层神经元个数可以提高网络的训练精度，但也不是隐含层节点数越多越好，同一个网络模型在隐含层节点数达到最优后不再随节点数的增加而出现训练误差越小的情况。一般在实际中往往依靠经验和反复试验进行确定节点数，即对同样的网络结构设置不同的隐含层节点数，分别进行训练，当训练结果误差最小且训练步数最少时网络隐含层节点数达到最优。
1.2.3输出层节点数的确定模型要求输出数据为房屋的预测价格，因此，输出节点数确定为1。
2应用研究
2.1估价模型的训练从所采集样本中抽80%作为网络的训练样本。用newff()函数建立网络，此函数可以将网络初始化，自动选择权值和阈值[6]。文中采用反复训练法来选取最优的隐含层神经元数，分别设计隐含层的节点数为10、20、30、40、50。本文所创建的网络代码如下：net=newff(minmax(P),[a,1],{''''tansig'''',''''logsig''''},''''traingdx'''')其中a代表不同的隐含层节点数，tansig代表隐含层的激活函数，logsig代表输出层的激活函数，算法选择动量和自适应lr的梯度下降法traingdx。其他网络训练参数设为。经过网络测试，当隐含层节点数设为30时，训练次数及均方误差达到最小值，所以，文中确定网络隐含层节点数在30时达到最优，即建立一个9—30—1的网络模型。文中利用MATLAB中的神经网络工具箱对模型进行模拟运算，以下为隐含层节点数为30时MATLAB进行逼近的界面图。图2表示网络经过138个循环训练后，计算输出与目标输出的误差为8.87e-004，小于预先设定的目标误差，即网络训练成功。图3反映了训练样本实际值与计算值的线性回归，R值达到0.99746，表明实际值与计算值之间实现了合理准确的线性拟合。
2.2网络测试网络模型训练成功后需进一步测试，才能确定模型是否可用于其他类似房屋的价格评估。经过对剩余20%的测试样本进行测试，相对误差最大为0.33%，最小为0.076%，都在1％以内，可以判定，该模型通过测试，网络可以满足对类似大批量的房屋进行价格评估。
3结束语
神经网络论文范文3
计算机网络拓扑结构主要是指计算机连接网络之后，其自身设备与传输媒介所共同组成的一种物理构成模式，其网络拓扑结构的形式主要是由通信子网来决定的，其结构的主要功能是实现数据信息的网络共享、处理及交换，并要在一定程度上提升网络数据信息运行的可靠性，站在网络拓扑的结构来讲，计算机网络结构的主要部分是链路与结点，计算机网络实质上是由一组结点以及多条链路所共同组成的一种模拟结构。计算机网络通常表示为：G=<V，E>，其中V表示的是网络结点集，E表示的是链路集，如果应用Va来表示结构中增加的结点集，Eb来表示增加的连接集，那么就能够得到其拓扑扩展的计算机网络结构为G’=<V’，E’>。
2基于计算机网络连接优化中的神经网络算法
本次研究中分析的均场神经网络算法实际上是一种神经网络算法与均场退火技术相结合的算法，应用这种方法能够有效的增强计算机的网络连接，并且达到更优化、更快的连接效果，这其实是一种利润最大化的网络优化算法，其能够最大限度的提高计算机网络的性价比。
2.1神经网络算法
人工神经网络属于非线性动力学系统，其能够对信息进行分布式的存储及协同处理，其在人工神经网络之上的人工神经网络系统的基础之上，应用网络算法及网络模型进行各种信号的处理，或者是对某种运行模式进行识别，从而建立其一个独立的专家系统，或者是构成机器人，当前在多个领域中，人工神经网络系统都得到了广泛的应用，在该基础上所发展起来的人工神经网络算法是一种监督性的学习算法，人们对于其重视程度逐渐增加，但是在实际的应用中，其存在收敛速度较慢的缺陷，难以保证将收敛程度压制到全局的最小点，容易导致计算机网络学习及记忆不稳定性增强的问题，这会对计算机网络的连接效果造成直接的影响，做好其网络连接的优化非常的必要。
2.2均场神经网络算法
在基于计算机网络连接增强优化下的均场神经网络算法的研究中，对其网络效果进行判断，需要建立起一个完整的场均神经网络模型，在模型的构建过程中，应该做好函数法构造过程中的目标函数的构建问题，具体的构建方式表现为：应用Si来表示Hopfield计算网络中的一个神经元状态，并且规定当Si=1时，表示的含义是网络选中了连接i，可以实现正常的连接，当Si=0时，表示的含义是：网络中没有选中连接i，网络无法实现正常连接，再应用罚函数法就结构来进行网络模型的创建。
2.3实例分析
根据上文中分析的计算方法，在得到计算结果之后，能够对均场网络算法的可行性及有效性进行判定，我们分别采用模拟退火算法、遗传算法、均场神经网络算法进行比较，结果显示模拟退火算法需要计算99次，这样才能保证计算出规定的连接集，并从中获取一定的利润值，在遗传算法中需要进行96次的计算，在均场神经网络算法中，需要实施88次的计算，均场神经网络算法在获得网路连接效果等方面，更快、更加有效，更适宜应用于计算机网络连接的增强优化以及网络结构拓扑的扩展工作中。
3结束语
神经网络论文范文4
水工隧洞一般都有过水要求，加上其复杂的地质条件，因此正确的进行围岩分类后采取相应的支护措施将对保证隧洞稳定性起决定性的作用。围岩分类是一类非线性的综合判定问题，用人工神经网络方法来判别水工隧洞围岩类别是一种新的尝试和新的方法。
1．围岩分类的判定依据
水工隧洞围岩工程地质分类应以控制围岩稳定的岩石强度、岩体完整程度、张开度、地下水力状态和主要结构面产状等五项因素综合评分为依据，围岩强度应力比为限定依据，见表1。
表1围岩工程地质分类依据
指标名称评价因素
岩石强度（A1）采用岩块的单轴抗压强度（MPa）
岩体完整程度（A2）采用完整性系数Kv
张开度（A3）考虑结构面的连续性、粗糙度和充填物
地下水状态（A4）考虑地下水的发育程度，用单位洞长单位时间的涌水量
主要结构面产状（A5）采用结构面走向与洞轴线的夹角
以上五个因素是控制围岩稳定性的主要因素，围岩的分类标准见表2。
表2围岩工程地质分类标准
评价因素围岩类别
Ⅰ（稳定）Ⅱ（基本稳定）Ⅲ（局部稳定性差）Ⅳ（不稳定）Ⅴ（极不稳定）
A1（MPa）>200100~20050~10025~50<25
A20.9~1.00.75~0.90.5~0.750.25~0.5<0.25
A3（mm）<0.50.5~11~33~5>5
A4(L/min·10m)<2525~5050~100100~125>125
A5(o)90~7575~6060~4545~30<30
2.水工隧洞围岩分类的人工神经网络模型
神经网络系统是由大量的、简单的处理单元广泛的互相连接而形成的复杂的网络系统。人工神经网络模型最基本的有两大类：一类是以Hopfield网络模型为代表的反馈型模型，它具有非线性和动态性；另一类是以多层感知器为基础的前馈模型。其中BP(BackPropagation)网络是目前应用最广泛的多层前馈神经网络模型。本文采用BP网络模型。
2．1BP神经网络模型及其算法
BP神经网络由输入层、隐含层和输出层三层感知器组成，每层由若干个神经元组成。输入层接受信息，传入到隐含层，经过作用函数后，再把隐结点的输出信号传到输出层输出结果。节点的作用函数选用Sigmoid函数，即：
（1）
BP神经网络采用误差逆传播反学习算法。学习过程由正向传播和反向传播组成。在正向传播过程中，输入信号由输入层经隐含层处理后传向输出层，每一层神经元的状态只影响下一层神经元的状态。如果在输出层得不到一个期望的输出，则转向反传播，将输出信号的误差按原来的连接通路返回，通过修改各层神经元的权值，使得误差信号最小，得到合适的网络连接权后，便可对新的样本进行识别。BP网络学习过程具体步骤如下：
（1）初始化，设置网络结构，赋初始权值；
（2）为网络提供一组学习样本，包括M个样本对（），输入向量，输出向量，n、m分别为输入层和输出层神经元个数，；
（3）对每个学习样本P进行（4）~（8）；
（4）逐层正向计算网络各节点的实际输出：
(2)
其中，为神经元i、j之间的权值；为前层第i个神经元的实际输出，为式（1）给出的函数；
（5）计算网络输出误差：
第P个样本的输出误差为(3)
其中，，分别为输出层第j个神经元的期望输出和实际输出。
网络总误差为；(4)
（6）当E小于允许误差或达到指定迭代次数时，学习过程结束，否则进行误差逆向传播，转向（7）；
（7）逆向逐层计算网络各节点误差：
对于输出层，(5)
对于隐含层，(6)
其中代表后层第个神经元。
（8）修正网络连接权：，其中为学习次数，为学习因子，值越大，产生的振荡越大。通常在权值修正公式中加入一个势态项，变成：
(7)
其中，a称为势态因子，它决定上次学习的权值变化对本次权值更新的影响程度。
2．2围岩分类的BP模型
在以表2中数据为基础进行网络训练前，须对表中指标作如下处理：Ⅰ、Ⅴ类对应的指标取其界限值或平均值；Ⅱ、Ⅲ、Ⅳ类对应的指标取其平均值。作上述处理后，可以得到网络训练模型的5个学习样本，如表3。
表3围岩类别识别模型的学习样本
类别样本类别A1A2A3A4A5
P1Ⅰ2000.950.52582.5
P2Ⅱ1500.8250.7537.567.5
P3Ⅲ750.62527552.5
P4Ⅳ37.50.3754112.537.5
P5Ⅴ250.25512530
以上表中5个类别样本作为神经网络的学习样本，在输入层和隐含层各设置一个特殊单元作为阈值单元，其值设为1。模型结构如下图1所示。
图1围岩类别分类的BP网络模型
设围岩类别为P1、P2、P3、P4、P5这5个类别样本的预期输出矢量，各分量定义为
网络训练时，当所有样本在网络输出节点的实际输出与网络期望输出之间的最大误差小于预先给定的常数，即时学习结束。
网络经过15000次训练，每个样本的网络输出与期望输出最大误差为0.2，绝大部分在0.1之内。应用训练后的BP模型划分新的围岩类别样本，等判定围岩类别样本W经网络变换后输出O与各期望输出比较，设，。
如果，则，，即隧洞围岩类别样本属于级。
3．沙湾隧洞的围岩分类应用实例
东深供水改造工程沙湾隧洞位于深圳市北东面内15公理处，区域地势东高西低。工程区域周围沉积岩、岩浆岩和变质岩三大岩类均有出露。隧洞线路地带分布的地层，除洞口沟谷部位为第四系松散堆积层外，其余均为侏罗系中统塘夏群碎屑岩，基本为单斜构造，但末端因受深圳断裂带影响，岩层产状较为紊乱，地质条件复杂多变。
隧洞开挖后，测得三种围岩地段的力学性质和环境条件，取三个样本为a、b、c。用BP人工神经网络判定该工程隧洞围岩类别。
根据水利水电工程地质勘察规范，隧洞围岩类别分为5级：Ⅰ（稳定）、Ⅱ（基本稳定）、Ⅲ（局部稳定性差）、Ⅳ（不稳定）、Ⅴ（极不稳定）。对照学习样本各特征变量，用训练好的BP模型对a、b、c三个样本进行判定，其结果见表4。
表4沙湾隧洞三组样本实测指标与围岩类别判定结果
指标名称实测指标值
abc
岩石强度（A1）2845100
岩体完整程度（A2）0.220.50.55
张开度（A3）341
地下水状态（A4）1208025
主要结构面产状（A5）305060
围岩类别判定结果ⅤⅣⅢ
4．结论
水工隧洞围岩类别判定，不仅影响因素多，而且具有很大的模糊性和不确定性。人工神经网络是一门新兴的交叉学科，它具有联想、记忆功能和判别识别的模糊性等优点，用它来进行围岩类别分类，不需对输入输出指标的关系作任何假设，这种关系是神经网络从实例中自适应学习而获得的，大大减少了人为因素的影响，省去了事后的经验判断。实践证明，它在理论和应用上都是可行的和有实际意义的。
参考文献
神经网络论文范文5
人工神经网络（AartificialNeuralNetwork，下简称ANN）是模拟生物神经元的结构而提出的一种信息处理方法。早在1943年，已由心理学家WarrenS.Mcculloch和数学家WalthH.Pitts提出神经元数学模型，后被冷落了一段时间，80年代又迅猛兴起［1］。ANN之所以受到人们的普遍关注，是由于它具有本质的非线形特征、并行处理能力、强鲁棒性以及自组织自学习的能力。其中研究得最为成熟的是误差的反传模型算法（BP算法，BackPropagation），它的网络结构及算法直观、简单，在工业领域中应用较多。
经训练的ANN适用于利用分析振动数据对机器进行监控和故障检测，预测某些部件的疲劳寿命［2］。非线形神经网络补偿和鲁棒控制综合方法的应用（其鲁棒控制利用了变结构控制或滑动模控制），在实时工业控制执行程序中较为有效［3］。人工神经网络（ANN）和模糊逻辑（FuzzyLogic）的综合，实现了电动机故障检测的启发式推理。对非线形问题，可通过ANN的BP算法学习正常运行例子调整内部权值来准确求解［4］。
因此，对于电力系统这个存在着大量非线性的复杂大系统来讲，ANN理论在电力系统中的应用具有很大的潜力，目前已涉及到如暂态，动稳分析，负荷预报，机组最优组合，警报处理与故障诊断，配电网线损计算，发电规划，经济运行及电力系统控制等方面［5］。
本文介绍了一种基于人工神经网络（ANN）理论的保护原理。
1、人工神经网络理论概述
BP算法是一种监控学习技巧，它通过比较输出单元的真实输出和希望值之间的差别，调整网络路径的权值，以使下一次在相同的输入下，网络的输出接近于希望值。
在神经网络投运前，就应用大量的数据，包括正常运行的、不正常运行的，作为其训练内容，以一定的输入和期望的输出通过BP算法去不断修改网络的权值。在投运后，还可根据现场的特定情况进行现场学习，以扩充ANN内存知识量。从算法原理看，并行处理能力和非线是BP算法的一大优点。
2、神经网络型继电保护
神经网络理论的保护装置，可判别更复杂的模式，其因果关系是更复杂的、非线性的、模糊的、动态的和非平稳随机的。它是神经网络（ANN）与专家系统（ES）融为一体的神经网络专家系统，其中，ANN是数值的、联想的、自组织的、仿生的方式，ES是认知的和启发式的。
文献［1］认为全波数据窗建立的神经网络在准确性方面优于利用半波数据窗建立的神经网络，因此保护应选用全波数据窗。
ANN保护装置出厂后，还可以在投运单位如网调、省调实验室内进行学习，学习内容针对该省的保护的特别要求进行（如反措）。到现场，还可根据该站的干扰情况进行反误动、反拒动学习，特别是一些常出现波形间断的变电站内的高频保护。
3、结论
本文基于现代控制技术提出了人工神经网络理论的保护构想。神经网络软件的反应速度比纯数字计算软件快几十倍以上，这样，在相同的动作时间下，可以大大提高保护运算次数，以实现在时间上即次数上提高冗余度。
一套完整的ANN保护是需要有很多输入量的，如果对某套保护来说，区内、区外故障时其输入信号几乎相同，则很难以此作为训练样本训练保护，而每套保护都增多输入量，必然会使保护、二次接线复杂化。变电站综合自动化也许是解决该问题的一个较好方法，各套保护通过总线联网，交换信息，充分利用ANN的并行处理功能，每套保护均对其它线路信息进行加工，以此综合得出动作判据。每套保护可把每次录得的数据文件，加上对其动作正确性与否的判断，作为本身的训练内容，因为即使有时人工分析也不能区分哪些数据特征能使保护不正确动作，特别是高频模拟量。
神经网络的硬件芯片现在仍很昂贵，但技术成熟时，应利用硬件实现现在的软件功能。另外，神经网络的并行处理和信息分布存储机制还不十分清楚，如何选择的网络结构还没有充分的理论依据。所有这些都有待于对神经网络基本理论进行深入的研究，以形成完善的理论体系，创造出更适合于实际应用的新型网络及学习算法［5］。
参考文献
1、陈炳华。采用模式识别（智能型）的保护装置的设想。中国电机工程学会第五届全国继电保护学术会议，［会址不详］，1993
2、RobertE.Uhrig.ApplicationofArtificialNeuralNetworksinIndustrialTechnology.IEEETrans，1994，10（3）。（1）：371～377
3、LeeTH，WangQC，TanWK.AFrameworkforRobustNeuralNetwork-BasedControlofNonlinearServomechannisms.IEEETrans，1993，3（2）。（3）：190～197
神经网络论文范文6
关键词 深度神经网络 图像分类 车型识别 预测
中图分类号：TP317.4 文献标识码：A
0 引言
所谓的深度学习是根据具有多层结构的人工神经网络所提出。在具体的深度学习中，主要借助模拟神经系统中的层次结构，来进行数据结构特征的反映，一般来说，细节用低层次进行表示，抽象数据结构则用高层次来表示，利用这种方式，能够进行数据挖掘学习，满足学习要求。在传统的车型识别发展中，主要涉及到的技术包括模式识别、特征选择和提取以及检测分割等方面内容，在技术发展中，存在的难点主要涉及到如何将完整的目标车辆区域进行分割，这是项基础工作，也是难点所在。这结合实际需求，对于不同拍摄角度下的汽车图片，包括皮卡车、SUV、面包车以及小轿车进行车型识别，其目标质量分割质量则是最为关键的技术，直接影响到最后的判断效果。所以，应该重视进行具有代表性特征的选择处理，并相应转化成有效的参数过程。在获取特征参数后，则应该结合项目要求来选择合理的分类器，这样才能保障识别的准确率。结合汽车车型识别问题的要求，这里网络输入则是原始图像，利用神经网络优势，原始数据经过卷积层、完全连接层以及Softmax 层的培训学习，通过这种深度神经网络来进行分析处理，免于上述存在难度的图像分割、手工提取等过程。
1数据集
这里的车型识别目标的数据集主要包括皮卡车、SUV、面包车以及小轿车等四种类型。其中，训练集和测试集分别包括1025张和368张原始图片。此数据集中，包括不同摄像角度中的汽车图像照片，具有背景复杂、图像大小不统一，车辆在图片中所占比例具有较大差异性等方面问题，这些都在一定程度上造成车型识别的难度上升。
在预处理中，为了保证网络输入的一致性，对于原始图像进行调整处理为256？56？尺寸。在此基础上，对于图像RGB三个通道的均值进行计算，并进行均值标准化的处理。在具体的网络训练测试的过程中，主要则是选取224？24？ 的样本作为输入。
2网络结构探讨
结合文献所提出的深度神经网络VGG16的优势，我们将其应用在汽车车型识别问题中。VGG16网络具有较强的优势，主要包括5个堆栈式的卷积神经网络ConvNet，以及3个完全连接层以及1个Softmax层，由此可见，其属于“网络中的网络”架构。在每个每个ConvNet中，还有多个卷积层所构成，然后紧跟随着Max-Pooling层。在进行卷积以及池化处理的基础上，进行三层完全连接处理，同时，Softmax层的输入则是最后一个完全连接曾的输出，在这基础上，实现车型分类的要求。结合实际需求，将非线性的ReLU层加入该网络中，这样就会让ReLU来处理卷积层和完全连接层的输出，保证训练时间有效降低。另外，还将一种正则化Dropout方式应用在网络中，避免出现完全连接层中的过拟合问题。
另一个神经网络Alexnet，结构稍微简单一些，主要包括5卷积层、3个完全连接层、Softmax层等几部分，在进行部分卷积层处理后，在进行Max- Pooling层处理。在此网络中，同样采用非线性的ReLU层，所采用难度重叠池化方式，也能有效保证尽量降低过拟合的问题。
3实验结果分析
结合上述分析的深度神经网络VGG16和AlexNet的基础上，进行Gaffe框架的搭设，为了保证运算效率，建立在GeForce GTX TITAN X CPU的工作站中。经过统计，单一网路训练大约为2小时，一张图片测试大约为0.2秒。在应用上述网络测试、训练之外，在分类过程中，还应用了经典的分类算法KNN。经过实验分析，可以看出，VGG16网络能够具有比较好的分类结果，能够实现准确率为97.3%，而AlexNet网络准确率达到为93.0%，KNN算法不能有效处理较为复杂背景的图片，分类准确率仅为52.3%。在具体的案例中，分析VGG16网络错误分类的情况，面包车具有完全正确的分类效果。在错误分类的SUV车型中，究其原因，主要包括：车颜色有两部分组成，红色部分则和皮卡车车型相同；车型结构太类似于皮卡车；背景中加入其他车型，这样会造成分类结果不准确。如果图片中仅仅包括车头的情况，在进行车型识别中也存在较大的难度，不同车型从前面角度进行观察，并没有太大的差异化，这点应该明确指出。
4结语
这里采用深度学习方法，结合先进的深度神经网络，以及功能强大的计算机工作站，对于四类汽车进行识别实验研究。经过试验表明，VGG16网络具有最好的分类效果，传统的经典分类算法往往仅为其准确率的一半左右。所以，可以看出深度神经网络具有强大的学习能力，能够在图像分类问题中表现出很大优势，应该不断优化深度神经网络的结构，以便其适用于更多的图像分类要求。
参考文献
[1] Hinton G E， Osindero S， Teh Y W.A Fast Learning Algorithm For Deep Belief Nets[J]. Neural Computation， 2006， 18（7）：1527-1554.
