前言：中文期刊网精心挑选了神经网络反向传播过程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。
神经网络反向传播过程范文1
关键词：BP神经网络；地震预测；指标
中图分类号：TP183；P315.7 文献标识码：A 文章编号：1007-9416（2017）01-0091-01
地震的破坏性是灾难性的，近年来，我国乃至世界各地地震频发，人员和财产的损失不可估量。地震预测成为全世界亟需攻克的难题，各国或组织都投入了大量的人力和财力以求最大限度地减少地震造成的影响。人们对自然的理解是很有限的，对地震的成因和规律的理解一直是无法突破的瓶颈，我们无法直接透视地球来观察其活动情况，进而预判地震发生的具体时间及位置和震级大小，但经过长期的摸索和验证，一种叫做BP神经网络的预测方法更接近地震的各种特征，从而也被广泛应用于地震预测中。
1 BP神经网络
由Rumelhart和McClelland提出的误差反向传播（Error Back-Propagation）神经网络模型和其算法通常被称为BP神经网络模型。这是目前为止，全世界使用得最靠谱的神经网络模型之一。BP神经网络模型包括输入层、输出层和N个隐层，BP学习算法是一种监控式学习算法，被多层前馈网络所使用。它的核心理念是利用梯度搜索技术，使网络模型的输出实际值与预测值的方差接近最小值。网络模型的学习过程包含这两个阶段，即前馈计算阶段和反向调整权系数阶段，它是一种在这两个阶段不断修改差值的过程。
自然灾害虽然还无法尽用科学来解释，但地震的发生一定与我们观测到的一些特殊情况有关，这种关系也许是直接的，也许是间接递进的，我们可能无法用函数来直观表达各种变量之间的这种线性或非线性的关系，但通过BP神经网络的监控学习算法我们可以做到一种隐性诠释，BP神经网络模型对这种实值函数有着很强的学习、表征能力和自适应能力，以历来地震特征数值作为样本进行梯度搜索和比对计算使方差接近最小值或局部最小值，所以说BP神经网络是用于地震预测的一个十分有效的方法。
2 BP神经网络的特点
（1）BP神经网络的学习和表征能力都很强，它的网络模型中蕴含着N多隐层，适应性强。（2）在比对计算中不断的修正差值，对训练数据中的错误有很强的健壮性。（3）前馈计算阶段和反向调整权系数将误差降低到极小值，当一个样例被网络模型涵盖以后，对新的样例进行求值是非常快的。
3 BP神经网络在地震预测中的应用现状
近年来，科技的不断进步，计算机水平的提高推动着计算方法和机器学习算法的进步，BP神经网络作为机器学习算法中最常用的算法之一，被各个领域所广泛应用。目前的应用主要是神经网络对经过处理后的地震数据进行学习，以年份为特征，来预测该年份发生地震的情况。
BP神经网络模型通俗来讲是一种信息处理系统，是模仿人脑结构及其各神经元的功能来实现的。影响这种信息处理系统的因素有两项，第一项是网络的学习和运行规则，也就是网络中连接权值的调整规则；第二项是网络的拓扑结构，也就是BP神经网络中各神经元之间相互作用形式。
BP算法是误差反传播算法重要的组成部分。近年来，由于国家的重视，给予的大力支持，BP神经网络在我国发展神速，并在极短的时间里在图像、语音、数据等领域颇见成效。绝大部分的的神经网络都用到了BP算法，所以将BP算法应用于地震预测中定会取得非凡的效果，减少灾害的损失。BP算法的学习过程是由两个传播过程组成的，分别是信号的正向传播以及误差的逆向传播。信号的正向传播顾名思义就是将样本传输到输入层，然后再传播到各级隐层进行处理和比对计算到达输出层，此过程的逆向鞑ゼ次误差的反向传播过程。若要具体实现BP算法就要首先建立神经网络模型，然后将样本传输到输入层，然后比对每层输出，计算出网络模型的输出误差，不断修正权值，从而得到理想的误差最小值。信号的正向传播和误差的逆向传播的各层权值的修正过程是循环往复进行的，这个过程需一直进行到将最后输出的误差调整到可接受的程度为止。
4 BP神经网络在地震预测中的应用前景
目前有一种非常有效的方法被应用到小样本的预测问题中，我们称它为“交叉验证”法。交叉验证法是将训练样例分为若干份，每次从这若干份样例中任意找出一份作为验证样本，其它的统称为训练样本，每次交叉验证都得到一个最佳值，如此往复若干次后，将所有的最佳值求均值，这种方法对地震的预测结果很接近，是地震预测领域的一大突破。
预测毕竟是一种手段、一种猜测，任何一种算法最后的输出结果都只能是接近而无法等同。所以，在未来的一段时间内，地震专家可能会把目光放在地球内部勘测领域，直观的观察地球内部变化，分析其表象特征，将这些特征作为BP神经网络模型的神经元，这样得出的结果才够精确，才能真正做到防范于未然。
5 结语
BP神经网络模型的优势就体现在其不局限于线性问题，组建的模型有很强的自适应性，即便样本并非精确的教学模型，最后分析比对计算后的均值即为理想数值，它能适应很多复杂多变的训练样本，这也是神经网络方法在地震领域被广泛应用的原因。无论哪种预测方法均存在着一定的局限性，我们要做的就是不断开发完善，以做到百分百的预测。
参考文献
[1]李东升，王炜，黄冰树.人工神经网络及其在地震预报中的应用[J].地震，1995（4）.
神经网络反向传播过程范文2
关键词:宏观经济;预测模型;BP神经网络;非线性
中图分类号:TP183;F015 文献标识码:A
文章编号:1006-4311(2009)11-0088-03
0引言
利用经济指标的准确预测是国家对宏观经济正确调控的必要前提。但经济系统,特别宏观经济系统是非常复杂的系统,广泛存在着非线性、时变性和不确定作用关系;而在计量经济学理论基础上建立的各种宏观经济模型,大都是线性模型,很难把握宏观经济系统中的非线性现象,必然导致经济预测的误差加大。学者们因此对各种线性模型做了不少改进,如建立分段线性模型、参数时变线性模型等,但结果并不理想。于是人们寻求一些非线性工具进行宏观经济建模。而神经网络具有并行计算、分布式信息存储容错能力强、自适应学习功能等优点,在处理复杂的人工智能和非线性问题上显示了优越性。
1基于BP神经网络的预测模型
BP(Back-Propagation)神经网络结构是前向的多层网络,含有输入层节点、输出层节点和一层或多层的隐层节点,同层的各神经元之间互不连接,相邻层的神经元则通过权值连接。当有信息输入BP神经网络时,信息首先由输入层节点传递到第一层的隐层节点,经过特征函数(人工神经元)作用之后,再传至下一隐层,这样一层一层传递下去,直到最终传至输出层进行输出。其间各层的激发函数要求是可微的,一般是选用S型函数。最基本的BP神经网络包括输入层,隐层,输出层这三层节点的前馈网络,其结构如图1所示。
BP神经网络使用一组样例对网络连接权值进行学习训练,每个样例都包括输入及期望的输出。在正向传播过程中,首先将训练样例的信息输入到网络中,输入信息从输入层经隐层节点逐层计算处理后,传至输出层。在计算处理过程中,每一层神经元的状态只影响下一层神经元的状态,如果在输出层得到的结果不是所期望的输出,那么就转为反向传播。反向传播把误差信号沿原连接路径返回,并按照一定原则对各层神经元连接权值进行适当修改,直至第一个隐层;这时再开始进行正向传播,利用刚才的输入信息进行正向网络计算。如果网络输出达到了误差要求,则学习过程结束;如果达不到误差要求,则再进行反向传播的连接权值调整。这一过程不断往复,直到网络正向计算输出结果达到误差要求为止,学习就告结束。网络训练结束后,在用于求解实际问题时就只须使用正向传播。
2具体应用
2.1 样本获取
神经网络建模关键之一是网络训练样本的选取。在模式识别征抽取是一个重要环节,抽取稳定且有效的特征是识别系统成功的关键。神经网络建模也就是对系统进行模式识别,神经网络中的特征抽取也就是样本的选取,包含原始数据收集、数据分析、变量选择及数据预处理;只有经过这些步骤后,才能对神经网络进行有效的学习训练。训练样本质量直接影响网络应用效果,应根据实际情况选取合适的能表达对象全面特征的样本,好的训练样本能提高网络学习速度和效果,并提高网络泛化能力。建立本预测模型时选取样本,首先是建模必须建立在一个基本固定的环境下; 其次是样本选取应涵盖系统特征的信息,要能够包含在控制中的输入输出特征,能给神经网络提供较为全面的边界信息。本模型旨在对西安市14个指标2008年的数值进行预测:GDP、全社会固定资产投资、居民消费价格指数、零售总额、工业增加值、财政收入、财政预算、可支配收入、农民人均纯收入、城镇新增就业人数、进出口总额、出口、外商直接投资、工业出厂价格指数。在排除各年可能发生异常情况下,用各指标前几年数据预测紧接着下一年的各指标数据。
2.2 神经网络模型结构
神经网络反向传播过程范文3
关键词 BP神经网络；免疫遗传算法；模拟退火算法；线损
中图分类号：TM744 文献标识码：A 文章编号：1671-7597（2013）11-0000-00
线损是考核电力网运行部门一个重要经济指标，是电力网供售电过程中损失的电量。线损是技术线损与管理线损之和。对于技术线损则应控制在合理的范围以内，而管理线损要尽力减到最少。线损理论计算得到的电力网技术线损数值是电力网线损分析和指导降损的科学依据。线损计算是节能管理的重要工作。本文主要讨论BP神经网络算法在配网线损计算中的应用。
1 配网线损的计算方法
整个电力网电能损耗计算可以分解为如下元件的电能损耗计算，即35 kV及以上电力网为35 kV及以上交流线路及变压器的电能损耗计算；20 kV配电网为20 kV交流线路及公用配电变压器的电能损耗计算；10 kV配电网为10 kV交流线路及公用配电变压器的电能损耗计算；6 kV配电网为6 kV交流线路及公用配电变压器的电能损耗计算；0.4 kV低压网为0.4 kV及以下电力网的电能损耗计算；其它交流元件为并联电容器，并联电抗器，调相机，电压互感器，站用变等；高压直流输电系统：直流线路，接地极系统，换流站（换流变压器、换流阀、交流滤波器、平波电抗器、直流滤波器、并联电抗器、并联电容器和站用变压器）。
目前已有不少计算线损的方法，日均方根电流法应用较多，但它只是对35 kV及以上电压的输电网络比较适用，而对于35 kV以下的配电网，因为线段数、分支线路、配电变压器数量较多，使得其等值电路的节点数和元件数大大增加，需要花费大量的人、物力计算所需的运行资料，因此在实际应用中日均方根电流方法难以通用。回归分析方法在配网线损计算中也有较为广泛的应用，但该方法难于确定回归方程，对不同配网结构不具通用性，计算结果准确度不高。近年来，神经网络理论的发展与应用为配网理论线损计算提供了新的思路。
2 BP神经网络算法
人工神经网络是由具有适应性的简单单元组成的广泛并行互连的网络，它的组织能够模拟生物神经系统对真实世界物体所作出的交互反应。人工神经网络具有自组织、自学习、良好的容错性和非线性逼近能力，受到学界的关注。实际应用领域中，百分之八十至九十的人工神经网络模型采用了误差反传算法或者为其变化形式的网络模型，在这里简称为BP网络，BP网络目前主要应用在模式识别、分类、函数逼近和数据压缩或数据挖掘等方面。
BP（Back Propagation）神经网络，由信息正向传播及误差反向传播两个过程构成，即误差反向传播算法的学习过程。输入层的每个神经元负责接收来自外界的输入信息，并传递给中间层的每个神经元；中间层是内部信息的处理层，负责信息变换；最后一个隐层传递到
输出层各神经元的信息成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。根据信息变化能力的需求，中间层可以设计为单隐层或者多隐层结构；当输出层的实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程，此过程一直进行到网络输出的误差减少到可以接受的程度，或者预先设定的学习次数为止。
BP神经网络模型包括其输入输出模型、误差计算模型、作用函数模型和自学习模型。
2.1 作用函数模型
作用函数是反映下层输入对上层节点刺激脉冲强度的函数，一般取为（0，1）内连续取值Sigmoid函数，即为：f（x）=1/（1+e）。
2.2 节点输出模型
隐节点输出模型为Oj=f（∑Wij×Xi-qj），输出节点输出模型为Yk=f（∑Tjk×Oj-qk），其中f为非线形作用函数；q为神经单元阈值。
2.3 误差计算模型
误差计算模型是反映神经网络期望输出与计算输出之间误差大小的函数：
Ep=1/2×∑（tpi-Opi） ，其中tpi-i节点的期望输出值；Opi-i节点计算输出值。
2.4 自学习模型
神经网络的学习过程，即连接上层节点之间和下层节点的权重矩阵Wij的设定和误差修正过程。BP网络有师学习方式（即需要设定期望值）和无师学习方式（即只需输入模式）之分。自学习模型为Wij（n+1）=h×Фi×Oj+a×Wij（n），其中h为学习因子；Фi为输出节点i的计算误差；Oj为输出节点j的计算输出；a为动量因子。
神经网络可以用作分类、聚类、预测等。神经网络需要有一定量的历史数据，通过历史数据的训练，网络可以学习到数据中隐含的知识。
3 BP神经网络算法在配网线损计算中的应用
基于免疫遗传算法（IGA）的BP神经网络方法计算的理论线损是在遗传算法（GA）的基础上引入生物免疫系统中的多样性保持机制和抗体浓度调节机制，有效地克服了GA算法的搜索效率低、个体多样性差及早熟现象，提高了算法的收敛性能。为了解决BP神经网络权值随机初始化带来的问题，用多样性模拟退火算法（sAND）进行神经网络权值初始化，该算法设计的BP神经网络比混合遗传算法有更快收敛速度及较强的全局收敛性能，其准确度优于现有其它计算配电网理论线损的方法，预测精度在原有算法基础上有一定的提高，理论线损的计算结果与实际更加一致。改进后的算法核心是运用了神经网络的现有理论和结构，借鉴了免疫学原理和相关特性，定义了基于免疫学的基本运算规则和运算单元，用遗传算法实现了个体群在群体收敛性和个体多样性之间动态平衡的调整。
4 小结
配电网线损是电力工业中一个重要的技术经济指标，准确简便的线损计算对于电力网络优化设计、提高电力系统运行的经济性、安全性及供电质量具有很强的导向作用。BP神经网络算法有更快收敛速度及较强的全局收敛性能，其准确度优于现有其它计算配电网理论线损的方法，使得理论线损理论计算与实际更逼近。
参考文献
[1]李秀卿，汪海，许传伟，等.基于免疫遗传算法优化的神经网络配电网网损计算[J].电力系统保护与控制，2009，37（11）.
[2]甘德强，王锡凡，王小路.电力系统概率暂态稳定性的分析[J].中国电力，1994，27（4）：32，35.
[3]张健，刘怀东.输电线路概率安全性测度研究[J].电力系统及其自动化学报，2003，12：34，36.
神经网络反向传播过程范文4
关键词：BP神经网络造价预测研究
Abstract: this paper introduces the BP neural network of network structure and the learning process, and the BP neural network to predict the application of project cost.
Keywords: BP neural network cost prediction research
中图分类号：TU723.3文献标识码：A 文章编号：
BP神经网络的算法称为反向传播算法(Back-Propagation)简称BP算法，BP网络也由此得名。BP网络的学习过程是由信号的正向传播与误差的反向传播两个过程组成。在正向传播过程中，信号从输入层传入，经隐单元逐层处理后传向输出层，如果在输出层的实际输出与期望输出不符，则转入反向传播，将误差信号以某种形式由原来的连接通路返回，通过隐层向输入层反传，并在返回过程中修改各层神经元连接的权值。这种过程循环进行，直到输出误差达到允许的范围或达到网络预先设定的学习次数。
1BP神经网络的网络结构
BP 神经网络结构如图1所示，输入数据由输入层进入，输入层连接隐层，隐层连接输出层，输出数据从输出层导出。输入层、输出层神经元个数根据具体实际情况设置，隐层可以是一层，也可是多层由相应的输入层、输出层神经元个数根据公式确定。各层之间神经元连接强度的加权值（简称权值）允许不同，权值越大表示该输入的影响越大。神经元的所有输入采用加权和的方式。输入、输出向量分别用x和y，且x=(x1，x2，…，xn)，y=(y1，y2，…，ym)，表示输入层、输出层分别有n、m个节点输入输出向量分别是 n 维和 m 维。
图1BP 神经网络结构示意图
2BP神经网络的学习过程
简单说来BP网络的整个学习过程就是权值与阈值的不断修正过程，BP网络的整个学习过程的步骤如下图：
图2 BP神经网络学习过程
3 BP 神经网络在工程造价预测中应用
工程造价预测是一个十分复杂的模式识别问题，特别是预测中存在广泛的非线性问题，这增加了模式识别的复杂性。BP 神经网络由于其本身信息处理的特点，使其能够出色解决那些传统识别方法难以解决的问题，近年来工程领域的仿真预测成为神经网络的重要应用领域之一。
对于一般的神经网络预测，诊断工作可以分为测前工作与测后工作两部分工作。测前工作，根据经验在一定的条件下，将常见的各种费用超支情况及正常情况所对应的理论值用实验或理论计算求出。并以此作为BP神经网络的样本及样本期望,输入特定的BP神经网络，进行神经网络训练，实际预测时，在同样的条件下，将实际数据经处理后输入特定的BP神经网络。其输出即是对应的预测值。神经网络具有推论联想的能力，具有很强的泛化能力，不仅能识别已经训练过的样本，而且能通过推论联想识别为出现过的样本。综上所述，用BP神经网络进行公路工程造价预测，步骤可以总结为：建模、参数选定、预测模型结构确定。
3.1神经网络建模步骤
在实际应用中，面对一个具体的问题，首先需要分析利用神经网络求解问题的性质，然后依据问题特点，确立网络模型。最后通过对网络进行训练、仿真等，检验网络的性能是否满足要求。主要步骤包括：确定信息表达式、网络模型的确定、网络参数的选择、训练模式的确定、网络测试。
3.2模型参数的确定
（1）实际完成金额
公路工程造价的发展具有连续性，其数量特征呈相对稳定，或者与其他经济现象之间的相互联系具有相对稳定的模式，因而有可能对其发展过程加以模拟，利用实际完成金额等历史资料比较准确地推断其将来。
（2）主要材料价格
由于公路工程涉及工程材料种类多，工程施工经历时间跨度大，期间材料价格波动影响因素较多，要综合考虑这些因素进行预测往往要大量的基础资料。
（3）天气状况
由于公路项目施工主要是在野外作业，所以受天气影响比较大，所以天气状况也是影响工程造价的一个因素。
（4）进场主要施工机械设备数量
设备材料费，是工程造价的主要组成部分。因此，施工设备投入数量，是影响工程造价增减的重要动态因素
4结语
基于 BP 神经网络的公路工程造价预测，能够充分利用公路工程造价的历史数据，通过高度的非线性映射，得到预测结果。与传统的工程造价方法相比较，该方法具有自组织、自学习、自适应和泛化能力，因而有广泛的应用前景。而 BP 神经网络的精确预测需要真实、可靠、准确的样本输入数据以及相对应的样本期望数据，就需要我国公路工程造价历史数据的不断积累，公路工程造价制度的不断完善。
参考文献
[1]袁助,基于项目总控模式的高速公路造价动态控制方法研究[D],长沙理工大学,2009年.
神经网络反向传播过程范文5
关键词：BP神经网络；土壤重金属污染
中图分类号：TP183 文献标识码：A DOI：10.11974/nyyjs.20170533219
1 材料与方法
1.1 研究区概况
以宜宾市翠屏区宋家乡洋坪村万宜粮油专业合作社粮食生产功能区252.07hm2农用地为研究区，该区地处中纬度北亚热带季风气候区，在地质构造上位于川东褶皱带永川帚状褶皱带的帚部；全区基岩广布，地层结构、岩石特性形迹明显，其中紫色岩层更是遍布于丘谷地区，多为侏罗系各组紫色岩层，岩层倾角10～30°，切割浅，田多土少。本区为川南丘陵区地貌形状，海拔340～400m，由于受四川盆地地质构造的影响，形成红色泥岩、沙质泥岩和沙岩互层沉积，主要土壤类型有：红棕石骨土、灰棕紫沙土、棕紫泥田、黄紫沙田、红紫沙田等，土壤质地沙壤-壤土，砾石含量较低，土壤耕性较好，经检测：土壤pH值5.94～8.40，微酸性-微碱性；有机质含量10.09～32.6g/kg、全氮0.71～1.86g/kg、有效磷0.4～17mg/kg、碱解氮74～151mg/kg、速效钾93～214mg/kg，耕地土壤养分含量中等丰富，水田地力多为2～3级，旱地多为3～4级。
1.2 土样采集与处理
土样采集按照《农田土壤环境质量监测技术规范》（NY/T395-2000）的要求，于2015年9月在作物收获后秋耕前，根据研究区土地利用现状划分取样单元，每13.3～20hm2取一个样点，共采集耕层土壤样品10个，耕层按0～20cm，亚耕层按20～40cm用不锈钢土钻采集土样，每个土样均采用“S”法随机采集15～20个点，经充分混合后，用四分法留取1kg，重点点位留取1.5kg，装入土袋标明，样品取回在实验室荫干、碾碎备用。
1.3 测定项目及方法
土铀退拇ㄊ∨圃和寥婪柿涎芯克化验室进行，对农产品质量安全有重要影响的Pb、As、Cr、Hg和Cd共5个重金属元素的化验分析，分析方法根据《农田土壤环境质量监测技术规范》（NY/T395-2000）要求确定：As、Hg采用原子荧光光谱法测试，Cd、Cr、Pb采用等离子体质谱法测试。
1.4 评价方法
1.4.1 传统指数评价法
污染指数法是检测评价土壤重金属污染中最常用的一种方法，主要包括2种，分别为单因子和多因子污染指数法，多因子指数法是内梅罗指数法使用最多的一种方法。内梅罗指数法可以计算污染指数的平均值以及最高值，通常在实际的应用过程中，重金属污染因子个数减少的情况比较适合应用该方法，加权有效地规避了权系数确定过程中的各种主观因素，当前该方法的应用比较广泛。但是，这种方法同时也存在不足之处，因为将土壤重金属污染评价化由复杂变得过于简单，过分强调了环境质量影响中最高值的作用。一般情况下，对土壤进行环境质量评价时，会按照中国土壤环境质量标准（GB15618-1995）中二级标准来确定研究的评价标准（表1）。
1.4.2 BP神经网络
1.4.2.1 BP神经网络原理
BP算法训练的神经网络，称之为BP神经网络，这种神经网络是目前应用最多的一种，按照误差逆传播算法进行训练，属于多层前馈网络。BP神经网络的学习功能比较强，输入―输出模式映射关系的存贮量也比较大，不必对描述该映射关系的数学方程进行揭示。梯度下降法是主要的学习规则，网络的阈值和权值可以通过反向传播得到适当的调整，最终得出的最小的误差平方和。BP神经网络模型拓扑共包括3层，分别是输入层、隐层和输出层。
1.4.2.2 BP神经网络算法
BP算法是目前最广泛用的神经网络学习算法之一，其反向传播包括2个步骤，分别是正向传播以及反向传播。
正向传播就是样本从输入层开始经过隐单元进行层层处理，之后传到输出层中；经过这个过程的层层处理，每层中神经单元的状态都只会影响到下一层神经元的状态。比较输出层中的现行输出以及期望输出，当现行输出跟期望输出不同时，则进行反向传播过程。
反向传播就是将误差信号按照原路返回，从输出层开始经过隐含层对神经元的权系数进行逐步修改，以最大化的减少误差信号。
采用非线性S型对数传递函数logsig函数应用到模型的输入层到隐含层的过程中，可以有效保证BP神经网络模型的非线性，线性函数 purlin 函数应用到隐含层到输出层中，trainlm函数为网络采用的训练函数。通过反复迭代运算，达到误差允许范围为止，最后固定权值系数及阀值，学习训练过程结束，模型建立。
2 基于BP神经网络的土壤重金属评价模型
2.1 学习样本的选取
选取BP神经网络训练样本可以确定模型，如果采用累加样本数量或者反复训练网络的方法，会耗费大量的时间，不利于提高网络的预测精度。因此只有在充分考虑样本的整体内在特征以及规律的基础上才能选定样本。
本文学习样本选用《成都耕地》中耕地重金属评价土壤样点数据100个，检验样本20个。样本中土壤等级采用传统内梅罗指数评价法得出（表3）。
2.2 神经网络预测模型的建立
3层前向BP神经网络能够实现随意精度接近任何一个非线性函数，而且过程中不需要建立数学模型，只要存在输入以及目标输出即可。赋予一个输入模式给网络，经过输入层―隐蔽层―输出层层层处理之后，产生一个输出模式。当实际输出跟期望输出不同时，则进行反向传播，误差值会沿着原路返回进行逐层修改。只有每个训练模式都满足特定要求，学习过程才能结束。
图1为本研究中的土壤重金属污染评价的BP神经网络预测模型，该模型共分为3层，7-6-1为该模型的神经网络结构，输入层共包括7个神经单元。分别是对土壤耕地有重要影响的Pb、As、Cr、Hg和Cd共5个元素，2个限制条件：土壤类型（水田或旱地）和土壤pH值，对土壤类型（水田、旱地）字符作对应性数字映射为水田-0，旱地-1；线性传递函数（purelin）为传递函数；隐蔽层共包括6个神经元，传递函数为s型传递函数（1ogsig）；输入层包含一个神经元，和土壤重金属污染评价等级对应，传递函数也是线性传递函数（purelin）。
网络学习过程中或者网络预测的过程中要实现更好的训练，就要进行输入矢量分量预处理以及输出适量分量预处理，使用permnmx函数对网络进行归一化处理，以使样本输出和输入范围维持在[-1，1]之间。仿真后的数据通过postmnmx函数进行反归一化处理。
本研究中有100个已知的土样点参数数据可以当做学习样本的输出节点值，在神经网络学习模型中带入5个影响参数和2个限制参数的输入节点值，可以自动生成样本群知识库以及项目区土壤重金属污染评价等级与7个特征⑹的非线性计算关系，结果为：R?=0.99998；RMSE=0.01。
在神经网络推理机中带入学习样本以及验证土样点的7个参数标准值，利用知识库将各单元的评价等级求出，然后与已知结果进行比较，如果误差≤10%，再将其与传统内梅罗指数评价结果进行比较，2个结果非常贴合。（表4）。
2.3 基于BP网络的翠屏区土壤重金属污染评价
在BP神经网络预测模型被验证可用后，本文运用该模型，对宜宾市翠屏区宋家乡洋坪村万宜粮油专业合作社粮食生产功能区10个耕地土壤样点进行评价，将其作为仿真部分输入值代入网络程序，即可评价出本区域耕地土壤重金属污染等级，对该区域现代农业规划中土壤适宜性和农产品质量安全溯源提供科学依据。
3 结论
本文主要对研究区域中的5种重金属内梅罗指数综合评价以及神经网络综合评价的结果进行对比分析，对于该地区的污染水平和趋势，两者反映的基本一致，神经网络综合法评价结果对细小区域的评价更加适合，如土样1根据内梅罗指数法的结果显示，该区域评价等级为2级、尚清洁，但应用BP神经网络评价为1级、清洁，这个评价结果比较符合当地的污染状况。
借助BP神经网络方法建立起土壤重金属污染等级与区域种植业适宜性和农产品质量安全溯源之间构建起直接的联系，管理决策部门可以从这个方向出发制定现代农业规划的应对措施，从而更好的协调社会经济活动跟土壤环境之间的关系，从而有效的预防土壤重金属污染，进而保障农产品的质量安全。
参考文献
[1]李向.基于BP神经网络的土壤重金属污染评价方法――以包头土壤环境质量评价为例[J].中国农学通报，2012，28（02）：250-256.
神经网络反向传播过程范文6
关键词：水泵 全特性曲线 BP神经网络
一.前言
在含有泵装置的工程中，常常通过水泵性能曲线来研究水泵运行情况，但是，如果要研究由于规划不周、操作不当、水位突变或意外停电等原因造成的水锤现象，则仅仅有水泵特性曲线是远远不够的。因为水泵特性曲线只反映水泵正常运行的情况，而对于水锤这一复杂的水力过渡过程，它不仅包含水泵正常运行工况特性，而且还包含制动水泵工况、水轮机工况以及制动水轮机工况特性。水泵全特性曲线反映在任意可能运行条件下的特性，则刚好弥补了水泵性能曲线的不足，因此为分析和计算水锤提供了重要依据。水泵的全特性曲线通常由专门的实验得到。但由于水泵比转数范围很宽，品种规格繁多，而全特性试验又很复杂，故无法对每种水泵进行试验。在进行水锤计算时，往往难以找到相同比转数的水泵全特性曲线资料，故通常采用相近的其它比转数的全特性曲线。这样，无疑给计算带来误差。因此，研究任意比转速下的水泵全特性曲线规律显得十分重要。本文提出了一种以几种已有的实测水泵全性能曲线为基础，利用BP神经网络，拟合任意比转速下的水泵全特性曲线的方法。
二.常规的水泵全特性曲线坐标表示方法
水泵的全特性曲线可由扬程H、转速n 、流量Q和转矩T四个基本参量表示。为方便起见，一般采用任意工况的参量与最高效率点的参量之相对比值来表示，即引人无量纲参量：
式中HR，QR，nR，TR分别表示水泵的扬程﹑流量﹑转速和转矩的额定值；
H，Q，n，T分别表示水泵的扬程﹑流量﹑转速和转矩的实际值；
h﹑v﹑a﹑b分别表示水泵的扬程﹑流量﹑转速和转矩的无量纲值。
通常选择无量纲转速a和无量纲流量v为坐标轴，在a-v平面上绘制等扬程h曲线和等转矩b曲线。但是这种方法曲线图形复杂，不便于计算。为了解决这个问题，瑞士学者P. Suter引人下面的关系：
得到代表水泵全特性的两条连续曲线：
在WH，WB-x坐标系中，x是v/α的函数，v/α代表水泵叶轮上某点的相对流动角，，即任意工况下的流动角与最高效率点的流动角之比。因此，同一台水泵各种工况的特性，取决于叶轮上某点的相对流动角。描述水泵各种不同运行工况的参量WH，WB，是叶轮上某特征点的无量纲角x及水泵比转数ns的函数，这种关系可以由下式表示：
而对于某一相同的相对流动角x，水泵的全特性是比转数ns的函数，即
如果建立了各种不同的流动角x相对应的WH－ns，WB－ns的相互关系，就可以确定任意转数ns的水泵全特性曲线，一般选取与事故停泵过程有关的第一，二，三三个象限。在0～3π/2范围内，取x＝π/44，共求得67个不同的x及其所对应的WH﹑WB值，对四种不同比转数ns的四个点，选取ns为自变量，WH，WB为函数，用三次多项式进行曲线拟合，建立如下形式的两个方程组：
对于某一已知的x值，分别代入四种水泵的比转数ns及所对应的WH，WB值，可由上式分别求解得出方程的系数A，B，C，D及E，F，G，H。对于67个值，可得到67组方程系数，同时建立67组如下的方程组：
这个方程组就称谓全特性曲线方程。
当需要进行事故停泵过程的水锤分析时，由水泵最高效率点的扬程，流量，转速计算其x，WH(x)，WB(x)，分别将其比转数和全特性曲线方程的系数代入方程，就可求得每一个相对流动角x的WH，WB值，在坐标系中将其用光滑曲线连接，得到所求的水泵全特性曲线。
但是，该法求的是特定ns下的WH﹑WB值，在实际水锤计算时，往往需要的不是这些特定比转数的水泵全特性曲线资料，若采用相近的特定比转数的全特性曲线，无疑给计算带来误差。文献[1]通过分析ns=90、260、530、950四条分别以WH-x、WB-x为坐标的全特性曲线，得出了水泵的全特性是随着比转速ns的变化而有规律的变化的结论。因此，可以认为，水泵全特性是水泵比转速ns的函数。鉴此，可利用BP神经网络根据已有的由实验得到的几种比转数的水泵全特性曲线，拟合出任意比转速水泵的全特性曲线。
三.BP神经网络模型的建立
BP神经网络，是目前比较成熟，使用也比较广泛的一种人工神经网络。它分为三层：输入层，隐含层和输出层。隐层中每个节点分别与输入层和输出层的每个节点连接。BP 网络的学习过程由前向计算过程和误反向传播过程组成，其前向计算过程如下：
（1）输入层结点i的输出Oi等于其输入Xi
（2）隐层节点j的输入
netj=
输出
式中为隐层节点j与 输入层结点i之间的连接权；j为隐层节点j的阀值，f为非线形Sigmoid传递函数。
（3）输出层结点l的输入Ol
netl=
输出Ol=f(netl)=
式中为输出层节点l与隐含层结点j之间的连接权；l为隐层节点l的阀值。
对给定的训练样本集（xp1，xp2，… ， xpn） (lp1，lp2，… ，lpn)，p=1，2，3，… ，P为样本号，网络运算结果与训练样本目标之间的均方误差和表示为：
W=，
Ep=
网络训练学习的过程就是通过调节网络内部连接权使网络误差最小。BP网络内部连接权的调整过程也就是误差的反向传播过程。
对于输出层与隐层之间的权值有：
（k+1）=(k)+
l=f(netl)·(tl-Ol)
对于输出层与隐层之间的权值有：
（k+1）= (k)+
j=f(netj)
式中k为迭代次数，为学习率； 0＜η＜1。
四．水泵全特性曲线BP模型
本文以四种有代表性的比转速=90、263、530、950的实测全特性曲线资料为样本，采用BP神经网络进行训练，得出网络的连接权。神经网络有两个输入：比转数ns和相对流动角x。其中每个比转数ns对应67个以x＝π/44为间隔的相对流动角x的值（x∈（0~））。所以网络的输入样本为一个2×268的二维矩阵。在构造网络的输出时，使用了两种不同的方法进行了比较：
a、构造2×3×20×2的网络结构，即采用两个输出节点：WH和WB。其中WH和WB都是与输入样本相对应的值，所以输出是一个2×268的二维矩阵；
b、构造两个2×3×20×1的网络结构，即分别按WH和WB为输出构造网络。为了提高拟合精度，按xÎ[0，π/2]，xÎ[π/2，π]，xÎ[π，3/2π]把整个67个点分为三个区间。所以输出分别都是1*268的一维矩阵。
将网络进行训练，得到所需的网络模型。其中按方案a进行，训练了2500步，误差为1e-3；按方案b进行，训练了1125步，误差为1e-4，经过计算比较，可知用b方案要比a法收敛得快。
五.利用BP神经网络拟合全特性曲线
由计算值曲线与神经网络仿真值曲线的比较可以看出，计算值与实测值相当吻合，说明本文的任意比转速水泵通用全特性曲线神经网络计算机仿真结果是可靠的。
六．结束语
综合以上的分析可知，BP神经网络能很好地模拟非线型系统，因此能很好地拟合任意比转速下的水泵全特性曲线。结果表明，只要选取了合适的网络结构，网络便能经训练得到各节点之间的权值和阈值，代入任意比转速时的输入参量，就可得到任意比转速下的水泵全特性曲线，而且精度完全满足要求，节约了大量计算人员计算时间。
参考文献：《泵站水锤及其防护》
刘竹溪 刘光临著 水利电力出版社
《人工神经网络》
闻新著
