前言：中文期刊网精心挑选了神经网络的概念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。
神经网络的概念范文1
关键词:公路工程 造价估算 模糊数学 神经网络 模糊神经网络
中图分类号:F540.34 文献标识码:A 文章编号:1672-3791(2012)04(c)-0053-01
1 公路工程造价估算概述
1.1 公路工程造价估算的重要性
公路工程造价估算作为公路工程管理的重要组成部分其重要性主要体现在如下几个方面。
第一,公路工程造价的估算是实现工程成本控制的基础。其中工程施工前期造价估算、施工前的编制预算以及施工图设计阶段的编制预算等环节作为工程造价估算的核心,同样是公路工程施工成本控制的起点,因此,实现公路工程造价的合理估算是实现工程成本控制的重要前提条件。第二,公路工程造价的估算可以为施工企业成本控制计划方案的制定提供重要的参考依据。施工企业通过工程造价的估算可以寻找到降低工程成本的有效途径,从而为工程施工过程中施工成本的控制提供正确的方向。第三,公路工程造价的估算可以帮助施工企业在进行设计招标前可以确定工程的大致造价。这样一来,施工企业在招标的过程中就可以有效避免中间商的欺诈以及保标等恶意行为的发生。
1.2 传统公路工程造价估算中存在的问题
尽管工程造价估算在公路工程建设中越来越受到人们的重视,但是由于受各方面因素的影响,在传统公路工程造价估算中还存在一系列的问题,其中我国传统公路造价估算中主要存在如下几个方面的问题:一是相关规章制度的限制,造价估算结果往往与投标报价相差悬殊;二是预算结果与概算结果差距较大,不利于工程实际造价的控制和确定;三是缺少对工程造价估算的有效监督机制,从而使最终的造价结果变的十分不确定;四是由于各参与方利益的问题,在进行工程造价估算时很难早到平衡点,以至于造价估算精度不能得到有效的保证。
2 认识模糊神经网络
2.1 模糊数学概述
(1)模糊数学的概念,我们通常说的模糊就是指一些模棱两可的、即可能又不可能、即是又不是的概念。而模糊数学就是要用数学的方法来表示那些模糊概念发生的可能性的大小,换句话讲就是明确那些模糊概念所处的状态,从而利用数学的思想来解决那些模棱两可的、不确定的实际问题。(2)模糊数学的数学描述,一般模糊数学的数学描述,多采用的是类似与集合的数学表示方法。与集合的区别就在于模糊数学在表示集合元素时需要附带一个称为隶属函数值的参数,其中该参数的值是隶属函数与元素的值进行运算的结果。
2.2 神经网络概述
(1)神经网络的概念,所谓的神经网络是一个借鉴物理和生物技术来实现的用来模仿人类大脑神经细胞结构和功能的系统,与人类的大脑结构相似,它也由大量的模拟神经元所组成的,而且这些神经元之间相互连接,并行工作,作为一个系统协同完成一系列复杂的信息处理活动。(2)神经网络的基本原理,神经网络在结构和功能上都是模拟人脑的神经系统来进行设计和实现的,它同时作为模拟生物神经元的一种计算方法,其基本原理是这样的,与生物神经元的基本原理相似,用那些具有突的网络结点来接受信息,并不断的将接受到的信息累加起来,这些信息有些是抑制神经元,有些则是激发神经元,对于那些激发神经元,一旦积累到一定的阈值后,相应的神经元便会被激活,被激活的神经元就会沿其称为轴突的部件向其它神经元传递信息,并完成信息的处理。
2.3 模糊神经网络概述
模糊神经网络是模糊数学和神经网络有效结合的应用研究成果。其中在模糊神经网络中模糊数学的应用体现在它可以根据那些假定的隶属函数以及相应的规律,用逻辑推理的方法去处理各种模糊的信息。
3 模糊神经网络在公路工程造价估算中的应用
3.1 基于模糊神经网络的公路工程造价估算方法的实现
基于模糊神经网络的公路工程造价估算方法的实现过程如下。
第一,构建已施工公路工程的造价信息库,其中包括应经施工的公路工程的各种特征因素以及工程造价等其他各方面的材料。
第二,结合拟建工程的施工需求来确定其包括评价指标等在内的各种特征因素的数据取值。
第三,按照模糊数学的思想法在已施工公路工程的造价信息库中选取若干个(至少三个)与拟建工程最相似的已施工的工程,将其作为神经网络进行学习和训练的基础数据。其中,将信息库中公路工程的各种特征因素值的隶属度作为神经网络的输入向量,信息库中公路工程的造价值作为神经网络的输出向量。
第四,将拟建公路工程的各种特征因素值的隶属度作为神经网络的输入向量,通过神经网络的学习后所得到的输出向量即为拟建公路工程的造价估算值。
第五,建立公路施工工程造价信息数据,编制神经网络学习的算法通用程序。将学习训练的基础数据输入神经网络,然后合理设计学习率,经过一定次数的迭代运算,有效提高公路工程造价估算结果的精度。
3.2 基于模糊神经网络的公路工程造价估算方法的优点
该方法的优点可以概括为如下几点。
第一,模糊神经网络中所采用的模糊数学可以对公路工程造价估算中的模糊信息进行有效的处理,通过对已竣工的公路工程和计划施工的公路工程的相似度进行定量化描述,从而使模糊的公路工程造价问题得以模型化。
第二,基于模糊神经网络的公路工程造价估算方法的估算结果科学合理,因为该方法采用的是基于数学模型的数学计算分析,所以其结果受人为因素的影响较小。
第三,模糊神经网络中所采用的神经网络模型对公路工程造价的估算具有很好的适应性,与传统的造价估算方法相比,该方法能更好的适应公路工程造价的动态变化。
第四,基于模糊神经网络的公路工程造价估算方法是借助计算机来完成的,所以还具有运算速度快和运算精度高的优点。
4 结语
由于影响公路工程造价的因素比较多,而且各因素的构成比较复杂,计算相对繁琐,所以公路工程的造价估算具有很大的模糊性。对于使用传统的工程造价估算方法而言,公路工程造价的估算将是一项非常复杂的工作。然而结合模糊数学和神经网络的理论思想,利用工程之间所存在的相似性,使用基于模糊神经网络的公路工程造价估算方法可以迅速的得出精确的工程造价估算结果。
神经网络的概念范文2
关键词：计算机网络模型；神经网络算法
计算机网络在人们日常生活越来越重要，被广泛应用到各个行业。随着社会不断发展，人们需求不断加高，使计算机得到良好改善，目前，计算机网络运用集线式服务器来实现网络互连，促进网络发展。但是也有很大弊端，过多的联想信息虽然满足人们需求，但是对技术的要求也更加苛刻，现有的技术满足不了计算机网络运行，使人们日常操作不方便。为了解决这一问题，研究人员需要全面优化计算机网络，提高运行能力和性能，运用神经网络算法，使计算机更加适合现代社会发展，储存更多信息。
1神经网络算法概论分析
1.1神经网络算法整体概论神经网络算法是按照人体大脑的思维方式进行模拟，根据逻辑思维进行推理，将信息概念化形成人们认知的符号，呈现在显示屏前。根据逻辑符号按照一定模式进行指令构造，使计算机执行。目前，神经网络被广泛使用，使直观性的思维方式分布式存储信息，建立理论模型。优化网络的神经网络主要是Hop?eld神经网络，是1982年由美国物理学家提出的，它能够模拟神经网络的记忆机理，是全连接的神经网络。Hop?eld神经网络中的每个神经元都能够信号输出，还能够将信号通过其他神经元为自己反馈，那么其也称之为反馈性神经网络。
1.2优化神经网络基本基础Hop?eld神经网络是通过能量函数分析系统，结合储存系统和二元系统的神经网络，Hop?eld神经网络能收敛到稳定的平衡状态，并以其认为样本信息，具备联想记忆能力，使某种残缺信息进行回想还原，回忆成完整信息。但是Hop?eld神经网络记忆储存量有限，而且大多数信息是不稳定的，合理优化计算机联想问题，使Hop?eld神经网络能够建设模型。
1.3神经网络算法优化步骤简述人工神经网络是模拟思维，大多是根据逻辑思维进行简化，创造指令使计算机执行。神经网络算法是按照人体思维进行建设，通过反应问题的方法来表述神经思维的解；利用有效条件和能量参数来构造网络系统，使神经网络算法更加可靠；大多数动态信息需要神经网络来根据动态方程计算，得出数据参数来进行储存。
2神经网络算法的特点与应用
2.1神经网络主要特点神经网络是根据不同组件来模拟生物体思维的功能，而神经网络算法是其中一种程序，将信息概念化，按照一定人们认知的符号来编程指令，使计算机执行，应用于不同研究和工程领域。神经网络在结构上是由处理单元组成，模拟人体大脑神经单元，虽然每个单元处理问题比较简单，但是单元进行组合可以对复杂问题进行预知和处理的能力，还可以进行计算，解决问题能力突出，能够运用在计算机上，可以提高计算机运算准确度，从而保障计算机运行能力。而且一般神经网络有较强容错性，不同单元的微小损伤并不阻碍整体网络运行，如果有部分单元受到损伤，只会制约运算速度，并不妨碍准确度，神经网络在整体性能上能够正常工作。同时，神经网络主干部分受到损伤，部分单元会进行独立计算，依然能够正常工作。
2.2神经网络信息记忆能力神经网络信息存储能力非常强，整体单元组合进行分布式存储。目前，神经网络算法是单元互相连接，形成非线性动态系统，每个单元存储信息较少，大量单元互相结合存储信息大量增加。神经网络具备学习能力，通过学习可以得到神经网络连接结构，在进行日常图像识别时，神经网络会根据输入的识别功能进行自主学习，过后在输入相同图像，神经网络会自动识别。自主学习能力给神经网络带来重要意义，能够使神经网络不断成长，对人们未来日常工作能够很好预测，满足人们的需求。
2.3神经网络的突出优点近年来，人工神经网络得到越来越多人重视，使神经网络得到足够资源进行良好创新。人工神经网络是由大量基本元件构成，对人脑功能的部分特性进行模仿和简化，人工神经网络具备复杂线性关系，与一般计算机相比，在构成原理和功能特点更加先进，人工神经网络并不是按照程序来进行层次运算，而是能够适应环境，根据人们提供的数据进行模拟和分析，完成某种运算。人工神经系统具备优良容错性，由于大量信息存储在神经单元中，进行分布式存储，当信息受到损害时，人工神经系统也可以正常运行。人工神经网络必须要有学习准则制约来能够自主学习，然后进行工作。目前，人工神经网络已经逐步具备自适应和自组织能力，在学习或训练过程中改变突触权重值，以适应周围环境的要求。通过一定学习方式和某些规则，人工神经网络可以自动发现环境特征和规律性，更贴近人脑某些特征。采用并行分布处理方法，使得快速进行大量运算成为可能。神经网络的一个很大的优点是很容易在并行计算机上实现，可以把神经的节点分配到不同的CPU上并行计算。钱艺等提出了一种神经网络并行处理器的体系结构，能以较高的并行度实现典型的前馈网络如BP网络和典型的反馈网络(如Hop?eld网络)的算法。该算法以SIMD(SingleInstructionMultipleData)为主要计算结构，结合这两种网络算法的特点设计了一维脉动阵列和全连通的互连网络，能够方便灵活地实现处理单元之间的数据共享。结合粒子群优化算法和个体网络的并行学习机制，提出了一种基于粒子群优化的并行学习神经网络集成构造方法。
3结束语
全球化的发展，信息交流不断加快，促使各个行业相互融合。神经网络算法具备简单、稳定等不同优势，神经网络研究内容相当广泛，神经网络算法能够与其它算法相互结合，在一定程度提高计算机网络模型运算能力。但是计算机网络模型中神经网络算法学习能力比较低下，梯度下降法不准确，所以需要有关人员进行深度研究，探索神经网络算法，使其更加完善，从而保证计算机整体性能的提高。
参考文献：
[1]陈竺.计算机网络连接增强优化中的神经网络算法[J].电子技术与软件工程,2014(19).
神经网络的概念范文3
关键词：CMAC神经网络BP网络叠加处理器机器人手眼系统
近年来，在智能机器人领域，关于机器人手眼系统位置控制问题的研究受到越来越多的关注。在研究中发现存在这样一个问题，即如何以较高的精度和较快的速度实现机器人手眼系统位置控制，以使机器人能快速实现对目标物体的准确定位和自动抓取。这个问题也就是机器人手眼系统中非线性视觉映射关系模型的建模问题。采用精确的数学模型是机器人视觉系统传统的建模方法。但由于这类问题是高度的非线性问题，参数多且其间的相关性强，故这种方法理论上虽然精确，但是建模困难、计算量大，实时性差且没有容错能力和自学习能力，而神经网络作为一种智能信息处理的新技术，具有极强的非线性映射能力。因此采用神经网络的建模方法与传统的方法相比具有极大的优越性。
作者已经采用BP网络建立了机器人视觉系统的映射模型，并作了初步的研究和实验。结果发现，采用神经网络建立机器人视觉映射模型是一种有效的建模方法。但采用BP网络建立模型存在网络规模大、训练时间长、容易陷入局部最小解、定位精度较低等缺点。本文采用CMAC神经网络建立了机器人视觉系统的映射模型，取得了十分令人满意的效果。
1CMAC神经网络简介
小脑模型关节控制器神经网络(CerebellarModelArticulationControllerNeuralNetwork，即CMAC神经网络)是Albus根据小脑的生物模型提出的一种人工神经网络。它学习速度快，具有局域泛化能力，能够克服BP网络容易陷入局部最小点的问题，且硬件易于实现。目前，CMAC神经网络被广泛应用于机器人控制、非线性函数映射、模式识别以及自适应控制等领域。
1.1CMAC的基本结构和原理
CMAC神经网络的模型结构原理图如图1所示。它本质上可看作是一种用于表示复杂非线性函数的查表结构。
图1中，S为n维输入矢量空间；A为联想记忆空间；Y是输出响应矢量。输入空间S中的每一矢量S(…，Si，…，Sj，…)被量化后送人存锗区A，每个输入变量Si激活存储区A中C个连续存储单元。网络输出yi为这C个对应单元中值(即权wi)的累加结果，对某一输入样本，总可通过调整权值达到期望输出值。由图1可以看出，每一输入样本对应于存储区A中的C个单元，当各样本分散存储在A中时，在S中比较靠近的那些样本就会在A中出现交叠现象，其输出值也比较相近，即这C个单元遵循"输入相邻，输出相近"的原则，这种现象被称为CMAC神经网络的局部泛化特性，C为泛化参数：C越大，对样本的映射关系影响越大，泛化能力越好。
CMAC网络的学习采用误差纠正算法，计算量少敛速度快。其权值修正公式及输出可表示如下：
式中，η为学习步长，yd为期望输出，mi为输入变量S激活存储单元的首地址。修正方法可以采用每个样本修正一次的增量学习方法，也可以采用所有样本都输入一轮后再修正的批量学习方法。
1.2多维CMAC网络的计算方法
由上述CMAC模型的算法可知，应用传统的多维CMAC概念映射算法会因输入维数的增大而使存储空间剧烈增大，从而使网络计算量增大，收敛速度变慢。这里采用一种新的多维CMAC网络的处理方法--叠加处理法。即把输入空间为n维的多维CMAC网络看作是由n个一维CMAC网络叠加而成，其输出为n个一维子网络的输出的叠加。\par
当输入空间的维数n=1时，对于每一个输入变量，都激活C个连续存储单元，即有C个对应单元的权值输出非零。它的激励情况如表l所示。
表1激活单元地址分布
sia1a2a3a4a5a6a7a8a9a10
01111000000
10111100000
20011110000
30001111000
40000111100
50000011110
60000001111
经归纳，输入变量Si激活存储单元的首地址mi的计算方法如下：
mi=Si(C-Δ)+1(4)
其中，Si为输入量的量化值；C为泛化参数；为相邻输入激活存储单元的重叠单元数大小。若输入矢量有q个量化级，则存储区A需要q(C-)+C个存储单元。．
当输入空间的维数n>1时；设输入空间为n维矢量Si=(Si1，Si2，…，Sin)，对于每个分量Sij，都可以看作图1所示结构模型的一维输入量。由式(3)可得其对应的输出为：
其中，mj为Sij所激活存储单元的首地址。整个CMAC网络可看作由n个如图1所示的子网络组成，S对应的输出yi可看作n个子网络输出yij（j=1，2，…，n）的叠加。
若每个输入分量有q个量化级，每个子网络中两相邻样本有个单元重叠，采用上述叠加方法共需存储单元n×[q(C－)+C]。而对于传统的多维概念映射算法来说，n维输入空间中可能的输入状态为qn个。对于一些实际系统，qn往往远远大于n×[q（C－）+C]。例如8维输入，量化级为200个等级，泛化参数C取为40，相邻输入激活存储单元的重叠单元数大小为35，则用叠加处理法需要11200个存储单元，而用传统的概念映射算法需要2008个存储单元。对于传统的概念映射算法所带来的要求存储空间过大的问题，最常用的方法是把A当作一个虚拟存储区，通过散射编码映射到一个小得多的物理空间单元Ap中，从而减少存储空间。但是这种地址压缩技术随机性很强，会带来冲撞问题且不可避免。然而，对多维CMAC网络采用叠加处理法，不但可以大大减少占用的存储单元数，而且还可以避免地址压缩带来的冲撞现象，大大提高网络的映度和学习速度。
图2
2实验及仿真结果
神经网络的概念范文4
关键词：BP算法；人工神经网络；股指期货
1.引言
股市投资是我们日常生活中一种十分普及的，具备高风险高收益特性的投资方式。2010年4月，沪深300股指期货经过证监会的审核，开始在我国发行。股指期货的推出革命性地改变股票市场的游戏规则，将期货与股票结合，使市场参与者在股市下跌的时候可以做空获利。
随着神经网络算法的研究深入发展，人们逐步将神经网络应用于经济领域，比如金融实际交易分析中。本文使用matlab工具箱中的BP算法，建立一个具有平滑学习函数的神经网络，做出一个可以合理响应输入的数据训练模型，以便对股指期货合约的短期价格进行检验以及预测判断。
2.BP神经网络
2.1 BP神经网络的构成
神经网络在很大程度上仿照人脑神经系统的信息处理、存贮及检索功能，因而人工神经网络的主要功能具备学习功能、记忆功能、计算功能以及各式智能处理功能。人工神经网络是人类大脑的一个抽象概念，是一个由大量的神经元互相连接并且用它的各连接的权重值的分布向量来表示特定知识概念而组成的一种较为复杂的网络。
人工神经网络的模型相当多，一般在matlab建立模型时用得最多，相对于其他工具箱工具来说应用的最为广泛的是BP（Back-propagation）神经网络。标准的BP网络由三层神经元组成，分别是输入层、隐含层、输出层，数据在不同层级间传递，都涉及到一定的权重因子。
2.2 BP网络和BP算法的特点
BP网络的输入和输出是并行的两个模拟量，网络的输入输出关系由链接各层的权重因子决定，不需固定的算法，权重因子通过学习信号来调节。学习越多，隐含层就越多，输出层的精度就越高，其中个别权重因子的损坏不会对网络输出产生大的影响。
BP算法是由两部分组成，分别是信息的正向传递和误差的反向传播。在正向传递的过程中，因为输入信息是逐层传递的，每一层神经元的状态只能影响到下一层神经元的状态，如果在输出层未得到期望的输出，则计算输出层的误差变化值，然后开始反向传播，通过网络将误差信号沿原来的连接通路反传回来，修改各层神经元之间的权重因子，再次进行信息的正向传递，反复运行直至达到期望目标。
3.BP神经网络在期货合约价格预测中的应用
3.1输入层的节点的确定
在matlab中编程的时候，首先考虑输入层的参数选取。对于股指期货合约价格的变动，从宏观方面来考虑我们可以认为它受以下因素的影响。
a.宏观经济状况：一些能反映经济运行状况的经济指标，比如GDP、PPI、CPI，恩格尔系数等；b.宏观经济政策：政府的一些货币政策和财政政策，比如降息，降准，减税，社保改革等；c.与标的物相关的各种信息：比如某些标的指数中的一些权重较大的成份股进行定增融资、派息转送等；d.国际金融市场走势：比如国际汇率，石油，黄金等价格波动走势；e.到期时间长短：股指期货合约有到期日，合约期限的不同会影响到合约价格的波动变化 。
从数据指标方面来考虑，最常接触到的就是沪深300股指期货合约每日的开盘价、收盘价、最低价、最高价、交易量、总交易金额等等数据。这6个方面的数据是精确化的历史性数据，可以直接用于算法里面的数据训练。因而，在输入层的选择上，本文取这6组数据作为节点，即输入层的节点数为6。
3.2隐含层节点，输出节点的确立
在这里，出于简便考虑，只选择一层隐含层。这里只预测第二天的股指期货的结算价，因而输出节点，可以看作是1。由此可看出建立的本BP网络的一个特点，那就是多元输入，单项输出。
3.3数据选取
由于需要将数据作为多种用途使用，有的用于学习训练，有的用于测试输入，因而样本容量必须足够大。沪深300股指期货，从2010年4月推出起，已经运行了接近5年时间，有上千天的交易数据。本文拟选取一个整年，用这一年的交易日数据，来建立模型。
这里通过互联网，从新浪财经网站上查询到2014年3月1日至2015年2月28日的沪深300股指期货合约相关交易数据。这一年中，有243个有效交易日。其中，选取前233组数据，进行神经网络的训练，选取后10组，作为测试输入和对照。
4.利用MATLAB建立预测模型
将收盘价作为Y变量，因为这是模型预测和对照的数据组。将其他五个参数的数据作为X变量。X变量是一个243*5的矩阵，Y变量是一个243*1的矩阵。由于X变量中的前三列与后两列的数据相差巨大，可以在系统设置中，将数据改成长数据形式。现在用MATLAB建立BP神经网络模型，进行运算和对比检测。首先，对X和Y进行赋值，然后运行以下命令。
>> temp = randperm（size（x，1））；
K_train = x（temp（1：233），：）’；
L_train = y（temp（1：233），：）’；
K_test = x（temp（234：end），：）’；
L_test = y（temp（234：end），：）’；
N = size（K_test，2）；
net = newff（K_train，L_train，9）；
net.trainParam.epochs = 1000；
net.trainParam.goal = 1e-3；
net.trainParam.lr = 0.01；
net = train（net，K_train，L_train）；
L_sim_bp = sim（net，K_test）；
figure
plot（1：N，K_test，’b：*’，1：N，L_sim_bp，’r-o’）
>> xlabel（’检验样本’）
ylabel（’沪深300股指收盘价’）
经过运行之后，MATLAB即显示出BP预测值与真实值（以*为标记）的对比图。可看出BP神经网络所预测的收盘价与真实收盘价的吻合度较高，两者的变化曲线基本重合。
5.结论
通过matlab编程，结合实际数据，可以发现训练出来的神经网络在实际预测中达到了所预想的精度要求，在上述输入测试值中，代码运行结果比较令人满意。
我们将技术分析引入到期货合约结算价格的预测中去，用文中所述的训练编制的神经网络进行预测，对于短期合约价格的预测在一般情况下还是具有不错的精度和合理的误差的。
可以认为网络的预测有效程度主要取决于一下两方面。
（1）针对股指期货交易市场，在建立模型时，考虑到越多的相关影响因素，网络的实际运用可行性会更强。（2）股指期货交易市场，其完善程度和网络预测精度有着一定的正想关性，市场越完备，其效果越好。在实际情况中，如果市场不够成熟，可能会造成预测的实用性不够显著。
神经网络的概念范文5
（江苏建筑职业技术学院，徐州 221116）
摘要： 针对建筑工程特点，提出了基于RBF神经网络的建筑工程投标报价方法，建立建筑工程投标报价标高率数学模型。应用MATLAB计算软件，以实例验证了该模型的正确性及实用性。
关键词 ： RBF神经网络；标高率；报价
中图分类号：TU723.3 文献标识码：A 文章编号：1006-4311（2015）26-0049-03
作者简介：陈红杰（1986-），女，河南睢县人，助教，硕士，研究方向为工程造价、市政工程；李高锋（1987-），男，河南杞县人，助教，硕士，研究方向为项目管理、工程造价。
0 引言
神经网络在建设工程领域应用越来越广泛，BP神经网络会出现局部最小化问题和“过拟合”现象，径向基函数（radial basis function，RBF）神经网络的逼近能力、分类能力、学习速度等方面都优于BP网络。所以，文章将径向基函数神经网络用于标高率决策模型的建立，较BP神经网络有一定的进步与提升。
1 径向基函数神经网络原理
1.1 径向基函数神经网络基本结构
径向基函数神经网络是径向基函数（radial basis function，RBF）与人工神经网络相结合形成的一种局部逼近网络，可以任意精度逼近任意连续函数。
RBF神经网络一般为三层结构，如图1，包含输入层、隐含层和输出层，每层都有其特定作用。
1.2 径向基函数神经网络训练过程
具体训练过程如图2。
1.3 径向基函数神经网络的实现
径向基函数神经网络一般采用MATLAB软件中的神经网络工具箱对其进行模拟。MATLAB软件的神经网络工具箱为RBF神经网络提供了很多工具箱函数，通过合理调用函数，能设计出符合要求的RBF神经网络。
RBF神经网络一般采用newrb函数作为设计函数，在创建过程中newrb函数可以特定方式完成权值和阈值的选取和修正。文章采用newrb函数创建径向基函数神经网络，训练过程如下：
①输入样本数据（不包括测试数据），建立newrb神经网络；
②找出均方差最大的一个样本数据；
③依据均方差最大的样本，网络自动增加一个径向基神经元，其权值等于该样本输入向量的转置；阈值b=[-log（0.5）]1/2/spread，spread为径向基函数的扩展系数，默认值为1.0；
④以输入样本数据和输入层及隐含层之间的权值的点积为径向基神经元输出，此点积作为线性网络层神经元的输入，重新设计线性网络层，使均方差最小；
⑤当均方误差未达到规定的误差性能指标，且神经元数目未达到规定的上限值时，重复以上步骤，直到满足上述任一条件为止。
newrb函数设计径向基函数神经网络的格式：
net1=newrb
[net1,tr]=newrb(P,T,goal,spread,MN,DF)
其中：
net1：更新了权值和阈值的神经网络；
tr：训练记录；
P：训练样本输入；
T：目标输出；
goal：径向基网络输出的总平均误差方差；
MN：最大神经数目；
DF：增加的神经元数目。
对神经网络仿真采用sim函数，格式如下：
Y=sim(net1,P_test)
其中：
P_test为网络的测试样本。
2 标高率模型的建立
标高金概念国外应用较早，包括报价中除直接成本以外的开办费、管理费、利润和不可预见费等。考虑到我国的实际情况，文章将标高金定义为投标企业的盈利部分，包括利润和不可预见费（风险费用）。
标高率决策模型仅用于确定标高金，工程成本部分采用其他方法确定。标高金的数额一般与工程规模相关，而采用标高率可以避免这一影响。基于此，文章应用径向基函数神经网络建立标高率预测模型，报价中的工程成本部分可以利用现有的工程定额系统和工程计价软件如广联达和神机妙算等来进行快速、准确的估算。
2.1 标高率影响因素分析
考虑到我国建设市场的特点及现状，文章从以下五个方面考虑标高率的影响因素，包括：项目因素，项目所在地社会因素，业主因素，承包商自身因素，竞争对手因素。项目因素包括工程复杂性、工程规模、合同条件、工期要求和质量要求五项因素；社会因素包括材料设备人员可得性、基础设施、政策环境和市场前景四项因素；业主因素包括管理能力、业主信誉、资金力量、招标规范性四项因素；自身因素包括类似工程经验、施工能力、任务饱满度三项因素；对手因素包括竞争对手数量、相对优势两项因素。
2.2 模型指标体系的建立
界定上述18项影响因素取值范围，如表1所示。以这18项影响因素作为输入变量，以标高率（%）作为唯一输出变量Y，构成模型的变量体系。
2.3 RBF神经网络构建
文章设计的径向基函数神经网络模型共有三层：输入层、隐含层和输出层。其中，输入层有18个神经元，与输入变量（X1，X2，…，X18）相对应。隐含层神经元个数文章设定上限为30个。输出层有唯一神经元，即标高率。通过该模型建立一个由（X1，X2，…X18）到Y的映射结构。
3 实例分析
文章选取某一建筑工程承包公司的26个以往中标项目的报价实例作为原始数据用于模型训练，其中X1—X18代表影响因素的取值，Y代表实际标高率。样本数据X2（建筑面积）和X17（竞争对手数量）进行归一化处理，计算公式为Xl=（Xl-Xmin）/（Xmax-Xmin），其变量取值如表2所示。
利用MATLAB7.8软件实现编程，建立投标报价RBF神经网络模型，前22个项目数据作为训练集，后四个项目作为测试集，利用newrb函数对网络进行创建和训练，即：
[net1,tr]=newrb(P,T,goal,spread,MN,DF)
令：
Goal=0.001
MN=30
DF=1
spread=0.991
所建立的径向基函数模型结构如表3所示。
经过模型训练，得出网络的训练误差曲线为图3。由图可知，经过20次训练后，模型输出结果的误差达到10-3，具有很高的精确度。测试集网络测试结果与实际评估结果比较如表4，平均误差为0.0153，满足工程实际需要。可见，径向基函数神经网络在标高率报价预测方面，具有很好的应用价值。
4 结语
文章分析了对投标报价决策有重要影响的众多因素，参考国内外的研究成果，确定了影响标高率的18个主要因素，与实际标高率一起组成标高率预测模型的指标体系。选取投标报价实例数据作为样本对模型进行训练和检验，通过MATLAB软件neural network toolbox，建立了用于投标报价标高率预测的径向基函数神经网络模型，文章通过实证研究，取得了良好的效果。
参考文献：
[1]任宏．神经网络在工程造价和主要工程量快速估算中的应用研究[J]．土木工程学报，2005（8）：135-138.
[2]乔姗姗．基于遗传算法优化的BP神经网络在建筑工程投标报价中应用的研究[D]．扬州：扬州大学，2012.
神经网络的概念范文6
关键词：最经济控制；BP神经网络；粒子优化
1 引言
随着科技的发展，我们渐渐地走向了节约型社会，对我们周遭的事物开始更深一步的探索。最经济控制[1]是由涂序彦教授基于我国国情而提出来的，旨在以最少的资源获得最大的经济效益。
BP（Back Propagation）网络[2]是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。
粒子群优化[3]是一种新兴的基于群体智能的启发式全局搜索算法，粒子群优化算法通过粒子间的竞争和协作以实现在复杂搜索空间中寻找全局最优点。它具有易理解、易实现、全局搜索能力强等特点，倍受科学与工程领域的广泛关注，已经成为发展最快的智能优化算法之一。
为了提高最经济控制的高效性和准确性，本文提出将粒子优化 （Particle Swarm Optimization，PSO）算法与 BP算法相合的混合算法用于最经济控制。该算法通过群体中粒子间的合作与竞争产生的群体能指导优化搜索，能有效克服局部极小问题。
2 最经济控制
吴斌[4]在最经济控制、低成本自动化和智能控制已有成果的基础上给出了最经济智能控制系统（The Most Economical Intelligent Control--MEIC）的概念，并将最经济控制的代价函数以经济领域的函数进行表示。
对于大多数的企业和生产过程，其固定成本一般是不变的，但是更改其运行的状态却可以带来巨大的经济收益，本文则主要研究是神经网络的最经济控制系统，因此可以转换为对神经网络参数和结构的寻优问题。
3 神经网络最经济控制研究
BP网络是基于误差方向传播算法（BP算法），由一个输入层、一个输出层和一个或多个隐含层构成，各层次的神经元之间单向全互联连接，是由非线性变换单元组成的前馈型网络。
BP神经网络的最经济控制，主要是对神经网络进行结构参数的优化，使其达到性能最优的目的。本文通过用基本的粒子群优化方法对BP网络的结构和参数进行优化，其程序框图如下图所示。
4 实例分析对比
为了检测优化后的神经网络具有很好的最经济性能，也即经过优化后的网络参数是最优的，其网络代价函数却是较小的。本文将粒子算法优化后的BP网络（PSO-BP网络）和普通的BP网络分别实现最经济控制并将结果进行对比，首先根据网络代价的概念分别建立两个网络的经济代价函数，然后对所选用的样本对象进行最经济控制的建模，最后将两者产生的网络代价函数的结果进行对比。
对于同样的训练样本，先利用传统 BP神经网络进行训练，再用PSO-BP网络方法进行训练对比，部分误差比较见表1。
从上表我们可以看出，PSO-BP网络方法加快了收敛的速度，有效降低了训练误差，避免了陷入局部极小值，一定程度上提高算法性能。显然，改进后的BP算法经济性能优于BP网络，且具有较好的泛化能力，说明该算法可以有效地实现最经济控制。
[参考文献]
[1]涂序彦.可控性、可观性的实用价值与最经济结构综合[J].全国控制理论及其应用学术交流会论文集，北京：科学出版社，1981，56-61.
[2]张代远.神经网络新理论与方法[M].北京：清华大学出版社，2006，11.
