前言：中文期刊网精心挑选了神经网络的优缺点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。
神经网络的优缺点范文1
关键词：BP神经网络 牛顿法 盲均衡技术
中图分类号：U491.113 文献标识码：A 文章编号：1007-9416（2016）06-0025-01
Abstract：With the rapid development of computer technology，we have higher. Requirements about the performance and speed of the communication network .Because of its structure is extremely complex， unpredictability and randomness of user access cell switching， the current problem is that broadband technology to meet the needs of users and to ensure the quality of communication service ，at the same time how to make full use of network resources. This paper uses gradient and Newton Combination with BP neural network algorithm， the use of their respective advantages and disadvantages of complementary features， What is the use in blind equalization algorithm to solve the mutual interference between channels.
Key Words：Neural network；Newton method； blind equalization
目前，基于BP神经网络的盲均衡算法比其他的算法具有更低的误码率和信噪比。由于BP神经网络的训练时间长且有不确定性，因此不适宜单独应用于盲均衡技术中。牛顿法通过一种迭代求非线性方程的最优解得来，它在学习后期收敛快且有二阶收敛速度的优势，但牛顿法在网络学习初始阶段对学习初值较为敏感，也不适合单独应用，因此本文提出一种基于BP神经网络和牛顿法相结合的算法，利用BP神经网络算法在网络学习初级阶段函数调整速度快，学习后期，牛顿法的迭代算法复杂度较低，收敛较快，充分发挥两种算法各自的优点，从而解决信道的非理想特性引起的码间干扰，从而提高通信的质量。
前馈BP神经网络由多层非线性处理单元组成，相邻层之间通过突触权阵连接起来。由多个选定的发送信号作为一组数据构成原始样本集.经过剔除重复或冲突的样本等加工处理，得到最终样本集。通过前馈BP神经网络学习获得网络的学习模型.从而建立输入到期望结果输出的对应关系，人为的对权系数进行学习，使输出的结果更大程度的趋近预期均衡值，从而很大成都提高信道的使用效率。
前馈BP神经网络中前一层的输出作为下一层的输入，通过对权系数进行学习，从而调整输出结果。设发送信号X（x），将X（x）作为网络的输入，经过信道t，由人给定相应场合下想要输出的均衡信号为O（y），均衡器的长度为l，隐层的神经元的个数为n个，调节权值为d（x）；
因为后期BP神经网络的收敛速度会比较慢，通过牛顿法进行相应的优化，可以提高算法的计算效率，当下对的的任务是将BP神经网络算法作为优化目标函数f，求函数f的极大极小问题，可以转化为求解函数f的导数f’=0的问题，这样求可以把优化问题看成方程求解问题（f’=0）。即剩下的算法优化部分即是对牛顿法进行求解。这次为了求解f’=0的根，把f（m）的泰勒展开，展开到2阶形式：这个式子是成立的，当且仅当 Δx 无线趋近于0。此时上式等价与：求解：，得出相应迭代公式；牛顿法利用其曲线本身的信息，比梯度下降法更容易收敛（迭代更少次数），从而简化算法的复杂度。
结论：盲均衡技术在通信发展史上具有举足轻重的地位，它解决了自适应均衡技术对通信效率的影响，利用所接收到的信号序列对信道进行均衡。随着通信性能的要求的不断提高，盲均衡技术越来越受到学者们的关注。而BP神经网络算法的应用是近年研究的重要技术之一，它具有鲁棒性、学习性、非线性逼近等特性，为盲均衡技术的研究提供了崭新的思路，但由于其本身还未完全被人们所掌握，目前仍存在训练复杂度较高，时间较长等缺点，BP神经网络本身仍有一系列问题等待解决。运用其他算法弥补该算法的部分缺点，将会大大改进算法的性能。BP神经网络前途广阔，随着问题的各个击破，他将渗透到生活中的每个领域，为生活的方方面面带来便利。
参考文献
[1]焦李成.神经网络系统理论[M].西安：西安电子科技大学出版社，1990.
[2]郭业才.自适应盲均衡技术[M].合肥工业大学出版社，2007：1.
[3]马晓宇，胡建伟.盲均衡技术的研究及发展[J].中国新通信，2009年19期.
神经网络的优缺点范文2
【关键词】房地产；上市公司；绩效评价
随着中国房地产行业的快速发展，建设规模过大、房价增长率过高等问题对我国房地产行业的健康稳定持续发展造成破坏。为有效地解决建设规模过大、房价增长率过高等问题，在国家、各省市的房地产政策宏观调控下，房地产企业自身要不断地完善企业自身的管理机制，提高企业的运营能力，尝试寻找解决该类问题的新方法，使房地产企业在激烈的市场竞争中健康稳定的发展下去。中国社科院就《房地产蓝皮书》在2017年5月9日举行会。蓝皮书执行主编王业强表示，在中央经济工作会议坚持“房子是用来住，不是用来炒的”定位的背景下，抑制房地产投资，防止金融风险，同时也要保持房地产平稳发展是2017年中国政府部门对房地产政策调控的基调。而房地产上市企业作为我国房地产行业的重要组成部分，其经营管理绩效的提高对企业自身市场竞争和房地产行业整体竞争贡献了积极的作用。因此，针对于我国房地产上市公司经营管理现状，建立一套完整的适合我国房地产行情的经营绩效评价系统有着重大的意义。不仅有利于房地产行业经济的快速稳定发展，还可以对房地产行业的经营绩效进行有效的评估和定位，有利于企业董事及投资者做出正确的投资选择，同时也有利于我国政府部门进行宏观调控，进行监管，有效规避行业风险。
一、基于模糊综合评价法的的房地产上市公司绩效综合评价
（一）模糊综合评价模型建立步骤
模糊综合评价方法是指在综合绩效评价中，评价的对象通常受许多不确定性因素的影响而具有模糊性，将经典综合评价方法与模糊理论相结合而得到的评价方法。其通常被用来当作综合决策的数学工具，模糊综合评价过程是根据已知的评价标准和实测值，然后经过模糊变换后做出的评价。在对我国房地产上市公司绩效评价模型建立中，模糊综合评价通常包括确定评价对象的因素集、确定评语等级集、进行单因素评价，建立模糊关系矩阵、确定评价因素的模糊权向量、选择合适的模糊算子以及模糊综合评判分析等步骤。
（二）模糊综合评价方法优缺点
应用模糊综合评价方法可以根据内容的复杂程度以及实际分析对精度高低的要求，适当增加子准则层，进行评价将使结果尽量客观从而取得更好的实际效果。在模糊综合评价中，权值的分配主要靠人的主观判断，影响因素过多时就很难准确分配权重，不易获得专家评价结果。
二、基于BP神经网络的房地产上市公司绩效综合评价
（一）BP神经网络评价模型构建与成型
模型构建与成型的步骤主要包括BP神经网络结构分析、指标选取与无量纲化处理（主要包括：评价指标选取以及指标无量纲化处理）、模型训练与成型。基于BP神经网络的房地产上市公司绩效综合评价通过学习以及训练的自组织功能拟合各个指标的最佳权数，从而实现评价的功能。BP网络是多层网络，层与层之间多采用全互连方式，同一层单元之间不存在相互连接，BP网络分为输入层、隐含层和输出层，如图1所示。
（二）BP神经网络评价方法优缺点
BP神经网络具有自学习性、自适应性以及较强的容错性等优点,只需要将处理过的数据输入到神经网络中，通过网络计算产生结果,有效地减少了指标权重确定过程中人为因素对结果的影响,进而提高了绩效评价的有效性和可靠性。因网络结构不同的评价结果也会产生极大的差异，但是网络结构的构建大多依赖于评价者的主观经验，随意性较大。
三、基于平衡计分卡（BSC）的房地产上市公司绩效综合评价
（一）平衡计分卡模型考核指标构建步骤
从财务维度、内部业务流程维度、客户维度、学习与成长维度四大内容为主的指标系统关注房地产上市公司发展绩效。平衡计分卡模型考核指标构建步骤主要分为以下几个步骤：确立绩效评价的目标，建立平衡计分卡四个维度的目标。在需要完成的目标中寻找出可以衡量这些目标的指标。选择能够保证实现事后指标的重要活动以及流程，通过经验并结合企业实际情况来为重要节点的问题确定监视性的指标，作出恰当的调整，实现整个流程中对焦点目标的管控。
（二）平衡计分卡评价方法优缺点
平衡计分卡的评价系统比较全面，通过财务维度、内部业务流程维度、客户维度、学习与成长维度四个指标的综合评价，兼顾了财务指标和非财务指标，从而能够把握短期与长期目标，实现房地产上市公司的长远发展。现有的平衡计分卡主要关注绩效指标的选取，没有解决各个指标具体所占权重，解决如何进行平衡的问题。此外，平衡计分卡未涉及企业组织资源的分配问题。
四、选择房地产上市公司绩效综合评价方法建议
神经网络的优缺点范文3
关键词：模糊控制；滑模控制；复杂系统
中图分类号：G632 文献标识码：B 文章编号：1002-7661（2014）14-094-01
随着控制理论实践的不断深入，被控对象的结构及数学模型也越来越复杂，呈现出时变性、多输入多输出、高度复杂性、非线性、不确定性等特点。面对这些复杂特征，传统的基于精确数学模型的控制理论的局限性日趋明显，于是出现了诸如变结构控制、自适应控制、模糊控制、神经网络控制以及智能控制等新的控制手段。本文就模糊滑模控制的产生及发展现状做简单介绍。
滑模控制因其独特的优势在伺服机构、飞行器控制等领域有着广阔的发展前景。但是，实际系统由于切换装置不可避免地存在惯性，变结构控制在不同的控制逻辑中来回切换，会导致实际滑模运动不是准确地发生在切换面上，容易引起系统的剧烈抖动。这一缺点使其在实际应用中受到了很大的限制。抖动不仅影响控制的精确性，增加能量消耗，而且系统中的高频未建模动态很容易被激发起来，破坏系统性能，甚至使系统产生振荡或失稳，损坏控制器部件。而将模糊控制与滑模变结构控制结合应用来克服变结构控制所带来的抖动便成为很多专家学者的研究重点。
一、常规模糊滑模控制
模糊控制和滑模变结构控制各有优缺点，有某种相似之处，又有互补之处。90年代以后专家学者把二者结合，构成模糊滑模控制，实现两者之间的取长补短。同时还可在一定程度上削弱或克服滑模变结构控制的抖动现象。目前，模糊控制与滑模变结构控制的结合运用主要有以下三种方式[1]。
1、通过模糊控制规则自适应地调节符号函数项的值，可以在保证趋近速度和减小抖动的前提下较好地选择和 。
2、通过模糊控制规则直接确定滑模控制量，即直接把切换函数及其微分 作为输入量，通过模糊推理获得滑模控制的控制量。
3、变结构控制、模糊控制的复合控制策略。在大偏差时采用滑模变结构控制，在小偏差时采用模糊控制的运行方式。
二、自适应模糊滑模控制
普通的模糊滑模控制的设计仍然是基于经验的。由于模糊规则的选取有很大的任意性，在很多情况下有效经验的获取并不是容易的事。为了达到一定精度，选择的模糊规则可能非常复杂[2,3]，且系统参数在控制过程中也没有自适应和自学习能力。为使系统在不确定性以及对象出现参数和结构变化的情况下保证不变性，自适应模糊滑模控制应运而生，并成为非线性系统自适应控制方法研究的主流[4]。
三、基于模糊神经网络的滑模控制
人工神经网络同样具有自学习和自适应的能力。它和模糊系统的结合有助于扩大二者在滑模控制领域内的应用。模糊神经网络（Fuzzy Neural Networks, FNN）结合了模糊控制与神经网络控制两者的优势，不仅具有神经网络自学习和快速处理的能力，而且具有模糊控制系统能够充分利用先验知识、以较少的规则数来表达知识的优势，避免了神经网络不能很好地利用已有经验知识，往往将初始权值取为零或随机数使网络训练时间变长或者陷入非要求的局部极值的缺点，也避免了模糊控制由于缺乏自学习和自适应能力，给控制器参数的学习和调整带来的困难。模糊神经网络与滑模控制的结合应用可以通过以下几种方式：一、用T-S模糊神经网络等价系统不确定的动态特性 和 ，再按一般滑模控制的方法形成控制律。控制过程中FNN 的参数根据实际系统的输入输出数据在线自学习。或者以 为输入的标准模糊神经网络实时估计系统动态不确定性的上界，以此与状态反馈相结合构造滑模控制。也可用结构自组织的广义参数学习的模糊径向基函数网络完成系统动态不确定性的等价，在此基础上构造系统的滑模控制律。这几种方式均是通过模糊神经网络来等效系统不确定项的，也可直接采用模糊神经网络构造滑模控制率，如：L in等[8]直接用以 为输入的标准模糊神经网络构造滑模控制律，基于 最小化用梯度下降方法完成FNN的参数自适应；为了保证滑模产生条件存在，还构造了带符号函数的监督控制律。当与系统状态相关的李亚普洛夫函数值进入零的一个邻域时，监督律作用撤消。于是从总体上保证了滑模产生条件的满足和稳态时的无抖振。
四、模糊滑模控制与其它策略的结合
除了以上所描述的问题之外，关于模糊滑模控制和其它策略相结合还有其他诸多方面的内容，它们体现了控制理论的交叉融合。遗传算法作为一种优化算法，在模糊滑模控制中亦得到较多应用。可以采用遗传算法对控制器增益参数、模糊规则、隶属函数进行优化，有效减小或消除抖振。当然还有其他算法与模糊滑模控制的结合应用，在此就不在累述。
参考文献：
[1] 王翠红 自适应模糊滑模控制的设计与分析[D] 西南交通大学 2002
[2] Yoo B, Ham W. Adaptive fuzzy sliding mode control of nonlinear system [J]. IEEE Trans. Fuzzy Syst., 1998, 6(2): 315-321
[3] Yu X, Man Z, Wu B. Design of fuzzy sliding-mode control systems [J], Fuzzy Sets and Systems, 1998, 95:295-306
[4] Kaynak O, Erbatur K, Ertugrul M. The fusion of computationally intelligent methodologies and sliding mode control-a survey [J]. IEEE Trans. Industrial Electronics, 2001, 48(1): 4-17
[5] Lu Y S, Chen J S. A self-organizing fuzzy sliding mode controller design for a class of nonlinear servo system [J]. IEEE Trans. on Industrial Electronic, 1994, 41(5): 492-502
[6] Lin S C, Chen Y Y. Design of adaptive fuzzy sliding mode for nonlinear system control[C]. Proc.of IEEE Int. Conf. on Fuzzy Systems, 1994, (1):35-39
神经网络的优缺点范文4
关键词：智能优化算法；启发式教学；Matlab语言
中图分类号：G642 文献标识码：B
1 引言
从教材和教学大纲出发，“智能优化算法及其应用”这门课程主要针对模拟退火算法、遗传算法、禁忌搜索、神经网络优化算法、混合算法等几个方面进行了讲解。由于该课程涉及的知识面很广，内容比较抽象，所以学生往往难以理解，特别对各种优化算法的实际应用不能灵活掌握。这直接导致了学生学习兴趣的减弱和对课程学习的厌倦情绪。为了克服上述问题，更好地实现教学目标，本文作者从教学方法、教学内容等方面出发对智能优化算法及其应用课程的教学进行了探索，改善了课堂教学和课外实践的效果。
2 启发式教学
所谓启发式教学法，就是以学生的经验为基础，由教师提出问题，使他们思考去解决、分析、批评、判断和归纳，因而可以触类旁通、举一反三，使经验逐渐扩张，思路更为灵活。通过启发式教学法，可以培养学生学习的内在动机，引导学生思考和逐步掌握各个知识点，使他们真正对所学的课程感兴趣。为了更好地运用启发式教学，教师应该首先向同学们阐述该课程的发展历史和未来的发展前景，介绍该课程的理论和实践背景，让学生对课程的整体情况有所了解，并产生好奇心。
在启发式教学过程中，教师可根据教学重点和难点，首先采取提问的方式引发学生进行思考，使他们的思维高度集中。在学生思考过程中，可根据他们的思考结果给与适当的提示与鼓励，使他们的思考更加深入。接着可采用问答讨论的方式，对学生的答案加以分析，使得学生的思维达到升华。最后，将学生讨论的结果与课本的结果进行对比，找出异同点。通过上述启发式的教学过程，学生可以更加深刻理解课程中的难点和重点。
如模拟退火算法是一种随机优化方法，学生在学习课程之前已对经典的基于梯度的优化方法有一定了解。在介绍模拟退火算法之前，可先向学生提问：经典的优化方法的核心思想是什么。接着可再提出问题：如果在经典的优化方法中加入随机因素会出现什么结果。教师可根据学生的回答给予适当的提示，最后再给出模拟退火算法的主要步骤和主体思想。
此外，在介绍混合算法的时候，也可以采用启发式的教学法，如可提问学生如果把模拟退火算法和神经网络混合起来进行问题求解应该怎么做。3示例教学
在教学过程中，如果只是纯粹地讲解理论知识，学生可能觉得索然无味，从而直接导致学习兴趣的减弱。而通过选择一些经典的示例进行分析、讲解与讨论，学生可以在学习过程中做到理论与实际相结合，并增加对所学知识实用性的了解，从而提高学习的积极性和主动性。
如在讲解遗传算法的主要步骤，即编码、解码、交叉、变异、选择时，通过选择最短路径问题的示例来解释其运行机理。最短路径问题是一类离散优化问题，其主要任务是找到一条从起始点到终点的最短路径。在运用示例讲解时，首先给学生介绍如何对每一条路径进行编码，然后介绍如何对不同的路径进行交叉、变异和选择等操作，而且说明在上述过程中如果出现不合法路径应该如何进行处理，最后讲解如何选择较好的路径来进行下一次进化等等。通过上述讲解，学生对遗传算法的主要步骤具有了十分深刻的认识。
此外，在讲解神经网络时，可首先通过理论讲解使学生对神经网络的原理有了一定的了解，接着通过选择一种经典的神经网络示例，即BP神经网络，对其原理及具体实现过程进行演示。在教学过程中，作者通过选用Matlab语言中的神经网络工具箱，对BP神经网络进行了讲解，包括如何构造输入层、隐含层和输出层，如何执行反向传播等等。最后再通过选用一个BP神经网络应用于实际工程中的示例进行讲解。这样，学生对神经网络的原理和应用便有了具体而生动的认识，从而也调动了学生的学习兴趣。
4 多媒体课件教学
运用多媒体课件上课有许多“黑板+粉笔”不可企及的效果。运用多媒体课件上课，可以生动且有效地对教学重点与难点进行讲解，同时通过多媒体课件中的动画演示、录像演示等可以使学生对学习要点有更直观和深刻的了解，激发学生的好奇心。
如在解释遗传算法对某一优化问题的进化过程时，可将初始群体中个体的分布，运行到中间代数时群体中个体分布，和进化结束时群体中个体的分布情况通过多媒体演示出来。这样，学生便对遗传算法的进化迭代寻优思想有了很直观的认识，而且学生可以很深刻的理解遗传算法搜索到全局最优解的工作原理和过程。此外，还可通过录像演示，将整个进化过程中每一代群体中个体的分布情况全部演示出来，这样遗传算法的整体执行过程便在学生眼前活灵活现地展示出来。
在介绍各种智能优化算法之间的优缺点、异同点时，也可通过多媒体课件中的各种图形工具将优缺点和异同点进行归纳和总结，更清晰地展现在学生面前，同时也使得教师在讲解时便于归纳叙述。
5 课程设计
课程设计是学生综合运用课程所学知识的一个重要环节。特别对于智能优化算法及其应用这门课程，如何引导学生将优化算法应用到实际问题显得尤为重要，这不仅锻炼了他们的实际动手能力，也锻炼了他们分析问题和解决问题的能力，可全面开发学生的创造性思维和创新能力，使课程设计真正成为学生综合运用学科知识和进行能力培养的有效途径。
在课程设计中，我们为学生设计了遗传算法求解TSP问题、差异进化算法求解约束优化问题、粒子群优化算法求解多目标优化问题、BP网络解决XOR分类问题等几个题目，将学生分为若干组，要求学生采用Matlab、c语言等软件实现上述问题的编程求解，并规定课程设计的时间为两周。通过课程设计，学生对智能优化算法及其应用这门课程的理论和实践得到了升华，并且团队合作能力也得到了提高。
神经网络的优缺点范文5
一、模糊化遗传BPN演算方法的提出
尽管通过已有的研究以及一些简单的模型可以初步判定企业财务业绩是否出现衰退迹象，但由于财务报告舞弊的甄别有着很多挑战性的因素，如舞弊样本量极小、舞弊手法繁多、识别的特征指标不易设定、甄别技术的选择及智能设计较难掌握等，因此甄别虚假财务报告一直是困扰会计界的重大难题。
(一)模糊化遗传BPN演算方法的必要性 随着信息技术的发展以及人工智能技术的兴起和广泛应用，许多领域的难题迎刃而解。数据挖掘技术(即利用数据库技术来存储管理数据，利用机器学习的方法来分析数据，从而挖掘出大量的隐藏在数据背后的知识)已深受人们关注。会计本身就可以定义为一个信息系统，将数据挖掘技术应用于财务报告舞弊的甄别必将是一个趋势，并且已有学者对该种方法的可行性进行初步探讨。随着数据挖掘技术的改进及发展，发掘实用高效的数据挖掘算法，构建舞弊识别系统，并真正实现舞弊识别才是亟待解决的问题。因此，本文通过比较各种数据挖掘算法的优缺点，综合考虑提出用于会计舞弊识别的模糊化遗传BPN系统，并对该系统所涵盖的具体算法、该系统的技术优势以及甄别系统的构建进行逐步研究，力求设计出更加行之有效的财务报告舞弊甄别技术。
(二)模糊化遗传BPN演算方法的提出 数据挖掘技术分为两大类：探索型数据挖掘和预测型数据挖掘。探索型数据挖掘包括一系列在预先未知任何现有模式的情况下，在数据内查找模型的技术。探索型数据挖掘包括分群、关联分析、频度分析技术。预测型挖掘包括一系列在数据中查找特定变量(称为“目标变量”)与其他变量之间关系的技术。预测型挖掘常用的有分类和聚类、数值预测技术。数据挖掘使用的算法很多，主要包括统计分析、机器学习、决策树、粗糙集、人工神经网络和遗传算法等。
舞弊性财务报告的识别过程本身可以认为是一个分类的过程，即分为舞弊及非舞弊的过程。对数据挖掘技术的各种分类算法的优劣具体比较(见表1)。
基于此，综合各种分类算法的优势，本文提出模糊化遗传BPN财务报告舞弊识别系统。
二、模糊化遗传BPN的演算方法
模糊化遗传BPN的演算方法包括模糊逻辑算法、遗传算法以及BP神经网络算法等。
(一)模糊逻辑算法模糊逻辑算法简单地说是人们对许多决策思维的自然语言描述，并且转换成利用数学模型算法替代的一种应用科学技术。该模型包括三个主要处理程序：模糊化(fuzzifi―cation)、推论(inference)及反模糊化(defuzzification)。
(1)模糊化(fuzzification)：将原始的数据，利用隶属度函数转换成模糊输入，如在观察技术指标时也可以自然语言表示“偏高”、“适中”或“偏低”等。
(2)模糊推论(rule evaluation,fuzzy inference)：根据模糊输入，依照口语化的规则(1inguistic rules)，产生模糊结果，如透过IF..THEN..的形式将推论加以定式化。
规则：if x is A then y is B
事实：x is A’
结论：y is b’
(3)反模糊化(defuzzification)：将模糊输出转换成可表达的数据。
(二)遗传算法 遗传算法是模拟生物进化过程的算法，由三个算子组成，即选择、较差、突变。遗传算法具有十分顽强的鲁棒形，在解决大空间、多峰值、非线性、全局优化等复杂度高的问题时具有独特的优势。其可以单独用于数据库中关联规则的挖掘，还可以和其他数据挖掘技术相结合。如用于优化神经网络结构以得到结构简单、性能优良的神经网络结构；用于特征子集选择；用于决策分类器和模糊规则的获取等。遗传算法在数据挖掘技术中占有重要的地位，这是由其本身的特点和优点所决定的。(1)遗传算法的处理对象不是参数本身，而是对参数集进行了编码的个体，可以直接对集合、队列、矩阵、图表等结构进行操作；(2)具有较好的全局搜索性能，减少了陷于局部最优解的风险，同时，遗传算法本身也易于并行化；(3)在标准的遗传算法中，基本上不用搜索空间的知识或其他辅助信息，而仅用适应度函数值来评估个体，并在此基础上进行遗传操作；(4)遗传算法不是采用确定性规则，而是采用概率的变迁规则来指导其搜寻方向。
(三)BP神经网络 反传递神经网络(BPN)模式是监督式学习网络(Supervised Learning Network)的一种，在取得训练样本后，透过训练样本输入网络时，告知网络预期的输出结果，而输入训练样本的目的主要是让网络学习，当学习完成后再利用测试样本来进行模式的测试。由于BP神经网络具有高学习准确度、回想速度快以及能含杂讯资料处理等优点，因此运用最为普遍。其基本原理是利用梯度下降法(the gradient steepest descent method)的观念，通过学习过程中输出值与期望输出值偏差，不断反向传递至隐藏层和输入层来调整加权值修正量及阀值修正量，使输出值与期望之间的误差予以最小化，进而通过不断学习求得最佳网络模式已达到预测的目的。BP网络的构架主要分为三层：输入层(inputlayer)、隐藏层(hiddenlayer)及输出层(outputlayer)，各层中基本单元即为处理单元(Processing Element，PE)，数个处理单元将组成一层，而若干层则结合成为网络。其中输入层的处理单元代表网络的输入变量，目前许多研究结合模糊逻辑(fuzzylogic)以及遗传算法(GA)等方式选择BP神经网络的输入层。输出层用来表示网络的输出变量，其处理单元数目依问题而定。隐藏层主要用以表示输入处理单元间的交互影响，网络可以不只一层隐藏层，也可以没有隐藏层，至于其处理单元数目并无标准方法可决定。
三、模糊化遗传BPN优势
现存的关于国内外财务报告舞弊识别模型研究，大多设计为Logistic回归模型及神经网络(ANN)模型。尽管神经网络对于财务报告舞弊的识别效果和准确性都比logistic回归模型更好，但还是存在一些局限性。而模糊化遗传BPN正是一种可以弥补单纯神
经网络各种局限性的优势技术。
(一)模糊逻辑与神经网络的结合优势 由于神经网路工作方式是自组织式，即无教师学习网络，模拟人类根据过去经验自动适应无法预测的环境变化。由于没有教师信号，这类网络通常利用竞争的原则进行网络的学习，对知识的获取完全取决于感知。因此单纯的神经网络对于处理数量庞大、种类繁多、而且信息复杂的财务报告而言，显得有些吃力并且不一定十分精确。而模糊逻辑算法对知识的获取则是由专家来控制，其对所提供信息的数量和质量均有一定的保证。另外神经网络内部结构使得追踪产生输出的过程变得困难，缺乏解释能力。而模糊逻辑算法最主要的优点就是可以把专家的策略通过IF-THEN、and、or的关系式轻而易举的定义出来，形成模糊逻辑规则，将其与神经网络相结合可以增强模型的解释力。
(二)遗传算法与神经网络的结合优势 遗传算法和人工神经网络都是将生物学原理应用于科学研究的仿生学理论成果。神经网络相当于一个专家系统知识库，能自动在海量数据中识别、捕捉和提取隐藏规律，并将其包含在神经元之间的连接权值中。遗传算法具有全局搜索、收敛速度快的特点，将其与神经网络结合起来，不仅能发挥神经网络的泛化映射能力，而且使神经网络克服收敛速度慢、容易陷入局部误差极小点、网络结构和学习参数难以确定等缺点；同时还可以优化神经网络的结构和连接权系数，这就满足了求得最优BPN的必要条件。另外，遗传算法本身计算量较大，每次迭代过程需要大量运算，尤其是当遗传算法收敛到一定程度后，整个解群的素质和最优解素质的改善变得比较困难，导致搜索时间呈指数增长，此时用BP网络寻求最优参数组合比单纯用GA搜索要节约大量时间。
四、模糊化遗传BPN财务报告舞弊甄别系统的构建
模糊化遗传BPN财务报告舞弊甄别系统由模糊演化(Fuzzy)、遗传算法(GA)和BP神经网络三个模块构成。具体系统构建流程如图1所示：
(一)模糊演化模块 在模糊演化模块中，首先需要进行的工作是选择输入变量，即构建财务报告舞弊识别特征指标体系，通过显著性检验筛选进入系统的变量。然后将其模糊化，通过IF-THEN语句建立模糊规则库，再经过反模糊化方法输出模糊后的舞弊特征指标变量。
(二)遗传算法模块 在遗传算法模块中，首先根据模糊逻辑模块选定的舞弊指标变量定义遗传算法适应值函数；同时，设定遗传算法所需变量的范围与精度、族群数量及演化世代数、突变与交换率。然后，通过选择、交叉、突变算子演算产生下一代，输入网络框架计算适应值函数值，如果适合度满足终止条件，将网络结构输入给BP神经网络模块，否则回到三个算子循环计算。
神经网络的优缺点范文6
关键词：线性；非线性；PID；BP
中图分类号：TP273.4 文献标识码：A 文章编号：1006-8937（2013）06-024-02
注塑机料筒温度是注塑工艺的重要参数，对料筒温度进行有效地控制是保证塑料制品成型质量的重要环节。然而，注塑机料筒温度系统是一个多变量、离散、间歇工作、大滞后、非线性、强耦合且需要人工参与的复杂系统，由于其加温过程中的复杂性，使得该控制系统的精确数学模型很难以建立， 也就使得料筒的温度控制成为注塑机控制器设计中的难点。另外，在注塑机料筒温度控制器的设计过程中，控制器的工作性能，如良好的鲁棒性和较低的算法复杂度是不可忽视的参数指标。目前，采用较多的是PID控制方法，这主要是因为PID控制应用范围广，广泛应用于非线性或时变控制过程中，而起PID控制器中的3个参数Kd、Kp、Ki比较容易整定，是最简单的有时却又是最好的控制器。
本文基于料筒温度PID控制器的发展过程，从线性PID控制器到非线性PID控制器，再到基于BP神经网络的PID控制器三个方面，分别阐述了各自的优缺点。
1 料筒温度线性PID控制器
PID控制器不用被控对象的精确模型，只用控制目标与对象实际行为之间的误差来产生消除此误差的控制策略。由于PID控制技术是立足于误差来减少误差的过程控制原理，所以在控制工程实践中得到广泛有效的应用。本文主要研究注塑机料筒的温度控制系统，采用线性PID控制器，其基本结构如图1所示。
从图1可以概括出线性PID控制方法在实践应用中，本文的温度控制系统设计中存在如下问题：
①直接以e=v-y的方式产生原始误差不太合理。由于控制目标在过程中可以“跳变”，但是对象输出y的变化都有惯性，不可能跳变，不可能跳变，因此让缓变的变量y来跟踪能够跳变的变量v是不合理的。
②产生误差信号e的微分信号de/dt没有太好的办法。微分器物理不可实现，只能近似实现，常用的近似微分器的传递函数为■。这个传递函数可展成■，是近似微分公式■的实现。但是，但输入信号v（t）被噪声n（t）污染时，输出y中的近似微分■信号就被放大的噪声分量■所淹没，无法利用。因此，PID控制器除特殊情形外，实际上都是PI控制器。
③线性组合不一定是最好的组合方式。PID控制器给出的控制量u是误差的现在e（t）、误差的过去■e（τ）dτ、误差的将来■三者的加权线性组合。大量工程实践证明，三者的线性组合不一定是最好的组合方式，为了避免线性组合方式的缺陷就产生了花样繁多的“变增益PID控制器”
④误差信号e的积分■e（τ）dτ反馈的引入有很多副作用。大量工程实践表明，误差积分反馈的引入会使闭环变得迟钝，容易产生振荡及积分饱和引起的控制量饱和等。
将线性PID控制器应用于注塑机料筒的温度控制系统中，虽然能取得了良好的效果，但是该温度控制系统为大纯滞后系统，被控对象的参数变化较大、影响因素甚多、未建模动态因素显著，非线性严重，很难建立精确的数学模型，针对具有更多内部和外部不确定因素的控制对象时，该PID控制方法就显得无能为力了。
2 料筒温度非线性PID控制器
在注塑机料筒的温度控制系统中，线性PID控制仅仅考虑了控制对象（温度）外部信息，决定了所控制的对象的有限性。对于带有更多内部和外部太多不确定因素的对象，线性PID就无能为力了。对于这种情况，有必要去获得并考虑系统的内部信息和外部不确定性，并让这些信息参与系统的控制和调节，提高系统的抗干扰能力。基于此，一种非线性PID控制器应运而生，它是在线性PID控制器基础上进行了如下改进：
①根据系统所能承受的能力，被控量变化的合理性和系统提供控制的能力，由设定值v先安排合适的过渡过程。该过渡过程由TD实现，TD不但给出所安排的过渡过程信号，还给出过渡过程的微分信号。
②误差的微分信号是可以用噪声放大效应很低的TD、状态观测器或ESO来提取。
③不同于线性PID控制，采用合适的非线性函数对误差进行组合，形成新的非线性误差反馈控制规律。
将非线性PID控制器应用于注塑机料筒温度控制系统中，由多个单回路非线性PID控制器分别调节各个电热环的供电电压，从而控制料筒各个段的温度。由于该控制系统不需要建立精确的数学模型，而且能够把作用于被控制对象的所有不确定因素都归结为“未知扰动”，所以采用实时监测的温度数据对它进行估计并予以补偿，就可以达到自动抗扰的目的，进而实现温度的自动实时控制。然而，在温度控制策略实现上，该温度控制系统依然存在一个显著的问题，即不清楚未建模动态因素，不具有预测性。
3 基于BP神经网络的料筒温度PID控制器
针对注塑机料筒温度控制的要求和线性PID控制器、非线性PID控制器的不足，尤其是针对非线性PID控制器的不可预测性，提出了一种基于BP神经网络的PID控制器。该控制器将神经网络和PID控制技术相结合，能无限地逼近非线性系统，具有收敛快、可预测的优点。而且，基于BP神经网络的料筒温度PID控制器能有效地缩短过渡过程，具有较好的稳定性和快速响应性，可以满足注塑机料筒的温度控制要求。
该控制器由常规PID控制器和神经网络控制器两部分组成，如图2所示。考虑到邻近加热器的影响，神经网络控制器的输入除本段加热器的输入信号、反馈信号外，还将邻近加热器的反馈信号引入。神经网络控制器的输出即为PID控制器的Kd、Kp、Ki3个参数，根据控制系统的输入/输出情况，通过神经网络实时调整PID控制器的3个参数，从而实现料筒温度的高性能控制。
与线性PID控制和非线性PID控制相比，基于BP神经网络的PID控制具有较好的稳定性和快速动态响应的特性，温度调节过程短。由于BP神经网络具有很强的学习能力，能够不断地从训练样本中提取出所蕴含的基本信息，用于温度预测。另外，在温度参数变化、数学模型不精确和控制环境变化的情况下，该控制器能保持较好的工作性能，系统鲁棒性强，使得该控制方法具有很大的应用前景。
4 结 语
在注塑机控制系统中，加热料筒温度控制是其中非常重要的一环，为了实现高性能的温度控制功能，本文介绍了三种PID控制方法，即线性PID控制、非线性PID控制和基于BP神经网络的PID控制。这三者之间具有层层递进的关系，后者都较前者具有更好的工作性能。以性能最好的基于BP神经网络的PID控制方法为例，该方法兼具了非线性PID控制方法的优越性能，在带有更多内部和外部不确定因素的情况下，能实现较好的温度控制作用，具有良好的抗干扰性能；同时，该方法通过神经网络的学习能力实现温度数据的训练，可实现对未来数据的实时预测，具有可预测性，鲁棒性更强，实用价值更高。
参考文献：
[1] 孙小权，钱少明.基于BP神经网络的料筒温度PID控制器[J].机电工程，2008，（5）.
[2] 曾璐.基于模糊变系数PID算法的注塑机料筒温度控制[J].广东轻工职业技术学院学报，2011，（3）.
