前言：中文期刊网精心挑选了人工神经网络的实际应用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。
人工神经网络的实际应用范文1
【关键词】BP神经网络；预测；误差
1.引言
许多金融学家和计量学家对发达国家成熟市场的波动性进行了广泛的研究，但是在对股市的预测上，由于人们在知识、能力、经验上存在着较大的差异，加之问题本身又具有很大的随机性和高度的非线性，即使是一些金融专家、炒股高手对出现的同一复杂行情进行分析，往往也会得出不同的结论。此外，传统方法还要事先知道各种参数，以及这些参数在什么情况下应作怎样的修正。这都给预测股市带来一定的困难。
基于以上股市预测的困难性，本文提出了人工神经网络的预测方法。随着计算机、人工智能尤其是专家系统的发展，人工神经网络技术逐渐成熟并开始应用于各个领域。人工神经网络（ANN，简称神经网络）作为一种由大量简单神经元广泛相互联接而成的非线性映射或自适应动力系统，恰好能有效解决股市预测处理中常见的困难，因此它很快在股市预测分析与处理领域得到了广泛的应用。
2.BP神经网络介绍
2.1 BP 网络算法的基本原理
2.1.1 标准的BP 网络算法的基本原理
BP(Back Propagation)网络是反向传播的多层前馈式网络，是目前使用最为广泛的一种人工神经网络。它的核心是BP算法，一种对于多基本子系统构成的大系统进行微商计算的严格而有效的方法，采用最小均方差学习方式。BP 神经网络的原理说到底就是给它一些输入变量，然后就有一个输出，输出值的情况与实际的情况进行比较，差多少，然后再进行网络的内部调整，属于有导师的学习规则，使得网络输出与实际逼近。
神经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。人工神经网络由非线性函数组成，而由一系列不同权重的线性过滤器组合而成：
2.1.2 BP网络算法的优化
由于常用的BP算法主要缺点为收敛速度慢，局部极值，难以确定隐含层和隐含层的个数，使得在实际应用中BP算法很难应用，因此，出现了许多改进算法。BP算法的改进主要有两种途径，一种是采用启发式学习方法；另一种则是采用更有效的优化算法，本文采用了动量法和学习率自适应调整的策略，从而提高了学习速度并增加了算法的可靠性。动量法降低了网络对于误差曲面局部极值的敏感性，有效地抑制了网络陷于局部极小。
2.2 BP神经网络的模型识别及步骤
模式通常指对事物的一种定量描述或结构描述，“识别”是指对客观事物按其物理特征进行分类。模式识别的基本原理就是从待识别对象和理想标本之间若干特征的相似性推断它们之间总体的相似性。BP神经网络模式识别过程分为训练阶段和模式分类阶段，分为初始化、数据与处理、网络训练以及模式分类四个步骤。以下利用实证分析来进行着四个步骤。
3.实例分析
下面以上证的某股600个交易日的股票价格收盘指数作为原始样本数据，对上述神经网络模型进行求解，预测20天的收盘价，与实际收盘价进行比较，并求出其误差：
式中，表示第日的实际收盘指数，表示第日的预测值，表示误差。主要按照如下几部分来处理：（1）准备600个数据的时间序列，进行归一化。BP神经网络中每个神经元的输出值由传递函数Sigmoid函数来计算，其输出值的范围是（0，1）；（2）留出最后20个数据，作为预测检验使用；（3）绘制图像，包括实际值和预测值，能量函数；（4）分析实际和预测两曲线的趋势。
采用I-J-K学习模型，该模型是输入层I个神经元，隐层J 个神经元，输出层K个神经元。利用BP神经网络模型训练500次、800次、1000次的输出值和期望值以及能量函数（或者叫误差函数）E，结果见图1到图3。
通过上面的图示，可以看到用BP神经网络预测的效果比较明显，这说明该模型适用于短期预测吗，股市的波动在很多地区都是非常剧烈的，各种因素的综合作用也使得长期股指的变动具有极大的不确定性，使得预测变得很困难。而BP网络的算法原理和自学习的特点使其能够充分挖掘出隐含在样本数据中的规律性，实现从输入空间到输出空间的非线性映射，对样本数据进行精确的拟合。从而BP神经网络的方法对于股市上的一些很难看出规律的数据列的预测而言，无疑是一个比较精确的预测方法。
4.结论
本文介绍了股市的特点以及股市预测的困难性，提出了利用BP神经网络的方法来解决股市预测问题。文章介绍了BP神经网络算法的基本原理，BP神经网络算法的优化，BP神经网络模型识别及步骤，最后后以上海证券交易所每日股票价格收盘指数为分析对象，把原理应用于实际，利用BP神经网络对股票价格收盘指数进行了短期预测，并计算出预测值和实际值的误差。通过实验发现该模型收敛速度快，预测精度非常高，对预测短周期内股指波动具有较强的适用性。
参考文献
[1]高琴.人工神经网络在股市预测模型中的应用[J].微电子学与计算机,2007年第24卷第11期.
[2]周翠红,路迈西.线性回归与人工神经网络预测煤炭发热量[J].煤炭科学技术,第37卷第12期.
[3]尹庆双,奉莹.人工神经网络在第三产业就业分析中的应用[J].人口与经济,2009年第6期.
[4]邹文安,刘宝,姜波,杨春生.基于Excel 技术平台人工神经网络BP模型及应用[J].水文,第30卷第1期.
[5]康进,刘敬伟.非参数回归估计与人工神经网络方法的预测效果比较[J].统计与决策,2009年第23 期.
[6]杨本昭,田耕.基于人工神经网络的客户价值分类研究[J].科技管理研究,2007年第12期.
人工神经网络的实际应用范文2
关键词：神经网络；边坡；稳定性
引言
边坡的稳定性是目前岩土工程界研究的重大课题，在矿山工程、水利工程以及建筑工程等诸多领域都涉及到边坡的稳定性问题。边坡工程是一个动态开放的、复杂的、非线性的系统问题，影响边坡稳定性的因素不但有地质和工程因素，而且还具有不确定性。目前，评价边坡稳定性的方法有层次分析法、灰色理论法、极限平衡法、有限元法等方法，但是这些方法难以摆脱人为因素的影响，计算复杂，具有一定的局限性。本文将人工神经网络的知识应用到边坡稳定性的预测中，结合人工神经网络在结构上的分布式存储和并行处理的特点，使人工神经网络具有较好的容错性、高度非线性映射、以及自适应、自组织学习的能力，从而能够捕捉边坡稳定性与影响边坡稳定因素之间的相关规律，弥补传统方法在预测边坡稳定性上面的不足，实现对边坡稳定性的可靠预测。
1 神经网络原理
人工神经网络ANN（artificial neural network）是属于人工智能（artificial intelligence）范畴的一种计算技术，它根据人们对生物神经网络的研究成果设计出来，具有良好的数学描述，可以方便地用计算机程序加以模拟。
目前，最常用的人工神经网络模型有线性神经网络、RBF神经网络、BP神经网络等，本文采用误差信号反向传播的BP神经网络对边坡的稳定性进行研究。BP神经网络在训练时，由信号的正向传播和信号的反向传播共同构成神经网络的学习过程，其训练流程示意图如图 1 所示。
图1 基于 BP 算法的神经元网络结构训练流程图
2 神经网络模型建立及训练
2.1 输入样本和输出样本的选择
基于BP人工神经网络的边坡稳定性预测模型的建立，首先是确定神经网络模型各层的节点个数。本文采用某矿山的边坡工程实例进行 BP 神经网络模型的有效检验，选取影响边坡稳定性的6个主控因素为输入样本，即：确定输入变量为 D1—边坡高度指标，D2—重度指标，D3—内聚力指标，D4—摩擦角指标，D5—边坡角指标，D6—孔隙压力比指标。
输出向量是边坡稳定性状态代码，将边坡稳定性状态代码分为两种类型：即1代表边坡稳定性状态为破坏，0代表边坡稳定性状态为稳定。
2.2 模型的训练和预测
本文通过编写程序语言，结合Matlab7.0来实现边坡稳定性的预测，应用人工神经网络工具箱中的newff函数来建立一个前馈型的边坡稳定性预测网络模型，在进行网络样本训练时，其中各参数的设定情况为：学习效率设为0.5，网络训练的最大迭代次数为15000次，其收敛精度设置为0.001，采用随机赋值的方法设定网络训练中权值和阈值的初始值。网络的输入层和隐含层均采用对数型S型函数作为传递函数。通过BP神经网络信号误差反向传播算法所建立的边坡稳定性预测网络模型，在样本训练的过程中，当网络训练达到所设置的目标精度或者满足最大迭代次数时，自动停止训练。
本文收集整理了国内外各类矿山及岩土工程中潜在或滑动破坏模式为圆弧形滑落的稳定边坡和失稳破坏边坡实例共10个（破坏4，稳定6）。根据提供信息包括边坡结构参数，岩土体的物理力学性质参数，边坡稳定状态及极限平衡法计算安全系数（表1）。输入层的6个神经元分别对应参数：重度、粘聚力、摩擦角、边坡角、边坡高度、孔隙压力比。将10个样本提供网络学习，经922次迭代后网络收敛。训练样本的神经网络的计算结果见表2。网络训练误差曲线图如图2所示。
根据以上预测结果可知，预测精度达到了预定的要求0.001，预测结果与边坡稳定性的实际情况相符，本文建立的BP神经网络边坡稳定性预测模型预测效果较好，预测精度较高，能够满足实际工作的需要，输出结果与现场情况吻合。
3 结论
人工神经网络将制约和影响边坡稳定的可直接取实测数据的定性因素包括边坡结构参数（高度、角度等）以及岩土体的物理力学性质（粘聚力、摩擦角、干容重等）纳入模型参与稳定性评价，借助计算软件MATLAB编制计算程序加以实现。
实际应用表明，神经网络模型由于具有很强的自学习、自组织的能力和高度非线形动态处理能力，用来评价边坡的稳定性有较好的适用性，可以加以推广应用。
参考文献
[1] 飞思科技产品研发中心. 神经网络理论与MATLAB7实现[M]. 北京： 电子工业出版社， 2005： 97-116.
[2] 李春辉. 基于BP神经网络的煤与瓦斯突出危险性预测的研究[D]. 昆明：昆明理工大学， 2010： 40-58.
[3] 刘勇， 江成玉. 基于BP神经网络的煤与瓦斯突出危险性的预测研究[J]. 洁净煤技术，2011（1）： 97-100.
[4] 冯夏庭， 王泳嘉， 卢世宗. 边坡稳定性的神经网络估计[J].工程地质学报，1995（4）： 54-61
[5] 侯殿昆， 宋秀琴， 刘景凡. 基于神经网络的多参数露天边坡稳定性分析[J]. 辽宁工程技术大学学报， 2007， 26（5）： 649-651.
[6] 邹义怀， 江成玉， 李春辉. 人工神经网络在边坡稳定性预测中的应用[J]. 矿 冶， 2011， 20（4）： 38-41.
人工神经网络的实际应用范文3
人工神经网络（Aartificial Neural Network，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Warren S.Mcculloch和数学家Walth H.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，Back Propagation），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（Fuzzy Logic）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性功能是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、Robert E.Uhrig.Application of Artificial Neural Networks in Industrial Technology.IEEE Trans，1994，10（3）。（1）：371～377
3、Lee T H，Wang Q C，Tan W K.A Framework for Robust Neural Network-Based Control of Nonlinear Servomechannisms.IEEE Trans，1993，3（2）。（3）：190～197
人工神经网络的实际应用范文4
关键词：发电燃料；供应预测；BP神经网络；预测方法
中图分类号：TM 762 文献标示码：A
0 引言
发电燃料的供应受到能源政策、供需形势、资源分布、供应价格、交通运输、市场博弈等多种复杂因素的影响，长期以来缺乏合理有效的供应预测方法和技术手段，尤其是厂网分离后鲜见相关的研究工作。
文献1《辽宁火电厂燃料管理信息系统的开发与研制》开发和研制了覆盖辽宁全体直属电厂燃料公司并同东电局进行广域网数据交换，同时能进行审核管理和业务信息方便传输的燃料综合管理信息系统。
文献2《电力系统燃料MIS系统开发研究》探讨了燃料管理信息系统的组成、功能、结构及开发应用，为综述性理论研究。
以上文献均未对发电燃料供应提供较有效的预测方法。本文提出一种基于BP神经网络的发电燃料供应量预测方法，利用神经网络原理，通过数据收集、数据修正和神经网络结构选择建立起基于BP神经网络的发电燃料供应预测模型。通过MATLAB实际仿真，证明该预测方法预测较准确，并具有灵活的适应性。
基金项目：中国南方电网有限责任公司科技项目（K-ZD2013-005）
1 预测方法
按预测方法的性质不同，预测可分为定性预测和定量预测。常用的定性预测方法有主观概率法、调查预测法、德尔菲法、类比法、相关因素分析法等。定量方法又可以分为因果分析法和时间序列分析法等，因果分析法也叫结构关系分析法。它是通过分析变化的原因，找出原因与结果之间的联系方式，建立预测模型，并据此预测未来的发展变化趋势及可能水平。时间序列分析法也叫历史延伸法。它是以历史的时间序列数据为基础，运用一定的数学方法寻找数据变动规律向外延伸，预测未来的发展变化趋势。由于时间序列模型无法引入对负荷影响的其它变量，所以，单纯应用时间序列模型进行供应预测精度难以提高。
运用人工神经网络技术进行预测，其优点是可以模仿人脑的智能化处理过程，对大量非结构性、非精确性规律具有自适应功能，具有信息记忆、自主学习、知识推理和优化计算的特点，特别是其自学习和自适应功能是常规算法和专家系统所不具备的，因此，预测是人工神经网络的最有潜力的应用领域之一，有非常广泛的前途。
2 BP神经网络模型
2.1 人工神经网络概述
人工神经网络是由神经元以一定的拓扑结构和连接关系组成的信息表现、储存和变换系统，是模仿人脑结构的一种信息系统，可较好地模拟人的形象思维能力。它是对自然界中生物体神经系统进行抽象和改造，并模拟生物体神经系统功能的产物。神经网络的重要特点是具有记忆和学习能力，经过一定训练之后，能够对给定的输入做出相应处理。
人工神经网络适用于处理实际中不确定性、精确性不高等引起的系统难以控制的问题，映射输入输出关系。人工神经网络优于传统方法在于：
1）实现了非线性关系的隐式表达，不需要建立复杂系统的显示关系式；
2）容错性强，可以处理信息不完全的预测问题，而信息不完全的情况在实际中经常遇到；
3）由于神经网络具有一致逼进效果，训练后的神经网络在样本上输出期望值，在非样本点上表现出网络的联想记忆功能；
4）由于大规模并行机制，故预测速度快；
5）动态自适应能力强，可适应外界新的学习样木，使网络知识不断更新。
图1是一个人工神经元的典型结构图。
图1 神经元典型结构图
它相当于一个多输入单输出的非线性阈值器件。，表示该神经元的输入向量；为权值向量；θ为神经元的阈值，如果神经元输入向量加权和大于0，则神经元被激活；f表示神经元的输入输出关系函数，即传输函数。因此，神经元的输出可以表示为：
其中传输函数是神经元以及网络的核心。网络解决问题的能力与功效除了与网络结构有关，在很大程度上取决于网络所采用的传输函数。
几种常见的传输函数如图2所示：
（1）为阈值型，将任意输入转化为0或1输出，其输入/输出关系为：
（2）为线性型，其输入/输出关系为：
（3）、（4）为S型，它将任意输入值压缩到（0，1）的范围内，此类传递函数常用对数（logsig）或双曲正切（tansig）等一类S形状的曲线来表示，如对数S型传递函数的关系为：
而双曲正切S型曲线的输入/输出函数关系是：
（1） （2）
（3） （4）
图2 常见的传递函数图形
2.2 BP神经网络概述
神经网络的魅力在于它超强的映射能力，单层感知器可实现性分类，多层前向网络则可以逼近任何非线性函数。可以将BP网络视为从输入到输出的高度非线性映射，而有关定理证明BP神经网络通过对简单的非线性函数进行数次复合，可以近似任何复杂的函数。
在人工神经网络的实际应用中，80%-90%的人工神经网络模型是采用BP网络和它的变化形式，它也是前向网络的核心，体现了人工神经网络最精华的部分。在人们掌握反向传播网络的设计之前，感知器和自适应线性元件都只能适用于对单层网络模型的训练，只是后来才得到进一步拓展。
BP神经网络主要应用有：
（1）函数逼近：用输入矢量和相应的输出矢量训练一个网络逼近一个函数。
（2）模式识别：用一个特定的输出矢量将它与输入矢量联系起来。
（3）分类：把输入矢量以所定义的合适方式进行分类。
（4）数据压缩：减少输出矢量维数以便于传输或存储。
2.3 误差反向传播算法原理
BP神经网络是一种多层前馈神经网络，名字源于网络权值的调整规则，采用的是误差反向传播算法（Error Back-Propagation Training Algorithm）即BP算法。BP神经网络是单向传播的多层前向神经网络。除输入输出节点之外，有一层或多层的隐藏节点，同层节点之间无任何连接。典型的BP网络是三层前馈阶层网络，即：输入层、隐含层（中间层）和输出层，各层之间实行全连接。BP神经网络结构如图3所示：
图3 BP神经网络结构示意图
BP网络学习过程包括误差正向传播和反向传播两个过程。在正向传播过程中，输入样本从输入层传入，经各隐含逐层处理后，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。若输出层的实际输出与期望的输出不符，则转入误差的反向传播阶段。误差反传是将输出误差的某种形式通过隐含层向输入层逐层反传，并将误差分摊给各层的所有单元，从而获得各层单元的误差信号，此误差信号即作为修正各神经元之间权值的依据。这种信号正向传播与误差反向传播的各层权值调整过程，是周而复始地进行的。权值不断调整的过程，也就是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小到可接受的程度，或进行到预先设定的学习次数为止。
BP神经元与其他神经元类似，不同的是，由于BP神经元的传递函数必须是处处可微的，它不能采用二值型{0，1}或符号函数{-1，1}，所以其传递函数为非线性函数，最常用的函数S型函数，有时也采用线性函数。本文采用S型（Sigmoid）函数作为激发函数：
式中，为网络单元的状态：
则单元输出为：
其中，为单元的阀值。在这种激发函数下，有：
故对输出层单元：
对隐层单元：
权值调节为：
在实际学习过程中，学习速率对学习过程的影响很大。是按梯度搜索的步长。越大，权值的变化越剧烈。实际应用中，通常是以不导致振荡的前提下取尽量大的值。为了使学习速度足够快而不易产生振荡，往往在规则中再加一个“势态项”，即：
式中，是一个常数，它决定过去权重的变化对目前权值变化的影响程度。
图4为BP算法流程图。
图4 BP算法流程图
3 发电燃料供应预测BP神经网络模型建立
3.1 数据的收集与整理
发电燃料供应是一个庞大的系统，其中的数据资料纷繁复杂。在进行模型的搭建之前，需要进行历史资料的整理，提取出所需的数据。本模型中，选取与燃料供应有关的数据作为影响因素，如电厂发电量、能源政策、能源供需形势、交通运输状况、燃料价格和机组能耗等。
3.2 数据的修正
如果在数据采集与传输时受到一定干扰，就会出现资料出错或数据丢失的情况，此时都会产生影响预测效果的坏数据，这些坏数据将会掩盖实际模型的规律，直接影响模型的效果与精度。据此，需对样本数据进行预处理，以确保在建模和预测过程中所运用的历史数据具有真实性、正确性和同规律性。一般样本数据预处理方法主要有经验修正法、曲线置换法、插值法、20%修正法、数据横向纵向对比法、小波分析去噪法等。对于简单问题，采用数据的横向纵向对比即可实现坏数据的剔除。
3.3 BP神经网络的结构选择
理论证明，3层前向式神经网络能够以任意精度实现任意函数，所以，本模型中采用3层前向网络。同时，当有N个影响时， 3层BP神经网络的输入层节点数为N个，隐含层节点数一般为2N ～ 4N，最佳取值可根据实际问题试凑得，输出层为1个节点， 因此可以取其平均结构为N - 3N - 1型， 输入层激发函数为线性函数， 中间层和输出层的激发函数为S型函数。
3.4 BP神经网络模型建立
对于实际的燃料供应模型，数据的选择要有针对性，结构要合适，这在预测过程中是重中之重。为便于模型选择、结果对比，可同时采用几种不同的数学模型进行预测。在完成对恰当的预测模型的选择后，利用提取自历史资料的训练数据对建立好的预测数学模型进行参数训练。当模型的参数训练好以后，即可利用此模型进行预测。
具体操作步骤如下：
（1）对训练样本与预测样本进行归一化预处理，公式表示如式（1）。
（1）
其中表示经过归一化后的值，表示实际值，，分别是训练集中数据的最大值和最小值，k表示输入向量的维数，i表示有作用因素的个数。
（2）对预测的数据样本进行提取，并分别列出训练与测试的样本集合。
（3）对BP神经网络的输入层、隐含层、输出层的节点进行定义，对网络的权重、阈值进行初始赋值。
（4）利用训练样本对BP神经网络进行训练，建立符合实际问题的模型。
（5）利用事先预备的测试样本对训练好的网络进行测试，若效果不佳，则重新训练，若效果好则继续下一步。
（6）利用预测样本及训练好的模型进行预测。
具体流程图如图5所示：
图5 模型建立流程图
4 基于BP神经网络模型的发电燃料供应预测
（1）样本数据的选择
以各类影响耗煤的因素作为输入 。
（2）进行归一化处理
避免量纲对模型的影响。同时，降低数据的数量级，可以提高BP网络的训练的速度，避免饱和。
（3）确定BP神经网络的结构
3层BP神经网络的输入层节点为1个（可根据实际情况调整），对应于输入样本，隐含层节点为15，输出层节点为1，对应于输出样本。网络初始连接权及神经元初始阈值采用随机赋值方式。神经元的激发函数为S函数，最大迭代次数为400，学习步长为0.001，学习误差为0.00001。
（4）利用训练样本进行网络的训练
（5）利用测试样本进行模型的测试
人为选定5%相对误差为模型训练好坏的判别标准。若测试样本的测试结果的相对误差在5%以内，则进行下一步，否则重新训练。
（6）利用预测样本和已训练好的模型进行预测
南方电网全网发电燃料供应量预测结果值与实际值的对比如图6所示：
图6 南网全网发电燃料供应预测值与实际值对比图
5 结论
随着厂网分离的实施，电网公司和电力调度机构对发电燃料供应的掌握严重不足，已经不能满足电力供应工作的要求，尤其是在来水偏枯、电力供应紧张的时期，发电燃料供应的预测对缓解电力供需矛盾、有序做好发用电管理起着举足轻重的作用，因此，迫切需要开展发电燃料供应影响因素及预测方法的研究工作。
本文在收集、掌握发电燃料供应来源、价格、运输等情况的基础上，基于BP神经网络研究建立发电燃料供应量的预测模型和预测方法。通过MATLAB仿真预测，对预测结果值和实际值进行了对标分析，证明该预测方法预测较准确，并具有灵活的适应性。本文的研究有利于提升发电燃料的管理水平和掌控力度，为合理有序做好电力供应工作提供有力支持。
参考文献：
[1]孙长青.基于OSGI的发电集团燃料管控系统设计与实现[D].导师：陈有青.中山大学，2011.
[2]史新梅，裴珍.辽宁火电厂燃料管理信息系统的开发与研制[J].安徽工业大学学报，2001，（04）：359-362+366.
[3]付民庆.基于J2EE架构燃料管理信息系统的研究与实现[D].导师：申晓留.华北电力大学（北京），2008.
[4]魏学军.DF电厂燃料管理信息系统的研究与应用[D].导师：胡立德；戴鹤.重庆大学，2008.
[5]孙文君.发电企业燃料自动监管系统设计及应用[D].导师：张庆超；关万祥.天津大学，2010.
人工神经网络的实际应用范文5
（宿州学院 经济管理学院，安徽 宿州 234000）
摘 要：抽取沪深两市A股市场上IT企业作为研究对象，构建人工神经网络模型，对企业的财务状况进行预测，引入正交试验设计法优化财务危机预警模型.研究表明，正交试验设计法对于神经网络的学习具有很好的效果，财务预警分析显示出稳定、连续的预测性能，这正好适合构建具有实际应用价值的预警系统，使研究精度有较大的提高.
关键词 ：人工神经网络；正交设计；IT企业；财务预警系统
中图分类号：F275 文献标识码：A 文章编号：1673-260X（2015）03-0096-02
基金项目：安徽省高等学校省级优秀青年人才基金项目（2012SQRW176）；宿州学院人文社会科学研究项目（2011yyb36）
1 引言
近年来高科技板块对全球股市和中国股市的变动作用十分明显，新兴的IT（Information Technology）企业也是受关注较多、变化较大、交易比较活跃、对大盘影响较大的群体，因此，研究IT企业对投资界、社会投资者都具有一定的意义.信息技术飞速发展的今天，IT企业同样面临着巨大的财务风险，一旦风险积聚到一定程度，如果不及时采取措施，就会陷入财务危机.财务危机系统作为IT企业风险管理的重要一环，它作为经济运行的晴雨表和企业经营的指示灯，不仅具有较高的学术价值，而且有着巨大的应用价值.IT企业信息流、物流和资金流“三流合一”的特性使得企业传统财务预警系统不能满足其要求.我国IT企业内部治理结构上的缺陷，使得企业的经营效率不断下降，从证券监管机构的新增ST企业公告就可窥见一斑，急需构建IT企业财务预警系统来预防危机的发生.IT企业的大量出现对现有企业财务危机的预测方法产生巨大的冲击，不再局限于传统的统计方法，利用人工神经网络理论知识，研究人工 （Back-Propagate）神经网络算法，财务预警研究中的预警指标体系需要考虑非财务因素的影响，使得财务预警系统的应用具有实际价值.因此，本文试图从公司治理结构、审计意见、关联交易等方面探讨非财务因素在IT企业财务预警中的作用，利用MATLAB软件构建神经网络模型，对IT企业的财务状况进行预测，引入正交试验法优化财务危机预警系统.
2 文献综述
人工神经网络技术被广泛应用于模式识别、优化计算、智能控制、经济、金融、管理等领域，其中包括财务危机预测研究.Tam和Kiang（1992）应用神经网络方法对得克萨斯的银行财务失败案例进行预测.国内学者也对我国基于神经网络的企业财务危机系统进行研究，我国学者杨保安（2009）选取15个财务指标运用人工神经网络方法建立供银行进行信用评价的预警系统.人工神经网络模型由输入层、隐含层和输出层组成，信息处理分为信息正向传播和误差反向传播两步进行，当正向传播时，输入信号从输入层经过隐含层后传向输出层，每一层神经元的状态只影响下一层神经元的状态.网络的反向传播是一种误差从输出层到输入层向后传播并修正权值和阈值的过程，学习的目的是网络的实际输出逼近某个给定的期望输出.运用正交试验设计法对这些参数选择进行优化，对于神经网络的学习具有很好效果.它利用正交表安排试验，其理论基础是拉丁方理论和群论，可以用来安排多因素试验，试验次数对各因素和各水平的全排列组合来说是大大减少了，是一种优良的试验设计方法.它相对于全面试验而言，只是部分试验，但对其中任何两个因素来说，可以用比全面试验法少得多的试验，获得反映全面情况的实验资料.
3 研究设计
3.1 样本选取
本文中的财务危机企业样本为2013年-2014年以来因财务状况异常而被特别处理的IT企业，一共30家财务危机企业.同时依据行业和资产规模相近的标准构造了配对的财务正常企业样本.
3.2 指标变量
由于财务指标涉及到企业经营管理的各个方面，借鉴国内外学者的研究成果，从公司的盈利能力、经营能力、偿债能力、资本结构、成长能力等方面确定变量.
3.3 数据处理
对总样本连续三年数据进行显著性分析检验后，发现ST公司和非ST公司存在显著差异，根据T检验以及Mann-Whitney U非参数检验的结果，剔除一些变量，指标变量通过显著性检验.
4 实证分析
本文运用软件Matlab构建了三层人工网络财务预警系统，并选取样本进行实验.由于输入是连续变量，输出是布尔型离散向量， 训练或测试前使用Matlab的Premnmx函数对样本进行归一化处理，作为网络的输入数据.人工神经网络的设计包括输入层、隐含层、输出层、传递函数、训练函数、网络参数等网络结构的设置，具体到本文的研究，设置如下：
（1）输入层：输入层神经元个数由输入向量P决定，确定了18个输入节点.
（2）输出层：输出层神经元的个数由输出类别决定.网络的输出层定义为1个节点，即企业的实际财务状况.在训练样本集中，样本的输出向量设为T（当为ST公司时，T=1；当为非ST公司时，T=0）.
（3）隐含层：关于隐含层节点数选取过少，将影响到网络的有效性，过多，会大幅度增加网络训练的时间，根据经验可以参照公式进行设计，其中n为隐含层节点数，n1为输入节点数，n2为输出节点数，a取1-10之间的常数.
（4）传递函数：传递函数对一个神经网络的训练效率至关重要.本文对输入层到隐含层的传递函数确定为正切函数tansig（n），它将神经元的输入范围从（-∞，+∞）映射到（1，-1），隐含层到输出层之间的传递函数确定为对数函数logsig（n），它将神经元输入范围从（-∞，+∞）映射到（0，1）.
（5）网络参数：目标误差0.001或0.00001，学习率通常在0.01～0.9之间，一般来说，学习率越小，训练次数越多，但学习率过大，会影响网络结构的稳定性.误差通常需要根据输出要求来定，e越低，说明要求的精度越高.设置学习速率为0.05，学习速率增加的比率为1.03，学习速率减少的比率为0.9，动量常数为0.7，最大误差比率为1.08，训练循环次数为550次.
（6）训练函数：人工网络训练函数采用traingdx.它采用动量法和学习率自适应调整两种策略，从而抑制网络陷于局部极小和缩短学习时间.
为提高人工神经网络的学习精度，下面将采用正交设计试验法对人工神经网络的相关参数进行优化，选用三个因素两个水平的正交表（见表1）.它相对于全面试验而言，只是部分试验，但对其中任何两个因素来说，可以用比全面试验法少得多的试验，获得反映全面情况的实验资料.
依据表2的设计方案，借助Matlab语言编制了神经网络的训练和测试程序，将30家建模样本t-2、t-3、t-4年的指标数据分四次试验进行学习训练，选择最优的试验方案作测试.从上述结果可以确定各年最优的人工网络模型的函数和参数：
（1）t-2年的试验中，试验4的结果相对最优，判别准确率达到100%，所以人工网络模型结构为18-16-1，目标误差为0.00001，训练函数为trainlm，在PC上经过10个训练周期达到目标要求.
（2）t-3年的试验中，试验2的结果相对最优，判别准确率达到94%，所以人工网络模型结构为18-7-1，目标误差为0.00001，训练函数为traingdx，在PC上经过285个训练周期达到目标要求.
（3）t-4年的试验中，试验3的结果相对最优，判别准确率达到97%，所以人工网络模型结构为18-16-1，目标误差为0.001，训练函数为traingdx，在PC上经过114个训练周期达到目标要求.
5 结论
本文在回顾国内外财务预警系统经典文献和研究成果的基础上，以我国沪深A股IT企业为研究对象，依据公司财务危机前两年至四年的指标数据人工神经网络模型来进行研究，采用正交设计试验法对人工神经网络的相关参数进行优化，选用三个因素两个水平的正交表，并取得了较好的预测效果，实证研究得到以下结论：
（一）我国企业的财务指标包含着预测财务困境的信息含量，因此利用企业的财务比率可以预测其是否陷入财务困境.本文所选指标涵盖了反映公司财务状况的各方面因素，说明所建立指标体系是合理恰当的.
（二）对于较长时间跨度的模型预测问题，需要找出对企业整体经营状况有指示能力的变量，因此本文在筛选初始变量时，设定了三年连续显著的标准，选出具有前瞻能力的变量.
（三）运用正交设计法对人工神经网路输入参数的选择进行分析，结果表明正交试验法对神经网络的学习具有很好的效果，减少网络训练误差，它只需很少的样本就能达到实践中所要求的精度，很大程度上提高企业财务预警系统的准确率，控制财务危机现象产生的源头，从而实现企业财务预测的动态系统，具有广阔发展前景.
（四）从模型的超前预测能力看，距离ST的时间越近，预警系统的判别准确率就越高，尤其是t-2年，说明预警系统的预测水平随着距离ST时间长短而逐渐降低的.
在今后的研究方向上，希望在以下几个方面进行更深入的探讨和挖掘：在样本数据条件具备的情况下，可以从多个角度分析，例如分中小型企业进行财务危机预警系统的比较研究，预警指标的选择方面，除了一些定量指标，还要综合考虑管理层素质、员工素质、市场变化、宏观经济环境等定性指标的影响，可以利用层次分析法和模糊综合评价方法将定性指标量化，确保企业财务信息真实性.
参考文献：
〔1〕马超群，吴丽华.基于邻域粗糙集和神经网络的财务预警研究[J].软科学，2009（11）.
人工神经网络的实际应用范文6
该机器人决策系统工作在4万平方米水域，水深1.5米。其功能是收集水面固体垃圾、检测水质并根据水质投放水处理药剂、表演等。为了完成以上功能，系统采用人工神经网络进行决策。根据机器人工作环境特点，首先对其应用的神经网络数学模型进行了分析和建立，特别是引进了调整输入与输出关系的斜率因子，以便使系统的决策灵敏度提高，机器人决策或动作更敏捷。同时也研究了机器人的属性和抉择的对应关系。由于其特殊的工作环境，机器人的抉择结果存在许多复杂的模式识别、运动控制及大规模的组合及数据融合。传统方法对它们难以处理甚至是无能为力。在这里，神经网络的引入就可以较好地解决这些问题。随着神经网络理论研究和实际应用的不断深入，神经网络在机器人决策系统中的应用越来越受到人们的重视。
2 机器人决策设计
本系统采用前向神经网络作为机器人决策的理论依据，并将其看作是对输入与输出间的变换器，即输入向量x对输出y的一个映射。其变换原理可用数学模型推出。而后寻找建立模型的参数进行推导。
(1) 前向神经网络数学模型及算法
该模型数学表达式：
式中：
τij――输入和输出的延时；
Tj――神经元j的阀值；
wij――神经元i神经元j的突触连接系数或称权重值；
f()――神经元的转移函数（既符号函数）。
由输入列向量可以决定神经网络输入层的节点，在实际应用中，网络的输入层可以调节。每个结点的输入可以为n个，例如K输入单输出的神经元模型。对于单个神经元来讲，把它看成是微处理器毫不为过。
其实，人类对事务的判断与决策完全取决于它的信息量的性质。性质不同，其数学模型也完全不同。机器人通过视觉对图象理解并作出判断，进而给出决策时，首先对图象的特征信息进行处理，才能建立可靠运行、决策正确的数学模型。已知机器人的活动范围在4万平方米的水域中活动，需要决策的对象已在参考模板中，如何用神经网络实现机器人决策？神经网络对特征信息的训练精度，输入与输出间的数学模型的建立是非常关键的。因为水域中的图象是静止的，颜色基本为透明并呈现蓝色，这些参数设为固定的，所以我们采用图象压缩技术和灰度等级固定的参数使之成为背影，在机器人决策中不需要参与运算。机器人决策的激励对象是图象的特征参数，为一组列向量，它包括物体的颜色、形状、尺寸、物体的环境因素（风速、天气温度、湿度、季节等）等参数。根据机器人工作的具体环境，经过分析实验，找出输入与输出的关系符合线性函数，如图所示。
其中：
b 是背景参数；（水域背景）
C 是斜率，可以调整；
x 是输入列向量;（该值可能为正或负，与实际取值有关）
其斜率的取值反应了图象识别敏捷性。也间接地反应了机器人决策的灵敏性和可靠性。设输入与输出的线性关系斜率为C，C的取值根据系统调试来决定。斜率越大，神经网络训练越快，输出与参考模板匹配越快，系统灵敏度越高，机器人给出的决策也越机敏。
(2) 机器人决策分析
系统的决策最终表现为系统通过大量的信息处理之后作出的判断，即决定系统的最终的结果。例如：机器人从得到信息到作出判断或行动，则信息的误差率对决策有着至关重要的作用。人类对事物的认知很大程度上可以视为从属性描述中进行归纳的行为。机器人对事物的判断如同医生对病人的诊断，就是通过观察病例的有关属性即病症，掌握必要的数据后，再根据临床经验和知识作出判断。由此可见，基于属性的描述是一类重要的知识表示方法。系统中信息是以属性集的形式出现的，属性由属性名与可取值的范围来定义，所有的属性组成一个固有的属性集。
考虑系统的抉择问题，属性集由系统出现的初期状态和差错状态组成，通过这些状态信息来表征系统最后的异常，至于对应系统的抉择集具体的描述如下：
令FS是系统S的抉择集FS={f0,f1,f2,…,fn},具体含义在不同的系统中有所不同，在后面的示例中将给出一组对应该示例的含义。在机器人系统中，系统S的抉择集就是图形参考模板，它是具有学习功能的系统，这在以后的文章中阐述，在此仅把参考模板看作是不便的常数来分析。
ASi={A|A属性作为系统S的动态属性，能表示由抉择fi导致的差错}
IN_AS={Ak|Ak属性作为S的输入属性，能决定S动态特性}
由此得到系统S的抉择集FS对应的属性集AS,不妨设AS={A1, A2, A3,… ,Am}。t是可判断出系统S的抉择，下式表示抉择fi：
式中Aj(t)表示属性Aj在时刻t的取值，j = 1, 2,… ,m。 Φ也代表具体的作出抉择的方法。若把Φ看作是系统进行的抉择，则取值应是属性集AS在0―t 时间段上的所有取值，而抉择结果可能不仅仅是某个f ，而是FS中若干抉择结果的逻辑运算。因此从本质上讲，系统的抉择就是寻找获得的信息到系统抉择的映射。
属性集包括的数据为：正前方的图象信息、左方的图象信息、温度信息、右方的图象信息、水的质量信息、时间信息、自身所带的地图信息、天气信息。
最终的决策为：
决策一：向左运动 左方有目标或前方有障碍物；
决策二：向右运动 右方有目标或前方有障碍物；
决策三：向后退 前方有障碍物（由正前方图象信息发现）；
决策四：调节水质 水质超标；
决策五：开始运动 机器人初始状态S0；
决策六：停止工作 由工作时间决定（定时器Tx）；
决策七：调节地图信息 MAPx；
决策八：收集垃圾 目标y出现；（y可以是参考模板中的机器人扑获对象中的任意一种垃圾）；
决策九：调节运动的速度 天气信息（温度、湿度、季节）。
学习过程如下：
① 选择训练样本。随机选取一定数量的属性抉择值对，以这些属性对作为训练用例。
② 学习训练。用学习算法进行训练，寻找出神经网络训练出的结果。
③ 对新增的属性决策对，在已有的神经网络的基础上，通过调整权值，进行争抢学习。
④ 检验抉择结果。对已形成的神经网络有其他的属性――抉择对进行验证，当抉择的正确率不满足要求的时候，则将那些不满足要求的用例增加到训练的用例中，返回到③重新进行学习，直到满足要求为止。
3 人工神经网络学习算法分析
这里假定神经元有两个状态，所以每个神经元定义输入空间上的一个超平面。各个神经元的连接权{wj}将通过梯度方法分别进行计算。训练的方式为实例教学，训练集是由例子矢量Xk及期望输出bk组成的模式对{Xk，bk}的集合。
神经元的变化函数为符号函数，一旦训练结束还是采用两状态神经元，其最小化准则是：
其中b=f(∑jwjxjk),这里f为符号函数。
学习规则表示为：
对单层结构，学习规则能确保收敛到均方最小解。如果类是线性可分的，该准则能对其进行较好地划分。一般情况下的δ学习规则的学习结果优于其他的学习算法。这里的叙述忽略了对神经阀值θ的讨论。因为这可以把θ视为已连接权。固定输入为－1，这样就可以将θ的学习合并到w中，即w0=θ。
这里主要介绍属性集的建立和属性集各个分量的含义，以及神经网络的学习过程。
4 神经网络的软件实现
神经网络软件要求在硬件平台上实现。编程语言可以是高级语言也可以是低级语言（汇编语言）。C语言是神经网络应用软件的基本编程工具，也可以使用MATLAB神经网络工具箱。目前流行的神经网络工具箱Neural Networks Toolbox2.0版本，它几乎概括了现有的神经网络的成果，涉及的网络模型有感知器。
5 结束语
本文将机器人的决策作为一种分类问题进行研究，采用两层前向神经网络算法进行机器人的决策。由于采用了神经网络，可以在训练的同时建立与问题对应的网络结构，因此确保了最终形成的网络的分类和抉择的能力。在保证学习精度的同时，又有算法较强的自适应学习能力，同时也保证了网络对新采集决策例子可以进行增量式的学习。
参考文献
[1]李士勇,模糊控制、神经控制和智能控制.哈尔滨：哈尔滨工业大学出版社,1998.
[2]赵林明,多层前向人工神经网络.郑州：黄河水利出版社,1999.
[3]何佳洲,周志华,陈兆乾.系统故障诊断的一种神经网络方法.计算机工程与应用,1996.
[4]韩力群.人工神经网络理论、设计及应用.北京：化学工业出版社,2004.
[5]周开利，康耀红.神经网络及其MATLAB仿真程序设计.北京：清华大学出版社,2005.
[6]阎平凡.人工神经网络与模拟进化计算.北京：清华大学出版社,2000.
