前言：中文期刊网精心挑选了神经网络的现状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。
神经网络的现状范文1
关键词：卷积神经网络 现场可编程门阵列 并行结构
中图分类号：TP183 文献标识码：A 文章编号：1007-9416（2015）12-0000-00
1 引言
卷积神经网络（Convolutional Neural Network， CNN）具有良好的处理能力、自学能力及容错能力，可以用来处理复杂的环境信息，例如，背景情况不明，推理规则不明，样品存有一定程度的缺陷或畸变的情况。所以，卷积神经网络被广泛应用于目标检测、物体识别和语音分析等方面[1]。现场可编程门阵列（Field Programmable Gate Array， FPGA），作为可编程使用的信号处理器件，其具有高集成度、运行高速、可靠性高及采用并行结构的特点，易于配合CNN处理数据。
2 国内外研究现状
2.1 神经网络的模型结构
根据研究角度、数据传递方式、数据处理模式、学习方法等的不同，多种神经网络模型被构建出来。目前主要有四种模型被广泛应用中[2][3]：
（1）前馈型神经网络。此类神经元网络是由触突将神经原进行连接的，所以网络群体由全部神经元构成，可实现记忆、思维和学习。此种类型的网络是有监督学习的神经网络。（2）递归型神经网络。此种神经网络又称为反馈网络，以多个神经元互相连接，组织成一个互连的神经网络，使得电流和信号能够通过正向和反向进行流通。（3）随机型神经网络。此种神经网络的运行规律是随机的，通过有监督学习方法进行网络训练。（4）自组织竞争型神经网络。此种神经网络通过无监督的学习方法进行网络训练，一般具有两层网络结构，输入层和竞争层。两层间的各神经元实现双向全连接。
2.2 神经网络的学习方法
神经网络的学习方法用来解决调整网络权重的问题，是指完成输入特征向量映射到输出变量之间的算法，可以归纳为三类[4-7]：
（1）有监督的学习。在学习开始前，向神经网络提供若干已知输入向量和相应目标变量构成的样本训练集，通过给定输入值与输出期望值和实际网络输出值之间的差来调整神经元之间的连接权重。（2）无监督的学习。此种学习方法只需要向神经网络提供输入，不需要期望输出值，神经网络能自适应连接权重，无需外界的指导信息。（3）强化学习。此种算法不需要给出明确的期望输出，而是采用评价机制来评价给定输入所对应的神经网络输出的质量因数。外界环境对输出结果仅给出评价结果，通过强化授奖动作来改善系统性能。此种学习方法是有监督学习的特例。
2.3 卷积神经网络的结构
卷积神经网络为识别二维或三维信号而设计的一个多层次的感知器，其基本结构包括两种特殊的神经元层，一为卷积层，每个神经元的输入与前一层的局部相连，并提取该局部的特征[8]；二是池化层，用来求局部敏感性与二次特征提取的计算层[8]。作为部分连接的网络，最底层是卷积层（特征提取层），上层是池化层，可以继续叠加卷积、池化或者是全连接层。
3 FPGA实现神经网络的并行体系结构
（1）卷积神经网络的计算架构。卷积神经网络可以使用“主机”与“FPGA”相结合的体系模型，主机用来控制计算的开始和结束，并在神经网络前向传播计算过程中，提供输入图像等数据。主机与FPGA之间的通信可以通过标准接口，在主机进行任务分配的过程中可以对FPGA上的卷积神经网络进行硬件加速。当卷积神经网络开始启动计算，通过标准接口接收到主机传输的图像时，FPGA开始进行计算，并且使用FPGA中的存储器来存储卷积核权值。FPGA将会先完成卷积神经网络前向传播过程的计算，然后将其最后一层计算得到的结果输出给主机。（2）卷积神经网络并行体系架构。一、单输出并行结构：每次计算一个输出图像，其中会将多个输入图像和多个卷积核基本计算单元同时进行卷积运算，然后将全部卷积运算的结果与偏置值进行累加，再将结果输入非线性函数和自抽样子层进行计算。二、多输出并行结构：若卷积神经网络的计算单元中含有多个单输出的并行结构，那么输入数据可同时传送到多个单输出计算单元的输入端，从而组成多个单输出计算单元组成的并行结构。在卷积神经网络的并行计算结构中，每个卷积核计算单元在进行卷积操作时都要进行乘加运算，所以，有必要将单个的卷积运算拆分实现并行化，并且可以尝试将同一层内的多个卷积运算进行并行化。
4 结语
本文对卷积神经网络进行了介绍，总结了国内外的研究现状，结合卷积神经网络运算的特点与FPGA的快速计算单元数量及功能方面的优势，尝试阐述了在FPGA映射过程的卷积神经网络的并行体系结构。
参考文献
[1] Fan J，Xu W，Wu Y，et al. Human tracking using convolutional neural networks[J].IEEE Transactions on Neural Networks，2010（10）：1610-1623.
[2] 杨治明，王晓蓉，彭军.BP神经网络在图像分割中的应用.计算机科学[J].2007（03）：234-236.
[3] Simon Haykin . Neural networks ，a comprehensive foundation[M].second edition，Prentice Hall，1998.
[4] Herta J ， et al.Introduction to Theory of Neural Compution[M].Sant Fee Complexity Science Series，1991.156.
[5] 戴奎.神经网络实现技术[M].长沙：国防科技大学出版社，1998.
[6] 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，1996.
神经网络的现状范文2
【关键词】吨煤单耗 因素 BP神经网络 MATLAB仿真
1 引言
吨煤单耗是煤炭加工企业组织生产考核指标中的一项非常重要考核内容，它指的是输送或破碎环节中每输送或破碎一吨煤所消耗的电量。吨煤单耗与系统的运行时间、煤炭输送量、原煤破碎量、线路损耗、系统故障时间以及电量结算日期等因素有着密切的关系。据统计，几年前国内多数煤炭加工企业对吨煤单耗的计算并未形成一种相对精确的预测模型。我们知道影响吨煤单耗的因素很多，而且这些因素之间并不是简单的线性函数关系，基于此种现状本文将影响吨煤单耗计算的主要因素作为BP神经网络的输入，利用MATAB仿真软件对网络进行自学习式训练，通过多次训练建立了可靠的BP神经网络吨煤单耗预测模型，并将2011年、2012年部分实际生产数据与预测数据进行了对比验证，分析结果表明该模型预测的吨煤单耗能够满足指导生产实践、控制成本的要求。
2 BP神经网络预测模型的建立
2.1 BP神经网络的基本原理
在人工神经网络发展历史中，很长一段时间里没有找到隐层的连接权值调整问题的有效算法。直到误差反向传播算法（BP算法）的提出，成功地解决了求解非线性连续函数的多层前馈神经网络权重调整问题。BP （Back Propagation）神经网络，即误差反传算法的学习过程是由信息的正向传播和误差的反向传播两个过程组成。当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。本文就是利用其具有较强的非线性映射特性，来预测吨煤单耗的。
2.2 BP神经网络结构参数的设计
BP神经网络作为一种多层的前馈网络，根据Kolmogorov定理，对于任意给定的一个连续函数，都可以用一个三层的前馈网络以任意精度逼近，其输入层隐含层各节点之间，隐含层和输出层各节点之间用可调节的权值进行连接。本模型将选取一个三层的BP神经网络，从输入层到隐含层和从隐含层到输出层的激励函数（反映下层输入对上层节点刺激脉冲强度的函数）分别采用S型函数和线性函数。
2.3 各层神经元个数及参数的确定
2.3.1 网络输入层神经元个数的确定
在BP神经网络模型的设计中，输入和输出节点的多少是由具体问题来决定的。在吨煤单耗计算过程中，输入层神经元应选取对吨煤单耗计算有重要影响的几个因素：系统运行时间（h）、产量（t）、用电量（KW・h）、流程的效率（t/h）这样本模型的输入层共计有4个节点。
2.3.2 网络输出层和隐含层神经元个数的确定
输出层选取吨煤单耗、流程效率作为输出层神经元。
2.4 数据处理与训练样本的选择
由于BP神经网络的泛化能力更多地体现在内插功能上，对于外部数据的泛化能力很差，所以训练样本的选取对于能否通过训练得到合理、精确的模型来说是至关重要的。因此本模型选取了2010年，2011年两年内具有典型性的21组数据经过神经网络数据处理后，20组作为神经网络的训练样本，另外1组作为测试样本。本文中BP神经网络的激励函数为Sigmoid函数，这就要求网络的输入输出量均应在[-1，1]之间。对于连续值变量，我们需要进行归一化处理。本文所选的22组数据经归一处理后如表1所示（为公司数据保密此表只列出了归一处理后的相应数据）：
3 BP神经网络训练及预测分析
本模型采用MATLAB神经网络.m文件格式调用BP神经网络算法traingdm函数对20组归一化后的数据进行BP网络训练，学习速率设置为0.04，训练次数设置为10000次，目标误差10-3。
4 结论
综上所述，本模型能够较好的实现基于实际生产数据来预测吨煤单耗以及流程效率的功能，同时数据也表明用BP神经网络实现这一功能切实可行。通过此模型的建立我们可以通过控制流程的效率来控制吨煤单耗，从而控制实际吨煤单耗在考核指标以内，保证公司能够顺利完成全年的生产考核指标。
参考文献
[1]著作：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，2006（99）.
作者简介
李忠飞（1981-），通辽市奈曼旗人。研究生学历。现为内蒙古霍林河露天煤业股份有限公司煤炭加工公司维修一部工程师、控制理论与控制工程专业电修队队长。
神经网络的现状范文3
1 模糊系统的Takagi-Sugeno模型
模糊系统理论［11］是沟通经典数学的精确性与现实世界中大量存在的不精确性之间的桥梁。它是以模糊集合的形式表示系统所含的模糊性并能处理这些模糊性的系统理论，能够有效地处理系统的不确定性、测量的不精确性等模糊性。Takagi－Sugeno模糊系统（T －S模糊系统）作为函数模糊系统的一种特例，由于构成的各条规则采用线性方程式作为结论，使得模型的全局输出具有良好的数学表达特性，这在处理多变量系统时能有效地减少模糊规则个数，具有很大的优越性［12］。其规则表达如下［13］：
2 T-S模糊神经网络
模糊系统在模糊建模的过程中常存在学习能力缺乏，辨识过程复杂，模型参数优化困难等问题。而人工神经网络具有自学习、自组织和自适应的能力，具有强大的非线性处理能力。二者的结合构成模糊神经网络，可以有效地发挥模糊逻辑与神经网络的各自优势，弥补各自的不足［14］。
2．1 T－S模糊神经网络的结构
基于标准型的T －S模糊神经网络结构如图1所示。图1中第1层为输入层；第2层每个结点表示一个语言变量值；第3层用来匹配模糊规则前件，计算出每条规则的隶属度；第4层用于归一化计算，输出第 条规则的平均激活度［14］；第5层是输出层，它所实现的是清晰化计算。T －S模糊神经网络由前件网络和后件网络两部分组成。前件网络用来匹配模糊规则的前件，其结构与图1的前4层结构完全相同；后件网络用来产生模糊规则的后件，由N个结构相同的并列子网络组成［15］。
2．2 T－S模糊神经网络的学习算法
T －S模糊神经网络需要学习的参数主要有后件网络的连接权pkki以及前件网络第二层各结点隶属函数的中心值ckj及宽度σkj。设取误差代价函数为：
3 应用研究
以下通过实例介绍T －S模糊神经网络在地下水水质评价中的应用。
3．1 研究区概况
吉林省西部地区位于松嫩平原的西南部，地理坐标为东经123°09′～124°22′，北纬44°57′～45°46′。研究区东接吉林省长春市，南接四平市及辽宁省，西邻，北接黑龙江省，东北以嫩江、松花江和拉林河与黑龙江省为界。吉林省西部属半干旱半湿润的大陆性季风气候区，四季变化明显。该区多年平均气温3～6℃，多年平均降雨量为400～500mm。研究区大部分属于松嫩盆地，该盆地为一个巨大的含水层系统，埋藏有多层含水层，包括孔隙潜水含水层和承压水含水层（分别为浅层、中深层）、上第三系大安组、泰康组孔隙－裂隙含水层（深层）和白垩系下统及上统裂隙孔隙含水层（深层）。研究区的地下水补给来源主要为降水入渗，排泄以潜水蒸发和人工开采为主。
3．2 原始数据
原始数据取自于吉林西部2005年50个地下水水化学监测点的水质监测数据，结合研究区地下水水质状况，有针对性地选择了铁、氨氮、硝酸盐、亚硝酸盐、硫酸盐、氯化物、溶解性总固体、氟化物和总硬度共9项指标作为评价因子。地下水水质评价标准参照GB／T 14848－93《地下水质量标准》，评价标准见表1。
3．3 神经网络的准备工作
（1）训练样本、检验样本及其期望目标的生成。采用Mat－lab7．0的linspace函数在各级评价标准之间按随机均匀分布方式内插生 成 训 练 样 本。各 级 评 价 标 准 之 间 生 成500个，共2 000个训练样本，以解决仅利用各级评价标准作为训练样本，导致训练样本数过少的问题［16］。检验样本用生成训练样本同理的方法生成400个样本。小于一级标准的训练样本和检验样本的期望目标为按照生成训练样本和检验样本的内例产生对应的0～1．5之间的数值；一、二级标准之间的训练样本和检验样本的期望目标为按照生成训练样本和检验样本的内例产生对应的1．5～2．5之间的数值；同理，二、三级和三、四级标准之间的训练样本和检验样本的期望目标为2．5～3．5、3．5～4．5之间的数值。（2）水质评价等级的划分界限。据上述生成训练样本与检验样本目标输出的思路可以确定一、二、三、四、五各级水的网络输出范围分别为：＜1．5、1．5～2．5、2．5～3．5、3．5～4．5、＞4．5。（3）原始数据的预处理。利用Matlab7．0中的mapminmax函数将原始数据归一化到0与1之间。
3．4 T－S模糊神经网络的建立、训练、检验及水质评价
3．4．1 T－S模糊神经网络的建立
模糊神经网络的构建根据训练样本维数确定模糊神经网络输入／输出结点数、模糊隶属度函数个数。由于输入数据为9维，输出数据为1维，通过试错法确定模糊神经网络结构为9－18－1，即有18个隶属度函数。选择10组系数p0－p9，模糊隶属度函数中心和宽度c和σ随机得到，通过动态BP算法对网络的权值在线调整。隶属度函数采用高斯函数，模糊推理采用sum－product［14］，解模糊采用加权平均法。网络模型的概化如图1所示。T －S模糊神经网络的第3层输出为输入数据的隶属度函数；第4层输出为第 条规则的平均激活度；后件网络实现了T －S模型模糊规则空间到输出空间的映射，输出为yj＝pjk0＋pjk1x1＋…＋pjkmxm和y＝∑αk×yj。
3．4．2 网络的训练、检验及水质评价
采用归一化的训练样本和检验样本数据，对网络进行训练和检验。以10个水质待评点的基础数据（表2）为例，利用已训练好的模糊神经网络对其进行水质评价。网络输出结果见表3。
3．4．3 不同水质评价方法的对比分析
利用内梅罗指数法和BP人工神经网络法分别对上述水质待评点进行水质评价。BP人工神经网络的训练与检验样本生成方式同T －S模糊神经网络，确定BP神经网络的结构为9－3－1。规定各等级的期望输出值，为0．1，0．3，0．5，0．7，0．9。两种方法得到的评价结果如表3。由表3可知，3种方法的评价结果大体相同。利用训练好的模糊神经网络模型对50个待评点水质进行评价，结果如表4所示。由表4可以看出，吉林西部地区地下水资源已经遭受不同程度的污染，且部分地区地下水资源污染严重，需要进行有效的保护。
神经网络的现状范文4
决策支持系统经过二十多年的发展，形成了如图l所示公认的体系结构。它把模型并入信息系统软件中，依靠管理信息系统和运筹学这两个基础逐步发展起来。它为解决非结构化决策问题提供了相应的有用信息，给各级管理决策人员的工作带来了便利。从图1可以看出决策支持系统体系结构可划分为三级，即语言系统(LS)级、问题处理系统(PPS)级和知识系统fKS)级。其中问题处理系统级包括推理机系统(RS)、模型库管理系统(MBMS)、知识库管理系统(KBMS)及数据库管理系统(DBMS)。知识系统级包括模型库(MB)、知识库(KB)及数据库(DBo九十年代中期，兴起了三个辅助决策技术：数据仓库(DW)、联机分析处理(0LAP)和数据挖掘(DM)。联机分析处理是以客户，服务器的方式完成多维数据分析。数据仓库是根据决策主题的需要汇集大量的数据库，通过综合和分析得到辅助决策的信息。数据挖掘顾名思义，是为了获得有用的数据，在大量的数据库中进行筛选。人工智能技术建立一个智能的DSS人机界面，可进行图、文、声、像、形等多模式交互，人机交互此时变得更为自然和谐，人们能沉浸其中，进行合作式、目标向导式的交互方法。从目前情况来看，财务决策支持系统的研究还处于初级发展阶段，财务数据的保密性、特殊性决定了财务决策不能全部公开化、透明化，但随着中央及国务院相关部门财务预决算数据的公开，财务决策系统及其支持系统和过程也将随之公开，这就要求决策者充分利用财务知识和决策支持系统的知识“聪明”决策、合理决策、科学决策、规范决策。
2财务管理神经网络智能决策支持系统总体研究框架
2．1神经网络运行机制神经网络的着眼点是采纳生物体中神经细胞网络中某些可利用的部分，来弥补计算机的不足之处，而不是单单用物理的器件去完整地复制。第一，神经网络中的链接的结构和链接权都可以通过学习而得到，具有十分强大的学习功能；第二，神经网络所记忆的信息是一种分布式的储存方式，大多储存在神经元之间的权中；第三，神经网络部分的或局部的神经元被破坏后，仍可以继续进行其他活动，不影响全局的活动，因此说，神经网络的这种特性被称作容错性；第四，神经网络是由大量简单的神经元组成的，每个神经元虽然结构简单，但是它们组合到一起并行活动时，却能爆发出较快较强的速度来。我们可以利用神经网络的上述特点，将之应用于模式识别、自动控制、优化计算和联想记忆、军事应用以及决策支持系统中。
2.2财务管理神经网络集成智能财务DSS的必然性在企业经营管理、政府机构财务活动中，人们时常面临着财务决策。人们往往需要根据有关的理论及经验制定出一系列的衡量标准。这种评价是一个非常复杂的非结构化决策过程，一般都是由内行专家根据一定的专业理论凭经验和直觉在收集大量不完全、不确定信息基础上建立起多级指标体系。但在这种指标体系中，各种指标之间的关系很难明确，而且还受评价者的效用标准和主观偏好所左右。因此，很难在指标体系和评价目标间建立起准确的定量或定性模型。因此，我们需要采用一种可处理不确定性、不完全性信息的评价方法以支持决策。自然，利用人工神经网络构造系统模式来支持这类评价决策问题是目前财务管理智能决策支持系统的一种发展趋势和必然趋势圈。
2．3财务管理神经网络集成智能DSS系统框架神经网络智能决策支持系统主要以知识、数据和模型为主体，结合神经网络进行推理与数据开采。图2给出了神经网络智能决策支持系统研究框架『2I。研究中有两个重点，即神经网络推理系统和神经网络数据开采系统。
2．3．1神经网络数据开采系统神经网络数据开采时利用神经网络技术协助从数据中抽取模式。数据开采有五项基本任务：相关分析、聚类、概念描述、偏差监测、预测。常用的前馈式神经网络，如BP网络，可用于进行概念描述及预测。对向传播(CounterPropagation，简称CP)神经网路可用来进行统计分析和聚类。CP网络是美国神经计算专家RobertHecht—Nielsen提出的一种新型特征映射网络，其网络结构分输入、竞争、输出三层。该网络吸取了无教师示教型网络分类录活、算法简练的优点，又采纳了有教师示教型网络分类精细、准确的好处，使两者有机地结合起来。由竞争层至输出层，网络按基本竞争型网络学习规则得到各输出神经元的实际输出值，并按有教师示教的误差校正方法调整由竞争层至输出层的链接权。经过这样反复地学习，可以将任意输入模式映射为输出模式。
2.3.2财务管理神经网络推理系统财务管理神经网络推理系统主要利用神经网络的并行处理机制来解决传统推理方法中存在的“组合爆炸”、“无穷递归”，等问题。在神经网络系统中，计算与存储时完全合二为一的，即信息的存储体现在神经元互连的分布上，并以大规模并行方式处理。流动的过程就是从部分信息找到全部信息的过程，这就是联想记忆的基本原理。若视动力系统的稳定吸引子为系统计算能量函数的极小点，系统最终会流向期望的最小点，计算也就在运动过程中悄悄地完成了。因而，可用双向联想记忆(BAM)网络或CP网络实现并行推理。CP网络具有特殊的联想推理映射功能。将输入学习模式和期望输出模式取为同一模式，且将之分为x和Y两部分。网络通过提供的样本对进行充分的学习后，就可用来进行模式问的联想推理。
3财务管理神经网络智能DSS研究展望
当前世界上最热门的研究课题，是模仿人类的思维方式来解决实际问题。专家系统和人工神经网络是比较常用的技术，但由于自身的局限性，它们都侧重于人类思维方式的某一方面。平时解决简单的问题的时候还好，但真遇到解决复杂的问题的时候，它就显得力不从心了，所以，这个时候我们可以将两种技术结合起来解决，除了它们要自身不断发展和完善外，还要注重两者的协调配合，神经网络DSS未来的发展趋势就是依靠这两种技术不断结合，从而能帮助我们解决更多的实际问题。
3．1财务管理神经网络支持专家系统常见的财务管理神经网络支持专家系统主要包括几个方面：知识维护、知识表示、知识获取、推理等，我们针对各个步骤展开讨论。
3．1．1知识维护。如果知识是通过人工神经网络来获取的，我们就可以同样利用人工神经网络，来让维护工作变得更加方便快捷，维护可以通过人工神经网络来自动完成，我们需要做的只是重新运行网络模块，或者重新训练网络模块，又或是增加新的网络模块。
3．1.2推理。一般的专家系统只是求解专门性问题，应用的领域非常狭窄，同时由于控制策略不灵活，推理方法简单，容易出现一些这样或那样的问题，推理效率低、速度慢。人-T-~$经网络可以解决这一问题，从根本上提升工作效率，提高工作速度，它可以拓展知识空间，不只局限在狭窄的领域。
3．1．3知识表示。很多专家知识事实上很难用规则表示出来，但在现实工作中，我们大部分财务管理专家却都采取这种方式，无论是直接的还是间接的。其它的知识表示方法也存在着同样的问题。为了解决这一问题，我们可以采用人工神经网络系统来将知识提供给专家系统，这样做就可以避免这一问题，当专家系统需要相应知识时，就不需要用规则来表示知识，直接调用人工神经网络就可以了。
3．1．4知识获取。人工神经网络可以帮专家系统来获取知识，知识获取是通过人机对话的形式进行的。首先，专家系统向专家提出问题，人工神经网路则负责对这些信息进行收集、处理，在人工神经网络的联结权值中已经具有通用的知识，所以这一步骤会很方便，之后再产生相应的数据结果。接着，专家系统在对这些数据进行进一步的分析。在这一过程中，专家系统只运用很少的规则就可以获得相关的知识，大大提高了工作效率。
3.2财务管理专家系统支持神经网络财务管理专家主要通过三种方式来对神经网络提供必要的支持：第一，提供相应的必要的解释；第二，进行预处理：第三，联合应用。
3.2.1解释。作为专家系统的人工神经网络，它做不到同其他专家系统那样，具体详细地跟踪问题求解的过程，以获得答案的原因，它只能依靠增加一个小型的专家来解决这一问题，以获得答案的原因，这个专家系统可以反向推理，从结果到初始输入，系统提供具体的解决方法。在这种模式中，经过训练的人工神经网络来解决问题。当用户要求解释的时候，就可以通过网络输入一个并行的专家系统。
神经网络的现状范文5
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）.
神经网络的现状范文6
1模糊系统的Takagi?Sugeno模型
模糊系统理论［11］是沟通经典数学的精确性与现实世界中大量存在的不精确性之间的桥梁。它是以模糊集合的形式表示系统所含的模糊性并能处理这些模糊性的系统理论，能够有效地处理系统的不确定性、测量的不精确性等模糊性。Takagi－Sugeno模糊系统（T－S模糊系统）作为函数模糊系统的一种特例，由于构成的各条规则采用线性方程式作为结论，使得模型的全局输出具有良好的数学表达特性，这在处理多变量系统时能有效地减少模糊规则个数，具有很大的优越性［12］。其规则表达如下［13］：式中：Rj为第j条模糊规则；xi为模糊语言变量；Aij（xi）为xi的第j个语言变量值，它是定义在xi论域上的一个模糊集合，相应的隶属度函数为μjAi（xi）；pkji为模糊系统参数；yj为根据模糊规则得到的输出；If部分是前提或前件，then部分是结论或后件。
2T?S模糊神经网络
模糊系统在模糊建模的过程中常存在学习能力缺乏，辨识过程复杂，模型参数优化困难等问题。而人工神经网络具有自学习、自组织和自适应的能力，具有强大的非线性处理能力。二者的结合构成模糊神经网络，可以有效地发挥模糊逻辑与神经网络的各自优势，弥补各自的不足［14］。
2．1T?S模糊神经网络的结构基于标准型的T－S模糊神经网络结构如图1所示。第5层是输出层，它所实现的是清晰化计算。T－S模糊神经网络由前件网络和后件网络两部分组成。前件网络用来匹配模糊规则的前件，其结构与图1的前4层结构完全相同；后件网络用来产生模糊规则的后件，由N个结构相同的并列子网络组成［15］。
2．2T?S模糊神经网络的学习算法T－S模糊神经网络需要学习的参数主要有后件网络的连接权pkki以及前件网络第二层各结点隶属函数的中心值ckj及宽度σkj。令上述T－S模型的参数pkji固定，则T－S模糊神经网络结构可简化为图1。简化结构本质上也是一种多层前馈网络，所以可仿照BP网络用误差反传的方法来设计调整参数的学习算法［15］。
3应用研究
以下通过实例介绍T－S模糊神经网络在地下水水质评价中的应用。
3．1研究区概况吉林省西部地区位于松嫩平原的西南部，地理坐标为东经123°09′～124°22′，北纬44°57′～45°46′。研究区东接吉林省长春市，南接四平市及辽宁省，西邻，北接黑龙江省，东北以嫩江、松花江和拉林河与黑龙江省为界。吉林省西部属半干旱半湿润的大陆性季风气候区，四季变化明显。该区多年平均气温3～6℃，多年平均降雨量为400～500mm。研究区大部分属于松嫩盆地，该盆地为一个巨大的含水层系统，埋藏有多层含水层，包括孔隙潜水含水层和承压水含水层（分别为浅层、中深层）、上第三系大安组、泰康组孔隙－裂隙含水层（深层）和白垩系下统及上统裂隙孔隙含水层（深层）。研究区的地下水补给来源主要为降水入渗，排泄以潜水蒸发和人工开采为主。
3．2原始数据原始数据取自于吉林西部2005年50个地下水水化学监测点的水质监测数据，结合研究区地下水水质状况，有针对性地选择了铁、氨氮、硝酸盐、亚硝酸盐、硫酸盐、氯化物、溶解性总固体、氟化物和总硬度共9项指标作为评价因子。地下水水
3．3神经网络的准备工作（1）训练样本、检验样本及其期望目标的生成。采用Mat－lab7．0的linspace函数在各级评价标准之间按随机均匀分布方式内插生成训练样本。各级评价标准之间生成500个，共2000个训练样本，以解决仅利用各级评价标准作为训练样本，导致训练样本数过少的问题［16］。检验样本用生成训练样本同理的方法生成400个样本。小于一级标准的训练样本和检验样本的期望目标为按照生成训练样本和检验样本的内例产生对应的0～1．5之间的数值；一、二级标准之间的训练样本和检验样本的期望目标为按照生成训练样本和检验样本的内例产生对应的1．5～2．5之间的数值；同理，二、三级和三、四级标准之间的训练样本和检验样本的期望目标为2．5～3．5、3．5～4．5之间的数值。（2）水质评价等级的划分界限。据上述生成训练样本与检验样本目标输出的思路可以确定一、二、三、四、五各级水的网络输出范围分别为：＜1．5、1．5～2．5、2．5～3．5、3．5～4．5、＞4．5。（3）原始数据的预处理。利用Matlab7．0中的mapminmax函数将原始数据归一化到0与1之间。
3．4T?S模糊神经网络的建立、训练、检验及水质评价
3．4．1T?S模糊神经网络的建立模糊神经网络的构建根据训练样本维数确定模糊神经网络输入／输出结点数、模糊隶属度函数个数。由于输入数据为9维，输出数据为1维，通过试错法确定模糊神经网络结构为9－18－1，即有18个隶属度函数。选择10组系数p0－p9，模糊隶属度函数中心和宽度c和σ随机得到，通过动态BP算法对网络的权值在线调整。隶属度函数采用高斯函数，模糊推理采用sum－product［14］，解模糊采用加权平均法。网络模型的概化如图1所示。T－S模糊神经网络的第3层输出为输入数据的隶属度函数；第4层输出为第条规则的平均激活度；后件网络实现了T－S模型模糊规则空间到输出空间的映射，输出为yj＝pkj0＋pjk1x1＋…＋pjkmxm和y＝∑αk×yj。
