前言：中文期刊网精心挑选了神经网络的含义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。
神经网络的含义范文1
关键词：工程造价；新方法；应用；人工神经网络
中图分类号：TU723文献标识码： A
一、工程造价的含义
工程造价是指建设项目从筹建到竣工验收所花费的全部费用总合，或指建设一项工程预期开支或实际开支的全部固定资产投资费用。其中又可分为广义的造价及狭义的造价两种，前者是指建设项目的建设成本，即完成一个项目所需费用的总和，它包括用地取得费用、设计费、工程建造费及其它相关费用；后者是工程的建造费用（或称承包价格）。
二、工程估算精细程度
工程估算根据精细程度及工程生命周期等方面的差异，估算种类也会有所不同，估算过程受限于信息确定性、时间迫切性及估算目的等需求差异，一般可将估算分为概算估算及明细估算两种。
一是概算估算：在工程可行性分析及初步设计阶段时，由于项目能取得的信息非常有限，无法针对细目详细编列，仅能利用以往的数据资料、类似的案例或草图，推估可能的建设成本；由于估算过程考虑的细节并不周全，因此，估算结果与实际状况可能会产生较大的落差，精确度为±15%~±20%。概算估算又可根据信息取得的多少，分为粗估及概估。
二是明细估算：当工程细节设计完成后，依据完整的设计图及施工规范，详细计算出全部工程的材料、人力、机械设备等各种工程数量，再根据市场行情核算其总价，其估价精确度为±5%~±10%。
三、人工神经网络在工程造价工作中的应用
（一）人工神经网络
人工神经网络（Artificial Neural Networks， ANN），或称为人工神经网络，是指模拟生物神经网络的信息处理系统。它使用大量简单的人工神经元来模仿生物神经网络的能力。人工神经元是生物神经的简单模拟。它从外界环境或其它人工神经元取得信息，并加以非常简单的运算，将输出结果传送到外界或其它人工神经元。人工神经网络是由许多人工神经细胞（artificial neuron）所组成，人工神经细胞又称人工神经元、人工神经元、处理单元（processing element）。人工神经网络具有下列特性：高速计算力、高容记忆能力、学习能力及容错力。
（二）人工神经网络的种类
一是监督式学习网络。监督式学习网络是自问题领域中取得培训范例（有输入及输出变量值），并从中学习输入变量与输出变量的内在对应规则，以应用于新的案例，即利用输入变量以推估输出变量。监督式学习网络较具代表性、实用性的种类为多层感知器（MLP）。
二是无监督式学习网络。无监督式学习网络是自问题领域中取得培训范例（只有输入变量值），并从中学习范例的内在聚类规则，以应用于新的案例，即利用输入变量以推论它与哪些培训范例属同一聚类。无监督式学习网络较具代表性、实用性的种类为自组织映像图网络（SOM）、自适应共振理论网络（ART）。
三是联想式学习网络。联想式学习网络是自问题领域中取得培训范例，并从中学习范例的内在记忆规则，以应用于新的案例，即利用不完整的状态变量以推论完整的状态变量。联想式学习网络较具代表性、实用性的种类为霍普菲尔网络（HNN）、双向联想记忆网络（BAM）。
（三）人工神经网络在工程造价工作中的应用
人工神经网络在工程造价中的应用主要包括如下四种形式：一是监督式应用，可分为分类型及预测型，分类是指期望输出值为逻辑的二元值；二是无监督式学习的应用属于聚类分析，可作为监督式应用的前端处理；三是联想式学习可应用于资料处理，依其特性可分成自联想与异联想，自联想为由一个式样联想同一个式样，异联想为由一个式样联想另一个式样；四是目前人工神经网络最佳化应用主要是用于组合最佳化问题，即设计变量是离散值。
在具体的使用过程中，需要建立人工神经网络模型。神经网络模型的建立包括网络层数和各层参数的确定。输入、输出层参数包括神经元的个数以及每个单元所代表的物理量，其中输入层单元的个数及其物理含义表示所需要解决问题的已知量的个数和内容，输出层单元的个数及其物理含义表示所需解决问题的答案。以建筑工程为例，要建立一个工程造价预测的神经网络模型，应根据建筑工程的类别（住宅楼、商住楼、写字楼、工业建筑、酒店等），确定影响其造价的主要因素作为输入层。比如需要预测一个住宅楼的造价，则可确定建立的神经网络模型的输入层为:建筑结构、基础形式、建筑面积、户型、内装修、外装修、地面工程、门窗工程（可根据所需模型精度选取更加详细的影响因素）;输出层为该工程的工程造价（或单方造价）。人工神经网络使用BP算法，这是采用梯度法即在权重空间沿梯度调整权重，使总误差向减小的方向变化，直到最小。权的修正是所有样本输入后，计算其总的误差后进行的。采用反向传播的BP算法进行工程造价的预测，可以把收集的并进行加工处理后的已知数据样本作为训练样本，按照编制的程序进行网络学习（即进行迭代），可得到一个训练好的造价预测样本。将待估工程的各个参数通过必要的整理加工后，输入到程序中，因网络参数已经确定，即可得到待估工程的预测造价。
四、小结
建筑工程项目在可行性分析阶段，往往需要针对项目投资成本进行分析及评估，以作为投资者判断是否可执行此项目的决策依据。建筑工程造价的预估在专案中占有一定的重要性，但由于项目初期所能取得的信息相当有限。因此，利用有限的信息，快速且准确的预估工程造价，是投资者或开发人员需普遍注重的课题。以神经网络技术可以发展出预估建筑工程造价的模式，借助这个网络系统，能提供投资者或开发人员在建筑项目可行性分析阶段时，一个投资决策上有用的工程造价预估模式。
参考文献：
[1] 王新征，邢利英. 基于BP神经网络的显著性工程造价估算方法[J]. 人民黄河. 2011（05）
神经网络的含义范文2
关键词：软土地基;沉降;GRNN;BP;预测
中图分类号：TU471.8 文献标识码：A 文章编号：
1 引 言
我国沿海与内陆地区分布有大量的软土地基。因此，在这些地域[1]，如何有效地预测与控制软土地基的沉降变形对于公路、桥梁等大跨度土木工程的顺利施工与运行有着重要意义。然而，目前软土地基的变形预测方法仍然是一个研究难点，主要原因为：①土体本身的本构模型仍难以精确给出，由此软土变形的物理机制尚有待研究；②常用的基于e-p曲线的分层总和方法虽然提供了理论指导且简便易行，但是应用时通常要根据情况乘以一个经验系数，但经验系数的确定又成为一个难题。
当理论方法无法暂时无法给出满意的解答时，考虑使用非线性方法建模来研究通常是一个合理的选择。由于软土地基的沉降变形可能与软土本构模型、路基特性、控制措施以及软土的应力历史等多种因素相关，因而该问题应归属于非线性预报模型问题。常用非线性建模方法有灰色理论[2]、神经网络方法[3]等，其中神经网络方法根据数学机理的不同，又分为Hopfield、BP、RBF等多种方法。广义回归神经网络（GRNN）是近年来兴起的一种用于非线性模型建立的算法，该算法拥有调节参数少、稳健性良好以及收敛速度快等多种优点，故本文选用该算法探究建立软土地基变形预测模型。
2 GRNN神经网络
2.1 GRNN神经网络结构
GRNN本质上也是一种径向基网络（RBF），近期被众多学者应用到线性与非线性函数的回归、拟合领域。理论研究表明，只要在隐含层中设置足够多的神经元，GRNN和RBFNN都能逼近任意的连续函数[4]。通常情况下，GRNN为四层结构，输入层、径向基层、特殊的线性层以及输出层，其与RBFNN的不同之处正是在于其线性层。典型的GRNN网络结构如图1所示。
图1 GRNN网络结构图
在如上图所示网络结构中，径向基层的径向基函数通常选用高斯基函数（）作为概率密度函数。设输入向量为，输出变量为，则联合概率密度函数为:
(2.1)
其中，表示的是输入向量；含义为输出向量；为平滑参数，满足。
GRNN网络的网络结构与神经元的权值在学习样本确定之后就已基本确定，故其网络的训练主要在于平滑参数的确定，即网络训练过程中人为调节的阈值仅有一个，这个特点也使其尽可能避免了人工干预。通过若干次神经网络训练，选取使得网络训练误差最小的值。
2.2 GRNN非线性拟合简例
为便于说明GRNN神经网络的非线性拟合能力，选择如式(2.2)所示的常规非线性函数进行拟合分析，并将其拟合结果与BP神经网络相对比。
(2.2)
图2.1 BP神经网络拟合结果
图2.2 GRNN拟合结果
图2 BP与GRNN网络拟合结果对比
由图2对比，不难看出，对于某同样非线性函数，GRNN的拟合结果明显优于BP神经网络，且在全局误差收敛性较好。同时，程序记录BP神经网络拟合耗时为17.329s，而GRNN拟合耗时仅为0.046s，故从时间成本上看，GRNN也具有独特的优越性
3 基于GRNN的软土地基预测应用
3.1预测模型建立流程
根据GRNN预测模型建立的特点，针对软土地基沉降这一具体的工程问题，制定分析步骤如下：
a.网络参数设置初始化；
b.分析影响因素，输入样本数据；
c.训练网络，确定平滑参数；
d.网络训练完成；
e.由已建网络模型进行软土地基沉降预报。
3.2实例分析
为使得实例分析具有实际工程意义，选取与文献[5]相一致的输入样本，如表1所示。
表1 神经网络模拟样本
对于以上神经网络模拟样本，建立GRNN神经网络，本文的模型拟合结果与文献[5]结果对比如表2所示。
表2 神经网络模拟结果
由表2，不难看出，在相同的样本数据下，基于GRNN的软土地基沉降预测模型较文献[5]中的方法优化不少，也验证了该方法的实用价值。
同样地，应用上述建立的GRNN网络模型，预测软土地基沉降如表3所示。
表3 神经网络模拟结果
由表3可见，本文的建立的神将网络模型预测收敛迅速，精度良好。
4 结论
本文针对软土地基沉降预测高度非线性的特点，提出了使用GRNN神将网络来进行精确拟合与预报沉降量的方法。结合实例，验证了本文提出的方法相比于其它数种神经网络方法具有收敛性优越，精度良好，且耗时短的优点，易于实用。
[参考文献] (References)
[1] 李彰明.软土地基加固与质量监控[M].北京:中国建筑工业出版社,2011.
[2] 邓聚龙.灰理论基础[M].武汉:华中科技大学出版社,2002.
[3] 韩丽.神经网络结构优化方法及应用[M].北京:机械工业出版社,2012.
[4] Marquez L, Hill T. Function approximation using back propagation and general regression neural networks[C]. In Proceeding of the Twenty-Sixth Hawaii International Conference on System Sciences,1993.
神经网络的含义范文3
关键词：神经网络；VC维；数据挖掘
中图分类号：TP183文献标识码：A文章编号：1009-3044(2008)30-0710-02
A Review of the Research and Development of the Artificial Neural Nets
WANG Hui
(Xinjiang Petroleum Institute,Urumqi 830000,China)
Abstract: This paper reviews the history and the current situation of the theory of neural nets. It discusses two aspects: the Vapnik-Chervonenkis dimension calculation and the data mining in neural nets. It also touches upon such research areas as calculation theory, methods and application of neural nets.
Key words: neural nets;Vapnik-Chervonenkis dimension;Data Mining
1 引言
本世纪初，科学家们就一直探究大脑构筑函数和思维运行机理。特别是近二十年来。对大脑有关的感觉器官的仿生做了不少工作，人脑含有数亿个神经元，并以特殊的复杂形式组成在一起，它能够在计算某些问题（如难以用数学描述或非确定性问题等）时，比目前最快的计算机还要快许多倍。大脑的信号传导速度要比电子元件的信号传导要慢百万倍，然而，大脑的信息处理速度比电子元件的处理速度快许多倍，因此科学家推测大脑的信息处理方式和思维方式是非常复杂的，是一个复杂并行信息处理系统。1943年McCulloch和Pitts结合了神经生理学和数理逻辑的研究描述了一个神经网络的逻辑演算。他们的神经元模型假定遵循一种所谓“有或无”(all-or-none)规则。如果如此简单的神经元数目足够多和适当设置突触连接并且同步操作，McCulloch和Pitts证明这样构成的网络原则上可以计算任何可计算的函数，这标志着神经网络学科的诞生。
2 发展历史及现状
2.1 人工神经网络理论的形成
早在40年代初，神经解剖学、神经生理学、心理学以及人脑神经元的电生理的研究等都富有成果。其中，神经生物学家McCulloch提倡数字化具有特别意义。他与青年数学家Pitts合作[1]，从人脑信息处理观点出发，采用数理模型的方法研究了脑细胞的动作和结构及其生物神经元的一些基本生理特性，他们提出了第一个神经计算模型，即神经元的阈值元件模型，简称MP模型，他们主要贡献在于结点的并行计算能力很强，为计算神经行为的某此方面提供了可能性，从而开创了神经网络的研究。50年代初，神经网络理论具备了初步模拟实验的条件。Rochester，Holland与IBM公司的研究人员合作，他们通过网络吸取经验来调节强度，以这种方式模拟Hebb的学习规则，在IBM701计算机上运行，取得了成功，几乎有大脑的处理风格。但最大规模的模拟神经网络也只有1000个神经元，而每个神经元又只有16个结合点。再往下做试验，便受到计算机的限制。人工智能的另一个主要创始人Minsky于1954年对神经系统如何能够学习进行了研究，并把这种想法写入他的博士论文中，后来他对Rosenblatt建立的感知器(Perceptron)的学习模型作了深入分析。
2.2 第一阶段的研究与发展
1958年计算机科学家Rosenblatt基于MP模型，增加了学习机制，推广了MP模型。他证明了两层感知器能够将输入分为两类，假如这两种类型是线性并可分，也就是一个超平面能将输入空间分割，其感知器收敛定理：输入和输出层之间的权重的调节正比于计算输出值与期望输出之差。他提出的感知器模型，首次把神经网络理论付诸工程实现。1960年Widrow和Hoff提出了自适应线性元件ADACINE网络模型，是一种连续取值的线性网络，主要用于自适应系统。他们研究了一定条件下输入为线性可分问题，期望响应与计算响应的误差可能搜索到全局最小值，网络经过训练抵消通信中的回波和噪声，它还可应用在天气预报方面。这是第一个对实际问题起作用的神经网络。可以说，他们对分段线性网络的训练有一定作用，是自适应控制的理论基础。Widrow等人在70年代，以此为基础扩充了ADALINE的学习能力，80年代他们得到了一种多层学习算法。
Holland于1960年在基因遗传算法及选择问题的数学方法分析和基本理论的研究中，建立了遗传算法理论。遗传算法是一种借鉴生物界自然选择和自然遗传机制的高度并行、随机、自适应搜索算法，从而开拓了神经网络理论的一个新的研究方向。1976年Grossberg提出自适应共振理论(ART)，这是感知器较完善的模型，即superrised学习方式。本质上说，仍是一种unsuperrised学习方式。随后，他与Carpenter一起研究ART网络，它有两种结构ART1和ART2，能够识别或分类任意多个复杂的二元输入图像，其学习过程有自组织和自稳定的特征，一般认为它是一种先进的学习模型。另外还有Werbos提出的BP理论以及提出的反向传播原理；Fukushima 提出了视觉图象识别的Neocognitron模型这些研究成果坚定的神经网络理论的继续研究。
2.3 第二次研究的阶段
Hopfield于1982年至1986年提出了神经网络集体运算功能的理论框架，随后，引起许多学者研究Hopfield 网络的热潮，对它作改进、提高、补充、变形等，至今仍在进行，推动了神经网络的发展。1983年Kirkpatrick等人先认识到模拟退火算法可应用于NP完全组合优化问题的求解。这种思想最早是由Metropolis等人在1953年提出的，即固体热平衡问题，通过模拟高温物体退火过程的方法，来找全局最优或近似全局最优，并给出了算法的接受准则。这是一种很有效的近似算法。1984年Hinton等人提出了Boltzmann机模型，借用统计物理学中的概念和方法，引入了模拟退火方法，可用于设计分类和学习算法方面，并首次表明多层网络是可训练的。Sejnowski于1986年对它进行了改进，提出了高阶Boltzmann机和快速退火等。
1986年Rumelhart和McClelland 合著的Parallel Distributed Processing: Exploratio n in the Microstructures of Cognition两卷书出版，对神经网络的进展起了极大的推动作用。它展示了PDP研究集团的最高水平，包括了物理学、数学、分子生物学、神经科学、心理学和计算机科学等许多相关学科的著名学者从不同研究方向或领域取得的成果。他们建立了并行分布处理理论，主要致力于认知的微观研究。尤其是，Rumelhart提出了多层网络Back-Propagation法或称Error Propagation法，这就是后来著名的BP算法。
2.4 新发展阶段
90年代以来，人们较多地关注非线性系统的控制问题，通过神经网络方法来解决这类问题已取得了突出的成果，它是一个重要的研究领域。1990年Narendra和Parthasarathy提出了一种推广的动态神经网络系统及其连接权的学习算法，它可表示非线性特性，增强了鲁棒性。他们给出了一种新的辨识与控制方案，以multilayer网络与recarrent网络统一的模型描述非线性动态系统，并提出了动态BP 参数在线调节方法。尤其是进化计算的概念在1992年形成，促进了这一理论的发展。1993年诞生了国际性杂志Evolutionary Computation。近几年它成为一个热点研究领域。1993年Yip和Pao提出了一种带区域指引的进化模拟退火算法，他们将进化策略引入区域指引，它经过选优过程，最终达到求解问题的目的。
从上述各个阶段发展轨迹来看，神经网络理论有更强的数学性质和生物学特征，尤其是神经科学、心理学和认识科学等方面提出一些重大问题，是向神经网络理论研究的新挑战，因而也是它发展的最大机会。90年代神经网络理论日益变得更加外向，注视着自身与科学技术之间的相互作用，不断产生具有重要意义的概念和方法，并形成良好的工具。
3 神经网络的发展趋势
3.1 神经网络VC维计算
神经计算技术已经在很多领域得到了成功的应用，但由于缺少一个统一的理论框架，经验性成分相当高。最近十年里，很多研究者都力图在一个统一的框架下来考虑学习与泛化的问题 。PAC(Probably Approximately Correct)学习模型就是这样一个框架。作为PAC学习的核心以及学习系统学习能力的度量，VC维(Vapnik-Chervonenkis dimension)在确定神经网络的容量(capacity)、泛化能力(generalization)、训练集规模等的关系上有重要作用。如果可以计算出神经网络的VC维，则我们可以估计出要训练该网络所需的训练集规模；反之，在给定一个训练集以及最大近似误差时，可以确定所需要的网络结构。
Anthony将VC维定义为：设F为一个从n维向量集X到{0, 1}的函数族，则F的VC维为X的子集E的最大元素数，其中E满足：对于任意S?哿E，总存在函数fs ∈F，使得当x ∈ S时fs(x) =1，x?埸S但x∈E时fs(x) =0。
VC维可作为函数族F复杂度的度量，它是一个自然数，其值有可能为无穷大，它表示无论以何种组合方式出现均可被函数族F正确划分为两类的向量个数的最大值。对于实函数族，可定义相应的指示函数族，该指示函数族的VC维即为原实函数族的VC维。
3.2 基于神经网络的数据挖掘
1996年，Fayyad、Piatetsky-Shapiro和Smyth对KDD(Knowledge Discovery from Databases)和数据挖掘的关系进行了阐述。但是，随着该领域研究的发展，研究者们目前趋向于认为KDD和数据挖掘具有相同的含义，即认为数据挖掘就是从大型数据库的数据中提取人们感兴趣的知识。
数据挖掘的困难主要存在于三个方面：首先，巨量数据集的性质往往非常复杂，非线性、时序性与噪音普遍存在；其次，数据分析的目标具有多样性，而复杂目标无论在表述还是在处理上均与领域知识有关；第三，在复杂目标下，对巨量数据集的分析，目前还没有现成的且满足可计算条件的一般性理论与方法。在早期工作中，研究者们主要是将符号型机器学习方法与数据库技术相结合，但由于真实世界的数据关系相当复杂，非线性程度相当高，而且普遍存在着噪音数据，因此这些方法在很多场合都不适用。如果能将神经计算技术用于数据挖掘，将可望借助神经网络的非线性处理能力和容噪能力，较好地解决这一问题。
4 结束语
经过半个多世纪的研究，神经计算目前已成为一门日趋成熟，应用面日趋广泛的学科。本文对神经计算的研究现状和发展趋势进行了综述，主要介绍了神经网络VC维计算、基于神经网络的数据挖掘领域的相关研究成果。需要指出的是，除了上述内容之外，神经计算中还有很多值得深入研究的重要领域，例如：与符号学习相结合的混合学习方法的研究；脉冲神经网络(Pulsed Neural Networks)的研究;循环神经网络(Recurrent Neural Networks)的研究等；神经网络与遗传算法、人工生命的结合；支持向量机(Support Vector Machine)的研究；神经网络的并行、硬件实现；容错神经网络的研究。
参考文献:
[1] McCulloch W S, Pitts W. A Logical Calculus of the Ideas Immanent in Nervous Activity, Bulletin of Mathematical Biophysics, 1943.
[2] N.维纳著，郝季仁译，控制论，科学出版，1985.
[3] Von Neumann J. The General and Logical Theory of Automata, Cerebral Mechanisms in Behavior; The Hixon Sympsium, 1951.
[4] Hebb D O. The Organization of Behavior, New York:Wiley, 1949.
[5] 陈世福，陈兆乾. 人工智能与知识工程[M]. 南京: 南京大学出版社，1998.
[6] Simon Haykin.神经网络原理[M].机械工业出版社（第二版），2004.
神经网络的含义范文4
【关键词】传感器；数据融合；智能小车；避障
1.概述
智能小车实际上是一类轮式移动机器人，其运行原理是依据单片机程序来自动实现行使、转向、加速等运动形式。因此对智能小车运动方式的控制属于机器人学的范畴。对智能小车运动轨迹的控制主要依赖于传感器的信息采集技术和智能控制技术。而在智能小车的运动轨迹控制问题中的一个重要问题是如何实现其自动避障。要完成这一任务，需要解决两个方面的问题，一是利用传感器准确的收集小车所在的环境信息，二是将环境信息自动处理后变成控制信息。实践表明，采用的单一的传感器技术已经不能满足收集充足环境信息的需要，而需要多种类型的传感器相配合，从而获得准确的环境信息。对这些通过多种类型传感器获得的环境信息的处理需要实现不同数据的之间的整合，即需要利用多传感器的数据融合技术。常用的数据融合技术如传统的卡尔曼滤波法、D-S证据推理等，但其核心思想是一致的，即通过对多种信息的融合来实现对目标的识别和跟踪。采用基于多传感器的数据融合技术已经成为智能小车避障控制中的重要研究方向。在本文中将以多传感器的数据融合技术为基础，研究智能小车的避障问题。
2.基于多传感器的数据融合
基于多传感器的数据融合技术需要处理来自多个传感器的实时数据，并进行快速的处理。从传感器获得数据的类型来看，这些数据代表不同的物理含义，如速度、距离、角度等，数据类型和特征也不尽相同，分属于不同的层次，因此对来自多个传感器的数据融合实际上要完成对多层次数据的综合评定，这必须依赖于一定的数据融合结构。
2.1 基于多传感器信息的融合结构
从现有的研究成果来看，基于多传感器信息的数据融合结构主要有四种形式：无反馈分布式融合、反馈分布式融合、集中式融合和反馈并行融合，各类融合结构的主要特点分别为：①无反馈分布式融合。无反馈分布式融合模式需要对每个传感器的数据都进行滤波分析，并完成对各传感器的局部信息融合，最后再实现对多个传感器数据的融合。这类数据融合方式的优点是不需要太大的通信开销，融合速度较快，所需的存储空间也较小。②反馈分布式融合。反馈分布式融合的基本原理和无反馈分布式融合类似，但每个传感器多了一个信息反馈通道，可提高预测和状态估计的精度，但需要更大的通信开销。③集中式融合。集中式融合的主要特点是对所有传感器采集的信息进行状态的估计和预测，通过对每个传感器采集信息的检测判定来实现对所有传感器信息的综合判定。由于采用了所有传感器的全部信息，因此这类融合方法的精度较高，但也需要更高的硬件配置。④反馈并行融合。这类数据融合结构综合了以上三类融合结构的优点，对局部、整体的数据处理效率和精度都很高，但对硬件和数据关联技术等要求也较高，是一类重要的研究方向。
2.2 基于多传感器信息的数据融合方法
基于多传感器信息的数据融合方法主要分为两类，一是基于概率统计的方法，如统计决策法、贝叶斯法等，二是人工智能方法，如模糊控制法、人工神经网络、D-S证据推理等。每种方法可参考有关文献，此处不再一一详述。
3.模糊神经网络基本原理
模糊神经网络是模糊控制理论和人工神经网络理论的耦合技术，能够有效的处理对经验性依赖较高的问题，并能广泛的适用于无法精确建模的系统。而人工神经网络则能够具备自学习能力和快速求解能力。通过模糊控制和人工神经网络的结合，能够形成函数估计器，有效的处理模糊信息和完成模糊推理，其性能比单一采用模糊控制或人工神经网络控制效果更优。模糊神经网络的基本原理为：①定义若干各模糊集合，并形成对应的控制规则。定义神经网络的层次(一般分为三层)和节点数量。②定义输入层。将输入层中的节点与输入向量分量之间实现连接。③定义隶属函数层。以语言变量值构成隶属函数层的节点，与输入层的连接权值固定为1，节点阈值为0。④定义规则层。每一条模糊控制规则定义为一个节点，节点的输出为隶属函数的输出。
4.实例应用
4.1 硬件
在本例中，智能小车所采用硬件平台为STC89C52型单片机，动力系统为AUSRO马达130，驱动芯片型号为TA7267，驱动芯片与单片机相连，其输出端和马达直流电机连接，从而实现对小车的方向控制，小车通过两轮驱动。
小车采用的传感器有两种类型：超声波测距系统和红外传感器系统。超声波测距系统的型号为TCT40-10T/R，红外传感器的型号为索尼CX20106。
4.2 传感器数据融合规则
在采用了5路超声波测距系统后，基本上可以对小车周围的障碍状况有比较可靠的了解，红外传感器的作用是为了弥补超声波测距系统的盲区。对这两类传感器所采集数据的处理方式为：①超声波测距系统和红外传感器同时工作；②若红外传感器的有效探测距离内发现障碍，以红外传感器的数据为准；③其他情况以超声波测距系统的探测值为准。
对5个方向的超声波测距的数据所采用的数据融合流程为：开始选择通道发射超声波盲区延时接收信号计算小车与障碍之间的距离数据融合选择小车动作。数据的融合技术采用模糊神经网络法。
4.3 模糊神经网络的构建
结合智能小车避障控制的需要，在小车车身配置5个超声波系统和一个红外系统，分别完成对前、左、左前、右、右前5个方向的测量，因此模糊神经网络共需要建立起5个输入和2个输出的网络结构。各个输入量的物理含义为小车在上述5个方向的与障碍的距离，神经网络的输出量为小车的前进和停止。以红外传感器采集的数据作为小车运动控制的开关量。隶属函数层的函数形式采用高斯型，模糊语言变量分别为｛“远”、“近”｝，因此结合第一层的5个输入，共构成10个神经元。结合输入层和隶属函数层的情况，输出层的神经元数量为2的5次方，共32个神经元。
4.4 模糊控制规则和样本训练
(1)模糊控制规则
模糊控制规则体现的是人为控制经验的总结，分别对5个方向的超声波探测到的距离信息为基础来控制小车的转向。其基本原则为，若距离障碍较近，则小车停止前进，若距离障碍较远，则小车继续前进。分别以F表示前进、TF表示左转、TR表示右转、在实际控制规则中，共有9条，这里仅举一条来进行说明：若前方障碍较近，且左、左前、右、右前距离障碍较远，则小车左转。将上述规则转换为模糊语言后，即可获得具体的控制规则。具体转换方式可参照有关文献。
(2)模糊神经网络的训练样本
依据上述模糊神经网络的基本组成方式，其模糊输入范围的论域为[0,5]，以高斯型隶属度函数来划分距离远近的模糊集合。训练样本的数据量较大，因此这里不便一一列出，神经网络的训练方法可参照有关文献。
4.5 运行效果
在上述的步骤完成后，对小车的避障能力进行了实际验证。实验表明，利用超声波测距系统结合红外传感器后，以模糊神经网络融合上述两类传感器采集的数据可有效的实现智能小车的避障运动。
参考文献
神经网络的含义范文5
关键词：BP神经网络；层次分析法；风险评估
中图分类号：F83 文献标识码：A
收录日期：2012年3月7日
一、商业银行风险评估方法比较
经过多年的发展，风险评估方法由早期传统的ZET评估方法发展到现代的VAR评估方法，中间还有BP神经网络法、因子分析法、层次分析法等，可谓是不胜枚举。这些评估方法各有各的优点和缺点，下面就以神经网络法、层次分析法和VAR法为例进行比较。
（一）BP神经网络法
1、BP神经网络概述。BP神经网络是1986年由Rumelhart和McCelland为首的科学家小组提出，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。BP神经网络模型拓扑结构包括输入层、隐层和输出层。
2、BP神经网络的特点
（1）BP神经网络的优点。一是分布式储存信息。其信息的存储分布在不同的位置，神经网络是用大量神经元之间的连接及对连接权值的分布来表示特定的信息，从而使网络在局部网络受损或输入信号因各种原因发生部分畸变时，仍然能够保证网络的正确输出，提高网络的容错性和鲁棒性；二是并行协同处理信息。神经网络中的每个神经元都可根据接收到的信息进行独立的运算和处理，同一层中的各个神经元的输出结果可被同时计算出来，然后传输给下一层做进一步处理，这体现了神经网络并行运算的特点，这一特点使神经网络具有很强的实时性。虽然单个神经元的结构极其简单，功能有限，但大量神经元构成的网络系统所能实现的行为是极其丰富多彩的；三是信息处理与存储合二为一。神经网络的每个神经元都兼有信息处理和存储功能，神经元之间连接强度的变化，既反映了对信息的记忆，同时又与神经元对激励的响应一起反映了对信息的处理；四是对信息的处理具有自组织、自学习的特点，便于联想、综合和推广。神经网络的神经元之间的连接强度用权值的大小来表示，这种权值可以通过对训练样本的学习而不断变化，而且随着训练样本量的增加和反复学习，这些神经元之间的连接强度会不断增加，从而提高神经元对这些样本特征的反映灵敏度。
（2）BP神经网络的局限性。一是由于学习速率是固定的，因此网络的收敛速度慢，需要较长的训练时间。对于一些复杂问题，BP算法需要的训练时间可能非常长，这主要是由于学习速率太小造成的，可采用变化的学习速率或自适应的学习速率加以改进；二是BP算法可以使权值收敛到某个值，但并不保证其为误差平面的全局最小值，这是因为采用梯度下降法可能产生一个局部最小值。对于这个问题，可以采用附加动量法来解决；三是网络隐含层的层数和单元数的选择尚无理论上的指导，一般是根据经验或者通过反复实验确定。因此，网络往往存在很大的冗余性，在一定程度上也增加了网络学习的负担。
（二）层次分析法
1、层次分析法概述。层次分析法是20世纪七十年代美国运筹学家萨蒂提出的一种相结合的决策分析法。AHP主要是通过建立层次分析结构、逻辑判断、分解综合化将模糊不确定的因素转化为明确可衡量的评估因素，使得评估的思维更加条理化，以解决复杂的决策问题。层次分析法优势较为明显，它理论简单且操作容易，具有将不确定因素比较量化以纳入决策过程的特性，同时能够吸收并反映专家及决策者的意见。层次分析法把复杂的问题分解成各组成因素，将这些因素按支配关系进行分组，形成有序的阶梯层次结构，以此建立层次结构模型；通过两两比较的方式确定层次中各因素的相对重要性，综合专家的判断以决定各因素相对重要性的总顺序，来构造判断矩阵；根据判断矩阵计算指标的权重；最后，对其进行一致性检验。
2、层次分析法的特点
（1）层次分析法的优点。一是系统性的分析方法。层次分析法把研究对象作为一个系统，按照分解、比断、综合的思维方式进行层次分析法决策，成为继机理分析、统计分析之后发展起来的系统分析的重要工具。系统的思想在于不割断各个因素对结果的影响，而层次分析法中每一层的权重设置最后都会直接或间接影响到结果，而且在每个层次中的因素对结果的影响程度都是量化的，非常清晰和明确；二是简单实用的决策方法。这种方法既不单纯地追求高深的数学，又不片面地注重行为、逻辑、推理，而是把定性方法和定量方法有机地结合起来，使复杂的系统分解，将人们的思维过程数学化、系统化，便于人们接受；而且计算简便，所得的结果简单明确，易为决策者了解和掌握。
（2）层次分析法的缺点。一是定量数据较少，定性成分较多，不易令人信服。层次分析法是一有模拟人大脑的决策方法，带有较多的定性色彩。往往人们更愿意信服于定量成分；二是指标过多时，数据统计量大，且权重难以确定。一般情况下，我们对层次分析法的两两比较是用1～9来说明其相对重要性的。如果有越来越多的指标，我们对每两个指标之间的重要程度的判断就可能会出现困难，甚至会对层次排序和总排序的一致性产生影响，使一致性检验不能通过，指标权重自然就不能确定。
（三）VAR法
1、VAR的含义。VAR即在险价值，表示在一定的置信度1-α下，可能损失的最大价值。在数学上可表示为：
P（lost>VAR）=1-α
VAR分析方法实际上是要回答银行的投资组合在下一阶段可能会损失多少资金，或者更精确地说，在风险概率给定的情况下，投资组合的价值最多可能损失多少。假如某银行一天的概率为95%的VAR值为2万元，那就意味着，这个银行在一天内发生的损失大于两万元的可能性最多不超出5%。
2、VAR的特点
（1）VAR的优点。一是VAR模型测量风险结果简洁明了，直观而清晰地反映了风险的量化概念，容易为管理者所理解和掌握；二是VAR值明确地反映了市场风险，如果定期地测定各个金融机构的VAR值并且公布，便可以令普通投资者了解金融机构的经营状况，增强市场的透明度，并且督促银行管理者加强与客户的沟通，增进双方的信任和投资者的信心；三是VAR对风险的测量是建立在数理统计与概率论的理论基础上的，计算简便，有很强的可操作性，同时又不缺乏理论上的科学性，适于银行进行内部监管和风险控制。
（2）VAR的缺点。一是VAR模型在使用时隐含了一定的前提假设，其中一个重要假设就是认为金融资产组合的未来走势与过去是高度相似的，可以根据过去的历史数据来推测未来的市场风险。然而事实上，市场风险却往往是由一些突发的重大事件造成的，这种突发的市场波动却往往与过去的市场走势没有太多的联系，这样来看，VAR模型估计出来的市场风险并不能涵盖所有的市场风险；二是VAR法是建立在大量的历史数据的基础之上的，而我国金融市场发展的历史短，面临样本数据有限的问题，利率、汇率没有完全市场化，同宏观政策还存在着一定的联系，市场风险还可能来自人为因素，因此在我国使用VAR法存在着特殊的难度。这一点也需要我们从加速金融体系改革，增强市场的透明度来入手加以解决。
二、农村信用社风险评估方法适用性分析
农村信用社资产业务主要是贷款，贷款对象主要是农户和中小企业。农户的分散性、农户贷款的小额性、中小企业的信息不透明性等使得金融机构难以采用复杂的信用风险评价方法和模型。特别是那些建立在现代金融理论和成熟的金融市场信息支持基础之上的所谓新方法，目前不可能在农村信用社运用。其原因：一是我国金融市场相对不完善，缺乏相应金融资信评级机构，缺乏中小企业信息数据库；二是我国农村信用社的规模相对狭小，技术设备、人员素质均相对较低，对定量方法的理解和运用能力都相对不足。因而，目前农村信用社的信用风险评价主要还应加强对传统方法的有效运用。一是加强和完善专家主观方法（如5C）的应用，并加强对贷款的监督检查；二是加强对信用贷款的分类分级管理；三是建立中小企业的信用评分系统，通过搜集和建立相应的数据档案，运用Logit模型、区别分析模型，有效评价信用风险，为信用社贷款决策和贷款定价服务；四是针对农村金融的特点，适当进行信贷配给。
由于我国金融市场相对不完善，相应数据档案资料不健全，特别是农村信用社经营规模较小、经营水平不高，其贷款客户为分散的农户和中小企业，因而信用社的信用风险评价还很难运用较复杂的模型，特别是所谓新型的、适用大型或特大型金融机构针对大型企业和特大型企业的信用风险评价方法。
三、结论
经过对BP神经网络法、层次分析法和VAR法的比较，以及农村信用社在贷款对象、企业信息数据的收集和人员素质这些方面不同于商业银行。所以，对数据要求高的以及复杂的模型不适用于农村信用社风险评估，即层次分析法要比BP神经网络法和VAR法更适用于农村信用社的风险评估。
主要参考文献：
[1]马超群，李红权.VAR方法及其在金融风险管理中的应用[J].系统工程，2000.3.
[2]戴国强.VAR方法对我国金融风险管理的借鉴及作用[J].金融研究，2000.7.
[3]张强，王鑫泽.农村信用社组织的信息特征及其风险防范.金融理论与实践，2001.1.
[4]邹新月.VAR方法在银行贷款风险评估中的应用统计研究[J].2005.6.
[5]郭学能.基于BP神经网络的商业银行经营风险预警研究[D].武汉理工大学，2007.
[6]赵伟，王家传.农村信用社金融风险预警系统设计.金融理论与实践，2007.6.
神经网络的含义范文6
【关键词】主成分，BP神经网络，对外贸易，可持续发展，预警
我国历年的外贸数据表明中国的对外贸易总体上呈现快速发展。2013年外贸总额达到4.16万亿美元，成为了世界第一贸易大国。随着外贸规模的不断扩大，对外贸易可持续发展问题也越来越得到关注。对外贸易可持续发展状况的预测预警显得尤为重要。构建良好的对外贸易可持续发展预警模型，可以及时准确地反映贸易运行情况和未来走势，揭示对外贸易运行中的各种隐患和问题，对贸易的总体状况做出评价和判断，并以直观、生动、形象的方式把监测结果展示出来，从而为贸易政策的调整和实施提供依据。本文根据经济预警理论，运用系统评价方法提出外贸可持续发展预警模型的构建思路。
一、对外贸易可持续发展预警指标体系的构建
借鉴预警理论，对外贸易可持续发展预警指标体系主要由对外贸易可持续发展警情指标和警兆指标构成。
（一）警情指标的确定
警情指标是预警研究的基本前提，警情指标一经确定，整个预警系统的研究对象和研究范围随之确定，警兆指标的选取、预警界限的确定、警情的预报和分析都有赖于警情指标的确定。
外贸的可持续发展，就是在遵循外贸发展内在规律的基础上，健全外贸体制，完善外贸运行机制，提高外贸效率，合理有效地利用和配置外贸资源，从而达到经济和外贸长期有效运行和稳健发展。对外贸易可持续发展表现为：对外贸易量保持稳定增长及稳定增长的能力；对外贸易资源保持持续稳定的供给；对外贸易的商品结构不断优化；对外贸易对国民经济和社会发展保持较高的贡献率等。对外贸易可持续发展预警的警情意指外贸发展偏离了可持续发展轨道，出现了外贸不可持续发展的现象或状况。如外贸对经济发展的贡献率降低，对环境带来了影响，导致生态效益下降等等。依据外贸可持续发展含义，对外贸易可持续发展状况可以从对外贸易的经济效益、生态效益和社会效益三个方面来综合考察。由此，把对外贸易可持续发展的综合评价指数确定为对外贸易可持续发展预警的警情指标。
（二）警兆指标的确定
综合对外贸易可持续发展评价研究的文献资料，结合指标体系的设计原则，对外贸易可持续发展的警兆指标初步构建如下：
1、反映对外贸易经济效益的警兆指标。从对外贸易促进经济发展的机理初选指标确定为反映对外贸易经济效益层面的警兆指标，主要包括出口额、进口额、外贸依存度、外资比重、机电产品竞争力系数、出口技术效益率、进口技术效益率、制成品/初级产品出口比重、高新技术产品出口转换率、出口商品集中度、服务贸易比重、地区贸易差异度、出口市场分布度、进口市场分布度、第二产业产出比重、第三产业产出比重、产业结构贡献率、外贸对GDP的贡献率、FDI对经济增长的拉动度等。
2、反映对外贸易生态效益的警兆指标。从对外贸易对生态环境影响角度初选指标确定为反映对外贸易生态效益层面的警兆指标，主要包括出口贸易废水排放量、出口贸易废气排放量、出口贸易废渣排放量、初级产品效益度、进出口能源密集度和资源及资源性产品进口比重。
3、反映对外贸易社会效益的警兆指标。从对外贸易促进社会发展角度初选指标确定为反映对外贸易社会效益层面的警兆指标，主要包括对外贸易行业就业人数和对外贸易行业平均工资。
二、对外贸易可持续发展预警警度的确定
警度是对警情的定量刻画，它是判断警情指标变动是否有警、警情如何的参照系。警度分为五种，即无警、轻警、中警、重警、巨警，对应于不同警度的警限可以分别称之为无警警限、轻警警限、中警警限、重警警限、巨警警限。预警界限是预警指标的阈值，是划分不同警度的依据。预警界限的确定依据国际公认、历史经验、专家意见以及各国产业发展的实际情况等因素综合予以考虑。预警界限值的确定方法有：系统化方法、控制图方法、突变论方法和专家确定法等。
对外贸易可持续发展预警警度的确定主要采用系统化方法。系统化方法是通过对大量历史数据进行定性分析，根据各种并列的原则或标准来研究警限，结合实际情况和以往的经验，综合多方面意见进行适当的调整，从而得出合适的警限。系统化的原则主要有：多数原则、少数原则、均数原则、众数原则、人数原则、一致原则。在初选出的对外贸易可持续发展预警警兆指标集中运用主成分方法筛选出贡献度大的警兆指标，利用AHP计算出对外贸易可持续发展综合评价指数值。对对外贸易可持续发展综合评价指数值利用系统化的原则确定出对外贸易预警界限值。最终根据对外贸易可持续发展综合评价值的时间序列数据确定出警度。
三、对外贸易可持续发展预警模型的构建
BP（Back Propagation）网络是1986年由Rumelhart和McCelland为首的科学家小组提出的，是一种按误差逆传播算法训练的多层前馈网络。BP网络能学习和存贮大量的输入-输出模式映射关系，而无须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。BP神经网络模型拓扑结构包括输入层、隐含层和输出层。
人工神经网络具有良好的容错能力，对数据的分布要求不严格，具备处理资料遗漏或错误的能力。并且它具有较强的学习能力，可随时依据新准备数据资料进行自我学习、训练，调整其内部的权重参数以对应多变的经济环境。基于神经网络的自学习、自适应能力和强容错性，BP神经网络非常适合用来构建对外贸易可持续发展预警模型。对外贸易可持续发展预警模型可视为构建一个包括输入层、隐含层和输出层的三层神经网络。就其网络结构而言，输入层神经元个数由输入层指标决定，输出层神经元个数由输出层类别决定，至于隐含层神经元个数一般为经验值。其中输入量对应警兆指标，隐含层节点对应警情指标，输出量对应警度。具体构建步骤如下：
1、利用主成分方法对外贸可持续发展预警警兆指标进行筛选后，获取指标数据，对指标数据进行无量纲化预处理。
2、根据神经网络的基本原理以及BP神经网络设计的一般原则对神经网络进行设计。Robert Hecht-Nielson证明了对于任何闭区间内的一个连续函数都可以用一个隐含层BP神经网络来逼近，一个三层的BP神经网络可以完成任意的n维到m维的连续映射。对于外贸可持续发展预警模型采用单隐含层BP神经网络，各节点的激活函数采用S型函数。输入层节点的个数根据主成分分析的结果来确定，隐含层节点个数采用试凑法来确定，输出层节点根据警度的分类数来确定。
3、BP神经网络设计完成后，需要运用样本集对网络进行训练，训练时，网络的输入层为主成分分析之后的累积贡献率达到85%--95%的主成分，网络的输出端为训练样本的警度等级。网络的训练涉及到网络的泛化能力，泛化能力是指神经网络对训练样本以外的新样本数据的正确反映能力。因此网络训练完之后，还要用训练样本集之外的数据对泛化能力进行检验。
4、网络的训练阶段结束后，即网络稳定后，将各连接权值和阈值作为知识库，这时整个网络就是一个预测模型。然后用测试集对网络的泛化能力进行检验，如果预测结果不好，则需要对网络的相关参数进行调整，直到得到满意的效果为止。
5、如果网络检验结果好，那么可以直接应用于预测。可以将预测指标输入神经网络，对未来的对外贸易可持续发展预警状态进行预测。得到预测结果以后，根据警度的划分发出警报信息。
参考文献：
[1]卓骏.反倾销预警系统研究[M].北京：清华大学出版社，2008.
[2]王培志.经济全球化背景下中国产业安全预警机制研究[M].北京：中国财经出版社，2008.
[3]傅荟璇、赵红等.MATLAB神经网络应用设计[M].北京：机械工业出版社，2010.
[4]洪锦瑞、易露霞、孙美楠.广东省出口贸易可持续发展评价研究[J].生态经济，2013（8）.
[5]胡庆江、王泽寰.基于层次分析法的沿海五省对外贸易可持续发展评价研究[J].国际商务，2011（4）.
