前言：中文期刊网精心挑选了循环神经网络的优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。
循环神经网络的优点范文1
关键词:BP神经网络,半干法脱硫工艺,钙硫比
一、引言
循环流化床烟气脱硫工艺是半干法脱硫工艺的一种,是使用粒状脱硫剂及其他各个因素在脱硫塔内相反应以降低烟气中的SO2含量。该工艺具有流程比较简单、较少的耗水量、平均投入资金少、固化排出物、无废水排放等优点。此工艺与湿法脱硫工艺相比,相对成本低比较低,对于很多热电厂是很好的选择,受到了众多热电厂的青睐。
在脱硫过程中如何控制净烟气中SO2含量、降低钙硫比是目前研究的重点和难点,也是半干法脱硫工艺目的所在。国家已经订立了强制性的二氧化硫排放标准,即由400mg/Nm3进一步严格控制为200mg/Nm3的限值,并且增加了监管力度。这对于目前的脱硫系统是一个重大的考验。由此,二氧化硫的排放量的预测在实际工作的重要性也不尽凸现出来。然而目前对于循环流化床烟气脱硫工艺的预测的研究比较少,这严重阻碍了脱硫工艺的发展。通过合理及准确的预测二氧化硫的排放量,可以很好的确定在脱硫中各个因素所占的比重,从而为下一步的优化提供有力的证据和科学依据。对于企业来讲,也可以据此调整产业结构,减低成本。
本文中采用的数据为国家某电厂脱硫数据,此电厂自2008年设计和改造了脱硫除尘系统,属于典型的经预除尘后烟气先脱硫后除尘的布置方式,其设计钙硫比为1.3,但是实际运行中,钙硫比高达2.3~2.5,极大的增加了脱硫装置的运行成本,经厂家多次调试和改造,没有明显改善。BP神经网络是一种多层前馈型神经网络,目前的研究发现,三层的神经网络可以模拟从输入到输出的任意非线性函数映射关系,其权值的调整采用反向传播的学习算法。其主要应用于四个方面:函数逼近,模式识别,分类,数据压缩。经过调整权值,实现对数据的在精确范围内的预测,辅助下一步的优化工作。
二、构造BP神经网络模型
构建神经网络一般需要进行三个步:神经网络生成,初始化权值和仿真。
BP神经网络的学习规则是要保证网络权值和阀值要沿着负梯度方向修正,以实现映射函数的最快下降方向。其基本形式为:
wk+1=wk-ηkdk
其中wk为权值或阀值矩阵,dk是映射函数的梯度,ηk是学习率。
假设三层BP神经网络,输入节点xi,隐层节点hj,输出节点yl,输入层节点与隐层节点之间的权值为wji,隐层节点与输出层节点之间的权值为vlj,θi为相应的阈值。输出节点的期望值为tl。
隐层节点的输出:hj=f(∑iwjixi-θj)=f(netj)
其中netj=∑iwjixi-θj
输出节点的输出:netl=∑jvljhj-θlyl=f(∑jvljyj-θl)=f(netl)
其中:E=12∑l(tl-yl)2=12∑l(tl-f(∑jvljf(∑iwjixi-θj)-θl))2
输出节点误差为:Evlj=∑nk=1Eykykvlj=Eylylvlj
1. 误差函数对输出节点求导:
Ewlj=∑nk=1Eykykvlj=Evlylvlj
2. 误差函数对隐层节点求导:
Ewji=∑i∑jEylylhjhjwji
3. 阀值的修正:
在修正权值的过程中,也应该考虑对阈值的修正,其修正原理同权值修正基本一致。
误差函数对输出节点阀值求导:
Eθl=Eylylθl
误差函数对隐层节点阀值求导
Eθj=∑Eylylhjhjθj
f(x)=11+e-x
4. 传递函数:
f(x)=21+e-x
S型传递函数
三、数据分析
在循环流化床烟气脱硫工艺中,影响脱硫效率的因子比较多,主要分为5部分:原烟气、净烟气、水路部分、增压风机部分和吸收剂部分。其中原烟气包括:硫化床阻力、塔前温度、塔前压力、塔后压力、氧含量、平均压差和二氧化硫含量;净烟气包括:二氧化硫含量、氧含量、粉尘浓度、出口压力、出口温度、烟气流量;水路部分包括:出口流量、回水流量、工艺水量;增压风机包括:增压风机电机电流信号、增压风机入口挡板开度;吸收剂部分包括:吸收剂送风压力、吸收剂给料机开度。其中塔前压力和塔后压力各有两个监测点,平均压差=塔后压力—塔前压力;工艺水量=出口流量—回水流量。
四、算法分析
在预测之前,首先需要对数据进行清理,除去数据中得一些噪音。数据清理在数据分析中是一个重要的步骤,对数据合理的清理可以加快算法收敛速率,提高预测准确度。本文中所采用的数据都为清理后的数据,保证了预测的准确度。
此外,由于数据中各个变量的变化差异比较大,在应用之前也需要对其归一化处理。设数据中任意变量矩阵为X,X=x1,x2,…xn,则任意xi,i=1,2…n为此变量中得数据。归一化处理:
X′=X/max(X)。
数据中得每一变量都经过此归一化方法进行归一化处理。
从数据中可以分析得到,该BP神经网络模型的有21个输入变量,即影响因素;1个输出变量,此输出为净烟气的二氧化硫的含量。在本文中,笔者采用三层BP神经网络,输入层包含21个神经元,隐含层包含了20个神经元,输出层包含1个神经元。
图1所示为利用BP神经网络训练的仿真;图2所示为预测值与实际值得比较图。
通过BP神经网络的仿真训练图,我们可以看到,经过305次迭代神经网络停止,预测精度约为0.0072。
图1BP神经网络仿真图2预测值与原值比较图
五、结语
通过仿真,利用BP神经网络不断的训练,实现了对循环流化床烟气脱硫工艺预测,并实现了预测值与实际值得比较。从实验中,可以看出,预测值存在的一定的误差。今后本课题的目标就是更加减小误差值,尽量满足预测的需要。
在符合实际情况下的高精度预测,对于预测主题是非常重要的。利用预测可是预知不利的情况,提前做好防范。并且可以为进一步优化提供了便利条件。利用预测值,可以客观的验证优化的效率及程度。(作者单位:河北大学管理学院)
参考文献:
[1]范丽婷,李鸿儒,王福利.半干法烟气脱硫工艺在绝热饱和温差的软测量[J].仪器仪表学报,2009,30(7).
[2]董长虹.Matlab神经网络与应用[M].国防工业出版社,北京,2005.
[3]展锦程,冉景煜,孙图星. 烟气脱硫吸收塔反应过程的数值模拟及试验研究[J]. 动力工程,2008,28(3).
循环神经网络的优点范文2
【关键词】双目视觉;神经网络;摄像机标定
1.引言
双目测距技术在非接触式测量，机器人视觉等领域都有广泛引用。本文研究的是被动式远距离目标的距离测量系统中系统的标定技术研究，双目测距系统标定方法研究对计算机视觉技术发展有重要意义。摄像机标定的目的在于确定摄像机的位置，以确定物体在空间坐标系与成像平面之间相应的位置关系。
这些位置关系以及摄像机光学和几何参数在一些场所并不需要一一解出，而只需要构建二维成像平面上像点坐标与三维空间坐标投影点之间的一种映射关系。而神经网络有非常强的非线性映射能功能，因此我们可以通过采用神经网络对摄像机进行标定。
2.基于神经网络的摄像机的标定方法
2.1 神经网络、双目视觉神经网络摄像机标定
人工神经网络也称神经网络，是一门新兴技术，用以处理一些难以用标准数学模型描述的系统，模拟人类大脑的一些机理，实现某些特定功能。它具有很强的自学习及自适应能力，而其中可自由设定隐层节点的多层前馈神经网络，可以完成任意精度近似任意连续函数[1，2]。
由于网络由相连的非线性单元组成，因此就具有了学习非线性过程的能力。与摄像机标定工作机制相似，神经网络可以从一些已知数据通过计算得到未知参数。而神经网络标定的畸变模型有任意性，可以避免传统标定方法非线性标定可能无解、标定精度低等多种问题。本文通过运用神经网络学维平面图像像点与三维空间物点坐标之间的关系，提出了改进神经网络双目摄像机的标定方法。
本文双目视觉神经网络摄像机标定具有的优点是不用假设初始值，也不用建立精确的标定模型，只要输入三维空间中物体在两个图像上的像点坐标，神经网络便可输出物体在的三维空间的世界坐标。进行多次的神经网络学习、训练，最后可得到相对理想的输入、输出非线性映射关系。
2.2 改进的RBF神经网络
径向基函数（Radial Basis Function， RBF）神经网络是一种三层前向神经网络，它结构简单，训练简洁，学习收敛速度快，能够以任意精度逼近任意连续函数，广泛应用于众多领域[3，4]。RBF网络模拟了人脑中局部调整、相互覆盖接收域的神经网络结构，是一种局部逼近网络。并且RBF神经网络在逼近能力、分类能力及学习速度等多方面都优于BP神经网络，
遗传算法是模拟生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟生物在自然进化过程中形成的一种自适应全局优化搜索最优解的方法[5]。
本文提出了一种基于改进的RBF神经网络的摄像机标定方法，引入了遗传算法，优化了径向基函数网络的学习算法。
2.2.1 RBF网络的结构
RBF网络是一种三层前向网络，三层分别是输入层，隐藏层和输出层。输入层由信号源节点组成;输出层是对输入作出响应;隐藏层中节点数由需要而定，其中的径向基函数是局部响应函数。
从输入空间到隐含层空间的变换是非线性的，而从隐含层空间到输出层空间是线性的。RBF网络是局部逼近网络，三层组成（m个输入、h个隐节点、n个输出），常用的径向基函数是高斯函数，因此径向基神经网络的激活函数可表示为：
（1）
式中：是欧式范数;X是输入样本，;是高斯函数的中心，也是网络隐含层节点的中心;为高斯函数的方差;i是隐含层节点数。
RBF网络的结构输出为：
（2）
式中：wij是隐含层到输出层的连接权值;yj是第j个输出节点的实际输出。
假设d是样本的期望输出值，则基函数的方差为：
（3）
式中：P是样本总数。
RBF网络学习方法求解需要的参数：基函数的中心、方差以及隐含层到输出层的权值。RBF网络的输出是隐单元输出的线性加权和。本文采用的是自组织选取中心法。
2.2.2 优化的RBF神经网络
本文加入遗传算法用以优化已有的神经网络，用全局搜索找到最优网络结构，确定较理想非线性映射关系，进而达到双目视觉的标定。采用实数编码、最佳保留（elitist model）选择机制，交叉概率采用自适应方式，再对数据做归一化处理。
2.3 整体算法步骤
用遗传算法对神经网路的参数进行优化，得到权值与偏差值范围。再用RBF网络在局部搜索得出最优网络结构标定系统。
1）将多组对应的双目视觉系统图像像点坐标作为输入的训练样本，组成群体;
2）采用梯度下降法学习样本网络个体基函数的中心、方差;
3）采用最小二乘法学习隐含层到输出层的线性权值;
4）采用遗传算法优化隐含层中节点数;
5）通过循环交替学习、训练，得到相对理想的RBF网络标定系统。
3.实验说明
分别采用线性标定、标准BP网络、和改进的RBF网络做双目视觉标定，后两种做非线性函数逼近，对测试结果进行比较。得出结果：较其他两种，改进的RBF网络测试误差最小。
表1 测试结果比较
隐节点数 训练误差 测试误差
线性标定 * * 0.2945
标准BP 26 0.0935 0.0356
改进RBF 13 0.0576 0.0123
4.结论
在不考虑镜像畸变及环境等因素的形象下，将基于改进的RBF神经网络应用于双目视觉摄像机标定方法中，提高了测量精度，减少了因传统标定方法建立的模型不完善而带来的误差，为双目视觉测量应用于精密测量提供了一种新的有效方法。标定后的测量系统在双目视觉空间具有很高的测量精度。
参考文献
[1]阎平凡，张长水.人工神经网络与模拟进化计算[M].清华大学出版社，2000：410-420.
[2]钱光耀，杨入超，赵光兴.基于人工神经网络的压力传感器三维数据融合[J].传感器与微系统，2007，26（2）：79-81.
[3]Liu Hongmei，Ouyang Pingechao，Wang Shaoping.Fault detection based on RBF neural network in a hydraulic position servo system[A].The 6th World Congress on Control and Automation[C].Dalian， China，2006：5708-5712.
[4]杨耀华，李昕，江芳泽.基于OLS算法的RBF神经网络高速公路事件探测[J].系统仿真学报，2003，15（5）：709-712.
循环神经网络的优点范文3
Abstract: In order to improve the problem that single neural network model has slow convergence speed, we adopt combination neural network modeling method. We established a network model of the gas turbine performance simulation, and it was validated by experiment. In the course of modeling, the modeling object is divided into three relatively independent sub-networks. We use the training domain obtained by experimental data to train the network, and set up a combined neural network model that can be used for gas turbine control system simulation and fault diagnosis. The experimental results show that the average output error of this model is about 3% - 6%, the calculation time is less than 100ms, and it can be used for model-based gas turbine diagnosis system.
关键词: 燃机故障分类;故障诊断;组合神经网络
Key words: gas turbine;fault diagnosis;neural network
中图分类号:TK4文献标识码:A文章编号:1006-4311(2010)29-0138-03
0引言
燃气轮机是一种洁净、高效的动力装置。然而,由于燃气轮机设备结构复杂,影响其运行的因素较多,且其长期工作在高温、高压状态下,很多部件有可能发生故障。一旦设备出现故障停止运转,则需要投入大量的精力与时间来进行维修,带来巨大的经济损失,有时甚至会对工作人员的生命安全造成威胁。由于燃气轮机故障诊断能大幅度降低维修成本,同时也能大大提高机组运行的安全性和可靠性,所以对燃气轮机故障诊断系统的研究不仅有很大的理论意义,而且有较好的实用价值。
目前,对燃气轮机故障诊断的研究多采用基于BP神经网络的故障诊断方法。虽然BP单神经网络可以诊断多个故障,但它仍存在一定的缺陷:要实现对多个故障模式的诊断,网络需要对大量的故障样本进行学习,但构造反映多种故障样本的特征向量不是件容易的事;诊断多类故障的网络结构难以确定,即便确定了,往往也会出现网络节点过多、结构过于复杂等现象;当出现新的故障时,单神经网络的记忆必须全部消除,然后重新训练,工作量极大。针对以上几点,本文在BP神经网络的基础上将单神经网络按照一定原则进行分解,组成多个子神经网络,子神经网络结构相对简单,易于操作,相对而言更适用于大型复杂机械的故障诊断。
1组合神经网络模型的建立
1.1 组合神经网络模型简介神经网络能学习复杂、非线性关系,可以充当基于模型方法中的数学模型部分,还可以充当广义模式匹配器[1]。近年来,神经网络的研究和应用有了很大的发展,神经网络以其诸多优点,在故障诊断领域受到高度的重视,并得到广泛的研究和应用。
组合神经网络模型,即是将一定数量的个体神经网络组合在一起,并行的训练同一个任务,它最初是由Hansen和Salamon提出的。研究表明,由多个神经网络进行组合而构成的组合神经网络模型在泛化能力上得到了非常大的提高,效果明显优于单一网络模型[2]。组合神经网络模型结构如图1所示。
组合神经网络由多个子神经网络组成,子神经网络将单神经网络的诊断任务进行分解,负责诊断对象某个子系统的故障。子神经网络结构简单,训练所需的样本数量少,训练速度快。而且,当系统出现新故障时,组合神经网络可以通过添加新的子网络来进行处理,不需要重新训练,扩展性能强。
1.2 燃气轮机故障分类燃气轮机是一种简单开式循环双轴结构工业机组,它的设计和生产引入了模块的概念,使得燃气轮机的辅助系统分别设计、加工成标准模块,并对其标准模块进行试验,然后组装。这使得燃机具有可靠性强、适应性强、寿命长的特点。燃气轮机主要包含以下几个模块:燃气发生器、动力透平、、燃料、启动、监测和冷却系统模块。
由于燃气轮机结构的复杂性及其工作环境的多变性,导致其故障类型及故障模式纷繁复杂,从总体上看可分为3类:
1.2.1 性能型故障这种故障能导致机组性能的显著下降,性能型故障多表现在机组最大负荷下降,耗油率过高,部件效率下降,涡轮排气温度过高,压气机喘振等。
1.2.2 结构强度型故障这类故障的后果较为严重,表现为机组强度不足引起的破裂与损伤,高、低压疲劳损伤,热疲劳损伤等,如压气机叶片磨损及断裂。
1.2.3 辅助系统型故障这种类型的故障往往会诱发前述两种类型的故障,如控制系统的故障会导致压气机转速不稳定这类性能型故障,继而有可能导致压气机叶片断裂这类结构强度型故障。
根据从现场采集的数据资料,文中将燃气轮机经常发生的故障进行了筛选、分类,并绘制了表1。
上表中燃气轮机有两种类型的信号:状态量和连续量。状态量信号通常使用一维的数值就可以表示,例如,液体燃料阀开关(0表示该液体燃料阀开,1表示该液体燃料阀关)、油箱温度(66℃)。连续量信号是自变量为连续的时间变量的信号,燃气轮机信号中大部分信号均为连续量信号,如压力、压差等。
1.3 组合神经网络模型设计组合神经网络中的子神经网络结构简单,训练非常迅速,各子神经网络之间互不影响,各自诊断该子网络故障特征对应的故障。当系统出现新的故障特征及其对应的故障时,只需增加一个新的子神经网络或修正某一子神经网络即可,这样就大大提高了整个网络的扩展性和学习能力。
1.3.1 子网络的设计组合神经网络模型由若干个子神经网络组成,子网络的结构特性会直接影响组合神经网络的诊断效果。故而在设计子网络时,应遵循以下组成原则:使各子网络之间的相关性尽量小,即训练子神经网络的样本应尽量不同;不同测点上测得的各类故障声强信号之间的相关性很小,因此可按不同测点对样本进行分组,然后将分组后的样本分别用于子神经网络的训练;同时,计算每组样本数目在总样本数目中所占的比例,并将比例值作为每组子网络的可信度eg。
基于以上原则,我们将用于燃气轮机故障诊断的组合神经网络分为三个子神经网络:燃料子神经网络、子神经网络及透平子神经网络。
文中三个子神经网络的设计均采用了BP算法。BP算法将神经网络学习输入输出的映射问题转变为一个非线性优化问题,使用了最优化中最普遍的梯度下降算法,用迭代运算修正网络权重,实现网络输出与期望输出间的均方差最小化。该算法由前向计算过程和误差反向传播过程组成。
根据神经网络的要求和所要达到的网络输出目的,本文选择神经网络层间的传递函数为Sigmoid型函数,即为:f(x)=
其函数图像为:
1988年,Cybenko指出:当各节点均采用Sigmoid型函数时,一个隐含层就足以实现任意的判断分类问题,两个隐含层就足以表示输入图形的任意输出函数。这个结论对BP网络隐含层数目的确定具有指导性意义。根据实际情况,本文所设计的子神经网络均采用单隐层结构。
图2是组合神经网络中诊断燃料子系统故障的子神经网络。图3是组合神经网络中诊断子系统故障的子神经网络。图4是组合神经网络中诊断透平子系统故障的子神经网络。
1.3.2 子网络的整合Hansen和Salamon在Neural network ensembles一文中已经证明了:对于一个组合神经网络模型,如果一个模式正确分类的平均率小于50%,且组合神经网络模型中的个体网络的误差是独立的,则随着个体网络个数的无限增加,该模式分类的期望误差将逐渐趋于零。然而,这一假设在实际应用中很难实施,主要是因为实际操作中并不能保证各个体网络之间是相互独立的。
由于燃气轮机各个系统之间都具有一定的相互依存关系,不能保持绝对的相互独立,本文在保证个子神经网络相对独立的基础上,将燃气轮机故障诊断的组合神经网络结构设计如图5。
1.3.3 组合神经网络的训练组合神经网络的训练就是对网络中的子网络进行训练,本文为子网络输出的各个故障组织了3组样本进行训练。
这里我们将网络的输入信号进行了归一化处理,将信号处理到[0,1]区间内。
2结语
①针对故障训练样本采用归一化处理能很好地减小样本数据间的差异,提高网络诊断的正确率。②结合燃气轮机故障诊断的特点,用组合神经网络判别不同的故障种类,提高了网络的训练效率和诊断的准确性。通过对诊断实例的计算分析表明,用基于BP算法的人工神经网络模型作为基本分类器构建的组合神经网络在燃气轮机故障诊断中能够取得比较理想的结果,故障实例检测结果表明该算法判断模式、诊断结果均准确。
参考文献:
[1]张建华,张俊华,侯国莲.神经网络在故障诊断中的应用[J].电力学报,1998,13(4):1.
循环神经网络的优点范文4
关键词:模糊 估算 工程 造价
中图分类号： TU723 文献标识码： A 文章编号：
前言
工程造价估算是利用己建类似工程的造价资料和市场变化的信息，对拟建工程投资费用所作的一种预先估计或预测。如何利用以往有限类似工程数据对拟建工程进行快速、准确地估算是整个工程造价确定的核心问题，也是项目建设过程中许多重要问题(筹资、投资控制、优选施工单位、成本控制等)决策的基础。因此，工程成本快速估算方法成为实际应用和理论研究的焦点之一，本文将灰色系统理论运用到模糊估算中，以合理确定拟建工程与己建工程的相似度，建立了一个新的指标一综合相似度。从而建立一种新的更精确的造价估算方法。
一、工程造价估算的重要性
工程造价估算作为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。
1、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，同样是工程施工成本控制的起点，因此，实现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。
2、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。
3、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。
二、模糊预测技术的原理
估算的基础与理论：若要计算某项欲估工程的合理成本，可从承包商们已完成的众多典型工程中按特征因素相近的原则找出与欲估工程最接近的若干个相似工程。根据相似工程的实际成本资料，采用可行的预测方法就可得到欲估工程的测算成本。因这种测算成本是依据已完成典型工程的实际成本得来的，既能反映承包商的实际成本水平，又能被业主接受，故在本模型中称为合理成本。这就是模型估测的基本原理。
三、模糊神经网络在公路工程造价估算中的应用
1、基于模糊神经网络的公路工程造价估算方法的实现
将模糊神经网络应用于公路工程造价估算方面，是近年来公路工程造价估算发展的特点和重点。从本质上来看，模糊神经网络就是一个系统，它即有输入又有输出，与公路工程的造价估算十分相似，因为公路工程造价估算就是在输入公路工程施工的一系列要求和特点后输出相应结果的，所以与模拟神经网络所提供的输入输出机制非常相似，其中结合模糊神经网络的原理，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。
（1）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。
（2）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。
（3）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。
（4）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。
（5）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。
2、基于模糊神经网络的公路工程造价估算方法的优点
基于模糊神经网络的公路工程造价估算方法有效的克服了传统上工程造价估算方法的一系列缺点，与传统的工程造价估算方法相比，其显著优点就在于造价估算的迅速以及估算结果的精确。其中该方法的优点可以概括为如下几点。
（1）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。
（2）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。
（3）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。
（4）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。
四、工程成本模糊预测的程序化设计
本文利用“VB”的可视化图形用户界面，不需要编写大量代码去描述界面的特点，开发出工程成本模糊预测的操作系统，用户只需要简单地点击5～10个按键，就可以估算出预估工程的合理成本，实现操作的简单便捷。操作程序设计流程见图1。
按照上述流程图先输入典型工程的参数，本程序选用结构特征、基础处理、维护结构、外墙装饰、层数及层高作为模糊因子。然后，计算典型工程1的贴近度，估算典型工程1的成本，输出典型工程1预估成本的值并检验其精度(精度≤5 满足要求)；如此循环，分别检验典型工程2、3、4的精度，若都满足精度要求，则验证模糊函数因子特征值选择合理，最后即可估算拟建工程的成本，并输出结果。
五、应用实例计算
1、隶属函数的确定
隶属函数的取值是决定模型估测结果是否精确、可行的关键。笔者根据有关参考资料，结合自己多年从事T程造价的实际工作经验，建立了“纯框架结构体系对比工程模糊关系系数表”，见表1所示。
2、 检验“对比工程模糊关系系数”的可靠性
其计算结果和检验结果如表2所示，所有检验精度均满足要求，说明所建隶属函数是可行的，可以此作为估算的依据。
3、实例应用
欲估工程为山西四建集团公司中标承建的孝义市房地产开发中心物业管理综合楼。建筑总长144．3 rn，建筑总高27．5 m，建筑面积8 017．08 m 。地上3层(局部为5层、7层)层高4．2 IIl，局部3．6m。工程抗震设防烈度为7度，地基处理采用体积比2：8灰土换土1 In厚，基础采用柱及墙下钢筋混凝土条形基础，基础内设钢筋混凝土地梁。主体结构为纯框架结构，柱网尺寸为7．2 m×7．2 m，框架抗震等级为3级。窗为塑钢窗，门为木门或木制防火门。框架填充墙±0．00以下采用M7．5水泥砂浆砌MU10机砖，±0．00以上采用M7．5混合砂浆砌加气混凝土砌块。根据上述思路计算欲估工程的直接工程费，计算结果如表3所示。
根据山西省建四公司提供的竣工资料显示，该工程竣工决算土建部分的单方直接工程费为881．33元／m2，因此估算的误差为：（844―881.33)÷881.33=―4.2%＜±5%。
算例说明采用模糊原理方法估算的结果能满足精度的需要，进一步说明此方法的可行性，可以作为今后快速估算工程造价的一种行之有效的方法。
六、结论
由于工程造价估算涉及到很多不确定性、模糊性的因素，而模糊数学正是用精确化的手段研究客观实际中带有模糊性的现象和活动。因此，应用模糊数学法来估算工程造价在实际中可以取得一定的效果。
参考文献:
循环神经网络的优点范文5
关键词：RBF神经网络 蚁群算法 涡流无损检测
中图分类号：TB302 文献标识码：A 文章编号：1672-3791（2012）09（c）-0004-02
涡流无损检测以电磁感应理论为基础，通过涡流的变化检测被检材料近表面有无缺陷，并通过对缺陷信号的分析，判断缺陷形状甚至对其发展趋势做出预测。目前，涡流无损检测技术已经广泛应用于压力容器、核电站热交换管道、飞机结构等导电材料近表面缺陷的检测中。对缺陷信号的特征识别是检测中的关键技术，也是制约涡流检测技术发展的一大难题。近年来，神经网络技术在特征识别方面得到了较多的应用[1]。径向基函数（Radial Basis Function，RBF）神经网络是一种前馈神经网路，因其具有结构简单、计算量少、学习速度快、泛化能力强、训练时间短等优点己被成功应用于无损检测领域。决定RBF网络性能的主要参数有两个：一是径向基函数中心利宽度；二是输出权值，它们直接关系着输出结果的精确度和收敛速度。一般来说，径向基函数中心通常用聚类的方法获得，但传统算法受选择的聚类中心、样品几何性质及排列次序影响极大，并且由于聚类数目无法确定导致网络泛化能力不强。因此寻找确定网络中心的合理方法成为设计RBF网络的首要问题。本文采用了蚁群算法来确定RBF网络中心。蚁群算法作为一种随机优化方法，不需要任何先验知识，最初只是随机的选择搜索路径，随着对空间的了解，搜索更加具有规律性，最终得到全局最优解[2～5]—— 这不仅可以加快聚类速度，而且使聚类中心更加优化。仿真结果表明，采用蚁群算法确定RBF中心及节点宽度，提升了网络鲁棒性和训练度，从而较好地完成了涡流无损检测。
1 蚁群算法概述
蚁群算法（又称蚁群系统）是受到自然界中真实蚁群集体行为的启发，利用蚁群通过个体间的信息传递、搜索从蚁穴到食物间的最短路径的集体寻优特征，来解决组合优化问题。蚁群算法本质上是一种模拟进化算法，它结合了分布式计算、正反馈机制和贪婪搜索的搜索算法，具有不易陷入局部最优，快速得到最优解，缩短搜索时间的优点[3]。
蚁群算法基本思想：蚂蚁从不同的路径去寻找食物源，在走过的路径上留下信息素，使得一定范围内的其他蚂蚁能够觉察并由此影响未来的行为。某个路径上通过的蚂蚁越多，留下的信息素也越多，该路径被其他蚂蚁选择的概率也越高；动态调整各路径上的信息素，蒸发掉信息素少的，最终，根据各路径上的信息素的多少来确定最优（短）路径[4]。
（4）根据式（3），计算ci合并到cj的概率。
（5）判断是否成立。若成立，将cj类归并到ci类，类别数CenterNum减1，而后重新计算归并后的RBF聚类中心。
（6）若没有归并或达到最大迭代次数，则停止循环，否则转第（2）步继续迭代。
（7）确定隐层节点宽度。，其中为第i个聚类中心与其他最近的聚类中心之间的最短距离，既，A为常数。
4 优化算法在涡流无损检测中的应用
本文采用蚁群神经网络对板材进行涡流无损检测，其系统工作原理如下：探头从板材的一端移动到另外一端，采集电压和电流信号，通过放大器将其放大、滤波，通过对信号的处理得到探头的阻抗增量。通过实验发现：线圈阻抗增量的幅值主要受缺陷的长度影响，而阻抗增量的相位主要受缺陷深度的影响。之后，将小波多尺度边缘检测方法得到的信号特征值作为RBF网络的输入样本[7]，经过神经网络训练得到缺陷特征值。
本实验在深度固定条件下通过神经网络来判断缺陷的长度。训练样本为长度范围为12～35mm的56组数据；检验样本为深度4mm，长度不同的8组数据。每只蚂蚁对应一组训练样本，最终确定出RBF中心即蚂蚁找到了通往的食物源的最优路径。为检验RBF网络性能，本文将其和OLS算法进行对比[8]，结果如表1所示。
通过表可以看出，应用蚁群算法后，RBF网络结构得到优化。OLS算法得到的网络结构为8×41×1，蚁群算法结构为8×25×1。并且网络鲁棒性和训练速度也得剑了改善。
5 结论
蚁群优化算法是近年来才提出的一种基于种群寻优的启发式搜索算法。它利用自然进化机制来表现复杂现象，结合分布式汁算、正反馈机制利贪婪式搜索算法，使算法不容易陷入局部最优并且收敛速度快。本文采用蚁群算法优化RBF网络中心后，通过与OLS算法对比表明：采用蚁群算法的RBF网络结构更优，网络鲁棒性和精度得到了提高，仿真效果更为良好。
参考文献
[1] 施克仁，何朝辉.人工网络在涡流检测信号处理中的应用[J].无损检测，1996，18（7）：199-201.
[2] 洪炳熔，会飞虎，高庆吉.基于蚁群算法的多层前馈神经网络[J].哈尔滨工业大学学报，2003，35（7）：823-825.
[3] Dorigo M，Gambardella L M.Ant colony system：a cooperativc learning approach to the traveling salesman problem. IEEE Transon Evolutionary Computation，1997，1（1）：53-66.
[4] Jayaraman V K，Kulkarni B D， Karale S，et al.Ant colony frame work of optimal design and scheduling of batch plants[J].Computers and Chemical Engineering，2000，7（24）：1901-1912.
[5] 王剑，李平，杨春节.蚁群算法的理论与应用[J].机电工程，2003，20（5）：126-129
[6] 周美兰，敖雪.基于蚁群神经网络的电控发动机故障诊断研究[J].黑龙江大学自然科学学报，2011，28（3）：415-420.
循环神经网络的优点范文6
[关键词]探地雷达 神经网络 自组织特征映射
[中图分类号] TN95 [文献码] B [文章编号] 1000-405X（2015）-3-131-3
1前言
在探地雷达的数据处理中，通常采用的是类似地震数据处理中的一些手段和方法，比如去除零漂、增益处理、带通滤波、道均衡等等，这些方法均是对整个剖面进行操作的，而我们可以通过神经网络方法，对数据体中某几个区域进行选取，对比研究，以判断其存在的雷同性或者差异性，来达到分类的目的，用以不同深度和区域地质体的判别和认定。
2神经网络结构及算法
2.1神经网络结构
神经网络系统是用数学思维模拟人脑神经信息处理方式的一种人工智能网络，它是一个高度复杂的非线性动力学系统，由大量简单的神经元广泛相互连接而成。神经元一般是一个多输入单输出的非线性器件，它是神经网络的基本处理单元，结构模型见图1所示。神经网络因其具有大规模并行计算、容错性强、分布式存储及超强学习能力等优点，被广泛应用于诸多领域，并取得了引人注目的成果。
经过多年的发展，已经发展出感知器网络、BP网络、径向基网络、Hopfield网络、自组织网络和LVQ网络等等。
在已知目标向量的情况下，可以采用由导师的训练方法，然后针对探地雷达数据的特点，这里没有采用BP神经网络等需要导师的网络进行训练学习，而采用了无需提供导师信号的神经网络――自组织神经网络。
2.2自组织特征映射神经网络算法
自组织神经网络的无导师学习方式更类似于人类大脑认知过程，其最重要的特点是通过自动寻找样本中的内在规律和本质属性，自适应地改变网络参数与结构。自组织神经网络又分为几个内容，自组织竞争网络、特征映射网络、共振理论模型等。本文采用的自组织特征映射（SOM）神经网络，是由芬兰神经网络专家Kohonen于1981年提出的。SOM网络共有两层―输入层和输出层，分别模拟感知外界输入信息的视网膜和做出响应的大脑皮层，对于某个特定的输入模式，输出层会有某个节点产生最大响应而获胜，获胜神经元对其邻近神经元存在侧拟制机制。
SOM网络采用的学习算法称为Kohonen算法，采用优胜域思想，模拟生物区域神经兴奋竞争机制，其算法过程按如下步骤进行：
2.2.1初始化
给定初始学习率η（0）；建立初始优胜邻域Nj*（0）；给输出层各神经元对应的权向量赋小随机数，并进行归一化处理得到Wj。
2.2.2输入模式
自组织网络中选取一个输入模式，并进行归一化处理得到X。
2.2.3寻找获胜神经元
将X与输出层所有神经元对应的权向量Wj进行相似性比较，最相似的神经元获胜，权向量为Wj*：
2.2.4确定优胜邻域Nj*（t）
以j*为中心确定t时刻的权值调整域，优胜邻域内的所有神经元均按其离开获胜神经元的距离远近不同调整权值，随着训练次数的增加，优胜邻域半径不断收缩。
2.2.5调整权值
只有获胜神经元才有权按下式学习调整其权向量Wj*：
其中η（t）随时间变化逐渐下降到0，一般取 或
2.2.6重新归一化处理
对经学习调整后的权向量重新进行归一化处理，循环计算，直到学习率η衰减到0。
3理论数值模拟应用
3.1区分方波函数
首先通过方波函数，用有导师的神经网络进行训练，对神经网络的使用加以试验说明。
原始数据共48道，400ms采样时间的方波数据，200-400ms的振幅2倍于0-200ms，如图2中a所示，将0-48道的0-100ms和300-400ms的数据拼接构成网络输入信号，目标函数为一个长度为201的向量，0-100为0，101-201为1；测试数据选取为原始数据中100-350ms部分的数据，测试目标函数为一个长度为251的向量，0-100为0，101-251为1。
通过神经网络训练，得到图2中b中所示结果，星号为目标曲线，红色为输出曲线，绿色为误差曲线，可以看出误差为零，训练结果还是令人满意的。
3.2判别模拟数据
对一个模拟数据的某一块数据体（图3（a）），我们采用自组织特征映射网络对其进行训练分类。
根据上述的算法，对18-37道、15-50ms采样时间的数据进行训练分类，在分成5类的情况下，从18道至37道网络自动识别成为以下情况：4 4 4 5 5 5 2 2 2 2 2 2 3 3 3 3 1 1 1 1，其中一个数字代表一类情况，用其他道的数据测试该网络时可以得到如下结果：40道返回数字1，15道返回数字4，与实际情况相符合。
可以看出SOM算法对不同的波形分类的情况还是比较理想的，当然这个分类情况和事先给定的种类也有关系，给定的种类越多，分的越细，给定的种类越少，分的越粗。对于图3（b）中40ms附近的反射异常，在2个分类的情况下，可以方便的与围岩分辨出来，反射异常区的各道为一个类别，围岩区域为一个类别。
4实际数据应用
下面我们通过实际采集到的雷达数据进行训练处理。
野外作业主机为美国GSSI公司的SIR-20型，天线为40M低频组合天线，数据共70道，采样长度1024ms，0.2m点测采集，64次叠加，数据为在灰岩地区获取。
数据剖面见图4，由于工作环境为灰岩地区，初步判断B区域为反射异常，对A区域存有疑虑。现根据SOM算法，应用神经网络对其进行分类辨别，通过训练归类，得出以下结论：A区域49-55道与B区域62-70道属于同一类别的，56-61道属于另外一个类别。因此认定A区域与B区域应为同一类地层反射引起，由于振幅较强，判断为一个埋深较大的溶洞，56-61道可能由于区域含水吸收导致能量较弱，后经开挖验证，A区域与B区域确实为一个连通溶洞，且规模很大。
5结论
通过对方波函数的判别、模拟数据的训练分类以及实际数据异常反射区的分类判定，可以看出神经网络方法作为一个手段来对探地雷达数据处理还是很有效果的，在一定程度上能够满足剖面处理的要求，达到使用的目的。本文使用无导师的网络进行训练的目的就是为了能够自动判别分类，避免人为干预的影响，当然某些情况下以可以采用有导师的网络，有针对性的进行识别。
本文得到中国地质调查局基[2014]01-034-013项目资助。
Abstract： Get across the introduce of neural network， using the characteristic than training the network to classified， after the experimentation on square function and simulation data， finally carry on real acquisition data， identify and class the choosed area， achieve the aim to distinguish and cognizance about structure in different area on profile，satisfy the require of data process.
Keywords： GPR Neural network Self-Organizing Feature Map
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.
Fei Si Technology R & D center. Neural Network Theory and MATLAB7 Implementation[M]. Beijing： Electronic Industry Press，2005.
[2]李大心.探地雷达方法与应用[M].北京：地质出版社，1994.
Li Da-xin. Method and application of ground penetrating radar [M]. Beijing： Geology Press， 1994.
[3]翟波，杨峰，孙水明.基于二维滤波的探地雷达数据去噪研究[J].南京师范大学学报，2007，7（3）：80.
Zhai Bo， Yang Feng， Shui Ming-sun. Based on two-dimensional filtering of ground penetrating radar data denoising [J]. Nanjing Normal University， 2007，7 （3）： 80.
[4]杨峰，彭苏萍，张全升. 地质雷达精细处理技术方法的应用研究[J].工程勘察，2007，（4）：70-74
Yang Feng， Su Ping-peng， Zhang Quan-sheng. Ground Penetrating Radar Method for fine processing technology applied research [J]. Engineering Survey， 2007 （4） ：70-74.
[5]郝建新，魏玉峰，林雄斌，地质雷达探测干扰因素及图像识别研究[J].工程勘察，2008（11）：73-75.
Jian-Xin Hao， Yu-Feng Wei， Lin Xiongbin， ground penetrating radar interference factors and image recognition research[J]. Engineering Survey， 2008 （11） ：73-75.
[6] David. J. Bescoby， Gavin C. Cawley， and P. Neil Chroston. Enhanced interpretation of magnetic survey data from archaeological sites using artificial neural networks[J]. Geophysics，2006， 71，H45.
[7] Zhengping Liu and Jiaqi Liu. Seismic-controlled nonlinear extrapolation of well parameters using neural networks. Geophysics，1998，63：2035.
