前言：中文期刊网精心挑选了人工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。
人工神经网络的优点范文1
［关键词］BP神经网络农业工程农业管理农业决策
一、引言
采用神经网络算法的信息处理技术，以其较强的计算性和学习性，现如今已经在各工程领域内得到了广泛应用。随着科技不断的发展和研究的不断深入，农业系统中采用的传统分析和管理的方法已经不能满足农业工程领域快速发展的需要。在农业系统中采用神经网络技术可在一定程度上可弥补传统方法的不足，现已成为实现农业现代化的一个重要途径。神经网络现已在农业生产的各个环节得到广泛的应用，从作物营养控制、作物疾病诊断、产量预测到产品分级，显示了巨大的潜力，并正以很快的速度与生产实际相结合。目前应用比较多的BP神经网络，可通过学习以任意精度逼近任何连续映射，在农业生产与科研中展示出了广阔的应用前景。
BP人工神经网络方法。人工神经网络是对生物神经网络的简化和模拟的一种信息处理系统，具有很强的信息存贮能力和计算能力，属于一种非经典的数值算法。通常可分为前向神经网络、反馈神经网络和自组织映射神经网络。BP神经网络(Backpropugation Neura1 Network)是一种单向传播的多层前向神经网络，可通过连续不断的在相对于误差函数斜率下降的方向上计算网络权值以及偏差的变化而逐渐逼近目标值，每一次数字和偏差的变化都与网络误差的影响成正比，并以反向传播的方式传递到每一层，从而实现了神经网络的学习过程。BP人工神经网络的结构如图所示，BP神经网络可分为输入层、中间层(隐含层)和输出层，其中输入和输出都只有一层，中间层可有一层或多层。同层的网络结点之间没有连接。每个网络结点表示一个神经元，其传递函数通常采用Sigmoid型函数。BP神经网络相当于从输入到输出的高度非线性映射，对于样本输入和输出，可以认为存在某一映射函数g，使得y0=g(xi)，i＝1，2，3，…，m，其中m为样本数，xi为输入样本，yo为输出结果。
BP神经网络的一个显著优点就是其可进行自学习，能够通过训练得到预期的效果。其学习过程由正向传播和反向传播组成，神经网络的输入值经过非线性变换从输入层经隐含层神经元的逐层处理传向输出层，此为正向传播过程。每一层神经元的状态将影响到下一层神经元状态。如果输出层得到的数值与期望输出有一定的偏差，则转入反向传播过程。神经网络通过对输入值和希望的输出值(教师值)进行比较，根据两者之间的差的函数来调整神经网络的各层的连接权值和各个神经元的阈值，最终使误差函数达到最小。其调整的过程是由后向前进行的，称为误差反向传播BP算法。具体学习过程如下：
（1)随机给各个权值赋一个初始权值，要求各个权值互不相等，且均为较小的非零数。
（2)输入样本集中每一个样本值，确定相应的网络实际输出值。
（3)计算实际的输出值与相应的样本集中的相应输出值的差值。
（4)按极小误差方式调整权值矩阵。
（5)判断网络误差是否小于训练前人为设定的一个较小的值，若小于，则跳出运算，此时的结果为神经网络的最终训练结果；若大于，则继续计算。
（6）判断最大迭代次数是否大于预先设定的数，若小于，返回（2）;若大于，则中止运算，其结果为神经网络的最终训练结果。
上述的计算过程循环进行，直到完成给定的训练次数或达到设定的误差终止值。
二、BP神经网络在农业工程领域中的应用
1.在农业生产管理与农业决策中的应用
农业生产管理受地域、环境、季节等影响较大，用产生式规则完整描述实际系统，可能会因组合规则过多而无法实现。神经网络的一个显著的优点就是其具有较强的自学习、自适应、自组织能力，通过对有代表性的样本的学习可以掌握学习对象的内在规律，从而可以在一定程度上克服上述信息量大的问题。神经网络在农业生产管理方面可用于农作物生长过程中对农作物生长需求进行预测，从而通过对养分、水分、温度、以及PH值的优化控制达到最优的生长状况。采用神经网络预测算法的主要思想可描述为：（1）收集一定规模的样本集，采用BP算法进行训练，使网络收敛到预定的精度；（2）将网络权值矩阵保存到一存储介质中，例如文本文件或数据库中；（3）对于待预测数据的输入部分，从存储介质中读出网络连接权值矩阵，然后通过BP神经网络的前向传播算法计算网络输出，输出结果既是预测出来的数值向量。如霍再林等针对油葵不同阶段的相对土壤含盐浓度对其产量的影响有一定的规律的现象，以油葵的6个成长阶段的土壤溶液含盐的相对浓度为输入样本，相对产量为输出样本，通过比较发现，训练后的神经网络能较好预测油葵产量，采用此方法可补充传统模型的不足，为今后进一步的研究开辟了新路。
在农业决策方面，主要将农业专家面对各种问题时所采取的方法的经验，作为神经网络的学习样本，从而采用神经网络建立的专家系统将从一定程度上弥补了传统方法的不足，将农业决策智能化。如何勇、宋海燕针对传统专家系统自学习能力差的缺点，利用神经网络可自我训练的优点，将神经网络引入专家系统中。将小麦缺素时的田间宏观表现，叶部、茎部、果实症状及引起缺素的原因这五个方面的可信度值作为神经网络的输入量，将农业专家诊断的结论作为输出量，将这些数据作为神经网络的训练数据。实际应用表明此系统自动诊断的结果与专家现场诊断的结果基本一致，从而采用该系统能够取代专家，实现作物的自我诊断，为农业管理方面提供了极大的帮助。如马成林等针对于传统施肥决策方法中非线性关系描述不足的问题，基于数据包分析和BP神经网络，建立了施肥决策模型，应用表明，在有限的范围内，模型预测结果较为合理，可以反映玉米的需肥特性。刘铖等人提出采用神经网络应用在农业生产决策中，以莜麦播种方式决策为例，通过对产生式规则的分析导出神经网络输入、输出单元数，并通过多次试验确定隐层单元数，用MATLAB方针结果表明，采用神经网络作为农业生产决策的方法，取得了较好的效果。谭宗琨提出将基于互联网环境下的神经网络应用在玉米智能农业专家系统中，根据农作物发育进程分成若干个发育期，分别对各个发育期建立管理模型，依照作物各发育期进程时间间隔，由计算机系统自动选取相应的模型进行决策。应用分析的结果表明采用神经网络的玉米智能专家系统已初步接近农业生产的实际。
2.在农产品外观分析和品质评判
农产品的外观，如形状、大小、色泽等在生产过程中是不断变化的，并且受人为和自然等复杂因素的影响较大。农产品的外观直接影响到农产品的销售，研究出农作物外观受人为和自然的影响因素，通过神经网络进行生产预测，可解决农产品由于不良外观而造成的损失。如Murase 等针对西红柿表皮破裂的现象，西红柿表皮应力的增长与西红柿果肉靠近表皮部分水分的增加有关，当表皮应力超过最大表皮强度时，将导致表皮破裂。用人工神经网络系统，预测在环境温度下的表皮应力，可通过控制环境变量来减少西红柿表皮破裂所造成的损失。
在农业科研和生产中，农产品的品质评判大多是依赖于对农产品外观的辨识。例如对果形尺寸和颜色等外观判别果实的成熟度，作物与杂草的辨别，种子的外观质量检测。由于农业环境的复杂性和生物的多样性，农产品的外观不具有较确定的规律性和可描述性，单一采用图像处理技术辨识农产品的外观时不宜过多采取失真处理和变换，否则则增加图像处理的复杂性，特征判别也相对困难。人工神经网络由于其具有自学习、自组织的能力，比较适宜解决农业领域中许多难以用常规数学方法表达的复杂问题，与图像处理技术相结合后，可根据图像特征进行选择性判别。采用此方法可以部分替代人工识别的工作，提高了生产效率，也有利于实现农业现代化。如Liao等将玉米籽粒图像用34个特征参数作为神经网络的输入变量，将输出的种粒形态分为5类，经过学习的神经网络对完整籽粒分类的准确率达到93％，破籽粒分类的准确率达91％。
3.蔬菜、果实、谷物等农产品的分级和鉴定
在农业生产中，蔬菜、果实、谷物等农产品的分级和鉴定是通过对农产品外观的辨识进行的。传统的农产品外观的辨识方法费时费力、预测可靠度很低，而且多采用人工操作，评价受到操作者主观因素的影响，评判的精度难以保证。利用人工神经网络技术结合图像处理技术可部分代替以往这些主要依靠人工识别的工作，从而大大提高生产效率，实现农业生产与管理的自动化和智能化。
利用BP神经网络技术对农产品果形尺寸和颜色等外观评判，目前国内外已有不少成果用于实际生产中。何东健等以计算机视觉技术进行果实颜色自动分级为目的，研究了用人工神经网络进行颜色分级的方法。分别用120个着色不同的红星和红富士苹果作为训练样本集对网络进行离线训练。两个品种的苹果先由人工依据标准按着色度分成4级，对每一个品种分别求出7个模式特征值作为BP网络的输入，用训练好的神经网络进行分级。结果表明红富士和红星果实的平均分级一致率分别为94.2％和94.4％。刘禾等用对称特征、长宽特征、宽度特征、比值特征等一系列特征值来描述果形。采用BP网络与人工智能相结合，建立果形判别人工神经网络专家系统。试验水果品种为富士和国光。试验表明系统对富士学习率为80％，对非学习样本的富士苹果的果形判别推确率为75％，系统对国光学习率为89％，对非学习样本的国光苹果果形判别系统的难确率为82％。
三、未来的发展方向
人工神经网络的信息处理技术现已在农业工程领域内得到了迅速的应用，采用人工神经网络算法的农业系统能够从一定程度上改善控制效果，但此技术在农业范围内还不够成熟，有待于进一步的研究。今后科研的方向大体上可以从以下几方面着手：
1.人工神经网络算法的改进
人工神经网络算法由于本身具有一定的缺点，从而采用人工神经网络的算法的信息处理技术在应用过程中具有一定的局限性。在今后的研究中，可以从人工神经网络方向着手，改进人工神经网络算法，从而实现其在农业领域内更好的应用。近年来随着模糊算法、蚁群算法等算法的相继出现，将神经网络与其他算法结合在一起已经成为了研究的热门话题，也是未来算法研究的主要方向之一。
2.应用领域的扩展
人工神经网络算法在农业工程方面现已得到了迅速的发展，扩展其在农业工程领域的应用范围是未来的一个主要研究方向。人工神经网络由于其具有自学习能力，可对农业系统的非线形特性进行较好的描述，采用人工神经网络可解决传统方法的不足，从而实现农业现代化。如何将神经网络较好地引入到农业系统，解决农业工程中的部分问题，已是今后农业科研中的一个方向。
四、结束语
神经网络作为一种人工智能范畴的计算方法，具有良好的自学习与数学计算的能力，可通过计算机程序进行模拟运算，现已广泛用于模式识别、管理决策等方面。随着计算机硬件和软件的不断发展与农业工程方面的研究的不断深入，神经网络将在农业管理、农业决策、农作物外观分类、品质评判等方面充分发挥其自学习能力强，计算能力强的优势，通过对样本数据的学习，神经网络可较好地解决农作物生长过程中的作物分类、预测等非线形的问题。在农业工程领域内，神经网络拥有广阔的科研前景。
参考文献:
[1]余英林李海洲:神经网络与信号分析[M]. 广州: 华南理工大学出版社,1996:45
[2]霍再林史海滨孔东等: 基于人工神经网络的作物水―盐响应初步研究[J].内蒙古农业大学学报，2003，24（3）：66～70
[3]何勇宋海燕:基于神经网络的作物营养诊断专家系统[J]. 农业工程学报,2005,21（1）:110～113
[4]马成林吴才聪张书慧等:基与数据包络分析和人工神经网络的变量施肥决策方法研究[J].农业工程学报,2006，20（2）:152～155
[5]刘铖杨盘洪: 莜麦播种方式决策的BP神经网络模型[J]. 太原理工大学学报，2006,37(5):119～121
[6]谭宗琨: BP人工神经网络在玉米智能农业专家系统中的应用[J].农业网络信息，2004(10):9～1
[7]Liao K,Li Z,Reid J F,et al.Knoledge-based color discrimination of corn kernels[J].ASAE paper[C].92～3579
人工神经网络的优点范文2
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。
人工神经网络的优点范文3
关键词：人工神经网络 企业经济 预测
当代公司都处于剧烈的竞争之中，怎样先人一步成为了管理过程中重要的一步。怎样准确的预测企业的经济变化，也成为了企业竞争过程中的核心，只有掌握了企业未来的经济发展状况，才可以在当下采取相关措施进行有针对性的解决或者支持，进而帮助企业规避风险、增加效益。所以，人工神经网络的出现势在必得，它极大地提升了预测的效率和准确性，摒弃了旧时代的预测不准、不快、太难的先天弊端，使得企业经济预测变得具有科学性和说服力。本文以此为切入点，将人工神经网络引入企业经济预测，结合相关实际，讨论其原理和应用情况。
一、具体预测方法介绍
1.时序预测模式
当前，关于人工神经网络对企业的预测，通常选择数学函数模型，。但是因为神经网络的复杂性和拟合难度大，更多的企业选择基于神经网络的时序模型。这样的方法既能结合神经网络的优势，也可以进一步抵消由于神经网络预测带来的系统误差，使得结果更加精准。而具体方法为利用神经网络体系对时序进行数学模型建立之后，再将神经网络系统中计算出的相对误差拿出来作为一组基础数据进而进行分析，想要彻底解除误差的干扰，应该同时建立多个网络，平行的进行对比，这样还可以提升预测精准度。
2.基于软件数据处理的神经网络预测
人工神经网络的实现方法有很多种，但是不同的方法具有不同的优势，他们统一的特点都是：学术性强、具有复杂性。其中，借助于计算机的方法最为盛行。因为它快速有效，具有可操作性和普及型，跟企业经济实力没有绝对关系，大部分企业选择这一方法进行经济预测，在这其中包括软件数据、硬件技术对比等，利用软件将企业近段时间经营数据收纳后，运用拟定好的函数模型，快速的呈现出学科知识范畴下的企业经济预测结果。而硬件技术也相对操作性较难，所以在目前的状况下，绝大多数方案选择的是软件数据处理。
二、财务危机预警模型应用结果分析
人工神经系统中反复提到唯一变量分析模式，这个方法的优势在于简便、上手快、结果清晰明了、应用范畴广。这样的优点使得这个方法非常受到中小企业的欢迎。但是这一模式也有着非常大的弊端：首先，因为这个模式只关注一个参考量，所以缺乏对全局的考量和其他微弱影响因素的关注，使得结果比较主观。其次，唯一的变量会和其他变量之间产生冲突，无法准确判断多个结果间的彼此联系。最后，企业经济预测是一个需要多方面统筹的问题，仅仅使用一个变量参考缺乏说服力，需要提供详细的企业财务数据与多个变量进行平衡计算。
第一，即使唯一变量法简单易操作、方便处理数据，但是其经济预测精准度有待加强。人工神经网络是一个复杂高效的系统，必须保证数据的准确，只有在平时的财务处理过程中，根据企业自身的实际情况，将多项参考指标加入预测体系中，才可以提前知晓即将到来的经济形势变化。所以可将唯一变量法作为一项辅助手段，帮助主要的人工神经网络预测方式，双管齐下进行预测，能够取得更好的效果。
第二，因为我国国情，企业内部信息也相对缺乏真实可靠性，如果采用了唯一变量法，假使选用的变量具有有决定性意义而且企业自身容易出现纰漏，这样不仅不会取得良好的经济预测结果，反而会误导企业的发展走向后患无穷。所以应该在企业内部实行责任人员制度，即让相关责任和工作人员对应起来，让每方面的信息责任具体到人头上，有针对性的对企业内心信息进行管理，使得企业经济发展过程中每个部分都有据可依有人可查，不仅避免了相关信息的问题，而且能够帮助人工神经网络获得更准确的数据。
三、结论
经济发展的不确定性让基于人工神经系统的预测模式应运而生，其实根本不存在完全精准有效的预测方法，只不过是在以往数据的基础上结合相关实际，做出符合预期的预测，要想发挥出人工神经系统网络的优势，不仅需要不断加强企业内部管理，保证所用数据真实性可靠性，更需要企业自身开发出更多适合企业实际情况的预警措施。退一步说，企业或许根本不需要经济预测模式，他们应该注重怎样在经营管理活动中提高效率，在现有资源情况下规避相关风险，同时不影响经营状况。只有这样才能从根本上解决企业需要面对的问题，从而增强企业实力，完成更好的经济发展。
参考文献：
[1]王超，佘廉.人工神经网络在企业预警管理系统中的应用.武汉理工大学学报，2010年04期
[2]刘艳，杨鹏.基于ANN技术的企业经济预警系统的构建.暨南大学管理学院、广东金融学院工商管理系
人工神经网络的优点范文4
关键词：人工神经网络 反向传播算法 故障诊断
1 引言
随着经济的发展，空调系统得到了越来越广泛的应用，空调设备已成为重要的生活必备品之一。这就要求空调系统可靠性高且功能齐全，而且在故障诊断维修服务方面达到一定的水平。国内目前的大部分空调系统中无故障诊断系统，当空调系统出现故障后，维保人员往往不能及时、准确地了解系统出现故障的原因及相关信息，空调系统无法得到及时修复，这种情况急需得到改善。
2 关于故障诊断技术
故障诊断FD(fault diagnosis)是一种了解和掌握设备在使用过程中的技术，确定其整体或局部是否正常，早期发现故障及其原因并能预报故障发展趋势的技术。在诊断过程中，必须利用被诊断对象表现出来的各种有用信息，经过适当地处理和分析，做出正确的诊断结论。在制冷暖通空调领域，1987年在彦启森教授的建议下，才开始了故障诊断专家系统在制冷暖通空调领域的研究应用[1]。
3 人工神经网络用于空调系统故障诊断的基本原理
人工神经网络(Artificial Neural Network．简称ANN)正是在人类对其大脑神经网络认识理解的基础上人工构造的能够实现某种功能的神经网络。它是理论化的人脑神经网络的数学模型，是基于模仿大脑神经网络结构和功能而建立的一种信息处理系统。它实际上是由大量简单元件相互连接而成的复杂网络，具有高度的非线性，能够进行复杂的逻辑操作和非线性关系实现的系统。
典型的神经网络结构如图1所示。
在众多的人工神经网络模型中，最常用的是BP(Back Propagation)模型，即利用误差反向传播算法求解的多层前向神经网络模型[2]。BP网络在故障诊断、模式识别、图像识别、管理系统等方面都得到了广泛的应用。本文讨论利用神经网络中的BP模型进行空调系统的故障诊断。
首先需要进行知识的获取。由专家提供关于各种空调系统故障现象(征兆集)及相应的故障原因(故障集)实例作为学习样本。将数据分为两部分，一部分用于训练网络，另一部分用于测试。将训练网络的数据按一定顺序编码，分别赋给网络输入、输出节点，通过神经网络学习算法对样本进行学习，经过网络内部自适应算法不断修正权值，直到达到所要求的学习精度为止。此时在大量神经元之间联结权值上就分布着专家知识和经验。训练完毕后，再将测试网络的数据从初始状态出发，向前推理，将显示出的故障结果与实际的测试数据结果相比较，如果误差很小，说明网络的权值建立正确；如果误差较大，说明网络的权值建立有误，需要重新进行网络的训练。
将训练样本训练完毕后，即可进行空调系统的故障诊断。只要实际输入模式接近于某一个训练时的学习样本的输入模式，则可产生出接近学习样本的输出结果，也就是所谓的自联想功能。同时，由于网络计算上的大量并行性，当机器运行状况改变，出现网络学习未考虑的情况时，系统亦能给出正确分类结果。同时将新数据并入网络，实现系统的自适应。一般来说，学习的故障实例样本越多，诊断结果的准确率越高。
4 BP学习算法
BP算法因其简单、易行、计算量小、并行性强等优点，是目前神经网络训练采用最多也是最成熟的训练算法之一。BP算法的实质是求解误差函数的最小值问题，由于它采用非线性规划中的梯度下降法（Gradient Descent），按误差函数的负梯度方向修正权值 [3]。其主要思路是如果求出训练网络的指标函数误差：
一般的BP算法称为标准误差逆传播算法，也就是对应每一次输入都校正一次权值。这种算法不是全局误差意义上的梯度下降计算。对各个神经元的输出求偏导数，那么就可以算出误差对所有连接权值的偏导数，从而可以利用梯度下降法来修改各个连接权值。真正的全局误差意义上的梯度下降算法是在全部训练模式都学习完后才校正连接权和阈值。其计算流程如图2所示：
5 故障诊断实例 5.1 空调系统故障诊断的BP网络建立
空调系统故障模式及故障机制分析[4]如表1所示
表1 空调系统故障模式及故障机制分析 表示
符号
表示
符号
房间温度均偏高
1.冷冻机产冷量不足
2.喷水堵塞
3.通过空气处理设备的风量过大，热交换不良
4.回风量大于送风量
5.送风量不足（可能空气过滤气堵塞）
6.表冷器结霜，造成堵塞
相对湿度均偏低
7.室外空气未经加湿处理
系统实测风量大于设计风量
8.系统的实际阻力小于设计阻力
9.设计时选用风机容量偏大
房间气流速度超过允许流速
10.送风口速度过大
人工神经网络的优点范文5
关键词：深基坑工程；人工神经网络；支护结构
中图分类号：Tu473
文献标识码：A
随着城市现代化进程的加快，地下工程规模日渐扩大，深基坑工程无论在数量上还是在规模上都有大幅度提高。深基坑工程是一个十分庞大的极其复杂的非线性系统，它既涉及土力学中最典型的强度、稳定和变形问题，同时还涉及土与支护结构的共同作用、水文地质与地下水控制、施工组织设计等问题。由于人工神经网络(Artificial Neural Net-works，简写成ANN)能简单模拟人脑神经元工作的部分机理，具有自适应性、非线性、学习功能及容错性强等特点，特别适合于处理各种非线性问题，因而在深基坑工程的研究中得到了广泛的应用。本文拟就ANN在深基坑工程中的应用进行一番探讨。
1 人工神经网络理论研究的发展简介
人工神经网络是以工程技术手段来模拟人脑神经元网络的结构与特征的系统。利用人工神经元可以构成各种不同拓扑结构的神经网络，它是生物神经网络的一种模拟和近似。在人工神经网络中，前馈型神经网络是目前人工神经网络中应用最广泛也是发展最为成熟的一种网络模型，其网络结构如同1所示，神经元分层排列，有输入层、隐层(亦称中间层)和输出层。各层神经元、各层之间通过不同的权重连接，权重的大小反映互连神经元之间相互影响的形式与大小。在输入层输入各初始参数后，输出层的输出值即为网络对这些输入参数的响应，也即所需的结构。图1所示的网络其本质上是建立输入层各参数到输出层各参数的映射，从而反映这些输入参数对输出的影响形式和幅度，进而反映输入参数与输出结构之问的本质联系。
2 人工神经网络理论研究的发展简介
1943年，美国神经生理学家Warren Mcculloch和数学家Walter Pitts在文章“A Logical Calculus of I-deas Immanent in Nervous Activity”中，第一次提出了神经元数学模型，拉开了人工神经网络发展的序幕。1949年，心理学家Donald Hebb在其所著书《The Organization of Behavior》中第一次将学习功能引入神经网络系统，他所提出的Hebb学习规则在神经网络模型研究中一直起着重要的作用。1957年。Frank Rosenblatt提出的感知器模型(Perceptron)，被认为是最早的神经网络模型。1959年，Bernard Widrow和Marvin Hoff开发出一种称为自适应单元(Ada-line)的网络模型，网络通过Marvin-Hoff学习算法训练后，成功地应用于抵消通信中的回波和躁声，也可用于天气预报，是第一个用于实际问题的神经网络模型。由于这些有识之士的工作及对神经网络的宣传，激起了更多人的兴趣投入到这一领域，形成了ANN研究的第一次。
1969年，Marvin Minsky和Seymour Papert在他们合著的书《Perceptron》中，分析了简单的感知器，指出了它的局限性，即对于非线形问题，甚至简单的“异或”问题都无能为力。由此引起了对神经网络批评的高涨，使得ANN的研究陷入了低潮。直到1982年，John Hopfield对神经网络进行了严格的数学分析，揭示了其工作机理，并且用他提出的模型从失真的和不完善的数据图形中获得完整的数据图形，引起了人们的关注，致使ANN的研究开始复苏，并在近20年中得到了飞速的发展。
尽管神经网络的研究才刚刚起步，它已在广泛的领域中得到了应用。如信号处理与模式识别、专家系统、机器人控制、邮政通讯、图像处理、语音识别等领域。近几年来，在工程力学领域已有人引入ANN来解决问题，如基于BP网络的混凝土本构关系模型，力学领域中非线形动态系统的识别，振动控制中的状态估计，结构破坏形式估计，以及结构分析和可行性设计等等。
3 ANN在深基坑工程中的应用
ANN应用到基坑工程研究的时间较晚。Gob等(1995)用ANN成功地预测了基坑支护中地下连续墙的侧向位移。在国内土木工程界，李立新(1997)在基坑的非线形位移反分析中应用了ANN，率先将ANN引入到用于解决深基坑工程中的种种问题。此后，许多专家学者开始意识到ANN解决深基坑工程问题的有效性和实用性，纷纷开展了这方面的研究工作。ANN在深基坑工程中的应用越来越普遍，应用的范围也不断扩大。截止目前，ANN在国内深基坑工程中主要应用于以下几个方面：
3.1支护结构选型
常见的深基坑支护结构型式有排桩、地下连续墙、水泥土墙、土钉墙、逆作拱墙、放坡开挖等。支护结构可根据基坑周边环境、基坑规模、工程地质与水文地质、施工作业设备、施工季节等条件，选用上述的某一种或几种型式的组合。在深基坑工程中，支护体系和支撑构件设计的合理性和施工质量的优劣直接影响到整个支护体系的安全和正常使用，如何在众多的支护方案中选择一种技术上先进、施工上可行、经济上合理的支护方案就显得异常重要。支护结构体系是一个庞大复杂的力学系统，决定基坑工程支护方案的因素众多且大多具有不确定性特点，根据ANN的特性和工作原理，考虑采用ANN进行深基坑支护结构选型是完全可行的。
王晓鸿等根据大量工程实践确定了支护方案选择的神经网络表示方法，该方法以基坑开挖深度、基坑规模、场地条件、周边环境控制等级、基坑周围建筑物、道路、工程、管线的距离等作为输入信息，以水泥土挡墙、灌注桩墙、地连墙等作为输出信息，采用ANN方法进行研究，取得了常规的解析或数值方法不能达到的较好结果。
3.2变形的预测预报
深基坑工程变形的预测预报包括诸多方面：围护结构的变形、地表沉降、坑底隆起、周围管线变位等。对于上述诸多方面变形的每一种来说，其影响因素都是多方面且极其复杂的。比如，根据以往的施工经验，影响支护结构变形的因素就有支撑条件、土层强度、围护墙的刚度、围护墙在坑底以下的入土深度、地下水、施工情况等，且每一种因素的影响方式和影响程度都不同，甚至有的是不确定的，因而采用传统方法较难甚至不可能建立满意的数学模型，也就无法很好地解决深基坑工程变形的预测预报问题。ANN方法的发展及其本身的诸多优点，为解决这一重要问题提供了强有力的工具。
目前，ANN在深基坑工程变形的预测预报中的应用研究比较活跃。总体来讲，ANN应用于深基坑
工程变形的预测预报问题的研究可分为两大类：
a)一般预测问题：即对一些同类型的、随机的、广泛在同一平面或曲面上(服从一定的概率分布)的实测值进行ANN模拟和泛化推广，可称之为横向推广。华瑞平等以单层内支撑围护结构作为神经网络设计的支护结构类型，以支撑点与开挖深度的比值、支撑弹性系数、基坑开挖深度、桩的入土深度、土的c、ψ值、桩的刚度7个指标作为输入层参数，以桩的最大位移作为输出层，采用10个样本进行训练，后对3个样本进行了检验，最大误差仅为6.6％，效果比较令人满意。此外，其他一些专家学者对类似问题采用了不同的网络结构进行研究，都取得了理想的预测结果。
b)时间序列预测问题。即将一个非线性变化过程依时间而产生的某种分布规律通过建立ANN以求得这种分布性的探索和泛化推广，可称为纵向推广。深基坑工程中的变形是一个动态的过程。时间序列预测的基本思想是利用现有的历史数据设计合理的ANN，经训练和检验能达到所要求的精度后来预测未来时间的变形数据，从而预测预报基坑的稳定性。如孙海涛等对上海某深基坑工程中两个测点每天的沉降进行了监测，以前4d的测量数据为依据来预测后2d的沉降值，经训练、检验后，发现预测值与实测值较为吻合，基本反映了实测值的趋势。
3.3土体物性参数识别
深基坑工程中的各种理论分析必须以合理的土体物性参数为基础。这些由试验测定的参数由于许多因素的影响往往与实际值存在较大差异。在实际工程中不确定的因素更多，因而采用这样的参数进行分析计算，得到的结果往往不可靠。这就需要对深基坑开挖工程中土体的物性参数进行识别。其解决方法是：在深基坑开挖施工过程中，根据若干预先布置好的测点处现场测量所得的数据(位移、应力、孔隙水压力等)，来反求出基坑及基坑周围土体的物性参数(粘聚力、内摩擦角、弹性模量、泊松比等)。传统的反分析法通常结合有限元法和数学规划法，通过优化方法不断修正土体的未知参数，使一些现场实测值与相应的数值计算的差异达到最小，这些方法需要求待识别参数对于现场实测值的敏度。由于土体物理特性与力学特性的非线性，采用数值近似方法计算敏度的工作量很大，程序的实现也复杂。利用人工神经网络的非线性映射能力，可以解决一系列函数关系不能显示表达的复杂模式识别与参数估计问题。与传统反分析方法相比，该方法避免了敏度分析，并具有概念直观、易于掌握、易于实现等优点。
3.4其它方面的应用
人工神经网络除了成功地解决深基坑支护结构选型、变形预测预报、土体物性参数识别等问题以外，还可以应用于施工控制、突涌分析、工程造价预测、底板混凝土测温等方面。虽然应用的方向和解决的问题有所不同，但是利用该方法所解决不同问题的思路大体上是一致的。
4 ANN方法在深基坑工程研究中的发展展望
4.1 BPN算法自身的改进
在目前为数众多的ANN中，前馈型多层、误差逆向传播的BP神经网络(Back Propagation Network，简称BPN)因为其简单的特点而成为目前应用最广的ANN学习模型。但BPN存在着自身的限制和不足，主要包括：收敛速度慢，存在局部极值，隐层节点个数选择无理论参考，仅凭经验选取，网络运行为单向传播，没有反馈和返化能力差。基于此，出现了一些旨在改善BPN学习效果的方法。其中一个方法是通过发展更有效的学习算法去缩短学习时间。Moiler(1993)研制了一个比例共轭梯度算法去加快学习速度；Adeli和Hung(1994)建立了一个自适应共轭梯度神经网络(Ad-CGN)学习算法，并将其应用到了结构工程当中。Sanossian和Evans(1995)用一个基于梯度的启发式算法去加速神经网络。另一个方法是利用平行算法去缩短计算时间。例如，Adeli和Hung(1993)提出了一个实时Ad-CGN学习算法去解决大规模模式识别问题，他们的算法在缩短BPN计算时间方面取得了一些进展。此外，通过合理选择代表性框架来表示训练的输入输出模式可以极大地改善神经网络的工程应用性能。Gunaratnam和Gero(1994)讨论了BPN应用于结构设计时训练样本的输入输出模式对BPN性能的影响。上面提到Hung和Lin(1994)在一个类似于牛顿第2定律的L-BFGS方法基础上利用非线性搜索算法研制了一个更有效的自适应性算法L-BFGS。S.F.Masri(1999)在应用力学研究中用自适应随机搜索技术(ARS)训练了BPN。对BPN的改进的算法还有许多，这些算法各有其优点，也都有需要改进的地方。因此，为了使BPN能更为高效快速，我们今后还需要做更多的研究工作。
人工神经网络的优点范文6
关键词：模拟电路；智能故障诊断；神经网络
中图分类号：TN710 文献标识码：A 文章编号：1009-2374（2012）04-0118-02
上世纪70年代开始，模拟电路故障诊断理论第一次被提出来，如今已发展成为一门系统的学科。但是，虽然模拟电路的使用时间已经有一段历史，其模拟电路故障诊断技术却发展一直比较缓慢。以下笔者就从模拟电路智能故障的特点入手，对模拟电路智能故障诊断技术的发展现状进行详细探讨。
一、模拟电路智能故障的特点分析
现将模拟电路故障的特点分析如下：
（一）模拟电路信号与数字信号的区别
模拟电路信号与数字信号有很大的不同：前者信号的大小是随时间连续变化的量，包含的物理量属于连续函数，其故障模式及模型难以用简单的量化来描述。
（二）模拟电路元器件的特性
由于模拟电路中的元器件参数本身存在容差，导致了导致功能性故障的故障物理位置难以确定，存在较大的模糊性（“容差”的实质就是元器件本身存在的轻微故障）。
（三）模拟电路中存在的问题
在模拟电路中，存在反馈电路和非线性问题，增加了计算和测试的复杂性。
（四）模拟电路的使用范围
模拟电路的频率范围比较宽，这就决定了其使用设备的差异性。有时，即使测量同一个信号，但是在不同的频段上所使用的设备都会出现很大的差距，决定了其设备较大差异性的特点。
（五）模拟电路的故障问题
由于现在电路中，可测试的节点数一般都比较少（电路通常是封装或者多层的缘故），导致判断故障信息的数量不够多、信息不够充分，加大了故障判断的难度。
二、模拟电路故障诊断技术现状分析
近几年，电子技术得到了飞速发展，随着电子技术的飞速发展，电子技术运用而成，并随着集成度的不断增大，电路的复杂程度日益提高。
一般而言，故障辨识、故障检测及故障隔离是电路故障诊断的主要内容。由于诊断原理的多样性，导致了电路故障诊断方法也存在多样性。
本文根据故障诊断的角度出发，对现行电路故障诊断的方法进行了分类。以下就现代模拟电路故障诊断的方法进行具体探讨。
（一）专家系统故障诊断分析
专家系统在人工智能技术中，属于应用比较广泛和活跃的故障诊断技术之一。专家系统故障诊断的工作过程可以描述为以下几个步骤：首先，应该具备故障诊断专家系统的知识库，这个知识库的内容主要是将相关诊断经验与技术，使用一定的规则组合起来而形成，以备以后程序使用；然后，当出现故障时故障诊断系统将由报警系统得到相关信息，应用知识库对其进行推理，由此得出出现的故障的原因。
以上诊断过程可以理解为：专家系统故障诊断技术是模拟行业专家进行诊断及决策的过程，主要可以解决一些比较复杂的故障问题。
但是，由于这些技术存在一定的缺陷，在一定程度上限制了其推广使用。
（二）人工神经网络技术分析
人工智能技术的另一个重要分支是人工神经网络技术。
在故障诊断中，它的主要优势在于：其特别适合处理那些具有复杂非线性关系的、无法用显性公式表示的情况，并能够有力解决非线性、反馈回路和容差等引起的问题，上述这些情况都是传统模式识别方法难以解决的。
人工神经网络由于其独特的优势，越来越受到人们的广泛重视。
人工神经网络的优点主要体现在以下几个方面：（1）它以利用网络的拓扑结构和权值分布实现非线性的映射，以分布的方式存储信息；（2）它可以实现非线性信息变化问题，这个主要是通过全局并行处理来实现的信息变化。其可以有效的解决故障诊断中故障知识获取这个“瓶颈”问题，以及“组合爆炸”等问题；（3）人工神经网络技术还具有联想记忆、并行分布处理以及自适应性强等特点。
以上的这些优点为智能故障诊断的研究开辟了一条新途径。基于以上的分析，将神经网络与专家系统相结合，使其相互补充，各自扬长避短，是故障诊断领域的一个热点话题。
（三）神经网络专家系统
从逻辑方面来讲，神经网络专家系统和传统专家系统是完全不同的。神经网络专家系统是一类新的知识表达体系，神经网络专家系统中的信息处理是由大量简单处理元件之间进行相互作用，从而进行信息处理的，属于低层数值模型。神经网络专家系统可以将数值运算和逻辑推理结合，并利用相关的信息处理功能来解决诊断系统中的相关问题。
在这种技术中，通过学习将专家知识存储在网络中，由此进行不精确的故障诊断，可以较好的完成相关推理过程。
（四）小波分析方法
小波分析法时一种时-频分析方法。它的主要原理通过以下阐述：
小波变换及小波函数的多样性。
小波是函数空间中满足下述条件的一个函数或者信号：
式中：表示非零实数全体，是傅里叶变换，为小波母函数。
对于实数对（a，b），参数a为非零实数，函数
称为由小波母函数生成的依赖于参数对（a，b）的连续小波函数，简称小波。其中：a称为伸缩因子：b称为平移因子。
对信号f（x）的连续小波变换则定义为：
其逆变换（回复信号或重构信号）为：
信号f（x）的离散小波变换定义为：
其逆变换（恢复信一号或重构信号）为：
其中：C是一个与信号无关的常数。
由上述原理可知，小波函数具有多样性。
（五）神经网络小波分析方法
将神经网络与小波分析相结合的方法主要有两个：
1．以辅助式结合的形式组合。在这种结合中，一般是利用小波分析技术对相应的信号进行预先处理，然后，利用神经网络技术进行学习与判别。
2．以嵌套式结合的方式进行组合。这种结合中，主要是把小波分析方法融入到神经网络中，形成新的神经网络结构，即神经网络一小波分析或小波网络。这种新的网络方法具有明显的优势：具有自适应分辨功能和很好的容错性。
由上面分析可以得出，这种新的故障诊断鉴别方法是故障诊断领域的一个新方法，它不仅可以拓宽小波分析方法与神经网络技术的应用领域，而且为故障诊断技术开辟了新道路，使得故障诊断技术得到了进一步的发展。
三、结语
由于现代科技的飞速发展，模拟电路故障诊断系统将会变得越来越复杂，如何保证模拟电路系统可以运行的更加可靠是一个值得深入探讨的问题。模拟电路出现故障后，如能及时将相应的故障诊断清楚，并保证及时维修更换，无疑可以提高生产效率，提高成品的合格率，进而推动模拟电路系统向更好的方向
发展。
参考文献
[1] 朱大奇．电子设备故障诊断原理与实践[M]．北京电子工业出版社，2004．
