神经网络的局限性范例6篇

前言：中文期刊网精心挑选了神经网络的局限性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。

神经网络的局限性范文1

关键词： BP神经网络；价格预测；归一化处理

期货市场是一个不稳定的、非线性动态变化的复杂系统。市场上期货合约价格的变动受金融、经济、政治及投资者心理等众多因素的影响，其过程具有非线性、混沌性、长期记忆性等特点。传统的经济模型大部分是线性模型，具有一定的局限性.而人工神经网络则能很好地解决这个问题。

一、BP神经网络原理与过程

BP神经网络（反向传播网络Back Propagation）是一种多层前馈型神经网络，其神经元的激活函数是sigmoid函数，一般为log sigmoid 函数和tan sigoid 函数，函数的图形是S 型的，其值域是为0到1的连续区间。它是严格递增函数，在线性和非线之间有着较好的平衡性。

1.数据归一化处理

数据归一化方法是神经网络预测前对数据常做的一种处理方法。数据归一化处理把所有数据都使其落在[0，1]或[-1，1]之间，其目的是取消各维数据间数量级差别。避免因为输入输出数据数量级差别较大而造成网络预测误差较大。数据归一化的方法主要有以下两种。

（1）平均数方差法，其公式如下：

2.BP神经网络的学习过程

BP网络的学习过程由信号的正向传播和误差的反向传播两个过程组成。其基本原理是：网络先根据输出层的误差来调整输出层和隐含层的权值和阈值，再将部分误差分配置隐含层，然后根据误差来调整隐含层和输入层之间的权值和阈值，并不断地重复上述过程，直到网络的输出与目标之间的误差趋于最小，达到规定的要求。

一般地，BP网络的学习算法描述为如下步骤。

（1）初始化网络及学习参数，如设置网络初始权矩阵，给出学习速率和神经元激活函数等。

（2）提供训练模式，训练网络，直到满足学习要求。

（3）前向传播过程：对给定训练模式输入，计算网络的输出模式，并与期望模式比较，若有误差，若执行步骤（4），否则，返回步骤（2）。

（4）反向传播过程：计算同一层单元的误差，修正权值和阈值，返回步骤（2）。

二、玉米期货价格预测分析

美国是世界上玉米生产大国和消费大国，良好的现货基础为美国玉米期货市场的发展提供了优越条件。其中，以CBOT为代表的美国玉米期货市场同现货市场有效接轨，不仅在美国内玉米生产流通领域发挥了重要作用，而且在世界玉米市场上也影响巨大。

发现价格作为期货市场的基本功能之一，CBOT作为全球最大的玉米期货交易市场，其玉米期货价格的国际影响力是非常巨大的。目前，在国际玉米市场上，玉米贸易价格的形成和交易活动是以CBOT的玉米期货价格为中心展开的，该价格是国际玉米贸易中签约双方需要考虑的最重要的依据之一。美国已经通过芝加哥玉米期货市场取得国际玉米贸易的定价权，在国际玉米市场中发挥着主导作用，并且能够对本国和其他国家玉米产业的发展产生深刻影响。

本文研究所采取的样本来自WIND资讯金融终端，以2008年07月-2015年10月的CBOT的玉米期货为研究对象。共计100组样本数据，将其中92组数据作为训练数据。8组作为分析样本。本文从影响全球玉米的供需平衡的角度出发，从期初库存、产量、进口、饲料消费、国内消费总计、出口、期末库存、总供给、贸易量共九个因素进行分析研究，对玉米期货的价格进行预测。利用MATLAB软件训练生成BP神经网络并进行预测，将隐含层神经元设为20个，训练次数为100次，训练精度为0.00005。最后得到结果见表1。

从表1中可以看出，通过BP神经网络计算得出的预测值与实际值绝对误差相对较小，这说明通过BP神经网络预测模型产生的预测结果的精确度较高。具有较强的实用性。但是由于玉米期货除了受到供需因素的影响外，同时还受金融、经济、政治及投资者心理等众多因素的影响。所以本文的结果还带有一定的局限性。若把上述因素考虑进去，其精确度可能进一步提高。

三、结语

本文采用BP神经网络对美国玉米期货的价格进行了研究。使用了多因素BP神经网络预测模型，对玉米期货的价格进行预测，得到了拟合度在较高的预测值。这说明BP神经网络方法可以对玉米期货价格走势进行有效预测。通过预测，可以对投资者的投资行为进行指导，从而达到规避风险而获取较好的经济利益。

参考文献：

神经网络的局限性范文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.

神经网络的局限性范文3

【关键词】 小波变换； 神经网络； 模型； 预后

肿瘤患者预后是一个多因素相互作用的复杂问题，各因素之间一般为非线性关系。由于其间的函数关系解析形式难以把握肿瘤的多种类型以及多种相关因素，使得现有的预测在准确性和实用性方面都存在着局限性。人工神经网络的成就表明它特别适合于处理不确定性和非结构化信息，和统计模式识别方法相比，具有抗干扰能力强、能自适应学习、能把识别处理和若干预处理融为一体来完成等优点，因此其应用非常广泛。P.B.Snow等用BP神经网络对结肠癌患者治疗后的存活期进行预测［1］，其算法主要是利用梯度搜索技术使代价函数最小化。此类网络存在一些局限性，如隐层单元数目难以确定、收敛速度较慢且有可能收敛于局部极小点等等。近年来，将小波变换与神经网络相结合构成的小波神经网络(Wavelet neural networks， WNN)展示了良好的网络性能［2~5］。利用WNN研究肠癌患者术后存活期预测问题，仿真结果表明该模型能较好地反映疾病程度与术后存活期之间的关系，因此在肿瘤患者术后存活期预测方面具有良好的应用前景。

1 小波神经网络模型

WNN是近年来神经网络研究中的一个新的分支，是将小波变换理论与人工神经网络理论相结合而构造的一种新的神经网络模型。WNN中第n个样本的输入为Xn={xni}，i=1，2，…，L，网络的输入为Yn={ynk}，k=1，2，…，S，对应的目标输出为Dn={Dnk}，k=1，2，…，S，n=1，2，…，N，N为样本总数。输出层单元数为S输入层单元数为L，中间层为小波变换层(单元数目为M)，Vji表示中间层第j单元与输入层第i单元之间的连接权，Ukj表示输出层第k单元与中间层第j单元之间的连接权。利用当前网络参数计算的输出为：Ynk=∑M

j=1UkjΨ∑L

i=1VjiXni-bj

aj(1)误差函数E：E=1

2N∑N

n=1 ∑S

k=1(Ynk-Dnk)2(2)可以求出误差函数E的各种导数：E

Ukj=1

N ∑N

n=1(Ynk-Dnk)Ψ∑L

i=1VjiXni-bj

aj(3)E

Vji=1

N ∑N

n=1 ∑S

k=1(Ynk-Dnk) UkjΨ(T)

T Xni

aj(4)其中 T=∑L

i=1VjiXni-bj

ajE

aj=1

N ∑N

n=1 ∑S

k=1(Ynk-Dnk) UkjΨ(T)

T (-∑L

i=1VjiXni-bj

a2j)(5)E

bj=1

N ∑N

n=1 ∑S

k=1(Ynk-Dnk) UkjΨ(T)

T (-1

aj)(6)取Ψ(x)为Morlet小波，该小波为余弦调制的高斯波，时域频域同时具有较高分辨率。Ψ(x)=cos(1.75x)exp(-x2

2)(7)则Ψ(x)

x=-［xcos(1.75x)+1.75sin(1.75x)］exp(-x2

2)(8)按共轭梯度下降学习算法有：Uii+1kj=Uiikj-αE

Uiikj+ε(Uiikj-Uii-1kj)(9)或写成：ΔUii+1kj=-αE

Uikj+εΔUiikj(10)Uii+1kj=Uiikj+ΔUii+1kj(11)类似地可以给出Vii+1ji、aii+1j和bii+1j的迭代公式，按这些迭代公式逐次学习，直至满足误差要求(或达到最大学习次数)。

2 数据处理和结果

21 资料收集及处理病例资料取自徐州医学院病理教研室1987~1997年外检档案中手术切除的结直肠癌标本195例，对其进行随访研究，获得具有完整随访研究结果的病例资料65例。根据《全国大肠癌病理研究统一规范》的标准复查全部HE切片，观察结直肠癌的组织学类型、生长方式、间质纤维组织增生(有或无)和淋巴细胞浸润等，进行免疫组织化学实验，检测大肠癌患者的多种免疫组化因素。在此基础上，建立患者病情诊断资料及手术标本病理分析资料数据库。包括患者的一般情况、部位、肿瘤大小、分期、组织学类型、生长方式、浸润范围、淋巴结转移、免疫组化实验结果、其它病变等。对应的输出结果为随访所得的存活期。

22 WNN训练集的选择按照用于训练WNN的数据集应该能最大限度地兼顾各种病例的原则。经过仔细筛选，取含有55个病例的集合构成WNN的训练集，含有10个病例的集合构成测试集。WNN输入层有14个单元，具体的取值是通过数据编码(对应于无或有，阴性或阳性)和实验测试所得数据的归一化处理将输入数据变换到(0，1)区间。将随访所得存活期按是否超过5年为标准分为两类，输出为1个单元，输出值分别为0(否)和1(是)。这样就可以建立输入输出模式对，构成网络的训练集。

23 结果取WNN的各初始连接权、伸缩和平移参数为［-0.5，0.5］之间的随机数，学习参数为09，动量参数为07，按WNN模型算法编程。输入层有14个单元，输出层有1个单元。取小波变换层单元个数为12时学习效果较好。根据计算结果，可以作出误差函数E与学习次数K关系曲线，如图1所示。经260次学习训练，误差降为000004997。

转贴于

图1 WNN网络误差函数E与学习次数K关系曲线（略）

对同样的数据样本集，用传统BP网络进行对比研究，输入层、隐层和输出层单元数目分别为14、10、1。其误差与学习次数关系曲线如图2所示，误差曲线中会存在较强震荡和较长的平台，即网络误差的局部极小点。经10000次学习训练，误差为00124866。利用经过如上所列学习训练过程后所得WNN模型进行测试。首先对已学习过的55例训练样本进行测试，结果表明，对已学习过的样本集，WNN模型预测成功率为100%；而对未经网络学习训练的10例样本，分别用WNN模型和BP网络模型进行测试，其结果如表1所示。如果以网络输出的最大绝对误差不超过025为标准，WNN模型有8例预测成功，准确率为80%。BP网络模型有7例预测成功，准确率为70%。

图2 BP网络误差与学习次数关系曲线（略）

表1 WNN模型和BP网络模型对10例样本的测试结果（略）

从上述结果可知，在人工神经网络肿瘤患者预后应用方面，WNN模型学习收敛速率、预测成功率明显优于传统BP模型。

3 讨论

WNN能够较好地综合处理肠癌患者各项诊断指标对其术后存活期的影响。利用该模型进行肠癌患者术后存活期的预测，较好地符合了已知数据，能反映疾病程度与术后存活期之间的关系。比起传统的BP网络来，WNN学习收敛速率快，并且可以自适应地确定隐层单元数目。因此WNN为癌症患者存活期预测提供了新的途径。在传统BP网络中，存在隐层单元难以确定的不足，而WNN中间单元数目可以根据具体的问题自适应地确定小波变换单元个数，从而克服传统网络的不足。要进一步提高预测精度，就应该注意收集更多更全面的病例数据。如果我们所使用的数据越多越全面，其中所蕴含的事物本身的规律性就越强，利用WNN从中所抽取的函数关系就越具有普遍性，预测就更准确。

参考文献

1 P.B.Snow， D.J.Kerr， J.M.Brandt， et al. Neural network and regression predictions of 5year survival after colon carcinoma treatment. Cancer Supplement， 2001，91(8):1673~1678.

2 Pati Y， Krishnaprasad P. Analysis and synthesis of ef feedforward neural networks using discrete affine wavelet forms. IEEE Trans. On Neural Networks， 1993，4(1):73~85.

3 Zhang Q， Benveniste A. Wavelet networks. IEEE Trans. On Neural networks， 1992，3(6):889~898.

4 Delgon B， Juditsky A， Benveniste A. Accuracy analysis for wavelet approximations. IEEE Trans. On Neural Networks， 1995，6(2):332~348.

神经网络的局限性范文4

神经网络引入预测领域使预测理论及方法产生了质的飞跃。传统的线性预测方法，如自回归（AutoRegressive， AR）模型、滑动平均（Moving Average， MA）模型等在解决非线性严重的预测问题时遇到很大困难，而神经网络在非线性预测方面有着独特的优势，它不需要建立复杂的非线性系统的显式关系及数学模型，通过数据样本训练即可提取数据特征和内在规律，实现信息的分布存储，产生联想记忆，从而对未经训练的样本能够给出外推的预测效果，为非线性预测提供了强有力的工具。

1987年，A.Lapedes和R.Farber首次利用神经网络对非线性时间序列进行预测，开创了神经网络应用于预测领域的先河[1]。之后，神经网络在预测中的应用得到快速发展。近年来，小波神经网络作为一种新颖的神经网络日益受到关注，它兼有小波函数时频局部特性和神经网络函数逼近和泛化能力，在预测领域具有强大的优势。

目前，神经网络预测形式主要有两种：趋势预测与基于因果关系的回归预测，分别对应时间序列预测和多元回归预测。神经网络具有分布式、联想、记忆和很强的泛化能力，以及自学习和容错性，可以以任意精度逼近非线性函数等优点，是线性预测方法无法比拟的。对于大多数预测对象，尤其是含有非线性关系的数据，使用神经网络预测都会得到更高的预测精度。

但是，神经网络应用于预测中存在如下问题：网络结构的设计目前尚无确定的理论依据；预测结果有随机性；机理缺乏透明度；初始参数难确定；存在过度拟合现象；易陷入局部极小等。其中大多数问题需要以实验效果为依据进行确定，利用统计方法对预测结果进行评价，或采用试凑法找出网络“最佳”参数进行下一步预测[2]。

在上述问题中比较突出的问题是神经网络预测结果的随机性，小波神经网络也不例外，即多次预测结果不同，有时分散性很大，即神经网络的预测精度具有不可控性质。对此，在目前的文献中鲜有介绍。本文针对小波神经网络给出一种简单、实用的确定的预测方法，可以获得稳定的预测结果。

1预测结果的不确定因素

对神经网络预测模型进行的大量实验表明：网络初始参数对预测结果的影响举足轻重[3-4]。当网络结构确定后，即网络输入层、隐层、输出层神经元个数，以及学习速率、训练精度等确定后，预测结果取决于网络的初始参数值。初始参数包括网络权值、阈值，对于小波神经网络还包括平移因子和尺度参数。

神经网络的初始参数通常都设为[-1，1]的随机数，它是导致预测结果不确定的本质原因。在网络结构确定的前提下，如果初始参数设为定值，预测结果必然是唯一的。实验表明，对常用的三层神经网络，影响最大的是网络参数的初始值，之后是训练精度、隐层神经元数、学习速率以及动量因子等。

神经网络的局限性范文5

原理与方法

神经网络是一个具有高度非线性的超大规模连续时间动力系统。是由大量的处理单元(神经元)广泛互连而形成的网络。它是在现代神经科学研究成果的基础上提出的，反映了脑功能的基本特征。但它并不是人脑的真实描写，而只是它的某种抽象、简化与模拟。网络的信息处理由神经元之间的相互作用来实现；知识与信息的存储表现为网络元件互连间分布式的物理联系；网络的学习和计算决定于各神经元连接权系的动态演化过程。因此神经元构成了网络的基本运算单元。每个神经元具有自己的阈值。每个神经元的输入信号是所有与其相连的神经元的输出信号和加权后的和。而输出信号是其净输入信号的非线性函数。如果输入信号的加权集合高于其阈值，该神经元便被激活而输出相应的值。在人工神经网络中所存储的是单元之间连接的加权值阵列。

神经网络的工作过程主要由两个阶段组成，一个阶段是工作期，此时各连接权值固定，计算单元的状态变化，以求达到稳定状态。另一阶段是学习期(自适应期，或设计期)，此时各计算单元状态不变，各连接权值可修改(通过学习样本或其他方法)，前一阶段较快，各单元的状态亦称短期记忆(STM)，后一阶段慢的多，权及连接方式亦称长期记忆(LTM)〔1〕。

根据网络的拓扑结构和学习规则可将人工神经网络分为多种类型，如不含反馈的前向神经网络、层内有相互结合的前向网络、反馈网络、相互结合型网络等〔2〕。本文的人工神经网络模型是采用BP算法的多层前馈网络。

该模型的特点是信号由输入层单向传递到输出层，同一层神经元之间互不传递信息，每个神经元与邻近层所有神经元相连，连接权用Wij表示。各神经元的作用函数为Sigmoid函数，设神经网络输入层的p个节点，输出层有q个节点，k-1层的任意节点用l表示，k层的任意节点用j表示，k+1层的任意节点用l表示。Wij为k-1层的第i个神经元与k层的第j个神经元相连接的权值。k-1层的节点i输出为O(k-1)i，k层节点j的输出为：

k层节点j的输出为：

Okj=f(netkj)

设训练样本为(X，Ye),X为p维向量，加到输入层；Ye为q维向量，对应于期望输出；网络的实际输出Y也是q维向量。网络在接受样本对的训练过程中，采用BP算法，其权值调整量为：

ΔWij=-ηδkjO(k-1)i

其中，对于输出层为：

δkj=yj(1-yj)(yej-yj)

对于非输出层为：

η为训练步长，取0＜η＜1。

用样本集合反复训练网络，并不断修改权值，直到使实际输出向量达到要求，训练过程结束〔3〕。

上述人工神经网络可以完成多种信息处理任务，如从二进制数据中提取相关知识，完成最近邻模式分类，实现数据聚集等。而本文要用的是其极强的数学逼近映射能力，即开发合适的函数f：ARnBRn，以自组织的方式响应以下的样本集合：(x1,y1),(x2,y2)…，(xm,ym)，其中yi=f(xi)。这里描述的是一般的数学抽象，像识别与分类这些计算都可以抽象为这样的一种近似数学映射。

所谓诊断，实质上是一个分类问题。即根据候诊者的症状，医学检查结果(如体温、心跳等)等一些情况，它们可以用一向量(e1,e2,…，em)来表示，将其归类为病人或非病人。这也可以转化为寻找一差别函数f使得：

(1)f(e1，e2，…，em)＞ε，(e1，e2，…，em)∈T

(2)f(e1，e2，…，em)＞ε，(e1，e2，…，em)T

其中集合T表示患病。

因此，病情诊断最终也可作为一类函数的逼近问题。

而许多研究已表明，前向神经网络可作为非线性逼近的标准型。对于实数空间的任一函数，只要它满足一定的条件，一定存在唯一的具有单一隐层的前向网络作为它的最优最佳逼近。而含有两个隐含层的前向网络可在任意的平方误差内逼近某一实函数〔3〕。

诊断步骤

肺癌病例数据选自1981～1994年在某医院住院的病人，共计551例。其中486例(88%)经病理学、细胞学诊断证实为肺癌。每一病例都包括多项数据，其中用于诊断的数据项有：病人的一般情况(如年龄、性别等)，家族史、既往史、吸烟史、术后病理、X射线检查、CT检查、纤维支气管镜检查、PAT痰检等多达58项。因此，原则上58项数据应作为神经网络的输入项，而神经网络的输出值就是病人是否患肺癌的结果。

1.网络训练集的确定：在最原始的551例病人数据中存在着各种各样的差别，如性别差异(419例男性，132例女性)，诊断结果的差异(486例经证实为肺癌)，所患肺癌种类的差异(鳞癌、小细胞癌、大细胞癌等)，患病程度上的差异(早、中晚期的不同)等等。显然，训练数据集应最大限度地保证兼顾各种病例情况。经过仔细筛选，选择了含有460个病例的集合作为肺癌诊断用的网络的训练集。

2.神经网络输入和输出数据的预处理

按照人工神经网络的理论，神经网络的输入输出数据都应该属于(0，1)区间的实数，为此我们需对原始数据进行如下的规一化处理：

其中xi为原始数据项，而Max=max｛xi∶xi∈X｝，Min=min｛xi∶xi∈X｝。这里X为原始数据集。经过(7)式变换后，yi将在(0，1)区间。因此，可作为神经网络的输入输出。

3.应用神经网络进行肺癌诊断

将描述病人各种情况的数据作为前向网络的输入数据加到其输入端，并按(1)～(6)式计算各神经元的输入和输出，同时调整神经元之间的连接权值以使网络的输出和实际的病例情况相符。即当病人确实患肺癌时网络的输出结果也恰好指示为肺癌，反之亦然。如果对所有的训练样本集网络的输出基本上(95%或更高)能保证与实际结果一致，则训练过程结束。我们认为神经网络已建立起病人的各种因素与他是否是肺癌患者之间的函数映射关系。对于一个新的候诊病人来说，只要将他的情况输入到训练好的神经网络中去，根据网络的输出结果就可以知道他是否已患肺癌。

表1基于不同发病因素的诊断网络模型

类型训练集精度测试集精度

基于遗传因素的诊断网53.8%46.3%

基于个人生活习惯的诊断网57.1%44.9%

基于病症的诊断网89.4%83.3%

基于医学检查结果的诊断网98.5%92.6%

上述结果表明不同类型的因素应分开来考虑。于是我们将58项输入数据分成四类，这四类有各自的BP诊断网，依次称为诊断一、诊断二、诊断三、诊断四。它们先单独测定，然后再将它们各自的结果综合起来得出最后的判断。

上述四种诊断网络所得结果的可靠性各不相同。其中，根据医学检查结果所作的诊断准确性最高，因此在最后的综合分析中要重点考虑它的诊断结果，我们给它设一个相对最高的权值。其次，根据病人的症状所作的诊断往往也具有较高的准确性，因此给它的权值也较高，但比医学检查结果的稍低。其他两类因素在有关肺癌的诊断中仅具参考作用，因而所设的权值相对较小。转

最后的结果O为：

O=a1.O1+a2.O2+a3.O3+a4.O4

a1+a2+a3+a4=1

其中Oi，ai,i=1,2,3,4分别为各诊断网的输出及其对应的权值。

当O＞0.5时最后的诊断结果为患肺癌，反之则正常。对所有的病例数据经上述方法的诊断结果见表2。

表2神经网络对肺癌诊断结果分析

神经网络

诊断结果训练数据测试数据

肺癌患者非肺癌患者肺癌患者非肺癌患者

+4602253

-038122

其中对于训练集，肺癌病人的正确检出率为100%，非肺癌病人误诊率为5%。对于测试集，肺癌病人的正确检出率为96.2%；非肺癌患者正确检出率为88%，误诊率为12%。

讨论

1.本研究所采用的人工神经网络的肺癌诊断方法的结果较好地符合了已知数据，具有较高的准确性，特别是对于肺癌患者一般都能准确地做出诊断，有利于肺癌的早期发现和治疗。

2.要想进一步提高该方法的准确性，应该注意收集更多更全面的病例数据。人工神经网络主要是利用它能自动从数据集中抽取函数的关系的功能。如果我们所使用的数据越多越全面，则其中所蕴含的事物本身的规律性就越强，利用人工神经网络从中所抽取的函数关系就越具有普遍性，因而就更准确。

3.实现对肺癌的诊断的关键在于准确找到罹患肺癌的判定函数，可利用前向网络的函数逼近功能来实现。但是这里涉及到两个问题。首先，由于差别函数和预测率函数都是利用人工神经网络从已知的病例数据集中抽取出来的，它实际反映的是这些数据集中输入输出对的映射关系。因此要想保证诊断具有较高的准确性，就应该使用来建立函数关系的这些数据集(称训练集)具有充分的代表性，即这些数据应基本蕴含肺癌诊断的医学原理。这就涉及到如何选择网络合理的训练集及关键的输入项。另一个问题涉及到神经网络本身的要求，即网络的输入输出数据值都应在区间(0，1)中。这可以通过数据的编码和归一化来实现。

4.由于某些原因有些病人的病例数据不完整，约占总病例数据的10%左右。显然，如果按照传统的方法来建立肺癌病人的诊断模型〔4〕，这些有缺项的数据是不太好处理的，但是由于人工神经网络有较强的容错性，输入数据在某些项上的错误对网络最终结果的正确性影响不大。

参考文献

1.焦李成.神经网络系统理论.第1版.西安：西安电子科技大学出版社，1995，3

2.WangZhenni,ThamMingT,MorrisA.MultilayerFeedforwardNeuralNetworks:ACanonicalformApproximationofNonlinearity,IntJ.Control,1992,56(3):655～672.

神经网络的局限性范文6

【关键词】智能技术；电力系统自动化；应用

当前，常见的几种智能技术，在电力系统自动化控制中的引入运用，解决了传统方法难以解决的复杂系统的控制问题，从而有效提高电力系统自动化控制的适应性，降低控制系统的造价成本。

1.电力系统自动化的简述

为确保电力系统安全、平稳、经济运行，对电力系统的各个元件、局部、全系统，采用具有自动检测、决策和控制功能的装置，通过信号和数据传输的系统，就地或远距离进行自动监视、调节和控制等，从而达到合格的电能质量。在一般的情况下，电力自动化系统主要构成有调度自动化、变电站自动化和配电网自动化。

2.电力系统自动化中的智能技术

智能技术是具备学习、适应及组织功能的行为，能够对于问题产生合适求解问题的响应，解决传统鲁棒性控制和自适应控制无法解决出令人满意结果的，非线性、时变性和不确定性的控制问题。目前，智能技术尚处于发展阶段，但它已受到人们的普遍重视，广泛应用到电力系统各个领域中，并取得了一定的实效。

2.1专家系统的控制技术

专家系统在电力系统中的应用范围很广，它是一种基于知识的系统，用于智能协调、组织和决策，激励相应的基本级控制器完成控制规律的实现。主要针对各种非结构化问题，处理定性的、启发式或不确定的知识信息。如：电力系统恢复控制、故障点的隔离、调度员培训、处于警告或紧急状态的辨识、配电系统自动化等。以智能的方式求得受控系统尽可能地优化和实用化，并经过各种推理过程达到系统的任务目标。虽然取得到广泛应用，但存在如难以模仿电力专家的创造性等局限性。一般而言，专家控制系统应用比较大的原因还因为这种方法可适用范围广，而且能够为电力系统处于各种状态提出辨识，根据这种具体情况来给出警告或是提示，在这样的情况还能够进行控制和恢复。虽然专家系统得到一定的应用，但是还是存在一定的局限，这种局限包括对于创造性的难以模仿，而只是对于浅层知识的应用，缺乏很有效的深层的模仿和方针，对于复杂的模拟就难以适应。因此，在开发专家系统方面应注意专家系统的代价/效益分析方法问题，专家系统软件的有效性和试验问题，知识获取问题，专家系统与其他常规计算工具相结合等问题。

2.2模糊逻辑的控制技术

模糊方法是一种对系统宏观的控制，十分简单且易于掌握，为随机、非线性和不确定性系统的控制，提供了良好的途径。将人的操作经验用模糊关系来表示，通过模糊推理和决策方法，来对复杂过程对象进行有效控制。通常用“如果…，则…”的方式来表达在实际控制中的专家知识和经验，不依赖被控对象模型、鲁棒性较强的。模糊控制技术的应用非常广泛，与常规控制相比，模糊控制技术在提高模糊控制的控制品质，如：稳态误差、超调等问题，自身的学习能力还不完善，要求系统具有完备的知识，这对工业智能系统的设计是困难的。如模糊变结构控制，自适应或自组织模糊控制，自适应神经网络控制，神经网络变结构控制等。另一方面包含了各种智能控制方法之间的交叉结合，对电力系统这样一个复杂的大系统来讲，综合智能控制更有巨大的应用潜力。现在，在电力系统中研究得较多的有神经网络与专家系统的结合，专家系统与模糊控制的结合，神经网络与模糊控制的结合，神经网络、模糊控制与自适应控制的结合等方面。这些模糊方法的运用因其可使用范围广，目前已经在自动化控制中被广泛应用。

2.3神经网络的控制技术

神经网络是一种介于符号推理与数值计算之间，适合用作智能控制的数学工具。神经网络从m维空间到n维空间，复杂的非线性映射、学习能力为解决复杂的非线性系统控制问题，提供了有效的途径。在神经网络中，知识是通过学习例子分布存储，当个别处理单元损坏时，不会影响整个系统的正常工作，是对非线性系统具有最好的控制性能。目前，主要集中在神经网络模型、结构、学习算法的研究，硬件的实现等。

2.4线性最优控制技术

线性最优控制技术是现代控制重要组成部分。目前，在大型机组方面，直接用最优励磁控制手段代替古典励磁方式，不但提高了远距离输电线路输电能力，而且同时改善动态的品质。另外，在发电机制动电阻的最优时间控制方面，最优控制技术也获得了成功的应用。它是诸多现代控制技术中应用最多、最为成熟的一个分支。

2.5综合智能控制技术

综合智能控制重要的技术发展方向是智能集成化。一方面，可将多项智能技术相互结合于一体，不在单独运用，各取优势。如模糊技术和神经网络的结合，神经网络与模糊控制的结合，神经网络与专家系统的结合等，这些都在电力系统自动化控制中研究的较多，如可用神经网络与模糊逻辑良好结合的技术基础，去处理同一系统内的问题，神经网络处理非结构化信息，模糊系统处理结构化的知识等。另一方面，自动化控制智能技术与传统的自适应控制的结合，如：神经网络、模糊控制与自适应控制的结合等。目前，国内已有控制专家已着手发展研究，既能有效处理模糊知识又能有效学习的模糊与神经网络集成技术，这必将为电力系统智能控制的发展提供新的途径。

3.结束语

当前，像电力系统这样一类复杂的不确定性工业过程，对其有效控制，关键在于自动化控制智能技术应具有较强的知识处理能力，包含知识学习和利用，推理和决策等方面。在未来电力系统的发展进程中，随着计算机的广泛应用，控制技术的深入研究，自动化控制智能技术将朝着全面智能化的方向发展。从而实现智能性工作环境，减少人员的值守，甚至于无人值班。同时，也有效的促进与提高电力系统平稳、安全和经济的运行。

【参考文献】