前言：中文期刊网精心挑选了人工神经网络综述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。
人工神经网络综述范文1
>> 大规模自组织人工神经网络技术在智能建筑中的应用方法研究 基于自组织增量神经网络的码书产生方法在图像分类中的应用 基于Matlab的自组织神经网络在油气层识别中的应用研究 基于自组织竞争神经网络的地震预测 自组织竞争网络在测井资料岩性识别中的应用 自组织特征映射网络在探地雷达数据处理中的应用 气体识别自组织神经网络 一种基于自组织过程神经网络的动态样本半监督学习算法 自组织灰色神经网络中的基于电力系统短期负荷预测方法应用研究 基于自组织映射神经网络的边坡样本分析方法 基于SOM神经网络技术的区域卷烟消费状态自组织分类 人工神经网络模型在水动力模型数据缺失中的应用 基于人工神经网络的数据挖掘技术在临床中应用进展 自组织特征映射网络在压缩编码设计中的应用 液压控制系统中自组织双模糊神经网络控制模型关键点研究 浅谈人工神经网络在林业中的应用 人工神经网络在空调系统中的应用 一种改进的动态二叉树的自组织神经网络算法 基于SOM神经网络技术的卷烟零售客户自组织分类 基于自组织神经网络SOM的汽车安全气囊装配故障诊断 常见问题解答 当前所在位置：百度百科 移动学习2012-12-7
[2] 叶成林 徐福荫 许骏 移动学习研究综述 电化教育研究 2004 No.3
[3] 陈伟超 国内移动学习研究现状及发展建议[J].中国电力教育，2009 No.9
[4] 词汇语义知识库浅述 刘兴林 福建电脑 2009 No.9
人工神经网络综述范文2
【关键词】人工神经网络 路径规划 移动机器人
1 引言
在移动机器人导航技术应用过程中，路径规划是一种必不可少的算法，路径规划要求机器人可以自己判定障碍物，以便自主决定路径，能够避开障碍物，自主路径规划可以自动的要求移动机器人能够安全实现智能化移动的标志，通常而言，机器人选择的路径包括很多个，因此，在路径最短、使用时间最短、消耗的能量最少等预定的准则下，能够选择一条最优化的路径，成为许多计算机学者研究的热点和难点。
2 背景知识
神经网络模拟生物进化思维，具有独特的结构神经元反馈机制，其具有分布式信息存储、自适应学习、并行计算和容错能力较强的特点，以其独特的结构和信息处理方法，在自动化控制、组合优化领域得到了广泛的应用，尤其是大规模网络数据分析和态势预测中，神经网络能够建立一个良好的分类学习模型，并且在学习过程中优化每一层的神经元和神经元连接的每一个节点。1993年，Banta等将神经网络应用于移动机器人路径规划过程中，近年来，得到了广泛的研究和发展，morcaso等人构建利用一个能够实现自组织的神经网络实现机器人导航的功能，并且可以通过传感器训练网络，取得更好的发展，确定系统的最佳路径。神经网络拓扑结构模型可以分为：
2.1 前向网络
网络中各个神经元接受前一级的输入，并输出到下一级，网络中没有反馈，可以用一个有向无环路图表示。这种网络实现信号从输入空间到输出空间的变换，它的信息处理能力来自于简单非线性函数的多次复合。网络结构简单，易于实现。反传网络是一种典型的前向网络。
2.2 反馈网络
网络内神经元间有反馈，可以用一个无向的完备图表示。这种神经网络的信息处理是状态的变换，可以用动力学系统理论处理。系统的稳定性与联想记忆功能有密切关系。Hopfield网络、波耳兹曼机均属于这种类型。
3 基于人工神经网络的移动机器人路径规划算法
神经网络解决移动机器人路径规划的思路是：使用神经网络算法能够描述机器人移动环境的各种约束，计算碰撞函数，该算法能够将迭代路径点集作为碰撞能量函数和距离函数的和当做算法需要优化的目标函数，通过求解优化函数，能够确定点集，实现路径最优规划。神经网络算法在移动机器人路径规划过程中的算法如下：
（1）神将网络算法能够初始化神经网络中的所有神经元为零，确定目标点位置的神经元活性值，并且能够神经网络每层的神经元连接将神经元的值传播到出发点；
（2）动态优化神经网络，根据神经网络的目标节点和障碍物的具置信息，在神经网络拓扑结构中的映射中产生神经元的外部输入；
（3）确定目标值附件的神经元活性值，并且使用局部侧的各个神经元之间，连接整个神经网络，并且在各个神经元中进行传播。
（4）利用爬山法搜索当前邻域内活性值最大的神经元，如果邻域内的神经元活性值都不大于当前神经元的活性值，则机器人保持在原处不动；否则下一个位置的神经元为邻域内具有最大活性值的神经元。
（5）如果机器人到达目标点则路径规划过程结束，否则转步骤（2）。
4 基于人工神经网络的移动机器人路径规划技术展望
未来时间内，人工神经在机器人路径规划过程中的应用主要发展方向包括以下几个方面：
4.1 与信息论相融合，确定神经网络的最优化化目标解
在神经网络应用过程中，由于经验值较为难以确定，因此在神经网络的应用过程中，将神经网络看做是一个贝叶斯网络，根据贝叶斯网络含有的信息熵，确定神经网络的目标函数的最优解，以便更好的判断机器人移动的最佳路径。
4.2 与遗传算法想结合，确定全局最优解
将神经网络和遗传算法结合起来，其可以将机器人的移动环境设置为一个二维的环境，障碍物的数目、位置和形状是任意的，路径规划可以由二维工作空间一系列的基本点构成，神经网络决定机器人的运动控制规则，利用相关的神经元的传感器作用获未知环境的情况，将障碍信息和目标点之间的距离作为神经网络的输入信息，使用遗传算法完成神经网络的权值训练，神经网络的输出作为移动机器人的运动作用力，实现一个可以在未知环境中进行的机器人运动路径规划。
4.3 与蚁群算法相结合，降低搜索空间，提高路径规划准确性
为了提高神经网络的搜索准确性和提高效率，可以将蚁群算法与神经网络相互结合，蚁群算法的路径规划方法首先采用栅格法对机器人工作环境进行建模，然后将机器人出发点作为蚁巢位置，路径规划最终目标点作为蚁群食物源，通过蚂蚁间相互协作找到一条避开障碍物的最优机器人移动路径。
5 结语
随着移动机器人技术的发展，路径规划作为最重要的一个组成部分，其得到了许多的应用和发展，其在导航过程中，也引入了许多先进的算法，比如神经网络，更加优化了移动的路径。未来时间内，随着神经网络技术的改进，可以引入遗传算法、信息论、蚁群算法等，将这些算法优势结合，将会是路径规划更加准确和精确。
参考文献
[1]朱大奇,颜明重,滕蓉. 移动机器人路径规划技术综述[J].控制与决策,2010,25(7): 961-967.
[2]刘毅.移动机器人路径规划中的仿真研究[J].计算机仿真,2011,28(6): 227-230.
[3]熊开封,张华.基于改进型 FNN 的移动机器人未知环境路径规划[J].制造业自动化,2013,35(22): 1-4.
[4]柳长安,鄢小虎,刘春阳.基于改进蚁群算法的移动机器人动态路径规划方法[J].电子学报,2011,39(5).
[5]范浩锋,刘俊.基于 BP 神经网络的红外目标识别技术[J].计算机与数字工程,2013,41(4): 559-560.
人工神经网络综述范文3
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。
人工神经网络综述范文4
论文摘要：分析了模拟电路故障诊断的重要性和目前存在的困难，对基于小渡分析理论和神经网络理论的模拟电路故障诊断方法进行了综述．指出了小波神经网络应用于模拟电路故障诊断存在的问题和未来的应用前景。
模拟电路故障诊断在理论上可概括为:在已知网络拓扑结构、输人激励和故障响应或可能已知部分元件参数的情况下，求故障元件的参数和位置。
尽管目前模拟电路故障诊断理论和方法都取得了不少成就，提出了很多故障诊断方法，如故障字典法、故障参数识别法、故障验证法等。但是由于模拟电路测试和诊断有其自身困难，进展比较缓慢。其主要困难有:模拟电路中的故障模型比较复杂，难以作简单的量化;模拟电路中元件参数具有容差，增加了故障诊断的难度;在模拟电路中广泛存在着非线性问题，为故障的定位诊断增加了难度;在一个实用的模拟电路中，几乎无一例外地存在着反馈回路，仿真时需要大量的复杂计算;实际的模拟电路中可测电压的节点数非常有限.导致可用于作故障诊断的信息量不够充分，造成故障定位的不确定性和模糊性。
因此，以往对模拟电路故障诊断的研究主要停留在中小规模线性无容差或小容差的情况，有些方法也已成功地应用于工程实际。但如何有效地解决模拟电路的容差和非线性问题，如何解决故障诊断的模糊性和不确定性等是今后迫切需要解决的问题。小波神经网络则因其利于模拟人类处理问题的过程、容易顾及人的经验且具有一定的学习能力等特点，所以在这一领域得到了广泛应用。
1小波分析理论在模拟电路故障诊断中的应用现状分析
简单地讲，小波就是一个有始有终的小的“波浪”小波分析源于信号分析，源于函数的伸缩和平移，是Fourier分析、Gabor分析和短时Fourier分析发展的直接结果。小波分析的基木原理是通过小波母函数在尺度上的伸缩和时域上的平移来分析信号，适当选择母函数.可以使扩张函数具有较好的局部性，小波分析是对信号在低频段进行有效的逐层分解，而小波包分析是对小波分析的一种改进，它为信号提供了一种更加精细的分析方法，对信号在全频段进行逐层有效的分解，更有利于提取信号的特征。因此，它是一种时频分析方法。在时频域具有良好的局部化性能并具有多分辨分析的特性，非常适合非平稳信号的奇异性分析。如:利用连续小波变换可以检测信号的奇异性，区分信号突变和噪声，利用离散小波变换可以检测随机信号频率结构的突变。
小波变换故障诊断机理包括:利用观测器信号的奇异性进行故障诊断以及利用观测器信号频率结构的变化进行故障诊断。小波变换具有不需要系统的数学模型、故障检测灵敏准确、运算量小、对噪声的抑制能力强和对输入信号要求低的优点。但在大尺度下由于滤波器的时域宽度较大，检测时会产生时间延迟，且不同小波基的选取对诊断结果也有影响。在模拟电路故障诊断中，小波变换被有效地用来提取故障特征信息即小波预处理器之后，再将这些故障特征信息送人故障分类处理器进行故障诊断。小波分析理论的应用一般被限制在小规模的范围内，其主要原因是大规模的应用对小波基的构造和存储需要的花费较大。
2神经网络理论在模拟电路故障诊断中的应用分析
人工神经网络(ANN)是在现代神经科学研究成果的基础上提出来的，是一种抽象的数学模型，是对人脑功能的模拟。经过十几年的发展，人工神经网络已形成了数十种网络，包括多层感知器Kohomen自组织特征映射、Hopfield网络、自适应共振理论、ART网络、RBF网络、概率神经网络等。这些网络由于结构不同，应用范围也各不相同。由于人工神经网络本身不仅具有非线性、自适应性、并行性、容错性等优点以及分辨故障原因、故障类型的能力外，而且训练过的神经网络能储存有关过程的知识，能直接从定量的、历史故障信息中学习。所以在20世纪80年代末期，它已开始应用于模拟电路故障诊断。随着人工神经网络的不断成熟及大量应用，将神经网络广泛用于模拟电路的故障诊断已是发展趋势。BY神经网络由于具有良好的模式分类能力，尤其适用于模拟电路故障诊断领域，因而在模拟电路故障诊断系统中具有广泛的应用前景，也是目前模拟电路故障诊断中用得较多而且较为有效的一种神经网络。 3小波神经网络的应用进展分析
3，1小波分析理论与神经网络理论结合的必要性
在神经网络理论应用于模拟电路故障诊断的过程中，神经网路对于隐层神经元节点数的确定、各种参数的初始化和神经网络结构的构造等缺乏更有效的理论性指导方法，而这些都将直接影响神经网络的实际应用效果。小波分析在时域和频域同时具有良好的局部化特性，而神经网络则具有自学习、并行处理、自适应、容错性和推广能力二因此把小波分析和神经网络两者的优点结合起来应用于故障诊断是客观实际的需要。
目前小波分析与神经网络的结合有两种形式，一种是先利用小波变换对信号进行预处理，提取信号的特征向量作为神经网络的输人，另一种则是采用小波函数和尺度函数形成神经元，达到小波分析和神经网络的直接融合第一种结合方式是小波神经网络的松散型结合，第二种结合方式是小波神经网络的紧致型结合。
3.2小波分析理论与神经网络理论的结合形式
小波与神经网络的松散型结合，即:用小波分析或小波包分析作为神经网络的前置处理手段，为神经网络提供输人特征向鱼具体来说就是利用小波分析或小波包分析，把信号分解到相互独立的频带之内，各频带内的能童值形成一个向觉，该向童对不同的故障对应不同的值，从而可作为神经网络的输入特征向量一旦确定神经网络的输入特征向童，再根据经验确定采用哪种神经网络及隐层数和隐层单元数等，就可以利用试验样本对神经网络进行训练，调整权值，从而建立起所需的小波神经网络模型。
小波与神经网络的紧致型结合，即:用小波函数和尺度函数形成神经元，达到小波分析和神经网络的直接融合，称为狭义上的小波神经网络，这也是常说的小波神经网络。它是以小波函数或尺度函数作为激励函数，其作用机理和采用Sigmoid函数的多层感知器基本相同。故障诊断的实质是要实现症状空间到故障空间的映射，这种映射也可以用函数逼近来表示。小波神经网络的形成也可以从函数逼近的角度加以说明。常见的小波神经网络有:利用尺度函数作为神经网络中神经元激励函数的正交基小波网络、自适应小波神经网络、多分辨率小波网络、区间小波网络等。
3.3小波分析理论与神经网络理论结合的优点
小波神经网络具有以下优点:一是可以避免M LY等神经网络结构设计的育目性;二是具有逼近能力强、网络学习收敛速度快、参数的选取有理论指导、有效避免局部最小值问题等优点。
在模拟电路故障诊断领域，小波神经网络还是一个崭新的、很有前途的应用研究方向。随着小波分析理论和神经网络理论的不断发展，小波神经网络应用于模拟电路故障诊断领域将日益成熟。
人工神经网络综述范文5
>> 自组织学习理论与团队模式在《DSP应用技术》中的结合研究 基于可视化文献分析方法的组织学习研究评述 基于Matlab的自组织神经网络在油气层识别中的应用研究 自组织特征映射网络在脂肪肝B超图像识别中的应用研究 基于SNS的网络教学资源自组织构建方法及其应用研究 网络安全风险可视化应用研究 自组织灰色神经网络中的基于电力系统短期负荷预测方法应用研究 MOOC环境下高职微课程自组织学习策略研究 自组织竞争人工神经网络在移动学习资源元数据萃取中的应用 可视化思维工具在小学生协作学习能力培养中的应用研究 大规模自组织人工神经网络技术在智能建筑中的应用方法研究 研究生《DSP应用技术》课程中的学习团队自组织研究 自组织特征映射网络在探地雷达数据处理中的应用 自组织特征映射网络在建筑工程分类中的应用 自组织竞争网络在测井资料岩性识别中的应用 自组织理论在校园网络文化建设中的应用 自组织特征映射网络在压缩编码设计中的应用 异构自组织网络中的干扰管理机制研究 无线自组织网络中的路由技术研究 知识可视化在语文多媒体课件设计中的应用研究 常见问题解答 当前所在位置：，2016-01-22.
[2]陈媛.微内容的自组织学习模式研究[J].浙江广播电视大学，2014（1）.
[3]邵泽斌.国内学习型组织研究综述[J].河北师范大学学报，2007（3）.
[4]赵国庆，黄荣怀，陆志坚.知识可视化的理论与方法[J].教育导刊，2012（6）.
人工神经网络综述范文6
【关键词】 干散货航运市场；运价；预警；BP神经网络；MATLAB
近年来，波罗的海干散货运价指数（BDI）波动显得尤为剧烈。2007年，BDI呈现井喷式上涨，最高时达到点，全年BDI平均值比2006年增长118%；而2008年后，受金融危机影响，BDI急剧下跌，最低时仅663点，给干散货航运市场的发展带来严重影响。随着世界经济发展，尤其是经济全球化的进程越来越快，航运运价风险有增大的趋势，在这种情况下，研究和讨论国际干散货航运市场运价预警十分重要和必要。
国际干散货航运市场的运价预警是在客观描绘该市场运价运行状况的基础上，分析警情，防范干散货航运市场运价出现“大起”或“大落”，是保障该市场平稳健康发展的手段。目前，对于该市场的运价预警研究尚处于起步阶段，其预警指标体系设置尚在探索之中，还没有建立起完整的运价预警系统。杨华龙等[1]选择BCI，BPI，BSI和BHSI等4个干散货船运价指数作为警兆指标，运用支持向量机方法建立国际干散货航运市场的运价预警模型。该方法有一定的适用性，但SVM方法仅适用于小样本的分类，数据数量上存在不足，不能很好地对干散货航运市场的警情作出判断。
BP（Back Propagation，BP）神经网络是目前应用最多的一种神经网络形式，具有实现任何复杂非线性映射的功能，它通过样本数据对神经网络进行训练，使其具有类似人脑的记忆和辨别能力，从而完成对各种信息的处理，且在样本缺损的情况下，仍能有稳定的输出。因此，本文尝试应用BP神经网络来建立干散货航运市场运价预警模型。
1 BP神经网络和运价预警
BP神经网络是一种多层网络的“逆推”学习算法，其基本思想是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。[2]从结构上讲，BP神经网络分为输入层、隐藏层和输出层，层与层之间采用全互联的方式，同一层单元之间不存在相互连接。正向传播时，从输入层输入样本数据，经隐藏层逐层处理后传向输出层。若输出层的实际输出与期望输出不符，则转向误差的反向传播阶段，将输出误差通过隐藏层向输入层逐层反传。这样，正向传播与误差反向传播周而复始地进行，直到输出误差减小到可以接受的程度。最后将需要检测或预测的样本数据输入训练好的模型中，得到数据判断结果。BP神经网络具有较好的泛化能力，通过全局逼近的方法对任意非线性映射关系进行逼近，因此能够为有历史经验和规律的事物的预测提供一种很好的方法。并且，BP神经网络具有很好的容错性。[3-4] 图1为典型的BP神经网络结构。
图1 BP神经网络结构
经济预警是指围绕经济循环波动这一特定经济现象所展开的一整套经济监测、经济评价、经济预测和政策选择的理论和方法体系。经济预警在逻辑上应由以下几个阶段构成：明确警义、寻找警源、分析警兆、预报警度。[5-6] 运价预警属于经济预警，因此干散货航运市场运价预警就是在正确分析影响干散货航运市场运价变化因素的前提下，选取能全面反映干散货航运市场运价波动的因素作为警兆指标，通过这些指标对干散货航运市场运价状况进行检测，分析研究其变化和发展趋势，当价格出现异常波动时，及时发出预警信号，并采取适当的应急措施。
考虑到BP神经网络所具有的优良特性，在国内外研究的基础上，本研究选取合适的警兆指标，同时利用MATLAB软件编写BP神经网络学习程序；然后进行系统仿真，利用BP神经网络算法程序对实例样本进行学习和检测；最后对仿真结果进行评判，得出适用性结论。
2 干散货市场运价预警模型的建立
本文运用前向三层BP神经网络技术，建立干散货航运市场运价预警模型，运价预警程序如图2所示。
图2 运价预警程序
BP神经网络模型中，输入节点、输出节点和隐藏层节点各一层。输入层至隐藏层采用Sigmoid函数，隐藏层至输出层采用线性函数Purelin。为便于研究，本模型将干散货船队运力供给、干散货船队运力需求、OECD工业生产指数、原油价格和远期运费协议（FFA）价等看成是影响BDI的5个关键因素。
2.1 输入节点选择
利用BP神经网络建模，网络输入应为全面描述干散货航运市场运价风险的指标。本文选择干散货船队运力供给（x1）、干散货船队运力需求（x2）、OECD工业生产指数（x3）、原油价格（x4）和远期运费协议价（x5）等5项指标，因此输入节点为5个。在数据输入时，需要按照变量归一化原则对所有数据进行处理，使其变为区间[0，1]上的无量纲指标值。
2.2 隐藏层节点选择
隐藏层节点数目对神经网络的性能有一定影响。隐藏层节点过少时，学习网络结构简单且学习时间短，但表现力不足，网络不具备必要的信息处理能力和学习能力，容错性差，会出现学习误差下降缓慢甚至不能收敛的现象；隐藏层节点过多时，表现能力强，但网络结构庞大且学习时间长，网络性能下降，不一定能使误差达到最佳状态。根据BP神经网络本身的特点以及实践经验，通常选取隐藏层节点数目为n＝2 m＋1。其中，n为隐藏层节点数目，m为输入层节点数目，可知隐藏层节点数目n应为11。
2.3 初始参数选择
初始参数的选择也是神经网络应用的关键环节之一，只有选择正确、合适的参数，才能使网络以较小的误差迅速、有效地收敛。对于学习速率，一般取值在（0.01，0.80）之间，实践中，通过观察误差下降曲线的下降速度来判断所选择的学习速率是否合适。如果下降速度过快，说明选取的学习速率过大，可以逐步减小学习速率直至下降速度较为合适为止。本文通过多次仿真实验，确定选取的学习速率值为h＝0.03。
2.4 网络训练目标函数
假设系统的期望输出值为xi （i＝1，2，…，n），与之对应的系统实际输出值为 i （i＝1，2，…，n），则预测误差为e＝（e1，e2，…，en）＝（x1－1，x2－2，…，xn－n），那么误差平方和（ SSE）就可以作为神经网络预警模型的性能评价指标，其公式为
SSE＝（xi－i）（1）
采用BP神经网络算法对样本进行训练，直到网络收敛于规定的误差标准之内。否则，说明网络未训练成功，需要重新设定网络参数甚至网络结构，直至训练结果满意为止。
2.5 输出节点确定
输出节点对应于预警结果，为验证BP神经网络对干散货运价预警的准确性，需要确定期望输出。如果实际输出值与期望输出值相差较大，说明模型的准确性较差；反之，说明模型的准确性较好。在神经网络的学习训练阶段，样本的期望输出值实际上是已知的，因为它可从历史数据资料中获得或通过一些数学方法计算得出。
人工神经网络的期望输出形式是向量形式[7]，本文为便于结果的输出，以及考虑到整个系统的稳定和最后结果，选择输出节点为5个，其中输出[10000]为无警，[01000]为轻警，[00100]为中警，[00010]为重警，[00001]为巨警。
3 干散货航运市场运价警情评估
为提高分析的准确性，笔者选择2007年1月至2011年6月共54个月的数据。其中，2007年1月至2009年10月共34个月的数据作为训练样本，2009年11月至2011年6月共20个月的数据用于模型检验。以BDI表示干散货运价指数，原油价格使用新加坡380 cSt船用燃油价格数据，远期运费协议价格使用BCI 4TC的FFA价格数据。
为将航运经济专家多年积累的经验有机地融入对未来干散货航运市场运价趋势的研究中，本文采用因子分析法和专家调查评估方法确定干散货航运市场运价的警度。赋予x1，x2，x3，x4和x5的权重分别为W1＝，W2＝，W3＝，W4＝，W5＝。对数据进行标准化处理，公式为
（2）
式中：xit为第i项第t月份的运价指数； x'it为xit标准化处理后的数据；xi max为第i项运价指数的最大值；xi min为第i项运价指数的最小值。
第t月份干散货航运市场运价的实际警度为
（3）
式中：yt表示第t月份运价警度。yt∈（0.8，1.0]为无警；yt∈（0.6，0.8]为轻警；yt∈（0.3，0.6]为中警；yt∈（0.1，0.3]为重警；yt∈（0，0.1]为巨警。由此可得各月运价警度评估值（见表1）。
表1 2007年1月―2011年6月干散货航运市场运价警情
4 BP神经网络模型训练与检测
4.1 模型训练
前面已经构建了基于BP神经网络的干散货航运市场运价预警模型，下面对网络进行训练。在批处理模式中，网络训练所用的样本需要一次性输入，然后再调整网络参数，梯度的计算需要所有样本数据同时参与。
利用MATLAB软件对预警模型进行训练时，选取2007年1月至2009年10月共34个月的数据作为训练样本。在确定实际输入值和期望输出值后，可直接调用traingda函数进行训练。当网络性能达到误差要求时，整个BP神经网络训练完毕。[8-9] 训练的动态图像和期望输出分别见图3和表2。
图3 BP神经网络模型训练的误差变动曲线
表2 BP神经网络模型期望输出
4.2 模型检测
下面以2009年11月至2011年6月共20个月的数据来检测其经营风险的大小与实际情况是否相符，其期望输出和实际输出结果见表3。由表3可知，在实际检测过程中，模型计算输出与实际评价结果非常接近，由此证明，利用BP神经网络对干散货航运市场运价风险进行预警并进行相关研究是切实可行的。
表3 BP神经网络模型检测
5 结 语
本文将BP神经网络理论应用于干散货航运市场运价预警，根据所建立的干散货航运市场运价警兆指标体系，确立与之对应的用于运价预警的BP神经网络，通过因子分析法结合航运专家经验得出干散货运价的预警度区间，并利用统计数据取得该神经网络的训练样本，对其进行训练直到误差满足要求。借助计算机和MATLAB软件，能够方便快捷地得出预警结果，证明其预警的精确度较高，表明此方法具有较好的实用性。基于BP神经网络的干散货航运市场运价预警模型能够较为准确地预测干散货航运市场警情，为干散货航运市场运价预警提供一条可行、有效的新途径。
参考文献：
[1] 杨华龙，东方．基于支持向量机的干散货航运市场运价预警[J]．中国航海，2009，32（3）：101-105.
[2] 朱大奇，史慧．人工神经网络原理及应用[M]．北京：科学出版社，2006：33-63.
[3] 张德丰．MATLAB神经网络应用设计[M]．北京：机械工业出版社，2009：87-119.
[4] 董长虹．MATLAB神经网络与应用[M]．北京：国防工业出版社，2007：64-120.
[5] 王耀中，侯俊军，刘志忠．经济预警模型述评[J]．湖南大学学报：社会科学版，2004，18（2）：27-31.
[6] 黄继鸿，雷战波，凌超．经济预警方法研究综述[J]．系统工程，2003，21（2）：64-70.
[7] 邱隆敏．我国金融危机的预警研究――基于人工神经网络模型的分析[D]．广州：暨南大学，2004.
