前言：中文期刊网精心挑选了对神经网络的认识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。
对神经网络的认识范文1
摘要：工程造价估算是招标投标中的重要一环，探寻一套快速、简捷、实用的工程造价估算方法已经成为建筑行业的迫切需要。为了建设工程造价估算技术的发展及文联面临的问题，提出在建设工程造价估算技术系统中应用人工神经网络技术来提高估算精确度，并且给出系统的设计模型。
关键词：人工神经网络；工程造价；造价估算
人工神经网络（ArtificialNeuralNetworks，简写为ANNs）也简称为神经网络（NNs）或称作连接模型（ConnectionistModel），它是一种模范动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。人工神经网络具有自学习和自适应的能力，可以通过预先提供的一批相互对应的输入－输出数据，分析掌握两者之间潜在的规律，最终根据这些规律，用新的输入数据来推算输出结果，这种学习分析的过程被称为“训练”。
一、神经网络的建立
虽然人们还并不完全清楚生物神经网络是如何进行工作的，但还是幻想能否构造一些“人工神经元”，然后将这些神经元以某种特定的方式连接起来，模拟“人脑”的某些功能。
在1943年，心理学家W. McCulloch和数学家W. Pitts合作，从数理逻辑的角度，提出了神经元和神经网络最早的数学模型（MP模型），是神经网络研究的开端，更为后面的研究发展奠定了基础。经历了半个多世纪，神经网络度过了萌芽期、第一次期、反思低潮期、第二次期、再认识与应用研究期五个阶段。目前，神经网络已成为涉及多种学科和领域的一门新兴的前沿交叉学科。
神经元分为分层网络和相互连接型网络。所谓分层网络，就是一个网络模型中的所有神经元按功能分层，一般分为输入层、中间层（隐含层）、输出层，各层按顺序连接，隔层之间均采用的是全互连接，但对于同一单元间，不互相连接。分层网络可细分为简单前向网络、反馈前向网络和层内互相连接的网络。人工神经网络结构是一种多层的网络结构，一个典型的前向网络。
某个神经元 j 的输入―输出关系为
其中，θj为阀值，ωji为连接权，f(•)为变换函数，也称活化函数(activation function)
对于人工神经网络模型，我们只可能在某种程度上去描述我们所了解的情况。同样，人工神经网络也只可能是在某种程度上对真实的神经网络的一种模拟和逼近。
二、在工程造价中的运用
成都市工程造价计价模式后选取了基础类型、结构类型、工期、层数、建址、层高、内装修、门窗、单位造价等10个影响工程造价和工程量的特征作为模型的输入。考虑到各个工程中门和窗数量差别很大为提高估算的精度我们把门数量和窗数量作为输入，其数量在工程施工图纸上很容易查得，不需作复杂的计算。对于其他文字性表达的工程特征需转变成数字后作为网络的输入。
很明显的看出，测试样本总体误差率比较小，平均误差为283%，基本满足估算要求，随着工程资料的不断积累，选取有代表性的数据作为样本，误差将不断缩小。
意义：
通过这次研究，我们了解了人工神经网络的基本原理，即通过误差反向传播建立多层前馈网络的学习收敛过程,该过程主要包括三个层次,即输入层、隐含层和输出层。在训练中通过计算输出值与期望值之间的误差,来求解输出层单元的一般化误差,再将误差进行反向传播,求出隐含层。并了解了基于人工神经网络之上的建设项目的投资估算模型，了解了平滑指数法、类比系数法、模糊数学估算法的基本原理与其自身的优势与不足，也让我们更深刻地认识到，人工神经网络，作为90年代逐渐被运用的人工智能技术之一，能像一个经验深厚的造价师，根据工程类型、特征及其相关情况,结合数据和经验,准确的估算出其造价。我们也通过计算验证了模型的可行性。对于我们从事建筑造价的大学生来说，是一次难能可贵的研究机会，能够较深层次的了解行业中的专业知识。随着中国改革开放和市场经济的不断深入，中国建筑企业在面临很好的机遇的同时，也面临着严峻的考验。现在的市场竞争机制已表现得越来越明显，他要求我们提高效率，尽快拿出自己招投标方案，但是传统的预算方法以及现行的计算软件都必须花费较长的时间才能计算出结果，而且计算的结果准确度还不是很高。怎样解决这个问题，成了建筑界的热门话题。同时作为建设方的业主，他们同样对快速预算很感兴趣。因为确定工程造价是建设工作中十分重要的一环，在不同阶段有着不同的方法。如建设前期的工程造价估算、初步设计阶段编制概算、施工图设计阶段编制预算，特别是建设前的估算是我们工作的重点，因为它是我们进行成本控制的起点。对于建设单位而言，它们不仅能在进行设计招标之前大致确定该工程的造价，而且还能在工程施工招标前定出合理的标底。可见快速预算有其很现实的发展研究背景。近几年许多学者都在这方面努力探索，并取得了很好成果。 神经网络和模糊数学的快速发展应用为工程快速预算提供了很好的思路。我们通过查阅资料了解了模糊数学和神经网络的结合原理，认识了基于模糊神经网络和工程预算原理的工程快速估价的模型，并通过住宅建筑估价模型的建立，说明模型的实现方法且验证其实用性。这次研究对于行业经验不足的我们十分宝贵，我们通过书籍等资料更加全方位的了解了我们未来所讲从事的行业的知识，为我们以后的工作做了良好的铺垫，积累了宝贵财富，我们将在了解这些专业知识之后熟练地运用，以更好地促进行业的发展。（西华大学；四川；成都；610039）
参考文献：
① 汪应洛、杨耀红，工程项目管理中的人工神经网络方法及其应用［J］.中国工程科学.2004,6(7):26-33.
② 袁曾仁，人工背景：神经网络及其应用［M］清华大学出版社，1991
对神经网络的认识范文2
80年代初，在美国、日本、接着在我国国内都掀起了一股研究神经网络理论和神经计算机的热潮，并将神经网络原理应用于图象处理、模式识别、语音综合及机器人控制等领域。近年来，美国等先进国家又相继投入巨额资金，制定出强化研究计划，开展对脑功能和新型智能计算机的研究。
人脑是自生命诞生以来，生物经过数十亿年漫长岁月进化的结果，是具有高度智能的复杂系统，它不必采用繁复的数字计算和逻辑运算，却能灵活处理各种复杂的，不精确的和模糊的信息，善于理解语言、图象并具有直觉感知等功能。
人脑的信息处理机制极其复杂，从结构上看它是包含有140亿神经细胞的大规模网络。单个神经细胞的工作速度并不高（毫秒级），但它通过超并行处理使得整个系统实现处理的高速性和信息表现的多样性。
因此，从信息处理的角度对人脑进行研究，并由此研制出一种象人脑一样能够“思维”的智能计算机和智能信息处理方法，一直是人工智能追求的目标。
神经网络就是通过对人脑的基本单元---神经元的建模和联结，来探索模拟人脑神经系统功能的模型，并研制一种具有学习、联想、记忆和模式识别等智能信息处理功能的人工系统。本文介绍神经网络的特点以及近年来有关神经网络与混沌理论、模糊计算和遗传算法等相结合的混合神经网络研究的动态。
一．神经网络和联结主义
回顾认知科学的发展，有所谓符号主义和联结主义两大流派。符号主义从宏观层次上，撇开人脑的内部结构和机制，仅从人脑外在表现出来的智能现象出发进行研究。例如，将记忆、判断、推理、学习等心理活动总结成规律、甚至编制成规则，然后用计算机进行模拟，使计算机表现出各种智能。
符号主义认为，认识的基本元素是符号，认知过程是对符号表示的运算。人类的语言，文字的思维均可用符号来描述，而且思维过程只不过是这些符号的存储、变换和输入、输出而已。以这种方法实现的系统具有串行、线性、准确、简洁、易于表达的特点，体现了逻辑思维的基本特性。七十年代的专家系统和八十年代日本的第五代计算机研究计划就是其主要代表。
联接主义则与其不同，其特点是从微观出发。联接主义认为符号是不存在的，认知的基本元素就是神经细胞（神经元），认知过程是大量神经元的联接，以及这种联接所引起的神经元的不同兴奋状态和系统所表现出的总体行为。八十年代再度兴起的神经网络和神经计算机就是这种联接主义的代表。
神经网络的主要特征是：大规模的并行处理和分布式的信息存储，良好的自适应、自组织性，以及很强的学习功能、联想功能和容错功能。与当今的冯．诺依曼式计算机相比，更加接近人脑的信息处理模式。主要表现如下：
神经网络能够处理连续的模拟信号。例如连续灰度变化的图象信号。
能够处理混沌的、不完全的、模糊的信息。
传统的计算机能给出精确的解答，神经网络给出的是次最优的逼近解答。
神经网络并行分布工作，各组成部分同时参与运算，单个神经元的动作速度不高，但总体的处理速度极快。
神经网络信息存储分布于全网络各个权重变换之中，某些单元障碍并不影响信息的完整，具有鲁棒性。
传统计算机要求有准确的输入条件，才能给出精确解。神经网络只要求部分条件，甚至对于包含有部分错误的输入，也能得出较好的解答，具有容错性。
神经网络在处理自然语言理解、图象模式识别、景物理解、不完整信息的处理、智能机器人控制等方面有优势。
符号主义和联接主义两者各有特色，学术界目前有一种看法：认为基于符号主义得传统人工智能和基于联接主义得神经网络是分别描述人脑左、右半脑的功能，反映了人类智能的两重性：精确处理和非精确处理，分别面向认识的理性和感性两个方面，两者的关系应该是互补而非互相代替。理想的智能系统及其表现的智能行为应是两者相互结合的结果。
接下去的问题是，符号AI和联接AI具体如何结合，两者在智能系统中相互关系如何？分别扮演什么角色？目前这方面发表的文献很多，大致有如下几种类型：
1．松耦合模型：符号机制的专家系统与联接机制的神经网络通过一个中间媒介（例如数据文件）进行通讯。
2．紧耦合模型：与松耦合模型相比较，其通讯不是通过外部数据进行，而是直接通过内部数据完成，具有较高的效率。其主要类型有嵌入式系统和黑板结构等。
3．转换模型：将专家系统的知识转换成神经网络，或把神经网络转换成专家系统的知识，转换前的系统称为源系统，转换后的系统称为目标系统，由一种机制转成另一种机制。如果源系统是专家系统，目标系统是神经网络，则可获得学习能力及自适应性；反之，可获得单步推理能力、解释能力及知识的显式表示。当然，转换需要在两种的机制之间，确定结构上的一致性，目前主要问题是还没有一种完备而精确的转换方法实现两者的转换。有待进一步研究。
4．综合模型：综合模型共享数据结构和知识表示，这时联接机制和符号机制不再分开，两者相互结合成为一个整体，既具有符号机制的逻辑功能，又有联接机制的自适应和容错性的优点和特点。例如联接主义的专家系统等。
近年来神经网络研究的另一个趋势，是将它与模糊逻辑、混沌理论、遗传进化算法等相结合，即所谓“混合神经网络”方法。由于这些理论和算法都是属于仿效生物体信息处理的方法，人们希望通过她们之间的相互结合，能够获得具有有柔性信息处理功能的系统。下面分别介绍。
二．混沌理论与智能信息处理
混沌理论是对貌似无序而实际有序，表面上看来是杂乱无章的现象中，找出其规律，并予以处理的一门学科。早在七十年代，美国和欧洲的一些物理学家、生物学家、数学家就致力于寻求在许许多多不同种类的不规则性之间的联系。生物学家发现在人类的心脏中有混沌现象存在，血管在显微镜下交叉缠绕，其中也有惊人的有序性。在生物脑神经系统中从微观的神经膜电位到宏观的脑电波，都可以观察到混沌的性态，证明混沌也是神经系统的正常特性。
九十年代开始，则更进一步将混沌和神经网络结合起来，提出多种混沌神经网络模型，并探索应用混沌理论的各种信息处理方法。例如，在神经元模型中，引入神经膜的不应性，研究神经元模型的混沌响应，研究在神经网络的方程中，不应性项的定标参数，不定性时间衰减常数等参数的性质，以及这些参数于神经网络混沌响应的关系，并确定混沌---神经网络模型具有混沌解的参数空间。经过试验，由这种混沌神经网络模型所绘出的输出图形和脑电图极为相似。
现代脑科学把人脑的工作过程看成为复杂的多层次的混沌动力学系统。脑功能的物理基础是混沌性质的过程，脑的工作包含有混沌的性质。通过混沌动力学，研究、分析脑模型的信息处理能力，可进一步探索动态联想记忆、动态学习并应用到模式识别等工程领域。例如：
对混沌的随机不规则现象，可利用混沌理论进行非线性预测和决策。
对被噪声所掩盖的微弱信号，如果噪声是一种混沌现象，则可通过非线性辨识，有效进行滤波。
利用混沌现象对初始值的敏锐依赖性，构成模式识别系统。
研究基于混沌---神经网络自适应存储检索算法。该算法主要包括三个步骤，即：特征提取、自适应学习和检索。
模式特征提取采用从简单的吸引子到混沌的层次分支结构来描述，这种分支结构有可能通过少数几个系统参数的变化来加以控制，使复杂问题简单化。自适应学习采用神经网络的误差反传学习法。检索过程是通过一个具有稳定吸引子的动力学系统来完成，即利用输入的初始条件与某个吸引子（输出）之间的存在直接对应关系的方法进行检索。利用这种方法可应用于模式识别。例如黑白图象的人脸识别。
三．模糊集理论与模糊工程
八十年代以来在模糊集理论和应用方面，也有很大进展。1983年美国西海岸AI研究所发表了称为REVEAL的模糊辅助决策系统并投入市场，1986年美国将模糊逻辑导入OPS---5，并研究成功模糊专家系统外壳FLOPS，1987年英国发表采用模糊PROLOG的智能系统FRIL等。除此通用工具的研制以外，各国还开发一系列用于专用目的的智能信息处理系统并实际应用于智能控制、模式识别、医疗诊断、故障检测等方面。
模糊集理论和神经网络虽然都属于仿效生物体信息处理机制以获得柔性信息处理功能的理论，但两者所用的研究方法却大不相同，神经网络着眼于脑的微观网络结构，通过学习、自组织化和非线性动力学理论形成的并行分析方法，可处理无法语言化的模式信息。而模糊集理论则着眼于可用语言和概念作为代表的脑的宏观功能，按照人为引入的隶属度函数，逻辑的处理包含有模糊性的语言信息。
神经网络和模糊集理论目标相近而方法各异。因此如果两者相互结合，必能达到取长补短的作用。将模糊和神经网络相结合的研究，约在15年前便已在神经网络领域开始，为了描述神经细胞模型，开始采用模糊语言，把模糊集合及其运算用于神经元模型和描述神经网络系统。目前，有关模糊---神经网络模型的研究大体上可分为两类：一类是以神经网络为主，结合模糊集理论。例如，将神经网络参数模糊化，采用模糊集合进行模糊运算。另一类以模糊集、模糊逻辑为主，结合神经网络方法，利用神经网络的自组织特性，达到柔性信息处理的目的。
与神经网络相比，模糊集理论和模糊计算是更接近实用化的理论，特别近年来美国和日本的各大公司都纷纷推出各种模糊芯片，研制了型号繁多的模糊推理板，并实际应用于智能控制等各个应用领域，建立“模糊工程”这样一个新领域。日本更首先在模糊家电方面打开市场，带有模糊控制，甚至标以神经---模糊智能控制的洗衣机、电冰箱、空调器、摄象机等已成为新一代家电的时髦产品。我国目前市场上也有许多洗衣机，例如荣事达洗衣机就是采用模糊神经网络智能控制方式的洗衣机。
四．遗传算法
遗传算法（Genetic Algorithm ：GA）是模拟生物的进化现象（自然、淘汰、交叉、突然变异）的一种概率搜索和最优化方法。是模拟自然淘汰和遗传现象的工程模型。
GA的历史可追溯到1960年，明确提出遗传算法的是1975年美国Michigan大学的Holland博士，他根据生物进化过程的适应现象，提出如下的GA模型方案：
1．将多个生物的染色体（Chromosmoe）组成的符号集合，按文字进行编码，称为个体。
2．定义评价函数，表示个体对外部环境的适应性。其数值大的个体表示对外部环境的适应性高，它的生存（子孙的延续）的概率也高。
3．每个个体由多个“部分”组合而成，每个部分随机进行交叉及突然变异等变化，并由此产生子孙（遗传现象）。
4．个体的集合通过遗传，由选择淘汰产生下一代。
遗传算法提出之后，很快得到人工智能、计算机、生物学等领域科学家的高度重视，并在各方面广泛应用。1989年美国Goldberg博士发表一本专著：“Genetic Algorithms in Search，Optimization and Machine Learning”。出版后产生较大影响，该书对GA的数学基础理论，GA的基本定理、数理分析以及在搜索法、最优化、机器学习等GA应用方面进行了深入浅出的介绍，并附有Pascal模拟程序。
1985年7月在美国召开第一届“遗传算法国际会议”（ICGA）。以后每隔两年召开一次。近年来，遗传算法发展很快，并广泛应用于信息技术的各个领域，例如：
智能控制：机器人控制。机器人路径规划。
工程设计：微电子芯片的布局、布线；通信网络设计、滤波器设计、喷气发动机设计。
图象处理：图象恢复、图象识别、特征抽取。
调度规划：生产规划、调度问题、并行机任务分配。
优化理论：TSP问题、背包问题、图划分问题。
人工生命：生命的遗传进化以及自增殖、自适应；免疫系统、生态系统等方面的研究。
神经网络、模糊集理论和以遗传算法为代表的进化算法都是仿效生物信息处理模式以获得智能信息处理功能的理论。三者目标相近而方法各异；将它们相互结合，必能达到取长补短、各显优势的效果。例如，遗传算法与神经网络和模糊计算相结合方面就有：
神经网络连续权的进化。
传统神经网络如BP网络是通过学习，并按一定规则来改变数值分布。这种方法有训练时间过长和容易陷入局部优化的问题。采用遗传算法优化神经网络可以克服这个缺点。
神经网络结构的进化。
目前神经网络结构的设计全靠设计者的经验，由人事先确定，还没有一种系统的方法来确定网络结构，采用遗传算法可用来优化神经网络结构。
神经网络学习规则的进化。
采用遗传算法可使神经网络的学习过程能够适应不同问题和环境的要求。
基于遗传算法的模糊推理规则的优化，以及隶属度函数的自适应调整也都取得很好效果。
上述神经网络、模糊计算、遗传算法和混沌理论等都是智能信息处理的基本理论和方法。近年来学术界将它们统称为“计算智能”。有关这方面更详细的内容，可参阅我们编著的下列著作：
“神经网络与神经计算机”（1992年科学出版社出版）
对神经网络的认识范文3
关键词：BP神经网络；混凝土收缩；预测
中图分类号：TU 文献标识码： A 文章编号：2095-2104（2012）01-0020-02
Concrete Shrinkage Prediction based on Artificial Neural Network
XU Xiang-dong
(Department of Building Engineering, Tongji University, Shanghai 200092, China)
Abstract: The concrete shrinkage prediction model was built based on BP network considering the water cement ratio, the compressive strength, the volume surface area ratio and relative humidity of environment as the input factors. The prediction model can be used to predict the concrete shrinkage.
Key words: BP neural network, concrete shrinkage, prediction
混凝土的收缩可导致混凝土结构的开裂，引发混凝土结构的一系列危害[1]；因此国内外学者对收缩变形的预测展开了广泛的研究。传统的收缩预测模型，因相关学者对收缩机理的认识不同而差异较大。近年来，人工神经网络(Artificial Neural Network)方法以其优越的自学习、非线性拟合、预测等性能，受到了各领域广泛的关注；在混凝土领域，韩敏等[2]采用神经网络方法建立了混凝土强度预测模型，预测达到较高精度，为神经网络在混凝土方面的应用提供了参考。
本文采用BP神经网络建立混凝土收缩变形的预测模型，并通过预测结果与期望结果的比较说明神经网络方法应用于混凝土的可行性。
混凝土收缩样本数据库建立
采用RILEM B3 (1995)模型[3]的计算结果建立混凝土收缩变形的数据库。考虑以下几个影响因素确定神经网络的输入内容：水灰比、强度、体积表面积比、环境相对湿度等。
考虑以上四因素各4水平正交设计，设定其他条件为：1) 类，PO42.5水泥；2) 干燥起始龄期；3) 水泥含量为。根据RILEM B3(1995)收缩预测模型计算所得的混凝土收缩变形结果见表1。
表1
另在各影响因素的考虑范围内，任取四组按照RILEM B3(1995)收缩预测模型计算收缩变形作为测试数据，以评价网络的预测性能。测试数据见表2。
表2
BP神经网络模型建立及预测
利用BP神经网络建立混凝土收缩的预测模型并进行预测。输入层神经元数为4，输出层神经元数为1；采用单隐层网络，多次训练后确定隐层神经元数为5，所建立的BP拓扑结构如图1所示。
网络训练前对数据进行归一化处理，训练取Levenberg-Marquadt算法，以提高收敛速度。采用初期终止方法提高网络的泛化性能，取训练样本库75%数据作为训练数据(training data)，其余25%为验证数据(validation data)，监督网络训练，网络输出误差变化图见图2。
图1 BP网络拓扑结构 图2 BP网络输出误差变化图
网络的测试结果及相对误差见表2最后两列。测试数据中网络的最大相对误差为-6.07%，可见采用BP网络预测混凝土收缩变形可基本满足工程需要。
结论
采用BP神经网络建立预测模型可实现混凝土收缩的预测；对于影响因素复杂的混凝土领域，基于积累的试验资料，可运用神经网络方法进行相关研究。
参考文献
黄国兴, 惠荣炎. 混凝土的收缩[M]. 北京:中国铁道出版社,1990.
对神经网络的认识范文4
1 引言
神经网络是近年来得到广泛关注的一种非线性建模预报技术。它具有自组织、自学习、自适应和非线性处理、并行处理、信息分布存储、容错能力强等特性，对传统方法效果欠佳的预报领域有很强的吸引力。基于神经网络的非线性信息处理方法已应用于军事信息处理及现代武器装备系统的各个方面，并有可能成为未来集成智能化的军事电子信息处理系统的支撑技术。该技术在一些先进国家已部分形成了现实的战斗力。
船舶在波浪中航行，会受到风、浪和流的影响，因而将不可避免地发生摇荡运动。严重的摇荡会使船员工作效率下降、物品损坏、军舰的战斗力下降。如果能够预知未来一段时间船舶的运动情况，不仅有利于尽早采用先进控制算法控制舰载武器平台隔离船舶运动的影响，使其始终稳定瞄准目标，而且还可获得未来一个海浪周期内的船舶运动情况，以研究船载武器上层的控制策略，从而提高火力密度，因此，有必要研究在海浪中具有一定精度的海浪中船舶运动的短期预报。此外，如能有效准确地预报船舶的横摇运动，对于提高船舶的耐波性和适航性也有重要意义。
国内外学者也将神经网络用于船舶运动预报研究，但往往没有考虑实时性等实现问题，因而不能实用化。神经网络实现技术是神经网络研究的一个重要方面。神经网络实现可分为全硬件实现和软件实现两种。目前神经网络的实现还主要以软件模拟为主，由于现行的冯诺曼计算机体系结构不能实现并行计算，因而神经网络软件的实时应用还受到一定限制。
目前，一些著名集成电路制造公司如Intel、Mo-torola、松下、日立、富士通等均已推出自己的模拟或数字神经网络芯片，这些芯片无论在网络规模还是运行速度上都已接近实用化的程度，因而给神经网络应用的发展以极大的推动。由于舰载武器系统，需选用具有在片学习功能的神经网络芯片，即将网络训练所需的反馈电路及权值存储、计算和修正电路都集成在了一个芯片，因而可实现全硬件的、具有自学习能力的神经网络系统，也可以说，这是一种具有自适应能力的神经网络。
2 ZISC78的功能及工作原理
ZISC78是由IBM公司和Sillicon联合研制的一种低成本、在线学习、33MHz主频、CMOS型100脚LQFP封装的VLSI芯片，图1所示是ZISC78的引脚排列图。ZISC78的特点如下：
内含78个神经元；
采用并行结构，运行速度与神经元数量无关；
支持RBF／KNN算法；
内部可分为若干独立子网络；
采用链连接，扩展不受限制；
具有64字节宽度向量；
L1或LSUP范数可用于距离计算；
具有同步／异步工作模式。
2．1 ZISC78神经元结构
ZISC78采用的神经元结构如图2所示，该神经元有以下几种状态：
(1)休眠状态：神经网络初始化时，通常处于这种状态。
(2)准备学习状态：任何时侯，神经网络中的神经元都处于这种状态。
(3)委托状态：一个包含有原型和类型的神经元处于委托状态。
(4)激活状态：一个处于委托状态的神经元，通过评估，其输入矢量处于其影响域时，神经元就被激活而处于激活状态。
(5)退化状态：当一个神经元的原型处于其它神经元类型空间内，而大部分被其他神经元类型空间重叠时，这个神经元被宣布处于退化状态。
2．2 ZISC78神经网络结构
从图3所示的ZISC78神经网络结构可以看出，所有神经元均通过“片内通信总线”进行通信，以实现网络内所有神经元的“真正” 并行操作。“片内通信总线”允许若干个ZISC78芯片进行连接以扩大神经网络的规模，而这种操作不影响网络性能。
ZISC78片内有6 bit地址总线和16 bit数据总线，其中数据总线用于传输矢量数据、矢量类型、距离值和其它数据。
2．3 ZISC78的寄存器组
ZISC78使用两种寄存器：全局寄存器和神经元寄存器。全局寄存器用于存储与所有神经元有关的信息，每片仅有一组全局寄存器。全局寄存器组中的信息可被传送到所有处于准备学习状态和委托状态的神经元。神经元寄存器用于存储所属神经元的信息，该信息在训练学习操作中写入，在识别操作中读出。
2．4 ZISC78的操作
ZISC78的操作包括初始化、矢量数据传播、识别和分类等三部分。
初始化包括复位过程和清除过程。
矢量数据传播包括矢量数据输入过程和神经元距离计算过程。神经元距离就是输入矢量和神经元中存储的原型之间的范数。通常可选L1范数或Lsup范数：
其中，Xi为输入矢量数据，Xs为存贮的原型数据。
对于识别和分类，ZISC78提供有两种可选择的学习算法RBF和KNN。其中RBF是典型的径向基函数神经网络。在该RBF模式下，可输出识别、不确定或不认识的状态；KNN模式是RBF模式的限制形式，即在KNN模式下，新原型的影响域总被设为1，输出的是输入向量和存储原型之间的距离。需要指出的是，ZISC78具有自动增加或减小神经元个数以适应输入信号的分类和识别功能，神经元个数的最大值和最小值在全局寄存器组中设定。
2．5 ZISC78的组网
一个ZISC78芯片内可以通过寄存器操作定义若干个独立的网络。若干个ZISC78芯片通过层叠可以组成一个更大的神经网络，组网芯片数量没有限制，小于10个ZISC78组网时，甚至连电源中继器件也不需要。所以，ZISC78具有最大的灵活性，能够满足不同的需要。
3 仿真实例
为了验证ZISC78用于船舶运动实时预报的精度，本文对径向基函数神经网络预报进行了仿真，图4给出了基于径向基函数神经网络和船舶运动惯导实测信号预报的0．3秒（15步）误差曲线图。
通过以惯导实测数据ZHX＿lg．dat为例预报0．3秒（15步）以后的船舶运动，作者运用相空间重构理论已经判断出本数据为非线性信号。
该仿真的最大预报误差方差为6．4666e－004，该数据可以满足战技指标。
4 结束语
对神经网络的认识范文5
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
对神经网络的认识范文6
关键词:城市产业结构;BP神经网络模型;灰色GM(1,1)等维新息模型;预测
Abstract: According to the present situation of urban industrial structure and its change tendency, BP NN model and GM(1, 1)constant dimension mew information model are established to forecast the evolutionary tendency of urban industrial structure for the accuracy of forecast. Then the industrial percentage is modified on the basis of the weight in the evolutionary process of urban industrial structure to ensure the amount of industrial percentage as constant 1, which offer exact information to recognize the evolutionary tendency of urban industrial structure correctly and the relationship among them.
Key words: urban industrial structure;BP NN model;GM(1, 1)constant dimension mew information model;forecast
中图分类号:TU-856 文献标识码:A 文章编号:1674-4144(2009)04-14(4)
作者简介:王福林 武汉理工大学产业经济学在职博士教授级高工
吴丹 河海大学博士生
1前言
城市产业结构是国民经济中产业构成及所占比例的综合概念,即在一定空间范围内的三大产业构成及其各产业内部构成。正确认识和研究在一定地域空间范围内的产业结构演变规律、经济社会运行机制,深刻理解地区经济发展的核心问题和资源的有效性、可用性,将有利于国民经济的协调发展。
目前,许多学者对城市产业结构演变趋势进行了系统深入地预测研究。张无畏①根据我国云南省及云南省各地建国以来产业结构的变动情况,利用三次产业分类法对云南省产业结构的发展和现状进行了分析,并对云南省未来25年产业结构的发展作出预测。王惠文等②基于北京市三次产业结构的动态规律,对于一序列按照时间顺序收集的成分数据,提出建立一种成分数据的非线性降维方法和预测模型,用于分析成分数据中各个份额随时间的变化规律。周瑜等③针对江苏省第三产业比重及其影响因素进行分析,提出运用灰色系统理论,建立灰色动态预测数学模型,对江苏省第三产业比重进行预测。基于此,为提高城市产业结构演变趋势预测的精度,采用BP神经网络方法和灰色GM(1,1)等维新息模型对城市产业结构演变趋势进行组合预测分析,以提高预测的精确性,并对城市产业结构演变过程中各产业比重进行权重修正,为正确认识城市产业演变趋势和内部关系提供准确的信息。
2基于组合模型的城市产业结构演变趋势预测
城市产业结构演变趋势反映了城市各产业在产业结构中所占比重随着时间变化而发生的变化趋势,可结合其现状及其变化趋势,对未来城市产业结构的演变趋势进行预测分析,根据产业结构布局的变化,为城市社会经济发展过程中水资源以及各种能源资源的优化配置提供决策依据。为提高城市产业结构演变趋势预测精度,采用BP神经网络方法和灰色GM(1,1)等维新息模型对城市产业结构演变趋势进行组合预测。
2.1 基于BP神经网络模型的城市产业结构演变趋势预测
人工神经网络是一种包含许多简单的非线性计算单元或连接点的非线性动力系统,具有很强的自适应、自学习及容错能力,是一种强大的非线性信息处理工具,在模式识别、智能控制、图形处理、预测和非线性优化等领域取得了成功的应用。BP神经网络算法称为误差逆传播算法,从结构上来讲,它是一种分层型网络,具有输入层、中间层(隐含层)和输出层,如图1。
基于BP神经网络强大的预测能力和预测精度,其在各个领域都得到广泛的应用。这里,以历年各产业在国民经济中的比例为样本,采用BP神经网络,对城市产业结构演变趋势进行预测,分析未来各产业在国民经济中所占比重。设观测到的某一产业在国民经济中历年的比重数据序列为x(1),x(2),… x(n),根据其中的n个观测值,预测n+1所对应年份该产业在国民经济中的比重。其具体步骤可表述为:
(1)BP网络学习算法训练网络,见表1。
(2)训练完毕后检验网络预测精度,见表2。
利用BP神经网络预测所得数据与x(n-1),x(n)所对应年份的实际数据进行对比。精度符合要求,网络预测能力满足要求,即以此对城市产业结构演变趋势进行预测;精度不符合要求,预测能力不能满足要求,需要对网络重新训练,返回1。
(3)预测n+1期所对应年份该产业在国民经济中的比重,见表3。
采用BP神经网络模型,可预测n+1期的城市产业结构演变趋势,并在n+1期预测值的基础上,进一步预测n+2期所对应年份城市产业结构演变趋势,其中,n+2期所对应年份城市产业结构演变趋势是以n+1期城市产业结构演变趋势预测值为前提所进行的预测研究。
2.2 基于灰色GM(1,1)等维新息模型的城市产业结构演变趋势预测
灰色系统预测理论对于信息不完整或不完全的实际情况具有良好的适用性,其中GM(1,1)模型具有充分利用“少数据”进行预测的优点,因此,可将各产业在国民经济产业结构中所占的比重随时间变化的数列作为原始序列,采用GM(1,1)模型对各产业在产业结构中的比重进行预测,以分析城市产业结构的演变趋势。但GM(1,1)模型采用的是现实时刻t=n为止的过去的数据,然而,任何一个灰系统的发展过程中,随着时间的推移,将会不断地有一些随机扰动或驱动因素进入系统,使系统的发展相继的受其影响。故随着系统的发展,旧数据的信息意义将逐步降低,而新数据的信息意义将逐步提高。因此,GM(1,1)模型在预测城市产业结构演变趋势时本身存在一定的缺陷,针对其不足之处,为更好地反映系统将来的发展趋势,可采用GM(1,1)等维新息模型对城市产业结构演变趋势进行预测分析,灰色GM(1,1)等维新息模型通过不断补充新信息,使建模数列更能反映系统目前的特征,更好地揭示了系统的发展趋势,从而获得较高的城市产业结构演变趋势预测精度。预测各产业在城市产业结构中演变趋势的灰色GM(1,1)等维新息模型的建模步骤可表述为:
记城市某产业在产业结构中所占比重按照时间先后顺序排列而成的原始数列为x(0)
根据灰色系统理论对城市某产业在产业结构中所占比重的原始数列进行一阶累加(1-AGO)生成后,得生成列x(1) ,即
z(1)为x(1)的紧邻均值生成数列:
(1)灰微分方程的最小二乘估计参数满足
(2)灰微分方程的白化方程 的时间响应式为
,t=1,2,……,n
(3)还原值
,t=1,2,……,n
① 当t≤n时,称 为城市某产业在产业结构中所占比重的现状模拟值;② 当t>n时,称 为城市某产业在产业结构中所占比重的预测值。
(4)将最新信息x(1)(n+1)加入到城市某产业在产业结构中所占比重的现状原始数列,利用建立等维新息模型,确定城市某产业在产业结构中所占比重的预测值。
2.3城市产业结构演变趋势组合预测
2.3.1基于灰色神经网络模型的城市产业结构演变趋势组合预测
为了进一步提高城市产业结构演变趋势预测的精度,结合BP神经网络和灰色GM(1,1)等维新息模型的预测结果,对城市产业结构的演变趋势进行组合预测,其公式为:
式中:xi(t)――t年i(i=1,2,……,I)产业在产业结构中所占比重的组合预测值;
xi(1)(t)―― t年i产业在产业结构中所占比重的神经网络模型预测值;
xi(2)(t)―― t年i产业在产业结构中所占比重的灰色GM(1,1)等维新息模型预测值;
――为权重系数,通过预测值与实际值的差别,根据实际情况而定, 。
2.3.2 城市产业结构权重修正
通过灰色神经网络模型的组合预测,可初步得出各产业在产业结构中所占比重,但其比重之和却不等于常数1,为保障城市产业结构比重之和恒定为常数1,可根据式(7),对城市产业结构演变过程中各产业比重进行权重修正,即式中: :t年i(i=1,2,……,I)产业在产业结构中所占比重的修正组合预测值。
3算例分析
根据某城市社会经济发展和产业结构的布局变化,对城市产业结构的演变趋势进行预测分析。假定1990-2007年城市三产在国民经济产业结构中所占比重数据,见表4。
根据表4中的数据,采用灰色神经网络模型预测城市产业结构演变趋势。
(1)BP神经网络模型预测
利用matlab工具箱④,构建三层BP神经网络,输入层和隐层之间使用 sigmoid函数,隐层和输出层之间使用pureline函数。训练函数选择trainlm,训练最大步长5000次,均方误差为10-5精度。经过训练对比,预测第一产业隐层设计成8个结点,第二产业为15个节点,第三产业为10个节点。并通过检验,最终使用成功网络完成预测。城市产业结构演变趋势的检验和预测结果,见表5。
(2)灰色G(1,1)等维新息模型预测
城市产业结构演变趋势的检验和预测结果,见表6。
(3)灰色神经网络模型预测
为提高组合预测模型的拟合精度,调整BP神经网络模型和灰色G(1,1)等维新息模型的权重系数,确定城市产业结构演变趋势组合预测的组合预测结果,见表7。
根据表7结果可知,采用灰色神经网络模型对城市产业结构演变趋势进行组合预测,继承了BP神经网络模型和灰色G(1,1)等维新息模型预测精准的优势,并在此基础上增强了预测精度。利用式(8),对2008年―2009年的预
测结果进行修正,最终得到2008年―2009年三产产业比重的组合预测结果。
4结论
基于城市产业结构发展现状及其变化趋势,在建立BP神经网络模型和灰色GM(1,1)等维新息模型的基础上,结合算例分析,对城市产业结构演变趋势进行组合预测,根据组合预测结果可知,灰色神经网络模型在预测城市产业结构演变趋势过程中,具有较高的精确度。
①张无畏.云南省产业结构现状分析及发展趋势预测[J].楚雄师范学院学报,2002,17(5):79-82.
②王惠文,黄薇,刘强.北京市三次产业预测分析[J].系统工程理论与实践,2003,(6):123-126.
