序論：在您撰寫(xiě)神經(jīng)網(wǎng)絡(luò)基本原理時(shí)，參考他人的優(yōu)秀作品可以開(kāi)闊視野，小編為您整理的7篇范文，希望這些建議能夠激發(fā)您的創(chuàng)作熱情，引導(dǎo)您走向新的創(chuàng)作高度。

第1篇

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)；數(shù)字識(shí)別；特征提取

中圖分類(lèi)號(hào)：TP183 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2013）14-3362-04

1 概述

數(shù)字識(shí)別在車(chē)輛牌照識(shí)別、銀行支票識(shí)別和郵政儲(chǔ)蓄票據(jù)識(shí)別等領(lǐng)域有著廣泛的應(yīng)用，因而成為研究人員近年來(lái)研究的一個(gè)焦點(diǎn)[1]。而人腦神經(jīng)系統(tǒng)模型的建立為人工神經(jīng)網(wǎng)絡(luò)的產(chǎn)生提供了理論模型依據(jù)， 使其具有模擬人腦部分形象思維的能力[2]，因而使其成為人工智能技術(shù)的重要組成部分和常用方法。人工神經(jīng)網(wǎng)絡(luò)由簡(jiǎn)單信息處理單元相互連接組成，通過(guò)簡(jiǎn)單處理單元間的相互作用來(lái)實(shí)現(xiàn)對(duì)其所接收信息的處理。而隨著人工神經(jīng)網(wǎng)絡(luò)技術(shù)的快速發(fā)展，其為解決模式識(shí)別鄰域的相關(guān)問(wèn)題提供了新的解決思路和方法，其突出的優(yōu)點(diǎn)在于它具有對(duì)接收信息可進(jìn)行并行分布式處理能力和自我學(xué)習(xí)反饋能力，因而吸引了眾多研究人員對(duì)其進(jìn)行廣泛和深入的研究。而誤差反向傳播網(wǎng)絡(luò)（Back-Propagation），即BP神經(jīng)網(wǎng)絡(luò)，是一種典型的人工神經(jīng)網(wǎng)絡(luò)，它具有人工神經(jīng)網(wǎng)絡(luò)的所有優(yōu)點(diǎn)，因而在眾多技術(shù)鄰域有著廣泛的應(yīng)用[3]。該文首先對(duì)BP神經(jīng)網(wǎng)絡(luò)的基本原理進(jìn)行了詳細(xì)介紹，在分析了其基本原理的基礎(chǔ)上，針對(duì)數(shù)字識(shí)別問(wèn)題，設(shè)計(jì)了一種利用BP神經(jīng)網(wǎng)絡(luò)技術(shù)進(jìn)行數(shù)字識(shí)別的方法。經(jīng)實(shí)驗(yàn)表明，該方法合理可行，且其識(shí)別效果正確有效。

2 相關(guān)原理與知識(shí)

由于本文針對(duì)數(shù)字識(shí)別問(wèn)題，利用BP神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)其進(jìn)行方法設(shè)計(jì)和實(shí)現(xiàn)，首先必須了解BP神經(jīng)網(wǎng)絡(luò)的基本原理，即了解其具體構(gòu)成形式、模型分類(lèi)和其功能特點(diǎn)。其次，在了解了BP神經(jīng)網(wǎng)絡(luò)基本原理的基礎(chǔ)上，進(jìn)一步了解其所處理數(shù)據(jù)的特點(diǎn)和組成形式，并根據(jù)處理數(shù)據(jù)的特點(diǎn)和其數(shù)據(jù)結(jié)構(gòu)設(shè)計(jì)相應(yīng)的數(shù)字識(shí)別方法。下面分別對(duì)它們進(jìn)行詳細(xì)的介紹。

2.1 BP神經(jīng)網(wǎng)絡(luò)基本原理

BP神經(jīng)網(wǎng)絡(luò)算法由數(shù)據(jù)信息流的前向計(jì)算，即正向信息流的正向傳遞，誤差信息的反向回饋兩個(gè)部分組成。當(dāng)信息流進(jìn)行正向傳遞時(shí)，其傳遞方向?yàn)閺妮斎雽拥诫[層再到輸出層的順序，器每層神經(jīng)元所處的狀態(tài)只會(huì)影響下一層神經(jīng)元的狀態(tài)。若在最后的輸出層沒(méi)有得到理想的輸出信息，則應(yīng)立即進(jìn)入誤差信息的反向回饋過(guò)程[6]。最終經(jīng)過(guò)這兩個(gè)過(guò)程的相互交替運(yùn)行，同時(shí)在權(quán)向量空間使用誤差函數(shù)梯度下降策略，動(dòng)態(tài)迭代搜索得到一組權(quán)向量，使得該BP神經(jīng)網(wǎng)絡(luò)的誤差函數(shù)值達(dá)到最小，從而完成對(duì)信息提取和記憶過(guò)程[7]。

2.2 BMP二值圖像文件數(shù)據(jù)結(jié)構(gòu)

由于本文處理的數(shù)據(jù)源為BMP二值圖像，則必須了解其數(shù)據(jù)結(jié)構(gòu)，才能對(duì)其進(jìn)行進(jìn)一步的識(shí)別方法設(shè)計(jì)。由數(shù)字圖像處理基礎(chǔ)知識(shí)可知，常見(jiàn)BMP二值圖像文件的數(shù)據(jù)結(jié)構(gòu)由以下三部分組成：（1）位圖文件頭，其包含了BMP二值圖像的文件類(lèi)型、文件大小和位圖數(shù)據(jù)起始位置等信息；（2）位圖信息頭，它包含了BMP二值圖像的位圖寬度和高度、像素位數(shù)、壓縮類(lèi)型、位圖分辨率和顏色定義等信息；（3）位圖數(shù)據(jù)體，其記錄了位圖數(shù)據(jù)每一個(gè)像素點(diǎn)的像素值，記錄順序在掃描行內(nèi)是從左到右，掃描行之間是從下到上。因此，根據(jù)BMP二值圖像數(shù)據(jù)結(jié)構(gòu)信息，讀出所需要的圖像數(shù)據(jù)，并對(duì)這些圖像數(shù)據(jù)做進(jìn)一步的處理。在本文給定的訓(xùn)練圖像中，圖像數(shù)據(jù)大小為80個(gè)字節(jié)，而圖像數(shù)據(jù)體距離其文件頭的偏移量為62個(gè)字節(jié)。但為了減少數(shù)據(jù)處理數(shù)量，該文在進(jìn)行實(shí)驗(yàn)時(shí)直接使用位圖數(shù)據(jù)體中的數(shù)據(jù)，沒(méi)有通過(guò)讀出位圖文件頭來(lái)得到位圖數(shù)據(jù)體中的數(shù)據(jù)。

3 數(shù)字識(shí)別具體設(shè)計(jì)方法

由上文可知，該文使用數(shù)據(jù)源為圖像大小為20*20的BMP二值圖像，由于是對(duì)位圖數(shù)據(jù)體的數(shù)據(jù)直接進(jìn)行操作，因此省去了對(duì)圖像其他數(shù)據(jù)結(jié)構(gòu)數(shù)據(jù)的繁雜處理過(guò)程，將問(wèn)題的核心轉(zhuǎn)向BP神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)方法步驟。

4 實(shí)驗(yàn)結(jié)果

圖4所示為BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練及測(cè)試結(jié)果圖。該文選擇10個(gè)訓(xùn)練樣本，通過(guò)實(shí)驗(yàn)結(jié)果可以看出，由這10個(gè)訓(xùn)練樣本訓(xùn)練出來(lái)的BP神經(jīng)網(wǎng)絡(luò)對(duì)于訓(xùn)練樣本中的圖像數(shù)值識(shí)別率達(dá)100%，訓(xùn)練時(shí)間也比較短，其迭代次數(shù)大概為700次左右。對(duì)于一些含有噪聲的圖片，只要噪聲系數(shù)小于0.85個(gè)字符，其數(shù)字識(shí)別率可達(dá)96%。

5 結(jié)束語(yǔ)

針對(duì)二值圖像數(shù)字識(shí)別問(wèn)題，該文在對(duì)BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)理論進(jìn)行分析后，設(shè)計(jì)了一種基于BP神經(jīng)網(wǎng)絡(luò)的數(shù)字識(shí)別方法，并通過(guò)實(shí)驗(yàn)驗(yàn)證了該BP神經(jīng)網(wǎng)絡(luò)用于數(shù)字識(shí)別的可行性和有效性。而對(duì)于BP神經(jīng)網(wǎng)絡(luò)存在的收斂速度慢、易陷入局部最優(yōu)和學(xué)習(xí)、記憶具有不穩(wěn)定性等問(wèn)題，還有待于對(duì)其進(jìn)行一步研究。

參考文獻(xiàn)：

[1] 韓力群.人工神經(jīng)網(wǎng)絡(luò)教程[M].北京：北京郵電大學(xué)出版社，2006.

[2] 呂俊，張興華.幾種快速BP算法的比較研究[J].現(xiàn)代電子技術(shù)，2003，24（167）：96-99.

[3] 陸瓊瑜，童學(xué)鋒.BP算法改進(jìn)的研究[J].計(jì)算機(jī)工程與設(shè)計(jì)，2007（10）：96-97.

[4] Sven Behnke，Marcus Pfister.A Study on the Combination of Classifiers for Handwritten Digit Recognition，2004.

[5] 馬耀名，黃敏.基于BP神經(jīng)網(wǎng)絡(luò)的數(shù)字識(shí)別研究[J].信息技術(shù)，2007（4）：87-88.

[6] Hasan soltanzadeh.Mohammad Rahmati.Recogniton of Persian Handwritten Digits Using Image Profiles of Multiple Orientations[J].Pattern Recognition Leaers，2004（15）.

[7] 吳成東，劉文涵.基于粗網(wǎng)格神經(jīng)網(wǎng)絡(luò)的車(chē)牌字符識(shí)別方法[J].沈陽(yáng)建筑大學(xué)報(bào)，2007，23（4）：694-695.

第2篇

【關(guān)鍵詞】BP神經(jīng)網(wǎng)絡(luò)；預(yù)測(cè)；誤差

1.引言

許多金融學(xué)家和計(jì)量學(xué)家對(duì)發(fā)達(dá)國(guó)家成熟市場(chǎng)的波動(dòng)性進(jìn)行了廣泛的研究，但是在對(duì)股市的預(yù)測(cè)上，由于人們?cè)谥R(shí)、能力、經(jīng)驗(yàn)上存在著較大的差異，加之問(wèn)題本身又具有很大的隨機(jī)性和高度的非線(xiàn)性，即使是一些金融專(zhuān)家、炒股高手對(duì)出現(xiàn)的同一復(fù)雜行情進(jìn)行分析，往往也會(huì)得出不同的結(jié)論。此外，傳統(tǒng)方法還要事先知道各種參數(shù)，以及這些參數(shù)在什么情況下應(yīng)作怎樣的修正。這都給預(yù)測(cè)股市帶來(lái)一定的困難。

基于以上股市預(yù)測(cè)的困難性，本文提出了人工神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)方法。隨著計(jì)算機(jī)、人工智能尤其是專(zhuān)家系統(tǒng)的發(fā)展，人工神經(jīng)網(wǎng)絡(luò)技術(shù)逐漸成熟并開(kāi)始應(yīng)用于各個(gè)領(lǐng)域。人工神經(jīng)網(wǎng)絡(luò)（ANN，簡(jiǎn)稱(chēng)神經(jīng)網(wǎng)絡(luò)）作為一種由大量簡(jiǎn)單神經(jīng)元廣泛相互聯(lián)接而成的非線(xiàn)性映射或自適應(yīng)動(dòng)力系統(tǒng)，恰好能有效解決股市預(yù)測(cè)處理中常見(jiàn)的困難，因此它很快在股市預(yù)測(cè)分析與處理領(lǐng)域得到了廣泛的應(yīng)用。

2.BP神經(jīng)網(wǎng)絡(luò)介紹

2.1 BP 網(wǎng)絡(luò)算法的基本原理

2.1.1 標(biāo)準(zhǔn)的BP 網(wǎng)絡(luò)算法的基本原理

BP(Back Propagation)網(wǎng)絡(luò)是反向傳播的多層前饋式網(wǎng)絡(luò)，是目前使用最為廣泛的一種人工神經(jīng)網(wǎng)絡(luò)。它的核心是BP算法，一種對(duì)于多基本子系統(tǒng)構(gòu)成的大系統(tǒng)進(jìn)行微商計(jì)算的嚴(yán)格而有效的方法，采用最小均方差學(xué)習(xí)方式。BP 神經(jīng)網(wǎng)絡(luò)的原理說(shuō)到底就是給它一些輸入變量，然后就有一個(gè)輸出，輸出值的情況與實(shí)際的情況進(jìn)行比較，差多少，然后再進(jìn)行網(wǎng)絡(luò)的內(nèi)部調(diào)整，屬于有導(dǎo)師的學(xué)習(xí)規(guī)則，使得網(wǎng)絡(luò)輸出與實(shí)際逼近。

神經(jīng)網(wǎng)絡(luò)能學(xué)習(xí)和存貯大量的輸入―輸出模式映射關(guān)系，而無(wú)需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程。人工神經(jīng)網(wǎng)絡(luò)由非線(xiàn)性函數(shù)組成，而由一系列不同權(quán)重的線(xiàn)性過(guò)濾器組合而成：

2.1.2 BP網(wǎng)絡(luò)算法的優(yōu)化

由于常用的BP算法主要缺點(diǎn)為收斂速度慢，局部極值，難以確定隱含層和隱含層的個(gè)數(shù)，使得在實(shí)際應(yīng)用中BP算法很難應(yīng)用，因此，出現(xiàn)了許多改進(jìn)算法。BP算法的改進(jìn)主要有兩種途徑，一種是采用啟發(fā)式學(xué)習(xí)方法；另一種則是采用更有效的優(yōu)化算法，本文采用了動(dòng)量法和學(xué)習(xí)率自適應(yīng)調(diào)整的策略，從而提高了學(xué)習(xí)速度并增加了算法的可靠性。動(dòng)量法降低了網(wǎng)絡(luò)對(duì)于誤差曲面局部極值的敏感性，有效地抑制了網(wǎng)絡(luò)陷于局部極小。

2.2 BP神經(jīng)網(wǎng)絡(luò)的模型識(shí)別及步驟

模式通常指對(duì)事物的一種定量描述或結(jié)構(gòu)描述，“識(shí)別”是指對(duì)客觀(guān)事物按其物理特征進(jìn)行分類(lèi)。模式識(shí)別的基本原理就是從待識(shí)別對(duì)象和理想標(biāo)本之間若干特征的相似性推斷它們之間總體的相似性。BP神經(jīng)網(wǎng)絡(luò)模式識(shí)別過(guò)程分為訓(xùn)練階段和模式分類(lèi)階段，分為初始化、數(shù)據(jù)與處理、網(wǎng)絡(luò)訓(xùn)練以及模式分類(lèi)四個(gè)步驟。以下利用實(shí)證分析來(lái)進(jìn)行著四個(gè)步驟。

3.實(shí)例分析

下面以上證的某股600個(gè)交易日的股票價(jià)格收盤(pán)指數(shù)作為原始樣本數(shù)據(jù)，對(duì)上述神經(jīng)網(wǎng)絡(luò)模型進(jìn)行求解，預(yù)測(cè)20天的收盤(pán)價(jià)，與實(shí)際收盤(pán)價(jià)進(jìn)行比較，并求出其誤差：

式中，表示第日的實(shí)際收盤(pán)指數(shù)，表示第日的預(yù)測(cè)值，表示誤差。主要按照如下幾部分來(lái)處理：（1）準(zhǔn)備600個(gè)數(shù)據(jù)的時(shí)間序列，進(jìn)行歸一化。BP神經(jīng)網(wǎng)絡(luò)中每個(gè)神經(jīng)元的輸出值由傳遞函數(shù)Sigmoid函數(shù)來(lái)計(jì)算，其輸出值的范圍是（0，1）；（2）留出最后20個(gè)數(shù)據(jù)，作為預(yù)測(cè)檢驗(yàn)使用；（3）繪制圖像，包括實(shí)際值和預(yù)測(cè)值，能量函數(shù)；（4）分析實(shí)際和預(yù)測(cè)兩曲線(xiàn)的趨勢(shì)。

采用I-J-K學(xué)習(xí)模型，該模型是輸入層I個(gè)神經(jīng)元，隱層J 個(gè)神經(jīng)元，輸出層K個(gè)神經(jīng)元。利用BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練500次、800次、1000次的輸出值和期望值以及能量函數(shù)（或者叫誤差函數(shù)）E，結(jié)果見(jiàn)圖1到圖3。

通過(guò)上面的圖示，可以看到用BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的效果比較明顯，這說(shuō)明該模型適用于短期預(yù)測(cè)嗎，股市的波動(dòng)在很多地區(qū)都是非常劇烈的，各種因素的綜合作用也使得長(zhǎng)期股指的變動(dòng)具有極大的不確定性，使得預(yù)測(cè)變得很困難。而B(niǎo)P網(wǎng)絡(luò)的算法原理和自學(xué)習(xí)的特點(diǎn)使其能夠充分挖掘出隱含在樣本數(shù)據(jù)中的規(guī)律性，實(shí)現(xiàn)從輸入空間到輸出空間的非線(xiàn)性映射，對(duì)樣本數(shù)據(jù)進(jìn)行精確的擬合。從而B(niǎo)P神經(jīng)網(wǎng)絡(luò)的方法對(duì)于股市上的一些很難看出規(guī)律的數(shù)據(jù)列的預(yù)測(cè)而言，無(wú)疑是一個(gè)比較精確的預(yù)測(cè)方法。

4.結(jié)論

本文介紹了股市的特點(diǎn)以及股市預(yù)測(cè)的困難性，提出了利用BP神經(jīng)網(wǎng)絡(luò)的方法來(lái)解決股市預(yù)測(cè)問(wèn)題。文章介紹了BP神經(jīng)網(wǎng)絡(luò)算法的基本原理，BP神經(jīng)網(wǎng)絡(luò)算法的優(yōu)化，BP神經(jīng)網(wǎng)絡(luò)模型識(shí)別及步驟，最后后以上海證券交易所每日股票價(jià)格收盤(pán)指數(shù)為分析對(duì)象，把原理應(yīng)用于實(shí)際，利用BP神經(jīng)網(wǎng)絡(luò)對(duì)股票價(jià)格收盤(pán)指數(shù)進(jìn)行了短期預(yù)測(cè)，并計(jì)算出預(yù)測(cè)值和實(shí)際值的誤差。通過(guò)實(shí)驗(yàn)發(fā)現(xiàn)該模型收斂速度快，預(yù)測(cè)精度非常高，對(duì)預(yù)測(cè)短周期內(nèi)股指波動(dòng)具有較強(qiáng)的適用性。

參考文獻(xiàn)

[1]高琴.人工神經(jīng)網(wǎng)絡(luò)在股市預(yù)測(cè)模型中的應(yīng)用[J].微電子學(xué)與計(jì)算機(jī),2007年第24卷第11期.

[2]周翠紅,路邁西.線(xiàn)性回歸與人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)煤炭發(fā)熱量[J].煤炭科學(xué)技術(shù),第37卷第12期.

[3]尹慶雙,奉瑩.人工神經(jīng)網(wǎng)絡(luò)在第三產(chǎn)業(yè)就業(yè)分析中的應(yīng)用[J].人口與經(jīng)濟(jì),2009年第6期.

[4]鄒文安,劉寶,姜波,楊春生.基于Excel 技術(shù)平臺(tái)人工神經(jīng)網(wǎng)絡(luò)BP模型及應(yīng)用[J].水文,第30卷第1期.

[5]康進(jìn),劉敬偉.非參數(shù)回歸估計(jì)與人工神經(jīng)網(wǎng)絡(luò)方法的預(yù)測(cè)效果比較[J].統(tǒng)計(jì)與決策,2009年第23 期.

[6]楊本昭,田耕.基于人工神經(jīng)網(wǎng)絡(luò)的客戶(hù)價(jià)值分類(lèi)研究[J].科技管理研究,2007年第12期.

第3篇

關(guān)鍵詞：建筑電氣設(shè)備故障；模糊理論與神經(jīng)網(wǎng)絡(luò)；設(shè)備故障診斷專(zhuān)家系統(tǒng)

中圖分類(lèi)號(hào)：TP207 文獻(xiàn)標(biāo)識(shí)碼：A DOI：10.11974/nyyjs.20160132074

隨著當(dāng)今社會(huì)經(jīng)濟(jì)的不斷發(fā)展，人們對(duì)生活品質(zhì)的追求越來(lái)越高，電氣設(shè)備變得多樣化和先進(jìn)化，不同區(qū)域間聯(lián)系更加緊密，而在給人們的生活帶來(lái)便利的同時(shí)，簡(jiǎn)單的人工故障診斷方法已經(jīng)無(wú)法滿(mǎn)足結(jié)構(gòu)日益復(fù)雜、功能日益完善的電氣系統(tǒng)，建立電氣設(shè)備控制系統(tǒng)智能故障診斷專(zhuān)家系統(tǒng)已經(jīng)成為目前能滿(mǎn)足社會(huì)需求的選擇。近年來(lái)，模糊理論被廣泛的應(yīng)用于建立故障診斷神經(jīng)網(wǎng)絡(luò)，將模糊系統(tǒng)與神經(jīng)網(wǎng)絡(luò)技術(shù)結(jié)合而形成的故障診斷技術(shù)也正在發(fā)展和應(yīng)用。

1 建筑電氣設(shè)備常見(jiàn)故障類(lèi)型及危害

1.1 電氣設(shè)備常見(jiàn)故障類(lèi)型

1.1.1 電源故障

1.1.2 線(xiàn)路故障

1.1.3 元器件故障

1.1.4 防雷接地處理故障

1.2 電氣設(shè)備故障危害

電氣設(shè)備的運(yùn)行需要很多電器元件的相互配合，產(chǎn)生故障通常是因?yàn)殡娔芑蚩刂菩畔⒃趥鬟f、分配、轉(zhuǎn)換過(guò)程中失去控制。斷路、短路、異常接地、漏電、電氣設(shè)備或電器元件損壞、電子設(shè)備受電磁干擾而發(fā)生錯(cuò)誤動(dòng)作、控制系統(tǒng)元件的偶然失效都屬于電氣設(shè)備故障[1]，而這些故障也很有可能造成大范圍的人員傷亡以及造成嚴(yán)重的財(cái)產(chǎn)損失，一旦發(fā)生，也會(huì)造成其他相關(guān)領(lǐng)域不同程度的癱瘓。由此可見(jiàn)，電氣設(shè)備出現(xiàn)故障的概率較高，危害范圍也比較大。

2 神經(jīng)網(wǎng)絡(luò)與模糊理論

神經(jīng)網(wǎng)絡(luò)是一種模仿動(dòng)物神經(jīng)網(wǎng)絡(luò)行為的特征，進(jìn)行分布式并行信息處理的算法數(shù)學(xué)模型[2]。這個(gè)模型可以根據(jù)不同系統(tǒng)自己的特征來(lái)選擇處理不同信息的方式，在很多不同領(lǐng)域都有比較廣泛的應(yīng)用，當(dāng)然，它本身也有一些缺陷，比如它不能求解不確定性問(wèn)題、不能處理符號(hào)性信息等，因此，它需要結(jié)合其它相關(guān)理論和方法來(lái)彌補(bǔ)自身的不足，以便更好地解決特定領(lǐng)域中的問(wèn)題。

模糊理論是指用到了模糊集合的基本概念或連續(xù)隸屬度函數(shù)的理論[3]。模糊控制是一種基于規(guī)則的控制，它可以直接采用語(yǔ)言型控制規(guī)則，在設(shè)計(jì)過(guò)程中不需要建立被控對(duì)象的精確數(shù)學(xué)模型，控制原理和策略通俗易懂，便于人們接受與理解，控制效果好，具有一定的智能水平，應(yīng)用起來(lái)很方便，適用于對(duì)那些數(shù)學(xué)模型難以獲取、動(dòng)態(tài)特性不易掌握或變化非常顯著的對(duì)象。模糊控制器是一種比較容易控制、掌握起來(lái)比較理想的非線(xiàn)性控制器，具有一定的適應(yīng)能力和強(qiáng)健性。

將模糊系統(tǒng)與神經(jīng)網(wǎng)絡(luò)技術(shù)相結(jié)合而形成的模糊神經(jīng)網(wǎng)絡(luò)可以作為對(duì)電氣設(shè)備進(jìn)行故障診斷的模型，這一技術(shù)的提出為電氣設(shè)備故障的診斷帶來(lái)發(fā)展和進(jìn)步，模糊理論被廣泛的應(yīng)用于建立故障診斷神經(jīng)網(wǎng)絡(luò)，這2種理論的結(jié)合將會(huì)給故障診斷研究提供解決思路，值得推廣應(yīng)用[4]。

3 建立電氣設(shè)備故障診斷系統(tǒng)

由于電氣設(shè)備故障機(jī)理的復(fù)雜性，系統(tǒng)在實(shí)際運(yùn)用過(guò)程中，可能會(huì)發(fā)生隨機(jī)故障模式，故障征兆信息的正確與否直接關(guān)系到故障診斷的正確性，因此利用現(xiàn)有的電氣設(shè)備系統(tǒng)控制平臺(tái)，對(duì)電氣設(shè)備控制系統(tǒng)的信號(hào)進(jìn)行實(shí)時(shí)采集和及時(shí)與PC 機(jī)進(jìn)行通信，建立電氣設(shè)備控制系統(tǒng)故障診斷系統(tǒng)便顯得特別重要。

3.1 BP神經(jīng)網(wǎng)絡(luò)模型

BP（Back Propagation）模型是一種最常用的人工神經(jīng)網(wǎng)絡(luò)模型，它的基本原理為利用誤差反向傳播算法，從而得到多層前向神經(jīng)網(wǎng)絡(luò)模型。在故障診斷方面使用BP模型在一定條件下能夠加強(qiáng)工作效率，使得故障診斷問(wèn)題變得更加直觀(guān)。利用模糊理論與神經(jīng)網(wǎng)絡(luò)相結(jié)合的模糊神經(jīng)網(wǎng)絡(luò)解決建筑電氣設(shè)備故障的診斷，是一種智能化控制的手段，也將逐漸發(fā)展成為未來(lái)的趨勢(shì)[5]。其模型原理圖如圖1。

要建立模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)，要根據(jù)相關(guān)理論或?qū)嶋H工作中的經(jīng)驗(yàn)，將故障現(xiàn)象和故障原因相對(duì)應(yīng)，作為系統(tǒng)的學(xué)習(xí)樣本。按照輸入與輸出相對(duì)應(yīng)的關(guān)系輸入學(xué)習(xí)樣本，系統(tǒng)經(jīng)過(guò)內(nèi)部的算法不斷提高精度，當(dāng)精度達(dá)到設(shè)定的要求時(shí)，模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)的學(xué)習(xí)過(guò)程結(jié)束。此時(shí)，將測(cè)試樣本的輸入數(shù)據(jù)放入系統(tǒng)輸入端，如果輸出數(shù)據(jù)與測(cè)試樣本基本相同，那么模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)建立成功。

在模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)的實(shí)際使用時(shí)，必然會(huì)遇到輸入數(shù)據(jù)與樣本不同的狀況。根據(jù)內(nèi)部算法，系統(tǒng)將會(huì)找到與學(xué)習(xí)樣本最相似的一組數(shù)據(jù)作為參考，自主得到輸出數(shù)據(jù)。與此同時(shí)，如果系統(tǒng)自主算出的結(jié)果得到采納，那么這組數(shù)據(jù)將會(huì)做為新的樣本存入數(shù)據(jù)庫(kù)，成為參考數(shù)據(jù)。

3.2 BP學(xué)習(xí)算法

目前，BP算法是應(yīng)用很廣泛、完善性比較高的神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法，方便、容易實(shí)現(xiàn)、計(jì)算量小、并行性強(qiáng)是這個(gè)方法領(lǐng)先其他算法的優(yōu)勢(shì)。BP算法的基本原理[6]為先求解誤差函數(shù)的最小值，根據(jù)梯度下降法，按誤差對(duì)權(quán)值做負(fù)反饋。

BP算法需要依次根據(jù)輸入對(duì)輸出進(jìn)行矯正，也就是對(duì)每組數(shù)據(jù)都要計(jì)算比對(duì)。然而，全局誤差的梯度下降算法，要求連接權(quán)和閾值的矯正是在批量進(jìn)行學(xué)習(xí)樣本的輸入之后再進(jìn)行的，所以要修改各個(gè)連接權(quán)值。利用梯度下降法來(lái)修改各個(gè)連接權(quán)值，以便達(dá)到近似全局誤差的算法效果。全局誤差梯度下降算法流程如圖2所示。

4 結(jié) 語(yǔ)

電氣設(shè)備的故障診斷已經(jīng)成為值得重視的問(wèn)題，為保證運(yùn)行系統(tǒng)能夠正常運(yùn)行，因此需要建立起更加科學(xué)完善的電氣設(shè)備管理系統(tǒng)，逐漸減少電氣設(shè)備運(yùn)行出現(xiàn)故障的可能性，保障電力系統(tǒng)的穩(wěn)定能力，本文簡(jiǎn)單介紹將模糊理論與神經(jīng)網(wǎng)絡(luò)結(jié)合，更好的解決電氣設(shè)備故障問(wèn)題，結(jié)合傳感器檢測(cè)技術(shù)、自動(dòng)控制技術(shù)、通信與網(wǎng)絡(luò)技術(shù)等方法，建立電氣設(shè)備控制故障診斷系統(tǒng)，希望可以早日應(yīng)用到生活中的建筑電氣設(shè)備故障診斷中去。

參考文獻(xiàn)

[1]電氣設(shè)備及控制電路常見(jiàn)故障分析[EB]. 電工學(xué)習(xí)網(wǎng).

[2]田景文.人工神經(jīng)網(wǎng)絡(luò)算法研究與應(yīng)用[M]. 北京理工大學(xué)出版社，2006.

[3]諸靜.模糊控制原理與應(yīng)用[M].機(jī)械工業(yè)出版社，1995.

[4]龍祥，錢(qián)志博.模糊理論在設(shè)備故障診斷神經(jīng)網(wǎng)絡(luò)中的典型應(yīng)用[J].廣東工業(yè)大學(xué)學(xué)報(bào)，2006.

[5]陳流豪.神經(jīng)網(wǎng)絡(luò)BP算法研究綜述[J].電腦知識(shí)與技術(shù)，2010.

第4篇

【關(guān)鍵詞】BP神經(jīng)網(wǎng)絡(luò)；函數(shù)逼近

1.緒論

人工神經(jīng)網(wǎng)絡(luò)（artificial neural network，ANN）是模仿生物神經(jīng)網(wǎng)絡(luò)功能的一種經(jīng)驗(yàn)?zāi)Ｐ?。生物神?jīng)元受到傳入的刺激，其反應(yīng)又從輸出端傳到相聯(lián)的其它神經(jīng)元，輸入和輸出之間的變換關(guān)系一般是非線(xiàn)性的。

1.1 BP神經(jīng)網(wǎng)絡(luò)定義

BP （Back Propagation）神經(jīng)網(wǎng)絡(luò)是一種神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法。相鄰層之間各神經(jīng)元進(jìn)行全連接，而每層各神經(jīng)元之間無(wú)連接，網(wǎng)絡(luò)按有教師示教的方式進(jìn)行學(xué)習(xí)，當(dāng)一對(duì)學(xué)習(xí)模式提供給網(wǎng)絡(luò)后，各神經(jīng)元獲得網(wǎng)絡(luò)的輸入響應(yīng)產(chǎn)生連接權(quán)值（Weight）。此過(guò)程反復(fù)交替進(jìn)行，直至網(wǎng)絡(luò)的全局誤差趨向給定的極小值，即完成學(xué)習(xí)的過(guò)程。

1.2 BP神經(jīng)網(wǎng)絡(luò)模型及其基本原理

網(wǎng)絡(luò)的輸入層模擬的是神經(jīng)系統(tǒng)中的感覺(jué)神經(jīng)元，它接收輸入樣本信號(hào)。輸入信號(hào)經(jīng)輸入層輸入， 通過(guò)隱含層的復(fù)雜計(jì)算由輸出層輸出，輸出信號(hào)與期望輸出相比較，若有誤差，再將誤差信號(hào)反向由輸出層通過(guò)隱含層處理后向輸入層傳播。在這個(gè)過(guò)程中，誤差通過(guò)梯度下降算法，分?jǐn)偨o各層的所有單元，從而獲得各單元的誤差信號(hào)，以此誤差信號(hào)為依據(jù)修正各單元權(quán)值，網(wǎng)絡(luò)權(quán)值因此被重新分布。此過(guò)程完成后， 輸入信號(hào)再次由輸入層輸入網(wǎng)絡(luò)，重復(fù)上述過(guò)程。這種信號(hào)正向傳播與誤差反向傳播的各層權(quán)值調(diào)整過(guò)程周而復(fù)始地進(jìn)行著，直到網(wǎng)絡(luò)輸出的誤差減少到可以接受的程度，或進(jìn)行到預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止。權(quán)值不斷調(diào)整的過(guò)程就是網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練過(guò)程。

2.BP網(wǎng)絡(luò)在函數(shù)逼近中的應(yīng)用

2.1 基于BP神經(jīng)網(wǎng)絡(luò)逼近函數(shù)

步驟1：假設(shè)頻率參數(shù)k=1，繪制要逼近的非線(xiàn)性函數(shù)的曲線(xiàn)。

步驟2：網(wǎng)絡(luò)的建立

應(yīng)用newff（）函數(shù)建立BP網(wǎng)絡(luò)結(jié)構(gòu)。隱層神經(jīng)元數(shù)目n可以改變，暫設(shè)為n=3，輸出層有一個(gè)神經(jīng)元。選擇隱層和輸出層神經(jīng)元傳遞函數(shù)分別為tansig函數(shù)和purelin函數(shù)，網(wǎng)絡(luò)訓(xùn)練的算法采用Levenberg Marquardt算法trainlm。

同時(shí)繪制網(wǎng)絡(luò)輸出曲線(xiàn)，并與原函數(shù)相比較，結(jié)果如圖3.3所示。

其中 “――” 代表要逼近的非線(xiàn)性函數(shù)曲線(xiàn)；

“……” 代表未經(jīng)訓(xùn)練的函數(shù)曲線(xiàn)；

因?yàn)槭褂胣ewff（ ）函數(shù)建立函數(shù)網(wǎng)絡(luò)時(shí)，權(quán)值和閾值的初始化是隨機(jī)的，所以網(wǎng)絡(luò)輸出結(jié)構(gòu)很差，根本達(dá)不到函數(shù)逼近的目的，每次運(yùn)行的結(jié)果也有時(shí)不同。

步驟3：網(wǎng)絡(luò)訓(xùn)練

應(yīng)用train（）函數(shù)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練之前，需要預(yù)先設(shè)置網(wǎng)絡(luò)訓(xùn)練參數(shù)。訓(xùn)練后得到的誤差變化過(guò)程如圖2.1所示。

步驟4： 網(wǎng)絡(luò)測(cè)試

對(duì)于訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行仿真：

其中 “――” 代表要逼近的非線(xiàn)性函數(shù)曲線(xiàn)；

“” 代表未經(jīng)訓(xùn)練的函數(shù)曲線(xiàn)；

“” 代表經(jīng)過(guò)訓(xùn)練的函數(shù)曲線(xiàn)；

從圖中可以看出，得到的曲線(xiàn)和原始的非線(xiàn)性函數(shù)曲線(xiàn)很接近。這說(shuō)明經(jīng)過(guò)訓(xùn)練后，BP網(wǎng)絡(luò)對(duì)非線(xiàn)性函數(shù)的逼近效果比較好。

3.結(jié)束語(yǔ)

神經(jīng)網(wǎng)絡(luò)在近幾年的不斷發(fā)展，在人工智能、自動(dòng)控制、計(jì)算機(jī)科學(xué)、信息處理、機(jī)器人、模式識(shí)別等眾多方面都取得了不錯(cuò)的成績(jī)，給人們帶來(lái)了很多應(yīng)用上的方便，和一些解決問(wèn)題的方法，期待神經(jīng)網(wǎng)絡(luò)可以應(yīng)在在更多的領(lǐng)域，為人類(lèi)做出更大的貢獻(xiàn)。

參考文獻(xiàn)：

[1] 劉煥海，汪禹.《計(jì)算機(jī)光盤(pán)軟件與應(yīng)用》. 北京： 高等教育出版社，2011.10：15-30.

第5篇

（一）BrainCell

神經(jīng)網(wǎng)絡(luò)基本原理本文主要應(yīng)用了BrainCell神經(jīng)網(wǎng)絡(luò)軟件來(lái)實(shí)現(xiàn)B2B電子商務(wù)供應(yīng)鏈協(xié)同績(jī)效評(píng)價(jià)模型的計(jì)算與分析。BrainCell神經(jīng)網(wǎng)絡(luò)采用誤差反向傳播學(xué)習(xí)算法，算法從兩個(gè)方面（信號(hào)的前向傳播和誤差的反向傳播）反復(fù)進(jìn)行迭代學(xué)習(xí)。其基本原理是輸入層各神經(jīng)元在接收外接的信息后，傳遞給隱含層的神經(jīng)元，根據(jù)減少目標(biāo)輸出與實(shí)際輸出誤差的方向，從輸入層經(jīng)過(guò)隱含層逐層修正各連接的權(quán)值，直到將誤差調(diào)整到能夠接受的程度，這不僅是各層權(quán)值不斷修正的過(guò)程，也是學(xué)習(xí)訓(xùn)練神經(jīng)網(wǎng)絡(luò)的過(guò)程，若學(xué)習(xí)樣本的計(jì)算輸出提前達(dá)到預(yù)期的結(jié)果，則訓(xùn)練過(guò)程結(jié)束，否則將學(xué)習(xí)到預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止，最后由輸出層輸出信息處理的結(jié)果，如上圖所示。

（二）BrainCell神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)步驟

1.網(wǎng)絡(luò)層數(shù)的確定根據(jù)Kolmogrov理論可知，含有一個(gè)隱含層的三層神經(jīng)網(wǎng)絡(luò)可以以任意精度逼近一個(gè)從輸入到輸出的映射關(guān)系。因此，在BrainCell神經(jīng)網(wǎng)絡(luò)中采用含有單隱層的三層神經(jīng)網(wǎng)絡(luò)。2.網(wǎng)絡(luò)節(jié)點(diǎn)的確定輸入層節(jié)點(diǎn)的多少與評(píng)價(jià)指標(biāo)個(gè)數(shù)是相對(duì)應(yīng)的。因此，根據(jù)構(gòu)建好的B2B電子商務(wù)供應(yīng)鏈協(xié)同績(jī)效評(píng)價(jià)指標(biāo)體系，可以將一級(jí)指標(biāo)與二級(jí)指標(biāo)進(jìn)行合并，作為輸入層的節(jié)點(diǎn)數(shù)，其指標(biāo)數(shù)如表1所示，因此輸入層節(jié)點(diǎn)數(shù)為19個(gè)。輸出層節(jié)點(diǎn)則為1個(gè)，在此以B2B電子商務(wù)供應(yīng)鏈協(xié)同績(jī)效等級(jí)結(jié)果作為輸出值。3.網(wǎng)絡(luò)訓(xùn)練本文采用的訓(xùn)練函數(shù)為trainscg，將網(wǎng)絡(luò)訓(xùn)練的精度設(shè)置為10-4并初始化權(quán)值和閾值后，從15個(gè)樣本中選取12個(gè)作為訓(xùn)練樣本進(jìn)行批處理訓(xùn)練，開(kāi)啟網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)訓(xùn)練。其具體步驟如下。假設(shè)訓(xùn)練樣例是形式（a，b），其中a為輸入向量，b為輸出值。N為輸入節(jié)點(diǎn)數(shù)，M為輸出層節(jié)點(diǎn)數(shù)。從單位i到單位j的輸入表示aij，單位i到單位j的權(quán)值表示W(wǎng)ij。（1）創(chuàng)建具有N個(gè)輸入單位，M個(gè)輸出單位的BrainCell神經(jīng)網(wǎng)絡(luò)。（2）用隨機(jī)數(shù)（0或1）初始化某些數(shù)字變量網(wǎng)絡(luò)權(quán)值Wij。（3）對(duì)于第k個(gè)訓(xùn)練樣例（a，b），把輸入跟著網(wǎng)絡(luò)前向傳播，并計(jì)算網(wǎng)絡(luò)中每個(gè)單元x的輸出Qx，使誤差沿著反向傳播。（4）對(duì)于每個(gè)輸出單元u，計(jì)算它的誤差項(xiàng)。（5）對(duì)于每個(gè)隱含單元h，計(jì)算它的誤差項(xiàng)。（6）利用誤差項(xiàng)更新調(diào)整每個(gè)網(wǎng)絡(luò)權(quán)值。（7）重復(fù)（3）到（6），直到完成指定的迭代次數(shù)或者是其誤差值達(dá)到可接受的范圍。4.網(wǎng)絡(luò)檢驗(yàn)將剩下的3個(gè)驗(yàn)證樣本數(shù)據(jù)輸入到訓(xùn)練好的網(wǎng)絡(luò)中，將其訓(xùn)練結(jié)果與實(shí)際結(jié)果相比較，檢驗(yàn)BrainCell神經(jīng)網(wǎng)絡(luò)得到的輸入與輸出間的關(guān)系是否正確，從而反映出該績(jī)效評(píng)價(jià)體系的準(zhǔn)確性和可靠性。

二、實(shí)證研究與分析

（一）確定績(jī)效評(píng)價(jià)等級(jí)

由于各個(gè)企業(yè)供應(yīng)鏈自身發(fā)展的情況不同，各具特點(diǎn)，其形式、結(jié)構(gòu)各異，因此如何劃分績(jī)效評(píng)價(jià)等級(jí)，如何更好地反映績(jī)效評(píng)價(jià)等級(jí)至關(guān)重要。本文以績(jī)效考核成績(jī)最好為1，最低為0為臨界值，由高到低劃分5個(gè)等級(jí)，并通過(guò)績(jī)效等級(jí)系數(shù)來(lái)體現(xiàn)，見(jiàn)表2所示。

（二）指標(biāo)數(shù)據(jù)獲取和處理

本文以天貓商城中某珠寶飾品有限責(zé)任公司為例，該公司有比較穩(wěn)定的供應(yīng)商，且與多家企業(yè)都有長(zhǎng)期合作關(guān)系。根據(jù)公司的實(shí)際管理情況，整理出該公司供應(yīng)鏈協(xié)同管理的績(jī)效指標(biāo)評(píng)價(jià)體系研究的基礎(chǔ)數(shù)據(jù)，應(yīng)用BrainCell軟件對(duì)這些基本數(shù)據(jù)進(jìn)行計(jì)算。為使各指標(biāo)在整個(gè)系統(tǒng)中具有可比性，本文利用效應(yīng)系數(shù)將指標(biāo)在閉區(qū)間[0，1]上進(jìn)行同趨勢(shì)化無(wú)量綱化和定性指標(biāo)定量化處理。結(jié)果表明，該公司的供應(yīng)鏈整體績(jī)效基本良好，其績(jī)效評(píng)價(jià)等級(jí)系數(shù)主要都集中在[0.5,0.8]這部分區(qū)間內(nèi)，與該公司所處供應(yīng)鏈實(shí)際情況相符。該公司運(yùn)作情況基本令人滿(mǎn)意。

三、結(jié)語(yǔ)及展望

第6篇

根據(jù)物流金融的運(yùn)作特點(diǎn)，可將其風(fēng)險(xiǎn)來(lái)源歸納為來(lái)自融資企業(yè)、抵押物以及第三方物流企業(yè)三大方面。借鑒Altman，Haldeman和Narayanan（1977）提出的第二代“ZETA計(jì)分模型”中企業(yè)信用評(píng)價(jià)指標(biāo)體系[3]，將來(lái)自融資企業(yè)的風(fēng)險(xiǎn)細(xì)化為中小企業(yè)營(yíng)運(yùn)能力w1、盈利能力w2、償債能力w3、及信用記錄w4四大方面的十個(gè)具體指標(biāo)，分別為w11持續(xù)經(jīng)營(yíng)、w12資產(chǎn)回報(bào)率、w13存貨周轉(zhuǎn)率、w21連續(xù)盈利、w22稅后利潤(rùn)率、w23銷(xiāo)售利潤(rùn)率、w31穩(wěn)定存貨、w32資產(chǎn)負(fù)債率、w33速凍比率、w41履約率。我國(guó)現(xiàn)階段的物流金融業(yè)務(wù)主要集中于基于權(quán)利質(zhì)押以及基于存貨質(zhì)押兩種，因此質(zhì)押物本身的質(zhì)量也直接關(guān)系其風(fēng)險(xiǎn)大小。指標(biāo)包括：所有權(quán)w51、市場(chǎng)性質(zhì)w61、保險(xiǎn)率w71三方面。作為重要參與方的物流企業(yè)為實(shí)現(xiàn)其對(duì)質(zhì)押物的有效監(jiān)管，企業(yè)規(guī)模w81及企業(yè)信譽(yù)w91也即成為影響物流金融風(fēng)險(xiǎn)的重要指標(biāo)。

2基于BP神經(jīng)網(wǎng)絡(luò)和證據(jù)理論的評(píng)價(jià)方法

2.1BP神經(jīng)網(wǎng)絡(luò)的基本原理

BP神經(jīng)網(wǎng)絡(luò)，是由Rumelhart和McCelland等人（1986）提出的。其基本思想是，學(xué)習(xí)過(guò)程由信號(hào)的正向傳播與誤差的反向傳播兩個(gè)過(guò)程組成。正向傳播時(shí)，輸入樣本從輸入層通過(guò)隱含層傳向輸出層。若輸出層的實(shí)際輸出與期望輸出不符，則轉(zhuǎn)入誤差的反向傳播階段，并將誤差分?jǐn)偨o各層的所有單元。正向傳播與誤差反向傳播周而復(fù)始，一直到網(wǎng)絡(luò)輸出的誤差減少到可接受的程度，或預(yù)先設(shè)定的次數(shù)為止。

2.2證據(jù)理論的基本原理

①定義1：設(shè)為一個(gè)互斥又可窮舉的元素的集合，稱(chēng)作識(shí)別框架，基本信任分配函數(shù)m是一個(gè)集合2到[0，1]的映射，A表現(xiàn)識(shí)別框架的任一子集，記作A哿，式中：m（A）稱(chēng)為時(shí)間A的基本信任分配函數(shù)，它表示證據(jù)對(duì)A的信任程度。②Dempter合成法則：假定識(shí)別框架下的兩個(gè)證據(jù)E1和E2,其相應(yīng)的基本信任函數(shù)為m1和m2，焦元分別為Ai和Bj，則m（A）=m1（A）茌m2（A）2.3信用風(fēng)險(xiǎn)評(píng)估算法為了保證神經(jīng)網(wǎng)絡(luò)的收斂和穩(wěn)定性，本論文中將15個(gè)指標(biāo)分為四組，建立4個(gè)神經(jīng)網(wǎng)絡(luò)NN1，NN2，NN3和NN4。神經(jīng)網(wǎng)絡(luò)的輸出設(shè)計(jì)為（0.1，0.1，0.9）T、（0.1，0.9，0.1）T、（0.9，0.1，0.1）T，表示的信用風(fēng)險(xiǎn)級(jí)別分別為高風(fēng)險(xiǎn)、中度風(fēng)險(xiǎn)、低風(fēng)險(xiǎn)，記為A1，A2，A3。將輸出歸一化，得到向量（a′i1，a′i2，a′i3）T，記作V′i。令mi（Ai）=a′il，i∈{1，2，3，4}，l∈{1，2，3}，表示由NNi得到的對(duì)信用風(fēng)險(xiǎn)級(jí)別Ai的基本信任度，即針對(duì)事件Ai的證據(jù)。之后，再將4個(gè)證據(jù)利用DS證據(jù)理論融合。就可以對(duì)信用風(fēng)險(xiǎn)進(jìn)行評(píng)估，最初最終決策。

3應(yīng)用實(shí)例

本次數(shù)據(jù)采集共發(fā)出問(wèn)卷200份，收回135份，有效問(wèn)卷92份。將前91組數(shù)據(jù)分別訓(xùn)練神經(jīng)網(wǎng)絡(luò)。再將余下1個(gè)樣本輸入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，歸一化處理輸出結(jié)果即得該證據(jù)對(duì)該命題的基本概率分配，而后利用DS證據(jù)理論將其融合得到最終優(yōu)化結(jié)果。

4結(jié)論

第7篇

摘要：工程造價(jià)估算是招標(biāo)投標(biāo)中的重要一環(huán)，探尋一套快速、簡(jiǎn)捷、實(shí)用的工程造價(jià)估算方法已經(jīng)成為建筑行業(yè)的迫切需要。為了建設(shè)工程造價(jià)估算技術(shù)的發(fā)展及文聯(lián)面臨的問(wèn)題，提出在建設(shè)工程造價(jià)估算技術(shù)系統(tǒng)中應(yīng)用人工神經(jīng)網(wǎng)絡(luò)技術(shù)來(lái)提高估算精確度，并且給出系統(tǒng)的設(shè)計(jì)模型。

關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò)；工程造價(jià)；造價(jià)估算

人工神經(jīng)網(wǎng)絡(luò)（ArtificialNeuralNetworks，簡(jiǎn)寫(xiě)為ANNs）也簡(jiǎn)稱(chēng)為神經(jīng)網(wǎng)絡(luò)（NNs）或稱(chēng)作連接模型（ConnectionistModel），它是一種模范動(dòng)物神經(jīng)網(wǎng)絡(luò)行為特征，進(jìn)行分布式并行信息處理的算法數(shù)學(xué)模型。這種網(wǎng)絡(luò)依靠系統(tǒng)的復(fù)雜程度，通過(guò)調(diào)整內(nèi)部大量節(jié)點(diǎn)之間相互連接的關(guān)系，從而達(dá)到處理信息的目的。人工神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)和自適應(yīng)的能力，可以通過(guò)預(yù)先提供的一批相互對(duì)應(yīng)的輸入－輸出數(shù)據(jù)，分析掌握兩者之間潛在的規(guī)律，最終根據(jù)這些規(guī)律，用新的輸入數(shù)據(jù)來(lái)推算輸出結(jié)果，這種學(xué)習(xí)分析的過(guò)程被稱(chēng)為“訓(xùn)練”。

一、神經(jīng)網(wǎng)絡(luò)的建立

雖然人們還并不完全清楚生物神經(jīng)網(wǎng)絡(luò)是如何進(jìn)行工作的，但還是幻想能否構(gòu)造一些“人工神經(jīng)元”，然后將這些神經(jīng)元以某種特定的方式連接起來(lái)，模擬“人腦”的某些功能。

在1943年，心理學(xué)家W. McCulloch和數(shù)學(xué)家W. Pitts合作，從數(shù)理邏輯的角度，提出了神經(jīng)元和神經(jīng)網(wǎng)絡(luò)最早的數(shù)學(xué)模型（MP模型），是神經(jīng)網(wǎng)絡(luò)研究的開(kāi)端，更為后面的研究發(fā)展奠定了基礎(chǔ)。經(jīng)歷了半個(gè)多世紀(jì)，神經(jīng)網(wǎng)絡(luò)度過(guò)了萌芽期、第一次期、反思低潮期、第二次期、再認(rèn)識(shí)與應(yīng)用研究期五個(gè)階段。目前，神經(jīng)網(wǎng)絡(luò)已成為涉及多種學(xué)科和領(lǐng)域的一門(mén)新興的前沿交叉學(xué)科。

神經(jīng)元分為分層網(wǎng)絡(luò)和相互連接型網(wǎng)絡(luò)。所謂分層網(wǎng)絡(luò)，就是一個(gè)網(wǎng)絡(luò)模型中的所有神經(jīng)元按功能分層，一般分為輸入層、中間層（隱含層）、輸出層，各層按順序連接，隔層之間均采用的是全互連接，但對(duì)于同一單元間，不互相連接。分層網(wǎng)絡(luò)可細(xì)分為簡(jiǎn)單前向網(wǎng)絡(luò)、反饋前向網(wǎng)絡(luò)和層內(nèi)互相連接的網(wǎng)絡(luò)。人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)是一種多層的網(wǎng)絡(luò)結(jié)構(gòu)，一個(gè)典型的前向網(wǎng)絡(luò)。

某個(gè)神經(jīng)元 j 的輸入―輸出關(guān)系為

其中，θj為閥值，ωji為連接權(quán)，f(•)為變換函數(shù)，也稱(chēng)活化函數(shù)(activation function)

對(duì)于人工神經(jīng)網(wǎng)絡(luò)模型，我們只可能在某種程度上去描述我們所了解的情況。同樣，人工神經(jīng)網(wǎng)絡(luò)也只可能是在某種程度上對(duì)真實(shí)的神經(jīng)網(wǎng)絡(luò)的一種模擬和逼近。

二、在工程造價(jià)中的運(yùn)用

成都市工程造價(jià)計(jì)價(jià)模式后選取了基礎(chǔ)類(lèi)型、結(jié)構(gòu)類(lèi)型、工期、層數(shù)、建址、層高、內(nèi)裝修、門(mén)窗、單位造價(jià)等10個(gè)影響工程造價(jià)和工程量的特征作為模型的輸入。考慮到各個(gè)工程中門(mén)和窗數(shù)量差別很大為提高估算的精度我們把門(mén)數(shù)量和窗數(shù)量作為輸入，其數(shù)量在工程施工圖紙上很容易查得，不需作復(fù)雜的計(jì)算。對(duì)于其他文字性表達(dá)的工程特征需轉(zhuǎn)變成數(shù)字后作為網(wǎng)絡(luò)的輸入。

很明顯的看出，測(cè)試樣本總體誤差率比較小，平均誤差為283%，基本滿(mǎn)足估算要求，隨著工程資料的不斷積累，選取有代表性的數(shù)據(jù)作為樣本，誤差將不斷縮小。

意義：

通過(guò)這次研究，我們了解了人工神經(jīng)網(wǎng)絡(luò)的基本原理，即通過(guò)誤差反向傳播建立多層前饋網(wǎng)絡(luò)的學(xué)習(xí)收斂過(guò)程,該過(guò)程主要包括三個(gè)層次,即輸入層、隱含層和輸出層。在訓(xùn)練中通過(guò)計(jì)算輸出值與期望值之間的誤差,來(lái)求解輸出層單元的一般化誤差,再將誤差進(jìn)行反向傳播,求出隱含層。并了解了基于人工神經(jīng)網(wǎng)絡(luò)之上的建設(shè)項(xiàng)目的投資估算模型，了解了平滑指數(shù)法、類(lèi)比系數(shù)法、模糊數(shù)學(xué)估算法的基本原理與其自身的優(yōu)勢(shì)與不足，也讓我們更深刻地認(rèn)識(shí)到，人工神經(jīng)網(wǎng)絡(luò)，作為90年代逐漸被運(yùn)用的人工智能技術(shù)之一，能像一個(gè)經(jīng)驗(yàn)深厚的造價(jià)師，根據(jù)工程類(lèi)型、特征及其相關(guān)情況,結(jié)合數(shù)據(jù)和經(jīng)驗(yàn),準(zhǔn)確的估算出其造價(jià)。我們也通過(guò)計(jì)算驗(yàn)證了模型的可行性。對(duì)于我們從事建筑造價(jià)的大學(xué)生來(lái)說(shuō)，是一次難能可貴的研究機(jī)會(huì)，能夠較深層次的了解行業(yè)中的專(zhuān)業(yè)知識(shí)。隨著中國(guó)改革開(kāi)放和市場(chǎng)經(jīng)濟(jì)的不斷深入，中國(guó)建筑企業(yè)在面臨很好的機(jī)遇的同時(shí)，也面臨著嚴(yán)峻的考驗(yàn)。現(xiàn)在的市場(chǎng)競(jìng)爭(zhēng)機(jī)制已表現(xiàn)得越來(lái)越明顯，他要求我們提高效率，盡快拿出自己招投標(biāo)方案，但是傳統(tǒng)的預(yù)算方法以及現(xiàn)行的計(jì)算軟件都必須花費(fèi)較長(zhǎng)的時(shí)間才能計(jì)算出結(jié)果，而且計(jì)算的結(jié)果準(zhǔn)確度還不是很高。怎樣解決這個(gè)問(wèn)題，成了建筑界的熱門(mén)話(huà)題。同時(shí)作為建設(shè)方的業(yè)主，他們同樣對(duì)快速預(yù)算很感興趣。因?yàn)榇_定工程造價(jià)是建設(shè)工作中十分重要的一環(huán)，在不同階段有著不同的方法。如建設(shè)前期的工程造價(jià)估算、初步設(shè)計(jì)階段編制概算、施工圖設(shè)計(jì)階段編制預(yù)算，特別是建設(shè)前的估算是我們工作的重點(diǎn)，因?yàn)樗俏覀冞M(jìn)行成本控制的起點(diǎn)。對(duì)于建設(shè)單位而言，它們不僅能在進(jìn)行設(shè)計(jì)招標(biāo)之前大致確定該工程的造價(jià)，而且還能在工程施工招標(biāo)前定出合理的標(biāo)底?？梢?jiàn)快速預(yù)算有其很現(xiàn)實(shí)的發(fā)展研究背景。近幾年許多學(xué)者都在這方面努力探索，并取得了很好成果。 神經(jīng)網(wǎng)絡(luò)和模糊數(shù)學(xué)的快速發(fā)展應(yīng)用為工程快速預(yù)算提供了很好的思路。我們通過(guò)查閱資料了解了模糊數(shù)學(xué)和神經(jīng)網(wǎng)絡(luò)的結(jié)合原理，認(rèn)識(shí)了基于模糊神經(jīng)網(wǎng)絡(luò)和工程預(yù)算原理的工程快速估價(jià)的模型，并通過(guò)住宅建筑估價(jià)模型的建立，說(shuō)明模型的實(shí)現(xiàn)方法且驗(yàn)證其實(shí)用性。這次研究對(duì)于行業(yè)經(jīng)驗(yàn)不足的我們十分寶貴，我們通過(guò)書(shū)籍等資料更加全方位的了解了我們未來(lái)所講從事的行業(yè)的知識(shí)，為我們以后的工作做了良好的鋪墊，積累了寶貴財(cái)富，我們將在了解這些專(zhuān)業(yè)知識(shí)之后熟練地運(yùn)用，以更好地促進(jìn)行業(yè)的發(fā)展。（西華大學(xué)；四川；成都；610039）

參考文獻(xiàn)：

① 汪應(yīng)洛、楊耀紅，工程項(xiàng)目管理中的人工神經(jīng)網(wǎng)絡(luò)方法及其應(yīng)用［J］.中國(guó)工程科學(xué).2004,6(7):26-33.

② 袁曾仁，人工背景：神經(jīng)網(wǎng)絡(luò)及其應(yīng)用［M］清華大學(xué)出版社，1991