神經(jīng)網(wǎng)絡原理精選(九篇)

前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的神經(jīng)網(wǎng)絡原理主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：神經(jīng)網(wǎng)絡原理范文

【關鍵詞】諧波;APF;神經(jīng)網(wǎng)絡

Abstract：With the development of the power of electronics technology，due to a variety of new non-linear loads are growing has caused much harmonic in power system，active power filter is the effective way to harmonic and compensate for the elimination.The working principle of active power filter system are briefly analyzed for this paper，and proposed a detection method based on neural networks，which are mainly using neural network load caused by harmonic resistance，etc.for effective analysis，to the original filter detection of the corresponding power system fundamental active current of more complete and thorough simulation results validate the design theory and analysis results are correct.

Key word：Harmonic;APF;neural networks

1.引言

在我國的可以發(fā)展和社會進步過程中，特別是各種高科技的產(chǎn)品以及衍生物的出現(xiàn)，發(fā)展進程不斷加快，由于我國的地理結(jié)構(gòu)，特別是資源分布不均決定了電網(wǎng)的地理結(jié)構(gòu)配置，尤其是在惡劣環(huán)境狀況下長遠距離的電網(wǎng)配送傳輸，這樣不得不造成電能在傳輸過程中的出現(xiàn)諸多問題，基于越來越到的三相交流正弦設備電壓的穩(wěn)定性，尤其是大量的非線性設備在交流電下產(chǎn)生的非正弦電流（電壓等）信號，造成了其電能的有效性利用和一系列諧波的干擾等等。有源電力濾波器（Active Power Filter，APF）則應運而生，其優(yōu)點是可以抑制一些諧波來提高電能的穩(wěn)定性和電能的質(zhì)量，其中在諧波處理這一塊加入新型的神經(jīng)網(wǎng)絡，如現(xiàn)今的BP、FFT神經(jīng)網(wǎng)絡算法的運用在電力濾波器中，能夠在諧波的處理過程中更加的準確和穩(wěn)定，極大地加快了效率和保證了電能的質(zhì)量，也是目前市場情景很廣的一個重要課題。

2.電力諧波的檢測方法

在現(xiàn)代的電力系統(tǒng)中，尤其的當前的三相交流電無時不刻地出現(xiàn)各種干擾性諧波，影響電能質(zhì)量和效率。在傳統(tǒng)的諧波檢測中有一些比較傳統(tǒng)的方法，特別在最初使用的無源濾波器進行簡單且原始地濾波，這種濾波器在使用的同時也帶來了很多的不便和出現(xiàn)更多新的問題，在后來也慢慢被淘汰。于是在后來演變了幾種比較常用的方法，每種方法有其各自特點及應用范圍，因此了解各種諧波檢測方法的優(yōu)缺點及其適用場合對擬制諧波是非常重要的。就目前廣泛應用的是那些基于瞬時無功功率理論的p-q法，法和同步檢測法以及基于正弦函數(shù)正交特性法的檢測等方法，然后通過一些仿真比較各自的優(yōu)缺點及適用場合，為有效擬制諧波提供理論及實際指導。分析及仿真表明，有效利用各種諧波檢測方法的特點進行諧波擬制是非常有效、實用的，這是充分利用其反向特點分析的。

2.1 檢測法

就目前大部分的諧波檢測而言，基本都是運用檢測法進行諧波檢測，在諧波檢測的基本工作原理是：將電壓或電感器輸出的電流信號轉(zhuǎn)化為電壓信號并進行適當?shù)姆糯蠡蚩s小（根據(jù)實際信號的輸出情況進行放大或縮?。?。首先指令運算電路就是諧波檢測的重要部分，其作用是在有源電力濾波器的補償作用下得出其補償電路的指令信號（電流信號），其中常用且最為重要的部分是三相電路的檢測方法，在實際生活中常用的有兩種：一種是電路諧波檢測法，另一種是無功電流檢測法。如下圖1是電路-諧波檢測的原理示意圖.其方法的基本原理是利用三相電壓源中的其中一項與同相位的正弦信號和相對應的余弦信號sinωt_cosωt，然后他們由一個相鎖環(huán)（PLL）和sinωt_cosωt信號的發(fā)生電路模塊得到。再根據(jù)定以及其公式計算出、。在圖中、是由、、產(chǎn)生的、于是由、可以計算出、、，進而計算出、、。運算公式如圖1所示。

圖1 三相電流諧波檢測原理示意圖

（6）

（7）

（8）

（9）

用給定這些式子可以理想化的酸楚相應的補償電流出來，這樣根據(jù)所需的參數(shù)量來進行可控補償。最終達到諧波抑制的目的。

2.2 基于神經(jīng)網(wǎng)絡的電流檢測

在傳統(tǒng)的APF（有源電力濾波器）中，我們很難有準確的測量方法，即是根據(jù)理想化的公式也只能進行理想的運算，然而在實際運行過程中，其測量參數(shù)準確度的有很大差距，于是我們提出了一種基于神經(jīng)網(wǎng)絡電流檢測方法，這樣在有源電力濾波器中有了很好檢作用，其神經(jīng)網(wǎng)絡原理圖 如下圖2所視，它具有多種跟蹤捕捉參數(shù)的能力，也能更為快速、準確地檢測出來，達到的結(jié)果更接近理想值，在有源電力濾波器中加入運用神經(jīng)網(wǎng)絡是現(xiàn)今以及未來的一個趨勢。

圖2 神經(jīng)網(wǎng)絡結(jié)構(gòu)圖 圖3 基于神經(jīng)網(wǎng)絡的基本原理圖

3.建立相關模型并仿真

在APF的濾波基礎上加入需要的神經(jīng)網(wǎng)絡模塊，更能有效且準確地檢測諧波并進行有效的補償，最終得到需要的電流（電壓）信號供日常實際生產(chǎn)。在被控參數(shù)的前饋期加入神經(jīng)網(wǎng)絡，可以很好的前饋控制，這樣的優(yōu)點是互惠產(chǎn)生不必要的延遲，同時可以減小工作時間。

3.1 模型建立

由于該研究主要針對于日常用的三相電力系統(tǒng)中，所以本文也是以三相交流為研究對象，其主要原理框圖如圖4所示

圖4 加入神經(jīng)網(wǎng)絡的有源濾波的簡易原理框圖

我們可以很弄清楚地看到，濾波裝置（APF）中加入可控串補神經(jīng)經(jīng)網(wǎng)調(diào)節(jié)模塊，由圖中可以看出主要對一些交流電流等相關參數(shù)進行補償和抑制，在實際的運行環(huán)境中一系列的諧波、內(nèi)外振蕩和非穩(wěn)定因素等干擾就得到了很好的抑制和處理，電壓（電流）變得更穩(wěn)定并且得到補償和提高，很接近預期理論計算值，最終改善了運行環(huán)境，提高了電能的質(zhì)量，同時更能有效地節(jié)省資源和提高電能有用功率。在每個模塊達到自己的理論使用效果后，就可以很好地達到預期的結(jié)果。

3.2 仿真結(jié)果

本文研究對象主要是針對于三相交流電的電流參數(shù)進行測試，得到了一些列的仿真結(jié)果，基本能夠反映研究的基本目的。下列圖形分別給出了其三相交流電流諧波補償抑制的仿真圖像。

（1）當給定電壓在380v、50Hz、α=30°時，在給與一定負載，得到的電流波形圖如下圖5所示，諧波很明顯，三相正弦電流波形受到的干擾很明顯，在有源濾波器的作用，諧波得到了很好的抑制并且提供了相應的補償，是電流波形接近正常。

（2）當給定電壓為380V、50Hz、α=30°時，同時給與一定負載，得到的電流波形圖如下圖6所示，諧干很明顯，可知三相正弦電流波形受到的干擾很明顯，在有加入神經(jīng)網(wǎng)絡后的有源濾波器的作用下，我們能夠很明顯地看到諧波得到了很好的抑制，且給予的補償也很充分，電流的曲線圖像變得更接近理想值，振幅也比以前增大了，從圖像中我們可以得出在神經(jīng)網(wǎng)絡的作用下，有源電力濾波器的作用能夠發(fā)揮得更加充分和完善，也是我們研究的重點和趨勢。

4.總結(jié)

本文主要是在諧波污染現(xiàn)狀上，對諧波進行系統(tǒng)的研究，尤其是在諧波檢測的基礎上進行研究，并設計了一種基于神經(jīng)網(wǎng)絡的有源電力諧波檢測法，利用神經(jīng)網(wǎng)絡具有逼近任意非線性函數(shù)能力，響應快、超調(diào)小、誤差小、魯棒性好等一些優(yōu)點，克服了有源電力濾波器補償性能不足，檢測效率低等缺點。其仿真結(jié)果表明基于該神經(jīng)網(wǎng)絡的諧波檢測模塊的試驗中，可以得出其具有快速且準確的檢測抑制效果，對今后的諧波抑制方面具有很好的發(fā)展前景。

參考文獻

[1]楊軍，王兆安.三相電路諧波電流兩種檢測方法的對比研究[J].電工技術學報，2005，6（7）.

[2]王兆安，劉建軍.電力電技術[M].北京：機械工業(yè)出版社，2010.

[3]于志豪，劉志珍，徐文尚.基于電路模型和神經(jīng)網(wǎng)絡的諧波電流檢測方法[J].電工技術學報，2004，19（9）.

第2篇：神經(jīng)網(wǎng)絡原理范文

關鍵詞：網(wǎng)絡經(jīng)濟；計算機技術；信息化；醫(yī)院審計；管理策略

中圖分類號：R197.324文獻標識碼：A文章編號：1007-9599 (2012) 04-0000-02

一、網(wǎng)絡經(jīng)濟對醫(yī)院審計帶來的積極影響

（一）有利于加快醫(yī)院審計信息化建設

隨著醫(yī)院內(nèi)部管理信息化、業(yè)務運行網(wǎng)絡化、會計信息電子化的廣泛建立，不僅使醫(yī)院各項經(jīng)濟活動的會計處理工作均可以通過計算機系統(tǒng)和軟件自動完成，還使醫(yī)院的經(jīng)營管理步入了信息化、網(wǎng)絡化的軌道。在這樣的網(wǎng)絡經(jīng)濟環(huán)境下，醫(yī)院審計工作的范圍、對象、內(nèi)容、方法等審計要素也隨之發(fā)生了較大的變化，對傳統(tǒng)的審計工作造成了巨大的沖擊。為了滿足醫(yī)院管理信息化的發(fā)展需求，醫(yī)院必須加快審計信息化建設，以改進傳統(tǒng)審計工作的不足，提高醫(yī)院整體信息化的建設水平。

（二）有利于實現(xiàn)醫(yī)院審計目標

醫(yī)院審計工作的目標在于緊緊圍繞本院工作重心，以強化財務管理和內(nèi)部控制監(jiān)督為主要任務，實現(xiàn)維護國家財經(jīng)紀律、促進醫(yī)院健康發(fā)展的目標。所以，醫(yī)院必須采取先進、科學的技術方法，借助于網(wǎng)絡技術、信息技術和計算機技術對所獲取的審計憑證和信息資料進行加工處理，作為審計結(jié)果的評估、判斷依據(jù)，以此為醫(yī)院領導提供可靠的決策信息，從而確保審計目標的實現(xiàn)。

（三）有利于提升醫(yī)院內(nèi)部審計質(zhì)量

網(wǎng)絡經(jīng)濟環(huán)境下，網(wǎng)絡信息技術已經(jīng)廣泛被應用于醫(yī)院的日常經(jīng)營管理活動中，醫(yī)院內(nèi)部審計工作也不例外。審計工作利用現(xiàn)代科學技術，不僅可以極大地減輕審計人員的工作量，確保審計數(shù)據(jù)的準確性和完整性，還可以促進審計工作規(guī)范化、流程化，提高審計工作效率，降低審計管理成本，從而提升醫(yī)院內(nèi)部審計工作水平和質(zhì)量。

二、網(wǎng)絡經(jīng)濟對醫(yī)院審計的管理策略

（一）運用計算機輔助審計方法

1.對醫(yī)院日常會計信息的審計。當前的醫(yī)院審計要求審計工作人員應對會計信息給予更多的分析，并利用計算機輔助審計來完成具體工作。首先，應多開發(fā)一些適用于計算機輔助審計的應用軟件，這樣便于審計人員借助這些審計軟件來對會計信息進行相應的檢查、測試、比較分析、統(tǒng)計、匯總等審計工作。如審計人員可以通過借助相應的審計軟件對醫(yī)院財務部門各個時期的指標進行比較，并從中找出異常狀況，以便于進一步加以調(diào)查和分析；其次，也可以借助會計電算化自帶的一些功能來完成審計工作。如審計人員可以利用會計電算化中的查詢過濾功能，將某些明細賬反映的醫(yī)療服務金額在指定數(shù)額以上的全部記錄顯示出來，借此來進行分析性復核；再次，使用辦公自動化軟件來輔助審計工作。如可借助EXCEL表格對材料成本差異核算進行復核。

2.計算機輔助審計信息管理與傳遞。在進行審計時，審計人員需要掌握大量的有關信息，如法律法規(guī)、被審計單位的具體情況、上一年度的審計底稿以及審計報告等等。在以往應用手工方式時，這些信息都是由人工進行整理和提供，既費時又費力，致使審計效率偏低。而利用計算機輔助審計，則可將這些信息全部存儲到計算機中，通過計算機的快速查找功能，便可以迅速、準確地找到所需的信息。因此，為方便審計人員開展工作，應建立審計法律法規(guī)庫、被審單位信息集料庫以及審計檔案庫等，同時還應提供相應的更新、維護以及查詢功能。

3.計算機輔助審計統(tǒng)計抽樣。在網(wǎng)絡經(jīng)濟環(huán)境下，現(xiàn)代審計已經(jīng)建立起了一套較為完善的抽樣技術。而將抽樣技術合理地應用于審計工作當中，是審計理論與實踐的一大重要突破，特別是統(tǒng)計抽樣比非統(tǒng)計抽樣更具科學性，其能夠準確地將抽樣誤差控制在指定的范圍以內(nèi)。正因如此，計算機輔助審計的作用也隨之得以展現(xiàn)，具體體現(xiàn)在以下幾個方面上：其一，審計抽樣隨機數(shù)的選取。利用計算機輔助審計，則可通過程序編碼并借助計算機自身的功能來選取隨機數(shù)，既方便又快捷；其二，樣本選取。使用恰當合理的統(tǒng)計抽樣方法可以有效地避免抽取無代表性樣本的風險，從而達到迅速、公正、客觀的目的；其三，簡化計算。借助計算機輔助審計，能夠利用計算機的語言編輯功能，建立一些應用程序，并以此來計算有關的統(tǒng)計指標，如樣本量、總體估算值等等，只要運行這些程序便能夠快速地獲得結(jié)果。

（二）使用高效的醫(yī)院審計軟件

在信息化的前提條件下，審計人員需要大量的時間和精力去對醫(yī)院信息系統(tǒng)的具體功能進行了解，只有這樣才能夠確保處理的完整性、正確性以及合法性。而當一個醫(yī)院信息系統(tǒng)建設完成并投入使用以后，對其的改進要比設計研發(fā)更加困難，并且費用也會更好。為此，除應對已經(jīng)投入使用的醫(yī)院信息系統(tǒng)進行審計外，還應加強事前和事中審計。這就要求審計人員應參與到醫(yī)院信息系統(tǒng)的設計研發(fā)過程當中，這樣能夠及時發(fā)現(xiàn)問題，并進行相應的改進。此外，專業(yè)的審計軟件也能夠幫助審計人員完成審計工作。但是由于各個醫(yī)院的信息系統(tǒng)都存在一定差別，統(tǒng)一性和標準性較差。針對這一問題，當前急需制定一個統(tǒng)一的數(shù)據(jù)格式標準或轉(zhuǎn)換標準。同時也應對審計軟件進行模塊化和程序化，從而方便審計人員在現(xiàn)場制定審計方案，這樣有利于審計工作的順利開展。

（三）建立醫(yī)院內(nèi)部審計信息系統(tǒng)

醫(yī)院內(nèi)部審計信息系統(tǒng)是以醫(yī)院信息系統(tǒng)和內(nèi)部控制系統(tǒng)為基礎，結(jié)合內(nèi)部審計理論、風險管理理論，通過對醫(yī)院經(jīng)濟活動所產(chǎn)生的財務數(shù)據(jù)進行實時監(jiān)控，從而完成對醫(yī)院整體資源審計管理的綜合信息系統(tǒng)。該系統(tǒng)由以下三個子系統(tǒng)構(gòu)成：其一，審計專家信息系統(tǒng)。其主要技術功能包括審計抽樣和分析、審計取證、審計數(shù)據(jù)采集和轉(zhuǎn)換、審計工作底稿編制、審計信息交互共享、審計報告、審計規(guī)則庫定義和修訂等；其二，審計監(jiān)控系統(tǒng)。該系統(tǒng)直接嵌入到醫(yī)院管理信息系統(tǒng)中，對財務數(shù)據(jù)資源進行實時監(jiān)控；其三，數(shù)據(jù)庫系統(tǒng)。該系統(tǒng)利用數(shù)據(jù)庫技術實現(xiàn)內(nèi)部審計數(shù)據(jù)與醫(yī)院管理信息系統(tǒng)的轉(zhuǎn)換，并將醫(yī)院內(nèi)部審計數(shù)據(jù)與財務醫(yī)務信息進行集中、整合，而后對整個醫(yī)院數(shù)據(jù)實施共享。內(nèi)部審計信息系統(tǒng)可以通過數(shù)據(jù)庫系統(tǒng)獲取所有財務數(shù)據(jù)信息，加強了對醫(yī)院日常經(jīng)濟活動的審計，同時也可以利用審計專家系統(tǒng)對財務數(shù)據(jù)實施回歸分析、線性分析和統(tǒng)計分析，尤其能夠發(fā)現(xiàn)數(shù)據(jù)記錄中存在的疑點事件和違規(guī)行為，從而加強醫(yī)院管理風險的控制。

（四）做好審計風險防范工作

現(xiàn)階段，在網(wǎng)絡經(jīng)濟環(huán)境下，計算機網(wǎng)絡技術的不斷發(fā)展，推動了其在管理領域中的應用，這使得以往傳統(tǒng)的管理、控制、檢查以及審計等技術均面臨著嚴峻挑戰(zhàn)。與此同時，國際會計公司、專業(yè)服務機構(gòu)以及咨詢公司等都將風險防范，尤其是計算機網(wǎng)絡及信息系統(tǒng)的運行風險防范作為日常管理的工作重點。目前，網(wǎng)絡系統(tǒng)在醫(yī)院的應用日益普及，各類重要信息的載體也由傳統(tǒng)的紙張轉(zhuǎn)變?yōu)榇判越橘|(zhì)。雖然這種介質(zhì)在使用上比較方便，但是對其的保存要求卻相對較高，它很容易受到高溫、震動以及磁性物質(zhì)的影響，這在一定程度上增大了保存風險。并且這種存儲媒體的可變性較強，極易被非法訪問和濫用。為了確保重要信息的安全性，必須加強風險防范。一方面可以通過制定相關的風險防范規(guī)章制度，如網(wǎng)絡管理規(guī)定、安全保密規(guī)定以及會計核算軟件安全運行管理細則等等；另一方面，還應不斷強化醫(yī)院內(nèi)部控制，借此來保護自身的安全，進而保障會計信息的真實性、準確性以及可維護性，以此來降低審計風險。

（五）提高審計人員計算機水平

目前，理論基礎知識的缺乏以及計算機審計整體水平偏低等情況，已成為影響醫(yī)院內(nèi)部審計信息化建設的主要因素之一，也在一定程度上阻礙了醫(yī)院的健康發(fā)展。針對這一問題，必須采取積極有效地措施予以解決。首先，應加大對審計人員的培訓力度。作為一名醫(yī)院內(nèi)審人員不僅要熟練掌握先進的審計方法和審計工具，如審計軟件等，并且還要能夠?qū)⑦@些軟件有效地應用到實際審計工作當中，以此來提高計算機審計方面的專業(yè)水平。同時還應了解醫(yī)院財務、會計專業(yè)方面的相關知識，從而成為既懂醫(yī)院業(yè)務又熟悉計算機審計技術的復合型人才；其次，醫(yī)院應通過不斷引進具有較高審計水平及豐富計算機知識的人才，來提高醫(yī)院內(nèi)部審計隊伍的整體水平；再次，在條件允許的前提下，醫(yī)院還可建立審計人員與計算機網(wǎng)絡及電子商務等方面專家全面聯(lián)合的機制，這種機制的建立也是當前解決醫(yī)院審計人員計算機水平偏低的有效途徑之一。

參考文獻

第3篇：神經(jīng)網(wǎng)絡原理范文

[關鍵詞] BP網(wǎng)絡； 旅行社； 人力資源危機； 預警模型； 危機識別

doi ： 10 . 3969 / j . issn . 1673 - 0194 . 2014 . 03. 034

[中圖分類號] F272.92 [文獻標識碼] A [文章編號] 1673 - 0194（2014）03- 0074- 05

人力資源危機在旅行社行業(yè)吸引人才、培養(yǎng)人才、留住人才的各個環(huán)節(jié)都有體現(xiàn)，影響旅行社行業(yè)人力資源管理的效果，影響旅行社行業(yè)的穩(wěn)定與發(fā)展。因此，如何對旅行社行業(yè)人力資源危機狀況進行評判，進而采取應對措施，是當前旅行社行業(yè)人力資源管理的一個迫切任務。本文引入人工神經(jīng)網(wǎng)絡中的BP網(wǎng)絡，構(gòu)建河南省旅行社人力資源危機預警模型，以期提早應對危機。

1 BP網(wǎng)絡簡介

BP網(wǎng)絡由一個輸入層、若干隱含層和一個輸出層構(gòu)成，是一種具有3層或者3層以上結(jié)構(gòu)的多層神經(jīng)元網(wǎng)絡，網(wǎng)絡中的神經(jīng)元分層排列，它的左、右各層之間各個神經(jīng)元實現(xiàn)全連接，即左層的每一個神經(jīng)元與右層的每個神經(jīng)元都有連接，而上下層各神經(jīng)元之間無連接。每一層內(nèi)神經(jīng)元的輸出均傳送到下一層，這種傳送由連接權(quán)來達到增強、減弱或抑制的作用，除了輸入層的神經(jīng)元以外，隱含層和輸出層神經(jīng)元的凈輸入是前一層神經(jīng)元輸出的加權(quán)和。每個神經(jīng)元均由它的輸入、活化函數(shù)和閾值來決定它的活化程度。在人工神經(jīng)網(wǎng)絡的實際應用中，80%～90%的模型是采用BP網(wǎng)絡或它的變化形式。BP網(wǎng)絡可以有多層，但前向三層BP網(wǎng)絡最具代表性，應用也最為廣泛。

2 基于BP網(wǎng)絡的河南省旅行社人力資源危機預警模型的構(gòu)建

2.1 構(gòu)建旅行社人力資源危機預警指標體系

人力資源危機預警指標體系由一系列能敏感反映人力資源管理活動狀態(tài)和結(jié)果表現(xiàn)的指標構(gòu)成。筆者通過分析河南省旅行社人力資源危機現(xiàn)狀，遵循靈敏性、科學性、可測度性、相對獨立性、預見性和可比性等原則，篩選出獨立性較強、代表性較強和貢獻性高的最小評價指標體系，本文借助了專家打分的方法，各指標的具體值域范圍見表1。

2.2 建立基于BP網(wǎng)絡的旅行社人力資源危機預警模型

2.2.1 用主成分分析法對模擬數(shù)據(jù)進行預處理

根據(jù)表1，本文共模擬了8組數(shù)據(jù)（見表2），以建立基于BP網(wǎng)絡的河南省旅行社人力資源危機預警模型。

對表2中的極小值指標（如員工隱性流失率等）先取倒數(shù)，再利用SPSS統(tǒng)計分析軟件進行主成分分析，所得結(jié)果見表3。

本文共提取出6個公共因子，其特征值的方差貢獻率累積達到了96.044%（通常情況下，累積貢獻率達到85%即可）。本文選擇參數(shù)0.65作為劃分主要、次要指標的載荷系數(shù)臨界值，以滿足下一步研究的要求。最后得到由10項指標構(gòu)成的新的人力資源投資風險預警評價指標體系，如表4所示。

2.2.2 BP網(wǎng)絡模型輸入節(jié)點的選擇

根據(jù) Kolmogorov定理（即映射網(wǎng)絡存在定理），一個三層BP網(wǎng)絡即可在任意希望的精度上實現(xiàn)任意的連續(xù)函數(shù) 。因此，本研究中采用三層BP網(wǎng)絡模型。影響旅行社人力資源危機度的評價因子主要有人才引進率、招聘引進員工勝任度等10個，因此，可確定BP網(wǎng)絡的輸入層節(jié)點數(shù)為10。

本文選擇上述簡化后的10項指標作為BP模型的輸入節(jié)點。由于BP神經(jīng)網(wǎng)絡的隱層一般采用Sigmoid轉(zhuǎn)換函數(shù)，為提高訓練速度和靈敏性以及有效避開Sigmoid函數(shù)的飽和區(qū)，一般要求輸入數(shù)據(jù)的值在0～1之間。因此，需要對輸入數(shù)據(jù)進行預處理。

進行輸入節(jié)點的輸入時，需要先對原始的模擬數(shù)據(jù)進行歸一化處理，將它們轉(zhuǎn)化為閉區(qū)間[0，1]上的無量綱性指標值。本著盡可能體現(xiàn)被評價對象之間的差異化原則，即使其離差平方和最大的原則，本文采用了極值處理法進行歸一運算：

若Mj = max{xij}，mj = min{xij} 則x′ij = ■

式中，xij為原始數(shù)據(jù)，x′ij∈[0，1]為歸一化后的無量綱性指標，其歸一化結(jié)果見表5。

2.2.3 BP網(wǎng)絡模型隱層節(jié)點的選擇

對于隱層節(jié)點的選擇是一個非常復雜的問題，因為神經(jīng)網(wǎng)絡巨量并行分布的結(jié)構(gòu)和非線性的動態(tài)特性決定了從理論上得到一個簡單通用的簡潔解析表達式或隱層單元確定公式是十分困難的，甚至是不可能的。隱層節(jié)點數(shù)的選擇與問題的要求和輸入輸出單元的多少都有直接關系：如果隱節(jié)點數(shù)過少，網(wǎng)絡不強壯，就不能識別以前沒有看到的樣本，容錯性就差，或由于網(wǎng)絡太小可能訓練不出來；但隱節(jié)點太多又會使學習時間過長，誤差也不一定最佳。因此，必定存在一個最佳的隱節(jié)點數(shù)，可用公式q = ■ + a作為參考。其中，q為隱含節(jié)點數(shù)，m為輸入神經(jīng)元數(shù)，n為輸出神經(jīng)元數(shù)，a為1 ～ 10之間的常數(shù)。

為使隱節(jié)點數(shù)更合適，本文將根據(jù)網(wǎng)絡的實際輸出與期望輸出矢量的均方誤差大小及訓練步數(shù)的多少來綜合確定，最終隱含節(jié)點選為9，其模型訓練精度最佳，訓練步數(shù)也最少。

2.2.4 BP網(wǎng)絡模型輸出節(jié)點的選擇

從表5中選出對應于新預警評價指標體系的數(shù)據(jù)再次進行主成分分析，步驟同前，所得結(jié)果如表6所示。

本文共提取出4個公共因子，其特征值的方差貢獻率累積達到92.232%。它們共同決定旅行社人力資源危機的狀況。

公因子1上載荷值大于0.65的指標有：招聘引進員工勝任度、培訓與員工需求吻合度、員工對評價制度和使用制度的滿意度，涉及旅行社人力資源危機的多個部分，可稱之為“綜合因子”；公因子2上的載荷值大于0.65的指標有：人力資本投資收益率、病假發(fā)生率，可稱之為“員工發(fā)展與保健因子”；公因子3上的載荷值大于0.65的指標有：員工對激勵機制的滿意度、缺勤率，可稱之為員工“價值取向因子”；公因子4上的載荷值大于0.65的指標主要有：員工離職增長率，主要是對員工流失指標的反映，可稱之為“員工流失因子”。

第一，計算各公因子的得分。由于在查找旅行社人力資源危機風險因素提出對策時，通常只研究各公共因子上的主要載荷指標，而不考慮其他冗余指標。因此，為使警情分析輸出更精確，從而能更準確地分析旅行社人力資源危機風險的內(nèi)容，更有針對性地提出人力資源危機預警對策，本文忽略各公因子內(nèi)部的冗余指標（載荷系數(shù)小于0.65的指標），只根據(jù)主要指標（載荷系數(shù)大于等于0.65的指標）的載荷系數(shù)，通過下列算式來計算各公共因子得分：

FP1 = ■

FP2 = ■

FP3 = ■

FP4 = ■ = t34

式中，tij是表中指標Xij均值為0、標準差為1的標準化變量；p為數(shù)組序號，p = 1，2，…，8。？搖

第二，以各公共因子的方差貢獻率占4個因子總方差貢獻率的比重作為權(quán)重進行加權(quán)匯總，得出各數(shù)組的最終因子綜合得分Fp：

Fp = ■

通過綜合因子Fp（見表7）來反映旅行社人力資源危機程度，據(jù)此制定相應的防范策略。BP網(wǎng)絡最后一層的傳輸函數(shù)Purelin使得網(wǎng)絡輸出可以是任意值，因此，本文將旅行社人力資源危機預警層次設置為4個級別，如表8所示，BP網(wǎng)絡的輸出層節(jié)點數(shù)為4，代表不同的旅行社人力資源危機等級，即安全、基本安全、風險和較大風險，4個等級對應的標準輸出分別為[1000]、[0100]、[0010]、[0001]。

依前分析輸出節(jié)點選擇4個，10組輸出的4個端子的數(shù)值就對應于10組人力資源危機預警指標數(shù)據(jù)所反映的旅行社人力資源危機狀況。

結(jié)合旅行社人力資源危機的表現(xiàn)形式，本文提出了以下人力資源危機等級所對應的標準（見表8）。

Ⅰ級狀態(tài)：旅行社人力資源各方面管理良好，沒有明顯危機跡象，處于安全狀態(tài)，但仍需注意各方面的情況，防止突發(fā)性危機的出現(xiàn)。

Ⅱ級狀態(tài)：旅行社人力資源各方面正常，基本看不出什么問題，不過需要提前采取相應措施以提防潛在危機和突發(fā)性危機的發(fā)生。

Ⅲ級狀態(tài)：旅行社人力資源出現(xiàn)危機，會帶來一定的損失，但不明顯，會對旅行社人力資源各方面造成一定負面影響。

Ⅳ級狀態(tài)：旅行社人力資源出現(xiàn)嚴重危機，對人力資源各方面造成非常明顯和嚴重的影響，甚至導致旅行社倒閉。

綜上所述，本文建立的BP網(wǎng)絡人力資源危機預警模型的構(gòu)造為：10 × 9 × 4（即10個輸入神經(jīng)元，9個隱層神經(jīng)元，4個輸出神經(jīng)元）。

3 基于BP網(wǎng)絡的旅行社人力資源危機預警模型的訓練和檢測

本文采用MATLAB工程計算軟件的神經(jīng)網(wǎng)絡工具箱設計、訓練并檢測已建立的BP神經(jīng)網(wǎng)絡預警模型。

3.1 基于BP網(wǎng)絡的旅行社人力資源危機預警模型的訓練

本文將表6歸一化后的前6組指標值作為BP網(wǎng)絡的輸入，由表7確定的風險程度矩陣作為與之相對應的期望輸出，導入MATLAB的圖形用戶界面――GUI（Graphical User Interfaces），即可創(chuàng)建網(wǎng)絡進行訓練。主要訓練參數(shù)設置如下（未提及的參數(shù)均采用默認值）。

（1） 訓練函數(shù)：TRAINLM函數(shù)，它適用于中、小規(guī)模網(wǎng)絡的函數(shù)擬合問題，收斂快，收斂誤差小。

（2） 權(quán)值調(diào)節(jié)規(guī)則：LEARNGDM函數(shù)，采用動量梯度下降方法對權(quán)值和閾值進行調(diào)整。

（3） 網(wǎng)絡層數(shù)：3層。

（4） 性能函數(shù)：MSE函數(shù)，表示輸出矢量與目標矢量之間的均方誤差。

（5） 期望誤差：ε = 0.001。

由圖1可知，當網(wǎng)絡訓練至第三步時，網(wǎng)絡性能達標。BP網(wǎng)絡模型的訓練輸出見表9，至此，BP網(wǎng)絡模型訓練完畢。

3.2 基于BP網(wǎng)絡的旅行社人力資源危機預警模型的檢測

同理，用第7、第8組歸一化后的指標數(shù)據(jù)及對應的風險程度矩陣作為模型檢測的輸入和期望輸出，檢測結(jié)果見表10。檢測結(jié)果表明，實際輸出與期望輸出十分接近，誤差滿足要求。

由此可以得出結(jié)論，基于BP網(wǎng)絡建立的旅行社人力資源危機預警模型是有效的，可以用這個經(jīng)過訓練、檢測完畢的BP網(wǎng)絡危機預警模型對旅行社人力資源危機進行預警實證研究，以防范人力資源風險，保證旅行社企業(yè)良性運行，同時對整頓治理旅游市場秩序起到監(jiān)督和促進作用。

主要參考文獻

[1] 許謹良. 風險管理[M]. 第2版. 北京：中國金融出版社，2003：53-55.

第4篇：神經(jīng)網(wǎng)絡原理范文

【關鍵詞】BP神經(jīng)網(wǎng)絡；計算原理；煤礦生產(chǎn)；安全性；評價系統(tǒng)；應用；分析

在煤礦開采生產(chǎn)中，對于煤礦安全的評價主要是結(jié)合煤礦安全生產(chǎn)的相關控制原理以及要求標準，在煤礦開采生產(chǎn)中存在的風險和不穩(wěn)定因素進行分析判斷，以對于煤礦開采生產(chǎn)中不安全情況以及事故發(fā)生的可能性以及影響程度，同時進行相應的安全控制與解決措施的提供，以保證煤礦開采生產(chǎn)的安全與順利實施。結(jié)合當前國內(nèi)對于煤礦安全評價的研究狀況，由于研究起步相對比較晚，因此還停留在理論研究上，對于實踐研究的內(nèi)容相對較少。此外，在進行煤礦開采生產(chǎn)的安全評價中，隨著煤礦開采生產(chǎn)環(huán)境的變化，進行其安全評價應用的理論方法之間也會存在有一定的區(qū)別，其相關評價標準之間也有一定的不同，但是，結(jié)合煤礦安全評價的實際，其安全評價應用標準主要可以分為四種類型，即相關性安全評價標準以及類推評價標準、慣性評價標準、量變到質(zhì)變的安全評價標準等。下文將在對于BP神經(jīng)網(wǎng)絡計算方法的原理分析基礎上，結(jié)合煤礦安全評價的相關指標體系，對于基于BP神經(jīng)網(wǎng)絡的煤礦安全評價體系的設計實現(xiàn)進行分析研究。

一、BP神經(jīng)網(wǎng)絡法的計算原理分析

在實際計算應用中，BP神經(jīng)網(wǎng)絡屬于一種前饋式的神經(jīng)網(wǎng)絡結(jié)構(gòu)，在各種計算評價中應用相對比較廣泛。通常情況下，比較典型的BP神經(jīng)網(wǎng)絡架構(gòu)主要包括輸入層以及隱含層、輸出層三個結(jié)構(gòu)層次，如下圖1所示，為BP神經(jīng)網(wǎng)絡的結(jié)構(gòu)示意圖。

BP神經(jīng)網(wǎng)絡算法在實際計算應用中是一種自主學習與反饋的計算形式，它主要是借助梯度搜索技術對于輸入層輸入的樣本進行搜索后，通過自主學習，以迭代計算方式對于輸出值進行計算，同時通過與估計值方差之間的對比，以實現(xiàn)輸出調(diào)整，滿足實際的計算評價需求。值得注意的是，BP神經(jīng)網(wǎng)絡計算方法在自主學習的計算過程中，輸入信號的傳遞是自上向下傳遞實現(xiàn)的，在計算過程中，如果計算得到的輸出值和期望值之間的誤差比較大時，就會以反向傳播的方式，沿計算傳遞路線進行返回調(diào)整，以對于計算誤差進行控制和減小。

二、基于BP神經(jīng)網(wǎng)絡法的煤礦安全評價系統(tǒng)分析

應用BP神經(jīng)網(wǎng)絡計算方法進行煤礦安全評價系統(tǒng)設計構(gòu)建中，首先要結(jié)合煤礦開采生產(chǎn)中，對于煤礦安全產(chǎn)生影響的指標因素，在進行煤礦安全評價指標體系構(gòu)建基礎上，實現(xiàn)基于BP神經(jīng)網(wǎng)絡的煤礦安全評價系統(tǒng)設計。

1、煤礦安全評價指標體系的構(gòu)建

以煤礦開采生產(chǎn)中的礦井通風安全評價為例，在進行該項安全評價指標體系的構(gòu)建中，首先需要明白礦井通風系統(tǒng)安全評價指標體系反映煤礦通風系統(tǒng)的基本情況、主要特征和系統(tǒng)潛在危險狀態(tài)。因此，根據(jù)礦井通風系統(tǒng)的安全性和經(jīng)濟性要求，煤礦安全評價指標體系被劃分為4個一級指標和19個二級指標，如下圖1所示。在根據(jù)上述指標因素對于煤礦的礦井通風安全進行評價中，需要用分級量化法把定性指標轉(zhuǎn)換為定量指標，同時將每個指標劃分為5級，分別表示安全、比較安全、一般安全、不安全和非常不安全，每一級都有一個數(shù)值和取值標準與之對應，安全評價過程中可以根據(jù)對象的具體情況確定相應的評價值。

2、基于BP神經(jīng)網(wǎng)絡法的煤礦安全評價系統(tǒng)

根據(jù)上述BP神經(jīng)網(wǎng)絡的結(jié)構(gòu)與計算原理，應用BP神經(jīng)網(wǎng)絡法進行計算評價時，其具體計算步驟如下。

首先，設置初始權(quán)系W（0）為較小的隨機非零值；其次給定輸入輸出樣本對，計算網(wǎng)絡的輸出，其具體計算過程如下，設P組輸入、輸出樣本為（1），則在第P組樣本輸入輸出為（2），

在上示輸出計算中，Iip表示的是第P組樣本輸入節(jié)點i的第j個輸入；然后再進行BP神經(jīng)網(wǎng)絡目標函數(shù)的計算，假設Ep為第P組樣本輸入時的網(wǎng)絡目標函數(shù)，則其計算公式如下（3）所示，

（3）

根據(jù)計算結(jié)果進行安全評價判斷，如果，其中，ε表示預先指定的誤差，并且ε>0，則算法結(jié)束。否則需要繼續(xù)進行反向傳播計算，也就是從BP神經(jīng)網(wǎng)絡的輸出層按照梯度下降計算方式進行反向計算，并對于每層的權(quán)值進行調(diào)整。如下式（4）所示，為神經(jīng)元j到神經(jīng)元 i的聯(lián)接權(quán)調(diào)整計算公式。 （4）

在上式中，η表示的是學習算子，為常值。

根據(jù)上述BP神經(jīng)網(wǎng)絡計算方法的安全評價計算步驟，結(jié)合上述建立的煤礦開采生產(chǎn)中礦井通風安全評價指標體系，就可以采用Matlab7.6.0編制BP人工神經(jīng)網(wǎng)絡程序，同時使用BP算法對BP神經(jīng)網(wǎng)絡進行訓練和結(jié)果分析，然后用待預測樣本對預測結(jié)果進行校驗，以實現(xiàn)對于煤礦礦井通風的安全評價。在應用BP神經(jīng)網(wǎng)絡算法進行煤礦通風安全評價系統(tǒng)構(gòu)建中，整理和分析煤礦通風系統(tǒng)原始數(shù)據(jù)，獲得80個輸入輸出樣本進行訓練和預測，并用兩個樣本校驗預測結(jié)果。進行樣本校驗中，通過調(diào)用BP神經(jīng)網(wǎng)絡算法的訓練網(wǎng)絡，進行訓練參數(shù)設置情況下，對于訓練步數(shù)以及訓練時間進行設定，以進行計算訓練。根據(jù)最終計算訓練結(jié)果可以實現(xiàn)對于煤礦礦井通風的安全評價。

第5篇：神經(jīng)網(wǎng)絡原理范文

只有清楚地了解電梯控制系統(tǒng)的運行原理才能夠及時準確的診斷出電梯故障原因，因此清楚的了解電梯運行原理,每一個電梯維修人員必須要做到。電梯運行過程總體上可分為以下幾個階段：第一、登記層外召喚信號和登記內(nèi)選指令階段；第二、電梯門關閉或者電梯按照系統(tǒng)指令停運階段；第三、啟動階段；第四、在到達信號記錄的樓層前進行減速制動；第五、平層開門階段。在整個過程中電梯需要從外界接收信號并處理，然后完成相應的指令或者輸出信號，由此可以將電梯看作是一個完整的獨立的系統(tǒng)，只需要外界給予相應的信號就可以自動的做出動作。電梯系統(tǒng)內(nèi)部復雜的構(gòu)件緊密的結(jié)合在一起，正是如此才使得電梯系統(tǒng)故障具有了復雜性、層次性、相關性以及不確定性的特點。

二、神經(jīng)網(wǎng)絡技術基本原理

生物學上的神經(jīng)是由一個個簡單的神經(jīng)元相互連接進而形成了復雜的龐大的神經(jīng)系統(tǒng)，同理，神經(jīng)網(wǎng)絡就是由大量簡單的處理單元相互連接形成的復雜的智能系統(tǒng)。單獨的處理單元類似于一個神經(jīng)元，是一個可以接受不同信息但是只輸出一種信息的結(jié)構(gòu)單位。神經(jīng)網(wǎng)絡系統(tǒng)與生物學神經(jīng)系統(tǒng)相似的是具有自我修改能力，它可以同時接收大量的數(shù)據(jù)并進行統(tǒng)一的分析處理，進而輸出相應的處理結(jié)果。這就使得神經(jīng)網(wǎng)絡系統(tǒng)具有了高度容錯性、高度并行性、自我修改性、學習性以及高度復雜性，也正是由于這些特性才使的利用神經(jīng)網(wǎng)絡技術能夠及時準確的查明電梯故障原因并得出故障解決方案。電梯故障診斷中應用的神經(jīng)網(wǎng)絡模型分為三個層次：輸入層、接收外部信號或者是電梯自我檢測信息（如載重信息）；隱含層、對接收到了大量數(shù)據(jù)進行相應的分析處理；輸出層、將記錄著動作命令的數(shù)據(jù)傳送出來。在電梯出現(xiàn)故障時，首先可以通過神經(jīng)網(wǎng)絡模型快速確定故障發(fā)生在哪一層達到節(jié)約時間的目的。但是神經(jīng)網(wǎng)絡也會因為收斂速度過于慢、訓練強度太大或者是選擇的網(wǎng)絡模型不好等問題導致診斷結(jié)果受到影響。

三、神經(jīng)網(wǎng)絡模型在電梯故障診斷中的應用分類

神經(jīng)網(wǎng)絡模型已經(jīng)成為了如今電梯故障診斷中應用最廣泛的技術模型，相比于傳統(tǒng)方式它具有診斷速度快、故障原因命中率高的優(yōu)點，因此引起了各方面專業(yè)人士的強烈關注，并在他們的不懈努力下得到了發(fā)展與創(chuàng)新。它跨越多個專業(yè)領域、通過對各種復雜的高難度工作的不斷的發(fā)展與改進出現(xiàn)了越來越多的應用模型，下面主要介紹了當前應用最普遍的BP網(wǎng)絡模型，并且簡單的引入并介紹了近年來新興的模糊神經(jīng)網(wǎng)絡模型和遺傳小波神經(jīng)網(wǎng)絡模型。

（一）BP網(wǎng)絡模型

BP神經(jīng)網(wǎng)絡作為神經(jīng)網(wǎng)絡應用最廣泛的一種，它多應用的誤差反向傳播算法使其在模式識別、診斷故障、圖像識別以及管理系統(tǒng)方面具有相對先進性?；贐P網(wǎng)絡的電梯故障診斷技術就是通過學習故障信息、診斷經(jīng)驗并不斷訓練，并將所學到的知識利用各層次之間節(jié)點上的權(quán)值從而表達出來。BP網(wǎng)絡系統(tǒng)的主要診斷步驟主要可以分為三步。第一步：對輸入輸出的數(shù)據(jù)進行歸一化處理，將數(shù)據(jù)映射到特定的區(qū)間。第二步：建立BP網(wǎng)絡模型，訓練BP網(wǎng)絡模型。第三：通過已經(jīng)訓練好的網(wǎng)絡模型對原來的樣本進行全面的檢測。算法步驟：a、在一定的取值范圍內(nèi)對數(shù)據(jù)進行初始化；b、確定輸入值數(shù)值大小，計算出預期輸出量；c、用實際輸出的值減去上一步得到的數(shù)值；d、將上一步得到的誤差分配到隱含層，從而計算出隱含層的誤差；e、修正輸出層的權(quán)值和閾值，修正隱含層的權(quán)值；f、修正隱含層的閾值，修正隱含層和輸入層的權(quán)值。

（二）遺傳小波神經(jīng)網(wǎng)絡模型

遺傳算法運用了生物界的優(yōu)勝劣汰、適者生存的思想對復雜問題進行優(yōu)化，適用于復雜的故障，起到了優(yōu)化簡化問題的作用。對局部數(shù)據(jù)進行詳細的分析是小波法最大的特點，所以它被譽為“數(shù)字顯微鏡”。遺傳算法小波神經(jīng)網(wǎng)絡就是運用小波進行分解的方法分解模擬故障信號，將得到的數(shù)據(jù)進行歸一化，將歸一化后的數(shù)值輸入到神經(jīng)網(wǎng)絡模型中。它融合了神經(jīng)網(wǎng)絡、小波分析和遺傳算法三者所有的優(yōu)點?；谶z傳小波神經(jīng)網(wǎng)絡的電梯故障診斷的一般步驟為：測試節(jié)點信號采樣、小波分解、故障特征量提取、歸一化得到訓練樣本集、遺傳算法優(yōu)化、得到故障類型。遺傳小波神經(jīng)網(wǎng)絡模型在故障原因復雜、數(shù)據(jù)信息量巨大的電梯系統(tǒng)的應用中能夠發(fā)揮更大的作用。

（三）模糊神經(jīng)網(wǎng)絡模型

模糊神經(jīng)網(wǎng)絡模型就是創(chuàng)新性的將神經(jīng)網(wǎng)絡與模糊理論結(jié)合到一起。它采用了廣義的方向推理和廣義的前向推理兩種推理方式。與其它兩種模型不同的是，它的語言邏輯、判斷依據(jù)和結(jié)論都是模糊的。但是它的數(shù)據(jù)處理能力還有自我學習能力并沒有因此而變差，反而更加豐富了它的定性知識的內(nèi)容。在處理實際問題的過程中，首先要建立所有可能發(fā)生的故障的完整集合，其次將所有的故障發(fā)生原因歸入到同一個集合中去，最后就是建立故障和原因的關系矩陣。分別叫做模糊故障集、模糊原因集、模糊關系矩陣。相較于BP網(wǎng)絡模型，這種模型更加的簡單易行，充分發(fā)揮了神經(jīng)網(wǎng)絡和模糊邏輯的優(yōu)點，不會因為故障原因過于復雜而失去診斷的準確性，在原本豐富定性知識和強大數(shù)據(jù)處理能力的基礎上具有了很大的自我訓練能力。

四、結(jié)語

第6篇：神經(jīng)網(wǎng)絡原理范文

黑科技？神經(jīng)網(wǎng)絡是個什么鬼

說到神經(jīng)網(wǎng)絡，很多朋友都會認為這是一個高大上的概念。從生物學角度來說，人類復雜的神經(jīng)系統(tǒng)是由數(shù)目繁多的神經(jīng)元組合而成，它們互相聯(lián)結(jié)形成神經(jīng)網(wǎng)絡，經(jīng)過對信息的分析和綜合，再通過運動神經(jīng)發(fā)出控制信息，從而實現(xiàn)各種精密活動，如識別各種物體、學習各種知識、完成各種邏輯判斷等。

隨著人工智能技術的發(fā)展，科學家開發(fā)出人工神經(jīng)網(wǎng)絡，它的構(gòu)成原理和功能特點等方面更加接近人腦。它不是按給定的程序一步一步地執(zhí)行運算，而是能夠自身適應環(huán)境、總結(jié)規(guī)律、完成某種運算、識別或過程控制。比如多倫多大學的Krizhevsky等人構(gòu)造了一個超大型卷積神經(jīng)網(wǎng)絡，有9層，共65萬個神經(jīng)。第一層神經(jīng)元只能識別顏色和簡單紋理，但是第五層的一些神經(jīng)元可以識別出花、圓形屋頂、鍵盤、烏、黑眼圈等更為抽象豐富的物體（圖1）。因此神經(jīng)網(wǎng)絡實際上是基于人工智能技術而形成的一種和人類神經(jīng)網(wǎng)絡相似的網(wǎng)絡系統(tǒng)。

媲美Photoshop 神經(jīng)網(wǎng)絡磨皮技術背后

如上所述，現(xiàn)在神經(jīng)網(wǎng)絡技術發(fā)展已經(jīng)非常迅猛，而且運用在各個領域。神經(jīng)網(wǎng)絡磨皮則是指該技術在照片識別和美化方面的運用。那么它是怎樣實現(xiàn)對照片的美化？在Photoshop中磨皮操作是用戶先選中人臉區(qū)域，然后再使用Photoshop內(nèi)置的方法實現(xiàn)磨皮。神經(jīng)網(wǎng)絡磨皮原理類似，只不過這些操作是自動完成的。

首先是對照片人臉識別。要實現(xiàn)對照片的美容就必須先精確識別人臉，由于人臉有五官這個顯著特征，因此神經(jīng)網(wǎng)絡磨皮技術只要通過機器對一定數(shù)量的人臉照片進行識別、讀取，然后就可以精確識別人臉。它的原理和常見的人臉識別技術類似（圖2）。

其次則是美化。在完成人臉識別后就需要對美化操作進行機器學習，以磨皮為例。因為人臉的每個年齡階段皮膚性質(zhì)是不同的，為了達到更真實的磨皮效果，神經(jīng)網(wǎng)絡磨皮是實現(xiàn)用戶“回到”幼年或者“穿越”到老年臉部皮膚的效果。研究人員將年齡段分類為0～18歲、19～29歲、30～39歲、40～49歲、50～59歲和60歲以上這幾個階段（圖3）。

然后準備兩個深度學習機器同時工作。兩個機器一個用來生成人臉，一個用來鑒別人臉。而且兩個機器會通過分析人臉圖像，提前學習到各年齡段人臉大概是什么樣子的。在每個年齡分組里，研究人員讓機器學習超過5000張標記過年齡的人臉圖像。通過大量的照片學習后，機器就可以學會每個年齡分組內(nèi)的標簽，它可以準確知道每個人不同年齡階段的臉部特征。這樣無論你是要磨皮為年輕時的皮膚光滑、圓潤狀態(tài)，還是要變?yōu)?0歲以后皺褶、粗糙的皮膚，神經(jīng)磨皮都可以輕松幫助你實現(xiàn)。

當然學習有個通病，就是在合成過程中，機器可能會喪失掉圖片原有的識別資料（1D）。為了解決這個問題，上述介紹中的人臉鑒別機器就發(fā)揮功效了。它通過查看這個照片的識別資料是不是唯一的，如果不是的話照片則會被拒絕輸出。研究人員讓機器合成10000張從數(shù)據(jù)庫中抽取出來的人像，這些照片之前從未用來訓練機器。然后他們用開發(fā)的軟件程序來檢測訓練前后的兩張照片是否為同一個人，測試結(jié)果顯示有80%經(jīng)訓練的照片都被認為和原照片是同一個人（而作為對比，用其他方法加工照片，平均測試結(jié)果只有50%）。舉個簡單例子，如果40歲的用戶將自己磨皮為20歲的樣子，如果軟件程序來檢測訓練前后的兩張照片為同一個人，那么就輸出磨皮效果，從而讓用戶可以輕松磨皮到20歲的狀態(tài)。這樣經(jīng)過訓練的神經(jīng)磨皮算法可以很真實地實現(xiàn)人臉的磨皮。

神經(jīng)網(wǎng)絡 不H僅是磨皮

第7篇：神經(jīng)網(wǎng)絡原理范文

【關鍵詞】PID控制;BP神經(jīng)網(wǎng)絡;模糊PID控制

Abstruct：PID control are widely used in industrial process control，but the traditional PID control because of its control parameters are fixed，and it is difficult to adjust its parameters online.So this paper studies a new adaptive fuzzy PID control method，to solve problem without the ability to learn，and put forward a kind of adaptive fuzzy control method based on BP neural network in this paper.It is the effective combination of fuzzy control，neural network and PID control.Simulation results show that this fuzzy PID control method based on BP neural network has good control effect.

Keywords：PID control;BP neural network;Fuzzy PID control

1.引言

常規(guī)PID在控制領域被廣泛應用，利用數(shù)學算法來整定參數(shù)。而且隨著控制系統(tǒng)的復雜，被控對象很難建立數(shù)學模型，人們開始探索新的控制方式。模糊控制不要求掌握被控對象的精確的數(shù)學模型，根據(jù)人工控制規(guī)則組織控制決策表，然后由該表決定控制量的大小。在一般的模糊系統(tǒng)設計中，規(guī)則是由經(jīng)驗豐富的專業(yè)人員以語言的方式表達出來的。但對于某些問題即使是很有經(jīng)驗的專業(yè)人員也很難將他們的經(jīng)驗總結(jié)、歸納為一些比較明確而簡化的規(guī)則。在這種情況下，就可以應用神經(jīng)網(wǎng)絡的方法，依靠BP神經(jīng)網(wǎng)絡的自學習功能，實現(xiàn)模糊控制的神經(jīng)、模糊融合技術，并借助其并行分布的結(jié)構(gòu)來估計輸入到輸出的映射關系，直接從原始的工作數(shù)據(jù)中歸納出若干控制規(guī)則。從而為模糊系統(tǒng)建立起行之有效的決策規(guī)則。

2.PID控制器原理

2.1 PID控制的微分方程

PID控制器是一種線性控制器，它將給定值r（t）與實際輸出值c（t）的偏差的比例（p）、積分（I）、微分（D）通過線性組合構(gòu)成控制量，對控制對象進行控制。

式中：

2.2 PID控制器各環(huán)節(jié)的作用

（1）比例環(huán)節(jié)：及時成比例地反應控制系統(tǒng)的偏差信號e（t），偏差一旦產(chǎn)生，控制器立即產(chǎn)生控制作用以減小偏差。

（2）積分環(huán)節(jié)：積分作用會使系統(tǒng)穩(wěn)定性下降，Kd大會使系統(tǒng)不穩(wěn)定，但能消除靜態(tài)誤差。

（3）微分環(huán)節(jié)：能反應偏差信號的變化趨勢，并能在偏差信號值變得太大之前，在系統(tǒng)中引入一個早期修正信號，從而加快系統(tǒng)的動作速度，減小調(diào)節(jié)時間。Kd偏大時，超調(diào)較大，調(diào)節(jié)時間短;Kd偏小時，超調(diào)量也較大，調(diào)節(jié)時間長;只有Kd合適時才能超調(diào)小，時間短。

3.BP神經(jīng)網(wǎng)絡與模糊控制

模糊控制是運用語言歸納操作人員的控制策略，運用變量和模糊集合理論形成控制算法的一種控制。如何讓機器像人一樣識別、理解模糊規(guī)則并進行模糊邏輯推理，最終得出新的結(jié)論并實現(xiàn)自動控制是模糊控制研究的主要內(nèi)容。模糊控制器的基本結(jié)構(gòu)如圖1所示。

圖1 模糊控制結(jié)構(gòu)

人工神經(jīng)網(wǎng)絡是由大量人工神經(jīng)元經(jīng)廣泛互連二組成的，它可用來模擬腦神經(jīng)系統(tǒng)的結(jié)構(gòu)和功能。人工神經(jīng)網(wǎng)絡可以看成是以人工神經(jīng)元為節(jié)點，用有向加權(quán)弧連接起來的有向圖。BP網(wǎng)絡是一種利用誤差反向傳播訓練算法的神經(jīng)網(wǎng)絡，是一種有隱含層的多層前饋網(wǎng)絡，系統(tǒng)地解決了多層網(wǎng)絡中隱含單元連接權(quán)的學習問題。BP學習算法的基本原理是梯度最速下降法，它的中心思想是調(diào)整權(quán)值使網(wǎng)絡總誤差最小。也就是采用梯度搜索技術，以期使網(wǎng)絡的實際輸出值與期望輸出值的誤差均方值為最小。網(wǎng)絡學習過程是一種誤差邊向后傳播邊修正權(quán)系數(shù)的過程。其結(jié)構(gòu)如圖2所示。

圖2中隱含層第一層神經(jīng)元為7個，分別對應7個模糊子集：NB、NM、NS、ZO、PS、PM、PB。第二層49個神經(jīng)元代表49條規(guī)則。第三層7個神經(jīng)元代表輸出的7個模糊子集。模糊控制不依靠對象的數(shù)學模型，但模糊規(guī)則的建立需要人工經(jīng)驗。采用BP算法對工程經(jīng)驗和專家經(jīng)驗的模糊規(guī)則進行訓練，其實就是把模糊規(guī)則用神經(jīng)網(wǎng)絡來表示，即經(jīng)過神經(jīng)網(wǎng)絡的學習，將模糊規(guī)則以加權(quán)系數(shù)的形式表現(xiàn)出來，規(guī)則的生成就轉(zhuǎn)化為加權(quán)系數(shù)的確定和修改。

神經(jīng)網(wǎng)絡是大規(guī)模并行運算，但由于網(wǎng)絡結(jié)構(gòu)復雜，訓練和學習需要大量的時間，所以目前還無法實現(xiàn)實時控制。在具體應用中，我們是先離線將神經(jīng)網(wǎng)絡的各層權(quán)值和閾值訓練出來，將其參數(shù)固定下來，然后將有系統(tǒng)檢測、計算得到的誤差變化直接代入非線性映射關系中，由計算機算出控制量，再用作被控對象。在matlab下以、、為輸出的BP網(wǎng)絡仿真訓練如圖3、圖4、圖5所示。

4.模糊PID控制器的原理與仿真

對于某一BP神經(jīng)網(wǎng)絡控制系統(tǒng)，其中內(nèi)部變化及被控對象的數(shù)學模型為：

利用模糊控制對PID參數(shù)實現(xiàn)在線調(diào)節(jié)，原理如圖6。

圖6 模糊PID控制原理圖

采用Z-N法和試湊法相結(jié)合，借助MATLAB的SIMULINK平臺，對被控對象進行常規(guī)PID仿真。參數(shù)值：kp=15，ki=6，kd=0.05。如圖7。作為比較，建立模糊PID控制器的仿真模型如圖8。

圖9、圖10分別為被控對象G（s）在階躍輸入下常規(guī)PID和模糊PID仿真結(jié)果的比較。

經(jīng)過仿真發(fā)現(xiàn)，常規(guī)PID控制缺點是超調(diào)量大，調(diào)節(jié)時間長，動態(tài)性能差。優(yōu)點是控制精度高，穩(wěn)定性能好。模糊控制動態(tài)性能很好，上升速度快，基本無超調(diào)。但由于模糊化所造成的穩(wěn)態(tài)誤差，在沒有積分環(huán)節(jié)的情況下很難消除，故穩(wěn)態(tài)性能差。模糊PID繼承了二者的優(yōu)點，摒棄二者缺點，具有更全面優(yōu)良的控制性能。

5.結(jié)論

針對大滯后、慢時變、非線性的復雜系統(tǒng)，提出了一種基于BP神經(jīng)網(wǎng)絡的模糊PID控制算法，該算法不依賴被控對象的精確數(shù)學模型，可實現(xiàn)在線自調(diào)整模糊規(guī)則，從而增強了模糊控制器的自學習能力。通過算法的仿真研究，驗證了算法的可行性。

參考文獻

[1]李華.計算機控制系統(tǒng)[M].北京：機械工業(yè)出版社，2007.

[2]高雋.人工神經(jīng)網(wǎng)絡原理及仿真實例[M].北京：機械工業(yè)出版社，2007.

[3]蔡自興.智能控制[M].北京：電子工業(yè)出版社，2003.

[4]李國勇.智能控制及其MATLAB實現(xiàn)[M].北京：電子工業(yè)出版社，2005.

[5]張德豐.MATLAB神經(jīng)網(wǎng)絡應用設計[M].北京：機械工業(yè)出版社，2009.

[6]劉金琨.先進PID控制及其MATLAB仿真[M].北京：電子工業(yè)出版社，2003.

[7]劉玲.三容水箱的單神經(jīng)元自適應PID控制研究[J].信息技術，2005，3（8）：32-137.

第8篇：神經(jīng)網(wǎng)絡原理范文

[關鍵詞] 船舶供應商 評價體系 遺傳算法 神經(jīng)網(wǎng)絡

選擇合適的供應商直接關系到船舶企業(yè)降低成本、提高企業(yè)競爭力?，F(xiàn)有的平價方法在確定指標權(quán)重時存在主觀隨意性，評價結(jié)果缺乏客觀與公正。BP神經(jīng)網(wǎng)絡具有容錯性、自適應性等特點，解決了評價過程中指標權(quán)重隨意性和人為因素。本文構(gòu)建了BP神經(jīng)網(wǎng)絡的船舶供應商評價模型，并針對BP神經(jīng)網(wǎng)絡收斂速度慢的缺點，采用遺傳算法對構(gòu)建的BP神經(jīng)網(wǎng)絡模型進行優(yōu)化，從而構(gòu)建評價船舶供應商遺傳神經(jīng)網(wǎng)絡模型。

一、船舶供應商評價指標體系的構(gòu)建

原材料供應商和船舶配套企業(yè)的產(chǎn)品質(zhì)量性能以及管理水平等都會對船舶企業(yè)的正常運行帶來重大影響，直接關系到企業(yè)的盈利能力。因此，構(gòu)建科學的合理的供應商評價體系，是船舶制造企業(yè)綜合評價供應商的依據(jù)。

周期長、成本高等特點決定了船舶是一種特殊的產(chǎn)品，需要結(jié)合船舶自身的特點來構(gòu)建船舶供應商評價指標體系。綜合學者的研究成果與船舶公司實際狀況，本文認為應該從質(zhì)量、成本、交貨、柔性、財務與信譽狀況以及服務與管理水平6個方面構(gòu)建船舶供應商的評價指標體系。

二、基于遺傳神經(jīng)網(wǎng)絡的船舶供應商評價模型

1.BP神經(jīng)網(wǎng)絡在船舶供應商評價中的應用

BP神經(jīng)網(wǎng)絡模型是一個分層型網(wǎng)絡，具有輸入層、中間層和輸出層。供應商評價指標由輸入層到輸出層的傳遞是一個前向傳播的過程，若輸出結(jié)果與期望結(jié)果的誤差超過允許范圍，則誤差反向傳播，并根據(jù)各層誤差的大小來調(diào)節(jié)權(quán)值,尋找最佳權(quán)集，實現(xiàn)正確輸出。基于BP神經(jīng)網(wǎng)絡的船舶供應商評價模型結(jié)構(gòu)及學習原理如圖2所示。

2.基于遺傳算法改進的BP神經(jīng)網(wǎng)絡模型

BP算法是沿梯度下降(平方誤差函數(shù))來指導搜索的，學習過程收斂速度慢，易陷入局部極小點。而遺傳算法對于全局搜索具有較強的魯棒性和較高的效率，克服了BP網(wǎng)絡的局限性。將遺傳算法與BP網(wǎng)絡相結(jié)合,可以達到全局尋優(yōu)和快速高效的目的。

遺傳算法改進BP神經(jīng)網(wǎng)絡模型的步驟是:（1)確定網(wǎng)絡參數(shù)；（2）設定的種群規(guī)模N，產(chǎn)生初始種群;（3)求N組網(wǎng)絡權(quán)系數(shù),得到具有相同結(jié)構(gòu)的N個網(wǎng)絡;（4)求N組網(wǎng)絡權(quán)值對應的N個網(wǎng)絡輸出;（5）網(wǎng)絡性能評價;（6)若不滿足評價條件，由對染色體進行遺傳選擇、變異和交叉操作，產(chǎn)生新的染色體，直到滿足評價函數(shù);（7)選擇一個最優(yōu)染色體作為網(wǎng)絡權(quán)重，進行網(wǎng)絡的訓練和評價。其工作流程如圖3所示。

三、應用仿真算例

以中船公司的25家供應商數(shù)據(jù)為基礎，采用matlab7.0編程，建立三層遺傳神經(jīng)網(wǎng)絡模型。

將前15家供應商作為訓練集，訓練該網(wǎng)絡；其余10家供應商作為測試集，模擬待評價的對象。設置誤差精度為0.00001。首先用遺傳算法，經(jīng)過450次優(yōu)化，得到全局最優(yōu)的網(wǎng)絡權(quán)值。然后以前15家供應商的二級評價指標為樣本，經(jīng)過BP神經(jīng)網(wǎng)絡4700次訓練，得出對應的6個一級評價指標的訓練樣本;再以所得出的輸出值為樣本，經(jīng)過BP神經(jīng)網(wǎng)絡4450次訓練,訓練出最終的遺傳神經(jīng)網(wǎng)絡模型，并用于綜合評價工作。輸入后10家供應商二級評價指標值，得到其一級評價指標的輸出值,以該輸出值為輸入，計算出10家供應商的綜合評價結(jié)果。見表。

四、結(jié)束語

基于遺傳神經(jīng)網(wǎng)絡的船舶供應商評價模型借助BP神經(jīng)網(wǎng)絡的容錯性和自適應自學習能力克服了傳統(tǒng)評價方法在指標權(quán)重賦值時存在的主觀隨意性問題，并用遺傳算法的優(yōu)化解決了BP存在的收斂速度慢的問題，為評價船舶供應商提供了一條新的途徑。

參考文獻:

[1]金朝光 紀卓尚 林 焰:船舶企業(yè)選擇供應商的策略研究[J]. 計算機集成制造系統(tǒng),2003,9(10):886～890

[2]馬士華 林 勇 陳志祥:供應鏈管理[M].北京:機械工業(yè)出版,2004

第9篇：神經(jīng)網(wǎng)絡原理范文

關鍵詞：交通事件自動檢測 BP神經(jīng)網(wǎng)絡 Matlab仿真

1.前言

隨著高速公路車流量的越來越大，交通事件頻繁發(fā)生，給高速公路管理者帶來了諸多困擾，而且給國家和社會也帶來了不必要的損失[1]。

本文在國內(nèi)外學者研究的基礎上提出了基于BP神經(jīng)網(wǎng)絡的高速公路交通事件自動檢測算法。將上下游車道占有率、流量、大型車所占比例作為BP神經(jīng)網(wǎng)絡的輸入，建立了神經(jīng)網(wǎng)絡模型。本算法可為高速公路事件檢測系統(tǒng)的建立提供理論基礎，對提高高速公路利用率和安全性有重要意義。

2.交通事件自動檢測原理分析

正常情況下，高速公路上的交通流符合“連續(xù)車流”的規(guī)律[2]。當T時刻發(fā)生交通事件后，由于道路通行能力的突然下降導致事發(fā)點上游出現(xiàn)交通擁擠，流量和車速下降，占有率上升；T+1時刻下游車道流量下降，車速上升，占有率下降；同時研究發(fā)現(xiàn)由于不同類型的車輛換車道行駛需要的時間和道路空間不同，上、下游車道中車型比例也有所變化。因此，交通事件自動檢測的原理是通過分析高速公路上不同位置、不同時刻的交通參數(shù)變化來識別事件和非事件模式。

3.交通事件檢測的模型構(gòu)建

本研究采用三層神經(jīng)網(wǎng)絡結(jié)構(gòu)，模型結(jié)構(gòu)圖如圖1所示。

輸入層：輸入層有6個神經(jīng)元節(jié)點代表交通流變化的交通參數(shù)。包括T時刻上游和T+1時刻下游的占有率、流量及大型車所占比例。

隱含層：對于隱含層神經(jīng)元節(jié)點數(shù)目nh的確定，有下列經(jīng)驗公式[3]：

其中ni為輸入層節(jié)點數(shù)，no為輸出層節(jié)點數(shù)，本研究中ni=6，no=1，所以隱含層神經(jīng)元節(jié)點數(shù)nh =13。

輸出層：選擇一個輸出神經(jīng)元節(jié)點作為輸出，按照有無事件發(fā)生，以輸出節(jié)點為1表示有事件發(fā)生，輸出節(jié)點為0表示無事件發(fā)生。

4.事件檢測算法的Matlab實現(xiàn)與評估

4.1.數(shù)據(jù)預處理

本次研究采用陜西西安繞城高速上車檢器采集的1000組交通數(shù)據(jù)。其中500組用來訓練網(wǎng)絡，包括輸入數(shù)據(jù)（交通參數(shù)）和目標數(shù)據(jù)（事件狀態(tài)）。另外500組作為神經(jīng)網(wǎng)絡測試數(shù)據(jù)。在訓練BP神經(jīng)網(wǎng)絡之前先利用premnmx函數(shù)對數(shù)據(jù)進行歸一化處理，即 [pn，minp，maxp，tn，mint，maxt]=premnmx（p，t）。

4.2神經(jīng)網(wǎng)絡創(chuàng)建和初始化

利用newff函數(shù)創(chuàng)建一個新的神經(jīng)網(wǎng)絡：

net=newff（minmax（pn），[13，1]，{'tansig'，'purelin'}，'traingdx'， 'learngdm'）；

利用minmax函數(shù)設定輸入向量pn的元素的取值范圍；在訓練BP網(wǎng)絡之前，必須對網(wǎng)絡的連接權(quán)值和閾值進行初始化。

4.3.BP神經(jīng)網(wǎng)絡訓練

將神經(jīng)網(wǎng)絡的參數(shù)設置為每50次顯示訓練迭代過程；學習速率為0.05；動量因子為0.9；

網(wǎng)絡訓練次數(shù)為1500；訓練目標精度為1e-002；網(wǎng)絡最大失敗次數(shù)為5次。

調(diào)用train函數(shù)利用traingdx算法訓練BP網(wǎng)絡：net=train（net，pn，tn）； BP網(wǎng)絡訓練效果如圖2所示，由圖可見，經(jīng)過852次訓練，經(jīng)過交通數(shù)據(jù)訓練的網(wǎng)絡能快速收斂，效果良好。

4.4.BP神經(jīng)網(wǎng)絡仿真與測試

訓練結(jié)束后，用剩下的500組數(shù)據(jù)作為測試樣本對網(wǎng)絡進行測試，用tramnmx 函數(shù)對其進行歸一化處理。然后運用sim函數(shù)對BP網(wǎng)絡進行仿真，仿真結(jié)果須用postmnmx函數(shù)進行反歸一，這時的輸出數(shù)據(jù)才是真正的交通事件檢測結(jié)果，將小于0.5的事件狀態(tài)輸出為0，即無事件發(fā)生，大于0.5的事件狀態(tài)輸出為1，即有事件發(fā)生，計算檢測誤差并輸出圖形。結(jié)果如圖3所示，由圖可見檢測結(jié)果和訓練結(jié)果能很好的擬合。

4.5.AID算法評估

交通事件自動檢測算法最常用的性能評估指標有檢測率、誤報率和平均檢測時間 [4]。本文對經(jīng)典加州算法和BP神經(jīng)網(wǎng)絡算法通過仿真

5.結(jié)語

本文采用BP神經(jīng)網(wǎng)絡算法來對高速公路交通事件進行檢測。算法中將上下游大型車比例作為一個輸入是個創(chuàng)新點。運用BP神經(jīng)網(wǎng)絡算法建立交通檢測模型，避免了傳統(tǒng)算法因人為建立的模型與實際情況不符而導致檢測不準確的情況。通過Matlab仿真與測試證明本算法檢測交通事件性能較好。

參考文獻：

[1]靳引利，朱春平.高速公路信息設施的特性分析[J].中國水運.2007-10，（10）

[2]潘若禹.基于數(shù)據(jù)融合的高速公路交通異常事件檢測的研究[D].西安：長安大學.2006