神經(jīng)網(wǎng)絡(luò)的優(yōu)勢精選(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(luò)的優(yōu)勢主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：神經(jīng)網(wǎng)絡(luò)的優(yōu)勢范文

關(guān)鍵詞：圖像識別；不變矩特征值；L-M算法；BP神經(jīng)網(wǎng)絡(luò)

中圖分類號：TP183 文獻標志碼：A 文章編號：2095-2945（2017）19-0001-03

引言

隨著圖像識別技術(shù)的不斷發(fā)展，應(yīng)用于圖像識別技術(shù)領(lǐng)域的算法也在不斷優(yōu)化升級，人工神經(jīng)網(wǎng)絡(luò)算法作為一種高度非線性的智能自適應(yīng)算法，在圖像識別領(lǐng)域中的應(yīng)用越來越廣泛。基于人工神經(jīng)網(wǎng)絡(luò)實現(xiàn)圖像識別的主要特點是構(gòu)建分類器，將預(yù)處理后圖像樣本中提取出來的特征量輸入神經(jīng)網(wǎng)絡(luò)，經(jīng)過自學習和自組織，不斷地訓練，最終達到能夠穩(wěn)定正確識別圖像的狀態(tài)。[1]本文識別車牌號為例，對基于L-M算法及不變矩特征值優(yōu)化的神經(jīng)網(wǎng)絡(luò)進行研究和實驗。

1 圖像預(yù)處理

1.1 傾斜校正及灰度處理

實際圖像實時采集系統(tǒng)得到的圖像質(zhì)量參差不齊，本文采用方差公式推導法進行圖像校正。該方法基于正置圖像的投影圖像邊緣點的方差最小的原則來確定傾斜角度，具有較好的校正效果[2]。通?；叶忍幚矸椒ㄓ衅骄捣?，最大值法和加權(quán)平均值法。平均值法和最大值法一定程度上淡化了圖像中目標物與背景分界，對后續(xù)邊緣檢測會產(chǎn)生影響，本文選用加權(quán)平均值法，通過最優(yōu)權(quán)值的選擇，能夠獲得較好的處理效果。計算公式為：

式中，WR=0.59，WG=0.30，WB=0.11，此權(quán)值設(shè)置能獲得最佳灰度圖像。[3]

1.2 圖像分割及卡爾曼濾波

獲得灰度圖像后，通過Ostu算法確定合適的分割閾值，當像素點灰度值超過閾值，將該像素點灰度值賦值為255，否則賦值該像素點灰度值為0，由此得到二值圖像。在分割過程中會產(chǎn)生高斯白噪聲，采用卡爾曼濾波的方法進行濾波。[4]

2 圖像特征提取

2.1 不變矩特征值提取

圖像特征提取可以從基于圖像顏色的統(tǒng)計特性、圖像形狀和圖像紋理特征這些方面入手。為了克服圖像旋轉(zhuǎn)、平移導致的圖像特征提取誤差較大的情況，本文采用形狀不變矩來提取圖像熵矩陣的特征，作為神經(jīng)網(wǎng)絡(luò)的輸入層參數(shù)。

根據(jù)不變矩理論，定義圖像f（x，y）的p+q階中心矩為：

由計算得到的單元熵組成熵矩陣，n表示網(wǎng)格分辨率。熵矩陣中包含著局部和全局的圖像信息，從熵矩陣中提取不變矩特征值。[5]

2.2 灰度共生矩陣特征提取

在圖像f（x，y）任取一點組點對，偏移量為（a，b），點（x，y）處灰度值為i，點（x+a，y+b）處灰度值為j，固定（a，b），通過點對在圖像上的移動獲得不同的點對的灰度值（i，j），由于經(jīng)過二值化以后灰度等級為{0，255}，故得到的（i，j）組合共有4組，統(tǒng)計整幅圖中每一種點對灰度出現(xiàn)的頻數(shù)，歸一化后得到[Pij]灰度共生矩陣。由此獲得對比度，相關(guān)性，能量，逆差矩，分別為Con，Cor，Ene，Hom。[6]

綜合從熵矩陣中提取的7個不變矩特征值和依據(jù)灰度共生矩陣得出的4個參數(shù)，構(gòu)成用于進行識別的圖像特征向量，作為神經(jīng)網(wǎng)絡(luò)輸入層參數(shù)。表示為

3基于L-M算法的BP神經(jīng)網(wǎng)絡(luò)

3.1 L-M算法概述

BP神經(jīng)網(wǎng)絡(luò)算法基于誤差梯度下降標準，通過實際輸出與期望輸出的誤差來調(diào)整連接權(quán)值使之達到最優(yōu)。但通常情況下，BP神經(jīng)網(wǎng)絡(luò)存在學習速率慢，容易陷入局部最小值等問題[7]。作為優(yōu)化算法之一的L-M算法是梯度下降法與高斯-牛頓法的結(jié)合，利用了近似的二階導數(shù)信息，具有快速收斂，準確度高的優(yōu)點，本文嘗試將其與神經(jīng)網(wǎng)絡(luò)算法結(jié)和用于圖像識別。

3.2 原理及實現(xiàn)步驟

4 實驗仿真及結(jié)果分析

本文以車牌識別為例。在試驗中，選取了數(shù)字0-9、英文字母A-Z及車牌上常見的30個漢字共66個字符，每個字符50張訓練樣本圖片進行訓練。由于車牌號由不同字符組合而成，在圖像處理過程中，進行了字符分割和圖像增強，為具體字符的識別提供分類基礎(chǔ)。經(jīng)過訓練后，將50張測試圖片輸入神經(jīng)網(wǎng)絡(luò)進行測試。經(jīng)過測試，識別率能達到98%以上，且識別速度快，性能明顯優(yōu)于傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)。

4.1 圖像預(yù)處理

灰度處理選擇的標準是經(jīng)過灰度變換后，像素的動態(tài)范圍增加，圖像的對比度擴展，使圖像變得更加清晰、細膩、容易識別，處理結(jié)果如圖2。圖像二值化處理，結(jié)果如圖3。

可以通過求梯度局部最大值對應(yīng)的點，并認定為邊緣點，去除非局部最大值，可以檢測出精確的邊緣。一階導數(shù)的局部最大值對應(yīng)二階導數(shù)的零交叉點，這樣通過找圖像強度的二階導數(shù)的零交叉點就能找到精確邊緣點，如圖4。

對圖像做了開運算和閉運算，閉運算可以使圖像的輪廓線更為光滑，它通常用來消掉狹窄的間斷和長細的鴻溝，消除小的孔洞，并彌補輪廓線中的斷裂，如圖5。

對水平投影進行峰谷分析，計算出車牌上邊框、車牌字符投影、車牌下邊框的波形峰上升c、峰下降點、峰寬、谷寬、峰間距離、峰中心位置參數(shù)，如圖6。

通過以上水平投影、垂直投影分析計算，獲得了車牌字符高度、字符頂行與尾行、字符寬度、每個字符的中心位置，為提取分割字符具備了條件。

4.2 訓練庫的準備

通過預(yù)先的圖像識別提取，得到部分數(shù)字與漢字的訓練庫，如圖7。

在車牌識別的過程中數(shù)字庫的建立很重要，切割出來的數(shù)據(jù)要與數(shù)據(jù)庫的數(shù)據(jù)作比較，只有數(shù)字庫準確才能保證檢測出來的數(shù)據(jù)正確。

4.3 車牌的識別

進行車牌識別前需要使用樣本對神經(jīng)網(wǎng)絡(luò)進行訓練，然后使用訓練好的網(wǎng)絡(luò)對車牌進行識別。其具體流程為：使用漢字、字母、字母數(shù)字、數(shù)字四個樣本分別對四個子網(wǎng)絡(luò)進行訓練，得到相應(yīng)的節(jié)點數(shù)和權(quán)值。對已經(jīng)定位好的車牌進行圖像預(yù)處理，逐個的特征提取，然后從相應(yīng)的文件中讀取相應(yīng)的節(jié)點數(shù)和權(quán)值，把車牌字符分別送入相應(yīng)的網(wǎng)絡(luò)進行識別，輸出識別結(jié)果，如圖8。

5 結(jié)束語

基于神經(jīng)網(wǎng)絡(luò)的圖像識別具有廣闊的前景，隨著對識別質(zhì)量和識別效率要求的不斷提高，用于識別的算法也在不斷更新和優(yōu)化?；贚-M算法的BP神經(jīng)網(wǎng)絡(luò)在識別速率和精度方面有著巨大的優(yōu)勢，但是限于計算量較大這一問題，在一些特征向量較多或內(nèi)存較小的設(shè)備中難以適用，而圖像識別所需要的特征量往往又較多，為此進一步研究特征量提取方法的優(yōu)化和高性能運行設(shè)備是圖像識別進一步發(fā)展的關(guān)鍵。[8]

參考文獻：

[1]牛博雅，黃琳琳，胡健.自然場景下的車牌檢測與識別算法[J].信號處理，2016（07）：787-794.

[2]曾曉娟.一種基于神經(jīng)網(wǎng)絡(luò)的圖像識別算法[J].電腦知識與技術(shù)，2015（17）：171-174.

[3]江偉.機器視覺圖像中目標識別及處理方法研究[D].華北電力大學，2015.

[4]李康順，李凱，張文生.一種基于改進BP神經(jīng)網(wǎng)絡(luò)的PCA人臉識別算法[J].計算機應(yīng)用與軟件，2014（01）：158-161.

[5]張澤琳，楊建國，王羽玲，等.煤粒圖像識別系統(tǒng)的設(shè)計與實現(xiàn)[J].煤炭工程，2011（02）：17-19.

[6]孫君頂，毋小省.基于熵及不變矩特征的圖像檢索[J].光電工程，2007（06）：102-106+115.

第2篇：神經(jīng)網(wǎng)絡(luò)的優(yōu)勢范文

Abstract： The paper puts forward the optimization method of fractional linear neural network based on genetic algorithm. It firstly optimizes the weight of fractional linear network by using genetic algorithm， and then， on the basis of genetic improved result， trains fractional linear network by fractional linear network back propagation （BP） algorithm， and gets the optimal weights of network. It is applied to build the fractional linear neural network model based on genetic algorithm for predicting the gas-oil ratio of original oil. The Comparative experiments show that the fractional linear neural network optimization method based on genetic algorithm is a kind of new modeling method.

關(guān)鍵詞： 遺傳算法；分式線性神經(jīng)網(wǎng)絡(luò)；預(yù)測模型；原油氣油比

Key words： genetic algorithm；fractional linear neural network；prediction model；gas-oil ratio of original oil

中圖分類號：TP183 文獻標識碼：A 文章編號：1006-4311（2013）28-0221-02

0 引言

BP網(wǎng)絡(luò)是一種應(yīng)用最為廣泛的前饋神經(jīng)網(wǎng)絡(luò)。但是BP網(wǎng)絡(luò)收斂速度慢，易陷入局部極小。遺傳算法是一種自適應(yīng)全局優(yōu)化概率搜索算法，具有較強的魯棒性，可以與BP網(wǎng)絡(luò)結(jié)合避免其陷入局部最小。一些學者對BP網(wǎng)絡(luò)進行了優(yōu)化和改進，如吳清佳等[1]采用VC維方法確定網(wǎng)絡(luò)結(jié)構(gòu)，再用BP算法和基本遺傳算法對暴雨量進行預(yù)測分析；張少文等[2]嘗試用GA-BP算法建立了黃河上游降雨-徑流神經(jīng)網(wǎng)絡(luò)預(yù)測模型。

由相關(guān)數(shù)學概念可知，線性函數(shù)的倒數(shù)是分式線性函數(shù)。文獻[3]證明了分式線性神經(jīng)網(wǎng)絡(luò)具有比常見BP網(wǎng)絡(luò)更強、更廣泛的逼近能力。但是，分式線性網(wǎng)絡(luò)反向傳播（BP）學習算法也有不收斂或易陷入局部極小的可能。本文結(jié)合GA和分式線性網(wǎng)絡(luò)BP算法的特點構(gòu)建了基于遺傳算法的分式線性神經(jīng)網(wǎng)絡(luò)模型并用于原油溶解氣油比預(yù)測。仿真結(jié)果表明，這一模型可以用來預(yù)測原油氣油比，因而基于遺傳算法的分式線性網(wǎng)絡(luò)可行有效。

1 分式線性網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò)模型拓撲結(jié)構(gòu)

分式線性網(wǎng)絡(luò)是具有m（m？叟3）層的前向神經(jīng)網(wǎng)絡(luò)，包括1個輸入層，1個或1個以上的隱含層和1個輸出層。

本文神經(jīng)網(wǎng)絡(luò)優(yōu)化模型采用3層分式線性網(wǎng)絡(luò)，即1個輸入層，1個隱含層和1個輸出層，其中隱含層神經(jīng)元的輸入函數(shù)是分式線性函數(shù)。

根據(jù)有關(guān)文獻和溶解氣油比實驗結(jié)果，壓力、溫度、氣體相對密度、原油重度與原油溶解氣油比之間存在一定的非線性函數(shù)關(guān)系。本文把壓力、溫度、氣體相對密度以及原油重度這4個參量作為網(wǎng)絡(luò)的輸入節(jié)點，氣油比這個參量作為輸出節(jié)點。因此，輸入層節(jié)點個數(shù)為4，輸出層節(jié)點個數(shù)為1。決定隱含層的神經(jīng)元數(shù)量的選取多是通過實驗不斷調(diào)整數(shù)量和經(jīng)驗公式選取。根據(jù)本文設(shè)計思想和實驗反復計算測試，設(shè)計輸入層神經(jīng)元數(shù)目為n，輸出層神經(jīng)元數(shù)目為1，隱含層神經(jīng)元數(shù)目為（2n+1）=2×4+1=9。

2 基于遺傳算法的模型初始權(quán)值優(yōu)化設(shè)計

2.1 基本思想 為加快分式線性網(wǎng)絡(luò)BP算法收斂速度，避免陷入局部極小，本文先對模型初始的權(quán)值、閾值編碼，構(gòu)成初始種群，然后借助遺傳算子生成下一代種群，對種群中的最優(yōu)個體解碼后得到的權(quán)值做出評價，如果滿足遺傳算法性能指標，則輸出此最優(yōu)權(quán)值，否則繼續(xù)遺傳算法操作，直至某一代的種群最優(yōu)個體滿足性能指標，并輸出對應(yīng)的權(quán)值、閾值。此時得到的權(quán)值閾值是遺傳算法優(yōu)化后的分式網(wǎng)絡(luò)初始解，再把得到的優(yōu)化權(quán)值再傳賦給分式線性網(wǎng)絡(luò)再做進一步的優(yōu)化。

2.2 設(shè)計方法

2.2.1 編碼方法 本文遺傳算法采用實數(shù)編碼方法。將分式線性神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值按先后順序級聯(lián)為一個長串，串上的每一個位置對應(yīng)著網(wǎng)絡(luò)的一個權(quán)值和閾值，并用一個向量？孜表示：？孜=[W1，W2，B1，B2]（1）

其中，W1為輸入層神經(jīng)元與隱含層神經(jīng)元連接權(quán)值，W2為隱含層神經(jīng)元與輸出層神經(jīng)元連接權(quán)值，B1為隱含層神經(jīng)元閾值，B2為輸出層神經(jīng)元閾值，

取隱含層傳遞函數(shù)？椎（t）=■，設(shè)輸入學習樣本共有M個，記為Xp=（x■，x■，…，x■），p=1，2，…，M，對應(yīng)的樣本輸出為Y■=（y■，y■，…，y■），p=1，2，…M，W■■，是對應(yīng)第p個樣本的輸入層與隱含層神經(jīng)元連接權(quán)值，W■■是對應(yīng)第p個樣本的隱含層與輸出層神經(jīng)元連接權(quán)值，B■■對應(yīng)第p個樣本的隱含層神經(jīng)元閾值，B■■對應(yīng)第p個樣本的輸出層神經(jīng)元閾值。網(wǎng)絡(luò)在學習樣本下的實際輸出為

■■=W■■■+B■■，p=1，2，…M

（2）

定義適應(yīng)度函數(shù)的形式為：f=■=

1/■Y■-W■■■+B■■（3）

2.2.2 遺傳操作 ①選擇算子：采用基于正態(tài)分布序列選擇的選擇算子。②交叉算子：采用算術(shù)交叉算子。③變異算子：采用基于非均勻變異的變異算子。④進化代數(shù)：T=300。

3 模型構(gòu)建

以東營市利津油田34口油井建立神經(jīng)網(wǎng)絡(luò)預(yù)報模型，對這些油井的溶解氣油比作為分析對象，分別通過遺傳算法進化分式線性網(wǎng)絡(luò)模型和采用L-M訓練算法的BP網(wǎng)絡(luò)模型對比進行訓練學習，對34口油井中的28個樣本作訓練樣本建模，訓練后的網(wǎng)絡(luò)預(yù)測剩余6口油井的氣油比，進而實現(xiàn)從輸入段到輸出端的非線性形式下的映射，預(yù)測6個測試樣本的原油溶解氣油比。（表1）

4 仿真實驗

本文提出結(jié)合遺傳算法的分式線性網(wǎng)絡(luò)BP算法模型對濱南采油廠利津油田34個數(shù)據(jù)進行仿真實驗。為構(gòu)建分式線性函數(shù)，固定點?。╝1，a2，a3，a4）=-1，由于設(shè)定輸入層神經(jīng)元個數(shù)為4，則隱含層神經(jīng)元輸入函數(shù)（分式線性函數(shù)）為I=■W1■（4）

其中W1為輸入層神經(jīng)元與隱含層神經(jīng)元連接權(quán)值，xi為輸入變量。

分式線性網(wǎng)絡(luò)隱含層傳遞函數(shù)為Sigmoid函數(shù)？椎（t）=1/（1+e-t），輸出層傳遞函數(shù)為線性函數(shù)L（t）=t，最終訓練目標e=0.001，樣本數(shù)目M=28，訓練次數(shù)為1000。遺傳算法的初始種群規(guī)模N=50，最大進化代數(shù)T=300。為對比仿真結(jié)果，同時對采用L-M訓練算法的三層BP網(wǎng)絡(luò)做仿真，輸入層節(jié)點數(shù)為4，輸出層節(jié)點數(shù)為1，隱含層節(jié)點數(shù)為10，訓練函數(shù)為trainlm，訓練目標？著=0.001，訓練次數(shù)為1000，其余均取默認值。

GA優(yōu)化結(jié)果：最大適應(yīng)度f=26.2544，得到的權(quán)值閾值是矩陣形式：？孜=[W9×4，W4×9，W9×1，W4×1]其中，各個變量的定義同前述。

從表2可以看出，本文優(yōu)化算法需要213步達到訓練誤差要求，而改進BP算法需要24步就達到要求，本文算法訓練步數(shù)較長。

由表3可見，基于本文優(yōu)化算法的模型可以預(yù)測原油氣油比，其整體預(yù)測氣油比的精度與基于改進BP算法的模型效果接近，因而本文優(yōu)化算法預(yù)測數(shù)據(jù)是可行有效的。

5 結(jié)束語

本文將遺傳算法和分式線性神經(jīng)網(wǎng)絡(luò)相結(jié)合用于原油氣油比的預(yù)測，這對原油物性分析提供了一個借鑒和參考。下一步需要充分考慮其他因素的影響并不斷改進模型，同時調(diào)整好GA算子和分式線性網(wǎng)絡(luò)的參數(shù)以便提高預(yù)測的精確度和時效。

參考文獻：

[1]吳清佳，張慶平，萬健.遺傳神經(jīng)的智能天氣預(yù)報系統(tǒng)[J].計算機工程，2005，31（14）：176-177，189.

第3篇：神經(jīng)網(wǎng)絡(luò)的優(yōu)勢范文

關(guān)鍵詞：無人機 神經(jīng)網(wǎng)絡(luò) 控制技術(shù)

中圖分類號:TP183 文獻標識碼：A 文章編號：1007-9416(2012)07-0010-01

無人機的核心部分是飛行控制系統(tǒng)。無人機進行自主飛行時,控制系統(tǒng)需要有效地對姿態(tài)回路部分和水平位置、高度回路部分進行重點控制，才能保持良好的自主飛行適應(yīng)性。研究表明，智能技術(shù)的發(fā)展水平在相當大的程度上決定了自主控制技術(shù)的發(fā)展水平，人工智能系統(tǒng)若要提高對形勢的感應(yīng)能力和外部環(huán)境的理解能力，并作出準確、快速反應(yīng)，需要以獲取信息的完整性和準確性為前提支撐。

研究表明，現(xiàn)代絕大多數(shù)控制理論在飛行控制系統(tǒng)設(shè)計的應(yīng)用方面，均表現(xiàn)出一定的優(yōu)勢和劣勢。

反步控制的優(yōu)勢在于收斂性方面表現(xiàn)較好，可對具有不確定性的未知擾動進行有效處理，缺點是魯棒性表現(xiàn)較差。反饋線性化的優(yōu)勢在于設(shè)計靈活，缺點是對數(shù)學模型建立的精確性要求較高，且不能處理具有不確定性的未知擾動。采用變結(jié)構(gòu)的滑?？刂萍夹g(shù)優(yōu)勢在于響應(yīng)快捷，且所建數(shù)學模型的精確性要求不高，對外部不確定性擾動反應(yīng)不敏感，缺點是需要進一步提高抖振現(xiàn)象的解決能力。在計算機技術(shù)和人工智能技術(shù)的發(fā)展帶動下，人工智能應(yīng)用于無人機控制系統(tǒng)已具備一定的技術(shù)基礎(chǔ)，特別是神經(jīng)網(wǎng)絡(luò)技術(shù)，因其具有良好的學習和推理能力，所以應(yīng)用最為廣泛。本文以無人機的飛行控制應(yīng)用為中心,重點分析了神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用于智能控制的最新成果，為今后的深入研究提供一定的基礎(chǔ)支撐。

1、神經(jīng)網(wǎng)絡(luò)PID控制技術(shù)

PID控制器魯棒性表現(xiàn)較好，結(jié)構(gòu)相對簡單，廣泛應(yīng)用于典型無人機控制系統(tǒng)設(shè)計中。但是經(jīng)典PID對于具有非線性特性的多變量系統(tǒng)，其處理能力較差，不能有效提升系統(tǒng)的抗外擾能力，特別是系統(tǒng)參數(shù)變化攝動時，其魯棒性表現(xiàn)較差，致使系統(tǒng)的飛行動態(tài)控制能力較差。近年來，以神經(jīng)網(wǎng)絡(luò)智能控制技術(shù)的快速發(fā)展為支撐，神經(jīng)網(wǎng)絡(luò)智能控制技術(shù)開始和常規(guī)PID控制相融合，優(yōu)化形成了兩種類型的神經(jīng)網(wǎng)絡(luò)PID控制器。一種為神經(jīng)元網(wǎng)絡(luò)PID控制器，該控制器在傳統(tǒng)PID控制器的基礎(chǔ)上，融合加入了一個神經(jīng)元網(wǎng)絡(luò)控制器，對PID參數(shù)進行優(yōu)化確定;另一種是單神經(jīng)元PID控制器，它用神經(jīng)元輸入權(quán)值跟PID參數(shù)進行一一對應(yīng)，該輸入值為經(jīng)比例、積分、微分處理后的偏差值。

1.1 采用神經(jīng)元網(wǎng)絡(luò)確定PID控制器參數(shù)

神經(jīng)網(wǎng)絡(luò)控制器通過對被控對象建立反向模型，構(gòu)成前饋控制器。神經(jīng)網(wǎng)絡(luò)控制器首先學習PID控制器的輸出，而后在線進行調(diào)整，盡量使反饋誤差趨零化，逐步提升自身在系統(tǒng)控制中的主導作用，最終替換反饋控制器的相應(yīng)作用，但PID反饋控制器繼續(xù)存在，沒有消失。當系統(tǒng)受到外部干擾擾動時，PID反饋控制器可繼續(xù)發(fā)揮作用。采用神經(jīng)元網(wǎng)絡(luò)確定PID控制器參數(shù)的技術(shù)實際上是一種前饋加反饋的特殊控制技術(shù)，該技術(shù)在提高了系統(tǒng)精度的情況下，同時提高了系統(tǒng)的自適應(yīng)能力，增強了系統(tǒng)的控制穩(wěn)定性，改善了控制系統(tǒng)的魯棒性能。其典型控制原理如圖1所示

1.2 單神經(jīng)元PID控制

該種類型的自適應(yīng)控制器依靠調(diào)整加權(quán)系數(shù)完成自適應(yīng)和自組織，采用有監(jiān)督Hebb學習規(guī)則對加權(quán)系數(shù)進行調(diào)整。單神經(jīng)元PID控制器采用具有明確物理意義的算法組織學習，結(jié)構(gòu)也較簡單，在環(huán)境變化適應(yīng)性方面，呈現(xiàn)出較好的魯棒性。其劣勢在于由于該種類型控制器為單神經(jīng)元結(jié)構(gòu)，因此不具備任意函數(shù)逼近的能力。

2、自適應(yīng)神經(jīng)網(wǎng)絡(luò)控制技術(shù)

針對任意一個非線性連續(xù)函數(shù)，人工神經(jīng)網(wǎng)絡(luò)因具有較強的自學習能力，所以能以任意精度要求逼近，且能夠完成并行處理，實現(xiàn)萬能函數(shù)逼近功能。與傳統(tǒng)查表法對比,人工神經(jīng)網(wǎng)絡(luò)進行計算時間較短，且不需要大內(nèi)存容量，在對相鄰兩個訓練點之間的點進行插值計算時，不需要額外的計算消耗。相比典型的自適應(yīng)線性控制器，研究表明，人工神經(jīng)網(wǎng)絡(luò)能夠獲得較好的期望性能，表現(xiàn)出相對較高的自適應(yīng)非線性控制能力。人工神經(jīng)網(wǎng)絡(luò)能夠?qū)崿F(xiàn)對非線性對象的有效控制，對不確定對象的有效控制，且抗環(huán)境干擾能力較強，因此特別適合于實現(xiàn)自適應(yīng)自主飛行控制。

人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于自適應(yīng)飛行控制的基本原理為:對飛行器模型進行近似線性化處理，爾后對該控制器添加人工神經(jīng)元網(wǎng)絡(luò),通過逆轉(zhuǎn)換完成非線性控制功能，對飛行中的動態(tài)誤差，自適應(yīng)消除其影響，有效提升系統(tǒng)響應(yīng)。該種類型的神經(jīng)網(wǎng)絡(luò)控制器通過在線提升自適應(yīng)能力,在一定程度上改善了風洞數(shù)據(jù)依賴度，對動態(tài)先驗知識的需求也進一步降低,從而減少了飛行控制系統(tǒng)的研發(fā)費用。

3、結(jié)語

研究表明，常規(guī)PID控制器雖然結(jié)構(gòu)較簡單，可靠性能表現(xiàn)較好，呈現(xiàn)出良好的魯棒性，但其缺少自學習、自組織、自適應(yīng)的能力，這些能力恰恰是神經(jīng)網(wǎng)絡(luò)控制器的智能優(yōu)勢。但神經(jīng)網(wǎng)絡(luò)也具有一定的缺點，表現(xiàn)為收斂速度較慢，個別情況下不能搜索到全局最優(yōu)解等。神經(jīng)網(wǎng)絡(luò)利用自身較強的并行處理能力和自然容錯特性，對非線性飛行系統(tǒng)能夠進行較好的智能處理，有效降低了逆誤差，可以精確獲取無人機控制模型，魯棒性表現(xiàn)優(yōu)異。

目前，已在無人機上進行應(yīng)用的神經(jīng)網(wǎng)絡(luò)算法主要是與PID算相融合的智能算法。今后，將自適應(yīng)控制和神經(jīng)網(wǎng)絡(luò)智能控制相結(jié)合的控制算法將逐步進入飛行控制實踐技術(shù)行列,從而大副提升無人機應(yīng)對不確定環(huán)境和復雜問題的能力,真正實現(xiàn)自主飛行。

參考文獻

第4篇：神經(jīng)網(wǎng)絡(luò)的優(yōu)勢范文

神經(jīng)網(wǎng)絡(luò)引入預(yù)測領(lǐng)域使預(yù)測理論及方法產(chǎn)生了質(zhì)的飛躍。傳統(tǒng)的線性預(yù)測方法，如自回歸（AutoRegressive， AR）模型、滑動平均（Moving Average， MA）模型等在解決非線性嚴重的預(yù)測問題時遇到很大困難，而神經(jīng)網(wǎng)絡(luò)在非線性預(yù)測方面有著獨特的優(yōu)勢，它不需要建立復雜的非線性系統(tǒng)的顯式關(guān)系及數(shù)學模型，通過數(shù)據(jù)樣本訓練即可提取數(shù)據(jù)特征和內(nèi)在規(guī)律，實現(xiàn)信息的分布存儲，產(chǎn)生聯(lián)想記憶，從而對未經(jīng)訓練的樣本能夠給出外推的預(yù)測效果，為非線性預(yù)測提供了強有力的工具。

1987年，A.Lapedes和R.Farber首次利用神經(jīng)網(wǎng)絡(luò)對非線性時間序列進行預(yù)測，開創(chuàng)了神經(jīng)網(wǎng)絡(luò)應(yīng)用于預(yù)測領(lǐng)域的先河[1]。之后，神經(jīng)網(wǎng)絡(luò)在預(yù)測中的應(yīng)用得到快速發(fā)展。近年來，小波神經(jīng)網(wǎng)絡(luò)作為一種新穎的神經(jīng)網(wǎng)絡(luò)日益受到關(guān)注，它兼有小波函數(shù)時頻局部特性和神經(jīng)網(wǎng)絡(luò)函數(shù)逼近和泛化能力，在預(yù)測領(lǐng)域具有強大的優(yōu)勢。

目前，神經(jīng)網(wǎng)絡(luò)預(yù)測形式主要有兩種：趨勢預(yù)測與基于因果關(guān)系的回歸預(yù)測，分別對應(yīng)時間序列預(yù)測和多元回歸預(yù)測。神經(jīng)網(wǎng)絡(luò)具有分布式、聯(lián)想、記憶和很強的泛化能力，以及自學習和容錯性，可以以任意精度逼近非線性函數(shù)等優(yōu)點，是線性預(yù)測方法無法比擬的。對于大多數(shù)預(yù)測對象，尤其是含有非線性關(guān)系的數(shù)據(jù)，使用神經(jīng)網(wǎng)絡(luò)預(yù)測都會得到更高的預(yù)測精度。

但是，神經(jīng)網(wǎng)絡(luò)應(yīng)用于預(yù)測中存在如下問題：網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計目前尚無確定的理論依據(jù)；預(yù)測結(jié)果有隨機性；機理缺乏透明度；初始參數(shù)難確定；存在過度擬合現(xiàn)象；易陷入局部極小等。其中大多數(shù)問題需要以實驗效果為依據(jù)進行確定，利用統(tǒng)計方法對預(yù)測結(jié)果進行評價，或采用試湊法找出網(wǎng)絡(luò)“最佳”參數(shù)進行下一步預(yù)測[2]。

在上述問題中比較突出的問題是神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果的隨機性，小波神經(jīng)網(wǎng)絡(luò)也不例外，即多次預(yù)測結(jié)果不同，有時分散性很大，即神經(jīng)網(wǎng)絡(luò)的預(yù)測精度具有不可控性質(zhì)。對此，在目前的文獻中鮮有介紹。本文針對小波神經(jīng)網(wǎng)絡(luò)給出一種簡單、實用的確定的預(yù)測方法，可以獲得穩(wěn)定的預(yù)測結(jié)果。

1預(yù)測結(jié)果的不確定因素

對神經(jīng)網(wǎng)絡(luò)預(yù)測模型進行的大量實驗表明：網(wǎng)絡(luò)初始參數(shù)對預(yù)測結(jié)果的影響舉足輕重[3-4]。當網(wǎng)絡(luò)結(jié)構(gòu)確定后，即網(wǎng)絡(luò)輸入層、隱層、輸出層神經(jīng)元個數(shù)，以及學習速率、訓練精度等確定后，預(yù)測結(jié)果取決于網(wǎng)絡(luò)的初始參數(shù)值。初始參數(shù)包括網(wǎng)絡(luò)權(quán)值、閾值，對于小波神經(jīng)網(wǎng)絡(luò)還包括平移因子和尺度參數(shù)。

神經(jīng)網(wǎng)絡(luò)的初始參數(shù)通常都設(shè)為[-1，1]的隨機數(shù)，它是導致預(yù)測結(jié)果不確定的本質(zhì)原因。在網(wǎng)絡(luò)結(jié)構(gòu)確定的前提下，如果初始參數(shù)設(shè)為定值，預(yù)測結(jié)果必然是唯一的。實驗表明，對常用的三層神經(jīng)網(wǎng)絡(luò)，影響最大的是網(wǎng)絡(luò)參數(shù)的初始值，之后是訓練精度、隱層神經(jīng)元數(shù)、學習速率以及動量因子等。

第5篇：神經(jīng)網(wǎng)絡(luò)的優(yōu)勢范文

（安徽理工大學測繪學院，安徽 淮南 232001）

【摘　要】神經(jīng)網(wǎng)絡(luò)算法的收斂性和穩(wěn)定性已經(jīng)得到了廣泛的證明，被應(yīng)用在許多工業(yè)監(jiān)控場合，在傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)預(yù)測基坑變形方法的基礎(chǔ)上，融入了灰色算法，生成了一種新的智能化模型，以對原有方法進行優(yōu)化。通過實際案例證明，新的組合模型無論在計算時間還是在計算精度方面，都顯示了較為明顯的優(yōu)勢，具有一定的經(jīng)濟意義和實用價值。

關(guān)鍵詞 基坑變形；監(jiān)測；灰色模型；神經(jīng)網(wǎng)絡(luò)

0　引言

隨著我國社會經(jīng)濟的快速發(fā)展和城市規(guī)模的不斷擴大，各項大型工程的建設(shè)也在蓬勃興起，從而帶動了基坑工程的快速發(fā)展?；庸こ叹哂忻娣e大、深度大、造價高及施工難度大等特點，其穩(wěn)定性和安全性越來越受全社會的普遍關(guān)注，因此變形預(yù)測和預(yù)報成為一項十分重要的工作。基于基坑的結(jié)構(gòu)類型、組成物質(zhì)的物理學性質(zhì)、外力作用的多變性和不確定性，很難建立合適的確定性模型。目前用于變形預(yù)測模型有很多種，如回歸分析模型、灰色系統(tǒng)模型、神經(jīng)網(wǎng)絡(luò)模型等。本文針對灰色模型和神經(jīng)網(wǎng)絡(luò)模型進行改進，以期提高基坑變形測量的準確性，更好的保障工程施工的安全。

1　灰色神經(jīng)網(wǎng)絡(luò)模型

1.1　BP神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)分為多種，本設(shè)計選取了BP神經(jīng)網(wǎng)絡(luò)作為研究對象，它屬于一種前饋型神經(jīng)網(wǎng)絡(luò)，目前應(yīng)用較為廣泛，已經(jīng)成為了一種成熟的優(yōu)化模型。BP神經(jīng)網(wǎng)絡(luò)不但有輸入層節(jié)點(單元)、輸出層節(jié)點，而且還有一層或多層隱含層節(jié)點，層與層之間多采用全連接方式，但同一層之間的節(jié)點不存在互相連接。該模型流程如下：

第一階段，正向傳播過程: 輸入層神經(jīng)元通過接受外界的輸入信息，并傳遞給中間層神經(jīng)元，中間層神經(jīng)元負責前后層之間的信息交換，并確定出中間層設(shè)計的隱含層的數(shù)量，最終將信息傳到輸出層并輸出顯示結(jié)果，完成一次正向傳播處理過程。

第二階段，反向傳播過程: 主要用于誤差調(diào)整，當預(yù)測結(jié)果同預(yù)期差距過大時，誤差通過輸出層，通過采用誤差梯度下降的方式來調(diào)整各層權(quán)值，并向隱含層、輸入層逐層反向傳播。

以上兩個過程不斷循環(huán)往復，可在很短的時間內(nèi)完成整個尋優(yōu)過程，收斂性良好，并可保證將輸出誤差降低至最小。當然，從另一角度考慮，為了防止算法陷入無限循環(huán)中，可預(yù)先設(shè)定學習次數(shù)，當模型運算次數(shù)達到預(yù)定值時，無論是否達到預(yù)期精度，都會終止模型并輸出結(jié)果。

1.2　灰色神經(jīng)網(wǎng)絡(luò)組合模型

灰色神經(jīng)網(wǎng)絡(luò)的組合預(yù)測模型是將灰色GM（1,1）模型和BP 神經(jīng)網(wǎng)絡(luò)模型相結(jié)合，并充分發(fā)揮灰色系統(tǒng)和BP神經(jīng)網(wǎng)絡(luò)模型各自的優(yōu)勢，實現(xiàn)兩者優(yōu)勢互補，從而提高計算精度和運算能力，更好地解決實際工程中復雜的不確定問題。具體實施步驟如下:

（1）采用灰色GM（1，1） 模型對原始時序數(shù)據(jù)序列{x（0）（i）},i=1，2，…,n進行預(yù)測，獲得擬合數(shù)據(jù)x’（1）（i）。

（2）求出殘差序列e（0）=x（0）－x’（0）,i=1,2,……,n，這里可取e（0）（i－3），e（0）（i－2），e（0）（i－1）作為BP神經(jīng)網(wǎng)絡(luò)的輸入，e（0）（i） 作為網(wǎng)絡(luò)的輸出，從而獲得BP神經(jīng)網(wǎng)絡(luò)修正后的殘差序列e’（0）（i） ，則組合模型的最終預(yù)測結(jié)果等x’（0）（i）+e’（0）（i） 。

采用BP 神經(jīng)網(wǎng)絡(luò)進行殘差修正的預(yù)測模型流程，如圖1所示。

2　實例分析

某大型工程基坑開挖深度11m～14m，基坑工程類別為一級。該場地地下水類型主要有上層滯水、第四系松散巖類孔隙裂隙水。土層滯水主要賦存于人工填土層中，水位不連續(xù)，變化幅度大，主要接受大氣降水和地表水體的補給?；泳€路東側(cè)沿線分布有多個水塘，部分坑內(nèi)有積水。水坑均為雨季雨水匯集形成，個別水坑在線路上方?；邮┕み^程中，若發(fā)生較大范圍的土體變形，造成邊坡土體開裂，會導致水塘內(nèi)積水滲入基坑，從而影響基坑施工安全。在此期間，為實時了解基坑在開挖過程中的變形情況，對該基坑進行了定期觀測。其中基坑的沉降監(jiān)測點位布設(shè)如圖2 所示。

為了檢驗灰色神經(jīng)網(wǎng)絡(luò)模型在變形監(jiān)測數(shù)據(jù)預(yù)測中的效果，對該基坑冠梁上監(jiān)測點x－2的沉降數(shù)據(jù)數(shù)據(jù)進行計算分析。這里選取4 個月的監(jiān)測數(shù)據(jù)，時間間隔為4d，共計22次數(shù)據(jù)，分別用3種模型進行預(yù)測分析。采用前19 次實測數(shù)據(jù)建立相應(yīng)模型，對后3次數(shù)據(jù)進行預(yù)測，將獲得的擬合結(jié)果和預(yù)測結(jié)果同實測數(shù)據(jù)進行比較分析。通過MATLAB進行編程計算，可得GM（1,1）模型擬合結(jié)果。

圖3 列出了兩種模型的擬合和預(yù)測情況，可以看出，灰色神經(jīng)網(wǎng)絡(luò)的預(yù)測精度明顯高GM（1,1） 模型的預(yù)測精度，尤其是數(shù)據(jù)序列存在上下波動的情況下。在實際的變形監(jiān)測過程中，由于許多不確定因素的存在，大多數(shù)獲得的數(shù)據(jù)序列是波動的，此時我們可以采用灰色神經(jīng)網(wǎng)絡(luò)模型進行預(yù)測，可有效提高精度，并獲得較滿意的結(jié)果。

4　結(jié)語

本文將灰色理論和神經(jīng)網(wǎng)絡(luò)模型相結(jié)合，建立灰（下轉(zhuǎn)第259頁）（上接第106頁）色神經(jīng)優(yōu)化組合模型，充分發(fā)揮兩者優(yōu)勢，能夠在小樣本，貧信息及數(shù)據(jù)有波動等情況下對變形監(jiān)測數(shù)據(jù)做出比較準確的模擬和預(yù)測，并具有模型簡單、無需確定非線性函數(shù)和計算方便等優(yōu)點，從而為變形監(jiān)測的數(shù)據(jù)處理提供一種有效的方法。

參考文獻

［1］張正祿,黃全義,文紅雁,等．工程的變形監(jiān)測分析與預(yù)報[M]．北京:測繪出版社,2007．

第6篇：神經(jīng)網(wǎng)絡(luò)的優(yōu)勢范文

隨著社會工業(yè)化速度的不斷加速，能源的競爭愈來愈激烈。生物質(zhì)能源作為一種可再生的清潔能源被廣泛認可，生物氣化技術(shù)就是利用生物質(zhì)能的一種有效手段，對經(jīng)濟的發(fā)展和環(huán)境的保護都起到積極作用。但是，生物氣化技術(shù)是一種熱化學處理技術(shù)，其工作過程十分復雜，包含著大量的不確定因素，這就需要運用生物質(zhì)氣化爐的智能控制系統(tǒng)來達到預(yù)期的控制效果。新形勢下，積極運用模糊神經(jīng)網(wǎng)絡(luò)對生物質(zhì)氣化爐進行智能控制，是實現(xiàn)可靠控制效果的重要舉措。

【關(guān)鍵詞】模糊神經(jīng)網(wǎng)絡(luò) 生物質(zhì)氣化爐 智能控制

生物質(zhì)氣化過程是一項復雜化學反應(yīng)過程，具有非線性、不穩(wěn)定性、負荷干擾等特性，只有實行智能控制才能受到良好的控制效果。模糊神經(jīng)網(wǎng)絡(luò)作為智能研究比較活躍的領(lǐng)域，有效融合了神經(jīng)網(wǎng)絡(luò)和模糊理論的優(yōu)點，能夠有效的解決生物質(zhì)氣化過程中的非線性、模糊性等問題，既保證控制的精確度，又能進行快速地升降溫。本文通過對模糊神經(jīng)網(wǎng)絡(luò)的內(nèi)涵特征進行全面分析，闡述了基于模糊神經(jīng)網(wǎng)絡(luò)的生物質(zhì)氣化爐的智能控制，并通過仿真實驗進行反復驗證。

1 模糊神經(jīng)網(wǎng)絡(luò)的內(nèi)涵功能

簡而言之模糊神經(jīng)網(wǎng)絡(luò)就是具有模糊權(quán)值和輸入信號的神經(jīng)網(wǎng)絡(luò)。模糊神經(jīng)網(wǎng)絡(luò)是自動化控制領(lǐng)域內(nèi)一門新興技術(shù)，其本質(zhì)上是將常規(guī)的神經(jīng)網(wǎng)絡(luò)輸入模糊信號，因而模糊神經(jīng)網(wǎng)絡(luò)具備了模糊系統(tǒng)和神經(jīng)網(wǎng)絡(luò)的優(yōu)勢，集邏輯推理、語言計算等能力于一身，具有學習、聯(lián)想、模糊信息處理等功能。模糊神經(jīng)網(wǎng)絡(luò)是智能控制和自動化不斷發(fā)展的產(chǎn)物，在充分利用神經(jīng)網(wǎng)絡(luò)的并行處理能力的基礎(chǔ)上，大大提高了模糊系統(tǒng)的推理能力。

模糊神經(jīng)網(wǎng)絡(luò)是科技發(fā)展的產(chǎn)物，有效吸收了神經(jīng)網(wǎng)絡(luò)系統(tǒng)和模糊系統(tǒng)的優(yōu)點，在智能控制和自動化發(fā)展等方面有著重要的作用，能夠有效地處理非線性、模糊性等諸多問題，在處理智能信息方面能夠發(fā)揮巨大潛力。模糊神經(jīng)網(wǎng)絡(luò)形式多種多樣，主要包括邏輯模糊神經(jīng)網(wǎng)絡(luò)、算術(shù)模糊神經(jīng)網(wǎng)絡(luò)、混合模糊神經(jīng)網(wǎng)絡(luò)等多種類型，被廣泛的運用于模糊回歸、模糊控制器、模糊譜系分析、通用逼近器等方面的研究中，隨著智能控制和自動化領(lǐng)域的不斷發(fā)展，模糊神經(jīng)網(wǎng)絡(luò)廣泛應(yīng)用于智能控制領(lǐng)域。

2 基于模糊神經(jīng)網(wǎng)絡(luò)的生物質(zhì)氣化爐的智能控制系統(tǒng)

2.1 溫度智能控制系統(tǒng)

生物質(zhì)熱值、給料理以及一次風量等因素變化能夠影響到生物質(zhì)氣化爐的爐溫，但是最重要的影響因素是在氣化爐工作過程中物料物理和化學反應(yīng)的放熱和吸熱。由于生物質(zhì)氣化工作過程中的生物質(zhì)熱值的變化范圍較小，在實際運行中很難測量與控制，有時可以忽略不計，同時，該工作過程中存在非線性和大滯后等問題，采用傳統(tǒng)的數(shù)學模型達不到預(yù)期測量效果，因此需要利用模糊神經(jīng)網(wǎng)絡(luò)設(shè)計氣化爐爐溫控制系統(tǒng)，不斷的提高溫度的控制效果。模糊神經(jīng)網(wǎng)絡(luò)首先根據(jù)當前溫度以及設(shè)定溫度設(shè)，主控制器對最優(yōu)的生物質(zhì)物料添加量進行預(yù)測，然后由副控制根據(jù)該添加量，全面跟蹤控制送料速度，從而能夠進行精確上料和控制爐溫。模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)十分龐大復，其中包含了大量錯綜復雜的神經(jīng)元，蘊含對非線性的可微分函數(shù)訓練權(quán)值的基本理念。模糊神經(jīng)網(wǎng)絡(luò)具有正向傳遞和反向傳播兩個不同的功能，在信息的正向傳遞中，采用逐步運算的方式對輸入的數(shù)據(jù)信息進行處理，信息依次進入輸入層、隱含層最終到達輸出層。假如在輸出層獲得的輸出信息沒達到預(yù)期效果時，就會在計算輸出層的偏差變化值后通過網(wǎng)絡(luò)將偏差信號按原路反向傳回，與此同時各層神經(jīng)元的權(quán)值也會隨之進行改變，直到符合預(yù)期的控制效果。

2.2 含氧量智能控制系統(tǒng)

在生物質(zhì)氣化工作過程中，可燃氣體的含氧量是衡量其生產(chǎn)質(zhì)量的重要依據(jù)，能夠嚴重影響氣化產(chǎn)物的安全使用，因此，通過模糊神經(jīng)網(wǎng)絡(luò)實現(xiàn)生物質(zhì)氣化爐含氧量的智能控制十分重要。其含氧量智能控制系統(tǒng)的目的是為了合理控制可燃氣體的含氧量，從而穩(wěn)定氣化爐的溫度。但是，一次風進風量是影響可燃氣體的含氧量的重要因素，所以可以把控制一次風量作為主要調(diào)節(jié)手段，有效地解決含氧量控制和爐溫控制之間的矛盾，在控制爐溫的前提條件下，最大程度地降低可燃氣體含氧量，進而有效控制氣化產(chǎn)物含氧量的。生物質(zhì)氣化爐含氧量的智能控制系統(tǒng)是嚴格運用模糊神經(jīng)網(wǎng)絡(luò)控制原理，主控制器采用溫度模糊免疫 PID控制，根據(jù)爐內(nèi)含氧量和溫度的偏差進行推算，查找出鼓風機轉(zhuǎn)速的最優(yōu)狀態(tài)，副控制則以此為根據(jù)，全面跟隨與控制鼓風機的速度，確保鼓風機轉(zhuǎn)速。生物質(zhì)氣化爐工作過程中的不同階段和部件具有不同的控制要求，模糊神經(jīng)網(wǎng)絡(luò)就要充分發(fā)揮被控對象的優(yōu)良性能，根據(jù)不同的控制要求，合理運用模糊神經(jīng)網(wǎng)絡(luò)控制原理對 PID參數(shù)模型中的數(shù)據(jù)信息進行在線修改，從而達到預(yù)期的控制效果。

3 基于模糊神經(jīng)網(wǎng)絡(luò)的生物質(zhì)氣化爐智能控制系統(tǒng)的仿真實驗

為了驗證運用模糊神經(jīng)網(wǎng)絡(luò)進行生物質(zhì)氣化爐的智能控制的真實效果，對生物質(zhì)氣化爐的溫度智能控制系統(tǒng)進行仿真實驗，并進行詳細地分析。為了保證生物質(zhì)氣化爐能夠在條件大體一致的狀態(tài)下進行運行狀況，仿真實驗可以采用組合預(yù)測算法。首先要到某廠氣化爐現(xiàn)場采集2000組干燥層溫度數(shù)據(jù)，并且從中選取連續(xù)1500組作為仿真實驗樣本數(shù)據(jù)，然后對剩余500組實驗樣本數(shù)據(jù)進行研究，通過兩組數(shù)據(jù)的分析建立預(yù)測模型。然后采用模糊神經(jīng)網(wǎng)絡(luò)對生物質(zhì)氣化爐的溫度控制系統(tǒng)進行三次模擬化實驗，三種不同情況下的仿真試驗結(jié)果為：在無外界任何干擾的情況下，模糊神經(jīng)網(wǎng)絡(luò)控制無論在超調(diào)量還是其他方面，都比單純的模糊控制效果好；在生物質(zhì)給料量擾動的情況下，模糊神經(jīng)網(wǎng)絡(luò)控制要比單純的模糊控制所受的影響要小很多；在發(fā)生一次風量攪動的情況下，模糊神經(jīng)網(wǎng)絡(luò)控制仍受到極小的影響。從三種不同情況下的仿真試驗中可以看出基于模糊神經(jīng)網(wǎng)絡(luò)的生物質(zhì)氣化爐的爐溫智能控制系統(tǒng)效果較好，具有極強的抗干擾性，能夠有效地預(yù)測氣化爐溫度實時值，把平均誤差控制在很小范圍內(nèi)，并且智能控制系統(tǒng)能實時跟蹤實際溫度的變化，根據(jù)實際溫度的變化做出相應(yīng)的變化，從而能夠有效地控制氣化爐溫度和可燃氣體含氧量。

4 結(jié)束語

總之，基于模糊神經(jīng)網(wǎng)絡(luò)的生物質(zhì)氣化爐的智能控制系統(tǒng)具有較好的控制效果，有效的解決了生物質(zhì)氣化過程中的一系列問題，能夠十分精確地控制生物質(zhì)氣化爐的爐溫及可燃氣體的含氧量，對于保證社會經(jīng)濟的穩(wěn)定發(fā)展以及生態(tài)環(huán)境的改善發(fā)揮了重要作用。

參考文獻

[1]王春華.基于模糊神經(jīng)網(wǎng)絡(luò)的生物質(zhì)氣化爐的智能控制[J].動力工程，2009（09）：828-830.

[2]王中賢.熱管生物質(zhì)氣化爐的模擬與試驗[J].江蘇大學學報：自然科學版，2008，29（6）：512-515.

第7篇：神經(jīng)網(wǎng)絡(luò)的優(yōu)勢范文

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)，內(nèi)燃機性能，模型，自適應(yīng)性

一、概述

內(nèi)燃機是一個復雜、非線性、多變量、不易建模的龐大系統(tǒng)，同時又具有時滯和干擾等特點。因此，單純依靠實驗來研究，耗時多、費用大、更改實驗條件不靈活。神經(jīng)網(wǎng)絡(luò)通過學習后，能從大量的性能測驗數(shù)據(jù)中找出內(nèi)燃機的性能參數(shù)與內(nèi)燃機狀態(tài)變量之間的隱含非線性映射關(guān)系，然后對這種關(guān)系進行展開分析研究，就能尋找改善內(nèi)燃機性能的有效途徑。

二、神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是指利用工程技術(shù)手段模擬人腦神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和功能的一種技術(shù)系統(tǒng)，是一種大規(guī)模并行的非線性動力學系統(tǒng)。導入一定的輸入、輸出信號值后，網(wǎng)絡(luò)就會根據(jù)輸入和輸出，并結(jié)合設(shè)定的理想誤差不斷地調(diào)節(jié)自己的各節(jié)點之間的連接權(quán)值來滿足輸入和輸出。

1、神經(jīng)網(wǎng)絡(luò)的基本要素（見圖一）

1）一組連接，連接強度由各連接上的權(quán)值表示，權(quán)值為正表示激活，為負表示抑制。

2）一個求和單元，用于求取各輸入信號的加權(quán)和。

3）一個非線性激活函數(shù)，起非線性映射作用并將神經(jīng)元輸出幅度限制在一定范圍內(nèi)（一般限制在（0，1）或（？1，1）之間），此外還有一個閾值。

圖一

2、神經(jīng)網(wǎng)絡(luò)作用過程的數(shù)學式表達

式中，，…，為輸入信號，，，…，為神經(jīng)元k之權(quán)值，為線性組合結(jié)果，為閾值，為激活函數(shù)，為神經(jīng)元k的輸出。

3、神經(jīng)網(wǎng)絡(luò)的特點

1）可以充分逼近任意復雜的非線性關(guān)系。

2）具有并行結(jié)構(gòu)和并行處理能力。

3）因為網(wǎng)絡(luò)內(nèi)的所有信息對各個神經(jīng)元都是等勢的，因此部分信息丟失或者一定的節(jié)點不參與運算，對結(jié)果均不會產(chǎn)生重大影響。這表現(xiàn)為其強大的魯棒性和容錯性。

4）神經(jīng)元之間連接的多樣性和連接強度的可塑性，使得其具有很強的自適應(yīng)性，表現(xiàn)為：學習性、自組織能力、綜合推理能力和可訓練性的等4個方面。

三、神經(jīng)網(wǎng)絡(luò)在內(nèi)燃機性能研究中的應(yīng)用

1、內(nèi)燃機性能研究

通過選擇正確的樣本數(shù)據(jù)和合理的神經(jīng)網(wǎng)絡(luò)模型，對網(wǎng)絡(luò)進行訓練后就能夠很好的逼近內(nèi)燃機的工作過程，從而對相關(guān)的性能進行研究和預(yù)測。

2、基于神經(jīng)網(wǎng)絡(luò)的內(nèi)燃機故障診斷系統(tǒng)

在內(nèi)燃機的一些重要部位安裝傳感器，通過傳感器收集數(shù)據(jù)隨故障持續(xù)發(fā)展的變化情況，并將數(shù)據(jù)同時加載到兩組BP網(wǎng)絡(luò)中，一組用于對故障的分類，另一組用于對故障嚴重程度的估計。網(wǎng)絡(luò)訓練后就能很好地定位故障并作出相應(yīng)的預(yù)測。

3、內(nèi)燃機可靠性與優(yōu)化設(shè)計中的神經(jīng)網(wǎng)絡(luò)方法

先對零件進行可靠性分析，然后根據(jù)設(shè)計要求建立可靠性概率約束條件模型，最后用神經(jīng)網(wǎng)絡(luò)方法進行優(yōu)化求解。

第8篇：神經(jīng)網(wǎng)絡(luò)的優(yōu)勢范文

關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò) 企業(yè)經(jīng)濟 預(yù)測

當代公司都處于劇烈的競爭之中，怎樣先人一步成為了管理過程中重要的一步。怎樣準確的預(yù)測企業(yè)的經(jīng)濟變化，也成為了企業(yè)競爭過程中的核心，只有掌握了企業(yè)未來的經(jīng)濟發(fā)展狀況，才可以在當下采取相關(guān)措施進行有針對性的解決或者支持，進而幫助企業(yè)規(guī)避風險、增加效益。所以，人工神經(jīng)網(wǎng)絡(luò)的出現(xiàn)勢在必得，它極大地提升了預(yù)測的效率和準確性，摒棄了舊時代的預(yù)測不準、不快、太難的先天弊端，使得企業(yè)經(jīng)濟預(yù)測變得具有科學性和說服力。本文以此為切入點，將人工神經(jīng)網(wǎng)絡(luò)引入企業(yè)經(jīng)濟預(yù)測，結(jié)合相關(guān)實際，討論其原理和應(yīng)用情況。

一、具體預(yù)測方法介紹

1.時序預(yù)測模式

當前，關(guān)于人工神經(jīng)網(wǎng)絡(luò)對企業(yè)的預(yù)測，通常選擇數(shù)學函數(shù)模型，。但是因為神經(jīng)網(wǎng)絡(luò)的復雜性和擬合難度大，更多的企業(yè)選擇基于神經(jīng)網(wǎng)絡(luò)的時序模型。這樣的方法既能結(jié)合神經(jīng)網(wǎng)絡(luò)的優(yōu)勢，也可以進一步抵消由于神經(jīng)網(wǎng)絡(luò)預(yù)測帶來的系統(tǒng)誤差，使得結(jié)果更加精準。而具體方法為利用神經(jīng)網(wǎng)絡(luò)體系對時序進行數(shù)學模型建立之后，再將神經(jīng)網(wǎng)絡(luò)系統(tǒng)中計算出的相對誤差拿出來作為一組基礎(chǔ)數(shù)據(jù)進而進行分析，想要徹底解除誤差的干擾，應(yīng)該同時建立多個網(wǎng)絡(luò)，平行的進行對比，這樣還可以提升預(yù)測精準度。

2.基于軟件數(shù)據(jù)處理的神經(jīng)網(wǎng)絡(luò)預(yù)測

人工神經(jīng)網(wǎng)絡(luò)的實現(xiàn)方法有很多種，但是不同的方法具有不同的優(yōu)勢，他們統(tǒng)一的特點都是：學術(shù)性強、具有復雜性。其中，借助于計算機的方法最為盛行。因為它快速有效，具有可操作性和普及型，跟企業(yè)經(jīng)濟實力沒有絕對關(guān)系，大部分企業(yè)選擇這一方法進行經(jīng)濟預(yù)測，在這其中包括軟件數(shù)據(jù)、硬件技術(shù)對比等，利用軟件將企業(yè)近段時間經(jīng)營數(shù)據(jù)收納后，運用擬定好的函數(shù)模型，快速的呈現(xiàn)出學科知識范疇下的企業(yè)經(jīng)濟預(yù)測結(jié)果。而硬件技術(shù)也相對操作性較難，所以在目前的狀況下，絕大多數(shù)方案選擇的是軟件數(shù)據(jù)處理。

二、財務(wù)危機預(yù)警模型應(yīng)用結(jié)果分析

人工神經(jīng)系統(tǒng)中反復提到唯一變量分析模式，這個方法的優(yōu)勢在于簡便、上手快、結(jié)果清晰明了、應(yīng)用范疇廣。這樣的優(yōu)點使得這個方法非常受到中小企業(yè)的歡迎。但是這一模式也有著非常大的弊端：首先，因為這個模式只關(guān)注一個參考量，所以缺乏對全局的考量和其他微弱影響因素的關(guān)注，使得結(jié)果比較主觀。其次，唯一的變量會和其他變量之間產(chǎn)生沖突，無法準確判斷多個結(jié)果間的彼此聯(lián)系。最后，企業(yè)經(jīng)濟預(yù)測是一個需要多方面統(tǒng)籌的問題，僅僅使用一個變量參考缺乏說服力，需要提供詳細的企業(yè)財務(wù)數(shù)據(jù)與多個變量進行平衡計算。

第一，即使唯一變量法簡單易操作、方便處理數(shù)據(jù)，但是其經(jīng)濟預(yù)測精準度有待加強。人工神經(jīng)網(wǎng)絡(luò)是一個復雜高效的系統(tǒng)，必須保證數(shù)據(jù)的準確，只有在平時的財務(wù)處理過程中，根據(jù)企業(yè)自身的實際情況，將多項參考指標加入預(yù)測體系中，才可以提前知曉即將到來的經(jīng)濟形勢變化。所以可將唯一變量法作為一項輔助手段，幫助主要的人工神經(jīng)網(wǎng)絡(luò)預(yù)測方式，雙管齊下進行預(yù)測，能夠取得更好的效果。

第二，因為我國國情，企業(yè)內(nèi)部信息也相對缺乏真實可靠性，如果采用了唯一變量法，假使選用的變量具有有決定性意義而且企業(yè)自身容易出現(xiàn)紕漏，這樣不僅不會取得良好的經(jīng)濟預(yù)測結(jié)果，反而會誤導企業(yè)的發(fā)展走向后患無窮。所以應(yīng)該在企業(yè)內(nèi)部實行責任人員制度，即讓相關(guān)責任和工作人員對應(yīng)起來，讓每方面的信息責任具體到人頭上，有針對性的對企業(yè)內(nèi)心信息進行管理，使得企業(yè)經(jīng)濟發(fā)展過程中每個部分都有據(jù)可依有人可查，不僅避免了相關(guān)信息的問題，而且能夠幫助人工神經(jīng)網(wǎng)絡(luò)獲得更準確的數(shù)據(jù)。

三、結(jié)論

經(jīng)濟發(fā)展的不確定性讓基于人工神經(jīng)系統(tǒng)的預(yù)測模式應(yīng)運而生，其實根本不存在完全精準有效的預(yù)測方法，只不過是在以往數(shù)據(jù)的基礎(chǔ)上結(jié)合相關(guān)實際，做出符合預(yù)期的預(yù)測，要想發(fā)揮出人工神經(jīng)系統(tǒng)網(wǎng)絡(luò)的優(yōu)勢，不僅需要不斷加強企業(yè)內(nèi)部管理，保證所用數(shù)據(jù)真實性可靠性，更需要企業(yè)自身開發(fā)出更多適合企業(yè)實際情況的預(yù)警措施。退一步說，企業(yè)或許根本不需要經(jīng)濟預(yù)測模式，他們應(yīng)該注重怎樣在經(jīng)營管理活動中提高效率，在現(xiàn)有資源情況下規(guī)避相關(guān)風險，同時不影響經(jīng)營狀況。只有這樣才能從根本上解決企業(yè)需要面對的問題，從而增強企業(yè)實力，完成更好的經(jīng)濟發(fā)展。

參考文獻：

[1]王超，佘廉.人工神經(jīng)網(wǎng)絡(luò)在企業(yè)預(yù)警管理系統(tǒng)中的應(yīng)用.武漢理工大學學報，2010年04期

[2]劉艷，楊鵬.基于ANN技術(shù)的企業(yè)經(jīng)濟預(yù)警系統(tǒng)的構(gòu)建.暨南大學管理學院、廣東金融學院工商管理系

第9篇：神經(jīng)網(wǎng)絡(luò)的優(yōu)勢范文

關(guān)鍵詞： 時間序列； BP神經(jīng)網(wǎng)絡(luò)； EMD； 本征模函數(shù)； 預(yù)測模型

中圖分類號：TP311.1 文獻標志碼：A 文章編號：1006-8228（2014）02-01-04

0 引言

時間序列是將某種現(xiàn)象某一個統(tǒng)計指標在不同時間上的各個數(shù)值，按時間先后順序排列而形成的序列。時間序列分析是一種動態(tài)的數(shù)列分析[1]，出發(fā)點是承認數(shù)據(jù)的有序性和相關(guān)性，通過數(shù)據(jù)內(nèi)部的相互關(guān)系來辨識系統(tǒng)的變化規(guī)律。常用的時間序列分析法主要是建立在回歸――移動平均模型（ARMA）[2-3]之上，被用來對股價（最高價、最低價、開盤價、收盤價）及綜合指數(shù)進行預(yù)測[4-5]。然而，這些經(jīng)典回歸分析暗含著一個重要假設(shè)：數(shù)據(jù)是平穩(wěn)的。如果數(shù)據(jù)非平穩(wěn)，往往導致出現(xiàn)“虛假回歸”，嚴重影響預(yù)測效果。股票等金融數(shù)據(jù)是典型的非平穩(wěn)時間序列，一般地說，股票價格的變化主要包括經(jīng)濟性因素、政治性因素、人為操縱因素、有關(guān)行業(yè)及投資者心理等多種因素的影響，各因素的影響程度、時間范圍和方式也不盡相同；且股市各因素間相互關(guān)系錯綜復雜，主次關(guān)系變化不定，數(shù)量關(guān)系難以提取及定量分析[6]。因此，需要尋找一種好的方法來避免或減弱這些因素的影響，于是學者研究小波分析[6]和神經(jīng)網(wǎng)絡(luò)[7-8]用于時間序列分析預(yù)測。小波變換可以使非平穩(wěn)數(shù)據(jù)中的有效成分和噪聲呈現(xiàn)出各自不同的特征，但小波變換中小波基的選取會對數(shù)據(jù)去噪的效果產(chǎn)生很大的影響，因此利用小波變換對非平穩(wěn)數(shù)據(jù)分析的方法缺乏自適應(yīng)性。Zhaohua Wu[11]等人通過大量的實驗，證實經(jīng)驗?zāi)B(tài)分解（EMD，Empirical mode decomposition）具有類似小波變換中的二進濾波器特性，通過分解、數(shù)據(jù)重組后實現(xiàn)了數(shù)據(jù)的去噪，汲取了小波變換優(yōu)勢，同時又克服了小波變換中的小波基選擇難的問題。

本文將經(jīng)驗?zāi)B(tài)分解和BP神經(jīng)網(wǎng)絡(luò)相結(jié)合，構(gòu)建了一種基于EMD-BP神經(jīng)網(wǎng)絡(luò)的預(yù)測模型，通過對中國石化股票進行預(yù)測模擬仿真，實驗結(jié)果得出結(jié)論，將EMD用于時間序列的預(yù)測分析，大大降低了擾動因素的影響，提高了預(yù)測精度。

1 時間序列的BP神經(jīng)網(wǎng)絡(luò)訓練

神經(jīng)網(wǎng)絡(luò)具有較強的學習能力和適應(yīng)能力，在非線性系統(tǒng)中的預(yù)測方面得到了廣泛的應(yīng)用?？紤]到金融數(shù)據(jù)是一類非線性較強的時間序列，本文選用BP神經(jīng)網(wǎng)絡(luò)作為預(yù)測工具。BP網(wǎng)絡(luò)[9-10]是一種多層前饋型神經(jīng)網(wǎng)絡(luò)，其神經(jīng)采用的傳遞函數(shù)一般都是Sigmoid（S形彎曲）型可微函數(shù)，是嚴格的遞增函數(shù)，在線性和非線性之間顯現(xiàn)出較好的平衡，所以可實現(xiàn)輸入和輸出間的任意非線性映射，適用于中長期的預(yù)測；逼近效果好，計算速度快，不需要建立數(shù)學模型，精度高；理論依據(jù)堅實，推導過程嚴謹，所得公式對稱優(yōu)美，具有強非線性擬合能力。目前，已經(jīng)有一些比較成熟的神經(jīng)網(wǎng)絡(luò)軟件包，其中MATLAB的神經(jīng)網(wǎng)絡(luò)工具箱應(yīng)用最為廣泛。

在網(wǎng)絡(luò)訓練中，最重要的三個參數(shù)是權(quán)值、學習率和單元數(shù)。權(quán)值可能變得很大，這會使神經(jīng)元的輸入變得很大，從而使得其激活函數(shù)的導函數(shù)在輸入點的取值很小，這樣訓練的步長就會變得非常小，進而導致訓練的速度下降到很小的程度，最終可能使得網(wǎng)絡(luò)停止收斂，即網(wǎng)絡(luò)癱瘓。因此在對網(wǎng)絡(luò)的連接權(quán)矩陣進行初始化時，隨機給定各層之間的權(quán)值與閾值的初始值比單純地隨機給定某一部分層的收斂速度更快。學習率的選擇，其合理與否是網(wǎng)絡(luò)是否穩(wěn)定的關(guān)鍵：太高的學習率，可以減少網(wǎng)絡(luò)訓練的時間，但是容易導致網(wǎng)絡(luò)的不穩(wěn)定與訓練誤差的增加；太低的學習率，需要較長的訓練時間。在一定的條件下，較少的單元數(shù)目往往能夠提高網(wǎng)絡(luò)的收斂速度，而較多的單元數(shù)目有可能在規(guī)定的訓練長度里不能滿足要求。因此，對于參數(shù)數(shù)目的選擇，并沒有一個固定的模型，往往根據(jù)更多的經(jīng)驗成分。

2.1 經(jīng)驗?zāi)B(tài)分解（EMD）

經(jīng)驗?zāi)B(tài)分解法EMD[11]是由美國NASA的黃鍔博士提出的一種信號分析方法。它適合于分析非線性、非平穩(wěn)信號序列，具有很高的信噪比。該方法的關(guān)鍵是經(jīng)驗?zāi)Ｊ椒纸猓苁箯碗s信號分解為有限個本征模函數(shù)（Intrinsic Mode Function，簡稱IMF），所分解出來的各IMF分量包含了原信號的不同時間尺度的局部特征信號。

EMD是基于以下假設(shè)條件：①數(shù)據(jù)至少有一個最大值和一個最小值兩個極值點；②數(shù)據(jù)極值點間的時間尺度惟一確定局部時域特性；③如果數(shù)據(jù)沒有極值點但必須有拐點，通過對數(shù)據(jù)微分一次或多次求得極值，再通過積分來獲得分解結(jié)果。

2.2 數(shù)據(jù)重構(gòu)

對原始數(shù)據(jù)進行EMD分解后，得到有限個IMF分量。為了降低原始數(shù)據(jù)中的非平穩(wěn)性，需要對得到的各分量進行相關(guān)系數(shù)分析，篩選出有用的IMF分量，對其進行重構(gòu)，以得到一個與原始數(shù)據(jù)近似的新數(shù)據(jù)進行預(yù)測實驗。

數(shù)據(jù)重組的方法有多種，本文采用相關(guān)系數(shù)分析法進行數(shù)據(jù)的篩選。由于篇幅有限，關(guān)于EMD分解與重構(gòu)的代碼不在本文提供。

2.3 應(yīng)用訓練好的神經(jīng)網(wǎng)絡(luò)對合成數(shù)據(jù)預(yù)測

對于非線性系統(tǒng)，BP神經(jīng)網(wǎng)絡(luò)預(yù)測有著明顯的優(yōu)勢。但是在復雜的非線性系統(tǒng)中，非平穩(wěn)因素給預(yù)測帶來了一定的困難。正是因為EMD分解降低了各個分量的平穩(wěn)性[12]，才得到了廣泛應(yīng)用[13-15]。金融數(shù)據(jù)等時間序列隨著時間，以及在多種因素的影響下會隨之改變，所以數(shù)據(jù)本質(zhì)上是非平穩(wěn)的，因此利用神經(jīng)網(wǎng)絡(luò)對該數(shù)據(jù)進行預(yù)測，數(shù)據(jù)的平穩(wěn)性使得其預(yù)測結(jié)果不是很理想，為了提高預(yù)測精度，我們用EMD方法對數(shù)據(jù)進行分解，以降低其非平穩(wěn)性對預(yù)測精度的影響。然后對分解后的各分量進行相關(guān)系數(shù)分析比較，選取有用的IMF分量，進行數(shù)據(jù)的合成，從而得到一個與原始數(shù)據(jù)近似的新數(shù)據(jù)。將重組后的擬合數(shù)據(jù)輸入到訓練好的BP神經(jīng)網(wǎng)絡(luò)進行預(yù)測。預(yù)測過程如圖1所示。

3 應(yīng)用實例和分析

3.1 股票數(shù)據(jù)的BP神經(jīng)網(wǎng)絡(luò)訓練

將中國石化股票從2011年6月至2011年12月共130天的股票價格數(shù)據(jù)進行樣本劃分。用前60天的數(shù)據(jù)來預(yù)測后5天的數(shù)據(jù)，作為網(wǎng)絡(luò)訓練集。選取剩下的60天數(shù)據(jù)預(yù)測最后的5天，作為測試集。

3.3 數(shù)據(jù)合成及預(yù)測

本文對中國石化股票數(shù)據(jù)（圖3）進行EMD分解后得到4個IMF分量和1個剩余分量。對4個分量分別進行與剩余分量的相關(guān)系數(shù)分析。分析結(jié)果表明，IMF3和IMF4相關(guān)性較大，并與剩余分量的相關(guān)性也較大（相關(guān)門限值選取0.3）。所以選取IMF3和IMF4兩個分量與剩余分量進行重構(gòu)，得到與原始數(shù)據(jù)近似的較平滑的新數(shù)據(jù)如圖9所示。

經(jīng)過比較可知，對于具有非平穩(wěn)強烈的股票時間序列的預(yù)測，基于EMD的BP神經(jīng)網(wǎng)絡(luò)預(yù)測要比直接BP神經(jīng)網(wǎng)絡(luò)預(yù)測更為準確。

對于非平穩(wěn)的時間序列，BP神經(jīng)網(wǎng)絡(luò)預(yù)測有著明顯的優(yōu)勢，但是對于影響因素復雜的非平穩(wěn)數(shù)據(jù)，多種因素的干擾給預(yù)測帶來了一定的困難。EMD分解分離了各個不同因素的相互干擾，通過對各分量單獨預(yù)測再合成的處理，從而提高了預(yù)測精度。從表1可以看出最終的預(yù)測誤差經(jīng)過EMD分解的信號要精確于直接神經(jīng)網(wǎng)絡(luò)預(yù)測。從圖4中可以看出影響信號平穩(wěn)性程度最大的是IMF1，如果再對其進行分解處理，整個系統(tǒng)的預(yù)測精度會得到更大的改善。

4 結(jié)束語

對于非平穩(wěn)的時間序列，BP神經(jīng)網(wǎng)絡(luò)預(yù)測有著明顯的優(yōu)勢，但是對于影響因素復雜的非平穩(wěn)數(shù)據(jù)，多種因素的干擾給預(yù)測帶來了一定的困難。EMD分解分離了各個不同因素的相互干擾，通過對各分量分析再合成的處理，提高了預(yù)測精度。目前EMD方法主要用于模擬信號和大氣數(shù)據(jù)分析[13-15]，用于金融數(shù)據(jù)預(yù)測還較為少見。本文將其與BP神經(jīng)網(wǎng)絡(luò)結(jié)合，構(gòu)建了EMD-BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型。從本文的預(yù)測過程和仿真結(jié)果可以看到，利用EMD分解的BP神經(jīng)網(wǎng)絡(luò)預(yù)測優(yōu)于直接BP神經(jīng)網(wǎng)絡(luò)預(yù)測，相比其精確度有了明顯的提高。

參考文獻：

[1] 劉瑛慧，曹家璉.時間序列分析理論與發(fā)展趨勢[J].電腦知識與技術(shù)，2010.2：257-258

[2] 劉佳，趙文慧，劉光榮.基于SAS的非平穩(wěn)時間序列分析及實證研究[J].汕頭大學學報.2010.2（1）：48-53.

[3] 李海林，郭崇慧，時間序列數(shù)據(jù)挖掘征表示與相似性度量研究綜述[J].計算機應(yīng)用研究，2013.5（30）：1285-1290

[4] 魏宇.中國股票市場的最優(yōu)波動率預(yù)測模型研究[J].管理學報，2010.6（6）：936-942

[5] 方啟東，溫鑫，蔣佳靜等.基于時間序列的股價預(yù)測[J].宿州學院學報，2010.8（8）：71-74

[6] 杜建衛(wèi)，王超峰.小波分析方法在金融股票數(shù)據(jù)中的應(yīng)用[J].數(shù)學的實踐與認識，2008.7（38-7）：68-75

[7] 劉海，白艷萍.時間序列模型和神經(jīng)網(wǎng)絡(luò)模型在股票預(yù)測中的分析[J].數(shù)學的實踐與認識，2011.2（4）：14-19

[8] 張媛，劉紅忠.基于行為金融的神經(jīng)網(wǎng)絡(luò)模型在股票價格預(yù)測中的有效性研究[J].世界經(jīng)濟情況，2011.2（2）：62-67

[9] 焦淑華，夏冰，徐海靜，劉瑩.BP神經(jīng)網(wǎng)絡(luò)預(yù)測的MATLAB實現(xiàn)[J].哈爾濱金融高等?？茖W校學報，2009.3（97）：55-56

[10] 李萍，曾令可，稅安澤，金雪莉，劉艷春，王慧.基于MATLAB的BP神經(jīng)網(wǎng)絡(luò)預(yù)測系統(tǒng)的設(shè)計[J].計算機應(yīng)用與軟件，2008.4（25-4）：149-151

[11] Zhaohua Wu， Norden E. Huang. A study of the characteristics of white noise using the empirical mode decomposition method[J].The Royal Society，2004.3（10）：1597-1611

[12] 劉慧婷，倪志偉，李建洋.經(jīng)驗?zāi)B(tài)分解方法及其應(yīng)用[J].計算機工程及應(yīng)用，2006.1（32）：44-47

[13] 徐世艷.經(jīng)驗?zāi)B(tài)分解的時頻分析方法及其應(yīng)用[J].吉林大學學報，2009.9（27-5）：487-492