神經(jīng)網(wǎng)絡(luò)的現(xiàn)狀精選(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)的現(xiàn)狀主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：神經(jīng)網(wǎng)絡(luò)的現(xiàn)狀范文

[摘要]該文介紹了神經(jīng)網(wǎng)絡(luò)的發(fā)展、優(yōu)點及其應(yīng)用和發(fā)展動向，著重論述了神經(jīng)網(wǎng)絡(luò)目前的幾個研究熱點，即神經(jīng)網(wǎng)絡(luò)與遺傳算法、灰色系統(tǒng)、專家系統(tǒng)、模糊控制、小波分析的結(jié)合。

[關(guān)鍵詞]遺傳算法灰色系統(tǒng)專家系統(tǒng)模糊控制小波分析

一、前言

神經(jīng)網(wǎng)絡(luò)最早的研究20世紀(jì)40年代心理學(xué)家Mcculloch和數(shù)學(xué)家Pitts合作提出的，他們提出的MP模型拉開了神經(jīng)網(wǎng)絡(luò)研究的序幕。神經(jīng)網(wǎng)絡(luò)的發(fā)展大致經(jīng)過三個階段：1947~1969年為初期，在這期間科學(xué)家們提出了許多神經(jīng)元模型和學(xué)習(xí)規(guī)則，如MP模型、HEBB學(xué)習(xí)規(guī)則和感知器等；1970~1986年為過渡期，這個期間神經(jīng)網(wǎng)絡(luò)研究經(jīng)過了一個低潮，繼續(xù)發(fā)展。在此期間，科學(xué)家們做了大量的工作，如Hopfield教授對網(wǎng)絡(luò)引入能量函數(shù)的概念，給出了網(wǎng)絡(luò)的穩(wěn)定性判據(jù)，提出了用于聯(lián)想記憶和優(yōu)化計算的途徑。1984年，Hiton教授提出Boltzman機模型。1986年Kumelhart等人提出誤差反向傳播神經(jīng)網(wǎng)絡(luò)，簡稱BP網(wǎng)絡(luò)。目前，BP網(wǎng)絡(luò)已成為廣泛使用的網(wǎng)絡(luò)；1987年至今為發(fā)展期，在此期間，神經(jīng)網(wǎng)絡(luò)受到國際重視，各個國家都展開研究，形成神經(jīng)網(wǎng)絡(luò)發(fā)展的另一個。神經(jīng)網(wǎng)絡(luò)具有以下優(yōu)點：

(1)具有很強的魯棒性和容錯性，因為信息是分布貯于網(wǎng)絡(luò)內(nèi)的神經(jīng)元中。

(2)并行處理方法，使得計算快速。

(3)自學(xué)習(xí)、自組織、自適應(yīng)性，使得網(wǎng)絡(luò)可以處理不確定或不知道的系統(tǒng)。

(4)可以充分逼近任意復(fù)雜的非線性關(guān)系。

(5)具有很強的信息綜合能力，能同時處理定量和定性的信息，能很好地協(xié)調(diào)多種輸入信息關(guān)系，適用于多信息融合和多媒體技術(shù)。

二、神經(jīng)網(wǎng)絡(luò)應(yīng)用現(xiàn)狀

神經(jīng)網(wǎng)絡(luò)以其獨特的結(jié)構(gòu)和處理信息的方法，在許多實際應(yīng)用領(lǐng)域中取得了顯著的成效，主要應(yīng)用如下：

(1)圖像處理。對圖像進行邊緣監(jiān)測、圖像分割、圖像壓縮和圖像恢復(fù)。

(2)信號處理。能分別對通訊、語音、心電和腦電信號進行處理分類；可用于海底聲納信號的檢測與分類，在反潛、掃雷等方面得到應(yīng)用。

(3)模式識別。已成功應(yīng)用于手寫字符、汽車牌照、指紋和聲音識別，還可用于目標(biāo)的自動識別和定位、機器人傳感器的圖像識別以及地震信號的鑒別等。

(4)機器人控制。對機器人眼手系統(tǒng)位置進行協(xié)調(diào)控制，用于機械手的故障診斷及排除、智能自適應(yīng)移動機器人的導(dǎo)航。

(5)衛(wèi)生保健、醫(yī)療。比如通過訓(xùn)練自主組合的多層感知器可以區(qū)分正常心跳和非正常心跳、基于BP網(wǎng)絡(luò)的波形分類和特征提取在計算機臨床診斷中的應(yīng)用。

(6)焊接領(lǐng)域。國內(nèi)外在參數(shù)選擇、質(zhì)量檢驗、質(zhì)量預(yù)測和實時控制方面都有研究，部分成果已得到應(yīng)用。

(7)經(jīng)濟。能對商品價格、股票價格和企業(yè)的可信度等進行短期預(yù)測。

(8)另外，在數(shù)據(jù)挖掘、電力系統(tǒng)、交通、軍事、礦業(yè)、農(nóng)業(yè)和氣象等方面亦有應(yīng)用。

三、神經(jīng)網(wǎng)絡(luò)發(fā)展趨勢及研究熱點

1.神經(jīng)網(wǎng)絡(luò)研究動向

神經(jīng)網(wǎng)絡(luò)雖已在許多領(lǐng)域應(yīng)用中取得了廣泛的成功，但其發(fā)展還不十分成熟，還有一些問題需進一步研究。

(1)神經(jīng)計算的基礎(chǔ)理論框架以及生理層面的研究仍需深入。這方面的工作雖然很困難，但為了神經(jīng)計算的進一步發(fā)展卻是非做不可的。

(2)除了傳統(tǒng)的多層感知機、徑向基函數(shù)網(wǎng)絡(luò)、自組織特征映射網(wǎng)絡(luò)、自適應(yīng)諧振理論網(wǎng)絡(luò)、模糊神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)之外，一些新的模型和結(jié)構(gòu)很值得關(guān)注，例如最近興起的脈沖神經(jīng)網(wǎng)絡(luò)(spikingneuralnetwork)和支持向量機(supportvectormachine)。

(3)神經(jīng)計算技術(shù)與其他技術(shù)尤其是進化計算技術(shù)的結(jié)合以及由此而來的混合方法和混合系統(tǒng)，正成為一大研究熱點。

(4)增強神經(jīng)網(wǎng)絡(luò)的可理解性是神經(jīng)網(wǎng)絡(luò)界需要解決的一個重要問題。這方面的工作在今后若干年中仍然會是神經(jīng)計算和機器學(xué)習(xí)界的一個研究熱點。

(5)神經(jīng)網(wǎng)絡(luò)的應(yīng)用領(lǐng)域?qū)⒉粩鄶U大，在未來的幾年中有望在一些領(lǐng)域取得更大的成功，特別是多媒體技術(shù)、醫(yī)療、金融、電力系統(tǒng)等領(lǐng)域。

2.研究熱點

(1)神經(jīng)網(wǎng)絡(luò)與遺傳算法的結(jié)合。遺傳算法與神經(jīng)網(wǎng)絡(luò)的結(jié)合主要體現(xiàn)在以下幾個方面：網(wǎng)絡(luò)連接權(quán)重的進化訓(xùn)練；網(wǎng)絡(luò)結(jié)構(gòu)的進化計算；網(wǎng)絡(luò)結(jié)構(gòu)和連接權(quán)重的同時進化；訓(xùn)練算法的進化設(shè)計?；谶M化計算的神經(jīng)網(wǎng)絡(luò)設(shè)計和實現(xiàn)已在眾多領(lǐng)域得到應(yīng)用，如模式識別、機器人控制、財政等，并取得了較傳統(tǒng)神經(jīng)網(wǎng)絡(luò)更好的性能和結(jié)果。但從總體上看，這方面研究還處于初期階段，理論方法有待于完善規(guī)范，應(yīng)用研究有待于加強提高。神經(jīng)網(wǎng)絡(luò)與進化算法相結(jié)合的其他方式也有待于進一步研究和挖掘。

(2)神經(jīng)網(wǎng)絡(luò)與灰色系統(tǒng)的結(jié)合?；疑到y(tǒng)理論是一門極有生命力的系統(tǒng)科學(xué)理論，自1982年華中理工大學(xué)的鄧聚龍教授提出灰色系統(tǒng)后迅速發(fā)展，以初步形成以灰色關(guān)聯(lián)空間為基礎(chǔ)的分析體系，以灰色模型為主體的模型體系，以灰色過程及其生存空間為基礎(chǔ)與內(nèi)的方法體系，以系統(tǒng)分析、建模、預(yù)測、決策、控制、評估為綱的技術(shù)體系。目前，國內(nèi)外對灰色系統(tǒng)的理論和應(yīng)用研究已經(jīng)廣泛開展，受到學(xué)者的普遍關(guān)注?；疑到y(tǒng)理論在在處理不確定性問題上有其獨到之處，并能以系統(tǒng)的離散時序建立連續(xù)的時間模型，適合于解決無法用傳統(tǒng)數(shù)字精確描述的復(fù)雜系統(tǒng)問題。

神經(jīng)網(wǎng)絡(luò)與灰色系統(tǒng)的結(jié)合方式有：(1)神經(jīng)網(wǎng)絡(luò)與灰色系統(tǒng)簡單結(jié)合；(2)串聯(lián)型結(jié)合；(3)用神經(jīng)網(wǎng)絡(luò)增強灰色系統(tǒng)；(4)用灰色網(wǎng)絡(luò)輔助構(gòu)造神經(jīng)網(wǎng)絡(luò)；(5)神經(jīng)網(wǎng)絡(luò)與灰色系統(tǒng)的完全融合。

(3)神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)的結(jié)合?；谏窠?jīng)網(wǎng)絡(luò)與專家系統(tǒng)的混合系統(tǒng)的基本出發(fā)點立足于將復(fù)雜系統(tǒng)分解成各種功能子系統(tǒng)模塊，各功能子系統(tǒng)模塊分別由神經(jīng)網(wǎng)絡(luò)或?qū)＜蚁到y(tǒng)實現(xiàn)。其研究的主要問題包括：混合專家系統(tǒng)的結(jié)構(gòu)框架和選擇實現(xiàn)功能子系統(tǒng)方式的準(zhǔn)則兩方面。由于該混合系統(tǒng)從根本上拋開了神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)的技術(shù)限制，是當(dāng)前研究的熱點。把粗集神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)用于醫(yī)學(xué)診斷，表明其相對于傳統(tǒng)方法的優(yōu)越性。

(4)神經(jīng)網(wǎng)絡(luò)與模糊邏輯的結(jié)合

模糊邏輯是一種處理不確定性、非線性問題的有力工具。它比較適合于表達(dá)那些模糊或定性的知識，其推理方式比較類似于人的思維方式，這都是模糊邏輯的優(yōu)點。但它缺乏有效的自學(xué)習(xí)和自適應(yīng)能力。

而將模糊邏輯與神經(jīng)網(wǎng)絡(luò)結(jié)合，則網(wǎng)絡(luò)中的各個結(jié)點及所有參數(shù)均有明顯的物理意義，因此這些參數(shù)的初值可以根據(jù)系統(tǒng)的模糊或定性的知識來加以確定，然后利用學(xué)習(xí)算法可以很快收斂到要求的輸入輸出關(guān)系，這是模糊神經(jīng)網(wǎng)絡(luò)比單純的神經(jīng)網(wǎng)絡(luò)的優(yōu)點所在。同時，由于它具有神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，因而參數(shù)的學(xué)習(xí)和調(diào)整比較容易，這是它比單純的模糊邏輯系統(tǒng)的優(yōu)點所在。模糊神經(jīng)網(wǎng)絡(luò)控制已成為一種趨勢，它能夠提供更加有效的智能行為、學(xué)習(xí)能力、自適應(yīng)特點、并行機制和高度靈活性，使其能夠更成功地處理各種不確定的、復(fù)雜的、不精確的和近似的控制問題。

模糊神經(jīng)控制的未來研究應(yīng)集中于以下幾個方面：

(1)研究模糊邏輯與神經(jīng)網(wǎng)絡(luò)的對應(yīng)關(guān)系，將對模糊

控制器的調(diào)整轉(zhuǎn)化為等價的神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程，用等價的模糊邏輯來初始化神經(jīng)網(wǎng)絡(luò)；

(2)完善模糊神經(jīng)控制的學(xué)習(xí)算法，以提高控制算法的速度與性能，可引入遺傳算法、BC算法中的模擬退火算法等，以提高控制性能；

(3)模糊控制規(guī)則的在線優(yōu)化，可提高控制器的實時性與動態(tài)性能；(4)需深入研究系統(tǒng)的穩(wěn)定性、能控性、能觀性以及平衡吸引子、混沌現(xiàn)象等非線性動力學(xué)特性。

關(guān)于神經(jīng)網(wǎng)絡(luò)與模糊邏輯相結(jié)合的研究已有很多，比如，用于氬弧焊、機器人控制等。

(5)神經(jīng)網(wǎng)絡(luò)與小波分析的結(jié)合

小波變換是對Fourier分析方法的突破。它不但在時域和頻域同時具有良好的局部化性質(zhì)，而且對低頻信號在頻域和對高頻信號在時域里都有很好的分辨率，從而可以聚集到對象的任意細(xì)節(jié)。

利用小波變換的思想初始化小波網(wǎng)絡(luò)，并對學(xué)習(xí)參數(shù)加以有效約束，采用通常的隨機梯度法分別對一維分段函數(shù)、二維分段函數(shù)和實際系統(tǒng)中汽輪機壓縮機的數(shù)據(jù)做了仿真試驗，并與神經(jīng)網(wǎng)絡(luò)、小波分解的建模做了比較，說明了小波網(wǎng)絡(luò)在非線性系統(tǒng)黑箱建模中的優(yōu)越性。小波神經(jīng)網(wǎng)絡(luò)用于機器人的控制，表明其具有更快的收斂速度和更好的非線性逼近能力。

四、結(jié)論

經(jīng)過半個多世紀(jì)的發(fā)展，神經(jīng)網(wǎng)絡(luò)理論在模式識別、自動控制、信號處理、輔助決策、人工智能等眾多研究領(lǐng)域取得了廣泛的成功，但其理論分析方法和設(shè)計方法還有待于進一步發(fā)展。相信隨著神經(jīng)網(wǎng)絡(luò)的進一步發(fā)展，其將在工程應(yīng)用中發(fā)揮越來越大的作用。

參考文獻：

[1]張曾科.模糊數(shù)學(xué)在自動化技術(shù)中的應(yīng)用[M].清華大學(xué)出版社，1997.

[2]李士勇.模糊控制·神經(jīng)控制和智能控制論[M].哈爾濱工業(yè)大學(xué)出版，1996.250-387.

[3]謝聯(lián)峻.模糊控制在列車自動駕駛中的應(yīng)用[J].自動化與儀器儀表，1999，(4).

[4]CollierWC，Weiland，RJSmartCarts，SmartHighways[J].IEEESpec-trum，1994，31(4)：27-33.

[5]HatwalH，MikulcikEC.someInverseSolutionstoanAutomobilePathTrackingProblemwithInputControlofSteeringandBreaks，Ve-hiclesystemDynamics，1986，(15)：61-71.

[6]KosugeK，F(xiàn)ukudaT，AsadaH.AcquisitionifHumanSkillsforRoboticSystem[C].In：ProcIEEEIntSympOnIntelligenControl，1991.469-489.

[7]王小平，曹立明.遺傳算法—理論、應(yīng)用與軟件實現(xiàn).西安交通大學(xué)出版社，2002.

[8]ManiezzoV.Geneticevolutionofthetopologhandweightdistribution

ofneuralnetwork[J].IEEETransonNeuralNetwork，1994，5(1)35-67.

[9]HarraldPG，KamstraM.Evolvingartificialneuralnetworkstocombinefinancialforecase[J].IEEETransonEvolComputer，1997，1(1)：39-54.

[10]鄧聚龍.灰色系統(tǒng)理論教程.華中理工大學(xué)出版社，1990.

[11]呂宏輝，鐘珞，夏紅霞.灰色系統(tǒng)與神經(jīng)網(wǎng)絡(luò)融合技術(shù)探索.微機發(fā)展，2000，23(4)：67-109.

第2篇：神經(jīng)網(wǎng)絡(luò)的現(xiàn)狀范文

介紹了基于神經(jīng)網(wǎng)絡(luò)的故障針診斷方法和結(jié)合模糊理論應(yīng)用的故障診斷。分析了小波變換的現(xiàn)代模擬電路軟故障診斷的研究現(xiàn)狀。

關(guān)鍵詞:

模擬電路；軟故障診斷；神經(jīng)網(wǎng)絡(luò)；模糊理論；小波變換

在最近幾年，現(xiàn)代模擬電路故障診斷方法的研究成為了新的熱點。其中有基于神經(jīng)網(wǎng)絡(luò)。并結(jié)合專家系統(tǒng)、小波變換、模糊理論和遺傳算法?！靶〔ㄉ窠?jīng)網(wǎng)絡(luò)”和“模糊神經(jīng)網(wǎng)絡(luò)”成為主流的模擬電路軟故障診斷方法。

1基于神經(jīng)網(wǎng)絡(luò)的故障診斷方法

神經(jīng)網(wǎng)絡(luò)有自組織性、自學(xué)性、并行性、聯(lián)想記憶和分類功能,這些信息處理特點使其能夠解決一些傳統(tǒng)模式難以解決的問題。其中模擬電路故障診斷中的非線性和容差問題就是運用神經(jīng)網(wǎng)絡(luò)的非線性映射能力和泛化能力來解決的，同時這也是專家門的較為感興趣的研究熱點?；谏窠?jīng)網(wǎng)絡(luò)的模擬電路故障診斷方法有一些，其中包括測試節(jié)點的選擇、確定被測故障集、故障特征的提取等步驟,這種方法與基于測前仿真的故障字典法雷同。前者用制作神經(jīng)網(wǎng)絡(luò)和樣本集來儲存特征信息，而且在測試完畢后定位故障是通過神經(jīng)網(wǎng)絡(luò)來處理。所以可以把基于神經(jīng)網(wǎng)絡(luò)的方法當(dāng)作是基于測后仿真和測前仿真的延伸與綜合。在故障診斷領(lǐng)域，誤差反傳神經(jīng)網(wǎng)絡(luò)（backpropagationneuralnetwork,BPNN）擁有較好的模式分類特性。然而僅僅以節(jié)點電壓視作故障特征訓(xùn)練的BPNN只能適用于診斷模擬電路的硬故障。在軟故障方面，一般需要基于神經(jīng)網(wǎng)絡(luò)和多種特征提取方法的綜合應(yīng)用來診斷。

2基于模糊理論應(yīng)用的模擬電路軟故障診斷

在一些故障診斷問題中，模糊規(guī)則適合描述故障診斷的機理。模糊理論中的模糊運算、模糊邏輯系統(tǒng)、模糊集合擁有對模糊信息的準(zhǔn)確應(yīng)付能力，這使得模糊理論成為故障診斷的一種有力工具。神經(jīng)網(wǎng)絡(luò)與模糊理論相結(jié)合，充分發(fā)揮了模糊理論和神經(jīng)網(wǎng)絡(luò)各自的優(yōu)點，并以此來彌補各自的不足，這就是所謂的“模糊神經(jīng)網(wǎng)絡(luò)”。這種方法的基本思想是在BPNN的輸出層和輸入層中間增加一到兩層模糊層構(gòu)造模糊神經(jīng)網(wǎng)絡(luò)，分別利用神經(jīng)網(wǎng)絡(luò)和模糊邏輯處理低層感知數(shù)據(jù)與描述高層的邏輯框架，這樣一來跟神經(jīng)網(wǎng)絡(luò)分類器相比，“模糊神經(jīng)網(wǎng)絡(luò)”對模擬電路軟故障診斷效果的優(yōu)勢就非常明顯。通過一個無監(jiān)督的聚類算法自組織地確定模糊規(guī)則的數(shù)目并生成一個初始的故障診斷模糊規(guī)則庫，構(gòu)造了一類模糊神經(jīng)網(wǎng)絡(luò)，通過訓(xùn)練調(diào)整網(wǎng)絡(luò)權(quán)值，使故障診斷模糊規(guī)則庫的分類更加精確，實現(xiàn)了電路元件的軟故障診斷。

3基于小波變換的模擬電路軟故障診斷

小波變換是一種新的變換分析方法，它繼承和發(fā)展了短時傅立葉變換局部化的思想，同時又克服了窗口大小不隨頻率變化等缺點，能夠提供一個隨頻率改變的"時間-頻率"窗口，是進行信號時頻分析和處理的理想工具。它的主要特點是通過變換能夠充分突出問題某些方面的特征，能對時間（空間）頻率的局部化分析，通過伸縮平移運算對信號（函數(shù))逐步進行多尺度細(xì)化，最終達(dá)到高頻處時間細(xì)分，低頻處頻率細(xì)分，能自動適應(yīng)時頻信號分析的要求，從而可聚焦到信號的任意細(xì)節(jié)，解決了Fourier變換的困難問題，成為繼Fourier變換以來在科學(xué)方法上的重大突破。若滿足時，則由經(jīng)過伸縮和平移得到的函數(shù)成為小波函數(shù)族。小波變換具有時域局部特征,而神經(jīng)網(wǎng)絡(luò)具有魯棒性、自學(xué)習(xí)、自適性和容錯性。如何把二者的優(yōu)勢結(jié)合起來一直是人們所關(guān)注的問題。一種方法是用小波變換對信號進行預(yù)處理,即以小波空間作為模式識別的特征空間，通過小波分析來實現(xiàn)信號的特征提取，然后將提取的特征向量送入神經(jīng)網(wǎng)絡(luò)處理；另一種即所謂的小波神經(jīng)網(wǎng)絡(luò)或小波網(wǎng)絡(luò)。小波神經(jīng)網(wǎng)絡(luò)是神經(jīng)網(wǎng)絡(luò)與小波理論相結(jié)合的產(chǎn)物，最早是由法國著名的信息科學(xué)研究機構(gòu)IRLSA的ZhangQinghu等人1992年提出來的。小波神經(jīng)用絡(luò)是基于小波變換而構(gòu)成的神經(jīng)網(wǎng)絡(luò)模型,即用非線性小波基取代通常的神經(jīng)元非線性激勵函數(shù)(如Sigmoid函數(shù)),把小波變換與神經(jīng)網(wǎng)絡(luò)有機地結(jié)合起來,充分繼承了兩者的優(yōu)點。近幾年來,國內(nèi)外有關(guān)小波網(wǎng)絡(luò)的研究報告層出不窮。小波與前饋神經(jīng)網(wǎng)絡(luò)是小波網(wǎng)絡(luò)的主要研究方向。小波還可以與其他類型的神經(jīng)網(wǎng)絡(luò)結(jié)合,例如Kohonen網(wǎng)絡(luò)對信號做自適應(yīng)小波分解。

由于神經(jīng)網(wǎng)絡(luò)、小波變換、模糊理論在當(dāng)今的發(fā)展上還不是很完善,例如在診斷中，模糊度該如何準(zhǔn)確地定量化，對小波變換之后故障信號進行怎樣構(gòu)造能體現(xiàn)故障類別的特征等,因此這些基于神經(jīng)網(wǎng)絡(luò)的診斷方法或多或少地存在一些局限性。一般來說,神經(jīng)網(wǎng)絡(luò)方法的長處并不是提高診斷精度，而且無論運用什么方法,在選取狀態(tài)特征參量和確定電路故障集方面,傳統(tǒng)的故障診斷方法仍然具有理論上的指導(dǎo)意義。所以,抽取合理的故障特征比構(gòu)造合適的神經(jīng)網(wǎng)絡(luò)更為重要。

參考文獻：

[1]梁戈超,何怡剛,朱彥卿.基于模糊神經(jīng)網(wǎng)絡(luò)融合遺傳算法的模擬電路故障診斷法[J].電路與系統(tǒng)學(xué)報,2004,9(2):54-57.

[2]譚陽紅,何怡剛.模擬電路故障診斷的小波方法[J].電工技術(shù)學(xué)報,2005,20(8):89-93.

第3篇：神經(jīng)網(wǎng)絡(luò)的現(xiàn)狀范文

[關(guān)鍵詞]遺傳算法 灰色系統(tǒng) 專家系統(tǒng) 模糊控制 小波分析

一、前言

神經(jīng)網(wǎng)絡(luò)最早的研究20世紀(jì)40年代心理學(xué)家Mcculloch和數(shù)學(xué)家Pitts合作提出的，他們提出的MP模型拉開了神經(jīng)網(wǎng)絡(luò)研究的序幕。神經(jīng)網(wǎng)絡(luò)的發(fā)展大致經(jīng)過三個階段：1947~1969年為初期，在這期間科學(xué)家們提出了許多神經(jīng)元模型和學(xué)習(xí)規(guī)則， 如MP模型、HEBB學(xué)習(xí)規(guī)則和感知器等；1970~1986年為過渡期，這個期間神經(jīng)網(wǎng)絡(luò)研究經(jīng)過了一個低潮，繼續(xù)發(fā)展。在此期間，科學(xué)家們做了大量的工作，如Hopfield教授對網(wǎng)絡(luò)引入能量函數(shù)的概念，給出了網(wǎng)絡(luò)的穩(wěn)定性判據(jù)，提出了用于聯(lián)想記憶和優(yōu)化計算的途徑。1984年，Hiton教授提出Boltzman機模型。1986年Kumelhart等人提出誤差反向傳播神經(jīng)網(wǎng)絡(luò)，簡稱BP網(wǎng)絡(luò)。目前，BP網(wǎng)絡(luò)已成為廣泛使用的網(wǎng)絡(luò)；1987年至今為發(fā)展期，在此期間，神經(jīng)網(wǎng)絡(luò)受到國際重視，各個國家都展開研究，形成神經(jīng)網(wǎng)絡(luò)發(fā)展的另一個。神經(jīng)網(wǎng)絡(luò)具有以下優(yōu)點：

(1) 具有很強的魯棒性和容錯性，因為信息是分布貯于網(wǎng)絡(luò)內(nèi)的神經(jīng)元中。

(2) 并行處理方法，使得計算快速。

(3) 自學(xué)習(xí)、自組織、自適應(yīng)性，使得網(wǎng)絡(luò)可以處理不確定或不知道的系統(tǒng)。

(4) 可以充分逼近任意復(fù)雜的非線性關(guān)系。

(5) 具有很強的信息綜合能力，能同時處理定量和定性的信息，能很好地協(xié)調(diào)多種輸入信息關(guān)系，適用于多信息融合和多媒體技術(shù)。

二、神經(jīng)網(wǎng)絡(luò)應(yīng)用現(xiàn)狀

神經(jīng)網(wǎng)絡(luò)以其獨特的結(jié)構(gòu)和處理信息的方法，在許多實際應(yīng)用領(lǐng)域中取得了顯著的成效，主要應(yīng)用如下：

(1) 圖像處理。對圖像進行邊緣監(jiān)測、圖像分割、圖像壓縮和圖像恢復(fù)。

(2) 信號處理。能分別對通訊、語音、心電和腦電信號進行處理分類；可用于海底聲納信號的檢測與分類，在反潛、掃雷等方面得到應(yīng)用。

(3) 模式識別。已成功應(yīng)用于手寫字符、汽車牌照、指紋和聲音識別，還可用于目標(biāo)的自動識別和定位、機器人傳感器的圖像識別以及地震信號的鑒別等。

(4) 機器人控制。對機器人眼手系統(tǒng)位置進行協(xié)調(diào)控制，用于機械手的故障診斷及排除、智能自適應(yīng)移動機器人的導(dǎo)航。

(5) 衛(wèi)生保健、醫(yī)療。比如通過訓(xùn)練自主組合的多層感知器可以區(qū)分正常心跳和非正常心跳、基于BP網(wǎng)絡(luò)的波形分類和特征提取在計算機臨床診斷中的應(yīng)用。

(6) 焊接領(lǐng)域。國內(nèi)外在參數(shù)選擇、質(zhì)量檢驗、質(zhì)量預(yù)測和實時控制方面都有研究，部分成果已得到應(yīng)用。

(7) 經(jīng)濟。能對商品價格、股票價格和企業(yè)的可信度等進行短期預(yù)測。

(8) 另外，在數(shù)據(jù)挖掘、電力系統(tǒng)、交通、軍事、礦業(yè)、農(nóng)業(yè)和氣象等方面亦有應(yīng)用。

三、神經(jīng)網(wǎng)絡(luò)發(fā)展趨勢及研究熱點

1.神經(jīng)網(wǎng)絡(luò)研究動向

神經(jīng)網(wǎng)絡(luò)雖已在許多領(lǐng)域應(yīng)用中取得了廣泛的成功，但其發(fā)展還不十分成熟，還有一些問題需進一步研究。

(1) 神經(jīng)計算的基礎(chǔ)理論框架以及生理層面的研究仍需深入。這方面的工作雖然很困難，但為了神經(jīng)計算的進一步發(fā)展卻是非做不可的。

(2) 除了傳統(tǒng)的多層感知機、徑向基函數(shù)網(wǎng)絡(luò)、自組織特征映射網(wǎng)絡(luò)、自適應(yīng)諧振理論網(wǎng)絡(luò)、模糊神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)之外，一些新的模型和結(jié)構(gòu)很值得關(guān)注，例如最近興起的脈沖神經(jīng)網(wǎng)絡(luò)(spiking neural network)和支持向量機(support vector machine)。

(3) 神經(jīng)計算技術(shù)與其他技術(shù)尤其是進化計算技術(shù)的結(jié)合以及由此而來的混合方法和混合系統(tǒng)，正成為一大研究熱點。

(4) 增強神經(jīng)網(wǎng)絡(luò)的可理解性是神經(jīng)網(wǎng)絡(luò)界需要解決的一個重要問題。這方面的工作在今后若干年中仍然會是神經(jīng)計算和機器學(xué)習(xí)界的一個研究熱點。

(5) 神經(jīng)網(wǎng)絡(luò)的應(yīng)用領(lǐng)域?qū)⒉粩鄶U大，在未來的幾年中有望在一些領(lǐng)域取得更大的成功，特別是多媒體技術(shù)、醫(yī)療、金融、電力系統(tǒng)等領(lǐng)域。

2.研究熱點

(1)神經(jīng)網(wǎng)絡(luò)與遺傳算法的結(jié)合。遺傳算法與神經(jīng)網(wǎng)絡(luò)的結(jié)合主要體現(xiàn)在以下幾個方面：網(wǎng)絡(luò)連接權(quán)重的進化訓(xùn)練；網(wǎng)絡(luò)結(jié)構(gòu)的進化計算；網(wǎng)絡(luò)結(jié)構(gòu)和連接權(quán)重的同時進化；訓(xùn)練算法的進化設(shè)計?；谶M化計算的神經(jīng)網(wǎng)絡(luò)設(shè)計和實現(xiàn)已在眾多領(lǐng)域得到應(yīng)用，如模式識別、機器人控制、財政等，并取得了較傳統(tǒng)神經(jīng)網(wǎng)絡(luò)更好的性能和結(jié)果。但從總體上看，這方面研究還處于初期階段，理論方法有待于完善規(guī)范，應(yīng)用研究有待于加強提高。神經(jīng)網(wǎng)絡(luò)與進化算法相結(jié)合的其他方式也有待于進一步研究和挖掘。

(2)神經(jīng)網(wǎng)絡(luò)與灰色系統(tǒng)的結(jié)合?；疑到y(tǒng)理論是一門極有生命力的系統(tǒng)科學(xué)理論，自1982年華中理工大學(xué)的鄧聚龍教授提出灰色系統(tǒng)后迅速發(fā)展，以初步形成以灰色關(guān)聯(lián)空間為基礎(chǔ)的分析體系，以灰色模型為主體的模型體系，以灰色過程及其生存空間為基礎(chǔ)與內(nèi)的方法體系，以系統(tǒng)分析、建模、預(yù)測、決策、控制、評估為綱的技術(shù)體系。目前，國內(nèi)外對灰色系統(tǒng)的理論和應(yīng)用研究已經(jīng)廣泛開展，受到學(xué)者的普遍關(guān)注?；疑到y(tǒng)理論在在處理不確定性問題上有其獨到之處，并能以系統(tǒng)的離散時序建立連續(xù)的時間模型，適合于解決無法用傳統(tǒng)數(shù)字精確描述的復(fù)雜系統(tǒng)問題。

神經(jīng)網(wǎng)絡(luò)與灰色系統(tǒng)的結(jié)合方式有：(1) 神經(jīng)網(wǎng)絡(luò)與灰色系統(tǒng)簡單結(jié)合；(2) 串聯(lián)型結(jié)合；(3) 用神經(jīng)網(wǎng)絡(luò)增強灰色系統(tǒng)；(4) 用灰色網(wǎng)絡(luò)輔助構(gòu)造神經(jīng)網(wǎng)絡(luò)；(5) 神經(jīng)網(wǎng)絡(luò)與灰色系統(tǒng)的完全融合。

(3)神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)的結(jié)合?；谏窠?jīng)網(wǎng)絡(luò)與專家系統(tǒng)的混合系統(tǒng)的基本出發(fā)點立足于將復(fù)雜系統(tǒng)分解成各種功能子系統(tǒng)模塊，各功能子系統(tǒng)模塊分別由神經(jīng)網(wǎng)絡(luò)或?qū)＜蚁到y(tǒng)實現(xiàn)。其研究的主要問題包括：混合專家系統(tǒng)的結(jié)構(gòu)框架和選擇實現(xiàn)功能子系統(tǒng)方式的準(zhǔn)則兩方面。由于該混合系統(tǒng)從根本上拋開了神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)的技術(shù)限制，是當(dāng)前研究的熱點。把粗集神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)用于醫(yī)學(xué)診斷，表明其相對于傳統(tǒng)方法的優(yōu)越性。

(4)神經(jīng)網(wǎng)絡(luò)與模糊邏輯的結(jié)合

模糊邏輯是一種處理不確定性、非線性問題的有力工具。它比較適合于表達(dá)那些模糊或定性的知識，其推理方式比較類似于人的思維方式，這都是模糊邏輯的優(yōu)點。但它缺乏有效的自學(xué)習(xí)和自適應(yīng)能力。

而將模糊邏輯與神經(jīng)網(wǎng)絡(luò)結(jié)合，則網(wǎng)絡(luò)中的各個結(jié)點及所有參數(shù)均有明顯的物理意義，因此這些參數(shù)的初值可以根據(jù)系統(tǒng)的模糊或定性的知識來加以確定，然后利用學(xué)習(xí)算法可以很快收斂到要求的輸入輸出關(guān)系，這是模糊神經(jīng)網(wǎng)絡(luò)比單純的神經(jīng)網(wǎng)絡(luò)的優(yōu)點所在。同時，由于它具有神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，因而參數(shù)的學(xué)習(xí)和調(diào)整比較容易，這是它比單純的模糊邏輯系統(tǒng)的優(yōu)點所在。模糊神經(jīng)網(wǎng)絡(luò)控制已成為一種趨勢，它能夠提供更加有效的智能行為、學(xué)習(xí)能力、自適應(yīng)特點、并行機制和高度靈活性，使其能夠更成功地處理各種不確定的、復(fù)雜的、不精確的和近似的控制問題。

模糊神經(jīng)控制的未來研究應(yīng)集中于以下幾個方面：

(1) 研究模糊邏輯與神經(jīng)網(wǎng)絡(luò)的對應(yīng)關(guān)系，將對模糊

控制器的調(diào)整轉(zhuǎn)化為等價的神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程，用等價的模糊邏輯來初始化神經(jīng)網(wǎng)絡(luò)；

(2) 完善模糊神經(jīng)控制的學(xué)習(xí)算法，以提高控制算法的速度與性能，可引入遺傳算法、BC算法中的模擬退火算法等，以提高控制性能；

(3) 模糊控制規(guī)則的在線優(yōu)化，可提高控制器的實時性與動態(tài)性能；

(4) 需深入研究系統(tǒng)的穩(wěn)定性、能控性、能觀性以及平衡吸引子、混沌現(xiàn)象等非線性動力學(xué)特性。

關(guān)于神經(jīng)網(wǎng)絡(luò)與模糊邏輯相結(jié)合的研究已有很多，比如，用于氬弧焊、機器人控制等。

(5)神經(jīng)網(wǎng)絡(luò)與小波分析的結(jié)合

小波變換是對Fourier分析方法的突破。它不但在時域和頻域同時具有良好的局部化性質(zhì)，而且對低頻信號在頻域和對高頻信號在時域里都有很好的分辨率，從而可以聚集到對象的任意細(xì)節(jié)。

利用小波變換的思想初始化小波網(wǎng)絡(luò)，并對學(xué)習(xí)參數(shù)加以有效約束，采用通常的隨機梯度法分別對一維分段函數(shù)、二維分段函數(shù)和實際系統(tǒng)中汽輪機壓縮機的數(shù)據(jù)做了仿真試驗，并與神經(jīng)網(wǎng)絡(luò)、小波分解的建模做了比較，說明了小波網(wǎng)絡(luò)在非線性系統(tǒng)黑箱建模中的優(yōu)越性。小波神經(jīng)網(wǎng)絡(luò)用于機器人的控制，表明其具有更快的收斂速度和更好的非線性逼近能力。

四、結(jié)論

經(jīng)過半個多世紀(jì)的發(fā)展，神經(jīng)網(wǎng)絡(luò)理論在模式識別、自動控制、信號處理、輔助決策、人工智能等眾多研究領(lǐng)域取得了廣泛的成功，但其理論分析方法和設(shè)計方法還有待于進一步發(fā)展。相信隨著神經(jīng)網(wǎng)絡(luò)的進一步發(fā)展，其將在工程應(yīng)用中發(fā)揮越來越大的作用。

參考文獻：

[1]張曾科.模糊數(shù)學(xué)在自動化技術(shù)中的應(yīng)用[M].清華大學(xué)出版社，1997.

[2]李士勇.模糊控制?神經(jīng)控制和智能控制論[M].哈爾濱工業(yè)大學(xué)出版，1996.250-387.

[3]謝聯(lián)峻.模糊控制在列車自動駕駛中的應(yīng)用[J].自動化與儀器儀表，1999，(4).

[4]Collier W C，Weiland，R J Smart Carts，Smart Highways[J].IEEE Spec-trum，1994，31(4)：27-33.

[5]Hatwal H，Mikulcik E C.some Inverse Solutions to an Automobile Path Tracking Problem with Input Control of Steeringand Breaks，Ve-hicle system Dynamics，1986，(15)：61-71.

[6]Kosuge K，F(xiàn)ukuda T，Asada H.Acquisition if Human Skills for Robotic System[C].In：Proc IEEE Int Symp On Intelligen Control，1991.469-489.

[7]王小平，曹立明.遺傳算法―理論、應(yīng)用與軟件實現(xiàn).西安交通大學(xué)出版社，2002.

[8]Maniezzo V.Genetic evolution of the topologh and weight distribution

of neural network[J].IEEE Trans on Neural Network，1994，5(1)35-67.

[9]Harrald P G，Kamstra M.Evolving artificial neural networks to combine financial forecase[J].IEEE Trans on Evol Computer ，1997，1(1)：39-54.

[10]鄧聚龍.灰色系統(tǒng)理論教程.華中理工大學(xué)出版社，1990.

[11]呂宏輝，鐘珞，夏紅霞.灰色系統(tǒng)與神經(jīng)網(wǎng)絡(luò)融合技術(shù)探索.微機發(fā)展，2000，23(4)：67-109.

第4篇：神經(jīng)網(wǎng)絡(luò)的現(xiàn)狀范文

關(guān)鍵詞：BP 神經(jīng)網(wǎng)絡(luò) 教學(xué)評價 模型構(gòu)建 評價方法

中圖分類號：TP183 文獻標(biāo)識碼：A 文章編號：1672-3791（2013）06（c）-0200-01

BP神經(jīng)網(wǎng)絡(luò)是一種單向多層前饋人工神經(jīng)網(wǎng)絡(luò)模型，可以實現(xiàn)任何復(fù)雜的、多因素、不確定和非線性的映射關(guān)系，是目前應(yīng)用最廣泛的人工神經(jīng)網(wǎng)絡(luò)模型之一。通過這種梯度下降算法不斷地修正網(wǎng)絡(luò)各層之間的連接權(quán)值和閾值，從而實現(xiàn)期望輸出值與實際輸出值之間的誤差達(dá)到最小或者小于某一個閾值[1～2]。

本文的研究目標(biāo)是通過對現(xiàn)有評價指標(biāo)、評價方法的分析，建立有效的教學(xué)評價模型，并實現(xiàn)相應(yīng)的網(wǎng)上教學(xué)評價系統(tǒng)設(shè)計。結(jié)合BP神經(jīng)網(wǎng)絡(luò)，給出了一種非線性的教學(xué)評價模型，訓(xùn)練好的BP網(wǎng)絡(luò)模型根據(jù)測評數(shù)據(jù)，就可得到對評價對象的評價結(jié)果，實現(xiàn)定性與定量的有效結(jié)合。

1 BP神經(jīng)網(wǎng)絡(luò)模型

（1）輸入/輸出節(jié)點。輸入/輸出節(jié)點是與樣本直接相關(guān)的。根據(jù)沈陽工業(yè)大學(xué)教學(xué)質(zhì)量評估指標(biāo)體系，將二級評價指標(biāo)作為模型的輸入神經(jīng)元，因此系統(tǒng)的輸入層神經(jīng)元的個數(shù)為二級指標(biāo)的個數(shù)。將評價結(jié)果作網(wǎng)絡(luò)的輸出，輸出層神經(jīng)元個數(shù)為1。

（2）層數(shù)。由于BP網(wǎng)絡(luò)的功能實際上是通過網(wǎng)絡(luò)輸入到網(wǎng)絡(luò)輸出的計算來完成的，因此隱含層數(shù)越多，神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)速度就越慢。但是只含有一個隱含層的BP網(wǎng)絡(luò)就可以逼近任意的非線性函數(shù)。因此，本文選取結(jié)構(gòu)相對簡單的3層BP網(wǎng)絡(luò)，即隱含層只有一個。

（3）隱含層神經(jīng)元個數(shù)。隱含層單元個數(shù)與問題的要求以及輸入輸出單元個數(shù)有直接的關(guān)系。隱層單元過多將會導(dǎo)致神經(jīng)網(wǎng)絡(luò)訓(xùn)練時間過長、誤差不易控制及容錯性差等問題。本文采用公式2.1計算得出隱含層神經(jīng)元個數(shù)。

4）激活函數(shù) BP網(wǎng)絡(luò)的非線性逼近能力是通過S型的激活函數(shù)來體現(xiàn)出來的，所以隱含層中一般采用S型的激活函數(shù)，輸出層的激活函數(shù)可以采用線性或S型[3]。S型激活函數(shù)為

該函數(shù)值在[-1，1]范圍內(nèi)變化很劇烈，而超出這個范圍即處于不靈敏區(qū)，變化則相當(dāng)平緩。因此為使得進入不靈敏區(qū)的誤差函數(shù)有所改變，迅速退出不靈敏區(qū)，保證訓(xùn)練網(wǎng)絡(luò)的快速性，盡可能使所有輸入值都在靈敏變化段中，一般需在該公式中引進參數(shù)。本文的神經(jīng)網(wǎng)絡(luò)算法即在此部分進行改進。

2 基于BP神經(jīng)網(wǎng)絡(luò)的教學(xué)評價模型構(gòu)建

本文由公式2.1計算得出隱含層節(jié)點數(shù)為4（這里考慮了下述16個指標(biāo)可以分為4組）。（見表1）

3 改進的BP神經(jīng)網(wǎng)絡(luò)算法描述

網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)和訓(xùn)練數(shù)據(jù)確定之后，總誤差函數(shù)E的性質(zhì)特征就完全由激活函數(shù)f決定了。改進激活函數(shù)，可以改變誤差曲面，盡量減少局部極小值的可能性。BP算法的激活函數(shù)一般為sigmoid型函數(shù)，即。

改進的BP算法是對標(biāo)準(zhǔn)的S型函數(shù)引入新的參數(shù)，則函數(shù)變?yōu)?，其中系?shù)決定著S型函數(shù)的壓縮程度。該非線性函數(shù)滿足如下兩個條件：一是連續(xù)光滑且具有單調(diào)性；二是定義域為，值域為，故符合激活函數(shù)要求。而且它使得激活函數(shù)曲線變得平坦，方便在或時，避開局部極小，因此該函數(shù)具有更好的函數(shù)逼近能力以及容錯能力。

4 仿真計算與分析

以學(xué)生評教數(shù)據(jù)為輸入值，專家評教數(shù)據(jù)為期望輸出值，采用上述算法在Matlab下設(shè)計仿真程序?qū)P模型進行辨識，輸入層、隱含層和輸出層的結(jié)點數(shù)分別為16×4×1，激活函數(shù)采用變化的S型，學(xué)習(xí)率=0.99。

通過沈陽某大學(xué)教務(wù)處所提供的數(shù)據(jù)進行實驗，采用10組樣本進行網(wǎng)絡(luò)訓(xùn)練，并對10位教師進行測評。10樣本的評價目標(biāo)和神經(jīng)網(wǎng)絡(luò)辨識分別為差（21.93），及格（44.64），及格（46.94），中（59.87），中（59.11），中（62.35），中（59.83），良（78.93），良（79.56），優(yōu)（99.12）。結(jié)果顯示，BP模型對評估的模擬結(jié)果比較精確，對整個考核的排序十分有用。因此該模型能較為準(zhǔn)確地根據(jù)各評價指標(biāo)來確定教學(xué)效果。

5 結(jié)論

結(jié)合國家高等教育的政策導(dǎo)向以及學(xué)校實際，建立了一個基于BP神經(jīng)網(wǎng)絡(luò)建立了教學(xué)評價模型，引用具有更好函數(shù)逼近以及容錯能力的改進的BP學(xué)習(xí)算法，確定指標(biāo)體系的權(quán)重，使評價結(jié)果科學(xué)合理。

參考文獻

第5篇：神經(jīng)網(wǎng)絡(luò)的現(xiàn)狀范文

關(guān)鍵詞：

中圖分類號： TP391．4文獻標(biāo)識碼：A文章編號：2095－2163（2011）03－0043－04

Analysis of Training Results based on the Selection of

Parameters Influencing BP Neural Network

HAN Xue

Abstract： Pattern recognition includes two aspects : sample training and sample recognition. And sample training is the premise of sample recognition.Of course, there are lots of training samples and the samples are representative, whichis good, but not the more the better. In the process of training the neural network, it is very important how to determine various parameters that is beneficial to the training efficiency such as the weights and threshold values. This paper is aimed at the use of a simple sample for neural network training, changes parameter values for observing the training effect, thus obtains the different output results and the diagrams. Further study and comparison are carried outto find out the optimal parameter settings. And the experiment method and the conclusion are helpful for application in other identification system development.

Key words：

0引言

在對BP神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練的過程中，很多時候，一些基本參數(shù)和訓(xùn)練函數(shù)參數(shù)是隨機生成的，但是訓(xùn)練效率并不高。對于BP神經(jīng)網(wǎng)絡(luò)所應(yīng)用的不同領(lǐng)域，這些參數(shù)的設(shè)置也有所區(qū)別。怎樣才能使得訓(xùn)練網(wǎng)絡(luò)的效率更高，就需要了解參數(shù)的變化對于訓(xùn)練結(jié)果的影響。本文要解決的問題就是變化其中的各項參數(shù)值，對得到的不同訓(xùn)練結(jié)果進行對比分析，并找出相關(guān)規(guī)律。

1研究現(xiàn)狀

“神經(jīng)網(wǎng)絡(luò)”的研究內(nèi)容主要包括人工神經(jīng)網(wǎng)絡(luò)、生物神經(jīng)網(wǎng)絡(luò)、認(rèn)知科學(xué)和混沌。

在研究方法上，對于神經(jīng)網(wǎng)絡(luò)的研究已經(jīng)收獲了很多不同的研究方法，比較重要且已有一定成果的研究有多層網(wǎng)絡(luò) BP算法、Hopfield網(wǎng)絡(luò)模型、自適應(yīng)共振理論和自組織特征映射理論等。

在研究領(lǐng)域上也可以分為理論研究和應(yīng)用研究兩大方面。理論研究包括兩個方面：其一是理論上的深入研究，通過對已有算法的性能分析來探索功能更完善、效率更高的神經(jīng)網(wǎng)絡(luò)模型，包括對穩(wěn)定性、收斂性、容錯性、魯棒性等各個性能的最優(yōu)化研究；其二是朝著智能的方向發(fā)展，利用神經(jīng)生理與認(rèn)知科學(xué)對人類思維和智能機理進行研究。應(yīng)用研究也包含了兩個方面，分別是神經(jīng)網(wǎng)絡(luò)的軟硬件研究和神經(jīng)網(wǎng)絡(luò)在各個領(lǐng)域中應(yīng)用的研究，其中包括：模式識別、信號處理、知識工程、專家系統(tǒng)、優(yōu)化組合、機器人控制等[1]。

BP神經(jīng)網(wǎng)絡(luò)是當(dāng)前最流行、應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。但是仍存在一些缺陷，如訓(xùn)練速度較慢，所以很多學(xué)者正在尋找快速有效的BP學(xué)習(xí)算法，而且也取得了一些成效，最重要的幾種快速變體有QuickProp[Fah88]、 SuperSAB [Tol90]和共軛梯度法[Bat92][1]。

除了收斂速度較慢之外，BP神經(jīng)網(wǎng)絡(luò)還存在一些缺點：容易在優(yōu)化的過程中產(chǎn)生局部最優(yōu)解而不是全局最優(yōu)解；在對新樣本訓(xùn)練的同時容易遺忘舊的樣本。基于對以上缺陷的改進，目前已有了一些行之有效的解決方法。

為了提高網(wǎng)絡(luò)訓(xùn)練速度，在調(diào)整權(quán)值時增加了動量項，從而對某時刻前后的梯度方向都進行了必要的考慮；為了加快算法收斂速度，采用了自適應(yīng)學(xué)習(xí)率調(diào)節(jié)的方法，如VLBP神經(jīng)網(wǎng)絡(luò)，后面的實驗中還會進一步比較介紹。

目前，BP神經(jīng)網(wǎng)絡(luò)作為很重要的神經(jīng)網(wǎng)絡(luò)模型之一，在很多應(yīng)用領(lǐng)域中發(fā)揮著重要的作用，包括圖像壓縮編碼、人臉識別、分類、故障診斷、最優(yōu)預(yù)測等。

2算法原理

BP神經(jīng)網(wǎng)絡(luò)的基本思想是通過不斷地訓(xùn)練權(quán)值，并設(shè)有一個標(biāo)準(zhǔn)的輸出，每次訓(xùn)練以后得到的實際輸出與標(biāo)準(zhǔn)的輸出比較，設(shè)置一個最小誤差，達(dá)到這個誤差就表示網(wǎng)絡(luò)訓(xùn)練好了，否則繼續(xù)訓(xùn)練；經(jīng)過一定的訓(xùn)練次數(shù)后，若還沒有達(dá)到這個誤差標(biāo)準(zhǔn)，就表示網(wǎng)絡(luò)的設(shè)置有問題。本實驗通過對參數(shù)的改變，尋找出最優(yōu)參數(shù)設(shè)置的規(guī)律。

3算法實現(xiàn)

使用matlab開發(fā)平臺，程序編寫分為定義輸入向量和目標(biāo)向量、創(chuàng)建 BP網(wǎng)絡(luò)設(shè)置訓(xùn)練函數(shù)、初始化權(quán)值閾值、設(shè)置訓(xùn)練函數(shù)參數(shù)、訓(xùn)練神經(jīng)網(wǎng)絡(luò)五個部分。進行對比實驗時，只需將相關(guān)參數(shù)進行修改即可。對基本的BP神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練時，設(shè)置基本參數(shù)：權(quán)值、閾值；訓(xùn)練函數(shù)參數(shù)：學(xué)習(xí)率、最后達(dá)到的均方誤差、最大步長。分別對學(xué)習(xí)率、均方誤差、初始權(quán)值、初始閾值進行修改，對比實驗結(jié)果；基本的BP神經(jīng)網(wǎng)絡(luò)中無法對學(xué)習(xí)率實現(xiàn)事先最優(yōu)，所以用VLBP神經(jīng)網(wǎng)絡(luò)進行改進。

程序如下：

netbp．trainParam．goal＝0．0001／／設(shè)置最后達(dá)到的均方誤差為 0．0001

netbp．trainParam．epochs＝5000 ／／設(shè)置最大訓(xùn)練步長

[netbp，tr]＝train（netbp，p，t）

4實驗結(jié)果

初始訓(xùn)練樣本的輸入設(shè)為[1；3]，期望輸出設(shè)為[0．95；0．05]，第一層的權(quán)值設(shè)為[1 2；－2 0]，第二層的權(quán)值設(shè)為[1 1；0 －2]，第一層的閾值設(shè)為[－3；1]，第二層的閾值設(shè)為[2；3]，學(xué)習(xí)率設(shè)為1，均方差設(shè)為0．0001。其實驗仿真圖如圖1所示。

4．1改變學(xué)習(xí)率

只改變學(xué)習(xí)率的訓(xùn)練函數(shù)參數(shù)時，運行程序后的對比結(jié)果如表1所示。

從表1中的實驗結(jié)果可見：在其他條件不變、學(xué)習(xí)率增大的情況下，所需的訓(xùn)練步長變短，即誤差收斂速度快。但是學(xué)習(xí)率不可以無限制地增大，增大到一定程度后，誤差收斂速度將減慢，甚至有可能達(dá)不到誤差范圍內(nèi)，進入局部穩(wěn)定狀態(tài)。

表1中的各組實驗仿真圖如圖2－圖7所示。

4．2改變均方差

將均方差由原來的0．0001變?yōu)?．001后與原初始樣本參數(shù)對比結(jié)果如表2所示。

均方差變?yōu)?．001后的仿真圖如圖8所示。

可見，在其他條件一樣的前提下，將最后要達(dá)到的均方誤差值設(shè)置較大時，網(wǎng)絡(luò)訓(xùn)練步長變短，誤差收斂速度慢些，最后的輸出結(jié)果較為精確些。

4．3改變初始權(quán)值

將初始權(quán)值改變后的對比結(jié)果如表3所示。

改變初始權(quán)值后的仿真圖如圖9所示。

可見，后者的初始權(quán)值比較合適些，因此訓(xùn)練的時間變短，誤差收斂速度明顯快些。

4．4改變初始閾值

將初始閾值改變后的對比結(jié)果如表4所示。

改變初始閾值后的仿真圖如圖10所示。

可見，后者的初始閾值比較合適些，因此訓(xùn)練的時間變短，誤差收斂速度明顯快些。

4．5學(xué)習(xí)率可變的VLBP神經(jīng)網(wǎng)絡(luò)

用最基本的 BP 算法來訓(xùn)練 BP神經(jīng)網(wǎng)絡(luò)時，學(xué)習(xí)率、均方誤差、權(quán)值、閾值的設(shè)置都對網(wǎng)絡(luò)的訓(xùn)練均有影響。選取合理的參數(shù)值會有利于網(wǎng)絡(luò)的訓(xùn)練。在最基本的 BP算法中，學(xué)習(xí)率在整個訓(xùn)練過程是保持不變的。學(xué)習(xí)率過大，算法可能振蕩而不穩(wěn)定；學(xué)習(xí)率過小，則收斂速度慢，訓(xùn)練時間長。而在對網(wǎng)絡(luò)進行訓(xùn)練之前是無法選擇最佳學(xué)習(xí)率的。

雖說學(xué)習(xí)率在訓(xùn)練前無法選最優(yōu)，但是在訓(xùn)練的過程中能否可變呢？因此BP神經(jīng)網(wǎng)絡(luò)的一種改進算法VLBP可派上用場。也就是說，另外設(shè)置學(xué)習(xí)增量因子和學(xué)習(xí)減量因子，當(dāng)誤差以減少的方式趨于目標(biāo)時，說明修正方向正確，可以使步長增加，因此學(xué)習(xí)率乘以增量因子k，使學(xué)習(xí)率增加；而修正過頭時，應(yīng)減少步長，可以乘以減量因子k，使學(xué)習(xí)率減小。

程序設(shè)計中加入下列語句：

netbp＝newff（[－1 1；－1 1]，[2 2]，‘logsig’ ‘logsig’，‘traingdx’）

netbp．trainParam．lr＿inc＝1．1／／增量因子設(shè)為1．1

netbp．trainParam．lr＿dec＝0．65 ／／減量因子設(shè)為0．65

經(jīng)過訓(xùn)練后最后的輸出結(jié)果為[0．963 8；0．050 0]，訓(xùn)練步長為50，訓(xùn)練后第一層的權(quán)值為[1．004 5 2．013 5；－1．408 4 1．774 8]，訓(xùn)練后第二層的權(quán)值為[0．766 9 0．768 3；－1．544 7 －2．865 0]。

VLBP神經(jīng)網(wǎng)絡(luò)訓(xùn)練仿真圖如圖11所示。

觀察網(wǎng)絡(luò)的收斂速度，采用學(xué)習(xí)率可變的VLBP算法要比學(xué)習(xí)率不變BP算法收斂速度提高很多。以上兩種算法都是沿著梯度最陡的下降方向修正權(quán)值，誤差減小的速度最快。

5結(jié)束語

通過上述驗證性實驗，可以看出參數(shù)的選取對網(wǎng)絡(luò)的訓(xùn)練結(jié)果有著很大的影響，當(dāng)然BP算法還很多，但沒有一個算法適合所有 BP 網(wǎng)絡(luò)。在實際運用時，需根據(jù)網(wǎng)絡(luò)自身的特點、誤差要求、收斂速度要求、存儲空間等來做具體選擇。

參考文獻：

[ 1 ] http：／／blog．csdn．net／zrjdds／archive／2008／01／02／2010730．a(chǎn)spx．

[ 2 ] 陳兆乾，周志華，陳世福． 神經(jīng)計算研究現(xiàn)狀及發(fā)展趨勢． 南京

大學(xué)計算機軟件新技術(shù)國家重點實驗室，2008：3－7．

[ 3 ] 趙艷． 神經(jīng)計算與量子神經(jīng)計算的研究綜述[J]． 計算機與信息

第6篇：神經(jīng)網(wǎng)絡(luò)的現(xiàn)狀范文

關(guān)鍵詞：模糊神經(jīng)網(wǎng)絡(luò)；水環(huán)境質(zhì)量評價；監(jiān)測點

中圖分類號：TP18 文獻標(biāo)識碼：A 文章編號：1009-3044（2014）20-4813-02

Application of Fuzzy Neural Network in Water Environmental Quality Assessment

ZHAO Xu1 ，CHEN Li-li2

（1.Geological and Mineral Resources of Liaoning Province Survey Institute， Shenyang 110031，China； 2.Heilongjiang Institute of Geological Survey， Harbin 150036，China）

Abstract： In order to ensure the safety of drinking water for urban residents， the fuzziness of classification of water quality standard， introduce the fuzzy neural network theory， establish the model of water environment quality evaluation. Selects the Jilin province Baishan City baiyunfeng reservoir as a study area， by sampling selected 6 monitoring points， the evaluation of the model evaluation results and the Nemero index analysis and comparison of results. The results showed that， fuzzy neural network evaluation of water environment quality is feasible， water quality evaluation result more accurate， to break the limitations of traditional methods. The model of fuzzy neural network has strong learning ability， can improve the accuracy of groundwater quality evaluation， provided the scientific basis for the protection and management of water environment.

Key words： fuzzy neural network； water quality evaluation； monitoring point

我國當(dāng)前經(jīng)濟社會的發(fā)展正處在城市化、工業(yè)化、現(xiàn)代化進程中，有效地保護和合理利用水資源，防止項目建設(shè)和生產(chǎn)造成的人為水資源破壞，最大限度地減少和降低對水環(huán)境的影響，保證工程項目的順利建設(shè)和安全運行，促進水資源的循環(huán)利用和生態(tài)環(huán)境的可持續(xù)維護，水環(huán)境質(zhì)量科學(xué)準(zhǔn)確的評價必不可少[1]。該文綜合考慮神經(jīng)網(wǎng)絡(luò)的特點，把模糊理論引入評價模型中，以水質(zhì)評價指標(biāo)作為模型的輸入變量建立模糊神經(jīng)網(wǎng)絡(luò)，以白山市白云峰水庫為研究區(qū)，評價其水環(huán)境質(zhì)量。

1 模糊神經(jīng)網(wǎng)絡(luò)

1974年，S.C.Lee以和E.T.Lee首次把模糊集和神經(jīng)網(wǎng)絡(luò)聯(lián)系在一起； 1985年，J.M Keller和D.Huut提出把模糊隸屬函數(shù)和感知器算法相結(jié)合。自1992年開始，J.J.Backley發(fā)表了多篇關(guān)于混合模糊神經(jīng)網(wǎng)絡(luò)的文章，它們也反映了人們近年來的興趣點。

模糊神經(jīng)網(wǎng)絡(luò)是一種新型的神經(jīng)網(wǎng)絡(luò)，它是在網(wǎng)絡(luò)中引入模糊算法或模糊權(quán)系數(shù)的神經(jīng)網(wǎng)絡(luò)。模糊神經(jīng)網(wǎng)絡(luò)的特點在于把模糊邏輯方法和神經(jīng)網(wǎng)絡(luò)方法結(jié)合在一起[2]。目前應(yīng)用最廣泛的是模糊BP網(wǎng)絡(luò)[3]，對于一個神經(jīng)元，考慮其輸入信號是以隸屬函數(shù)表示，而不是以絕對值表示，基本處理單元為非線性輸入-輸出關(guān)系，輸入層神經(jīng)元閾值為0，且[f（x）=x]；而隱含層和輸出層作用函數(shù)為[f（x）=11+e-x]。

鑒于水質(zhì)評價中水質(zhì)分級存在模糊性，水質(zhì)評價結(jié)果易受人為因素影響[4-5]，因此本研究將將模糊理論中隸屬度引入水質(zhì)評價中，試圖克服傳統(tǒng)水質(zhì)評價過程中存在的問題。按下式構(gòu)造隸屬度函數(shù)[6-7]

式中：a、b為評價水質(zhì)樣本相鄰的上下兩級標(biāo)準(zhǔn)水質(zhì)級別；[f（x）]為標(biāo)準(zhǔn)的梯形隸屬度函數(shù)。

2 實例

2.1 評價因子選取

研究區(qū)地處低山丘陵，遠(yuǎn)離居民點，附近無大的河流或流量較大的裂隙泉。當(dāng)?shù)刈匀画h(huán)境良好。研究區(qū)氣候?qū)贉貛Т箨懶约撅L(fēng)氣候區(qū)。年平均氣溫在2.5℃左右。年最高氣溫38℃，多集中在七、八月份，晝夜溫差較大。最低氣溫可達(dá)-40℃，集中在十二月下旬至翌年二月份。年平均降雨量為800mm左右，最大凍結(jié)深度1.60m。

根據(jù)水文局提供的水環(huán)境質(zhì)量監(jiān)測資料，本次研究選取總硬度、硝酸鹽氮、揮發(fā)酚、六價鉻、砷、鐵等指標(biāo)作為評價因子。

2.2 模糊神經(jīng)網(wǎng)絡(luò)的應(yīng)用

經(jīng)過標(biāo)準(zhǔn)化處理后建立6-3-1結(jié)構(gòu)的模糊神經(jīng)網(wǎng)絡(luò)。由于活化函數(shù)值域范圍在[0，1]間，故設(shè)定水環(huán)境質(zhì)量級別的目標(biāo)輸出量是0.1、0.3、0.5、0.7、0.9（如表1） 。模型本次訓(xùn)練選取學(xué)習(xí)效率[η]=0.9，動量系數(shù)[σ]=0.5，經(jīng)過7600次迭代，網(wǎng)絡(luò)收斂，達(dá)到指定精度10-5。然后對輸出結(jié)果進行隸屬度計算，最終確定出水質(zhì)級別，評價結(jié)果見表2。

2.3 結(jié)果分析

根據(jù)現(xiàn)有調(diào)查資料水庫目前的水化學(xué)類型為：H―Ca型水、總硬度（以CaCo3計算）124.31mg/L、PH值8.01、為弱堿性水，水質(zhì)良好，適合飲用。通過計算發(fā)現(xiàn)，采用尼梅羅綜合污染指數(shù)法評價的水環(huán)境質(zhì)量并無明顯變化，而應(yīng)用模糊神經(jīng)網(wǎng)絡(luò)計算后得出的結(jié)果水環(huán)境質(zhì)量變化明顯，與現(xiàn)有實際調(diào)查情況一致。因此應(yīng)用模糊神經(jīng)網(wǎng)絡(luò)評價出的水環(huán)境質(zhì)量結(jié)果是可靠的。

3 結(jié)論

本文將模糊神經(jīng)網(wǎng)絡(luò)應(yīng)用到水環(huán)境質(zhì)量評價中，它將模糊算法或模糊權(quán)系數(shù)引入到神經(jīng)網(wǎng)絡(luò)中，把模糊邏輯方法和神經(jīng)網(wǎng)絡(luò)方法結(jié)合在一起，是一種新型的神經(jīng)網(wǎng)絡(luò)?？朔藗鹘y(tǒng)水環(huán)境系統(tǒng)中變量間模糊性問題，該網(wǎng)絡(luò)具有很強的自適應(yīng)、自學(xué)習(xí)的能力。通過實例應(yīng)用，驗證了模糊神經(jīng)網(wǎng)絡(luò)在水質(zhì)評價方面的應(yīng)用是可行的，結(jié)果是準(zhǔn)確可靠的，該方法具有良好的應(yīng)用前景。為保證城鎮(zhèn)居民飲水安全，及日后保護和管理水環(huán)境提供了科學(xué)依據(jù)。

參考文獻：

[1] 夏軍.區(qū)域水環(huán)境及生態(tài)環(huán)境質(zhì)量評價――多級關(guān)聯(lián)評估理論與應(yīng)用[M].武漢：武漢水利電大學(xué)出版社，1999.

[2] 陳守煜，趙瑛琪.模糊模式識別理論模型與水質(zhì)評價[J ].水利學(xué)報，1991 ，6 ：35 ― 401.

[3] 尼探海，白玉慧.BP神經(jīng)網(wǎng)絡(luò)模型在地下水水質(zhì)評價中的應(yīng)用[J].系統(tǒng)工程理論與實踐，2000，（8）：124-127.

[4] 王士同，神經(jīng)模糊系統(tǒng)及其應(yīng)用[M]，北京，北京航空航天大學(xué)出版社.

[5] 雪冬，邢建.新疆河流水質(zhì)調(diào)查及評價[J].新疆環(huán)境保護，2003，25（2）：37-39.

第7篇：神經(jīng)網(wǎng)絡(luò)的現(xiàn)狀范文

關(guān)鍵詞：小波分析；神經(jīng)網(wǎng)絡(luò)；故障定位；配電網(wǎng)

作者簡介：李曉東（1975-），男，寧夏吳忠人，寧夏電力公司吳忠供電局，助理工程師。（寧夏 吳忠 751100）

中圖分類號：TM726 文獻標(biāo)識碼：A 文章編號：1007-0079（2013）26-0201-03

配電網(wǎng)直接聯(lián)系用戶，其可靠供電能力和供電質(zhì)量既是電力企業(yè)經(jīng)濟效益的直接體現(xiàn)，又對應(yīng)著不可估量的社會效益。配電網(wǎng)故障自動定位作為配電自動化的一個重要內(nèi)容，對提高供電可靠性有很大影響，也得到了越來越多的重視。本文在分析研究小波神經(jīng)網(wǎng)絡(luò)特征的基礎(chǔ)上利用小波的時頻分析能力與神經(jīng)網(wǎng)絡(luò)的非線性擬合能力來建立故障特征與故障點的映射，確定故障點的位置。

一、配電網(wǎng)的故障特點

配電網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)復(fù)雜，節(jié)點眾多且分布廣泛。負(fù)荷沿配電線路分布不均勻，而且負(fù)荷性質(zhì)也有很大差異，因此配網(wǎng)故障定位是一項十分艱巨的任務(wù)。配電網(wǎng)發(fā)生故障的幾率遠(yuǎn)大于輸電網(wǎng)，因為配電網(wǎng)的設(shè)備為分散分布，采集信號相對困難，而且信號傳輸?shù)木嚯x越遠(yuǎn)越容易發(fā)生畸變。配電網(wǎng)直接面向廣大的用戶，最易受到用戶端多種多樣不確定因素的影響，所以配電網(wǎng)的故障頻率及操作頻率都較高，運行方式和對應(yīng)的網(wǎng)絡(luò)拓?fù)浣?jīng)常發(fā)生變化。[1]同時，配電網(wǎng)具有閉環(huán)設(shè)計開環(huán)運行的特點，有時會出現(xiàn)短暫的閉環(huán)運行，給故障定位帶來困難。

二、神經(jīng)網(wǎng)絡(luò)在配網(wǎng)故障診斷中的應(yīng)用原理

人工神經(jīng)網(wǎng)絡(luò)（ANN）是一種連接機制模型，它是由大量人工神經(jīng)元廣泛互聯(lián)而成的網(wǎng)絡(luò)，是在微觀結(jié)構(gòu)上模擬人的認(rèn)識能力，其知識處理所模擬的是人的經(jīng)驗思維機制，決策時它依據(jù)的是經(jīng)驗，而不是一組規(guī)劃，特別是在缺乏清楚表達(dá)規(guī)則或精確數(shù)據(jù)時神經(jīng)網(wǎng)絡(luò)可產(chǎn)生合理的輸出結(jié)果。ANN的最大特點是依靠并行調(diào)節(jié)人工神經(jīng)元之間的連接權(quán)值來隱含地處理問題，具有很強的自適應(yīng)和自學(xué)習(xí)能力、非線性映射能力、魯棒性和容錯能力。

應(yīng)用神經(jīng)網(wǎng)絡(luò)進行電力系統(tǒng)報警處理和故障定位能在保護裝置誤動、數(shù)據(jù)丟失以及出現(xiàn)其他未考慮的報警類型時也能給出較精確的定位結(jié)果。[2，3]還可以結(jié)合小波分析比較精確地定位出故障位置進行隔離。

由于神經(jīng)網(wǎng)絡(luò)自身具有很多的優(yōu)點，應(yīng)用現(xiàn)代數(shù)學(xué)工具通過準(zhǔn)確地提取故障電氣量特征信息作為神經(jīng)網(wǎng)絡(luò)的輸入進行訓(xùn)練來提高神經(jīng)網(wǎng)絡(luò)的定位性能將是一個很好的發(fā)展方向。

基于神經(jīng)網(wǎng)絡(luò)的診斷系統(tǒng)結(jié)構(gòu)圖如圖1所示。

三、小波變換

小波變換是繼Fourier變換之后又一有效的時頻分析方法，可以在一個時間和頻域的局域變換所以能有效地從信號中提取信息，可以對信號進行多尺度的細(xì)化分析。

小電流接地系統(tǒng)發(fā)生單相接地故障時，暫態(tài)接地電容電流幅值經(jīng)常大于穩(wěn)態(tài)時的幾倍到幾十倍，補償?shù)碾姼须娏饕矔龃?。[4]這種情況下小波變換可以將暫態(tài)信號映射到由小波伸縮而成的一組基函數(shù)上。該函數(shù)具有很好地頻帶分割性，再根據(jù)小電流接地系統(tǒng)發(fā)生故障時零序電流分量的特點，即故障線路上的電流幅值比非故障線路幅值大得多且極性相反這一特征來進行故障點的定位。

四、小波神經(jīng)網(wǎng)絡(luò)

1.小波神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)

小波函數(shù)作為神經(jīng)網(wǎng)絡(luò)的激勵函數(shù)與普通神經(jīng)網(wǎng)絡(luò)的激勵函數(shù)在本質(zhì)上是一致的，但是小波神經(jīng)網(wǎng)絡(luò)只要尺度、位移以及權(quán)重的初始值設(shè)置得當(dāng)，其函數(shù)逼近的效果更優(yōu)于簡單的神經(jīng)網(wǎng)絡(luò)。

在文獻[5]中對小電流接地系統(tǒng)單相接地故障暫態(tài)信號用prony方法進行分析時，已證實故障點位置不同時對應(yīng)的故障暫態(tài)信號的特征分量也不同，它們之間存在著特定的對應(yīng)關(guān)系。根據(jù)這個原理就可以利用小波分析來獲得故障暫態(tài)信號定時頻窗特征，將它映射到距離平面上實現(xiàn)故障定位。

小波神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖2所示，共有四層，分別為輸入層、小波變換層、隱含層、輸出層。小波變換層選取的神經(jīng)元激勵函數(shù)為Morlet小波：

則在函數(shù)空間L2（R）中，一個信號f（t）的小波變換：

對網(wǎng)絡(luò)的輸出并不僅僅是簡單的加權(quán)求和，而是先對網(wǎng)絡(luò)隱含層小波節(jié)點的輸出值進行加權(quán)求和，再通過Sigmoid函數(shù)變換，最終得到的網(wǎng)絡(luò)輸出，有利于處理分類問題，[6，7]同時降低訓(xùn)練過程中發(fā)散的可能性。

小電流單相接地故障檢測系統(tǒng)的小波神經(jīng)網(wǎng)絡(luò)模型如圖2所示，輸入層的每一節(jié)點對應(yīng)故障暫態(tài)時序序列，輸出包含的單個神經(jīng)元，其值反映的是故障點的位置。

2.小波神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法

進行訓(xùn)練時需要在權(quán)值和閾值的修正算法中加入動量項，利用前一步得到的修正值來平滑學(xué)習(xí)路徑，防止陷入局部極小值，加速學(xué)習(xí)速度。[8]當(dāng)逐個對樣本進行訓(xùn)練時會引起權(quán)值與閾值修正時發(fā)生振蕩，為避免這種情況的發(fā)生可以采用成批訓(xùn)練方法。

在式（1）中，當(dāng)a>0時，信號f（t）可離散化fN（i），式（1）變?yōu)椋?/p>

式子中，N為電流序列點總和，為信號的時間窗寬度。

前向運算：輸入采樣時間序列，小波變換層的輸出為：

按照上式的算法，分別計算出小波變換層的輸出量，其中j為小波變換層的總節(jié)點數(shù)。

隱層的輸入矢量，其中K表示隱層節(jié)點個數(shù)。；隱含層輸出矢量：；故障距離輸出。

給定P（P=1，2，3……p）組輸入輸出樣本，學(xué)習(xí)率為，動量因子是目標(biāo)誤差函數(shù)為：

式中：——輸出層第n個節(jié)點的期望輸出；——網(wǎng)絡(luò)實際輸出。

算法要實現(xiàn)的目標(biāo)就是不斷調(diào)整網(wǎng)絡(luò)的各項參數(shù)，使最終的誤差函數(shù)獲得最小值。

隱含層與輸出層之間的權(quán)值調(diào)整式：

輸入層與隱層結(jié)點之間的權(quán)值調(diào)整式：

伸縮因子調(diào)整式：

平移因子調(diào)整式：

五、小波與神經(jīng)網(wǎng)絡(luò)在配網(wǎng)故障診斷中的應(yīng)用

1.系統(tǒng)整體設(shè)計

本文采用EMTP/ATP軟件進行仿真。設(shè)計系統(tǒng)為中性點不接地系統(tǒng)，母線電壓等級為35kV，仿真時間是0.1S，故障發(fā)生時間是0.05S，采樣頻率是4000Hz，可充分滿足暫態(tài)電容電流自由振動頻率的要求；線路參數(shù)：正序阻抗；正序容納；零序阻抗；零序容納。圖3為小電流接地系統(tǒng)。

變化故障點位置和接地電阻形成的學(xué)習(xí)故障模式集為：在配電網(wǎng)全程線路上選擇故障點，是距離變化的步長，；故障過渡電阻。

2.故障定位效果分析

為了較好地檢測訓(xùn)練后神經(jīng)網(wǎng)絡(luò)的真實定位效果，需要選取網(wǎng)絡(luò)的非學(xué)習(xí)樣本來檢驗。選取故障點故障過渡電阻。進行組合20×2=40個測試故障模式，按照與形成學(xué)習(xí)樣本相同的預(yù)處理方法形成輸入矢量集合，經(jīng)過網(wǎng)絡(luò)的前向運算得到故障的定位結(jié)果。

接地電阻時，故障定位結(jié)果，如表1所示。

接地電阻時，故障定位結(jié)果，如表2所示。

由表1和表2可得，經(jīng)過訓(xùn)練后的小波神經(jīng)網(wǎng)絡(luò)可以很好地擬合輸入矢量和故障點的位置對應(yīng)關(guān)系。對于神經(jīng)網(wǎng)絡(luò)測試的樣本，該誤差基本在1%以下，具有較滿意的定位結(jié)果。此故障定位方案之所以精確是因為兩方面的原因：一是小電流接地系統(tǒng)通常情況下是直接面向用戶的，為單電源系統(tǒng)，雖然具有復(fù)雜多變的運行方式，但大多數(shù)運行參數(shù)可知，該方案在一定程度上降低了運行參數(shù)的模糊性；二是小波神經(jīng)網(wǎng)絡(luò)在故障之后暫態(tài)高頻信息的提取與應(yīng)用是定位原理的關(guān)鍵所在。因此，經(jīng)過訓(xùn)練后的小波神經(jīng)網(wǎng)絡(luò)故障定位精確可靠。

六、結(jié)論

本文利用小波神經(jīng)網(wǎng)絡(luò)的特點解決配電網(wǎng)故障定位中的問題，小波神經(jīng)網(wǎng)絡(luò)具備小波與神經(jīng)網(wǎng)絡(luò)共同的特點，既具有對非平穩(wěn)隨機信號所具有的優(yōu)越的時頻局部特性又具有非線性擬合能力，具有充分的理論依據(jù)。在對所建立的小電流接地系統(tǒng)進行仿真的結(jié)果分析可知，該定位方案精確度較高、方便可靠。

參考文獻：

[1]郭三中.基于小波神經(jīng)網(wǎng)絡(luò)的配電網(wǎng)故障定位研究J].電力系統(tǒng)自動化，2010，（12）：27-30.

[2]季濤，孫同景，薛永端.配電網(wǎng)故障定位技術(shù)現(xiàn)狀與展望[J].繼電器，2005，33（24）：32-37.

[3]張振飛，夏利民.基于神經(jīng)網(wǎng)絡(luò)的滾動軸承故障診斷智能方法[J].信息技術(shù)，2008，（8）：35-55.

[4]李振然.基于小波變換與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的配電網(wǎng)單相接地故障定位方法[J].繼電器，2004，32（9）：24-26.

[5]郜洪亮，楊學(xué)昌.一種配電線路單相接地故障測距算法[J].清華大學(xué)學(xué)報（自然科學(xué)版），1999，39（9）：33-36.

[6]李玉，潘亞平，魏海平.小波神經(jīng)網(wǎng)絡(luò)及其研究進展[J].科技信息，2006，（9）：24-25.

第8篇：神經(jīng)網(wǎng)絡(luò)的現(xiàn)狀范文

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)；全要素生產(chǎn)率；預(yù)測；生產(chǎn)物流

中圖分類號：F513.2 文獻標(biāo)識碼：A

未來經(jīng)濟發(fā)展?fàn)顩r一直是人們探討的問題。經(jīng)濟預(yù)測是在一定的經(jīng)濟理論指導(dǎo)下，以經(jīng)濟發(fā)展的歷史和現(xiàn)狀為出發(fā)點，以調(diào)研資料和統(tǒng)計數(shù)據(jù)為依據(jù)，在對經(jīng)濟發(fā)展過程進行定性分析和定量分析的基礎(chǔ)上，對經(jīng)濟發(fā)展的未來情況所作出的推測。由于經(jīng)濟現(xiàn)象紛繁復(fù)雜，能獲取的統(tǒng)計資料有限，現(xiàn)有的經(jīng)濟預(yù)測理論與方法還不能對此給予完全合理的解釋和有效的預(yù)測，經(jīng)濟預(yù)測的實效往往不佳，為此本文引入神經(jīng)網(wǎng)絡(luò)方法對中國制造業(yè)生產(chǎn)率進行短期預(yù)測，獲取促進制造業(yè)生產(chǎn)率發(fā)展的具體途徑，同時，也為經(jīng)濟領(lǐng)域同類短期預(yù)測準(zhǔn)確性的解決提供一種可行的思路和方法。

一、BP神經(jīng)網(wǎng)絡(luò)的基本原理

BP（Back Propagation）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，而無需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程。它的學(xué)習(xí)規(guī)則是使用最速下降法，通過反向傳播來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小[1，2]。BP神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)包括輸入層（input layer）、隱層(hidden layer)和輸出層(output layer)（如圖1所示）。

二、BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練程序的編制

借助于MATLAB神經(jīng)網(wǎng)絡(luò)工具箱[3]來實現(xiàn)多層前饋BP網(wǎng)絡(luò)的轉(zhuǎn)換，免去了許多編寫計算機程序的煩惱。神經(jīng)網(wǎng)絡(luò)的實際輸出值與輸入值以及各權(quán)值和閾值有關(guān)，為了使實際輸出值與網(wǎng)絡(luò)期望輸出值相吻合，可用含有一定數(shù)量學(xué)習(xí)樣本的樣本集和相應(yīng)期望輸出值的集合來訓(xùn)練網(wǎng)絡(luò)。

1.訓(xùn)練參數(shù)的設(shè)定

訓(xùn)練參數(shù)的設(shè)定：一般先對如下參數(shù)進行賦值：

最大訓(xùn)練步數(shù)：net.trainParam.epochs=1000

最小梯度差：net.trainParam.min-grad=-3

精度目標(biāo)值：net.trainParam.goal=1e-4

顯示間隔：net.trainParam.show=20

動量系數(shù)：net.trainParam.mc=0.9

學(xué)習(xí)率：net.trainParam.lr=0.5

2.設(shè)計網(wǎng)絡(luò)函數(shù)

設(shè)計網(wǎng)絡(luò)函數(shù)newff：用于創(chuàng)建前饋式BP網(wǎng)絡(luò)，調(diào)用語法為：

net=newff(PR,[S1 S2…SN1],{TF1 TF2…TFN1},BTF,BLF,PF)

PR―R×2矩陣，由訓(xùn)練樣本R個輸入的最大最小值構(gòu)成

Si―第i層節(jié)點數(shù)，輸入層節(jié)點數(shù)為3個，依次為制造業(yè)工業(yè)增加值、制造業(yè)全社會固定資產(chǎn)投資和工資；輸出層節(jié)點數(shù)為2個，依次為當(dāng)年和下一年的全要素生產(chǎn)率；這里主要問題是隱層的確定，從兩個方面入手：

第9篇：神經(jīng)網(wǎng)絡(luò)的現(xiàn)狀范文

關(guān)鍵詞：高速公路；隧道施工系統(tǒng)；安全評價；模糊理論；神經(jīng)網(wǎng)絡(luò)

0引言

近年來，隨著國家高速公路迅猛發(fā)展，隧道建設(shè)數(shù)量也越來越多，規(guī)模也越來越大。在隧道施工過程中，由于圍巖地質(zhì)條件的多樣性和復(fù)雜性，其施工事故發(fā)生率比其他巖土工程高且嚴(yán)重，給隧道工程施工人員身心帶來嚴(yán)重的危害，社會影響惡劣，有悖于國家建設(shè)和諧社會的宗旨。這就要求用科學(xué)的方法對隧道施工生產(chǎn)系統(tǒng)進行安全分析與評估，預(yù)測事故發(fā)生的可能性[1]。

在傳統(tǒng)的公路隧道施工生產(chǎn)系統(tǒng)安全評價中，經(jīng)常使用的安全評價方法主要以定性安全評價方法為主，如專家論證法、安全檢查表法及作業(yè)條件危險性評價法等[2,3]。近年來，在公路隧道施工生產(chǎn)系統(tǒng)安全評價中，引人了模糊綜合評價的方法，取得了較好的決策效果[4]。但是，該方法缺乏對環(huán)境變化的自學(xué)習(xí)能力，對權(quán)值不能進行動態(tài)調(diào)整[5],而神經(jīng)網(wǎng)絡(luò)具有非線性逼近能力,具有自學(xué)習(xí)、自適應(yīng)和并行分布處理能力，但其對不確定性知識的表達(dá)能力較差，因此，模糊控制與神經(jīng)網(wǎng)絡(luò)結(jié)合就可以優(yōu)勢互補，各取所長[6]，在這方面已經(jīng)出現(xiàn)了一些研究成果[7～11]。為此，本文把人工神經(jīng)網(wǎng)絡(luò)理論與模糊綜合評價理論相融合，研究建立了一種模糊神經(jīng)網(wǎng)絡(luò)評價模型，對公路隧道施工的安全管理水平進行評價。

1模糊神經(jīng)網(wǎng)絡(luò)

1.1基本結(jié)構(gòu)原理

模糊神經(jīng)網(wǎng)絡(luò)是由與人腦神經(jīng)細(xì)胞相似的基本計算單元即神經(jīng)元通過大規(guī)模并行、相互連接而成的網(wǎng)絡(luò)系統(tǒng)，訓(xùn)練完的網(wǎng)絡(luò)系統(tǒng)具有處理評估不確定性的能力，也具有記憶聯(lián)想的能力，可以成為解決評估問題的有效工具，對未知對象作出較為客觀正確的評估。

根據(jù)評估問題的要求，本文采用具有多輸人單元和五輸出單元的三層前饋神經(jīng)網(wǎng)絡(luò)，其中包括神經(jīng)網(wǎng)絡(luò)和模糊集合兩方面的內(nèi)容。

1.2神經(jīng)網(wǎng)絡(luò)

為了模擬人腦結(jié)構(gòu)和功能的基本特性，前饋神經(jīng)網(wǎng)絡(luò)由許多非線性神經(jīng)元組成，并行分布，多層連接。Robert Hecht一Nielson于1989年證明了對于任何在閉區(qū)間內(nèi)的一個連續(xù)函數(shù)都可以用一個隱層的BP網(wǎng)絡(luò)來逼近[12]，因而一個三層的BP網(wǎng)絡(luò)完全可以完成任意的輸人層到輸出層的變換。因此，本文研究的公路隧道施工系統(tǒng)安全評價模糊神經(jīng)網(wǎng)絡(luò)采用三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。輸人層有 個神經(jīng)元，輸人向量 ， ，輸人層神經(jīng)元 的輸出是輸人向量的各分分量 。隱層有個神經(jīng)元 ， ，若輸人層神經(jīng)元 與隱層神經(jīng)元 之間的連接權(quán)值為 ，且隱層神經(jīng)元 的閾值為 ，則隱層神經(jīng)元 的輸出為

(l)

式中 是神經(jīng)元的激勵函數(shù)，一般選取單調(diào)遞增的有界非線性函數(shù)，這里選用Sigmoid函數(shù)：

(2)

由此，隱層神經(jīng)元的輸出為：

(3)

同理可得輸出層神經(jīng)元的輸出為：

(4)

1.3學(xué)習(xí)算法

本網(wǎng)絡(luò)采用BP學(xué)習(xí)算法，它是一種有教師的學(xué)習(xí)算法，其學(xué)習(xí)過程由信號的正向傳播和誤差的反向傳播組成?；驹硎牵涸O(shè)輸人學(xué)習(xí)樣本為 個，即輸人矢量 ，已知其對應(yīng)的期望輸出矢量(教師信號)為 ，正向傳播過程將學(xué)習(xí)樣本輸人模式 從輸人層經(jīng)隱含單元層逐層處理，并傳向輸出層，得到實際的輸出矢量 ，如果在輸出層不能得到期望輸出 ，則轉(zhuǎn)人反向傳播，將 與 的誤差信號通過隱層向輸入層逐層反傳，并將誤差分?jǐn)偨o各層的所有單元，從而調(diào)整各神經(jīng)元之間的連接權(quán)值，這種信號正向傳播與誤差反向傳播得各層權(quán)值調(diào)整過程是周而復(fù)始地進行的，直到網(wǎng)絡(luò)輸出的誤差減少到可接受的程度，或進行到預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止。

網(wǎng)絡(luò)的具體學(xué)習(xí)算法的計算模型如下：

對某一學(xué)習(xí)樣本 ，誤差函數(shù)為

（5）

式中： 、 分別為該樣本的輸出期望值和實際值。

對于所有學(xué)習(xí)樣本 ，網(wǎng)絡(luò)的總誤差為

（6）

網(wǎng)絡(luò)學(xué)習(xí)算法實際上就是求誤差函數(shù)的極小值。利用非線性規(guī)劃中的梯度下降法(最速下降法)，使權(quán)值沿著誤差函數(shù)的負(fù)梯度方向改變。

隱層與輸出層之間的權(quán)值(及閾值) 的更新量 可表示為

（7）

式中： 為學(xué)習(xí)率，可取 。

將式（6）和（4）代入式（7），并利用復(fù)合函數(shù)求導(dǎo)的連鎖規(guī)則，得

（8）

式中： 為迭代次數(shù)， 為誤差信號

（9）

類似的，輸入層與隱層之間的權(quán)值（及閾值）修正為

（10）

同理可得

式中 為誤差信號

（11）

為了改善收斂性，提高網(wǎng)絡(luò)的訓(xùn)練速度，避免訓(xùn)練過程發(fā)生振蕩，對BP算法進行改進，在權(quán)值調(diào)整公式中增加一動量項，即從前一次權(quán)值調(diào)整量中取出一部分迭加到本次權(quán)值調(diào)整量中，即：

（12）

（13）

式中 為動量因子，一般有 。

1.4模糊集合

評估指標(biāo)集由表征一類評估決策問題的若干性能指標(biāo)組成。由于指標(biāo)的量化含有不確定性，故用模糊方法加以處理[13]。評估指標(biāo)的模糊集合 可表示為

（14）

式中： 是評估指標(biāo)， 是相應(yīng)指標(biāo)的評價滿意度， 。

評估指標(biāo)集用其滿意度表示，取值在[0，1]之間，作為模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)中神經(jīng)網(wǎng)絡(luò)的輸人向量，這正好符合神經(jīng)網(wǎng)絡(luò)對輸人向量特征化的要求。實踐表明，經(jīng)過對輸人向量的特征化處理，可大大減少網(wǎng)絡(luò)的學(xué)習(xí)時間，加速網(wǎng)絡(luò)訓(xùn)練的收斂。

2隧道施工系統(tǒng)安全評價模糊神經(jīng)網(wǎng)絡(luò)

2.1指標(biāo)體系與神經(jīng)網(wǎng)絡(luò)劃分

實踐證明，一個好的隧道施工系統(tǒng)安全評價方法應(yīng)滿足以下要求：評價指標(biāo)能全面準(zhǔn)確地反映出隧道施工系統(tǒng)的狀況與技術(shù)質(zhì)量特征；評價模式簡單明了，可操作性強，易掌握；評價結(jié)論能反映隧道施工系統(tǒng)的合理性、經(jīng)濟性及安全可靠性；評價中所采用的數(shù)據(jù)易于獲取，數(shù)據(jù)處理工作量?。豁攲虞敵黾礊橄到y(tǒng)的專家評估，而每層各評估項目的子系統(tǒng)都可以用子結(jié)構(gòu)表示。

每個子結(jié)構(gòu)具有輸人輸出關(guān)系可表達(dá)為

（15）

其中 是子系統(tǒng)的輸出， 是子系統(tǒng)的輸人矢量， 為相應(yīng)的專家(加權(quán))知識。

評估專家系統(tǒng)中各子系統(tǒng)的評估由各自的模糊神經(jīng)網(wǎng)絡(luò)來完成。

這種對評估系統(tǒng)的結(jié)構(gòu)分解和組合具有如下特點：

（1）每個子系統(tǒng)可以采用較少的神經(jīng)元來實現(xiàn)神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)和知識推理，這樣既減少了學(xué)習(xí)樣本數(shù)、提高了樣本訓(xùn)練速度，又能夠獨立完成某一推理任務(wù)。

（2）分解的各子系統(tǒng)具有相對獨立性，便于系統(tǒng)的修改、擴展和子系統(tǒng)的刪除，從而具有良好的維護性。

（3）子系統(tǒng)的評估項目即為節(jié)點，在系統(tǒng)進行評估推理時產(chǎn)生的評估表示式可以很好地解釋評估系統(tǒng)的推理過程，避免了神經(jīng)網(wǎng)絡(luò)權(quán)值難以理解所致的推理過程難以理解的弱點。

2.2網(wǎng)絡(luò)的設(shè)計

評估問題是前向處理問題，所以選用如前所述的前向型模糊神經(jīng)網(wǎng)絡(luò)來實現(xiàn)。

（1）輸人層

輸人層是對模糊信息進行預(yù)處理的網(wǎng)層，主要用于對來自輸人單元的輸人值進行規(guī)范化處理，輸出由系統(tǒng)模糊變量基本狀態(tài)的隸屬函數(shù)所確定的標(biāo)準(zhǔn)化的值，以便使其適應(yīng)后面的處理。根據(jù)評價指標(biāo)體系，對應(yīng)20個指標(biāo)構(gòu)建BP網(wǎng)絡(luò)的輸入層為20個節(jié)點，將指標(biāo)轉(zhuǎn)換為相應(yīng)指數(shù)后作為樣本進入網(wǎng)絡(luò)進行計算。

（2）隱層(模糊推理層)

該層是前向型模糊神經(jīng)網(wǎng)絡(luò)的核心，用以執(zhí)行模糊關(guān)系的映射，將指標(biāo)狀態(tài)輸入與評估結(jié)果輸出聯(lián)系起來。采用試探法選取模型的隱含層神經(jīng)元數(shù)，即首先給定一個較小的隱含層神經(jīng)元數(shù)，代入模型觀察其收斂情況，然后逐漸增大，直至網(wǎng)絡(luò)穩(wěn)定收斂。通過計算該模型的隱含層神經(jīng)元數(shù)為28個。

（3）輸出層

輸出層是求解模糊神經(jīng)網(wǎng)絡(luò)的結(jié)果，也是最后的評估結(jié)果。我們把評價因素論域中的每一因素分成5個評價等級，即

={安全（ ），較安全（ ），安全性一般（ ），較不安全（ ），不安全（ ）}

對應(yīng)這5個等級，確定輸出層為5個節(jié)點。這樣就構(gòu)建了一個“20―28―5”的3層BP網(wǎng)絡(luò)作為評價體系的網(wǎng)絡(luò)模型。

2.3模糊神經(jīng)網(wǎng)絡(luò)訓(xùn)練

網(wǎng)絡(luò)設(shè)計好后,須對其進行訓(xùn)練，使網(wǎng)絡(luò)具有再現(xiàn)專家評估的知識和經(jīng)驗的能力。樣本數(shù)據(jù)來自我省已經(jīng)建成的高速公路隧道施工的現(xiàn)場數(shù)據(jù)庫，從中選取30組，其中20組數(shù)據(jù)作為訓(xùn)練樣本，余下的10組作為測試樣本。實際網(wǎng)絡(luò)訓(xùn)練表明，當(dāng)訓(xùn)練步數(shù)為12875時，達(dá)到了目標(biāo)要求的允差，獲得模糊神經(jīng)網(wǎng)絡(luò)各節(jié)點的權(quán)值和閾值，網(wǎng)絡(luò)訓(xùn)練學(xué)習(xí)成功。根據(jù)最大隸屬度原則進行比較，與期望結(jié)果相符，其準(zhǔn)確率為100%。這說明所建立的隧道施工系統(tǒng)安全評價模糊神經(jīng)網(wǎng)絡(luò)模型及訓(xùn)練結(jié)果可靠。

3 工程應(yīng)用實例

利用所訓(xùn)練好的模糊神經(jīng)網(wǎng)絡(luò)模型，對江西省正在施工的某高速公路A3合同段3座隧道（北晨亭隧道、洪家坂隧道和窯坑隧道）施工系統(tǒng)進行安全評價測定，評價出系統(tǒng)的安全狀況與3座隧道施工實際情況完全相符。同時，實際系統(tǒng)的評價結(jié)果又可作為新的學(xué)習(xí)樣本輸入網(wǎng)絡(luò)模型，實現(xiàn)歷史經(jīng)驗和新知識相結(jié)合,在發(fā)展過程中動態(tài)地評價系統(tǒng)的安全狀態(tài)。

4 結(jié)論

（1）本文對模糊理論與神經(jīng)網(wǎng)絡(luò)融合技術(shù)進行了研究，建立了一種公路隧道施工系統(tǒng)安全模糊神經(jīng)網(wǎng)絡(luò)評價模型，利用歷史樣本數(shù)據(jù)進行學(xué)習(xí)訓(xùn)練和測試，并對工程實例進行了評價。結(jié)果顯示，該評價方法可行，評價精度滿足工程應(yīng)用要求,為公路隧道施工安全評價探索了一種新的評價方法。

（2）運用模糊神經(jīng)網(wǎng)絡(luò)知識存儲和自適應(yīng)性特征，通過適當(dāng)補充學(xué)習(xí)樣本，可以實現(xiàn)歷史經(jīng)驗與新知識完美結(jié)合，在發(fā)展過程中動態(tài)地評價公路隧道施工系統(tǒng)的安全狀態(tài)，可及時評估出施工系統(tǒng)的安全狀況，盡早發(fā)現(xiàn)安全隱患。

參考文獻：

[1]徐德蜀.安全科學(xué)與工程導(dǎo)論[M].北京:化學(xué)工業(yè)出版社,2005.

[2]劉鐵民,張興凱,劉功智.安全評價方法應(yīng)用指南[M].北京:化學(xué)工業(yè)出版社,2005.

[3]田建,李志強,張斌.交通建設(shè)工程安全評價技術(shù)現(xiàn)狀及趨勢研究[J].中國安全科學(xué)學(xué)報,2008,18(6):171-176.

[4]張鴻,劉優(yōu)平,黎劍華等.基于模糊理論的隧道施工安全預(yù)警模型研究及應(yīng)用[J].中國安全科學(xué)學(xué)報,2009.19(4):5-10.

[5]劉輝,王海寧,呂志飛.模糊神經(jīng)網(wǎng)絡(luò)技術(shù)在礦山安全評價中的適應(yīng)性研究[J].中國安全生產(chǎn)科學(xué)技術(shù),2005,1(3):54-59.

[6]張吉禮.模糊-神經(jīng)網(wǎng)絡(luò)控制原理與工程應(yīng)用[M].哈爾濱:哈爾濱工業(yè)大學(xué)出版社,2004.

[7]葛淑杰,李彥峰,姜天文等.基于模糊神經(jīng)網(wǎng)絡(luò)的煤礦安全評價綜合評判[J].黑龍江科技學(xué)院學(xué)報,2007,17(4):321-325.

[8]鄭恒,汪佩蘭.模糊神經(jīng)網(wǎng)絡(luò)在火工品生產(chǎn)系統(tǒng)安全評價中的應(yīng)用[J].安全與環(huán)境學(xué)報,2004,4:159-162.

[9田軍.基于模糊神經(jīng)網(wǎng)絡(luò)的隧道圍巖分級系統(tǒng)[J].湖南交通科技,2007,34(4):104-107.

[10]郭宇航,王保國.兩類新型神經(jīng)網(wǎng)絡(luò)及其在安全評價中的應(yīng)用[J].中國安全科學(xué)學(xué)報,2008,18(7):28-33.

[11]宋瑞,鄧寶.神經(jīng)元網(wǎng)絡(luò)在安全評價中的應(yīng)用[J].中國安全科學(xué)學(xué)報,2005,15(3):78-81.

[12]韓力群.人工神經(jīng)網(wǎng)絡(luò)理論、設(shè)計及應(yīng)用[M].北京:化學(xué)工業(yè)出版社,2007.

[13]楊綸標(biāo),高英儀.模糊數(shù)學(xué)原理及應(yīng)用[M].廣州:華南理工大學(xué),2005.