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反向傳播神經網絡基本原理主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：反向傳播神經網絡基本原理范文

【關鍵詞】BP神經網絡；預測；誤差

1.引言

許多金融學家和計量學家對發達國家成熟市場的波動性進行了廣泛的研究，但是在對股市的預測上，由于人們在知識、能力、經驗上存在著較大的差異，加之問題本身又具有很大的隨機性和高度的非線性，即使是一些金融專家、炒股高手對出現的同一復雜行情進行分析，往往也會得出不同的結論。此外，傳統方法還要事先知道各種參數，以及這些參數在什么情況下應作怎樣的修正。這都給預測股市帶來一定的困難。

基于以上股市預測的困難性，本文提出了人工神經網絡的預測方法。隨著計算機、人工智能尤其是專家系統的發展，人工神經網絡技術逐漸成熟并開始應用于各個領域。人工神經網絡（ANN，簡稱神經網絡）作為一種由大量簡單神經元廣泛相互聯接而成的非線性映射或自適應動力系統，恰好能有效解決股市預測處理中常見的困難，因此它很快在股市預測分析與處理領域得到了廣泛的應用。

2.BP神經網絡介紹

2.1 BP 網絡算法的基本原理

2.1.1 標準的BP 網絡算法的基本原理

BP(Back Propagation)網絡是反向傳播的多層前饋式網絡，是目前使用最為廣泛的一種人工神經網絡。它的核心是BP算法，一種對于多基本子系統構成的大系統進行微商計算的嚴格而有效的方法，采用最小均方差學習方式。BP 神經網絡的原理說到底就是給它一些輸入變量，然后就有一個輸出，輸出值的情況與實際的情況進行比較，差多少，然后再進行網絡的內部調整，屬于有導師的學習規則，使得網絡輸出與實際逼近。

神經網絡能學習和存貯大量的輸入―輸出模式映射關系，而無需事前揭示描述這種映射關系的數學方程。人工神經網絡由非線性函數組成，而由一系列不同權重的線性過濾器組合而成：

2.1.2 BP網絡算法的優化

由于常用的BP算法主要缺點為收斂速度慢，局部極值，難以確定隱含層和隱含層的個數，使得在實際應用中BP算法很難應用，因此，出現了許多改進算法。BP算法的改進主要有兩種途徑，一種是采用啟發式學習方法；另一種則是采用更有效的優化算法，本文采用了動量法和學習率自適應調整的策略，從而提高了學習速度并增加了算法的可靠性。動量法降低了網絡對于誤差曲面局部極值的敏感性，有效地抑制了網絡陷于局部極小。

2.2 BP神經網絡的模型識別及步驟

模式通常指對事物的一種定量描述或結構描述，“識別”是指對客觀事物按其物理特征進行分類。模式識別的基本原理就是從待識別對象和理想標本之間若干特征的相似性推斷它們之間總體的相似性。BP神經網絡模式識別過程分為訓練階段和模式分類階段，分為初始化、數據與處理、網絡訓練以及模式分類四個步驟。以下利用實證分析來進行著四個步驟。

3.實例分析

下面以上證的某股600個交易日的股票價格收盤指數作為原始樣本數據，對上述神經網絡模型進行求解，預測20天的收盤價，與實際收盤價進行比較，并求出其誤差：

式中，表示第日的實際收盤指數，表示第日的預測值，表示誤差。主要按照如下幾部分來處理：（1）準備600個數據的時間序列，進行歸一化。BP神經網絡中每個神經元的輸出值由傳遞函數Sigmoid函數來計算，其輸出值的范圍是（0，1）；（2）留出最后20個數據，作為預測檢驗使用；（3）繪制圖像，包括實際值和預測值，能量函數；（4）分析實際和預測兩曲線的趨勢。

采用I-J-K學習模型，該模型是輸入層I個神經元，隱層J 個神經元，輸出層K個神經元。利用BP神經網絡模型訓練500次、800次、1000次的輸出值和期望值以及能量函數（或者叫誤差函數）E，結果見圖1到圖3。

通過上面的圖示，可以看到用BP神經網絡預測的效果比較明顯，這說明該模型適用于短期預測嗎，股市的波動在很多地區都是非常劇烈的，各種因素的綜合作用也使得長期股指的變動具有極大的不確定性，使得預測變得很困難。而BP網絡的算法原理和自學習的特點使其能夠充分挖掘出隱含在樣本數據中的規律性，實現從輸入空間到輸出空間的非線性映射，對樣本數據進行精確的擬合。從而BP神經網絡的方法對于股市上的一些很難看出規律的數據列的預測而言，無疑是一個比較精確的預測方法。

4.結論

本文介紹了股市的特點以及股市預測的困難性，提出了利用BP神經網絡的方法來解決股市預測問題。文章介紹了BP神經網絡算法的基本原理，BP神經網絡算法的優化，BP神經網絡模型識別及步驟，最后后以上海證券交易所每日股票價格收盤指數為分析對象，把原理應用于實際，利用BP神經網絡對股票價格收盤指數進行了短期預測，并計算出預測值和實際值的誤差。通過實驗發現該模型收斂速度快，預測精度非常高，對預測短周期內股指波動具有較強的適用性。

參考文獻

[1]高琴.人工神經網絡在股市預測模型中的應用[J].微電子學與計算機,2007年第24卷第11期.

[2]周翠紅,路邁西.線性回歸與人工神經網絡預測煤炭發熱量[J].煤炭科學技術,第37卷第12期.

[3]尹慶雙,奉瑩.人工神經網絡在第三產業就業分析中的應用[J].人口與經濟,2009年第6期.

[4]鄒文安,劉寶,姜波,楊春生.基于Excel 技術平臺人工神經網絡BP模型及應用[J].水文,第30卷第1期.

[5]康進,劉敬偉.非參數回歸估計與人工神經網絡方法的預測效果比較[J].統計與決策,2009年第23 期.

[6]楊本昭,田耕.基于人工神經網絡的客戶價值分類研究[J].科技管理研究,2007年第12期.

第2篇：反向傳播神經網絡基本原理范文

關鍵詞：智能車；電磁循跡；路徑識別；神經網絡；偏差量

中圖分類號：TP391.41 文獻標識碼：A 文章編號：1007-9599 （2012） 17-0000-02

1 引言

人工神經網絡是模擬生物神經系統建立起來的非線性動力學系統具有自我學習、聯想存儲以及高速尋求最優解的強大功能，它的分類能力和非線性映射能力使得它在系統辨識、模式識別、圖像處理、智能控制等領域有著廣泛而吸引人的前景，并且越來越多地被人們所運用。

“飛思卡爾”杯全國大學生智能車競賽中的電磁組是依據電磁感應原理，實現智能車的自動循跡。以飛思卡爾公司生產的MC9S12XS128芯片作為微控制器，以通有固定頻率和電流值的導線作為目標路徑，用電磁傳感器檢測智能車偏離導線的偏差量，配合舵機和電機的動作在50cm寬的賽道上實現自動循跡。其中偏差量的檢測與計算是智能車能否準確快速跟蹤引導線的關鍵。當前偏差量的計算算法主要有兩種，一種是取感應電動勢最大的傳感器位置作為線徑所在位置，這種方法本質上以點來檢測，測量精度低，需要的傳感器數量大。另外一種是根據感應電動勢的特點，將兩個傳感器的感應電動勢作差值計算，得到電動勢與偏差量之間的一個二次函數，這種方式計算是關于二次函數來進行的，計算量大，對檢測的實時性會有所影響。本文提出的方案，是以電感線圈作為傳感器來檢測路徑，基于人工神經網絡算法來計算車身相對引導線的偏移量，把樣本數據放在matlab環境下訓練，得到滿足誤差要求的參數，然后將參

2 BP神經網絡模型基本原理

BP神經網絡由信息的正向傳播和誤差的反向傳播兩個過程組成。輸入層各神經元負責接收來自外界的輸入信息，并傳遞給中間層各神經元；中間層是內部信息處理層，負責信息變換，中間層傳遞到輸出層各神經元的信息，經進一步處理后，完成一次學習的正向傳播處理過程，由輸出層向外界輸出信息處理結果。當實際輸出與期望輸出不符時，進入誤差的反向傳播階段。誤差通過輸出層，按誤差梯度下降的方式修正各層權值，向隱層、輸入層逐層反向傳播。BP神經網絡的拓撲結構如所示：

BP神經網絡主要由輸入層、隱含層和輸出層構成。輸入信號先向前傳播到隱含層節點，經作用函數后，把隱節點的輸出信號傳播到輸出節點，最后得出輸出結果。本文中隱層節點的激勵函數選取雙曲正切S型函數，

（1）

在正向傳播過程中，輸入信息從輸入層經隱含層逐層處理，并傳向輸出層。每一層神經元的狀態只影響下一層神經元的狀態。如果輸出層得不到期望的輸出，則轉入反向傳播，將誤差信號沿原來的連接通道返回，通過修改各層神經元的權值，使得誤差信號最小。

前向傳播過程：

（1）隱層神經元的輸入為輸入神經元的加權和加上輸入層到隱層的閾值。

（2）

（2）隱層神經元的輸出為：

（3）

（3）輸出層神經元輸出為隱層神經元的輸出加權和加上隱層到輸出層閾值。

（4）

網絡輸出y1與理想輸出y01的誤差e1為：

e1=y10-y1 （5）

反向傳播采用L-M優化算法，調整各層間的權值。L-M算法是一種利用標準的數值優化技術的快速算法，它是梯度下降法與高斯-牛頓法的結合。設W（k）表示第 k 次迭代的權值和閾值所組成的向量新的權值和閾值組成的向量W（k+1）可根據下面的規則求得：

（6）

對于L-M算法則有：

（7）

其中，J為雅克比矩陣。比例系數μ>0為常數，I為單位矩陣。當 μ=0即為高斯-牛頓法；當μ取值很大則接近梯度下降法。實踐證明，采用L-M算法可以較原來的梯度下降法提高速度幾十甚至上百倍。本文采用L-M算法進行訓練。

3 Matlab中神經網絡算法的實現

3.1 獲取樣本數據

根據麥克斯韋電磁場理論，通有交變電流的導線會在其周圍產生交變的電磁場，如果在里面放置一個電感線圈，電磁感應作用會使線圈中產生交變的感應電壓。智能車使用電感線圈作為傳感器檢測導線周圍磁場信息，由電磁學可知，水平放置的電感線圈在導線磁場內的感應電動勢E=h/（h2+x2），h表示傳感器離導線的垂直距離，x代表傳感器距離導線的水平距離。假設h=5cm，x在±15cm內電動勢和水平距離的關系曲線如2所示：

經過實際測試，使用四路傳感器比較合適。傳感器分布以車軸為中心，間隔為12cm 呈“一”字均勻排列構成前瞻，傳感器距離水平面15cm，距離車身50cm。布局示意圖如圖3所示：

圖2電動勢和水平距離的曲線圖 3前瞻分布示意圖

將傳感器的感應電動勢進行檢波放大 ，把處理后的信號經AD轉換得到傳感器信號值。轉換過程如圖4所示。

本系統的BP神經網絡的輸入為四路傳感器的感應電壓信號，輸出為小車車身偏移引導線的水平偏移量，綜合考慮訓練誤差和速度，設置隱含層得神經元個數為10。訓練目標誤差平方和取為0.000005 ，訓練次數為5000次。

3.2 智能車算法實現：

最終算法的實現需要將神經網絡的訓練好的權重和閾值移植到智能車的微控制器中去。通過BP神經網絡對智能車采集到的輸入信號進行處理運算，計算得到的輸出層的神經元輸出值就是當前車軸中心線偏離引導線的偏差量，根據此值進行相應的打舵與調速操作，以實現智能車的快速穩定循跡。

4 實驗結果與分析

記錄并分析實驗數據，matlab訓練得到的實際輸出與理想輸出之間的關系如圖5所示：

由上圖可知，基于BP神經網絡算法計算出的偏差量與理想偏差量之間的誤差在±1cm以內。在“飛思卡爾”杯智能汽車競賽中，由于神經網絡的非線性映射能力和高速尋求最優解能力，把它應用到智能車的循跡上來效果是很明顯的，它不需要計算感應電動勢和偏差量之間的非線性關系，把計算量很大的訓練過程放在matlab環境下進行，微控制器直接使用matlab下訓練得到的參數就可以了。

5 結論

本文在當前主流循跡算法的基礎上，提出了基于BP神經網絡的路徑識別算法，并詳細敘述了基本原理和具體的實現方法。實驗結果證明：使用BP神經網絡計算得到的結果誤差在±1cm以內，它可以大幅度地提高智能小車對環境的適應性，從而降低系統對智能小車硬件的要求。但其激勵函數和學習算法仍需要深入研究，并且在實際運用中還有待提高，以達到更好的應用效果。

參考文獻：

[1]卓晴，黃開勝，邵貝貝.學做智能車[M].北京：北京航天航空出版社，2007.

[2]馬銳.人工神經網絡原理[M].機械工業出版社，2010.

[3]張雨濃，楊逸文，李巍.神經網絡權值直接確定法[M].中山大學出版社，2010.

[4]陳杰，黃鴻.傳感器與檢測技術[M].北京：高等教育出版社，2002.

[5]飛思卡爾競賽管理秘書處，電磁組競賽車模路徑檢測設計參考方案，2010.

[6]童詩白，華成英.模擬電子技術基礎[M].高等教育出版社，2000.

[7]傅薈璇，趙紅等.MATLAB神經網絡應用設計[M].機械工業出版社，2010.

[8]CS12微控器原理及應用[M].北京航天航空大學出版社，2007.

第3篇：反向傳播神經網絡基本原理范文

Abstract: This paper proposed financial crisis early-warning model of China's real estate listed companies based on BP neural network, through the domestic and foreign companies' financial crisis esrly-warning literature and combining the characteristics of China's real estate industry.

關鍵詞: 財務危機;BP神經網絡;房地產上市公司

Key words: financial crisis;BP neural network;real estate listed companies

中圖分類號:F275 文獻標識碼:A文章編號:1006-4311(2010)08-0051-01

0引言

對于中國房地產公司,構建一套完善先進的預警系統十分重要,構建一套基于科學預警理論研究成果指導下的專門針對房地產行業的財務危機預警系統迫在眉睫,它是房地產健康發展的客觀要求,也是政府和房地產管理部門的規劃、決策和調控走向理性的需要。

1文獻回顧

幾十年來,理論界圍繞著如何更加準確地預測企業的財務危機展開了多種多樣的研究,研究的重點集中在如下兩個方面:

1.1 企業財務危機的界定國外對財務危機的界定因研究目的不同而不同,主要有以下幾種觀點:①已經破產的企業;②進入破產程序的企業;③無力還本付息的企業;④資不抵債的企業。因此我們認為,由于有研究結果表明我國的資本市場目前仍處于弱式有效市場,信息的不對稱導致尚無一種客觀的評判標準,故對我國上市公司財務危機的界定主要是依據證監會定義ST企業的前兩條標準,即出現下列情況之一的企業:①最近一個會計年度的審計結果中顯示的凈利潤均為負值;②最近一個會計年度的審計結果中顯示的其股東權益低于注冊資本。即每股凈資產低于股票面值。

1.2 財務危機預測方法的研究從研究方法看,預測企業是否發生財務危機的方法一直在不斷地改進和創新之中。從傳統的預測方法來看,統計判定分析一直是研究預測企業是否會發生財務危機的一個好方法。

近年來,有關企業財務預測分析日益已經引起國內理論界和實業界的高度重視。我們認為,在我國目前上市公司財務數據并不很完善的情況下,應用多種研究方法建立我國上市公司的財務危機預測模型,通過比較分析有利于提高模型的適人工神經網絡是由大量稱為神經元的簡單信息單元廣泛連接組成的復雜網絡用范圍和預測的準確性。

2BP神經網絡基本原理

人工神經網絡是由大量稱為神經元的簡單信息單元的廣泛連接所組成的復雜網絡系統,用于模擬人類的大腦神經網絡的結構和行為,使它具有學習、記憶、聯想、歸納、概括和抽取、容錯以及自學自適應等能力。本文采用典型的3層前饋型BP網絡模型,它具有網絡訓練信息的正向傳播過程和誤差的反向傳播過程。

設ai是網絡樣本輸入值,bi是網絡隱含層的輸出值,cj為對應的實際輸出值。輸入神經元到隱層神經元的權值為vhi,隱層神經元到輸出神經元的權值為wij,另外分別用θi和xj表示隱含層和輸出層的閾值。三層BP網絡的數學模型表示為:①利用樣本輸入層的信息以及輸入神經元到隱層神經元的權值得到隱含層節點的輸出:bi=fahvhi+θi,(i=1,2,…,p);②輸出層節點的輸出:cj=fwijbi+xj,(i=1,2,…,q)最初的wij是設定的隨機值;③輸出層節點實際輸出值cj與期望輸出值c之間的誤差:dj=cj(1-cj)(c-c);④向隱含層節點反向分配誤差,令:ei=bi(1-bi)wijdj(i=1,2,…,p);⑤隱含層到輸出層的權值通過下式調整:Δwij=abidj(i=1,2,…,p;a是學習系數,0

3神經網絡的建立及模擬訓練

3.1神經網絡模型的建立

通過廣泛考察以往國內外相關研究對最終模型有顯著貢獻的預測變量,主要采用的基本財務指標可以分為5個一級指標,盈利能力、償債能力、成長能力、擴張能力和營運能力相關指標,又包含12個二級指標。

Bp神經網絡把用來描述企業財務狀況特征的12個指標做為神經網絡的輸入向量X=|X1,X2,…,X12|,將代表相應綜合評價結果的值作為網絡的輸出Y,用學習樣本訓練這個網絡,使不同的輸入向量得到不同的輸出量值,這樣神經網絡所持有的那組權系數值和閾值,便是網絡經過自適應學習所得到的正確內部表示,經過反復學習訓練,確定與最小誤差相對應的網絡參數(權值和閾值),訓練即告停止。

3.2指標數據的歸一化由于不同的指標數據量綱均不相同,不進行歸一化就會將神經網絡模型帶入較大的系統誤差,因此,考慮到神經網絡訓練的收斂問題,也為了便于最終評價值的確定,在網絡學習訓練前將學習樣本和檢驗樣本的原始指標數據同時進行歸一化,以便消除指標量綱不同和系統誤差所帶來的影響本文采用正向和反向傳播公式,將原始指標數據歸一化到[0,1]之間。歸一化公式為:①正向指標歸一化公式:xij=(xij-minxi)(maxxi-minxi);②反向指標歸一化公式:xij=(maxxi-xij)(maxxi-minxi)。其中xij是xi中的第j個數據,maxxi是xi中數值最大的數據,minxi是xi中數值最小的數據。

3.3 網絡訓練過程本文利用DPS軟件的Bp神經網絡工具箱進行了數據分析,采用12個指標進行上市公司財務預警,這樣,網絡輸入層節點數i定為11,隱含層(中間層)的節點數1,輸出層為1,允許誤差為0.01,最小轉換速度為0.01,最大訓練次數為1000次。

將10年的樣本數據作為神經網絡辨識模型的訓練樣本,預測2009年企業的財務狀況,繼續用DPS軟件的Bp神經網絡工具箱對09年企業的財務數據進行分析,得出2009年的擬合結果為23.440,即2009年企業的財務數據將處于健康狀態。

第4篇：反向傳播神經網絡基本原理范文

【關鍵詞】故障診斷;基本原理;神經網絡;實際應用

引言

電梯在實際生活中出現不正常運行、停運等故障是在所難免的，而作為高層建筑中主要的垂直交通工具如果不能及時準確的查明故障原因并維修往往會給乘客帶來巨大的生命威脅。只有保證電梯的安全運行，及時的發現故障并解決故障，才能夠為乘坐電梯的乘客提供合格的安全保證。目前，國內在用的電梯缺乏完善的故障診斷系統，僅僅依靠維修技術人員的經驗以及簡單的診斷儀器已經不能夠及時的解決復雜的電梯故障問題。神經網絡技術可以應用于復雜多模式的故障診斷并且既可以用于實時監測也可以進行離線診斷，在系統模式非常復雜或者根本不知道系統模式的情況都可以應用，這些特點恰恰解決了傳統方法中最最難以解決的問題。因此必須加快神經網絡技術應用于診斷電梯故障的步伐，形成完善的故障診斷系統，才能更及時準確的查明故障原因進一步及時的解決問題，保證乘客的人身安全。

一、電梯的運行原理和電梯故障的特點

只有清楚地了解電梯控制系統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選指令階段;第二、電梯門關閉或者電梯按照系統指令停運階段;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，只需要外界給予相應的信號就可以自動的做出動作。電梯系統內部復雜的構件緊密的結合在一起，正是如此才使得電梯系統故障具有了復雜性、層次性、相關性以及不確定性的特點。

二、神經網絡技術基本原理

生物學上的神經是由一個個簡單的神經元相互連接進而形成了復雜的龐大的神經系統，同理，神經網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。單獨的處理單元類似于一個神經元，是一個可以接受不同信息但是只輸出一種信息的結構單位。神經網絡系統與生物學神經系統相似的是具有自我修改能力，它可以同時接收大量的數據并進行統一的分析處理，進而輸出相應的處理結果。這就使得神經網絡系統具有了高度容錯性、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網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網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、對接收到了大量數據進行相應的分析處理;輸出層、將記錄著動作命令的數據傳送出來。在電梯出現故障時，首先可以通過神經網絡模型快速確定故障發生在哪一層達到節約時間的目的。但是神經網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絡模型不好等問題導致診斷結果受到影響。

三、神經網絡模型在電梯故障診斷中的應用分類

神經網絡模型已經成為了如今電梯故障診斷中應用最廣泛的技術模型，相比于傳統方式它具有診斷速度快、故障原因命中率高的優點，因此引起了各方面專業人士的強烈關注，并在他們的不懈努力下得到了發展與創新。它跨越多個專業領域、通過對各種復雜的高難度工作的不斷的發展與改進出現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網絡模型，并且簡單的引入并介紹了近年來新興的模糊神經網絡模型和遺傳小波神經網絡模型。

（一）BP網絡模型

BP神經網絡作為神經網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方面具有相對先進性?；贐P網絡的電梯故障診斷技術就是通過學習故障信息、診斷經驗并不斷訓練，并將所學到的知識利用各層次之間節點上的權值從而表達出來。BP網絡系統的主要診斷步驟主要可以分為三步。第一步：對輸入輸出的數據進行歸一化處理，將數據映射到特定的區間。第二步：建立BP網絡模型，訓練BP網絡模型。第三：通過已經訓練好的網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對數據進行初始化;b、確定輸入值數值大小，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、修正輸出層的權值和閾值，修正隱含層的權值;f、修正隱含層的閾值，修正隱含層和輸入層的權值。

（二）遺傳小波神經網絡模型

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

（三）模糊神經網絡模型

模糊神經網絡模型就是創新性的將神經網絡與模糊理論結合到一起。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、判斷依據和結論都是模糊的。但是它的數據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容。在處理實際問題的過程中，首先要建立所有可能發生的故障的完整集合，其次將所有的故障發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網絡模型，這種模型更加的簡單易行，充分發揮了神經網絡和模糊邏輯的優點，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據處理能力的基礎上具有了很大的自我訓練能力。

結語

綜上所述，神經網絡技術可以應用于復雜多模式的故障診斷并且既可以用于實時監測也可以進行離線診斷，在系統模式非常復雜或者根本不知道系統模式的情況都可以應用，這些特點恰恰解決了傳統方法中最最難以解決的問題，它的應用提高了電梯故障的診斷速度和準確度，保證了電梯運行的安全性。雖然神經網絡技術的優點很多，但是在實際生活中的應用還很少，因此還需要不斷的進行改進完善。同時還要注意將集中診斷方法融合到一起，例如穩重提到的模糊神經網絡模型和遺傳小波神經網絡模型都是集成應用的典型代表。

第5篇：反向傳播神經網絡基本原理范文

關鍵詞：高速公路；隧道施工系統；安全評價；模糊理論；神經網絡

0引言

近年來，隨著國家高速公路迅猛發展，隧道建設數量也越來越多，規模也越來越大。在隧道施工過程中，由于圍巖地質條件的多樣性和復雜性，其施工事故發生率比其他巖土工程高且嚴重，給隧道工程施工人員身心帶來嚴重的危害，社會影響惡劣，有悖于國家建設和諧社會的宗旨。這就要求用科學的方法對隧道施工生產系統進行安全分析與評估，預測事故發生的可能性[1]。

在傳統的公路隧道施工生產系統安全評價中，經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條件危險性評價法等[2,3]。近年來，在公路隧道施工生產系統安全評價中，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，該方法缺乏對環境變化的自學習能力，對權值不能進行動態調整[5],而神經網絡具有非線性逼近能力,具有自學習、自適應和并行分布處理能力，但其對不確定性知識的表達能力較差，因此，模糊控制與神經網絡結合就可以優勢互補，各取所長[6]，在這方面已經出現了一些研究成果[7～11]。為此，本文把人工神經網絡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網絡評價模型，對公路隧道施工的安全管理水平進行評價。

1模糊神經網絡

1.1基本結構原理

模糊神經網絡是由與人腦神經細胞相似的基本計算單元即神經元通過大規模并行、相互連接而成的網絡系統，訓練完的網絡系統具有處理評估不確定性的能力，也具有記憶聯想的能力，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網絡，其中包括神經網絡和模糊集合兩方面的內容。

1.2神經網絡

為了模擬人腦結構和功能的基本特性，前饋神經網絡由許多非線性神經元組成，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間內的一個連續函數都可以用一個隱層的BP網絡來逼近[12]，因而一個三層的BP網絡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安全評價模糊神經網絡采用三層BP神經網絡結構。輸人層有 個神經元，輸人向量 ， ，輸人層神經元 的輸出是輸人向量的各分分量 。隱層有個神經元 ， ，若輸人層神經元 與隱層神經元 之間的連接權值為 ，且隱層神經元 的閾值為 ，則隱層神經元 的輸出為

(l)

式中 是神經元的激勵函數，一般選取單調遞增的有界非線性函數，這里選用Sigmoid函數：

(2)

由此，隱層神經元的輸出為：

(3)

同理可得輸出層神經元的輸出為：

(4)

1.3學習算法

本網絡采用BP學習算法，它是一種有教師的學習算法，其學習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輸人學習樣本為 個，即輸人矢量 ，已知其對應的期望輸出矢量(教師信號)為 ，正向傳播過程將學習樣本輸人模式 從輸人層經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，并將誤差分攤給各層的所有單元，從而調整各神經元之間的連接權值，這種信號正向傳播與誤差反向傳播得各層權值調整過程是周而復始地進行的，直到網絡輸出的誤差減少到可接受的程度，或進行到預先設定的學習次數為止。

網絡的具體學習算法的計算模型如下：

對某一學習樣本 ，誤差函數為

（5）

式中： 、 分別為該樣本的輸出期望值和實際值。

對于所有學習樣本 ，網絡的總誤差為

（6）

網絡學習算法實際上就是求誤差函數的極小值。利用非線性規劃中的梯度下降法(最速下降法)，使權值沿著誤差函數的負梯度方向改變。

隱層與輸出層之間的權值(及閾值) 的更新量 可表示為

（7）

式中： 為學習率，可取 。

將式（6）和（4）代入式（7），并利用復合函數求導的連鎖規則，得

（8）

式中： 為迭代次數， 為誤差信號

（9）

類似的，輸入層與隱層之間的權值（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，提高網絡的訓練速度，避免訓練過程發生振蕩，對BP算法進行改進，在權值調整公式中增加一動量項，即從前一次權值調整量中取出一部分迭加到本次權值調整量中，即：

（12）

（13）

式中 為動量因子，一般有 。

1.4模糊集合

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

（14）

式中： 是評估指標， 是相應指標的評價滿意度， 。

評估指標集用其滿意度表示，取值在[0，1]之間，作為模糊神經網絡系統中神經網絡的輸人向量，這正好符合神經網絡對輸人向量特征化的要求。實踐表明，經過對輸人向量的特征化處理，可大大減少網絡的學習時間，加速網絡訓練的收斂。

2隧道施工系統安全評價模糊神經網絡

2.1指標體系與神經網絡劃分

實踐證明，一個好的隧道施工系統安全評價方法應滿足以下要求：評價指標能全面準確地反映出隧道施工系統的狀況與技術質量特征；評價模式簡單明了，可操作性強，易掌握；評價結論能反映隧道施工系統的合理性、經濟性及安全可靠性；評價中所采用的數據易于獲取，數據處理工作量?。豁攲虞敵黾礊橄到y的專家評估，而每層各評估項目的子系統都可以用子結構表示。

每個子結構具有輸人輸出關系可表達為

（15）

其中 是子系統的輸出， 是子系統的輸人矢量， 為相應的專家(加權)知識。

評估專家系統中各子系統的評估由各自的模糊神經網絡來完成。

這種對評估系統的結構分解和組合具有如下特點：

（1）每個子系統可以采用較少的神經元來實現神經網絡的自學習和知識推理，這樣既減少了學習樣本數、提高了樣本訓練速度，又能夠獨立完成某一推理任務。

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

（3）子系統的評估項目即為節點，在系統進行評估推理時產生的評估表示式可以很好地解釋評估系統的推理過程，避免了神經網絡權值難以理解所致的推理過程難以理解的弱點。

2.2網絡的設計

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網絡來實現。

（1）輸人層

輸人層是對模糊信息進行預處理的網層，主要用于對來自輸人單元的輸人值進行規范化處理，輸出由系統模糊變量基本狀態的隸屬函數所確定的標準化的值，以便使其適應后面的處理。根據評價指標體系，對應20個指標構建BP網絡的輸入層為20個節點，將指標轉換為相應指數后作為樣本進入網絡進行計算。

（2）隱層(模糊推理層)

該層是前向型模糊神經網絡的核心，用以執行模糊關系的映射，將指標狀態輸入與評估結果輸出聯系起來。采用試探法選取模型的隱含層神經元數，即首先給定一個較小的隱含層神經元數，代入模型觀察其收斂情況，然后逐漸增大，直至網絡穩定收斂。通過計算該模型的隱含層神經元數為28個。

（3）輸出層

輸出層是求解模糊神經網絡的結果，也是最后的評估結果。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（ ）}

對應這5個等級，確定輸出層為5個節點。這樣就構建了一個“20―28―5”的3層BP網絡作為評價體系的網絡模型。

2.3模糊神經網絡訓練

網絡設計好后,須對其進行訓練，使網絡具有再現專家評估的知識和經驗的能力。樣本數據來自我省已經建成的高速公路隧道施工的現場數據庫，從中選取30組，其中20組數據作為訓練樣本，余下的10組作為測試樣本。實際網絡訓練表明，當訓練步數為12875時，達到了目標要求的允差，獲得模糊神經網絡各節點的權值和閾值，網絡訓練學習成功。根據最大隸屬度原則進行比較，與期望結果相符，其準確率為100%。這說明所建立的隧道施工系統安全評價模糊神經網絡模型及訓練結果可靠。

3 工程應用實例

利用所訓練好的模糊神經網絡模型，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）施工系統進行安全評價測定，評價出系統的安全狀況與3座隧道施工實際情況完全相符。同時，實際系統的評價結果又可作為新的學習樣本輸入網絡模型，實現歷史經驗和新知識相結合,在發展過程中動態地評價系統的安全狀態。

4 結論

（1）本文對模糊理論與神經網絡融合技術進行了研究，建立了一種公路隧道施工系統安全模糊神經網絡評價模型，利用歷史樣本數據進行學習訓練和測試，并對工程實例進行了評價。結果顯示，該評價方法可行，評價精度滿足工程應用要求,為公路隧道施工安全評價探索了一種新的評價方法。

（2）運用模糊神經網絡知識存儲和自適應性特征，通過適當補充學習樣本，可以實現歷史經驗與新知識完美結合，在發展過程中動態地評價公路隧道施工系統的安全狀態，可及時評估出施工系統的安全狀況，盡早發現安全隱患。

參考文獻：

[1]徐德蜀.安全科學與工程導論[M].北京:化學工業出版社,2005.

[2]劉鐵民,張興凱,劉功智.安全評價方法應用指南[M].北京:化學工業出版社,2005.

[3]田建,李志強,張斌.交通建設工程安全評價技術現狀及趨勢研究[J].中國安全科學學報,2008,18(6):171-176.

[4]張鴻,劉優平,黎劍華等.基于模糊理論的隧道施工安全預警模型研究及應用[J].中國安全科學學報,2009.19(4):5-10.

[5]劉輝,王海寧,呂志飛.模糊神經網絡技術在礦山安全評價中的適應性研究[J].中國安全生產科學技術,2005,1(3):54-59.

[6]張吉禮.模糊-神經網絡控制原理與工程應用[M].哈爾濱:哈爾濱工業大學出版社,2004.

[7]葛淑杰,李彥峰,姜天文等.基于模糊神經網絡的煤礦安全評價綜合評判[J].黑龍江科技學院學報,2007,17(4):321-325.

[8]鄭恒,汪佩蘭.模糊神經網絡在火工品生產系統安全評價中的應用[J].安全與環境學報,2004,4:159-162.

[9田軍.基于模糊神經網絡的隧道圍巖分級系統[J].湖南交通科技,2007,34(4):104-107.

[10]郭宇航,王保國.兩類新型神經網絡及其在安全評價中的應用[J].中國安全科學學報,2008,18(7):28-33.

[11]宋瑞,鄧寶.神經元網絡在安全評價中的應用[J].中國安全科學學報,2005,15(3):78-81.

[12]韓力群.人工神經網絡理論、設計及應用[M].北京:化學工業出版社,2007.

[13]楊綸標,高英儀.模糊數學原理及應用[M].廣州:華南理工大學,2005.

第6篇：反向傳播神經網絡基本原理范文

只有清楚地了解電梯控制系統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選指令階段；第二、電梯門關閉或者電梯按照系統指令停運階段；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，只需要外界給予相應的信號就可以自動的做出動作。電梯系統內部復雜的構件緊密的結合在一起，正是如此才使得電梯系統故障具有了復雜性、層次性、相關性以及不確定性的特點。

二、神經網絡技術基本原理

生物學上的神經是由一個個簡單的神經元相互連接進而形成了復雜的龐大的神經系統，同理，神經網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。單獨的處理單元類似于一個神經元，是一個可以接受不同信息但是只輸出一種信息的結構單位。神經網絡系統與生物學神經系統相似的是具有自我修改能力，它可以同時接收大量的數據并進行統一的分析處理，進而輸出相應的處理結果。這就使得神經網絡系統具有了高度容錯性、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網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網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、對接收到了大量數據進行相應的分析處理；輸出層、將記錄著動作命令的數據傳送出來。在電梯出現故障時，首先可以通過神經網絡模型快速確定故障發生在哪一層達到節約時間的目的。但是神經網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絡模型不好等問題導致診斷結果受到影響。

三、神經網絡模型在電梯故障診斷中的應用分類

神經網絡模型已經成為了如今電梯故障診斷中應用最廣泛的技術模型，相比于傳統方式它具有診斷速度快、故障原因命中率高的優點，因此引起了各方面專業人士的強烈關注，并在他們的不懈努力下得到了發展與創新。它跨越多個專業領域、通過對各種復雜的高難度工作的不斷的發展與改進出現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網絡模型，并且簡單的引入并介紹了近年來新興的模糊神經網絡模型和遺傳小波神經網絡模型。

（一）BP網絡模型

BP神經網絡作為神經網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方面具有相對先進性?；贐P網絡的電梯故障診斷技術就是通過學習故障信息、診斷經驗并不斷訓練，并將所學到的知識利用各層次之間節點上的權值從而表達出來。BP網絡系統的主要診斷步驟主要可以分為三步。第一步：對輸入輸出的數據進行歸一化處理，將數據映射到特定的區間。第二步：建立BP網絡模型，訓練BP網絡模型。第三：通過已經訓練好的網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對數據進行初始化；b、確定輸入值數值大小，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、修正輸出層的權值和閾值，修正隱含層的權值；f、修正隱含層的閾值，修正隱含層和輸入層的權值。

（二）遺傳小波神經網絡模型

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

（三）模糊神經網絡模型

模糊神經網絡模型就是創新性的將神經網絡與模糊理論結合到一起。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、判斷依據和結論都是模糊的。但是它的數據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容。在處理實際問題的過程中，首先要建立所有可能發生的故障的完整集合，其次將所有的故障發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網絡模型，這種模型更加的簡單易行，充分發揮了神經網絡和模糊邏輯的優點，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據處理能力的基礎上具有了很大的自我訓練能力。

四、結語

第7篇：反向傳播神經網絡基本原理范文

Abstract： This article discusses the green construction theory and builds a construction project green construction assessment index system. The construction project green construction assessment model is built based on BP artificial neural network， and the model is used to simulate the green construction of a practical project.

關鍵詞： BP人工神經網絡；綠色施工；評價方法

Key words： BP artificial neural network；green construction；assessment method

中圖分類號：TU71 文獻標識碼：A 文章編號：1006-4311（2015）12-0005-04

0 引言

隨著我國建筑業的快速發展，建筑工程建設消耗自然資源和破壞生態環境的問題，已經引起了社會各界的廣泛關注，建筑生產活動中的施工階段是大規模地改變自然生態環境、消耗自然資源的階段。針對該階段進行控制和管理，實施綠色施工，可以有效改善建筑工程能耗大、破壞生態環境等的問題。近年來，綠色施工已經成為建筑工程的施工的主要趨勢，我國已經在綠色建筑的評價體系研究方面取得了很多富有價值的研究成果，如建設部住宅產業化促進中心制定的《綠色生態住宅小區建設要點與技術導則》、《現代房地產綠色開發與評價》、《綠色奧運建筑評估體系》等，建設部的《綠色施工導則》中給出了綠色施工的定義，指工程施工過程中，在保證質量、安全等基本要求的前提下，通過科學管理和先進技術，最大限度地節約資源與減少對環境負面影響的施工活動，實現節能、節地、節水、節材和環境保護[1]。以這些理論背景為基礎，構建綠色施工評價指標體系，研究適用于綠色施工的評價方法對于推動綠色施工實踐具有十分重要的意義。

人工神經網絡，是利用計算機來模擬生物神經網絡系統，通過模擬生物神經系統的工作機理，來抽取其活動過程中的可利用部分通過物理器件進行實現，也就是將生物細胞進行了數學化[2]。目前比較常用的是BP（Back Propagation）神經網絡算法。是一種基于逆傳播原理的算法，由于它優秀的自學習、自聯想功能，使得BP人工神經網絡廣泛的應用于非線性建模、函數逼近等方面。本文選擇BP神經網絡模型研究建筑工程綠色施工評價問題，能夠模擬出專家對綠色施工評價的思維過程，大大提高工作效率，減少評價周期，避免評價過程中人為因素及模糊隨機性的影響。

1 建筑工程綠色施工評價指標

建筑工程綠色施工是一個多種因素相互影響作用的綜合系統，建筑工程綠色施工評價工作的進行依賴于綠色施工評價指標的選取的有效性和準確性。本文參考了各位專家學者對綠色施工定義、框架劃分及相關文獻的研究，并聽取了他們的意見建議，從建筑工程綠色施工的本質要求出發，將建筑工程綠色施工評價的總體目標分為施工技術、施工綜合管理、各類資源及能源的使用、環境控制這4個指標。并結合對各類資源、能源的節約理念，環境保護目標，可持續發展原則，以人為本的價值觀等將這4個一級指標細分為26個二級指標，從而建立了建筑工程評價指標體系，見表1。

2 基于BP人工神經網絡的建筑工程綠色施工評價模型

2.1 BP人工神經網絡的基本原理

BP神經網絡的學習過程是由正向傳播和反向傳播兩個階段構成的，若給定一組樣本的輸入值和期望輸出值，通過正向傳播過程計算各節點之間的權值和閾值，然后通過將誤差通過反向傳播計算，實現對權值和閾值的調節，反復以上過程直到使輸出值落到最終滿意的誤差范圍內，達到網絡訓練的目的。其具體的計算過程這里以一個分別包含一個輸入層、隱含層和輸出層的三層的人工神經網絡結構加以說明，如圖1所示。

令wir表示輸入層節點xi到隱含層節點yr間的連接權值，wrj表示隱含層節點yr到輸出層節點zj間的連接權值，θr表示為隱含層節點的閾值，θj為輸出層節點的閾值：

①給wir、θr、wrj、θj隨機賦一個較小的值，其值一般在0到1之間。

②輸入樣本，設樣本個數為P，樣本模式為（A（k）C（k））（K=1，2，…，P），即由給定樣本的輸入值和期望輸出值組成的矩陣。將A（k）的值x■■作為輸入層節點的值，逐層按公式（1）、（2）所示依次進行正向的計算：

此處的EAV表示的是網絡訓練的目標誤差函數（j=l，2，…，n；k=1，2，…，p）。

基于上述計算，就能把擬解決問題的特征值反應在權值和閾值上，然后就可以利用這組特定的值來求解實際問題的結果。

2.2 面向MATLAB的BP網絡評價模型設計

利用計算機軟件―MATLAB神經網絡工具箱中所具有的函數功能，可以將上訴神經網絡的計算過程，通過調用函數來進行實現。

2.2.1 樣本數據的選取

以表1所示的建筑工程綠色施工評價指標體系為基礎，對各定性指標采用專家評判法進行量化，將綠色施工水平從低到高依次劃分為五個等級：低（0，0.2）；較低（0.2，0.4）；一般（0.4，0.6）；較高（0.6，0.8）；高（0.8，1）。通過組織專家對國內的15個項目的綠色施工水平進行評定，得到了這15個項目的綠色施工評價指標值，見表2。

對表2中的數據進行歸納整理，征求各位專家的意見，得到建筑工程項目的綠色施工評價綜合評分表，見表3。

2.2.2 模型算法的實現

①確定BP網絡結構各層神經元節點數。采用圖1所示3層BP網絡結構，輸入層為各評價指標的評價值，共26個神經元節點，輸出層表示對一個建筑工程綠色施工評價的綜合結果，即只有一個神經元數值，根據經驗公式和反復的迭代試驗缺點隱含層神經元節點數目為19個。即本文研究問題的BP神經網絡評價模型結構為28×12×1。

②對網絡模型進行訓練。將表2中前12組數據的專家打分值作為網絡的輸入節點值輸入網絡，將表3中的綜合評定值作為這12組數據的期望輸出值，使用MATLAB軟件編程，MATLAB中的語言為：

MATLAB程序語言具體如下：

P=[]'；

T=[]；

（ 輸入向量P和目標向量T的矩陣值）

threshold=[]；

（設定網絡輸入向量的取值范圍矩陣，一般單個輸入向量的取值范圍為[0，1]）

net=newff（threshold，[15，1]，{‘tansig’，‘logsig’}，‘traingdx’）；

（此語句創建BP神經網絡，訓練函數為traingdx函數；權值調節規則函數為learngdm函數；，各層激勵函數類型為{‘tansig’，‘logsig’}）

net.trainParam.epochs=1000；

（設置網絡的最大訓練次數）

net.trainParam.goal=0.00001；

（設置網絡的期望誤差）

net=train（net，P，T）；

（對創建的BP神經網絡進行訓練）

經學習訓練后的網絡輸出結果見表4，它們與期望輸出非常接近，綠色評價等級一致。網絡訓練結果如圖2。

③對網絡模型進行檢測。將表2中后3組數據作為校驗數據輸入訓練好的神經網絡，MATLAB中的程序語言為：

P_test=[]'；

（輸入測試樣本的矩陣值）

Y=sim（net，P_test）.

（對網絡模型進行仿真）

得到的綜合評價結果見表5。

由表5可見由訓練好的神經網絡得到的檢測樣本的實際輸出值與期望值誤差很小，且綜合評價結果與專家評價結果一致。說明得到的神經網絡所反映的輸入與輸出之間的關系是正確的，可以有效地應用于其他建筑工程項目的綠色施工評價。

3 案例分析

某地區稅務局的辦公樓工程，規劃用地約4300m2，地上九層、地下一層，建筑總高度34.5m，框架結構，建筑面積約為8989.44m2。由于該工程建設初期，建設單位、設計單位、監理單位對工程提出了一部分綠色施工要求，施工單位在建設過程中采用了大量的綠色施工新技術、新機械、新工藝。并針對保護環境采取了一定的技術措施，但由于施工工期安排較緊，人員培訓不到位等因素的影響，在工程綠色施工方面還存在個別的問題，在對工程項目資料做了仔細研究和對工程項目相關人員進行了了解的基礎上，給出了此工程項目綠色施工評價指標的的分值，見表6。

將表6中的數據輸入已經訓練成功的神經網絡模型中，經網絡計算，得到該項目綠色施工的綜合評價得分為0.6084，屬于綠色評價等級中的較高級別，此類工程項目可以在對施工人員進行培訓，控制噪聲和廢水、廢料，節約資源與能源方面做進一步的優化從而提高綠色施工水平。

4 結論

本文構建了建筑工程綠色施工評價指標體系，并通過BP人工神經網絡法，對建筑工程綠色施工進行了定量化的評價，通過樣本的訓練和檢測驗證了模型的有效性，訓練好的網絡可用于一般建筑工程項目的綠色評價中，可大大提高評價工作的效率，及其準確性、針對性。

參考文獻：

[1]熊燕.高等級公路綠色施工評價研究[D].長沙理工大學碩士學位論文.長沙：長沙理工大學，2013.

[2]施彥，韓力群，廉小親.神經網絡設計方法與實例分析[M].北京：北京郵電大學出版社，2009.

[3]陳建國，閔洲源.基于BP人工神經網絡的綠色施工評價方法研究[J].基建優化，2007，10（28）：169-172.

第8篇：反向傳播神經網絡基本原理范文

關鍵詞：圖像標注；BP神經網絡；Normalized Cuts；圖像低層特征

中圖分類號：TP391文獻標識碼：A文章編號：1009-3044(2011)14-3399-02

Image Semantic Annotation Based on BP Neural Network Algorithm

WU Yu-hua

(Department of information Technology, Hengyang Technician College, Hengyang 421008, China)

Abstract: Because of the "Semantic gab" problem in the traditional CBIR(content-based image retrieval ) systems, they are not fit in some special areas. The appearance of Image-Semantic-Annotation can effectively resolve this problem. This paper represents a method that first uses the Normalized Cuts to cut the image into several areas and then extract the low-level features, last use BP neural network algorithm to learn the relations between the areas and the annotation words. The experiment's results proved this method is valid and efficient.

Key words: image annotation; BP neural network; normalized cuts; low-level feature

基于內容的圖像檢索近10年來得到了研究者的關注,一系列的基于內容的圖像檢索方法和檢索系統被提出來。然而由于計算機對圖像信息的理解和人對圖像信息的理解存在著客觀區別, 檢索系統中就難免存在計算機認為的“視覺相似”和人們所理解的“語義相似”之間的“語義鴻溝( Semantic gap )”。如何解決“語義鴻溝”問題是目前CBIR系統亟待解決的技術難題。圖像標注這個直觀的想法能有效地彌補語義的缺失,它可以利用已標注的圖像集自動學習語義概念空間與視覺特征空間的關系模型,并用此模型標注未知語義的圖像,即它試圖在高層語義特征和底層視覺特征之間建立一座橋梁。因此,它可以一定程度解決大多基于內容圖像檢索方法存在的語義鴻溝問題。如果能實現自動圖像標注,那么現有的圖像檢索問題實際上就可以轉化成技術已經相當成熟的文本檢索問題。它的潛在應用領域包括生物醫學、商業、軍事、教育、數字圖書館和互聯網檢索等。

1 相關研究工作

圖像自動標注技術可以利用已標注的圖像集自動學習語義概念空間與視覺特征空間的關系模型,并用此模型標注未知語義的圖像,即它試圖在高層語義特征和底層視覺特征之間建立一座橋梁。近年來圖像自動標注技術正成為國際上圖像檢索領域的一個研究熱點。許多機器學習方法由于能很好地獲取圖像特征和文本描述之間的對應關系,因而被引入這一領域，并且已經出了一些成果，例如同現模型(Co-occurrence Model)[1],基于機器翻譯的對象識別模型[2]，跨媒體相關模型(Cross-Media Relevance, CMR)[3]等等。

本文中我們提出了先使用Normalized Cuts[4]方法對圖像進行分割并提取出每個區域的低層特征，再利用BP神經網絡算法來學習圖像區域特征和標注字的對應關系模型并用此模型來對未知語義圖像進行自動標注的方法，實驗證明該方法能夠取得很好的效果。

2 Normalized Cuts及圖像區域特征選擇

因為Normalized Cuts在圖像分割這塊有強的優勢，所以本文中我們選擇其作為圖像的分割方法。先對圖像進行Normalized Cuts區域分割，然后提取圖像的各個區域特征，在這里我們采用的圖像低層視覺特征是顏色、紋理特征的結合。

2.1 Normalized Cuts區域分割

我們使用Timothee Cour等人開發的Multiscale Normalized Cuts Segmentation Toolbox對每個圖像（160*160）進行區域分割（nsegs = 8），分割的效果如圖1所示。

2.2 低層特征提取

由于圖像的顏色分布信息主要集中在低階矩中，因此我們采用顏色的一階矩、二階矩和三階矩來表示圖像的顏色分布。一階中心矩、二階中心矩和三階中心矩分別表示圖像或子區域圖像的平均顏色、標準方差和三次根非對稱性，公式分別為以下式1、2和3：

(1)

(2)

(3)

對于每幅圖像每一個分割區域我們可以得到3個顏色分布特征。

我們采用的紋理特征是Gabor紋理特征（Gabor濾波變換后求取圖像區域的均值和方差）。Gabor濾波后的部份圖像效果圖如圖2所示。

我們對每幅圖像從4個尺度(0,1,2,3)和8個角度（0℃，45℃，90℃,135℃,180℃,225℃,270℃,315℃）組合進行濾波后再提取每個區域的均值和方差作為紋理特征,這樣每個區域就可得到32個紋理特征。

通過上面的低層特征提取，每幅圖像的每個區域我們可以得到共有35個低層特征，即顏色特征3個，紋理特征32個。

3 BP(Back Propagation)神經網絡

3.1 BP神經網絡典型結構

圖3為BP網絡結構圖。

3.2 BP學習算法[5]

BP(Back Propagation)算法為誤差反向傳播算法，主要分為兩個階段：一個前向傳播階段（計算誤差），另一個誤差反向傳播階段（修改權值）。

BP具體算法：

①創建nin個輸入單元，nhidden個隱藏單元，nout個輸出單元的網絡；

② 初始化所有的網絡權值為小的隨機值（-0.05~0.05）；

③ 在遇到終止條件前（達到迭代次數或者訓練精度），對于每個訓練樣例做以下計算：

1）輸入沿網絡前向傳播：把實例輸入網絡,并計算網絡中每個單元u的輸出ou。

2）誤差沿網絡反向傳播：

對于網絡的每個輸出單元k,計算它的誤差項dk， ；

對于網絡的每個隱藏單元h,計算它的誤差項δh: 。

3）更新每個網絡權值wji，

3.3 圖像標注基本原理

圖像標注基本原理如圖4所示，主要分為兩個階段：模型訓練階段和標注階段，我們采用BP神經網絡模型來學習圖像區域特征和標注字之間的對應關系。

訓練階段主要是對已標注的圖像集進行處理，包括：1、圖像的區域分割，2、區域特征的提取，3、區域對應的標注字的提?。ㄒ布磳臉擞?，例如在程序中，我們使用1代表森林，2代表草地，3代表動物，4代表天空等），4、BP神經網絡模型訓練幾個步驟，訓練后得到的權值，我們保存在weight.txt文件中。

標注階段是對待標注的圖像集進行處理，包括：1、圖像的區域分割，2、區域特征的提取，3、從weight.txt文件中讀取各層的權值到BP模型中，使用訓練好的BP模型來對待標注的圖像進行標注。

4 實驗結果

我們使用的實驗數據為微軟亞洲研究院視覺計算組的圖像集。我們從中挑選了300幅包含動物、草地、森林和天空等對象的圖像作為訓練集，先使用NormalizedCuts方法進行區域分割，得到8個區域并抽取其36維特征向量，在程序中我們采用三層BP模型，36個輸入單元（對應36個低層特征），15個隱藏單元和4個輸出單元（對應4個對象，動物、草地、森林和天空），學習因子為0.3，訓練后得到權值保存在weight.txt文件中。另外我們選取了50幅圖像作為測試集，在PIV 2.0G 256M 硬件環境和XP系統，vs2005 + OpenCV_1.0的軟件環境下進行實驗，使用本文提出的方法來進行圖像語義的標注，準確率達到78.23%，初期實驗結果樣例如圖5所示。

5 結束語

使用BP神經網絡算法能夠很好學習區域特征和標注字的對應關系，因此圖像的區域分割和低層視覺特征選擇很重要，搞好了就能很好地進行圖像語義自動標注，對稍微簡單點的圖像標注準確率比較高，對復雜圖像的標注準確率下降很多，也就是BP神經網絡存在無法學習圖像的上下文信息的缺點。因此如果能夠融合圖像的上下文信息的話，標注的效果會更好。而CRF（條件概率隨機場）[6]在融合上下文信息這方面功能很強大，因此，未來的工作重點主是結合BP和CRF對圖像進行語義的自動標注。

參考文獻：

[1] Mori Y, Takahashi H, Oka R.Image-to-word transformation based on dividing and vector quantizing images with words[J].In Proc. of MISRM,1999.

[2] Duygulu P, Barnard K, de Freitas J F G, et al, Object Recognition as Machine Translation: Learning a Lexicon for a Fixed Image Vocabulary[J].Proceedings of the 7th European Conference on Computer Vision-Part IV,2002:97-112.

[3] Jeon J, Lavrenko V , Manmatha R. Automatic image annotation and retrieval using cross - media relevance models[C].New York: ACM Press, 2003:119 - 126.

[4] Shi J, Malik J.Normalized cuts and image segmentation[J].In Proc. IEEE Conf. Computer Vision and Pattern Recognition,731-737,1997.

第9篇：反向傳播神經網絡基本原理范文

關鍵詞：估算模型、工程造價、思考

中圖分類號：TU723.3文獻標識碼： A 文章編號：

建筑工程造價，在通常情況下指的就是工程建設過程中需要花費的所有費用，換言之，就是依據工程計劃此工程建設項目因開展固定資產再生產而衍生出與之相對應鋪底流動資金與無形資金之和。事實上，工程造價既與建設地區的經濟發展狀況、建設者的技術水準、當地政府的政策扶持等因素息息相關，又緊密聯系著工程本身的內容。

事實上，工程項目在施行過程中，不僅要耗費大量時間，還需投入很多資金。且每一階段均會出現很多不確定因素，因此，在工程項目施工早期很難確定出一個合理、正確、科學的造價。然而，工程造價的合理性將會給施工單位和建設單位的共同經濟利益帶來直接的影響。這就要求我們在如今競爭日益激烈化的社會能熟練地應用科學手段，精、穩、準地把工程造價估算出來。但是，工程造價會隨著項目開展的深度的逐漸加深而愈漸合理化。工程項目富有計價特性，這就決定了在控制工程項目的過程中各個階段的手段與重點也許會存在一些差異。因此，在工程項目建設的全過程中，要確保工程造價能將工程的實際造價合理、科學地體現出來，與工程項目管理的需求與市場經濟體制相適應，積極采用合理、可行性高的、可操作性強的手段，管控好建設工程造價。

一、工程造價估算模型的類別

當前，世界上存在的投資估算方法多種多樣，但每一樣方法的優劣勢及其所適用的范疇均存在一定的差異。在這當中，盡管最小二乘回歸模型法能夠彌補單位面積法的不足指出，精確度很好，但是由于隸屬系數、模糊關系系數等諸多數據的大小均取決于經驗，且其處在不斷地變化發展過程中，這無疑會加大模型建立的難度系數。

伴隨著模糊數學理論在工程造價測算當中的廣泛運用與發展，其所展現出來的優越性愈來愈獨特。為此，筆者針對已建工程與待建工程當中的類似程序加以探索與比較，能在較短時間內運用已建工程的造價資料與信息，從而對待建工程的造價進行估算。此類手段能飛快而又精準地估測出工程造價，待構建起信息管理系統、信息數據庫、拓展大量的信息渠道后，可以確保估算工程數據的精準性與合理性。

二、神經網絡的工程造價估算模型的基本原理

神經網絡憑借著生物神經系統作用原理發展的信息處理系統能夠極為精確地解決好繁雜的非線性問題。但是，其與眾不同的是，神經網絡極具自組織、自學習、容錯性等特征。基于對數據的建立模型，可將函數的最佳參數較快地求算出來，使設計成功后的系統可更好地模擬輸入輸出關系。

1、神經網絡的基本模式

神經網絡包括了反饋型網絡、自組織型網絡、隨機型網絡以及前饋型網絡這四大類型，這四大類型的神經網絡所具有的網絡模型各不相同。Hopfield網絡主要出現在反饋網絡當中，BP網絡、Adaiine、RBF網絡則是前饋網絡的關鍵網絡模式，Boltzman網絡為隨機網絡的關鍵網絡模式，ARI網絡俄日自組織網絡的關鍵網絡模式。然而，在此類神經網絡當中，前饋型網絡內的RBF網絡和BP網絡能較好地滿足市政工程造價的需要。因為BP神經網絡結構精簡、預算精度高、可行性高、收斂迅速、泛化能力強大，所以到目前為止，BP算法的多層前饋網變成了運用范圍最大的神經網絡。從統計上來看，BP算法是依靠學習過程的誤差反向傳播和信號正向傳播所構成的。當前運用BP算法的神經網絡所占的百分比近達百分之九十。

2、神經網絡的基本模型

實際上，神經網絡的輸入層是由各個極具代表性的工程建筑特性組合而成的，其輸入向量是闡釋工程特性的基本信息，神經網絡輸出向量則為工程所需的工程造價。然而，如果輸入向量不同，那么想獲取到不一樣的輸出量值的話就需充分利用已建成的極具代表性的工程特性與造價，以它為訓練樣本，從而訓練神經網絡，進而達到從輸入至輸出進行映射的目的。

3、神經網絡的運作手段

一般而言，神經網絡的運作方式有兩類，即演化式與前饋式。演化式模型的復雜度更高，其在網絡當中與耗散的動力學系統差不多，在演化時狀態空間會慢慢收縮，最后變成了小體積的吸引子集，其輸出就相當于終態，而輸入則為初始態；前饋式之所以能達到自輸入至輸出的非線性映射，主要依賴于神經元非線性輸出輸入的關系。

三、神經網絡估算法的廣泛運用

若要估算項目工程造價，神經網絡需具備一定數量的樣本以進行訓練。一般來講，我們可以將估算建設工程造價這一問題視成從輸入工程造價估算體系至輸出項目的單位造價的非線性映射，把指標體系的指標值輸入，然后再神經網絡中加以估算，從而就能把此項目的單位造價輸出來。

但是，由于建設項目不同，其使用要求與功能也會有所不同，這直接會給工程造價的因素造成影響。因此，要嚴格依照建設項目的種類，分門別類地構建出估算對象的指標體系。本篇文章將重點闡述市政排水工程建設問題，針對神經網絡估算模型的運用進行剖析。

（1）工程特征的解剖

不論是道路的總長度、雨水管道的平均管徑與長度、雨水管道平均埋深，還是污水管道平均管徑與長度、污水管道平均埋深等因素均會給市政排水工程造價帶來極大的影響。但是，此類影響市政排水工程造價的因素均存在一個共性，即：神經網絡估算模型的輸入向量。

（2）構建工程造價模型

工程造價估算法BP網絡程序主要是由樣本數據庫模塊構成的，它是由newff函數生成的。當生成的BP神經網絡初始化之后，應充分運用當前存在的“輸入―目標”的訓練樣本數據，選取網絡內的train函數加以訓練。同時，還要應用BP神經網絡的數據處理模塊及仿真模塊去測試訓練完畢的網絡，依照函數的反函數戰隊神經網絡的輸出值實施數據后續處理，從而將預測單位的工程造價求算出來，然后對比實際值，驗證出預測的精確度。

（3）建設指標體系的基準單位

在建設市政排水工程的過程中，存在著大量對項目工程造成影響的因素。要想得出模型的輸出向量，就必須把道路的延長米視成排水工程的基準單位，然后將排水工程的整體造價均勻地派遣到道路的延長米上，最終即可得到排水工程的道路延長米的工程造價，也就是模型的輸出向量。

（4）估算出工程造價

運用神經網絡估算法與Matlab神經網絡的工具箱函數編制出與其相對應的計算程序，依照數據庫開展訓練測試工作，以便得出工程的實際造價。同時，要采取科學、易算、簡潔、精確的工程造價估算手段，從而有利于工程建設的迅速、安全地完成、工程造價控制以及工程投資管理工作的開展。因BP神經網絡極具較強的容錯性與自組織適應能力等特性，再加上其擁有精確、簡潔、迅速等優勢，因此其在建設項目的工程造價估算的運用中能順利地擺脫傳統項目估算的限制，同時在現代經濟領域中有著巨大的運用市場。

參考文獻：

[1] 胡偉勛. 工程造價估算模型研究與應用[J]. 中南林業科技大學學報, 2011,(08)

[2] 盧梅,韓小康,孔祥坤,蔡靜. 基于BP神經網絡和TOC的工程造價預控研究[J]. 西安建筑科技大學學報(自然科學版), 2011,(01) .

[3] 王興鵬,桂莉. 基于粗糙集―神經網絡的工程造價估算模型研究[J]. 石家莊鐵道學院學報(社會科學版), 2008,(01) .

[4] 胡偉勛. 基于GST的工程造價預測模型理論研究[J]. 中南林業科技大學學報, 2011,(04) .