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)常用算法主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：神經(jīng)網(wǎng)絡(luò)常用算法范文

【關(guān)鍵詞】人工神經(jīng)網(wǎng)絡(luò) 路徑規(guī)劃 移動(dòng)機(jī)器人

1 引言

在移動(dòng)機(jī)器人導(dǎo)航技術(shù)應(yīng)用過程中，路徑規(guī)劃是一種必不可少的算法，路徑規(guī)劃要求機(jī)器人可以自己判定障礙物，以便自主決定路徑，能夠避開障礙物，自主路徑規(guī)劃可以自動(dòng)的要求移動(dòng)機(jī)器人能夠安全實(shí)現(xiàn)智能化移動(dòng)的標(biāo)志，通常而言，機(jī)器人選擇的路徑包括很多個(gè)，因此，在路徑最短、使用時(shí)間最短、消耗的能量最少等預(yù)定的準(zhǔn)則下，能夠選擇一條最優(yōu)化的路徑，成為許多計(jì)算機(jī)學(xué)者研究的熱點(diǎn)和難點(diǎn)。

2 背景知識(shí)

神經(jīng)網(wǎng)絡(luò)模擬生物進(jìn)化思維，具有獨(dú)特的結(jié)構(gòu)神經(jīng)元反饋機(jī)制，其具有分布式信息存儲(chǔ)、自適應(yīng)學(xué)習(xí)、并行計(jì)算和容錯(cuò)能力較強(qiáng)的特點(diǎn)，以其獨(dú)特的結(jié)構(gòu)和信息處理方法，在自動(dòng)化控制、組合優(yōu)化領(lǐng)域得到了廣泛的應(yīng)用，尤其是大規(guī)模網(wǎng)絡(luò)數(shù)據(jù)分析和態(tài)勢預(yù)測中，神經(jīng)網(wǎng)絡(luò)能夠建立一個(gè)良好的分類學(xué)習(xí)模型，并且在學(xué)習(xí)過程中優(yōu)化每一層的神經(jīng)元和神經(jīng)元連接的每一個(gè)節(jié)點(diǎn)。1993年，Banta等將神經(jīng)網(wǎng)絡(luò)應(yīng)用于移動(dòng)機(jī)器人路徑規(guī)劃過程中，近年來，得到了廣泛的研究和發(fā)展，morcaso等人構(gòu)建利用一個(gè)能夠?qū)崿F(xiàn)自組織的神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)機(jī)器人導(dǎo)航的功能，并且可以通過傳感器訓(xùn)練網(wǎng)絡(luò)，取得更好的發(fā)展，確定系統(tǒng)的最佳路徑。神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)模型可以分為：

2.1 前向網(wǎng)絡(luò)

網(wǎng)絡(luò)中各個(gè)神經(jīng)元接受前一級的輸入，并輸出到下一級，網(wǎng)絡(luò)中沒有反饋，可以用一個(gè)有向無環(huán)路圖表示。這種網(wǎng)絡(luò)實(shí)現(xiàn)信號從輸入空間到輸出空間的變換，它的信息處理能力來自于簡單非線性函數(shù)的多次復(fù)合。網(wǎng)絡(luò)結(jié)構(gòu)簡單，易于實(shí)現(xiàn)。反傳網(wǎng)絡(luò)是一種典型的前向網(wǎng)絡(luò)。

2.2 反饋網(wǎng)絡(luò)

網(wǎng)絡(luò)內(nèi)神經(jīng)元間有反饋，可以用一個(gè)無向的完備圖表示。這種神經(jīng)網(wǎng)絡(luò)的信息處理是狀態(tài)的變換，可以用動(dòng)力學(xué)系統(tǒng)理論處理。系統(tǒng)的穩(wěn)定性與聯(lián)想記憶功能有密切關(guān)系。Hopfield網(wǎng)絡(luò)、波耳茲曼機(jī)均屬于這種類型。

3 基于人工神經(jīng)網(wǎng)絡(luò)的移動(dòng)機(jī)器人路徑規(guī)劃算法

神經(jīng)網(wǎng)絡(luò)解決移動(dòng)機(jī)器人路徑規(guī)劃的思路是：使用神經(jīng)網(wǎng)絡(luò)算法能夠描述機(jī)器人移動(dòng)環(huán)境的各種約束，計(jì)算碰撞函數(shù)，該算法能夠?qū)⒌窂近c(diǎn)集作為碰撞能量函數(shù)和距離函數(shù)的和當(dāng)做算法需要優(yōu)化的目標(biāo)函數(shù)，通過求解優(yōu)化函數(shù)，能夠確定點(diǎn)集，實(shí)現(xiàn)路徑最優(yōu)規(guī)劃。神經(jīng)網(wǎng)絡(luò)算法在移動(dòng)機(jī)器人路徑規(guī)劃過程中的算法如下：

（1）神將網(wǎng)絡(luò)算法能夠初始化神經(jīng)網(wǎng)絡(luò)中的所有神經(jīng)元為零，確定目標(biāo)點(diǎn)位置的神經(jīng)元活性值，并且能夠神經(jīng)網(wǎng)絡(luò)每層的神經(jīng)元連接將神經(jīng)元的值傳播到出發(fā)點(diǎn)；

（2）動(dòng)態(tài)優(yōu)化神經(jīng)網(wǎng)絡(luò)，根據(jù)神經(jīng)網(wǎng)絡(luò)的目標(biāo)節(jié)點(diǎn)和障礙物的具置信息，在神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)中的映射中產(chǎn)生神經(jīng)元的外部輸入；

（3）確定目標(biāo)值附件的神經(jīng)元活性值，并且使用局部側(cè)的各個(gè)神經(jīng)元之間，連接整個(gè)神經(jīng)網(wǎng)絡(luò)，并且在各個(gè)神經(jīng)元中進(jìn)行傳播。

（4）利用爬山法搜索當(dāng)前鄰域內(nèi)活性值最大的神經(jīng)元，如果鄰域內(nèi)的神經(jīng)元活性值都不大于當(dāng)前神經(jīng)元的活性值，則機(jī)器人保持在原處不動(dòng)；否則下一個(gè)位置的神經(jīng)元為鄰域內(nèi)具有最大活性值的神經(jīng)元。

（5）如果機(jī)器人到達(dá)目標(biāo)點(diǎn)則路徑規(guī)劃過程結(jié)束，否則轉(zhuǎn)步驟（2）。

4 基于人工神經(jīng)網(wǎng)絡(luò)的移動(dòng)機(jī)器人路徑規(guī)劃技術(shù)展望

未來時(shí)間內(nèi)，人工神經(jīng)在機(jī)器人路徑規(guī)劃過程中的應(yīng)用主要發(fā)展方向包括以下幾個(gè)方面：

4.1 與信息論相融合，確定神經(jīng)網(wǎng)絡(luò)的最優(yōu)化化目標(biāo)解

在神經(jīng)網(wǎng)絡(luò)應(yīng)用過程中，由于經(jīng)驗(yàn)值較為難以確定，因此在神經(jīng)網(wǎng)絡(luò)的應(yīng)用過程中，將神經(jīng)網(wǎng)絡(luò)看做是一個(gè)貝葉斯網(wǎng)絡(luò)，根據(jù)貝葉斯網(wǎng)絡(luò)含有的信息熵，確定神經(jīng)網(wǎng)絡(luò)的目標(biāo)函數(shù)的最優(yōu)解，以便更好的判斷機(jī)器人移動(dòng)的最佳路徑。

4.2 與遺傳算法想結(jié)合，確定全局最優(yōu)解

將神經(jīng)網(wǎng)絡(luò)和遺傳算法結(jié)合起來，其可以將機(jī)器人的移動(dòng)環(huán)境設(shè)置為一個(gè)二維的環(huán)境，障礙物的數(shù)目、位置和形狀是任意的，路徑規(guī)劃可以由二維工作空間一系列的基本點(diǎn)構(gòu)成，神經(jīng)網(wǎng)絡(luò)決定機(jī)器人的運(yùn)動(dòng)控制規(guī)則，利用相關(guān)的神經(jīng)元的傳感器作用獲未知環(huán)境的情況，將障礙信息和目標(biāo)點(diǎn)之間的距離作為神經(jīng)網(wǎng)絡(luò)的輸入信息，使用遺傳算法完成神經(jīng)網(wǎng)絡(luò)的權(quán)值訓(xùn)練，神經(jīng)網(wǎng)絡(luò)的輸出作為移動(dòng)機(jī)器人的運(yùn)動(dòng)作用力，實(shí)現(xiàn)一個(gè)可以在未知環(huán)境中進(jìn)行的機(jī)器人運(yùn)動(dòng)路徑規(guī)劃。

4.3 與蟻群算法相結(jié)合，降低搜索空間，提高路徑規(guī)劃準(zhǔn)確性

為了提高神經(jīng)網(wǎng)絡(luò)的搜索準(zhǔn)確性和提高效率，可以將蟻群算法與神經(jīng)網(wǎng)絡(luò)相互結(jié)合，蟻群算法的路徑規(guī)劃方法首先采用柵格法對機(jī)器人工作環(huán)境進(jìn)行建模，然后將機(jī)器人出發(fā)點(diǎn)作為蟻巢位置，路徑規(guī)劃最終目標(biāo)點(diǎn)作為蟻群食物源，通過螞蟻間相互協(xié)作找到一條避開障礙物的最優(yōu)機(jī)器人移動(dòng)路徑。

5 結(jié)語

隨著移動(dòng)機(jī)器人技術(shù)的發(fā)展，路徑規(guī)劃作為最重要的一個(gè)組成部分，其得到了許多的應(yīng)用和發(fā)展，其在導(dǎo)航過程中，也引入了許多先進(jìn)的算法，比如神經(jīng)網(wǎng)絡(luò)，更加優(yōu)化了移動(dòng)的路徑。未來時(shí)間內(nèi)，隨著神經(jīng)網(wǎng)絡(luò)技術(shù)的改進(jìn)，可以引入遺傳算法、信息論、蟻群算法等，將這些算法優(yōu)勢結(jié)合，將會(huì)是路徑規(guī)劃更加準(zhǔn)確和精確。

參考文獻(xiàn)

[1]朱大奇,顏明重,滕蓉. 移動(dòng)機(jī)器人路徑規(guī)劃技術(shù)綜述[J].控制與決策,2010,25(7): 961-967.

[2]劉毅.移動(dòng)機(jī)器人路徑規(guī)劃中的仿真研究[J].計(jì)算機(jī)仿真,2011,28(6): 227-230.

[3]熊開封,張華.基于改進(jìn)型 FNN 的移動(dòng)機(jī)器人未知環(huán)境路徑規(guī)劃[J].制造業(yè)自動(dòng)化,2013,35(22): 1-4.

[4]柳長安,鄢小虎,劉春陽.基于改進(jìn)蟻群算法的移動(dòng)機(jī)器人動(dòng)態(tài)路徑規(guī)劃方法[J].電子學(xué)報(bào),2011,39(5).

[5]范浩鋒,劉俊.基于 BP 神經(jīng)網(wǎng)絡(luò)的紅外目標(biāo)識(shí)別技術(shù)[J].計(jì)算機(jī)與數(shù)字工程,2013,41(4): 559-560.

第2篇：神經(jīng)網(wǎng)絡(luò)常用算法范文

關(guān)鍵詞：交通事件自動(dòng)檢測 BP神經(jīng)網(wǎng)絡(luò) Matlab仿真

1.前言

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

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

2.交通事件自動(dòng)檢測原理分析

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

3.交通事件檢測的模型構(gòu)建

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

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

隱含層：對于隱含層神經(jīng)元節(jié)點(diǎn)數(shù)目nh的確定，有下列經(jīng)驗(yàn)公式[3]：

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

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

4.事件檢測算法的Matlab實(shí)現(xiàn)與評估

4.1.數(shù)據(jù)預(yù)處理

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

4.2神經(jīng)網(wǎng)絡(luò)創(chuàng)建和初始化

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

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

利用minmax函數(shù)設(shè)定輸入向量pn的元素的取值范圍；在訓(xùn)練BP網(wǎng)絡(luò)之前，必須對網(wǎng)絡(luò)的連接權(quán)值和閾值進(jìn)行初始化。

4.3.BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練

將神經(jīng)網(wǎng)絡(luò)的參數(shù)設(shè)置為每50次顯示訓(xùn)練迭代過程；學(xué)習(xí)速率為0.05；動(dòng)量因子為0.9；

網(wǎng)絡(luò)訓(xùn)練次數(shù)為1500；訓(xùn)練目標(biāo)精度為1e-002；網(wǎng)絡(luò)最大失敗次數(shù)為5次。

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

4.4.BP神經(jīng)網(wǎng)絡(luò)仿真與測試

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

4.5.AID算法評估

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

5.結(jié)語

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

參考文獻(xiàn)：

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

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

第3篇：神經(jīng)網(wǎng)絡(luò)常用算法范文

[關(guān)鍵詞] 神經(jīng)網(wǎng)絡(luò)； GPS高程模型； 訓(xùn)練樣本

1 引言

BP神經(jīng)網(wǎng)絡(luò)算法是一種反向傳播學(xué)習(xí)算法，把學(xué)習(xí)的結(jié)果反饋到中間層次的隱單元，改變它們的權(quán)系矩陣，從而達(dá)到預(yù)期的學(xué)習(xí)目的，它是一種自適應(yīng)的映射方法，沒做假設(shè)，能減少模型誤差，它是迄今為止應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)。

2 BP神經(jīng)網(wǎng)絡(luò)算法

（3）BP算法的流程如圖2-2所示。

3 GPS水準(zhǔn)精度評定標(biāo)準(zhǔn)

⑴ 內(nèi)符合精度

4 實(shí)例應(yīng)用

本算例使用的數(shù)據(jù)是某礦區(qū)D級GPS高程控制網(wǎng)數(shù)據(jù)，共布設(shè)了36個(gè)GPS控制點(diǎn)，并實(shí)施了四等水準(zhǔn)。采用三層式神經(jīng)網(wǎng)絡(luò)，隱含層確定由于沒有固定的方法，根據(jù)經(jīng)驗(yàn)，一般在5-7個(gè)為最好，本試驗(yàn)分別采用5個(gè)隱含層，6個(gè)隱含層和7個(gè)隱含層對數(shù)據(jù)進(jìn)行訓(xùn)練，

（1）方案一 采用5個(gè)隱含層，樣本集的訓(xùn)練精度目標(biāo)為1mm，分別訓(xùn)練5000次，7000次，10000次，檢核點(diǎn)的精度分布情況見表4-1、表4-2。

（2）方案二采用6個(gè)隱含層，樣本集的訓(xùn)練精度目標(biāo)為1mm，分別訓(xùn)練5000次，7000次，10000次，檢核點(diǎn)的精度分布情況見表4-3、表4-4。

（3）方案三 采用7個(gè)隱含層，樣本集的訓(xùn)練精度目標(biāo)為1mm，分別訓(xùn)練5000次，7000次，10000次，檢核點(diǎn)的精度分布情況見表4-5、表4-6。

5 結(jié)論

（1）BP網(wǎng)絡(luò)法用于求高程異常是一種可行的方法，并且有較高的精度。

（2）在同一樣本集進(jìn)行訓(xùn)練時(shí)，訓(xùn)練的次數(shù)越多，相應(yīng)的外符合精度越高，但達(dá)到一定的訓(xùn)練次數(shù)時(shí)，訓(xùn)練的外符合精度反倒不好。

（3）在不同樣本集中，樣本集越多，網(wǎng)絡(luò)的智力越高，對工作集的擬合效果越好，外符合精度相應(yīng)也越高。

[參考文獻(xiàn)]

[1] 孔祥元，梅是義.控制測量學(xué)[M].武漢：武漢大學(xué)出版社，2004

[2] 聞新，周露，李翔.MATLAB神經(jīng)網(wǎng)路仿真與應(yīng)用[M].北京：科學(xué)出版社，2003.

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

[4] 閻平凡，張長水.人工神經(jīng)網(wǎng)絡(luò)與模擬進(jìn)化計(jì)算[M].北京：清華大學(xué)出版社，2005.

[5] 匡翠林.高精度GPS水準(zhǔn)算法研究及其應(yīng)用[D].中南大學(xué)，2004

[8] 楊永平，馮立清，蘭孝奇；神經(jīng)網(wǎng)絡(luò)法在GPS高程擬合中的應(yīng)用[J].三晉測繪，2004（1）：11-15

第4篇：神經(jīng)網(wǎng)絡(luò)常用算法范文

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò) 計(jì)算機(jī)安全 入侵檢測

中圖分類號：TP393.08 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號：1674-098X（2012）12（c）-00-01

自從1960年Widrow等提出自適應(yīng)線形神經(jīng)元用于信號處理中的自適應(yīng)濾波、預(yù)測和模型識(shí)別以來，神經(jīng)網(wǎng)絡(luò)技術(shù)便被用來解決現(xiàn)實(shí)生活中的問題。而在McCulloch等基于模仿人腦結(jié)構(gòu)和功能建立起一種人工智能的信息處理系統(tǒng)后，人工神經(jīng)網(wǎng)絡(luò)在土木工程、農(nóng)業(yè)、經(jīng)濟(jì)管理及企業(yè)管理等不同領(lǐng)域中被廣泛應(yīng)用[1-2]。該文介紹了神經(jīng)網(wǎng)絡(luò)的概念及特點(diǎn)，并分析神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)安全尤其是在網(wǎng)絡(luò)入侵檢測中的應(yīng)用。

1 神經(jīng)網(wǎng)絡(luò)的概念及特點(diǎn)

1.1 神經(jīng)網(wǎng)絡(luò)的概念

神經(jīng)網(wǎng)絡(luò)是一個(gè)并行、分布處理結(jié)構(gòu)，是由神經(jīng)元及稱為聯(lián)接的無向訊號通道互連而成。人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）指的則是模仿生理神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和功能而設(shè)計(jì)的一種信息處理系統(tǒng)，即由多個(gè)非常簡單的處理單元彼此按某種方式相互連接而形成的信息處理網(wǎng)絡(luò)[3]。

1.2 神經(jīng)網(wǎng)絡(luò)的特點(diǎn)

在人工神經(jīng)網(wǎng)絡(luò)中，由于網(wǎng)絡(luò)中的每一個(gè)單元都是獨(dú)立的信息處理單元，因此其計(jì)算可獨(dú)立進(jìn)行，而整個(gè)網(wǎng)絡(luò)系統(tǒng)卻是并行計(jì)算的。這不同于傳統(tǒng)的計(jì)算機(jī)的串行運(yùn)算。由于神經(jīng)網(wǎng)絡(luò)是一個(gè)大規(guī)模互聯(lián)的復(fù)雜網(wǎng)絡(luò)系統(tǒng)，因而是大規(guī)模的并行處理，這在一定程度上提高了系統(tǒng)的處理速度，同時(shí)也為實(shí)時(shí)處理提供了重要條件。人工神經(jīng)網(wǎng)絡(luò)與人腦類似，具有學(xué)習(xí)的功能。通常只要給出所需的數(shù)據(jù)、實(shí)例，由網(wǎng)絡(luò)去學(xué)習(xí)，而學(xué)習(xí)獲得的知識(shí)都分布儲(chǔ)存在整個(gè)網(wǎng)絡(luò)的用權(quán)系數(shù)表示的連接線上。不同網(wǎng)絡(luò)因?qū)W習(xí)方法及內(nèi)容不同，可得到不同的功能和不同的應(yīng)用。因而有可能解決傳統(tǒng)人工智能目前最感困難的機(jī)器學(xué)習(xí)中知識(shí)獲取、知識(shí)表示等問題。此外神經(jīng)網(wǎng)絡(luò)還對于輸入數(shù)據(jù)的失真具有相當(dāng)?shù)膹椥浴?/p>

1.3 常用的神經(jīng)網(wǎng)絡(luò)算法

常用的神經(jīng)網(wǎng)絡(luò)算法包括ARTMAP模型、ART模型、概率模型PNN、模糊模型ART、模糊多層感知器、Kohonen特征映射網(wǎng)絡(luò)、反饋多層感知器模型等[4-5]。其中，ART模型和Kohonen特征映射網(wǎng)絡(luò)、模糊模型ART屬于無監(jiān)督訓(xùn)練算法，而反饋多層感知器模型是受限反饋，ARTMAP模型、ART模型屬于反饋的網(wǎng)絡(luò)拓?fù)?/p>

結(jié)構(gòu)。

2 神經(jīng)網(wǎng)絡(luò)在網(wǎng)絡(luò)入侵檢測中的應(yīng)用

2.1 神經(jīng)網(wǎng)絡(luò)應(yīng)用于網(wǎng)絡(luò)入侵檢測的優(yōu)勢

由于神經(jīng)網(wǎng)絡(luò)對于數(shù)據(jù)訓(xùn)練獲得預(yù)測能力的過程是通過完全抽象計(jì)算實(shí)現(xiàn)的，而不強(qiáng)調(diào)對于數(shù)據(jù)分布的假設(shè)前提，因此在建立神經(jīng)網(wǎng)絡(luò)模型過程中沒有必要向神經(jīng)網(wǎng)絡(luò)解釋知識(shí)的具體細(xì)節(jié)。同時(shí)，神經(jīng)網(wǎng)絡(luò)在網(wǎng)絡(luò)入侵檢測中，可以通過數(shù)據(jù)運(yùn)算而形成異常的判別值，這樣可以對于當(dāng)前是否受到攻擊行為影響做出判斷，從而實(shí)現(xiàn)對檢測對象是否存在異常情況的檢測[6-8]。

2.2 神經(jīng)網(wǎng)絡(luò)在網(wǎng)絡(luò)入侵檢測中的應(yīng)用

神經(jīng)網(wǎng)絡(luò)在網(wǎng)絡(luò)安全尤其是入侵檢測方面已有了相當(dāng)?shù)难芯縖9]。有研究者將組織聚類神經(jīng)網(wǎng)絡(luò)應(yīng)用于計(jì)算機(jī)安全研究中，其采用了自適應(yīng)諧振學(xué)習(xí)法進(jìn)行數(shù)據(jù)的前期訓(xùn)練，對于無顯著意義的平均誤差減少時(shí)，采用遺傳算法繼續(xù)在前期基礎(chǔ)上進(jìn)行數(shù)據(jù)數(shù)據(jù)以得到最佳的權(quán)值。國內(nèi)也在神經(jīng)網(wǎng)絡(luò)應(yīng)用于網(wǎng)絡(luò)入侵檢測上做了大量工作。王勇等研究者在參考MIT Lincoln有關(guān)網(wǎng)絡(luò)入侵檢測方法基礎(chǔ)上，提出了基于Linux主機(jī)的網(wǎng)絡(luò)入侵檢測方案，實(shí)現(xiàn)了對于多種網(wǎng)絡(luò)攻擊的特征進(jìn)行抽取及檢測的目的[10]。

神經(jīng)網(wǎng)絡(luò)在網(wǎng)絡(luò)入侵檢測中有廣泛的應(yīng)用空間[11-12]，今后應(yīng)該擴(kuò)大訓(xùn)練數(shù)據(jù)的數(shù)量和范圍，并擴(kuò)大操作系統(tǒng)的研究空間，通過模擬真實(shí)的計(jì)算機(jī)網(wǎng)絡(luò)環(huán)境，將神經(jīng)網(wǎng)絡(luò)技術(shù)真正應(yīng)用于計(jì)算機(jī)安全尤其是入侵檢測工作中。

參考文獻(xiàn)

[1] 李季，蒲彪.人工神經(jīng)網(wǎng)絡(luò)在食品微生物發(fā)酵中的應(yīng)用[J].食品研究與開發(fā)，2009，30（4）：171-174.

[2] 李聰超，周鐵軍.人工神經(jīng)網(wǎng)絡(luò)在農(nóng)業(yè)中的應(yīng)用[J].農(nóng)業(yè)網(wǎng)絡(luò)信息，2008（1）：35-38.

[3] 李麗霞，張敏，郜艷暉，等.人工神經(jīng)網(wǎng)絡(luò)在醫(yī)學(xué)研究中的應(yīng)用[J].數(shù)理醫(yī)藥學(xué)雜志，2009，22（1）：80-82.

[4] 高雋.人工神經(jīng)網(wǎng)絡(luò)原理及仿真實(shí)例[M].北京：機(jī)械工業(yè)出版社，2003：44-73.

[5] 楊行峻，鄭君里.人工神經(jīng)網(wǎng)絡(luò)與盲信號處理[M].北京：清華大學(xué)出版社，2003：23-105.

[6] 程麗麗.基于模糊神經(jīng)網(wǎng)絡(luò)的入侵檢測設(shè)計(jì)模型[D].哈爾濱：哈爾濱理工大學(xué)，2005.

[7] 周開利，康耀紅.神經(jīng)網(wǎng)絡(luò)模型及其MATLAB仿真程序設(shè)計(jì)[M].北京：清華大學(xué)出版社，2005.

[8] 李家春，李之堂.神經(jīng)模糊入侵檢測系統(tǒng)的研究[J].計(jì)算機(jī)工程與應(yīng)用，2001，23（17）：37-39，

[9] 王勇，楊輝華.一種基于進(jìn)化神經(jīng)網(wǎng)絡(luò)的入侵檢測實(shí)驗(yàn)系統(tǒng)[J].華東理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2005（6）：362-366

[10] 喬瑞.基于優(yōu)化自組織聚類神經(jīng)網(wǎng)絡(luò)的入侵檢測方法研究[J].計(jì)算機(jī)與現(xiàn)代化，2005（1）：77-79.

第5篇：神經(jīng)網(wǎng)絡(luò)常用算法范文

關(guān)鍵詞:BP神經(jīng)網(wǎng)絡(luò);成本估算;武器裝備

一、我國常用的軍品成本估算方法

針對武器系統(tǒng)的成本估算，國內(nèi)外常用的一般方法有四種：參數(shù)估算法、工程估算法、類推估算法和專家判斷估算法。

1.參數(shù)估算法，又稱經(jīng)驗(yàn)公式法。這種方法實(shí)際上是使武器系統(tǒng)的費(fèi)用與武器系統(tǒng)的特點(diǎn)或重要參數(shù)之間建立起費(fèi)用估算關(guān)系。而這些費(fèi)用變量都有一個(gè)數(shù)學(xué)值范圍，并不只是一個(gè)值。它的函數(shù)形式就是成本估算關(guān)系式。簡言之，它是利用類似系統(tǒng)的歷史費(fèi)用數(shù)據(jù)去推導(dǎo)新型武器系統(tǒng)的費(fèi)用。

2.工程估算法，又可稱之為單價(jià)法或直接法。它的主要做法是根據(jù)工作分解結(jié)構(gòu)在對各個(gè)獨(dú)立部分和系統(tǒng)零部件的料、工、費(fèi)進(jìn)行詳細(xì)估算的基礎(chǔ)上，再將各單項(xiàng)估算值綜合為總的成本費(fèi)用。所以，該方法有時(shí)又被稱為“自下而上”的成本估算法。

3.類推估算法實(shí)際上是將擬議中的產(chǎn)品、裝備、系統(tǒng)功能與以前的某個(gè)系統(tǒng)的可比部分或類似部分進(jìn)行直接比較。這種方法既可用于直接與具有同樣操作或工作特性的類似系統(tǒng)進(jìn)行比較，也可將被估系統(tǒng)直接與具有許多相同費(fèi)用特性的不同系統(tǒng)進(jìn)行比較。

4.專家判斷法類似于專家推測法。它要求估算者擁有關(guān)于系統(tǒng)或系統(tǒng)部件的綜合知識(shí)。在經(jīng)驗(yàn)數(shù)據(jù)不足或沒有足夠統(tǒng)計(jì)資料的情況下，往往需要用這種方法。

除以上常用的4種方法之外，目前討論的比較多的方法還包括以下3種：

1.灰色系統(tǒng)方法。通過對主導(dǎo)因素建立GM（1,1）模型，對關(guān)聯(lián)因素建立GM（1,N）模型，最后得到系統(tǒng)的狀態(tài)方程模型，按狀態(tài)模型對系統(tǒng)進(jìn)行預(yù)測。通常采用GM（1,1）和GM（1,N）相結(jié)合的方式。大致步驟為：一是確定系統(tǒng)的主導(dǎo)因素和關(guān)聯(lián)因素；二是建立GM模型群，對主導(dǎo)因素建立GM（1,1）模型，其余因素建立GM（1,N）模型，組成線性方程組；三是根據(jù)GM模型組得出狀態(tài)方程矩陣求解狀態(tài)方程。灰色系統(tǒng)能夠適應(yīng)樣本數(shù)較少的情況。如孫本海（2002）在他的碩士論文中使用灰色系統(tǒng)理論中的殘差模型和改進(jìn)的G-N迭代法構(gòu)建了炮兵武器裝備費(fèi)用的參數(shù)模型。郭繼周等人（2004）用灰色系統(tǒng)理論進(jìn)行費(fèi)用預(yù)測的方法，建立了GM(1，1)模型及GM(1，1)預(yù)測模型。陳尚東等人（2008）針對地空導(dǎo)彈維修費(fèi)用數(shù)據(jù)量有限規(guī)律性不同的特點(diǎn)，選用灰色理論進(jìn)行維修保障費(fèi)用預(yù)測：首先，簡要分析了GM(1，1)模型，討論了維修費(fèi)用數(shù)據(jù)的處理；然后，以某新型地空導(dǎo)彈武器系統(tǒng)為例，具體探討了灰色預(yù)測模型的應(yīng)用，并對比分析了老信息灰色預(yù)測、新信息灰色預(yù)測和新陳代謝預(yù)測模型的精度。

2.模糊綜合評價(jià)方法。模糊綜合評價(jià)方法（FCE）是一種應(yīng)用非常廣泛和有效的模糊數(shù)學(xué)方法。它應(yīng)用模糊數(shù)學(xué)的有關(guān)方法和理論，通過建立隸屬度函數(shù)，考慮不可量化因素的影響，進(jìn)行綜合分析和評價(jià)。如郭建華等人（2004）利用模糊綜合評價(jià)模型對武器裝備項(xiàng)目的研制費(fèi)用進(jìn)行了估算。

3.人工神經(jīng)網(wǎng)絡(luò)（ArtificialNeuralNetwork,ANN）方法。目前采用較多的是BP(BackPropagation)神經(jīng)網(wǎng)絡(luò)預(yù)測模型法，具體步驟：一是選取學(xué)習(xí)樣本，對權(quán)值進(jìn)行初始化；二是訓(xùn)練學(xué)習(xí)樣本；三是用測試樣本進(jìn)行數(shù)據(jù)仿真。可以證明，對于任何一個(gè)在閉區(qū)間內(nèi)的連續(xù)函數(shù)都可以用帶一個(gè)隱層的3層BP網(wǎng)絡(luò)來逼近。如劉銘等人（2000）提出了一種基于BP神經(jīng)網(wǎng)絡(luò)的防空導(dǎo)彈采購費(fèi)估算模型，并對典型的防空導(dǎo)彈采購費(fèi)進(jìn)行了估算。劉國利等人（2003）根據(jù)導(dǎo)彈武器系統(tǒng)研制的特點(diǎn)，分析并確定了影響導(dǎo)彈武器系統(tǒng)研制費(fèi)用的主要因素，提出了基于人工神經(jīng)網(wǎng)絡(luò)的費(fèi)用預(yù)測模型。

軍品的費(fèi)用估算是一項(xiàng)持續(xù)性的工作，貫穿于軍品研制的全過程，隨著研制工作的進(jìn)展，采用的估算方法應(yīng)越來越詳細(xì)、精確。以上介紹的7種方法各有各的特點(diǎn)，在不同的條件下都具有特定的使用價(jià)值，具體對比情況見表1。

二、ANN方法和BP網(wǎng)絡(luò)的優(yōu)點(diǎn)

神經(jīng)網(wǎng)絡(luò)的建模能力也是由參數(shù)決定的，但它有別于回歸分析方法，它只限制所包含多項(xiàng)式的整體個(gè)數(shù)，不限制它們的階數(shù)，即在參數(shù)一定的情況下，可以通過學(xué)習(xí)（即各分量的競爭）來合理選擇任意階數(shù)的項(xiàng)。這體現(xiàn)了神經(jīng)網(wǎng)絡(luò)的非線性特性，因而在總體上其精度由于傳統(tǒng)的回歸分析方法。

運(yùn)用神經(jīng)網(wǎng)絡(luò)方法建模的另一個(gè)原因是，在實(shí)踐中，我們雖然可能擁有已研制軍品的相關(guān)費(fèi)用數(shù)據(jù)，但這些信息常常是不完整的，而且往往含有傷殘結(jié)構(gòu)及錯(cuò)誤成分，且具有不確定性，這些問題給以往的處理方式造成很大的困難。而神經(jīng)網(wǎng)絡(luò)可以通過不斷地學(xué)習(xí)，從典型型號研制相關(guān)費(fèi)用數(shù)據(jù)中學(xué)會(huì)處理這些問題，且能補(bǔ)全不完整的信息，并根據(jù)已學(xué)會(huì)的知識(shí)和經(jīng)驗(yàn)對復(fù)雜問題做出合理的判斷，以做出有效的預(yù)測和估計(jì)。

運(yùn)用神經(jīng)網(wǎng)絡(luò)方法建模的一般過程包括確定系統(tǒng)需求描述、選擇神經(jīng)網(wǎng)絡(luò)模型（包括神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)、訓(xùn)練方法等）、數(shù)據(jù)預(yù)處理、確定神經(jīng)網(wǎng)絡(luò)的可執(zhí)行代碼、訓(xùn)練和測試等過程，具體情況見圖1。

這里需要特別說明的是神經(jīng)網(wǎng)絡(luò)模型的選擇問題。目前，在數(shù)于種網(wǎng)絡(luò)結(jié)構(gòu)、上百種訓(xùn)練學(xué)習(xí)算法中，應(yīng)用最廣泛、技術(shù)最成熟的是多層前向式網(wǎng)絡(luò)結(jié)構(gòu)，應(yīng)用誤差反向傳播算法（ErrorBackPropagationLearningAlgorithm），簡稱為BP網(wǎng)絡(luò)。這主要?dú)w結(jié)于基于BP算法的多層感知器具有以下一些重要能力。

1.非線性映射能力。BP網(wǎng)絡(luò)學(xué)習(xí)能學(xué)習(xí)和存儲(chǔ)大量輸入-輸出模式映射關(guān)系，而無須事先了解這種映射關(guān)系的數(shù)學(xué)方程。

2.泛化能力。BP網(wǎng)絡(luò)訓(xùn)練后將所提取的樣本對中的非線性映射關(guān)系存儲(chǔ)在權(quán)值矩陣中，在其后的工作階段，當(dāng)向網(wǎng)絡(luò)輸入訓(xùn)練時(shí)未曾見過的非樣本數(shù)據(jù)時(shí)，網(wǎng)絡(luò)也能完成有輸入空間向輸出空間的正確映射。

3.容錯(cuò)能力。BP網(wǎng)絡(luò)允許輸入樣本中帶有較大的誤差甚至個(gè)別錯(cuò)誤。因?yàn)閷?quán)矩陣的調(diào)整過程也是從大量的樣本對中提取統(tǒng)計(jì)特性的過程，反映正確規(guī)律的只是來自全體樣本，個(gè)別樣本中的誤差不能左右對權(quán)矩陣的調(diào)整。

三、某型號無人機(jī)成本估算的BP模型

1.確定樣本集。為了驗(yàn)證前文所說的BP神經(jīng)網(wǎng)絡(luò)在成本估算中的準(zhǔn)確性，本文選擇了八中型號的無人機(jī)來進(jìn)行模擬運(yùn)算。具體的數(shù)據(jù)見下表（表2）。

由表2可知，本文選擇了與最后的整機(jī)價(jià)格有主要關(guān)系的6個(gè)性能指標(biāo)，分別是導(dǎo)航定位精度、飛行高度、控制半徑、最大平飛速度、續(xù)航時(shí)間和任務(wù)載荷。這六個(gè)性能指標(biāo)是作為BP神經(jīng)網(wǎng)絡(luò)模型的輸入項(xiàng)（in）存在的，而最后一項(xiàng)整機(jī)價(jià)格則是作為模型的輸出項(xiàng)（out）。需要說明的是，根據(jù)前文的思路，本部分使用BP神經(jīng)網(wǎng)絡(luò)估算的應(yīng)該是軍品的成本，而不是軍品的整機(jī)價(jià)格。在表5中之所以使用整機(jī)價(jià)格，主要是因?yàn)楸碇械膬r(jià)格是按照目前的軍品定價(jià)模式計(jì)算出來的，即只要在整機(jī)價(jià)格的基礎(chǔ)上除以（1+5%）就是飛機(jī)的成本。根據(jù)神經(jīng)網(wǎng)絡(luò)和本文研究的特點(diǎn)，此處使用整機(jī)價(jià)格并不影響最終結(jié)論的正確性。另外，為了保證結(jié)果的真實(shí)性，表中的整機(jī)價(jià)格在軍方審價(jià)完成之后，承制方與軍方最終的成交價(jià)格。還需要說明的是，有兩個(gè)因素可能會(huì)影響本案例研究的精確性：一是為了搞好保密工作，本表格提供的數(shù)據(jù)是經(jīng)過了脫密處理的。二是本文樣本的數(shù)量不大，只有用來供神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的樣本只有6個(gè)（前面6個(gè)型號），用來測試的只有2個(gè)（最后的2個(gè)型號），這必然會(huì)影響結(jié)果的精度。但是只要誤差在本文認(rèn)為的可接受的范圍內(nèi)（≤20%），本文就認(rèn)為研究結(jié)果有效。

2.確定網(wǎng)絡(luò)結(jié)構(gòu)和算法。本案例的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2。

由上圖可知，該BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)由6個(gè)性能指標(biāo)構(gòu)成輸入層，輸出層只有一個(gè)節(jié)點(diǎn)即整機(jī)價(jià)格。中間的隱層包含7個(gè)神經(jīng)元節(jié)點(diǎn)。

本文采用的是MATLAB的BP神經(jīng)網(wǎng)絡(luò)工具箱中的Trainlm函數(shù)建立的模型，它采用的是L-M算法。

3.數(shù)據(jù)標(biāo)準(zhǔn)化、訓(xùn)練和測試。本文采用的MATLAB版本是MATLAB7.70(R2008b)，該版本的功能比較強(qiáng)大，對數(shù)據(jù)的要求不像以前的那么嚴(yán)格（以前版本的MATLAB要求節(jié)點(diǎn)輸入和輸出值的大小在[0，1]），所以筆者在并不需要對數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化。這樣不僅能夠減少模型的計(jì)算量，而且還有利于提高最終結(jié)果的精確度。

4.結(jié)果。根據(jù)前文構(gòu)建的軍品成本估算BP模型，以及上文確定的算法和過程，在經(jīng)過了5次迭代后得到結(jié)果見表3。

由上面的結(jié)果可知，對高速無人機(jī)1和高速無人機(jī)2測試的誤差都在20%以內(nèi)，是在前文限定的范圍內(nèi)，因而筆者認(rèn)為這個(gè)結(jié)果是可以接受的。并且，測試結(jié)果表明目前的定價(jià)還是略高于計(jì)算值。

四、存在的問題

在將BP神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于無人機(jī)的過程中，筆者認(rèn)為以下幾個(gè)方面的問題是比較難把握的。

1.輸入層節(jié)點(diǎn)個(gè)數(shù)的控制。就本案例來說，輸入層有6個(gè)節(jié)點(diǎn)，也就是6個(gè)性能指標(biāo)。正如前文所言，選擇的這6個(gè)性能指標(biāo)是因?yàn)樗鼈兣c最后的整機(jī)價(jià)格有主要關(guān)系。這個(gè)判斷主要是根據(jù)專家的判斷和實(shí)際的做法得出來的，所以其中的主觀性很大。如果選擇的尺度或標(biāo)準(zhǔn)稍微有所變化，那么指標(biāo)的個(gè)數(shù)就會(huì)發(fā)生變化。而且我們?nèi)绻袛嗟降仔枰獛讉€(gè)指標(biāo)才能達(dá)到最好的預(yù)測效果。

2.隱層節(jié)點(diǎn)數(shù)的控制。這里包括兩個(gè)問題：一是包括幾個(gè)隱層？二是隱層中包括幾個(gè)節(jié)點(diǎn)。一般來說一個(gè)隱層的BP神經(jīng)網(wǎng)絡(luò)就能很好的學(xué)習(xí)和測試，就筆者看到的文獻(xiàn)而言，也主要是一個(gè)隱層。關(guān)于隱層中節(jié)點(diǎn)的個(gè)數(shù)，沒有具體的規(guī)則，只能根據(jù)結(jié)果調(diào)整，這就對研究者使用MATLAB進(jìn)行BP神經(jīng)網(wǎng)絡(luò)建模的經(jīng)驗(yàn)和技術(shù)提出了挑戰(zhàn)。

第6篇：神經(jīng)網(wǎng)絡(luò)常用算法范文

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò) BP算法改進(jìn) 脫機(jī)手寫漢字識(shí)別 誤差函數(shù)

中圖分類號：TP183 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號：1674-098X（2014）01（b）-0047-01

漢字識(shí)別有兩種，一種是印刷體漢字，因比較規(guī)范，容易識(shí)別；第二種是手寫漢字，分聯(lián)機(jī)手寫和脫機(jī)手寫兩類，前者準(zhǔn)確率較高，后者則偏低，是當(dāng)前的研究重點(diǎn)。作為模式識(shí)別的重要組成部分，漢字識(shí)別技術(shù)應(yīng)用廣泛，但由于涉及圖像處理、人工智能、計(jì)算機(jī)、數(shù)字信號處理等多種技術(shù)，加上漢字的復(fù)雜繁多，使得漢字識(shí)別存在著很大困難，如尤其是相似字，使得識(shí)別更為困難，如“裸”和“”、“壺”和“”、“禪”和“”等，極易出現(xiàn)錯(cuò)誤。

1 神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)

1.1 神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)是在現(xiàn)代神經(jīng)科研成果的基礎(chǔ)上提出并發(fā)展起來的，通過對生物大腦神經(jīng)的模擬建立的一種信息處理系統(tǒng)，由許多簡單元件連接構(gòu)成，具有非線性和容錯(cuò)性，從能力特征來講，具有自適應(yīng)和自組織性。其優(yōu)勢主要體現(xiàn)在：能夠模仿人腦進(jìn)行聯(lián)想記憶；對存儲(chǔ)的信息進(jìn)行分類識(shí)別；能夠自動(dòng)總結(jié)歸納經(jīng)驗(yàn)。在長期的實(shí)踐發(fā)展中，神經(jīng)網(wǎng)絡(luò)技術(shù)不斷完善，在語音處理、機(jī)器人研究、模式識(shí)別等諸多領(lǐng)域都有廣泛應(yīng)用。

1.2 BP神經(jīng)網(wǎng)絡(luò)

用于文字識(shí)別的神經(jīng)網(wǎng)絡(luò)模型有很多，BP神經(jīng)網(wǎng)絡(luò)是其中較為常用的一種，該網(wǎng)絡(luò)模型是以BP算法（即反向傳播算法）為基礎(chǔ)的，除了函數(shù)逼近功能，還具有良好的機(jī)器學(xué)習(xí)能力。

BP神經(jīng)網(wǎng)絡(luò)屬于多層前向網(wǎng)絡(luò)，能夠進(jìn)行反向傳遞、修正誤差，通過結(jié)構(gòu)和權(quán)值將頗為復(fù)雜的非線性映射關(guān)系表達(dá)出來。多由輸入層、輸出層以及隱含層組成，每層都有若干神經(jīng)元，前向網(wǎng)絡(luò)是指其計(jì)算過程呈單向型，即由輸入層到中間層，再到輸出層。

BP算法有兩個(gè)階段，一是正向傳播，二是反向傳播，在第一個(gè)階段，將信號輸進(jìn)系統(tǒng)的輸入層，由其內(nèi)部神經(jīng)元進(jìn)行處理，主要是加權(quán)求和、激勵(lì)函數(shù)等，而后傳遞到中間層（即隱含層），在經(jīng)過內(nèi)部逐層處理，傳到輸出層，將實(shí)際的輸出值和預(yù)期值相比，若超過了規(guī)定的誤差范圍，就開始反向傳播，把誤差值從輸出層輸入，向中間層和輸入層傳遞，求得每層內(nèi)各單元的誤差，將相應(yīng)的權(quán)值進(jìn)行修改，經(jīng)不斷的調(diào)整，直至誤差值符合要求。

2 BP網(wǎng)絡(luò)神經(jīng)在小字符集漢字識(shí)別中的實(shí)際應(yīng)用

2.1 缺陷

（1）站在數(shù)學(xué)的角度看，BP網(wǎng)絡(luò)神經(jīng)所使用的梯度下降法屬于非線性優(yōu)化算法的一種，以至于局部極小值大的問題很難得到解決，在實(shí)際計(jì)算中，BP算法能夠?qū)⒕W(wǎng)絡(luò)權(quán)值進(jìn)行收斂，但收斂值為局部極小解的可能性較大，是否是全局的最小解則沒有可靠的保證。若解決的問題比較復(fù)雜，很容易致使誤差函數(shù)陷入局部的極小區(qū)域。

（3）中間層的結(jié)點(diǎn)

在確定訓(xùn)練集之后，輸入層和輸出層的結(jié)點(diǎn)數(shù)目也相應(yīng)的確定下來，然而中間層及選取層內(nèi)結(jié)點(diǎn)時(shí)，缺乏足夠的理論作指導(dǎo)，中間層的結(jié)點(diǎn)數(shù)直接影響著網(wǎng)絡(luò)的學(xué)習(xí)效率和復(fù)雜程度，因此，在選取中間層變得結(jié)點(diǎn)時(shí)，也應(yīng)做一定的改進(jìn)，積極建立相關(guān)的指導(dǎo)理論。

3 結(jié)語

針對脫機(jī)手寫漢字識(shí)別技術(shù)存在的難度，可運(yùn)用BP神經(jīng)網(wǎng)絡(luò)技術(shù)，而實(shí)際應(yīng)用中，收斂速度過慢以及局部最小點(diǎn)問題對BP神經(jīng)網(wǎng)絡(luò)技術(shù)影響較大，為此，需從初始權(quán)值的選取、激勵(lì)函數(shù)、誤差函數(shù)等方面對其算法加以改進(jìn)，以達(dá)到提升脫機(jī)手寫漢字識(shí)別速度和精確度的目的。

參考文獻(xiàn)

第7篇：神經(jīng)網(wǎng)絡(luò)常用算法范文

關(guān)鍵詞：脫機(jī)手寫藏文識(shí)別；GABP神經(jīng)網(wǎng)絡(luò)；特征提取

中圖分類號：TP317.2 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號：16727800（2013）009007902

基金項(xiàng)目：青海省普通高等學(xué)校研究生創(chuàng)新項(xiàng)目

作者簡介：梁會(huì)方（1987-），女，青海師范大學(xué)計(jì)算機(jī)學(xué)院碩士研究生，研究方向?yàn)椴匚男畔⑻幚怼?/p>

0引言

模式識(shí)別在各個(gè)領(lǐng)域中的應(yīng)用非常多，從這些應(yīng)用中可以看到它們的共性，即一個(gè)模式識(shí)別系統(tǒng)通常包括原始數(shù)據(jù)的獲取和預(yù)處理、特征提取與選擇、分類或聚類、后處理4個(gè)主要部分。其中藏文識(shí)別需要解決的關(guān)鍵問題是模式分類，其理論基礎(chǔ)是模式識(shí)別技術(shù)，其中最常用的方法是統(tǒng)計(jì)模式識(shí)別方法和結(jié)構(gòu)模式識(shí)別方法。近年來也有很多人將隱馬爾科夫模型用于手寫識(shí)別領(lǐng)域，取得了良好的效果。本文主要介紹統(tǒng)計(jì)模式識(shí)別、結(jié)構(gòu)模式識(shí)別以及使用較多的隱馬爾科夫模型和人工神經(jīng)網(wǎng)絡(luò)模型。

1模式識(shí)別

1.1統(tǒng)計(jì)模式識(shí)別

統(tǒng)計(jì)模式識(shí)別是依據(jù)統(tǒng)計(jì)的原理來建立分類器，其分類器設(shè)計(jì)方法主要有貝葉斯決策理論和判別函數(shù)。貝葉斯決策理論基本思想為：在類條件概率密度和先驗(yàn)概率已知或者可以估計(jì)的條件下，利用貝葉斯公式比較樣本屬于兩類的后驗(yàn)概率，然后將類別決策為后驗(yàn)概率大的一類，從而使總體錯(cuò)誤率最小。常見的一種貝葉斯決策為最小錯(cuò)誤率貝葉斯決策[1]，其決策規(guī)律如下：

如果P（w＼-1|x）>P（w＼-2|x），則x∈w＼-1；反之，則x∈w＼-2。

通過貝葉斯公式 ，后驗(yàn)概率的比較可以轉(zhuǎn)化為類條件概率密度的比較，離散情況下也是類條件概率的比較，而這種條件概率或條件密度則反映了在各類模型下觀察到當(dāng)前樣本的可能性或似然度，因此可以定義兩類之間的似然比或?qū)?shù)似然比進(jìn)行決策。

該方法的主要優(yōu)點(diǎn)是抗干擾能力強(qiáng)，且易于實(shí)現(xiàn)，但是應(yīng)用中的主要缺點(diǎn)是細(xì)分能力較弱，區(qū)分相似字的能力較差。

1.2結(jié)構(gòu)模式識(shí)別

藏文文字結(jié)構(gòu)復(fù)雜，但同時(shí)具有相當(dāng)?shù)囊?guī)律性，這種文字都含有豐富的結(jié)構(gòu)信息，因此可以獲取這些組字的規(guī)律以及藏文字符信息的結(jié)構(gòu)特征作為識(shí)別的依據(jù)。結(jié)構(gòu)模式識(shí)別[2]的主要思想就是文字圖像劃分為很多基本組合，然后利用一些相似性度量準(zhǔn)則確定出這些組合之間的關(guān)系，以及這些字符圖像模式和一些典型模式之間利用一些相似性度量準(zhǔn)則確定的相似程度。

1.3隱馬爾科夫模型

HMM模型[3]是將特征值和一個(gè)狀態(tài)轉(zhuǎn)移模型聯(lián)系起來，它是一個(gè)雙重隨機(jī)過程，其中狀態(tài)轉(zhuǎn)移過程是不可觀察即隱藏的馬爾科夫模型，而可觀察事件的隨機(jī)過程是隱藏狀態(tài)轉(zhuǎn)換過程的隨機(jī)函數(shù)。HMM有3個(gè)基本問題及常用算法：①評估問題：前后向遞推算法；②解碼問題：Viterbi算法；③學(xué)習(xí)問題：BaumWelch算法。

HMM模型可以用一種特定的神經(jīng)網(wǎng)絡(luò)模型來模擬[4]，該模型收斂性較差，易陷入局部極值。

1.4人工神經(jīng)網(wǎng)絡(luò)模型

神經(jīng)系統(tǒng)是由大量神經(jīng)細(xì)胞構(gòu)成的復(fù)雜網(wǎng)絡(luò)，是一個(gè)由大量簡單的處理單元組成的高度復(fù)雜的大規(guī)模非線性自適應(yīng)系統(tǒng)。神經(jīng)網(wǎng)絡(luò)是一個(gè)高度并行的分布處理結(jié)構(gòu)，它是非線性的，具有自組織和自學(xué)習(xí)的能力。神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)的模式識(shí)別不同，能夠直接輸入數(shù)據(jù)并進(jìn)行學(xué)習(xí)，用樣本訓(xùn)練網(wǎng)絡(luò)并實(shí)現(xiàn)識(shí)別。它是非參數(shù)的識(shí)別方法，不需要傳統(tǒng)方法中的建模、參數(shù)估計(jì)以及參數(shù)校驗(yàn)、重新建模等復(fù)雜過程。

在字符識(shí)別領(lǐng)域常用的網(wǎng)絡(luò)模型有：BP網(wǎng)絡(luò)、RBF網(wǎng)絡(luò)、自組織網(wǎng)絡(luò)、Hopfield網(wǎng)絡(luò)、SVM網(wǎng)絡(luò)等。

BP網(wǎng)絡(luò)是一種多層前饋網(wǎng)絡(luò)[5]，是一種依靠反饋值來不斷調(diào)整節(jié)點(diǎn)之間的連接權(quán)值而構(gòu)建的一種網(wǎng)絡(luò)模型。它由輸入層、隱藏層、輸出層相互連接構(gòu)成，其結(jié)構(gòu)如圖1所示。

網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練過程由信號的正向傳播與誤差的反向傳播組成，其中正向傳播是把輸入樣本從輸入層輸入，經(jīng)各隱層處理后傳向輸出層，若輸出層的實(shí)際輸出和期望輸出不符，則轉(zhuǎn)入誤差的反向傳播階段。誤差反傳是將輸出誤差以某種形式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，從而獲得各層單元的誤差信號，此誤差信號即作為修正各單元權(quán)值的依據(jù)。各層權(quán)值調(diào)整過程是周而復(fù)始地進(jìn)行，直到網(wǎng)絡(luò)輸出的誤差減少到可以接受的程度。

2遺傳算法改進(jìn)的BP網(wǎng)絡(luò)

藏文字符識(shí)別是中國多文種信息處理系統(tǒng)的重要組成部分，脫機(jī)手寫藏文識(shí)別在很多領(lǐng)域有廣闊的使用前景。在現(xiàn)有漢字以及數(shù)字識(shí)別方法的基礎(chǔ)上，提出了很多預(yù)處理和模式識(shí)別的方法，大大提高了手寫藏文的識(shí)別精度。為了提高脫機(jī)手寫藏文識(shí)別精度，本文將GABP神經(jīng)網(wǎng)絡(luò)應(yīng)用于脫機(jī)手寫藏文識(shí)別分析中，識(shí)別過程分為兩步：訓(xùn)練階段、識(shí)別階段。在訓(xùn)練階段，提取訓(xùn)練樣本集的特征，建立網(wǎng)絡(luò)模型，以輸入為目標(biāo)，保存網(wǎng)絡(luò)的連接權(quán)值和閾值以及字符特征；在識(shí)別階段，將待識(shí)別的藏文特征送入網(wǎng)絡(luò)運(yùn)行，待網(wǎng)絡(luò)運(yùn)行到平衡狀態(tài)，將輸出結(jié)果與數(shù)字特征庫的值進(jìn)行比較，識(shí)別出藏文字符。

BP網(wǎng)絡(luò)是目前應(yīng)用最多的神經(jīng)網(wǎng)絡(luò)，這主要是因?yàn)锽P算法[6]有較強(qiáng)的非線性映射能力、泛化能力以及容錯(cuò)能力。但是它本身存在大量的問題，突出表現(xiàn)在：BP算法的學(xué)習(xí)速度很慢，需要較長的訓(xùn)練時(shí)間；網(wǎng)絡(luò)訓(xùn)練失敗的可能性較大，易陷入局部極小點(diǎn)，逼近局部極小值[5]。為了改善這些缺點(diǎn)，通常會(huì)改變隱層數(shù)量，隱藏層一般根據(jù)具體情況制定，但是增加隱藏層的層數(shù)和隱藏層神經(jīng)元個(gè)數(shù)不一定總能夠提高網(wǎng)絡(luò)精度和表達(dá)能力。而遺傳算法的基本作用對象是多個(gè)可行解的集合，而非單個(gè)可行解。它同時(shí)處理多個(gè)個(gè)體，同時(shí)對搜索空間中的多個(gè)解進(jìn)行評估，使得遺傳算法具有較好的全局搜索性能，減少了陷于局部最優(yōu)解的可能性，同時(shí)，它本身具有良好的并行性。所以用遺傳算法學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的權(quán)重及拓?fù)浣Y(jié)構(gòu)[6]，對神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)，提高了神經(jīng)網(wǎng)絡(luò)的精度，同時(shí)也提高了遺傳算法的局部搜索能力。在模式分類應(yīng)用中進(jìn)行數(shù)據(jù)預(yù)處理，利用遺傳算法進(jìn)行特征提取，其后用神經(jīng)網(wǎng)絡(luò)進(jìn)行分類。GABP混合學(xué)習(xí)算法結(jié)構(gòu)如圖2所示，采用GA優(yōu)化BP網(wǎng)絡(luò)權(quán)值。

①BP網(wǎng)絡(luò)參數(shù)初始化；

②按BP網(wǎng)絡(luò)的權(quán)值和閾值連接隨機(jī)產(chǎn)生染色體；

③計(jì)算染色體的適應(yīng)值以及迭代次數(shù)，如果達(dá)到要求，則結(jié)束GA算法，產(chǎn)生最佳個(gè)體，如果沒有達(dá)到，進(jìn)行下一步；

④按適應(yīng)度進(jìn)行選擇、交叉和變異操作，產(chǎn)生新的染色體，重復(fù)上一步；

⑤將產(chǎn)生的最好個(gè)體依次映射到BP網(wǎng)絡(luò)中對應(yīng)的權(quán)值和閾值，并將此作為BP網(wǎng)絡(luò)的初始值；

⑥利用BP網(wǎng)絡(luò)，判斷誤差是否達(dá)到預(yù)定要求，達(dá)到就結(jié)束，如果沒有，則BP網(wǎng)絡(luò)反向傳播，返回上一步。

3結(jié)語

本文分析了文字識(shí)別的常用方法及其優(yōu)缺點(diǎn)，著重分析了手寫藏文識(shí)別征提取和分類器設(shè)計(jì)兩個(gè)關(guān)鍵技術(shù)，并對藏文識(shí)別研究領(lǐng)域今后的研究方向和發(fā)展前景提出了一些看法。在原BP網(wǎng)絡(luò)的基礎(chǔ)上改進(jìn)GABP神經(jīng)網(wǎng)絡(luò)，可以提高其學(xué)習(xí)速度，加快收斂速度，相比而言識(shí)別精度較高、訓(xùn)練時(shí)間較短，且具有較強(qiáng)的魯棒性。由于神經(jīng)網(wǎng)絡(luò)和遺傳算法已經(jīng)發(fā)展得比較成熟，將兩者結(jié)合的方法用于藏文識(shí)別，具有很大的實(shí)用價(jià)值，同時(shí)將GABP神經(jīng)網(wǎng)絡(luò)用于藏文識(shí)別，有助于神經(jīng)網(wǎng)絡(luò)用于藏文識(shí)別的可能性和有效性。

參考文獻(xiàn)：

[1]張學(xué)工.模式識(shí)別[M].北京：清華大學(xué)出版社，2010.

[2]吳剛，德熙嘉措，黃鶴鳴.印刷體藏文識(shí)別技術(shù)[C].第十屆全國少數(shù)民族語言文字信息處理學(xué)術(shù)研討會(huì)論文集，2005.

[3]劉衛(wèi)，李和成.基于局部保持投影與隱馬爾可夫模型的維文字符識(shí)別[J].計(jì)算機(jī)應(yīng)用，2012，32（8）.

[4]梁弼，王維蘭，錢建軍.基于HMM的分類器在聯(lián)機(jī)手寫藏文識(shí)別中的應(yīng)用[J].微電子學(xué)與計(jì)算機(jī)，2009，26（4）.

第8篇：神經(jīng)網(wǎng)絡(luò)常用算法范文

為了提高光伏發(fā)電預(yù)測的精度，在傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的基礎(chǔ)上，利用相似日算法和馬爾科夫鏈理論對預(yù)測模型進(jìn)行改進(jìn)。其方法以得到的相似日數(shù)據(jù)作為預(yù)測模型的輸入量，通過BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到初步的預(yù)測值，然后根據(jù)馬爾科夫鏈模型得到的誤差狀態(tài)轉(zhuǎn)移概率矩陣對預(yù)測誤差進(jìn)行修正，根據(jù)修正后的誤差得到新的預(yù)測值。最后通過與傳統(tǒng)算法得到的預(yù)測結(jié)果進(jìn)行誤差對比分析，結(jié)果表明，改進(jìn)算法的預(yù)測精度高于傳統(tǒng)算法，驗(yàn)證了該模型的有效性。

關(guān)鍵詞:

光伏發(fā)電;相似日算法;BP神經(jīng)網(wǎng)絡(luò);馬爾科夫鏈

隨著能源和環(huán)境問題的日益突顯，光伏太陽能作為一種重要的清潔可再生能源發(fā)電形式，越來越受到世界各國的關(guān)注［1-2］。由于受到環(huán)境和氣象因素的影響，光伏發(fā)電功率具有一定的波動(dòng)性和隨機(jī)性，因此，影響電力系統(tǒng)的安全、穩(wěn)定運(yùn)行。對光伏發(fā)電系統(tǒng)發(fā)電量進(jìn)行預(yù)測研究，可以預(yù)先得到發(fā)電量曲線，協(xié)調(diào)調(diào)度部門安排常規(guī)機(jī)組出力，并可以根據(jù)預(yù)測結(jié)果進(jìn)行光伏出力平滑控制，從而減小大規(guī)模光伏系統(tǒng)的接入對電網(wǎng)造成的影響［3-5］。光伏發(fā)電量預(yù)測分為直接預(yù)測和間接預(yù)測兩種［6-7］。目前多采用歷史氣象和發(fā)電數(shù)據(jù)進(jìn)行預(yù)測的直接法(統(tǒng)計(jì)法)，其中基于神經(jīng)網(wǎng)絡(luò)的光伏預(yù)測方法研究較為普遍［8-9］。其中文獻(xiàn)［8］提出了一種結(jié)合歷史數(shù)據(jù)和天氣預(yù)報(bào)信息的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型。文獻(xiàn)［9］對不同的天氣狀況做出了劃分，利用不同的天氣狀況子模型進(jìn)行預(yù)測。由于相同的天氣類型條件下光伏發(fā)電功率有著很好的相似性，文獻(xiàn)［10］提出了相似日的選取方法。在傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，采用相似日算法篩選出與預(yù)測日特征更為相似的歷史數(shù)據(jù)作為模型輸入，提高了預(yù)測結(jié)果的精度。考慮到光伏發(fā)電受到環(huán)境因素的影響會(huì)產(chǎn)生較大波動(dòng)，為了進(jìn)一步減小預(yù)測誤差，在文獻(xiàn)［10］的基礎(chǔ)上，本文提出一種基于馬爾科夫鏈修正的預(yù)測模型，利用本模型適應(yīng)性強(qiáng)的特點(diǎn)，通過其狀態(tài)轉(zhuǎn)移概率矩陣對基于相似日算法的BP神經(jīng)網(wǎng)絡(luò)的誤差修正，得到新的預(yù)測值，從而提高預(yù)測的準(zhǔn)確性。

1相似日算法

1．1不同日類型的光伏出力影響光伏發(fā)電的因素有很多，其中最主要的是太陽輻照度和溫度。太陽輻照度越大，光伏發(fā)電功率也越大。溫度對光伏發(fā)電的影響體現(xiàn)在隨著溫度的變化太陽能電池的性能也跟著變化，從而影響光伏發(fā)電功率的變化。日類型可以分為晴天、多云、雨天三類。同一季節(jié)的不同日類型某光伏電站的發(fā)電量如圖1～3所示。從圖1～3可以看出，不同的天氣類型對光伏電站效率有很大影響。

1．2相似度計(jì)算日相似度是指兩日中各個(gè)氣象因素的相似程度。其中氣象差異主要體現(xiàn)在太陽輻照度、最高溫度、平均溫度、最低溫度、降雨量等氣象因素。在日相似度高的兩天光伏電站的輸出功率曲線有很好的相似性［11］。因此，根據(jù)相似日的歷史氣象和發(fā)電數(shù)據(jù)，通過BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型可以比傳統(tǒng)的方法更好預(yù)測出待預(yù)測日的光伏功率輸出。由于氣象部門提供的信息中缺乏太陽輻照強(qiáng)度，可以采用天氣類型反映太陽輻照度，并根據(jù)Chen提出的方法對天氣類型進(jìn)行分級量化［12］。通過分析選取太陽輻照度(天氣類型量化值)、最高溫度、最低溫度作為光伏陣列輸出功率的主要?dú)庀笠蛩亍Ｈ缓笸ㄟ^灰色關(guān)聯(lián)分析法利用氣象因素構(gòu)成日特征向量計(jì)算相似度因子，選取相似度高的歷史日作為BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的輸入樣本。

2基于相似日算法的BP神經(jīng)網(wǎng)絡(luò)

2．1BP神經(jīng)網(wǎng)絡(luò)BP神經(jīng)網(wǎng)絡(luò)是一種單向傳播的多層前向網(wǎng)絡(luò)，由于其具有很強(qiáng)的非線性映射能力、自適應(yīng)能力和實(shí)用性而被廣泛應(yīng)用。BP神經(jīng)網(wǎng)絡(luò)包含輸入、隱含和輸出三層網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。網(wǎng)絡(luò)的上、下層之間是全連接，而各層的神經(jīng)元之間彼此沒有連接。wij是輸入層與隱含層節(jié)點(diǎn)與節(jié)點(diǎn)間連接的權(quán)值，wjk是隱含層和輸出層神經(jīng)元節(jié)點(diǎn)與節(jié)點(diǎn)間連接的權(quán)值，隱含層和輸出層的輸入分別為輸入層和隱含層節(jié)點(diǎn)的輸出的加權(quán)和。一般選取常用的S型函數(shù)作為傳遞函數(shù)來限制各個(gè)節(jié)點(diǎn)的輸出。若采用某一固定樣本的輸入XP和輸出dPk對網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

2．2基于相似日的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型文獻(xiàn)［8］所采用的BP神經(jīng)網(wǎng)絡(luò)模型的輸入量采用的是預(yù)測日前一天的發(fā)電數(shù)據(jù)，本文在相似日算法基礎(chǔ)上，使用相似日數(shù)據(jù)和預(yù)測日氣象特征量作為輸入層節(jié)點(diǎn)的輸入量從而提高訓(xùn)練的效果。輸入層節(jié)點(diǎn)對應(yīng)輸入變量，選取相似日6:00到19:00的14個(gè)時(shí)間序列的發(fā)電量，以及相似日和預(yù)測日的氣溫和日類型共18個(gè)量。

3馬爾科夫鏈誤差修正模型

3．1馬爾科夫模型馬爾科夫鏈預(yù)測是通過初始狀態(tài)概率向量和狀態(tài)概率轉(zhuǎn)移矩陣預(yù)測變量在將來某時(shí)刻所處狀態(tài)的預(yù)測方法，馬爾科夫過程是其理論基礎(chǔ)。馬爾科夫過程是隨機(jī)時(shí)間序列動(dòng)態(tài)變化的一個(gè)過程。

3．2基于馬爾科夫鏈修正的預(yù)測算法流程通過相似日算法選取的相似日作為BP神經(jīng)網(wǎng)絡(luò)的輸入量，從而優(yōu)化了傳統(tǒng)BP神經(jīng)模型訓(xùn)練樣本，然后通過神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到基于相似日的BP神經(jīng)網(wǎng)絡(luò)預(yù)測值。根據(jù)此預(yù)測值利用馬爾科夫鏈模型對預(yù)測誤差進(jìn)行修正，通過狀態(tài)轉(zhuǎn)移矩陣得到修正誤差，然后利用修正誤差得到修正后的光伏發(fā)電預(yù)測量。改進(jìn)預(yù)測模型算法流程如圖6所示。

4實(shí)例分析

根據(jù)上述改進(jìn)預(yù)測模型，以某地光伏發(fā)電站的歷史氣象數(shù)據(jù)和發(fā)電數(shù)據(jù)進(jìn)行仿真計(jì)算。為了驗(yàn)證算法的可行性，以2013年7月11日的預(yù)測數(shù)據(jù)和實(shí)際數(shù)據(jù)為例分析。采用傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)，基于相似日算法的BP神經(jīng)網(wǎng)絡(luò)和本文改進(jìn)模型的實(shí)測和相對誤差結(jié)果對比如表1和圖7所示。

5結(jié)論

第9篇：神經(jīng)網(wǎng)絡(luò)常用算法范文

關(guān)鍵詞：RBF神經(jīng)網(wǎng)絡(luò)；數(shù)據(jù)挖掘；遺傳算法

中圖分類號：TP18 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號：1009-3044（2016）07-0151-03

Research on Data Mining Method Based on RBF Neural Network

CAO Jia-jie， YANG Meng， XU Xin-yu

（Beijing Satellite Manufacturing Plant， Beijing 100000， China）

Abstract： The rapid development of Internet technology and database technology is widely used at the same time， human through information technology to collect data is more and more strong， and how to from a lot of data mining valuable information and knowledge has become particularly urgent. In order to solve the above problems， data mining technology arises at the historic moment. It is found that the data mining the data for the nonlinear， messy and the presence of noise data， neural network is by virtue of the degree of fault tolerance， distributed storage， parallel processing， adaptive and robust feature is widely used to deal with some of the data mining problems. Accordingly， in this case， the author first introduces the data mining and RBF neural network of the relevant theoretical knowledge， and then focus on the RBF neural network based on the data mining method for peer reference.

Key words： RBF neural network； data mining； genetic algorithm

數(shù)據(jù)挖掘是從大量數(shù)據(jù)中挖掘有價(jià)值的信息和知識(shí)，以便為管理決策和戰(zhàn)略部署提供數(shù)據(jù)支撐。數(shù)據(jù)挖掘作為信息技術(shù)發(fā)展的結(jié)果，其應(yīng)用前景相當(dāng)廣泛。數(shù)據(jù)庫技術(shù)主要研究數(shù)據(jù)的組織、存儲(chǔ)、獲取和處理，而信息技術(shù)主要經(jīng)歷以下發(fā)展歷程：數(shù)據(jù)的簡單收集和數(shù)據(jù)庫的初期建設(shè)數(shù)據(jù)的存儲(chǔ)與檢索、數(shù)據(jù)庫的事務(wù)處理數(shù)據(jù)的分析與理解，此時(shí)便出現(xiàn)數(shù)據(jù)挖掘技術(shù)。基于上述研究背景，下文首先分別介紹數(shù)據(jù)挖掘與RBF神經(jīng)網(wǎng)絡(luò)的相關(guān)理論知識(shí)，并在此基礎(chǔ)上，討論基于RBF神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)挖掘方法，目的是為了研究數(shù)據(jù)挖掘所用到的分類算法。關(guān)于神經(jīng)網(wǎng)絡(luò)，作為一種人工智能技術(shù)，其一方面可以省去繁瑣的數(shù)學(xué)建模和數(shù)學(xué)推理，另一方面在處理含噪聲的非線性數(shù)據(jù)時(shí)表現(xiàn)出無與倫比的優(yōu)越性。

1 數(shù)據(jù)挖掘

數(shù)據(jù)挖掘是非平凡的數(shù)據(jù)處理過程，即識(shí)別數(shù)據(jù)集中具有潛在價(jià)值、新穎有效且最終可被理解的模式，其中潛在價(jià)值指的是挖掘出的知識(shí)具有實(shí)際效用；新穎是指識(shí)別出的模式新穎；有效是指識(shí)別出的模式在一定程度上是正確的；最終可被理解是指識(shí)別出的數(shù)據(jù)可被用戶理解。圖1所示為數(shù)據(jù)挖掘的工作流程。

如圖1所示，數(shù)據(jù)挖掘主要經(jīng)歷數(shù)據(jù)準(zhǔn)備、模式提取、結(jié)果解釋與評估等階段，其中數(shù)據(jù)準(zhǔn)備的步驟為：數(shù)據(jù)清洗數(shù)據(jù)選取數(shù)據(jù)預(yù)處理數(shù)據(jù)表示；數(shù)據(jù)提取階段又稱數(shù)據(jù)挖掘階段，其實(shí)現(xiàn)步驟為：確定數(shù)據(jù)挖掘的目標(biāo)或任務(wù)選取適宜的數(shù)據(jù)挖掘工具或算法進(jìn)行數(shù)據(jù)挖掘操作；結(jié)果解釋與評估階段主要對所識(shí)別的數(shù)據(jù)進(jìn)行評估、篩除。一般來講，數(shù)據(jù)挖掘質(zhì)量主要與以下影響因素有關(guān)：數(shù)據(jù)挖掘技術(shù)的可靠性與有效性；目標(biāo)數(shù)據(jù)的數(shù)量與質(zhì)量。總之，數(shù)據(jù)挖掘是一個(gè)反復(fù)反饋的過程，而可視化貫穿在數(shù)據(jù)挖掘的全過程。

數(shù)據(jù)挖掘的方法一般分為統(tǒng)計(jì)型、機(jī)械學(xué)習(xí)型兩大類，而較為常用的算法包括遺傳算法、神經(jīng)網(wǎng)絡(luò)等。遺傳算法是一種以生物進(jìn)化理論為基礎(chǔ)的優(yōu)化空間搜尋法，其在數(shù)據(jù)挖掘中，通常以搜索問題的形式來表述具體的任務(wù)，并通過選擇、交叉、變異遺傳等操作尋得最優(yōu)解。神經(jīng)網(wǎng)絡(luò)是一種與人類大腦重復(fù)學(xué)習(xí)類似的方法，即通過學(xué)習(xí)和訓(xùn)練一些事先給出的樣本，產(chǎn)生與樣品有所區(qū)別的特征和模式，其中樣本集應(yīng)具有代表性。研究表明，神經(jīng)網(wǎng)絡(luò)具有準(zhǔn)確預(yù)測復(fù)雜的問題、有效處理存在噪聲的數(shù)據(jù)等優(yōu)點(diǎn)。神經(jīng)網(wǎng)絡(luò)一般分為自組織、反饋式和前饋式神經(jīng)網(wǎng)絡(luò)，目前正被廣泛應(yīng)用于商業(yè)領(lǐng)域。

2 RBF神經(jīng)網(wǎng)絡(luò)

RBF網(wǎng)絡(luò)結(jié)構(gòu)是一種由輸入層、隱含層和輸出層組成的三層前向網(wǎng)絡(luò)，其中輸入層包含信號源結(jié)點(diǎn)；隱含層主要由節(jié)點(diǎn)數(shù)目描述的具體問題而定；輸出層主要響應(yīng)輸入模式的具體作用。圖2所示為RBF神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)模型。

如圖2所示，RBF網(wǎng)絡(luò)由輸入層向隱含層變換的過程具有非線性的特征，而由隱含層向輸入層變化的過程具有線性的特征。據(jù)此可知，RBF神經(jīng)網(wǎng)絡(luò)是一種基于前饋網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)。研究發(fā)現(xiàn)，RBF神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)會(huì)對自身的性能產(chǎn)生影響，而以下因素又會(huì)對RBF網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)產(chǎn)生影響：RBF的隱節(jié)點(diǎn)數(shù)目、中心矢量、徑向基函數(shù)寬度和隱含層與輸出層的權(quán)值矩陣。

RBF網(wǎng)絡(luò)具有較強(qiáng)的非線性逼近性能。得益于此，其目前主要用來實(shí)現(xiàn)非線性系統(tǒng)的建模與數(shù)據(jù)挖掘、貝葉斯規(guī)則和連續(xù)輸入/出數(shù)據(jù)對的映射建模。與其他前向神經(jīng)網(wǎng)絡(luò)相比，RBF神經(jīng)網(wǎng)絡(luò)具有以下優(yōu)點(diǎn)：

1）RBF神經(jīng)網(wǎng)絡(luò)能逼近任意非線性映射，也能處理系統(tǒng)內(nèi)部的規(guī)律性問題。就無噪聲數(shù)據(jù)而言，RBF神經(jīng)網(wǎng)絡(luò)模型的預(yù)測精度高且擬合能力強(qiáng)；而就存在噪聲的數(shù)據(jù)來講，RBF神經(jīng)網(wǎng)絡(luò)模型的預(yù)測誤差和擬合誤差均偏低，且收斂速度相當(dāng)快。得益于此，RBF神經(jīng)網(wǎng)絡(luò)在時(shí)序建模和分析中的應(yīng)用十分廣泛。

2）RBF神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)加快了學(xué)習(xí)速度和規(guī)避了局部極小的問題。RBF神經(jīng)網(wǎng)絡(luò)采用核函數(shù)，特別是高斯函數(shù)的使用使得核函數(shù)的優(yōu)點(diǎn)更為突出：表示簡單、光滑性好和解釋性好等。

3）RBF神經(jīng)網(wǎng)絡(luò)的可解釋性好。目前，以下理論均可用于RBF網(wǎng)絡(luò)參數(shù)和拓?fù)浣Y(jié)構(gòu)的解釋中：RBF網(wǎng)絡(luò)能夠?qū)斎雽愚D(zhuǎn)向輸出層進(jìn)行映射；核回歸能夠逼近存在噪聲的函數(shù)噪聲數(shù)據(jù)插值能夠逼近輸入缺少函數(shù)；規(guī)則化可以通過在一般化與精確匹配中尋求平衡；貝葉斯規(guī)則可以根據(jù)前概率計(jì)算出后概率。

3 基于RBF神經(jīng)網(wǎng)絡(luò)的分類數(shù)據(jù)挖掘

關(guān)于RBF神經(jīng)網(wǎng)絡(luò)的研究，其主要表現(xiàn)在以下兩個(gè)方面： RBF網(wǎng)絡(luò)結(jié)構(gòu)模型； RBF神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法。

3.1 RBF網(wǎng)絡(luò)結(jié)構(gòu)模型

在實(shí)際應(yīng)用中，RBF模型的應(yīng)用范圍更廣，其核函數(shù)使用的是高斯函數(shù)。但研究發(fā)現(xiàn)，在上述結(jié)構(gòu)模型中，訓(xùn)練算法的優(yōu)劣會(huì)對模型的應(yīng)用效果和RBF網(wǎng)絡(luò)性能的高低產(chǎn)生決定作用。鑒于此，研究人員提出一些具有新特點(diǎn)和新性能的網(wǎng)絡(luò)模型，具體包括：

1）高斯型核函數(shù)一般化。當(dāng)隱含層RBF采用以下高斯條函數(shù)時(shí)，將大大改善RBFN的綜合性能：[Φ?x）=exp-（x-cj?T（x-cj）]/2σ2j]。對于普通高斯函數(shù)，其擁有半徑相同的變量軸和超球面狀的函數(shù)曲面。但與此相比，高斯條核函數(shù)擁有超橢球面狀的函數(shù)曲面和半徑不同的變量軸，因此它具有更強(qiáng)的樣本點(diǎn)逼近能力和更大的網(wǎng)絡(luò)訓(xùn)練工作量。

2）WNN（小波神經(jīng)網(wǎng)絡(luò)）。WNN是一種基于小波函數(shù)的函數(shù)連接型網(wǎng)絡(luò)，因此在一定程度上應(yīng)被看作RBFN的推廣形式。WNN的激活函數(shù)為小波函數(shù)，具體以仿射變換的方式創(chuàng)建網(wǎng)絡(luò)參數(shù)與小波變換之間的聯(lián)系，因此所表現(xiàn)出的特點(diǎn)與RBFN有所差異。此外，WNN具有極佳的時(shí)頻特征，因此被廣泛應(yīng)用于圖像處理和模式識(shí)別等領(lǐng)域。

3）RBPNN（徑向基概率神經(jīng)網(wǎng)絡(luò)）。RBPNN作為RBFNN與PNN綜合發(fā)展的結(jié)果，其學(xué)習(xí)收斂速度比RBFN更快，同時(shí)也將模式之間的交錯(cuò)影響考慮其中。關(guān)于RBPNN，其結(jié)構(gòu)主要由2個(gè)隱含層、1個(gè)輸入層、2個(gè)輸出層組成，其中第一個(gè)隱含層為非線處理層，具體包括隱中心矢量，此乃網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化的核心對象；在輸出層得出輸入樣本概率密度的估算值，可降低計(jì)算的復(fù)雜度。

4）GRNN（廣義回歸網(wǎng)絡(luò)）。GRNN使用的也是高斯型徑向基函數(shù)，一般被看作RBFN的變換形式。GRNN的結(jié)構(gòu)主要由模式層、輸入層、加和層、輸出層組成，其中核函數(shù)所包含的平滑因子需采用優(yōu)化或經(jīng)驗(yàn)方法來選定。

3.2 RBF神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法

在RBF網(wǎng)絡(luò)設(shè)計(jì)中，最為核心的問題是如何合理確定中心點(diǎn)的位置、數(shù)目和訓(xùn)練網(wǎng)絡(luò)權(quán)值。通常情況下，中心點(diǎn)的確定與權(quán)值的訓(xùn)練既可分開實(shí)現(xiàn)，又可同時(shí)進(jìn)行。鑒于此，RBF網(wǎng)絡(luò)可以采用以下兩類學(xué)習(xí)算法：

3.2.1 靜態(tài)學(xué)習(xí)算法

靜態(tài)學(xué)習(xí)算法是一種離線學(xué)習(xí)算法，即在離線設(shè)計(jì)RBF網(wǎng)絡(luò)時(shí)，中心點(diǎn)的確定與權(quán)值的訓(xùn)練分開進(jìn)行。

1）隨機(jī)確定RBF中心點(diǎn)，即隨機(jī)從訓(xùn)練數(shù)據(jù)集中選取RBF中心點(diǎn)。當(dāng)RBF選取以下高斯函數(shù)：[G（X-Cj2=exp（-m/d2maxX-Cj）j=1，2，...，m]，其中，[Cj]――RBF的中心點(diǎn)；[m]――中心數(shù)；[dmax]――相鄰中心點(diǎn)最大的間隔距離，因此高斯徑向基函數(shù)的寬度[σ=dmax/2m]。利用上述算法，可以避免RBF的形狀出現(xiàn)過平或過陡兩種極端現(xiàn)象。如此一來，便可通過計(jì)算線性方程組的方式來確定輸出層與隱含層的連接權(quán)值。

2）自組織學(xué)習(xí)確定RBF中心點(diǎn)。混合學(xué)習(xí)過程主要包括自組織學(xué)習(xí)階段、監(jiān)督學(xué)習(xí)階段，其中自組織學(xué)習(xí)階段的任務(wù)是采用聚類算法來估計(jì)隱含層RBF的中心點(diǎn)；監(jiān)督學(xué)習(xí)階段主要通過對輸出層線性權(quán)重進(jìn)行估計(jì)來設(shè)計(jì)網(wǎng)絡(luò)，具體采用最小二乘法。輸出層節(jié)點(diǎn)的LMS算法與隱含層節(jié)點(diǎn)的K-均值聚類同時(shí)進(jìn)行，以加速學(xué)習(xí)過程。

3）有監(jiān)督學(xué)習(xí)確定RBF中心點(diǎn)，即通過有監(jiān)督學(xué)習(xí)解得RBF的中心點(diǎn)和自有參數(shù)，具體使用牛頓法或梯度下降法等。如果使用梯度下降法，則應(yīng)從參數(shù)空間的某一有效區(qū)域開始進(jìn)行搜索，即先利用RBF網(wǎng)絡(luò)得到高斯分類算法，再以分類結(jié)果為搜索點(diǎn)，以免學(xué)習(xí)程收斂至局部極小。

3.2.2 動(dòng)態(tài)學(xué)習(xí)算法

動(dòng)態(tài)學(xué)習(xí)算法是一種在線學(xué)習(xí)算法，其主要在在線數(shù)據(jù)挖掘環(huán)境中使用。由于在在線數(shù)據(jù)挖掘環(huán)境中，通常不會(huì)全部給定訓(xùn)練樣本，因此如果隱含層中心點(diǎn)與單元數(shù)目的確定采用靜態(tài)學(xué)習(xí)算法，則解算結(jié)果不一定最優(yōu)，而在線學(xué)習(xí)算法支持動(dòng)態(tài)刪除或加入隱含層節(jié)點(diǎn)，且隱含層中心點(diǎn)的確定和權(quán)值的訓(xùn)練同時(shí)進(jìn)行，因此可以動(dòng)態(tài)構(gòu)造網(wǎng)絡(luò)。

1）以分組優(yōu)化策略為基礎(chǔ)的在線學(xué)習(xí)法。訓(xùn)練神經(jīng)網(wǎng)絡(luò)是約束優(yōu)化的過程，則需對特定的神經(jīng)網(wǎng)絡(luò)類型進(jìn)行深入探討。以下內(nèi)容為在線隱含層單元的確定策略：當(dāng)輸入的訓(xùn)練樣本同時(shí)滿足以下條件時(shí)，則為之分配相應(yīng)的隱含層但愿你：網(wǎng)絡(luò)輸出誤差比誤差的設(shè)定閥值大；輸入樣本與隱層中心點(diǎn)之間的距離比距離的設(shè)計(jì)閥值大。如果在RBF神經(jīng)網(wǎng)絡(luò)在線訓(xùn)練方式中引入分組優(yōu)化策略，則網(wǎng)絡(luò)輸出與網(wǎng)絡(luò)權(quán)值之間存在線性關(guān)系，同時(shí)與隱含層單元的寬度、中心點(diǎn)之間存在非線性關(guān)系，表明盡量采取不同的優(yōu)化方法來處理兩部分的參數(shù)。

2）最近鄰聚類算法。最近鄰居類算法作為動(dòng)態(tài)自適應(yīng)聚類學(xué)習(xí)算法，由其聚類得出的RBF網(wǎng)絡(luò)不僅最優(yōu)，且支持在線學(xué)習(xí)。最近鄰聚類算法的實(shí)現(xiàn)過程為：

① 設(shè)定高斯函數(shù)寬度為r，定義矢量A（l）存放輸出矢量的總和，定義計(jì)數(shù)器B（l）統(tǒng)計(jì)樣本數(shù)量，其中類別數(shù)目為l。

② 對于數(shù)據(jù)對[（x1，y1）]，于[x1]上創(chuàng)建1個(gè)聚類中心，并令[x1=c1]，[y1=A（1）]，[B（1）=1]，那么在RBF網(wǎng)絡(luò)中便僅存在1個(gè)中心為[c1]的隱含層單元，且隱含層單元與輸出層的權(quán)矢量[w1=A（1）/B（1）]。

③ 對于數(shù)據(jù)對[（x2，y2）]，解得[x2]與[c1]之間的距離[x2-c1]。假設(shè)[x2-c1≤r]，那么[x2]的最近鄰聚類為[c1]，假設(shè)[A（1）=y1+y2]，[B（1）=B（1）+1]，[w1=A（1）/B（1）]；假設(shè)[x2-c1>r]，那么以[x2]為新的聚類中心，同時(shí)假設(shè)[c2=x2]，[A（2）=y2]，[B（2）=1]。根據(jù)上述要求創(chuàng)建的RBF網(wǎng)絡(luò)，再在其中加入一個(gè)隱含層單元，其與輸出層之間的權(quán)矢量[w2=A（2）/B（2）]。

④ 假設(shè)第k個(gè)數(shù)據(jù)對[（xk，yk）（k=3，4，...，n）]的聚類中心數(shù)為M，相應(yīng)的中心點(diǎn)為[c1，c2，...，cm]，則由此創(chuàng)建的RBF網(wǎng)絡(luò)中便存在M個(gè)隱含層單元。據(jù)此，解得[xk]與M個(gè)聚類中心的間距為[xk-ci，i=1，2，...，M]，假設(shè)兩者的減小間距為[xk-ci]，那么[xk]的最近鄰聚類為[ci]。根據(jù)第一、二數(shù)據(jù)對的計(jì)算步驟，解得當(dāng)[xk-ci>r]時(shí)，第M個(gè)隱含層單元與輸出層之間的權(quán)矢量[wM=A（M）/B（M）]；當(dāng)[xk-ci≤r]時(shí)，隱含層單元與輸出層之間的權(quán)矢量[wi=A（i）/B（i），i=1，2，...，M]。研究發(fā)現(xiàn)，動(dòng)態(tài)自適應(yīng)RBF網(wǎng)絡(luò)的難易程度由r所決定，即聚類數(shù)目與r呈負(fù)相關(guān)，即r越小，聚類數(shù)目越多，則計(jì)算量越大和精度越高，反之亦然。總之，最近鄰聚類法具有性能優(yōu)點(diǎn)、計(jì)算量小河學(xué)習(xí)時(shí)間短等優(yōu)點(diǎn)，不僅可以通過確定隱含層來建立RBF神經(jīng)網(wǎng)絡(luò)，還可以在動(dòng)態(tài)輸入模式在線學(xué)習(xí)中得到有效應(yīng)用。

綜上，RBF網(wǎng)絡(luò)是一種具有最佳擬合和全局逼近性能的前向型神經(jīng)網(wǎng)絡(luò)，其無疑具有廣闊的應(yīng)用前景，但在實(shí)際應(yīng)用中，應(yīng)當(dāng)考慮到局部極小問題的存在，進(jìn)而保障其應(yīng)用效果。

參考文獻(xiàn)：

[1] 儲(chǔ)兵，吳陳，楊習(xí)貝，等.基于RBF神經(jīng)網(wǎng)絡(luò)與粗糙集的數(shù)據(jù)挖掘算法[J].計(jì)算機(jī)技術(shù)與發(fā)展，2013，23（7）：87-91.

[2] 宮曉曼，滕榮華.基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)挖掘在煤礦選煤中的應(yīng)用[J].煤炭技術(shù)，2013（9）：127-128.

[3] 魏文軒.改進(jìn)型RBF神經(jīng)網(wǎng)絡(luò)在股票市場預(yù)測中的應(yīng)用[J].統(tǒng)計(jì)與決策，2013（15）：70-72.

[4] 曹東方，王玉恒.數(shù)據(jù)挖掘在員工考評管理信息系統(tǒng)中的應(yīng)用[J].河北工業(yè)科技，2012，29（5）：323-326.

[5] 姚應(yīng)水，葉明全.RBF神經(jīng)網(wǎng)絡(luò)與logistic回歸模型的對比研究[J].中國衛(wèi)生統(tǒng)計(jì)，2011，28（4）：397-399.

[6] 張會(huì)敏，葉明全，羅永錢等.基于RBF神經(jīng)網(wǎng)絡(luò)的老年癡呆癥智能診斷研究[J].中國數(shù)字醫(yī)學(xué)，2015（6）：38-41.

[7] 習(xí)勤，米帥軍.指標(biāo)篩選技術(shù)在神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)挖掘模型中的應(yīng)用[J].統(tǒng)計(jì)與決策，2011（10）：163-165.

[8] 林濤，葛玉敏，安玳寧等.基于 RBF 神經(jīng)網(wǎng)絡(luò)的鋼構(gòu)件質(zhì)量追溯系統(tǒng)研究[J].計(jì)算技術(shù)與自動(dòng)化，2015（1）：20-24.