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網絡的基本概念主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：神經網絡的基本概念范文

關鍵詞：網格；資源調度；人工神經網絡；BP算法

中圖分類號：TP183

Grid resources schedule model based on the BP algorithm

ZHOU Fei-fei，HU Yan-xia

Ministry of Education’s major laboratory of Lanzhou Jiaotong University, Lanzhou,730070

ZhengZhou Urban and Rural Planning Bureau ,Zhengzhou,45000

Abstract: The grid is the main direction of high-performance. The major factor affects the grid functional and the performance is grid resource management and scheduling. Because of the complexity of the grid, its resource management compared with traditional distributed networks becomes more complex. The efficient grid resources management algorithms are hot and difficult of grid study. The neural network has intelligence and can get the best results in complex circumstances. this paper uses BP algorithm to solve the problem of grid resource scheduling. And introduced the concept of grid, back propagation algorithm, and proposed grid scheduling of resources result based on the BP algorithm.

Keywords：grid; resource scheduling；artificial neural network；Back propagation algorithm;

0 引言

網格作為新一代的互聯網，是今后高性能計算的主要方向，而有效的資源調度直接影響到網格的功能和性能，因此，對網格資源調度問題的研究具有重要的理論意義和巨大的實踐價值。人工神經網絡是一種模擬動物神經網絡行為特征，進行分布式并行信息處理的算法數學模型，善于在復雜環境下，快速獲得滿足多種約束條件問題的最優化答案，把神經網絡的思想引入到網格的資源調度當中，將二者有效結合，能夠更好的解決網格的資源調度問題。

1 網格的基本概念

網格又被稱為“下一代互聯網”，用于集成或共享在地理上分布的各種資源(包括計算機系統、存儲系統、通信系統、文件、數據庫、程序等)，使之成為一個邏輯整體，實現資源在網絡中的全面共享。

目前，網格技術已經在科學計算領域得到了廣泛的應用，很好的解決了分布式超級計算、高吞吐率計算、數據密集型計算等問題。可以預見，隨著共享的資源越來越豐富，網格的應用領域將得到更大的拓展。

2 網格中的資源調度

網格中的資源指所有能夠通過網格遠程使用的實體，包括：計算機軟件(比如操作系統、數據庫管理系統、應用軟件、數據等)，計算機硬件(比如CPU、內存、硬盤、光盤感器、磁帶等)，設備和儀器(比如通信介質、天文望遠鏡、顯微鏡、傳感器、PDA、儀器儀表等)等物理資源以及人類資源(人的知識與能力)。【1】

由于網格是一個開放、動態的互聯網并行環境,用戶可以從網格的任何地方向網格平臺提交應用,而且由于網格所固有的分布性、動態性、異構性以及自治性等特征,使得網格資源、可能隨時發生改變。因此，網格資源管理系統是網格的核心組成部分，也是網格的重要研究方向。

2.1 網格資源調度策略

傳統的分布式系統中資源管理的主要任務是將多個用戶提交的程序調度到一個計算集群中以最大化系統的利用率。即將一個復雜的程序中的多個子程序調度到并行的計算機中以提高計算效率，減少運行時間。

而在網格中，由于網格系統的分布性、異構性和動態性，網格資源管理必須為用戶提供可靠的、一致的以及廉價的資源，而不用考慮資源訪問點的物理位置。[2]

我們使用有層的層次模型實現資源調度算法。此模型類似于網絡的五層沙漏模型。在邏輯上分為三層：用戶層、資源管理層及網格資源層。

用戶層是網格資源的使用者。各種應用均在這一層實現，該層的需求即網格系統提供的服務，是網格所要達到的目標。在本層中，用戶或應用系統通過面向服務的視圖向下層中的各種發送用戶請求，描述自愿選擇、任務進程創建和任務控制等。

資源管理層是本模型的核心層。由各種組成，是網格資源管理的執行者。能夠發現、收集和存儲不同領域的資源信息；接收用戶請求，并按分配策略將所需要的資源分配給用戶。

網格資源層是網格系統中的硬件基礎，包括各種資源，它是網格資源管理的對象。其基本功能就是控制區域內的資源，向上提供訪問這些資源的接口。

由以上分析可以看出，網格資源調度的實質，就是將多個相互獨立的任務由各種分配到可用資源上，使得資源得到充分利用并且任務的完成時間最小。

調度算法的目標是將所有的獨立的應用任務通過調度到可獲得的計算資源中去，從可利用的資源中選取最佳的資源，并盡量減少由于網格的動態性而對網格整體性能的影響。不好的資源調度算法，將會增加任務的執行時間并降低整個網格系統的吞吐量。因此，一個好的源調度算法，需要具有高效性和一定的智能性，使網格用戶能夠獲得所需要的資源，并且確保網格用戶不會過量使用資源。

由于神經網絡能夠模擬人腦的思維模式，具有很好的自適應性和學習能力，能夠實現難以用數字計算和技術實現的最優信號處理算法。因此，很適合網格資源調度算法。

3 BP神經網絡原理

神經網絡是一種模擬動物神經網絡行為特征，進行分布式并行信息處理的算法數學模型。這種網絡能根據系統的復雜程度，通過調整內部大量節點之間相互連接的關系，從而達到處理信息的目的。

3.1 神經網絡的概念

國際著名的神經網絡專家Hecht-Nielson給神經網絡的定義是：“神經網絡是一個以有向圖為拓撲結構的動態系統，它通過對連續或斷續式的輸入作為狀態響應而進行信息處理”。【3】

神經網絡系統是由大量的，同時也是很簡單的處理單元（稱為神經元），通過廣泛地互相連接而形成的復雜網絡系統。雖然每個神經元的結構和功能十分簡單，但由大量神經元構成的網絡系統的行為卻是豐富多彩和十分復雜的。

神經網絡適合于解決實際問題，它不僅可以廣泛應用于模式識別、信號處理、知識工程、專家系統、優化組合、機器人控制等工程領域，也可以廣泛應用于醫學、商業、金融和文學領域。隨著神經網絡理論本身以及相關理論、相關技術的不斷發展，神經網絡的應用定將更加深入。[4]

3.2 BP神經網絡的概念

BP (Back Propagation)神經網絡是1986年由Rumelhart和McCelland為首的科學家小組提出，全稱為基于誤差反向傳播算法的人工神經網絡。BP神經網絡是目前研究最多、應用最廣泛的神經網絡模型。

BP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。它使用自適應學習算法，通過反向傳播不斷調整網絡的權值和閾值，使網絡的誤差平方和最小。

BP神經網絡模型拓撲結構包括輸入層（input）、隱含層(hide layer)和輸出層(output layer)。

通過圖可看出，層與層之間的神經元采用全互連的連接方式，通過相應的權系數相互聯系，隱含層內的神經元之間沒有連接。因此BP網絡可以看成是從輸入到輸出的一種高度非線性映射，映射中保持拓撲不變性，如果隱含層中神經元數目足夠多，則BP網絡就能模擬任何有理函數。由于BP網絡可在多個連續的輸入和一個或多個連續的輸出之間建立非線性映射這一特性，它常被用于智能預測。從而，我們使用BP神經網絡模擬網格資源調度過程。

3.2.1 BP神經網絡的工作過程

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：

信息的正向傳播過程：

輸入層各神經元負責接收來自外界的輸入信息，并傳遞給隱含層各神經元；隱含層負責信息變換，根據信息變化能力的需求，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；輸出層向外界輸出信息處理結果。

誤差的反向傳播過程：

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，向隱含、輸入層逐層反傳。

周而復始的信息正向傳播和誤差反向傳播過程，是各層權值不斷調整的過程，也是神經網絡學習訓練的過程，此過程一直進行到網絡輸出的誤差減少到可以接受的程度，或者達到預先設定的學習次數為止。[5]

4 使用BP神經網絡的網格資源調度模型

由于BP神經網絡算法響應時間較快，適合大規模分布式的網格資源調度。為了能夠最大效率的調用網格資源，我們結合BP神經網絡算法思想，提出了基于BP網絡的網格資源調度模型。

模型流程如下：

(1)將用戶提交的任務請求(包含任務的任務量、通信量、任務提交時間、時間限度等參數)加入到網格中的任務隊列排隊。任務隊列可以根據不同用戶的不同需求(用戶等級、任務時間相應要求等)對進入隊列的任務進行排序。

(2) 調度系統中的計時器，每隔一定時間就從任務隊列中取出待處理的任務，并從監視器中獲得當前系統資源分配列表。

(3) 根據待處理任務及系統資源，使用BP算法產生一個最優化的任務分配表。

(4) 執行任務分配表中的任務。如果任務順利完成，則將任務占有的資源釋，如果任務失敗，則釋放該任務所占有的系統資源，并將失敗的任務插入到任務隊列中，以待下次調度。

(5) 當不能從任務隊列中獲得任務時，表明所有任務都已經完成。

5總結

在網格環境中，資源調度是一項非常復雜且極具挑戰性的工作。計算資源調度的好壞，效率的高低直接關系到網格系統的性能。相對別的網格計算資源調度算法與模型，本文提出使用BP算法的分層資源調度模型。

該模型由調度主程序負責全局資源調度，監控程序監控每個資源任務的完成情況，這種方法在能保證任務完成的前提下，靈活地對網格資源進行配置，充分發揮網格中各節點計算機的計算能力。

參考文獻：

1崔飛.基于市場的網格資源調度算法研究[J].中國科技論文在線

2都至輝，陳渝，劉鵬. 網格計算.[M]. 清華大學出版社, 2002

3黨建武，王陽萍，趙庶旭. 神經網絡理論.[M]. 蘭州大學出版社，2005,9

第2篇：神經網絡的基本概念范文

關鍵詞：網絡安全態勢預測； CMAES優化算法； RBF神經網絡； 時間序列預測

DOI：1015938/jjhust201702026

中圖分類號： TP3930

文獻標志碼： A

文章編號： 1007-2683（2017）02-0140-05

Abstract：A method for network security situation prediction is proposed， where the covariance matrix adaptation evolution strategy algorithm （CMAES） is used to optimize the parameters of the radial basis function neural network forecasting model （RBF）， which makes the forecasting model have superior ability， and can quickly find out the rules of the complex time series The simulations results show that the proposed method can accurately predict the network security situation， and has better prediction accuracy than traditional prediction methods

Keywords：network security situation prediction； covariance matrix adaptation evolution strategy algorithm； Radial basis function neural network； time series prediction

0引言

隨著網絡技術的廣泛使用和快速發展，網絡系統開始呈現出越來越復雜的趨勢。所有復雜的系統都要面臨嚴峻的安全問題，網絡平臺也不例外，任何一個小的漏洞都有可能被黑客利用，從而導致整個網絡的崩潰。傳統的安全技術屬于被動防御技術，例如入侵檢測系統是在攻擊來臨時進行識別并作出反應。相比之下，管理人員更需要一種能夠宏觀描述并預測網絡整體狀況的技術，以此能夠做到未雨綢繆主動防御。針對這個問題，Bass T 在1999年提出了網絡安全態勢的概念[1-2]，他指出網絡安全態勢是一組能夠反映網絡系統宏觀狀態的數值，通過它可以讓管理人員快速的了解網絡運行的基本情況。獲取并處理網絡安全態勢的技術稱為網絡安全態勢感知[1，3-7]，它包括3個層次[8]：①網絡底層態勢要素的提取（態勢提取）；②網絡安全態勢的評估（態勢理解）；③網絡安全態勢的預測。態勢要素的提取主要依靠神經網絡和支持向量機等分類技術將威脅網絡安全的數據分類，然后在由網絡安全態勢評估技術按照不同攻擊種類的重要程度加權平均得出網絡安全態勢值[9]。當收集到一段時間的歷史網絡安全態勢值后，就可以建立預測模型預測未來的網絡安全態勢。可以看出，網絡安全態勢預測技術是網絡安全態勢感知中最為重要的環節，本文要解決的就是網絡安全態勢預測問題。

目前，已經有很多預測模型用于網絡安全態勢預測，例如灰色預測模型[10]、GABP預測模型[11]、RBF預測模型[12]、HMM預測模型[13]、EvHMM預測模型[14]以及HBRB預測模型[15-16]等。灰色預測模型是利用灰色理論對含不確定信息的系統進行預測的模型，但是它只能反映系統發展的大致趨勢，并不能精確預測未來的數值。HMM、EvHMM以及HBRB等預測模型將安全態勢視為隱含行為，優化過程復雜且具有s束條件，不適用于實時性要求高的網絡系統。

神經網絡模型是網絡安全態勢預測中最常用的方法，但是由于在訓練模型的過程中需要優化大量的參數，且傳統的優化算法往往會在優化過程中陷入到局部最優點，所以神經網絡預測模型并不能精確的預測樣本數量小且規律性不強的網絡安全態勢。

針對上述問題，本文提出利用CMAES算法對RBF神經網絡的參數進行優化，從而提高網絡安全態勢預測的精度。CMAES算法全稱是協方差矩陣自適應進化策略[17-18]，是目前最受關注的優化算法之一，它在高維非線性優化問題上表現良好，能夠利用較少的個體快速收斂到全局最優點。RBF全稱是徑向基神經網絡，它具備良好的泛化能力和逼近性能，并且可以處理復雜的非線性系統。RBF解決了BP的局部最小值問題，并已成功應用到眾多的工程領域[19-24]。將兩者結合到一起，可以克服神經網絡模型的缺點，增加全局優化能力，提高預測精度。

本文的組織結構為：在第一節中，介紹了RBF及CMAES的相關概念及基本原理。在第二節中提出了CMARBF預測模型。在第三節中，利用所提出的方法對實際網絡平臺的安全態勢進行預測，并將結果和其他傳統方法進行了比較。在第四節中，對CMARBF預測模型進行總結。

1基本概念

11RBF神經網絡的基本原理

RBF神經網絡模型在結構上與BP相同，都屬于前饋型式神經網絡。區別在于RBF的隱層只有一個且使用徑向基函數作為隱層神經元的激活函數，RBF的隱層可以將輸入變換到高維空間中，從而解決低維空間線性不可分的問題。RBF神經網絡模型具備良好的全局最優和逼近性能，并且結構不復雜，收斂速度快，可以作為系統辨識的、非線性函數逼近等領域的有力工具。典型的RBF神經網絡模型結構如圖1所示。

利用CMARBF預測網絡安全態勢的基本步驟如下所示：

Step1： 利用公式（9）確定模型的歷史樣本；

Step2： 確定RBF神經網絡的初始參數Ω0；

Step3： 確定初始迭代次數t=0和最大迭代次數tmax；

Step4： 確定CMAES算法的初始⑹；

Step5： 建立形如公式（11）優化目標函數；

Step6： 進入循環：while t

Step 61： 利用公式（3）以Ωt作為期望meant生成新的種群；

Step 62： 利用公式（4）得到新的種群期望meant+1；

Step 63： 利用公式（5）（6）（8）更新種群的協方差矩陣，得到Mt+1；

Step 64： 利用公式（9）更新步長，得到st+1；

Step 65： 計算新種群的目標函數值，選出最優個體（參數）Ωbest；

Step 66： 重復執行step 61，直到t=tmax跳出循環；

Step7： 以Ωbest作為RBF神經網絡的參數，歷史樣本做為訓練數據，對RBF進行訓練；

Step8： 用訓練RBF模型對安全態勢預測。

3仿真實驗

31背景描述

我們以真實的網絡平臺為背景（如圖3所示），收集了三個月共92天的攻擊數據，并將它們利用層次化評估方法求出92天的網絡安全態勢值。

圖3描繪的是某高校真實網絡環境，全網可分為內網和DMZ區兩大部分。其中內網包括圖書館、宿舍、行政樓和教學樓；DMZ區包括各類服務器及數據庫。攻擊數據的收集在防火墻及核心交換機上完成。

當作為網絡安全要素的攻擊數據收集完畢后，可以由專家確定各安全要素的權重，在利用常用的層次化評估方法獲得全網的網絡安全態勢值，如圖4所示：

從圖4可以看出，該網絡平臺的網絡安全態勢在整體上呈現一定的規律，每個月的中期攻擊強度增大，月底逐漸減小，但是在局部，態勢值有一定的隨機性。為了利用前述的CMARBF模型去預測網絡安全態勢值，我們將上述數據通過公示（9）生成了89組樣本，前60組作為訓練樣本，后29組作為預測樣本。模型的初始參數見表1：

32比較實驗

為驗證所提模型有效性，選取了沒有優化RBF模型和GARBF模型與CMARBF模型比較，比較結果如圖5和表2所示：

從圖5和表2可以看出，CMARBF的預測精度要高于其他方法。

4結論

所提出的CMARBF預測模型是將新的進化算法CMAES引入到RBF模型中，利用CMAES高效的尋優能力去解決高維模型中參數優化問題。兩者的結合使得神經網絡的結構和參數更加合理，具有更好的預測能力。本文將所提方法應用于網絡安全態勢預測領域，得到了很好的效果。比較實驗結果表明，CMARBF模型的預測精度高于其他傳統方法。在今后的工作中，我們會繼續探索更適應與網絡安全態勢預測的新方法。

參 考 文 獻：

[1]BASS T Intrusion Detection System and Multisensor Data Fusion： Creating Cyberspace Situation Awareness[J]. Communications of The ACM， 2000， 43（4）： 99-105

[2]王庚， 張景輝， 吳娜 網絡安全態勢預測方法的應用研究[J]. 計算機仿真， 2012， 29（2）： 98-101

[3]胡冠宇， 喬佩利 基于云群的高維差分進化算法及其在網絡安全態勢預測上的應用[J]. 吉林大學學報（工學版）， 2016， 46（2）： 568-577

[4]魯穎欣， 王健， 齊宏卓 模糊判斷在網絡安全風險評估中的應用研究[J]. 哈爾濱理工大學學報， 2014， 19（1）：36-39

[5]高青波， 胡冠宇， 徐澤群 并行計算平臺的網絡安全態勢感知系統[J]. 科技創新與應用， 2015（15）： 4-5

[6]HU G Y， QIAO P Cloud Belief Rule Base Model for Network Security Situation Prediction[J]. IEEE Communications Letters， 2016， 20（5）： 914-917

[7]HU G Y， ZHOU Z J， ZHANG B C， et al A Method for Predicting the Network Security Situation Based on Hidden BRB Model and Revised CMAES Algorithm[J]. Applied Soft Computing， 2016， 48：404-418

[8]王慧強， 賴積保， 胡明明等 網絡安全態勢感知關鍵技術研究[J]. 武漢大學學報-信息科學版， 2008， 33（10）： 995-998

[9]陳秀真， 鄭慶華， 管曉宏等 層次化網絡安全威脅態勢量化評估方法[J]. 軟件學報， 2006， 17（4）： 885-897

[10]馬杰， 任望， 薛東軍等 灰色災變模型在計算機網絡安全態勢預測中的研究[C]. 第三屆信息安全漏洞分析與風險評估大會，2010

[11]胡明明， 王慧強， 賴積保 一種基于GABPNN的網絡安全態勢預測方法[m]. 北京：中國科技論文在線， 2007

[12]任偉，蔣興浩，孫錟鋒 基于RBF神經網絡的網絡安全態勢預測方法[J]. 計算機工程與應用 2006 31： 136-139

[13]MUTHUMANI N， THANAMANI A S Optimizing Hidden Markov Model for Failure PredictionComparison of Gaine’s Optimization and Minimum Message Length Estimator[J]. Int J Comput Sci Eng， 2011， 3（2）： 892-898

[14]RAMASSO E Contribution of Belief Functions to HMM with an Application to Fault Diagnosis[J]. In： IEEE International Workshop on Machine Learning and Signal Processing， Grenoble， France， 2009： 2-4

[15]HU G Y， QIAO P L Cloud Belief Rule Base Model for Network Security Situation Prediction [J]. IEEE Communications Letters， 2016， 20（5）： 914-917

[16]HU G Y， ZHOU Z J， ZHANG B C， et al A Method for Predicting the Network Security Situation Based on Hidden BRB Model and Revised CMAES Algorithm[J]. Applied Soft Computing， 2016， 48： 404-418

[17]HANSEN N The CMA Evolution Strategy： a Comparing Review Towards a New Evolutionary Computation[J]. Advances on estimation of distribution algorithms， 2006， 75-102

[18]HANSEN N， KERN S Evaluating the CMA Evolution Strategy on Multimodal Test Functions[J]. Parallel Problem Solving from Nature PPSN VIII， 2004， 282-291

[19]同光， 桂衛華 基于粒子群優化神經網絡觀測器感應電機定子電阻辨識[J]. 電機與控制學報， 2015， 19（2）：89-95

[20]王建敏， 董小萌， 吳云潔 高超聲速飛行器 RBF 神經網絡滑模變結構控制[J]. 電機與控制學報， 2016， 20（5）：103-110

[21]張旭隆， 曹言敬， 邵曉根 基于邊界約束RBF網絡的SRM磁鏈特性在線建模[J]. 電機與控制學報， 2015， 19（2）：83-88

[22]宋清昆， 李源松 RBF神經網絡鍋爐燃燒系統建模[J]. 哈爾濱理工大學學報， 2016， 21（1）：89-92

第3篇：神經網絡的基本概念范文

【關鍵詞】系統辨識 神經網絡 遺傳算法 模糊邏輯

一、引言

系統辨識屬于現代控制工程范疇，是以研究建立一個系統的數學模型的技術方法。分析法和實驗法是主要的數學模型建立方法。系統辨是一種實驗建立數學模型的方法，可實時建模，滿足不同模型建立的需求。L.A.Zadeh于1962年提出系統辨識的定義：在輸入、輸出的基礎上，確定一個在一定條件下與所觀測系統相等的系統。系統辨識技術主要由系統的結構辨識和系統的參數估計兩部分組成。

系統的數學表達式的形式稱之為系統的結構。對SISO系統而言，系統的階次為系統的機構；對多變量線性系統而言，模型結構就是系統的能控性結構指數或能觀性結構指數 。但實際應用中難以找到與現有系統等價的模型。因此，系統辨識從實際的角度看是選擇一個最好的能擬合實際系統輸入輸出特性的模型。

本文介紹一些新型的系統辨識方法，體現新型方法的優勢，最后得出結論。

二、基于神經網絡的非線性系統辨識方法

近年來，人工神經網絡得到了廣泛的應用，尤其是在模式識別、機器學習、智能計算和數據挖掘方面。人工神經網絡具有較好的非線性計算能力、并行計算處理能力和自適應能力，這為非線性系統的辨識提供了新的解決方法。

結合神經網絡的系統辨識法被用于各領域的研究，并不斷提出改進型方法，取得了較好的進展。如劉通等人使用了徑向基函數神經網絡對伺服電機進行了辨識，使用了梯度下降方法進行訓練，確定系統參數；張濟民等人對擺式列車傾擺控制系統進行了改進，使用BP神經對傾擺控制系統進行辨識；崔文峰等人將最小二乘法與傳統人工神經網絡結合，改善了移動機器人CyCab的運行系統。

與傳統的系統識別方法相比較，人工神經網絡具有較多優點：

（一）使用神經元之間相連接的權值使得系統的輸出可以逐漸進行調整；

（二）可以辨識非線性系統，這種辨識方法是通過神經網絡自身來進行，無需編程；

（三）無需對系統建行數模，因為神經網絡的參數已都反映在內部；

（四）神經網絡的獨立性強，它采用的學習算法是它收斂速度的唯一影響因素；

（五）神經網絡也適用于在線計算機控制。

三、基于遺傳算法的非線性系統辨識方法

遺傳算法是一種新型的求解最優算法，它的思想來源于資源遺傳學，結合了自然選擇的優點與數學概率性算法，具有諸多優點，如全范圍的搜索域、求取的解為全局最優和接受任意性質的函數，因此在各領域都有廣泛的應用。

雷旭升等人[5]使用了遺傳算法對小型無人飛行器的動力學模型進行高精度的構建，并對構建的系統進行了仿真，驗證了系統的有效性；趙靜等人[6]對人體能量代謝分析儀氣體流量系統進行了模型建立，使用遺傳算法解決了傳統系統辨識方法辨識時產生的較大時延和誤差較大的問題。

四、基于模糊理論的非線性系統辨識方法

近年來，模糊邏輯理論在非線性系統辨識領域中得到廣泛的應用，用模糊集合理論，從系統輸入和輸出量測值來辨識系統的模糊模型，是系統辨識的有效途徑。模型結構辨識和模型參數預計是模糊建模的主要內容。常用的模型是T-S模型，T-S模型具有計算速度快、結構模型易觀、逼近力強等特點。

趙宏偉等人[7]提出了一種基于系統辨識的自適應網絡模型，建立T-S推理模型系統，并應用于磨礦控制領域；李超順等人[8]針對水輪機調節系統的復雜性、非線性和難以用明確數學模型表達的特點，建立了該系統的T-S模型，實現了模糊模型結構的自適應優化；葉劍斌[9]等人針對了現有算法中容易出現的維數災難，同時將模糊語言理論和支持向量機的方法結合，提出了一種組合方法，提高了函數逼近的能力。此外，還有一些綜合上述三種方法的組合型辨識的方法。

五、結語

近年來，系統辨識的方法得到了不斷的發展，系統辨識已經成為了現代控制工程領域中十分重要的技術與研究方向。隨著人工神經網絡、模糊邏輯理論、遺傳算法、人工智能理論的成熟發展，越來越多的新型非線性系統辨識方法被不斷提出，且在實際工程應用中得到了有效性驗證與較好的效果。但對于現實工程中結構復雜的各種系統難以找到一個統一的系統辨識方法，因此研究需要更多的新型非線性系統辨識方法去解決實際工程應用中出現的問題。對傳統的系統辨識方法進行不斷完善將是系統辨識未來的發展方向。

參考文獻：

[1]王樂一，趙文. 系統辨識：新的模式、挑戰及機遇[J].自動化學報，2013，39（9）：933-942.

[2]劉通.基于RBF神經網絡的某交流伺服系統辨識研究[J].機械制造與自動化，2013，（2）：113-115.

[3]張濟民，王開文，池茂儒.基于BP神經網絡擺式列車傾擺控制系統的辨識[J] .機床與液壓，2003，（5） ：33-35.

[4]崔文峰，史儀凱.移動機器人的鍵合圖建模與參數辨識[J].機械科學與技術，2012，31（7） ：1062-1065.

[5]雷旭升，白浪.基于自適應遺傳算法的小型無人旋翼機系統辨識方法[J].機器人，2011，33（5）：528-532.

[6] 趙靜，郭巧，王萍.基于遺傳算法的人體能量代謝分析系統辨識[J] .控制工程，2004，11（1）：17-19.

[7] 趙宏偉，齊一名，臧雪柏等.基于系統辨識與T―S模糊神經網絡的磨礦分級控制[J].吉林大學學報：工學版，2011，41（1） ：171-175.

第4篇：神經網絡的基本概念范文

[關鍵詞]問題驅動 研究型教學 PBL 構建主義

[中圖分類號] G642 [文獻標識碼] A [文章編號] 2095-3437（2014）04-0001-03

一、引言

盡管教育部及廣大有識之士大力呼吁并積極倡導應用性、研究性教學與學習模式，但是以往的中國高等教育，實質上也是以“滿堂灌”的教學模式為主，其主要原因在于，不論是教師還是學生，人們習慣于“滿堂灌”，認為研究型或者是應用性教學模式必定會加重老師和學生的負擔。到目前為止，人們還不清楚怎樣的教學和學習形式屬于研究應用型教學，怎樣操作才會在不加重學生學習負擔的條件下，達到好的研究應用型教學模式。因此，研究應用型教學模式是當今教學改革中的一個熱點研究問題，其核心問題是如何引導和激發出學生的學習和探索熱情。研究應用型教學模式的中心問題是采用什么方式和方法來激發學生學習和探索的欲望和熱情，使學生能創造性地運用所學過的知識，研究應用型教學模式是始于問題、基于發現、凸顯創造性特色的一種教學模式。張奠宙教授和張蔭南教授于2004年提出了新概念教學的理念，并以數學教學為例，深入淺出地介紹了這種教育和具體的教學方式，提出了“問題驅動”式教學方法。

自動控制原理是自動化相關專業的一門十分重要的專業基礎課，其特點是理論性強、數學要求高、工程背景強，直接關系到自動化相關專業學生能否順利并高效學習其他專業課。采用問題驅動式的研究應用型教學方法，培養學生良好的學習習慣，傳授如何對研究對象和目標進行縝密嚴謹的思考，如何提出具有實際意義或理論研究意義的課題（或問題），分析和解決之，采用問題驅動式的研究應用型教學方法，將對深入學習其它后續課程大有裨益。

人工神經網絡課程具有理論性和工程應用背景強的特點，這門課程所講授的內容仍在不斷更新和發展，因此本課程內容繁多，總體上來說系統性差，關鍵的是其課時往往十分有限。為了達到以點帶面的、示范引導的作用，我們采用了問題驅動式的應用研究型教學方法，較好地將該門課程的體系框架和基本內容介紹給了學生。

二、問題驅動和研究應用教學模式的理論基礎

問題驅動式教學模式強調以問題解決為主線，以學生為中心，以問題為驅動力，將培養學習者問題意識、批判性的思維技巧，以及解決問題的實踐能力設定為主要目標的教育教學方法。需要說明的是，問題驅動中的問題并非就是普通的習題，而是那些能夠改變學生思維模式，幫助學生重建知識結構，并愿意對問題進行深入思考的具有啟發性、引導性和探究性的問題。

皮亞杰的建構主義為研究型教學模式提供了理論支持，他認為“兒童對新知識的理解和接受，及其智力的發展，最終都要依賴于兒童這個主體與知識載體環境的互動中。建構主義強調教師在教學中應該主要起到指引促進作用，教學過程的主體是學生自己，學生借助學習資料（自找或老師確定），在老師指導和幫助下，通過建構主義的方式，即 “已知―未知―新的已知”的循環漸進的模式來學習新內容、獲取新知識。研究型教學就是在教學過程中體現研究的本質特點，以“已知―未知―新的已知”循環漸進的方式去發現問題、提出問題、研究問題和解決問題。

三、研究問題的設計

科學研究的第一步，也是最關鍵的一步是提出恰當而準確的科學問題，這通常是學生們感到無從下手、十分困難的事情。一般來說，提出科學問題有兩種常用方法：首先，經過縝密觀察與研究，識別出已有理論或技術的局限性，并據此提出新的研究問題和研究目標；其次，經過考察鉆研新的研究對象的特點提出新問題。

那么怎樣設計出操作性強、便于課堂教學的研究與應用性問題？這是應用研究型教學模式中的關鍵所在。這類問題主要包含兩大特點：首先，所設計出的問題能夠自然引導課堂教學內容的深入推進。具有這一特點的問題可能具有一定的研究深度和廣度，也可能研究內容和深度是循序漸進的、邏輯性強的，而非跳躍性的。其二，所設計的“驅動問題”應盡可能具有研究引導作用，即能夠引導學習者通過多角度思考或實驗驗證、理論推導，就能夠更全面深入地認識所研究的事物的本質。這類問題通常具有跳躍和挑戰性，需要采用演算、論證、分析和實驗等多種手段，有時甚至需要通過多門課程的學習和把握才能夠得到有效解決。一般將具有第一個特點的問題稱為“問題引導”的問題，將符合第二個特征的問題稱為“問題驅動研究”的問題。顯然嚴格區分“問題引導”的問題和“問題驅動”的問題是比較困難的，因為兩者之間并無明顯界限。

我們在實際操作中通常將那些從學習者了解的知識出發，在某個教學段落，或者某個作業、實驗中可以得到解決的，歸結到“問題引導”類中。這類問題往往有如下某個或幾個特征：

1.學習者已經掌握的某個知識點的反問題；

2.學習者已經掌握的某個知識點簡單的擴展問題；

3.有理想工程背景和簡單數學模型應用性問題；

4.學習者已經掌握的某項知識在另一種不同情況或者背景下具體應用；

5.通常是為單目標和單參數研究設計的一個或一系列問題等。

設計驅動型研究題目是一個更復雜的過程，這是由于如果問題設計的太深太難，學生難于在短時間內自我解答或得到解答，有可能導致學生失去學習興趣和信心的不良后果。但是，問題設計得太簡單則會失去驅動作用。在設計“問題驅動”的問題時，我們主要注意了以下幾點：

1.設計成綜合系列問題，該綜合系列問題包含了一系列的簡單問題；

2.設計成綜合研究問題，該綜合研究問題需要學生通過作業、實驗、理論推導和計算比較獲得結果；

3.針對某個實際工程背景，經過必要的簡化和抽象，設計成具有明確的工程實際應用背景的研究型問題。

四、設計示例

（一） 自動控制理論課程的問題設計

自動控制原理是自動化相關專業的專業基礎課，這門課程中引入問題驅動的教學方法目的在于：在大學生們正式接觸各類專業課之前，從專業基礎的角度培養和發掘學生發現問題、提出問題和解決問題的能力。但是應該注意到的是，在這個階段學生的知識面，特別是專業知識面還相當空缺，因此，在課程初期和中期以“問題引導”為主，在課程后期逐步過渡到“問題驅動”。

例如在學生掌握了一般情況下的勞斯判據以后，針對勞斯表計算過程中需要將上一行第一個元素作為分母的情況，首先提出：“如果這個元素為零怎么辦？”進一步提出：“如果某一行元素全為零又怎么辦？”這兩個問題是比較容易解決并容易理解，能夠促使學生們積極思考，加強對勞斯判據的全面把握。又如，在清楚交代幅值條件、相角條件以及180°根軌跡繪制規則的基礎上，先提出一個簡單的擴展性問題――有沒有其他角度條件的根軌跡繪制規則？然后再給出一系列帶有啟發性和引導性的詢問：“是什么角度？這個角度代表了什么含義？這個角度代表的含義與180°根軌跡代表的含義有什么不同？這種含義的不同在數學上的表現是怎樣的？從這些不同以及180°根軌跡繪制規則中可以總結出這種根軌跡的繪制規則嗎？”以這樣的方式講授0°軌跡的繪制規則只需要半節課，而且學生們接受起來很快，還能夠加深對根軌跡幅值條件和相角條件概念的理解。

在學習后期，我們會提出諸如“研究并總結出PID參數對控制系統穩定性、穩態誤差和動態特性的影響”，“如何利用Bode圖對控制系統性能進行分析與設計？”等這樣具有一定研究空間的問題。

（二）人工神經網絡課程的問題設計

人工神經網絡課是面向本科高年級或研究生的課程。問題的設計目的不但要推進課程的講解和學習，更重要的是培養和推動學生的研究能力和熱情。

在課堂上講述了了生物神經元的基本構造和功能，重點討論了著名的閾值加權M_P模型，詳細介紹了單層離散感知器人工神經網絡的模型結構、計算、學習算法、表達能力、實際應用等內容。由于單層離散感知器人工神經網絡的結構和算法都比較易于理解，而它所具有的功能實際意義和十分明確，因此容易使學生產生學習興趣。在這樣的條件下，我們采用不斷加深所需要解決問題難度的方法，循序漸進地提出了一些能夠推動學生深入思考，并且理論聯系實際的問題。

例如，在網絡模型方面，針對“單層離散感知器網絡只能解決線性可分問題”這樣一個局限性，我們自然給出“應該怎么做才能夠實現非線性分類？”這樣到目前為止仍需要不斷深入研究和解答的研究問題。對于這個問題，首先啟發學生觀察和思考多層離散感知器神經網絡具有的結構和模型特點，然后考慮改變感知器模型形式來實現之。由這個問題出發，可以很自然地引出BP網絡和RBF網絡等許多常見人工神經網絡。進一步BP或RBF網絡可以自然解決這個為題，我們又接著提出：“為什么這個網絡可以解決？可否試圖用數學方法來解答？”這樣的理論性研究問題。

在研究生學習階段，為達到事半功倍的教學效果，教學中可以注意三個方面：首先，通過設計“問題引導”問題來講解人工神經網絡課程當中的基本概念和基本方法；其次，針對人工神經網絡課程當中的理論和算法方面的學習，可以分別設計出“問題引導”和“問題驅動”兩類問題；最后，為較快地將學生引入實際應用，可以設計一些具有“問題驅動”特點的實際課題供學生研究，可能的話，還可以提供研究范例。如果是本科生課程，筆者認為應側重于第一和第三個方面。

例如，人工網絡算法方面，在單層離散感知器學習算法基礎上，提出研究題目“線性自適應人工神經網絡學習算法的研究和開發”。在應用研究方面，目前適合教學的可借鑒的資料比較多，例如，“基于BP網絡算法的多層前饋網絡在大氣環境質量評價中的應用”，可以提出下面的問題：“這個研究問題屬于分類還是屬于擬合，怎樣具體實現？還可以采用什么神經網絡解決此問題？如何實現？請說明不同的人工神經網絡在解決分類問題時的不同特點。”原有的資料上提供的不過是一個例子，通過研究問題的引導和推動，可以使學生通過一個簡單的例子，更全面地理解人工神經網絡的特點和功能，并大大加強學生的仿真和對比研究能力。

需要說明的是，為實現因材施教的教學理念，這類“問題驅動研究”的問題設計是可以超越教學大綱的，也可以是有針對性地專為少部分特別有能力的同學設計的。

五、結束語

我國目前的教育方式仍存在著較嚴重的“滿堂灌”的現象，限制了學生們的想象力和創造性， “標準化”考試更加劇了這一弊端。學生們不愿提問題、提不出問題，能夠提問題的學生越來越少，提出好問題的學生更是鳳毛麟角，學生們大多習慣于索要 “標準答案”。 問題驅動的研究應用型教學方法能夠有效地活躍課堂氣氛，提高學生的學習興趣，培養學生質疑、提問和自我研究的良好習慣。

需要補充的一點是，只有通過全方位教學環節的相互配合，問題驅動的研究應用型教學才能夠有效實行，這其中包括有針對性地設計引導問題和驅動問題、科學地設計課后練習與實驗、巧妙地設計和安排課程講解順序與進度、有時間和質量保證的質疑與答疑等許多教學環節必須充分配合。也需要相關課程的大力協助和配合。總之，問題驅動的研究應用型教學方式，對任課教師、實驗室老師和學生本人都提出了非常高的要求。

[ 參 考 文 獻 ]

[1] 張奠宙，張蔭南.新概念：用問題驅動的數學教學[J].高等數學研究，2004，5（7）.

[2] 張建偉.基于問題解決的知識建構[J].教育研究，2000，（10）.

[3] 籍建東.研究型教學模式與傳統教學模式的比較[J].職教論壇，2011，5（18）.

第5篇：神經網絡的基本概念范文

地鐵工程中，深基坑支護設計是重要組成內容，對工程造價、風險控制、工期控制有至關重要的影響。為控制工程造價，保證周邊環境安全，地鐵設計單位不斷采用先進的設計手段對基坑方案進行設計。而近年來飛速發展的數值方法使人們只要向計算機輸入反映地層性質的參數、工程的幾何參數以及荷載邊界條件等，即可得到十分詳盡的力學狀態描述，用于進行各種方案的基坑支護設計。

但與此同時，輸入數據質量的問題開始浮現。再先進的數值分析方法，還是得依賴設計者的輸入。要使各種先進的數值分析方法很好地應用于設計與施工中，應保證分析中所用的地質參數與力學模型等信息與實際情況接近。而實際情況時由于勘察取樣、試驗時受各種客觀、主觀因素影響，得出來的地質參數往往與實際情況有所差異。這一矛盾需要引入反分析方法解決。而地鐵工程具系統性的特點，又注定反分析的方法與普通基坑工程有所不同。

中圖分類號：TV551文獻標識碼： A

1、反分析法的概念與設計原則

從系統角度看，基坑工程是一個復雜的巨系統，人們對其進行的各種施工活動均可看成系統輸入，而人們量測到的位移、變形破壞則為系統對輸入的相應，即系統的輸出。而反分析則是根據一個灰色系統的輸出確定輸入的過程，也可以看成由系統的輸出對輸入的映射。

正分析

系統輸入 反分析系統輸出

基坑工程反分析問題，分為位移反分析、應變反分析、地下水滲流場的反分析等類型。而其中位移反分析因介質的力學模型差異可進一步分為彈性問題位移反分析、彈塑性位移反分析和粘彈性位移反分析等。彈性問題位移反分析由于理論簡明和方法可行，與工程實際結合緊密，使用價值最大，在實際工程中應用最多，有豐富的經驗可以借鑒。

采用位移反分析法進行基坑工程設計，應遵循以下原則：

1）位移反分析是一個由多環節組成的系統，缺一不可。位移反分析過程實際上是一個至少由7個環節組成的方法系統：關于工程設計目的研究及反分析參數的確定；地質選點；反分析方法的選擇和唯一性的論證；開挖方法的研究；有效的聯測系統的建立和實測數據的分析；由實測位移反演目的參數；結果綜合評價。因此，為使反分析應用成功，應全面考慮位移反分析每一個環節，針對具體情況，精心設計和精心實施反演的每一個工作步驟。

2）位移量測系統是位移反分析的物質基礎。作為位移反分析依據的位移信息，只有借助一個合適的位移量測系統才可獲得。所以位移反分析需要高質量的位移量測系統以取得高質量的位移信息，只有高質量的位移信息才能保證位移反分析成功。

3）盡可能壓縮位移反分析對象的個數。并非無論多少個參數都可以通過位移反分析來確定，若待分析的參數過多，有可能導致結果的非唯一性問題；其次，及時對于具有某一數量的待分析參數可以反分析得到唯一的結果，其反演精度也往往因反分析對象較多而下降。因此，應合理利用其它手段減少位移反分析的待分析參數個數。

2、反分析法在地鐵系統性工程中的應用方案

2.1地鐵基坑工程的系統性

地鐵基坑工程一般指明挖地下車站、區間等基坑，深度從地下三層站20米左右到地下一層站10米左右，圍護結構形式一般以支護樁、連續墻為主。由于需滿足線路敷設要求，車站基坑沿線路分布，城區范圍內距離1公里左右。一定區域內，車站基坑地質條件、支護方案相仿，設計原則一致，這是地鐵地基坑工程獨有的系統性。而由于各種客觀條件限制，地鐵基坑通常難以同期施工，工期先后特性明顯，而某些地鐵工程甚至選擇若干工點為試驗段先期施工，

根據這一特點，本文提出，在地鐵線路范圍內，根據場地條件劃分若干地質單元體。地質單元體是指建筑場地按工程地質條件劃分的單元，在同一單元體內，各部位工程地質條件相近。針對各單元體先期施工基坑反演得出的工程地質參數，指導后期基坑設計施工。

2.2反分析對象的選擇

一般基坑設計中需要取確定的參數有彈性模量E，泊松比υ，粘聚力c，摩擦角φ，比例系數m值等。為壓縮反分析對象的個數，提高分析效率與精度，選取對支護設計影響較大的c，φ，m值為反分析對象。但由于m值實際受圍護結構剛度，基坑變形等因素影響，不同基坑不可通用，因此選取c，φ值為主要反分析研究對象。

2.3地質選點

采用反分析的地段地層條件應具代表性，地層結構盡量均勻。為減少反分析工作量，可僅對對基坑支護設計有主要影響的地層進行分析。而對于離散性較大的地層如雜填土層，參考價值較小，不建議將其作為反分析研究對象。

2.4正分析方法

基坑支護系統正分析過程即基坑支護設計過程。根據地質詳細勘察報告提出的地層參數進行數值分析。普通基坑分析可選取彈性地基梁模型，通過理正、啟明星等常用基坑設計軟件進行計算，精度滿足一般設計要求。而對于邊界條件復雜的基坑，應采用有限元分析軟件如midas、flac3d、ansys等進行分析。

2.5正交試驗方法

正交試驗設計是正交表來安排與分析多因素實驗的一種設計方法。它是由試驗因素的全部水平組合中，挑選部分有代表性的水平組合進行試驗的，通過對這部分試驗結果的分析了解全面試驗的情況，找出最優的水平組合。

假設數值計算試驗中因素數為a個，各因素的水平數為b，若區全面試驗共需bn次試驗，可以采用正交試驗法進行不同因素不同水平的數值計算試驗，試驗次數可根據正交試驗比表Lp（bn），只進行P次試驗，例如2水平3因素，全面試驗8次，而正交試驗只需4次。以彈塑性分析為例，因素數5個即土體重度γ、彈性模量E，泊松比υ，粘聚力c，摩擦角φ，各因素水平可根據具體情況確定，若各因素水平數均為4，則正交試驗數可通過查表L16(45),需進行16次正交試驗即可反映全面實驗情況。

2.6數據反演

基坑工程反分析法主要有土體性態參數確定的二維或三維優化反分析法、一維彈性地基梁水土壓力及基床系數的優化反分析法以及基坑工程系統反演分析等。前兩種方法一般利用量測數據，建立目標函數，通過優化方法求解；后一種方法將土體與圍護結構視為一系統，并將系統的宏觀表觀量如變形隨時間演化的過程視為動態過程或隨機過程，并應用相應的系統學方面的理論與方法來研究基坑系統演化發展的規律。這些理論和方法包括灰色系統理論，時間序列分析，概率測度分析，統計分析，神經元網絡理論和混沌理論等。

基坑工程計算中多用三層BP神經網絡模型。用神經網絡建模不需要知道變形與所求參數之間的關系，通過樣本學習和記憶，就可以得出輸入（巖土體力學參數）與輸出（位移）之間的非線性特征關系。神經網絡反分析映射能力，而數值模擬有很好的定量分析能力，兩者結合起來是位移智能化分析的一條有效途徑。

3、BP神經網絡的基本理論

3.1BP神經網絡基本概念

BP（Back-Propagation）神經網絡即誤差逆傳播神經網絡，是目前應用最廣的神經網絡，它是按照誤差逆傳播學習算法進行訓練的多階層神經網絡。

BP神經網絡是一種具有二層或二層以上的階層型神經網絡。上下層之間各神經元實現全連接，即下層的每一個單元與上層的每個單元都實現權連接，而每層的各個神經元之間無連接。網絡按照有教師示教的方式進行學習，當一個學習樣本提供給網絡后，神經元的激活值，從輸入層經中間層向輸出層傳播，在輸出層的各神經單元獲得網絡的輸入相應。在這之后u，按減少希望輸出與實際輸出誤差的方向，從輸出層經各中間層逐層修正各連接權，最后回到輸入層，因此得名“誤差逆轉播算法”。隨著這種誤差逆傳播修正的不斷進行，網絡對輸入模式響應的正確率也不斷上升。

由于誤差逆傳播網絡及其算法增加了中間隱層并偶有相應的學習規則可循，使其具有識別非線性模式的能力。

BP神經網絡算法的基本思想是：根據樣本的希望輸出和實際輸出之間的平方誤差，利用梯度下降法，從輸出層開始，逐層修正權系數。BP算法的學習過程由正向傳播和反向傳播兩個過程組成。在正向傳播過程中，輸入信息從輸入層經隱含層傳向輸出層，如果輸出層得不到預期輸出，則進行反向傳播，將誤差信號沿原來的連接通路返回，哦你通過國修改各層節點的權重，使誤差最小。網絡不僅有輸入層節點、輸出層節點，而且還有隱含層節點。隱含層可以是一層，也可以是多層。

三層BP神經網絡基本構圖

3.2BP網絡計算步驟

根據BP網絡學習算法，BP網絡學習步驟可歸納如下：

（1）根據問題的特征和環境，確定神經網絡的結構，包括神經網絡的層數、各層中的神經元個數等。

（2）網絡的初始化：輸入學習率α、η；給定最大學習誤差ε（收斂精確度）；給輸入層至隱含層連接權矩陣、隱含層至輸出層的權矩陣賦初值；

（3）為網絡提供一組學習樣本；

（4）正向傳播，計算實際輸出。計算實際輸出與期望輸出的誤差EP，利用它修正Wkj。Wkj(t+1)=Wkj(t)+ ηδk(t+1)Oj(t+1),t為迭代次數；

（5）誤差回傳，修正前一層的Wji，直至輸入層；

（6）輸入下一個學習樣本，回至（4），直至輸完為止；

（7）計算系統誤差E，若E小于給定值，結束并轉向（8）；否則回至（3），反復迭代直至收斂；

（8）預測新樣本，并輸出預測結果。

4、基坑工程量測技術

現場實際施工量測數據是數值反演的重要依據，現場量測是反分析過程中的重要環節。基坑開挖過程中的現場量測信息是設計、施工的一個重要方面，也是保證工程施工安全的一個必不可少的手段。通過合理準確的施工監控量測，不僅可以進一步優化設計方案，知道施工，而且可以實時監控基坑工程的穩定性狀況。基坑工程現場監測工作主要包括以下三方面：

與周圍地層有關的量測：主要內容包括基坑周圍地表沉降、水平位移等。

與周圍環境有關的量測:主要內容包括周圍建筑物、道路的沉降和水平位移，周圍建筑物的傾斜和裂縫等。

垂直位移觀測方法主要是精密水準測量。不宜采用三角高程。在一個測區內，應設3個以上基準點，其基準點宜設置在距基坑開挖深度3倍的距離以外的穩地方。當多個深大基坑同時開挖施工時，基準點要組成網型。用秩虧平差方法進行平差，統計求得穩定點，計算觀測點的垂直位移計平墊精度；平面位移觀測一般采用經緯儀覘牌、或是帶有讀書尺寸的覘牌，基座都應有光學對中器，以提高對中精度，一般有小角度法和水準線等光學儀器測量、測斜儀測量及并聯式鉆孔位移計量測等。

5、結語

5.1、利用反分析法能有效地通過實測位移反映土體實際的工作性狀彈性參數。通過顯示大量的工程經驗表明，這種方法是可靠，可行的。而反分析的結果與實驗室得出的參數相比，更為可靠，更具實際意義。

5.2、地鐵工程基坑系統性的特點適合反分析法的應用。通過充分發揮試驗段工程的“試驗”作用，為后續施工工點提供設計、施工依據，大大降低基坑工程風險，有助于進一步控制工程造價，縮短施工工期。而反分析法得出的分析結果除為設計提出依據外，還可以有效預測基坑變形，這對市區周邊環境復雜，施工風險較大的基坑提供了強大的理論保障。

5.3、BP神經網絡應用與基坑開挖參數分析，為巖土力學參數分析提供了新的方向。其強大的分線性映射能力，能化繁為簡，大大減少反演工作量。但由于其通用性，沒有結合巖土體的物理本質，只是單純的數據分析工具，在工程實踐中應用，需要大量的訓練樣本方可保證其準確性。

5.4、反分析是一項系統工程，并不只是一二家參建單位參與就可完成的。反分析工作基于現場施工測量，與施工進程緊密結合：施工設計――施工――現場監測――反演分析――調整模型、參數――再設計。這一過程需建設單位、設計單位、施工單位、監理單位、第三方監測單位各方通力合作，只有建立相關管理制度，方可有效執行。

參考文獻

[1]楊志法等. 巖土工程反分析原理及應用[M] .地震出版社

[2]李寧等. 巖土工程反分析方法研究現狀與若干問題探討[J]. 水利與建筑工程學報，2006（9）

[3]朱合華等. 地下工程測試技術與反分析[J]

[4]王春波等. 深基坑工程土層參數反分析方法探討研究[J]. 地下空間與工程學報，2011（11）

[5]高德軍等. 長江三峽大石板滑坡計算參數反分析[J]. 河海大學學報，2006（6）

第6篇：神經網絡的基本概念范文

關鍵詞：模式識別；教學內容；授課方式；評價方式

模式識別是60年代迅速發展起來的一門學科，該技術用于自動將物理對象或抽象的多維模式分類到已知或可能未知的類別。目前，市場已經存在一些能進行字符識別、手寫體識別、文檔分類、指紋分類、語音和說話人識別、白細胞分類以及其他軍事目標識別的商業模式識別系統。低成本、高分辨率傳感器(如CCD攝像機、麥克風和掃描儀)和互聯網上共享的數據為我們提供了關于文本、語音、圖像和視頻的巨大數字化資源庫，對這些資源進行有效的歸檔和檢索，極大推動了模式識別算法在新領域的應用，例如文本、圖像和視頻檢索，生物信息學和面部識別等。

由于模式識別是一門理論與實踐緊密結合的學科，理論基礎涉及高等數學、線性代數、數理統計、小樣本統計學習理論、模糊數學等學科，因此該課程具有一定的抽象性和難度，學生不容易理解所學內容。為了使學生從抽象中理解具體，更好地、自主地、創新地學習，教師要在知識的傳授過程中注重學習方法的傳授，故教學探索成為模式識別課程中重要的研討內容之一。隨著社會的發展、國際交流的頻繁及網絡技術的完善，如何借鑒先進的國外教學理念，更好地培養具有創新能力的學生，也成為教學探索的一個主要問題。

1國內外教學比較

下面就從教學內容、授課方式和學生評價方式三個方面來闡明國內外模式識別教學。

1.1教學內容

模式識別領域的國內外研究者和學者已編著了大量優秀教材，由于篇幅關系，下面僅對部分教材進行簡要介紹。

Richard O. Duda等編寫的《Pattern Classification》清晰地闡明了模式識別的經典方法和新方法[1]。Sergios Theodoridis編寫的《Pattern Recognition》全面闡述了模式識別的基礎理論、最新方法以及各種應用[2]。Andrew R. Webb編寫的《Statistical Pattern Recognition》對統計模式識別的基本理論和技術作了全面且詳盡的介紹[3]。J.P.Marques de Sá編寫的《Pattern Recognition：concepts，methods，and applications》詳細介紹了有關模式識別的概念和方法，并附加多個領域的實際應用案例[4]。M.Narasimha Murty等編寫的《Pattern Recognition：An Algorithmic Approach》講解了模式識別在算法中應用的主要原則，并對模式識別的概念和最近取得的進步進行了詳細介紹[5]。Brian D.Pipley編寫的《Pattern recognition and neural networks》對模式識別和神經網絡進行了介紹，并給出了模式識別領域的許多實際例子[6]。Satoshi Watanab編寫的《Pattern recognition：human and mechanical》為模式識別提供了一個統一的標準，并介紹了該學科的廣闊前景[7]。Robert J.Schalkoff編寫的《Pattern Recognition：statistical，structural，and neural approaches》探究了模式識別的核心概念、方法和應用[8]。Keinosuke Fukunaga編寫的《Introduction to statistical pattern recognition》，每章都含有大量習題[9]。

清華大學的邊肇祺教授等編寫的《模式識別》主要討論了統計模式識別理論和方法，還介紹了人臉識別、說話人語音識別及字符識別等應用實例[10]。干曉蓉教授編寫的《模式識別》主要內容包括貝葉斯決策理論、概率密度估計、線形判別函數、無監督學習和聚類、特征選擇與提取、模糊模式識別、人工神經網絡、線形代數、多維隨機變量[11]。王碧泉教授等編寫的《模式識別：理論、方法和應用》介紹了特征選擇、聚類和判別等方面的常用模型和算法，模式識別在地震學、數字圖像處理和決策管理等領域中的應用[12]。楊光正教授等編寫的《模式識別》介紹統計識別方法和句法方法的基本理論[13]。張學工教授編寫的《模式識別》系統地討論了模式識別的基本概念和代表性方法[14]。齊敏教授等編寫的《模式識別導論》按照統計模式識別、句法模式識別、模糊模式識別法和神經網絡模式識別法四大理論體系來組織全書[15]。蔣先剛教授編寫的《數字圖像模式識別工程軟件設計》介紹圖像模式識別的基礎理論和程序實現技術，從工程應用的角度全面介紹了圖像模式識別應用軟件設計的基本方法和實用技術[16]。孫即祥教授等編寫的《模式識別》系統地論述了各類經典的模式識別的理論與方法，較全面地反映了本學科的新近科技成果[17]。

2.2授課方式

國外的授課方式往往注重內容的學習、知識的掌握和學生獨立思考。課堂教學理念重參與性、積極性、創造性和靈活性。課堂相對活躍，講授和討論相輔相成，學生能積極地參與到課堂教學中，學生參與發問或發表個人意見，課堂上的參與往往是學期分數的一部分，被認為是評估學生所學習的知識的方法，并注重學生是否有能力與教師和同學進行知性的對話。

國內的課堂教學主要以教師講授為主，學生被動接受，留給學生的自主空間較狹窄，課堂教學理念注重系統性、完整性、邏輯性、生動性、計劃性。課堂相對平靜，討論較少，學生加入到課堂教學中的情況不多，學生參與發問或發表個人意見少。

2.3評價方式

國外對學生的培養重經驗、過程、體驗和運用。學生的學習過程只是其成長的一部分，教師評價學生時十分注重多渠道收集學生在校、在家和參加社會活動的情況，通過綜合分析，對學生進行全方位的、細化的評價，其中不僅有教師對學生的評價，還包括學生的自評、學生之間的互評、家長的評價和學生參加社會活動獲得的評價。

國內的教學目標是追求知識、結果、記憶和會考試。由于教學中以教師為主，往往只注意知識的傳授，忽略了學生能力和全面素質的培養。學生能牢固地掌握知識，但知識運用能力差，主動和創新能力欠缺。教師對學生的評價注重期中、期末考試，忽略了學生參加社會活動的情況。

3教學探索

基于如下的研究結果：有效教學本質上取決于教師建立能夠實現預期教育成果的學習經驗的能力，而每個學生都參與教學活動是實施有效教學的前提[18]，我們從教學內容、授課方式、評價方式三個方面進行模式識別課程的教學探索。

3.1教學內容

教學內容的安排應與本科學生的學習特點和目前所掌握的知識程度相吻合，才能使學生牢固掌握知識。借鑒國內外教學內容情況，我們的模式識別課程的教學內容共分9個章節，分別介紹模式識別綱要、貝葉斯決策理論、極大似然估計和貝葉斯參數估計、隱馬爾可夫模型、統計語言模型、支持向量機、最大熵模型、人工神經網絡、決策樹。

第1章 通過提出問題“智能科學與技術專業的學生為什么要學習模式識別”和“應當怎樣學習模式識別課程”展開，具體介紹內容包括模式、模式識別、有監督的分類、無監督的分類、模式識別的主要方法和模式識別系統。

第2章 “貝葉斯決策理論”介紹了在概率結構都知道的理想情況下的模式分類問題。雖然這種情況在實際中很少出現，但它為我們提供了一個能夠與其他分類器進行對比的評價依據，即“最優貝葉斯分類器”，幫助我們預測推廣到新模式時的最小誤差率。

第3章 主要圍繞“極大似然估計和貝葉斯參數估計”來展開。在先驗概率和類條件概率密度已知的情況下，我們可使用“貝葉斯決策理論”來設計最優分類器。但是在實際應用中，通常不能得到和問題相關的全部概率結構知識，因此我們利用已有的信息，對問題中涉及的先驗概率和條件概率函數進行估計，并把估計結果當做實際的先驗概率和條件概率，再來設計分類器。

第4章 “隱馬爾可夫模型”在解決一些與時間序列相關的問題，即某一過程隨著時間的流逝而進行，而且某個時刻發生的事件受到前一時刻發生事件的直接影響中得到了很好的應用，隱馬爾可夫模型在語音識別領域的應用是最成功的例子。

第5章 “統計語言模型”是用來計算句子概率的模型，在很多自然語言處理的任務，如機器翻譯、語音識別、印刷體或手寫體識別、拼寫糾錯、漢字輸入中都有廣泛的應用。在獨立假設的前提下，句子的概率公式可被簡化，并被計算出來。

第6章 “支持向量機”的基本思想是尋找一個能夠將d維空間的樣本數據準確地分為兩個類別的超平面。但是，由于樣本數據經常是不可以被線性分割的，所以通過引入核函數，將樣本數據映射到一個可以線性分割這些數據的高維特征空間。而將數據映射到這樣的一個空間，通常會引起計算和過度適應問題，但是支持向量機在高維空間中不需要直接處理，這就消除了前面提到的顧慮。并且支持向量機不像神經元網絡等其他的學習算法，很難衡量其學習的性能，我們能夠清楚地計算出其在未知數據集上的VC維。

第7章 “最大熵模型”在對一個隨機事件的概率分布進行預測時，滿足全部已知的條件，而對未知的情況不進行任何主觀假設。因為在這種情況下，概率分布最均勻，預測的風險最小，概率分布的信息熵最大，所以被稱為最大熵模型。

第8章 “人工神經網絡”是在現代神經科學研究的基礎上提出的，它并沒有完全真正反映大腦的功能，只是對生物神經網絡進行某種抽象、簡化和模擬。人工神經網絡中的信息處理是通過神經元之間的相互作用來實現的，知識與信息的存儲表現為網絡元件互連分布式的物理聯系，各種神經元連接權系數的動態演化過程決定了人工神經網絡的學習和識別。

第9章 “決策樹”是一種廣泛應用的歸納推理算法，它采用逼近離散值函數的方法，具有很好的健壯性，能根據訓練數據學習出析取表達式。決策樹學習方法通過搜索一個完整表示的假設空間，從而避免了受限假設空間的不足。

3.2授課方式

遵循學生的認知規律和和學習特點，結合作者從事的模式識別課程教學，我們對模式識別的授課方式給出了如下建議。

首先，教師將不再單純地講解，而是引導學生進行學習和組織學生進行課堂活動，使學生由原來的單純聽講、被動接受灌輸轉變為主動參與課堂教學，親自去發現結論和規律，使學生學會思考和善于思考，培養學生分析和解決問題的能力。通過教師和學生互相提問和共同討論，來發揮學生的主動性，使兩者在教學過程中相互聯系和作用，教學過程成為雙方主動介入的過程。由于模式識別具有一定的抽象性和難度，因此教師講解時要盡可能通過實例引出問題，讓學生親睹實例，增加感性認識，通過圖像、動畫和視頻的生動畫面和聲音吸引學生的注意力，將抽象的理論形象化，使學生印象深刻而又便于理解。

其次，教師在傳授知識的同時也應該力所能及地幫助學生解決在生活、學習過程中遇到的疑問，對他們提出的問題給予認真、耐心的解答，幫助他們克服困難。教師在教學過程中留出一定的時間，以朋友的身份和學生交流，了解他們的想法，從中獲得一些好的意見和建議。

再次，在講解理論部分時，教師應該理論聯系實際，注重學生實踐能力的培養。適當引入一些實際生活的例子，幫助學生理解所學知識，如介紹最大熵模型，可使用“投資時不要把所有的雞蛋放在一個籃子里，這樣可以降低風險”的例子，使學生對模型的認識不再抽象。簡要告訴學生下次課的內容，鼓勵學生課后查閱相關資料，并對遇到的問題進行分析和解決，帶著問題參與下一次的課堂教學。針對每一章的授課內容，教師應精心設計和安排相關實驗，加深和鞏固學生所掌握的知識。

3.3評價方式

模式識別是智能科學與技術專業的一門重要專業基礎選修課，對學生將來的學習、工作都起著非常重要的作用。該課程不僅僅是讓學生掌握知識，更重要的是培養學生的能力。因此，教師應該積極鼓勵學生多參加社會實踐，評價時應從多渠道和多方面收集學生在校和參加社會活動的信息，通過綜合分析，對學生做出全方位的、細化和合理的評價，促進學生全面素質的培養，最終提高學生的創新能力。

4結語

模式識別是一門理論與實踐緊密結合的學科，教與學的方式值得我們研究和探索。在今后的教學工作中，我們要多從模式識別理論涉及的學科廣泛，而本科生目前還沒有完全掌握這些知識等特點出發，不斷改革、實踐和創新。同時，教師也要不斷提高自身素質和業務水平，不斷提高課堂教學質量，為國家培養更多合格的應用型本科人才。

參考文獻：

[1] Richard O. Duda, Peter E. Hart, David G. Stork. Pattern Classification[M]. Ventura：Academic Internet Publish, 2006.

[2] Sergios Theodoridis. Pattern Recognition[M]. San Diego：Academic Press，2006.

[3] Andrew R. Webb. Statistical pattern recognition[M]. The Atrium：John Wiley and Sons, 2002.

[4] J. P. Marques de Sá. Pattern Recognition: concepts, methods and applications[M]. Berlin：Springer, 2001.

[5] M. Narasimha Murty, V. Susheela Devi.Pattern Recognition：An Algorithmic Approach[M]. Hyderabad: Springer，2001.

[6] Brian D. Ripley. Pattern recognition and neural networks[M]. Cambridge：Cambridge University Press,2008.

[7] Satoshi Watanabe. Pattern recognition：human and mechanical[M]. San Francisco：Wiley，1985.

[8] Robert J. Schalkoff. Pattern Recognition：statistical，structural，and neural approaches[M]. San Francisco：J.Wiley, 1992.

[9] Keinosuke Fukunaga. Introduction to statistical pattern recognition[M]. San Diego：Academic Press, 1990.

[10] 邊肇祺,張學工. 模式識別[M]. 2 版. 北京:清華大學出版社,2007.

[11] 干曉蓉. 模式識別[M]. 昆明:云南人民出版社,2006.

[12] 王碧泉,陳祖蔭. 模式識別:理論、方法和應用[M]. 北京:地震出版社,1989.

[13] 楊光正, 吳岷, 張曉莉. 模式識別[M]. 合肥:中國科學技術大學出版社,2001.

[14] 張學工. 模式識別[M]. 3版. 北京:清華大學出版社,2010.

[15] 齊敏,李大健,郝重陽. 模式識別導論[M]. 北京:清華大學出版社,2009.

[16] 蔣先剛. 數字圖像模式識別工程軟件設計[M]. 北京:水利水電出版社,2008.

[17] 孫即祥, 姚偉, 滕書華. 模式識別[M]. 北京:國防工業出版社,2009:1-280.

[18] 華榮寶.“有效課堂教學”學習材料(一)[EB/OL]. (2008-02-29)[2011-03-10]. /Article/ShowArticle. asp?ArticleID=1545.

Pattern Recongnition Teaching Exploration

TAN Yongmei, WANG Xiaojie, ZHONG Yixin

(Department of Intelligence Science, Beijing University of Posts & Telecommunications, Beijing 100876, China)

第7篇：神經網絡的基本概念范文

伴隨著脈診儀關鍵技術——傳感器研究的不斷進步，信息采集的精度和速度日益提高。信息量的豐富對相應分析技術的要求也逐步提高。除幾種傳統的分析技術外，其他學科新興的分析技術不斷被引入脈診現代研究中，使有價值脈動信息的獲取空間空前擴大。目前，脈診現代研究中，常用的分析和識別方法有時域分析、頻域分析、時頻分析、人工神經網絡、可視化分析以及一些其他分析方法。

1 時域分析

時域分析是對脈搏波動圖形進行分析的主要方法，是目前研究時間最長，也是最成熟的方法。最初的脈圖分析方法主要局限于從脈圖的時間、振幅、角度、形態等方面分析上升支、下降支、重搏波的高度及各種高度的比值或它們夾角的大小及面積大小時值等。

脈搏信號從時域上看，是一個周期性較強的準周期信號。脈搏波動頻率為60～100次/min。時域分析法主要分析脈波波幅的高度和脈動時相的關系。通過對脈圖幅值和時值的分析，可以了解脈動的頻率和節律，脈力的強弱，脈勢的虛實和脈象形態特征等。

崔玉田、趙恩儉等是較早對古代脈學理論和現代實研進展進行系統梳理的研究者，其專著《中醫脈學研究》、《中醫脈診學》中涉及到一些脈圖時域特征分析的內容。其后，傅驄遠、費兆馥、黃世林、楊天權、徐迪華等研究者對脈圖的時域特征進行了系統論述。

傅氏等[1]較早開展采用現代技術的中醫脈診研究，其在《中醫脈象今釋》中集中論述了18種常見脈象脈圖分析和判別的方法，并對脈象形成的機制，從血流動力學、血液流變學以及影像學等方面進行了探討。費氏等[2]較早并較全面的對脈圖的時域分析方法進行了研究，在其《現代中醫脈診學》一書中，詳細闡述了臨床常見17種脈象的脈圖及其時域特征參數。黃氏等[3]在《中醫脈象研究》中對10種常見脈象的脈圖進行了細致分析，開創性地記錄了中醫學中的“十怪脈”的脈圖，并論述了其現代醫學基礎。較晚的研究者對脈圖研究的種類更加全面，在各自的專著中均有詳細論述[4-5]。

時域分析方法通過提取脈搏圖曲線中一些有明確生理意義的特征點(如主波、重搏波和重搏前波的高度等)或角度(如升支斜率等)作為評價脈搏波的特征參數，將特征參數和對應的生理因素結合起來就可能得到許多有臨床醫學價值的結果，故時域分析法成了最直觀和應用最廣泛的一種方法。它可直接通過脈圖的形態分析及對各項指標的分析來確定圖與脈之間的差別，鑒別出各種脈象。這方面的關鍵在于篩選判別各種脈搏波波形的特征參數，其主要工作在于分析脈波特征參數與時相的關系。這種方法的優點是直觀，臨床醫生容易接受，但在實際應用上卻遇到一些難以解決的困難，如有些特征點難于準確得出，要憑經驗估計，隨機誤差很大。另外，缺乏各種脈象的脈圖時域參數特征較統一的標準。大量研究表明，脈象圖所反映的信息是多方面的、綜合的，單靠直觀形態分析法會將許多重要的信息掩蓋，因而促進了分析方法向更加全面與多樣化發展。

2 頻域分析

頻譜分析是近代工程力學中常用的一種處理波動信息的方法，主要采用傅立葉頻譜分析方法。它把一個很復雜的由許多重疊波構成的脈搏波分解成不同的諧波，這樣就能把其中所包含的信息和能量提取出來，因此，較時域分析法更能清楚地反映、分析脈象的各種變化。但其只能刻畫整個時間域上信號的頻譜特征，不能反映局部時間區間上的信息。近年來，頻譜分析也大量用于脈搏信號和中醫脈象的研究。頻譜分析可能會揭示出許多生理病理信息，而這些信息通常從時域分析中較難獲得。

重慶大學的研究者基于脈象信號的頻域分析，從不同角度，采用不同方法對吸毒者與正常人的脈象進行了辨識。他們根據脈象信號的非高斯隨機特性，發現非參數化雙譜估計、參數化雙譜估計以及倒雙譜估計的方法均是分析脈象信號的有效且可行的方法，吸毒者脈象信號在特定頻率區域內的平均相位值、雙譜相位主值特征等參數明顯區別于正常人，分別給出了吸毒者和正常人脈象信號的判別依據[6-8]。

西北工業大學王炳和等[9-10]研究人員長期進行脈搏波頻域分析的研究。其利用高性能的電子檢測儀器和計算機提取人體橈動脈脈搏信號，并獲得了脈搏功率譜圖(PSG)。譜能比(SER)被定義為脈搏功率譜上10 Hz以下的譜能量與10 Hz以上譜能量的比值。結果發現，健康人兩手“寸、關”部位的SER值均大于100，而患者“寸、關”的某些特定部位的SER值均小于100，這些給出低SER值的特定部位與人體的病變器官相對應，符合中醫理論。同時發現正常人平脈脈搏系統通常具有3個共振峰，滑脈脈搏系統有2個共振峰，弦脈脈搏系統出現4個共振峰，而細脈僅存在1個共振峰。倒譜分析顯示，滑脈與弦、細脈的特征差異要比在時域內的差異大得多。脈象倒譜上τ=τz處的峰值大小可表征脈象的“流利”程度，τz1恰好反映了脈象的周期大小，而hc0值正好反映了脈搏強度的信息特征。

厲氏等[11]研究了遲脈、常脈、數脈、疾脈4種脈象的頻域特征。研究發現，對于脈率異常的脈象信號，在頻域具有與時域相似的特性，即隨著脈率的增大，頻域中幅度的最大值以及在低、中、高3個頻段的幅度值也相應增大。相對于正常脈象，脈率失常的脈象在頻域中表現出幅度更不平穩的特點。另外，浮脈患者脈象的能量最高，其次為常脈，沉脈患者脈象的能量最低。從SER看，3種脈象的低頻分量都占據了信號的主要能量，但沉脈患者SER最高，浮脈最小，常脈居中;與常脈相比，說明沉脈能量更加集中于信號的低頻段，浮脈卻向信號的高頻段擴散[12]。另外，其他研究者也報道了脈診信息頻域分析的成果[13-18]。

3 時頻分析

時頻分析的主要任務是描述信號的頻譜含量是怎樣隨時間變化的，研究并了解時變頻譜在數學和物理上的概念和含義。時頻分析的最終目的是要建立一種分布，以便能在時間和頻率上同時表示信號的能量和強度。得到這種分布后，我們可以對各種信號進行分析、處理，提取信號中包含的特征信息，或者綜合得到具有期望時頻分布特征的信號。時頻分析結果可以通過不同的方式直觀地表示，如三維立體圖、等高線圖等，具有揭示許多新現象即改變我們觀察思考醫學信號方式的潛力。目前，在脈診研究中應用的是短時傅立葉變換和Gabor展開以及小波變換。

3.1 短時傅立葉變換

由于人體生理、病理和自然環境的影響，生物醫學信號通常呈現非平穩與時變特性。傳統的傅立葉變換不能描述信號的時頻局域特性，僅反映信號的靜態頻譜特性。短時傅立葉變換克服了傅立葉變換的缺陷，并具有容易實現、計算簡潔有效等優點，為最早和最常用的一種時頻分析方法。其主要缺陷是時間和頻率分辨率在整個時頻平面上固定不變。另外的限制是對一個特殊的信號，需要一個特殊的窗才能得到最佳分辨率。

有學者應用全極點滑動窗遞歸算法，以平均功率與總平均功率的比值為特征參數和通過奇異值分解有效地提取特征矢量，提出了用于劃分正常人和吸毒者的臨界參數，據此15例吸毒者全被檢測出來[19-20]。基于短時傅立葉變換的方法是一種穩定、有效的特征提取方法。

3.2 小波變換分析

由于小波變換在時域和頻域同時具有良好的局部化性質，小波變換的數學理論和分析方法在各個領域都受到普遍關注。小波變換是一種信號的時間-尺度(時間-頻率)分析方法，它具有多分辨率分析的特點，而且在時頻兩域都具有表征信號局部特征的能力，是一種窗口大小固定不變，但形狀可改變，時間窗和頻率窗都可改變的時頻局部化分析方法。即在低頻部分具有較高的頻率分辨率和較低的時間分辨率，在高頻部分具有較高的時間分辨率和較低的頻率分辨率，很適合于非平穩信號的處理。小波變換在1-D生物醫學信號處理(生物聲學、ECG和EEG)和生物圖像處理中都得到了應用。

白氏等[21]根據小波變換過零點和信號突變點之問的關系，分別運用小波變換過零點表征檢測脈象時域特征點和各特征點脈搏信號變化的快慢。對20例健康人和20例孕婦脈象時域特征點過零點位置的統計及其變化快慢的計算，其分析結果正好與實際相吻合。

張氏等[22]利用小波變換奇異性檢測功能與多尺度分辨特性，提出了2種提取脈象信號特征的方法：連續小波變換法和二進小波變換法。在此基礎上，構造了兩種特征向量：小波變換系數的尺度——主波峰值和小波變換的尺度——能量值。經過對臨床采集的235例脈象信號的處理與分析統計，所得數據具有較好的重復性與穩定性，可以作為脈象信號區分正常人與心臟病患者的特征向量。

4 人工神經網絡

人工神經網絡是反映人腦結構及功能的一種抽象數學模型，一個人工神經網絡是由大量神經元節點互連而成的復雜網絡，用以模擬人類進行知識的表示與存儲以及利用知識進行推理的行為。一個基于人工神經網絡的智能系統是通過學習獲取知識后建立的。從本質上講，人工神經網絡的學習是一種歸納學習方式，它通過對大量樣本的反復學習，由內部自適應過程不斷修改各神經元之間互連的權值，最終使神經網絡的權值分布收斂于一個穩定的范圍。一個已建立的神經網絡可用于相關問題的求解，對于特定的輸入模式，神經網絡通過前向計算可得出一個輸出模式，從而得到輸入模式的一個特定解。人工神經網絡是由大量簡單的神經元以一定的方式連接而成的，單個神經元的作用是實現輸入到輸出的一個非線性或線性函數關系，它們之間廣泛的連接組合就使得整個神經網絡具有了復雜的非線性特性。神經網絡將大量的信息隱含在其連接權值及閾值上，根據一定的學習算法調節權值和閥值，使神經網絡實現從m維空間到n維空間復雜的非線性映射。神經網絡具有強大的模式識別能力，可以對任意復雜狀態或過程進行分類和識別。但是，必須首先用反映輸入特征量的大量樣本對網絡進行學習訓練后，才具有這種功能。神經網絡有兩個與用傳統方法進行信息處理完全不同的性質：第一，神經網絡是自適應和可以被訓練的，它有自學習能力。如果它的輸出不滿足期望的結果，網絡可以自動調整每個輸入值的權重，產生一個新的結果，整個修正過程可以通過訓練算法來實現。第二，神經網絡本身就決定了它的大規模并行機制，也就是說，神經網絡從原理上看比傳統方法要快得多，它擅長通過大量復雜的數據進行分類和發現模式或規律。

岳氏[23]基于BP神經網絡，選擇1456例患者作臨床脈象檢測，總體準確率>92%，不僅對平、浮、沉、遲、數、虛、實、滑、澀、洪、弦、促、結、代等基本脈有較高的識別率，對于由上述基本脈構成的臨床常見的相兼脈也有相當高的識別能力(>82%)。研究過程中，解決了構建合理的神經網絡結構、各層神經元數量的確定、選擇合理的學習速率、脈象信號特征值的選取、神經網絡的訓練等關鍵問題。

胡氏等[24]以人工神經網絡為手段，以提取脈象信息為目的，由臨床采樣數據形成了網絡訓練輸入特征向量庫，不以單一脈本身為分類對象，而考慮它是否是某些可識別特征的組合，建立了浮沉、弦滑、遲數等一組脈象特征網絡。證實了人工神經網絡用于具有模糊性的脈象特征的識別和分類是可行的，帶智能處理的特色，其分辨準確率可達90%。

5 模糊屬性識別方法

20世紀80年代出現的用句法分析指導的脈象模糊屬性識別方法，從根本上拋開了人工測定脈圖指標的模式，它是從檢測到的脈搏波上進行采樣、基元抽取及基元屬性提取等，然后作分類，這就使得計算機識別有可能突破醫生的水平。模糊聚類法用于人體脈象的識別研究也獲得了較高的正確率。

王氏等[25]對脈搏聲信號進行AR模型擬合來完成特征提取，并通過K-L(Karhunen-Loeve)變換實現特征壓縮，然后討論了一種新的FUZZY聚類方法——F-PFSR聚類法，最后給出了對臨床實測脈象信號聚類的實驗結果。但研究結果顯示這種聚類的正確率還有待于提高。

6 可視化分析

牛氏等[26]利用彩色Doppler超聲成像技術檢測到寸口橈動脈等處血管的徑向張縮、軸向收縮和軸心位移組合成的三維運動，提出與脈管三維運動有關的脈象變化規律;同時應用該技術還可以在活體上直接觀察到中醫所謂的“斜飛脈”、“反關脈”及在寸口處并行的“雙管脈”。

張氏等[27-28]運用具有B超和壓力復合傳感器的可視化脈動信息采集和分析裝置，對橈動脈三維運動和脈診“位、數、形、勢”屬性的關系進行了探索性研究，發現了二者之間的對應關系，為解決“脈形”、“脈勢”等研究難點提供了新的思路和方法。

張氏等[29]自主研制了一種圖像化脈搏傳感器。通過對沿血管橫截面方向的14個網格點軌跡的檢測，提取得到了脈搏波形，并計算得出脈搏頻率，同時給出脈搏振幅、脈寬信息測量的定性說明。研究表明，本系統能夠有效提取多維脈搏特征信息，為中醫診斷客觀化和科學化提供了一種新的手段和方法。

7 其他方法

7.1 混沌分析方法

李氏等[30]借助動態心電圖記錄獲取心電RR間期的變化信息的混沌分析方法手段——Lorenz圖，觀察脈象速率、節律的改變，將醫生靠個體感覺的判斷變為具有可視性、直觀性和連續性的圖形表達，可客觀地量度脈象的改變程度和性質。認為雖然Lorenz圖無法量度脈搏形態的變化，但有時脈搏的形態與速率相關，如沉遲、洪數等特異性的復合脈象，這也許是繼續研究的切入點。

7.2 整體動態方法

劉氏等[31]在自行研制的具有新型點陣式傳感器的脈象儀的基礎上，建立了一種新的分析方法。該方法通過繪制整體脈搏-脈體時空綜合圖，以反映脈體、脈力、脈長;整體脈搏-脈勢時空綜合圖，以反映脈寬、脈體、脈流、脈力;整體脈搏-脈流時空綜合圖，以反映脈流、脈長、脈寬等，從而準確反映脈搏整體動態變化，使脈象的“位、數、形、勢”在整體上得到動態體現。

7.3 金氏脈學方法

魏氏等[32]根據金氏脈學的基本思想：三對基本概念、二個基本規律和一個基本原理，設計了獨特的脈搏分層測量系統，克服了原有脈象儀的單點單面采樣，實現了自動多層面信息采集。對脈搏波進行“多層分析”，實現對疾病“定性、定位、定量”的診斷。

7.4 分形方法

楊氏等[33]探索了分形理論在脈象特征提取中的應用。研究結果表明，不同類別的脈象信號具有不同的分形維，這為采用分形理論進行目標特征提取提供了基礎。與頻域分析方法比較，利用分形提取維數特征的方法更簡單易行。

8 展望

8.1 分析方法的發展

傳感器技術的進步使脈動信息獲取空間擴大。信息來源的豐富要求新的分析方法來適應這種變革。目前，分析方法體現出兩種獲取新特征信息的趨勢：一是在原有信息來源的基礎上，引進新的分析技術，發現新的特征參數;二是開發除脈動壓力信息以外的新的信息來源，并應用新的分析技術。

時頻分析屬于前一種趨勢。時頻分析的目的是在時間和頻率上同時表示信號的能量和強度，最終建立一種能量和強度的時相分布，具有動態分析的特征。其與原有的時域和頻域分析不同，但又兼有二者的一些優點，所以，部分研究者熱衷于脈動信息時頻特征參數的獲取。小波變換是時頻分析的另一種重要手段，也是脈診研究的熱點之一，其在信息學、工程學中的應用則更為廣泛和深入。小波變換方法在時域和頻域同時具有良好的局部化性質，即可以在兩個領域中對同一信號進行可調控地、更細微地觀察，具有放大效應，故被稱為“數學放大鏡”。可以看出，時頻分析與常規時域、頻域分析的關鍵區別在于對同一信號進行分析的角度和尺度，而信號的來源是同一的，并沒有新的信息引入。

可視化分析(或圖像分析)屬于后一種趨勢。可視化技術的應用突破了長期以來一維脈動壓力信號的采集模式。所采用的圖像分析方法，將主要研究對象轉移到橈動脈三維運動相關的圖形圖像變化上。如對橈動脈B超圖像的分析，由于視覺是人類獲取外界信息的最主要途徑，可視化的動態圖像所攜帶的信息遠遠大于壓力信號;同時采用與壓力信號分析截然不同的分析方法，將三維運動的空間測量作為參數獲得的主要手段，用一些直觀、簡單的參數即可完成脈診屬性的分析，對一些壓力信號無法反映的特征，如“脈長”、“脈寬”、“脈勢”等實現了參數定量分析。

8.2 識別方法的發展

脈象本身的復雜性和多元體現形式使原有的有限參數與某種脈象的整體特征一一高度對應的研究設想難以實現。基于復雜性思想的辨識方法是近幾年脈診現代研究的新方向。目前脈象辨識模式的兩種主要趨勢是：具有復雜性研究性質的識別方法和基于“位、數、形、勢”脈診屬性的“復雜-簡單-復雜”模式。

8.2.1 具有復雜性研究性質的識別方法 聚類技術的根本問題是對兩個對象間距離和相異度度量的選擇，針對兩兩對象之間的“相似度”或“相異度”劃分不同類別，并不能從多維和多層次角度來全面分析數據并解釋數據中真正復雜結構。另一方面，信息與脈象之間的關聯性是非常復雜的，具有多維和多層次的復雜聯系。目前脈動信息所常用的時域或頻域分析所獲得參數，僅僅是對一維壓力信號的多角度觀測。信號本身信息量的單薄，加之分析方法的局限，使上述復雜關系難以體現。所以，目前聚類方法在脈診識別研究中始終是一種輔助的手段，其相關報道較少。

人工神經網絡不需要精確的數學模型，而是通過模擬人的聯想推理和抽象思維能力，來解決傳統自動化技術無法解決的許多復雜的、不確定性的、非線性的自動化問題。由于人工神經網絡在構建結構上模擬了人的中樞神經結構，通過多個循環的訓練來達到最終目標，自身具有很強的自組織性和容錯性，與人的思維有一定的相似性，所以是目前研究較為熱門的方向之一。脈診辨識的相關研究顯示其應用結果是令人滿意的。

神經網絡的結構，尤其是輸入層和隱含層的數目，嚴重影響網絡的訓練速度和擬合程度。為了實現較快的識別，優化和統一結構將是未來研究的方向之一。另外，目前脈診現代研究的目標要求盡可能的減少主觀因素在脈象辨識中的影響，形成較為一致和公認的客觀識別方法，而訓練樣本的不同會導致不同的人工智能的認知模式，即使神經網絡結構相同，亦是如此。這與客觀研究的目標背道而馳。所以，如何統一有限的訓練樣本，將是未來研究人員面臨的新問題。

8.2.2 基于脈診屬性的“復雜簡單復雜”模式 “位、數、形、勢”是周學海提出的分類脈象的綱領。目前單脈有28種之多，相兼脈則更多。但不論脈象種類有多少，均可被分解到“位、數、形、勢”的不同程度中去，所以，“位、數、形、勢”可以看作脈診的四個基本屬性。基于脈診“位、數、形、勢”屬性的分析研究，將復雜多樣的脈象分解簡化為四種有量化可能性的參數分類，實現了“復雜簡單”的過程;通過客觀參數反映的“位、數、形、勢”屬性，在“組合關系”論的指導下可進一步合成為具體的單一脈象，實現“簡單復雜”的過程。

參考文獻

[1] 傅驄遠，牛 欣.中醫脈象今釋——現代實驗研究[M].北京：華夏出版社，1993.341-345.

[2] 費兆馥.現代中醫脈診學[M].北京：人民衛生出版社，2003.147-222.

[3] 黃世林，孫明異.中醫脈象研究[M].北京：人民衛生出版社，1986.45-196.

[4] 楊天權.中醫脈學應用新進展——附60例脈案分析[M].上海：上海交通大學出版社，1994.187-321.

[5] 徐迪華，徐劍秋，徐麗敏.中華脈診的奧秘——200幅脈圖解析[M].南京：江蘇科學技術出版社，2005.189-265.

[6] 李玉韓，蔡坤寶，張繼紅.雙譜估計在中醫脈象信號分析中的應用[J].重慶大學學報(自然科學版)，2006，29(5)：44-47，61.

[7] 張繼紅，蔡坤寶，李玉韓.中醫脈象信號的參數化雙譜估計及其切片分析[J].重慶大學學報(自然科學版)，2006，29(6)：47-50，74.

[8] 黃 鐳，劉宗行，蔡坤寶.倒雙譜估計在海洛因吸毒者脈象信號檢測中的應用[J].重慶工學院學報(自然科學版)，2007，21(7)：98-102.

[9] 王炳和，羅 建，相敬林，等.人體脈搏功率譜分析與中醫脈診機理研究[J].西北大學學報(自然科學版)，2001，31(1)：21-25.

[10] 王炳和，相敬林，楊 颙，等.基于信號檢測的人體脈搏系統傳遞函數的估計[J].科學通報，1999，44(10)：1069-1073.

[11] 厲樹忠，張 媛，劉 進.中醫脈率波形的頻譜分析[J].甘肅科技，2006， 22(9)：120-121.

[12] 王全來，厲樹忠，楊金龍，等.中醫浮脈與沉脈的頻譜分析[J].甘肅科技，2007，23(6)：77-79.

[13] 張鏡人，鄭秀春，楊天權，等.正常人脈象圖頻域指標分析[J].遼寧中醫雜志，1995，22(10)：435-436.

[14] 孟兆輝，白 凈，王蘇中，等.高血壓病人的光電容積脈搏波的頻域分析[J].北京生物醫學工程，2002，21(1)：1-4.

[15] 車新生，范威陽，劉明林.基于傅立葉級數的中醫脈象三維顯示[J].遼寧中醫雜志，2007，34(11)：1505-1507.

[16] 姜 斌，宋蜇存.脈象信號的頻譜分析[J].通訊與信息處理，2007，26(8)：38-39.

[17] 周 越，許 晴，孔 薇.脈象特性分析和識別方法的研究[J].生物醫學工程學雜志，2006，23(3)：505-508.

[18] 曾小青，李 玲，歐陽俊.指端脈搏波檢測與頻域分析實驗設計[J].實用預防醫學，2004，11(2)：362-363.

[19] 周 霞，蔡坤寶.中醫脈象信號的短時傅立葉分析[J].重慶大學學報， 2003，26(10)：47-51.

[20] 周 丹，蔡坤寶.基于短時傅立葉變換的脈象信號的模式識別方法[J].重慶科技學院學報(自然科學版)，2007，9(3)：49-52.

[21] 白金星，趙子嬰，王艷蘋.基于小波變換過零點表征的脈搏信號分析[J].航天醫學與醫學工程，2006，19(3)：204-207.

[22] 張麗瓊，王炳和.基于小波變換的脈象信號特征提取方法[J].數據采集與處理，2004，19(3)：323-328.

[23] 岳沛平.BP神經網絡識別在中醫脈象信號辨識系統中的運用[J].江蘇中醫藥，2005，26(11)：4-6.

[24] 胡家寧，閻述池，王秀章，等.脈象特征人工神經網絡分類器[J].中國醫科大學學報，1996，25(6)：571-574，578.

[25] 王炳和，相敬林.基于AR模型的人體脈象信號模糊聚類研究[J].應用聲學，2001，20(5)：21-25.

[26] 牛 欣，楊學智，傅驄遠，等.橈動脈的三維運動與脈診位數形勢[J].中國中西醫結合雜志，1994，14(7)：435-437.

[27] 張治國，牛 欣，楊學智，等.脈形和脈勢檢測方法新探[J].中西醫結合學報，2008，6(3)：243-248.

[28] 張治國，牛 欣，楊學智，等.脈長的數字化、可視化探索[J].中醫雜志，2008，49(9)：830-832.

[29] 張愛華，李向群.基于圖像傳感器的脈搏三維運動分析[J].微計算機信息(測控自動化)，2007，23(5)：176-177，270.

[30] 李方潔，劉國正.混沌方法Lorenz圖對脈象的表達[J].中國中醫藥信息雜志，2003，10(6)：10-11.

[31] 劉 峰，陳家旭.脈象信號分析新方法與實施方案[J].中醫藥學刊， 2006，24(12)：2217-2218.

第8篇：神經網絡的基本概念范文

關鍵詞：電力系統；自動化控制技術；電子科技；網絡技術；通信技術 文獻標識碼：A

中圖分類號：TM76 文章編號：1009-2374（2015）30-0046-02 DOI：10.13535/ki.11-4406/n.2015.30.023

如今，越來越多的新型科技在解決電力系統的結構問題中顯示出了其強大的生命力，而自動化技術作為較先進的技術方法，對電力部門的管理水平及管理效率的提高有著極為重要的作用。但隨著科技更新換代腳步的加快，使電力部門對電力系統自動化控制技術的應用提出了更高的要求，從而適應當今社會的發展。本文針對其概念、內容、基本技術進行了具體的闡述，以供相關人員參考。

1 電力系統的自動化控制技術概述

1.1 電力系統自動化的概念

所謂電力系統自動化，就是憑借信號系統與數據信息傳輸系統對電力系統各部分及整體的遠程監測及控制。在此過程中，發揮作用的裝置具有自動監測、決策和控制的基本功能。在此之中，使得電力系統的運行更加安全可靠，并在很大程度上確保了電能質量的合

格性。

1.2 電力系統自動化的構成

作為電力行業新技術與新理念下的產物，電力系統自動化是電力行業所取得的重大成果。其基本內容主要有三點：

一是系統調度自動化。其主要是采集與監控電力系統的相關數據，對實現自動化給予有利條件。保證電力系統運行與調度、電力市場運營與可靠性、發電廠運營決策等順利進行。在電力系統中，作為電力系統自動化的核心技術，調度自動化對自動化系統穩定運行與基礎工作的高質量提供了重要的保證。

二是變電站的自動化。其目的是為變電站安全、穩定、高效的運行提供重要保障，并使其運營效益得以提高。具體來說，就是通過對現代電子計算機與網絡技術、通信技術及信息處理技術的運用，使整個變電站在科學統一的管理下得以正常運行。

三是配電網的自動化。控制傳統的配電網主要是靠工人手動操作來實現的。但隨著自動化技術中獨立功能在電力系統中的應用，使配電網自動化更加完善與成熟。而所謂的配電網自動化，就是利用大量的智能終端與通信技術及后臺軟件，使資源的利用率得以提高。此外，由于配電網設置情況各異，因此應分批分期對其進行改造，從而使配電資源的綜合利用率逐步提高。

2 電力系統自動化控制要求及特點

2.1 參數的收集與處理

為實現安全、穩定、可靠的電力系統自動化，就需要相關人員對初期的供電服務進行科學的調查與分析，并對電力系統的各個環節、各個部件的安全運行參數進行嚴格的檢驗與測試，然后將其進行合理的分析，以提供數據上的保障，來使電力系統自動化得以有效控制。

2.2 科學的調控

在調控電力系統時，要將電力系統的具體運行情況與其可行性分析結合起來，并依據建立電力自動化系統有關技術標準及要求對其進行調控。此外要注意的是，在調控自動化控制技術時，要運用不同的調控措施對自動化控制的不同部件與環節進行調控，例如宏觀調控、微觀調控等。

2.3 歸納規律特點

在對系統進行科學調控后，要不斷總結電力系統自動化各個環節的運行情況，以此歸納出其規律與特點。為了建立起全面自動化的電力系統，有關人員在對運行模式進行選擇時，應以高效節能為其選擇原則，從而確保運行模式的安全可靠，并達到指導實踐的效果。

2.4 優勢分析

相較于傳統較為落后的機械化生產模式，現代電力系統中的自動化應用技術不僅使更多的人力、物力及財力得到了節省，而且使生產周期與生產環節也得到了縮減，使工人勞動強度得到了降低，最終使事故的發生率得以降低。在生產的安全性與穩定性上，電力自動化控制技術有著良好的效果，保證了電力系統運營效率的提高與頻繁停電在生產生活中的減少，并對社會秩序的正常進行起到了積極意義。

3 電力系統自動化基本技術的應用

3.1 主動面向對象數據庫技術

經過近年來的不斷發展，主動面向對象數據庫技術不但具有明顯的開放性與繼承性，而且還有一定的共享性與智能性，且該項技術特別在電力系統自動化的建設方面有著重要的促進作用。在科學調度的前提下，現代電力系統自動化還有著供電服務功能。而此項技術與傳統技術相比，有著無法比擬的優越性，其可以對電力控制通過數據庫的觸發子系統進行全方位的監控，從而使其數據分析及相關管理獲得有力的保證。此外，建立與應用數據庫在對數據存儲、輸出效率以及存儲的安全性與可靠性的提高上都有著良好的促進作用。

3.2 現場總線控制技術

作為以數據信息傳輸為主的控制系統，現場總線是通過實際測量與現場設備的控制，并對現場配備的自動化智能儀表、現代化設備、控制中心設備加以利用，來實現現代化設備與控制中心信息通訊與控制的一體化的。此項技術對現場儀表與設備的連接與數據通信等都有著不同的要求。因此，在電力系統的建設過程中，必須依照科學而合理的體系與協議對該項技術進行規范。

在我國的電力系統自動化控制實踐中，對現場總線技術的應用非常廣泛。因為現場總線系統在應用現場總線控制技術中，對現場各生產設備間及控制系統間的數字通信的多方向、多結點的實現有著良好的促進作用。而在電力自動化系統中，PCS系統是目前應用最為廣泛、效果最為明顯的系統。較之傳統應用的系統，此系統的性能更為靈活、優化、穩定與安全。特別是在故障發生時，該系統可以按照具體發生的問題，經上位機對所引起故障環節的準確定位，來制定出及時而有效的措施，從而確保系統在最短的時間內得以正常運行。

3.3 基于神經網絡控制原理的控制技術

從理論上來說，非線性、魯棒性、并行處理及自組織學習能力是神經網絡控制的基本特征。因為其自身特點與優勢，神經網絡控制獲得了大眾的廣泛關注。神經網絡的基本連接方法是以大量的神經元進行連接的，這使得相關人員對神經權值按照一定的算法進行調節，從而使非線性映射的神經網絡得以實現。

3.4 專家系統的基本控制技術

所謂專家系統的基本控制技術，就是包括辨別系統警告狀態等特殊狀態、具有緊急處理能力及對系統的恢復與控制能力等的一項控制技術。在實際生產中，對這種技術的應用比較廣泛，但其中也存在著一些不容忽視的問題，有著一定的局限性。所以，在對其的應用中，要權衡利弊，對其局限性進行深入的了解，保證在該項技術的應用能夠順利進行。

4 結語

當前，隨著電子科技、網絡技術、通信技術的不斷更新與完善，電力系統自動化技術也隨之飛速發展起來，其在當代的電力行業展示了自我與時俱進的風采。作為我國電力系統的重要組成部分，必須對其加以重視。要從國外先進技術中汲取養料，依照國際化標準來對其進行發展，從而為我國電力系統的安全與穩定提供重要的保證。本文電力系統自動化控制技術的應用從電力系統的自動化控制技術概述、要求、特點，以及其所基本技術進行了具體的闡釋，希望對相關人員有所

幫助。

參考文獻

[1] 張建林.電力系統自動化控制技術的重要性及要點分析[J].科技與企業，2013，（10）.

[2] 伊端斌.電力系統自動化控制技術的重要性及要點分析[J].企業技術開發，2013，（23）.

第9篇：神經網絡的基本概念范文

關鍵詞：復雜網絡；網絡模型；網絡特性

中圖分類號：TP393 文獻標識碼：A 文章編號：1009-3044（2017）03-0023-02

1 基本概念

所謂“網絡”（networks），實際上就是節點（node）和連邊（edge）的集合。若節點相對（i，j）和（j，i）的邊是相同的，則它就是無向網絡；如果不是相同的邊，那么就是有向型的。當將權值賦給各邊時，就得到了加權網絡，若不賦值，就是無權型的，具體如下圖：

如果根據特定規律將各節點連邊到一起，那么就能獲得圖2所示規則網絡。若根據任意形式將節點各邊連到一起，那么就能獲得隨機網絡。

通常可以用介數、度分布、平均路徑長度等參數來闡述復雜網絡的各種特性，下文將描述各參數。

1）平均路徑長度（Average path length）

將網絡內的任意兩節點[i]與[j]的間距[lij]定x為假定兩節點分別為起點與終點，中間過程最小的連邊量。將網絡直徑定義成網絡內部任何兩節點之間的最大值。則：

[D=maxi，jlij] （1-1）

平均路徑長度定義[L]為網絡中所有節點對之間距離的平均值，用公式表示為：

2）簇系數（Clustering efficient）

網絡中存在一節點[i]，它和另外的節點通過[ki]條邊連到一起，這i[ki]個節點稱為節點[i]的鄰居節點，最多會有[KiKi-12]條邊。[i]的簇系數用[ki]個鄰居節點中含有的邊數[2Ni]比上最大邊數[KiKi-12]的數值來計算，用[Ci]來表示。公式為：

[Ci=2NiKiKi-1i] （1-3）

3）度分布（Degree distribution）

若將節點[i]的度[ki]定義成和它連接的另外節點的個數，就可用[i]的鄰居數來稱呼它。一般每個節點會有單獨的度，網絡平均度就是全部節點度的均值，用[k]表示。公式為：

[K=1Ni=1NKi] （1-4）

通常可以用度分布函數[Pk]來顯示節點的分布狀態。[Pk]含義為選擇任何的一個節點，它的度正好是[k]的概率。則：

[Pk=1Ni=1Nδk-ki] （1-5）

2復雜網絡模型

1）規則網絡（Regular network）

圖3顯示了普遍的網絡模型，分別是全局耦合、最近鄰耦合及星型模型。

上圖（a）顯示的全局模型中存在[N]個節點，邊數為[NN-12]條邊，它的[L=1]（最小），[C=1]（最大）。

2） ER隨機網絡（random network）

20世紀50年代匈牙利的兩位科學家設計出了此模型，如圖4所示：

（a）[p=0]時，存在10個孤立節點；（b）～（c）[p=0.1，0.15]時，得到的隨機效果圖

3）小世界網絡（small-world network）

1998年美國的Watts等人提出了一個小世界模型，它的特點是聚類參數大、路徑長度短，功能是使完全規則的網絡向完全隨機的形式轉變，通常稱作WS模型。如圖5所示：

4） NW小世界模型

因為網絡的連通性或許會被WS模型的隨機重連過程損壞，所以想要防止孤立子網產生，在1999年美國的Newman等人設計了一個新的小世界模型，它將隨機重連用隨機加邊代替，通常稱作NW模型。如圖6所示：

5）無標度網絡（scale-free network）

1999年Albert等人設計了一種無標度模型，來解釋此類網絡的冪律特性，通常被稱作BA模型，如圖7所示。

3 網絡模型比較

下面比較WS小世界網絡模型、BA無標度網絡模型與真實網絡的主要性質的異同。根據表1.5所示，現實網絡三大特性中的兩點能被BA與WS模型捕捉到。研究人員為了使現實網絡的全部特性都能被顯示，又設計了很多模型，然而BA與WS模型的結構簡單，規則明確，且對復雜網絡的基本特性準確把握，所以現階段應用頻率最高的還是BA與WS模型。

[模型＼&節點度分布＼&平均路徑長度＼&聚類系數＼&真實網絡＼&冪率分布＼&小＼&大＼&小世界網絡＼&泊松分布＼&小＼&大＼&無標度網絡＼&冪率分布＼&小＼&大＼&]

4 結束語

復雜網絡搜索過程的復雜性給搜索過程建模工作帶來一定程度的難度，在了解基本概念與復雜網絡結構的特性的基礎上，主要目的就是為了更好地描述復雜網絡動力學行為相關的問題（比如：網絡搜索、滲流、傳播、相變等）的在個體層和群體層之間的復雜性。本首先綜述了復雜網絡基本概念與復雜網絡模型，同時對復雜網絡模型進行比較。

參考文獻：