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人工神經網絡的算法主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：人工神經網絡的算法范文

【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：人工神經網絡的算法范文

關鍵詞: 人工神經網絡BP算法改進BP算法倒立擺小車

1.引言

倒立擺系統是時變的、非線性、多變量和自然不穩定系統,在控制過程中,它能有效地反映可鎮定性、魯棒性、隨動性和跟蹤等許多控制中的關鍵問題,是檢驗各種控制理論的理想模型。人工神經網絡BP算法,在多變量輸入情況下具有精度高、實現快、算法簡單、魯棒性好等優點,從而滿足了系統的要求[1]。

2.人工神經網絡BP算法簡介

人工神經網絡(ANN)由于具有信息的分布存儲、并行處理和自學習能力等優點,在信息處理、模式識別、智能控制等領域得到了越來越廣泛的應用。近年來,已有多種ANN模型被提出研究,80%―90%的人工神經網絡模型是采用BP網絡或其改進形式,它是前向網絡的核心部分,體現了網絡最精華的部分[2]。標準的BP網絡是根據Widrow―Hoff規則,采用梯度下降算法,主要由信息信號的正向傳播和誤差信號的反向傳播兩部分組成。

但BP網絡存在需較長的訓練時間、收斂于局部極小值等缺點,為此人們對BP算法進行了許多改進。改進主要有兩類:一類采用啟發式技術,如附加動量法、自適應學習率法;另一類是采用數字優化技術,如共軛梯度法、擬牛頓法、Levenberg―Marquardt(LM)法[3]。由于LM算法收斂速度最快,精度較高,且經過大量仿真實驗分析比較,LM效果最好,故我們采用LM法對網絡進行訓練。

LM優化方法權重和閾值更新公式[4]為:

其中J為誤差對權值微分的雅可比矩陣,e為誤差向量,μ為一個標量。依賴于μ的幅值,該方法光滑地在兩種極端情況之間變化,即牛頓法(當μ0)和著名的最陡下降法(當μ∞)。

3.神經網絡控制器設計

3.1訓練樣本的選取

BP神經網絡在未經任何訓練的情況下,不能作為系統控制器使用。在實際仿真過程中,我們選擇極點配置控制為BP網絡的教師進行學習,經過試探訓練,樣本數為2000時結果較為合理,此時樣本數據能夠反映系統的基本特征,可以得到預期的仿真結果。極點配置-2+5i-2-5i-5+4i-5-4i;A=[0 1 0 0;0-0.0883167 0.629317 0;0 0 0 1;0-0.235655 27.8285 0];B=[0 0.883167 0 2.35655]’;C=[1 0 0 0;0 1 0 0;0 0 1 0;0 0 0 1];D=[0 0 0 0]’;p=[-2+5i-2-5i-5+4i-5-4i]; K=acker(A,B,p)。

3.2 BP網絡結構

BP網絡設計時,增加層數主要可以進一步降低誤差,提高精度,但卻使網絡復雜化。而增加隱含層的神經元數也可提高誤差精度,且訓練效果更易觀察和調整。為了使誤差盡可能小,我們要合理選擇初始權重和偏置,如果太大就容易陷入飽和區,導致停頓,一般應選為均勻分布的小數,介于(-1,1)。

根據需要,在網絡初始化時,BP采用0.5*Rands函數初始化權值,權值初始值選在(-0.5,0.5),選取訓練目標誤差為0.0001,訓練次數上限為5000次。通過多次仿真實驗性能比較,選取[4 9 1]的單隱層神經網絡結構,隱含層、輸出層分別采用Tansig、Purelin函數,仿真實驗表明變學習率訓練算法訓練時間長,5000次還不能達到所要求的精度,且系統容易發散,控制倒立擺效果不好,采用改進的LM訓練算法對網絡進行學習訓練可以得到較好的控制效果且訓練時間短。在實際仿真過程中,BP網絡經過53次訓練即達到了訓練目標。

4.BP網絡訓練結果

圖1分別給出了倒立擺小車位移、擺角和控制力的BP算法與極點配置算法仿真曲線對比圖,仿真結果表明:相較極點配置,BP算法精度高、實現快、魯棒性好,倒立擺小車在BP算法下只需2.5s左右就可以達到所設定精度的穩定效果,且超調量很小,滿足了系統的要求。

5.結論

通過對人工神經網絡BP算法的分析,筆者進行了倒立擺小車改進BP算法的控制系統仿真實驗。仿真表明該改進BP算法收斂性好、計算量小,尤其在非線性和魯棒控制等領域具有良好的應用前景。BP神經網絡從理論上可以逼近任意非線性函數,所以它特別適合控制像倒立擺這樣的嚴重非線性、多變量系統。

參考文獻:

[1]于秀芬,段海濱,龔華軍.基于人工神經網絡BP算法的倒立擺控制研究[J].測控技術,2003,22(3):41-44.

[2]張志華,朱章森,李儒兵.幾種修正的自適應神經網絡學習算法及其應用[J].地球科學,1998,23(2):179-182.

[3]蘇高利,鄧芳萍.論基于Matlab語言的BP神經網絡的改進算法[J].科技通報,2003,19(2):130-135.

第3篇：人工神經網絡的算法范文

關鍵詞：BP算法；神經網絡；工業品出廠價格指數

中圖分類號：TP183 文獻標識碼：A文章編號：1006-4311（2012）08-0112-02

0引言

工業品出廠價格指數（PPI）是衡量工業企業產品出廠價格變動趨勢和變動程度的指數，是反映某一時期生產領域價格變動情況的重要經濟指標，也是制定有關經濟政策和國民經濟核算的重要依據。

工業品出廠價格指數的調查范圍是工業企業出售給本企業以外所有單位的各種生產資料和直接出售給居民用于生活消費的各種生活資料。其中，生產資料包括原材料工業、采掘工業和加工工業3類；生活資料包括一般日用品、食品、衣著和耐用消費品4類。在PPI的結構中，生產資料所占的權重較大，超過了70%；生活資料所占的權重只有不到30%。因此PPI在很大程度上反映的是工業企業生產成本的高低。目前我國PPI覆蓋了全部39個工業行業大類，涉及186個種類，4000多種產品。

我國現行的工業品價格指數是采用算術平均法編制的。其中除包括工業企業售給商業、外貿、物資部門的產品外，還包括售給工業和其他部門的生產資料以及直接售給居民的生活消費品。通過工業生產價格指數能觀察出廠價格變動對工業總產值的影響。工業品出廠價格指數的計算公式為：工業品出廠價格指數=工業總產值總指數/工業總產量總指數×100%。我國目前編制的工業品出廠價格指數的4種分組：①輕、重工業分組；②生產資料和生活資料分組；③工業部門分組；④工業行業分組。權數計算資料來源于工業經濟普查數據。工業品出廠價格指數的權數確定，采用分攤權數。

在市場經濟活動中，資源配置是通過價格漲跌引導市場主體的經濟活動來完成的。因此，價格的波動對經濟運行會有很大的影響，價格總水平的波動也是一個重要的宏觀經濟現象。通常認為PPI反映的是工業品進入流通領域的最初價格，是制定工業品批發價格和零售價格的基礎，而CPI反映的是居民購買消費品的價格。

為抑制通貨膨脹，中央銀行需要準確把握通貨膨脹的先行指標，從而正確把握經濟和物價的未來走勢并進行前瞻性調控。根據價格傳導規律，PPI對CPI有一定的影響。研究表明PPI引導了CPI變動，其原因是生產資料價格指數、生活資料價格指數和原材料、燃料和動力價格指數都引導了CPI變動，PPI可以作為我國通貨膨脹的先行指標，政府和學者可以利用PPI預測通貨膨脹[1-2]。PPI是一個非常復雜的、受諸多因素影響的非線性系統。如果采用傳統的計量經濟模型無法很好地提高預測精度。

目前對PPI預測的研究較少，鑒于PPI的時間序列是是非線性的，為了準確和客觀地預測PPI，采用人工神經網絡預測方法。人工神經網絡是目前一種有效的預測方法，大量的仿真實驗和理論研究已經證明BP算法是一種有效的神經網絡學習算法，它具有很強的處理非線性問題的能力，近年來已經廣泛應用到經濟領域中。但在實際應用中，BP算法也暴露出一些自身的缺點，如算法容易陷入局部極值點，收斂速度慢等，這使得BP算法只能解決小規模的問題，求得全局最優的可能性較小，這樣限制了BP算法在實際中的應用。因此應用改進BP算法的人工神經網絡模型預測PPI。

1PPI預測模型的建立

人工神經網絡是理論化的人腦神經網絡的數學模型，是基于模仿大腦神經網絡結構和功能而建立的一種信息處理系統。其信息的處理是通過學習動態修改各神經元之間的連接權值閾值來實現的。根據某一學習規則，通過修改神經元之間的連接權值和閾值，存儲到神經網絡模型中，建立輸入層神經元與輸出層神經元之間的高度非線性映射關系，并通過學習后的神經網絡來識別新的模式或回憶過去的記憶。在各種神經網絡模型中，80%-90%的模型采用誤差反向傳播神經網絡（簡稱BP神經網絡）或它的變化形式。BP神經網絡是前饋網絡的核心部分，體現了人工神經網絡最精華的部分。1989年Robert Hecht-Nielson證明了對于任何的連續函數映射關系都可以用含有一個隱含層的BP神經網絡來逼近。

BP神經網絡具有非局域性、非線性、非定常性和非凸性，在信息處理方面具有如下顯著特點：BP神經網絡具有自適應和自組織能力，通過與外界環境的相互作用，從外界環境中獲取知識，把環境的統計規律反映到自身結構上來，并能有機地融合多種信息。當外界環境發生變化時，只需輸入新的資料讓模型再學習即可很快跟蹤環境的變化，可操作性強。BP神經網絡模型的建立不需要有關體系的先驗知識，主要依賴于資料，只需給網絡若干訓練實例，BP神經網絡就可以通過自學習來完成，完全能夠發現其隱含的信息，并有所創新。BP神經網絡作為一個高度的非線性動態處理系統，具有很強的容錯功能。由于神經元之間的高維、高密度的并行計算結構，神經網絡具有很強的集體計算能力，完全可以進行高維數據的實時處理，同時也可以進行分布式聯想存儲。

工業品出廠價格指數（PPI）數據來源于《中國統計年鑒（2009年）》，PPI數據時間范圍為1990年-2008年。在實際應用中，由于所采集的數據跨度較大，為提高訓練速度和靈敏性以及有效避開Sigmoid函數的飽和區，一般要求輸入數據的值在0-l之間。再有，為保證建立的模型具有一定的外推能力，最好使數據預處理后的值在0.2-0.8之間，把0-0.2和0.8-1.0的空間預留。下面是數據預處理和反預處理算法：①數據預處理法：y=（0.8-0.2）*（x-min（x））/ （max（x）-min（x））+0.2。②反預處理算法：x=（y-0.2）*（max（x）-min（x））/（0.8-0.2）+min（x）。其中：x是工業品出廠價格指數原始數據；y是預處理后的工業品出廠價格指數數據；max（x）和min（x）分別是工業品出廠價格指數原始數據取值范圍的最大值與最小值。

我國歷年PPI數據按順序構成一組時間序列，利用時間序列分析方法對我國歷年PPI數據時序進行檢驗識別，可知PPI數據服從4階自回歸模型AR（4），由此模型輸入層單元數為4個，輸出層單元數為1個。

適當的隱層數目及節點數決定于多種因素。如訓練樣本的多少、樣本噪音的大小以及所面對問題的復雜程度。隱層在BP神經網絡中起著很重要的作用，它具有高度的抽象功能，并可從輸入單元中提取特征。隱層層數的選擇與問題的復雜性有關，為了確保訓練后人工神經網絡模型的泛化能力和預測能力，應在滿足精度要求的前提下取盡可能緊湊的網絡結構。一個三層人工神經網絡模型就可解決一般函數的擬合、逼近問題。因此三層人工神經網絡能滿足預報要求。由于BP網絡在確定隱層單元數的問題上還沒有成熟的理論可依，大都根據經驗來定。目前比較有效的方法就是試錯法。本文分別組建了隱層節點數從1-35的BP網絡，為了防止出現過擬合現象，經過大量試算，最后根據試報效果，確定了較為理想的隱層單元數是6。

傳統BP網絡的學習算法實質上是一種簡單的最速下降靜態尋優算法，通常具有收斂速度慢、易陷入局部極小值和網絡推廣能力不強等方面的缺陷。本文采用MATI AB神經網絡工具箱提供的改進快速學習算法，有效克服了傳統BP網絡學習算法的缺陷。Trainlm訓練函數采用Levenberg-Marquardt優化方法，該訓練函數的效率優于最速下降靜態尋優算法。

2結果

利用1990年-2003年的我國PPI數據作為訓練樣本，采用改進BP算法的Trainlm訓練函數進行訓練構建的神經網絡，然后采用2004年-2008年的PPI數據作為檢驗樣本，利用訓練好的BP網絡對2004年-2008年的PPI進行預測，結果見表1。仿真實驗表明我國PPI訓練樣本模擬值和實際值的平均相對誤差為0.82%，模擬值和實際值的相關系數為0.994778；我國PPI檢驗樣本預測值和實際值的平均相對誤差為0.80%，預測值和實際值的相關系數為0.915313；2007年PPI預測值為102.6，PPI實際值為103.1，預測值和實際值的相對誤差為-0.48%；2008年PPI的預測值為107.4，PPI實際值為106.9，預測值和實際值的相對誤差僅為0.47%，這都與實際情況相近，結果較為滿意。并對2011年和2012年的我國PPI做了預測，PPI預測值分別為107.3和107.6。

3結論

人工神經網絡模型能夠很好地捕捉我國PPI內在的規律性，無需設計任何數學模型，通過神經元之間的相互作用來完成整個人工神經網絡的信息處理，并能得到很好的預測精度。

將人工神經網絡模型應用于我國PPI預測，PPI預測值和實際值的平均相對誤差為0.80%，預測誤差小，PPI檢驗樣本預測值與實際值的線性相關系數為0.915313，預測精度高，模型預測值和實際值能較好的吻合。

參考文獻：

[1]孫紅英,劉向榮,解玲麗.基于傳導模型的2010年價格指數預測[J].遼寧工程技術大學學報(自然科學版),2010,5:941-944.

第4篇：人工神經網絡的算法范文

【關鍵詞】自適應距離保護 人工神經網絡 BP算法

一、引言

距離保護長期以來一直是復雜電網中高壓輸電線路最重要的也是應用最廣泛的保護方案。這種保護有許多獨特的優點，如能瞬時切除輸電線80%～90%范圍內的各種故障。但是有許多原因會影響阻抗的測量精度，從而影響測量阻抗的計算，使測量阻抗為短路阻抗與附加阻抗之和，從而會引起誤動或者拒動。

基于這些問題，本文提出了人工神經網絡。近年來，人工神經網絡（ANN）逐漸得到電力系統研究人員的高度重視和廣泛研究。人工神經網絡是由眾多的神經元廣泛互聯而成的網絡。人工神經網絡以其具有自學習、自適應、較好的容錯性和優良的非線性逼近能力，廣泛應用于模式識別和模式分類等方面。

本文所采用的三層前向神經網絡的學習算法為反傳學習算法，即BP算法，學習過程采用反向傳播法。

二、基于人工神經網絡的距離保護模型

BP網絡模型也即多層前向網絡（Multi-layer Feedforward Neural Network，MFNN），因其訓練算法采用反向傳播算法，也即BP算法。由于這種算法在本質上是一種神經網絡學習的數學模型，所以，BP算法也通常暗示著神經網絡的拓撲結構是一種無反饋的多層前向網絡。

人工神經網絡是由大量簡單的基本元件——神經元相互連接而成的自適應非線性動態系統。一般而言，只要采用三層神經網絡，而且對各層神經元數目不加限制，則可在模式空間構成任意復雜程度的幾何圖形，從而對任意復雜的對象進行分類。

人工神經網絡含有輸入層、輸出層以及處于輸入輸出層之間的中間層。中間層有單層或多層，由于他們與外界沒有直接聯系，故也稱為隱層。在隱層中的神經元也稱隱單元。隱層雖然和外界不連接，但是他們的狀態則影響輸入輸出之間的關系。BP網絡的結構的每一層連接權值都可以通過學習來調節，它的基本處理單元（輸入層）除外通常為非線性輸入輸出關系。

三、神經網絡的訓練及檢驗

本文通過EMTP仿真的數據預處理中得出了這兩個子網絡的權值和閥值矩陣中，用一些不同于訓練樣本的檢測樣本（本文在故障檢測與選相子網絡是用40組進行訓練，13組進行檢測的；對故障定位子網絡是用35組進行訓練，14組進行校驗的）。每一個子網絡的隱含層節點的數目，是在訓練過程中根據最快的收斂速度和最好的精度標準通過多次采用不同的隱含層節點數目進行訓練，反復比較，根據實際的收斂效果和計算精度來選擇確定的。其中，故障檢測與選相子網絡（ANN1）的隱含層數目取為42個，故障定位子網絡（ANN2）的隱含層數目取為33個。

在確定了兩個子網絡的隱含層以后，開始對故障檢測和選相子網絡（ANN1）和故障定位子網絡（ANN2）采用BP算法進行訓練。經過對子網絡的多次訓練，其訓練過程是收斂的，其訓練速度也是令人滿意。

下面將2個子網絡的部分訓練樣本、檢驗樣本及檢驗結果。

在對第一個、第二個子網絡故障檢測與選相子網絡其訓練過程過程是收斂的，其訓練速度也是令人滿意的。

下面是子網絡ANN1的訓練樣本和訓練樣本及檢測樣本。故障類型有：內部故障，A相接地、內部故障，B相接地、內部故障，C相接地、內部故障，兩相短路、內部故障，兩相接地短路、內部故障，三相短路。理想輸出：1，0，0，0；0，1，0，0；0，0，1，0；0，0，0，1；0，0，0，1；0，0，0，1。檢驗結果：

0.9985，0.0378，0.0838，0.0230；0.0315，0.9988，0.0607，0.0121；0.1004，0.1718，0.9980，0.2715；0.2815，0.0499，0.0614，0.9864；0.2496，0.3688，0.0370，0.9798；0.0197，0.0551，0.0187，0.9981。

從上面可以清楚的看出，故障檢測和選相子網絡在各種故障情況下都能正確反映故障，并啟動保護和正確選相。

在第二個子網絡訓練過程也是表明故障定位子網絡ANN2也是收斂的，其訓練速度也是令人滿意的。

下面是故障定位子網絡ANN2的訓練樣本和檢驗樣本及結果舉例。當故障點線路全長線路全長83%，故障類型分別為單相接地、兩相故障、三相故障時，其理想輸出為1、1、1；當故障點線路全長線路全長87%，其理想輸出為0、0、0。檢測結果：當故障點線路全長線路全長83%，輸出：0.9867、0.9827、0.9572。當故障點線路全長線路全長87%，輸出：0.1758、0.1820、0.1602。

從上面數據可以看到，故障定位子網絡距離保護經過訓練以后，基本能夠正確的識別故障點位置。

四、結論

本論文針對傳統距離保護在系統發生振蕩和系統經過過渡電阻發生故障時，可能會誤動或拒動等，因此，提出了基于BP人工神經網絡自適應距離保護原理由兩個相互獨立的子網絡來實現，即故障檢測與選相子網絡和故障定位子網絡。兩個子網絡組成一個并行處理系統，經過大量的訓練樣本進行訓練，投入實際運行線路中，根據本身需要提取輸電線路的運行參數，對電力系統運行狀態進行判斷。研究結果表明，用人工神經網絡實現最復雜的保護原理——距離保護是可行的，而且具有顯著的優點。

參考文獻：

[1]賀家李，宋從矩.電力系統繼電保護原理（第三版）[M].北京：中國電力出版社，2001.

第5篇：人工神經網絡的算法范文

關鍵詞人工神經網絡；發展；應用

中圖分類號：TP183 文獻標識碼：A 文章編號：1671-7597（2014）12-0003-01

隨著科學技術的發展，各個行業和領域都在進行人工智能化的研究工作，已經成為專家學者研究的熱點。人工神經網絡就是在人工智能基礎上發展而來的重要分支，對人工智能的發展具有重要的促進作用。人工神經網絡從形成之初發展至今，經歷了不同的發展階段，并且在經濟、生物、醫學等領域得到了廣泛的應用，解決了許多技術上的難題。

1人工神經網絡概述

關于人工神經網絡，到目前為止還沒有一個得到廣泛認可的統一定義，綜合各專家學者的觀點可以將人工神經網絡簡單的概括為是模仿人腦的結構和功能的計算機信息處理系統[1]。人工神經網絡具有自身的發展特性，其具有很強的并行結構以及并行處理的能力，在實時和動態控制時能夠起到很好的作用；人工神經網絡具有非線性映射的特性，對處理非線性控制的問題時能給予一定的幫助；人工神經網絡可以通過訓練掌握數據歸納和處理的能力，因此在數學模型等難以處理時對問題進行解決；人工神經網絡的適應性和集成性很強，能夠適應不同規模的信息處理和大規模集成數據的處理與控制；人工神經網絡不但在軟件技術上比較成熟，而且近年來在硬件方面也得到了較大發展，提高了人工神經網絡系統的信息處理能力。

2人工神經網絡的發展歷程

2.1 萌芽時期

在20世紀40年代，生物學家McCulloch與數學家Pitts共同發表文章，第一次提出了關于神經元的模型M-P模型，這一理論的提出為神經網絡模型的研究和開發奠定了基礎，在此基礎上人工神經網絡研究逐漸展開。1951年，心理學家Hebb提出了關于連接權數值強化的法則，為神經網絡的學習功能開發進行了鋪墊。之后生物學家Eccles通過實驗證實了突觸的真實分流，為神經網絡研究突觸的模擬功能提供了真實的模型基礎以及生物學的依據[2]。隨后，出現了能夠模擬行為以及條件反射的處理機和自適應線性網絡模型，提高了人工神經網絡的速度和精準度。這一系列研究成果的出現為人工神經網絡的形成和發展提供了可能。

2.2 低谷時期

在人工神經網絡形成的初期，人們只是熱衷于對它的研究，卻對其自身的局限進行了忽視。Minskyh和Papert通過多年對神經網絡的研究，在1969年對之前所取得的研究成果提出了質疑，認為當前研究出的神經網絡只合適處理比較簡單的線性問題，對于非線性問題以及多層網絡問題卻無法解決。由于他們的質疑，使神經網絡的發展進入了低谷時期，但是在這一時期，專家和學者也并沒有停止對神經網絡的研究，針對他們的質疑也得出一些相應的研究成果。

2.3 復興時期

美國的物理學家Hopfield在1982年提出了新的神經網絡模型，并通過實驗證明在滿足一定的條件時，神經網絡是能夠達到穩定的狀態的。通過他的研究和帶動，眾多專家學者又重新開始了對人工神經網絡方面的研究，推動了神經網絡的再一次發展[3]。經過專家學者的不斷努力，提出了各種不同的人工神經網絡的模型，神經網絡理論研究不斷深化，新的理論和方法層出不窮，使神經網絡的研究和應用進入了一個嶄新的時期。

2.4 穩步發展時期

隨著人工神經網絡研究在世界范圍內的再次興起，我國也迎來了相關理論研究的熱潮，在人工神經網絡和計算機技術方面取得了突破性的進展。到20世紀90年代時，國內對于神經網絡領域的研究得到了進一步的完善和發展，而且能夠利用神經網絡對非線性的系統控制問題進行解決，研究成果顯著。隨著各類人工神經網絡的相關刊物的創建和相關學術會議的召開，我國人工神經網絡的研究和應用條件逐步改善，得到了國際的關注。

隨著人工神經網絡的穩步發展，逐漸建立了光學神經網絡系統，利用光學的強大功能，提高了人工神經網絡的學習能力和自適應能力。對非線性動態系統的控制問題，采取有效措施，提高超平面的光滑性，對其精度進行改進。之后有專家提出了關于人工神經網絡的抽取算法，雖然保證了精度，但也加大了消耗，在一定程度上降低了神經網絡的效率，因此在此基礎上又提出了改進算法FERNN。混沌神經網絡的發展也得到了相應的進步，提高了神經網絡的泛化能力。

3人工神經網絡的應用

3.1 在信息領域中的應用

人工神經網絡在信息領域中的應用主要體現在信息處理和模式識別兩個方面。由于科技的發展，當代信息處理工作越來越復雜，利用人工神經網絡系統可以對人的思維進行模仿甚至是替代，面對問題自動診斷和解決，能夠輕松解決許多傳統方法無法解決的問題，在軍事信息處理中的應用極為廣泛[4]。模式識別是對事物表象的各種信息進行整理和分析，對事物進行辨別和解釋的一個過程，這樣對信息進行處理的過程與人類大腦的思維方式很相像。模式識別的方法可以分為兩種，一種是統計模式識別，還有一種是結構模式識別，在語音識別和指紋識別等方面得到了廣泛的應用。

3.2 在醫學領域的應用

人工神經網絡對于非線性問題處理十分有效，而人體的構成和疾病形成的原因十分復雜，具有不可預測性，在生物信號的表現形式和變化規律上也很難掌握，信息檢測和分析等諸多方面都存在著復雜的非線性聯系，所以應用人工神經網絡決解這些非線性問題具有特殊意義[5]。目前，在醫學領域中的應用涉及到理論和臨床的各個方面，最主要的是生物信號的檢測和自動分析以及專家系統等方面的應用。

3.3 在經濟領域中的應用

經濟領域中的商品價格、供需關系、風險系數等方面的信息構成也十分復雜且變幻莫測，人工神經網絡可以對不完整的信息以及模糊不確定的信息進行簡單明了的處理，與傳統的經濟統計方法相比具有其無法比擬的優勢，數據分析的穩定性和可靠性更強。

3.4 在其他領域的應用

人工神經網絡在控制領域、交通領域、心理學領域等方面都有很廣泛的應用，能夠對高難度的非線性問題進行處理，對交通運輸方面進行集成式的管理，以其高適應性和優秀的模擬性能解決了許多傳統方法無法解決的問題，促進了各個領域的快速發展。

4總結

隨著科技的發展，人工智能系統將進入更加高級的發展階段，人工神經網絡也將得到更快的發展和更加廣泛的應用。人工神經網絡也許無法完全對人腦進行取代，但是其特有的非線性信息處理能力解決了許多人工無法解決的問題，在智能系統的各個領域中得到成功應用，今后的發展趨勢將向著更加智能和集成的方向發展。

參考文獻

[1]徐用懋，馮恩波.人工神經網絡的發展及其在控制中的應用[J].化工進展，1993（5）：8-12，20.

[2]湯素麗，羅宇鋒.人工神經網絡技術的發展與應用[J].電腦開發與應用，2009（10）：59-61.

[3]李會玲，柴秋燕.人工神經網絡與神經網絡控制的發展及展望[J].邢臺職業技術學院學報，2009（5）：44-46.

第6篇：人工神經網絡的算法范文

e.高曼等著

人工神經網絡(anns)作為強大的計算工具,應用于分類、模式識別、函數逼近和生物神經網絡建模等領域。人工神經網絡具有從實例中學習的程序,它們可以解決那些還不知道算法解的難題。但是,人工神經網絡的缺點之一就是它學習的知識是通過一種非常不透明的形式來表示,這就是人工網絡的“黑箱”特性。在本專著中,作者介紹了一種新型的模糊規制庫(frb),稱為模糊全排列規制庫(farb)。作者證明了模糊全排列規制庫和人工神經網絡具有等價性,這種等價性把符號范式模糊規制庫和亞符號范式人工神經網絡的優點融為一體。基于這一點,作者使用模糊全排列規制庫設計了一種新的基于知識的神經計算方法。

本書共7章。1. 引言,介紹了人工神經網絡(anns)、模糊規制庫(frbs)、人工神經網絡與模糊規制庫的協同、基于知識的神經計算、模糊全排列規制庫;2. 模糊全排列規制庫,引入定義、輸入輸出映射;3. 模糊全排列規制庫和人工神經網絡的等價性,介紹模糊全排列規制庫和前饋的人工神經網絡、模糊全排列規制庫和一階遞歸神經網絡(rnns)、模糊全排列規制庫和二階遞歸神經網絡、總結;4. 規制簡化,介紹靈敏度分析、一種簡化模糊全排列規制庫的方法;5. 采用模糊全排列規制庫的知識提取,主要包括艾里斯分類問題、發光二極管顯示屏識別問題、l4語言識別問題;6. 人工神經網絡基于知識的設計,包括直接法、模塊法;7. 結論和后續工作,后續工作包括規則化的網絡訓練、在訓練過程中進行知識提取、從支持向量機中做知識提取、從網絡訓練中做知識提取。

本書簡明扼要,內容新穎,適合模糊集、粗糙集、神經網絡、演化式計算、概率和論據推理、多值邏輯等相關領域研究生和研究人員參考學習。

陳濤,碩士

第7篇：人工神經網絡的算法范文

摘要：本文在用人工神經網絡BP模型對流域年均含沙量進行多因素建模過程中，對BP算法進行了改進。在學習速率η的選取上引進了一維搜索法，解決了人工輸入η時，若η值過小，收斂速度太慢，η值過大，又會使誤差函數值振蕩，導致算法不收斂的問題。建模實踐表明，改進后的BP算法可能使網絡誤差函數達到局部極小點，提高了算法的擬合精度。

關鍵詞：BP算法 學習速率 年均含沙量 一維搜索法

我國河流眾多，自然資源十分豐富，但江河流域水土流失非常嚴重，給國家的可持續發展以及生態環境帶來較大的危害。對于流域產沙的定量研究，一般采用單因子線性回歸方法。這類方法雖然也能反映出某種統計特性，但不能刻畫自然界復雜的非線性特性。人工神經網絡BP網絡模型是復雜非線性映射的新方法。在引入這一新的定量研究方法對流域年均含沙量進行建模預測時發現：算法中學習速率η值的選取對算法成敗起著關鍵作用，若η值過小，收斂速度太慢，而η值過大，又會使誤差函數值不下降，導致算法不收斂。本文正是針對這一問題進行了探討。

1 BP網絡模型及學習率η固定的弊端

人工神經網絡理論是80年代中后期迅速發展起來的一門前沿科學，其應用已滲透到各個領域[1]。BP(Back Propagation)神經網絡模型是人工神經網絡理論的重要模型之一，應用尤為廣泛。盡管BP網絡模型發展逐步成熟，但仍然存在許多問題，在理論上需要完善[2]。BP算法主要包括兩個過程，一是由學習樣本、網絡權值ω從輸入層隱含層輸出層逐次算出各層節點的輸出；二是反過來由計算輸出與實際輸出偏差構出的誤差函數E（ω），用梯度下降法調節網絡權值，即ωk+1=ωk+η()使誤差E(ωk+1)減小。

第8篇：人工神經網絡的算法范文

關鍵詞：人工神經；網絡游戲程序；研究和設計；分析探究

中圖分類號：TP183 文獻標識碼：A 文章編號：1671-2064（2017）01-0044-01

近年來，在網絡游戲發展過程中，圖像的呈現質量已經提升到了一個極高的水平，人工智能游戲已經成為決定一款游戲成功與否的重要關鍵，并受到了游戲開發商的廣泛關注和高度重視。網絡游戲作為一種目標性、競爭性、互動性、情節性的娛樂作品，它的智能水平對游戲的質量和可玩性具有著直接的影響作用。因此，將計算機圖形學和人工智能有機的結合起來，把人工智能中的預測、路徑規劃、搜索、學習等技術有效的應用到網絡游戲的研發工作中去，不僅能夠提升游戲的質量和可玩性，同時還有利于促進游戲開發企業的發展。

1 人工神經網絡分析

人腦可以用一套較為獨特的方法來解決相關問題，并且還能夠從正反兩面的行為差異中進行學習，經過研究發現，人腦是由十萬種類的遺傳因子中的十萬億個細胞組合而成，人工神經網絡就相當于模擬人腦功能的一個數學模型。其中神經元作為人腦系統中處理基本信息的單元，是人體神經器官的重要組成部分，通過軸將各個神經元進行有效連接，而其他神經元的發送的信號能夠使當前神經元產生相應的反映，這一反映如果能夠達到特定的閾值，就會逐漸產生一種新的信號，并且沿著軸將信號傳輸到其他神經元[1]。人工神經網絡主要就是由各種節點相互連接組合形成的，節點類似于人腦的各個神經元細胞，會存在一些節點連接外部環境，主要負責相關的信息輸出和輸入工作，被稱作是輸出點或者輸入點，而另外一些網絡內部的節點，通常被稱作隱藏節點。隱藏節點的信息輸出通常是輸出節點的信息輸入，輸入節點的信息輸出通常是隱藏節點的信息輸入。

此外，人工神經網絡的主要核心思想就是對人類大腦神經系統功能進行模擬的機器學習的一種方法，并且通過對系統內部各個神經元的各種連接參數進行反復的調節，使得神經網絡系統得到訓練，并且在遇到一定情況時能夠做出最佳的反映[2]。總之，神經網絡作為一項發展較為成熟的技術，其在解決相關問題之后，將會使網絡游戲的智能化提升到一個全新的高度。

2 人工神經網絡中的游戲學習設計分析

與傳統方法相比，神經網絡解決問題的方式有著明顯的不同，其具有著較強的自主學習能力，經過不斷的學習，ANN可以從未知式中的各種復雜數據信息中發現規律[3]。這種神經網絡方法在很大程度上克服了傳統方法在分析中的復雜性以及各種模型函數選擇的困難，通過訓練對問題進行解答，ANN可以較為快速的建立解決問題的非線性和線性模型。如果想要人工神經網絡進行運作，首先就需要讓網絡進行學習，不斷的訓練網絡，幫助它獲取更多的知識信息，最后將這些信息有效的存儲起來。一旦完成相關的訓練和學習，就可以將知識有效的存儲在權值中。在游戲的開發過程中，將神經網絡模型看作是人物建模的基礎，通過對玩家將要進行的動作或者選擇的畫面場景進行預測，運用神經網絡進行信息存儲，并且在游戲的運行過程中要保證學習元素的有效運行，進而讓神經網絡潛移默化的學會相應的自適應技術，最終實現游戲的可玩性和趣味性，提升游戲的開發設計質量和效果，進而吸引更多的游戲玩家。

3 BP神經網絡游戲開發設計分析

在神經網絡的眾多模型中，BP算法是其中較為常用的一種神經網絡，一般分為輸入層、輸出層、中間層等三個部分，各個層之間按順序進行連接，因為中間存在隱含層，可以從中發現一定的學習規律，可以通過對這種網絡的有效訓練，進而形成一種較為復雜、多樣的決策界面[4]。同時，BP神經網絡具有一個強大的功能，其主要就是能夠封裝一個將信息輸入映射到信息輸出的非線性函數。假如不存在隱含層，那么神經網絡只能發現信息輸入與信息輸出之間存在的線性關系。但是，僅僅是為感知網絡增添一個隱含層還是遠遠不夠的，需要通過非線性激活函數為網絡連接提供相應的非線性元素。大多數的非線性函數基本上都能夠進行使用，但是多項式函數除外。

在游戲中，設置網絡作為神經網絡實現的基本步驟，可以將特定數據當做輸入訓練網絡，并且在游戲的具體輸入中進行實際應用。在游戲問題的神經網絡設計中，應該注意結構、學習、神經元特點等三個方面的因素。其中結構主要就是指要進行構造的神經網絡組織、連接方式以及基本類型。而且在神經網絡中節點數設計要遵循相關的原則就是越少越好。神經網絡中的節點數越多，那么神經網絡搜索正確解的空間范圍就越廣闊[5]。神經網絡中輸入節點數在一定程度上決定著模式匹配或網絡分類的變量數，例如，籃球類型的游戲中，運動員投籃命中、灌籃動作、球員分布、難度等級等變量數。

4 結語

總而言之，網絡游戲作為一種新型的娛樂方式，具有著較強的生活模擬性和互動性，深受廣大社會群眾的喜愛。因此，我國應該重視游戲產業的發展，不斷加大對網絡游戲的開發和設計，將神經網絡有效的應用到網絡游戲開發的實踐中去，尤其是BP神經網絡，它不僅可以預測玩家的行為，及時提供信息反饋，同時還能提高網絡游戲的可玩性和趣味性，提升游戲設計的整體質量和效果，有利于促進我國游戲開發產業的發展和進步。

參考文獻：

[1]余穎.基于神經網絡和遺傳算法的人工智能游戲研究與應用[D].湖南大學，2011.

[2]王淑琴.神經網絡和遺傳算法在游戲設計中的應用研究[D].東北師范大學，2014.

[3]f潭凱.神經網絡在即時戰略游戲中的應用[D].福州大學，2014.

第9篇：人工神經網絡的算法范文

隨著計算機網絡、信息技術、自動化技術的進步，極大的改變了我們的生活。人工神經網絡技術是一種全新的控制技術，通過互聯網進行動態模擬，從而建立一種新的控制互聯網的系統。經過十幾年的發展，人工神經網絡技術研究取得了巨大的進步，已經廣泛應用在社會各個領域，使現代計算機中的難題得到了解決。本文主要從人工神經網絡技術的概念出發，探討了它在現代社會領域的具體應用。

【關鍵詞】人工神經網絡 信息技術 發展趨勢

人工神經網絡技術在處理實際問題主要包括兩個過程，一個是學習訓練過程，另外一個是記憶聯想過程。近年來隨著人工網絡技術的發展，人工神經網絡技術在信號處理、圖像處理、智能識別等領域已經取得了巨大的改變，為人們研究各類科學問題提供了一種新的方法和手段，使人們在交通運輸、人工智能、軍事、信息領域的工作更加便捷，近年來隨著AI的l展，人工神經網絡技術得到了快速的發展階段。

1 人工神經網絡技術

人工神經網絡技術也稱ANN，是隨著上個世紀八十年代人工智能發展興起的一個研究熱點，它的主要工作原理對人腦神經網絡進行抽象處理，并仿造人腦神經網絡建立簡單的模型，按照不同的連接方式組成一個完整的網絡，因此學術界也直接將它成為神經網絡。神經網絡其實就是一種運算模型，它是通過大量的節點――神經元連接起來的，其中不同的節點所代表的輸出函數也不同，也就是所謂的激勵函數；當有兩個節點連接起來時稱之為通過該連接信號的加權值，也稱為權重，這就相當人腦神經網絡記憶。人工神經網絡技術是采用并行分布式系統，這種工作機理與傳統的信息處理技術和人工智能技術完全不同，是一種全新的技術，它克服了傳統基于邏輯符號的人工智能處理非結構信息化和直覺方面的缺陷，具有實時學習、自適應性和自組織性等特點。

2 人工神經網絡技術應用分析

隨著人工神經網絡技術的發展，它在模式識別、知識工程、信號處理、專家系統、機器人控制等方面的應用較廣。

2.1 生物信號的檢測分析

目前大部分醫學檢測設備都是通過連續波形得到相關數據，從而根據所得數據對病情進行診斷。人工神經網絡技術就是應用了這樣的方式將多個神經元組合起來構成，解決了生物醫學信號檢測方面的難題，其適應性和獨立性強，分布貯藏功能多。在生物醫學領域該技術主要應用于對心電信號、聽覺誘發電位信號、醫學圖像、肌電荷胃腸等信號的處理、識別和分析。

2.2 醫學專家系統

傳統的醫院專家系統是直接將專家的經驗、學歷、臨床診斷方面取得的成績等存儲在計算機中，構建獨立的醫學知識庫，通過邏輯推理進行診斷的一種方式。進入到二十一世紀，醫院需要存儲的醫學知識越來越多，每天產生新的病況和知識，過去的一些專家系統顯然已經無法適應醫院的發展需求，因此醫院的效率很低。而人工神經網絡技術的出現為醫院專家系統的構建提出了新的發展方向，通過人工神經網絡技術，系統能夠自主學習、自己組織、自行推理。因此在醫學專家系統中該網絡技術應用面較廣。麻醉醫學、重癥醫學中生理變量分析和評估較多，目前臨床上一些還沒有確切證據或者尚未發現的關系與現象，通過人工神經網絡便能有效地解決。

2.3 市場價格預測

在經濟活動中，傳統統計方法受到一些因素的制約，無法對價格變動做出準確的預測，因此難免在預測的時候出現失誤的現象。人工神經網絡技術能夠處理那些不完整的、規律不明顯、模糊不確定的數據，并作出有效地預測，因此人工神經網絡技術具有傳統統計方法無法比擬的優勢。例如人工神經網絡技術可以通過分析居民人均收入、貸款利率和城市化發展水平，從而組建一個完整的預測模型，準確預測出商品的價格變動情況。

2.4 風險評價

在從事某一項特定的活動時，由于社會上一些不確定因素，可能造成當事人經濟上或者其他方面的損失。因此在進行某一項活動時，對活動進行有效的預測和評估，避免風險。人工神經網絡技術可以根據風險的實際來源，構筑一套信用風險模型結構和風險評估系數，從而提出有效地解決方案。通過信用風險模型分析彌補主觀預測方面的不足，從而達到避免風險的目的。

3 人工神經網絡技術未來發展

人工神經網絡克服了傳統人工智能對語言識別、模式、非結構化信息處理的缺陷，因此在模式識別、神經專家系統、智能控制、信息處理和天氣預測等領域廣泛應用。隨著科學技術的進步，AI的快速發展，AI與遺傳算法、模糊系統等方面結合，形成了計算智能，很多企業和國家開始大規模研發AI，人工神經網絡正在模擬人類認知的方向發展，目前市場已經有很多不少人工智能產品面世。

4 結語

通過上述研究分析，人工神經網絡技術已經取得了相應的發展，但還存在很多不足：應用范圍狹窄、預測精度低、通用模型缺乏創新等，因此需要我們在此基礎上不斷尋找新的突破點，加強對生物神經元系統的研究和探索，進一步挖掘其潛在的價值，將人工神經網絡技術應用在更多領域中，為社會創造更大的財富。

參考文獻

[1]周文婷，孟琪.運動員賽前心理調控的新策略――基于人工神經網絡技術的比賽場地聲景預測（綜述）[J].哈爾濱體育學院學報，2015，33（03）：15-21.

[2]張紅蘭.人工神經網絡技術的應用現狀分析[J].中國新通信，2014（02）：76-76.

[3]張廣軍.人工神經網絡技術在光電檢測中的應用[J].北京航空航天大學學報，2001，27（05）：564-568.