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實現過程主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：神經網絡的實現過程范文

關鍵詞：神經網絡 化工過程 人工智能

中圖分類號：TM835 文獻標識碼：A 文章編號：1007-9416（2016）12-0024-01

大量的處理單元就如同神經單元一樣，經過一系列的排列組合構成了復雜的神經網絡系統，廣泛應用于復雜信息處理、機器視覺、智能化控制等方面。仿生學的設計和智能化軟件的設計，使得神經網絡系統具有自動處理數據、自動組織、自動學習，使得化工過程控制具有高精度、高安全系數、智能化的特點?；どa是一個復雜的生產過程，其中涉及的設備多，涉及的工藝復雜，控制難度高，如何促進化工生產的過程控制，從而實現科學管理、優化生產、提高生產率的目的。設備的多樣、工藝的復雜、流程復雜等一系列的因素，使得神元或者是多個單元實現智能化控制，既能收集生產過程產生的數據，而且也能對這些數據進行處理，達到監測生產環境、監控生產過程、實時優化生產的目的。

1 神經網絡技術的基本理論和基本結構

神經網絡技術的發展是建立在對人腦神經系統的構成和作用機制認識的基礎上，神經單元構成了龐大的神經系統，神經單元接受信息并傳遞信息，神經中樞處理信息并反饋信息。神經網絡技術模擬神經系統處理單元類似于神經單元，計算機控制系統相當于神經中樞，分析數據、處理數據、輸出結果。計算機技術的發展、傳感器的應用，為神經網絡的發展提供了基礎。神經網絡包括一個輸入層和輸出層，若干的隱含層。輸入層的作用是接受外部信息并傳遞信息；輸出層的作用是接受輸入層傳遞的信息，處理信息并反饋信息；隱含層的作用是將輸入層的信息進行組合，預處理。信息的接受、傳遞、處理和反饋一系列的過程使神經網絡發揮作用的過程。

由于處理單元的應用，使得神經網絡系統是一種自學習、自處理、自組織的智能化系統。神經系統的運行類似于人學習的過程，由簡單到復雜，不斷的修正節點的連接方式，直到輸出滿意的結果和符合實際應用。神經網絡系統是建立在數學模型的基礎上，利用數學建模搭建神經網絡節點，建模主要有M-P模型、BP模型、RBF模型等。根據外部參數的不同和應用的目的，采用不同的函數，如可逆函數、線性函數、非線性函數、S函數等等，建立數學模型，輸入參數，不斷的優化模型，優化的過程使神經網絡系統自學的過程。神經網絡訓練算法與模型的設置有關，如BP模型采取反傳處理誤差的訓練算法，優化算法，達到優化模型的目的，使建立的模型更加符合實際應用情況。

2 神經網絡在化工過程控制中的應用

神經網絡具有很強的信息處理能力、自學習能力、自組織能力。根據輸出的信息，可以建立信息之間的關系和處理多余的信息，簡化生產過程中的信息，檢測生產環境，監控生產，達到最優化的生產過程。神經網絡覆蓋生產過程中的所有要考慮的因素，因此神經網絡的應用也覆蓋化工過程控制的方方面面。

化工生產涉及的環節多種多樣，當某一環節發生故障，若處理不及時，將使這一環節癱瘓甚至使整個生產過程癱瘓，造成重大安全事故。高效、實時、預測的檢測和診斷故障的系統是化工過程控制中安全、高效生產的保障。美國的科學家首次提出將神經網絡技術用于化工過程控制中，用于檢測、診斷、預警故障。神經網絡系統是一種仿生系統，具有思維、意識和學習能力的動力學系統，能夠處理復雜的事物和環境，根據實際生產過程不斷校正系統，實時監測參數的變化，對故障進行診斷和報警。目前主流的故障診斷的神經網絡系統有：反傳動態經網絡控制系統、自適應神經網絡控制系統和RBF神經網絡控制系統。

神經網絡技術主要靠傳感器接受外部信息，大量傳感器的應用，有利于智能化控制生產過程?；み^程的控制主要是對生產過程中的機器控制，生產過程涉及的機器種類繁多，同時維持安全、高效率階段比較困難。神經網絡系統自動控制機器生產，控制生產參數和生產流程，最優化生產過程控制和安全化控制，實時跟蹤控制生產。控制主要有兩種基本的方法，一種數學建模，將對象的目標信息作為標準，經過不斷的訓練和反饋，修正誤差，化模型，優化控制模式；另外一種是控制器設置，如PID控制器，實現實時控制，不僅對精確知識進行處理，而且對模糊信息也能進行處理。國內外都已經有成熟的化工過程控制中的神經網絡系統，如對乙酸乙烯酯聚合成乳液過程的實時控制，氯氣生產過程的故障預報神經網絡系統。

3 總結

神經網絡技術是21世紀最重要的技術之一，化工過程控制是化工生產的安全保障?；み^程控制應用神經網絡技術，有利于提高控制的安全系數，提高生產效率，有利于智能化管理，提高管理水平，有利于整個社會生產力水平的提高和社會智能化發展。化工過程控制采取神經網絡技術，有利于工業技術的創新和改善工人工作環境，保障工人人身安全。

參考文獻

第2篇：神經網絡的實現過程范文

隨著社會工業化速度的不斷加速，能源的競爭愈來愈激烈。生物質能源作為一種可再生的清潔能源被廣泛認可，生物氣化技術就是利用生物質能的一種有效手段，對經濟的發展和環境的保護都起到積極作用。但是，生物氣化技術是一種熱化學處理技術，其工作過程十分復雜，包含著大量的不確定因素，這就需要運用生物質氣化爐的智能控制系統來達到預期的控制效果。新形勢下，積極運用模糊神經網絡對生物質氣化爐進行智能控制，是實現可靠控制效果的重要舉措。

【關鍵詞】模糊神經網絡 生物質氣化爐 智能控制

生物質氣化過程是一項復雜化學反應過程，具有非線性、不穩定性、負荷干擾等特性，只有實行智能控制才能受到良好的控制效果。模糊神經網絡作為智能研究比較活躍的領域，有效融合了神經網絡和模糊理論的優點，能夠有效的解決生物質氣化過程中的非線性、模糊性等問題，既保證控制的精確度，又能進行快速地升降溫。本文通過對模糊神經網絡的內涵特征進行全面分析，闡述了基于模糊神經網絡的生物質氣化爐的智能控制，并通過仿真實驗進行反復驗證。

1 模糊神經網絡的內涵功能

簡而言之模糊神經網絡就是具有模糊權值和輸入信號的神經網絡。模糊神經網絡是自動化控制領域內一門新興技術，其本質上是將常規的神經網絡輸入模糊信號，因而模糊神經網絡具備了模糊系統和神經網絡的優勢，集邏輯推理、語言計算等能力于一身，具有學習、聯想、模糊信息處理等功能。模糊神經網絡是智能控制和自動化不斷發展的產物，在充分利用神經網絡的并行處理能力的基礎上，大大提高了模糊系統的推理能力。

模糊神經網絡是科技發展的產物，有效吸收了神經網絡系統和模糊系統的優點，在智能控制和自動化發展等方面有著重要的作用，能夠有效地處理非線性、模糊性等諸多問題，在處理智能信息方面能夠發揮巨大潛力。模糊神經網絡形式多種多樣，主要包括邏輯模糊神經網絡、算術模糊神經網絡、混合模糊神經網絡等多種類型，被廣泛的運用于模糊回歸、模糊控制器、模糊譜系分析、通用逼近器等方面的研究中，隨著智能控制和自動化領域的不斷發展，模糊神經網絡廣泛應用于智能控制領域。

2 基于模糊神經網絡的生物質氣化爐的智能控制系統

2.1 溫度智能控制系統

生物質熱值、給料理以及一次風量等因素變化能夠影響到生物質氣化爐的爐溫，但是最重要的影響因素是在氣化爐工作過程中物料物理和化學反應的放熱和吸熱。由于生物質氣化工作過程中的生物質熱值的變化范圍較小，在實際運行中很難測量與控制，有時可以忽略不計，同時，該工作過程中存在非線性和大滯后等問題，采用傳統的數學模型達不到預期測量效果，因此需要利用模糊神經網絡設計氣化爐爐溫控制系統，不斷的提高溫度的控制效果。模糊神經網絡首先根據當前溫度以及設定溫度設，主控制器對最優的生物質物料添加量進行預測，然后由副控制根據該添加量，全面跟蹤控制送料速度，從而能夠進行精確上料和控制爐溫。模糊神經網絡系統十分龐大復，其中包含了大量錯綜復雜的神經元，蘊含對非線性的可微分函數訓練權值的基本理念。模糊神經網絡具有正向傳遞和反向傳播兩個不同的功能，在信息的正向傳遞中，采用逐步運算的方式對輸入的數據信息進行處理，信息依次進入輸入層、隱含層最終到達輸出層。假如在輸出層獲得的輸出信息沒達到預期效果時，就會在計算輸出層的偏差變化值后通過網絡將偏差信號按原路反向傳回，與此同時各層神經元的權值也會隨之進行改變，直到符合預期的控制效果。

2.2 含氧量智能控制系統

在生物質氣化工作過程中，可燃氣體的含氧量是衡量其生產質量的重要依據，能夠嚴重影響氣化產物的安全使用，因此，通過模糊神經網絡實現生物質氣化爐含氧量的智能控制十分重要。其含氧量智能控制系統的目的是為了合理控制可燃氣體的含氧量，從而穩定氣化爐的溫度。但是，一次風進風量是影響可燃氣體的含氧量的重要因素，所以可以把控制一次風量作為主要調節手段，有效地解決含氧量控制和爐溫控制之間的矛盾，在控制爐溫的前提條件下，最大程度地降低可燃氣體含氧量，進而有效控制氣化產物含氧量的。生物質氣化爐含氧量的智能控制系統是嚴格運用模糊神經網絡控制原理，主控制器采用溫度模糊免疫 PID控制，根據爐內含氧量和溫度的偏差進行推算，查找出鼓風機轉速的最優狀態，副控制則以此為根據，全面跟隨與控制鼓風機的速度，確保鼓風機轉速。生物質氣化爐工作過程中的不同階段和部件具有不同的控制要求，模糊神經網絡就要充分發揮被控對象的優良性能，根據不同的控制要求，合理運用模糊神經網絡控制原理對 PID參數模型中的數據信息進行在線修改，從而達到預期的控制效果。

3 基于模糊神經網絡的生物質氣化爐智能控制系統的仿真實驗

為了驗證運用模糊神經網絡進行生物質氣化爐的智能控制的真實效果，對生物質氣化爐的溫度智能控制系統進行仿真實驗，并進行詳細地分析。為了保證生物質氣化爐能夠在條件大體一致的狀態下進行運行狀況，仿真實驗可以采用組合預測算法。首先要到某廠氣化爐現場采集2000組干燥層溫度數據，并且從中選取連續1500組作為仿真實驗樣本數據，然后對剩余500組實驗樣本數據進行研究，通過兩組數據的分析建立預測模型。然后采用模糊神經網絡對生物質氣化爐的溫度控制系統進行三次模擬化實驗，三種不同情況下的仿真試驗結果為：在無外界任何干擾的情況下，模糊神經網絡控制無論在超調量還是其他方面，都比單純的模糊控制效果好；在生物質給料量擾動的情況下，模糊神經網絡控制要比單純的模糊控制所受的影響要小很多；在發生一次風量攪動的情況下，模糊神經網絡控制仍受到極小的影響。從三種不同情況下的仿真試驗中可以看出基于模糊神經網絡的生物質氣化爐的爐溫智能控制系統效果較好，具有極強的抗干擾性，能夠有效地預測氣化爐溫度實時值，把平均誤差控制在很小范圍內，并且智能控制系統能實時跟蹤實際溫度的變化，根據實際溫度的變化做出相應的變化，從而能夠有效地控制氣化爐溫度和可燃氣體含氧量。

4 結束語

總之，基于模糊神經網絡的生物質氣化爐的智能控制系統具有較好的控制效果，有效的解決了生物質氣化過程中的一系列問題，能夠十分精確地控制生物質氣化爐的爐溫及可燃氣體的含氧量，對于保證社會經濟的穩定發展以及生態環境的改善發揮了重要作用。

參考文獻

[1]王春華.基于模糊神經網絡的生物質氣化爐的智能控制[J].動力工程，2009（09）：828-830.

[2]王中賢.熱管生物質氣化爐的模擬與試驗[J].江蘇大學學報：自然科學版，2008，29（6）：512-515.

第3篇：神經網絡的實現過程范文

關鍵詞：圖像復原 BP神經網絡 Hopfield神經網絡 應用

中圖分類號：TP391.41 文獻標識碼：A 文章編號：1007-9416（2013）11-0040-02

1 引言

圖像復原是一項富有現實意義的工作，它涉及到廣泛的技術領域，是圖像處理領域研究的焦點之一。在得到圖像的過程中，由于各種各樣的原因，包括與觀測對象的相對運動、介質散射、成像系統缺陷和環境噪聲等原因，使得最終的圖像都會有一定程度的退化。圖像復原就是從退化的圖像中恢復圖像的本來面目。傳統的圖像復原處理問題的關鍵在于建立退化模型，估計退化過程中的參數，由此通過相應的逆過程得到原始圖像。獲得準確的圖像退化模型是比較困難的事情。大多數圖像復原的實際問題是點擴展函數以及原始圖像均未知的盲復原問題，這類問題具有更嚴重的病態性因而進一步增加了解決的難度。人工神經網絡（Artificial Neural Network，ANN）為圖像復原問題的解決提供了另外一條路徑，這是基于人工神經網絡具有的模擬人類神經的非線性、自組織、自學習、自適應特性。一般而言，人工神經網絡適合于解決無法或很難精確建立數學模型、不完全清楚內部機理的問題，人工神經網絡的很多特性適合解決圖像復原問題。近些年來，對人工神經網絡應用于圖像復原的研究越來越多，形成了很多豐富的神經網絡模型和算法。BP（Back Propagation反向傳播）和Hopfield（霍普菲爾德）是典型的人工神經網絡類型，也是在圖像復原領域應用較多的神經網絡類型。

2 BP神經網絡在圖像復原中的應用

2.1 BP神經網絡的特性

BP神經網絡是上世紀80年代美國加州大學的Rumelhart、McClelland及其團隊研究并行分布信息處理時提出的采用反向傳播算法的多層前饋網絡。BP神經網絡具有良好的泛化能力，其隱層的非線性傳遞函數神經元可以學習輸入輸出之間的線性或非線性關系。在1989年，RobertHecht-Nielson證明了對于任何一個在閉區間內連續的函數都可以由具有一個隱含層的BP網絡來逼近，這樣，一個三層（輸入層、隱層和輸出層）的BP神經網絡即能完成對多維度函數的逼近。這些特性，使得選用BP神經網絡簡單地實現在未知點擴展函數的情況下，擬合原始圖像與退化圖像之間的關系，從而得到滿意的圖像復原結果成為可能。

2.2 BP神經網絡應用于圖像復原

BP神經網絡用退化圖像與相對應的原始圖像進行訓練，退化圖像為網絡的輸入，原始圖像為網絡的輸出。訓練完成的神經網絡會在退化圖像與原始圖像之間建立非線性的映射關系，使得利用這種非線性關系即可實現在只有退化圖像的情況下對齊進行復原。

利用BP神經網絡進行圖像復原，一般用輸入圖像的N×N鄰域內的N2個像素點對應輸出圖像的一個像素點。這樣的對應方法會使整個運算量增大，但正由于參與運算的像素點增加，使得網絡具有更好的泛化和魯棒能力。由于三層BP神經網絡可以任意精度逼近某一多維度函數，因而其應用于圖像復原時使用三層網絡結構。輸入層和輸入層節點數分別由輸入圖像像素數量和輸出圖像像素數量決定，隱層節點數量和訓練方法在很大程度上決定了網絡性能。

為了便于網絡計算，通過神經網絡計算前通常將輸入圖像進行歸一化。以灰度圖像為例，將圖像數據[0～255]轉換到[-1～1]或[0～1]。圖像經過神經網絡復原后還需進行反歸一化轉換，將計算得到的數據轉換為圖像數據，即將[-1～1]或[0～1]轉換到[0～255]。

通常，運用BP網絡進行圖像復原算法流程包括：（1）圖像的預處理，得到歸一化的便于神經網絡計算的數據；（2）使用退化圖像與對應的原始圖像（訓練BP神經網絡；（3）將待復原圖像輸入訓練好的BP神經網絡進行圖像復原；（4）數據的后處理，將網絡輸出數據進行反歸一化，得到復原圖像。

3 Hopfield神經網絡在圖像復原中的應用

3.1 Hopfield神經網絡的特性

不同于BP神經網絡，Hopfield神經網絡是一種單層反饋網絡，信號在網絡中不僅向前傳遞，還在神經元之間傳遞。圖1是有三個神經元的Hopfield神經網絡結構圖。Hopfield神經網絡由美國加州理工學院物理學家J·J·Hopfield在上世紀80年代提出，并首次在神經網絡研究中引入了計算能量函數的概念，通過研究網絡的穩定性與計算能量函數的相關性給出了網絡的穩定性判據。J·J·Hopfield運用Hopfield神經網絡成功地探討了旅行商問題（TSP）的求解方法。HNN神經網絡采用灌輸式學習方式，其網絡權值是事先按一定規則計算出來的，確定之后不再改變，各神經元的狀態在運行過程中不斷更新，網絡穩定時各神經元的狀態便是問題的解。Hopfield神經網絡的這些自身特征使其適于應用于聯想記憶和求解最優化問題。

3.2 Hopfield神經網絡應用于圖像復原

利用神經網絡進行圖像復原的方法分為兩類：一種是用原始圖像和模糊圖像構成的樣本訓練神經網絡，在訓練好的網絡中建立起原始圖像與模糊圖像的非線性映射關系，然后以帶復原的模糊圖像作為網絡的輸入，經過網絡輸出的圖像數據就是經過復原的圖像，BP神經網絡就是運用這種方法進行圖像復原的典型神經網絡。另一種是經過神經網絡反復的數學迭代計算復原，運用Hopfield神經網絡進行圖像復原屬于這類方法。

其中是神經網絡的狀態向量，為網絡的權值矩陣，為由網絡中各神經元閾值構成的向量。Hopfield神經網絡的運行結果即網絡達到穩定狀態就是達到最小值時的狀態。由式（4）和（5）可以看出圖像復原的目標函數與Hopfield神經網絡能量函數具有相似的表達形式，因而可以建立兩者之間的聯系，從而將圖像復原問題轉變為神經網絡的運算問題，這也就是Hopfield神經網絡應用于圖像復原的基本原理。

運用Hopfield神經網絡解決圖像復原問題首先要確定網絡的權值矩陣?？梢园凑誋ebb學習規則得出[4]。完成網絡初始化后，將退化圖像輸入網絡，從網絡中選取一個神經元按照Hopfield神經網絡的運算規則得出神經元的輸出，將所有神經元求出輸出后判斷該網絡是否達到穩定狀態，即計算前后的網絡能量函數的誤差是否小于要求的范圍。如果網絡不穩定，需要重復迭代計算；網絡達到穩定狀態時，神經網絡的狀態向量就是要求的原始圖像。經過一定的后處理就能得到具有一定精度的原始圖像。

4 結語

人工神經網絡在圖像復原問題中的應用已經擴展到了很多方面，包括三維顯微圖像、高能閃光照相等領域[5-6]。神經網絡在圖像復原中的應用機理也不斷得到深入研究。這些得益于神經網絡算法不依賴求解問題本身數學模型的特點，以及自身強大的泛化能力。BP和Hopfield神經網絡都能成功地運用在圖像復原問題中，在選用神經網絡進行圖像復原研究時要注意到BP神經網絡強烈地依賴退化圖像與原始圖像構成的樣本集合對網絡進行訓練，這就要求得到足夠的先驗知識或者通過某種算法得到退化圖像與原始圖像相對應的樣本群。Hopfield神經網絡不依賴于退化圖像與原始圖像的先驗知識，可以直接針對退化圖像進行復原。這就需要根據不同的實際情況選取合適的網絡類型來解決問題。

參考文獻

[1]尚鋼，鐘珞，陳立耀.神經網絡結構與參數選取[J].武漢工業大學學報，1997，19（2）.

[2]王晗.基于Hopfield神經網絡的圖像恢復[D].武漢：華中科技大學南京理工大學，2006年4月.

[3]席旭剛，羅志增.用Hopfield神經網絡實現觸覺圖像恢復[J].儀器儀表學報，2008，30（10）.

[4] Bianchini M，Frasconi P.Learning without local minima in radial basis function networks[J].IEEE Transaction on Neural Networks，1995，6（3）：749～756.

第4篇：神經網絡的實現過程范文

【關鍵詞】神經網絡 手寫 識別系統 應用

隨著計算機技術的快速發展，其在人們的辦公學習和日常生活成了不可替代的工具。鍵盤已經幾乎完全替代了筆在人們生活中的地位，隨之而來的后果就是人們越來越少的區書寫漢字，導致越來越多的中國人甚至都忘記了漢字該如何書寫，這種現象在很多研究和報道中都有體現。計算機和鍵盤是由西方國家發明的，其符合西方國家的語言習慣，對于中國人來說，用字母、符號去完成方塊漢字的輸入就需要使用者非常熟悉漢語拼音或者五筆編碼，對于文化程度較低的使用者來說，這些都限制著他們使用計算機。鑒于計算機鍵盤的這些缺陷，聯機手寫輸入法應運而生，這為計算機的輸入帶來了新的發展機遇和挑戰。

1 聯機漢字手寫識別的意義及難點

聯機漢字識別是用書寫板代替傳統紙張，筆尖通過數字化書寫板的軌跡通過采樣系統按時間先后發送到計算機中，計算機則自動的完成漢字的識別和顯示。

1.1 聯機漢字手寫識別的意義

聯機手寫漢字識別的誕生具有非常重要的意義。首先這種輸入方法延續了幾千年中華文明的寫字習慣，實現用戶的手寫輸入，對于長時間不提筆寫字的用戶來說能夠加強其對漢字書寫方面的認識，防止“提筆忘字”現象的繼續惡化。其次，手寫漢字輸入不需要學習和記憶計算機的漢字編碼規則，其完全符合中國人的寫字習慣，使人機之間的交流更人性化，更方便快捷。另外，隨著移動智能終端的不斷普及，聯機漢字手寫識別的應用范圍將進一步擴大，以適用于不同層次人群對信息輸入的需要，具有較大的市場發展前景。

1.2 聯機手寫漢字識別問題的難點

手寫漢字識別是光學字符讀出器中最難的部分，也是其最終的目標，手寫漢字識別的應用主要依賴于其正確識別率和識別速度[1]。手寫漢字識別系統的問題具有其特殊性：

（1）中國漢字量大。我國目前的常用漢字大概在4000個左右，在實際應用中的漢字識別系統應該能夠完全識別這些常用的字才能夠滿足需要，由于超大的漢字量，使得手寫識別的正確率和識別速度一直不高。

（2）字體多，結構復雜。漢字的手寫字體豐富多彩，且漢字的筆畫繁多，以及復雜的結構，再加上漢字中的形近字頗多，這些都為漢字識別系統的發展造成了很大的困難。

（3）書寫變化大。不同用戶在進行手寫輸入時其字體的變化是很大的，這種變化因人而異，對漢字識別造成了很大的干擾，增加了漢字匹配的難度。

2 人工神經網絡概述

人工神經網絡是一種應用類似于大腦神經突觸聯接的結構進行信息處理的數學模型，通常簡稱為神經網絡，是一種仿生物神經的信號處理模型。在二十世紀四十年代初人們開始進行神經網絡的研究，經過幾十年的發展，神經網絡也產生了一系列的突破，目前應用最多的是Hopfield模型和BP算法。

神經網絡的一般模型一般包括十個方面：環境、處理單元、傳播規則、神經網絡的狀態、互聯模式、穩定狀態、操作模式、活躍規則、活化函數和學習算法。其中，神經元、互聯模式、學習算法是神經網絡模型中的三個關鍵因素。神經網絡的一個重要內容就是學習，其學習方式可以分為監督學習和無監督學習，其學習過程一般遵循Hebb規則，誤差修正學習算法以及勝者為王的學習規則，其中Hebb規則是神經網絡學習中最基本的規則。

人工神經網絡具有獨特的優越性。首先其具有主動學習的功能，在漢字識別過程中，先將漢字模板及可能的識別結果輸入到神經網絡中，神經網絡能夠通過其自身的學習過程來實現對漢字的識別，自學功能對于神經網絡的預測功能具有非常重要的意義。其次，神經網絡系統具有聯想存儲功能，其反饋功能能夠實現這種聯想。另外，通過計算機的高速運算能力，神經網絡具有高速尋找優化解的能力。

3 人工神經網絡在聯機手寫識別系統中的應用

漢字識別屬于大類別模式識別，人工神經網絡可以通過函數逼近、數據分類、數據聚類三種作用方式以及“聯想”的特殊模式對漢字進行識別。Hopfield神經網絡作為反饋網絡的一種，其自聯想記憶網絡可以使系統不需要通過大量的訓練即可對漢字進行識別，因此Hopfield神經網絡對于漢字識別來說具有獨特的優勢。其中的離散型Hopfield神經網絡能夠通過串行異步和并行同步的工作方式，使其反饋過程具有非常好的穩定性，而網絡只有通過不斷的演變穩定在某一吸引子狀態時，才能夠實現正確的聯想。

聯機手寫識別可以分為訓練階段和識別階段。訓練階段流程依次為：標準書寫字符圖像預處理，提取特征并建立特征庫，建立Hopfield網絡模型，訓練網絡，保存權值。識別階段的流程為：坐標序列轉化為bmp圖像，預處理測試樣本，提取特征，送入網絡運行，運行網絡到平衡狀態，分析結果值。根據聯機手寫識別的工作流程以及Hopfield網絡模型的理論，基于Hopfield神經網絡的聯機手寫識別系統在Matlab環境下得到了仿真模擬，效果非常理想。

4 總結

手寫識別系統能夠彌補普通鍵盤的不足，在提高漢字書寫頻率的同時，能夠滿足不同層次人群對計算機應用的技術需要。基于Hopfield神經網絡的聯機手寫識別系統一起自身獨特的性能，不僅能夠滿足手寫漢字識別的正確率，而且其識別過程速度非?？臁Ｒ虼怂鼘τ趯崿F聯機手寫識別以及圖像識別具有非常重要的意義。

參考文獻

[1]俞慶英.聯機手寫漢字識別系統的研究與實現[D].安徽大學，2005（5）.

[2]郭力賓.交叉點的神經網絡識別及聯機手寫字符的概率神經網絡識別初探[D].大連理工大學，2003（03）.

[3]趙蓉.基于神經網絡的聯機手寫識別系統研究與實現[D].西安電子科技大學，2011（01）.

第5篇：神經網絡的實現過程范文

關鍵詞:神經網絡;BP算法;PID控制;Matlab仿真

中圖分類號:TP274文獻標識碼:A

文章編號:1004-373X(2009)10-143-03

PID Control and Simulation Based on BP Neural Network

WU Wei,YAN Mengyun,WEI Hangxin

(School of Mechanical Engineering,Xi′an Shiyou University,Xi′an,710065,China)

Abstract:The neural network PID control method is introduced,which the parameters of PID controller is adjusted by use of the self-study ability.So the PID controller has the capability of self-adaptation.The dynamic BP algorithms of three-layer networks realize the online real-time control,which displays the robustness of the PID control,and the capability of BP neural networks to deal with nonlinear and uncertain system.A simulation example is made by using of this method.The result of simulation shows that the neural network PID controller is better than the conventional PID controller,and has higher accuracy and stronger adaptability,it can get the satisfied control result.

Keywords:neural network;BP algorithm;PID control;Matlab simulation

0 引 言

在工業控制中,PID控制是最常用的方法。因為PID控制器結構簡單,實現容易,控制效果良好[1]。隨著工業的發展,對象的復雜程度不斷加深,尤其對于大滯后、時變的、非線性的復雜系統,常規PID控制顯得無能為力。因此常規PID控制的應用受到很大的限制和挑戰。為了使控制器具有較好的自適應性,實現控制器參數的自動調整,可以采用神經網絡控制的方法[2]。

利用神經網絡所具有的非線性映射能力、自學習能力、概括推廣能力,結合常規PID控制理論,通過吸收兩者的優勢,使系統具有自適應性,可自動調節控制參數,適應被控過程的變化,提高控制性能和可靠性[3]。

1 神經網絡PID控制

神經網絡PID控制是神經網絡應用于PID控制并與傳統PID控制相結合而產生的一種新型控制方法,是對傳統的PID控制的一種改進和優化[4]。

1.1 常規的PID控制器

傳統的PID控制器算式如下:

u(t)=KP[e(t)+(1/T1)∫t0e(t)dt+TDde(t)/dt](1)

相應的離散算式為:

u(k)=KPe(k)+KI∑kj=0e(j)+KD[e(k)-e(k-1)](2)

式中: KP,KI,KD分別為比例、積分、微分系數;e(k)為第k次采樣的輸入偏差值;u(k)為第k次采樣時刻的輸出值。

PID控制器由比例(P)、積分(I)、微分(D)三個部分組成,直接對被控對象進行閉環控制,并且三個參數KP,KI,KD為在線調整方式。

1.2 神經網絡

BP神經網絡的結構如圖1所示。

BP神經網絡通常采用基于BP神經元的多層前向神經網絡的結構形式。典型的BP神經網絡是3層網絡,包括輸入層、隱層和輸出層,各層之間實行全連接。輸入層節點只是傳遞輸入信號到隱含層;隱含層神經元(即BP節點)的傳遞函數f常取可微的單調遞增函數,輸出層神經元的特性決定了整個網絡的輸出特性。當最后一層神經元采用Sigmoid函數時,整個網絡的輸出被限制在一個較小的范圍內;如果最后一層神經元采用Purelin型函數,則整個網絡的輸出可以取任意值。

圖1 三層BP網絡結構圖

設,x1,x2,…,xn為BP網絡的輸入;y1,y2,…,yn為BP網絡的輸出;w1ji為輸入層到隱含層的連接權值;w2ij為隱含層到輸出層的連接權值。

圖1中各參數之間的關系為:

輸入層: xi=xi0

隱含層:

θ1j=∑ni=0w1jixi, x1j=f(θ1j)(3)

輸出層:

θ2i=∑ni=0w2ijxj, x2i=g(θ2i)(4)

BP神經網絡采用誤差的反向傳播來修正權值,使性能指標E(k)=(1/2)\2最小。按照梯度下降法修正網絡的權值:

輸出層:

δ2=e(k)g′\;

w2ij(k+1)=w2ij(k)+ηδ2x1j(k)(5)

隱含層:

δ1=δ2w2ijf′\;

w1ji(k+1)=w1ji(k)+ηδ1x0i(k)(6)

1.3 神經網絡PID控制器結構

基于BP神經網絡的PID控制系統結構如圖2所示?？刂破饔沙Ｒ幍腜ID控制器和神經網絡兩部分組成。PID控制要取得較好的控制效果,必須通過調整好比例、積分和微分三種控制作用,形成控制量中相互配合又相互制約的關系。

常規的PID控制器直接對被控對象進行閉環控制,并且其控制參數為KP,KI,KD在線調整方式。神經網絡根據系統的運行狀態,調節PID控制器的參數,以期達到某種性能指標的最優化,使輸出層神經元的輸出對應于PID控制器的三個可調參數KP,KI,KD。神經網絡所具有的任意非線性表達能力,可以通過對系統性能的學習來實現具有最佳組合的PID控制。

圖2 基于BP神經網絡的PID控制器結構

1.4 神經網絡PID控制器的控制算法

(1) 確定神經網絡的結構,即確定輸人節點數和隱含層節點數,并給出各層加權系數的初值w(1)ij(0)和w(2)ji(0),并選定學習速率η和慣性系數α,令k=1;

(2) 采樣得到r(k)和y(k),計算當前時刻的誤差e(k)=r(k)-y(k);

(3) 計算各神經網絡的輸入/輸出,其輸出層的輸出即為PID控制器的三個控制參數KP,KI,KD;

(4) 計算PID控制器的輸出;

(5) 進行神經網絡學習,在線調整加權系數,實現PID控制參數的自適應調整;

(6) 令k=k+1,返回(1)。

2 神經網絡的Matlab仿真

為了檢驗神經網絡PID控制系統的能力,在此進行大量的仿真實驗。下面以一階時滯系統作為被控對象,進行仿真實驗。

設被控對象為:

G(s)=160s+1e-0.5s

相應的控制系統的階躍響應曲線如圖3、圖4所示。

圖3 普通PID控制階躍響應

可以看出,采用傳統的PID控制,其調節時間ts=120 s,超調量達到65%;采用神經網絡PID控制,系統調節時間ts=120,超調量只有20%。由此說明,后者響應的快速性和平穩性都比前者要好,也說明了這種方法的有效性。

圖4 神經網絡PID控制階躍響應

3 結 語

神經網絡PID控制方法簡單,借助神經網絡的自學習、自組織能力,可實現PID參數的在線自整定和優化,避免了人工整定PID參數的繁瑣工作。從文中可以得出,神經網絡PID控制有如下的優點:

(1) 無需建立被控系統的數學模型;

(2) 控制器的參數整定方便;

(3)對于大滯后、時變的、非線性的復雜系統有很好的動靜態特性。實現有效控制和PID控制參數的在線自整定。

參考文獻

[1]劉金琨.先進PID控制及Matlab仿真[M].北京:電子工業出版社,2003.

[2]韓豫萍,孫濤,盛新.基于BP神經網絡的PID控制及仿真[J].可編程控制器與工廠自動化,2007(12):91-93.

[3]黃金燕,葛化敏,唐明軍.基于BP神經網絡的PID控制方法的研究[J].微計算機信息,2006(26):278-280.

[4]曾軍,方厚輝.神經網絡PID控制及其Matlab仿真[J].現代電子技術,2004,27(2):51-52.

[5]趙娟平.神經網絡PID控制策略及其Matlab仿真研究[J].微計算機信息,2007(7):59-60.

[6]Zhang Mingguang,Qiang Minghui.Study of PID Neural Network Control for Nonlinear System[J].Institute of Electrical and Electronics Engineers Inc,2007.

[7]孫潔.神經網絡PID算法在流量控制中的應用與仿真研究[D].合肥:合肥工業大學,2007.

[8]王亞斌.基于BP神經網絡PID控制及其仿真[J].江蘇冶金,2008(2):33-35.

[9]廖方方,肖建.基于BP神經網絡PID參數自整定的研究\.系統仿真學報,2005(7):1 711-1 713.

第6篇：神經網絡的實現過程范文

關鍵詞：發電燃料；供應預測；BP神經網絡；預測方法

中圖分類號：TM 762 文獻標示碼：A

0 引言

發電燃料的供應受到能源政策、供需形勢、資源分布、供應價格、交通運輸、市場博弈等多種復雜因素的影響，長期以來缺乏合理有效的供應預測方法和技術手段，尤其是廠網分離后鮮見相關的研究工作。

文獻1《遼寧火電廠燃料管理信息系統的開發與研制》開發和研制了覆蓋遼寧全體直屬電廠燃料公司并同東電局進行廣域網數據交換，同時能進行審核管理和業務信息方便傳輸的燃料綜合管理信息系統。

文獻2《電力系統燃料MIS系統開發研究》探討了燃料管理信息系統的組成、功能、結構及開發應用，為綜述性理論研究。

以上文獻均未對發電燃料供應提供較有效的預測方法。本文提出一種基于BP神經網絡的發電燃料供應量預測方法，利用神經網絡原理，通過數據收集、數據修正和神經網絡結構選擇建立起基于BP神經網絡的發電燃料供應預測模型。通過MATLAB實際仿真，證明該預測方法預測較準確，并具有靈活的適應性。

基金項目：中國南方電網有限責任公司科技項目（K-ZD2013-005）

1 預測方法

按預測方法的性質不同，預測可分為定性預測和定量預測。常用的定性預測方法有主觀概率法、調查預測法、德爾菲法、類比法、相關因素分析法等。定量方法又可以分為因果分析法和時間序列分析法等，因果分析法也叫結構關系分析法。它是通過分析變化的原因，找出原因與結果之間的聯系方式，建立預測模型，并據此預測未來的發展變化趨勢及可能水平。時間序列分析法也叫歷史延伸法。它是以歷史的時間序列數據為基礎，運用一定的數學方法尋找數據變動規律向外延伸，預測未來的發展變化趨勢。由于時間序列模型無法引入對負荷影響的其它變量，所以，單純應用時間序列模型進行供應預測精度難以提高。

運用人工神經網絡技術進行預測，其優點是可以模仿人腦的智能化處理過程，對大量非結構性、非精確性規律具有自適應功能，具有信息記憶、自主學習、知識推理和優化計算的特點，特別是其自學習和自適應功能是常規算法和專家系統所不具備的，因此，預測是人工神經網絡的最有潛力的應用領域之一，有非常廣泛的前途。

2 BP神經網絡模型

2.1 人工神經網絡概述

人工神經網絡是由神經元以一定的拓撲結構和連接關系組成的信息表現、儲存和變換系統，是模仿人腦結構的一種信息系統，可較好地模擬人的形象思維能力。它是對自然界中生物體神經系統進行抽象和改造，并模擬生物體神經系統功能的產物。神經網絡的重要特點是具有記憶和學習能力，經過一定訓練之后，能夠對給定的輸入做出相應處理。

人工神經網絡適用于處理實際中不確定性、精確性不高等引起的系統難以控制的問題，映射輸入輸出關系。人工神經網絡優于傳統方法在于：

1）實現了非線性關系的隱式表達，不需要建立復雜系統的顯示關系式；

2）容錯性強，可以處理信息不完全的預測問題，而信息不完全的情況在實際中經常遇到；

3）由于神經網絡具有一致逼進效果，訓練后的神經網絡在樣本上輸出期望值，在非樣本點上表現出網絡的聯想記憶功能；

4）由于大規模并行機制，故預測速度快；

5）動態自適應能力強，可適應外界新的學習樣木，使網絡知識不斷更新。

圖1是一個人工神經元的典型結構圖。

圖1 神經元典型結構圖

它相當于一個多輸入單輸出的非線性閾值器件。，表示該神經元的輸入向量；為權值向量；θ為神經元的閾值，如果神經元輸入向量加權和大于0，則神經元被激活；f表示神經元的輸入輸出關系函數，即傳輸函數。因此，神經元的輸出可以表示為：

其中傳輸函數是神經元以及網絡的核心。網絡解決問題的能力與功效除了與網絡結構有關，在很大程度上取決于網絡所采用的傳輸函數。

幾種常見的傳輸函數如圖2所示：

（1）為閾值型，將任意輸入轉化為0或1輸出，其輸入/輸出關系為：

（2）為線性型，其輸入/輸出關系為：

（3）、（4）為S型，它將任意輸入值壓縮到（0，1）的范圍內，此類傳遞函數常用對數（logsig）或雙曲正切（tansig）等一類S形狀的曲線來表示，如對數S型傳遞函數的關系為：

而雙曲正切S型曲線的輸入/輸出函數關系是：

（1） （2）

（3） （4）

圖2 常見的傳遞函數圖形

2.2 BP神經網絡概述

神經網絡的魅力在于它超強的映射能力，單層感知器可實現性分類，多層前向網絡則可以逼近任何非線性函數。可以將BP網絡視為從輸入到輸出的高度非線性映射，而有關定理證明BP神經網絡通過對簡單的非線性函數進行數次復合，可以近似任何復雜的函數。

在人工神經網絡的實際應用中，80%-90%的人工神經網絡模型是采用BP網絡和它的變化形式，它也是前向網絡的核心，體現了人工神經網絡最精華的部分。在人們掌握反向傳播網絡的設計之前，感知器和自適應線性元件都只能適用于對單層網絡模型的訓練，只是后來才得到進一步拓展。

BP神經網絡主要應用有：

（1）函數逼近：用輸入矢量和相應的輸出矢量訓練一個網絡逼近一個函數。

（2）模式識別：用一個特定的輸出矢量將它與輸入矢量聯系起來。

（3）分類：把輸入矢量以所定義的合適方式進行分類。

（4）數據壓縮：減少輸出矢量維數以便于傳輸或存儲。

2.3 誤差反向傳播算法原理

BP神經網絡是一種多層前饋神經網絡，名字源于網絡權值的調整規則，采用的是誤差反向傳播算法（Error Back-Propagation Training Algorithm）即BP算法。BP神經網絡是單向傳播的多層前向神經網絡。除輸入輸出節點之外，有一層或多層的隱藏節點，同層節點之間無任何連接。典型的BP網絡是三層前饋階層網絡，即：輸入層、隱含層（中間層）和輸出層，各層之間實行全連接。BP神經網絡結構如圖3所示：

圖3 BP神經網絡結構示意圖

BP網絡學習過程包括誤差正向傳播和反向傳播兩個過程。在正向傳播過程中，輸入樣本從輸入層傳入，經各隱含逐層處理后，傳向輸出層，每一層神經元的狀態只影響下一層神經元的狀態。若輸出層的實際輸出與期望的輸出不符，則轉入誤差的反向傳播階段。誤差反傳是將輸出誤差的某種形式通過隱含層向輸入層逐層反傳，并將誤差分攤給各層的所有單元，從而獲得各層單元的誤差信號，此誤差信號即作為修正各神經元之間權值的依據。這種信號正向傳播與誤差反向傳播的各層權值調整過程，是周而復始地進行的。權值不斷調整的過程，也就是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小到可接受的程度，或進行到預先設定的學習次數為止。

BP神經元與其他神經元類似，不同的是，由于BP神經元的傳遞函數必須是處處可微的，它不能采用二值型{0，1}或符號函數{-1，1}，所以其傳遞函數為非線性函數，最常用的函數S型函數，有時也采用線性函數。本文采用S型（Sigmoid）函數作為激發函數：

式中，為網絡單元的狀態：

則單元輸出為：

其中，為單元的閥值。在這種激發函數下，有：

故對輸出層單元：

對隱層單元：

權值調節為：

在實際學習過程中，學習速率對學習過程的影響很大。是按梯度搜索的步長。越大，權值的變化越劇烈。實際應用中，通常是以不導致振蕩的前提下取盡量大的值。為了使學習速度足夠快而不易產生振蕩，往往在規則中再加一個“勢態項”，即：

式中，是一個常數，它決定過去權重的變化對目前權值變化的影響程度。

圖4為BP算法流程圖。

圖4 BP算法流程圖

3 發電燃料供應預測BP神經網絡模型建立

3.1 數據的收集與整理

發電燃料供應是一個龐大的系統，其中的數據資料紛繁復雜。在進行模型的搭建之前，需要進行歷史資料的整理，提取出所需的數據。本模型中，選取與燃料供應有關的數據作為影響因素，如電廠發電量、能源政策、能源供需形勢、交通運輸狀況、燃料價格和機組能耗等。

3.2 數據的修正

如果在數據采集與傳輸時受到一定干擾，就會出現資料出錯或數據丟失的情況，此時都會產生影響預測效果的壞數據，這些壞數據將會掩蓋實際模型的規律，直接影響模型的效果與精度。據此，需對樣本數據進行預處理，以確保在建模和預測過程中所運用的歷史數據具有真實性、正確性和同規律性。一般樣本數據預處理方法主要有經驗修正法、曲線置換法、插值法、20%修正法、數據橫向縱向對比法、小波分析去噪法等。對于簡單問題，采用數據的橫向縱向對比即可實現壞數據的剔除。

3.3 BP神經網絡的結構選擇

理論證明，3層前向式神經網絡能夠以任意精度實現任意函數，所以，本模型中采用3層前向網絡。同時，當有N個影響時， 3層BP神經網絡的輸入層節點數為N個，隱含層節點數一般為2N ～ 4N，最佳取值可根據實際問題試湊得，輸出層為1個節點， 因此可以取其平均結構為N - 3N - 1型， 輸入層激發函數為線性函數， 中間層和輸出層的激發函數為S型函數。

3.4 BP神經網絡模型建立

對于實際的燃料供應模型，數據的選擇要有針對性，結構要合適，這在預測過程中是重中之重。為便于模型選擇、結果對比，可同時采用幾種不同的數學模型進行預測。在完成對恰當的預測模型的選擇后，利用提取自歷史資料的訓練數據對建立好的預測數學模型進行參數訓練。當模型的參數訓練好以后，即可利用此模型進行預測。

具體操作步驟如下：

（1）對訓練樣本與預測樣本進行歸一化預處理，公式表示如式（1）。

（1）

其中表示經過歸一化后的值，表示實際值，，分別是訓練集中數據的最大值和最小值，k表示輸入向量的維數，i表示有作用因素的個數。

（2）對預測的數據樣本進行提取，并分別列出訓練與測試的樣本集合。

（3）對BP神經網絡的輸入層、隱含層、輸出層的節點進行定義，對網絡的權重、閾值進行初始賦值。

（4）利用訓練樣本對BP神經網絡進行訓練，建立符合實際問題的模型。

（5）利用事先預備的測試樣本對訓練好的網絡進行測試，若效果不佳，則重新訓練，若效果好則繼續下一步。

（6）利用預測樣本及訓練好的模型進行預測。

具體流程圖如圖5所示：

圖5 模型建立流程圖

4 基于BP神經網絡模型的發電燃料供應預測

（1）樣本數據的選擇

以各類影響耗煤的因素作為輸入 。

（2）進行歸一化處理

避免量綱對模型的影響。同時，降低數據的數量級，可以提高BP網絡的訓練的速度，避免飽和。

（3）確定BP神經網絡的結構

3層BP神經網絡的輸入層節點為1個（可根據實際情況調整），對應于輸入樣本，隱含層節點為15，輸出層節點為1，對應于輸出樣本。網絡初始連接權及神經元初始閾值采用隨機賦值方式。神經元的激發函數為S函數，最大迭代次數為400，學習步長為0.001，學習誤差為0.00001。

（4）利用訓練樣本進行網絡的訓練

（5）利用測試樣本進行模型的測試

人為選定5%相對誤差為模型訓練好壞的判別標準。若測試樣本的測試結果的相對誤差在5%以內，則進行下一步，否則重新訓練。

（6）利用預測樣本和已訓練好的模型進行預測

南方電網全網發電燃料供應量預測結果值與實際值的對比如圖6所示：

圖6 南網全網發電燃料供應預測值與實際值對比圖

5 結論

隨著廠網分離的實施，電網公司和電力調度機構對發電燃料供應的掌握嚴重不足，已經不能滿足電力供應工作的要求，尤其是在來水偏枯、電力供應緊張的時期，發電燃料供應的預測對緩解電力供需矛盾、有序做好發用電管理起著舉足輕重的作用，因此，迫切需要開展發電燃料供應影響因素及預測方法的研究工作。

本文在收集、掌握發電燃料供應來源、價格、運輸等情況的基礎上，基于BP神經網絡研究建立發電燃料供應量的預測模型和預測方法。通過MATLAB仿真預測，對預測結果值和實際值進行了對標分析，證明該預測方法預測較準確，并具有靈活的適應性。本文的研究有利于提升發電燃料的管理水平和掌控力度，為合理有序做好電力供應工作提供有力支持。

參考文獻：

[1]孫長青.基于OSGI的發電集團燃料管控系統設計與實現[D].導師：陳有青.中山大學，2011.

[2]史新梅，裴珍.遼寧火電廠燃料管理信息系統的開發與研制[J].安徽工業大學學報，2001，（04）：359-362+366.

[3]付民慶.基于J2EE架構燃料管理信息系統的研究與實現[D].導師：申曉留.華北電力大學（北京），2008.

[4]魏學軍.DF電廠燃料管理信息系統的研究與應用[D].導師：胡立德；戴鶴.重慶大學，2008.

[5]孫文君.發電企業燃料自動監管系統設計及應用[D].導師：張慶超；關萬祥.天津大學，2010.

第7篇：神經網絡的實現過程范文

[摘要]該文介紹了神經網絡的發展、優點及其應用和發展動向，著重論述了神經網絡目前的幾個研究熱點，即神經網絡與遺傳算法、灰色系統、專家系統、模糊控制、小波分析的結合。

[關鍵詞]遺傳算法灰色系統專家系統模糊控制小波分析

一、前言

神經網絡最早的研究20世紀40年代心理學家Mcculloch和數學家Pitts合作提出的，他們提出的MP模型拉開了神經網絡研究的序幕。神經網絡的發展大致經過三個階段：1947~1969年為初期，在這期間科學家們提出了許多神經元模型和學習規則，如MP模型、HEBB學習規則和感知器等；1970~1986年為過渡期，這個期間神經網絡研究經過了一個低潮，繼續發展。在此期間，科學家們做了大量的工作，如Hopfield教授對網絡引入能量函數的概念，給出了網絡的穩定性判據，提出了用于聯想記憶和優化計算的途徑。1984年，Hiton教授提出Boltzman機模型。1986年Kumelhart等人提出誤差反向傳播神經網絡，簡稱BP網絡。目前，BP網絡已成為廣泛使用的網絡；1987年至今為發展期，在此期間，神經網絡受到國際重視，各個國家都展開研究，形成神經網絡發展的另一個。神經網絡具有以下優點：

(1)具有很強的魯棒性和容錯性，因為信息是分布貯于網絡內的神經元中。

(2)并行處理方法，使得計算快速。

(3)自學習、自組織、自適應性，使得網絡可以處理不確定或不知道的系統。

(4)可以充分逼近任意復雜的非線性關系。

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

二、神經網絡應用現狀

神經網絡以其獨特的結構和處理信息的方法，在許多實際應用領域中取得了顯著的成效，主要應用如下：

(1)圖像處理。對圖像進行邊緣監測、圖像分割、圖像壓縮和圖像恢復。

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

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

(4)機器人控制。對機器人眼手系統位置進行協調控制，用于機械手的故障診斷及排除、智能自適應移動機器人的導航。

(5)衛生保健、醫療。比如通過訓練自主組合的多層感知器可以區分正常心跳和非正常心跳、基于BP網絡的波形分類和特征提取在計算機臨床診斷中的應用。

(6)焊接領域。國內外在參數選擇、質量檢驗、質量預測和實時控制方面都有研究，部分成果已得到應用。

(7)經濟。能對商品價格、股票價格和企業的可信度等進行短期預測。

(8)另外，在數據挖掘、電力系統、交通、軍事、礦業、農業和氣象等方面亦有應用。

三、神經網絡發展趨勢及研究熱點

1.神經網絡研究動向

神經網絡雖已在許多領域應用中取得了廣泛的成功，但其發展還不十分成熟，還有一些問題需進一步研究。

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

(2)除了傳統的多層感知機、徑向基函數網絡、自組織特征映射網絡、自適應諧振理論網絡、模糊神經網絡、循環神經網絡之外，一些新的模型和結構很值得關注，例如最近興起的脈沖神經網絡(spikingneuralnetwork)和支持向量機(supportvectormachine)。

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

(4)增強神經網絡的可理解性是神經網絡界需要解決的一個重要問題。這方面的工作在今后若干年中仍然會是神經計算和機器學習界的一個研究熱點。

(5)神經網絡的應用領域將不斷擴大，在未來的幾年中有望在一些領域取得更大的成功，特別是多媒體技術、醫療、金融、電力系統等領域。

2.研究熱點

(1)神經網絡與遺傳算法的結合。遺傳算法與神經網絡的結合主要體現在以下幾個方面：網絡連接權重的進化訓練；網絡結構的進化計算；網絡結構和連接權重的同時進化；訓練算法的進化設計?；谶M化計算的神經網絡設計和實現已在眾多領域得到應用，如模式識別、機器人控制、財政等，并取得了較傳統神經網絡更好的性能和結果。但從總體上看，這方面研究還處于初期階段，理論方法有待于完善規范，應用研究有待于加強提高。神經網絡與進化算法相結合的其他方式也有待于進一步研究和挖掘。

(2)神經網絡與灰色系統的結合。灰色系統理論是一門極有生命力的系統科學理論，自1982年華中理工大學的鄧聚龍教授提出灰色系統后迅速發展，以初步形成以灰色關聯空間為基礎的分析體系，以灰色模型為主體的模型體系，以灰色過程及其生存空間為基礎與內的方法體系，以系統分析、建模、預測、決策、控制、評估為綱的技術體系。目前，國內外對灰色系統的理論和應用研究已經廣泛開展，受到學者的普遍關注?；疑到y理論在在處理不確定性問題上有其獨到之處，并能以系統的離散時序建立連續的時間模型，適合于解決無法用傳統數字精確描述的復雜系統問題。

神經網絡與灰色系統的結合方式有：(1)神經網絡與灰色系統簡單結合；(2)串聯型結合；(3)用神經網絡增強灰色系統；(4)用灰色網絡輔助構造神經網絡；(5)神經網絡與灰色系統的完全融合。

(3)神經網絡與專家系統的結合。基于神經網絡與專家系統的混合系統的基本出發點立足于將復雜系統分解成各種功能子系統模塊，各功能子系統模塊分別由神經網絡或專家系統實現。其研究的主要問題包括：混合專家系統的結構框架和選擇實現功能子系統方式的準則兩方面。由于該混合系統從根本上拋開了神經網絡和專家系統的技術限制，是當前研究的熱點。把粗集神經網絡專家系統用于醫學診斷，表明其相對于傳統方法的優越性。

(4)神經網絡與模糊邏輯的結合

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

而將模糊邏輯與神經網絡結合，則網絡中的各個結點及所有參數均有明顯的物理意義，因此這些參數的初值可以根據系統的模糊或定性的知識來加以確定，然后利用學習算法可以很快收斂到要求的輸入輸出關系，這是模糊神經網絡比單純的神經網絡的優點所在。同時，由于它具有神經網絡的結構，因而參數的學習和調整比較容易，這是它比單純的模糊邏輯系統的優點所在。模糊神經網絡控制已成為一種趨勢，它能夠提供更加有效的智能行為、學習能力、自適應特點、并行機制和高度靈活性，使其能夠更成功地處理各種不確定的、復雜的、不精確的和近似的控制問題。

模糊神經控制的未來研究應集中于以下幾個方面：

(1)研究模糊邏輯與神經網絡的對應關系，將對模糊

控制器的調整轉化為等價的神經網絡的學習過程，用等價的模糊邏輯來初始化神經網絡；

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

(3)模糊控制規則的在線優化，可提高控制器的實時性與動態性能；(4)需深入研究系統的穩定性、能控性、能觀性以及平衡吸引子、混沌現象等非線性動力學特性。

關于神經網絡與模糊邏輯相結合的研究已有很多，比如，用于氬弧焊、機器人控制等。

(5)神經網絡與小波分析的結合

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

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

四、結論

經過半個多世紀的發展，神經網絡理論在模式識別、自動控制、信號處理、輔助決策、人工智能等眾多研究領域取得了廣泛的成功，但其理論分析方法和設計方法還有待于進一步發展。相信隨著神經網絡的進一步發展，其將在工程應用中發揮越來越大的作用。

參考文獻：

[1]張曾科.模糊數學在自動化技術中的應用[M].清華大學出版社，1997.

[2]李士勇.模糊控制·神經控制和智能控制論[M].哈爾濱工業大學出版，1996.250-387.

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

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

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

[6]KosugeK，FukudaT，AsadaH.AcquisitionifHumanSkillsforRoboticSystem[C].In：ProcIEEEIntSympOnIntelligenControl，1991.469-489.

[7]王小平，曹立明.遺傳算法—理論、應用與軟件實現.西安交通大學出版社，2002.

[8]ManiezzoV.Geneticevolutionofthetopologhandweightdistribution

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

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

[10]鄧聚龍.灰色系統理論教程.華中理工大學出版社，1990.

[11]呂宏輝，鐘珞，夏紅霞.灰色系統與神經網絡融合技術探索.微機發展，2000，23(4)：67-109.

第8篇：神經網絡的實現過程范文

關鍵詞：小波；神經網絡；網絡流量；預測

Abstract: predict the network traffic while there are many ways, but the use of wavelet neural network to predict accuracy is the highest, this kind of method integration of the wavelet transform and neural network advantages. This paper mainly to the wavelet neural network and the network traffic prediction are analyzed, and the further proof that the wavelet neural network advantages and feasibility.

Keywords: small wave. Neural network; Network flow; forecast

中圖分類號：F272.1文獻標識碼：A 文章編號：

隨著網絡的迅猛發展，網絡擁塞的現象越來越嚴重，此時預測網絡流量顯得如此重要。網絡流量是一個復雜的系統工程，其具有很多特性，如突發性、長相關等。預測網絡流量方法很多，如用小波變換、用神經網絡等，這些方法雖然都能夠實現預測網絡流量，但是由于這些方法的局限性，預測結果的準確率有所不同。因此，找出一個準確率高的方法進行網絡流量預測是非常關鍵的。

1.小波神經網絡

1.1小波神經網絡的結構形式

小波神經網絡其實就是小波分析理論與神經網絡理論相結合的一種產物。這兩種理論相結合可以分為兩類：（1）“松散型”結合。這種類型的結合就是指小波分析作為神經網絡的前置處理手段，主要提供輸入特征向量，為神經網絡做準備。經小波變換后，再向常規神經網絡輸入，進而使分類、函數逼近等功能實現。（2）“緊致型”結合。這種類型的結合就是小波分析和神經網絡直接融合，采用小波函數來將常規單隱層前饋神經網絡的隱節點激活，由小波函數的伸縮與平移參數來分別代替相應的輸入層到隱層的權值及隱層閾值。

1.2多分辨小波神經網絡模型的網絡結構

從理論上講，小波理論對時間序列進行分解預測是可行的。已經有研究表明，小波變換可以解決一切能夠用傅立葉變換解決的問題，小波變換在解決這些問題時不會損失任何東西，只是將我們通常觀察問題的視角改變了。如果把流量曲線看作不同的信號分量疊加，分別預測各個分量，最后重新疊加各個分量預測結果，最后就能夠將預測結果得到。其實利用小波方法就是這個過程來完成預測的。以下只對“松散型”小波神經網絡進行分析:

先對t時刻的原始序列f(t)進行小波分解，分解尺度為n，an(t)為t時刻第n層低頻系數序列，dn(t)為t時刻第n層高頻系數序列，an(t)、d1(t)、d2(t)…dn(t)作為神經網絡的輸入，再分別對每一層小波系數用神經網絡模型進行預測，得到an(t+T)、d1(t+T)、d2(t+T)…dn(t+T)共n+l個預測值，最后將這些預測值合成就得到f(t+T)，即t+T時刻的預測值。根據以上假設，使用小波分析的變換對數據進行多分辨分解，即利用小波分解的特點，根據變化的頻度將序列中變化頻率不同的成分分解出來。由于小波分解可以使影響流量值大小的因素相對集中起來，因此分解后的小波分量具有明顯的規律性，這就使得我們便于針對不同的規律采用不同的預測技術，從而可以達到提高預測精度的同時縮短預測時間的目的，提高整個模型的效率。

2.神經網絡預測

本實驗選取了360個樣本數據，將其生成小波分解所需的信號文件，如圖1所示。

圖1 歷史數據

對流量序列作多分辨分析。經過5層分解后的各層信號波形如圖2所示。

圖2 小波分解結果

將上述小波分解的各分量，經預處理成為樣本向量后輸入BP神經網絡預測模型，得出各分量的預測值如圖3所示。

圖3各分量預測結果

3.實驗結果對比

將各分量分別預測出后，重構各分量的預測結果，得到最終的流量預測結果。將BP神經網絡模型與小波神經網絡模型進行對比，在網絡中采集了360組數據，對數據進行一定的操作后，分別測試兩種網絡，實驗結果如圖4所示。

圖4

將實驗結果進行對比，對其測試主要采用小波神經網絡來進行，這樣對網絡流量預測的準確率會更準確。因此，構建小波神經網絡進行預測，識別準確率達到90%以上，彌補了BP神經網絡預測精準度不高的缺陷。

4.結語

近年來，網絡流量預測成為研究熱點。本文主要講BP神經網絡和小波變換進行對比，將這兩者的優點結合起來用于預測網絡流量，在很大程度上提高了預測的精準度。

參考文獻：

[1]胡俊,胡玉清,肖中卿.基于小波變換的網絡流量預測模型[J]. 計算機工程. 2008(19).

第9篇：神經網絡的實現過程范文

Abstract: According to ANN theory and method, a BP neural network model for tourism security early warning was built. The result shows that the application of BP neural network in tourism security early warning is feasible. This model possesses strong functions of study, association and fault tolerance, moreover, both its analysis results and process approach the metal process and analysis method of human brain, which greatly improves the accuracy for tourism security early warning.

關鍵詞：人工神經網絡；旅游安全；預警系統

Key words: artificial neural network；tourism security；early warning system

中圖分類號：TP31 文獻標識碼：A文章編號：1006-4311（2011）18-0158-01

0引言

旅游業在世界范圍內已成為最重要的產業之一，占全球GDP 份額已超過10%，隨著人們生活水平的提高和旅游資源的開發利用，旅游業正逐漸成為我國一些地區的“支柱產業”和“新的經濟增長點”，但是旅游者在旅游過程中遭遇到各種災害性事故的頻率也有較大幅度的提高，因此旅游安全預警勢在必行。人工神經網絡方法比傳統線性方法具有以下突出的優越性：所有定量或定性的信息都等勢分布貯存于網絡內的各神經元，故有很強的魯棒性和容錯性；神經網絡具有高度的并行結構和并行實現能力，具有高速尋找優化解的能力，能夠發揮計算機的高速運算能力，可能很快找到優化解；神經網絡模擬人的思維是非線性的，這一特性有助于處理非線性問題；通過對過去的歷史數據的學習，訓練出一個具有歸納全部數據的特定的神經網絡，自學習功能對于預測有特別重要的意義。在神經網絡模型中，BP人工神經網絡是當前最具代表性和應用最為廣泛的一種神經網絡，其結構簡單，工作狀態穩定，易于實現，是通用性和適應性較強的網絡，已在多個領域中得到初步的應用[1-2]。因此應用BP神經網絡對旅游安全預警系統進行了研究。

1旅游安全預警的神經網絡模型

BP網絡算法即逆向傳播學習算法（back propagation learning algorithm）由輸入層、輸出層和若干隱層組成。當信號輸入時，先傳到隱層神經元，經神經元作用函數轉換后，再把信號傳播到輸出神經元，經過處理后輸出結果。BP人工神經元網絡通過對許多簡單神經元作用函數的復合來逼近輸入、輸出之間的映射，它是一種快速下降的迭代方法，目的是使實際輸出和預期樣本輸出之間的均方差最小化。影響旅游安全預警的主要因素可歸納為旅游地災害頻度、出游設施安全度和旅游地區域安全度3大類。具體分為以下3類10個子因素，包括主客文化沖突潛在指數、居民消費價格指數上漲率、暴發瘟疫性疾病的頻率、交通路況安全度、社會治安穩定度、社會實際失業率、地震地質災害發生頻率、水文氣象災害發生頻率、旅游設施使用飽和度、政治穩定度。

研究中，將10個子因素作為輸入向量，數據來源于文獻[2]，一般來說三層神經網絡可以逼近任何函數關系，因此本文采用三層網絡，在訓練前饋網絡之前，權重和偏置必須被初始化，初始化權重和偏置的工作用命令init來實現，這個函數接收網絡對象并初始化權重和偏置后返回網絡對象。隱含層神經元的確定沒有統一的方法，這里采用試錯法，經過反復訓練確定隱含層為7個神經元，輸出向量為1個神經元，期望值1、2、3、4分別代表旅游安全的4種狀況：優秀、良好、合格和惡劣。目前傳統神經網絡面臨的難題是學習時間較長，特別是大規模神經網絡學習時間太長，令人難以忍受；很容易陷入局部極小值，常常收斂于局部最優解。因此采用改進BP算法的神經網絡，RPROP是權重和閾值更新值的直接修改，它和以學習速率為基礎的算法相反，RPROP引入Resilient（有彈性的）更新值的概念直接修改權步的大小，和最初的反傳算法比較，在計算上僅有少量的耗費。

2結果

現有樣本數目共40個，利用它們訓練神經網絡，為了驗證模型的有效性，精度檢驗時每次抽取39個樣本，用剩下的1個進行檢驗，得到該模型的使用精度93.2%；結果說明該模型預測精度較高，可以較好地滿足旅游安全預警系統的需要。

3結論

為了滿足我國旅游業未來發展的需要，在處理應急旅游安全突發性事件時，需要必要的事前預警和相關的知識儲備，運用修正的BP網絡建立旅游安全的預警系統，提高了網絡的收斂速度和學習訓練的效率，一定程度上克服了一般方法的主觀性，通過合理地期望輸出的選取并以此來劃分等級，能夠客觀地反映旅游安全的真實情況，保證了結果的客觀性。綜上所述，BP網絡用于旅游安全的預警系統構建有很大的優越性，值得進一步探索。

參考文獻：