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基本原理主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：神經網絡基本原理范文

摘要：工程造價估算是招標投標中的重要一環，探尋一套快速、簡捷、實用的工程造價估算方法已經成為建筑行業的迫切需要。為了建設工程造價估算技術的發展及文聯面臨的問題，提出在建設工程造價估算技術系統中應用人工神經網絡技術來提高估算精確度，并且給出系統的設計模型。

關鍵詞：人工神經網絡；工程造價；造價估算

人工神經網絡（ArtificialNeuralNetworks，簡寫為ANNs）也簡稱為神經網絡（NNs）或稱作連接模型（ConnectionistModel），它是一種模范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。這種網絡依靠系統的復雜程度，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。人工神經網絡具有自學習和自適應的能力，可以通過預先提供的一批相互對應的輸入－輸出數據，分析掌握兩者之間潛在的規律，最終根據這些規律，用新的輸入數據來推算輸出結果，這種學習分析的過程被稱為“訓練”。

一、神經網絡的建立

雖然人們還并不完全清楚生物神經網絡是如何進行工作的，但還是幻想能否構造一些“人工神經元”，然后將這些神經元以某種特定的方式連接起來，模擬“人腦”的某些功能。

在1943年，心理學家W. McCulloch和數學家W. Pitts合作，從數理邏輯的角度，提出了神經元和神經網絡最早的數學模型（MP模型），是神經網絡研究的開端，更為后面的研究發展奠定了基礎。經歷了半個多世紀，神經網絡度過了萌芽期、第一次期、反思低潮期、第二次期、再認識與應用研究期五個階段。目前，神經網絡已成為涉及多種學科和領域的一門新興的前沿交叉學科。

神經元分為分層網絡和相互連接型網絡。所謂分層網絡，就是一個網絡模型中的所有神經元按功能分層，一般分為輸入層、中間層（隱含層）、輸出層，各層按順序連接，隔層之間均采用的是全互連接，但對于同一單元間，不互相連接。分層網絡可細分為簡單前向網絡、反饋前向網絡和層內互相連接的網絡。人工神經網絡結構是一種多層的網絡結構，一個典型的前向網絡。

某個神經元 j 的輸入―輸出關系為

其中，θj為閥值，ωji為連接權，f(•)為變換函數，也稱活化函數(activation function)

對于人工神經網絡模型，我們只可能在某種程度上去描述我們所了解的情況。同樣，人工神經網絡也只可能是在某種程度上對真實的神經網絡的一種模擬和逼近。

二、在工程造價中的運用

成都市工程造價計價模式后選取了基礎類型、結構類型、工期、層數、建址、層高、內裝修、門窗、單位造價等10個影響工程造價和工程量的特征作為模型的輸入。考慮到各個工程中門和窗數量差別很大為提高估算的精度我們把門數量和窗數量作為輸入，其數量在工程施工圖紙上很容易查得，不需作復雜的計算。對于其他文字性表達的工程特征需轉變成數字后作為網絡的輸入。

很明顯的看出，測試樣本總體誤差率比較小，平均誤差為283%，基本滿足估算要求，隨著工程資料的不斷積累，選取有代表性的數據作為樣本，誤差將不斷縮小。

意義：

通過這次研究，我們了解了人工神經網絡的基本原理，即通過誤差反向傳播建立多層前饋網絡的學習收斂過程,該過程主要包括三個層次,即輸入層、隱含層和輸出層。在訓練中通過計算輸出值與期望值之間的誤差,來求解輸出層單元的一般化誤差,再將誤差進行反向傳播,求出隱含層。并了解了基于人工神經網絡之上的建設項目的投資估算模型，了解了平滑指數法、類比系數法、模糊數學估算法的基本原理與其自身的優勢與不足，也讓我們更深刻地認識到，人工神經網絡，作為90年代逐漸被運用的人工智能技術之一，能像一個經驗深厚的造價師，根據工程類型、特征及其相關情況,結合數據和經驗,準確的估算出其造價。我們也通過計算驗證了模型的可行性。對于我們從事建筑造價的大學生來說，是一次難能可貴的研究機會，能夠較深層次的了解行業中的專業知識。隨著中國改革開放和市場經濟的不斷深入，中國建筑企業在面臨很好的機遇的同時，也面臨著嚴峻的考驗。現在的市場競爭機制已表現得越來越明顯，他要求我們提高效率，盡快拿出自己招投標方案，但是傳統的預算方法以及現行的計算軟件都必須花費較長的時間才能計算出結果，而且計算的結果準確度還不是很高。怎樣解決這個問題，成了建筑界的熱門話題。同時作為建設方的業主，他們同樣對快速預算很感興趣。因為確定工程造價是建設工作中十分重要的一環，在不同階段有著不同的方法。如建設前期的工程造價估算、初步設計階段編制概算、施工圖設計階段編制預算，特別是建設前的估算是我們工作的重點，因為它是我們進行成本控制的起點。對于建設單位而言，它們不僅能在進行設計招標之前大致確定該工程的造價，而且還能在工程施工招標前定出合理的標底。可見快速預算有其很現實的發展研究背景。近幾年許多學者都在這方面努力探索，并取得了很好成果。 神經網絡和模糊數學的快速發展應用為工程快速預算提供了很好的思路。我們通過查閱資料了解了模糊數學和神經網絡的結合原理，認識了基于模糊神經網絡和工程預算原理的工程快速估價的模型，并通過住宅建筑估價模型的建立，說明模型的實現方法且驗證其實用性。這次研究對于行業經驗不足的我們十分寶貴，我們通過書籍等資料更加全方位的了解了我們未來所講從事的行業的知識，為我們以后的工作做了良好的鋪墊，積累了寶貴財富，我們將在了解這些專業知識之后熟練地運用，以更好地促進行業的發展。（西華大學；四川；成都；610039）

參考文獻：

① 汪應洛、楊耀紅，工程項目管理中的人工神經網絡方法及其應用［J］.中國工程科學.2004,6(7):26-33.

② 袁曾仁，人工背景：神經網絡及其應用［M］清華大學出版社，1991

第2篇：神經網絡基本原理范文

1公路工程造價估算概述

1.1 公路工程造價估算的重要性

公路工程造價估算作為公路工程管理的重要組成部分其重要性主要體現在如下幾個方面。

第一,公路工程造價的估算是實現工程成本控制的基礎。其中工程施工前期造價估算、施工前的編制預算以及施工圖設計階段的編制預算等環節作為工程造價估算的核心,同樣是公路工程施工成本控制的起點,因此,實現公路工程造價的合理估算是實現工程成本控制的重要前提條件。

第二,公路工程造價的估算可以為施工企業成本控制計劃方案的制定提供重要的參考依據。施工企業通過工程造價的估算可以尋找到降低工程成本的有效途徑,從而為工程施工過程中施工成本的控制提供正確的方向。

第三,公路工程造價的估算可以幫助施工企業在進行設計招標前可以確定工程的大致造價。這樣一來,施工企業在招標的過程中就可以有效避免中間商的欺詐以及保標等惡意行為的發生。

1.2 傳統公路工程造價估算中存在的問題

盡管工程造價估算在公路工程建設中越來越受到人們的重視,但是由于受各方面因素的影響,在傳統公路工程造價估算中還存在一系列的問題,其中我國傳統公路造價估算中主要存在如下幾個方面的問題:一是相關規章制度的限制,造價估算結果往往與投標報價相差懸殊;二是預算結果與概算結果差距較大,不利于工程實際造價的控制和確定;三是缺少對工程造價估算的有效監督機制,從而使最終的造價結果變的十分不確定;四是由于各參與方利益的問題,在進行工程造價估算時很難早到平衡點,以至于造價估算精度不能得到有效的保證。

2認識模糊神經網絡

2.1 模糊數學概述

(1)模糊數學的概念,我們通常說的模糊就是指一些模棱兩可的、即可能又不可能、即是又不是的概念。而模糊數學就是要用數學的方法來表示那些模糊概念發生的可能性的大小,換句話講就是明確那些模糊概念所處的狀態,從而利用數學的思想來解決那些模棱兩可的、不確定的實際問題。

(2)模糊數學的數學描述,一般模糊數學的數學描述,多采用的是類似與集合的數學表示方法。與集合的區別就在于模糊數學在表示集合元素時需要附帶一個稱為隸屬函數值的參數,其中該參數的值是隸屬函數與元素的值進行運算的結果。

2.2 神經網絡概述

(1)神經網絡的概念,所謂的神經網絡是一個借鑒物理和生物技術來實現的用來模仿人類大腦神經細胞結構和功能的系統,與人類的大腦結構相似,它也由大量的模擬神經元所組成的,而且這些神經元之間相互連接,并行工作,作為一個系統協同完成一系列復雜的信息處理活動。

(2)神經網絡的基本原理,神經網絡在結構和功能上都是模擬人腦的神經系統來進行設計和實現的,它同時作為模擬生物神經元的一種計算方法,其基本原理是這樣的,與生物神經元的基本原理相似,用那些具有突的網絡結點來接受信息,并不斷的將接受到的信息累加起來,這些信息有些是抑制神經元,有些則是激發神經元,對于那些激發神經元,一旦積累到一定的閾值后,相應的神經元便會被激活,被激活的神經元就會沿其稱為軸突的部件向其它神經元傳遞信息,并完成信息的處理。

2.3 模糊神經網絡概述

模糊神經網絡是模糊數學和神經網絡有效結合的應用研究成果。其中在模糊神經網絡中模糊數學的應用體現在它可以根據那些假定的隸屬函數以及相應的規律,用邏輯推理的方法去處理各種模糊的信息。

3模糊神經網絡在公路工程造價估算中的應用

3.1 基于模糊神經網絡的公路工程造價估算方法的實現

將模糊神經網絡應用于公路工程造價估算方面,是近年來公路工程造價估算發展的特點和重點。從本質上來看,模糊神經網絡就是一個系統,它即有輸入又有輸出,與公路工程的造價估算十分相似,因為公路工程造價估算就是在輸入公路工程施工的一系列要求和特點后輸出相應結果的,所以與模擬神經網絡所提供的輸入輸出機制非常相似,其中結合模糊神經網絡的原理,基于模糊神經網絡的公路工程造價估算方法的實現過程如下。

第一，構建已施工公路工程的造價信息庫,其中包括應經施工的公路工程的各種特征因素以及工程造價等其他各方面的材料。

第二，結合擬建工程的施工需求來確定其包括評價指標等在內的各種特征因素的數據取值。

第三，按照模糊數學的思想法在已施工公路工程的造價信息庫中選取若干個(至少三個)與擬建工程最相似的已施工的工程,將其作為神經網絡進行學習和訓練的基礎數據。其中,將信息庫中公路工程的各種特征因素值的隸屬度作為神經網絡的輸入向量,信息庫中公路工程的造價值作為神經網絡的輸出向量。

第四,將擬建公路工程的各種特征因素值的隸屬度作為神經網絡的輸入向量,通過神經網絡的學習后所得到的輸出向量即為擬建公路工程的造價估算值。

第五,建立公路施工工程造價信息數據,編制神經網絡學習的算法通用程序。將學習訓練的基礎數據輸入神經網絡,然后合理設計學習率,經過一定次數的迭代運算,有效提高公路工程造價估算結果的精度。

3.2 基于模糊神經網絡的公路工程造價估算方法的優點

基于模糊神經網絡的公路工程造價估算方法有效的克服了傳統上工程造價估算方法的一系列缺點,與傳統的工程造價估算方法相比,其顯著優點就在于造價估算的迅速以及估算結果的精確。其中該方法的優點可以概括為如下幾點。

第一,模糊神經網絡中所采用的模糊數學可以對公路工程造價估算中的模糊信息進行有效的處理,通過對已竣工的公路工程和計劃施工的公路工程的相似度進行定量化描述,從而使模糊的公路工程造價問題得以模型化。

第二,基于模糊神經網絡的公路工程造價估算方法的估算結果科學合理,因為該方法采用的是基于數學模型的數學計算分析,所以其結果受人為因素的影響較小。

第三,模糊神經網絡中所采用的神經網絡模型對公路工程造價的估算具有很好的適應性,與傳統的造價估算方法相比,該方法能更好的適應公路工程造價的動態變化。

第四,基于模糊神經網絡的公路工程造價估算方法是借助計算機來完成的,所以還具有運算速度快和運算精度高的優點。

4結語

由于影響公路工程造價的因素比較多,而且各因素的構成比較復雜,計算相對繁瑣,所以公路工程的造價估算具有很大的模糊性。對于使用傳統的工程造價估算方法而言,公路工程造價的估算將是一項非常復雜的工作。然而結合模糊數學和神經網絡的理論思想,利用工程之間所存在的相似性,使用基于模糊神經網絡的公路工程造價估算方法可以迅速的得出精確的工程造價估算結果。

第3篇：神經網絡基本原理范文

【關鍵詞】 功率預測 短期預測 均方根誤差

發電與用電必須實時平衡是電力系統運行的重要特點，只有這樣系統才能保證安全和穩定。因而無論在國內還是國外，電網調度部門主要負責電力系統的調頻、調峰、安排發電計劃和備用容量等業務。對于新能源發電方面，尤其以光伏和風電為代表，當其在電力系統中達到較高透率時，準確預測其輸出功率不僅有助于調度部門提前調整調度計劃來減輕光伏風電間歇性對電網的影響，而且還可減少備用容量的安排，從而降低系統運行成本。因此，新能源功率預測在電網調度領域占有舉足輕重的地位，更精確的預測風能、太陽能發電功率有利于制定合理的電力調度計劃。

1 國內外研究現狀

對新能源發電功率預測技術的研究較早起源于國外，尤其以丹麥、德國、瑞士、西班牙和日本等國的相關大學和科研機構為代表。上世紀90年代丹麥開始大力發展風電，促使了其不同公司或高校開始研究新能源功率預測問題。[1]相繼產生了多個產品，如Riso實驗室開發了Prediktor系統，丹麥技術大學開發出WPPT（Wind Power Prediction Tool）系統，而后的用于風電功率預測的Zephry系統就是由Prediktor和WPPT整合而來，另外由ENFOR公司研發的用于光伏功率預測的SOLARFOR系統也比較有代表性；作為國際上較早大面積應用新能源的德國，其Oldenburg大學開發了Previento系統，德國太陽能研究所開發了風電功率管理系統（WPMS）；西班牙Joen大學建立了19kW的光伏發電站驗證其發電預報準確率[2]，通過人工神經網絡算法，以實測的光伏板溫度、日照輻射強度為輸入值，以其I/V曲線為目標函數，訓練神經網絡的多層傳感器，求解出逼近實際工況的I/V曲線，建立了發電功率日照強度、板溫之間的函數關系，經過驗證，該系統2003年發電量預測值與實測值的歷史相關系數高達0.998。國內方面光伏發電量預測技術研發起步較晚。華北電力大學[3]結合光伏組件數學模型和保定地區氣象資料，模擬了30MW光伏電站發電量數據，利用支持向量機回歸分析方法進行功率預測，但該方法無實際光伏電站的實況發電量數據，缺乏實驗驗證，對實際光伏電站發電量預報的指導意義有限。華中科技大學[4]利用該校屋頂光伏并網發電系統資料進行研究，通過2005―2010年不同季節氣象因素與發電量之間的相關分析，得出光伏發電量與輻照度的相關性最大、溫度次之、風速再次之。

2 功率預測方法及分類

為提高功率預測精度，國內外研究機構都在嘗試各種新的預測方法，主要的功率預測方法分類如（圖1）。

時間序列分析是持續預測法中的一種，其認為風速、輻照強度預測值等于最近幾個風速、輻照強度歷史數據的滑動平均值，通常只是簡單地把最近一點的觀測值作為下一點的預測值。該模型的預測誤差較大，且預測結果不穩定。改進的方法有ARMA模型法、卡爾曼濾波法。

人工神經網絡方法被廣泛用來解決非線性問題的建模方法。它由大量簡單元件相互連接而成的復雜網絡，具有高度的非線性，能夠進行復雜的邏輯操作的非線性關系。其具有很多優良性能，如非線性映射能力、自組織性和自適應性能力、記憶聯想能力、容錯能力等。

按照風電或光伏功率預測的時間尺度可分為中長期、短期和超短期預測。對于中長期預測或更長時間尺度，主要用于風光電場或電網的檢修維護計劃安排等的預測。對于30分鐘～72小時的預測，主要用于電力系統的功率平衡和經濟調度、電力市場交易、暫態穩定評估等稱為短期功率預測。一般認為不超過30分鐘的預測為超短期預測。從預測模型建立角度考慮，不同時間尺度的預測有本質區別：0～3小時的預測主要由大氣條件的持續性決定，所以如果不通過數值天氣預報也能得出較好的預測結果，如采用可得到更好結果。對于時間尺度超過3小時的預測，不考慮數值天氣預測無法反應大氣運動的本質，所以難以得到較好的預測結果，所以通常的預測方法都采用數值天氣預報的數據。

基于物理方法的功率預測流程示意圖如下（以風功率預測為例）。首先通過數值天氣預報得到風速、風向等氣象數據，再根據電場周圍的地理信息參數（等高線、粗糙度、障礙物、溫度分層等）采用軟件計算得到風機輪轂高度的風速、風向、氣溫、氣壓等參數，最后根據風機功率曲線計算得到風電場輸出功率。因為在不同的風向和溫度條件下，即使風速相同，風電場輸出功率也不相等，因此風電場功率曲線是一族曲線，同時還應考慮風電機組故障和檢修的情況。對整個區域進行風電功率預測時，可對所有的風電場輸出功率進行預測，然后求和得到區域總功率。

基于統計方法的風電/光伏的功率預測不考慮風速/輻照變化的物理過程，根據歷史統計數據找出天氣狀況與風光電場出力的關系，然后根據實測數據和數值天氣預報數據對電場輸出功率進行預測。

兩種方法各有優缺點。物理方法無需大量的測量數據，但對大氣的物理特性及風/光電場特性的數學描述要求較高，這些描述方程求解困難、計算量大。統計方法無需對求解方程，計算速度快，但需要大量歷史數據，采用機器學習方法對數據進行挖掘與訓練，得到氣象參數與風/光電場輸出功率的關系。目前的趨勢是將兩種方法混合使用，稱之為綜合方法。

3 三種預測方法的對比

通過應用三種統計預測算法于某案例中對其預測精度進行了對比。案例以某島嶼上的分布式風光電站發電量為檢驗對象，該電站由25臺30kw并網光伏逆變器、5臺50kw風機組成，合計1000kw。選取2013年4月份的歷史功率數據和歷史數值天氣預報數據作為模型建立依據，5月份發電量作為預測對象（因為該區域4，5月份天氣變化相對最小），并采用同時段的歷史功率數據對模型的預測結果進行驗證。

3.1 ARMA預測模型

3.1.1 ARMA模型的基本原理

ARMA模型也稱為自回歸滑動平均模型，是研究時間序列的重要方法之一，是由自回歸與滑動平均兩種模型“混合”而成。常用于長期追蹤資料的研究和用于具有季節變動特征數據的預測中，所以可將其應用于風電光伏功率預測領域。

3.1.2 預測結果及誤差分析

運用ARMA模型分別對5月1日9時0分至5月31日18時00分進行預測，得到原始風電光伏總功率和預測功率。預測結果如（圖3、4）所示。

常見的預測誤差的評估方法有平均絕對誤差，均方根誤差，相關系數等。均方根誤差放大了出現較大誤差的點，能更好的反映光伏電站預測模型的準確度，因此本文采用均方根誤差RMSE對模型的誤差進行評估。

其中，N-測試樣本數；P-裝機容量。

通過Matlab的計算，我們得到各項指標結果如表1。

3.2 卡爾曼濾波預測模型

3.2.1 模型基本原理

卡爾曼濾波法運用了濾波的基本思想，利用前一時刻預報誤差的反饋信息及時修正預報方程，以提高下一時刻的預報精度。要實現卡爾曼濾波法預測風光功率，首先必須推導出正確的狀態方程和測量方程。因已通過時間序列分析建立了風電功率時間序列的ARMA模型，故可將ARMA模型轉換到狀態空間，建立卡爾曼濾波的狀態方程和測量方程。

3.2.2 預測結果及誤差分析（如圖5、圖6）

通過Matlab的計算，我們得到各項指標結果如（表2）。

3.3 小波神經網絡預測模型

對于上文的ARMA模型和卡爾曼濾波模型都屬于線性模型，都必須先對模型結構做出假設，然后對模型參數的估計得到預測值。因此，模型結構的合理與否，直接影響到最終預測的精度。由于風光電場功率具有高度的不確定性，因而單一的線性預測模型不足以挖掘其功率數據中的所有信息。而神經網絡具有自學習、自組織和自適應性，可以充分逼近任意復雜的非線性關系，所以本文選擇小波神經網絡方法對風光功率進行非線性預測研究。

3.3.1 小波神經網絡法基本原理

小波神經網絡是一種以BP神經網絡拓撲結構為基礎，把小波基函數作為隱含層節點的傳遞函數，信號前向傳播的同時誤差反向傳播的神經網絡。小波神經網絡的拓撲結構如圖7。

3.3.2 模型建立

首先采集四月份一整月的光伏風電功率數據，每隔15min記錄一個時間點，共有960個時間節點的數據，用前四月份30天的功率數據訓練小波神經網絡，最后用訓練好多的神經網絡預測之后的功率數據。基于小波神經網絡的功率預測算法流程圖如圖8所示。

小波神經網絡的拓撲結構如圖9所示。

小波神經網絡訓練：通過數據訓練小波神經網絡，網絡反復訓練100次。

神經網絡網絡測試：用訓練好的神經網絡預測風光功率，并對預測結果進行分析。

3.3.3 預測結果

利用Matlab處理數據并進行計算，我們得到基于小波神經網絡的功率預測結果（圖10、11）。

預測結果分析：

本文采用了ARMA模型、卡爾曼濾波預測算法和小波神經網絡算法對該島的分布式風光電功率數據樣本進行了預測。分析表1～表3預測效果評價指標，我們得到以下認識：小波神經網絡模型中我們得到預測結果：超短期預測精確度誤差最小達到到7%，短期預測精確度誤差最小達到到9%，表明小波神經網絡的預測結果已經相當精確。對小波神經網絡預測曲線與線性預測模型的預測曲線進行對比，可以看到：神經網絡對于光伏風電功率的描繪更加平緩。

4 結論與展望

在對國內外文獻廣泛調研的基礎上，較為全面地論述了風電、光伏功率預測技術的研究現狀和最新動態，對當前功率預測技術方法進行了總結歸納，建立了針對某島嶼分布式風光互補示范工程的高精度發電功率預測模型，成功實現了分布式電源總輸出（光伏風電）的精確預測，實驗運行結果表明：該系統能夠準確預測次日短期和未來4小時超短期光伏發電出力，短期和超短期預測的月平均均方根誤差分別為9%和7%。

為了進一步提高功率預測精度還需要提高數值天氣預報質量，從而得到精度更高更豐富的區域氣象數據。因此需要盡快建立我國數值天氣預報商業化服務，進一步完善風電光伏功率預測系統，提高預測精度。

參考文獻：

[1]BOSSANYI E A. Short-term wind prediction using Kalman filters[J]. Wind Engineering， 1985，9（1）：1-8.

[2]Almonacid F， Rus C， Perez P J，et al.Estimation of the energy of a PV generator using artificial neural network [J]. Renewable Energy， 2009， 34（12）：2743-2750.

第4篇：神經網絡基本原理范文

[關鍵詞] 客戶需求 預報 RBF神經網絡

一、引言

在經濟全球化的激烈競爭中，客戶需求預報在企業決策中發揮著重要的作用，客戶需求預報主要是預報未來一段時間內客戶對某產品的需求數量和發展趨勢。產品需求信息的提前準確獲取，可以縮短產品的上市時間并提高客戶滿意度。同時客戶需求預報也是解決不確定需求物流配送問題的一個重要方法，通過客戶需求預報可以將不確定需求問題轉化為確定需求問題。本文采用RBF神經網絡對客戶需求進行預報，以期得到有效結果。該研究有利于了解RBF神經網絡在客戶需求預報問題中的應用價值。

二、基于RBF神經網絡的客戶需求預報

RBF神經網絡是以徑向基函數作為隱含層神經元激活函數的三層前向型神經網絡，RBF網絡的優越性主要在于具有最佳逼近和全局逼近的性質，因此可以用于預測、識別、函數逼近和過程建模等問題。RBF神經網絡的拓撲結構如圖1所示。第一層為輸入層，由信號源節點組成，輸入層節點只傳遞信號到第二層；第二層為隱含層，隱含層采用徑向基函數作為網絡的傳遞函數，隱含層節點數視所描述問題而定，從輸入層空間到隱含層空間的變換是非線性的；第三層為輸出層，它對輸入模式的作用作出響應，輸出層節點計算由隱含層節點給出的基函數的線性組合。整個RBF網絡可以看作是非線性基函數的線性組合。

RBF神經網絡輸出層第j個節點的輸出值計算公式如下所示:

;式中RBF網絡的傳遞函數采用高斯函數，表示輸出層第k個節點的輸出值，表示隱含層第i個節點到輸出層第j個節點的連接權值，x表示神經網絡的輸入向量，表示隱含層第i個節點的中心，M表示隱含層節點總數，表示歐氏函數，表示偏置量，表示隱含層中心寬度。

基于RBF神經網絡的客戶需求預報包括訓練樣本的選取、待測樣本的選取與RBF神經網絡需求預報等三部分組成。根據客戶需求歷史信息，采用此預報方法可以得到相應的預報結果。此預報方法各組成部分的關系如圖2所示。

本文選取客戶需求數據作為訓練樣本數據：以某客戶需求發生時間t(1)、t(2)、…、t(n)對應的客戶需求量d(1)、d(2)、…、d(n)作為訓練樣本。當RBF神經網絡完成訓練學習后，就可以對未來某時刻的客戶需求量進行超前預報。

三、計算示例

為了驗證此預報方法的有效性，以國內某公司某產品的銷售數據為例，對此產品的需求量進行了預報。此產品的需求數據如下表所示：

本文選取2003年～2006年的歷史需求數據組成訓練樣本，采用提出的RBF客戶需求預報方法對2007年的產品需求量進行超前預報。2007年客戶需求量的超前預報值和誤差如表2所示：

由表2可知，采用基于RBF神經網絡的預報方法對客戶需求量進行超前一個月至十二個月預報，其平均誤差為3.27%。

四、結束語

本文介紹了RBF神經網絡的基本原理，描述了客戶需求信息訓練樣本和待測樣本選取等內容，提出了基于RBF神經網絡的客戶需求預報方法。最后以某公司的產品銷售數據為例，采用此預報方法對其產品需求進行了超前一個月至十二個月的預報，平均預報誤差小于4％，證明了此方法的可行性和有效性。

參考文獻：

[1]朱道立龔國華羅齊:物流和供應鏈管理[M].上海:復旦大學出版社, 2001

[2]宋華:現代物流與供應鏈管理案例[M].北京:經濟管理出版, 2001

[3]魏海坤:神經網絡結構設計的理論與方法[M].北京:國防工業出版社,2005

[4]田景文高美娟:人工神經網絡算法研究及其應用[M].北京: 北京理工大學出版社,2006.7

[5] 高瑋. 新型進化神經網絡模型[J].北京航空航天大學學報，2004, 30(11):79-83

第5篇：神經網絡基本原理范文

[關鍵詞]人工神經網絡；旅游物流；需求預測

[DOI]1013939/jcnkizgsc201538051

1引言

旅游物流對廣西地區經濟的發展至關重要，準確把握、預測旅游物流需求有助于有關部門制定合理的旅游物流規劃、促進國民經濟可持續發展、提高居民生活水平。國內學者通過一定的方法和模型確定了影響旅游物流能力的關鍵要素，為旅游物流需求的預測提供了一定的理論基礎，而在物流需求預測方面也提出了很多如時間序列模型、灰色預測、回歸分析等具有創新性和實踐意義的方法。由于旅游物流具有的獨特性和負責性使得這些模型及分析方法在前提條件、適用范圍和側重點的選取方面具有一定的困難，因此在實際應用中各有利弊。人工神經網絡可以將定量或定性的信息等勢的分布貯存于網絡內的各神經元，有很強的魯棒性和容錯性，通過建立基于人工神經網絡的預測模型，利用Braincell軟件進行計算以期達到精確預測旅游物流需求的目的。

2旅游物流的需求界定

經過多年的發展，關于旅游物流需求的定義至今仍沒有一個令各方滿意的結論。物流服務貫穿了整個旅游活動過程中，旅游物流可以看作為了使旅游消費者獲得更好地滿足感和旅游體驗，與旅游相關的主體提供讓旅游消費者更為暢通流動的旅游服務，與此相應的旅游物流的能力指提供的旅游服務內容以及相關主體使用物流設施對旅游物流活動進行計劃、組織、協調和控制的能力，到旅游物流的具體環節，可以從涉及旅游者的吃、住、行、購、游、娛等方面界定旅游相關主體運用物流設施為游客提供旅游服務的能力。文中對旅游物流需求的預測可以從往年的旅游物流能力方面進行預測，通過準確的預測旅游物流需求可以較好地規劃未來年份旅游業發展方向，對物流設施和設備進行準確的投入，減少資源的浪費及設施投入不足的狀況。

旅游物流能力是指旅游服務主體向旅游消費者從“吃、住、行、購、游、娛”6個方面提供服務的能力，旅游物流需求可根據這6方面來選取指標，但是旅游物流需求預測的準確性不僅受到旅游物流的獨特性的制約，還受到一些客觀性條件的影響。如物流統計制度不健全，目前，我國仍沒有建立系統全面的物流統計制度，更沒有涉及旅游物流領域；物流統計沒有涉及物流活動的全過程；物流統計指標過于單一。此外，國內只有基本的貨物運輸量和貨物周轉量統計，其他與物流相關的指標沒有公開的統計資料，也沒有權威的統計方法和基礎數據，致使物流需求預測不能通過直接指標來衡量需求規模的大小。

3基于神經網絡的旅游物流需求預測模型的建立

神經網絡具有非線性、曲線擬合能力、學習能力和抗干擾能力，是一種通用的非線性函數逼近工具。通過對BP神經網絡的訓練，特別適用于構造非線性預測函數，而且精度可達到預定的要求。

31預測領域中的BP神經網絡模型簡介

BP神經網絡通過正向輸入，反向傳播誤差不斷迭代的學習過程，直到誤差減到可以接受的程度。一般包括輸入層、隱含層和輸出層的單隱含層網絡就能以任意精度表示并揭示任何連續函數所蘊含的非線性關系。其中：

（1）工作信號正向傳播。輸入信號從輸入層經過隱含層，傳向輸出層，在輸出端產生輸出信號，這是工作信號的正向傳播。在信號的正向傳播過程中網絡的權值是固定不變的，上一層神經元的只影響下一層神經元的狀態，即正向影響。如果在輸出層不能得到期望的輸出，則轉入誤差信號反向傳播。

（2）誤差信號反向傳播。網絡的實際的輸出與所期望的輸出之間差值即為誤差信號，誤差信號由輸出端開始逐層向前傳播，即誤差信號的反向傳播。在誤差信號反向傳播中，神經網絡的權值根據誤差的反饋進行調節。通過不斷地對權值的修正，使實際輸出更加接近期望輸出。

（3）預測神經網絡流程。通過了解工作信號與誤差信號的傳播方向，可以清楚地了解預測神經網絡的工作流程。預測開始時神經網絡讀入樣本、權值，通過計算輸入層的輸入得出結果傳遞到輸出層，在輸出層進行計算，最后在計算輸出值與期望值的誤差。若誤差小于確定值則計算結束，若誤差大于確定值則繼續回到前兩層進行權值調整，把調整后的權值重新輸入到模型中，直到誤差小于設定的確定值。

本文應用Braincell神經網絡軟件來實現神經網絡的計算與分析。

32BrainCell軟件及實現

321BrainCell 神經網絡基本原理

BrainCell 神經網絡采用誤差反向傳播學習算法，算法從兩個方面（信號的前向傳播和誤差的反向傳播）反復進行迭代學習，與神經網絡預測模式基本原理相同。

322BrainCell 神經網絡實現步驟

（1）數據的預處理和后處理。為方便的計算減少誤差，保證數據同一量綱，需要將數據歸一化為區域[0，1]之間數據。在實際的預測模型中當數據接近0或1的時候訓練效果會明顯下降。因此，為了避免數據落入最大飽和區，保持數據的原有特征，根據經驗將數據規范到[015，085]來進行修正。模型中采用反歸一化處理輸出數據。

（2）網絡層數目的確定。由Kolmogorov定理可知，含有一個神經元隱含層的三層神經網絡可以從任意精度逼近一個從輸入到輸出的映射關系，因此在Braincell神經網絡中采用含有單隱層的三層神經網絡[2]。

（3）網絡節點的確定。輸入層節點的多少與評價指標個數是相對應的。

（4）網絡訓練。假設訓練樣例是形式（x，y），其中x為輸入向量，y為輸出值。N為輸入節點數，M為輸出層節點數。從單位i到單位j的輸入表示xij，單位i 到單位j的權值表示Wij。一是創建具有N 個輸入單位，M 個輸出單位的BrainCell 神經網絡；二是用隨機數（0 或1）初始化某些數字變量網絡權值Wij；三是對于第k個訓練樣例（a，b），把入跟著網絡前向傳播，并計算網絡中每個單元x的輸出Qx，使誤差沿著反向傳播；四是對于每個輸出單元u，計算它的誤差項；五是對于每個隱含單元h，計算它的誤差項；六是利用誤差項更新調整每個網絡權值；七是重復三到六點，直到完成指定的迭代次數或者是其誤差值達到可接受的范圍。

33神經網絡的旅游物流需求預測模型的建立

331模型中數據指標確定

目前我國仍沒有健全的物流統計制度，因此實際工作中收集旅游物流需求數據十分困難。這里采用間接指標法――利用與旅游物流需求相關的經濟指標來建立旅游物流需求的經濟指標體系，通過數學的方法進行總結與推導，確定旅游物流需求模型。

旅游物流需求是一種派生需求，這種需求的大小與其本身發展有著密切的關系。從宏觀層面上考慮主要有內外兩部分因素：旅游業自身發展的狀況及外部環境的影響。從微觀層面來說，旅游業自身發展的狀況是旅游物流需求的關鍵因素。旅游業產值越高，旅游物流需求增長隨之增加，反之亦然。由此，本文選取旅游總收入和接待人數作為預測旅游物流需求的指標。其次，影響旅游物流的其他關鍵因素就是旅游行業本身所投入的設施、人員、公路鐵路旅客周轉量等因素。根據旅游物流能力的理解從“吃、住、行、購、游、娛”等方面進行指標的選取，如“吃、住”方面使用餐飲住宿從業人數、星級飯店數目衡量；“行”使用公路、鐵路旅客的周轉量來衡量等；“游”則使用旅行社從業人數等方面來衡量。這些因素都對行業的產值有較大的影響。因此，在模型中可將這些相關經濟指標作為旅游物流需求規模的影響因素。由此可選擇如下輸入層指標：星級飯店數X1、接待入境旅游者平均每人消費額X2、餐飲住宿業從業人數X3、旅行社從業人數X4、鐵路旅客周轉量X5、公路旅客周轉量X6、旅游部門游船年末實有船數X7，旅游部門旅游客車年末實有數X8，共有8個。而把旅游業的年收入Y1與年接待入境旅游者人數Y2作為物流需求預測的目標。

332數據來源

本文選取的數據資料來源于廣西壯族自治區歷年統計年鑒、中國統計年鑒、中國旅游年鑒，如表1所示。根據樣本數據選取原則，將2005年和2012年的數據作為網絡測試樣本，最后用訓練好的神經網絡預測2014―2016年的物流需求規模。

333廣西旅游物流需求的BP人工神經網絡模型

（1）樣本數據的歸一化處理。選取X1，X2，X3，X4，X5，X6，X7，X8作為廣西旅游物流需求預測BP人工神經網絡模型的輸入，Y1，Y2為BP網絡的輸出。根據BP 的本身特點，對輸入層數據進行歸一化時，采用如下公式：y=log[JB（（]x[JB））]/10。對輸出層數據則使用歸反一化處理，公式如下：P=log[JB（（]tT[JB））]/10。

（2）網絡節點的確定。根據構建好的評價指標體系，可以確定輸入層的節點數為8，輸出層的指標數為2。

（3）網絡訓練。以traindx作為訓練函數，利用matlab計算。可知在最大訓練次數為200次，目標誤差為001，學習率設置為003，誤差曲線收斂于目標001，進過45次迭代后，網絡達到目標要求，訓練誤差圖見下圖。

訓練誤差圖

通過設置的數據，使用Braincell軟件對數據進行訓練，選取全部數據作為樣本數據組，2010―2013年的樣本作為將預測樣本，輸入模型可得2010―2013年的預測值見表2。

據表3可以看出，預測效果較好，一般來說，對于經濟指標的預測，誤差能夠控制在3%以內就算比較準確。因此，基于與旅游物流相關的其他經濟數據來建立BP神經網絡模型預測旅游物流需求有一定的實用價值。

4結論

根據人工神經網絡理論建立的旅游物流需求預測模型，通過Braincell神經網絡的自學習特征，運用traindx函數進行訓練，在訓練過程中對權值進行不斷修正，誤差比率控制合適的在范圍內，使網絡的實際輸出向量逐漸地接近期望的輸出值。最后把仿真的預測結果與真實量進行初步比較分析，得出的結果能夠證明使用神經網絡模型對旅游物流的預測精度較高。因此可以得出以下的結論：用BP神經網絡建立模型，可以準確地把與旅游物流相關的經濟數據與目標本身的需求量進行結合，可得到較為精準的旅游物流需求預測值。由此可以推斷，人工神經網絡作為高度的非線性體系，能夠對經濟系統中個變量之間的非線性關系進行高精度的預測，將其運用在物流領域中的應用具有更加廣闊的發展潛力。

參考文獻：

[1]王新利，趙琨基于神經網絡的農產品物流需求預測研究[J].農業技術經濟，2010（2）：64-66

[2]秦立公，韋金榮等基于BrainCell 的B2B 電子商務供應鏈協同績效評價體系[J].中國集體經濟，2014（15）：112-113

[3]張圣楠，郭文義，等基于MATLAB的BP神經網絡的設計與訓練[J].內蒙古科技與經濟，2005（17）：96-98

[4]熊勛人工神經網絡在環境質量評價和預測中的應用研究[D].武漢：華中科技大學，2009

[5]白平，陳菊紅基于旅游物流能力的西部旅游發展研究[J].新疆大學學報，2013（41）：16-17

[6]秦立公，王東，等旅游景區物流能力優化研究[J].現代商業，2010（24）：47

第6篇：神經網絡基本原理范文

只有清楚地了解電梯控制系統的運行原理才能夠及時準確的診斷出電梯故障原因，因此清楚的了解電梯運行原理,每一個電梯維修人員必須要做到。電梯運行過程總體上可分為以下幾個階段：第一、登記層外召喚信號和登記內選指令階段；第二、電梯門關閉或者電梯按照系統指令停運階段；第三、啟動階段；第四、在到達信號記錄的樓層前進行減速制動；第五、平層開門階段。在整個過程中電梯需要從外界接收信號并處理，然后完成相應的指令或者輸出信號，由此可以將電梯看作是一個完整的獨立的系統，只需要外界給予相應的信號就可以自動的做出動作。電梯系統內部復雜的構件緊密的結合在一起，正是如此才使得電梯系統故障具有了復雜性、層次性、相關性以及不確定性的特點。

二、神經網絡技術基本原理

生物學上的神經是由一個個簡單的神經元相互連接進而形成了復雜的龐大的神經系統，同理，神經網絡就是由大量簡單的處理單元相互連接形成的復雜的智能系統。單獨的處理單元類似于一個神經元，是一個可以接受不同信息但是只輸出一種信息的結構單位。神經網絡系統與生物學神經系統相似的是具有自我修改能力，它可以同時接收大量的數據并進行統一的分析處理，進而輸出相應的處理結果。這就使得神經網絡系統具有了高度容錯性、高度并行性、自我修改性、學習性以及高度復雜性，也正是由于這些特性才使的利用神經網絡技術能夠及時準確的查明電梯故障原因并得出故障解決方案。電梯故障診斷中應用的神經網絡模型分為三個層次：輸入層、接收外部信號或者是電梯自我檢測信息（如載重信息）；隱含層、對接收到了大量數據進行相應的分析處理；輸出層、將記錄著動作命令的數據傳送出來。在電梯出現故障時，首先可以通過神經網絡模型快速確定故障發生在哪一層達到節約時間的目的。但是神經網絡也會因為收斂速度過于慢、訓練強度太大或者是選擇的網絡模型不好等問題導致診斷結果受到影響。

三、神經網絡模型在電梯故障診斷中的應用分類

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

（一）BP網絡模型

BP神經網絡作為神經網絡應用最廣泛的一種，它多應用的誤差反向傳播算法使其在模式識別、診斷故障、圖像識別以及管理系統方面具有相對先進性。基于BP網絡的電梯故障診斷技術就是通過學習故障信息、診斷經驗并不斷訓練，并將所學到的知識利用各層次之間節點上的權值從而表達出來。BP網絡系統的主要診斷步驟主要可以分為三步。第一步：對輸入輸出的數據進行歸一化處理，將數據映射到特定的區間。第二步：建立BP網絡模型，訓練BP網絡模型。第三：通過已經訓練好的網絡模型對原來的樣本進行全面的檢測。算法步驟：a、在一定的取值范圍內對數據進行初始化；b、確定輸入值數值大小，計算出預期輸出量；c、用實際輸出的值減去上一步得到的數值；d、將上一步得到的誤差分配到隱含層，從而計算出隱含層的誤差；e、修正輸出層的權值和閾值，修正隱含層的權值；f、修正隱含層的閾值，修正隱含層和輸入層的權值。

（二）遺傳小波神經網絡模型

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

（三）模糊神經網絡模型

模糊神經網絡模型就是創新性的將神經網絡與模糊理論結合到一起。它采用了廣義的方向推理和廣義的前向推理兩種推理方式。與其它兩種模型不同的是，它的語言邏輯、判斷依據和結論都是模糊的。但是它的數據處理能力還有自我學習能力并沒有因此而變差，反而更加豐富了它的定性知識的內容。在處理實際問題的過程中，首先要建立所有可能發生的故障的完整集合，其次將所有的故障發生原因歸入到同一個集合中去，最后就是建立故障和原因的關系矩陣。分別叫做模糊故障集、模糊原因集、模糊關系矩陣。相較于BP網絡模型，這種模型更加的簡單易行，充分發揮了神經網絡和模糊邏輯的優點，不會因為故障原因過于復雜而失去診斷的準確性，在原本豐富定性知識和強大數據處理能力的基礎上具有了很大的自我訓練能力。

四、結語

第7篇：神經網絡基本原理范文

關鍵詞：模擬電路；故障診斷；模糊數學；bp網絡；模糊bp網絡

0引言

電路故障是指在規定的條件下，電路工作時它的一個或幾個性能參數不能保持在要求的上、下限之間，其結構、組件、元器件等出現性能減退、老化、破損、斷裂、擊穿等現象，喪失了在規定條件和環境下完成所需功能的能力。

長期以來，學界對模擬電路工作特點的研究已相當深入，但對于故障診斷方法的研究卻困難較大，這是由于模擬電路本身的特性決定的：1）輸入激勵和輸出響應都是連續量，模擬電路中的故障模型復雜，量化難度大；2）模擬電路信號量程寬，不管電壓、電流的量程還是頻率都可達十幾個數量級，測量難度大；3）模擬電路中的元器件參數具有容差，導致電路的故障狀態的模糊性，而無法準確定位；4）模擬電路中存在廣泛的反饋回路和非線性問題，使計算的難度更加復雜。因此，學界提出了許多模型和方法來完成對某些符合特定條件的模擬電路的故障診斷。其中神經網絡法的使用就相當普遍，在硬和軟故障診斷中都有應用，因為神經網絡的技術優勢針對模擬電路故障診斷有較好的適用性，這主要體現在：1）神經網絡的大規模并行處理特點，大大提高了診斷效率；2）自適應與自組織能力使神經網絡在學習和訓練中改變權重值，發展出新的功能。同時，模糊數學也與神經網絡相結合，這是利用了模糊數學對待診斷模擬元器件的故障不確定性進行量化處理，能夠有效克服模擬電路元器件因為容差、非線性及噪聲造成的電路參數模糊性。

本文的研究目的就是分別利用單純bp神經網絡和模糊bp神經網絡的方法建立模擬電路故障診斷模型，利用電路仿真收集電路不同工作狀態下的關鍵點電壓，代入診斷模型并得到診斷結果。根據各網絡的結果分析比較各診斷模型的優缺點，找出模糊數學對改進模擬電路故障診斷模型的具體表現。

1模糊神經網絡的故障診斷模型

1.1典型模糊神經網絡診斷模型介紹

圖1顯示的是一個典型的模糊神經網絡模型，該模型由原始知識獲取（fundamental knowledge acquire,fka）、特征參數處理（characteristic parameter produce,cdp）、知識提取（knowledge extracted,ke）、經驗知識庫（experience knowledge base,ekb）、學習樣本集（learning sample set,lss）和模糊神經網絡（fuzzy neural networks,fnn）共6個模塊共同組成，其工作流程是：

圖1 典型模糊神經網絡診斷模型

1）原始知識獲取模塊通過對電路工作原理進行分析，模擬或仿真各類故障發生時輸入和輸出參數，從而獲取原始知識（x，y），將其傳入知識提取模塊中供系統學習，所得經驗集存入經驗知識庫中；

2）將原始知識和已經存放在經驗知識庫中的經驗知識（初始庫可為空）一起輸入學習樣本組織模塊中，進行學習樣本的構建，合成訓練樣本集為（x1，y1）；

3）將（x1，y1）輸入到模糊神經網絡模塊，學習訓練，并在達到指定精度后停止；

4）將從模擬電路中獲得的實測參數xc輸入至特征參數提取模塊中，完成數據分析和處理，輸出特征參數數據xc'；

5）將特征參數數據輸入到學習收斂后的模糊神經網絡中，進行診斷推理，得出診斷結果yc'；

6）將得到的實測數據集（xc'，yc'）輸入學習樣本組織模塊，動態增強模糊神經網絡的自適應能力；

7）將得到的實測數據集（xc'，yc'）輸入知識提取模塊，進行分析和處理，如能提取出經驗知識，則歸入經驗知識庫中[1]。

1.2模糊神經網絡結構

模糊神經網絡的結構應該包括4層，如圖2所示。

模糊層的作用是將輸入量進行模糊化。每一個模糊層節點對應一個該論域中的模糊子集和隸屬函數。該層接收精確數值輸入，經過模糊化計算得出對應的隸屬度并輸出。

圖2 模糊神經網絡結構圖

輸入層、隱含層和輸出層共同構成一個完整的神經網絡。輸入層不具有運算功能，它只是將所感知的輸入值精確傳遞到神經網絡中；隱含層的作用相當于特征檢測器，提取輸入模式中包含的有效特征信息，使輸出層所處理的模式是線性可分的，該層節點是模糊神經元，與輸入層間的連接權值是隨機設定的固定值；輸出層節點也是模糊神經元，與隱含層之間采用全連接方式，其連接權值是可調的，作用是輸出用模糊量表示的結果[2]。

1.3輸入層、輸出層和隱含層節點數確定

輸入層的個數代表了電路故障診斷的關鍵測試點的個數n1，輸出點為電路所具有的潛在故障模式種類數n3。

根據輸入層和輸出層的個數，隱含層節點數n2的確定有以下4種經驗公式[3]：

（1）

（為0～10之間的常數）（2）

（為0～10之間的常數）（3）

（4）

2模糊數學和神經網絡的算法介紹

2.1模糊數學和隸屬度函數

模糊數學的作用是對測試點測得的電壓信號進行特征提取——模糊化處理。因為在模擬電路測試中，參數值會隨著故障原因的不同和故障階段不同而發生變化，所以在進行數據處理時常用方法是使用精確事實規則。即用正態分布函數作為隸屬度函數表示“大約為a”的模糊概念，此外還有如三角分布和梯形分布等[4]。在使用中，正態分布使用較多，其中的a是該測試點的理想狀態工作點，b為該測試點在各種可能狀態下的工作電壓均方差。

2.2bp神經網絡與算法

圖3bp神經網絡模型結構圖

反向傳播網絡（back-propagation network，簡稱bp網絡），是一種有隱含層的多層前饋網絡。每一層均有一個或多個神經元節點，信息從輸入層依次經各隱含層向輸出層傳遞，層間的連接關系強弱由連接權值w來表征。bp算法是一種監督的學習，基本原理是梯度最速下降法，中心思想是調整權值使網絡總誤差最小。通過連續不斷地在相對于誤差函數斜率下降的方向上計算網絡權值和偏差值的變化而逐漸逼近目標的。每一次權值和偏差的變化都與網絡的誤差的影響成正比，并以反向傳播的方式傳遞到每一層。bp網絡模型結構如圖3所示。

以bp神經網絡模型結構圖為例進行bp算法推導，其輸入為p，輸入神經元有r個，隱含層內有s1個神經元，激活函數為f1，輸入層內有s2個神經元，對應的激活函數為f2，輸出為a，目標矢量為t。

1）隱含層輸出：（i=1,2,…,s1）（5）

2）輸出層輸出： （k=1,2,…,s2） （6）

3）定義誤差函數：（7）

4）輸入層的權值變化量：（8）

其中：

同理可得：（9）

5）隱含層權值變化有： （10）

其中：

同理： （11）

bp網絡經常使用的是s型的對數、正切激活函數或線性函數[5]。

3電路故障診斷算法驗證

圖4 共集-共射電路的直流通路圖

例：如圖4所示的直流通路圖，電阻的標稱值如圖中所注。利用multism軟件在直流狀態下進行多次monte carlo分析仿真該電路[6]，并考慮電阻的容差影響，取40個樣本作為模糊神經網絡的訓練樣本，另取5個樣本為測試樣本。設電阻r1～r5的容差值為-5%～5%。測試點選為a、b、c、d和e五點，所測電壓值為va、vb、vc、vd和ve。

表1 部分電路實驗樣本原始數據

表2 測試樣本原始數據

表1列舉了40組電路實驗樣本原始數據的11組，包含了該電路在11種工作狀態下的五個關鍵點電壓值，所以n1=5，n2=11，隱含層的節點數可以依據公式2.3確定為12個，其中a為5。

表2則列舉了5組測試樣本的原始數據。

步驟一：數據模糊化

根據用正態分布函數作為隸屬度函數表示“大約為a”模糊概念的思路，可以分別得到各測試點上電壓隸屬度函數的參數值。

a1=5.57、a2=4.97、a3=4.9、a4=5.7和a5=5.69以及b1=4.3729、b2=4.4817、b3=3.9091、b4=4.2870和b5=3.7944。

由各測試點的隸屬度函數可得到網絡的訓練樣本見表3。

表3 神經網絡部分輸入、輸出訓練樣本

步驟二：將訓練樣本輸入神經網絡進行訓練

將全部40個原始值和模糊化值的輸入樣本和對應的輸出樣本分別輸入bp神經網絡中進行訓練。

步驟三：將測試樣本輸入神經網絡進行檢測

將全部5個原始值和模糊化值的輸入樣本和對應的輸出樣本分別輸入已經訓練好的bp神經網絡中，輸出診斷結果見表4。

表4 輸出診斷結果

表4中的數據是經過故障診斷后得到的結果，在此只是各隨機選用了一組數據加以比較說明。通過對故障診斷的試驗觀察和結果的比較可以作出以下分析。

1）模糊化數據能夠有效減少神經網絡的收斂次數。如在bp網絡診斷中，使用模糊化數據的迭代次數由886減少到263次，收斂速度明顯加快；

2）模糊化數據能夠有效提高神經網絡訓練的效果。通過表4中數據的對比可以發現對于相同的神經網絡，經過模糊化數據的訓練，其準確性更高。這主要表現在電路所對應的狀態結果普遍高于未經模糊化數據訓練的網絡得出的結果；同時，其他狀態對應的機率更低，皆低于0.1，且更多值為0，說明數據模糊化能使神經網絡的診斷結果更集中，正確率更高，有效性更加明顯。

4結論

通過分別采用bp網絡和模糊bp網絡建立了電路故障診斷模型，對電路相同工作狀態參數的診斷結果進行比較，得出了模糊數學對提高電路故障診斷模型精度和有效性效果明顯的結論。模糊數學和神經網路理論的組合有效地提高了模擬電路故障診斷模型的收斂速度，提高了故障診斷的工作效率，還提高了診斷的準確性，有效性得到了充分顯示。

參考文獻：

[1] 呂律,魏蛟龍.基于模糊神經網絡的板級電路故障診斷研究[j].計算機與數字工程,2003（3）:21-23.

[2] 李國勇.智能預測控制及其matlab實現[m].北京:電子工業出版社，2010.

[3] matlab中文論壇.matlab神經網絡30個案例分析[m].北京:北京航空航天大學出版社,2010.

[4] 朱大奇.電子設備故障診斷原理與實踐[m].北京:電子工業出版社，2004.

第8篇：神經網絡基本原理范文

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9篇：神經網絡基本原理范文

【關鍵詞】人工神經網絡 BP算法 故障診斷 發動機

近年來，汽車越來越多地出現在普通百姓家庭。發動機系統是汽車的心臟，大部分零件處于高溫、高壓的工作環境且處在高速運動當中，設備復雜、參數多，其故障的發生率高，診斷起來困難繁瑣，本文針對這一問題，在掌握發動機運行流程后，引入了BP神經網絡故障診斷方法，并適當改進，測試結果表明，該方法可靠有效實用。

3 自適應BP網絡實例應用

3.1 網絡輸入輸出向量及參數的選取

由汽車維修專家提供典型發動機系統故障現象及相應的故障原因實例作為訓練樣本。以故障類型X=（x1，x2，x3，x4）作為輸入，故障原因R=（r1，r2，…，r12）作為輸出，建立故障模式與故障原因之間的映射關系。如表1所示。

3.2 網絡的創建、訓練與檢驗

按照樣本的模式對，確定輸入層節點個數為4，輸出層節點個數為12。輸出節點值的大小反映了故障出現的可能程度。而隱含層節點的個數可參照經驗公式選取：其中為輸出節點數，n為輸入節點數，為1至10的常數。

將故障類型及原因分析表中的文字描述進行轉換并編碼，就得到樣本訓練表，如表2所示。

選取網絡的初始學習率=1，動量因子=0.01，初始學習率調整因子β=1，訓練過程中根據誤差變化實時調整學習率，取β=0.9（誤差變大時），β=1.1（誤差變小時）。

采用Matlab軟件編寫程序對樣本進行訓練。

3.3 誤差分析與判定

利用同一組樣本對改進的BP算法和傳統BP算法分別進行測試，并對照研究，進行誤差分析。表3為階段性均方誤差所需要的訓練次數對比，圖1為增加動量項的BP算法對網絡訓練誤差的影響，圖2為采用自適應學習率BP算法對網絡訓練誤差的影響，可以直觀地看出，兩種方法都可以極大地加快網絡的訓練過程，將兩種方法結合到一起，則效果更好，如圖3所示。

需要注意的是，建議學習率調整率不能取值太大，使步長平穩，同時設定學習率的最大值，超過后就不再調整，防止出現過調。

4 結論

本文把基于BP神經網絡的故障診斷技術引入汽車發動機故障診斷系統，通過增加動量項和自適應調節學習率兩種方法來對基本的BP網絡學習算法進行改進，可以極大地加快BP 神經網絡收斂過程，提高學習速度。通過分析，人工神經網絡能夠在發動機系統的監測及診斷中發揮較大的作用，并且在設計診斷工具和改進診斷方式中有一定的借鑒功能。

參考文獻

[1]韓力群.人工神經網絡理論、設計及應用[M].北京：化學工業出版社，2002.

[2]黃勇，郭曉平.基于改進BP神經網絡的柴油機故障診斷研究[J].汽車科技，2009（03）.

[3]張冉，趙成龍.改進BP網絡在汽輪發電機組故障診斷中的應用[J].計算機仿真，2011（07）.

[4]張延林，佟德軍.BP神經網絡的汽車故障診斷研究[J].自動化儀表，2009（04）.

[5]禹建麗，卞帥.基于BP神經網絡的變壓器故障診斷模型[J].系統仿真學報，2014（06）.

[6]姜蕊.基于改進BP神經網絡的速度預測模型[J].交通工程，2013（04）.

[7]陳懷琛，吳大正，高西全.MATLAB及在電子信息課程中的應用[M].北京：電子工業出版社，2006（03）.