導(dǎo)語：如何才能寫好一篇神經(jīng)網(wǎng)絡(luò)的功能，這就需要搜集整理更多的資料和文獻(xiàn)，歡迎閱讀由公文云整理的十篇范文，供你借鑒。

篇1

【摘要】 目的 利用功能磁共振成像研究運(yùn)動(dòng)功能不同程度恢復(fù)卒中患者被動(dòng)運(yùn)動(dòng)任務(wù)時(shí)大腦的激活差異。方法對20例卒中患者分別行雙側(cè)腕關(guān)節(jié)被動(dòng)運(yùn)動(dòng)的功能MRI掃描，采用SPM2軟件進(jìn)行數(shù)據(jù)分析和腦功能區(qū)定位。 結(jié)果 不同恢復(fù)程度的卒中患者患肢腕關(guān)節(jié)被動(dòng)運(yùn)動(dòng)激活腦區(qū)不同：恢復(fù)較好者，以對側(cè)感覺運(yùn)動(dòng)區(qū)(SMC)、同側(cè)小腦、雙側(cè)輔助運(yùn)動(dòng)區(qū)(SMA)激活顯著;恢復(fù)不好者，遠(yuǎn)隔部位激活較顯著?；颊呓≈せ钅X區(qū)及面積均未見明顯差異。 結(jié)論 對側(cè)SMC及SMA對運(yùn)動(dòng)功能恢復(fù)起至關(guān)重要的作用;健側(cè)大腦半球的代償作用對患肢運(yùn)動(dòng)功能的恢復(fù)影響較大。

【關(guān)鍵詞】 卒中康復(fù)，功能磁共振，　運(yùn)動(dòng)系統(tǒng)，神經(jīng)重塑

[Abstract] Objective To study the similarities and differences of hand motor area in the patient with cerebral infaction during passive wrist movement with functional magnetic resonance imaging. Methods Twenty stroke patients were scanned while they were performing the passive movement tasks with their right and left wrist and SPM2 was adopted to process the fMRI data and to localize the functional areas. Results The area activated in different degree of recorvey were different：for the subject with better recovery， contralateral sensorimotor cortex， ipsilateral cerebellum and bilateral SMA were activated; the patients with relatively bad recovery have significantly activation in some distant area. Conclusion Contralateral sensorimotor cortex and bilateral supplementary area play an important role in the recovery of motor function.

[Key words] stroke recovery; functional MRI; motor system; neuronal plasticity.

腦卒中后40%的病人通過治療可康復(fù)，說明功能康復(fù)的潛力較大。但目前對康復(fù)的機(jī)制和康復(fù)的決定因素目前還不十分了解， 腦卒中后腦功能恢復(fù)與重建過程的生物學(xué)機(jī)制尚未完全闡明，腦組織究竟如何恢復(fù)，一直是人們非常感興趣的問題。功能磁共振成像具有無創(chuàng)性、可操作性及可重復(fù)性[1-4]，可以在活體進(jìn)行，在當(dāng)前的腦卒中后的運(yùn)動(dòng)功能恢復(fù)研究中有重要價(jià)值。本組實(shí)驗(yàn)在筆者以往正常老年人腕關(guān)節(jié)被動(dòng)運(yùn)動(dòng)研究的基礎(chǔ)上[5]，進(jìn)一步分析卒中患者運(yùn)動(dòng)功能恢復(fù)的可能機(jī)制。為康復(fù)的機(jī)制提供理論依據(jù)。

資料與方法

1.病例選擇 卒中患者20例，年齡40～81歲，平均年齡62.6±9.3歲，初發(fā)缺血性單側(cè)梗死患者12例(DWI證實(shí))，累及右側(cè)患者9例，左側(cè)11例。病例入選標(biāo)準(zhǔn):①首次缺血性腦梗死所致偏癱，不同程度運(yùn)動(dòng)性偏癱為主，無肌張力增高，認(rèn)知能力較好，能夠配合實(shí)驗(yàn);②無藥物成癮及酗酒史，既往無神經(jīng)系統(tǒng)及精神疾病病史;③經(jīng)中國人利手判定標(biāo)準(zhǔn)調(diào)查，均為右利手;④于發(fā)病后2個(gè)月入組行腦功能實(shí)驗(yàn);⑤無MRI檢查禁忌癥。實(shí)驗(yàn)設(shè)計(jì)方案經(jīng)東南大學(xué)附屬中大醫(yī)院倫理委員會(huì)論證并同意。所有被試均知情同意，并簽署知情同意書。

2.檢查方法 采用Philips公司1.5T超導(dǎo)型Eclipse磁共振成像系統(tǒng)。掃描中先使用自旋回波脈沖序列獲取18層橫軸面T1W1解剖圖像。接著采用BOLD技術(shù)， 應(yīng)用單次激發(fā)成像梯度回波序列，在T1WI同樣的層面上進(jìn)行功能成像。然后對每個(gè)受試者作全腦容積掃描以獲得全腦3D圖像，容積掃描3。

3.任務(wù)設(shè)置 本實(shí)驗(yàn)采用組塊設(shè)計(jì)。運(yùn)動(dòng)任務(wù)設(shè)置為腕關(guān)節(jié)的被動(dòng)背伸運(yùn)動(dòng)。腕關(guān)節(jié)放置于自制腕關(guān)節(jié)背伸托板上，其最大抬高角度為45°，由固定的輔助實(shí)驗(yàn)人員利用該托板被動(dòng)抬高腕關(guān)節(jié)。運(yùn)動(dòng)頻率為1Hz，由E-prime編成聲音頻率為1Hz的文件，由磁共振機(jī)EPI序列脈沖控制計(jì)算機(jī)自動(dòng)同步播放。輔助實(shí)驗(yàn)人員通過特殊腦功能刺激裝置(深圳市美德醫(yī)療電子技術(shù)有限公司)的耳機(jī)接聽聲音指令對受試者進(jìn)行腕的被動(dòng)運(yùn)動(dòng)及休息。被動(dòng)運(yùn)動(dòng)18s，休息15s，共重復(fù)5次，以休息狀態(tài)開始，休息狀態(tài)結(jié)束，時(shí)間共180s。所有受試者先進(jìn)行左腕、后進(jìn)行右腕的被動(dòng)運(yùn)動(dòng)時(shí)的EPI掃描。

4.神經(jīng)運(yùn)動(dòng)功能量表評定 本實(shí)驗(yàn)對缺血性卒中后患者進(jìn)行 運(yùn)動(dòng)量表的測量，判斷卒中后運(yùn)動(dòng)功能的恢復(fù)程度。運(yùn)用的量表為：美國國立衛(wèi)生研究院卒中量表(NIHSS)，改良Barthl(modified Barthel index，MBI)指數(shù)，F(xiàn)ugl-Meyer(Fugl Meyer assessment， FMA)中的上肢評價(jià)法，量表的評定由康復(fù)科固定高年資主治以上醫(yī)師評定。

5.統(tǒng)計(jì)學(xué)處理 采用MATLAB平臺的SPM2軟件系統(tǒng)對fMRI實(shí)驗(yàn)數(shù)據(jù)作統(tǒng)計(jì)分析。計(jì)算SMC(sensorimotor cortex，感覺運(yùn)動(dòng)皮質(zhì))、PMC(premotor cortex，運(yùn)動(dòng)前區(qū))、SMA(supplementary motor area，輔助運(yùn)動(dòng)區(qū))激活的差異及偏側(cè)性指數(shù)(laterality index，LI)。觀察不同程度腦卒中患者SMC、PMC、SMA激活的差異及偏側(cè)性指數(shù)的差異，評價(jià)功能重組在運(yùn)動(dòng)恢復(fù)中的作用，并與正常對照組進(jìn)行對比。

結(jié) 果

1.根據(jù)患者NIHSS，MBI， FMA等結(jié)果評價(jià)患者恢復(fù)程度并將患者分為3組：A組：恢復(fù)較差者(患肢腕關(guān)節(jié)已無功能)6例;B組：恢復(fù)中等者(患肢腕關(guān)節(jié)已遠(yuǎn)部分功能恢復(fù))7例;C組：恢復(fù)較好者(患肢功能與正常者無區(qū)別)7例。

2.三組激活腦區(qū)分析比較結(jié)果

1.根據(jù)患者NIHSS，MBI， FMA等結(jié)果評價(jià)患者恢復(fù)程度并將患者分為3組：A組：恢復(fù)較差者(患肢腕關(guān)節(jié)已無功能)6例;B組：恢復(fù)中等者(患肢腕關(guān)節(jié)已遠(yuǎn)部分功能恢復(fù))7例;C組：恢復(fù)較好者(患肢功能與正常者無區(qū)別)7例。

2.三組激活腦區(qū)分析比較結(jié)果

圖1 三組患者腕關(guān)節(jié)被動(dòng)運(yùn)動(dòng)激活腦區(qū)

A組15號患者：患側(cè)肢體肘關(guān)節(jié)以遠(yuǎn)大部分功能喪失，恢復(fù)不好，患側(cè)激活圖可見兩側(cè)額葉、基底節(jié)區(qū)、島蓋區(qū)明顯激活，兩側(cè)SMC、SMA、PPC、PMC、小腦均有激活，但面積較小，表現(xiàn)為整腦大范圍激活;健側(cè)激活圖表現(xiàn)為對側(cè)SMC、SMA、同側(cè)小腦激活，PPC及PMC斑點(diǎn)狀激活，接近正常組激活模式。

B組2號患者，患側(cè)肢體腕關(guān)節(jié)及手指部分功能喪失，患側(cè)激活圖可見兩側(cè)基底節(jié)區(qū)、島葉激活，雙側(cè)SMC、CER激活，對側(cè)PMC激活，除去基底節(jié)區(qū)、島葉激活，余腦區(qū)激活模式已接近對照組激活模式;健側(cè)激活圖表現(xiàn)為雙側(cè)SMC、CER、對側(cè)SMA、對側(cè)PMC斑點(diǎn)狀激活，接近正常組激活模式。

C組16號患者，患側(cè)功能完全恢復(fù)，患側(cè)激活圖可見兩側(cè)SMC、CER激活，對側(cè)SMA、PMC激活，余腦區(qū)激活模式已接近對照組激活模式;健側(cè)激活圖表現(xiàn)為雙側(cè)SMC、SMA、CER，對側(cè)PMC、PPC斑點(diǎn)狀激活，接近正常組激活模式。

2.1三組患者腕關(guān)節(jié)被動(dòng)運(yùn)動(dòng)激活腦區(qū)部位不同(圖1)：①A組患側(cè)被動(dòng)運(yùn)動(dòng)時(shí)，主要運(yùn)動(dòng)功能區(qū)(SMC-IL、雙側(cè)SMA、PMC-CL、PPC-CL)激活較少，前額葉、島葉、基底節(jié)區(qū)及扣帶皮層雙側(cè)大面積激活較顯著;②C組患側(cè)被動(dòng)運(yùn)動(dòng)時(shí)，主要運(yùn)動(dòng)功能區(qū)激活較明顯，前額葉、島葉、基底節(jié)區(qū)及扣帶皮層等腦區(qū)未見明顯激活，與健側(cè)激活模式較接近;③B組患側(cè)被動(dòng)運(yùn)動(dòng)時(shí)，腦區(qū)激活模式居于較差及較好兩者之間。

2.2三組患者腕關(guān)節(jié)被動(dòng)運(yùn)動(dòng)激活腦區(qū)面積不同：①患肢運(yùn)動(dòng)：三組間，(見表1)雙側(cè)SMC、SMA及同側(cè)小腦半球的激活面積差異是有統(tǒng)計(jì)學(xué)意義的， C組激活面積較大，A組激活面積較小，其他腦區(qū)與運(yùn)動(dòng)恢復(fù)無明顯關(guān)聯(lián)。②患側(cè)腕關(guān)節(jié)被動(dòng)運(yùn)動(dòng)時(shí)的SMC激活區(qū)，A組與C組偏側(cè)性指數(shù)有差異，A組與B組比較無明顯差異，即A、B組在對側(cè)SMC激活面積增多的同時(shí)，同側(cè)(健側(cè))SMC激活增加的更為明顯(見表2)。

2.3①三組健側(cè)腕關(guān)節(jié)被動(dòng)運(yùn)動(dòng)激活腦區(qū)部位較接近(見表3)，均表現(xiàn)為SMC、SMA、PMC-CL、PPC-CL的規(guī)律激活，前額葉、島葉、基底節(jié)區(qū)及扣帶皮層未見明顯激活;三組健肢被動(dòng)運(yùn)動(dòng)腦區(qū)激活面積無明顯差異，均接近正常組患者激活模式。②恢復(fù)較好的患肢與健側(cè)諸腦區(qū)激活中(見表4)，健側(cè)對側(cè)SMC激活體積較患肢多，差異有統(tǒng)計(jì)學(xué)意義。表1 患肢運(yùn)動(dòng)雙側(cè)SMC、SMA、CER激活面積及F、P值(P

討 論

運(yùn)動(dòng)功能重組的fMRI研究大多采用橫向[2]及縱向模式[3]。橫向(cross-sectional)研究是指在卒中后某個(gè)時(shí)期進(jìn)行的腦成像研究。研究腦卒中后受損運(yùn)動(dòng)功能重建的方法之一就是觀察卒中病人康復(fù)后與正常人的區(qū)別及患肢與健肢的區(qū)別。大多數(shù)的研究對象是腦卒后功能恢復(fù)良好的病人，而對功能恢復(fù)不好的病人報(bào)道較少，這是因?yàn)檠芯繒r(shí)的任務(wù)多選擇為主動(dòng)運(yùn)動(dòng)，本實(shí)驗(yàn)克服了以上的局限性，采用了被動(dòng)腕關(guān)節(jié)的運(yùn)動(dòng)任務(wù)研究卒中后腦功能的改變。

腦損傷后功能重組的機(jī)制包括系統(tǒng)內(nèi)和系統(tǒng)間的功能重組。系統(tǒng)內(nèi)的重組是在同一系統(tǒng)內(nèi)，相同或不同水平上出現(xiàn)代償。系統(tǒng)間重組是指由另一個(gè)在功能上完全不同的系統(tǒng)來代償。我們發(fā)現(xiàn)腦卒中C組(恢復(fù)較好者)患側(cè)腕關(guān)節(jié)被動(dòng)運(yùn)動(dòng)激活的主要腦區(qū)，即激活面積較大的腦區(qū)依次位于對側(cè)SMC、同側(cè)小腦和雙側(cè)SMA，與前期實(shí)驗(yàn)正常組平均腦激活方式較一致，而恢復(fù)不好的患者則激活更多其它的腦區(qū)，如島葉、基底節(jié)區(qū)、額葉、扣帶皮質(zhì)，這些區(qū)域多呈雙側(cè)大面積激活。這與Weiller[5]、Ward等[6]諸多國外研究者研究結(jié)果較一致。對于對側(cè)小腦、PMC、PPC等非主要運(yùn)動(dòng)腦區(qū)恢復(fù)較好者與中等者、較差者無明顯差異。近年來越來越多的研究進(jìn)一步證實(shí)了腦梗死后不同時(shí)期均可以觀察到這種患肢運(yùn)動(dòng)所引起的廣泛腦區(qū)激活[3]。本實(shí)驗(yàn)中島葉、基底節(jié)區(qū)、額葉、扣帶皮質(zhì)遠(yuǎn)隔部位的激活可能就屬于系統(tǒng)間重組的模式。未完全恢復(fù)患者中以島葉、基底節(jié)區(qū)、額葉、扣帶皮質(zhì)遠(yuǎn)隔部位的激活較明顯，即以系統(tǒng)間重組為主;而恢復(fù)較好者未見此種腦功能重組模式的出現(xiàn)，而僅僅表現(xiàn)為腦區(qū)面積的明顯增大，向正常組激活模式靠近，及系統(tǒng)內(nèi)重組為主。因此，考慮可能是系統(tǒng)內(nèi)重組對患肢運(yùn)動(dòng)功能的有效程度更高一些，或者是系統(tǒng)內(nèi)重組達(dá)不到完全康復(fù)的水平時(shí)，進(jìn)而才依賴系統(tǒng)間重組來彌補(bǔ)部分功能。

對于恢復(fù)程度不同的患者激活腦區(qū)的不同面積中，雙側(cè)SMC、SMA及同側(cè)小腦半球的差異是有統(tǒng)計(jì)學(xué)意義的，恢復(fù)較好者激活面積較大，恢復(fù)差者激活面積較小，其他腦區(qū)與運(yùn)動(dòng)恢復(fù)無明顯關(guān)聯(lián)。這說明雙側(cè)SMC、SMA及同側(cè)小腦半球的激活對于患肢功能的恢復(fù)有極其重要的意義。這種對側(cè)SMC損傷灶周邊區(qū)域激活及同側(cè)SMC的激活對功能恢復(fù)的重要作用也見于多位學(xué)者的報(bào)道[6，7]。

患側(cè)腕關(guān)節(jié)被動(dòng)運(yùn)動(dòng)時(shí)，A組與C組偏側(cè)性指數(shù)有差異，A組與B組比較無明顯差異，即A組在對側(cè)SMC激活面積增多的同時(shí)，同側(cè)(健側(cè))SMC激活增加的更為明顯。健側(cè)半球SMC的激活參與了很重要的功能重組。國外學(xué)者song等[8]也發(fā)現(xiàn)了健側(cè)半球?qū)\(yùn)動(dòng)功能恢復(fù)起到一定作用。動(dòng)物實(shí)驗(yàn)發(fā)現(xiàn)，康復(fù)訓(xùn)練可以提高實(shí)驗(yàn)性腦梗死后老鼠的運(yùn)動(dòng)功能，并導(dǎo)致健側(cè)半球運(yùn)動(dòng)皮層樹狀突的生長[9]。

腦卒中組恢復(fù)較好者患肢與健側(cè)運(yùn)動(dòng)功能無明顯差別，激活模式較相似，但對側(cè)SMC的激活存在差異，考慮患側(cè)大腦SMC激活模式與健側(cè)腦SMC皮質(zhì)還是存在一定的差異性，這種差異在患肢運(yùn)動(dòng)時(shí)通過健側(cè)腦功能可以充分重組補(bǔ)償，故運(yùn)動(dòng)功能還可以保持正常水平。而健肢被動(dòng)運(yùn)動(dòng)激活腦區(qū)較一致，且腦區(qū)激活面積無明顯差異，均接近正常組患者激活模式。

可見主要運(yùn)動(dòng)功能區(qū)及輔助運(yùn)動(dòng)功能區(qū)對運(yùn)動(dòng)功能恢復(fù)起至關(guān)重要的作用，當(dāng)主要運(yùn)動(dòng)功能區(qū)及輔助運(yùn)動(dòng)功能區(qū)受損激活減低時(shí)，遠(yuǎn)隔部位亦參與代償激活，但其代償功能在運(yùn)動(dòng)恢復(fù)中作用較有限;健側(cè)大腦半球的代償作用對患肢運(yùn)動(dòng)功能的恢復(fù)影響較大，而健肢運(yùn)動(dòng)時(shí)，患側(cè)大腦對其影響較小。

綜上所述，卒中后患者聯(lián)合正常組老年人的fMRI研究能夠較為明確地得出不同恢復(fù)程度患者腦區(qū)激活的差異性，為臨床康復(fù)治療提供理論依據(jù)。

參考文獻(xiàn)

1. Hlustik P， Solodkin A， Noll DC， et al. Cortical plasticity during three-week motor skill learning[J] . J Clin Neurophysiol，2004，21(3):180-191.

2. Cramer SC，Shah R，Juranek J，et al. Activity in the Peri-Infarct Rim in Relation to Recovery From Stroke[J].Stroke，2006，37(1):111-115.

3. Binkofski F， Seitz RJ.Modulation of the BOLD-response in early recovery from sensorimotor stroke[J] .Neurology. 2004 ，63(7):1223-1229.

4. 尹昳麗 楊小慶 劉斌。正常老年人與輕度認(rèn)知功能障礙患者計(jì)算任務(wù)的功能磁共振研究[J].中國CT和MRI雜志，2008， 6 (4): 7-10。

5. 劉圣華，儲成鳳，楊明。fMRI觀察正常老年人腕關(guān)節(jié)被動(dòng)運(yùn)動(dòng)下腦激活區(qū)[J]。中國醫(yī)學(xué)影像技術(shù)，2008，24(11)：8-11。

6. Schaechter J D ， Perdue K L .Enhanced Cortical Activation in the Contralesional Hemisphere of Chronic Stroke Patients in Response to Motor Skill Challenge[J].Cereb Cortex， 2008; 18(3): 638 - 647.

7. Yun-Hee Kim， Sung H. You， Myoung-Hwan Ko， et al，Repetitive Transcranial Magnetic Stimulation–Induced Corticomotor Excitability and Associated Motor Skill Acquisition in Chronic Stroke[J].Stroke， Jun 2006; 37(6): 1471 - 1476.

8. Song Y M ，Lee JY ，ParK JM，Yoo BW，Roh JK.Ipsilateral hemiparesis caused by a corona radiate infarct after a previous stroke on the opposite side[J].Arch Neurol，2005，62(5):809-811.

篇2

【關(guān)鍵詞】自組織神經(jīng)網(wǎng)絡(luò)；智能建筑管理；BP神經(jīng)網(wǎng)絡(luò)

1 基于自組織神經(jīng)網(wǎng)絡(luò)技術(shù)原理

基于大規(guī)模自組織神經(jīng)網(wǎng)絡(luò)技術(shù)[1]是在自組織神經(jīng)網(wǎng)絡(luò)技術(shù)和專家系統(tǒng)的基礎(chǔ)原理運(yùn)用多層數(shù)據(jù)融合彌補(bǔ)了單循環(huán)數(shù)據(jù)在智能建筑工程管理分析數(shù)據(jù)處理的不足和邏輯的缺陷學(xué)科.多跳自組織神經(jīng)網(wǎng)絡(luò)是智能傳感器采集數(shù)據(jù)訓(xùn)練樣本仿真學(xué)習(xí)模型即自動(dòng)增速各個(gè)自組織神經(jīng)元連接權(quán)閥值與感知識別隱式分布在整個(gè)網(wǎng)絡(luò)結(jié)構(gòu)體系中實(shí)現(xiàn)自組織神經(jīng)網(wǎng)絡(luò)模式記憶與信息處理應(yīng)用.

2 基于大規(guī)模自組織神經(jīng)網(wǎng)絡(luò)在智能建筑管理中研究

2.1 基于多跳自組織神經(jīng)網(wǎng)絡(luò)在造價(jià)預(yù)測研究

基于大規(guī)模自組織BP神經(jīng)模型應(yīng)用40個(gè)高層智能建筑工程樣本訓(xùn)練并用工程實(shí)例進(jìn)行驗(yàn)證高精確性;而用大規(guī)模自組織神經(jīng)網(wǎng)絡(luò)模擬與輸入層和隱含層加入了偏置自組織神經(jīng)元來促進(jìn)學(xué)習(xí)訓(xùn)練樣本數(shù)據(jù)中有噪聲、干擾等會(huì)造成過度學(xué)習(xí)現(xiàn)象,同時(shí)采用遺傳優(yōu)化算法進(jìn)行建筑結(jié)構(gòu)優(yōu)化.基于BP神經(jīng)在智能建筑工程估價(jià)中的應(yīng)用“特征提取器”的運(yùn)算大量過去的工程資料中自動(dòng)提取工程特征與預(yù)算資料的規(guī)律關(guān)系數(shù)據(jù).

2.2 基于大規(guī)模自組織神經(jīng)網(wǎng)絡(luò)在工程管理績效評價(jià)中的應(yīng)用

運(yùn)用大規(guī)模自組織BP神經(jīng)模型對工程管理績效評價(jià)問題進(jìn)行研究建立綜合考慮工期、質(zhì)量、費(fèi)用、安全四大控制指標(biāo)的工程管理績效評價(jià)模型[2].實(shí)踐證明,基于BP神經(jīng)網(wǎng)絡(luò)在運(yùn)算工程管理績效評估模型有利于多跳自組織神經(jīng)網(wǎng)絡(luò)預(yù)測工程工期、質(zhì)量、成本、安全與績效之間復(fù)雜的非線性關(guān)系來提高管理績效的評價(jià)數(shù)據(jù).

2.3 基于遺傳算法模型在建設(shè)工程評標(biāo)結(jié)構(gòu)優(yōu)化應(yīng)用

基于多層神經(jīng)網(wǎng)絡(luò)的工作原理是先將輸入信號傳輸?shù)较乱粚庸?jié)點(diǎn)運(yùn)算函數(shù)處理后再將該節(jié)點(diǎn)的輸出信息向下一層節(jié)點(diǎn)傳輸?shù)叫盘杺鬏數(shù)捷敵鰧庸?jié)點(diǎn)為止.同時(shí)運(yùn)用遺傳算法模型構(gòu)造及算法設(shè)計(jì)進(jìn)行方案優(yōu)劣排序、換位矩陣以及能量函數(shù)構(gòu)造、大規(guī)模自組織神經(jīng)元之間連接和輸出,并用實(shí)例說明了該方法的優(yōu)越性和實(shí)用性與非線性.

2.4 基于BP神經(jīng)網(wǎng)絡(luò)模型在建設(shè)工程招投標(biāo)管理應(yīng)用研究

基于BP神經(jīng)網(wǎng)絡(luò)多層數(shù)據(jù)融合多跳自組織神經(jīng)網(wǎng)絡(luò)技術(shù)原理分析自動(dòng)預(yù)測工程招投標(biāo)的招標(biāo)價(jià)格和風(fēng)險(xiǎn)因素分析以及競標(biāo)單位資格審查等方面的應(yīng)用指出多跳自組織神經(jīng)網(wǎng)絡(luò)具有的高度并行處理和可完成復(fù)雜輸入輸出的非線性映射組合結(jié)構(gòu),不僅可以保證高的中標(biāo)率,且可避免招標(biāo)過程中不確定性因素的影響.運(yùn)用大規(guī)模自組織神經(jīng)網(wǎng)絡(luò)的工程承包招投標(biāo)報(bào)價(jià)的研究,提出了一個(gè)多因素確定高層智能建筑投標(biāo)報(bào)價(jià)的大規(guī)模自組織模型影響報(bào)高率的諸多因素,并確定了其權(quán)值即確定了用BP神經(jīng)網(wǎng)絡(luò)實(shí)施黑箱操作的樣本輸入值和目標(biāo)值再通過訓(xùn)練樣本自主調(diào)整修正輸入節(jié)點(diǎn)和輸出節(jié)點(diǎn)間的聯(lián)系得出符合各種情況要求的權(quán)值矩陣算法.

2.5 基于智能建筑算法模型研究

基于BP神經(jīng)網(wǎng)絡(luò)是以訓(xùn)練樣本算法即誤差反向傳播算法即BP神經(jīng)算法的學(xué)習(xí)過程分為信息的正向傳播和誤差的反向傳播[1],其通過訓(xùn)練樣本前一次迭代的權(quán)值和閾值來應(yīng)用神經(jīng)網(wǎng)絡(luò)技術(shù)的第一層向后計(jì)算各層大規(guī)模自組織神經(jīng)元的輸出和最后層向前計(jì)算各層權(quán)值和閾值對總誤差的梯度進(jìn)而對前面各層的權(quán)值和閾值進(jìn)行修改運(yùn)算反復(fù)直到神經(jīng)網(wǎng)絡(luò)樣本收斂 BP神經(jīng)網(wǎng)絡(luò)輸入向量為

X=( )T;隱含層輸出向量為Y=( )T;輸出層的輸出向量為O= )T;期望輸出向量為 ;輸入層到隱含層之間的權(quán)值矩陣 ,其中列向量 為隱含層第j個(gè)大規(guī)模自組織神經(jīng)元對應(yīng)的權(quán)向量;隱含層到輸入層之間的權(quán)值矩陣 ,其中列向量 為輸出層第k個(gè)大規(guī)模自組織神經(jīng)元對應(yīng)的權(quán)向量.各層信號之間的算法結(jié)構(gòu)為:

以上式中的 均為S類型函數(shù), 的導(dǎo)數(shù)方程為: （5）

神經(jīng)網(wǎng)絡(luò)輸出與期望輸出的均方誤差為: （6）

則訓(xùn)練樣本輸出層和隱含層的權(quán)值調(diào)整量分別為:

式中: 為比例系數(shù),在模型訓(xùn)練中代表學(xué)習(xí)速率.如果BP自組織神經(jīng)網(wǎng)絡(luò)有 個(gè)隱含層,各隱含層節(jié)點(diǎn)分別記為 ,各隱含層輸出分別記為 ,則各層權(quán)值調(diào)整計(jì)算公式分別如下:

輸出層

綜合上述預(yù)測分析在BP神經(jīng)學(xué)習(xí)算法運(yùn)用各層權(quán)值調(diào)整公式均由學(xué)習(xí)速率、本層輸出的誤差信號和本層輸入數(shù)字離散信號決定在訓(xùn)練樣本學(xué)習(xí)的過程受決策環(huán)境復(fù)雜程度和訓(xùn)練樣本的收斂性即需要增大樣本量來提高網(wǎng)絡(luò)技術(shù)所學(xué)知識的代表性應(yīng)注意在收集某個(gè)問題領(lǐng)域的樣本時(shí),注意樣本的全面性、代表性以及提高樣本的精確性,增大抗干擾噪聲,還可以采用其他方法收集多層訓(xùn)練樣本數(shù)據(jù).

3 結(jié)束語

自組織神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用在智能建筑管理領(lǐng)域是在多層智能傳感器等多種信息技術(shù)飛速發(fā)展的多學(xué)科交叉研究領(lǐng)域得到廣泛應(yīng)用.

參考文獻(xiàn):

[1]周小佳.電力系統(tǒng)可靠性神經(jīng)網(wǎng)絡(luò)模型及實(shí)現(xiàn)研究[D].博士學(xué)位論文,1997.

[2]胡保清等.神經(jīng)網(wǎng)絡(luò)在土木工程領(lǐng)域的應(yīng)用[J].低溫智能建筑,2004(2).

作者介紹:

篇3

神經(jīng)網(wǎng)絡(luò)據(jù)有學(xué)習(xí)能力和聯(lián)想化的功能和混沌行為的特點(diǎn)，被廣泛的應(yīng)用于計(jì)算機(jī)網(wǎng)絡(luò)通信中。本文詳細(xì)論述神經(jīng)網(wǎng)絡(luò)的原理，在此基礎(chǔ)上以車牌計(jì)算機(jī)識別定位系統(tǒng)為例，對神經(jīng)網(wǎng)絡(luò)相關(guān)分類方法、工作流程等進(jìn)行了計(jì)算機(jī)通信的應(yīng)用解析，綜合分析其在通訊系統(tǒng)中的應(yīng)用。

【關(guān)鍵詞】神經(jīng)網(wǎng)絡(luò)技術(shù) 計(jì)算機(jī)通訊 運(yùn)用

由于神網(wǎng)絡(luò)的獨(dú)特性能，神經(jīng)網(wǎng)絡(luò)技術(shù)不但大量應(yīng)用于故障分析、模式識別、自動(dòng)控制領(lǐng)域，還在計(jì)算機(jī)網(wǎng)絡(luò)通訊領(lǐng)域也被廣泛的使用。正是因?yàn)樯窠?jīng)網(wǎng)絡(luò)具有學(xué)習(xí)映射、聯(lián)想花功能、混沌行為的特點(diǎn)，所以它可以在目前的寬帶網(wǎng)技術(shù)問題上提供理論上的解決辦法。當(dāng)前，計(jì)算機(jī)技術(shù)的車牌識別定位系統(tǒng)所需要識別的圖像大部分都是室外攝像頭拍攝到的，若是遇到強(qiáng)降雨或者大霧等惡劣天氣，車牌上面的數(shù)字就很難采集到，神經(jīng)系統(tǒng)可以有效解決這一問題，雖然神經(jīng)系統(tǒng)應(yīng)用于識別車牌是沒有必要的，但是本文將基于這個(gè)簡單的系統(tǒng)來介紹神經(jīng)網(wǎng)絡(luò)技術(shù)。

1 車牌計(jì)算機(jī)識別定位技術(shù)

車牌識別技術(shù)是我國智能交通系統(tǒng)的一個(gè)關(guān)鍵的組成部分，被廣泛的應(yīng)用于數(shù)字圖像技術(shù)、生物識別技術(shù)和人工智能技術(shù)領(lǐng)域。車牌識別系統(tǒng)被廣泛的用于公安刑偵部門的車輛違規(guī)行駛檢測、失竊車輛檢測、車輛違章停車，交通管理部門的實(shí)時(shí)路況檢測、高速公路收費(fèi)，物業(yè)管理部門的小區(qū)停車收費(fèi)系統(tǒng)、進(jìn)出入安全系統(tǒng)等。實(shí)際應(yīng)用中采用的較多的車牌識別系統(tǒng)方法有特征檢驗(yàn)法、模板匹配法和神經(jīng)網(wǎng)絡(luò)法。其中，大多數(shù)基于神經(jīng)網(wǎng)絡(luò)的車牌識別定位系統(tǒng)都是首先要采集足夠數(shù)量的車牌圖像樣本作為帶檢測的圖像，利用BP神經(jīng)網(wǎng)絡(luò)對圖像進(jìn)行識別，檢測達(dá)到預(yù)定的正確率后即可停止；然后對需要識別定位的車牌圖像用圖像二值化、直方圖等方法進(jìn)行預(yù)處理，降低外界光線對車牌圖像的影響，之后利用濾波器消除圖像的噪聲干擾，最后將完成預(yù)處理的車牌圖像傳送到神經(jīng)網(wǎng)絡(luò)搜索系統(tǒng)來對車牌進(jìn)行定位。

2 神經(jīng)網(wǎng)絡(luò)技術(shù)介紹

2.1 神經(jīng)網(wǎng)絡(luò)的分類方法

常見的神經(jīng)網(wǎng)絡(luò)的分類方法有遵循網(wǎng)絡(luò)連接拓?fù)浣Y(jié)構(gòu)的分類方法和遵循網(wǎng)絡(luò)內(nèi)部數(shù)據(jù)流向的分類方法。按照網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)可以將神經(jīng)網(wǎng)絡(luò)分為層次型結(jié)構(gòu)和互聯(lián)型結(jié)構(gòu)，其中層次型結(jié)構(gòu)式指網(wǎng)絡(luò)中層與層之間有神經(jīng)元相互連接但同一層次的神經(jīng)元之間沒有連接；而互聯(lián)型結(jié)構(gòu)網(wǎng)絡(luò)中的每個(gè)神經(jīng)元之間都可以相互連接，互聯(lián)型結(jié)構(gòu)還可以細(xì)分為稀疏互聯(lián)型、局部互聯(lián)型和全部互聯(lián)型。按照內(nèi)部數(shù)據(jù)流向可以分為前饋性神經(jīng)網(wǎng)絡(luò)和反饋型神經(jīng)網(wǎng)絡(luò)，前饋性神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與層次型網(wǎng)絡(luò)結(jié)構(gòu)相似，數(shù)據(jù)流的方向統(tǒng)一從網(wǎng)絡(luò)輸入層傳遞到網(wǎng)絡(luò)隱藏層，最后傳遞到網(wǎng)絡(luò)輸出層，傳遞過程中網(wǎng)絡(luò)沒有反饋回路，應(yīng)用比較廣泛的是BP神經(jīng)網(wǎng)絡(luò)和徑向基神經(jīng)網(wǎng)絡(luò)。反饋型神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)域單層互聯(lián)網(wǎng)結(jié)構(gòu)相似，反饋型神經(jīng)網(wǎng)絡(luò)中的每一個(gè)節(jié)點(diǎn)都可以進(jìn)行數(shù)據(jù)處理和向外界輸出數(shù)據(jù)，其代表是Hopfield神經(jīng)網(wǎng)絡(luò)。并且一般前反饋型神經(jīng)網(wǎng)絡(luò)的識別能力和分類能力都優(yōu)于反饋型神經(jīng)網(wǎng)絡(luò)。

2.2 前反饋型神經(jīng)網(wǎng)絡(luò)

前反饋型神經(jīng)網(wǎng)絡(luò)的基本數(shù)據(jù)信號包括函數(shù)信號和誤差信號兩種，其中函數(shù)信號是要由網(wǎng)絡(luò)輸入端傳遞進(jìn)入經(jīng)過網(wǎng)絡(luò)隱藏層神經(jīng)元的處理，逐步傳遞到網(wǎng)絡(luò)的輸出層形成正向傳播的輸出層函數(shù)信號。誤差信號是在網(wǎng)絡(luò)實(shí)際輸出的誤差高于設(shè)定的預(yù)計(jì)誤差時(shí)產(chǎn)生的信號，它的傳遞方向與函數(shù)信號相反，從網(wǎng)絡(luò)輸出層傳遞到網(wǎng)絡(luò)隱藏層到網(wǎng)絡(luò)的輸入層，通過修改權(quán)值使誤差達(dá)到最初的要求。

前反饋型神經(jīng)網(wǎng)絡(luò)包括學(xué)習(xí)和識別兩個(gè)過程，學(xué)習(xí)是把準(zhǔn)備好的信息樣本輸入到前饋神經(jīng)網(wǎng)絡(luò)中，通過網(wǎng)絡(luò)隱藏層和輸出層的處理得到實(shí)際的輸出數(shù)值，將輸出數(shù)值與預(yù)定的期望數(shù)值進(jìn)行比較，確定誤差數(shù)值在允許的范圍之內(nèi)后輸入下一個(gè)樣本；若是超出允許范圍，就要進(jìn)行反向傳播并修改權(quán)值，再繼續(xù)下個(gè)學(xué)習(xí)過程，重復(fù)上述過程。識別過程是把待識別的信息樣本傳遞輸入到前反饋型神經(jīng)網(wǎng)絡(luò)之中得到識別結(jié)果，由于神經(jīng)網(wǎng)絡(luò)具有良好的記憶能力和聯(lián)想能力，識別與之前的學(xué)習(xí)樣本相似待識別的信息樣本，得到正確識別的幾率很高，又由于神經(jīng)網(wǎng)絡(luò)具有良好的糾錯(cuò)性和容錯(cuò)性，就算待識別的樣本與之前學(xué)習(xí)的樣本不同，甚至是有較大的噪聲和干擾，按照整體的特征對樣本進(jìn)行記憶，依然能夠有效地對樣本進(jìn)行正確識別。

3 車牌識別定位系統(tǒng)

本文中介紹的車牌定位識別系統(tǒng)中包括車牌定位模塊、字符分隔模塊和字符識別模塊。車牌定位模塊包括車牌圖像的灰度化、圖像平滑化、圖像增強(qiáng)和車牌定位；字符分割模塊包括車牌圖像為之校正、提出車牌上下便可、車牌字符分隔、車牌字符歸一化處理；字符識別模塊則包括神經(jīng)網(wǎng)絡(luò)訓(xùn)練和識別。神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的自適應(yīng)能力、學(xué)習(xí)能力強(qiáng)、聯(lián)想容錯(cuò)功能強(qiáng)、抗噪聲干擾能力強(qiáng)的優(yōu)點(diǎn)，使其在各個(gè)領(lǐng)域都被廣泛的研究和應(yīng)用。目前，大多數(shù)車牌識別定位技術(shù)都是基于BP算法的前饋性神經(jīng)網(wǎng)絡(luò)，并且具有很好的效果，但是其中還是存在一些問題，車牌定位識別技術(shù)還可以進(jìn)一步發(fā)展。由于BP算法是基于梯度不斷下降的，很容易在學(xué)習(xí)的過程中陷入到局部尋優(yōu)中，從而無法得到全局的最優(yōu)解，除此之外，BP算法的網(wǎng)絡(luò)初始值的是根據(jù)經(jīng)驗(yàn)而設(shè)置的，若是初始值的選擇不合理，就會(huì)出現(xiàn)算法收斂速度下降甚至是不收斂的現(xiàn)象。若是在其中引入遺傳算法，就可以彌補(bǔ)其中的不足之處，可以取得更好的效果。

4 總結(jié)

科學(xué)技術(shù)的不斷發(fā)展，使人們的生活越來越方便，神經(jīng)網(wǎng)絡(luò)技術(shù)在通信中的運(yùn)用，可以幫助解決之前無法解決的一些技術(shù)難題，除了在車牌定位識別系統(tǒng)中的應(yīng)用之外，還應(yīng)用于ATM網(wǎng)絡(luò)通訊系統(tǒng)、輔助測量識別系統(tǒng)等系統(tǒng)中，它在各個(gè)領(lǐng)域應(yīng)用的同時(shí)也存在著一些問題，需要專業(yè)人士不斷地改進(jìn)，為人類的生活提供更加便利的條件。

參考文獻(xiàn)

[1]孫蓓蓓.神經(jīng)網(wǎng)絡(luò)技術(shù)在計(jì)算機(jī)通信中的應(yīng)用[J].煤炭技術(shù)，2014，33（01）：202-204.

篇4

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò) BP網(wǎng)絡(luò)

中圖分類號：TP3 文獻(xiàn)標(biāo)識碼：A 文章編號：1672-3791（2014）01（c）-0240-02

神經(jīng)網(wǎng)絡(luò)是一門發(fā)展十分迅速的交叉學(xué)科，它是由大量的處理單元組成非線性的大規(guī)模自適應(yīng)動(dòng)力系統(tǒng)。神經(jīng)網(wǎng)絡(luò)具有分布式存儲、并行處理、高容錯(cuò)能力以及良好的自學(xué)習(xí)、自適應(yīng)、聯(lián)想等特點(diǎn)。該模型對于擬合現(xiàn)實(shí)復(fù)雜世界有著重要的實(shí)用價(jià)值。

1 神經(jīng)網(wǎng)絡(luò)簡介

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN），亦稱神經(jīng)網(wǎng)絡(luò)（Neural Network，NN），是一種應(yīng)用類似于大腦神經(jīng)突觸連接結(jié)構(gòu)進(jìn)行信息處理的數(shù)學(xué)模型，它是在人類對自身大腦組織結(jié)合和思維機(jī)制的認(rèn)識理解基礎(chǔ)之上模擬出來的，它是根植于神經(jīng)科學(xué)、數(shù)學(xué)、統(tǒng)計(jì)學(xué)、物理學(xué)、計(jì)算機(jī)科學(xué)以及工程科學(xué)的一門技術(shù)。心理學(xué)家Mcculloch，數(shù)學(xué)家Pitts在20世紀(jì)40年代第一次提出了神經(jīng)網(wǎng)絡(luò)模型，從此開創(chuàng)了神經(jīng)科學(xué)理論的研究時(shí)代，此后半個(gè)世紀(jì)神經(jīng)網(wǎng)絡(luò)技術(shù)蓬勃發(fā)展。神經(jīng)網(wǎng)絡(luò)是一種計(jì)算模型，由大量的神經(jīng)元個(gè)體節(jié)點(diǎn)和其間相互連接的加權(quán)值共同組成，每個(gè)節(jié)點(diǎn)都代表一種運(yùn)算，稱為激勵(lì)函數(shù)（activation function）。每兩個(gè)相互連接的節(jié)點(diǎn)間都代表一個(gè)通過該連接信號加權(quán)值，稱值為權(quán)重（weight），神經(jīng)網(wǎng)絡(luò)就是通過這種方式來模擬人類的記憶，網(wǎng)絡(luò)的輸出則取決于網(wǎng)絡(luò)的結(jié)構(gòu)、網(wǎng)絡(luò)的連接方式、權(quán)重和激勵(lì)函數(shù)。而網(wǎng)絡(luò)本身通常是對自然界或者人類社會(huì)某種算法或函數(shù)的逼近，也可能是一種邏輯策略的表達(dá)。神經(jīng)網(wǎng)絡(luò)的構(gòu)筑理念是受到生物的神經(jīng)網(wǎng)絡(luò)運(yùn)作啟發(fā)而產(chǎn)生的。人工神經(jīng)網(wǎng)絡(luò)則是把對生物神經(jīng)網(wǎng)絡(luò)的認(rèn)識與數(shù)學(xué)統(tǒng)計(jì)模型向結(jié)合，借助數(shù)學(xué)統(tǒng)計(jì)工具來實(shí)現(xiàn)。另一方面在人工智能學(xué)的人工感知領(lǐng)域，我們通過數(shù)學(xué)統(tǒng)計(jì)學(xué)的方法，使神經(jīng)網(wǎng)絡(luò)能夠具備類似于人的決定能力和簡單的判斷能力，這種方法是對傳統(tǒng)邏輯學(xué)演算的進(jìn)一步延伸。

2 神經(jīng)網(wǎng)絡(luò)模型及訓(xùn)練

2.1 生物神經(jīng)元模型

人腦是自然界所造就的高級動(dòng)物，人的思維是由人腦來完成的，而思維則是人類智能的集中體現(xiàn)。人腦的皮層中包含100億個(gè)神經(jīng)元、60萬億個(gè)神經(jīng)突觸，以及他們的連接體。神經(jīng)系統(tǒng)的基本結(jié)構(gòu)和功能單位就是神經(jīng)細(xì)胞，即神經(jīng)元，它主要由細(xì)胞體、樹突、軸突和突觸組成。人類的神經(jīng)元具備以下幾個(gè)基本功能特性：時(shí)空整合功能；神經(jīng)元的動(dòng)態(tài)極化性；興奮與抑制狀態(tài)；結(jié)構(gòu)的可塑性；脈沖與電位信號的轉(zhuǎn)換；突觸延期和不延期；學(xué)習(xí)、遺忘和疲勞；神經(jīng)網(wǎng)絡(luò)是由大量的神經(jīng)元單元相互連接而構(gòu)成的網(wǎng)絡(luò)系統(tǒng)。

2.2 人工神經(jīng)網(wǎng)絡(luò)模型

人工神經(jīng)網(wǎng)絡(luò)，使通過模仿生物神經(jīng)網(wǎng)絡(luò)的行為特征，進(jìn)行分布式并行信息處理的數(shù)學(xué)模型。這種網(wǎng)絡(luò)依靠系統(tǒng)的復(fù)雜度，通過調(diào)整內(nèi)部大量節(jié)點(diǎn)之間相互連接的關(guān)系，從而達(dá)到信息處理的目的。人工神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)和自適應(yīng)的能力，可以通過預(yù)先提供的一批相互對應(yīng)的輸入輸出數(shù)據(jù)，分析兩者的內(nèi)在關(guān)系和規(guī)律，最終通過這些規(guī)律形成一個(gè)復(fù)雜的非線性系統(tǒng)函數(shù)，這種學(xué)習(xí)分析過程被稱作“訓(xùn)練”。神經(jīng)元的每一個(gè)輸入連接都有突觸連接強(qiáng)度，用一個(gè)連接權(quán)值來表示，即將產(chǎn)生的信號通過連接強(qiáng)度放大，每一個(gè)輸入量都對應(yīng)有一個(gè)相關(guān)聯(lián)的權(quán)重。處理單元將經(jīng)過權(quán)重的輸入量化，然后相加求得加權(quán)值之和，計(jì)算出輸出量，這個(gè)輸出量是權(quán)重和的函數(shù)，一般稱此函數(shù)為傳遞函數(shù)。

2.3 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練

當(dāng)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)確定以后，接下來的工作就是訓(xùn)練和學(xué)習(xí)。神經(jīng)網(wǎng)絡(luò)不是通過改變處理單元的本身來完成訓(xùn)練和學(xué)習(xí)過程的，而是依靠改變網(wǎng)絡(luò)中各神經(jīng)元節(jié)點(diǎn)的連接權(quán)重來完成的。因此若處理單元要學(xué)會(huì)正確的處理所給定的問題，唯一用以改變處理單元性能的元素就是連接權(quán)重。

2.4 神經(jīng)網(wǎng)絡(luò)的分類

神經(jīng)網(wǎng)絡(luò)按照不同的結(jié)構(gòu)、功能，以及學(xué)習(xí)算法，對網(wǎng)絡(luò)進(jìn)行分類，可以分為：（1）感知器神經(jīng)網(wǎng)絡(luò)：最簡單的神經(jīng)網(wǎng)絡(luò)類型，只有單層的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，采用硬限值作為網(wǎng)絡(luò)傳遞函數(shù)，主要適用于簡單的線性二類劃分問題，在此類問題中處理的效率較高。但不適合本論文的課題。（2）線性神經(jīng)網(wǎng)絡(luò)：單層結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)，采用線性函數(shù)作為網(wǎng)絡(luò)的傳遞，主要也是用于解決線性逼近問題。

3 BP神經(jīng)網(wǎng)絡(luò)

目前應(yīng)用最為廣泛的網(wǎng)絡(luò)，具有多層網(wǎng)絡(luò)結(jié)構(gòu)，可以由一個(gè)或者多個(gè)隱含層。BP網(wǎng)絡(luò)采用Widrow―Hoff學(xué)習(xí)算法和非線性傳遞函數(shù)，典型的BP網(wǎng)絡(luò)采用的是梯度下降算法，也就是Widrow―Hoff算法所規(guī)定的。BP，即Back Propagation，就是指為非線性多層網(wǎng)絡(luò)訓(xùn)練中梯度計(jì)算是采用信號正向傳播、誤差反向傳播的方式。通過采用非線性傳遞函數(shù)，BP網(wǎng)絡(luò)能夠以仁義的精度逼近任何非線性函數(shù)，由于采用隱含中間層的結(jié)構(gòu)，BP網(wǎng)絡(luò)能夠提取出更高階的統(tǒng)計(jì)性質(zhì)，尤其是當(dāng)輸入規(guī)模龐大時(shí)，網(wǎng)絡(luò)能夠提取高階統(tǒng)計(jì)性質(zhì)的能力就顯得非常重要了，結(jié)合本文的課題，將采用BP神經(jīng)網(wǎng)絡(luò)及其改進(jìn)算法進(jìn)行組合集成實(shí)驗(yàn)，用以解決財(cái)務(wù)預(yù)警的實(shí)際問題，在后面的章節(jié)會(huì)采用相關(guān)實(shí)驗(yàn)證明組合集成的BP神經(jīng)網(wǎng)絡(luò)的優(yōu)勢。

4 徑向基神經(jīng)網(wǎng)絡(luò)

徑向基神經(jīng)網(wǎng)絡(luò)又稱為RBF網(wǎng)絡(luò)，它與BP網(wǎng)絡(luò)同為多層前向網(wǎng)絡(luò)，也能夠以任意的精度逼近任何非線性函數(shù)，只是它與BP網(wǎng)絡(luò)采用的傳遞函數(shù)不同，BP通常采用的是Sigmoid函數(shù)或線性函數(shù)作為傳遞函數(shù)，而RBF網(wǎng)絡(luò)則采用徑向基函數(shù)作為傳遞函數(shù)。本文后面將采用徑向基函網(wǎng)絡(luò)與BP網(wǎng)絡(luò)進(jìn)行對比。

5 競爭神經(jīng)網(wǎng)絡(luò)

競爭神經(jīng)網(wǎng)絡(luò)的特點(diǎn)是它的各個(gè)神經(jīng)元之間是相互競爭的關(guān)系，眾多神經(jīng)元之間相互競爭以決定勝出者，或勝神經(jīng)元決定哪一種原模型最能代表輸入模式。

6 反饋神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)（Fredric M.Ham Ivica Kostanic Principles of Neurocomputing for Science―Engineering 2007）BP神經(jīng)網(wǎng)絡(luò)具有sigmoid隱含層以及線性輸出層，具有很強(qiáng)的映射能力，本節(jié)我們對BP網(wǎng)絡(luò)神經(jīng)元和網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行介紹。神經(jīng)網(wǎng)絡(luò)方法的具體步驟是：向網(wǎng)絡(luò)提供訓(xùn)練例子，即學(xué)習(xí)樣本，包括輸入和期望的輸出。確定網(wǎng)絡(luò)的實(shí)際輸出和期望輸出之間允許的誤差。改變網(wǎng)絡(luò)中所有連接權(quán)值，使網(wǎng)絡(luò)產(chǎn)生的輸出更接近于期望輸出，直到滿足確定的允許誤差。下圖給出了一個(gè)具有N個(gè)輸入的基本的BP神經(jīng)元模型結(jié)構(gòu)。途中每一個(gè)輸入都被賦予一定的權(quán)值，與偏差求和和后形成神經(jīng)元傳遞函數(shù)的輸入。

我們來看看三層BP神經(jīng)網(wǎng)絡(luò)模型的數(shù)學(xué)表達(dá)，首先我們來確定途中各個(gè)參數(shù)所代表的涵義：

（1）輸入向量：X=（x1，x2，…，xi，…，xn）T；

（2）隱層輸出向量：Y=（y1，y2，…，yj，…，ym）T；

（3）輸出層輸出向量：O=（O1，O2，…，Ok，…，Ol）T；

（4）期望輸出向量：d=（d1，d2，…，dk，…，dl）T；

（5）輸入層到隱層之間的權(quán)值矩陣：V=（V1，V2，…，Vj，…，Vm）；

（6）隱層到輸出層之間的權(quán)值矩陣：W=（W1，W2，…，Wk，…，Wl）。

BP神經(jīng)網(wǎng)絡(luò)就是通過構(gòu)建上述變量來完成網(wǎng)絡(luò)的描述。

我們從上至下，從輸出層開始看BP網(wǎng)絡(luò)的工作原理，對于輸出層：

k=1，2，…，l （1）

k=1，2，…，l （2）

對于隱層：j=1，2，…，m （3）

j=1，2，…，m （4）

其中的是傳遞函數(shù)我們可以采用單極性Sigmoid函數(shù)： （5）

（1）網(wǎng)絡(luò)誤差與權(quán)值調(diào)整

輸出誤差E定義：

（6）

（7）

在這一步的基礎(chǔ)上，進(jìn)一步展開至輸入層：

（8）

j=0，1，2，…，m；k=1，2，…，l （9）

i=0，1，2，…，n；j=1，2，…，m （10）

式中負(fù)號表示梯度下降，常數(shù)η∈（0，1）表示比例系數(shù)。在全部推導(dǎo)過程中，對輸出層有j=0，1，2，…，m；k=1，2，…，l，對隱層有i=0，1，2，…，n；j=1，2，…，m

（2）BP算法推導(dǎo)

對于輸出層，式（9）可寫為：

（8）對隱層，式（9）可寫為：（10），對于隱層，利用式（7）：

可得： （11）

將以上結(jié)果代入式（8），并應(yīng)用式（5）：，得到：

（12）

（13）

至此兩個(gè)誤差信號的推導(dǎo)已完成。將式（12）代回到式（8），得到三層前饋網(wǎng)的BP學(xué)習(xí)算法權(quán)值調(diào)整計(jì)算公式為：

（14）

篇5

關(guān)鍵詞： 神經(jīng)網(wǎng)絡(luò)；模擬電路；故障智能診斷

Applications of Neural network in analog circuit fault intelligent diagnosis

Huang Qian1 ，Lu Li2

Nanchang institute of technology JiangXi NanChang 330029

Abstract： The article mainly describe development course of neural network simulation circuit and the common method of fault diagnosis of simulation power based on neural network at this stage， the focus analysised BP neural network fault dictionary method and the SOM neural network fault dictionary method and respective of calculation method， and basic thought， and technology difficulties analysis， discussed application problem of neural network method in in analog circuit fault intelligent diagnosis， last talk about development trend of simulation circuit neural network diagnosis method.

Keyword： Neural network；Analog circuits；Intelligent fault diagnosis

引 言

隨著神經(jīng)網(wǎng)絡(luò)等人工智能技術(shù)的發(fā)展， 模擬電路故障診斷的研究又開辟了一條新路， 基于神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷方法已經(jīng)成為新的研究熱點(diǎn)。20世紀(jì)80年代末期起有學(xué)者研究將人工神經(jīng)網(wǎng)絡(luò)應(yīng)用到模擬電路的故障診斷中，現(xiàn)階段已經(jīng)提出多種基于神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷方法，有些方法如BP（ Error Back Propagation Network）神經(jīng)網(wǎng)絡(luò)故障字典法已經(jīng)能有效應(yīng)用于濾波電路、模擬放大電路等非線性容差電路的故障診斷， 效果優(yōu)于傳統(tǒng)的故障字典法。

1神經(jīng)網(wǎng)絡(luò)故障字典法

神經(jīng)網(wǎng)絡(luò)故障字典法把模擬電路的故障診斷看成是一個(gè)分類問題， 利用神經(jīng)網(wǎng)絡(luò)的分類功能來診斷故障。在測前把神經(jīng)網(wǎng)絡(luò)訓(xùn)練成一部故障字典， 字典的信息蘊(yùn)含在網(wǎng)絡(luò)的連接權(quán)值中， 只要輸入電路的測量特征， 就可以從其輸出查出故障。

1.1 BP 神經(jīng)網(wǎng)絡(luò)故障字典法

BP 是一種多層網(wǎng)絡(luò)誤差反傳學(xué)習(xí)算法。

1）初始化，隨機(jī)給定各連接權(quán)[w]，[v]及閥值θi，rt。

（2）由給定的輸入輸出模式對計(jì)算隱層、輸出層各單元輸出

式中：bj為隱層第j個(gè)神經(jīng)元實(shí)際輸出；ct為輸出層第t個(gè)神經(jīng)元的實(shí)際輸出；wij為輸入層至隱層的連接權(quán)；vjt為隱層至輸出層的連接權(quán)。

式中：dtk為輸出層的校正誤差；ejk為隱層的校正誤差。

（3）計(jì)算新的連接權(quán)及閥值，計(jì)算公式如下：

（4）選取下一個(gè)輸入模式對返回第2步反復(fù)訓(xùn)練直到網(wǎng)絡(luò)設(shè)輸出誤差達(dá)到要求結(jié)束訓(xùn)練。

應(yīng)用BP 神經(jīng)網(wǎng)絡(luò)故障字典法進(jìn)行模擬電路故障診斷步驟如下：

（1）確定待測電路的故障集和狀態(tài)特征參量， 采用電路仿真或?qū)嶒?yàn)的方法獲取電路每一故障狀態(tài)下的狀態(tài)特征數(shù)據(jù)， 經(jīng)篩選和歸一化處理后構(gòu)造訓(xùn)練樣本集。設(shè)計(jì)BP 神經(jīng)網(wǎng)絡(luò)并進(jìn)行訓(xùn)練。

（2）用訓(xùn)練樣本集中的樣本訓(xùn)練好網(wǎng)絡(luò)， 即完成學(xué)習(xí)的過程。一般采用3 層BP 神經(jīng)網(wǎng)絡(luò)， 輸入層節(jié)點(diǎn)數(shù)與電路狀態(tài)特征參量的維數(shù)相同， 輸出層節(jié)點(diǎn)數(shù)可與電路待測故障類別數(shù)相同，也可小于待測故障類別數(shù)， 隱層節(jié)點(diǎn)數(shù)則需按經(jīng)驗(yàn)公式試湊。實(shí)際診斷時(shí)給被測電路加相同的測試激勵(lì)， 將測得的實(shí)際狀態(tài)特征參量輸入到訓(xùn)練好的BP 神經(jīng)網(wǎng)絡(luò)， 則其輸出即可指示相應(yīng)的故障狀態(tài)。

1.2 SOM神經(jīng)網(wǎng)絡(luò)故障字典法

SOM （Self - organizing Feature Map）神經(jīng)網(wǎng)絡(luò)是芬蘭教授Kohonen于1981 年提出的一種自組織特征映射神經(jīng)網(wǎng)絡(luò)。這種自組織特征映射神經(jīng)網(wǎng)絡(luò)通過對輸入模式的反復(fù)學(xué)習(xí)，使連接權(quán)矢量空間分布密度與輸入模式的概率分布趨于一致， 即連接權(quán)矢量的空間分布密度能反映輸入模式的統(tǒng)計(jì)特性。

SOM二維網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖

SOM 網(wǎng)絡(luò)能對輸入模式自動(dòng)分類，通過輸入模式的自組織學(xué)習(xí)， 在競爭層將分類結(jié)果表示出來。應(yīng)用SOM 神經(jīng)網(wǎng)絡(luò)建立模擬電路故障診斷字典的具體步驟如下：

（1）確定電路的故障集和激勵(lì)信號。通過仿真獲取電路在每一故障狀態(tài)下的狀態(tài)特征向量， 并進(jìn)行預(yù)處理得到訓(xùn)練樣本數(shù)據(jù)。

（2） 確定SOM 網(wǎng)絡(luò)結(jié)構(gòu)。 SOM 網(wǎng)絡(luò)只有輸入層和輸出層兩層， 沒有隱層，輸入層的形式與BP 網(wǎng)絡(luò)相同， 其結(jié)點(diǎn)數(shù)應(yīng)與電路狀態(tài)特征向量的維數(shù)相同。輸出層即競爭層的神經(jīng)元一般采用二維平面陣結(jié)構(gòu)排列， 也可采用一維線陣或三維柵格陣的結(jié)構(gòu)排列。采用一維線陣時(shí)， 輸出層結(jié)點(diǎn)數(shù)可與電路的故障類別數(shù)相同。

（3）經(jīng)過SOM 訓(xùn)練形成具有容差的故障字典。SOM 網(wǎng)絡(luò)的學(xué)習(xí)算法可采用標(biāo)準(zhǔn)的Kohonen 算法?？梢钥闯觯?SOM 網(wǎng)絡(luò)法與BP 網(wǎng)絡(luò)法構(gòu)建故障字典的方法步驟完全相似，SOM 網(wǎng)絡(luò)法一般適用于交流電路， 以電路響應(yīng)的頻域參量為狀態(tài)特征，它能更有效地克服容差因素對故障定位的影響，SOM 網(wǎng)絡(luò)法實(shí)際診斷時(shí)容易出現(xiàn)模糊故障集， 診斷過程要比BP網(wǎng)絡(luò)法復(fù)雜。

1.2神經(jīng)網(wǎng)絡(luò)故障字典法難點(diǎn)

同經(jīng)典的故障字典法相比， 神經(jīng)網(wǎng)絡(luò)故障字典法突出的優(yōu)點(diǎn)是測后診斷速度快，實(shí)時(shí)性強(qiáng)，其原因是該方法利用了神經(jīng)網(wǎng)絡(luò)高度并行的信息處理能力。經(jīng)典的故障字典法需要進(jìn)行繁瑣的模糊集分割處理， 且一般只能診斷硬故障。而神經(jīng)網(wǎng)絡(luò)故障字典法由于神經(jīng)網(wǎng)絡(luò)的泛化能力，可以診斷容差模擬電路， 而且對軟故障情況也有很好的應(yīng)用前景。應(yīng)用該方法難點(diǎn)包括以下幾個(gè)方面：

（1）神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)等只能依據(jù)經(jīng)驗(yàn)反復(fù)調(diào)試， 難以確定所設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)是最優(yōu)的。

（2）數(shù)據(jù)預(yù)處理技術(shù)和訓(xùn)練樣本集的篩選至關(guān)重要，神經(jīng)網(wǎng)絡(luò)故障字典法的診斷效果主要依賴于此。如何根據(jù)實(shí)際電路對原始數(shù)據(jù)進(jìn)行預(yù)處理以突出故障特征信息及如何優(yōu)選訓(xùn)練樣本。

2 神經(jīng)網(wǎng)絡(luò)優(yōu)化診斷法

傳統(tǒng)的優(yōu)化診斷法依據(jù)被測電路的解析關(guān)系， 按照一定的判據(jù)（目標(biāo)函數(shù)） ， 估計(jì)出最有可能出現(xiàn)故障的元件。優(yōu)化診斷法是一種測后模擬的逼近法， 可在較少的測量數(shù)據(jù)下診斷故障，避免元件的容差問題， 可以診斷軟故障和多故障但傳統(tǒng)優(yōu)化診斷法存在一個(gè)復(fù)雜的重復(fù)過程， 需要多個(gè)優(yōu)化過程和多次電路模擬， 測后計(jì)算量很大。

神經(jīng)網(wǎng)絡(luò)優(yōu)化診斷法對傳統(tǒng)方法進(jìn)行改進(jìn)， 利用Hopfield 神經(jīng)網(wǎng)絡(luò)的優(yōu)化計(jì)算功能尋優(yōu)， 克服了傳統(tǒng)的優(yōu)化診斷方法測后計(jì)算量大、實(shí)時(shí)性差的缺點(diǎn)。由于該方法最終是通過求解元件參數(shù)或參數(shù)增量來判定故障元件的。

神經(jīng)網(wǎng)絡(luò)優(yōu)化診斷法的基本思想是將模擬電路的故障診斷方程轉(zhuǎn)換為帶約束條件的優(yōu)化問題， 然后利用Hopfield 神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化問題的求解。將優(yōu)化問題映射到一種神經(jīng)網(wǎng)絡(luò)的特定組態(tài)上， 此組態(tài)相應(yīng)于優(yōu)化問題的可能解， 然后再構(gòu)造一個(gè)適合于待優(yōu)化問題的能量函數(shù)（對應(yīng)于目標(biāo)函數(shù)）， 當(dāng)Hopfield 神經(jīng)網(wǎng)絡(luò)從某一初始狀態(tài)沿著能量函數(shù)減小的方向運(yùn)動(dòng)， 其穩(wěn)定平衡解即對應(yīng)于優(yōu)化問題的解。對于線性電阻電路， 可以以元件參數(shù)增量和可測節(jié)點(diǎn)電壓變化量建立故障診斷方程， 該診斷方程通常為一組欠定方程。

應(yīng)用Hopfield 神經(jīng)網(wǎng)絡(luò)求解此類帶約束條件的優(yōu)化問題的步驟如下：

（1）分析問題： 分析網(wǎng)絡(luò)輸出與問題的解相對應(yīng)。

（2）構(gòu)造網(wǎng)絡(luò)能量函數(shù)： 將實(shí)際待解決優(yōu)化問題的目標(biāo)函數(shù)表達(dá)成能量函數(shù)的相應(yīng)形式， 能量函數(shù)最小值對應(yīng)問題最佳解。

（3）設(shè)計(jì)網(wǎng)絡(luò)結(jié)構(gòu)： 將能量函數(shù)與目標(biāo)函數(shù)相比較， 求出能量函數(shù)中的權(quán)值和偏流。

（4）運(yùn)行網(wǎng)絡(luò)求出穩(wěn)定平衡態(tài)： 由網(wǎng)絡(luò)結(jié)構(gòu)建立網(wǎng)絡(luò)的電子線路， 運(yùn)行該電子線路直至穩(wěn)定， 所得穩(wěn)態(tài)解即為優(yōu)化問題所希望的解。

3 其它神經(jīng)網(wǎng)絡(luò)故障診斷法

ART （Adaptive Resonance Theory）神經(jīng)網(wǎng)絡(luò)故障診斷法。ART 神經(jīng)網(wǎng)絡(luò)是一種基于自適應(yīng)共振理論ART的學(xué)習(xí)算法， 包括ART1 型、ART2 型和ART3 型三種結(jié)構(gòu)形式。文獻(xiàn)三中的作者探討了一種采用ART1 型神經(jīng)網(wǎng)絡(luò)進(jìn)行模擬電路故障診斷的方法，將電路的各種故障分出層次，并按一定特征給故障類型進(jìn)行編碼形成故障數(shù)據(jù)樣本，將故障數(shù)據(jù)樣本輸入ART1型神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練， 訓(xùn)練完成后該ART 網(wǎng)絡(luò)即可用于診斷。ART最大的特點(diǎn)是既能識別已有的故障模式， 又能較好地診斷新發(fā)故障?；谏窠?jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)撕裂法。網(wǎng)絡(luò)撕裂法是一種大規(guī)模模擬電路分層診斷的方法， 將網(wǎng)絡(luò)撕裂法與神經(jīng)網(wǎng)絡(luò)故障字典法相結(jié)合就形成基于神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)撕裂法。

ART的基本思路是， 當(dāng)電路網(wǎng)絡(luò)分解到一定程度后， 電路子網(wǎng)絡(luò)繼續(xù)分解往往越來越困難， 這時(shí)可以引入神經(jīng)網(wǎng)絡(luò)故障字典法， 分別為每一電路子網(wǎng)絡(luò)構(gòu)建一個(gè)神經(jīng)網(wǎng)絡(luò)， 則電路子網(wǎng)絡(luò)級的診斷采用神經(jīng)網(wǎng)絡(luò)故障字典實(shí)現(xiàn)。

與傳統(tǒng)的網(wǎng)絡(luò)撕裂法相比， 該方法測后工作量小， 診斷過程更加簡單，診斷速度加快?；谏窠?jīng)網(wǎng)絡(luò)求解非線性方程的模擬電路故障診斷方法。

4 模擬電路神經(jīng)網(wǎng)絡(luò)診斷法發(fā)展趨勢

近年來， 一個(gè)值得重視的現(xiàn)象是神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)、模糊控制、遺傳算法和小波分析等技術(shù)相結(jié)合應(yīng)用于模擬電路的故障診斷領(lǐng)域的研究。如神經(jīng)網(wǎng)絡(luò)與模糊邏輯理論相結(jié)合， 即所謂的“模糊神經(jīng)網(wǎng)絡(luò)”用于模擬電路的故障診斷， 其基本思想是在BP 神經(jīng)網(wǎng)絡(luò)的輸入層與輸出層中間增加1到2 層模糊層構(gòu)造模糊神經(jīng)網(wǎng)絡(luò)，利用神經(jīng)網(wǎng)絡(luò)處理低層感知數(shù)據(jù)， 利用模糊邏輯描述高層的邏輯框架，其對模擬電路軟故障的診斷效果優(yōu)于單一的神經(jīng)網(wǎng)絡(luò)分類器。又如小波分析與神經(jīng)網(wǎng)絡(luò)結(jié)合應(yīng)用于模擬電路的故障診斷。

小波與神經(jīng)網(wǎng)絡(luò)的結(jié)合有以下兩個(gè)途徑：

（1） 輔助式結(jié)合， 比較典型的是利用小波分析對信號進(jìn)行預(yù)處理， 然后用神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)與判別。

（2）嵌套式結(jié)合， 即把小波變換的運(yùn)算融入到神經(jīng)網(wǎng)絡(luò)中去， 其基本思想是用小波元代替了神經(jīng)元，即激活函數(shù)為已定位的小波函數(shù)基， 通過仿射變換建立小波變換與神經(jīng)網(wǎng)絡(luò)的聯(lián)接，小波神經(jīng)網(wǎng)絡(luò)由于把神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)特性和小波的局部特性結(jié)合起來，具有自適應(yīng)分辨性和良好的容錯(cuò)性。

參考文獻(xiàn)

[1] 王顯強(qiáng).談?wù)勆窠?jīng)網(wǎng)絡(luò)在模擬電路故障診斷中的應(yīng)用問題[J]

電路技術(shù).2012（06）

[2] 劉華.基于神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷方法研究[J]微電子學(xué)報(bào).2010（03）

[3]董偉.談ART1 型神經(jīng)網(wǎng)絡(luò)進(jìn)行模擬電路故障診斷方式分析. [J]電路科技. 2012（05）

[4]王承. 基于神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷方案探究.[J]電路科技. 2013（06）

[5]張宇. 基于神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷方案探究.[J]計(jì)算機(jī)測量與控制. 2012（07）

[6]王承. 基于神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷方案探究.[J]電路故障. 2013（02）

[7]劉盛燦. 神經(jīng)網(wǎng)絡(luò)的模擬電路故障的應(yīng)用.[J]電路科技. 2013（06）

[8] 萬磊.神經(jīng)網(wǎng)絡(luò)在模擬電路故障診斷中的應(yīng)用若干問題探討[J]

電路技術(shù).2011（08）

[9] 郭明強(qiáng).神經(jīng)網(wǎng)絡(luò)在模擬電路故障診斷中的發(fā)展歷程分析[J]電路技術(shù).2013（08）

篇6

關(guān)鍵詞：ZISC78；徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)（RBFNN）；實(shí)時(shí)；預(yù)報(bào)

1引言

神經(jīng)網(wǎng)絡(luò)是近年來得到廣泛關(guān)注的一種非線性建模預(yù)報(bào)技術(shù)。它具有自組織、自學(xué)習(xí)、自適應(yīng)和非線性處理、并行處理、信息分布存儲、容錯(cuò)能力強(qiáng)等特性，對傳統(tǒng)方法效果欠佳的預(yù)報(bào)領(lǐng)域有很強(qiáng)的吸引力。基于神經(jīng)網(wǎng)絡(luò)的非線性信息處理方法已應(yīng)用于軍事信息處理及現(xiàn)代武器裝備系統(tǒng)的各個(gè)方面，并有可能成為未來集成智能化的軍事電子信息處理系統(tǒng)的支撐技術(shù)。該技術(shù)在一些先進(jìn)國家已部分形成了現(xiàn)實(shí)的戰(zhàn)斗力。

船舶在波浪中航行，會(huì)受到風(fēng)、浪和流的影響，因而將不可避免地發(fā)生搖蕩運(yùn)動(dòng)。嚴(yán)重的搖蕩會(huì)使船員工作效率下降、物品損壞、軍艦的戰(zhàn)斗力下降。如果能夠預(yù)知未來一段時(shí)間船舶的運(yùn)動(dòng)情況，不僅有利于盡早采用先進(jìn)控制算法控制艦載武器平臺隔離船舶運(yùn)動(dòng)的影響，使其始終穩(wěn)定瞄準(zhǔn)目標(biāo)，而且還可獲得未來一個(gè)海浪周期內(nèi)的船舶運(yùn)動(dòng)情況，以研究船載武器上層的控制策略，從而提高火力密度，因此，有必要研究在海浪中具有一定精度的海浪中船舶運(yùn)動(dòng)的短期預(yù)報(bào)。此外，如能有效準(zhǔn)確地預(yù)報(bào)船舶的橫搖運(yùn)動(dòng)，對于提高船舶的耐波性和適航性也有重要意義。

國內(nèi)外學(xué)者也將神經(jīng)網(wǎng)絡(luò)用于船舶運(yùn)動(dòng)預(yù)報(bào)研究，但往往沒有考慮實(shí)時(shí)性等實(shí)現(xiàn)問題，因而不能實(shí)用化。神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)技術(shù)是神經(jīng)網(wǎng)絡(luò)研究的一個(gè)重要方面。神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)可分為全硬件實(shí)現(xiàn)和軟件實(shí)現(xiàn)兩種。目前神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)還主要以軟件模擬為主，由于現(xiàn)行的馮諾曼計(jì)算機(jī)體系結(jié)構(gòu)不能實(shí)現(xiàn)并行計(jì)算，因而神經(jīng)網(wǎng)絡(luò)軟件的實(shí)時(shí)應(yīng)用還受到一定限制。

目前，一些著名集成電路制造公司如Intel、Mo-torola、松下、日立、富士通等均已推出自己的模擬或數(shù)字神經(jīng)網(wǎng)絡(luò)芯片，這些芯片無論在網(wǎng)絡(luò)規(guī)模還是運(yùn)行速度上都已接近實(shí)用化的程度，因而給神經(jīng)網(wǎng)絡(luò)應(yīng)用的發(fā)展以極大的推動(dòng)。由于艦載武器系統(tǒng)，需選用具有在片學(xué)習(xí)功能的神經(jīng)網(wǎng)絡(luò)芯片，即將網(wǎng)絡(luò)訓(xùn)練所需的反饋電路及權(quán)值存儲、計(jì)算和修正電路都集成在了一個(gè)芯片，因而可實(shí)現(xiàn)全硬件的、具有自學(xué)習(xí)能力的神經(jīng)網(wǎng)絡(luò)系統(tǒng)，也可以說，這是一種具有自適應(yīng)能力的神經(jīng)網(wǎng)絡(luò)。

2ZISC78的功能及工作原理

ZISC78是由IBM公司和Sillicon聯(lián)合研制的一種低成本、在線學(xué)習(xí)、33MHz主頻、CMOS型100腳LQFP封裝的VLSI芯片，圖1所示是ZISC78的引腳排列圖。ZISC78的特點(diǎn)如下：

內(nèi)含78個(gè)神經(jīng)元；

采用并行結(jié)構(gòu)，運(yùn)行速度與神經(jīng)元數(shù)量無關(guān)；

支持RBF／KNN算法；

內(nèi)部可分為若干獨(dú)立子網(wǎng)絡(luò)；

采用鏈連接，擴(kuò)展不受限制；

具有64字節(jié)寬度向量；

L1或LSUP范數(shù)可用于距離計(jì)算；

具有同步／異步工作模式。

2．1ZISC78神經(jīng)元結(jié)構(gòu)

ZISC78采用的神經(jīng)元結(jié)構(gòu)如圖2所示，該神經(jīng)元有以下幾種狀態(tài)：

(1)休眠狀態(tài)：神經(jīng)網(wǎng)絡(luò)初始化時(shí)，通常處于這種狀態(tài)。

(2)準(zhǔn)備學(xué)習(xí)狀態(tài)：任何時(shí)侯，神經(jīng)網(wǎng)絡(luò)中的神經(jīng)元都處于這種狀態(tài)。

(3)委托狀態(tài)：一個(gè)包含有原型和類型的神經(jīng)元處于委托狀態(tài)。

(4)激活狀態(tài)：一個(gè)處于委托狀態(tài)的神經(jīng)元，通過評估，其輸入矢量處于其影響域時(shí)，神經(jīng)元就被激活而處于激活狀態(tài)。

(5)退化狀態(tài)：當(dāng)一個(gè)神經(jīng)元的原型處于其它神經(jīng)元類型空間內(nèi)，而大部分被其他神經(jīng)元類型空間重疊時(shí)，這個(gè)神經(jīng)元被宣布處于退化狀態(tài)。

2．2ZISC78神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

從圖3所示的ZISC78神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)可以看出，所有神經(jīng)元均通過“片內(nèi)通信總線”進(jìn)行通信，以實(shí)現(xiàn)網(wǎng)絡(luò)內(nèi)所有神經(jīng)元的“真正”并行操作?！捌瑑?nèi)通信總線”允許若干個(gè)ZISC78芯片進(jìn)行連接以擴(kuò)大神經(jīng)網(wǎng)絡(luò)的規(guī)模，而這種操作不影響網(wǎng)絡(luò)性能。

ZISC78片內(nèi)有6bit地址總線和16bit數(shù)據(jù)總線，其中數(shù)據(jù)總線用于傳輸矢量數(shù)據(jù)、矢量類型、距離值和其它數(shù)據(jù)。

2．3ZISC78的寄存器組

ZISC78使用兩種寄存器：全局寄存器和神經(jīng)元寄存器。全局寄存器用于存儲與所有神經(jīng)元有關(guān)的信息，每片僅有一組全局寄存器。全局寄存器組中的信息可被傳送到所有處于準(zhǔn)備學(xué)習(xí)狀態(tài)和委托狀態(tài)的神經(jīng)元。神經(jīng)元寄存器用于存儲所屬神經(jīng)元的信息，該信息在訓(xùn)練學(xué)習(xí)操作中寫入，在識別操作中讀出。

2．4ZISC78的操作

ZISC78的操作包括初始化、矢量數(shù)據(jù)傳播、識別和分類等三部分。

初始化包括復(fù)位過程和清除過程。

矢量數(shù)據(jù)傳播包括矢量數(shù)據(jù)輸入過程和神經(jīng)元距離計(jì)算過程。神經(jīng)元距離就是輸入矢量和神經(jīng)元中存儲的原型之間的范數(shù)。通?？蛇xL1范數(shù)或Lsup范數(shù)：

其中，Xi為輸入矢量數(shù)據(jù)，Xs為存貯的原型數(shù)據(jù)。

對于識別和分類，ZISC78提供有兩種可選擇的學(xué)習(xí)算法RBF和KNN。其中RBF是典型的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)。在該RBF模式下，可輸出識別、不確定或不認(rèn)識的狀態(tài)；KNN模式是RBF模式的限制形式，即在KNN模式下，新原型的影響域總被設(shè)為1，輸出的是輸入向量和存儲原型之間的距離。需要指出的是，ZISC78具有自動(dòng)增加或減小神經(jīng)元個(gè)數(shù)以適應(yīng)輸入信號的分類和識別功能，神經(jīng)元個(gè)數(shù)的最大值和最小值在全局寄存器組中設(shè)定。

2．5ZISC78的組網(wǎng)

一個(gè)ZISC78芯片內(nèi)可以通過寄存器操作定義若干個(gè)獨(dú)立的網(wǎng)絡(luò)。若干個(gè)ZISC78芯片通過層疊可以組成一個(gè)更大的神經(jīng)網(wǎng)絡(luò)，組網(wǎng)芯片數(shù)量沒有限制，小于10個(gè)ZISC78組網(wǎng)時(shí)，甚至連電源中繼器件也不需要。所以，ZISC78具有最大的靈活性，能夠滿足不同的需要。

3仿真實(shí)例

為了驗(yàn)證ZISC78用于船舶運(yùn)動(dòng)實(shí)時(shí)預(yù)報(bào)的精度，本文對徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)進(jìn)行了仿真，圖4給出了基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)和船舶運(yùn)動(dòng)慣導(dǎo)實(shí)測信號預(yù)報(bào)的0．3秒（15步）誤差曲線圖。

通過以慣導(dǎo)實(shí)測數(shù)據(jù)ZHX＿lg．dat為例預(yù)報(bào)0．3秒（15步）以后的船舶運(yùn)動(dòng)，作者運(yùn)用相空間重構(gòu)理論已經(jīng)判斷出本數(shù)據(jù)為非線性信號。

該仿真的最大預(yù)報(bào)誤差方差為6．4666e－004，該數(shù)據(jù)可以滿足戰(zhàn)技指標(biāo)。

篇7

關(guān)鍵詞：自主導(dǎo)航；人工智能；模糊神經(jīng)網(wǎng)絡(luò)；避障；BP神經(jīng)網(wǎng)絡(luò)

中圖分類號：TP79文獻(xiàn)標(biāo)識碼：A文章編號：1005-3824（2014）03-0083-03

0引言

2013年12月14日21時(shí)11分，嫦娥三號探測器在月球表面預(yù)選著陸區(qū)域成功著陸，裝著紅外成像光譜儀、避障相機(jī)、機(jī)械臂和激光點(diǎn)陣器等設(shè)備的月球車“玉兔”驅(qū)動(dòng)著6個(gè)輪子在月球表面留下了歷史的痕跡。這標(biāo)志著我國已成為世界上第3個(gè)實(shí)現(xiàn)地外天體軟著陸的國家，也展現(xiàn)出了智能控制系統(tǒng)[1]在航天事業(yè)上的卓越應(yīng)用。在如今的社會(huì)生活中，隨處體現(xiàn)著智能技術(shù)的存在，人們已經(jīng)離不開智能技術(shù)，智能機(jī)器人的發(fā)展也飛速前進(jìn)，從兒童的玩具機(jī)器人到太空探索的機(jī)器人，可以預(yù)見智能機(jī)器人的應(yīng)用將更加廣泛。近年來，非線性動(dòng)態(tài)系統(tǒng)的自適應(yīng)控制在我國引起了廣泛的研究，模糊神經(jīng)網(wǎng)絡(luò)控制是一個(gè)重要的自適應(yīng)方法，因此得到了很多專家學(xué)者的青睞。

模糊邏輯控制在宏觀上模仿人的思維，處理語言和思維中的模糊性概念，它是以模糊集合論、模糊語言變量和模糊邏輯推理為基礎(chǔ)的一種計(jì)算機(jī)數(shù)字控制技術(shù)；神經(jīng)網(wǎng)絡(luò)是從微觀上模仿人的智能行為，進(jìn)行分布式并行信息處理算法的數(shù)學(xué)模型，它是根據(jù)人腦的生理結(jié)構(gòu)和信息處理過程創(chuàng)造的[2]。模糊控制與神經(jīng)網(wǎng)絡(luò)各自都有一定的應(yīng)用局限，因此，人們早在20世紀(jì)80―90年代就把它們相結(jié)合，組成更為完善的控制方法。模糊控制與神經(jīng)網(wǎng)絡(luò)的結(jié)合有多種方式，根據(jù)研究角度和應(yīng)用領(lǐng)域的變化而不同。1模糊控制與神經(jīng)網(wǎng)絡(luò)的介紹

1.1模糊邏輯控制系統(tǒng)

模糊邏輯控制系統(tǒng)主要包含輸入變量、模糊控制器、被控對象和偏差。模糊邏輯控制系統(tǒng)結(jié)構(gòu)如圖1所示。

知識庫：是模糊控制器的核心。由數(shù)據(jù)庫和規(guī)則庫組成，數(shù)據(jù)庫中存著有關(guān)模糊化、模糊推理、解模糊的一切知識，規(guī)則庫是由若干模糊規(guī)則組成的。

模糊推理機(jī)：根據(jù)模糊邏輯法則把邏輯規(guī)則庫中的模糊“if-then”轉(zhuǎn)換成某種映射。

反模糊化：反模糊化的方法一般有最大隸屬度平均法、最大中點(diǎn)法、面積等分法、重心法和加權(quán)平均法等。

模糊控制的優(yōu)點(diǎn)：可以在預(yù)先不知道被控對象的精確數(shù)學(xué)模型；規(guī)則一般是由有經(jīng)驗(yàn)的操作人員或者專家的經(jīng)驗(yàn)總結(jié)出來并且以條件語句表示的，便于學(xué)習(xí)和理解；控制是由人的語言形式表示，有利于人機(jī)對話和系統(tǒng)知識的處理等。不足之處：精度不夠高；自適應(yīng)能力有限；模糊規(guī)則庫非常龐大，難以進(jìn)行更改優(yōu)化[3]。

1.2人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)（ANN）是一種模擬人腦神經(jīng)系統(tǒng)的結(jié)構(gòu)和功能的運(yùn)算模型，由大量的節(jié)點(diǎn)，即神經(jīng)元及相互之間連接構(gòu)成的，它是人工方式構(gòu)造的一種網(wǎng)絡(luò)系統(tǒng)。神經(jīng)元結(jié)構(gòu)模型如圖3所示。

傳遞函數(shù)f又稱轉(zhuǎn)移函數(shù)或激活函數(shù)，是單調(diào)上升的有界函數(shù)，常用的轉(zhuǎn)移函數(shù)有線性函數(shù)、斜坡函數(shù)、階躍函數(shù)及單雙極S型函數(shù)等。但是最常用的還是單極S型函數(shù)：

神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)形式也有幾種，例如，全互連型結(jié)構(gòu)、層次型結(jié)構(gòu)和網(wǎng)孔型結(jié)構(gòu)等[4]。前饋型網(wǎng)絡(luò)是一類單方向?qū)哟涡途W(wǎng)絡(luò)模塊，其最基本的單層神經(jīng)元網(wǎng)絡(luò)如圖4所示。

圖4單層神經(jīng)元網(wǎng)絡(luò)3層BP神經(jīng)網(wǎng)絡(luò)是比較常用的結(jié)構(gòu)，圖5是它的基本結(jié)構(gòu)。

圖5BP神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)BP神經(jīng)網(wǎng)絡(luò)至少有3層，圖5中，第Ⅰ層是輸入層，第Ⅱ?qū)訛殡[藏層，第Ⅲ層為輸出層。由于3層的BP神經(jīng)網(wǎng)絡(luò)就具有了模糊系統(tǒng)中萬能逼近的能力[5]，為了不使系統(tǒng)變得更復(fù)雜，本文就只用了3層的BP神經(jīng)網(wǎng)絡(luò)，當(dāng)然，也可以根據(jù)自身的實(shí)際應(yīng)用情況增加隱層的層數(shù)，但并不是層數(shù)越多，精度就越高，相對的系統(tǒng)的反應(yīng)時(shí)間就會(huì)增加，時(shí)延也會(huì)增長。

神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)：能夠通過學(xué)習(xí)和訓(xùn)練獲取用數(shù)據(jù)表達(dá)的知識，不僅可以記憶一直獲得的信息，還具有較強(qiáng)的概括及聯(lián)想記憶能力，它的應(yīng)用已經(jīng)延伸到各個(gè)領(lǐng)域，在各方面取得很好的進(jìn)展等。不足之處：缺乏統(tǒng)一的方法處理非線性系統(tǒng)；網(wǎng)絡(luò)的權(quán)值是隨機(jī)選取的；學(xué)習(xí)的時(shí)間長；無法利用系統(tǒng)信息和專家經(jīng)驗(yàn)等語言信息；難以理解建立的模型等[6]。

所以，綜合以上模糊邏輯系統(tǒng)與神經(jīng)網(wǎng)絡(luò)各自的優(yōu)缺點(diǎn)，就提出了一種它們的結(jié)合方法，即模糊神經(jīng)網(wǎng)絡(luò)控制方法。

2模糊神經(jīng)網(wǎng)絡(luò)的結(jié)合方式

模糊神經(jīng)網(wǎng)絡(luò)大致分為3種形式：邏輯模糊神經(jīng)網(wǎng)絡(luò)、算術(shù)模糊神經(jīng)網(wǎng)絡(luò)和混合模糊神經(jīng)網(wǎng)絡(luò)。

在這3種形式的系統(tǒng)中，模糊神經(jīng)混合系統(tǒng)是根據(jù)模糊控制系統(tǒng)和神經(jīng)網(wǎng)絡(luò)各自不同的功能、用途集成在一個(gè)系統(tǒng)里面的[7]。在這類系統(tǒng)中，我們可以將神經(jīng)網(wǎng)絡(luò)用于輸入信號處理，模糊邏輯系統(tǒng)用于行為決策[8]（如圖6），或者把模糊邏輯系統(tǒng)作為輸入信號處理，神經(jīng)網(wǎng)絡(luò)系統(tǒng)作為輸出行為決策，再或者是將神經(jīng)網(wǎng)絡(luò)去代替模糊控制器的一部分，還可以將基于神經(jīng)元網(wǎng)絡(luò)的模糊系統(tǒng)或者神經(jīng)元網(wǎng)絡(luò)用在模糊神經(jīng)混合系統(tǒng)中。

在本文的應(yīng)用中，使用的是輪式智能小車，它一共安裝了3個(gè)超聲波傳感器、3個(gè)紅外傳感器和1個(gè)角度傳感器，紅外傳感器除了應(yīng)用在小車循跡外，還用來增加控制系統(tǒng)測量的精確性和彌補(bǔ)超聲波測距的盲區(qū)。例如，在某一路或者幾路超聲波受到了外界的干擾時(shí)，紅外線就可以測量出系統(tǒng)所需要的數(shù)量值。超聲波與紅外線用來測量小車到左、前、右障礙物的距離Ll，Lf，Lr；模糊神經(jīng)系統(tǒng)中控制器的輸入包括： Ll，Lf，Lr，小車與障礙物的夾角tg；輸出為小車的轉(zhuǎn)角sa和小車的加速度va。將Ll，Lf，Lr的模糊變量設(shè)為{near ，far}，論域?yàn)椋?―2 m）；tg的模糊變量為{LB，LM，ZO，RM，RB}表示{左大，左小，零，右小，右大}，論域?yàn)椋?1800，1800）；距離和夾角的隸屬度函數(shù)如圖7和圖8所示。輸出變量的隸屬度函數(shù)在這里就不再贅述了。

在系統(tǒng)解模糊化時(shí)，是將一個(gè)模糊量轉(zhuǎn)換成確定量，常用的解模糊化的方法有最大隸屬度函數(shù)法、重心法、加權(quán)平均法。在本文中用的是重心法。

智能小車避障的控制系統(tǒng)如圖9所示。

篇8

本文建立相應(yīng)的BP神經(jīng)網(wǎng)絡(luò)模型，根據(jù)民生銀行信貸信用評級指標(biāo)體系，選取BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練樣本和檢驗(yàn)樣本。將訓(xùn)練樣本輸入BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，BP神經(jīng)網(wǎng)絡(luò)模型完成訓(xùn)練后，用檢驗(yàn)樣本對本文建立的BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行檢驗(yàn)。完成訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)模型將根據(jù)企業(yè)的信用評級信息計(jì)算出企業(yè)信用得分的預(yù)測值，從而使商業(yè)銀行規(guī)避信貸過程中的信用風(fēng)險(xiǎn)，起到風(fēng)險(xiǎn)預(yù)警功能。

關(guān)鍵詞：

BP神經(jīng)網(wǎng)絡(luò)；信貸信用；風(fēng)險(xiǎn)預(yù)警

我國一直沒有建立起符合市場規(guī)范的信用體系，信用風(fēng)險(xiǎn)是商業(yè)銀行面臨的最傳統(tǒng)最基本的風(fēng)險(xiǎn)形式，也是最難于控制和管理的風(fēng)險(xiǎn)形式。本文建立相應(yīng)的BP神經(jīng)網(wǎng)絡(luò)模型，根據(jù)民生銀行信貸信用評級指標(biāo)體系，選取20個(gè)企業(yè)的信用評級信息作為BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練樣本，選取10個(gè)企業(yè)的信用評級信息作為BP神經(jīng)網(wǎng)絡(luò)模型的檢驗(yàn)樣本。將訓(xùn)練樣本輸入BP神經(jīng)網(wǎng)絡(luò)，讓BP神經(jīng)網(wǎng)絡(luò)根據(jù)信貸企業(yè)信用得分的輸出值與真實(shí)值之間的誤差不斷調(diào)節(jié)各個(gè)神經(jīng)元之間的權(quán)值與閥值，當(dāng)誤差滿足要求時(shí)，BP神經(jīng)網(wǎng)絡(luò)模型完成訓(xùn)練。BP神經(jīng)網(wǎng)絡(luò)模型完成訓(xùn)練后，對本文建立的BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行檢驗(yàn)[1]。完成訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)模型將根據(jù)企業(yè)的信用評級信息計(jì)算出企業(yè)信用得分的預(yù)測值，為商業(yè)銀行信貸過程中的信用風(fēng)險(xiǎn)進(jìn)行預(yù)測評價(jià)，從而使商業(yè)銀行規(guī)避信貸過程中的信用風(fēng)險(xiǎn)，起到風(fēng)險(xiǎn)預(yù)警功能。

一、BP神經(jīng)網(wǎng)絡(luò)理論

BP神經(jīng)網(wǎng)絡(luò)理論是學(xué)習(xí)過程由信號的正向傳播與誤差的反向傳播兩個(gè)過程組成。正向傳播時(shí)，輸入樣本從輸入層傳人，經(jīng)各隱層逐層處理后，傳向輸出層。若輸出層的實(shí)際輸出與期望的輸出（教師信號）不符，則轉(zhuǎn)入誤差的反向傳播階段。誤差反傳是將輸出誤差以某種形式通過隱層向輸入層逐層反傳，并將誤差分?jǐn)偨o各層的所有單元，從而獲得各層單元的誤差信號，此誤差信號即作為修正各單元權(quán)值的依據(jù)。這種信號正向傳播與誤差反向傳播的各層權(quán)值調(diào)整過程是周而復(fù)始地進(jìn)行的[2]。權(quán)值不斷調(diào)整的過程，也就是網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練過程。此過程一直進(jìn)行到網(wǎng)絡(luò)輸出的誤差減少到可接受的程度，或進(jìn)行到預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止。

（一）BP網(wǎng)絡(luò)模型

采用BP算法的多層感知器是至今為止應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)，在多層感知器的應(yīng)用中，單隱層網(wǎng)絡(luò)的應(yīng)用最為普遍。一般習(xí)慣將單隱層感知器稱為三層感知器，所謂三層包括了輸入層、隱層和輸出層。三層感知器中，輸入向量為()T12,,...,,...,inX=xxxx；隱層輸出向量為()T12,,...,,...,jmY=yyyy；輸出層輸出向量為()T12,,...,,...,klO=oooo；期望輸出向量為()T12,,...,,...,kld=dddd。輸入層到隱層之間的權(quán)值矩陣用V表示，()T12,,...,,...,jmV=VVVV，其中列向量jV為隱層第j個(gè)神經(jīng)元對應(yīng)的權(quán)向量；隱層到輸出層之間的權(quán)值矩陣用W表示，()T12,,...,,...,kiW=WWWW，其中列向量kW為輸出層第k個(gè)神經(jīng)元對應(yīng)的權(quán)向量[3]。下面分析各層信號之間的數(shù)學(xué)關(guān)系。對于輸出層，有：(net)kko=fk=1,2,...,l（1）0netmkjkjjwy==∑k=1,2,...,l（2）對于隱層，有：(net)jjy=fj=1,2,...,m（3）0netnjijiivx==∑j=1,2,...,m（4）以上兩式中，轉(zhuǎn)移函數(shù)f(x)均為單極性Sigmoid函數(shù)：1()1xfxe−=+（5）f(x)具有連續(xù)、可導(dǎo)的特點(diǎn)，且有：f′(x)=f(x)[1−f(x)]（6）根據(jù)應(yīng)用需要，也可以采用雙極性Sigmoid函數(shù)（或稱雙曲線正切函數(shù)）：1()1xxefxe−−−=+（7）式（1）～式（7）共同構(gòu)成了三層感知器的數(shù)學(xué)模型。

（二）網(wǎng)絡(luò)訓(xùn)練與檢驗(yàn)

網(wǎng)絡(luò)設(shè)計(jì)完成后，要應(yīng)用訓(xùn)練樣本進(jìn)行訓(xùn)練。訓(xùn)練時(shí)對所有樣本正向運(yùn)行一輪并反向修改權(quán)值一次稱為一次訓(xùn)練。在訓(xùn)練過程中要反復(fù)使用樣本集數(shù)據(jù)，但每一輪最好不要按固定的順序取數(shù)據(jù)，通常訓(xùn)練一個(gè)網(wǎng)絡(luò)需要很多次。網(wǎng)絡(luò)的性能好壞主要看其是否具有很好的泛化能力，而對泛化能力的測試不能用訓(xùn)練集的數(shù)據(jù)進(jìn)行，要用訓(xùn)練集以外的測試數(shù)據(jù)來進(jìn)行檢驗(yàn)[4]。一般的做法是，將收集到的可用樣本隨機(jī)地分為兩部分，一部分作為訓(xùn)練樣本，另一部分作為檢驗(yàn)樣本。

二、基于BP神經(jīng)網(wǎng)絡(luò)的民生銀行信用風(fēng)險(xiǎn)評價(jià)研究

（一）建立保險(xiǎn)公司投資風(fēng)險(xiǎn)評價(jià)指標(biāo)體系

貸款信用評級財(cái)務(wù)指標(biāo)包括貸款企業(yè)經(jīng)營管理能力、貸款企業(yè)債務(wù)償還能力和貸款企業(yè)持續(xù)發(fā)展能力。貸款企業(yè)經(jīng)營管理能力包括五個(gè)指標(biāo)，分別是資產(chǎn)報(bào)酬率、流動(dòng)資產(chǎn)周轉(zhuǎn)率、應(yīng)收賬款周轉(zhuǎn)率、主營收入現(xiàn)金含量、成本費(fèi)用利潤率；貸款企業(yè)債務(wù)償還能力包括五個(gè)指標(biāo)，分別是流動(dòng)比率、利息保障倍數(shù)、資產(chǎn)負(fù)債率、現(xiàn)金流與流動(dòng)負(fù)債比、凈資產(chǎn)與貸款余額比；貸款企業(yè)持續(xù)發(fā)展能力包括三個(gè)指標(biāo)，分別是凈資產(chǎn)增長率、主營利潤增長率、工資福利增長率。貸款信用評級非財(cái)務(wù)指標(biāo)包括五個(gè)指標(biāo)，分別財(cái)務(wù)報(bào)表質(zhì)量評價(jià)、企業(yè)員工能力、企業(yè)經(jīng)營者履歷、企業(yè)經(jīng)營者信譽(yù)、行業(yè)現(xiàn)狀及前景。

（二）BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練

選取20個(gè)企業(yè)的信用評級信息作為BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練樣本。根據(jù)民生銀行信貸信用評級指標(biāo)體系，訓(xùn)練樣本的輸入向量X由18個(gè)指標(biāo)組成，分別是資產(chǎn)報(bào)酬率1x、流動(dòng)資產(chǎn)周轉(zhuǎn)率2x、應(yīng)收賬款周轉(zhuǎn)率3x、主營收入現(xiàn)金含量4x、成本費(fèi)用利潤率5x、流動(dòng)比率6x、利息保障倍數(shù)7x、資產(chǎn)負(fù)債率8x、現(xiàn)金流與流動(dòng)負(fù)債比9x、凈資產(chǎn)與貸款余額比10x、凈資產(chǎn)增長率11x、主營利潤增長率12x、工資福利增長率13x、財(cái)務(wù)報(bào)表質(zhì)量評價(jià)14x、企業(yè)員工能力15x、企業(yè)經(jīng)營者履歷16x、企業(yè)經(jīng)營者信譽(yù)17x、行業(yè)現(xiàn)狀及前景18x。訓(xùn)練樣本的輸入向量T121718X=(x,x,,x,x)。訓(xùn)練樣本的輸出向量為Y，代表企業(yè)的信用得分。輸入BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練樣本如表1所示。建立的BP神經(jīng)網(wǎng)絡(luò)模型為三層網(wǎng)絡(luò)，拓?fù)浣Y(jié)構(gòu)為18-5-1。將20個(gè)訓(xùn)練樣本輸入BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，讓BP神經(jīng)網(wǎng)絡(luò)根據(jù)信貸企業(yè)信用得分的輸出值與真實(shí)值之間的誤差不斷調(diào)節(jié)各個(gè)神經(jīng)元之間的權(quán)值與閥值[5]。采用MATLAB7.0神經(jīng)網(wǎng)絡(luò)工具箱進(jìn)行運(yùn)算，當(dāng)誤差平方和小于10-5時(shí)，訓(xùn)練終止。訓(xùn)練樣本中各個(gè)信貸企業(yè)的真實(shí)信用得分和BP神經(jīng)網(wǎng)絡(luò)模型輸出值。

（三）BP神經(jīng)網(wǎng)絡(luò)模型檢驗(yàn)

由表1可以看出BP神經(jīng)網(wǎng)絡(luò)模型輸出值與信貸企業(yè)真實(shí)信用得分的誤差很小，下面對本文設(shè)計(jì)的BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行檢驗(yàn)。BP神經(jīng)網(wǎng)絡(luò)模型采用10個(gè)企業(yè)的信用評級信息作為檢驗(yàn)樣本。對本文建立的BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行檢驗(yàn)，將10個(gè)企業(yè)的信用評級信息作為檢驗(yàn)樣本輸入完成訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)模型，完成訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)模型將根據(jù)10個(gè)企業(yè)的信用評級信息計(jì)算出企業(yè)信用得分的預(yù)測值。檢驗(yàn)樣本中各個(gè)信貸企業(yè)的真實(shí)信用得分和BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測值如表2所示。根據(jù)表2的數(shù)據(jù)，得到信貸企業(yè)的真實(shí)信用得分和BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測值之間誤差曲線。檢驗(yàn)樣本中信貸企業(yè)的真實(shí)信用得分和BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測值的擬合度較高，部分樣本真實(shí)值與預(yù)測值基本重合。檢驗(yàn)樣本中信貸企業(yè)的真實(shí)信用得分和BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測值誤差值整體較小，最大誤差11.7%，最小誤差0.27%。假設(shè)以絕對誤差小于5%為容忍度，那么本文建立的BP神經(jīng)網(wǎng)絡(luò)模型的準(zhǔn)確率為70%。假設(shè)以絕對誤差小于10%為容忍度，那么本文建立的BP神經(jīng)網(wǎng)絡(luò)模型的準(zhǔn)確率為90%。

三、結(jié)論

1、檢驗(yàn)樣本中信貸企業(yè)的真實(shí)信用得分和BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測值的擬合度較高，樣本21、26、28的真實(shí)值與預(yù)測值基本重合，樣本24、25的真實(shí)值與預(yù)測值偏差較大。

2、檢驗(yàn)樣本中信貸企業(yè)的真實(shí)信用得分和BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測值誤差值整體較小，最大誤差11.7%，最小誤差0.27%。

3、假設(shè)以絕對誤差小于5%為容忍度，那么本文建立的BP神經(jīng)網(wǎng)絡(luò)模型的準(zhǔn)確率為70%。假設(shè)以絕對誤差小于10%為容忍度，那么本文建立的BP神經(jīng)網(wǎng)絡(luò)模型的準(zhǔn)確率為90%。計(jì)算結(jié)果表明本文建立的BP神經(jīng)網(wǎng)絡(luò)模型準(zhǔn)確率較高，可以為商業(yè)銀行信貸過程中的信用風(fēng)險(xiǎn)進(jìn)行預(yù)測評價(jià)，從而使商業(yè)銀行規(guī)避信貸過程中的信用風(fēng)險(xiǎn)，起到風(fēng)險(xiǎn)預(yù)警功能。

參考文獻(xiàn)：

[1]許美玲,齊曉娜,李倩等.基于BP神經(jīng)網(wǎng)絡(luò)的村鎮(zhèn)銀行信用風(fēng)險(xiǎn)預(yù)警模型的構(gòu)建[J].河南科技,2014(22).

[2]黃夢宇.基于BP神經(jīng)網(wǎng)絡(luò)的手機(jī)銀行風(fēng)險(xiǎn)預(yù)警模型研究[J].時(shí)代金融(下旬),2014(4).

[3]遲國泰,陳國斌,遲楓等.基于神經(jīng)網(wǎng)絡(luò)的中國商業(yè)銀行效率綜合評價(jià)[J].哈爾濱工業(yè)大學(xué)學(xué)報(bào),2006,38(4).

[4]于彤,李海東.基于BP神經(jīng)網(wǎng)絡(luò)的客戶信用風(fēng)險(xiǎn)評價(jià)[J].現(xiàn)代電子技術(shù),2014(10).

篇9

【關(guān)鍵詞】攔渣壩； BP神經(jīng)網(wǎng)絡(luò)；小波神經(jīng)網(wǎng)絡(luò)

0 前言

為了確保各種大型工程在施工和生產(chǎn)運(yùn)行中會(huì)產(chǎn)生大量的棄土、棄石等廢棄固體物質(zhì)的安全放置，必須建立合適的攔渣壩。但是，隨著攔渣壩運(yùn)行時(shí)間的推移，攔渣壩運(yùn)行的各種條件（如結(jié)構(gòu)、基礎(chǔ)、環(huán)境等）逐漸發(fā)生變化，使得壩體材料老化變質(zhì)、壩體結(jié)構(gòu)性能衰減甚至惡化等影響其安全運(yùn)行，這樣有可能嚴(yán)重的威脅著周邊人民的生命和財(cái)產(chǎn)安全，這在在國內(nèi)外均有著深刻教訓(xùn)。因此，必須對攔渣壩進(jìn)行安全監(jiān)測，建立正確有效的變形預(yù)測模型，科學(xué)地分析和預(yù)測攔渣壩的變形，及時(shí)發(fā)現(xiàn)存在的安全隱患，制定合理的防治措施，以確保攔渣壩的安全運(yùn)行。

由于各種條件和環(huán)境的復(fù)雜性，使得攔渣壩變形的影響因素存在多樣性，利用單一的理論方法來對工程變形進(jìn)行預(yù)測，其變形的大小是難以準(zhǔn)確預(yù)測的。將多種理論和方法進(jìn)行有機(jī)結(jié)合，建立一種方法預(yù)測工程變形的大小是一種有效的途徑。本文基于這樣的思想，將小波分析與神經(jīng)網(wǎng)絡(luò)有機(jī)結(jié)合的小波神經(jīng)網(wǎng)絡(luò)應(yīng)用于攔渣壩工程實(shí)例，對其變形分析研究。

1 小波神經(jīng)網(wǎng)絡(luò)

小波神經(jīng)網(wǎng)絡(luò)是將小波分析與人工神經(jīng)網(wǎng)絡(luò)有機(jī)結(jié)合的產(chǎn)物。其基本思想是用小波元代替神經(jīng)元，用已定位的小波函數(shù)代替Sigmoid函數(shù)作為激活函數(shù)，然后通過仿射變換建立起小波變換與神經(jīng)網(wǎng)絡(luò)系數(shù)之間的連接，形成的新模型具有較強(qiáng)的網(wǎng)絡(luò)逼近能力和容錯(cuò)能力。

目前，將小波分析與人工神經(jīng)網(wǎng)絡(luò)的結(jié)合主要有下面兩種方式：松散性結(jié)合，即將小波分析與人工神經(jīng)網(wǎng)絡(luò)進(jìn)行輔助式結(jié)合；緊致性結(jié)合，即將小波和神經(jīng)網(wǎng)絡(luò)直接融合的一種方式， 它主要是把小波元代替神經(jīng)元，將相應(yīng)的輸入層到隱層的權(quán)值及隱層閾值分別由小波函數(shù)的尺度與平移參數(shù)所代替。其中緊致性結(jié)合方式也是當(dāng)前研究小波神經(jīng)網(wǎng)絡(luò)模型最主要的結(jié)構(gòu)形式。

小波神經(jīng)網(wǎng)絡(luò)是在小波分析的基礎(chǔ)上提出的前饋型神經(jīng)網(wǎng)絡(luò)。小波神經(jīng)網(wǎng)絡(luò)激活函數(shù)是具有良好時(shí)頻局域化性質(zhì)的小波基函數(shù)。設(shè)小波神經(jīng)網(wǎng)絡(luò)有m（m=1，2，…，m）個(gè)輸入節(jié)點(diǎn)、N（N=1，2，…，N）個(gè)輸出層、n（n=1，2，…，n）個(gè)隱含層節(jié)點(diǎn)。并設(shè)xk為輸入層的第k個(gè)輸入樣本，yi為輸入層的第i個(gè)輸出值，wij為連接輸出層節(jié)點(diǎn)i和隱含層節(jié)點(diǎn)j的權(quán)值，wjk為連接隱含層節(jié)點(diǎn)j和輸入層節(jié)點(diǎn)k的權(quán)值。約定wi0是第j個(gè)輸出層節(jié)點(diǎn)閾值，wj0是第j個(gè)隱含層節(jié)點(diǎn)閾值，aj和bj分別為第j個(gè)隱含層節(jié)點(diǎn)的伸縮和平移因子，則小波神經(jīng)網(wǎng)絡(luò)模型可以表示為：

2 工程實(shí)例應(yīng)用

國家某重點(diǎn)高速公路第B4合同段內(nèi)某攔渣壩，其壩體為混凝土重力壩，長約122米，高約30米，攔渣壩上面（上游）是巨大的高速路高填方路基，這在國內(nèi)是比較罕見的，而下游是梅西河。本攔渣壩主要是為了防止高速路隧道挖方土回填的高填方路基滑動(dòng)和垮塌發(fā)生危險(xiǎn)，從而對高速路的運(yùn)行和梅溪河的通航造成不必要的影響。通過對攔渣壩體上S5號點(diǎn)上的沉降監(jiān)測數(shù)據(jù)分析，建立變形預(yù)測的小波神經(jīng)網(wǎng)絡(luò)模型。將從2008年9月28日到2009年11月5日共11期數(shù)據(jù)作為學(xué)習(xí)樣本對攔渣壩小波神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和學(xué)習(xí)。對S5號從2010年2月1日到2010年12月29日共5期數(shù)據(jù)進(jìn)行預(yù)測。

通過對混凝土壩的研究和本攔渣壩功能作用的分析，可知影響本攔渣壩沉降變化的因素主要有：溫度、土壓力、時(shí)效。其中取4個(gè)溫度因子，分別為C、C5、C15、C30（Ci為自觀測日起前i天的平均氣溫）；土壓力因子1個(gè)（為S5號點(diǎn)附近土壓力盒的每期平均計(jì)算壓力）；時(shí)效因子2個(gè)，分別為T、InT（T為觀測日到起算日的累計(jì)天數(shù)除以100）。故輸入層節(jié)點(diǎn)數(shù)為7個(gè)。而輸出層節(jié)點(diǎn)數(shù)為1個(gè)，即為觀測點(diǎn)S5每次垂直方向的累計(jì)沉降量。先用經(jīng)驗(yàn)公式確定一個(gè)初始節(jié)點(diǎn)數(shù)，然后進(jìn)行試驗(yàn)訓(xùn)練，當(dāng)隱含層節(jié)點(diǎn)數(shù)為13時(shí)網(wǎng)絡(luò)訓(xùn)練最為合適，所以采用7-13-1的結(jié)構(gòu)形式的小波神經(jīng)網(wǎng)絡(luò)模型。通過對不同小波函數(shù)的試驗(yàn)訓(xùn)練，多次計(jì)算表明，當(dāng)選用Morlet小波函數(shù)時(shí)網(wǎng)絡(luò)的總體性能較好。利用Matlab7.1語言編制相應(yīng)的網(wǎng)絡(luò)模型程序進(jìn)行計(jì)算。

為了充分的分析小波神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效果，本文中也采用相同結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)對攔渣壩監(jiān)測數(shù)據(jù)進(jìn)行訓(xùn)練、預(yù)測。在本實(shí)例中，設(shè)兩種模型的收斂誤差都取0.0001。訓(xùn)練結(jié)果表明，兩種模型的收斂速度都比較快，BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練了25次就低于誤差限差；而小波神經(jīng)網(wǎng)絡(luò)只訓(xùn)練了5次就低于誤差限差0.0001，總體上小波神經(jīng)網(wǎng)絡(luò)比BP網(wǎng)絡(luò)精度高。小波神經(jīng)網(wǎng)絡(luò)訓(xùn)練與BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練擬合殘差系統(tǒng)比較結(jié)果如表1。

從預(yù)測結(jié)果對比分析表可以看出，小波神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)對攔渣壩變形預(yù)測的預(yù)測殘差絕對值在一個(gè)數(shù)量級上，但是WNN網(wǎng)絡(luò)的預(yù)測殘差值總體上明顯小于BP神經(jīng)網(wǎng)絡(luò)。小波神經(jīng)網(wǎng)絡(luò)的預(yù)測值與BP神經(jīng)網(wǎng)絡(luò)的預(yù)測值相比較更加接近于實(shí)際值，WNN預(yù)測結(jié)果好于BP神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果，其預(yù)測優(yōu)越性是顯而易見的。

3 小結(jié)

本文通過對小波神經(jīng)網(wǎng)絡(luò)模型的研究，建立了攔渣壩變形預(yù)測的小波神經(jīng)網(wǎng)絡(luò)模型。通過對WNN網(wǎng)絡(luò)模型和BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練擬合結(jié)果與預(yù)測結(jié)果的對比分析，可以看出小波神經(jīng)網(wǎng)絡(luò)模型在攔渣壩變形預(yù)測中的收斂性和精度比BP神經(jīng)網(wǎng)絡(luò)好，對攔渣壩的變形預(yù)測研究有一定的參考應(yīng)用價(jià)值。

【參考文獻(xiàn)】

篇10

【關(guān)鍵詞】小波神經(jīng)網(wǎng)絡(luò);建筑承發(fā)包價(jià)格;預(yù)測

0.引言

建筑市場的健康發(fā)展對于拉動(dòng)經(jīng)濟(jì)增長，調(diào)整產(chǎn)業(yè)結(jié)構(gòu)，改善人民生活水平起著重要的作用。建筑市場又是一個(gè)復(fù)雜的系統(tǒng)，因?yàn)榻ㄖ袌鲈O(shè)計(jì)到建筑材料市場、金融市場、勞動(dòng)力市場等各方面的發(fā)展，所以對于建筑市場進(jìn)行研究是必要的。建筑工程承發(fā)包模式在我國建筑市場中扮演的角色越來越重要，其中，建筑工程承發(fā)包價(jià)格管理尤為重要，直接關(guān)系到國家建設(shè)資金的合理利用，關(guān)系到維護(hù)建筑市場的秩序以及承發(fā)包雙方的合法權(quán)益，是國家有關(guān)部門和建筑各方都非常關(guān)心的問題。目前,可用于承發(fā)包價(jià)格預(yù)測的方法很多,比如回歸分析法、因果分析法、灰色系統(tǒng)以及BP神經(jīng)網(wǎng)絡(luò)等各種預(yù)測方法。但是，由于建筑承發(fā)包價(jià)格具有非線性趨勢，因此，就必須利用模擬非線性的模型，前面幾種方法在這方面都存在不足。本文依據(jù)小波的時(shí)頻域特征，將小波分析理論與神經(jīng)網(wǎng)絡(luò)預(yù)測模型結(jié)合在一起，提出了一種新的預(yù)測模型―小波神經(jīng)網(wǎng)絡(luò)模型，并將其應(yīng)用于房地產(chǎn)價(jià)格指數(shù)的預(yù)測，解決了預(yù)測非線性時(shí)間序列的不足[1]。

1.小波神經(jīng)網(wǎng)絡(luò)模型

小波神經(jīng)網(wǎng)絡(luò)(Wavelet Neural Networks，縮寫WNN)， 是近幾年國際上新興的一種數(shù)學(xué)建模分析方法，是結(jié)合最近發(fā)展的小波變換良好的時(shí)頻局域化性質(zhì)與傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)功能力而形成的。最早是由法國著名的信息科學(xué)研究機(jī)構(gòu)IR ISA 的Q inghua Zhang 等[2]于1992 年提出的, Y C Pat i 等[5]對離散仿射小波神經(jīng)網(wǎng)絡(luò)進(jìn)行了研究.小波神經(jīng)網(wǎng)絡(luò)是通過小波分解進(jìn)行平移和伸縮變化后而得到的級數(shù)，具有小波分解的一般逼近函數(shù)的性質(zhì)與分類特征。并且由于它引入了兩個(gè)新的參變量，即伸縮因子和平移因子，所以小波神經(jīng)網(wǎng)絡(luò)具有比小波分解更多自由度，從而使其具有更靈活有效的函數(shù)逼近能力，更強(qiáng)的模式識別能力和容錯(cuò)能力。由于其建模算法不同于普通神經(jīng)網(wǎng)絡(luò)的BP算法，故可有效地克服普通人工神經(jīng)網(wǎng)絡(luò)模型所固有的缺陷[3]。

小波神經(jīng)網(wǎng)絡(luò)是基于小波分析而構(gòu)成的一類新型前饋網(wǎng)絡(luò)，也可以看作是以小波函數(shù)為基底的一種新型函數(shù)連接神經(jīng)網(wǎng)絡(luò)，其信號的表達(dá)式通過將所選取得小波基疊加來實(shí)現(xiàn)的等[4]。在信號分類中，子波空間可作為模式識別的特征空間，通過將小波基與信號向量的內(nèi)積進(jìn)行加權(quán)和來實(shí)現(xiàn)信號的特征提取，然后將這些特征輸入到分類器中，它結(jié)合了小波變換良好的時(shí)頻局域化性質(zhì)及神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)功能，因而具有良好的逼近與容錯(cuò)能力[5]。

小波神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的具體算法如下：

3.基于小波神經(jīng)網(wǎng)絡(luò)的建筑承發(fā)包價(jià)格預(yù)測

3.1數(shù)據(jù)的選取與預(yù)處理

以紹興市市磚混結(jié)構(gòu)住宅為例,對建筑工程承發(fā)包價(jià)格進(jìn)行預(yù)測研究。根據(jù)紹興市統(tǒng)計(jì)年鑒,2005 年～2009 年浙江建設(shè)工程材料信息價(jià)以及調(diào)研得到影響建設(shè)工程承發(fā)包價(jià)格因素的相關(guān)數(shù)據(jù)，為了更方便的進(jìn)行預(yù)測，首先要進(jìn)行歸一化處理，采用公式：

表1 經(jīng)過歸一化處理后的建筑承發(fā)包價(jià)格

Table1 Normalized real estate price index

3.2小波神經(jīng)網(wǎng)絡(luò)預(yù)測模型預(yù)測結(jié)果

在設(shè)計(jì)網(wǎng)絡(luò)時(shí)采用三層網(wǎng)絡(luò)模型，這樣比采用四層網(wǎng)絡(luò)不易陷入局部極小值。采用此結(jié)構(gòu)對上面歸一化的中房指數(shù)數(shù)據(jù)進(jìn)行預(yù)測。并將整個(gè)過程運(yùn)用Matlab進(jìn)行編程實(shí)現(xiàn)將數(shù)據(jù)分為兩組，前一組用于訓(xùn)練網(wǎng)絡(luò)，后一組用作檢驗(yàn)。用小波神經(jīng)網(wǎng)絡(luò)預(yù)測模型進(jìn)行預(yù)測，結(jié)果如表2所示。

表2 小波神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果

Table 2 Forecast result of WNN

4.小結(jié)

小波神經(jīng)網(wǎng)絡(luò)是結(jié)合最近發(fā)展的小波變換良好的時(shí)頻局域化性質(zhì)與傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)功能而形成的，具有深厚的數(shù)學(xué)基底，被廣泛應(yīng)用于各個(gè)領(lǐng)域。本位在介紹小波神經(jīng)網(wǎng)絡(luò)的同時(shí)，建立起了一種小波神經(jīng)網(wǎng)絡(luò)預(yù)測模型，并將其應(yīng)用于建筑承發(fā)包價(jià)格的預(yù)測當(dāng)中。

【參考文獻(xiàn)】

［1］諸靜.智能預(yù)測控制及其應(yīng)用[M].杭州:浙江大學(xué)出版社,2000.

［2］劉明才.小波分析及其應(yīng)用[M].北京:清華大學(xué)出版社,2005.

［3］王洪元等.人工神經(jīng)網(wǎng)絡(luò)技術(shù)及其應(yīng)用[M].北京:中國石化出版社,2002.