前言：想要寫出一篇令人眼前一亮的文章嗎？我們特意為您整理了5篇神經(jīng)網(wǎng)絡(luò)方向范文，相信會(huì)為您的寫作帶來(lái)幫助，發(fā)現(xiàn)更多的寫作思路和靈感。

神經(jīng)網(wǎng)絡(luò)方向范文第1篇

【關(guān)鍵詞】 圖像識(shí)別技術(shù) 神經(jīng)網(wǎng)絡(luò)識(shí)別

模式識(shí)別研究的目的是用機(jī)器來(lái)模擬人的各種識(shí)別能力―比如說(shuō)模擬人的視覺與聽覺能力，因此圖像識(shí)別的目的是對(duì)文字、圖像、圖片、景物等模式信息加以處理和識(shí)別，以解決計(jì)算機(jī)與外部環(huán)境直接通信這一問題?？梢哉f(shuō)，圖像識(shí)別的研究目標(biāo)是為機(jī)器配置視覺“器官”，讓機(jī)器具有視覺能力，以便直接接受外界的各種視覺信息。

一、圖像識(shí)別系統(tǒng)

一個(gè)圖像識(shí)別系統(tǒng)可分為四個(gè)主要部分：被識(shí)圖像、圖像信息獲取、圖像預(yù)處理、圖像特征提取、分類判決。

二、圖像識(shí)別方法

圖像識(shí)別的方法很多，可概括為統(tǒng)計(jì)（或決策理論）模式識(shí)別方法、句法（或結(jié)構(gòu)）模式識(shí)別方法、模糊模式識(shí)別方法以及神經(jīng)網(wǎng)絡(luò)識(shí)別方法。重點(diǎn)介紹神經(jīng)網(wǎng)絡(luò)識(shí)別方法。

2.1神經(jīng)網(wǎng)絡(luò)識(shí)別方法

2.1.1人工神經(jīng)網(wǎng)絡(luò)的組成

人工神經(jīng)網(wǎng)絡(luò)（簡(jiǎn)稱ANN）是由大量處理單元經(jīng)廣泛互連而組成的人工網(wǎng)絡(luò)，用來(lái)模擬腦神經(jīng)系統(tǒng)的結(jié)構(gòu)和功能。而這些處理單元我們把它稱作人工神經(jīng)元。

2.1.2人工神經(jīng)網(wǎng)絡(luò)的輸出

2.1.3人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

人工神經(jīng)網(wǎng)絡(luò)中，各神經(jīng)元的不同連接方式就構(gòu)成了網(wǎng)絡(luò)的不同連接模型。常見的連接模型有：前向網(wǎng)絡(luò)、從輸入層到輸出層有反饋的網(wǎng)絡(luò)、層內(nèi)有互聯(lián)的網(wǎng)絡(luò)及互聯(lián)網(wǎng)絡(luò)。

2.1.4 學(xué)習(xí)算法

1）感知器模型及其算法

算法思想：首先把連接權(quán)和閾值初始化為較小的非零隨機(jī)數(shù)，然后把有n個(gè)連接權(quán)值的輸入送入網(wǎng)絡(luò)中，經(jīng)加權(quán)運(yùn)算處理后，得到一個(gè)輸出，如果輸出與所期望的有較大的差別，就對(duì)連接權(quán)值參數(shù)按照某種算法進(jìn)行自動(dòng)調(diào)整，經(jīng)過多次反復(fù)，直到所得到的輸出與所期望的輸出間的差別滿足要求為止。

2）反向傳播模型及其算法

反向傳播模型也稱B-P模型，是一種用于前向多層的反向傳播學(xué)習(xí)算法。

算法思想是：B-P算法的學(xué)習(xí)目的是對(duì)網(wǎng)絡(luò)的連接權(quán)值進(jìn)行調(diào)整，使得調(diào)整后的網(wǎng)絡(luò)對(duì)任一輸入都能得到所期望的輸出。學(xué)習(xí)過程包括正向傳播和反向傳播。正向傳播用于對(duì)前向網(wǎng)絡(luò)進(jìn)行計(jì)算，即對(duì)某一輸入信息，經(jīng)過網(wǎng)絡(luò)計(jì)算后求出它的輸出結(jié)果；反向傳播用于逐層傳遞誤差，修改神經(jīng)元之間的連接權(quán)值，使網(wǎng)絡(luò)最終得到的輸出能夠達(dá)到期望的誤差要求。

B-P算法的學(xué)習(xí)過程如下：

第一步：選擇一組訓(xùn)練樣例，每一個(gè)樣例由輸入信息和期望的輸出結(jié)果兩部分組成；第二步：從訓(xùn)練樣例集中取出一樣例，把輸入信息輸入到網(wǎng)絡(luò)中；第三步：分別計(jì)算經(jīng)神經(jīng)元處理后的各層節(jié)點(diǎn)的輸出；第四步：計(jì)算網(wǎng)絡(luò)的實(shí)際輸出和期望輸出的誤差；第五步：從輸出層反向計(jì)算到第一個(gè)隱層，并按照某種原則（能使誤差向減小方向發(fā)展），調(diào)整網(wǎng)絡(luò)中各神經(jīng)元的權(quán)值；第六步：對(duì)訓(xùn)練樣例集中的每一個(gè)樣例重復(fù)一到五的步驟，直到誤差達(dá)到要求時(shí)為止。

3）Hopfield模型及其學(xué)習(xí)算法

它是一種反饋型的神經(jīng)網(wǎng)絡(luò)，在反饋網(wǎng)絡(luò)中，網(wǎng)絡(luò)的輸出要反復(fù)地作為輸入再送入網(wǎng)絡(luò)中，使得網(wǎng)絡(luò)具有了動(dòng)態(tài)性，因此網(wǎng)絡(luò)的狀態(tài)在不斷的改變之中。

算法思想是：

（a） 設(shè)置互連權(quán)值

其中xis是s類樣例的第i個(gè)分量，它可以為1或0，樣例類別數(shù)為m，節(jié)點(diǎn)數(shù)為n。

（b） 未知類別樣本初始化。 Yi（0）=Xi 0≤i≤n-1

其中Yi（t）為節(jié)點(diǎn)I在t時(shí)刻的輸出，當(dāng)t=0時(shí)，Yi（0）就是節(jié)點(diǎn)I的初始值，Xi為輸入樣本的第I個(gè)分量。

（c） 迭代直到收斂

神經(jīng)網(wǎng)絡(luò)方向范文第2篇

Abstract： From the perspective of developer， and on the basis of analyzing the risk factors of real estate project prophase， this paper builds a index system and establishes the risk assessment model based on BPNN， then selects several sets of samples as the training set and trains the model in the MATLAB7.0， finally verifies the feasibility of the model in the risk evaluation of real estate project prophase by using the test set.

關(guān)鍵詞： 房地產(chǎn)項(xiàng)目前期；BP神經(jīng)網(wǎng)絡(luò)；風(fēng)險(xiǎn)評(píng)價(jià)

Key words： real estate project prophase；BP neural network；risk assessment

中圖分類號(hào)：F293.3 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1006-4311（2014）03-0159-02

0 引言

房地產(chǎn)業(yè)作為國(guó)民經(jīng)濟(jì)的重要組成部分，具有建設(shè)周期長(zhǎng)、投資金額大、影響因素多、涉及范圍廣的特點(diǎn)。房地產(chǎn)風(fēng)險(xiǎn)是客觀存在的，它貫穿于房地產(chǎn)開發(fā)的整個(gè)過程，其中前期階段未知因素最多，對(duì)整個(gè)投資過程的影響程度高達(dá)90%以上。而開發(fā)商作為房地產(chǎn)投資的主體，面臨的不確定性、風(fēng)險(xiǎn)性最大。隨著項(xiàng)目的進(jìn)行，開發(fā)商對(duì)可能發(fā)生的結(jié)果掌控愈多，則風(fēng)險(xiǎn)發(fā)生的概率越小。因此，對(duì)于房地產(chǎn)項(xiàng)目前期風(fēng)險(xiǎn)管理的研究很大程度上決定了該項(xiàng)目的成敗。

1 房地產(chǎn)項(xiàng)目前期風(fēng)險(xiǎn)及評(píng)價(jià)指標(biāo)體系

房地產(chǎn)項(xiàng)目前期風(fēng)險(xiǎn)復(fù)雜多變，開發(fā)商倘若對(duì)此決策不慎，將對(duì)整個(gè)地產(chǎn)項(xiàng)目的開發(fā)造成不可估量的后果。本文在借鑒前人研究成果的基礎(chǔ)上將房地產(chǎn)前期風(fēng)險(xiǎn)按風(fēng)險(xiǎn)來(lái)源劃分為政策、技術(shù)、財(cái)務(wù)、社會(huì)、自然、管理六個(gè)方面，并建立指標(biāo)體系，如表1。

2 BP神經(jīng)網(wǎng)絡(luò)

2.1 BP神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介 BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)是一種信息按正向傳遞和誤差沿反向傳播的多層前向網(wǎng)絡(luò)學(xué)習(xí)過程，一般由輸入層、隱含層（一層或多層）和輸出層構(gòu)成。與以往的風(fēng)險(xiǎn)預(yù)測(cè)方法相比BP神經(jīng)網(wǎng)絡(luò)具有很大的優(yōu)勢(shì)，它有效削弱了評(píng)價(jià)人員主觀因素的影響，對(duì)數(shù)據(jù)的關(guān)聯(lián)性要求不高，而且具有強(qiáng)大的非線性映射能力、容錯(cuò)能力等優(yōu)點(diǎn)。

2.2 BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程 ①初始化，給各連接權(quán)及閥值賦予[0，1]內(nèi)的隨機(jī)數(shù)，分別設(shè)定誤差函數(shù)e、計(jì)算精度值和最大學(xué)習(xí)次數(shù)M；②隨機(jī)選取k個(gè)輸入樣本及對(duì)應(yīng)期望輸出計(jì)算隱含層、輸出層各單元輸出；③計(jì)算輸出層單元的誤差；④若誤差滿足要求，訓(xùn)練結(jié)束。不滿足要求，則反向修正返回第2步反復(fù)訓(xùn)練直到輸出誤差達(dá)到要求為止結(jié)束訓(xùn)練。

3 基于BP神經(jīng)網(wǎng)絡(luò)的房地產(chǎn)項(xiàng)目前期風(fēng)險(xiǎn)評(píng)價(jià)模型

本文采用由輸入層、隱含層、輸出層組成的三層網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)模型，具體步驟如下：

3.1 輸入層 輸入層是外界信號(hào)與BP神經(jīng)網(wǎng)絡(luò)銜接的紐帶。其節(jié)點(diǎn)數(shù)取決于數(shù)據(jù)源的維數(shù)和輸入特征向量的維數(shù)。由表2可知指標(biāo)層有16個(gè)風(fēng)險(xiǎn)因子，即輸入層有16個(gè)神經(jīng)元。首先選取10家有代表性的房地產(chǎn)企業(yè)利用問卷調(diào)查法和專家打分法，按風(fēng)險(xiǎn)評(píng)定等級(jí){較低風(fēng)險(xiǎn)、低風(fēng)險(xiǎn)、一般風(fēng)險(xiǎn)、較高風(fēng)險(xiǎn)、高風(fēng)險(xiǎn)}，然后對(duì)各風(fēng)險(xiǎn)指標(biāo)Uij進(jìn)行打分。為了減小權(quán)值的調(diào)整幅度，加快網(wǎng)絡(luò)的收斂性，訓(xùn)練開始前對(duì)收集的數(shù)據(jù)進(jìn)行歸一化處理，使輸入向量和輸出向量的取值到[0，1]范圍內(nèi)。樣本數(shù)據(jù)見表2。

3.2 隱含層 隱含層層數(shù)不宜過多，否則會(huì)降低訓(xùn)練速度增大局部最小誤差，一般取一層即可。隱含層單元數(shù)參考公式：n1=■+a，其中n1為隱含層單元數(shù)，n為輸入單元數(shù)，m為輸出單元數(shù)，a為[1，10]之間的常數(shù)。經(jīng)計(jì)算隱含層單元數(shù)為10。

3.3 輸出層 輸出層節(jié)點(diǎn)數(shù)取決于輸出數(shù)據(jù)類型和表示該類型所需的數(shù)據(jù)大小。本文輸出結(jié)果是一個(gè)數(shù)值，即節(jié)點(diǎn)數(shù)為1。評(píng)價(jià)結(jié)果取值在[0，1]范圍內(nèi)，其中[0，0.2]、[0.2，0.4]、[0.4，0.6]、[0.6，0.8]、[0.8，1]分別代表低風(fēng)險(xiǎn)、較低風(fēng)險(xiǎn)、一般風(fēng)險(xiǎn)、較高風(fēng)險(xiǎn)、高風(fēng)險(xiǎn)。風(fēng)險(xiǎn)值越大，表明風(fēng)險(xiǎn)等級(jí)越高。因此建立的神經(jīng)網(wǎng)絡(luò)模型為16-10-1，即輸入層16個(gè)神經(jīng)元、隱含層10個(gè)神經(jīng)元、輸出層1個(gè)神經(jīng)元。

3.4 網(wǎng)絡(luò)訓(xùn)練 ①網(wǎng)絡(luò)參數(shù)的選取。本文將表2中前9組數(shù)據(jù)作為訓(xùn)練集，最后一組作為測(cè)試集。訓(xùn)練次數(shù)、訓(xùn)練目標(biāo)、學(xué)習(xí)速率分別設(shè)定為10000次、0.00001、0.3，訓(xùn)練函數(shù)、學(xué)習(xí)函數(shù)、性能函數(shù)分別采用Traingdm、leamgdm、Mse，其它參數(shù)為缺省值。網(wǎng)絡(luò)訓(xùn)練結(jié)果，見圖1，經(jīng)過943次訓(xùn)練，總體誤差為9.94958e-006，網(wǎng)絡(luò)收斂達(dá)到預(yù)定的學(xué)習(xí)精度0.00001，訓(xùn)練結(jié)束。②模型檢驗(yàn)。將表2中最后一組數(shù)據(jù)輸入訓(xùn)練好的模型進(jìn)行檢驗(yàn)?？傻?，實(shí)際輸出為0.3142，在區(qū)間[0.2，0.4]內(nèi)，即第10家房地產(chǎn)項(xiàng)目前期的風(fēng)險(xiǎn)等級(jí)低。這與期望輸出結(jié)果0.32基本一致，較好的滿足了設(shè)計(jì)要求。

4 結(jié)束語(yǔ)

綜上所述，用MATLAB7.0編寫的基于BP神經(jīng)網(wǎng)絡(luò)模型在房地產(chǎn)前期風(fēng)險(xiǎn)預(yù)測(cè)方面準(zhǔn)確度較高，具有較強(qiáng)的實(shí)用性，豐富和發(fā)展了前期風(fēng)險(xiǎn)預(yù)測(cè)的方法，為開發(fā)商進(jìn)行前期決策提供了有力的依據(jù)。不足之處，指標(biāo)的選取有待改進(jìn)和完善。

參考文獻(xiàn)：

[1]陳小花.基于神經(jīng)網(wǎng)絡(luò)的房地產(chǎn)投資項(xiàng)目風(fēng)險(xiǎn)評(píng)價(jià)模型研究[J]現(xiàn)代經(jīng)濟(jì)信息，2011（3）：172-173.

[2]柳海龍.房地產(chǎn)開發(fā)項(xiàng)目前期階段風(fēng)險(xiǎn)測(cè)評(píng)研究[D].成都：西南石油大學(xué)，2012（6）.

[3]張墨林.房地產(chǎn)項(xiàng)目前期風(fēng)險(xiǎn)管理[D].西安：西安建筑科技大學(xué)，2004（6）.

神經(jīng)網(wǎng)絡(luò)方向范文第3篇

關(guān)鍵詞：仿生算法；神經(jīng)網(wǎng)絡(luò)；遺傳算法

中圖分類號(hào)：TP183文獻(xiàn)標(biāo)識(shí)碼：Adoi: 10.3969/j.issn.1003-6970.2011.03.017

An Improved Algorithm of Bionic Research and Analysis

Yue Tong-sen, Wang Da-hai

(XinXiang Vocational and Technical Collage, Xinxiang 453000,Henan,China)

【Abstract】In this paper the bionic algorithm of neural network and genetic algorithm were analyzed and summarized, aimed at slow speed of neural network training, recognition efficiency low, and genetic algorithm the optimum choice premature convergence problem, combined with neural network method and genetic algorithms of their respective characteristics, puts forward the improved algorithm.Without the destruction of single neurons based on input weights, adopt data pretreatment methods to reduce the number of input layers, so as to improve the ability of evolutionary learning.

【Key words】Bionic algorithm; Neural network; Genetic algorithm

0引言

人工神經(jīng)網(wǎng)絡(luò)[1]和遺傳算法[2]是仿生算法[3]的典型方法，它們的優(yōu)化問題一直是眾多研究者所倍為關(guān)注的研究熱點(diǎn)之一。在人工神經(jīng)網(wǎng)絡(luò)和遺傳算法結(jié)構(gòu)的研究中發(fā)現(xiàn)，人工神經(jīng)網(wǎng)絡(luò)具有很好的模式分類的特性，遺傳算法有很好的動(dòng)態(tài)變更權(quán)值的特性，基于此，本文提出了一種改進(jìn)的基于人工神經(jīng)網(wǎng)絡(luò)和遺傳算法的算法。本章的改進(jìn)算法，就是對(duì)人工神經(jīng)網(wǎng)絡(luò)和遺傳算法進(jìn)行了變換，增強(qiáng)了對(duì)輸入權(quán)值的變化速度，并提出用減少輸入層個(gè)數(shù)的方法是加快神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的有效方法，取得了良好的實(shí)驗(yàn)效果。

1神經(jīng)網(wǎng)絡(luò)和遺傳算法的特究點(diǎn)

1.1神經(jīng)網(wǎng)絡(luò)和遺傳算法的不同點(diǎn)

1．神經(jīng)網(wǎng)絡(luò)是多層感知機(jī)，而遺傳算法是單層感知機(jī)。神經(jīng)網(wǎng)絡(luò)是由輸入層，隱含層和輸出層夠成，但遺傳算法的基因組是一個(gè)數(shù)組，不管基因的長(zhǎng)度有多長(zhǎng)，其結(jié)構(gòu)仍然是一個(gè)單層感知機(jī)。

2． 神經(jīng)網(wǎng)絡(luò)的隱含神經(jīng)元個(gè)數(shù)是不確定的，而輸出層和輸入層的個(gè)數(shù)是可以確定的。我們希望輸入層的個(gè)數(shù)用新的方法得到降低，這樣神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度就可以提高。同時(shí)對(duì)于隱含層的層數(shù)，一般情況設(shè)為1。每層的神經(jīng)元個(gè)數(shù)也并不是越多越好，是要根據(jù)問題的情況而變動(dòng)的。但神經(jīng)網(wǎng)絡(luò)的隱含層是不確定的，而且隱含層的個(gè)數(shù)也是不確定的。對(duì)于遺傳算法，它的二進(jìn)制的長(zhǎng)度是可以確定的，但是交叉和變異的比例是變動(dòng)的。對(duì)于單點(diǎn)交叉比例，我們可以設(shè)定為黃金分割點(diǎn)。雖然設(shè)定為黃金分割點(diǎn)作為單點(diǎn)交叉比例沒有用數(shù)學(xué)方法嚴(yán)格的證明，但是，大量的實(shí)驗(yàn)表明，選擇黃金分割點(diǎn)往往可以得到較好的結(jié)果。對(duì)于變異比例，沒有交好的方法確定，只能設(shè)計(jì)交互式的實(shí)驗(yàn)來(lái)調(diào)試決定。

3．權(quán)值的更新方式不一樣。神經(jīng)網(wǎng)絡(luò)的權(quán)值的更新方式是時(shí)時(shí)的，而遺傳算法權(quán)值的更新方式是批量的。

4．兩者應(yīng)用的范圍不一樣。神經(jīng)網(wǎng)絡(luò)主要應(yīng)用于模式匹配，錯(cuò)誤診斷，監(jiān)視病人的狀態(tài)，特征提取，數(shù)據(jù)過濾。而遺傳算法主要應(yīng)用在計(jì)算機(jī)輔助設(shè)計(jì)，日程安排，經(jīng)濟(jì)學(xué)的投資研究等。

1.2神經(jīng)網(wǎng)絡(luò)和遺傳算法的相同點(diǎn)

1．有教師的學(xué)習(xí)。神經(jīng)網(wǎng)絡(luò)的輸出是有目標(biāo)的，當(dāng)然是確定的。同時(shí)對(duì)于遺傳算法的目標(biāo)也是確定的。所以兩者都是有目標(biāo)的，也就是有教師的學(xué)習(xí)。

2．隨機(jī)近似優(yōu)化過程。神經(jīng)網(wǎng)絡(luò)中，如果把網(wǎng)絡(luò)的權(quán)值初始化為接近于0的值，那么在早期的梯度下降步驟中，網(wǎng)絡(luò)將表現(xiàn)為一個(gè)非常平滑的函數(shù)，近似為輸入的線性函數(shù)，這是因?yàn)閟igmoid函數(shù)本身在權(quán)值靠近0時(shí)接近線性。同樣，遺傳算法的初始個(gè)體都是隨機(jī)產(chǎn)生的，它的交叉和變異都是一個(gè)不斷近似的過程。

3．并行化。神經(jīng)網(wǎng)絡(luò)的每個(gè)神經(jīng)元是獨(dú)立的，如果把每個(gè)神經(jīng)元分配一個(gè)處理器，那么就可以采用并行的方式。同樣，遺傳算法很自然地適合并行實(shí)現(xiàn)，有粗粒度并行方法和細(xì)粒度并行方法。有粗粒度并行方法就是把群體細(xì)分成相對(duì)獨(dú)立的個(gè)體群，稱為類屬，然后為每個(gè)類屬分配一個(gè)不同的計(jì)算節(jié)點(diǎn)，在每個(gè)節(jié)點(diǎn)進(jìn)行標(biāo)準(zhǔn)的GA搜索。細(xì)粒度并行方法就是給每個(gè)個(gè)體分配一個(gè)處理器，然后相鄰的個(gè)體間發(fā)生重組。

2算法的研究及改進(jìn)

結(jié)合人工神經(jīng)網(wǎng)絡(luò)和遺傳算法的研究的本質(zhì)，通過兩種算法結(jié)合的研究及改進(jìn)，提高算法的收斂速度，從大量的數(shù)據(jù)中模擬生物的特性來(lái)完成特定的任務(wù)和解決問題的方法和方向。由于遺傳算法是單層感知機(jī)，而神經(jīng)網(wǎng)絡(luò)是多層感知機(jī)，所以可以從多層感知機(jī)的多層性，我們想象為遺傳算法是單層感知機(jī)作為神經(jīng)網(wǎng)絡(luò)是多層感知機(jī)的輸入層。這樣，我們就可以采用遺傳算法的動(dòng)態(tài)變更權(quán)值的特性來(lái)對(duì)神經(jīng)網(wǎng)絡(luò)輸入層有效性的遺傳和變異。這種算法適合與沒有輸入，只有輸出的應(yīng)用，就像無(wú)人駕駛技術(shù)中控制行駛的速度和方向的控制一樣?；镜目蚣苋鐖D1：

圖1結(jié)合人工神經(jīng)網(wǎng)絡(luò)和遺傳算法的框圖

Fig.1 Combined with artificial neural network and genetic algorithm diagram

最上面的是智能體，神經(jīng)網(wǎng)絡(luò)的輸出來(lái)控制智能體，控制中心將神經(jīng)網(wǎng)絡(luò)的權(quán)值用遺傳算法的初始體來(lái)提供。

2.1遺傳算法的基因作為神經(jīng)網(wǎng)絡(luò)的權(quán)值變量

遺傳算法的基因的初始化必須要滿足神經(jīng)網(wǎng)絡(luò)的輸入要求，一般遺傳算法的基因都是0，1編碼。但是為了達(dá)到神經(jīng)網(wǎng)絡(luò)的輸入要求，是要在（-1，+1）之間隨機(jī)產(chǎn)生。

2.2遺傳傳算法中雜交點(diǎn)選擇

遺傳算法中，一般都是采用隨機(jī)平均變異[4][5]的方式，但是如果輸入是由遺傳算法的基因提供的話，為了保證在變異的時(shí)候，采用標(biāo)記變異的方法。我們可以首先根據(jù)圖2的神經(jīng)網(wǎng)絡(luò)來(lái)考慮：

圖2遺傳算法作為人工神經(jīng)網(wǎng)絡(luò)和的權(quán)值圖

Fig.2 Genetic algorithm as artificial neural network and the weights of figure

很顯然，（0.3,-0.8,-0.2）是神經(jīng)元1的權(quán)值 ；(0.6,0.1,-0.1)是神經(jīng)元2的的權(quán)值；(0.4,0.5) 神經(jīng)元3的權(quán)值。為了在遺傳算法中的雜交過程中，不破壞每個(gè)神經(jīng)元的權(quán)值個(gè)數(shù)，特意標(biāo)記（3，6）所在的箭頭。

2.3引入神經(jīng)網(wǎng)絡(luò)輸入層的數(shù)據(jù)預(yù)處理

神經(jīng)網(wǎng)絡(luò)的計(jì)算問題是神經(jīng)網(wǎng)絡(luò)應(yīng)用中最為關(guān)鍵的問題。如何提高網(wǎng)絡(luò)的訓(xùn)練速度是算法研究的重點(diǎn)。我們?cè)谒伎紗栴}的時(shí)候，總是希望問題越簡(jiǎn)單越容易解決。同樣，我們也可以通過對(duì)數(shù)據(jù)的預(yù)處理，來(lái)降低問題的難度。

為了減少輸入層的個(gè)數(shù)，我們可以先對(duì)數(shù)據(jù)進(jìn)行預(yù)處理。預(yù)處理的方法為如下流程：

（1）.計(jì)算機(jī)器人前進(jìn)方向Position(x,y)和目標(biāo)的所在的位置Location(x,y)。

（2）.歸一化Position(x,y) 和Location(x,y)。

（3）.用點(diǎn)乘的計(jì)算公式計(jì)算兩者點(diǎn)乘。

（4）.用符號(hào)重載的方式計(jì)算是順時(shí)針還是相反。

（5）.計(jì)算角度=第3步的結(jié)果*第4步的結(jié)果。

3實(shí)驗(yàn)結(jié)果及分析

3.1實(shí)驗(yàn)框架

將本算法應(yīng)用于掃雪機(jī)器人的智能控制中，設(shè)計(jì)的主要模塊：

3.1.1神經(jīng)網(wǎng)絡(luò)部分的設(shè)計(jì)

神經(jīng)網(wǎng)絡(luò)的輸入由四個(gè)變量組成：掃雪機(jī)器人方向向量（由兩個(gè)變量組成，即在X和Y的分量），發(fā)現(xiàn)目標(biāo)，即雪的向量（由兩個(gè)變量組成，即在X和Y的分量）。神經(jīng)網(wǎng)絡(luò)的隱含層由一層組成，而且由10個(gè)神經(jīng)元。神經(jīng)網(wǎng)絡(luò)的輸出由兩個(gè)變量組成，V1和V2，分別作用在機(jī)器人的左輪和右輪上。神經(jīng)網(wǎng)絡(luò)的響應(yīng)函數(shù)采用SIGMOD。

3.1.2遺傳算法部分的設(shè)計(jì)

遺傳算法的初始化是為神經(jīng)網(wǎng)絡(luò)提供權(quán)值，所以是由[-1，1]隨機(jī)數(shù)產(chǎn)生。遺傳算法的變異是采用隨機(jī)變量的變異，選擇采用輪轉(zhuǎn)法。

3.1.3掃雪機(jī)器人

掃雪機(jī)器人用神經(jīng)網(wǎng)絡(luò)來(lái)控制，當(dāng)找到目標(biāo)后，它的適值就加一。這樣就隨著發(fā)現(xiàn)目標(biāo)越多，它的適值就越大。學(xué)習(xí)能力是通過不斷的學(xué)習(xí)后，它的適值就會(huì)加強(qiáng)。如果直接采用機(jī)器人前進(jìn)方向和目標(biāo)的所在的位置，那么神經(jīng)網(wǎng)絡(luò)的輸入為四個(gè)變量。

3.2結(jié)果與分析

如果直接采用機(jī)器人前進(jìn)方向和目標(biāo)的所在的位置，那么神經(jīng)網(wǎng)絡(luò)的輸入為四個(gè)變量。通過對(duì)掃雪機(jī)器人的學(xué)習(xí)過程，沒有進(jìn)行預(yù)處理的數(shù)據(jù)，即四個(gè)變量輸入神經(jīng)網(wǎng)絡(luò)后的參數(shù)設(shè)定：神經(jīng)網(wǎng)絡(luò)的輸入為4，神經(jīng)元為6個(gè)，輸出個(gè)數(shù)為2個(gè)，如圖3所示：

圖3網(wǎng)絡(luò)的參數(shù)設(shè)定圖

Fig.3 Network parameters set figure

我們?cè)O(shè)定初始的適值為0，如果發(fā)現(xiàn)一個(gè)目標(biāo)后，它所對(duì)應(yīng)的適值就加上1，這樣經(jīng)過50次的進(jìn)化后，沒有進(jìn)行數(shù)據(jù)預(yù)處理的最大值是25，平均值是10.1333。如表1所示：

將50次的統(tǒng)計(jì)結(jié)果用柱狀圖進(jìn)行對(duì)比,如圖4所示。

圖4進(jìn)化50代后的加入數(shù)據(jù)預(yù)處理和沒有加入預(yù)處理的對(duì)比圖

Fig.4 After 50 generation data preprocessing and did not join joined the pretreatment of contrast diagram

為了減少輸入層的個(gè)數(shù)，我們可以先對(duì)數(shù)據(jù)進(jìn)行預(yù)處理下面，用統(tǒng)計(jì)的方法對(duì)數(shù)據(jù)進(jìn)行的結(jié)果分析，如表2所示。

將進(jìn)化100代后，對(duì)比兩者的對(duì)比柱狀圖如圖5所示。

圖5進(jìn)化50代后的加入數(shù)據(jù)預(yù)處理和沒有加入預(yù)處理的對(duì)比圖

Fig.5 After 50 generation data preprocessing and did not join joined the pretreatment of contrast diagram

實(shí)驗(yàn)結(jié)果表明，為了減少輸入層的個(gè)數(shù)，先對(duì)數(shù)據(jù)進(jìn)行預(yù)處理。通過對(duì)掃雪機(jī)器人的過程的數(shù)據(jù)分析進(jìn)行分析，數(shù)據(jù)預(yù)處理后的智能進(jìn)化學(xué)習(xí)能力相對(duì)于原始數(shù)據(jù)的智能進(jìn)化學(xué)習(xí)能力有明顯的提高。

4結(jié)束語(yǔ)

本文提出了基于神經(jīng)網(wǎng)絡(luò)和遺傳算法結(jié)合的改進(jìn)算法，對(duì)于遺傳算法的變異操作進(jìn)行改進(jìn)，不會(huì)破壞單個(gè)神經(jīng)元的輸入權(quán)值的基礎(chǔ)上，采用數(shù)據(jù)預(yù)處理的方法來(lái)減少輸入層的個(gè)數(shù)，從而提高進(jìn)化學(xué)習(xí)的能力。從實(shí)驗(yàn)數(shù)據(jù)中可以看到，本章提出的改進(jìn)算法加快了學(xué)習(xí)速度，達(dá)到了提高智能學(xué)習(xí)的預(yù)期

目的。

參考文獻(xiàn)

[1] 喬俊飛，韓桂紅．神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)動(dòng)態(tài)優(yōu)化設(shè)計(jì)的分析與展望[J].控制理論與應(yīng)用，2010,3(13):350-357.

[2] 葛繼科，邱玉輝,吳春明，等．遺傳算法研究綜述[J].計(jì)算機(jī)應(yīng)用研究,2008,10(9):2911-2916.

[3] 丁建立，陳增強(qiáng)，袁著祉．智能仿生算法及其網(wǎng)絡(luò)優(yōu)化中的應(yīng)用研究進(jìn)展[J].計(jì)算機(jī)工程與應(yīng)用，2003,12(3):10-15

[4] 鞏敦衛(wèi)，等．交互式遺傳算法原來(lái)及其應(yīng)用[M].北京:國(guó)防工業(yè)出版社,2007.

神經(jīng)網(wǎng)絡(luò)方向范文第4篇

關(guān)鍵詞：ELMAN神經(jīng)網(wǎng)絡(luò)；定時(shí)控制；交叉路口

中圖分類號(hào)：TP183文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044(2012)23-5682-03

Research of the Fuzzy Signal Control Based on Elman

MAO Hong-ge, HUANG Guo-fan

(School of Software, Nanyang Normal University, Nanyang 473061, China)

Abstract：Dynamism of signal control decide the delay of car on single intersection., this paper takes a single intersection as research object, as a target the delay of car decreased. based on fixed time control ,it use ELMAN neural control the signal, the result indicate that delay of car decrease effectively.

Key words: ELMAN neural network; fixed control; single intersection

交通擁擠是城市交通的重大問題之一，在大城市尤其明顯。交叉路口信號(hào)的有效控制是解決交通擁堵問題的關(guān)鍵因素，目前，國(guó)內(nèi)各大城市交通信號(hào)燈控制是基于定時(shí)的，定時(shí)控制在有些交通流量情況是有效的，但遇到大量車流量的、繁忙的交叉路口已不能滿足實(shí)際需要；有些路口車流十分稀少的時(shí)候，駕駛員可以看到另一綠燈相位沒有車輛通過，仍然要等待轉(zhuǎn)換相位才能通行。這種信號(hào)控制方法增加了車輛在交叉路口的延誤時(shí)間，對(duì)于交通擁堵問題沒有得到有效解決，為了緩解交通擁擠、減少污染和提高能源利用率等問題，這就需要尋找智能的信號(hào)控制方法，我國(guó)的交通研究者最近幾十年也做了大量有關(guān)的研究，其中徐冬玲、劉智勇[1, 2]等學(xué)者提出了模糊神經(jīng)網(wǎng)絡(luò)控制方案，在模糊控制中，模糊規(guī)則一旦給出，運(yùn)行過程中是一成不變的，不具備學(xué)習(xí)能力，神經(jīng)網(wǎng)絡(luò)具有自適應(yīng)學(xué)習(xí)能力，目前大多研究是基于BP算法的。BP算法是靜態(tài)前饋神經(jīng)網(wǎng)絡(luò)，是將動(dòng)態(tài)的交通問題變?yōu)殪o態(tài)空間建模問題，ELMAN神經(jīng)網(wǎng)絡(luò)具備映射動(dòng)態(tài)特征的功能，從而使系統(tǒng)具有適應(yīng)時(shí)變特性的能力。因此，考慮到交叉路口的動(dòng)態(tài)特性，采用ELMAN神經(jīng)網(wǎng)絡(luò)進(jìn)行信號(hào)控制。

1 ELMAN神經(jīng)網(wǎng)絡(luò)

Elman網(wǎng)絡(luò)是J. L. Elman于1990年首先提出來(lái)的,它是一種典型的局部回歸網(wǎng)絡(luò)。Elman網(wǎng)絡(luò)可以看作是一個(gè)具有局部記憶單元和局部反饋連接的前向神經(jīng)網(wǎng)絡(luò)。Elman神經(jīng)網(wǎng)絡(luò)一般包括：輸入層、中間層(隱含層)、承接層和輸出層，其結(jié)構(gòu)如圖1所示。輸入層起信號(hào)傳輸作用，輸出層起線性加權(quán)作用。在這種網(wǎng)絡(luò)中,除了普通的隱含層外,還有一個(gè)特別的隱含層,稱為承接層;該層從隱含層接收反饋信號(hào),每一個(gè)隱含層節(jié)點(diǎn)都有一個(gè)與之對(duì)應(yīng)的關(guān)聯(lián)層節(jié)點(diǎn)連接。承接層的作用是通過聯(lián)接記憶將上一個(gè)時(shí)刻的隱層狀態(tài)連同當(dāng)前時(shí)刻的網(wǎng)絡(luò)輸入一起作為隱層的輸入,相當(dāng)于狀態(tài)反饋。

Elman神經(jīng)網(wǎng)絡(luò)具有BP神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)，同時(shí)它是通過一種承接層的延遲和存儲(chǔ)連接到隱含層的輸入的自連方式，這就增加了網(wǎng)絡(luò)動(dòng)態(tài)處理信息的能力，從而可以動(dòng)態(tài)的自適應(yīng)的處理交叉路口復(fù)雜路況的事物。

2基于ELMAN神經(jīng)網(wǎng)絡(luò)模糊信號(hào)控制

文中以單交叉路通信號(hào)控制為研究對(duì)象，在圖2中，有東、西、南、北四個(gè)車流方向，每個(gè)相位只考慮直行的情況，其它的忽略不計(jì)。

車輛的延誤模型采用的是希臘學(xué)者C.P.PAPPIS[3]提出的單路口兩相位模糊控制算法。此模糊算法是根據(jù)紅燈方向的車輛等待數(shù)，與綠燈方向檢測(cè)到達(dá)的車輛數(shù)，決定當(dāng)前方向綠燈在7秒，17秒，27秒，37秒，47秒的延時(shí)是否進(jìn)行、或轉(zhuǎn)向。

引入模糊變量T，A，Q，E，分別表示時(shí)間、綠燈方向車輛的到達(dá)數(shù)、紅燈方向車輛的等待數(shù)、綠燈延時(shí)。模糊變量的賦值表見文獻(xiàn)[3].

2.1網(wǎng)絡(luò)的創(chuàng)建

2.1.1網(wǎng)絡(luò)的輸入

神經(jīng)網(wǎng)絡(luò)中，輸入的元素分別是時(shí)間T、綠燈方向車輛的到達(dá)車輛A、紅燈方向車輛的等待數(shù)Q、當(dāng)前綠燈時(shí)間G（第7、27、37、47秒分別為0.1、0.2、0.3、0.4）。

2.1.2網(wǎng)絡(luò)的輸出

網(wǎng)絡(luò)有一個(gè)輸出，是第n秒的綠燈延時(shí)隸屬度。將從檢測(cè)器得到的10秒數(shù)據(jù)分別輸入網(wǎng)絡(luò)就可得到10秒的綠燈隸屬度，根據(jù)最大隸屬度對(duì)應(yīng)的時(shí)間決策延長(zhǎng)時(shí)間。

2.1.3樣本的選取

模糊控制算法使用了25條規(guī)則進(jìn)行模糊推理，并且在考慮不同車流情況下均衡的選擇樣本。例如，在27秒準(zhǔn)備實(shí)施控制時(shí)，上個(gè)10秒的第9秒紅燈方向的車輛等待數(shù)是8，綠燈方向的車輛等待數(shù)是7，則神經(jīng)網(wǎng)絡(luò)輸入為P=[9,7,8,0.4],輸出為,T=[0,1,1, 0,1,1, 0,1,1, 0,0.9,1, 0,0.9,1],輸出為T=[0.9]。這樣，可以得到不同車流情況下的若干個(gè)樣本。

由于文中研究對(duì)象一個(gè)隱含層足以夠用，所以，這里采用單隱層的神經(jīng)網(wǎng)絡(luò)。根據(jù)Elman網(wǎng)絡(luò)的特性和交叉路口的實(shí)際情況，將隱含層神經(jīng)元的個(gè)數(shù)設(shè)定為30。傳遞函數(shù)為S函數(shù)tansig(),輸出層有一個(gè)神經(jīng)元，傳遞函數(shù)為線性函數(shù)logsig()。訓(xùn)練函數(shù)采用默認(rèn)值traingdx(),下面創(chuàng)建一個(gè)Elman網(wǎng)絡(luò)：

Net = newelm(minmax(P),[30 1],{tansig, lgsig});

2.2網(wǎng)絡(luò)的訓(xùn)練

使用MATLAB工具進(jìn)行仿真，代碼如下：

net.trainParam.epochs=10000;

net.trainParam.goal=0.1;

net=train(net,P,T);

3 MATLAB車輛延誤仿真

交叉路口的路況是動(dòng)態(tài)分布的，因此，泊松分布用來(lái)仿真交通流量較小的情況，二項(xiàng)分布用來(lái)仿真流量較大的情況，車輛的延誤使用C.P.PAPPIS文中公式計(jì)算，因此可以得到不同車流情況下的車輛平均延誤。

4結(jié)束語(yǔ)

從實(shí)驗(yàn)結(jié)果可以得知，使用ELMAN神經(jīng)網(wǎng)絡(luò)對(duì)交叉路口進(jìn)行控制可以有效減少車輛的平均延時(shí)，提高交叉路口的通行能力，在實(shí)際的應(yīng)用中，文中的實(shí)驗(yàn)條件存在局限性，例如交叉路口的車流情況比文中比較的交通量要復(fù)雜及神經(jīng)網(wǎng)絡(luò)也存在不足之處，可以尋求更好的方法實(shí)現(xiàn)各種方法之間的互補(bǔ)，減少車輛的延誤時(shí)間。

參考文獻(xiàn)：

[1]徐冬玲,方建安,邵世煌.交通系統(tǒng)的模糊控制及其神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)[J].信息與控制,1992,21(2):74-78.

[2]劉智勇.智能交通控制理論及其應(yīng)用[M].北京:科學(xué)出版社,2003

[3] Pappis C P,Mamdani E H.A Fuzzy logic controller for a traffic junction[J].IEEE Transactions on systems,man,and cybernetics,1977,7: 707-717.

[4]周開利.MATLAB基礎(chǔ)及其應(yīng)用教程[M].北京:北京大學(xué)出版社,2007

神經(jīng)網(wǎng)絡(luò)方向范文第5篇

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)；Adaboost算法；遺傳算法

中圖分類號(hào)：F832.332文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1008-2670(2012)02-0012-08

收稿日期：2011-12-11

基金項(xiàng)目：國(guó)家社科基金資助項(xiàng)目“企業(yè)金融衍生業(yè)務(wù)風(fēng)險(xiǎn)測(cè)度及管控研究”（10BGJ054）。

作者簡(jiǎn)介：宿玉海(1964-)，男，山東濰坊人，經(jīng)濟(jì)學(xué)博士，山東財(cái)經(jīng)大學(xué)金融學(xué)院教授，研究方向：國(guó)際金融；彭雷(1986-)，男，山東濰坊人，山東財(cái)經(jīng)大學(xué)金融學(xué)院碩士研究生，研究方向：國(guó)際金融；郭勝川（1990-），男，山東安丘人，山東大學(xué)數(shù)學(xué)學(xué)院學(xué)生。

一、引言

商業(yè)銀行的信用風(fēng)險(xiǎn)管理一直是人們關(guān)注的焦點(diǎn)，在引入工程方法進(jìn)行信用風(fēng)險(xiǎn)的度量后，BP神經(jīng)網(wǎng)絡(luò)信用風(fēng)險(xiǎn)模型以其較強(qiáng)的逼近非線性函數(shù)的優(yōu)勢(shì)從眾多方法中脫穎而出，其對(duì)于歷史數(shù)據(jù)的模擬仿真和預(yù)測(cè)能力也顯示出了獨(dú)特的優(yōu)勢(shì)。但是，BP神經(jīng)網(wǎng)絡(luò)信用模型在處理較為復(fù)雜的財(cái)務(wù)數(shù)據(jù)時(shí)，對(duì)于數(shù)據(jù)指標(biāo)在模型中獲得的權(quán)值沒有一個(gè)明確的標(biāo)準(zhǔn)，而是特別依賴于對(duì)于歷史數(shù)據(jù)指標(biāo)的選擇，使得模型對(duì)于新樣本的考察缺乏一個(gè)有效的動(dòng)態(tài)權(quán)值變動(dòng)，這就造成了模型在使用過程中的困難。

隨著BP神經(jīng)網(wǎng)絡(luò)信用風(fēng)險(xiǎn)管理模型應(yīng)用的增多，許多學(xué)者逐漸認(rèn)識(shí)到BP神經(jīng)網(wǎng)絡(luò)信用風(fēng)險(xiǎn)模型在處理財(cái)務(wù)數(shù)據(jù)時(shí)存在的問題，采取一系列的措施對(duì)BP神經(jīng)網(wǎng)絡(luò)信用風(fēng)險(xiǎn)模型進(jìn)行了改進(jìn)，特別是對(duì)于權(quán)值設(shè)定的改進(jìn)做了大量的工作。Back等［1］建議將遺傳算法與神經(jīng)網(wǎng)絡(luò)結(jié)合起來(lái)協(xié)同工作，但沒有實(shí)際討論引入遺傳算法后帶來(lái)的實(shí)際效果；Piramuthu等［2］采用符號(hào)特征樣本的技術(shù)處理輸入數(shù)據(jù)取得了較為明顯的效果，但是符號(hào)特征樣本技術(shù)則存在較為主觀的人為因素影響。國(guó)內(nèi)學(xué)者在引進(jìn)神經(jīng)網(wǎng)絡(luò)以后，也為神經(jīng)網(wǎng)絡(luò)模型的優(yōu)化進(jìn)行了卓有成效的努力。如許佳娜、西寶［3］采用層次分析法對(duì)神經(jīng)網(wǎng)絡(luò)模型的改進(jìn)，以及郭英見、吳沖［4］采用DS證據(jù)理論將神經(jīng)網(wǎng)絡(luò)和SVM的輸出結(jié)果進(jìn)行的融合，都在一定程度上增強(qiáng)了神經(jīng)網(wǎng)絡(luò)模型的判別準(zhǔn)確率，但他們?cè)谏窠?jīng)網(wǎng)絡(luò)的權(quán)值修改上仍然沒有找到很好的設(shè)定規(guī)則。

可以看出，許多學(xué)者在神經(jīng)網(wǎng)絡(luò)良好的泛化能力和模式識(shí)別能力上達(dá)成了共識(shí)，但對(duì)于神經(jīng)網(wǎng)絡(luò)中占有重要地位的連接權(quán)值的修正，沒有給出一個(gè)較為恰當(dāng)?shù)臉?biāo)準(zhǔn)。本文在探討改進(jìn)這一問題時(shí)，將遺傳算法與Adaboost算法分別引入到BP神經(jīng)網(wǎng)絡(luò)信用風(fēng)險(xiǎn)模型中，通過兩種模型對(duì)于相同的訓(xùn)練樣本和預(yù)測(cè)樣本的考察分析，比較兩種方法的優(yōu)劣，從而為BP神經(jīng)網(wǎng)絡(luò)信用風(fēng)險(xiǎn)模型的改進(jìn)提供一定的參考。

本文結(jié)構(gòu)安排如下：第一部分為引言；第二部分介紹BP神經(jīng)網(wǎng)絡(luò)信用風(fēng)險(xiǎn)模型并評(píng)價(jià)其缺陷；第三部分使用Adaboost算法以及遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)信用風(fēng)險(xiǎn)模型進(jìn)行算法尋優(yōu)；第四部分則通過Matlab的模擬進(jìn)行實(shí)證分析并比較實(shí)證結(jié)果；第五部分根據(jù)實(shí)證分析的結(jié)果得出相應(yīng)的結(jié)論并探討商業(yè)銀行在應(yīng)用過程中應(yīng)注意的問題。

二、現(xiàn)有BP神經(jīng)網(wǎng)絡(luò)信用風(fēng)險(xiǎn)模型介紹