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

人工神經(jīng)網(wǎng)絡(luò)的實(shí)際應(yīng)用范文第1篇

【關(guān)鍵詞】氣體識(shí)別;自組織神經(jīng)網(wǎng)絡(luò)

1.引言

氣體識(shí)別在環(huán)境保護(hù)、化工控制、家用報(bào)警、食品保鮮、溫室環(huán)境控制、航空航天等領(lǐng)域有著廣泛的應(yīng)用。應(yīng)用氣體傳感器進(jìn)行多組份氣體的定性定量研究，可以極大的降低測(cè)量成本，減小測(cè)量周期，并可實(shí)現(xiàn)在線的實(shí)時(shí)測(cè)量。但由于當(dāng)前氣體傳感器普遍存在著交叉敏感和選擇性差等缺點(diǎn)，使用單一傳感器很難實(shí)現(xiàn)多組份氣體的檢測(cè)分析。為解決以上問(wèn)題，一方面可以采用新材料、新工藝來(lái)改善傳感器本身的性能;另一方面可以將現(xiàn)有的氣體傳感器構(gòu)成陣列，并與自組織神經(jīng)網(wǎng)絡(luò)技術(shù)相結(jié)合。本文采用后者的原理，即通過(guò)多個(gè)敏感程度不同的氣體傳感器組成傳感器陣列，結(jié)合神經(jīng)網(wǎng)絡(luò)模式識(shí)別算法進(jìn)行氣體識(shí)別分析。

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neuron Networks，ANN）人工神經(jīng)網(wǎng)絡(luò)（Artificial Neutral Networks，ANN）是一個(gè)由大量簡(jiǎn)單處理單元廣泛連

接而成的復(fù)合網(wǎng)絡(luò)系統(tǒng)。神經(jīng)元結(jié)構(gòu)是受到生物神經(jīng)元的啟發(fā)而得來(lái)的。目前應(yīng)用的神經(jīng)網(wǎng)絡(luò)類型有很多，其中應(yīng)用最廣的是BP神經(jīng)網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)需要學(xué)習(xí)的過(guò)程，即利用外部條件作用于神經(jīng)網(wǎng)絡(luò)，使其能重新對(duì)外界做出反應(yīng)。將氣體傳感器陣列與采用BP算法進(jìn)行訓(xùn)練的人工神經(jīng)網(wǎng)絡(luò)模式識(shí)別技術(shù)相結(jié)合形成的氣體識(shí)別系統(tǒng)，是利用傳感器陣列對(duì)混合氣體的高維響應(yīng)模式來(lái)實(shí)現(xiàn)對(duì)混合氣體的定量檢測(cè)。其中傳感器陣列的選取、傳感器信號(hào)的預(yù)處理方法、BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)以及測(cè)量環(huán)境是影響系統(tǒng)性能的可能因素。

2.人工嗅覺(jué)系統(tǒng)

人工嗅覺(jué)系統(tǒng)是一種化學(xué)分析系統(tǒng)，它由一個(gè)具有部分專一性的電子化學(xué)傳感器陣列和一個(gè)合適的模式識(shí)別系統(tǒng)組成。由于人工嗅覺(jué)系統(tǒng)主要模仿的是生物的嗅覺(jué)系統(tǒng)，所以人工嗅覺(jué)系統(tǒng)也可被稱為“電子鼻”或者電子嗅覺(jué)系統(tǒng)。

2.1 電子鼻簡(jiǎn)介

電子鼻這個(gè)術(shù)語(yǔ)開(kāi)始出現(xiàn)于二十世紀(jì)八十年代晚期，當(dāng)時(shí)它被用于1987年的一個(gè)學(xué)術(shù)會(huì)議。較為科學(xué)的電子鼻的概念出現(xiàn)于1994年英國(guó)Warwick大學(xué)的J.W.Gardner發(fā)表的文章中，并且J.W.Gardner綜述了世界各國(guó)人工嗅覺(jué)系統(tǒng)的發(fā)展概況。

電子鼻模仿人的鼻子的功能，以電訊號(hào)的方式予以表達(dá)，可以工作在惡劣或有毒的環(huán)境下，在食品、化工、環(huán)保、醫(yī)療診斷、檢驗(yàn)等方面有很重要的應(yīng)用，其關(guān)鍵技術(shù)就是氣體傳感器陣列。

2.2 人工嗅覺(jué)系統(tǒng)的原理及基本組成部分

人工嗅覺(jué)系統(tǒng)主要是受生物的嗅覺(jué)系統(tǒng)啟發(fā)和影響，以下是該系統(tǒng)中的關(guān)鍵因素：

（1）對(duì)微量、痕量氣體分子瞬時(shí)敏感的監(jiān)測(cè)器，以得到與氣體化學(xué)成分相對(duì)應(yīng)的信號(hào);

（2）對(duì)檢測(cè)到的信號(hào)進(jìn)行識(shí)別與分類的數(shù)據(jù)處理器，將有用的信號(hào)與噪聲加以分離;

（3）將測(cè)量數(shù)據(jù)轉(zhuǎn)換為感官評(píng)定指標(biāo)的智能解釋器，得到合理的感官結(jié)果。

2.3 氣體傳感器

氣體傳感器是一種將氣體的成分、濃度等信息轉(zhuǎn)換為可以被人員、儀器儀表、計(jì)算機(jī)等利用的信息的裝置。

2.3.1 半導(dǎo)體氣體傳感器

半導(dǎo)體氣體傳感器在氣體傳感器中約占60%，根據(jù)其機(jī)理分為電導(dǎo)型和非電導(dǎo)型，電導(dǎo)型中又分為表面型和容積控制性。

2.3.2 表面敏感型傳感器元件

表面敏感型傳感器元件SnO2-Pd、ZnO-PT、AgO、Pt-SnO2，可檢測(cè)氣體為CO、NO2和氟利昂等，傳感材料Pt-SnO2的氣體傳感器可檢測(cè)氣體為可燃性氣體如H2、CO、CH4等。

2.3.3 容積控制型傳感材料

容積控制型傳感材料有TiO2、CoO-MgO-SnO2等，其半導(dǎo)體氣體傳感器可檢測(cè)氣體為液化石油氣、酒精和燃燒爐氣尾氣等。

3.神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neuron Networks，ANN）是近年來(lái)人工智能的一個(gè)重要科學(xué)分支。二十世紀(jì)五十年代末人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)開(kāi)始作為人工智能的一種重要計(jì)算工具逐漸受到重視。進(jìn)入二十世紀(jì)八十年代后期，人工神經(jīng)網(wǎng)絡(luò)的研究進(jìn)入了一個(gè)新的。主要原因是：一方面經(jīng)過(guò)幾十年迅速發(fā)展起來(lái)的以邏輯符號(hào)處理為主的人工智能理論和馮-諾依曼計(jì)算機(jī)在處理諸如視覺(jué)、聽(tīng)覺(jué)、形象思維和聯(lián)想記憶等智能信息問(wèn)題時(shí)遇到挫折;另一方面，具有并行分布處理模式的人工神經(jīng)網(wǎng)絡(luò)本身的研究取得了巨大的進(jìn)展。

神經(jīng)網(wǎng)絡(luò)具有一些不同于其它計(jì)算方法的性質(zhì)和特點(diǎn)以及它自身是基于人類大腦結(jié)構(gòu)和功能而建立起來(lái)的，因此具有很多和人類智能類似的特點(diǎn)。首先，神經(jīng)網(wǎng)絡(luò)將信息存儲(chǔ)在大量的神經(jīng)元中，具有內(nèi)在的知識(shí)索引功能。信息在網(wǎng)絡(luò)中使用兩種方式被保留：一種是神經(jīng)元之間的連接，另一種是連接權(quán)重因子。其次，人工神經(jīng)網(wǎng)絡(luò)具有對(duì)周圍環(huán)境自學(xué)習(xí)、自適應(yīng)功能，也可用于處理帶噪聲的、不完整的數(shù)據(jù)集。在人工神經(jīng)網(wǎng)絡(luò)中，輸入與輸出的關(guān)系不是由單獨(dú)的神經(jīng)元直接負(fù)責(zé)的，相反是與神經(jīng)元的輸入輸出有關(guān)。最后，人工神經(jīng)網(wǎng)絡(luò)模擬人類的學(xué)習(xí)過(guò)程。人類大多數(shù)的學(xué)習(xí)和求解過(guò)程都是采用嘗試法，而人工神經(jīng)網(wǎng)絡(luò)可以以相同的方式運(yùn)行。

神經(jīng)元（neuron）即神經(jīng)網(wǎng)絡(luò)中的基本處理單元，也就是節(jié)點(diǎn)。一般節(jié)點(diǎn)由輸入與輸出、權(quán)重因子、內(nèi)部閥值和函數(shù)形式四部分組成。

圖1 神經(jīng)元模型

圖1給出了一個(gè)基本的神經(jīng)元模型，它具有R個(gè)輸入，每個(gè)輸入都通過(guò)一個(gè)適當(dāng)?shù)臋?quán)值wli和下一層相連，網(wǎng)絡(luò)輸出可表示為：

式中，n為該神經(jīng)元（序號(hào)l）的總輸入;

f（n）為神經(jīng)元輸入輸出關(guān)系的函數(shù)，稱為作用函數(shù)、響應(yīng)函數(shù)或傳遞函數(shù)。

人工神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)是指它的處理單元是如何相互連接的，主要由輸入層、隱含層和輸出層組成。每一節(jié)點(diǎn)的輸出被送到下一層的所有節(jié)點(diǎn)。通過(guò)將這些處理單元組成層，將其相互連接起來(lái)，并對(duì)連接進(jìn)行加權(quán)，從而形成神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)，將若干個(gè)人工神經(jīng)元作為有向圖的節(jié)點(diǎn)，可連接成人工神經(jīng)網(wǎng)絡(luò)。其中每一層對(duì)于人工神經(jīng)網(wǎng)絡(luò)的成功都非常關(guān)鍵?？梢詫⑷斯ど窠?jīng)網(wǎng)絡(luò)輸入層、隱含層和輸出層看成為一個(gè)通過(guò)輸入層的所有節(jié)點(diǎn)輸入特定信息的黑箱。人工神經(jīng)網(wǎng)絡(luò)通過(guò)節(jié)點(diǎn)之間的相互連接關(guān)系來(lái)處理這些信息，最后從輸出層的節(jié)點(diǎn)給出最終結(jié)果。

4.誤差反向傳播網(wǎng)絡(luò)（BP網(wǎng)絡(luò)）

1985年，以Rumelhart和McClelland為首提出了至今仍廣泛接受和使用的誤差反向傳播學(xué)習(xí)算法。按照這一算法進(jìn)行訓(xùn)練的多層神經(jīng)網(wǎng)絡(luò)被直接稱為BP神經(jīng)網(wǎng)絡(luò)。BP網(wǎng)絡(luò)是一種多層前饋型神經(jīng)網(wǎng)絡(luò)，其神經(jīng)元的傳遞函數(shù)是S型函數(shù)，輸出量為0到1之間的連續(xù)量，它可以實(shí)現(xiàn)從輸入到輸出的任意非線性映射。其權(quán)值的調(diào)整采用反饋傳播學(xué)習(xí)算法。

目前，在人工神經(jīng)網(wǎng)絡(luò)的實(shí)際應(yīng)用中，絕大部分的神經(jīng)網(wǎng)絡(luò)模型都采用BP網(wǎng)絡(luò)及其變化形式。BP網(wǎng)絡(luò)主要用于以下四方面：

（1）函數(shù)逼近：用輸入矢量和相應(yīng)的輸出矢量訓(xùn)練一個(gè)網(wǎng)絡(luò)以逼近一個(gè)函數(shù);

（2）模式識(shí)別：用一個(gè)特定的輸出矢量將它與輸入矢量聯(lián)系起來(lái);

（3）分類：把輸入矢量所定義的合適方式進(jìn)行分類;

（4）數(shù)據(jù)壓縮：減少輸出矢量維數(shù)以便于傳輸和存儲(chǔ)。

對(duì)于神經(jīng)網(wǎng)絡(luò)算法，使用基于誤差反向傳遞的神經(jīng)網(wǎng)絡(luò)算法設(shè)第p個(gè)模式XP=（X1P，X1P，…XNP，）T，p=1，2，…，N（N為模式個(gè)數(shù)），將其視為BP網(wǎng)絡(luò)的輸入，yip為其實(shí)際輸出，隱含層和輸出層各單元的激活函數(shù)采用sigmoid函數(shù)，即：

一般基于BP的神經(jīng)網(wǎng)絡(luò)算法具體步驟如下：

Step1、構(gòu)造網(wǎng)絡(luò)，初始化網(wǎng)絡(luò)的權(quán)矩陣，設(shè)置學(xué)習(xí)因子，動(dòng)態(tài)因子，跌代次數(shù)和允許誤差;

Step2、從一個(gè)網(wǎng)絡(luò)開(kāi)始，提供訓(xùn)練模式;

Step3、開(kāi)始訓(xùn)練第k個(gè)網(wǎng)絡(luò);

Step4、前向傳播過(guò)程，對(duì)所有訓(xùn)練模式，計(jì)算網(wǎng)絡(luò)的實(shí)際輸出并與目標(biāo)輸出相比較，如果誤差超過(guò)運(yùn)行誤差，則進(jìn)行下一步，否則訓(xùn)練第k+1個(gè)網(wǎng)絡(luò);

Step5、反向傳播過(guò)程：計(jì)算隱含層和輸出層各單元的誤差精度，修正權(quán)值和閥值：

式中，為學(xué)習(xí)效率;

di為教師信號(hào)或希望輸出;

為實(shí)際輸出yi與希望輸出di之差，其中yi和xj是取1或0的離散值。

Step6、繼續(xù)訓(xùn)練第k個(gè)網(wǎng)絡(luò)。

BP網(wǎng)絡(luò)的訓(xùn)練函數(shù)有traingd、traingdm、traingdx、trainrp、traincgf、traincgp等。由于BP網(wǎng)絡(luò)的簡(jiǎn)單性，在人工嗅覺(jué)系統(tǒng)的模式識(shí)別部分占有很大的比例，許多以前和現(xiàn)在的一些成熟人工嗅覺(jué)系統(tǒng)的產(chǎn)品仍然使用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行模式識(shí)別。

BP網(wǎng)絡(luò)的學(xué)習(xí)是通過(guò)求解一個(gè)優(yōu)化問(wèn)題完成的，從數(shù)學(xué)的角度看，它是通過(guò)函數(shù)逼近擬合曲面（線）的想法，并且將其轉(zhuǎn)化為一個(gè)非線性優(yōu)化問(wèn)題而求解。BP網(wǎng)絡(luò)是對(duì)簡(jiǎn)單的非線性函數(shù)進(jìn)行復(fù)合，經(jīng)過(guò)多次復(fù)合后，則可以實(shí)現(xiàn)復(fù)雜的函數(shù)，但存在BP學(xué)習(xí)算法收斂速度慢、不完備性和隱節(jié)點(diǎn)數(shù)只能憑經(jīng)驗(yàn)選取。

由于存在上述問(wèn)題，科學(xué)家們從利用線性的自適應(yīng)步長(zhǎng)加速BP算法和增加動(dòng)量項(xiàng)來(lái)去除收斂過(guò)程中的局部最小點(diǎn)。模擬退火（Simulated Annealing，簡(jiǎn)稱SA）思想是由Metopolis等人提出的，它可以很好的避免局部最小點(diǎn)的出現(xiàn)，把它用在優(yōu)化中是由Kirkpatrick等人提出的。組合優(yōu)化問(wèn)題的解空間中的每一個(gè)點(diǎn)都代表一個(gè)解。不同的解有著不同的目標(biāo)函數(shù)值。優(yōu)化過(guò)程就是在解空間中尋找目標(biāo)函數(shù)的最小解。

SA算法的特點(diǎn)是通用性強(qiáng)、可達(dá)到全局最小。傳統(tǒng)的啟發(fā)式搜索算法如快速下降法，每次都是向改進(jìn)解的方向搜索，往往只能找到一個(gè)局部最優(yōu)解，而不是全局最優(yōu)解。而SA算法在系統(tǒng)朝能量減少這個(gè)總趨勢(shì)的過(guò)程中，允許解的搜索以一定的概率向較差的方向走，以避開(kāi)局部最小，而最終穩(wěn)定到全局能量最小的狀態(tài)。

5.利用自組織神經(jīng)網(wǎng)絡(luò)進(jìn)行氣體識(shí)別

將被測(cè)氣體按所需測(cè)量精度和濃度范圍按成份分成不同的濃度等級(jí)，采用標(biāo)準(zhǔn)氣體配置這些等級(jí)的不同成份氣體的所有組合作為標(biāo)準(zhǔn)模態(tài)來(lái)訓(xùn)練神經(jīng)網(wǎng)絡(luò)。通過(guò)識(shí)別某一未知?dú)怏w樣本的模式，即可以得到未知?dú)怏w的成份濃度。例如，選用N種互相參比配制混合氣體樣本。根據(jù)傳感器的靈敏范圍，將配制的氣體濃度限制在a1到am以內(nèi)，濃度變化間隔為l。這樣每種氣體有m種濃度模式，共計(jì)可得到mN個(gè)樣本。采用這些樣本作為原始數(shù)據(jù)訓(xùn)練自組織神經(jīng)網(wǎng)絡(luò)，就可以實(shí)現(xiàn)在這一濃度范圍內(nèi)的最大誤差為l的氣體定量測(cè)量。

人工神經(jīng)網(wǎng)絡(luò)的實(shí)際應(yīng)用范文第2篇

論文關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò)(ANN)，船舶與海洋工程，海洋預(yù)報(bào)與預(yù)測(cè)，海洋資源評(píng)估，海洋環(huán)境監(jiān)測(cè)

 

人工神經(jīng)網(wǎng)絡(luò)是對(duì)人類大腦特性的一種描述。它是一個(gè)數(shù)學(xué)模型，可以用電子線路實(shí)現(xiàn)，也可以用計(jì)算機(jī)程序來(lái)模擬。是人工智能研究的一種方法。主要功能有：聯(lián)想記憶、分類識(shí)別、優(yōu)化計(jì)算、非線性映射。由于其具有好的容錯(cuò)性、并行處理信息、自學(xué)習(xí)性及非線性映射逼近能力等特點(diǎn),因此被廣泛的應(yīng)用于各個(gè)領(lǐng)域。

ANN在海洋領(lǐng)域的應(yīng)用起步較晚。20世紀(jì)90年代以來(lái)，國(guó)內(nèi)外掀起了應(yīng)用ANN研究海洋問(wèn)題的熱潮。相比傳統(tǒng)方法，由于ANN提高了預(yù)測(cè)的準(zhǔn)確性，減少了對(duì)數(shù)據(jù)的要求并且便于應(yīng)用，到目前為止，ANN模型的應(yīng)用已經(jīng)遍布海洋工程（包括港口、沿海、近海和深海工程）海洋環(huán)境監(jiān)測(cè)，海洋預(yù)報(bào)與預(yù)測(cè)，海洋資源與環(huán)境等各方面，并且應(yīng)用前景不斷擴(kuò)大。本文通過(guò)梳理相關(guān)文獻(xiàn)，分析和總結(jié)了ANN在海洋領(lǐng)域的研究進(jìn)展和主要成果，以期為相關(guān)研究提供參考。

1 船舶與海洋工程

鋼材腐蝕問(wèn)題是海洋工程的重大課題。國(guó)內(nèi)許多學(xué)者通過(guò)建立ANN模型考察海水環(huán)境相關(guān)參數(shù)與鋼材腐蝕速度的相關(guān)性。劉學(xué)慶等根據(jù)四層BP神經(jīng)網(wǎng)絡(luò)分析了3C鋼腐蝕速度與海水環(huán)境參數(shù)的相關(guān)性,建立了3C鋼在海洋環(huán)境中腐蝕速度的人工神經(jīng)網(wǎng)絡(luò)模型，證明該方法在監(jiān)測(cè)與評(píng)價(jià)區(qū)域海洋環(huán)境腐蝕性方面具有實(shí)際應(yīng)用價(jià)值[1]。鄧春龍等研究建立了海洋環(huán)境材料腐蝕與防護(hù)數(shù)據(jù)庫(kù)，收集和整理了大量的材料腐蝕數(shù)據(jù)。并在此基礎(chǔ)上建立了誤差反傳（BP）人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型和灰色GM（1,1）腐蝕預(yù)測(cè)模型。從而形成一套較完整的數(shù)據(jù)采集、處理和分析網(wǎng)絡(luò)系統(tǒng)[2]。王佳等采用電化學(xué)、人工神經(jīng)網(wǎng)絡(luò)和數(shù)據(jù)庫(kù)方法研究了5種海洋工程鋼材在深海環(huán)境中非現(xiàn)場(chǎng)腐蝕行為評(píng)價(jià)技術(shù)。結(jié)果表明,結(jié)合采用多種非現(xiàn)場(chǎng)方法可以可靠評(píng)價(jià)深海環(huán)境鋼材的腐蝕行為[3]。劉艷俠等同樣利用三層BP神經(jīng)網(wǎng)絡(luò),根據(jù)已有的3C鋼在不同海水環(huán)境參數(shù)下的腐蝕速度數(shù)據(jù),建立了3C鋼在海洋環(huán)境中腐蝕速度的人工神經(jīng)網(wǎng)絡(luò)模型;并分析預(yù)測(cè)了海水環(huán)境參數(shù)與腐蝕速度之間的關(guān)系 [4]。

ANN在海洋工程中的應(yīng)用主要是海洋平臺(tái)的抗擊性和穩(wěn)定性的模擬。許亮斌等針對(duì)海洋平臺(tái)樁基模擬中存在的問(wèn)題，將神經(jīng)網(wǎng)絡(luò)應(yīng)用于樁基分析 [5]。淙在引進(jìn)遺傳算法的基礎(chǔ)上構(gòu)造了工程結(jié)構(gòu)優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型,計(jì)算結(jié)果表明這一方法具有很好的穩(wěn)定性和全局收斂性[6]。周亞軍等將經(jīng)典最優(yōu)控制算法與人工神經(jīng)網(wǎng)絡(luò)相結(jié)合，采用BP神經(jīng)網(wǎng)絡(luò)模型，實(shí)現(xiàn)了受隨機(jī)波浪力作用下的海洋平臺(tái)的振動(dòng)主動(dòng)控制[7]。由于神經(jīng)網(wǎng)絡(luò)的優(yōu)越性能，克服了傳統(tǒng)算法本身的時(shí)滯問(wèn)題，為海洋平臺(tái)的振動(dòng)控制提供了一條新的思路。

以上學(xué)者都對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行了一定程度的改進(jìn)和完善，達(dá)到了良好的模擬和預(yù)測(cè)效果，推進(jìn)了海洋工程中ANN理論的發(fā)展。除此以外，針對(duì)波浪數(shù)據(jù)的完備性對(duì)于海岸海洋工程設(shè)計(jì)的關(guān)鍵作用, 人工神經(jīng)網(wǎng)絡(luò)作為一個(gè)具有高度非線性映射能力的計(jì)算模型，在工程中具有廣泛的應(yīng)用前景。在數(shù)值預(yù)測(cè)方面，它不需要預(yù)選確定樣本的數(shù)學(xué)模型海洋環(huán)境監(jiān)測(cè)，僅通過(guò)學(xué)習(xí)樣本數(shù)據(jù)即可以進(jìn)行預(yù)測(cè)論文格式范文。

2 海洋預(yù)報(bào)與預(yù)測(cè)

赤潮作為海洋災(zāi)害的一種，對(duì)海洋經(jīng)濟(jì)造成巨大影響。蔡如鈺利用人工神經(jīng)網(wǎng)絡(luò)BP算法,建立了赤潮預(yù)報(bào)模型 。楊建強(qiáng)通過(guò)比較發(fā)現(xiàn)人工神經(jīng)網(wǎng)絡(luò)方法在模擬和預(yù)測(cè)方面優(yōu)于傳統(tǒng)的統(tǒng)計(jì)回歸模型,具有較強(qiáng)的模擬預(yù)測(cè)能力及實(shí)用性 。在此基礎(chǔ)上，為克服BP網(wǎng)絡(luò)訓(xùn)練易陷入局部最優(yōu)的缺點(diǎn)，王晶采用遺傳算法改進(jìn)網(wǎng)絡(luò)訓(xùn)練方法，建立赤潮生物密度與環(huán)境因子的人工神經(jīng)網(wǎng)絡(luò)的預(yù)報(bào)模型，保證網(wǎng)絡(luò)達(dá)到全局最優(yōu)。此外，還有部分學(xué)者將改進(jìn)的人工神經(jīng)網(wǎng)絡(luò)模型用于赤潮預(yù)報(bào)，經(jīng)過(guò)實(shí)證研究，取得良好的預(yù)測(cè)效果。

潮汐預(yù)報(bào)對(duì)人類活動(dòng)和降低海洋環(huán)境建筑成本是非常重要的。為了解決潮位預(yù)測(cè)中存在的時(shí)滯問(wèn)題,提高預(yù)測(cè)精度，不少學(xué)者進(jìn)行了初步探索，并且普遍認(rèn)為BP模型應(yīng)用于潮汐預(yù)報(bào)具有較高的預(yù)測(cè)精度和良好的泛化能力,它為海洋潮汐預(yù)報(bào)工作提供了一種全新的思路和方法。張韌利用人工神經(jīng)網(wǎng)絡(luò)BP模型及其優(yōu)化算法，建立起了赤道太平洋緯向風(fēng)和滯后的東太平洋海溫之間的映射關(guān)系和預(yù)報(bào)模型，結(jié)果表明，這種方法可有效用于辯識(shí)和反演復(fù)雜的大氣、海洋動(dòng)力系統(tǒng)及其預(yù)報(bào)模型.馮利華針對(duì)海洋預(yù)報(bào)問(wèn)題，初步建立了基于神經(jīng)網(wǎng)絡(luò)的預(yù)報(bào)分析系統(tǒng)，給出了應(yīng)用實(shí)例。以我國(guó)東南沿海地區(qū)一次登陸臺(tái)風(fēng)所造成的最大24小時(shí)暴雨量為例來(lái)說(shuō)明ANN在海洋預(yù)報(bào)中的應(yīng)用問(wèn)題。羅忠輝采用人工神經(jīng)網(wǎng)絡(luò)智能方法，建立了多參數(shù)聲速預(yù)報(bào)神經(jīng)網(wǎng)絡(luò)模型海洋環(huán)境監(jiān)測(cè)，克服了回歸擬合方法在獲得海底沉積物聲速預(yù)報(bào)中存在的不足，為海底沉積物的聲速預(yù)報(bào)提供了一條新途徑。

3 海洋資源評(píng)估

張富元等利用東太平洋CC區(qū)多波束海底地形測(cè)量、結(jié)核覆蓋率深拖系統(tǒng)探測(cè)、結(jié)核豐度地質(zhì)采樣和地球物理地震勘探資料,運(yùn)用板塊構(gòu)造和沉積動(dòng)力學(xué)理論,并與豐度趨勢(shì)面和神經(jīng)網(wǎng)絡(luò)分析結(jié)果對(duì)比,對(duì)東太平洋CC區(qū)構(gòu)造與多金屬結(jié)核資源效應(yīng)關(guān)系進(jìn)行了探討。李少波等討論了如何利用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)天然氣水合物的合成和分解。利用了聲速、幅度、頻率來(lái)反映天然氣水合物的合成，建立了一個(gè)3層前向型網(wǎng)絡(luò),通過(guò)實(shí)驗(yàn),人工神經(jīng)網(wǎng)絡(luò)的引用取得了良好的效果。近年來(lái)人工神經(jīng)網(wǎng)絡(luò)還越來(lái)越多地被用來(lái)預(yù)測(cè)水資源。在水資源應(yīng)用中,前饋神經(jīng)網(wǎng)絡(luò)建模技術(shù)是使用最廣泛的類型。

4 海洋環(huán)境監(jiān)測(cè)

非法排放油污和海上漏油事件對(duì)海洋生態(tài)系統(tǒng)造成的嚴(yán)重危害，人工神經(jīng)網(wǎng)絡(luò)可以有效的用于海水石油污染診斷。李偉認(rèn)為海中懸移質(zhì)是決定海洋光學(xué)性質(zhì)、海洋水質(zhì),河口海岸帶演變動(dòng)力過(guò)程的重要環(huán)境參數(shù)。利用模擬遙感反射比數(shù)據(jù)集建立人工神經(jīng)網(wǎng)絡(luò)反演懸移質(zhì)濃度,并利用東中國(guó)?，F(xiàn)場(chǎng)同步數(shù)據(jù)對(duì)該算法進(jìn)行驗(yàn)證，神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)于反演大洋水和沿岸海域中的組分濃度有一個(gè)很好的前景。劉輝等采用BP神經(jīng)網(wǎng)絡(luò)和廣義回歸神經(jīng)網(wǎng)絡(luò)2種方法進(jìn)行訓(xùn)練,建立了南海南部海區(qū)的上混合層深度人工神經(jīng)網(wǎng)絡(luò)計(jì)算模型 。結(jié)果顯示,人工神經(jīng)網(wǎng)絡(luò)方法精度較高,是一種切實(shí)可行的上混合層深度估算方法。

5 結(jié)語(yǔ)

人工神經(jīng)網(wǎng)絡(luò)在海洋領(lǐng)域的應(yīng)用遍布海洋工程、海洋科學(xué)技術(shù)、海洋環(huán)境資源等各個(gè)方面。國(guó)內(nèi)外學(xué)者根據(jù)研究的需要設(shè)立了不同的ANN模型，隨著時(shí)間的發(fā)展，這些模型的預(yù)測(cè)和分析能力逐步完善。大量實(shí)證結(jié)果表明，很多ANN模型都取得了良好的模擬和預(yù)測(cè)效果。大部分的人工神經(jīng)網(wǎng)絡(luò)模型對(duì)傳統(tǒng)的統(tǒng)計(jì)回歸計(jì)算、時(shí)間序列分析、模型匹配和數(shù)值方法等產(chǎn)生了替代或補(bǔ)充作用。在某些情況下，神經(jīng)網(wǎng)絡(luò)的應(yīng)用減少了對(duì)數(shù)據(jù)的要求。在未來(lái)，隨著現(xiàn)有模型的不斷完善和ANN模型缺陷的不斷糾正，先進(jìn)和混合神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)很可能會(huì)在海洋領(lǐng)域更多方面得到廣泛應(yīng)用。

參考文獻(xiàn)

[1]劉學(xué)慶,唐曉,王佳.3C鋼腐蝕速度與海水環(huán)境參數(shù)關(guān)系的人工神經(jīng)網(wǎng)絡(luò)分析[J].中國(guó)腐蝕與防護(hù)學(xué)報(bào), 2005,(1):11-14.

[2]鄧春龍,孫明先,李文軍等.海洋環(huán)境中材料腐蝕數(shù)據(jù)采集處理網(wǎng)絡(luò)系統(tǒng)的研究[J].裝備環(huán)境工程,2006,(3):58-62.

[3]王佳,孟潔,唐曉等.深海環(huán)境鋼材腐蝕行為評(píng)價(jià)技術(shù)[J].中國(guó)腐蝕與防護(hù)學(xué)報(bào). 2007,(1):1-7.

[4]劉艷俠,高新琛,張國(guó)英等.BP神經(jīng)網(wǎng)絡(luò)對(duì)3C鋼腐蝕性能的預(yù)測(cè)分析[J].材料科學(xué)與工程學(xué)報(bào),2008,(1):94-97.

[5]許亮斌,陳國(guó)明.神經(jīng)網(wǎng)絡(luò)在平臺(tái)樁基分析中的應(yīng)用[J].中國(guó)海上油氣(工程),2001,(1):7-10.

[6]淙.海洋工程結(jié)構(gòu)優(yōu)化的遺傳Hopfield神經(jīng)網(wǎng)絡(luò)算法研究[J].中國(guó)海洋平臺(tái),2001,(5-6):58-61.

[7]周亞軍,趙德有,馬駿.基于人工神經(jīng)網(wǎng)絡(luò)的海洋平臺(tái)振動(dòng)主動(dòng)控制[J].船舶力學(xué), 2003,(5):65-69.

人工神經(jīng)網(wǎng)絡(luò)的實(shí)際應(yīng)用范文第3篇

關(guān)鍵詞：BAM神經(jīng)網(wǎng)絡(luò)；平衡點(diǎn)；時(shí)滯；穩(wěn)定性

中圖分類號(hào)：TP 183 文獻(xiàn)標(biāo)識(shí)碼：A

1引言人工神經(jīng)網(wǎng)絡(luò)是人們利用機(jī)器模仿人類智能的一種嘗試性質(zhì)的科學(xué)，它通過(guò)電路來(lái)模仿人腦神經(jīng)細(xì)胞的結(jié)構(gòu)和功能的，也即通過(guò)選取一些自適應(yīng)單元，去組成一種廣泛互聯(lián)的網(wǎng)絡(luò) [1]。

1982 年，人工神經(jīng)網(wǎng)絡(luò)- Hopfield網(wǎng)絡(luò)模型的提出[2]，首次引入了網(wǎng)絡(luò)能量函數(shù)的概念（Lyapunov函數(shù)），并且給出了網(wǎng)絡(luò)穩(wěn)定性的判定依據(jù)，這一研究成果，對(duì)人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用研究提供了重要的理論依據(jù)，特別是在仿照人腦進(jìn)行聯(lián)想記憶等方面具有極其重要的意義。

1987年，Kosko [3] 提出了一系列的雙向聯(lián)想記憶神經(jīng)網(wǎng)絡(luò)，其完全將單層的自相聯(lián)Hebbian學(xué)習(xí)器推廣成兩層的模型匹配異相聯(lián)網(wǎng)絡(luò)，即雙向聯(lián)想記憶（BAM，Bidirectional Associative Memory）神經(jīng)網(wǎng)絡(luò)。雙層雙向結(jié)構(gòu)的BAM神經(jīng)網(wǎng)絡(luò)一經(jīng)提出，就在求解優(yōu)化問(wèn)題以及聯(lián)想記憶等問(wèn)題等方面被證明是很有用的數(shù)學(xué)模型。雙向聯(lián)想記憶神經(jīng)網(wǎng)絡(luò)模型是一種常用的神經(jīng)網(wǎng)絡(luò)，具有信息記憶和信息聯(lián)想的特點(diǎn)，他是聯(lián)想記憶神經(jīng)網(wǎng)絡(luò)模型的一種。由于聯(lián)想特性，所以被廣泛地應(yīng)用于模式識(shí)別、信號(hào)、圖形處理等方面[4-5]，成為了人工神經(jīng)網(wǎng)絡(luò)研究的熱點(diǎn)。

但由于在神經(jīng)網(wǎng)絡(luò)的實(shí)際應(yīng)用中，神經(jīng)元間的傳輸過(guò)程中必然存在的時(shí)間延遲現(xiàn)象的存在[6]，對(duì)于一個(gè)動(dòng)力系統(tǒng)來(lái)說(shuō)，其信號(hào)在傳遞過(guò)程中總是存在著信號(hào)的傳輸時(shí)間滯后問(wèn)題，時(shí)滯問(wèn)題的存在會(huì)導(dǎo)致應(yīng)用系統(tǒng)的不穩(wěn)定。因此，對(duì)于神經(jīng)網(wǎng)絡(luò)系統(tǒng)的研究來(lái)說(shuō)，首要的任務(wù)就是系統(tǒng)的穩(wěn)定性研究，而穩(wěn)定性就是尋找神經(jīng)網(wǎng)絡(luò)的平衡點(diǎn)。給定一個(gè)激勵(lì)函數(shù)和常輸入向量，該神經(jīng)網(wǎng)絡(luò)系統(tǒng)的平衡點(diǎn)是一定存在的[7]，而且平衡點(diǎn)的相鄰域的任意狀態(tài)都會(huì)收斂到該平衡點(diǎn)，這樣系統(tǒng)就達(dá)到了狀態(tài)穩(wěn)定和輸出收斂?？梢钥闯?，神經(jīng)網(wǎng)絡(luò)系統(tǒng)的穩(wěn)定基礎(chǔ)就是系統(tǒng)平衡點(diǎn)的存在性，隨著時(shí)間的增加，神經(jīng)網(wǎng)絡(luò)所有狀態(tài)都會(huì)趨近于該平衡點(diǎn)。更重要的是該平衡點(diǎn)還具有唯一性，即平衡點(diǎn)對(duì)應(yīng)于唯一一個(gè)求解的目標(biāo)。平衡點(diǎn)的存在性和唯一性實(shí)際上就是數(shù)學(xué)上的全局穩(wěn)定性（漸近穩(wěn)定、指數(shù)穩(wěn)定）。

因此，對(duì)雙向聯(lián)想記憶神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性研究，首要的任務(wù)也是找出該網(wǎng)絡(luò)系統(tǒng)的平衡點(diǎn)的存在性和唯一性，即平衡點(diǎn)的漸進(jìn)穩(wěn)定條件，進(jìn)而去確定平衡態(tài)的吸引域以及其收斂速度，從而得到系統(tǒng)穩(wěn)定性的條件。本文就針對(duì)一種具有時(shí)滯性的BAM神經(jīng)網(wǎng)絡(luò)的平衡點(diǎn)的存在性和唯一性進(jìn)行證明，從而得到該系統(tǒng)平衡點(diǎn)的唯一性的充分條件，為進(jìn)一步尋找系統(tǒng)平衡點(diǎn)的漸進(jìn)穩(wěn)定條件奠定基礎(chǔ)。

2BAM神經(jīng)網(wǎng)絡(luò)工作方式

BAM神經(jīng)網(wǎng)絡(luò)是聯(lián)想記憶神經(jīng)網(wǎng)絡(luò)模型的一種。對(duì)于聯(lián)想記憶其又可以劃分為自聯(lián)想記憶和異聯(lián)想記憶（又稱為雙向聯(lián)想記憶）[8]。自聯(lián)想記憶的自聯(lián)想也就是一種可以由受損的輸入模式，經(jīng)過(guò)訓(xùn)練運(yùn)算，進(jìn)而能夠恢復(fù)到完整的模式本身；異聯(lián)想記憶神經(jīng)網(wǎng)絡(luò)模型在存儲(chǔ)方式不同于傳統(tǒng)的數(shù)字計(jì)算機(jī)按地址存儲(chǔ)信息的方式，其存儲(chǔ)方式是根據(jù)內(nèi)容去存儲(chǔ)信息，也就是說(shuō)在找到信息的地址后便能找到這個(gè)信息。異聯(lián)想記憶神經(jīng)網(wǎng)絡(luò)模型他就要求對(duì)于不同的存儲(chǔ)信息必須有不同的地址存儲(chǔ)。

5結(jié)論

在人工神經(jīng)網(wǎng)絡(luò)的研究中，穩(wěn)定性是最為人關(guān)注廣泛的一個(gè)問(wèn)題，而系統(tǒng)穩(wěn)定的前提就是給定一個(gè)輸入常量和激勵(lì)函數(shù)時(shí)，神經(jīng)網(wǎng)絡(luò)平衡點(diǎn)是存在的，而且對(duì)于其所在鄰域內(nèi)的任何狀態(tài)都是收斂平衡的。因此平衡點(diǎn)的存在和唯一性十分重要，本文利用BAM神經(jīng)網(wǎng)絡(luò)的模糊模型，證明了BAM神經(jīng)網(wǎng)絡(luò)的平衡點(diǎn)問(wèn)題，得出了系統(tǒng)平衡點(diǎn)的存在性和唯一性的結(jié)論。后期的研究將進(jìn)一步尋找系統(tǒng)平衡點(diǎn)的漸進(jìn)穩(wěn)定條件，確定平衡態(tài)的吸引域以及其收斂速度，從而達(dá)到系統(tǒng)的穩(wěn)定狀態(tài)，為實(shí)際應(yīng)用的實(shí)現(xiàn)奠定基礎(chǔ)。

參考文獻(xiàn)

[1]T. Takagi， M. Sugeno， Fuzzy identification of systems and its application to modeling and control[J]. Trans， Systems Man Cybernet ，1985，15（1）：116-132.

[2]李秀玲. 具時(shí)滯的神經(jīng)網(wǎng)絡(luò)模型的非平凡周期解的全局存在性[J]. 應(yīng)用數(shù)學(xué)學(xué)報(bào)， 2010，33（02）： 363-373.

[3]黃元清， 許金快， 鐘守銘. 具有離散和分布時(shí)滯的中立型細(xì)胞神經(jīng)網(wǎng)絡(luò)的全局漸近穩(wěn)定性[J]. 四川理工學(xué)院學(xué)報(bào)：自然科學(xué)版，2010，23（02）： 163-167.

[4]Y. Li， C. Yang， Global exponential stability analysis on impulsive BAM neural networks with distributed delays[J]. Math. Analy. Appl，2006，324（5）： 1125-1139.

[5]張麗娟，時(shí)寶.變時(shí)滯BAM神經(jīng)網(wǎng)絡(luò)的全局指數(shù)穩(wěn)定性[J].數(shù)學(xué)的實(shí)踐與認(rèn)識(shí)，2008，38（5）：148-153.

[6]Zhang C，Wei J. Bifurcation Analysis of a Class of Neural Networks with Delays [J]. Nonlinear Analysis： Real World Applications， 2008， （9） ：2234-2252 .

[7]時(shí)寶，袁建，潘特鐵，等. 帶脈沖的BAM神經(jīng)網(wǎng)絡(luò)的全局指數(shù)穩(wěn)定性[J]. 生物數(shù)學(xué)學(xué)報(bào)，2012，27（2）：241-250.

人工神經(jīng)網(wǎng)絡(luò)的實(shí)際應(yīng)用范文第4篇

關(guān)鍵詞：山區(qū)高速公路；填石路堤；人工神經(jīng)網(wǎng)絡(luò)；沉降

中圖分類號(hào)：U412.36+6文獻(xiàn)標(biāo)識(shí)碼： A

1 引言

在山區(qū)高速公路修筑中，存在大量的石質(zhì)挖方路段和隧道路段，怎樣利用大量的石質(zhì)填料填筑路堤，使其不出現(xiàn)工程質(zhì)量事故，同時(shí)避免一方面大量借石填筑路堤，另一方面又造成大量的石質(zhì)棄方占用農(nóng)田耕地的不合理現(xiàn)象，成為山區(qū)高速公路建設(shè)中迫切需要解決的問(wèn)題。在高等級(jí)公路逐漸進(jìn)入山區(qū)的今天，在云南省乃至全國(guó)范圍內(nèi)還將遇到更多的填石路堤修筑技術(shù)問(wèn)題。填石路堤的壓實(shí)工藝和檢測(cè)手段及檢測(cè)標(biāo)準(zhǔn)，粗粒料的壓實(shí)特性，填石路堤的沉降、穩(wěn)定性評(píng)價(jià)是填石路堤面臨的主要難題[1]。

2 沉降分析方法

本文采用神經(jīng)網(wǎng)絡(luò)方法對(duì)某山區(qū)高速公路填石路堤沉降進(jìn)行分析計(jì)算，以便科學(xué)合理的評(píng)價(jià)公路填石路堤穩(wěn)定性與沉降規(guī)律。

2.1神經(jīng)網(wǎng)絡(luò)模型

BP神經(jīng)網(wǎng)絡(luò)通常是指基于誤差反向傳播算法（BP算法）的多層前向神經(jīng)網(wǎng)絡(luò)，它是目前應(yīng)用最廣泛也是發(fā)展最成熟的一種神經(jīng)網(wǎng)絡(luò)模型，它是按層次結(jié)構(gòu)構(gòu)造的，包括一個(gè)輸入層、一個(gè)輸出層和一個(gè)或多個(gè)隱藏層（圖中只畫(huà)出一層），一層內(nèi)的節(jié)點(diǎn)（神經(jīng)元）只和與該層緊鄰的下一層各節(jié)點(diǎn)相連。這個(gè)網(wǎng)絡(luò)學(xué)習(xí)過(guò)程由正向傳播和反向傳播兩個(gè)過(guò)程組成。在正向傳播過(guò)程中，輸入信息從輸入層經(jīng)隱藏層逐層處理，然后傳向輸出層，每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)。如果在輸出層不能得到希望的輸出，則轉(zhuǎn)向反向傳播過(guò)程，將誤差信號(hào)沿原來(lái)的連接通路返回，通過(guò)修改各層神經(jīng)元的權(quán)值，使得誤差信號(hào)最小[2]。

網(wǎng)絡(luò)學(xué)習(xí)的過(guò)程首先從給出一組隨機(jī)的權(quán)值開(kāi)始，然后選取學(xué)習(xí)樣本集中的一個(gè)模式（輸入和期望輸出對(duì)）作為輸入，接著按前饋方式計(jì)算輸出值。這時(shí)的輸出值和期望值之間的誤差一般比較大，這就迫使權(quán)值必須改變。利用反向傳播過(guò)程，計(jì)算所有的權(quán)值的改變量。對(duì)所有的模式和所有的權(quán)值重復(fù)計(jì)算，修正權(quán)值后又以前饋方式重新計(jì)算輸出值。實(shí)際輸出和目標(biāo)輸出之間的偏差和權(quán)值改變量又一次在計(jì)算中產(chǎn)生。在學(xué)習(xí)樣本中的所有模式進(jìn)行計(jì)算后得到一組新的權(quán)值，在接下來(lái)的前饋過(guò)程中便得到一組新的輸出值，如此循環(huán)下去。在一次成功的學(xué)習(xí)中，系統(tǒng)誤差或單個(gè)輸入模式的誤差將隨著迭代次數(shù)的增加而減小，而過(guò)程將收斂到一組穩(wěn)定的權(quán)值。

實(shí)際上，BP模型把一組樣本的輸入輸出問(wèn)題變?yōu)橐粋€(gè)非線性優(yōu)化問(wèn)題。我們可以把這種模型看成一個(gè)從輸入到輸出的映射，這個(gè)映射是高度非線性的。如果輸入節(jié)點(diǎn)數(shù)為n，輸出節(jié)點(diǎn)數(shù)為m，則神經(jīng)網(wǎng)絡(luò)表示的是從n維歐式空間到m維歐式空間的映射。

2.2 神經(jīng)網(wǎng)絡(luò)模型的改進(jìn)

BP算法的主要缺點(diǎn)是：收斂速度慢、局部極值、難以確定隱層和隱層節(jié)點(diǎn)的個(gè)數(shù)。在實(shí)際應(yīng)用中，BP算法很難勝任，因此出現(xiàn)了許多改進(jìn)算法。BP算法的改進(jìn)主要有兩種途徑：一種是采用啟發(fā)式學(xué)習(xí)算法，另一種則是采用更有效的優(yōu)化算法。

啟發(fā)式學(xué)習(xí)算法，就是對(duì)于表現(xiàn)函數(shù)梯度加以分析，從而改進(jìn)算法，其中包括：有動(dòng)量的梯度下降法（traingdm）、有自適應(yīng)lr的梯度下降法（traingda）、有動(dòng)量和自適應(yīng)lr的梯度下降法（traingdx）和能復(fù)位的BP訓(xùn)練法（trainrp）等。另一種是基于數(shù)值最優(yōu)化理論的訓(xùn)練算法，其中包括共軛梯度法、高斯－牛頓法和Levenberg-Marquardt方法等。

本文采用共軛梯度法進(jìn)行改進(jìn)。共軛梯度法是梯度法的一種改進(jìn)方法，可以改進(jìn)梯度法振蕩和收斂性差的缺陷。其基本思路是尋找與負(fù)梯度方向和上一次搜索方向共軛的方向作為新的搜索方向，從而加快訓(xùn)練速度，并提高訓(xùn)練精度。所有的共軛梯度法，都采用負(fù)梯度方向作為初始搜索方向：

然后沿著該方向作一維搜索：

接下來(lái)，就利用共軛方向作為新一輪的搜索方向，通常在當(dāng)前負(fù)梯度上附加上一次搜索方向：

共軛梯度法通常比自適應(yīng)lr的梯度下降法速度快，有時(shí)候也優(yōu)于彈性梯度下降法。同時(shí)由于共軛梯度法占有較少的存儲(chǔ)空間，因此在訓(xùn)練復(fù)雜網(wǎng)絡(luò)的時(shí)候，通常選用共軛梯度法[3]。

2.3程序的實(shí)現(xiàn)

本文采用Matlab，進(jìn)行程序的編制，算法如下：

%%神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)_BP神經(jīng)網(wǎng)絡(luò)模型

% n：原始數(shù)據(jù)個(gè)數(shù) x：填石路堤沉降實(shí)測(cè)值 y：填石路堤沉降預(yù)測(cè)值

clc;clear all;

clf;

%%讀數(shù)據(jù)；

load x1.txt;load x2.txt;

P=x2;x=x1;

%%NEWFF——生成新的線性神經(jīng)網(wǎng)絡(luò)

%%TRIAN——對(duì)線性神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練

%%SIM——對(duì)線性神經(jīng)網(wǎng)絡(luò)進(jìn)行仿真

%P——為輸入矢量；

%x——為目標(biāo)矢量；

%創(chuàng)建網(wǎng)絡(luò)

net=newff(minmax(P),[1,1],{'tansig','purelin'},'traingdm');

%當(dāng)前網(wǎng)絡(luò)層的權(quán)值與閾值

layerWights=net.LW{2,1};

layerbias=net.b{2};

%設(shè)置訓(xùn)練參數(shù)

net.trainParam.show=50;

net.trainParam.lr=0.05;

net.trainParam.mc=0.9;

net.trainParam.epochs=100;

net.trainParam.goal=0.1;

%%對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練

[net,tr]=train(net,P,x);

%對(duì)線性網(wǎng)絡(luò)進(jìn)行仿真

y=sim(net,P);

y

x

3 填石路堤沉降計(jì)算分析結(jié)果

以現(xiàn)場(chǎng)監(jiān)測(cè)數(shù)據(jù)與網(wǎng)絡(luò)預(yù)測(cè)值進(jìn)行比較如表1所示。應(yīng)用該模型進(jìn)行預(yù)測(cè)精度很高，這進(jìn)一步證明了該BP神經(jīng)網(wǎng)絡(luò)擬合效果好，泛化能力強(qiáng)，收斂快。所以，該法在填石路堤最終沉降預(yù)測(cè)中十分有效和可行。

表1 網(wǎng)絡(luò)預(yù)測(cè)與實(shí)際值比較

4 結(jié)輪

本文將人工神經(jīng)網(wǎng)絡(luò)引入到填石路堤的沉降計(jì)算，利用實(shí)測(cè)資料，直接建模，更好的反映了填石路堤的沉降規(guī)律，工程實(shí)例研究表明，網(wǎng)絡(luò)預(yù)測(cè)值與實(shí)測(cè)值吻合較好，可信度較高，并且隨著學(xué)習(xí)樣本的不斷補(bǔ)充，網(wǎng)絡(luò)的預(yù)測(cè)精度將進(jìn)一步提高。

（1）一個(gè)良好的神經(jīng)網(wǎng)絡(luò)模型，可以不斷學(xué)習(xí)，使求解的范圍不斷擴(kuò)大，同時(shí)人工神經(jīng)網(wǎng)絡(luò)的抗干擾能力較強(qiáng)，個(gè)別測(cè)點(diǎn)的誤差將不會(huì)對(duì)結(jié)果產(chǎn)生大的影響。

（2）工程實(shí)例研究表明，實(shí)測(cè)值與神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值吻合較好，但也有個(gè)別點(diǎn)偏差較大，主要原因是訓(xùn)練的數(shù)據(jù)太少，隨著訓(xùn)練數(shù)據(jù)的增加，網(wǎng)絡(luò)的預(yù)測(cè)精度還會(huì)進(jìn)一步提高。

（3）人工神經(jīng)網(wǎng)絡(luò)方法避免了傳統(tǒng)方法的許多弊病，具有自組織、自適應(yīng)、容錯(cuò)性等特點(diǎn)，計(jì)算精度高，操作簡(jiǎn)便，適應(yīng)性強(qiáng)，因而具有廣闊的工程應(yīng)用前景。

參考文獻(xiàn)：

人工神經(jīng)網(wǎng)絡(luò)的實(shí)際應(yīng)用范文第5篇

摘要：旅游需求的預(yù)測(cè)預(yù)報(bào)研究一直是旅游學(xué)研究的一個(gè)重要課題。本文在對(duì)到訪澳門(mén)地區(qū)中國(guó)內(nèi)地游客量分析的基礎(chǔ)上,運(yùn)用人工神經(jīng)網(wǎng)絡(luò)(ANN)的理論和方法,構(gòu)建了ANN模型分析中的3層BP模型,以澳門(mén)近10年（1996-20__）入境來(lái)訪的中國(guó)內(nèi)地旅游人數(shù)為例進(jìn)行模型驗(yàn)證，模擬結(jié)果表明,BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的結(jié)果能夠高程度的吻合原始數(shù)據(jù)，在旅游市場(chǎng)預(yù)測(cè)中，BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)是一種有效的預(yù)測(cè)方法。一．問(wèn)題的提出與分析近年來(lái)，對(duì)澳門(mén)地區(qū)的旅游業(yè)來(lái)說(shuō)，中國(guó)內(nèi)地旅客是旅游收入的主要來(lái)源。目前旅游業(yè)已成為澳門(mén)地區(qū)經(jīng)濟(jì)發(fā)展特別是第二產(chǎn)業(yè)發(fā)展的支柱。建立科學(xué)的可操作的旅游預(yù)測(cè)模型是實(shí)現(xiàn)澳門(mén)地區(qū)旅游業(yè)持續(xù)健康穩(wěn)定發(fā)展的理論基石和前提。由于影響某地旅游人數(shù)的因素各異，還不存在普遍適用的神經(jīng)網(wǎng)絡(luò)模型?；诖?，本文擬用3層BP神經(jīng)網(wǎng)絡(luò)模型來(lái)仿真模擬分析和預(yù)測(cè)澳門(mén)地區(qū)旅游需求,以此為旅游需求預(yù)測(cè)提供一種新的方法。二．模型的假設(shè)與符號(hào)說(shuō)明1．基本假設(shè)1）交通在旅游中通常不是重要的，為了研究的方便（主要是無(wú)法獲得交通數(shù)據(jù)），把交通這個(gè)影響忽略。2）假設(shè)澳門(mén)的接待能力都滿足需求。3）在本例旅游需求預(yù)測(cè)模型中，我們考慮的主要因素有：客源地的人口，客源地的總收入，客源地的消費(fèi)水平，旅游目的地的生活水平。4）為了研究的方便，假定以上四因子之間相互獨(dú)立，本例旅游需求即為上述四因子的函數(shù)，即y=f(GDI,POP,GDE,M-GP)。就用這四個(gè)因素作為人工神經(jīng)網(wǎng)絡(luò)模型輸入層的神經(jīng)元。2．符號(hào)說(shuō)明T澳門(mén)內(nèi)地游客量GDI中國(guó)內(nèi)地國(guó)民總收入POP中國(guó)內(nèi)地人口總數(shù)GDE中國(guó)內(nèi)地國(guó)民消費(fèi)水平M-GP澳門(mén)生產(chǎn)總值三．模型的建立與求解1．人工神經(jīng)網(wǎng)絡(luò)模型理論原理

人工神經(jīng)網(wǎng)絡(luò)（ArtificialNeuralNetwork）是由大量的、簡(jiǎn)單元件（神經(jīng)元）廣泛相互聯(lián)結(jié)而成的非線性的、動(dòng)態(tài)的復(fù)雜網(wǎng)絡(luò)信息處理系統(tǒng)，它是在現(xiàn)代神經(jīng)學(xué)研究成果基礎(chǔ)上提出的，能模擬人腦的若干基本功能[1]。它具有并行分布的信息處理結(jié)構(gòu)，可以通過(guò)“自學(xué)習(xí)”或“訓(xùn)練”的方式完成某一特定的工作。它可以從積累的工作案例中學(xué)習(xí)知識(shí)，盡可能多地把各種定性或定量的因素作為變量加以輸入，從而建立各種影響因素與結(jié)論之間的高度非線性映射，采用自適應(yīng)模式識(shí)別方法來(lái)完成預(yù)測(cè)工作[2]。人工神經(jīng)網(wǎng)絡(luò)模型尤其是對(duì)處理內(nèi)部規(guī)律不甚了解、不能用一組規(guī)則或方程進(jìn)行描述的復(fù)雜的、開(kāi)放的非線性系統(tǒng)顯得較為優(yōu)越。人工神經(jīng)網(wǎng)絡(luò)模型一般由處理單元、激活狀態(tài)、單元輸出、連接模式、激活規(guī)則、學(xué)習(xí)規(guī)則等6個(gè)部分組成。一個(gè)多層神經(jīng)網(wǎng)絡(luò)中包含有很多個(gè)信息處理單元,分布于不同的層次中。根據(jù)每項(xiàng)輸入和相應(yīng)的權(quán)重獲取一個(gè)綜合信號(hào)，當(dāng)信號(hào)超過(guò)閾值則激活神經(jīng)元而產(chǎn)生輸出。各類影響因素和最終輸出結(jié)果之間可以假定存在一種映射,即輸出結(jié)果＝F（影響因素）。為了尋求最佳的映射關(guān)系F，將訓(xùn)練樣本集合和輸入、輸出轉(zhuǎn)化為一種非線性關(guān)系，通過(guò)對(duì)簡(jiǎn)單非線性函數(shù)的復(fù)合，從而建立一個(gè)高度的非線性映射關(guān)系F,最終實(shí)現(xiàn)輸出值的最優(yōu)逼近［3］。在人工神經(jīng)網(wǎng)絡(luò)的實(shí)際應(yīng)用中，80~90的人工神經(jīng)網(wǎng)絡(luò)是采用前饋反向傳播網(wǎng)絡(luò)（back-propagation-network,簡(jiǎn)稱BP網(wǎng)絡(luò)）或它的變化形式。BP神經(jīng)網(wǎng)絡(luò)（如圖一）是一種單項(xiàng)傳播的多層前向神經(jīng)網(wǎng)絡(luò)，分為輸入層、隱含層和輸出層，層與層之間采用全連接方式，同一層單元之間不存在相互連接。它是前向網(wǎng)絡(luò)的核心部分，體現(xiàn)了人工神經(jīng)網(wǎng)絡(luò)最精華的部分[4]。標(biāo)準(zhǔn)的BP網(wǎng)絡(luò)是根據(jù)W-H學(xué)習(xí)規(guī)則，采用梯度下降算法，對(duì)非線性可微函數(shù)進(jìn)行權(quán)值訓(xùn)練的多層網(wǎng)絡(luò)。圖一：BP神經(jīng)網(wǎng)絡(luò)的每一層的權(quán)值通過(guò)學(xué)習(xí)來(lái)調(diào)節(jié)，其基本處理單元為非線性輸入－輸出關(guān)系，選用S型作用函數(shù)：其中：xj為該神經(jīng)元第i個(gè)輸入；wij為前一層第i個(gè)神經(jīng)元至該神經(jīng)元j的連接權(quán)值，i＝0時(shí)的權(quán)值為閾值。其計(jì)算步驟如下：（1）給定一組隨機(jī)的權(quán)值和閾值初始值及步長(zhǎng)系數(shù)η與勢(shì)態(tài)因子α；（2）取學(xué)習(xí)樣本數(shù)據(jù)，根據(jù)學(xué)習(xí)樣本、權(quán)值及閥值計(jì)算輸出，并與學(xué)習(xí)期望輸出比較，當(dāng)誤差滿足要求時(shí)結(jié)束訓(xùn)練，否則將誤差向后逐層傳播，并修正各層連接權(quán)值，調(diào)整公式為：其中：k取j結(jié)點(diǎn)所在層的前一層所有結(jié)點(diǎn)。5）澳門(mén)內(nèi)地旅客人數(shù)神經(jīng)網(wǎng)絡(luò)模型的建立(一)BP網(wǎng)絡(luò)設(shè)計(jì)網(wǎng)絡(luò)設(shè)計(jì)是一個(gè)綜合性問(wèn)題，它應(yīng)滿足多種不同要求，例如，希望所涉及的網(wǎng)絡(luò)有較好的推理能力，易于硬件實(shí)現(xiàn)，訓(xùn)練速度快等，其中有較好的推理能力是最主要的。一般來(lái)說(shuō)，推廣能力決定于3個(gè)主要因素，即問(wèn)題本身的復(fù)雜程度、網(wǎng)絡(luò)結(jié)構(gòu)以及樣本量大小。在一般情況下，旅游需求預(yù)測(cè)研究中樣本的數(shù)量是一定的，因此可歸結(jié)為在樣本量一定的情況下，如何選擇網(wǎng)絡(luò)規(guī)模的問(wèn)題。在進(jìn)行BP網(wǎng)絡(luò)預(yù)測(cè)模型設(shè)計(jì)中，我們主要考慮以下因素：網(wǎng)絡(luò)的層數(shù)、每層中的神經(jīng)元個(gè)數(shù)、初始值的選擇、學(xué)習(xí)速率和期望誤差。i)網(wǎng)絡(luò)的層數(shù)已證明：具有偏差和至少一個(gè)S型隱含層加上一個(gè)線性輸出層的網(wǎng)絡(luò)，能夠逼近任何有理函數(shù)。所以，本文選擇一個(gè)3層的BP網(wǎng)絡(luò)。ii)每層中神經(jīng)元的個(gè)數(shù)輸入層和輸出層神經(jīng)元的個(gè)數(shù)根據(jù)解決具體問(wèn)題的復(fù)雜程度而定。為了提高網(wǎng)絡(luò)訓(xùn)練的精度，可以通過(guò)采用一個(gè)隱含層，再加上1到2個(gè)神經(jīng)元以加快誤差的下降速度即可。因此，本文輸入層神經(jīng)元個(gè)數(shù)選擇為4個(gè)，隱含層神經(jīng)元個(gè)數(shù)分別選擇了9、12、15個(gè)，輸出層神經(jīng)元個(gè)數(shù)選擇為1個(gè)。iii)初始值的選擇由于人工神經(jīng)網(wǎng)絡(luò)是一個(gè)非線性系統(tǒng)，初始值的選擇對(duì)于網(wǎng)絡(luò)學(xué)習(xí)是否達(dá)到局部最小、是否能夠收斂以及訓(xùn)練時(shí)間的長(zhǎng)短都有較大影響。在初始值的選擇上一般是使經(jīng)過(guò)初始值加權(quán)后的每個(gè)神經(jīng)元的輸出值都接近零，這樣可以保證每一個(gè)神經(jīng)元的連接權(quán)值都能夠在它們的S型激活函數(shù)變化最大處進(jìn)行調(diào)解。所以，初始值一般選擇在（-1,1）之間的隨機(jī)數(shù)。本文的初始值為默認(rèn)值。iv)學(xué)習(xí)速率對(duì)于任何一個(gè)網(wǎng)絡(luò)都對(duì)應(yīng)一個(gè)合適的學(xué)習(xí)速率。學(xué)習(xí)速率決定每一次循環(huán)訓(xùn)練中所產(chǎn)生的權(quán)值的變化量。大的學(xué)習(xí)速率可以導(dǎo)致網(wǎng)絡(luò)的不穩(wěn)定，但是小的學(xué)習(xí)速率又會(huì)導(dǎo)致訓(xùn)練時(shí)間延長(zhǎng)，收斂速度較慢，不能保證網(wǎng)絡(luò)的誤差能最終趨于最小。綜合上述考慮，在學(xué)習(xí)速率的選擇上傾向于選擇較小的學(xué)習(xí)速率以保證網(wǎng)絡(luò)的穩(wěn)定性，本文選擇的學(xué)習(xí)速率為0.01。v)期望誤差值期望誤差值的確定也是通過(guò)網(wǎng)絡(luò)對(duì)不同誤差值分別進(jìn)行訓(xùn)練比較后確定的最適合值。所謂的最適合值是相對(duì)于所需要的隱含層的節(jié)點(diǎn)數(shù)來(lái)確定的，一個(gè)較小的誤差值的獲得需要增加隱含層的節(jié)點(diǎn)以及訓(xùn)練時(shí)間。本文經(jīng)過(guò)不斷測(cè)試，選擇0.0001為期望誤差值。（二）1．網(wǎng)絡(luò)訓(xùn)練模式的選擇訓(xùn)練網(wǎng)絡(luò)有兩類模式：逐變模式和批變模式。在逐變模式中，每一個(gè)輸入被作用于網(wǎng)絡(luò)后，權(quán)重和偏置量被更新一次。在批變模式中，所有的輸入被應(yīng)用于網(wǎng)絡(luò)后，權(quán)重和偏置量才被更新 一次。使用批變模式不需要為每一層的權(quán)重和偏置量設(shè)定訓(xùn)練函數(shù)，而只需為整個(gè)網(wǎng)絡(luò)制定一個(gè)訓(xùn)練函數(shù)，使用起來(lái)相對(duì)方便，因此，本文在進(jìn)行網(wǎng)絡(luò)訓(xùn)練時(shí)采用批變模式。表格一：年度

澳門(mén)的內(nèi)地游客量(T)（千人）中國(guó)內(nèi)地國(guó)民總收入(GDI)（億元）中國(guó)內(nèi)地人口數(shù)(POP)（萬(wàn)人）中國(guó)內(nèi)地居民消費(fèi)水平（GDE）（元）澳門(mén)生產(chǎn)總值（M-GP）(億美元)1996604．270142.5122389278966.31997529．877653.1123626300266.71998816．883024.3124761315961.919991645．288189.0125786334659.220__2274．798000.5126743363261.020__3005．7108068.2127627386961.920__4240．4119095.7128453410668.220__5742．0135174.0129227441179.220__9529．7159586.71299884925103.320__10463183956.11307565439115.62．?dāng)?shù)據(jù)和模型的建立神經(jīng)網(wǎng)絡(luò)模型要求數(shù)據(jù)具有：A、易獲得性B、可靠性C、可測(cè)度性。本項(xiàng)研究采用很可靠的官方發(fā)表的數(shù)據(jù)作為分析的數(shù)據(jù)源（見(jiàn)表1），主要來(lái)自于中國(guó)統(tǒng)計(jì)局網(wǎng)。用3層BP網(wǎng)絡(luò)模型對(duì)本例旅游需求進(jìn)行模擬，根據(jù)BP網(wǎng)絡(luò)的映射原理，對(duì)于樣本集合X和輸出Y，可以假設(shè)存在一映射F。為了尋求F的最佳映射值，BP網(wǎng)絡(luò)模型將樣本集合的輸入、輸出轉(zhuǎn)化為非線性優(yōu)化，通過(guò)對(duì)簡(jiǎn)單的非線性函數(shù)的復(fù)合，建立一個(gè)高度的非線性映射關(guān)系，實(shí)現(xiàn)F值的最優(yōu)逼近。對(duì)于本例旅游需求模型的模擬：其輸入層結(jié)點(diǎn)數(shù)（4個(gè)神經(jīng)元）：中國(guó)內(nèi)地國(guó)民總收入（GDI）、中國(guó)內(nèi)地人口總數(shù)（POP）、中國(guó)內(nèi)地國(guó)民消費(fèi)水平（GDE）、澳門(mén)生產(chǎn)總值（M-GP）。把澳門(mén)內(nèi)地游客量（T）作為輸出結(jié)點(diǎn)。從而得出3層前饋反向傳播神經(jīng)網(wǎng)絡(luò)模型。四．模型結(jié)果及分析1網(wǎng)絡(luò)訓(xùn)練性能的檢查。不同個(gè)數(shù)的隱層單元組成的BP網(wǎng)絡(luò)訓(xùn)練曲線如圖1，2，3所示。通過(guò)比較發(fā)現(xiàn)，中間層神經(jīng)元個(gè)數(shù)為9和12時(shí)，網(wǎng)絡(luò)的收斂速度比較快。2網(wǎng)絡(luò)預(yù)測(cè)性能的考查。在數(shù)據(jù)列表中選取1996年到20__年的數(shù)據(jù)作為網(wǎng)絡(luò)的測(cè)試數(shù)據(jù)。20__、20__年的(文秘站:)游客量檢驗(yàn)誤差曲線如圖4。其仿真結(jié)果令人滿意，達(dá)到預(yù)期的效果。圖1圖2圖3圖4五．模型的應(yīng)用與評(píng)價(jià)（優(yōu)缺點(diǎn)與改進(jìn)）從上面的分析可以看出，3層BP神經(jīng)網(wǎng)絡(luò)模型的仿真模擬效果是鄰人滿意的?？梢钥闯?，人工神經(jīng)網(wǎng)絡(luò)的擬合精度比較高，主要是基于人工神經(jīng)網(wǎng)絡(luò)抗干擾能力強(qiáng)，穩(wěn)定性好，能自動(dòng)準(zhǔn)確地找出各種輸入和輸出之間的線性或非線性關(guān)系，具有較強(qiáng)的模擬適應(yīng)能力等特點(diǎn)。在本例對(duì)于澳門(mén)的內(nèi)地游客量的旅游預(yù)測(cè)中BP神經(jīng)網(wǎng)絡(luò)模型是一種有效的預(yù)測(cè)方法。這一研究方法為旅游學(xué)的定量預(yù)測(cè)研究提供了一種新的思路，也為工程實(shí)踐問(wèn)題中的一些研究工作提供了一種非常好的指導(dǎo)方法。雖然BP網(wǎng)絡(luò)得到了廣泛應(yīng)用，但其自身也存在一些缺陷和不足，主要包括幾個(gè)方面的問(wèn)題。首先，由于學(xué)習(xí)速率是固定的，因此，網(wǎng)絡(luò)的收斂速度慢，需要較強(qiáng)的訓(xùn)練時(shí)間。再次，網(wǎng)絡(luò)隱含層的層數(shù)和單元數(shù)的選擇尚無(wú)理論上的指導(dǎo)，一般是根據(jù)應(yīng)驗(yàn)或者通過(guò)反復(fù)試驗(yàn)確定的。因此，網(wǎng)絡(luò)往往存在很大的冗余性，在一定上也增加了網(wǎng)絡(luò)學(xué)習(xí)的負(fù)擔(dān)。六．原題附帶問(wèn)題簡(jiǎn)析通過(guò)對(duì)本例旅游需求模型的分析，我們認(rèn)為在利用數(shù)學(xué)建模的方法對(duì)旅游需求進(jìn)行預(yù)測(cè)預(yù)報(bào)時(shí)，對(duì)于數(shù)據(jù)的采集和整理工作需要認(rèn)真做好。對(duì)于數(shù)據(jù)的分析有助于我們尋求變量間的關(guān)系，以形成初步的想法。如何獲得數(shù)據(jù)以及如何獲得準(zhǔn)確的數(shù)據(jù)對(duì)于我們研究實(shí)際問(wèn)題具有相當(dāng)重大的意義。收集數(shù)據(jù)并非多多益善，而是要弄清究竟需要哪些數(shù)據(jù)，剔除不必要的數(shù)據(jù)，從而減少冗余的工作。同時(shí)，需要什么形式的數(shù)據(jù)也是我們應(yīng)該思考的一個(gè)問(wèn)題，這與建立模型的目的和所選擇的模型的特點(diǎn)有關(guān)。[參考文獻(xiàn)][1]王士同，等．問(wèn)題求解的人工智能：神經(jīng)網(wǎng)絡(luò)方法[M].北京：氣象出版社，1995.[2]HillT,MarquezO’connorM,RemusW.ArtificialNeuralNetworkMedelsfor

ForecastingandDecisionMaking[J].InternationalJournalofForecasting,1993,