導(dǎo)語(yǔ)：如何才能寫好一篇神經(jīng)網(wǎng)絡(luò)的認(rèn)識(shí)，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

關(guān)鍵詞性能對(duì)比感知器BP網(wǎng)絡(luò)霍普菲爾德網(wǎng)絡(luò)字符識(shí)別

1引言

人工神經(jīng)網(wǎng)絡(luò)是在人類對(duì)其大腦神經(jīng)網(wǎng)絡(luò)認(rèn)識(shí)理解的基礎(chǔ)上人工構(gòu)造的能夠?qū)崿F(xiàn)某種功能的神經(jīng)網(wǎng)絡(luò)。 它是理論化的人腦神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)模型，是基于模仿大腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和功能而建立的一種信息處理系統(tǒng)。因其自組織、自學(xué)習(xí)能力以及具有信息的分布式存儲(chǔ)和并行處理，信息存儲(chǔ)與處理的合一等特點(diǎn)得到了廣泛的關(guān)注，已經(jīng)發(fā)展了上百種人工神經(jīng)網(wǎng)絡(luò)。

一般來說，人工神經(jīng)網(wǎng)絡(luò)從結(jié)構(gòu)上可分為兩種:前向網(wǎng)絡(luò)和反饋網(wǎng)絡(luò)。典型的前向網(wǎng)絡(luò)有單層感知器、BP網(wǎng)絡(luò)等，反饋網(wǎng)絡(luò)有霍普菲爾德網(wǎng)絡(luò)等[1]。

人工神經(jīng)網(wǎng)絡(luò)已經(jīng)被廣泛應(yīng)用于模式識(shí)別、信號(hào)處理、專家系統(tǒng)、優(yōu)化組合、智能控制等各個(gè)方面，其中采用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行模式識(shí)別具有一些傳統(tǒng)技術(shù)所沒有的優(yōu)點(diǎn):良好的容錯(cuò)能力[2j、分類能力、并行處理能力和自學(xué)習(xí)能力，并且其運(yùn)行速度快，自適應(yīng)性能好，具有較高的分辨率。單層感知器、BP網(wǎng)絡(luò)和霍普菲爾德網(wǎng)絡(luò)均可以用于字符識(shí)別。

本文通過具體采用感知器網(wǎng)絡(luò)、BP網(wǎng)絡(luò)和霍普菲爾德反饋網(wǎng)絡(luò)對(duì)26個(gè)英文字母進(jìn)行識(shí)別的應(yīng)用，通過實(shí)驗(yàn)給出各自的識(shí)別出錯(cuò)率，通過比較，可以看出這3種神經(jīng)網(wǎng)絡(luò)的識(shí)別能力以及各自的優(yōu)缺點(diǎn)。

2 字符識(shí)別問題描述與網(wǎng)絡(luò)識(shí)別前的預(yù)處理

字符識(shí)別在現(xiàn)代日常生活的應(yīng)用越來越廣泛，比如車輛牌照自動(dòng)識(shí)別系統(tǒng)[3，4]，手寫識(shí)別系統(tǒng)[5]，辦公自動(dòng)化等等[6]。畢業(yè)論文 本文采用單層感知器、BP網(wǎng)絡(luò)和霍普菲爾德網(wǎng)絡(luò)對(duì)26個(gè)英文字母進(jìn)行識(shí)別。首先將待識(shí)別的26個(gè)字母中的每一個(gè)字母都通過長(zhǎng)和寬分別為7×5的方格進(jìn)行數(shù)字化處理，并用一個(gè)向量表示。其相應(yīng)有數(shù)據(jù)的位置置為1，其他位置置為O。圖1給出了字母A、B和C的數(shù)字化過程，其中最左邊的為字母A的數(shù)字化處理結(jié)果所得對(duì)應(yīng)的向量為:IetterA~「00100010100101010001111111000110001〕’，由此可得每個(gè)字母由35個(gè)元素組成一個(gè)向量。由26個(gè)標(biāo)準(zhǔn)字母組成的輸人向量被定義為一個(gè)輸人向量矩陣alphabet，即神經(jīng)網(wǎng)絡(luò)的樣本輸人為一個(gè)35×26的矩陣。其中alphabet=[letterA，letterB，lettere，……letterZj。網(wǎng)絡(luò)樣本輸出需要一個(gè)對(duì)26個(gè)輸人字母進(jìn)行區(qū)分輸出向量，對(duì)于任意一個(gè)輸人字母，網(wǎng)絡(luò)輸出在字母對(duì)應(yīng)的順序位置上的值為1，其余為O，即網(wǎng)絡(luò)輸出矩陣為對(duì)角線上為1的26×26的單位陣，定義target=eye(26)。

本文共有兩類這樣的數(shù)據(jù)作為輸人:一類是理想的標(biāo)準(zhǔn)輸人信號(hào);另一類是在標(biāo)準(zhǔn)輸人信號(hào)中加上用MATLAB工具箱里的噪聲信號(hào)，即randn函數(shù)。

3 識(shí)別字符的網(wǎng)絡(luò)設(shè)計(jì)及其實(shí)驗(yàn)分析

3.1單層感知器的設(shè)計(jì)及其識(shí)別效果

選取網(wǎng)絡(luò)35個(gè)輸人節(jié)點(diǎn)和26個(gè)輸出節(jié)點(diǎn)，設(shè)置目標(biāo)誤差為0.0001，最大訓(xùn)練次數(shù)為40。設(shè)計(jì)出的網(wǎng)絡(luò)使輸出矢量在正確的位置上輸出為1，在其他位置上輸出為O。醫(yī)學(xué)論文 首先用理想輸人信號(hào)訓(xùn)練網(wǎng)絡(luò)，得到無噪聲訓(xùn)練結(jié)果，然后用兩組標(biāo)準(zhǔn)輸入矢量加上兩組帶有隨機(jī)噪聲的輸人矢量訓(xùn)練網(wǎng)絡(luò)，這樣可以保證網(wǎng)絡(luò)同時(shí)具有對(duì)理想輸人和噪聲輸人分類的能力。網(wǎng)絡(luò)訓(xùn)練完后，為保證網(wǎng)絡(luò)能準(zhǔn)確無誤地識(shí)別出理想的字符，再用無噪聲的標(biāo)準(zhǔn)輸入訓(xùn)練網(wǎng)絡(luò)，最終得到有能力識(shí)別帶有噪聲輸人的網(wǎng)絡(luò)。下一步是對(duì)所設(shè)計(jì)的網(wǎng)絡(luò)進(jìn)行性能測(cè)試:給網(wǎng)絡(luò)輸人任意字母，并在其上加人具有平均值從。~0.2的噪聲，隨機(jī)產(chǎn)生100個(gè)輸人矢量，分別對(duì)上述兩種網(wǎng)絡(luò)的字母識(shí)別出錯(cuò)率進(jìn)行實(shí)驗(yàn)，結(jié)果如圖2所示。其中縱坐標(biāo)所表示的識(shí)別出錯(cuò)率是將實(shí)際輸出減去期望輸出所得的輸出矩陣中所有元素的絕對(duì)值和的一半再除以26得到的;虛線代表用無噪聲的標(biāo)準(zhǔn)輸人信號(hào)訓(xùn)練出網(wǎng)絡(luò)的出錯(cuò)率，實(shí)線代表用有噪聲訓(xùn)練出網(wǎng)絡(luò)的出錯(cuò)率。從圖中可以看出，無噪聲訓(xùn)練網(wǎng)絡(luò)對(duì)字符進(jìn)行識(shí)別時(shí)，當(dāng)字符一出現(xiàn)噪聲時(shí)，該網(wǎng)絡(luò)識(shí)別立刻出現(xiàn)錯(cuò)誤;當(dāng)噪聲均值超過0.02時(shí)，識(shí)別出錯(cuò)率急劇上升，其最大出錯(cuò)率達(dá)到21.5%。由此可見，無噪聲訓(xùn)練網(wǎng)絡(luò)識(shí)別幾乎沒有抗干擾能力。而有噪聲訓(xùn)練出的網(wǎng)絡(luò)具有一定的抗干擾能力，它在均值為。~0.06之間的噪聲環(huán)境下，能夠準(zhǔn)確無誤地識(shí)別;其最大識(shí)別出錯(cuò)率約為6.6%，遠(yuǎn)遠(yuǎn)小于無噪聲訓(xùn)練出的網(wǎng)絡(luò)。

3.2BP網(wǎng)絡(luò)的設(shè)計(jì)及其識(shí)別效果

該網(wǎng)絡(luò)設(shè)計(jì)方法在文獻(xiàn)[lj中有詳細(xì)介紹。網(wǎng)絡(luò)具有35個(gè)輸人節(jié)點(diǎn)和26個(gè)輸出節(jié)點(diǎn)。目標(biāo)誤差為0.0001，采用輸人在(0，l)范圍內(nèi)對(duì)數(shù)S型激活函數(shù)兩層109519/109519網(wǎng)絡(luò)，隱含層根據(jù)經(jīng)驗(yàn)選取10個(gè)神經(jīng)元。和單層感知器一樣，分別用理想輸人信號(hào)和帶有隨機(jī)噪聲的輸人訓(xùn)練網(wǎng)絡(luò)，得到有噪聲訓(xùn)練網(wǎng)絡(luò)和無噪聲訓(xùn)練網(wǎng)絡(luò)。由于噪聲輸人矢量可能會(huì)導(dǎo)致網(wǎng)絡(luò)的1或o輸出不正確，或出現(xiàn)其他值，所以為了使網(wǎng)絡(luò)具有抗干擾能力，在網(wǎng)絡(luò)訓(xùn)練后，再將其輸出經(jīng)過一層競(jìng)爭(zhēng)網(wǎng)絡(luò)的處理，使網(wǎng)絡(luò)的輸出只在本列中的最大值的位t為1，保證在其他位置輸出為O，其中網(wǎng)絡(luò)的訓(xùn)練采用自適應(yīng)學(xué)習(xí)速率加附加動(dòng)量法，在MATLAB工具箱中直接調(diào)用traingdx。在與單層感知器相同的測(cè)試條件下對(duì)網(wǎng)絡(luò)進(jìn)行性能測(cè)試，結(jié)果如圖3所示。其中虛線代表用無噪聲訓(xùn)練網(wǎng)絡(luò)的出錯(cuò)率，實(shí)線代表用有噪聲訓(xùn)練網(wǎng)絡(luò)的出錯(cuò)率。從圖中可以看出，在均值為o一0.12之間的噪聲環(huán)境下，兩個(gè)網(wǎng)絡(luò)都能夠準(zhǔn)確地進(jìn)行識(shí)別。在0.12~0.15之間的噪聲環(huán)境下，由于噪聲幅度相對(duì)較小，待識(shí)別字符接近于理想字符，故無噪聲訓(xùn)練網(wǎng)絡(luò)的出錯(cuò)率較有噪聲訓(xùn)練網(wǎng)絡(luò)略低。當(dāng)所加的噪聲均值超過。.15時(shí)，待識(shí)別字符在噪聲作用下不再接近于理想字符，無噪聲訓(xùn)練網(wǎng)絡(luò)的出錯(cuò)率急劇上升，此時(shí)有噪聲訓(xùn)練網(wǎng)絡(luò)的性能較優(yōu).

轉(zhuǎn)貼于 3.3離散型，霍普菲爾德網(wǎng)絡(luò)的設(shè)計(jì)及其識(shí)別效果

此時(shí)網(wǎng)絡(luò)輸人節(jié)點(diǎn)數(shù)目與輸出神經(jīng)元的數(shù)目是相等的，有r=s=35，采用正交化的權(quán)值設(shè)計(jì)方法。在MATLAB工具箱中可直接調(diào)用函數(shù)newh叩.m。要注意的是，由于調(diào)用函數(shù)newhoP.m，需要將輸人信號(hào)中所有的。英語(yǔ)論文 變換為一1。如letterA~[一1一11~1-1一11一11一l一11一11一11一1一1一11111111一l一l一111一1一1一11〕’。設(shè)計(jì)離散型霍普菲爾德網(wǎng)絡(luò)進(jìn)行字符識(shí)別，只需要讓網(wǎng)絡(luò)記憶所要求的穩(wěn)定平衡點(diǎn)，即待識(shí)別的26個(gè)英文字母。故只需要用理想輸人信號(hào)來訓(xùn)練網(wǎng)絡(luò)。對(duì)于訓(xùn)練后的網(wǎng)絡(luò)，我們進(jìn)行性能測(cè)試。給網(wǎng)絡(luò)輸入任意字母，并在其上加人具有平均值從。~0.5的噪聲，隨機(jī)產(chǎn)生100個(gè)輸人矢量，觀察字母識(shí)別出錯(cuò)率，結(jié)果如圖4所示。從圖中可以看出，在均值為0~0.33之間的噪聲環(huán)境下，網(wǎng)絡(luò)能夠準(zhǔn)確地進(jìn)行識(shí)別。在0.33~0.4之間的噪聲環(huán)境下，識(shí)別出錯(cuò)率不到1%，在0.4以上的噪聲環(huán)境下，網(wǎng)絡(luò)識(shí)別出錯(cuò)率急劇上升，最高達(dá)到大約10%?？梢钥闯觯摼W(wǎng)絡(luò)穩(wěn)定點(diǎn)的吸引域大約在0.3~。.4之間。當(dāng)噪聲均值在吸引域內(nèi)時(shí)，網(wǎng)絡(luò)進(jìn)行字符識(shí)別時(shí)幾乎不出錯(cuò)，而當(dāng)噪聲均值超過吸引域時(shí)，網(wǎng)絡(luò)出錯(cuò)率急劇上升。

4結(jié)論

本文設(shè)計(jì)了3種人工神經(jīng)網(wǎng)絡(luò)對(duì)26個(gè)英文字母進(jìn)行了識(shí)別?？梢钥闯?，這3種人工神經(jīng)網(wǎng)絡(luò)均能有效地進(jìn)行字符識(shí)別，并且識(shí)別速度快，自適應(yīng)性能好，分辨率較高。由圖2和圖3可以看出，單層感知器的有噪聲訓(xùn)練網(wǎng)絡(luò)在均值為O~0.06之間的噪聲環(huán)境下可以準(zhǔn)確無誤的識(shí)別，而有噪聲訓(xùn)練的BP網(wǎng)絡(luò)可以在o~0.12之間的噪聲環(huán)境下準(zhǔn)確無誤的識(shí)別，故BP絡(luò)網(wǎng)絡(luò)容錯(cuò)性比單層感知器的容錯(cuò)性好;此外，噪聲達(dá)到0.2時(shí)，單層感知器的有噪聲訓(xùn)練網(wǎng)絡(luò)的識(shí)別出錯(cuò)率為6.6%，而有噪聲訓(xùn)練的BP網(wǎng)絡(luò)的識(shí)別出錯(cuò)率為2.1%，故BP網(wǎng)絡(luò)比單層感知器識(shí)別能力強(qiáng)。另外，由圖2、圖3和圖4可以看出，這3種網(wǎng)絡(luò)中霍普菲爾德網(wǎng)絡(luò)識(shí)別率最高，它在噪聲為0.33以前幾乎不會(huì)出錯(cuò)，BP網(wǎng)絡(luò)次之，感知器最差。

通過設(shè)計(jì)、應(yīng)用與性能對(duì)比，我們可得單層感知器網(wǎng)絡(luò)結(jié)構(gòu)和算法都很簡(jiǎn)單，訓(xùn)練時(shí)間短，但識(shí)別出錯(cuò)率較高，容錯(cuò)性也較差。BP網(wǎng)絡(luò)結(jié)構(gòu)和算法比單層感知器結(jié)構(gòu)稍復(fù)雜，但其識(shí)別率和容錯(cuò)性都較好?；羝辗茽柕戮W(wǎng)絡(luò)具有設(shè)計(jì)簡(jiǎn)單且容錯(cuò)性最好的雙重優(yōu)點(diǎn)。因此，我們應(yīng)根據(jù)網(wǎng)絡(luò)的特點(diǎn)以及實(shí)際要求來選擇人工神經(jīng)網(wǎng)絡(luò)對(duì)字符進(jìn)行識(shí)別。 參考文獻(xiàn)

[1]叢爽.面向MATLAB工具箱的神經(jīng)網(wǎng)絡(luò)理論與應(yīng)用「M.合肥:中國(guó)科學(xué)技術(shù)大學(xué)出版社，2003.

[2]武強(qiáng)，童學(xué)鋒，季雋.基于人工神經(jīng)網(wǎng)絡(luò)的數(shù)字字符識(shí)別[J].計(jì)算機(jī)工程，2003，29(14):112一113.

[3]廖翔云，許錦標(biāo)，龔仕偉.車牌識(shí)別技術(shù)研究[J].徽機(jī)發(fā)展，2003，13:30一35.

[4]李中凱，王效岳，魏修亭.BP網(wǎng)絡(luò)在汽車牌照字符識(shí)別中的應(yīng)用[J].東理工大學(xué)學(xué)報(bào)，2004，18(4):69一72.

篇2

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

通常而言，所謂圖像處理與識(shí)別，便是對(duì)實(shí)際圖像進(jìn)行轉(zhuǎn)換與變換，進(jìn)而達(dá)到識(shí)別的目的。圖像往往具有相當(dāng)龐大的信息量，在進(jìn)行處理圖像的時(shí)候要進(jìn)行降維、 數(shù)字化、濾波等程序，以往人們進(jìn)行圖像識(shí)別時(shí)采用投影法、不變矩法等方法，隨著計(jì)算機(jī)技術(shù)的飛速發(fā)展，人工神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別技術(shù)將逐漸取代傳統(tǒng)的圖像識(shí)別方法，獲得愈來愈廣泛的應(yīng)用。

1 人工神經(jīng)網(wǎng)絡(luò)圖像識(shí)別技術(shù)概述

近年來，人工智能理論方面相關(guān)的理論越來越豐富，基于人工神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別技術(shù)也獲得了非常廣泛的應(yīng)用，將圖像識(shí)別技術(shù)與人工神經(jīng)網(wǎng)絡(luò)技術(shù)結(jié)合起來的優(yōu)點(diǎn)是非常顯著的，比如說：

（1）由于神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)功能，可以使得系統(tǒng)能夠適應(yīng)識(shí)別圖像信息的不確定性以及識(shí)別環(huán)境的不斷變化。

（2）在一般情況下，神經(jīng)網(wǎng)絡(luò)的信息都是存儲(chǔ)在網(wǎng)絡(luò)的連接結(jié)構(gòu)以及連接權(quán)值之上，從而使圖像信息表示是統(tǒng)一的形式，如此便使得知識(shí)庫(kù)的建立與管理變得簡(jiǎn)便起來。

（3）由于神經(jīng)網(wǎng)絡(luò)所具有的并行處理機(jī)制，在處理圖像時(shí)可以達(dá)到比較快的速度，如此便可以使圖像識(shí)別的實(shí)時(shí)處理要求得以滿足。

（4）由于神經(jīng)網(wǎng)絡(luò)可增加圖像信息處理的容錯(cuò)性，識(shí)別系統(tǒng)在圖像遭到干擾的時(shí)候仍然能正常工作，輸出較準(zhǔn)確的信息。

2 圖像識(shí)別技術(shù)探析

2.1 簡(jiǎn)介

廣義來講，圖像技術(shù)是各種與圖像有關(guān)的技術(shù)的總稱。根據(jù)研究方法以及抽象程度的不同可以將圖像技術(shù)分為三個(gè)層次，分為：圖像處理、圖像分析以及圖像理解，該技術(shù)與計(jì)算機(jī)視覺、模式識(shí)別以及計(jì)算機(jī)圖形學(xué)等學(xué)科互相交叉，與生物學(xué)、數(shù)學(xué)、物理學(xué)、電子學(xué)計(jì)算機(jī)科學(xué)等學(xué)科互相借鑒。此外，隨著計(jì)算機(jī)技術(shù)的發(fā)展，對(duì)圖像技術(shù)的進(jìn)一步研究離不開神經(jīng)網(wǎng)絡(luò)、人工智能等理論。

2.2 圖像處理、圖像識(shí)別與圖像理解的關(guān)系

圖像處理包括圖像壓縮、圖像編碼以及圖像分割等等，對(duì)圖像進(jìn)行處理的目的是判斷圖像里是否具有所需的信息并濾出噪聲，并對(duì)這些信息進(jìn)行確定。常用方法有灰度，二值化，銳化，去噪等；圖像識(shí)別則是將經(jīng)過處理的圖像予以匹配，并且對(duì)類別名稱進(jìn)行確定，圖像識(shí)別可以在分割的基礎(chǔ)之上對(duì)所需提取的特征進(jìn)行篩選，然后再對(duì)這些特征進(jìn)行提取，最終根據(jù)測(cè)量結(jié)果進(jìn)行識(shí)別；所謂圖像理解，指的是在圖像處理與圖像識(shí)別的基礎(chǔ)上，根據(jù)分類作結(jié)構(gòu)句法分析，對(duì)圖像進(jìn)行描述與解釋。所以，圖像理解包括圖像處理、圖像識(shí)別和結(jié)構(gòu)分析。就圖像理解部分而言，輸入是圖像，輸出是對(duì)圖像的描述解釋 。

3 人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和算法

在上個(gè)世紀(jì)八十年代，McClelland與Rumelhant提出了一種人工神經(jīng)網(wǎng)絡(luò)，截止現(xiàn)在，BP神經(jīng)網(wǎng)絡(luò)已經(jīng)發(fā)展成為應(yīng)用最為廣泛的神經(jīng)網(wǎng)絡(luò)之一，它是一種多層前饋神經(jīng)網(wǎng)絡(luò)，包括輸入層、輸出層和輸入層輸出層之間隱藏層，如圖1所示，便是一種典型的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

BP神經(jīng)網(wǎng)絡(luò)是通過不斷迭代更新權(quán)值使實(shí)際輸入與輸出關(guān)系達(dá)到期望，由輸出向輸入層反向計(jì)算誤差，從而通過梯度下降方法不斷修正各層權(quán)值的網(wǎng)絡(luò)。

BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)算法如下所述：

（1）對(duì)權(quán)值矩陣，學(xué)習(xí)速率，最大學(xué)習(xí)次數(shù)，閾值等變量和參數(shù)進(jìn)行初始化設(shè)置；

（2）在黑色節(jié)點(diǎn)處對(duì)樣本進(jìn)行輸入；

（3）對(duì)輸入樣本，前向計(jì)算人工神經(jīng)網(wǎng)絡(luò)隱層及輸出層各層神經(jīng)元的輸出；

（4）使用梯度下降方法不斷修正各層權(quán)值及閥值，由梯度算子得到的權(quán)值為

（6）判斷，判斷是否大于最大迭代次數(shù)或者是否誤差已經(jīng)達(dá)到要求。如果大于最大迭代次數(shù)或誤差達(dá)到要求，那么便直接轉(zhuǎn)到第（7）步，否則，轉(zhuǎn)到第（4）步對(duì)各個(gè)矩陣的權(quán)值繼續(xù)修正，反復(fù)訓(xùn)練；

（7）看是否遍歷所有樣本，是則結(jié)束，否則跳回第（3）步繼續(xù)。

BP神經(jīng)網(wǎng)絡(luò)操作簡(jiǎn)單而有效，可通過Opencv的CvANN_MLP類， Matlab的模式識(shí)別工具箱Nprtool等實(shí)現(xiàn)，經(jīng)驗(yàn)得出在如下情況中人工神經(jīng)網(wǎng)絡(luò)尤為適用：

（1）大量數(shù)據(jù)可用，卻不知道與輸出之間關(guān)系；

（2）問題的解決方案隨時(shí)間變化而變化；

（3）輸出是模糊的函數(shù)關(guān)系，而非精確數(shù)字。

4 人工神經(jīng)網(wǎng)絡(luò)圖像識(shí)別

傳感器或攝像儀輸入圖像識(shí)別系統(tǒng)以后，其目標(biāo)圖像不能夠與系統(tǒng)全部的參考圖像完全一樣， 這是由于對(duì)應(yīng)噪聲干擾，光線不足和放縮旋轉(zhuǎn)等問題。 基于人工神經(jīng)網(wǎng)絡(luò)對(duì)畸變圖像識(shí)別進(jìn)行深層分析，并且利用 CCD 攝像頭對(duì)圖像信息進(jìn)行采集，在此過程之中通過對(duì)攝像頭方位進(jìn)行更改對(duì)易出現(xiàn)畸變的圖像進(jìn)行采集，從而使得畸變圖像所帶信息組成樣本庫(kù)。在電腦里面輸入樣本庫(kù)中的圖像信息，并且進(jìn)行模數(shù)的轉(zhuǎn)化，變成數(shù)字圖像，利用數(shù)字濾波來對(duì)數(shù)字圖像信息進(jìn)行處理。在神經(jīng)網(wǎng)絡(luò)之中輸入樣本圖像數(shù)字信息來進(jìn)行訓(xùn)練，一方面可以基于數(shù)字圖像的像素點(diǎn)集合組成輸入矩陣，用高維數(shù)據(jù)作為訓(xùn)練樣本，通過主成分分析（PCA）的方法進(jìn)行降維，大大簡(jiǎn)化計(jì)算量；一方面可以基于數(shù)字圖像的特征空間進(jìn)行聚類分割，提取幾何特征或者統(tǒng)計(jì)特征，輸入到SOFM神經(jīng)網(wǎng)絡(luò)或者Hopfield神經(jīng)網(wǎng)絡(luò)，從而使其生成圖像識(shí)別神經(jīng)網(wǎng)絡(luò)系統(tǒng)。在進(jìn)行圖像識(shí)別的時(shí)候使用CCD 攝像頭來采集識(shí)別圖像，并且把其模型轉(zhuǎn)化為數(shù)字圖像，預(yù)處理后，將其輸入到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)識(shí)別系統(tǒng)里面，就其可以開展快速的計(jì)算，并進(jìn)行識(shí)別。把圖像識(shí)別技術(shù)與人工神經(jīng)網(wǎng)絡(luò)理論有機(jī)結(jié)合起來，可以非常有效地實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)信息系統(tǒng)的一致性， 此外，還可以將其對(duì)網(wǎng)絡(luò)連接結(jié)果與權(quán)值進(jìn)行存儲(chǔ)，促進(jìn)管理效率的提高，并對(duì)于知識(shí)庫(kù)的構(gòu)建也具有積極的作用。

5 結(jié)論

本文就基于人工神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別技術(shù)進(jìn)行了詳細(xì)地闡述，由綜上研究可以基于人工神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別技術(shù)具有比較多的優(yōu)點(diǎn)以及比較高的可行性，然而，我們對(duì)該技術(shù)存在的網(wǎng)絡(luò)規(guī)模及復(fù)雜圖像識(shí)別準(zhǔn)確度上還應(yīng)繼續(xù)進(jìn)行深入研究，以求技術(shù)突破。在將來，圖像識(shí)別技術(shù)隨著科技的不斷發(fā)展將會(huì)獲得更多的應(yīng)用，其勢(shì)必會(huì)發(fā)展為一門獨(dú)立且具備強(qiáng)大生命力的學(xué)科

參考文獻(xiàn)

[1]王強(qiáng)，張小溪，韓一紅.基于神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別[J].電子設(shè)計(jì)工程，2012.

[2]雷建鋒，孫俊逸.基于人工神經(jīng)網(wǎng)絡(luò)下的圖像識(shí)別的研究[J].現(xiàn)代電子技術(shù)，2008.

篇3

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)、圖像分割、特征提取

Abstract: the image recognition process including the image preprocessing, feature extraction, image understanding and analysis. Which BP artificial neural network in the image segmentation using better; In the feature extraction phase BP neural network is also very good find application, and obtain the better feature extraction results; In the image understanding and the analysis phase using neural network classifier design, can get accurate classification results.

Keywords: BP neural network, image segmentation, feature extraction

中圖分類號(hào)：TP183 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：

引言

BP人工神經(jīng)網(wǎng)絡(luò)算法是現(xiàn)今應(yīng)用較為廣泛的多層前向反饋式神經(jīng)網(wǎng)絡(luò)算法，BP人工神經(jīng)網(wǎng)絡(luò)有較好的容錯(cuò)能力、魯棒性、并行協(xié)同處理能力和自適應(yīng)能力，受到了國(guó)內(nèi)外眾多領(lǐng)域?qū)W者的關(guān)注。由于神經(jīng)網(wǎng)絡(luò)高效率的集體計(jì)算能力和較強(qiáng)的魯棒性，它在圖像分割方面的應(yīng)用已經(jīng)很廣泛，Jain和Karu采用了多通道濾波與前向神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法實(shí)現(xiàn)圖像紋理分割算法。神經(jīng)網(wǎng)絡(luò)算法在特征提取階段，壓縮特征數(shù)量，以提高分類速度和精度。在圖像識(shí)別領(lǐng)域中神經(jīng)網(wǎng)絡(luò)作為分類器的研究也得到了很大的進(jìn)展，尤其是其學(xué)習(xí)能力和容錯(cuò)性對(duì)于模式識(shí)別是非常有利的，在一定程度上提高了訓(xùn)練速度和識(shí)別率。Le Cun等人提出了多層特征選擇(Multilayer Selection Procedure)方法用于字符識(shí)別，每一層神經(jīng)網(wǎng)絡(luò)處理較低層次的特征，獲取該層特征信息并傳給上一層。

BP神經(jīng)網(wǎng)絡(luò)的基本原理

人工神經(jīng)網(wǎng)絡(luò)的研究起源于對(duì)生物神經(jīng)系統(tǒng)的研究，它將若干處理單元（即神經(jīng)元）通過一定的互連模型連結(jié)成一個(gè)網(wǎng)絡(luò)，這個(gè)網(wǎng)絡(luò)通過一定的機(jī)制可以模仿人的神經(jīng)系統(tǒng)的動(dòng)作過程，以達(dá)到識(shí)別分類的目的。人工神經(jīng)網(wǎng)絡(luò)區(qū)別于其他識(shí)別方法的最大特點(diǎn)是它對(duì)待識(shí)別的對(duì)象不要求有太多的分析與了解，具有一定的智能化處理的特點(diǎn)。神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程實(shí)際上就是不斷地調(diào)整權(quán)值和閾值的過程。根據(jù)有無訓(xùn)練樣本的指導(dǎo)可以將神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方式分為兩種：監(jiān)督學(xué)習(xí)方式和非監(jiān)督學(xué)習(xí)方式，也稱為有導(dǎo)師指導(dǎo)學(xué)習(xí)方式和無導(dǎo)師指導(dǎo)學(xué)習(xí)方式。監(jiān)督學(xué)習(xí)方式，是在給定固定的輸入輸出樣本集的情況下，由網(wǎng)絡(luò)根據(jù)一定的學(xué)習(xí)規(guī)則進(jìn)行訓(xùn)練學(xué)習(xí)，每一次學(xué)習(xí)完成后，通過對(duì)比實(shí)際的輸出和期望的輸出，以此決定網(wǎng)絡(luò)是否需要再學(xué)習(xí)，如果還沒有達(dá)到期望的誤差，則將實(shí)際誤差反饋到網(wǎng)絡(luò)，進(jìn)行權(quán)值和閾值的調(diào)整，使實(shí)際的誤差隨著學(xué)習(xí)的反復(fù)進(jìn)行而逐步減小，直至達(dá)到所要求的性能指標(biāo)為止。非監(jiān)督學(xué)習(xí)方式，是在沒有外界的指導(dǎo)下進(jìn)行的學(xué)習(xí)方式，在學(xué)習(xí)過程中，調(diào)整網(wǎng)絡(luò)的權(quán)重不受外來教師的影響，但在網(wǎng)絡(luò)內(nèi)部會(huì)對(duì)其性能進(jìn)行自適應(yīng)調(diào)節(jié)。

BP神經(jīng)網(wǎng)絡(luò)分類器的設(shè)計(jì)

BP神經(jīng)網(wǎng)絡(luò)是基于誤差反向傳播算法(Back Propagation Algorithm，BPA)的多層前向神經(jīng)網(wǎng)絡(luò)，由輸入層、輸出層、一個(gè)或多個(gè)隱含層所組成。BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)確定之后，通過對(duì)輸出和輸入樣本集進(jìn)行訓(xùn)練，反復(fù)修正網(wǎng)絡(luò)的權(quán)值和閾值，達(dá)到學(xué)習(xí)訓(xùn)練的期望誤差，以使網(wǎng)絡(luò)能夠?qū)崿F(xiàn)給定的輸入輸出映射關(guān)系。BP人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程分為兩個(gè)階段，第一階段是輸入己知的學(xué)習(xí)樣本數(shù)據(jù)，給定網(wǎng)絡(luò)的結(jié)構(gòu)和初始連接權(quán)值和閾值，從輸入層逐層向后計(jì)算各神經(jīng)元的輸出；第二階段是對(duì)權(quán)值和閾值進(jìn)行修改，即根據(jù)網(wǎng)絡(luò)誤差從最后一層向前反饋計(jì)算各層權(quán)值和閾值的增減量，來逐層修正各層權(quán)值和閾值。以上正反兩個(gè)階段反復(fù)交替，直到網(wǎng)絡(luò)收斂。具體實(shí)現(xiàn)步驟如下：

(1) 網(wǎng)絡(luò)的初始化：首先對(duì)輸入的學(xué)習(xí)訓(xùn)練樣本進(jìn)行歸一化處理，對(duì)權(quán)值矩陣W和閾值向量賦初值，將網(wǎng)絡(luò)計(jì)數(shù)器和訓(xùn)練次數(shù)計(jì)數(shù)器置為1，網(wǎng)絡(luò)誤差置為0。

(2) 輸入訓(xùn)練樣本，計(jì)算輸入層，隱含層以及輸出層的實(shí)際輸出。

(3) 計(jì)算網(wǎng)絡(luò)輸出誤差。將實(shí)際的輸出和期望的輸出值進(jìn)行對(duì)比，采用均方根誤差指標(biāo)作為網(wǎng)絡(luò)的誤差性能函數(shù)。

(4) 若誤差還沒達(dá)到期望標(biāo)準(zhǔn)，則根據(jù)誤差信號(hào)，逐層調(diào)整權(quán)值矩陣和閾值向量。

(5) 若最終調(diào)整之后的網(wǎng)絡(luò)輸出達(dá)到了誤差范圍之內(nèi)，則進(jìn)行下一組訓(xùn)練樣本繼續(xù)訓(xùn)練網(wǎng)絡(luò)。

(6) 若全部的訓(xùn)練樣本訓(xùn)練完畢，并且達(dá)到了期望的誤差，則訓(xùn)練結(jié)束，輸出最終的網(wǎng)絡(luò)聯(lián)接權(quán)值和閾值。

BP神經(jīng)網(wǎng)絡(luò)可以逼近任意連續(xù)函數(shù)，具有很強(qiáng)的非線性映射能力，而且BP神經(jīng)網(wǎng)絡(luò)中間層數(shù)、各層神經(jīng)元數(shù)及網(wǎng)絡(luò)學(xué)習(xí)速率等參數(shù)均可以根據(jù)具體情況設(shè)定，靈活性較強(qiáng)，所以BP神經(jīng)網(wǎng)絡(luò)在許多領(lǐng)域中廣泛應(yīng)用。一般來說，神經(jīng)網(wǎng)絡(luò)方法應(yīng)同傳統(tǒng)的人工智能方法相聯(lián)系的。神經(jīng)網(wǎng)絡(luò)本身結(jié)構(gòu)及性能上的特點(diǎn)使其對(duì)問題的處理更富有彈性，更加穩(wěn)健。神經(jīng)網(wǎng)絡(luò)的基本特點(diǎn)是采用自下而上的設(shè)計(jì)思路，使其容易確定具體的目標(biāo)分割或識(shí)別算法，在增加了不確定因素的同時(shí)也產(chǎn)生了網(wǎng)絡(luò)最優(yōu)化的問題，這就是所謂的偽狀態(tài)(pseudo-trap)。盡管在實(shí)踐中并非所有的偽狀態(tài)對(duì)應(yīng)完全失敗的結(jié)果，但是畢竟這不符合對(duì)之完美的或者說合理的期望。人工智能則一般采用自上而下的方法，偏重于邏輯推理建立系統(tǒng)模型。因此將神經(jīng)網(wǎng)絡(luò)同人工智能結(jié)合起來，相當(dāng)于賦予神經(jīng)網(wǎng)絡(luò)高層指導(dǎo)的知識(shí)及邏輯推理的能力，具有潛在的優(yōu)勢(shì)。

輸入層中間層 輸出層

圖1 BP人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練

4.1 BP神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)

BP神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)主要包括兩方面內(nèi)容：一是神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的確定，特別是隱含層層數(shù)及隱含層單元數(shù)目的確定；二是高精度收斂問題，隱含層和隱含層單元數(shù)過多，將導(dǎo)致訓(xùn)練時(shí)間過長(zhǎng)并出現(xiàn)過度擬和的問題，隱含層單元數(shù)過少又導(dǎo)致網(wǎng)絡(luò)收斂速度慢甚至不收斂，達(dá)不到誤差精度要求。在確定隱含層層數(shù)以及隱含層單元數(shù)目時(shí)，沒有一個(gè)嚴(yán)格的理論依據(jù)指導(dǎo)，需要根據(jù)特定的問題，結(jié)合經(jīng)驗(yàn)公式確定大致范圍來進(jìn)行逐步試算比較得到。

4.2 數(shù)據(jù)預(yù)處理

為了加快網(wǎng)絡(luò)的訓(xùn)練速度，通常在網(wǎng)絡(luò)訓(xùn)練前進(jìn)行神經(jīng)網(wǎng)絡(luò)輸入和輸出數(shù)據(jù)預(yù)處理，即將每組數(shù)據(jù)都?xì)w一化變?yōu)閇-1,1]之間的數(shù)值的處理過程。

4.3 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練

%當(dāng)前輸入層權(quán)值和閾值

inputWeights=net.IW{1,1}

inputbias=net.b{1}

%當(dāng)前網(wǎng)絡(luò)層權(quán)值和閾值

layerWeights=net.LW{2,1}

layerbias=net.b{2}

%設(shè)置訓(xùn)練參數(shù)

net.trainParam.show = 1000;%限時(shí)訓(xùn)練迭代過程

net.trainParam.lr = 0.1; %學(xué)習(xí)率，缺省為0.01

net.trainParam.epochs = 100000; %最大訓(xùn)練次數(shù)，缺省為100

net.trainParam.goal = 0.001; %訓(xùn)練要求精度，缺省為0

[net,tr]=train(net,P,T);%調(diào)用 TRAINGDM 算法訓(xùn)練 BP 網(wǎng)絡(luò)

A = sim(net,P) %對(duì) BP 網(wǎng)絡(luò)進(jìn)行仿真

E = T - A;%計(jì)算仿真誤差

MSE=mse(E)

結(jié)束語(yǔ)

BP網(wǎng)絡(luò)因?yàn)榫哂休^強(qiáng)的學(xué)習(xí)性、自適應(yīng)型和容錯(cuò)性，在很多領(lǐng)域均已經(jīng)大量運(yùn)用。本文將BP人工神經(jīng)網(wǎng)絡(luò)運(yùn)用于圖像的識(shí)別，探索人工神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別領(lǐng)域中的重要的現(xiàn)實(shí)意義。研究表明，BP人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于圖像識(shí)別在一定程度上提高了識(shí)別的效率和準(zhǔn)確率。但是，BP神經(jīng)網(wǎng)絡(luò)算法還存在以下幾點(diǎn)不足之處：（1）權(quán)的調(diào)整方法存在局限性，容易陷入局部最優(yōu)；（2）網(wǎng)絡(luò)的結(jié)構(gòu)需要提前指定或者在訓(xùn)練過程中不斷的修正；（3）過分依賴學(xué)習(xí)樣本，由于學(xué)習(xí)樣本是有限的或者學(xué)習(xí)樣本質(zhì)量不高，那么會(huì)導(dǎo)致訓(xùn)練達(dá)不到效果；（4）對(duì)于規(guī)模較大的模式映射問題，存在收斂速度慢、容易陷入局部極小點(diǎn)、判斷不準(zhǔn)確等缺陷?？傊?，如何解決以上問題，如何進(jìn)一步提高識(shí)別精度，擴(kuò)大識(shí)別范圍，使之更具有更好的工程實(shí)用性，是有待進(jìn)一步研究的內(nèi)容。

參考文獻(xiàn)：

[1] WE Blanz，S L Gish．A Connectionist Classifier Architecture Applied to Image Segmentation．Proc．10th ICPR，1990，272-277．

[2] Y Le Cun，L D Jackel，B Boser，J S Denker，H P Graf，I Guyon，D Henderson，R E Howard，and W Hubbard，Handwriten Digit Recognition：Applications of Neural Network Chips and Automatic Learning，IEEE Comm．Magazine．Nov．1989．

[3] A K Jain and K Karu，Automatic Filter Design for Texture Discrimination，Proc．12th Int’l Conf．NeuralNetworks，Orlando，Oct．1994，454-458．

[4] 邊肇其，張學(xué)工．模式識(shí)別（第二版）[M]．清華大學(xué)出版社，北京．1999，12．

[5] 陳書海，傅錄祥．實(shí)用數(shù)字圖像處理[M]．科學(xué)出版社，北京．2005．

[6] 萬來毅，陳建勛．基于BP神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別研究[J]．武漢科技大學(xué)學(xué)報(bào)（自然科學(xué)版）．2006，6．

[7] 叢爽．面向MATLAB工具箱的神經(jīng)網(wǎng)絡(luò)理論與應(yīng)用（第2版）[M]．北京：中國(guó)科學(xué)技術(shù)出版社，2003．

[8] 王娟，慈林林等．特征方法綜述[J]．計(jì)算機(jī)工程與科學(xué)．2005．27（12）．68-71．

[9] 賈花萍．基于神經(jīng)網(wǎng)絡(luò)的特征選擇與提取方法研究[J]．網(wǎng)絡(luò)安全．2008，7．33-35．

[10] 龔聲榮，劉純平等編著．?dāng)?shù)字圖像處理與分析[M]．清華大學(xué)出版社，北京．2006．7．

篇4

關(guān)鍵詞 弗洛伊德 麥田里的守望者 自我 本我 超我 夢(mèng)

中圖分類號(hào)：T712 文獻(xiàn)標(biāo)識(shí)碼：A

弗洛伊德的精神分析學(xué)給20世紀(jì)的文學(xué)、哲學(xué)、歷史學(xué)、心理學(xué)等領(lǐng)域帶來了深遠(yuǎn)的影響。存在主義家薩特曾說：20世紀(jì)影響整個(gè)人類，改變現(xiàn)代思想的只是三個(gè)猶太人：弗洛伊德、卡爾?馬克思和愛因斯坦。

弗洛伊德將人類的人格結(jié)構(gòu)分為三個(gè)部分：本我、自我以及超我。本我遵循快樂原則，即“一片混亂而熱氣騰騰的興奮”。本我只遵循極端的快樂原則，即滿足個(gè)體自身欲望而無視一切準(zhǔn)則。我們完全可以把“自我看作本我的一部分”，自我調(diào)節(jié)著本我與外境的親密度，自我也承受著來自本我無拘無束的壓力。同時(shí)，自我還要平衡外境所施加的道德準(zhǔn)則――超我――理想化的自我?？梢哉f，自我作為本我和超我的平衡器，肩負(fù)著極大的壓力，無論來自某一方過度的壓力都會(huì)導(dǎo)致自我的失衡，進(jìn)一步導(dǎo)致個(gè)體心靈的扭曲。

1本我的沖動(dòng)

美國(guó)的五十年代是一個(gè)混亂的時(shí)期，二戰(zhàn)的陰云尚未散去，冷戰(zhàn)硝煙又起。一方面科技發(fā)展迅速，而另一方面，人們?nèi)狈硐耄庵鞠?。主人公霍爾頓是一個(gè)出生在中產(chǎn)階級(jí)家庭的中學(xué)生，處于青春期的霍爾頓正是本我蓬勃發(fā)展的階段，而外境的限制讓他頗為不滿。自我與本我常常出現(xiàn)沖突，自我不停地約束和壓抑本我所遵循的快樂原則，將導(dǎo)致個(gè)體心理的失衡。作者塞林格深喑此理，因此，他最初將霍爾頓刻畫成一個(gè)不受自我約束的完全本我形象。

霍爾頓是一個(gè)滿口臟話的中學(xué)流氓，“天氣冷得象巫婆的”（塞林格，P2）、“”（塞林格，P20）之類的穢語(yǔ)總是隨口掛在嘴邊，霍爾頓對(duì)于學(xué)校的一切都充滿著不滿，“學(xué)校里的校長(zhǎng)哈斯先生就是我生平見到的最最假仁假義的雜種”（塞林格，P10），還象個(gè)婦似的巴結(jié)人（塞林格，P11）。正因?yàn)槿绱?，霍爾頓的行為舉止異于常人，他總是穿著格格不入的風(fēng)衣，抽煙喝酒打架找，因此數(shù)次被學(xué)校開除。這些種種離經(jīng)叛道的言行舉止，正是本我不受自我約束下漠視外部準(zhǔn)則的極端表現(xiàn)形式，這種無拘無束的快樂原則因霍爾頓青春叛逆期而高漲，由當(dāng)時(shí)社會(huì)惡劣環(huán)境的壓迫而變得更為激烈。最后，霍爾頓在自我欲望的沖動(dòng)下，選擇離家出走，流浪街頭，這也代表了當(dāng)時(shí)中產(chǎn)階級(jí)家庭中叛逆青少年的縮影。

2超我的約束

塞林格將霍爾頓描繪成一個(gè)自相矛盾的迷途者，字里行間展露了一個(gè)長(zhǎng)時(shí)間在內(nèi)心中作斗爭(zhēng)的青少年。弗洛伊德的精神分析法被稱作泛性論，而霍爾頓展示出與眾不同的本我中必然隱藏著力比多的推動(dòng)力。在埃德蒙旅館居住的夜晚，形形的形式誘惑著塞林格，“我又看見一對(duì)男女在用嘴彼此噴水。也許是加冰的威士忌蘇打，不是水，可我看不出他們杯子里盛的是什么。嗯，他先喝一口，噴了她一身，接著她也照樣噴他――他們就這樣輪流著噴來噴去，”（塞林格，55）有趣的是，霍爾頓對(duì)此表現(xiàn)出厭惡的態(tài)度。其實(shí)，與其說是骨子里的厭惡，不如說此時(shí)是霍爾頓的超我正本能地實(shí)施著壓抑本我沖動(dòng)的職責(zé)?；魻栴D并沒有加入這場(chǎng)鬧劇，因?yàn)樗X得“你要是真不喜歡一個(gè)女人，那就干脆別跟她在一起廝混”（塞林格，55）、如果說離家出走的霍爾頓真的厭惡與性相關(guān)的東西，接下來的描述則顯得不可理喻?；魻栴D一邊自嘲對(duì)性不太喜愛，一邊打電話叫來，在電話中又猶豫起來，最后找借口拒絕上門。在本我和超我的雙重壓迫下，塞林格將霍爾頓的矛盾心理刻畫得入木三分，在這種超我對(duì)自我的約束出現(xiàn)以后，本我對(duì)于自我的攻勢(shì)也愈發(fā)明顯。

3自我的夢(mèng)想

在本我無約束的沖動(dòng)和超我無止境的壓迫下，自我會(huì)產(chǎn)生扭曲和變形，從而以其它方式尋得平衡，而夢(mèng)就是獲得平衡的途徑之一。弗洛伊德認(rèn)為，夢(mèng)的內(nèi)容在于愿望的達(dá)成，其動(dòng)機(jī)在于某種愿望?；魻栴D趁父母不在時(shí)溜進(jìn)了公寓，去看他的小妹妹菲比。菲比是他的摯友，是唯一能與他交流的人?；魻栴D與菲比交流時(shí)，說出了內(nèi)心的夢(mèng)想。

“有那么一群小孩子在一大塊麥田里做游戲。幾千幾萬個(gè)小孩子，附近沒有一個(gè)人――沒有一個(gè)大人，我是說――除了我。我呢，就站在那混帳的懸崖邊。我的職務(wù)是在那兒守望，要是有哪個(gè)孩子往懸崖邊奔來，我就把他捉住――我是說孩子們都在狂奔，也不知道自己是在往哪兒跑，我得從什么地方出來，把他們捉住。我整天就干這樣的事。我只想當(dāng)個(gè)麥田里的守望者?！保ㄈ指瘢?53）

小孩是純真自我的象征，從麥田可以看作沒有外境約束的自我領(lǐng)域，而懸崖則代表著自我和超我的臨界點(diǎn)。懸崖下是成人的世界，連同其遵循的法則、法規(guī)――以超我的姿態(tài)壓迫著每一個(gè)墜落懸崖的人?；魻栴D之所以幻想不顧一切拯救小孩墜落懸崖，成為麥田的守望者，其實(shí)是他對(duì)于超我施加于自我的壓力的一種無可奈何的妥協(xié)。霍爾頓這番發(fā)自肺腑的話不僅成為整本小說的，也引發(fā)了同時(shí)代美國(guó)青少年的共鳴。

篇5

Abstract: The paper evaluated urban land use efficiency for Liaoyang city by using the model of BP neural network and indexes system during 2000~2009. The BP neural network was applied and trained by training data after having dealed the evaluation indexes with dimensionless mode. The results indicated that land use efficiency index of Liaoyang city is rising.

關(guān)鍵詞： 土地利用效益；BP神經(jīng)網(wǎng)絡(luò)；遼陽(yáng)市

Key words: land use efficiency；BP neural network；Liaoyang city

中圖分類號(hào)：F293.2 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1006-4311（2011）18-0007-02

0引言

城市土地是城市形成和發(fā)展的基礎(chǔ)，是城市社會(huì)、經(jīng)濟(jì)、政治、文化等各項(xiàng)活動(dòng)載體，城市土地資源利用的合理性，直接關(guān)系到城市的可持續(xù)發(fā)展[1]。當(dāng)前，我國(guó)正努力建設(shè)資源節(jié)約型社會(huì)，提倡節(jié)約集約利用稀缺的土地資源，迫切需要實(shí)現(xiàn)城市土地的高效利用，防止城市土地的無序、攤大餅式擴(kuò)張。城市土地利用效益是指城市土地在數(shù)量、質(zhì)量的空間和時(shí)間上安排、使用和優(yōu)化，從而給整個(gè)城市帶來的經(jīng)濟(jì)、社會(huì)、生態(tài)、和環(huán)境效益的總和[2]。本文從經(jīng)濟(jì)、社會(huì)、生態(tài)效益三個(gè)方面構(gòu)建城市土地利用效益評(píng)價(jià)指標(biāo)體系，采用人工神經(jīng)網(wǎng)絡(luò)模型，對(duì)遼陽(yáng)市2000~2009年的城市土地利用效益進(jìn)行定量評(píng)價(jià)，以期為遼陽(yáng)市城市土地資源的高效利用和科學(xué)管理及相關(guān)政策的制定提供借鑒。

1研究區(qū)概況

遼陽(yáng)市位于遼寧中部，南鄰鞍山，北依沈陽(yáng)，東臨本溪，西與遼河油田接壤，地處東經(jīng)122°35′04″~123°41′00″；北緯40°42′19″~41°36′32″。全市土地總面積4731平方公里，總?cè)丝?85萬，其中市區(qū)面積574平方公里，城市建成區(qū)面積92平方公里。

2評(píng)價(jià)指標(biāo)體系的建立

在指標(biāo)體系構(gòu)建過程中應(yīng)該遵循科學(xué)性、系統(tǒng)性、相對(duì)完備性以及可操作性等原則[3-4]，根據(jù)研究區(qū)域?qū)嶋H狀況，從經(jīng)濟(jì)效益、社會(huì)效益、生態(tài)效益三個(gè)方面，選取具有代表性的指標(biāo)構(gòu)成城市土地利用效益評(píng)價(jià)指標(biāo)體系。

3人工神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)模型的建立

3.1 BP神經(jīng)網(wǎng)絡(luò)的原理BP網(wǎng)絡(luò)模型是一種基于反向傳播學(xué)習(xí)算法的多層網(wǎng)絡(luò)模型，其基本思路是把網(wǎng)絡(luò)學(xué)習(xí)時(shí)輸出層出現(xiàn)的與“事實(shí)”不符的誤差，歸結(jié)為連接層中各節(jié)點(diǎn)間連接權(quán)及閾值的“過錯(cuò)”，通過把輸出層節(jié)點(diǎn)的誤差逐層向輸入層逆向傳播，以“分?jǐn)偂苯o各連接節(jié)點(diǎn)，從而可算出各連接節(jié)點(diǎn)的參考誤差，并據(jù)此對(duì)各連接權(quán)進(jìn)行相應(yīng)的調(diào)整，使網(wǎng)絡(luò)適應(yīng)要求的映射[5]。

3.2 城市土地利用效益的人工神經(jīng)網(wǎng)絡(luò)模型評(píng)價(jià)采用三層BP神經(jīng)網(wǎng)絡(luò)模型，借助MATLAB R14的神經(jīng)網(wǎng)絡(luò)工具箱函數(shù)實(shí)現(xiàn)模型評(píng)價(jià)。第一層為輸入層，共有14個(gè)節(jié)點(diǎn)，即為評(píng)判城市土地利用效益的14個(gè)指標(biāo)。由于評(píng)價(jià)指標(biāo)的量綱不同，且數(shù)據(jù)變化范圍較大，不便于分析和計(jì)算。因此，對(duì)各評(píng)價(jià)指標(biāo)值進(jìn)行無量綱化處理，即每一指標(biāo)數(shù)據(jù)除以各自指標(biāo)中的最大值，將數(shù)據(jù)劃歸在[0，1]范圍之內(nèi)。本文以隸屬度函數(shù)對(duì)各指標(biāo)進(jìn)行標(biāo)準(zhǔn)化，歸一化后得到采用模糊數(shù)學(xué)表示的隸屬函數(shù)，并且采用隸屬度的概念表示每一項(xiàng)指標(biāo)。

網(wǎng)絡(luò)層數(shù)確定由1個(gè)輸入層、1個(gè)輸出層和1個(gè)隱含層組成。對(duì)于隱含層節(jié)點(diǎn)數(shù)的確定比較復(fù)雜，對(duì)于節(jié)點(diǎn)采用Sigmoid型節(jié)點(diǎn)的多層前饋神經(jīng)網(wǎng)絡(luò)，只要有足夠多的隱節(jié)點(diǎn)，它們都能把所需要的輸入信號(hào)變成線形獨(dú)立的隱節(jié)點(diǎn)增廣向量。在實(shí)際操作過程中，根據(jù)經(jīng)驗(yàn)選取節(jié)點(diǎn)數(shù)為12個(gè)。學(xué)習(xí)參數(shù)的確定采用參數(shù)η（學(xué)習(xí)速率），α（動(dòng)量系數(shù)）自適應(yīng)調(diào)整的方法。

根據(jù)遼寧省統(tǒng)計(jì)年鑒、遼陽(yáng)市統(tǒng)計(jì)年鑒，本文采用2000-2009年的大連、沈陽(yáng)、鞍山等6城市的數(shù)據(jù)，對(duì)其作為樣本對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，用遼陽(yáng)市2000-2009年數(shù)據(jù)作為測(cè)試樣本，得到網(wǎng)絡(luò)計(jì)算結(jié)果（見圖1）。通過對(duì)計(jì)算結(jié)果與已有訓(xùn)練成果進(jìn)行分析來研究神經(jīng)網(wǎng)絡(luò)模型的模擬精度，最后網(wǎng)絡(luò)的終止參數(shù)為：經(jīng)過1478次訓(xùn)練后，網(wǎng)絡(luò)的性能就達(dá)到了要求。得出遼陽(yáng)市2000~2009年城市土地利用效益程度分別0.3621、0.3647、0.3905、0.4003、0.4250、0.4574、0.5360、

0.6141、0.7578、0.8235。

4評(píng)價(jià)結(jié)果分析

4.1 評(píng)價(jià)結(jié)果等級(jí)劃分運(yùn)用特爾菲法，經(jīng)過三輪專家征詢、統(tǒng)計(jì)、分析，將遼陽(yáng)市土地利用效益水平劃分為4個(gè)等級(jí)：低度效益（0~0.35），一般效益（0.35~0.50），較高效益（0.50~0.80），高度效益（0.80~1），城市土地利用效益評(píng)價(jià)分級(jí)成果見表2。

4.2 評(píng)價(jià)結(jié)果分析從遼陽(yáng)市城市土地利用效益水平評(píng)價(jià)結(jié)果可知，2000年到2005年處于一般水平，2006-2008年土地利用效益處于較高水平，2009年土地利用效益處于高度水平。研究期內(nèi)遼陽(yáng)市的土地利用整體效益水平呈上升趨勢(shì)，從2000年的0.3621增加到2009年的0.8235，增長(zhǎng)速度較快，年均增長(zhǎng)率為14.2%。

對(duì)照指標(biāo)體系，從三大評(píng)價(jià)指標(biāo)來看，經(jīng)濟(jì)效益水平變化幅度比較明顯，呈大幅度上升趨勢(shì)，而社會(huì)效益和生態(tài)效益水平變化比較緩慢。經(jīng)濟(jì)的快速發(fā)展對(duì)土地利用是把雙刃劍，科學(xué)的發(fā)展方式可以促進(jìn)土地利用效益的整體提高，反之，則使土地利用效益整體降低。通過以上分析可看出遼陽(yáng)市城市土地利用效益的提升主要是由于經(jīng)濟(jì)效益的高速發(fā)展，而社會(huì)效益和生態(tài)效益沒有顯著地變化，然而經(jīng)濟(jì)效益、社會(huì)效益和生態(tài)效益是城市發(fā)展中不可或缺的三項(xiàng)重要指標(biāo)，不可過分地依賴某個(gè)因素，而應(yīng)注意三者之間的相互聯(lián)系和相互制約，更多地考慮三方面協(xié)調(diào)發(fā)展，共同促進(jìn)土地利用效益的提高。因此，在今后遼陽(yáng)市的發(fā)展中，要在經(jīng)濟(jì)快速增長(zhǎng)的同時(shí)，更加注重城市土地利用的結(jié)構(gòu)調(diào)整，使社會(huì)、經(jīng)濟(jì)、生態(tài)等各項(xiàng)指標(biāo)穩(wěn)步提高，最終提升土地利用的整體效益。

5結(jié)語(yǔ)

城市土地利用效益評(píng)價(jià)具有模糊性、非線性等特點(diǎn)。一般的評(píng)價(jià)方法很難同時(shí)考慮到這幾個(gè)方面。BP人工神經(jīng)網(wǎng)絡(luò)利用其非線性映射能力，能夠?qū)崿F(xiàn)對(duì)其識(shí)別和映射。在利用該模型時(shí)只需要將網(wǎng)絡(luò)訓(xùn)練好，就可以用來進(jìn)行大批量的數(shù)據(jù)處理，而且評(píng)價(jià)結(jié)果客觀、合理。

參考文獻(xiàn)：

[1]劉喜廣，劉朝暉.城市土地利用效益評(píng)價(jià)研究[J].華中農(nóng)業(yè)大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2005（4）：91~95.

[2]申海元，陳瑛，張彩云.西安市土地利用綜合效益研究[J].土壤通報(bào)，2009，40（2）：209-213.

[3]陳靜，付梅臣，陶金等.唐山市土地利用效益評(píng)價(jià)及驅(qū)動(dòng)機(jī)制[J].資源與產(chǎn)業(yè)，2010，12（2）：60-63.

篇6

摘要：工程造價(jià)估算是招標(biāo)投標(biāo)中的重要一環(huán)，探尋一套快速、簡(jiǎn)捷、實(shí)用的工程造價(jià)估算方法已經(jīng)成為建筑行業(yè)的迫切需要。為了建設(shè)工程造價(jià)估算技術(shù)的發(fā)展及文聯(lián)面臨的問題，提出在建設(shè)工程造價(jià)估算技術(shù)系統(tǒng)中應(yīng)用人工神經(jīng)網(wǎng)絡(luò)技術(shù)來提高估算精確度，并且給出系統(tǒng)的設(shè)計(jì)模型。

關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò)；工程造價(jià)；造價(jià)估算

人工神經(jīng)網(wǎng)絡(luò)（ArtificialNeuralNetworks，簡(jiǎn)寫為ANNs）也簡(jiǎn)稱為神經(jīng)網(wǎng)絡(luò)（NNs）或稱作連接模型（ConnectionistModel），它是一種模范動(dòng)物神經(jīng)網(wǎng)絡(luò)行為特征，進(jìn)行分布式并行信息處理的算法數(shù)學(xué)模型。這種網(wǎng)絡(luò)依靠系統(tǒng)的復(fù)雜程度，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)到處理信息的目的。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(duì)應(yīng)的輸入－輸出數(shù)據(jù)，分析掌握兩者之間潛在的規(guī)律，最終根據(jù)這些規(guī)律，用新的輸入數(shù)據(jù)來推算輸出結(jié)果，這種學(xué)習(xí)分析的過程被稱為“訓(xùn)練”。

一、神經(jīng)網(wǎng)絡(luò)的建立

雖然人們還并不完全清楚生物神經(jīng)網(wǎng)絡(luò)是如何進(jìn)行工作的，但還是幻想能否構(gòu)造一些“人工神經(jīng)元”，然后將這些神經(jīng)元以某種特定的方式連接起來，模擬“人腦”的某些功能。

在1943年，心理學(xué)家W. McCulloch和數(shù)學(xué)家W. Pitts合作，從數(shù)理邏輯的角度，提出了神經(jīng)元和神經(jīng)網(wǎng)絡(luò)最早的數(shù)學(xué)模型（MP模型），是神經(jīng)網(wǎng)絡(luò)研究的開端，更為后面的研究發(fā)展奠定了基礎(chǔ)。經(jīng)歷了半個(gè)多世紀(jì)，神經(jīng)網(wǎng)絡(luò)度過了萌芽期、第一次期、反思低潮期、第二次期、再認(rèn)識(shí)與應(yīng)用研究期五個(gè)階段。目前，神經(jīng)網(wǎng)絡(luò)已成為涉及多種學(xué)科和領(lǐng)域的一門新興的前沿交叉學(xué)科。

神經(jīng)元分為分層網(wǎng)絡(luò)和相互連接型網(wǎng)絡(luò)。所謂分層網(wǎng)絡(luò)，就是一個(gè)網(wǎng)絡(luò)模型中的所有神經(jīng)元按功能分層，一般分為輸入層、中間層（隱含層）、輸出層，各層按順序連接，隔層之間均采用的是全互連接，但對(duì)于同一單元間，不互相連接。分層網(wǎng)絡(luò)可細(xì)分為簡(jiǎn)單前向網(wǎng)絡(luò)、反饋前向網(wǎng)絡(luò)和層內(nèi)互相連接的網(wǎng)絡(luò)。人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)是一種多層的網(wǎng)絡(luò)結(jié)構(gòu)，一個(gè)典型的前向網(wǎng)絡(luò)。

某個(gè)神經(jīng)元 j 的輸入―輸出關(guān)系為

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

對(duì)于人工神經(jīng)網(wǎng)絡(luò)模型，我們只可能在某種程度上去描述我們所了解的情況。同樣，人工神經(jīng)網(wǎng)絡(luò)也只可能是在某種程度上對(duì)真實(shí)的神經(jīng)網(wǎng)絡(luò)的一種模擬和逼近。

二、在工程造價(jià)中的運(yùn)用

成都市工程造價(jià)計(jì)價(jià)模式后選取了基礎(chǔ)類型、結(jié)構(gòu)類型、工期、層數(shù)、建址、層高、內(nèi)裝修、門窗、單位造價(jià)等10個(gè)影響工程造價(jià)和工程量的特征作為模型的輸入?？紤]到各個(gè)工程中門和窗數(shù)量差別很大為提高估算的精度我們把門數(shù)量和窗數(shù)量作為輸入，其數(shù)量在工程施工圖紙上很容易查得，不需作復(fù)雜的計(jì)算。對(duì)于其他文字性表達(dá)的工程特征需轉(zhuǎn)變成數(shù)字后作為網(wǎng)絡(luò)的輸入。

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

意義：

通過這次研究，我們了解了人工神經(jīng)網(wǎng)絡(luò)的基本原理，即通過誤差反向傳播建立多層前饋網(wǎng)絡(luò)的學(xué)習(xí)收斂過程,該過程主要包括三個(gè)層次,即輸入層、隱含層和輸出層。在訓(xùn)練中通過計(jì)算輸出值與期望值之間的誤差,來求解輸出層單元的一般化誤差,再將誤差進(jìn)行反向傳播,求出隱含層。并了解了基于人工神經(jīng)網(wǎng)絡(luò)之上的建設(shè)項(xiàng)目的投資估算模型，了解了平滑指數(shù)法、類比系數(shù)法、模糊數(shù)學(xué)估算法的基本原理與其自身的優(yōu)勢(shì)與不足，也讓我們更深刻地認(rèn)識(shí)到，人工神經(jīng)網(wǎng)絡(luò)，作為90年代逐漸被運(yùn)用的人工智能技術(shù)之一，能像一個(gè)經(jīng)驗(yàn)深厚的造價(jià)師，根據(jù)工程類型、特征及其相關(guān)情況,結(jié)合數(shù)據(jù)和經(jīng)驗(yàn),準(zhǔn)確的估算出其造價(jià)。我們也通過計(jì)算驗(yàn)證了模型的可行性。對(duì)于我們從事建筑造價(jià)的大學(xué)生來說，是一次難能可貴的研究機(jī)會(huì)，能夠較深層次的了解行業(yè)中的專業(yè)知識(shí)。隨著中國(guó)改革開放和市場(chǎng)經(jīng)濟(jì)的不斷深入，中國(guó)建筑企業(yè)在面臨很好的機(jī)遇的同時(shí)，也面臨著嚴(yán)峻的考驗(yàn)?，F(xiàn)在的市場(chǎng)競(jìng)爭(zhēng)機(jī)制已表現(xiàn)得越來越明顯，他要求我們提高效率，盡快拿出自己招投標(biāo)方案，但是傳統(tǒng)的預(yù)算方法以及現(xiàn)行的計(jì)算軟件都必須花費(fèi)較長(zhǎng)的時(shí)間才能計(jì)算出結(jié)果，而且計(jì)算的結(jié)果準(zhǔn)確度還不是很高。怎樣解決這個(gè)問題，成了建筑界的熱門話題。同時(shí)作為建設(shè)方的業(yè)主，他們同樣對(duì)快速預(yù)算很感興趣。因?yàn)榇_定工程造價(jià)是建設(shè)工作中十分重要的一環(huán)，在不同階段有著不同的方法。如建設(shè)前期的工程造價(jià)估算、初步設(shè)計(jì)階段編制概算、施工圖設(shè)計(jì)階段編制預(yù)算，特別是建設(shè)前的估算是我們工作的重點(diǎn)，因?yàn)樗俏覀冞M(jìn)行成本控制的起點(diǎn)。對(duì)于建設(shè)單位而言，它們不僅能在進(jìn)行設(shè)計(jì)招標(biāo)之前大致確定該工程的造價(jià)，而且還能在工程施工招標(biāo)前定出合理的標(biāo)底。可見快速預(yù)算有其很現(xiàn)實(shí)的發(fā)展研究背景。近幾年許多學(xué)者都在這方面努力探索，并取得了很好成果。 神經(jīng)網(wǎng)絡(luò)和模糊數(shù)學(xué)的快速發(fā)展應(yīng)用為工程快速預(yù)算提供了很好的思路。我們通過查閱資料了解了模糊數(shù)學(xué)和神經(jīng)網(wǎng)絡(luò)的結(jié)合原理，認(rèn)識(shí)了基于模糊神經(jīng)網(wǎng)絡(luò)和工程預(yù)算原理的工程快速估價(jià)的模型，并通過住宅建筑估價(jià)模型的建立，說明模型的實(shí)現(xiàn)方法且驗(yàn)證其實(shí)用性。這次研究對(duì)于行業(yè)經(jīng)驗(yàn)不足的我們十分寶貴，我們通過書籍等資料更加全方位的了解了我們未來所講從事的行業(yè)的知識(shí)，為我們以后的工作做了良好的鋪墊，積累了寶貴財(cái)富，我們將在了解這些專業(yè)知識(shí)之后熟練地運(yùn)用，以更好地促進(jìn)行業(yè)的發(fā)展。（西華大學(xué)；四川；成都；610039）

參考文獻(xiàn)：

① 汪應(yīng)洛、楊耀紅，工程項(xiàng)目管理中的人工神經(jīng)網(wǎng)絡(luò)方法及其應(yīng)用［J］.中國(guó)工程科學(xué).2004,6(7):26-33.

② 袁曾仁，人工背景：神經(jīng)網(wǎng)絡(luò)及其應(yīng)用［M］清華大學(xué)出版社，1991

篇7

關(guān)鍵詞：BP人工神經(jīng)網(wǎng)絡(luò)；RBF人工神經(jīng)網(wǎng)絡(luò)；經(jīng)濟(jì)增長(zhǎng)預(yù)測(cè)

中圖分類號(hào)：TP183文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044(2011)10-2345-03

The Study of Forecast of Zhejiang Province's Economic Growth Using BP and RBF Artificial Neural Network

BAI Xue-bing

(Zhengjiang University of Technology, Hangzhou 310014, China)

Abstract: Based on existing studies of economic forecasting methods, the article studies the Zhejiang province'sEconomic Growth Forecastusing BP and RBF Artificial Neural Network.Thedata research shows Artificial Neural Network hasgood precision, but different Artificial Neural Network have different behavior, some have big error. Artificial Neural Network can provide good reference for the making policy of sector of economy.

Key words: BP artificial neural network; RBF artificial neural network; economic growth forecast

1 經(jīng)濟(jì)預(yù)測(cè)概論

經(jīng)濟(jì)預(yù)測(cè)是與未來有關(guān)的旨在減少不確定性對(duì)經(jīng)濟(jì)活動(dòng)影響的一種經(jīng)濟(jì)分析。它是對(duì)將來經(jīng)濟(jì)發(fā)展的科學(xué)認(rèn)識(shí)活動(dòng)。經(jīng)濟(jì)預(yù)測(cè)不是靠經(jīng)驗(yàn)、憑直覺的預(yù)言或猜測(cè)，而是以科學(xué)的理論和方法、可靠的資料、精密的計(jì)算及對(duì)客觀規(guī)律性的認(rèn)識(shí)所作出的分析和判斷。

2 人工神經(jīng)網(wǎng)絡(luò)經(jīng)濟(jì)預(yù)測(cè)技術(shù)

由于人工神經(jīng)網(wǎng)絡(luò)具有大規(guī)模并行處理、容錯(cuò)性、自適應(yīng)和聯(lián)想功能強(qiáng)等特點(diǎn)，作為非線性智能預(yù)測(cè)方法的人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法成為國(guó)內(nèi)外經(jīng)濟(jì)預(yù)測(cè)研究的一個(gè)熱點(diǎn)。

人工神經(jīng)網(wǎng)絡(luò)不斷應(yīng)用于證券預(yù)測(cè)分析、企業(yè)經(jīng)濟(jì)戰(zhàn)略預(yù)測(cè)、經(jīng)濟(jì)理論創(chuàng)新、經(jīng)濟(jì)預(yù)測(cè)預(yù)警等研究中，都得到了一定的效果。

3 BP與RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型分析

3.1 經(jīng)濟(jì)增長(zhǎng)神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)模型

3.1.1 宏觀經(jīng)濟(jì)預(yù)測(cè)指標(biāo)

經(jīng)濟(jì)增長(zhǎng)率是判斷宏觀經(jīng)濟(jì)運(yùn)行狀況的一個(gè)主要指標(biāo)。經(jīng)濟(jì)增長(zhǎng)率指的就是不變價(jià)國(guó)內(nèi)生產(chǎn)總值增長(zhǎng)率(簡(jiǎn)稱國(guó)內(nèi)生產(chǎn)總值增長(zhǎng)率。因此，判斷宏觀經(jīng)濟(jì)運(yùn)行狀況要落腳到對(duì)國(guó)內(nèi)生產(chǎn)總值的核算上。在本文中我們采用GDP的增長(zhǎng)率來作為預(yù)測(cè)目標(biāo)。

3.1.2 神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)模型經(jīng)濟(jì)模型的設(shè)計(jì)

本論文采用兩種模型對(duì)經(jīng)濟(jì)進(jìn)行預(yù)測(cè)。

1) 第一種 GDP預(yù)測(cè)模型：第n年的一、二、三產(chǎn)業(yè)的增長(zhǎng)率作為輸入，第n+1年GDP增長(zhǎng)率作為輸出。

2) 第二種預(yù)測(cè)模型。第n-3、n-2、n-1、n年的經(jīng)濟(jì)增長(zhǎng)率作為輸入，第n-1、n、n+1年經(jīng)濟(jì)增長(zhǎng)率作為輸出。

這里還要說明兩個(gè)問題。第一我們用到的數(shù)據(jù)來自2009年 浙江省統(tǒng)計(jì)年鑒，它的網(wǎng)址是 。

3.1.3 神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)

設(shè)計(jì)經(jīng)濟(jì)預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)模型前，首先需要確定神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，主要包括如下內(nèi)容：網(wǎng)絡(luò)的層數(shù)，每層的神經(jīng)元數(shù)和激活函數(shù)等。采用的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1。

3.2 使用BP在以浙江省過去的每年的GDP增長(zhǎng)指數(shù)的基礎(chǔ)上進(jìn)行BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)

3.2.1 學(xué)習(xí)樣本的選擇

本次實(shí)驗(yàn)使用Matlab 軟件采用3層BP神經(jīng)網(wǎng)絡(luò)建立浙江省經(jīng)濟(jì)發(fā)展的的預(yù)測(cè)模型。輸入層節(jié)點(diǎn)數(shù)為n=4，輸出層節(jié)點(diǎn)m=3.而隱含層節(jié)點(diǎn)數(shù)的選擇是人工神經(jīng)網(wǎng)絡(luò)最為關(guān)鍵的一步，它直接影響網(wǎng)絡(luò)隊(duì)復(fù)雜問題的映射能力，實(shí)驗(yàn)中我們采用試湊法來確定最佳節(jié)點(diǎn)數(shù)?，F(xiàn)設(shè)置較少的隱節(jié)點(diǎn)訓(xùn)練網(wǎng)絡(luò)，然后逐漸增加網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)，用同一樣本進(jìn)行訓(xùn)練，從中確定網(wǎng)絡(luò)誤差最小時(shí)對(duì)應(yīng)的節(jié)點(diǎn)數(shù)，隱層、輸出層神經(jīng)元的轉(zhuǎn)移函數(shù)，隱含層和輸出層轉(zhuǎn)移函數(shù)分別采用tansig和logsig，訓(xùn)練函數(shù)選擇traindx。

3.2.2 數(shù)值歸一化處理

對(duì)于浙江省經(jīng)濟(jì)增長(zhǎng)序列Q=（Q1，Q2…，Qt）。設(shè)序列的最大值、最小值分別為Qmax、Qmin。對(duì)時(shí)間序列的值作歸一化處理。

令xi=(Qi-Qmin)/(Qmax-Qmin)

3.2.3 樣本數(shù)據(jù)訓(xùn)練和數(shù)據(jù)預(yù)測(cè)

采用1978～2003年的數(shù)據(jù)樣本在MatLab7.0軟件中對(duì)輸入網(wǎng)絡(luò)進(jìn)行訓(xùn)練.隱層節(jié)點(diǎn)數(shù)先從4開始訓(xùn)練，逐步增加到12時(shí)，當(dāng)數(shù)值 為10時(shí)預(yù)測(cè)結(jié)果較好。允許誤差為0.001，訓(xùn)練3217次達(dá)到訓(xùn)練要求。

采用1978～2004年的數(shù)據(jù)作為第一組訓(xùn)練數(shù)據(jù)，2005-年數(shù)據(jù)作為仿真預(yù)測(cè)數(shù)據(jù)，通過神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)GDP。采用1978～2005年的數(shù)據(jù)作為第一組訓(xùn)練數(shù)據(jù)，2006年數(shù)據(jù)作為仿真預(yù)測(cè)數(shù)據(jù)，通過神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)GDP， 采用1978～2006年的數(shù)據(jù)作為第一組訓(xùn)練數(shù)據(jù)，2007-年數(shù)據(jù)作為仿真預(yù)測(cè)數(shù)據(jù)，通過神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)GDP，依次類推，產(chǎn)生結(jié)果如表1所示。

3.2.4 數(shù)據(jù)分析

從2000-2004的擬合數(shù)據(jù)來看，相對(duì)誤差比較小，BP網(wǎng)絡(luò)對(duì)整個(gè)模擬數(shù)據(jù)的擬合程度還是比較好的，但是從2005-2009的預(yù)測(cè)數(shù)據(jù)來看預(yù)測(cè)數(shù)據(jù)的誤差還是比較大的，這也說明對(duì)未來的預(yù)測(cè)是很難的。各種不確定的因素在起作用。

3.3 三種產(chǎn)業(yè)增加率BP確定法預(yù)測(cè)GDP

3.3.1 樣本數(shù)據(jù)訓(xùn)練

將1978-2004年數(shù)據(jù)對(duì)輸入網(wǎng)絡(luò)進(jìn)行訓(xùn)練。然后把需要預(yù)測(cè)的樣本2000-2004年的樣本數(shù)據(jù)輸入網(wǎng)絡(luò)，得到結(jié)果，然后用反歸一化公式獲得結(jié)果。在Matlab7.0中調(diào)用newff函數(shù)，建立一個(gè)3個(gè)輸入節(jié)點(diǎn)、18個(gè)隱含層節(jié)點(diǎn)、一個(gè)輸出結(jié)點(diǎn)的BP神經(jīng)網(wǎng)絡(luò)，隱含層和輸出層轉(zhuǎn)移函數(shù)分別采用tansig和logsig，訓(xùn)練函數(shù)選擇traindx，允許誤差為0.001，訓(xùn)練1748次達(dá)到訓(xùn)練要求。

采用1978～2004年的數(shù)據(jù)作為第一組訓(xùn)練數(shù)據(jù)，2005年數(shù)據(jù)作為仿真預(yù)測(cè)數(shù)據(jù)，通過神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)GDP。采用1978～2005年的數(shù)據(jù)作為第一組訓(xùn)練數(shù)據(jù)，2006年數(shù)據(jù)作為仿真預(yù)測(cè)數(shù)據(jù)，通過神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)GDP， 采用1978～2006年的數(shù)據(jù)作為第一組訓(xùn)練數(shù)據(jù)，2007年數(shù)據(jù)作為仿真預(yù)測(cè)數(shù)據(jù)，通過神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)GDP，依次類推，產(chǎn)生結(jié)果如表2所示。

3.3.2 數(shù)據(jù)分析

從預(yù)測(cè)數(shù)據(jù)來看預(yù)測(cè)數(shù)據(jù)的誤差盡管比上一種類型的數(shù)據(jù)要好，但是誤差還是比較大的，但是考慮到預(yù)測(cè)的能力 ，數(shù)據(jù)還是可以接受的 。但是數(shù)據(jù)誤差還是比較大的，這也說明對(duì)未來的預(yù)測(cè)是很難的，不是十分確定的，有些文章的數(shù)據(jù)精確度挺高的，但我想應(yīng)該是不太可能的，也許有故意湊數(shù)據(jù)的嫌疑。如果預(yù)測(cè)一年的話，可以通過調(diào)整參數(shù)獲得近似結(jié)果，但是很多年就很困難。

3.4 使用RBF在以浙江省過去的每年的GDP增長(zhǎng)指數(shù)的基礎(chǔ)上進(jìn)行RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè).

3.4.1 RBF 神經(jīng)網(wǎng)絡(luò)模型設(shè)計(jì)

該種方式與第一種BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法類似， 以以前四年的GDP增長(zhǎng)率作為輸入，后兩年加以預(yù)測(cè)的年作為輸出。輸入層節(jié)點(diǎn)數(shù)為n=4，輸出層節(jié)點(diǎn)m=3.而隱含層節(jié)點(diǎn)數(shù)的選擇是采用matlab的newrbe自動(dòng)來設(shè)置.然后用同一樣本進(jìn)行訓(xùn)練。

3.4.2 樣本數(shù)據(jù)訓(xùn)練和數(shù)據(jù)預(yù)測(cè)

1) 采用1978～2004年的數(shù)據(jù)作為第一組訓(xùn)練數(shù)據(jù)，2005年數(shù)據(jù)作為仿真預(yù)測(cè)數(shù)據(jù)，通過神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)GDP。采用1978～2005年的數(shù)據(jù)作為第一組訓(xùn)練數(shù)據(jù)，2006年數(shù)據(jù)作為仿真預(yù)測(cè)數(shù)據(jù)，通過神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)GDP，依次類推，產(chǎn)生結(jié)果如表3所示。這兒采用newrbe函數(shù)，spread參數(shù)為0.25。這是因?yàn)橥ㄟ^測(cè)試采用0.25獲得的數(shù)據(jù)結(jié)果較好。

3.4.3 數(shù)據(jù)分析

從實(shí)驗(yàn)數(shù)據(jù)看，RBF對(duì)整個(gè)模擬數(shù)據(jù)的曲線擬合程度是相當(dāng)完美，但是從2005-2009的預(yù)測(cè)數(shù)據(jù)來看預(yù)測(cè)數(shù)據(jù)的誤差還是比較大的，這也說明RBF神經(jīng)網(wǎng)絡(luò)盡管曲線的擬合程度比BP網(wǎng)絡(luò)好 ，但是從預(yù)測(cè)的能力來講，并不比BP網(wǎng)絡(luò)好，反而通過試驗(yàn)顯得更差一些。這仍然表明對(duì)未來的預(yù)測(cè)是很難的。各種不確定的因素在起作用。神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)也只能作為參考之用，不能對(duì)各種的突發(fā)事件進(jìn)行預(yù)測(cè)。

3.5 使用RBF三種產(chǎn)業(yè)增加率確定法預(yù)測(cè)GDP

3.5.1 RBF神經(jīng)網(wǎng)絡(luò)模型設(shè)計(jì)

該種方式與對(duì)應(yīng)的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法類似， 以一年的三種產(chǎn)業(yè)增長(zhǎng)率作為輸入，后一年的GDP增長(zhǎng)率預(yù)測(cè)作為輸出。本次實(shí)驗(yàn)采用RBF神經(jīng)網(wǎng)絡(luò)建立浙江省經(jīng)濟(jì)發(fā)展的的預(yù)測(cè)模型。輸入層節(jié)點(diǎn)數(shù)為n=3，輸出層節(jié)點(diǎn)m=1.而隱含層節(jié)點(diǎn)數(shù)的選擇采用RBF自動(dòng)的newrbe方法實(shí)現(xiàn)。

3.5.2 數(shù)據(jù)處理

1) 采用1978～2004年的數(shù)據(jù)作為第一組訓(xùn)練數(shù)據(jù)，2005年數(shù)據(jù)作為仿真預(yù)測(cè)數(shù)據(jù)，通過神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)GDP。采用1978～2005年的數(shù)據(jù)作為第一組訓(xùn)練數(shù)據(jù)，2006年數(shù)據(jù)作為仿真預(yù)測(cè)數(shù)據(jù)，通過神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)GDP， 采用1978～2006年的數(shù)據(jù)作為第一組訓(xùn)練數(shù)據(jù)，2007-年數(shù)據(jù)作為仿真預(yù)測(cè)數(shù)據(jù)，通過神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)GDP，依次類推，產(chǎn)生結(jié)果如表4所示。

3.5.3 數(shù)據(jù)分析

但是從2005-2009的預(yù)測(cè)數(shù)據(jù)來看預(yù)測(cè)數(shù)據(jù)的誤差比上一組得RBF的誤差還要大，幾乎有點(diǎn)難以接受。這也說明RBF神經(jīng)網(wǎng)絡(luò)盡管曲線的擬合程度比BP網(wǎng)絡(luò)好，但是從預(yù)測(cè)的能力來講，并不比BP網(wǎng)絡(luò)好，反而我通過試驗(yàn)更差一些。2009年的數(shù)據(jù)變得極為不合理，從而導(dǎo)致數(shù)據(jù)的偏差性很高。，從測(cè)試數(shù)據(jù)可看出，但是由于經(jīng)濟(jì)運(yùn)行的復(fù)雜性，以及不可預(yù)知性，特別是由于2008的美國(guó)金融導(dǎo)致的世界范圍的經(jīng)濟(jì)危機(jī)，導(dǎo)致經(jīng)濟(jì)數(shù)據(jù)的不可靠性大大增加，歷史數(shù)據(jù)變得用處不太大。2009年的數(shù)據(jù)變得極為不合理，從而導(dǎo)致數(shù)據(jù)的偏差性很高。

4 總結(jié)與歸納

從我們的試驗(yàn)來看，各種神經(jīng)網(wǎng)絡(luò)的確可以對(duì)未來進(jìn)行預(yù)測(cè)，但是精度多高卻有一些問題，從我們的試驗(yàn)來看BP神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)要比RBF神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)要好，但是也只在一定范圍內(nèi) ，四種檢測(cè)方法，只有一種數(shù)據(jù)還略微能夠接受。神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)仍然需要不斷的完善。

參考文獻(xiàn)：

[1] 張德豐.Matlab神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計(jì)[M].北京:機(jī)械工業(yè)出版社,2009.

[2] 高雋.人工神經(jīng)網(wǎng)絡(luò)原理及仿真實(shí)例[M].2版.北京:機(jī)械工業(yè)出版社,2007.

[3] 韓力群.人工神經(jīng)網(wǎng)絡(luò)理論、設(shè)計(jì)與應(yīng)用[M].2版.北京:化學(xué)工業(yè)出版社,2007.

篇8

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)，它通過電路來模仿人腦神經(jīng)細(xì)胞的結(jié)構(gòu)和功能的，也即通過選取一些自適應(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)化問題以及聯(lián)想記憶等問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)來說，其信號(hào)在傳遞過程中總是存在著信號(hào)的傳輸時(shí)間滯后問題，時(shí)滯問題的存在會(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)的研究來說，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.

篇9

關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò)；產(chǎn)生；原理；特點(diǎn)；應(yīng)用

Application of man-made neural network and medical Image to analyses

Abstract: Man-made neural network (ANN)is a binding system on structure to imitate biological neural to link. It can carry on pattern discriminate， Signal processing et. in order to let the medical students and workers understand the neural network， especially understand the man-made neural network which applies to the medical image to analyses， the article avoids complicated figure’s analysis and reasoning. It explains the concerned profound questions， mainly about the physical concept. In simple terms. I hope it can work !

Key words: Man-made neural network; Produce; Principle; Characteristic; Application

人工神經(jīng)的出現(xiàn)與發(fā)展，從而解決了對(duì)于那些利用其它信號(hào)處理技術(shù)無法解決的問題，已成為信號(hào)處理的強(qiáng)有力的工具，人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用開辟了新的領(lǐng)域。二十世紀(jì)九十年代初，神經(jīng)網(wǎng)絡(luò)的研究在國(guó)際上曾經(jīng)出現(xiàn)一股熱潮，近年來有增無減，已廣泛應(yīng)用在民用、軍用、醫(yī)學(xué)生物等各個(gè)領(lǐng)域。

1 神經(jīng)網(wǎng)絡(luò)與人工神經(jīng)網(wǎng)絡(luò)

1.1 神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)就是由多個(gè)非常簡(jiǎn)單的處理單元彼此按某種方式相互連接而成的計(jì)算機(jī)系統(tǒng)。該系統(tǒng)是靠其狀態(tài)對(duì)外部輸入信息的動(dòng)態(tài)響應(yīng)來處理信息。

1.2 人工神經(jīng)網(wǎng)絡(luò)

1.2.1 神經(jīng)元模型的產(chǎn)生

神經(jīng)元（神經(jīng)細(xì)胞）是神經(jīng)系統(tǒng)的基本構(gòu)造單位，是處理人體內(nèi)各部分之間相互信息傳遞的基本單元。每個(gè)神經(jīng)元都由一個(gè)簡(jiǎn)單處理作用的細(xì)胞體，一個(gè)連接其它神經(jīng)元的軸突和一些向外伸出的其它較短分支——樹突組成。人的大腦正是擁有約個(gè)神經(jīng)元這個(gè)龐大的信息處理體系，來完成極其復(fù)雜的分析和推導(dǎo)工作。

人工神經(jīng)網(wǎng)絡(luò)（ARTIFICIALNEURALNETWORK，簡(jiǎn)稱(A.N.N.）就是在對(duì)人腦組織結(jié)構(gòu)和運(yùn)動(dòng)機(jī)智的認(rèn)識(shí)理解基礎(chǔ)上模擬其結(jié)構(gòu)和智能功能而構(gòu)成的一種信息處理系統(tǒng)或計(jì)算機(jī)。二十世紀(jì)40年代初期，心理學(xué)家Mcculloch、數(shù)學(xué)家Pitts就提出了人工神經(jīng)網(wǎng)絡(luò)的第一數(shù)學(xué)模型，從此開創(chuàng)了神經(jīng)科學(xué)理論的研究時(shí)代。隨后F.Rosenblatt、Widrow和Hopf、J.J.Hopfield等學(xué)者先后又提出了感知模型，使人工神經(jīng)網(wǎng)絡(luò)技術(shù)有了新的發(fā)展。

1.2.2 人工神經(jīng)網(wǎng)絡(luò)的工作原理

人工神經(jīng)網(wǎng)絡(luò)首先要以一定的學(xué)習(xí)準(zhǔn)則進(jìn)行學(xué)習(xí)，然后才能工作?，F(xiàn)以人工神經(jīng)網(wǎng)絡(luò)對(duì)手寫“A”、“B”兩個(gè)字母的識(shí)別為例進(jìn)行說明：為了討論方便，先規(guī)定當(dāng)“A”輸入網(wǎng)絡(luò)時(shí)，應(yīng)該輸出“1”，而當(dāng)輸入為“B”時(shí)，輸出為“0”。因此網(wǎng)絡(luò)學(xué)習(xí)的準(zhǔn)則應(yīng)該是：如果網(wǎng)絡(luò)做出錯(cuò)誤的判決，則通過網(wǎng)絡(luò)的學(xué)習(xí)，應(yīng)使得網(wǎng)絡(luò)減小下次犯同樣錯(cuò)誤的可能性。首先，給網(wǎng)絡(luò)各連接權(quán)值賦予（0，1）區(qū)間內(nèi)的隨機(jī)值，將“A”所對(duì)應(yīng)的圖像模式輸入給網(wǎng)絡(luò)，網(wǎng)絡(luò)將輸入模式加權(quán)求和、與門限比較、再進(jìn)行非線性運(yùn)算，得到網(wǎng)絡(luò)的輸出。在此情況下，網(wǎng)絡(luò)輸出是完全隨機(jī)的，“1”和“0”的概率各為50%。這時(shí)如果輸出為“1”（結(jié)果正確），則使連接權(quán)值增大，以便使網(wǎng)絡(luò)再次遇到“A”模式輸入時(shí)，仍然能做出正確的判斷。如果輸出為“0”（結(jié)果錯(cuò)誤），則把網(wǎng)絡(luò)連接權(quán)值朝著減小綜合輸入加權(quán)值的方向調(diào)整，其目的在于使網(wǎng)絡(luò)下次再遇到“A”模式輸入時(shí)，減小犯同樣錯(cuò)誤的可能性。如此操作調(diào)整，當(dāng)給網(wǎng)絡(luò)輪番輸入若干個(gè)手寫字母“A”、“B”后，經(jīng)過網(wǎng)絡(luò)按以上學(xué)習(xí)方法進(jìn)行若干次學(xué)習(xí)后，網(wǎng)絡(luò)判斷的正確率將大大提高。這說明網(wǎng)絡(luò)對(duì)這兩個(gè)模式的學(xué)習(xí)已經(jīng)獲得了成功，它已將這兩個(gè)模式分布地記憶在網(wǎng)絡(luò)中所含的神經(jīng)元個(gè)數(shù)越多，則它能記憶、識(shí)別的模式也就越多。

1.2.3 人工神經(jīng)網(wǎng)絡(luò)的特點(diǎn)

人工神經(jīng)網(wǎng)絡(luò)的特點(diǎn)是高速信息處理能力和知識(shí)存儲(chǔ)容量很大。人工神經(jīng)網(wǎng)絡(luò)同現(xiàn)行的計(jì)算機(jī)所不同的是，它是一種非線性的處理單元。只有當(dāng)神經(jīng)元對(duì)所有的輸入信號(hào)的綜合處理結(jié)果超出某一門限值后才能輸出一個(gè)信號(hào)。因此，神經(jīng)網(wǎng)絡(luò)是一種具有高度非線性的超大規(guī)模連續(xù)時(shí)間動(dòng)力學(xué)系統(tǒng)。它突破了傳統(tǒng)的以線性處理為基礎(chǔ)的數(shù)字電子計(jì)算機(jī)的局限，標(biāo)志著人們智能信息處理能力和模擬人腦智能行為能力的一大飛躍。轉(zhuǎn)貼于 2 人工神經(jīng)網(wǎng)絡(luò)的種類

人工神經(jīng)網(wǎng)絡(luò)分為誤差逆?zhèn)鞑ド窠?jīng)網(wǎng)絡(luò)（多層感知網(wǎng)絡(luò)）、競(jìng)爭(zhēng)型(KOHONEN)神經(jīng)網(wǎng)絡(luò)、前饋神經(jīng)網(wǎng)絡(luò)和Hopfield神經(jīng)網(wǎng)絡(luò)四種。

3 人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用領(lǐng)域

3.1 民用領(lǐng)域

人工神經(jīng)網(wǎng)絡(luò)在民用領(lǐng)域主要用于語(yǔ)言識(shí)別，圖像識(shí)別與理解，計(jì)算機(jī)視覺，智能機(jī)器人故障檢測(cè)，實(shí)時(shí)信息翻譯，企業(yè)管理，市場(chǎng)分析，決策優(yōu)化，物資調(diào)運(yùn)，自適應(yīng)控制，專家系統(tǒng)，智能接口，神經(jīng)生理學(xué)，心理學(xué)和認(rèn)知科學(xué)研究等。

3.2 軍用領(lǐng)域

人工神經(jīng)網(wǎng)絡(luò)在軍用領(lǐng)域主要用于語(yǔ)音，圖像信息的錄取與處理，雷達(dá)、聲納的多目標(biāo)識(shí)別與跟蹤，戰(zhàn)場(chǎng)管理與決策支持系統(tǒng)，軍用機(jī)器人控制，信息的快速錄取，分類與查詢，導(dǎo)彈的智能引導(dǎo)，保密通訊，航天器的姿態(tài)控制等。

3.3 生物醫(yī)學(xué)工程領(lǐng)域

人工神經(jīng)網(wǎng)絡(luò)在生物醫(yī)學(xué)工程領(lǐng)域主要是解決用常規(guī)方法難以解決和無法解決的問題。在生物醫(yī)學(xué)信號(hào)的檢測(cè)和分析處理中主要集中對(duì)心電、腦電、肌電、胃腸電等信號(hào)的識(shí)別，腦電信號(hào)的分析，聽覺誘發(fā)電位信號(hào)的提取，Holter系統(tǒng)的心電信號(hào)數(shù)據(jù)的壓縮，醫(yī)學(xué)圖像的識(shí)別和數(shù)據(jù)壓縮處理。即廣泛應(yīng)用和解釋許多復(fù)雜的生理、病理現(xiàn)象。例如：CT腦切片。人工神經(jīng)網(wǎng)絡(luò)從MR圖像分割組織和解剖物體，如腫瘤。這種基于二次掃描的方法包括無指導(dǎo)聚類分析，維數(shù)減少和通過非線性拓?fù)溆成涞募y理特征可視化。采用后處理技術(shù)逼近貝葉斯判斷邊緣，然后用人和神經(jīng)網(wǎng)絡(luò)的交互對(duì)這些結(jié)果進(jìn)行優(yōu)化。

3.4 人工神經(jīng)網(wǎng)絡(luò)在肺部CT片定量分析中的應(yīng)用

肺部CT圖像定量分析是先通過計(jì)算ROI區(qū)域的紋理和其它形態(tài)學(xué)的特征，形成特征矢量，然后交由后續(xù)的神經(jīng)網(wǎng)絡(luò)去進(jìn)行分/聚類，從而達(dá)到定量分析的目的?，F(xiàn)以其中常用的BP網(wǎng)絡(luò)為例加以說明。由于BP網(wǎng)絡(luò)存在紋理特征的計(jì)算很費(fèi)時(shí)間和很難找到對(duì)某一病理區(qū)域有特異性的紋理特征等參數(shù)的缺陷。Heitmann等直接使用了Kohonen自組織映射網(wǎng)絡(luò)（SOM）來對(duì)彌漫性肺病在HRCT中的典型征象——磨玻璃樣影（GGO）進(jìn)行自動(dòng)識(shí)別。他將一55大小的ROI的CT數(shù)值直接作為SOM網(wǎng)絡(luò)的輸入，經(jīng)網(wǎng)絡(luò)聚類后，輸出結(jié)果的真陽(yáng)性超過95%，但也有太多的非GGO區(qū)域被誤分成GGO區(qū)域，假陽(yáng)性竟高達(dá)150——300%。特別是靠近胸膜和靠近氣管與血管處的區(qū)域最易被誤分類，而這類區(qū)域處的對(duì)比度比較高。也就是說單個(gè)SOM網(wǎng)絡(luò)無法清楚地區(qū)分GGO相對(duì)均質(zhì)的區(qū)域和低密度肺組織靠近高密度結(jié)構(gòu)處的強(qiáng)對(duì)比區(qū)域。鑒于以上情況，Heitmann又設(shè)計(jì)了一個(gè)包括三個(gè)簡(jiǎn)單網(wǎng)絡(luò)的分層結(jié)構(gòu)。其中：一個(gè)簡(jiǎn)單網(wǎng)絡(luò)可以檢測(cè)幾乎所有正確的GGO區(qū)域以及高對(duì)比度處的假GGO區(qū)域，而另兩個(gè)網(wǎng)絡(luò)（一個(gè)針對(duì)靠近胸膜處的組織；另一個(gè)針對(duì)靠近氣管和血管處的組織）僅僅被訓(xùn)練成高對(duì)比有反應(yīng)，而真正的GGO區(qū)域則無法檢出。將這三個(gè)網(wǎng)絡(luò)的輸出以一定的邏輯規(guī)則（即三個(gè)網(wǎng)絡(luò)的輸出都為真，則該區(qū)域才是GGO）相連，最終結(jié)果比單個(gè)網(wǎng)絡(luò)的結(jié)果精確了許多，它去掉了約95%的假陽(yáng)性區(qū)域。雖然一些強(qiáng)對(duì)比區(qū)域的真的GGO區(qū)域也不可避免地被移走，但真陽(yáng)性仍在可接受的范圍內(nèi)。實(shí)踐證明：那些被誤分類的區(qū)域?qū)嶋H上大多是肺內(nèi)血管、氣管、胸壁或縱隔的部分容積效應(yīng)，以及有心臟主動(dòng)脈搏動(dòng)或呼吸位移引起的運(yùn)動(dòng)偽影?？梢酝ㄟ^解剖結(jié)構(gòu)信息來校正。

神經(jīng)網(wǎng)絡(luò)的研究?jī)?nèi)容相當(dāng)廣泛，反映了多學(xué)科交叉技術(shù)領(lǐng)域的特點(diǎn)。迄今為止，在人工神經(jīng)網(wǎng)絡(luò)研究領(lǐng)域中，有代表性的網(wǎng)絡(luò)模型已達(dá)數(shù)十種，而學(xué)習(xí)算法的類型更難以統(tǒng)計(jì)其數(shù)量。神經(jīng)網(wǎng)絡(luò)研究熱潮的興起是20世紀(jì)末人類科學(xué)技術(shù)發(fā)展全面飛躍的一個(gè)組成部分。它與多種科學(xué)領(lǐng)域的發(fā)展密切相關(guān)，縱觀當(dāng)代新興科學(xué)技術(shù)的發(fā)展歷史，人類在征服宇宙空間、基本粒子、生命起源等科學(xué)領(lǐng)域的進(jìn)程之中歷經(jīng)了崎嶇不平之路。在以人為本的21世紀(jì)，我們將會(huì)看到探索人腦功能和神經(jīng)網(wǎng)絡(luò)的研究將伴隨著重重困難的克服而日新月異，同時(shí)人工神經(jīng)網(wǎng)絡(luò)在醫(yī)學(xué)領(lǐng)域的應(yīng)用前景也會(huì)更加廣闊。

參考文獻(xiàn)

[1] 陳旭，莊天戈.肺部放射影像的定量分析[J].中國(guó)醫(yī)療器械雜志。2001，26（2）：117—118.

篇10

關(guān)鍵詞:神經(jīng)網(wǎng)絡(luò);RBF神經(jīng)網(wǎng)絡(luò);高壓斷路器;故障診斷

中圖分類號(hào):TP3文獻(xiàn)標(biāo)識(shí)碼:A文章編號(hào):1009-3044(2009)25-7224-02

The Research and Application of RBF Neural Network

MA Yan-fang1,2, ZHOU Bing2

(1.Henan Polytechnic University, Jiaozuo 454000, China; 2.JiaoZuo University, Jiaozuo 454000, China)

Abstract: neural network is the mathematical simulation to human brain’s nervous system, its goal is to study and imitate human brain's information processing way. The paper introduced the principle and model of neural network, the learning process of RBF neural network as well as the training process of using RBF neural network to carry on fault diagnosis on high voltage circuit breaker.

Key words: neural network; RBF neural network; high voltage circuit breaker; fault diagnosis

神經(jīng)網(wǎng)絡(luò)是對(duì)人腦神經(jīng)系統(tǒng)的數(shù)學(xué)模擬,其目的是學(xué)習(xí)和模仿人腦的信息處理方式。人們對(duì)神經(jīng)系統(tǒng)的研究已經(jīng)有了很長(zhǎng)一段歷史,早在十九世紀(jì)末,人們就開始認(rèn)識(shí)到人腦包含著數(shù)量大約在1010-1012之間的神經(jīng)元,他們有著復(fù)雜的聯(lián)接,并形成一個(gè)整體,使得人腦具有各種智能行為,由三個(gè)區(qū)組成:細(xì)胞體、樹突、軸突。一個(gè)神經(jīng)元有多個(gè)樹突,它們起感受作業(yè)即接受外部(包括其它神經(jīng)元)傳來的信息。軸突只有一條,用于傳遞和輸出消息。神經(jīng)元之間通過突觸聯(lián)結(jié),突觸是一個(gè)神經(jīng)元軸突的末梢與另一個(gè)神經(jīng)元的細(xì)胞體或樹突相接觸的地方,每個(gè)神經(jīng)元大約有103-104個(gè)突觸與其它神經(jīng)元有連接,正是因?yàn)檫@些突觸才使得全部大腦神經(jīng)元形成一個(gè)復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)。

由此可知,人腦神經(jīng)系統(tǒng)的工作原理就是:外部刺激信號(hào)或上級(jí)神經(jīng)元信號(hào)經(jīng)合成后由樹突傳給神經(jīng)元細(xì)胞體處理,最后由突觸輸出給下級(jí)神經(jīng)元或做出響應(yīng)。

人工神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)模型有很多種,如感知器網(wǎng)絡(luò)、線性網(wǎng)絡(luò)、BP網(wǎng)絡(luò)、徑向基函數(shù)網(wǎng)絡(luò)(RBF網(wǎng)絡(luò))、自組織網(wǎng)絡(luò)、回歸網(wǎng)絡(luò)等。本文介紹RBF網(wǎng)絡(luò)的學(xué)習(xí)過程以及采用RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行高壓斷路器故障診斷的過程。

1 RBF神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程

對(duì)于RBF網(wǎng)絡(luò)的數(shù)學(xué)描述可表達(dá)為:在n維空間中,給定N個(gè)輸入樣本Xi(i=1,2,…,N),則網(wǎng)絡(luò)隱含層的第k個(gè)節(jié)點(diǎn)的輸出可以表示為:

(1)

其中,Xi是n維輸入向量;Tk是第k個(gè)隱層節(jié)點(diǎn)的中心,k=1,2,…,l;?通常為歐式范數(shù)。

R(?)即是RBF函數(shù),具有局部感受的特性,體現(xiàn)了RBF網(wǎng)絡(luò)的非線性映射能力。而網(wǎng)絡(luò)輸出層第j個(gè)節(jié)點(diǎn)的輸出,則為隱含層節(jié)點(diǎn)到輸出層的線性映射,即:

(2)

式中,wkj是隱含層到輸出層的權(quán)值,θj是第j個(gè)輸出節(jié)點(diǎn)的閾值,m是輸出節(jié)點(diǎn)數(shù)。

最常用的RBF函數(shù)形式是Gauss函數(shù):

(3)

它的可調(diào)參數(shù)有兩個(gè),即中心和寬度參數(shù)隱含層節(jié)點(diǎn)k的傳遞函數(shù)表達(dá)式為:

(4)

其中,X=(x1,x2,…,xn)―n維輸入向量,Tki為節(jié)點(diǎn)k的中心Tk的第i個(gè)分量,σk為節(jié)點(diǎn)k的Gauss分布寬度,?表示歐式范數(shù)。

輸出層節(jié)點(diǎn)j相應(yīng)的輸出則可以表示為:

(5)

由此可見,對(duì)于RBF網(wǎng)絡(luò)來說,Tk、σk及w是最為重要的參數(shù),設(shè)計(jì)RBF網(wǎng)絡(luò)的任務(wù)就是用一定的學(xué)習(xí)算法來確定這三個(gè)參數(shù)。

設(shè)有N個(gè)訓(xùn)練樣本,則系統(tǒng)對(duì)所有N個(gè)訓(xùn)練樣本的總誤差函數(shù)為:

(6)

式中,N為模式樣本對(duì)數(shù);L為網(wǎng)絡(luò)輸出節(jié)點(diǎn)數(shù);tkp表示在樣本p作用下的第k個(gè)神經(jīng)元的期望輸出;ykp表示在樣本p作用下的第k個(gè)神經(jīng)元的實(shí)際輸出。

RBF網(wǎng)絡(luò)的學(xué)習(xí)過程分為兩個(gè)階段:第一階段是無教師學(xué)習(xí),是根據(jù)所有的輸入樣本決定隱含層各節(jié)點(diǎn)的高斯核函數(shù)的中心向量ci和標(biāo)準(zhǔn)化常數(shù)σi;第二階段是有教師學(xué)習(xí),在決定好隱含層的參數(shù)后,根據(jù)樣本,利用最小二乘原則,求出隱含層和輸出層的權(quán)值wki。有時(shí)在完成第二階段的學(xué)習(xí)后,再根據(jù)樣本信號(hào),同時(shí)校正隱含層和輸出層的參數(shù),以進(jìn)一步提高網(wǎng)絡(luò)的精度。下面具體介紹一下這兩個(gè)階段:

1) 無教師學(xué)習(xí)階段

無教師學(xué)習(xí)也稱為非監(jiān)督學(xué)習(xí),是對(duì)所有樣本的輸入進(jìn)行聚類,求得各隱含層節(jié)點(diǎn)的RBF的中心向量ci。這里介紹k-均值聚類算法調(diào)整中心向量,此算法將訓(xùn)練樣本集中的輸入向量分為若干族,在每個(gè)數(shù)據(jù)族內(nèi)找出一個(gè)徑向基函數(shù)中心向量,使得該族內(nèi)各樣本向量距該族中心的距離最小。

算法步驟如下:

① 給定各隱節(jié)點(diǎn)的初始中心向量ci(0)和判定停止計(jì)算的ε;

② 計(jì)算距離(歐氏距離)并求出最小距離的節(jié)點(diǎn);

(7)

式中,k為樣本序號(hào),r為中心向量ci(k-1)與輸入樣本x(k)距離最近的隱節(jié)點(diǎn)序號(hào);

③ 調(diào)整中心

(8)

式中,β(k)是學(xué)習(xí)速率;, int(?)表示對(duì)(?)進(jìn)行取整運(yùn)算?？梢?每經(jīng)過q個(gè)取樣本之后,調(diào)小一次學(xué)習(xí)速率,逐漸減至零;

④ 判定聚類質(zhì)量

對(duì)于全部樣本k(k=1,2,…,N)反復(fù)進(jìn)行以上②, ③步,直至滿足以下條件,則聚類結(jié)束。

(9)

2) 有教師學(xué)習(xí)階段

有教師學(xué)習(xí)也稱為有監(jiān)督學(xué)習(xí)。當(dāng)確定以后,訓(xùn)練由隱含層至輸出層之間的權(quán)值,由上可知,它是一個(gè)線性方程組,則求權(quán)值就成為線性優(yōu)化問題。因此,問題有惟一確定的解,不存在BP網(wǎng)絡(luò)中所遇到的局部極小值問題,肯定能獲得全局最小點(diǎn)。

類似于線性網(wǎng)絡(luò),RBF神經(jīng)網(wǎng)絡(luò)的隱含層至輸出層之間的連接權(quán)值wki(k=1,2,…,L;i=1,2,…,q)學(xué)習(xí)算法為

(10)

式中,,Ri(x)為高斯函數(shù);η為學(xué)習(xí)速率?？梢宰C明,當(dāng)0

2 高壓斷路器故障的訓(xùn)練

對(duì)高壓斷路器進(jìn)行狀態(tài)監(jiān)測(cè),獲取12組故障樣本數(shù)據(jù),包括機(jī)構(gòu)正常(ZC)、操作電壓過低(GD)、合閘鐵心開始階段有卡澀(HKS)、操作機(jī)構(gòu)有卡澀(CKS)、合閘鐵心空行程太大(TD)、輔助開關(guān)動(dòng)作接觸不良(FK),其中前6組數(shù)據(jù)作為建立神經(jīng)網(wǎng)絡(luò)時(shí)的輸入向量,二進(jìn)制輸出向量的位數(shù)由故障的種類數(shù)來決定,發(fā)生某種故障時(shí)其所對(duì)應(yīng)的二進(jìn)制位為1,其余位為0。利用

net=newrb(P,T,Goal,SPREAD)

建立神經(jīng)網(wǎng)絡(luò),取誤差目標(biāo)值Goal為 0.01;RBF網(wǎng)絡(luò)的分布密度SPREAD為0.6。

接下來對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,用后六組數(shù)據(jù)如表1做為訓(xùn)練樣本。輸入到上面建立的RBF網(wǎng)絡(luò)中。

訓(xùn)練結(jié)果如圖1所示。

可見,經(jīng)過10次的訓(xùn)練后,網(wǎng)絡(luò)的輸出已經(jīng)達(dá)到預(yù)先設(shè)定的精度要求,結(jié)果如圖1所示。輸出結(jié)果如表2所示。

以表2中所示的樣本序號(hào)3為例,當(dāng)輸入合閘鐵心開始階段有卡澀故障樣本數(shù)據(jù)時(shí),其輸出結(jié)果中越接近1表明發(fā)生該故障的幾率越大,因此可以看出發(fā)生HKS故障的幾率最大。說明此RBF神經(jīng)網(wǎng)絡(luò)可以投入實(shí)際應(yīng)用之中。

3 結(jié)束語(yǔ)

人工神經(jīng)網(wǎng)絡(luò)是模仿生物腦結(jié)構(gòu)和功能的一種信息處理系統(tǒng),已經(jīng)在信號(hào)處理、目標(biāo)跟蹤、模式識(shí)別、機(jī)器人控制、專家系統(tǒng)等眾多領(lǐng)域顯示出極大的應(yīng)用價(jià)值。本文介紹了RBF神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程,并給出了RBF神經(jīng)網(wǎng)絡(luò)在高壓斷路器故障診斷中的應(yīng)用。

參考文獻(xiàn):

[1] 劉愛民,林蘋,劉向東.基于(RBF)神經(jīng)網(wǎng)絡(luò)的自動(dòng)化電器設(shè)備故障診斷方法[J].控制與監(jiān)測(cè),2005.(12):67-72.