前言：中文期刊網精心挑選了神經網絡反向傳播過程范文供你參考和學習，希望我們的參考范文能激發你的文章創作靈感，歡迎閱讀。
神經網絡反向傳播過程范文1
關鍵詞：BP神經網絡；地震預測；指標
中圖分類號：TP183；P315.7 文獻標識碼：A 文章編號：1007-9416（2017）01-0091-01
地震的破壞性是災難性的，近年來，我國乃至世界各地地震頻發，人員和財產的損失不可估量。地震預測成為全世界亟需攻克的難題，各國或組織都投入了大量的人力和財力以求最大限度地減少地震造成的影響。人們對自然的理解是很有限的，對地震的成因和規律的理解一直是無法突破的瓶頸，我們無法直接透視地球來觀察其活動情況，進而預判地震發生的具體時間及位置和震級大小，但經過長期的摸索和驗證，一種叫做BP神經網絡的預測方法更接近地震的各種特征，從而也被廣泛應用于地震預測中。
1 BP神經網絡
由Rumelhart和McClelland提出的誤差反向傳播（Error Back-Propagation）神經網絡模型和其算法通常被稱為BP神經網絡模型。這是目前為止，全世界使用得最靠譜的神經網絡模型之一。BP神經網絡模型包括輸入層、輸出層和N個隱層，BP學習算法是一種監控式學習算法，被多層前饋網絡所使用。它的核心理念是利用梯度搜索技術，使網絡模型的輸出實際值與預測值的方差接近最小值。網絡模型的學習過程包含這兩個階段，即前饋計算階段和反向調整權系數階段，它是一種在這兩個階段不斷修改差值的過程。
自然災害雖然還無法盡用科學來解釋，但地震的發生一定與我們觀測到的一些特殊情況有關，這種關系也許是直接的，也許是間接遞進的，我們可能無法用函數來直觀表達各種變量之間的這種線性或非線性的關系，但通過BP神經網絡的監控學習算法我們可以做到一種隱性詮釋，BP神經網絡模型對這種實值函數有著很強的學習、表征能力和自適應能力，以歷來地震特征數值作為樣本進行梯度搜索和比對計算使方差接近最小值或局部最小值，所以說BP神經網絡是用于地震預測的一個十分有效的方法。
2 BP神經網絡的特點
（1）BP神經網絡的學習和表征能力都很強，它的網絡模型中蘊含著N多隱層，適應性強。（2）在比對計算中不斷的修正差值，對訓練數據中的錯誤有很強的健壯性。（3）前饋計算階段和反向調整權系數將誤差降低到極小值，當一個樣例被網絡模型涵蓋以后，對新的樣例進行求值是非?？斓摹?/p>
3 BP神經網絡在地震預測中的應用現狀
近年來，科技的不斷進步，計算機水平的提高推動著計算方法和機器學習算法的進步，BP神經網絡作為機器學習算法中最常用的算法之一，被各個領域所廣泛應用。目前的應用主要是神經網絡對經過處理后的地震數據進行學習，以年份為特征，來預測該年份發生地震的情況。
BP神經網絡模型通俗來講是一種信息處理系統，是模仿人腦結構及其各神經元的功能來實現的。影響這種信息處理系統的因素有兩項，第一項是網絡的學習和運行規則，也就是網絡中連接權值的調整規則；第二項是網絡的拓撲結構，也就是BP神經網絡中各神經元之間相互作用形式。
BP算法是誤差反傳播算法重要的組成部分。近年來，由于國家的重視，給予的大力支持，BP神經網絡在我國發展神速，并在極短的時間里在圖像、語音、數據等領域頗見成效。絕大部分的的神經網絡都用到了BP算法，所以將BP算法應用于地震預測中定會取得非凡的效果，減少災害的損失。BP算法的學習過程是由兩個傳播過程組成的，分別是信號的正向傳播以及誤差的逆向傳播。信號的正向傳播顧名思義就是將樣本傳輸到輸入層，然后再傳播到各級隱層進行處理和比對計算到達輸出層，此過程的逆向韃ゼ次誤差的反向傳播過程。若要具體實現BP算法就要首先建立神經網絡模型，然后將樣本傳輸到輸入層，然后比對每層輸出，計算出網絡模型的輸出誤差，不斷修正權值，從而得到理想的誤差最小值。信號的正向傳播和誤差的逆向傳播的各層權值的修正過程是循環往復進行的，這個過程需一直進行到將最后輸出的誤差調整到可接受的程度為止。
4 BP神經網絡在地震預測中的應用前景
目前有一種非常有效的方法被應用到小樣本的預測問題中，我們稱它為“交叉驗證”法。交叉驗證法是將訓練樣例分為若干份，每次從這若干份樣例中任意找出一份作為驗證樣本，其它的統稱為訓練樣本，每次交叉驗證都得到一個最佳值，如此往復若干次后，將所有的最佳值求均值，這種方法對地震的預測結果很接近，是地震預測領域的一大突破。
預測畢竟是一種手段、一種猜測，任何一種算法最后的輸出結果都只能是接近而無法等同。所以，在未來的一段時間內，地震專家可能會把目光放在地球內部勘測領域，直觀的觀察地球內部變化，分析其表象特征，將這些特征作為BP神經網絡模型的神經元，這樣得出的結果才夠精確，才能真正做到防范于未然。
5 結語
BP神經網絡模型的優勢就體現在其不局限于線性問題，組建的模型有很強的自適應性，即便樣本并非精確的教學模型，最后分析比對計算后的均值即為理想數值，它能適應很多復雜多變的訓練樣本，這也是神經網絡方法在地震領域被廣泛應用的原因。無論哪種預測方法均存在著一定的局限性，我們要做的就是不斷開發完善，以做到百分百的預測。
參考文獻
[1]李東升，王煒，黃冰樹.人工神經網絡及其在地震預報中的應用[J].地震，1995（4）.
神經網絡反向傳播過程范文2
關鍵詞:宏觀經濟;預測模型;BP神經網絡;非線性
中圖分類號:TP183;F015 文獻標識碼:A
文章編號:1006-4311(2009)11-0088-03
0引言
利用經濟指標的準確預測是國家對宏觀經濟正確調控的必要前提。但經濟系統,特別宏觀經濟系統是非常復雜的系統,廣泛存在著非線性、時變性和不確定作用關系;而在計量經濟學理論基礎上建立的各種宏觀經濟模型,大都是線性模型,很難把握宏觀經濟系統中的非線性現象,必然導致經濟預測的誤差加大。學者們因此對各種線性模型做了不少改進,如建立分段線性模型、參數時變線性模型等,但結果并不理想。于是人們尋求一些非線性工具進行宏觀經濟建模。而神經網絡具有并行計算、分布式信息存儲容錯能力強、自適應學習功能等優點,在處理復雜的人工智能和非線性問題上顯示了優越性。
1基于BP神經網絡的預測模型
BP(Back-Propagation)神經網絡結構是前向的多層網絡,含有輸入層節點、輸出層節點和一層或多層的隱層節點,同層的各神經元之間互不連接,相鄰層的神經元則通過權值連接。當有信息輸入BP神經網絡時,信息首先由輸入層節點傳遞到第一層的隱層節點,經過特征函數(人工神經元)作用之后,再傳至下一隱層,這樣一層一層傳遞下去,直到最終傳至輸出層進行輸出。其間各層的激發函數要求是可微的,一般是選用S型函數。最基本的BP神經網絡包括輸入層,隱層,輸出層這三層節點的前饋網絡,其結構如圖1所示。
BP神經網絡使用一組樣例對網絡連接權值進行學習訓練,每個樣例都包括輸入及期望的輸出。在正向傳播過程中,首先將訓練樣例的信息輸入到網絡中,輸入信息從輸入層經隱層節點逐層計算處理后,傳至輸出層。在計算處理過程中,每一層神經元的狀態只影響下一層神經元的狀態,如果在輸出層得到的結果不是所期望的輸出,那么就轉為反向傳播。反向傳播把誤差信號沿原連接路徑返回,并按照一定原則對各層神經元連接權值進行適當修改,直至第一個隱層;這時再開始進行正向傳播,利用剛才的輸入信息進行正向網絡計算。如果網絡輸出達到了誤差要求,則學習過程結束;如果達不到誤差要求,則再進行反向傳播的連接權值調整。這一過程不斷往復,直到網絡正向計算輸出結果達到誤差要求為止,學習就告結束。網絡訓練結束后,在用于求解實際問題時就只須使用正向傳播。
2具體應用
2.1 樣本獲取
神經網絡建模關鍵之一是網絡訓練樣本的選取。在模式識別征抽取是一個重要環節,抽取穩定且有效的特征是識別系統成功的關鍵。神經網絡建模也就是對系統進行模式識別,神經網絡中的特征抽取也就是樣本的選取,包含原始數據收集、數據分析、變量選擇及數據預處理;只有經過這些步驟后,才能對神經網絡進行有效的學習訓練。訓練樣本質量直接影響網絡應用效果,應根據實際情況選取合適的能表達對象全面特征的樣本,好的訓練樣本能提高網絡學習速度和效果,并提高網絡泛化能力。建立本預測模型時選取樣本,首先是建模必須建立在一個基本固定的環境下; 其次是樣本選取應涵蓋系統特征的信息,要能夠包含在控制中的輸入輸出特征,能給神經網絡提供較為全面的邊界信息。本模型旨在對西安市14個指標2008年的數值進行預測:GDP、全社會固定資產投資、居民消費價格指數、零售總額、工業增加值、財政收入、財政預算、可支配收入、農民人均純收入、城鎮新增就業人數、進出口總額、出口、外商直接投資、工業出廠價格指數。在排除各年可能發生異常情況下,用各指標前幾年數據預測緊接著下一年的各指標數據。
2.2 神經網絡模型結構
神經網絡反向傳播過程范文3
關鍵詞 BP神經網絡；免疫遺傳算法；模擬退火算法；線損
中圖分類號：TM744 文獻標識碼：A 文章編號：1671-7597（2013）11-0000-00
線損是考核電力網運行部門一個重要經濟指標，是電力網供售電過程中損失的電量。線損是技術線損與管理線損之和。對于技術線損則應控制在合理的范圍以內，而管理線損要盡力減到最少。線損理論計算得到的電力網技術線損數值是電力網線損分析和指導降損的科學依據。線損計算是節能管理的重要工作。本文主要討論BP神經網絡算法在配網線損計算中的應用。
1 配網線損的計算方法
整個電力網電能損耗計算可以分解為如下元件的電能損耗計算，即35 kV及以上電力網為35 kV及以上交流線路及變壓器的電能損耗計算；20 kV配電網為20 kV交流線路及公用配電變壓器的電能損耗計算；10 kV配電網為10 kV交流線路及公用配電變壓器的電能損耗計算；6 kV配電網為6 kV交流線路及公用配電變壓器的電能損耗計算；0.4 kV低壓網為0.4 kV及以下電力網的電能損耗計算；其它交流元件為并聯電容器，并聯電抗器，調相機，電壓互感器，站用變等；高壓直流輸電系統：直流線路，接地極系統，換流站（換流變壓器、換流閥、交流濾波器、平波電抗器、直流濾波器、并聯電抗器、并聯電容器和站用變壓器）。
目前已有不少計算線損的方法，日均方根電流法應用較多，但它只是對35 kV及以上電壓的輸電網絡比較適用，而對于35 kV以下的配電網，因為線段數、分支線路、配電變壓器數量較多，使得其等值電路的節點數和元件數大大增加，需要花費大量的人、物力計算所需的運行資料，因此在實際應用中日均方根電流方法難以通用。回歸分析方法在配網線損計算中也有較為廣泛的應用，但該方法難于確定回歸方程，對不同配網結構不具通用性，計算結果準確度不高。近年來，神經網絡理論的發展與應用為配網理論線損計算提供了新的思路。
2 BP神經網絡算法
人工神經網絡是由具有適應性的簡單單元組成的廣泛并行互連的網絡，它的組織能夠模擬生物神經系統對真實世界物體所作出的交互反應。人工神經網絡具有自組織、自學習、良好的容錯性和非線性逼近能力，受到學界的關注。實際應用領域中，百分之八十至九十的人工神經網絡模型采用了誤差反傳算法或者為其變化形式的網絡模型，在這里簡稱為BP網絡，BP網絡目前主要應用在模式識別、分類、函數逼近和數據壓縮或數據挖掘等方面。
BP（Back Propagation）神經網絡，由信息正向傳播及誤差反向傳播兩個過程構成，即誤差反向傳播算法的學習過程。輸入層的每個神經元負責接收來自外界的輸入信息，并傳遞給中間層的每個神經元；中間層是內部信息的處理層，負責信息變換；最后一個隱層傳遞到
輸出層各神經元的信息成一次學習的正向傳播處理過程，由輸出層向外界輸出信息處理結果。根據信息變化能力的需求，中間層可以設計為單隱層或者多隱層結構；當輸出層的實際輸出與期望輸出不符時，進入誤差的反向傳播階段。誤差通過輸出層，按誤差梯度下降的方式修正各層權值，向隱層、輸入層逐層反傳。周而復始的信息正向傳播和誤差反向傳播過程，是各層權值不斷調整的過程，也是神經網絡學習訓練的過程，此過程一直進行到網絡輸出的誤差減少到可以接受的程度，或者預先設定的學習次數為止。
BP神經網絡模型包括其輸入輸出模型、誤差計算模型、作用函數模型和自學習模型。
2.1 作用函數模型
作用函數是反映下層輸入對上層節點刺激脈沖強度的函數，一般取為（0，1）內連續取值Sigmoid函數，即為：f（x）=1/（1+e）。
2.2 節點輸出模型
隱節點輸出模型為Oj=f（∑Wij×Xi-qj），輸出節點輸出模型為Yk=f（∑Tjk×Oj-qk），其中f為非線形作用函數；q為神經單元閾值。
2.3 誤差計算模型
誤差計算模型是反映神經網絡期望輸出與計算輸出之間誤差大小的函數：
Ep=1/2×∑（tpi-Opi） ，其中tpi-i節點的期望輸出值；Opi-i節點計算輸出值。
2.4 自學習模型
神經網絡的學習過程，即連接上層節點之間和下層節點的權重矩陣Wij的設定和誤差修正過程。BP網絡有師學習方式（即需要設定期望值）和無師學習方式（即只需輸入模式）之分。自學習模型為Wij（n+1）=h×Фi×Oj+a×Wij（n），其中h為學習因子；Фi為輸出節點i的計算誤差；Oj為輸出節點j的計算輸出；a為動量因子。
神經網絡可以用作分類、聚類、預測等。神經網絡需要有一定量的歷史數據，通過歷史數據的訓練，網絡可以學習到數據中隱含的知識。
3 BP神經網絡算法在配網線損計算中的應用
基于免疫遺傳算法（IGA）的BP神經網絡方法計算的理論線損是在遺傳算法（GA）的基礎上引入生物免疫系統中的多樣性保持機制和抗體濃度調節機制，有效地克服了GA算法的搜索效率低、個體多樣性差及早熟現象，提高了算法的收斂性能。為了解決BP神經網絡權值隨機初始化帶來的問題，用多樣性模擬退火算法（sAND）進行神經網絡權值初始化，該算法設計的BP神經網絡比混合遺傳算法有更快收斂速度及較強的全局收斂性能，其準確度優于現有其它計算配電網理論線損的方法，預測精度在原有算法基礎上有一定的提高，理論線損的計算結果與實際更加一致。改進后的算法核心是運用了神經網絡的現有理論和結構，借鑒了免疫學原理和相關特性，定義了基于免疫學的基本運算規則和運算單元，用遺傳算法實現了個體群在群體收斂性和個體多樣性之間動態平衡的調整。
4 小結
配電網線損是電力工業中一個重要的技術經濟指標，準確簡便的線損計算對于電力網絡優化設計、提高電力系統運行的經濟性、安全性及供電質量具有很強的導向作用。BP神經網絡算法有更快收斂速度及較強的全局收斂性能，其準確度優于現有其它計算配電網理論線損的方法，使得理論線損理論計算與實際更逼近。
參考文獻
[1]李秀卿，汪海，許傳偉，等.基于免疫遺傳算法優化的神經網絡配電網網損計算[J].電力系統保護與控制，2009，37（11）.
[2]甘德強，王錫凡，王小路.電力系統概率暫態穩定性的分析[J].中國電力，1994，27（4）：32，35.
[3]張健，劉懷東.輸電線路概率安全性測度研究[J].電力系統及其自動化學報，2003，12：34，36.
神經網絡反向傳播過程范文4
關鍵詞：BP神經網絡造價預測研究
Abstract: this paper introduces the BP neural network of network structure and the learning process, and the BP neural network to predict the application of project cost.
Keywords: BP neural network cost prediction research
中圖分類號：TU723.3文獻標識碼：A 文章編號：
BP神經網絡的算法稱為反向傳播算法(Back-Propagation)簡稱BP算法，BP網絡也由此得名。BP網絡的學習過程是由信號的正向傳播與誤差的反向傳播兩個過程組成。在正向傳播過程中，信號從輸入層傳入，經隱單元逐層處理后傳向輸出層，如果在輸出層的實際輸出與期望輸出不符，則轉入反向傳播，將誤差信號以某種形式由原來的連接通路返回，通過隱層向輸入層反傳，并在返回過程中修改各層神經元連接的權值。這種過程循環進行，直到輸出誤差達到允許的范圍或達到網絡預先設定的學習次數。
1BP神經網絡的網絡結構
BP 神經網絡結構如圖1所示，輸入數據由輸入層進入，輸入層連接隱層，隱層連接輸出層，輸出數據從輸出層導出。輸入層、輸出層神經元個數根據具體實際情況設置，隱層可以是一層，也可是多層由相應的輸入層、輸出層神經元個數根據公式確定。各層之間神經元連接強度的加權值（簡稱權值）允許不同，權值越大表示該輸入的影響越大。神經元的所有輸入采用加權和的方式。輸入、輸出向量分別用x和y，且x=(x1，x2，…，xn)，y=(y1，y2，…，ym)，表示輸入層、輸出層分別有n、m個節點輸入輸出向量分別是 n 維和 m 維。
圖1BP 神經網絡結構示意圖
2BP神經網絡的學習過程
簡單說來BP網絡的整個學習過程就是權值與閾值的不斷修正過程，BP網絡的整個學習過程的步驟如下圖：
圖2 BP神經網絡學習過程
3 BP 神經網絡在工程造價預測中應用
工程造價預測是一個十分復雜的模式識別問題，特別是預測中存在廣泛的非線性問題，這增加了模式識別的復雜性。BP 神經網絡由于其本身信息處理的特點，使其能夠出色解決那些傳統識別方法難以解決的問題，近年來工程領域的仿真預測成為神經網絡的重要應用領域之一。
對于一般的神經網絡預測，診斷工作可以分為測前工作與測后工作兩部分工作。測前工作，根據經驗在一定的條件下，將常見的各種費用超支情況及正常情況所對應的理論值用實驗或理論計算求出。并以此作為BP神經網絡的樣本及樣本期望,輸入特定的BP神經網絡，進行神經網絡訓練，實際預測時，在同樣的條件下，將實際數據經處理后輸入特定的BP神經網絡。其輸出即是對應的預測值。神經網絡具有推論聯想的能力，具有很強的泛化能力，不僅能識別已經訓練過的樣本，而且能通過推論聯想識別為出現過的樣本。綜上所述，用BP神經網絡進行公路工程造價預測，步驟可以總結為：建模、參數選定、預測模型結構確定。
3.1神經網絡建模步驟
在實際應用中，面對一個具體的問題，首先需要分析利用神經網絡求解問題的性質，然后依據問題特點，確立網絡模型。最后通過對網絡進行訓練、仿真等，檢驗網絡的性能是否滿足要求。主要步驟包括：確定信息表達式、網絡模型的確定、網絡參數的選擇、訓練模式的確定、網絡測試。
3.2模型參數的確定
（1）實際完成金額
公路工程造價的發展具有連續性，其數量特征呈相對穩定，或者與其他經濟現象之間的相互聯系具有相對穩定的模式，因而有可能對其發展過程加以模擬，利用實際完成金額等歷史資料比較準確地推斷其將來。
（2）主要材料價格
由于公路工程涉及工程材料種類多，工程施工經歷時間跨度大，期間材料價格波動影響因素較多，要綜合考慮這些因素進行預測往往要大量的基礎資料。
（3）天氣狀況
由于公路項目施工主要是在野外作業，所以受天氣影響比較大，所以天氣狀況也是影響工程造價的一個因素。
（4）進場主要施工機械設備數量
設備材料費，是工程造價的主要組成部分。因此，施工設備投入數量，是影響工程造價增減的重要動態因素
4結語
基于 BP 神經網絡的公路工程造價預測，能夠充分利用公路工程造價的歷史數據，通過高度的非線性映射，得到預測結果。與傳統的工程造價方法相比較，該方法具有自組織、自學習、自適應和泛化能力，因而有廣泛的應用前景。而 BP 神經網絡的精確預測需要真實、可靠、準確的樣本輸入數據以及相對應的樣本期望數據，就需要我國公路工程造價歷史數據的不斷積累，公路工程造價制度的不斷完善。
參考文獻
[1]袁助,基于項目總控模式的高速公路造價動態控制方法研究[D],長沙理工大學,2009年.
神經網絡反向傳播過程范文5
關鍵詞：BP神經網絡；土壤重金屬污染
中圖分類號：TP183 文獻標識碼：A DOI：10.11974/nyyjs.20170533219
1 材料與方法
1.1 研究區概況
以宜賓市翠屏區宋家鄉洋坪村萬宜糧油專業合作社糧食生產功能區252.07hm2農用地為研究區，該區地處中緯度北亞熱帶季風氣候區，在地質構造上位于川東褶皺帶永川帚狀褶皺帶的帚部；全區基巖廣布，地層結構、巖石特性形跡明顯，其中紫色巖層更是遍布于丘谷地區，多為侏羅系各組紫色巖層，巖層傾角10～30°，切割淺，田多土少。本區為川南丘陵區地貌形狀，海拔340～400m，由于受四川盆地地質構造的影響，形成紅色泥巖、沙質泥巖和沙巖互層沉積，主要土壤類型有：紅棕石骨土、灰棕紫沙土、棕紫泥田、黃紫沙田、紅紫沙田等，土壤質地沙壤-壤土，礫石含量較低，土壤耕性較好，經檢測：土壤pH值5.94～8.40，微酸性-微堿性；有機質含量10.09～32.6g/kg、全氮0.71～1.86g/kg、有效磷0.4～17mg/kg、堿解氮74～151mg/kg、速效鉀93～214mg/kg，耕地土壤養分含量中等豐富，水田地力多為2～3級，旱地多為3～4級。
1.2 土樣采集與處理
土樣采集按照《農田土壤環境質量監測技術規范》（NY/T395-2000）的要求，于2015年9月在作物收獲后秋耕前，根據研究區土地利用現狀劃分取樣單元，每13.3～20hm2取一個樣點，共采集耕層土壤樣品10個，耕層按0～20cm，亞耕層按20～40cm用不銹鋼土鉆采集土樣，每個土樣均采用“S”法隨機采集15～20個點，經充分混合后，用四分法留取1kg，重點點位留取1.5kg，裝入土袋標明，樣品取回在實驗室蔭干、碾碎備用。
1.3 測定項目及方法
土鈾退拇ㄊ∨圃和寥婪柿涎芯克化驗室進行，對農產品質量安全有重要影響的Pb、As、Cr、Hg和Cd共5個重金屬元素的化驗分析，分析方法根據《農田土壤環境質量監測技術規范》（NY/T395-2000）要求確定：As、Hg采用原子熒光光譜法測試，Cd、Cr、Pb采用等離子體質譜法測試。
1.4 評價方法
1.4.1 傳統指數評價法
污染指數法是檢測評價土壤重金屬污染中最常用的一種方法，主要包括2種，分別為單因子和多因子污染指數法，多因子指數法是內梅羅指數法使用最多的一種方法。內梅羅指數法可以計算污染指數的平均值以及最高值，通常在實際的應用過程中，重金屬污染因子個數減少的情況比較適合應用該方法，加權有效地規避了權系數確定過程中的各種主觀因素，當前該方法的應用比較廣泛。但是，這種方法同時也存在不足之處，因為將土壤重金屬污染評價化由復雜變得過于簡單，過分強調了環境質量影響中最高值的作用。一般情況下，對土壤進行環境質量評價時，會按照中國土壤環境質量標準（GB15618-1995）中二級標準來確定研究的評價標準（表1）。
1.4.2 BP神經網絡
1.4.2.1 BP神經網絡原理
BP算法訓練的神經網絡，稱之為BP神經網絡，這種神經網絡是目前應用最多的一種，按照誤差逆傳播算法進行訓練，屬于多層前饋網絡。BP神經網絡的學習功能比較強，輸入―輸出模式映射關系的存貯量也比較大，不必對描述該映射關系的數學方程進行揭示。梯度下降法是主要的學習規則，網絡的閾值和權值可以通過反向傳播得到適當的調整，最終得出的最小的誤差平方和。BP神經網絡模型拓撲共包括3層，分別是輸入層、隱層和輸出層。
1.4.2.2 BP神經網絡算法
BP算法是目前最廣泛用的神經網絡學習算法之一，其反向傳播包括2個步驟，分別是正向傳播以及反向傳播。
正向傳播就是樣本從輸入層開始經過隱單元進行層層處理，之后傳到輸出層中；經過這個過程的層層處理，每層中神經單元的狀態都只會影響到下一層神經元的狀態。比較輸出層中的現行輸出以及期望輸出，當現行輸出跟期望輸出不同時，則進行反向傳播過程。
反向傳播就是將誤差信號按照原路返回，從輸出層開始經過隱含層對神經元的權系數進行逐步修改，以最大化的減少誤差信號。
采用非線性S型對數傳遞函數logsig函數應用到模型的輸入層到隱含層的過程中，可以有效保證BP神經網絡模型的非線性，線性函數 purlin 函數應用到隱含層到輸出層中，trainlm函數為網絡采用的訓練函數。通過反復迭代運算，達到誤差允許范圍為止，最后固定權值系數及閥值，學習訓練過程結束，模型建立。
2 基于BP神經網絡的土壤重金屬評價模型
2.1 學習樣本的選取
選取BP神經網絡訓練樣本可以確定模型，如果采用累加樣本數量或者反復訓練網絡的方法，會耗費大量的時間，不利于提高網絡的預測精度。因此只有在充分考慮樣本的整體內在特征以及規律的基礎上才能選定樣本。
本文學習樣本選用《成都耕地》中耕地重金屬評價土壤樣點數據100個，檢驗樣本20個。樣本中土壤等級采用傳統內梅羅指數評價法得出（表3）。
2.2 神經網絡預測模型的建立
3層前向BP神經網絡能夠實現隨意精度接近任何一個非線性函數，而且過程中不需要建立數學模型，只要存在輸入以及目標輸出即可。賦予一個輸入模式給網絡，經過輸入層―隱蔽層―輸出層層層處理之后，產生一個輸出模式。當實際輸出跟期望輸出不同時，則進行反向傳播，誤差值會沿著原路返回進行逐層修改。只有每個訓練模式都滿足特定要求，學習過程才能結束。
圖1為本研究中的土壤重金屬污染評價的BP神經網絡預測模型，該模型共分為3層，7-6-1為該模型的神經網絡結構，輸入層共包括7個神經單元。分別是對土壤耕地有重要影響的Pb、As、Cr、Hg和Cd共5個元素，2個限制條件：土壤類型（水田或旱地）和土壤pH值，對土壤類型（水田、旱地）字符作對應性數字映射為水田-0，旱地-1；線性傳遞函數（purelin）為傳遞函數；隱蔽層共包括6個神經元，傳遞函數為s型傳遞函數（1ogsig）；輸入層包含一個神經元，和土壤重金屬污染評價等級對應，傳遞函數也是線性傳遞函數（purelin）。
網絡學習過程中或者網絡預測的過程中要實現更好的訓練，就要進行輸入矢量分量預處理以及輸出適量分量預處理，使用permnmx函數對網絡進行歸一化處理，以使樣本輸出和輸入范圍維持在[-1，1]之間。仿真后的數據通過postmnmx函數進行反歸一化處理。
本研究中有100個已知的土樣點參數數據可以當做學習樣本的輸出節點值，在神經網絡學習模型中帶入5個影響參數和2個限制參數的輸入節點值，可以自動生成樣本群知識庫以及項目區土壤重金屬污染評價等級與7個特征⑹的非線性計算關系，結果為：R?=0.99998；RMSE=0.01。
在神經網絡推理機中帶入學習樣本以及驗證土樣點的7個參數標準值，利用知識庫將各單元的評價等級求出，然后與已知結果進行比較，如果誤差≤10%，再將其與傳統內梅羅指數評價結果進行比較，2個結果非常貼合。（表4）。
2.3 基于BP網絡的翠屏區土壤重金屬污染評價
在BP神經網絡預測模型被驗證可用后，本文運用該模型，對宜賓市翠屏區宋家鄉洋坪村萬宜糧油專業合作社糧食生產功能區10個耕地土壤樣點進行評價，將其作為仿真部分輸入值代入網絡程序，即可評價出本區域耕地土壤重金屬污染等級，對該區域現代農業規劃中土壤適宜性和農產品質量安全溯源提供科學依據。
3 結論
本文主要對研究區域中的5種重金屬內梅羅指數綜合評價以及神經網絡綜合評價的結果進行對比分析，對于該地區的污染水平和趨勢，兩者反映的基本一致，神經網絡綜合法評價結果對細小區域的評價更加適合，如土樣1根據內梅羅指數法的結果顯示，該區域評價等級為2級、尚清潔，但應用BP神經網絡評價為1級、清潔，這個評價結果比較符合當地的污染狀況。
借助BP神經網絡方法建立起土壤重金屬污染等級與區域種植業適宜性和農產品質量安全溯源之間構建起直接的聯系，管理決策部門可以從這個方向出發制定現代農業規劃的應對措施，從而更好的協調社會經濟活動跟土壤環境之間的關系，從而有效的預防土壤重金屬污染，進而保障農產品的質量安全。
參考文獻
[1]李向.基于BP神經網絡的土壤重金屬污染評價方法――以包頭土壤環境質量評價為例[J].中國農學通報，2012，28（02）：250-256.
神經網絡反向傳播過程范文6
關鍵詞：水泵 全特性曲線 BP神經網絡
一.前言
在含有泵裝置的工程中，常常通過水泵性能曲線來研究水泵運行情況，但是，如果要研究由于規劃不周、操作不當、水位突變或意外停電等原因造成的水錘現象，則僅僅有水泵特性曲線是遠遠不夠的。因為水泵特性曲線只反映水泵正常運行的情況，而對于水錘這一復雜的水力過渡過程，它不僅包含水泵正常運行工況特性，而且還包含制動水泵工況、水輪機工況以及制動水輪機工況特性。水泵全特性曲線反映在任意可能運行條件下的特性，則剛好彌補了水泵性能曲線的不足，因此為分析和計算水錘提供了重要依據。水泵的全特性曲線通常由專門的實驗得到。但由于水泵比轉數范圍很寬，品種規格繁多，而全特性試驗又很復雜，故無法對每種水泵進行試驗。在進行水錘計算時，往往難以找到相同比轉數的水泵全特性曲線資料，故通常采用相近的其它比轉數的全特性曲線。這樣，無疑給計算帶來誤差。因此，研究任意比轉速下的水泵全特性曲線規律顯得十分重要。本文提出了一種以幾種已有的實測水泵全性能曲線為基礎，利用BP神經網絡，擬合任意比轉速下的水泵全特性曲線的方法。
二.常規的水泵全特性曲線坐標表示方法
水泵的全特性曲線可由揚程H、轉速n 、流量Q和轉矩T四個基本參量表示。為方便起見，一般采用任意工況的參量與最高效率點的參量之相對比值來表示，即引人無量綱參量：
式中HR，QR，nR，TR分別表示水泵的揚程﹑流量﹑轉速和轉矩的額定值；
H，Q，n，T分別表示水泵的揚程﹑流量﹑轉速和轉矩的實際值；
h﹑v﹑a﹑b分別表示水泵的揚程﹑流量﹑轉速和轉矩的無量綱值。
通常選擇無量綱轉速a和無量綱流量v為坐標軸，在a-v平面上繪制等揚程h曲線和等轉矩b曲線。但是這種方法曲線圖形復雜，不便于計算。為了解決這個問題，瑞士學者P. Suter引人下面的關系：
得到代表水泵全特性的兩條連續曲線：
在WH，WB-x坐標系中，x是v/α的函數，v/α代表水泵葉輪上某點的相對流動角，，即任意工況下的流動角與最高效率點的流動角之比。因此，同一臺水泵各種工況的特性，取決于葉輪上某點的相對流動角。描述水泵各種不同運行工況的參量WH，WB，是葉輪上某特征點的無量綱角x及水泵比轉數ns的函數，這種關系可以由下式表示：
而對于某一相同的相對流動角x，水泵的全特性是比轉數ns的函數，即
如果建立了各種不同的流動角x相對應的WH－ns，WB－ns的相互關系，就可以確定任意轉數ns的水泵全特性曲線，一般選取與事故停泵過程有關的第一，二，三三個象限。在0～3π/2范圍內，取x＝π/44，共求得67個不同的x及其所對應的WH﹑WB值，對四種不同比轉數ns的四個點，選取ns為自變量，WH，WB為函數，用三次多項式進行曲線擬合，建立如下形式的兩個方程組：
對于某一已知的x值，分別代入四種水泵的比轉數ns及所對應的WH，WB值，可由上式分別求解得出方程的系數A，B，C，D及E，F，G，H。對于67個值，可得到67組方程系數，同時建立67組如下的方程組：
這個方程組就稱謂全特性曲線方程。
當需要進行事故停泵過程的水錘分析時，由水泵最高效率點的揚程，流量，轉速計算其x，WH(x)，WB(x)，分別將其比轉數和全特性曲線方程的系數代入方程，就可求得每一個相對流動角x的WH，WB值，在坐標系中將其用光滑曲線連接，得到所求的水泵全特性曲線。
但是，該法求的是特定ns下的WH﹑WB值，在實際水錘計算時，往往需要的不是這些特定比轉數的水泵全特性曲線資料，若采用相近的特定比轉數的全特性曲線，無疑給計算帶來誤差。文獻[1]通過分析ns=90、260、530、950四條分別以WH-x、WB-x為坐標的全特性曲線，得出了水泵的全特性是隨著比轉速ns的變化而有規律的變化的結論。因此，可以認為，水泵全特性是水泵比轉速ns的函數。鑒此，可利用BP神經網絡根據已有的由實驗得到的幾種比轉數的水泵全特性曲線，擬合出任意比轉速水泵的全特性曲線。
三.BP神經網絡模型的建立
BP神經網絡，是目前比較成熟，使用也比較廣泛的一種人工神經網絡。它分為三層：輸入層，隱含層和輸出層。隱層中每個節點分別與輸入層和輸出層的每個節點連接。BP 網絡的學習過程由前向計算過程和誤反向傳播過程組成，其前向計算過程如下：
（1）輸入層結點i的輸出Oi等于其輸入Xi
（2）隱層節點j的輸入
netj=
輸出
式中為隱層節點j與 輸入層結點i之間的連接權；j為隱層節點j的閥值，f為非線形Sigmoid傳遞函數。
（3）輸出層結點l的輸入Ol
netl=
輸出Ol=f(netl)=
式中為輸出層節點l與隱含層結點j之間的連接權；l為隱層節點l的閥值。
對給定的訓練樣本集（xp1，xp2，… ， xpn） (lp1，lp2，… ，lpn)，p=1，2，3，… ，P為樣本號，網絡運算結果與訓練樣本目標之間的均方誤差和表示為：
W=，
Ep=
網絡訓練學習的過程就是通過調節網絡內部連接權使網絡誤差最小。BP網絡內部連接權的調整過程也就是誤差的反向傳播過程。
對于輸出層與隱層之間的權值有：
（k+1）=(k)+
l=f(netl)·(tl-Ol)
對于輸出層與隱層之間的權值有：
（k+1）= (k)+
j=f(netj)
式中k為迭代次數，為學習率； 0＜η＜1。
四．水泵全特性曲線BP模型
本文以四種有代表性的比轉速=90、263、530、950的實測全特性曲線資料為樣本，采用BP神經網絡進行訓練，得出網絡的連接權。神經網絡有兩個輸入：比轉數ns和相對流動角x。其中每個比轉數ns對應67個以x＝π/44為間隔的相對流動角x的值（x∈（0~））。所以網絡的輸入樣本為一個2×268的二維矩陣。在構造網絡的輸出時，使用了兩種不同的方法進行了比較：
a、構造2×3×20×2的網絡結構，即采用兩個輸出節點：WH和WB。其中WH和WB都是與輸入樣本相對應的值，所以輸出是一個2×268的二維矩陣；
b、構造兩個2×3×20×1的網絡結構，即分別按WH和WB為輸出構造網絡。為了提高擬合精度，按x?[0，π/2]，x?[π/2，π]，x?[π，3/2π]把整個67個點分為三個區間。所以輸出分別都是1*268的一維矩陣。
將網絡進行訓練，得到所需的網絡模型。其中按方案a進行，訓練了2500步，誤差為1e-3；按方案b進行，訓練了1125步，誤差為1e-4，經過計算比較，可知用b方案要比a法收斂得快。
五.利用BP神經網絡擬合全特性曲線
由計算值曲線與神經網絡仿真值曲線的比較可以看出，計算值與實測值相當吻合，說明本文的任意比轉速水泵通用全特性曲線神經網絡計算機仿真結果是可靠的。
六．結束語
綜合以上的分析可知，BP神經網絡能很好地模擬非線型系統，因此能很好地擬合任意比轉速下的水泵全特性曲線。結果表明，只要選取了合適的網絡結構，網絡便能經訓練得到各節點之間的權值和閾值，代入任意比轉速時的輸入參量，就可得到任意比轉速下的水泵全特性曲線，而且精度完全滿足要求，節約了大量計算人員計算時間。
參考文獻：《泵站水錘及其防護》
劉竹溪 劉光臨著 水利電力出版社
《人工神經網絡》
聞新著
