前言：中文期刊網精心挑選了神經網絡本質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。
神經網絡本質范文1
Abstract： Estimating the manufacturing cost of large-sized and complex-shaped non-standard product is hard. Now the manual estimation methods suffered from a high estimation error. When cost estimates are to be used for bidding purposes， a poor accuracy may have detrimental financial consequences. A cost overestimation bears the risk of making the firm uncompetitive and losing a customer， while underestimating the cost leads to winning a contract but incurring a financial loss. Therefore， a precise cost estimation is critical for project management. In this paper， building the parametric model of artificial neural networks， compare with the artificial neural networks and the manual estimation methods in estimating the manufacturing cost of large-sized and complex-shaped non-standard product. the accuracy is improved.
關鍵詞： 神經網絡（ANN）；成本估算；非標產品
Key words： artificial neural networks （ANN）；cost estimation；non-standard product
中圖分類號：TP183 文獻標識碼：A 文章編號：1006-4311（2014）14-0203-03
0 引言
生產成本評估是工業管理活動中的一個重要問題。通常情況下，成本的計算可被分類為預先計算，中間計算，后計算。前計算涉及估計未來成本，中間計算在產品開發周期內進行了成本控制的目的，而計算后，包括成本核算方法，用來確定實際成本作為未來預算數據。由于產品生命周期成本的很大一部分被定義在設計階段，因此在新產品開發過程中廣泛采用。然而，在這種情況下，通常用來提供合適的成本計算方法必需的數據，只有不完整的或不確定的產品描述的數據[1]。
由于神經網絡能以期望的精度逼近任何非線性函數，并且它具有自學習、自組織、自適應、并行處理和容錯等功能，因而可以較好的應用于產品生產成本估算。
1 成本估算方法分類
從方法論的角度來看，成本估算，可以分為定性或定量的方法。如圖1。
定性的方法依賴于專家判斷和經驗啟發式規則，定量的方法，可進一步分類納入統計的模型，相似模型或生成分析模型。參數成本模型屬于傳統的統計方法，統計標準是用來確定因果聯系和關聯成本和產品特性，以便取得與一個或多個變量的。統計方法可以依靠公式或替代辦法連結產品特性，以成本為例，如回歸分析或優化方法已被廣泛地應用，人工神經網絡也被用來統計方法，這要歸功于它們有能力進行分類，總結和推斷的數據集合。人工神經網絡模型接受輸入形狀描述和語義的產品特性，并作為輸出產品的成本。搜索引擎優化也利用人工神經網絡和統計相關性在生命周期成本概念設計階段使用[2]。人工神經網絡會表現出更好的線性回歸模型。類似的方法，而不是找出一個類似的產品，用成本信息來估計未來成本，調整產品成本之間的差異。類似的模型，從而推斷出相似的成本結構，功能或產品功能之間的幾何相似。例如，作為一個多維特征空間中的點之間的距離測量。生成的分析方法是最準確的，描繪出實際的產品制造過程中。生產過程的詳細分析和分解成單一的制造業務進行，分析特定模型估計每個處理階段的成本歸因于資源消耗的貨幣價值的技術參數的基礎上的特征的操作。自下而上的方法，然后利用適當總在制造過程中所產生的成本，通過各成本項目的總和。一個詳細的模型使用的勞動時間和價格的估計，材料、數量和價格的產品或活動，估計直接成本、間接成本。
在每個成本中心的制造時間的估計仍然是一個艱巨的任務，留給成本部門的經驗和歷史數據的依賴。估計誤差是相當重要的，一些歷史數據不可用。由于經常發生在工程師對按訂單生產的任何產品和過去不同，因為它是由客戶的規格和設計的。這種傳統的方法是對制造時間的估計[4]。
因此，利用標準時間的方法是相當困難的，在投標階段，許多需要精確估計到工作中心的數據是沒有的，必須從過去的經驗中得到，但是，由于是非標產品，極有可能缺乏具體的經驗，進一步增加了時間和成本的不確定性。這種不確定性導致以下問題：報價風險，與失去投標報價的可能性。
針對這個問題，下面介紹一種基于人工神經網絡的估算方法。
3 ANN成本建模
人工神經網絡的信息處理模型的基本計算的數量單元（神經元）相連的的加權連接。人工神經網絡對一組訓練數據是能夠自學習，并進行分類，聚類，函數逼近和控制任務。特別是，神經網絡被認為是“普？？遍回歸工具”能夠逼近任意連續函數，利用在成本估算應用。在特定的神經網絡非參數估計，這意味著要作出任何假設的形狀近似函數訓練前。這是一個很大的實用優勢，因為它節省了時間和費用成本，專家需要提供適當類型的函數參數成本。
多層感知器網絡已被用作此配置提供了最好的結果作為函數逼近，而嘗試和錯誤的過程中已經定義了的詳細的神經網絡結構。事實上，網絡結構可以有顯著影響的估算精度。但神經網絡理論尚未提供控制變量的最優設置，適用規則和拓撲結構[5]。
人工神經網絡的輸入包括所有的產品特征變量的值
4 結論
在面對成本估算的問題上，模擬的選擇要根據不同的產品或過程，具體的資料和案例。另外，選擇還取決于各自的優點，不同方法的局限性和能力。
統計或類似的模型也被稱為“'lump-sum”的方法[7]，因為他們不考慮生產過程的特點，或不顯示詳細的成本結構。事實上，這種方法試圖建立一個整體的相關性（稱為CER，成本估算關系）的總制造成本和成本影響產品特性（即變量之間的相關產品的配置或物理特性，如重量，尺寸等，可作為成本動因）的關系。
統計方法的神經網絡的優勢是，它們可以有效地推斷和概括。數據模型之間的功能關系是隱藏的或不能以多項式的形式表示，不了解變量之間的函數關系。神經網絡具有的優點是不需要詳細定義了單一的制造過程的階段和神經網絡動態自適應，神經網絡的訓練集可擴展新的數據成為可用的變化來反映或在制造業務性能的提高和相關資源，得到一個連續的知識獲取。
參考文獻：
[1]Verna Allee. Reconfiguring the value network[J]. Theory in Action， Jul./Aug.， 2000：36-39.
[2]Dorian Selz. Value Webs-Emerging forms of fluid and flexible organizations[D].Dissertation St. Gallen， #2310， Difo-Druck， Bamberg， 1999.
[3]David Bovet and Jaseph Martha. Valuenets-breaking the Supply Chain to Unlock Hidden Profit[M]. New York ： John Wiley & Sons， Inc，2000.
[4]黃文權.機械制造產品成本估算方法研究及應用[D].杭州：浙江大學機械工程學系，2003.
[5]焦李成.神經網絡系統理論[M].西安：西安電子科技大學出版社，1990.
神經網絡本質范文2
【關鍵詞】建筑經濟管理；神經網絡
中圖分類號：TU198文獻標識碼： A
一、前言
建筑經濟管理在我國是一個非常重要的行業，為社會的進步提供了夯實的基礎，但是在神經網絡的應用這方面還是存在一定的問題，所以，科學技術人員在這個方面還是很努力的研究，并且促使這個技術發展更為全面。
二、神經網絡的特征及其信息處理特點
人工神經網絡(Application of Neural Network，即:ANN)是一種對人腦中樞神經系統的生物神經結構進行的功能性抽象，在模式識別和分類領域顯示了強大的能力，它們以“黑箱”模式工作，不需要先驗模型，具有自適應能力，可以從數據中捕捉和學習規律，其計算能力在預測和評估、模式識別和優化等領域得到了廣泛驗證。神經網絡尤其適合解決那些采用傳統的數學方法和手段建模困難的復雜問題，并已被證明是解決復雜非線性問題的一種有效工具。
1、神經網絡的基本特征
（1）內在并行性。神經網絡是一個高度并行的非線性系統，其并行性不僅體現在結構上，它的處理運行過程也是并行的。神經網絡從單個處理單元到整個系統，在理論和實踐上都反映了并行性，計算是分布在多個處理單元上同時進行的。
（2）分布式存儲。與傳統計算機不同，神經網絡中信息并非存儲在一個特定的存儲區域，而是分布存儲在整個系統中。神經網絡的每一個神經元都只是整體概念的一個部分，每一個單元都包含著對整體的貢獻，而每一個單元都無法決定整體的狀態。
（3）容錯性。因為信息是分布存儲在整個系統中，而不是駐留在某一個特定的存儲區域內，因此，網絡中部分神經元的誤差不會在很大程度上影響改變整個系統的行為。
（4）學習與自適應性。神經網絡的一個重要特點是具有很強的學習能力，它可以通過對數據的監督或非監督學習，實現任意復雜的函數關系，而且整個網絡具有自適應性，即進行自我調節的能力。
2、神經網絡的信息處理特點
神經網絡的基本特征使其在信息處理上具有與傳統信息處理技術不同的特點。
（1）數據驅動、“黑箱”建模方式。神經網絡通過訓練能夠直接從數據中發現規則和特征，實現任意復雜的函數映射。這種學習能力使得神經網絡分析和建模過程相當于一個“黑箱”，既無需模型結構設計和參數估計過程，而且在沒有輸入模式先驗信息的情況下，通過數據驅動取得優良的結果。
（2）非編程、自適應的工作方式。神經網絡的學習是便利而且可塑的，在網絡整體結構不變的情況下，只需調整權值即可完成任意關系的學習，通過遞進補充訓練樣本即可跟蹤和適應外界環境的不斷變化。因此，神經網絡的工作方式可以是實時的和自適應的。
（3）信息處理與存儲合二為一。神經網絡在運行時信息處理與存儲同時完成，信息的隱含特征和規則分布于神經元狀態和權值之上，通常具有冗余性。這樣，當不完全信息或含噪信號輸入時，神經網絡就可以根據這些分布記憶進行聯想以恢復全部信息。同時，這種合二為一的方式從本質上消除了軟件和算法的“瓶頸效應，”提供了實現高速信息處理的手段。
（4）實時信息處理。神經網絡是一個大規模非線性動力學系統，具有高維、高密度的并行計算結構。大量神經元的微觀活動構成了神經網絡的整體宏觀效應。這種集體運算能力使得神經網絡可以完成高維數據的在線實時處理。
三、建筑經濟管理研究面臨的問題
1、對系統的非線性認識不足
(1)忽視了系統內各變量之間復雜的非線性關系，過分強調先驗假設。建筑活動在理論和實踐中有明顯的非線性和復雜性。建筑經濟管理問題的本質上是因為現實的復雜性導致的非線性。建筑活動隨時代和環境的變遷表現出其非線性特征。一方面，建筑經濟管理問題的線性假沒體現了系統特殊性。但另一方面，系統建模時所使用的理論總是落后于現實，這是因為其相關理論發展的滯后性，而這又是由于其非線性和復雜性引起的。
(2)忽視數據本身效用，過分依賴理論指導。模型的函數形式很難僅僅通過理論考慮獲得。在實踐中選擇理論框架既是十分重要又是十分困難的。
2、對系統變量自身特征的認識不足
(1)變量(數據)的高噪聲。采集、編制建筑經濟管理數據時會有很多誤差，再加上諸多外在因素的沖擊造成了波動強烈變形，所以數據是包含有許多“奇異點”而且是高噪聲。
(2)變量的高度不確定性。目前經濟學界對不確定性沒有一個統一的定義，一般情況下有2種不確定性的定義。一種定義是變量的不確定性通過隨機變量的方差來定義，通常稱為概率型不確定性，也可稱為“風險”。另一種定義是一種沒有穩定概率的隨機事件，稱為非概率型不確定性。
(3)變量不同程度的模糊性。一定的模糊性是大多數建筑管理問題變量的特點?，F實中的不分明現象就是模糊性。而從一種狀態過度到另一種有差異的狀態的過程中，中間發生了量變到質變的連續過程?？傊?，常常需要解決建筑管理中的決策、優化等非線性問題，由于它們的一次性、高度動態性和復雜性的特點，建筑管理的信息是隨機的，具有非線性和時變性，相應的變量也有不確定性、高噪聲和模糊性的特點，因此搜集數據、分析因素等方面有相當大的難度。
四、ANN在建筑工程項目管理中的應用研究
1、ANN在造價預測方面的應用
汪應洛，楊耀紅(2004年)總結了ANN在費用估計方面的應用。采用BP網絡，用40個公路工程樣例訓練網絡，并用工程實例進行驗證，發現效果比傳統方法好。Tarek Hegazy(1998年)等用MS-Excel表格進行ANN模擬，并在輸入層和隱含層加入了偏置神經元來促進網絡學習。其缺點是由于網絡學習時的訓練樣本數據中有噪聲，會造成過度學習現象，運用規范化網絡可以解決這個問題。周麗萍，胡振鋒(2005年)在研究BP神經網絡在建筑工程估價中的應用時指出，可以利用神經網絡“特征提取器”的作用，從大量過去的工程資料中自動提取工程特征與預算資料的規律關系；由于神經網絡具有高度的容錯性，因而對于過去的工程資料中由于人為的或其他因素造成的偏差有自動糾偏功能；此外由于神經網絡是并行處理數據的，因而其處理速度相當快，這點滿足了快速估算要求，實踐證明是有效的。
2、ANN在工程項目管理績效評價中的應用
閆文周(2005年)等運用ANN中的BP網絡對工程項目管理績效評價問題進行研究，建立了一個綜合考慮項目工期、質量、費用、安全四大控制指標的工程項目管理績效評價模型。實例分析表明，其評價結果更加全面、更加符合實際情況，從而有助于促進工程項目管理水平的提高?；贐P神經網絡的工程項目管理績效評估模型，將影響工程項目管理績效的主要因素進行整合，通過神經網絡反映了工程項目工期、質量、成本、安全與項目績效之間復雜的非線性關系，從而使項目管理績效的評價更客觀。
3、Hop field網絡模型在建設工程評標中的應用
建設工程評標是一個多目標決策過程，評標過程中存在著大量的定性和模糊的因素，評標人很難快速做出準確客觀的評判。朱玉濤(2006年)等用ANN作為新型信息處理工具，在建設工程評標中可應用于優選中標企業。介紹了Hop field網絡模型構造及算法設計，包括進行方案優劣排序、換位矩陣以及能量函數構造、神經元之間連接和輸出，并用實例說明了該方法的優越性和實用性。應用Hop field網絡對非定量因素進行科學的分析，可以消除一些人為因素的影響，使評選結果更加合理。
4、BP網絡模型在建設工程招投標管理中的應用
BP網絡以其自學習、自聯想功能的優點在建設工程招投標中得到廣泛應用。楊中宣(2006年)結合人工神經網絡基本理論，介紹了它在工程招投標的招標價格、風險因素分析以及競標單位資格審查等方面的應用，指出利用人工神經網絡具有的高度并行處理和可完成復雜輸入輸出的非線性映射能力，不僅可以保證高的中標率，且可避免招標過程中不確定性因素的影響。
五、人工神經網絡的發展趨勢
人工神經網絡在建筑管理中的應用與研究，解決了不少該領域中的難題，顯現出廣闊的應用前景。但是，神經網絡作為新興學科，在理論和實踐中，還有很多不完善和不成熟的地方，又在一定程度上制約了它的實際應用。因此在利用人工神經網絡解決問題時，需要選定合適的網絡模型及網絡算法，同時還要加深人工神經網絡基礎理論方面的研究。
六、結束語
總而言之，就建筑經濟管理中神經網絡的應用這方面而言，這項技術的發展不僅使建筑經濟管理體系更加的完善，更加使人們的生活帶來了許多的便利條件，通過科學技術人員的不斷努力，會使為社會發展做出巨大的貢獻。
參考文獻
[1]王其文，劉廣靈.人工神經網絡與線性回歸的比較 決策與決策支持系統，2008（4）:22-26.
神經網絡本質范文3
關鍵詞：BP神經網絡；計算機實驗室管理；評價指標分析
中圖分類號：TP183 文獻標識碼：A 文章編號：1674-7712 （2013） 04-0088-01
一、BP神經網絡
從本質上講，BP神經網絡算法是以網絡誤差平方和為目標函數，運用梯度法求目標函數達到最小值的算法。糾錯原則是BP算法最為基本的一個原理，將網絡輸出的誤差進行反向傳播，運用梯度下降法，對網絡的連接權值進行調整和修改，使其誤差最小。在學習過程中，BP算法可以劃分為兩個階段，一是前向計算，一是誤差反向傳播。在這里我們主要通過具體的來分析，假設一個兩層的 BP神經網絡，其輸入為p，輸入神經元有r個，隱含層內神經元有s1個，激活函數為F1，輸出層內有神經元s2個，對應的激活函數為F2，輸出為A，目標矢量為T，那么信息在進行正向傳遞時，具體的情況如下：
二、模型設計
其次是模型設計。BP神經網絡的建立，在確定了相關指標體系以后，就需要將確定相關的結點數，如輸入結點數、隱含結點數、輸出結點數、每一層的結點數等，在起初建立時，需要根據初始網絡參數，適當地調整網絡結構，通過網絡訓練，使得整個學習過程更加穩定，與此同時，對于指定的誤差進行調整，并且規定最大值，并且利用相關的測試數據來進行BP神經網絡的優化處理，確定其達到設計的準確性與規范性，那么一個BP神經網絡模型就建立起來了。第三是模型確立。對于模型的確立主要體現在三個方面，這里作簡單分析，一是輸入輸出神經元個數確立，通常情況下，實驗室管理指標主要有13個二級指標和4個一級指標，其中，這13個指標就是輸入神經元的個數，同時將輸出的神經元作業評價的結果，由于評價的結果只有一個，那么輸出神經元的個數也只有1個。二是隱含神經元個數確立。
三、仿真分析
根據以上分析我們知道，BP神經網絡算法是以網絡誤差平方和為目標函數，運用梯度法求目標函數達到最小值的算法。為此，對于仿真分析，需要根據糾錯原則，確定網絡輸出的誤差的反向傳播，并且結合梯度下降法，優化網絡的連接權值，調整和修改誤差值，通過Matlab軟件編程，構造BP神經網絡，確定指標體系后，確定相關的結點數，設置權值，nntool中input的value設置，根據初始網絡參數，調整網絡結構，并指定的誤差進行調整，利用相關的測試數據來進行BP神經網絡的優化處理，確定其達到設計的準確性與規范性。
四、總結
總而言之，BP神經網絡評價模型的建立，不僅可以促進實驗室管理的規范化，而且有利于提高實驗室日常管理水平，因此，要對其模型建立進行具體分析，優化其結構和和功能，最大限度發揮其價值和作用。
參考文獻：
[1]李俊青，陳鶴年，嚴麗麗，季文天.基于BP神經網絡的計算機實驗室管理評價指標[J].實驗室研究與探索，2011（04）：71-73.
神經網絡本質范文4
人工神經網絡是由大量的簡單基本元件-神經元相互聯接而成的自適應非線性動態系統。每個神經元的結構和功能比較簡單，但大量神經元組合產生的系統行為卻非常復雜。人工神經網絡的基本結構模仿人腦，反映了人腦功能的若干基本特性，能夠自身適應環境、總結規律、完成某種運算、識別或過程控制。人工神經網絡具有并行處理特征，可以大大提高工作速度。
人工神經網絡的特點和優越性，主要表現在三個方面：
第一，具有自學習功能。
第二，具有聯想存儲功能。
第三，具有高速尋找優化解的能力。
1 神經網絡的學習方法
神經網絡的學習也稱為訓練，指的是神經網絡在外界環境的刺激作用下調整網絡自由參數，并以新的方式來響應外部環境的過程。能夠從環境中學習并在學習中提高自身性能是神經網絡最有意義的性質。理想情況下，神經網絡在每一次重復學習后，對它的環境有了更多的了解。
（1） 監督學習（有教師學習）
在學習時需要由教師提供期望輸出，通常神經網絡對于周圍的環境未知而教師具有周圍環境的知識，輸入學習樣本，教師可以根據自身的知識為訓練樣本提供最佳逼近結果，神經網絡的自由參數在誤差信號的影響下進行調整，其最終目的是讓神經網絡模擬教師。
（2） 非監督學習（無教師學習）
它也稱為自組織學習，系統在學習過程中，沒有外部教師信號，而是提供給一個關于網絡學習性質的度量，它獨立于學習任務，以此尺度來逐步優化網絡，一旦網絡與輸入數據的統計規律達成一致，那么它將發展形成用于輸入數據編碼特征的內部表示能力，從而自動創造新的類別。
（3）強化學習（激勵學習）
在強化學習系統中，對輸入輸出映射的學習是通過與外部環境的不斷交互作用來完成學習，目的是網絡標量函數值最小，即外部環境對系統輸出結果只給出評價信息（獎或罰）而不是給出正確答案，學習通過強化那些受獎的動作來改善自身性能。
神經網絡針對學習問題修改網絡自由參數的過程稱為學習規則（學習算法），設計學習規則的目的是訓練網絡來完成某些任務，沒有一個獨特的學習規則可以完成所有的學習任務。神經網絡有5個基本的學習規則：誤差--修正學習，基于記憶的學習，Hebb學習，競爭學習，隨機學習。
2 神經網絡的研究趨勢
（1） 利用神經生理與認知科學研究大腦思維模式及智能機理過程
深入研究神經網絡理論神經網絡在一定程度上揭示人類智能和了解人腦的工作方式，由于人類對神經系統的了解非常有限，而且對其自身腦結構及其活動機理的認識不完善，故而神經網絡只能是模仿人腦的局部功能，而對人腦作為一個整體的功能解釋，神經網絡起不到任何作用。神經科學，心理學和認識科學等方面提出的一些重大問題，是向神經網絡理論研究提出的新挑戰，這些問題的解決有助于完善和發展神經網絡理論，因此利用神經生理和認知科學研究大腦思維及智能機理，如有新的突破將會改變智能和機器關系的認識。
（2） 神經網絡領域的數學研究趨于重要
隨著神經科學基礎理論研究的深入，用數理方程探索智能水平更高網絡模型將是研究的趨勢所在，神經元以電為主的生物過程在認識上一般采用非線性動力學模型，其動力演變過程往往是非常復雜的，神經網絡這種強的生物學特征和數學性質，要求有更好的數學手段，而對于神經網絡這樣非線性模型，需要用數學方法研究網絡新的算法和網絡性能，如穩定性、收斂、容錯性、魯棒性等，開發新的網絡數理理論，如神經動力學、非線性神經場等。研究人員斷言一種更簡潔、更完善和更有效的非線性系統表達與分析的數學方法是這一領域主要目標之一。
（3） 神經網絡軟件模擬、硬件實現的研究以及神經網絡在各個科學技術領域應用的研究
目前，數字計算機在計算方面的能力已遠遠超出入的大腦，但在自然語言理解、圖像辨識、信息處理等方面都顯得笨拙，原因是基于馮?偌依曼思想的計算機結構及其運算方式與人的大腦有本質的區別，而神經計算機（第六代計算機）以神經網絡為理論基礎，用于模擬神經網絡，具有自學習、自組織和自適應能力，能更有效地處理復雜問題，其實現過程用光學、生物芯片的方式，現在光學神經計算機和分子計算機的研究是神經網絡的前沿課題。
（4） 神經網絡和其它算法結合的研究
神經網絡和其它算法的結合和交叉，研究新型神經網絡模型也是發展方向之一。如神經網絡和模糊邏輯結合，建立模糊神經網絡；將混沌理論和神經網絡結合建立混沌神經網絡；將遺傳算法和神經網絡結合；利用遺傳算法優化神經網絡的結構或權值；將小波分析和神經網絡結合建立小波神經網絡；專家系統，貝葉斯學習以及粗糙集理論和神經網絡結合等，這些都是神經網絡研究的熱點。
3 結束語
神經網絡雖已在許多領域應用中取得了廣泛的成功，但其發展還不十分成熟，還有一些問題需進一步研究。比如：神經計算的基礎理論框架以及生理層面的研究仍需深入；新的模型和結構的研究；神經網絡的可理解性問題；神經網絡技術與其他技術更好的結合等。
神經網絡本質范文5
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
神經網絡本質范文6
關鍵詞：汽車尾氣；自組織特征映射（SOM）；競爭學習；聚類分析
中圖分類號：U467.5+21文獻標文獻標識碼：A文獻標DOI：10.3969/j.issn.2095-1469.2013.05.06
持續增長的汽車保有量給城市發展帶來各種形式的環境壓力，特別是其尾氣排放所引起的空氣污染問題[1]。大量文獻指出汽車尾氣會給人類健康造成許多負面影響，并且隨著暴露在這些污染物中的人群數量的增加，這些負面影響在城市中日益加劇[2-3]，
于是針對汽車尾氣更嚴格的排放標準[4]得以實施。為滿足這一新標準，學術界和工程界的專家學者提出許多方法和技術以降低汽車尾氣中有害氣體的排放量[5-6]。然而，極少有研究從“大數據”的角度[7]關注汽車尾氣的污染評估模型。事實上，職能監管部門更關心的是在真實行駛條件下對汽車尾氣排放的大數據進行分析，借此評估汽車尾氣對城市環境的影響程度，進而為新標準的有效執行提供決策依據。
由于燃料在發動機中的物理化學反應極其復雜，加之車輛駕駛方式因人而異，以及車輛行駛環境的多樣性，導致汽車排放的尾氣具有復雜的非線性、時變性和隨機性等特征，從而使基于發動機中物化反應原理的汽車尾氣排放模型無法滿足對排放水平高可靠分析的需要。作為一種非線性數據分析工具，神經網絡廣泛應用于數據分析的各個領域[8]。事實上，通過分析汽車尾氣數據以實現對排放水平的評估，本質上可看成是一個數據聚類問題。眾所周知，自組織映射神經網絡（Self-Organizing Map Network，SOM NN）在數據的聚類、分類問題中得到廣泛關注，并取得良好的應用效果[9-10]。然而，SOM網絡所采用的固定鄰域半徑的學習方式容易造成訓練“死區”，使某些神經元無法得到合適的訓練，進而影響數據聚類、分類的準確性[11-12]。
針對上述問題，本文提出一種在自組織特征映射下的汽車尾氣排放水平評估方法。該方法將汽車尾氣按不同的城區行駛速度劃分為不同的排放種類，每種行駛速度對應著一種排放水平，通過SOM神經網絡的拓撲有序映射將高維的排放數據映射到一個二維的特征空間，以描述汽車在真實條件下不同速度的排放水平。為提高數據聚類的準確性，在SOM神經網絡采用的固定鄰域半徑的基礎上，通過引入權值與輸入向量之間的夾角來定義一種新的彈性鄰域半徑。該彈性鄰域半徑可自適應地縮放競爭層神經元的學習區域，避免這些神經元因權值在初始化過程中離輸入向量太遠而進入訓練死區。
1 具有彈性鄰域半徑的SOM神經網絡
由于SOM神經網絡中鄰域半徑的更新過程采用固定的縮放方式，使網絡訓練容易形成訓練死區，為了提高對汽車排放數據聚類的準確性，本文提出一種具有彈性鄰域半徑的SOM神經網絡。該網絡的拓撲結構與Kohonen提出的SOM網絡相同，只是在競爭學習過程中采用彈性鄰域半徑來縮放學習區域。
1.1 SOM神經網絡的拓撲結構
荷蘭學者Kohonen提出的自組織特征映射，本質上屬于一種無監督競爭學習的動態映射方式[13-15]。由此產生的SOM神經網絡中，一次僅有一個神經元被“激活”。圖1給出了這種網絡常用的拓撲結構（從一維的輸入到二維的映射輸出），其基本思想是：來源于原始事件空間中的輸入信號被由自適應單元所構成的簡單網絡接受，輸入信號以某種表示方式被自動映射為一系列輸出響應，這種輸出響應保持了與原始事件相同的拓撲排序的方式。因此，SOM神經網絡能自動形成對事件屬性的正確拓撲映射。換言之，SOM神經網絡能以拓撲有序的方式，將任意維數的輸入模式變換成一維或二維的特征映射[16-17]。
值得指出的是，在圖1所示的結構中，即使輸出神經元之間沒有側向連接，但與輸入具有最佳匹配的神經元（即獲勝神經元）鄰域內的其它神經元被更新，使這個鄰域內的神經元與其以前所處的狀態相比，更像獲勝神經元那樣響應。網絡中的神經元并不是以相互獨立的方式，而是以拓撲相關的方式進行學習。這種學習方式對于形成有序映射來說是至關重要的。
1.2 改進的競爭學習算法
SOM神經網絡的競爭學習算法可通過下述推導加以描述。圖1中的SOM神經網絡的輸入可寫成向量形式。
。
二維陣列中的神經元i的突觸權值向量由下式給出。
。
式中，m是二維陣列中的輸出神經元總數。在Kohonen的競爭學習算法中，輸入向量x與突觸權值向量wi的最佳匹配由下式確定。
。
這里的q（x）表示輸出神經元陣列的索引，特別指定為獲勝神經元，是歐幾里德范數，也是獲勝神經元所在的鄰域半徑。然而，這種固定鄰域半徑容易形成訓練死區，使某些神經元因初始權值向量離輸入向量太遠以至于它從未在競爭中獲勝，即從未參與競爭學習而形成毫無用處的死神經元。為此，本文提出一種彈性鄰域半徑ri（k），并將其定義為
。
式中，表示Kohonen的競爭學習中的固定半徑，而是輸
入向量與競爭層神經元權值之間的相似系數。當輸入向量與權值相似較大時，會放大鄰域半徑，擴大競爭學習區域；當相似較小時，會縮小鄰域半徑，使競爭層神經元盡快進入學習區域。
那么，輸入向量x與突觸權值向量wi的最佳匹配可以定義為
。
式中，。競爭學習算法的下一步是更新與獲勝神經元相聯系的突觸權值向量和獲勝神經元的確定鄰域內的神經元的突觸權值向量。相應的學習規則可表示為
式中，學習率參數0
2 數值試驗
為驗證本文所提方法的有效性，本節選取一種輕型車在真實行駛條件下的不同批次排放測試數據為對象開展數值試驗。通過SOM神經網絡的拓撲有序映射，將排放數據按照不同速度的行駛模式聚類，每種行駛模式所得到的數據種類便代表了一種排放水平。
2.1 數據介紹
數值試驗所使用的排放數據來源于一種輕型車按國家標準GB 18352.3―2005進行的測試。根據該標準，從同種類型的輕型車抽樣出若干樣本，駕駛這些抽樣的輕型車分別在城市和郊區環境中按照指定速度行駛，最終獲取該類汽車在相同行駛條件下不同車次的排放數據。圖2給出了汽車尾氣排放數據采集過程。其中，城區環境分為4個循環單元，每個單元的速度設置相同，并都采集195個數據樣本；而郊區環境僅采集400個數據樣本，整個數據長度為1 180個樣本點。在同一輛車的1 180個數據樣本中，所測試的排放氣體包括以下幾種類型：COL（g/100 km）、NOx（g/100 km）、THC（g/100 km）和CO2（g/100 km）。
需要指出的是，上述指標的排放數據并未全部在本文中使用。事實上，通過分析數據的組合分布，最終選擇的排放指標為THC（g/100 km）和CO2（g/100 km）。此外，由于城區的污染較為嚴重，因此本文關注車輛在城區環境的排放情況，而車輛在郊區的排放數據不予考慮。圖3給出了數值試驗中所采用的THC和CO2數據樣本。
圖3中的所有數據均為同種輕型車的5輛車在相同的真實條件下進行1次測試得到的排放數據。這些數據在歸一化之后，將被提交給SOM神經網絡以完成網絡的訓練。
2.2 網絡訓練
根據圖3所示的數據采樣過程，這類輕型車的排放情況按照市區運轉循環單元中的速度條件可分為12類。因此，SOM神經網絡的神經元個數設置為12，每個神經元的輸出代表一種排放水平。訓練過程可按如下步驟完成。
（1）將輸入的排放數據樣本歸一化到[-1，1]之間，并隨機初始化網絡的權值，設置學習率參數為1，鄰域初值為1。
（2）指定500次的學習次數為停止條件，檢查停止條件，如果失敗，則繼續，如果成功，則退出。
（3）對于每個訓練樣本，執行（4）～（7）步。
（4）按照式（5）計算與輸入向量匹配最好的權值向量。
（5）按照式（6）更新計算權值向量。
（6）調整學習率參數。
（7）適當縮減拓撲鄰域Nq（k）。
（8）設置kk+1，然后轉到步驟（2）。
需要說明的是，為使本文的方法更具說服力，采用固定鄰域半徑的SOM神經網絡在相同數據集的基礎上，除輸入向量最佳匹配按式（4）計算外，同樣按照上述步驟完成數值試驗?；诠潭ㄠ徲虬霃胶蛷椥脏徲虬霃降腟OM神經網絡的訓練結果由圖4給出。
圖4中的數據類別與汽車尾氣排放水平一一對應，只要確定排放數據的種類便能確定其相應的排放水平。從圖4所示的訓練結果來看，采用固定鄰域半徑的SOM神經網絡在排放數據的聚類中明顯出現數據類別（排放水平）的混疊現象。例如，圖4（b）中具有排放水平4～6的尾氣數據聚類中出現不同程度的混疊。其中，數據種類5與數據種類6的混疊較為嚴重，導致部分具有排放水平5和排放水平6的數據區分出現錯誤。因此，相比于圖4（a）所示的采用彈性鄰域半徑學習的聚類效果而言，圖4（b）中所示的采用固定鄰域半徑學習的SOM神經網絡較差。
為進一步分析兩種學習方式的訓練結果，帶有距離分布的競爭層神經元拓撲結構由圖5給出。
圖5中的藍色六角形代表神經元，紅線為各神經元之間的連接線，而包含紅線的菱形表示各神經元之間距離的遠近，從黃色到黑色，隨著顏色加深距離越近。圖中神經元編號從左下角開始（0，0）為1號神經元，右下角（0，3）為4號神經元，第2行第4列（1，3.5）為5號神經元，依次類推，左上角（0，1.75）為12號神經元。從圖5（a）所示的拓撲結構可看出，在采用彈性鄰域半徑的SOM神經網絡中，競爭層的各個神經元彼此隔離，距離較遠，各個數據類別能較好地分開。而圖5（b）所示的采用固定鄰域半徑的SOM神經網絡中，4～5與5～6號神經元的距離較近，導致排放數據所對應的類別相互糾纏。這也正是圖4中混疊現象出現的原因。
2.3 網絡測試
完成SOM神經網絡的訓練后，選取第1輛車和第2輛車在相同條件下的另一次排放測試數據分別提交給采用彈性鄰域半徑和固定鄰域半徑的SOM神經網絡。圖6給出了兩種學習方式下的聚類結果。
從圖6（a）與圖6（b）的對比結果來看，采用固定鄰域半徑的SOM神經網絡聚類效果低于采用彈性鄰域半徑的SOM神經網絡。圖6（b）清晰地顯示出排放水平5和排放水平6存在著混疊，也就是說原本屬于排放水平5的數據被錯誤地劃分到排放水平6中。類似的，具有排放水平4的數據也被錯誤地劃分到排放水平5中。這與網絡的訓練結果相吻合。值得注意的是，在測試中，排放水平2與排放水平3也出現了混疊，這是由于網絡的泛化性能不足造成的。解決該問題的一個有效途徑是增加訓練回合數，但這會增加時間的消耗。從這一點來說，采用彈性鄰域半徑的SOM神經網絡在與采用固定鄰域半徑的SOM神經網絡保持相同聚類準確度的條件下，前者需要的訓練回合數更少。表1給出了在數值試驗中，兩種學習方式進行排放數據聚類的總體比較情形。
從表1看出，在網絡設置相同的前提下，采用彈性鄰域半徑學習的SOM神經網絡在網絡訓練與測試的過程中，對排放數據的聚類效果都要優于采用固定鄰域半徑學習的SOM神經網絡網絡。在網絡測試過程中的數據樣本總數為3 900個，在網絡測試過程中的數據樣本為1 560個。其中，采用彈性鄰域半徑的學習方式下，網絡訓練過程中聚類正確的樣本個數為3 587，測試過程中聚類正確的樣本個數為1 410；采用固定鄰域半徑學習方式下，網絡訓練過程中聚類的樣本個數為3 452，測試過程中聚類正確的樣本個數為1 348。因此，在訓練過程中，采用彈性鄰域半徑和固定鄰域半徑的網絡訓練過程中的聚類正確率分別為91.97%和88.51%，而測試過程中的聚類正確率分別為90.38%和86.41%。
3 結論
本文提出了一種基于SOM神經網絡的汽車尾氣排放水平的評估方法，其主要貢獻在于通過引入相關系數來設計彈性鄰域半徑，進而自適應地更新競爭層神經元的學習鄰域，避免這些神經元陷入訓練死區，以提高對汽車排放數據聚類的準確性。在數值試驗中，根據汽車在城區行駛的不同速度將排放數據分為不同的類，每個數據類代表一種排放水平。通過與采用固定鄰域半徑的SOM神經網絡的對比，以某輕型車排放數據為對象的數值試驗結果表明，采用彈性鄰域半徑的SOM神經網絡對于汽車尾氣排放水平的評估具有較高的準確性。
參考文獻（References）
PANDIAN S，GOKHALE S，GHOSHAL A K. Evaluating Effects of Traffic and Vehicle Characteristics on Vehicular Emissions Near Traffic Intersections[J]. Transportation Research Part D，2009（14）：180-196.
POPE C A，DOCKERY D W. Health Effects of Fine Par-ticulate Air Pollution：Lines That Connect[J]. Journal of Air and Waste Management Association，2006（56）：709-742.
MEISTER K，JOHANSSON C，FORSBERG B. Estimated Short-Term Effects of Coarse Particles on Daily Mortality in Stockholm，Sweden[J]. Environmental Health Perspectives，2011（120）：431-436.
GB 18352.3―2005. 輕型汽車污染物排放限值及測量方法[S]. 北京：中國標準出版社，2005.
GB 18352.3―2005. Limits and Measurement Methods for Emissions from Light-Duty Vehicles（Ⅲ，Ⅳ）[S]. Beijing：
China Standard Press，2005. （in Chinese）
ZAMBONI G，CARRARO C，CAPOBIANCO M. On-road Instantaneous Speed Measurements on Powered Two-Wheelers for Exhaust Emissions and Fuel Consumption Evaluation[J]. Energy，2011（36）：1039-1047.
WEILENMANN M F，SOLTIC P，HAUSBERGER S. The Cold Start Emissions of light-Duty-Vehicle Fleets： a Simplified Physics-Based Model for the Estimation of CO2 and Pollutants[J]. Science of the Total Environment， 2013（444）：161-176.
VIKTOR M， KENNETH C.大數據時代：生活、工作與思維的大變革[M]. 盛楊燕，周濤，譯.杭州：浙江人民出版社，2012.
VIKTOR M，KENNETH C. A Revolution That Will Transform How We Live，Work，and Think[M]. Sheng Yangyan，Zhou Tao，Translate. Hnagzhou：Zhejiang People's Publishing House，2012.（in Chinese）
HYV?RINEN A，OJA E. Independent Component Analy-sis：Algorithms and Applications[J]. Neural Networks，2000，13 （4-5）：411- 430.
GHASEMINEZHAD M H， KARAMI A. A Novel Self-Organizing Map（SOM） Neural Network for Discrete Groups of Data Clustering[J]. Applied Soft Computing， 2011，11（4）：3771-3778.
HSU K C，LI S T. Clustering Spatial Temporal Precipi-tation Data Using Wavelet Transform and Self-Organizing Map Neural Network[J]. Advances in Water Resources，2010，33（2）：190-200.
MAY R J，MAIER H R，DANDY G C. Data Splitting for Artificial Neural Networks Using SOM-Based Stratified Sampling[J]. Neural Networks，2010，23（2）：283-294.
JIANG X，LIU K，YAN J，et al. Application of Improved SOM Neural Network in Anomaly Detection[J]. Physics Procedia，2012（33）：1093-1099.
KOHONEN T. Self-Organized Formation of Topologically Correct Feature Maps[J]. Biological Cybernetics，1982， 43（1）：59-69.
KOHONEN T. The Self-organized Map[J]. IEEE Procee-dings，1990（78）：1464-1480.
KOHONEN T. Self-organization and Associative Memory
（3rd ed.）[M]. Berlin：Springer Verlag，1989.
華.量子計算在動態遞歸與自組織神經網絡中的機理及應用研究[D].重慶：重慶大學，2012.
Li Penghua.Study on the Mechanism for Dynamic Recur-sive & Self-Organizing Neural Networks Using Quantum Computing and Its Application[D]. Chongqing：Chongqing University，2012. （in Chinese）
