前言：中文期刊網精心挑選了神經網絡的概念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。
神經網絡的概念范文1
關鍵詞:公路工程 造價估算 模糊數學 神經網絡 模糊神經網絡
中圖分類號:F540.34 文獻標識碼:A 文章編號:1672-3791(2012)04(c)-0053-01
1 公路工程造價估算概述
1.1 公路工程造價估算的重要性
公路工程造價估算作為公路工程管理的重要組成部分其重要性主要體現在如下幾個方面。
第一,公路工程造價的估算是實現工程成本控制的基礎。其中工程施工前期造價估算、施工前的編制預算以及施工圖設計階段的編制預算等環節作為工程造價估算的核心,同樣是公路工程施工成本控制的起點,因此,實現公路工程造價的合理估算是實現工程成本控制的重要前提條件。第二,公路工程造價的估算可以為施工企業成本控制計劃方案的制定提供重要的參考依據。施工企業通過工程造價的估算可以尋找到降低工程成本的有效途徑,從而為工程施工過程中施工成本的控制提供正確的方向。第三,公路工程造價的估算可以幫助施工企業在進行設計招標前可以確定工程的大致造價。這樣一來,施工企業在招標的過程中就可以有效避免中間商的欺詐以及保標等惡意行為的發生。
1.2 傳統公路工程造價估算中存在的問題
盡管工程造價估算在公路工程建設中越來越受到人們的重視,但是由于受各方面因素的影響,在傳統公路工程造價估算中還存在一系列的問題,其中我國傳統公路造價估算中主要存在如下幾個方面的問題:一是相關規章制度的限制,造價估算結果往往與投標報價相差懸殊;二是預算結果與概算結果差距較大,不利于工程實際造價的控制和確定;三是缺少對工程造價估算的有效監督機制,從而使最終的造價結果變的十分不確定;四是由于各參與方利益的問題,在進行工程造價估算時很難早到平衡點,以至于造價估算精度不能得到有效的保證。
2 認識模糊神經網絡
2.1 模糊數學概述
(1)模糊數學的概念,我們通常說的模糊就是指一些模棱兩可的、即可能又不可能、即是又不是的概念。而模糊數學就是要用數學的方法來表示那些模糊概念發生的可能性的大小,換句話講就是明確那些模糊概念所處的狀態,從而利用數學的思想來解決那些模棱兩可的、不確定的實際問題。(2)模糊數學的數學描述,一般模糊數學的數學描述,多采用的是類似與集合的數學表示方法。與集合的區別就在于模糊數學在表示集合元素時需要附帶一個稱為隸屬函數值的參數,其中該參數的值是隸屬函數與元素的值進行運算的結果。
2.2 神經網絡概述
(1)神經網絡的概念,所謂的神經網絡是一個借鑒物理和生物技術來實現的用來模仿人類大腦神經細胞結構和功能的系統,與人類的大腦結構相似,它也由大量的模擬神經元所組成的,而且這些神經元之間相互連接,并行工作,作為一個系統協同完成一系列復雜的信息處理活動。(2)神經網絡的基本原理,神經網絡在結構和功能上都是模擬人腦的神經系統來進行設計和實現的,它同時作為模擬生物神經元的一種計算方法,其基本原理是這樣的,與生物神經元的基本原理相似,用那些具有突的網絡結點來接受信息,并不斷的將接受到的信息累加起來,這些信息有些是抑制神經元,有些則是激發神經元,對于那些激發神經元,一旦積累到一定的閾值后,相應的神經元便會被激活,被激活的神經元就會沿其稱為軸突的部件向其它神經元傳遞信息,并完成信息的處理。
2.3 模糊神經網絡概述
模糊神經網絡是模糊數學和神經網絡有效結合的應用研究成果。其中在模糊神經網絡中模糊數學的應用體現在它可以根據那些假定的隸屬函數以及相應的規律,用邏輯推理的方法去處理各種模糊的信息。
3 模糊神經網絡在公路工程造價估算中的應用
3.1 基于模糊神經網絡的公路工程造價估算方法的實現
基于模糊神經網絡的公路工程造價估算方法的實現過程如下。
第一,構建已施工公路工程的造價信息庫,其中包括應經施工的公路工程的各種特征因素以及工程造價等其他各方面的材料。
第二,結合擬建工程的施工需求來確定其包括評價指標等在內的各種特征因素的數據取值。
第三,按照模糊數學的思想法在已施工公路工程的造價信息庫中選取若干個(至少三個)與擬建工程最相似的已施工的工程,將其作為神經網絡進行學習和訓練的基礎數據。其中,將信息庫中公路工程的各種特征因素值的隸屬度作為神經網絡的輸入向量,信息庫中公路工程的造價值作為神經網絡的輸出向量。
第四,將擬建公路工程的各種特征因素值的隸屬度作為神經網絡的輸入向量,通過神經網絡的學習后所得到的輸出向量即為擬建公路工程的造價估算值。
第五,建立公路施工工程造價信息數據,編制神經網絡學習的算法通用程序。將學習訓練的基礎數據輸入神經網絡,然后合理設計學習率,經過一定次數的迭代運算,有效提高公路工程造價估算結果的精度。
3.2 基于模糊神經網絡的公路工程造價估算方法的優點
該方法的優點可以概括為如下幾點。
第一,模糊神經網絡中所采用的模糊數學可以對公路工程造價估算中的模糊信息進行有效的處理,通過對已竣工的公路工程和計劃施工的公路工程的相似度進行定量化描述,從而使模糊的公路工程造價問題得以模型化。
第二,基于模糊神經網絡的公路工程造價估算方法的估算結果科學合理,因為該方法采用的是基于數學模型的數學計算分析,所以其結果受人為因素的影響較小。
第三,模糊神經網絡中所采用的神經網絡模型對公路工程造價的估算具有很好的適應性,與傳統的造價估算方法相比,該方法能更好的適應公路工程造價的動態變化。
第四,基于模糊神經網絡的公路工程造價估算方法是借助計算機來完成的,所以還具有運算速度快和運算精度高的優點。
4 結語
由于影響公路工程造價的因素比較多,而且各因素的構成比較復雜,計算相對繁瑣,所以公路工程的造價估算具有很大的模糊性。對于使用傳統的工程造價估算方法而言,公路工程造價的估算將是一項非常復雜的工作。然而結合模糊數學和神經網絡的理論思想,利用工程之間所存在的相似性,使用基于模糊神經網絡的公路工程造價估算方法可以迅速的得出精確的工程造價估算結果。
神經網絡的概念范文2
關鍵詞：計算機網絡模型；神經網絡算法
計算機網絡在人們日常生活越來越重要，被廣泛應用到各個行業。隨著社會不斷發展，人們需求不斷加高，使計算機得到良好改善，目前，計算機網絡運用集線式服務器來實現網絡互連，促進網絡發展。但是也有很大弊端，過多的聯想信息雖然滿足人們需求，但是對技術的要求也更加苛刻，現有的技術滿足不了計算機網絡運行，使人們日常操作不方便。為了解決這一問題，研究人員需要全面優化計算機網絡，提高運行能力和性能，運用神經網絡算法，使計算機更加適合現代社會發展，儲存更多信息。
1神經網絡算法概論分析
1.1神經網絡算法整體概論神經網絡算法是按照人體大腦的思維方式進行模擬，根據邏輯思維進行推理，將信息概念化形成人們認知的符號，呈現在顯示屏前。根據邏輯符號按照一定模式進行指令構造，使計算機執行。目前，神經網絡被廣泛使用，使直觀性的思維方式分布式存儲信息，建立理論模型。優化網絡的神經網絡主要是Hop?eld神經網絡，是1982年由美國物理學家提出的，它能夠模擬神經網絡的記憶機理，是全連接的神經網絡。Hop?eld神經網絡中的每個神經元都能夠信號輸出，還能夠將信號通過其他神經元為自己反饋，那么其也稱之為反饋性神經網絡。
1.2優化神經網絡基本基礎Hop?eld神經網絡是通過能量函數分析系統，結合儲存系統和二元系統的神經網絡，Hop?eld神經網絡能收斂到穩定的平衡狀態，并以其認為樣本信息，具備聯想記憶能力，使某種殘缺信息進行回想還原，回憶成完整信息。但是Hop?eld神經網絡記憶儲存量有限，而且大多數信息是不穩定的，合理優化計算機聯想問題，使Hop?eld神經網絡能夠建設模型。
1.3神經網絡算法優化步驟簡述人工神經網絡是模擬思維，大多是根據邏輯思維進行簡化，創造指令使計算機執行。神經網絡算法是按照人體思維進行建設，通過反應問題的方法來表述神經思維的解；利用有效條件和能量參數來構造網絡系統，使神經網絡算法更加可靠；大多數動態信息需要神經網絡來根據動態方程計算，得出數據參數來進行儲存。
2神經網絡算法的特點與應用
2.1神經網絡主要特點神經網絡是根據不同組件來模擬生物體思維的功能，而神經網絡算法是其中一種程序，將信息概念化，按照一定人們認知的符號來編程指令，使計算機執行，應用于不同研究和工程領域。神經網絡在結構上是由處理單元組成，模擬人體大腦神經單元，雖然每個單元處理問題比較簡單，但是單元進行組合可以對復雜問題進行預知和處理的能力，還可以進行計算，解決問題能力突出，能夠運用在計算機上，可以提高計算機運算準確度，從而保障計算機運行能力。而且一般神經網絡有較強容錯性，不同單元的微小損傷并不阻礙整體網絡運行，如果有部分單元受到損傷，只會制約運算速度，并不妨礙準確度，神經網絡在整體性能上能夠正常工作。同時，神經網絡主干部分受到損傷，部分單元會進行獨立計算，依然能夠正常工作。
2.2神經網絡信息記憶能力神經網絡信息存儲能力非常強，整體單元組合進行分布式存儲。目前，神經網絡算法是單元互相連接，形成非線性動態系統，每個單元存儲信息較少，大量單元互相結合存儲信息大量增加。神經網絡具備學習能力，通過學習可以得到神經網絡連接結構，在進行日常圖像識別時，神經網絡會根據輸入的識別功能進行自主學習，過后在輸入相同圖像，神經網絡會自動識別。自主學習能力給神經網絡帶來重要意義，能夠使神經網絡不斷成長，對人們未來日常工作能夠很好預測，滿足人們的需求。
2.3神經網絡的突出優點近年來，人工神經網絡得到越來越多人重視，使神經網絡得到足夠資源進行良好創新。人工神經網絡是由大量基本元件構成，對人腦功能的部分特性進行模仿和簡化，人工神經網絡具備復雜線性關系，與一般計算機相比，在構成原理和功能特點更加先進，人工神經網絡并不是按照程序來進行層次運算，而是能夠適應環境，根據人們提供的數據進行模擬和分析，完成某種運算。人工神經系統具備優良容錯性，由于大量信息存儲在神經單元中，進行分布式存儲，當信息受到損害時，人工神經系統也可以正常運行。人工神經網絡必須要有學習準則制約來能夠自主學習，然后進行工作。目前，人工神經網絡已經逐步具備自適應和自組織能力，在學習或訓練過程中改變突觸權重值，以適應周圍環境的要求。通過一定學習方式和某些規則，人工神經網絡可以自動發現環境特征和規律性，更貼近人腦某些特征。采用并行分布處理方法，使得快速進行大量運算成為可能。神經網絡的一個很大的優點是很容易在并行計算機上實現，可以把神經的節點分配到不同的CPU上并行計算。錢藝等提出了一種神經網絡并行處理器的體系結構，能以較高的并行度實現典型的前饋網絡如BP網絡和典型的反饋網絡(如Hop?eld網絡)的算法。該算法以SIMD(SingleInstructionMultipleData)為主要計算結構，結合這兩種網絡算法的特點設計了一維脈動陣列和全連通的互連網絡，能夠方便靈活地實現處理單元之間的數據共享。結合粒子群優化算法和個體網絡的并行學習機制，提出了一種基于粒子群優化的并行學習神經網絡集成構造方法。
3結束語
全球化的發展，信息交流不斷加快，促使各個行業相互融合。神經網絡算法具備簡單、穩定等不同優勢，神經網絡研究內容相當廣泛，神經網絡算法能夠與其它算法相互結合，在一定程度提高計算機網絡模型運算能力。但是計算機網絡模型中神經網絡算法學習能力比較低下，梯度下降法不準確，所以需要有關人員進行深度研究，探索神經網絡算法，使其更加完善，從而保證計算機整體性能的提高。
參考文獻：
[1]陳竺.計算機網絡連接增強優化中的神經網絡算法[J].電子技術與軟件工程,2014(19).
神經網絡的概念范文3
關鍵詞：CMAC神經網絡BP網絡疊加處理器機器人手眼系統
近年來，在智能機器人領域，關于機器人手眼系統位置控制問題的研究受到越來越多的關注。在研究中發現存在這樣一個問題，即如何以較高的精度和較快的速度實現機器人手眼系統位置控制，以使機器人能快速實現對目標物體的準確定位和自動抓取。這個問題也就是機器人手眼系統中非線性視覺映射關系模型的建模問題。采用精確的數學模型是機器人視覺系統傳統的建模方法。但由于這類問題是高度的非線性問題，參數多且其間的相關性強，故這種方法理論上雖然精確，但是建模困難、計算量大，實時性差且沒有容錯能力和自學習能力，而神經網絡作為一種智能信息處理的新技術，具有極強的非線性映射能力。因此采用神經網絡的建模方法與傳統的方法相比具有極大的優越性。
作者已經采用BP網絡建立了機器人視覺系統的映射模型，并作了初步的研究和實驗。結果發現，采用神經網絡建立機器人視覺映射模型是一種有效的建模方法。但采用BP網絡建立模型存在網絡規模大、訓練時間長、容易陷入局部最小解、定位精度較低等缺點。本文采用CMAC神經網絡建立了機器人視覺系統的映射模型，取得了十分令人滿意的效果。
1CMAC神經網絡簡介
小腦模型關節控制器神經網絡(CerebellarModelArticulationControllerNeuralNetwork，即CMAC神經網絡)是Albus根據小腦的生物模型提出的一種人工神經網絡。它學習速度快，具有局域泛化能力，能夠克服BP網絡容易陷入局部最小點的問題，且硬件易于實現。目前，CMAC神經網絡被廣泛應用于機器人控制、非線性函數映射、模式識別以及自適應控制等領域。
1.1CMAC的基本結構和原理
CMAC神經網絡的模型結構原理圖如圖1所示。它本質上可看作是一種用于表示復雜非線性函數的查表結構。
圖1中，S為n維輸入矢量空間；A為聯想記憶空間；Y是輸出響應矢量。輸入空間S中的每一矢量S(…，Si，…，Sj，…)被量化后送人存鍺區A，每個輸入變量Si激活存儲區A中C個連續存儲單元。網絡輸出yi為這C個對應單元中值(即權wi)的累加結果，對某一輸入樣本，總可通過調整權值達到期望輸出值。由圖1可以看出，每一輸入樣本對應于存儲區A中的C個單元，當各樣本分散存儲在A中時，在S中比較靠近的那些樣本就會在A中出現交疊現象，其輸出值也比較相近，即這C個單元遵循"輸入相鄰，輸出相近"的原則，這種現象被稱為CMAC神經網絡的局部泛化特性，C為泛化參數：C越大，對樣本的映射關系影響越大，泛化能力越好。
CMAC網絡的學習采用誤差糾正算法，計算量少斂速度快。其權值修正公式及輸出可表示如下：
式中，η為學習步長，yd為期望輸出，mi為輸入變量S激活存儲單元的首地址。修正方法可以采用每個樣本修正一次的增量學習方法，也可以采用所有樣本都輸入一輪后再修正的批量學習方法。
1.2多維CMAC網絡的計算方法
由上述CMAC模型的算法可知，應用傳統的多維CMAC概念映射算法會因輸入維數的增大而使存儲空間劇烈增大，從而使網絡計算量增大，收斂速度變慢。這里采用一種新的多維CMAC網絡的處理方法--疊加處理法。即把輸入空間為n維的多維CMAC網絡看作是由n個一維CMAC網絡疊加而成，其輸出為n個一維子網絡的輸出的疊加。\par
當輸入空間的維數n=1時，對于每一個輸入變量，都激活C個連續存儲單元，即有C個對應單元的權值輸出非零。它的激勵情況如表l所示。
表1激活單元地址分布
sia1a2a3a4a5a6a7a8a9a10
01111000000
10111100000
20011110000
30001111000
40000111100
50000011110
60000001111
經歸納，輸入變量Si激活存儲單元的首地址mi的計算方法如下：
mi=Si(C-Δ)+1(4)
其中，Si為輸入量的量化值；C為泛化參數；為相鄰輸入激活存儲單元的重疊單元數大小。若輸入矢量有q個量化級，則存儲區A需要q(C-)+C個存儲單元。．
當輸入空間的維數n>1時；設輸入空間為n維矢量Si=(Si1，Si2，…，Sin)，對于每個分量Sij，都可以看作圖1所示結構模型的一維輸入量。由式(3)可得其對應的輸出為：
其中，mj為Sij所激活存儲單元的首地址。整個CMAC網絡可看作由n個如圖1所示的子網絡組成，S對應的輸出yi可看作n個子網絡輸出yij（j=1，2，…，n）的疊加。
若每個輸入分量有q個量化級，每個子網絡中兩相鄰樣本有個單元重疊，采用上述疊加方法共需存儲單元n×[q(C－)+C]。而對于傳統的多維概念映射算法來說，n維輸入空間中可能的輸入狀態為qn個。對于一些實際系統，qn往往遠遠大于n×[q（C－）+C]。例如8維輸入，量化級為200個等級，泛化參數C取為40，相鄰輸入激活存儲單元的重疊單元數大小為35，則用疊加處理法需要11200個存儲單元，而用傳統的概念映射算法需要2008個存儲單元。對于傳統的概念映射算法所帶來的要求存儲空間過大的問題，最常用的方法是把A當作一個虛擬存儲區，通過散射編碼映射到一個小得多的物理空間單元Ap中，從而減少存儲空間。但是這種地址壓縮技術隨機性很強，會帶來沖撞問題且不可避免。然而，對多維CMAC網絡采用疊加處理法，不但可以大大減少占用的存儲單元數，而且還可以避免地址壓縮帶來的沖撞現象，大大提高網絡的映度和學習速度。
圖2
2實驗及仿真結果
神經網絡的概念范文4
關鍵詞：BP算法；人工神經網絡；股指期貨
1.引言
股市投資是我們日常生活中一種十分普及的，具備高風險高收益特性的投資方式。2010年4月，滬深300股指期貨經過證監會的審核，開始在我國發行。股指期貨的推出革命性地改變股票市場的游戲規則，將期貨與股票結合，使市場參與者在股市下跌的時候可以做空獲利。
隨著神經網絡算法的研究深入發展，人們逐步將神經網絡應用于經濟領域，比如金融實際交易分析中。本文使用matlab工具箱中的BP算法，建立一個具有平滑學習函數的神經網絡，做出一個可以合理響應輸入的數據訓練模型，以便對股指期貨合約的短期價格進行檢驗以及預測判斷。
2.BP神經網絡
2.1 BP神經網絡的構成
神經網絡在很大程度上仿照人腦神經系統的信息處理、存貯及檢索功能，因而人工神經網絡的主要功能具備學習功能、記憶功能、計算功能以及各式智能處理功能。人工神經網絡是人類大腦的一個抽象概念，是一個由大量的神經元互相連接并且用它的各連接的權重值的分布向量來表示特定知識概念而組成的一種較為復雜的網絡。
人工神經網絡的模型相當多，一般在matlab建立模型時用得最多，相對于其他工具箱工具來說應用的最為廣泛的是BP（Back-propagation）神經網絡。標準的BP網絡由三層神經元組成，分別是輸入層、隱含層、輸出層，數據在不同層級間傳遞，都涉及到一定的權重因子。
2.2 BP網絡和BP算法的特點
BP網絡的輸入和輸出是并行的兩個模擬量，網絡的輸入輸出關系由鏈接各層的權重因子決定，不需固定的算法，權重因子通過學習信號來調節。學習越多，隱含層就越多，輸出層的精度就越高，其中個別權重因子的損壞不會對網絡輸出產生大的影響。
BP算法是由兩部分組成，分別是信息的正向傳遞和誤差的反向傳播。在正向傳遞的過程中，因為輸入信息是逐層傳遞的，每一層神經元的狀態只能影響到下一層神經元的狀態，如果在輸出層未得到期望的輸出，則計算輸出層的誤差變化值，然后開始反向傳播，通過網絡將誤差信號沿原來的連接通路反傳回來，修改各層神經元之間的權重因子，再次進行信息的正向傳遞，反復運行直至達到期望目標。
3.BP神經網絡在期貨合約價格預測中的應用
3.1輸入層的節點的確定
在matlab中編程的時候，首先考慮輸入層的參數選取。對于股指期貨合約價格的變動，從宏觀方面來考慮我們可以認為它受以下因素的影響。
a.宏觀經濟狀況：一些能反映經濟運行狀況的經濟指標，比如GDP、PPI、CPI，恩格爾系數等；b.宏觀經濟政策：政府的一些貨幣政策和財政政策，比如降息，降準，減稅，社保改革等；c.與標的物相關的各種信息：比如某些標的指數中的一些權重較大的成份股進行定增融資、派息轉送等；d.國際金融市場走勢：比如國際匯率，石油，黃金等價格波動走勢；e.到期時間長短：股指期貨合約有到期日，合約期限的不同會影響到合約價格的波動變化 。
從數據指標方面來考慮，最常接觸到的就是滬深300股指期貨合約每日的開盤價、收盤價、最低價、最高價、交易量、總交易金額等等數據。這6個方面的數據是精確化的歷史性數據，可以直接用于算法里面的數據訓練。因而，在輸入層的選擇上，本文取這6組數據作為節點，即輸入層的節點數為6。
3.2隱含層節點，輸出節點的確立
在這里，出于簡便考慮，只選擇一層隱含層。這里只預測第二天的股指期貨的結算價，因而輸出節點，可以看作是1。由此可看出建立的本BP網絡的一個特點，那就是多元輸入，單項輸出。
3.3數據選取
由于需要將數據作為多種用途使用，有的用于學習訓練，有的用于測試輸入，因而樣本容量必須足夠大。滬深300股指期貨，從2010年4月推出起，已經運行了接近5年時間，有上千天的交易數據。本文擬選取一個整年，用這一年的交易日數據，來建立模型。
這里通過互聯網，從新浪財經網站上查詢到2014年3月1日至2015年2月28日的滬深300股指期貨合約相關交易數據。這一年中，有243個有效交易日。其中，選取前233組數據，進行神經網絡的訓練，選取后10組，作為測試輸入和對照。
4.利用MATLAB建立預測模型
將收盤價作為Y變量，因為這是模型預測和對照的數據組。將其他五個參數的數據作為X變量。X變量是一個243*5的矩陣，Y變量是一個243*1的矩陣。由于X變量中的前三列與后兩列的數據相差巨大，可以在系統設置中，將數據改成長數據形式。現在用MATLAB建立BP神經網絡模型，進行運算和對比檢測。首先，對X和Y進行賦值，然后運行以下命令。
>> temp = randperm（size（x，1））；
K_train = x（temp（1：233），：）’；
L_train = y（temp（1：233），：）’；
K_test = x（temp（234：end），：）’；
L_test = y（temp（234：end），：）’；
N = size（K_test，2）；
net = newff（K_train，L_train，9）；
net.trainParam.epochs = 1000；
net.trainParam.goal = 1e-3；
net.trainParam.lr = 0.01；
net = train（net，K_train，L_train）；
L_sim_bp = sim（net，K_test）；
figure
plot（1：N，K_test，’b：*’，1：N，L_sim_bp，’r-o’）
>> xlabel（’檢驗樣本’）
ylabel（’滬深300股指收盤價’）
經過運行之后，MATLAB即顯示出BP預測值與真實值（以*為標記）的對比圖。可看出BP神經網絡所預測的收盤價與真實收盤價的吻合度較高，兩者的變化曲線基本重合。
5.結論
通過matlab編程，結合實際數據，可以發現訓練出來的神經網絡在實際預測中達到了所預想的精度要求，在上述輸入測試值中，代碼運行結果比較令人滿意。
我們將技術分析引入到期貨合約結算價格的預測中去，用文中所述的訓練編制的神經網絡進行預測，對于短期合約價格的預測在一般情況下還是具有不錯的精度和合理的誤差的。
可以認為網絡的預測有效程度主要取決于一下兩方面。
（1）針對股指期貨交易市場，在建立模型時，考慮到越多的相關影響因素，網絡的實際運用可行性會更強。（2）股指期貨交易市場，其完善程度和網絡預測精度有著一定的正想關性，市場越完備，其效果越好。在實際情況中，如果市場不夠成熟，可能會造成預測的實用性不夠顯著。
神經網絡的概念范文5
（江蘇建筑職業技術學院，徐州 221116）
摘要： 針對建筑工程特點，提出了基于RBF神經網絡的建筑工程投標報價方法，建立建筑工程投標報價標高率數學模型。應用MATLAB計算軟件，以實例驗證了該模型的正確性及實用性。
關鍵詞 ： RBF神經網絡；標高率；報價
中圖分類號：TU723.3 文獻標識碼：A 文章編號：1006-4311（2015）26-0049-03
作者簡介：陳紅杰（1986-），女，河南睢縣人，助教，碩士，研究方向為工程造價、市政工程；李高鋒（1987-），男，河南杞縣人，助教，碩士，研究方向為項目管理、工程造價。
0 引言
神經網絡在建設工程領域應用越來越廣泛，BP神經網絡會出現局部最小化問題和“過擬合”現象，徑向基函數（radial basis function，RBF）神經網絡的逼近能力、分類能力、學習速度等方面都優于BP網絡。所以，文章將徑向基函數神經網絡用于標高率決策模型的建立，較BP神經網絡有一定的進步與提升。
1 徑向基函數神經網絡原理
1.1 徑向基函數神經網絡基本結構
徑向基函數神經網絡是徑向基函數（radial basis function，RBF）與人工神經網絡相結合形成的一種局部逼近網絡，可以任意精度逼近任意連續函數。
RBF神經網絡一般為三層結構，如圖1，包含輸入層、隱含層和輸出層，每層都有其特定作用。
1.2 徑向基函數神經網絡訓練過程
具體訓練過程如圖2。
1.3 徑向基函數神經網絡的實現
徑向基函數神經網絡一般采用MATLAB軟件中的神經網絡工具箱對其進行模擬。MATLAB軟件的神經網絡工具箱為RBF神經網絡提供了很多工具箱函數，通過合理調用函數，能設計出符合要求的RBF神經網絡。
RBF神經網絡一般采用newrb函數作為設計函數，在創建過程中newrb函數可以特定方式完成權值和閾值的選取和修正。文章采用newrb函數創建徑向基函數神經網絡，訓練過程如下：
①輸入樣本數據（不包括測試數據），建立newrb神經網絡；
②找出均方差最大的一個樣本數據；
③依據均方差最大的樣本，網絡自動增加一個徑向基神經元，其權值等于該樣本輸入向量的轉置；閾值b=[-log（0.5）]1/2/spread，spread為徑向基函數的擴展系數，默認值為1.0；
④以輸入樣本數據和輸入層及隱含層之間的權值的點積為徑向基神經元輸出，此點積作為線性網絡層神經元的輸入，重新設計線性網絡層，使均方差最?。?/p>
⑤當均方誤差未達到規定的誤差性能指標，且神經元數目未達到規定的上限值時，重復以上步驟，直到滿足上述任一條件為止。
newrb函數設計徑向基函數神經網絡的格式：
net1=newrb
[net1,tr]=newrb(P,T,goal,spread,MN,DF)
其中：
net1：更新了權值和閾值的神經網絡；
tr：訓練記錄；
P：訓練樣本輸入；
T：目標輸出；
goal：徑向基網絡輸出的總平均誤差方差；
MN：最大神經數目；
DF：增加的神經元數目。
對神經網絡仿真采用sim函數，格式如下：
Y=sim(net1,P_test)
其中：
P_test為網絡的測試樣本。
2 標高率模型的建立
標高金概念國外應用較早，包括報價中除直接成本以外的開辦費、管理費、利潤和不可預見費等?？紤]到我國的實際情況，文章將標高金定義為投標企業的盈利部分，包括利潤和不可預見費（風險費用）。
標高率決策模型僅用于確定標高金，工程成本部分采用其他方法確定。標高金的數額一般與工程規模相關，而采用標高率可以避免這一影響?；诖耍恼聭脧较蚧瘮瞪窠浘W絡建立標高率預測模型，報價中的工程成本部分可以利用現有的工程定額系統和工程計價軟件如廣聯達和神機妙算等來進行快速、準確的估算。
2.1 標高率影響因素分析
考慮到我國建設市場的特點及現狀，文章從以下五個方面考慮標高率的影響因素，包括：項目因素，項目所在地社會因素，業主因素，承包商自身因素，競爭對手因素。項目因素包括工程復雜性、工程規模、合同條件、工期要求和質量要求五項因素；社會因素包括材料設備人員可得性、基礎設施、政策環境和市場前景四項因素；業主因素包括管理能力、業主信譽、資金力量、招標規范性四項因素；自身因素包括類似工程經驗、施工能力、任務飽滿度三項因素；對手因素包括競爭對手數量、相對優勢兩項因素。
2.2 模型指標體系的建立
界定上述18項影響因素取值范圍，如表1所示。以這18項影響因素作為輸入變量，以標高率（%）作為唯一輸出變量Y，構成模型的變量體系。
2.3 RBF神經網絡構建
文章設計的徑向基函數神經網絡模型共有三層：輸入層、隱含層和輸出層。其中，輸入層有18個神經元，與輸入變量（X1，X2，…，X18）相對應。隱含層神經元個數文章設定上限為30個。輸出層有唯一神經元，即標高率。通過該模型建立一個由（X1，X2，…X18）到Y的映射結構。
3 實例分析
文章選取某一建筑工程承包公司的26個以往中標項目的報價實例作為原始數據用于模型訓練，其中X1—X18代表影響因素的取值，Y代表實際標高率。樣本數據X2（建筑面積）和X17（競爭對手數量）進行歸一化處理，計算公式為Xl=（Xl-Xmin）/（Xmax-Xmin），其變量取值如表2所示。
利用MATLAB7.8軟件實現編程，建立投標報價RBF神經網絡模型，前22個項目數據作為訓練集，后四個項目作為測試集，利用newrb函數對網絡進行創建和訓練，即：
[net1,tr]=newrb(P,T,goal,spread,MN,DF)
令：
Goal=0.001
MN=30
DF=1
spread=0.991
所建立的徑向基函數模型結構如表3所示。
經過模型訓練，得出網絡的訓練誤差曲線為圖3。由圖可知，經過20次訓練后，模型輸出結果的誤差達到10-3，具有很高的精確度。測試集網絡測試結果與實際評估結果比較如表4，平均誤差為0.0153，滿足工程實際需要?？梢?，徑向基函數神經網絡在標高率報價預測方面，具有很好的應用價值。
4 結語
文章分析了對投標報價決策有重要影響的眾多因素，參考國內外的研究成果，確定了影響標高率的18個主要因素，與實際標高率一起組成標高率預測模型的指標體系。選取投標報價實例數據作為樣本對模型進行訓練和檢驗，通過MATLAB軟件neural network toolbox，建立了用于投標報價標高率預測的徑向基函數神經網絡模型，文章通過實證研究，取得了良好的效果。
參考文獻：
[1]任宏．神經網絡在工程造價和主要工程量快速估算中的應用研究[J]．土木工程學報，2005（8）：135-138.
[2]喬姍姍．基于遺傳算法優化的BP神經網絡在建筑工程投標報價中應用的研究[D]．揚州：揚州大學，2012.
神經網絡的概念范文6
關鍵詞：最經濟控制；BP神經網絡；粒子優化
1 引言
隨著科技的發展，我們漸漸地走向了節約型社會，對我們周遭的事物開始更深一步的探索。最經濟控制[1]是由涂序彥教授基于我國國情而提出來的，旨在以最少的資源獲得最大的經濟效益。
BP（Back Propagation）網絡[2]是一種按誤差逆傳播算法訓練的多層前饋網絡，是目前應用最廣泛的神經網絡模型之一。BP網絡能學習和存貯大量的輸入-輸出模式映射關系，而無需事前揭示描述這種映射關系的數學方程。它的學習規則是使用最速下降法，通過反向傳播來不斷調整網絡的權值和閾值，使網絡的誤差平方和最小。
粒子群優化[3]是一種新興的基于群體智能的啟發式全局搜索算法，粒子群優化算法通過粒子間的競爭和協作以實現在復雜搜索空間中尋找全局最優點。它具有易理解、易實現、全局搜索能力強等特點，倍受科學與工程領域的廣泛關注，已經成為發展最快的智能優化算法之一。
為了提高最經濟控制的高效性和準確性，本文提出將粒子優化 （Particle Swarm Optimization，PSO）算法與 BP算法相合的混合算法用于最經濟控制。該算法通過群體中粒子間的合作與競爭產生的群體能指導優化搜索，能有效克服局部極小問題。
2 最經濟控制
吳斌[4]在最經濟控制、低成本自動化和智能控制已有成果的基礎上給出了最經濟智能控制系統（The Most Economical Intelligent Control--MEIC）的概念，并將最經濟控制的代價函數以經濟領域的函數進行表示。
對于大多數的企業和生產過程，其固定成本一般是不變的，但是更改其運行的狀態卻可以帶來巨大的經濟收益，本文則主要研究是神經網絡的最經濟控制系統，因此可以轉換為對神經網絡參數和結構的尋優問題。
3 神經網絡最經濟控制研究
BP網絡是基于誤差方向傳播算法（BP算法），由一個輸入層、一個輸出層和一個或多個隱含層構成，各層次的神經元之間單向全互聯連接，是由非線性變換單元組成的前饋型網絡。
BP神經網絡的最經濟控制，主要是對神經網絡進行結構參數的優化，使其達到性能最優的目的。本文通過用基本的粒子群優化方法對BP網絡的結構和參數進行優化，其程序框圖如下圖所示。
4 實例分析對比
為了檢測優化后的神經網絡具有很好的最經濟性能，也即經過優化后的網絡參數是最優的，其網絡代價函數卻是較小的。本文將粒子算法優化后的BP網絡（PSO-BP網絡）和普通的BP網絡分別實現最經濟控制并將結果進行對比，首先根據網絡代價的概念分別建立兩個網絡的經濟代價函數，然后對所選用的樣本對象進行最經濟控制的建模，最后將兩者產生的網絡代價函數的結果進行對比。
對于同樣的訓練樣本，先利用傳統 BP神經網絡進行訓練，再用PSO-BP網絡方法進行訓練對比，部分誤差比較見表1。
從上表我們可以看出，PSO-BP網絡方法加快了收斂的速度，有效降低了訓練誤差，避免了陷入局部極小值，一定程度上提高算法性能。顯然，改進后的BP算法經濟性能優于BP網絡，且具有較好的泛化能力，說明該算法可以有效地實現最經濟控制。
[參考文獻]
[1]涂序彥.可控性、可觀性的實用價值與最經濟結構綜合[J].全國控制理論及其應用學術交流會論文集，北京：科學出版社，1981，56-61.
[2]張代遠.神經網絡新理論與方法[M].北京：清華大學出版社，2006，11.
