前言：中文期刊網精心挑選了神經網絡的優缺點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。
神經網絡的優缺點范文1
關鍵詞：BP神經網絡 牛頓法 盲均衡技術
中圖分類號：U491.113 文獻標識碼：A 文章編號：1007-9416（2016）06-0025-01
Abstract：With the rapid development of computer technology，we have higher. Requirements about the performance and speed of the communication network .Because of its structure is extremely complex， unpredictability and randomness of user access cell switching， the current problem is that broadband technology to meet the needs of users and to ensure the quality of communication service ，at the same time how to make full use of network resources. This paper uses gradient and Newton Combination with BP neural network algorithm， the use of their respective advantages and disadvantages of complementary features， What is the use in blind equalization algorithm to solve the mutual interference between channels.
Key Words：Neural network；Newton method； blind equalization
目前，基于BP神經網絡的盲均衡算法比其他的算法具有更低的誤碼率和信噪比。由于BP神經網絡的訓練時間長且有不確定性，因此不適宜單獨應用于盲均衡技術中。牛頓法通過一種迭代求非線性方程的最優解得來，它在學習后期收斂快且有二階收斂速度的優勢，但牛頓法在網絡學習初始階段對學習初值較為敏感，也不適合單獨應用，因此本文提出一種基于BP神經網絡和牛頓法相結合的算法，利用BP神經網絡算法在網絡學習初級階段函數調整速度快，學習后期，牛頓法的迭代算法復雜度較低，收斂較快，充分發揮兩種算法各自的優點，從而解決信道的非理想特性引起的碼間干擾，從而提高通信的質量。
前饋BP神經網絡由多層非線性處理單元組成，相鄰層之間通過突觸權陣連接起來。由多個選定的發送信號作為一組數據構成原始樣本集.經過剔除重復或沖突的樣本等加工處理，得到最終樣本集。通過前饋BP神經網絡學習獲得網絡的學習模型.從而建立輸入到期望結果輸出的對應關系，人為的對權系數進行學習，使輸出的結果更大程度的趨近預期均衡值，從而很大成都提高信道的使用效率。
前饋BP神經網絡中前一層的輸出作為下一層的輸入，通過對權系數進行學習，從而調整輸出結果。設發送信號X（x），將X（x）作為網絡的輸入，經過信道t，由人給定相應場合下想要輸出的均衡信號為O（y），均衡器的長度為l，隱層的神經元的個數為n個，調節權值為d（x）；
因為后期BP神經網絡的收斂速度會比較慢，通過牛頓法進行相應的優化，可以提高算法的計算效率，當下對的的任務是將BP神經網絡算法作為優化目標函數f，求函數f的極大極小問題，可以轉化為求解函數f的導數f’=0的問題，這樣求可以把優化問題看成方程求解問題（f’=0）。即剩下的算法優化部分即是對牛頓法進行求解。這次為了求解f’=0的根，把f（m）的泰勒展開，展開到2階形式：這個式子是成立的，當且僅當 Δx 無線趨近于0。此時上式等價與：求解：，得出相應迭代公式；牛頓法利用其曲線本身的信息，比梯度下降法更容易收斂（迭代更少次數），從而簡化算法的復雜度。
結論：盲均衡技術在通信發展史上具有舉足輕重的地位，它解決了自適應均衡技術對通信效率的影響，利用所接收到的信號序列對信道進行均衡。隨著通信性能的要求的不斷提高，盲均衡技術越來越受到學者們的關注。而BP神經網絡算法的應用是近年研究的重要技術之一，它具有魯棒性、學習性、非線性逼近等特性，為盲均衡技術的研究提供了嶄新的思路，但由于其本身還未完全被人們所掌握，目前仍存在訓練復雜度較高，時間較長等缺點，BP神經網絡本身仍有一系列問題等待解決。運用其他算法彌補該算法的部分缺點，將會大大改進算法的性能。BP神經網絡前途廣闊，隨著問題的各個擊破，他將滲透到生活中的每個領域，為生活的方方面面帶來便利。
參考文獻
[1]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.
[2]郭業才.自適應盲均衡技術[M].合肥工業大學出版社，2007：1.
[3]馬曉宇，胡建偉.盲均衡技術的研究及發展[J].中國新通信，2009年19期.
神經網絡的優缺點范文2
【關鍵詞】房地產；上市公司；績效評價
隨著中國房地產行業的快速發展，建設規模過大、房價增長率過高等問題對我國房地產行業的健康穩定持續發展造成破壞。為有效地解決建設規模過大、房價增長率過高等問題，在國家、各省市的房地產政策宏觀調控下，房地產企業自身要不斷地完善企業自身的管理機制，提高企業的運營能力，嘗試尋找解決該類問題的新方法，使房地產企業在激烈的市場競爭中健康穩定的發展下去。中國社科院就《房地產藍皮書》在2017年5月9日舉行會。藍皮書執行主編王業強表示，在中央經濟工作會議堅持“房子是用來住，不是用來炒的”定位的背景下，抑制房地產投資，防止金融風險，同時也要保持房地產平穩發展是2017年中國政府部門對房地產政策調控的基調。而房地產上市企業作為我國房地產行業的重要組成部分，其經營管理績效的提高對企業自身市場競爭和房地產行業整體競爭貢獻了積極的作用。因此，針對于我國房地產上市公司經營管理現狀，建立一套完整的適合我國房地產行情的經營績效評價系統有著重大的意義。不僅有利于房地產行業經濟的快速穩定發展，還可以對房地產行業的經營績效進行有效的評估和定位，有利于企業董事及投資者做出正確的投資選擇，同時也有利于我國政府部門進行宏觀調控，進行監管，有效規避行業風險。
一、基于模糊綜合評價法的的房地產上市公司績效綜合評價
（一）模糊綜合評價模型建立步驟
模糊綜合評價方法是指在綜合績效評價中，評價的對象通常受許多不確定性因素的影響而具有模糊性，將經典綜合評價方法與模糊理論相結合而得到的評價方法。其通常被用來當作綜合決策的數學工具，模糊綜合評價過程是根據已知的評價標準和實測值，然后經過模糊變換后做出的評價。在對我國房地產上市公司績效評價模型建立中，模糊綜合評價通常包括確定評價對象的因素集、確定評語等級集、進行單因素評價，建立模糊關系矩陣、確定評價因素的模糊權向量、選擇合適的模糊算子以及模糊綜合評判分析等步驟。
（二）模糊綜合評價方法優缺點
應用模糊綜合評價方法可以根據內容的復雜程度以及實際分析對精度高低的要求，適當增加子準則層，進行評價將使結果盡量客觀從而取得更好的實際效果。在模糊綜合評價中，權值的分配主要靠人的主觀判斷，影響因素過多時就很難準確分配權重，不易獲得專家評價結果。
二、基于BP神經網絡的房地產上市公司績效綜合評價
（一）BP神經網絡評價模型構建與成型
模型構建與成型的步驟主要包括BP神經網絡結構分析、指標選取與無量綱化處理（主要包括：評價指標選取以及指標無量綱化處理）、模型訓練與成型。基于BP神經網絡的房地產上市公司績效綜合評價通過學習以及訓練的自組織功能擬合各個指標的最佳權數，從而實現評價的功能。BP網絡是多層網絡，層與層之間多采用全互連方式，同一層單元之間不存在相互連接，BP網絡分為輸入層、隱含層和輸出層，如圖1所示。
（二）BP神經網絡評價方法優缺點
BP神經網絡具有自學習性、自適應性以及較強的容錯性等優點,只需要將處理過的數據輸入到神經網絡中，通過網絡計算產生結果,有效地減少了指標權重確定過程中人為因素對結果的影響,進而提高了績效評價的有效性和可靠性。因網絡結構不同的評價結果也會產生極大的差異，但是網絡結構的構建大多依賴于評價者的主觀經驗，隨意性較大。
三、基于平衡計分卡（BSC）的房地產上市公司績效綜合評價
（一）平衡計分卡模型考核指標構建步驟
從財務維度、內部業務流程維度、客戶維度、學習與成長維度四大內容為主的指標系統關注房地產上市公司發展績效。平衡計分卡模型考核指標構建步驟主要分為以下幾個步驟：確立績效評價的目標，建立平衡計分卡四個維度的目標。在需要完成的目標中尋找出可以衡量這些目標的指標。選擇能夠保證實現事后指標的重要活動以及流程，通過經驗并結合企業實際情況來為重要節點的問題確定監視性的指標，作出恰當的調整，實現整個流程中對焦點目標的管控。
（二）平衡計分卡評價方法優缺點
平衡計分卡的評價系統比較全面，通過財務維度、內部業務流程維度、客戶維度、學習與成長維度四個指標的綜合評價，兼顧了財務指標和非財務指標，從而能夠把握短期與長期目標，實現房地產上市公司的長遠發展?，F有的平衡計分卡主要關注績效指標的選取，沒有解決各個指標具體所占權重，解決如何進行平衡的問題。此外，平衡計分卡未涉及企業組織資源的分配問題。
四、選擇房地產上市公司績效綜合評價方法建議
神經網絡的優缺點范文3
關鍵詞：模糊控制；滑?？刂疲粡碗s系統
中圖分類號：G632 文獻標識碼：B 文章編號：1002-7661（2014）14-094-01
隨著控制理論實踐的不斷深入，被控對象的結構及數學模型也越來越復雜，呈現出時變性、多輸入多輸出、高度復雜性、非線性、不確定性等特點。面對這些復雜特征，傳統的基于精確數學模型的控制理論的局限性日趨明顯，于是出現了諸如變結構控制、自適應控制、模糊控制、神經網絡控制以及智能控制等新的控制手段。本文就模糊滑?？刂频漠a生及發展現狀做簡單介紹。
滑?？刂埔蚱洫毺氐膬瀯菰谒欧C構、飛行器控制等領域有著廣闊的發展前景。但是，實際系統由于切換裝置不可避免地存在慣性，變結構控制在不同的控制邏輯中來回切換，會導致實際滑模運動不是準確地發生在切換面上，容易引起系統的劇烈抖動。這一缺點使其在實際應用中受到了很大的限制。抖動不僅影響控制的精確性，增加能量消耗，而且系統中的高頻未建模動態很容易被激發起來，破壞系統性能，甚至使系統產生振蕩或失穩，損壞控制器部件。而將模糊控制與滑模變結構控制結合應用來克服變結構控制所帶來的抖動便成為很多專家學者的研究重點。
一、常規模糊滑?？刂?/p>
模糊控制和滑模變結構控制各有優缺點，有某種相似之處，又有互補之處。90年代以后專家學者把二者結合，構成模糊滑模控制，實現兩者之間的取長補短。同時還可在一定程度上削弱或克服滑模變結構控制的抖動現象。目前，模糊控制與滑模變結構控制的結合運用主要有以下三種方式[1]。
1、通過模糊控制規則自適應地調節符號函數項的值，可以在保證趨近速度和減小抖動的前提下較好地選擇和 。
2、通過模糊控制規則直接確定滑模控制量，即直接把切換函數及其微分 作為輸入量，通過模糊推理獲得滑?？刂频目刂屏?。
3、變結構控制、模糊控制的復合控制策略。在大偏差時采用滑模變結構控制，在小偏差時采用模糊控制的運行方式。
二、自適應模糊滑?？刂?/p>
普通的模糊滑?？刂频脑O計仍然是基于經驗的。由于模糊規則的選取有很大的任意性，在很多情況下有效經驗的獲取并不是容易的事。為了達到一定精度，選擇的模糊規則可能非常復雜[2,3]，且系統參數在控制過程中也沒有自適應和自學習能力。為使系統在不確定性以及對象出現參數和結構變化的情況下保證不變性，自適應模糊滑?？刂茟\而生，并成為非線性系統自適應控制方法研究的主流[4]。
三、基于模糊神經網絡的滑?？刂?/p>
人工神經網絡同樣具有自學習和自適應的能力。它和模糊系統的結合有助于擴大二者在滑?？刂祁I域內的應用。模糊神經網絡（Fuzzy Neural Networks, FNN）結合了模糊控制與神經網絡控制兩者的優勢，不僅具有神經網絡自學習和快速處理的能力，而且具有模糊控制系統能夠充分利用先驗知識、以較少的規則數來表達知識的優勢，避免了神經網絡不能很好地利用已有經驗知識，往往將初始權值取為零或隨機數使網絡訓練時間變長或者陷入非要求的局部極值的缺點，也避免了模糊控制由于缺乏自學習和自適應能力，給控制器參數的學習和調整帶來的困難。模糊神經網絡與滑模控制的結合應用可以通過以下幾種方式：一、用T-S模糊神經網絡等價系統不確定的動態特性 和 ，再按一般滑模控制的方法形成控制律?？刂七^程中FNN 的參數根據實際系統的輸入輸出數據在線自學習。或者以 為輸入的標準模糊神經網絡實時估計系統動態不確定性的上界，以此與狀態反饋相結合構造滑模控制。也可用結構自組織的廣義參數學習的模糊徑向基函數網絡完成系統動態不確定性的等價，在此基礎上構造系統的滑?？刂坡伞＿@幾種方式均是通過模糊神經網絡來等效系統不確定項的，也可直接采用模糊神經網絡構造滑?？刂坡?，如：L in等[8]直接用以 為輸入的標準模糊神經網絡構造滑?？刂坡桑?最小化用梯度下降方法完成FNN的參數自適應；為了保證滑模產生條件存在，還構造了帶符號函數的監督控制律。當與系統狀態相關的李亞普洛夫函數值進入零的一個鄰域時，監督律作用撤消。于是從總體上保證了滑模產生條件的滿足和穩態時的無抖振。
四、模糊滑?？刂婆c其它策略的結合
除了以上所描述的問題之外，關于模糊滑?？刂坪推渌呗韵嘟Y合還有其他諸多方面的內容，它們體現了控制理論的交叉融合。遺傳算法作為一種優化算法，在模糊滑模控制中亦得到較多應用。可以采用遺傳算法對控制器增益參數、模糊規則、隸屬函數進行優化，有效減小或消除抖振。當然還有其他算法與模糊滑?？刂频慕Y合應用，在此就不在累述。
參考文獻：
[1] 王翠紅 自適應模糊滑模控制的設計與分析[D] 西南交通大學 2002
[2] Yoo B, Ham W. Adaptive fuzzy sliding mode control of nonlinear system [J]. IEEE Trans. Fuzzy Syst., 1998, 6(2): 315-321
[3] Yu X, Man Z, Wu B. Design of fuzzy sliding-mode control systems [J], Fuzzy Sets and Systems, 1998, 95:295-306
[4] Kaynak O, Erbatur K, Ertugrul M. The fusion of computationally intelligent methodologies and sliding mode control-a survey [J]. IEEE Trans. Industrial Electronics, 2001, 48(1): 4-17
[5] Lu Y S, Chen J S. A self-organizing fuzzy sliding mode controller design for a class of nonlinear servo system [J]. IEEE Trans. on Industrial Electronic, 1994, 41(5): 492-502
[6] Lin S C, Chen Y Y. Design of adaptive fuzzy sliding mode for nonlinear system control[C]. Proc.of IEEE Int. Conf. on Fuzzy Systems, 1994, (1):35-39
神經網絡的優缺點范文4
關鍵詞：智能優化算法；啟發式教學；Matlab語言
中圖分類號：G642 文獻標識碼：B
1 引言
從教材和教學大綱出發，“智能優化算法及其應用”這門課程主要針對模擬退火算法、遺傳算法、禁忌搜索、神經網絡優化算法、混合算法等幾個方面進行了講解。由于該課程涉及的知識面很廣，內容比較抽象，所以學生往往難以理解，特別對各種優化算法的實際應用不能靈活掌握。這直接導致了學生學習興趣的減弱和對課程學習的厭倦情緒。為了克服上述問題，更好地實現教學目標，本文作者從教學方法、教學內容等方面出發對智能優化算法及其應用課程的教學進行了探索，改善了課堂教學和課外實踐的效果。
2 啟發式教學
所謂啟發式教學法，就是以學生的經驗為基礎，由教師提出問題，使他們思考去解決、分析、批評、判斷和歸納，因而可以觸類旁通、舉一反三，使經驗逐漸擴張，思路更為靈活。通過啟發式教學法，可以培養學生學習的內在動機，引導學生思考和逐步掌握各個知識點，使他們真正對所學的課程感興趣。為了更好地運用啟發式教學，教師應該首先向同學們闡述該課程的發展歷史和未來的發展前景，介紹該課程的理論和實踐背景，讓學生對課程的整體情況有所了解，并產生好奇心。
在啟發式教學過程中，教師可根據教學重點和難點，首先采取提問的方式引發學生進行思考，使他們的思維高度集中。在學生思考過程中，可根據他們的思考結果給與適當的提示與鼓勵，使他們的思考更加深入。接著可采用問答討論的方式，對學生的答案加以分析，使得學生的思維達到升華。最后，將學生討論的結果與課本的結果進行對比，找出異同點。通過上述啟發式的教學過程，學生可以更加深刻理解課程中的難點和重點。
如模擬退火算法是一種隨機優化方法，學生在學習課程之前已對經典的基于梯度的優化方法有一定了解。在介紹模擬退火算法之前，可先向學生提問：經典的優化方法的核心思想是什么。接著可再提出問題：如果在經典的優化方法中加入隨機因素會出現什么結果。教師可根據學生的回答給予適當的提示，最后再給出模擬退火算法的主要步驟和主體思想。
此外，在介紹混合算法的時候，也可以采用啟發式的教學法，如可提問學生如果把模擬退火算法和神經網絡混合起來進行問題求解應該怎么做。3示例教學
在教學過程中，如果只是純粹地講解理論知識，學生可能覺得索然無味，從而直接導致學習興趣的減弱。而通過選擇一些經典的示例進行分析、講解與討論，學生可以在學習過程中做到理論與實際相結合，并增加對所學知識實用性的了解，從而提高學習的積極性和主動性。
如在講解遺傳算法的主要步驟，即編碼、解碼、交叉、變異、選擇時，通過選擇最短路徑問題的示例來解釋其運行機理。最短路徑問題是一類離散優化問題，其主要任務是找到一條從起始點到終點的最短路徑。在運用示例講解時，首先給學生介紹如何對每一條路徑進行編碼，然后介紹如何對不同的路徑進行交叉、變異和選擇等操作，而且說明在上述過程中如果出現不合法路徑應該如何進行處理，最后講解如何選擇較好的路徑來進行下一次進化等等。通過上述講解，學生對遺傳算法的主要步驟具有了十分深刻的認識。
此外，在講解神經網絡時，可首先通過理論講解使學生對神經網絡的原理有了一定的了解，接著通過選擇一種經典的神經網絡示例，即BP神經網絡，對其原理及具體實現過程進行演示。在教學過程中，作者通過選用Matlab語言中的神經網絡工具箱，對BP神經網絡進行了講解，包括如何構造輸入層、隱含層和輸出層，如何執行反向傳播等等。最后再通過選用一個BP神經網絡應用于實際工程中的示例進行講解。這樣，學生對神經網絡的原理和應用便有了具體而生動的認識，從而也調動了學生的學習興趣。
4 多媒體課件教學
運用多媒體課件上課有許多“黑板+粉筆”不可企及的效果。運用多媒體課件上課，可以生動且有效地對教學重點與難點進行講解，同時通過多媒體課件中的動畫演示、錄像演示等可以使學生對學習要點有更直觀和深刻的了解，激發學生的好奇心。
如在解釋遺傳算法對某一優化問題的進化過程時，可將初始群體中個體的分布，運行到中間代數時群體中個體分布，和進化結束時群體中個體的分布情況通過多媒體演示出來。這樣，學生便對遺傳算法的進化迭代尋優思想有了很直觀的認識，而且學生可以很深刻的理解遺傳算法搜索到全局最優解的工作原理和過程。此外，還可通過錄像演示，將整個進化過程中每一代群體中個體的分布情況全部演示出來，這樣遺傳算法的整體執行過程便在學生眼前活靈活現地展示出來。
在介紹各種智能優化算法之間的優缺點、異同點時，也可通過多媒體課件中的各種圖形工具將優缺點和異同點進行歸納和總結，更清晰地展現在學生面前，同時也使得教師在講解時便于歸納敘述。
5 課程設計
課程設計是學生綜合運用課程所學知識的一個重要環節。特別對于智能優化算法及其應用這門課程，如何引導學生將優化算法應用到實際問題顯得尤為重要，這不僅鍛煉了他們的實際動手能力，也鍛煉了他們分析問題和解決問題的能力，可全面開發學生的創造性思維和創新能力，使課程設計真正成為學生綜合運用學科知識和進行能力培養的有效途徑。
在課程設計中，我們為學生設計了遺傳算法求解TSP問題、差異進化算法求解約束優化問題、粒子群優化算法求解多目標優化問題、BP網絡解決XOR分類問題等幾個題目，將學生分為若干組，要求學生采用Matlab、c語言等軟件實現上述問題的編程求解，并規定課程設計的時間為兩周。通過課程設計，學生對智能優化算法及其應用這門課程的理論和實踐得到了升華，并且團隊合作能力也得到了提高。
神經網絡的優缺點范文5
一、模糊化遺傳BPN演算方法的提出
盡管通過已有的研究以及一些簡單的模型可以初步判定企業財務業績是否出現衰退跡象，但由于財務報告舞弊的甄別有著很多挑戰性的因素，如舞弊樣本量極小、舞弊手法繁多、識別的特征指標不易設定、甄別技術的選擇及智能設計較難掌握等，因此甄別虛假財務報告一直是困擾會計界的重大難題。
(一)模糊化遺傳BPN演算方法的必要性 隨著信息技術的發展以及人工智能技術的興起和廣泛應用，許多領域的難題迎刃而解。數據挖掘技術(即利用數據庫技術來存儲管理數據，利用機器學習的方法來分析數據，從而挖掘出大量的隱藏在數據背后的知識)已深受人們關注。會計本身就可以定義為一個信息系統，將數據挖掘技術應用于財務報告舞弊的甄別必將是一個趨勢，并且已有學者對該種方法的可行性進行初步探討。隨著數據挖掘技術的改進及發展，發掘實用高效的數據挖掘算法，構建舞弊識別系統，并真正實現舞弊識別才是亟待解決的問題。因此，本文通過比較各種數據挖掘算法的優缺點，綜合考慮提出用于會計舞弊識別的模糊化遺傳BPN系統，并對該系統所涵蓋的具體算法、該系統的技術優勢以及甄別系統的構建進行逐步研究，力求設計出更加行之有效的財務報告舞弊甄別技術。
(二)模糊化遺傳BPN演算方法的提出 數據挖掘技術分為兩大類：探索型數據挖掘和預測型數據挖掘。探索型數據挖掘包括一系列在預先未知任何現有模式的情況下，在數據內查找模型的技術。探索型數據挖掘包括分群、關聯分析、頻度分析技術。預測型挖掘包括一系列在數據中查找特定變量(稱為“目標變量”)與其他變量之間關系的技術。預測型挖掘常用的有分類和聚類、數值預測技術。數據挖掘使用的算法很多，主要包括統計分析、機器學習、決策樹、粗糙集、人工神經網絡和遺傳算法等。
舞弊性財務報告的識別過程本身可以認為是一個分類的過程，即分為舞弊及非舞弊的過程。對數據挖掘技術的各種分類算法的優劣具體比較(見表1)。
基于此，綜合各種分類算法的優勢，本文提出模糊化遺傳BPN財務報告舞弊識別系統。
二、模糊化遺傳BPN的演算方法
模糊化遺傳BPN的演算方法包括模糊邏輯算法、遺傳算法以及BP神經網絡算法等。
(一)模糊邏輯算法模糊邏輯算法簡單地說是人們對許多決策思維的自然語言描述，并且轉換成利用數學模型算法替代的一種應用科學技術。該模型包括三個主要處理程序：模糊化(fuzzifi―cation)、推論(inference)及反模糊化(defuzzification)。
(1)模糊化(fuzzification)：將原始的數據，利用隸屬度函數轉換成模糊輸入，如在觀察技術指標時也可以自然語言表示“偏高”、“適中”或“偏低”等。
(2)模糊推論(rule evaluation,fuzzy inference)：根據模糊輸入，依照口語化的規則(1inguistic rules)，產生模糊結果，如透過IF..THEN..的形式將推論加以定式化。
規則：if x is A then y is B
事實：x is A’
結論：y is b’
(3)反模糊化(defuzzification)：將模糊輸出轉換成可表達的數據。
(二)遺傳算法 遺傳算法是模擬生物進化過程的算法，由三個算子組成，即選擇、較差、突變。遺傳算法具有十分頑強的魯棒形，在解決大空間、多峰值、非線性、全局優化等復雜度高的問題時具有獨特的優勢。其可以單獨用于數據庫中關聯規則的挖掘，還可以和其他數據挖掘技術相結合。如用于優化神經網絡結構以得到結構簡單、性能優良的神經網絡結構；用于特征子集選擇；用于決策分類器和模糊規則的獲取等。遺傳算法在數據挖掘技術中占有重要的地位，這是由其本身的特點和優點所決定的。(1)遺傳算法的處理對象不是參數本身，而是對參數集進行了編碼的個體，可以直接對集合、隊列、矩陣、圖表等結構進行操作；(2)具有較好的全局搜索性能，減少了陷于局部最優解的風險，同時，遺傳算法本身也易于并行化；(3)在標準的遺傳算法中，基本上不用搜索空間的知識或其他輔助信息，而僅用適應度函數值來評估個體，并在此基礎上進行遺傳操作；(4)遺傳算法不是采用確定性規則，而是采用概率的變遷規則來指導其搜尋方向。
(三)BP神經網絡 反傳遞神經網絡(BPN)模式是監督式學習網絡(Supervised Learning Network)的一種，在取得訓練樣本后，透過訓練樣本輸入網絡時，告知網絡預期的輸出結果，而輸入訓練樣本的目的主要是讓網絡學習，當學習完成后再利用測試樣本來進行模式的測試。由于BP神經網絡具有高學習準確度、回想速度快以及能含雜訊資料處理等優點，因此運用最為普遍。其基本原理是利用梯度下降法(the gradient steepest descent method)的觀念，通過學習過程中輸出值與期望輸出值偏差，不斷反向傳遞至隱藏層和輸入層來調整加權值修正量及閥值修正量，使輸出值與期望之間的誤差予以最小化，進而通過不斷學習求得最佳網絡模式已達到預測的目的。BP網絡的構架主要分為三層：輸入層(inputlayer)、隱藏層(hiddenlayer)及輸出層(outputlayer)，各層中基本單元即為處理單元(Processing Element，PE)，數個處理單元將組成一層，而若干層則結合成為網絡。其中輸入層的處理單元代表網絡的輸入變量，目前許多研究結合模糊邏輯(fuzzylogic)以及遺傳算法(GA)等方式選擇BP神經網絡的輸入層。輸出層用來表示網絡的輸出變量，其處理單元數目依問題而定。隱藏層主要用以表示輸入處理單元間的交互影響，網絡可以不只一層隱藏層，也可以沒有隱藏層，至于其處理單元數目并無標準方法可決定。
三、模糊化遺傳BPN優勢
現存的關于國內外財務報告舞弊識別模型研究，大多設計為Logistic回歸模型及神經網絡(ANN)模型。盡管神經網絡對于財務報告舞弊的識別效果和準確性都比logistic回歸模型更好，但還是存在一些局限性。而模糊化遺傳BPN正是一種可以彌補單純神
經網絡各種局限性的優勢技術。
(一)模糊邏輯與神經網絡的結合優勢 由于神經網路工作方式是自組織式，即無教師學習網絡，模擬人類根據過去經驗自動適應無法預測的環境變化。由于沒有教師信號，這類網絡通常利用競爭的原則進行網絡的學習，對知識的獲取完全取決于感知。因此單純的神經網絡對于處理數量龐大、種類繁多、而且信息復雜的財務報告而言，顯得有些吃力并且不一定十分精確。而模糊邏輯算法對知識的獲取則是由專家來控制，其對所提供信息的數量和質量均有一定的保證。另外神經網絡內部結構使得追蹤產生輸出的過程變得困難，缺乏解釋能力。而模糊邏輯算法最主要的優點就是可以把專家的策略通過IF-THEN、and、or的關系式輕而易舉的定義出來，形成模糊邏輯規則，將其與神經網絡相結合可以增強模型的解釋力。
(二)遺傳算法與神經網絡的結合優勢 遺傳算法和人工神經網絡都是將生物學原理應用于科學研究的仿生學理論成果。神經網絡相當于一個專家系統知識庫，能自動在海量數據中識別、捕捉和提取隱藏規律，并將其包含在神經元之間的連接權值中。遺傳算法具有全局搜索、收斂速度快的特點，將其與神經網絡結合起來，不僅能發揮神經網絡的泛化映射能力，而且使神經網絡克服收斂速度慢、容易陷入局部誤差極小點、網絡結構和學習參數難以確定等缺點；同時還可以優化神經網絡的結構和連接權系數，這就滿足了求得最優BPN的必要條件。另外，遺傳算法本身計算量較大，每次迭代過程需要大量運算，尤其是當遺傳算法收斂到一定程度后，整個解群的素質和最優解素質的改善變得比較困難，導致搜索時間呈指數增長，此時用BP網絡尋求最優參數組合比單純用GA搜索要節約大量時間。
四、模糊化遺傳BPN財務報告舞弊甄別系統的構建
模糊化遺傳BPN財務報告舞弊甄別系統由模糊演化(Fuzzy)、遺傳算法(GA)和BP神經網絡三個模塊構成。具體系統構建流程如圖1所示：
(一)模糊演化模塊 在模糊演化模塊中，首先需要進行的工作是選擇輸入變量，即構建財務報告舞弊識別特征指標體系，通過顯著性檢驗篩選進入系統的變量。然后將其模糊化，通過IF-THEN語句建立模糊規則庫，再經過反模糊化方法輸出模糊后的舞弊特征指標變量。
(二)遺傳算法模塊 在遺傳算法模塊中，首先根據模糊邏輯模塊選定的舞弊指標變量定義遺傳算法適應值函數；同時，設定遺傳算法所需變量的范圍與精度、族群數量及演化世代數、突變與交換率。然后，通過選擇、交叉、突變算子演算產生下一代，輸入網絡框架計算適應值函數值，如果適合度滿足終止條件，將網絡結構輸入給BP神經網絡模塊，否則回到三個算子循環計算。
神經網絡的優缺點范文6
關鍵詞：線性；非線性；PID；BP
中圖分類號：TP273.4 文獻標識碼：A 文章編號：1006-8937（2013）06-024-02
注塑機料筒溫度是注塑工藝的重要參數，對料筒溫度進行有效地控制是保證塑料制品成型質量的重要環節。然而，注塑機料筒溫度系統是一個多變量、離散、間歇工作、大滯后、非線性、強耦合且需要人工參與的復雜系統，由于其加溫過程中的復雜性，使得該控制系統的精確數學模型很難以建立， 也就使得料筒的溫度控制成為注塑機控制器設計中的難點。另外，在注塑機料筒溫度控制器的設計過程中，控制器的工作性能，如良好的魯棒性和較低的算法復雜度是不可忽視的參數指標。目前，采用較多的是PID控制方法，這主要是因為PID控制應用范圍廣，廣泛應用于非線性或時變控制過程中，而起PID控制器中的3個參數Kd、Kp、Ki比較容易整定，是最簡單的有時卻又是最好的控制器。
本文基于料筒溫度PID控制器的發展過程，從線性PID控制器到非線性PID控制器，再到基于BP神經網絡的PID控制器三個方面，分別闡述了各自的優缺點。
1 料筒溫度線性PID控制器
PID控制器不用被控對象的精確模型，只用控制目標與對象實際行為之間的誤差來產生消除此誤差的控制策略。由于PID控制技術是立足于誤差來減少誤差的過程控制原理，所以在控制工程實踐中得到廣泛有效的應用。本文主要研究注塑機料筒的溫度控制系統，采用線性PID控制器，其基本結構如圖1所示。
從圖1可以概括出線性PID控制方法在實踐應用中，本文的溫度控制系統設計中存在如下問題：
①直接以e=v-y的方式產生原始誤差不太合理。由于控制目標在過程中可以“跳變”，但是對象輸出y的變化都有慣性，不可能跳變，不可能跳變，因此讓緩變的變量y來跟蹤能夠跳變的變量v是不合理的。
②產生誤差信號e的微分信號de/dt沒有太好的辦法。微分器物理不可實現，只能近似實現，常用的近似微分器的傳遞函數為■。這個傳遞函數可展成■，是近似微分公式■的實現。但是，但輸入信號v（t）被噪聲n（t）污染時，輸出y中的近似微分■信號就被放大的噪聲分量■所淹沒，無法利用。因此，PID控制器除特殊情形外，實際上都是PI控制器。
③線性組合不一定是最好的組合方式。PID控制器給出的控制量u是誤差的現在e（t）、誤差的過去■e（τ）dτ、誤差的將來■三者的加權線性組合。大量工程實踐證明，三者的線性組合不一定是最好的組合方式，為了避免線性組合方式的缺陷就產生了花樣繁多的“變增益PID控制器”
④誤差信號e的積分■e（τ）dτ反饋的引入有很多副作用。大量工程實踐表明，誤差積分反饋的引入會使閉環變得遲鈍，容易產生振蕩及積分飽和引起的控制量飽和等。
將線性PID控制器應用于注塑機料筒的溫度控制系統中，雖然能取得了良好的效果，但是該溫度控制系統為大純滯后系統，被控對象的參數變化較大、影響因素甚多、未建模動態因素顯著，非線性嚴重，很難建立精確的數學模型，針對具有更多內部和外部不確定因素的控制對象時，該PID控制方法就顯得無能為力了。
2 料筒溫度非線性PID控制器
在注塑機料筒的溫度控制系統中，線性PID控制僅僅考慮了控制對象（溫度）外部信息，決定了所控制的對象的有限性。對于帶有更多內部和外部太多不確定因素的對象，線性PID就無能為力了。對于這種情況，有必要去獲得并考慮系統的內部信息和外部不確定性，并讓這些信息參與系統的控制和調節，提高系統的抗干擾能力?；诖?，一種非線性PID控制器應運而生，它是在線性PID控制器基礎上進行了如下改進：
①根據系統所能承受的能力，被控量變化的合理性和系統提供控制的能力，由設定值v先安排合適的過渡過程。該過渡過程由TD實現，TD不但給出所安排的過渡過程信號，還給出過渡過程的微分信號。
②誤差的微分信號是可以用噪聲放大效應很低的TD、狀態觀測器或ESO來提取。
③不同于線性PID控制，采用合適的非線性函數對誤差進行組合，形成新的非線性誤差反饋控制規律。
將非線性PID控制器應用于注塑機料筒溫度控制系統中，由多個單回路非線性PID控制器分別調節各個電熱環的供電電壓，從而控制料筒各個段的溫度。由于該控制系統不需要建立精確的數學模型，而且能夠把作用于被控制對象的所有不確定因素都歸結為“未知擾動”，所以采用實時監測的溫度數據對它進行估計并予以補償，就可以達到自動抗擾的目的，進而實現溫度的自動實時控制。然而，在溫度控制策略實現上，該溫度控制系統依然存在一個顯著的問題，即不清楚未建模動態因素，不具有預測性。
3 基于BP神經網絡的料筒溫度PID控制器
針對注塑機料筒溫度控制的要求和線性PID控制器、非線性PID控制器的不足，尤其是針對非線性PID控制器的不可預測性，提出了一種基于BP神經網絡的PID控制器。該控制器將神經網絡和PID控制技術相結合，能無限地逼近非線性系統，具有收斂快、可預測的優點。而且，基于BP神經網絡的料筒溫度PID控制器能有效地縮短過渡過程，具有較好的穩定性和快速響應性，可以滿足注塑機料筒的溫度控制要求。
該控制器由常規PID控制器和神經網絡控制器兩部分組成，如圖2所示?？紤]到鄰近加熱器的影響，神經網絡控制器的輸入除本段加熱器的輸入信號、反饋信號外，還將鄰近加熱器的反饋信號引入。神經網絡控制器的輸出即為PID控制器的Kd、Kp、Ki3個參數，根據控制系統的輸入/輸出情況，通過神經網絡實時調整PID控制器的3個參數，從而實現料筒溫度的高性能控制。
與線性PID控制和非線性PID控制相比，基于BP神經網絡的PID控制具有較好的穩定性和快速動態響應的特性，溫度調節過程短。由于BP神經網絡具有很強的學習能力，能夠不斷地從訓練樣本中提取出所蘊含的基本信息，用于溫度預測。另外，在溫度參數變化、數學模型不精確和控制環境變化的情況下，該控制器能保持較好的工作性能，系統魯棒性強，使得該控制方法具有很大的應用前景。
4 結 語
在注塑機控制系統中，加熱料筒溫度控制是其中非常重要的一環，為了實現高性能的溫度控制功能，本文介紹了三種PID控制方法，即線性PID控制、非線性PID控制和基于BP神經網絡的PID控制。這三者之間具有層層遞進的關系，后者都較前者具有更好的工作性能。以性能最好的基于BP神經網絡的PID控制方法為例，該方法兼具了非線性PID控制方法的優越性能，在帶有更多內部和外部不確定因素的情況下，能實現較好的溫度控制作用，具有良好的抗干擾性能；同時，該方法通過神經網絡的學習能力實現溫度數據的訓練，可實現對未來數據的實時預測，具有可預測性，魯棒性更強，實用價值更高。
參考文獻：
[1] 孫小權，錢少明.基于BP神經網絡的料筒溫度PID控制器[J].機電工程，2008，（5）.
[2] 曾璐.基于模糊變系數PID算法的注塑機料筒溫度控制[J].廣東輕工職業技術學院學報，2011，（3）.
