前言：中文期刊網精心挑選了神經網絡方法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。
神經網絡方法范文1
關鍵詞：神經網絡；數據挖掘；算法
1.數據挖掘過程及常用的神經網絡模型
1.1數據挖掘過程
數據挖掘是一個由諸多步驟共同組成的具有反復特性的迭代過程，其最主要的目的是從海量的數據當中，找出人們最感興趣的信息。大體上可將數據挖掘過程分為3個階段，即數據準備、模式提取以及結果的解釋與評估。
（1）第一個階段為準備所需的數據，具體可將這個階段細分為數據清洗、數據選取以及數據預處理和數據表示四個步驟。數據是數據挖掘過程中不可或缺的重要前提和基礎，但大量的實踐表明，只有數據是很難進行挖掘工作的，必須在對數據進行挖掘前，做一些相應的準確工作，這些工作也成為數據挖掘的重要環節。
（2）第二階段為模式提取。該階段是數據挖掘的核心環節，需要先明確數據挖掘的任務及目標，并在正式確定目標之后，選擇合適的算法或工具，開始對數據進行挖掘操作。在這個環節當中，算法是關鍵，即可選擇單一的算法，也可多種方法聯合使用，具體的選擇應視挖掘的任務而定。
（3）第三階段為解釋與評價。挖掘過程中發現的模式應當以最容易理解的形式呈現給用戶，其間要對發現的模式進行比較、校驗，看是否與用戶的要求相符，進而確定出挖掘效果。
1.2神經網絡模型
現階段，已知的人工神經網絡模型有40多種，較為常用的有以下幾種：
（1）BP神經網絡。BP是誤差反向傳播的簡稱，這種神經網絡歸屬于前饋網絡的范疇，其具有多層映射的特征，該網絡所采用的主要學習方式為最小均差，結構簡單、學習訓練算法成熟、工作狀態穩定是BP模型的3大特點，正因如此使得該模型獲得了非常廣泛的應用。由于BP算法對誤差函數有著一定的要求，即誤差函數必須可微，故此，為了有效克服局部極小的問題，多以全局優化算法為主，如遺傳算法等。
（2）RBF神經網絡。RBF是徑向基函數的簡稱，該網絡與BP網絡在歸屬的范疇上相同，也屬于前饋網絡。RBF網絡在激活函數方面有多種可選擇，最常用的是高斯函數，因為這種函數具有很多顯著的特點，如形式簡單、徑向對稱、容易解析等等。由于RBF網絡是一個多層前饋網絡，故此只要隱單元足夠多，便可達到任意給定精度，其在逼近目標時，采用的化整為零的思想，即將目標分解成為若干個局部對象。
（3）混合型神經網絡。這是―種將其它方法有機融合到―起構成的神經網絡模型，它與傳統網絡模型的拓撲結構相同，但學習機制卻有所不同。常用的混合型神經網絡有模糊和進化2種。
2.基于神經網絡的數據挖掘方法
2.1神經網絡在數據挖掘中的應用優勢
神經網絡是一門實用性較強的科學技術，其集多種現代技術于一身，有諸多并行分布的處理單元連接而成。從系統的角度上講，神經網絡歸屬于動態系統的范疇，具有自適應和非線性的特征，對噪聲數據有著非常強的容錯和承受能力。由于神經網絡所具有的這些特點，使得基于神經網絡構建的數據挖掘模型具備了與之相同的特點，這樣便可以適應數據環境的不同變化，由此進一步提升了數據挖掘模型的準確性?？梢?，神經網絡十分適用于數據挖掘領域。
2.2基于神經網絡的數據挖掘過程
由上文分析可知，在數據挖掘領域中，神經網絡具有較高的適用性，以此為基礎的數據挖掘過程分為以下幾個階段。
2.2.1數據的選擇及預處理階段
數據選擇的主要目的是為神經網絡的構建提供相應的數據支撐，這個過程可以細分為以下2個環節：（1）對數據進行訓練，（2）對數據進行測試。觀察和理解是選擇數據時必須做的工作，當樣本數據集確定之后，便可按照挖掘目標，并結合挖掘方法，對數據進行編碼處理。
2.2.2網絡訓練與剪枝
當數據選擇和處理工作完成之后，數據挖掘人員需要選用一個神經網絡模型，同時確定相應的網絡訓練算法，通過該算法對神經網絡進行訓練。剪枝的主要作用是以神經網絡的準確性為前提，去除掉沒有意義和價值的冗余結點由此會使網絡模式更加簡練，也更容易理解。
2.2.3規則的提取與評估階段
經過以上2個階段后，神經網絡當中便會蘊含著學習到的規則，也就是常說的知識，但是此時的規則由于存在形式的原因，不容易理解，所以需要對規則進行提取。提取規則的主要目的在于將規則的形式轉化為容易理解的形式，如模糊邏輯、決策樹等，然后再借助測試樣本對規則的可靠性進行測試、評估。
2.3基于RBF神經網絡的數據挖掘模型設計
下面本文以RBF神經網絡為依托，對數據挖掘模型進行設計，其整體框架結構如圖1所示。
整個系統由以下模塊構成：數據獲取、數據處理、數據分類與評估、控制與干預、GUI人機交互、知識庫。系統模塊的設計情況如下。
2.3.1數據準備
①數據選擇。在數據選擇中，讓用戶利用數據訪問接口對數據集進行自行選擇，進一步確定數據集類型、數據集名稱及數據集處所位置。數據訪問接口為對象模型，該模型覆蓋了數據訪問的各個層面，具體可使用的接口包括ADO，DAO和ODBC三種，本系統采用的數據庫訪問方案為DAO/ODBC，選擇該方案的主要原因是DAO既能夠與Microsoft Jet數據庫引擎并用，還可借助ODBC Direct選項不與其并用。同時，通過DA0對Jet進行訪問更加簡單、便捷，并且使用DATE控件和DAO，能夠創建出與數據庫本身無任何關聯性的虛擬代碼。②數據清理。該環節的主要目的是將不希望包括在內的觀測值篩選掉，操作過程既可借助SQn吾句實現，也可借助相關程序予以實現。③數據合成。該環節是將獨立的數據合成數據集，操作過程較為簡單，只要規則確定便可利用sQL語句或相關程序來實現。
2.3.2數據挖掘
（1）挖掘方法的選擇與管理。該環節在系統中具有重要的作用，與系統的可擴充性和最佳挖掘方法的選擇有關。挖掘方法管理可對系統中使用的全部方法所產生的接口信息進行保存，如對文本文件分詞方法、Web日志的Session戈0分方法等挖掘方法中產生的特定數據信息予以保存，粗糙集、決策樹屬于通用的挖掘方法。在對該模塊進行設計的過程中，針對分類預測問題，使用了聚類和神經網絡以及統計學等方法。選擇方法的主要目的是幾乎所有的方法都是數據依賴，并沒苻一種方法能夠在所有的數據上表現良好。因此在方法選擇的初始階段，通過專家的人為干預是有必要的。經過對前人的研究成果進行總結后發現，將多種不同的方法聯合運用可大幅度提升運用效果。對于本文構建的數據挖掘系統而言，其核心部分為數據挖掘模塊，該模塊的設計分為3個方面：①訓練模塊，以訓練RBF網絡為主，采用數學模型方法構建網絡分類模型；②預測模塊，在分類實際數據的基礎上，將分類產生的數據結果快速傳遞到評估模塊；③重構模塊，該模塊地能夠確保數據挖掘模型具有―定的可擴展性和自適應能力，按照具體需要對模型進行重新構建。（2）結果顯示。該環節以多種形式顯示數據挖掘結果，如列表、樹、圖等是最為常見的顯示方式。本文采用了可視化的方法進行數據挖掘結果顯示，這樣能夠使用戶對挖掘結果的了解更加直觀、具體。（3）結果評估。在評估中，采用數據挖掘評價方式，通過比較分析不同模型下產生的數據挖掘效果，從而得出各類型分析工具的最終結果，再配以相應的標準圖標進行直觀顯示，方便用戶利用相關數據信息開展定量評價。在結果評估中，強調獲取規則的價值評定，其評價關鍵點為查看數據挖掘結果與用戶期望的符合程度，并對挖掘結果的可靠性和價值性進行評價，將其作為知識庫是否納入規則的重要評判依據。在GUI交互界面上，數據挖掘系統與用戶可以進行交互操作。
2.4安全性保障措施
基于RBF神經網絡的數據挖掘系統在使用過程中，安全性非常重要，為此，本文提出幾點安全性保障措施，以此來確保數據挖掘的安全。
（1）采用登錄機制確保數據安全。所謂的登錄機制主要是針對客戶端的一種安全控制措施。由于用戶與服務器端需要通過網絡的方式進行數據傳輸，為了進一步提高數據傳輸的安全性，可對數據進行加密處理，并將用戶挖掘到的數據結果存儲在服務器上，由此在不同的計算機上使用客戶端均可對之前挖掘到的數據結果進行利用。
（2）設置權限?？梢酝ㄟ^用戶管理來完成用戶的注冊、登錄以及使用權限管理。當用戶需要使用數據挖掘系統進行數據挖掘時，要先進行賬號注冊，并在使用前通過注冊的賬號和密碼進行登錄，從而保證每個用戶的數據安全。此外，用戶管理能夠實現分級管理，賦予不同用戶不同的權限，這使安全性獲得了進一步提升。
神經網絡方法范文2
關鍵詞：卷積神經網絡；深度學習；圖像處理；訓練時間
中圖分類號：TP18 文獻標識碼：A 文章編號：1009-3044（2016）33-0167-04
如今在機器學習領域中，深度學習方法已經占據了相當重要的地位，通過模仿人X學習方式構造模型，在圖像、文本、語音處理方面取得了顯著成果[1]。目前應用較為廣泛的深度學習模型包含多層感知器模型（MLP）[2]，卷積神經網絡模型和限制性玻爾茲曼機模型等[4]。多層感知器[2]網絡結構的神經節點一般分層排列，主要由輸入層，輸出層和一些隱層組成，同層之間的神經元節點無連接，相鄰的兩層神經元進行全連接，前一層的神經元的輸出作為后一層神經元的輸入，但本身此種算法存在著一些問題，那就是它的學習速度非常慢，其中一個原因就是由于層與層之間進行全連接，所以它所需要訓練的參數的規模是非常大的，所以對其進行改進，產生了卷積神經網絡模型。卷積神經網絡模型在圖像識別方面的應用十分廣泛[5，8，9]。從它的結構上來看，層與層之間的神經元節點采用局部連接模式，而并非MLP的全連接模型，這樣就降低了需要訓練的參數的規模。而在它卷積層中，它的每一個濾波器作為卷積核重復作用于整個輸入圖像中，對其進行卷積，而得出的結果作為輸入圖像的特征圖[6]，這樣就提取出了圖像的局部特征。而由于每一個卷積濾波器共享相同的參數，這樣也就大大降低了訓練參數的時間成本。而本文，以卷積神經網絡為研究對象，在其模型的基礎上通過對其結構中卷積核也就是濾波器的大小進行調整并結合卷積核個數調整和gpu加速等已有的訓練提速方法，達到降低訓練時間并且對識別結果并無太大影響的目的。
1 卷積神經網絡
卷積神經網絡在MLP的基礎上，已經對結構進行了優化，通過層與層之間的局部連接以及權值共享等方式對要訓練的參數的進行了大幅減低。
1.1局部連接
BP神經網絡中，神經元在本層中呈線性排列狀態，層與層之間進行全連接，而在卷積神經網絡中，為了減少每層之間的可訓練參數數量，對連接方式進行了修改，相對于BP神經網絡的全連接，卷積神經網絡采取了局部連接的連接方式[7]，也就是說按照某種關聯因素，本層的神經元只會與上層的部分神經元進行連接。
2.2 權值共享
在CNN中，卷積層中的卷積核也就是濾波器，重復作用在輸入圖像上，對其進行卷積，最后的輸出作為他的特征圖，由于每個濾波器共享相同的參數，所以說他們的權重矩陣以及偏置項是相同的。
我們從上圖看出，相同箭頭連線的權值是共享的，這樣在原有的局部連接的基礎上我們又降低了每層需要訓練的參數的數量。
2.3卷積過程
特征圖是通過濾波器按照特定的步長，對輸入圖像進行濾波，也就是說我們用一個線性的卷積核對輸入圖像進行卷積然后附加一個偏置項，最后對神經元進行激活。如果我們設第k層的特征圖記為[hk]，權重矩陣記為[Wk]，偏置項記為[bk]，那么卷積過程的公式如下所示（雙曲函數tanh作為神經元的激活函數）：
2.4 最大池采樣
通過了局部連接與權值共享等減少連接參數的方式卷積神經網絡中還有另外一個重要的概念那就是最大池采樣方法，它是一種非線性的采樣方法。最大池采樣法在對減少訓練參數數量的作用體現在兩個方面：
1 ）它減小了來自m-1層的計算復雜度。
2 ）池化的單元具有平移不變性，所以即使圖像在濾波后有小的位移，經過池化的特征依然會保持不變。
3卷積神經網絡整體構造以及減少訓練時間的方法
3.1使用GPU加速
本次論文實驗中，使用了theano庫在python環境下實現卷積神經網絡模型，在lenet手寫數字識別模型上進行改進，由于theano庫本身支持GPU加速，所以在訓練速度上實現了大幅度的提高。
3.2 數據集的預處理
本次實驗使用的兩個數據集是mnist手寫數字庫以及cifar_10庫
Mnist手寫數字庫具有60000張訓練集以及10000張測試集，圖片的像素都為28*28，而cifar_10庫是一個用于普適物體識別的數據集，它由60000張32*32像素的RGB彩色圖片構成，50000張圖片組成訓練集，10000張組成測試集。而對于cifar_10數據集來說，由于圖片都是RGB的，所以我們在進行實驗的時候，先把其轉換為灰度圖在進行存儲。由于實驗是在python環境下運行，theano函數庫進行算法支持，所以我們把數據集進行處理，此處我們對使用的數據集進行了格式化。格式化的文件包括三個list，分別是訓練數據，驗證數據和測試數據。而list中每個元素都是由圖像本身和它的相對應的標簽組成的。以mnist數據集為例，我們包含train_set，valid_set，test_set三個list，每個list中包含兩個元素，以訓練集為例，第一個元素為一個784*60000的二維矩陣，第二個元素為一個包含60000個元素的列向量，第一個元素的每一行代表一張圖片的每個像素，一共60000行，第二個元素就存儲了對相應的標簽。而我們取訓練樣本的10%作為驗證樣本，進行相同的格式化，而測試樣本為沒有經過訓練的10000張圖片。在以cifar_10數據集為實驗對象時，把其進行灰度化后，進行相同的格式化處理方式。
3.3實驗模型結構
本次實驗是在python環境下基于theano函數庫搭建好的lenet模型進行參數的調整，以達到在實驗準確度可接受情況下減少訓練時間的目的。
上圖為實驗中的基礎模型舉例說明實驗過程，首先以mnist數據集為例，我們的輸入圖像為一個28*28像素的手寫數字圖像，在第一層中我們進行了卷積處理，四個濾波器在s1層中我們得到了四張特征圖。在這里要特別的說明一下濾波器的大小問題，濾波器的大小可根據圖像像素大小和卷積神經網絡整體結構進行設置，舉例說明，假如說我們的輸入圖像為28*28像素的圖像，我們把第一層卷積層濾波器大小設置為5*5，也就是說我們用一個大小為5*5的局部滑動窗，以步長為一對整張圖像進行滑動濾波，則滑動窗會有24個不同的位置，也就是說經過卷積處理后的C1層特征圖的大小為24*24。此處的濾波器大小可進行調整，本論文希望通過對濾波器大小的調整，已達到減少訓練時間的目的，并尋找調整的理論依據。C1層的特征圖個數與卷積過程中濾波器數量相同。S1層是C1經過降采樣處理后得到的，也就是說四點經過降采樣后變為一個點，我們使用的是最大池方法，所以取這四個點的最大值，也就是說S1層圖像大小為12*12像素，具有4張特征圖。而同理S1層經過卷積處理得到C2層，此時我們濾波器的大小和個數也可以自行設置，得到的C2層有6張特征圖，C2到S2層進行降采樣處理，最后面的層由于節點個數較少，我們就用MLP方法進行全連接。
3.4實驗參數改進分析
由此可見，我們對濾波器的大小以及個數的改變，可以直接影響到卷積訓練參數的個數，從而達到減少訓練時間的目的。
從另一種角度來看，增大濾波器的大小，實際效果應該相似于縮小輸入圖像的像素大小，所以這樣我們可以預測增大濾波器的大小會減少樣本的訓練時間，但是這樣也可能會降低訓練后的分類的準確率，而濾波器的大小是如何影響訓練時間以及分類準確率的，我們通過對兩種圖片庫的實驗來進行分析。
4 實驗結果與分析
4.1以mnist手寫數字數據集作為實驗數據
我們知道卷積層可訓練參數的數字與濾波器的大小和數字有關，所以我們通過對卷積層濾波器大小的變化來尋找較為普遍的可減少訓練參數從而達到減少訓練時間的目的。在實驗記錄中，我們表格縱列記錄兩層卷積層濾波器大小，橫列分別為對已經過訓練圖像識別和對未經過訓練的驗證圖像進行識別的錯誤率，最后記錄每種濾波器大小搭配的使用時間。我們設定每次試驗都進行100次重復訓練，每次對權重矩陣進行優化。
此處我們記錄兩層濾波器大小之和作為橫坐標，比較濾波器大小與實驗之間的關系。兩層濾波器大小相加后相同的元素我們把其對應時間做平均。
4.2以cifar_10數據集作為實驗數據
同樣是以100次循環訓練進行測試，通過改變兩層中濾波器的大小來尋找減少訓練時間的設定。
此處以同樣的方法，記錄兩層濾波器大小之和作為橫坐標，比較濾波器大小與實驗之間的關系。
4.3實驗結果分析
從兩組試驗中，在不同的數據集下，我們得到了濾波器的大小與訓練時間成反比的關系，而在減少了訓練時間的同時確實增大了訓練的錯誤率。
5 總結
通過實驗結果分析表明，增大卷積層濾波器大小的方法，在此兩種數據庫的情況下，是有效減小訓練時間的方式，而在不同的數據庫對分類準確率的影響程度不同，mnist手寫數字數據庫中圖像之間的相似度非常高，所以濾波器的增大對準確率產生的負面影響較小，而ifar_10數據集中圖像之間的相似度較小，所以增大濾波器的大小對其分類結果的準確率的負面影響較大。
參考文獻：
[1]LeCun Y， Bengio Y， Hinton G. Deep learning[J]. Nature， 2015， 521（7553）： 436-444.
[2] Ruck D W， Rogers S K， Kabrisky M. Feature selection using a multilayer perceptron[J]. ]Journal of Neural Network Computing， 1990， 2（2）： 40-48.
[3]LeCun Y， Bengio Y. Convolutional networks for images， speech， and time series[J]. The handbook of brain theory and neural networks， 1995， 3361（10）： 1995.
[4] Larochelle H， Bengio Y. Classification using discriminative restricted Boltzmann machines[C]//Proceedings of the 25th international conference on Machine learning. ACM， 2008： 536-543.
[5]Krizhevsky A， Sutskever I， Hinton G E. Imagenet classification with deep convolutional neural networks[C]//Advances in neural information processing systems. 2012： 1097-1105.
[6] Zeiler M D， Fergus R. Visualizing and understanding convolutional networks[C]//European Conference on Computer Vision. Springer International Publishing， 2014： 818-833.
[7] Jarrett K， Kavukcuoglu K， Lecun Y. What is the best multi-stage architecture for object recognition？[C]//2009 IEEE 12th International Conference on Computer Vision. IEEE， 2009： 2146-2153.
神經網絡方法范文3
關鍵詞：雷達干擾效能評估；RBF神經網絡；BP神經網絡；隸屬度函數
DOIDOI：10.11907/rjdk.151190
中圖分類號：TP301
文獻標識碼：A 文章編號：16727800（2015）006005103
基金項目基金項目：
作者簡介作者簡介：員志超（1980-），男，山東泰安人，碩士，山東科技職業學院信息工程系講師，研究方向為智能識別、數據庫技術、圖像處理。
0 引言
雷達干擾機的干擾能力在現代戰爭中越來越重要，如何評估干擾機的綜合干擾效能成為一項重要課題。雷達干擾效能與雷達、干擾機的工作參數、空間電磁環境及戰場環境等因素關系密切，如何有效利用錯綜復雜的影響因素對雷達干擾效能進行準確評估，一直是電子對抗領域的難點問題。
針對干擾效能評估問題，國內外專家學者提出了諸多行之有效的方法，比如模糊多屬性決策法[1]、灰色關聯法和層次分析法、計算實驗方法[2]等。以上方法都需要相關評價專家對所評估問題的各層權重進行賦值，這就使得評估或多或少受到主觀因素影響。雷達干擾效能評估是諸多因素共同影響的非線性系統，而神經網絡算法作為一種新型的人工智能算法，能夠逼近任意復雜的非線性系統，具有較好的學習能力、容錯能力和穩定性[3]，所以神經網絡算法越來越多地用于雷達干擾效能評估[4]。
本文探討了一種基于 RBF 神經網絡的干擾評估方法：首先建立雷達干擾效能評估指標體系， 然后根據該指標體系建立用于效能評估的RBF 網絡， 并選定足夠的樣本訓練所構造的RBF神經網絡， 通過動態的自適應調整， 直到滿足誤差要求，使該網絡成為干擾效能評估的有力工具[5]。
1 RBF神經網絡基本原理
C.Darken和J.Moddy早在20世紀80年代就提出了RBF神經網絡（徑向基網絡），它具有單隱層的三層前饋網絡，能夠以任意精度逼近任意連續函數。
1.1 RBF神經網絡基本思想
RBF神經網絡的基本思想是：用RBF作為隱單元的“基”構成隱含層空間，這樣就可以將輸入直接映射到隱空間。當RBF的中心點確定以后，也就確定了這種映射關系。由于網絡的輸出是隱單元輸出的線性加權，因而輸出空間與隱含層空間的映射是線性的，通過線性方程對網絡權值進行求解，從而得到目標函數的最優解。
RBF作為一種前向神經網絡，它是以函數局部逼近理論為基礎的，具有針對復雜系統的映射能力和最佳逼近能力，且不存在局部最優解問題，因而在諸多領域獲得了廣泛應用。
1.2 RBF神經網絡基本結構
RBF神經網絡由輸入層、隱含層、輸出層構成，圖1所示為m-j-n結構的RBF網絡，該網絡有m個輸入，j個隱節點，n個輸出。
2 干擾效能評估模型
2.1 評估指標體系
雷達系統是由多個雷達發射站和接收站組成的雷達網，而干擾系統通常由多部干擾站和多種干擾樣式構成綜合干擾系統，各雷達站的不同工作狀態和干擾站的不同干擾策略都將影響最終的干擾效能。單一的干擾評估指標很難對整個動態的干擾過程進行綜合評估，因而必須選取多個干擾效能評估指標構成評估指標體系，才能對雷達干擾效果進行綜合評估。
影響干擾效能評估的因素主要分為以下幾類：①干擾功率；②干擾頻率；③干擾樣式；④干擾時機，如噪聲壓制、假目標欺騙等；⑤雷達的工作體制和狀態，如相控陣雷達的搜索狀態、跟蹤狀態等；⑥雷達的抗干擾措施，如低截獲概率（LPI）波形、旁瓣匿影、參數捷變等。通過對諸多因素的綜合分析，這里選取干擾功率、干擾頻率、干擾樣式、干擾時機4個指標構成評估指標體系[6]，對雷達干擾效能進行綜合評估。
2.2 指標體系隸屬度函數
干擾效能的好壞程度是通過對雷達干擾效能評估指標的量化描述得到的，這里采用[0，1]區間的實數值對干擾效能進行量化分析，表達式為：
式（3）中x值表示干擾效能評價的好壞程度。對于本文選取干擾功率、干擾頻率、干擾樣式、干擾時機4個指標進行量化時，通常建立各個指標的隸屬度函數對x進行計算。通過對各個指標的綜合分析，確定4個指標的隸屬度函數。
（1）干擾頻率隸屬度函數確定。干擾機的干擾頻帶是否能夠覆蓋雷達的工作頻帶，是決定干擾機對雷達能否進行干擾的重要因素。因此，要定義干擾頻率瞄準程度函數來評價干擾機對雷達在頻率上的干擾效果。
（4）干擾樣式隸屬度函數。
雷達的技術體制決定了干擾機對雷達干擾樣式的選擇，同一臺干擾機對雷達實施不同的干擾樣式會產生不同的干擾效果。將干擾樣式和雷達技術體制的映射確定成干擾樣式隸屬度函數，一般通過專家評審的方法來確定雷達的隸屬度準確值。
2.3 RBF神經網絡結構
傳統的網絡結構是使隱含層單元數與輸入向量的元素相等，當輸入矢量過多時，會導致RBF網絡的訓練和學習速度過慢。為解決此問題，我們對RBF網絡結構進行了改進?；靖倪M原理是將神經元的初始個數設為0，通過網絡學習、訓練檢查輸出誤差，使網絡自動增加神經元。每次訓練迭代，是將RBF產生的最大誤差所對應的輸入向量作為權值向量，增加一個新的隱含層神經元，然后檢查新網絡的誤差，循環此過程直到滿足誤差要求或達到最大隱含層神經元數為止。比較可知，改進的RBF網絡具有輸出與初始權值無關、結構自適應確定等優點。
2.4 學習樣本構造
構造用來訓練神經網絡的學習樣本直接關系到評估結果的可信度。為了反映雷達干擾的真實效果，使評估結果符合實際，本文通過以下3種方法來構造網絡學習和訓練的原始樣本。
（1）若4個指標隸屬度的值都在[0.9，1]區間內，則雷達干擾效能評估為優；若值都在[0.8，0.9]區間內，則雷達干擾效能評估為良；若值都在[0.6，0.8]區間內，則雷達干擾效能評估為中等；若值都在[0.5，0.6]區間內，則雷達干擾效能評估為差；若值都小于0.5，則干擾效果評估為很差。若4個隸屬度值中任何一個小于0.2，雷達干擾效能評估都為很差。
（2）利用典型試驗數據作為RBF網絡輸入樣本對網絡進行訓練，使得通過網絡學習后的雷達干擾效能評估結果逼近真實值。
（3）根據專家系統和統計數據對樣本進行綜合分析，驗證樣本的合理性。
3 仿真實例
對上述RBF神經網絡算法和BP神經網絡算法進行仿真實驗。利用Matlab編程實現基于RBF神經網絡算法和BP神經網絡算法的兩種評估方法，然后輸入樣本數據進行訓練，用以構造并調整網絡結構以及網絡參數，通過測試樣本進行測試評估。兩種方法的仿真測試結果如圖3、圖4所示。
由圖3和圖4可以看出，兩種神經網絡算法的預測輸出都接近期望輸出， 表明兩種神經網絡算法都具備了干擾效能評估與預測能力，但相對于BP神經網絡算法，RBF神經網絡算法吻合效果、干擾效能的預測精度更好。
為了比較兩種網絡輸出性能的穩定性，我們進行多次仿真實驗，實驗表明，對于同一組測試樣本，RBF網絡測試樣本輸出是固定的，而BP網絡每次輸出都是波動的，甚至給出了不同的評價結果，造成干擾效能評估的誤判。表1是針對相同測試樣本的500次蒙特卡洛實驗。
通過表1分析可知，在應用RBF網絡對10個測試樣本進行仿真時，正確評估的概率都為100%，取得了很好的評估效果。而BP網絡的測試樣本輸出出現了很大波動，在有些樣本點取得較好的評估效果，有些樣本點出現較多的錯誤評估，導致整體評估效果不是很理想。這主要是因為BP網絡隱含層節點數很難確定，從而難以得到最優的網絡結構，同時由于網絡的初始權值和閾值是隨機獲取的，通常使得網絡陷入局部尋優。
由于RBF網絡能夠依據誤差要求自適應調整網絡結構，所得到的網絡結構通常是最優的，而且具有訓練速度快、與網絡的初始權值無關以及較強的泛化能力等優點，從而克服了BP神經網絡的不足，因此RBF網絡比BP網絡評估效果更好。
4 結語
雷達干擾效能評估受諸多因素共同影響。本文將RBF神經網絡應用在干擾效果評估模型中，通過選取干擾效能評估指標體系建立指標隸屬度函數，利用專家經驗和統計數字的綜合分析，構建該神經網絡的訓練樣本， 然后對樣本進行學習訓練，使得通過網絡學習后的雷達干擾效能評估結果滿足精度要求。仿真效果表明，RBF神經網絡比BP神經網絡具有更好的評估效果。訓練好的RBF神經網絡可“離線”運行，不再依靠專家系統，消除了評估中人為因素的影響，具有較高的應用價值。
當然，本方法在利用RBF神經網絡解決干擾效能評估時，怎樣使用專家系統更加合理構造學習樣本等問題，還需要深入研究及改進。
參考文獻：
[1]莊瑾，張善文.防空作戰系統效能的模糊綜合評判研究[J].電光與控制，2005，12（4）：4446.
[2]王飛躍.計算實驗方法與復雜系統行為分析和決策評估[J].系統仿真學報，2004，6（5）：893897.
[3]閻平凡， 張長水.人工神經網絡與模擬進化計算[M].北京： 清華大學出版社， 2001.
[4]高彬，郭慶豐. BP神經網絡在電子戰效能評估中的應用[J].電光與控制， 2002（1）：6971.
神經網絡方法范文4
【關鍵詞】 圖像識別技術 神經網絡識別
模式識別研究的目的是用機器來模擬人的各種識別能力―比如說模擬人的視覺與聽覺能力，因此圖像識別的目的是對文字、圖像、圖片、景物等模式信息加以處理和識別，以解決計算機與外部環境直接通信這一問題。可以說，圖像識別的研究目標是為機器配置視覺“器官”，讓機器具有視覺能力，以便直接接受外界的各種視覺信息。
一、圖像識別系統
一個圖像識別系統可分為四個主要部分：被識圖像、圖像信息獲取、圖像預處理、圖像特征提取、分類判決。
二、圖像識別方法
圖像識別的方法很多，可概括為統計（或決策理論）模式識別方法、句法（或結構）模式識別方法、模糊模式識別方法以及神經網絡識別方法。重點介紹神經網絡識別方法。
2.1神經網絡識別方法
2.1.1人工神經網絡的組成
人工神經網絡（簡稱ANN）是由大量處理單元經廣泛互連而組成的人工網絡，用來模擬腦神經系統的結構和功能。而這些處理單元我們把它稱作人工神經元。
2.1.2人工神經網絡的輸出
2.1.3人工神經網絡的結構
人工神經網絡中，各神經元的不同連接方式就構成了網絡的不同連接模型。常見的連接模型有：前向網絡、從輸入層到輸出層有反饋的網絡、層內有互聯的網絡及互聯網絡。
2.1.4 學習算法
1）感知器模型及其算法
算法思想：首先把連接權和閾值初始化為較小的非零隨機數，然后把有n個連接權值的輸入送入網絡中，經加權運算處理后，得到一個輸出，如果輸出與所期望的有較大的差別，就對連接權值參數按照某種算法進行自動調整，經過多次反復，直到所得到的輸出與所期望的輸出間的差別滿足要求為止。
2）反向傳播模型及其算法
反向傳播模型也稱B-P模型，是一種用于前向多層的反向傳播學習算法。
算法思想是：B-P算法的學習目的是對網絡的連接權值進行調整，使得調整后的網絡對任一輸入都能得到所期望的輸出。學習過程包括正向傳播和反向傳播。正向傳播用于對前向網絡進行計算，即對某一輸入信息，經過網絡計算后求出它的輸出結果；反向傳播用于逐層傳遞誤差，修改神經元之間的連接權值，使網絡最終得到的輸出能夠達到期望的誤差要求。
B-P算法的學習過程如下：
第一步：選擇一組訓練樣例，每一個樣例由輸入信息和期望的輸出結果兩部分組成；第二步：從訓練樣例集中取出一樣例，把輸入信息輸入到網絡中；第三步：分別計算經神經元處理后的各層節點的輸出；第四步：計算網絡的實際輸出和期望輸出的誤差；第五步：從輸出層反向計算到第一個隱層，并按照某種原則（能使誤差向減小方向發展），調整網絡中各神經元的權值；第六步：對訓練樣例集中的每一個樣例重復一到五的步驟，直到誤差達到要求時為止。
3）Hopfield模型及其學習算法
它是一種反饋型的神經網絡，在反饋網絡中，網絡的輸出要反復地作為輸入再送入網絡中，使得網絡具有了動態性，因此網絡的狀態在不斷的改變之中。
算法思想是：
（a） 設置互連權值
其中xis是s類樣例的第i個分量，它可以為1或0，樣例類別數為m，節點數為n。
（b） 未知類別樣本初始化。 Yi（0）=Xi 0≤i≤n-1
其中Yi（t）為節點I在t時刻的輸出，當t=0時，Yi（0）就是節點I的初始值，Xi為輸入樣本的第I個分量。
（c） 迭代直到收斂
神經網絡方法范文5
論文關鍵詞：內燃機 人工神經網絡 輔助方法
論文摘要：針對汽車發動機設計和性能評測當中有關參數計算的特點，提出應用人工神經網絡方法進行輔助計算，以提高數據計算的結構化程度和處理速度。通過對具體數據的實際操作表明，應用本方法能夠很好地表達原圖表數據關系，所得結果的精度能夠滿足計算要求。
汽車發動機的性能包括動力性、經濟性、生態特性——排放與噪聲、可靠性及耐久性等多個方面，這些參數要通過在一定條件下的測試計算來獲得。當發動機在非標準環境下運轉時，其相關計算要通過參數進行修正，比如發動機的有效功率和燃油消耗率的計算。當發動機在非標準環境下運轉時，其有效功率及燃油消耗率應修正到標準環境狀況，當然也可由標準環境狀況修正到現場環境狀況，其中的有效功率和燃油消耗率修正系數在GB1105..1-87中以圖表的形式給出，使用很不方便，本文應用人工神經網絡對此圖表信息進行處理，提高了數據計算的結構化程度和處理速度，取得了滿意的效果。
1.神經網絡的識別原理
在神經網絡系統中，其知識是以大量神經元的互連和各連接的權值來表示的.神經網絡映射辯識方法主要通過大量的樣本進行訓練，經過網絡內部自適應算法不斷調整其權值，以達到目的.狀態識別器就隱含在網絡中，具體就在互連形式與權值上.在網絡的使用過程中，對于特定的輸入模式，神經網絡通過前向計算，產生一輸出模式，通過對輸出信號的比較和分析可以得出特定解。目前神經網絡有近40多種類型，其中BP(Back Propagation，即反向傳播)網絡是最常用和比較重要的網絡之一，本文就應用一種改進型的BP網絡進行相應數據圖表的識別映射。
BP網絡由輸入結點、輸出層結點和隱層結點構成，相連層用全互連結構.神經網絡的工作過程主要有兩個階段：一個是學習期，通過樣本學習修改各權值，達到一穩定狀態；一個是工作期，權值不變，計算網絡輸出。
B
P網絡的學習過程由正向傳播和反向傳播兩部分組成。在正向傳播過程中，輸入信息從輸入層經隱層單元逐層處理，并傳向輸出層，每一層神經元的狀態只影響下一層神經元的狀態。如果在輸出層不能得到期望的輸出，則轉入反向傳播，將誤差信號沿原來的路徑返回，通過修改各層神經元的權值，使得誤差信號最小。
當給定一輸入模式X=(x1，x2，….，xm)和希望輸出模式Y=(y1，y2，…..，yn)時，網絡的實際輸出和輸出誤差可用下列公式求出：
隱含層輸出：
式中——輸入層至隱含層，隱含層至輸出層的連接權；
——隱含層結點、輸出層結點的閥值；
m、h、n——輸入層、隱含層、輸出層結點數；
f—— s型函數，f(x)=(1+e-x)-1.
如果誤差太大不能滿足要求，則需要用下列公式修正各連接權和閥值
為網絡提供一組特定的訓練模式，隨機產生初始連接權和閥值，不斷幣復上述計算過程，直到網絡全局誤差小于給定的極小值為止.
由于BP網絡的高識別能力，應用中采用了此結構形式.同時為提高其識別效果，加快網絡的訓練速度，縮短工作周期，應用了附加動量項和自適應速率的改進算法.
附加動量項法使網絡在修正其權值時，不僅考慮誤差在梯度上的作用，而且考慮在誤差曲面上變化趨勢的影響，其作用如同一個低通濾波器，允許網絡上的微小變化特性，使網絡陷入局部極小值的可能性大大減少。自適應速率是通過改變學習率，提高BP算法的有效性和收斂性，縮短訓練時間.
2具體應用
根據以上理論，采用改進的BP神經網絡形式，動量因子取0.9，對有效功率校正系數和燃油消耗率校正系數與指示功率比和機械效率的關系同時進行識別，采用雙輸入雙輸出的2-10-2結構、2-15-2結構、2-20-2結構進行訓練，識別情況分別如表3-5所示。
轉貼于
從實際的應用效果來看，2-15-2和2-20-2的逼近能力相似，2-15-2的速度快于2-20-2結構，而2-20-2結構的識別能力要遠低于前兩種結構，采用更少的隱層結點數就會使訓練的時間過長，甚至使訓練過程無法進行.因此最后選擇2-15-2的BP網絡結構作為最終的神經網絡形式。如圖1所示為訓練次數與誤差平方和之間的關系曲線，表4為部分網絡輸出與實際數值的比較.
通過以上計算分析可見，神經網絡的映射輸出能力是相當強的，通過合理的網絡結構選擇和具體的參數應用，完全可以滿足優化設計的計算要求，大大縮短優化當中的計算迭代時間，提高計算效率。
3結論
（1）人工神經網絡有很強的數據映射能力，能夠很好地識別所給數據之間的對應關系，映射的精度可以滿足一般設計計算要求.
（2）對于包含無規律圖表數據的有關計算問題，應用神經網絡是一個很好的加快運算速度的解決方法.
（3）在數據的映射識別當中，網絡的結構形式和參數選擇對于問題的求解精度和速度都是致關重要的’同時應當注意數據的過度訓練問題.
（4）智能算法的應用為具體的工程計算提供了更方便、有效的手段，尋找有效的計算方法，以及多種算法的混合應用將是擺在設計人員的一個課題.
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]焦李成.神經網絡的應用與實現[M].西安:西安電子科技大學出版社，1993.
[3]王文成.神經網絡及其在汽車工程中的應用[M].北京:北京理工大學出版社，1998.
[4]張成寶，丁玉蘭，雷雨成.人工神經網絡在汽車變速器齒輪故障診斷中的應用[J].汽車工程，1999，21(6) 374-378.
[5]Watanahle Y， Sharp H S. Neural network learning control of automotive aotic-e suspension systems.lnternational，lournal of Vehicle Design[J]，1999，21(2/3):124一147.
神經網絡方法范文6
關鍵詞： 地基微波輻射計； BP神經網絡； 大氣中水汽含量反演； 云中液態水含量反演
中圖分類號： TN926?34； P407 文獻標識碼： A 文章編號： 1004?373X（2016）14?0009?03
Water vapor/ liquid content inversion method based on neural network
WANG Xu1， NIU Haibin1， YANG Guiling2
（1. College of Physics and Electronic Engineering， Henan Normal University， Xinxiang 453007， China；
2. Communication Engineering Department， China Research Institute of Radio wave Propagation， Xinxiang 453003， China）
Abstract： The brightness temperature received by ground?based microwave radiometer has no perfect linear relationship with the atmospheric water vapor and cloud liquid water contents for describing weather and climate. The nonlinear problem can be solved with the neural network algorithm. The historical radiosonde data of Zhengzhou district is used to simulate 24 GHz and 35 GHz dual channel brightness temperature， ground temperature， barometric pressure and relative humidity to constitute the input vector. The atmospheric water vapor and the cloud liquid water contents calculated with same radiosonde data are taken as the output vector to train the BP neural network， and then the validation sample is input into the trained network to carry out simulation. The comparison and detection results show that it has a good correlation with the atmospheric water vapor and cloud liquid water total contents calculated as the true values. The correlation coefficients are 0.953 82 and 0.934 75. The validity of the method was testified.
Keywords： ground?based microwave radiometer； BP neural network； inversion of water vapor content in air； inversion of liquid water content in cloud
近年來，我國多發的災害性天氣給工農業生產和國民經濟的發展帶來了巨大損失，必須不斷加強現代化的氣象探測手段，提高天氣氣候預報準確性，增強人工影響天氣能力[1]。目前，雙通道地基微波輻射計測量大氣中水汽含量和液態水總量的反演方法，大都運用統計回歸，需要隨地區、時間的不同而分別進行[2?3]。朱元竟等人在河北省使用北京大學研制的雙頻共天線微波輻射計參加人工增雨作業中，反演大氣中水汽含量和云中液態水含量時采用了統計回歸的方法，在建立統計關系時，引入二次項和交叉項[4]。賀宏兵等人采用線性統計回歸的方法，分春夏秋冬四季針對南京地區反演了水汽總量和云水總量[5]。
與統計回歸方法相比，神經網絡方法無需建模和復雜的計算就可以很好地求解非線性問題；而本文通過BP神經網絡反演方法，利用探空資料對鄭州夏季大氣中水汽總量和云中液態水總量進行神經網絡訓練，并對訓練好的網絡的反演能力進行數值核驗，分析了反演精度。
1 理論基礎
微波一般指波長范圍為1 mm～30 cm的電磁波。垂直遙感水汽總量時，一般選擇大氣吸收主要依賴于水汽、但又比較透明的微波波段，即通道中心頻率應偏離吸收線中心（22.235 GHz）以便大氣輻射亮溫主要由水汽總量決定，與水汽垂直分布關系不大。于是本文選擇了24 GHz和35 GHz的頻率來遙感大氣水汽總量和云中液態水總量[6]。
1.1 地基微波遙感基本方程
在20～60 GHz微波波段，由于微波輻射的波長較長，忽略水汽、云和干燥空氣的散射，并采用瑞利?金斯近似，可以得到地基微波輻射計遙感方程：
[Tbf=Tcexp-0aazsecθdz+ 0∞Tzazsecθexp0aazsecθdzdz] （1）
式中：[Tbf]表示地面輻射計接收到的亮度溫度；[f]是頻率；[Tz]表示大氣溫度的垂直分布；z是高度；[θ]是地基輻射計天線指向天頂角（本文中取0°，天線垂直對著天空）；[Tc]是宇宙太空的亮度溫度，一般取2.9 K；[az]為吸收系數是水汽分子的吸收系數、氧氣分子的吸收系數和液態水的吸收系數之和。
1.2 計算方法
用V和L兩個物理量分別表示大氣中水汽總量和云中液態水總量，計算方法如下：
[V=0∞ρH2Odz] （2）
式中：V為大氣中水汽總量單位為cm；[ρH2O]為大氣中水汽密度。
[L=Z1Z2ρldz] （3）
式中：L為云中液態水總量單位是cm；[ρlz]為云中水密度；[z1]和[z2]分別為云底和云頂的高度。本文計算了從地面到8 000 m高空的大氣中水汽總量和云中液態水總量。
2 神經網絡反演方法
神經網絡反演算法在理論上可以逼近任意復雜的非線性關系，而不依賴于物理正向模型。人工神經網絡最精華的模型是BP網絡（Back propagation Neural Network），其應用最為廣泛 [7?8]。本文使用Matlab神經網絡工具箱，利用BP神經網絡算法反演大氣中水汽總量和云中液態水總量與探空資料計算出來的大氣中水汽總量和云中液態水總量作為真值做對比分析。
2.1 BP神經網絡的設計
選取鄭州市2009―2014年5年七月份每天北京時間早晨8：00和晚間20：00各一次的8 000 m以下探空資料，對每一份探空資料采用相對濕度閾值方法來判斷是否有云并得到云層厚度，然后根據本地區云中含水量的觀測資料把云中含水量按文獻[9]做法，以相對濕度[≥85%]作為判斷有云；當相對濕度[95%]時，取值為0.5 g/m3，而相對濕度在[85%]和[95%]之間時，云液態水濃度的取值滿足線性關系。經過對探空資料的分析得到樣本數為84組，然后利用式（1）進行模擬計算出兩個通道的亮溫。計算得到的兩個通道的亮溫、地面的溫度、地面氣壓和地面相對濕度構成輸入樣本。采用的雙通道地基微波輻射計有5個BP網絡輸入節點。
三層的BP網絡中間一層是隱含層，目前沒有一套完善的理論方法來確定網絡的隱含層節點，通常采用經驗公式確定隱含層節點數，如下：
[M=L+N+a] （4）
式中：L和N分別為輸入層和輸出層的神經元個數，[a]是[0，10]之間的常數[10]。本文經過多次測試，根據訓練時間和反演結果確定隱含節點數是10個。
輸出樣本構造，根據本文實際需要由0[～]8 000 m大氣中水汽總量和云中液態水總量分別構成輸出樣本，所以輸出節點數為2個。BP神經網絡反演精度除了與網絡的結構有關外，還受網絡所采用的轉移函數影響。本文采用函數feedforwardnet建立網絡，第一層采用LM（Levenberg?Marquardt）算法的變梯度反向傳播算法，選取轉移函數trainlm。trainlm函數一般自動將輸入輸出樣本數據分為3部分：70%作為訓練樣本，15%作為確認樣本，15%作為測試樣本。第二層選取線性轉移函數purelin。圖1中，IW{1，1}為輸入層到隱層的權重值；LW{2，1}為隱層到輸出層的權重值；b{1}，b{2}分別為兩層的偏置值。
神經網絡方法的反演步驟為：
（1） 利用歷史探空資料，利用式（1）～式（3）分別計算出雙通道的輻射亮溫值、大氣中水汽總量和云中液態水總量。
（2） 創建一個三層BP神經網絡，利用雙通道的模擬計算出來的雙通的輻射亮溫和同一時段的地面的溫度、地面氣壓和地面相對濕度作為輸入層，與之對應計算出來大氣中水汽總量和云中液態水總量作為輸出層，訓練網絡，得到參數固定的網絡。
（3） 利用已經得到的網絡，將沒有參加訓練的雙通輻射亮溫值作為網絡的輸入，計算得到的輸出向量就是要反演的大氣中水汽總量和云中液態水總量。
2.2 誤差評估方法
假設檢驗樣本為n，作為真值的探空測量值記為[Vi；]BP網絡反演值記為[Ui，]這里i表示第i個樣本，則反演值對真值的平均絕對誤差（MAE）和標準偏差（SD）分別表示為：
平均絕對誤差和標準偏差數值越小，說明反演結果的精度越高，離散程度越小。
3 仿真結果及分析
本文使用的是Matlab工具箱里的BP網絡，該算法使用廣泛且成熟。將計算得到的雙通道亮溫、地面的溫度、地面氣壓和地面相對濕度5個節點作為輸入，對應不同的網絡，大氣中水汽總量和云中液態水總量2個節點作為輸出。神經網絡的輸入和輸出之間構成了一個復雜的非線性關系，通過訓練確定它們的對應關系；一旦BP網絡訓練完成，就可以直接反演大氣中水汽總量和云中液態水總量。將84組數據抽取24組用來檢測訓練好的BP網絡的精度，其余60組用來訓練網絡。按照第2節中給出的方法得到輸入、輸出樣本并進行訓練BP神經網絡，隨后將檢測樣本輸入到訓練好的BP網絡中，就可反演出大氣中水汽總量和云中液態水總量。
圖2和圖3分別表示的是大氣中水汽總量訓練BP網絡的輸出結果與探空計算的大氣中水汽總量的相關性和云中液態水總量訓練BP網絡的輸出結果與探空計算的云中液態水總量的相關性。
大氣中水汽總量值的對比
用歷史探空樣本訓練設置好的BP神經網絡，訓練結束后，將網絡仿真的輸出結果和標準輸出作線性回歸分析。并得到大氣中水汽總量訓練BP網絡的輸出結果與探空計算的大氣中水汽總量的相關系數為0.953 82，平均絕對誤差MAE為0.012 1 cm，標準偏差SD為0.012 2 cm和云中液態水總量訓練BP網絡的輸出結果與探空計算的云中液態水總量的相關系數為0.934 75，平均絕對誤差MAE和標準偏差SD分別為0.027 3 cm和0.029 1 cm。
云中液態水總量值的對比
4 結 論
根據仿真反演結果及誤差分析得出，BP神經網絡反演大氣中水汽總量和云中液態水總量與探空資料計算的云天大氣中水汽總量和云中液態水總量有很好的線性相關性，且不需要建立物理模型，反演計算速度快，結果穩定，可更可靠地應用于實時反演大氣中水汽總量和云中液態水總量。
參考文獻
[1] 張北斗.地基多通道微波輻射計的反演算法及應用[D].蘭州：蘭州大學，2014.
[2] 李鐵林，劉金華，劉艷華，等.利用雙頻微波輻射計測空中水汽和云液水含量的個例分析[J].氣象，2007，33（12）：62?68.
[3] 劉亞亞，毛節泰，劉鈞，等.地基微波輻射計遙感大氣廓線的BP 神經網絡反演方法研究[J].高原氣象，2010，29（6）：1514?1523.
[4] 朱元競，胡成達，甄進明，等.微波輻射計在人工影響天氣研究中的應用[J].北京大學學報（自然科學版），1994，30（5）：597?606.
[5] 賀宏兵，杜曉勇.遙感反演水汽總量和云水總量的研究[J].氣象科學，2000，20（2）：194?199.
[6] 王世杰.烏魯木齊夏季降水特征及其強降水過程水汽演變分析[D].烏魯木齊：新疆師范大學，2012.
[7] 莫林.分布式降水估算的模型與方法研究[D].武漢：華中科技大學，2007.
[8] 劉D.利用人工神經網絡方法反演晴空大氣濕度廓線的研究[D].南京：南京信息工程大學，2011.
