前言：中文期刊網精心挑選了神經網絡含義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。
神經網絡含義范文1
關鍵詞：工程造價；新方法；應用；人工神經網絡
中圖分類號：TU723文獻標識碼： A
一、工程造價的含義
工程造價是指建設項目從籌建到竣工驗收所花費的全部費用總合，或指建設一項工程預期開支或實際開支的全部固定資產投資費用。其中又可分為廣義的造價及狹義的造價兩種，前者是指建設項目的建設成本，即完成一個項目所需費用的總和，它包括用地取得費用、設計費、工程建造費及其它相關費用；后者是工程的建造費用（或稱承包價格）。
二、工程估算精細程度
工程估算根據精細程度及工程生命周期等方面的差異，估算種類也會有所不同，估算過程受限于信息確定性、時間迫切性及估算目的等需求差異，一般可將估算分為概算估算及明細估算兩種。
一是概算估算：在工程可行性分析及初步設計階段時，由于項目能取得的信息非常有限，無法針對細目詳細編列，僅能利用以往的數據資料、類似的案例或草圖，推估可能的建設成本；由于估算過程考慮的細節并不周全，因此，估算結果與實際狀況可能會產生較大的落差，精確度為±15%~±20%。概算估算又可根據信息取得的多少，分為粗估及概估。
二是明細估算：當工程細節設計完成后，依據完整的設計圖及施工規范，詳細計算出全部工程的材料、人力、機械設備等各種工程數量，再根據市場行情核算其總價，其估價精確度為±5%~±10%。
三、人工神經網絡在工程造價工作中的應用
（一）人工神經網絡
人工神經網絡（Artificial Neural Networks， ANN），或稱為人工神經網絡，是指模擬生物神經網絡的信息處理系統。它使用大量簡單的人工神經元來模仿生物神經網絡的能力。人工神經元是生物神經的簡單模擬。它從外界環境或其它人工神經元取得信息，并加以非常簡單的運算，將輸出結果傳送到外界或其它人工神經元。人工神經網絡是由許多人工神經細胞（artificial neuron）所組成，人工神經細胞又稱人工神經元、人工神經元、處理單元（processing element）。人工神經網絡具有下列特性：高速計算力、高容記憶能力、學習能力及容錯力。
（二）人工神經網絡的種類
一是監督式學習網絡。監督式學習網絡是自問題領域中取得培訓范例（有輸入及輸出變量值），并從中學習輸入變量與輸出變量的內在對應規則，以應用于新的案例，即利用輸入變量以推估輸出變量。監督式學習網絡較具代表性、實用性的種類為多層感知器（MLP）。
二是無監督式學習網絡。無監督式學習網絡是自問題領域中取得培訓范例（只有輸入變量值），并從中學習范例的內在聚類規則，以應用于新的案例，即利用輸入變量以推論它與哪些培訓范例屬同一聚類。無監督式學習網絡較具代表性、實用性的種類為自組織映像圖網絡（SOM）、自適應共振理論網絡（ART）。
三是聯想式學習網絡。聯想式學習網絡是自問題領域中取得培訓范例，并從中學習范例的內在記憶規則，以應用于新的案例，即利用不完整的狀態變量以推論完整的狀態變量。聯想式學習網絡較具代表性、實用性的種類為霍普菲爾網絡（HNN）、雙向聯想記憶網絡（BAM）。
（三）人工神經網絡在工程造價工作中的應用
人工神經網絡在工程造價中的應用主要包括如下四種形式：一是監督式應用，可分為分類型及預測型，分類是指期望輸出值為邏輯的二元值；二是無監督式學習的應用屬于聚類分析，可作為監督式應用的前端處理；三是聯想式學習可應用于資料處理，依其特性可分成自聯想與異聯想，自聯想為由一個式樣聯想同一個式樣，異聯想為由一個式樣聯想另一個式樣；四是目前人工神經網絡最佳化應用主要是用于組合最佳化問題，即設計變量是離散值。
在具體的使用過程中，需要建立人工神經網絡模型。神經網絡模型的建立包括網絡層數和各層參數的確定。輸入、輸出層參數包括神經元的個數以及每個單元所代表的物理量，其中輸入層單元的個數及其物理含義表示所需要解決問題的已知量的個數和內容，輸出層單元的個數及其物理含義表示所需解決問題的答案。以建筑工程為例，要建立一個工程造價預測的神經網絡模型，應根據建筑工程的類別（住宅樓、商住樓、寫字樓、工業建筑、酒店等），確定影響其造價的主要因素作為輸入層。比如需要預測一個住宅樓的造價，則可確定建立的神經網絡模型的輸入層為:建筑結構、基礎形式、建筑面積、戶型、內裝修、外裝修、地面工程、門窗工程（可根據所需模型精度選取更加詳細的影響因素）;輸出層為該工程的工程造價（或單方造價）。人工神經網絡使用BP算法，這是采用梯度法即在權重空間沿梯度調整權重，使總誤差向減小的方向變化，直到最小。權的修正是所有樣本輸入后，計算其總的誤差后進行的。采用反向傳播的BP算法進行工程造價的預測，可以把收集的并進行加工處理后的已知數據樣本作為訓練樣本，按照編制的程序進行網絡學習（即進行迭代），可得到一個訓練好的造價預測樣本。將待估工程的各個參數通過必要的整理加工后，輸入到程序中，因網絡參數已經確定，即可得到待估工程的預測造價。
四、小結
建筑工程項目在可行性分析階段，往往需要針對項目投資成本進行分析及評估，以作為投資者判斷是否可執行此項目的決策依據。建筑工程造價的預估在專案中占有一定的重要性，但由于項目初期所能取得的信息相當有限。因此，利用有限的信息，快速且準確的預估工程造價，是投資者或開發人員需普遍注重的課題。以神經網絡技術可以發展出預估建筑工程造價的模式，借助這個網絡系統，能提供投資者或開發人員在建筑項目可行性分析階段時，一個投資決策上有用的工程造價預估模式。
參考文獻：
[1] 王新征，邢利英. 基于BP神經網絡的顯著性工程造價估算方法[J]. 人民黃河. 2011（05）
神經網絡含義范文2
關鍵詞：軟土地基;沉降;GRNN;BP;預測
中圖分類號：TU471.8 文獻標識碼：A 文章編號：
1 引 言
我國沿海與內陸地區分布有大量的軟土地基。因此，在這些地域[1]，如何有效地預測與控制軟土地基的沉降變形對于公路、橋梁等大跨度土木工程的順利施工與運行有著重要意義。然而，目前軟土地基的變形預測方法仍然是一個研究難點，主要原因為：①土體本身的本構模型仍難以精確給出，由此軟土變形的物理機制尚有待研究；②常用的基于e-p曲線的分層總和方法雖然提供了理論指導且簡便易行，但是應用時通常要根據情況乘以一個經驗系數，但經驗系數的確定又成為一個難題。
當理論方法無法暫時無法給出滿意的解答時，考慮使用非線性方法建模來研究通常是一個合理的選擇。由于軟土地基的沉降變形可能與軟土本構模型、路基特性、控制措施以及軟土的應力歷史等多種因素相關，因而該問題應歸屬于非線性預報模型問題。常用非線性建模方法有灰色理論[2]、神經網絡方法[3]等，其中神經網絡方法根據數學機理的不同，又分為Hopfield、BP、RBF等多種方法。廣義回歸神經網絡（GRNN）是近年來興起的一種用于非線性模型建立的算法，該算法擁有調節參數少、穩健性良好以及收斂速度快等多種優點，故本文選用該算法探究建立軟土地基變形預測模型。
2 GRNN神經網絡
2.1 GRNN神經網絡結構
GRNN本質上也是一種徑向基網絡（RBF），近期被眾多學者應用到線性與非線性函數的回歸、擬合領域。理論研究表明，只要在隱含層中設置足夠多的神經元，GRNN和RBFNN都能逼近任意的連續函數[4]。通常情況下，GRNN為四層結構，輸入層、徑向基層、特殊的線性層以及輸出層，其與RBFNN的不同之處正是在于其線性層。典型的GRNN網絡結構如圖1所示。
圖1 GRNN網絡結構圖
在如上圖所示網絡結構中，徑向基層的徑向基函數通常選用高斯基函數（）作為概率密度函數。設輸入向量為，輸出變量為，則聯合概率密度函數為:
(2.1)
其中，表示的是輸入向量；含義為輸出向量；為平滑參數，滿足。
GRNN網絡的網絡結構與神經元的權值在學習樣本確定之后就已基本確定，故其網絡的訓練主要在于平滑參數的確定，即網絡訓練過程中人為調節的閾值僅有一個，這個特點也使其盡可能避免了人工干預。通過若干次神經網絡訓練，選取使得網絡訓練誤差最小的值。
2.2 GRNN非線性擬合簡例
為便于說明GRNN神經網絡的非線性擬合能力，選擇如式(2.2)所示的常規非線性函數進行擬合分析，并將其擬合結果與BP神經網絡相對比。
(2.2)
圖2.1 BP神經網絡擬合結果
圖2.2 GRNN擬合結果
圖2 BP與GRNN網絡擬合結果對比
由圖2對比，不難看出，對于某同樣非線性函數，GRNN的擬合結果明顯優于BP神經網絡，且在全局誤差收斂性較好。同時，程序記錄BP神經網絡擬合耗時為17.329s，而GRNN擬合耗時僅為0.046s，故從時間成本上看，GRNN也具有獨特的優越性
3 基于GRNN的軟土地基預測應用
3.1預測模型建立流程
根據GRNN預測模型建立的特點，針對軟土地基沉降這一具體的工程問題，制定分析步驟如下：
a.網絡參數設置初始化；
b.分析影響因素，輸入樣本數據；
c.訓練網絡，確定平滑參數；
d.網絡訓練完成；
e.由已建網絡模型進行軟土地基沉降預報。
3.2實例分析
為使得實例分析具有實際工程意義，選取與文獻[5]相一致的輸入樣本，如表1所示。
表1 神經網絡模擬樣本
對于以上神經網絡模擬樣本，建立GRNN神經網絡，本文的模型擬合結果與文獻[5]結果對比如表2所示。
表2 神經網絡模擬結果
由表2，不難看出，在相同的樣本數據下，基于GRNN的軟土地基沉降預測模型較文獻[5]中的方法優化不少，也驗證了該方法的實用價值。
同樣地，應用上述建立的GRNN網絡模型，預測軟土地基沉降如表3所示。
表3 神經網絡模擬結果
由表3可見，本文的建立的神將網絡模型預測收斂迅速，精度良好。
4 結論
本文針對軟土地基沉降預測高度非線性的特點，提出了使用GRNN神將網絡來進行精確擬合與預報沉降量的方法。結合實例，驗證了本文提出的方法相比于其它數種神經網絡方法具有收斂性優越，精度良好，且耗時短的優點，易于實用。
[參考文獻] (References)
[1] 李彰明.軟土地基加固與質量監控[M].北京:中國建筑工業出版社,2011.
[2] 鄧聚龍.灰理論基礎[M].武漢:華中科技大學出版社,2002.
[3] 韓麗.神經網絡結構優化方法及應用[M].北京:機械工業出版社,2012.
[4] Marquez L, Hill T. Function approximation using back propagation and general regression neural networks[C]. In Proceeding of the Twenty-Sixth Hawaii International Conference on System Sciences,1993.
神經網絡含義范文3
關鍵詞：神經網絡；VC維；數據挖掘
中圖分類號：TP183文獻標識碼：A文章編號：1009-3044(2008)30-0710-02
A Review of the Research and Development of the Artificial Neural Nets
WANG Hui
(Xinjiang Petroleum Institute,Urumqi 830000,China)
Abstract: This paper reviews the history and the current situation of the theory of neural nets. It discusses two aspects: the Vapnik-Chervonenkis dimension calculation and the data mining in neural nets. It also touches upon such research areas as calculation theory, methods and application of neural nets.
Key words: neural nets;Vapnik-Chervonenkis dimension;Data Mining
1 引言
本世紀初，科學家們就一直探究大腦構筑函數和思維運行機理。特別是近二十年來。對大腦有關的感覺器官的仿生做了不少工作，人腦含有數億個神經元，并以特殊的復雜形式組成在一起，它能夠在計算某些問題（如難以用數學描述或非確定性問題等）時，比目前最快的計算機還要快許多倍。大腦的信號傳導速度要比電子元件的信號傳導要慢百萬倍，然而，大腦的信息處理速度比電子元件的處理速度快許多倍，因此科學家推測大腦的信息處理方式和思維方式是非常復雜的，是一個復雜并行信息處理系統。1943年McCulloch和Pitts結合了神經生理學和數理邏輯的研究描述了一個神經網絡的邏輯演算。他們的神經元模型假定遵循一種所謂“有或無”(all-or-none)規則。如果如此簡單的神經元數目足夠多和適當設置突觸連接并且同步操作，McCulloch和Pitts證明這樣構成的網絡原則上可以計算任何可計算的函數，這標志著神經網絡學科的誕生。
2 發展歷史及現狀
2.1 人工神經網絡理論的形成
早在40年代初，神經解剖學、神經生理學、心理學以及人腦神經元的電生理的研究等都富有成果。其中，神經生物學家McCulloch提倡數字化具有特別意義。他與青年數學家Pitts合作[1]，從人腦信息處理觀點出發，采用數理模型的方法研究了腦細胞的動作和結構及其生物神經元的一些基本生理特性，他們提出了第一個神經計算模型，即神經元的閾值元件模型，簡稱MP模型，他們主要貢獻在于結點的并行計算能力很強，為計算神經行為的某此方面提供了可能性，從而開創了神經網絡的研究。50年代初，神經網絡理論具備了初步模擬實驗的條件。Rochester，Holland與IBM公司的研究人員合作，他們通過網絡吸取經驗來調節強度，以這種方式模擬Hebb的學習規則，在IBM701計算機上運行，取得了成功，幾乎有大腦的處理風格。但最大規模的模擬神經網絡也只有1000個神經元，而每個神經元又只有16個結合點。再往下做試驗，便受到計算機的限制。人工智能的另一個主要創始人Minsky于1954年對神經系統如何能夠學習進行了研究，并把這種想法寫入他的博士論文中，后來他對Rosenblatt建立的感知器(Perceptron)的學習模型作了深入分析。
2.2 第一階段的研究與發展
1958年計算機科學家Rosenblatt基于MP模型，增加了學習機制，推廣了MP模型。他證明了兩層感知器能夠將輸入分為兩類，假如這兩種類型是線性并可分，也就是一個超平面能將輸入空間分割，其感知器收斂定理：輸入和輸出層之間的權重的調節正比于計算輸出值與期望輸出之差。他提出的感知器模型，首次把神經網絡理論付諸工程實現。1960年Widrow和Hoff提出了自適應線性元件ADACINE網絡模型，是一種連續取值的線性網絡，主要用于自適應系統。他們研究了一定條件下輸入為線性可分問題，期望響應與計算響應的誤差可能搜索到全局最小值，網絡經過訓練抵消通信中的回波和噪聲，它還可應用在天氣預報方面。這是第一個對實際問題起作用的神經網絡?？梢哉f，他們對分段線性網絡的訓練有一定作用，是自適應控制的理論基礎。Widrow等人在70年代，以此為基礎擴充了ADALINE的學習能力，80年代他們得到了一種多層學習算法。
Holland于1960年在基因遺傳算法及選擇問題的數學方法分析和基本理論的研究中，建立了遺傳算法理論。遺傳算法是一種借鑒生物界自然選擇和自然遺傳機制的高度并行、隨機、自適應搜索算法，從而開拓了神經網絡理論的一個新的研究方向。1976年Grossberg提出自適應共振理論(ART)，這是感知器較完善的模型，即superrised學習方式。本質上說，仍是一種unsuperrised學習方式。隨后，他與Carpenter一起研究ART網絡，它有兩種結構ART1和ART2，能夠識別或分類任意多個復雜的二元輸入圖像，其學習過程有自組織和自穩定的特征，一般認為它是一種先進的學習模型。另外還有Werbos提出的BP理論以及提出的反向傳播原理；Fukushima 提出了視覺圖象識別的Neocognitron模型這些研究成果堅定的神經網絡理論的繼續研究。
2.3 第二次研究的階段
Hopfield于1982年至1986年提出了神經網絡集體運算功能的理論框架，隨后，引起許多學者研究Hopfield 網絡的熱潮，對它作改進、提高、補充、變形等，至今仍在進行，推動了神經網絡的發展。1983年Kirkpatrick等人先認識到模擬退火算法可應用于NP完全組合優化問題的求解。這種思想最早是由Metropolis等人在1953年提出的，即固體熱平衡問題，通過模擬高溫物體退火過程的方法，來找全局最優或近似全局最優，并給出了算法的接受準則。這是一種很有效的近似算法。1984年Hinton等人提出了Boltzmann機模型，借用統計物理學中的概念和方法，引入了模擬退火方法，可用于設計分類和學習算法方面，并首次表明多層網絡是可訓練的。Sejnowski于1986年對它進行了改進，提出了高階Boltzmann機和快速退火等。
1986年Rumelhart和McClelland 合著的Parallel Distributed Processing: Exploratio n in the Microstructures of Cognition兩卷書出版，對神經網絡的進展起了極大的推動作用。它展示了PDP研究集團的最高水平，包括了物理學、數學、分子生物學、神經科學、心理學和計算機科學等許多相關學科的著名學者從不同研究方向或領域取得的成果。他們建立了并行分布處理理論，主要致力于認知的微觀研究。尤其是，Rumelhart提出了多層網絡Back-Propagation法或稱Error Propagation法，這就是后來著名的BP算法。
2.4 新發展階段
90年代以來，人們較多地關注非線性系統的控制問題，通過神經網絡方法來解決這類問題已取得了突出的成果，它是一個重要的研究領域。1990年Narendra和Parthasarathy提出了一種推廣的動態神經網絡系統及其連接權的學習算法，它可表示非線性特性，增強了魯棒性。他們給出了一種新的辨識與控制方案，以multilayer網絡與recarrent網絡統一的模型描述非線性動態系統，并提出了動態BP 參數在線調節方法。尤其是進化計算的概念在1992年形成，促進了這一理論的發展。1993年誕生了國際性雜志Evolutionary Computation。近幾年它成為一個熱點研究領域。1993年Yip和Pao提出了一種帶區域指引的進化模擬退火算法，他們將進化策略引入區域指引，它經過選優過程，最終達到求解問題的目的。
從上述各個階段發展軌跡來看，神經網絡理論有更強的數學性質和生物學特征，尤其是神經科學、心理學和認識科學等方面提出一些重大問題，是向神經網絡理論研究的新挑戰，因而也是它發展的最大機會。90年代神經網絡理論日益變得更加外向，注視著自身與科學技術之間的相互作用，不斷產生具有重要意義的概念和方法，并形成良好的工具。
3 神經網絡的發展趨勢
3.1 神經網絡VC維計算
神經計算技術已經在很多領域得到了成功的應用，但由于缺少一個統一的理論框架，經驗性成分相當高。最近十年里，很多研究者都力圖在一個統一的框架下來考慮學習與泛化的問題 。PAC(Probably Approximately Correct)學習模型就是這樣一個框架。作為PAC學習的核心以及學習系統學習能力的度量，VC維(Vapnik-Chervonenkis dimension)在確定神經網絡的容量(capacity)、泛化能力(generalization)、訓練集規模等的關系上有重要作用。如果可以計算出神經網絡的VC維，則我們可以估計出要訓練該網絡所需的訓練集規模；反之，在給定一個訓練集以及最大近似誤差時，可以確定所需要的網絡結構。
Anthony將VC維定義為：設F為一個從n維向量集X到{0, 1}的函數族，則F的VC維為X的子集E的最大元素數，其中E滿足：對于任意S?哿E，總存在函數fs ∈F，使得當x ∈ S時fs(x) =1，x?埸S但x∈E時fs(x) =0。
VC維可作為函數族F復雜度的度量，它是一個自然數，其值有可能為無窮大，它表示無論以何種組合方式出現均可被函數族F正確劃分為兩類的向量個數的最大值。對于實函數族，可定義相應的指示函數族，該指示函數族的VC維即為原實函數族的VC維。
3.2 基于神經網絡的數據挖掘
1996年，Fayyad、Piatetsky-Shapiro和Smyth對KDD(Knowledge Discovery from Databases)和數據挖掘的關系進行了闡述。但是，隨著該領域研究的發展，研究者們目前趨向于認為KDD和數據挖掘具有相同的含義，即認為數據挖掘就是從大型數據庫的數據中提取人們感興趣的知識。
數據挖掘的困難主要存在于三個方面：首先，巨量數據集的性質往往非常復雜，非線性、時序性與噪音普遍存在；其次，數據分析的目標具有多樣性，而復雜目標無論在表述還是在處理上均與領域知識有關；第三，在復雜目標下，對巨量數據集的分析，目前還沒有現成的且滿足可計算條件的一般性理論與方法。在早期工作中，研究者們主要是將符號型機器學習方法與數據庫技術相結合，但由于真實世界的數據關系相當復雜，非線性程度相當高，而且普遍存在著噪音數據，因此這些方法在很多場合都不適用。如果能將神經計算技術用于數據挖掘，將可望借助神經網絡的非線性處理能力和容噪能力，較好地解決這一問題。
4 結束語
經過半個多世紀的研究，神經計算目前已成為一門日趨成熟，應用面日趨廣泛的學科。本文對神經計算的研究現狀和發展趨勢進行了綜述，主要介紹了神經網絡VC維計算、基于神經網絡的數據挖掘領域的相關研究成果。需要指出的是，除了上述內容之外，神經計算中還有很多值得深入研究的重要領域，例如：與符號學習相結合的混合學習方法的研究；脈沖神經網絡(Pulsed Neural Networks)的研究;循環神經網絡(Recurrent Neural Networks)的研究等；神經網絡與遺傳算法、人工生命的結合；支持向量機(Support Vector Machine)的研究；神經網絡的并行、硬件實現；容錯神經網絡的研究。
參考文獻:
[1] McCulloch W S, Pitts W. A Logical Calculus of the Ideas Immanent in Nervous Activity, Bulletin of Mathematical Biophysics, 1943.
[2] N.維納著，郝季仁譯，控制論，科學出版，1985.
[3] Von Neumann J. The General and Logical Theory of Automata, Cerebral Mechanisms in Behavior; The Hixon Sympsium, 1951.
[4] Hebb D O. The Organization of Behavior, New York:Wiley, 1949.
[5] 陳世福，陳兆乾. 人工智能與知識工程[M]. 南京: 南京大學出版社，1998.
[6] Simon Haykin.神經網絡原理[M].機械工業出版社（第二版），2004.
神經網絡含義范文4
【關鍵詞】傳感器；數據融合；智能小車；避障
1.概述
智能小車實際上是一類輪式移動機器人，其運行原理是依據單片機程序來自動實現行使、轉向、加速等運動形式。因此對智能小車運動方式的控制屬于機器人學的范疇。對智能小車運動軌跡的控制主要依賴于傳感器的信息采集技術和智能控制技術。而在智能小車的運動軌跡控制問題中的一個重要問題是如何實現其自動避障。要完成這一任務，需要解決兩個方面的問題，一是利用傳感器準確的收集小車所在的環境信息，二是將環境信息自動處理后變成控制信息。實踐表明，采用的單一的傳感器技術已經不能滿足收集充足環境信息的需要，而需要多種類型的傳感器相配合，從而獲得準確的環境信息。對這些通過多種類型傳感器獲得的環境信息的處理需要實現不同數據的之間的整合，即需要利用多傳感器的數據融合技術。常用的數據融合技術如傳統的卡爾曼濾波法、D-S證據推理等，但其核心思想是一致的，即通過對多種信息的融合來實現對目標的識別和跟蹤。采用基于多傳感器的數據融合技術已經成為智能小車避障控制中的重要研究方向。在本文中將以多傳感器的數據融合技術為基礎，研究智能小車的避障問題。
2.基于多傳感器的數據融合
基于多傳感器的數據融合技術需要處理來自多個傳感器的實時數據，并進行快速的處理。從傳感器獲得數據的類型來看，這些數據代表不同的物理含義，如速度、距離、角度等，數據類型和特征也不盡相同，分屬于不同的層次，因此對來自多個傳感器的數據融合實際上要完成對多層次數據的綜合評定，這必須依賴于一定的數據融合結構。
2.1 基于多傳感器信息的融合結構
從現有的研究成果來看，基于多傳感器信息的數據融合結構主要有四種形式：無反饋分布式融合、反饋分布式融合、集中式融合和反饋并行融合，各類融合結構的主要特點分別為：①無反饋分布式融合。無反饋分布式融合模式需要對每個傳感器的數據都進行濾波分析，并完成對各傳感器的局部信息融合，最后再實現對多個傳感器數據的融合。這類數據融合方式的優點是不需要太大的通信開銷，融合速度較快，所需的存儲空間也較小。②反饋分布式融合。反饋分布式融合的基本原理和無反饋分布式融合類似，但每個傳感器多了一個信息反饋通道，可提高預測和狀態估計的精度，但需要更大的通信開銷。③集中式融合。集中式融合的主要特點是對所有傳感器采集的信息進行狀態的估計和預測，通過對每個傳感器采集信息的檢測判定來實現對所有傳感器信息的綜合判定。由于采用了所有傳感器的全部信息，因此這類融合方法的精度較高，但也需要更高的硬件配置。④反饋并行融合。這類數據融合結構綜合了以上三類融合結構的優點，對局部、整體的數據處理效率和精度都很高，但對硬件和數據關聯技術等要求也較高，是一類重要的研究方向。
2.2 基于多傳感器信息的數據融合方法
基于多傳感器信息的數據融合方法主要分為兩類，一是基于概率統計的方法，如統計決策法、貝葉斯法等，二是人工智能方法，如模糊控制法、人工神經網絡、D-S證據推理等。每種方法可參考有關文獻，此處不再一一詳述。
3.模糊神經網絡基本原理
模糊神經網絡是模糊控制理論和人工神經網絡理論的耦合技術，能夠有效的處理對經驗性依賴較高的問題，并能廣泛的適用于無法精確建模的系統。而人工神經網絡則能夠具備自學習能力和快速求解能力。通過模糊控制和人工神經網絡的結合，能夠形成函數估計器，有效的處理模糊信息和完成模糊推理，其性能比單一采用模糊控制或人工神經網絡控制效果更優。模糊神經網絡的基本原理為：①定義若干各模糊集合，并形成對應的控制規則。定義神經網絡的層次(一般分為三層)和節點數量。②定義輸入層。將輸入層中的節點與輸入向量分量之間實現連接。③定義隸屬函數層。以語言變量值構成隸屬函數層的節點，與輸入層的連接權值固定為1，節點閾值為0。④定義規則層。每一條模糊控制規則定義為一個節點，節點的輸出為隸屬函數的輸出。
4.實例應用
4.1 硬件
在本例中，智能小車所采用硬件平臺為STC89C52型單片機，動力系統為AUSRO馬達130，驅動芯片型號為TA7267，驅動芯片與單片機相連，其輸出端和馬達直流電機連接，從而實現對小車的方向控制，小車通過兩輪驅動。
小車采用的傳感器有兩種類型：超聲波測距系統和紅外傳感器系統。超聲波測距系統的型號為TCT40-10T/R，紅外傳感器的型號為索尼CX20106。
4.2 傳感器數據融合規則
在采用了5路超聲波測距系統后，基本上可以對小車周圍的障礙狀況有比較可靠的了解，紅外傳感器的作用是為了彌補超聲波測距系統的盲區。對這兩類傳感器所采集數據的處理方式為：①超聲波測距系統和紅外傳感器同時工作；②若紅外傳感器的有效探測距離內發現障礙，以紅外傳感器的數據為準；③其他情況以超聲波測距系統的探測值為準。
對5個方向的超聲波測距的數據所采用的數據融合流程為：開始選擇通道發射超聲波盲區延時接收信號計算小車與障礙之間的距離數據融合選擇小車動作。數據的融合技術采用模糊神經網絡法。
4.3 模糊神經網絡的構建
結合智能小車避障控制的需要，在小車車身配置5個超聲波系統和一個紅外系統，分別完成對前、左、左前、右、右前5個方向的測量，因此模糊神經網絡共需要建立起5個輸入和2個輸出的網絡結構。各個輸入量的物理含義為小車在上述5個方向的與障礙的距離，神經網絡的輸出量為小車的前進和停止。以紅外傳感器采集的數據作為小車運動控制的開關量。隸屬函數層的函數形式采用高斯型，模糊語言變量分別為｛“遠”、“近”｝，因此結合第一層的5個輸入，共構成10個神經元。結合輸入層和隸屬函數層的情況，輸出層的神經元數量為2的5次方，共32個神經元。
4.4 模糊控制規則和樣本訓練
(1)模糊控制規則
模糊控制規則體現的是人為控制經驗的總結，分別對5個方向的超聲波探測到的距離信息為基礎來控制小車的轉向。其基本原則為，若距離障礙較近，則小車停止前進，若距離障礙較遠，則小車繼續前進。分別以F表示前進、TF表示左轉、TR表示右轉、在實際控制規則中，共有9條，這里僅舉一條來進行說明：若前方障礙較近，且左、左前、右、右前距離障礙較遠，則小車左轉。將上述規則轉換為模糊語言后，即可獲得具體的控制規則。具體轉換方式可參照有關文獻。
(2)模糊神經網絡的訓練樣本
依據上述模糊神經網絡的基本組成方式，其模糊輸入范圍的論域為[0,5]，以高斯型隸屬度函數來劃分距離遠近的模糊集合。訓練樣本的數據量較大，因此這里不便一一列出，神經網絡的訓練方法可參照有關文獻。
4.5 運行效果
在上述的步驟完成后，對小車的避障能力進行了實際驗證。實驗表明，利用超聲波測距系統結合紅外傳感器后，以模糊神經網絡融合上述兩類傳感器采集的數據可有效的實現智能小車的避障運動。
參考文獻
神經網絡含義范文5
關鍵詞：BP神經網絡；層次分析法；風險評估
中圖分類號：F83 文獻標識碼：A
收錄日期：2012年3月7日
一、商業銀行風險評估方法比較
經過多年的發展，風險評估方法由早期傳統的ZET評估方法發展到現代的VAR評估方法，中間還有BP神經網絡法、因子分析法、層次分析法等，可謂是不勝枚舉。這些評估方法各有各的優點和缺點，下面就以神經網絡法、層次分析法和VAR法為例進行比較。
（一）BP神經網絡法
1、BP神經網絡概述。BP神經網絡是1986年由Rumelhart和McCelland為首的科學家小組提出，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。BP神經網絡模型拓撲結構包括輸入層、隱層和輸出層。
2、BP神經網絡的特點
（1）BP神經網絡的優點。一是分布式儲存信息。其信息的存儲分布在不同的位置，神經網絡是用大量神經元之間的連接及對連接權值的分布來表示特定的信息，從而使網絡在局部網絡受損或輸入信號因各種原因發生部分畸變時，仍然能夠保證網絡的正確輸出，提高網絡的容錯性和魯棒性；二是并行協同處理信息。神經網絡中的每個神經元都可根據接收到的信息進行獨立的運算和處理，同一層中的各個神經元的輸出結果可被同時計算出來，然后傳輸給下一層做進一步處理，這體現了神經網絡并行運算的特點，這一特點使神經網絡具有很強的實時性。雖然單個神經元的結構極其簡單，功能有限，但大量神經元構成的網絡系統所能實現的行為是極其豐富多彩的；三是信息處理與存儲合二為一。神經網絡的每個神經元都兼有信息處理和存儲功能，神經元之間連接強度的變化，既反映了對信息的記憶，同時又與神經元對激勵的響應一起反映了對信息的處理；四是對信息的處理具有自組織、自學習的特點，便于聯想、綜合和推廣。神經網絡的神經元之間的連接強度用權值的大小來表示，這種權值可以通過對訓練樣本的學習而不斷變化，而且隨著訓練樣本量的增加和反復學習，這些神經元之間的連接強度會不斷增加，從而提高神經元對這些樣本特征的反映靈敏度。
（2）BP神經網絡的局限性。一是由于學習速率是固定的，因此網絡的收斂速度慢，需要較長的訓練時間。對于一些復雜問題，BP算法需要的訓練時間可能非常長，這主要是由于學習速率太小造成的，可采用變化的學習速率或自適應的學習速率加以改進；二是BP算法可以使權值收斂到某個值，但并不保證其為誤差平面的全局最小值，這是因為采用梯度下降法可能產生一個局部最小值。對于這個問題，可以采用附加動量法來解決；三是網絡隱含層的層數和單元數的選擇尚無理論上的指導，一般是根據經驗或者通過反復實驗確定。因此，網絡往往存在很大的冗余性，在一定程度上也增加了網絡學習的負擔。
（二）層次分析法
1、層次分析法概述。層次分析法是20世紀七十年代美國運籌學家薩蒂提出的一種相結合的決策分析法。AHP主要是通過建立層次分析結構、邏輯判斷、分解綜合化將模糊不確定的因素轉化為明確可衡量的評估因素，使得評估的思維更加條理化，以解決復雜的決策問題。層次分析法優勢較為明顯，它理論簡單且操作容易，具有將不確定因素比較量化以納入決策過程的特性，同時能夠吸收并反映專家及決策者的意見。層次分析法把復雜的問題分解成各組成因素，將這些因素按支配關系進行分組，形成有序的階梯層次結構，以此建立層次結構模型；通過兩兩比較的方式確定層次中各因素的相對重要性，綜合專家的判斷以決定各因素相對重要性的總順序，來構造判斷矩陣；根據判斷矩陣計算指標的權重；最后，對其進行一致性檢驗。
2、層次分析法的特點
（1）層次分析法的優點。一是系統性的分析方法。層次分析法把研究對象作為一個系統，按照分解、比斷、綜合的思維方式進行層次分析法決策，成為繼機理分析、統計分析之后發展起來的系統分析的重要工具。系統的思想在于不割斷各個因素對結果的影響，而層次分析法中每一層的權重設置最后都會直接或間接影響到結果，而且在每個層次中的因素對結果的影響程度都是量化的，非常清晰和明確；二是簡單實用的決策方法。這種方法既不單純地追求高深的數學，又不片面地注重行為、邏輯、推理，而是把定性方法和定量方法有機地結合起來，使復雜的系統分解，將人們的思維過程數學化、系統化，便于人們接受；而且計算簡便，所得的結果簡單明確，易為決策者了解和掌握。
（2）層次分析法的缺點。一是定量數據較少，定性成分較多，不易令人信服。層次分析法是一有模擬人大腦的決策方法，帶有較多的定性色彩。往往人們更愿意信服于定量成分；二是指標過多時，數據統計量大，且權重難以確定。一般情況下，我們對層次分析法的兩兩比較是用1～9來說明其相對重要性的。如果有越來越多的指標，我們對每兩個指標之間的重要程度的判斷就可能會出現困難，甚至會對層次排序和總排序的一致性產生影響，使一致性檢驗不能通過，指標權重自然就不能確定。
（三）VAR法
1、VAR的含義。VAR即在險價值，表示在一定的置信度1-α下，可能損失的最大價值。在數學上可表示為：
P（lost>VAR）=1-α
VAR分析方法實際上是要回答銀行的投資組合在下一階段可能會損失多少資金，或者更精確地說，在風險概率給定的情況下，投資組合的價值最多可能損失多少。假如某銀行一天的概率為95%的VAR值為2萬元，那就意味著，這個銀行在一天內發生的損失大于兩萬元的可能性最多不超出5%。
2、VAR的特點
（1）VAR的優點。一是VAR模型測量風險結果簡潔明了，直觀而清晰地反映了風險的量化概念，容易為管理者所理解和掌握；二是VAR值明確地反映了市場風險，如果定期地測定各個金融機構的VAR值并且公布，便可以令普通投資者了解金融機構的經營狀況，增強市場的透明度，并且督促銀行管理者加強與客戶的溝通，增進雙方的信任和投資者的信心；三是VAR對風險的測量是建立在數理統計與概率論的理論基礎上的，計算簡便，有很強的可操作性，同時又不缺乏理論上的科學性，適于銀行進行內部監管和風險控制。
（2）VAR的缺點。一是VAR模型在使用時隱含了一定的前提假設，其中一個重要假設就是認為金融資產組合的未來走勢與過去是高度相似的，可以根據過去的歷史數據來推測未來的市場風險。然而事實上，市場風險卻往往是由一些突發的重大事件造成的，這種突發的市場波動卻往往與過去的市場走勢沒有太多的聯系，這樣來看，VAR模型估計出來的市場風險并不能涵蓋所有的市場風險；二是VAR法是建立在大量的歷史數據的基礎之上的，而我國金融市場發展的歷史短，面臨樣本數據有限的問題，利率、匯率沒有完全市場化，同宏觀政策還存在著一定的聯系，市場風險還可能來自人為因素，因此在我國使用VAR法存在著特殊的難度。這一點也需要我們從加速金融體系改革，增強市場的透明度來入手加以解決。
二、農村信用社風險評估方法適用性分析
農村信用社資產業務主要是貸款，貸款對象主要是農戶和中小企業。農戶的分散性、農戶貸款的小額性、中小企業的信息不透明性等使得金融機構難以采用復雜的信用風險評價方法和模型。特別是那些建立在現代金融理論和成熟的金融市場信息支持基礎之上的所謂新方法，目前不可能在農村信用社運用。其原因：一是我國金融市場相對不完善，缺乏相應金融資信評級機構，缺乏中小企業信息數據庫；二是我國農村信用社的規模相對狹小，技術設備、人員素質均相對較低，對定量方法的理解和運用能力都相對不足。因而，目前農村信用社的信用風險評價主要還應加強對傳統方法的有效運用。一是加強和完善專家主觀方法（如5C）的應用，并加強對貸款的監督檢查；二是加強對信用貸款的分類分級管理；三是建立中小企業的信用評分系統，通過搜集和建立相應的數據檔案，運用Logit模型、區別分析模型，有效評價信用風險，為信用社貸款決策和貸款定價服務；四是針對農村金融的特點，適當進行信貸配給。
由于我國金融市場相對不完善，相應數據檔案資料不健全，特別是農村信用社經營規模較小、經營水平不高，其貸款客戶為分散的農戶和中小企業，因而信用社的信用風險評價還很難運用較復雜的模型，特別是所謂新型的、適用大型或特大型金融機構針對大型企業和特大型企業的信用風險評價方法。
三、結論
經過對BP神經網絡法、層次分析法和VAR法的比較，以及農村信用社在貸款對象、企業信息數據的收集和人員素質這些方面不同于商業銀行。所以，對數據要求高的以及復雜的模型不適用于農村信用社風險評估，即層次分析法要比BP神經網絡法和VAR法更適用于農村信用社的風險評估。
主要參考文獻：
[1]馬超群，李紅權.VAR方法及其在金融風險管理中的應用[J].系統工程，2000.3.
[2]戴國強.VAR方法對我國金融風險管理的借鑒及作用[J].金融研究，2000.7.
[3]張強，王鑫澤.農村信用社組織的信息特征及其風險防范.金融理論與實踐，2001.1.
[4]鄒新月.VAR方法在銀行貸款風險評估中的應用統計研究[J].2005.6.
[5]郭學能.基于BP神經網絡的商業銀行經營風險預警研究[D].武漢理工大學，2007.
[6]趙偉，王家傳.農村信用社金融風險預警系統設計.金融理論與實踐，2007.6.
神經網絡含義范文6
【關鍵詞】主成分，BP神經網絡，對外貿易，可持續發展，預警
我國歷年的外貿數據表明中國的對外貿易總體上呈現快速發展。2013年外貿總額達到4.16萬億美元，成為了世界第一貿易大國。隨著外貿規模的不斷擴大，對外貿易可持續發展問題也越來越得到關注。對外貿易可持續發展狀況的預測預警顯得尤為重要。構建良好的對外貿易可持續發展預警模型，可以及時準確地反映貿易運行情況和未來走勢，揭示對外貿易運行中的各種隱患和問題，對貿易的總體狀況做出評價和判斷，并以直觀、生動、形象的方式把監測結果展示出來，從而為貿易政策的調整和實施提供依據。本文根據經濟預警理論，運用系統評價方法提出外貿可持續發展預警模型的構建思路。
一、對外貿易可持續發展預警指標體系的構建
借鑒預警理論，對外貿易可持續發展預警指標體系主要由對外貿易可持續發展警情指標和警兆指標構成。
（一）警情指標的確定
警情指標是預警研究的基本前提，警情指標一經確定，整個預警系統的研究對象和研究范圍隨之確定，警兆指標的選取、預警界限的確定、警情的預報和分析都有賴于警情指標的確定。
外貿的可持續發展，就是在遵循外貿發展內在規律的基礎上，健全外貿體制，完善外貿運行機制，提高外貿效率，合理有效地利用和配置外貿資源，從而達到經濟和外貿長期有效運行和穩健發展。對外貿易可持續發展表現為：對外貿易量保持穩定增長及穩定增長的能力；對外貿易資源保持持續穩定的供給；對外貿易的商品結構不斷優化；對外貿易對國民經濟和社會發展保持較高的貢獻率等。對外貿易可持續發展預警的警情意指外貿發展偏離了可持續發展軌道，出現了外貿不可持續發展的現象或狀況。如外貿對經濟發展的貢獻率降低，對環境帶來了影響，導致生態效益下降等等。依據外貿可持續發展含義，對外貿易可持續發展狀況可以從對外貿易的經濟效益、生態效益和社會效益三個方面來綜合考察。由此，把對外貿易可持續發展的綜合評價指數確定為對外貿易可持續發展預警的警情指標。
（二）警兆指標的確定
綜合對外貿易可持續發展評價研究的文獻資料，結合指標體系的設計原則，對外貿易可持續發展的警兆指標初步構建如下：
1、反映對外貿易經濟效益的警兆指標。從對外貿易促進經濟發展的機理初選指標確定為反映對外貿易經濟效益層面的警兆指標，主要包括出口額、進口額、外貿依存度、外資比重、機電產品競爭力系數、出口技術效益率、進口技術效益率、制成品/初級產品出口比重、高新技術產品出口轉換率、出口商品集中度、服務貿易比重、地區貿易差異度、出口市場分布度、進口市場分布度、第二產業產出比重、第三產業產出比重、產業結構貢獻率、外貿對GDP的貢獻率、FDI對經濟增長的拉動度等。
2、反映對外貿易生態效益的警兆指標。從對外貿易對生態環境影響角度初選指標確定為反映對外貿易生態效益層面的警兆指標，主要包括出口貿易廢水排放量、出口貿易廢氣排放量、出口貿易廢渣排放量、初級產品效益度、進出口能源密集度和資源及資源性產品進口比重。
3、反映對外貿易社會效益的警兆指標。從對外貿易促進社會發展角度初選指標確定為反映對外貿易社會效益層面的警兆指標，主要包括對外貿易行業就業人數和對外貿易行業平均工資。
二、對外貿易可持續發展預警警度的確定
警度是對警情的定量刻畫，它是判斷警情指標變動是否有警、警情如何的參照系。警度分為五種，即無警、輕警、中警、重警、巨警，對應于不同警度的警限可以分別稱之為無警警限、輕警警限、中警警限、重警警限、巨警警限。預警界限是預警指標的閾值，是劃分不同警度的依據。預警界限的確定依據國際公認、歷史經驗、專家意見以及各國產業發展的實際情況等因素綜合予以考慮。預警界限值的確定方法有：系統化方法、控制圖方法、突變論方法和專家確定法等。
對外貿易可持續發展預警警度的確定主要采用系統化方法。系統化方法是通過對大量歷史數據進行定性分析，根據各種并列的原則或標準來研究警限，結合實際情況和以往的經驗，綜合多方面意見進行適當的調整，從而得出合適的警限。系統化的原則主要有：多數原則、少數原則、均數原則、眾數原則、人數原則、一致原則。在初選出的對外貿易可持續發展預警警兆指標集中運用主成分方法篩選出貢獻度大的警兆指標，利用AHP計算出對外貿易可持續發展綜合評價指數值。對對外貿易可持續發展綜合評價指數值利用系統化的原則確定出對外貿易預警界限值。最終根據對外貿易可持續發展綜合評價值的時間序列數據確定出警度。
三、對外貿易可持續發展預警模型的構建
BP（Back Propagation）網絡是1986年由Rumelhart和McCelland為首的科學家小組提出的，是一種按誤差逆傳播算法訓練的多層前饋網絡。BP網絡能學習和存貯大量的輸入-輸出模式映射關系，而無須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。BP神經網絡模型拓撲結構包括輸入層、隱含層和輸出層。
人工神經網絡具有良好的容錯能力，對數據的分布要求不嚴格，具備處理資料遺漏或錯誤的能力。并且它具有較強的學習能力，可隨時依據新準備數據資料進行自我學習、訓練，調整其內部的權重參數以對應多變的經濟環境?；谏窠浘W絡的自學習、自適應能力和強容錯性，BP神經網絡非常適合用來構建對外貿易可持續發展預警模型。對外貿易可持續發展預警模型可視為構建一個包括輸入層、隱含層和輸出層的三層神經網絡。就其網絡結構而言，輸入層神經元個數由輸入層指標決定，輸出層神經元個數由輸出層類別決定，至于隱含層神經元個數一般為經驗值。其中輸入量對應警兆指標，隱含層節點對應警情指標，輸出量對應警度。具體構建步驟如下：
1、利用主成分方法對外貿可持續發展預警警兆指標進行篩選后，獲取指標數據，對指標數據進行無量綱化預處理。
2、根據神經網絡的基本原理以及BP神經網絡設計的一般原則對神經網絡進行設計。Robert Hecht-Nielson證明了對于任何閉區間內的一個連續函數都可以用一個隱含層BP神經網絡來逼近，一個三層的BP神經網絡可以完成任意的n維到m維的連續映射。對于外貿可持續發展預警模型采用單隱含層BP神經網絡，各節點的激活函數采用S型函數。輸入層節點的個數根據主成分分析的結果來確定，隱含層節點個數采用試湊法來確定，輸出層節點根據警度的分類數來確定。
3、BP神經網絡設計完成后，需要運用樣本集對網絡進行訓練，訓練時，網絡的輸入層為主成分分析之后的累積貢獻率達到85%--95%的主成分，網絡的輸出端為訓練樣本的警度等級。網絡的訓練涉及到網絡的泛化能力，泛化能力是指神經網絡對訓練樣本以外的新樣本數據的正確反映能力。因此網絡訓練完之后，還要用訓練樣本集之外的數據對泛化能力進行檢驗。
4、網絡的訓練階段結束后，即網絡穩定后，將各連接權值和閾值作為知識庫，這時整個網絡就是一個預測模型。然后用測試集對網絡的泛化能力進行檢驗，如果預測結果不好，則需要對網絡的相關參數進行調整，直到得到滿意的效果為止。
5、如果網絡檢驗結果好，那么可以直接應用于預測。可以將預測指標輸入神經網絡，對未來的對外貿易可持續發展預警狀態進行預測。得到預測結果以后，根據警度的劃分發出警報信息。
參考文獻：
[1]卓駿.反傾銷預警系統研究[M].北京：清華大學出版社，2008.
[2]王培志.經濟全球化背景下中國產業安全預警機制研究[M].北京：中國財經出版社，2008.
[3]傅薈璇、趙紅等.MATLAB神經網絡應用設計[M].北京：機械工業出版社，2010.
[4]洪錦瑞、易露霞、孫美楠.廣東省出口貿易可持續發展評價研究[J].生態經濟，2013（8）.
[5]胡慶江、王澤寰.基于層次分析法的沿海五省對外貿易可持續發展評價研究[J].國際商務，2011（4）.
