前言：中文期刊網精心挑選了循環神經網絡的優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。
循環神經網絡的優點范文1
關鍵詞:BP神經網絡,半干法脫硫工藝,鈣硫比
一、引言
循環流化床煙氣脫硫工藝是半干法脫硫工藝的一種,是使用粒狀脫硫劑及其他各個因素在脫硫塔內相反應以降低煙氣中的SO2含量。該工藝具有流程比較簡單、較少的耗水量、平均投入資金少、固化排出物、無廢水排放等優點。此工藝與濕法脫硫工藝相比,相對成本低比較低,對于很多熱電廠是很好的選擇,受到了眾多熱電廠的青睞。
在脫硫過程中如何控制凈煙氣中SO2含量、降低鈣硫比是目前研究的重點和難點,也是半干法脫硫工藝目的所在。國家已經訂立了強制性的二氧化硫排放標準,即由400mg/Nm3進一步嚴格控制為200mg/Nm3的限值,并且增加了監管力度。這對于目前的脫硫系統是一個重大的考驗。由此,二氧化硫的排放量的預測在實際工作的重要性也不盡凸現出來。然而目前對于循環流化床煙氣脫硫工藝的預測的研究比較少,這嚴重阻礙了脫硫工藝的發展。通過合理及準確的預測二氧化硫的排放量,可以很好的確定在脫硫中各個因素所占的比重,從而為下一步的優化提供有力的證據和科學依據。對于企業來講,也可以據此調整產業結構,減低成本。
本文中采用的數據為國家某電廠脫硫數據,此電廠自2008年設計和改造了脫硫除塵系統,屬于典型的經預除塵后煙氣先脫硫后除塵的布置方式,其設計鈣硫比為1.3,但是實際運行中,鈣硫比高達2.3~2.5,極大的增加了脫硫裝置的運行成本,經廠家多次調試和改造,沒有明顯改善。BP神經網絡是一種多層前饋型神經網絡,目前的研究發現,三層的神經網絡可以模擬從輸入到輸出的任意非線性函數映射關系,其權值的調整采用反向傳播的學習算法。其主要應用于四個方面:函數逼近,模式識別,分類,數據壓縮。經過調整權值,實現對數據的在精確范圍內的預測,輔助下一步的優化工作。
二、構造BP神經網絡模型
構建神經網絡一般需要進行三個步:神經網絡生成,初始化權值和仿真。
BP神經網絡的學習規則是要保證網絡權值和閥值要沿著負梯度方向修正,以實現映射函數的最快下降方向。其基本形式為:
wk+1=wk-ηkdk
其中wk為權值或閥值矩陣,dk是映射函數的梯度,ηk是學習率。
假設三層BP神經網絡,輸入節點xi,隱層節點hj,輸出節點yl,輸入層節點與隱層節點之間的權值為wji,隱層節點與輸出層節點之間的權值為vlj,θi為相應的閾值。輸出節點的期望值為tl。
隱層節點的輸出:hj=f(∑iwjixi-θj)=f(netj)
其中netj=∑iwjixi-θj
輸出節點的輸出:netl=∑jvljhj-θlyl=f(∑jvljyj-θl)=f(netl)
其中:E=12∑l(tl-yl)2=12∑l(tl-f(∑jvljf(∑iwjixi-θj)-θl))2
輸出節點誤差為:Evlj=∑nk=1Eykykvlj=Eylylvlj
1. 誤差函數對輸出節點求導:
Ewlj=∑nk=1Eykykvlj=Evlylvlj
2. 誤差函數對隱層節點求導:
Ewji=∑i∑jEylylhjhjwji
3. 閥值的修正:
在修正權值的過程中,也應該考慮對閾值的修正,其修正原理同權值修正基本一致。
誤差函數對輸出節點閥值求導:
Eθl=Eylylθl
誤差函數對隱層節點閥值求導
Eθj=∑Eylylhjhjθj
f(x)=11+e-x
4. 傳遞函數:
f(x)=21+e-x
S型傳遞函數
三、數據分析
在循環流化床煙氣脫硫工藝中,影響脫硫效率的因子比較多,主要分為5部分:原煙氣、凈煙氣、水路部分、增壓風機部分和吸收劑部分。其中原煙氣包括:硫化床阻力、塔前溫度、塔前壓力、塔后壓力、氧含量、平均壓差和二氧化硫含量;凈煙氣包括:二氧化硫含量、氧含量、粉塵濃度、出口壓力、出口溫度、煙氣流量;水路部分包括:出口流量、回水流量、工藝水量;增壓風機包括:增壓風機電機電流信號、增壓風機入口擋板開度;吸收劑部分包括:吸收劑送風壓力、吸收劑給料機開度。其中塔前壓力和塔后壓力各有兩個監測點,平均壓差=塔后壓力—塔前壓力;工藝水量=出口流量—回水流量。
四、算法分析
在預測之前,首先需要對數據進行清理,除去數據中得一些噪音。數據清理在數據分析中是一個重要的步驟,對數據合理的清理可以加快算法收斂速率,提高預測準確度。本文中所采用的數據都為清理后的數據,保證了預測的準確度。
此外,由于數據中各個變量的變化差異比較大,在應用之前也需要對其歸一化處理。設數據中任意變量矩陣為X,X=x1,x2,…xn,則任意xi,i=1,2…n為此變量中得數據。歸一化處理:
X′=X/max(X)。
數據中得每一變量都經過此歸一化方法進行歸一化處理。
從數據中可以分析得到,該BP神經網絡模型的有21個輸入變量,即影響因素;1個輸出變量,此輸出為凈煙氣的二氧化硫的含量。在本文中,筆者采用三層BP神經網絡,輸入層包含21個神經元,隱含層包含了20個神經元,輸出層包含1個神經元。
圖1所示為利用BP神經網絡訓練的仿真;圖2所示為預測值與實際值得比較圖。
通過BP神經網絡的仿真訓練圖,我們可以看到,經過305次迭代神經網絡停止,預測精度約為0.0072。
圖1BP神經網絡仿真圖2預測值與原值比較圖
五、結語
通過仿真,利用BP神經網絡不斷的訓練,實現了對循環流化床煙氣脫硫工藝預測,并實現了預測值與實際值得比較。從實驗中,可以看出,預測值存在的一定的誤差。今后本課題的目標就是更加減小誤差值,盡量滿足預測的需要。
在符合實際情況下的高精度預測,對于預測主題是非常重要的。利用預測可是預知不利的情況,提前做好防范。并且可以為進一步優化提供了便利條件。利用預測值,可以客觀的驗證優化的效率及程度。(作者單位:河北大學管理學院)
參考文獻:
[1]范麗婷,李鴻儒,王福利.半干法煙氣脫硫工藝在絕熱飽和溫差的軟測量[J].儀器儀表學報,2009,30(7).
[2]董長虹.Matlab神經網絡與應用[M].國防工業出版社,北京,2005.
[3]展錦程,冉景煜,孫圖星. 煙氣脫硫吸收塔反應過程的數值模擬及試驗研究[J]. 動力工程,2008,28(3).
循環神經網絡的優點范文2
【關鍵詞】雙目視覺;神經網絡;攝像機標定
1.引言
雙目測距技術在非接觸式測量，機器人視覺等領域都有廣泛引用。本文研究的是被動式遠距離目標的距離測量系統中系統的標定技術研究，雙目測距系統標定方法研究對計算機視覺技術發展有重要意義。攝像機標定的目的在于確定攝像機的位置，以確定物體在空間坐標系與成像平面之間相應的位置關系。
這些位置關系以及攝像機光學和幾何參數在一些場所并不需要一一解出，而只需要構建二維成像平面上像點坐標與三維空間坐標投影點之間的一種映射關系。而神經網絡有非常強的非線性映射能功能，因此我們可以通過采用神經網絡對攝像機進行標定。
2.基于神經網絡的攝像機的標定方法
2.1 神經網絡、雙目視覺神經網絡攝像機標定
人工神經網絡也稱神經網絡，是一門新興技術，用以處理一些難以用標準數學模型描述的系統，模擬人類大腦的一些機理，實現某些特定功能。它具有很強的自學習及自適應能力，而其中可自由設定隱層節點的多層前饋神經網絡，可以完成任意精度近似任意連續函數[1，2]。
由于網絡由相連的非線性單元組成，因此就具有了學習非線性過程的能力。與攝像機標定工作機制相似，神經網絡可以從一些已知數據通過計算得到未知參數。而神經網絡標定的畸變模型有任意性，可以避免傳統標定方法非線性標定可能無解、標定精度低等多種問題。本文通過運用神經網絡學維平面圖像像點與三維空間物點坐標之間的關系，提出了改進神經網絡雙目攝像機的標定方法。
本文雙目視覺神經網絡攝像機標定具有的優點是不用假設初始值，也不用建立精確的標定模型，只要輸入三維空間中物體在兩個圖像上的像點坐標，神經網絡便可輸出物體在的三維空間的世界坐標。進行多次的神經網絡學習、訓練，最后可得到相對理想的輸入、輸出非線性映射關系。
2.2 改進的RBF神經網絡
徑向基函數（Radial Basis Function， RBF）神經網絡是一種三層前向神經網絡，它結構簡單，訓練簡潔，學習收斂速度快，能夠以任意精度逼近任意連續函數，廣泛應用于眾多領域[3，4]。RBF網絡模擬了人腦中局部調整、相互覆蓋接收域的神經網絡結構，是一種局部逼近網絡。并且RBF神經網絡在逼近能力、分類能力及學習速度等多方面都優于BP神經網絡，
遺傳算法是模擬生物進化論的自然選擇和遺傳學機理的生物進化過程的計算模型，是一種通過模擬生物在自然進化過程中形成的一種自適應全局優化搜索最優解的方法[5]。
本文提出了一種基于改進的RBF神經網絡的攝像機標定方法，引入了遺傳算法，優化了徑向基函數網絡的學習算法。
2.2.1 RBF網絡的結構
RBF網絡是一種三層前向網絡，三層分別是輸入層，隱藏層和輸出層。輸入層由信號源節點組成;輸出層是對輸入作出響應;隱藏層中節點數由需要而定，其中的徑向基函數是局部響應函數。
從輸入空間到隱含層空間的變換是非線性的，而從隱含層空間到輸出層空間是線性的。RBF網絡是局部逼近網絡，三層組成（m個輸入、h個隱節點、n個輸出），常用的徑向基函數是高斯函數，因此徑向基神經網絡的激活函數可表示為：
（1）
式中：是歐式范數;X是輸入樣本，;是高斯函數的中心，也是網絡隱含層節點的中心;為高斯函數的方差;i是隱含層節點數。
RBF網絡的結構輸出為：
（2）
式中：wij是隱含層到輸出層的連接權值;yj是第j個輸出節點的實際輸出。
假設d是樣本的期望輸出值，則基函數的方差為：
（3）
式中：P是樣本總數。
RBF網絡學習方法求解需要的參數：基函數的中心、方差以及隱含層到輸出層的權值。RBF網絡的輸出是隱單元輸出的線性加權和。本文采用的是自組織選取中心法。
2.2.2 優化的RBF神經網絡
本文加入遺傳算法用以優化已有的神經網絡，用全局搜索找到最優網絡結構，確定較理想非線性映射關系，進而達到雙目視覺的標定。采用實數編碼、最佳保留（elitist model）選擇機制，交叉概率采用自適應方式，再對數據做歸一化處理。
2.3 整體算法步驟
用遺傳算法對神經網路的參數進行優化，得到權值與偏差值范圍。再用RBF網絡在局部搜索得出最優網絡結構標定系統。
1）將多組對應的雙目視覺系統圖像像點坐標作為輸入的訓練樣本，組成群體;
2）采用梯度下降法學習樣本網絡個體基函數的中心、方差;
3）采用最小二乘法學習隱含層到輸出層的線性權值;
4）采用遺傳算法優化隱含層中節點數;
5）通過循環交替學習、訓練，得到相對理想的RBF網絡標定系統。
3.實驗說明
分別采用線性標定、標準BP網絡、和改進的RBF網絡做雙目視覺標定，后兩種做非線性函數逼近，對測試結果進行比較。得出結果：較其他兩種，改進的RBF網絡測試誤差最小。
表1 測試結果比較
隱節點數 訓練誤差 測試誤差
線性標定 * * 0.2945
標準BP 26 0.0935 0.0356
改進RBF 13 0.0576 0.0123
4.結論
在不考慮鏡像畸變及環境等因素的形象下，將基于改進的RBF神經網絡應用于雙目視覺攝像機標定方法中，提高了測量精度，減少了因傳統標定方法建立的模型不完善而帶來的誤差，為雙目視覺測量應用于精密測量提供了一種新的有效方法。標定后的測量系統在雙目視覺空間具有很高的測量精度。
參考文獻
[1]閻平凡，張長水.人工神經網絡與模擬進化計算[M].清華大學出版社，2000：410-420.
[2]錢光耀，楊入超，趙光興.基于人工神經網絡的壓力傳感器三維數據融合[J].傳感器與微系統，2007，26（2）：79-81.
[3]Liu Hongmei，Ouyang Pingechao，Wang Shaoping.Fault detection based on RBF neural network in a hydraulic position servo system[A].The 6th World Congress on Control and Automation[C].Dalian， China，2006：5708-5712.
[4]楊耀華，李昕，江芳澤.基于OLS算法的RBF神經網絡高速公路事件探測[J].系統仿真學報，2003，15（5）：709-712.
循環神經網絡的優點范文3
Abstract: In order to improve the problem that single neural network model has slow convergence speed, we adopt combination neural network modeling method. We established a network model of the gas turbine performance simulation, and it was validated by experiment. In the course of modeling, the modeling object is divided into three relatively independent sub-networks. We use the training domain obtained by experimental data to train the network, and set up a combined neural network model that can be used for gas turbine control system simulation and fault diagnosis. The experimental results show that the average output error of this model is about 3% - 6%, the calculation time is less than 100ms, and it can be used for model-based gas turbine diagnosis system.
關鍵詞: 燃機故障分類;故障診斷;組合神經網絡
Key words: gas turbine;fault diagnosis;neural network
中圖分類號:TK4文獻標識碼:A文章編號:1006-4311(2010)29-0138-03
0引言
燃氣輪機是一種潔凈、高效的動力裝置。然而,由于燃氣輪機設備結構復雜,影響其運行的因素較多,且其長期工作在高溫、高壓狀態下,很多部件有可能發生故障。一旦設備出現故障停止運轉,則需要投入大量的精力與時間來進行維修,帶來巨大的經濟損失,有時甚至會對工作人員的生命安全造成威脅。由于燃氣輪機故障診斷能大幅度降低維修成本,同時也能大大提高機組運行的安全性和可靠性,所以對燃氣輪機故障診斷系統的研究不僅有很大的理論意義,而且有較好的實用價值。
目前,對燃氣輪機故障診斷的研究多采用基于BP神經網絡的故障診斷方法。雖然BP單神經網絡可以診斷多個故障,但它仍存在一定的缺陷:要實現對多個故障模式的診斷,網絡需要對大量的故障樣本進行學習,但構造反映多種故障樣本的特征向量不是件容易的事;診斷多類故障的網絡結構難以確定,即便確定了,往往也會出現網絡節點過多、結構過于復雜等現象;當出現新的故障時,單神經網絡的記憶必須全部消除,然后重新訓練,工作量極大。針對以上幾點,本文在BP神經網絡的基礎上將單神經網絡按照一定原則進行分解,組成多個子神經網絡,子神經網絡結構相對簡單,易于操作,相對而言更適用于大型復雜機械的故障診斷。
1組合神經網絡模型的建立
1.1 組合神經網絡模型簡介神經網絡能學習復雜、非線性關系,可以充當基于模型方法中的數學模型部分,還可以充當廣義模式匹配器[1]。近年來,神經網絡的研究和應用有了很大的發展,神經網絡以其諸多優點,在故障診斷領域受到高度的重視,并得到廣泛的研究和應用。
組合神經網絡模型,即是將一定數量的個體神經網絡組合在一起,并行的訓練同一個任務,它最初是由Hansen和Salamon提出的。研究表明,由多個神經網絡進行組合而構成的組合神經網絡模型在泛化能力上得到了非常大的提高,效果明顯優于單一網絡模型[2]。組合神經網絡模型結構如圖1所示。
組合神經網絡由多個子神經網絡組成,子神經網絡將單神經網絡的診斷任務進行分解,負責診斷對象某個子系統的故障。子神經網絡結構簡單,訓練所需的樣本數量少,訓練速度快。而且,當系統出現新故障時,組合神經網絡可以通過添加新的子網絡來進行處理,不需要重新訓練,擴展性能強。
1.2 燃氣輪機故障分類燃氣輪機是一種簡單開式循環雙軸結構工業機組,它的設計和生產引入了模塊的概念,使得燃氣輪機的輔助系統分別設計、加工成標準模塊,并對其標準模塊進行試驗,然后組裝。這使得燃機具有可靠性強、適應性強、壽命長的特點。燃氣輪機主要包含以下幾個模塊:燃氣發生器、動力透平、、燃料、啟動、監測和冷卻系統模塊。
由于燃氣輪機結構的復雜性及其工作環境的多變性,導致其故障類型及故障模式紛繁復雜,從總體上看可分為3類:
1.2.1 性能型故障這種故障能導致機組性能的顯著下降,性能型故障多表現在機組最大負荷下降,耗油率過高,部件效率下降,渦輪排氣溫度過高,壓氣機喘振等。
1.2.2 結構強度型故障這類故障的后果較為嚴重,表現為機組強度不足引起的破裂與損傷,高、低壓疲勞損傷,熱疲勞損傷等,如壓氣機葉片磨損及斷裂。
1.2.3 輔助系統型故障這種類型的故障往往會誘發前述兩種類型的故障,如控制系統的故障會導致壓氣機轉速不穩定這類性能型故障,繼而有可能導致壓氣機葉片斷裂這類結構強度型故障。
根據從現場采集的數據資料,文中將燃氣輪機經常發生的故障進行了篩選、分類,并繪制了表1。
上表中燃氣輪機有兩種類型的信號:狀態量和連續量。狀態量信號通常使用一維的數值就可以表示,例如,液體燃料閥開關(0表示該液體燃料閥開,1表示該液體燃料閥關)、油箱溫度(66℃)。連續量信號是自變量為連續的時間變量的信號,燃氣輪機信號中大部分信號均為連續量信號,如壓力、壓差等。
1.3 組合神經網絡模型設計組合神經網絡中的子神經網絡結構簡單,訓練非常迅速,各子神經網絡之間互不影響,各自診斷該子網絡故障特征對應的故障。當系統出現新的故障特征及其對應的故障時,只需增加一個新的子神經網絡或修正某一子神經網絡即可,這樣就大大提高了整個網絡的擴展性和學習能力。
1.3.1 子網絡的設計組合神經網絡模型由若干個子神經網絡組成,子網絡的結構特性會直接影響組合神經網絡的診斷效果。故而在設計子網絡時,應遵循以下組成原則:使各子網絡之間的相關性盡量小,即訓練子神經網絡的樣本應盡量不同;不同測點上測得的各類故障聲強信號之間的相關性很小,因此可按不同測點對樣本進行分組,然后將分組后的樣本分別用于子神經網絡的訓練;同時,計算每組樣本數目在總樣本數目中所占的比例,并將比例值作為每組子網絡的可信度eg。
基于以上原則,我們將用于燃氣輪機故障診斷的組合神經網絡分為三個子神經網絡:燃料子神經網絡、子神經網絡及透平子神經網絡。
文中三個子神經網絡的設計均采用了BP算法。BP算法將神經網絡學習輸入輸出的映射問題轉變為一個非線性優化問題,使用了最優化中最普遍的梯度下降算法,用迭代運算修正網絡權重,實現網絡輸出與期望輸出間的均方差最小化。該算法由前向計算過程和誤差反向傳播過程組成。
根據神經網絡的要求和所要達到的網絡輸出目的,本文選擇神經網絡層間的傳遞函數為Sigmoid型函數,即為:f(x)=
其函數圖像為:
1988年,Cybenko指出:當各節點均采用Sigmoid型函數時,一個隱含層就足以實現任意的判斷分類問題,兩個隱含層就足以表示輸入圖形的任意輸出函數。這個結論對BP網絡隱含層數目的確定具有指導性意義。根據實際情況,本文所設計的子神經網絡均采用單隱層結構。
圖2是組合神經網絡中診斷燃料子系統故障的子神經網絡。圖3是組合神經網絡中診斷子系統故障的子神經網絡。圖4是組合神經網絡中診斷透平子系統故障的子神經網絡。
1.3.2 子網絡的整合Hansen和Salamon在Neural network ensembles一文中已經證明了:對于一個組合神經網絡模型,如果一個模式正確分類的平均率小于50%,且組合神經網絡模型中的個體網絡的誤差是獨立的,則隨著個體網絡個數的無限增加,該模式分類的期望誤差將逐漸趨于零。然而,這一假設在實際應用中很難實施,主要是因為實際操作中并不能保證各個體網絡之間是相互獨立的。
由于燃氣輪機各個系統之間都具有一定的相互依存關系,不能保持絕對的相互獨立,本文在保證個子神經網絡相對獨立的基礎上,將燃氣輪機故障診斷的組合神經網絡結構設計如圖5。
1.3.3 組合神經網絡的訓練組合神經網絡的訓練就是對網絡中的子網絡進行訓練,本文為子網絡輸出的各個故障組織了3組樣本進行訓練。
這里我們將網絡的輸入信號進行了歸一化處理,將信號處理到[0,1]區間內。
2結語
①針對故障訓練樣本采用歸一化處理能很好地減小樣本數據間的差異,提高網絡診斷的正確率。②結合燃氣輪機故障診斷的特點,用組合神經網絡判別不同的故障種類,提高了網絡的訓練效率和診斷的準確性。通過對診斷實例的計算分析表明,用基于BP算法的人工神經網絡模型作為基本分類器構建的組合神經網絡在燃氣輪機故障診斷中能夠取得比較理想的結果,故障實例檢測結果表明該算法判斷模式、診斷結果均準確。
參考文獻:
[1]張建華,張俊華,侯國蓮.神經網絡在故障診斷中的應用[J].電力學報,1998,13(4):1.
循環神經網絡的優點范文4
關鍵詞:模糊 估算 工程 造價
中圖分類號： TU723 文獻標識碼： A 文章編號：
前言
工程造價估算是利用己建類似工程的造價資料和市場變化的信息，對擬建工程投資費用所作的一種預先估計或預測。如何利用以往有限類似工程數據對擬建工程進行快速、準確地估算是整個工程造價確定的核心問題，也是項目建設過程中許多重要問題(籌資、投資控制、優選施工單位、成本控制等)決策的基礎。因此，工程成本快速估算方法成為實際應用和理論研究的焦點之一，本文將灰色系統理論運用到模糊估算中，以合理確定擬建工程與己建工程的相似度，建立了一個新的指標一綜合相似度。從而建立一種新的更精確的造價估算方法。
一、工程造價估算的重要性
工程造價估算作為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。
1、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，同樣是工程施工成本控制的起點，因此，實現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。
2、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。
3、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。
二、模糊預測技術的原理
估算的基礎與理論：若要計算某項欲估工程的合理成本，可從承包商們已完成的眾多典型工程中按特征因素相近的原則找出與欲估工程最接近的若干個相似工程。根據相似工程的實際成本資料，采用可行的預測方法就可得到欲估工程的測算成本。因這種測算成本是依據已完成典型工程的實際成本得來的，既能反映承包商的實際成本水平，又能被業主接受，故在本模型中稱為合理成本。這就是模型估測的基本原理。
三、模糊神經網絡在公路工程造價估算中的應用
1、基于模糊神經網絡的公路工程造價估算方法的實現
將模糊神經網絡應用于公路工程造價估算方面，是近年來公路工程造價估算發展的特點和重點。從本質上來看，模糊神經網絡就是一個系統，它即有輸入又有輸出，與公路工程的造價估算十分相似，因為公路工程造價估算就是在輸入公路工程施工的一系列要求和特點后輸出相應結果的，所以與模擬神經網絡所提供的輸入輸出機制非常相似，其中結合模糊神經網絡的原理，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。
（1）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。
（2）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。
（3）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。
（4）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。
（5）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。
2、基于模糊神經網絡的公路工程造價估算方法的優點
基于模糊神經網絡的公路工程造價估算方法有效的克服了傳統上工程造價估算方法的一系列缺點，與傳統的工程造價估算方法相比，其顯著優點就在于造價估算的迅速以及估算結果的精確。其中該方法的優點可以概括為如下幾點。
（1）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。
（2）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。
（3）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。
（4）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。
四、工程成本模糊預測的程序化設計
本文利用“VB”的可視化圖形用戶界面，不需要編寫大量代碼去描述界面的特點，開發出工程成本模糊預測的操作系統，用戶只需要簡單地點擊5～10個按鍵，就可以估算出預估工程的合理成本，實現操作的簡單便捷。操作程序設計流程見圖1。
按照上述流程圖先輸入典型工程的參數，本程序選用結構特征、基礎處理、維護結構、外墻裝飾、層數及層高作為模糊因子。然后，計算典型工程1的貼近度，估算典型工程1的成本，輸出典型工程1預估成本的值并檢驗其精度(精度≤5 滿足要求)；如此循環，分別檢驗典型工程2、3、4的精度，若都滿足精度要求，則驗證模糊函數因子特征值選擇合理，最后即可估算擬建工程的成本，并輸出結果。
五、應用實例計算
1、隸屬函數的確定
隸屬函數的取值是決定模型估測結果是否精確、可行的關鍵。筆者根據有關參考資料，結合自己多年從事T程造價的實際工作經驗，建立了“純框架結構體系對比工程模糊關系系數表”，見表1所示。
2、 檢驗“對比工程模糊關系系數”的可靠性
其計算結果和檢驗結果如表2所示，所有檢驗精度均滿足要求，說明所建隸屬函數是可行的，可以此作為估算的依據。
3、實例應用
欲估工程為山西四建集團公司中標承建的孝義市房地產開發中心物業管理綜合樓。建筑總長144．3 rn，建筑總高27．5 m，建筑面積8 017．08 m 。地上3層(局部為5層、7層)層高4．2 IIl，局部3．6m。工程抗震設防烈度為7度，地基處理采用體積比2：8灰土換土1 In厚，基礎采用柱及墻下鋼筋混凝土條形基礎，基礎內設鋼筋混凝土地梁。主體結構為純框架結構，柱網尺寸為7．2 m×7．2 m，框架抗震等級為3級。窗為塑鋼窗，門為木門或木制防火門?？蚣芴畛鋲Α?．00以下采用M7．5水泥砂漿砌MU10機磚，±0．00以上采用M7．5混合砂漿砌加氣混凝土砌塊。根據上述思路計算欲估工程的直接工程費，計算結果如表3所示。
根據山西省建四公司提供的竣工資料顯示，該工程竣工決算土建部分的單方直接工程費為881．33元／m2，因此估算的誤差為：（844―881.33)÷881.33=―4.2%＜±5%。
算例說明采用模糊原理方法估算的結果能滿足精度的需要，進一步說明此方法的可行性，可以作為今后快速估算工程造價的一種行之有效的方法。
六、結論
由于工程造價估算涉及到很多不確定性、模糊性的因素，而模糊數學正是用精確化的手段研究客觀實際中帶有模糊性的現象和活動。因此，應用模糊數學法來估算工程造價在實際中可以取得一定的效果。
參考文獻:
循環神經網絡的優點范文5
關鍵詞：RBF神經網絡 蟻群算法 渦流無損檢測
中圖分類號：TB302 文獻標識碼：A 文章編號：1672-3791（2012）09（c）-0004-02
渦流無損檢測以電磁感應理論為基礎，通過渦流的變化檢測被檢材料近表面有無缺陷，并通過對缺陷信號的分析，判斷缺陷形狀甚至對其發展趨勢做出預測。目前，渦流無損檢測技術已經廣泛應用于壓力容器、核電站熱交換管道、飛機結構等導電材料近表面缺陷的檢測中。對缺陷信號的特征識別是檢測中的關鍵技術，也是制約渦流檢測技術發展的一大難題。近年來，神經網絡技術在特征識別方面得到了較多的應用[1]。徑向基函數（Radial Basis Function，RBF）神經網絡是一種前饋神經網路，因其具有結構簡單、計算量少、學習速度快、泛化能力強、訓練時間短等優點己被成功應用于無損檢測領域。決定RBF網絡性能的主要參數有兩個：一是徑向基函數中心利寬度；二是輸出權值，它們直接關系著輸出結果的精確度和收斂速度。一般來說，徑向基函數中心通常用聚類的方法獲得，但傳統算法受選擇的聚類中心、樣品幾何性質及排列次序影響極大，并且由于聚類數目無法確定導致網絡泛化能力不強。因此尋找確定網絡中心的合理方法成為設計RBF網絡的首要問題。本文采用了蟻群算法來確定RBF網絡中心。蟻群算法作為一種隨機優化方法，不需要任何先驗知識，最初只是隨機的選擇搜索路徑，隨著對空間的了解，搜索更加具有規律性，最終得到全局最優解[2～5]—— 這不僅可以加快聚類速度，而且使聚類中心更加優化。仿真結果表明，采用蟻群算法確定RBF中心及節點寬度，提升了網絡魯棒性和訓練度，從而較好地完成了渦流無損檢測。
1 蟻群算法概述
蟻群算法（又稱蟻群系統）是受到自然界中真實蟻群集體行為的啟發，利用蟻群通過個體間的信息傳遞、搜索從蟻穴到食物間的最短路徑的集體尋優特征，來解決組合優化問題。蟻群算法本質上是一種模擬進化算法，它結合了分布式計算、正反饋機制和貪婪搜索的搜索算法，具有不易陷入局部最優，快速得到最優解，縮短搜索時間的優點[3]。
蟻群算法基本思想：螞蟻從不同的路徑去尋找食物源，在走過的路徑上留下信息素，使得一定范圍內的其他螞蟻能夠覺察并由此影響未來的行為。某個路徑上通過的螞蟻越多，留下的信息素也越多，該路徑被其他螞蟻選擇的概率也越高；動態調整各路徑上的信息素，蒸發掉信息素少的，最終，根據各路徑上的信息素的多少來確定最優（短）路徑[4]。
（4）根據式（3），計算ci合并到cj的概率。
（5）判斷是否成立。若成立，將cj類歸并到ci類，類別數CenterNum減1，而后重新計算歸并后的RBF聚類中心。
（6）若沒有歸并或達到最大迭代次數，則停止循環，否則轉第（2）步繼續迭代。
（7）確定隱層節點寬度。，其中為第i個聚類中心與其他最近的聚類中心之間的最短距離，既，A為常數。
4 優化算法在渦流無損檢測中的應用
本文采用蟻群神經網絡對板材進行渦流無損檢測，其系統工作原理如下：探頭從板材的一端移動到另外一端，采集電壓和電流信號，通過放大器將其放大、濾波，通過對信號的處理得到探頭的阻抗增量。通過實驗發現：線圈阻抗增量的幅值主要受缺陷的長度影響，而阻抗增量的相位主要受缺陷深度的影響。之后，將小波多尺度邊緣檢測方法得到的信號特征值作為RBF網絡的輸入樣本[7]，經過神經網絡訓練得到缺陷特征值。
本實驗在深度固定條件下通過神經網絡來判斷缺陷的長度。訓練樣本為長度范圍為12～35mm的56組數據；檢驗樣本為深度4mm，長度不同的8組數據。每只螞蟻對應一組訓練樣本，最終確定出RBF中心即螞蟻找到了通往的食物源的最優路徑。為檢驗RBF網絡性能，本文將其和OLS算法進行對比[8]，結果如表1所示。
通過表可以看出，應用蟻群算法后，RBF網絡結構得到優化。OLS算法得到的網絡結構為8×41×1，蟻群算法結構為8×25×1。并且網絡魯棒性和訓練速度也得劍了改善。
5 結論
蟻群優化算法是近年來才提出的一種基于種群尋優的啟發式搜索算法。它利用自然進化機制來表現復雜現象，結合分布式汁算、正反饋機制利貪婪式搜索算法，使算法不容易陷入局部最優并且收斂速度快。本文采用蟻群算法優化RBF網絡中心后，通過與OLS算法對比表明：采用蟻群算法的RBF網絡結構更優，網絡魯棒性和精度得到了提高，仿真效果更為良好。
參考文獻
[1] 施克仁，何朝輝.人工網絡在渦流檢測信號處理中的應用[J].無損檢測，1996，18（7）：199-201.
[2] 洪炳熔，會飛虎，高慶吉.基于蟻群算法的多層前饋神經網絡[J].哈爾濱工業大學學報，2003，35（7）：823-825.
[3] Dorigo M，Gambardella L M.Ant colony system：a cooperativc learning approach to the traveling salesman problem. IEEE Transon Evolutionary Computation，1997，1（1）：53-66.
[4] Jayaraman V K，Kulkarni B D， Karale S，et al.Ant colony frame work of optimal design and scheduling of batch plants[J].Computers and Chemical Engineering，2000，7（24）：1901-1912.
[5] 王劍，李平，楊春節.蟻群算法的理論與應用[J].機電工程，2003，20（5）：126-129
[6] 周美蘭，敖雪.基于蟻群神經網絡的電控發動機故障診斷研究[J].黑龍江大學自然科學學報，2011，28（3）：415-420.
循環神經網絡的優點范文6
[關鍵詞]探地雷達 神經網絡 自組織特征映射
[中圖分類號] TN95 [文獻碼] B [文章編號] 1000-405X（2015）-3-131-3
1前言
在探地雷達的數據處理中，通常采用的是類似地震數據處理中的一些手段和方法，比如去除零漂、增益處理、帶通濾波、道均衡等等，這些方法均是對整個剖面進行操作的，而我們可以通過神經網絡方法，對數據體中某幾個區域進行選取，對比研究，以判斷其存在的雷同性或者差異性，來達到分類的目的，用以不同深度和區域地質體的判別和認定。
2神經網絡結構及算法
2.1神經網絡結構
神經網絡系統是用數學思維模擬人腦神經信息處理方式的一種人工智能網絡，它是一個高度復雜的非線性動力學系統，由大量簡單的神經元廣泛相互連接而成。神經元一般是一個多輸入單輸出的非線性器件，它是神經網絡的基本處理單元，結構模型見圖1所示。神經網絡因其具有大規模并行計算、容錯性強、分布式存儲及超強學習能力等優點，被廣泛應用于諸多領域，并取得了引人注目的成果。
經過多年的發展，已經發展出感知器網絡、BP網絡、徑向基網絡、Hopfield網絡、自組織網絡和LVQ網絡等等。
在已知目標向量的情況下，可以采用由導師的訓練方法，然后針對探地雷達數據的特點，這里沒有采用BP神經網絡等需要導師的網絡進行訓練學習，而采用了無需提供導師信號的神經網絡――自組織神經網絡。
2.2自組織特征映射神經網絡算法
自組織神經網絡的無導師學習方式更類似于人類大腦認知過程，其最重要的特點是通過自動尋找樣本中的內在規律和本質屬性，自適應地改變網絡參數與結構。自組織神經網絡又分為幾個內容，自組織競爭網絡、特征映射網絡、共振理論模型等。本文采用的自組織特征映射（SOM）神經網絡，是由芬蘭神經網絡專家Kohonen于1981年提出的。SOM網絡共有兩層―輸入層和輸出層，分別模擬感知外界輸入信息的視網膜和做出響應的大腦皮層，對于某個特定的輸入模式，輸出層會有某個節點產生最大響應而獲勝，獲勝神經元對其鄰近神經元存在側擬制機制。
SOM網絡采用的學習算法稱為Kohonen算法，采用優勝域思想，模擬生物區域神經興奮競爭機制，其算法過程按如下步驟進行：
2.2.1初始化
給定初始學習率η（0）；建立初始優勝鄰域Nj*（0）；給輸出層各神經元對應的權向量賦小隨機數，并進行歸一化處理得到Wj。
2.2.2輸入模式
自組織網絡中選取一個輸入模式，并進行歸一化處理得到X。
2.2.3尋找獲勝神經元
將X與輸出層所有神經元對應的權向量Wj進行相似性比較，最相似的神經元獲勝，權向量為Wj*：
2.2.4確定優勝鄰域Nj*（t）
以j*為中心確定t時刻的權值調整域，優勝鄰域內的所有神經元均按其離開獲勝神經元的距離遠近不同調整權值，隨著訓練次數的增加，優勝鄰域半徑不斷收縮。
2.2.5調整權值
只有獲勝神經元才有權按下式學習調整其權向量Wj*：
其中η（t）隨時間變化逐漸下降到0，一般取 或
2.2.6重新歸一化處理
對經學習調整后的權向量重新進行歸一化處理，循環計算，直到學習率η衰減到0。
3理論數值模擬應用
3.1區分方波函數
首先通過方波函數，用有導師的神經網絡進行訓練，對神經網絡的使用加以試驗說明。
原始數據共48道，400ms采樣時間的方波數據，200-400ms的振幅2倍于0-200ms，如圖2中a所示，將0-48道的0-100ms和300-400ms的數據拼接構成網絡輸入信號，目標函數為一個長度為201的向量，0-100為0，101-201為1；測試數據選取為原始數據中100-350ms部分的數據，測試目標函數為一個長度為251的向量，0-100為0，101-251為1。
通過神經網絡訓練，得到圖2中b中所示結果，星號為目標曲線，紅色為輸出曲線，綠色為誤差曲線，可以看出誤差為零，訓練結果還是令人滿意的。
3.2判別模擬數據
對一個模擬數據的某一塊數據體（圖3（a）），我們采用自組織特征映射網絡對其進行訓練分類。
根據上述的算法，對18-37道、15-50ms采樣時間的數據進行訓練分類，在分成5類的情況下，從18道至37道網絡自動識別成為以下情況：4 4 4 5 5 5 2 2 2 2 2 2 3 3 3 3 1 1 1 1，其中一個數字代表一類情況，用其他道的數據測試該網絡時可以得到如下結果：40道返回數字1，15道返回數字4，與實際情況相符合。
可以看出SOM算法對不同的波形分類的情況還是比較理想的，當然這個分類情況和事先給定的種類也有關系，給定的種類越多，分的越細，給定的種類越少，分的越粗。對于圖3（b）中40ms附近的反射異常，在2個分類的情況下，可以方便的與圍巖分辨出來，反射異常區的各道為一個類別，圍巖區域為一個類別。
4實際數據應用
下面我們通過實際采集到的雷達數據進行訓練處理。
野外作業主機為美國GSSI公司的SIR-20型，天線為40M低頻組合天線，數據共70道，采樣長度1024ms，0.2m點測采集，64次疊加，數據為在灰巖地區獲取。
數據剖面見圖4，由于工作環境為灰巖地區，初步判斷B區域為反射異常，對A區域存有疑慮?，F根據SOM算法，應用神經網絡對其進行分類辨別，通過訓練歸類，得出以下結論：A區域49-55道與B區域62-70道屬于同一類別的，56-61道屬于另外一個類別。因此認定A區域與B區域應為同一類地層反射引起，由于振幅較強，判斷為一個埋深較大的溶洞，56-61道可能由于區域含水吸收導致能量較弱，后經開挖驗證，A區域與B區域確實為一個連通溶洞，且規模很大。
5結論
通過對方波函數的判別、模擬數據的訓練分類以及實際數據異常反射區的分類判定，可以看出神經網絡方法作為一個手段來對探地雷達數據處理還是很有效果的，在一定程度上能夠滿足剖面處理的要求，達到使用的目的。本文使用無導師的網絡進行訓練的目的就是為了能夠自動判別分類，避免人為干預的影響，當然某些情況下以可以采用有導師的網絡，有針對性的進行識別。
本文得到中國地質調查局基[2014]01-034-013項目資助。
Abstract： Get across the introduce of neural network， using the characteristic than training the network to classified， after the experimentation on square function and simulation data， finally carry on real acquisition data， identify and class the choosed area， achieve the aim to distinguish and cognizance about structure in different area on profile，satisfy the require of data process.
Keywords： GPR Neural network Self-Organizing Feature Map
參考文獻
[1]飛思科技產品研發中心.神經網絡理論與MATLAB7實現[M].北京：電子工業出版社，2005.
Fei Si Technology R & D center. Neural Network Theory and MATLAB7 Implementation[M]. Beijing： Electronic Industry Press，2005.
[2]李大心.探地雷達方法與應用[M].北京：地質出版社，1994.
Li Da-xin. Method and application of ground penetrating radar [M]. Beijing： Geology Press， 1994.
[3]翟波，楊峰，孫水明.基于二維濾波的探地雷達數據去噪研究[J].南京師范大學學報，2007，7（3）：80.
Zhai Bo， Yang Feng， Shui Ming-sun. Based on two-dimensional filtering of ground penetrating radar data denoising [J]. Nanjing Normal University， 2007，7 （3）： 80.
[4]楊峰，彭蘇萍，張全升. 地質雷達精細處理技術方法的應用研究[J].工程勘察，2007，（4）：70-74
Yang Feng， Su Ping-peng， Zhang Quan-sheng. Ground Penetrating Radar Method for fine processing technology applied research [J]. Engineering Survey， 2007 （4） ：70-74.
[5]郝建新，魏玉峰，林雄斌，地質雷達探測干擾因素及圖像識別研究[J].工程勘察，2008（11）：73-75.
Jian-Xin Hao， Yu-Feng Wei， Lin Xiongbin， ground penetrating radar interference factors and image recognition research[J]. Engineering Survey， 2008 （11） ：73-75.
[6] David. J. Bescoby， Gavin C. Cawley， and P. Neil Chroston. Enhanced interpretation of magnetic survey data from archaeological sites using artificial neural networks[J]. Geophysics，2006， 71，H45.
[7] Zhengping Liu and Jiaqi Liu. Seismic-controlled nonlinear extrapolation of well parameters using neural networks. Geophysics，1998，63：2035.
