前言：中文期刊網精心挑選了人工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。
人工神經網絡的優點范文1
［關鍵詞］BP神經網絡農業工程農業管理農業決策
一、引言
采用神經網絡算法的信息處理技術，以其較強的計算性和學習性，現如今已經在各工程領域內得到了廣泛應用。隨著科技不斷的發展和研究的不斷深入，農業系統中采用的傳統分析和管理的方法已經不能滿足農業工程領域快速發展的需要。在農業系統中采用神經網絡技術可在一定程度上可彌補傳統方法的不足，現已成為實現農業現代化的一個重要途徑。神經網絡現已在農業生產的各個環節得到廣泛的應用，從作物營養控制、作物疾病診斷、產量預測到產品分級，顯示了巨大的潛力，并正以很快的速度與生產實際相結合。目前應用比較多的BP神經網絡，可通過學習以任意精度逼近任何連續映射，在農業生產與科研中展示出了廣闊的應用前景。
BP人工神經網絡方法。人工神經網絡是對生物神經網絡的簡化和模擬的一種信息處理系統，具有很強的信息存貯能力和計算能力，屬于一種非經典的數值算法。通?？煞譃榍跋蛏窠浘W絡、反饋神經網絡和自組織映射神經網絡。BP神經網絡(Backpropugation Neura1 Network)是一種單向傳播的多層前向神經網絡，可通過連續不斷的在相對于誤差函數斜率下降的方向上計算網絡權值以及偏差的變化而逐漸逼近目標值，每一次數字和偏差的變化都與網絡誤差的影響成正比，并以反向傳播的方式傳遞到每一層，從而實現了神經網絡的學習過程。BP人工神經網絡的結構如圖所示，BP神經網絡可分為輸入層、中間層(隱含層)和輸出層，其中輸入和輸出都只有一層，中間層可有一層或多層。同層的網絡結點之間沒有連接。每個網絡結點表示一個神經元，其傳遞函數通常采用Sigmoid型函數。BP神經網絡相當于從輸入到輸出的高度非線性映射，對于樣本輸入和輸出，可以認為存在某一映射函數g，使得y0=g(xi)，i＝1，2，3，…，m，其中m為樣本數，xi為輸入樣本，yo為輸出結果。
BP神經網絡的一個顯著優點就是其可進行自學習，能夠通過訓練得到預期的效果。其學習過程由正向傳播和反向傳播組成，神經網絡的輸入值經過非線性變換從輸入層經隱含層神經元的逐層處理傳向輸出層，此為正向傳播過程。每一層神經元的狀態將影響到下一層神經元狀態。如果輸出層得到的數值與期望輸出有一定的偏差，則轉入反向傳播過程。神經網絡通過對輸入值和希望的輸出值(教師值)進行比較，根據兩者之間的差的函數來調整神經網絡的各層的連接權值和各個神經元的閾值，最終使誤差函數達到最小。其調整的過程是由后向前進行的，稱為誤差反向傳播BP算法。具體學習過程如下：
（1)隨機給各個權值賦一個初始權值，要求各個權值互不相等，且均為較小的非零數。
（2)輸入樣本集中每一個樣本值，確定相應的網絡實際輸出值。
（3)計算實際的輸出值與相應的樣本集中的相應輸出值的差值。
（4)按極小誤差方式調整權值矩陣。
（5)判斷網絡誤差是否小于訓練前人為設定的一個較小的值，若小于，則跳出運算，此時的結果為神經網絡的最終訓練結果；若大于，則繼續計算。
（6）判斷最大迭代次數是否大于預先設定的數，若小于，返回（2）;若大于，則中止運算，其結果為神經網絡的最終訓練結果。
上述的計算過程循環進行，直到完成給定的訓練次數或達到設定的誤差終止值。
二、BP神經網絡在農業工程領域中的應用
1.在農業生產管理與農業決策中的應用
農業生產管理受地域、環境、季節等影響較大，用產生式規則完整描述實際系統，可能會因組合規則過多而無法實現。神經網絡的一個顯著的優點就是其具有較強的自學習、自適應、自組織能力，通過對有代表性的樣本的學習可以掌握學習對象的內在規律，從而可以在一定程度上克服上述信息量大的問題。神經網絡在農業生產管理方面可用于農作物生長過程中對農作物生長需求進行預測，從而通過對養分、水分、溫度、以及PH值的優化控制達到最優的生長狀況。采用神經網絡預測算法的主要思想可描述為：（1）收集一定規模的樣本集，采用BP算法進行訓練，使網絡收斂到預定的精度；（2）將網絡權值矩陣保存到一存儲介質中，例如文本文件或數據庫中；（3）對于待預測數據的輸入部分，從存儲介質中讀出網絡連接權值矩陣，然后通過BP神經網絡的前向傳播算法計算網絡輸出，輸出結果既是預測出來的數值向量。如霍再林等針對油葵不同階段的相對土壤含鹽濃度對其產量的影響有一定的規律的現象，以油葵的6個成長階段的土壤溶液含鹽的相對濃度為輸入樣本，相對產量為輸出樣本，通過比較發現，訓練后的神經網絡能較好預測油葵產量，采用此方法可補充傳統模型的不足，為今后進一步的研究開辟了新路。
在農業決策方面，主要將農業專家面對各種問題時所采取的方法的經驗，作為神經網絡的學習樣本，從而采用神經網絡建立的專家系統將從一定程度上彌補了傳統方法的不足，將農業決策智能化。如何勇、宋海燕針對傳統專家系統自學習能力差的缺點，利用神經網絡可自我訓練的優點，將神經網絡引入專家系統中。將小麥缺素時的田間宏觀表現，葉部、莖部、果實癥狀及引起缺素的原因這五個方面的可信度值作為神經網絡的輸入量，將農業專家診斷的結論作為輸出量，將這些數據作為神經網絡的訓練數據。實際應用表明此系統自動診斷的結果與專家現場診斷的結果基本一致，從而采用該系統能夠取代專家，實現作物的自我診斷，為農業管理方面提供了極大的幫助。如馬成林等針對于傳統施肥決策方法中非線性關系描述不足的問題，基于數據包分析和BP神經網絡，建立了施肥決策模型，應用表明，在有限的范圍內，模型預測結果較為合理，可以反映玉米的需肥特性。劉鋮等人提出采用神經網絡應用在農業生產決策中，以莜麥播種方式決策為例，通過對產生式規則的分析導出神經網絡輸入、輸出單元數，并通過多次試驗確定隱層單元數，用MATLAB方針結果表明，采用神經網絡作為農業生產決策的方法，取得了較好的效果。譚宗琨提出將基于互聯網環境下的神經網絡應用在玉米智能農業專家系統中，根據農作物發育進程分成若干個發育期，分別對各個發育期建立管理模型，依照作物各發育期進程時間間隔，由計算機系統自動選取相應的模型進行決策。應用分析的結果表明采用神經網絡的玉米智能專家系統已初步接近農業生產的實際。
2.在農產品外觀分析和品質評判
農產品的外觀，如形狀、大小、色澤等在生產過程中是不斷變化的，并且受人為和自然等復雜因素的影響較大。農產品的外觀直接影響到農產品的銷售，研究出農作物外觀受人為和自然的影響因素，通過神經網絡進行生產預測，可解決農產品由于不良外觀而造成的損失。如Murase 等針對西紅柿表皮破裂的現象，西紅柿表皮應力的增長與西紅柿果肉靠近表皮部分水分的增加有關，當表皮應力超過最大表皮強度時，將導致表皮破裂。用人工神經網絡系統，預測在環境溫度下的表皮應力，可通過控制環境變量來減少西紅柿表皮破裂所造成的損失。
在農業科研和生產中，農產品的品質評判大多是依賴于對農產品外觀的辨識。例如對果形尺寸和顏色等外觀判別果實的成熟度，作物與雜草的辨別，種子的外觀質量檢測。由于農業環境的復雜性和生物的多樣性，農產品的外觀不具有較確定的規律性和可描述性，單一采用圖像處理技術辨識農產品的外觀時不宜過多采取失真處理和變換，否則則增加圖像處理的復雜性，特征判別也相對困難。人工神經網絡由于其具有自學習、自組織的能力，比較適宜解決農業領域中許多難以用常規數學方法表達的復雜問題，與圖像處理技術相結合后，可根據圖像特征進行選擇性判別。采用此方法可以部分替代人工識別的工作，提高了生產效率，也有利于實現農業現代化。如Liao等將玉米籽粒圖像用34個特征參數作為神經網絡的輸入變量，將輸出的種粒形態分為5類，經過學習的神經網絡對完整籽粒分類的準確率達到93％，破籽粒分類的準確率達91％。
3.蔬菜、果實、谷物等農產品的分級和鑒定
在農業生產中，蔬菜、果實、谷物等農產品的分級和鑒定是通過對農產品外觀的辨識進行的。傳統的農產品外觀的辨識方法費時費力、預測可靠度很低，而且多采用人工操作，評價受到操作者主觀因素的影響，評判的精度難以保證。利用人工神經網絡技術結合圖像處理技術可部分代替以往這些主要依靠人工識別的工作，從而大大提高生產效率，實現農業生產與管理的自動化和智能化。
利用BP神經網絡技術對農產品果形尺寸和顏色等外觀評判，目前國內外已有不少成果用于實際生產中。何東健等以計算機視覺技術進行果實顏色自動分級為目的，研究了用人工神經網絡進行顏色分級的方法。分別用120個著色不同的紅星和紅富士蘋果作為訓練樣本集對網絡進行離線訓練。兩個品種的蘋果先由人工依據標準按著色度分成4級，對每一個品種分別求出7個模式特征值作為BP網絡的輸入，用訓練好的神經網絡進行分級。結果表明紅富士和紅星果實的平均分級一致率分別為94.2％和94.4％。劉禾等用對稱特征、長寬特征、寬度特征、比值特征等一系列特征值來描述果形。采用BP網絡與人工智能相結合，建立果形判別人工神經網絡專家系統。試驗水果品種為富士和國光。試驗表明系統對富士學習率為80％，對非學習樣本的富士蘋果的果形判別推確率為75％，系統對國光學習率為89％，對非學習樣本的國光蘋果果形判別系統的難確率為82％。
三、未來的發展方向
人工神經網絡的信息處理技術現已在農業工程領域內得到了迅速的應用，采用人工神經網絡算法的農業系統能夠從一定程度上改善控制效果，但此技術在農業范圍內還不夠成熟，有待于進一步的研究。今后科研的方向大體上可以從以下幾方面著手：
1.人工神經網絡算法的改進
人工神經網絡算法由于本身具有一定的缺點，從而采用人工神經網絡的算法的信息處理技術在應用過程中具有一定的局限性。在今后的研究中，可以從人工神經網絡方向著手，改進人工神經網絡算法，從而實現其在農業領域內更好的應用。近年來隨著模糊算法、蟻群算法等算法的相繼出現，將神經網絡與其他算法結合在一起已經成為了研究的熱門話題，也是未來算法研究的主要方向之一。
2.應用領域的擴展
人工神經網絡算法在農業工程方面現已得到了迅速的發展，擴展其在農業工程領域的應用范圍是未來的一個主要研究方向。人工神經網絡由于其具有自學習能力，可對農業系統的非線形特性進行較好的描述，采用人工神經網絡可解決傳統方法的不足，從而實現農業現代化。如何將神經網絡較好地引入到農業系統，解決農業工程中的部分問題，已是今后農業科研中的一個方向。
四、結束語
神經網絡作為一種人工智能范疇的計算方法，具有良好的自學習與數學計算的能力，可通過計算機程序進行模擬運算，現已廣泛用于模式識別、管理決策等方面。隨著計算機硬件和軟件的不斷發展與農業工程方面的研究的不斷深入，神經網絡將在農業管理、農業決策、農作物外觀分類、品質評判等方面充分發揮其自學習能力強，計算能力強的優勢，通過對樣本數據的學習，神經網絡可較好地解決農作物生長過程中的作物分類、預測等非線形的問題。在農業工程領域內，神經網絡擁有廣闊的科研前景。
參考文獻:
[1]余英林李海洲:神經網絡與信號分析[M]. 廣州: 華南理工大學出版社,1996:45
[2]霍再林史海濱孔東等: 基于人工神經網絡的作物水―鹽響應初步研究[J].內蒙古農業大學學報，2003，24（3）：66～70
[3]何勇宋海燕:基于神經網絡的作物營養診斷專家系統[J]. 農業工程學報,2005,21（1）:110～113
[4]馬成林吳才聰張書慧等:基與數據包絡分析和人工神經網絡的變量施肥決策方法研究[J].農業工程學報,2006，20（2）:152～155
[5]劉鋮楊盤洪: 莜麥播種方式決策的BP神經網絡模型[J]. 太原理工大學學報，2006,37(5):119～121
[6]譚宗琨: BP人工神經網絡在玉米智能農業專家系統中的應用[J].農業網絡信息，2004(10):9～1
[7]Liao K,Li Z,Reid J F,et al.Knoledge-based color discrimination of corn kernels[J].ASAE paper[C].92～3579
人工神經網絡的優點范文2
決策支持系統經過二十多年的發展，形成了如圖l所示公認的體系結構。它把模型并入信息系統軟件中，依靠管理信息系統和運籌學這兩個基礎逐步發展起來。它為解決非結構化決策問題提供了相應的有用信息，給各級管理決策人員的工作帶來了便利。從圖1可以看出決策支持系統體系結構可劃分為三級，即語言系統(LS)級、問題處理系統(PPS)級和知識系統fKS)級。其中問題處理系統級包括推理機系統(RS)、模型庫管理系統(MBMS)、知識庫管理系統(KBMS)及數據庫管理系統(DBMS)。知識系統級包括模型庫(MB)、知識庫(KB)及數據庫(DBo九十年代中期，興起了三個輔助決策技術：數據倉庫(DW)、聯機分析處理(0LAP)和數據挖掘(DM)。聯機分析處理是以客戶，服務器的方式完成多維數據分析。數據倉庫是根據決策主題的需要匯集大量的數據庫，通過綜合和分析得到輔助決策的信息。數據挖掘顧名思義，是為了獲得有用的數據，在大量的數據庫中進行篩選。人工智能技術建立一個智能的DSS人機界面，可進行圖、文、聲、像、形等多模式交互，人機交互此時變得更為自然和諧，人們能沉浸其中，進行合作式、目標向導式的交互方法。從目前情況來看，財務決策支持系統的研究還處于初級發展階段，財務數據的保密性、特殊性決定了財務決策不能全部公開化、透明化，但隨著中央及國務院相關部門財務預決算數據的公開，財務決策系統及其支持系統和過程也將隨之公開，這就要求決策者充分利用財務知識和決策支持系統的知識“聰明”決策、合理決策、科學決策、規范決策。
2財務管理神經網絡智能決策支持系統總體研究框架
2．1神經網絡運行機制神經網絡的著眼點是采納生物體中神經細胞網絡中某些可利用的部分，來彌補計算機的不足之處，而不是單單用物理的器件去完整地復制。第一，神經網絡中的鏈接的結構和鏈接權都可以通過學習而得到，具有十分強大的學習功能；第二，神經網絡所記憶的信息是一種分布式的儲存方式，大多儲存在神經元之間的權中；第三，神經網絡部分的或局部的神經元被破壞后，仍可以繼續進行其他活動，不影響全局的活動，因此說，神經網絡的這種特性被稱作容錯性；第四，神經網絡是由大量簡單的神經元組成的，每個神經元雖然結構簡單，但是它們組合到一起并行活動時，卻能爆發出較快較強的速度來。我們可以利用神經網絡的上述特點，將之應用于模式識別、自動控制、優化計算和聯想記憶、軍事應用以及決策支持系統中。
2.2財務管理神經網絡集成智能財務DSS的必然性在企業經營管理、政府機構財務活動中，人們時常面臨著財務決策。人們往往需要根據有關的理論及經驗制定出一系列的衡量標準。這種評價是一個非常復雜的非結構化決策過程，一般都是由內行專家根據一定的專業理論憑經驗和直覺在收集大量不完全、不確定信息基礎上建立起多級指標體系。但在這種指標體系中，各種指標之間的關系很難明確，而且還受評價者的效用標準和主觀偏好所左右。因此，很難在指標體系和評價目標間建立起準確的定量或定性模型。因此，我們需要采用一種可處理不確定性、不完全性信息的評價方法以支持決策。自然，利用人工神經網絡構造系統模式來支持這類評價決策問題是目前財務管理智能決策支持系統的一種發展趨勢和必然趨勢圈。
2．3財務管理神經網絡集成智能DSS系統框架神經網絡智能決策支持系統主要以知識、數據和模型為主體，結合神經網絡進行推理與數據開采。圖2給出了神經網絡智能決策支持系統研究框架『2I。研究中有兩個重點，即神經網絡推理系統和神經網絡數據開采系統。
2．3．1神經網絡數據開采系統神經網絡數據開采時利用神經網絡技術協助從數據中抽取模式。數據開采有五項基本任務：相關分析、聚類、概念描述、偏差監測、預測。常用的前饋式神經網絡，如BP網絡，可用于進行概念描述及預測。對向傳播(CounterPropagation，簡稱CP)神經網路可用來進行統計分析和聚類。CP網絡是美國神經計算專家RobertHecht—Nielsen提出的一種新型特征映射網絡，其網絡結構分輸入、競爭、輸出三層。該網絡吸取了無教師示教型網絡分類錄活、算法簡練的優點，又采納了有教師示教型網絡分類精細、準確的好處，使兩者有機地結合起來。由競爭層至輸出層，網絡按基本競爭型網絡學習規則得到各輸出神經元的實際輸出值，并按有教師示教的誤差校正方法調整由競爭層至輸出層的鏈接權。經過這樣反復地學習，可以將任意輸入模式映射為輸出模式。
2.3.2財務管理神經網絡推理系統財務管理神經網絡推理系統主要利用神經網絡的并行處理機制來解決傳統推理方法中存在的“組合爆炸”、“無窮遞歸”，等問題。在神經網絡系統中，計算與存儲時完全合二為一的，即信息的存儲體現在神經元互連的分布上，并以大規模并行方式處理。流動的過程就是從部分信息找到全部信息的過程，這就是聯想記憶的基本原理。若視動力系統的穩定吸引子為系統計算能量函數的極小點，系統最終會流向期望的最小點，計算也就在運動過程中悄悄地完成了。因而，可用雙向聯想記憶(BAM)網絡或CP網絡實現并行推理。CP網絡具有特殊的聯想推理映射功能。將輸入學習模式和期望輸出模式取為同一模式，且將之分為x和Y兩部分。網絡通過提供的樣本對進行充分的學習后，就可用來進行模式問的聯想推理。
3財務管理神經網絡智能DSS研究展望
當前世界上最熱門的研究課題，是模仿人類的思維方式來解決實際問題。專家系統和人工神經網絡是比較常用的技術，但由于自身的局限性，它們都側重于人類思維方式的某一方面。平時解決簡單的問題的時候還好，但真遇到解決復雜的問題的時候，它就顯得力不從心了，所以，這個時候我們可以將兩種技術結合起來解決，除了它們要自身不斷發展和完善外，還要注重兩者的協調配合，神經網絡DSS未來的發展趨勢就是依靠這兩種技術不斷結合，從而能幫助我們解決更多的實際問題。
3．1財務管理神經網絡支持專家系統常見的財務管理神經網絡支持專家系統主要包括幾個方面：知識維護、知識表示、知識獲取、推理等，我們針對各個步驟展開討論。
3．1．1知識維護。如果知識是通過人工神經網絡來獲取的，我們就可以同樣利用人工神經網絡，來讓維護工作變得更加方便快捷，維護可以通過人工神經網絡來自動完成，我們需要做的只是重新運行網絡模塊，或者重新訓練網絡模塊，又或是增加新的網絡模塊。
3．1.2推理。一般的專家系統只是求解專門性問題，應用的領域非常狹窄，同時由于控制策略不靈活，推理方法簡單，容易出現一些這樣或那樣的問題，推理效率低、速度慢。人-T-~$經網絡可以解決這一問題，從根本上提升工作效率，提高工作速度，它可以拓展知識空間，不只局限在狹窄的領域。
3．1．3知識表示。很多專家知識事實上很難用規則表示出來，但在現實工作中，我們大部分財務管理專家卻都采取這種方式，無論是直接的還是間接的。其它的知識表示方法也存在著同樣的問題。為了解決這一問題，我們可以采用人工神經網絡系統來將知識提供給專家系統，這樣做就可以避免這一問題，當專家系統需要相應知識時，就不需要用規則來表示知識，直接調用人工神經網絡就可以了。
3．1．4知識獲取。人工神經網絡可以幫專家系統來獲取知識，知識獲取是通過人機對話的形式進行的。首先，專家系統向專家提出問題，人工神經網路則負責對這些信息進行收集、處理，在人工神經網絡的聯結權值中已經具有通用的知識，所以這一步驟會很方便，之后再產生相應的數據結果。接著，專家系統在對這些數據進行進一步的分析。在這一過程中，專家系統只運用很少的規則就可以獲得相關的知識，大大提高了工作效率。
3.2財務管理專家系統支持神經網絡財務管理專家主要通過三種方式來對神經網絡提供必要的支持：第一，提供相應的必要的解釋；第二，進行預處理：第三，聯合應用。
3.2.1解釋。作為專家系統的人工神經網絡，它做不到同其他專家系統那樣，具體詳細地跟蹤問題求解的過程，以獲得答案的原因，它只能依靠增加一個小型的專家來解決這一問題，以獲得答案的原因，這個專家系統可以反向推理，從結果到初始輸入，系統提供具體的解決方法。在這種模式中，經過訓練的人工神經網絡來解決問題。當用戶要求解釋的時候，就可以通過網絡輸入一個并行的專家系統。
人工神經網絡的優點范文3
關鍵詞：人工神經網絡 企業經濟 預測
當代公司都處于劇烈的競爭之中，怎樣先人一步成為了管理過程中重要的一步。怎樣準確的預測企業的經濟變化，也成為了企業競爭過程中的核心，只有掌握了企業未來的經濟發展狀況，才可以在當下采取相關措施進行有針對性的解決或者支持，進而幫助企業規避風險、增加效益。所以，人工神經網絡的出現勢在必得，它極大地提升了預測的效率和準確性，摒棄了舊時代的預測不準、不快、太難的先天弊端，使得企業經濟預測變得具有科學性和說服力。本文以此為切入點，將人工神經網絡引入企業經濟預測，結合相關實際，討論其原理和應用情況。
一、具體預測方法介紹
1.時序預測模式
當前，關于人工神經網絡對企業的預測，通常選擇數學函數模型，。但是因為神經網絡的復雜性和擬合難度大，更多的企業選擇基于神經網絡的時序模型。這樣的方法既能結合神經網絡的優勢，也可以進一步抵消由于神經網絡預測帶來的系統誤差，使得結果更加精準。而具體方法為利用神經網絡體系對時序進行數學模型建立之后，再將神經網絡系統中計算出的相對誤差拿出來作為一組基礎數據進而進行分析，想要徹底解除誤差的干擾，應該同時建立多個網絡，平行的進行對比，這樣還可以提升預測精準度。
2.基于軟件數據處理的神經網絡預測
人工神經網絡的實現方法有很多種，但是不同的方法具有不同的優勢，他們統一的特點都是：學術性強、具有復雜性。其中，借助于計算機的方法最為盛行。因為它快速有效，具有可操作性和普及型，跟企業經濟實力沒有絕對關系，大部分企業選擇這一方法進行經濟預測，在這其中包括軟件數據、硬件技術對比等，利用軟件將企業近段時間經營數據收納后，運用擬定好的函數模型，快速的呈現出學科知識范疇下的企業經濟預測結果。而硬件技術也相對操作性較難，所以在目前的狀況下，絕大多數方案選擇的是軟件數據處理。
二、財務危機預警模型應用結果分析
人工神經系統中反復提到唯一變量分析模式，這個方法的優勢在于簡便、上手快、結果清晰明了、應用范疇廣。這樣的優點使得這個方法非常受到中小企業的歡迎。但是這一模式也有著非常大的弊端：首先，因為這個模式只關注一個參考量，所以缺乏對全局的考量和其他微弱影響因素的關注，使得結果比較主觀。其次，唯一的變量會和其他變量之間產生沖突，無法準確判斷多個結果間的彼此聯系。最后，企業經濟預測是一個需要多方面統籌的問題，僅僅使用一個變量參考缺乏說服力，需要提供詳細的企業財務數據與多個變量進行平衡計算。
第一，即使唯一變量法簡單易操作、方便處理數據，但是其經濟預測精準度有待加強。人工神經網絡是一個復雜高效的系統，必須保證數據的準確，只有在平時的財務處理過程中，根據企業自身的實際情況，將多項參考指標加入預測體系中，才可以提前知曉即將到來的經濟形勢變化。所以可將唯一變量法作為一項輔助手段，幫助主要的人工神經網絡預測方式，雙管齊下進行預測，能夠取得更好的效果。
第二，因為我國國情，企業內部信息也相對缺乏真實可靠性，如果采用了唯一變量法，假使選用的變量具有有決定性意義而且企業自身容易出現紕漏，這樣不僅不會取得良好的經濟預測結果，反而會誤導企業的發展走向后患無窮。所以應該在企業內部實行責任人員制度，即讓相關責任和工作人員對應起來，讓每方面的信息責任具體到人頭上，有針對性的對企業內心信息進行管理，使得企業經濟發展過程中每個部分都有據可依有人可查，不僅避免了相關信息的問題，而且能夠幫助人工神經網絡獲得更準確的數據。
三、結論
經濟發展的不確定性讓基于人工神經系統的預測模式應運而生，其實根本不存在完全精準有效的預測方法，只不過是在以往數據的基礎上結合相關實際，做出符合預期的預測，要想發揮出人工神經系統網絡的優勢，不僅需要不斷加強企業內部管理，保證所用數據真實性可靠性，更需要企業自身開發出更多適合企業實際情況的預警措施。退一步說，企業或許根本不需要經濟預測模式，他們應該注重怎樣在經營管理活動中提高效率，在現有資源情況下規避相關風險，同時不影響經營狀況。只有這樣才能從根本上解決企業需要面對的問題，從而增強企業實力，完成更好的經濟發展。
參考文獻：
[1]王超，佘廉.人工神經網絡在企業預警管理系統中的應用.武漢理工大學學報，2010年04期
[2]劉艷，楊鵬.基于ANN技術的企業經濟預警系統的構建.暨南大學管理學院、廣東金融學院工商管理系
人工神經網絡的優點范文4
關鍵詞：人工神經網絡 反向傳播算法 故障診斷
1 引言
隨著經濟的發展，空調系統得到了越來越廣泛的應用，空調設備已成為重要的生活必備品之一。這就要求空調系統可靠性高且功能齊全，而且在故障診斷維修服務方面達到一定的水平。國內目前的大部分空調系統中無故障診斷系統，當空調系統出現故障后，維保人員往往不能及時、準確地了解系統出現故障的原因及相關信息，空調系統無法得到及時修復，這種情況急需得到改善。
2 關于故障診斷技術
故障診斷FD(fault diagnosis)是一種了解和掌握設備在使用過程中的技術，確定其整體或局部是否正常，早期發現故障及其原因并能預報故障發展趨勢的技術。在診斷過程中，必須利用被診斷對象表現出來的各種有用信息，經過適當地處理和分析，做出正確的診斷結論。在制冷暖通空調領域，1987年在彥啟森教授的建議下，才開始了故障診斷專家系統在制冷暖通空調領域的研究應用[1]。
3 人工神經網絡用于空調系統故障診斷的基本原理
人工神經網絡(Artificial Neural Network．簡稱ANN)正是在人類對其大腦神經網絡認識理解的基礎上人工構造的能夠實現某種功能的神經網絡。它是理論化的人腦神經網絡的數學模型，是基于模仿大腦神經網絡結構和功能而建立的一種信息處理系統。它實際上是由大量簡單元件相互連接而成的復雜網絡，具有高度的非線性，能夠進行復雜的邏輯操作和非線性關系實現的系統。
典型的神經網絡結構如圖1所示。
在眾多的人工神經網絡模型中，最常用的是BP(Back Propagation)模型，即利用誤差反向傳播算法求解的多層前向神經網絡模型[2]。BP網絡在故障診斷、模式識別、圖像識別、管理系統等方面都得到了廣泛的應用。本文討論利用神經網絡中的BP模型進行空調系統的故障診斷。
首先需要進行知識的獲取。由專家提供關于各種空調系統故障現象(征兆集)及相應的故障原因(故障集)實例作為學習樣本。將數據分為兩部分，一部分用于訓練網絡，另一部分用于測試。將訓練網絡的數據按一定順序編碼，分別賦給網絡輸入、輸出節點，通過神經網絡學習算法對樣本進行學習，經過網絡內部自適應算法不斷修正權值，直到達到所要求的學習精度為止。此時在大量神經元之間聯結權值上就分布著專家知識和經驗。訓練完畢后，再將測試網絡的數據從初始狀態出發，向前推理，將顯示出的故障結果與實際的測試數據結果相比較，如果誤差很小，說明網絡的權值建立正確；如果誤差較大，說明網絡的權值建立有誤，需要重新進行網絡的訓練。
將訓練樣本訓練完畢后，即可進行空調系統的故障診斷。只要實際輸入模式接近于某一個訓練時的學習樣本的輸入模式，則可產生出接近學習樣本的輸出結果，也就是所謂的自聯想功能。同時，由于網絡計算上的大量并行性，當機器運行狀況改變，出現網絡學習未考慮的情況時，系統亦能給出正確分類結果。同時將新數據并入網絡，實現系統的自適應。一般來說，學習的故障實例樣本越多，診斷結果的準確率越高。
4 BP學習算法
BP算法因其簡單、易行、計算量小、并行性強等優點，是目前神經網絡訓練采用最多也是最成熟的訓練算法之一。BP算法的實質是求解誤差函數的最小值問題，由于它采用非線性規劃中的梯度下降法（Gradient Descent），按誤差函數的負梯度方向修正權值 [3]。其主要思路是如果求出訓練網絡的指標函數誤差：
一般的BP算法稱為標準誤差逆傳播算法，也就是對應每一次輸入都校正一次權值。這種算法不是全局誤差意義上的梯度下降計算。對各個神經元的輸出求偏導數，那么就可以算出誤差對所有連接權值的偏導數，從而可以利用梯度下降法來修改各個連接權值。真正的全局誤差意義上的梯度下降算法是在全部訓練模式都學習完后才校正連接權和閾值。其計算流程如圖2所示：
5 故障診斷實例 5.1 空調系統故障診斷的BP網絡建立
空調系統故障模式及故障機制分析[4]如表1所示
表1 空調系統故障模式及故障機制分析 表示
符號
表示
符號
房間溫度均偏高
1.冷凍機產冷量不足
2.噴水堵塞
3.通過空氣處理設備的風量過大，熱交換不良
4.回風量大于送風量
5.送風量不足（可能空氣過濾氣堵塞）
6.表冷器結霜，造成堵塞
相對濕度均偏低
7.室外空氣未經加濕處理
系統實測風量大于設計風量
8.系統的實際阻力小于設計阻力
9.設計時選用風機容量偏大
房間氣流速度超過允許流速
10.送風口速度過大
人工神經網絡的優點范文5
關鍵詞：深基坑工程；人工神經網絡；支護結構
中圖分類號：Tu473
文獻標識碼：A
隨著城市現代化進程的加快，地下工程規模日漸擴大，深基坑工程無論在數量上還是在規模上都有大幅度提高。深基坑工程是一個十分龐大的極其復雜的非線性系統，它既涉及土力學中最典型的強度、穩定和變形問題，同時還涉及土與支護結構的共同作用、水文地質與地下水控制、施工組織設計等問題。由于人工神經網絡(Artificial Neural Net-works，簡寫成ANN)能簡單模擬人腦神經元工作的部分機理，具有自適應性、非線性、學習功能及容錯性強等特點，特別適合于處理各種非線性問題，因而在深基坑工程的研究中得到了廣泛的應用。本文擬就ANN在深基坑工程中的應用進行一番探討。
1 人工神經網絡理論研究的發展簡介
人工神經網絡是以工程技術手段來模擬人腦神經元網絡的結構與特征的系統。利用人工神經元可以構成各種不同拓撲結構的神經網絡，它是生物神經網絡的一種模擬和近似。在人工神經網絡中，前饋型神經網絡是目前人工神經網絡中應用最廣泛也是發展最為成熟的一種網絡模型，其網絡結構如同1所示，神經元分層排列，有輸入層、隱層(亦稱中間層)和輸出層。各層神經元、各層之間通過不同的權重連接，權重的大小反映互連神經元之間相互影響的形式與大小。在輸入層輸入各初始參數后，輸出層的輸出值即為網絡對這些輸入參數的響應，也即所需的結構。圖1所示的網絡其本質上是建立輸入層各參數到輸出層各參數的映射，從而反映這些輸入參數對輸出的影響形式和幅度，進而反映輸入參數與輸出結構之問的本質聯系。
2 人工神經網絡理論研究的發展簡介
1943年，美國神經生理學家Warren Mcculloch和數學家Walter Pitts在文章“A Logical Calculus of I-deas Immanent in Nervous Activity”中，第一次提出了神經元數學模型，拉開了人工神經網絡發展的序幕。1949年，心理學家Donald Hebb在其所著書《The Organization of Behavior》中第一次將學習功能引入神經網絡系統，他所提出的Hebb學習規則在神經網絡模型研究中一直起著重要的作用。1957年。Frank Rosenblatt提出的感知器模型(Perceptron)，被認為是最早的神經網絡模型。1959年，Bernard Widrow和Marvin Hoff開發出一種稱為自適應單元(Ada-line)的網絡模型，網絡通過Marvin-Hoff學習算法訓練后，成功地應用于抵消通信中的回波和躁聲，也可用于天氣預報，是第一個用于實際問題的神經網絡模型。由于這些有識之士的工作及對神經網絡的宣傳，激起了更多人的興趣投入到這一領域，形成了ANN研究的第一次。
1969年，Marvin Minsky和Seymour Papert在他們合著的書《Perceptron》中，分析了簡單的感知器，指出了它的局限性，即對于非線形問題，甚至簡單的“異或”問題都無能為力。由此引起了對神經網絡批評的高漲，使得ANN的研究陷入了低潮。直到1982年，John Hopfield對神經網絡進行了嚴格的數學分析，揭示了其工作機理，并且用他提出的模型從失真的和不完善的數據圖形中獲得完整的數據圖形，引起了人們的關注，致使ANN的研究開始復蘇，并在近20年中得到了飛速的發展。
盡管神經網絡的研究才剛剛起步，它已在廣泛的領域中得到了應用。如信號處理與模式識別、專家系統、機器人控制、郵政通訊、圖像處理、語音識別等領域。近幾年來，在工程力學領域已有人引入ANN來解決問題，如基于BP網絡的混凝土本構關系模型，力學領域中非線形動態系統的識別，振動控制中的狀態估計，結構破壞形式估計，以及結構分析和可行性設計等等。
3 ANN在深基坑工程中的應用
ANN應用到基坑工程研究的時間較晚。Gob等(1995)用ANN成功地預測了基坑支護中地下連續墻的側向位移。在國內土木工程界，李立新(1997)在基坑的非線形位移反分析中應用了ANN，率先將ANN引入到用于解決深基坑工程中的種種問題。此后，許多專家學者開始意識到ANN解決深基坑工程問題的有效性和實用性，紛紛開展了這方面的研究工作。ANN在深基坑工程中的應用越來越普遍，應用的范圍也不斷擴大。截止目前，ANN在國內深基坑工程中主要應用于以下幾個方面：
3.1支護結構選型
常見的深基坑支護結構型式有排樁、地下連續墻、水泥土墻、土釘墻、逆作拱墻、放坡開挖等。支護結構可根據基坑周邊環境、基坑規模、工程地質與水文地質、施工作業設備、施工季節等條件，選用上述的某一種或幾種型式的組合。在深基坑工程中，支護體系和支撐構件設計的合理性和施工質量的優劣直接影響到整個支護體系的安全和正常使用，如何在眾多的支護方案中選擇一種技術上先進、施工上可行、經濟上合理的支護方案就顯得異常重要。支護結構體系是一個龐大復雜的力學系統，決定基坑工程支護方案的因素眾多且大多具有不確定性特點，根據ANN的特性和工作原理，考慮采用ANN進行深基坑支護結構選型是完全可行的。
王曉鴻等根據大量工程實踐確定了支護方案選擇的神經網絡表示方法，該方法以基坑開挖深度、基坑規模、場地條件、周邊環境控制等級、基坑周圍建筑物、道路、工程、管線的距離等作為輸入信息，以水泥土擋墻、灌注樁墻、地連墻等作為輸出信息，采用ANN方法進行研究，取得了常規的解析或數值方法不能達到的較好結果。
3.2變形的預測預報
深基坑工程變形的預測預報包括諸多方面：圍護結構的變形、地表沉降、坑底隆起、周圍管線變位等。對于上述諸多方面變形的每一種來說，其影響因素都是多方面且極其復雜的。比如，根據以往的施工經驗，影響支護結構變形的因素就有支撐條件、土層強度、圍護墻的剛度、圍護墻在坑底以下的入土深度、地下水、施工情況等，且每一種因素的影響方式和影響程度都不同，甚至有的是不確定的，因而采用傳統方法較難甚至不可能建立滿意的數學模型，也就無法很好地解決深基坑工程變形的預測預報問題。ANN方法的發展及其本身的諸多優點，為解決這一重要問題提供了強有力的工具。
目前，ANN在深基坑工程變形的預測預報中的應用研究比較活躍?？傮w來講，ANN應用于深基坑
工程變形的預測預報問題的研究可分為兩大類：
a)一般預測問題：即對一些同類型的、隨機的、廣泛在同一平面或曲面上(服從一定的概率分布)的實測值進行ANN模擬和泛化推廣，可稱之為橫向推廣。華瑞平等以單層內支撐圍護結構作為神經網絡設計的支護結構類型，以支撐點與開挖深度的比值、支撐彈性系數、基坑開挖深度、樁的入土深度、土的c、ψ值、樁的剛度7個指標作為輸入層參數，以樁的最大位移作為輸出層，采用10個樣本進行訓練，后對3個樣本進行了檢驗，最大誤差僅為6.6％，效果比較令人滿意。此外，其他一些專家學者對類似問題采用了不同的網絡結構進行研究，都取得了理想的預測結果。
b)時間序列預測問題。即將一個非線性變化過程依時間而產生的某種分布規律通過建立ANN以求得這種分布性的探索和泛化推廣，可稱為縱向推廣。深基坑工程中的變形是一個動態的過程。時間序列預測的基本思想是利用現有的歷史數據設計合理的ANN，經訓練和檢驗能達到所要求的精度后來預測未來時間的變形數據，從而預測預報基坑的穩定性。如孫海濤等對上海某深基坑工程中兩個測點每天的沉降進行了監測，以前4d的測量數據為依據來預測后2d的沉降值，經訓練、檢驗后，發現預測值與實測值較為吻合，基本反映了實測值的趨勢。
3.3土體物性參數識別
深基坑工程中的各種理論分析必須以合理的土體物性參數為基礎。這些由試驗測定的參數由于許多因素的影響往往與實際值存在較大差異。在實際工程中不確定的因素更多，因而采用這樣的參數進行分析計算，得到的結果往往不可靠。這就需要對深基坑開挖工程中土體的物性參數進行識別。其解決方法是：在深基坑開挖施工過程中，根據若干預先布置好的測點處現場測量所得的數據(位移、應力、孔隙水壓力等)，來反求出基坑及基坑周圍土體的物性參數(粘聚力、內摩擦角、彈性模量、泊松比等)。傳統的反分析法通常結合有限元法和數學規劃法，通過優化方法不斷修正土體的未知參數，使一些現場實測值與相應的數值計算的差異達到最小，這些方法需要求待識別參數對于現場實測值的敏度。由于土體物理特性與力學特性的非線性，采用數值近似方法計算敏度的工作量很大，程序的實現也復雜。利用人工神經網絡的非線性映射能力，可以解決一系列函數關系不能顯示表達的復雜模式識別與參數估計問題。與傳統反分析方法相比，該方法避免了敏度分析，并具有概念直觀、易于掌握、易于實現等優點。
3.4其它方面的應用
人工神經網絡除了成功地解決深基坑支護結構選型、變形預測預報、土體物性參數識別等問題以外，還可以應用于施工控制、突涌分析、工程造價預測、底板混凝土測溫等方面。雖然應用的方向和解決的問題有所不同，但是利用該方法所解決不同問題的思路大體上是一致的。
4 ANN方法在深基坑工程研究中的發展展望
4.1 BPN算法自身的改進
在目前為數眾多的ANN中，前饋型多層、誤差逆向傳播的BP神經網絡(Back Propagation Network，簡稱BPN)因為其簡單的特點而成為目前應用最廣的ANN學習模型。但BPN存在著自身的限制和不足，主要包括：收斂速度慢，存在局部極值，隱層節點個數選擇無理論參考，僅憑經驗選取，網絡運行為單向傳播，沒有反饋和返化能力差。基于此，出現了一些旨在改善BPN學習效果的方法。其中一個方法是通過發展更有效的學習算法去縮短學習時間。Moiler(1993)研制了一個比例共軛梯度算法去加快學習速度；Adeli和Hung(1994)建立了一個自適應共軛梯度神經網絡(Ad-CGN)學習算法，并將其應用到了結構工程當中。Sanossian和Evans(1995)用一個基于梯度的啟發式算法去加速神經網絡。另一個方法是利用平行算法去縮短計算時間。例如，Adeli和Hung(1993)提出了一個實時Ad-CGN學習算法去解決大規模模式識別問題，他們的算法在縮短BPN計算時間方面取得了一些進展。此外，通過合理選擇代表性框架來表示訓練的輸入輸出模式可以極大地改善神經網絡的工程應用性能。Gunaratnam和Gero(1994)討論了BPN應用于結構設計時訓練樣本的輸入輸出模式對BPN性能的影響。上面提到Hung和Lin(1994)在一個類似于牛頓第2定律的L-BFGS方法基礎上利用非線性搜索算法研制了一個更有效的自適應性算法L-BFGS。S.F.Masri(1999)在應用力學研究中用自適應隨機搜索技術(ARS)訓練了BPN。對BPN的改進的算法還有許多，這些算法各有其優點，也都有需要改進的地方。因此，為了使BPN能更為高效快速，我們今后還需要做更多的研究工作。
人工神經網絡的優點范文6
關鍵詞：模擬電路；智能故障診斷；神經網絡
中圖分類號：TN710 文獻標識碼：A 文章編號：1009-2374（2012）04-0118-02
上世紀70年代開始，模擬電路故障診斷理論第一次被提出來，如今已發展成為一門系統的學科。但是，雖然模擬電路的使用時間已經有一段歷史，其模擬電路故障診斷技術卻發展一直比較緩慢。以下筆者就從模擬電路智能故障的特點入手，對模擬電路智能故障診斷技術的發展現狀進行詳細探討。
一、模擬電路智能故障的特點分析
現將模擬電路故障的特點分析如下：
（一）模擬電路信號與數字信號的區別
模擬電路信號與數字信號有很大的不同：前者信號的大小是隨時間連續變化的量，包含的物理量屬于連續函數，其故障模式及模型難以用簡單的量化來描述。
（二）模擬電路元器件的特性
由于模擬電路中的元器件參數本身存在容差，導致了導致功能性故障的故障物理位置難以確定，存在較大的模糊性（“容差”的實質就是元器件本身存在的輕微故障）。
（三）模擬電路中存在的問題
在模擬電路中，存在反饋電路和非線性問題，增加了計算和測試的復雜性。
（四）模擬電路的使用范圍
模擬電路的頻率范圍比較寬，這就決定了其使用設備的差異性。有時，即使測量同一個信號，但是在不同的頻段上所使用的設備都會出現很大的差距，決定了其設備較大差異性的特點。
（五）模擬電路的故障問題
由于現在電路中，可測試的節點數一般都比較少（電路通常是封裝或者多層的緣故），導致判斷故障信息的數量不夠多、信息不夠充分，加大了故障判斷的難度。
二、模擬電路故障診斷技術現狀分析
近幾年，電子技術得到了飛速發展，隨著電子技術的飛速發展，電子技術運用而成，并隨著集成度的不斷增大，電路的復雜程度日益提高。
一般而言，故障辨識、故障檢測及故障隔離是電路故障診斷的主要內容。由于診斷原理的多樣性，導致了電路故障診斷方法也存在多樣性。
本文根據故障診斷的角度出發，對現行電路故障診斷的方法進行了分類。以下就現代模擬電路故障診斷的方法進行具體探討。
（一）專家系統故障診斷分析
專家系統在人工智能技術中，屬于應用比較廣泛和活躍的故障診斷技術之一。專家系統故障診斷的工作過程可以描述為以下幾個步驟：首先，應該具備故障診斷專家系統的知識庫，這個知識庫的內容主要是將相關診斷經驗與技術，使用一定的規則組合起來而形成，以備以后程序使用；然后，當出現故障時故障診斷系統將由報警系統得到相關信息，應用知識庫對其進行推理，由此得出出現的故障的原因。
以上診斷過程可以理解為：專家系統故障診斷技術是模擬行業專家進行診斷及決策的過程，主要可以解決一些比較復雜的故障問題。
但是，由于這些技術存在一定的缺陷，在一定程度上限制了其推廣使用。
（二）人工神經網絡技術分析
人工智能技術的另一個重要分支是人工神經網絡技術。
在故障診斷中，它的主要優勢在于：其特別適合處理那些具有復雜非線性關系的、無法用顯性公式表示的情況，并能夠有力解決非線性、反饋回路和容差等引起的問題，上述這些情況都是傳統模式識別方法難以解決的。
人工神經網絡由于其獨特的優勢，越來越受到人們的廣泛重視。
人工神經網絡的優點主要體現在以下幾個方面：（1）它以利用網絡的拓撲結構和權值分布實現非線性的映射，以分布的方式存儲信息；（2）它可以實現非線性信息變化問題，這個主要是通過全局并行處理來實現的信息變化。其可以有效的解決故障診斷中故障知識獲取這個“瓶頸”問題，以及“組合爆炸”等問題；（3）人工神經網絡技術還具有聯想記憶、并行分布處理以及自適應性強等特點。
以上的這些優點為智能故障診斷的研究開辟了一條新途徑?；谝陨系姆治觯瑢⑸窠浘W絡與專家系統相結合，使其相互補充，各自揚長避短，是故障診斷領域的一個熱點話題。
（三）神經網絡專家系統
從邏輯方面來講，神經網絡專家系統和傳統專家系統是完全不同的。神經網絡專家系統是一類新的知識表達體系，神經網絡專家系統中的信息處理是由大量簡單處理元件之間進行相互作用，從而進行信息處理的，屬于低層數值模型。神經網絡專家系統可以將數值運算和邏輯推理結合，并利用相關的信息處理功能來解決診斷系統中的相關問題。
在這種技術中，通過學習將專家知識存儲在網絡中，由此進行不精確的故障診斷，可以較好的完成相關推理過程。
（四）小波分析方法
小波分析法時一種時-頻分析方法。它的主要原理通過以下闡述：
小波變換及小波函數的多樣性。
小波是函數空間中滿足下述條件的一個函數或者信號：
式中：表示非零實數全體，是傅里葉變換，為小波母函數。
對于實數對（a，b），參數a為非零實數，函數
稱為由小波母函數生成的依賴于參數對（a，b）的連續小波函數，簡稱小波。其中：a稱為伸縮因子：b稱為平移因子。
對信號f（x）的連續小波變換則定義為：
其逆變換（回復信號或重構信號）為：
信號f（x）的離散小波變換定義為：
其逆變換（恢復信一號或重構信號）為：
其中：C是一個與信號無關的常數。
由上述原理可知，小波函數具有多樣性。
（五）神經網絡小波分析方法
將神經網絡與小波分析相結合的方法主要有兩個：
1．以輔助式結合的形式組合。在這種結合中，一般是利用小波分析技術對相應的信號進行預先處理，然后，利用神經網絡技術進行學習與判別。
2．以嵌套式結合的方式進行組合。這種結合中，主要是把小波分析方法融入到神經網絡中，形成新的神經網絡結構，即神經網絡一小波分析或小波網絡。這種新的網絡方法具有明顯的優勢：具有自適應分辨功能和很好的容錯性。
由上面分析可以得出，這種新的故障診斷鑒別方法是故障診斷領域的一個新方法，它不僅可以拓寬小波分析方法與神經網絡技術的應用領域，而且為故障診斷技術開辟了新道路，使得故障診斷技術得到了進一步的發展。
三、結語
由于現代科技的飛速發展，模擬電路故障診斷系統將會變得越來越復雜，如何保證模擬電路系統可以運行的更加可靠是一個值得深入探討的問題。模擬電路出現故障后，如能及時將相應的故障診斷清楚，并保證及時維修更換，無疑可以提高生產效率，提高成品的合格率，進而推動模擬電路系統向更好的方向
發展。
參考文獻
[1] 朱大奇．電子設備故障診斷原理與實踐[M]．北京電子工業出版社，2004．
