前言：中文期刊網精心挑選了神經網絡總結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。
神經網絡總結范文1
關鍵詞：神經網絡 網絡方法 環境色譜法 多個節點 信息模型
中圖分類號：X83 文獻標識碼：A 文章編號：1674-098X（2017）05（a）-0126-02
從近幾年在國內神經網絡的使用來看，在環境監測中也有著非常良好的效果。無論是從色譜法、光譜法還是整個環境的評價都帶來了很多新的成果。該文主要是通過對神經網絡相關分類的闡述，結合神經網絡在環境監測中的應用效果，希望能給神經網絡對環境監測中做一些回顧和總結[1]。
1 網絡方法類別
由于著重的角度關系，網絡法會有多種不同的類別，由于神經網絡是多個節點的連接，有相當多復雜的算法，基于神經網絡，可以總共闡述兩大類的情況，包括有管理和無管理的網絡方法。關于這兩種的不同點就在于它們是否需要對現有的樣本進行訓練。有管理的網絡方法是需要訓練，而無管理的網絡方法是無需進行訓練，它需要與其他的化合物相結合使用，里面會涉及到網絡與遺傳法、偏最小二乘法等分析方法來進行分析比較。另外根據網絡的結構不同，也可以把網絡方法給分成前向和后向的網絡方法，而如果是從網絡活動方式的差別，也可以將其分為隨機和確定兩種網絡方法。
2 關于環境監測的化學方面的應用
在化學方面，國內與有很多用于化合物的一些研究，比如一些有機結構分析，還有化學反應、蛋白質結構等等的分析。在進行定量的構效關系分析中，可以把釀酒的酵母菌來作為一種模型的指示物，建立相關網絡模型，然后對生物的毒性進行進一步預測，當然，在分析過程中還存在著很多的問題，通過比較一些網絡模型，然后計算它們之間的權值，再篩選相出相應的參數，學者們在分析的時候也會對多層前傳網絡進行探討分析，盡量減低誤差，通過多方向的非線性校準，并且進行數據解析，然后表明引射能力，通過建立神經網絡來不斷接近規律的程度，擬定相關的指標數[2]。
3 分光光度的方法應用
在化學分析進程中，通過多元校正和分辨是相對來說較好的一種方法。隨著相關方法的不斷普及，目前大多數是使網絡和現有的紫外光譜法相互關聯，利用線性網絡、BP網絡等來用于多個分組的報道[3]。鄧勃等[4]學者在分析的時候，認為除了人工神經網絡，迭代目標轉換因子的分析法相比較起來也是一種不錯的選擇，兩種方法各有優勢，并且產生的網絡法的誤差一般都不會很大。孫益民等專家在分析時，利用現有的人工神經網絡先后側出的光度法，并且可以測定比如銅、鎳，并且這個分析方式非常的簡單和方便[5]。
4 神經網絡對X射線中的熒光光譜法的應用
研究人員通過神經網絡建立與X射線熒光譜譜法的關系，通過多個不同的神經網絡來應用，可以通過他們之間的連接來測定酸溶鋁，通過神經網絡的設置，可以測定里面的最低的鋁值，通過神經網絡與BP的網絡模型的設立，可以直接輸入測出來的鋁含量情況，然后通過鋁含量來側出酸溶出來的鋁的數值。BP模型可以結合現有的神經網絡系統，充分的在現有的信息模型上應用，通過利用網絡神經的結構，不僅可以做一些化學分析，還可以通過神經網絡來檢測環境監測中涉及到的紅外譜圖等的分析，這為環境分析提供了非常有意義的方向，并且給環境監測提供了新的檢測方法[6]。
5 環境監測中的色譜法的研究
在關于色譜法的研究中，人工神經網絡也有可以應用的方向[7]。色譜法中的小波分析，與人工神經網絡的結合，小波分析的主要目的是為了得到重疊的色譜峰的信息，運用神經網絡分析之后，可以在其中建立相關的模型，通過兩者的結合來分開重疊的色譜峰信息，眾所周知，把重疊色譜分開是一個非常復雜的工程，它們之間需要運用大量的元素來分開，效率極低，極其浪費時間。因為其內里復雜的重疊組織，而現在，人工神經網絡為其分離提供了一種新的嘗試[8]，不僅如此，通過人工神經網絡的方法不僅可以分離，而且可以在分離之后得到更加精確的色譜信息。研究工作者在模擬退火神經網絡的時候，會運用藥物來優化整個分離的條件，這對于提高色譜精確度也非常有效。
6 環境監測中的評價
通過之前提到的BP網絡，通過介紹與人工神經網絡模型的結合，來闡述了整個模型應用的原理，通過綜合相關的分析方法可以對環境監測中的適用性進行分析評價，這樣表現出來的結果會更加客觀。研究者可以從有預測模型中表現的結果，在水庫里進行抽樣，提取水庫中的相關元素進行預測，確認是否與實際結果一致，可以通過建立人工神經網絡來對水質中的污染指數進行評價，然后得出相應的成果。
7 結語
人工神經網絡在整個環境監測中有著非常重要的作用，它擁有一些比較有意義特性，總共可以總結為以下3個方面：第一，人工神經網絡具有自學習的特性?？梢酝ㄟ^大量的圖像來設計，進行相關的圖像識別，把不同的幾個圖像進行整合分析，并且把與之相互對應的結果嵌入到神經網絡系統中，系統會根據自己特有的自學功能，對以后相關的圖像進行識別操作，它可以給人們提供一些預測結果，甚至在未來的無論是經濟還是政治等方面提供一些預測，預測經濟和市場，給未來的發展提供引導。第二，系統具有可存儲的特性。人工神經網絡里面包含了一種反饋的功能，而通過輸入信息和模型整合，聯系不同元素之間的關系，得出一些可能的聯想信息。最后，神經網絡還有一項功能便是優化得出答案的能力。
一般問題的因果關系都會涉及到多個方面，那么如何在多個元素中抽絲剝繭，不斷地優化整個系統，是神經網絡的一個主要的功能，它可以通過計算來得到最優化的解，即便其中的運算量牽連的比較多，但是結合神經網絡中反饋聯想的功能，再包括計算機強大的運算效率，那么得到答案有時候也是比較容易的。
人工神經網絡在環境監測中表現的效果比較好，但是除此之外，在其他領域，運用神經系統也可以得到一些相關的數據，比如經濟領域，它可以通過建立信息模型，來進行市場預測和風險評估，這些都是很好的應用方式。在未來的實踐中，隨著經驗的積累，神經網絡的應用在環境監測中會不斷地深入，通過在色譜、光度等領域的剖析，為未來的環境監測效果提供了更多的可能性。
參考文獻
[1] 黃勝林.遺傳優化神經網絡在大壩變形監測中的應用[D].遼寧工程技術大學，2012.
[2] 熊勛.人工神經網絡在環境質量評價和預測中的應用研究[D].華中科技大學，2009.
[3] 王學.無線傳感器網絡在遠程環境監測中的應用[D].山東師范大學，2011.
[4] 武藝.人工神經網絡在土壤質量監測中的應用[D].浙江海洋學院，2015.
[5] 黃湘君.基于主成分分析的BP神經網絡在電力系統負荷預測中的應用[J].科技信息：科學?教研，2008（16）：313-314.
[6] 李春梅，周驥平，顏景平.人工神經網絡在機器人視覺中的應用[J].制造業自動化，2000（9）：33-36，49.
[7] 涂曄，車文剛.BP神經網絡在福利彩票預測中的應用[A].中國智能計算大會[C].2009.
[8] 李巖，韓秋，鄭萬仁.BP神經網絡在電力需求決策中的應用[J].現代經濟信息，2009（22）：325-326.
神經網絡總結范文2
關鍵詞：神經網絡 應用 經濟預測 改進
神經網絡作為新時展最快的人工智能領域研究成果之一，在科學計算、自動控制等方面得到了成功的運用。近年來，我國學者們將神經網絡運用于經濟預測領域，并且不斷地改進應用方法，使基于神經網絡的經濟預測系統更具效益。本文在此背景下，對神經網絡經濟預測的應用進行了研究，圍繞經濟預測的方法應用提出相應的改進建議，從而豐富了經濟增長預測理論與實踐。
一、神經網絡經濟預測的方法的概述
1.概念
神經網絡，是對人腦或自然神經網絡若干基本特征的抽象和模擬。從解剖學和生理學的角度來看，人腦是一個復雜的并行系統，他是由大量的細胞組合而成，這些細胞相互連接。神經細胞與人體中的其他細胞的關鍵區別在于，神經細胞具有產生、處理和傳遞信號的能力。在人工神經網絡的發展過程中，對生物神經系統進行了不同模擬，提出了各種各樣的神經網絡模型，其中具有代表的網絡模型有感知器神經網絡、線性神經網絡、BP網絡、徑向基函數網絡、自組織網絡。
2.特征
神經網絡經濟預測的方法不同傳統的預測方法，它對經濟系統里的多種因素進行分析，進行有效地多輸入、多輸出的經濟預測數據?？梢哉f神經網絡經濟預測的方法具有以下幾種特征：其一，由于神經網絡是由復雜的因素構成的，它的輸入向量維數比較多。其二，經濟系統數據具有很強的非線性，使得輸入的向量各分量之間存在著復雜的耦合關系。其三，經濟系統處在一個“黑箱”模型下，導致數據之間的相互影響不存在明確表達式的關系。神經網絡也會隨著時間的增長，數據呈現出增長的趨勢。
3.優勢
用神經網絡進行經濟預測相對來說比較準確。因為這種神經網絡在計算量允許的范圍內，可以很好地擬合任意多對多的映射關系，數據擬合的結果表明，系統擬合相對誤差在0%—0.75%，比采取回歸分析逼近效果好。此外，神經網絡各層節點之間的聯結權數及閾值恰好可以表達經濟系統中各個因素之間相互交織、相互影響的強耦合關系.而采取多元回歸模型。
往往只能引入少量耦合項以避免模型過于復雜而無法求解.因此，神經網絡比傳統的多元回歸預測方法有更好的擬合能力和準確度。神經網絡的方法是比較適合對經濟預測的，因為它只需要少量訓練樣本就可以確定網絡的權值和閾值從而預測出宏觀經濟發展趨勢，計算簡單、快捷、可靠?？偠灾?，神經網絡經濟預測方法具有顯著的優勢，是比較適合經濟預測的應用過程的。
二、神經網絡經濟預測方法應用的改進
由于商業、政府和工業所產生的預測間題，其復雜程度越來越高，以致于現有的預測系統難于解決，這就要求我們的預測系統能夠處理復雜度增加的問題，進一步擴展傳統神經網絡預測方法的能力，使得神經網絡系統理論的不斷發展和完善、新的神經網絡預測方法的不斷產生，使得神經網絡預測模型更加實用化、現代化，會給商貿和工農業生產帶來巨大的經濟效益。以下是本人對神經網絡經濟預測方法應用改進的建議：
首先，我們要改進神經網絡經濟預測的過程。確定預測的目的，制定預測的計劃。經濟預測首先要確定預測的目的，從決策和管理的需求出發，緊密聯系實際需要與可能，確定預測要解決的問題。預測計劃是根據預測目的而制定的預測方案，包括預測的內容、項目，預測所需要的資料，準備選用的預測方法，預測的進程和完成的時間以及預測的預算、組織實施等。只有目的明確、計劃科學的預測，才可保證預測的順利進行。
其次，建立新的神經網絡經濟預測模型。經過求增長率再進行歸一化的處理，在給出的以往的數據的增長率范圍內，網絡就可能不再陷入訓練“盲區”。.當采用了足夠年限的已知數據并將其增長率歸一化以后，“被預測年”數據的增長率可能不再會大于那些“已知年”數據的增長率.則外延問題可以得到基本解決。
最后，對神經網絡經濟預測結果進行檢驗，減小誤差。經濟預測是立足于過去及現在的已知推測未來的未知，而過去和現在終歸不是未來，預測結果和未來實際值不可能絕對相符，存在的差異就是預測誤差。為了使預測誤差最小化，檢驗結果通過試探性的反復試驗來確定，預測準確度應盡可能進行外推檢驗。
三、總結
神經網絡經濟預測的方法相對于其他的經濟預測方法，具有獨特的、顯著的優勢，我們可以利用好其優勢，從而有助于我們更好的對經濟發展進行預測分析，從而把握好經濟發展動向，為經濟決策提供依據。因此，我們應當根據社會發展需要，不斷改進神經網絡經濟預測方法的應用，使其效能最優化，為我國經濟發展助力。
參考文獻：
[1]陳健，游瑋，田金信.應用神經網絡進行經濟預測方法的改進[J].哈爾濱工業大學學報，2006（06）
神經網絡總結范文3
關鍵詞：人工神經網絡；金屬切削刀具；磨損檢測
1.前言：
隨著我國的工業飛速發展，對于工件的要求也愈發嚴格，但是從工廠中制造出的工件或多或少都有些不盡人意，所以必須依靠金屬切削技術對工件進行二次加工。但隨著時間流逝，金屬刀具的磨損逐漸成為了一個問題。而且隨著機器的柔性化與機械化愈發提高，人工觀測刀具磨損狀況的方法也愈發得不可取。無數科學家為此進行了大量研究，討論出了是數種方法，而人工神經網絡運用于金屬切削機的技術也應運而生。人工神經網絡是一種以模擬動物神經網絡而創造的數學模型，人工神經網絡有大量簡單的處理單元組成，它最大的作用處理信息，并且擁有學習和記憶、歸納的能力。目前，人工神經網絡在智能控制、優化計算與信息處理中都有很大的進展，人工神經網絡的前景不可估量。
2.人工神經網絡在金屬切削刀具中的應用
2.1人工神經網絡的基礎知識
人工神經網絡是一種建立在現代醫學對于人腦的研究上的一種模擬人腦的數學模型。它是由大量簡單的處理單元組成的復雜網絡，用以模仿人類大腦的神經活動與規律。所以，人工神經網絡擁有人類大腦的基本特征，即：學習、記憶與歸納功能。雖然人工神經網絡與人類大腦相比略有不足，但是由于其獨特的結構，人工神經網絡可以對己輸入信息進行分析與歸納，并且擁有簡單的決斷能力與簡單的判斷能力，所以人工神經網絡在邏輯學推理演算中，比起人類大腦更加有優勢。故，人工神經網絡在一些比較簡單同時需要大量計算的工作上比起人腦更有優勢。于是，人工神經網絡被廣泛用于金屬切削技術，并獲得了大量的好評。
2.2人工神經網絡使金屬切削的過程更加智能化
人工神經網絡具有自學習、聯想存儲與優化計算的能力，在金屬切削中被大量運用。人工神經網絡在金屬切削中起著多傳感器多信息融合與模式聯想器的作用。在對選定的人工神經網絡進行訓練，通過人工神經網絡的學習與記錄作用，將人工神經網絡訓練為模型，并將這個模型運用于金屬切削中，使金屬切削過程智能化。1992年王衛平博士使用人工神經網絡令金屬切削機在金屬切削的過程中智能化。李旭東利用BP網絡與人工神經網絡的學習性，實現了金屬切削加工的智能化選擇。實際上，國內有許許多多的人用人工神經網絡實現了金屬切削過程的智能化，而隨著他們的成功，越來越多的人也將加入金屬切削智能化的隊伍中來。
并且隨著我國技術的逐漸加強，人工神經網絡技術的逐漸完善，金屬切削智能化的程度只會越來越強。
2.3人工神經網絡對于刀具磨損的檢測
人工神經系統被運用于金屬切削領域的初衷，就是希望借助它的智能化與信息處理的優越性，代替人工來檢驗刀具的磨損程度。
通過人工神經網絡的學習性，可以輕易在網絡中建模，使人工神經網絡可以輕易地檢測出刀具的正常狀態與非正常狀態――即刀具是否磨損。當刀具處于磨損狀態時，人工神經網絡可以發出警告。實際上，在刀具磨損狀態下發出警報已經不再是現在的研究重點了，在無人參與定情況下，對整個金屬切削過程進行識別，當刀具發生磨損，人工神經網絡可以進行自主替換，這，才是理想中的智能刀具檢驗系統，同時也是研究熱點。如果要實現上述內容，應該具備這些特點：對于來自多個傳感器的信息可以快速處理；在擁有樣本數據的情況下可以快速學習；可以根據外界數據的變化，快速調整自身，以適應周遭環境。
2.4通過人工神經網絡的計算，預測金屬切削加工中的狀態.
在人工神經網絡運用于金屬切削中的一個重要研究，便是通過人工神經網絡的計算來預測金屬切削加工中的狀態?？上н@項技術現在還只是處于理論研究與建模模擬的狀態下，跟可以正式使用還有一定的距離。如果這項技術可以得到突破，那么，毋庸置疑得，不止在金屬切削領域是一大進步，更加可以推動工廠全智能化、C械化，這無疑是一場重工業的一場大地震與大革命。
神經網絡總結范文4
關鍵詞：數據 神經網絡 數據挖掘
中圖分類號：TP311 文獻標識碼：A 文章編號：1007-9416（2015）12-0000-00
1引言
信息在數據庫中被搜集出來通過統計、人工智能、情報檢索、在線分析處理、機器學習等多種方法來進行數據的整理和分析，將數據整理的結果應用于商業管理、工程開發、股票管理和科學研究等多個方面。隨著社會的不斷進步人們對數據的要求也逐漸的增加，通過對數據的收集和分析來解決問提并提供更加可行的方案。而面對數據時代中大量的數據其中有真有偽，如何從中提取隱含在其中對決策有意義的信息，提高信息資源的利用率成為信息時代亟須解決的問題。這一需求就要求我們不斷推進神經網絡的研究和技術深化數字挖掘，才能讓神經網絡在數據挖掘中進行應用，方便社會中商業、科研等各領域的使用。
2數據挖掘
從海量的數據庫中挖掘信息的過程挖掘就稱之為數據挖掘（Data Mining）[1]。簡而言之，數據挖掘就是從大量的、隨機的數據中，提取隱含在其中的、但是又是潛在有用的信息和知識的過程[2]。
數據挖掘的主要流程是獲取和整理數據的來源、使用相關的技術和知識、整合和檢查數據、刪除隱含著錯誤的數據、建立模型和假設、進行數據挖掘、測試和檢驗數據挖掘結果最終將挖掘的數據進行應用。
數據挖掘的主要功能數據的分類是指在數據挖掘的過程中將數據庫之中根據不同事物的屬性、特點的不同進行劃分，利用不同的組類來描繪事物以便對事物進行了解；數據的聚類是指根據分析對象的內在規律將數據庫中的數據進行群組的劃分，將整個數據庫劃分出不同的群組，并保證同一群組中數據的相似性以及不同群組之間有一定的差別；數據的關聯規則和序列模式是指找出數據庫中具有相關性的數據，就是某一事物在發生變化之后與之就有相關性的數據也會發生這一變化；數據的偏差檢測是指針對數據中極少數的極端數據、偏差數據進行分析，找出其中的內在原因。
3人工神經網絡
人工神經網絡是某種抽象、簡化和模擬，根據神經網絡的結構和功能，先后提出的神經元模型有上百種。[3]
人工神經網絡的主要優勢是具有自學習功能。這種自學習功能能夠在圖像識別的過程中進行使用，只要把多個圖像樣板和需要識別的結果輸入到神經網絡之中就能夠通過自學習功能對圖像進行識別。這一功能對未來的預測具有極其重要的意義。通過人工神經網絡對未來進行預測能夠為經濟、股市、市場等提供發展方向，推動經濟發展。通過人工神經網絡對一復雜問題進行大量的計算來尋求優化解。這一功能主要是依靠神經網絡的高速運算能力來完成的，能夠在短期內對問題進行優化解。
4 神經網絡在數據挖掘中的應用
在最開始神經網絡應用于數據挖掘之中并不被眾人所看好，其主要原因是由于神經網絡再解釋自身行為上的能力欠缺以及神經網絡容易出現過度訓練，造成訓練數據效果好而檢驗數據的效果不佳等問題造成的。然而不可忽視的是神經網絡在數據挖據應用的過程之中的優勢，可以用于數據中有時間單元的情況還能夠對噪聲數據進行很好的處理，與此同時還能夠保證較低的錯誤率。
4.1數據準備
數據準備是整個數據挖掘之中至關重要的一項。只有數據準備的過程之中對數據進行合理處理、定義和表示，才能讓數據挖掘的過程之中順利的對數據進行的使用和分析。
數據清洗是指數據在裝入數據庫之前，通過基于規則的方法對字段定義域以及其與其他字段的相互關系對數據進行評估；通過可視化的方法將數據集以圖形的形式展現出來，能夠更快速的分辨臟數據；利用統計學方法更改錯誤數據，填補缺失數據。數據選擇則是通過列和行利用SQL語言對本次數據挖掘所需要的數據進行選擇。
數據處理是利用新字段、數據值的比例變換等方法對數據進行一個增強處理。這種信息增強處理不僅能夠提高數據挖掘的質量而且能夠降低數據挖掘的時間消耗，提高效率。由于神經網絡只能夠對數值性的數據進行處理，這就要求我們對數據進行轉換，將文本數據處理成與之相對應的映射表，從而轉化成為神經網絡數據挖掘算法能夠接受的形式。
4.2規則提取
目前，規則提取主要使用的方法有符號方法和連接主義方法兩大類。符號方法基于粗集理論、決策樹等技術支持，對分類知識進行分類規則的轉換；而連接主義方法則主要在其結構中進行知識的存儲但是不利于人們的理解。神經網絡的這一方法不利于數據的挖掘，但由于神經網絡分類精度高、魯棒性好等優點在分類問題中表現突出，大多數的學者更注重專研從神經網絡中進行提取規則。
4.3規則評估
在一個數據庫之中隱藏著大量規則，為了在給定數據庫中取得好的效果要對提取的原則進行最優的評估。規則評估主要從以下幾方面進行考慮：首先要覆蓋所有神經網絡的知識，其次規則判定與神經網絡知識相一致，再次判定是否存在相同前提下得出不同結論的規則，最后判斷是否存在冗余規則。規則的正確性能夠保證神經網絡中的知識全部被提取，也能夠保證提取規則與神經網絡的一致性。
5結語
目前采用神經網絡進行數據挖掘是比較常見的方式，因為能夠對大量的數值性數據進行快速的處理，但是仍存在著文字數據等非數值型數據的處理、構造神經網絡時要求對其訓練許多遍等多種問題。這些問題都需要在將來的神經網絡在數據挖掘的應用之中逐漸的解決，這些問題的解決能夠給神經網絡在數據挖掘的應用帶來更強大的生命力。
參考文獻
[1]沈達安 等.萬維網知識挖掘方法的研究.計算機科學，2000，（2）：79-8210.
神經網絡總結范文5
作為重要的人工智能分支領域，神經網絡是用來處理非線性問題的有效工具。在特性上，神經網絡具有較好的非線性映射能力，并且具有較好的適應性和容錯性。在應用神經網絡進行問題的計算時，不需要先驗模型就可以直接從數據中獲得學習規律。所以，可以用神經網絡解決一些傳統數學方法難以解答的問題，也可以完成對建模困難的復雜問題的處理。所謂的建筑經濟管理，其實就是對建筑活動進行有效的預測和控制。在這一過程中，需要完成對建筑活動的真實描述和分析，并利用規律完成對各種現象的合理解釋。但在實際工作中，建筑經濟管理將涉及大量的變量，并且大多變量具有模糊性。在這種情況下，變量與常量之間常常體現出非線性的關系，繼而難以利用傳統數學解析式完成對變量的合理解釋。而就目前來看，在建筑經濟管理方面，利用神經網絡可以解決管理中的復雜問題的處理。在工程造價預測、經濟預警和招投標等多個方面，神經網絡都具有較好的應用前景。
2建筑經濟管理中的神經網絡的應用
2.1在造價預測方面的應用
在建筑工程造價預測方面，神經網絡可以應用于工程費用的估計。利用BP網絡可以構造出工程成本預測模型，并真實完成對工程生產、管理等各個環節活動的模擬。而通過分析成本的各種組成，并完成對工程價值鏈構成的跟蹤，則可以適應工程的成本變化，繼而完成對工程造價成本的預測。就目前來看，已經有工程實例對神經網絡在造價預測方面的應用進行了驗證，而其取得的應用效果顯然要好于傳統方法。在應用神經網絡進行工程估價時，可以利用網絡的“特征提取器”完成對工程特征的提取。從大量的工程資料中，神經網絡可以找出預算資料與工程特征之間的規律關系，并且完成對其它因素造成的資料偏差的糾偏，以便確保預測結果的有效性。此外，由于神經網絡采用的是并行方式進行數據的處理，所以其能夠盡快完成工程造價預測，繼而滿足建筑工作的造價分析需求。而利用神經網絡完成工程造價預測，則可以幫助建筑承包商更好的完成項目資金的管理，繼而避免出現資金短缺等問題。
2.2在風險預警方面的應用
在建筑管理活動中，將存在財務風險、金融風險和市場風險等多種風險，繼而使建筑經濟管理具有一定的風險性。而利用神經網絡可以完成對風險的預警，繼而使建筑經濟管理的風險性得到降低。在利用神經網絡進行工程經營風險和收益的評估時，神經網絡系統可以算作是一種投資決策工具。具體來講，就是需要對神經網絡的非線性映射和模式分析能力進行利用，以便建立動態的風險預警系統。在此基礎上，則需要將風險來源因素當做是系統的輸入單元，繼而得出相應的風險等級，并得出風險可能出現的區間。而輸入的風險來源因素有多種，如項目復雜程度和不可預見因素等等。就現階段來看，一個風險預警系統需要由多個神經網絡構成，比如建筑項目投資風險預警系統就由多個ART網絡、BP網絡和一個MAXNET網絡構成。
2.3在工程投標方面的應用
在激烈的市場競爭環境中，建筑企業需要提前分析出影響工程項目投標決策的因素，以便在競爭中取得勝利。而涉及的因素包含了市場條件、競爭對手情況和工程情況等多個領域的內容，并且因素本身多為模糊變量，所以很難確定因素對投標報價的影響。但是，利用神經網絡則可以根據以往相似工程信息分析出因素與投標報價之間的關系，繼而完成對工程報價的推理。而承包商根據這一推理結果，則可以確定需要采取的投標策略。同時，結合工程造價預測結果，承包商則可以完成對投標價格的確定，繼而獲得更大的競爭優勢。就目前來看，神經網絡在工程投標管理方面已經取得了一定程度的應用，有關的工程投標報價決策支持系統和招投標報價專家系統已經得到了提出[4]。通過將管理費率、競爭對手情況和市場條件等因素輸入到系統的輸入層，則可以得出工程投標報價的報價率。
2.4在其他方面的應用
除了以上幾個方面，神經網絡在建筑經濟管理的其他很多方面都可以得到應用。首先，在建筑企業管理者制定經營決策時，神經網絡可以為管理者提供決策支持。就目前來看，雖然可以利用統計學模型幫助管理者制定決策，但是這些方法無法處理數據不完整的復雜非線性問題。而神經網絡可以從不可預見的數據中總結規律，繼而為管理者解決復雜問題提供決策支持。其次，想要降低建筑工程成本，還要使工程資源得到優化配置。但就目前來看，沒有數學模型可以完成對設計變更和設備條件等各種要素的影響效果的分析，繼而難以幫助管理者合理配置建設資源。而神經網絡可以完成對資源的預測，并確定資源的優先級，繼而可以幫助管理者優化資源配置。此外，利用神經網絡可以完成對已有數據和信息的全面分析，繼而幫助管理者選擇建筑材料、設備和施工方法。
3結論
神經網絡總結范文6
摘要:
高軌衛星是我國衛星導航系統的重要組成部分。提升該類衛星的軌道預報精度有利于用戶定位精度的提高。提出了一種改進高軌衛星軌道預報精度的新方法。該方法避開了精化動力學模型的困難，嘗試從軌道預報誤差的規律中尋找突破。利用神經網絡作為建立預報模型的工具，將某歷史時刻的軌道預報誤差作為訓練樣本，利用訓練好的神經網絡模型補償當前時刻的預報軌道以提高軌道預報精度。對影響神經網絡模型補償效果的各因素進行了詳細分析，制定了適應于高軌衛星短期、中期和長期預報的神經網絡最優模型。利用實測數據進行了試驗分析，結果表明:預報8，15及30d應選擇的訓練步長分別為10，20及25min；軌道預報8~30d時，訓練噪聲均選取0.01。神經網絡模型有效地改進了高軌衛星的軌道預報精度，預報4~30d，軌道精度提高幅度為34.67％~82.37％不等。
關鍵詞:
神經網絡；軌道預報；訓練噪聲；訓練步長；地球靜止軌道衛星；傾斜地球同步軌道衛星
高軌衛星在我國的航天系統中應用十分廣泛。特別是我國的衛星導航系統BDS(Beidousystem)，其主要包括GEO衛星和IGSO衛星。導航衛星星歷的精度是定位精度的基礎，而廣播星歷本身便是軌道預報的結果。預報精度問題是制約BDS衛星導航系統服務性能的關鍵因素，因此有必要對導航系統中的高軌衛星軌道預報精度展開研究[1]。改進軌道預報精度的一種方法是建立更加精準的動力學模型[2￣3]。然而由于該方法需要長期精密軌道數據的支撐，周期長、難度大。改進軌道預報精度的另一種方法可以從軌道預報誤差的規律中尋找突破[4]。神經網絡作為一種新興的建模工具，特點在于處理高維性、非線性的問題時不需要準確知道輸出輸入函數的結構參數。只要通過訓練來掌握它們之間的內在關系，在輸入訓練集以外的數據時，神經網絡可以獲得它們之間正確的映射關系。該方法的優勢在于不確定性系統的控制和預測。目前在軌道預報中使用神經網絡工具的相關研究較少，文獻[5]根據GPS衛星星歷的相關周期特性，以時間系列預報作為基礎，利用神經網絡建立預報模型。在沒有任何動力學模型的情況下得到了精度為數百米(1周)的預報結果。但是由于將衛星位置量直接作為神經網絡的輸出，神經網絡算法的狀態量動態范圍大，限制了預報精度的提高。文獻[6]利用GPS衛星精密星歷已知的優勢，將神經網絡與動力學模型相結合組成混合預報模型，改進GPS導航衛星的中長期預報。該方法可以在一定程度上改進軌道預報精度，但不是每次改進均能成功，存在改進失效的情況。針對高軌衛星的高精度軌道預報這一難題展開研究。以神經網絡作為建立預報模型的工具，在動力學模型基礎上建立神經網絡模型，通過對歷史時刻預報誤差的學習及訓練，掌握其變化規律，再用于補償和改進當前時刻的預報軌道，以達到提高預報精度的目的。針對神經網絡訓練及補償特性，分析了不同因素對神經網絡模型性能的影響?；诖酥贫硕?、中、長期軌道預報的最優模型，最后利用不同類型衛星進行了試驗分析。
1基于BP神經網絡的軌道預報算法
BP神經網絡是一種多層網絡的“逆推”學習算法[7￣9]。利用神經網絡進行軌道預報分為訓練和補償兩個階段。在訓練階段，采用拼接方法得到一條長時間的精密軌道，用于衡量動力學模型預報誤差及神經網絡模型的訓練誤差。針對拼接處小量級的跳躍現象，采用Robust￣loess數值濾波方法進行軌道預報誤差平滑[10]。由于預報軌道和預報誤差為訓練樣本，故需要對兩者的特性進行分析。同時神經網絡模型參數在一定程度上影響神經網絡的訓練效果，因此有必要對影響神經網絡模型的一些關鍵因素進行分析，以確定最優的神經網絡模型。在補償階段，將當前時刻的預報軌道X(T)和V(T)作為神經網絡模型的輸入；將利用函數f(X，V)計算得到神經網絡模型的輸出作為當前時刻預報軌道的補償值ΔXNN(T)，將改進后的預報軌道X(T)和V(T)作為最終軌道輸出。在神經網絡具體應用中，為了提高網絡性能以完成預定任務，需要認真考慮訓練集預處理、網絡結構設定以及訓練算法等內容。網絡的性能主要表現在訓練效率及泛化能力。泛化能力是指辨識訓練樣本中所隱藏的規律并且當被輸入樣本以外數據時，網絡能正確地反應這種規律的能力。關于網絡泛化能力的相關討論及改進措施，已有文獻進行了比較詳實的總結。這里涉及到的方法主要包括下列3個方面:一是處理訓練樣本的方法[11]，將神經網絡的訓練樣本進行歸一化處理，使其在[－1，1]變化，以提高神經網絡的性能；二是訓練步長的選??；三是增加隨機噪聲[12￣13]。
2不同因素對神經網絡模型性能的影響
分別針對預報軌道和預報誤差特征、訓練步長的選擇、訓練噪聲的大小對神經網絡模型性能的影響進行討論。
2.1預報軌道和預報誤差的特征分析
2.1.1中長期預報軌道和預報誤差特征將短期軌道預報弧長定位為1~13d，中期軌道預報弧長為14~27d，長期軌道預報弧長大于27d。以某初始時刻的預報誤差作為訓練樣本訓練得到的神經網絡可以對其他初始時刻的預報軌道提供補償，但前提是兩個初始時刻的預報誤差數值大小及波形圖要相近。對GEO衛星的預報誤差進行時間序列分析，結果可以看出，預報誤差最大值呈現以14d為周期的變化規律；IGSO衛星具有相同的特征。文中選取的訓練弧長與當前時刻的軌道預報弧長相等。對于中長期軌道預報可以采用以下方案:假設預報弧長為md(14n≤m≤14(n＋1)，n≥1)，用當前時刻起14(n＋1)d之前那天的預報誤差和預報軌道作為訓練樣本，訓練弧長為md，訓練得到神經網絡模型。采用神經網絡模型計算得到的補償誤差波形對當前的預報誤差進行補償。對于短期預報，由于預報弧長小于14d，其軌道預報方案中還考慮了預報誤差波形的最佳匹配。即充分結合預報誤差和預報軌道的動力學特性，建立了一個訓練樣本集。根據當前時刻的預報誤差波形變化特征在樣本集中搜索最佳訓練樣本，實現兩者波形變化的最優匹配，從而實現最優的補償效果。在中長期預報中未采用波形匹配算法的主要原因是，需要兼顧工程應用中的實時性，波形匹配耗時較長。
2.1.2短期預報中的波形匹配算法航天器是一個受攝動力系統，其初值不穩定性使得利用不同初始軌道得到的預報軌道和預報誤差的特性均不同。這就導致不同初始時刻的預報誤差并無規律。為了實現最佳的神經網絡模型補償效果，必須找到與當前時刻預報誤差變化波形最為相近的歷史時刻中的一條預報軌道。采用歷史時刻的預報軌道和預報誤差作為訓練樣本，訓練得到神經網絡模型。在實際工程應用中，因為當前時刻之后的預報弧段中的精密軌道無法獲取，故不能獲得當前時刻的預報誤差波形變化規律，所以并不能直接通過預報誤差波形比對來尋找補償當前時刻預報軌道的訓練樣本。但是基于動力學模型外推可以得到當前時刻的預報軌道，如果能找到預報軌道與預報誤差之間的波形變化對應關系，就可得到當前時刻的預報誤差波形變化規律。由于預報誤差的變化周期與軌道周期相同，對于GEO/IGSO衛星均為1d，通過對比預報誤差波形變化最大值和最小值出現的時刻，搜尋得到用于補償當前時刻預報誤差的訓練樣本。由于預報軌道在數值上遠遠大于預報誤差，為了便于分析問題，將兩者進行歸一化處理，即分別將兩者除以各自的最大值，這樣它們就在±1之間變化。圖2和圖3分別給出了某GEO衛星和某IGSO衛星在2013年第23天預報8d的軌道與相應的預報誤差之間的對應關系。其中，橫坐標表示預報時間，單位為d；縱坐標表示歸一化后的數值，無量綱。1)對于兩種類型的衛星，在J2000坐標系中X和Y軸方向，當預報軌道X/Y＝0時，對應時刻的預報誤差為最大值(峰值)或最小值(谷值)。預報軌道從正值變化為負值經過零值的時刻對應著預報誤差的峰值，從負值變化為正值經過零值的時刻則對應著預報誤差的谷值。2)在Z軸方向，GEO衛星的預報軌道和預報誤差之間并無明顯的對應關系；IGSO衛星存在與X/Y軸相同的對應關系。將作為訓練樣本的預報誤差選擇定義在J2000坐標系中，主要是因為在該坐標系中預報誤差的規律性強，并且與預報軌道之間存在一定的對應關系。
2.2訓練步長對預報精度的影響預報誤差改進率的計算公式如下。以某GEO衛星為例，表1給出了不同預報弧長、不同訓練步長下利用神經網絡模型得到的預報誤差改進率。分析表1中的數據可以看出下列3點。1)訓練步長越小，神經網絡模型的改進率就越高。2)預報弧長的長度與對訓練步長的敏感度成反比，即弧長越長，訓練步長的延長對改進率的影響就越小。訓練步長從5min延長至40min，預報8，15和30d的改進率分別降低5.68％，3.9％和1.36％。3)由于訓練步長越小，訓練時間越長，因此改進率與訓練時間是一對矛盾體。從綜合改進率和訓練時間的要求考慮，即改進率應盡可能高，而訓練時間應盡可能短。故預報8，15和30d應選擇的訓練步長分別為10，20和25min。
2.3訓練噪聲對預報精度的影響以某初始時刻的軌道預報誤差(稱為訓練值)作為訓練樣本訓練神經網絡模型，用其補償另一個初始時刻利用動力學模型外推得到的預報誤差(稱為期望值)。如果訓練值和期望值在同一時刻吻合的很好，那么利用神經網絡模型一定能很好地修正動力學模型的預報誤差。以某GEO衛星軌道預報8d為例，圖4給出了采用不同噪聲值時訓練值和期望值之間的吻合關系。分為無噪聲、噪聲為0.01、噪聲為0.05和噪聲為0.10共4種情況。從圖4中可以看到，不加噪聲時訓練值與其期望值的差別較大，因此應加入訓練噪聲以提高神經網絡的泛化能力；加入噪聲后訓練值與期望值吻合的較好，但無法區分噪聲值為多大時預報精度最高。表2給出了采用不同訓練噪聲時，經神經網絡模型補償后的軌道預報誤差最大值的統計結果。其中原始預報誤差為未進行補償時的采用動力學模型外推得到的預報誤差。表2不同訓練噪聲下的預報分析表2中數據可以看出下列兩點。1)無噪聲時，前4d無改善，精度反而降低；預報8d及更長弧段時預報誤差略有改善，故應加入訓練噪聲。2)增加噪聲后，噪聲從0.001~0.100的變化對預報精度的改進幅度相當。但從總體來看，噪聲越小，前6d的預報精度越高；但預報8d以及更長弧段時噪聲為0.010的預報誤差最小，故應選擇訓練噪聲為0.010。
3試驗結果及分析
根據上述短、中、長期軌道預報方案，并結合不同神經網絡模型參數的優化設計分析，給出了利用神經網絡模型進行軌道預報的試驗結果。通過與精密星歷比對可以分別得到動力學模型和神經網絡模型的預報精度。表3列出了BDS系統中兩顆GEO、三顆IGSO共5顆衛星在2013年第23天利用神經網絡模型和動力學模型外推得到的預報誤差(其中NN代表神經網絡模型；Dyn代表動力學模型)。Sat02衛星由于軌道機動未能統計其中長期預報結果。表3中誤差是在一定弧段內預報誤差的最大值。從表3可得，神經網絡模型1d預報誤差有時會大于動力學模型的預報誤差；但預報4，8，15及30d各衛星采用神經網絡模型補償后的預報精度均有所提高。這主要因為1d的預報弧段規律性不強，不利于神經網絡模型的學習及訓練。隨著弧段的增長，訓練樣本的規律性增強，神經網絡模型的補償效果有所提高。為了更好地衡量神經網絡模型的改進效果，給出各衛星的預報精度提高幅度，其與預報誤差改進率的計算公式相同。表4給出了各衛星經神經網絡模型補償后的預報精度提高幅度。從表4中可以看出，預報4d各衛星的軌道精度改進幅度為40.25％~60.31％；預報8d各衛星的軌道精度改進幅度為63.28％~72.59％；預報15d改進幅度為47.01％~82.37％；預報30d改進幅度為34.67％~82.35％?？梢娚窠浘W絡模型在改進軌道預報誤差中的作用顯著。
4結論
