前言：中文期刊網精心挑選了人工神經網絡綜述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。
人工神經網絡綜述范文1
>> 大規模自組織人工神經網絡技術在智能建筑中的應用方法研究 基于自組織增量神經網絡的碼書產生方法在圖像分類中的應用 基于Matlab的自組織神經網絡在油氣層識別中的應用研究 基于自組織競爭神經網絡的地震預測 自組織競爭網絡在測井資料巖性識別中的應用 自組織特征映射網絡在探地雷達數據處理中的應用 氣體識別自組織神經網絡 一種基于自組織過程神經網絡的動態樣本半監督學習算法 自組織灰色神經網絡中的基于電力系統短期負荷預測方法應用研究 基于自組織映射神經網絡的邊坡樣本分析方法 基于SOM神經網絡技術的區域卷煙消費狀態自組織分類 人工神經網絡模型在水動力模型數據缺失中的應用 基于人工神經網絡的數據挖掘技術在臨床中應用進展 自組織特征映射網絡在壓縮編碼設計中的應用 液壓控制系統中自組織雙模糊神經網絡控制模型關鍵點研究 淺談人工神經網絡在林業中的應用 人工神經網絡在空調系統中的應用 一種改進的動態二叉樹的自組織神經網絡算法 基于SOM神經網絡技術的卷煙零售客戶自組織分類 基于自組織神經網絡SOM的汽車安全氣囊裝配故障診斷 常見問題解答 當前所在位置：百度百科 移動學習2012-12-7
[2] 葉成林 徐福蔭 許駿 移動學習研究綜述 電化教育研究 2004 No.3
[3] 陳偉超 國內移動學習研究現狀及發展建議[J].中國電力教育，2009 No.9
[4] 詞匯語義知識庫淺述 劉興林 福建電腦 2009 No.9
人工神經網絡綜述范文2
【關鍵詞】人工神經網絡 路徑規劃 移動機器人
1 引言
在移動機器人導航技術應用過程中，路徑規劃是一種必不可少的算法，路徑規劃要求機器人可以自己判定障礙物，以便自主決定路徑，能夠避開障礙物，自主路徑規劃可以自動的要求移動機器人能夠安全實現智能化移動的標志，通常而言，機器人選擇的路徑包括很多個，因此，在路徑最短、使用時間最短、消耗的能量最少等預定的準則下，能夠選擇一條最優化的路徑，成為許多計算機學者研究的熱點和難點。
2 背景知識
神經網絡模擬生物進化思維，具有獨特的結構神經元反饋機制，其具有分布式信息存儲、自適應學習、并行計算和容錯能力較強的特點，以其獨特的結構和信息處理方法，在自動化控制、組合優化領域得到了廣泛的應用，尤其是大規模網絡數據分析和態勢預測中，神經網絡能夠建立一個良好的分類學習模型，并且在學習過程中優化每一層的神經元和神經元連接的每一個節點。1993年，Banta等將神經網絡應用于移動機器人路徑規劃過程中，近年來，得到了廣泛的研究和發展，morcaso等人構建利用一個能夠實現自組織的神經網絡實現機器人導航的功能，并且可以通過傳感器訓練網絡，取得更好的發展，確定系統的最佳路徑。神經網絡拓撲結構模型可以分為：
2.1 前向網絡
網絡中各個神經元接受前一級的輸入，并輸出到下一級，網絡中沒有反饋，可以用一個有向無環路圖表示。這種網絡實現信號從輸入空間到輸出空間的變換，它的信息處理能力來自于簡單非線性函數的多次復合。網絡結構簡單，易于實現。反傳網絡是一種典型的前向網絡。
2.2 反饋網絡
網絡內神經元間有反饋，可以用一個無向的完備圖表示。這種神經網絡的信息處理是狀態的變換，可以用動力學系統理論處理。系統的穩定性與聯想記憶功能有密切關系。Hopfield網絡、波耳茲曼機均屬于這種類型。
3 基于人工神經網絡的移動機器人路徑規劃算法
神經網絡解決移動機器人路徑規劃的思路是：使用神經網絡算法能夠描述機器人移動環境的各種約束，計算碰撞函數，該算法能夠將迭代路徑點集作為碰撞能量函數和距離函數的和當做算法需要優化的目標函數，通過求解優化函數，能夠確定點集，實現路徑最優規劃。神經網絡算法在移動機器人路徑規劃過程中的算法如下：
（1）神將網絡算法能夠初始化神經網絡中的所有神經元為零，確定目標點位置的神經元活性值，并且能夠神經網絡每層的神經元連接將神經元的值傳播到出發點；
（2）動態優化神經網絡，根據神經網絡的目標節點和障礙物的具置信息，在神經網絡拓撲結構中的映射中產生神經元的外部輸入；
（3）確定目標值附件的神經元活性值，并且使用局部側的各個神經元之間，連接整個神經網絡，并且在各個神經元中進行傳播。
（4）利用爬山法搜索當前鄰域內活性值最大的神經元，如果鄰域內的神經元活性值都不大于當前神經元的活性值，則機器人保持在原處不動；否則下一個位置的神經元為鄰域內具有最大活性值的神經元。
（5）如果機器人到達目標點則路徑規劃過程結束，否則轉步驟（2）。
4 基于人工神經網絡的移動機器人路徑規劃技術展望
未來時間內，人工神經在機器人路徑規劃過程中的應用主要發展方向包括以下幾個方面：
4.1 與信息論相融合，確定神經網絡的最優化化目標解
在神經網絡應用過程中，由于經驗值較為難以確定，因此在神經網絡的應用過程中，將神經網絡看做是一個貝葉斯網絡，根據貝葉斯網絡含有的信息熵，確定神經網絡的目標函數的最優解，以便更好的判斷機器人移動的最佳路徑。
4.2 與遺傳算法想結合，確定全局最優解
將神經網絡和遺傳算法結合起來，其可以將機器人的移動環境設置為一個二維的環境，障礙物的數目、位置和形狀是任意的，路徑規劃可以由二維工作空間一系列的基本點構成，神經網絡決定機器人的運動控制規則，利用相關的神經元的傳感器作用獲未知環境的情況，將障礙信息和目標點之間的距離作為神經網絡的輸入信息，使用遺傳算法完成神經網絡的權值訓練，神經網絡的輸出作為移動機器人的運動作用力，實現一個可以在未知環境中進行的機器人運動路徑規劃。
4.3 與蟻群算法相結合，降低搜索空間，提高路徑規劃準確性
為了提高神經網絡的搜索準確性和提高效率，可以將蟻群算法與神經網絡相互結合，蟻群算法的路徑規劃方法首先采用柵格法對機器人工作環境進行建模，然后將機器人出發點作為蟻巢位置，路徑規劃最終目標點作為蟻群食物源，通過螞蟻間相互協作找到一條避開障礙物的最優機器人移動路徑。
5 結語
隨著移動機器人技術的發展，路徑規劃作為最重要的一個組成部分，其得到了許多的應用和發展，其在導航過程中，也引入了許多先進的算法，比如神經網絡，更加優化了移動的路徑。未來時間內，隨著神經網絡技術的改進，可以引入遺傳算法、信息論、蟻群算法等，將這些算法優勢結合，將會是路徑規劃更加準確和精確。
參考文獻
[1]朱大奇,顏明重,滕蓉. 移動機器人路徑規劃技術綜述[J].控制與決策,2010,25(7): 961-967.
[2]劉毅.移動機器人路徑規劃中的仿真研究[J].計算機仿真,2011,28(6): 227-230.
[3]熊開封,張華.基于改進型 FNN 的移動機器人未知環境路徑規劃[J].制造業自動化,2013,35(22): 1-4.
[4]柳長安,鄢小虎,劉春陽.基于改進蟻群算法的移動機器人動態路徑規劃方法[J].電子學報,2011,39(5).
[5]范浩鋒,劉俊.基于 BP 神經網絡的紅外目標識別技術[J].計算機與數字工程,2013,41(4): 559-560.
人工神經網絡綜述范文3
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。
人工神經網絡綜述范文4
論文摘要：分析了模擬電路故障診斷的重要性和目前存在的困難，對基于小渡分析理論和神經網絡理論的模擬電路故障診斷方法進行了綜述．指出了小波神經網絡應用于模擬電路故障診斷存在的問題和未來的應用前景。
模擬電路故障診斷在理論上可概括為:在已知網絡拓撲結構、輸人激勵和故障響應或可能已知部分元件參數的情況下，求故障元件的參數和位置。
盡管目前模擬電路故障診斷理論和方法都取得了不少成就，提出了很多故障診斷方法，如故障字典法、故障參數識別法、故障驗證法等。但是由于模擬電路測試和診斷有其自身困難，進展比較緩慢。其主要困難有:模擬電路中的故障模型比較復雜，難以作簡單的量化;模擬電路中元件參數具有容差，增加了故障診斷的難度;在模擬電路中廣泛存在著非線性問題，為故障的定位診斷增加了難度;在一個實用的模擬電路中，幾乎無一例外地存在著反饋回路，仿真時需要大量的復雜計算;實際的模擬電路中可測電壓的節點數非常有限.導致可用于作故障診斷的信息量不夠充分，造成故障定位的不確定性和模糊性。
因此，以往對模擬電路故障診斷的研究主要停留在中小規模線性無容差或小容差的情況，有些方法也已成功地應用于工程實際。但如何有效地解決模擬電路的容差和非線性問題，如何解決故障診斷的模糊性和不確定性等是今后迫切需要解決的問題。小波神經網絡則因其利于模擬人類處理問題的過程、容易顧及人的經驗且具有一定的學習能力等特點，所以在這一領域得到了廣泛應用。
1小波分析理論在模擬電路故障診斷中的應用現狀分析
簡單地講，小波就是一個有始有終的小的“波浪”小波分析源于信號分析，源于函數的伸縮和平移，是Fourier分析、Gabor分析和短時Fourier分析發展的直接結果。小波分析的基木原理是通過小波母函數在尺度上的伸縮和時域上的平移來分析信號，適當選擇母函數.可以使擴張函數具有較好的局部性，小波分析是對信號在低頻段進行有效的逐層分解，而小波包分析是對小波分析的一種改進，它為信號提供了一種更加精細的分析方法，對信號在全頻段進行逐層有效的分解，更有利于提取信號的特征。因此，它是一種時頻分析方法。在時頻域具有良好的局部化性能并具有多分辨分析的特性，非常適合非平穩信號的奇異性分析。如:利用連續小波變換可以檢測信號的奇異性，區分信號突變和噪聲，利用離散小波變換可以檢測隨機信號頻率結構的突變。
小波變換故障診斷機理包括:利用觀測器信號的奇異性進行故障診斷以及利用觀測器信號頻率結構的變化進行故障診斷。小波變換具有不需要系統的數學模型、故障檢測靈敏準確、運算量小、對噪聲的抑制能力強和對輸入信號要求低的優點。但在大尺度下由于濾波器的時域寬度較大，檢測時會產生時間延遲，且不同小波基的選取對診斷結果也有影響。在模擬電路故障診斷中，小波變換被有效地用來提取故障特征信息即小波預處理器之后，再將這些故障特征信息送人故障分類處理器進行故障診斷。小波分析理論的應用一般被限制在小規模的范圍內，其主要原因是大規模的應用對小波基的構造和存儲需要的花費較大。
2神經網絡理論在模擬電路故障診斷中的應用分析
人工神經網絡(ANN)是在現代神經科學研究成果的基礎上提出來的，是一種抽象的數學模型，是對人腦功能的模擬。經過十幾年的發展，人工神經網絡已形成了數十種網絡，包括多層感知器Kohomen自組織特征映射、Hopfield網絡、自適應共振理論、ART網絡、RBF網絡、概率神經網絡等。這些網絡由于結構不同，應用范圍也各不相同。由于人工神經網絡本身不僅具有非線性、自適應性、并行性、容錯性等優點以及分辨故障原因、故障類型的能力外，而且訓練過的神經網絡能儲存有關過程的知識，能直接從定量的、歷史故障信息中學習。所以在20世紀80年代末期，它已開始應用于模擬電路故障診斷。隨著人工神經網絡的不斷成熟及大量應用，將神經網絡廣泛用于模擬電路的故障診斷已是發展趨勢。BY神經網絡由于具有良好的模式分類能力，尤其適用于模擬電路故障診斷領域，因而在模擬電路故障診斷系統中具有廣泛的應用前景，也是目前模擬電路故障診斷中用得較多而且較為有效的一種神經網絡。 3小波神經網絡的應用進展分析
3，1小波分析理論與神經網絡理論結合的必要性
在神經網絡理論應用于模擬電路故障診斷的過程中，神經網路對于隱層神經元節點數的確定、各種參數的初始化和神經網絡結構的構造等缺乏更有效的理論性指導方法，而這些都將直接影響神經網絡的實際應用效果。小波分析在時域和頻域同時具有良好的局部化特性，而神經網絡則具有自學習、并行處理、自適應、容錯性和推廣能力二因此把小波分析和神經網絡兩者的優點結合起來應用于故障診斷是客觀實際的需要。
目前小波分析與神經網絡的結合有兩種形式，一種是先利用小波變換對信號進行預處理，提取信號的特征向量作為神經網絡的輸人，另一種則是采用小波函數和尺度函數形成神經元，達到小波分析和神經網絡的直接融合第一種結合方式是小波神經網絡的松散型結合，第二種結合方式是小波神經網絡的緊致型結合。
3.2小波分析理論與神經網絡理論的結合形式
小波與神經網絡的松散型結合，即:用小波分析或小波包分析作為神經網絡的前置處理手段，為神經網絡提供輸人特征向魚具體來說就是利用小波分析或小波包分析，把信號分解到相互獨立的頻帶之內，各頻帶內的能童值形成一個向覺，該向童對不同的故障對應不同的值，從而可作為神經網絡的輸入特征向量一旦確定神經網絡的輸入特征向童，再根據經驗確定采用哪種神經網絡及隱層數和隱層單元數等，就可以利用試驗樣本對神經網絡進行訓練，調整權值，從而建立起所需的小波神經網絡模型。
小波與神經網絡的緊致型結合，即:用小波函數和尺度函數形成神經元，達到小波分析和神經網絡的直接融合，稱為狹義上的小波神經網絡，這也是常說的小波神經網絡。它是以小波函數或尺度函數作為激勵函數，其作用機理和采用Sigmoid函數的多層感知器基本相同。故障診斷的實質是要實現癥狀空間到故障空間的映射，這種映射也可以用函數逼近來表示。小波神經網絡的形成也可以從函數逼近的角度加以說明。常見的小波神經網絡有:利用尺度函數作為神經網絡中神經元激勵函數的正交基小波網絡、自適應小波神經網絡、多分辨率小波網絡、區間小波網絡等。
3.3小波分析理論與神經網絡理論結合的優點
小波神經網絡具有以下優點:一是可以避免M LY等神經網絡結構設計的育目性;二是具有逼近能力強、網絡學習收斂速度快、參數的選取有理論指導、有效避免局部最小值問題等優點。
在模擬電路故障診斷領域，小波神經網絡還是一個嶄新的、很有前途的應用研究方向。隨著小波分析理論和神經網絡理論的不斷發展，小波神經網絡應用于模擬電路故障診斷領域將日益成熟。
人工神經網絡綜述范文5
>> 自組織學習理論與團隊模式在《DSP應用技術》中的結合研究 基于可視化文獻分析方法的組織學習研究評述 基于Matlab的自組織神經網絡在油氣層識別中的應用研究 自組織特征映射網絡在脂肪肝B超圖像識別中的應用研究 基于SNS的網絡教學資源自組織構建方法及其應用研究 網絡安全風險可視化應用研究 自組織灰色神經網絡中的基于電力系統短期負荷預測方法應用研究 MOOC環境下高職微課程自組織學習策略研究 自組織競爭人工神經網絡在移動學習資源元數據萃取中的應用 可視化思維工具在小學生協作學習能力培養中的應用研究 大規模自組織人工神經網絡技術在智能建筑中的應用方法研究 研究生《DSP應用技術》課程中的學習團隊自組織研究 自組織特征映射網絡在探地雷達數據處理中的應用 自組織特征映射網絡在建筑工程分類中的應用 自組織競爭網絡在測井資料巖性識別中的應用 自組織理論在校園網絡文化建設中的應用 自組織特征映射網絡在壓縮編碼設計中的應用 異構自組織網絡中的干擾管理機制研究 無線自組織網絡中的路由技術研究 知識可視化在語文多媒體課件設計中的應用研究 常見問題解答 當前所在位置：，2016-01-22.
[2]陳媛.微內容的自組織學習模式研究[J].浙江廣播電視大學，2014（1）.
[3]邵澤斌.國內學習型組織研究綜述[J].河北師范大學學報，2007（3）.
[4]趙國慶，黃榮懷，陸志堅.知識可視化的理論與方法[J].教育導刊，2012（6）.
人工神經網絡綜述范文6
【關鍵詞】 干散貨航運市場；運價；預警；BP神經網絡；MATLAB
近年來，波羅的海干散貨運價指數（BDI）波動顯得尤為劇烈。2007年，BDI呈現井噴式上漲，最高時達到點，全年BDI平均值比2006年增長118%；而2008年后，受金融危機影響，BDI急劇下跌，最低時僅663點，給干散貨航運市場的發展帶來嚴重影響。隨著世界經濟發展，尤其是經濟全球化的進程越來越快，航運運價風險有增大的趨勢，在這種情況下，研究和討論國際干散貨航運市場運價預警十分重要和必要。
國際干散貨航運市場的運價預警是在客觀描繪該市場運價運行狀況的基礎上，分析警情，防范干散貨航運市場運價出現“大起”或“大落”，是保障該市場平穩健康發展的手段。目前，對于該市場的運價預警研究尚處于起步階段，其預警指標體系設置尚在探索之中，還沒有建立起完整的運價預警系統。楊華龍等[1]選擇BCI，BPI，BSI和BHSI等4個干散貨船運價指數作為警兆指標，運用支持向量機方法建立國際干散貨航運市場的運價預警模型。該方法有一定的適用性，但SVM方法僅適用于小樣本的分類，數據數量上存在不足，不能很好地對干散貨航運市場的警情作出判斷。
BP（Back Propagation，BP）神經網絡是目前應用最多的一種神經網絡形式，具有實現任何復雜非線性映射的功能，它通過樣本數據對神經網絡進行訓練，使其具有類似人腦的記憶和辨別能力，從而完成對各種信息的處理，且在樣本缺損的情況下，仍能有穩定的輸出。因此，本文嘗試應用BP神經網絡來建立干散貨航運市場運價預警模型。
1 BP神經網絡和運價預警
BP神經網絡是一種多層網絡的“逆推”學習算法，其基本思想是學習過程由信號的正向傳播和誤差的反向傳播兩個過程組成。[2]從結構上講，BP神經網絡分為輸入層、隱藏層和輸出層，層與層之間采用全互聯的方式，同一層單元之間不存在相互連接。正向傳播時，從輸入層輸入樣本數據，經隱藏層逐層處理后傳向輸出層。若輸出層的實際輸出與期望輸出不符，則轉向誤差的反向傳播階段，將輸出誤差通過隱藏層向輸入層逐層反傳。這樣，正向傳播與誤差反向傳播周而復始地進行，直到輸出誤差減小到可以接受的程度。最后將需要檢測或預測的樣本數據輸入訓練好的模型中，得到數據判斷結果。BP神經網絡具有較好的泛化能力，通過全局逼近的方法對任意非線性映射關系進行逼近，因此能夠為有歷史經驗和規律的事物的預測提供一種很好的方法。并且，BP神經網絡具有很好的容錯性。[3-4] 圖1為典型的BP神經網絡結構。
圖1 BP神經網絡結構
經濟預警是指圍繞經濟循環波動這一特定經濟現象所展開的一整套經濟監測、經濟評價、經濟預測和政策選擇的理論和方法體系。經濟預警在邏輯上應由以下幾個階段構成：明確警義、尋找警源、分析警兆、預報警度。[5-6] 運價預警屬于經濟預警，因此干散貨航運市場運價預警就是在正確分析影響干散貨航運市場運價變化因素的前提下，選取能全面反映干散貨航運市場運價波動的因素作為警兆指標，通過這些指標對干散貨航運市場運價狀況進行檢測，分析研究其變化和發展趨勢，當價格出現異常波動時，及時發出預警信號，并采取適當的應急措施。
考慮到BP神經網絡所具有的優良特性，在國內外研究的基礎上，本研究選取合適的警兆指標，同時利用MATLAB軟件編寫BP神經網絡學習程序；然后進行系統仿真，利用BP神經網絡算法程序對實例樣本進行學習和檢測；最后對仿真結果進行評判，得出適用性結論。
2 干散貨市場運價預警模型的建立
本文運用前向三層BP神經網絡技術，建立干散貨航運市場運價預警模型，運價預警程序如圖2所示。
圖2 運價預警程序
BP神經網絡模型中，輸入節點、輸出節點和隱藏層節點各一層。輸入層至隱藏層采用Sigmoid函數，隱藏層至輸出層采用線性函數Purelin。為便于研究，本模型將干散貨船隊運力供給、干散貨船隊運力需求、OECD工業生產指數、原油價格和遠期運費協議（FFA）價等看成是影響BDI的5個關鍵因素。
2.1 輸入節點選擇
利用BP神經網絡建模，網絡輸入應為全面描述干散貨航運市場運價風險的指標。本文選擇干散貨船隊運力供給（x1）、干散貨船隊運力需求（x2）、OECD工業生產指數（x3）、原油價格（x4）和遠期運費協議價（x5）等5項指標，因此輸入節點為5個。在數據輸入時，需要按照變量歸一化原則對所有數據進行處理，使其變為區間[0，1]上的無量綱指標值。
2.2 隱藏層節點選擇
隱藏層節點數目對神經網絡的性能有一定影響。隱藏層節點過少時，學習網絡結構簡單且學習時間短，但表現力不足，網絡不具備必要的信息處理能力和學習能力，容錯性差，會出現學習誤差下降緩慢甚至不能收斂的現象；隱藏層節點過多時，表現能力強，但網絡結構龐大且學習時間長，網絡性能下降，不一定能使誤差達到最佳狀態。根據BP神經網絡本身的特點以及實踐經驗，通常選取隱藏層節點數目為n＝2 m＋1。其中，n為隱藏層節點數目，m為輸入層節點數目，可知隱藏層節點數目n應為11。
2.3 初始參數選擇
初始參數的選擇也是神經網絡應用的關鍵環節之一，只有選擇正確、合適的參數，才能使網絡以較小的誤差迅速、有效地收斂。對于學習速率，一般取值在（0.01，0.80）之間，實踐中，通過觀察誤差下降曲線的下降速度來判斷所選擇的學習速率是否合適。如果下降速度過快，說明選取的學習速率過大，可以逐步減小學習速率直至下降速度較為合適為止。本文通過多次仿真實驗，確定選取的學習速率值為h＝0.03。
2.4 網絡訓練目標函數
假設系統的期望輸出值為xi （i＝1，2，…，n），與之對應的系統實際輸出值為 i （i＝1，2，…，n），則預測誤差為e＝（e1，e2，…，en）＝（x1－1，x2－2，…，xn－n），那么誤差平方和（ SSE）就可以作為神經網絡預警模型的性能評價指標，其公式為
SSE＝（xi－i）（1）
采用BP神經網絡算法對樣本進行訓練，直到網絡收斂于規定的誤差標準之內。否則，說明網絡未訓練成功，需要重新設定網絡參數甚至網絡結構，直至訓練結果滿意為止。
2.5 輸出節點確定
輸出節點對應于預警結果，為驗證BP神經網絡對干散貨運價預警的準確性，需要確定期望輸出。如果實際輸出值與期望輸出值相差較大，說明模型的準確性較差；反之，說明模型的準確性較好。在神經網絡的學習訓練階段，樣本的期望輸出值實際上是已知的，因為它可從歷史數據資料中獲得或通過一些數學方法計算得出。
人工神經網絡的期望輸出形式是向量形式[7]，本文為便于結果的輸出，以及考慮到整個系統的穩定和最后結果，選擇輸出節點為5個，其中輸出[10000]為無警，[01000]為輕警，[00100]為中警，[00010]為重警，[00001]為巨警。
3 干散貨航運市場運價警情評估
為提高分析的準確性，筆者選擇2007年1月至2011年6月共54個月的數據。其中，2007年1月至2009年10月共34個月的數據作為訓練樣本，2009年11月至2011年6月共20個月的數據用于模型檢驗。以BDI表示干散貨運價指數，原油價格使用新加坡380 cSt船用燃油價格數據，遠期運費協議價格使用BCI 4TC的FFA價格數據。
為將航運經濟專家多年積累的經驗有機地融入對未來干散貨航運市場運價趨勢的研究中，本文采用因子分析法和專家調查評估方法確定干散貨航運市場運價的警度。賦予x1，x2，x3，x4和x5的權重分別為W1＝，W2＝，W3＝，W4＝，W5＝。對數據進行標準化處理，公式為
（2）
式中：xit為第i項第t月份的運價指數； x'it為xit標準化處理后的數據；xi max為第i項運價指數的最大值；xi min為第i項運價指數的最小值。
第t月份干散貨航運市場運價的實際警度為
（3）
式中：yt表示第t月份運價警度。yt∈（0.8，1.0]為無警；yt∈（0.6，0.8]為輕警；yt∈（0.3，0.6]為中警；yt∈（0.1，0.3]為重警；yt∈（0，0.1]為巨警。由此可得各月運價警度評估值（見表1）。
表1 2007年1月―2011年6月干散貨航運市場運價警情
4 BP神經網絡模型訓練與檢測
4.1 模型訓練
前面已經構建了基于BP神經網絡的干散貨航運市場運價預警模型，下面對網絡進行訓練。在批處理模式中，網絡訓練所用的樣本需要一次性輸入，然后再調整網絡參數，梯度的計算需要所有樣本數據同時參與。
利用MATLAB軟件對預警模型進行訓練時，選取2007年1月至2009年10月共34個月的數據作為訓練樣本。在確定實際輸入值和期望輸出值后，可直接調用traingda函數進行訓練。當網絡性能達到誤差要求時，整個BP神經網絡訓練完畢。[8-9] 訓練的動態圖像和期望輸出分別見圖3和表2。
圖3 BP神經網絡模型訓練的誤差變動曲線
表2 BP神經網絡模型期望輸出
4.2 模型檢測
下面以2009年11月至2011年6月共20個月的數據來檢測其經營風險的大小與實際情況是否相符，其期望輸出和實際輸出結果見表3。由表3可知，在實際檢測過程中，模型計算輸出與實際評價結果非常接近，由此證明，利用BP神經網絡對干散貨航運市場運價風險進行預警并進行相關研究是切實可行的。
表3 BP神經網絡模型檢測
5 結 語
本文將BP神經網絡理論應用于干散貨航運市場運價預警，根據所建立的干散貨航運市場運價警兆指標體系，確立與之對應的用于運價預警的BP神經網絡，通過因子分析法結合航運專家經驗得出干散貨運價的預警度區間，并利用統計數據取得該神經網絡的訓練樣本，對其進行訓練直到誤差滿足要求。借助計算機和MATLAB軟件，能夠方便快捷地得出預警結果，證明其預警的精確度較高，表明此方法具有較好的實用性?；贐P神經網絡的干散貨航運市場運價預警模型能夠較為準確地預測干散貨航運市場警情，為干散貨航運市場運價預警提供一條可行、有效的新途徑。
參考文獻：
[1] 楊華龍，東方．基于支持向量機的干散貨航運市場運價預警[J]．中國航海，2009，32（3）：101-105.
[2] 朱大奇，史慧．人工神經網絡原理及應用[M]．北京：科學出版社，2006：33-63.
[3] 張德豐．MATLAB神經網絡應用設計[M]．北京：機械工業出版社，2009：87-119.
[4] 董長虹．MATLAB神經網絡與應用[M]．北京：國防工業出版社，2007：64-120.
[5] 王耀中，侯俊軍，劉志忠．經濟預警模型述評[J]．湖南大學學報：社會科學版，2004，18（2）：27-31.
[6] 黃繼鴻，雷戰波，凌超．經濟預警方法研究綜述[J]．系統工程，2003，21（2）：64-70.
[7] 邱隆敏．我國金融危機的預警研究――基于人工神經網絡模型的分析[D]．廣州：暨南大學，2004.
