前言：中文期刊網精心挑選了人工神經網絡法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。
人工神經網絡法范文1
【關鍵詞】上證指數 人工神經網絡 擬合度 實證分析
一、引言
隨著西方發達國家股票市場的興起，隨著時代的不斷進步和變遷，股票市場逐漸拓展至發展中國家和一些相對落后的國家。對于股票價格進行時間序列預測無論對于投資者，政策分析者等等都有非常重要的作用，然而股票價格是一個復雜多變，難以描述的序列，影響因素繁雜且有些難以量化，因此至今學者們仍在探索能更好的描述它的方法[1]。
近幾年計算智能技術在時間序列領域逐漸流行，作為一種新興的信息處理技術，計算智能技術現在已經成為重要的分析與預測工具。計算智能技術有普通統計方法所不能比擬的優點，它的預測更加精準，并且具有自學習、自組織、自適應的特征和簡單、通用、魯棒性強、適于并行處理的優點[2]。
在上面提到的計算智能技術中，最有名的當屬人工神經網絡，此模型在過去的二十年間有著很快的發展，因為其在認知的輸入和輸出的映射的表現公認的非常有效，甚至在面對一些難以判斷的不確切輸入輸出關系時，仍表現出很好的擬合行，因此現在成為了時間序列非線性方法中最常被使用的到模型，當然也成為了股票價格時間序列預測模型中較為有效的并常被使用的模型之一[3]。
不論是基于哪一種數學模型，現有的擬合方法往往過于追求樣本內的擬合精度，而忽略了擬合的模型在樣本外的表現。在實際應用中，往往需要更加精確的樣本外擬合度。因此本文基于樣本外擬合的精度，分別從長期和短期兩個時間維度考慮了神經網絡模型預測的表現及其魯棒性，得到了一些關于神經網絡模型的結論。
二、研究模型介紹
本文將要對智能計算方法中的人工神經網絡模型進行分析研究，下面就該模型的算法進行簡單介紹。
神經網絡是由大量的神經元按一定的拓撲結構和學習調整方法所構成的。神經元一般表現為一個多輸入、單輸出的非線性器件。
神經網絡代表了一種新的方法體系，所以它能在實際的應用中表現一些獨特的功能[6、8]。一般來說，神經網絡具有如下的四個基本的特點：強大的學習能力；分布式存儲信息；并行性，即并行的計算能力，可以處理快速實時的信息；非線性，即可以很好地模擬非線性系統。
神經網絡可以通過自身強大的學習能力，來獲取知識，神經網絡性能的改善是隨著時間一步步通過某種事先定義的量度來調整自身的參數的（比如權值）。一般來說，神經網絡主要有監督學習、無監督學習、強化學習三種。
三、數據選取
在眾多關于中國股票市場有效性的研究結果表明，中國的股票市場是一種漸進有效的市場或是一種半強有效市場，這樣股票價格基本上反映過去信息和公開信息。正是在如此的假設下，我們運用統計學的方法，從股票指數（股票價格加權和）入手來分析和預測股票市場。選擇從1998年12月23號開始的上證綜指收盤運用神經網絡模型進行了固定樣本內模型和滾動樣本內模型下的短期和長期的擬合預測。
四、實證結果
（一）固定模型下的神經網絡模型擬合分析
對從1998年12月23號開始的上證指數收盤價運用MATLAB進行神經網絡模型短期擬合預測。首先我們選取前1000個點進行樣本內的擬合，對后20個點進行短期預測，并依此以步長20向前滾動，共二十期。
應用MATLAB進行求解，對樣本內1000個點進行擬合，并按照擬合得到的模型對后20期以20為步長，向后滾動預測。
同樣，我們選取前1000個點進行樣本內的擬合，對后100個點（相當于5個月左右的數據）進行長期預測，并依此以步長100向前滾動，共二十期。
神經網絡的擬合度在短期內十分精準，可以到了80%以上，有的甚至達到了95%以上，并且未出現50%以下的擬合度，然而長期來看，擬合度的差別非常大，對于趨勢的判斷有時很準有時完全顛倒，預測擬合度的跨度從90%到-90%。波動性非常大，可見神經網絡對于達到一定長度的長期數據（五年以上）擬合的魯棒性很差，長期來看無法適應不斷變化的股市大盤。
（二）滾動模型下的神經網絡模型擬合分析
短期內，神經網絡模型擬合度仍然十分精準，可以到了80%以上，然而長期來看，由于樣本內數據的不斷更新，因此樣本外的擬合精度十分穩定，表現優異，平均擬合值達到了93%除了一項為60%多，其他均達到了80%以上。說明在半年的長度范圍內，人工神經網絡的擬合度很好，擬合可靠性較高。
五、結論
本文通過對上證指數1998年后的數據使用人工神經網絡進行了短期長期的滾動預測。發現在短期內，神經網絡模型的擬合效果一直很好。而在長期來看，人工神經網絡，對5年內的數據擬合度很高，然而更長的時間段內魯棒性不高，擬合度下降很快。
參考文獻
[1]顧嵐.時間序列分析預測與控制[M].北京：中國統計出版社.1997.
[2]KuanC.M and White，H.Artifieial Neural Networks：AN econometric Perspective （with discussion）[J].Econometrics Reviews，1994，（13）：l-143.
人工神經網絡法范文2
關鍵字：電壓無功功率控制；九區圖；人工神經網絡
電壓是衡量電能質量的主要指標，電壓穩定是整個電力系統穩定的一個重要方面。電壓的穩定和質量對于終端用戶是非常重要的，而對于負載端的安全和經濟運行也有著至關重要的意義。
電力系統中的電壓與無功功率的狀況密切相關。無功功率從電源端經線路和電壓器向負荷端輸送，要產生電壓損耗。高壓線路和變壓器的電壓損耗主要取決于無功功率。輸送的距離越遠，中間環節越多，引起的電壓降也就越大，負荷端的電壓也就越低。合理配置無功電源，使無功功率就衡，不僅可以提高電壓水平，而且可以減少電網中有功功率的損耗。我國電網結構不夠合理，一些地區在電網發展過程中無功設備配備不足，使得局部地區在負荷增大后無功功率明顯不足，造成局部電網較長時間處于低電壓水平運行。另外，隨著現代電網的發展，大容量機組直接接入超高壓電網，使超高壓電網內無功過剩。城市供電網的迅速發展由于電纜數量增加使得充電功率增大。當電力系統不正常運行時，大容量發電機組或超高壓輸電線路退出運行，又會使部分超高壓線路符合過重而使無功出力嚴重不足。這些問題的存在對用戶的電壓質量、系統的輸電能力、電能損耗及安全、經濟等方面產生不良影響。
1 電壓無功功率控制方法與現狀分析
充分開用各種調壓手段和無功電源的補償作用，實現電壓無功綜合控制對于提高電壓合格率和降低網損有很大的作用，能帶來經濟效益和社會效益。目前實現電壓和無功功率的綜合控制有全網電壓無功功率優化和以變電站為單位的局部區域化兩種方法。全網電壓無功功率優化是從整個電網考慮，根據電網的潮流分布，確定電網的運行方式，并合理進行無功電源的調度和配置，減少無功功率在電網中的流動。從理論上講，通過電網調度中心實施全網電壓、無功功率綜合控制是最合理的方法，但限于我國目前電力系統的自動化較低，實現全系統的電壓、無功功率控制困難較大，目前主要是以變電站為單位自動調節電壓和無功功率，就地平衡。
變電站電壓無功功率控制主要是采用有載調壓變壓器和補償并聯電容器組，通過調節有載調壓變壓器分接頭和投切并聯電容器組來實現調節電壓和無功平衡。但是在電壓、無功功率雙參數需要調節的情況下，考人工調節往往難以做到準確判斷和及時調節，人工調節不僅增加了運行人員的勞動強度，而且不能充分利用無功電源設備的補償作用和保證電壓合格率。因此，如何實現變電站電壓、無功功率的自動控制是一個值得研究的問題。
2 傳統的九區圖法
傳統的九區圖法是固定電壓和無功功率邊界特性分割區的綜合控制策略。根據母線電壓和無功功率的運行情況分為九個區域，在不同的區域采取不同的控制對策，綜合利用調節有載調壓變壓器分接頭和投切并聯電容器組兩種手段，將母線電壓和無功功率控制在各自的允許范圍之內。該方法綜合考慮電壓和無功功率，是目前采用最多的控制方法，但在某些情況下也存在工作過于頻繁的問題，在有些情況下甚至會引起振蕩。因此，如何盡量減少工作次數是該方法要解決的主要問題。
3 基于人工神經網絡的電壓無功功率調節
人工神經網絡有集體運算和自適應學習的能力，具有預測性、指導性和靈活性的特點，能大大減少有載調壓變壓器分接頭調節次數，合適的網絡結構能夠逼近任何一種非線性系統?；谌斯ど窠浘W絡的、將無功功率和優化決策相結合的電壓無功功率綜合只能控制方法，通過對電壓、無功功率進行預測來減少工作次數。該方法根據歷史數據，應用人工神經元網絡對無功負荷進行預測，然后將預測結果連同當前的母線電壓、無功功率、功率因素等經模糊化后作為決策人工神經網絡的輸入，該決策人工神經網絡的輸出即為調節動作的策略，該方法實際上已經脫離了九區圖的范疇，計算復雜、對硬件要求較高，而且其動作是否合理還依賴于對人工神經網絡進行訓練工作的成功與否。
4 九區圖法和人工神經網絡相結合的控制策略
傳統的九區圖法的控制策略是基于固定的電壓無功上、下限而沒有考慮無功調節對電壓的影響及其協調關系，用于運算分析的信號有分散性、隨機性等特點，這就造成了該方法具有控制策略的盲目和不確定性，實際表現為在九區圖的某些邊界區域，設備會頻繁調節。
當運行點在圖中的9區時，由于它接近電壓上限區，根據該區的傳統控制規則“投電容器”，則有可能出現圖中所表示的三種結果。結果①是運行點進入了0區，說明這次控制成功。結果②和結果③是運行點進入了1區或2區，人為地增加了電壓的不合格率，并且它又會引起變壓器分接頭下調或切除電容器，從而造成設備的頻繁動作。因此在9區內有兩種控制方式：一是直接投電容器；二是下調變壓器分接頭降壓，再投電容器。類似的情況還有可能出現在10區。
當運行點在圖中的11區時，由于它接近無功下限區，根據該區的傳統控制規則“調變壓器分接頭降壓”，則也有可能出現在圖中所描述的三種結果。結果④是運行點進入了0區，說明這次控制成功。結果⑤和結果⑥是運行點進入7區或8區，它又會引起變壓器分接頭下調或切除電容器。因此在11區內也有兩種控制方式：一是直接調變壓器分接頭降壓；二是先切電容器使運行點原理無功下限，若電壓還是越上限則再調變壓器分接頭降壓。類似的情況還有可能出現在12區。
因此，電力系統運行在9，10，11，12區時，應該考慮采用哪種控制方式以最小次數的動作達到預期效果。由于實時系統電壓、有功負荷和無功負荷之間的關系存在隨機性、非線性的特點，而人工神經網絡具有很強的非線性逼近能力、聯想記憶能力功能，在九區圖的9，10，11，12區預測變壓器分接頭調節或電容器投切后的變壓無功，決定采用何種控制方式，以得到最佳控制效果。在除9～12區的其他區域內可采用傳統的控制策略。這種結合人工神經網絡的九區圖法控制策略，能夠在保證電壓合格率有線、無功功率基本平衡的原則下，盡量減少調節投切設備的動作次數。
5 小結
基于九區圖和人工神經網絡相結合的策略依據給定合理的電壓無功功率上下限值和比較準確的人工神經網絡的預測，能得到極好的控制效果，既考慮了對受控變壓器目標側母線電壓和高壓側無功功率的最優變化曲線的跟蹤，又估計了減少變壓器分接頭動作次數的要求。
參考文獻
[1]方錦清，黃國現，羅曉曙.束暈-混沌的神經網絡自適應控制[J].中國原子能科學研究院年報， 2003-06.
[2]楊劍. 新型電壓無功綜合控制裝置的研制. 華中科技大學 2004年碩士論文.
[3]馮兆冰. 一類非線性系統模糊神經網絡控制方法研究. 大慶石油學院 2005年碩士論文.
[4]羅曉曙，鄒艷麗，方錦清. 應用脈沖電壓微分反饋法實現DC-DC開關功率變換器中的混沌控制[J].中國原子能科學研究院年報， 2005-06.
[5]曲玉辰.電網諧波抑制技術研究. 大慶石油學院 2006年碩士論文.
人工神經網絡法范文3
關鍵詞： 圖像檢索； 特征提??； 神經網絡； 機器學習； 相關反饋
中圖分類號： TN711?34； TM417 文獻標識碼： A 文章編號： 1004?373X（2016）21?0078?05
Design and development of image retrieval platform based on artificial neural network
ZHANG Weihua， GAO Ang
（Department of Information Engineering， Zhengzhou Chenggong University of Finance and Economics， Gongyi 451200， China）
Abstract： Since the difference exists between the high?level abstract semantics and underlying feature of the user?description image， the retrieval system based on the image content feature can′t accurately accomplish the user′s retriecal task. To solve the above problem， an image matching calculation method based on neural network is proposed. The correct mapping from image low?level feature to image classification is formed by means of sample automatic learning and user feedback learning. The neural network after learning can classify and retrieve the image automatically. This method is combined with the image low?layer feature description and user high?level semantics feedback to effectively recover the semantic gap. The whole process of neural network learning and image retrieval was realized by integrating the Web front end， image extraction module， neural network module and database module.
Keywords： image retrieval； feature extraction； neural network； machine learning； relevance feedback
在利用神經網絡進行圖像檢索的過程中，圖像的大小、精度及細節越來越豐富，信息含量相應的也越來愈多，當使用大量的信息進行神經網絡的構建和訓練時，所需的時間和成本都大大增加，并且神經網絡的檢索效率也會降低，這就使得其滿足不了用戶準確搜索圖像的需求[1]。同時，隨著神經網絡技術的發展，可以利用各種改進技術提高神經網絡的學習效率和預測準確率，使得利用神經網絡來模擬人腦對圖像的分類和檢索可以得到更好的效果。
1 圖像特征的提取
系統使用圖像分割方法對圖像的形狀特征進行描述，提取圖像中各個部分的形狀特征。
1.1 形狀特征的提取
使用K?均值聚類分割算法進行圖像的分割。將圖像分割后，由于每個簇中的像素在視覺特征上具有很強的相似性，因此對每一區域的特征進行簡單的描述，提取相應的圖像特征然后保存結果，并將其作為圖像檢索系統的區域特征庫。系統針對不同的圖像特征選取不同的方法進行描述：
（1） 區域顏色特征，提取該區域中像素點在Lab顏色空間中的均值來描述。
（2） 區域位置特征，提取該區域中像素點在二維空間中的坐標的平均值來描述。
（3） 區域紋理特征，提取該區域中像素的平均對比度及平均各向異性來描述。
（4） 區域形狀特征，提取該區域的封閉輪廓，并將其分解為可由若干橢圓重構的由橢圓參數組成的序列，然后通過傅里葉描述符來描述該封閉曲線[2]。
1.2 顏色特征的提取
由于顏色直方圖的限制，選擇顏色相關圖進行圖像顏色的提取。圖像的顏色相關圖就是由所有顏色對進行索引的表，在表中[（i， j）]的第[m]個條目表示找到與顏色為[i]的一個像素點距離為[m]的顏色為[j]的一個像素點的幾率。在計算顏色相關圖時需采用一些并行計算，這樣可以提高計算效率。
1.3 紋理特征的提取
通過對比基于Tamura紋理特征算法的檢索程序、基于灰度?梯度共生矩陣算法的檢索程序和基于Gabor小波變換算法，基于Tamura紋理特征提取算法的檢索程序的查詢準確率要比后兩者都高，且其查詢使用的時間也要少很多，因此系統選擇采用Tamura紋理特征提取算法。
2 BP神經網絡模型的搭建
2.1 BP神經網絡特點
選擇BP神經網絡作為圖像的神經網絡分類器，其將[n]維圖像底層視覺特征映射為圖像的分類。通過實驗對BP神經網絡進行一些改進和優化，使其能有效地完成圖像檢索的任務。典型樣本集的選擇、學習復雜性、網絡結構的選擇、輸入特征向量的選擇、預測能力的極限都是需要在搭建BP神經網絡時需要考慮的問題[3]。
2.2 BP神經網絡的原理及拓撲結構
基于BP神經網絡相關原理的學習與分析，確定了系統中BP神經網絡的結構和構建過程：首先定義輸入層、隱含層和輸出層的神經元數目分別為[n，l]和[m，]則[（x1，x2，…，xn）]為網絡的輸入矢量，[（h1，h2，…，hl）]為隱含層神經元的輸出矢量，[（y1，y2，…，ym）]為網絡的實際輸出矢量，同時定義[（d1，d2，…，dm）]為訓練樣本所對應的預期輸出矢量。然后定義輸出層神經元[i]與隱含層神經元[j]的連接權值為[Vij，]隱含層神經元[j]與輸出層神經元[k]的連接權值為[Wjk，]隱含層神經元[j]的閾值為[b，]輸出層神經元[k]的閾值為[c。]由于傳遞函數需要表示具有線性特性的輸入信號與輸出信號的聯系，又根據BP神經網絡要求傳遞函數必須連續可導，因此其一般使用在（0，1）之間連續并可導的Sigmoid函數作為傳遞函數，該函數公式為：
[f（x）=11-e-x] （1）
實際輸出矢量與預期輸出矢量的誤差計算公式為：
[E=12j=1m（dk-yk）2] （2）
隱含層神經元輸出矢量的計算公式為：
[hj=fj=1N-1Vijxi+?j] （3）
輸出層神經元輸出矢量的計算公式為：
[yk=fj=0L-1Wjkhj+θk] （4）
BP神經網絡通過反向傳播算法調整權值，其權值修正公式為：
[Wij（n+1）=Wij（n）+ηδjx′i] （5）
在式（5）中，[Wij（n）]表示第[n]次學習后的神經元[i]與神經元[j]之間的連接權值，信號輸出的神經元為[i，]信號輸入的神經元為[j，][Xi]為神經元[i]的實際輸出，[η]為網絡的學習速率，[δj]為神經元[j]的學習誤差。
系統中BP神經網絡的構建流程如下：
（1） 初始化網絡的連接權值和閾值，其值為均勻分布的隨機數。
（2） 對網絡使用一組樣例數據進行訓練。
（3） 網絡搭建完成，將輸入矢量輸入網絡可仿真輸出符合預期的輸出矢量[4]。
2.3 BP神經網絡的學習過程
通過對相關反饋算法的學習，提出了一種基于BP神經網絡進行學習的圖像檢索方法，它包含兩種學習過程：
（1） 自動樣例學習，首先通過包含高層語義標注的樣例圖像的學習構建圖像高層語義的分類器，其中對于圖像的每種語義分別構造一個分類器，輸入樣例圖像后使系統提取圖像的底層特征作為神經網絡的輸入，然后經過一定時間的學習可以得到網絡的解，使分類器能夠初步完成分類任務；
（2） 用戶交互學習，首先通過用戶的指導，將初步檢索結果進行分類，然后系統將用戶的反饋整理為學習樣本，同樣使用自動樣例學習過程進行學習，最后得出網絡最新的解，使分類器能更精確地完成分類任務。系統中BP神經網絡的學習流程如圖1所示。
2.4 BP算法的改進
使用附加動量法可以使網絡在修正連接權值時，不只考慮誤差在其梯度上的變化趨勢，還考慮誤差在其曲面上的變化趨勢。在沒有附加動量的情況中，網絡在訓練過程中有可能陷入局部極小狀態，通過使用附加動量則可以在一定程度上繞過這些極小值，避免進入極小狀態[5]。附加動量法在反向傳播過程中，在每一個神經元的連接權值及閾值的當次訓練的變化量上附加一個正比于上次訓練后的連接權值及閾值的變化量的項，根據新的變化量計算出新的連接權值及閾值。添加了附加動量因子的連接權值和閾值的變化量計算公式分別為：
[Δwij（k+1）=（1-mc）ηδjpj+mcΔwij（k）] （6）
[Δbj（k+1）=（1-mc）ηδj+mcΔbij（k）] （7）
式中：[k]表示第[k]次訓練；[mc]表示動量因子，[mc]的取值一般在0.95附近。
在結合附加動量法的網絡訓練過程中，需要根據不同條件判斷何時使用動量因子來修正權值，其判斷條件為：
[mc=0，E（k）>E（k-1）×1.040.95，E（k）
式中[E（k）]為第[k]步的誤差平方和。
自適應學習速率的調整公式為：
[η（k+1）=1.05η（k），E（k+1）E（k）×1.04η（k），etc] （9）
式中[E（k）]為第[k]步的誤差平方和。
動量法可以幫助BP算法正確找到全局最優解，自適應學習速率法可以幫助BP算法縮短訓練時間，通過這兩種方法的使用，可以有效地提高神經網絡的學習效果。
2.5 實驗結果分析
實驗目的為確定系統中BP神經網絡分類器的隱含層神經元數目。首先根據研究獲得的圖像特征向量的元素個數構建神經網絡分類器的學習樣例，此處每個樣例的輸入向量的元素個數為165個，因此構建16組含有165個元素的輸入向量，4個一組劃分為一種類別，最終形成含有4種類別的16組訓練樣本，以此方法再生成該4種類別的4組測試樣本。然后根據經驗公式獲得合適隱含層神經元數目的取值范圍，此處為9～17個。最后將訓練樣本及測試樣本先后輸入隱含層神經元數目不同的網絡中進行訓練和測試，記錄數據。
表1記錄了隱含層神經元數目及對應的訓練誤差和測試誤差的數據，由其數據可以看出，隨著隱含層神經元數目的增加訓練誤差總體上逐漸減小，當個數超過15后訓練誤差出現一定程度的波動，出現小幅的增加，雖然不影響網絡的學習效果，但是過多的神經元個數會增加學習時間，而此時測試誤差還是處于降低的趨勢。綜合分析實驗結果，本系統確定采用較合適的15個隱含層神經元。
3 檢索系統的設計與實現
3.1 系統結構分析
3.1.1 系統結構
系統的結構如圖2所示，圖中除了與用戶交互的Web前端，其余的圖像特征提取模塊、神經網絡模塊及數據庫都在服務器端，這種瀏覽器?服務器結構平臺搭建后，用戶可以通過不同客戶端的Web瀏覽器進行圖像檢索的功能，而不必安裝本地應用程序，同時將主要的核心功能集中到服務器上，不僅大大簡化了系統的開發和維護流程，降低了成本，還增強了系統的擴展性。
3.1.2 系統流程
系統針對不同的功能需求設計了相應的不同流程，這些流程包括系統樣例學習流程、用戶反饋學習流程、用戶查詢流程。
如圖3所示，在系統的樣例學習過程中，系統接收到樣例數據后會先對數據進行分析，然后交給神經網絡進行學習，最終生成對應類別的分類器，這些分類器會在用戶檢索時對數據庫中的圖像進行分類，查找到符合用戶需求的圖像[6]。樣例學習的流程是本系統學習分類知識的關鍵步驟，在該步驟中用戶并不參與系統的學習過程，整個學習過程均為系統自動進行，因此需提供大量被正確標注的清晰圖像樣例，通過對這些優質樣例的學習，系統會自動生成針對圖像各種分類所對應的分類器，且經過長時間的學習，這些分類器的準確率會不斷上升，最終使查詢結果更符合用戶需求。
如圖4所示，在系統的用戶查詢流程中，用戶的查詢條件為圖像特征的語義描述，系統最終返回為包含該描述特征的圖像集，這個過程利用神經網絡分類器學習的高層描述語義與低層圖像特征之間的映射，因此隨著神經網絡學習時間的增大，這種映射也就越精確，系統完成的查詢也就越符合用戶要求。
3.1.3 圖像特征提取模塊
如圖5所示，當圖像輸入到圖像特征提取模塊中時，圖像會進行K?均值聚類分割算法處理、顏色相關圖算法處理及Tamura紋理特征算法處理，這三個處理過程并行進行。
經過K?均值聚類分割算法處理，圖像被分割為若干塊區域，每個區域中的像素都具有相似的屬性，對于每個區域，會提取其簡單的區域特征，如顏色特征、位置特征、紋理特征及形狀特征等；經過顏色相關圖算法處理，生成當前圖像的顏色自相關圖；經過Tamura紋理特征算法處理，計算出圖像的粗糙度、對比度、方向度、線性度等數值。將經過三個算法處理后得到的數值整理后得到圖像的特征向量[7]。
3.1.4 神經網絡模塊
系統中的圖像神經網絡分類器由三層組成，分別為輸入層、隱含層及輸出層，其中輸入層的神經元個數與歸一化后的圖像特征向量的個數相同，為固定值；隱含層的神經元個數通過前文中的實驗得出，適合于本系統中神經網絡的要求；輸出層只有一個神經元進行分類，設定1為屬于該分類的學習期望，設定0為不屬于該分類的學習期望，但是實際運行時需要設定1為0.9，0為0.1，這是因為Sigmoid函數無法經過有限的連接權值計算得到1與0的值[8]。
3.1.5 Web 平臺模塊
系統的Web界面包括用戶查詢輸入框、用戶圖像上傳框、查詢結果瀏覽框等。
3.2 實驗結果分析
為了檢驗圖像檢索平臺的性能，首先將系統設置為學習模式，然后從圖像庫中選取1 000幅已進行人工標注的樣例集輸入系統，最后當系統發出已訓練完畢信號后，對系統已學習的分類當作查詢輸入系統進行檢索，記錄系統檢索結果。
檢索結果可知經過人工指導學習，系統可以仿真模擬更符合人類視覺感知的分類方式，并將其記憶于相應的神經網絡分類器中，經過不斷的學習，系統可以返回更準確的符合用戶需求的檢索結果。
4 結 論
本文主要研究包括基于內容的圖像檢索技術及人工神經網絡技術兩個方面。首先使用K?均值聚類分割算法、顏色相關圖算法及Tamura紋理特征提取算法提取圖像相應的形狀、顏色及紋理特征，通過整合形成可以完整描述圖像信息的特征向量。同時，針對基于內容的圖像檢索系統中用戶高層語義與圖像底層特征之間存在的問題，通過樣例自動學習和用戶反饋學習兩種學習方式，BP神經網絡通過反向傳播學習算法調節網絡權值，從而形成圖像底層特征到圖像分類的正確映射，學習后的神經網絡通過這種映射可以進行圖像的自動分類及檢索，該方法結合了圖像的底層特征描述及用戶的高層語義反饋，有效地彌補了語義鴻溝。
參考文獻
[1] KHERFI M L， ZIOU D. Relevance feedback for CBIR： a new approach based on probabilistic feature weighting with positive and negative examples [J]. IEEE transactions on image processing， 2006， 15（4）： 1017?1030.
[2] TRAINA A J M， MARQUES J. Fighting the semantic gap on CBIR systems through new relevance feedback techniques [C]// Proceedings of 2011 the 21th IEEE International Symposium on Computer?Based Medical Systems. [S.l.]： IEEE， 2006： 881?886.
[3] 周資云.基于內容的圖像檢索系統研發與應用[J].華章，2012（29）：22.
[4] 劉麗，匡綱要.圖像紋理特征提取方法綜述[J].中國圖象圖形學報，2013，14（4）：622?635.
[5] KANUNGO T， MOUNT D M， NETANYAHU N S， et al. An efficient k?means clustering algorithm： analysis and implementation [J]. IEEE transactions on pattern analysis and machine intelligence， 2002， 24（7）： 881?892.
[6] WILLIAMS A， YOON P. Content?based image retrieval using joint correlograms [J]. Multimedia tools and applications， 2007， 34（2）： 239?248.
人工神經網絡法范文4
關鍵詞：油氣輸送；ANN技術；意義；應用
1 ANN技術
ANN技術也就是人工神經網絡技術。人工神經網絡是一種通過模仿動物神經網絡行為特征，進行分布式并行信息處理的算法數學模型。人工神經網絡通過調節系統內部大量節點之間相互連接的關系，并對其之間關系進行信息處理，從而達到處理信息的目的。人工神經網絡具有自學習和自適應的能力。人工神經網絡技術（ANN技術）就是根據人工神經網絡而提出來的處理單元互聯組成的非線性、自適應信息處理系統技術，利用人工神經網絡技術可以通過模擬大腦神經網絡處理、記憶信息的方式進行信息處理。ANN技術通常是通過一個基于數學統計學類型的學習方法得以優化，所以人工神經網絡技術也是數學統計學方法的一種實際應用。人工神經網絡技術具有四個基本特征：非線性、非局限性、非常定性、非凸性。
就目前來說，常用的人工神經網絡是Hopfield聯想記憶網絡，波爾茲曼學習機和網絡誤差反傳（BP）試驗方法。BP網絡可以對油氣管道油氣泄漏、管道腐蝕速度等進行預測，所以在油氣儲運中，應用最多的是BPNN技術。
2 ANN技術在油氣儲運中的應用
（一）在油氣儲運中運用ANN技術的重要意義
油氣儲運工程主要包括油氣田集輸、長距離輸送管道、儲存與裝卸等，它是連接油氣生產、加工、分配、銷售諸環節的紐帶。ANN技術通常是通過一個基于數學統計學類型的學習方法得以優化，所以人工神經網絡技術也是數學統計學方法的一種實際應用。人工神經網絡（ANN）具有非線性、非局限性、非常定性、非凸性等特征，用人工神經網絡技術的自適應能力學習管道的各種工況，對管道運行狀況進行分類識別，從而更準確的檢測油氣儲運管道泄漏情況和管道腐蝕速度。為了更加準確的檢測油氣儲運管道泄漏情況和管道腐蝕速度，為了石油生產建設的需要，因此要在油氣儲運中運用人工神經網絡技術（ANN技術）。
（二）ANN技術在油氣儲運中的具體應用
（1）在油氣儲運中應用ANN技術，是因為人工神經網絡（ANN）具有以下的特點和優越性：第一，具有自學習功能。例如管道的油氣泄漏情況或者管道腐蝕度進行識別時，首先要把不同管道的泄漏或腐蝕圖像樣板以及對應的應識別結果輸入到人工神經網絡系統（ANN）中，利用人工神經網絡系統（ANN）的自學功能，學會識別其他的相類似的圖像。人工神經網絡（ANN）的自學習功能對于油氣管道泄漏情況和管道腐蝕情況預測有特別重要的意義。第二，利用人工神經網絡（ANN）的聯想存儲功能，把關于石油管道泄露或腐蝕等的各種情況進行相互的聯想、比對，找出石油管道泄露的具體地方以及管道腐蝕的情況，進而提出切實可行的解決措施。第三，利用人工神經網絡（ANN）的高速尋找優化解的能力，通過計算機的高速運算，找出解決石油運輸中出現的問題的最佳方法。
（2）BPNN網絡是一種基于廣義2R規則的有監督的學習網絡，屬誤差修正算法。采用BPNN網絡對管道泄漏進行檢測，主要是利用單元希望輸出與實際輸m之問的偏差作為連接權調整的參考，并最終減小這種誤差。
（3）自適應模糊神絳網絡系統具有自學習能力和非線性映射，它不僅能夠獲取信號的最佳估計，并且能夠克服信號處理中存在的模型和噪聲的不確定性、不完備性，所以可以用于噪聲信號的非線性建模。利用自適應模糊神經網絡系統的去噪可以提高壓力信號、流量信號的信噪比。自適應模糊神經網絡的自適應噪聲抵消器具有實現簡單、節省運行時間，能快速、有效地消除流量、壓力信號中的各種噪聲的特點，所以把自適應模糊神絳網絡系統應用到油氣儲運中管道泄漏、腐蝕情況的檢測中，提高泄漏檢測和定位的精度。
（4）可以利用人工神經網絡對油氣管道的腐蝕過程和腐蝕速度進行預測。在油氣輸送管道中，由于各種油氣性質的不同，再加上高速度、高循環率的運輸，增加了油氣管道的腐蝕程度。我們可以通過人工神經網絡（ANN），采用逐步回歸的方法對油氣管道中的腐蝕程度和腐蝕速度進行預測，進而保證油氣管道能夠安全有效的運行。
3 結語
綜上所述，油氣儲運工程主要包括油氣田集輸、長距離輸送管道、儲存與裝卸等，它是連接油氣生產、加工、分配、銷售諸環節的紐帶。ANN技術也就是人工神經網絡技術，ANN技術具有可以充分逼近任意復雜的非線性關系，具有很強的魯棒性和容錯性，能夠同時處理定量、定性知識，能夠優化設計、模式識別、聯想記憶等特點。在油氣儲運中用人工神經網絡技術的自適應能力學習管道的各種工況，對管道運行狀況進行分類識別，更準確的檢測油氣儲運管道泄漏情況和管道腐蝕速度。
參考文獻：
[1]王延民，齊志財.ANN技術在油氣儲運中的應用[J].油氣田地面工程.2008，（10）：55.
人工神經網絡法范文5
1.1人工神經網絡研究簡況
1943年，生理學家W.S.McCulloch和數學家W.A.Pitts首次提出二值神經元模型。半個世紀以來人們對神經網絡的研究經歷了五六十年代的第一次熱潮，跌人了70年代的低谷;80年代后期迎來了第二次研究熱潮，至今迭起，不亞于二戰期間對原子彈研究的狂熱。
人工神經網絡是模仿生物腦結構與功能的一種信息處理系統。作為一門新興的交叉學科，人工神經網絡以其大規模并行結構、信息的分布式存儲和并行處理，具有良好的自適應性、自組織性和容錯性,具有較強的學習、記憶、聯想、識別功能氣引起眾多領域科學家的廣泛關注，成為目前國際上非?；钴S的前沿領域之一。
1.2人工神經網絡的基本模型及其實現
1.2.1人工神經網絡的基本模型人工神經網絡的基本模型見表1?
1.2.2以誤差逆傳播模型說明人工神經網絡的實現人工神經網絡中應用最多的是誤差逆傳播(ErrorBack-Propagation)網絡，簡稱BP網絡，從結構講’BP網絡是典型的多層網絡，分為輸入層、隱含層和輸出層3層,層與層的神經元之間多采用全互連方式，而同層各神經元之間無連接，見圖1。BP網絡的基本處理單元（輸入層單元除外）為非線性輸人-輸出關系，一般選用S型作用函數f(x)=l/(1+e-當給定網絡一個輸人模式時，它由輸人層單元傳到隱含層單元，經隱含層單元逐層處理后再送到輸出層單元，由輸出層單元處理后產生一個輸出模式。這是一個逐層狀態更新的過程，稱為前向傳播。如果期望輸出與實際輸出之間的誤差不滿足要求，那么就轉人誤差反向傳播，將誤差值沿通路逐層傳送并修正各層連接權值(w1,W2),這是一個逐層權值更新的過程，稱為誤差反向傳播過程。隨著2個過程的反復進行，誤差逐漸減小，直至滿足要求為止。
2常用人工神經網絡模型的應用分析
當前，人工神經網絡方法主要應用于有機有毒化合物毒性的分類及定量預測、對不同污染物生物降解性能的預測、單要素環境質量評價、環境質量綜合評價、環境預測、環境綜合決策等方面。
2.1預測性能的分析
以BP網絡為例，就近兩年來應用BP網絡進行預測的成功研究來看，人工神經網絡的預測性能得到了充分的肯定。
1997年，劉國東等141應用BP網絡建立的雅礱江和嘉陵江流域氣溫、降水和徑流之間關系的網絡模型，具有較高的擬合精度和預報精度，并具有精度可控制的優點。計算結果同國內外研究成果的一致性表明，用BP網絡分析、研究氣候變化對一個地區(或流域)水資源環境的影響是一種新穎、有效的方法。
王瑛等w指出，當外界環境和系統本身性質發生劇烈變化時，BP網絡能提供一種有效的方法來更新模型，實現新舊模型之間的轉換。他們利用最近12年(1981~1992年）的環境經濟數據對2000年環境指標進行了預測，并根據預測結果對未來的環境對策進行了分析。這為解決環境預測的模型問題提供了一條新思路。
張愛茜等用人工神經網絡預測含硫芳香族化合物好氧生物降解速率常數和孫唏等⑺對胺類有機物急性毒性的分類及定量預測的結果都說明了，人工神經網絡作為一種非線性模型預測能力大大優于多兀線性回歸模型。
2.2 評價性能的分析
人們在環境評價中主要應用了BP網絡、Hopfield網絡、徑向基函數網絡等模型，并不斷地改進應用方法，對其在環境評價中的性能進行比較研究》李祚泳的研究結果表明BP網絡用于水質評價具有客觀性和實用性。劉國東等?改進了BP網絡的應用kf法，并比較了BP網絡與Hopfield網絡在水質綜合評價中的性能。他們指出Hopfield網絡采用模式（圖象)聯想或匹配，既適用于定量指標的水質參數又適用于定性指標的水質參數，而且使水質評價形象化，因此更優于BP網絡.郭宗樓等將徑向基函數人工神經網絡(RBF—ANN)模型應用于城市環境綜合評價，結果-表明RBF網絡不僅具有良好的推廣能力，而且避免了反向傳播那樣繁瑣、冗長的計算，其學習速度是常用的BP網絡無法比擬的。郭宗樓等[|11又以三峽工程為背景，把該模型應用于水利水電工程環境影響綜合評價的人工神經網絡專家系統中，與分級加權評價法相比較具有更高的推理效率。
環境科學研究的問題，如環境污染、生態破壞、自然災害、資源耗竭、人口過量等等，無一不是在某種程度上損傷或破壞了人——環境的和謂。人——環境關系有著自身的變化規律,是可以進行科學量度的。顯然這一M?度是多方位、多因素的非線性評價問題,至今尚未建立起一種適當的評價模型，我們是否可以借鑒人工神經網絡的應用優點，考慮建立基于人工神經網絡方法的評價模型。
人工神經網絡法范文6
關鍵詞：商業銀行 個人信用等級評估 BP人工神經網絡 模糊評判
個人信用等級評估指標體系
商業銀行個人信用等級評估指標體系設立的目的簡述為銀行通過評估借款人的“3C”，即品德（Character）、能力（Capacity）以及抵押（Collateral），對借款人在債務期滿時償債能力（Ability to pay）和還款意愿（Willingness to pay）等進行預測。根據指標體系設立原則，參照國際標準、國內外銀行經驗和企業信用等級評估方法，綜合考慮商業銀行特點及所在地區情況，通過對以往借款人群的考察，以專家判斷為基礎，可選擇4大類21個指標全面評價個人信用等級（如表1）。
人工神經網絡的具體應用
人工神經網絡（Artificial Neural Network，簡稱ANN）是20世紀80年代后期迅速發展的人工智能技術，由大量簡單的基本元件――神經元相互聯結，模擬人的大腦神經處理信息的方式，進行信息并行處理和非線形轉換的復雜網絡系統。標準的人工神經網絡是由3個神經元層次組成的BP（Back Propagation）網絡模型，即反向傳播神經網絡。BP人工神經網絡處理信息是通過信息樣本對神經網絡的訓練，使其具有記憶、辨識能力，完成各種信息處理功能。
可行性分析
我國個人信用等級評估起步較晚，相關信息殘缺，而BP人工神經網絡具有強大并行處理機制，高度自學習、自適應能力，內部有大量可調參數，因而使系統靈活性更強。
進行個人信用等級評估與預測時，有些因素帶有模糊性，而BP人工神經網絡的后天學習能力使之能夠隨環境的變化而不斷學習，能夠從未知模式的大量復雜數據中發現規律，與傳統的評價方法相比，表現出更強的功能。
BP人工神經網絡方法克服了傳統分析過程的復雜性及選擇適當模型函數形式的困難，它是一種自然的非線性建模過程，無需分清存在何種非線性關系，給建模與分析帶來極大的方便。
BP人工神經網絡可以再現專家的經驗、知識和直覺思維，較好地保證了評估與預測結果的客觀性。
模型建立
三層BP人工神經網絡模型的最下層稱為輸入層，中間層為隱含層，最上層為輸出層。各層次間神經元相互聯接，各層次內的神經元沒有聯接。BP算法的學習過程由正向傳播和反向傳播兩個過程組成。在正向傳播過程中，信息從輸入層經隱含層傳向輸出層。如果在輸出層不能得到期望輸出結果，則轉入反向傳播，將誤差信號沿原來的聯接通路返回。而其權值的調整采用反向傳播的學習算法，神經元的變換函數是S(Sigmoid)型函數：
1
f(x)=――――；
(1+e-x)
學習集包括N個樣本模式（xp,yp），對第p個學習樣本（p=1,2，,3…,N），節點j的輸入總和記為netpj，輸出記為opj，則：netpj=∑Wjiopj,opj=f(netpj)。
如果任意設置網絡初始權值，那么對每個輸入樣本p網絡輸出與期望輸出（dpj）的誤差為：E=∑Ep=∑[(dpj-opj)2]/2
BP神經網絡的權值修正公式為：Wji=wij(n)+ηδpjopj，式中：η為學習速率，是為了加快網絡的收斂速度。
個人信用等級評價指標網絡結構如圖1所示。
此神經網絡的輸入量xi∈（0,1）（i=1,2,…,21），這里xi為各個因素的效用值。網絡的輸出量為yi∈（0,1），y為評價的結果，用貼近度來表示。具體的算法步驟如下：按具體要求確定品評價素集；對評價因素的各指標集進行效用函數變換；構造三層前向神經網絡，根據評價因素確定輸入神經元個數，同時確定網絡參數；確定學習樣本集（X，Y）及誤差量ε；對每一個樣本求神經元的輸入和輸出；計算樣本偏差E，若E＜ε時，轉至最后步驟；進行反向學習；對權值進行修正，轉至第五步；存儲學習好的網絡；并將待評價的個人信用等級評價因素輸入，得到評價結果。
實證分析
