神經(jīng)網(wǎng)絡(luò)論文范文

導(dǎo)語：如何才能寫好一篇神經(jīng)網(wǎng)絡(luò)論文，這就需要搜集整理更多的資料和文獻(xiàn)，歡迎閱讀由公務(wù)員之家整理的十篇范文，供你借鑒。

篇1

[關(guān)鍵詞]軟件項(xiàng)目風(fēng)險(xiǎn)管理神經(jīng)網(wǎng)絡(luò)粗集

本篇論文的中心是基于粗集的人工神經(jīng)網(wǎng)絡(luò)(ANN)技術(shù)的高風(fēng)險(xiǎn)識(shí)別，這樣在制定開發(fā)計(jì)劃中，最大的減少風(fēng)險(xiǎn)發(fā)生的概率，形成對(duì)高風(fēng)險(xiǎn)的管理。

一、模型結(jié)構(gòu)的建立

本文基于粗集的BP神經(jīng)網(wǎng)絡(luò)的風(fēng)險(xiǎn)分析模型,對(duì)項(xiàng)目的風(fēng)險(xiǎn)進(jìn)行評(píng)估,為項(xiàng)目進(jìn)行中的風(fēng)險(xiǎn)管理提供決策支持。在這個(gè)模型中主要是粗糙集預(yù)處理神經(jīng)網(wǎng)絡(luò)系統(tǒng)，即用RS理論對(duì)ANN輸入端的樣本約簡，尋找屬性間關(guān)系，約簡掉與決策無關(guān)的屬性。簡化輸入信息的表達(dá)空間維數(shù)，簡化ANN結(jié)構(gòu)。本論文在此理論基礎(chǔ)上，建立一種風(fēng)險(xiǎn)評(píng)估的模型結(jié)構(gòu)。這個(gè)模型由三部分組成即：風(fēng)險(xiǎn)辨識(shí)單元庫、神經(jīng)網(wǎng)絡(luò)單元、風(fēng)險(xiǎn)預(yù)警單元。

1.風(fēng)險(xiǎn)辨識(shí)單元庫。由三個(gè)部分功能組成：歷史數(shù)據(jù)的輸入，屬性約簡和初始化數(shù)據(jù).這里用戶需提供歷史的項(xiàng)目風(fēng)險(xiǎn)系數(shù)。所謂項(xiàng)目風(fēng)險(xiǎn)系數(shù),是在項(xiàng)目評(píng)價(jià)中根據(jù)各種客觀定量指標(biāo)加權(quán)推算出的一種評(píng)價(jià)項(xiàng)目風(fēng)險(xiǎn)程度的客觀指標(biāo)。計(jì)算的方法:根據(jù)項(xiàng)目完成時(shí)間、項(xiàng)目費(fèi)用和效益投入比三個(gè)客觀指標(biāo),結(jié)合項(xiàng)目對(duì)各種資源的要求,確定三個(gè)指標(biāo)的權(quán)值。項(xiàng)目風(fēng)險(xiǎn)系數(shù)可以表述成:r=f(w1,w2,w3,T,T/T0,S/S0,U/U0),R<1；式中:r為風(fēng)險(xiǎn)系數(shù);T、T0分別為實(shí)際時(shí)間和計(jì)劃時(shí)間;S、S0分別為實(shí)際費(fèi)用和計(jì)劃費(fèi)用;U、U0分別為實(shí)際效能和預(yù)計(jì)效能;w1、w2、w3分別是時(shí)間、費(fèi)用和效能的加權(quán)系數(shù),而且應(yīng)滿足w1+w2+w3=1的條件。

2.神經(jīng)網(wǎng)絡(luò)單元。完成風(fēng)險(xiǎn)辨識(shí)單元的輸入后,神經(jīng)網(wǎng)絡(luò)單元需要先載入經(jīng)初始化的核心風(fēng)險(xiǎn)因素的歷史數(shù)據(jù),進(jìn)行網(wǎng)絡(luò)中權(quán)值的訓(xùn)練,可以得到輸入層與隱含層、隱含層與輸出層之間的權(quán)值和閥值。

(1)選取核心特征數(shù)據(jù)作為輸入，模式對(duì)xp=[xp1,xp2,.,xpn]T,dp(網(wǎng)絡(luò)期望輸出)提供給網(wǎng)絡(luò)。用輸入模式xp,連接權(quán)系數(shù)wij及閾值hj計(jì)算各隱含單元的輸出。

m

Ypj=1/{1+exp[-(∑wijxpi-hj)]},i=1,2,.,m;j=1,2,Λ,n,

i=1

(2)用隱含層輸出ypj,連接權(quán)系數(shù)wij及閾值h計(jì)算輸出單元的輸出

m

Yp=1/{1+exp[-(∑wjxpi-hj)]},i=1,2,.,m;j=1,2,Λ,n,

i=1

Yp=[y1,y2,……,yn]T

(3)比較已知輸出與計(jì)算輸出,計(jì)算下一次的隱含各層和輸出層之間新的連接權(quán)值及輸出神經(jīng)元閾值。

wj(k+1)=wj(k)+η(k)σpσpj+α[wj(k)-wj(k-1)]

h(k+1)=h(k)+η(k)σp+α[h(k)-h(k-1)]

η(k)=η0(1-t/(T+M))

η0是初始步長;t是學(xué)習(xí)次數(shù);T是總的迭代次數(shù);M是一個(gè)正數(shù),α∈(0,1)是動(dòng)量系數(shù)。σp是一個(gè)與偏差有關(guān)的值,對(duì)輸出結(jié)點(diǎn)來說；σp=yp(1-yp)(dp-yp)；對(duì)隱結(jié)點(diǎn)來說,因其輸出無法比較,所以經(jīng)過反向推算；σpj=ypj(1-ypj)(ypwj)

(4)用σpj、xpj、wij和h計(jì)算下一次的輸入層和隱含層之間新的連接權(quán)值及隱含神經(jīng)元閾值。wij(k+1)=wij(k)+η(t)σpjxpi+α[wij(k)-wij(k-1)]

3.風(fēng)險(xiǎn)預(yù)警單元

根據(jù)風(fēng)險(xiǎn)評(píng)價(jià)系數(shù)的取值,可以將項(xiàng)目的風(fēng)險(xiǎn)狀況分為若干個(gè)區(qū)間。本文提出的劃分方法是按照5個(gè)區(qū)間來劃分的:

r<0.2項(xiàng)目的風(fēng)險(xiǎn)很低,損失發(fā)生的概率或者額度很小;

0.2≤r<0.4項(xiàng)目的風(fēng)險(xiǎn)較低,但仍存在一定風(fēng)險(xiǎn);

0.4≤r<0.6項(xiàng)目的風(fēng)險(xiǎn)處于中等水平,有出現(xiàn)重大損失的可能;

0.6≤r<0.8項(xiàng)目的風(fēng)險(xiǎn)較大,必須加強(qiáng)風(fēng)險(xiǎn)管理,采取避險(xiǎn)措施;

0.8≤r<1項(xiàng)目的風(fēng)險(xiǎn)極大,重大損失出現(xiàn)的概率很高,建議重新考慮對(duì)于項(xiàng)目的投資決策。

總之，有許多因素影響著項(xiàng)目風(fēng)險(xiǎn)的各個(gè)對(duì)象，我們使用了用戶評(píng)級(jí)的方式，從風(fēng)險(xiǎn)評(píng)估單元中獲得評(píng)價(jià)系數(shù)五個(gè)等級(jí)。給出各風(fēng)險(xiǎn)指標(biāo)的評(píng)價(jià)系數(shù)，衡量相關(guān)風(fēng)險(xiǎn)的大小。系數(shù)越低，項(xiàng)目風(fēng)險(xiǎn)越低；反之，系數(shù)越高，項(xiàng)目風(fēng)險(xiǎn)越高。

二、實(shí)證：以軟件開發(fā)風(fēng)險(xiǎn)因素為主要依據(jù)

這里我們從影響項(xiàng)目風(fēng)險(xiǎn)諸多因素中，經(jīng)項(xiàng)目風(fēng)險(xiǎn)系數(shù)計(jì)算，作出決策表，利用粗集約簡，抽取出最核心的特征屬性(中間大量復(fù)雜的計(jì)算過程省略)。總共抽取出六個(gè)主要的指標(biāo)(PersonnelManagement/Training，Schedule，ProductControl，Safety，ProjectOrganization，Communication)確定了6個(gè)輸入神經(jīng)元，根據(jù)需求網(wǎng)絡(luò)隱含層神經(jīng)元選為13個(gè)，一個(gè)取值在0到1的輸出三層神經(jīng)元的BP網(wǎng)絡(luò)結(jié)構(gòu)。將前十個(gè)季度的指標(biāo)數(shù)據(jù)作為訓(xùn)練樣本數(shù)據(jù)，對(duì)這些訓(xùn)練樣本進(jìn)行數(shù)值化和歸一化處理，給定學(xué)習(xí)率η=0.0001，動(dòng)量因子α=0.01，非線性函數(shù)參數(shù)β=1.05，誤差閉值ε=0.01，經(jīng)過多次迭代學(xué)習(xí)后訓(xùn)練次數(shù)N＝1800網(wǎng)絡(luò)趨于收斂，以確定神經(jīng)網(wǎng)絡(luò)的權(quán)值。最后將后二個(gè)季度的指標(biāo)數(shù)據(jù)作為測試數(shù)據(jù)，輸入到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)中，利用神經(jīng)網(wǎng)絡(luò)系統(tǒng)進(jìn)行識(shí)別和分類，以判斷軟件是否會(huì)發(fā)生危機(jī)。實(shí)驗(yàn)結(jié)果表明，使用神經(jīng)網(wǎng)絡(luò)方法進(jìn)行風(fēng)險(xiǎn)預(yù)警工作是有效的，運(yùn)用神經(jīng)網(wǎng)絡(luò)方法對(duì)后二個(gè)季度的指標(biāo)數(shù)據(jù)進(jìn)行處理和計(jì)算，最后神經(jīng)網(wǎng)絡(luò)的實(shí)際輸出值為r=0.57和r=0.77，該軟件開發(fā)風(fēng)險(xiǎn)處于中等和較大狀態(tài)，與用專家效績評(píng)價(jià)方法評(píng)價(jià)出的結(jié)果基本吻合。

參考文獻(xiàn)：

[1]王國胤“Rough:集理論與知識(shí)獲取”[M].西安交通大學(xué)出版社，2001

篇2

1.1事件的選取和回顧在實(shí)證分析中以“寧波PX事件”為預(yù)警模型的最終目標(biāo)，而選擇了“廈門PX事件”和“昆明PX事件”為學(xué)習(xí)樣本進(jìn)行學(xué)習(xí)。這一連串關(guān)于PX事件其危害的對(duì)象不僅僅是政府形象更是對(duì)整個(gè)社會(huì)和諧穩(wěn)定造成了較大的影響。尤其是寧波PX事件中，甚至出現(xiàn)了不理智的因受謠言的蠱惑沖擊政府機(jī)關(guān)掀翻執(zhí)勤警車的情況。倘若能及時(shí)且準(zhǔn)確地對(duì)此類事件進(jìn)行預(yù)警并作出相應(yīng)的預(yù)防措施就能對(duì)事件進(jìn)行有效的控制。

1.2指標(biāo)數(shù)據(jù)的獲取對(duì)于所建立的模型而言其關(guān)鍵不僅僅在于預(yù)警模型的指標(biāo)的建立和神經(jīng)網(wǎng)絡(luò)的識(shí)別。其數(shù)據(jù)的獲取亦是十分關(guān)鍵的一步。根據(jù)各個(gè)數(shù)據(jù)的特點(diǎn)，整理各個(gè)指標(biāo)數(shù)據(jù)獲取方式如下。將廈門PX事件和昆明PX事件作為一個(gè)學(xué)習(xí)樣本，其數(shù)據(jù)清單如表3所示。同樣將模型的預(yù)警目標(biāo)——“寧波PX事件”作為目標(biāo)數(shù)據(jù)，其數(shù)據(jù)清單如表4所示。

1.3輸入數(shù)據(jù)的標(biāo)準(zhǔn)化處理網(wǎng)絡(luò)輿情危機(jī)預(yù)警指標(biāo)體系中有5個(gè)預(yù)警指標(biāo),其中存在定性指標(biāo)和定量指標(biāo)兩大類，并且對(duì)各個(gè)指標(biāo)的數(shù)據(jù)進(jìn)行了量化處理,然而各個(gè)指標(biāo)的單位的量綱是不同的，為了能夠?qū)Ω鱾€(gè)指標(biāo)進(jìn)行對(duì)比評(píng)分,需要將它們進(jìn)行標(biāo)準(zhǔn)化得到[0,1]無量綱指標(biāo)。量化的指標(biāo)均有正負(fù)方向均有正負(fù)方向之分，自然這些數(shù)據(jù)的標(biāo)注化方法均有不同：1)正向指標(biāo)處理:正向指標(biāo)表示值越大越安全，危機(jī)等級(jí)越小無量綱化以最小值為基準(zhǔn),正向無量綱化處理方程:2)負(fù)向指標(biāo)處理:負(fù)向指標(biāo)在文章中表示指標(biāo)值越小越安全,危機(jī)等級(jí)越小。無量綱化以最大值為基準(zhǔn),負(fù)向的無量綱化處理方程:其中,X表示量化后的指標(biāo)值,xmin表示指標(biāo)的最小值,xi表示指標(biāo)的實(shí)際值，xmax表示指標(biāo)的最大值。

2輿情預(yù)警模型的建立及結(jié)果

2.1模型的建立神經(jīng)網(wǎng)絡(luò)模型是一個(gè)典型的“輸入-處理-輸出”的過程。輸入是采集到的指標(biāo)的實(shí)際值,輸出是模型識(shí)別的結(jié)果,即預(yù)警的敏感度,而中間過稱則采用BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行學(xué)習(xí)計(jì)算,這部分相當(dāng)于“黑匣子”。在處理的時(shí)候，該文采用三層BP網(wǎng)絡(luò)(一個(gè)輸入層、一個(gè)隱含層、一個(gè)輸出層)的網(wǎng)絡(luò)結(jié)構(gòu),那么輸入、輸出節(jié)點(diǎn)數(shù)分別是5和1[8]。在設(shè)置完參數(shù)之后用第四章所講述的利用Matlab軟件完成模型的建立。

2.2結(jié)果及檢驗(yàn)通過搜集得到的數(shù)據(jù)匯編成的學(xué)習(xí)樣本，并將其中的70%作為樣本，30%作為檢驗(yàn)樣本進(jìn)行。通過計(jì)算可以得到該表，從該表中容易得到，學(xué)習(xí)過程中準(zhǔn)確率達(dá)到了91.76%。并在測過程中抽取了5項(xiàng)進(jìn)行預(yù)測，得到的準(zhǔn)確率為92.31%，其較高的準(zhǔn)確率。因此有理由認(rèn)為該模型在未來的預(yù)測過程中其準(zhǔn)確率應(yīng)該達(dá)到90%以上。

3研究結(jié)論

篇3

人工神經(jīng)網(wǎng)絡(luò)（AartificialNeuralNetwork，下簡稱ANN）是模擬生物神經(jīng)元的結(jié)構(gòu)而提出的一種信息處理方法。早在1943年，已由心理學(xué)家WarrenS.Mcculloch和數(shù)學(xué)家WalthH.Pitts提出神經(jīng)元數(shù)學(xué)模型，后被冷落了一段時(shí)間，80年代又迅猛興起［1］。ANN之所以受到人們的普遍關(guān)注，是由于它具有本質(zhì)的非線形特征、并行處理能力、強(qiáng)魯棒性以及自組織自學(xué)習(xí)的能力。其中研究得最為成熟的是誤差的反傳模型算法（BP算法，BackPropagation），它的網(wǎng)絡(luò)結(jié)構(gòu)及算法直觀、簡單，在工業(yè)領(lǐng)域中應(yīng)用較多。

經(jīng)訓(xùn)練的ANN適用于利用分析振動(dòng)數(shù)據(jù)對(duì)機(jī)器進(jìn)行監(jiān)控和故障檢測，預(yù)測某些部件的疲勞壽命［2］。非線形神經(jīng)網(wǎng)絡(luò)補(bǔ)償和魯棒控制綜合方法的應(yīng)用（其魯棒控制利用了變結(jié)構(gòu)控制或滑動(dòng)模控制），在實(shí)時(shí)工業(yè)控制執(zhí)行程序中較為有效［3］。人工神經(jīng)網(wǎng)絡(luò)（ANN）和模糊邏輯（FuzzyLogic）的綜合，實(shí)現(xiàn)了電動(dòng)機(jī)故障檢測的啟發(fā)式推理。對(duì)非線形問題，可通過ANN的BP算法學(xué)習(xí)正常運(yùn)行例子調(diào)整內(nèi)部權(quán)值來準(zhǔn)確求解［4］。

因此，對(duì)于電力系統(tǒng)這個(gè)存在著大量非線性的復(fù)雜大系統(tǒng)來講，ANN理論在電力系統(tǒng)中的應(yīng)用具有很大的潛力，目前已涉及到如暫態(tài)，動(dòng)穩(wěn)分析，負(fù)荷預(yù)報(bào)，機(jī)組最優(yōu)組合，警報(bào)處理與故障診斷，配電網(wǎng)線損計(jì)算，發(fā)電規(guī)劃，經(jīng)濟(jì)運(yùn)行及電力系統(tǒng)控制等方面［5］。

本文介紹了一種基于人工神經(jīng)網(wǎng)絡(luò)（ANN）理論的保護(hù)原理。

1、人工神經(jīng)網(wǎng)絡(luò)理論概述

BP算法是一種監(jiān)控學(xué)習(xí)技巧，它通過比較輸出單元的真實(shí)輸出和希望值之間的差別，調(diào)整網(wǎng)絡(luò)路徑的權(quán)值，以使下一次在相同的輸入下，網(wǎng)絡(luò)的輸出接近于希望值。

在神經(jīng)網(wǎng)絡(luò)投運(yùn)前，就應(yīng)用大量的數(shù)據(jù)，包括正常運(yùn)行的、不正常運(yùn)行的，作為其訓(xùn)練內(nèi)容，以一定的輸入和期望的輸出通過BP算法去不斷修改網(wǎng)絡(luò)的權(quán)值。在投運(yùn)后，還可根據(jù)現(xiàn)場的特定情況進(jìn)行現(xiàn)場學(xué)習(xí)，以擴(kuò)充ANN內(nèi)存知識(shí)量。從算法原理看，并行處理能力和非線是BP算法的一大優(yōu)點(diǎn)。

2、神經(jīng)網(wǎng)絡(luò)型繼電保護(hù)

神經(jīng)網(wǎng)絡(luò)理論的保護(hù)裝置，可判別更復(fù)雜的模式，其因果關(guān)系是更復(fù)雜的、非線性的、模糊的、動(dòng)態(tài)的和非平穩(wěn)隨機(jī)的。它是神經(jīng)網(wǎng)絡(luò)（ANN）與專家系統(tǒng)（ES）融為一體的神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)，其中，ANN是數(shù)值的、聯(lián)想的、自組織的、仿生的方式，ES是認(rèn)知的和啟發(fā)式的。

文獻(xiàn)［1］認(rèn)為全波數(shù)據(jù)窗建立的神經(jīng)網(wǎng)絡(luò)在準(zhǔn)確性方面優(yōu)于利用半波數(shù)據(jù)窗建立的神經(jīng)網(wǎng)絡(luò)，因此保護(hù)應(yīng)選用全波數(shù)據(jù)窗。

ANN保護(hù)裝置出廠后，還可以在投運(yùn)單位如網(wǎng)調(diào)、省調(diào)實(shí)驗(yàn)室內(nèi)進(jìn)行學(xué)習(xí)，學(xué)習(xí)內(nèi)容針對(duì)該省的保護(hù)的特別要求進(jìn)行（如反措）。到現(xiàn)場，還可根據(jù)該站的干擾情況進(jìn)行反誤動(dòng)、反拒動(dòng)學(xué)習(xí)，特別是一些常出現(xiàn)波形間斷的變電站內(nèi)的高頻保護(hù)。

3、結(jié)論

本文基于現(xiàn)代控制技術(shù)提出了人工神經(jīng)網(wǎng)絡(luò)理論的保護(hù)構(gòu)想。神經(jīng)網(wǎng)絡(luò)軟件的反應(yīng)速度比純數(shù)字計(jì)算軟件快幾十倍以上，這樣，在相同的動(dòng)作時(shí)間下，可以大大提高保護(hù)運(yùn)算次數(shù)，以實(shí)現(xiàn)在時(shí)間上即次數(shù)上提高冗余度。

一套完整的ANN保護(hù)是需要有很多輸入量的，如果對(duì)某套保護(hù)來說，區(qū)內(nèi)、區(qū)外故障時(shí)其輸入信號(hào)幾乎相同，則很難以此作為訓(xùn)練樣本訓(xùn)練保護(hù)，而每套保護(hù)都增多輸入量，必然會(huì)使保護(hù)、二次接線復(fù)雜化。變電站綜合自動(dòng)化也許是解決該問題的一個(gè)較好方法，各套保護(hù)通過總線聯(lián)網(wǎng)，交換信息，充分利用ANN的并行處理功能，每套保護(hù)均對(duì)其它線路信息進(jìn)行加工，以此綜合得出動(dòng)作判據(jù)。每套保護(hù)可把每次錄得的數(shù)據(jù)文件，加上對(duì)其動(dòng)作正確性與否的判斷，作為本身的訓(xùn)練內(nèi)容，因?yàn)榧词褂袝r(shí)人工分析也不能區(qū)分哪些數(shù)據(jù)特征能使保護(hù)不正確動(dòng)作，特別是高頻模擬量。

神經(jīng)網(wǎng)絡(luò)的硬件芯片現(xiàn)在仍很昂貴，但技術(shù)成熟時(shí)，應(yīng)利用硬件實(shí)現(xiàn)現(xiàn)在的軟件功能。另外，神經(jīng)網(wǎng)絡(luò)的并行處理和信息分布存儲(chǔ)機(jī)制還不十分清楚，如何選擇的網(wǎng)絡(luò)結(jié)構(gòu)還沒有充分的理論依據(jù)。所有這些都有待于對(duì)神經(jīng)網(wǎng)絡(luò)基本理論進(jìn)行深入的研究，以形成完善的理論體系，創(chuàng)造出更適合于實(shí)際應(yīng)用的新型網(wǎng)絡(luò)及學(xué)習(xí)算法［5］。

參考文獻(xiàn)

1、陳炳華。采用模式識(shí)別（智能型）的保護(hù)裝置的設(shè)想。中國電機(jī)工程學(xué)會(huì)第五屆全國繼電保護(hù)學(xué)術(shù)會(huì)議，［會(huì)址不詳］，1993

2、RobertE.Uhrig.ApplicationofArtificialNeuralNetworksinIndustrialTechnology.IEEETrans，1994，10（3）。（1）：371～377

3、LeeTH，WangQC，TanWK.AFrameworkforRobustNeuralNetwork-BasedControlofNonlinearServomechannisms.IEEETrans，1993，3（2）。（3）：190～197

篇4

基神經(jīng)于網(wǎng)絡(luò)判別指標(biāo)過濾方法的兩級(jí)識(shí)別策略，具有物理意義清晰，定量、定性的特點(diǎn)。應(yīng)用于結(jié)構(gòu)的損傷診斷，可以有效解決結(jié)構(gòu)不適定性、非線性帶來的評(píng)估誤差及精度問題。

1.1自適應(yīng)神經(jīng)網(wǎng)絡(luò)(Auto2associateNeuralNetwork)

自適應(yīng)神經(jīng)網(wǎng)絡(luò)方法基于無損傷結(jié)構(gòu)在正常服役條件下的實(shí)測響應(yīng)數(shù)據(jù)（某個(gè)動(dòng)力特性參數(shù)、或多個(gè)動(dòng)力特性參數(shù)）作為訓(xùn)練對(duì)象（人工神經(jīng)網(wǎng)絡(luò)的輸入和輸出數(shù)據(jù)X、Y），依次構(gòu)造一個(gè)自相關(guān)的神經(jīng)網(wǎng)絡(luò)Net=T(XY)。訓(xùn)練完成后，循環(huán)迭代輸入數(shù)據(jù)X進(jìn)入已訓(xùn)練的神經(jīng)網(wǎng)絡(luò)Net，獲得輸出數(shù)據(jù)Yn。通過選取合適的殘差判斷函數(shù)，通過對(duì)比數(shù)據(jù)Y和網(wǎng)絡(luò)輸出數(shù)據(jù)Yn的差值向量,采用某種距離測度函數(shù)加以測量形成健康結(jié)構(gòu)的判別指標(biāo)Vi。當(dāng)結(jié)構(gòu)發(fā)生損傷，實(shí)測響應(yīng)數(shù)據(jù)Xd被作為輸入數(shù)據(jù)通過已經(jīng)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)Net，由輸入數(shù)據(jù)Xd和輸出數(shù)據(jù)Yd可以計(jì)算得到的新的判別指標(biāo)Vd，并與Vi相比較計(jì)算差值構(gòu)建損傷指標(biāo)Di來判定損傷。當(dāng)Di大于既定殘差函數(shù)時(shí)，即判定結(jié)構(gòu)已經(jīng)發(fā)生損傷。

1.2概率神經(jīng)網(wǎng)絡(luò)(ProbabilisticNeuralNetwork,PNN)

自適應(yīng)神經(jīng)網(wǎng)絡(luò)方法構(gòu)建自相關(guān)網(wǎng)絡(luò)Net，將實(shí)測響應(yīng)信息迭代計(jì)算Di，可以定性判定是否存在損傷，在損傷確定的條件下，可通過概率神經(jīng)網(wǎng)絡(luò)PNN判定損傷的位置、類型。PNN是通過具有無參估計(jì)量的已知數(shù)據(jù)集的概率密度函數(shù)來實(shí)現(xiàn)貝葉斯決策，將其加在人工神經(jīng)網(wǎng)絡(luò)框架中,接著進(jìn)行判別未知數(shù)據(jù)最大可能屬于哪個(gè)已知數(shù)集，構(gòu)建一個(gè)包含損傷類別θ1、θ2….θq…θn集合,基于p維試驗(yàn)向量X的貝葉斯決策d(X)為d（X）∈θq(hqlqfq（X）)>hklkfk（X），k≠q

（1）hj———分類指標(biāo)θj的先驗(yàn)概率。lj———與錯(cuò)誤分類d(X)埸θj的相關(guān)損失。fj(X)———采用多變量高斯(Gauss)分布函數(shù)的概率密度函數(shù)：fq（X）∈1nq(2π)p/2σpnqi=1Σexp-（X-Xai)T（X-Xai)2σ222

（2）將該貝葉斯決策映射為一個(gè)人工神經(jīng)網(wǎng)絡(luò)構(gòu)成一個(gè)概率神經(jīng)網(wǎng)絡(luò)，如圖1所示。向量X{X1、X2、X3、X4…Xi}———輸入層的輸入?yún)?shù)。權(quán)重向量Wj和向量X的點(diǎn)積zj構(gòu)成中間層的神經(jīng)元，而相對(duì)與分類號(hào)q的決策層神經(jīng)元輸出為:fq（X）=nqj=1ΣZqj=nqj=1Σexp[(X•Wqj-1)/σ2]

（3）σ—高斯核標(biāo)準(zhǔn)差。在應(yīng)用中，構(gòu)建的損傷位置或類型假定有多種。以結(jié)構(gòu)的自振頻率變化率為例，輸入向量X為P個(gè)自振頻率變化率，將帶有某種類型損傷(或混合模式損傷)的實(shí)測模態(tài)數(shù)據(jù)輸入訓(xùn)練好的PNN，得出決策層(輸出層)各個(gè)損傷形態(tài)在試驗(yàn)向量點(diǎn)對(duì)應(yīng)的概率密度函數(shù)PDF的估計(jì)值，其中，最大PDF估計(jì)值對(duì)應(yīng)的預(yù)設(shè)損傷集合中則得出損傷的位置及類型。

2應(yīng)用及展望

美國Purdu大學(xué)的Venkatsubrmania和Chan第一次運(yùn)用BP網(wǎng)絡(luò)進(jìn)行了工廠結(jié)構(gòu)的損傷檢測與診斷，其后的研究中，Kudva將神經(jīng)網(wǎng)絡(luò)兩級(jí)識(shí)別策略運(yùn)用于平板結(jié)構(gòu)損傷診斷，提出了大型結(jié)構(gòu)損傷檢測的方法；楊英杰等開發(fā)了評(píng)估鋼筋混凝土梁的神經(jīng)網(wǎng)絡(luò)系統(tǒng)；Worden等運(yùn)用神經(jīng)網(wǎng)絡(luò)識(shí)別了一個(gè)20根構(gòu)件組成的結(jié)構(gòu)的損傷；Pandey用兩級(jí)識(shí)別策略，基于三層神經(jīng)網(wǎng)絡(luò)對(duì)大橋桁架結(jié)構(gòu)進(jìn)行損傷評(píng)估。近年來，結(jié)構(gòu)損傷診斷的研究取得了長足進(jìn)展。上述基于神經(jīng)網(wǎng)絡(luò)的損傷診斷研究表明了在這個(gè)領(lǐng)域的研究成果，同時(shí)也揭示了尚未解決的問題。

（1）如何選取合適的網(wǎng)絡(luò)形式及網(wǎng)絡(luò)參數(shù)以及樣本集的組成是神經(jīng)網(wǎng)絡(luò)兩級(jí)識(shí)別策略應(yīng)用的關(guān)鍵，研究有效的網(wǎng)絡(luò)輸入?yún)?shù)是一個(gè)新的內(nèi)容；

（2）人工神經(jīng)網(wǎng)絡(luò)具備高度適應(yīng)性，學(xué)習(xí)能力和容錯(cuò)能力，但其黑箱系統(tǒng)的特性決定了其硬件實(shí)施的復(fù)雜性，如何提高算法的實(shí)現(xiàn)效率亟待研究；

篇5

網(wǎng)絡(luò)傳遞函數(shù)及算法的確定

BP神經(jīng)網(wǎng)絡(luò)神經(jīng)元采用的傳遞函數(shù)通常取Sigmoid可微的單調(diào)遞增函數(shù),它可以實(shí)現(xiàn)輸入到輸出間的任意非線性映射,這個(gè)特性使得它在函數(shù)逼近等領(lǐng)域有著廣泛的應(yīng)用。因此,隱層神經(jīng)元采取傳遞函數(shù)是正切Tansig函數(shù),這樣,整個(gè)網(wǎng)絡(luò)的輸出可以限制在一個(gè)較小的范圍內(nèi);而輸出層采取的是線性Purelin函數(shù),可使整個(gè)網(wǎng)絡(luò)輸出取任意值。常用的BP神經(jīng)網(wǎng)絡(luò)算法是梯度下降法,但這種方法的線性收斂速度較慢。

然而,Levenberg-Marquardt優(yōu)化方法(Trainlm函數(shù))是高斯-牛頓法的改進(jìn)形式,既有它的局部特性,也有梯度法的全局特性,故訓(xùn)練函數(shù)采取的是優(yōu)化算法Trainlm函數(shù)。這個(gè)函數(shù)適合作函數(shù)擬合,收斂快、誤差小,缺點(diǎn)是占用存儲(chǔ)空間大且性能隨網(wǎng)絡(luò)規(guī)模增大而變差。

網(wǎng)絡(luò)學(xué)習(xí)參數(shù)的確定

學(xué)習(xí)率決定著權(quán)值改變幅度值,為減小迭代次數(shù),學(xué)習(xí)率在不導(dǎo)致系統(tǒng)誤差振蕩的情況下盡可能取較大值。通過多次修正,本模型中學(xué)習(xí)率大小取0.8。而動(dòng)量系數(shù)在一定程度上抑制系統(tǒng)誤差振蕩,且避免系統(tǒng)誤差突升突降情況的發(fā)生。動(dòng)量系數(shù)采用先大后小的變參數(shù)學(xué)習(xí)策略較為理想,本模型學(xué)習(xí)率取0.9。

訓(xùn)練目標(biāo)為0.0001。在神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程中,可能會(huì)出現(xiàn)訓(xùn)練不足或“過度訓(xùn)練”的情況。所謂過度訓(xùn)練,即出現(xiàn)訓(xùn)練中訓(xùn)練誤差繼續(xù)減小,但是驗(yàn)證誤差逐漸增大。此時(shí)可以通過“提前終止”的方法來尋求最佳訓(xùn)練次數(shù),以此來提高它的泛化能力。

網(wǎng)絡(luò)的訓(xùn)練

通過文獻(xiàn)查閱及實(shí)驗(yàn)測定的方式獲取黏度樣本為1774個(gè)。用于BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本的溫度及成分范圍如表1所示。由表1可看出,樣本的溫度、成分及二元堿度范圍較廣,這有利于提高本預(yù)測模型的泛化能力。應(yīng)用上述模型對(duì)1774個(gè)黏度樣本進(jìn)行初始化并訓(xùn)練,訓(xùn)練誤差變化曲線如圖1所示。由圖1可看出,黏度訓(xùn)練誤差收斂需要518步。神經(jīng)網(wǎng)絡(luò)均方誤差函數(shù)為本模型模擬下的均方誤差為mse=3.3775×10-4。由此看出,該模型收斂性良好。

黏度測定與模型預(yù)測分析

1黏度測定

通過RTW-10型熔體物性綜合測定儀測定國內(nèi)某3個(gè)廠的4種高爐渣,實(shí)驗(yàn)用渣的主要化學(xué)成分如表2所示,測定黏度與溫度的關(guān)系如圖2所示。由圖2可看出,高爐渣黏度隨溫度的降低而升高,黏度曲線符合堿性渣的特性要求。

2模型預(yù)測分析

以圖2中4條曲線較均勻地取93個(gè)實(shí)驗(yàn)數(shù)據(jù)點(diǎn)作為驗(yàn)證集,用于在神經(jīng)網(wǎng)絡(luò)訓(xùn)練的同時(shí)監(jiān)控網(wǎng)絡(luò)的訓(xùn)練過程。通過對(duì)高爐渣作仿真預(yù)測,得到高爐渣黏度的預(yù)測值。預(yù)測誤差范圍如表3所示,高爐渣黏度預(yù)測值與測量值的數(shù)據(jù)對(duì)比如圖3所示。由表3和圖3可看出,采用BP神經(jīng)網(wǎng)絡(luò)模型對(duì)4種高爐渣黏度預(yù)測的最大相對(duì)誤差分別為9.87%、13.92%、5.20%和9.54%,它們的平均相對(duì)誤差分別為2.75%、2.83%、1.31%和3.02%,總平均誤差為2.36%,誤差均控制在一個(gè)很好的水平以內(nèi)。因此,BP神經(jīng)網(wǎng)絡(luò)模型對(duì)黏度的預(yù)報(bào)值有著較高的準(zhǔn)確性。

結(jié)論

篇6

安全評(píng)價(jià)的關(guān)鍵與基礎(chǔ)是選取與確立評(píng)價(jià)的指標(biāo)體系，它對(duì)評(píng)價(jià)的結(jié)果是否符合實(shí)際情況至關(guān)重要。化工企業(yè)安全評(píng)價(jià)指標(biāo)體系應(yīng)盡可能反映化工企業(yè)的主要特征和基本狀況。評(píng)價(jià)過程中指標(biāo)體系的要素組成非常關(guān)鍵，如果選取的要素太多，有可能使評(píng)價(jià)指標(biāo)體系更加龐大和冗雜，從而增加評(píng)價(jià)的困難程度，甚至?xí)挂恍┲匾蛩乇缓雎?如果指標(biāo)因素太少，則難以較完整地反映被評(píng)價(jià)系統(tǒng)的客觀實(shí)際情況。•33•通過查閱研究某大型煉油化工企業(yè)的相關(guān)文獻(xiàn)和資料［4］，由人、機(jī)和環(huán)境3個(gè)方面構(gòu)成的系統(tǒng)模型出發(fā)，把生產(chǎn)系統(tǒng)所有重要環(huán)節(jié)包含其中，從而建立出化工企業(yè)的安全評(píng)價(jià)指標(biāo)體系如圖1和表1至表4所示。

2化工企業(yè)的遺傳神經(jīng)網(wǎng)絡(luò)安全評(píng)價(jià)模型

2．1遺傳神經(jīng)網(wǎng)絡(luò)遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的方法主要有2種:對(duì)神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值進(jìn)行優(yōu)化;對(duì)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)進(jìn)行優(yōu)化［5］。本文在保持神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)不變的情況下，用遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)初始權(quán)值和閾值進(jìn)行優(yōu)化。

2．2遺傳神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)模型遺傳神經(jīng)網(wǎng)絡(luò)優(yōu)化的數(shù)學(xué)模型［6］如下:本文構(gòu)建的遺傳神經(jīng)網(wǎng)絡(luò)模型的運(yùn)行過程如下:(1)初始化BP神經(jīng)網(wǎng)絡(luò)。(2)把BP神經(jīng)網(wǎng)絡(luò)的全部權(quán)值與閾值實(shí)數(shù)編碼，確定其長度l，確定其為遺傳算法的初始種群個(gè)體。(3)設(shè)置遺傳算法的相關(guān)參數(shù)以及終止條件，執(zhí)行遺傳算法;遺傳算法包括對(duì)群體中個(gè)體適應(yīng)度進(jìn)行評(píng)價(jià)，執(zhí)行選擇、交叉、變異遺傳操作，進(jìn)化生成新的群體;反復(fù)操作至設(shè)定的進(jìn)化代數(shù)，最終取得最佳染色體個(gè)體。(4)把最佳染色體個(gè)體解碼，分解為BP網(wǎng)絡(luò)對(duì)應(yīng)的權(quán)值、閾值，輸入訓(xùn)練樣本，利用BP網(wǎng)絡(luò)進(jìn)行訓(xùn)練。(5)得到訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)，則可輸入實(shí)例樣本進(jìn)行評(píng)價(jià)。

3遺傳神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)模型在化工企業(yè)的應(yīng)用

3．1學(xué)習(xí)樣本的準(zhǔn)備根據(jù)前文所確定的評(píng)價(jià)指標(biāo)體系和對(duì)某大型煉油化工有限公司成氨分廠提供的空氣分離、渣油氣化、碳黑回收、一氧化碳變換、甲醇洗滌、液氮洗滌等工序的安全原始數(shù)據(jù)，參考文獻(xiàn)中化工企業(yè)安全評(píng)價(jià)指標(biāo)取值標(biāo)準(zhǔn)，進(jìn)行分析和整理，得出11個(gè)實(shí)例樣本，如表5所示。選擇10個(gè)樣本作為遺傳神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，1個(gè)樣本作為測試樣本。

3．2BP網(wǎng)絡(luò)結(jié)構(gòu)的確定BP網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)一般是由網(wǎng)絡(luò)層數(shù)、輸入層節(jié)點(diǎn)數(shù)、隱含層節(jié)點(diǎn)數(shù)、隱含層數(shù)以及輸出層節(jié)點(diǎn)數(shù)等來確定。本文建立的遺傳神經(jīng)網(wǎng)絡(luò)模型是根據(jù)經(jīng)驗(yàn)來確定神經(jīng)網(wǎng)絡(luò)的層數(shù)，一般選取BP神經(jīng)網(wǎng)絡(luò)的層數(shù)為3層［7］。通過化工企業(yè)安全評(píng)價(jià)指標(biāo)的分析，得出BP神經(jīng)網(wǎng)絡(luò)輸入層神經(jīng)元數(shù)目為評(píng)價(jià)指標(biāo)的總數(shù)12+6+8+5=31。模型最后輸出的結(jié)果為綜合安全評(píng)價(jià)結(jié)果，因此，神經(jīng)網(wǎng)絡(luò)的輸出層節(jié)點(diǎn)數(shù)確定為1。隱含層中節(jié)點(diǎn)數(shù)的范圍通過經(jīng)驗(yàn)公式來確定，本文在其確定范圍內(nèi)選12。依據(jù)訓(xùn)練樣本的規(guī)模，設(shè)定學(xué)習(xí)率為0．1，最大訓(xùn)練誤差值設(shè)為10－5，循環(huán)學(xué)習(xí)次數(shù)為1000次。網(wǎng)絡(luò)輸出層為1個(gè)節(jié)點(diǎn)，即化工企業(yè)的安全評(píng)價(jià)結(jié)果。化工企業(yè)安全等級(jí)一般分為5級(jí)［7］，如表6所示。

3．3遺傳算法優(yōu)化遺傳算法中，參數(shù)設(shè)定如下:種群規(guī)模設(shè)為300，交叉概率設(shè)為0．7，進(jìn)化代數(shù)設(shè)為100，變異率設(shè)為0．05。本文運(yùn)用MATLAB軟件中的遺傳算法工具箱gads，在GUI操作界面中輸入以上參數(shù)，并輸入適應(yīng)度函數(shù)，對(duì)神經(jīng)網(wǎng)絡(luò)的權(quán)閾值進(jìn)行優(yōu)化。經(jīng)過遺傳操作后，運(yùn)行遺傳算法工具箱，則可得出最佳適應(yīng)度曲線圖和最佳個(gè)體圖(圖2)，得到最佳適應(yīng)度個(gè)體，將其進(jìn)行解碼，作為該網(wǎng)絡(luò)的初始權(quán)值和閾值賦給BP神經(jīng)網(wǎng)絡(luò)。

3．4GA－BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練在MATLAB界面中編程語言，得到輸出向量和網(wǎng)絡(luò)均方差變化圖。訓(xùn)練結(jié)果與期望輸出見表7，BP網(wǎng)絡(luò)訓(xùn)練過程如圖3所示。從訓(xùn)練結(jié)果可以看出，該網(wǎng)絡(luò)的誤差值不超過10－5，滿足設(shè)定要求。用該網(wǎng)絡(luò)對(duì)實(shí)例樣本進(jìn)行安全評(píng)價(jià)，得到結(jié)果為3．9956，對(duì)照安全評(píng)價(jià)輸出結(jié)果等級(jí)表為較安全，與目標(biāo)值吻合。從而訓(xùn)練后的網(wǎng)絡(luò)穩(wěn)定性得到驗(yàn)證，可以用于化工企業(yè)安全評(píng)價(jià)。

4結(jié)論

篇7

關(guān)鍵詞：畢業(yè)設(shè)計(jì)（論文） 成績評(píng)定 離散Hopfield網(wǎng)絡(luò)評(píng)定模型

中圖分類號(hào)：G64 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1674-098X（2014）10（a）-0228-03

Evaluation method of comprehensive performance for undergraduate in the graduation design （thesis）

HE Min ZHU YaLin

（School of Civil and Hydraulic Engineering， Hefei University of Technology， Hefei，Anhui，230009，China）

Abstract：In this paper， according to the more important ten evaluation indicators， the five grades ideal evaluation is established corresponding to the level of comprehensive performance of twenty undergraduates. Combined with associative memory capacity of discrete Hopfield neural networks， a new evaluation method of comprehensive performance for undergraduate in the graduation design （thesis） is presented. In order to evaluate the effectiveness of the assessment model， five undergraduates are assessed by the model， the network connection weights is obtained by iterative learning using the outer product method. The simulation results show that the comprehensive performance assessment model of undergraduates based on discrete Hopfield neural networks can assess the comprehensive performance of undergraduates fast， accurately and intuitively.

Key words：graduation design（thesis） performance evaluation DHNN evaluation model

畢業(yè)設(shè)計(jì)（論文）是高校教學(xué)實(shí)踐中實(shí)現(xiàn)培養(yǎng)目標(biāo)的最后一個(gè)綜合性環(huán)節(jié)。學(xué)生在各自老師指導(dǎo)下，按照教學(xué)計(jì)劃要求，獨(dú)立撰寫完成畢業(yè)設(shè)計(jì)（論文）。畢業(yè)設(shè)計(jì)（論文）是大學(xué)生在校期間所學(xué)知識(shí)、理論等各種能力的綜合應(yīng)用、升華，創(chuàng)新潛能得到了充分激發(fā)，并且對(duì)專業(yè)教學(xué)目標(biāo)、教學(xué)過程、教學(xué)管理以及教學(xué)效果進(jìn)行全面檢驗(yàn)。

畢業(yè)設(shè)計(jì)（論文）成績不僅影響到學(xué)生評(píng)優(yōu)和學(xué)士學(xué)位的獲取，也使得他們在做畢業(yè)設(shè)計(jì)（論文）過程中，清楚認(rèn)識(shí)到自身在哪些方面存在不足。因此對(duì)于本科畢業(yè)設(shè)計(jì)（論文）綜合成績的評(píng)定，一定要公正、合理。目前我校畢業(yè)設(shè)計(jì)綜合成績評(píng)定分成三部分：首先是指導(dǎo)教師評(píng)閱，給出建議成績；其次在答辯前，專業(yè)教研室組織本學(xué)科教師進(jìn)行交叉評(píng)閱，給出建議成績；最后由答辯委員根據(jù)學(xué)生答辯情況，并參考指導(dǎo)教師、評(píng)閱人所建議的成績給出最終的畢業(yè)設(shè)計(jì)（論文）成績。這種評(píng)定方法存在評(píng)價(jià)指標(biāo)缺乏定量的評(píng)定標(biāo)準(zhǔn)、工作繁瑣、時(shí)間滯后，人為主觀因素對(duì)評(píng)價(jià)結(jié)果影響很大。因此如何快速、準(zhǔn)確地對(duì)眾多學(xué)生的畢業(yè)設(shè)計(jì)（論文）進(jìn)行客觀、公正評(píng)價(jià)，是一項(xiàng)很有意義的工作。

目前應(yīng)用于畢業(yè)設(shè)計(jì)（論文）綜合成績評(píng)定的方法有模糊評(píng)價(jià)法[2]、層次分析法等，該文嘗試選用我校畢業(yè)設(shè)計(jì)畢業(yè)過程中較為重要的10個(gè)評(píng)價(jià)指標(biāo)的數(shù)據(jù)，結(jié)合離散Hopfield神經(jīng)網(wǎng)絡(luò)（DHNN）的聯(lián)想記憶能力，建立離散Hopfield評(píng)定模型；將待評(píng)定的學(xué)生等級(jí)評(píng)價(jià)指標(biāo)編碼作為該模型的輸入，利用外積法對(duì)網(wǎng)絡(luò)連接權(quán)值進(jìn)行迭代學(xué)習(xí)，數(shù)值仿真結(jié)果表明，此種方法能夠快速、準(zhǔn)確、直觀地得到眾多學(xué)生綜合成績的評(píng)定結(jié)果。

1 外積法設(shè)計(jì)DHNN網(wǎng)絡(luò)

離散Hopfield神經(jīng)網(wǎng)絡(luò)這種全連接型網(wǎng)絡(luò)可以模擬生物神經(jīng)網(wǎng)絡(luò)的記憶功能，由美國物理學(xué)家J.J Hopfield在1982年首先提出。Hopfield網(wǎng)絡(luò)目前主要應(yīng)用于聯(lián)想記憶和優(yōu)化計(jì)算等問題。其中的聯(lián)想記憶原理是：當(dāng)某個(gè)矢量輸入網(wǎng)絡(luò)后，經(jīng)過反饋計(jì)算，最后達(dá)到穩(wěn)定狀態(tài)，在Hopfield網(wǎng)絡(luò)輸出端得到另一矢量，此輸出量是網(wǎng)絡(luò)從初始輸入量聯(lián)想得到的穩(wěn)定記憶，即Hopfield網(wǎng)絡(luò)的一個(gè)平衡點(diǎn)。

離散Hopfield神經(jīng)網(wǎng)絡(luò)（DHNN）是二值型網(wǎng)絡(luò)，神經(jīng)元輸出取值1或者-1，1表示神經(jīng)元被激活的狀態(tài)，而-1表示神經(jīng)元被抑制的狀態(tài)。一個(gè)三神經(jīng)元組成的離散Hopfield神經(jīng)網(wǎng)絡(luò)，其網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1中，第0層是網(wǎng)絡(luò)輸入，第1層的神經(jīng)元執(zhí)行對(duì)輸入信息與權(quán)系數(shù)的乘積，并且求累加和，經(jīng)過非線性函數(shù)處理后，產(chǎn)生神經(jīng)元的輸出信息。是一個(gè)簡單閾值函數(shù)，如果神經(jīng)元的輸出信息大于閾值，則神經(jīng)元輸出取值1；而神經(jīng)元的輸出信息小于閾值，則神經(jīng)元輸出取值-1。二值神經(jīng)元的計(jì)算如公式（1）所示

（1）

式中，為外部輸入，并且有公式（2）：

（2）

離散DHNN網(wǎng)絡(luò)是輸出神經(jīng)元信息的一個(gè)集合，DHNN網(wǎng)絡(luò)（輸出層是個(gè)神經(jīng)元）在 時(shí)刻的狀態(tài)為公式（3）所示的維向量：

（3）

采用外積法設(shè)計(jì)離散Hopfield網(wǎng)絡(luò)的權(quán)系數(shù)矩陣。給定需記憶的樣本向量，如果的狀態(tài)是1或者-1，則連接權(quán)值的學(xué)習(xí)利用外積規(guī)則，即：

（4）

利用外積法設(shè)計(jì)離散Hopfield神經(jīng)網(wǎng)絡(luò)步驟如下：

第一步，根據(jù)需要記憶的樣本，按公式（4）計(jì)算權(quán)系數(shù)矩陣；

第二步，令測試樣本為網(wǎng)絡(luò)輸出初始值，設(shè)定迭代次數(shù)；

第三步，進(jìn)行迭代計(jì)算，

；

第四步，當(dāng)達(dá)到最大迭代次數(shù)，或者神經(jīng)元輸出狀態(tài)保持不變時(shí)，迭代終止；否則返回第三步繼續(xù)迭代，直至滿足條件為止。

2 大學(xué)生畢業(yè)設(shè)計(jì)綜合成績評(píng)定模型

影響本科生畢業(yè)設(shè)計(jì)綜合成績的因素有很多，本文僅以較為重要的10個(gè)影響因素作為評(píng)價(jià)指標(biāo)：科技論文翻譯（X1）、查閱資料及學(xué)習(xí)能力（X2）、出勤率（X3）、畢業(yè)設(shè)計(jì)過程中小組檢查情況（X4）、畢業(yè)設(shè)計(jì)過程中院校督導(dǎo)組檢查情況（X5）、電算模型/程序（X6）、計(jì)算書整理（X7）、施工圖繪制（X8）、評(píng)閱人評(píng)閱（X9）、答辯過程表現(xiàn)（X10）。

參照合肥工業(yè)大學(xué)畢業(yè)設(shè)計(jì)（論文）工作實(shí)施細(xì)則，學(xué)生綜合成績可分為四五個(gè)等級(jí)：優(yōu)秀（I）、良好（II）、中等（III）、及格（IV）和不及格（V）。換算成百分制，優(yōu)秀在85～100分之間，良好在75～84分之間，中等在66～74分之間，及格在60～65分之間，不及格在0～59分之間。畢業(yè)設(shè)計(jì)（論文）綜合成績評(píng)定模型建立流程如圖2所示的五個(gè)步驟。

該文列舉出20個(gè)學(xué)生的畢業(yè)設(shè)計(jì)（論文）綜合成績評(píng)定等級(jí)與10個(gè)評(píng)價(jià)指標(biāo)之間的關(guān)系，各評(píng)價(jià)指標(biāo)采用百分制，如表1所示。將各個(gè)等級(jí)的樣本對(duì)應(yīng)的個(gè)評(píng)價(jià)指標(biāo)平均值作為各個(gè)等級(jí)理想評(píng)價(jià)指標(biāo)，即作為Hopfield神經(jīng)網(wǎng)絡(luò)的平衡點(diǎn)，如表2所示。

離散型Hopfield神經(jīng)網(wǎng)絡(luò)神經(jīng)元的狀態(tài)只有1和-1兩種情況，當(dāng)評(píng)價(jià)指標(biāo)映射為神經(jīng)元狀態(tài)時(shí)，需要將其進(jìn)行編碼。編碼規(guī)則為：當(dāng)大于或者等于某個(gè)等級(jí)的指標(biāo)時(shí)，對(duì)應(yīng)的神經(jīng)元狀態(tài)設(shè)為1，否則設(shè)為-1。理想的5個(gè)等級(jí)評(píng)價(jià)指標(biāo)編碼如圖3所示，其中表示神經(jīng)元狀態(tài)為1，即大于或等于對(duì)應(yīng)的理想評(píng)價(jià)指標(biāo)值；如果小于理想評(píng)價(jià)指標(biāo)值，則用表示。

5個(gè)待評(píng)定的學(xué)生等級(jí)評(píng)價(jià)指標(biāo)如表3所示，由前面所述的編碼原則得到這5個(gè)畢業(yè)設(shè)計(jì)（論文）綜合成績待評(píng)定學(xué)生的評(píng)價(jià)指標(biāo)編碼，如圖4所示。在Matlab軟件中利用自帶的人工神經(jīng)網(wǎng)絡(luò)工具箱，創(chuàng)建基于離散型Hopfield的綜合成績評(píng)定模型，再確定待評(píng)定的5個(gè)學(xué)生等級(jí)評(píng)價(jià)指標(biāo)的編碼，并且將其作為評(píng)定模型的輸入，經(jīng)過一定次數(shù)的學(xué)習(xí)，最終得到學(xué)生綜合成績評(píng)價(jià)的輸出結(jié)果。

為了直觀顯示結(jié)果，以圖形的形式顯示仿真結(jié)果，如圖5所示，其中第1個(gè)學(xué)生評(píng)定等級(jí)為第II級(jí)，第2個(gè)學(xué)生評(píng)定等級(jí)為第III級(jí)，第3個(gè)學(xué)生評(píng)定等級(jí)為第I級(jí)，第4個(gè)學(xué)生評(píng)定等級(jí)為第IV級(jí)，第5個(gè)學(xué)生評(píng)定等級(jí)為第V級(jí)。

3 結(jié)語

基于Hopfield人工神經(jīng)網(wǎng)絡(luò)，建立工科本科生畢業(yè)設(shè)計(jì)（論文）綜合成績評(píng)定模型，并對(duì)5個(gè)學(xué)生的成績進(jìn)行評(píng)定，得到如下結(jié)論。

（1）設(shè)計(jì)的Hopfield神經(jīng)網(wǎng)絡(luò)綜合成績評(píng)定模型可以快速、直觀地對(duì)工科本科生的畢業(yè)設(shè)計(jì)（狀況）進(jìn)行進(jìn)行評(píng)定，方法簡單易行，并能有效保證評(píng)定結(jié)果的準(zhǔn)確性，避免打分過程中的各種人為主觀因素，體現(xiàn)成績評(píng)定過程中的規(guī)范性和科學(xué)性。

（2）在我校現(xiàn)有的畢業(yè)設(shè)計(jì)（論文）評(píng)定方法基礎(chǔ)上，嘗試對(duì)每個(gè)學(xué)生的畢業(yè)設(shè)計(jì)（論文） 按照上述方法再進(jìn)行一次評(píng)定，比較兩次結(jié)果是否一致。對(duì)兩次的成績評(píng)定結(jié)果，再按照加權(quán)算術(shù)平均法確定最終的畢業(yè)設(shè)計(jì)（論文）成績。

參考文獻(xiàn)

[1] 張志英.模糊評(píng)價(jià)法在本科畢業(yè)設(shè)計(jì)成績評(píng)定中的應(yīng)用[J].浙江理工大學(xué)學(xué)報(bào)， 2011，28（3）：467-470.

[2] 李瑞蘭.層次分析法在畢業(yè)設(shè)計(jì)（論文） 成績評(píng)定中的應(yīng)用[J].長春工程學(xué)院學(xué)報(bào)（社會(huì)科學(xué)版），2011，12（4）：156-158.

[3] Hopfield， J. J. Neural Networks and Physical Systems with Emergent Collective Computational Abilities. Proceedings of the National Academy of Sciences of the United States of America， 1982， 79： 2554-2558.

篇8

Abstract： This paper presented a professional title forecast model implemented by gray relational analysis combined with BP neural network， using gray relational analysis to find out potential relationship between impact factor and professional title promotion，to provide screening function of the input factors for the BP neural network， and finally through the training of BP neural network to achieve the forecast. Taking 46 teachers’promotion to associate professor in the Institution in 2012 as assessment sample，6-8-2 network model was simplified to5-8-2 network model.The result showed that the results obtained by the established assessment model were completely consistent with the results obtained by the established assessment model were completely consistent with the simulation results based on artificial neural net-work，the training efficiency of the model is raised greatly，so the model has a value to be applied in certain extent.

關(guān)鍵詞： 職稱評(píng)審；灰關(guān)聯(lián)分析；BP網(wǎng)絡(luò)

Key words： professonal titles evaluation；GRAY；BP network

中圖分類號(hào)：TP183 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1006-4311（2013）06-0170-02

0 引言

職稱評(píng)審涉及到教師的切身利益，客觀、公正、透明的職稱評(píng)審工作對(duì)教師做好教學(xué)、科研和管理工作具有權(quán)威的導(dǎo)向性和指導(dǎo)性。職稱系統(tǒng)是具有評(píng)審因素多，因素間相關(guān)性模糊、不確定，非線性、時(shí)變性等特點(diǎn)的復(fù)雜系統(tǒng)，其評(píng)審屬于多因素綜合評(píng)審范疇。

神經(jīng)網(wǎng)絡(luò)可以很好地解決職稱系統(tǒng)評(píng)審的非線性問題，然而評(píng)審因素間相關(guān)性，會(huì)使得網(wǎng)絡(luò)陷入局部最小點(diǎn)，導(dǎo)致評(píng)審結(jié)果存在很大的偏差。灰關(guān)聯(lián)分析方法可在不完全的信息中，通過一定的數(shù)據(jù)處理，找出評(píng)審因素的關(guān)聯(lián)性，發(fā)現(xiàn)主要矛盾，找到主要特性和主要影響因素[1-2]。因此將灰關(guān)聯(lián)分析與神經(jīng)網(wǎng)絡(luò)相結(jié)合建立評(píng)審模型，神經(jīng)網(wǎng)絡(luò)解決職稱系統(tǒng)評(píng)審對(duì)于非線性系統(tǒng)的支持，灰關(guān)聯(lián)分析幫助神經(jīng)網(wǎng)絡(luò)找出主要的影響因子。

1 高校教師職稱影響因子的灰色關(guān)聯(lián)分析

1.1 高校教師職稱評(píng)審影響因子的確定 依據(jù)某高校歷年教師職稱的評(píng)定標(biāo)準(zhǔn)，主要是從論文的級(jí)別數(shù)量、科教成果獲獎(jiǎng)（市級(jí)以上），是否承擔(dān)科研科教項(xiàng)目等方面來綜合評(píng)定教師職稱的獲得。針對(duì)該高校2012年數(shù)據(jù)中46名教師在承擔(dān)科研科教項(xiàng)目都滿足，而在有科教成果獲獎(jiǎng)（市級(jí)以上）上只有個(gè)別的教師有，所以本文考慮，以論文級(jí)別數(shù)量構(gòu)建6個(gè)評(píng)定指標(biāo)：SCI/EI篇數(shù)x1，一級(jí)核心論文篇數(shù)x2，二級(jí)核心論文篇數(shù)x3，三級(jí)核心論文篇數(shù)x4，一般期刊論文篇數(shù)x5，論文總篇數(shù)x6。

1.2 灰關(guān)聯(lián)系數(shù)和關(guān)聯(lián)度的計(jì)算 灰色關(guān)聯(lián)分析是一種重要的灰色系統(tǒng)理論分析方法，其基本原理是通過序列的曲線幾何形狀的相似程度來判斷序列的聯(lián)系是否緊密，其緊密程度用關(guān)聯(lián)度量化，曲線越緊密，其關(guān)聯(lián)度越大，反之就越小[3-4]。

灰色關(guān)聯(lián)分析的計(jì)算分析步驟：

（1）將該高校職稱專家評(píng)審結(jié)果作為參考序列x0（k），k=1，…，46，晉級(jí)職稱的x0=1，被淘汰的x0=0，6個(gè)影響因子作為比較因素序列xi（k），i=1，…，6；k=1，…，46。

（2）根據(jù)表1求出Δ■（k）=y■（k）-y■（k），并找出Δ■=0，Δ■=27，由灰關(guān)聯(lián)系數(shù)公式ξy■（k），y■（k）=■其中分辨系數(shù)ρ取值0.5，計(jì)算出6個(gè)影響因子與高校教師職稱評(píng)審在46個(gè)樣本點(diǎn)上的灰關(guān)聯(lián)系數(shù)，如表2。

（3）計(jì)算關(guān)聯(lián)度

由公式ry■，y■=■ω■ξy■（k），y■（k），取ω■=ω■…=ω■=■，及根據(jù)表2求得比較因素xi和參考因素x0的關(guān)聯(lián)度，依次為r1=0.9345，r2=0.9625，r3=0.8360，r4=0.9108，r5=0.6545，r6=0.4984。

關(guān)聯(lián)度排序：r2>r1>r4>r3>r5>r6

這一關(guān)聯(lián)序直接反映了比較因素xi對(duì)參考因素x0的相關(guān)性強(qiáng)弱的順序，即各影響因子與高校教師職稱評(píng)審的接近程度，同時(shí)也說明了這6個(gè)影響因子對(duì)高校教師職稱評(píng)審影響程度由大到小的順序—關(guān)聯(lián)序。

由以上關(guān)聯(lián)排序我們可知：一級(jí)核心論文篇數(shù)x2，SCI/EI篇數(shù)x1，三級(jí)核心論文篇數(shù)x4對(duì)高校教師職稱評(píng)審影響程度最大，關(guān)聯(lián)度值都在0.9108以上，如果我們能在這三類級(jí)別的期刊上多，就可以大大提高通過職稱評(píng)審幾率。我們?nèi)缭谝患?jí)核心，SCI/EI上感覺發(fā)表困難的話，可把重點(diǎn)放在較容易發(fā)表的三級(jí)核心上，同樣有效。二級(jí)核心論文篇數(shù)x3對(duì)高校教師職稱評(píng)審影響程度也很大，關(guān)聯(lián)度值為0.8360，論文總篇數(shù)x6對(duì)高校教師職稱評(píng)審影響程度最小，關(guān)聯(lián)度值只有0.4984。

2 基于灰色BP神經(jīng)網(wǎng)絡(luò)的高校教師職稱評(píng)審預(yù)測

BP神經(jīng)網(wǎng)絡(luò)模型的建立：表1歸一化的46組數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)的樣本，任取前37個(gè)樣本用于網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練，另外的9個(gè)作為網(wǎng)絡(luò)訓(xùn)練完畢后的預(yù)測樣本。

為了驗(yàn)證本文灰色BP預(yù)測模型的有效性，實(shí)驗(yàn)中與單一采用BP的模型，在網(wǎng)絡(luò)訓(xùn)練效率方面、網(wǎng)絡(luò)預(yù)測的準(zhǔn)確上分別進(jìn)行比較。

灰色BP預(yù)測模型：根據(jù)上文對(duì)高校教師職稱評(píng)審影響因子的分析，選用上述的關(guān)聯(lián)度值在0.4984以上的5個(gè)影響因子作為輸入變量，高校教師職稱專家評(píng)審作為輸出數(shù)據(jù)，將職稱晉級(jí)（1）、淘汰（0），分別用“1 0；0 1”表示。隱含層經(jīng)訓(xùn)練，結(jié)果表明：當(dāng)隱含層單元的個(gè)數(shù)為8時(shí)，網(wǎng)絡(luò)模型穩(wěn)定且獲得較理想結(jié)果，這樣網(wǎng)絡(luò)結(jié)構(gòu)即可確定為5-8-2。訓(xùn)練函數(shù)采用trainlm，輸入層與隱層、隱含層與輸出層之間的傳遞函數(shù)選為tansig，logsig函數(shù)。訓(xùn)練次數(shù)最大設(shè)置為100次，網(wǎng)絡(luò)收斂誤差為0.001。

BP預(yù)測模型：表1歸一化的數(shù)據(jù)作為BP網(wǎng)絡(luò)的輸入。BP輸入節(jié)點(diǎn)為6個(gè)指標(biāo)數(shù)值，BP網(wǎng)絡(luò)輸出節(jié)點(diǎn)為2，中間層的節(jié)點(diǎn)數(shù)選8，網(wǎng)絡(luò)結(jié)構(gòu)即可確定為6-8-2，其它參數(shù)設(shè)置同上。

從圖1、2可以看出，灰色BP網(wǎng)絡(luò)的訓(xùn)練只經(jīng)過13步就達(dá)到了最小誤差，這說明，選擇與高校教師職稱評(píng)審有較大關(guān)聯(lián)度的5個(gè)影響因子作為網(wǎng)絡(luò)輸入，提高了網(wǎng)絡(luò)訓(xùn)練的效率。

從表3中可以看出，在建立預(yù)測模型前未經(jīng)過任何數(shù)據(jù)預(yù)處理的BP模型，預(yù)測準(zhǔn)確率低，判錯(cuò)了2個(gè)，準(zhǔn)確率77.77%，本文的基于灰色BP預(yù)測模型，判錯(cuò)1個(gè)，準(zhǔn)確率提高到88.9%，預(yù)測結(jié)果與專家評(píng)審基本吻合。

3 結(jié)論

本文針對(duì)某高校2012年教師職稱評(píng)審實(shí)際數(shù)據(jù)，利用灰色關(guān)聯(lián)分析方法探討了各個(gè)影響因子對(duì)教師職稱評(píng)審的影響程度；采用基于BP神經(jīng)網(wǎng)絡(luò)模型對(duì)教師職稱評(píng)審進(jìn)行預(yù)測，得出結(jié)論：

（1）利用灰色關(guān)聯(lián)分析方法能夠考慮影響教師職稱評(píng)審的主要因素，灰色關(guān)聯(lián)分析表達(dá)出各個(gè)影響因子的影響程度，為高校教師職稱的晉級(jí)提供指導(dǎo)參考。

（2）與目前我國高校教師職稱采取的定性分析評(píng)審相比，基于灰色神經(jīng)網(wǎng)絡(luò)評(píng)審模型實(shí)際操作簡單、客觀，這些使得評(píng)審結(jié)果更加趨于合理。

（3）利用灰色關(guān)聯(lián)分析帥選了其中5個(gè)指標(biāo)的本文BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型，與未經(jīng)過任何數(shù)據(jù)預(yù)處理的BP預(yù)測模型相比，提高了網(wǎng)絡(luò)的訓(xùn)練速率和網(wǎng)絡(luò)預(yù)測精度。

參考文獻(xiàn)：

[1]張吉?jiǎng)偅耗?消費(fèi)者網(wǎng)上購物意向的灰色神經(jīng)網(wǎng)絡(luò)預(yù)測模型[J].統(tǒng)計(jì)與決策，2007（22）：133-135.

[2]孫莉.基于灰色BP神經(jīng)網(wǎng)絡(luò)的服裝面料規(guī)格參數(shù)預(yù)測[J].計(jì)算機(jī)應(yīng)用與軟件，2012（7）：154-157.

[3]劉思峰，黨耀國，方志耕，等.灰色系統(tǒng)理論及其應(yīng)用[M].5版.科學(xué)出版社，2010：62-90，211-213.

[4]肖新平，宋中民等.灰技術(shù)基礎(chǔ)及其應(yīng)用[M].北京：科學(xué)出版社，2005.8.

[5]劉軍奎.高校職稱評(píng)審制度的社會(huì)學(xué)思考[J].前沿，2011（05）.

[6]朱霽.我國高校教師職稱評(píng)審程序的弊端及完善[J].中南林業(yè)科技大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2011（02）.

[7]王勇強(qiáng).關(guān)于高校教師職稱制度改革的思考[J].中國高校師資研究，2011（02）.

篇9

論文關(guān)鍵詞：個(gè)股投資，項(xiàng)目風(fēng)險(xiǎn)度量，BP神經(jīng)網(wǎng)絡(luò)算法:實(shí)證分析

 

BP神經(jīng)網(wǎng)絡(luò)算法在個(gè)股投資項(xiàng)目風(fēng)險(xiǎn)度量中的應(yīng)用研究

摘要：度量個(gè)股投資項(xiàng)目風(fēng)險(xiǎn)是一個(gè)復(fù)雜的過程，目前的大部分研究方法都沒有考慮個(gè)股投資項(xiàng)目風(fēng)險(xiǎn)的非線性復(fù)雜特點(diǎn)。本文通過BP神經(jīng)網(wǎng)絡(luò)算法，對(duì)個(gè)股投資項(xiàng)目進(jìn)行實(shí)證分析。結(jié)果顯示，利用BP算法具有很好的預(yù)測精度，能有效地提高個(gè)股投資項(xiàng)目風(fēng)險(xiǎn)度量的準(zhǔn)確性。

關(guān)鍵字：個(gè)股投資；項(xiàng)目風(fēng)險(xiǎn)度量； BP神經(jīng)網(wǎng)絡(luò)算法：實(shí)證分析

1引言

Eugene F.Fama(1970)的有效市場假說(Efficient Market Hypothesis)認(rèn)為，如果證券市場在價(jià)格形成中充分而準(zhǔn)確地反映全部相關(guān)信息，則稱該市場是有效率的。但現(xiàn)實(shí)情況恰恰相反，由于股票行市受市場層次、行業(yè)層次和公司微觀層次等因素影響，其內(nèi)部規(guī)律非常復(fù)雜，周期變化無序。同時(shí)我國資本市場個(gè)人投資者的比例高，相對(duì)于機(jī)構(gòu)投資者而言，投資者個(gè)人心理狀態(tài)不同畢業(yè)論文提綱，風(fēng)險(xiǎn)承受能力差，專業(yè)水平低，尤其是非職業(yè)股民由于受時(shí)間、空間上的限制，往往無法長期關(guān)注股市動(dòng)態(tài)和發(fā)展，同時(shí)出于追逐利益的目的以及本身缺乏風(fēng)險(xiǎn)意識(shí)以及缺少信息的原因，使得投資者普遍抱持著投機(jī)心理，產(chǎn)生了跟莊行為，由此導(dǎo)致“羊群效應(yīng)”的發(fā)生。“羊群效應(yīng)”是行為金融學(xué)的一個(gè)重要概念，是指在一定時(shí)期，當(dāng)采取相同策略（買或賣）交易特定資產(chǎn)的行為主體達(dá)到或超過一定數(shù)量。這種投資者結(jié)構(gòu)以及投資者行為的特點(diǎn)使得中國股票市場的股票行為具有了不同于成熟市場的特點(diǎn)論文提綱格式。所有這些給股票風(fēng)險(xiǎn)分析提出了新的課題。目前的諸多相關(guān)研究，其融合了諸多學(xué)科中的理論精華，并結(jié)合現(xiàn)代個(gè)股投資項(xiàng)目風(fēng)險(xiǎn)的特點(diǎn)，迄今在業(yè)界已經(jīng)取得了不少成就，如主成分分析法、多元回歸方法等，但這些方法大都沒有考慮個(gè)股投資項(xiàng)目風(fēng)險(xiǎn)非線性復(fù)雜特點(diǎn)。

因此，本文從個(gè)股投資項(xiàng)目風(fēng)險(xiǎn)度量建模的具體情況出發(fā)，采用神經(jīng)網(wǎng)絡(luò)算法，應(yīng)用MATLAB仿真軟件進(jìn)行了實(shí)證分析。并且通過與多元回歸方法對(duì)比得到了，在具有復(fù)雜特點(diǎn)的個(gè)股投資項(xiàng)目風(fēng)險(xiǎn)管理中，BP神經(jīng)網(wǎng)絡(luò)算法具有很好的預(yù)測精度，能有效地提高個(gè)股投資項(xiàng)目風(fēng)險(xiǎn)度量的準(zhǔn)確性。

2 BP神經(jīng)網(wǎng)絡(luò)

BP(backpropagation)神經(jīng)網(wǎng)絡(luò)是前饋型神經(jīng)網(wǎng)絡(luò)的一種，其是建立在梯度下降法的基礎(chǔ)上的，學(xué)習(xí)過程(訓(xùn)練)由正向傳播和反向傳播組成。在正向傳播過程中，輸入信息從輸入層經(jīng)隱含層逐層處理，并傳向輸出層。每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)。如果輸出層得不到期望的輸出畢業(yè)論文提綱，則轉(zhuǎn)入反向傳播，逐層遞歸地計(jì)算實(shí)際輸入與期望輸入的差(即誤差)。將誤差信號(hào)沿原來的連接通道返回，通過修改各層神經(jīng)元的權(quán)值，使得誤差信號(hào)最小。

圖1：三層神經(jīng)網(wǎng)絡(luò)模型

在圖1中，輸入向量為；隱層輸出向量為；輸出層輸出向量為；期望輸出向量為。輸入層到隱層之間的權(quán)值矩陣用V表示，，其中列向量為隱層第j個(gè)神經(jīng)元對(duì)應(yīng)的權(quán)向量；隱層到輸出層之間的權(quán)值矩陣用W表示，，其中列向量為輸出層第k個(gè)神經(jīng)元對(duì)應(yīng)的權(quán)向量。各層信號(hào)之間的數(shù)學(xué)關(guān)系如下：

對(duì)于輸出層，有

k=（2﹒1）

k=（2﹒2）

對(duì)于隱層，有

j=（2﹒3）

j=（2﹒4）

由于標(biāo)準(zhǔn)BP算法存在一些缺陷：

（1）易形成局部最小而得不到全局最優(yōu)；

（2）訓(xùn)練次數(shù)多使學(xué)習(xí)效率低，收斂速度慢；

（3) 學(xué)習(xí)過程出現(xiàn)假飽和。

另外，網(wǎng)絡(luò)隱含層數(shù)及隱節(jié)點(diǎn)的選取缺乏理論指導(dǎo)，網(wǎng)絡(luò)訓(xùn)練時(shí)學(xué)習(xí)新樣本有遺忘舊樣本的趨勢。因此，我們采取如下措施進(jìn)行改進(jìn)：

（1）增加動(dòng)量項(xiàng)

令，稱為動(dòng)量系數(shù)，一般有。

（2）輸入數(shù)據(jù)處理

在輸入數(shù)據(jù)的標(biāo)準(zhǔn)化方面，輸入數(shù)據(jù)太大，容易導(dǎo)致模型無法收斂，所以將輸入數(shù)據(jù)變換為[0,1]區(qū)間的值，其公式如下

其中，代表輸入數(shù)據(jù)，代表數(shù)據(jù)變化范圍的最小值，代表數(shù)據(jù)變化范圍的最大值。

（3）學(xué)習(xí)速率的調(diào)整

令

K為訓(xùn)練次數(shù)，為網(wǎng)絡(luò)均方根誤差畢業(yè)論文提綱，這樣保證一個(gè)近最優(yōu)的學(xué)習(xí)速率，從而得到比標(biāo)準(zhǔn)BP算法更快的收斂速度論文提綱格式。

3實(shí)證分析

本文數(shù)據(jù)來源于和訊網(wǎng)國內(nèi)工業(yè)運(yùn)輸行業(yè)個(gè)股投資價(jià)值財(cái)務(wù)得分表，數(shù)據(jù)截止到2009.12.18（hexun.com/quote.hexun.com/stock/icb.aspx?code=2770&name=工業(yè)運(yùn)輸）部分情況見表1。

表1：個(gè)股投資項(xiàng)目指標(biāo)體系

 

一級(jí)指標(biāo)

二級(jí)指標(biāo)

成長性指標(biāo)

凈利潤增長率

資產(chǎn)增長率

資本增長率

每股收益增長率

財(cái)務(wù)能力指標(biāo)

資產(chǎn)負(fù)債率

債務(wù)資本率

股東權(quán)益比率

償債能力指標(biāo)

流動(dòng)比率

速動(dòng)比率

長期資產(chǎn)適合率

現(xiàn)金流指標(biāo)

每股現(xiàn)金流量

經(jīng)營現(xiàn)金流與負(fù)債比

現(xiàn)金流量比率

凈利潤現(xiàn)金含量

經(jīng)營能力指標(biāo)

銷售收入增長率

應(yīng)收帳款周轉(zhuǎn)率

存貨增長率

營業(yè)周期

盈利能力指標(biāo)

總利潤率

凈利潤率

篇10

【關(guān)鍵詞】BP神經(jīng)網(wǎng)絡(luò)；隱層節(jié)點(diǎn)自動(dòng)篩選；溫度預(yù)測

0 引言

微波加熱過程中溫度的預(yù)測，一般采用數(shù)值模擬的方法，其中劉長軍等采用時(shí)域有限差分求解方程組的方法來模擬媒質(zhì)溫度隨時(shí)間變化的規(guī)律[1]。趙翔等采用矩量法、半解析法分別求解電磁場方程和熱傳導(dǎo)方程的方法來模擬溫度空間隨時(shí)間的變化規(guī)律[2]。此類數(shù)值模擬的方法，存在數(shù)值計(jì)算復(fù)雜，考慮因素不齊全等問題。而直接用溫度傳感器測量所導(dǎo)致的問題有：需對(duì)腔體開孔易造成微波泄漏；微波對(duì)傳感器輻射，易造成測量不準(zhǔn)確和損壞；傳感器測量存在時(shí)延，不利于實(shí)時(shí)控制。而用微波功率計(jì)對(duì)反射功率的測量比溫度測量容易，且精度較高。因此本論文用反射功率、時(shí)間、初始溫度等對(duì)溫升產(chǎn)生影響的因素，結(jié)合 BP 算法對(duì)加熱的溫度進(jìn)行預(yù)測。

1 BP神經(jīng)網(wǎng)絡(luò)算法的數(shù)學(xué)模型

2 隱含層節(jié)點(diǎn)數(shù)的研究

隱含層節(jié)點(diǎn)數(shù)量對(duì)網(wǎng)絡(luò)性能有很大影響，節(jié)點(diǎn)數(shù)越多，網(wǎng)絡(luò)性能越好，但可能導(dǎo)致訓(xùn)練時(shí)間較長，且網(wǎng)絡(luò)學(xué)習(xí)后的網(wǎng)絡(luò)泛化能力會(huì)降低，節(jié)點(diǎn)數(shù)目太少，則不能產(chǎn)生供樣本數(shù)據(jù)學(xué)習(xí)的連接權(quán)值組合，導(dǎo)致學(xué)習(xí)不收斂，最終訓(xùn)練網(wǎng)絡(luò)不能達(dá)到預(yù)期的預(yù)測效果。

2.1 隱含層節(jié)點(diǎn)數(shù)范圍的確定

對(duì)于神經(jīng)網(wǎng)絡(luò)中隱含層節(jié)點(diǎn)數(shù)目的確定，目前仍沒找到確定表達(dá)式，以往一直采用經(jīng)驗(yàn)和不斷試驗(yàn)來確定一個(gè)近似的隱含層節(jié)點(diǎn)數(shù)，而這類方法工作量比較大，預(yù)測的精度以及網(wǎng)絡(luò)模型的質(zhì)量都不能保證。

其中，m是輸入層節(jié)點(diǎn)數(shù)，n是輸出層節(jié)點(diǎn)數(shù)，ξ是整數(shù)，取值范圍為1～10。估算出i的取值范圍3～12。

2.2 隱含層節(jié)點(diǎn)數(shù)自動(dòng)篩選的設(shè)計(jì)

本文通過設(shè)置For循環(huán)，對(duì)隱含層取值范圍內(nèi)的數(shù)進(jìn)行一一對(duì)比測試數(shù)據(jù)樣本對(duì)應(yīng)的輸出數(shù)據(jù)的累計(jì)誤差和，本科論文選取累計(jì)誤差和最小的隱含層數(shù)作為最優(yōu)隱含層節(jié)點(diǎn)數(shù)。在篩選中，選用2層For循環(huán)，外層For循環(huán)用于設(shè)置隱含層節(jié)點(diǎn)數(shù)范圍，即3～12，內(nèi)層For循環(huán)用于計(jì)算誤差和，其實(shí)現(xiàn)步驟為：（1）選取隱含層節(jié)點(diǎn)數(shù)為NodeNum=L（i），創(chuàng)建網(wǎng)絡(luò)。（2）對(duì)樣本數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)訓(xùn)練。（3）用測試樣本數(shù)據(jù)對(duì)訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行測試，計(jì)算測試樣本數(shù)據(jù)與目標(biāo)輸出間的誤差矩陣。（4）對(duì)誤差矩陣進(jìn)行求和，求出當(dāng)前隱含層節(jié)點(diǎn)下的誤差和sumerror。（5）比較誤差和，篩選出誤差和最小的隱層節(jié)點(diǎn)數(shù)目。

3 BP算法的MATLAB仿真實(shí)現(xiàn)

本文仿真在MATLAB平臺(tái)上完成，采用自動(dòng)篩選隱含層節(jié)點(diǎn)數(shù)的BP算法對(duì)微波腔體中媒質(zhì)的溫度進(jìn)行預(yù)測[6]。

3.1 預(yù)處理

實(shí)驗(yàn)將100ml的水在室溫20.9℃下采用不同恒定功率下加熱，記錄時(shí)間、溫度和反射功率，溫度到達(dá)50攝氏度，停止加熱。

4 BP模型溫度預(yù)測結(jié)果分析

采用手動(dòng)和自動(dòng)篩選隱含層節(jié)點(diǎn)數(shù)目的網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示：

5 結(jié)論

本文利用在實(shí)驗(yàn)中收集的相關(guān)數(shù)據(jù)，采用可自動(dòng)篩選節(jié)點(diǎn)的BP神經(jīng)網(wǎng)絡(luò)算法對(duì)媒質(zhì)水的溫度進(jìn)行預(yù)測。在微波加熱溫度可控的工程應(yīng)用中，本論文具有重要的應(yīng)用價(jià)值。

【參考文獻(xiàn)】

[1]劉長軍，閆麗萍，黃卡瑪.微波加熱中“熱失控”的一維數(shù)值模擬[C]//2005年全國毫米波會(huì)議論文集，2005：1040-1043.

[2]趙翔，黃卡瑪，閆麗萍，姚遠(yuǎn).數(shù)值模擬微波加熱化學(xué)反應(yīng)過程的初步研究及熱點(diǎn)和熱失控現(xiàn)象討論[J].中國科學(xué)Q輯：物理學(xué) 力學(xué) 天文學(xué)，2009，39（4）：501-511.

[3]陳明，等，編.MATLAB神經(jīng)網(wǎng)絡(luò)原理與實(shí)例精解[M].清華大學(xué)出版社，2013.

[4]傅薈璇，等.Matlab神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計(jì)[M].北京：機(jī)械工業(yè)出版社，2010.