前言：想要寫出一篇令人眼前一亮的文章嗎？我們特意為您整理了5篇人工神經網絡發展范文，相信會為您的寫作帶來幫助，發現更多的寫作思路和靈感。

人工神經網絡發展范文第1篇

關鍵詞：煤灰結渣；BP神經網絡；RBF神經網絡

1前言

結渣是在鍋爐內煙氣側受熱面出現的嚴重影響鍋爐正常運行的故障現象，其主要由煙氣中夾帶的熔化或部分熔化的顆粒碰撞在爐墻，水冷壁或管子上被冷卻凝固而形成。結渣主要以粘稠或熔融的沉淀物形式出現在輻射受熱面上，如水冷壁、水排管、防渣管、過熱器管排等[1]。

本文為了有效地克服單一指標分類界限過于明顯的問題。采用現研究領域比較廣泛采用多指標綜合評價方法，利用模糊數學對結渣進行評判，從而可以更好的解決單一指標所造成的分界過于明顯和準確率偏低的缺陷[2]~ [3]。

2影響煤灰結渣特性的因素分析

灰分是由金屬氧化物和非金屬氧化物及其鹽類組成的復雜物質，以SiO2和Al2O3為主，主要有Fe2O3、CaO、MgO、TiO2、SO3、Na2O和K2O等。可將灰中各氧化物分成兩類：一類為酸性氧化物，即SiO2、Al2O3；另一類為堿性氧化物，即Fe2O3、CaO、MgO等。對于灰的結渣性能來說，灰的熔融特性是應特別予以關注的，煤灰沒有固定的熔化溫度，僅有一個熔化范圍。在鍋爐設計中，大多采用軟化溫度ST作為灰的熔點。根據灰熔點的高低，把煤灰分成易熔、中等熔融、難熔、極難熔。而灰黏度是表征高溫熔融狀態下灰的流動特性，通常根據牛頓摩擦定律，采用黏度計測定[4]。

3多指標神經網絡模型的建立

3.1四種指標綜合對比分析

(1)硅比G

G=SiO2×100/(SiO2＋CaO＋MgO＋當量Fe2O3)%(21)

式中，當量Fe2O3＝Fe2O3＋1.11FeO＋1.43Fe。

表21 硅比G判斷結渣性的判別界限

（2）硅鋁比（SiO2/Al2O3）

硅鋁比中SiO2和Al2O3是煤中主要酸性氧化物，Al2O3的增加總是使灰熔點上升，而SiO2的影響則具有雙重性，一方面SiO2較容易與鍵性成分形成低熔點化合物，降低煤灰熔點，另一方面SiO2含量高時，SiO2本身又會使灰熔點上升。用硅鋁比判斷煤結渣傾向的界限為：

①SiO2/Al2O3＜1.87,輕微結渣；

②SiO2/Al2O3＝2.65～1.87中等結渣；

③SiO2/Al2O3＞2.65,嚴重結渣。

（3）鐵鈣比（Fe2O3/CaO）

美國近年來用鈣鐵比作為判斷煙煤型灰（Fe2O3＞CaO＋MgO）的結渣指標之一，推薦的界限為[5]：

①Fe2O3/CaO＜0.3，不結渣；

②Fe2O3/CaO=0.3～3,中等或嚴重結渣；

③Fe2O3/CaO＞3，嚴重結渣。

（4）酸堿比

B/A=(Fe2O3+CaO+MgO+Na2O+K2O)/(SiO2+Al2O3+TiO2) (22)

酸堿比中分母為酸性化合物，分子為堿性化合物，在高溫下，這兩種氧化物會互相作用形成低熔點的共熔鹽，這些鹽類通常具有較固定的組合形式，因此當煤灰中的酸堿比過高或過低時，灰熔點都會提高。使用堿酸比來判斷灰結渣傾向時，推薦的界限值如表22所示

表22酸堿比判斷結渣傾向界限值

3.2神經網絡模型

神經網絡模型的運算是以MATLAB軟件為平臺的，MATLAB是Math Works公司推出的一套高性能的數值計算可視化軟件，MATLAB具有以下的特點：(1)功能強大；(2)界面友善、語言自然；(3)開放性強[6] [7]。

（1）BP神經網絡

在進行BP神經網絡設計時，需要考慮以下問題：網絡的拓撲結構（隱層的層數及各層的神經元的數目）；神經元變換函數的選取；網絡的初始化（連接權值和閾值的初始化）；訓練參數設置；訓練樣本的歸一化處理；樣本數據導入方式等。

根據以上分析可知，針對本文內容，BP網絡的建立可以分為4個基本步驟：

（1）網絡建立。網絡的輸入層為熔融溫度和混煤煤灰成分含量（即混煤煤灰中的各氧化物含量），此輸入層有4個神經元節點，煤灰的軟化溫度t2、堿酸比B/A、硅鋁比、硅比 G作為輸入的TT矩陣的4個神經元節點，模型選用30個已知實驗數據作為網絡的訓練樣本，并對數據進行預處理，使其在[-1,1]的區間內。網絡系統初始采用4個輸入節點，16個、20個、25個、30個隱層節點及3個輸出節點，其運行殘差曲線如圖1所示。

（2）初始化。創建網絡對象時自動調用初始化函數，根據缺省的參數對網絡進行連接權值和閾值的初始化。

（3）網絡訓練。設置網絡訓練參數。初始設置學習率為默認值，訓練目標為0.001，最大訓練次數為5000次。

（4）網絡仿真。它根據已訓練好的網絡，對測試數據進行仿真計算。

BP神經網絡（16節點）

誤差分析圖

b）BP神經網絡（20節點）

誤差分析圖

BP神經網絡（25節點）

誤差分析圖

d)BP神經網絡（30節點）

誤差分析圖

圖1BP神經網絡模型殘差分析圖

（2）RBF神經網絡模型

同BP神經網絡一樣，使用RBF神經網絡進行預測，首先要根據實際使用問題確定網絡結構和設計合理的輸入輸出模式，然后利用輸入輸出樣本集創建并訓練網絡，以使網絡實現給定的輸入輸出之間的映射關系。

在MATLAB環境中創建RBF預測神經網絡和使用該網絡進行預測的基本步驟可以描述為以下幾步：

Step l：設計輸入輸出模式。主要包括特征量的選擇、適合網絡輸入和輸出的輸入變量與輸出變量的設計、樣本數據的預處理等操作。

Step 2：創建并訓練網絡。確定徑向基函數的分布密度SPREAD的值，調用newrb函數創建RBF神經網絡。RBF神經網絡的創建過程就是訓練過程，創建好的網絡net已經是訓練好了的網絡。

Step 3：測試和修改網絡。調用Sim函數測試網絡，如果輸出結果與實際值誤差過大，必須根據實際情況重新選擇樣本數據、重新選擇SPREAD值或調整網絡結構，最終殘差曲線如圖2所示。

Step 4：使用網絡進行實際預測。

圖2RBF神經網絡殘差分析圖

（3）兩種神經網絡模型診斷結果對比分析

下表給出了兩種神經網絡模型對鍋爐結渣的預測情況與實際情況的對比結果，在MATLAB的運行結果中去除一部分無效的結果，可以得到預測結果的準確率，詳細結果如下：

表1預測結渣情況與實際結渣情況對比及預測準確率

從表1中可以看到，在RBF神經網絡中預測的準確率可達到86.7%，而在BP神經網絡中隨著隱藏節點數的增加，預測結渣情況的準確率也在增加，而RBF網絡模型預測結渣情況的準確率則好于BP神經網絡模型隱藏節點為25時的情況。所以在實際預測中應在設計時通過不斷實踐加以選擇，以減小預測誤差。

預測值和實際測量值之間的誤差，其產生原因主要包括以下幾個方面：其一，用于網絡訓練和預測的樣本值雖然都來自現場的數據，但都是實驗測量得到的，因此難免存在測量誤差；其二是網絡本身帶來的誤差，畢竟人工神經網絡只是用來研究燃煤特性的一種工具，不可能完全反應復雜多變的現實世界，況且目前人工神經網絡技術本身發展并不完善。其三，網絡本身影響誤差的因素較多，比如算法和參數的影響。

4 結論

本文以根據煤灰成分來實現預測煤灰結渣情況為目的，結合神經網絡理論、預測理論，研究了基于BP神經網絡和基于RBF神經網絡預測方法及其應用。通過對比分析得出以下結論：

（1）多指標神經網絡模型更有利于對煤灰結渣特性的準確分析，對比BP神經網絡和基于RBF神經網絡兩種模型的分析結果，BP神經網絡的結果更接近實際值。

（2）當隱藏節點增加時，兩種神經網絡模型的診斷率隨之升高，當隱藏節點數達到30時，BP神經網絡模型的診斷率達到最高。

（3）在對RBF神經網絡原理、結構和RBF算法進行分析研究的基礎上，給出了基于BP、RBF神經網絡的預測方法的MATLAB運算。

參考文獻

姚星一．煤灰熔點與化學成分的關系．燃料化學學報，1965，6（2）：151～161

人工神經網絡發展范文第2篇

［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。通常可分為前向神經網絡、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

人工神經網絡發展范文第3篇

關鍵詞：人工神經網絡 礦山 安全狀態 評判能力

中圖分類號：TD77；TP181 文獻標識碼：A 文章編號：1007-9416（2015）04-0206-01

通過改變神經網絡訓練樣本等方式，對神經網絡不同訓練樣本的反應能力進行對比分析，從而探討人工神經網絡對礦山安全程度評價的適應性。為了有效的提高人工神經網絡對礦山安全程度評價的能力，可以通過改變神經網絡的神經元數目以及初值賦值的方式來測試不同的結構，從而得出不同參數下神經網絡對相同訓練樣本的評價結論，以便提高其評價能力，在礦山安全狀態評判中充分發揮出人工神經網絡的作用。

1 人工神經網絡中的網絡結構設計與原始數據的準備

本文中主要采取如1所示的神經網絡結構，根據測試目的的差異性，其測試過程中神經網絡的部分性能也就不同，但是對整個網絡結構的性能不會改變。

這種神經網絡的主體結構是單輸入、三層式BP的網絡結構，輸出連接、目標連接、輸入權重連接、偏置連接以及層權連接等是其主要的連接方式。各層神經元的分類包括：第一隱含層有8個正切S型神經元，第二隱含層有8個對數S型的神經元，輸入層有4個元素，輸出層有一個線性神經元。其網絡函數主要包括訓練函數、初始化函數、性能函數以及各網絡層的層初始化函數。其訓練函數需要采取TRAINLM回轉方法來運算；初始化函數需要采取逐層初始化的方法運算；性能函數需要采取均方誤差法來計算；各網絡層的層初始化函數需要采取優化規則的方式計算，有的時候還需要采取INITWB的方式進行運算。各個權閾值的初始化需要采用RANDS方法來計算。在人工神經網絡訓練的原始樣本數據以及期望值中，這些數據主要是用來評價地質因素對礦山安全影響程度的原始數據。當訓練完成之后，需要對其各種數據進行仿真測試，以便評斷這種人工神經網絡結構在礦山安全狀態中的應用價值與能力，并對其不足之處以及缺陷問題等進行分析，以便尋找出更加優化的方案，從而提高人工神經網絡在礦山安全狀態中的評判作用與能力。

2 人工神經網絡對礦山安全狀態評判能力的訓練以及仿真測試

對礦山安全評價的方法較多，但是能夠較好的應用于礦山安全評價的方法卻很少，例如事故樹分析法、概率風險評價法以及事件樹分析法等，這些方法均由于基本事件的發生概率的確定方面存在一定的困難，從而導致運用于礦山過程中的安全評價效率不高。另外，在礦山安全狀態評價的過程中，其安全檢查表、專家評價方法等存在一定的缺點與不足，其在評價的過程中，主觀性較強，受到個人意識的影響較大。綜合指標評價法由于其指標間的邏輯關系，指標的權值與指標的量化等問題，從而導致該方法難以在礦山安全狀態中進行準確的評價。只有能夠更好的適應這種復雜的動態系統的安全評價方法，才能夠將其更好的應用在礦山安全狀態評價中[1]。

其中人工神經網絡在處理無法使用簡單規則或公式進行描述的大量的原始數據的問題時，以及在處理規律不清楚的問題時，其具有較大的優勢。也正是由于這種方法能夠對復雜的非線性動力學系統的適應，才能夠使其在礦山安全狀態評價中得到引進與推廣。將人工神經網絡對礦山安全狀態評價能力的訓練進行仿真實驗，在每次實驗檢測之前，都需要對同一神經網絡進行重新初始化，之后需要運用相同的訓練樣本數據對神經網絡進行訓練，以便達到訓練要求后對網絡進行仿真測試，訓練性能函數的誤差需要保持在10以內。其神經網絡的訓練過程是網絡在初始權閾值的基礎上，對其權閾值進行不斷的修改，以便尋找出它們之間的某種聯系，使得輸入的整個訓練樣本集數據經過網絡的運算之后，其輸出與相應的目標數據差別能夠滿足性能函數的要求。因此，在人工網絡對礦山安全狀態進行評判的時候，即使所有數據與性能均符合要求，但是由于在訓練的時候就被賦予了不同的權閾值，訓練之后得到的權閾值的最終組合也會存在較大的差異。通過神經網絡對礦山進行安全評判的目的在于運用神經網絡總結分析數據，對礦井各個致災的貢獻率進行分析，進而對礦山的安裝狀態進行評判。從神經網絡的角度來分析，通過運用網絡的運算功能對訓練樣本的數據進行統計分析，并從中找出滿足目標值以及性能要求的權閾值組合形式，從而通過仿真方式來評價礦山的安全狀態。

3 結語

通過對人工神經網絡在礦山安全狀態的評判能力進行訓練以及仿真測試后，發現人工神經網絡與人類評判方法存在一定的差異性，在今后的發展過程中，還需要對人工神經網絡在礦山安全狀態中的評判能力進行不斷的優化與改進，以便更好的適應礦山安全狀態的評判，在礦山安全狀態的評判中充分發揮出人工神經網絡的作用，從而更好的確保礦山生產與經營的安全性。

人工神經網絡發展范文第4篇

關鍵詞：人工神經網絡；神經元；可視化

中圖分類號：TP183文獻標識碼：A文章編號：1009-3044(2008)36-2882-03

Analysis and Comparison Between ANN and Viewdata

ZHAO Chun, LI Dong

(Department of Computer Science, Xinxiang University, Xinxiang 453000, China)

Abstract: ANN and viewdata two calculating methods of obtaing new data by the dig and learrangement of the original data. This paper intends to make a general analysis of the featurcs of the two methods and a friof comparison between the two, and summed up the two algorithms and the similarity of common ground.

Key words：ANN; nerve cell; viewdata

1 引言

人工神經網絡和可視化方法是數據挖掘中的兩個重要的算法模型，兩者都是根據模擬人腦和人的視覺神經與傳統的數字計算機相比較而抽象出來的數據挖掘算法。可視化方法是人腦神經網絡的一部分，它們之間存在著必然的聯系，而算法又各有所異。隨著數據挖掘技術的快速發展，存儲在數據庫中的數據量也迅速增長，這證明傳統的關系數據庫和存儲圖像、CAD（計算機輔助設計）圖紙、地理信息和分子生物結構的復雜2D和3D多媒體數據庫是合理的。許多應用都要用到大型的數據庫，這些數據庫有幾百萬種數據對象，這些數據對象的緯度達到幾十甚至幾百。面對如此復雜的數據時，我們常常面臨著一些棘手的問題：應該從哪里開始著手？哪些是有用的數據？還有一些其他可用的數據嗎？能得出答案的其他方法是什么？人們在尋求突破的同時反復地思考并詢問復雜數據的專門問題。我們從人工神經網絡和可視化方法的算法、特有屬性進行橫向和縱向的比較來找出他們的共同點和相似點。

2 人工神經網絡算法與可視化方法性能比較

2.1 人工神經網絡提供特有的屬性和能力

1) 人工神經網絡有超強的運算功能――人腦大約有1011個微處理神經元，這些神經元之間相互連接，連接的數目大約達到1015數量級[1]。每個神經元都相當一個微型計算機，把每個微型計算機鏈接起來就形成了一個超級計算機網絡。

2) 由于人工神經網絡相當于一個超級因特網，每個神經元都相當于一個微型計算機，對所有的任務都可并行，并且是分布式處理，其處理能力也是超強的――每個神經元節點都可以看作一個微型計算機，這樣就形成了一個龐大的神經元網絡。

3) 人工神經網絡有歸納總結和分類的能力。――歸納總結和分類是人工神經網絡對輸入而產生合理的輸出。

4) 人工神經網絡有離散性。

5) 人工神經網絡通過典型的實例中進行歸納總結。

6) 對整個網絡有很強的適應性和快速的驗證的能力。

7) 對整個人工神經網絡的包容性。

8 對整個人工神經網絡統籌能力。

2.2 可視化方法特有的屬性和能力

1) 在正常情況下人對圖像的信息比較敏感。而對數據的反映比較遲鈍。

2) 人從圖像視覺接受到的信息比從文本或表格上接受更快、更有效。比如“百聞不如一見”。

3) 人從圖像視覺接受到的信息總是有選擇的接受

4) 人的視覺選擇的特征為形狀、顏色、亮度、運動、向量、質地等。

這些篩選仍然是通過人龐大的神經網絡中的部分神經元來處理的。其中進行的樣本的學習能里以及自適應性得到了充分的體現。

2.3 人工神經網絡和可視化方法的共同點

1) 對接受到的信息進行歸納處理。

2) 對接受到的信息進行轉化，只是轉化的方式不同。

3) 對接受到的信息進行篩選，并對接受到的信息產生合理的輸出。

4) 容錯性。

5) 從接受到的信息進行學習的能力。

2.4 人工神經網絡和可視化方法的不同點

1) 人工神經網絡是好比因特網，而可視化方法的計算網絡好比計算機網絡。可視化網絡的計算能力只是人工神經網絡很小的一部分。

2) 可視化方法雖然也是并行分布式處理的結構，但是它也只是人工神經網絡分布式處理的很小部分。其速度要遠遠低于人工神經網絡

3) 人的視覺和人工神經網絡對信息的篩選的方式各有不同。

3 算法比較

3.1 人工神經網絡

人工神經元是一個抽象的自然神經元模型，將其數據模型符號化為：

netk=x1wk1+x2wk2+ … … +xm wkm +bk

在ANN中輸入和相應權重乘機的累加為xiwki（其中，i=1, ……m），一些輸入xi，i=1, ……m，其中k是ANN中給定的神經元的索引，權重模擬了自然神經元中的生物突出強度[2]。

一個神經元就是一個微型計算機，它是一個ANN運轉的最小單位，就像是整個因特網中的一臺計算機。下例圖1是人工神經元的模型。

從這個模型可以看出人工神經元是有三個基本元素組成：

第一、一組連接線。X1 、X2 、…、Xm，每個連接線上的Wki為權重。權重在一定范圍類可能是正值，也可能是負值。

第二、累加器。將Xi與對應的權重值相乘的積累加。

第三、篩選函數。通過每個神經元經過函數篩選后輸出數值。

同樣，還可以用矢量符號來將其表示成兩個m維向量的無向乘積：

netk= X?W

其中

X={x0, x1, x3,… , xm}

W={w0, w1, w3,… , wkm}

3.2 可視化方法

可視化技術在字典中的意思為“心理圖像”，在計算機圖形學領域。可視化將自身行為聯系起來，特別是和人眼可以理解的復雜行為聯系起來。計算機可視化就是用計算機圖形和其他技術來考慮更多的樣本、變量和關系。

可視化技術其目的是清晰地、恰當地、有見解地思考，以及有著堅定信念的行動。

基于計算機的可視化技術不僅僅把計算機作為一種工具，也是一種交流媒介，可視化對開發人類認知方面提出了挑戰，也創造了機遇。挑戰是要避免觀察不出不正確的模式，以免錯誤地做出決策和行動。機遇是在設計可視化時運用關于人類認知的知識。

安得魯曲線技術把每個n維樣本繪制成一條直線。

f(t)=x1/1.41+x2sin(t)+x3cos(t)+ x4sin(2t) +x3cos(2t)+ …

其中t為時間域，函數f(t)把n維點X=(x1, x2, x3, x4, …,xn)

將f(t)進行部分變換：

f(t)= X?W

其中

X={x0, x1, x3,… , xm}

W={w0, w1, w3,… , wkm} （w0= sin(t)，w1= cos (t)）

這種可視化的一個好處是它可以表示很多維，缺點是要花很多的時間計算，才可以展示每個維點。這種幾何投影技術也包括探測性統計學，如主成分分析、因子分析和緯度縮放。平行坐標可視化技術和放射可視化技術也屬于這類可視化[3]。

3.3 人工神經元模型與可視化化方法中的安得魯曲線技術分析與比較

人工神經元是一個抽象的自然神經元模型，將其數據模型符號化為：

netk=x1wk1+x2wk2+ … … +xmwkm+bk

netk= X?W

安得魯曲線技術把每個n維樣本繪制成一條曲線。這種方法與數據點的傅立葉轉換相似。它用時間域T的函數f(t)來把n維點X=(x1,x2,x3,x4, …,xn)轉換為一個連續的點。這個函數常被劃分在－∏≤t≤∏區間。

f(t)=x1/1.41+x2sin(t)+x3cos(t)+ x4sin(2t) +x3cos(2t)+ …

f(t)= X?W

人工神經網絡和可視化方法部分算法比較可以近似的計算認為：

netk= f(t) =X?W

通過對人工神經網絡和可視化方法公式的整理可以得出它們有著很多的共同性和相似性[4]，在容錯允許的情況下其算法為：

F(t)= X?W

其中F(t)可表示為人工神經網絡

F(t)= netk

或可視化方法

F(t)= f(t)

4 kohonen神經網絡

Kohonen神經網絡也是基于n維可視化的聚類技術，聚類是一個非常難的問題，由于在n維的樣本空間數據可以以不同的形狀和大小來表示類，n維空間上的n個樣本。

Mk=（1/n）

其中k=1，2，…，k。每個樣本就是一個類，因此∑nk=N。[5]

Kohonen神經網絡可以看作是一種非線性的數據投影這種技術和聚類中的k-平均算法有些相似。

可見，Kohonen神經網絡屬于可視化方法也屬于神經網絡算法。

5 結束語

現代世界是一個知識大爆炸的世界。我們被大量的數據所包圍著，這些數據或是整型的、或是數值型或其他類型，它們都必須經過各種方法的分析和處理，把它轉換成對我們有用的或可以輔助我們決策和理解的信息。數據挖掘是計算機行業中發展最快的領域之一，原始數據在爆炸式的增長，從原始數據中發現新知識的方法也在爆炸性地增長。人工神經網絡和可視化方法是兩種對海量數據進行數據挖掘整理的不同算法，通過以上縱向和橫向的對比，我們可以發現它們的相似性和共同點：對接受到的信息進行歸納處理、轉化、篩選、容錯性、并對接受到的信息產生合理的輸出。在應用中可以根據它們不同的屬性和能力選擇不同的算法。

參考文獻：

[1] Tang，Z H.數據挖掘原理與應用[M].北京.清華大學出版社,2007:74.

[2] Kantardzic M.數據挖掘[M].北京.清華大學出版社,2002:89.

[3] 李守巨,王吉.基于概率神經網絡的巖土邊坡穩定性預測方法[J].巖土力學,2000(2).

[4] Tam C M, Tong T K L.Diagnosis of Prestressed Concrete Pile Defects Using probabilistic Neural Networks[J].Engineering Structures,2004,26(8):1155.

人工神經網絡發展范文第5篇

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