導語：如何才能寫好一篇人工神經網絡的概念，這就需要搜集整理更多的資料和文獻，歡迎閱讀由公務員之家整理的十篇范文，供你借鑒。

篇1

人工神經網絡屬于一種對人腦結構及功能進行反映的數(shù)學抽象模型，對人的思維以及存儲知識等功能進行模擬，從而完成某項工作。對于巖土工程來說，主要包括巖體和土體兩項內容，且這兩項內容均具備很高的復雜性。在巖土工程研究過程中，有必要借助人工神經網絡，從而使巖土工程的研究得到有效進步發(fā)展。本文在分析人工神經網絡的基礎上，進一步對人工神經網絡在巖土工程中的應用進行分析，以期為巖土工程研究的進展提供一些具有價值的參考建議。

關鍵詞:

人工神經網絡；巖土工程；應用

巖土工程的研究對象分為兩大類:其一為巖體;其二為土體。巖土工程涉及的介質存在兩大特性，即模糊性和隨機性，這兩大特性又統(tǒng)稱為不確定性。近年來，不少學者在巖土工程研究過程中，提出了人工神經網絡這一概念，即利用人工神經網絡，將其應用到巖土工程研究領域當中，從而為深入了解巖土工程的某些介質特征奠定有效基礎［1］。從巖土工程研究的優(yōu)化及完善角度考慮，本文對“人工神經網絡在巖土工程中的應用”進行分析意義重大。

1人工神經網絡分析

1．1人工神經網絡概念

對于人工神經網絡來說，是一種對人腦結構與功能進行反映的數(shù)學抽象模型;主要通過數(shù)理策略，經信息處理，進一步對人腦神經網絡構建某種簡化模型，進一步采取大量神經元節(jié)點互連，從而形成復雜網絡，最終完成人類思維及儲存知識的能力的模擬。神經網絡無需構建反映系統(tǒng)物理規(guī)律的數(shù)學模型，與別的方法比較，在噪聲容忍度方面更強［2］。與此同時，還擁有很強的非線性映射功能，對于大量非結構性以及非精準性規(guī)律存在自適應能力，具備超強的計算能力，可完成信息的記憶以及相關知識的推理，且其自身還具備自主學習能力;與常規(guī)算法相比，優(yōu)勢、特點突出。

1．2BP網絡簡述

從研究現(xiàn)狀來看，基于實際應用過程中，人工神經網絡模型大多數(shù)采取BP網絡。BP網絡即指的是多層前饋網絡，因多層前饋網絡的訓練通常使用誤差反向傳播算法，所以將BP網絡稱之為屬于一類誤差反向傳播的多層前饋網絡。對于其網絡而言，具備輸入節(jié)點和輸出節(jié)點，同時還具備一層隱層節(jié)點與多層隱層節(jié)點，基于同層節(jié)點當中不存在耦合狀態(tài)。其中的輸入信號從輸出層節(jié)點依次傳過各個隱層節(jié)點，進一步傳輸至輸出節(jié)點，每一層節(jié)點的輸出只對下一層的節(jié)點輸出產生影響。

2人工神經網絡在巖土工程中的應用分析

在上述分析過程中，對人工神經網絡的概念有一定的了解，由于其模型算法的優(yōu)越性，可將其應用到巖土工程研究領域當中，從而為解決巖土工程問題提供有效憑據。從現(xiàn)狀來看，人工神經網絡在巖土工程中的應用主要體現(xiàn)在以下幾大方面。

2．1在巖石力學工程中的應用

巖石力學工程是巖土工程中尤為重要的一部分，將神經網絡應用到巖石力學工程當中，主要對巖石非線性系統(tǒng)加以識別，同時還能夠為工程巖體分類提供有效幫助，此外在爆破效應預測方面也具備一定的應用價值。對于人工神經網絡來說，存在從有限數(shù)據中獲取系統(tǒng)近似關系的優(yōu)良特性，而巖石當中的各項參數(shù)之間又存在很復雜的關系，并且難以獲取完整的參數(shù)集。在這樣的情況下，使用人工神經網絡技術，便能夠使巖石非線性系統(tǒng)識別問題得到有效解決［3］。此外，有研究者將巖石抗壓強度、抗拉強度以及彈性能量指數(shù)等作為巖爆預測的評判指標，進一步對巖爆預測的神經網絡模型進行構建，然后預測了巖爆的發(fā)生與烈度。通過計算得出結論:采取人工神經網絡方法進行巖爆預測行之有效，值得采納借鑒。

2．2在邊坡工程中的應用

對于巖土工程中的邊坡工程來說，邊坡失穩(wěn)狀況突出，且是由多因素造成的，比如邊坡失穩(wěn)的地質形成條件、誘發(fā)因素的復雜性以及隨機性等。與此同時，由于邊坡動態(tài)監(jiān)測技術從目前來看尚且不夠成熟，因此邊坡失穩(wěn)在巖土工程研究領域一直視為是一項難以解決的工程項目。而對于神經網絡方法來說，因其具備非常好的預測功能，因此相關巖土工程研究工作者通常會采取人工神經網絡對巖土工程中的邊坡工程問題進行求解。并且，從現(xiàn)有研究成果來看，將人工神經網絡應用于巖土工程的成果突出。有學者對影響巖質邊坡的穩(wěn)定性的相關因素進行了分析，包括地形因素、巖體因素以及外部環(huán)境因素等，并構建了邊坡穩(wěn)定性分析的BP網絡模型［4］。此外，還有學者將大量水電邊坡工程的穩(wěn)定狀況作為學習訓練樣本及預測樣本，對以人工神經網絡技術的邊坡巖體的穩(wěn)定性進行了研究，結果顯示，采取人工神經網絡對邊坡巖體的穩(wěn)定狀況進行預測可行性高。

2．3在基坑工程中的應用

采取人工神經網絡對基坑變形進行預測主要分為兩種情況:其一，對會影響基坑變形的各大因素及位移的神經網絡模型加以構建;其二，把變形監(jiān)測數(shù)據作為一個時間序列，以歷史數(shù)據為依據，將系統(tǒng)演變規(guī)律查找出來，進一步完成系統(tǒng)未來發(fā)展趨勢的分析及預測。有學者針對基坑變形利用了人工神經網絡方法進行預測，結果表明:對前期實測結果加以應用，使用此方法能夠對后續(xù)階段的基坑變形實時預測出來，并且預測結果和實測結果保持一致性。此外，還有學者根據具體工程項目，采取人工神經網絡，對深基坑施工中地下連續(xù)墻的位移進行了深入分析及預測，結果顯示:使用人工神經網絡方法進行分析及預測，在精準度上非常高，值得在深基坑工程相關預測項目中使用［5］。

2．4在地鐵隧道工程中的應用

在地鐵隧道施工過程中，存在地表變形和隧道圍巖變形等狀況，為了深入了解這些狀況，可將人工神經網絡應用其中。有學者在對地層的影響因素進行分析過程中，列出了可能的影響因素:盾構施工參數(shù)、盾構物理參數(shù)以及地質環(huán)境條件，進一步利用人工神經網絡，構建了人工神經網絡模型，進一步針對盾構施工期間的地層移動進行實時動態(tài)預測，最終得到了不錯的預測成果。此外，還有學者對BP網絡算法進行改進，然后對某地鐵工程中隧道上方的地表變形進行了未來趨勢預測，結果表明:和其他地表變形預測方法相比，人工神經網絡預測方法的應用價值更為顯著。

3結語

通過本文的探究，認識到基于人工神經網絡模型的算法具備很高的優(yōu)越性，由于巖土工程地質條件復雜，為了深入研究巖土工程，可將人工神經網絡應用其中。結合現(xiàn)狀研究成果可知，人工神經網絡在巖石力學工程、邊坡工程、基坑工程以及地鐵隧道工程中均具備顯著應用價值。例如:將人工神經網絡應用于巖石力學工程當中，能夠預測巖爆的發(fā)生與烈度;應用于邊坡工程當中，能夠邊坡工程的穩(wěn)定性進行精準預測;應用于基坑工程當中，實現(xiàn)對基坑工程變形的實時動態(tài)監(jiān)測;應用于地鐵隧道工程當中，能夠進一步了解地鐵工程中隧道上方的地表變形情況。

總而言之，人工神經網絡在巖土工程中的應用價值高，值得相關工作者采納應用。

作者：張洪飛 單位：山東正元建設工程有限責任公司

參考文獻

［1］鄭惠娜．章超樺．秦小明．肖秀春，等．人工神經網絡在食品生物工程中的應用［J］．食品工程，2012(01):16－19．

［2］鄒義懷．江成玉．李春輝，等．人工神經網絡在邊坡穩(wěn)定性預測中的應用［J］．礦冶，2011(04):38－41．

［3］曹建智．張健．人工神經網絡在白洋淀水質評價中的應用［J］．電子技術與軟件工程，2016(08):261－262．

篇2

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(shù)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(tǒng)的數(shù)字計算機相比較而抽象出來的數(shù)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(lián)系，而算法又各有所異。隨著數(shù)據挖掘技術的快速發(fā)展，存儲在數(shù)據庫中的數(shù)據量也迅速增長，這證明傳統(tǒng)的關系數(shù)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(shù)據庫是合理的。許多應用都要用到大型的數(shù)據庫，這些數(shù)據庫有幾百萬種數(shù)據對象，這些數(shù)據對象的緯度達到幾十甚至幾百。面對如此復雜的數(shù)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(shù)據？還有一些其他可用的數(shù)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(shù)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(shù)目大約達到1015數(shù)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(jié)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(tǒng)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(shù)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(xiàn)。

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(shù)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(shù)。通過每個神經元經過函數(shù)篩選后輸出數(shù)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(lián)系起來，特別是和人眼可以理解的復雜行為聯(lián)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?shù)亍⒂幸娊獾厮伎迹约坝兄鴪远ㄐ拍畹男袆印?/p>

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(fā)人類認知方面提出了挑戰(zhàn)，也創(chuàng)造了機遇。挑戰(zhàn)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(shù)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(tǒng)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(shù)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(shù)據點的傅立葉轉換相似。它用時間域T的函數(shù)f(t)來把n維點X=(x1,x2,x3,x4, …,xn)轉換為一個連續(xù)的點。這個函數(shù)常被劃分在－∏≤t≤∏區(qū)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(shù)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(shù)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(xiàn)代世界是一個知識大爆炸的世界。我們被大量的數(shù)據所包圍著，這些數(shù)據或是整型的、或是數(shù)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(shù)據挖掘是計算機行業(yè)中發(fā)展最快的領域之一，原始數(shù)據在爆炸式的增長，從原始數(shù)據中發(fā)現(xiàn)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(shù)據進行數(shù)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(fā)現(xiàn)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(shù)據挖掘原理與應用[M].北京.清華大學出版社,2007:74.

[2] Kantardzic M.數(shù)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(wěn)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.

篇3

A

Hierarchy feature recognition based on feature face

PENG Sizhen， HAO Yongtao

(CAD Research Center, Tongji Univ., Shanghai 200092, China)

Abstract： To decrease the complexity of feature recognition, a hierarchy feature classification method based on feature entity, feature concrete face and feature virtual face is proposed. A hierarchy feature recognition method based on feature face is implemented by constructing two kinds of neural network input matrixes, and taking advantage of neural network in feature recognition. The example demonstrates that the method is more effective in recognizing feature of which the material is removed, but the range of feature recognition is somewhat limited.Key words：feature face; feature recognition; neural network

な嶄迦掌冢2010[KG*9〗07[KG*9〗12 修回日期：2010[KG*9〗09[KG*9〗16ぷ髡嘸蚪椋 彭思楨(1986―)，男，山東臨沂人，碩士研究生，研究方向為智能CAD，(Email);ず掠咎(1973―)，男，山東威海人，副教授，博士，研究方向為企業(yè)信息集成系統(tǒng)、知識處理與挖掘、智能設計、分布式智能系統(tǒng)和ば檳庀質導際醯齲(Email)0 引 言

雖然對產品生產的自動化、智能化研究很多，但在工業(yè)上的應用效果并不理想.當前產品數(shù)據主要以較低層次的形式存儲為主，如CSG和Brep這2種產品數(shù)據表示方法并不適合直接應用到產品設計之后的加工和制造中，特征識別技術的提出正逐步解決這個問題.

［1］

當前已提出很多種特征識別方法，如基于規(guī)則的、基于圖的、基于幾何解釋的和基于體積分解的，這些方法都通過與特征庫中已定義的特征類型進行比較來識別特征.但是，特征庫不可能包含所有的特征類型，也不可能為特征庫中所有的特征類型添加約束信息.另外，這些方法還存在效率低和沒有學習能力等缺陷.

［2］人工神經網絡具有學習和反饋的能力，在分類和特征識別領域有極大優(yōu)勢.

［3］

特征的類型越來越多，對特征進行準確、有效的分類是特征識別的基礎，利用層次性分類方法可縮小特征對應的范圍，從一定程度上降低特征識別的復雜度.層次性特征分類必然要求多層次的人工神經網絡輸入表示.

本文提出層次性特征分類方法以及特征實體、特征實面、特征虛面的概念，構造2個人工神經網絡輸入表示矩陣，用人工神經網絡識別不同層次的特征，并研究人工神經網絡的結構和訓練方法.特征識別框架見圖1.ね 1 特征識別框架1 特征分類及表示1.1 特征分類

目前存在許多特征的分類方式，STEPAP224是被廣泛應用的特征分類方法之一.在STEPAP224中，加工特征被定義為1種生成特征，這種生成特征識別出為獲得最終幾何形狀需從初始塊中移除的材料體積；定義16種加工特征，如洞和狹槽等.作為1種國際標準，STEPAP224在特征分類上存在一定優(yōu)勢，但仍有以下缺點

［4］：（1）分類不嚴密，存在某些重疊的情況；（2）分類不完整，未包含所有的基礎加工實體；（3）加工特征的定義不準確，STEPAP224定義移除材料的加工特征，但不適合定義添加材料的特征.為克服上述缺點，提出產品層次特征分類，見圖2.ね 2 產品層次特征分類じ梅椒ǘ隕產中各個角度的加工特征進行層次分類，本文重點研究產品內延特征，其在第1層中包含5種基本特征類型，詳細的分類層次見表1. 基于層次的特征分類方法不僅可清晰地描述各類特征之間的關系，而且可通過層次性特征識別減少特征識別的復雜度.每層特征的數(shù)量較少，使每個特征類型具有1個輸出神經元成為可能.表 1 內延特征層次分類原始層內延特征第1層圓孔圓錐孔槽袋階梯第2層通孔盲孔通圓錐孔盲圓錐孔通槽盲槽封閉袋開口袋通階梯盲階梯1.2 特征表示方法

有效的特征表示是構造特征識別的基礎，目前廣泛使用的特征表示方法是AAM（Attributed Adjacency Matrix），其由AAG（Attributed Adjacency Graph）轉化而來，主要描述特征模型的幾何和拓撲信息.該方法存在以下缺點

［5］：（1）表達形式不唯一，對于不同的特征，AAG可能具有相同的表達；（2）隨著組成特征的面的增加，矩陣的大小急劇增加；（3）不僅需要利用啟發(fā)式方法將AAG分解成幾個子圖，而且需要通過詢問1組關于AM（Adjacency Matrix）布局和子圖面數(shù)量的12個問題將每個矩陣轉換為表示向量；（4）可識別的特征的范圍有限，不能識別涉及到第2特征面的特征，如T槽.

為解決表達形式不唯一的問題，提出1組新概念，用以形成新的輸入表示構造方法.

特征實體 實體等價于為得到某個外部特征的輪廓而加載到原始材料上的體積.

特征實面 物理上包含模型外部特征的基本形狀的面，屬可見的特征面.

特征虛面 與特征實面一起構成特征實體的邊界面，是為描述特征實體虛擬出來的1種不可見的特征實體面，在描述特征實體時使其具有可見性.

圖3為特征實體、特征實面、特征虛面及特征拓撲結構.特征虛面、特征實面表達內延特征的拓撲結構也可擴展到外延特征中，此時的特征虛面以特征之間相交面的形式出現(xiàn).

(a)零件中的特征(b)移除的特征實體(c)特征拓撲結構圖 3 特征實體、特征實面、特征虛面及特征拓撲結構2 人工神經網絡的輸入

以圖3的特征拓撲結構為基礎，結合層次性特征分類方法，構造2類人工神經網絡輸入以識別不同層次的特征.2.1 第1層輸入構造

為實現(xiàn)表達形式的唯一性，從特征實體面的類型與特征面之間的角度關系出發(fā)，對組成特征實體的特征實面進行有序化處理.首先構造1個特征實面權重函數(shù)，其作用是根據組成特征的各個面的類型及相互間連接關系，對各個特征面進行賦值，形成特征實面序列構造的基礎，其形式為ИW=S×10－T+v×0.1И式中：S為與當前實面鄰接的特征實面數(shù)量；T為與當前實面鄰接的特征虛面數(shù)量；v為面類型值.以圖3為例，實面1與實面2，3和4鄰接，故S=3；與虛面1鄰接，故其T=1.面類型與面值的對應關系見表2.け 2 面類型與面值的對應關系面類型柱形面部分柱形面圓錐面部分圓錐面半圓面平面面值123456采用深度搜索方法進行特征面序列構造.首先選中權重最小的面，從此面出發(fā)，優(yōu)先選擇與此面連接且權重最小的面作為序列的下一元素，否則選擇具有較小相交角度的面作為序列的下一元素，直到所有特征實面都加入到序列中為止.圖4為某特征面序列構造的過程.け嗪糯選特征面目標序列1{f1, f2, f3, f4}NULL2{f2, f3, f4}f13{f2, f3}f1, f44{f2}f1, f4, f35NULLf1, f4, f3, f2圖 4 特征面序列構造的過程ひ醞4序列為基礎，如果特征實面數(shù)量超過5，需進行簡化處理：如圖5(a)所示的包含7個特征實面的特征，根據其拓撲結構信息可簡化為圖5(b)中含有5個特征實面的形式，構造如圖5(c)所示的特征實面鄰接圖. （a） 7個特征實面的特征（b） 5個特征實面的特征 ぃc）簡化的特征實面鄰接圖ね 5 復雜特征的簡化と綣特征面滿足如下規(guī)則，則可進行簡化處理.

規(guī)則1 如果面fi，f

ij

利用特征實面鄰接矩陣可識別特征的5個基本類型，為方便CAPP(Computer Aided Process Planning)的應用，需更細化地識別特征類型.

［6］為此，構造特征虛面方向矩陣.特征虛面方向矩陣是個6×6的矩陣，它描述在+x，+y，+z，-x，-y和-z 6個方向上虛面的連接性，用V［i,i］表示在i方向是否存在特征虛面.如果i≠j，則V［i,j］表示在i方向上和j方向上的虛面是否存在連接性.類似地，特征虛面方向矩陣也是對稱的.為簡化輸入，將21位的編碼作為人工神經網絡的輸入.圖7為特征虛面方向矩陣實例.ね 7 特征虛面方向矩陣實例3 人工神經網絡的構造和訓練

由于采用層次性特征分類方法，故構造如下的1個層次性特征識別網絡.(1)第1層用于識別5個基礎特征類.識別中用到特征實面鄰接矩陣輸入向量，且輸出神經元代表特征類型.對于特征識別，同時激活2個類不可行，因此只有1個輸出神經元被激活，即其值大于閾值

0.5.如果1個或更多的輸出神經元被激活，代表網絡的模式不屬于1個已知類型.為確定人工神經網絡的結構，須調整隱藏層的數(shù)量、每個隱藏層神經元的數(shù)量以及調整學習率.含有17個神經元的3層結構的隱藏層被證明最合適.(2)第2層基于第1層，方便CAPP應用程序更進一步的識別.第2層中識別的人工神經網絡結構被設計成相同的步驟.如通過各種試驗，狹槽或階梯分類器以特征虛面方向矩陣為輸入，輸入層包含21個神經元，每個隱藏層包含18個神經元，輸出層包含2個神經元.(3)最后，利用經常被用在特征識別系統(tǒng)中的BP算法進行網絡訓練.4 基于特征面的層次識別方法實例

以所構造的人工神經網絡輸入矩陣、人工神經網絡拓撲結構以及訓練為基礎，用圖6和7所示的實例驗證該方法的有效性.

（1）構造特征實面鄰接矩陣.輸入層的輸入序列為6 3 0 4 0 6 3 3 0 6 4 0 6 0 0，將其輸入3層（15個神經元的輸入層、7個神經元的隱藏層以及5個神經元的輸出層）的人工神經網絡中，得到的識別見表3.

表 3 袋特征識別結果特征類型圓孔圓錐孔一般孔槽/階梯袋耦合度0.000 49.573E-60.009 320.015 120.981 9ぃ2）構造特征虛面方向矩陣.輸入層的輸入序列為1 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0，將其輸入3層人工神經網絡（21個神經元的輸入層、18個神經元的隱藏層以及2個神經元的輸出層）中，得到的識別結果見表4.

表 4 開口袋特征識別結果特征類型封閉袋開口袋耦合度0.002 50.991 4び墑道可知，本文提出的方法可識別相對簡單的特征.5 結束語

從層次性特征分類方法出發(fā)，借助特征的特征面構造用于層次性特征識別的2類人工神經網絡表示矩陣.該方法在識別去除材料的特征時比較有效，可更好地應用到CAPP中，提高生產的自動化和智能化，但也限制該方法識別特征的范圍.擴大特征識別的范圍及對特征關系的識別是后續(xù)研究的重點.參考文獻：

［1］ DING Lian, YUE Yong. Novel ANNbased feature recognition incorporating design by features［J］. Computers Industry, 2004, 55(2): 197222.

［2］ ZZTaRK N, ZZTaRK F. Neural network based nonstandard feature recognition to integrate CAD and CAM［J］. ComputersIndustry, 2001,

45(2): 123135.

［3］ DING Lian, MATTHEWS J. A contemporary study into the application of neural network techniques employed to automate CAD/CAM integration for die manufacture［J］. Computers & Ind Eng, 2009, 57(4): 14571471.

［4］ TSENG YuanJye. A modular modeling approach by integrating feature recognition and featurebased design［J］. Computers Industry, 1999,

篇4

【關鍵詞】計算機網絡模型 神經網絡算法

計算機網絡在人們日常生活越來越重要，被廣泛應用到各個行業(yè)。隨著社會不斷發(fā)展，人們需求不斷加高，使計算機得到良好改善，目前，計算機網絡運用集線式服務器來實現(xiàn)網絡互連，促進網絡發(fā)展。但是也有很大弊端，過多的聯(lián)想信息雖然滿足人們需求，但是對技術的要求也更加苛刻，現(xiàn)有的技術滿足不了計算機網絡運行，使人們日常操作不方便。為了解決這一問題，研究人員需要全面優(yōu)化計算機網絡，提高運行能力和性能，運用神經網絡算法，使計算機更加適合現(xiàn)代社會發(fā)展，儲存更多信息。

1 神經網絡算法概論分析

1.1 神經網絡算法整體概論

神經網絡算法是按照人體大腦的思維方式進行模擬，根據邏輯思維進行推理，將信息概念化形成人們認知的符號，呈現(xiàn)在顯示屏前。根據邏輯符號按照一定模式進行指令構造，使計算機執(zhí)行。目前，神經網絡被廣泛使用，使直觀性的思維方式分布式存儲信息，建立理論模型。

優(yōu)化網絡的神經網絡主要是Hopfield神經網絡，是1982年由美國物理學家提出的，它能夠模擬神經網絡的記憶機理，是全連接的神經網絡。Hopfield神經網絡中的每個神經元都能夠信號輸出，還能夠將信號通過其他神經元為自己反饋，那么其也稱之為反饋性神經網絡。

1.2 優(yōu)化神經網絡基本基礎

Hopfield神經網絡是通過能量函數(shù)分析系統(tǒng)，結合儲存系統(tǒng)和二元系統(tǒng)的神經網絡，Hopfield神經網絡能收斂到穩(wěn)定的平衡狀態(tài)，并以其認為樣本信息，具備聯(lián)想記憶能力，使某種殘缺信息進行回想還原，回憶成完整信息。但是Hopfield神經網絡記憶儲存量有限，而且大多數(shù)信息是不穩(wěn)定的，合理優(yōu)化計算機聯(lián)想問題，使Hopfield神經網絡能夠建設模型。

1.3 神經網絡算法優(yōu)化步驟簡述

人工神經網絡是模擬思維，大多是根據邏輯思維進行簡化，創(chuàng)造指令使計算機執(zhí)行。神經網絡算法是按照人體思維進行建設，通過反應問題的方法來表述神經思維的解；利用有效條件和能量參數(shù)來構造網絡系統(tǒng)，使神經網絡算法更加可靠；大多數(shù)動態(tài)信息需要神經網絡來根據動態(tài)方程計算，得出數(shù)據參數(shù)來進行儲存。

2 神經網絡算法的特點與應用

2.1 神經網絡主要特點

神經網絡是根據不同組件來模擬生物體思維的功能，而神經網絡算法是其中一種程序，⑿畔⒏拍罨，按照一定人們認知的符號來編程指令，使計算機執(zhí)行，應用于不同研究和工程領域。

神經網絡在結構上是由處理單元組成，模擬人體大腦神經單元，雖然每個單元處理問題比較簡單，但是單元進行組合可以對復雜問題進行預知和處理的能力，還可以進行計算，解決問題能力突出，能夠運用在計算機上，可以提高計算機運算準確度，從而保障計算機運行能力。而且一般神經網絡有較強容錯性，不同單元的微小損傷并不阻礙整體網絡運行，如果有部分單元受到損傷，只會制約運算速度，并不妨礙準確度，神經網絡在整體性能上能夠正常工作。同時，神經網絡主干部分受到損傷，部分單元會進行獨立計算，依然能夠正常工作。

2.2 神經網絡信息記憶能力

神經網絡信息存儲能力非常強，整體單元組合進行分布式存儲。目前，神經網絡算法是單元互相連接，形成非線性動態(tài)系統(tǒng)，每個單元存儲信息較少，大量單元互相結合存儲信息大量增加。神經網絡具備學習能力，通過學習可以得到神經網絡連接結構，在進行日常圖像識別時，神經網絡會根據輸入的識別功能進行自主學習，過后在輸入相同圖像，神經網絡會自動識別。自主學習能力給神經網絡帶來重要意義，能夠使神經網絡不斷成長，對人們未來日常工作能夠很好預測，滿足人們的需求。

2.3 神經網絡的突出優(yōu)點

近年來，人工神經網絡得到越來越多人重視，使神經網絡得到足夠資源進行良好創(chuàng)新。人工神經網絡是由大量基本元件構成，對人腦功能的部分特性進行模仿和簡化，人工神經網絡具備復雜線性關系，與一般計算機相比，在構成原理和功能特點更加先進，人工神經網絡并不是按照程序來進行層次運算，而是能夠適應環(huán)境，根據人們提供的數(shù)據進行模擬和分析，完成某種運算。

人工神經系統(tǒng)具備優(yōu)良容錯性，由于大量信息存儲在神經單元中，進行分布式存儲，當信息受到損害時，人工神經系統(tǒng)也可以正常運行。人工神經網絡必須要有學習準則制約來能夠自主學習，然后進行工作。目前，人工神經網絡已經逐步具備自適應和自組織能力，在學習或訓練過程中改變突觸權重值，以適應周圍環(huán)境的要求。通過一定學習方式和某些規(guī)則，人工神經網絡可以自動發(fā)現(xiàn)環(huán)境特征和規(guī)律性，更貼近人腦某些特征。

采用并行分布處理方法，使得快速進行大量運算成為可能。神經網絡的一個很大的優(yōu)點是很容易在并行計算機上實現(xiàn)，可以把神經的節(jié)點分配到不同的CPU上并行計算。錢藝等提出了一種神經網絡并行處理器的體系結構，能以較高的并行度實現(xiàn)典型的前饋網絡如BP網絡和典型的反饋網絡（如Hopfield網絡）的算法。該算法以SIMD（Single Instruction Multiple Data）為主要計算結構，結合這兩種網絡算法的特點設計了一維脈動陣列和全連通的互連網絡，能夠方便靈活地實現(xiàn)處理單元之間的數(shù)據共享。結合粒子群優(yōu)化算法和個體網絡的并行學習機制，提出了一種基于粒子群優(yōu)化的并行學習神經網絡集成構造方法。

3 結束語

全球化的發(fā)展，信息交流不斷加快，促使各個行業(yè)相互融合。神經網絡算法具備簡單、穩(wěn)定等不同優(yōu)勢，神經網絡研究內容相當廣泛，神經網絡算法能夠與其它算法相互結合，在一定程度提高計算機網絡模型運算能力。但是計算機網絡模型中神經網絡算法學習能力比較低下，梯度下降法不準確，所以需要有關人員進行深度研究，探索神經網絡算法，使其更加完善，從而保證計算機整體性能的提高。

參考文獻

[1]陳竺.計算機網絡連接增強優(yōu)化中的神經網絡算法[J].電子技術與軟件工程，2014（19）.

[2]史望聰.神經網絡在計算機網絡安全評價中的應用分析[J].自動化與儀器儀表，2016（06）.

篇5

計算智能（ComputationalIntelligenee，簡稱CI），又稱軟計算，該詞于1992年被美國學者J.C.Bezdekek首次提出，1994年全計算智能大會明確提出了計算智能的概念，標志著計算智能作為一門獨立學科的誕生。傳統(tǒng)的人工智能問題的處理、結論的得出都需要在建立精確的數(shù)字模型的基礎上才能實現(xiàn)，但現(xiàn)實中有很多的數(shù)據都是模糊的，無法建立精確的模型，使得人工智能的應用范圍相對狹窄，而計算智能則突破了人工智能的瓶頸，以模型為基礎，模擬人的理論與方法，只需要直接輸入數(shù)據，系統(tǒng)就可以對數(shù)據進行處理，應用范圍更加的廣泛。計算智能的本質是一類準元算法，主要包括進化計算，人工神經網絡、模糊計算、混沌計算、細胞自動機等，其中以進化計算、人工神經網絡及模糊系統(tǒng)為典型代表。

1.1進化計算

進化計算是采用簡單的編碼技術來表示各種復雜的結構，并通過遺傳操作和優(yōu)勝劣汰的自然選擇來指導學習和確定搜索的方向，具有操作簡單、通用性強、效率高的優(yōu)點，其工作原理是通過種群的方式進行計算，借助生物進化的思想來解決問題，分為遺傳算法、進化規(guī)劃及進化策略三大類。

1.2人工神經網絡

人工神經網絡是一個高度復雜的非線性動力學系統(tǒng)，具有模糊推理、并行處理、自訓練學習等優(yōu)勢，其工作原理是仿照生物神經網絡處理信息方式，通過不同的算法和結構，將簡單的人工神經細胞相互連接，通過大量的人工神經單元來同時進行信息的傳播，并將信息儲存在改革細胞單元的連接結構中，快速地得到期望的計算結構。生物神經網絡的細胞是在不斷的生成和更新著的，即部分細胞壞死，整個神經網絡仍能維持正常的運轉秩序而不會驟然崩潰，同樣人工神經網絡也有著這樣的特性，即使部分神經細胞發(fā)生問題，整個網絡也能夠正常的運轉。人工神經網絡按照連接方式的不同分為前饋式網絡與反饋式網絡，前饋式網絡結構中的神經元是單層排列的，分為輸入層、隱藏層及輸出層三層，信息的傳播是單向的，每個神經元只與前一層的神經元相連，即信息只能由輸出層傳向隱藏層再傳向輸入層，而不能由輸出層直接傳向輸入層；反饋式網絡結構中每個人工神經細胞都是一個計算單元，在接受信息輸入的同時還在向外界輸出著信息。不同的行業(yè)和領域可以根據自身的需要將不同的網絡結構和學習方法相結合，建立不同的人工神經網絡模型，實現(xiàn)不同的研究目的。

1.3模糊系統(tǒng)

客觀世界中的事物都具有不同程度的不確定性，如生活中的“窮與富”、美與丑”“、相關與不相關”無法用一個界線劃分清楚，對于事物不確定研究的過程中產生了模糊數(shù)學，所謂模糊性是指客觀事物差異的中間過渡中的“不分明性”。美國專家L.A.Zdahe教授首次運用了數(shù)學方法描述模糊概念，自此之后模糊數(shù)學形成了一個新的學科，并在世界范圍內發(fā)展起來，在醫(yī)學、農業(yè)等方面得到了應用。

2計算智能在機械制造中的應用

機械制造業(yè)是國民經濟的基礎產業(yè)，機械制造業(yè)的發(fā)展對于促進工業(yè)生產領域的發(fā)展，保持經濟穩(wěn)步增長，滿足人們日常生活的需求，提高人們的生活質量有著重要意義。一個國家機械制造業(yè)水平的高低是衡量該國工業(yè)化程度的重要指標。由于研究角度的不同，機械制造業(yè)有著不同的分類，如國家統(tǒng)計局將機械制造行業(yè)分為通用設備、專用設備、交通運輸設備、電氣設備、儀器儀表及辦公設備五大類，證券市場將機械制造行業(yè)分為機械、汽車及配件、電氣設備三大子行業(yè)。根據調查顯示，2013年我國制造業(yè)產值規(guī)模突破20萬億元，同比增長17.5%，產值占世界比重的19.8%，經濟總量位居世界首位，利潤4312.6億元，增長0.33%，增加值累計同比增長10.4%。隨著計算智能研究的深入，計算智能在機械制造中得到了應用。伴隨著機械行業(yè)的飛速發(fā)展，各類生產安全事故也時有發(fā)生。造成安全事故的原因是多方面的，首先是操作人員安全意識淡薄；其次是企業(yè)的安全管理和監(jiān)督缺失，我國相當多的機械制造企業(yè)不重視勞動安全衛(wèi)生方面的數(shù)據統(tǒng)計和資料積累，為了追求最大利潤在安全生產方面投入的資金過少，缺乏對員工開展安全教育的培訓。建立科學的安全生產評價方式對于防止各類安全事故，提高安全效益有著積極意義。人工智能的安全評價方法以線性函數(shù)為基礎，而安全生產評價體系是一個復雜的系統(tǒng)，涉及的內容繁雜，需要考慮的因素很多，存在很大的不確定性，導致得到的結論與實際現(xiàn)場常常不能一致，計算智能以選擇非線性函數(shù)建立安全生產評價模型，實現(xiàn)對非線性函數(shù)關系的擬合，解決了這一難題。在機械制造中存在著大量的模糊信息，如機械設備的損耗、零件設計目標等信息都是用比較模糊的術語來表達，傳統(tǒng)的人工智能進行新的零件生產制造時，設計人員對零件進行設計，確定零件的尺寸，然后試生產零件應用在設備中，如不符合要求，再進行調整，這就要求設計人員有著豐富的知識和實踐經驗，能夠根據需要設計出適合的零件，而計算智能以系統(tǒng)論作為基礎的，對選擇的自變量進行適當?shù)膬?yōu)化和控制，只需要設計人員將零件的形狀、大小、作用等輸入計算機，并對零件制造的程序編排，利用計算機確定零件的制造技術，同時控制零件的質量，使零件設計、制造的過程更加便捷。

3結語

篇6

關鍵詞：BP算法；人工神經網絡；股指期貨

1.引言

股市投資是我們日常生活中一種十分普及的，具備高風險高收益特性的投資方式。2010年4月，滬深300股指期貨經過證監(jiān)會的審核，開始在我國發(fā)行。股指期貨的推出革命性地改變股票市場的游戲規(guī)則，將期貨與股票結合，使市場參與者在股市下跌的時候可以做空獲利。

隨著神經網絡算法的研究深入發(fā)展，人們逐步將神經網絡應用于經濟領域，比如金融實際交易分析中。本文使用matlab工具箱中的BP算法，建立一個具有平滑學習函數(shù)的神經網絡，做出一個可以合理響應輸入的數(shù)據訓練模型，以便對股指期貨合約的短期價格進行檢驗以及預測判斷。

2.BP神經網絡

2.1 BP神經網絡的構成

神經網絡在很大程度上仿照人腦神經系統(tǒng)的信息處理、存貯及檢索功能，因而人工神經網絡的主要功能具備學習功能、記憶功能、計算功能以及各式智能處理功能。人工神經網絡是人類大腦的一個抽象概念，是一個由大量的神經元互相連接并且用它的各連接的權重值的分布向量來表示特定知識概念而組成的一種較為復雜的網絡。

人工神經網絡的模型相當多，一般在matlab建立模型時用得最多，相對于其他工具箱工具來說應用的最為廣泛的是BP（Back-propagation）神經網絡。標準的BP網絡由三層神經元組成，分別是輸入層、隱含層、輸出層，數(shù)據在不同層級間傳遞，都涉及到一定的權重因子。

2.2 BP網絡和BP算法的特點

BP網絡的輸入和輸出是并行的兩個模擬量，網絡的輸入輸出關系由鏈接各層的權重因子決定，不需固定的算法，權重因子通過學習信號來調節(jié)。學習越多，隱含層就越多，輸出層的精度就越高，其中個別權重因子的損壞不會對網絡輸出產生大的影響。

BP算法是由兩部分組成，分別是信息的正向傳遞和誤差的反向傳播。在正向傳遞的過程中，因為輸入信息是逐層傳遞的，每一層神經元的狀態(tài)只能影響到下一層神經元的狀態(tài)，如果在輸出層未得到期望的輸出，則計算輸出層的誤差變化值，然后開始反向傳播，通過網絡將誤差信號沿原來的連接通路反傳回來，修改各層神經元之間的權重因子，再次進行信息的正向傳遞，反復運行直至達到期望目標。

3.BP神經網絡在期貨合約價格預測中的應用

3.1輸入層的節(jié)點的確定

在matlab中編程的時候，首先考慮輸入層的參數(shù)選取。對于股指期貨合約價格的變動，從宏觀方面來考慮我們可以認為它受以下因素的影響。

a.宏觀經濟狀況：一些能反映經濟運行狀況的經濟指標，比如GDP、PPI、CPI，恩格爾系數(shù)等；b.宏觀經濟政策：政府的一些貨幣政策和財政政策，比如降息，降準，減稅，社保改革等；c.與標的物相關的各種信息：比如某些標的指數(shù)中的一些權重較大的成份股進行定增融資、派息轉送等；d.國際金融市場走勢：比如國際匯率，石油，黃金等價格波動走勢；e.到期時間長短：股指期貨合約有到期日，合約期限的不同會影響到合約價格的波動變化 。

從數(shù)據指標方面來考慮，最常接觸到的就是滬深300股指期貨合約每日的開盤價、收盤價、最低價、最高價、交易量、總交易金額等等數(shù)據。這6個方面的數(shù)據是精確化的歷史性數(shù)據，可以直接用于算法里面的數(shù)據訓練。因而，在輸入層的選擇上，本文取這6組數(shù)據作為節(jié)點，即輸入層的節(jié)點數(shù)為6。

3.2隱含層節(jié)點，輸出節(jié)點的確立

在這里，出于簡便考慮，只選擇一層隱含層。這里只預測第二天的股指期貨的結算價，因而輸出節(jié)點，可以看作是1。由此可看出建立的本BP網絡的一個特點，那就是多元輸入，單項輸出。

3.3數(shù)據選取

由于需要將數(shù)據作為多種用途使用，有的用于學習訓練，有的用于測試輸入，因而樣本容量必須足夠大。滬深300股指期貨，從2010年4月推出起，已經運行了接近5年時間，有上千天的交易數(shù)據。本文擬選取一個整年，用這一年的交易日數(shù)據，來建立模型。

這里通過互聯(lián)網，從新浪財經網站上查詢到2014年3月1日至2015年2月28日的滬深300股指期貨合約相關交易數(shù)據。這一年中，有243個有效交易日。其中，選取前233組數(shù)據，進行神經網絡的訓練，選取后10組，作為測試輸入和對照。

4.利用MATLAB建立預測模型

將收盤價作為Y變量，因為這是模型預測和對照的數(shù)據組。將其他五個參數(shù)的數(shù)據作為X變量。X變量是一個243*5的矩陣，Y變量是一個243*1的矩陣。由于X變量中的前三列與后兩列的數(shù)據相差巨大，可以在系統(tǒng)設置中，將數(shù)據改成長數(shù)據形式。現(xiàn)在用MATLAB建立BP神經網絡模型，進行運算和對比檢測。首先，對X和Y進行賦值，然后運行以下命令。

>> temp = randperm（size（x，1））；

K_train = x（temp（1：233），：）’；

L_train = y（temp（1：233），：）’；

K_test = x（temp（234：end），：）’；

L_test = y（temp（234：end），：）’；

N = size（K_test，2）；

net = newff（K_train，L_train，9）；

net.trainParam.epochs = 1000；

net.trainParam.goal = 1e-3；

net.trainParam.lr = 0.01；

net = train（net，K_train，L_train）；

L_sim_bp = sim（net，K_test）；

figure

plot（1：N，K_test，’b：*’，1：N，L_sim_bp，’r-o’）

>> xlabel（’檢驗樣本’）

ylabel（’滬深300股指收盤價’）

經過運行之后，MATLAB即顯示出BP預測值與真實值（以*為標記）的對比圖。可看出BP神經網絡所預測的收盤價與真實收盤價的吻合度較高，兩者的變化曲線基本重合。

5.結論

通過matlab編程，結合實際數(shù)據，可以發(fā)現(xiàn)訓練出來的神經網絡在實際預測中達到了所預想的精度要求，在上述輸入測試值中，代碼運行結果比較令人滿意。

我們將技術分析引入到期貨合約結算價格的預測中去，用文中所述的訓練編制的神經網絡進行預測，對于短期合約價格的預測在一般情況下還是具有不錯的精度和合理的誤差的。

可以認為網絡的預測有效程度主要取決于一下兩方面。

（1）針對股指期貨交易市場，在建立模型時，考慮到越多的相關影響因素，網絡的實際運用可行性會更強。（2）股指期貨交易市場，其完善程度和網絡預測精度有著一定的正想關性，市場越完備，其效果越好。在實際情況中，如果市場不夠成熟，可能會造成預測的實用性不夠顯著。

篇7

[關鍵詞] BP神經網絡 圖像分類 Matlab 自適應特征因子 收斂速度 精度

中圖分類號：P23 文獻標識碼：A 文章編號：1009-914X（2014）07-0321-03

1.引言

衛(wèi)星遙感對地觀測技術是人類獲取資源環(huán)境動態(tài)信息的重要手段，無論是專業(yè)信息提取、動態(tài)變化預測、還是專題地圖制作和遙感數(shù)據庫的建立等都離不開分類。在數(shù)學方法的引入和模型研究的進展為影像的分類注入了新的活力，不同的數(shù)學方法和參數(shù)特征因子被引用到模型的研究上來，為模型研究的發(fā)展提供了廣闊的天地。而基于改進的BP神經網絡，更是融合了自適應特征因子和非線性函數(shù)逼近的網絡模型，不僅學習速度快，而且有高度復雜的映射能力。

2.人工神經網絡的分類方法

人工神經網絡（Artificial Neural Network， ANN ）是基于生物神經系統(tǒng)的分布存儲、并行處理及自適應學習這些現(xiàn)象構造出具有一些低級智慧的人工神經系統(tǒng)【1】。其概念是在20世紀40年代中期由McCulloch和Pitts提出的，70年代得到應用，80年代以來，隨著計算機技術的發(fā)展而得到了快速的發(fā)展，屬于非線性學科，具有強抗干擾性、高容錯性、并行分布式處理、自組織學習和分類精度高等特點。

近年來，神經網絡被廣泛應用于遙感圖像分類中，不同學者分別提出或應用了Hopfield神經網絡、BP網絡、自組織映射網絡、小波神經網絡、細胞神經網絡、模糊神經網絡等對遙感圖像進行分類【2】。這些神經神經網絡在遙感圖像自動分類上都有一定的應用，并取得較好的效果。本文基于此，對傳統(tǒng)的BP算法進行了改進，提出了在Matlab軟件提供的神經網絡工具箱中，對BP神經網絡的權值，學習率進行分析。重點是運用數(shù)學中自適應特征因子，加快了迭代過程中的收斂速度，而且使精度更高。

3.BP神經網絡

BP神經網絡是一種通用性較強的前饋網絡，它主要采用模式正向傳遞、誤差信號反向傳播的BP算法，實現(xiàn)輸入到輸出的映射，并且是非線性的，具有結構簡單、可操作性強等優(yōu)點，目前已被廣泛應用【3】。

3.1 BP算法原理

學習過程由信號的正向傳播與反向傳播兩個過程組成。正向傳播時，輸入樣本從輸入層傳入，經各隱層逐層處理后，傳向輸出層。若輸出層的實際輸出與期望輸出不符合時，則轉入誤差的反向傳播階段。誤差反傳是將輸出誤差以某種形式通過隱層向輸入層逐層反傳，并將誤差分攤給各層的所有單元，從而獲得各層單元的誤差信號，此信號作為修正各單元權值的依據。

3.2 BP學習率的優(yōu)化算法分析

為了加快神經網絡的學習速度，對學習率的改進是BP算法優(yōu)化的重要部分。因為BP算法是不斷通過調整網絡權值進行訓練學習的，修正的大小受到學習率的控制，因此學習率的改進對整個網絡的優(yōu)化是很重要的。為了加快學習速度，研究者提出了很多的優(yōu)化學習率算法，劉幺和等提出的具體優(yōu)化公式為[4]： η=Ae-λn. （1）

此算法優(yōu)于學習率固定的傳統(tǒng)BP算法，減少了網絡學習過程中的學習次數(shù)，但同樣存在著其它問題，首先，模型中A的取值范圍并不適用于所有神經網絡，由于它的取值決定了網絡學習率的初始值，通過A確定的網絡初始學習率可能使網絡不收斂。其次，當網絡誤差下降速度快時，該算法反倒使網絡收斂速度比較慢，這說明此時網絡不適應這種情況。

在上述模型中，陳思依據可變學習率的變化，提出了另一改進模型，此方法的思想是，如果網絡權值在實際情況中更新之后使誤差值減小，此時就沒有必要再減少學習率，如果保持原學習率不變，不僅增加了訓練速度，而且修改權值的幅度會大些，訓練效果會更好一些。改進后的模型為[5]：

此算法優(yōu)點是如果誤差下降速度明顯增快，則說明此時的學習率比較合適訓練，不需調整。

面對現(xiàn)代科技的飛速發(fā)展，國內外競相發(fā)展以高空間、高光譜和高動態(tài)為標志的新型衛(wèi)星遙感對地觀測技術，提供了海量的信息源，加大了人們對空間的認知，對信息世界的分類利用，但是人們的優(yōu)化算法遠遠跟不上豐富的信息源。對此，針對上面學習率算法，雖然有很大的改進，但處理速度還遠遠不夠，還需要優(yōu)化。

3.3 網絡隱層的節(jié)點數(shù)確定

BP人工神經網絡拓撲結構中，輸入節(jié)點與輸出節(jié)點是由問題的本身決定的，關鍵在于隱層的層數(shù)與隱節(jié)點的數(shù)目，在Robert Hecht Nielson等人研究指出，只有一個隱層的神經網絡，只要隱節(jié)點足夠多，就可以以任意精度逼近一個非線性函數(shù)【6】。

因此隱節(jié)點的確定關系到整個網絡的處理，下面是關于隱節(jié)點數(shù)確定的的方法：

其中Hpi隱節(jié)點i在學習第p個樣本時輸出，Hpj是隱節(jié)點j在學習第p個樣本時的輸出，N為學習樣本總數(shù)，而Hpi與Hpj的線性相關程度愈大，互相回歸的離散度越小，反之，則相反。

當同層隱節(jié)點i和j的相關程度大，說明節(jié)點i和j功能重復，需要合并；當樣本散發(fā)度Si過小，說明隱節(jié)點i的輸出值變化很少，對網絡的訓練沒起到什么作用，可以刪除。因此根據這樣規(guī)則可以進行節(jié)點動態(tài)的合并與刪除。

4.特征因子算法加入

神經網絡在遙感圖像分類中的優(yōu)勢越來越明顯，很多人對其進行了研究與應用。對此，本文對前人的算法進行了優(yōu)化，主要是進行網絡權值修正速度的加速，在算法優(yōu)化中，引入了數(shù)學中的特征因子加速收斂方法，其保證精度下，使網絡的迭代收斂速度大大加快。

具體算法思想過程如下：在BP神經網絡學習階段，當遙感圖像的特征樣本數(shù)據由輸入層到隱含層，然后再傳輸?shù)捷敵鰧樱詈蟮玫降妮敵鰯?shù)據與目標數(shù)據會產生誤差，然后在返回到隱含層來調整網絡權值，直至誤差達到所要求的精度范圍為止。在迭代過程中，為了使誤差迅速減小到精度范圍內，特征因子算法被引入到網絡權值調整上：

在第一次迭代 ：

其中x0為輸入向量，y1為第一次輸出向量，T為目標向量，第一次迭代生成的T1為目標向量T的近似值，Tk+1為迭代N次（1，2，3，…）目標向量T的近似值。在運用特征因子迭代收斂加速方法中，比以往的算法得到優(yōu)化，加速了網絡權值調整的收斂速度，且使結果的精度得到保證。

5.實驗過程與精度評定

本次實驗是在Matlab環(huán)境下開發(fā)的神經網絡工具箱中來進行展開的，神經網絡工具箱是MATLAB環(huán)境下開發(fā)出來的許多工具箱之一。它以人工神經網絡理論為基礎，利用MATLAB編程語言構造出許多典型神經網絡的框架和相關的函數(shù)【7】。此工具箱可以用來對BP神經網絡訓練函數(shù)的創(chuàng)建，下面是具體的實驗過程：

（1）選取QuickBird衛(wèi)星影像，在影像上選取各類別的特征樣本，要求樣本數(shù)量得足夠多。然后進行特征選取，一般是選取象元的多光譜特征的特征向量，以此確定特征矩陣p。為了方便在訓練階段的學習，需把向量值歸一化，在根據特征向量，確定輸入層節(jié)點數(shù)為5。

（2）進行BP神經網絡的構建，其中隱層網的節(jié)點數(shù)是根據前面提到的方法，節(jié)點數(shù)經過合并與刪除之后最終確定為25；根據待分類影像的類別分別是公路用地、內陸灘涂、旱地、水工建筑用地、裸地、坑塘水面、林地、水庫水面、采礦用地、城市、村莊、水澆地、設施農用地、建制鎮(zhèn)、果園、灌木林地、風景名勝及特殊用地、其他林地、其他草地，輸出層節(jié)點數(shù)確定19；目標向量可用以下形式表示：

（1，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0） 表示公路用地

（0，1，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0） 表示內陸灘涂

（0，0，1，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0） 表示旱地

（0，0，0，1，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0） 表示水工建筑用地

（0，0，0，0，1，0，0，0，0，0，0，0，0，0，0，0，0，0，0） 表示裸地

（0，0，0，0，0，1，0，0，0，0，0，0，0，0，0，0，0，0，0） 表示坑塘水面

（0，0，0，0，0，0，1，0，0，0，0，0，0，0，0，0，0，0，0） 表示林地

（0，0，0，0，0，0，0，1，0，0，0，0，0，0，0，0，0，0，0） 表示水庫水面

以此類推直到最后類別的表示……

（0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，1） 表示其他草地

調用Matlab神經網絡工具箱中的函數(shù)，另外為了加入特征因子算法，需要創(chuàng)建網絡的權值學習函數(shù)learnc，p1是輸入訓練樣本，p2是輸入未知樣本向量。部分代碼如下：

net=newff（minmax（p），[25，19]，{‘tansig’，‘logsig’}，‘traingdx’，‘learnc’）；

net.trainParam.show=300；

net.traimParam.epochs=1600；

net.train.goal=0.01；

net=init（net）；

net=train（net，p1，T）；

Ye=sim（net，p2）；

（3）在步奏（2）的基礎上，進行訓練學習。創(chuàng)建的網絡權值函數(shù)加入特征因子后，在學習階段收斂速度明顯增快 。使調整后的網絡權值盡快達到了用戶設定精度范圍。

（4）學習階段完成后，開始進行分類階段。把未分類的QuickBird衛(wèi)星影像的特征向量值輸入到神經網絡中，進行分類，根據輸出向量y與目標向量T進行對比，然后把象元分類到自己所屬的類別區(qū)。直到影像被分類完為止。

（5）分類結果圖如下：

（6） 下面是對分類結果進行精度評定，采用誤差矩陣法來評定精度。總體精度可達到93.89%，其他各個類別的用戶精度和生產者精度都很高，最低的不低于82.43%，滿足用戶的需求，達到使用的目的。

6.結束語

BP神經網絡的非線性映射，自適應功能等優(yōu)勢已在遙感圖像分類中得到廣泛的應用，本文基于前人的優(yōu)化算法，提出了在網絡權值調整過程中的特征因子迭代加速算法，使學習階段的權值調整速度明顯加快。但在分類精度上改變較小，在提高精度上，是以后繼續(xù)研究改進的方向。

參考文獻

[1] 葉世偉 史忠植（譯） 神經網絡原理 北京：機械工業(yè)出版社，2004

[2] Dony R D，et al. Neural network approaches to image compression[J].Proc IEEE，1995，83：288-303.

[3] 史忠植.智能科學[M].北京：清華大學出版社，2006.

[4] 劉幺和，陳睿，彭偉，等.一種BP神經網絡學習率的優(yōu)化設計[J].湖北工業(yè)大學學報，2007，22（3）：1-3.

[5] 陳思 一種BP神經網絡學習率的改進方法[J].長春師范學院學報（自然科學版），2010.8.25-27

[6] 李曉峰，徐玖平，王蔭清等。BP人工神經網絡自適應學習算法的建立及其應用[J].系統(tǒng)工程理論與實踐，2004.5 . 3-4

[7] 樓順天，等.《基于Matlab的系統(tǒng)分析與設計---神經網絡》. 西安：西安電子科技大學出版社，2000.8.23-40

篇8

關鍵詞：微機繼電保護技術；概念；構成；趨勢

中圖分類號： F406 文獻標識碼： A 文章編號：

前言：微機繼電保護的智能化方便了繼電保護的調試工作，極大的減少了對硬件維護量。尤其是，其憑借數(shù)字化、智能化、網絡化及較強的數(shù)字通訊能力，極大的提高了微機繼電保護的快速性、選擇性、靈敏性、可靠性等性能，在促進電力系統(tǒng)管理、維護的信息化、遠程化的同時，提高了電力系統(tǒng)的安全經濟運行的水平。因此，我們可以清楚的認識到微機繼電保護的重要性。以下筆者根據多年從事微機繼電保護的實際工程經驗，對電力系統(tǒng)微機繼電保護系統(tǒng)的構成特點及發(fā)展趨勢進行粗淺的探究，以供參考。

1．微機繼電保護概述

1.1 基本概念

微機繼電保護是以數(shù)字式計算機為基礎來構成的繼電保護，其硬件以微處理器為核心，配以合適的輸入輸出通道、人機接口、通訊接口等；隨著計算機技術及網絡技術的持續(xù)快速的發(fā)展，加之微機保護相比于傳統(tǒng)繼電保護裝置有著更加顯著的優(yōu)勢，日益在電力系統(tǒng)中得到廣泛應用。

1.2 微機繼電保護系統(tǒng)的構成

（1）管理與保護故障錄波器的接口，實現(xiàn)對不同廠家的保護及故障錄波器的數(shù)據采集及轉換功能。通常情況下，對保護的運行狀態(tài)進行巡檢，接收保護的異常報告。當電網出現(xiàn)故障后，接收、保護故障錄波器的事故報告。

（2）管理與遠動主站的接口，把裝置異常、保護投退，以及其它關鍵的信息通過遠動主站進行實時上送到調度端。

（3）管理、修改保護定值。

（4）主動或者按照服務器的要求傳送事故報告，執(zhí)行服務器發(fā)出的對指定保護與故障錄波器進程查詢的命令。服務器設置在調度端，可由一臺或者多臺高性能計算機構成。

通過以上的功能劃分可看出，客戶機與服務器間的數(shù)據交換量并不是太大，僅在電網出現(xiàn)故障后，因為與故障設備有關聯(lián)的廠站的客戶機需向服務器傳送詳細的故障報告，此時才會有較大的信息量。所以客戶機與服務器間的聯(lián)絡，在目前的使用情況下，完全可采用調制解調器來進行異步通信，若有更好的條件，建議盡量采用廣域網來實現(xiàn)數(shù)據的交換。

2．微機繼電保護技術發(fā)展的趨勢

2.1 自動化、智能化

隨著我國智能電網概念的提出及相關技術標準的制定，必須加快智能電網相應配套的關鍵技術與系統(tǒng)的研發(fā)速度。對于微機繼電保護技術，可深入挖掘神經網絡、遺傳算法、進化規(guī)劃模糊邏輯等智能技術微機繼電保護方面的應用前景，充分發(fā)揮技術生產力的作用，從而使常規(guī)技術難以解決的實際問題得到解決[4]。

2.2 自適應控制技術

于20世紀80年代，自適應繼電保護的概念開始興起，其可定義為能根據電力系統(tǒng)的運行方式與故障狀態(tài)的變化而能夠對保護性能、特性或定值進行實時改變的新型繼電保護。其基本思想就是盡最大可能使保護適應電力系統(tǒng)的各種變化，從而保護的性能得到進一步的改善。其憑借能改善系統(tǒng)響應、增強可靠性、提高經濟效益等方面的優(yōu)勢，在輸電線路對距離、變壓器、發(fā)電機的保護及自動重合閘等領域得到了廣泛的應用。

2.3 人工神經網絡的應用

20世紀90年代以來，神經網絡、遺傳算法、進化規(guī)劃、模糊邏輯等人工智能技術在電力系統(tǒng)的多個領域都得到了應用，保護領域內的一些研究工作也開始轉向人工智能領域的研究。專家系統(tǒng)、人工神經網絡、模糊控制理論在電力系統(tǒng)繼電保護中的應用，為其持續(xù)發(fā)展注入了新的活力。

基于生物神經系統(tǒng)的人工神經網絡具有分布式存儲信息、并行處理、自組織、自學習等特點，其應用研究得到較迅速發(fā)展，目前主要集中在人工智能、信息處理、自動控制和非線性優(yōu)化等方面。近年，在電力系統(tǒng)微機繼電保護領域內出現(xiàn)了用人工神經網絡來實現(xiàn)故障類型的判別、故障距離的測定、方向保護、主設備保護等技術。我國相關部門也都對神經網絡在電力系統(tǒng)微機繼電保護中的應用進行了相關的研究。

2.4 可編程控制器在繼電保護中的應用

可編程控制器可簡單的視為具有特殊體系結構的工業(yè)計算機，相比于一般計算機具有更強的與工業(yè)過程相連的接口，以及更適應于控制要求的編程語言；用PLC通過軟件編程的方式來代替實際的各個分立元件之間的接線，來解決在由繼電器組成的控制系統(tǒng)里，為了完成一項操作任務，要把各個分立元件如繼電器、接觸器、電子元件等用導線連接起來的問題是非常容易的；此外，為了減少占地面積，還可以用PLC內部已定義的各種輔助繼電器來取代傳統(tǒng)的機械觸點繼電器。

2.5 變電所綜合自動化技術

現(xiàn)代計算機、通信、網絡等技術為改變變電站目前監(jiān)視、控制、保護、故障錄波、緊急控制裝置、計量裝置，以及系統(tǒng)分割的狀態(tài)，提供了優(yōu)化組合與系統(tǒng)集成的技術基礎。繼電保護和綜合自動化的緊密結合己成為可能，主要體現(xiàn)在集成與資源共享、遠方控制與信息共享。以遠方終端單元、微機保護裝置做為核心，把變電所的控制、信號、測量、計費等回路納入到計算機系統(tǒng)中，從而將傳統(tǒng)的控制保護屏進行取代，大大降低變電所的占地面積及對設備的投資，使二次系統(tǒng)的可靠性得到提高。伴隨著微機性價比的不斷提高，現(xiàn)代通信技術的快速發(fā)展，以及標準化規(guī)定制度的陸續(xù)推出，變電站綜合自動化已經成為了熱門話題。根據變電站自動化集成的程度，可將未來的自動化系統(tǒng)劃分為協(xié)調型自動化與集成型自動化兩類。

結束語：

總之，隨著電力系統(tǒng)的高速發(fā)展及計算機、通信技術的不斷進步，繼電保護技術將會向自動化，智能化，自適應控制技術，變電站綜合自動化技術，人工神經網絡、PLC技術的應用等趨勢發(fā)展，在確保我國電力系統(tǒng)的安全穩(wěn)定運行，以及國民經濟的快速持續(xù)增長中發(fā)揮越來越大的作用。

參考文獻

[1]文玉玲，孫博，陳軍.淺談微機繼電保[J].新疆電力技術，2009，（4）：26-28.

[2]楊志越，李鳳婷.微機繼電保護技術及發(fā)展[J].電機技術，2011，（3）：46-47.

[3]王彬.淺論電力系統(tǒng)微機繼電保護的技術應用[J].中華民居，2011，11：162，163.

篇9

關鍵詞：軟計算 聚類算法 進化計算 神經網絡 模糊邏輯

中圖分類號：TM714 文獻標識碼：A 文章編號：1007-9416(2012)02-0146-02

1、引言

數(shù)據挖掘技術歷經十幾年的發(fā)展，各種算法不斷涌現(xiàn)，多學科間交叉，其中包括數(shù)理統(tǒng)計、人工智能、機器學習等，這些算法已經成功地運用于數(shù)據挖掘，解決了很多的實際問題。近年來，人們對軟計算理論進行了廣泛地研究，特別是將這些算法運用于數(shù)據挖掘，解決了許多傳統(tǒng)聚類算法無能為力的聚類問題，為聚類算法的研究開辟了新領域。本文將介紹軟計算[1]中比較典型的幾種技術在數(shù)據聚類中的應用。

2、傳統(tǒng)聚類分析算法簡介

聚類分析是數(shù)據挖掘的重要技術之一。聚類就是把相似度最大的樣本歸為一類的過程。在這個過程中，數(shù)據是被無監(jiān)督訓練來處理的。從現(xiàn)有的文獻中可以知道很多種類的數(shù)據聚類算法，這些方法正廣范應用于數(shù)據聚類技術中，對信息的處理起到了巨大的作用，但也存在著不足[2]。這些算法在實現(xiàn)過程中，容易陷入局部最優(yōu)，而得不到全局最優(yōu)解。隨著所處理數(shù)據的不斷變化它們的缺點和不足就會表現(xiàn)出來。人們想出了很多的策略對這些經典的聚類算法進行改進，得到了很好的效果。盡管這樣，對于很多的聚類問題，傳統(tǒng)的聚類算法也是束手無策的。

3、軟計算簡介

軟計算[3]，也稱為“計算智能”，是人工智能的重要組成部分，它是研究模擬人類的思維或生物的自適應、自組織能力，來實現(xiàn)計算技術智能性的一門新學科。模糊邏輯的創(chuàng)始人L.A.Zadeh提出了“軟計算”的概念，并指出其關鍵技術和應用領域。軟計算促進了各種智能理論、模型和方法的綜合集成研究，有利于解決更為復雜的問題。進化計算、人工神經網絡和模糊邏輯這三項技術已經成為了軟計算的主要的支撐技術。通常軟計算得到的結果是近似最優(yōu)的，例如進化計算用來進行最優(yōu)解的搜索；人工神經網絡用來對數(shù)據進行分類；模糊集用來處理不確定性的概念及其推理的過程。與傳統(tǒng)聚類方法相比，這些算法使系統(tǒng)的智能性更強，彌補了傳統(tǒng)算法的一些不足。

4、數(shù)據挖掘中的軟計算方法

4.1 進化計算

4.1.1 遺傳算法

遺傳算法[4]是軟計算中的一種進化計算算法，基本思想是優(yōu)勝劣汰為原則，用概率傳遞規(guī)則代替確定性的規(guī)則，對包含可能解的群體反復使用遺傳學的基本操作，不斷生成新的群體，使種群不斷進化，同時以全局的搜索技術搜索和優(yōu)化群體中的最優(yōu)個體，以求得滿足要求的最優(yōu)解。遺傳算法在組合優(yōu)化問題、機器學習、人工生命等領域顯示出了它的應用前景和潛力。

4.1.2 人工免疫系統(tǒng)

人工免疫系統(tǒng)[5]是進化計算的一種新型算法，基本思想是借鑒生物免疫系統(tǒng)各種原理和機制而產生的各種智能系統(tǒng)的統(tǒng)稱。它是一種自動識別、自我組織的自適應系統(tǒng)，由幾個基本功能組成，有組織地分布于身體的各個部位。免疫系統(tǒng)的主要功能是識別身體內的細胞（或分子），把這些細胞分為自體和非自體細胞，非自體細胞又被進一步地識別和分類，便于免疫系統(tǒng)以適當方式刺激身體地防御機制，殺死有害的非自體細胞，生物免疫系統(tǒng)的學習是不斷的識別外部抗原和自己身體內部的自有細胞而演化地進行的。聚類過程實質上就是免疫系統(tǒng)不斷產生抗體，識別抗體，最后產生可以捕獲抗原的最佳抗體的過程。

4.2 人工神經網絡

人工神經網絡是迅速發(fā)展起來的一個研究領域。它是運用人類神經的運動機理，模擬人腦的思維，通過神經元間的相互作用來完成運算。神經網絡不僅具備了人類的某些思維特性，而且同時具備了強大的學習能力。人工神經網絡對數(shù)據挖掘的貢獻主要是在規(guī)則的提取和自組織上，它對分類或決策分析是非常重要的。基于神經網絡的聚類算法比較著名的方法有：競爭學習和自組織特性映射，這兩種方法都涉及有競爭的神經元。人工神經網絡有很多的優(yōu)良特性，適用范圍很廣，對于復雜問題有其獨特的解決方案和處理過程。人們對神經網路進行了大量的研究，目前有許多成熟的網絡模型應用于實際中。

4.3 模糊邏輯方法

模糊邏輯[6]是一種應用最早的軟計算方法，可以說它的發(fā)展導致了軟計算理論的出現(xiàn)。模糊邏輯理論研究在社會生活的各個領域均有廣泛的應用。目前，模糊技術被認為是另一種不同功能的數(shù)據聚類的方法。模糊聚類是運用模糊理論對數(shù)據進行模糊劃分的一種分析方法，基于這一概念人們提出了許多數(shù)據聚類算法。

4.4 混合方法

混合的方法是指以上技術的綜合運用，這里特別強調各種技術相互協(xié)作。軟計算理論產生不是僅研究單項技術，主要是研究如何將這些技術集成起來。例如模糊－神經結合了模糊邏輯和神經網絡這兩種方法，建立了模糊神經網絡系統(tǒng)，它把神經網絡的優(yōu)點與模糊邏輯可以解決模型中不確定、模糊的知識特點結合了起來。這種設計，使該系統(tǒng)具有了模糊推理、模糊決策等功能。同時利用模糊聚類分析的特點，解決了模糊神經網路搜索時間長和易陷入局部最優(yōu)的缺陷。這些方法均體現(xiàn)出各種智能技術協(xié)同工作的優(yōu)勢。通過大量的研究表明混合方法應用數(shù)據挖掘具有十分優(yōu)良的特性。

5、算法總結

以上對一些常見的軟計算方法運用于數(shù)據聚類的基本原理進行了闡述。聚類問題實質上是一個線性整數(shù)規(guī)劃問題，軟計算方法在處理這類問題時，與傳統(tǒng)方法相比，優(yōu)勢還是比較明顯的。它們具有各自的特點：(1)遺傳算法可實現(xiàn)全局并行搜索，搜索空間大且不斷優(yōu)化，在求解大規(guī)模優(yōu)化問題的全局最優(yōu)解方面具有廣泛的應用。它對初始值不敏感和不易陷入局部最優(yōu)解，在處理聚類問題時可保持良好的全局分布特性；(2)人工免疫系統(tǒng)理論還處于研究和發(fā)展階段，具有很多的不穩(wěn)定因素，與遺傳算法具有相同之處，在獲取全局最優(yōu)結方面顯示了優(yōu)越性，算法實現(xiàn)相對簡單；(3)由于神經網絡的黑箱問題、收斂速度慢和學習訓練時間很長等缺點，所以神經網絡先前被認為不適合應用于數(shù)據挖掘，但它處理分類和決策問題是特別有效的；(4)模糊聚類方法被廣泛使用，人們對其研究的時間也較長，它所得到的聚類結果較穩(wěn)定，準確性較高。

隨著各種智能技術的不斷完善，軟計算理論已經得到了迅速的發(fā)展。這為數(shù)據聚類技術提供了許多有效的方法，也將不斷地推動數(shù)據聚類技術向前發(fā)展。

參考文獻

[1]L.A.Zadeh. Fuzzy logic, neural networks, and soft computing[J]. Communications of the ACM,1999,37:77-84.

[2]朱明,數(shù)據挖掘[M].合肥:中國科學技術大學出版社,2002.

[3]張智星等.神經-模糊和軟計算[M].西安:西安交通大學出版社,2000.

[4]湛燕,楊芳,王熙照.基于遺傳算法學習聚類算法的中心個數(shù)[J].計算機工程與應用,2003,16:86-87.

[5]莫宏偉.人工免疫系統(tǒng)原理與應用[M].哈爾濱:哈爾濱工業(yè)大學出版社,2002.

[6]聶承啟,聶偉強,彭云.數(shù)據挖掘中的模糊聚類分析[J].計算機工程與應用,2003,33:184-186.

篇10

Abstract: The paper evaluated urban land use efficiency for Liaoyang city by using the model of BP neural network and indexes system during 2000~2009. The BP neural network was applied and trained by training data after having dealed the evaluation indexes with dimensionless mode. The results indicated that land use efficiency index of Liaoyang city is rising.

關鍵詞： 土地利用效益；BP神經網絡；遼陽市

Key words: land use efficiency；BP neural network；Liaoyang city

中圖分類號：F293.2 文獻標識碼：A文章編號：1006-4311（2011）18-0007-02

0引言

城市土地是城市形成和發(fā)展的基礎，是城市社會、經濟、政治、文化等各項活動載體，城市土地資源利用的合理性，直接關系到城市的可持續(xù)發(fā)展[1]。當前，我國正努力建設資源節(jié)約型社會，提倡節(jié)約集約利用稀缺的土地資源，迫切需要實現(xiàn)城市土地的高效利用，防止城市土地的無序、攤大餅式擴張。城市土地利用效益是指城市土地在數(shù)量、質量的空間和時間上安排、使用和優(yōu)化，從而給整個城市帶來的經濟、社會、生態(tài)、和環(huán)境效益的總和[2]。本文從經濟、社會、生態(tài)效益三個方面構建城市土地利用效益評價指標體系，采用人工神經網絡模型，對遼陽市2000~2009年的城市土地利用效益進行定量評價，以期為遼陽市城市土地資源的高效利用和科學管理及相關政策的制定提供借鑒。

1研究區(qū)概況

遼陽市位于遼寧中部，南鄰鞍山，北依沈陽，東臨本溪，西與遼河油田接壤，地處東經122°35′04″~123°41′00″；北緯40°42′19″~41°36′32″。全市土地總面積4731平方公里，總人口185萬，其中市區(qū)面積574平方公里，城市建成區(qū)面積92平方公里。

2評價指標體系的建立

在指標體系構建過程中應該遵循科學性、系統(tǒng)性、相對完備性以及可操作性等原則[3-4]，根據研究區(qū)域實際狀況，從經濟效益、社會效益、生態(tài)效益三個方面，選取具有代表性的指標構成城市土地利用效益評價指標體系。

3人工神經網絡評價模型的建立

3.1 BP神經網絡的原理BP網絡模型是一種基于反向傳播學習算法的多層網絡模型，其基本思路是把網絡學習時輸出層出現(xiàn)的與“事實”不符的誤差，歸結為連接層中各節(jié)點間連接權及閾值的“過錯”，通過把輸出層節(jié)點的誤差逐層向輸入層逆向傳播，以“分攤”給各連接節(jié)點，從而可算出各連接節(jié)點的參考誤差，并據此對各連接權進行相應的調整，使網絡適應要求的映射[5]。

3.2 城市土地利用效益的人工神經網絡模型評價采用三層BP神經網絡模型，借助MATLAB R14的神經網絡工具箱函數(shù)實現(xiàn)模型評價。第一層為輸入層，共有14個節(jié)點，即為評判城市土地利用效益的14個指標。由于評價指標的量綱不同，且數(shù)據變化范圍較大，不便于分析和計算。因此，對各評價指標值進行無量綱化處理，即每一指標數(shù)據除以各自指標中的最大值，將數(shù)據劃歸在[0，1]范圍之內。本文以隸屬度函數(shù)對各指標進行標準化，歸一化后得到采用模糊數(shù)學表示的隸屬函數(shù)，并且采用隸屬度的概念表示每一項指標。

網絡層數(shù)確定由1個輸入層、1個輸出層和1個隱含層組成。對于隱含層節(jié)點數(shù)的確定比較復雜，對于節(jié)點采用Sigmoid型節(jié)點的多層前饋神經網絡，只要有足夠多的隱節(jié)點，它們都能把所需要的輸入信號變成線形獨立的隱節(jié)點增廣向量。在實際操作過程中，根據經驗選取節(jié)點數(shù)為12個。學習參數(shù)的確定采用參數(shù)η（學習速率），α（動量系數(shù)）自適應調整的方法。

根據遼寧省統(tǒng)計年鑒、遼陽市統(tǒng)計年鑒，本文采用2000-2009年的大連、沈陽、鞍山等6城市的數(shù)據，對其作為樣本對網絡進行訓練，用遼陽市2000-2009年數(shù)據作為測試樣本，得到網絡計算結果（見圖1）。通過對計算結果與已有訓練成果進行分析來研究神經網絡模型的模擬精度，最后網絡的終止參數(shù)為：經過1478次訓練后，網絡的性能就達到了要求。得出遼陽市2000~2009年城市土地利用效益程度分別0.3621、0.3647、0.3905、0.4003、0.4250、0.4574、0.5360、

0.6141、0.7578、0.8235。

4評價結果分析

4.1 評價結果等級劃分運用特爾菲法，經過三輪專家征詢、統(tǒng)計、分析，將遼陽市土地利用效益水平劃分為4個等級：低度效益（0~0.35），一般效益（0.35~0.50），較高效益（0.50~0.80），高度效益（0.80~1），城市土地利用效益評價分級成果見表2。

4.2 評價結果分析從遼陽市城市土地利用效益水平評價結果可知，2000年到2005年處于一般水平，2006-2008年土地利用效益處于較高水平，2009年土地利用效益處于高度水平。研究期內遼陽市的土地利用整體效益水平呈上升趨勢，從2000年的0.3621增加到2009年的0.8235，增長速度較快，年均增長率為14.2%。

對照指標體系，從三大評價指標來看，經濟效益水平變化幅度比較明顯，呈大幅度上升趨勢，而社會效益和生態(tài)效益水平變化比較緩慢。經濟的快速發(fā)展對土地利用是把雙刃劍，科學的發(fā)展方式可以促進土地利用效益的整體提高，反之，則使土地利用效益整體降低。通過以上分析可看出遼陽市城市土地利用效益的提升主要是由于經濟效益的高速發(fā)展，而社會效益和生態(tài)效益沒有顯著地變化，然而經濟效益、社會效益和生態(tài)效益是城市發(fā)展中不可或缺的三項重要指標，不可過分地依賴某個因素，而應注意三者之間的相互聯(lián)系和相互制約，更多地考慮三方面協(xié)調發(fā)展，共同促進土地利用效益的提高。因此，在今后遼陽市的發(fā)展中，要在經濟快速增長的同時，更加注重城市土地利用的結構調整，使社會、經濟、生態(tài)等各項指標穩(wěn)步提高，最終提升土地利用的整體效益。

5結語

城市土地利用效益評價具有模糊性、非線性等特點。一般的評價方法很難同時考慮到這幾個方面。BP人工神經網絡利用其非線性映射能力，能夠實現(xiàn)對其識別和映射。在利用該模型時只需要將網絡訓練好，就可以用來進行大批量的數(shù)據處理，而且評價結果客觀、合理。

參考文獻：

[1]劉喜廣，劉朝暉.城市土地利用效益評價研究[J].華中農業(yè)大學學報（社會科學版），2005（4）：91~95.

[2]申海元，陳瑛，張彩云.西安市土地利用綜合效益研究[J].土壤通報，2009，40（2）：209-213.

[3]陳靜，付梅臣，陶金等.唐山市土地利用效益評價及驅動機制[J].資源與產業(yè)，2010，12（2）：60-63.