導語：如何才能寫好一篇神經網絡隱含層的作用，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

關鍵詞:神經網絡；故障診斷；RBF神經網絡

BP神經網絡隨著計算機技術和智能控制技術的發展,使得各種系統的復雜程度和智能化程度越來越高,因此整個系統的安全性問題和可靠性問題日益受到關注,一旦系統中出現某些細小的故障,如果不能及時檢測和排除,就可能造成整個系統的癱瘓,甚至造成災難性的后果。因此,故障預測與診斷就顯得尤為重要。現有的故障診斷方法有很多,其中一種很有生命力的方法就是以知識為基礎的診斷辦法,因為它是以不需要對象的精確數學模型為前提的,而神經網絡故障診斷方法是這類方法中的一個重要分支。筆者曾利用BP神經網絡構建智能故障診斷系統,通過實驗仿真結果的分析,證明BP神經網絡能夠有效地完成故障診斷任務,但是BP神經網絡在應用中也存在一定的局限性,近幾年提出的徑向基函數RBF在某些方面可以彌補BP神經網絡存在的局限性,理論上認為RBF更適用于故障診斷,但缺乏實證。因此,筆者建立了RBF網絡模型,利用在文獻[2]使用過的相同數據進行仿真訓練,確定其在故障診斷中的實際作用。

1RBF神經網絡知識的相關知識

1.1RBF神經網絡原理RBF神經網絡采用徑向基函數作為隱含層單元形成的隱層空間的“基地”,可以直接映射到隱層的輸入向量空間。非線性映射關系的確定是以徑向基函數的中心點的確定為前提的。網絡的輸出是線性加權隱層單元的輸出,對神經網絡的權值可以通過線性方程或LMS直接獲得(MMSE)的方法,這樣可以避免局部極小問題還可以加快學習速度。1.2RBF神經網絡結構RBF神經網絡的拓撲結構是一種三層前饋網絡,與它相似的還有多層前饋網絡。RBF網絡的隱層節點組成一個輻射狀的功能,這里可以利用高斯函數。輸入層節點只將輸入信號傳輸到隱含層,輸出層節點通常是簡單的線性函數。隱含層節點中的函數(核函數)產生對輸入信號的回聲,即當輸入信號接近核函數的中心范圍時,隱含層節點將產生大的輸出。X、Y、Z分別為輸入節點、隱含層節點和輸出節點。隱含層單元的作用相當于在輸入模式的變化,低維模型的輸入數據被轉換到高維空間,輸出層的分類和識別也由它完成。高斯函數作為RBF網絡的隱含層單元的變換函數,在輸入數據中進行特征提取是由隱含層單元的變換作用完成的。1.3RBF神經網絡學習算法方差σi、基函數的中心Ci以及隱含層與輸出層間的權值ωi,是RBF網絡學習需要的3個參數。正交最小二乘法、自組織選取中心法是RBF網絡學習用得比較多的兩種算法。聚類方法通常用來確定Ci和σi。而LMS方法通常用來確定權值ωi,當然也可以使用偽逆法或最小二乘法求解。其中LMS權值ωi的調整規則為:nnnXd()()()(eTn）n()1(;n）nnX)(e)(,這里η為學習速率;n為迭代次數;nX)(為隱含層輸出;nd)(為期望輸出;ω(n)為權值向量。RBF網絡的設計比普通前饋網絡的訓練要簡單和節約時間,因為它的結構相對簡單。只要滿足權值和閾值都正確以及隱含層的神經元數目足夠多的前提,那么此種網絡就能達到精確逼近任意函數的目的。

2診斷系統的結構

圖1為利用RBF神經網絡構建的診斷系統結構圖。

3應用實例與仿真

該文以某裝備電源模塊故障診斷為例,構建RBF神經網絡故障診斷系統,并進行故障診斷與仿真。故障類型對應的神經元輸出如表1所示。RBF模型是由一層隱含層來構成的,在模型中最關鍵的是隱含層的中心及隱含層節點數的確定,在該例中確定為利用K均值聚類法來實現,當然在此過程中還必須考慮實際輸出樣本數據的影響。筆者主要關注網絡的學習精度以及網絡的泛化能力,因為從這兩點可以看出網絡是否能實現預定目標。校正參數σi、Ci和ωi是網絡訓練的主要任務,這樣才能使性能指標趨于最優,以滿足誤差及精度要求。該文采用正交最小二乘法OSL訓練RBF網絡。我們不斷訓練網絡,以達到確定最佳隱含層神經元個數的目的,最終我們確定其個數為120。對RBF神經網絡的訓練我們通過MATLAB工具來實現,對于一個隱含層為120的RBF神經網絡模型來說,高斯函數作為其輸入層與隱含層之間的作用函數。表2為此網絡模型的實際仿真結果數據,根據對表2中數據的分析比較,可以得出結論,即通過RBF神經網絡進行故障診斷其準確率可達92.9%。

4結語

該文在對徑向基函數RBF神經網絡研究的基礎上,提出了基于RBF神經網絡知識的故障診斷專家系統模型,在對具體實例的研究過程中通過實驗仿真,證明此種方法具有方法容易,結構簡單,訓練花費時間短,診斷結果準確率高的優點,而且克服了BP神經網絡容易陷入局部最小的缺點,尤其適用于專家知識難以整理和表示的故障診斷。但是,RBF在處理多故障方面同樣存在著不足,今后若能將RBF神經網絡與專家系統等其他故障診斷方法結合使用,必將提高系統的綜合診斷能力,這將是筆者下一步的研究方向。

參考文獻

[1]霍一峰,王亞慧.基于Spiking的RBF神經網絡故障診斷算法[J].北京建筑工程學院學報,2011,27(4):57-61.

[2]方莉俐,張兵臨,禹建麗,等.用人工神經網絡預測電鑄自支撐金剛石-鎳復合膜沉積結果[J].稀有金屬材料與工程,2006,35(4):638-641.

篇2

【關鍵詞】傅里葉變換；BP神經網絡；自適應濾波

1.引言

BP神經網絡具有很強的非線性函數逼近、自適應學習和并行信息處理能力，為解決未知不確定非線性信息處理和自適應濾波提供了一條新途徑[1]。但隨著BP神經網絡輸入向量維數增加，其隱含層層數和學習次數也會相應增加，降低了網絡的自適應性且延長了學習時間。傅里葉變換是數字信號處理領域一種很重要的算法，其思想是將原始信號從時域變換到頻域，通過對頻譜圖的分析，去除高頻處的頻率分量，再將頻域變換回時域，達到信號去噪濾波的功能[2]。利用傅里葉變換與神經網絡相結合的方法，對信息進行預處理，減少信息處理量，再利用神經網絡強大的非線性函數逼近能力，從而實現信號的自適應濾波，減少網絡的待處理信息，增強網絡的自適應能力，其工作過程如圖1所示。

2.BP神經網絡模型

2.1 神經元結構模型

人工神經網絡是人腦的某種抽象、簡化或模擬，它由大量的神經元廣泛互聯而成。網絡的信息處理由神經元之間的相互作用來實現，網絡的學習和識別取決于神經元間連接權系數的動態演化過程[3]，其模型可以用圖2來表示。

輸入向量與輸出y之間的關系式；

其中權值向量，輸入向量，閾值，活化函數。

2.2 BP神經網絡

BP神經網絡（Back-Propagation Neural Network）是一種無反饋的前向網絡，網絡中的神經元分層排列，除了有輸入層、輸出層之外，還至少有一層隱含層，BP學習算法是調整權值使網絡總誤差最小。具有隱含層BP網絡的結構如圖3所示，圖中設有M個輸入節點，L個輸出節點，隱含層含有n個神經元。其中為網絡輸入向量，為實際輸出向量，為網絡的目標輸出，為網絡的輸出誤差。BP網絡學習流程：

（1）網絡初始化，確定輸入向量與輸出向量的維數、目標向量、學習次數以及允許的誤差值。

（2）輸入學習規則，初始化權值W。

（3）計算輸出層的輸出與目標向量的誤差。

（4）判斷誤差精度是否達到預定值，沒有則調整權值W并改變學習規則。

（5）誤差精度達到預定值，學習結束。

3.數值仿真與分析

在MATLAB神經網絡工具箱中提供了實現BP神經網絡的創建，仿真環境以單輸入單輸出的非線性函數，分別作為輸入函數和目標函數。本文同時采取傅里葉變換、BP神經網絡以及基于傅里葉變換的BP神經網絡分別進行仿真濾波[5][6]，表1給出了三種算法在MATLAB軟件中的仿真主要步驟。圖4為y（t）與x（t）函數的波形圖，圖5是經傅里葉變換處理后的x（t）波形，圖6是BP網絡自適應濾波后的x（t）波形，圖7是基于傅里葉變換的BP網絡作用后的x（t）自適應濾波后的波形。通過比較圖5、6、7可以明顯看出傅里葉變換的濾波效果出現高頻振蕩，BP網絡自適應濾波在形狀上幾乎與元波形一致，但是在某些點位置出現疵點，而基于傅里葉變換的BP神經網絡自適應濾波后波形幾乎和目標函數y（t）波形完全一致。

4.結束語

本文通過三種算法在MATLAB中的仿真分析，可以得出在輸入向量維數比較大時，可以采用基于傅里葉變換的BP神經網絡的方法對含噪信息進行處理，不僅可以降低隱含層的層數，增加自適應能力和減少學習時間，而且在波形擬合上可以達到更好的效果。

參考文獻

[1]華，李雷，趙力.基于BP神經網絡的自適應補償控制方法[J].計算仿真，2012，29（7）：202-205.

[2]張德豐.MATLAB小波分析[M].北京：機械工業出版社，2009，39-48.

[3]楊芳，馬建偉.基于神經網絡自適應濾波的低頻Prony分析[J].中國水能及電氣化，2012，86（4），32-37.

[4]李國勇，楊麗娟.神經模糊預測控制及其MATLAB實現[M].北京：電子工業出版社，2013：17-22.

篇3

關鍵詞：BP神經網絡；虛擬測溫；加熱爐

中圖分類號：TP27 文獻標識碼：A

概述

在大型連軋生產線中，加熱爐給鋼坯加熱是第一道工藝，加熱的效果直接影響到后步軋制工序，對軋制品質有著重要的影響。傳統的測溫方式是在加熱爐各個區段放置熱電偶測量各個加熱爐段的爐體溫度，由于加熱爐高溫、粉塵等各種的復雜環境，熱電偶的測溫品質不能完全得到保證，尤其在重要工藝溫度點上的熱電偶，一旦損壞則影響到軋線的正常生產。因此設計一套虛擬測溫系統對控制系統的穩定、順行有著重要作用。BP神經網絡能夠模擬非線性、時變性的復雜控制系統。基于此，我們利用BP神經網絡構建一套虛擬測溫系統，通過煤氣流量，空氣流量，煤氣熱值等關鍵溫控參數作為輸入，通過神經網絡的積算、反饋學習，得到一個虛擬測量值，該測量值跟熱電偶測量值進行比對，檢驗熱電偶的工作狀態；同時在確定熱電偶損壞的情況下，以虛擬測量值來代替熱電偶測量值，以保證軋線生產的順利進行。虛擬測溫系統對加熱爐溫度控制系統具有重要意義，能夠給企業帶來很大的經濟效益。

1系統設計

BP神經網絡是一種前向映射網絡，包含輸入層、隱含層、輸出層。通過對加熱爐的工藝參數進行分析，對于特定的一個加熱爐，影響加熱爐溫度的因素主要是煤氣熱值、煤氣流量、空氣流量，把該3個測值作為BP神經網絡的輸入層，隱含層的個數通過Matlab進行訓練后確定，把虛擬測溫值作為輸出層，從而構建出一個完整的BP神經網絡構架，具體的網絡圖如圖1所示：

圖1BP神經網絡圖

2系統實現

BP神經網絡是一種有導師學習的算法，通過從現場采集訓練樣本，利用Matlab訓練學習后得到最佳的隱含層個數，并得出各層的權值及閾值，然后利用C#構建的OPC平臺進行系統編程，最后投入現場進行測試應用，具體步驟如下：

(1)本系統從WINCC存儲的歷史數據庫中采集了3000組的煤氣熱值、煤氣流量、空氣流量、熱電偶測點值的歷史數據值作為訓練樣本。煤氣熱值、煤氣流量、空氣流量數據作為輸入訓練樣本，熱電偶測值作為輸出訓練樣本，經過歸一化處理后，導入Matlab環境中。

fid1=fopen('輸入樣本.txt’,‘r’);

[Input,count1]=fscanf(fid1,’%f’,[3,3000])

fid2=fopen('輸出樣本.txt’,’r’);

[Output,count2]=fscanf(fid2,’%f’,[1，3000])

(2)在Matlab環境下的命令窗口中輸入“nntool”命令，打開神經網絡工具箱的圖形用戶界面，網絡類型選擇“Feed-forward backprop”前向反饋類型；訓練函數選擇“TRAINLM”函數；性能函數選擇“MSE（均方誤差）”函數；網絡的層數首先選用兩層；點擊“Create”按鈕，就建好了該神經網絡，該神經網絡如圖2所示：

圖2神經網絡設置圖

(3)對神經網絡的權值、閾值進行初始化后，對神經網絡進行訓練，選取不同的隱含層個數分別對神經網絡進行訓練，然后觀察誤差曲線及均方誤差。經過測驗，本系統中效果最好的隱含層個數為2個，最終得到的效果曲線如圖3所示：

圖3神經網絡效果圖

(4)得到BP神經網絡的權值閾值后，對該神經網絡進行高級語言編程，在本系統中選擇了C#語言，通過構建OPC系統平臺，將該虛擬測溫系統作為二級系統投入現場進行系統測試。

3系統效果

該虛擬測溫系統已投入現場運行一年，運行穩定，能夠很好的反應溫度變化趨勢，正常情況下跟熱電偶測值誤差保持在3%以內，期間有效診斷熱電偶故障2次，未出現誤報現象，有效的實現了系統目的，為軋鋼的生產順行提供了有力的技術保證，運行效果如圖4所示：

圖4系統運行效果圖（黃線為熱電偶測值，綠線為虛擬值）

結語

該虛擬測溫系統有效的利用了BP神經網絡解決非線性、時變系統的能力，構建了一套行之有效的虛擬測溫系統，無論是對于加熱爐的穩定還是軋線的穩產順行都起了重要作用，為企業帶來了可觀的經濟價值。

篇4

1.1混合神經網絡的結構本文提出的混合神經網絡是在CC神經網絡的基礎上，在隱含層的生成中增加了乘算子的部分以提高神經網絡非線性辨識能力。乘算子和加算子結構上的自增長基本相互獨立，既保留了原CC神經網絡的優點，同時也使得乘算子的特點得到發揮。混合神經網絡的結構如圖3所示，網絡的隱含層由兩種不同類型的算子(乘算子和加算子)共同構成。這種混合隱含層根據構成的算子類型分為加法部分和乘法部分。通過相關性s來確定其中一個隱含層部分增加節點，加法部分采用級聯結構與原CC神經網絡相同，乘法部分采用單層結構避免其階數過高，最后兩個隱含層的輸出同時作為輸出節點的輸入進行輸出。

1.2引導型粒子群算法針對混合隱含層的結構、權值和閾值的求取,本文提出了一種新的引導型粒子群算法（GQPSOI）。GQPSOI通過控制粒子i和j之間的距離來保證粒子不會收斂得太快從而陷入局部極小值，同時根據各粒子p(i,:)和p(j,:)之間的距離D(i,j)以及粒子間平均距離D來計算淘汰度Ew決定淘汰粒子并對其進行量子化更新。

1.3混合神經網絡算法流程混合神經網絡的自增長過程如圖4所示。網絡增長的具體步驟如下。（1）網絡結構初始化。網絡中只有輸入層和輸出層，無隱含層，如圖4(a)所示。（2）使用GQPSOI算法訓練輸出權值。（3）對網絡性能進行判斷，如滿足要求，則算法結束，網絡停止增長，如圖4(d)所示，否則轉到下一步。（4）建立隱含層節點候選池(內含一個乘算子和一個加算子)，分別將候選隱含層節點代入網絡結構并使用GQPSOI算法以最大相關性原理訓練兩個候選節點，分別計算兩個候選節點與現有殘差Ep,o的相關性s。（5）選擇相關性s最大的候選節點，作為新的隱節點加入網絡結構，如圖4(b)、(c)所示，并固定新隱節點的輸入權值。轉移到步驟（2），對整個網絡的輸出權值進行調整。

2混合神經網絡網絡性能測試

2.1GQPSOI算法性能測試首先應用幾個經典函數[9]對GQPSOI算法的性能進行了評價，并將實驗結果與幾種常見的算法進行了對比。這些函數包括：F1（Sphere函數）、F2(Rosenbrock函數)、F3(Rastrigin函數)、F4(Griewank函數)、F5(Ackley函數)，評價函數的維數為10。經過30次獨立運行實驗，每次的函數評價次數（FEs）[12]為100000。表1給出了GQPSOI算法與離子群算法（PSO），遺傳算法（GA）以及差分進化法（DE）在30次獨立運行評價試驗中得到最優值的平均值和標準差。從表1中可以看出，在F2的實驗中GQPSOI算法在30次獨立運行中的平均值為7.746×10−12，這一結果明顯優于PSO算法的29.55和GA算法的97.19，略優于DE的2.541×10−11。從F1、F3、F4、F5的實驗結果也都可以看出GQPSOI算法明顯優于其他算法。實驗證明了GQPSOI算法的有效性和適用性，能夠應用于神經網絡的參數和結構調整。

2.2燃料電池的建模實驗

2.2.1基于燃料電池輸出電壓的模型質子交換膜燃料電池[13-15]作為一種高效的清潔能源，在過去的幾十年里取得了巨大的進展。在正常操作條件下，一片單電池可以輸出大約0.5～0.9V電壓。為了應用于實際能源供應，有可能需要將多片單電池串聯在一起。具有級聯結構的質子交換膜燃料電池實驗裝置如圖5所示。從圖5可以看出，電池引出電流I，電池溫度T，H2和O2壓力PH2和PO2會影響電池電壓。將混合神經網絡用于質子交換膜燃料電池的軟測量建模，選用電池引出電流I，電池溫度T，H2和O2壓力PH2和PO2會影響電池電壓的變量作為輸入變量。將56片單電池的串聯輸出電壓作為其輸出，模型的目標函數取實際輸出值與模型輸出值得均方根誤差(使其最小)。混合神經網絡中加法部分以及輸出層的神經元傳遞函數采用S型函數，GQPSOI算法中設置種群數30，最大迭代步長為1000，引導粒子起作用的概率設置為2%。圖6為5kW質子交換膜燃料電池堆的實驗裝置。該實驗系統采用增濕器與電池堆分體設置，參數檢測采用傳感器-直讀式儀表方式，氣體和水的流量測量采用轉子流量計，電堆采用電阻負載，可直接測量電堆的輸出電流、電壓或功率。電池堆參數見表2。

2.2.2結果與分析實驗條件如表3所示。取燃料電池裝置輸出的前100個值作為訓練樣本，后100個值作為測試樣本。分別用CC神經網絡，CC-GQPSOI和混合神經網絡進行訓練，當訓練目標函數小于0.1或最大隱含層節點數達到30時網絡停止增長，訓練結束。表4給出了其最大相對誤差和均方根誤差的對比。圖7顯示了最終訓練預測數據與輸出數據之間的對比。從表4可以看出CC-GQPSOI和混合神經網絡分別在隱含層節點數為4和6時達到訓練要求，相較于CC神經網絡的30個隱含層節點具有較小的網絡結構。同時CC-GQPSOI和混合神經網絡的均方根誤差(3.0723×10−2和3.8606×10−2)也相較于CC神經網絡的均方根誤差(1.0354)具有更高的精度。從圖8和圖9的泛化結果來看，混合神經網絡的預測誤差保持在0.7以內，相對誤差(絕對誤差與被測量真值之比)保持在1.25%以內。CC-GQPSOI的誤差在1以內。相對誤差保持在3%以內。從實驗結果可以看出，混合神經網絡可以精確地預測出燃料電池裝置的輸出，反映了實際工況，具有良好的應用前景。

3結論

篇5

只有清楚地了解電梯控制系統的運行原理才能夠及時準確的診斷出電梯故障原因，因此清楚的了解電梯運行原理,每一個電梯維修人員必須要做到。電梯運行過程總體上可分為以下幾個階段：第一、登記層外召喚信號和登記內選指令階段；第二、電梯門關閉或者電梯按照系統指令停運階段；第三、啟動階段；第四、在到達信號記錄的樓層前進行減速制動；第五、平層開門階段。在整個過程中電梯需要從外界接收信號并處理，然后完成相應的指令或者輸出信號，由此可以將電梯看作是一個完整的獨立的系統，只需要外界給予相應的信號就可以自動的做出動作。電梯系統內部復雜的構件緊密的結合在一起，正是如此才使得電梯系統故障具有了復雜性、層次性、相關性以及不確定性的特點。

二、神經網絡技術基本原理

生物學上的神經是由一個個簡單的神經元相互連接進而形成了復雜的龐大的神經系統，同理，神經網絡就是由大量簡單的處理單元相互連接形成的復雜的智能系統。單獨的處理單元類似于一個神經元，是一個可以接受不同信息但是只輸出一種信息的結構單位。神經網絡系統與生物學神經系統相似的是具有自我修改能力，它可以同時接收大量的數據并進行統一的分析處理，進而輸出相應的處理結果。這就使得神經網絡系統具有了高度容錯性、高度并行性、自我修改性、學習性以及高度復雜性，也正是由于這些特性才使的利用神經網絡技術能夠及時準確的查明電梯故障原因并得出故障解決方案。電梯故障診斷中應用的神經網絡模型分為三個層次：輸入層、接收外部信號或者是電梯自我檢測信息（如載重信息）；隱含層、對接收到了大量數據進行相應的分析處理；輸出層、將記錄著動作命令的數據傳送出來。在電梯出現故障時，首先可以通過神經網絡模型快速確定故障發生在哪一層達到節約時間的目的。但是神經網絡也會因為收斂速度過于慢、訓練強度太大或者是選擇的網絡模型不好等問題導致診斷結果受到影響。

三、神經網絡模型在電梯故障診斷中的應用分類

神經網絡模型已經成為了如今電梯故障診斷中應用最廣泛的技術模型，相比于傳統方式它具有診斷速度快、故障原因命中率高的優點，因此引起了各方面專業人士的強烈關注，并在他們的不懈努力下得到了發展與創新。它跨越多個專業領域、通過對各種復雜的高難度工作的不斷的發展與改進出現了越來越多的應用模型，下面主要介紹了當前應用最普遍的BP網絡模型，并且簡單的引入并介紹了近年來新興的模糊神經網絡模型和遺傳小波神經網絡模型。

（一）BP網絡模型

BP神經網絡作為神經網絡應用最廣泛的一種，它多應用的誤差反向傳播算法使其在模式識別、診斷故障、圖像識別以及管理系統方面具有相對先進性。基于BP網絡的電梯故障診斷技術就是通過學習故障信息、診斷經驗并不斷訓練，并將所學到的知識利用各層次之間節點上的權值從而表達出來。BP網絡系統的主要診斷步驟主要可以分為三步。第一步：對輸入輸出的數據進行歸一化處理，將數據映射到特定的區間。第二步：建立BP網絡模型，訓練BP網絡模型。第三：通過已經訓練好的網絡模型對原來的樣本進行全面的檢測。算法步驟：a、在一定的取值范圍內對數據進行初始化；b、確定輸入值數值大小，計算出預期輸出量；c、用實際輸出的值減去上一步得到的數值；d、將上一步得到的誤差分配到隱含層，從而計算出隱含層的誤差；e、修正輸出層的權值和閾值，修正隱含層的權值；f、修正隱含層的閾值，修正隱含層和輸入層的權值。

（二）遺傳小波神經網絡模型

遺傳算法運用了生物界的優勝劣汰、適者生存的思想對復雜問題進行優化，適用于復雜的故障，起到了優化簡化問題的作用。對局部數據進行詳細的分析是小波法最大的特點，所以它被譽為“數字顯微鏡”。遺傳算法小波神經網絡就是運用小波進行分解的方法分解模擬故障信號，將得到的數據進行歸一化，將歸一化后的數值輸入到神經網絡模型中。它融合了神經網絡、小波分析和遺傳算法三者所有的優點。基于遺傳小波神經網絡的電梯故障診斷的一般步驟為：測試節點信號采樣、小波分解、故障特征量提取、歸一化得到訓練樣本集、遺傳算法優化、得到故障類型。遺傳小波神經網絡模型在故障原因復雜、數據信息量巨大的電梯系統的應用中能夠發揮更大的作用。

（三）模糊神經網絡模型

模糊神經網絡模型就是創新性的將神經網絡與模糊理論結合到一起。它采用了廣義的方向推理和廣義的前向推理兩種推理方式。與其它兩種模型不同的是，它的語言邏輯、判斷依據和結論都是模糊的。但是它的數據處理能力還有自我學習能力并沒有因此而變差，反而更加豐富了它的定性知識的內容。在處理實際問題的過程中，首先要建立所有可能發生的故障的完整集合，其次將所有的故障發生原因歸入到同一個集合中去，最后就是建立故障和原因的關系矩陣。分別叫做模糊故障集、模糊原因集、模糊關系矩陣。相較于BP網絡模型，這種模型更加的簡單易行，充分發揮了神經網絡和模糊邏輯的優點，不會因為故障原因過于復雜而失去診斷的準確性，在原本豐富定性知識和強大數據處理能力的基礎上具有了很大的自我訓練能力。

四、結語

篇6

摘要：選擇9個化學參數和合適的擴展系數，對一批26個拮抗藥化合物的活性建立了廣義回歸神經網絡識別模式。選擇21個樣本為訓練集，5個樣本為預測集。結果表明，該種網絡具有設計簡單與收斂快的優點，可用于小樣本問題的學習，獲得滿意的預測結果。

關鍵詞：廣義回歸神經網絡；模式識別；活性有機分子的結構

活性關系研究是藥物分子設計的重要手段。一般用線性回歸方法總結各種量子化學、結構化學參數與分子生物活性的關系，但當訓練集各分子的結構相差較大時，上述關系有時呈現強非線性。不少作者采用BP網絡進行藥物活性的模式識別研究，都取得相當的成果。然而，由于BP神經網絡是基于梯度下降的誤差反向傳播算法進行學習的，所以網絡訓練速度通常很慢，而且很容易陷入局部極小點，盡管采用一些改進的快速學習算法可以較好地解決某些實際問題，但是在設計過程中往往都要經過反復的試湊和訓練過程，無法嚴格保證每次訓練時BP算法的收斂性和全局最優性。此外，BP網絡隱層神經元的作用機理及其個數選擇已成為BP網絡研究中的一個難點問題［1，2］。為此，本研究采用廣義回歸神經網絡用于拮抗藥化合物活性的模式識別研究，結果滿意。

1廣義回歸神經網絡的基本結構與算法［3~6］

廣義回歸神經網絡（GRNN）是Donald F.Specht在1991年提出的一種新型神經網絡，其具體公式推導和理論可參見文獻。該種網絡建立在數理統計的基礎上，能夠根據樣本數據逼近其中隱含的映射關系，即使樣本數據稀少，網絡的輸出結果也能收斂于最優回歸平面。目前，該神經網絡在在系統辯識和預測控制等方面得到了應用。

GRNN由一個徑向基網絡層和一個線性網絡層組成，網絡結構如圖1所示。

圖1廣義回歸神經網絡結構圖

a1i表示第一層輸出a1的第i個元素，W1表示第一層權值矩陣，P表示輸入向量，R表示輸入向量的維數。Q=K=輸入/目標矢量對的個數。網絡的第一層為徑向基隱含層，單元個數等于訓練樣本數Q，該層的權值函數為歐幾里德距離度量函數（用dist表示），其作用是計算網絡輸入與第一層的權值之間的距離，b1為隱含層閾值。符號“.”表示dist的輸出與閾值b1的元素與元素之間的乘積關系，并將結果形成凈輸入n1，傳送到傳遞函數。隱含層的傳遞函數為徑向基函數，常用高斯函數Ri(x)=exp(-x-ci 2σ2i)，式中， σi決定第i個隱含層位置處基函數的形狀。網絡的第二層為線性輸出層，其權函數為規范化點積函數（用nprod）表示，計算出網絡的向量n2，它的每個元素就是向量a1與權值矩陣W2每行元素的點積再除以向量a1各元素之和的值，并將結果n2送入線性傳遞函數，計算網絡輸出。

GRNN連接權值的學習修正仍然使用BP算法，由于網絡隱含層節點中的作用函數（基函數）采用高斯函數，高斯函數為一種局部分布對中心徑向對稱衰減的非負非線性函數，對輸入信號將在局部產生響應，即當輸入信號靠近基函數的中央范圍時，隱含層節點將產生較大的輸出，由此看出這種網絡具有局部逼近能力，這也是該網絡之所以學習速度更快的原因。此外，GRNN人為調節的參數少，網絡的學習全部依賴數據樣本，這個特點決定了網絡得以最大限度地避免人為主觀假定對預測結果的影響。

2拮抗藥化合物活性的預測

取文獻［7］所列的26個化合物為本工作的樣本集，數據見表1。表1文獻所列的26個化合物樣本列表將上述原始數據作歸一化處理，調用MATLAB語言工具箱中的函數newgrnn（P，T，SPREAD）進行廣義回歸神經網絡設計，計算結果如表2。

表2的計算結果表明，廣義回歸神經網絡對訓練樣本有很好的預測結果。在此基礎之上，嘗試從26個樣本中取出5個（表1中的5、10、15、20、25號樣本）作為預測集，其余21個樣本作為訓練集，訓練結果和預測結果分別列于表3和表4。表226個訓練樣本的計算結果 表45個預測樣本的計算結果

在調用net=newgrnn(P，T，SPREAD)函數進行網絡設計中，對上述計算當擴展系數SPREAD取0.1，0.2或0.3時，網絡預測效果好；當SPREAD大于0.3時，網絡預測效果開始變差。

3結論

上述結果表明，廣義回歸神經網絡具有設計簡單與收斂快的優點，具有較好的預測和泛化能力，為復雜的、高度非線性問題的模式識別提供了可選手段。傳統的BP神經網絡在確定網絡連接權值時具有隨機性，其預測結果存在差異，不利于實際應用［8］。而廣義回歸神經網絡在選取輸入神經元數目之后，網絡的結構和連接權值也隨之確定，在訓練過程中不涉及隨機數，而且需要的樣本量少。因此，廣義回歸神經網絡可作為藥物構效關系研究的有效手段。

參考文獻

1陳念貽，欽佩，陳瑞亮，等.模式識別方法在化學化工中的應用. 北京：科學出版社，2000，88~90.

2陳錦言，姚芳蓮，孫經武，等.人工神經網絡及其在化學領域中的應用. 計算機與應用化學，1999，16(2)：111~114.

3Sprecht D F.A General Regression Neural Network.IEEE Trans Neural Network，1991，2：568~576.

4Sprecht D F. The General Regression Neural Network Rediscove

red. Neural Networks，1993，6：1033~1034.

5周昊，鄭立剛，樊建人，等. 廣義回歸神經網絡在煤灰熔點預測中的應用. 浙江大學學報（工學版），2004，38(11)：1479~1482.

6趙闖，劉凱，李電生，等.基于廣義回歸神經網絡的貨運量預測. 鐵道學報，2004，26(1)：12~15.

7Livinstone D J.Multivariate Data Display Using Neural Networks，Chapter 7 in "Neural Networks in QSAR and Drug Design"，Edited by J Devillars，London：Academic Press，1996，157~176.

篇7

關鍵詞：再生混凝土 廣義神經網絡 bp神經網絡 強度預測

abstract：presents a new method by introducing grnn. using the actual data as the forecasting analytic stylebook，and comparing the forecasting result to the bp neural network.the results of the study show that the grnn has greater accuracy than the bp neural network，which is more effective to forecast the strength of concrete

key words：recycled concrete grnn bp neural network forecasting prediction of strength

引言

再生混凝土是通過對廢棄混凝土進行一系列的回收利用等過程而形成的新混凝土。再生混凝土技術可以實現廢棄混凝土的有效回收利用，對于保護環境、節約資源、發展生態建筑具有重要的意義，通常被認為是發展綠色生態混凝土的主要措施之一。近些年來，眾多學者對再生混凝土進行了一系列研究，取得了許多成果。對于普通混凝土而言，灰水比是進行混凝土強度預測的重要影響因素；但是對再生混凝土來說，其影響因素眾多，這些因素與強度之間的關系非常復雜，采用傳統的線性模型無法準確描述它們之間的關系。在實際應用中，確定再生混凝土的抗壓強度較復雜，往往需要進行許多復雜的實驗，從而測定其抗壓強度。廣義神經網絡（gnn）在函數逼近能力和學習速度上有較強的優勢，調整的參數較少，只有一個分布常數，可以更快的找到合適的預測網絡。鑒于此，本文利用grnn對再生混凝土28d的抗壓強度建立了預測模型，并利用此模型對不同配比條件下的再生混凝土的抗壓強度進行了預測。

1、廣義神經網絡的基本原理

廣義回歸神經網絡是徑向基函數神經網絡的一個分支，是一種基于非線性回歸理論的前饋式神經網絡模型。網絡的第1層為徑向基隱含層，神經元個數等于訓練樣本數，該層的權值函數為歐式距離函數（ 用表示），其作用為計算網絡輸入與第1層的權值■之間的距離，■為隱含層閾值。隱含層的傳遞函數為徑向基函數，常用高斯函數 作為網絡的傳遞函數，■稱為光滑因子，■越大，則基函數越平滑。

網絡的第2層為線性輸出層，其權函數為規范化點積權函數，計算網絡的向網絡的第2層為線性輸出層，其權函數為規范化點積權函數，計算網絡的向量■，它的每個是由向量■和權值矩陣■中每行元素的點積再除以向量■的各元素之和得到的，提供給線性傳遞函數■，計算網絡輸出。

廣義回歸神經網絡連接權值的學習修正使用bp算法，由于網絡隱含層結點中的作用函數采用高斯函數，高斯函數作為一種局部分布對中心徑向對稱衰減的非負非線性函數，對輸入將在局部產生響應，即當輸入信號靠近基函數的中央范圍時，隱含層結點將產生較大的輸出，由此可以看出這種網絡具有局部逼近能力，這也是該網絡學習速度快的原因.此外，grnn中人為調節的參數少，只有一個閾值，網絡的學習全部依賴數據樣本，這個特點決定了網絡能最大限度地避免人為主觀假定對預測結果的影響。

2、基于grnn的再生混凝土抗壓強度預測建模

2.1模型變量的選取

影響再生混凝土抗壓強度的因素眾多，本文參照文獻[8]提取與再生混凝土強度相關的變量，把水泥、粉煤灰、水、砂、石、再生骨料、減水劑等7個參數作為輸入變量，輸出為抗壓強度。

2.2 數據處理

本文以文獻[8]中的24個數據作為數據樣本。其中前9個數據作為測試數據，后15個數據作為訓練數據，實驗數據如表1所示。為了預測的準確性，對原始數據在[0，1]范圍內進行歸一化處理。

3、實例分析

篇8

[關鍵詞] 旅游 公共服務 神經網絡

一、旅游公共服務體系的內容

旅游公共服務體系應包括旅游城市服務系統、旅游信息服務系統、旅游救助服務系統，消費者權益保護系統，突發事件應急系統，旅游志愿者服務系統等子系統。

公共服務體系是由政府主導系統和市場導向系統相結合共同構建，是區域提供旅游公共服務產品或信息滿足游客物質和精神需求的系統。

1.政府主導系統以政府提供服務為主導，包括咨詢、投訴處理、交通、信息化服務、救助、志愿者等服務。旅游咨詢服務、旅游信息提示、旅游緊急救援等公共服務項目，旅游集散中心、旅游廁所、標志標牌等公共服務設施，城市旅游交通、通訊、金融、衛生等相關配套服務等。上述服務設施、服務項目和服務內容，既是連接各服務環節的重要鏈條，也是提升旅游產品質量的基礎性因素，由于其公益性特征或很低的投資回報，決定了必須充分依靠政府部門加以建設。

2.市場導向系統以市場化運作為主，包括文化、商業、住宿餐飲、娛樂等服務。旅游公共服務一方面是對既有的、城市正常的公共服務適應旅游所提出的特殊要求而開展的提升和整合；另一方面是為應對旅游，所特別提供的、有針對性的公共服務產品，使游客感到安全、舒適、便捷。一個城市旅游公共服務能力代表了整個城市的公共服務水平，具有指標性的作用。旅游公共服務體系應體現旅游的專業服務，符合規劃，以人為本，協調配合，可持續發展。

二、人工神經網絡簡介

人工神經網絡是由大量的簡單元件(神經元、模擬電子電路、光學元件等)廣泛相互聯結而成的非線性的、動態的復雜網絡系統。

在理論上輸入層有n個神經元，則隱含層有2n+1個神經元，輸出層有 m個神經元的網絡拓撲結構可以實現任意的連續映射。

人工神經網絡模型一般由處理單元、激活狀態、單元輸出、連接模式、連接規則、激活規則、學習規則等六個部分組成。

目前應用最為廣泛的ANN模型是BP神經網絡，BP神經網絡是一種單向傳播的多層前向神經網絡，分為輸入層、隱含層和輸出層，層與層之間采用全聯結方式，同一層單元之間不存在相互聯結。一個三層的BP網絡模型就能夠實現任意的連續映射。現在以一個簡單的三層人工神經網絡模型來介紹BP網絡的學習算法。輸入層有2個節點：X1和X2，隱含層有3個結點Y1，Y2，Y3。最后輸出Y。Wij代表輸入層各結點和隱含層各結點間的連接權重。則隱含層結點Yj的輸入值可以用（1）式來求得

而Yj(j=1,2,3)的輸出記為Yij(i=1,2;j=1,2,3)，則其輸出為下列的Sigmoid函數：

出最后所要求的最終的輸出值Y可表示為：

三、通過建立人工神經網絡研究旅游地公共服務體系與游客的滿意度

1.模型參數的確立：游城市服務系統（S1）、旅游信息服務系統（S2）、旅游救助服務系統（S3），消費者權益保護系統（S4），突發事件應急系統（S5），旅游志愿者服務系統等子系統（S6）。為了研究方便假定這六個因子間是相互獨立的。

2.用這六個因子作為人工神經網絡模型輸入層的神經元。

3.建立模型。

4.用三層BP網絡模型對公共服務體系進行模擬，根據BP網絡模型的映射原理，對于樣本集合X和輸出Y，可以假設其存在一映射F，即Yi=F（Xi）(i=1,2,3…n)，為了尋求F的最佳映射值，BP網絡模型將樣本集合的輸入、輸出轉化為非線性優化，通過對簡單非線性函數的復合，建立一個高度的非線性映射關系，實現F值的最優逼近。對于公共服務體系的仿真模擬，其輸入層節點為（6個神經元）：確立游城市服務系統(S1)、旅游信息服務系統(S2)、旅游救助服務系統(S3)，消費者權益保護系統(S4)，突發事件應急系統(S5)，旅游志愿者服務系統等子系統(S6)。游客滿意度為輸出點。記為Y。隱含層節點數為10，得出三層前饋反向傳播神經網絡模型。

篇9

關鍵詞：神經網絡；風險；政府投資項目

中圖分類號：F121　文獻標識碼：A　文章編號：1008-4428（2012）10-107　-02

一、BP神經網絡的研究

神經網絡工具箱是在MATLAB環境下開發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激活函數，如S型、線性、競爭層、飽和線性等激活函數，使設計者對選定網絡輸出的計算，轉變為對激活函數的調用。另外，可以根據各種典型的修正網絡權值的規則，加上網絡的訓練過程，利用MATLAB語言編寫各種網絡權值訓練的子程序。這樣一來，網絡的設計者可以根據自己的需要調用工具箱中有關神經網絡的設計與訓練的程序，使自己能夠從繁瑣的編程中解脫出來，集中精力思考和解決問題，從而提高效率和質量[1]。

二、BP神經網絡的創建及其初始化

MATLAB　7.1神經網絡工具箱中包含了許多用于BP網絡分析與設計的函數，其常用函數如表2-1。

創建一個BP神經網絡，調用格式：

net=newff

net=newff（PR，[S1　S2...SN1]，{TF1　TF2…TFN1　}，BTF，BLF，PF）

其中net=newff：用于在對話框中創建一個BP網絡；

PR：由每組輸入（共有R組輸入）元素的最大值和最小值組成的R×2維的矩陣；

Si：第i層的長度，共計N1層；

TFi：第i層的傳遞函數，默認為“tansig”；

BTF：BP網絡的訓練函數，默認為“trainlm”；

BLF：權值和閾值的BP學習算法，默認為“learngdm”；

PF：網絡的性能函數，默認為“mse”

執行結果：創建一個N1層的BP神經網絡。

TFi的值可以是任意的可微函數，如logsig、purelin等。BTF的值還可以選擇trainbfg、trainrp、trainbr等。PF的值可以是任何可微性能函數，例如mse、msereg。在訓練前饋神經網絡之前，必須設置權值和閾值的初始值。但當使用newff創建前饋神經網絡之后，網絡會自動初始化權值和閾值，缺省值都為0。如果要設置這些初始值，可以使用函數init（），命令格式為：net=init（net）。

函數init（）會根據網絡的初始化函數以及它的參數值來設置網絡權值和閾值的初始值，它們分別由參數net.initFcn和net.initParam表示。對BP神經網絡來說，參數net.initFcn的值是initwb，它使網絡的初始化采用了Nguyen-Widrow算法。

三、BP神經網絡的訓練及其結果分析

一旦網絡加權和偏差被初始化，網絡就可以開始訓練了。可以通過訓練網絡來做函數近似，模式結合，或者模式分類。訓練處理需要一套適當的網絡操作的例子——網絡輸入p和目標輸出t。在訓練期間網絡的加權和偏差不斷地把網絡性能函數net.performFcn減少到最小。前饋網絡的缺省性能函數是均方誤差mse——網絡輸出和目標輸出t之間的均方誤差。

BP神經網絡的訓練使用函數train（）和adapt（），在BP神經網絡的訓練算法中，都是通過計算性能函數的梯度，再沿負梯度方向調整權值和閾值，從而使性能函數達到最小。梯度下降算法有兩種模式，遞增模式和批處理模式。在遞增模式中，當每個樣本輸入應用于網絡之后，就對網絡的權值和閾值進行調整。而在批處理模式中，只有當所有的樣本輸入都應用于網絡之后，網絡的權值和閾值才會得到調整。MATLAB神經網絡工具箱提供了多種訓練函數，它們都是屬于批處理模式的訓練函數，主要可分為普通訓練函數和快速訓練函數。

當網絡訓練結束后，可以用激活函數（sim）仿真網絡的輸出，從而與目標輸出進行比較，來檢驗網絡性能。對于高維的多個輸入，可以方便的用該函數得到網絡的仿真結果。MATLAB還提供了函數postreg用于對網絡訓練結果的進一步分析，該函數利用了線性回歸的方法分析了網絡輸出和目標輸出的關系，即網絡輸出變化相對于目標輸出變化的變化率，從而評估了網絡的訓練結果。

四、BP神經網絡的模型構建分析

在建立BP神經網絡時，必將會遇到確定網絡最佳結構的問題，具體說就是給定了某個應用任務，如何選擇網絡的層數和每層應選多少個單元（節點）。

（一）輸入和輸出層的設計

輸入層起緩沖存儲器的作用，把數據源加到網絡上，其節點數目取決于數據源的維數，即這些節點能夠代表每個數據源[2]。所以保證數據的正確性、有用性、相關性就顯得尤其重要。人工神經元網絡只能處理表示成數值的輸入數據，一般將輸入數據標度到限定范圍[0，1]。輸入和輸出層的維數完全根據使用者的要求來設計，輸出神經元還可以根據類別進行編碼。

（二）隱含層的設計

隱含層起抽象的作用，即它能從輸入提取特征。1988年Cybenko指出，當各節點均采用S型函數時，一個隱含層就足以實現任意判決分類問題，兩個隱含層則足以表示輸入圖形的任意輸出函數。隱層單元數與問題的要求，輸入輸出單元的多少都有直接的關系[3]。隱層節點數過少時，學習的容量有限，不足以存儲訓練樣本中蘊涵的所有規律；隱層節點過多不僅會增加網絡訓練時間，而且會將樣本中非規律性的內容存儲進去，反而降低泛化能力。一般方法是湊試法：

1、先由經驗公式確定

2、改變m，用同一樣本集訓練，從中確定網絡誤差最小時對應的隱層節點數。

理論證明：具有單隱層的前饋網絡可以映射所有連續函數，只有當學習不連續函數時才需要兩個隱層。最常用的BP神經網絡結構是3層結構，即輸入層、輸出層和1個隱層，這也是本文將要采用的網絡結構。

參考文獻：

[1]飛思科技產品研發中心.神經網絡理論與MATLAB7實現[M].電子工業出版社，2005.

[2]袁曾仁.人工神經元網絡及其應用[M].清華大學出版社、廣西科技大學出版社，1999.

[3]袁曾仁.人工神經元網絡及其應用[M].清華大學出版社、廣西科技大學出版社，1999.

[4]孫星.風險管理[M].經濟管理出版社，2007.

[5]肖先波.基于BP神經網絡的公路建設項目風險分析[D].浙江大學碩士學位論文，2006.

作者簡介：

篇10

水工隧洞一般都有過水要求，加上其復雜的地質條件，因此正確的進行圍巖分類后采取相應的支護措施將對保證隧洞穩定性起決定性的作用。圍巖分類是一類非線性的綜合判定問題，用人工神經網絡方法來判別水工隧洞圍巖類別是一種新的嘗試和新的方法。

1．圍巖分類的判定依據

水工隧洞圍巖工程地質分類應以控制圍巖穩定的巖石強度、巖體完整程度、張開度、地下水力狀態和主要結構面產狀等五項因素綜合評分為依據，圍巖強度應力比為限定依據，見表1。

表1圍巖工程地質分類依據

指標名稱評價因素

巖石強度（A1）采用巖塊的單軸抗壓強度（MPa）

巖體完整程度（A2）采用完整性系數Kv

張開度（A3）考慮結構面的連續性、粗糙度和充填物

地下水狀態（A4）考慮地下水的發育程度，用單位洞長單位時間的涌水量

主要結構面產狀（A5）采用結構面走向與洞軸線的夾角

以上五個因素是控制圍巖穩定性的主要因素，圍巖的分類標準見表2。

表2圍巖工程地質分類標準

評價因素圍巖類別

Ⅰ（穩定）Ⅱ（基本穩定）Ⅲ（局部穩定性差）Ⅳ（不穩定）Ⅴ（極不穩定）

A1（MPa）>200100~20050~10025~50<25

A20.9~1.00.75~0.90.5~0.750.25~0.5<0.25

A3（mm）<0.50.5~11~33~5>5

A4(L/min·10m)<2525~5050~100100~125>125

A5(o)90~7575~6060~4545~30<30

2.水工隧洞圍巖分類的人工神經網絡模型

神經網絡系統是由大量的、簡單的處理單元廣泛的互相連接而形成的復雜的網絡系統。人工神經網絡模型最基本的有兩大類：一類是以Hopfield網絡模型為代表的反饋型模型，它具有非線性和動態性；另一類是以多層感知器為基礎的前饋模型。其中BP(BackPropagation)網絡是目前應用最廣泛的多層前饋神經網絡模型。本文采用BP網絡模型。

2．1BP神經網絡模型及其算法

BP神經網絡由輸入層、隱含層和輸出層三層感知器組成，每層由若干個神經元組成。輸入層接受信息，傳入到隱含層，經過作用函數后，再把隱結點的輸出信號傳到輸出層輸出結果。節點的作用函數選用Sigmoid函數，即：

（1）

BP神經網絡采用誤差逆傳播反學習算法。學習過程由正向傳播和反向傳播組成。在正向傳播過程中，輸入信號由輸入層經隱含層處理后傳向輸出層，每一層神經元的狀態只影響下一層神經元的狀態。如果在輸出層得不到一個期望的輸出，則轉向反傳播，將輸出信號的誤差按原來的連接通路返回，通過修改各層神經元的權值，使得誤差信號最小，得到合適的網絡連接權后，便可對新的樣本進行識別。BP網絡學習過程具體步驟如下：

（1）初始化，設置網絡結構，賦初始權值；

（2）為網絡提供一組學習樣本，包括M個樣本對（），輸入向量，輸出向量，n、m分別為輸入層和輸出層神經元個數，；

（3）對每個學習樣本P進行（4）~（8）；

（4）逐層正向計算網絡各節點的實際輸出：

(2)

其中，為神經元i、j之間的權值；為前層第i個神經元的實際輸出，為式（1）給出的函數；

（5）計算網絡輸出誤差：

第P個樣本的輸出誤差為(3)

其中，，分別為輸出層第j個神經元的期望輸出和實際輸出。

網絡總誤差為；(4)

（6）當E小于允許誤差或達到指定迭代次數時，學習過程結束，否則進行誤差逆向傳播，轉向（7）；

（7）逆向逐層計算網絡各節點誤差：

對于輸出層，(5)

對于隱含層，(6)

其中代表后層第個神經元。

（8）修正網絡連接權：，其中為學習次數，為學習因子，值越大，產生的振蕩越大。通常在權值修正公式中加入一個勢態項，變成：

(7)

其中，a稱為勢態因子，它決定上次學習的權值變化對本次權值更新的影響程度。

2．2圍巖分類的BP模型

在以表2中數據為基礎進行網絡訓練前，須對表中指標作如下處理：Ⅰ、Ⅴ類對應的指標取其界限值或平均值；Ⅱ、Ⅲ、Ⅳ類對應的指標取其平均值。作上述處理后，可以得到網絡訓練模型的5個學習樣本，如表3。

表3圍巖類別識別模型的學習樣本

類別樣本類別A1A2A3A4A5

P1Ⅰ2000.950.52582.5

P2Ⅱ1500.8250.7537.567.5

P3Ⅲ750.62527552.5

P4Ⅳ37.50.3754112.537.5

P5Ⅴ250.25512530

以上表中5個類別樣本作為神經網絡的學習樣本，在輸入層和隱含層各設置一個特殊單元作為閾值單元，其值設為1。模型結構如下圖1所示。

圖1圍巖類別分類的BP網絡模型

設圍巖類別為P1、P2、P3、P4、P5這5個類別樣本的預期輸出矢量，各分量定義為

網絡訓練時，當所有樣本在網絡輸出節點的實際輸出與網絡期望輸出之間的最大誤差小于預先給定的常數，即時學習結束。

網絡經過15000次訓練，每個樣本的網絡輸出與期望輸出最大誤差為0.2，絕大部分在0.1之內。應用訓練后的BP模型劃分新的圍巖類別樣本，等判定圍巖類別樣本W經網絡變換后輸出O與各期望輸出比較，設，。

如果，則，，即隧洞圍巖類別樣本屬于級。

3．沙灣隧洞的圍巖分類應用實例

東深供水改造工程沙灣隧洞位于深圳市北東面內15公理處，區域地勢東高西低。工程區域周圍沉積巖、巖漿巖和變質巖三大巖類均有出露。隧洞線路地帶分布的地層，除洞口溝谷部位為第四系松散堆積層外，其余均為侏羅系中統塘夏群碎屑巖，基本為單斜構造，但末端因受深圳斷裂帶影響，巖層產狀較為紊亂，地質條件復雜多變。

隧洞開挖后，測得三種圍巖地段的力學性質和環境條件，取三個樣本為a、b、c。用BP人工神經網絡判定該工程隧洞圍巖類別。

根據水利水電工程地質勘察規范，隧洞圍巖類別分為5級：Ⅰ（穩定）、Ⅱ（基本穩定）、Ⅲ（局部穩定性差）、Ⅳ（不穩定）、Ⅴ（極不穩定）。對照學習樣本各特征變量，用訓練好的BP模型對a、b、c三個樣本進行判定，其結果見表4。

表4沙灣隧洞三組樣本實測指標與圍巖類別判定結果

指標名稱實測指標值

abc

巖石強度（A1）2845100

巖體完整程度（A2）0.220.50.55

張開度（A3）341

地下水狀態（A4）1208025

主要結構面產狀（A5）305060

圍巖類別判定結果ⅤⅣⅢ

4．結論

水工隧洞圍巖類別判定，不僅影響因素多，而且具有很大的模糊性和不確定性。人工神經網絡是一門新興的交叉學科，它具有聯想、記憶功能和判別識別的模糊性等優點，用它來進行圍巖類別分類，不需對輸入輸出指標的關系作任何假設，這種關系是神經網絡從實例中自適應學習而獲得的，大大減少了人為因素的影響，省去了事后的經驗判斷。實踐證明，它在理論和應用上都是可行的和有實際意義的。

參考文獻