導語：如何才能寫好一篇神經網絡本質，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：邊坡；自組織映射神經網絡；BP神經網絡；權值

中圖分類號：TU753.8

文獻標識碼：B

文章編號：1008-0422(2008)05-0157-03

1引言

自從上世紀80年代以來，神經網絡技術已經得到了長足的發展。運用強大的神經網絡功能，可以對許多難以解決的問題求解。BP網絡現在已經廣泛應用于工程的各方面[1]，但是由于其自身的缺點，也存在很多問題。對于邊坡工程，由于測量手段、儀器、人的主觀性等原因，得出的數據不可避免的具有干擾性[2]，即用于訓練神經網絡的學習數據存在很大的噪聲，影響網絡的推廣及泛化能力[3]。

為了解決工程數據樣本在進行網絡計算時噪聲較大的問題，本文闡述了一種新的方法，即：首先將邊坡樣本的數據歸一化到[-1，1]區間，實現對樣本的“獎優罰劣”；然后利用自組織映射(SOM)神經網絡對各學習樣本數據進行分類，優化BP網絡的初始狀態，從而有利于適度控制BP網絡求解的誤差范圍。

2SOM網絡過程的推導

自組織競爭的主要目的是將任意維數的輸入信號模式轉變為一維或二維的離散映射，并且以拓撲有序的方式自適應實現這個轉變[4]。本文采用Kohonen模型推導適合用于工程樣本分類的自組織競爭神經網絡結構。

2.1 競爭過程

令m表示輸入數據的維數。從輸入空間中隨機選擇輸入模式記為

(1)

網絡中每個神經元的突觸權值向量和輸入空間的維數相同。神經元j的突觸權值向量記為

(2)

其中是網絡中神經元的總數。這里假定所有的神經元有相同的閾值；閾值是偏置取負。在通過選擇具有最大內積WjTX的神經元，確定興奮神經元的拓撲鄰域中心的位置。

因為基于內積WjTX最大化的最優化匹配準則在數學上等價于向量X和Wj的Euclid距離的最小化。用標號i(x)表示最優匹配輸入向量x的神經元，可以通過下列條件確定i(x)：

(3)

2.2 合作過程

設hj,i表示以獲勝神經元i為中心的拓撲鄰域，設di,j表示在獲勝神經元i和興奮神經元j的側向距離。它們必須滿足的條件為：

1) 當di,j=0時，hj,i達到最大值；

2) hj,i隨di,j絕對值的增加而單調遞減；

3) di,j∞，hj,i= 0。

本文選取高斯函數滿足以上條件，即：

由于對工程樣本的劃分采用一維模式即可，這里假定di,j是整數，而且有：di,j = | j - i |。

som算法中hj,i的寬度σ是隨時間的推移而收縮的，這里設定一個指數函數來描述這一衰減過程：

其中σ0是σ的初值，τ1是時間常數。將式(4)代入式(5)中可得：

2.3 自適應過程

由Kohonen模型可知網絡中神經元j的權值向量表示為：

式中：η是算法的學習率；g(yj)是響應yj的正的標量函數；wj是神經元j的突觸權值向量。

這里將g(yj)設定成一個線性函數以簡化計算：

將式(7)和式(8)代入式(9)可得：

由此可得更新權值向量wj(n+1)為：

為了得到更好的網絡性能，可以將學習率函數η(n)設定成時變形式，這也是它用于隨機逼近的要求。η(n)和hj,i一樣，從初始值開始，然后隨時間n增加而逐漸遞減。因此將它設定為一個指數函數：

其中τ2是另外一個時間參數。

3自適應過程的排序和收斂

根據式(11)，可以把網絡權值的自適應分解為排序和收斂兩個階段。要求對上述公式中的參數進行合適的設定。

3.1排序階段

3.1.1學習率函數η(n)初始值η0=0.1；然后遞減，但應該大于0.01;并設定時間常數τ2=1000。

3.1.2鄰域函數hj,i (n)的初始化應包括以獲勝神經元i為中心的所有神經元，然后隨時間慢慢收縮。這里通過設定時間常數τ1=1000/logσ0來實現。

3.2收斂階段

3.2.1當學習率η0.01。

3.2.2鄰域函數hj,i (x)應該僅包括獲勝神經元的最近鄰域，并最終減小到一個或零個鄰域神經元。

4無量綱化方法的選用

邊坡穩定性受到多種因素的影響，在分析各影響因素時，由于各分指標具有不同的量綱，且類型不同，故指標間具有不可共度性，難以進行直接比較，因此在綜合評價前必須把這些分指標按某種效用函數歸一化到某一無量綱區間[5]。顯然，構造不同的效用函數將直接影響最終的評價結果，因此效用函數的構造十分重要。

設P={P1,P2,???,PM}是評估對象集，Z={Z1,Z2,???,ZM}是綜合評價指標體系中的n個分指標，評價指標矩陣X如下：

式中，Xij代表第i個評估對象的第j個分指標值。記第j個分指標Zj的平均值 ，

則將原始指標值按以下公式(3.7)轉換到[-1,1]區間上的效用函數值Xij。

5實例及算法檢驗

將資料收集到的57個邊坡樣本[6~8]作為學習樣本，數據從略，并將原始數據歸一化到[-1，1]區間之后的邊坡樣本作為SOM網絡的輸入向量。

現在取目標邊坡如表1所示：

將待求邊坡樣本歸一化后與其它邊坡樣本一起輸入到已經訓練好的SOM網絡進行分類，可以得到與這兩組邊坡樣本相近的樣本集合。

網絡學習1000次后分類結果如圖1所示,其中箭頭所指的兩個樣本即為目標邊坡在分類結果中所處的位置，它們的網絡分類數值為57、81。對于56號樣本，可以取分類數值為39~76之間的17個樣本作為其學習樣本；57號樣本可以取分類數值為62~100之間的18個樣本作為其學習樣本。它們的學習樣本集合見表2。

為了驗證SOM網絡對邊坡樣本的歸類確實能夠提高網絡的性能，本文利用BP網絡設計了兩個試驗：

試驗(1)：用SOM網絡歸類后的學習樣本分別對兩組目標邊坡進行求解，然后觀察其網絡性能；

試驗(2)：用已得的全部55組邊坡樣本中的前20組樣本作為BP網絡的學習樣本，對兩組目標邊坡求解，然后觀察其網絡性能。

因為此處僅用來驗證SOM網絡的歸類結果，所以兩組試驗所用的BP網絡模型用同一初始設置。初始網絡權值為(-1,1)之間的隨機值、學習速率0.1、隱含層個數為1，隱含層單元數12。

在試驗1中，網絡在對樣本學習了4000次左右的時候，達到了收斂。網絡性能可以在圖2、圖3、圖4、圖5中看到。

試驗2，將55組邊坡樣本的前20組樣本作為網絡的學習樣本。網絡結果分析及誤差分布如圖6、圖7所示：

從以上兩個試驗的結果可以看到，試驗1的網絡結果明顯要好于試驗2；試驗1中兩個網絡的誤差也均較試驗2中的網絡誤差要小。這就證明經過SOM網絡分類得到的目標樣本確實能夠提高網絡的泛化、推廣能力，而且分類之后BP網絡的學習次數也較不分類時要少。

6結論

實際工程中，由于測量手段、儀器、人的主觀性等原因，得出的數據不可避免的具有干擾性，造成以往的邊坡樣本數據對網絡的學習形成很大的噪聲。

6.1本文推導的自組織映射神經網絡過程，可以自動對外界未知環境進行學習和仿真，適用于對邊坡樣本進行歸類。

6.2本文所述的方法可以剔除一些隱含的網絡干擾太大的樣本，通過對學習樣本的選擇提高BP神經網絡的計算精度。

6.3通過對55個邊坡樣本進行分析計算，相對于將不分類樣本作為學習樣本的同一BP神經網絡，本文所述的方法能得到精度更高的近似解。

6.4由于神經網絡方法的局限性，本文所述的方法不能反映邊坡樣本之間的實際區分界線，且計算中各參數的物理意義不明確。

參考文獻：

[1] 周維垣等.巖石高邊坡的穩定與治理.巖土工程的回顧與瞻[M].北京人民交通出版社，2001：15~24.

[2] 楊建剛.人工神經網絡實用教程[M].杭州:浙江大學出版社.2001：41~58.

[3] 何翔，劉迎曦.巖土邊坡穩定性預報的人工神經網絡方法[J].巖土力學,2003.10:32~34.

[4] 羅四維.大規模人工神經網絡理論基礎[M].北京:清華大學出版社，北方交通大學出版社.2004.57~70.

[5] 李炳軍，朱春陽，周杰.原始數據無量綱化處理對灰色關聯序的影響[J].河南農業大學學報.2002.36(2):199~202.

[6] 吳建生，金龍.遺傳算法BP神經網絡的預報研究和應用[J].數學的實踐與認識,2005.1(1):12~15.

[7] 熊海豐.基于神經網絡技術的邊坡穩定性評價[D].武漢理工大學,2003.

篇2

隨著社會工業化速度的不斷加速，能源的競爭愈來愈激烈。生物質能源作為一種可再生的清潔能源被廣泛認可，生物氣化技術就是利用生物質能的一種有效手段，對經濟的發展和環境的保護都起到積極作用。但是，生物氣化技術是一種熱化學處理技術，其工作過程十分復雜，包含著大量的不確定因素，這就需要運用生物質氣化爐的智能控制系統來達到預期的控制效果。新形勢下，積極運用模糊神經網絡對生物質氣化爐進行智能控制，是實現可靠控制效果的重要舉措。

【關鍵詞】模糊神經網絡 生物質氣化爐 智能控制

生物質氣化過程是一項復雜化學反應過程，具有非線性、不穩定性、負荷干擾等特性，只有實行智能控制才能受到良好的控制效果。模糊神經網絡作為智能研究比較活躍的領域，有效融合了神經網絡和模糊理論的優點，能夠有效的解決生物質氣化過程中的非線性、模糊性等問題，既保證控制的精確度，又能進行快速地升降溫。本文通過對模糊神經網絡的內涵特征進行全面分析，闡述了基于模糊神經網絡的生物質氣化爐的智能控制，并通過仿真實驗進行反復驗證。

1 模糊神經網絡的內涵功能

簡而言之模糊神經網絡就是具有模糊權值和輸入信號的神經網絡。模糊神經網絡是自動化控制領域內一門新興技術，其本質上是將常規的神經網絡輸入模糊信號，因而模糊神經網絡具備了模糊系統和神經網絡的優勢，集邏輯推理、語言計算等能力于一身，具有學習、聯想、模糊信息處理等功能。模糊神經網絡是智能控制和自動化不斷發展的產物，在充分利用神經網絡的并行處理能力的基礎上，大大提高了模糊系統的推理能力。

模糊神經網絡是科技發展的產物，有效吸收了神經網絡系統和模糊系統的優點，在智能控制和自動化發展等方面有著重要的作用，能夠有效地處理非線性、模糊性等諸多問題，在處理智能信息方面能夠發揮巨大潛力。模糊神經網絡形式多種多樣，主要包括邏輯模糊神經網絡、算術模糊神經網絡、混合模糊神經網絡等多種類型，被廣泛的運用于模糊回歸、模糊控制器、模糊譜系分析、通用逼近器等方面的研究中，隨著智能控制和自動化領域的不斷發展，模糊神經網絡廣泛應用于智能控制領域。

2 基于模糊神經網絡的生物質氣化爐的智能控制系統

2.1 溫度智能控制系統

生物質熱值、給料理以及一次風量等因素變化能夠影響到生物質氣化爐的爐溫，但是最重要的影響因素是在氣化爐工作過程中物料物理和化學反應的放熱和吸熱。由于生物質氣化工作過程中的生物質熱值的變化范圍較小，在實際運行中很難測量與控制，有時可以忽略不計，同時，該工作過程中存在非線性和大滯后等問題，采用傳統的數學模型達不到預期測量效果，因此需要利用模糊神經網絡設計氣化爐爐溫控制系統，不斷的提高溫度的控制效果。模糊神經網絡首先根據當前溫度以及設定溫度設，主控制器對最優的生物質物料添加量進行預測，然后由副控制根據該添加量，全面跟蹤控制送料速度，從而能夠進行精確上料和控制爐溫。模糊神經網絡系統十分龐大復，其中包含了大量錯綜復雜的神經元，蘊含對非線性的可微分函數訓練權值的基本理念。模糊神經網絡具有正向傳遞和反向傳播兩個不同的功能，在信息的正向傳遞中，采用逐步運算的方式對輸入的數據信息進行處理，信息依次進入輸入層、隱含層最終到達輸出層。假如在輸出層獲得的輸出信息沒達到預期效果時，就會在計算輸出層的偏差變化值后通過網絡將偏差信號按原路反向傳回，與此同時各層神經元的權值也會隨之進行改變，直到符合預期的控制效果。

2.2 含氧量智能控制系統

在生物質氣化工作過程中，可燃氣體的含氧量是衡量其生產質量的重要依據，能夠嚴重影響氣化產物的安全使用，因此，通過模糊神經網絡實現生物質氣化爐含氧量的智能控制十分重要。其含氧量智能控制系統的目的是為了合理控制可燃氣體的含氧量，從而穩定氣化爐的溫度。但是，一次風進風量是影響可燃氣體的含氧量的重要因素，所以可以把控制一次風量作為主要調節手段，有效地解決含氧量控制和爐溫控制之間的矛盾，在控制爐溫的前提條件下，最大程度地降低可燃氣體含氧量，進而有效控制氣化產物含氧量的。生物質氣化爐含氧量的智能控制系統是嚴格運用模糊神經網絡控制原理，主控制器采用溫度模糊免疫 PID控制，根據爐內含氧量和溫度的偏差進行推算，查找出鼓風機轉速的最優狀態，副控制則以此為根據，全面跟隨與控制鼓風機的速度，確保鼓風機轉速。生物質氣化爐工作過程中的不同階段和部件具有不同的控制要求，模糊神經網絡就要充分發揮被控對象的優良性能，根據不同的控制要求，合理運用模糊神經網絡控制原理對 PID參數模型中的數據信息進行在線修改，從而達到預期的控制效果。

3 基于模糊神經網絡的生物質氣化爐智能控制系統的仿真實驗

為了驗證運用模糊神經網絡進行生物質氣化爐的智能控制的真實效果，對生物質氣化爐的溫度智能控制系統進行仿真實驗，并進行詳細地分析。為了保證生物質氣化爐能夠在條件大體一致的狀態下進行運行狀況，仿真實驗可以采用組合預測算法。首先要到某廠氣化爐現場采集2000組干燥層溫度數據，并且從中選取連續1500組作為仿真實驗樣本數據，然后對剩余500組實驗樣本數據進行研究，通過兩組數據的分析建立預測模型。然后采用模糊神經網絡對生物質氣化爐的溫度控制系統進行三次模擬化實驗，三種不同情況下的仿真試驗結果為：在無外界任何干擾的情況下，模糊神經網絡控制無論在超調量還是其他方面，都比單純的模糊控制效果好；在生物質給料量擾動的情況下，模糊神經網絡控制要比單純的模糊控制所受的影響要小很多；在發生一次風量攪動的情況下，模糊神經網絡控制仍受到極小的影響。從三種不同情況下的仿真試驗中可以看出基于模糊神經網絡的生物質氣化爐的爐溫智能控制系統效果較好，具有極強的抗干擾性，能夠有效地預測氣化爐溫度實時值，把平均誤差控制在很小范圍內，并且智能控制系統能實時跟蹤實際溫度的變化，根據實際溫度的變化做出相應的變化，從而能夠有效地控制氣化爐溫度和可燃氣體含氧量。

4 結束語

總之，基于模糊神經網絡的生物質氣化爐的智能控制系統具有較好的控制效果，有效的解決了生物質氣化過程中的一系列問題，能夠十分精確地控制生物質氣化爐的爐溫及可燃氣體的含氧量，對于保證社會經濟的穩定發展以及生態環境的改善發揮了重要作用。

參考文獻

[1]王春華.基于模糊神經網絡的生物質氣化爐的智能控制[J].動力工程，2009（09）：828-830.

[2]王中賢.熱管生物質氣化爐的模擬與試驗[J].江蘇大學學報：自然科學版，2008，29（6）：512-515.

篇3

關鍵詞經濟活動預測模型人工神經網絡

經濟活動諸如商品價格走勢、生產活動的產量預測、加工的投入產出分析、工廠的成本控制等方面都是重要的技術經濟層面。定量化的經濟活動分析是經濟學研究的必由之路，而建模是量化分析的基礎，這是因為模型為科學分析和質量、成本等控制提供了理論依據。本文針對經濟活動中大多數研究對象都具有的非線性特點，給出了用人工神經網絡（ArtificialNerveNetwork）模型建立經濟活動的預測模型的原理和方法，并描述了神經網絡與各種先進的建模方法相結合的模型化方法，為經濟活動的分析、預測與控制提供了理論基礎。

1神經網絡模型方法

現實的經濟系統是一個極其復雜的非線性系統，客觀上要求建立非線性模型。傳統上使用回歸與自回歸模型刻畫的都是線性關系，難于精確反映因變量的變化規律，也終將影響模型的擬合及預報效果。為揭示隱含于歷史記錄中的復雜非線性關系必須借助更先進的方法———人工神經網絡(ANN)方法。

人工神經網絡具有并行處理、自適應、自組織、聯想記憶及源于神經元激活函數的壓扁特性的容錯和魯棒性等特點。數學上已經證明，神經網絡可以逼近所有函數，這意味著神經網絡能逼近那些刻畫了樣本數據規律的函數，且所考慮的系統表現的函數形式越復雜，神經網絡這種特性的作用就越明顯。

在各類神經網絡模型中，BP（Back－Propagation誤差后向傳播）神經網絡模型是最常用的也是最成熟的模型之一。本質上，BP模型是對樣本集進行建模，即建立對應關系RmRn,xk∈Rm,ykRn。數學上，就是一個通過函數逼近擬合曲線/曲面的方法，并將之轉化為一個非線性優化問題來求解。

對BP神經網絡模型，一般選用三層非循環網絡。假設每層有N個處理單元，通常選取連續可微的非線性作用函數如Sigmoid函數f(x)=1/(1+e-x)，訓練集包括M個樣本模式{(xk,yk)}。對第P個訓練樣本（P＝1，2，…，M），單元j的輸入總和記為apj，輸出記為Opj，則:

apj=WQ

Opj=f(apj)=1/(1+e-apj)（1）

對每個輸入模式P，網絡輸出與期望輸出（dpj）間誤差為：

E=Ep=((dpj-Opj)2)（2）

取BP網絡的權值修正式：

Wji(t+1)=Wji(t)+?濁?啄pj+?琢(Wji(t)-Wji(t-1))（3）

其中，對應輸出單元?啄pj=f’,(apj)(dpj-Opj)；對應輸入單元?啄pj=f’,(apj)?啄pkWkj；

?濁是為加快網絡收斂速度而取值足夠大又不致產生振蕩的常數；?琢為一常數項，稱為趨勢因子，它決定上一次學習權值對本次權值的影響。

BP學習算法的步驟：初始化網絡及學習參數；提供訓練模式并訓練網絡直到滿足學習要求；前向傳播過程,對給定訓練模式輸入，計算網絡的輸出模式，并與期望比較，如有誤差，則執行下一步，否則返回第二步；后向傳播過程,計算同一層單元的誤差?啄pj,按權值公式（3）修正權值;返回權值計算公式（3）。BP網絡的學習一般均需多周期迭代，直至網絡輸出與期望輸出間總體的均方根誤差ERMS達到一定要求方結束。

實踐中，BP網絡可能遇到如下問題：局部極小點問題；迭代收斂性及收斂速度引起低效率問題。此外還有，模型的逼近性質差；模型的學習誤差大，記憶能力不強；與線性時序模型一樣，模型網絡結構及節點作用函數不易確定；難以解決應用問題的實例規模與網絡規模之間的矛盾等。為克服這樣的一些問題，同時為了更好地面向實際問題的特殊性，出現了各種基于神經網絡模型或與之結合的模型創新方法。

2灰色神經網絡模型

灰色預測和神經網絡一樣是近年來用于非線性時間序列預測的引人注目的方法，兩種方法在建模時都不需計算統計特征，且理論上可以適用于任何非線性時間序列的建模。灰色預測由于其模型特點，更合用于經濟活動中具有指數增長趨勢的問題，而對于其他變化趨勢，則可能擬合灰度較大，導致精度難于提高。

對于既有隨時間推移的增長趨勢，又有同一季節的相似波動性趨勢，且增長趨勢和波動性趨勢都呈現為一種復雜的非線性函數特性的一類現實問題，根據人工神經網絡具有較好的描述復雜非線性函數能力特點，用其對季節性建模；最后根據最優組合預測理論，建立了兼有GM（1，1）和ANN優點的最優組合預測模型。該模型能夠同時反映季節性時間序列的增長趨勢性和同季波動性的雙重特性，適用于一般具有季節性特點的經濟預測。

首先，建立GM（1，1）模型，設時間序列x(0)=(x(0)(1),x(0)(2),?撰,x(0)(n))，作一階累加生成：

x(1)=(x(1)(1),x(1)(2),?撰,x(1)(n))（4）

其中x(1)(k)=(x(0)(i),k=1,2,?撰,n

構造一階線性灰色微分方程并得到該方程的白化微分方程：

+ax=u

用最小二乘法求解參數a，u，得到x(1)的灰色預測模型：

(1)(k+1)=(X(0)(1)-u/a)e-ak+u/a,(k=0,1,2,?撰)（5）

其次，根據上節方法建立BP人工神經網絡模型。

第三，將兩模型優化組合。設f1是灰色預測值，f2是神經網絡預測值，fc是最優組合預測值，預測誤差分別為:e1,e2,ec，取w1和w2是相應的權系數，且w1+w2=1,有fc=w1f1+w2f2，則誤差及方差分別為ec=w1e1+w2e2,Var(ec)=w21Var(e1)+w22Var(e2)+2w1w2cov(e1,e2)

對方差公式求關于w1的極小值，并取cov(e1,e2)=0，即可得到組合預測權系數的值。

2基于粗糙集理論的神經網絡模型

粗糙集理論與模糊集理論一樣是研究系統中知識不完全和不確定問題的方法。模糊集理論在利用隸屬函數表達不確定性時，為定義一個合適的隸屬函數，需要人工干預，因而有主觀性。而粗糙集理論由粗糙度表示知識的不完全程度，是通過表達知識不精確性的概念計算得到的，是客觀的，并不需要先驗知識。粗糙集通過定義信息熵并進而規定重要性判據以判斷某屬性的必要性、重要性或冗余性。

一般來說，BP神經網絡模型對模型輸入變量的選擇和網絡結構確定等都基本憑經驗或通過反復試驗確定，這種方法的盲目性會導致模型質量變差。用粗糙集理論指導，先對各種影響預測的因素變量進行識別，以此確定預測模型的輸入變量；再通過屬性約簡和屬性值約簡獲得推理規則集；然后以這些推理規則構造神經網絡預測模型，并采用加動量項的BP的學習算法對網絡進行優化。有效改善了模型特性，提高了模型質量。其建模步驟為：由歷史數據及其相關信息歷史數據構造決策表；初始化；對決策表的決策屬性變量按劃分值域為n個區域的方式離散化；采用基于斷點重要性的粗糙集離散化算法選擇條件屬性變量和斷點（分點），同時計算決策表相容度，當決策表相容度為1或不再增加時，則選擇條件屬性變量和分點過程結束；由選擇的條件屬性變量及其樣本離散化值構造新的決策表，并對其約簡，得到推理規則集；由推理規則集建立神經網絡模型；對神經網絡進行訓練；若神經網絡擬合誤差滿足要求，則結束，否則，增加n。必須指出，區間分劃n太小，會使得擬合不夠，n太大，即輸出空間分得太細，會導致過多的區域對應，使網絡結構過于復雜，影響泛化（預測）能力。

3小波神經網絡模型

人工神經網絡模型存在的網絡結構及節點函數不易確定問題，結合小波分析優良的數據擬合能力和神經網絡的自學習、自適應特性建模，即用非線性小波基取代通常的非線性S型函數。

設非線性時間序列變化函數f(t)∈L2(R)，定義其小波變換為：

Wf(a,b)==f(t)?漬()dt（6）

式中，?漬ab(t)稱為由母小波?漬t（定義為滿足一定條件的平方可積函數?漬(t)∈L2(R)如Haar小波、Morlet小波、樣條小波等）生成的依賴于參數a、b的連續小波，也稱小波基。參數a的變化不僅改變小波基的頻譜結構，還改變其窗口的大小和形狀。對于函數f(t)，其局部結構的分辯可以通過調節參數a、b，即調節小波基窗口的大小和位置來實現。

用小波級數的有限項來逼近時序函數，即：

(t)=wk?漬()（7）

式中(t)，為時間序列y(t)的預測值序列；wk,bk,ak分別為權重系數，小波基的平移因子和伸縮因子；L為小波基的個數。參數wk,bk,ak采用最小均方誤差能量函數優化得到，L通過試算得到。

4模糊神經網絡模型

模糊集合和模糊邏輯以人腦處理不精確信息的方法為基礎，而人工神經網絡是以大量簡單神經元的排列模擬人腦的生理結構。二者的融合既具有神經網絡強大的計算能力、容錯性和學習能力，又有對于不確定、不精確信息的處理能力，即同時具有底層的數據處理、學習能力和高層的推理、思考能力。

一種應用模糊理論的方法是把模糊聚類用來確定模糊系統的最優規則數，從而確定模糊神經網絡的結構。這樣確定的網絡結構成為四層：第一層為直接輸入層；第二層為模糊化層，對輸入做模糊化處理；第三層為模糊推理層，對前層模糊結果做模糊推理；第四層為非模糊化層，可以采用重心非模糊化法，產生網絡輸出。該網絡采用動態處理法，增強了其處理能力，且適用性強、精度高。

5結語

除上述幾種結合式神經網絡方法之外，人工神經網絡模型在算法設計方面一直在取得巨大的進步。神經網絡模型方法是一種先進的具有智能的非線性建模方法，其在自然科學、經濟現象、社會活動等方面的應用正在不斷深化，把神經網絡方法引入經濟活動的分析和預測中，并緊密聯系諸多先進的建模方法，是使工業經濟、商業經濟及其對經濟本質規律的研究等各項工作推向前進的重要理論武器。

參考文獻

篇4

關鍵詞：神經網絡 建筑管理 數據倉庫

中圖分類號：F274 文獻標識碼：A 文章編號：1007-9416（2015）09-0000-00

1神經網絡系統理論的研究目標

是以研究以模擬人體神經系統的運動行為， 建立神經網絡基本特征的一種神經網絡系統運算算法。這種算法可在計算機上，通過硬件與軟件的相互配合來實現， 也可以在神經網絡計算機上更加快捷的實現，最終可以實現智能計算機終端智能運算的目標。神經網絡系統是由大量的神經元--簡單的信息處理單元，按特定的配對方式相互構成， 神經元之間的信息傳遞和儲存，依照一定的規則進行， 網絡連接規則以及數據存儲方式有一定的穩定性與匹配性， 即具有學習和訓練的特定效果。

1.1神經網絡系統模型與應用范圍

有反饋網絡模型。有反饋網絡也稱回（遞）歸網絡， 在這這當中， 多個神經元互聯以組成一個互連神經網絡。有些神經元的輸出被反饋至同層或前層神經元， 因此， 信號能夠從正向和反向流通。

1.2 神經網絡的設計

在決定采用神經網絡技術之前， 應首先考慮是否有必要采用神經網絡來解決問題。一般地， 神經網絡與經典計算方法相比并非優越。只有當常規方法無法解決或效果不佳時神經網絡才能顯示出其優越性。尤其是當問題的機理等規律不甚了解， 或不能用數學模型表示的系統， 神經網絡往往是最有力的工具。另一方面， 神經網絡對處理大量原始數據而不能用規劃或公式描述的問題， 表現出極大的靈活性和自適應性。

2 建筑管理模式

建筑管理模式是在TFV理論基礎上構筑的。建筑管理模式在國外，對精益建造的理論和應用研究已取得了很多成果， 但國內對于精益建造，未能給予足夠重視。

數據處理技術在企業的逐步成功應用，企業積累了大量的生產"科研相關和業務數據，但面對浩如煙海的企業數據，決策人員常常難以及時獲得足夠信息，提出決策的現狀，許多企業已經構建了完善的數據庫.并且通過聯機分析處理的方式技術，可以使決策人員更快捷的從數據倉庫中提取精良信息。

3 建筑管理模式

3.1 任務制度管理

任務制度管理是從生產管理轉換的角度管理生產制造， 雖然本質依然是硬性管理， 但管理的內容為與適應建造相關用戶的合理配合安排， 主要依據顧客需求設計來配編生產系統， 最后一招合同流程來實現。

3.2 流程過程管理

流程過程管理是從流程的角度管理數據模型， 其本質為軟性數據管理。流程管理的目標是不但要有高效率可預測數據目標的綜合流程， 而且要做好建設項目的相關單位，現場數據工作人員之間的相互協調工作。

3.3 價值趨向管理

價值趨向管理是從數據價值的角度管理生產， 它是以一種更加柔性的方式來體現顧客消費價值和一種硬性的方式完成生產預訂目標的的趨向性管理。

4 數據倉庫概論

數據倉庫，就是一個更完全面支持企業組織的決策分析處理數據的面向主題的總成的，不可隨時間不斷變化持續更新的數據倉庫體系結構，美國哈佛大學計算機科學系的專門小組，通過長期對數據技術的研究，提出了數據倉庫技術的完善概念，該概念是在體系結構整體上對數據倉庫進行了描述，從各個數據源收集所需數據，并與其他數據源的數據銜接，將集成的總體數據存入數據倉庫終端，用于用戶直接從數據倉庫中訪問相關數據，用于理論和實踐應用的案例.運用這種建筑管理模式， 可以提高生產率， 降低成本和增加顧客滿意度， 在建筑業中有廣闊的應用前景。

5 結語

在當今日益激烈的競爭環境下決策人員能否及時地從大量原始數據中提取更多更好的信息是一個企業生存發展的關鍵，傳統的神經網絡系統的建筑管理數據倉庫的設計已不能適應行業的發展精益建造這種體系應運而生。他是由精益生產延伸而來，將神經網絡系統的建筑管理數據倉庫的設計以及實踐應用到行業之中。

參考文獻

[1]趙璐.基于精益建造的成本管理[J].華中科技大學學報，2005.

[2]肖智軍，黨新民.精益生產方式JIT[M].廣州： 廣東經濟出版社，2004.

[3]Glenn Bllard3 劉來紅， 王世宏.空氣過濾器的發展與應用.過濾與分離，2000，10

[4]Lauri Koskela. We Need A Theory Of Construction

[C]， Berkeley - Stanford CE&M Workshop： Defining a Research

Agenda for AEC Process/Product Development in2000 and Beyond Stanford， Berkeley， 1999.

篇5

人工神經網絡（AartificialNeuralNetwork，下簡稱ANN）是模擬生物神經元的結構而提出的一種信息處理方法。早在1943年，已由心理學家WarrenS.Mcculloch和數學家WalthH.Pitts提出神經元數學模型，后被冷落了一段時間，80年代又迅猛興起［1］。ANN之所以受到人們的普遍關注，是由于它具有本質的非線形特征、并行處理能力、強魯棒性以及自組織自學習的能力。其中研究得最為成熟的是誤差的反傳模型算法（BP算法，BackPropagation），它的網絡結構及算法直觀、簡單，在工業領域中應用較多。

經訓練的ANN適用于利用分析振動數據對機器進行監控和故障檢測，預測某些部件的疲勞壽命［2］。非線形神經網絡補償和魯棒控制綜合方法的應用（其魯棒控制利用了變結構控制或滑動模控制），在實時工業控制執行程序中較為有效［3］。人工神經網絡（ANN）和模糊邏輯（FuzzyLogic）的綜合，實現了電動機故障檢測的啟發式推理。對非線形問題，可通過ANN的BP算法學習正常運行例子調整內部權值來準確求解［4］。

因此，對于電力系統這個存在著大量非線性的復雜大系統來講，ANN理論在電力系統中的應用具有很大的潛力，目前已涉及到如暫態，動穩分析，負荷預報，機組最優組合，警報處理與故障診斷，配電網線損計算，發電規劃，經濟運行及電力系統控制等方面［5］。

本文介紹了一種基于人工神經網絡（ANN）理論的保護原理。

1、人工神經網絡理論概述

BP算法是一種監控學習技巧，它通過比較輸出單元的真實輸出和希望值之間的差別，調整網絡路徑的權值，以使下一次在相同的輸入下，網絡的輸出接近于希望值。

在神經網絡投運前，就應用大量的數據，包括正常運行的、不正常運行的，作為其訓練內容，以一定的輸入和期望的輸出通過BP算法去不斷修改網絡的權值。在投運后，還可根據現場的特定情況進行現場學習，以擴充ANN內存知識量。從算法原理看，并行處理能力和非線是BP算法的一大優點。

2、神經網絡型繼電保護

神經網絡理論的保護裝置，可判別更復雜的模式，其因果關系是更復雜的、非線性的、模糊的、動態的和非平穩隨機的。它是神經網絡（ANN）與專家系統（ES）融為一體的神經網絡專家系統，其中，ANN是數值的、聯想的、自組織的、仿生的方式，ES是認知的和啟發式的。

文獻［1］認為全波數據窗建立的神經網絡在準確性方面優于利用半波數據窗建立的神經網絡，因此保護應選用全波數據窗。

ANN保護裝置出廠后，還可以在投運單位如網調、省調實驗室內進行學習，學習內容針對該省的保護的特別要求進行（如反措）。到現場，還可根據該站的干擾情況進行反誤動、反拒動學習，特別是一些常出現波形間斷的變電站內的高頻保護。

3、結論

本文基于現代控制技術提出了人工神經網絡理論的保護構想。神經網絡軟件的反應速度比純數字計算軟件快幾十倍以上，這樣，在相同的動作時間下，可以大大提高保護運算次數，以實現在時間上即次數上提高冗余度。

一套完整的ANN保護是需要有很多輸入量的，如果對某套保護來說，區內、區外故障時其輸入信號幾乎相同，則很難以此作為訓練樣本訓練保護，而每套保護都增多輸入量，必然會使保護、二次接線復雜化。變電站綜合自動化也許是解決該問題的一個較好方法，各套保護通過總線聯網，交換信息，充分利用ANN的并行處理功能，每套保護均對其它線路信息進行加工，以此綜合得出動作判據。每套保護可把每次錄得的數據文件，加上對其動作正確性與否的判斷，作為本身的訓練內容，因為即使有時人工分析也不能區分哪些數據特征能使保護不正確動作，特別是高頻模擬量。

神經網絡的硬件芯片現在仍很昂貴，但技術成熟時，應利用硬件實現現在的軟件功能。另外，神經網絡的并行處理和信息分布存儲機制還不十分清楚，如何選擇的網絡結構還沒有充分的理論依據。所有這些都有待于對神經網絡基本理論進行深入的研究，以形成完善的理論體系，創造出更適合于實際應用的新型網絡及學習算法［5］。

參考文獻

1、陳炳華。采用模式識別（智能型）的保護裝置的設想。中國電機工程學會第五屆全國繼電保護學術會議，［會址不詳］，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6

【關鍵詞】沸點；飽和烴；模式識別；神經網絡

引言

量子力學計算是了解性質與結構關系本質的最好方法，但由于條件限制要精確解方程組很困難，因此，我們應用經典的價鍵理論處理該問題，以了解分子中鍵的性質、原子間的結合順序、分支的多少及分子的形狀等拓撲信息，進而推出分子的一些物理性質。

1 模式識別與神經網絡

1.1 統計模式識別的方法

統計模式識別包括：樣本輸入、樣本統計、窗函數訓練、監控與測試、識別及識別方法性能評價6部分。

1.2 神經網絡的結構和模型

神經網絡的結構是由基本處理單元及其互連方法決定的，一個人工神經網絡的神經元模型和結構描述了一個網絡如何令它的輸入矢量轉化為輸出矢量的過程。其實質即體現網絡輸入及其輸出間的函數關系。即通過選取不同的模型結構和激活函數，可形成各種不同的人工神經網絡，以及輸入和輸出關系，進而達到不同的目的或完成不同任務。

1.2.1 人工神經元的模型

連接機制結構的基本處理單元與神經生理學類比往往稱為神經元。每個構造起網絡的神經元模型模擬一個生物神經元。

該神經元有多個輸入，i=1，2，.. n和一個輸出Y組成。中間狀態由輸入

信號權的加和表示，而輸出為：式（1）中θj為神經網絡的偏置，Wji為連接權系數，n為輸入信號數目，yj為神經元輸出，t為時間，f（）為輸出變換函數，也叫做激發或激勵函數。

1.2.2 激活函數

激活函數是一個神經元及網絡的核，網絡解決問題的能力與功效除了和網絡結構有關，很大程度上取決于網絡所采用的激活函數。激活函數往往采用0和I二值函數或S形函數，它們都是連續和非線性的。

1.2.3人工神經網絡的基本類型

1.2.3.1人工神經網絡的基本特性

人工神經網絡由神經元構成；這種由許多神經元組成的信息處理網絡具有并行分布結構。每個神經元具有單-輸出，能夠與其它神經元連接；具有諸多輸出連接方法，每種連接方法對應一個連接權系數。嚴格地說，該網絡每個節點存在一個狀態變量、閾值并定義一個變換函數，且從節點j至節點i存在一個連接權系亥摧教。

1.2.3.2人工神經網絡的基本結構

遞歸網絡中，多個神經元互連而成一個互連神經網絡。有些神經元的輸出被反饋至同層或前層神經元。因此，信號能夠從正向和反向流通。前饋網絡具有遞階分層結構，由一些同層神經元間不存在互連的層級組成。從輸入層至輸出層的信號通過單向連接流通；神經元從一層連接至下一層。

3 神經網絡計算飽和烴的沸點

采用三層拓撲結構為3-4-1的反向傳播模型來建立預報導飽和烴沸點的人工神經網絡。輸入層以影響飽和烴沸點的3個參數為輸入矢量，包括分子連接性指數，分子連接性指數，C原子數。訓練時可根據計算誤差自動地調整權重，待達到要求時即可固定權重值和偏置。

4 實驗

4.1 實驗步驟

拉制內徑為1～1.2mm、一端封口、另一端有平整開口的毛細管做內管將待測液體式樣裝入微量沸點管的外管中，將一端封口的毛細管作為內管，開口朝下插入外管中，將外管固定在溫度計上，試樣部分位于溫度計水銀球中部。

將裝好試樣的沸點管用橡皮圈固定在溫度計上，試樣段靠在溫度計水銀球中部。將帶有沸點管的溫度計用一端有側溝槽的單孔塞固定在盛有浴液的Thiele管內，溫度計水銀球位于上下側管口中部。

以酒精燈加熱Thiele管的傾斜部分，使浴液因溫度差而形成對流從而使管中液體受熱把帶有沸點管的溫度計放入熔點測定管內。加熱熔點測定管，使溫度均勻升高，見內管中有大量氣泡冒出，則停止加熱。當最后一個氣泡縮回管內時，讀取溫度即為飽和烴沸點。

4.2 結果

通過實驗測出19種飽和烴的沸點，經公式計算及實驗測定得到的2組數據比較得出，神經網絡模型所優化的數據的相對誤差極小，精確到10-4，所做的圖形和試驗數據也是擬合的極好。

5 結論

神經網絡模式識別的方法建立數據模型對飽和烴的沸點進行計算有著非常好的準確度，充分地利用了給出的參數。該模型在大大提高了計算精確度的同時并且具有很好的預測能力，而且其對于提高物質性質計算的效率和準確率有著重要的參考價值。

參考文獻：

[1]杜紅，劉強國.統計模式識別方法在錄井油氣評價中的應用[J].長江大學學報： 理工卷，2006（3）.

篇7

關鍵詞：數據挖掘；數據庫；遺傳算法；神經網絡

中圖分類號：TP392文獻標識碼：A文章編號文章編號：1672-7800（2013）012-0129-02

基金項目：佛山科學技術學院重點項目（2010）

作者簡介：劉曉莉（1961-），女，佛山科學技術學院副教授，研究方向為應用數學。

1遺傳算法基本特征

遺傳算法是模擬達爾文的遺傳選擇和自然淘汰的生物進化過程的計算模型，是一種具有廣泛適用性的通用優化搜索方法。遺傳算法主要借用了生物遺傳學的觀點，通過自然選擇、遺傳和變異等作用機制來產生下一代種群，如此逐代進化，直至得到滿足要求的后代即問題的解，是一種公認的全局搜索能力較強的算法。

遺傳算法有良好智能性，易于并行，減少了陷于局部最優解的風險。遺傳算法的處理對象不是參數本身，而是對參數集進行了編碼的個體，可以直接對集合、隊列、矩陣、圖表等結構進行操作。同時，在標準的遺傳算法中，基本上不用搜索空間的知識或其它輔助信息，而僅用適應度函數值來評估個體，并在此基礎上進行遺傳操作； 遺傳算法不是采用確定性規則，而是采用概率的變遷規則來指導它的搜尋方向。正是這些特征和優點，使得遺傳算法在數據挖掘技術中占有很重要的地位，既可以用來挖掘分類模式、聚類模式、依賴模式、層次模式，也可用于評估其它算法的適合度。

2神經網絡基本特征

神經網絡是人腦或自然神經網絡若干基本特征的抽象和模擬，是以大量的、同時也是很簡單的處理單元（神經元）廣泛地互相連接形成的復雜非線性系統。人工神經網絡本質上是一個分布式矩陣結構，它根據樣本的輸入輸出對加權法進行自我調整，從而近似模擬出輸入、輸出內在隱含的映射關系。建模時，不必考慮各個因素之間的相互作用及各個因素對輸出結果的影響機制，這恰好彌補了人們對各個因素及對輸出結果的機制不清楚的缺陷，從而解決眾多用以往方法很難解決的問題。

神經網絡具有大規模的并行處理和分布式的信息存儲，有良好的自適應、自組織性，學習能力很強，有較強的聯想功能和容錯功能，在解決機理比較復雜、無法用數學模型來刻畫的問題，甚至對其機理一無所知的問題等，神經網絡方法特別適用，是一種用于預測、評價、分類、模式識別、過程控制等各種數據處理場合的計算方法，其應用已經滲透到多個領域，在計算機視覺、模式識別、智能控制、非線性優化、信號處理、經濟和機器人等方面取得了可喜的進展。

3遺傳算法與神經網絡混合算法在數據挖掘中的應用

作為一種有效的優化方法，遺傳算法可以應用于規則挖掘，可以單獨用于數據倉庫中關聯規則的挖掘，還可以和神經網絡技術相結合，建立基于神經網絡與遺傳算法的數據挖掘體系，用于數據挖掘中的分類問題。

學習能力是神經網絡中最引人矚目的特征，學習算法的研究一直占據重要地位。可以將遺傳算法應用于神經網絡的學習過程中，這樣可以避免傳統的神經網絡算法容易陷入局部極小的問題。有研究者提出了一種基于遺傳算法的神經網絡二次訓練方法，可以提高神經網絡的模糊處理能力，有效解決神經網絡陷入局部極小的缺點，加快收斂速率，提高學習效率。也有研究者探究了基于基因重組的遺傳算法優化神經網絡的方法，通過訓練權值來實現分類，可以提高神經網絡數據分類的準確性。因此，采用遺傳算法與神經網絡模型相結合方法，可以解決多維非線性系統及模型未知系統的預測、評價與優化等問題，其成功案例有很多，下面是其中的幾例。

一些研究者針對當前專家系統知識獲取瓶頸的難題，提出了基于神經網絡與遺傳算法的汽輪機組數據挖掘方法。該方法首先將汽輪機組歷史故障數據進行模糊化及離散化處理后，建立神經網絡模型，然后再利用遺傳算法對神經網絡進行優化，實現了基于神經網絡與遺傳算法相結合的汽輪機組數據挖掘和故障診斷仿真系統，其診斷正確率達到了84%。

綜合運用人工智能、計算智能（人工神經網、遺傳算法） 、模式識別、數理統計等先進技術作為數據挖掘工具，可以建立可靠、高效的數據挖掘軟件平臺，已在很多工業控制和優化中得到應用和實驗驗證，并取得了滿意的應用效果。例如，某鋁廠根據以往不同原料成分和原料的不同配比與產品質量關系記錄的數據庫，應用數據挖掘軟件平臺，可以挖掘出適應不同原料成分的最佳配比規律，從而提高產品質量的穩定性。又如，以往在化工產品優化配方、催化劑配方優化或材料工藝優化等研究中，基本上都是采用試驗改進的方式，需經過多次試驗才能達到預期目的，但也有可能失敗。為降低消耗， 少做試驗就能達到預期目的，可采用神經網絡對產品配方實驗數據建模，在此基礎上，再應用遺傳算法對配方模型進行優化，得到優化配方。

正是遺傳算法與神經網絡等算法的支撐以及計算機技術的發展，目前，數據挖掘廣泛地應用于天文、地理、生物信息學、金融、保險、商業、電信、網絡、交通等眾多領域。例如，應用在地理數據庫上，主要挖掘地質、地貌特征，為尋找礦產或進行城市規劃等提供參考依據；在電信Web服務器方面，可以挖掘Web日志，根據用戶興趣動態鏈接Web頁面，統計頁面鏈接及權威主頁等，對檢索頁面進行聚類，方便用戶找到需要的信息；在生物醫學信息和DNA數據分析方面，進行遺傳、疾病等數據特征的挖掘，為疾病診斷、治療和預防研究提供科學依據；對金融數據進行挖掘，可以分析客戶信用度；在CRM（客戶關系模型）上使用數據挖掘，獲得客戶群體分類信息、交叉銷售安排及開發新客戶和保留老客戶的策略；在電信業中使用挖掘技術，以預防網絡欺詐等；應用在商業問題的研究包括：進行客戶群體劃分、背景分析、交叉銷售等市場行為分析，以及客戶流失性、信用度分析與欺詐發現；在電子商務方面，從服務器以及瀏覽器端的日志記錄中發現隱藏在數據中的模式信息，了解系統的訪問模式以及用戶的行為模式，作出預測性分析等等。

4結語

神經網絡和遺傳算法作為數據挖掘技術，也有一些不足和缺陷。遺傳算法除了要進一步改進基本理論和方法外，還要采用和神經網絡、模擬退火、最近臨規則等其它方法相結合的策略，提高遺傳算法的局部搜索能力，從而進一步改善其收斂速度和解的品質，提高數據挖掘技術。特別是對于單調函數或單峰函數，遺傳算法在初始時很快向最優值逼近，但是在最優值附近收斂較慢；而對于多峰函數的優化問題，它往往會出現“早熟”，即收斂于局部極值。因此，研究如何改進遺傳算法，采用合適的算法加快尋優速度和改善尋優質量，無論在理論上還是在實踐上都有重要意義。神經網絡的神經計算基礎理論框架以及生理層面的研究仍需深入與加強，如何提高神經網絡的可理解性問題，以及研究遺傳算法、神經網絡技術與其它人工智能技術更好地結合，從而獲得比單一方法更好的效果等問題，值得進一步探索。

雖然數據挖掘技術已得到了廣泛應用，但現有的數據挖掘方法并不能完全適應所面臨的具有多樣性的海量數據分析的現實，急需解決的問題是：如何研究并行處理和抽樣的方法，來處理大規模的數據以獲得較高的計算效率；如何利用統計、模糊數學來確定隱含變量及依賴關系，開發容噪的挖掘方法，以解決異質數據集的數據挖掘問題；如何更好地進行文本數據挖掘、Web數據挖掘、分類系統、可視化系統、空間數據系統和分布式數據挖掘等新技術的應用。因此，未來數據挖掘的研究表現在數據挖掘功能、工具、方法（算法） 的拓展與理論創新，其應用的范圍和深度會進一步加強。

參考文獻參考文獻：

[1]孟曉明.淺談數據挖掘技術[J].計算機應用與軟件，2004 （8）.

[2]李慧芳，姚躍華，陳一棟.改進的遺傳算法對神經網絡優化的分類[J].微計算機信息，2008（15）.

[3]王東龍，李茂青.基于遺傳算法的數據挖掘技術應用[J].南昌大學學報， 2005（1）.

[4]宋仁國.鋁合金工藝優化的遺傳算法[J].材料科學與工程，1998（1）.

[5]韓力群.催化劑配方的神經網絡建模與遺傳算法優化[J].化工學報，1999（4）.

[6]郭崇慧，陸玉昌.預測型數據挖掘中的優化方法[J].工程數學學報，2005（1）.

[7]楊杰.用于建模、優化、故障診斷的數據挖掘技術[J].計算機集成制造系統，2000（10）.

篇8

1 引言

很長時間以來,在我們生活中所接觸到的大部分計算機,都是一種被稱為“電腦”的馮諾依曼型計算機。這種計算機在運算等很多方面確實超越了人類大腦的水平,但是基于串行控制機構的馮諾依曼型計算機在圖像處理、語音識別等方面遠不如大腦的處理能力。于是,在人類對大腦的不斷探索中,一種更接近人腦思維方式的神經網絡計算機走進人們的視線。

2 大腦的研究

大腦活動是由大腦皮質許許多多腦神經細胞的活動構成。

神經細胞由一個細胞體、一些樹突 、和軸突組成,如圖1所示。神經細胞體是一顆星狀球形物,里面有一個核。樹突由細胞體向各個方向長出,本身可有分支,是用來接收信號的。軸突也有許多的分支。軸突通過分支的末梢和其他神經細胞的樹突相接觸,形成所謂的突觸,一個神經細胞通過軸突和突觸把產生的信號送到其他的神經細胞。每個神經細胞通過它的樹突和大約10,000個其他的神經細胞相連。這就使得人腦中所有神經細胞之間連接總計可能有1,000,000,000,000,000個。

神經細胞利用電-化學過程交換信號。輸入信號來自另一些神經細胞。這些神經細胞的軸突末梢(也就是終端)和本神經細胞的樹突相遇形成突觸,信號就從樹突上的突觸進入本細胞。信號在大腦中實際怎樣傳輸是一個相當復雜的過程,但就我們而言,重要的是把它看成和現代的計算機一樣,利用一系列的0和1來進行操作。就是說,大腦的神經細胞也只有兩種狀態:興奮和不興奮。發射信號的強度不變,變化的僅僅是頻率。神經細胞利用一種我們還不知道的方法,把所有從樹突上突觸進來的信號進行相加,如果全部信號的總和超過某個閥值,就會激發神經細胞進入興奮狀態,這時就會有一個電信號通過軸突發送出去給其他神經細胞。如果信號總和沒有達到閥值,神經細胞就不會興奮起來。

盡管這是類似0和1的操作方式,由于數量巨大的連接,使得大腦具備難以置信的能力。盡管每一個神經細胞僅僅工作于大約100hz的頻率,但因各個神經細胞都以獨立處理單元的形式并行工作著,使人類的大腦具有非常明顯的特點:

1) 能實現無監督的學習。

2) 對損傷有冗余性

3) 善于歸納推廣。

4) 處理信息的效率極高:神經細胞之間電-化學信號的傳遞,與一臺數字計算機中cpu的數據傳輸相比,速度是非常慢的,但因神經細胞采用了并行的工作方式,使得大腦能夠同時處理大量的數據。這個特點也是神經網絡計算機在處理方法上最應該體現的一點。

3 人工神經網絡基礎

對于腦細胞的活動原理,用簡單數學語言來說, 一次乘法和累加就相當于一個神經突觸接受一次信息的活動。許許多多簡單的乘法和累加計算, 就形成了腦細胞決定是激活狀態還是抑制狀態的簡單數學模型。從這種模型出發, 任何復雜的大量的腦神經細胞活動與只是大量乘法、累加和判別是否達到激活值的簡單運算的并行與重復而已。因此用這種大量并行的簡單運算就可以來模擬大腦的活動, 這就是人工神經網絡。

神經網絡的基本單元是人工神經元,它是根據人腦的工作原理提出的。圖2所示為一個人工神經元,可由以下方程描述

σi =wijxj + si2θi , ui = f(σi) ,yi = g(ui)

xi 為輸入信號;

yi 為輸出信號;

ui 為神經元的內部狀態;

θi 為閾值;

si 為外部控制信號輸入(控制神經元的內部狀態ui ,使之保持一定的狀態);

wij 為神經元的連接權值。

其中,可通過學習改變連接權wij ,使得神經元滿足或接近一定的非線性輸入輸出關系。

4 神經網絡計算機的實現

對于神經網絡計算機實現,目前主要有以下三種實現途徑:

4.1 用軟件在通用計算機上模擬神經網絡

在sisd(單指令流、單數據流,如經典個人計算機)、simd(單指令流、多數據流,如連接機制機器)或mimd(多指令流、多數據流,如在transputer網絡上)結構的計算機上仿真。

這種用軟件實現神經網絡的方法,靈活而且不需要專用硬件,但是基于此方法實現的神經網絡計算機速度較慢,一般僅適合人工神經網絡的研究,另一方面,它在一定程度上使神經網絡計算機失去了它的本質,體現不出并行處理信息的特征。

4.2 對神經網絡進行功能上的仿真

以多個運算單元節點進行運算,在不同時間模擬各異不同的神經元,串并行地模擬神經網格計算。換句話說,即用m個物理單位去模擬n個神經元,而m<n。基于并行計算機和陣列機的神經網絡虛擬實現,具有一定的通用性。 <br="">

虛擬實現的神經網絡計算機主要可分為:協處理機,并行處理機陣列及現有的并行計算機等。目前已經有多種產品及系統問世,包括mark v神經計算機、gapp系統、gf11、基于transputer的系統以及基于dsp的系統。它們各有特點,技術已日益成熟。

但是這種實現方式仍以神經網絡仿真為主要目標,另外其速度,容量等性能的提高則以增加處理機等費用為代價,較難成為神經網絡的最終應用產品。

4.3 利用全硬件實現

4.3.1 基于cmos, ,ccd工藝和浮柵工藝的神經網絡全硬件實現

在微電子芯片上作上許多具有模擬神經元功能的單元電路,按神經網絡模型的拓撲結構在芯片上聯成網絡,這類神經網絡芯片上的電路與所模擬神經網絡種的各個神經元和神經突觸等都有一一對應的關系,神經網絡中的各個權值也都存貯在同一芯片上。

我國1995年開發的預言神一號就是一臺實現了全硬件的通用神經網絡處理機。它以pc機作為宿主機,通過編程實現前饋網絡、反饋網絡、som等人工神經網絡的模型和算法,在網絡運算過程中預言神一號神經計算機還具備隨時修改網絡參數及神經元非線性函數的功能。

但是這類芯片受硅片面積的限制,不可能制作規模龐大的神經網絡硬件。如果一個數萬個神經元的全聯接網絡,其互聯線將達到10億根;若以1微米三層金屬布線工藝來計算,僅僅布線一項所占硅片面積將達到數十平方米。因此,在微電子技術基礎上用這種一一對應的方式實現規模很大的神經網絡顯然不現實。

4.3.2 用光學或光電混合器件實現神經網絡硬件系統

光學技術在許多方面有著電子技術無法比擬的優點:光具有并行性,這點與神經計算機吻合;光波的傳播交叉無失真,傳播容量大;可實現超高速運算。現在的神經計算機充其量也只有數百個神經,因此用“電子式”還是可能的,但是若要把一萬個神經結合在一起,那么就需要一億條導線,恐怕除光之外,任何東西都不可能完成了。但是光束本身很難表示信號的正負,通常需要雙層結構,加之光學相關器件體積略大,都會使系統變得龐大與復雜。

5 小結

篇9

關鍵詞：矩形混凝土柱；屈服位移；人工神經網絡；預測模型

中圖分類號：TU375.3 文獻標識碼：A

文章編號：1674-2974（2015）11-0017-08

隨著社會經濟的發展，以及對近些年大地震的不斷反思，基于性能的結構抗震設計已成為地震工程領域研究的熱點問題和前沿發展方向，為眾多國家的規程所提及或者采用（如FEMA273[1]，FEMA356[2]，ASCE41[3]和Eurocode8[4]）.柱子作為實際結構中承受豎向荷載和抵抗水平荷載的關鍵構件，其屈服位移的合理評估對于性能化結構抗震設計中結構的動力響應、結構性能水準的評估和抗震延性設計有很大影響.綜合以往對柱子屈服位移的研究，其定義不明確，經驗理論模型預測結果離散度較大的特點，使柱屈服位移的合理取值成為一個亟待解決的問題.

對于柱屈服位移的定義，國內外研究者提出了不同的看法，如Park在文獻＼[5＼]中總結了4種不同的定義方法，并推薦使用割線剛度的方法定義屈服位移.Panagiakos[6]認為判定柱屈服的條件是柱中縱向鋼筋屈服或者混凝土發生嚴重的非線，并在此基礎上給出了對應的經驗公式.Montes[7]基于柱中鋼筋屈服，提出了對應不同強度等級鋼筋的柱有效屈服曲率計算公式.Berry[8]等模擬了PEER[9]柱性能數據庫中255根矩形截面混凝土柱的屈服位移.錢稼茹[10]亦對該數據庫中144根剪跨比大于2的矩形柱考慮軸壓比的影響進行回歸分析，提出了修正的柱屈服轉角表達式.蔣歡軍[11]綜合Berry[8]關于屈服位移以及Priestley[12]對于屈服曲率的定義，在計算屈服位移的公式中加入了考慮柱端鋼筋滑移和柱子剪切變形影響的修正項.Peru[13]基于Eurocode8[14]中柱屈服位移的定義，利用CAE方法對PEER柱性能數據庫的柱屈服位移進行了預測.

柱屈服過程中鋼筋和混凝土都發生了復雜的非線，加之影響屈服性能的因素也非常多，上述基于經驗理論的非線性擬合公式預測柱屈服性能時存在預測結果離散度非常大的問題.人工神經網絡作為一種在數據稀少的情況下能夠有效預測數據輸入和輸出關系的手段而進入研究者的視野.人工神經網絡是以人類神經活動為基礎而發展起來的一項新穎的計算手段，適合處理復雜線性及非線性映射問題.由于其強大的非線性映射能力，神經網絡在工程領域被用于預測圓柱形混凝土柱約束狀態的極限壓應力和對應的壓應變[15]，模擬金屬疲勞裂紋開展速率[16].神經網絡的其它工程應用還有如混凝土柱在彎曲失效模式下的極限變形預測[17]，邊坡穩定性分析[18]，修正結構有限元模型[19]等.

本文基于經驗理論模型對彎曲型混凝土柱屈服性能影響因素的研究，利用神經網絡預測PEER柱性能庫210組矩形混凝土柱的屈服性能，并以此來探討神經網絡對柱性能預測的可行性和有效性.通過對比神經網絡的預測結果與實驗結果以及經驗理論模型估算結果，評價神經網絡預測模型的效果.最后基于Carson敏感性分析方法驗證所選神經網絡輸入參數的合理性并得到輸入各參數對混凝土柱屈服位移的貢獻程度.

1 經驗模型預測實驗數據庫柱屈服轉角

1.1 實驗數據庫

本文對彎曲型失效為主的柱屈服轉角進行預測，在PEER[9]柱性能數據庫中通過以下標準：1）柱子截面形狀為矩形；2）柱子受往復荷載作用直至失效；3）柱子的實驗失效模式為彎曲失效.選擇210組實驗數據，作為神經網絡預測數據庫.該預測數據庫的主要屬性參數范圍如圖1所示.

從圖1中可看出本文所選數據庫主要參數分布覆蓋了常規設計的參數取值范圍，具有廣泛的代表性.

從圖2和表1中可以看出，利用4種經驗模型估算構件的屈服轉角時，預測值與實驗值的比值分布相當離散，ASCE41模型計算結果變異系數相對較小為0.443，而利用ACI318-08（b）變異系數則達到0.65.針對上述預測結果離散的問題，本文采用BP神經網絡預測PEER數據庫柱的屈服轉角.

2 神經網絡預測柱屈服轉角方法

2.1 BP神經網絡

BP神經網絡作為前向型多層神經網絡的一種，其實質是利用誤差反向傳播算法（Back-Propagation）對神經網絡進行訓練.BP神經網絡結構由輸入層、隱含層和輸出層三個部分組成，Hornik[22]已經證明單隱層的神經網絡可以實現任意精度的非線性映射關系.BP神經網絡訓練分為信息的正向輸入和誤差的反向傳播兩個階段.在信息正向輸入階段，輸入參數通過閥值和權值的調節，再經激活函數傳遞對計算結果進行輸出；而在誤差反向傳播階段則是通過計算輸出層的結果和目標值之間的誤差來反向調節各神經元的權值和閥值；在實際訓練中這兩個階段交替進行，直至達到訓練的性能目標為止.

但由于BP學習算法其本質是梯度下降學習算法，權值的修正是沿性能函數梯度的反向進行，使普通的BP神經網絡在訓練時有以下不足：1）作為一種局部搜索的方法，容易陷入局部極小值而不能得到全局最優的結果；2）由于BP算法本身反向傳播的特點，使其在求解矩陣時耗費大量的計算時間，致使神經網絡收斂速度很慢.針對上述不足，眾多學者對其進行修正，其中L-M（Levenberg-Marquardt）[23] 算法因其能夠進行快速迭代，又具有全局優化的特點而在小型神經網絡中得以廣泛應用.L-M算法中迭代項如式（3）所示：

綜合以上討論，可以確定影響柱屈服轉角的主要參數有：混凝土的抗壓強度、軸壓比、剪跨比、縱向鋼筋的屈服強度、配筋率以及縱向鋼筋直徑，并將作為神經網絡預測模型的輸入參數.

2.3 構建BP網絡預測模型

根據前述從PEER數據庫中遴選出的210組數據，180組作為BP神經網絡的訓練集，30組作為測試集.將2.2節討論的6個主要參數作為神經網絡輸入參數，柱的屈服轉角為輸出結果，在MATLAB中建立如圖3所示的3層BP神經網絡N 6-H-1（其中輸入層節點數為6，H為隱含層的節點數，輸出層節點數為1）.

利用MATLAB神經網絡工具箱建立神經網絡模型需要確定以下參數：學習函數、學習速率、激活函數、訓練函數、學習周期、性能目標和隱含層節點數.神經網絡參數選擇如下：

利用BP網絡進行預測分析，為避免因輸入因子數量級差別而引起較大的網絡誤差，一般先將輸入因子進行歸一化處理.為避免激活函數其極值0和1附近飽和而伴隨出現“麻痹現象”，這里采用如式（12）所示方法將神經網絡的輸入和輸出規格化：

2.4 BP網絡預測結果

根據以上討論對圖3中BP神經網絡進行訓練、測試，得到如表2所示的預測結果.

從表2中可以看出當隱含層節點數為13和15時，其測試集和訓練集的性能函數值分別達到最小；而當隱含層節點數為17和21時，神經網絡訓練集和測試集的性能函數均有相對較好的取值.限于篇幅，本文只以13和15節點神經網絡為例，討論其對混凝土柱屈服性能預測的適用性.

圖4和表3列出了對應節點數目為13和15的BP神經網絡模型預測結果.為了進一步檢驗神經網絡的預測能力，將這兩組預測結果與實驗結果進行線性回歸分析，結果如圖5所示.

根據表2和圖5給出的預測結果以及對應的線性回歸結果，其對應較小的性能函數MSE的值和較高的相關系數R的值，可以看出神經網絡能夠準確預測混凝土柱的屈服轉角.

在表3和圖4中可以看出，2種不同節點數的神經網絡均能取得較好的預測結果，表3中訓練集和測試集的最大變異系數僅為0.164和0.179.從圖4～圖5以及表2～表3分析可以看到，利用BP網絡預測柱的屈服位移可以得到相當滿意的結果.

2.5 BP網絡預測結果與經驗模型比較

為了對比說明神經網絡預測結果的準確性，本文也將Elwood在文獻＼[20＼]基于理論推導的有效剛度模型帶入式（2），計算結果列于圖6（a）中.同時對應式（1）中屈服位移的定義，計算對比文獻＼[11＼]所提出的經驗模型屈服轉角：

從圖6和表4中可以看出：在利用Elwood計算模型估算構件的屈服轉角時，估算精度高于前述4種規范模型，但是也看出Elwood模型和Jiang經驗模型估算結果依舊相當離散，其中Elwood模型計算結果變異系數較小為0.365，而Jiang模型的計算結果則為0.477.相對于上述6種經驗理論模型，本文所提的13和15節點神經網絡模型，其預測結果與實驗值的比值均值為1；變異系數僅為0.16和0.13.

相對于前述6種經驗理論模型中僅考慮其中一部分因素的影響或者用一個數學表達式描述輸入參數和柱子屈服位移之間的關系，神經網絡綜合考慮輸入參數之間的相互影響，通過權值和閥值矩陣的調節得到更為準確的預測結果.

2.6 BP網絡敏感性分析

為得到輸入參數對混凝土柱屈服位移的影響程度以及驗證2.2節通過經驗模型選用神經網絡輸入參數方法的合理性，本文采用基于Garson算法[28]的神經網絡敏感性分析.作為基于連接權神經網絡敏感性分析方法的代表，該方法通過連接權的乘積計算輸入變量對輸出變量的貢獻程度.對于一個N X-H-1的神經網絡，其計算表述如式（14）所示：

3 結 論

為了能夠準確地預測混凝土柱構件的屈服性能，建立一種基于BP神經網絡預測混凝土柱的屈服性能的方法.本文首先利用以往的經驗理論模型詳細解構了影響混凝土柱屈服性能的因素，并將混凝土強度、軸壓比、剪跨比、縱向鋼筋配筋率、縱向鋼筋直徑及縱向鋼筋屈服強度作為BP神經網絡的輸入參數預測混凝土柱的屈服性能.通過與已有估算模型結果的對比，顯示出利用BP神經網絡預測模型的高效性.最后通過利用Garson敏感性分析方法證明了本文選擇預測模型輸入參數合理性，并評估了各個輸入因素對混凝土柱屈服位移影響的程度.本文通過利用神經網絡預測矩形混凝土柱的屈服性能，說明在數據不充分的情況下神經網絡對于預測工程結果是一種很有潛力的手段.

參考文獻

[1] FEMA 273 Guidelines for the seismic rehabilitation of buildings[S]. Washington： Federal Emergency Management Agency， 1997：13-14.

[2] FEMA 356 Prestandard and commentary for the seismic rehabilitation of buildings ＼[S＼]. Washington： Federal Emergency Management Agency， 2000：218-218.

[3] ASCE/SEI41 Seismic rehabilitation of existing buildings ＼[S＼]. American Society of Civil Engineers， Reston， VA. 2007：354-354.

[4] Eurocode 8：Design of Structures for earthquake resistance Part 1： General rules， seismic actions and rules for buildings＼[S＼]. Brussels European Committee for Standardization，1998：219-219.

[5] PARK R. Ductility evaluation from laboratory and analytical testing ＼[C＼]// Proceedings 9th World Conference on Earthquake Engineering.Tokyo-Kyoto， Japan. 1988：VIII，605-616.

[6] PANAGIOKOS T B， FARDIS M N. Deformations of reinforced concrete members at yielding and ultimate ＼[J＼]. ACI Structural Journal， 2001， 98（2）： 135-148.

[7] MONTES H E， ASCHLEIM M. Estimates of the yield curvature for design of reinforced concrete columns ＼[J＼]. Magazine of Concrete Research， 2003， 55（4）： 373-383.

[8] BERRY M， EBERHARD M O. Performance models for flexural damage in reinforced concrete columns ＼[R＼]. Pacific Earthquake Engineering Research Center， College of Engineering， University of California， 2004：158-158.

[9] PEER. Peer structural performance database ＼[DB/OL＼]. ＼[2003-12-29＼]. http： // nisee. berkeley. edu / spd.

[10]錢稼茹，徐福江.鋼筋混凝土柱基于位移的變形能力設計方法＼[J＼]. 建筑結構， 2007（12）： 30-32.

QIAN Jia-ru， XU Fu-jiang. Displacement-based deformation capacity design of RC columns ＼[J＼]. Building Structure， 2007（12）： 30-32.（In Chinese）

[11]JIANG Huan-jun， LU Xi-lin， KUBO T. Damage displacement estimation of flexure-dominant RC columns[J]. Advances in Structural Engineering， 2010， 13（2）： 357-368.

[12]PRIESTLEY M. Brief comments on elastic flexibility of reinforced concrete frames and significance to seismic design ＼[J＼]. Bulletin of the New Zealand National Society for Earthquake Engineering， 1998，31（4）： 246-259.

[13]PERU I， FAJFAR P. Prediction of the forceCdrift envelope for RC columns in flexure by the CAE method ＼[J＼]. Earthquake Engineering & Structural Dynamics， 2007，36（15）： 2345-2363.

[14]Eurocode 8： design of structures for earthquake resistance CPart 2： Bridge＼[S＼]. Brussels European Committee for Standardization， 2005：133-133.

[15]ORETA A W， KAWASHIMA K. Neural network modeling of confined compressive strength and strain of circular concrete columns ＼[J＼]. Journal of Structural Engineering， 2003， 129（4）： 554-561.

[16]羅廣恩，崔維成. 金屬疲勞裂紋擴展速率的貝葉斯正則化BP神經網絡預測＼[J＼]. 船舶力學， 2012， 16（4）： 433-441.

LUO Guang-en， CUI Wei-cheng. Prediction of fatigue crack growth rate of metal based on Bayesian regularized BP neural network ＼[J＼]. Journal of Ship Mechanics， 2012， 16（4）： 433-441. （In Chinese）

[17]INEL M. Modeling ultimate deformation capacity of RC columns using artificial neural networks ＼[J＼]. Engineering Structures， 2007， 29（3）： 329-335.

[18]劉思思，趙明華，楊明輝，等. 基于自組織神經網絡與遺傳算法的邊坡穩定性分析方法＼[J＼]. 湖南大學學報：自然科學版，2008，35（12）： 7-12.

LIU Si-si， ZHAO Ming-hua， YANG Ming-hui， et al. Slope stability analysis method based on self-organizing neural network and genetic algorithm＼[J＼]. Journal of Hunan University： Natural Sciences， 2008， 35（12）： 7-12. （In Chinese）

[19]王蕾，郁勝，李賓賓，等. 基于徑向基神經網絡的橋梁有限元模型修正＼[J＼]. 土木工程學報， 2012，45（S2）： 11-15.

WANG Lei， YU Shen， LI Bin-bin， et al. Bridge model updating based on radial basis function neural network ＼[J＼]. China Civil Engineering Journal， 2012，45（S2）： 11-15. （In Chinese）

[20]ELWOOD K J， EBERHARD M O. Effective stiffness of reinforced concrete columns ＼[J＼]. ACI Structural Journal， 2009， 106（4）：483-483.

[21]ACI 318-2008 Building Code requirements for structural concrete and commentary ＼[S＼]. Farmington Hills： 2008， American Concrete Institute， 2008：143-143.

[22]HORNIK K， STINCHCOMBE M， WHITE H. Multilayer feedforward networks are universal approximators ＼[J＼]. Neural Networks， IEEE Transactions on， 1989， 2（5）： 359-366.

[23]HAGAN M T， MENHAJ M B. Training feedforward networks with the Marquardt algorithm ＼[J＼]. Neural Networks， IEEE Transactions on， 1994， 5（6）： 989-993.

[24]鄭罡，李貴乾. 鋼筋混凝土橋墩有效剛度＼[J＼]. 土木工程學報， 2013，46（6）：44-52.

ZHENG Gang， LI Gui-qian. Effective stiffness of reinforced concrete bridges piers ＼[J＼]. China Civil Engineering Journal， 2013，46（6）：44-52. （In Chinese）

[25]SEZEN H， MOEHLE J P. Bond-slip behavior of reinforced concrete members ＼[C＼]//Proceedings of fib symposium on concrete structures in seismic regions. Athens， Greece. CEB-FIP. 2003.

[26]BERRY M J， LINOFF G. Data mining techniques： for marketing， sales， and customer support ＼[M＼].New York： John Wiley & Sons Inc，1997：444-444.

篇10

1公路工程造價估算概述

1.1 公路工程造價估算的重要性

公路工程造價估算作為公路工程管理的重要組成部分其重要性主要體現在如下幾個方面。

第一,公路工程造價的估算是實現工程成本控制的基礎。其中工程施工前期造價估算、施工前的編制預算以及施工圖設計階段的編制預算等環節作為工程造價估算的核心,同樣是公路工程施工成本控制的起點,因此,實現公路工程造價的合理估算是實現工程成本控制的重要前提條件。

第二,公路工程造價的估算可以為施工企業成本控制計劃方案的制定提供重要的參考依據。施工企業通過工程造價的估算可以尋找到降低工程成本的有效途徑,從而為工程施工過程中施工成本的控制提供正確的方向。

第三,公路工程造價的估算可以幫助施工企業在進行設計招標前可以確定工程的大致造價。這樣一來,施工企業在招標的過程中就可以有效避免中間商的欺詐以及保標等惡意行為的發生。

1.2 傳統公路工程造價估算中存在的問題

盡管工程造價估算在公路工程建設中越來越受到人們的重視,但是由于受各方面因素的影響,在傳統公路工程造價估算中還存在一系列的問題,其中我國傳統公路造價估算中主要存在如下幾個方面的問題:一是相關規章制度的限制,造價估算結果往往與投標報價相差懸殊;二是預算結果與概算結果差距較大,不利于工程實際造價的控制和確定;三是缺少對工程造價估算的有效監督機制,從而使最終的造價結果變的十分不確定;四是由于各參與方利益的問題,在進行工程造價估算時很難早到平衡點,以至于造價估算精度不能得到有效的保證。

2認識模糊神經網絡

2.1 模糊數學概述

(1)模糊數學的概念,我們通常說的模糊就是指一些模棱兩可的、即可能又不可能、即是又不是的概念。而模糊數學就是要用數學的方法來表示那些模糊概念發生的可能性的大小,換句話講就是明確那些模糊概念所處的狀態,從而利用數學的思想來解決那些模棱兩可的、不確定的實際問題。

(2)模糊數學的數學描述,一般模糊數學的數學描述,多采用的是類似與集合的數學表示方法。與集合的區別就在于模糊數學在表示集合元素時需要附帶一個稱為隸屬函數值的參數,其中該參數的值是隸屬函數與元素的值進行運算的結果。

2.2 神經網絡概述

(1)神經網絡的概念,所謂的神經網絡是一個借鑒物理和生物技術來實現的用來模仿人類大腦神經細胞結構和功能的系統,與人類的大腦結構相似,它也由大量的模擬神經元所組成的,而且這些神經元之間相互連接,并行工作,作為一個系統協同完成一系列復雜的信息處理活動。

(2)神經網絡的基本原理,神經網絡在結構和功能上都是模擬人腦的神經系統來進行設計和實現的,它同時作為模擬生物神經元的一種計算方法,其基本原理是這樣的,與生物神經元的基本原理相似,用那些具有突的網絡結點來接受信息,并不斷的將接受到的信息累加起來,這些信息有些是抑制神經元,有些則是激發神經元,對于那些激發神經元,一旦積累到一定的閾值后,相應的神經元便會被激活,被激活的神經元就會沿其稱為軸突的部件向其它神經元傳遞信息,并完成信息的處理。

2.3 模糊神經網絡概述

模糊神經網絡是模糊數學和神經網絡有效結合的應用研究成果。其中在模糊神經網絡中模糊數學的應用體現在它可以根據那些假定的隸屬函數以及相應的規律,用邏輯推理的方法去處理各種模糊的信息。

3模糊神經網絡在公路工程造價估算中的應用

3.1 基于模糊神經網絡的公路工程造價估算方法的實現

將模糊神經網絡應用于公路工程造價估算方面,是近年來公路工程造價估算發展的特點和重點。從本質上來看,模糊神經網絡就是一個系統,它即有輸入又有輸出,與公路工程的造價估算十分相似,因為公路工程造價估算就是在輸入公路工程施工的一系列要求和特點后輸出相應結果的,所以與模擬神經網絡所提供的輸入輸出機制非常相似,其中結合模糊神經網絡的原理,基于模糊神經網絡的公路工程造價估算方法的實現過程如下。

第一，構建已施工公路工程的造價信息庫,其中包括應經施工的公路工程的各種特征因素以及工程造價等其他各方面的材料。

第二，結合擬建工程的施工需求來確定其包括評價指標等在內的各種特征因素的數據取值。

第三，按照模糊數學的思想法在已施工公路工程的造價信息庫中選取若干個(至少三個)與擬建工程最相似的已施工的工程,將其作為神經網絡進行學習和訓練的基礎數據。其中,將信息庫中公路工程的各種特征因素值的隸屬度作為神經網絡的輸入向量,信息庫中公路工程的造價值作為神經網絡的輸出向量。

第四,將擬建公路工程的各種特征因素值的隸屬度作為神經網絡的輸入向量,通過神經網絡的學習后所得到的輸出向量即為擬建公路工程的造價估算值。

第五,建立公路施工工程造價信息數據,編制神經網絡學習的算法通用程序。將學習訓練的基礎數據輸入神經網絡,然后合理設計學習率,經過一定次數的迭代運算,有效提高公路工程造價估算結果的精度。

3.2 基于模糊神經網絡的公路工程造價估算方法的優點

基于模糊神經網絡的公路工程造價估算方法有效的克服了傳統上工程造價估算方法的一系列缺點,與傳統的工程造價估算方法相比,其顯著優點就在于造價估算的迅速以及估算結果的精確。其中該方法的優點可以概括為如下幾點。

第一,模糊神經網絡中所采用的模糊數學可以對公路工程造價估算中的模糊信息進行有效的處理,通過對已竣工的公路工程和計劃施工的公路工程的相似度進行定量化描述,從而使模糊的公路工程造價問題得以模型化。

第二,基于模糊神經網絡的公路工程造價估算方法的估算結果科學合理,因為該方法采用的是基于數學模型的數學計算分析,所以其結果受人為因素的影響較小。

第三,模糊神經網絡中所采用的神經網絡模型對公路工程造價的估算具有很好的適應性,與傳統的造價估算方法相比,該方法能更好的適應公路工程造價的動態變化。

第四,基于模糊神經網絡的公路工程造價估算方法是借助計算機來完成的,所以還具有運算速度快和運算精度高的優點。

4結語

由于影響公路工程造價的因素比較多,而且各因素的構成比較復雜,計算相對繁瑣,所以公路工程的造價估算具有很大的模糊性。對于使用傳統的工程造價估算方法而言,公路工程造價的估算將是一項非常復雜的工作。然而結合模糊數學和神經網絡的理論思想,利用工程之間所存在的相似性,使用基于模糊神經網絡的公路工程造價估算方法可以迅速的得出精確的工程造價估算結果。