神經網絡的功能范文
時間：2024-04-01 11:31:12
導語：如何才能寫好一篇神經網絡的功能，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
【摘要】 目的 利用功能磁共振成像研究運動功能不同程度恢復卒中患者被動運動任務時大腦的激活差異。方法對20例卒中患者分別行雙側腕關節被動運動的功能MRI掃描，采用SPM2軟件進行數據分析和腦功能區定位。 結果 不同恢復程度的卒中患者患肢腕關節被動運動激活腦區不同：恢復較好者，以對側感覺運動區(SMC)、同側小腦、雙側輔助運動區(SMA)激活顯著;恢復不好者，遠隔部位激活較顯著。患者健肢激活腦區及面積均未見明顯差異。 結論 對側SMC及SMA對運動功能恢復起至關重要的作用;健側大腦半球的代償作用對患肢運動功能的恢復影響較大。
【關鍵詞】 卒中康復，功能磁共振， 運動系統，神經重塑
[Abstract] Objective To study the similarities and differences of hand motor area in the patient with cerebral infaction during passive wrist movement with functional magnetic resonance imaging. Methods Twenty stroke patients were scanned while they were performing the passive movement tasks with their right and left wrist and SPM2 was adopted to process the fMRI data and to localize the functional areas. Results The area activated in different degree of recorvey were different：for the subject with better recovery， contralateral sensorimotor cortex， ipsilateral cerebellum and bilateral SMA were activated; the patients with relatively bad recovery have significantly activation in some distant area. Conclusion Contralateral sensorimotor cortex and bilateral supplementary area play an important role in the recovery of motor function.
[Key words] stroke recovery; functional MRI; motor system; neuronal plasticity.
腦卒中后40%的病人通過治療可康復，說明功能康復的潛力較大。但目前對康復的機制和康復的決定因素目前還不十分了解， 腦卒中后腦功能恢復與重建過程的生物學機制尚未完全闡明，腦組織究竟如何恢復，一直是人們非常感興趣的問題。功能磁共振成像具有無創性、可操作性及可重復性[1-4]，可以在活體進行，在當前的腦卒中后的運動功能恢復研究中有重要價值。本組實驗在筆者以往正常老年人腕關節被動運動研究的基礎上[5]，進一步分析卒中患者運動功能恢復的可能機制。為康復的機制提供理論依據。
資料與方法
1.病例選擇 卒中患者20例，年齡40～81歲，平均年齡62.6±9.3歲，初發缺血性單側梗死患者12例(DWI證實)，累及右側患者9例，左側11例。病例入選標準:①首次缺血性腦梗死所致偏癱，不同程度運動性偏癱為主，無肌張力增高，認知能力較好，能夠配合實驗;②無藥物成癮及酗酒史，既往無神經系統及精神疾病病史;③經中國人利手判定標準調查，均為右利手;④于發病后2個月入組行腦功能實驗;⑤無MRI檢查禁忌癥。實驗設計方案經東南大學附屬中大醫院倫理委員會論證并同意。所有被試均知情同意，并簽署知情同意書。
2.檢查方法 采用Philips公司1.5T超導型Eclipse磁共振成像系統。掃描中先使用自旋回波脈沖序列獲取18層橫軸面T1W1解剖圖像。接著采用BOLD技術， 應用單次激發成像梯度回波序列，在T1WI同樣的層面上進行功能成像。然后對每個受試者作全腦容積掃描以獲得全腦3D圖像，容積掃描3。
3.任務設置 本實驗采用組塊設計。運動任務設置為腕關節的被動背伸運動。腕關節放置于自制腕關節背伸托板上，其最大抬高角度為45°，由固定的輔助實驗人員利用該托板被動抬高腕關節。運動頻率為1Hz，由E-prime編成聲音頻率為1Hz的文件，由磁共振機EPI序列脈沖控制計算機自動同步播放。輔助實驗人員通過特殊腦功能刺激裝置(深圳市美德醫療電子技術有限公司)的耳機接聽聲音指令對受試者進行腕的被動運動及休息。被動運動18s，休息15s，共重復5次，以休息狀態開始，休息狀態結束，時間共180s。所有受試者先進行左腕、后進行右腕的被動運動時的EPI掃描。
4.神經運動功能量表評定 本實驗對缺血性卒中后患者進行 運動量表的測量，判斷卒中后運動功能的恢復程度。運用的量表為：美國國立衛生研究院卒中量表(NIHSS)，改良Barthl(modified Barthel index，MBI)指數，Fugl-Meyer(Fugl Meyer assessment， FMA)中的上肢評價法，量表的評定由康復科固定高年資主治以上醫師評定。
5.統計學處理 采用MATLAB平臺的SPM2軟件系統對fMRI實驗數據作統計分析。計算SMC(sensorimotor cortex，感覺運動皮質)、PMC(premotor cortex，運動前區)、SMA(supplementary motor area，輔助運動區)激活的差異及偏側性指數(laterality index，LI)。觀察不同程度腦卒中患者SMC、PMC、SMA激活的差異及偏側性指數的差異，評價功能重組在運動恢復中的作用，并與正常對照組進行對比。
結 果
1.根據患者NIHSS，MBI， FMA等結果評價患者恢復程度并將患者分為3組：A組：恢復較差者(患肢腕關節已無功能)6例;B組：恢復中等者(患肢腕關節已遠部分功能恢復)7例;C組：恢復較好者(患肢功能與正常者無區別)7例。
2.三組激活腦區分析比較結果
1.根據患者NIHSS，MBI， FMA等結果評價患者恢復程度并將患者分為3組：A組：恢復較差者(患肢腕關節已無功能)6例;B組：恢復中等者(患肢腕關節已遠部分功能恢復)7例;C組：恢復較好者(患肢功能與正常者無區別)7例。
2.三組激活腦區分析比較結果
圖1 三組患者腕關節被動運動激活腦區
A組15號患者：患側肢體肘關節以遠大部分功能喪失，恢復不好，患側激活圖可見兩側額葉、基底節區、島蓋區明顯激活，兩側SMC、SMA、PPC、PMC、小腦均有激活，但面積較小，表現為整腦大范圍激活;健側激活圖表現為對側SMC、SMA、同側小腦激活，PPC及PMC斑點狀激活，接近正常組激活模式。
B組2號患者，患側肢體腕關節及手指部分功能喪失，患側激活圖可見兩側基底節區、島葉激活，雙側SMC、CER激活，對側PMC激活，除去基底節區、島葉激活，余腦區激活模式已接近對照組激活模式;健側激活圖表現為雙側SMC、CER、對側SMA、對側PMC斑點狀激活，接近正常組激活模式。
C組16號患者，患側功能完全恢復，患側激活圖可見兩側SMC、CER激活，對側SMA、PMC激活，余腦區激活模式已接近對照組激活模式;健側激活圖表現為雙側SMC、SMA、CER，對側PMC、PPC斑點狀激活，接近正常組激活模式。
2.1三組患者腕關節被動運動激活腦區部位不同(圖1)：①A組患側被動運動時，主要運動功能區(SMC-IL、雙側SMA、PMC-CL、PPC-CL)激活較少，前額葉、島葉、基底節區及扣帶皮層雙側大面積激活較顯著;②C組患側被動運動時，主要運動功能區激活較明顯，前額葉、島葉、基底節區及扣帶皮層等腦區未見明顯激活，與健側激活模式較接近;③B組患側被動運動時，腦區激活模式居于較差及較好兩者之間。
2.2三組患者腕關節被動運動激活腦區面積不同：①患肢運動：三組間，(見表1)雙側SMC、SMA及同側小腦半球的激活面積差異是有統計學意義的， C組激活面積較大，A組激活面積較小，其他腦區與運動恢復無明顯關聯。②患側腕關節被動運動時的SMC激活區，A組與C組偏側性指數有差異，A組與B組比較無明顯差異，即A、B組在對側SMC激活面積增多的同時，同側(健側)SMC激活增加的更為明顯(見表2)。
2.3①三組健側腕關節被動運動激活腦區部位較接近(見表3)，均表現為SMC、SMA、PMC-CL、PPC-CL的規律激活，前額葉、島葉、基底節區及扣帶皮層未見明顯激活;三組健肢被動運動腦區激活面積無明顯差異，均接近正常組患者激活模式。②恢復較好的患肢與健側諸腦區激活中(見表4)，健側對側SMC激活體積較患肢多，差異有統計學意義。表1 患肢運動雙側SMC、SMA、CER激活面積及F、P值(P
討 論
運動功能重組的fMRI研究大多采用橫向[2]及縱向模式[3]。橫向(cross-sectional)研究是指在卒中后某個時期進行的腦成像研究。研究腦卒中后受損運動功能重建的方法之一就是觀察卒中病人康復后與正常人的區別及患肢與健肢的區別。大多數的研究對象是腦卒后功能恢復良好的病人，而對功能恢復不好的病人報道較少，這是因為研究時的任務多選擇為主動運動，本實驗克服了以上的局限性，采用了被動腕關節的運動任務研究卒中后腦功能的改變。
腦損傷后功能重組的機制包括系統內和系統間的功能重組。系統內的重組是在同一系統內，相同或不同水平上出現代償。系統間重組是指由另一個在功能上完全不同的系統來代償。我們發現腦卒中C組(恢復較好者)患側腕關節被動運動激活的主要腦區，即激活面積較大的腦區依次位于對側SMC、同側小腦和雙側SMA，與前期實驗正常組平均腦激活方式較一致，而恢復不好的患者則激活更多其它的腦區，如島葉、基底節區、額葉、扣帶皮質，這些區域多呈雙側大面積激活。這與Weiller[5]、Ward等[6]諸多國外研究者研究結果較一致。對于對側小腦、PMC、PPC等非主要運動腦區恢復較好者與中等者、較差者無明顯差異。近年來越來越多的研究進一步證實了腦梗死后不同時期均可以觀察到這種患肢運動所引起的廣泛腦區激活[3]。本實驗中島葉、基底節區、額葉、扣帶皮質遠隔部位的激活可能就屬于系統間重組的模式。未完全恢復患者中以島葉、基底節區、額葉、扣帶皮質遠隔部位的激活較明顯，即以系統間重組為主;而恢復較好者未見此種腦功能重組模式的出現，而僅僅表現為腦區面積的明顯增大，向正常組激活模式靠近，及系統內重組為主。因此，考慮可能是系統內重組對患肢運動功能的有效程度更高一些，或者是系統內重組達不到完全康復的水平時，進而才依賴系統間重組來彌補部分功能。
對于恢復程度不同的患者激活腦區的不同面積中，雙側SMC、SMA及同側小腦半球的差異是有統計學意義的，恢復較好者激活面積較大，恢復差者激活面積較小，其他腦區與運動恢復無明顯關聯。這說明雙側SMC、SMA及同側小腦半球的激活對于患肢功能的恢復有極其重要的意義。這種對側SMC損傷灶周邊區域激活及同側SMC的激活對功能恢復的重要作用也見于多位學者的報道[6，7]。
患側腕關節被動運動時，A組與C組偏側性指數有差異，A組與B組比較無明顯差異，即A組在對側SMC激活面積增多的同時，同側(健側)SMC激活增加的更為明顯。健側半球SMC的激活參與了很重要的功能重組。國外學者song等[8]也發現了健側半球對運動功能恢復起到一定作用。動物實驗發現，康復訓練可以提高實驗性腦梗死后老鼠的運動功能，并導致健側半球運動皮層樹狀突的生長[9]。
腦卒中組恢復較好者患肢與健側運動功能無明顯差別，激活模式較相似，但對側SMC的激活存在差異，考慮患側大腦SMC激活模式與健側腦SMC皮質還是存在一定的差異性，這種差異在患肢運動時通過健側腦功能可以充分重組補償，故運動功能還可以保持正常水平。而健肢被動運動激活腦區較一致，且腦區激活面積無明顯差異，均接近正常組患者激活模式。
可見主要運動功能區及輔助運動功能區對運動功能恢復起至關重要的作用，當主要運動功能區及輔助運動功能區受損激活減低時，遠隔部位亦參與代償激活，但其代償功能在運動恢復中作用較有限;健側大腦半球的代償作用對患肢運動功能的恢復影響較大，而健肢運動時，患側大腦對其影響較小。
綜上所述，卒中后患者聯合正常組老年人的fMRI研究能夠較為明確地得出不同恢復程度患者腦區激活的差異性，為臨床康復治療提供理論依據。
參考文獻
1. Hlustik P， Solodkin A， Noll DC， et al. Cortical plasticity during three-week motor skill learning[J] . J Clin Neurophysiol，2004，21(3):180-191.
2. Cramer SC，Shah R，Juranek J，et al. Activity in the Peri-Infarct Rim in Relation to Recovery From Stroke[J].Stroke，2006，37(1):111-115.
3. Binkofski F， Seitz RJ.Modulation of the BOLD-response in early recovery from sensorimotor stroke[J] .Neurology. 2004 ，63(7):1223-1229.
4. 尹昳麗 楊小慶 劉斌。正常老年人與輕度認知功能障礙患者計算任務的功能磁共振研究[J].中國CT和MRI雜志，2008， 6 (4): 7-10。
5. 劉圣華，儲成鳳，楊明。fMRI觀察正常老年人腕關節被動運動下腦激活區[J]。中國醫學影像技術，2008，24(11)：8-11。
6. Schaechter J D ， Perdue K L .Enhanced Cortical Activation in the Contralesional Hemisphere of Chronic Stroke Patients in Response to Motor Skill Challenge[J].Cereb Cortex， 2008; 18(3): 638 - 647.
7. Yun-Hee Kim， Sung H. You， Myoung-Hwan Ko， et al，Repetitive Transcranial Magnetic Stimulation–Induced Corticomotor Excitability and Associated Motor Skill Acquisition in Chronic Stroke[J].Stroke， Jun 2006; 37(6): 1471 - 1476.
8. Song Y M ，Lee JY ，ParK JM，Yoo BW，Roh JK.Ipsilateral hemiparesis caused by a corona radiate infarct after a previous stroke on the opposite side[J].Arch Neurol，2005，62(5):809-811.
篇2
【關鍵詞】自組織神經網絡；智能建筑管理；BP神經網絡
1 基于自組織神經網絡技術原理
基于大規模自組織神經網絡技術[1]是在自組織神經網絡技術和專家系統的基礎原理運用多層數據融合彌補了單循環數據在智能建筑工程管理分析數據處理的不足和邏輯的缺陷學科.多跳自組織神經網絡是智能傳感器采集數據訓練樣本仿真學習模型即自動增速各個自組織神經元連接權閥值與感知識別隱式分布在整個網絡結構體系中實現自組織神經網絡模式記憶與信息處理應用.
2 基于大規模自組織神經網絡在智能建筑管理中研究
2.1 基于多跳自組織神經網絡在造價預測研究
基于大規模自組織BP神經模型應用40個高層智能建筑工程樣本訓練并用工程實例進行驗證高精確性;而用大規模自組織神經網絡模擬與輸入層和隱含層加入了偏置自組織神經元來促進學習訓練樣本數據中有噪聲、干擾等會造成過度學習現象,同時采用遺傳優化算法進行建筑結構優化.基于BP神經在智能建筑工程估價中的應用“特征提取器”的運算大量過去的工程資料中自動提取工程特征與預算資料的規律關系數據.
2.2 基于大規模自組織神經網絡在工程管理績效評價中的應用
運用大規模自組織BP神經模型對工程管理績效評價問題進行研究建立綜合考慮工期、質量、費用、安全四大控制指標的工程管理績效評價模型[2].實踐證明,基于BP神經網絡在運算工程管理績效評估模型有利于多跳自組織神經網絡預測工程工期、質量、成本、安全與績效之間復雜的非線性關系來提高管理績效的評價數據.
2.3 基于遺傳算法模型在建設工程評標結構優化應用
基于多層神經網絡的工作原理是先將輸入信號傳輸到下一層節點運算函數處理后再將該節點的輸出信息向下一層節點傳輸到信號傳輸到輸出層節點為止.同時運用遺傳算法模型構造及算法設計進行方案優劣排序、換位矩陣以及能量函數構造、大規模自組織神經元之間連接和輸出,并用實例說明了該方法的優越性和實用性與非線性.
2.4 基于BP神經網絡模型在建設工程招投標管理應用研究
基于BP神經網絡多層數據融合多跳自組織神經網絡技術原理分析自動預測工程招投標的招標價格和風險因素分析以及競標單位資格審查等方面的應用指出多跳自組織神經網絡具有的高度并行處理和可完成復雜輸入輸出的非線性映射組合結構,不僅可以保證高的中標率,且可避免招標過程中不確定性因素的影響.運用大規模自組織神經網絡的工程承包招投標報價的研究,提出了一個多因素確定高層智能建筑投標報價的大規模自組織模型影響報高率的諸多因素,并確定了其權值即確定了用BP神經網絡實施黑箱操作的樣本輸入值和目標值再通過訓練樣本自主調整修正輸入節點和輸出節點間的聯系得出符合各種情況要求的權值矩陣算法.
2.5 基于智能建筑算法模型研究
基于BP神經網絡是以訓練樣本算法即誤差反向傳播算法即BP神經算法的學習過程分為信息的正向傳播和誤差的反向傳播[1],其通過訓練樣本前一次迭代的權值和閾值來應用神經網絡技術的第一層向后計算各層大規模自組織神經元的輸出和最后層向前計算各層權值和閾值對總誤差的梯度進而對前面各層的權值和閾值進行修改運算反復直到神經網絡樣本收斂 BP神經網絡輸入向量為
X=( )T;隱含層輸出向量為Y=( )T;輸出層的輸出向量為O= )T;期望輸出向量為 ;輸入層到隱含層之間的權值矩陣 ,其中列向量 為隱含層第j個大規模自組織神經元對應的權向量;隱含層到輸入層之間的權值矩陣 ,其中列向量 為輸出層第k個大規模自組織神經元對應的權向量.各層信號之間的算法結構為:
以上式中的 均為S類型函數, 的導數方程為: （5）
神經網絡輸出與期望輸出的均方誤差為: （6）
則訓練樣本輸出層和隱含層的權值調整量分別為:
式中: 為比例系數,在模型訓練中代表學習速率.如果BP自組織神經網絡有 個隱含層,各隱含層節點分別記為 ,各隱含層輸出分別記為 ,則各層權值調整計算公式分別如下:
輸出層
綜合上述預測分析在BP神經學習算法運用各層權值調整公式均由學習速率、本層輸出的誤差信號和本層輸入數字離散信號決定在訓練樣本學習的過程受決策環境復雜程度和訓練樣本的收斂性即需要增大樣本量來提高網絡技術所學知識的代表性應注意在收集某個問題領域的樣本時,注意樣本的全面性、代表性以及提高樣本的精確性,增大抗干擾噪聲,還可以采用其他方法收集多層訓練樣本數據.
3 結束語
自組織神經網絡技術應用在智能建筑管理領域是在多層智能傳感器等多種信息技術飛速發展的多學科交叉研究領域得到廣泛應用.
參考文獻:
[1]周小佳.電力系統可靠性神經網絡模型及實現研究[D].博士學位論文,1997.
[2]胡保清等.神經網絡在土木工程領域的應用[J].低溫智能建筑,2004(2).
作者介紹:
篇3
神經網絡據有學習能力和聯想化的功能和混沌行為的特點，被廣泛的應用于計算機網絡通信中。本文詳細論述神經網絡的原理，在此基礎上以車牌計算機識別定位系統為例，對神經網絡相關分類方法、工作流程等進行了計算機通信的應用解析，綜合分析其在通訊系統中的應用。
【關鍵詞】神經網絡技術 計算機通訊 運用
由于神網絡的獨特性能，神經網絡技術不但大量應用于故障分析、模式識別、自動控制領域，還在計算機網絡通訊領域也被廣泛的使用。正是因為神經網絡具有學習映射、聯想花功能、混沌行為的特點，所以它可以在目前的寬帶網技術問題上提供理論上的解決辦法。當前，計算機技術的車牌識別定位系統所需要識別的圖像大部分都是室外攝像頭拍攝到的，若是遇到強降雨或者大霧等惡劣天氣，車牌上面的數字就很難采集到，神經系統可以有效解決這一問題，雖然神經系統應用于識別車牌是沒有必要的，但是本文將基于這個簡單的系統來介紹神經網絡技術。
1 車牌計算機識別定位技術
車牌識別技術是我國智能交通系統的一個關鍵的組成部分，被廣泛的應用于數字圖像技術、生物識別技術和人工智能技術領域。車牌識別系統被廣泛的用于公安刑偵部門的車輛違規行駛檢測、失竊車輛檢測、車輛違章停車，交通管理部門的實時路況檢測、高速公路收費，物業管理部門的小區停車收費系統、進出入安全系統等。實際應用中采用的較多的車牌識別系統方法有特征檢驗法、模板匹配法和神經網絡法。其中，大多數基于神經網絡的車牌識別定位系統都是首先要采集足夠數量的車牌圖像樣本作為帶檢測的圖像，利用BP神經網絡對圖像進行識別，檢測達到預定的正確率后即可停止；然后對需要識別定位的車牌圖像用圖像二值化、直方圖等方法進行預處理，降低外界光線對車牌圖像的影響，之后利用濾波器消除圖像的噪聲干擾，最后將完成預處理的車牌圖像傳送到神經網絡搜索系統來對車牌進行定位。
2 神經網絡技術介紹
2.1 神經網絡的分類方法
常見的神經網絡的分類方法有遵循網絡連接拓撲結構的分類方法和遵循網絡內部數據流向的分類方法。按照網絡拓撲結構可以將神經網絡分為層次型結構和互聯型結構，其中層次型結構式指網絡中層與層之間有神經元相互連接但同一層次的神經元之間沒有連接；而互聯型結構網絡中的每個神經元之間都可以相互連接，互聯型結構還可以細分為稀疏互聯型、局部互聯型和全部互聯型。按照內部數據流向可以分為前饋性神經網絡和反饋型神經網絡，前饋性神經網絡結構與層次型網絡結構相似，數據流的方向統一從網絡輸入層傳遞到網絡隱藏層，最后傳遞到網絡輸出層，傳遞過程中網絡沒有反饋回路，應用比較廣泛的是BP神經網絡和徑向基神經網絡。反饋型神經網絡結構域單層互聯網結構相似，反饋型神經網絡中的每一個節點都可以進行數據處理和向外界輸出數據，其代表是Hopfield神經網絡。并且一般前反饋型神經網絡的識別能力和分類能力都優于反饋型神經網絡。
2.2 前反饋型神經網絡
前反饋型神經網絡的基本數據信號包括函數信號和誤差信號兩種，其中函數信號是要由網絡輸入端傳遞進入經過網絡隱藏層神經元的處理，逐步傳遞到網絡的輸出層形成正向傳播的輸出層函數信號。誤差信號是在網絡實際輸出的誤差高于設定的預計誤差時產生的信號，它的傳遞方向與函數信號相反，從網絡輸出層傳遞到網絡隱藏層到網絡的輸入層，通過修改權值使誤差達到最初的要求。
前反饋型神經網絡包括學習和識別兩個過程，學習是把準備好的信息樣本輸入到前饋神經網絡中，通過網絡隱藏層和輸出層的處理得到實際的輸出數值，將輸出數值與預定的期望數值進行比較，確定誤差數值在允許的范圍之內后輸入下一個樣本；若是超出允許范圍，就要進行反向傳播并修改權值，再繼續下個學習過程，重復上述過程。識別過程是把待識別的信息樣本傳遞輸入到前反饋型神經網絡之中得到識別結果，由于神經網絡具有良好的記憶能力和聯想能力，識別與之前的學習樣本相似待識別的信息樣本，得到正確識別的幾率很高，又由于神經網絡具有良好的糾錯性和容錯性，就算待識別的樣本與之前學習的樣本不同，甚至是有較大的噪聲和干擾，按照整體的特征對樣本進行記憶，依然能夠有效地對樣本進行正確識別。
3 車牌識別定位系統
本文中介紹的車牌定位識別系統中包括車牌定位模塊、字符分隔模塊和字符識別模塊。車牌定位模塊包括車牌圖像的灰度化、圖像平滑化、圖像增強和車牌定位；字符分割模塊包括車牌圖像為之校正、提出車牌上下便可、車牌字符分隔、車牌字符歸一化處理；字符識別模塊則包括神經網絡訓練和識別。神經網絡具有很強的自適應能力、學習能力強、聯想容錯功能強、抗噪聲干擾能力強的優點，使其在各個領域都被廣泛的研究和應用。目前，大多數車牌識別定位技術都是基于BP算法的前饋性神經網絡，并且具有很好的效果，但是其中還是存在一些問題，車牌定位識別技術還可以進一步發展。由于BP算法是基于梯度不斷下降的，很容易在學習的過程中陷入到局部尋優中，從而無法得到全局的最優解，除此之外，BP算法的網絡初始值的是根據經驗而設置的，若是初始值的選擇不合理，就會出現算法收斂速度下降甚至是不收斂的現象。若是在其中引入遺傳算法，就可以彌補其中的不足之處，可以取得更好的效果。
4 總結
科學技術的不斷發展，使人們的生活越來越方便，神經網絡技術在通信中的運用，可以幫助解決之前無法解決的一些技術難題，除了在車牌定位識別系統中的應用之外，還應用于ATM網絡通訊系統、輔助測量識別系統等系統中，它在各個領域應用的同時也存在著一些問題，需要專業人士不斷地改進，為人類的生活提供更加便利的條件。
參考文獻
[1]孫蓓蓓.神經網絡技術在計算機通信中的應用[J].煤炭技術，2014，33（01）：202-204.
篇4
關鍵詞：神經網絡 BP網絡
中圖分類號：TP3 文獻標識碼：A 文章編號：1672-3791（2014）01（c）-0240-02
神經網絡是一門發展十分迅速的交叉學科，它是由大量的處理單元組成非線性的大規模自適應動力系統。神經網絡具有分布式存儲、并行處理、高容錯能力以及良好的自學習、自適應、聯想等特點。該模型對于擬合現實復雜世界有著重要的實用價值。
1 神經網絡簡介
人工神經網絡（Artificial Neural Network，ANN），亦稱神經網絡（Neural Network，NN），是一種應用類似于大腦神經突觸連接結構進行信息處理的數學模型，它是在人類對自身大腦組織結合和思維機制的認識理解基礎之上模擬出來的，它是根植于神經科學、數學、統計學、物理學、計算機科學以及工程科學的一門技術。心理學家Mcculloch，數學家Pitts在20世紀40年代第一次提出了神經網絡模型，從此開創了神經科學理論的研究時代，此后半個世紀神經網絡技術蓬勃發展。神經網絡是一種計算模型，由大量的神經元個體節點和其間相互連接的加權值共同組成，每個節點都代表一種運算，稱為激勵函數（activation function）。每兩個相互連接的節點間都代表一個通過該連接信號加權值，稱值為權重（weight），神經網絡就是通過這種方式來模擬人類的記憶，網絡的輸出則取決于網絡的結構、網絡的連接方式、權重和激勵函數。而網絡本身通常是對自然界或者人類社會某種算法或函數的逼近，也可能是一種邏輯策略的表達。神經網絡的構筑理念是受到生物的神經網絡運作啟發而產生的。人工神經網絡則是把對生物神經網絡的認識與數學統計模型向結合，借助數學統計工具來實現。另一方面在人工智能學的人工感知領域，我們通過數學統計學的方法，使神經網絡能夠具備類似于人的決定能力和簡單的判斷能力，這種方法是對傳統邏輯學演算的進一步延伸。
2 神經網絡模型及訓練
2.1 生物神經元模型
人腦是自然界所造就的高級動物，人的思維是由人腦來完成的，而思維則是人類智能的集中體現。人腦的皮層中包含100億個神經元、60萬億個神經突觸，以及他們的連接體。神經系統的基本結構和功能單位就是神經細胞，即神經元，它主要由細胞體、樹突、軸突和突觸組成。人類的神經元具備以下幾個基本功能特性：時空整合功能；神經元的動態極化性；興奮與抑制狀態；結構的可塑性；脈沖與電位信號的轉換；突觸延期和不延期；學習、遺忘和疲勞；神經網絡是由大量的神經元單元相互連接而構成的網絡系統。
2.2 人工神經網絡模型
人工神經網絡，使通過模仿生物神經網絡的行為特征，進行分布式并行信息處理的數學模型。這種網絡依靠系統的復雜度，通過調整內部大量節點之間相互連接的關系，從而達到信息處理的目的。人工神經網絡具有自學習和自適應的能力，可以通過預先提供的一批相互對應的輸入輸出數據，分析兩者的內在關系和規律，最終通過這些規律形成一個復雜的非線性系統函數，這種學習分析過程被稱作“訓練”。神經元的每一個輸入連接都有突觸連接強度，用一個連接權值來表示，即將產生的信號通過連接強度放大，每一個輸入量都對應有一個相關聯的權重。處理單元將經過權重的輸入量化，然后相加求得加權值之和，計算出輸出量，這個輸出量是權重和的函數，一般稱此函數為傳遞函數。
2.3 神經網絡的訓練
當神經網絡的結構確定以后，接下來的工作就是訓練和學習。神經網絡不是通過改變處理單元的本身來完成訓練和學習過程的，而是依靠改變網絡中各神經元節點的連接權重來完成的。因此若處理單元要學會正確的處理所給定的問題，唯一用以改變處理單元性能的元素就是連接權重。
2.4 神經網絡的分類
神經網絡按照不同的結構、功能，以及學習算法，對網絡進行分類，可以分為：（1）感知器神經網絡：最簡單的神經網絡類型，只有單層的神經網絡結構，采用硬限值作為網絡傳遞函數，主要適用于簡單的線性二類劃分問題，在此類問題中處理的效率較高。但不適合本論文的課題。（2）線性神經網絡：單層結構的神經網絡，采用線性函數作為網絡的傳遞，主要也是用于解決線性逼近問題。
3 BP神經網絡
目前應用最為廣泛的網絡，具有多層網絡結構，可以由一個或者多個隱含層。BP網絡采用Widrow―Hoff學習算法和非線性傳遞函數，典型的BP網絡采用的是梯度下降算法，也就是Widrow―Hoff算法所規定的。BP，即Back Propagation，就是指為非線性多層網絡訓練中梯度計算是采用信號正向傳播、誤差反向傳播的方式。通過采用非線性傳遞函數，BP網絡能夠以仁義的精度逼近任何非線性函數，由于采用隱含中間層的結構，BP網絡能夠提取出更高階的統計性質，尤其是當輸入規模龐大時，網絡能夠提取高階統計性質的能力就顯得非常重要了，結合本文的課題，將采用BP神經網絡及其改進算法進行組合集成實驗，用以解決財務預警的實際問題，在后面的章節會采用相關實驗證明組合集成的BP神經網絡的優勢。
4 徑向基神經網絡
徑向基神經網絡又稱為RBF網絡，它與BP網絡同為多層前向網絡，也能夠以任意的精度逼近任何非線性函數，只是它與BP網絡采用的傳遞函數不同，BP通常采用的是Sigmoid函數或線性函數作為傳遞函數，而RBF網絡則采用徑向基函數作為傳遞函數。本文后面將采用徑向基函網絡與BP網絡進行對比。
5 競爭神經網絡
競爭神經網絡的特點是它的各個神經元之間是相互競爭的關系，眾多神經元之間相互競爭以決定勝出者，或勝神經元決定哪一種原模型最能代表輸入模式。
6 反饋神經網絡
BP神經網絡（Fredric M.Ham Ivica Kostanic Principles of Neurocomputing for Science―Engineering 2007）BP神經網絡具有sigmoid隱含層以及線性輸出層，具有很強的映射能力，本節我們對BP網絡神經元和網絡結構進行介紹。神經網絡方法的具體步驟是：向網絡提供訓練例子，即學習樣本，包括輸入和期望的輸出。確定網絡的實際輸出和期望輸出之間允許的誤差。改變網絡中所有連接權值，使網絡產生的輸出更接近于期望輸出，直到滿足確定的允許誤差。下圖給出了一個具有N個輸入的基本的BP神經元模型結構。途中每一個輸入都被賦予一定的權值，與偏差求和和后形成神經元傳遞函數的輸入。
我們來看看三層BP神經網絡模型的數學表達，首先我們來確定途中各個參數所代表的涵義：
（1）輸入向量：X=（x1，x2，…，xi，…，xn）T；
（2）隱層輸出向量：Y=（y1，y2，…，yj，…，ym）T；
（3）輸出層輸出向量：O=（O1，O2，…，Ok，…，Ol）T；
（4）期望輸出向量：d=（d1，d2，…，dk，…，dl）T；
（5）輸入層到隱層之間的權值矩陣：V=（V1，V2，…，Vj，…，Vm）；
（6）隱層到輸出層之間的權值矩陣：W=（W1，W2，…，Wk，…，Wl）。
BP神經網絡就是通過構建上述變量來完成網絡的描述。
我們從上至下，從輸出層開始看BP網絡的工作原理，對于輸出層：
k=1，2，…，l （1）
k=1，2，…，l （2）
對于隱層：j=1，2，…，m （3）
j=1，2，…，m （4）
其中的是傳遞函數我們可以采用單極性Sigmoid函數： （5）
（1）網絡誤差與權值調整
輸出誤差E定義：
（6）
（7）
在這一步的基礎上，進一步展開至輸入層：
（8）
j=0，1，2，…，m；k=1，2，…，l （9）
i=0，1，2，…，n；j=1，2，…，m （10）
式中負號表示梯度下降，常數η∈（0，1）表示比例系數。在全部推導過程中，對輸出層有j=0，1，2，…，m；k=1，2，…，l，對隱層有i=0，1，2，…，n；j=1，2，…，m
（2）BP算法推導
對于輸出層，式（9）可寫為：
（8）對隱層，式（9）可寫為：（10），對于隱層，利用式（7）：
可得： （11）
將以上結果代入式（8），并應用式（5）：，得到：
（12）
（13）
至此兩個誤差信號的推導已完成。將式（12）代回到式（8），得到三層前饋網的BP學習算法權值調整計算公式為：
（14）
篇5
關鍵詞： 神經網絡；模擬電路；故障智能診斷
Applications of Neural network in analog circuit fault intelligent diagnosis
Huang Qian1 ，Lu Li2
Nanchang institute of technology JiangXi NanChang 330029
Abstract： The article mainly describe development course of neural network simulation circuit and the common method of fault diagnosis of simulation power based on neural network at this stage， the focus analysised BP neural network fault dictionary method and the SOM neural network fault dictionary method and respective of calculation method， and basic thought， and technology difficulties analysis， discussed application problem of neural network method in in analog circuit fault intelligent diagnosis， last talk about development trend of simulation circuit neural network diagnosis method.
Keyword： Neural network；Analog circuits；Intelligent fault diagnosis
引 言
隨著神經網絡等人工智能技術的發展， 模擬電路故障診斷的研究又開辟了一條新路， 基于神經網絡的模擬電路故障診斷方法已經成為新的研究熱點。20世紀80年代末期起有學者研究將人工神經網絡應用到模擬電路的故障診斷中，現階段已經提出多種基于神經網絡的模擬電路故障診斷方法，有些方法如BP（ Error Back Propagation Network）神經網絡故障字典法已經能有效應用于濾波電路、模擬放大電路等非線性容差電路的故障診斷， 效果優于傳統的故障字典法。
1神經網絡故障字典法
神經網絡故障字典法把模擬電路的故障診斷看成是一個分類問題， 利用神經網絡的分類功能來診斷故障。在測前把神經網絡訓練成一部故障字典， 字典的信息蘊含在網絡的連接權值中， 只要輸入電路的測量特征， 就可以從其輸出查出故障。
1.1 BP 神經網絡故障字典法
BP 是一種多層網絡誤差反傳學習算法。
1）初始化，隨機給定各連接權[w]，[v]及閥值θi，rt。
（2）由給定的輸入輸出模式對計算隱層、輸出層各單元輸出
式中：bj為隱層第j個神經元實際輸出；ct為輸出層第t個神經元的實際輸出；wij為輸入層至隱層的連接權；vjt為隱層至輸出層的連接權。
式中：dtk為輸出層的校正誤差；ejk為隱層的校正誤差。
（3）計算新的連接權及閥值，計算公式如下：
（4）選取下一個輸入模式對返回第2步反復訓練直到網絡設輸出誤差達到要求結束訓練。
應用BP 神經網絡故障字典法進行模擬電路故障診斷步驟如下：
（1）確定待測電路的故障集和狀態特征參量， 采用電路仿真或實驗的方法獲取電路每一故障狀態下的狀態特征數據， 經篩選和歸一化處理后構造訓練樣本集。設計BP 神經網絡并進行訓練。
（2）用訓練樣本集中的樣本訓練好網絡， 即完成學習的過程。一般采用3 層BP 神經網絡， 輸入層節點數與電路狀態特征參量的維數相同， 輸出層節點數可與電路待測故障類別數相同，也可小于待測故障類別數， 隱層節點數則需按經驗公式試湊。實際診斷時給被測電路加相同的測試激勵， 將測得的實際狀態特征參量輸入到訓練好的BP 神經網絡， 則其輸出即可指示相應的故障狀態。
1.2 SOM神經網絡故障字典法
SOM （Self - organizing Feature Map）神經網絡是芬蘭教授Kohonen于1981 年提出的一種自組織特征映射神經網絡。這種自組織特征映射神經網絡通過對輸入模式的反復學習，使連接權矢量空間分布密度與輸入模式的概率分布趨于一致， 即連接權矢量的空間分布密度能反映輸入模式的統計特性。
SOM二維網絡拓撲結構圖
SOM 網絡能對輸入模式自動分類，通過輸入模式的自組織學習， 在競爭層將分類結果表示出來。應用SOM 神經網絡建立模擬電路故障診斷字典的具體步驟如下：
（1）確定電路的故障集和激勵信號。通過仿真獲取電路在每一故障狀態下的狀態特征向量， 并進行預處理得到訓練樣本數據。
（2） 確定SOM 網絡結構。 SOM 網絡只有輸入層和輸出層兩層， 沒有隱層，輸入層的形式與BP 網絡相同， 其結點數應與電路狀態特征向量的維數相同。輸出層即競爭層的神經元一般采用二維平面陣結構排列， 也可采用一維線陣或三維柵格陣的結構排列。采用一維線陣時， 輸出層結點數可與電路的故障類別數相同。
（3）經過SOM 訓練形成具有容差的故障字典。SOM 網絡的學習算法可采用標準的Kohonen 算法。可以看出， SOM 網絡法與BP 網絡法構建故障字典的方法步驟完全相似，SOM 網絡法一般適用于交流電路， 以電路響應的頻域參量為狀態特征，它能更有效地克服容差因素對故障定位的影響，SOM 網絡法實際診斷時容易出現模糊故障集， 診斷過程要比BP網絡法復雜。
1.2神經網絡故障字典法難點
同經典的故障字典法相比， 神經網絡故障字典法突出的優點是測后診斷速度快，實時性強，其原因是該方法利用了神經網絡高度并行的信息處理能力。經典的故障字典法需要進行繁瑣的模糊集分割處理， 且一般只能診斷硬故障。而神經網絡故障字典法由于神經網絡的泛化能力，可以診斷容差模擬電路， 而且對軟故障情況也有很好的應用前景。應用該方法難點包括以下幾個方面：
（1）神經網絡的結構和參數等只能依據經驗反復調試， 難以確定所設計的神經網絡是最優的。
（2）數據預處理技術和訓練樣本集的篩選至關重要，神經網絡故障字典法的診斷效果主要依賴于此。如何根據實際電路對原始數據進行預處理以突出故障特征信息及如何優選訓練樣本。
2 神經網絡優化診斷法
傳統的優化診斷法依據被測電路的解析關系， 按照一定的判據（目標函數） ， 估計出最有可能出現故障的元件。優化診斷法是一種測后模擬的逼近法， 可在較少的測量數據下診斷故障，避免元件的容差問題， 可以診斷軟故障和多故障但傳統優化診斷法存在一個復雜的重復過程， 需要多個優化過程和多次電路模擬， 測后計算量很大。
神經網絡優化診斷法對傳統方法進行改進， 利用Hopfield 神經網絡的優化計算功能尋優， 克服了傳統的優化診斷方法測后計算量大、實時性差的缺點。由于該方法最終是通過求解元件參數或參數增量來判定故障元件的。
神經網絡優化診斷法的基本思想是將模擬電路的故障診斷方程轉換為帶約束條件的優化問題， 然后利用Hopfield 神經網絡進行優化問題的求解。將優化問題映射到一種神經網絡的特定組態上， 此組態相應于優化問題的可能解， 然后再構造一個適合于待優化問題的能量函數（對應于目標函數）， 當Hopfield 神經網絡從某一初始狀態沿著能量函數減小的方向運動， 其穩定平衡解即對應于優化問題的解。對于線性電阻電路， 可以以元件參數增量和可測節點電壓變化量建立故障診斷方程， 該診斷方程通常為一組欠定方程。
應用Hopfield 神經網絡求解此類帶約束條件的優化問題的步驟如下：
（1）分析問題： 分析網絡輸出與問題的解相對應。
（2）構造網絡能量函數： 將實際待解決優化問題的目標函數表達成能量函數的相應形式， 能量函數最小值對應問題最佳解。
（3）設計網絡結構： 將能量函數與目標函數相比較， 求出能量函數中的權值和偏流。
（4）運行網絡求出穩定平衡態： 由網絡結構建立網絡的電子線路， 運行該電子線路直至穩定， 所得穩態解即為優化問題所希望的解。
3 其它神經網絡故障診斷法
ART （Adaptive Resonance Theory）神經網絡故障診斷法。ART 神經網絡是一種基于自適應共振理論ART的學習算法， 包括ART1 型、ART2 型和ART3 型三種結構形式。文獻三中的作者探討了一種采用ART1 型神經網絡進行模擬電路故障診斷的方法，將電路的各種故障分出層次，并按一定特征給故障類型進行編碼形成故障數據樣本，將故障數據樣本輸入ART1型神經網絡進行訓練， 訓練完成后該ART 網絡即可用于診斷。ART最大的特點是既能識別已有的故障模式， 又能較好地診斷新發故障。基于神經網絡的網絡撕裂法。網絡撕裂法是一種大規模模擬電路分層診斷的方法， 將網絡撕裂法與神經網絡故障字典法相結合就形成基于神經網絡的網絡撕裂法。
ART的基本思路是， 當電路網絡分解到一定程度后， 電路子網絡繼續分解往往越來越困難， 這時可以引入神經網絡故障字典法， 分別為每一電路子網絡構建一個神經網絡， 則電路子網絡級的診斷采用神經網絡故障字典實現。
與傳統的網絡撕裂法相比， 該方法測后工作量小， 診斷過程更加簡單，診斷速度加快。基于神經網絡求解非線性方程的模擬電路故障診斷方法。
4 模擬電路神經網絡診斷法發展趨勢
近年來， 一個值得重視的現象是神經網絡與專家系統、模糊控制、遺傳算法和小波分析等技術相結合應用于模擬電路的故障診斷領域的研究。如神經網絡與模糊邏輯理論相結合， 即所謂的“模糊神經網絡”用于模擬電路的故障診斷， 其基本思想是在BP 神經網絡的輸入層與輸出層中間增加1到2 層模糊層構造模糊神經網絡，利用神經網絡處理低層感知數據， 利用模糊邏輯描述高層的邏輯框架，其對模擬電路軟故障的診斷效果優于單一的神經網絡分類器。又如小波分析與神經網絡結合應用于模擬電路的故障診斷。
小波與神經網絡的結合有以下兩個途徑：
（1） 輔助式結合， 比較典型的是利用小波分析對信號進行預處理， 然后用神經網絡學習與判別。
（2）嵌套式結合， 即把小波變換的運算融入到神經網絡中去， 其基本思想是用小波元代替了神經元，即激活函數為已定位的小波函數基， 通過仿射變換建立小波變換與神經網絡的聯接，小波神經網絡由于把神經網絡的自學習特性和小波的局部特性結合起來，具有自適應分辨性和良好的容錯性。
參考文獻
[1] 王顯強.談談神經網絡在模擬電路故障診斷中的應用問題[J]
電路技術.2012（06）
[2] 劉華.基于神經網絡的模擬電路故障診斷方法研究[J]微電子學報.2010（03）
[3]董偉.談ART1 型神經網絡進行模擬電路故障診斷方式分析. [J]電路科技. 2012（05）
[4]王承. 基于神經網絡的模擬電路故障診斷方案探究.[J]電路科技. 2013（06）
[5]張宇. 基于神經網絡的模擬電路故障診斷方案探究.[J]計算機測量與控制. 2012（07）
[6]王承. 基于神經網絡的模擬電路故障診斷方案探究.[J]電路故障. 2013（02）
[7]劉盛燦. 神經網絡的模擬電路故障的應用.[J]電路科技. 2013（06）
[8] 萬磊.神經網絡在模擬電路故障診斷中的應用若干問題探討[J]
電路技術.2011（08）
[9] 郭明強.神經網絡在模擬電路故障診斷中的發展歷程分析[J]電路技術.2013（08）
篇6
關鍵詞：ZISC78；徑向基函數神經網絡（RBFNN）；實時；預報
1引言
神經網絡是近年來得到廣泛關注的一種非線性建模預報技術。它具有自組織、自學習、自適應和非線性處理、并行處理、信息分布存儲、容錯能力強等特性，對傳統方法效果欠佳的預報領域有很強的吸引力。基于神經網絡的非線性信息處理方法已應用于軍事信息處理及現代武器裝備系統的各個方面，并有可能成為未來集成智能化的軍事電子信息處理系統的支撐技術。該技術在一些先進國家已部分形成了現實的戰斗力。
船舶在波浪中航行，會受到風、浪和流的影響，因而將不可避免地發生搖蕩運動。嚴重的搖蕩會使船員工作效率下降、物品損壞、軍艦的戰斗力下降。如果能夠預知未來一段時間船舶的運動情況，不僅有利于盡早采用先進控制算法控制艦載武器平臺隔離船舶運動的影響，使其始終穩定瞄準目標，而且還可獲得未來一個海浪周期內的船舶運動情況，以研究船載武器上層的控制策略，從而提高火力密度，因此，有必要研究在海浪中具有一定精度的海浪中船舶運動的短期預報。此外，如能有效準確地預報船舶的橫搖運動，對于提高船舶的耐波性和適航性也有重要意義。
國內外學者也將神經網絡用于船舶運動預報研究，但往往沒有考慮實時性等實現問題，因而不能實用化。神經網絡實現技術是神經網絡研究的一個重要方面。神經網絡實現可分為全硬件實現和軟件實現兩種。目前神經網絡的實現還主要以軟件模擬為主，由于現行的馮諾曼計算機體系結構不能實現并行計算，因而神經網絡軟件的實時應用還受到一定限制。
目前，一些著名集成電路制造公司如Intel、Mo-torola、松下、日立、富士通等均已推出自己的模擬或數字神經網絡芯片，這些芯片無論在網絡規模還是運行速度上都已接近實用化的程度，因而給神經網絡應用的發展以極大的推動。由于艦載武器系統，需選用具有在片學習功能的神經網絡芯片，即將網絡訓練所需的反饋電路及權值存儲、計算和修正電路都集成在了一個芯片，因而可實現全硬件的、具有自學習能力的神經網絡系統，也可以說，這是一種具有自適應能力的神經網絡。
2ZISC78的功能及工作原理
ZISC78是由IBM公司和Sillicon聯合研制的一種低成本、在線學習、33MHz主頻、CMOS型100腳LQFP封裝的VLSI芯片，圖1所示是ZISC78的引腳排列圖。ZISC78的特點如下：
內含78個神經元；
采用并行結構，運行速度與神經元數量無關；
支持RBF／KNN算法；
內部可分為若干獨立子網絡；
采用鏈連接，擴展不受限制；
具有64字節寬度向量；
L1或LSUP范數可用于距離計算；
具有同步／異步工作模式。
2．1ZISC78神經元結構
ZISC78采用的神經元結構如圖2所示，該神經元有以下幾種狀態：
(1)休眠狀態：神經網絡初始化時，通常處于這種狀態。
(2)準備學習狀態：任何時侯，神經網絡中的神經元都處于這種狀態。
(3)委托狀態：一個包含有原型和類型的神經元處于委托狀態。
(4)激活狀態：一個處于委托狀態的神經元，通過評估，其輸入矢量處于其影響域時，神經元就被激活而處于激活狀態。
(5)退化狀態：當一個神經元的原型處于其它神經元類型空間內，而大部分被其他神經元類型空間重疊時，這個神經元被宣布處于退化狀態。
2．2ZISC78神經網絡結構
從圖3所示的ZISC78神經網絡結構可以看出，所有神經元均通過“片內通信總線”進行通信，以實現網絡內所有神經元的“真正”并行操作。“片內通信總線”允許若干個ZISC78芯片進行連接以擴大神經網絡的規模，而這種操作不影響網絡性能。
ZISC78片內有6bit地址總線和16bit數據總線，其中數據總線用于傳輸矢量數據、矢量類型、距離值和其它數據。
2．3ZISC78的寄存器組
ZISC78使用兩種寄存器：全局寄存器和神經元寄存器。全局寄存器用于存儲與所有神經元有關的信息，每片僅有一組全局寄存器。全局寄存器組中的信息可被傳送到所有處于準備學習狀態和委托狀態的神經元。神經元寄存器用于存儲所屬神經元的信息，該信息在訓練學習操作中寫入，在識別操作中讀出。
2．4ZISC78的操作
ZISC78的操作包括初始化、矢量數據傳播、識別和分類等三部分。
初始化包括復位過程和清除過程。
矢量數據傳播包括矢量數據輸入過程和神經元距離計算過程。神經元距離就是輸入矢量和神經元中存儲的原型之間的范數。通常可選L1范數或Lsup范數：
其中，Xi為輸入矢量數據，Xs為存貯的原型數據。
對于識別和分類，ZISC78提供有兩種可選擇的學習算法RBF和KNN。其中RBF是典型的徑向基函數神經網絡。在該RBF模式下，可輸出識別、不確定或不認識的狀態；KNN模式是RBF模式的限制形式，即在KNN模式下，新原型的影響域總被設為1，輸出的是輸入向量和存儲原型之間的距離。需要指出的是，ZISC78具有自動增加或減小神經元個數以適應輸入信號的分類和識別功能，神經元個數的最大值和最小值在全局寄存器組中設定。
2．5ZISC78的組網
一個ZISC78芯片內可以通過寄存器操作定義若干個獨立的網絡。若干個ZISC78芯片通過層疊可以組成一個更大的神經網絡，組網芯片數量沒有限制，小于10個ZISC78組網時，甚至連電源中繼器件也不需要。所以，ZISC78具有最大的靈活性，能夠滿足不同的需要。
3仿真實例
為了驗證ZISC78用于船舶運動實時預報的精度，本文對徑向基函數神經網絡預報進行了仿真，圖4給出了基于徑向基函數神經網絡和船舶運動慣導實測信號預報的0．3秒（15步）誤差曲線圖。
通過以慣導實測數據ZHX＿lg．dat為例預報0．3秒（15步）以后的船舶運動，作者運用相空間重構理論已經判斷出本數據為非線性信號。
該仿真的最大預報誤差方差為6．4666e－004，該數據可以滿足戰技指標。
篇7
關鍵詞：自主導航；人工智能；模糊神經網絡；避障；BP神經網絡
中圖分類號：TP79文獻標識碼：A文章編號：1005-3824（2014）03-0083-03
0引言
2013年12月14日21時11分，嫦娥三號探測器在月球表面預選著陸區域成功著陸，裝著紅外成像光譜儀、避障相機、機械臂和激光點陣器等設備的月球車“玉兔”驅動著6個輪子在月球表面留下了歷史的痕跡。這標志著我國已成為世界上第3個實現地外天體軟著陸的國家，也展現出了智能控制系統[1]在航天事業上的卓越應用。在如今的社會生活中，隨處體現著智能技術的存在，人們已經離不開智能技術，智能機器人的發展也飛速前進，從兒童的玩具機器人到太空探索的機器人，可以預見智能機器人的應用將更加廣泛。近年來，非線性動態系統的自適應控制在我國引起了廣泛的研究，模糊神經網絡控制是一個重要的自適應方法，因此得到了很多專家學者的青睞。
模糊邏輯控制在宏觀上模仿人的思維，處理語言和思維中的模糊性概念，它是以模糊集合論、模糊語言變量和模糊邏輯推理為基礎的一種計算機數字控制技術；神經網絡是從微觀上模仿人的智能行為，進行分布式并行信息處理算法的數學模型，它是根據人腦的生理結構和信息處理過程創造的[2]。模糊控制與神經網絡各自都有一定的應用局限，因此，人們早在20世紀80―90年代就把它們相結合，組成更為完善的控制方法。模糊控制與神經網絡的結合有多種方式，根據研究角度和應用領域的變化而不同。1模糊控制與神經網絡的介紹
1.1模糊邏輯控制系統
模糊邏輯控制系統主要包含輸入變量、模糊控制器、被控對象和偏差。模糊邏輯控制系統結構如圖1所示。
知識庫：是模糊控制器的核心。由數據庫和規則庫組成，數據庫中存著有關模糊化、模糊推理、解模糊的一切知識，規則庫是由若干模糊規則組成的。
模糊推理機：根據模糊邏輯法則把邏輯規則庫中的模糊“if-then”轉換成某種映射。
反模糊化：反模糊化的方法一般有最大隸屬度平均法、最大中點法、面積等分法、重心法和加權平均法等。
模糊控制的優點：可以在預先不知道被控對象的精確數學模型；規則一般是由有經驗的操作人員或者專家的經驗總結出來并且以條件語句表示的，便于學習和理解；控制是由人的語言形式表示，有利于人機對話和系統知識的處理等。不足之處：精度不夠高；自適應能力有限；模糊規則庫非常龐大，難以進行更改優化[3]。
1.2人工神經網絡
人工神經網絡（ANN）是一種模擬人腦神經系統的結構和功能的運算模型，由大量的節點，即神經元及相互之間連接構成的，它是人工方式構造的一種網絡系統。神經元結構模型如圖3所示。
傳遞函數f又稱轉移函數或激活函數，是單調上升的有界函數，常用的轉移函數有線性函數、斜坡函數、階躍函數及單雙極S型函數等。但是最常用的還是單極S型函數：
神經網絡的結構形式也有幾種，例如，全互連型結構、層次型結構和網孔型結構等[4]。前饋型網絡是一類單方向層次型網絡模塊，其最基本的單層神經元網絡如圖4所示。
圖4單層神經元網絡3層BP神經網絡是比較常用的結構，圖5是它的基本結構。
圖5BP神經網絡的基本結構BP神經網絡至少有3層，圖5中，第Ⅰ層是輸入層，第Ⅱ層為隱藏層，第Ⅲ層為輸出層。由于3層的BP神經網絡就具有了模糊系統中萬能逼近的能力[5]，為了不使系統變得更復雜，本文就只用了3層的BP神經網絡，當然，也可以根據自身的實際應用情況增加隱層的層數，但并不是層數越多，精度就越高，相對的系統的反應時間就會增加，時延也會增長。
神經網絡的優點：能夠通過學習和訓練獲取用數據表達的知識，不僅可以記憶一直獲得的信息，還具有較強的概括及聯想記憶能力，它的應用已經延伸到各個領域，在各方面取得很好的進展等。不足之處：缺乏統一的方法處理非線性系統；網絡的權值是隨機選取的；學習的時間長；無法利用系統信息和專家經驗等語言信息；難以理解建立的模型等[6]。
所以，綜合以上模糊邏輯系統與神經網絡各自的優缺點，就提出了一種它們的結合方法，即模糊神經網絡控制方法。
2模糊神經網絡的結合方式
模糊神經網絡大致分為3種形式：邏輯模糊神經網絡、算術模糊神經網絡和混合模糊神經網絡。
在這3種形式的系統中，模糊神經混合系統是根據模糊控制系統和神經網絡各自不同的功能、用途集成在一個系統里面的[7]。在這類系統中，我們可以將神經網絡用于輸入信號處理，模糊邏輯系統用于行為決策[8]（如圖6），或者把模糊邏輯系統作為輸入信號處理，神經網絡系統作為輸出行為決策，再或者是將神經網絡去代替模糊控制器的一部分，還可以將基于神經元網絡的模糊系統或者神經元網絡用在模糊神經混合系統中。
在本文的應用中，使用的是輪式智能小車，它一共安裝了3個超聲波傳感器、3個紅外傳感器和1個角度傳感器，紅外傳感器除了應用在小車循跡外，還用來增加控制系統測量的精確性和彌補超聲波測距的盲區。例如，在某一路或者幾路超聲波受到了外界的干擾時，紅外線就可以測量出系統所需要的數量值。超聲波與紅外線用來測量小車到左、前、右障礙物的距離Ll，Lf，Lr；模糊神經系統中控制器的輸入包括： Ll，Lf，Lr，小車與障礙物的夾角tg；輸出為小車的轉角sa和小車的加速度va。將Ll，Lf，Lr的模糊變量設為{near ，far}，論域為（0―2 m）；tg的模糊變量為{LB，LM，ZO，RM，RB}表示{左大，左小，零，右小，右大}，論域為（-1800，1800）；距離和夾角的隸屬度函數如圖7和圖8所示。輸出變量的隸屬度函數在這里就不再贅述了。
在系統解模糊化時，是將一個模糊量轉換成確定量，常用的解模糊化的方法有最大隸屬度函數法、重心法、加權平均法。在本文中用的是重心法。
智能小車避障的控制系統如圖9所示。
篇8
本文建立相應的BP神經網絡模型，根據民生銀行信貸信用評級指標體系，選取BP神經網絡模型的訓練樣本和檢驗樣本。將訓練樣本輸入BP神經網絡進行訓練，BP神經網絡模型完成訓練后，用檢驗樣本對本文建立的BP神經網絡模型進行檢驗。完成訓練的BP神經網絡模型將根據企業的信用評級信息計算出企業信用得分的預測值，從而使商業銀行規避信貸過程中的信用風險，起到風險預警功能。
關鍵詞：
BP神經網絡；信貸信用；風險預警
我國一直沒有建立起符合市場規范的信用體系，信用風險是商業銀行面臨的最傳統最基本的風險形式，也是最難于控制和管理的風險形式。本文建立相應的BP神經網絡模型，根據民生銀行信貸信用評級指標體系，選取20個企業的信用評級信息作為BP神經網絡模型的訓練樣本，選取10個企業的信用評級信息作為BP神經網絡模型的檢驗樣本。將訓練樣本輸入BP神經網絡，讓BP神經網絡根據信貸企業信用得分的輸出值與真實值之間的誤差不斷調節各個神經元之間的權值與閥值，當誤差滿足要求時，BP神經網絡模型完成訓練。BP神經網絡模型完成訓練后，對本文建立的BP神經網絡模型進行檢驗[1]。完成訓練的BP神經網絡模型將根據企業的信用評級信息計算出企業信用得分的預測值，為商業銀行信貸過程中的信用風險進行預測評價，從而使商業銀行規避信貸過程中的信用風險，起到風險預警功能。
一、BP神經網絡理論
BP神經網絡理論是學習過程由信號的正向傳播與誤差的反向傳播兩個過程組成。正向傳播時，輸入樣本從輸入層傳人，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的輸出（教師信號）不符，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，此誤差信號即作為修正各單元權值的依據。這種信號正向傳播與誤差反向傳播的各層權值調整過程是周而復始地進行的[2]。權值不斷調整的過程，也就是網絡的學習訓練過程。此過程一直進行到網絡輸出的誤差減少到可接受的程度，或進行到預先設定的學習次數為止。
（一）BP網絡模型
采用BP算法的多層感知器是至今為止應用最廣泛的神經網絡，在多層感知器的應用中，單隱層網絡的應用最為普遍。一般習慣將單隱層感知器稱為三層感知器，所謂三層包括了輸入層、隱層和輸出層。三層感知器中，輸入向量為()T12,,...,,...,inX=xxxx；隱層輸出向量為()T12,,...,,...,jmY=yyyy；輸出層輸出向量為()T12,,...,,...,klO=oooo；期望輸出向量為()T12,,...,,...,kld=dddd。輸入層到隱層之間的權值矩陣用V表示，()T12,,...,,...,jmV=VVVV，其中列向量jV為隱層第j個神經元對應的權向量；隱層到輸出層之間的權值矩陣用W表示，()T12,,...,,...,kiW=WWWW，其中列向量kW為輸出層第k個神經元對應的權向量[3]。下面分析各層信號之間的數學關系。對于輸出層，有：(net)kko=fk=1,2,...,l（1）0netmkjkjjwy==∑k=1,2,...,l（2）對于隱層，有：(net)jjy=fj=1,2,...,m（3）0netnjijiivx==∑j=1,2,...,m（4）以上兩式中，轉移函數f(x)均為單極性Sigmoid函數：1()1xfxe−=+（5）f(x)具有連續、可導的特點，且有：f′(x)=f(x)[1−f(x)]（6）根據應用需要，也可以采用雙極性Sigmoid函數（或稱雙曲線正切函數）：1()1xxefxe−−−=+（7）式（1）～式（7）共同構成了三層感知器的數學模型。
（二）網絡訓練與檢驗
網絡設計完成后，要應用訓練樣本進行訓練。訓練時對所有樣本正向運行一輪并反向修改權值一次稱為一次訓練。在訓練過程中要反復使用樣本集數據，但每一輪最好不要按固定的順序取數據，通常訓練一個網絡需要很多次。網絡的性能好壞主要看其是否具有很好的泛化能力，而對泛化能力的測試不能用訓練集的數據進行，要用訓練集以外的測試數據來進行檢驗[4]。一般的做法是，將收集到的可用樣本隨機地分為兩部分，一部分作為訓練樣本，另一部分作為檢驗樣本。
二、基于BP神經網絡的民生銀行信用風險評價研究
（一）建立保險公司投資風險評價指標體系
貸款信用評級財務指標包括貸款企業經營管理能力、貸款企業債務償還能力和貸款企業持續發展能力。貸款企業經營管理能力包括五個指標，分別是資產報酬率、流動資產周轉率、應收賬款周轉率、主營收入現金含量、成本費用利潤率；貸款企業債務償還能力包括五個指標，分別是流動比率、利息保障倍數、資產負債率、現金流與流動負債比、凈資產與貸款余額比；貸款企業持續發展能力包括三個指標，分別是凈資產增長率、主營利潤增長率、工資福利增長率。貸款信用評級非財務指標包括五個指標，分別財務報表質量評價、企業員工能力、企業經營者履歷、企業經營者信譽、行業現狀及前景。
（二）BP神經網絡模型訓練
選取20個企業的信用評級信息作為BP神經網絡模型的訓練樣本。根據民生銀行信貸信用評級指標體系，訓練樣本的輸入向量X由18個指標組成，分別是資產報酬率1x、流動資產周轉率2x、應收賬款周轉率3x、主營收入現金含量4x、成本費用利潤率5x、流動比率6x、利息保障倍數7x、資產負債率8x、現金流與流動負債比9x、凈資產與貸款余額比10x、凈資產增長率11x、主營利潤增長率12x、工資福利增長率13x、財務報表質量評價14x、企業員工能力15x、企業經營者履歷16x、企業經營者信譽17x、行業現狀及前景18x。訓練樣本的輸入向量T121718X=(x,x,,x,x)。訓練樣本的輸出向量為Y，代表企業的信用得分。輸入BP神經網絡模型的訓練樣本如表1所示。建立的BP神經網絡模型為三層網絡，拓撲結構為18-5-1。將20個訓練樣本輸入BP神經網絡進行訓練，讓BP神經網絡根據信貸企業信用得分的輸出值與真實值之間的誤差不斷調節各個神經元之間的權值與閥值[5]。采用MATLAB7.0神經網絡工具箱進行運算，當誤差平方和小于10-5時，訓練終止。訓練樣本中各個信貸企業的真實信用得分和BP神經網絡模型輸出值。
（三）BP神經網絡模型檢驗
由表1可以看出BP神經網絡模型輸出值與信貸企業真實信用得分的誤差很小，下面對本文設計的BP神經網絡模型進行檢驗。BP神經網絡模型采用10個企業的信用評級信息作為檢驗樣本。對本文建立的BP神經網絡模型進行檢驗，將10個企業的信用評級信息作為檢驗樣本輸入完成訓練的BP神經網絡模型，完成訓練的BP神經網絡模型將根據10個企業的信用評級信息計算出企業信用得分的預測值。檢驗樣本中各個信貸企業的真實信用得分和BP神經網絡模型預測值如表2所示。根據表2的數據，得到信貸企業的真實信用得分和BP神經網絡模型預測值之間誤差曲線。檢驗樣本中信貸企業的真實信用得分和BP神經網絡模型預測值的擬合度較高，部分樣本真實值與預測值基本重合。檢驗樣本中信貸企業的真實信用得分和BP神經網絡模型預測值誤差值整體較小，最大誤差11.7%，最小誤差0.27%。假設以絕對誤差小于5%為容忍度，那么本文建立的BP神經網絡模型的準確率為70%。假設以絕對誤差小于10%為容忍度，那么本文建立的BP神經網絡模型的準確率為90%。
三、結論
1、檢驗樣本中信貸企業的真實信用得分和BP神經網絡模型預測值的擬合度較高，樣本21、26、28的真實值與預測值基本重合，樣本24、25的真實值與預測值偏差較大。
2、檢驗樣本中信貸企業的真實信用得分和BP神經網絡模型預測值誤差值整體較小，最大誤差11.7%，最小誤差0.27%。
3、假設以絕對誤差小于5%為容忍度，那么本文建立的BP神經網絡模型的準確率為70%。假設以絕對誤差小于10%為容忍度，那么本文建立的BP神經網絡模型的準確率為90%。計算結果表明本文建立的BP神經網絡模型準確率較高，可以為商業銀行信貸過程中的信用風險進行預測評價，從而使商業銀行規避信貸過程中的信用風險，起到風險預警功能。
參考文獻：
[1]許美玲,齊曉娜,李倩等.基于BP神經網絡的村鎮銀行信用風險預警模型的構建[J].河南科技,2014(22).
[2]黃夢宇.基于BP神經網絡的手機銀行風險預警模型研究[J].時代金融(下旬),2014(4).
[3]遲國泰,陳國斌,遲楓等.基于神經網絡的中國商業銀行效率綜合評價[J].哈爾濱工業大學學報,2006,38(4).
[4]于彤,李海東.基于BP神經網絡的客戶信用風險評價[J].現代電子技術,2014(10).
篇9
【關鍵詞】攔渣壩； BP神經網絡；小波神經網絡
0 前言
為了確保各種大型工程在施工和生產運行中會產生大量的棄土、棄石等廢棄固體物質的安全放置，必須建立合適的攔渣壩。但是，隨著攔渣壩運行時間的推移，攔渣壩運行的各種條件（如結構、基礎、環境等）逐漸發生變化，使得壩體材料老化變質、壩體結構性能衰減甚至惡化等影響其安全運行，這樣有可能嚴重的威脅著周邊人民的生命和財產安全，這在在國內外均有著深刻教訓。因此，必須對攔渣壩進行安全監測，建立正確有效的變形預測模型，科學地分析和預測攔渣壩的變形，及時發現存在的安全隱患，制定合理的防治措施，以確保攔渣壩的安全運行。
由于各種條件和環境的復雜性，使得攔渣壩變形的影響因素存在多樣性，利用單一的理論方法來對工程變形進行預測，其變形的大小是難以準確預測的。將多種理論和方法進行有機結合，建立一種方法預測工程變形的大小是一種有效的途徑。本文基于這樣的思想，將小波分析與神經網絡有機結合的小波神經網絡應用于攔渣壩工程實例，對其變形分析研究。
1 小波神經網絡
小波神經網絡是將小波分析與人工神經網絡有機結合的產物。其基本思想是用小波元代替神經元，用已定位的小波函數代替Sigmoid函數作為激活函數，然后通過仿射變換建立起小波變換與神經網絡系數之間的連接，形成的新模型具有較強的網絡逼近能力和容錯能力。
目前，將小波分析與人工神經網絡的結合主要有下面兩種方式：松散性結合，即將小波分析與人工神經網絡進行輔助式結合；緊致性結合，即將小波和神經網絡直接融合的一種方式， 它主要是把小波元代替神經元，將相應的輸入層到隱層的權值及隱層閾值分別由小波函數的尺度與平移參數所代替。其中緊致性結合方式也是當前研究小波神經網絡模型最主要的結構形式。
小波神經網絡是在小波分析的基礎上提出的前饋型神經網絡。小波神經網絡激活函數是具有良好時頻局域化性質的小波基函數。設小波神經網絡有m（m=1，2，…，m）個輸入節點、N（N=1，2，…，N）個輸出層、n（n=1，2，…，n）個隱含層節點。并設xk為輸入層的第k個輸入樣本，yi為輸入層的第i個輸出值，wij為連接輸出層節點i和隱含層節點j的權值，wjk為連接隱含層節點j和輸入層節點k的權值。約定wi0是第j個輸出層節點閾值，wj0是第j個隱含層節點閾值，aj和bj分別為第j個隱含層節點的伸縮和平移因子，則小波神經網絡模型可以表示為：
2 工程實例應用
國家某重點高速公路第B4合同段內某攔渣壩，其壩體為混凝土重力壩，長約122米，高約30米，攔渣壩上面（上游）是巨大的高速路高填方路基，這在國內是比較罕見的，而下游是梅西河。本攔渣壩主要是為了防止高速路隧道挖方土回填的高填方路基滑動和垮塌發生危險，從而對高速路的運行和梅溪河的通航造成不必要的影響。通過對攔渣壩體上S5號點上的沉降監測數據分析，建立變形預測的小波神經網絡模型。將從2008年9月28日到2009年11月5日共11期數據作為學習樣本對攔渣壩小波神經網絡進行訓練和學習。對S5號從2010年2月1日到2010年12月29日共5期數據進行預測。
通過對混凝土壩的研究和本攔渣壩功能作用的分析，可知影響本攔渣壩沉降變化的因素主要有：溫度、土壓力、時效。其中取4個溫度因子，分別為C、C5、C15、C30（Ci為自觀測日起前i天的平均氣溫）；土壓力因子1個（為S5號點附近土壓力盒的每期平均計算壓力）；時效因子2個，分別為T、InT（T為觀測日到起算日的累計天數除以100）。故輸入層節點數為7個。而輸出層節點數為1個，即為觀測點S5每次垂直方向的累計沉降量。先用經驗公式確定一個初始節點數，然后進行試驗訓練，當隱含層節點數為13時網絡訓練最為合適，所以采用7-13-1的結構形式的小波神經網絡模型。通過對不同小波函數的試驗訓練，多次計算表明，當選用Morlet小波函數時網絡的總體性能較好。利用Matlab7.1語言編制相應的網絡模型程序進行計算。
為了充分的分析小波神經網絡的訓練效果，本文中也采用相同結構的BP神經網絡對攔渣壩監測數據進行訓練、預測。在本實例中，設兩種模型的收斂誤差都取0.0001。訓練結果表明，兩種模型的收斂速度都比較快，BP神經網絡訓練了25次就低于誤差限差；而小波神經網絡只訓練了5次就低于誤差限差0.0001，總體上小波神經網絡比BP網絡精度高。小波神經網絡訓練與BP神經網絡訓練擬合殘差系統比較結果如表1。
從預測結果對比分析表可以看出，小波神經網絡和BP神經網絡對攔渣壩變形預測的預測殘差絕對值在一個數量級上，但是WNN網絡的預測殘差值總體上明顯小于BP神經網絡。小波神經網絡的預測值與BP神經網絡的預測值相比較更加接近于實際值，WNN預測結果好于BP神經網絡預測結果，其預測優越性是顯而易見的。
3 小結
本文通過對小波神經網絡模型的研究，建立了攔渣壩變形預測的小波神經網絡模型。通過對WNN網絡模型和BP神經網絡模型訓練擬合結果與預測結果的對比分析，可以看出小波神經網絡模型在攔渣壩變形預測中的收斂性和精度比BP神經網絡好，對攔渣壩的變形預測研究有一定的參考應用價值。
【參考文獻】
篇10
【關鍵詞】小波神經網絡;建筑承發包價格;預測
0.引言
建筑市場的健康發展對于拉動經濟增長，調整產業結構，改善人民生活水平起著重要的作用。建筑市場又是一個復雜的系統，因為建筑市場設計到建筑材料市場、金融市場、勞動力市場等各方面的發展，所以對于建筑市場進行研究是必要的。建筑工程承發包模式在我國建筑市場中扮演的角色越來越重要，其中，建筑工程承發包價格管理尤為重要，直接關系到國家建設資金的合理利用，關系到維護建筑市場的秩序以及承發包雙方的合法權益，是國家有關部門和建筑各方都非常關心的問題。目前,可用于承發包價格預測的方法很多,比如回歸分析法、因果分析法、灰色系統以及BP神經網絡等各種預測方法。但是，由于建筑承發包價格具有非線性趨勢，因此，就必須利用模擬非線性的模型，前面幾種方法在這方面都存在不足。本文依據小波的時頻域特征，將小波分析理論與神經網絡預測模型結合在一起，提出了一種新的預測模型―小波神經網絡模型，并將其應用于房地產價格指數的預測，解決了預測非線性時間序列的不足[1]。
1.小波神經網絡模型
小波神經網絡(Wavelet Neural Networks，縮寫WNN)， 是近幾年國際上新興的一種數學建模分析方法，是結合最近發展的小波變換良好的時頻局域化性質與傳統人工神經網絡的自學習功能力而形成的。最早是由法國著名的信息科學研究機構IR ISA 的Q inghua Zhang 等[2]于1992 年提出的, Y C Pat i 等[5]對離散仿射小波神經網絡進行了研究.小波神經網絡是通過小波分解進行平移和伸縮變化后而得到的級數，具有小波分解的一般逼近函數的性質與分類特征。并且由于它引入了兩個新的參變量，即伸縮因子和平移因子，所以小波神經網絡具有比小波分解更多自由度，從而使其具有更靈活有效的函數逼近能力，更強的模式識別能力和容錯能力。由于其建模算法不同于普通神經網絡的BP算法，故可有效地克服普通人工神經網絡模型所固有的缺陷[3]。
小波神經網絡是基于小波分析而構成的一類新型前饋網絡，也可以看作是以小波函數為基底的一種新型函數連接神經網絡，其信號的表達式通過將所選取得小波基疊加來實現的等[4]。在信號分類中，子波空間可作為模式識別的特征空間，通過將小波基與信號向量的內積進行加權和來實現信號的特征提取，然后將這些特征輸入到分類器中，它結合了小波變換良好的時頻局域化性質及神經網絡的自學習功能，因而具有良好的逼近與容錯能力[5]。
小波神經網絡學習的具體算法如下：
3.基于小波神經網絡的建筑承發包價格預測
3.1數據的選取與預處理
以紹興市市磚混結構住宅為例,對建筑工程承發包價格進行預測研究。根據紹興市統計年鑒,2005 年～2009 年浙江建設工程材料信息價以及調研得到影響建設工程承發包價格因素的相關數據，為了更方便的進行預測，首先要進行歸一化處理，采用公式：
表1 經過歸一化處理后的建筑承發包價格
Table1 Normalized real estate price index
3.2小波神經網絡預測模型預測結果
在設計網絡時采用三層網絡模型，這樣比采用四層網絡不易陷入局部極小值。采用此結構對上面歸一化的中房指數數據進行預測。并將整個過程運用Matlab進行編程實現將數據分為兩組，前一組用于訓練網絡，后一組用作檢驗。用小波神經網絡預測模型進行預測，結果如表2所示。
表2 小波神經網絡預測結果
Table 2 Forecast result of WNN
4.小結
小波神經網絡是結合最近發展的小波變換良好的時頻局域化性質與傳統人工神經網絡的自學習功能而形成的，具有深厚的數學基底，被廣泛應用于各個領域。本位在介紹小波神經網絡的同時，建立起了一種小波神經網絡預測模型，并將其應用于建筑承發包價格的預測當中。
【參考文獻】
［1］諸靜.智能預測控制及其應用[M].杭州:浙江大學出版社,2000.
［2］劉明才.小波分析及其應用[M].北京:清華大學出版社,2005.
［3］王洪元等.人工神經網絡技術及其應用[M].北京:中國石化出版社,2002.
