人工神經(jīng)網(wǎng)絡(luò)改進(jìn)精選(九篇)

前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的人工神經(jīng)網(wǎng)絡(luò)改進(jìn)主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：人工神經(jīng)網(wǎng)絡(luò)改進(jìn)范文

關(guān)鍵詞: 人工神經(jīng)網(wǎng)絡(luò)BP算法改進(jìn)BP算法倒立擺小車

1.引言

倒立擺系統(tǒng)是時(shí)變的、非線性、多變量和自然不穩(wěn)定系統(tǒng),在控制過(guò)程中,它能有效地反映可鎮(zhèn)定性、魯棒性、隨動(dòng)性和跟蹤等許多控制中的關(guān)鍵問(wèn)題,是檢驗(yàn)各種控制理論的理想模型。人工神經(jīng)網(wǎng)絡(luò)BP算法,在多變量輸入情況下具有精度高、實(shí)現(xiàn)快、算法簡(jiǎn)單、魯棒性好等優(yōu)點(diǎn),從而滿足了系統(tǒng)的要求[1]。

2.人工神經(jīng)網(wǎng)絡(luò)BP算法簡(jiǎn)介

人工神經(jīng)網(wǎng)絡(luò)(ANN)由于具有信息的分布存儲(chǔ)、并行處理和自學(xué)習(xí)能力等優(yōu)點(diǎn),在信息處理、模式識(shí)別、智能控制等領(lǐng)域得到了越來(lái)越廣泛的應(yīng)用。近年來(lái),已有多種ANN模型被提出研究,80%―90%的人工神經(jīng)網(wǎng)絡(luò)模型是采用BP網(wǎng)絡(luò)或其改進(jìn)形式,它是前向網(wǎng)絡(luò)的核心部分,體現(xiàn)了網(wǎng)絡(luò)最精華的部分[2]。標(biāo)準(zhǔn)的BP網(wǎng)絡(luò)是根據(jù)Widrow―Hoff規(guī)則,采用梯度下降算法,主要由信息信號(hào)的正向傳播和誤差信號(hào)的反向傳播兩部分組成。

但BP網(wǎng)絡(luò)存在需較長(zhǎng)的訓(xùn)練時(shí)間、收斂于局部極小值等缺點(diǎn),為此人們對(duì)BP算法進(jìn)行了許多改進(jìn)。改進(jìn)主要有兩類:一類采用啟發(fā)式技術(shù),如附加動(dòng)量法、自適應(yīng)學(xué)習(xí)率法;另一類是采用數(shù)字優(yōu)化技術(shù),如共軛梯度法、擬牛頓法、Levenberg―Marquardt(LM)法[3]。由于LM算法收斂速度最快,精度較高,且經(jīng)過(guò)大量仿真實(shí)驗(yàn)分析比較,LM效果最好,故我們采用LM法對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

LM優(yōu)化方法權(quán)重和閾值更新公式[4]為:

其中J為誤差對(duì)權(quán)值微分的雅可比矩陣,e為誤差向量,μ為一個(gè)標(biāo)量。依賴于μ的幅值,該方法光滑地在兩種極端情況之間變化,即牛頓法(當(dāng)μ0)和著名的最陡下降法(當(dāng)μ∞)。

3.神經(jīng)網(wǎng)絡(luò)控制器設(shè)計(jì)

3.1訓(xùn)練樣本的選取

BP神經(jīng)網(wǎng)絡(luò)在未經(jīng)任何訓(xùn)練的情況下,不能作為系統(tǒng)控制器使用。在實(shí)際仿真過(guò)程中,我們選擇極點(diǎn)配置控制為BP網(wǎng)絡(luò)的教師進(jìn)行學(xué)習(xí),經(jīng)過(guò)試探訓(xùn)練,樣本數(shù)為2000時(shí)結(jié)果較為合理,此時(shí)樣本數(shù)據(jù)能夠反映系統(tǒng)的基本特征,可以得到預(yù)期的仿真結(jié)果。極點(diǎn)配置-2+5i-2-5i-5+4i-5-4i;A=[0 1 0 0;0-0.0883167 0.629317 0;0 0 0 1;0-0.235655 27.8285 0];B=[0 0.883167 0 2.35655]’;C=[1 0 0 0;0 1 0 0;0 0 1 0;0 0 0 1];D=[0 0 0 0]’;p=[-2+5i-2-5i-5+4i-5-4i]; K=acker(A,B,p)。

3.2 BP網(wǎng)絡(luò)結(jié)構(gòu)

BP網(wǎng)絡(luò)設(shè)計(jì)時(shí),增加層數(shù)主要可以進(jìn)一步降低誤差,提高精度,但卻使網(wǎng)絡(luò)復(fù)雜化。而增加隱含層的神經(jīng)元數(shù)也可提高誤差精度,且訓(xùn)練效果更易觀察和調(diào)整。為了使誤差盡可能小,我們要合理選擇初始權(quán)重和偏置,如果太大就容易陷入飽和區(qū),導(dǎo)致停頓,一般應(yīng)選為均勻分布的小數(shù),介于(-1,1)。

根據(jù)需要,在網(wǎng)絡(luò)初始化時(shí),BP采用0.5*Rands函數(shù)初始化權(quán)值,權(quán)值初始值選在(-0.5,0.5),選取訓(xùn)練目標(biāo)誤差為0.0001,訓(xùn)練次數(shù)上限為5000次。通過(guò)多次仿真實(shí)驗(yàn)性能比較,選取[4 9 1]的單隱層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),隱含層、輸出層分別采用Tansig、Purelin函數(shù),仿真實(shí)驗(yàn)表明變學(xué)習(xí)率訓(xùn)練算法訓(xùn)練時(shí)間長(zhǎng),5000次還不能達(dá)到所要求的精度,且系統(tǒng)容易發(fā)散,控制倒立擺效果不好,采用改進(jìn)的LM訓(xùn)練算法對(duì)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)訓(xùn)練可以得到較好的控制效果且訓(xùn)練時(shí)間短。在實(shí)際仿真過(guò)程中,BP網(wǎng)絡(luò)經(jīng)過(guò)53次訓(xùn)練即達(dá)到了訓(xùn)練目標(biāo)。

4.BP網(wǎng)絡(luò)訓(xùn)練結(jié)果

圖1分別給出了倒立擺小車位移、擺角和控制力的BP算法與極點(diǎn)配置算法仿真曲線對(duì)比圖,仿真結(jié)果表明:相較極點(diǎn)配置,BP算法精度高、實(shí)現(xiàn)快、魯棒性好,倒立擺小車在BP算法下只需2.5s左右就可以達(dá)到所設(shè)定精度的穩(wěn)定效果,且超調(diào)量很小,滿足了系統(tǒng)的要求。

5.結(jié)論

通過(guò)對(duì)人工神經(jīng)網(wǎng)絡(luò)BP算法的分析,筆者進(jìn)行了倒立擺小車改進(jìn)BP算法的控制系統(tǒng)仿真實(shí)驗(yàn)。仿真表明該改進(jìn)BP算法收斂性好、計(jì)算量小,尤其在非線性和魯棒控制等領(lǐng)域具有良好的應(yīng)用前景。BP神經(jīng)網(wǎng)絡(luò)從理論上可以逼近任意非線性函數(shù),所以它特別適合控制像倒立擺這樣的嚴(yán)重非線性、多變量系統(tǒng)。

參考文獻(xiàn):

[1]于秀芬,段海濱,龔華軍.基于人工神經(jīng)網(wǎng)絡(luò)BP算法的倒立擺控制研究[J].測(cè)控技術(shù),2003,22(3):41-44.

[2]張志華,朱章森,李儒兵.幾種修正的自適應(yīng)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法及其應(yīng)用[J].地球科學(xué),1998,23(2):179-182.

[3]蘇高利,鄧芳萍.論基于Matlab語(yǔ)言的BP神經(jīng)網(wǎng)絡(luò)的改進(jìn)算法[J].科技通報(bào),2003,19(2):130-135.

第2篇：人工神經(jīng)網(wǎng)絡(luò)改進(jìn)范文

>> 大規(guī)模自組織人工神經(jīng)網(wǎng)絡(luò)技術(shù)在智能建筑中的應(yīng)用方法研究 基于自組織增量神經(jīng)網(wǎng)絡(luò)的碼書產(chǎn)生方法在圖像分類中的應(yīng)用 基于Matlab的自組織神經(jīng)網(wǎng)絡(luò)在油氣層識(shí)別中的應(yīng)用研究 基于自組織競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)的地震預(yù)測(cè) 自組織競(jìng)爭(zhēng)網(wǎng)絡(luò)在測(cè)井資料巖性識(shí)別中的應(yīng)用 自組織特征映射網(wǎng)絡(luò)在探地雷達(dá)數(shù)據(jù)處理中的應(yīng)用 氣體識(shí)別自組織神經(jīng)網(wǎng)絡(luò) 一種基于自組織過(guò)程神經(jīng)網(wǎng)絡(luò)的動(dòng)態(tài)樣本半監(jiān)督學(xué)習(xí)算法 自組織灰色神經(jīng)網(wǎng)絡(luò)中的基于電力系統(tǒng)短期負(fù)荷預(yù)測(cè)方法應(yīng)用研究 基于自組織映射神經(jīng)網(wǎng)絡(luò)的邊坡樣本分析方法 基于SOM神經(jīng)網(wǎng)絡(luò)技術(shù)的區(qū)域卷煙消費(fèi)狀態(tài)自組織分類 人工神經(jīng)網(wǎng)絡(luò)模型在水動(dòng)力模型數(shù)據(jù)缺失中的應(yīng)用 基于人工神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)挖掘技術(shù)在臨床中應(yīng)用進(jìn)展 自組織特征映射網(wǎng)絡(luò)在壓縮編碼設(shè)計(jì)中的應(yīng)用 液壓控制系統(tǒng)中自組織雙模糊神經(jīng)網(wǎng)絡(luò)控制模型關(guān)鍵點(diǎn)研究 淺談人工神經(jīng)網(wǎng)絡(luò)在林業(yè)中的應(yīng)用 人工神經(jīng)網(wǎng)絡(luò)在空調(diào)系統(tǒng)中的應(yīng)用 一種改進(jìn)的動(dòng)態(tài)二叉樹的自組織神經(jīng)網(wǎng)絡(luò)算法 基于SOM神經(jīng)網(wǎng)絡(luò)技術(shù)的卷煙零售客戶自組織分類 基于自組織神經(jīng)網(wǎng)絡(luò)SOM的汽車安全氣囊裝配故障診斷 常見(jiàn)問(wèn)題解答 當(dāng)前所在位置：百度百科 移動(dòng)學(xué)習(xí)2012-12-7

[2] 葉成林 徐福蔭 許駿 移動(dòng)學(xué)習(xí)研究綜述 電化教育研究 2004 No.3

[3] 陳偉超 國(guó)內(nèi)移動(dòng)學(xué)習(xí)研究現(xiàn)狀及發(fā)展建議[J].中國(guó)電力教育，2009 No.9

[4] 詞匯語(yǔ)義知識(shí)庫(kù)淺述 劉興林 福建電腦 2009 No.9

第3篇：人工神經(jīng)網(wǎng)絡(luò)改進(jìn)范文

關(guān)鍵詞：山區(qū)高速公路；填石路堤；人工神經(jīng)網(wǎng)絡(luò)；沉降

中圖分類號(hào)：U412.36+6文獻(xiàn)標(biāo)識(shí)碼： A

1 引言

在山區(qū)高速公路修筑中，存在大量的石質(zhì)挖方路段和隧道路段，怎樣利用大量的石質(zhì)填料填筑路堤，使其不出現(xiàn)工程質(zhì)量事故，同時(shí)避免一方面大量借石填筑路堤，另一方面又造成大量的石質(zhì)棄方占用農(nóng)田耕地的不合理現(xiàn)象，成為山區(qū)高速公路建設(shè)中迫切需要解決的問(wèn)題。在高等級(jí)公路逐漸進(jìn)入山區(qū)的今天，在云南省乃至全國(guó)范圍內(nèi)還將遇到更多的填石路堤修筑技術(shù)問(wèn)題。填石路堤的壓實(shí)工藝和檢測(cè)手段及檢測(cè)標(biāo)準(zhǔn)，粗粒料的壓實(shí)特性，填石路堤的沉降、穩(wěn)定性評(píng)價(jià)是填石路堤面臨的主要難題[1]。

2 沉降分析方法

本文采用神經(jīng)網(wǎng)絡(luò)方法對(duì)某山區(qū)高速公路填石路堤沉降進(jìn)行分析計(jì)算，以便科學(xué)合理的評(píng)價(jià)公路填石路堤穩(wěn)定性與沉降規(guī)律。

2.1神經(jīng)網(wǎng)絡(luò)模型

BP神經(jīng)網(wǎng)絡(luò)通常是指基于誤差反向傳播算法（BP算法）的多層前向神經(jīng)網(wǎng)絡(luò)，它是目前應(yīng)用最廣泛也是發(fā)展最成熟的一種神經(jīng)網(wǎng)絡(luò)模型，它是按層次結(jié)構(gòu)構(gòu)造的，包括一個(gè)輸入層、一個(gè)輸出層和一個(gè)或多個(gè)隱藏層（圖中只畫出一層），一層內(nèi)的節(jié)點(diǎn)（神經(jīng)元）只和與該層緊鄰的下一層各節(jié)點(diǎn)相連。這個(gè)網(wǎng)絡(luò)學(xué)習(xí)過(guò)程由正向傳播和反向傳播兩個(gè)過(guò)程組成。在正向傳播過(guò)程中，輸入信息從輸入層經(jīng)隱藏層逐層處理，然后傳向輸出層，每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)。如果在輸出層不能得到希望的輸出，則轉(zhuǎn)向反向傳播過(guò)程，將誤差信號(hào)沿原來(lái)的連接通路返回，通過(guò)修改各層神經(jīng)元的權(quán)值，使得誤差信號(hào)最小[2]。

網(wǎng)絡(luò)學(xué)習(xí)的過(guò)程首先從給出一組隨機(jī)的權(quán)值開(kāi)始，然后選取學(xué)習(xí)樣本集中的一個(gè)模式（輸入和期望輸出對(duì)）作為輸入，接著按前饋方式計(jì)算輸出值。這時(shí)的輸出值和期望值之間的誤差一般比較大，這就迫使權(quán)值必須改變。利用反向傳播過(guò)程，計(jì)算所有的權(quán)值的改變量。對(duì)所有的模式和所有的權(quán)值重復(fù)計(jì)算，修正權(quán)值后又以前饋方式重新計(jì)算輸出值。實(shí)際輸出和目標(biāo)輸出之間的偏差和權(quán)值改變量又一次在計(jì)算中產(chǎn)生。在學(xué)習(xí)樣本中的所有模式進(jìn)行計(jì)算后得到一組新的權(quán)值，在接下來(lái)的前饋過(guò)程中便得到一組新的輸出值，如此循環(huán)下去。在一次成功的學(xué)習(xí)中，系統(tǒng)誤差或單個(gè)輸入模式的誤差將隨著迭代次數(shù)的增加而減小，而過(guò)程將收斂到一組穩(wěn)定的權(quán)值。

實(shí)際上，BP模型把一組樣本的輸入輸出問(wèn)題變?yōu)橐粋€(gè)非線性優(yōu)化問(wèn)題。我們可以把這種模型看成一個(gè)從輸入到輸出的映射，這個(gè)映射是高度非線性的。如果輸入節(jié)點(diǎn)數(shù)為n，輸出節(jié)點(diǎn)數(shù)為m，則神經(jīng)網(wǎng)絡(luò)表示的是從n維歐式空間到m維歐式空間的映射。

2.2 神經(jīng)網(wǎng)絡(luò)模型的改進(jìn)

BP算法的主要缺點(diǎn)是：收斂速度慢、局部極值、難以確定隱層和隱層節(jié)點(diǎn)的個(gè)數(shù)。在實(shí)際應(yīng)用中，BP算法很難勝任，因此出現(xiàn)了許多改進(jìn)算法。BP算法的改進(jìn)主要有兩種途徑：一種是采用啟發(fā)式學(xué)習(xí)算法，另一種則是采用更有效的優(yōu)化算法。

啟發(fā)式學(xué)習(xí)算法，就是對(duì)于表現(xiàn)函數(shù)梯度加以分析，從而改進(jìn)算法，其中包括：有動(dòng)量的梯度下降法（traingdm）、有自適應(yīng)lr的梯度下降法（traingda）、有動(dòng)量和自適應(yīng)lr的梯度下降法（traingdx）和能復(fù)位的BP訓(xùn)練法（trainrp）等。另一種是基于數(shù)值最優(yōu)化理論的訓(xùn)練算法，其中包括共軛梯度法、高斯－牛頓法和Levenberg-Marquardt方法等。

本文采用共軛梯度法進(jìn)行改進(jìn)。共軛梯度法是梯度法的一種改進(jìn)方法，可以改進(jìn)梯度法振蕩和收斂性差的缺陷。其基本思路是尋找與負(fù)梯度方向和上一次搜索方向共軛的方向作為新的搜索方向，從而加快訓(xùn)練速度，并提高訓(xùn)練精度。所有的共軛梯度法，都采用負(fù)梯度方向作為初始搜索方向：

然后沿著該方向作一維搜索：

接下來(lái)，就利用共軛方向作為新一輪的搜索方向，通常在當(dāng)前負(fù)梯度上附加上一次搜索方向：

共軛梯度法通常比自適應(yīng)lr的梯度下降法速度快，有時(shí)候也優(yōu)于彈性梯度下降法。同時(shí)由于共軛梯度法占有較少的存儲(chǔ)空間，因此在訓(xùn)練復(fù)雜網(wǎng)絡(luò)的時(shí)候，通常選用共軛梯度法[3]。

2.3程序的實(shí)現(xiàn)

本文采用Matlab，進(jìn)行程序的編制，算法如下：

%%神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)_BP神經(jīng)網(wǎng)絡(luò)模型

% n：原始數(shù)據(jù)個(gè)數(shù) x：填石路堤沉降實(shí)測(cè)值 y：填石路堤沉降預(yù)測(cè)值

clc;clear all;

clf;

%%讀數(shù)據(jù)；

load x1.txt;load x2.txt;

P=x2;x=x1;

%%NEWFF——生成新的線性神經(jīng)網(wǎng)絡(luò)

%%TRIAN——對(duì)線性神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練

%%SIM——對(duì)線性神經(jīng)網(wǎng)絡(luò)進(jìn)行仿真

%P——為輸入矢量；

%x——為目標(biāo)矢量；

%創(chuàng)建網(wǎng)絡(luò)

net=newff(minmax(P),[1,1],{'tansig','purelin'},'traingdm');

%當(dāng)前網(wǎng)絡(luò)層的權(quán)值與閾值

layerWights=net.LW{2,1};

layerbias=net.b{2};

%設(shè)置訓(xùn)練參數(shù)

net.trainParam.show=50;

net.trainParam.lr=0.05;

net.trainParam.mc=0.9;

net.trainParam.epochs=100;

net.trainParam.goal=0.1;

%%對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練

[net,tr]=train(net,P,x);

%對(duì)線性網(wǎng)絡(luò)進(jìn)行仿真

y=sim(net,P);

y

x

3 填石路堤沉降計(jì)算分析結(jié)果

以現(xiàn)場(chǎng)監(jiān)測(cè)數(shù)據(jù)與網(wǎng)絡(luò)預(yù)測(cè)值進(jìn)行比較如表1所示。應(yīng)用該模型進(jìn)行預(yù)測(cè)精度很高，這進(jìn)一步證明了該BP神經(jīng)網(wǎng)絡(luò)擬合效果好，泛化能力強(qiáng)，收斂快。所以，該法在填石路堤最終沉降預(yù)測(cè)中十分有效和可行。

表1 網(wǎng)絡(luò)預(yù)測(cè)與實(shí)際值比較

4 結(jié)輪

本文將人工神經(jīng)網(wǎng)絡(luò)引入到填石路堤的沉降計(jì)算，利用實(shí)測(cè)資料，直接建模，更好的反映了填石路堤的沉降規(guī)律，工程實(shí)例研究表明，網(wǎng)絡(luò)預(yù)測(cè)值與實(shí)測(cè)值吻合較好，可信度較高，并且隨著學(xué)習(xí)樣本的不斷補(bǔ)充，網(wǎng)絡(luò)的預(yù)測(cè)精度將進(jìn)一步提高。

（1）一個(gè)良好的神經(jīng)網(wǎng)絡(luò)模型，可以不斷學(xué)習(xí)，使求解的范圍不斷擴(kuò)大，同時(shí)人工神經(jīng)網(wǎng)絡(luò)的抗干擾能力較強(qiáng)，個(gè)別測(cè)點(diǎn)的誤差將不會(huì)對(duì)結(jié)果產(chǎn)生大的影響。

（2）工程實(shí)例研究表明，實(shí)測(cè)值與神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值吻合較好，但也有個(gè)別點(diǎn)偏差較大，主要原因是訓(xùn)練的數(shù)據(jù)太少，隨著訓(xùn)練數(shù)據(jù)的增加，網(wǎng)絡(luò)的預(yù)測(cè)精度還會(huì)進(jìn)一步提高。

（3）人工神經(jīng)網(wǎng)絡(luò)方法避免了傳統(tǒng)方法的許多弊病，具有自組織、自適應(yīng)、容錯(cuò)性等特點(diǎn)，計(jì)算精度高，操作簡(jiǎn)便，適應(yīng)性強(qiáng)，因而具有廣闊的工程應(yīng)用前景。

參考文獻(xiàn)：

第4篇：人工神經(jīng)網(wǎng)絡(luò)改進(jìn)范文

[關(guān)鍵詞] BP神經(jīng)網(wǎng)絡(luò) 圖像分類 Matlab 自適應(yīng)特征因子 收斂速度 精度

中圖分類號(hào)：P23 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-914X（2014）07-0321-03

1.引言

衛(wèi)星遙感對(duì)地觀測(cè)技術(shù)是人類獲取資源環(huán)境動(dòng)態(tài)信息的重要手段，無(wú)論是專業(yè)信息提取、動(dòng)態(tài)變化預(yù)測(cè)、還是專題地圖制作和遙感數(shù)據(jù)庫(kù)的建立等都離不開(kāi)分類。在數(shù)學(xué)方法的引入和模型研究的進(jìn)展為影像的分類注入了新的活力，不同的數(shù)學(xué)方法和參數(shù)特征因子被引用到模型的研究上來(lái)，為模型研究的發(fā)展提供了廣闊的天地。而基于改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)，更是融合了自適應(yīng)特征因子和非線性函數(shù)逼近的網(wǎng)絡(luò)模型，不僅學(xué)習(xí)速度快，而且有高度復(fù)雜的映射能力。

2.人工神經(jīng)網(wǎng)絡(luò)的分類方法

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network， ANN ）是基于生物神經(jīng)系統(tǒng)的分布存儲(chǔ)、并行處理及自適應(yīng)學(xué)習(xí)這些現(xiàn)象構(gòu)造出具有一些低級(jí)智慧的人工神經(jīng)系統(tǒng)【1】。其概念是在20世紀(jì)40年代中期由McCulloch和Pitts提出的，70年代得到應(yīng)用，80年代以來(lái)，隨著計(jì)算機(jī)技術(shù)的發(fā)展而得到了快速的發(fā)展，屬于非線性學(xué)科，具有強(qiáng)抗干擾性、高容錯(cuò)性、并行分布式處理、自組織學(xué)習(xí)和分類精度高等特點(diǎn)。

近年來(lái)，神經(jīng)網(wǎng)絡(luò)被廣泛應(yīng)用于遙感圖像分類中，不同學(xué)者分別提出或應(yīng)用了Hopfield神經(jīng)網(wǎng)絡(luò)、BP網(wǎng)絡(luò)、自組織映射網(wǎng)絡(luò)、小波神經(jīng)網(wǎng)絡(luò)、細(xì)胞神經(jīng)網(wǎng)絡(luò)、模糊神經(jīng)網(wǎng)絡(luò)等對(duì)遙感圖像進(jìn)行分類【2】。這些神經(jīng)神經(jīng)網(wǎng)絡(luò)在遙感圖像自動(dòng)分類上都有一定的應(yīng)用，并取得較好的效果。本文基于此，對(duì)傳統(tǒng)的BP算法進(jìn)行了改進(jìn)，提出了在Matlab軟件提供的神經(jīng)網(wǎng)絡(luò)工具箱中，對(duì)BP神經(jīng)網(wǎng)絡(luò)的權(quán)值，學(xué)習(xí)率進(jìn)行分析。重點(diǎn)是運(yùn)用數(shù)學(xué)中自適應(yīng)特征因子，加快了迭代過(guò)程中的收斂速度，而且使精度更高。

3.BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種通用性較強(qiáng)的前饋網(wǎng)絡(luò)，它主要采用模式正向傳遞、誤差信號(hào)反向傳播的BP算法，實(shí)現(xiàn)輸入到輸出的映射，并且是非線性的，具有結(jié)構(gòu)簡(jiǎn)單、可操作性強(qiáng)等優(yōu)點(diǎn)，目前已被廣泛應(yīng)用【3】。

3.1 BP算法原理

學(xué)習(xí)過(guò)程由信號(hào)的正向傳播與反向傳播兩個(gè)過(guò)程組成。正向傳播時(shí)，輸入樣本從輸入層傳入，經(jīng)各隱層逐層處理后，傳向輸出層。若輸出層的實(shí)際輸出與期望輸出不符合時(shí)，則轉(zhuǎn)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(guò)隱層向輸入層逐層反傳，并將誤差分?jǐn)偨o各層的所有單元，從而獲得各層單元的誤差信號(hào)，此信號(hào)作為修正各單元權(quán)值的依據(jù)。

3.2 BP學(xué)習(xí)率的優(yōu)化算法分析

為了加快神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速度，對(duì)學(xué)習(xí)率的改進(jìn)是BP算法優(yōu)化的重要部分。因?yàn)锽P算法是不斷通過(guò)調(diào)整網(wǎng)絡(luò)權(quán)值進(jìn)行訓(xùn)練學(xué)習(xí)的，修正的大小受到學(xué)習(xí)率的控制，因此學(xué)習(xí)率的改進(jìn)對(duì)整個(gè)網(wǎng)絡(luò)的優(yōu)化是很重要的。為了加快學(xué)習(xí)速度，研究者提出了很多的優(yōu)化學(xué)習(xí)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(xué)習(xí)率固定的傳統(tǒng)BP算法，減少了網(wǎng)絡(luò)學(xué)習(xí)過(guò)程中的學(xué)習(xí)次數(shù)，但同樣存在著其它問(wèn)題，首先，模型中A的取值范圍并不適用于所有神經(jīng)網(wǎng)絡(luò)，由于它的取值決定了網(wǎng)絡(luò)學(xué)習(xí)率的初始值，通過(guò)A確定的網(wǎng)絡(luò)初始學(xué)習(xí)率可能使網(wǎng)絡(luò)不收斂。其次，當(dāng)網(wǎng)絡(luò)誤差下降速度快時(shí)，該算法反倒使網(wǎng)絡(luò)收斂速度比較慢，這說(shuō)明此時(shí)網(wǎng)絡(luò)不適應(yīng)這種情況。

在上述模型中，陳思依據(jù)可變學(xué)習(xí)率的變化，提出了另一改進(jìn)模型，此方法的思想是，如果網(wǎng)絡(luò)權(quán)值在實(shí)際情況中更新之后使誤差值減小，此時(shí)就沒(méi)有必要再減少學(xué)習(xí)率，如果保持原學(xué)習(xí)率不變，不僅增加了訓(xùn)練速度，而且修改權(quán)值的幅度會(huì)大些，訓(xùn)練效果會(huì)更好一些。改進(jìn)后的模型為[5]：

此算法優(yōu)點(diǎn)是如果誤差下降速度明顯增快，則說(shuō)明此時(shí)的學(xué)習(xí)率比較合適訓(xùn)練，不需調(diào)整。

面對(duì)現(xiàn)代科技的飛速發(fā)展，國(guó)內(nèi)外競(jìng)相發(fā)展以高空間、高光譜和高動(dòng)態(tài)為標(biāo)志的新型衛(wèi)星遙感對(duì)地觀測(cè)技術(shù)，提供了海量的信息源，加大了人們對(duì)空間的認(rèn)知，對(duì)信息世界的分類利用，但是人們的優(yōu)化算法遠(yuǎn)遠(yuǎn)跟不上豐富的信息源。對(duì)此，針對(duì)上面學(xué)習(xí)率算法，雖然有很大的改進(jìn)，但處理速度還遠(yuǎn)遠(yuǎn)不夠，還需要優(yōu)化。

3.3 網(wǎng)絡(luò)隱層的節(jié)點(diǎn)數(shù)確定

BP人工神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)中，輸入節(jié)點(diǎn)與輸出節(jié)點(diǎn)是由問(wèn)題的本身決定的，關(guān)鍵在于隱層的層數(shù)與隱節(jié)點(diǎn)的數(shù)目，在Robert Hecht Nielson等人研究指出，只有一個(gè)隱層的神經(jīng)網(wǎng)絡(luò)，只要隱節(jié)點(diǎn)足夠多，就可以以任意精度逼近一個(gè)非線性函數(shù)【6】。

因此隱節(jié)點(diǎn)的確定關(guān)系到整個(gè)網(wǎng)絡(luò)的處理，下面是關(guān)于隱節(jié)點(diǎn)數(shù)確定的的方法：

其中Hpi隱節(jié)點(diǎn)i在學(xué)習(xí)第p個(gè)樣本時(shí)輸出，Hpj是隱節(jié)點(diǎn)j在學(xué)習(xí)第p個(gè)樣本時(shí)的輸出，N為學(xué)習(xí)樣本總數(shù)，而Hpi與Hpj的線性相關(guān)程度愈大，互相回歸的離散度越小，反之，則相反。

當(dāng)同層隱節(jié)點(diǎn)i和j的相關(guān)程度大，說(shuō)明節(jié)點(diǎn)i和j功能重復(fù)，需要合并；當(dāng)樣本散發(fā)度Si過(guò)小，說(shuō)明隱節(jié)點(diǎn)i的輸出值變化很少，對(duì)網(wǎng)絡(luò)的訓(xùn)練沒(méi)起到什么作用，可以刪除。因此根據(jù)這樣規(guī)則可以進(jìn)行節(jié)點(diǎn)動(dòng)態(tài)的合并與刪除。

4.特征因子算法加入

神經(jīng)網(wǎng)絡(luò)在遙感圖像分類中的優(yōu)勢(shì)越來(lái)越明顯，很多人對(duì)其進(jìn)行了研究與應(yīng)用。對(duì)此，本文對(duì)前人的算法進(jìn)行了優(yōu)化，主要是進(jìn)行網(wǎng)絡(luò)權(quán)值修正速度的加速，在算法優(yōu)化中，引入了數(shù)學(xué)中的特征因子加速收斂方法，其保證精度下，使網(wǎng)絡(luò)的迭代收斂速度大大加快。

具體算法思想過(guò)程如下：在BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)階段，當(dāng)遙感圖像的特征樣本數(shù)據(jù)由輸入層到隱含層，然后再傳輸?shù)捷敵鰧?，最后得到的輸出?shù)據(jù)與目標(biāo)數(shù)據(jù)會(huì)產(chǎn)生誤差，然后在返回到隱含層來(lái)調(diào)整網(wǎng)絡(luò)權(quán)值，直至誤差達(dá)到所要求的精度范圍為止。在迭代過(guò)程中，為了使誤差迅速減小到精度范圍內(nèi)，特征因子算法被引入到網(wǎng)絡(luò)權(quán)值調(diào)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(biāo)向量，第一次迭代生成的T1為目標(biāo)向量T的近似值，Tk+1為迭代N次（1，2，3，…）目標(biāo)向量T的近似值。在運(yùn)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(wǎng)絡(luò)權(quán)值調(diào)整的收斂速度，且使結(jié)果的精度得到保證。

5.實(shí)驗(yàn)過(guò)程與精度評(píng)定

本次實(shí)驗(yàn)是在Matlab環(huán)境下開(kāi)發(fā)的神經(jīng)網(wǎng)絡(luò)工具箱中來(lái)進(jìn)行展開(kāi)的，神經(jīng)網(wǎng)絡(luò)工具箱是MATLAB環(huán)境下開(kāi)發(fā)出來(lái)的許多工具箱之一。它以人工神經(jīng)網(wǎng)絡(luò)理論為基礎(chǔ)，利用MATLAB編程語(yǔ)言構(gòu)造出許多典型神經(jīng)網(wǎng)絡(luò)的框架和相關(guān)的函數(shù)【7】。此工具箱可以用來(lái)對(duì)BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練函數(shù)的創(chuàng)建，下面是具體的實(shí)驗(yàn)過(guò)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(jìn)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(xùn)練階段的學(xué)習(xí)，需把向量值歸一化，在根據(jù)特征向量，確定輸入層節(jié)點(diǎn)數(shù)為5。

（2）進(jìn)行BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建，其中隱層網(wǎng)的節(jié)點(diǎn)數(shù)是根據(jù)前面提到的方法，節(jié)點(diǎn)數(shù)經(jīng)過(guò)合并與刪除之后最終確定為25；根據(jù)待分類影像的類別分別是公路用地、內(nèi)陸灘涂、旱地、水工建筑用地、裸地、坑塘水面、林地、水庫(kù)水面、采礦用地、城市、村莊、水澆地、設(shè)施農(nóng)用地、建制鎮(zhèn)、果園、灌木林地、風(fēng)景名勝及特殊用地、其他林地、其他草地，輸出層節(jié)點(diǎn)數(shù)確定19；目標(biāo)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(nèi)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(kù)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(diào)用Matlab神經(jīng)網(wǎng)絡(luò)工具箱中的函數(shù)，另外為了加入特征因子算法，需要?jiǎng)?chuàng)建網(wǎng)絡(luò)的權(quán)值學(xué)習(xí)函數(shù)learnc，p1是輸入訓(xùn)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(chǔ)上，進(jìn)行訓(xùn)練學(xué)習(xí)。創(chuàng)建的網(wǎng)絡(luò)權(quán)值函數(shù)加入特征因子后，在學(xué)習(xí)階段收斂速度明顯增快 。使調(diào)整后的網(wǎng)絡(luò)權(quán)值盡快達(dá)到了用戶設(shè)定精度范圍。

（4）學(xué)習(xí)階段完成后，開(kāi)始進(jìn)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(jīng)網(wǎng)絡(luò)中，進(jìn)行分類，根據(jù)輸出向量y與目標(biāo)向量T進(jìn)行對(duì)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(jié)果圖如下：

（6） 下面是對(duì)分類結(jié)果進(jìn)行精度評(píng)定，采用誤差矩陣法來(lái)評(píng)定精度。總體精度可達(dá)到93.89%，其他各個(gè)類別的用戶精度和生產(chǎn)者精度都很高，最低的不低于82.43%，滿足用戶的需求，達(dá)到使用的目的。

6.結(jié)束語(yǔ)

BP神經(jīng)網(wǎng)絡(luò)的非線性映射，自適應(yīng)功能等優(yōu)勢(shì)已在遙感圖像分類中得到廣泛的應(yīng)用，本文基于前人的優(yōu)化算法，提出了在網(wǎng)絡(luò)權(quán)值調(diào)整過(guò)程中的特征因子迭代加速算法，使學(xué)習(xí)階段的權(quán)值調(diào)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(jìn)的方向。

參考文獻(xiàn)

[1] 葉世偉 史忠植（譯） 神經(jīng)網(wǎng)絡(luò)原理 北京：機(jī)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(xué)[M].北京：清華大學(xué)出版社，2006.

[4] 劉幺和，陳睿，彭偉，等.一種BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)率的優(yōu)化設(shè)計(jì)[J].湖北工業(yè)大學(xué)學(xué)報(bào)，2007，22（3）：1-3.

[5] 陳思 一種BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)率的改進(jìn)方法[J].長(zhǎng)春師范學(xué)院學(xué)報(bào)（自然科學(xué)版），2010.8.25-27

[6] 李曉峰，徐玖平，王蔭清等。BP人工神經(jīng)網(wǎng)絡(luò)自適應(yīng)學(xué)習(xí)算法的建立及其應(yīng)用[J].系統(tǒng)工程理論與實(shí)踐，2004.5 . 3-4

[7] 樓順天，等.《基于Matlab的系統(tǒng)分析與設(shè)計(jì)---神經(jīng)網(wǎng)絡(luò)》. 西安：西安電子科技大學(xué)出版社，2000.8.23-40

第5篇：人工神經(jīng)網(wǎng)絡(luò)改進(jìn)范文

關(guān)鍵詞：移動(dòng)機(jī)器人；BP神經(jīng)網(wǎng)絡(luò)；軌跡跟蹤控制

引言

人工神經(jīng)網(wǎng)絡(luò)使非線性系統(tǒng)的描述成為可能，并且在學(xué)習(xí)、記憶、計(jì)算和智能處理方面表現(xiàn)出了很強(qiáng)的優(yōu)越性。人工神經(jīng)網(wǎng)絡(luò)具有如下特點(diǎn)：(1)可以按照指定的精度無(wú)限逼近幾乎各種復(fù)雜的非線性系統(tǒng)，解決了非線性系統(tǒng)的建模問(wèn)題；(2)信息采用分布式存儲(chǔ)和處理方式，使得神經(jīng)網(wǎng)絡(luò)具有很高的運(yùn)算效率和很強(qiáng)的容錯(cuò)性和魯棒性； (3)可以自行調(diào)節(jié)參數(shù)和結(jié)構(gòu)實(shí)現(xiàn)自學(xué)習(xí)的目的以完成某項(xiàng)任務(wù)。（4）人工神經(jīng)網(wǎng)絡(luò)具有強(qiáng)魯棒性和適應(yīng)性，高可靠性以及智能性，為解決高維數(shù)、非線性、強(qiáng)干擾、時(shí)滯和不確定系統(tǒng)問(wèn)題開(kāi)辟了新思路并提供了方法，它在控制領(lǐng)域?qū)⒕哂信e足輕重的地位。

1 BP神經(jīng)網(wǎng)絡(luò)

BP網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程分為兩個(gè)階段：第一個(gè)階段是輸入已知學(xué)習(xí)樣本，通過(guò)設(shè)置的網(wǎng)絡(luò)結(jié)構(gòu)和前一次迭代的權(quán)值和閾值，從網(wǎng)絡(luò)的第一層向后計(jì)算各神經(jīng)元的輸出。第二階段是對(duì)權(quán)值和閾值進(jìn)行修改，從最后一層向前計(jì)算各權(quán)值和閾值對(duì)總誤差的影響(梯度)，據(jù)此對(duì)權(quán)值和閾值進(jìn)行修改。以上兩個(gè)過(guò)程反復(fù)交替，直到達(dá)到收斂為止。由于誤差逐層往回傳遞，以修正曾與層間的權(quán)值和閾值，所以稱該算法為誤差反向傳播算法。這種誤差反傳學(xué)習(xí)算法可以推廣到若干個(gè)中間層的多層網(wǎng)絡(luò)，因此該多層網(wǎng)絡(luò)常稱之為BP網(wǎng)絡(luò)。

BP神經(jīng)網(wǎng)絡(luò)根據(jù)每次的訓(xùn)練樣本對(duì)權(quán)值進(jìn)行修正，即使是在訓(xùn)練樣本差別不大的情況下，各個(gè)神經(jīng)元之間的連接權(quán)值也要重新經(jīng)過(guò)計(jì)算進(jìn)行修正。這在訓(xùn)練樣本維數(shù)不大的情況下計(jì)算時(shí)間不會(huì)有很大差別，但是在實(shí)際應(yīng)用中，往往所要訓(xùn)練的數(shù)據(jù)都是極為復(fù)雜和龐大的，神經(jīng)元個(gè)數(shù)也許是幾十個(gè)或幾百個(gè)，如果每個(gè)新的樣本數(shù)據(jù)都要重新經(jīng)過(guò)計(jì)算進(jìn)行權(quán)值修正，尤其在兩個(gè)樣本數(shù)據(jù)整體均方誤差和很小或絕大部分?jǐn)?shù)據(jù)完全一樣個(gè)別數(shù)據(jù)差別較大的情況下，這樣就會(huì)增加重復(fù)的不必要的計(jì)算量，大大浪費(fèi)計(jì)算時(shí)間，降低權(quán)值調(diào)整效率，難以滿足實(shí)時(shí)性要求。針對(duì)以上問(wèn)題，提出了一種改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)。它通過(guò)把傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)根據(jù)其規(guī)模分割成若干更小的子網(wǎng)分別進(jìn)行訓(xùn)練來(lái)達(dá)到提高計(jì)算效率的目的

2 基于改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)的軌跡跟蹤

移動(dòng)機(jī)器人的控制器設(shè)計(jì)問(wèn)題可以描述為：給定參考位置和參考速度，為執(zhí)行力矩設(shè)計(jì)一個(gè)控制法則，控制機(jī)器人移動(dòng)，使其平穩(wěn)地跟蹤速度輸入和參考位置。

2.1基于后退算法的運(yùn)動(dòng)學(xué)控制器設(shè)計(jì)

根據(jù)移動(dòng)機(jī)器人的運(yùn)動(dòng)學(xué)方程來(lái)選擇用于實(shí)現(xiàn)跟蹤的速度控制輸入，表示如下:

  (1)

其中, ,均為設(shè)計(jì)參數(shù)。

速度控制信號(hào)的導(dǎo)數(shù)為：

(2)

控制信號(hào)誤差為：

  (3)

由李雅普諾夫理論可以得知，所設(shè)計(jì)的運(yùn)動(dòng)學(xué)控制器能使系統(tǒng)的跟蹤誤差收斂。

2.2 基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的動(dòng)力學(xué)控制器設(shè)計(jì)

如果一個(gè)向量?jī)H是一個(gè)變量的函數(shù)，那么就可以用靜態(tài)神經(jīng)網(wǎng)絡(luò)來(lái)建模。即：

    (4)

式中，和是GL向量，它們各自元素分別為和。是模型誤差向量，其元素是。其中，來(lái)表示一般向量或矩陣, 和“”分別表示GL 矩陣及其乘積算子。

由移動(dòng)機(jī)器人動(dòng)力學(xué)方程式知，僅是的函數(shù)，是和的函數(shù)，所以，可得：

  (5)

    (6)

式中，，和是GL矩陣，其各自元素分別為： ，，和。其中，和 是矩陣，其模型誤差元素為：和。

3 結(jié)論

改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于移動(dòng)機(jī)器人軌跡跟蹤控制具有正確性、高效性、實(shí)用性和智能性等優(yōu)勢(shì)，把神經(jīng)網(wǎng)絡(luò)分割成若干子網(wǎng)分別進(jìn)行訓(xùn)練獲取了更高計(jì)算效率的方法，使BP神經(jīng)網(wǎng)絡(luò)避免了不必要的權(quán)值調(diào)整，提高了網(wǎng)絡(luò)的訓(xùn)練效率。

參考文獻(xiàn)：

[1]韓光信,陳虹. 約束非完整移動(dòng)機(jī)器人軌跡跟蹤的非線性預(yù)測(cè)控制. 吉林大學(xué)學(xué)報(bào)(工學(xué)版),2009,39(01):177-18

第6篇：人工神經(jīng)網(wǎng)絡(luò)改進(jìn)范文

關(guān)鍵詞： 電力負(fù)荷；Elman網(wǎng)絡(luò)；BP網(wǎng)絡(luò)；預(yù)測(cè)

中圖分類號(hào)：TP393 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2013）16-3871-04

電力系統(tǒng)時(shí)序負(fù)荷的準(zhǔn)確預(yù)測(cè)是實(shí)現(xiàn)現(xiàn)代控制的前提之一，也是電力系統(tǒng)規(guī)劃和運(yùn)行研究的重要內(nèi)容。負(fù)荷預(yù)測(cè)是從已知的用電需求出發(fā)，考慮政治、經(jīng)濟(jì)、氣候等相關(guān)因素，對(duì)未來(lái)的用電需求作出的預(yù)測(cè)[1]。電力系統(tǒng)負(fù)荷預(yù)測(cè)也是電力生產(chǎn)部門的重要工作之一，通過(guò)準(zhǔn)確的負(fù)荷預(yù)測(cè)，可以經(jīng)濟(jì)合理地安排機(jī)組啟停，減少旋轉(zhuǎn)備用容量，合理安排檢修計(jì)劃，降低發(fā)電成本，提高經(jīng)濟(jì)效益。此外，它也是電力市場(chǎng)中電價(jià)制定的基礎(chǔ)。

負(fù)荷預(yù)測(cè)對(duì)電力系統(tǒng)控制、運(yùn)行和計(jì)劃都有著重要意義。電力系統(tǒng)負(fù)荷變化一方面受許多不確定因素的影響，負(fù)荷變化會(huì)存在隨機(jī)波動(dòng)，另一方面又具有周期性，這也使得負(fù)荷預(yù)測(cè)曲線具有相似性。同時(shí)，由于受天氣、節(jié)假日等特殊情況的影響，又使負(fù)荷變化出現(xiàn)異常。由于神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的非線性映射特性，它常用于負(fù)荷預(yù)測(cè)。

近年來(lái)，人工神經(jīng)網(wǎng)絡(luò)越來(lái)越引起控制理論工作者的極大興趣。人工神經(jīng)網(wǎng)絡(luò)是一個(gè)能夠?qū)W習(xí)，能夠總結(jié)歸納的系統(tǒng)，也就是說(shuō)它能夠通過(guò)已知數(shù)據(jù)的實(shí)驗(yàn)運(yùn)用來(lái)學(xué)習(xí)和歸納總結(jié)。人工神經(jīng)網(wǎng)絡(luò)通過(guò)對(duì)局部情況的對(duì)照比較（而這些比較是基于不同情況下的自動(dòng)學(xué)習(xí)和要實(shí)際解決問(wèn)題的復(fù)雜性所決定的），它能夠推理產(chǎn)生一個(gè)可以自動(dòng)識(shí)別的系統(tǒng)。與之不同的基于符號(hào)系統(tǒng)下的學(xué)習(xí)方法，它們也具有推理功能，只是它們是建立在邏輯演算法的基礎(chǔ)上，也就是說(shuō)它們之所以能夠推理，基礎(chǔ)是需要有一個(gè)推理演算法則的集合。神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)在于它具有模擬多變量而不需要對(duì)輸入變量做復(fù)雜的相關(guān)假定的能力，具有良好的自適應(yīng)和自學(xué)習(xí)能力，能夠充分逼近復(fù)雜的非線性關(guān)系，但關(guān)鍵是要建立合理的數(shù)學(xué)模型。

本文利用Elman神經(jīng)網(wǎng)絡(luò)的自適應(yīng)性和較強(qiáng)的非線性映射能力進(jìn)行負(fù)荷預(yù)測(cè)。采用自適應(yīng)學(xué)習(xí)速率動(dòng)量梯度下降反向傳播算法進(jìn)行網(wǎng)絡(luò)訓(xùn)練，可以克服傳統(tǒng)BP算法收斂速度慢和局部極小等缺陷。

1 Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與算法

1.1Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

Elman網(wǎng)絡(luò)通常是一個(gè)兩層網(wǎng)絡(luò)，其隱含層神經(jīng)元到輸入層神經(jīng)元之間還存在一個(gè)反饋連接通道，這種反饋連接在神經(jīng)網(wǎng)絡(luò)術(shù)語(yǔ)中稱為回歸（recurrent）連接。這種回歸連接使得Elman網(wǎng)絡(luò)具有檢測(cè)和產(chǎn)生時(shí)變模式的能力。

2 數(shù)據(jù)的預(yù)處理

2.1數(shù)據(jù)的選取

有效地選取輸入變量是決定神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)精度的關(guān)鍵所在。電力系統(tǒng)負(fù)荷的波動(dòng)往往受各種突變因素的影響，而這些因素包含的信息往往具有很大的不確定性。出于篇幅考慮，對(duì)預(yù)報(bào)模型簡(jiǎn)單化，輸入變量的選取僅來(lái)自于某年歐洲競(jìng)賽中電力負(fù)荷的歷史數(shù)據(jù)。

2.2結(jié)構(gòu)分析

2.3輸入和輸出參數(shù)的標(biāo)準(zhǔn)化

3 仿真分析

神經(jīng)網(wǎng)絡(luò)中單個(gè)神經(jīng)元具有簡(jiǎn)單的能夠反映非線性本質(zhì)特征的能力，這些基本的單元經(jīng)過(guò)自組織復(fù)合，使神經(jīng)網(wǎng)絡(luò)可以逼近任意非線性函數(shù)。通過(guò)學(xué)習(xí)，從樣本中抽取并存儲(chǔ)其內(nèi)在規(guī)律，從而可以對(duì)序列的變化進(jìn)行預(yù)測(cè)。使用神經(jīng)網(wǎng)絡(luò)方法可以避免復(fù)雜的常規(guī)建模過(guò)程，而且神經(jīng)網(wǎng)絡(luò)模型有良好的自適應(yīng)和自學(xué)習(xí)能力、較強(qiáng)的抗干擾能力，易于給出工程上容易實(shí)現(xiàn)的算法。在進(jìn)行神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)時(shí)，首先是要確定輸入、輸出節(jié)點(diǎn)。

在訓(xùn)練和預(yù)測(cè)的過(guò)程中，在MATLAB語(yǔ)言環(huán)境下，使用其特有的神經(jīng)網(wǎng)絡(luò)工具箱，對(duì)改進(jìn)的BP算法建立負(fù)荷預(yù)測(cè)模型，實(shí)現(xiàn)短期負(fù)荷預(yù)測(cè)。對(duì)比兩種網(wǎng)絡(luò)預(yù)測(cè)圖像和數(shù)據(jù)，可以清楚地看出，Elman網(wǎng)絡(luò)的訓(xùn)練速度及預(yù)測(cè)精度都有較大的改善。比較圖4、圖5及預(yù)測(cè)技術(shù)指標(biāo)可以看到，訓(xùn)練Elman網(wǎng)絡(luò)時(shí)間短，平均預(yù)測(cè)精度高，最大預(yù)測(cè)精度也優(yōu)于BP網(wǎng)絡(luò)。

對(duì)于電力預(yù)測(cè)來(lái)說(shuō)，只考慮歷史數(shù)據(jù)是不夠的，還受許多隨機(jī)因素的影響，由于工作日和節(jié)假日的負(fù)荷不同，還要考慮時(shí)間特征值[8]。為避免預(yù)測(cè)時(shí)出現(xiàn)較大的誤差，可以通過(guò)適當(dāng)增加樣本容量。

4 結(jié)論

到目前為止，電力系統(tǒng)的負(fù)荷預(yù)測(cè)一直都是一個(gè)難點(diǎn)，這主要是因?yàn)殡娏ο到y(tǒng)結(jié)構(gòu)越來(lái)越復(fù)雜。該文采用Elman網(wǎng)絡(luò)建立短期負(fù)荷的預(yù)測(cè)模型，克服了傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的一些缺陷。通過(guò)仿真計(jì)算，證明了Elman神經(jīng)網(wǎng)絡(luò)具有動(dòng)態(tài)特性好、網(wǎng)絡(luò)訓(xùn)練速度快、精度高等特點(diǎn)，同時(shí)表明該方法是可行且有效的，并且在電網(wǎng)電力負(fù)荷預(yù)測(cè)領(lǐng)域具有廣闊的應(yīng)用前景。

參考文獻(xiàn)：

[1] 汪峰，于爾鏗，周京陽(yáng).能量管理系統(tǒng)（EMS） [J]. 電力系統(tǒng)自動(dòng)化，1997，21（4）：66-69.

[2] 芮執(zhí)元，任麗娜，馮瑞成.基于Elman神經(jīng)網(wǎng)絡(luò)的甘肅電網(wǎng)負(fù)荷預(yù)測(cè)模型[J].現(xiàn)代電力，2007，24（2）：26-29.

[3] 夏昌浩，向?qū)W軍，何勝雄. 基于MATLAB神經(jīng)網(wǎng)絡(luò)工具箱的電力系統(tǒng)負(fù)荷預(yù)報(bào)[J]. 武漢水利電力大學(xué)學(xué)報(bào)，2000，22（4）：303-307.

[4] 孫洪波，秦翼鴻，徐國(guó)禹. 用于短期電力負(fù)荷預(yù)報(bào)的人工神經(jīng)網(wǎng)絡(luò)方法[J]. 重慶大學(xué)學(xué)報(bào)，1995（7）：42-47.

[5] 陳玉彬.礦井雙風(fēng)機(jī)自動(dòng)的簡(jiǎn)易實(shí)現(xiàn)[J].礦山機(jī)械， 2009（18）：84.

[6] 王關(guān)平. 基于人工神經(jīng)網(wǎng)絡(luò)的無(wú)刷直流電動(dòng)機(jī)控制研究[D]. 蘭州理工大學(xué)，2007.

第7篇：人工神經(jīng)網(wǎng)絡(luò)改進(jìn)范文

關(guān)鍵詞 神經(jīng)網(wǎng)絡(luò)；空調(diào)；應(yīng)用

中圖分類號(hào) TP387 文獻(xiàn)標(biāo)識(shí)碼 A 文章編號(hào) 1673-9671-(2012)071-0184-02

中央空調(diào)系統(tǒng)是一個(gè)龐大復(fù)雜的系統(tǒng)，主要包括：空調(diào)冷熱源系統(tǒng)、水或空氣系統(tǒng)、控制系統(tǒng)等，空調(diào)系統(tǒng)能耗與影響因素之間是一種多變量、強(qiáng)耦合、嚴(yán)重非線性的關(guān)系，具有很強(qiáng)的動(dòng)態(tài)性。而人工神經(jīng)網(wǎng)絡(luò)可以實(shí)現(xiàn)從輸入到輸出的任意非線性映射，能夠模擬高度非線性系統(tǒng)，具有較強(qiáng)的學(xué)習(xí)能力、自適應(yīng)能力、容錯(cuò)能力和聯(lián)想能力，已成為復(fù)雜的非線性系統(tǒng)建模、仿真、預(yù)測(cè)的新型工具，人工神經(jīng)網(wǎng)絡(luò)自20世紀(jì)40年代初被首度提出來(lái)以后，經(jīng)過(guò)幾十年的發(fā)展，廣泛運(yùn)用于模式識(shí)別和圖像處理、控制與優(yōu)化、人工智能等方面。隨著我國(guó)空調(diào)事業(yè)的快速發(fā)展及節(jié)能減排新形下，人工神經(jīng)網(wǎng)絡(luò)在空調(diào)系統(tǒng)中的運(yùn)用越來(lái)越受到廣大暖通空調(diào)研究者的關(guān)注。

1 神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)是對(duì)人腦或生物神經(jīng)網(wǎng)絡(luò)的抽象和建模，具有從環(huán)境學(xué)習(xí)的能力，以類似生物的交互方式適應(yīng)環(huán)境。人工神經(jīng)網(wǎng)絡(luò)是一個(gè)由大量簡(jiǎn)單的神經(jīng)元廣泛聯(lián)接組成的復(fù)合系統(tǒng)，當(dāng)系統(tǒng)被訓(xùn)練達(dá)到平衡后，由各個(gè)神經(jīng)元的權(quán)值組成的整個(gè)網(wǎng)絡(luò)的分布狀態(tài)，就是所求的結(jié)果。網(wǎng)絡(luò)學(xué)習(xí)的過(guò)程也就是各神經(jīng)元權(quán)值的調(diào)整過(guò)程。人工神經(jīng)網(wǎng)絡(luò)根據(jù)連接方式不同可以分為兩大類：無(wú)反饋的前向神經(jīng)網(wǎng)絡(luò)和相互連接型網(wǎng)絡(luò)（包括反饋網(wǎng)絡(luò)），圖1為BP神經(jīng)網(wǎng)絡(luò)系統(tǒng)結(jié)構(gòu)簡(jiǎn)圖，BP網(wǎng)絡(luò)就是一種誤差反向傳播的前向網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法總體來(lái)講可分為有監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)。人工神經(jīng)網(wǎng)絡(luò)的具有強(qiáng)容錯(cuò)性、冗余性、魯棒性和信息分布式并行處理及快速進(jìn)行大量計(jì)算能力特點(diǎn)， 能適應(yīng)復(fù)雜環(huán)境和進(jìn)行多目標(biāo)控制。

圖1 BP網(wǎng)絡(luò)系統(tǒng)結(jié)構(gòu)

2 人工神經(jīng)網(wǎng)絡(luò)在空調(diào)系統(tǒng)中的應(yīng)用

2.1 空調(diào)風(fēng)系統(tǒng)方面的應(yīng)用

變風(fēng)量系統(tǒng)（VAV系統(tǒng)）的基本思想是：當(dāng)室內(nèi)負(fù)荷發(fā)生變化時(shí)，改變送入室內(nèi)風(fēng)量，以滿足室內(nèi)人員的舒適性或工藝性要求，實(shí)現(xiàn)送風(fēng)量的自動(dòng)調(diào)節(jié)，最大限度地減少風(fēng)機(jī)動(dòng)力，節(jié)約運(yùn)行能耗。目前對(duì)變風(fēng)量空調(diào)控制方法傳統(tǒng)方法主要有：定靜壓控制、變靜壓控制、總風(fēng)量控制等，但多數(shù)局限于的PID控制理論，對(duì)變風(fēng)量空調(diào)這種非線性系統(tǒng)的控制精度難以保證。朱為明等人在VAV系統(tǒng)中采用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)優(yōu)化算法對(duì)變風(fēng)量空調(diào)進(jìn)行控制，神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)優(yōu)化算法控制過(guò)程的節(jié)能范圍為：6％-13.5％，與PID控制方法相比，神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)優(yōu)化算法的控制量之和減少6%以上，具有較好的節(jié)能效果。

2.2 空調(diào)水系統(tǒng)方面的應(yīng)用

中央空調(diào)水系統(tǒng)主要包括冷卻水和冷凍水系統(tǒng)，對(duì)于大型系統(tǒng)，管道長(zhǎng)，系統(tǒng)熱容量大、慣性大，被控系統(tǒng)水溫和流速變化速度較慢，滯后現(xiàn)象嚴(yán)重，是一種典型的大滯后系統(tǒng)，對(duì)于過(guò)程純滯后非線性特性，目前過(guò)程控制傳統(tǒng)算法不具備克服滯后影響的能力，在穩(wěn)定性和響應(yīng)速度上都難以達(dá)到較好的性能指標(biāo)。周洪煜等人利用了神經(jīng)網(wǎng)絡(luò)的非線性逼近特性、自學(xué)習(xí)、自組織的能力以及預(yù)測(cè)控制的滾動(dòng)優(yōu)化和反饋校正的特性，建立起的中央空調(diào)水系統(tǒng)的動(dòng)態(tài)模型，作為預(yù)測(cè)控制器的預(yù)測(cè)模型，不需要對(duì)被控對(duì)象進(jìn)行精確的辨識(shí)， 提出的多變量神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)控制系統(tǒng)具有優(yōu)良的控制效果，實(shí)現(xiàn)了空調(diào)水系統(tǒng)的自適應(yīng)控制。何厚鍵等人在中央空調(diào)水系統(tǒng)的建模與優(yōu)化研究中，利用前饋型網(wǎng)絡(luò)結(jié)合BP算法建立了冷卻塔和制冷機(jī)的神經(jīng)網(wǎng)絡(luò)模型，解決的具有高度非線性的中央空調(diào)水系統(tǒng)設(shè)備的建模問(wèn)題。

2.3 制冷系統(tǒng)方面的應(yīng)用

神經(jīng)網(wǎng)絡(luò)在空調(diào)中的制冷系統(tǒng)應(yīng)用，主要體現(xiàn)在制冷機(jī)組優(yōu)化控制和制冷系統(tǒng)的故障診斷兩方面。在中央空調(diào)系統(tǒng)中制冷機(jī)組是能耗最大的設(shè)備，對(duì)制冷機(jī)組進(jìn)行優(yōu)化控制，提高其運(yùn)行效率，是空調(diào)系統(tǒng)節(jié)能的重要途徑之一。趙健等人在分析了影響壓縮機(jī)運(yùn)行效率的主要因素基礎(chǔ)上，建立了以壓縮機(jī)入口制冷劑溫度、壓縮機(jī)出口制冷劑溫度和負(fù)荷為輸入量，最佳吸氣壓力輸出為輸出量的BP神經(jīng)網(wǎng)絡(luò)模型。通過(guò)在線修正制冷機(jī)的吸氣壓力工作點(diǎn)，解決變負(fù)荷下，制冷機(jī)優(yōu)化控制問(wèn)題，大幅度提高制冷性能參數(shù)COP的值，降低了制冷機(jī)的運(yùn)行能耗，與采用額定工況相比，采用神經(jīng)網(wǎng)絡(luò)優(yōu)化控制方法的制冷機(jī)節(jié)能量約為44.8%。

故障診斷是一種了解和掌握設(shè)備在使用過(guò)程中的技術(shù)，確定其整體或局部是否正常，早期發(fā)現(xiàn)故障及其原因并能預(yù)報(bào)故障發(fā)展趨勢(shì)的技術(shù)。在制冷系統(tǒng)的故障診斷方面，神經(jīng)網(wǎng)絡(luò)也發(fā)揮著重要作用，隨著我國(guó)空調(diào)制冷事的蓬勃發(fā)展，制冷系統(tǒng)越來(lái)越復(fù)雜，故障的潛在發(fā)生點(diǎn)也越來(lái)越多，制冷設(shè)備的故障檢測(cè)與診斷越來(lái)越受到人們的重視。胡正定等人在分析制冷系統(tǒng)常見(jiàn)故障特征的基礎(chǔ)上，建立以壓縮機(jī)進(jìn)口溫度、蒸發(fā)器進(jìn)口溫度、冷媒水進(jìn)口溫度、冷媒水出口溫度、壓縮機(jī)排氣壓力、壓縮機(jī)吸氣壓力、壓縮機(jī)出口溫度、冷凝器出口溫度等8特征征參數(shù)作為輸入量，故障模式作為輸出量的補(bǔ)償模糊神經(jīng)網(wǎng)絡(luò)模型。仿真結(jié)果表明，系統(tǒng)的診斷結(jié)果且有較高的準(zhǔn)確率。李中領(lǐng)等人在空調(diào)系統(tǒng)故障診斷中利用神經(jīng)網(wǎng)絡(luò)建立了三層BP網(wǎng)絡(luò)模型，輸入層節(jié)點(diǎn)個(gè)數(shù)為4，對(duì)應(yīng)于4種故障現(xiàn)象，隱含層單元個(gè)數(shù)為4，輸出層節(jié)點(diǎn)個(gè)數(shù)為12，對(duì)應(yīng)于12種故障原因，輸出節(jié)點(diǎn)值的大小反映了故障出現(xiàn)的可能性。

2.4 負(fù)荷預(yù)測(cè)方面的應(yīng)用

空調(diào)系統(tǒng)逐時(shí)負(fù)荷的準(zhǔn)確預(yù)測(cè)是實(shí)現(xiàn)現(xiàn)代控制的前提之一，準(zhǔn)確預(yù)測(cè)空調(diào)負(fù)荷對(duì)空調(diào)高效節(jié)能運(yùn)行具有重大意義，影響空調(diào)負(fù)荷的因素有空氣溫度、濕度、太陽(yáng)輻射強(qiáng)度、人員、設(shè)備運(yùn)行情況等，空調(diào)負(fù)荷與影響因素之間是嚴(yán)重非線性的關(guān)系，具有動(dòng)態(tài)性。

2.5 空調(diào)制冷系統(tǒng)的仿真設(shè)計(jì)方面的應(yīng)用

制冷空調(diào)產(chǎn)品設(shè)計(jì)中，大量地依賴樣機(jī)的反復(fù)制作與調(diào)試，使得產(chǎn)品的設(shè)計(jì)周期延長(zhǎng)，并影響性能優(yōu)化，用計(jì)算機(jī)仿真代替樣機(jī)試驗(yàn)，在計(jì)算機(jī)上面實(shí)現(xiàn)優(yōu)化設(shè)計(jì)，使得制冷空調(diào)裝置仿真技術(shù)近年來(lái)得到了迅速發(fā)展 。

2.6 大型建筑運(yùn)行能耗的評(píng)價(jià)方面的應(yīng)用

大型公共建筑指非住宅的民用建筑，包括辦公樓、商場(chǎng)、賓館、醫(yī)院、學(xué)校等，大型公共建筑用能特點(diǎn)是單位面積耗能非常高，為每年100 kW/m2-300 kW/m2，而且我國(guó)大型公共建筑能源系統(tǒng)效率較低，浪費(fèi)嚴(yán)重，其電耗超過(guò)公共建筑節(jié)能設(shè)計(jì)標(biāo)準(zhǔn)規(guī)定指標(biāo)的10倍以上。大型公共建筑中央空調(diào)系統(tǒng)運(yùn)行能耗的科學(xué)評(píng)價(jià)是對(duì)大型公共建筑進(jìn)行用能科學(xué)管理的重要基礎(chǔ)，趙靖等人基于BP人工神經(jīng)網(wǎng)絡(luò)，將冷水機(jī)組、冷凍水泵、冷卻水泵、冷卻塔、其它設(shè)備月平均功率、運(yùn)行時(shí)間和氣象特征共七個(gè)作為預(yù)測(cè)因子，空調(diào)系統(tǒng)總能耗為輸出量，建立了大型公共建筑系統(tǒng)運(yùn)行能耗的預(yù)測(cè)評(píng)價(jià)模型，仿真結(jié)果表明，網(wǎng)絡(luò)的平均預(yù)測(cè)誤差輸出值約為3.3E-014，可以滿足實(shí)際應(yīng)用的要求。

3 發(fā)展方向

人工神經(jīng)網(wǎng)絡(luò)基于較強(qiáng)的學(xué)習(xí)能力、自適應(yīng)能力、容錯(cuò)能力和聯(lián)想能力，在暖通空調(diào)領(lǐng)域中的應(yīng)用已經(jīng)取得了突破性的進(jìn)展。今后的發(fā)展方向主要有兩個(gè)方面，首先，不斷改進(jìn)神經(jīng)網(wǎng)絡(luò)性能，提高其預(yù)測(cè)和控制精確度；另外，逐步使神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)由軟件實(shí)現(xiàn)過(guò)渡到硬件實(shí)現(xiàn)，擴(kuò)大其在空調(diào)領(lǐng)域的應(yīng)用范圍，也是今后的研究方向之一。

參考文獻(xiàn)

[1]胡守仁.神經(jīng)網(wǎng)絡(luò)導(dǎo)論[M].北京:國(guó)防科技大學(xué)出版社,1999.

[2]候媛彬,杜京義,汪梅.神經(jīng)網(wǎng)絡(luò)[M].西安電子科技大學(xué)出版社,2007.

第8篇：人工神經(jīng)網(wǎng)絡(luò)改進(jìn)范文

關(guān)鍵詞：化工類上市公司 財(cái)務(wù)危機(jī) 非線性分析方法

一、引言

國(guó)內(nèi)目前的化工行業(yè)產(chǎn)品齊全，生產(chǎn)與銷售量較大，是全球化工生產(chǎn)和消費(fèi)的大國(guó)之一，為國(guó)民經(jīng)濟(jì)的增長(zhǎng)、提高人民消費(fèi)水平貢獻(xiàn)了巨大力量。但隨著經(jīng)濟(jì)不斷發(fā)展和人民消費(fèi)水平不斷提高，化工產(chǎn)業(yè)的經(jīng)營(yíng)環(huán)境將面臨嚴(yán)峻的考驗(yàn)，此時(shí)做好公司的財(cái)務(wù)管理，減少危機(jī)的發(fā)生率是保證企業(yè)正常生產(chǎn)運(yùn)營(yíng)的有效途徑之一，并達(dá)到增強(qiáng)化工行業(yè)企業(yè)生命力的效果。因此，對(duì)財(cái)務(wù)危機(jī)預(yù)警進(jìn)行探討顯得十分重要。

二、財(cái)務(wù)危機(jī)預(yù)警系統(tǒng)的涵義

財(cái)務(wù)危機(jī)，是指企業(yè)經(jīng)營(yíng)與財(cái)務(wù)周轉(zhuǎn)不靈，使得公司經(jīng)歷無(wú)法按時(shí)償還債務(wù)本息的窘境而最終導(dǎo)致破產(chǎn)的狀態(tài)，又稱財(cái)務(wù)困境或者財(cái)務(wù)失敗。法律上的企業(yè)危機(jī)特指企業(yè)破產(chǎn)。

財(cái)務(wù)危機(jī)預(yù)警系統(tǒng)是是在企業(yè)信息化的基礎(chǔ)上，借助一定的數(shù)學(xué)模型，考慮其超前預(yù)測(cè)效果，根據(jù)經(jīng)營(yíng)計(jì)劃、企業(yè)財(cái)務(wù)報(bào)表和相關(guān)的其他財(cái)務(wù)資料發(fā)出預(yù)警信號(hào)，通過(guò)此信號(hào)辨別財(cái)務(wù)危機(jī)的有無(wú)或嚴(yán)重程度的一種監(jiān)測(cè)系統(tǒng)和風(fēng)險(xiǎn)控制機(jī)制。

三、化工類上市公司財(cái)務(wù)危機(jī)預(yù)警的基本分析方法

財(cái)務(wù)危機(jī)預(yù)警通常需要由發(fā)達(dá)的證券市場(chǎng)提供原始數(shù)據(jù)，并通過(guò)實(shí)證的分析方法對(duì)這些數(shù)據(jù)進(jìn)行分析。我國(guó)對(duì)財(cái)務(wù)危機(jī)預(yù)警的方法很多，主要有單變量分析法、二類線性判定分析、Z分?jǐn)?shù)模型、F分?jǐn)?shù)模型、基于Jackknife檢驗(yàn)?zāi)Ｐ汀⒒诖植?模糊神經(jīng)網(wǎng)絡(luò)（Rough-Fuzzy-ANN）的模型和基于BP算法的人工神經(jīng)網(wǎng)絡(luò)模型。本文著重介紹最后一種模型，因?yàn)榍懊娴哪Ｐ头椒ㄖ皇且恍┍容^常規(guī)的線性分析方法，不適合用于化工類上市公司財(cái)務(wù)危機(jī)預(yù)警系統(tǒng)的建立，因?yàn)榛I(yè)的內(nèi)容涵蓋較為廣泛，就目前來(lái)說(shuō)國(guó)內(nèi)化工業(yè)包含天然氣、石油和煤炭等行業(yè)，他們具有不同特色，僅僅采用線性的常規(guī)分析方法則會(huì)造成較大誤差。而采用基于BP算法的人工神經(jīng)網(wǎng)絡(luò)作為一種定性分析，不需要假定事先概率分布或者多變量正態(tài)分布就能通過(guò)其本身采用的非線性關(guān)系準(zhǔn)確識(shí)別和模擬數(shù)據(jù)，因而符合化工類上市公司的復(fù)雜性和綜合性。

人工智能領(lǐng)域中的重要分支之一則是人工神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)系統(tǒng)是由大量簡(jiǎn)單的神經(jīng)元通過(guò)多種組合關(guān)系互相連接而形成的，是一種模擬人類大腦結(jié)構(gòu)的用于并行大規(guī)模處理非線性問(wèn)題的抽象計(jì)算模型。而所謂的BP算法是一種前向計(jì)算、誤差反向傳播的多層反饋神經(jīng)網(wǎng)絡(luò)。結(jié)合BP算法和人工神經(jīng)網(wǎng)絡(luò)則形成了一種典型的非線性分析方法，即基于BP算法的人工神經(jīng)網(wǎng)絡(luò)，它以人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)為基礎(chǔ)，主要有三大部分組成：一個(gè)輸入層、隱含層（可以是多個(gè)）、輸出層，在此基礎(chǔ)上引入BP算法，將由作用函數(shù)運(yùn)算后的輸出結(jié)果與期望值作對(duì)比，如果誤差在允許范圍內(nèi)則停止傳播，反之則向反方向傳播誤差，達(dá)到控制誤差的目的，使輸出值符合精度的要求。

四、財(cái)務(wù)危機(jī)預(yù)警存在的問(wèn)題及改進(jìn)方法

高速發(fā)展的市場(chǎng)經(jīng)濟(jì)和日益成熟的證券市場(chǎng)使我國(guó)不少上市公司頻繁陷入財(cái)務(wù)危機(jī)，而具有高投資、大規(guī)模和長(zhǎng)周期特點(diǎn)的化工類上市公司的財(cái)務(wù)質(zhì)量對(duì)國(guó)民與市場(chǎng)經(jīng)濟(jì)、企業(yè)投資者利益及社會(huì)的影響較為顯著，因此對(duì)其財(cái)務(wù)危機(jī)的預(yù)測(cè)要求將越來(lái)越高，而由于我國(guó)這方面的起步較晚，研究時(shí)間相對(duì)西方國(guó)家來(lái)說(shuō)相對(duì)較短，雖然已得到一些成果，但此研究還存在較多問(wèn)題。以下針對(duì)幾個(gè)問(wèn)題提出相關(guān)建議。

1、證券市場(chǎng)不完善

通過(guò)上述分析可知，建立財(cái)務(wù)危機(jī)預(yù)警系統(tǒng)需要原始數(shù)據(jù)，而這些數(shù)據(jù)來(lái)自于證券市場(chǎng)。若證券市場(chǎng)不夠完善，即使采用精度較高的模型來(lái)進(jìn)行分析，提供的數(shù)據(jù)就會(huì)對(duì)結(jié)果產(chǎn)生相對(duì)較大的誤差，這將影響預(yù)警系統(tǒng)輸出結(jié)果的精度。正所謂磨刀不誤砍柴工，對(duì)此首先要完善證券市場(chǎng)，才能使上市公司財(cái)務(wù)危機(jī)預(yù)警達(dá)到一定效果。

2、模型缺乏理論依據(jù)

無(wú)論是國(guó)內(nèi)還是國(guó)外，目前沒(méi)有一個(gè)重要的理論能夠說(shuō)明財(cái)務(wù)比率在破產(chǎn)前的預(yù)測(cè)能力，說(shuō)明支持財(cái)務(wù)危機(jī)預(yù)警系統(tǒng)的理論依據(jù)都比較薄弱。預(yù)測(cè)模型只能通過(guò)實(shí)證研究得到，從而影響預(yù)測(cè)模型的可靠性。為此，需要從理論出發(fā)，建立一個(gè)有說(shuō)服力的優(yōu)選預(yù)警變量的理論框架。

3、適合化工類上市公司財(cái)務(wù)危機(jī)預(yù)警的模型較少

只有采用非線性分析的模型才能準(zhǔn)確地對(duì)化工類上市公司的財(cái)務(wù)危機(jī)進(jìn)行預(yù)測(cè)，而前人提出的常規(guī)分析模型是基于線性分析的，若采用這些模型將造成較大的誤差。目前主要采用的非線性分析模型是基于BP算法的人工神經(jīng)網(wǎng)絡(luò)模型，雖然目前的預(yù)警結(jié)果相對(duì)準(zhǔn)確，但面對(duì)市場(chǎng)經(jīng)濟(jì)的發(fā)展，也許誤差會(huì)不斷增大，因此亟需廣大學(xué)者對(duì)基于非線性分析的預(yù)警模型進(jìn)行研究。

四、結(jié)語(yǔ)

建立財(cái)務(wù)危機(jī)預(yù)警系統(tǒng)的目的是幫助企業(yè)及時(shí)處理和解決預(yù)警系統(tǒng)提前預(yù)測(cè)出的潛在風(fēng)險(xiǎn)。通過(guò)對(duì)預(yù)警系統(tǒng)的現(xiàn)狀研究，大多數(shù)財(cái)務(wù)危機(jī)預(yù)警的分析方法具有局限性，即判別方法僅對(duì)同一行業(yè)有效，而化工類上市公司的綜合性較強(qiáng)，從而限制了常規(guī)線性分析方法的使用，目前針對(duì)化工類的BP 人工神經(jīng)網(wǎng)絡(luò)財(cái)務(wù)危機(jī)預(yù)警研究方法是較能行之有效的，從而充分體現(xiàn)了該技術(shù)在危機(jī)預(yù)警方面的優(yōu)勢(shì)，但在財(cái)務(wù)指標(biāo)的篩選上還是存在較大誤差，模型還不夠簡(jiǎn)化等缺點(diǎn)，因此說(shuō)明化工類上市公司的財(cái)務(wù)危機(jī)預(yù)警系統(tǒng)還存在較多問(wèn)題，限于篇幅，本文只列出幾條?？偠灾?，財(cái)務(wù)危機(jī)預(yù)警的問(wèn)題不容忽視，特別是在市場(chǎng)經(jīng)濟(jì)競(jìng)爭(zhēng)十分激烈與險(xiǎn)惡的環(huán)境下。這項(xiàng)任重道遠(yuǎn)的系統(tǒng)工程需要廣大學(xué)者的不斷深入探討與實(shí)踐，使其發(fā)揮良好的實(shí)用價(jià)值。

參考文獻(xiàn)：

[1]周春生.企業(yè)風(fēng)險(xiǎn)與危機(jī)管理[M].北京大學(xué)出版社，2007

[2]楊淑娥.企業(yè)多層次財(cái)務(wù)危機(jī)預(yù)警研究方法與應(yīng)用[M]，經(jīng)濟(jì)科學(xué)出版社，2009

第9篇：人工神經(jīng)網(wǎng)絡(luò)改進(jìn)范文

【關(guān)鍵詞】系統(tǒng)辨識(shí) 神經(jīng)網(wǎng)絡(luò) 遺傳算法 模糊邏輯

一、引言

系統(tǒng)辨識(shí)屬于現(xiàn)代控制工程范疇，是以研究建立一個(gè)系統(tǒng)的數(shù)學(xué)模型的技術(shù)方法。分析法和實(shí)驗(yàn)法是主要的數(shù)學(xué)模型建立方法。系統(tǒng)辨是一種實(shí)驗(yàn)建立數(shù)學(xué)模型的方法，可實(shí)時(shí)建模，滿足不同模型建立的需求。L.A.Zadeh于1962年提出系統(tǒng)辨識(shí)的定義：在輸入、輸出的基礎(chǔ)上，確定一個(gè)在一定條件下與所觀測(cè)系統(tǒng)相等的系統(tǒng)。系統(tǒng)辨識(shí)技術(shù)主要由系統(tǒng)的結(jié)構(gòu)辨識(shí)和系統(tǒng)的參數(shù)估計(jì)兩部分組成。

系統(tǒng)的數(shù)學(xué)表達(dá)式的形式稱之為系統(tǒng)的結(jié)構(gòu)。對(duì)SISO系統(tǒng)而言，系統(tǒng)的階次為系統(tǒng)的機(jī)構(gòu)；對(duì)多變量線性系統(tǒng)而言，模型結(jié)構(gòu)就是系統(tǒng)的能控性結(jié)構(gòu)指數(shù)或能觀性結(jié)構(gòu)指數(shù) 。但實(shí)際應(yīng)用中難以找到與現(xiàn)有系統(tǒng)等價(jià)的模型。因此，系統(tǒng)辨識(shí)從實(shí)際的角度看是選擇一個(gè)最好的能擬合實(shí)際系統(tǒng)輸入輸出特性的模型。

本文介紹一些新型的系統(tǒng)辨識(shí)方法，體現(xiàn)新型方法的優(yōu)勢(shì)，最后得出結(jié)論。

二、基于神經(jīng)網(wǎng)絡(luò)的非線性系統(tǒng)辨識(shí)方法

近年來(lái)，人工神經(jīng)網(wǎng)絡(luò)得到了廣泛的應(yīng)用，尤其是在模式識(shí)別、機(jī)器學(xué)習(xí)、智能計(jì)算和數(shù)據(jù)挖掘方面。人工神經(jīng)網(wǎng)絡(luò)具有較好的非線性計(jì)算能力、并行計(jì)算處理能力和自適應(yīng)能力，這為非線性系統(tǒng)的辨識(shí)提供了新的解決方法。

結(jié)合神經(jīng)網(wǎng)絡(luò)的系統(tǒng)辨識(shí)法被用于各領(lǐng)域的研究，并不斷提出改進(jìn)型方法，取得了較好的進(jìn)展。如劉通等人使用了徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)對(duì)伺服電機(jī)進(jìn)行了辨識(shí)，使用了梯度下降方法進(jìn)行訓(xùn)練，確定系統(tǒng)參數(shù)；張濟(jì)民等人對(duì)擺式列車傾擺控制系統(tǒng)進(jìn)行了改進(jìn)，使用BP神經(jīng)對(duì)傾擺控制系統(tǒng)進(jìn)行辨識(shí)；崔文峰等人將最小二乘法與傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)結(jié)合，改善了移動(dòng)機(jī)器人CyCab的運(yùn)行系統(tǒng)。

與傳統(tǒng)的系統(tǒng)識(shí)別方法相比較，人工神經(jīng)網(wǎng)絡(luò)具有較多優(yōu)點(diǎn)：

（一）使用神經(jīng)元之間相連接的權(quán)值使得系統(tǒng)的輸出可以逐漸進(jìn)行調(diào)整；

（二）可以辨識(shí)非線性系統(tǒng)，這種辨識(shí)方法是通過(guò)神經(jīng)網(wǎng)絡(luò)自身來(lái)進(jìn)行，無(wú)需編程；

（三）無(wú)需對(duì)系統(tǒng)建行數(shù)模，因?yàn)樯窠?jīng)網(wǎng)絡(luò)的參數(shù)已都反映在內(nèi)部；

（四）神經(jīng)網(wǎng)絡(luò)的獨(dú)立性強(qiáng)，它采用的學(xué)習(xí)算法是它收斂速度的唯一影響因素；

（五）神經(jīng)網(wǎng)絡(luò)也適用于在線計(jì)算機(jī)控制。

三、基于遺傳算法的非線性系統(tǒng)辨識(shí)方法

遺傳算法是一種新型的求解最優(yōu)算法，它的思想來(lái)源于資源遺傳學(xué)，結(jié)合了自然選擇的優(yōu)點(diǎn)與數(shù)學(xué)概率性算法，具有諸多優(yōu)點(diǎn)，如全范圍的搜索域、求取的解為全局最優(yōu)和接受任意性質(zhì)的函數(shù)，因此在各領(lǐng)域都有廣泛的應(yīng)用。

雷旭升等人[5]使用了遺傳算法對(duì)小型無(wú)人飛行器的動(dòng)力學(xué)模型進(jìn)行高精度的構(gòu)建，并對(duì)構(gòu)建的系統(tǒng)進(jìn)行了仿真，驗(yàn)證了系統(tǒng)的有效性；趙靜等人[6]對(duì)人體能量代謝分析儀氣體流量系統(tǒng)進(jìn)行了模型建立，使用遺傳算法解決了傳統(tǒng)系統(tǒng)辨識(shí)方法辨識(shí)時(shí)產(chǎn)生的較大時(shí)延和誤差較大的問(wèn)題。

四、基于模糊理論的非線性系統(tǒng)辨識(shí)方法

近年來(lái)，模糊邏輯理論在非線性系統(tǒng)辨識(shí)領(lǐng)域中得到廣泛的應(yīng)用，用模糊集合理論，從系統(tǒng)輸入和輸出量測(cè)值來(lái)辨識(shí)系統(tǒng)的模糊模型，是系統(tǒng)辨識(shí)的有效途徑。模型結(jié)構(gòu)辨識(shí)和模型參數(shù)預(yù)計(jì)是模糊建模的主要內(nèi)容。常用的模型是T-S模型，T-S模型具有計(jì)算速度快、結(jié)構(gòu)模型易觀、逼近力強(qiáng)等特點(diǎn)。

趙宏偉等人[7]提出了一種基于系統(tǒng)辨識(shí)的自適應(yīng)網(wǎng)絡(luò)模型，建立T-S推理模型系統(tǒng)，并應(yīng)用于磨礦控制領(lǐng)域；李超順等人[8]針對(duì)水輪機(jī)調(diào)節(jié)系統(tǒng)的復(fù)雜性、非線性和難以用明確數(shù)學(xué)模型表達(dá)的特點(diǎn)，建立了該系統(tǒng)的T-S模型，實(shí)現(xiàn)了模糊模型結(jié)構(gòu)的自適應(yīng)優(yōu)化；葉劍斌[9]等人針對(duì)了現(xiàn)有算法中容易出現(xiàn)的維數(shù)災(zāi)難，同時(shí)將模糊語(yǔ)言理論和支持向量機(jī)的方法結(jié)合，提出了一種組合方法，提高了函數(shù)逼近的能力。此外，還有一些綜合上述三種方法的組合型辨識(shí)的方法。

五、結(jié)語(yǔ)

近年來(lái)，系統(tǒng)辨識(shí)的方法得到了不斷的發(fā)展，系統(tǒng)辨識(shí)已經(jīng)成為了現(xiàn)代控制工程領(lǐng)域中十分重要的技術(shù)與研究方向。隨著人工神經(jīng)網(wǎng)絡(luò)、模糊邏輯理論、遺傳算法、人工智能理論的成熟發(fā)展，越來(lái)越多的新型非線性系統(tǒng)辨識(shí)方法被不斷提出，且在實(shí)際工程應(yīng)用中得到了有效性驗(yàn)證與較好的效果。但對(duì)于現(xiàn)實(shí)工程中結(jié)構(gòu)復(fù)雜的各種系統(tǒng)難以找到一個(gè)統(tǒng)一的系統(tǒng)辨識(shí)方法，因此研究需要更多的新型非線性系統(tǒng)辨識(shí)方法去解決實(shí)際工程應(yīng)用中出現(xiàn)的問(wèn)題。對(duì)傳統(tǒng)的系統(tǒng)辨識(shí)方法進(jìn)行不斷完善將是系統(tǒng)辨識(shí)未來(lái)的發(fā)展方向。

參考文獻(xiàn)：

[1]王樂(lè)一，趙文. 系統(tǒng)辨識(shí)：新的模式、挑戰(zhàn)及機(jī)遇[J].自動(dòng)化學(xué)報(bào)，2013，39（9）：933-942.

[2]劉通.基于RBF神經(jīng)網(wǎng)絡(luò)的某交流伺服系統(tǒng)辨識(shí)研究[J].機(jī)械制造與自動(dòng)化，2013，（2）：113-115.

[3]張濟(jì)民，王開(kāi)文，池茂儒.基于BP神經(jīng)網(wǎng)絡(luò)擺式列車傾擺控制系統(tǒng)的辨識(shí)[J] .機(jī)床與液壓，2003，（5） ：33-35.

[4]崔文峰，史儀凱.移動(dòng)機(jī)器人的鍵合圖建模與參數(shù)辨識(shí)[J].機(jī)械科學(xué)與技術(shù)，2012，31（7） ：1062-1065.

[5]雷旭升，白浪.基于自適應(yīng)遺傳算法的小型無(wú)人旋翼機(jī)系統(tǒng)辨識(shí)方法[J].機(jī)器人，2011，33（5）：528-532.

[6] 趙靜，郭巧，王萍.基于遺傳算法的人體能量代謝分析系統(tǒng)辨識(shí)[J] .控制工程，2004，11（1）：17-19.

[7] 趙宏偉，齊一名，臧雪柏等.基于系統(tǒng)辨識(shí)與T―S模糊神經(jīng)網(wǎng)絡(luò)的磨礦分級(jí)控制[J].吉林大學(xué)學(xué)報(bào)：工學(xué)版，2011，41（1） ：171-175.