神經(jīng)網(wǎng)絡基本原理精選(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神經(jīng)網(wǎng)絡基本原理主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：神經(jīng)網(wǎng)絡基本原理范文

摘要：工程造價估算是招標投標中的重要一環(huán)，探尋一套快速、簡捷、實用的工程造價估算方法已經(jīng)成為建筑行業(yè)的迫切需要。為了建設工程造價估算技術(shù)的發(fā)展及文聯(lián)面臨的問題，提出在建設工程造價估算技術(shù)系統(tǒng)中應用人工神經(jīng)網(wǎng)絡技術(shù)來提高估算精確度，并且給出系統(tǒng)的設計模型。

關(guān)鍵詞：人工神經(jīng)網(wǎng)絡；工程造價；造價估算

人工神經(jīng)網(wǎng)絡（ArtificialNeuralNetworks，簡寫為ANNs）也簡稱為神經(jīng)網(wǎng)絡（NNs）或稱作連接模型（ConnectionistModel），它是一種模范動物神經(jīng)網(wǎng)絡行為特征，進行分布式并行信息處理的算法數(shù)學模型。這種網(wǎng)絡依靠系統(tǒng)的復雜程度，通過調(diào)整內(nèi)部大量節(jié)點之間相互連接的關(guān)系，從而達到處理信息的目的。人工神經(jīng)網(wǎng)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(shù)據(jù)，分析掌握兩者之間潛在的規(guī)律，最終根據(jù)這些規(guī)律，用新的輸入數(shù)據(jù)來推算輸出結(jié)果，這種學習分析的過程被稱為“訓練”。

一、神經(jīng)網(wǎng)絡的建立

雖然人們還并不完全清楚生物神經(jīng)網(wǎng)絡是如何進行工作的，但還是幻想能否構(gòu)造一些“人工神經(jīng)元”，然后將這些神經(jīng)元以某種特定的方式連接起來，模擬“人腦”的某些功能。

在1943年，心理學家W. McCulloch和數(shù)學家W. Pitts合作，從數(shù)理邏輯的角度，提出了神經(jīng)元和神經(jīng)網(wǎng)絡最早的數(shù)學模型（MP模型），是神經(jīng)網(wǎng)絡研究的開端，更為后面的研究發(fā)展奠定了基礎。經(jīng)歷了半個多世紀，神經(jīng)網(wǎng)絡度過了萌芽期、第一次期、反思低潮期、第二次期、再認識與應用研究期五個階段。目前，神經(jīng)網(wǎng)絡已成為涉及多種學科和領域的一門新興的前沿交叉學科。

神經(jīng)元分為分層網(wǎng)絡和相互連接型網(wǎng)絡。所謂分層網(wǎng)絡，就是一個網(wǎng)絡模型中的所有神經(jīng)元按功能分層，一般分為輸入層、中間層（隱含層）、輸出層，各層按順序連接，隔層之間均采用的是全互連接，但對于同一單元間，不互相連接。分層網(wǎng)絡可細分為簡單前向網(wǎng)絡、反饋前向網(wǎng)絡和層內(nèi)互相連接的網(wǎng)絡。人工神經(jīng)網(wǎng)絡結(jié)構(gòu)是一種多層的網(wǎng)絡結(jié)構(gòu)，一個典型的前向網(wǎng)絡。

某個神經(jīng)元 j 的輸入―輸出關(guān)系為

其中，θj為閥值，ωji為連接權(quán)，f(•)為變換函數(shù)，也稱活化函數(shù)(activation function)

對于人工神經(jīng)網(wǎng)絡模型，我們只可能在某種程度上去描述我們所了解的情況。同樣，人工神經(jīng)網(wǎng)絡也只可能是在某種程度上對真實的神經(jīng)網(wǎng)絡的一種模擬和逼近。

二、在工程造價中的運用

成都市工程造價計價模式后選取了基礎類型、結(jié)構(gòu)類型、工期、層數(shù)、建址、層高、內(nèi)裝修、門窗、單位造價等10個影響工程造價和工程量的特征作為模型的輸入?？紤]到各個工程中門和窗數(shù)量差別很大為提高估算的精度我們把門數(shù)量和窗數(shù)量作為輸入，其數(shù)量在工程施工圖紙上很容易查得，不需作復雜的計算。對于其他文字性表達的工程特征需轉(zhuǎn)變成數(shù)字后作為網(wǎng)絡的輸入。

很明顯的看出，測試樣本總體誤差率比較小，平均誤差為283%，基本滿足估算要求，隨著工程資料的不斷積累，選取有代表性的數(shù)據(jù)作為樣本，誤差將不斷縮小。

意義：

通過這次研究，我們了解了人工神經(jīng)網(wǎng)絡的基本原理，即通過誤差反向傳播建立多層前饋網(wǎng)絡的學習收斂過程,該過程主要包括三個層次,即輸入層、隱含層和輸出層。在訓練中通過計算輸出值與期望值之間的誤差,來求解輸出層單元的一般化誤差,再將誤差進行反向傳播,求出隱含層。并了解了基于人工神經(jīng)網(wǎng)絡之上的建設項目的投資估算模型，了解了平滑指數(shù)法、類比系數(shù)法、模糊數(shù)學估算法的基本原理與其自身的優(yōu)勢與不足，也讓我們更深刻地認識到，人工神經(jīng)網(wǎng)絡，作為90年代逐漸被運用的人工智能技術(shù)之一，能像一個經(jīng)驗深厚的造價師，根據(jù)工程類型、特征及其相關(guān)情況,結(jié)合數(shù)據(jù)和經(jīng)驗,準確的估算出其造價。我們也通過計算驗證了模型的可行性。對于我們從事建筑造價的大學生來說，是一次難能可貴的研究機會，能夠較深層次的了解行業(yè)中的專業(yè)知識。隨著中國改革開放和市場經(jīng)濟的不斷深入，中國建筑企業(yè)在面臨很好的機遇的同時，也面臨著嚴峻的考驗?，F(xiàn)在的市場競爭機制已表現(xiàn)得越來越明顯，他要求我們提高效率，盡快拿出自己招投標方案，但是傳統(tǒng)的預算方法以及現(xiàn)行的計算軟件都必須花費較長的時間才能計算出結(jié)果，而且計算的結(jié)果準確度還不是很高。怎樣解決這個問題，成了建筑界的熱門話題。同時作為建設方的業(yè)主，他們同樣對快速預算很感興趣。因為確定工程造價是建設工作中十分重要的一環(huán)，在不同階段有著不同的方法。如建設前期的工程造價估算、初步設計階段編制概算、施工圖設計階段編制預算，特別是建設前的估算是我們工作的重點，因為它是我們進行成本控制的起點。對于建設單位而言，它們不僅能在進行設計招標之前大致確定該工程的造價，而且還能在工程施工招標前定出合理的標底?？梢娍焖兕A算有其很現(xiàn)實的發(fā)展研究背景。近幾年許多學者都在這方面努力探索，并取得了很好成果。 神經(jīng)網(wǎng)絡和模糊數(shù)學的快速發(fā)展應用為工程快速預算提供了很好的思路。我們通過查閱資料了解了模糊數(shù)學和神經(jīng)網(wǎng)絡的結(jié)合原理，認識了基于模糊神經(jīng)網(wǎng)絡和工程預算原理的工程快速估價的模型，并通過住宅建筑估價模型的建立，說明模型的實現(xiàn)方法且驗證其實用性。這次研究對于行業(yè)經(jīng)驗不足的我們十分寶貴，我們通過書籍等資料更加全方位的了解了我們未來所講從事的行業(yè)的知識，為我們以后的工作做了良好的鋪墊，積累了寶貴財富，我們將在了解這些專業(yè)知識之后熟練地運用，以更好地促進行業(yè)的發(fā)展。（西華大學；四川；成都；610039）

參考文獻：

① 汪應洛、楊耀紅，工程項目管理中的人工神經(jīng)網(wǎng)絡方法及其應用［J］.中國工程科學.2004,6(7):26-33.

② 袁曾仁，人工背景：神經(jīng)網(wǎng)絡及其應用［M］清華大學出版社，1991

第2篇：神經(jīng)網(wǎng)絡基本原理范文

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(xiàn)在如下幾個方面。

第一,公路工程造價的估算是實現(xiàn)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(huán)節(jié)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(xiàn)公路工程造價的合理估算是實現(xiàn)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(yè)成本控制計劃方案的制定提供重要的參考依據(jù)。施工企業(yè)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(yè)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(yè)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(fā)生。

1.2 傳統(tǒng)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(tǒng)公路工程造價估算中還存在一系列的問題,其中我國傳統(tǒng)公路造價估算中主要存在如下幾個方面的問題:一是相關(guān)規(guī)章制度的限制,造價估算結(jié)果往往與投標報價相差懸殊;二是預算結(jié)果與概算結(jié)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(jiān)督機制,從而使最終的造價結(jié)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(jīng)網(wǎng)絡

2.1 模糊數(shù)學概述

(1)模糊數(shù)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(shù)學就是要用數(shù)學的方法來表示那些模糊概念發(fā)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(tài),從而利用數(shù)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(shù)學的數(shù)學描述,一般模糊數(shù)學的數(shù)學描述,多采用的是類似與集合的數(shù)學表示方法。與集合的區(qū)別就在于模糊數(shù)學在表示集合元素時需要附帶一個稱為隸屬函數(shù)值的參數(shù),其中該參數(shù)的值是隸屬函數(shù)與元素的值進行運算的結(jié)果。

2.2 神經(jīng)網(wǎng)絡概述

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

(2)神經(jīng)網(wǎng)絡的基本原理,神經(jīng)網(wǎng)絡在結(jié)構(gòu)和功能上都是模擬人腦的神經(jīng)系統(tǒng)來進行設計和實現(xiàn)的,它同時作為模擬生物神經(jīng)元的一種計算方法,其基本原理是這樣的,與生物神經(jīng)元的基本原理相似,用那些具有突的網(wǎng)絡結(jié)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(jīng)元,有些則是激發(fā)神經(jīng)元,對于那些激發(fā)神經(jīng)元,一旦積累到一定的閾值后,相應的神經(jīng)元便會被激活,被激活的神經(jīng)元就會沿其稱為軸突的部件向其它神經(jīng)元傳遞信息,并完成信息的處理。

2.3 模糊神經(jīng)網(wǎng)絡概述

模糊神經(jīng)網(wǎng)絡是模糊數(shù)學和神經(jīng)網(wǎng)絡有效結(jié)合的應用研究成果。其中在模糊神經(jīng)網(wǎng)絡中模糊數(shù)學的應用體現(xiàn)在它可以根據(jù)那些假定的隸屬函數(shù)以及相應的規(guī)律,用邏輯推理的方法去處理各種模糊的信息。

3模糊神經(jīng)網(wǎng)絡在公路工程造價估算中的應用

3.1 基于模糊神經(jīng)網(wǎng)絡的公路工程造價估算方法的實現(xiàn)

將模糊神經(jīng)網(wǎng)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(fā)展的特點和重點。從本質(zhì)上來看,模糊神經(jīng)網(wǎng)絡就是一個系統(tǒng),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(jié)果的,所以與模擬神經(jīng)網(wǎng)絡所提供的輸入輸出機制非常相似,其中結(jié)合模糊神經(jīng)網(wǎng)絡的原理,基于模糊神經(jīng)網(wǎng)絡的公路工程造價估算方法的實現(xiàn)過程如下。

第一，構(gòu)建已施工公路工程的造價信息庫,其中包括應經(jīng)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(jié)合擬建工程的施工需求來確定其包括評價指標等在內(nèi)的各種特征因素的數(shù)據(jù)取值。

第三，按照模糊數(shù)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(jīng)網(wǎng)絡進行學習和訓練的基礎數(shù)據(jù)。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(jīng)網(wǎng)絡的輸入向量,信息庫中公路工程的造價值作為神經(jīng)網(wǎng)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(jīng)網(wǎng)絡的輸入向量,通過神經(jīng)網(wǎng)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(shù)據(jù),編制神經(jīng)網(wǎng)絡學習的算法通用程序。將學習訓練的基礎數(shù)據(jù)輸入神經(jīng)網(wǎng)絡,然后合理設計學習率,經(jīng)過一定次數(shù)的迭代運算,有效提高公路工程造價估算結(jié)果的精度。

3.2 基于模糊神經(jīng)網(wǎng)絡的公路工程造價估算方法的優(yōu)點

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

第一,模糊神經(jīng)網(wǎng)絡中所采用的模糊數(shù)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(jīng)網(wǎng)絡的公路工程造價估算方法的估算結(jié)果科學合理,因為該方法采用的是基于數(shù)學模型的數(shù)學計算分析,所以其結(jié)果受人為因素的影響較小。

第三,模糊神經(jīng)網(wǎng)絡中所采用的神經(jīng)網(wǎng)絡模型對公路工程造價的估算具有很好的適應性,與傳統(tǒng)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(tài)變化。

第四,基于模糊神經(jīng)網(wǎng)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(yōu)點。

4結(jié)語

由于影響公路工程造價的因素比較多,而且各因素的構(gòu)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(tǒng)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(jié)合模糊數(shù)學和神經(jīng)網(wǎng)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(jīng)網(wǎng)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(jié)果。

第3篇：神經(jīng)網(wǎng)絡基本原理范文

【關(guān)鍵詞】 功率預測 短期預測 均方根誤差

發(fā)電與用電必須實時平衡是電力系統(tǒng)運行的重要特點，只有這樣系統(tǒng)才能保證安全和穩(wěn)定。因而無論在國內(nèi)還是國外，電網(wǎng)調(diào)度部門主要負責電力系統(tǒng)的調(diào)頻、調(diào)峰、安排發(fā)電計劃和備用容量等業(yè)務。對于新能源發(fā)電方面，尤其以光伏和風電為代表，當其在電力系統(tǒng)中達到較高透率時，準確預測其輸出功率不僅有助于調(diào)度部門提前調(diào)整調(diào)度計劃來減輕光伏風電間歇性對電網(wǎng)的影響，而且還可減少備用容量的安排，從而降低系統(tǒng)運行成本。因此，新能源功率預測在電網(wǎng)調(diào)度領域占有舉足輕重的地位，更精確的預測風能、太陽能發(fā)電功率有利于制定合理的電力調(diào)度計劃。

1 國內(nèi)外研究現(xiàn)狀

對新能源發(fā)電功率預測技術(shù)的研究較早起源于國外，尤其以丹麥、德國、瑞士、西班牙和日本等國的相關(guān)大學和科研機構(gòu)為代表。上世紀90年代丹麥開始大力發(fā)展風電，促使了其不同公司或高校開始研究新能源功率預測問題。[1]相繼產(chǎn)生了多個產(chǎn)品，如Riso實驗室開發(fā)了Prediktor系統(tǒng)，丹麥技術(shù)大學開發(fā)出WPPT（Wind Power Prediction Tool）系統(tǒng)，而后的用于風電功率預測的Zephry系統(tǒng)就是由Prediktor和WPPT整合而來，另外由ENFOR公司研發(fā)的用于光伏功率預測的SOLARFOR系統(tǒng)也比較有代表性；作為國際上較早大面積應用新能源的德國，其Oldenburg大學開發(fā)了Previento系統(tǒng)，德國太陽能研究所開發(fā)了風電功率管理系統(tǒng)（WPMS）；西班牙Joen大學建立了19kW的光伏發(fā)電站驗證其發(fā)電預報準確率[2]，通過人工神經(jīng)網(wǎng)絡算法，以實測的光伏板溫度、日照輻射強度為輸入值，以其I/V曲線為目標函數(shù)，訓練神經(jīng)網(wǎng)絡的多層傳感器，求解出逼近實際工況的I/V曲線，建立了發(fā)電功率日照強度、板溫之間的函數(shù)關(guān)系，經(jīng)過驗證，該系統(tǒng)2003年發(fā)電量預測值與實測值的歷史相關(guān)系數(shù)高達0.998。國內(nèi)方面光伏發(fā)電量預測技術(shù)研發(fā)起步較晚。華北電力大學[3]結(jié)合光伏組件數(shù)學模型和保定地區(qū)氣象資料，模擬了30MW光伏電站發(fā)電量數(shù)據(jù)，利用支持向量機回歸分析方法進行功率預測，但該方法無實際光伏電站的實況發(fā)電量數(shù)據(jù)，缺乏實驗驗證，對實際光伏電站發(fā)電量預報的指導意義有限。華中科技大學[4]利用該校屋頂光伏并網(wǎng)發(fā)電系統(tǒng)資料進行研究，通過2005―2010年不同季節(jié)氣象因素與發(fā)電量之間的相關(guān)分析，得出光伏發(fā)電量與輻照度的相關(guān)性最大、溫度次之、風速再次之。

2 功率預測方法及分類

為提高功率預測精度，國內(nèi)外研究機構(gòu)都在嘗試各種新的預測方法，主要的功率預測方法分類如（圖1）。

時間序列分析是持續(xù)預測法中的一種，其認為風速、輻照強度預測值等于最近幾個風速、輻照強度歷史數(shù)據(jù)的滑動平均值，通常只是簡單地把最近一點的觀測值作為下一點的預測值。該模型的預測誤差較大，且預測結(jié)果不穩(wěn)定。改進的方法有ARMA模型法、卡爾曼濾波法。

人工神經(jīng)網(wǎng)絡方法被廣泛用來解決非線性問題的建模方法。它由大量簡單元件相互連接而成的復雜網(wǎng)絡，具有高度的非線性，能夠進行復雜的邏輯操作的非線性關(guān)系。其具有很多優(yōu)良性能，如非線性映射能力、自組織性和自適應性能力、記憶聯(lián)想能力、容錯能力等。

按照風電或光伏功率預測的時間尺度可分為中長期、短期和超短期預測。對于中長期預測或更長時間尺度，主要用于風光電場或電網(wǎng)的檢修維護計劃安排等的預測。對于30分鐘～72小時的預測，主要用于電力系統(tǒng)的功率平衡和經(jīng)濟調(diào)度、電力市場交易、暫態(tài)穩(wěn)定評估等稱為短期功率預測。一般認為不超過30分鐘的預測為超短期預測。從預測模型建立角度考慮，不同時間尺度的預測有本質(zhì)區(qū)別：0～3小時的預測主要由大氣條件的持續(xù)性決定，所以如果不通過數(shù)值天氣預報也能得出較好的預測結(jié)果，如采用可得到更好結(jié)果。對于時間尺度超過3小時的預測，不考慮數(shù)值天氣預測無法反應大氣運動的本質(zhì)，所以難以得到較好的預測結(jié)果，所以通常的預測方法都采用數(shù)值天氣預報的數(shù)據(jù)。

基于物理方法的功率預測流程示意圖如下（以風功率預測為例）。首先通過數(shù)值天氣預報得到風速、風向等氣象數(shù)據(jù)，再根據(jù)電場周圍的地理信息參數(shù)（等高線、粗糙度、障礙物、溫度分層等）采用軟件計算得到風機輪轂高度的風速、風向、氣溫、氣壓等參數(shù)，最后根據(jù)風機功率曲線計算得到風電場輸出功率。因為在不同的風向和溫度條件下，即使風速相同，風電場輸出功率也不相等，因此風電場功率曲線是一族曲線，同時還應考慮風電機組故障和檢修的情況。對整個區(qū)域進行風電功率預測時，可對所有的風電場輸出功率進行預測，然后求和得到區(qū)域總功率。

基于統(tǒng)計方法的風電/光伏的功率預測不考慮風速/輻照變化的物理過程，根據(jù)歷史統(tǒng)計數(shù)據(jù)找出天氣狀況與風光電場出力的關(guān)系，然后根據(jù)實測數(shù)據(jù)和數(shù)值天氣預報數(shù)據(jù)對電場輸出功率進行預測。

兩種方法各有優(yōu)缺點。物理方法無需大量的測量數(shù)據(jù)，但對大氣的物理特性及風/光電場特性的數(shù)學描述要求較高，這些描述方程求解困難、計算量大。統(tǒng)計方法無需對求解方程，計算速度快，但需要大量歷史數(shù)據(jù)，采用機器學習方法對數(shù)據(jù)進行挖掘與訓練，得到氣象參數(shù)與風/光電場輸出功率的關(guān)系。目前的趨勢是將兩種方法混合使用，稱之為綜合方法。

3 三種預測方法的對比

通過應用三種統(tǒng)計預測算法于某案例中對其預測精度進行了對比。案例以某島嶼上的分布式風光電站發(fā)電量為檢驗對象，該電站由25臺30kw并網(wǎng)光伏逆變器、5臺50kw風機組成，合計1000kw。選取2013年4月份的歷史功率數(shù)據(jù)和歷史數(shù)值天氣預報數(shù)據(jù)作為模型建立依據(jù)，5月份發(fā)電量作為預測對象（因為該區(qū)域4，5月份天氣變化相對最?。⒉捎猛瑫r段的歷史功率數(shù)據(jù)對模型的預測結(jié)果進行驗證。

3.1 ARMA預測模型

3.1.1 ARMA模型的基本原理

ARMA模型也稱為自回歸滑動平均模型，是研究時間序列的重要方法之一，是由自回歸與滑動平均兩種模型“混合”而成。常用于長期追蹤資料的研究和用于具有季節(jié)變動特征數(shù)據(jù)的預測中，所以可將其應用于風電光伏功率預測領域。

3.1.2 預測結(jié)果及誤差分析

運用ARMA模型分別對5月1日9時0分至5月31日18時00分進行預測，得到原始風電光伏總功率和預測功率。預測結(jié)果如（圖3、4）所示。

常見的預測誤差的評估方法有平均絕對誤差，均方根誤差，相關(guān)系數(shù)等。均方根誤差放大了出現(xiàn)較大誤差的點，能更好的反映光伏電站預測模型的準確度，因此本文采用均方根誤差RMSE對模型的誤差進行評估。

其中，N-測試樣本數(shù)；P-裝機容量。

通過Matlab的計算，我們得到各項指標結(jié)果如表1。

3.2 卡爾曼濾波預測模型

3.2.1 模型基本原理

卡爾曼濾波法運用了濾波的基本思想，利用前一時刻預報誤差的反饋信息及時修正預報方程，以提高下一時刻的預報精度。要實現(xiàn)卡爾曼濾波法預測風光功率，首先必須推導出正確的狀態(tài)方程和測量方程。因已通過時間序列分析建立了風電功率時間序列的ARMA模型，故可將ARMA模型轉(zhuǎn)換到狀態(tài)空間，建立卡爾曼濾波的狀態(tài)方程和測量方程。

3.2.2 預測結(jié)果及誤差分析（如圖5、圖6）

通過Matlab的計算，我們得到各項指標結(jié)果如（表2）。

3.3 小波神經(jīng)網(wǎng)絡預測模型

對于上文的ARMA模型和卡爾曼濾波模型都屬于線性模型，都必須先對模型結(jié)構(gòu)做出假設，然后對模型參數(shù)的估計得到預測值。因此，模型結(jié)構(gòu)的合理與否，直接影響到最終預測的精度。由于風光電場功率具有高度的不確定性，因而單一的線性預測模型不足以挖掘其功率數(shù)據(jù)中的所有信息。而神經(jīng)網(wǎng)絡具有自學習、自組織和自適應性，可以充分逼近任意復雜的非線性關(guān)系，所以本文選擇小波神經(jīng)網(wǎng)絡方法對風光功率進行非線性預測研究。

3.3.1 小波神經(jīng)網(wǎng)絡法基本原理

小波神經(jīng)網(wǎng)絡是一種以BP神經(jīng)網(wǎng)絡拓撲結(jié)構(gòu)為基礎，把小波基函數(shù)作為隱含層節(jié)點的傳遞函數(shù)，信號前向傳播的同時誤差反向傳播的神經(jīng)網(wǎng)絡。小波神經(jīng)網(wǎng)絡的拓撲結(jié)構(gòu)如圖7。

3.3.2 模型建立

首先采集四月份一整月的光伏風電功率數(shù)據(jù)，每隔15min記錄一個時間點，共有960個時間節(jié)點的數(shù)據(jù)，用前四月份30天的功率數(shù)據(jù)訓練小波神經(jīng)網(wǎng)絡，最后用訓練好多的神經(jīng)網(wǎng)絡預測之后的功率數(shù)據(jù)?；谛〔ㄉ窠?jīng)網(wǎng)絡的功率預測算法流程圖如圖8所示。

小波神經(jīng)網(wǎng)絡的拓撲結(jié)構(gòu)如圖9所示。

小波神經(jīng)網(wǎng)絡訓練：通過數(shù)據(jù)訓練小波神經(jīng)網(wǎng)絡，網(wǎng)絡反復訓練100次。

神經(jīng)網(wǎng)絡網(wǎng)絡測試：用訓練好的神經(jīng)網(wǎng)絡預測風光功率，并對預測結(jié)果進行分析。

3.3.3 預測結(jié)果

利用Matlab處理數(shù)據(jù)并進行計算，我們得到基于小波神經(jīng)網(wǎng)絡的功率預測結(jié)果（圖10、11）。

預測結(jié)果分析：

本文采用了ARMA模型、卡爾曼濾波預測算法和小波神經(jīng)網(wǎng)絡算法對該島的分布式風光電功率數(shù)據(jù)樣本進行了預測。分析表1～表3預測效果評價指標，我們得到以下認識：小波神經(jīng)網(wǎng)絡模型中我們得到預測結(jié)果：超短期預測精確度誤差最小達到到7%，短期預測精確度誤差最小達到到9%，表明小波神經(jīng)網(wǎng)絡的預測結(jié)果已經(jīng)相當精確。對小波神經(jīng)網(wǎng)絡預測曲線與線性預測模型的預測曲線進行對比，可以看到：神經(jīng)網(wǎng)絡對于光伏風電功率的描繪更加平緩。

4 結(jié)論與展望

在對國內(nèi)外文獻廣泛調(diào)研的基礎上，較為全面地論述了風電、光伏功率預測技術(shù)的研究現(xiàn)狀和最新動態(tài)，對當前功率預測技術(shù)方法進行了總結(jié)歸納，建立了針對某島嶼分布式風光互補示范工程的高精度發(fā)電功率預測模型，成功實現(xiàn)了分布式電源總輸出（光伏風電）的精確預測，實驗運行結(jié)果表明：該系統(tǒng)能夠準確預測次日短期和未來4小時超短期光伏發(fā)電出力，短期和超短期預測的月平均均方根誤差分別為9%和7%。

為了進一步提高功率預測精度還需要提高數(shù)值天氣預報質(zhì)量，從而得到精度更高更豐富的區(qū)域氣象數(shù)據(jù)。因此需要盡快建立我國數(shù)值天氣預報商業(yè)化服務，進一步完善風電光伏功率預測系統(tǒng)，提高預測精度。

參考文獻：

[1]BOSSANYI E A. Short-term wind prediction using Kalman filters[J]. Wind Engineering， 1985，9（1）：1-8.

[2]Almonacid F， Rus C， Perez P J，et al.Estimation of the energy of a PV generator using artificial neural network [J]. Renewable Energy， 2009， 34（12）：2743-2750.

第4篇：神經(jīng)網(wǎng)絡基本原理范文

[關(guān)鍵詞] 客戶需求 預報 RBF神經(jīng)網(wǎng)絡

一、引言

在經(jīng)濟全球化的激烈競爭中，客戶需求預報在企業(yè)決策中發(fā)揮著重要的作用，客戶需求預報主要是預報未來一段時間內(nèi)客戶對某產(chǎn)品的需求數(shù)量和發(fā)展趨勢。產(chǎn)品需求信息的提前準確獲取，可以縮短產(chǎn)品的上市時間并提高客戶滿意度。同時客戶需求預報也是解決不確定需求物流配送問題的一個重要方法，通過客戶需求預報可以將不確定需求問題轉(zhuǎn)化為確定需求問題。本文采用RBF神經(jīng)網(wǎng)絡對客戶需求進行預報，以期得到有效結(jié)果。該研究有利于了解RBF神經(jīng)網(wǎng)絡在客戶需求預報問題中的應用價值。

二、基于RBF神經(jīng)網(wǎng)絡的客戶需求預報

RBF神經(jīng)網(wǎng)絡是以徑向基函數(shù)作為隱含層神經(jīng)元激活函數(shù)的三層前向型神經(jīng)網(wǎng)絡，RBF網(wǎng)絡的優(yōu)越性主要在于具有最佳逼近和全局逼近的性質(zhì)，因此可以用于預測、識別、函數(shù)逼近和過程建模等問題。RBF神經(jīng)網(wǎng)絡的拓撲結(jié)構(gòu)如圖1所示。第一層為輸入層，由信號源節(jié)點組成，輸入層節(jié)點只傳遞信號到第二層；第二層為隱含層，隱含層采用徑向基函數(shù)作為網(wǎng)絡的傳遞函數(shù)，隱含層節(jié)點數(shù)視所描述問題而定，從輸入層空間到隱含層空間的變換是非線性的；第三層為輸出層，它對輸入模式的作用作出響應，輸出層節(jié)點計算由隱含層節(jié)點給出的基函數(shù)的線性組合。整個RBF網(wǎng)絡可以看作是非線性基函數(shù)的線性組合。

RBF神經(jīng)網(wǎng)絡輸出層第j個節(jié)點的輸出值計算公式如下所示:

;式中RBF網(wǎng)絡的傳遞函數(shù)采用高斯函數(shù)，表示輸出層第k個節(jié)點的輸出值，表示隱含層第i個節(jié)點到輸出層第j個節(jié)點的連接權(quán)值，x表示神經(jīng)網(wǎng)絡的輸入向量，表示隱含層第i個節(jié)點的中心，M表示隱含層節(jié)點總數(shù)，表示歐氏函數(shù)，表示偏置量，表示隱含層中心寬度。

基于RBF神經(jīng)網(wǎng)絡的客戶需求預報包括訓練樣本的選取、待測樣本的選取與RBF神經(jīng)網(wǎng)絡需求預報等三部分組成。根據(jù)客戶需求歷史信息，采用此預報方法可以得到相應的預報結(jié)果。此預報方法各組成部分的關(guān)系如圖2所示。

本文選取客戶需求數(shù)據(jù)作為訓練樣本數(shù)據(jù)：以某客戶需求發(fā)生時間t(1)、t(2)、…、t(n)對應的客戶需求量d(1)、d(2)、…、d(n)作為訓練樣本。當RBF神經(jīng)網(wǎng)絡完成訓練學習后，就可以對未來某時刻的客戶需求量進行超前預報。

三、計算示例

為了驗證此預報方法的有效性，以國內(nèi)某公司某產(chǎn)品的銷售數(shù)據(jù)為例，對此產(chǎn)品的需求量進行了預報。此產(chǎn)品的需求數(shù)據(jù)如下表所示：

本文選取2003年～2006年的歷史需求數(shù)據(jù)組成訓練樣本，采用提出的RBF客戶需求預報方法對2007年的產(chǎn)品需求量進行超前預報。2007年客戶需求量的超前預報值和誤差如表2所示：

由表2可知，采用基于RBF神經(jīng)網(wǎng)絡的預報方法對客戶需求量進行超前一個月至十二個月預報，其平均誤差為3.27%。

四、結(jié)束語

本文介紹了RBF神經(jīng)網(wǎng)絡的基本原理，描述了客戶需求信息訓練樣本和待測樣本選取等內(nèi)容，提出了基于RBF神經(jīng)網(wǎng)絡的客戶需求預報方法。最后以某公司的產(chǎn)品銷售數(shù)據(jù)為例，采用此預報方法對其產(chǎn)品需求進行了超前一個月至十二個月的預報，平均預報誤差小于4％，證明了此方法的可行性和有效性。

參考文獻：

[1]朱道立龔國華羅齊:物流和供應鏈管理[M].上海:復旦大學出版社, 2001

[2]宋華:現(xiàn)代物流與供應鏈管理案例[M].北京:經(jīng)濟管理出版, 2001

[3]魏海坤:神經(jīng)網(wǎng)絡結(jié)構(gòu)設計的理論與方法[M].北京:國防工業(yè)出版社,2005

[4]田景文高美娟:人工神經(jīng)網(wǎng)絡算法研究及其應用[M].北京: 北京理工大學出版社,2006.7

[5] 高瑋. 新型進化神經(jīng)網(wǎng)絡模型[J].北京航空航天大學學報，2004, 30(11):79-83

第5篇：神經(jīng)網(wǎng)絡基本原理范文

[關(guān)鍵詞]人工神經(jīng)網(wǎng)絡；旅游物流；需求預測

[DOI]1013939/jcnkizgsc201538051

1引言

旅游物流對廣西地區(qū)經(jīng)濟的發(fā)展至關(guān)重要，準確把握、預測旅游物流需求有助于有關(guān)部門制定合理的旅游物流規(guī)劃、促進國民經(jīng)濟可持續(xù)發(fā)展、提高居民生活水平。國內(nèi)學者通過一定的方法和模型確定了影響旅游物流能力的關(guān)鍵要素，為旅游物流需求的預測提供了一定的理論基礎，而在物流需求預測方面也提出了很多如時間序列模型、灰色預測、回歸分析等具有創(chuàng)新性和實踐意義的方法。由于旅游物流具有的獨特性和負責性使得這些模型及分析方法在前提條件、適用范圍和側(cè)重點的選取方面具有一定的困難，因此在實際應用中各有利弊。人工神經(jīng)網(wǎng)絡可以將定量或定性的信息等勢的分布貯存于網(wǎng)絡內(nèi)的各神經(jīng)元，有很強的魯棒性和容錯性，通過建立基于人工神經(jīng)網(wǎng)絡的預測模型，利用Braincell軟件進行計算以期達到精確預測旅游物流需求的目的。

2旅游物流的需求界定

經(jīng)過多年的發(fā)展，關(guān)于旅游物流需求的定義至今仍沒有一個令各方滿意的結(jié)論。物流服務貫穿了整個旅游活動過程中，旅游物流可以看作為了使旅游消費者獲得更好地滿足感和旅游體驗，與旅游相關(guān)的主體提供讓旅游消費者更為暢通流動的旅游服務，與此相應的旅游物流的能力指提供的旅游服務內(nèi)容以及相關(guān)主體使用物流設施對旅游物流活動進行計劃、組織、協(xié)調(diào)和控制的能力，到旅游物流的具體環(huán)節(jié)，可以從涉及旅游者的吃、住、行、購、游、娛等方面界定旅游相關(guān)主體運用物流設施為游客提供旅游服務的能力。文中對旅游物流需求的預測可以從往年的旅游物流能力方面進行預測，通過準確的預測旅游物流需求可以較好地規(guī)劃未來年份旅游業(yè)發(fā)展方向，對物流設施和設備進行準確的投入，減少資源的浪費及設施投入不足的狀況。

旅游物流能力是指旅游服務主體向旅游消費者從“吃、住、行、購、游、娛”6個方面提供服務的能力，旅游物流需求可根據(jù)這6方面來選取指標，但是旅游物流需求預測的準確性不僅受到旅游物流的獨特性的制約，還受到一些客觀性條件的影響。如物流統(tǒng)計制度不健全，目前，我國仍沒有建立系統(tǒng)全面的物流統(tǒng)計制度，更沒有涉及旅游物流領域；物流統(tǒng)計沒有涉及物流活動的全過程；物流統(tǒng)計指標過于單一。此外，國內(nèi)只有基本的貨物運輸量和貨物周轉(zhuǎn)量統(tǒng)計，其他與物流相關(guān)的指標沒有公開的統(tǒng)計資料，也沒有權(quán)威的統(tǒng)計方法和基礎數(shù)據(jù)，致使物流需求預測不能通過直接指標來衡量需求規(guī)模的大小。

3基于神經(jīng)網(wǎng)絡的旅游物流需求預測模型的建立

神經(jīng)網(wǎng)絡具有非線性、曲線擬合能力、學習能力和抗干擾能力，是一種通用的非線性函數(shù)逼近工具。通過對BP神經(jīng)網(wǎng)絡的訓練，特別適用于構(gòu)造非線性預測函數(shù)，而且精度可達到預定的要求。

31預測領域中的BP神經(jīng)網(wǎng)絡模型簡介

BP神經(jīng)網(wǎng)絡通過正向輸入，反向傳播誤差不斷迭代的學習過程，直到誤差減到可以接受的程度。一般包括輸入層、隱含層和輸出層的單隱含層網(wǎng)絡就能以任意精度表示并揭示任何連續(xù)函數(shù)所蘊含的非線性關(guān)系。其中：

（1）工作信號正向傳播。輸入信號從輸入層經(jīng)過隱含層，傳向輸出層，在輸出端產(chǎn)生輸出信號，這是工作信號的正向傳播。在信號的正向傳播過程中網(wǎng)絡的權(quán)值是固定不變的，上一層神經(jīng)元的只影響下一層神經(jīng)元的狀態(tài)，即正向影響。如果在輸出層不能得到期望的輸出，則轉(zhuǎn)入誤差信號反向傳播。

（2）誤差信號反向傳播。網(wǎng)絡的實際的輸出與所期望的輸出之間差值即為誤差信號，誤差信號由輸出端開始逐層向前傳播，即誤差信號的反向傳播。在誤差信號反向傳播中，神經(jīng)網(wǎng)絡的權(quán)值根據(jù)誤差的反饋進行調(diào)節(jié)。通過不斷地對權(quán)值的修正，使實際輸出更加接近期望輸出。

（3）預測神經(jīng)網(wǎng)絡流程。通過了解工作信號與誤差信號的傳播方向，可以清楚地了解預測神經(jīng)網(wǎng)絡的工作流程。預測開始時神經(jīng)網(wǎng)絡讀入樣本、權(quán)值，通過計算輸入層的輸入得出結(jié)果傳遞到輸出層，在輸出層進行計算，最后在計算輸出值與期望值的誤差。若誤差小于確定值則計算結(jié)束，若誤差大于確定值則繼續(xù)回到前兩層進行權(quán)值調(diào)整，把調(diào)整后的權(quán)值重新輸入到模型中，直到誤差小于設定的確定值。

本文應用Braincell神經(jīng)網(wǎng)絡軟件來實現(xiàn)神經(jīng)網(wǎng)絡的計算與分析。

32BrainCell軟件及實現(xiàn)

321BrainCell 神經(jīng)網(wǎng)絡基本原理

BrainCell 神經(jīng)網(wǎng)絡采用誤差反向傳播學習算法，算法從兩個方面（信號的前向傳播和誤差的反向傳播）反復進行迭代學習，與神經(jīng)網(wǎng)絡預測模式基本原理相同。

322BrainCell 神經(jīng)網(wǎng)絡實現(xiàn)步驟

（1）數(shù)據(jù)的預處理和后處理。為方便的計算減少誤差，保證數(shù)據(jù)同一量綱，需要將數(shù)據(jù)歸一化為區(qū)域[0，1]之間數(shù)據(jù)。在實際的預測模型中當數(shù)據(jù)接近0或1的時候訓練效果會明顯下降。因此，為了避免數(shù)據(jù)落入最大飽和區(qū)，保持數(shù)據(jù)的原有特征，根據(jù)經(jīng)驗將數(shù)據(jù)規(guī)范到[015，085]來進行修正。模型中采用反歸一化處理輸出數(shù)據(jù)。

（2）網(wǎng)絡層數(shù)目的確定。由Kolmogorov定理可知，含有一個神經(jīng)元隱含層的三層神經(jīng)網(wǎng)絡可以從任意精度逼近一個從輸入到輸出的映射關(guān)系，因此在Braincell神經(jīng)網(wǎng)絡中采用含有單隱層的三層神經(jīng)網(wǎng)絡[2]。

（3）網(wǎng)絡節(jié)點的確定。輸入層節(jié)點的多少與評價指標個數(shù)是相對應的。

（4）網(wǎng)絡訓練。假設訓練樣例是形式（x，y），其中x為輸入向量，y為輸出值。N為輸入節(jié)點數(shù)，M為輸出層節(jié)點數(shù)。從單位i到單位j的輸入表示xij，單位i 到單位j的權(quán)值表示W(wǎng)ij。一是創(chuàng)建具有N 個輸入單位，M 個輸出單位的BrainCell 神經(jīng)網(wǎng)絡；二是用隨機數(shù)（0 或1）初始化某些數(shù)字變量網(wǎng)絡權(quán)值Wij；三是對于第k個訓練樣例（a，b），把入跟著網(wǎng)絡前向傳播，并計算網(wǎng)絡中每個單元x的輸出Qx，使誤差沿著反向傳播；四是對于每個輸出單元u，計算它的誤差項；五是對于每個隱含單元h，計算它的誤差項；六是利用誤差項更新調(diào)整每個網(wǎng)絡權(quán)值；七是重復三到六點，直到完成指定的迭代次數(shù)或者是其誤差值達到可接受的范圍。

33神經(jīng)網(wǎng)絡的旅游物流需求預測模型的建立

331模型中數(shù)據(jù)指標確定

目前我國仍沒有健全的物流統(tǒng)計制度，因此實際工作中收集旅游物流需求數(shù)據(jù)十分困難。這里采用間接指標法――利用與旅游物流需求相關(guān)的經(jīng)濟指標來建立旅游物流需求的經(jīng)濟指標體系，通過數(shù)學的方法進行總結(jié)與推導，確定旅游物流需求模型。

旅游物流需求是一種派生需求，這種需求的大小與其本身發(fā)展有著密切的關(guān)系。從宏觀層面上考慮主要有內(nèi)外兩部分因素：旅游業(yè)自身發(fā)展的狀況及外部環(huán)境的影響。從微觀層面來說，旅游業(yè)自身發(fā)展的狀況是旅游物流需求的關(guān)鍵因素。旅游業(yè)產(chǎn)值越高，旅游物流需求增長隨之增加，反之亦然。由此，本文選取旅游總收入和接待人數(shù)作為預測旅游物流需求的指標。其次，影響旅游物流的其他關(guān)鍵因素就是旅游行業(yè)本身所投入的設施、人員、公路鐵路旅客周轉(zhuǎn)量等因素。根據(jù)旅游物流能力的理解從“吃、住、行、購、游、娛”等方面進行指標的選取，如“吃、住”方面使用餐飲住宿從業(yè)人數(shù)、星級飯店數(shù)目衡量；“行”使用公路、鐵路旅客的周轉(zhuǎn)量來衡量等；“游”則使用旅行社從業(yè)人數(shù)等方面來衡量。這些因素都對行業(yè)的產(chǎn)值有較大的影響。因此，在模型中可將這些相關(guān)經(jīng)濟指標作為旅游物流需求規(guī)模的影響因素。由此可選擇如下輸入層指標：星級飯店數(shù)X1、接待入境旅游者平均每人消費額X2、餐飲住宿業(yè)從業(yè)人數(shù)X3、旅行社從業(yè)人數(shù)X4、鐵路旅客周轉(zhuǎn)量X5、公路旅客周轉(zhuǎn)量X6、旅游部門游船年末實有船數(shù)X7，旅游部門旅游客車年末實有數(shù)X8，共有8個。而把旅游業(yè)的年收入Y1與年接待入境旅游者人數(shù)Y2作為物流需求預測的目標。

332數(shù)據(jù)來源

本文選取的數(shù)據(jù)資料來源于廣西壯族自治區(qū)歷年統(tǒng)計年鑒、中國統(tǒng)計年鑒、中國旅游年鑒，如表1所示。根據(jù)樣本數(shù)據(jù)選取原則，將2005年和2012年的數(shù)據(jù)作為網(wǎng)絡測試樣本，最后用訓練好的神經(jīng)網(wǎng)絡預測2014―2016年的物流需求規(guī)模。

333廣西旅游物流需求的BP人工神經(jīng)網(wǎng)絡模型

（1）樣本數(shù)據(jù)的歸一化處理。選取X1，X2，X3，X4，X5，X6，X7，X8作為廣西旅游物流需求預測BP人工神經(jīng)網(wǎng)絡模型的輸入，Y1，Y2為BP網(wǎng)絡的輸出。根據(jù)BP 的本身特點，對輸入層數(shù)據(jù)進行歸一化時，采用如下公式：y=log[JB（（]x[JB））]/10。對輸出層數(shù)據(jù)則使用歸反一化處理，公式如下：P=log[JB（（]tT[JB））]/10。

（2）網(wǎng)絡節(jié)點的確定。根據(jù)構(gòu)建好的評價指標體系，可以確定輸入層的節(jié)點數(shù)為8，輸出層的指標數(shù)為2。

（3）網(wǎng)絡訓練。以traindx作為訓練函數(shù)，利用matlab計算?？芍谧畲笥柧毚螖?shù)為200次，目標誤差為001，學習率設置為003，誤差曲線收斂于目標001，進過45次迭代后，網(wǎng)絡達到目標要求，訓練誤差圖見下圖。

訓練誤差圖

通過設置的數(shù)據(jù)，使用Braincell軟件對數(shù)據(jù)進行訓練，選取全部數(shù)據(jù)作為樣本數(shù)據(jù)組，2010―2013年的樣本作為將預測樣本，輸入模型可得2010―2013年的預測值見表2。

據(jù)表3可以看出，預測效果較好，一般來說，對于經(jīng)濟指標的預測，誤差能夠控制在3%以內(nèi)就算比較準確。因此，基于與旅游物流相關(guān)的其他經(jīng)濟數(shù)據(jù)來建立BP神經(jīng)網(wǎng)絡模型預測旅游物流需求有一定的實用價值。

4結(jié)論

根據(jù)人工神經(jīng)網(wǎng)絡理論建立的旅游物流需求預測模型，通過Braincell神經(jīng)網(wǎng)絡的自學習特征，運用traindx函數(shù)進行訓練，在訓練過程中對權(quán)值進行不斷修正，誤差比率控制合適的在范圍內(nèi)，使網(wǎng)絡的實際輸出向量逐漸地接近期望的輸出值。最后把仿真的預測結(jié)果與真實量進行初步比較分析，得出的結(jié)果能夠證明使用神經(jīng)網(wǎng)絡模型對旅游物流的預測精度較高。因此可以得出以下的結(jié)論：用BP神經(jīng)網(wǎng)絡建立模型，可以準確地把與旅游物流相關(guān)的經(jīng)濟數(shù)據(jù)與目標本身的需求量進行結(jié)合，可得到較為精準的旅游物流需求預測值。由此可以推斷，人工神經(jīng)網(wǎng)絡作為高度的非線性體系，能夠?qū)?jīng)濟系統(tǒng)中個變量之間的非線性關(guān)系進行高精度的預測，將其運用在物流領域中的應用具有更加廣闊的發(fā)展?jié)摿Α?/p>

參考文獻：

[1]王新利，趙琨基于神經(jīng)網(wǎng)絡的農(nóng)產(chǎn)品物流需求預測研究[J].農(nóng)業(yè)技術(shù)經(jīng)濟，2010（2）：64-66

[2]秦立公，韋金榮等基于BrainCell 的B2B 電子商務供應鏈協(xié)同績效評價體系[J].中國集體經(jīng)濟，2014（15）：112-113

[3]張圣楠，郭文義，等基于MATLAB的BP神經(jīng)網(wǎng)絡的設計與訓練[J].內(nèi)蒙古科技與經(jīng)濟，2005（17）：96-98

[4]熊勛人工神經(jīng)網(wǎng)絡在環(huán)境質(zhì)量評價和預測中的應用研究[D].武漢：華中科技大學，2009

[5]白平，陳菊紅基于旅游物流能力的西部旅游發(fā)展研究[J].新疆大學學報，2013（41）：16-17

[6]秦立公，王東，等旅游景區(qū)物流能力優(yōu)化研究[J].現(xiàn)代商業(yè)，2010（24）：47

第6篇：神經(jīng)網(wǎng)絡基本原理范文

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

二、神經(jīng)網(wǎng)絡技術(shù)基本原理

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

三、神經(jīng)網(wǎng)絡模型在電梯故障診斷中的應用分類

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

（一）BP網(wǎng)絡模型

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

（二）遺傳小波神經(jīng)網(wǎng)絡模型

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

（三）模糊神經(jīng)網(wǎng)絡模型

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

四、結(jié)語

第7篇：神經(jīng)網(wǎng)絡基本原理范文

關(guān)鍵詞：模擬電路；故障診斷；模糊數(shù)學；bp網(wǎng)絡；模糊bp網(wǎng)絡

0引言

電路故障是指在規(guī)定的條件下，電路工作時它的一個或幾個性能參數(shù)不能保持在要求的上、下限之間，其結(jié)構(gòu)、組件、元器件等出現(xiàn)性能減退、老化、破損、斷裂、擊穿等現(xiàn)象，喪失了在規(guī)定條件和環(huán)境下完成所需功能的能力。

長期以來，學界對模擬電路工作特點的研究已相當深入，但對于故障診斷方法的研究卻困難較大，這是由于模擬電路本身的特性決定的：1）輸入激勵和輸出響應都是連續(xù)量，模擬電路中的故障模型復雜，量化難度大；2）模擬電路信號量程寬，不管電壓、電流的量程還是頻率都可達十幾個數(shù)量級，測量難度大；3）模擬電路中的元器件參數(shù)具有容差，導致電路的故障狀態(tài)的模糊性，而無法準確定位；4）模擬電路中存在廣泛的反饋回路和非線性問題，使計算的難度更加復雜。因此，學界提出了許多模型和方法來完成對某些符合特定條件的模擬電路的故障診斷。其中神經(jīng)網(wǎng)絡法的使用就相當普遍，在硬和軟故障診斷中都有應用，因為神經(jīng)網(wǎng)絡的技術(shù)優(yōu)勢針對模擬電路故障診斷有較好的適用性，這主要體現(xiàn)在：1）神經(jīng)網(wǎng)絡的大規(guī)模并行處理特點，大大提高了診斷效率；2）自適應與自組織能力使神經(jīng)網(wǎng)絡在學習和訓練中改變權(quán)重值，發(fā)展出新的功能。同時，模糊數(shù)學也與神經(jīng)網(wǎng)絡相結(jié)合，這是利用了模糊數(shù)學對待診斷模擬元器件的故障不確定性進行量化處理，能夠有效克服模擬電路元器件因為容差、非線性及噪聲造成的電路參數(shù)模糊性。

本文的研究目的就是分別利用單純bp神經(jīng)網(wǎng)絡和模糊bp神經(jīng)網(wǎng)絡的方法建立模擬電路故障診斷模型，利用電路仿真收集電路不同工作狀態(tài)下的關(guān)鍵點電壓，代入診斷模型并得到診斷結(jié)果。根據(jù)各網(wǎng)絡的結(jié)果分析比較各診斷模型的優(yōu)缺點，找出模糊數(shù)學對改進模擬電路故障診斷模型的具體表現(xiàn)。

1模糊神經(jīng)網(wǎng)絡的故障診斷模型

1.1典型模糊神經(jīng)網(wǎng)絡診斷模型介紹

圖1顯示的是一個典型的模糊神經(jīng)網(wǎng)絡模型，該模型由原始知識獲?。╢undamental knowledge acquire,fka）、特征參數(shù)處理（characteristic parameter produce,cdp）、知識提?。╧nowledge extracted,ke）、經(jīng)驗知識庫（experience knowledge base,ekb）、學習樣本集（learning sample set,lss）和模糊神經(jīng)網(wǎng)絡（fuzzy neural networks,fnn）共6個模塊共同組成，其工作流程是：

圖1 典型模糊神經(jīng)網(wǎng)絡診斷模型

1）原始知識獲取模塊通過對電路工作原理進行分析，模擬或仿真各類故障發(fā)生時輸入和輸出參數(shù)，從而獲取原始知識（x，y），將其傳入知識提取模塊中供系統(tǒng)學習，所得經(jīng)驗集存入經(jīng)驗知識庫中；

2）將原始知識和已經(jīng)存放在經(jīng)驗知識庫中的經(jīng)驗知識（初始庫可為空）一起輸入學習樣本組織模塊中，進行學習樣本的構(gòu)建，合成訓練樣本集為（x1，y1）；

3）將（x1，y1）輸入到模糊神經(jīng)網(wǎng)絡模塊，學習訓練，并在達到指定精度后停止；

4）將從模擬電路中獲得的實測參數(shù)xc輸入至特征參數(shù)提取模塊中，完成數(shù)據(jù)分析和處理，輸出特征參數(shù)數(shù)據(jù)xc'；

5）將特征參數(shù)數(shù)據(jù)輸入到學習收斂后的模糊神經(jīng)網(wǎng)絡中，進行診斷推理，得出診斷結(jié)果yc'；

6）將得到的實測數(shù)據(jù)集（xc'，yc'）輸入學習樣本組織模塊，動態(tài)增強模糊神經(jīng)網(wǎng)絡的自適應能力；

7）將得到的實測數(shù)據(jù)集（xc'，yc'）輸入知識提取模塊，進行分析和處理，如能提取出經(jīng)驗知識，則歸入經(jīng)驗知識庫中[1]。

1.2模糊神經(jīng)網(wǎng)絡結(jié)構(gòu)

模糊神經(jīng)網(wǎng)絡的結(jié)構(gòu)應該包括4層，如圖2所示。

模糊層的作用是將輸入量進行模糊化。每一個模糊層節(jié)點對應一個該論域中的模糊子集和隸屬函數(shù)。該層接收精確數(shù)值輸入，經(jīng)過模糊化計算得出對應的隸屬度并輸出。

圖2 模糊神經(jīng)網(wǎng)絡結(jié)構(gòu)圖

輸入層、隱含層和輸出層共同構(gòu)成一個完整的神經(jīng)網(wǎng)絡。輸入層不具有運算功能，它只是將所感知的輸入值精確傳遞到神經(jīng)網(wǎng)絡中；隱含層的作用相當于特征檢測器，提取輸入模式中包含的有效特征信息，使輸出層所處理的模式是線性可分的，該層節(jié)點是模糊神經(jīng)元，與輸入層間的連接權(quán)值是隨機設定的固定值；輸出層節(jié)點也是模糊神經(jīng)元，與隱含層之間采用全連接方式，其連接權(quán)值是可調(diào)的，作用是輸出用模糊量表示的結(jié)果[2]。

1.3輸入層、輸出層和隱含層節(jié)點數(shù)確定

輸入層的個數(shù)代表了電路故障診斷的關(guān)鍵測試點的個數(shù)n1，輸出點為電路所具有的潛在故障模式種類數(shù)n3。

根據(jù)輸入層和輸出層的個數(shù)，隱含層節(jié)點數(shù)n2的確定有以下4種經(jīng)驗公式[3]：

（1）

（為0～10之間的常數(shù)）（2）

（為0～10之間的常數(shù)）（3）

（4）

2模糊數(shù)學和神經(jīng)網(wǎng)絡的算法介紹

2.1模糊數(shù)學和隸屬度函數(shù)

模糊數(shù)學的作用是對測試點測得的電壓信號進行特征提取——模糊化處理。因為在模擬電路測試中，參數(shù)值會隨著故障原因的不同和故障階段不同而發(fā)生變化，所以在進行數(shù)據(jù)處理時常用方法是使用精確事實規(guī)則。即用正態(tài)分布函數(shù)作為隸屬度函數(shù)表示“大約為a”的模糊概念，此外還有如三角分布和梯形分布等[4]。在使用中，正態(tài)分布使用較多，其中的a是該測試點的理想狀態(tài)工作點，b為該測試點在各種可能狀態(tài)下的工作電壓均方差。

2.2bp神經(jīng)網(wǎng)絡與算法

圖3bp神經(jīng)網(wǎng)絡模型結(jié)構(gòu)圖

反向傳播網(wǎng)絡（back-propagation network，簡稱bp網(wǎng)絡），是一種有隱含層的多層前饋網(wǎng)絡。每一層均有一個或多個神經(jīng)元節(jié)點，信息從輸入層依次經(jīng)各隱含層向輸出層傳遞，層間的連接關(guān)系強弱由連接權(quán)值w來表征。bp算法是一種監(jiān)督的學習，基本原理是梯度最速下降法，中心思想是調(diào)整權(quán)值使網(wǎng)絡總誤差最小。通過連續(xù)不斷地在相對于誤差函數(shù)斜率下降的方向上計算網(wǎng)絡權(quán)值和偏差值的變化而逐漸逼近目標的。每一次權(quán)值和偏差的變化都與網(wǎng)絡的誤差的影響成正比，并以反向傳播的方式傳遞到每一層。bp網(wǎng)絡模型結(jié)構(gòu)如圖3所示。

以bp神經(jīng)網(wǎng)絡模型結(jié)構(gòu)圖為例進行bp算法推導，其輸入為p，輸入神經(jīng)元有r個，隱含層內(nèi)有s1個神經(jīng)元，激活函數(shù)為f1，輸入層內(nèi)有s2個神經(jīng)元，對應的激活函數(shù)為f2，輸出為a，目標矢量為t。

1）隱含層輸出：（i=1,2,…,s1）（5）

2）輸出層輸出： （k=1,2,…,s2） （6）

3）定義誤差函數(shù)：（7）

4）輸入層的權(quán)值變化量：（8）

其中：

同理可得：（9）

5）隱含層權(quán)值變化有： （10）

其中：

同理： （11）

bp網(wǎng)絡經(jīng)常使用的是s型的對數(shù)、正切激活函數(shù)或線性函數(shù)[5]。

3電路故障診斷算法驗證

圖4 共集-共射電路的直流通路圖

例：如圖4所示的直流通路圖，電阻的標稱值如圖中所注。利用multism軟件在直流狀態(tài)下進行多次monte carlo分析仿真該電路[6]，并考慮電阻的容差影響，取40個樣本作為模糊神經(jīng)網(wǎng)絡的訓練樣本，另取5個樣本為測試樣本。設電阻r1～r5的容差值為-5%～5%。測試點選為a、b、c、d和e五點，所測電壓值為va、vb、vc、vd和ve。

表1 部分電路實驗樣本原始數(shù)據(jù)

表2 測試樣本原始數(shù)據(jù)

表1列舉了40組電路實驗樣本原始數(shù)據(jù)的11組，包含了該電路在11種工作狀態(tài)下的五個關(guān)鍵點電壓值，所以n1=5，n2=11，隱含層的節(jié)點數(shù)可以依據(jù)公式2.3確定為12個，其中a為5。

表2則列舉了5組測試樣本的原始數(shù)據(jù)。

步驟一：數(shù)據(jù)模糊化

根據(jù)用正態(tài)分布函數(shù)作為隸屬度函數(shù)表示“大約為a”模糊概念的思路，可以分別得到各測試點上電壓隸屬度函數(shù)的參數(shù)值。

a1=5.57、a2=4.97、a3=4.9、a4=5.7和a5=5.69以及b1=4.3729、b2=4.4817、b3=3.9091、b4=4.2870和b5=3.7944。

由各測試點的隸屬度函數(shù)可得到網(wǎng)絡的訓練樣本見表3。

表3 神經(jīng)網(wǎng)絡部分輸入、輸出訓練樣本

步驟二：將訓練樣本輸入神經(jīng)網(wǎng)絡進行訓練

將全部40個原始值和模糊化值的輸入樣本和對應的輸出樣本分別輸入bp神經(jīng)網(wǎng)絡中進行訓練。

步驟三：將測試樣本輸入神經(jīng)網(wǎng)絡進行檢測

將全部5個原始值和模糊化值的輸入樣本和對應的輸出樣本分別輸入已經(jīng)訓練好的bp神經(jīng)網(wǎng)絡中，輸出診斷結(jié)果見表4。

表4 輸出診斷結(jié)果

表4中的數(shù)據(jù)是經(jīng)過故障診斷后得到的結(jié)果，在此只是各隨機選用了一組數(shù)據(jù)加以比較說明。通過對故障診斷的試驗觀察和結(jié)果的比較可以作出以下分析。

1）模糊化數(shù)據(jù)能夠有效減少神經(jīng)網(wǎng)絡的收斂次數(shù)。如在bp網(wǎng)絡診斷中，使用模糊化數(shù)據(jù)的迭代次數(shù)由886減少到263次，收斂速度明顯加快；

2）模糊化數(shù)據(jù)能夠有效提高神經(jīng)網(wǎng)絡訓練的效果。通過表4中數(shù)據(jù)的對比可以發(fā)現(xiàn)對于相同的神經(jīng)網(wǎng)絡，經(jīng)過模糊化數(shù)據(jù)的訓練，其準確性更高。這主要表現(xiàn)在電路所對應的狀態(tài)結(jié)果普遍高于未經(jīng)模糊化數(shù)據(jù)訓練的網(wǎng)絡得出的結(jié)果；同時，其他狀態(tài)對應的機率更低，皆低于0.1，且更多值為0，說明數(shù)據(jù)模糊化能使神經(jīng)網(wǎng)絡的診斷結(jié)果更集中，正確率更高，有效性更加明顯。

4結(jié)論

通過分別采用bp網(wǎng)絡和模糊bp網(wǎng)絡建立了電路故障診斷模型，對電路相同工作狀態(tài)參數(shù)的診斷結(jié)果進行比較，得出了模糊數(shù)學對提高電路故障診斷模型精度和有效性效果明顯的結(jié)論。模糊數(shù)學和神經(jīng)網(wǎng)路理論的組合有效地提高了模擬電路故障診斷模型的收斂速度，提高了故障診斷的工作效率，還提高了診斷的準確性，有效性得到了充分顯示。

參考文獻：

[1] 呂律,魏蛟龍.基于模糊神經(jīng)網(wǎng)絡的板級電路故障診斷研究[j].計算機與數(shù)字工程,2003（3）:21-23.

[2] 李國勇.智能預測控制及其matlab實現(xiàn)[m].北京:電子工業(yè)出版社，2010.

[3] matlab中文論壇.matlab神經(jīng)網(wǎng)絡30個案例分析[m].北京:北京航空航天大學出版社,2010.

[4] 朱大奇.電子設備故障診斷原理與實踐[m].北京:電子工業(yè)出版社，2004.

第8篇：神經(jīng)網(wǎng)絡基本原理范文

關(guān)鍵詞：網(wǎng)絡安全態(tài)勢預測； CMAES優(yōu)化算法； RBF神經(jīng)網(wǎng)絡； 時間序列預測

DOI：1015938/jjhust201702026

中圖分類號： TP3930

文獻標志碼： A

文章編號： 1007-2683（2017）02-0140-05

Abstract：A method for network security situation prediction is proposed， where the covariance matrix adaptation evolution strategy algorithm （CMAES） is used to optimize the parameters of the radial basis function neural network forecasting model （RBF）， which makes the forecasting model have superior ability， and can quickly find out the rules of the complex time series The simulations results show that the proposed method can accurately predict the network security situation， and has better prediction accuracy than traditional prediction methods

Keywords：network security situation prediction； covariance matrix adaptation evolution strategy algorithm； Radial basis function neural network； time series prediction

0引言

隨著網(wǎng)絡技術(shù)的廣泛使用和快速發(fā)展，網(wǎng)絡系統(tǒng)開始呈現(xiàn)出越來越復雜的趨勢。所有復雜的系統(tǒng)都要面臨嚴峻的安全問題，網(wǎng)絡平臺也不例外，任何一個小的漏洞都有可能被黑客利用，從而導致整個網(wǎng)絡的崩潰。傳統(tǒng)的安全技術(shù)屬于被動防御技術(shù)，例如入侵檢測系統(tǒng)是在攻擊來臨時進行識別并作出反應。相比之下，管理人員更需要一種能夠宏觀描述并預測網(wǎng)絡整體狀況的技術(shù)，以此能夠做到未雨綢繆主動防御。針對這個問題，Bass T 在1999年提出了網(wǎng)絡安全態(tài)勢的概念[1-2]，他指出網(wǎng)絡安全態(tài)勢是一組能夠反映網(wǎng)絡系統(tǒng)宏觀狀態(tài)的數(shù)值，通過它可以讓管理人員快速的了解網(wǎng)絡運行的基本情況。獲取并處理網(wǎng)絡安全態(tài)勢的技術(shù)稱為網(wǎng)絡安全態(tài)勢感知[1，3-7]，它包括3個層次[8]：①網(wǎng)絡底層態(tài)勢要素的提取（態(tài)勢提?。虎诰W(wǎng)絡安全態(tài)勢的評估（態(tài)勢理解）；③網(wǎng)絡安全態(tài)勢的預測。態(tài)勢要素的提取主要依靠神經(jīng)網(wǎng)絡和支持向量機等分類技術(shù)將威脅網(wǎng)絡安全的數(shù)據(jù)分類，然后在由網(wǎng)絡安全態(tài)勢評估技術(shù)按照不同攻擊種類的重要程度加權(quán)平均得出網(wǎng)絡安全態(tài)勢值[9]。當收集到一段時間的歷史網(wǎng)絡安全態(tài)勢值后，就可以建立預測模型預測未來的網(wǎng)絡安全態(tài)勢?？梢钥闯觯W(wǎng)絡安全態(tài)勢預測技術(shù)是網(wǎng)絡安全態(tài)勢感知中最為重要的環(huán)節(jié)，本文要解決的就是網(wǎng)絡安全態(tài)勢預測問題。

目前，已經(jīng)有很多預測模型用于網(wǎng)絡安全態(tài)勢預測，例如灰色預測模型[10]、GABP預測模型[11]、RBF預測模型[12]、HMM預測模型[13]、EvHMM預測模型[14]以及HBRB預測模型[15-16]等?；疑A測模型是利用灰色理論對含不確定信息的系統(tǒng)進行預測的模型，但是它只能反映系統(tǒng)發(fā)展的大致趨勢，并不能精確預測未來的數(shù)值。HMM、EvHMM以及HBRB等預測模型將安全態(tài)勢視為隱含行為，優(yōu)化過程復雜且具有s束條件，不適用于實時性要求高的網(wǎng)絡系統(tǒng)。

神經(jīng)網(wǎng)絡模型是網(wǎng)絡安全態(tài)勢預測中最常用的方法，但是由于在訓練模型的過程中需要優(yōu)化大量的參數(shù)，且傳統(tǒng)的優(yōu)化算法往往會在優(yōu)化過程中陷入到局部最優(yōu)點，所以神經(jīng)網(wǎng)絡預測模型并不能精確的預測樣本數(shù)量小且規(guī)律性不強的網(wǎng)絡安全態(tài)勢。

針對上述問題，本文提出利用CMAES算法對RBF神經(jīng)網(wǎng)絡的參數(shù)進行優(yōu)化，從而提高網(wǎng)絡安全態(tài)勢預測的精度。CMAES算法全稱是協(xié)方差矩陣自適應進化策略[17-18]，是目前最受關(guān)注的優(yōu)化算法之一，它在高維非線性優(yōu)化問題上表現(xiàn)良好，能夠利用較少的個體快速收斂到全局最優(yōu)點。RBF全稱是徑向基神經(jīng)網(wǎng)絡，它具備良好的泛化能力和逼近性能，并且可以處理復雜的非線性系統(tǒng)。RBF解決了BP的局部最小值問題，并已成功應用到眾多的工程領域[19-24]。將兩者結(jié)合到一起，可以克服神經(jīng)網(wǎng)絡模型的缺點，增加全局優(yōu)化能力，提高預測精度。

本文的組織結(jié)構(gòu)為：在第一節(jié)中，介紹了RBF及CMAES的相關(guān)概念及基本原理。在第二節(jié)中提出了CMARBF預測模型。在第三節(jié)中，利用所提出的方法對實際網(wǎng)絡平臺的安全態(tài)勢進行預測，并將結(jié)果和其他傳統(tǒng)方法進行了比較。在第四節(jié)中，對CMARBF預測模型進行總結(jié)。

1基本概念

11RBF神經(jīng)網(wǎng)絡的基本原理

RBF神經(jīng)網(wǎng)絡模型在結(jié)構(gòu)上與BP相同，都屬于前饋型式神經(jīng)網(wǎng)絡。區(qū)別在于RBF的隱層只有一個且使用徑向基函數(shù)作為隱層神經(jīng)元的激活函數(shù)，RBF的隱層可以將輸入變換到高維空間中，從而解決低維空間線性不可分的問題。RBF神經(jīng)網(wǎng)絡模型具備良好的全局最優(yōu)和逼近性能，并且結(jié)構(gòu)不復雜，收斂速度快，可以作為系統(tǒng)辨識的、非線性函數(shù)逼近等領域的有力工具。典型的RBF神經(jīng)網(wǎng)絡模型結(jié)構(gòu)如圖1所示。

利用CMARBF預測網(wǎng)絡安全態(tài)勢的基本步驟如下所示：

Step1： 利用公式（9）確定模型的歷史樣本；

Step2： 確定RBF神經(jīng)網(wǎng)絡的初始參數(shù)Ω0；

Step3： 確定初始迭代次數(shù)t=0和最大迭代次數(shù)tmax；

Step4： 確定CMAES算法的初始⑹；

Step5： 建立形如公式（11）優(yōu)化目標函數(shù)；

Step6： 進入循環(huán)：while t

Step 61： 利用公式（3）以Ωt作為期望meant生成新的種群；

Step 62： 利用公式（4）得到新的種群期望meant+1；

Step 63： 利用公式（5）（6）（8）更新種群的協(xié)方差矩陣，得到Mt+1；

Step 64： 利用公式（9）更新步長，得到st+1；

Step 65： 計算新種群的目標函數(shù)值，選出最優(yōu)個體（參數(shù)）Ωbest；

Step 66： 重復執(zhí)行step 61，直到t=tmax跳出循環(huán)；

Step7： 以Ωbest作為RBF神經(jīng)網(wǎng)絡的參數(shù)，歷史樣本做為訓練數(shù)據(jù)，對RBF進行訓練；

Step8： 用訓練RBF模型對安全態(tài)勢預測。

3仿真實驗

31背景描述

我們以真實的網(wǎng)絡平臺為背景（如圖3所示），收集了三個月共92天的攻擊數(shù)據(jù)，并將它們利用層次化評估方法求出92天的網(wǎng)絡安全態(tài)勢值。

圖3描繪的是某高校真實網(wǎng)絡環(huán)境，全網(wǎng)可分為內(nèi)網(wǎng)和DMZ區(qū)兩大部分。其中內(nèi)網(wǎng)包括圖書館、宿舍、行政樓和教學樓；DMZ區(qū)包括各類服務器及數(shù)據(jù)庫。攻擊數(shù)據(jù)的收集在防火墻及核心交換機上完成。

當作為網(wǎng)絡安全要素的攻擊數(shù)據(jù)收集完畢后，可以由專家確定各安全要素的權(quán)重，在利用常用的層次化評估方法獲得全網(wǎng)的網(wǎng)絡安全態(tài)勢值，如圖4所示：

從圖4可以看出，該網(wǎng)絡平臺的網(wǎng)絡安全態(tài)勢在整體上呈現(xiàn)一定的規(guī)律，每個月的中期攻擊強度增大，月底逐漸減小，但是在局部，態(tài)勢值有一定的隨機性。為了利用前述的CMARBF模型去預測網(wǎng)絡安全態(tài)勢值，我們將上述數(shù)據(jù)通過公示（9）生成了89組樣本，前60組作為訓練樣本，后29組作為預測樣本。模型的初始參數(shù)見表1：

32比較實驗

為驗證所提模型有效性，選取了沒有優(yōu)化RBF模型和GARBF模型與CMARBF模型比較，比較結(jié)果如圖5和表2所示：

從圖5和表2可以看出，CMARBF的預測精度要高于其他方法。

4結(jié)論

所提出的CMARBF預測模型是將新的進化算法CMAES引入到RBF模型中，利用CMAES高效的尋優(yōu)能力去解決高維模型中參數(shù)優(yōu)化問題。兩者的結(jié)合使得神經(jīng)網(wǎng)絡的結(jié)構(gòu)和參數(shù)更加合理，具有更好的預測能力。本文將所提方法應用于網(wǎng)絡安全態(tài)勢預測領域，得到了很好的效果。比較實驗結(jié)果表明，CMARBF模型的預測精度高于其他傳統(tǒng)方法。在今后的工作中，我們會繼續(xù)探索更適應與網(wǎng)絡安全態(tài)勢預測的新方法。

參 考 文 獻：

[1]BASS T Intrusion Detection System and Multisensor Data Fusion： Creating Cyberspace Situation Awareness[J]. Communications of The ACM， 2000， 43（4）： 99-105

[2]王庚， 張景輝， 吳娜 網(wǎng)絡安全態(tài)勢預測方法的應用研究[J]. 計算機仿真， 2012， 29（2）： 98-101

[3]胡冠宇， 喬佩利 基于云群的高維差分進化算法及其在網(wǎng)絡安全態(tài)勢預測上的應用[J]. 吉林大學學報（工學版）， 2016， 46（2）： 568-577

[4]魯穎欣， 王健， 齊宏卓 模糊判斷在網(wǎng)絡安全風險評估中的應用研究[J]. 哈爾濱理工大學學報， 2014， 19（1）：36-39

[5]高青波， 胡冠宇， 徐澤群 并行計算平臺的網(wǎng)絡安全態(tài)勢感知系統(tǒng)[J]. 科技創(chuàng)新與應用， 2015（15）： 4-5

[6]HU G Y， QIAO P Cloud Belief Rule Base Model for Network Security Situation Prediction[J]. IEEE Communications Letters， 2016， 20（5）： 914-917

[7]HU G Y， ZHOU Z J， ZHANG B C， et al A Method for Predicting the Network Security Situation Based on Hidden BRB Model and Revised CMAES Algorithm[J]. Applied Soft Computing， 2016， 48：404-418

[8]王慧強， 賴積保， 胡明明等 網(wǎng)絡安全態(tài)勢感知關(guān)鍵技術(shù)研究[J]. 武漢大學學報-信息科學版， 2008， 33（10）： 995-998

[9]陳秀真， 鄭慶華， 管曉宏等 層次化網(wǎng)絡安全威脅態(tài)勢量化評估方法[J]. 軟件學報， 2006， 17（4）： 885-897

[10]馬杰， 任望， 薛東軍等 灰色災變模型在計算機網(wǎng)絡安全態(tài)勢預測中的研究[C]. 第三屆信息安全漏洞分析與風險評估大會，2010

[11]胡明明， 王慧強， 賴積保 一種基于GABPNN的網(wǎng)絡安全態(tài)勢預測方法[m]. 北京：中國科技論文在線， 2007

[12]任偉，蔣興浩，孫錟鋒 基于RBF神經(jīng)網(wǎng)絡的網(wǎng)絡安全態(tài)勢預測方法[J]. 計算機工程與應用 2006 31： 136-139

[13]MUTHUMANI N， THANAMANI A S Optimizing Hidden Markov Model for Failure PredictionComparison of Gaine’s Optimization and Minimum Message Length Estimator[J]. Int J Comput Sci Eng， 2011， 3（2）： 892-898

[14]RAMASSO E Contribution of Belief Functions to HMM with an Application to Fault Diagnosis[J]. In： IEEE International Workshop on Machine Learning and Signal Processing， Grenoble， France， 2009： 2-4

[15]HU G Y， QIAO P L Cloud Belief Rule Base Model for Network Security Situation Prediction [J]. IEEE Communications Letters， 2016， 20（5）： 914-917

[16]HU G Y， ZHOU Z J， ZHANG B C， et al A Method for Predicting the Network Security Situation Based on Hidden BRB Model and Revised CMAES Algorithm[J]. Applied Soft Computing， 2016， 48： 404-418

[17]HANSEN N The CMA Evolution Strategy： a Comparing Review Towards a New Evolutionary Computation[J]. Advances on estimation of distribution algorithms， 2006， 75-102

[18]HANSEN N， KERN S Evaluating the CMA Evolution Strategy on Multimodal Test Functions[J]. Parallel Problem Solving from Nature PPSN VIII， 2004， 282-291

[19]同光， 桂衛(wèi)華 基于粒子群優(yōu)化神經(jīng)網(wǎng)絡觀測器感應電機定子電阻辨識[J]. 電機與控制學報， 2015， 19（2）：89-95

[20]王建敏， 董小萌， 吳云潔 高超聲速飛行器 RBF 神經(jīng)網(wǎng)絡滑模變結(jié)構(gòu)控制[J]. 電機與控制學報， 2016， 20（5）：103-110

[21]張旭隆， 曹言敬， 邵曉根 基于邊界約束RBF網(wǎng)絡的SRM磁鏈特性在線建模[J]. 電機與控制學報， 2015， 19（2）：83-88

[22]宋清昆， 李源松 RBF神經(jīng)網(wǎng)絡鍋爐燃燒系統(tǒng)建模[J]. 哈爾濱理工大學學報， 2016， 21（1）：89-92

第9篇：神經(jīng)網(wǎng)絡基本原理范文

【關(guān)鍵詞】人工神經(jīng)網(wǎng)絡 BP算法 故障診斷 發(fā)動機

近年來，汽車越來越多地出現(xiàn)在普通百姓家庭。發(fā)動機系統(tǒng)是汽車的心臟，大部分零件處于高溫、高壓的工作環(huán)境且處在高速運動當中，設備復雜、參數(shù)多，其故障的發(fā)生率高，診斷起來困難繁瑣，本文針對這一問題，在掌握發(fā)動機運行流程后，引入了BP神經(jīng)網(wǎng)絡故障診斷方法，并適當改進，測試結(jié)果表明，該方法可靠有效實用。

3 自適應BP網(wǎng)絡實例應用

3.1 網(wǎng)絡輸入輸出向量及參數(shù)的選取

由汽車維修專家提供典型發(fā)動機系統(tǒng)故障現(xiàn)象及相應的故障原因?qū)嵗鳛橛柧殬颖?。以故障類型X=（x1，x2，x3，x4）作為輸入，故障原因R=（r1，r2，…，r12）作為輸出，建立故障模式與故障原因之間的映射關(guān)系。如表1所示。

3.2 網(wǎng)絡的創(chuàng)建、訓練與檢驗

按照樣本的模式對，確定輸入層節(jié)點個數(shù)為4，輸出層節(jié)點個數(shù)為12。輸出節(jié)點值的大小反映了故障出現(xiàn)的可能程度。而隱含層節(jié)點的個數(shù)可參照經(jīng)驗公式選?。浩渲袨檩敵龉?jié)點數(shù)，n為輸入節(jié)點數(shù)，為1至10的常數(shù)。

將故障類型及原因分析表中的文字描述進行轉(zhuǎn)換并編碼，就得到樣本訓練表，如表2所示。

選取網(wǎng)絡的初始學習率=1，動量因子=0.01，初始學習率調(diào)整因子β=1，訓練過程中根據(jù)誤差變化實時調(diào)整學習率，取β=0.9（誤差變大時），β=1.1（誤差變小時）。

采用Matlab軟件編寫程序?qū)颖具M行訓練。

3.3 誤差分析與判定

利用同一組樣本對改進的BP算法和傳統(tǒng)BP算法分別進行測試，并對照研究，進行誤差分析。表3為階段性均方誤差所需要的訓練次數(shù)對比，圖1為增加動量項的BP算法對網(wǎng)絡訓練誤差的影響，圖2為采用自適應學習率BP算法對網(wǎng)絡訓練誤差的影響，可以直觀地看出，兩種方法都可以極大地加快網(wǎng)絡的訓練過程，將兩種方法結(jié)合到一起，則效果更好，如圖3所示。

需要注意的是，建議學習率調(diào)整率不能取值太大，使步長平穩(wěn)，同時設定學習率的最大值，超過后就不再調(diào)整，防止出現(xiàn)過調(diào)。

4 結(jié)論

本文把基于BP神經(jīng)網(wǎng)絡的故障診斷技術(shù)引入汽車發(fā)動機故障診斷系統(tǒng)，通過增加動量項和自適應調(diào)節(jié)學習率兩種方法來對基本的BP網(wǎng)絡學習算法進行改進，可以極大地加快BP 神經(jīng)網(wǎng)絡收斂過程，提高學習速度。通過分析，人工神經(jīng)網(wǎng)絡能夠在發(fā)動機系統(tǒng)的監(jiān)測及診斷中發(fā)揮較大的作用，并且在設計診斷工具和改進診斷方式中有一定的借鑒功能。

參考文獻

[1]韓力群.人工神經(jīng)網(wǎng)絡理論、設計及應用[M].北京：化學工業(yè)出版社，2002.

[2]黃勇，郭曉平.基于改進BP神經(jīng)網(wǎng)絡的柴油機故障診斷研究[J].汽車科技，2009（03）.

[3]張冉，趙成龍.改進BP網(wǎng)絡在汽輪發(fā)電機組故障診斷中的應用[J].計算機仿真，2011（07）.

[4]張延林，佟德軍.BP神經(jīng)網(wǎng)絡的汽車故障診斷研究[J].自動化儀表，2009（04）.

[5]禹建麗，卞帥.基于BP神經(jīng)網(wǎng)絡的變壓器故障診斷模型[J].系統(tǒng)仿真學報，2014（06）.

[6]姜蕊.基于改進BP神經(jīng)網(wǎng)絡的速度預測模型[J].交通工程，2013（04）.

[7]陳懷琛，吳大正，高西全.MATLAB及在電子信息課程中的應用[M].北京：電子工業(yè)出版社，2006（03）.