導(dǎo)語：如何才能寫好一篇神經(jīng)網(wǎng)絡(luò)反向傳播原理，這就需要搜集整理更多的資料和文獻(xiàn)，歡迎閱讀由公務(wù)員之家整理的十篇范文，供你借鑒。

篇1

[關(guān)鍵詞]有機(jī)碳含量評價(jià) 神經(jīng)網(wǎng)絡(luò)

中圖分類號：TP183 文獻(xiàn)標(biāo)識碼：A 文章編號：1009-914X（2015）45-0356-01

1 BP神經(jīng)網(wǎng)絡(luò)基本原理

BP神經(jīng)網(wǎng)絡(luò)，即誤差反傳誤差反向傳播算法的學(xué)習(xí)過程，由信息的正向傳播和誤差的反向傳播兩個過程組成。輸入層各神經(jīng)元負(fù)責(zé)接收來自外界的輸入信息，并傳遞給中間層各神經(jīng)元；中間層是內(nèi)部信息處理層，負(fù)責(zé)信息變換，根據(jù)信息變化能力的需求，中間層可以設(shè)計(jì)為單隱層或者多隱層結(jié)構(gòu)；最后一個隱層傳遞到輸出層各神經(jīng)元的信息，經(jīng)進(jìn)一步處理后，完成一次學(xué)習(xí)的正向傳播處理過程，由輸出層向外界輸出信息處理結(jié)果。當(dāng)實(shí)際輸出與期望輸出不符時，進(jìn)入誤差的反向傳播階段。誤差通過輸出層，按誤差梯度下降的方式修正各層權(quán)值，向隱層、輸入層逐層反傳。周而復(fù)始的信息正向傳播和誤差反向傳播過程，是各層權(quán)值不斷調(diào)整的過程，也是神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練的過程，此過程一直進(jìn)行到網(wǎng)絡(luò)輸出的誤差減少到可以接受的程度，或者預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止。

2 BP神經(jīng)網(wǎng)絡(luò)工作機(jī)理

2.1 正向傳播

圖中，表示神經(jīng)元的輸入，表示輸入層與隱含層之間權(quán)值，為隱含層與輸出層之間的權(quán)值，f（）為傳遞函數(shù)，為第k個神經(jīng)元輸出。假設(shè)BP神經(jīng)網(wǎng)絡(luò)輸入層有n個節(jié)點(diǎn)，隱含層有q個節(jié)點(diǎn)，輸出層m個節(jié)點(diǎn)。

隱含層第k個神經(jīng)元的輸入：

經(jīng)過傳遞函數(shù)f（）后，則隱含層第k個神經(jīng)元的輸出：

其中f（）為單調(diào)遞增且有界，所以一定有最大值。

輸出層第j個神經(jīng)元輸出：

2.2 反向傳播

輸入P個學(xué)習(xí)樣本，通過傳入網(wǎng)絡(luò)后，輸出，第P個樣本誤差：

式中：期望

全局誤差E：

輸出層權(quán)值的變化，通過調(diào)整，使得全局誤差E最小，得出輸出層神經(jīng)元權(quán)值調(diào)整公式：

隱含層神經(jīng)元的調(diào)整公式：

3 應(yīng)用實(shí)例

選擇AC，DEN，CNL，GR，PE，RD作為輸入曲線。XX井的53個點(diǎn)的巖心數(shù)據(jù)，從中選出30個點(diǎn)作為訓(xùn)練樣本，23個點(diǎn)作為預(yù)測，構(gòu)建網(wǎng)絡(luò)，對全井段處理。結(jié)果對比（如圖3-1），發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)計(jì)算的TOC比傳統(tǒng)的法計(jì)算的TOC效果好。其中TOC_NN為神經(jīng)網(wǎng)絡(luò)預(yù)測TOC，TOC_DaltalogR_AC為法計(jì)算的TOC。

4 結(jié)論

BP神經(jīng)網(wǎng)絡(luò)預(yù)測TOC克服了常規(guī)解釋模型的缺陷，不用選擇解釋參數(shù)，計(jì)算結(jié)果與解釋人員經(jīng)驗(yàn)無關(guān)，預(yù)測結(jié)果精度有較大幅度的提高。利用多種測井解釋數(shù)據(jù)及巖心分析資料作為網(wǎng)絡(luò)訓(xùn)練樣本，通過網(wǎng)絡(luò)的訓(xùn)練、學(xué)習(xí)，建立了BP網(wǎng)絡(luò)TOC模型，并利用該模型預(yù)測該地區(qū)新井的TOC值，實(shí)驗(yàn)證明用該模型進(jìn)行TOC預(yù)測是可行的。

參考文獻(xiàn)

[1]楊斌.神經(jīng)網(wǎng)絡(luò)及其在石油測井中的應(yīng)用[M].北京：石油工業(yè)出版，2005：111-115.

[2]羅利，姚聲賢.神經(jīng)網(wǎng)絡(luò)及模式識別技術(shù)在測井解釋中的應(yīng)用[J].測井技術(shù)，2002.

篇2

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)；計(jì)算機(jī)實(shí)驗(yàn)室管理；評價(jià)指標(biāo)分析

中圖分類號：TP183 文獻(xiàn)標(biāo)識碼：A 文章編號：1674-7712 （2013） 04-0088-01

一、BP神經(jīng)網(wǎng)絡(luò)

從本質(zhì)上講，BP神經(jīng)網(wǎng)絡(luò)算法是以網(wǎng)絡(luò)誤差平方和為目標(biāo)函數(shù)，運(yùn)用梯度法求目標(biāo)函數(shù)達(dá)到最小值的算法。糾錯原則是BP算法最為基本的一個原理，將網(wǎng)絡(luò)輸出的誤差進(jìn)行反向傳播，運(yùn)用梯度下降法，對網(wǎng)絡(luò)的連接權(quán)值進(jìn)行調(diào)整和修改，使其誤差最小。在學(xué)習(xí)過程中，BP算法可以劃分為兩個階段，一是前向計(jì)算，一是誤差反向傳播。在這里我們主要通過具體的來分析，假設(shè)一個兩層的 BP神經(jīng)網(wǎng)絡(luò)，其輸入為p，輸入神經(jīng)元有r個，隱含層內(nèi)神經(jīng)元有s1個，激活函數(shù)為F1，輸出層內(nèi)有神經(jīng)元s2個，對應(yīng)的激活函數(shù)為F2，輸出為A，目標(biāo)矢量為T，那么信息在進(jìn)行正向傳遞時，具體的情況如下：

二、模型設(shè)計(jì)

其次是模型設(shè)計(jì)。BP神經(jīng)網(wǎng)絡(luò)的建立，在確定了相關(guān)指標(biāo)體系以后，就需要將確定相關(guān)的結(jié)點(diǎn)數(shù)，如輸入結(jié)點(diǎn)數(shù)、隱含結(jié)點(diǎn)數(shù)、輸出結(jié)點(diǎn)數(shù)、每一層的結(jié)點(diǎn)數(shù)等，在起初建立時，需要根據(jù)初始網(wǎng)絡(luò)參數(shù)，適當(dāng)?shù)卣{(diào)整網(wǎng)絡(luò)結(jié)構(gòu)，通過網(wǎng)絡(luò)訓(xùn)練，使得整個學(xué)習(xí)過程更加穩(wěn)定，與此同時，對于指定的誤差進(jìn)行調(diào)整，并且規(guī)定最大值，并且利用相關(guān)的測試數(shù)據(jù)來進(jìn)行BP神經(jīng)網(wǎng)絡(luò)的優(yōu)化處理，確定其達(dá)到設(shè)計(jì)的準(zhǔn)確性與規(guī)范性，那么一個BP神經(jīng)網(wǎng)絡(luò)模型就建立起來了。第三是模型確立。對于模型的確立主要體現(xiàn)在三個方面，這里作簡單分析，一是輸入輸出神經(jīng)元個數(shù)確立，通常情況下，實(shí)驗(yàn)室管理指標(biāo)主要有13個二級指標(biāo)和4個一級指標(biāo)，其中，這13個指標(biāo)就是輸入神經(jīng)元的個數(shù)，同時將輸出的神經(jīng)元作業(yè)評價(jià)的結(jié)果，由于評價(jià)的結(jié)果只有一個，那么輸出神經(jīng)元的個數(shù)也只有1個。二是隱含神經(jīng)元個數(shù)確立。

三、仿真分析

根據(jù)以上分析我們知道，BP神經(jīng)網(wǎng)絡(luò)算法是以網(wǎng)絡(luò)誤差平方和為目標(biāo)函數(shù)，運(yùn)用梯度法求目標(biāo)函數(shù)達(dá)到最小值的算法。為此，對于仿真分析，需要根據(jù)糾錯原則，確定網(wǎng)絡(luò)輸出的誤差的反向傳播，并且結(jié)合梯度下降法，優(yōu)化網(wǎng)絡(luò)的連接權(quán)值，調(diào)整和修改誤差值，通過Matlab軟件編程，構(gòu)造BP神經(jīng)網(wǎng)絡(luò)，確定指標(biāo)體系后，確定相關(guān)的結(jié)點(diǎn)數(shù)，設(shè)置權(quán)值，nntool中input的value設(shè)置，根據(jù)初始網(wǎng)絡(luò)參數(shù)，調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)，并指定的誤差進(jìn)行調(diào)整，利用相關(guān)的測試數(shù)據(jù)來進(jìn)行BP神經(jīng)網(wǎng)絡(luò)的優(yōu)化處理，確定其達(dá)到設(shè)計(jì)的準(zhǔn)確性與規(guī)范性。

四、總結(jié)

總而言之，BP神經(jīng)網(wǎng)絡(luò)評價(jià)模型的建立，不僅可以促進(jìn)實(shí)驗(yàn)室管理的規(guī)范化，而且有利于提高實(shí)驗(yàn)室日常管理水平，因此，要對其模型建立進(jìn)行具體分析，優(yōu)化其結(jié)構(gòu)和和功能，最大限度發(fā)揮其價(jià)值和作用。

參考文獻(xiàn)：

[1]李俊青，陳鶴年，嚴(yán)麗麗，季文天.基于BP神經(jīng)網(wǎng)絡(luò)的計(jì)算機(jī)實(shí)驗(yàn)室管理評價(jià)指標(biāo)[J].實(shí)驗(yàn)室研究與探索，2011（04）：71-73.

篇3

【關(guān)鍵詞】BP神經(jīng)網(wǎng)絡(luò)；計(jì)算原理；煤礦生產(chǎn)；安全性；評價(jià)系統(tǒng)；應(yīng)用；分析

在煤礦開采生產(chǎn)中，對于煤礦安全的評價(jià)主要是結(jié)合煤礦安全生產(chǎn)的相關(guān)控制原理以及要求標(biāo)準(zhǔn)，在煤礦開采生產(chǎn)中存在的風(fēng)險(xiǎn)和不穩(wěn)定因素進(jìn)行分析判斷，以對于煤礦開采生產(chǎn)中不安全情況以及事故發(fā)生的可能性以及影響程度，同時進(jìn)行相應(yīng)的安全控制與解決措施的提供，以保證煤礦開采生產(chǎn)的安全與順利實(shí)施。結(jié)合當(dāng)前國內(nèi)對于煤礦安全評價(jià)的研究狀況，由于研究起步相對比較晚，因此還停留在理論研究上，對于實(shí)踐研究的內(nèi)容相對較少。此外，在進(jìn)行煤礦開采生產(chǎn)的安全評價(jià)中，隨著煤礦開采生產(chǎn)環(huán)境的變化，進(jìn)行其安全評價(jià)應(yīng)用的理論方法之間也會存在有一定的區(qū)別，其相關(guān)評價(jià)標(biāo)準(zhǔn)之間也有一定的不同，但是，結(jié)合煤礦安全評價(jià)的實(shí)際，其安全評價(jià)應(yīng)用標(biāo)準(zhǔn)主要可以分為四種類型，即相關(guān)性安全評價(jià)標(biāo)準(zhǔn)以及類推評價(jià)標(biāo)準(zhǔn)、慣性評價(jià)標(biāo)準(zhǔn)、量變到質(zhì)變的安全評價(jià)標(biāo)準(zhǔn)等。下文將在對于BP神經(jīng)網(wǎng)絡(luò)計(jì)算方法的原理分析基礎(chǔ)上，結(jié)合煤礦安全評價(jià)的相關(guān)指標(biāo)體系，對于基于BP神經(jīng)網(wǎng)絡(luò)的煤礦安全評價(jià)體系的設(shè)計(jì)實(shí)現(xiàn)進(jìn)行分析研究。

一、BP神經(jīng)網(wǎng)絡(luò)法的計(jì)算原理分析

在實(shí)際計(jì)算應(yīng)用中，BP神經(jīng)網(wǎng)絡(luò)屬于一種前饋式的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，在各種計(jì)算評價(jià)中應(yīng)用相對比較廣泛。通常情況下，比較典型的BP神經(jīng)網(wǎng)絡(luò)架構(gòu)主要包括輸入層以及隱含層、輸出層三個結(jié)構(gòu)層次，如下圖1所示，為BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)示意圖。

BP神經(jīng)網(wǎng)絡(luò)算法在實(shí)際計(jì)算應(yīng)用中是一種自主學(xué)習(xí)與反饋的計(jì)算形式，它主要是借助梯度搜索技術(shù)對于輸入層輸入的樣本進(jìn)行搜索后，通過自主學(xué)習(xí)，以迭代計(jì)算方式對于輸出值進(jìn)行計(jì)算，同時通過與估計(jì)值方差之間的對比，以實(shí)現(xiàn)輸出調(diào)整，滿足實(shí)際的計(jì)算評價(jià)需求。值得注意的是，BP神經(jīng)網(wǎng)絡(luò)計(jì)算方法在自主學(xué)習(xí)的計(jì)算過程中，輸入信號的傳遞是自上向下傳遞實(shí)現(xiàn)的，在計(jì)算過程中，如果計(jì)算得到的輸出值和期望值之間的誤差比較大時，就會以反向傳播的方式，沿計(jì)算傳遞路線進(jìn)行返回調(diào)整，以對于計(jì)算誤差進(jìn)行控制和減小。

二、基于BP神經(jīng)網(wǎng)絡(luò)法的煤礦安全評價(jià)系統(tǒng)分析

應(yīng)用BP神經(jīng)網(wǎng)絡(luò)計(jì)算方法進(jìn)行煤礦安全評價(jià)系統(tǒng)設(shè)計(jì)構(gòu)建中，首先要結(jié)合煤礦開采生產(chǎn)中，對于煤礦安全產(chǎn)生影響的指標(biāo)因素，在進(jìn)行煤礦安全評價(jià)指標(biāo)體系構(gòu)建基礎(chǔ)上，實(shí)現(xiàn)基于BP神經(jīng)網(wǎng)絡(luò)的煤礦安全評價(jià)系統(tǒng)設(shè)計(jì)。

1、煤礦安全評價(jià)指標(biāo)體系的構(gòu)建

以煤礦開采生產(chǎn)中的礦井通風(fēng)安全評價(jià)為例，在進(jìn)行該項(xiàng)安全評價(jià)指標(biāo)體系的構(gòu)建中，首先需要明白礦井通風(fēng)系統(tǒng)安全評價(jià)指標(biāo)體系反映煤礦通風(fēng)系統(tǒng)的基本情況、主要特征和系統(tǒng)潛在危險(xiǎn)狀態(tài)。因此，根據(jù)礦井通風(fēng)系統(tǒng)的安全性和經(jīng)濟(jì)性要求，煤礦安全評價(jià)指標(biāo)體系被劃分為4個一級指標(biāo)和19個二級指標(biāo)，如下圖1所示。在根據(jù)上述指標(biāo)因素對于煤礦的礦井通風(fēng)安全進(jìn)行評價(jià)中，需要用分級量化法把定性指標(biāo)轉(zhuǎn)換為定量指標(biāo)，同時將每個指標(biāo)劃分為5級，分別表示安全、比較安全、一般安全、不安全和非常不安全，每一級都有一個數(shù)值和取值標(biāo)準(zhǔn)與之對應(yīng)，安全評價(jià)過程中可以根據(jù)對象的具體情況確定相應(yīng)的評價(jià)值。

2、基于BP神經(jīng)網(wǎng)絡(luò)法的煤礦安全評價(jià)系統(tǒng)

根據(jù)上述BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)與計(jì)算原理，應(yīng)用BP神經(jīng)網(wǎng)絡(luò)法進(jìn)行計(jì)算評價(jià)時，其具體計(jì)算步驟如下。

首先，設(shè)置初始權(quán)系W（0）為較小的隨機(jī)非零值；其次給定輸入輸出樣本對，計(jì)算網(wǎng)絡(luò)的輸出，其具體計(jì)算過程如下，設(shè)P組輸入、輸出樣本為（1），則在第P組樣本輸入輸出為（2），

在上示輸出計(jì)算中，Iip表示的是第P組樣本輸入節(jié)點(diǎn)i的第j個輸入；然后再進(jìn)行BP神經(jīng)網(wǎng)絡(luò)目標(biāo)函數(shù)的計(jì)算，假設(shè)Ep為第P組樣本輸入時的網(wǎng)絡(luò)目標(biāo)函數(shù)，則其計(jì)算公式如下（3）所示，

（3）

根據(jù)計(jì)算結(jié)果進(jìn)行安全評價(jià)判斷，如果，其中，ε表示預(yù)先指定的誤差，并且ε>0，則算法結(jié)束。否則需要繼續(xù)進(jìn)行反向傳播計(jì)算，也就是從BP神經(jīng)網(wǎng)絡(luò)的輸出層按照梯度下降計(jì)算方式進(jìn)行反向計(jì)算，并對于每層的權(quán)值進(jìn)行調(diào)整。如下式（4）所示，為神經(jīng)元j到神經(jīng)元 i的聯(lián)接權(quán)調(diào)整計(jì)算公式。 （4）

在上式中，η表示的是學(xué)習(xí)算子，為常值。

根據(jù)上述BP神經(jīng)網(wǎng)絡(luò)計(jì)算方法的安全評價(jià)計(jì)算步驟，結(jié)合上述建立的煤礦開采生產(chǎn)中礦井通風(fēng)安全評價(jià)指標(biāo)體系，就可以采用Matlab7.6.0編制BP人工神經(jīng)網(wǎng)絡(luò)程序，同時使用BP算法對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和結(jié)果分析，然后用待預(yù)測樣本對預(yù)測結(jié)果進(jìn)行校驗(yàn)，以實(shí)現(xiàn)對于煤礦礦井通風(fēng)的安全評價(jià)。在應(yīng)用BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行煤礦通風(fēng)安全評價(jià)系統(tǒng)構(gòu)建中，整理和分析煤礦通風(fēng)系統(tǒng)原始數(shù)據(jù)，獲得80個輸入輸出樣本進(jìn)行訓(xùn)練和預(yù)測，并用兩個樣本校驗(yàn)預(yù)測結(jié)果。進(jìn)行樣本校驗(yàn)中，通過調(diào)用BP神經(jīng)網(wǎng)絡(luò)算法的訓(xùn)練網(wǎng)絡(luò)，進(jìn)行訓(xùn)練參數(shù)設(shè)置情況下，對于訓(xùn)練步數(shù)以及訓(xùn)練時間進(jìn)行設(shè)定，以進(jìn)行計(jì)算訓(xùn)練。根據(jù)最終計(jì)算訓(xùn)練結(jié)果可以實(shí)現(xiàn)對于煤礦礦井通風(fēng)的安全評價(jià)。

篇4

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)；非線性函數(shù)；擬合；收斂

中圖分類號：TP18文獻(xiàn)標(biāo)識碼：A文章編號：1009-3044(2012)27-6579-05

Nonlinear Function Approximation Based on BP Neural Network

ZHANG Bao-kun1, ZHANG Bao-yi2

(1.China Nuclear Control System Engineering Co.,Ltd, Beijing 100076, China; 2. Shenzhen Speedy-Tech Electronics Co., Ltd, Shenzhen 518004, China)

Abstract: This paper introduces the features and algorithm theorem of BP neural network, and deduces the update rules of the network weight based on a given BP neural network. According to several problems of BP neural network, suggestions are pro? vided for these problems. Applicability of BP neural network for nonlinear function approximation is verified by simulations, and the accuracy can be guaranteed.

Key words: BP neural network; nonlinear function; approximation; convergence

BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)是1986年由Rumelhart和McCelland提出的，它是一種誤差按反向傳播的多層前饋網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。BP神經(jīng)網(wǎng)絡(luò)具有非常強(qiáng)的非線性映射能力，能以任意精度逼近任意連續(xù)函數(shù)，因此在人工智能的許多領(lǐng)域都得到了廣泛的應(yīng)用。

通常，BP算法是通過一些學(xué)習(xí)規(guī)則來調(diào)整神經(jīng)元之間的連接權(quán)值，在學(xué)習(xí)過程中，學(xué)習(xí)規(guī)則以及網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)不變。然而一個神經(jīng)網(wǎng)絡(luò)的信息處理功能不僅取決于神經(jīng)元之間的連接強(qiáng)度，而且與網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)（神經(jīng)元的連接方式）、神經(jīng)元的輸入輸出特性和神經(jīng)元的閾值有關(guān)，因而神經(jīng)網(wǎng)絡(luò)模型要加強(qiáng)自身的適應(yīng)和學(xué)習(xí)能力，應(yīng)該知道如何合理地自組織網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)，知道改變神經(jīng)元的激活特性以及在必要時調(diào)整網(wǎng)絡(luò)的學(xué)習(xí)參數(shù)等。[1]圖1多層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

圖1中給出的多層神經(jīng)網(wǎng)絡(luò)輸入層有n個神經(jīng)元，隱含層有l(wèi)個神經(jīng)元，輸出層有m個神經(jīng)元。其中wij是輸入層第i個神經(jīng)元和隱含層第j個神經(jīng)元之間的連接權(quán)值，wjk是隱含層第j個神經(jīng)元和輸出層第k個神經(jīng)元之間的連接權(quán)值。對于輸入層神經(jīng)元，其作用函數(shù)取線性函數(shù)，即神經(jīng)元的輸出等于輸入。隱含層和輸出層神經(jīng)元的輸入分別是上一層神經(jīng)元輸出的加權(quán)和，且每個神

在以下仿真實(shí)例中，BP網(wǎng)絡(luò)為有監(jiān)督學(xué)習(xí)，訓(xùn)練輸入樣本為input=[1 2 3 4 5 6 7 8 9 10 11 12 13 14],輸出樣本output=[1 2 3 6 11 16 19 24 25 29 32 33 36 42],隱含層節(jié)點(diǎn)數(shù)為6，網(wǎng)絡(luò)最大訓(xùn)練次數(shù)為1000次，學(xué)習(xí)率為0.005，輸入層到隱含層的初始權(quán)值W1以及隱含層到輸出層的初始權(quán)值均為-0.1至0.1范圍內(nèi)的隨機(jī)數(shù)，仿真結(jié)果如下兩圖所示：圖3 BP神經(jīng)網(wǎng)絡(luò)擬合誤差曲線

圖2中的虛線為BP網(wǎng)絡(luò)對測試數(shù)據(jù)的擬合曲線。實(shí)驗(yàn)結(jié)果表明，BP神經(jīng)網(wǎng)絡(luò)能有效擬合非線性函數(shù)，若增加隱含層節(jié)點(diǎn)數(shù)則能進(jìn)一步提高擬合精度，但是會加大計(jì)算量，影響訓(xùn)練速度。

本文首先介紹了BP神經(jīng)網(wǎng)絡(luò)的原理以及網(wǎng)絡(luò)權(quán)值的修正規(guī)則，然后通過編程實(shí)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)，并將之應(yīng)用到非線性函數(shù)的擬合。實(shí)驗(yàn)結(jié)果表明，BP神經(jīng)網(wǎng)絡(luò)能很好的擬合非線性函數(shù)，參數(shù)的選擇對網(wǎng)絡(luò)的性能影響很大。

[1]何偉,譚駿珊,王楚正,等.BP神經(jīng)網(wǎng)絡(luò)的改進(jìn)算法及應(yīng)用[J].信息與電腦,2009(10):34-36.

[2]程森林,師超超.BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測控制算法的仿真研究[J].計(jì)算機(jī)系統(tǒng)應(yīng)用,2011，20(8):100-103.

[3]周永進(jìn),蔡惠華,尹遜震,等.改進(jìn)的BP網(wǎng)絡(luò)及其在數(shù)據(jù)預(yù)測中的應(yīng)用[J].微計(jì)算機(jī)信息,2007,23(27):150-151.

[4]夏玫.BP神經(jīng)網(wǎng)絡(luò)泛化能力改進(jìn)研究[D].太原科技大學(xué),2009.

[5]王爽,張鷹,呂瑞霞.BP神經(jīng)網(wǎng)絡(luò)的算法改進(jìn)及應(yīng)用[J].電腦知識與技術(shù),2009,15(4):933-935.

篇5

關(guān)鍵詞：中藥水提液；膜污染；BP神經(jīng)網(wǎng)絡(luò)；隱含層神經(jīng)元；遺傳算法

DOI：10.3969/j.issn.1005-5304.2017.04.023

中圖分類號：R2-05；R284.2 文獻(xiàn)標(biāo)識碼：A 文章編號：1005-5304（2017）04-0092-05

Study on Forecasting Ceramic Membrane Fouling in TCM Extracts Based on Improved BP Neural Network DOU Peng-wei， WANG Zhen， SHE Kan-kan， FAN Wen-ling （Institute of Information Technology， Nanjing University of Chinese Medicine， Nanjing 210023， China）

Abstract： Objective To prevent and treat of ceramic membrane purification of membrane fouling process of TCM extracts； To explore new methods of forecasting membrane fouling degree. Methods BP neural network model was improved. Methods to fast determine the optimal number of neurons in the hidden layer and fast algorithm for optimizing the weight and threshold of BP neural network were studied. Data of 207 groups of TCM extracts were under network training and prediction. Results Compared with the models of multiple regression analysis， basic BP neural network and RBF neural network， the error of the improved BP neural network model was less than that of the BP neural network model， and the mean square error was only 0.005 7. In addition， the improved BP neural network model performance was more stable. In the 20 random running experiments， the goal of the success rate achieved up to 95%. Conclusion The improved model has a good network performance， the fitting effect and prediction ability， and can forecast the fouling degree of membrane stably and accurately.

Key words： TCM extracts； membrane fouling； BP neural network； hidden layer neuron； genetic algorithm

中藥水提液的純化技術(shù)是中藥制劑前處理中應(yīng)用最多的工藝方法之一。陶瓷膜因具有耐高溫、化學(xué)性質(zhì)穩(wěn)定、抗污染性強(qiáng)、機(jī)械強(qiáng)度高等優(yōu)點(diǎn)[1]，被廣泛應(yīng)用于中藥水提液的純化過程。然而，膜污染是制約陶瓷膜精制中藥的關(guān)鍵問題。

膜污染是指由于被過濾液中的微粒、膠體離子、溶質(zhì)分子與膜存在物理化學(xué)作用而引起的各種粒子在膜表面或膜孔內(nèi)吸附或沉積，造成膜孔堵塞或變小并使膜的透過流量與分離特性產(chǎn)生不可逆變化的一種現(xiàn)象[2]。中藥水提液組成復(fù)雜，是一種含有懸浮的固體微粒、膠體粒子和完全溶解溶質(zhì)分子的復(fù)雜混懸體，在分離過濾操作時膜極易被污染，造成膜通量銳減[3-4]。目前，中藥水提液陶瓷膜膜污染機(jī)理尚不明確，過濾過程缺乏系統(tǒng)性理論指導(dǎo)及有效的膜污染控制手段。

中藥水提液陶瓷膜膜污染是多種復(fù)雜因素綜合作用的結(jié)果，具有較強(qiáng)的不確定性，難以采用特定函數(shù)模型描述。要實(shí)現(xiàn)對膜污染的準(zhǔn)確預(yù)測，需要建立合理實(shí)用的預(yù)測模型。BP神經(jīng)網(wǎng)絡(luò)是近年被廣泛應(yīng)用的一種模擬人腦神經(jīng)系統(tǒng)結(jié)構(gòu)和功能的人工智能方法，是一種解決非線性、不確定性問題的數(shù)學(xué)模型，具有連續(xù)傳遞函數(shù)的多層前饋人工神經(jīng)網(wǎng)絡(luò)，訓(xùn)練方式為誤差反向傳播算法，并以均方誤差最小化為目標(biāo)不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，最終能高精度地?cái)M合數(shù)據(jù)[5]。BP神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的學(xué)習(xí)和適應(yīng)能力，適合針對中藥水提液復(fù)雜系統(tǒng)建模，在處理具有非線性特點(diǎn)的中藥水提液陶瓷膜膜污染預(yù)測問題方面，比一般的線性、非線性模型更有優(yōu)勢。

1 BP神經(jīng)網(wǎng)絡(luò)

1.1 拓?fù)浣Y(jié)構(gòu)

BP神經(jīng)網(wǎng)絡(luò)是按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，通過訓(xùn)練樣本來學(xué)習(xí)和存貯大量輸入-輸出模式映射關(guān)系，無需事先揭示及描述映射關(guān)系的數(shù)學(xué)方程。學(xué)習(xí)規(guī)則采用最速下降法，通過誤差反向傳播不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的整體誤差最小[6-8]。

BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)包括輸入層、隱含層和輸出層，其中可包含1個或多個隱含層。各層次的神經(jīng)元之間形成全互連接，同層神經(jīng)元之間無反饋連接，見圖1。

1.2 基本原理及其缺陷

BP神網(wǎng)絡(luò)由信號的正向傳播和誤差的逆向傳播2部分組成[9]。設(shè)輸入層神經(jīng)元為P=[p1，p2，…pi]，隱含層神經(jīng)元為S=[s1，s2，…sk]，輸出層神經(jīng)元為A=[a1，a2，…，aj]， 表示輸入層第i個神經(jīng)元與隱含層第k個神經(jīng)元之間的連接權(quán)值， 表示隱含層第k個神經(jīng)元與輸出層第j個神經(jīng)元之間的連接權(quán)值；隱含層的激勵函數(shù)為f1，輸出層的激勵函數(shù)為f2， 表示隱含層中各神經(jīng)元的閾值， 表示輸出層中各神經(jīng)元的閾值。

1.2.1 信息的正向傳遞 輸入層各神經(jīng)元與隱含層各神經(jīng)元之間以相應(yīng)的權(quán)重連接，隱含層的第1個神經(jīng)元 ，從輸入層的每個神經(jīng)元處得到輸出值，加權(quán)求和 ，加上閾值 ，通過激勵函數(shù)f1，得到該神經(jīng)元的輸出值為 。

輸出層第1個神經(jīng)元a1接收隱含層每個神經(jīng)元輸出值，并加權(quán)求和得 ，加上閾值 ，通過激勵函數(shù)f2，得到輸出層該神經(jīng)元的輸出值為 。

1.2.2 誤差的反向傳播 N個數(shù)據(jù)樣本進(jìn)入輸入層正向傳播，經(jīng)過隱含層各神經(jīng)元處理，傳向輸出層，得到實(shí)際輸出值A(chǔ)，將實(shí)際輸出值A(chǔ)與期望輸出值T進(jìn)行誤差分析，比較并計(jì)算實(shí)際輸出與期望輸出的均方誤差 。

如果MSE未達(dá)到精度要求ε，則進(jìn)入反向傳播過程，把均方誤差信號MSE以梯度形式，按原來正向傳遞的通路逐層進(jìn)行反向傳播，并將誤差信號MSE分?jǐn)偨o各層的所有神經(jīng)元，從而獲得各層神經(jīng)元的誤差信號MSEj（j=1，2，3），將此誤差信號MSEj作為修正各連接權(quán)值和閾值的依據(jù)，并對其修改。

重復(fù)進(jìn)行網(wǎng)絡(luò)信息的正向傳遞和網(wǎng)絡(luò)誤差的反向傳播過程，直至均方誤差MSE達(dá)到精度要求或者訓(xùn)練達(dá)到最大迭代次數(shù)。

BP神經(jīng)網(wǎng)絡(luò)在實(shí)際應(yīng)用中存在一些缺陷[10]，其中在中藥分析領(lǐng)域有2個較明顯的缺陷：第一，BP神經(jīng)網(wǎng)絡(luò)的建模過程必須構(gòu)造一定的隱含層結(jié)構(gòu)，但尚無合適的方法確定隱含層的神經(jīng)元數(shù)，而隱含層神經(jīng)元數(shù)過少或過多都會造成模型預(yù)測結(jié)果不準(zhǔn)確；第二，BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值是隨機(jī)產(chǎn)生的，權(quán)值和閾值的取值情況又決定著數(shù)據(jù)擬合的效果，因此該模型具有不穩(wěn)定性。

2 改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)模型

2.1 隱含層神經(jīng)元數(shù)

利用區(qū)間估算方法快速確定BP神經(jīng)網(wǎng)絡(luò)隱含層神經(jīng)元數(shù)。具有單隱層的BP神經(jīng)網(wǎng)絡(luò)模型能夠映射所有連續(xù)函數(shù)，在不約束隱含層神經(jīng)元數(shù)的情況下，單隱層的BP神經(jīng)網(wǎng)絡(luò)模型能夠?qū)崿F(xiàn)任意的非線性映射[11]。因此，本研究選用單隱層模型。

隱含層神經(jīng)元數(shù)的確定是BP神經(jīng)網(wǎng)絡(luò)模型中非常關(guān)鍵和復(fù)雜的問題，目前尚無標(biāo)準(zhǔn)方法來確定最佳隱含層神經(jīng)元數(shù)。如果隱含層神經(jīng)元數(shù)過少，會使得BP神經(jīng)網(wǎng)絡(luò)性能不佳，不能產(chǎn)生足夠的連接權(quán)組合來滿足網(wǎng)絡(luò)對樣本的學(xué)習(xí)需求；如果隱含層神經(jīng)元數(shù)過多，極易陷入局部最小值，達(dá)不到最優(yōu)點(diǎn)，出現(xiàn)過擬合現(xiàn)象[12]。許多學(xué)者通過試湊法[13-15]歸納出了確定隱含層神經(jīng)元數(shù)目的一些經(jīng)驗(yàn)性公式，如 、 、 ，其中k為隱含層神經(jīng)元數(shù)目，n為輸入層神經(jīng)元數(shù)目，m為輸出層神經(jīng)元數(shù)目，a為常數(shù)（一般a∈[1，10]）。

實(shí)踐表明，最佳隱含層神經(jīng)元數(shù)常介于 和 之間，因此本研究采用區(qū)間估算來快速確定BP神經(jīng)網(wǎng)絡(luò)隱含層神經(jīng)元數(shù)的方法。具體步驟：①構(gòu)建一個單隱層的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，網(wǎng)絡(luò)輸入層神經(jīng)元數(shù)目為n，輸出層神經(jīng)元數(shù)目為m，初始隱含層神經(jīng)元數(shù)目 ；②初始化BP神經(jīng)網(wǎng)絡(luò)，通過權(quán)值直接確定法[16]設(shè)置網(wǎng)絡(luò)各層的連接權(quán)值、閾值，并設(shè)置精度要求ε；③網(wǎng)絡(luò)訓(xùn)練，計(jì)算均方誤差MSE；④若 ，隱含層增加1個神經(jīng)元數(shù)目，返回步驟③，否則停止運(yùn)算；⑤比較不同隱含層神經(jīng)元數(shù)下的網(wǎng)絡(luò)均方誤差，選擇最小均方誤差所對應(yīng)的隱含層神經(jīng)元數(shù)作為最佳隱含層神經(jīng)元數(shù)。

2.2 初始權(quán)值和閾值

針對BP神經(jīng)網(wǎng)絡(luò)存在的“網(wǎng)絡(luò)初始權(quán)值和閾值隨機(jī)性”問題，本研究采用遺傳算法來優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值。遺傳算法[17-18]是模擬達(dá)爾文的遺傳選擇和自然淘汰的生物進(jìn)化過程的計(jì)算模型，是一種通過模擬自然進(jìn)化過程搜索最優(yōu)解的方法。遺傳算法從1組隨機(jī)產(chǎn)生的初始解（稱為群體）開始搜索過程。群體中的每個個體都是問題的1個解，稱為染色體；染色體在后續(xù)迭代中不斷進(jìn)化，生成下一代染色體。染色體的優(yōu)劣通過適應(yīng)度函數(shù)衡量。根據(jù)適應(yīng)度的大小從上一代和后代中選擇一定數(shù)量的個體作為下一代群體繼續(xù)進(jìn)化，直至發(fā)現(xiàn)最好的染色體，即問題的最優(yōu)解。

遺傳算法的目標(biāo)是尋找所有進(jìn)化代中能夠使網(wǎng)絡(luò)均方誤差最小的網(wǎng)絡(luò)權(quán)重，但由于遺傳算法只能朝著使適應(yīng)度函數(shù)值增大的方向進(jìn)行，所以本研究采用均方誤差的倒數(shù)作為適應(yīng)度函數(shù)。當(dāng)該適應(yīng)度函數(shù)取得最大值時，BP神經(jīng)網(wǎng)絡(luò)獲得最佳權(quán)值和閾值。計(jì)算公式： 。式中 表示第i條染色體的適應(yīng)度值；MSEi表示根據(jù)第i條染色體確定的BP神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值時預(yù)測值A(chǔ)與期望值T的均方誤差。

利用遺傳算法進(jìn)行BP神經(jīng)網(wǎng)絡(luò)模型權(quán)值和閾值快速尋優(yōu)的具體步驟：①通過編碼方式生成初始種群；②設(shè)置適應(yīng)度函數(shù)；③計(jì)算群體中所有個體的適應(yīng)值；④選擇適應(yīng)度高的個體執(zhí)行遺傳操作；⑤若達(dá)到終止條件，則返回最佳個體，即BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值；若未達(dá)到終止條件，則以指定的最大遺傳步數(shù)為終止計(jì)算準(zhǔn)則?；谶z傳算法的BP神經(jīng)網(wǎng)絡(luò)流程圖見圖2。

3 中藥水提液陶瓷膜膜污染預(yù)測實(shí)驗(yàn)

3.1 實(shí)驗(yàn)數(shù)據(jù)

3.1.1 參數(shù)體系 根據(jù)膜科學(xué)原理和經(jīng)驗(yàn)規(guī)律，中藥水提液中的共性高分子、物理化學(xué)性質(zhì)和阻力分布等情況會對膜過程產(chǎn)生影響，是引起膜污染的重要因素。考慮到實(shí)際測量的可行性，選擇測定5種高分子物質(zhì)（固含含量、果膠含量、淀粉含量、蛋白含量和鞣質(zhì)含量）、6種物化性質(zhì)（pH值、電導(dǎo)率、鹽度、濁度、黏度、密度）及3種阻力分布特征量（膜自身阻力、濃差極化阻力和表面沉積阻力），建立中藥水提液膜過程參數(shù)體系。

3.1.2 數(shù)據(jù)樣本 根據(jù)中藥水提液膜過程參數(shù)體系，通過實(shí)驗(yàn)測定了207組中藥水提液數(shù)據(jù)，其中145組數(shù)據(jù)（70%）作為訓(xùn)練集，62組數(shù)據(jù)（30%）作為測試集。

本實(shí)驗(yàn)?zāi)康臑橥ㄟ^對中藥水提液的共性高分子含量、物化性質(zhì)和阻力分布特征量的分析來預(yù)測膜污染度，因此輸入向量為固含含量等14個屬性值，輸出向量為膜污染度，見表1。

3.1.3 數(shù)據(jù)歸一化 由于輸入向量的數(shù)量級相差較大，直接將原始數(shù)據(jù)輸入BP神經(jīng)網(wǎng)絡(luò)進(jìn)行網(wǎng)絡(luò)訓(xùn)練將使網(wǎng)絡(luò)性能和收斂性較差，因此需要對輸入向量進(jìn)行歸一化處理，把數(shù)據(jù)限定在區(qū)間[0，1]。而輸出向量的數(shù)值符合該區(qū)間，故無需進(jìn)行歸一化處理。數(shù)據(jù)歸一化處理公式：X=（X0-Xmin）/（Xmax-Xmin）。其中X為歸一化后的數(shù)值，X0為歸一化前的原始數(shù)據(jù)，Xmax和Xmin分別為該屬性原始數(shù)據(jù)的最大值和最小值。

3.2 預(yù)測模型

3.2.1 網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì) 根據(jù)BP神經(jīng)網(wǎng)絡(luò)原理，構(gòu)建單隱層的網(wǎng)絡(luò)模型。由于輸入向量有14個屬性元素，輸出向量是1個屬性元素，故設(shè)置網(wǎng)絡(luò)輸入層的神經(jīng)元數(shù)為14，網(wǎng)絡(luò)輸出層的神經(jīng)元數(shù)為1。采用“2.1”項(xiàng)網(wǎng)絡(luò)隱含層神經(jīng)元數(shù)的快速確定方法，估算出隱含層神經(jīng)元數(shù)目區(qū)間為3～13。為了確定最佳隱含層神經(jīng)元數(shù)目，設(shè)計(jì)對比實(shí)驗(yàn)比較不同神經(jīng)元數(shù)目的網(wǎng)絡(luò)誤差，實(shí)驗(yàn)偽代碼見圖3，其中P、T、S、O分別為訓(xùn)練輸入值、訓(xùn)練目標(biāo)值、預(yù)測輸入值和預(yù)測目標(biāo)值。實(shí)驗(yàn)結(jié)果見表2。

表2表明，在其他條件相同的情況下，模型的隱含層神經(jīng)元數(shù)目設(shè)置為9時，網(wǎng)絡(luò)均方誤差最小，模型的預(yù)測效果最佳，即最佳網(wǎng)絡(luò)結(jié)構(gòu)為14∶9∶1。

根據(jù)遺傳算法原理設(shè)計(jì)優(yōu)化模型。遺傳算法的編碼采用實(shí)數(shù)編碼，編碼串由4個部分組成：輸入層與隱含層的連接權(quán)值、隱含層與輸出層的連接權(quán)值、隱含層閾值和輸出層閾值。設(shè)定種群初始規(guī)模為50，最大遺傳代數(shù)為100，交叉操作采用單點(diǎn)交叉，變異操作采用均勻變異，交叉因子為0.6，變異因子為0.3。

3.2.2 預(yù)測結(jié)果分析 根據(jù)BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練特點(diǎn)，設(shè)置網(wǎng)絡(luò)結(jié)構(gòu)的訓(xùn)練參數(shù)：BP神經(jīng)網(wǎng)絡(luò)的隱含層神經(jīng)元激勵函數(shù)采用S型正切函數(shù)，輸出層神經(jīng)元激勵函數(shù)采用S型對數(shù)函數(shù)。應(yīng)用模型進(jìn)行網(wǎng)絡(luò)訓(xùn)練和測試，具體預(yù)測結(jié)果見表3。

實(shí)驗(yàn)均方誤差僅為0.005 7，表明基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的中藥水提液陶瓷膜膜污染預(yù)測模型能夠有效地對膜污染度進(jìn)行預(yù)測。也證明中藥水提液中的共性高分子、物理化學(xué)性質(zhì)和阻力分布特征確實(shí)是影響膜污染的重要因素。

為分析模型的精度，將本研究實(shí)驗(yàn)結(jié)果與近年來中藥水提液膜污染數(shù)據(jù)建模相關(guān)文獻(xiàn)[19-21]進(jìn)行對比，見表4。結(jié)果表明，與多元回歸分析、基本BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)比較，改進(jìn)BP神經(jīng)網(wǎng)絡(luò)具有更好的泛化能力，擬合效果和預(yù)測精度均有較大提高。

3.2.3 模型性能評價(jià) 由于BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值是隨機(jī)產(chǎn)生的，網(wǎng)絡(luò)模型性能與其相關(guān)，也是隨機(jī)變化的，因此為了對模型進(jìn)行評價(jià)，令基本BP神經(jīng)網(wǎng)絡(luò)模型和改進(jìn)模型均隨機(jī)運(yùn)行20次，分別考察達(dá)到預(yù)設(shè)目標(biāo)的情況。設(shè)定平均相對誤差為10%，即均方誤差MSE為0.01，進(jìn)行對比分析，見表5。

表5表明，改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)穩(wěn)定性更佳，說明改進(jìn)算法實(shí)現(xiàn)了結(jié)構(gòu)、權(quán)值和閾值的同步優(yōu)化，避免了BP神經(jīng)網(wǎng)絡(luò)初始化的隨機(jī)性和盲目性，提高了計(jì)算精度和效率。

4 小結(jié)

本研究表明，基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的中藥水提液陶瓷膜膜污染預(yù)測模型能夠適應(yīng)中藥水提液陶瓷膜純化過程中采集到的多維、非線性數(shù)據(jù)，能夠穩(wěn)定準(zhǔn)確地預(yù)測膜污染度，為中藥水提液陶瓷膜膜污染的預(yù)測和防治提供了有效方法。

參考文獻(xiàn)：

[1] SISKENS C A M. Fundamental of inorganic membrane science and technology[M]. Holland：Elsevier Science B V，1996：619-639.

[2] 劉忠洲，續(xù)曙光，李鎖定.微濾超濾過程中的膜污染與清洗[J].水處理技術(shù)，1997（4）：3-9.

[3] 樊文玲，郭立瑋，林瑛.不同預(yù)處理方法對陶瓷膜澄清中藥水提液過程的影響研究[J].中成藥，2008，30（11）：1709-1710.

[4] 賀立中.藥液超濾過程中的膜污染及其防治[J].膜科學(xué)與技術(shù)，2000， 20（5）：49-54.

[5] 劉春艷，凌建春，寇林元，等.GA-BP神經(jīng)網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)性能比較[J].中國衛(wèi)生統(tǒng)計(jì)，2013，30（2）：173-176.

[6] HOLLAND J H. Adaptation in natural and artificial systems：an introductory analysis with applications to biology，control， and artificial intelligence[M]. Cambridge：MIT Press，1992：89.

[7] 王元章，譴夯，周笛青，等.基于BP神經(jīng)網(wǎng)絡(luò)的光伏陣列故障診斷研究[J].電力系統(tǒng)保護(hù)與控制，2013（16）：108-114.

[8] 張國翊，胡錚.改進(jìn)BP神經(jīng)網(wǎng)絡(luò)模型及其穩(wěn)定性分析[J].中南大學(xué)學(xué)報(bào)：自然科學(xué)版，2011，42（1）：115-124.

[9] 郝曉弘，段曉燕，李恒杰.基于BP神經(jīng)網(wǎng)絡(luò)的迭代學(xué)習(xí)初始控制策略研究[J].計(jì)算機(jī)應(yīng)用，2009，29（4）：1025-1027，1031.

[10] 夏玫，陳立潮，王新波.一種提高BP神經(jīng)網(wǎng)絡(luò)泛化能力的改進(jìn)算法[J].計(jì)算機(jī)技術(shù)與發(fā)展，2009，19（9）：62-64，68.

[11] CHEN T， CHEN H， LIU R W. Approximation capability in C（Rn） by multilayer feedforward networks and related problems[J].IEEE Transactions on Neural Network，1995，6（1）：25-30

[12] 范佳妮，王振雷，錢鋒.BP人工神經(jīng)網(wǎng)絡(luò)隱層結(jié)構(gòu)設(shè)計(jì)的研究進(jìn)展[J].控制工程，2005，12（S1）：109-113.

[13] 沈花玉，王兆霞，高成耀，等.BP神經(jīng)網(wǎng)絡(luò)隱含層單元數(shù)的確定[J].天津理工大學(xué)學(xué)報(bào)，2008，24（5）：13-15.

[14] 褚輝，賴惠成.一種改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)算法及其應(yīng)用[J].計(jì)算機(jī)仿真，2007，24（4）：75-77.

[15] 張慶慶，賀興時.BP神經(jīng)網(wǎng)絡(luò)結(jié)點(diǎn)數(shù)選取的改進(jìn)方法及其應(yīng)用[J].西安工程大學(xué)學(xué)報(bào)，2008，22（4）：502-505.

[16] 張雨濃，李巍，蔡炳煌，等.切比雪夫正交基神經(jīng)網(wǎng)絡(luò)的權(quán)值直接確定法[J].計(jì)算機(jī)仿真，2009，26（1）：157-161.

[17] 范青武，王普，高學(xué)金.一種基于有向交叉的遺傳算法[J].控制與決策，2009，24（4）：542-546.

[18] 莊健，楊清宇，杜海峰，等.一種高效的復(fù)雜系統(tǒng)遺傳算法[J].軟件學(xué)報(bào)，2010，21（11）：2790-2801.

[19] 洪弘.數(shù)據(jù)挖掘技術(shù)在中藥水提液膜分離中的應(yīng)用研究[D].南京：南京中醫(yī)藥大學(xué)，2012.

篇6

【關(guān)鍵詞】GPS；高程異常；BP神經(jīng)網(wǎng)絡(luò)；擬合模型

Research on the Models of GPS Height Fitting Based on BP Neural Network

Li Yongquan

【Abstract】International and domestic multifarious control nets in use of GPS’s positioning techniques are only to solve the horizontal coordinates, but the height still follow to use the geometric leveling.Therefore, The basic theory of neural network and algorithm of BP are described, Discuss the problem of GPS height fitting based on BP neural network by trials. BP neural network is a kind of nonlinear mapping for its inputs and outputs，BP neural network is a high precise method for translating height.

【Key words】GPS；height anomaly；back propagation neural networks； fitting models

1. 引言

GPS平面定位的精度目前已經(jīng)可以達(dá)到毫米級，但相對于平面定位精度，GPS在高程方面的定位精度較低。 神經(jīng)網(wǎng)絡(luò)是一種高度自適應(yīng)的非線性動力系統(tǒng)，神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)理論本質(zhì)上是非線性數(shù)學(xué)理論，通過BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)可以得到輸入和輸出之間的高度非線性映射，因此，使用神經(jīng)網(wǎng)絡(luò)可以建立起輸入和輸出之間的非線性關(guān)系。BP神經(jīng)網(wǎng)絡(luò)本身也是一種高精度的高程轉(zhuǎn)換方法。

2. 神經(jīng)網(wǎng)絡(luò)的模型及BP算法

2.1 神經(jīng)網(wǎng)絡(luò)的模型

（1）生物神經(jīng)元模型。神經(jīng)元模型是基于生物神經(jīng)元的特點(diǎn)提出的，人腦由大量的生物神經(jīng)元組成，神經(jīng)元之間互相有連接，從而構(gòu)成一個龐大而復(fù)雜的神經(jīng)元網(wǎng)絡(luò)。神經(jīng)元是大腦處理信息的基本單元，結(jié)構(gòu)如圖1。神經(jīng)元由細(xì)胞體、樹突和軸突三部分組成，其中突觸是神經(jīng)元之間的連接。細(xì)胞體是由很多分子形成的綜合體，內(nèi)部含有細(xì)胞核、細(xì)胞質(zhì)和細(xì)胞膜。細(xì)胞體的作用是接受和處理信息。樹突是細(xì)胞體向外延伸的纖維體，是接受從其他神經(jīng)元傳入信息的入口。軸突是神經(jīng)元的信息通道，是細(xì)胞體向外延伸最長、最粗的樹枝纖維體，也叫神經(jīng)纖維。（2）神經(jīng)元模型。神經(jīng)元一般表現(xiàn)為一個多輸入（多個樹突和細(xì)胞體與其他多個神經(jīng)元軸突末梢突觸連接）、單輸出（每個神經(jīng)元只有一個軸突作為輸出通道）的非線性器件，通用的結(jié)構(gòu)模型如圖2所示。

(3）神經(jīng)網(wǎng)絡(luò)模型。神經(jīng)網(wǎng)絡(luò)的神經(jīng)元之間的互連模式有前向網(wǎng)絡(luò)、有反饋的前向網(wǎng)絡(luò)、層內(nèi)有相互結(jié)合的前向網(wǎng)絡(luò)和相互結(jié)合型網(wǎng)絡(luò)四種。

前向網(wǎng)絡(luò)神經(jīng)元分層排列，組成輸入層、中間層（隱含層）和輸出層。每一層的神經(jīng)元只接受來自前一層神經(jīng)元的輸入，后面的層對前面的層沒有信號反饋。輸入模式經(jīng)過各層次的順序傳播，最后在輸出層上得到輸出。目前對前向網(wǎng)絡(luò)得出的一致的結(jié)論是：甚至是單中間層網(wǎng)絡(luò)，只要隱節(jié)點(diǎn)數(shù)目足夠多，前向網(wǎng)絡(luò)就可以通過訓(xùn)練學(xué)習(xí)樣本，以任意精度逼近(或表達(dá))期望目標(biāo)。

2.2 神經(jīng)網(wǎng)絡(luò)BP算法

(1）BP（Back Propagation）網(wǎng)絡(luò)模型結(jié)構(gòu)。BP網(wǎng)絡(luò)的結(jié)構(gòu)如圖4所示，BP網(wǎng)絡(luò)具有三層或三層以上神經(jīng)元的神經(jīng)網(wǎng)絡(luò)，包括輸入層、中間層（隱層）和輸出層。上下層之間實(shí)現(xiàn)全連接，而每層神經(jīng)元之間沒有連接。當(dāng)一對學(xué)習(xí)樣本提供給網(wǎng)絡(luò)后，神經(jīng)元的激活值從輸入層經(jīng)各中間層向輸出層傳播，在輸出層的各神經(jīng)元獲得網(wǎng)絡(luò)的輸入響應(yīng)。接下來，按照減少目標(biāo)輸出和實(shí)際輸出之間的方向，從輸出層反向經(jīng)過各中間層回到輸入層，從而逐層修正各連接權(quán)值，這種算法稱為“誤差反向傳播算法”，即BP算法。

（2）BP算法的數(shù)學(xué)描述。BP算法基本原理是利用輸出后的誤差來估計(jì)輸出層的直接前導(dǎo)層的誤差，再用這個誤差估計(jì)更前一層的誤差，如此一層一層的反傳下去，就獲得了所有其他各層的誤差估計(jì)。

BP網(wǎng)絡(luò)學(xué)習(xí)規(guī)則的指導(dǎo)思想是：對網(wǎng)絡(luò)權(quán)值和閾值的修正要沿著表現(xiàn)函數(shù)下降最快的方向――負(fù)梯度方向。

xk+1=xk-akgk(1)

其中xk是當(dāng)前的權(quán)值和閾值矩陣，gk是當(dāng)前表現(xiàn)函數(shù)的梯度，ak是學(xué)習(xí)速率。

三層BP網(wǎng)絡(luò)，輸入節(jié)點(diǎn)xi，中間層節(jié)點(diǎn)yi，輸出節(jié)點(diǎn)zl。輸入節(jié)點(diǎn)與中間層節(jié)點(diǎn)間的網(wǎng)絡(luò)權(quán)值為wji，中間層節(jié)點(diǎn)與輸出節(jié)點(diǎn)間的網(wǎng)絡(luò)權(quán)值為vlj。當(dāng)輸出節(jié)點(diǎn)的期望值為tl時，模型計(jì)算公式如下。

中間層節(jié)點(diǎn)的輸出：

yi=f(∑iwjixi-θj)=f(netj)(2)

輸出節(jié)點(diǎn)的計(jì)算輸出：

zl=f(∑jvljyj-θl)=f(netl)(3)

3. BP神經(jīng)網(wǎng)絡(luò)用于GPS高程擬合

3.1 山區(qū)高程異常擬合實(shí)例:以本溪GPS和水準(zhǔn)資料作為樣本來源，進(jìn)行BP高程異常擬合。

通過山區(qū)高程異常擬合實(shí)例，對數(shù)據(jù)分析可以得到如下結(jié)論，學(xué)習(xí)樣本數(shù)與測試樣本數(shù)之比在1/4之間時網(wǎng)絡(luò)穩(wěn)定性較好。高程擬合的精度與學(xué)習(xí)樣本數(shù)量有關(guān)，學(xué)習(xí)樣本數(shù)越多，擬合精度就越高。

3.2 平原地區(qū)高程異常擬合實(shí)例:以某市D級GPS部分?jǐn)?shù)據(jù)進(jìn)行實(shí)驗(yàn)研究

通過平原地區(qū)高程異常擬合實(shí)例，對數(shù)據(jù)分析可以得到如下結(jié)論，學(xué)習(xí)樣本數(shù)與測試樣本數(shù)之比在 1/3 之間時網(wǎng)絡(luò)穩(wěn)定性較好。學(xué)習(xí)樣本數(shù)對測試對象的精度也有著重要的影響，一般隨著學(xué)習(xí)樣本數(shù)的增多，中誤差會有所改善。這主要是更多的學(xué)習(xí)樣本就更能表述出所研究問題的一些基本特征，進(jìn)而仿真的效果就能更好。

4. 結(jié)束語

重點(diǎn)研究基于BP神經(jīng)網(wǎng)絡(luò)的GPS高程異常擬合算法，詳細(xì)介紹了人工神經(jīng)網(wǎng)絡(luò)基本理論，重點(diǎn)討論了基于BP神經(jīng)網(wǎng)絡(luò)的GPS高程擬合，包括BP神經(jīng)網(wǎng)絡(luò)的基本原理、主要特點(diǎn)。分析了神經(jīng)網(wǎng)絡(luò)的BP算法，包括其數(shù)學(xué)模型、網(wǎng)絡(luò)結(jié)構(gòu)。構(gòu)造了基于BP神經(jīng)網(wǎng)絡(luò)的GPS高程擬合模型，結(jié)合具體工程數(shù)據(jù)進(jìn)行了神經(jīng)網(wǎng)絡(luò)性能分析。

參考文獻(xiàn)

[1] 國家測繪局測繪發(fā)展研究中心.測繪發(fā)展研究動態(tài)[R].北京：國家測繪局，2008，8：1-7

[2] 李征航、黃勁松.GPS測量與數(shù)據(jù)處理[M].武漢：武漢大學(xué)出版社，2005，277-278

[3] 曹先革.基于人工神經(jīng)網(wǎng)絡(luò)的GPS高程異常擬合方法研究[D]，北京：中國地質(zhì)大學(xué)，2008

[4] 徐紹銓．GPS高程擬合系統(tǒng)的研究[J]，武漢：武漢測繪科技大學(xué)學(xué)報(bào)，1999，24(4),11-15

[5] 閻平凡.人工神經(jīng)網(wǎng)絡(luò)與模擬進(jìn)化計(jì)算[M]，北京:清華大學(xué)出版社，2000，5-6

[6] 徐麗娜.神經(jīng)網(wǎng)絡(luò)控制[M].哈爾濱：哈爾濱工業(yè)大學(xué)出版社，1999，1-40

篇7

（西藏職業(yè)技術(shù)學(xué)院，拉薩 850000）

（Tibet Vocational Technical Collage，Lhasa 850000，China）

摘要： 在政府投資項(xiàng)目推行代建制的過程中，必須正確認(rèn)識代建制模式下的風(fēng)險(xiǎn)管理工作的重要性，認(rèn)清風(fēng)險(xiǎn)的來源，有效評估工程項(xiàng)目風(fēng)險(xiǎn)嚴(yán)重程度和整體風(fēng)險(xiǎn)水平是決策項(xiàng)目上馬的先決條件。本文在闡述代建制項(xiàng)目進(jìn)行風(fēng)險(xiǎn)評價(jià)的重要性基礎(chǔ)上，結(jié)合政府投資代建項(xiàng)目的特征和國內(nèi)工程的實(shí)踐進(jìn)行歸納總結(jié)，建立了共性的風(fēng)險(xiǎn)評價(jià)指標(biāo)體系，提出了基于誤差反向傳播算法的BP神經(jīng)網(wǎng)絡(luò)評價(jià)模型，并通過算例驗(yàn)證了該模型的可行性，為實(shí)際工程項(xiàng)目進(jìn)行風(fēng)險(xiǎn)預(yù)測、應(yīng)對、規(guī)避提供決策支持，從而提高了政府投資項(xiàng)目的整體效益。

Abstract： In the process of government investment project implementing agency construction， we must understand correctly the importance of risk management under agency construction and recognize the risk source，so as to assess the severity of project risk and the overall level of risk effectively which is an essential prerequisite of decision-making project. On the basis of expounding the importance of project under agency construction carrying on risk assessment，combined with the characteristic of project under agency construction and the generalization of domestic engineering practice，this paper set up common risk evaluation index system，put forward the BP neural network evaluation model based on error back propagation. Besides this paper uses the BP neural network evaluation model in the really construction to draw a conclusion that the model is feasible and hope the model can provide the decision support for risk prediction、risk response and risk aversion in the really construction，so as to improve the whole efficiency of the government investment project.

關(guān)鍵詞 ： BP；神經(jīng)網(wǎng)絡(luò)；代建制；風(fēng)險(xiǎn)評價(jià)

Key words： BP；neural network；gent-construction；risk assessment

中圖分類號：F283 文獻(xiàn)標(biāo)識碼：A 文章編號：1006-4311（2015）19-0030-03

作者簡介：謝亮（1982-），男，四川德陽人，講師，工程師，一級建造師，造價(jià)工程師，碩士研究生，研究方向?yàn)楣こ坦芾怼?/p>

0 引言

政府投資項(xiàng)目實(shí)行代建制，可以有效加強(qiáng)政府對投資項(xiàng)目的管理，規(guī)范投資建設(shè)秩序，建立投資責(zé)任約束機(jī)制，通過市場運(yùn)作，選擇有經(jīng)驗(yàn)、講信譽(yù)的專業(yè)化管理隊(duì)伍，用法律和經(jīng)濟(jì)手段確立投資者和建設(shè)者之間的相互關(guān)系，有效保證資金的使用效益和施工質(zhì)量。因此，本文在項(xiàng)目實(shí)行代建制的前提下，運(yùn)用基于誤差反向傳播算法的BP神經(jīng)網(wǎng)絡(luò)評價(jià)代建制項(xiàng)目風(fēng)險(xiǎn)，通過建立代建制項(xiàng)目一般風(fēng)險(xiǎn)指標(biāo)為引例，論證該方法在項(xiàng)目風(fēng)險(xiǎn)評價(jià)上的可行性、可操作性，為實(shí)際工程項(xiàng)目規(guī)避風(fēng)險(xiǎn)，降低工程成本提供理論依據(jù)，從而提高政府投資項(xiàng)目的社會效益和經(jīng)濟(jì)效益。

1 代建制項(xiàng)目風(fēng)險(xiǎn)評價(jià)的重要性

政府投資項(xiàng)目代建制作為有效的工程項(xiàng)目管理模式，推進(jìn)代建制的實(shí)施必然要重視投資項(xiàng)目的風(fēng)險(xiǎn)管理，尤其是對投資項(xiàng)目的風(fēng)險(xiǎn)評價(jià)。風(fēng)險(xiǎn)評價(jià)是政府投資代建項(xiàng)目風(fēng)險(xiǎn)管理的關(guān)鍵步驟，是對一個項(xiàng)目整體風(fēng)險(xiǎn)水平做出合理評價(jià)的過程。在對投資項(xiàng)目風(fēng)險(xiǎn)因素進(jìn)行識別之后，投資決策者在進(jìn)行風(fēng)險(xiǎn)因素識別以后就需要分析其投資機(jī)會的潛在價(jià)值，判斷項(xiàng)目在整個生命周期遇到的不確定性風(fēng)險(xiǎn)帶來損失的程度，決策項(xiàng)目是否上馬[1]。

因此，需要對項(xiàng)目面臨的風(fēng)險(xiǎn)做出科學(xué)評價(jià)，并以此為依據(jù)制定相應(yīng)風(fēng)險(xiǎn)應(yīng)對規(guī)避措施，減少或降低項(xiàng)目在實(shí)施過程中帶來的損失。由此可見，風(fēng)險(xiǎn)評價(jià)在項(xiàng)目中的重要性是不言而喻的。

2 建立誤差方向傳播神經(jīng)網(wǎng)絡(luò)評價(jià)模型

任何一個項(xiàng)目在實(shí)施過程中都具有不確定性，代建制作為政府投資項(xiàng)目建設(shè)推行的一種模式，具有打包式的形式，項(xiàng)目在實(shí)施過程中存在許多偶然事件。通過整理相關(guān)文獻(xiàn)，目前關(guān)于代建制項(xiàng)目的風(fēng)險(xiǎn)評價(jià)研究較少，部分學(xué)者從理論上進(jìn)行了研究，提出了不同的觀點(diǎn)，Nigel John Smith， Min An等人[2]，引入因子指數(shù)來組織和評估這些因素，并將其整合納入風(fēng)險(xiǎn)評估的決策過程中。該文獻(xiàn)提出了一種全新的風(fēng)險(xiǎn)評估方法，以應(yīng)對建設(shè)行業(yè)復(fù)雜環(huán)境中的風(fēng)險(xiǎn)。同時根據(jù)模糊推理技術(shù)，提出了一種處理在施工過程中產(chǎn)生的不確定性和主觀性的有效工具。Stephen Ward， Chris Chapman認(rèn)為[3]，目前所有項(xiàng)目風(fēng)險(xiǎn)管理的實(shí)施過程，都忽視了關(guān)于項(xiàng)目不確定性管理。該文獻(xiàn)討論了引起這種觀點(diǎn)的原因，并堅(jiān)決主張把注意力集中于不確定性上而不是風(fēng)險(xiǎn)，才能夠提高項(xiàng)目的風(fēng)險(xiǎn)管理。同時提出了一種如何將項(xiàng)目風(fēng)險(xiǎn)管理的過程改進(jìn)成便于應(yīng)用不確定性管理觀點(diǎn)的方法。孫少楠等人，研究了基于群組AHP代建制項(xiàng)目風(fēng)險(xiǎn)評價(jià)，認(rèn)為利用群組層次分析的方法，來確定代建制項(xiàng)目風(fēng)險(xiǎn)層次結(jié)構(gòu)中風(fēng)險(xiǎn)指標(biāo)權(quán)重，從而來確定風(fēng)險(xiǎn)指標(biāo)評價(jià)等級[4]。因此，本文在改進(jìn)前人研究的基礎(chǔ)上，通過誤差反向傳播算法建立BP評價(jià)模型，并以工程實(shí)例的形式來驗(yàn)證模型的科學(xué)性和合理性，從而為代建制模式下工程項(xiàng)目風(fēng)險(xiǎn)評價(jià)提供應(yīng)用價(jià)值。

2.1 人工神經(jīng)網(wǎng)絡(luò)概述

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network）是模仿生物神經(jīng)網(wǎng)絡(luò)功能的一種經(jīng)驗(yàn)?zāi)Ｐ?，由大量與自然神經(jīng)細(xì)胞類似的人工神經(jīng)元互聯(lián)而成的網(wǎng)絡(luò)。其工作機(jī)理是根據(jù)輸入的信息建立神經(jīng)元，輸入和輸出之間的變換關(guān)系具有非線性特點(diǎn)，通過輸入一定量的樣本數(shù)據(jù)按照學(xué)習(xí)規(guī)則或自組織進(jìn)行不斷修正，把問題的特征反映在神經(jīng)元之間相互聯(lián)系的權(quán)值中，使輸出結(jié)果和實(shí)際值之間差距不斷縮小。所以，神經(jīng)網(wǎng)絡(luò)的輸出層就是將給出解決問題的結(jié)果[5]。

2.2 BP神經(jīng)網(wǎng)絡(luò)算法流程

基于誤差反向傳播（Error back propagation， 簡稱BP）的神經(jīng)網(wǎng)絡(luò)是一種多層次反饋型網(wǎng)絡(luò)，使用有導(dǎo)師的學(xué)習(xí)算法。而基于人工神經(jīng)網(wǎng)絡(luò)的多指標(biāo)綜合評價(jià)方法通過神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)、自適應(yīng)能力和強(qiáng)容錯性，建立更加接近人類思維模式的定性與定量相結(jié)合的綜合評價(jià)模型。

在本文采用基于BP算法來構(gòu)造神經(jīng)網(wǎng)絡(luò)模型，選用典型的三層BP神經(jīng)網(wǎng)絡(luò)前饋型層次結(jié)構(gòu)網(wǎng)絡(luò)，由輸入層，隱含層和輸出層三部分組成。其中同層次神經(jīng)元之間無關(guān)聯(lián)，異層次神經(jīng)元之間前向連接。在三層BP神經(jīng)網(wǎng)絡(luò)中，輸入層含n個節(jié)點(diǎn)，代表神經(jīng)網(wǎng)絡(luò)的n個輸入；輸出層含l個節(jié)點(diǎn)，代表神經(jīng)網(wǎng)絡(luò)的l種輸出；隱含層的節(jié)點(diǎn)數(shù)目m，可根據(jù)需要設(shè)置，具體相關(guān)函數(shù)參見文獻(xiàn)[6-7]。

本文應(yīng)用Matlab 7.0進(jìn)行BP算法步驟如下：

2.3 建立評價(jià)指標(biāo)體系

本文結(jié)合政府投資代建項(xiàng)目的特征，旨在建立一般意義上的風(fēng)險(xiǎn)評價(jià)指標(biāo)體系，根據(jù)全面性、可比性、可操作性等指標(biāo)設(shè)計(jì)原則，并考慮到模型的實(shí)際運(yùn)用，建立了基本所有項(xiàng)目通用的、系統(tǒng)的、科學(xué)合理的代建制項(xiàng)目風(fēng)險(xiǎn)評價(jià)指標(biāo)體系。對于一個具體的項(xiàng)目而言，風(fēng)險(xiǎn)因素的增加、刪減并不影響本模型的應(yīng)用，評價(jià)指標(biāo)體系如圖1所示。

2.4 基于BP神經(jīng)網(wǎng)絡(luò)模型建立

由于目前針對代建項(xiàng)目風(fēng)險(xiǎn)管理的工程實(shí)例和歷史數(shù)據(jù)較少，為了獲得本文模型實(shí)證所需的樣本數(shù)據(jù)，經(jīng)過大量相關(guān)文獻(xiàn)數(shù)據(jù)的收集整理，共收集到了6個實(shí)施代建制的項(xiàng)目風(fēng)險(xiǎn)數(shù)據(jù)，將實(shí)際數(shù)據(jù)進(jìn)行了處理，處理后的樣本數(shù)據(jù)見表1所示。

實(shí)際應(yīng)用表明，合理確定網(wǎng)絡(luò)層數(shù)與各層的神經(jīng)元數(shù)，是成功應(yīng)用BP神經(jīng)網(wǎng)絡(luò)模型的關(guān)鍵之一。一個三層的神經(jīng)網(wǎng)絡(luò)可以完成任意n維到m維的映射，即具有一個隱含層的神經(jīng)網(wǎng)絡(luò)能夠以任意精度表示任何連續(xù)函數(shù)。因此，本模型設(shè)置一層隱含層，建模如下：

①輸入節(jié)點(diǎn)：根據(jù)風(fēng)險(xiǎn)評價(jià)指標(biāo)體系，將政治風(fēng)險(xiǎn)，經(jīng)濟(jì)風(fēng)險(xiǎn)，自然風(fēng)險(xiǎn)，決策風(fēng)險(xiǎn)，管理風(fēng)險(xiǎn)共5個作為BP模型的輸入節(jié)點(diǎn)；②輸出節(jié)點(diǎn)：輸出節(jié)點(diǎn)對應(yīng)評價(jià)結(jié)果，在本文建立的模型中，由于最終的結(jié)果是一個評價(jià)數(shù)值，即綜合評價(jià)分?jǐn)?shù)，代表不同的風(fēng)險(xiǎn)程度，因此選擇1個輸出節(jié)點(diǎn)；③隱節(jié)點(diǎn)：根據(jù)最佳隱節(jié)點(diǎn)計(jì)算公式，本模型隱節(jié)點(diǎn)數(shù)選擇范圍在3-12之間，利用表1樣本數(shù)據(jù)進(jìn)行訓(xùn)練，訓(xùn)練函數(shù)采用Traingdx函數(shù)，訓(xùn)練結(jié)果見表2所示。

誤差水平和訓(xùn)練速度是考慮網(wǎng)絡(luò)性能的兩個重要指標(biāo)。根據(jù)表2可知，隱含層節(jié)點(diǎn)數(shù)為11的BP網(wǎng)絡(luò)對評價(jià)函數(shù)的逼近效果最好，誤差最小，訓(xùn)練次數(shù)為115次。因此，本模型中隱含層的節(jié)點(diǎn)數(shù)目應(yīng)該選擇為11。因此，本文建立的BP神經(jīng)網(wǎng)絡(luò)模型為5×11×1的三層網(wǎng)絡(luò)模型。

④訓(xùn)練函數(shù)：采用不同的訓(xùn)練函數(shù)對網(wǎng)絡(luò)收斂速度和訓(xùn)練次數(shù)有影響，通過對traingdx、trainlm和traingd三個訓(xùn)練函數(shù)進(jìn)行分析，trainlm學(xué)習(xí)算法具有收斂速度很快特點(diǎn)，訓(xùn)練結(jié)果、誤差曲線分別如圖2、圖3所示。

可以看出，訓(xùn)練次數(shù)為6時，網(wǎng)絡(luò)的逼近誤差為7.42×10-5。六組樣本數(shù)據(jù)的誤差在區(qū)間（-0.016，0）內(nèi)。因此，本文的評價(jià)模型決定采用trainlm對網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

綜上所述，最終確定風(fēng)險(xiǎn)評價(jià)神經(jīng)網(wǎng)絡(luò)模型的BP網(wǎng)絡(luò)結(jié)構(gòu)見表3所示。

3 應(yīng)用算例

本文以西藏會展中心為項(xiàng)目背景，通過訓(xùn)練好的模型對該項(xiàng)目在實(shí)施過程中的進(jìn)行風(fēng)險(xiǎn)評價(jià)，為項(xiàng)目制定風(fēng)險(xiǎn)應(yīng)對措施提供科學(xué)依據(jù)，也提供了一種風(fēng)險(xiǎn)評價(jià)思路。

3.1 模型訓(xùn)練

通過運(yùn)用6個樣本輸入和輸出值對建立的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)訓(xùn)練，EMSE=7.42×10-5，總體誤差滿足要求，訓(xùn)練樣本結(jié)果見表4所示。

3.2 西藏會展中心項(xiàng)目風(fēng)險(xiǎn)評價(jià)

將西藏會展中心項(xiàng)目原始數(shù)據(jù)經(jīng)處理后的項(xiàng)目風(fēng)險(xiǎn)數(shù)據(jù)作為樣本輸入數(shù)據(jù)見表5所示，輸入到訓(xùn)練誤差滿足要求的模型中，得到表6的輸出結(jié)果，即風(fēng)險(xiǎn)評價(jià)等級。

根據(jù)表6輸出的數(shù)據(jù)結(jié)果可以得出，模型訓(xùn)練比較穩(wěn)定，期望輸出0.6947，即為評價(jià)項(xiàng)目的風(fēng)險(xiǎn)等級，該項(xiàng)目評定結(jié)果為中風(fēng)險(xiǎn)。

4 結(jié)論

本文通過建立政府投資代建項(xiàng)目的風(fēng)險(xiǎn)評價(jià)指標(biāo)體系，運(yùn)用誤差反向傳播算法，建立代建制項(xiàng)目風(fēng)險(xiǎn)評價(jià)模型，通過對獲得的實(shí)例工程風(fēng)險(xiǎn)評價(jià)樣本數(shù)據(jù)，帶入評價(jià)模型中進(jìn)行自學(xué)習(xí)、訓(xùn)練，使得模型的自適應(yīng)滿足評價(jià)要求，最后以工程實(shí)例對該模型進(jìn)了風(fēng)險(xiǎn)評價(jià)驗(yàn)證，論證了該模型的可行性和可操作性，通過該模型在工程實(shí)例中的應(yīng)用，為工程規(guī)避風(fēng)險(xiǎn)，制定風(fēng)險(xiǎn)應(yīng)對措施提供了科學(xué)指導(dǎo)，為企業(yè)減少了不可預(yù)見費(fèi)用的支出，提高了政府投資項(xiàng)目的社會效益和經(jīng)濟(jì)效益，證明該模型在政府投資代建項(xiàng)目風(fēng)險(xiǎn)評價(jià)及控制中值得應(yīng)用。

參考文獻(xiàn)：

[1]Akintola S Akintoye， Malcolm J MacLeod. Risk analysis and management in construction. International Journal of Project Management， 1997， 15(1)：31-38.

[2]Nigel John Smith， Min An. Application of a fuzzy based decision making methodology to construction project risk assessment[J]. International Journal of Project Management， 2007，25：589-600.

[3]Stephen Ward，Chris Chapman. Transforming project risk management into project uncertainty management[J]. International Journal of Project Management，2003，21：97-105.

[4]孫少楠，王愛領(lǐng).基于群組AHP代建制項(xiàng)目風(fēng)險(xiǎn)評價(jià)[J].統(tǒng)計(jì)與決策，2009，1：172-173.

[5]張穎，劉艷秋.軟計(jì)算方法.[M].北京：科學(xué)出版社，2002：66.

[6]袁曾任.人工神經(jīng)網(wǎng)絡(luò)原理及其應(yīng)用[M].北京：清華大學(xué)出版社，1999：36-42.

篇8

（天津理工大學(xué)管理學(xué)院，天津 300384）

（School of Management，Tianjin University of Technology，Tianjin 300384，China）

摘要： 本文采用了一種將證據(jù)理論與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的信息融合算法，該方法集中了兩種算法的優(yōu)勢使得計(jì)算結(jié)果更加準(zhǔn)確，為眾多商業(yè)銀行帶來切實(shí)的利益。

Abstract: This paper uses the information fusion algorithm by the combination of evidence theory and BP neural network, this approach focuses the advantages of the two algorithms to make the results more accurate and bring tangible benefits for many commercial banks.

關(guān)鍵詞 ： 物流金融；信用風(fēng)險(xiǎn)；BP網(wǎng)絡(luò)；證據(jù)理論

Key words: logistic finance；credit risk；BP network；evidence theory

中圖分類號：F252 文獻(xiàn)標(biāo)識碼：A

文章編號：1006-4311（2015）06-0016-02

0 引言

中小企業(yè)作為中國經(jīng)濟(jì)快速發(fā)展的生力軍，貸款難一直是制約其快速進(jìn)步的最主要的因素。近年來物流業(yè)大發(fā)展也使得以運(yùn)輸、倉儲為主的傳統(tǒng)經(jīng)營不再能滿足其對利益的追逐。另外，物流金融作為商業(yè)銀行的重要創(chuàng)新，成為其在激烈的同行業(yè)競爭中取勝的必然選擇。綜上，物流金融勢必成為中小企業(yè)、物流企業(yè)、商業(yè)銀行多方關(guān)注，謀求共贏的一種發(fā)展趨勢。

最早的物流金融概念是由浙江大學(xué)的鄒小芃和唐元琦于2004年提出。他們認(rèn)為物流金融就是面向物流運(yùn)營的全過程，應(yīng)用各種金融產(chǎn)品，實(shí)施物流、資金流、信息流的有效整合，有效地組織和調(diào)劑供應(yīng)鏈運(yùn)作過程中的貨幣資金的運(yùn)動[1]。作為一種委托關(guān)系，信用是其健康運(yùn)作的基礎(chǔ)，信用風(fēng)險(xiǎn)則成為商業(yè)銀行所面臨的首要風(fēng)險(xiǎn)。由于物流金融業(yè)務(wù)的特殊性，其表現(xiàn)出與傳統(tǒng)信貸相比更為復(fù)雜的信用風(fēng)險(xiǎn)，傳統(tǒng)意義的信用風(fēng)險(xiǎn)評價(jià)指標(biāo)體系和評價(jià)模型將會失靈，建立一整套科學(xué)進(jìn)步、基于物流金融融資模式的信用風(fēng)險(xiǎn)評價(jià)體系就顯得尤為重要。

本文通過將信用風(fēng)險(xiǎn)的輸入數(shù)據(jù)按物流金融業(yè)務(wù)特征進(jìn)行重新開發(fā)分類，建立BP網(wǎng)絡(luò)組。根據(jù)網(wǎng)絡(luò)組的輸出，得出對于各類信用度的基本概率分配函數(shù)，最后利用DS證據(jù)理論融合。將其應(yīng)用于商業(yè)銀行對物流金融的信用評估中，從而實(shí)現(xiàn)風(fēng)險(xiǎn)的最終決策，提高了風(fēng)險(xiǎn)度量的準(zhǔn)確度，使得商業(yè)銀行在新興的物流金融業(yè)務(wù)下的操作風(fēng)險(xiǎn)有效監(jiān)控得到提升。

1 商業(yè)銀行物流金融信用風(fēng)險(xiǎn)體系指標(biāo)

根據(jù)物流金融的運(yùn)作特點(diǎn)，可將其風(fēng)險(xiǎn)來源歸納為來自融資企業(yè)、抵押物以及第三方物流企業(yè)三大方面。借鑒Altman，Haldeman和Narayanan（1977）提出的第二代“ZETA計(jì)分模型”中企業(yè)信用評價(jià)指標(biāo)體系[3]，將來自融資企業(yè)的風(fēng)險(xiǎn)細(xì)化為中小企業(yè)營運(yùn)能力w1、盈利能力w2、償債能力w3、及信用記錄w4四大方面的十個具體指標(biāo)，分別為w11持續(xù)經(jīng)營、w12資產(chǎn)回報(bào)率、w13存貨周轉(zhuǎn)率、w21連續(xù)盈利、w22稅后利潤率、w23銷售利潤率、w31穩(wěn)定存貨、w32資產(chǎn)負(fù)債率、w33速凍比率、w41履約率。我國現(xiàn)階段的物流金融業(yè)務(wù)主要集中于基于權(quán)利質(zhì)押以及基于存貨質(zhì)押兩種，因此質(zhì)押物本身的質(zhì)量也直接關(guān)系其風(fēng)險(xiǎn)大小。指標(biāo)包括：所有權(quán)w51、市場性質(zhì)w61、保險(xiǎn)率w71三方面。作為重要參與方的物流企業(yè)為實(shí)現(xiàn)其對質(zhì)押物的有效監(jiān)管，企業(yè)規(guī)模w81及企業(yè)信譽(yù)w91也即成為影響物流金融風(fēng)險(xiǎn)的重要指標(biāo)。

2 基于BP神經(jīng)網(wǎng)絡(luò)和證據(jù)理論的評價(jià)方法

2.1 BP 神經(jīng)網(wǎng)絡(luò)的基本原理

BP神經(jīng)網(wǎng)絡(luò)，是由Rumelhart 和 McCelland 等人（1986）提出的。其基本思想是，學(xué)習(xí)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，輸入樣本從輸入層通過隱含層傳向輸出層。若輸出層的實(shí)際輸出與期望輸出不符，則轉(zhuǎn)入誤差的反向傳播階段，并將誤差分?jǐn)偨o各層的所有單元。正向傳播與誤差反向傳播周而復(fù)始，一直到網(wǎng)絡(luò)輸出的誤差減少到可接受的程度，或預(yù)先設(shè)定的次數(shù)為止。

2.2 證據(jù)理論的基本原理

2.3 信用風(fēng)險(xiǎn)評估算法

為了保證神經(jīng)網(wǎng)絡(luò)的收斂和穩(wěn)定性，本論文中將15個指標(biāo)分為四組，建立4個神經(jīng)網(wǎng)絡(luò)NN1，NN2，NN3和NN4。神經(jīng)網(wǎng)絡(luò)的輸出設(shè)計(jì)為（0.1，0.1，0.9）T、（0.1，0.9，0.1）T、（0.9，0.1，0.1）T，表示的信用風(fēng)險(xiǎn)級別分別為高風(fēng)險(xiǎn)、中度風(fēng)險(xiǎn)、低風(fēng)險(xiǎn)，記為A1，A2，A3。將輸出歸一化，得到向量（a′i1，a′i2，a′i3）T，記作V′i。令mi（Ai）=a′il，i∈{1，2，3，4}，l∈{1，2，3}，表示由NNi 得到的對信用風(fēng)險(xiǎn)級別Ai的基本信任度，即針對事件Ai的證據(jù)。之后，再將4個證據(jù)利用DS證據(jù)理論融合。就可以對信用風(fēng)險(xiǎn)進(jìn)行評估，最初最終決策。

3 應(yīng)用實(shí)例

本次數(shù)據(jù)采集共發(fā)出問卷200份，收回135份，有效問卷92份。將前91組數(shù)據(jù)分別訓(xùn)練神經(jīng)網(wǎng)絡(luò)。再將余下1個樣本輸入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，歸一化處理輸出結(jié)果即得該證據(jù)對該命題的基本概率分配，而后利用DS證據(jù)理論將其融合得到最終優(yōu)化結(jié)果。

由表2可知，中度風(fēng)險(xiǎn)類型O2的概率隨著融合次數(shù)增多逐漸趨向于1，而其余兩種風(fēng)險(xiǎn)類型則趨近于0，與表1中結(jié)果相比大大地提高了結(jié)果的準(zhǔn)確性。

4 結(jié)論

本文所提出的基于神經(jīng)網(wǎng)絡(luò)和DS證據(jù)理論的物流金融信用風(fēng)險(xiǎn)評價(jià)模型，其優(yōu)勢表現(xiàn)為：此兩種算法的結(jié)合，不僅克服了單一神經(jīng)網(wǎng)絡(luò)達(dá)到高精度需要迭代次數(shù)過多而造成實(shí)時性差的缺點(diǎn)，而且通過大量標(biāo)準(zhǔn)樣本對神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，使得DS證據(jù)理論對系統(tǒng)的決策更加準(zhǔn)確。

參考文獻(xiàn)：

[1]鄒小芃，唐元琦.物流金融淺析[J].浙江金融，2004（5）：80-83.

篇9

【 關(guān)鍵詞 】 網(wǎng)絡(luò)安全評價(jià)；神經(jīng)網(wǎng)絡(luò)；實(shí)踐應(yīng)用

1 引言

隨著我國網(wǎng)絡(luò)技術(shù)的不斷發(fā)展，信息劃時代已經(jīng)到來，信息技術(shù)遍布于各個領(lǐng)域中，并且在不同領(lǐng)域中有很好的應(yīng)用?；ヂ?lián)網(wǎng)的使用在我國比較多，在改變?nèi)藗兩罘绞降耐瑫r，也在很大程度上提高了人們的生活質(zhì)量。

在此前提下，網(wǎng)絡(luò)安全已經(jīng)成為人們關(guān)注的焦點(diǎn)問題，需要網(wǎng)絡(luò)研究人員采用神經(jīng)網(wǎng)絡(luò)對網(wǎng)絡(luò)安全進(jìn)行必要的評價(jià)和監(jiān)控，挖掘出網(wǎng)絡(luò)問題的不同因素。選用不同的方法來順利實(shí)施安全評價(jià)，在很大程度要保證評價(jià)的科學(xué)性和真實(shí)性，由此神經(jīng)網(wǎng)絡(luò)技術(shù)的應(yīng)用能夠保證網(wǎng)絡(luò)安全評價(jià)的客觀性。

2 計(jì)算機(jī)網(wǎng)絡(luò)安全評價(jià)原理

在計(jì)算機(jī)網(wǎng)絡(luò)安全評價(jià)中，安全評價(jià)有很大的發(fā)展空間和效果，評價(jià)對象呈現(xiàn)出一個多元化趨勢，不單單是對系統(tǒng)的評價(jià)。系統(tǒng)的組成要素并不單一，建立有自身的目標(biāo)范圍，由此可以說明網(wǎng)絡(luò)的建設(shè)也是通過這種方法進(jìn)行。系統(tǒng)雖然是人們開發(fā)的產(chǎn)物，但是在很大程度上系統(tǒng)之間也有很大差異，有關(guān)研究者需要在差異的前提下實(shí)現(xiàn)對內(nèi)涵的了解，對其中出現(xiàn)的一些信息和數(shù)據(jù)進(jìn)行必要的掌握和明確。在網(wǎng)絡(luò)進(jìn)行安全評價(jià)中，其中的關(guān)聯(lián)性對研究對象來說起到了決定性的作用，主要分析了研究對象的變動情況。安全評價(jià)原理中最為重要的就是慣性原理，它是安全評價(jià)中尤為重要的一個組成部分，慣性原理以角度的變化對研究對象進(jìn)行研究，在研究的過程中會產(chǎn)生很大的不間斷性，根據(jù)這種不間斷性可以對研究對象未來的發(fā)展方向進(jìn)行明確，給予清晰的定位。網(wǎng)絡(luò)安全評估原理還可以用質(zhì)變和量變之間的關(guān)系來實(shí)現(xiàn)。

3 神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)網(wǎng)絡(luò)安全評價(jià)的應(yīng)用

3.1 計(jì)算機(jī)網(wǎng)絡(luò)安全

計(jì)算機(jī)網(wǎng)絡(luò)安全的維護(hù)主要是存儲中的不同數(shù)據(jù)，采用多種不同的方法對數(shù)據(jù)進(jìn)行實(shí)時性的保護(hù)，一般情況下可以分為物理和邏輯兩種不同的保護(hù)措施；在對網(wǎng)絡(luò)安全進(jìn)行分析時，需要在最大程度上確保數(shù)據(jù)不受風(fēng)險(xiǎn)影響，以完好的狀態(tài)進(jìn)行存儲，使數(shù)據(jù)能夠持續(xù)不斷應(yīng)用到實(shí)踐中。

3.2 計(jì)算機(jī)網(wǎng)絡(luò)安全評價(jià)體系

計(jì)算機(jī)網(wǎng)絡(luò)安全評價(jià)體系能夠在很大程度上對網(wǎng)絡(luò)中的安全問題實(shí)施全方位的評價(jià)，在對安全評價(jià)體系建立的過程中，應(yīng)在最大程度上對現(xiàn)實(shí)情況進(jìn)行研究和考量，評價(jià)是實(shí)施必須要符合評價(jià)標(biāo)準(zhǔn)，在此基礎(chǔ)上還需要對影響因素進(jìn)行必要的選擇來確保選項(xiàng)的全面性，只有這樣可以使評價(jià)系統(tǒng)在網(wǎng)絡(luò)安全評價(jià)中發(fā)揮一定的作用，對不同的影響因素明確之后才可以進(jìn)行評價(jià)指標(biāo)的確定。在對網(wǎng)絡(luò)進(jìn)行安全評價(jià)時，對指標(biāo)的要求比較高，需要進(jìn)行不同級別的劃分。

4 計(jì)算機(jī)網(wǎng)絡(luò)安全評價(jià)模型構(gòu)建

4.1 BP神經(jīng)網(wǎng)絡(luò)機(jī)理

BP神經(jīng)網(wǎng)絡(luò)中的BP算法的傳播是通過信號來完成，并且對傳播方向進(jìn)行有效的分析和判斷，信號進(jìn)行正向傳播，數(shù)據(jù)需要從輸入層傳導(dǎo)到隱匿層，在傳導(dǎo)的過程中應(yīng)對數(shù)據(jù)進(jìn)行必要的分層管理，然后通過輸出層輸出。如果數(shù)據(jù)傳導(dǎo)和現(xiàn)實(shí)情況有明顯差異時，可以斷定數(shù)據(jù)處理在整個傳遞的過程中出現(xiàn)了某些問題，對于出現(xiàn)的問題必須尋找根源并對其進(jìn)行解決。在此前提下，如果信號進(jìn)行反向傳播，能夠在很大程度上使數(shù)據(jù)起到關(guān)鍵性的作用。在此過程中，使異常數(shù)據(jù)進(jìn)行必要的傳導(dǎo)，把差異平均分給各層面，在采取同一方法，把數(shù)據(jù)偏差降低到最低，想要把偏差降到最小需要對數(shù)據(jù)進(jìn)行不斷重復(fù)傳導(dǎo)才能符合要求。

4.2 計(jì)算機(jī)網(wǎng)絡(luò)安全評價(jià)模型設(shè)計(jì)

（1）輸入層。BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建需要有不同的原則進(jìn)行支撐，這就需要神經(jīng)節(jié)點(diǎn)和評價(jià)指標(biāo)相互對應(yīng)，在由評價(jià)內(nèi)容來分層限制評價(jià)指標(biāo)，指標(biāo)個數(shù)在很大程度上影響著節(jié)點(diǎn)數(shù)，也就是說指標(biāo)數(shù)必須要和節(jié)點(diǎn)數(shù)相同。

（2）隱匿層。隱匿層中應(yīng)用最為廣泛的就是單隱匿層，在設(shè)計(jì)網(wǎng)絡(luò)時需要確定節(jié)點(diǎn)數(shù)，因?yàn)楣?jié)點(diǎn)數(shù)和網(wǎng)絡(luò)功能有必然的聯(lián)系，但是不能說節(jié)點(diǎn)數(shù)越高作用越大，如果某些層面的節(jié)點(diǎn)數(shù)增多會給網(wǎng)絡(luò)造成不必要的問題，當(dāng)然，節(jié)點(diǎn)數(shù)也要保持一定的數(shù)量，如果過少會大大影響容錯性能。在進(jìn)行網(wǎng)絡(luò)設(shè)計(jì)時，應(yīng)使實(shí)際狀況和主觀判斷相互結(jié)合，對不同環(huán)節(jié)進(jìn)行數(shù)字的表達(dá)。

4.3 計(jì)算機(jī)網(wǎng)絡(luò)安全評價(jià)

計(jì)算機(jī)網(wǎng)絡(luò)安全評價(jià)模型，對網(wǎng)絡(luò)安全評價(jià)的具體步驟分為幾個方面：（1）構(gòu)建計(jì)算機(jī)網(wǎng)絡(luò)安全評價(jià)體系；（2）使用粒子群優(yōu)化算法優(yōu)化BP神經(jīng)系統(tǒng)，克服BP神經(jīng)網(wǎng)絡(luò)自身局限性。

優(yōu)化方法：（1）將BP網(wǎng)絡(luò)的目標(biāo)向量、傳遞函數(shù)和結(jié)構(gòu)等初始化；（2）對粒子群的初始速度、初始位置、動量系數(shù)、迭代次數(shù)、參數(shù)維數(shù)和規(guī)模等進(jìn)行設(shè)置；（3）利用粒子群訓(xùn)練集訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，評價(jià)適應(yīng)度值；（4）將每個粒子的歷史，最好的適應(yīng)度值與當(dāng)前適應(yīng)度值相比較，如果當(dāng)前適應(yīng)度值比歷史最好的適應(yīng)度值優(yōu)，則將粒子當(dāng)前適應(yīng)度值保存，作為個體粒子歷史最好的適應(yīng)度值；（5）計(jì)算粒子的慣性權(quán)值。

（6）各個粒子速度和位置進(jìn)行更新，每個粒子與粒子群之間的系統(tǒng)適應(yīng)度值誤差，應(yīng)當(dāng)分別記錄；（7）對系統(tǒng)適應(yīng)度值誤差進(jìn)行判斷，當(dāng)誤差超過允許的最大迭代次數(shù)，或達(dá)到已經(jīng)設(shè)定好的誤差限值，結(jié)束訓(xùn)練。粒子的全局歷史，最優(yōu)位置就是BP神經(jīng)網(wǎng)絡(luò)的最優(yōu)閾值和最佳權(quán)值。利用優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)模型，對計(jì)算機(jī)網(wǎng)絡(luò)安全進(jìn)行評價(jià)。

5 結(jié)束語

由此可以看出，隨著信息化時代的到來，網(wǎng)絡(luò)運(yùn)用越來越廣泛，網(wǎng)絡(luò)安全問題也是人們需要克服的一大難題，所以在對網(wǎng)絡(luò)進(jìn)行網(wǎng)絡(luò)評價(jià)時應(yīng)采用神經(jīng)網(wǎng)絡(luò)這一科學(xué)手段，降低網(wǎng)絡(luò)的風(fēng)險(xiǎn)，加快網(wǎng)絡(luò)的更好發(fā)展。

參考文獻(xiàn)

[1] 李忠武，陳麗清.計(jì)算機(jī)網(wǎng)絡(luò)安全評價(jià)中神經(jīng)網(wǎng)絡(luò)的應(yīng)用研究[J]. 現(xiàn)代電子技術(shù)，2014，10：80-82.

[2] 鄭剛.計(jì)算機(jī)網(wǎng)絡(luò)安全評價(jià)中神經(jīng)網(wǎng)絡(luò)的應(yīng)用研究[J].網(wǎng)絡(luò)安全技術(shù)與應(yīng)用，2014，09：55+57.

[3] 耿仲華.計(jì)算機(jī)網(wǎng)絡(luò)安全評價(jià)中對于神經(jīng)網(wǎng)絡(luò)的應(yīng)用探究[J].網(wǎng)絡(luò)安全技術(shù)與應(yīng)用，2014，09：87-88.

[4] 武仁杰.神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)網(wǎng)絡(luò)安全評價(jià)中的應(yīng)用研究[J].計(jì)算機(jī)仿真，2011，11：126-129.

作者簡介：

篇10

關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò)；概算；BP

中圖分類號：TP183文獻(xiàn)標(biāo)識碼： A

一、人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于建設(shè)項(xiàng)目概算的重要意義

（一）人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)就是由許多神經(jīng)元互連在一起所組成的神經(jīng)結(jié)構(gòu)，把神經(jīng)元之間相互作用的關(guān)系進(jìn)行數(shù)學(xué)模型化就可以得到神經(jīng)網(wǎng)絡(luò)模型。人工神經(jīng)網(wǎng)絡(luò)是一種非常復(fù)雜的非線性的動態(tài)分析系統(tǒng)。它模擬人腦的神經(jīng)功能分層由單個神經(jīng)元非線性地、復(fù)雜地組合成一個網(wǎng)絡(luò)系統(tǒng)。當(dāng)某一問題的求解過程可描述為若干個有一定內(nèi)在聯(lián)系，又無法用解析法表達(dá)其內(nèi)在關(guān)系的各個輸入因子與輸出因子的關(guān)系時，將輸入、輸出因子作為樣本進(jìn)入神經(jīng)元網(wǎng)絡(luò)結(jié)構(gòu)，網(wǎng)絡(luò)系統(tǒng)會對各個輸入、輸出因子的因果關(guān)系作一番認(rèn)識和學(xué)習(xí)，建立起各神經(jīng)元之間的連接強(qiáng)度(即權(quán)值)閥值。這樣學(xué)習(xí)后生成的人工神經(jīng)元網(wǎng)絡(luò)系統(tǒng)，仿佛具有了人腦解決這一問題的技能。當(dāng)輸入一組新的參數(shù)它可以給出這個領(lǐng)域?qū)＜艺J(rèn)為應(yīng)該輸出的數(shù)值。

（二）建設(shè)項(xiàng)目概算應(yīng)用神經(jīng)網(wǎng)絡(luò)的必要性

電網(wǎng)建設(shè)工程造價(jià)是組成電網(wǎng)的各分項(xiàng)工程的價(jià)格總和，而各分項(xiàng)工程的價(jià)格則取決于其工程量的大小和單價(jià)的高低。以往工程造價(jià)的計(jì)算是由造價(jià)編制人員算出各分項(xiàng)工程量，分別乘以其單價(jià)。由于組成電網(wǎng)的分項(xiàng)工程數(shù)量多，工程量的計(jì)算非常繁瑣，計(jì)算時間占造價(jià)計(jì)算總時間的90%以上，所以計(jì)算結(jié)果容易出現(xiàn)誤差。這表明造價(jià)計(jì)算的重點(diǎn)和難點(diǎn)在于工程量的計(jì)算。

一個有豐富經(jīng)驗(yàn)的造價(jià)師，根據(jù)工程類型、特征及其相關(guān)情況，參照以往經(jīng)驗(yàn)和工程數(shù)據(jù)資料，就能大致概算出造價(jià)，而無需進(jìn)行大量繁雜計(jì)算，而且經(jīng)驗(yàn)越豐富，資料積累越多，格算的造價(jià)就越準(zhǔn)確，模仿這種大腦思維模式，正是人工神經(jīng)網(wǎng)絡(luò)所擅長的。神經(jīng)網(wǎng)絡(luò)模型通用性、適應(yīng)性強(qiáng)，它不但不排斥新樣本，相反它會隨著樣本數(shù)的不斷增加而提高自身的概括能力和預(yù)測能力，這正好滿足了建立造價(jià)信息系統(tǒng)的要求--動態(tài)地、自適應(yīng)地從眾多已完工程中提取有用信息，進(jìn)行預(yù)測并輔助決策，由于電網(wǎng)工程的單件性，一般不存在兩個完全一樣的工程，但許多工程之間存在著某種程度的相似性，造價(jià)估計(jì)分析的基本原理就是建立在電網(wǎng)工程的相似性基礎(chǔ)上，對于某個欲估工程，首先從分析電網(wǎng)類型和工程特征入手，再從數(shù)目眾多的同類已竣工的工程中找出與預(yù)估項(xiàng)目最相似的若干個工程，然后利用這些相似電網(wǎng)項(xiàng)目的造價(jià)資料作為原始數(shù)據(jù)進(jìn)行推理，最后得到擬建電網(wǎng)的造價(jià)及其他有關(guān)數(shù)據(jù)。

二、BP網(wǎng)絡(luò)

（一）BP網(wǎng)絡(luò)算法

神經(jīng)網(wǎng)絡(luò)在目前已有幾十種不同的模型，在人們提出的幾十種神經(jīng)網(wǎng)絡(luò)模型中，人們較多用的是Hopfield網(wǎng)絡(luò)、BP網(wǎng)絡(luò)、Kohonen網(wǎng)絡(luò)和ART(白適應(yīng)共振理論)網(wǎng)絡(luò)。其中BP網(wǎng)絡(luò)是反向傳播(BackPropagation)網(wǎng)絡(luò)，它是一種多層前向網(wǎng)絡(luò)，采用最小均方差學(xué)習(xí)方式，這是一種最廣泛應(yīng)用的網(wǎng)絡(luò)。

BP算法的學(xué)習(xí)過程是由正向傳播和反向傳播兩個過程組成。在正傳播過程中,輸入信息從輸入層經(jīng)隱含層逐層傳遞、處理,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期望輸出,則轉(zhuǎn)入反向傳播過程,將誤差信號沿原來的連接通路返回,通過修改各層間連結(jié)權(quán)的值,逐次地向輸入層傳播,再經(jīng)過正向傳播過程,兩個過程的反復(fù)運(yùn)用使得誤差不斷減小至滿足要求。其模型可以表示為:

單隱層BP網(wǎng)絡(luò)有三部分組成:輸入層,輸入向量:

X=(x1x2,...,x1,...,xn)T

隱含層:

輸出層:

期望輸出向量為:

d=(d1,d2,...,dk...,dl)T

輸入層到隱含層之間的權(quán)值矩陣用V表示:V=(v1,v2,...,vj,󰀁vm)T

隱含層到輸出層之間的權(quán)值矩陣用W表示:W=(w1,w2,...,wk,...,wl)T

轉(zhuǎn)移函數(shù)采用tansig函數(shù):

F(n)=2/(1+exp(-2*))-1

準(zhǔn)則函數(shù)(誤差):

權(quán)值的調(diào)整量:�

;

反向傳播計(jì)算公式,可得如下權(quán)系數(shù)學(xué)習(xí)規(guī)律:

（二）BP神經(jīng)網(wǎng)絡(luò)的利弊分析及相關(guān)建議

BP算法樣本訓(xùn)練失敗的可能性較大，原因有以下幾點(diǎn)：

（1）從數(shù)學(xué)角度看，BP算法為一種局部搜索的優(yōu)化方法，但它要解決的問題是求解復(fù)雜非線性函數(shù)的全局極值，因此，算法很有可能陷入局部極值，使訓(xùn)練失??；

（2）網(wǎng)絡(luò)的逼近、推廣能力完全取決于學(xué)習(xí)樣本的典型性。而對學(xué)習(xí)樣本的選取并組成訓(xùn)練集則是相當(dāng)困難的問題。

（3）難以解決應(yīng)用問題的實(shí)例規(guī)模和網(wǎng)絡(luò)規(guī)模間的矛盾。實(shí)例規(guī)模與網(wǎng)絡(luò)規(guī)?？偸谴嬖谥艽蟛町?，網(wǎng)絡(luò)容量也是有著自己的局限性，當(dāng)實(shí)例規(guī)模超出網(wǎng)絡(luò)容量時，BP算法會失敗。

基于前文所給出的BP網(wǎng)絡(luò)技術(shù)存在的利弊現(xiàn)象，結(jié)合工程造價(jià)實(shí)際情況，個人認(rèn)為，其弊端的解決方法可以概括為以下幾點(diǎn)：

（1）由于BP網(wǎng)絡(luò)技術(shù)在執(zhí)行較為復(fù)雜的目標(biāo)函數(shù)時會出現(xiàn)“崩潰”現(xiàn)象，即算法低效，函數(shù)圖象錯亂、超過網(wǎng)絡(luò)容量等等。所以造價(jià)人員在選擇需要用BP算法概算的工程時應(yīng)該注意工程的復(fù)雜性，對于那些過于龐大、復(fù)雜的工程不宜采用BP算法，以免出現(xiàn)系統(tǒng)錯亂。對于較為簡單、較為精簡的工程則可用BP算法進(jìn)行工程造價(jià)的概算。同時，也應(yīng)注意實(shí)例造價(jià)概算工程的規(guī)模與網(wǎng)絡(luò)實(shí)際承載規(guī)模的大小，對于網(wǎng)絡(luò)承載范圍之內(nèi)的，才宜采用BP算法。

（2）樣本數(shù)據(jù)的采集非常重要。BP算法的網(wǎng)絡(luò)預(yù)測能力是與訓(xùn)練能力呈正比的。因此，首先需要確定分解項(xiàng)目，分解項(xiàng)目應(yīng)選擇那些最能體現(xiàn)一個工程特征并且最能決定這個工程造價(jià)的關(guān)鍵因素，這樣才能正確定位這個工程的造價(jià)。其次，選擇的已建工程一定是要與待估工程有著較高的相似度。此處，可以進(jìn)行相似度估測，查看已建工程每個分項(xiàng)的隸屬度與待估工程隸屬度的差異，差異過大的樣本應(yīng)予以舍去。

（3）針對BP算法的“過擬合”現(xiàn)象，造價(jià)中需要注意的是選擇的樣本數(shù)量不宜過大。以防BP算法網(wǎng)絡(luò)學(xué)習(xí)了細(xì)節(jié)卻丟失了最重要的骨架――樣本內(nèi)部的規(guī)律，從而不能得出滿意的結(jié)果。

三、基于人工神經(jīng)網(wǎng)絡(luò)的送電線路工程造價(jià)概算

（一）送電線路工程造價(jià)估算模型建立

送電線路工程的造價(jià)受多個因素的相互影響，考慮下列因素作為影響著工程價(jià)格的主要因素，把它們列為神經(jīng)網(wǎng)絡(luò)的輸入單元，如圖l所示。設(shè)在某一電壓等級下的送電線路，考慮某種地形、氣象條件、架線回路、桿塔類型等基本因素的影響，把實(shí)際工程項(xiàng)目投資劃分為工地運(yùn)輸、土石方工程、基礎(chǔ)工程、桿塔工程、架線工程、附件工程等6個部分。根據(jù)測算出的每公里建筑安裝費(fèi)用，再加上其它費(fèi)用與資金成本，得出每公里的單位靜態(tài)投資造價(jià)，將這些指標(biāo)作為神經(jīng)網(wǎng)絡(luò)的輸出單元。

圖1 圖2

（二）工神經(jīng)網(wǎng)絡(luò)模型的建立和設(shè)計(jì)

BP網(wǎng)絡(luò)模型結(jié)構(gòu)的選擇主要涉及到輸入層、輸出層、隱含層神經(jīng)元數(shù)目的確定、學(xué)習(xí)算法的確定等。

1、神經(jīng)元數(shù)目的確立

輸人層：由上面送電線路工程概算體系結(jié)構(gòu)的分析，按影響因素層次，可得到13項(xiàng)主要指標(biāo)，也即是下面的輸入神經(jīng)元。

輸出層：輸出節(jié)點(diǎn)對應(yīng)于評價(jià)結(jié)果，在筆者建立的模型中，產(chǎn)生了7個相關(guān)指標(biāo)，分別代表著本體工程的6項(xiàng)投資金額和單位投資金額，因此選擇7個輸出神經(jīng)元節(jié)點(diǎn)。

隱含層：隱含層神經(jīng)元單元數(shù)的選擇與輸入輸出單元的多少都有直接關(guān)系。

在實(shí)際操作中，可參考下面經(jīng)驗(yàn)公式(1)確定。

n1=(1)

其中，m為輸出神經(jīng)元數(shù)；拓為輸入神經(jīng)元數(shù)；a為1～10間的常數(shù),形成的人工神經(jīng)網(wǎng)絡(luò)示意圖見圖2。

2、輸入輸出向量

（1）輸入向量

1)地形因秦

送電線路地形可能由5種地形組合而成，所討論的某地區(qū)基本是丘陵和山地組成，因此選擇它們作為2個輸入神經(jīng)元，以所占線路的百分比表示。

2)線型因素

主要包括導(dǎo)線和地線型號的選擇，參考限額設(shè)計(jì)指標(biāo)與實(shí)際采用的導(dǎo)線型號，對于110 kV線路，有LGJ―150／20、LGJ―185／25、LGJ一240／35、LGJ一300／35四種類型，依次選擇上述導(dǎo)線類型，將對應(yīng)量化值為1、2、3和4。在地線型號選擇中，選取GJ一35、GJ一50，對于量化值為1和2，導(dǎo)線和地線型號量化值作為2個輸入神經(jīng)元。

3)平均檔距

反映相鄰桿塔問的距離作為1個輸入神經(jīng)元。

4)桿塔數(shù)目

鐵塔數(shù)目和水泥桿數(shù)目對于造價(jià)影響重大，選擇鐵塔數(shù)和水泥桿數(shù)為2個輸入神經(jīng)元。

5)運(yùn)距

它包括人力運(yùn)距和汽車運(yùn)距兩部分，作為2個輸入神經(jīng)元。

6)土石方量

1個輸入神經(jīng)元。

7)金具

它包括掛線金具和拉線金具兩部分，作為2個輸入神經(jīng)元。

8)絕緣子

1個輸入神經(jīng)元。

（2）輸出向量

工地運(yùn)輸、土石方工程、基礎(chǔ)工程、桿塔工程、架線工程、附件工程、單位靜態(tài)投資。

參考文獻(xiàn)