導(dǎo)語：如何才能寫好一篇神經(jīng)網(wǎng)絡(luò)本質(zhì)，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：邊坡；自組織映射神經(jīng)網(wǎng)絡(luò)；BP神經(jīng)網(wǎng)絡(luò)；權(quán)值

中圖分類號：TU753.8

文獻(xiàn)標(biāo)識碼：B

文章編號：1008-0422(2008)05-0157-03

1引言

自從上世紀(jì)80年代以來，神經(jīng)網(wǎng)絡(luò)技術(shù)已經(jīng)得到了長足的發(fā)展。運(yùn)用強(qiáng)大的神經(jīng)網(wǎng)絡(luò)功能，可以對許多難以解決的問題求解。BP網(wǎng)絡(luò)現(xiàn)在已經(jīng)廣泛應(yīng)用于工程的各方面[1]，但是由于其自身的缺點(diǎn)，也存在很多問題。對于邊坡工程，由于測量手段、儀器、人的主觀性等原因，得出的數(shù)據(jù)不可避免的具有干擾性[2]，即用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)數(shù)據(jù)存在很大的噪聲，影響網(wǎng)絡(luò)的推廣及泛化能力[3]。

為了解決工程數(shù)據(jù)樣本在進(jìn)行網(wǎng)絡(luò)計(jì)算時(shí)噪聲較大的問題，本文闡述了一種新的方法，即：首先將邊坡樣本的數(shù)據(jù)歸一化到[-1，1]區(qū)間，實(shí)現(xiàn)對樣本的“獎優(yōu)罰劣”；然后利用自組織映射(SOM)神經(jīng)網(wǎng)絡(luò)對各學(xué)習(xí)樣本數(shù)據(jù)進(jìn)行分類，優(yōu)化BP網(wǎng)絡(luò)的初始狀態(tài)，從而有利于適度控制BP網(wǎng)絡(luò)求解的誤差范圍。

2SOM網(wǎng)絡(luò)過程的推導(dǎo)

自組織競爭的主要目的是將任意維數(shù)的輸入信號模式轉(zhuǎn)變?yōu)橐痪S或二維的離散映射，并且以拓?fù)溆行虻姆绞阶赃m應(yīng)實(shí)現(xiàn)這個(gè)轉(zhuǎn)變[4]。本文采用Kohonen模型推導(dǎo)適合用于工程樣本分類的自組織競爭神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

2.1 競爭過程

令m表示輸入數(shù)據(jù)的維數(shù)。從輸入空間中隨機(jī)選擇輸入模式記為

(1)

網(wǎng)絡(luò)中每個(gè)神經(jīng)元的突觸權(quán)值向量和輸入空間的維數(shù)相同。神經(jīng)元j的突觸權(quán)值向量記為

(2)

其中是網(wǎng)絡(luò)中神經(jīng)元的總數(shù)。這里假定所有的神經(jīng)元有相同的閾值；閾值是偏置取負(fù)。在通過選擇具有最大內(nèi)積WjTX的神經(jīng)元，確定興奮神經(jīng)元的拓?fù)溧徲蛑行牡奈恢谩?/p>

因?yàn)榛趦?nèi)積WjTX最大化的最優(yōu)化匹配準(zhǔn)則在數(shù)學(xué)上等價(jià)于向量X和Wj的Euclid距離的最小化。用標(biāo)號i(x)表示最優(yōu)匹配輸入向量x的神經(jīng)元，可以通過下列條件確定i(x)：

(3)

2.2 合作過程

設(shè)hj,i表示以獲勝神經(jīng)元i為中心的拓?fù)溧徲颍O(shè)di,j表示在獲勝神經(jīng)元i和興奮神經(jīng)元j的側(cè)向距離。它們必須滿足的條件為：

1) 當(dāng)di,j=0時(shí)，hj,i達(dá)到最大值；

2) hj,i隨di,j絕對值的增加而單調(diào)遞減；

3) di,j∞，hj,i= 0。

本文選取高斯函數(shù)滿足以上條件，即：

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

som算法中hj,i的寬度σ是隨時(shí)間的推移而收縮的，這里設(shè)定一個(gè)指數(shù)函數(shù)來描述這一衰減過程：

其中σ0是σ的初值，τ1是時(shí)間常數(shù)。將式(4)代入式(5)中可得：

2.3 自適應(yīng)過程

由Kohonen模型可知網(wǎng)絡(luò)中神經(jīng)元j的權(quán)值向量表示為：

式中：η是算法的學(xué)習(xí)率；g(yj)是響應(yīng)yj的正的標(biāo)量函數(shù)；wj是神經(jīng)元j的突觸權(quán)值向量。

這里將g(yj)設(shè)定成一個(gè)線性函數(shù)以簡化計(jì)算：

將式(7)和式(8)代入式(9)可得：

由此可得更新權(quán)值向量wj(n+1)為：

為了得到更好的網(wǎng)絡(luò)性能，可以將學(xué)習(xí)率函數(shù)η(n)設(shè)定成時(shí)變形式，這也是它用于隨機(jī)逼近的要求。η(n)和hj,i一樣，從初始值開始，然后隨時(shí)間n增加而逐漸遞減。因此將它設(shè)定為一個(gè)指數(shù)函數(shù)：

其中τ2是另外一個(gè)時(shí)間參數(shù)。

3自適應(yīng)過程的排序和收斂

根據(jù)式(11)，可以把網(wǎng)絡(luò)權(quán)值的自適應(yīng)分解為排序和收斂兩個(gè)階段。要求對上述公式中的參數(shù)進(jìn)行合適的設(shè)定。

3.1排序階段

3.1.1學(xué)習(xí)率函數(shù)η(n)初始值η0=0.1；然后遞減，但應(yīng)該大于0.01;并設(shè)定時(shí)間常數(shù)τ2=1000。

3.1.2鄰域函數(shù)hj,i (n)的初始化應(yīng)包括以獲勝神經(jīng)元i為中心的所有神經(jīng)元，然后隨時(shí)間慢慢收縮。這里通過設(shè)定時(shí)間常數(shù)τ1=1000/logσ0來實(shí)現(xiàn)。

3.2收斂階段

3.2.1當(dāng)學(xué)習(xí)率η0.01。

3.2.2鄰域函數(shù)hj,i (x)應(yīng)該僅包括獲勝神經(jīng)元的最近鄰域，并最終減小到一個(gè)或零個(gè)鄰域神經(jīng)元。

4無量綱化方法的選用

邊坡穩(wěn)定性受到多種因素的影響，在分析各影響因素時(shí)，由于各分指標(biāo)具有不同的量綱，且類型不同，故指標(biāo)間具有不可共度性，難以進(jìn)行直接比較，因此在綜合評價(jià)前必須把這些分指標(biāo)按某種效用函數(shù)歸一化到某一無量綱區(qū)間[5]。顯然，構(gòu)造不同的效用函數(shù)將直接影響最終的評價(jià)結(jié)果，因此效用函數(shù)的構(gòu)造十分重要。

設(shè)P={P1,P2,???,PM}是評估對象集，Z={Z1,Z2,???,ZM}是綜合評價(jià)指標(biāo)體系中的n個(gè)分指標(biāo)，評價(jià)指標(biāo)矩陣X如下：

式中，Xij代表第i個(gè)評估對象的第j個(gè)分指標(biāo)值。記第j個(gè)分指標(biāo)Zj的平均值 ，

則將原始指標(biāo)值按以下公式(3.7)轉(zhuǎn)換到[-1,1]區(qū)間上的效用函數(shù)值Xij。

5實(shí)例及算法檢驗(yàn)

將資料收集到的57個(gè)邊坡樣本[6~8]作為學(xué)習(xí)樣本，數(shù)據(jù)從略，并將原始數(shù)據(jù)歸一化到[-1，1]區(qū)間之后的邊坡樣本作為SOM網(wǎng)絡(luò)的輸入向量。

現(xiàn)在取目標(biāo)邊坡如表1所示：

將待求邊坡樣本歸一化后與其它邊坡樣本一起輸入到已經(jīng)訓(xùn)練好的SOM網(wǎng)絡(luò)進(jìn)行分類，可以得到與這兩組邊坡樣本相近的樣本集合。

網(wǎng)絡(luò)學(xué)習(xí)1000次后分類結(jié)果如圖1所示,其中箭頭所指的兩個(gè)樣本即為目標(biāo)邊坡在分類結(jié)果中所處的位置，它們的網(wǎng)絡(luò)分類數(shù)值為57、81。對于56號樣本，可以取分類數(shù)值為39~76之間的17個(gè)樣本作為其學(xué)習(xí)樣本；57號樣本可以取分類數(shù)值為62~100之間的18個(gè)樣本作為其學(xué)習(xí)樣本。它們的學(xué)習(xí)樣本集合見表2。

為了驗(yàn)證SOM網(wǎng)絡(luò)對邊坡樣本的歸類確實(shí)能夠提高網(wǎng)絡(luò)的性能，本文利用BP網(wǎng)絡(luò)設(shè)計(jì)了兩個(gè)試驗(yàn)：

試驗(yàn)(1)：用SOM網(wǎng)絡(luò)歸類后的學(xué)習(xí)樣本分別對兩組目標(biāo)邊坡進(jìn)行求解，然后觀察其網(wǎng)絡(luò)性能；

試驗(yàn)(2)：用已得的全部55組邊坡樣本中的前20組樣本作為BP網(wǎng)絡(luò)的學(xué)習(xí)樣本，對兩組目標(biāo)邊坡求解，然后觀察其網(wǎng)絡(luò)性能。

因?yàn)榇颂巸H用來驗(yàn)證SOM網(wǎng)絡(luò)的歸類結(jié)果，所以兩組試驗(yàn)所用的BP網(wǎng)絡(luò)模型用同一初始設(shè)置。初始網(wǎng)絡(luò)權(quán)值為(-1,1)之間的隨機(jī)值、學(xué)習(xí)速率0.1、隱含層個(gè)數(shù)為1，隱含層單元數(shù)12。

在試驗(yàn)1中，網(wǎng)絡(luò)在對樣本學(xué)習(xí)了4000次左右的時(shí)候，達(dá)到了收斂。網(wǎng)絡(luò)性能可以在圖2、圖3、圖4、圖5中看到。

試驗(yàn)2，將55組邊坡樣本的前20組樣本作為網(wǎng)絡(luò)的學(xué)習(xí)樣本。網(wǎng)絡(luò)結(jié)果分析及誤差分布如圖6、圖7所示：

從以上兩個(gè)試驗(yàn)的結(jié)果可以看到，試驗(yàn)1的網(wǎng)絡(luò)結(jié)果明顯要好于試驗(yàn)2；試驗(yàn)1中兩個(gè)網(wǎng)絡(luò)的誤差也均較試驗(yàn)2中的網(wǎng)絡(luò)誤差要小。這就證明經(jīng)過SOM網(wǎng)絡(luò)分類得到的目標(biāo)樣本確實(shí)能夠提高網(wǎng)絡(luò)的泛化、推廣能力，而且分類之后BP網(wǎng)絡(luò)的學(xué)習(xí)次數(shù)也較不分類時(shí)要少。

6結(jié)論

實(shí)際工程中，由于測量手段、儀器、人的主觀性等原因，得出的數(shù)據(jù)不可避免的具有干擾性，造成以往的邊坡樣本數(shù)據(jù)對網(wǎng)絡(luò)的學(xué)習(xí)形成很大的噪聲。

6.1本文推導(dǎo)的自組織映射神經(jīng)網(wǎng)絡(luò)過程，可以自動對外界未知環(huán)境進(jìn)行學(xué)習(xí)和仿真，適用于對邊坡樣本進(jìn)行歸類。

6.2本文所述的方法可以剔除一些隱含的網(wǎng)絡(luò)干擾太大的樣本，通過對學(xué)習(xí)樣本的選擇提高BP神經(jīng)網(wǎng)絡(luò)的計(jì)算精度。

6.3通過對55個(gè)邊坡樣本進(jìn)行分析計(jì)算，相對于將不分類樣本作為學(xué)習(xí)樣本的同一BP神經(jīng)網(wǎng)絡(luò)，本文所述的方法能得到精度更高的近似解。

6.4由于神經(jīng)網(wǎng)絡(luò)方法的局限性，本文所述的方法不能反映邊坡樣本之間的實(shí)際區(qū)分界線，且計(jì)算中各參數(shù)的物理意義不明確。

參考文獻(xiàn)：

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

[2] 楊建剛.人工神經(jīng)網(wǎng)絡(luò)實(shí)用教程[M].杭州:浙江大學(xué)出版社.2001：41~58.

[3] 何翔，劉迎曦.巖土邊坡穩(wěn)定性預(yù)報(bào)的人工神經(jīng)網(wǎng)絡(luò)方法[J].巖土力學(xué),2003.10:32~34.

[4] 羅四維.大規(guī)模人工神經(jīng)網(wǎng)絡(luò)理論基礎(chǔ)[M].北京:清華大學(xué)出版社，北方交通大學(xué)出版社.2004.57~70.

[5] 李炳軍，朱春陽，周杰.原始數(shù)據(jù)無量綱化處理對灰色關(guān)聯(lián)序的影響[J].河南農(nóng)業(yè)大學(xué)學(xué)報(bào).2002.36(2):199~202.

[6] 吳建生，金龍.遺傳算法BP神經(jīng)網(wǎng)絡(luò)的預(yù)報(bào)研究和應(yīng)用[J].數(shù)學(xué)的實(shí)踐與認(rèn)識,2005.1(1):12~15.

[7] 熊海豐.基于神經(jīng)網(wǎng)絡(luò)技術(shù)的邊坡穩(wěn)定性評價(jià)[D].武漢理工大學(xué),2003.

篇2

隨著社會工業(yè)化速度的不斷加速，能源的競爭愈來愈激烈。生物質(zhì)能源作為一種可再生的清潔能源被廣泛認(rèn)可，生物氣化技術(shù)就是利用生物質(zhì)能的一種有效手段，對經(jīng)濟(jì)的發(fā)展和環(huán)境的保護(hù)都起到積極作用。但是，生物氣化技術(shù)是一種熱化學(xué)處理技術(shù)，其工作過程十分復(fù)雜，包含著大量的不確定因素，這就需要運(yùn)用生物質(zhì)氣化爐的智能控制系統(tǒng)來達(dá)到預(yù)期的控制效果。新形勢下，積極運(yùn)用模糊神經(jīng)網(wǎng)絡(luò)對生物質(zhì)氣化爐進(jìn)行智能控制，是實(shí)現(xiàn)可靠控制效果的重要舉措。

【關(guān)鍵詞】模糊神經(jīng)網(wǎng)絡(luò) 生物質(zhì)氣化爐 智能控制

生物質(zhì)氣化過程是一項(xiàng)復(fù)雜化學(xué)反應(yīng)過程，具有非線性、不穩(wěn)定性、負(fù)荷干擾等特性，只有實(shí)行智能控制才能受到良好的控制效果。模糊神經(jīng)網(wǎng)絡(luò)作為智能研究比較活躍的領(lǐng)域，有效融合了神經(jīng)網(wǎng)絡(luò)和模糊理論的優(yōu)點(diǎn)，能夠有效的解決生物質(zhì)氣化過程中的非線性、模糊性等問題，既保證控制的精確度，又能進(jìn)行快速地升降溫。本文通過對模糊神經(jīng)網(wǎng)絡(luò)的內(nèi)涵特征進(jìn)行全面分析，闡述了基于模糊神經(jīng)網(wǎng)絡(luò)的生物質(zhì)氣化爐的智能控制，并通過仿真實(shí)驗(yàn)進(jìn)行反復(fù)驗(yàn)證。

1 模糊神經(jīng)網(wǎng)絡(luò)的內(nèi)涵功能

簡而言之模糊神經(jīng)網(wǎng)絡(luò)就是具有模糊權(quán)值和輸入信號的神經(jīng)網(wǎng)絡(luò)。模糊神經(jīng)網(wǎng)絡(luò)是自動化控制領(lǐng)域內(nèi)一門新興技術(shù)，其本質(zhì)上是將常規(guī)的神經(jīng)網(wǎng)絡(luò)輸入模糊信號，因而模糊神經(jīng)網(wǎng)絡(luò)具備了模糊系統(tǒng)和神經(jīng)網(wǎng)絡(luò)的優(yōu)勢，集邏輯推理、語言計(jì)算等能力于一身，具有學(xué)習(xí)、聯(lián)想、模糊信息處理等功能。模糊神經(jīng)網(wǎng)絡(luò)是智能控制和自動化不斷發(fā)展的產(chǎn)物，在充分利用神經(jīng)網(wǎng)絡(luò)的并行處理能力的基礎(chǔ)上，大大提高了模糊系統(tǒng)的推理能力。

模糊神經(jīng)網(wǎng)絡(luò)是科技發(fā)展的產(chǎn)物，有效吸收了神經(jīng)網(wǎng)絡(luò)系統(tǒng)和模糊系統(tǒng)的優(yōu)點(diǎn)，在智能控制和自動化發(fā)展等方面有著重要的作用，能夠有效地處理非線性、模糊性等諸多問題，在處理智能信息方面能夠發(fā)揮巨大潛力。模糊神經(jīng)網(wǎng)絡(luò)形式多種多樣，主要包括邏輯模糊神經(jīng)網(wǎng)絡(luò)、算術(shù)模糊神經(jīng)網(wǎng)絡(luò)、混合模糊神經(jīng)網(wǎng)絡(luò)等多種類型，被廣泛的運(yùn)用于模糊回歸、模糊控制器、模糊譜系分析、通用逼近器等方面的研究中，隨著智能控制和自動化領(lǐng)域的不斷發(fā)展，模糊神經(jīng)網(wǎng)絡(luò)廣泛應(yīng)用于智能控制領(lǐng)域。

2 基于模糊神經(jīng)網(wǎng)絡(luò)的生物質(zhì)氣化爐的智能控制系統(tǒng)

2.1 溫度智能控制系統(tǒng)

生物質(zhì)熱值、給料理以及一次風(fēng)量等因素變化能夠影響到生物質(zhì)氣化爐的爐溫，但是最重要的影響因素是在氣化爐工作過程中物料物理和化學(xué)反應(yīng)的放熱和吸熱。由于生物質(zhì)氣化工作過程中的生物質(zhì)熱值的變化范圍較小，在實(shí)際運(yùn)行中很難測量與控制，有時(shí)可以忽略不計(jì)，同時(shí)，該工作過程中存在非線性和大滯后等問題，采用傳統(tǒng)的數(shù)學(xué)模型達(dá)不到預(yù)期測量效果，因此需要利用模糊神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)氣化爐爐溫控制系統(tǒng)，不斷的提高溫度的控制效果。模糊神經(jīng)網(wǎng)絡(luò)首先根據(jù)當(dāng)前溫度以及設(shè)定溫度設(shè)，主控制器對最優(yōu)的生物質(zhì)物料添加量進(jìn)行預(yù)測，然后由副控制根據(jù)該添加量，全面跟蹤控制送料速度，從而能夠進(jìn)行精確上料和控制爐溫。模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)十分龐大復(fù)，其中包含了大量錯(cuò)綜復(fù)雜的神經(jīng)元，蘊(yùn)含對非線性的可微分函數(shù)訓(xùn)練權(quán)值的基本理念。模糊神經(jīng)網(wǎng)絡(luò)具有正向傳遞和反向傳播兩個(gè)不同的功能，在信息的正向傳遞中，采用逐步運(yùn)算的方式對輸入的數(shù)據(jù)信息進(jìn)行處理，信息依次進(jìn)入輸入層、隱含層最終到達(dá)輸出層。假如在輸出層獲得的輸出信息沒達(dá)到預(yù)期效果時(shí)，就會在計(jì)算輸出層的偏差變化值后通過網(wǎng)絡(luò)將偏差信號按原路反向傳回，與此同時(shí)各層神經(jīng)元的權(quán)值也會隨之進(jìn)行改變，直到符合預(yù)期的控制效果。

2.2 含氧量智能控制系統(tǒng)

在生物質(zhì)氣化工作過程中，可燃?xì)怏w的含氧量是衡量其生產(chǎn)質(zhì)量的重要依據(jù)，能夠嚴(yán)重影響氣化產(chǎn)物的安全使用，因此，通過模糊神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)生物質(zhì)氣化爐含氧量的智能控制十分重要。其含氧量智能控制系統(tǒng)的目的是為了合理控制可燃?xì)怏w的含氧量，從而穩(wěn)定氣化爐的溫度。但是，一次風(fēng)進(jìn)風(fēng)量是影響可燃?xì)怏w的含氧量的重要因素，所以可以把控制一次風(fēng)量作為主要調(diào)節(jié)手段，有效地解決含氧量控制和爐溫控制之間的矛盾，在控制爐溫的前提條件下，最大程度地降低可燃?xì)怏w含氧量，進(jìn)而有效控制氣化產(chǎn)物含氧量的。生物質(zhì)氣化爐含氧量的智能控制系統(tǒng)是嚴(yán)格運(yùn)用模糊神經(jīng)網(wǎng)絡(luò)控制原理，主控制器采用溫度模糊免疫 PID控制，根據(jù)爐內(nèi)含氧量和溫度的偏差進(jìn)行推算，查找出鼓風(fēng)機(jī)轉(zhuǎn)速的最優(yōu)狀態(tài)，副控制則以此為根據(jù)，全面跟隨與控制鼓風(fēng)機(jī)的速度，確保鼓風(fēng)機(jī)轉(zhuǎn)速。生物質(zhì)氣化爐工作過程中的不同階段和部件具有不同的控制要求，模糊神經(jīng)網(wǎng)絡(luò)就要充分發(fā)揮被控對象的優(yōu)良性能，根據(jù)不同的控制要求，合理運(yùn)用模糊神經(jīng)網(wǎng)絡(luò)控制原理對 PID參數(shù)模型中的數(shù)據(jù)信息進(jìn)行在線修改，從而達(dá)到預(yù)期的控制效果。

3 基于模糊神經(jīng)網(wǎng)絡(luò)的生物質(zhì)氣化爐智能控制系統(tǒng)的仿真實(shí)驗(yàn)

為了驗(yàn)證運(yùn)用模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行生物質(zhì)氣化爐的智能控制的真實(shí)效果，對生物質(zhì)氣化爐的溫度智能控制系統(tǒng)進(jìn)行仿真實(shí)驗(yàn)，并進(jìn)行詳細(xì)地分析。為了保證生物質(zhì)氣化爐能夠在條件大體一致的狀態(tài)下進(jìn)行運(yùn)行狀況，仿真實(shí)驗(yàn)可以采用組合預(yù)測算法。首先要到某廠氣化爐現(xiàn)場采集2000組干燥層溫度數(shù)據(jù)，并且從中選取連續(xù)1500組作為仿真實(shí)驗(yàn)樣本數(shù)據(jù)，然后對剩余500組實(shí)驗(yàn)樣本數(shù)據(jù)進(jìn)行研究，通過兩組數(shù)據(jù)的分析建立預(yù)測模型。然后采用模糊神經(jīng)網(wǎng)絡(luò)對生物質(zhì)氣化爐的溫度控制系統(tǒng)進(jìn)行三次模擬化實(shí)驗(yàn)，三種不同情況下的仿真試驗(yàn)結(jié)果為：在無外界任何干擾的情況下，模糊神經(jīng)網(wǎng)絡(luò)控制無論在超調(diào)量還是其他方面，都比單純的模糊控制效果好；在生物質(zhì)給料量擾動的情況下，模糊神經(jīng)網(wǎng)絡(luò)控制要比單純的模糊控制所受的影響要小很多；在發(fā)生一次風(fēng)量攪動的情況下，模糊神經(jīng)網(wǎng)絡(luò)控制仍受到極小的影響。從三種不同情況下的仿真試驗(yàn)中可以看出基于模糊神經(jīng)網(wǎng)絡(luò)的生物質(zhì)氣化爐的爐溫智能控制系統(tǒng)效果較好，具有極強(qiáng)的抗干擾性，能夠有效地預(yù)測氣化爐溫度實(shí)時(shí)值，把平均誤差控制在很小范圍內(nèi)，并且智能控制系統(tǒng)能實(shí)時(shí)跟蹤實(shí)際溫度的變化，根據(jù)實(shí)際溫度的變化做出相應(yīng)的變化，從而能夠有效地控制氣化爐溫度和可燃?xì)怏w含氧量。

4 結(jié)束語

總之，基于模糊神經(jīng)網(wǎng)絡(luò)的生物質(zhì)氣化爐的智能控制系統(tǒng)具有較好的控制效果，有效的解決了生物質(zhì)氣化過程中的一系列問題，能夠十分精確地控制生物質(zhì)氣化爐的爐溫及可燃?xì)怏w的含氧量，對于保證社會經(jīng)濟(jì)的穩(wěn)定發(fā)展以及生態(tài)環(huán)境的改善發(fā)揮了重要作用。

參考文獻(xiàn)

[1]王春華.基于模糊神經(jīng)網(wǎng)絡(luò)的生物質(zhì)氣化爐的智能控制[J].動力工程，2009（09）：828-830.

[2]王中賢.熱管生物質(zhì)氣化爐的模擬與試驗(yàn)[J].江蘇大學(xué)學(xué)報(bào)：自然科學(xué)版，2008，29（6）：512-515.

篇3

關(guān)鍵詞經(jīng)濟(jì)活動預(yù)測模型人工神經(jīng)網(wǎng)絡(luò)

經(jīng)濟(jì)活動諸如商品價(jià)格走勢、生產(chǎn)活動的產(chǎn)量預(yù)測、加工的投入產(chǎn)出分析、工廠的成本控制等方面都是重要的技術(shù)經(jīng)濟(jì)層面。定量化的經(jīng)濟(jì)活動分析是經(jīng)濟(jì)學(xué)研究的必由之路，而建模是量化分析的基礎(chǔ)，這是因?yàn)槟Ｐ蜑榭茖W(xué)分析和質(zhì)量、成本等控制提供了理論依據(jù)。本文針對經(jīng)濟(jì)活動中大多數(shù)研究對象都具有的非線性特點(diǎn)，給出了用人工神經(jīng)網(wǎng)絡(luò)（ArtificialNerveNetwork）模型建立經(jīng)濟(jì)活動的預(yù)測模型的原理和方法，并描述了神經(jīng)網(wǎng)絡(luò)與各種先進(jìn)的建模方法相結(jié)合的模型化方法，為經(jīng)濟(jì)活動的分析、預(yù)測與控制提供了理論基礎(chǔ)。

1神經(jīng)網(wǎng)絡(luò)模型方法

現(xiàn)實(shí)的經(jīng)濟(jì)系統(tǒng)是一個(gè)極其復(fù)雜的非線性系統(tǒng)，客觀上要求建立非線性模型。傳統(tǒng)上使用回歸與自回歸模型刻畫的都是線性關(guān)系，難于精確反映因變量的變化規(guī)律，也終將影響模型的擬合及預(yù)報(bào)效果。為揭示隱含于歷史記錄中的復(fù)雜非線性關(guān)系必須借助更先進(jìn)的方法———人工神經(jīng)網(wǎng)絡(luò)(ANN)方法。

人工神經(jīng)網(wǎng)絡(luò)具有并行處理、自適應(yīng)、自組織、聯(lián)想記憶及源于神經(jīng)元激活函數(shù)的壓扁特性的容錯(cuò)和魯棒性等特點(diǎn)。數(shù)學(xué)上已經(jīng)證明，神經(jīng)網(wǎng)絡(luò)可以逼近所有函數(shù)，這意味著神經(jīng)網(wǎng)絡(luò)能逼近那些刻畫了樣本數(shù)據(jù)規(guī)律的函數(shù)，且所考慮的系統(tǒng)表現(xiàn)的函數(shù)形式越復(fù)雜，神經(jīng)網(wǎng)絡(luò)這種特性的作用就越明顯。

在各類神經(jīng)網(wǎng)絡(luò)模型中，BP（Back－Propagation誤差后向傳播）神經(jīng)網(wǎng)絡(luò)模型是最常用的也是最成熟的模型之一。本質(zhì)上，BP模型是對樣本集進(jìn)行建模，即建立對應(yīng)關(guān)系RmRn,xk∈Rm,ykRn。數(shù)學(xué)上，就是一個(gè)通過函數(shù)逼近擬合曲線/曲面的方法，并將之轉(zhuǎn)化為一個(gè)非線性優(yōu)化問題來求解。

對BP神經(jīng)網(wǎng)絡(luò)模型，一般選用三層非循環(huán)網(wǎng)絡(luò)。假設(shè)每層有N個(gè)處理單元，通常選取連續(xù)可微的非線性作用函數(shù)如Sigmoid函數(shù)f(x)=1/(1+e-x)，訓(xùn)練集包括M個(gè)樣本模式{(xk,yk)}。對第P個(gè)訓(xùn)練樣本（P＝1，2，…，M），單元j的輸入總和記為apj，輸出記為Opj，則:

apj=WQ

Opj=f(apj)=1/(1+e-apj)（1）

對每個(gè)輸入模式P，網(wǎng)絡(luò)輸出與期望輸出（dpj）間誤差為：

E=Ep=((dpj-Opj)2)（2）

取BP網(wǎng)絡(luò)的權(quán)值修正式：

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

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

?濁是為加快網(wǎng)絡(luò)收斂速度而取值足夠大又不致產(chǎn)生振蕩的常數(shù)；?琢為一常數(shù)項(xiàng)，稱為趨勢因子，它決定上一次學(xué)習(xí)權(quán)值對本次權(quán)值的影響。

BP學(xué)習(xí)算法的步驟：初始化網(wǎng)絡(luò)及學(xué)習(xí)參數(shù)；提供訓(xùn)練模式并訓(xùn)練網(wǎng)絡(luò)直到滿足學(xué)習(xí)要求；前向傳播過程,對給定訓(xùn)練模式輸入，計(jì)算網(wǎng)絡(luò)的輸出模式，并與期望比較，如有誤差，則執(zhí)行下一步，否則返回第二步；后向傳播過程,計(jì)算同一層單元的誤差?啄pj,按權(quán)值公式（3）修正權(quán)值;返回權(quán)值計(jì)算公式（3）。BP網(wǎng)絡(luò)的學(xué)習(xí)一般均需多周期迭代，直至網(wǎng)絡(luò)輸出與期望輸出間總體的均方根誤差ERMS達(dá)到一定要求方結(jié)束。

實(shí)踐中，BP網(wǎng)絡(luò)可能遇到如下問題：局部極小點(diǎn)問題；迭代收斂性及收斂速度引起低效率問題。此外還有，模型的逼近性質(zhì)差；模型的學(xué)習(xí)誤差大，記憶能力不強(qiáng)；與線性時(shí)序模型一樣，模型網(wǎng)絡(luò)結(jié)構(gòu)及節(jié)點(diǎn)作用函數(shù)不易確定；難以解決應(yīng)用問題的實(shí)例規(guī)模與網(wǎng)絡(luò)規(guī)模之間的矛盾等。為克服這樣的一些問題，同時(shí)為了更好地面向?qū)嶋H問題的特殊性，出現(xiàn)了各種基于神經(jīng)網(wǎng)絡(luò)模型或與之結(jié)合的模型創(chuàng)新方法。

2灰色神經(jīng)網(wǎng)絡(luò)模型

灰色預(yù)測和神經(jīng)網(wǎng)絡(luò)一樣是近年來用于非線性時(shí)間序列預(yù)測的引人注目的方法，兩種方法在建模時(shí)都不需計(jì)算統(tǒng)計(jì)特征，且理論上可以適用于任何非線性時(shí)間序列的建模。灰色預(yù)測由于其模型特點(diǎn)，更合用于經(jīng)濟(jì)活動中具有指數(shù)增長趨勢的問題，而對于其他變化趨勢，則可能擬合灰度較大，導(dǎo)致精度難于提高。

對于既有隨時(shí)間推移的增長趨勢，又有同一季節(jié)的相似波動性趨勢，且增長趨勢和波動性趨勢都呈現(xiàn)為一種復(fù)雜的非線性函數(shù)特性的一類現(xiàn)實(shí)問題，根據(jù)人工神經(jīng)網(wǎng)絡(luò)具有較好的描述復(fù)雜非線性函數(shù)能力特點(diǎn)，用其對季節(jié)性建模；最后根據(jù)最優(yōu)組合預(yù)測理論，建立了兼有GM（1，1）和ANN優(yōu)點(diǎn)的最優(yōu)組合預(yù)測模型。該模型能夠同時(shí)反映季節(jié)性時(shí)間序列的增長趨勢性和同季波動性的雙重特性，適用于一般具有季節(jié)性特點(diǎn)的經(jīng)濟(jì)預(yù)測。

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

x(1)=(x(1)(1),x(1)(2),?撰,x(1)(n))（4）

其中x(1)(k)=(x(0)(i),k=1,2,?撰,n

構(gòu)造一階線性灰色微分方程并得到該方程的白化微分方程：

+ax=u

用最小二乘法求解參數(shù)a，u，得到x(1)的灰色預(yù)測模型：

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

其次，根據(jù)上節(jié)方法建立BP人工神經(jīng)網(wǎng)絡(luò)模型。

第三，將兩模型優(yōu)化組合。設(shè)f1是灰色預(yù)測值，f2是神經(jīng)網(wǎng)絡(luò)預(yù)測值，fc是最優(yōu)組合預(yù)測值，預(yù)測誤差分別為:e1,e2,ec，取w1和w2是相應(yīng)的權(quán)系數(shù)，且w1+w2=1,有fc=w1f1+w2f2，則誤差及方差分別為ec=w1e1+w2e2,Var(ec)=w21Var(e1)+w22Var(e2)+2w1w2cov(e1,e2)

對方差公式求關(guān)于w1的極小值，并取cov(e1,e2)=0，即可得到組合預(yù)測權(quán)系數(shù)的值。

2基于粗糙集理論的神經(jīng)網(wǎng)絡(luò)模型

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

一般來說，BP神經(jīng)網(wǎng)絡(luò)模型對模型輸入變量的選擇和網(wǎng)絡(luò)結(jié)構(gòu)確定等都基本憑經(jīng)驗(yàn)或通過反復(fù)試驗(yàn)確定，這種方法的盲目性會導(dǎo)致模型質(zhì)量變差。用粗糙集理論指導(dǎo)，先對各種影響預(yù)測的因素變量進(jìn)行識別，以此確定預(yù)測模型的輸入變量；再通過屬性約簡和屬性值約簡獲得推理規(guī)則集；然后以這些推理規(guī)則構(gòu)造神經(jīng)網(wǎng)絡(luò)預(yù)測模型，并采用加動量項(xiàng)的BP的學(xué)習(xí)算法對網(wǎng)絡(luò)進(jìn)行優(yōu)化。有效改善了模型特性，提高了模型質(zhì)量。其建模步驟為：由歷史數(shù)據(jù)及其相關(guān)信息歷史數(shù)據(jù)構(gòu)造決策表；初始化；對決策表的決策屬性變量按劃分值域?yàn)閚個(gè)區(qū)域的方式離散化；采用基于斷點(diǎn)重要性的粗糙集離散化算法選擇條件屬性變量和斷點(diǎn)（分點(diǎn)），同時(shí)計(jì)算決策表相容度，當(dāng)決策表相容度為1或不再增加時(shí)，則選擇條件屬性變量和分點(diǎn)過程結(jié)束；由選擇的條件屬性變量及其樣本離散化值構(gòu)造新的決策表，并對其約簡，得到推理規(guī)則集；由推理規(guī)則集建立神經(jīng)網(wǎng)絡(luò)模型；對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；若神經(jīng)網(wǎng)絡(luò)擬合誤差滿足要求，則結(jié)束，否則，增加n。必須指出，區(qū)間分劃n太小，會使得擬合不夠，n太大，即輸出空間分得太細(xì)，會導(dǎo)致過多的區(qū)域?qū)?yīng)，使網(wǎng)絡(luò)結(jié)構(gòu)過于復(fù)雜，影響泛化（預(yù)測）能力。

3小波神經(jīng)網(wǎng)絡(luò)模型

人工神經(jīng)網(wǎng)絡(luò)模型存在的網(wǎng)絡(luò)結(jié)構(gòu)及節(jié)點(diǎn)函數(shù)不易確定問題，結(jié)合小波分析優(yōu)良的數(shù)據(jù)擬合能力和神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)、自適應(yīng)特性建模，即用非線性小波基取代通常的非線性S型函數(shù)。

設(shè)非線性時(shí)間序列變化函數(shù)f(t)∈L2(R)，定義其小波變換為：

Wf(a,b)==f(t)?漬()dt（6）

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

用小波級數(shù)的有限項(xiàng)來逼近時(shí)序函數(shù)，即：

(t)=wk?漬()（7）

式中(t)，為時(shí)間序列y(t)的預(yù)測值序列；wk,bk,ak分別為權(quán)重系數(shù)，小波基的平移因子和伸縮因子；L為小波基的個(gè)數(shù)。參數(shù)wk,bk,ak采用最小均方誤差能量函數(shù)優(yōu)化得到，L通過試算得到。

4模糊神經(jīng)網(wǎng)絡(luò)模型

模糊集合和模糊邏輯以人腦處理不精確信息的方法為基礎(chǔ)，而人工神經(jīng)網(wǎng)絡(luò)是以大量簡單神經(jīng)元的排列模擬人腦的生理結(jié)構(gòu)。二者的融合既具有神經(jīng)網(wǎng)絡(luò)強(qiáng)大的計(jì)算能力、容錯(cuò)性和學(xué)習(xí)能力，又有對于不確定、不精確信息的處理能力，即同時(shí)具有底層的數(shù)據(jù)處理、學(xué)習(xí)能力和高層的推理、思考能力。

一種應(yīng)用模糊理論的方法是把模糊聚類用來確定模糊系統(tǒng)的最優(yōu)規(guī)則數(shù)，從而確定模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)。這樣確定的網(wǎng)絡(luò)結(jié)構(gòu)成為四層：第一層為直接輸入層；第二層為模糊化層，對輸入做模糊化處理；第三層為模糊推理層，對前層模糊結(jié)果做模糊推理；第四層為非模糊化層，可以采用重心非模糊化法，產(chǎn)生網(wǎng)絡(luò)輸出。該網(wǎng)絡(luò)采用動態(tài)處理法，增強(qiáng)了其處理能力，且適用性強(qiáng)、精度高。

5結(jié)語

除上述幾種結(jié)合式神經(jīng)網(wǎng)絡(luò)方法之外，人工神經(jīng)網(wǎng)絡(luò)模型在算法設(shè)計(jì)方面一直在取得巨大的進(jìn)步。神經(jīng)網(wǎng)絡(luò)模型方法是一種先進(jìn)的具有智能的非線性建模方法，其在自然科學(xué)、經(jīng)濟(jì)現(xiàn)象、社會活動等方面的應(yīng)用正在不斷深化，把神經(jīng)網(wǎng)絡(luò)方法引入經(jīng)濟(jì)活動的分析和預(yù)測中，并緊密聯(lián)系諸多先進(jìn)的建模方法，是使工業(yè)經(jīng)濟(jì)、商業(yè)經(jīng)濟(jì)及其對經(jīng)濟(jì)本質(zhì)規(guī)律的研究等各項(xiàng)工作推向前進(jìn)的重要理論武器。

參考文獻(xiàn)

篇4

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò) 建筑管理 數(shù)據(jù)倉庫

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

1神經(jīng)網(wǎng)絡(luò)系統(tǒng)理論的研究目標(biāo)

是以研究以模擬人體神經(jīng)系統(tǒng)的運(yùn)動行為， 建立神經(jīng)網(wǎng)絡(luò)基本特征的一種神經(jīng)網(wǎng)絡(luò)系統(tǒng)運(yùn)算算法。這種算法可在計(jì)算機(jī)上，通過硬件與軟件的相互配合來實(shí)現(xiàn)， 也可以在神經(jīng)網(wǎng)絡(luò)計(jì)算機(jī)上更加快捷的實(shí)現(xiàn)，最終可以實(shí)現(xiàn)智能計(jì)算機(jī)終端智能運(yùn)算的目標(biāo)。神經(jīng)網(wǎng)絡(luò)系統(tǒng)是由大量的神經(jīng)元--簡單的信息處理單元，按特定的配對方式相互構(gòu)成， 神經(jīng)元之間的信息傳遞和儲存，依照一定的規(guī)則進(jìn)行， 網(wǎng)絡(luò)連接規(guī)則以及數(shù)據(jù)存儲方式有一定的穩(wěn)定性與匹配性， 即具有學(xué)習(xí)和訓(xùn)練的特定效果。

1.1神經(jīng)網(wǎng)絡(luò)系統(tǒng)模型與應(yīng)用范圍

有反饋網(wǎng)絡(luò)模型。有反饋網(wǎng)絡(luò)也稱回（遞）歸網(wǎng)絡(luò)， 在這這當(dāng)中， 多個(gè)神經(jīng)元互聯(lián)以組成一個(gè)互連神經(jīng)網(wǎng)絡(luò)。有些神經(jīng)元的輸出被反饋至同層或前層神經(jīng)元， 因此， 信號能夠從正向和反向流通。

1.2 神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)

在決定采用神經(jīng)網(wǎng)絡(luò)技術(shù)之前， 應(yīng)首先考慮是否有必要采用神經(jīng)網(wǎng)絡(luò)來解決問題。一般地， 神經(jīng)網(wǎng)絡(luò)與經(jīng)典計(jì)算方法相比并非優(yōu)越。只有當(dāng)常規(guī)方法無法解決或效果不佳時(shí)神經(jīng)網(wǎng)絡(luò)才能顯示出其優(yōu)越性。尤其是當(dāng)問題的機(jī)理等規(guī)律不甚了解， 或不能用數(shù)學(xué)模型表示的系統(tǒng)， 神經(jīng)網(wǎng)絡(luò)往往是最有力的工具。另一方面， 神經(jīng)網(wǎng)絡(luò)對處理大量原始數(shù)據(jù)而不能用規(guī)劃或公式描述的問題， 表現(xiàn)出極大的靈活性和自適應(yīng)性。

2 建筑管理模式

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

數(shù)據(jù)處理技術(shù)在企業(yè)的逐步成功應(yīng)用，企業(yè)積累了大量的生產(chǎn)"科研相關(guān)和業(yè)務(wù)數(shù)據(jù)，但面對浩如煙海的企業(yè)數(shù)據(jù)，決策人員常常難以及時(shí)獲得足夠信息，提出決策的現(xiàn)狀，許多企業(yè)已經(jīng)構(gòu)建了完善的數(shù)據(jù)庫.并且通過聯(lián)機(jī)分析處理的方式技術(shù)，可以使決策人員更快捷的從數(shù)據(jù)倉庫中提取精良信息。

3 建筑管理模式

3.1 任務(wù)制度管理

任務(wù)制度管理是從生產(chǎn)管理轉(zhuǎn)換的角度管理生產(chǎn)制造， 雖然本質(zhì)依然是硬性管理， 但管理的內(nèi)容為與適應(yīng)建造相關(guān)用戶的合理配合安排， 主要依據(jù)顧客需求設(shè)計(jì)來配編生產(chǎn)系統(tǒng)， 最后一招合同流程來實(shí)現(xiàn)。

3.2 流程過程管理

流程過程管理是從流程的角度管理數(shù)據(jù)模型， 其本質(zhì)為軟性數(shù)據(jù)管理。流程管理的目標(biāo)是不但要有高效率可預(yù)測數(shù)據(jù)目標(biāo)的綜合流程， 而且要做好建設(shè)項(xiàng)目的相關(guān)單位，現(xiàn)場數(shù)據(jù)工作人員之間的相互協(xié)調(diào)工作。

3.3 價(jià)值趨向管理

價(jià)值趨向管理是從數(shù)據(jù)價(jià)值的角度管理生產(chǎn)， 它是以一種更加柔性的方式來體現(xiàn)顧客消費(fèi)價(jià)值和一種硬性的方式完成生產(chǎn)預(yù)訂目標(biāo)的的趨向性管理。

4 數(shù)據(jù)倉庫概論

數(shù)據(jù)倉庫，就是一個(gè)更完全面支持企業(yè)組織的決策分析處理數(shù)據(jù)的面向主題的總成的，不可隨時(shí)間不斷變化持續(xù)更新的數(shù)據(jù)倉庫體系結(jié)構(gòu)，美國哈佛大學(xué)計(jì)算機(jī)科學(xué)系的專門小組，通過長期對數(shù)據(jù)技術(shù)的研究，提出了數(shù)據(jù)倉庫技術(shù)的完善概念，該概念是在體系結(jié)構(gòu)整體上對數(shù)據(jù)倉庫進(jìn)行了描述，從各個(gè)數(shù)據(jù)源收集所需數(shù)據(jù)，并與其他數(shù)據(jù)源的數(shù)據(jù)銜接，將集成的總體數(shù)據(jù)存入數(shù)據(jù)倉庫終端，用于用戶直接從數(shù)據(jù)倉庫中訪問相關(guān)數(shù)據(jù)，用于理論和實(shí)踐應(yīng)用的案例.運(yùn)用這種建筑管理模式， 可以提高生產(chǎn)率， 降低成本和增加顧客滿意度， 在建筑業(yè)中有廣闊的應(yīng)用前景。

5 結(jié)語

在當(dāng)今日益激烈的競爭環(huán)境下決策人員能否及時(shí)地從大量原始數(shù)據(jù)中提取更多更好的信息是一個(gè)企業(yè)生存發(fā)展的關(guān)鍵，傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)系統(tǒng)的建筑管理數(shù)據(jù)倉庫的設(shè)計(jì)已不能適應(yīng)行業(yè)的發(fā)展精益建造這種體系應(yīng)運(yùn)而生。他是由精益生產(chǎn)延伸而來，將神經(jīng)網(wǎng)絡(luò)系統(tǒng)的建筑管理數(shù)據(jù)倉庫的設(shè)計(jì)以及實(shí)踐應(yīng)用到行業(yè)之中。

參考文獻(xiàn)

[1]趙璐.基于精益建造的成本管理[J].華中科技大學(xué)學(xué)報(bào)，2005.

[2]肖智軍，黨新民.精益生產(chǎn)方式JIT[M].廣州： 廣東經(jīng)濟(jì)出版社，2004.

[3]Glenn Bllard3 劉來紅， 王世宏.空氣過濾器的發(fā)展與應(yīng)用.過濾與分離，2000，10

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

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

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

篇5

人工神經(jīng)網(wǎng)絡(luò)（AartificialNeuralNetwork，下簡稱ANN）是模擬生物神經(jīng)元的結(jié)構(gòu)而提出的一種信息處理方法。早在1943年，已由心理學(xué)家WarrenS.Mcculloch和數(shù)學(xué)家WalthH.Pitts提出神經(jīng)元數(shù)學(xué)模型，后被冷落了一段時(shí)間，80年代又迅猛興起［1］。ANN之所以受到人們的普遍關(guān)注，是由于它具有本質(zhì)的非線形特征、并行處理能力、強(qiáng)魯棒性以及自組織自學(xué)習(xí)的能力。其中研究得最為成熟的是誤差的反傳模型算法（BP算法，BackPropagation），它的網(wǎng)絡(luò)結(jié)構(gòu)及算法直觀、簡單，在工業(yè)領(lǐng)域中應(yīng)用較多。

經(jīng)訓(xùn)練的ANN適用于利用分析振動數(shù)據(jù)對機(jī)器進(jìn)行監(jiān)控和故障檢測，預(yù)測某些部件的疲勞壽命［2］。非線形神經(jīng)網(wǎng)絡(luò)補(bǔ)償和魯棒控制綜合方法的應(yīng)用（其魯棒控制利用了變結(jié)構(gòu)控制或滑動?？刂疲?，在實(shí)時(shí)工業(yè)控制執(zhí)行程序中較為有效［3］。人工神經(jīng)網(wǎng)絡(luò)（ANN）和模糊邏輯（FuzzyLogic）的綜合，實(shí)現(xiàn)了電動機(jī)故障檢測的啟發(fā)式推理。對非線形問題，可通過ANN的BP算法學(xué)習(xí)正常運(yùn)行例子調(diào)整內(nèi)部權(quán)值來準(zhǔn)確求解［4］。

因此，對于電力系統(tǒng)這個(gè)存在著大量非線性的復(fù)雜大系統(tǒng)來講，ANN理論在電力系統(tǒng)中的應(yīng)用具有很大的潛力，目前已涉及到如暫態(tài)，動穩(wěn)分析，負(fù)荷預(yù)報(bào)，機(jī)組最優(yōu)組合，警報(bào)處理與故障診斷，配電網(wǎng)線損計(jì)算，發(fā)電規(guī)劃，經(jīng)濟(jì)運(yùn)行及電力系統(tǒng)控制等方面［5］。

本文介紹了一種基于人工神經(jīng)網(wǎng)絡(luò)（ANN）理論的保護(hù)原理。

1、人工神經(jīng)網(wǎng)絡(luò)理論概述

BP算法是一種監(jiān)控學(xué)習(xí)技巧，它通過比較輸出單元的真實(shí)輸出和希望值之間的差別，調(diào)整網(wǎng)絡(luò)路徑的權(quán)值，以使下一次在相同的輸入下，網(wǎng)絡(luò)的輸出接近于希望值。

在神經(jīng)網(wǎng)絡(luò)投運(yùn)前，就應(yīng)用大量的數(shù)據(jù)，包括正常運(yùn)行的、不正常運(yùn)行的，作為其訓(xùn)練內(nèi)容，以一定的輸入和期望的輸出通過BP算法去不斷修改網(wǎng)絡(luò)的權(quán)值。在投運(yùn)后，還可根據(jù)現(xiàn)場的特定情況進(jìn)行現(xiàn)場學(xué)習(xí)，以擴(kuò)充ANN內(nèi)存知識量。從算法原理看，并行處理能力和非線是BP算法的一大優(yōu)點(diǎn)。

2、神經(jīng)網(wǎng)絡(luò)型繼電保護(hù)

神經(jīng)網(wǎng)絡(luò)理論的保護(hù)裝置，可判別更復(fù)雜的模式，其因果關(guān)系是更復(fù)雜的、非線性的、模糊的、動態(tài)的和非平穩(wěn)隨機(jī)的。它是神經(jīng)網(wǎng)絡(luò)（ANN）與專家系統(tǒng)（ES）融為一體的神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)，其中，ANN是數(shù)值的、聯(lián)想的、自組織的、仿生的方式，ES是認(rèn)知的和啟發(fā)式的。

文獻(xiàn)［1］認(rèn)為全波數(shù)據(jù)窗建立的神經(jīng)網(wǎng)絡(luò)在準(zhǔn)確性方面優(yōu)于利用半波數(shù)據(jù)窗建立的神經(jīng)網(wǎng)絡(luò)，因此保護(hù)應(yīng)選用全波數(shù)據(jù)窗。

ANN保護(hù)裝置出廠后，還可以在投運(yùn)單位如網(wǎng)調(diào)、省調(diào)實(shí)驗(yàn)室內(nèi)進(jìn)行學(xué)習(xí)，學(xué)習(xí)內(nèi)容針對該省的保護(hù)的特別要求進(jìn)行（如反措）。到現(xiàn)場，還可根據(jù)該站的干擾情況進(jìn)行反誤動、反拒動學(xué)習(xí)，特別是一些常出現(xiàn)波形間斷的變電站內(nèi)的高頻保護(hù)。

3、結(jié)論

本文基于現(xiàn)代控制技術(shù)提出了人工神經(jīng)網(wǎng)絡(luò)理論的保護(hù)構(gòu)想。神經(jīng)網(wǎng)絡(luò)軟件的反應(yīng)速度比純數(shù)字計(jì)算軟件快幾十倍以上，這樣，在相同的動作時(shí)間下，可以大大提高保護(hù)運(yùn)算次數(shù)，以實(shí)現(xiàn)在時(shí)間上即次數(shù)上提高冗余度。

一套完整的ANN保護(hù)是需要有很多輸入量的，如果對某套保護(hù)來說，區(qū)內(nèi)、區(qū)外故障時(shí)其輸入信號幾乎相同，則很難以此作為訓(xùn)練樣本訓(xùn)練保護(hù)，而每套保護(hù)都增多輸入量，必然會使保護(hù)、二次接線復(fù)雜化。變電站綜合自動化也許是解決該問題的一個(gè)較好方法，各套保護(hù)通過總線聯(lián)網(wǎng)，交換信息，充分利用ANN的并行處理功能，每套保護(hù)均對其它線路信息進(jìn)行加工，以此綜合得出動作判據(jù)。每套保護(hù)可把每次錄得的數(shù)據(jù)文件，加上對其動作正確性與否的判斷，作為本身的訓(xùn)練內(nèi)容，因?yàn)榧词褂袝r(shí)人工分析也不能區(qū)分哪些數(shù)據(jù)特征能使保護(hù)不正確動作，特別是高頻模擬量。

神經(jīng)網(wǎng)絡(luò)的硬件芯片現(xiàn)在仍很昂貴，但技術(shù)成熟時(shí)，應(yīng)利用硬件實(shí)現(xiàn)現(xiàn)在的軟件功能。另外，神經(jīng)網(wǎng)絡(luò)的并行處理和信息分布存儲機(jī)制還不十分清楚，如何選擇的網(wǎng)絡(luò)結(jié)構(gòu)還沒有充分的理論依據(jù)。所有這些都有待于對神經(jīng)網(wǎng)絡(luò)基本理論進(jìn)行深入的研究，以形成完善的理論體系，創(chuàng)造出更適合于實(shí)際應(yīng)用的新型網(wǎng)絡(luò)及學(xué)習(xí)算法［5］。

參考文獻(xiàn)

1、陳炳華。采用模式識別（智能型）的保護(hù)裝置的設(shè)想。中國電機(jī)工程學(xué)會第五屆全國繼電保護(hù)學(xué)術(shù)會議，［會址不詳］，1993

2、RobertE.Uhrig.ApplicationofArtificialNeuralNetworksinIndustrialTechnology.IEEETrans，1994，10（3）。（1）：371～377

3、LeeTH，WangQC，TanWK.AFrameworkforRobustNeuralNetwork-BasedControlofNonlinearServomechannisms.IEEETrans，1993，3（2）。（3）：190～197

篇6

【關(guān)鍵詞】沸點(diǎn)；飽和烴；模式識別；神經(jīng)網(wǎng)絡(luò)

引言

量子力學(xué)計(jì)算是了解性質(zhì)與結(jié)構(gòu)關(guān)系本質(zhì)的最好方法，但由于條件限制要精確解方程組很困難，因此，我們應(yīng)用經(jīng)典的價(jià)鍵理論處理該問題，以了解分子中鍵的性質(zhì)、原子間的結(jié)合順序、分支的多少及分子的形狀等拓?fù)湫畔?，進(jìn)而推出分子的一些物理性質(zhì)。

1 模式識別與神經(jīng)網(wǎng)絡(luò)

1.1 統(tǒng)計(jì)模式識別的方法

統(tǒng)計(jì)模式識別包括：樣本輸入、樣本統(tǒng)計(jì)、窗函數(shù)訓(xùn)練、監(jiān)控與測試、識別及識別方法性能評價(jià)6部分。

1.2 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和模型

神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)是由基本處理單元及其互連方法決定的，一個(gè)人工神經(jīng)網(wǎng)絡(luò)的神經(jīng)元模型和結(jié)構(gòu)描述了一個(gè)網(wǎng)絡(luò)如何令它的輸入矢量轉(zhuǎn)化為輸出矢量的過程。其實(shí)質(zhì)即體現(xiàn)網(wǎng)絡(luò)輸入及其輸出間的函數(shù)關(guān)系。即通過選取不同的模型結(jié)構(gòu)和激活函數(shù)，可形成各種不同的人工神經(jīng)網(wǎng)絡(luò)，以及輸入和輸出關(guān)系，進(jìn)而達(dá)到不同的目的或完成不同任務(wù)。

1.2.1 人工神經(jīng)元的模型

連接機(jī)制結(jié)構(gòu)的基本處理單元與神經(jīng)生理學(xué)類比往往稱為神經(jīng)元。每個(gè)構(gòu)造起網(wǎng)絡(luò)的神經(jīng)元模型模擬一個(gè)生物神經(jīng)元。

該神經(jīng)元有多個(gè)輸入，i=1，2，.. n和一個(gè)輸出Y組成。中間狀態(tài)由輸入

信號權(quán)的加和表示，而輸出為：式（1）中θj為神經(jīng)網(wǎng)絡(luò)的偏置，Wji為連接權(quán)系數(shù)，n為輸入信號數(shù)目，yj為神經(jīng)元輸出，t為時(shí)間，f（）為輸出變換函數(shù)，也叫做激發(fā)或激勵(lì)函數(shù)。

1.2.2 激活函數(shù)

激活函數(shù)是一個(gè)神經(jīng)元及網(wǎng)絡(luò)的核，網(wǎng)絡(luò)解決問題的能力與功效除了和網(wǎng)絡(luò)結(jié)構(gòu)有關(guān)，很大程度上取決于網(wǎng)絡(luò)所采用的激活函數(shù)。激活函數(shù)往往采用0和I二值函數(shù)或S形函數(shù)，它們都是連續(xù)和非線性的。

1.2.3人工神經(jīng)網(wǎng)絡(luò)的基本類型

1.2.3.1人工神經(jīng)網(wǎng)絡(luò)的基本特性

人工神經(jīng)網(wǎng)絡(luò)由神經(jīng)元構(gòu)成；這種由許多神經(jīng)元組成的信息處理網(wǎng)絡(luò)具有并行分布結(jié)構(gòu)。每個(gè)神經(jīng)元具有單-輸出，能夠與其它神經(jīng)元連接；具有諸多輸出連接方法，每種連接方法對應(yīng)一個(gè)連接權(quán)系數(shù)。嚴(yán)格地說，該網(wǎng)絡(luò)每個(gè)節(jié)點(diǎn)存在一個(gè)狀態(tài)變量、閾值并定義一個(gè)變換函數(shù)，且從節(jié)點(diǎn)j至節(jié)點(diǎn)i存在一個(gè)連接權(quán)系亥摧教。

1.2.3.2人工神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)

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

3 神經(jīng)網(wǎng)絡(luò)計(jì)算飽和烴的沸點(diǎn)

采用三層拓?fù)浣Y(jié)構(gòu)為3-4-1的反向傳播模型來建立預(yù)報(bào)導(dǎo)飽和烴沸點(diǎn)的人工神經(jīng)網(wǎng)絡(luò)。輸入層以影響飽和烴沸點(diǎn)的3個(gè)參數(shù)為輸入矢量，包括分子連接性指數(shù)，分子連接性指數(shù)，C原子數(shù)。訓(xùn)練時(shí)可根據(jù)計(jì)算誤差自動地調(diào)整權(quán)重，待達(dá)到要求時(shí)即可固定權(quán)重值和偏置。

4 實(shí)驗(yàn)

4.1 實(shí)驗(yàn)步驟

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

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

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

4.2 結(jié)果

通過實(shí)驗(yàn)測出19種飽和烴的沸點(diǎn)，經(jīng)公式計(jì)算及實(shí)驗(yàn)測定得到的2組數(shù)據(jù)比較得出，神經(jīng)網(wǎng)絡(luò)模型所優(yōu)化的數(shù)據(jù)的相對誤差極小，精確到10-4，所做的圖形和試驗(yàn)數(shù)據(jù)也是擬合的極好。

5 結(jié)論

神經(jīng)網(wǎng)絡(luò)模式識別的方法建立數(shù)據(jù)模型對飽和烴的沸點(diǎn)進(jìn)行計(jì)算有著非常好的準(zhǔn)確度，充分地利用了給出的參數(shù)。該模型在大大提高了計(jì)算精確度的同時(shí)并且具有很好的預(yù)測能力，而且其對于提高物質(zhì)性質(zhì)計(jì)算的效率和準(zhǔn)確率有著重要的參考價(jià)值。

參考文獻(xiàn)：

[1]杜紅，劉強(qiáng)國.統(tǒng)計(jì)模式識別方法在錄井油氣評價(jià)中的應(yīng)用[J].長江大學(xué)學(xué)報(bào)： 理工卷，2006（3）.

篇7

關(guān)鍵詞：數(shù)據(jù)挖掘；數(shù)據(jù)庫；遺傳算法；神經(jīng)網(wǎng)絡(luò)

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

基金項(xiàng)目：佛山科學(xué)技術(shù)學(xué)院重點(diǎn)項(xiàng)目（2010）

作者簡介：劉曉莉（1961-），女，佛山科學(xué)技術(shù)學(xué)院副教授，研究方向?yàn)閼?yīng)用數(shù)學(xué)。

1遺傳算法基本特征

遺傳算法是模擬達(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，是一種具有廣泛適用性的通用優(yōu)化搜索方法。遺傳算法主要借用了生物遺傳學(xué)的觀點(diǎn)，通過自然選擇、遺傳和變異等作用機(jī)制來產(chǎn)生下一代種群，如此逐代進(jìn)化，直至得到滿足要求的后代即問題的解，是一種公認(rèn)的全局搜索能力較強(qiáng)的算法。

遺傳算法有良好智能性，易于并行，減少了陷于局部最優(yōu)解的風(fēng)險(xiǎn)。遺傳算法的處理對象不是參數(shù)本身，而是對參數(shù)集進(jìn)行了編碼的個(gè)體，可以直接對集合、隊(duì)列、矩陣、圖表等結(jié)構(gòu)進(jìn)行操作。同時(shí)，在標(biāo)準(zhǔn)的遺傳算法中，基本上不用搜索空間的知識或其它輔助信息，而僅用適應(yīng)度函數(shù)值來評估個(gè)體，并在此基礎(chǔ)上進(jìn)行遺傳操作； 遺傳算法不是采用確定性規(guī)則，而是采用概率的變遷規(guī)則來指導(dǎo)它的搜尋方向。正是這些特征和優(yōu)點(diǎn)，使得遺傳算法在數(shù)據(jù)挖掘技術(shù)中占有很重要的地位，既可以用來挖掘分類模式、聚類模式、依賴模式、層次模式，也可用于評估其它算法的適合度。

2神經(jīng)網(wǎng)絡(luò)基本特征

神經(jīng)網(wǎng)絡(luò)是人腦或自然神經(jīng)網(wǎng)絡(luò)若干基本特征的抽象和模擬，是以大量的、同時(shí)也是很簡單的處理單元（神經(jīng)元）廣泛地互相連接形成的復(fù)雜非線性系統(tǒng)。人工神經(jīng)網(wǎng)絡(luò)本質(zhì)上是一個(gè)分布式矩陣結(jié)構(gòu)，它根據(jù)樣本的輸入輸出對加權(quán)法進(jìn)行自我調(diào)整，從而近似模擬出輸入、輸出內(nèi)在隱含的映射關(guān)系。建模時(shí)，不必考慮各個(gè)因素之間的相互作用及各個(gè)因素對輸出結(jié)果的影響機(jī)制，這恰好彌補(bǔ)了人們對各個(gè)因素及對輸出結(jié)果的機(jī)制不清楚的缺陷，從而解決眾多用以往方法很難解決的問題。

神經(jīng)網(wǎng)絡(luò)具有大規(guī)模的并行處理和分布式的信息存儲，有良好的自適應(yīng)、自組織性，學(xué)習(xí)能力很強(qiáng)，有較強(qiáng)的聯(lián)想功能和容錯(cuò)功能，在解決機(jī)理比較復(fù)雜、無法用數(shù)學(xué)模型來刻畫的問題，甚至對其機(jī)理一無所知的問題等，神經(jīng)網(wǎng)絡(luò)方法特別適用，是一種用于預(yù)測、評價(jià)、分類、模式識別、過程控制等各種數(shù)據(jù)處理場合的計(jì)算方法，其應(yīng)用已經(jīng)滲透到多個(gè)領(lǐng)域，在計(jì)算機(jī)視覺、模式識別、智能控制、非線性優(yōu)化、信號處理、經(jīng)濟(jì)和機(jī)器人等方面取得了可喜的進(jìn)展。

3遺傳算法與神經(jīng)網(wǎng)絡(luò)混合算法在數(shù)據(jù)挖掘中的應(yīng)用

作為一種有效的優(yōu)化方法，遺傳算法可以應(yīng)用于規(guī)則挖掘，可以單獨(dú)用于數(shù)據(jù)倉庫中關(guān)聯(lián)規(guī)則的挖掘，還可以和神經(jīng)網(wǎng)絡(luò)技術(shù)相結(jié)合，建立基于神經(jīng)網(wǎng)絡(luò)與遺傳算法的數(shù)據(jù)挖掘體系，用于數(shù)據(jù)挖掘中的分類問題。

學(xué)習(xí)能力是神經(jīng)網(wǎng)絡(luò)中最引人矚目的特征，學(xué)習(xí)算法的研究一直占據(jù)重要地位。可以將遺傳算法應(yīng)用于神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程中，這樣可以避免傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)算法容易陷入局部極小的問題。有研究者提出了一種基于遺傳算法的神經(jīng)網(wǎng)絡(luò)二次訓(xùn)練方法，可以提高神經(jīng)網(wǎng)絡(luò)的模糊處理能力，有效解決神經(jīng)網(wǎng)絡(luò)陷入局部極小的缺點(diǎn)，加快收斂速率，提高學(xué)習(xí)效率。也有研究者探究了基于基因重組的遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的方法，通過訓(xùn)練權(quán)值來實(shí)現(xiàn)分類，可以提高神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)分類的準(zhǔn)確性。因此，采用遺傳算法與神經(jīng)網(wǎng)絡(luò)模型相結(jié)合方法，可以解決多維非線性系統(tǒng)及模型未知系統(tǒng)的預(yù)測、評價(jià)與優(yōu)化等問題，其成功案例有很多，下面是其中的幾例。

一些研究者針對當(dāng)前專家系統(tǒng)知識獲取瓶頸的難題，提出了基于神經(jīng)網(wǎng)絡(luò)與遺傳算法的汽輪機(jī)組數(shù)據(jù)挖掘方法。該方法首先將汽輪機(jī)組歷史故障數(shù)據(jù)進(jìn)行模糊化及離散化處理后，建立神經(jīng)網(wǎng)絡(luò)模型，然后再利用遺傳算法對神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，實(shí)現(xiàn)了基于神經(jīng)網(wǎng)絡(luò)與遺傳算法相結(jié)合的汽輪機(jī)組數(shù)據(jù)挖掘和故障診斷仿真系統(tǒng)，其診斷正確率達(dá)到了84%。

綜合運(yùn)用人工智能、計(jì)算智能（人工神經(jīng)網(wǎng)、遺傳算法） 、模式識別、數(shù)理統(tǒng)計(jì)等先進(jìn)技術(shù)作為數(shù)據(jù)挖掘工具，可以建立可靠、高效的數(shù)據(jù)挖掘軟件平臺，已在很多工業(yè)控制和優(yōu)化中得到應(yīng)用和實(shí)驗(yàn)驗(yàn)證，并取得了滿意的應(yīng)用效果。例如，某鋁廠根據(jù)以往不同原料成分和原料的不同配比與產(chǎn)品質(zhì)量關(guān)系記錄的數(shù)據(jù)庫，應(yīng)用數(shù)據(jù)挖掘軟件平臺，可以挖掘出適應(yīng)不同原料成分的最佳配比規(guī)律，從而提高產(chǎn)品質(zhì)量的穩(wěn)定性。又如，以往在化工產(chǎn)品優(yōu)化配方、催化劑配方優(yōu)化或材料工藝優(yōu)化等研究中，基本上都是采用試驗(yàn)改進(jìn)的方式，需經(jīng)過多次試驗(yàn)才能達(dá)到預(yù)期目的，但也有可能失敗。為降低消耗， 少做試驗(yàn)就能達(dá)到預(yù)期目的，可采用神經(jīng)網(wǎng)絡(luò)對產(chǎn)品配方實(shí)驗(yàn)數(shù)據(jù)建模，在此基礎(chǔ)上，再應(yīng)用遺傳算法對配方模型進(jìn)行優(yōu)化，得到優(yōu)化配方。

正是遺傳算法與神經(jīng)網(wǎng)絡(luò)等算法的支撐以及計(jì)算機(jī)技術(shù)的發(fā)展，目前，數(shù)據(jù)挖掘廣泛地應(yīng)用于天文、地理、生物信息學(xué)、金融、保險(xiǎn)、商業(yè)、電信、網(wǎng)絡(luò)、交通等眾多領(lǐng)域。例如，應(yīng)用在地理數(shù)據(jù)庫上，主要挖掘地質(zhì)、地貌特征，為尋找礦產(chǎn)或進(jìn)行城市規(guī)劃等提供參考依據(jù)；在電信Web服務(wù)器方面，可以挖掘Web日志，根據(jù)用戶興趣動態(tài)鏈接Web頁面，統(tǒng)計(jì)頁面鏈接及權(quán)威主頁等，對檢索頁面進(jìn)行聚類，方便用戶找到需要的信息；在生物醫(yī)學(xué)信息和DNA數(shù)據(jù)分析方面，進(jìn)行遺傳、疾病等數(shù)據(jù)特征的挖掘，為疾病診斷、治療和預(yù)防研究提供科學(xué)依據(jù)；對金融數(shù)據(jù)進(jìn)行挖掘，可以分析客戶信用度；在CRM（客戶關(guān)系模型）上使用數(shù)據(jù)挖掘，獲得客戶群體分類信息、交叉銷售安排及開發(fā)新客戶和保留老客戶的策略；在電信業(yè)中使用挖掘技術(shù)，以預(yù)防網(wǎng)絡(luò)欺詐等；應(yīng)用在商業(yè)問題的研究包括：進(jìn)行客戶群體劃分、背景分析、交叉銷售等市場行為分析，以及客戶流失性、信用度分析與欺詐發(fā)現(xiàn)；在電子商務(wù)方面，從服務(wù)器以及瀏覽器端的日志記錄中發(fā)現(xiàn)隱藏在數(shù)據(jù)中的模式信息，了解系統(tǒng)的訪問模式以及用戶的行為模式，作出預(yù)測性分析等等。

4結(jié)語

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

雖然數(shù)據(jù)挖掘技術(shù)已得到了廣泛應(yīng)用，但現(xiàn)有的數(shù)據(jù)挖掘方法并不能完全適應(yīng)所面臨的具有多樣性的海量數(shù)據(jù)分析的現(xiàn)實(shí)，急需解決的問題是：如何研究并行處理和抽樣的方法，來處理大規(guī)模的數(shù)據(jù)以獲得較高的計(jì)算效率；如何利用統(tǒng)計(jì)、模糊數(shù)學(xué)來確定隱含變量及依賴關(guān)系，開發(fā)容噪的挖掘方法，以解決異質(zhì)數(shù)據(jù)集的數(shù)據(jù)挖掘問題；如何更好地進(jìn)行文本數(shù)據(jù)挖掘、Web數(shù)據(jù)挖掘、分類系統(tǒng)、可視化系統(tǒng)、空間數(shù)據(jù)系統(tǒng)和分布式數(shù)據(jù)挖掘等新技術(shù)的應(yīng)用。因此，未來數(shù)據(jù)挖掘的研究表現(xiàn)在數(shù)據(jù)挖掘功能、工具、方法（算法） 的拓展與理論創(chuàng)新，其應(yīng)用的范圍和深度會進(jìn)一步加強(qiáng)。

參考文獻(xiàn)參考文獻(xiàn)：

[1]孟曉明.淺談數(shù)據(jù)挖掘技術(shù)[J].計(jì)算機(jī)應(yīng)用與軟件，2004 （8）.

[2]李慧芳，姚躍華，陳一棟.改進(jìn)的遺傳算法對神經(jīng)網(wǎng)絡(luò)優(yōu)化的分類[J].微計(jì)算機(jī)信息，2008（15）.

[3]王東龍，李茂青.基于遺傳算法的數(shù)據(jù)挖掘技術(shù)應(yīng)用[J].南昌大學(xué)學(xué)報(bào)， 2005（1）.

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

[5]韓力群.催化劑配方的神經(jīng)網(wǎng)絡(luò)建模與遺傳算法優(yōu)化[J].化工學(xué)報(bào)，1999（4）.

[6]郭崇慧，陸玉昌.預(yù)測型數(shù)據(jù)挖掘中的優(yōu)化方法[J].工程數(shù)學(xué)學(xué)報(bào)，2005（1）.

[7]楊杰.用于建模、優(yōu)化、故障診斷的數(shù)據(jù)挖掘技術(shù)[J].計(jì)算機(jī)集成制造系統(tǒng)，2000（10）.

篇8

1 引言

很長時(shí)間以來,在我們生活中所接觸到的大部分計(jì)算機(jī),都是一種被稱為“電腦”的馮諾依曼型計(jì)算機(jī)。這種計(jì)算機(jī)在運(yùn)算等很多方面確實(shí)超越了人類大腦的水平,但是基于串行控制機(jī)構(gòu)的馮諾依曼型計(jì)算機(jī)在圖像處理、語音識別等方面遠(yuǎn)不如大腦的處理能力。于是,在人類對大腦的不斷探索中,一種更接近人腦思維方式的神經(jīng)網(wǎng)絡(luò)計(jì)算機(jī)走進(jìn)人們的視線。

2 大腦的研究

大腦活動是由大腦皮質(zhì)許許多多腦神經(jīng)細(xì)胞的活動構(gòu)成。

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

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

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

1) 能實(shí)現(xiàn)無監(jiān)督的學(xué)習(xí)。

2) 對損傷有冗余性

3) 善于歸納推廣。

4) 處理信息的效率極高:神經(jīng)細(xì)胞之間電-化學(xué)信號的傳遞,與一臺數(shù)字計(jì)算機(jī)中cpu的數(shù)據(jù)傳輸相比,速度是非常慢的,但因神經(jīng)細(xì)胞采用了并行的工作方式,使得大腦能夠同時(shí)處理大量的數(shù)據(jù)。這個(gè)特點(diǎn)也是神經(jīng)網(wǎng)絡(luò)計(jì)算機(jī)在處理方法上最應(yīng)該體現(xiàn)的一點(diǎn)。

3 人工神經(jīng)網(wǎng)絡(luò)基礎(chǔ)

對于腦細(xì)胞的活動原理,用簡單數(shù)學(xué)語言來說, 一次乘法和累加就相當(dāng)于一個(gè)神經(jīng)突觸接受一次信息的活動。許許多多簡單的乘法和累加計(jì)算, 就形成了腦細(xì)胞決定是激活狀態(tài)還是抑制狀態(tài)的簡單數(shù)學(xué)模型。從這種模型出發(fā), 任何復(fù)雜的大量的腦神經(jīng)細(xì)胞活動與只是大量乘法、累加和判別是否達(dá)到激活值的簡單運(yùn)算的并行與重復(fù)而已。因此用這種大量并行的簡單運(yùn)算就可以來模擬大腦的活動, 這就是人工神經(jīng)網(wǎng)絡(luò)。

神經(jīng)網(wǎng)絡(luò)的基本單元是人工神經(jīng)元,它是根據(jù)人腦的工作原理提出的。圖2所示為一個(gè)人工神經(jīng)元,可由以下方程描述

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

xi 為輸入信號;

yi 為輸出信號;

ui 為神經(jīng)元的內(nèi)部狀態(tài);

θi 為閾值;

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

wij 為神經(jīng)元的連接權(quán)值。

其中,可通過學(xué)習(xí)改變連接權(quán)wij ,使得神經(jīng)元滿足或接近一定的非線性輸入輸出關(guān)系。

4 神經(jīng)網(wǎng)絡(luò)計(jì)算機(jī)的實(shí)現(xiàn)

對于神經(jīng)網(wǎng)絡(luò)計(jì)算機(jī)實(shí)現(xiàn),目前主要有以下三種實(shí)現(xiàn)途徑:

4.1 用軟件在通用計(jì)算機(jī)上模擬神經(jīng)網(wǎng)絡(luò)

在sisd(單指令流、單數(shù)據(jù)流,如經(jīng)典個(gè)人計(jì)算機(jī))、simd(單指令流、多數(shù)據(jù)流,如連接機(jī)制機(jī)器)或mimd(多指令流、多數(shù)據(jù)流,如在transputer網(wǎng)絡(luò)上)結(jié)構(gòu)的計(jì)算機(jī)上仿真。

這種用軟件實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)的方法,靈活而且不需要專用硬件,但是基于此方法實(shí)現(xiàn)的神經(jīng)網(wǎng)絡(luò)計(jì)算機(jī)速度較慢,一般僅適合人工神經(jīng)網(wǎng)絡(luò)的研究,另一方面,它在一定程度上使神經(jīng)網(wǎng)絡(luò)計(jì)算機(jī)失去了它的本質(zhì),體現(xiàn)不出并行處理信息的特征。

4.2 對神經(jīng)網(wǎng)絡(luò)進(jìn)行功能上的仿真

以多個(gè)運(yùn)算單元節(jié)點(diǎn)進(jìn)行運(yùn)算,在不同時(shí)間模擬各異不同的神經(jīng)元,串并行地模擬神經(jīng)網(wǎng)格計(jì)算。換句話說,即用m個(gè)物理單位去模擬n個(gè)神經(jīng)元,而m<n?；诓⑿杏?jì)算機(jī)和陣列機(jī)的神經(jīng)網(wǎng)絡(luò)虛擬實(shí)現(xiàn),具有一定的通用性。 <br="">

虛擬實(shí)現(xiàn)的神經(jīng)網(wǎng)絡(luò)計(jì)算機(jī)主要可分為:協(xié)處理機(jī),并行處理機(jī)陣列及現(xiàn)有的并行計(jì)算機(jī)等。目前已經(jīng)有多種產(chǎn)品及系統(tǒng)問世,包括mark v神經(jīng)計(jì)算機(jī)、gapp系統(tǒng)、gf11、基于transputer的系統(tǒng)以及基于dsp的系統(tǒng)。它們各有特點(diǎn),技術(shù)已日益成熟。

但是這種實(shí)現(xiàn)方式仍以神經(jīng)網(wǎng)絡(luò)仿真為主要目標(biāo),另外其速度,容量等性能的提高則以增加處理機(jī)等費(fèi)用為代價(jià),較難成為神經(jīng)網(wǎng)絡(luò)的最終應(yīng)用產(chǎn)品。

4.3 利用全硬件實(shí)現(xiàn)

4.3.1 基于cmos, ,ccd工藝和浮柵工藝的神經(jīng)網(wǎng)絡(luò)全硬件實(shí)現(xiàn)

在微電子芯片上作上許多具有模擬神經(jīng)元功能的單元電路,按神經(jīng)網(wǎng)絡(luò)模型的拓?fù)浣Y(jié)構(gòu)在芯片上聯(lián)成網(wǎng)絡(luò),這類神經(jīng)網(wǎng)絡(luò)芯片上的電路與所模擬神經(jīng)網(wǎng)絡(luò)種的各個(gè)神經(jīng)元和神經(jīng)突觸等都有一一對應(yīng)的關(guān)系,神經(jīng)網(wǎng)絡(luò)中的各個(gè)權(quán)值也都存貯在同一芯片上。

我國1995年開發(fā)的預(yù)言神一號就是一臺實(shí)現(xiàn)了全硬件的通用神經(jīng)網(wǎng)絡(luò)處理機(jī)。它以pc機(jī)作為宿主機(jī),通過編程實(shí)現(xiàn)前饋網(wǎng)絡(luò)、反饋網(wǎng)絡(luò)、som等人工神經(jīng)網(wǎng)絡(luò)的模型和算法,在網(wǎng)絡(luò)運(yùn)算過程中預(yù)言神一號神經(jīng)計(jì)算機(jī)還具備隨時(shí)修改網(wǎng)絡(luò)參數(shù)及神經(jīng)元非線性函數(shù)的功能。

但是這類芯片受硅片面積的限制,不可能制作規(guī)模龐大的神經(jīng)網(wǎng)絡(luò)硬件。如果一個(gè)數(shù)萬個(gè)神經(jīng)元的全聯(lián)接網(wǎng)絡(luò),其互聯(lián)線將達(dá)到10億根;若以1微米三層金屬布線工藝來計(jì)算,僅僅布線一項(xiàng)所占硅片面積將達(dá)到數(shù)十平方米。因此,在微電子技術(shù)基礎(chǔ)上用這種一一對應(yīng)的方式實(shí)現(xiàn)規(guī)模很大的神經(jīng)網(wǎng)絡(luò)顯然不現(xiàn)實(shí)。

4.3.2 用光學(xué)或光電混合器件實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)硬件系統(tǒng)

光學(xué)技術(shù)在許多方面有著電子技術(shù)無法比擬的優(yōu)點(diǎn):光具有并行性,這點(diǎn)與神經(jīng)計(jì)算機(jī)吻合;光波的傳播交叉無失真,傳播容量大;可實(shí)現(xiàn)超高速運(yùn)算?，F(xiàn)在的神經(jīng)計(jì)算機(jī)充其量也只有數(shù)百個(gè)神經(jīng),因此用“電子式”還是可能的,但是若要把一萬個(gè)神經(jīng)結(jié)合在一起,那么就需要一億條導(dǎo)線,恐怕除光之外,任何東西都不可能完成了。但是光束本身很難表示信號的正負(fù),通常需要雙層結(jié)構(gòu),加之光學(xué)相關(guān)器件體積略大,都會使系統(tǒng)變得龐大與復(fù)雜。

5 小結(jié)

篇9

關(guān)鍵詞：矩形混凝土柱；屈服位移；人工神經(jīng)網(wǎng)絡(luò)；預(yù)測模型

中圖分類號：TU375.3 文獻(xiàn)標(biāo)識碼：A

文章編號：1674-2974（2015）11-0017-08

隨著社會經(jīng)濟(jì)的發(fā)展，以及對近些年大地震的不斷反思，基于性能的結(jié)構(gòu)抗震設(shè)計(jì)已成為地震工程領(lǐng)域研究的熱點(diǎn)問題和前沿發(fā)展方向，為眾多國家的規(guī)程所提及或者采用（如FEMA273[1]，F(xiàn)EMA356[2]，ASCE41[3]和Eurocode8[4]）.柱子作為實(shí)際結(jié)構(gòu)中承受豎向荷載和抵抗水平荷載的關(guān)鍵構(gòu)件，其屈服位移的合理評估對于性能化結(jié)構(gòu)抗震設(shè)計(jì)中結(jié)構(gòu)的動力響應(yīng)、結(jié)構(gòu)性能水準(zhǔn)的評估和抗震延性設(shè)計(jì)有很大影響.綜合以往對柱子屈服位移的研究，其定義不明確，經(jīng)驗(yàn)理論模型預(yù)測結(jié)果離散度較大的特點(diǎn)，使柱屈服位移的合理取值成為一個(gè)亟待解決的問題.

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

柱屈服過程中鋼筋和混凝土都發(fā)生了復(fù)雜的非線，加之影響屈服性能的因素也非常多，上述基于經(jīng)驗(yàn)理論的非線性擬合公式預(yù)測柱屈服性能時(shí)存在預(yù)測結(jié)果離散度非常大的問題.人工神經(jīng)網(wǎng)絡(luò)作為一種在數(shù)據(jù)稀少的情況下能夠有效預(yù)測數(shù)據(jù)輸入和輸出關(guān)系的手段而進(jìn)入研究者的視野.人工神經(jīng)網(wǎng)絡(luò)是以人類神經(jīng)活動為基礎(chǔ)而發(fā)展起來的一項(xiàng)新穎的計(jì)算手段，適合處理復(fù)雜線性及非線性映射問題.由于其強(qiáng)大的非線性映射能力，神經(jīng)網(wǎng)絡(luò)在工程領(lǐng)域被用于預(yù)測圓柱形混凝土柱約束狀態(tài)的極限壓應(yīng)力和對應(yīng)的壓應(yīng)變[15]，模擬金屬疲勞裂紋開展速率[16].神經(jīng)網(wǎng)絡(luò)的其它工程應(yīng)用還有如混凝土柱在彎曲失效模式下的極限變形預(yù)測[17]，邊坡穩(wěn)定性分析[18]，修正結(jié)構(gòu)有限元模型[19]等.

本文基于經(jīng)驗(yàn)理論模型對彎曲型混凝土柱屈服性能影響因素的研究，利用神經(jīng)網(wǎng)絡(luò)預(yù)測PEER柱性能庫210組矩形混凝土柱的屈服性能，并以此來探討神經(jīng)網(wǎng)絡(luò)對柱性能預(yù)測的可行性和有效性.通過對比神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果與實(shí)驗(yàn)結(jié)果以及經(jīng)驗(yàn)理論模型估算結(jié)果，評價(jià)神經(jīng)網(wǎng)絡(luò)預(yù)測模型的效果.最后基于Carson敏感性分析方法驗(yàn)證所選神經(jīng)網(wǎng)絡(luò)輸入?yún)?shù)的合理性并得到輸入各參數(shù)對混凝土柱屈服位移的貢獻(xiàn)程度.

1 經(jīng)驗(yàn)?zāi)Ｐ皖A(yù)測實(shí)驗(yàn)數(shù)據(jù)庫柱屈服轉(zhuǎn)角

1.1 實(shí)驗(yàn)數(shù)據(jù)庫

本文對彎曲型失效為主的柱屈服轉(zhuǎn)角進(jìn)行預(yù)測，在PEER[9]柱性能數(shù)據(jù)庫中通過以下標(biāo)準(zhǔn)：1）柱子截面形狀為矩形；2）柱子受往復(fù)荷載作用直至失效；3）柱子的實(shí)驗(yàn)失效模式為彎曲失效.選擇210組實(shí)驗(yàn)數(shù)據(jù)，作為神經(jīng)網(wǎng)絡(luò)預(yù)測數(shù)據(jù)庫.該預(yù)測數(shù)據(jù)庫的主要屬性參數(shù)范圍如圖1所示.

從圖1中可看出本文所選數(shù)據(jù)庫主要參數(shù)分布覆蓋了常規(guī)設(shè)計(jì)的參數(shù)取值范圍，具有廣泛的代表性.

從圖2和表1中可以看出，利用4種經(jīng)驗(yàn)?zāi)Ｐ凸浪銟?gòu)件的屈服轉(zhuǎn)角時(shí)，預(yù)測值與實(shí)驗(yàn)值的比值分布相當(dāng)離散，ASCE41模型計(jì)算結(jié)果變異系數(shù)相對較小為0.443，而利用ACI318-08（b）變異系數(shù)則達(dá)到0.65.針對上述預(yù)測結(jié)果離散的問題，本文采用BP神經(jīng)網(wǎng)絡(luò)預(yù)測PEER數(shù)據(jù)庫柱的屈服轉(zhuǎn)角.

2 神經(jīng)網(wǎng)絡(luò)預(yù)測柱屈服轉(zhuǎn)角方法

2.1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)作為前向型多層神經(jīng)網(wǎng)絡(luò)的一種，其實(shí)質(zhì)是利用誤差反向傳播算法（Back-Propagation）對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練.BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)由輸入層、隱含層和輸出層三個(gè)部分組成，Hornik[22]已經(jīng)證明單隱層的神經(jīng)網(wǎng)絡(luò)可以實(shí)現(xiàn)任意精度的非線性映射關(guān)系.BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練分為信息的正向輸入和誤差的反向傳播兩個(gè)階段.在信息正向輸入階段，輸入?yún)?shù)通過閥值和權(quán)值的調(diào)節(jié)，再經(jīng)激活函數(shù)傳遞對計(jì)算結(jié)果進(jìn)行輸出；而在誤差反向傳播階段則是通過計(jì)算輸出層的結(jié)果和目標(biāo)值之間的誤差來反向調(diào)節(jié)各神經(jīng)元的權(quán)值和閥值；在實(shí)際訓(xùn)練中這兩個(gè)階段交替進(jìn)行，直至達(dá)到訓(xùn)練的性能目標(biāo)為止.

但由于BP學(xué)習(xí)算法其本質(zhì)是梯度下降學(xué)習(xí)算法，權(quán)值的修正是沿性能函數(shù)梯度的反向進(jìn)行，使普通的BP神經(jīng)網(wǎng)絡(luò)在訓(xùn)練時(shí)有以下不足：1）作為一種局部搜索的方法，容易陷入局部極小值而不能得到全局最優(yōu)的結(jié)果；2）由于BP算法本身反向傳播的特點(diǎn)，使其在求解矩陣時(shí)耗費(fèi)大量的計(jì)算時(shí)間，致使神經(jīng)網(wǎng)絡(luò)收斂速度很慢.針對上述不足，眾多學(xué)者對其進(jìn)行修正，其中L-M（Levenberg-Marquardt）[23] 算法因其能夠進(jìn)行快速迭代，又具有全局優(yōu)化的特點(diǎn)而在小型神經(jīng)網(wǎng)絡(luò)中得以廣泛應(yīng)用.L-M算法中迭代項(xiàng)如式（3）所示：

綜合以上討論，可以確定影響柱屈服轉(zhuǎn)角的主要參數(shù)有：混凝土的抗壓強(qiáng)度、軸壓比、剪跨比、縱向鋼筋的屈服強(qiáng)度、配筋率以及縱向鋼筋直徑，并將作為神經(jīng)網(wǎng)絡(luò)預(yù)測模型的輸入?yún)?shù).

2.3 構(gòu)建BP網(wǎng)絡(luò)預(yù)測模型

根據(jù)前述從PEER數(shù)據(jù)庫中遴選出的210組數(shù)據(jù)，180組作為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集，30組作為測試集.將2.2節(jié)討論的6個(gè)主要參數(shù)作為神經(jīng)網(wǎng)絡(luò)輸入?yún)?shù)，柱的屈服轉(zhuǎn)角為輸出結(jié)果，在MATLAB中建立如圖3所示的3層BP神經(jīng)網(wǎng)絡(luò)N 6-H-1（其中輸入層節(jié)點(diǎn)數(shù)為6，H為隱含層的節(jié)點(diǎn)數(shù)，輸出層節(jié)點(diǎn)數(shù)為1）.

利用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱建立神經(jīng)網(wǎng)絡(luò)模型需要確定以下參數(shù)：學(xué)習(xí)函數(shù)、學(xué)習(xí)速率、激活函數(shù)、訓(xùn)練函數(shù)、學(xué)習(xí)周期、性能目標(biāo)和隱含層節(jié)點(diǎn)數(shù).神經(jīng)網(wǎng)絡(luò)參數(shù)選擇如下：

利用BP網(wǎng)絡(luò)進(jìn)行預(yù)測分析，為避免因輸入因子數(shù)量級差別而引起較大的網(wǎng)絡(luò)誤差，一般先將輸入因子進(jìn)行歸一化處理.為避免激活函數(shù)其極值0和1附近飽和而伴隨出現(xiàn)“麻痹現(xiàn)象”，這里采用如式（12）所示方法將神經(jīng)網(wǎng)絡(luò)的輸入和輸出規(guī)格化：

2.4 BP網(wǎng)絡(luò)預(yù)測結(jié)果

根據(jù)以上討論對圖3中BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練、測試，得到如表2所示的預(yù)測結(jié)果.

從表2中可以看出當(dāng)隱含層節(jié)點(diǎn)數(shù)為13和15時(shí)，其測試集和訓(xùn)練集的性能函數(shù)值分別達(dá)到最小；而當(dāng)隱含層節(jié)點(diǎn)數(shù)為17和21時(shí)，神經(jīng)網(wǎng)絡(luò)訓(xùn)練集和測試集的性能函數(shù)均有相對較好的取值.限于篇幅，本文只以13和15節(jié)點(diǎn)神經(jīng)網(wǎng)絡(luò)為例，討論其對混凝土柱屈服性能預(yù)測的適用性.

圖4和表3列出了對應(yīng)節(jié)點(diǎn)數(shù)目為13和15的BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果.為了進(jìn)一步檢驗(yàn)神經(jīng)網(wǎng)絡(luò)的預(yù)測能力，將這兩組預(yù)測結(jié)果與實(shí)驗(yàn)結(jié)果進(jìn)行線性回歸分析，結(jié)果如圖5所示.

根據(jù)表2和圖5給出的預(yù)測結(jié)果以及對應(yīng)的線性回歸結(jié)果，其對應(yīng)較小的性能函數(shù)MSE的值和較高的相關(guān)系數(shù)R的值，可以看出神經(jīng)網(wǎng)絡(luò)能夠準(zhǔn)確預(yù)測混凝土柱的屈服轉(zhuǎn)角.

在表3和圖4中可以看出，2種不同節(jié)點(diǎn)數(shù)的神經(jīng)網(wǎng)絡(luò)均能取得較好的預(yù)測結(jié)果，表3中訓(xùn)練集和測試集的最大變異系數(shù)僅為0.164和0.179.從圖4～圖5以及表2～表3分析可以看到，利用BP網(wǎng)絡(luò)預(yù)測柱的屈服位移可以得到相當(dāng)滿意的結(jié)果.

2.5 BP網(wǎng)絡(luò)預(yù)測結(jié)果與經(jīng)驗(yàn)?zāi)Ｐ捅容^

為了對比說明神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果的準(zhǔn)確性，本文也將Elwood在文獻(xiàn)＼[20＼]基于理論推導(dǎo)的有效剛度模型帶入式（2），計(jì)算結(jié)果列于圖6（a）中.同時(shí)對應(yīng)式（1）中屈服位移的定義，計(jì)算對比文獻(xiàn)＼[11＼]所提出的經(jīng)驗(yàn)?zāi)Ｐ颓D(zhuǎn)角：

從圖6和表4中可以看出：在利用Elwood計(jì)算模型估算構(gòu)件的屈服轉(zhuǎn)角時(shí)，估算精度高于前述4種規(guī)范模型，但是也看出Elwood模型和Jiang經(jīng)驗(yàn)?zāi)Ｐ凸浪憬Y(jié)果依舊相當(dāng)離散，其中Elwood模型計(jì)算結(jié)果變異系數(shù)較小為0.365，而Jiang模型的計(jì)算結(jié)果則為0.477.相對于上述6種經(jīng)驗(yàn)理論模型，本文所提的13和15節(jié)點(diǎn)神經(jīng)網(wǎng)絡(luò)模型，其預(yù)測結(jié)果與實(shí)驗(yàn)值的比值均值為1；變異系數(shù)僅為0.16和0.13.

相對于前述6種經(jīng)驗(yàn)理論模型中僅考慮其中一部分因素的影響或者用一個(gè)數(shù)學(xué)表達(dá)式描述輸入?yún)?shù)和柱子屈服位移之間的關(guān)系，神經(jīng)網(wǎng)絡(luò)綜合考慮輸入?yún)?shù)之間的相互影響，通過權(quán)值和閥值矩陣的調(diào)節(jié)得到更為準(zhǔn)確的預(yù)測結(jié)果.

2.6 BP網(wǎng)絡(luò)敏感性分析

為得到輸入?yún)?shù)對混凝土柱屈服位移的影響程度以及驗(yàn)證2.2節(jié)通過經(jīng)驗(yàn)?zāi)Ｐ瓦x用神經(jīng)網(wǎng)絡(luò)輸入?yún)?shù)方法的合理性，本文采用基于Garson算法[28]的神經(jīng)網(wǎng)絡(luò)敏感性分析.作為基于連接權(quán)神經(jīng)網(wǎng)絡(luò)敏感性分析方法的代表，該方法通過連接權(quán)的乘積計(jì)算輸入變量對輸出變量的貢獻(xiàn)程度.對于一個(gè)N X-H-1的神經(jīng)網(wǎng)絡(luò)，其計(jì)算表述如式（14）所示：

3 結(jié) 論

為了能夠準(zhǔn)確地預(yù)測混凝土柱構(gòu)件的屈服性能，建立一種基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測混凝土柱的屈服性能的方法.本文首先利用以往的經(jīng)驗(yàn)理論模型詳細(xì)解構(gòu)了影響混凝土柱屈服性能的因素，并將混凝土強(qiáng)度、軸壓比、剪跨比、縱向鋼筋配筋率、縱向鋼筋直徑及縱向鋼筋屈服強(qiáng)度作為BP神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)預(yù)測混凝土柱的屈服性能.通過與已有估算模型結(jié)果的對比，顯示出利用BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的高效性.最后通過利用Garson敏感性分析方法證明了本文選擇預(yù)測模型輸入?yún)?shù)合理性，并評估了各個(gè)輸入因素對混凝土柱屈服位移影響的程度.本文通過利用神經(jīng)網(wǎng)絡(luò)預(yù)測矩形混凝土柱的屈服性能，說明在數(shù)據(jù)不充分的情況下神經(jīng)網(wǎng)絡(luò)對于預(yù)測工程結(jié)果是一種很有潛力的手段.

參考文獻(xiàn)

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

[16]羅廣恩，崔維成. 金屬疲勞裂紋擴(kuò)展速率的貝葉斯正則化BP神經(jīng)網(wǎng)絡(luò)預(yù)測＼[J＼]. 船舶力學(xué)， 2012， 16（4）： 433-441.

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

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

[18]劉思思，趙明華，楊明輝，等. 基于自組織神經(jīng)網(wǎng)絡(luò)與遺傳算法的邊坡穩(wěn)定性分析方法＼[J＼]. 湖南大學(xué)學(xué)報(bào)：自然科學(xué)版，2008，35（12）： 7-12.

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

[19]王蕾，郁勝，李賓賓，等. 基于徑向基神經(jīng)網(wǎng)絡(luò)的橋梁有限元模型修正＼[J＼]. 土木工程學(xué)報(bào)， 2012，45（S2）： 11-15.

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

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

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

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

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

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

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

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

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

篇10

1公路工程造價(jià)估算概述

1.1 公路工程造價(jià)估算的重要性

公路工程造價(jià)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(gè)方面。

第一,公路工程造價(jià)的估算是實(shí)現(xiàn)工程成本控制的基礎(chǔ)。其中工程施工前期造價(jià)估算、施工前的編制預(yù)算以及施工圖設(shè)計(jì)階段的編制預(yù)算等環(huán)節(jié)作為工程造價(jià)估算的核心,同樣是公路工程施工成本控制的起點(diǎn),因此,實(shí)現(xiàn)公路工程造價(jià)的合理估算是實(shí)現(xiàn)工程成本控制的重要前提條件。

第二,公路工程造價(jià)的估算可以為施工企業(yè)成本控制計(jì)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(jià)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(jià)的估算可以幫助施工企業(yè)在進(jìn)行設(shè)計(jì)招標(biāo)前可以確定工程的大致造價(jià)。這樣一來,施工企業(yè)在招標(biāo)的過程中就可以有效避免中間商的欺詐以及保標(biāo)等惡意行為的發(fā)生。

1.2 傳統(tǒng)公路工程造價(jià)估算中存在的問題

盡管工程造價(jià)估算在公路工程建設(shè)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(jià)估算中還存在一系列的問題,其中我國傳統(tǒng)公路造價(jià)估算中主要存在如下幾個(gè)方面的問題:一是相關(guān)規(guī)章制度的限制,造價(jià)估算結(jié)果往往與投標(biāo)報(bào)價(jià)相差懸殊;二是預(yù)算結(jié)果與概算結(jié)果差距較大,不利于工程實(shí)際造價(jià)的控制和確定;三是缺少對工程造價(jià)估算的有效監(jiān)督機(jī)制,從而使最終的造價(jià)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(jìn)行工程造價(jià)估算時(shí)很難早到平衡點(diǎn),以至于造價(jià)估算精度不能得到有效的保證。

2認(rèn)識模糊神經(jīng)網(wǎng)絡(luò)

2.1 模糊數(shù)學(xué)概述

(1)模糊數(shù)學(xué)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(xué)就是要用數(shù)學(xué)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(xué)的思想來解決那些模棱兩可的、不確定的實(shí)際問題。

(2)模糊數(shù)學(xué)的數(shù)學(xué)描述,一般模糊數(shù)學(xué)的數(shù)學(xué)描述,多采用的是類似與集合的數(shù)學(xué)表示方法。與集合的區(qū)別就在于模糊數(shù)學(xué)在表示集合元素時(shí)需要附帶一個(gè)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(jìn)行運(yùn)算的結(jié)果。

2.2 神經(jīng)網(wǎng)絡(luò)概述

(1)神經(jīng)網(wǎng)絡(luò)的概念,所謂的神經(jīng)網(wǎng)絡(luò)是一個(gè)借鑒物理和生物技術(shù)來實(shí)現(xiàn)的用來模仿人類大腦神經(jīng)細(xì)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(gè)系統(tǒng)協(xié)同完成一系列復(fù)雜的信息處理活動。

(2)神經(jīng)網(wǎng)絡(luò)的基本原理,神經(jīng)網(wǎng)絡(luò)在結(jié)構(gòu)和功能上都是模擬人腦的神經(jīng)系統(tǒng)來進(jìn)行設(shè)計(jì)和實(shí)現(xiàn)的,它同時(shí)作為模擬生物神經(jīng)元的一種計(jì)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(luò)結(jié)點(diǎn)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(yīng)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(luò)概述

模糊神經(jīng)網(wǎng)絡(luò)是模糊數(shù)學(xué)和神經(jīng)網(wǎng)絡(luò)有效結(jié)合的應(yīng)用研究成果。其中在模糊神經(jīng)網(wǎng)絡(luò)中模糊數(shù)學(xué)的應(yīng)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(yīng)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(luò)在公路工程造價(jià)估算中的應(yīng)用

3.1 基于模糊神經(jīng)網(wǎng)絡(luò)的公路工程造價(jià)估算方法的實(shí)現(xiàn)

將模糊神經(jīng)網(wǎng)絡(luò)應(yīng)用于公路工程造價(jià)估算方面,是近年來公路工程造價(jià)估算發(fā)展的特點(diǎn)和重點(diǎn)。從本質(zhì)上來看,模糊神經(jīng)網(wǎng)絡(luò)就是一個(gè)系統(tǒng),它即有輸入又有輸出,與公路工程的造價(jià)估算十分相似,因?yàn)楣饭こ淘靸r(jià)估算就是在輸入公路工程施工的一系列要求和特點(diǎn)后輸出相應(yīng)結(jié)果的,所以與模擬神經(jīng)網(wǎng)絡(luò)所提供的輸入輸出機(jī)制非常相似,其中結(jié)合模糊神經(jīng)網(wǎng)絡(luò)的原理,基于模糊神經(jīng)網(wǎng)絡(luò)的公路工程造價(jià)估算方法的實(shí)現(xiàn)過程如下。

第一，構(gòu)建已施工公路工程的造價(jià)信息庫,其中包括應(yīng)經(jīng)施工的公路工程的各種特征因素以及工程造價(jià)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(jià)指標(biāo)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(xué)的思想法在已施工公路工程的造價(jià)信息庫中選取若干個(gè)(至少三個(gè))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(luò)進(jìn)行學(xué)習(xí)和訓(xùn)練的基礎(chǔ)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(luò)的輸入向量,信息庫中公路工程的造價(jià)值作為神經(jīng)網(wǎng)絡(luò)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(luò)的輸入向量,通過神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)后所得到的輸出向量即為擬建公路工程的造價(jià)估算值。

第五,建立公路施工工程造價(jià)信息數(shù)據(jù),編制神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的算法通用程序。將學(xué)習(xí)訓(xùn)練的基礎(chǔ)數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò),然后合理設(shè)計(jì)學(xué)習(xí)率,經(jīng)過一定次數(shù)的迭代運(yùn)算,有效提高公路工程造價(jià)估算結(jié)果的精度。

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

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

第一,模糊神經(jīng)網(wǎng)絡(luò)中所采用的模糊數(shù)學(xué)可以對公路工程造價(jià)估算中的模糊信息進(jìn)行有效的處理,通過對已竣工的公路工程和計(jì)劃施工的公路工程的相似度進(jìn)行定量化描述,從而使模糊的公路工程造價(jià)問題得以模型化。

第二,基于模糊神經(jīng)網(wǎng)絡(luò)的公路工程造價(jià)估算方法的估算結(jié)果科學(xué)合理,因?yàn)樵摲椒ú捎玫氖腔跀?shù)學(xué)模型的數(shù)學(xué)計(jì)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(luò)中所采用的神經(jīng)網(wǎng)絡(luò)模型對公路工程造價(jià)的估算具有很好的適應(yīng)性,與傳統(tǒng)的造價(jià)估算方法相比,該方法能更好的適應(yīng)公路工程造價(jià)的動態(tài)變化。

第四,基于模糊神經(jīng)網(wǎng)絡(luò)的公路工程造價(jià)估算方法是借助計(jì)算機(jī)來完成的,所以還具有運(yùn)算速度快和運(yùn)算精度高的優(yōu)點(diǎn)。

4結(jié)語

由于影響公路工程造價(jià)的因素比較多,而且各因素的構(gòu)成比較復(fù)雜,計(jì)算相對繁瑣,所以公路工程的造價(jià)估算具有很大的模糊性。對于使用傳統(tǒng)的工程造價(jià)估算方法而言,公路工程造價(jià)的估算將是一項(xiàng)非常復(fù)雜的工作。然而結(jié)合模糊數(shù)學(xué)和神經(jīng)網(wǎng)絡(luò)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(luò)的公路工程造價(jià)估算方法可以迅速的得出精確的工程造價(jià)估算結(jié)果。