導(dǎo)語：如何才能寫好一篇神經(jīng)網(wǎng)絡(luò)的實現(xiàn)過程，這就需要搜集整理更多的資料和文獻，歡迎閱讀由公文云整理的十篇范文，供你借鑒。

篇1

【關(guān)鍵詞】人工神經(jīng)網(wǎng)絡(luò) 路徑規(guī)劃 移動機器人

1 引言

在移動機器人導(dǎo)航技術(shù)應(yīng)用過程中，路徑規(guī)劃是一種必不可少的算法，路徑規(guī)劃要求機器人可以自己判定障礙物，以便自主決定路徑，能夠避開障礙物，自主路徑規(guī)劃可以自動的要求移動機器人能夠安全實現(xiàn)智能化移動的標志，通常而言，機器人選擇的路徑包括很多個，因此，在路徑最短、使用時間最短、消耗的能量最少等預(yù)定的準則下，能夠選擇一條最優(yōu)化的路徑，成為許多計算機學(xué)者研究的熱點和難點。

2 背景知識

神經(jīng)網(wǎng)絡(luò)模擬生物進化思維，具有獨特的結(jié)構(gòu)神經(jīng)元反饋機制，其具有分布式信息存儲、自適應(yīng)學(xué)習(xí)、并行計算和容錯能力較強的特點，以其獨特的結(jié)構(gòu)和信息處理方法，在自動化控制、組合優(yōu)化領(lǐng)域得到了廣泛的應(yīng)用，尤其是大規(guī)模網(wǎng)絡(luò)數(shù)據(jù)分析和態(tài)勢預(yù)測中，神經(jīng)網(wǎng)絡(luò)能夠建立一個良好的分類學(xué)習(xí)模型，并且在學(xué)習(xí)過程中優(yōu)化每一層的神經(jīng)元和神經(jīng)元連接的每一個節(jié)點。1993年，Banta等將神經(jīng)網(wǎng)絡(luò)應(yīng)用于移動機器人路徑規(guī)劃過程中，近年來，得到了廣泛的研究和發(fā)展，morcaso等人構(gòu)建利用一個能夠?qū)崿F(xiàn)自組織的神經(jīng)網(wǎng)絡(luò)實現(xiàn)機器人導(dǎo)航的功能，并且可以通過傳感器訓(xùn)練網(wǎng)絡(luò)，取得更好的發(fā)展，確定系統(tǒng)的最佳路徑。神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu)模型可以分為：

2.1 前向網(wǎng)絡(luò)

網(wǎng)絡(luò)中各個神經(jīng)元接受前一級的輸入，并輸出到下一級，網(wǎng)絡(luò)中沒有反饋，可以用一個有向無環(huán)路圖表示。這種網(wǎng)絡(luò)實現(xiàn)信號從輸入空間到輸出空間的變換，它的信息處理能力來自于簡單非線性函數(shù)的多次復(fù)合。網(wǎng)絡(luò)結(jié)構(gòu)簡單，易于實現(xiàn)。反傳網(wǎng)絡(luò)是一種典型的前向網(wǎng)絡(luò)。

2.2 反饋網(wǎng)絡(luò)

網(wǎng)絡(luò)內(nèi)神經(jīng)元間有反饋，可以用一個無向的完備圖表示。這種神經(jīng)網(wǎng)絡(luò)的信息處理是狀態(tài)的變換，可以用動力學(xué)系統(tǒng)理論處理。系統(tǒng)的穩(wěn)定性與聯(lián)想記憶功能有密切關(guān)系。Hopfield網(wǎng)絡(luò)、波耳茲曼機均屬于這種類型。

3 基于人工神經(jīng)網(wǎng)絡(luò)的移動機器人路徑規(guī)劃算法

神經(jīng)網(wǎng)絡(luò)解決移動機器人路徑規(guī)劃的思路是：使用神經(jīng)網(wǎng)絡(luò)算法能夠描述機器人移動環(huán)境的各種約束，計算碰撞函數(shù)，該算法能夠?qū)⒌窂近c集作為碰撞能量函數(shù)和距離函數(shù)的和當(dāng)做算法需要優(yōu)化的目標函數(shù)，通過求解優(yōu)化函數(shù)，能夠確定點集，實現(xiàn)路徑最優(yōu)規(guī)劃。神經(jīng)網(wǎng)絡(luò)算法在移動機器人路徑規(guī)劃過程中的算法如下：

（1）神將網(wǎng)絡(luò)算法能夠初始化神經(jīng)網(wǎng)絡(luò)中的所有神經(jīng)元為零，確定目標點位置的神經(jīng)元活性值，并且能夠神經(jīng)網(wǎng)絡(luò)每層的神經(jīng)元連接將神經(jīng)元的值傳播到出發(fā)點；

（2）動態(tài)優(yōu)化神經(jīng)網(wǎng)絡(luò)，根據(jù)神經(jīng)網(wǎng)絡(luò)的目標節(jié)點和障礙物的具置信息，在神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu)中的映射中產(chǎn)生神經(jīng)元的外部輸入；

（3）確定目標值附件的神經(jīng)元活性值，并且使用局部側(cè)的各個神經(jīng)元之間，連接整個神經(jīng)網(wǎng)絡(luò)，并且在各個神經(jīng)元中進行傳播。

（4）利用爬山法搜索當(dāng)前鄰域內(nèi)活性值最大的神經(jīng)元，如果鄰域內(nèi)的神經(jīng)元活性值都不大于當(dāng)前神經(jīng)元的活性值，則機器人保持在原處不動；否則下一個位置的神經(jīng)元為鄰域內(nèi)具有最大活性值的神經(jīng)元。

（5）如果機器人到達目標點則路徑規(guī)劃過程結(jié)束，否則轉(zhuǎn)步驟（2）。

4 基于人工神經(jīng)網(wǎng)絡(luò)的移動機器人路徑規(guī)劃技術(shù)展望

未來時間內(nèi)，人工神經(jīng)在機器人路徑規(guī)劃過程中的應(yīng)用主要發(fā)展方向包括以下幾個方面：

4.1 與信息論相融合，確定神經(jīng)網(wǎng)絡(luò)的最優(yōu)化化目標解

在神經(jīng)網(wǎng)絡(luò)應(yīng)用過程中，由于經(jīng)驗值較為難以確定，因此在神經(jīng)網(wǎng)絡(luò)的應(yīng)用過程中，將神經(jīng)網(wǎng)絡(luò)看做是一個貝葉斯網(wǎng)絡(luò)，根據(jù)貝葉斯網(wǎng)絡(luò)含有的信息熵，確定神經(jīng)網(wǎng)絡(luò)的目標函數(shù)的最優(yōu)解，以便更好的判斷機器人移動的最佳路徑。

4.2 與遺傳算法想結(jié)合，確定全局最優(yōu)解

將神經(jīng)網(wǎng)絡(luò)和遺傳算法結(jié)合起來，其可以將機器人的移動環(huán)境設(shè)置為一個二維的環(huán)境，障礙物的數(shù)目、位置和形狀是任意的，路徑規(guī)劃可以由二維工作空間一系列的基本點構(gòu)成，神經(jīng)網(wǎng)絡(luò)決定機器人的運動控制規(guī)則，利用相關(guān)的神經(jīng)元的傳感器作用獲未知環(huán)境的情況，將障礙信息和目標點之間的距離作為神經(jīng)網(wǎng)絡(luò)的輸入信息，使用遺傳算法完成神經(jīng)網(wǎng)絡(luò)的權(quán)值訓(xùn)練，神經(jīng)網(wǎng)絡(luò)的輸出作為移動機器人的運動作用力，實現(xiàn)一個可以在未知環(huán)境中進行的機器人運動路徑規(guī)劃。

4.3 與蟻群算法相結(jié)合，降低搜索空間，提高路徑規(guī)劃準確性

為了提高神經(jīng)網(wǎng)絡(luò)的搜索準確性和提高效率，可以將蟻群算法與神經(jīng)網(wǎng)絡(luò)相互結(jié)合，蟻群算法的路徑規(guī)劃方法首先采用柵格法對機器人工作環(huán)境進行建模，然后將機器人出發(fā)點作為蟻巢位置，路徑規(guī)劃最終目標點作為蟻群食物源，通過螞蟻間相互協(xié)作找到一條避開障礙物的最優(yōu)機器人移動路徑。

5 結(jié)語

隨著移動機器人技術(shù)的發(fā)展，路徑規(guī)劃作為最重要的一個組成部分，其得到了許多的應(yīng)用和發(fā)展，其在導(dǎo)航過程中，也引入了許多先進的算法，比如神經(jīng)網(wǎng)絡(luò)，更加優(yōu)化了移動的路徑。未來時間內(nèi)，隨著神經(jīng)網(wǎng)絡(luò)技術(shù)的改進，可以引入遺傳算法、信息論、蟻群算法等，將這些算法優(yōu)勢結(jié)合，將會是路徑規(guī)劃更加準確和精確。

參考文獻

[1]朱大奇,顏明重,滕蓉. 移動機器人路徑規(guī)劃技術(shù)綜述[J].控制與決策,2010,25(7): 961-967.

[2]劉毅.移動機器人路徑規(guī)劃中的仿真研究[J].計算機仿真,2011,28(6): 227-230.

[3]熊開封,張華.基于改進型 FNN 的移動機器人未知環(huán)境路徑規(guī)劃[J].制造業(yè)自動化,2013,35(22): 1-4.

[4]柳長安,鄢小虎,劉春陽.基于改進蟻群算法的移動機器人動態(tài)路徑規(guī)劃方法[J].電子學(xué)報,2011,39(5).

[5]范浩鋒,劉俊.基于 BP 神經(jīng)網(wǎng)絡(luò)的紅外目標識別技術(shù)[J].計算機與數(shù)字工程,2013,41(4): 559-560.

篇2

建筑工程的系統(tǒng)性和復(fù)雜性提升了工程造價估算的難度，基于神經(jīng)網(wǎng)絡(luò)的工程造價估算方法能夠提升工程造價估算的準確性。本文從傳統(tǒng)的工程造價估算方法入手，對基于神經(jīng)網(wǎng)絡(luò)的工程造價估算方法及其Excel實現(xiàn)進行研究。

【關(guān)鍵詞】神經(jīng)網(wǎng)絡(luò) 工程造價 估算方法 Excel實現(xiàn)

在建筑行業(yè)不斷發(fā)展的背景中，建筑企業(yè)面臨的競爭壓力越來越大。對于建筑企業(yè)而言，通過建筑工程成本的有效控制，實現(xiàn)所獲經(jīng)濟效益的提升能夠?qū)ψ陨硎袌龈偁幜Φ奶嵘a(chǎn)生相應(yīng)的促進作用。選擇合理的工程造價估算方法具有一定的必要性。

1 傳統(tǒng)的工程造價估算方法

應(yīng)用傳統(tǒng)工程造價估算方法進行估算，要求建筑工程的成本函數(shù)是一個具有確定性特點的數(shù)學(xué)形式，并且這個成本函數(shù)應(yīng)該是對可利用歷史數(shù)據(jù)的最佳擬合。這些要求對傳統(tǒng)工程造價估算方法的精確度產(chǎn)生了不良影響，進而對該方法的實際應(yīng)用產(chǎn)生相應(yīng)的限制。

2 基于神經(jīng)網(wǎng)絡(luò)的工程造價控制估算方法及其Excel實現(xiàn)

2.1 神經(jīng)網(wǎng)絡(luò)的優(yōu)點和應(yīng)用

神經(jīng)網(wǎng)絡(luò)是由一定數(shù)量的并行處理單元組成的系統(tǒng)，不同處理單元的實際處理方式和連接強度是影響神經(jīng)網(wǎng)絡(luò)功能的主要因素。在神經(jīng)網(wǎng)絡(luò)中，不同神元之間的相互作用可以實現(xiàn)處理信息的目的。神經(jīng)網(wǎng)絡(luò)具有時間連續(xù)性、高度非線性以及規(guī)模大的特點，神經(jīng)網(wǎng)絡(luò)包含優(yōu)化計算、處理知識以及聯(lián)想記憶等多種功能。神經(jīng)網(wǎng)絡(luò)在電子科技領(lǐng)域中的應(yīng)用主要集中在圖像和信號處理以及模式識別中。以某個500字符的代碼段為例，該代碼段可能是Python、Java或者C++。當(dāng)需要通過程序的構(gòu)造對該代碼段進行識別編寫時，構(gòu)造神經(jīng)網(wǎng)絡(luò)的方法更加有效。

2.2 基于神經(jīng)網(wǎng)絡(luò)工程造價控制估算方法的合理性

神經(jīng)網(wǎng)絡(luò)的優(yōu)勢在于，它可以近似實現(xiàn)任意空間的數(shù)學(xué)映射。神經(jīng)網(wǎng)絡(luò)的這種特點使得它在需要辨識數(shù)據(jù)模式的困難任務(wù)中得到了廣泛應(yīng)用。神經(jīng)網(wǎng)絡(luò)可以分別對實時數(shù)據(jù)和歷史資料進行訓(xùn)練，這種特點為神經(jīng)網(wǎng)絡(luò)在工程造價估算中的應(yīng)用提供了可能。

2.3 神經(jīng)網(wǎng)絡(luò)電子表格模擬程序

神經(jīng)網(wǎng)絡(luò)電子表格模擬程序主要包括以下幾個步驟：

2.3.1 輸入輸出信息模塊

在該模型中，主要包含基礎(chǔ)基礎(chǔ)類型、結(jié)構(gòu)類型、建造年份、工期、建址、層高、層數(shù)、內(nèi)、外裝修門窗共9個輸入單元，還包含每平方米造價這一輸出單元，以及4個測試樣本和6個訓(xùn)練樣本。為了將輸入單元、輸出單元的數(shù)據(jù)更好地展示出來，可以在Excel中建立一個表格。

2.3.2 輸入數(shù)據(jù)初始化

當(dāng)表格構(gòu)建完成之后，可以將相關(guān)數(shù)據(jù)輸入進行，為了便于神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)進行合理處理，需要將表格中第一個模塊中的輸入數(shù)據(jù)調(diào)整至[-1，1]范圍中。當(dāng)?shù)谝粋€模塊構(gòu)造完成之后，為了簡化第二個模塊的構(gòu)造時間和步驟，可以利用線性公式對第一個模塊的參數(shù)值進行合理調(diào)整，這個過程中使用的線性公式如下所示。

2.3.3 構(gòu)建權(quán)重模塊I

就輸出節(jié)點、輸入節(jié)點以及隱層節(jié)點之間的數(shù)目關(guān)系而言，輸出節(jié)點與輸入節(jié)點數(shù)量之和的一般是隱層節(jié)點的實際設(shè)置數(shù)目。在權(quán)重模塊中，需要將所有的數(shù)值初始化為1.0。

2.3.4 當(dāng)權(quán)重模塊I構(gòu)建完成之后

需要考慮隱層節(jié)點的輸出模塊。這個步驟主要需要根據(jù)神經(jīng)網(wǎng)絡(luò)的操作模型進行。

2.3.5 構(gòu)建權(quán)重模塊II

該模塊的構(gòu)建步驟與第三步中的做法相同，但在這個模塊中，需要在單一的輸出節(jié)點和隱層節(jié)點之間建立連接。

2.3.6 神經(jīng)網(wǎng)絡(luò)的最終輸出

這個步驟與第四步類似。

2.3.7 對神經(jīng)網(wǎng)絡(luò)的輸出值進行反調(diào)整，并對誤差進行有效計算

神經(jīng)網(wǎng)絡(luò)輸出值的反調(diào)整范圍集中在初始賦值范圍中。

2.4 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程

當(dāng)神經(jīng)網(wǎng)絡(luò)電子表格模擬完成之后，需要對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，也可以將這個過程看成是權(quán)值的優(yōu)化過程。由于權(quán)值優(yōu)化過程具有一定的復(fù)雜性特點，因此可以將Excel中的Solver程序應(yīng)用到這種預(yù)測方法中，與其他算法相比，這種算法的優(yōu)勢表現(xiàn)為可以直接在表格中運行，簡化了操作步驟，實現(xiàn)該預(yù)測方法掌握難度的有效降低。運用這種預(yù)測方法進行操作可以發(fā)現(xiàn)，網(wǎng)絡(luò)運行結(jié)果滿意，應(yīng)用這種預(yù)測方法的預(yù)測誤差小于0.4%。

2.5 分析參數(shù)變化對模型預(yù)測結(jié)果的敏感性

用戶通常無法確定能夠?qū)μ囟üこ踢M行精確描述的特征因素是什么，因此，為了保證模型的實用性，需要對參數(shù)變化對模型預(yù)測結(jié)果的敏感性進行有效測定。測定參數(shù)變化對模型預(yù)測結(jié)果敏感性的較為復(fù)雜，首先，用戶需要將工程中無法肯定的某一特征因素或幾個特征因素的組合選擇出來，然后使用戶選取的參數(shù)在初始值周圍逐漸變動，并將參數(shù)變動范圍控制在25%之內(nèi)，為了更好地對參數(shù)對模型預(yù)測結(jié)果的敏感性進行分析，需要對樣本資料的數(shù)量進行合理控制。分析參數(shù)對模型預(yù)測結(jié)果名感性的界面如圖1所示。在實際分析過程中，需要將第一個模塊公式變?yōu)榉謩e對多個分析資料進行計算，結(jié)合計算結(jié)果得出計算結(jié)果的標準差和平均值，并將估計成本與標準差和平均值進行比較。就平均值而言，在選定參數(shù)發(fā)生變化的情況下，可以通過敏感性分析對模塊中輸入?yún)?shù)的實際重要性進行有效判斷，通過不同參數(shù)的分別變化，分別對其進行敏感性分析，將所得標準差和平均值與最初估計進行比較，進而得出模塊中輸入?yún)?shù)的實際重要性判斷結(jié)果。

3 結(jié)論

隨著建筑企業(yè)面臨競爭壓力的不斷增大，建筑企業(yè)對建筑工程成本控制越來越重視。有效工程造價估算方法的使用可以幫助建筑企業(yè)獲得更多的經(jīng)濟效益，傳統(tǒng)的工程造價估算方法精確度較低，基于神經(jīng)網(wǎng)絡(luò)的工程造價估算方法可以保證工程造價估算結(jié)果的準確性。

參考文獻

[1]孫金麗，鄭立群，張世英.基于神經(jīng)網(wǎng)絡(luò)的工程造價估算方法及其Excel實現(xiàn)[J].基建優(yōu)化，2003（01）：38-40.

[2]吳子燕.基于人工神經(jīng)網(wǎng)絡(luò)的高校建筑工程造價預(yù)測系統(tǒng)的研究與應(yīng)用[D].西安：西北工業(yè)大學(xué)，2006.

[3]趙欣.基于BP神經(jīng)網(wǎng)絡(luò)的地鐵土建工程造價估算方法研究[D].北京：北京交通大學(xué)，2008.

篇3

關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò)；Hopfield神經(jīng)網(wǎng)絡(luò)；聯(lián)想記憶

DOIDOI：10.11907/rjdk.161853

中圖分類號：TP391

文獻標識碼：A文章編號文章編號：16727800（2016）009014603

基金項目基金項目：

作者簡介作者簡介：余洋（1994-），男，湖北隨州人，四川理工學(xué)院自動化電子信息學(xué)院碩士研究生，研究方向為智能控制；傅成華（1958-），男，四川富順人，四川理工學(xué)院自動化與電子信息學(xué)院教授、碩士生導(dǎo)師，研究方向為先進控制與系統(tǒng)優(yōu)化、神經(jīng)網(wǎng)絡(luò)與非線性信息處理。

0引言

Hopfield于1982年提出了一種新型的神經(jīng)網(wǎng)絡(luò)――Hopfield網(wǎng)絡(luò)模型。它采用了與層次型人工神經(jīng)網(wǎng)絡(luò)完全不一樣的結(jié)構(gòu)特征和學(xué)習(xí)方法來模擬生物神經(jīng)網(wǎng)絡(luò)的記憶機理，首次使用“能量函數(shù)”的概念，并且說明了此神經(jīng)網(wǎng)絡(luò)與動力學(xué)之間的關(guān)系，使得判斷神經(jīng)網(wǎng)絡(luò)在工作過程中的穩(wěn)定性有了非常簡便和可靠的依據(jù)。該神經(jīng)網(wǎng)絡(luò)非常利于人們理解學(xué)習(xí)，也可以比較方便地在集成電路中實現(xiàn)。Hopfield神經(jīng)網(wǎng)絡(luò)根據(jù)網(wǎng)絡(luò)輸入輸出的不同分為兩種形式：離散型Hopfield神經(jīng)網(wǎng)絡(luò)和連續(xù)型Hopfield神經(jīng)網(wǎng)絡(luò)，兩種形式的神經(jīng)網(wǎng)絡(luò)應(yīng)用領(lǐng)域也各不相同。本文使用離散型Hopfield神經(jīng)網(wǎng)絡(luò)實現(xiàn)聯(lián)想存儲器設(shè)計。

1離散型Hopfield神經(jīng)網(wǎng)絡(luò)

離散型Hopfield神經(jīng)網(wǎng)絡(luò)是由n個神經(jīng)元相互連接而成的二值神經(jīng)網(wǎng)絡(luò)[12]，并且各神經(jīng)元之間的連接是雙向的，連接強度用權(quán)值表示。網(wǎng)絡(luò)的全互聯(lián)結(jié)構(gòu)如圖1所示。神經(jīng)元的輸出為離散值0（或-1）和1，分別代表神經(jīng)元的抑制和激活狀態(tài)。由于神經(jīng)網(wǎng)絡(luò)的時間離散特性，因而其被稱為離散型Hopfield神經(jīng)網(wǎng)絡(luò)[3]。

這種連接方式使得離散型Hopfield神經(jīng)網(wǎng)絡(luò)中每個神經(jīng)元的輸出均通過神經(jīng)元之間的連接權(quán)值反饋到同一層次的其它神經(jīng)元，并作為該神經(jīng)元的輸入，從而使各神經(jīng)元之間相互制約，保證離散型Hopfield神經(jīng)網(wǎng)絡(luò)在沒有外部輸入的情況下也能進入穩(wěn)定狀態(tài)。

兩個互聯(lián)神經(jīng)元之間的連接權(quán)值相同（wij=wji），每個神經(jīng)元到其自身的連接權(quán)值為0，即wii =0。

1.1處理單元模型

離散型Hopfield神經(jīng)網(wǎng)絡(luò)的單個神經(jīng)元結(jié)構(gòu)如圖2所示，單個神經(jīng)元采用M-P模型進行信息處理，假設(shè)神經(jīng)網(wǎng)絡(luò)有n個神經(jīng)元，以xj表示神經(jīng)元j的輸出（也稱為神經(jīng)元的狀態(tài)），wij表示神經(jīng)元i與神經(jīng)元j之間的連接權(quán)值，θj表示神經(jīng)元j的閾值。

神經(jīng)元j的凈輸入sj=∑ni=1xiwij-θj（1）

神經(jīng)元j的輸出 xj=f（sj）=sgn（sj）=1sj>0-1sj≤0（2）

1.2網(wǎng)絡(luò)狀態(tài)及運行規(guī)則

離散型Hopfield神經(jīng)網(wǎng)絡(luò)的狀態(tài)由網(wǎng)絡(luò)所有（n個）神經(jīng)元的狀態(tài)集合構(gòu)成，在任意一個給定的時刻t，離散型Hopfield神經(jīng)網(wǎng)絡(luò)的狀態(tài)表示為：

X（t）=（x1 ，x2 ，…，xn ）（3）

離散型Hopfield神經(jīng)網(wǎng)絡(luò)是全互聯(lián)反饋式的連接結(jié)構(gòu)，每個神經(jīng)元都會接收到全部神經(jīng)元的反饋信息，故當(dāng)網(wǎng)絡(luò)中的各神經(jīng)元狀態(tài)改變時，整個網(wǎng)絡(luò)狀態(tài)也隨之變化。當(dāng)網(wǎng)絡(luò)中各神經(jīng)元的輸出狀態(tài)都不再改變時就表示網(wǎng)絡(luò)達到穩(wěn)定狀態(tài)（即xj （t+1）=xj （t）=f（sj （t）））。神經(jīng)網(wǎng)絡(luò)要達到穩(wěn)定狀態(tài)需要經(jīng)過反復(fù)更新，學(xué)習(xí)訓(xùn)練。

離散型Hopfield神經(jīng)網(wǎng)絡(luò)的工作過程就是網(wǎng)絡(luò)狀態(tài)的動態(tài)演化過程，即從網(wǎng)絡(luò)初始狀態(tài)沿能量遞減的方向不斷演化的過程，直到達到網(wǎng)絡(luò)的穩(wěn)定狀態(tài)，這時網(wǎng)絡(luò)的穩(wěn)定狀態(tài)就是網(wǎng)絡(luò)的輸出。離散型Hopfield神經(jīng)網(wǎng)絡(luò)工作時有以下運行步驟：①對網(wǎng)絡(luò)進行初始化；②從網(wǎng)絡(luò)中隨機選取一個神經(jīng)元i；③按照式（1）計算神經(jīng)元i在t時刻的凈輸入si （t）；④按照式（2）計算神經(jīng)元i在t+1時刻的輸入xi（t+1），此時網(wǎng)絡(luò)中除i以外的其它神經(jīng)元j的輸出保持不變，即xj（t+1）=xj（t）其中i ≠j；⑤按照式xj（t+1）=xj（t）=f（sj（t））判斷網(wǎng)絡(luò)是否達到了穩(wěn)定狀態(tài)，如果未達到穩(wěn)定狀態(tài)就轉(zhuǎn)到②繼續(xù)進行，如果網(wǎng)絡(luò)達到穩(wěn)定狀態(tài)則網(wǎng)絡(luò)的工作過程終止。

1.3離散型Hopfield神經(jīng)網(wǎng)絡(luò)的能量函數(shù)

Hopfield神經(jīng)網(wǎng)絡(luò)的一大特點就是引入了“能量函數(shù)”，它表明了神經(jīng)網(wǎng)絡(luò)與動力學(xué)之間的關(guān)系。上文也提到，網(wǎng)絡(luò)運行時在網(wǎng)絡(luò)狀態(tài)不斷變化過程中，網(wǎng)絡(luò)的能量值不斷遞減，直到達到穩(wěn)定狀態(tài)。這說明網(wǎng)絡(luò)的能量值與網(wǎng)絡(luò)的穩(wěn)定狀態(tài)有著十分密切的關(guān)系。能量函數(shù)定義為：

E=-12∑ni=1∑nj=1wijxixj+∑ni=1θixi（4）

Hopfield神經(jīng)網(wǎng)絡(luò)實際上是一個非線性動力系統(tǒng)，網(wǎng)絡(luò)按動力學(xué)方式運行，網(wǎng)絡(luò)狀態(tài)的變化過程實際上是使能量極小化的過程：每次神經(jīng)元狀態(tài)改變時，整個網(wǎng)絡(luò)的能量應(yīng)單調(diào)遞減，即能量與以前相同或下降。證明如下：

設(shè)任一神經(jīng)元j由式（4）得神經(jīng)元j的能量為：

Ej=-12∑ni=1wijxixj+θjxj（5）

該式可變換為：

Ej=-12xj∑ni=1wijxi+θjxj（6）

由t時刻到t+1時刻神經(jīng)元j的能量變化為：ΔEj=Ej（t+1）-Ej（t）= -Δxj（∑ni=1wijxi-θj）+12Δxj∑ni=1wijxi（7）

由于在t+1時刻只有神經(jīng)元j調(diào)整狀態(tài)，并且各神經(jīng)元不存在自反饋，式（7）可簡化為：

ΔEj= -Δxj（∑ni=1wijxi-θj）（8）

在t+1時刻共有以下3種可能情況來分析ΔEj的大小從而論證網(wǎng)絡(luò)能量值的改變方向：①如果神經(jīng)元j的狀態(tài)不發(fā)生變化，即xj （t+1）=xj （t），則Δxj=0，由式（8）可知ΔEj=0；②如果神經(jīng)元j的狀態(tài)發(fā)生變化，是從-1變?yōu)?，則Δxj=2，此時由式（1）和式（2）可知∑ni=1wijxi-θj>0，再由式（8）得ΔEj

綜上可知，從t時刻到t+1時刻，無論神經(jīng)元j的狀態(tài)如何變化，其能量的改變量均為ΔEj≤0。由于神經(jīng)元j是網(wǎng)絡(luò)中任意一個神經(jīng)元，而網(wǎng)絡(luò)中的神經(jīng)元又都是按照同一規(guī)則來更新狀態(tài)的，因而整個網(wǎng)絡(luò)的能量一直向減少的方向進行。網(wǎng)絡(luò)變化的過程就是網(wǎng)絡(luò)能量的極小化過程，因為能量函數(shù)是有界的，故網(wǎng)絡(luò)一定會趨于穩(wěn)定狀態(tài)，該穩(wěn)定狀態(tài)就是網(wǎng)絡(luò)的輸出。離散型Hopfield神經(jīng)網(wǎng)絡(luò)能量函數(shù)的變化曲線如圖3所示，能量函數(shù)的變化過程可以看作是下坡的過程，當(dāng)網(wǎng)絡(luò)的狀態(tài)隨時間改變時，整個網(wǎng)絡(luò)的能量沿著下降最快的方向改變，最終停在整個網(wǎng)絡(luò)能量的極小點[4]。這些極小點有全局極小點c，也有局部極小點a、b，最終落入哪種極小點取決于網(wǎng)絡(luò)的初始狀態(tài)。網(wǎng)絡(luò)能量函數(shù)變化曲線如圖3所示。

1.4關(guān)于離散型Hopfield神經(jīng)網(wǎng)絡(luò)聯(lián)想記憶的連接權(quán)值設(shè)計

離散型Hopfield神經(jīng)網(wǎng)絡(luò)可以應(yīng)用于聯(lián)想記憶[5]，其聯(lián)想記憶的基本原理是利用能量函數(shù)的極值點，網(wǎng)絡(luò)將記憶的樣本信息存儲在不同的能量極值點上，當(dāng)網(wǎng)絡(luò)輸入某一種模式時，網(wǎng)絡(luò)工作到穩(wěn)定狀態(tài)后能夠“聯(lián)想記憶”出與其相關(guān)的其它存儲樣本，從而實現(xiàn)聯(lián)想記憶。并且神經(jīng)網(wǎng)絡(luò)都有很好的容錯性能，即使是對一些不全的、破損的、變形的輸入信息，網(wǎng)絡(luò)也能夠很好地將其恢復(fù)成比較完整的原型信息。記憶是聯(lián)想的前提，必須先將信息存儲起來，才能按照某種方式或規(guī)則再取出相關(guān)信息，能量極值點存儲記憶模式，而網(wǎng)絡(luò)的連接權(quán)值和閾值決定這些極值點的分布，因此網(wǎng)絡(luò)聯(lián)想記憶的關(guān)鍵就是根據(jù)能量極值點和需要被記憶的模式設(shè)計一組恰當(dāng)?shù)木W(wǎng)絡(luò)連接權(quán)值和閾值。

網(wǎng)絡(luò)在沒有記憶之前是空白狀態(tài)，只有設(shè)計了恰當(dāng)?shù)倪B接權(quán)值和閾值才會使網(wǎng)絡(luò)具有知識，連接權(quán)值的設(shè)計調(diào)整過程就是網(wǎng)絡(luò)的學(xué)習(xí)過程。離散型Hopfield神經(jīng)網(wǎng)絡(luò)一般用Hebb規(guī)則的外積和法來設(shè)計權(quán)值。方法具體如下：

假設(shè)網(wǎng)絡(luò)共有n個節(jié)點，W是網(wǎng)絡(luò)的連接權(quán)矩陣，如果網(wǎng)絡(luò)一共處理m個兩兩正交的模式樣本，則網(wǎng)絡(luò)的學(xué)習(xí)記憶集合為xk=（xk1，xk2，…，xkn）（k=1，2，…，m）。

（1）若m=1只有一個學(xué)習(xí)模式，學(xué)習(xí)記憶集合為X1，對于輸入模式X1，如果網(wǎng)絡(luò)達到穩(wěn)定狀態(tài)，有：

X1=sgn（XW），即x1j=sgn（∑ni=1wijx1i）j=1，2， …，n（9）

由sgn函數(shù)的特點可知，若滿足x1j（∑ni=1wijx1i）>0，即若連接權(quán)值wij正比于x1jx1i，則式（9）成立。綜合可得，網(wǎng)絡(luò)的連接權(quán)值與輸入模式向量的每個分量之間滿足關(guān)系：

wij=αx1jx1iα為常數(shù)而且大于零（10）

（2）如果有多個學(xué)習(xí)模式，則可將式（10）進行推廣有：

wij=α∑mk=1xkjxkiα為常數(shù)而且大于零（11）

由wii=0可將式（11）改寫為：

W=α∑mk=1[（Xk）TXk-I]α為常數(shù)而且大于零，I為nxn的單位矩陣（12）

在設(shè)計好網(wǎng)絡(luò)連接權(quán)矩陣后，網(wǎng)絡(luò)就處于正常工作狀態(tài)，加載輸入模式向量時，網(wǎng)絡(luò)可以進行模式的記憶及聯(lián)想。

2聯(lián)想記憶功能實現(xiàn)證明

聯(lián)想記憶的過程分為兩個階段：第一階段是記憶階段（也稱存儲階段、學(xué)習(xí)階段），它是聯(lián)想記憶的關(guān)鍵，其處理過程是將記憶模式作為網(wǎng)絡(luò)的穩(wěn)定狀態(tài)，并通過設(shè)計或?qū)W習(xí)獲得需要的網(wǎng)絡(luò)連接權(quán)值；第二階段是聯(lián)想階段（也稱回憶階段），此階段是利用網(wǎng)絡(luò)進行回憶，將給定的輸入模式作為網(wǎng)絡(luò)的初始狀態(tài)，網(wǎng)絡(luò)按照既定的運行規(guī)則不斷演化，一直演化到網(wǎng)絡(luò)的穩(wěn)定狀態(tài)，此時網(wǎng)絡(luò)的穩(wěn)定狀態(tài)就是回憶出的記憶模式。下面舉例證明離散型Hopfield神經(jīng)網(wǎng)絡(luò)是如何實現(xiàn)聯(lián)想記憶功能。設(shè)有一個4神經(jīng)元的離散型Hopfield神經(jīng)網(wǎng)絡(luò)，各神經(jīng)元的閾值為0，其中存儲了兩個模式，模式一X1為（1，1，1，1），模式二X2為（-1，-1，-1，-1），每個存儲模式由兩部分組成：名稱和顏色。前兩神經(jīng)元存儲的是名稱，后兩個神經(jīng)元存儲的是對應(yīng)的顏色。模式一表示“藍色的天空”，前兩個1表示天空，后兩個1表示藍色的；模式二表示“綠色的樹”，前兩個-1表示樹，后兩個-1表示綠色的，當(dāng)網(wǎng)絡(luò)上加載信息不全或錯誤地輸入模式三X3=（1，1，-1，1）時，讓網(wǎng)絡(luò)聯(lián)想記憶輸出模式X1。若想讓網(wǎng)絡(luò)聯(lián)想輸出模式X1，必須首先設(shè)計網(wǎng)絡(luò)的連接權(quán)值，讓網(wǎng)絡(luò)記憶模式一和模式二，然后讓網(wǎng)絡(luò)加載輸入模式三運行到穩(wěn)定狀態(tài)。將網(wǎng)絡(luò)要存儲的模式一和模式二設(shè)計為網(wǎng)絡(luò)的兩個穩(wěn)定狀態(tài)，由此設(shè)計網(wǎng)絡(luò)的連接權(quán)值。根據(jù)式（12），設(shè)α=1得網(wǎng)絡(luò)的連接權(quán)矩陣為；

W=（X1）TX1+（X2）TX2-2I=0222202222022220

設(shè)計好連接權(quán)值后，將模式三加載至網(wǎng)絡(luò)，然后按照網(wǎng)絡(luò)運行規(guī)則讓網(wǎng)絡(luò)運行：

t=0：網(wǎng)絡(luò)的初始狀態(tài)X（0）=（1，1，-1，1）；

t=1：選取節(jié)點1，節(jié)點1的狀態(tài)為x1（1）=sgn[1×0+1×2+（-1）×2+1×2]=sgn[2]=1

網(wǎng)絡(luò)狀態(tài)X（1）=（1，1，-1，1）；

t=2：選取節(jié)點2，節(jié)點2的狀態(tài)為x2（2）=sgn[1×2+1×0+（-1）×2+1×2]=sgn[2]=1

網(wǎng)絡(luò)狀態(tài)X（2）=（1，1，-1，1）；

t=3：選取節(jié)點3，節(jié)點3的狀態(tài)為x3（3）=sgn[1×2+1×2+（-1）×0+1×2]=sgn[6]=1

網(wǎng)絡(luò)狀態(tài)X（3）=（1，1，1，1）；

t=4：選取節(jié)點4，節(jié)點4的狀態(tài)x4（4）=sgn[1×2+1×2+1×2+1×0]=sgn[6]=1

網(wǎng)絡(luò)狀態(tài)X（4）=（1，1，1，1）；………

按此規(guī)則循環(huán)運行下去直到網(wǎng)絡(luò)狀態(tài)不再改變，網(wǎng)絡(luò)處于穩(wěn)定狀態(tài)，網(wǎng)絡(luò)的輸出就是（1，1，1，1），也即網(wǎng)絡(luò)存儲的記憶模式一X1=（1，1，1，1）。同理，當(dāng)網(wǎng)絡(luò)加載模式四X4=（-1，-1，1，-1）時，網(wǎng)絡(luò)也可聯(lián)想記憶輸出模式二。從而證明了離散型Hopfield神經(jīng)網(wǎng)絡(luò)具有聯(lián)想記憶功能。

3結(jié)語

神經(jīng)網(wǎng)絡(luò)的聯(lián)想記憶功能雖然很強，但是也存在一些缺陷。由于聯(lián)想記憶能力受到了記憶容量和樣本差異的制約，當(dāng)記憶的模式較多且容易混淆時，網(wǎng)絡(luò)不能夠很好地辨別出正確模式，而且達到的穩(wěn)定狀態(tài)也往往不是記憶住的模式。并且，所有記憶模式不是以同樣的記憶強度回想出來的。

參考文獻參考文獻：

[1]周非.基于RBF網(wǎng)絡(luò)和逆模型的汽油機瞬態(tài)空燃比控制[D].成都：西華大學(xué)，2006.

[2]于樂斐.兩類時滯細胞神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性分析[D].青島：中國海洋大學(xué)，2008.

[3]夏松.Hopfield神經(jīng)網(wǎng)絡(luò)構(gòu)造的聯(lián)想記憶存儲器實現(xiàn)與研究[D].合肥：安徽大學(xué)，2010.

篇4

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)；VHDL；模擬與仿真

一、人工神經(jīng)理論基礎(chǔ)

神經(jīng)網(wǎng)絡(luò)又被稱為鏈接模型，其本身是模仿動物的神經(jīng)網(wǎng)絡(luò)，并根據(jù)其行為特征分布式進行算法數(shù)學(xué)模型處理。在計算機上，人們可以利用并行或者串行的模式模擬仿真，實現(xiàn)人們自身的神經(jīng)網(wǎng)絡(luò)模型算法。在特定應(yīng)用情況下，進行神經(jīng)網(wǎng)絡(luò)研究的目標則是高性能專用的神經(jīng)網(wǎng)絡(luò)硬件。

神經(jīng)元是人工神經(jīng)網(wǎng)絡(luò)的基本單元，具有一定的信息處理方面的能力。對于輸入的內(nèi)容，神經(jīng)元可以簡單進行處理，能根據(jù)學(xué)習(xí)規(guī)則做好加權(quán)求和，并根據(jù)權(quán)值來獲取神經(jīng)元的狀態(tài)輸出，以便對刺激進行處理。還可建立基于VHDL語言的神經(jīng)網(wǎng)絡(luò)元件庫，它包括基本單元、控制單元兩個部分。

二、 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型

BP神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層和輸出層組成，相鄰層之間的各個神經(jīng)元實現(xiàn)全連接，每層各個神經(jīng)元之間沒有連接。

BP算法正向傳播過程：輸入信號從輸入層輸入，經(jīng)過隱含層傳向輸出層。如果輸出層的實際輸出與期望輸出一致，那么學(xué)習(xí)算法結(jié)束?；究刂茊卧糜诮㈦[含層和輸出層的神經(jīng)元，主要解決信號運算后權(quán)值存儲問題，它主要包括加權(quán)乘法、神經(jīng)元輸入信號的累加、非線性激勵函數(shù)的實現(xiàn)、權(quán)值存儲等基本模塊。

圖1中xi代表第i個輸入，wij代表輸入i和神經(jīng)元j之間的權(quán)值（weight），yj是第j個輸出。如圖1所示可以得到：

y1=f（x1.w11+x2.w21+x3.w31 ） 2-1

y2=f（x1.w11+x2.w22+x3.w32） 2-2

y3=f（x1.w11+x2.w23+x3.w33） 2-3

其中f（ ）是激化函數(shù)（如線性閾值的sigmoid函數(shù)等）。

三、神經(jīng)網(wǎng)絡(luò)模型與仿真

clk產(chǎn)生脈沖信號，輸入端x1，x2，x3 分別置為011，100，101，權(quán)值初值設(shè)為0000，通過9個脈沖周期一次遞增到1000，將權(quán)值與輸入值進行運算，得出結(jié)果。在權(quán)值固定時，輸出取決于輸入，不同的輸入得到不同的輸出結(jié)果。而在權(quán)值變化時，輸出就由輸入和權(quán)值決定。

為了仿真的結(jié)果更直觀，代碼采用的每個神經(jīng)元的3個輸入信號以及權(quán)值的位寬都為4，且?guī)в蟹枴?quán)值共設(shè)了9個，采用9個時鐘周期將權(quán)值移入值。模擬與仿真的結(jié)果如圖2所示。

結(jié)果分析：模擬結(jié)果與結(jié)果一致，此仿真成功。

四、結(jié)語

基于VHDL編程實現(xiàn)簡單神經(jīng)網(wǎng)絡(luò)的軟件模擬與仿真，從算法的提出到模型的建立，完整地體現(xiàn)神經(jīng)網(wǎng)絡(luò)的可用性與優(yōu)越性。文中所提的神經(jīng)網(wǎng)絡(luò)模型是對單個神經(jīng)網(wǎng)絡(luò)的模擬與仿真，以及基于二維數(shù)組的多個輸入輸出的大規(guī)模神經(jīng)網(wǎng)絡(luò)的模擬。由于VHDL語言編程的靈活性，可以將編程下載到芯片用硬件實現(xiàn)對神經(jīng)網(wǎng)絡(luò)的模擬，以提高系統(tǒng)運算的速度和可靠性。

參考文獻：

篇5

關(guān)鍵詞：計算機網(wǎng)絡(luò)模型；神經(jīng)網(wǎng)絡(luò)算法；分析

中圖分類號：TP393 文獻標識碼：A 文章編號：1009-3044（2016）35-0212-02

計算機網(wǎng)絡(luò)是人們多年研究科技進步最重要的成果，其被廣泛運用到教育、工作、科學(xué)等方面，也具有良好的成就。目前，基于服務(wù)器的集線式網(wǎng)絡(luò)具有實現(xiàn)網(wǎng)絡(luò)互連的功能，但也成為了網(wǎng)絡(luò)進一步發(fā)展的阻礙。雖然大量的信息能夠豐富網(wǎng)絡(luò)中的內(nèi)容，但是其中的多媒體技術(shù)發(fā)展卻使網(wǎng)絡(luò)運行力不從心，比如圖像、聲音等，全面優(yōu)化計算機網(wǎng)絡(luò)整體性能是其發(fā)展的必要途徑。將神經(jīng)網(wǎng)絡(luò)算法與計算機網(wǎng)絡(luò)相結(jié)合，能夠有效解決大規(guī)模復(fù)雜性的問題。

1淺析神經(jīng)網(wǎng)絡(luò)算法

1.1神經(jīng)網(wǎng)絡(luò)算法內(nèi)涵

思維界認為，人類大腦思維包括靈感思維、邏輯思維、形象思維三種方式，神經(jīng)網(wǎng)絡(luò)模擬的就是人類思維的形象思維，是一種非線性動力學(xué)系統(tǒng)。神經(jīng)網(wǎng)絡(luò)算法指的是邏輯性思維根據(jù)邏輯規(guī)則推理的過程。神經(jīng)網(wǎng)絡(luò)的內(nèi)容目前被廣泛研究，包括建立理論模型、生物原型研究、建立網(wǎng)絡(luò)模型與算法研究、人工神經(jīng)網(wǎng)絡(luò)應(yīng)用系統(tǒng)等。

優(yōu)化網(wǎng)絡(luò)的神經(jīng)網(wǎng)絡(luò)主要是Hopfield神經(jīng)網(wǎng)絡(luò)，是1982年由美國物理學(xué)家提出的，它能夠模擬神經(jīng)網(wǎng)絡(luò)的記憶機理，是全連接的神經(jīng)網(wǎng)絡(luò)。Hopfield神經(jīng)網(wǎng)絡(luò)中的每個神經(jīng)元都能夠信號輸出，還能夠?qū)⑿盘柾ㄟ^其他神經(jīng)元為自己反饋，那么其也稱之為反饋性神經(jīng)網(wǎng)絡(luò)。

1.2神經(jīng)網(wǎng)絡(luò)優(yōu)化的基礎(chǔ)

Hopfield神經(jīng)網(wǎng)絡(luò)其實是一個分線性動力系統(tǒng)演變的過程，通過能量函數(shù)分析系統(tǒng)的穩(wěn)定性，將能量函數(shù)看做需要優(yōu)化的問題目標函數(shù)。將能量函數(shù)的初始狀態(tài)轉(zhuǎn)變?yōu)榉€(wěn)定點這一過程，就成為求解優(yōu)化問題過程，這個過程也可以稱為在計算機聯(lián)想記憶基礎(chǔ)上解決優(yōu)化問題的過程。

1.3神經(jīng)網(wǎng)絡(luò)優(yōu)化模型的算法

反饋網(wǎng)絡(luò)的聯(lián)想記憶和優(yōu)化是相對的，通過優(yōu)化計算得知W，其目的就是為了找出E的最小穩(wěn)定狀態(tài)；聯(lián)想記憶的穩(wěn)定狀態(tài)是特定的，要通過一些過程才能夠找到適合的W。這個過程中的關(guān)鍵就是將問題的目標函數(shù)通過二次型能量函數(shù)進行表達。如下式所述：

Hopfield神經(jīng)網(wǎng)絡(luò)比較常見的類型有DHNN（離散型）和CHNN（連續(xù)性）兩種，他們的動態(tài)方程分e為：

DHNN（離散型）動態(tài)方程：ui=fi（v1，v2，...，vN）

Vi=g（ui），vi∈{0，1}，i=1，2，...，N

式子中的gi表示為階躍函數(shù)，vi=g（ui）[（1， ui>0）（0， ui

CHNN（連續(xù)性）動態(tài)方程：dui/dt=fi（v1，v2，...，vN）

Vi=gi（ui），i=1，2，...，N

式子中的gi表示為常用函數(shù)sigmoid，vi=gi（ui）=1/2[1+tanh（ui/u0）]，u0表示的為可控函數(shù)的斜率，當(dāng)u0=0的時候，gi就為階躍函數(shù)?！?】

1.4神經(jīng)網(wǎng)絡(luò)算法的優(yōu)化步驟

其一，通過合適的問題將方法表述出來，使神經(jīng)網(wǎng)絡(luò)的輸出和這一問題的解相互對應(yīng)；

其二，創(chuàng)建有效的能量函數(shù)，要求問題的最優(yōu)解能夠?qū)?yīng)最小值；

其三，使用有利條件和能量函數(shù)創(chuàng)建網(wǎng)絡(luò)參數(shù)；

其四，創(chuàng)建對應(yīng)的動態(tài)方程和神經(jīng)網(wǎng)絡(luò)；

其五，使用有效的初值，要求網(wǎng)絡(luò)根據(jù)動態(tài)方程進行驗算，直到收斂。

2基于神經(jīng)網(wǎng)絡(luò)算法的網(wǎng)絡(luò)流優(yōu)化模型

網(wǎng)絡(luò)流優(yōu)化模型的關(guān)鍵就是最小切割、圖的劃分和最大流問題，下面一一描述：

最小切割：最小切割是指尋找使隔集容量達到最小的切割。圖的切割是指劃分一個N―n1Un2，一個隔集為一組?。╥，j），i∈n1，j∈n2，隔集弧的權(quán)值總和為它的容量。使N=（W，T）是T=0的網(wǎng)絡(luò)，要求能量最小為N圖的最小切割。

圖的劃分：圖的劃分指的是將圖劃分為K個部分，要求每個部分中的節(jié)點數(shù)都相等。

最大流問題。要求有向圖G（v，e）中的開始點為S，結(jié)束點為Z，邊容量為Cij。如果每條邊都有非負數(shù)fij，并且每條邊為fij≤Cij且除了S和Z之外具有∑fij=∑fki。當(dāng)S和Z有∑fsi=∑fiz=W的時候，W的最大值≤任何切割的容量?！?】

3基于神經(jīng)網(wǎng)絡(luò)算法的動態(tài)路由選擇模型

通信網(wǎng)中的物理網(wǎng)絡(luò)的連接一般是點到點，其可以用無向圖G=（v，e）來表示，將交換節(jié)點表示為頂點，通路表示為邊，每一邊都有最大容量，為了能夠滿足網(wǎng)絡(luò)中點和點能夠相互通信，還E能夠根據(jù)網(wǎng)絡(luò)業(yè)務(wù)的量和用戶呼叫為基礎(chǔ)進行路由安排?，F(xiàn)在一般使用的都是靜態(tài)方式，能夠提供給動態(tài)路由一些可能性，其的優(yōu)化模型是：

如果網(wǎng)絡(luò)圖是G=（v，e），而且對網(wǎng)絡(luò)中的邊進行編號，路徑經(jīng)過的邊表示為1，路徑不經(jīng)過的邊表示為0，L*M神經(jīng)元表示為L需要這多個路由，將備選的路由數(shù)量表示為M，如果通信網(wǎng)中具有N個節(jié)點，那么目標函數(shù)就是E=E1+E2+E3?！?】

4結(jié)束語

基于神經(jīng)網(wǎng)絡(luò)算法的優(yōu)化網(wǎng)絡(luò)模型有著簡單、穩(wěn)定、快速、規(guī)范的優(yōu)勢，其與其他算法相結(jié)合，能夠較大程度的提高計算機網(wǎng)絡(luò)模型的整體性能。但是Hopfield神經(jīng)網(wǎng)絡(luò)算法中的優(yōu)化網(wǎng)絡(luò)模型并不嚴格，它有著核心策略下降的缺點，那么在使用過程中會出現(xiàn)網(wǎng)絡(luò)收斂的最優(yōu)解呈局面狀態(tài)、網(wǎng)絡(luò)收斂解不可行、網(wǎng)絡(luò)參數(shù)的不正當(dāng)選擇會導(dǎo)致偏差等，所以在今后就要深入研究計算機網(wǎng)絡(luò)模型中的神經(jīng)網(wǎng)絡(luò)算法，使其更加完善。

參考文獻：

[1]丁建立.基于神經(jīng)網(wǎng)絡(luò)算法的計算機網(wǎng)絡(luò)優(yōu)化模型研究[J].洛陽師范學(xué)院學(xué)報，2003， 22（2）：59-62.

篇6

（江蘇建筑職業(yè)技術(shù)學(xué)院，徐州 221116）

摘要： 針對建筑工程特點，提出了基于RBF神經(jīng)網(wǎng)絡(luò)的建筑工程投標報價方法，建立建筑工程投標報價標高率數(shù)學(xué)模型。應(yīng)用MATLAB計算軟件，以實例驗證了該模型的正確性及實用性。

關(guān)鍵詞 ： RBF神經(jīng)網(wǎng)絡(luò)；標高率；報價

中圖分類號：TU723.3 文獻標識碼：A 文章編號：1006-4311（2015）26-0049-03

作者簡介：陳紅杰（1986-），女，河南睢縣人，助教，碩士，研究方向為工程造價、市政工程；李高鋒（1987-），男，河南杞縣人，助教，碩士，研究方向為項目管理、工程造價。

0 引言

神經(jīng)網(wǎng)絡(luò)在建設(shè)工程領(lǐng)域應(yīng)用越來越廣泛，BP神經(jīng)網(wǎng)絡(luò)會出現(xiàn)局部最小化問題和“過擬合”現(xiàn)象，徑向基函數(shù)（radial basis function，RBF）神經(jīng)網(wǎng)絡(luò)的逼近能力、分類能力、學(xué)習(xí)速度等方面都優(yōu)于BP網(wǎng)絡(luò)。所以，文章將徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)用于標高率決策模型的建立，較BP神經(jīng)網(wǎng)絡(luò)有一定的進步與提升。

1 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)原理

1.1 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)

徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)是徑向基函數(shù)（radial basis function，RBF）與人工神經(jīng)網(wǎng)絡(luò)相結(jié)合形成的一種局部逼近網(wǎng)絡(luò)，可以任意精度逼近任意連續(xù)函數(shù)。

RBF神經(jīng)網(wǎng)絡(luò)一般為三層結(jié)構(gòu)，如圖1，包含輸入層、隱含層和輸出層，每層都有其特定作用。

1.2 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程

具體訓(xùn)練過程如圖2。

1.3 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的實現(xiàn)

徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)一般采用MATLAB軟件中的神經(jīng)網(wǎng)絡(luò)工具箱對其進行模擬。MATLAB軟件的神經(jīng)網(wǎng)絡(luò)工具箱為RBF神經(jīng)網(wǎng)絡(luò)提供了很多工具箱函數(shù)，通過合理調(diào)用函數(shù)，能設(shè)計出符合要求的RBF神經(jīng)網(wǎng)絡(luò)。

RBF神經(jīng)網(wǎng)絡(luò)一般采用newrb函數(shù)作為設(shè)計函數(shù)，在創(chuàng)建過程中newrb函數(shù)可以特定方式完成權(quán)值和閾值的選取和修正。文章采用newrb函數(shù)創(chuàng)建徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)，訓(xùn)練過程如下：

①輸入樣本數(shù)據(jù)（不包括測試數(shù)據(jù)），建立newrb神經(jīng)網(wǎng)絡(luò)；

②找出均方差最大的一個樣本數(shù)據(jù)；

③依據(jù)均方差最大的樣本，網(wǎng)絡(luò)自動增加一個徑向基神經(jīng)元，其權(quán)值等于該樣本輸入向量的轉(zhuǎn)置；閾值b=[-log（0.5）]1/2/spread，spread為徑向基函數(shù)的擴展系數(shù)，默認值為1.0；

④以輸入樣本數(shù)據(jù)和輸入層及隱含層之間的權(quán)值的點積為徑向基神經(jīng)元輸出，此點積作為線性網(wǎng)絡(luò)層神經(jīng)元的輸入，重新設(shè)計線性網(wǎng)絡(luò)層，使均方差最??；

⑤當(dāng)均方誤差未達到規(guī)定的誤差性能指標，且神經(jīng)元數(shù)目未達到規(guī)定的上限值時，重復(fù)以上步驟，直到滿足上述任一條件為止。

newrb函數(shù)設(shè)計徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的格式：

net1=newrb

[net1,tr]=newrb(P,T,goal,spread,MN,DF)

其中：

net1：更新了權(quán)值和閾值的神經(jīng)網(wǎng)絡(luò)；

tr：訓(xùn)練記錄；

P：訓(xùn)練樣本輸入；

T：目標輸出；

goal：徑向基網(wǎng)絡(luò)輸出的總平均誤差方差；

MN：最大神經(jīng)數(shù)目；

DF：增加的神經(jīng)元數(shù)目。

對神經(jīng)網(wǎng)絡(luò)仿真采用sim函數(shù)，格式如下：

Y=sim(net1,P_test)

其中：

P_test為網(wǎng)絡(luò)的測試樣本。

2 標高率模型的建立

標高金概念國外應(yīng)用較早，包括報價中除直接成本以外的開辦費、管理費、利潤和不可預(yù)見費等?？紤]到我國的實際情況，文章將標高金定義為投標企業(yè)的盈利部分，包括利潤和不可預(yù)見費（風(fēng)險費用）。

標高率決策模型僅用于確定標高金，工程成本部分采用其他方法確定。標高金的數(shù)額一般與工程規(guī)模相關(guān)，而采用標高率可以避免這一影響?；诖?，文章應(yīng)用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)建立標高率預(yù)測模型，報價中的工程成本部分可以利用現(xiàn)有的工程定額系統(tǒng)和工程計價軟件如廣聯(lián)達和神機妙算等來進行快速、準確的估算。

2.1 標高率影響因素分析

考慮到我國建設(shè)市場的特點及現(xiàn)狀，文章從以下五個方面考慮標高率的影響因素，包括：項目因素，項目所在地社會因素，業(yè)主因素，承包商自身因素，競爭對手因素。項目因素包括工程復(fù)雜性、工程規(guī)模、合同條件、工期要求和質(zhì)量要求五項因素；社會因素包括材料設(shè)備人員可得性、基礎(chǔ)設(shè)施、政策環(huán)境和市場前景四項因素；業(yè)主因素包括管理能力、業(yè)主信譽、資金力量、招標規(guī)范性四項因素；自身因素包括類似工程經(jīng)驗、施工能力、任務(wù)飽滿度三項因素；對手因素包括競爭對手數(shù)量、相對優(yōu)勢兩項因素。

2.2 模型指標體系的建立

界定上述18項影響因素取值范圍，如表1所示。以這18項影響因素作為輸入變量，以標高率（%）作為唯一輸出變量Y，構(gòu)成模型的變量體系。

2.3 RBF神經(jīng)網(wǎng)絡(luò)構(gòu)建

文章設(shè)計的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型共有三層：輸入層、隱含層和輸出層。其中，輸入層有18個神經(jīng)元，與輸入變量（X1，X2，…，X18）相對應(yīng)。隱含層神經(jīng)元個數(shù)文章設(shè)定上限為30個。輸出層有唯一神經(jīng)元，即標高率。通過該模型建立一個由（X1，X2，…X18）到Y(jié)的映射結(jié)構(gòu)。

3 實例分析

文章選取某一建筑工程承包公司的26個以往中標項目的報價實例作為原始數(shù)據(jù)用于模型訓(xùn)練，其中X1—X18代表影響因素的取值，Y代表實際標高率。樣本數(shù)據(jù)X2（建筑面積）和X17（競爭對手數(shù)量）進行歸一化處理，計算公式為Xl=（Xl-Xmin）/（Xmax-Xmin），其變量取值如表2所示。

利用MATLAB7.8軟件實現(xiàn)編程，建立投標報價RBF神經(jīng)網(wǎng)絡(luò)模型，前22個項目數(shù)據(jù)作為訓(xùn)練集，后四個項目作為測試集，利用newrb函數(shù)對網(wǎng)絡(luò)進行創(chuàng)建和訓(xùn)練，即：

[net1,tr]=newrb(P,T,goal,spread,MN,DF)

令：

Goal=0.001

MN=30

DF=1

spread=0.991

所建立的徑向基函數(shù)模型結(jié)構(gòu)如表3所示。

經(jīng)過模型訓(xùn)練，得出網(wǎng)絡(luò)的訓(xùn)練誤差曲線為圖3。由圖可知，經(jīng)過20次訓(xùn)練后，模型輸出結(jié)果的誤差達到10-3，具有很高的精確度。測試集網(wǎng)絡(luò)測試結(jié)果與實際評估結(jié)果比較如表4，平均誤差為0.0153，滿足工程實際需要?？梢?，徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)在標高率報價預(yù)測方面，具有很好的應(yīng)用價值。

4 結(jié)語

文章分析了對投標報價決策有重要影響的眾多因素，參考國內(nèi)外的研究成果，確定了影響標高率的18個主要因素，與實際標高率一起組成標高率預(yù)測模型的指標體系。選取投標報價實例數(shù)據(jù)作為樣本對模型進行訓(xùn)練和檢驗，通過MATLAB軟件neural network toolbox，建立了用于投標報價標高率預(yù)測的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型，文章通過實證研究，取得了良好的效果。

參考文獻：

[1]任宏．神經(jīng)網(wǎng)絡(luò)在工程造價和主要工程量快速估算中的應(yīng)用研究[J]．土木工程學(xué)報，2005（8）：135-138.

[2]喬姍姍．基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)在建筑工程投標報價中應(yīng)用的研究[D]．揚州：揚州大學(xué)，2012.

篇7

關(guān)鍵詞：模擬電路；故障診斷；BP神經(jīng)網(wǎng)絡(luò)；Elman神經(jīng)網(wǎng)絡(luò)

中圖分類號：TP183文獻標識碼：A文章編號：1009-3044(2011)17-4170-03

Application of BP Neural Network and Elman Neural Network in Fault Diagnosis of Analog Circuit

YANG Chen, SHI Bao-jun

(Department of Electronics and Information Engineering,Lanzhou Jiaotong University, Lanzhou 730070, China)

Abstract: This article studies the method of fault diagnosis of analog circuit based on the neural network, by analyzing the basic structure and the algorithm of BP neural network and Elman neural network. Then it contrastive analysis the diagnosis ability of BP neural network andElman neural network through simulation. The results shows that BP neural network's convergence rate is relatively slow, and the training time is long; Elman neural network's parameter is simple to adjust, the training time is short, stable performance, and it is more suitable to solve the questions like tolerance, non-linear and so on in fault diagnosis of analog circuit.

Key words: analog circuit; fault diagnosis; BP neural network; elman neural network

由于模擬電路中廣泛存在著容差、非線性等問題，導(dǎo)致模擬電路的故障診斷較為復(fù)雜。神經(jīng)網(wǎng)絡(luò)作為一種模式識別技術(shù)，擁有強大的自學(xué)習(xí)、自組織和自適應(yīng)性[1]，能夠很好的滿足模擬電路故障診斷的要求。而在神經(jīng)網(wǎng)絡(luò)的各種模型中，應(yīng)用較為廣泛的是BP神經(jīng)網(wǎng)絡(luò)和Elman神經(jīng)網(wǎng)絡(luò)。本文針對模擬電路中的軟故障，建立基于BP神經(jīng)網(wǎng)絡(luò)和Elman神經(jīng)網(wǎng)絡(luò)的智能診斷模型，并通過仿真實例對兩種神經(jīng)網(wǎng)絡(luò)的性能進行對比和評價。

1 BP神經(jīng)網(wǎng)絡(luò)和Elman神經(jīng)網(wǎng)絡(luò)基礎(chǔ)理論

1.1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，其網(wǎng)絡(luò)結(jié)構(gòu)的模型如圖1所示。

由圖1所示，BP神經(jīng)網(wǎng)絡(luò)是一種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、隱含層和輸出層[2]。其中，輸入節(jié)點為xi，隱含層輸出節(jié)點為yj,輸出節(jié)點為ok,wjk,vij分別為隱含層到輸出層，輸入層到隱含層的連接權(quán)值。f(?)為神經(jīng)元的激活函數(shù)，網(wǎng)絡(luò)的期望輸出為dk，輸出誤差為E,網(wǎng)絡(luò)的各層輸出關(guān)系為：[3]

輸出層： （1）

隱含層： （2）

輸出誤差： （3）

1.2 Elman神經(jīng)網(wǎng)絡(luò)

與BP神經(jīng)網(wǎng)絡(luò)不同，Elman神經(jīng)網(wǎng)絡(luò)是一種反饋神經(jīng)網(wǎng)絡(luò)，該神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)模型如圖2所示。

Elman神經(jīng)網(wǎng)絡(luò)由4層結(jié)構(gòu)組成，包括輸入層、隱含層、承接層和輸出層。其中輸入層節(jié)點為ur，隱含層輸出節(jié)點為xn，承接層輸出節(jié)點為xc，輸出層節(jié)點為ym，w3，w2，w1分別為隱含層到輸出層、輸入層到隱含層、承接層到隱含層的連接權(quán)值,g(?)為輸出神經(jīng)元的激活函數(shù)，f(?)為隱含層神經(jīng)元的激活函數(shù)[4]，網(wǎng)絡(luò)的期望輸出為dk，輸出誤差為E,在k時刻各層之間的輸出關(guān)系為：[5]

輸出層： （4）

隱含層： （5）

承接層： （6）

輸出誤差： （7）

2 神經(jīng)網(wǎng)絡(luò)在模擬電路故障診斷中的實現(xiàn)方法

采用神經(jīng)網(wǎng)絡(luò)進行模擬電路故障診斷的過程是把故障特征空間向量映射到故障模式空間，從而解決模擬電路故障的識別和分類問題。其診斷步驟如下：

1) 構(gòu)造訓(xùn)練樣本集：根據(jù)被測模擬電路的特點，選擇合適的激勵信號和測試點，利用PSpice仿真軟件中的靈敏度分析找到對電路工作性能影響較大的元器件，并通過蒙特卡羅分析，針對這些元器件的正常狀態(tài)和各種故障狀態(tài)進行多次仿真，得出電路各測試點對應(yīng)各種狀態(tài)的輸出數(shù)據(jù)，這些數(shù)據(jù)經(jīng)過歸一化等適當(dāng)?shù)奶幚砗笞鳛樯窠?jīng)網(wǎng)絡(luò)的訓(xùn)練樣本集。

2) 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計及訓(xùn)練：通過分析仿真得出的訓(xùn)練樣本集數(shù)據(jù)及模擬電路的各種工作狀態(tài)，設(shè)計出合適神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。其中網(wǎng)絡(luò)中間層神經(jīng)元個數(shù)的選擇是決定網(wǎng)絡(luò)性能好壞的關(guān)鍵，通常是根據(jù)以往的經(jīng)驗以及不斷的訓(xùn)練調(diào)整，最終確定理想的中間層神經(jīng)元個數(shù)。將處理過的訓(xùn)練樣本集輸入已經(jīng)設(shè)計好的神經(jīng)網(wǎng)絡(luò)中，通過訓(xùn)練算法對其進行訓(xùn)練。

3) 神經(jīng)網(wǎng)絡(luò)的測試：對電路施加相同的激勵信號，得到神經(jīng)網(wǎng)絡(luò)的測試樣本。將其輸入到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)中，進行相應(yīng)的故障模式識別。并將實際輸出的結(jié)果與期望診斷的結(jié)果進行對比，判斷是否達到神經(jīng)網(wǎng)絡(luò)的性能要求。

3 實驗仿真

待測電路如圖3所示，實驗針對電路中的單個電阻或電容發(fā)生的軟故障進行診斷。使用PSpice9.2軟件對該電路的正常和不同的故障情況分別進行仿真分析。各元器件標稱值如圖中所示，其中電阻和電容的容差分別5%和10%。通過靈敏度分析發(fā)現(xiàn)，元器件R1,R2,R3,R4,R6和C1的取值發(fā)生變化時，對電路輸出Vout的波形影響最為顯著。

3.1 訓(xùn)練樣本集的構(gòu)建

在電路輸入端施加2V的正弦激勵, 當(dāng)電路發(fā)生故障時,選擇其中幾個最能反映輸出響應(yīng)波形曲線波動的采樣點，從而構(gòu)成各種故障模式的特征向量，此處選取的采樣頻率分別為60Hz ,120Hz ,150Hz ,180Hz，250 Hz，300Hz。其中Vout為輸出測試點,實驗假定電阻和電容在偏離其標稱值的±50 %時發(fā)生軟故障。結(jié)果將故障分成兩類: R ，R 和C ，C ，加上電路的正常工作狀態(tài)共計13種故障模式，并采用二進制編碼表示。為了提高實驗的精度，分別對上述13種工作狀態(tài)進行30次的蒙特卡羅(MC)分析，得到電路的30個故障樣本，其中20個作為樣本集進行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，其余的10個作為神經(jīng)網(wǎng)絡(luò)的測試樣本。部分訓(xùn)練樣本經(jīng)過歸一化處理后如表1所示。

3.2 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的確定與訓(xùn)練

1) BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的確定：通過分析待測電路各種故障模式的特征向量，實驗建立一個具有三層網(wǎng)絡(luò)結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)，其中隱含層神經(jīng)元個數(shù)n2和輸入層神經(jīng)元個數(shù)n1之間有以下近似關(guān)系：

n2=2n1+1

由于神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元的個數(shù)為6個，輸出層神經(jīng)元的個數(shù)為4個，可得出隱含層的神經(jīng)元個數(shù)近似為13個。隱含層的神經(jīng)元個數(shù)不是固定的，需要經(jīng)過多次訓(xùn)練進行調(diào)整，實驗最終選取隱含層神經(jīng)元個數(shù)為12比較理想。

2) BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練：將20組的訓(xùn)練樣本輸入到BP神經(jīng)網(wǎng)絡(luò)，隱含層神經(jīng)元的傳遞函數(shù)為S型正切函數(shù)tansig，輸出層神經(jīng)元傳遞函數(shù)采用S型對數(shù)函數(shù)logsig，誤差為0.01，學(xué)習(xí)率為0.1，訓(xùn)練的誤差變化曲線如圖4所示，在經(jīng)過135次訓(xùn)練后，神經(jīng)網(wǎng)絡(luò)的性能達到了要求。

3.3 Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的確定與訓(xùn)練

1) Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的確定：實驗采用單隱層的Elman神經(jīng)網(wǎng)絡(luò)，其中由于輸入故障特征向量的維數(shù)為6，則其輸入層神經(jīng)元的個數(shù)為6；而輸出向量的維數(shù)為4，則輸出層神經(jīng)元的個數(shù)為4。為了使網(wǎng)絡(luò)的診斷誤差最小，經(jīng)過多次訓(xùn)練檢驗，將隱含層神經(jīng)元的個數(shù)設(shè)定為15，能夠很好的滿足網(wǎng)絡(luò)的性能要求。

2) Elman神經(jīng)網(wǎng)絡(luò)訓(xùn)練：將20組的訓(xùn)練樣本輸入到BP神經(jīng)網(wǎng)絡(luò)，傳遞函數(shù)取tansig,誤差為0.01。訓(xùn)練的誤差變化曲線如圖5所示，在經(jīng)過75次訓(xùn)練后，網(wǎng)絡(luò)的性能達到了要求。

3.4 BP神經(jīng)網(wǎng)絡(luò)和Elman神經(jīng)網(wǎng)絡(luò)的檢測結(jié)果與對比分析

抽取3組測試樣本對訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)和Elman神經(jīng)網(wǎng)絡(luò)進行測試，測試結(jié)果如表2所示。

檢測結(jié)果顯示BP神經(jīng)網(wǎng)絡(luò)3次測試的誤差分別為0.0382、0.0213和0.0676，Elman神經(jīng)網(wǎng)絡(luò)3次測試的誤差分別為0.0871、0.0369和0.0846。對比兩種神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程及檢測結(jié)果，可以得出BP神經(jīng)網(wǎng)絡(luò)收斂速度相對較慢、訓(xùn)練時間長，而且有可能收斂于局部極小值；Elman神經(jīng)網(wǎng)絡(luò)的參數(shù)調(diào)整簡單、訓(xùn)練時間短、與BP神經(jīng)網(wǎng)絡(luò)相比診斷誤差要大一些，但這并不影響其檢測的預(yù)期結(jié)果；另外，Elman神經(jīng)網(wǎng)絡(luò)的訓(xùn)練誤差曲線要比BP神經(jīng)網(wǎng)絡(luò)平滑，性能更加穩(wěn)定。因此，經(jīng)過多次訓(xùn)練后，Elman神經(jīng)網(wǎng)絡(luò)更適合存在容差、非線性等問題的模擬電路故障診斷。

4 結(jié)論

模擬電路的故障診斷問題較為復(fù)雜，本文研究了基于BP神經(jīng)網(wǎng)絡(luò)和Elman神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷方法。并通過仿真實例對比驗證了兩種神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程及檢測結(jié)果。最后分析得出相對于BP神經(jīng)網(wǎng)絡(luò)，Elman神經(jīng)網(wǎng)絡(luò)具有結(jié)構(gòu)參數(shù)調(diào)整簡單、訓(xùn)練時間短、性能穩(wěn)定等優(yōu)勢，更適合存在容差、非線性等問題的模擬電路故障診斷。

參考文獻：

[1] 韓力群.人工神經(jīng)網(wǎng)絡(luò)理論、設(shè)計及應(yīng)用[M].北京:化學(xué)工業(yè)出版社,2007:18-19.

[2] 葛哲學(xué),孫志強.神經(jīng)網(wǎng)絡(luò)理論與MATLABR2007實現(xiàn)[M].北京:電子工業(yè)出版社,2007:208-109.

[3] 施彥,韓力群,廉小親.神經(jīng)網(wǎng)絡(luò)設(shè)計方法與實例分析[M].北京:北京郵電大學(xué)出版社,2009:23-24.

[4] 張良均,曹晶,蔣世忠.神經(jīng)網(wǎng)絡(luò)實用教程[M].北京:機械工業(yè)出版社,2008:53-54.

篇8

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)；計算機網(wǎng)絡(luò)；安全管理；應(yīng)用

中圖分類號：TP393.08

進入到信息時代，便捷的計算機網(wǎng)絡(luò)技術(shù)不僅給人們的生活帶來了極大的便利，但同時也容易遭到蠕蟲病毒、木馬病毒等破壞性極強的程序病毒攻擊留下便利的通道，使得計算機網(wǎng)絡(luò)安全面臨巨大的威脅。鑒于此，要對計算機網(wǎng)絡(luò)安全所面臨的風(fēng)險進行科學(xué)、合理以及準確的分析、評估，同時要采取相應(yīng)的措施對面臨的風(fēng)險有效的進行防范，盡可能的減少由于計算機網(wǎng)絡(luò)安全管理問題所帶來的損失。另外，計算機網(wǎng)絡(luò)安全受到很多種因素的影響，主要有病毒的入侵以及系統(tǒng)漏洞，更重要的是這些因素之間有很強的關(guān)聯(lián)性，這也就導(dǎo)致計算機網(wǎng)絡(luò)安全管理的問題逐漸趨于復(fù)雜化，在這種情況下，就必須要求計算機網(wǎng)絡(luò)系統(tǒng)的管理者以及使用者對網(wǎng)絡(luò)的安全進行有效的管理，更要對網(wǎng)絡(luò)的安全性有清楚的認識和了解，切實的掌握影響計算機網(wǎng)絡(luò)安全的因素。為了更好的解決計算機網(wǎng)絡(luò)安全管理問題，神經(jīng)網(wǎng)絡(luò)逐漸被應(yīng)用到計算機網(wǎng)絡(luò)安全管理之中，使得對計算機網(wǎng)絡(luò)安全管理更加準確和有效。

1 計算機網(wǎng)絡(luò)安全管理概述

一般而言，計算機網(wǎng)路安全管理指的是計算機在連接網(wǎng)絡(luò)后進行信息的交換、瀏覽以及下載的過程中，對信息安全進行有效的管理，防止信息被他人竊取或者破壞。隨著信息時代的到來，越來越多的人對計算機產(chǎn)生了很強的依賴，從兒童到老年人，計算機的影響無處不在，隨著計算機的普及，人們在使用計算機的過程中對其安全性就有了顧忌。對于計算機網(wǎng)絡(luò)，只要連接互聯(lián)網(wǎng)，隨時都存在被攻擊的可能，相對而言，沒有任何計算機是絕對的安全或者是不受到任何的攻擊。運用計算機網(wǎng)絡(luò)技術(shù)進行攻擊或者盜取個人信息或者是企業(yè)信息的事件幾乎每年都會發(fā)生，計算機網(wǎng)絡(luò)存在嚴重的安全隱患。所以，要及時的認識以及了解計算機網(wǎng)絡(luò)面臨的安全隱患，積極的采取相應(yīng)的措施加強對計算機網(wǎng)絡(luò)安全的管理。

2 神經(jīng)網(wǎng)絡(luò)在計算機網(wǎng)絡(luò)安全管理應(yīng)用的現(xiàn)狀

2.1 對神經(jīng)網(wǎng)絡(luò)在計算機安全管理運用中的重視程度不夠

計算機網(wǎng)絡(luò)安全是因特網(wǎng)發(fā)展的最基礎(chǔ)的目的，但與此同時近乎所有的計算機網(wǎng)絡(luò)在開創(chuàng)以及不斷的發(fā)展過程中都趨向于實用以及便利，相反卻在一定程度上沒有重視對計算機的安全管理，更沒有將神經(jīng)網(wǎng)絡(luò)技術(shù)運用到計算機的安全管理中，進而對計算機網(wǎng)絡(luò)的安全管理留下了嚴重的隱患。另外，神經(jīng)網(wǎng)絡(luò)在計算機網(wǎng)絡(luò)安全管理中主要是對計算機的網(wǎng)絡(luò)安全進行評估，然而由于不重視對神經(jīng)網(wǎng)絡(luò)在計算機網(wǎng)絡(luò)安全管理中的運用，使得沒有建立良好的計算機網(wǎng)絡(luò)安全評價標準體系。

2.2 對神經(jīng)網(wǎng)絡(luò)在計算機網(wǎng)絡(luò)安全評價模型的設(shè)計和實際運用不夠合理

一般來說，神經(jīng)網(wǎng)絡(luò)在計算機網(wǎng)絡(luò)安全管理中主要是對計算機網(wǎng)絡(luò)安全進行一定的評估，在對其進行評估的過程中，就需要設(shè)計一定的計算機網(wǎng)絡(luò)安全評價模型，主要包含對輸入層、輸出層以及隱含層的設(shè)計；但是，目前神經(jīng)網(wǎng)絡(luò)在計算機網(wǎng)絡(luò)安全管理中對于評價模型的設(shè)計還沒有將這三方面有效的聯(lián)系起來。除此之外，對神經(jīng)網(wǎng)絡(luò)在計算機網(wǎng)絡(luò)安全管理的實際運用中，不能科學(xué)、合理的實現(xiàn)計算機網(wǎng)絡(luò)安全管理評價模型運用，不注重對評價模型的學(xué)習(xí)以及不關(guān)注對評價模型進行有效的驗證。

3 加強神經(jīng)網(wǎng)絡(luò)在計算機網(wǎng)絡(luò)安全管理中的應(yīng)用采取的措施

3.1 神經(jīng)網(wǎng)絡(luò)在計算機網(wǎng)絡(luò)安全管理中要科學(xué)、合理的設(shè)計網(wǎng)絡(luò)安全評價模型

神經(jīng)網(wǎng)絡(luò)在計算機網(wǎng)絡(luò)安全管理中要科學(xué)、合理的設(shè)計網(wǎng)絡(luò)安全評價模型，以便更好的實現(xiàn)計算機網(wǎng)絡(luò)安全、高效的運行。為此，計算機網(wǎng)絡(luò)安全評價模型需要進行一下設(shè)計：首先是對輸入層的設(shè)計，一般來說，神經(jīng)網(wǎng)絡(luò)在計算機網(wǎng)絡(luò)安全管理運用中，對于輸入層考慮的是神經(jīng)元的節(jié)點數(shù)以及評價指標的數(shù)量，盡可能的使這兩者數(shù)量保持一致。其次是對隱含層的設(shè)計，對于隱含層的設(shè)計需要注意的是若某個連續(xù)函數(shù)在任意的閉區(qū)間中，可以通過在隱含層里的神經(jīng)網(wǎng)絡(luò)來靠近，大多數(shù)情況下，神經(jīng)網(wǎng)絡(luò)通常運用的是單隱含層。最后是輸出層的設(shè)計，神經(jīng)網(wǎng)絡(luò)的輸出層設(shè)計主要是獲得計算機網(wǎng)絡(luò)安全管理評價的最終結(jié)果，例如可以設(shè)置計算機網(wǎng)絡(luò)安全管理評價的輸出層節(jié)點數(shù)為2，那么相應(yīng)的輸出結(jié)果（1，1）指的是非常安全、（0，1）指的是較不安全、（1，0）指的是基本安全以及（0，0）指的是非常的不安全。

3.2 神經(jīng)網(wǎng)絡(luò)在計算機網(wǎng)絡(luò)安全管理運用中要對評價模型進行有效的驗證

需要注意的是，神經(jīng)網(wǎng)絡(luò)在計算機網(wǎng)絡(luò)安全管理運用中要對評價模型進行有效的驗證，一般體現(xiàn)在一下幾方面：首先是要關(guān)注評價模型的實現(xiàn)，為了實現(xiàn)神經(jīng)網(wǎng)絡(luò)在計算機網(wǎng)絡(luò)安全管理中的良好運用，就要依據(jù)客戶滿意的評價模型，運用計算機網(wǎng)絡(luò)技術(shù)創(chuàng)建設(shè)置含有輸入層、隱含層以及輸出層的神經(jīng)網(wǎng)絡(luò)模型，然后再對網(wǎng)絡(luò)安全進行檢驗。其次是要注意對評價模型的學(xué)習(xí)，在對計算機網(wǎng)絡(luò)安全進行評價之前，需要對神經(jīng)網(wǎng)絡(luò)進行標準化的處理，才能盡可能的減少對計算機網(wǎng)絡(luò)安全管理評價中的誤差。最后要注意對評價模型進行驗證，當(dāng)神經(jīng)網(wǎng)絡(luò)經(jīng)過標準化處理以及在計算機網(wǎng)絡(luò)安全評價之后，就需要對輸出的結(jié)果進行一定的驗證，以便確定神經(jīng)網(wǎng)絡(luò)對計算機網(wǎng)絡(luò)安全的評價輸出結(jié)果是否與期望的評價結(jié)果相一致，進一步驗證神經(jīng)網(wǎng)絡(luò)在計算機網(wǎng)絡(luò)安全管理中安全評價模型的準確與否。

3.3 重視神經(jīng)網(wǎng)絡(luò)在計算機網(wǎng)絡(luò)安全管理運用以及建立健全安全評價標準體系

神經(jīng)網(wǎng)絡(luò)在計算機網(wǎng)絡(luò)安全管理運用中主要的任務(wù)是對計算機網(wǎng)絡(luò)的安全進行一定的評價，并且將評價的結(jié)果準確、及時的反饋給用戶，所以就應(yīng)該對其在計算機網(wǎng)絡(luò)安全管理中的應(yīng)用引起高度的重視，為此就應(yīng)該建立健全計算機網(wǎng)絡(luò)安全管理的評價標準體系。一方面是評價指標的建立，計算機網(wǎng)絡(luò)安全管理是復(fù)雜的過程，同時影響計算機網(wǎng)絡(luò)安全的因素比較多。因此，建立科學(xué)、合理以及有效的計算機網(wǎng)絡(luò)安全管理評價標準，對于神經(jīng)網(wǎng)絡(luò)高效的開展評價工作有很大的關(guān)聯(lián)。另一方面是對評價標準的準確化，影響計算機網(wǎng)絡(luò)安全管理的因素非常的多，就應(yīng)該對各種評價標準進行細化，以達到評價的準確。

4 結(jié)束語

綜上所述，通過神經(jīng)網(wǎng)絡(luò)對計算機網(wǎng)絡(luò)安全的評價，可以有效的對計算機網(wǎng)絡(luò)安全進行管理。運用神經(jīng)網(wǎng)絡(luò)技術(shù)手段，提高了計算機網(wǎng)絡(luò)安全管理的效率，并且在運用神經(jīng)網(wǎng)絡(luò)的過程中建立健全安全評價標準體系、注重對評價模型進行有效的驗證以及加強對計算機網(wǎng)絡(luò)安全評價模型的設(shè)計，切實的提升計算機網(wǎng)絡(luò)安全管理水平。

參考文獻：

[1]毛志勇.BP神經(jīng)網(wǎng)絡(luò)在計算機網(wǎng)絡(luò)安全評價中的應(yīng)用[J].信息技術(shù)，2008（06）.

[2]周忠.神經(jīng)網(wǎng)絡(luò)技術(shù)在網(wǎng)絡(luò)安全中的應(yīng)用[J].科技致富向?qū)В?010（32）.

[3]趙冬梅，劉海峰，劉晨光.基于BP神經(jīng)網(wǎng)絡(luò)的信息安全風(fēng)險評估[J].計算機工程與應(yīng)用，2007（01）.

[4]樓文高，姜麗，孟祥輝.計算機網(wǎng)絡(luò)安全綜合評價的神經(jīng)網(wǎng)絡(luò)模型[J].計算機工程與應(yīng)用，2007（32）.

[5]沈宗慶，劉西林.基于BP神經(jīng)網(wǎng)絡(luò)的分銷商績效指標評價及應(yīng)用[J].華東交通大學(xué)學(xué)報，2007（04）.

篇9

關(guān)鍵詞 BP神經(jīng)網(wǎng)絡(luò) 數(shù)據(jù)挖掘 最速下降法 函數(shù)逼近 模式識別

中圖分類號：TP391 文獻標識碼：A

1研究背景

BP神經(jīng)網(wǎng)絡(luò)是一種多層的前饋網(wǎng)絡(luò)而且它的學(xué)習(xí)算法是一種誤差逆向傳播算法。BP神經(jīng)網(wǎng)絡(luò)是目前研究最為成熟、應(yīng)用最為廣泛的人工神經(jīng)網(wǎng)絡(luò)模型之一。由于其結(jié)構(gòu)簡單、可操作性強、具有較好的自學(xué)習(xí)能力、能夠有效地解決非線性目標函數(shù)的逼近問題等優(yōu)點，因此被廣泛應(yīng)用于自動控制、模式識別、圖像識別、信號處理、預(yù)測、函數(shù)擬合、系統(tǒng)仿真等學(xué)科和領(lǐng)域中。

2 BP神經(jīng)網(wǎng)絡(luò)原理

2.1概述

BP神經(jīng)網(wǎng)絡(luò)是一種反向傳播誤差算法然后訓(xùn)練的一個多層前饋網(wǎng)絡(luò)，簡稱為BP算法，它應(yīng)用在已被開發(fā)出來的神經(jīng)網(wǎng)絡(luò)中，到目前為止是應(yīng)用最為廣泛的網(wǎng)絡(luò)模型之一。BP神經(jīng)網(wǎng)絡(luò)可以學(xué)習(xí)并且存儲非常多的輸入模式與輸出模式之間的映射關(guān)系，卻無需在學(xué)習(xí)和存儲前事先揭示并描述輸入輸出間的映射關(guān)系的一種數(shù)學(xué)方程。它使用最速下降法，通過對輸出誤差的反向傳播，獲得不斷調(diào)整網(wǎng)絡(luò)連接權(quán)系數(shù)和閾值的信息，最終使神經(jīng)網(wǎng)絡(luò)的平方誤差最小，達到期望要求。

2.2 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

BP神經(jīng)網(wǎng)絡(luò)模型是一個三層網(wǎng)絡(luò)，它的拓撲結(jié)構(gòu)可被劃分為：輸入層、輸出層、隱含層。其中輸入層與輸出層具有更重要的意義，因此它也可以為兩層網(wǎng)絡(luò)結(jié)構(gòu)（把隱含層劃入輸入層或者把隱含層去掉）。每層都由許多簡單的能夠執(zhí)行并行運算的神經(jīng)元組成，這些神經(jīng)元與生物系統(tǒng)中的那些神經(jīng)元非常類似，但其并行性并沒有生物神經(jīng)元的并行性高。BP神經(jīng)網(wǎng)絡(luò)是一個前饋網(wǎng)絡(luò)，因此它具有前饋網(wǎng)絡(luò)所具有的特性：相鄰兩層之間的全部神經(jīng)元進行互相連接，而處于同一層的神經(jīng)元不能進行聯(lián)接。

2.3 BP算法原理

BP神經(jīng)網(wǎng)絡(luò)的基本原理是把一個輸入矢量經(jīng)過隱含層的一系列變換，然后得到一個輸出矢量，從而實現(xiàn)輸入數(shù)據(jù)與輸出數(shù)據(jù)間的一個映射關(guān)系。輸入信息的正向傳播，以及輸出誤差的反向傳播，構(gòu)成了 BP網(wǎng)絡(luò)的信息循環(huán)。BP算法根據(jù)輸出誤差來修改各神經(jīng)元連接的連接權(quán)系數(shù)，其目的是使輸出誤差達到預(yù)計范圍內(nèi)。BP網(wǎng)絡(luò)需要實際輸出與期望輸出之間的誤差來確定是否要修改神經(jīng)元連接的連接權(quán)系數(shù)。其中，期望輸出便是該網(wǎng)絡(luò)意義上的“導(dǎo)師”。BP網(wǎng)絡(luò)具有對稱性的網(wǎng)絡(luò)結(jié)構(gòu)，在輸出端的每一個處理單元基本上都具有一個相同的激勵函數(shù)。

BP算法由正向傳播和反向傳播兩部分組成。在正向傳播過程中，輸入信息從輸入層經(jīng)隱層單元處理后，傳至輸出層。每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)。如果在輸出層得不到期望輸出，就轉(zhuǎn)為反向傳播，即：把誤差信號沿連接路徑返回，并通過修改各層神經(jīng)元之間的連接權(quán)值，使誤差信號最小。

具體的算法步驟可概括如下：

第一步，選取初始權(quán)值、閾值。

第二步，重復(fù)下述過程直至滿足性能要求為止：

（1）對于學(xué)習(xí)樣本P=1到N

①計算每層各節(jié)點j的輸出yj，netj和的值（正向過程）；

②對各層從M層到第二層，對每層各節(jié)點反向計算%]j（反向過程）；

（2）修改權(quán)值

具體推導(dǎo)過程見參考文獻4。

3基于BP神經(jīng)網(wǎng)絡(luò)設(shè)計的實例

3.1函數(shù)逼近

我們設(shè)計一個簡單的BP網(wǎng)絡(luò)，實現(xiàn)對非線性函數(shù)的逼近。通過改變該函數(shù)的參數(shù)以及BP網(wǎng)絡(luò)隱層神經(jīng)元的數(shù)目，來觀察訓(xùn)練時間以及訓(xùn)練誤差的變化時間。將要逼近的非線性函數(shù)設(shè)為正弦函數(shù)，其頻率參數(shù)k可以調(diào)節(jié)。假設(shè)頻率參數(shù)k=2，繪制此函數(shù)的曲線。如圖1。

（1）網(wǎng)絡(luò)建立：用MATLAB編程建立BP網(wǎng)絡(luò)結(jié)構(gòu)，為二層BP神經(jīng)網(wǎng)絡(luò)。隱層神經(jīng)元數(shù)目n 可以改變，暫時設(shè)為n=10，輸出層有一個神經(jīng)元。網(wǎng)絡(luò)訓(xùn)練采用Levenberg-Marquardt算法trainlm。

分析：因為建立網(wǎng)絡(luò)時，權(quán)值和閾值的初始化是隨機的，所以網(wǎng)絡(luò)輸出結(jié)果很差，根本達不到函數(shù)逼近的目的，并且每次運行的結(jié)果也有所不同。

（2）網(wǎng)絡(luò)訓(xùn)練：在MATLAB里應(yīng)用train（）函數(shù)對網(wǎng)絡(luò)進行訓(xùn)練之前，需要預(yù)先設(shè)置訓(xùn)練參數(shù)。將訓(xùn)練時間設(shè)置為50，訓(xùn)練精度設(shè)置為0.01，其余參數(shù)用默認值。

（3）網(wǎng)絡(luò)測試：對于訓(xùn)練好的網(wǎng)絡(luò)進行仿真，繪制網(wǎng)絡(luò)輸出曲線，并與原始非線性函數(shù)曲線相比較，結(jié)果如下圖2。

由此可看出，得到的曲線和原始的非線性函數(shù)曲線很接近。這說明經(jīng)過訓(xùn)練后，BP網(wǎng)絡(luò)對非線性函數(shù)的逼近效果非常好。

（4）討論分析：改變非線性函數(shù)的頻率和BP網(wǎng)絡(luò)隱層神經(jīng)元的數(shù)目，對于函數(shù)逼近的效果有一定的影響。網(wǎng)絡(luò)非線性程度越高，對BP網(wǎng)絡(luò)的要求越高，則相同的網(wǎng)絡(luò)逼近效果要差一些；隱性神經(jīng)元的數(shù)目對于網(wǎng)絡(luò)逼近效果也有一定的影響，一般來說隱形神經(jīng)元數(shù)目越多，則BP網(wǎng)絡(luò)逼近非線性函數(shù)的能力越強，同時網(wǎng)絡(luò)訓(xùn)練所用的時間相對來說也要長一些。

參考文獻

[1] 閆志忠.BP神經(jīng)網(wǎng)絡(luò)模型的改進及其應(yīng)用研究[D].吉林大學(xué)，2003.

[2] 李友坤.BP神經(jīng)網(wǎng)絡(luò)的研究分析及改進應(yīng)用[D].安徽理工大學(xué)，2012.

[3] 吳昌友.神經(jīng)網(wǎng)絡(luò)的研究及應(yīng)用[D].東北農(nóng)業(yè)大學(xué)， 2007.

篇10

【關(guān)鍵詞】小波神經(jīng)網(wǎng)絡(luò)；建筑工程項目工期風(fēng)險；預(yù)測

0.引言

在工程項目的施工過程中，工期是三大控制中重要的控制目標之一，工期的拖延或者壓縮，都會直接影響到成本和質(zhì)量[1]。如果項目工期得不到有效控制，必然導(dǎo)致人力、物力、財力的浪費，甚至?xí)绊懙焦こ痰馁|(zhì)量、安全乃至項目總體目標的實現(xiàn)。工程項目工期風(fēng)險管理已成為工程項目管理的核心問題。工程項目的不確定因素處于動態(tài)變化之中，由于信息的滯后性，作好工期風(fēng)險管理需要對工期計劃中未來可能發(fā)生的風(fēng)險作出準確的識別和預(yù)測，因此，對工期風(fēng)險進行預(yù)測具有重要意義。

目前，對于工程項目工期風(fēng)險預(yù)測的研究較少，已應(yīng)用的方法主要有專家打分法、模糊綜合評價法、層次分析法、灰色關(guān)聯(lián)法等。但這些方法人為主觀因素多，手工計算復(fù)雜繁瑣，且研究尚不夠深入。人工神經(jīng)網(wǎng)絡(luò)憑借其強大的樣本自學(xué)習(xí)、自適應(yīng)能力，已被逐漸應(yīng)用到工程項目風(fēng)險分析與預(yù)測領(lǐng)域，它可以充分利用專家經(jīng)驗和有限的歷史數(shù)據(jù)，能夠大大提高工程項目風(fēng)險預(yù)測的客觀性和精確性[2]。1986 年D.E.Runelhart 和J.L.McCelland 及其研究小組提出的誤差反向傳播算法（BP 算法），已成為至今影響最大、引用最廣的一種網(wǎng)絡(luò)學(xué)習(xí)算法[3]。結(jié)合BP 神經(jīng)網(wǎng)絡(luò)的特點和我國工程項目風(fēng)險預(yù)測的需要，國內(nèi)一些學(xué)者開始將BP 神經(jīng)網(wǎng)絡(luò)應(yīng)用到工程項目的風(fēng)險評價之中，但卻尚未應(yīng)用于工期風(fēng)險的預(yù)測領(lǐng)域。

1.小波神經(jīng)網(wǎng)絡(luò)模型

小波神經(jīng)網(wǎng)絡(luò)（Wavelet Neural Networks，縮寫WNN）， 是近幾年國際上新興的一種數(shù)學(xué)建模分析方法，是結(jié)合最近發(fā)展的小波變換良好的時頻局域化性質(zhì)與傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)功能力而形成的。最早是由法國著名的信息科學(xué)研究機構(gòu)IR ISA 的Q inghua Zhang 等于1992 年提出的， Y C Pat i等對離散仿射小波神經(jīng)網(wǎng)絡(luò)進行了研究.小波神經(jīng)網(wǎng)絡(luò)是通過小波分解進行平移和伸縮變化后而得到的級數(shù)，具有小波分解的一般逼近函數(shù)的性質(zhì)與分類特征。并且由于它引入了兩個新的參變量，即伸縮因子和平移因子，所以小波神經(jīng)網(wǎng)絡(luò)具有比小波分解更多自由度，從而使其具有更靈活有效的函數(shù)逼近能力，更強的模式識別能力和容錯能力。由于其建模算法不同于普通神經(jīng)網(wǎng)絡(luò)的BP算法，故可有效地克服普通人工神經(jīng)網(wǎng)絡(luò)模型所固有的缺陷。

小波神經(jīng)網(wǎng)絡(luò)是基于小波分析而構(gòu)成的一類新型前饋網(wǎng)絡(luò)，也可以看作是以小波函數(shù)為基底的一種新型函數(shù)連接神經(jīng)網(wǎng)絡(luò)，其信號的表達式通過將所選取得小波基疊加來實現(xiàn)的等。在信號分類中，子波空間可作為模式識別的特征空間，通過將小波基與信號向量的內(nèi)積進行加權(quán)和來實現(xiàn)信號的特征提取，然后將這些特征輸入到分類器中，它結(jié)合了小波變換良好的時頻局域化性質(zhì)及神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)功能，因而具有良好的逼近與容錯能力[4]。

2.基于小波神經(jīng)網(wǎng)絡(luò)的建筑建筑工程項目工期風(fēng)險預(yù)測

2.1數(shù)據(jù)的選取

本文引用文獻[6]中的15 組數(shù)據(jù)作為樣本數(shù)據(jù)，將其中12 組數(shù)據(jù)作為訓(xùn)練樣本，3 組數(shù)據(jù)作為檢測樣本。樣本數(shù)據(jù)如表1 所示，表中數(shù)據(jù)為由20位有經(jīng)驗的現(xiàn)場管理人員對各工程項目的風(fēng)險因素進行評價得出的風(fēng)險因素值。

表1 樣本數(shù)據(jù)

2.2小波神經(jīng)網(wǎng)絡(luò)（WNN）預(yù)測模型預(yù)測結(jié)果

確定BP 網(wǎng)絡(luò)輸入樣本的維數(shù)為4，因此將管理、公共關(guān)系、技術(shù)、社會風(fēng)險4 個風(fēng)險指標作為BP 網(wǎng)絡(luò)的輸入節(jié)點；將預(yù)測得出的工程項目工期風(fēng)險分數(shù)作為網(wǎng)絡(luò)的輸出，即設(shè)置1 個輸出節(jié)點；隱層單元數(shù)取12（經(jīng)驗證，當(dāng)隱層節(jié)點數(shù)為12 時網(wǎng)絡(luò)預(yù)測的相對誤差最低），構(gòu)建三層BP 神經(jīng)網(wǎng)絡(luò)。在設(shè)計網(wǎng)絡(luò)時采用三層網(wǎng)絡(luò)模型，這樣比采用四層網(wǎng)絡(luò)不易陷入局部極小值。采用此結(jié)構(gòu)對上面歸一化的中房指數(shù)數(shù)據(jù)進行預(yù)測。并將整個過程運用Matlab進行編程實現(xiàn)將數(shù)據(jù)分為兩組，前一組用于訓(xùn)練網(wǎng)絡(luò)，后一組用作檢驗。用小波神經(jīng)網(wǎng)絡(luò)（WNN）預(yù)測模型進行預(yù)測，并將結(jié)果與BP神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果進行比較，結(jié)果如表2所示。

表2 小波神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果比較

3.實例分析

選取紹興市某擬建工程項目，運用本模型對其工期風(fēng)險進行預(yù)測，以便在該項目決策前期準確地預(yù)測出工期風(fēng)險大小，為項目管理人員提供可靠依據(jù)，更加科學(xué)合理地對工期風(fēng)險進行應(yīng)對，有效控制項目工期。針對該工程項目，首先邀請10 位相關(guān)領(lǐng)域?qū)＜覍υ摴こ添椖康闹鞒煞诛L(fēng)險指標進行打分，對專家的打分結(jié)果按照本文前述方法進行處理并整理得到表4。

表4 實例數(shù)據(jù)

工期風(fēng)險預(yù)測模型對該項目的工期風(fēng)險進行預(yù)測，計算出該工程項目的工期風(fēng)險分數(shù)為0.3200，說明該工程項目存在的工期風(fēng)險屬中等風(fēng)險。項目管理人員應(yīng)根據(jù)項目實際情況，合理安排人力、物力、財力，不能盲目縮短工期，也不可疏于控制致使工期拖延。應(yīng)從項目宏觀角度出發(fā)，統(tǒng)籌考慮質(zhì)量、費用和工期之間的關(guān)系，制定合理的工期風(fēng)險應(yīng)對計劃，以較高的效率保證項目總體目標的實現(xiàn)。

4.小結(jié)

小波神經(jīng)網(wǎng)絡(luò)是結(jié)合最近發(fā)展的小波變換良好的時頻局域化性質(zhì)與傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)功能而形成的，具有深厚的數(shù)學(xué)基底，被廣泛應(yīng)用于各個領(lǐng)域。本文在介紹小波神經(jīng)網(wǎng)絡(luò)的同時，建立起了一種小波神經(jīng)網(wǎng)絡(luò)預(yù)測模型，并將其應(yīng)用于建筑工程工期風(fēng)險的預(yù)測當(dāng)中。

【參考文獻】

[1]趙冬梅，王曉強，侯麗娜.工程項目工期延誤的關(guān)鍵風(fēng)險研究[J].技術(shù)經(jīng)濟與管理研究，2009（5）：48-51.

[2]張俊玲，陳立文，尹志軍等.工程項目投資風(fēng)險評價模型研究[J].基建優(yōu)化，2004，25（1）：11-14.

[3]JU Q，YU Z B，HAO Z C，et al.Division-basedrainfall-runoff simulations with BP neural networks and Xinanjiang model[J].Neuro computing，2009，72（13）：2873-2883.

[4]Dutta R K，S Paul，Chattopadhyay.Applicability ofmodified back propagation algorithm in tool condition monitoring for faster convergence[J].Mater ProcessTechnol，2000，98（3）：299-309.