導(dǎo)語(yǔ)：如何才能寫好一篇神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)過(guò)程，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】人工神經(jīng)網(wǎng)絡(luò) 路徑規(guī)劃 移動(dòng)機(jī)器人

1 引言

在移動(dòng)機(jī)器人導(dǎo)航技術(shù)應(yīng)用過(guò)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(jī)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(dòng)的要求移動(dòng)機(jī)器人能夠安全實(shí)現(xiàn)智能化移動(dòng)的標(biāo)志，通常而言，機(jī)器人選擇的路徑包括很多個(gè)，因此，在路徑最短、使用時(shí)間最短、消耗的能量最少等預(yù)定的準(zhǔn)則下，能夠選擇一條最優(yōu)化的路徑，成為許多計(jì)算機(jī)學(xué)者研究的熱點(diǎn)和難點(diǎn)。

2 背景知識(shí)

神經(jīng)網(wǎng)絡(luò)模擬生物進(jìn)化思維，具有獨(dú)特的結(jié)構(gòu)神經(jīng)元反饋機(jī)制，其具有分布式信息存儲(chǔ)、自適應(yīng)學(xué)習(xí)、并行計(jì)算和容錯(cuò)能力較強(qiáng)的特點(diǎn)，以其獨(dú)特的結(jié)構(gòu)和信息處理方法，在自動(dòng)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(shì)預(yù)測(cè)中，神經(jīng)網(wǎng)絡(luò)能夠建立一個(gè)良好的分類學(xué)習(xí)模型，并且在學(xué)習(xí)過(guò)程中優(yōu)化每一層的神經(jīng)元和神經(jīng)元連接的每一個(gè)節(jié)點(diǎn)。1993年，Banta等將神經(jīng)網(wǎng)絡(luò)應(yīng)用于移動(dòng)機(jī)器人路徑規(guī)劃過(guò)程中，近年來(lái)，得到了廣泛的研究和發(fā)展，morcaso等人構(gòu)建利用一個(gè)能夠?qū)崿F(xiàn)自組織的神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)機(jī)器人導(dǎo)航的功能，并且可以通過(guò)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?fù)浣Y(jié)構(gòu)模型可以分為：

2.1 前向網(wǎng)絡(luò)

網(wǎng)絡(luò)中各個(gè)神經(jīng)元接受前一級(jí)的輸入，并輸出到下一級(jí)，網(wǎng)絡(luò)中沒(méi)有反饋，可以用一個(gè)有向無(wú)環(huán)路圖表示。這種網(wǎng)絡(luò)實(shí)現(xiàn)信號(hào)從輸入空間到輸出空間的變換，它的信息處理能力來(lái)自于簡(jiǎn)單非線性函數(shù)的多次復(fù)合。網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單，易于實(shí)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(gè)無(wú)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(dòng)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(jī)均屬于這種類型。

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

神經(jīng)網(wǎng)絡(luò)解決移動(dòng)機(jī)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(jī)器人移動(dòng)環(huán)境的各種約束，計(jì)算碰撞函數(shù)，該算法能夠?qū)⒌窂近c(diǎn)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(biāo)函數(shù)，通過(guò)求解優(yōu)化函數(shù)，能夠確定點(diǎn)集，實(shí)現(xiàn)路徑最優(yōu)規(guī)劃。神經(jīng)網(wǎng)絡(luò)算法在移動(dòng)機(jī)器人路徑規(guī)劃過(guò)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(biāo)點(diǎn)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(diǎn)；

（2）動(dòng)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(biāo)節(jié)點(diǎn)和障礙物的具置信息，在神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(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(biāo)值附件的神經(jīng)元活性值，并且使用局部側(cè)的各個(gè)神經(jīng)元之間，連接整個(gè)神經(jīng)網(wǎng)絡(luò)，并且在各個(gè)神經(jīng)元中進(jìn)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(jī)器人保持在原處不動(dòng)；否則下一個(gè)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(jī)器人到達(dá)目標(biāo)點(diǎn)則路徑規(guī)劃過(guò)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(dòng)機(jī)器人路徑規(guī)劃技術(shù)展望

未來(lái)時(shí)間內(nèi)，人工神經(jīng)在機(jī)器人路徑規(guī)劃過(guò)程中的應(yīng)用主要發(fā)展方向包括以下幾個(gè)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(biāo)解

在神經(jīng)網(wǎng)絡(luò)應(yīng)用過(guò)程中，由于經(jīng)驗(yàn)值較為難以確定，因此在神經(jīng)網(wǎng)絡(luò)的應(yīng)用過(guò)程中，將神經(jīng)網(wǎng)絡(luò)看做是一個(gè)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(biāo)函數(shù)的最優(yōu)解，以便更好的判斷機(jī)器人移動(dòng)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(lái)，其可以將機(jī)器人的移動(dòng)環(huán)境設(shè)置為一個(gè)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(diǎn)構(gòu)成，神經(jīng)網(wǎng)絡(luò)決定機(jī)器人的運(yùn)動(dòng)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(biāo)點(diǎn)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(dòng)機(jī)器人的運(yùn)動(dòng)作用力，實(shí)現(xiàn)一個(gè)可以在未知環(huán)境中進(jìn)行的機(jī)器人運(yùn)動(dòng)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(zhǔn)確性

為了提高神經(jīng)網(wǎng)絡(luò)的搜索準(zhǔn)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(duì)機(jī)器人工作環(huán)境進(jìn)行建模，然后將機(jī)器人出發(fā)點(diǎn)作為蟻巢位置，路徑規(guī)劃最終目標(biāo)點(diǎn)作為蟻群食物源，通過(guò)螞蟻間相互協(xié)作找到一條避開障礙物的最優(yōu)機(jī)器人移動(dòng)路徑。

5 結(jié)語(yǔ)

隨著移動(dòng)機(jī)器人技術(shù)的發(fā)展，路徑規(guī)劃作為最重要的一個(gè)組成部分，其得到了許多的應(yīng)用和發(fā)展，其在導(dǎo)航過(guò)程中，也引入了許多先進(jìn)的算法，比如神經(jīng)網(wǎng)絡(luò)，更加優(yōu)化了移動(dòng)的路徑。未來(lái)時(shí)間內(nèi)，隨著神經(jīng)網(wǎng)絡(luò)技術(shù)的改進(jìn)，可以引入遺傳算法、信息論、蟻群算法等，將這些算法優(yōu)勢(shì)結(jié)合，將會(huì)是路徑規(guī)劃更加準(zhǔn)確和精確。

參考文獻(xiàn)

[1]朱大奇,顏明重,滕蓉. 移動(dòng)機(jī)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(dòng)機(jī)器人路徑規(guī)劃中的仿真研究[J].計(jì)算機(jī)仿真,2011,28(6): 227-230.

[3]熊開封,張華.基于改進(jìn)型 FNN 的移動(dòng)機(jī)器人未知環(huán)境路徑規(guī)劃[J].制造業(yè)自動(dòng)化,2013,35(22): 1-4.

[4]柳長(zhǎng)安,鄢小虎,劉春陽(yáng).基于改進(jìn)蟻群算法的移動(dòng)機(jī)器人動(dòng)態(tài)路徑規(guī)劃方法[J].電子學(xué)報(bào),2011,39(5).

[5]范浩鋒,劉俊.基于 BP 神經(jīng)網(wǎng)絡(luò)的紅外目標(biāo)識(shí)別技術(shù)[J].計(jì)算機(jī)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(jià)估算的難度，基于神經(jīng)網(wǎng)絡(luò)的工程造價(jià)估算方法能夠提升工程造價(jià)估算的準(zhǔn)確性。本文從傳統(tǒng)的工程造價(jià)估算方法入手，對(duì)基于神經(jīng)網(wǎng)絡(luò)的工程造價(jià)估算方法及其Excel實(shí)現(xiàn)進(jìn)行研究。

【關(guān)鍵詞】神經(jīng)網(wǎng)絡(luò) 工程造價(jià) 估算方法 Excel實(shí)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(jìng)爭(zhēng)壓力越來(lái)越大。對(duì)于建筑企業(yè)而言，通過(guò)建筑工程成本的有效控制，實(shí)現(xiàn)所獲經(jīng)濟(jì)效益的提升能夠?qū)ψ陨硎袌?chǎng)競(jìng)爭(zhēng)力的提升產(chǎn)生相應(yīng)的促進(jìn)作用。選擇合理的工程造價(jià)估算方法具有一定的必要性。

1 傳統(tǒng)的工程造價(jià)估算方法

應(yīng)用傳統(tǒng)工程造價(jià)估算方法進(jìn)行估算，要求建筑工程的成本函數(shù)是一個(gè)具有確定性特點(diǎn)的數(shù)學(xué)形式，并且這個(gè)成本函數(shù)應(yīng)該是對(duì)可利用歷史數(shù)據(jù)的最佳擬合。這些要求對(duì)傳統(tǒng)工程造價(jià)估算方法的精確度產(chǎn)生了不良影響，進(jìn)而對(duì)該方法的實(shí)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(jià)控制估算方法及其Excel實(shí)現(xiàn)

2.1 神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)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(shí)際處理方式和連接強(qiáng)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(shí)現(xiàn)處理信息的目的。神經(jīng)網(wǎng)絡(luò)具有時(shí)間連續(xù)性、高度非線性以及規(guī)模大的特點(diǎn)，神經(jīng)網(wǎng)絡(luò)包含優(yōu)化計(jì)算、處理知識(shí)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(hào)處理以及模式識(shí)別中。以某個(gè)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(guò)程序的構(gòu)造對(duì)該代碼段進(jìn)行識(shí)別編寫時(shí)，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(jià)控制估算方法的合理性

神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì)在于，它可以近似實(shí)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(diǎn)使得它在需要辨識(shí)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(duì)實(shí)時(shí)數(shù)據(jù)和歷史資料進(jìn)行訓(xùn)練，這種特點(diǎn)為神經(jīng)網(wǎng)絡(luò)在工程造價(jià)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(gè)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(gè)輸入單元，還包含每平方米造價(jià)這一輸出單元，以及4個(gè)測(cè)試樣本和6個(gè)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(lái)，可以在Excel中建立一個(gè)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(jìn)行，為了便于神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)進(jìn)行合理處理，需要將表格中第一個(gè)模塊中的輸入數(shù)據(jù)調(diào)整至[-1，1]范圍中。當(dāng)?shù)谝粋€(gè)模塊構(gòu)造完成之后，為了簡(jiǎn)化第二個(gè)模塊的構(gòu)造時(shí)間和步驟，可以利用線性公式對(duì)第一個(gè)模塊的參數(shù)值進(jìn)行合理調(diào)整，這個(gè)過(guò)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(diǎn)、輸入節(jié)點(diǎn)以及隱層節(jié)點(diǎn)之間的數(shù)目關(guān)系而言，輸出節(jié)點(diǎn)與輸入節(jié)點(diǎn)數(shù)量之和的一般是隱層節(jié)點(diǎn)的實(shí)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(diǎn)的輸出模塊。這個(gè)步驟主要需要根據(jù)神經(jīng)網(wǎng)絡(luò)的操作模型進(jìn)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(gè)模塊中，需要在單一的輸出節(jié)點(diǎn)和隱層節(jié)點(diǎn)之間建立連接。

2.3.6 神經(jīng)網(wǎng)絡(luò)的最終輸出

這個(gè)步驟與第四步類似。

2.3.7 對(duì)神經(jīng)網(wǎng)絡(luò)的輸出值進(jìn)行反調(diào)整，并對(duì)誤差進(jìn)行有效計(jì)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(guò)程

當(dāng)神經(jīng)網(wǎng)絡(luò)電子表格模擬完成之后，需要對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，也可以將這個(gè)過(guò)程看成是權(quán)值的優(yōu)化過(guò)程。由于權(quán)值優(yōu)化過(guò)程具有一定的復(fù)雜性特點(diǎn)，因此可以將Excel中的Solver程序應(yīng)用到這種預(yù)測(cè)方法中，與其他算法相比，這種算法的優(yōu)勢(shì)表現(xiàn)為可以直接在表格中運(yùn)行，簡(jiǎn)化了操作步驟，實(shí)現(xiàn)該預(yù)測(cè)方法掌握難度的有效降低。運(yùn)用這種預(yù)測(cè)方法進(jìn)行操作可以發(fā)現(xiàn)，網(wǎng)絡(luò)運(yùn)行結(jié)果滿意，應(yīng)用這種預(yù)測(cè)方法的預(yù)測(cè)誤差小于0.4%。

2.5 分析參數(shù)變化對(duì)模型預(yù)測(cè)結(jié)果的敏感性

用戶通常無(wú)法確定能夠?qū)μ囟üこ踢M(jìn)行精確描述的特征因素是什么，因此，為了保證模型的實(shí)用性，需要對(duì)參數(shù)變化對(duì)模型預(yù)測(cè)結(jié)果的敏感性進(jìn)行有效測(cè)定。測(cè)定參數(shù)變化對(duì)模型預(yù)測(cè)結(jié)果敏感性的較為復(fù)雜，首先，用戶需要將工程中無(wú)法肯定的某一特征因素或幾個(gè)特征因素的組合選擇出來(lái)，然后使用戶選取的參數(shù)在初始值周圍逐漸變動(dòng)，并將參數(shù)變動(dòng)范圍控制在25%之內(nèi)，為了更好地對(duì)參數(shù)對(duì)模型預(yù)測(cè)結(jié)果的敏感性進(jìn)行分析，需要對(duì)樣本資料的數(shù)量進(jìn)行合理控制。分析參數(shù)對(duì)模型預(yù)測(cè)結(jié)果名感性的界面如圖1所示。在實(shí)際分析過(guò)程中，需要將第一個(gè)模塊公式變?yōu)榉謩e對(duì)多個(gè)分析資料進(jìn)行計(jì)算，結(jié)合計(jì)算結(jié)果得出計(jì)算結(jié)果的標(biāo)準(zhǔn)差和平均值，并將估計(jì)成本與標(biāo)準(zhǔn)差和平均值進(jìn)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(guò)敏感性分析對(duì)模塊中輸入?yún)?shù)的實(shí)際重要性進(jìn)行有效判斷，通過(guò)不同參數(shù)的分別變化，分別對(duì)其進(jìn)行敏感性分析，將所得標(biāo)準(zhǔn)差和平均值與最初估計(jì)進(jìn)行比較，進(jìn)而得出模塊中輸入?yún)?shù)的實(shí)際重要性判斷結(jié)果。

3 結(jié)論

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

參考文獻(xiàn)

[1]孫金麗，鄭立群，張世英.基于神經(jīng)網(wǎng)絡(luò)的工程造價(jià)估算方法及其Excel實(shí)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(jià)預(yù)測(cè)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(jià)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(hào)：TP391

文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)文章編號(hào)：16727800（2016）009014603

基金項(xiàng)目基金項(xiàng)目：

作者簡(jiǎn)介作者簡(jiǎn)介：余洋（1994-），男，湖北隨州人，四川理工學(xué)院自動(dòng)化電子信息學(xué)院碩士研究生，研究方向?yàn)橹悄芸刂?；傅成華（1958-），男，四川富順人，四川理工學(xué)院自動(dòng)化與電子信息學(xué)院教授、碩士生導(dǎo)師，研究方向?yàn)橄冗M(jìn)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(lái)模擬生物神經(jīng)網(wǎng)絡(luò)的記憶機(jī)理，首次使用“能量函數(shù)”的概念，并且說(shuō)明了此神經(jīng)網(wǎng)絡(luò)與動(dòng)力學(xué)之間的關(guān)系，使得判斷神經(jīng)網(wǎng)絡(luò)在工作過(guò)程中的穩(wěn)定性有了非常簡(jiǎn)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(shí)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(shí)現(xiàn)聯(lián)想存儲(chǔ)器設(shè)計(jì)。

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(gè)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(qiáng)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(shí)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(gè)神經(jīng)元的輸出均通過(guò)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(méi)有外部輸入的情況下也能進(jìn)入穩(wěn)定狀態(tài)。

兩個(gè)互聯(lián)神經(jīng)元之間的連接權(quán)值相同（wij=wji），每個(gè)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(gè)神經(jīng)元結(jié)構(gòu)如圖2所示，單個(gè)神經(jīng)元采用M-P模型進(jìn)行信息處理，假設(shè)神經(jīng)網(wǎng)絡(luò)有n個(gè)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(yùn)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(gè)）神經(jīng)元的狀態(tài)集合構(gòu)成，在任意一個(gè)給定的時(shí)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(gè)神經(jīng)元都會(huì)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(shí)，整個(gè)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(shí)就表示網(wǎng)絡(luò)達(dá)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(dá)到穩(wěn)定狀態(tài)需要經(jīng)過(guò)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(guò)程就是網(wǎng)絡(luò)狀態(tài)的動(dòng)態(tài)演化過(guò)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(guò)程，直到達(dá)到網(wǎng)絡(luò)的穩(wěn)定狀態(tài)，這時(shí)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(shí)有以下運(yùn)行步驟：①對(duì)網(wǎng)絡(luò)進(jìn)行初始化；②從網(wǎng)絡(luò)中隨機(jī)選取一個(gè)神經(jīng)元i；③按照式（1）計(jì)算神經(jīng)元i在t時(shí)刻的凈輸入si （t）；④按照式（2）計(jì)算神經(jīng)元i在t+1時(shí)刻的輸入xi（t+1），此時(shí)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(dá)到了穩(wěn)定狀態(tài)，如果未達(dá)到穩(wěn)定狀態(tài)就轉(zhuǎn)到②繼續(xù)進(jìn)行，如果網(wǎng)絡(luò)達(dá)到穩(wěn)定狀態(tài)則網(wǎng)絡(luò)的工作過(guò)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(diǎn)就是引入了“能量函數(shù)”，它表明了神經(jīng)網(wǎng)絡(luò)與動(dòng)力學(xué)之間的關(guān)系。上文也提到，網(wǎng)絡(luò)運(yùn)行時(shí)在網(wǎng)絡(luò)狀態(tài)不斷變化過(guò)程中，網(wǎng)絡(luò)的能量值不斷遞減，直到達(dá)到穩(wěn)定狀態(tài)。這說(shuō)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(shí)際上是一個(gè)非線性動(dòng)力系統(tǒng)，網(wǎng)絡(luò)按動(dòng)力學(xué)方式運(yùn)行，網(wǎng)絡(luò)狀態(tài)的變化過(guò)程實(shí)際上是使能量極小化的過(guò)程：每次神經(jīng)元狀態(tài)改變時(shí)，整個(gè)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(shí)刻到t+1時(shí)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(shí)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(jiǎn)化為：

ΔEj= -Δxj（∑ni=1wijxi-θj）（8）

在t+1時(shí)刻共有以下3種可能情況來(lái)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(shí)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(shí)刻到t+1時(shí)刻，無(wú)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(gè)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(lái)更新狀態(tài)的，因而整個(gè)網(wǎng)絡(luò)的能量一直向減少的方向進(jìn)行。網(wǎng)絡(luò)變化的過(guò)程就是網(wǎng)絡(luò)能量的極小化過(guò)程，因?yàn)槟芰亢瘮?shù)是有界的，故網(wǎng)絡(luò)一定會(huì)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(guò)程可以看作是下坡的過(guò)程，當(dāng)網(wǎng)絡(luò)的狀態(tài)隨時(shí)間改變時(shí)，整個(gè)網(wǎng)絡(luò)的能量沿著下降最快的方向改變，最終停在整個(gè)網(wǎng)絡(luò)能量的極小點(diǎn)[4]。這些極小點(diǎn)有全局極小點(diǎn)c，也有局部極小點(diǎn)a、b，最終落入哪種極小點(diǎn)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(jì)

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(diǎn)，網(wǎng)絡(luò)將記憶的樣本信息存儲(chǔ)在不同的能量極值點(diǎn)上，當(dāng)網(wǎng)絡(luò)輸入某一種模式時(shí)，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(chǔ)樣本，從而實(shí)現(xiàn)聯(lián)想記憶。并且神經(jīng)網(wǎng)絡(luò)都有很好的容錯(cuò)性能，即使是對(duì)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(chǔ)起來(lái)，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(diǎn)存儲(chǔ)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(diǎn)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(diǎn)和需要被記憶的模式設(shè)計(jì)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(méi)有記憶之前是空白狀態(tài)，只有設(shè)計(jì)了恰當(dāng)?shù)倪B接權(quán)值和閾值才會(huì)使網(wǎng)絡(luò)具有知識(shí)，連接權(quán)值的設(shè)計(jì)調(diào)整過(guò)程就是網(wǎng)絡(luò)的學(xué)習(xí)過(guò)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(lái)設(shè)計(jì)權(quán)值。方法具體如下：

假設(shè)網(wǎng)絡(luò)共有n個(gè)節(jié)點(diǎn)，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(gè)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(gè)學(xué)習(xí)模式，學(xué)習(xí)記憶集合為X1，對(duì)于輸入模式X1，如果網(wǎng)絡(luò)達(dá)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(diǎn)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(gè)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(gè)學(xué)習(xí)模式，則可將式（10）進(jìn)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(jì)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(shí)，網(wǎng)絡(luò)可以進(jìn)行模式的記憶及聯(lián)想。

2聯(lián)想記憶功能實(shí)現(xiàn)證明

聯(lián)想記憶的過(guò)程分為兩個(gè)階段：第一階段是記憶階段（也稱存儲(chǔ)階段、學(xué)習(xí)階段），它是聯(lián)想記憶的關(guān)鍵，其處理過(guò)程是將記憶模式作為網(wǎng)絡(luò)的穩(wěn)定狀態(tài)，并通過(guò)設(shè)計(jì)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(jìn)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(yùn)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(shí)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(shí)現(xiàn)聯(lián)想記憶功能。設(shè)有一個(gè)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(chǔ)了兩個(gè)模式，模式一X1為（1，1，1，1），模式二X2為（-1，-1，-1，-1），每個(gè)存儲(chǔ)模式由兩部分組成：名稱和顏色。前兩神經(jīng)元存儲(chǔ)的是名稱，后兩個(gè)神經(jīng)元存儲(chǔ)的是對(duì)應(yīng)的顏色。模式一表示“藍(lán)色的天空”，前兩個(gè)1表示天空，后兩個(gè)1表示藍(lán)色的；模式二表示“綠色的樹”，前兩個(gè)-1表示樹，后兩個(gè)-1表示綠色的，當(dāng)網(wǎng)絡(luò)上加載信息不全或錯(cuò)誤地輸入模式三X3=（1，1，-1，1）時(shí)，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(jì)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(yùn)行到穩(wěn)定狀態(tài)。將網(wǎng)絡(luò)要存儲(chǔ)的模式一和模式二設(shè)計(jì)為網(wǎng)絡(luò)的兩個(gè)穩(wěn)定狀態(tài)，由此設(shè)計(jì)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(jì)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(yùn)行規(guī)則讓網(wǎng)絡(luò)運(yùn)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(diǎn)1，節(jié)點(diǎn)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(diǎn)2，節(jié)點(diǎn)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(diǎn)3，節(jié)點(diǎn)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(diǎn)4，節(jié)點(diǎn)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(yùn)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(chǔ)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(shí)，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(yǔ)

神經(jīng)網(wǎng)絡(luò)的聯(lián)想記憶功能雖然很強(qiáng)，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(shí)，網(wǎng)絡(luò)不能夠很好地辨別出正確模式，而且達(dá)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(qiáng)度回想出來(lái)的。

參考文獻(xiàn)參考文獻(xiàn)：

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

[2]于樂(lè)斐.兩類時(shí)滯細(xì)胞神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性分析[D].青島：中國(guó)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(chǔ)器實(shí)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(dòng)物的神經(jīng)網(wǎng)絡(luò)，并根據(jù)其行為特征分布式進(jìn)行算法數(shù)學(xué)模型處理。在計(jì)算機(jī)上，人們可以利用并行或者串行的模式模擬仿真，實(shí)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(jìn)行神經(jīng)網(wǎng)絡(luò)研究的目標(biāo)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(duì)于輸入的內(nèi)容，神經(jīng)元可以簡(jiǎn)單進(jìn)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(lái)獲取神經(jīng)元的狀態(tài)輸出，以便對(duì)刺激進(jìn)行處理。還可建立基于VHDL語(yǔ)言的神經(jīng)網(wǎng)絡(luò)元件庫(kù)，它包括基本單元、控制單元兩個(gè)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(gè)神經(jīng)元實(shí)現(xiàn)全連接，每層各個(gè)神經(jīng)元之間沒(méi)有連接。

BP算法正向傳播過(guò)程：輸入信號(hào)從輸入層輸入，經(jīng)過(guò)隱含層傳向輸出層。如果輸出層的實(shí)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(hào)運(yùn)算后權(quán)值存儲(chǔ)問(wèn)題，它主要包括加權(quán)乘法、神經(jīng)元輸入信號(hào)的累加、非線性激勵(lì)函數(shù)的實(shí)現(xiàn)、權(quán)值存儲(chǔ)等基本模塊。

圖1中xi代表第i個(gè)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(gè)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(hào)，輸入端x1，x2，x3 分別置為011，100，101，權(quán)值初值設(shè)為0000，通過(guò)9個(gè)脈沖周期一次遞增到1000，將權(quán)值與輸入值進(jìn)行運(yùn)算，得出結(jié)果。在權(quán)值固定時(shí)，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(shí)，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(gè)神經(jīng)元的3個(gè)輸入信號(hào)以及權(quán)值的位寬都為4，且?guī)в蟹?hào)。權(quán)值共設(shè)了9個(gè)，采用9個(gè)時(shí)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(yǔ)

基于VHDL編程實(shí)現(xiàn)簡(jiǎn)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(duì)單個(gè)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(gè)輸入輸出的大規(guī)模神經(jīng)網(wǎng)絡(luò)的模擬。由于VHDL語(yǔ)言編程的靈活性，可以將編程下載到芯片用硬件實(shí)現(xiàn)對(duì)神經(jīng)網(wǎng)絡(luò)的模擬，以提高系統(tǒng)運(yùn)算的速度和可靠性。

參考文獻(xiàn)：

篇5

關(guān)鍵詞：計(jì)算機(jī)網(wǎng)絡(luò)模型；神經(jīng)網(wǎng)絡(luò)算法；分析

中圖分類號(hào)：TP393 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2016）35-0212-02

計(jì)算機(jī)網(wǎng)絡(luò)是人們多年研究科技進(jìn)步最重要的成果，其被廣泛運(yùn)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(shí)現(xiàn)網(wǎng)絡(luò)互連的功能，但也成為了網(wǎng)絡(luò)進(jìn)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(yùn)行力不從心，比如圖像、聲音等，全面優(yōu)化計(jì)算機(jī)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(jì)算機(jī)網(wǎng)絡(luò)相結(jié)合，能夠有效解決大規(guī)模復(fù)雜性的問(wèn)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(rèn)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(dòng)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(guò)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(guó)物理學(xué)家提出的，它能夠模擬神經(jīng)網(wǎng)絡(luò)的記憶機(jī)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(gè)神經(jīng)元都能夠信號(hào)輸出，還能夠?qū)⑿盘?hào)通過(guò)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(shí)是一個(gè)分線性動(dòng)力系統(tǒng)演變的過(guò)程，通過(guò)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(wèn)題目標(biāo)函數(shù)。將能量函數(shù)的初始狀態(tài)轉(zhuǎn)變?yōu)榉€(wěn)定點(diǎn)這一過(guò)程，就成為求解優(yōu)化問(wèn)題過(guò)程，這個(gè)過(guò)程也可以稱為在計(jì)算機(jī)聯(lián)想記憶基礎(chǔ)上解決優(yōu)化問(wèn)題的過(guò)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(duì)的，通過(guò)優(yōu)化計(jì)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(guò)一些過(guò)程才能夠找到適合的W。這個(gè)過(guò)程中的關(guān)鍵就是將問(wèn)題的目標(biāo)函數(shù)通過(guò)二次型能量函數(shù)進(jìn)行表達(dá)。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(dòng)態(tài)方程分e為：

DHNN（離散型）動(dòng)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(dòng)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(shí)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(guò)合適的問(wèn)題將方法表述出來(lái)，使神經(jīng)網(wǎng)絡(luò)的輸出和這一問(wèn)題的解相互對(duì)應(yīng)；

其二，創(chuàng)建有效的能量函數(shù)，要求問(wèn)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(duì)應(yīng)的動(dòng)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(dòng)態(tài)方程進(jìn)行驗(yàn)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(wèn)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(dá)到最小的切割。圖的切割是指劃分一個(gè)N―n1Un2，一個(gè)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(gè)部分，要求每個(gè)部分中的節(jié)點(diǎn)數(shù)都相等。

最大流問(wèn)題。要求有向圖G（v，e）中的開始點(diǎn)為S，結(jié)束點(diǎn)為Z，邊容量為Cij。如果每條邊都有非負(fù)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(shí)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(dòng)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(diǎn)到點(diǎn)，其可以用無(wú)向圖G=（v，e）來(lái)表示，將交換節(jié)點(diǎn)表示為頂點(diǎn)，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(diǎn)和點(diǎn)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(jìn)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(dòng)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(duì)網(wǎng)絡(luò)中的邊進(jìn)行編號(hào)，路徑經(jīng)過(guò)的邊表示為1，路徑不經(jīng)過(guò)的邊表示為0，L*M神經(jīng)元表示為L(zhǎng)需要這多個(gè)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(gè)節(jié)點(diǎn)，那么目標(biāo)函數(shù)就是E=E1+E2+E3?！?】

4結(jié)束語(yǔ)

基于神經(jīng)網(wǎng)絡(luò)算法的優(yōu)化網(wǎng)絡(luò)模型有著簡(jiǎn)單、穩(wěn)定、快速、規(guī)范的優(yōu)勢(shì)，其與其他算法相結(jié)合，能夠較大程度的提高計(jì)算機(jī)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(yán)格，它有著核心策略下降的缺點(diǎn)，那么在使用過(guò)程中會(huì)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(huì)導(dǎo)致偏差等，所以在今后就要深入研究計(jì)算機(jī)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(xiàn)：

[1]丁建立.基于神經(jīng)網(wǎng)絡(luò)算法的計(jì)算機(jī)網(wǎng)絡(luò)優(yōu)化模型研究[J].洛陽(yáng)師范學(xué)院學(xué)報(bào)，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(duì)建筑工程特點(diǎn)，提出了基于RBF神經(jīng)網(wǎng)絡(luò)的建筑工程投標(biāo)報(bào)價(jià)方法，建立建筑工程投標(biāo)報(bào)價(jià)標(biāo)高率數(shù)學(xué)模型。應(yīng)用MATLAB計(jì)算軟件，以實(shí)例驗(yàn)證了該模型的正確性及實(shí)用性。

關(guān)鍵詞 ： RBF神經(jīng)網(wǎng)絡(luò)；標(biāo)高率；報(bào)價(jià)

中圖分類號(hào)：TU723.3 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1006-4311（2015）26-0049-03

作者簡(jiǎn)介：陳紅杰（1986-），女，河南睢縣人，助教，碩士，研究方向?yàn)楣こ淘靸r(jià)、市政工程；李高鋒（1987-），男，河南杞縣人，助教，碩士，研究方向?yàn)轫?xiàng)目管理、工程造價(jià)。

0 引言

神經(jīng)網(wǎng)絡(luò)在建設(shè)工程領(lǐng)域應(yīng)用越來(lái)越廣泛，BP神經(jīng)網(wǎng)絡(luò)會(huì)出現(xiàn)局部最小化問(wèn)題和“過(guò)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(biāo)高率決策模型的建立，較BP神經(jīng)網(wǎng)絡(luò)有一定的進(jìn)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(guò)程

具體訓(xùn)練過(guò)程如圖2。

1.3 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的實(shí)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(duì)其進(jìn)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(guò)合理調(diào)用函數(shù)，能設(shè)計(jì)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(jì)函數(shù)，在創(chuàng)建過(guò)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(guò)程如下：

①輸入樣本數(shù)據(jù)（不包括測(cè)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(gè)樣本數(shù)據(jù)；

③依據(jù)均方差最大的樣本，網(wǎng)絡(luò)自動(dòng)增加一個(gè)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(kuò)展系數(shù)，默認(rèn)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(diǎn)積為徑向基神經(jīng)元輸出，此點(diǎn)積作為線性網(wǎng)絡(luò)層神經(jīng)元的輸入，重新設(shè)計(jì)線性網(wǎng)絡(luò)層，使均方差最小；

⑤當(dāng)均方誤差未達(dá)到規(guī)定的誤差性能指標(biāo)，且神經(jīng)元數(shù)目未達(dá)到規(guī)定的上限值時(shí)，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(jì)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(biāo)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(duì)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(cè)試樣本。

2 標(biāo)高率模型的建立

標(biāo)高金概念國(guó)外應(yīng)用較早，包括報(bào)價(jià)中除直接成本以外的開辦費(fèi)、管理費(fèi)、利潤(rùn)和不可預(yù)見費(fèi)等。考慮到我國(guó)的實(shí)際情況，文章將標(biāo)高金定義為投標(biāo)企業(yè)的盈利部分，包括利潤(rùn)和不可預(yù)見費(fèi)（風(fēng)險(xiǎn)費(fèi)用）。

標(biāo)高率決策模型僅用于確定標(biāo)高金，工程成本部分采用其他方法確定。標(biāo)高金的數(shù)額一般與工程規(guī)模相關(guān)，而采用標(biāo)高率可以避免這一影響?；诖耍恼聭?yīng)用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)建立標(biāo)高率預(yù)測(cè)模型，報(bào)價(jià)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(jì)價(jià)軟件如廣聯(lián)達(dá)和神機(jī)妙算等來(lái)進(jìn)行快速、準(zhǔn)確的估算。

2.1 標(biāo)高率影響因素分析

考慮到我國(guó)建設(shè)市場(chǎng)的特點(diǎn)及現(xiàn)狀，文章從以下五個(gè)方面考慮標(biāo)高率的影響因素，包括：項(xiàng)目因素，項(xiàng)目所在地社會(huì)因素，業(yè)主因素，承包商自身因素，競(jìng)爭(zhēng)對(duì)手因素。項(xiàng)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(xiàng)因素；社會(huì)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(chǎng)前景四項(xiàng)因素；業(yè)主因素包括管理能力、業(yè)主信譽(yù)、資金力量、招標(biāo)規(guī)范性四項(xiàng)因素；自身因素包括類似工程經(jīng)驗(yàn)、施工能力、任務(wù)飽滿度三項(xiàng)因素；對(duì)手因素包括競(jìng)爭(zhēng)對(duì)手?jǐn)?shù)量、相對(duì)優(yōu)勢(shì)兩項(xiàng)因素。

2.2 模型指標(biāo)體系的建立

界定上述18項(xiàng)影響因素取值范圍，如表1所示。以這18項(xiàng)影響因素作為輸入變量，以標(biāo)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(jì)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(gè)神經(jīng)元，與輸入變量（X1，X2，…，X18）相對(duì)應(yīng)。隱含層神經(jīng)元個(gè)數(shù)文章設(shè)定上限為30個(gè)。輸出層有唯一神經(jīng)元，即標(biāo)高率。通過(guò)該模型建立一個(gè)由（X1，X2，…X18）到Y(jié)的映射結(jié)構(gòu)。

3 實(shí)例分析

文章選取某一建筑工程承包公司的26個(gè)以往中標(biāo)項(xiàng)目的報(bào)價(jià)實(shí)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(shí)際標(biāo)高率。樣本數(shù)據(jù)X2（建筑面積）和X17（競(jìng)爭(zhēng)對(duì)手?jǐn)?shù)量）進(jìn)行歸一化處理，計(jì)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(shí)現(xiàn)編程，建立投標(biāo)報(bào)價(jià)RBF神經(jīng)網(wǎng)絡(luò)模型，前22個(gè)項(xiàng)目數(shù)據(jù)作為訓(xùn)練集，后四個(gè)項(xiàng)目作為測(cè)試集，利用newrb函數(shù)對(duì)網(wǎng)絡(luò)進(jìn)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(guò)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(guò)20次訓(xùn)練后，模型輸出結(jié)果的誤差達(dá)到10-3，具有很高的精確度。測(cè)試集網(wǎng)絡(luò)測(cè)試結(jié)果與實(shí)際評(píng)估結(jié)果比較如表4，平均誤差為0.0153，滿足工程實(shí)際需要?？梢?，徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)在標(biāo)高率報(bào)價(jià)預(yù)測(cè)方面，具有很好的應(yīng)用價(jià)值。

4 結(jié)語(yǔ)

文章分析了對(duì)投標(biāo)報(bào)價(jià)決策有重要影響的眾多因素，參考國(guó)內(nèi)外的研究成果，確定了影響標(biāo)高率的18個(gè)主要因素，與實(shí)際標(biāo)高率一起組成標(biāo)高率預(yù)測(cè)模型的指標(biāo)體系。選取投標(biāo)報(bào)價(jià)實(shí)例數(shù)據(jù)作為樣本對(duì)模型進(jìn)行訓(xùn)練和檢驗(yàn)，通過(guò)MATLAB軟件neural network toolbox，建立了用于投標(biāo)報(bào)價(jià)標(biāo)高率預(yù)測(cè)的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型，文章通過(guò)實(shí)證研究，取得了良好的效果。

參考文獻(xiàn)：

[1]任宏．神經(jīng)網(wǎng)絡(luò)在工程造價(jià)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(bào)，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(biāo)報(bào)價(jià)中應(yīng)用的研究[D]．揚(yáng)州：揚(yáng)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(hào)：TP183文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：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(wèn)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(shí)別技術(shù)，擁有強(qiáng)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(duì)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(guò)仿真實(shí)例對(duì)兩種神經(jīng)網(wǎng)絡(luò)的性能進(jìn)行對(duì)比和評(píng)價(jià)。

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(diǎn)為xi，隱含層輸出節(jié)點(diǎn)為yj,輸出節(jié)點(diǎn)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(diǎn)為ur，隱含層輸出節(jié)點(diǎn)為xn，承接層輸出節(jié)點(diǎn)為xc，輸出層節(jié)點(diǎn)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(shí)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(shí)現(xiàn)方法

采用神經(jīng)網(wǎng)絡(luò)進(jìn)行模擬電路故障診斷的過(guò)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(shí)別和分類問(wèn)題。其診斷步驟如下：

1) 構(gòu)造訓(xùn)練樣本集：根據(jù)被測(cè)模擬電路的特點(diǎn)，選擇合適的激勵(lì)信號(hào)和測(cè)試點(diǎn)，利用PSpice仿真軟件中的靈敏度分析找到對(duì)電路工作性能影響較大的元器件，并通過(guò)蒙特卡羅分析，針對(duì)這些元器件的正常狀態(tài)和各種故障狀態(tài)進(jìn)行多次仿真，得出電路各測(cè)試點(diǎn)對(duì)應(yīng)各種狀態(tài)的輸出數(shù)據(jù)，這些數(shù)據(jù)經(jīng)過(guò)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(jì)及訓(xùn)練：通過(guò)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(jì)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(gè)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(yàn)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(gè)數(shù)。將處理過(guò)的訓(xùn)練樣本集輸入已經(jīng)設(shè)計(jì)好的神經(jīng)網(wǎng)絡(luò)中，通過(guò)訓(xùn)練算法對(duì)其進(jìn)行訓(xùn)練。

3) 神經(jīng)網(wǎng)絡(luò)的測(cè)試：對(duì)電路施加相同的激勵(lì)信號(hào)，得到神經(jīng)網(wǎng)絡(luò)的測(cè)試樣本。將其輸入到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)中，進(jìn)行相應(yīng)的故障模式識(shí)別。并將實(shí)際輸出的結(jié)果與期望診斷的結(jié)果進(jìn)行對(duì)比，判斷是否達(dá)到神經(jīng)網(wǎng)絡(luò)的性能要求。

3 實(shí)驗(yàn)仿真

待測(cè)電路如圖3所示，實(shí)驗(yàn)針對(duì)電路中的單個(gè)電阻或電容發(fā)生的軟故障進(jìn)行診斷。使用PSpice9.2軟件對(duì)該電路的正常和不同的故障情況分別進(jìn)行仿真分析。各元器件標(biāo)稱值如圖中所示，其中電阻和電容的容差分別5%和10%。通過(guò)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(shí)，對(duì)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(lì), 當(dāng)電路發(fā)生故障時(shí),選擇其中幾個(gè)最能反映輸出響應(yīng)波形曲線波動(dòng)的采樣點(diǎn)，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(cè)試點(diǎn),實(shí)驗(yàn)假定電阻和電容在偏離其標(biāo)稱值的±50 %時(shí)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(jì)13種故障模式，并采用二進(jìn)制編碼表示。為了提高實(shí)驗(yàn)的精度，分別對(duì)上述13種工作狀態(tài)進(jìn)行30次的蒙特卡羅(MC)分析，得到電路的30個(gè)故障樣本，其中20個(gè)作為樣本集進(jìn)行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，其余的10個(gè)作為神經(jīng)網(wǎng)絡(luò)的測(cè)試樣本。部分訓(xùn)練樣本經(jīng)過(guò)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(guò)分析待測(cè)電路各種故障模式的特征向量，實(shí)驗(yàn)建立一個(gè)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(gè)數(shù)n2和輸入層神經(jīng)元個(gè)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(gè)數(shù)為6個(gè)，輸出層神經(jīng)元的個(gè)數(shù)為4個(gè)，可得出隱含層的神經(jīng)元個(gè)數(shù)近似為13個(gè)。隱含層的神經(jīng)元個(gè)數(shù)不是固定的，需要經(jīng)過(guò)多次訓(xùn)練進(jìn)行調(diào)整，實(shí)驗(yàn)最終選取隱含層神經(jīng)元個(gè)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(duì)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(guò)135次訓(xùn)練后，神經(jīng)網(wǎng)絡(luò)的性能達(dá)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(shí)驗(yàn)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(gè)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(gè)數(shù)為4。為了使網(wǎng)絡(luò)的診斷誤差最小，經(jīng)過(guò)多次訓(xùn)練檢驗(yàn)，將隱含層神經(jīng)元的個(gè)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(guò)75次訓(xùn)練后，網(wǎng)絡(luò)的性能達(dá)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(cè)結(jié)果與對(duì)比分析

抽取3組測(cè)試樣本對(duì)訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)和Elman神經(jīng)網(wǎng)絡(luò)進(jìn)行測(cè)試，測(cè)試結(jié)果如表2所示。

檢測(cè)結(jié)果顯示BP神經(jīng)網(wǎng)絡(luò)3次測(cè)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(cè)試的誤差分別為0.0871、0.0369和0.0846。對(duì)比兩種神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程及檢測(cè)結(jié)果，可以得出BP神經(jīng)網(wǎng)絡(luò)收斂速度相對(duì)較慢、訓(xùn)練時(shí)間長(zhǎng)，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(jiǎn)單、訓(xùn)練時(shí)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(cè)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(guò)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(wèn)題的模擬電路故障診斷。

4 結(jié)論

模擬電路的故障診斷問(wèn)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(guò)仿真實(shí)例對(duì)比驗(yàn)證了兩種神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程及檢測(cè)結(jié)果。最后分析得出相對(duì)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(jiǎn)單、訓(xùn)練時(shí)間短、性能穩(wěn)定等優(yōu)勢(shì)，更適合存在容差、非線性等問(wèn)題的模擬電路故障診斷。

參考文獻(xiàn)：

[1] 韓力群.人工神經(jīng)網(wǎng)絡(luò)理論、設(shè)計(jì)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(qiáng).神經(jīng)網(wǎng)絡(luò)理論與MATLABR2007實(shí)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(jì)方法與實(shí)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(shí)用教程[M].北京:機(jī)械工業(yè)出版社,2008:53-54.

篇8

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

中圖分類號(hào)：TP393.08

進(jìn)入到信息時(shí)代，便捷的計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)不僅給人們的生活帶來(lái)了極大的便利，但同時(shí)也容易遭到蠕蟲病毒、木馬病毒等破壞性極強(qiáng)的程序病毒攻擊留下便利的通道，使得計(jì)算機(jī)網(wǎng)絡(luò)安全面臨巨大的威脅。鑒于此，要對(duì)計(jì)算機(jī)網(wǎng)絡(luò)安全所面臨的風(fēng)險(xiǎn)進(jìn)行科學(xué)、合理以及準(zhǔn)確的分析、評(píng)估，同時(shí)要采取相應(yīng)的措施對(duì)面臨的風(fēng)險(xiǎn)有效的進(jìn)行防范，盡可能的減少由于計(jì)算機(jī)網(wǎng)絡(luò)安全管理問(wèn)題所帶來(lái)的損失。另外，計(jì)算機(jī)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(qiáng)的關(guān)聯(lián)性，這也就導(dǎo)致計(jì)算機(jī)網(wǎng)絡(luò)安全管理的問(wèn)題逐漸趨于復(fù)雜化，在這種情況下，就必須要求計(jì)算機(jī)網(wǎng)絡(luò)系統(tǒng)的管理者以及使用者對(duì)網(wǎng)絡(luò)的安全進(jìn)行有效的管理，更要對(duì)網(wǎng)絡(luò)的安全性有清楚的認(rèn)識(shí)和了解，切實(shí)的掌握影響計(jì)算機(jī)網(wǎng)絡(luò)安全的因素。為了更好的解決計(jì)算機(jī)網(wǎng)絡(luò)安全管理問(wèn)題，神經(jīng)網(wǎng)絡(luò)逐漸被應(yīng)用到計(jì)算機(jī)網(wǎng)絡(luò)安全管理之中，使得對(duì)計(jì)算機(jī)網(wǎng)絡(luò)安全管理更加準(zhǔn)確和有效。

1 計(jì)算機(jī)網(wǎng)絡(luò)安全管理概述

一般而言，計(jì)算機(jī)網(wǎng)路安全管理指的是計(jì)算機(jī)在連接網(wǎng)絡(luò)后進(jìn)行信息的交換、瀏覽以及下載的過(guò)程中，對(duì)信息安全進(jìn)行有效的管理，防止信息被他人竊取或者破壞。隨著信息時(shí)代的到來(lái)，越來(lái)越多的人對(duì)計(jì)算機(jī)產(chǎn)生了很強(qiáng)的依賴，從兒童到老年人，計(jì)算機(jī)的影響無(wú)處不在，隨著計(jì)算機(jī)的普及，人們?cè)谑褂糜?jì)算機(jī)的過(guò)程中對(duì)其安全性就有了顧忌。對(duì)于計(jì)算機(jī)網(wǎng)絡(luò)，只要連接互聯(lián)網(wǎng)，隨時(shí)都存在被攻擊的可能，相對(duì)而言，沒(méi)有任何計(jì)算機(jī)是絕對(duì)的安全或者是不受到任何的攻擊。運(yùn)用計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)進(jìn)行攻擊或者盜取個(gè)人信息或者是企業(yè)信息的事件幾乎每年都會(huì)發(fā)生，計(jì)算機(jī)網(wǎng)絡(luò)存在嚴(yán)重的安全隱患。所以，要及時(shí)的認(rèn)識(shí)以及了解計(jì)算機(jī)網(wǎng)絡(luò)面臨的安全隱患，積極的采取相應(yīng)的措施加強(qiáng)對(duì)計(jì)算機(jī)網(wǎng)絡(luò)安全的管理。

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

2.1 對(duì)神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)安全管理運(yùn)用中的重視程度不夠

計(jì)算機(jī)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(shí)近乎所有的計(jì)算機(jī)網(wǎng)絡(luò)在開創(chuàng)以及不斷的發(fā)展過(guò)程中都趨向于實(shí)用以及便利，相反卻在一定程度上沒(méi)有重視對(duì)計(jì)算機(jī)的安全管理，更沒(méi)有將神經(jīng)網(wǎng)絡(luò)技術(shù)運(yùn)用到計(jì)算機(jī)的安全管理中，進(jìn)而對(duì)計(jì)算機(jī)網(wǎng)絡(luò)的安全管理留下了嚴(yán)重的隱患。另外，神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)網(wǎng)絡(luò)安全管理中主要是對(duì)計(jì)算機(jī)的網(wǎng)絡(luò)安全進(jìn)行評(píng)估，然而由于不重視對(duì)神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)網(wǎng)絡(luò)安全管理中的運(yùn)用，使得沒(méi)有建立良好的計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)標(biāo)準(zhǔn)體系。

2.2 對(duì)神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)模型的設(shè)計(jì)和實(shí)際運(yùn)用不夠合理

一般來(lái)說(shuō)，神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)網(wǎng)絡(luò)安全管理中主要是對(duì)計(jì)算機(jī)網(wǎng)絡(luò)安全進(jìn)行一定的評(píng)估，在對(duì)其進(jìn)行評(píng)估的過(guò)程中，就需要設(shè)計(jì)一定的計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)模型，主要包含對(duì)輸入層、輸出層以及隱含層的設(shè)計(jì)；但是，目前神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)網(wǎng)絡(luò)安全管理中對(duì)于評(píng)價(jià)模型的設(shè)計(jì)還沒(méi)有將這三方面有效的聯(lián)系起來(lái)。除此之外，對(duì)神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)網(wǎng)絡(luò)安全管理的實(shí)際運(yùn)用中，不能科學(xué)、合理的實(shí)現(xiàn)計(jì)算機(jī)網(wǎng)絡(luò)安全管理評(píng)價(jià)模型運(yùn)用，不注重對(duì)評(píng)價(jià)模型的學(xué)習(xí)以及不關(guān)注對(duì)評(píng)價(jià)模型進(jìn)行有效的驗(yàn)證。

3 加強(qiáng)神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)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(jì)算機(jī)網(wǎng)絡(luò)安全管理中要科學(xué)、合理的設(shè)計(jì)網(wǎng)絡(luò)安全評(píng)價(jià)模型

神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)網(wǎng)絡(luò)安全管理中要科學(xué)、合理的設(shè)計(jì)網(wǎng)絡(luò)安全評(píng)價(jià)模型，以便更好的實(shí)現(xiàn)計(jì)算機(jī)網(wǎng)絡(luò)安全、高效的運(yùn)行。為此，計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)模型需要進(jìn)行一下設(shè)計(jì)：首先是對(duì)輸入層的設(shè)計(jì)，一般來(lái)說(shuō)，神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)網(wǎng)絡(luò)安全管理運(yùn)用中，對(duì)于輸入層考慮的是神經(jīng)元的節(jié)點(diǎn)數(shù)以及評(píng)價(jià)指標(biāo)的數(shù)量，盡可能的使這兩者數(shù)量保持一致。其次是對(duì)隱含層的設(shè)計(jì)，對(duì)于隱含層的設(shè)計(jì)需要注意的是若某個(gè)連續(xù)函數(shù)在任意的閉區(qū)間中，可以通過(guò)在隱含層里的神經(jīng)網(wǎng)絡(luò)來(lái)靠近，大多數(shù)情況下，神經(jīng)網(wǎng)絡(luò)通常運(yùn)用的是單隱含層。最后是輸出層的設(shè)計(jì)，神經(jīng)網(wǎng)絡(luò)的輸出層設(shè)計(jì)主要是獲得計(jì)算機(jī)網(wǎng)絡(luò)安全管理評(píng)價(jià)的最終結(jié)果，例如可以設(shè)置計(jì)算機(jī)網(wǎng)絡(luò)安全管理評(píng)價(jià)的輸出層節(jié)點(diǎn)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(jì)算機(jī)網(wǎng)絡(luò)安全管理運(yùn)用中要對(duì)評(píng)價(jià)模型進(jìn)行有效的驗(yàn)證

需要注意的是，神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)網(wǎng)絡(luò)安全管理運(yùn)用中要對(duì)評(píng)價(jià)模型進(jìn)行有效的驗(yàn)證，一般體現(xiàn)在一下幾方面：首先是要關(guān)注評(píng)價(jià)模型的實(shí)現(xiàn)，為了實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)網(wǎng)絡(luò)安全管理中的良好運(yùn)用，就要依據(jù)客戶滿意的評(píng)價(jià)模型，運(yùn)用計(jì)算機(jī)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(duì)網(wǎng)絡(luò)安全進(jìn)行檢驗(yàn)。其次是要注意對(duì)評(píng)價(jià)模型的學(xué)習(xí)，在對(duì)計(jì)算機(jī)網(wǎng)絡(luò)安全進(jìn)行評(píng)價(jià)之前，需要對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行標(biāo)準(zhǔn)化的處理，才能盡可能的減少對(duì)計(jì)算機(jī)網(wǎng)絡(luò)安全管理評(píng)價(jià)中的誤差。最后要注意對(duì)評(píng)價(jià)模型進(jìn)行驗(yàn)證，當(dāng)神經(jīng)網(wǎng)絡(luò)經(jīng)過(guò)標(biāo)準(zhǔn)化處理以及在計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)之后，就需要對(duì)輸出的結(jié)果進(jìn)行一定的驗(yàn)證，以便確定神經(jīng)網(wǎng)絡(luò)對(duì)計(jì)算機(jī)網(wǎng)絡(luò)安全的評(píng)價(jià)輸出結(jié)果是否與期望的評(píng)價(jià)結(jié)果相一致，進(jìn)一步驗(yàn)證神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)網(wǎng)絡(luò)安全管理中安全評(píng)價(jià)模型的準(zhǔn)確與否。

3.3 重視神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)網(wǎng)絡(luò)安全管理運(yùn)用以及建立健全安全評(píng)價(jià)標(biāo)準(zhǔn)體系

神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)網(wǎng)絡(luò)安全管理運(yùn)用中主要的任務(wù)是對(duì)計(jì)算機(jī)網(wǎng)絡(luò)的安全進(jìn)行一定的評(píng)價(jià)，并且將評(píng)價(jià)的結(jié)果準(zhǔn)確、及時(shí)的反饋給用戶，所以就應(yīng)該對(duì)其在計(jì)算機(jī)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(jì)算機(jī)網(wǎng)絡(luò)安全管理的評(píng)價(jià)標(biāo)準(zhǔn)體系。一方面是評(píng)價(jià)指標(biāo)的建立，計(jì)算機(jī)網(wǎng)絡(luò)安全管理是復(fù)雜的過(guò)程，同時(shí)影響計(jì)算機(jī)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(jì)算機(jī)網(wǎng)絡(luò)安全管理評(píng)價(jià)標(biāo)準(zhǔn)，對(duì)于神經(jīng)網(wǎng)絡(luò)高效的開展評(píng)價(jià)工作有很大的關(guān)聯(lián)。另一方面是對(duì)評(píng)價(jià)標(biāo)準(zhǔn)的準(zhǔn)確化，影響計(jì)算機(jī)網(wǎng)絡(luò)安全管理的因素非常的多，就應(yīng)該對(duì)各種評(píng)價(jià)標(biāo)準(zhǔn)進(jìn)行細(xì)化，以達(dá)到評(píng)價(jià)的準(zhǔn)確。

4 結(jié)束語(yǔ)

綜上所述，通過(guò)神經(jīng)網(wǎng)絡(luò)對(duì)計(jì)算機(jī)網(wǎng)絡(luò)安全的評(píng)價(jià)，可以有效的對(duì)計(jì)算機(jī)網(wǎng)絡(luò)安全進(jìn)行管理。運(yùn)用神經(jīng)網(wǎng)絡(luò)技術(shù)手段，提高了計(jì)算機(jī)網(wǎng)絡(luò)安全管理的效率，并且在運(yùn)用神經(jīng)網(wǎng)絡(luò)的過(guò)程中建立健全安全評(píng)價(jià)標(biāo)準(zhǔn)體系、注重對(duì)評(píng)價(jià)模型進(jìn)行有效的驗(yàn)證以及加強(qiáng)對(duì)計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)模型的設(shè)計(jì)，切實(shí)的提升計(jì)算機(jī)網(wǎng)絡(luò)安全管理水平。

參考文獻(xiàn)：

[1]毛志勇.BP神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)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(xiǎn)評(píng)估[J].計(jì)算機(jī)工程與應(yīng)用，2007（01）.

[4]樓文高，姜麗，孟祥輝.計(jì)算機(jī)網(wǎng)絡(luò)安全綜合評(píng)價(jià)的神經(jīng)網(wǎng)絡(luò)模型[J].計(jì)算機(jī)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(jī)效指標(biāo)評(píng)價(jià)及應(yīng)用[J].華東交通大學(xué)學(xué)報(bào)，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(shí)別

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)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(jiǎn)單、可操作性強(qiáng)、具有較好的自學(xué)習(xí)能力、能夠有效地解決非線性目標(biāo)函數(shù)的逼近問(wèn)題等優(yōu)點(diǎn)，因此被廣泛應(yīng)用于自動(dòng)控制、模式識(shí)別、圖像識(shí)別、信號(hào)處理、預(yù)測(cè)、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(gè)多層前饋網(wǎng)絡(luò)，簡(jiǎn)稱為BP算法，它應(yīng)用在已被開發(fā)出來(lái)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(chǔ)非常多的輸入模式與輸出模式之間的映射關(guān)系，卻無(wú)需在學(xué)習(xí)和存儲(chǔ)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(guò)對(duì)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(dá)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(gè)三層網(wǎng)絡(luò)，它的拓?fù)浣Y(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(jiǎn)單的能夠執(zhí)行并行運(yùn)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(méi)有生物神經(jīng)元的并行性高。BP神經(jīng)網(wǎng)絡(luò)是一個(gè)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(jìn)行互相連接，而處于同一層的神經(jīng)元不能進(jìn)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(gè)輸入矢量經(jīng)過(guò)隱含層的一系列變換，然后得到一個(gè)輸出矢量，從而實(shí)現(xiàn)輸入數(shù)據(jù)與輸出數(shù)據(jù)間的一個(gè)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(lái)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(dá)到預(yù)計(jì)范圍內(nèi)。BP網(wǎng)絡(luò)需要實(shí)際輸出與期望輸出之間的誤差來(lái)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(duì)稱性的網(wǎng)絡(luò)結(jié)構(gòu)，在輸出端的每一個(gè)處理單元基本上都具有一個(gè)相同的激勵(lì)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(guò)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(hào)沿連接路徑返回，并通過(guò)修改各層神經(jīng)元之間的連接權(quán)值，使誤差信號(hào)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(guò)程直至滿足性能要求為止：

（1）對(duì)于學(xué)習(xí)樣本P=1到N

①計(jì)算每層各節(jié)點(diǎn)j的輸出yj，netj和的值（正向過(guò)程）；

②對(duì)各層從M層到第二層，對(duì)每層各節(jié)點(diǎn)反向計(jì)算%]j（反向過(guò)程）；

（2）修改權(quán)值

具體推導(dǎo)過(guò)程見參考文獻(xiàn)4。

3基于BP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)的實(shí)例

3.1函數(shù)逼近

我們?cè)O(shè)計(jì)一個(gè)簡(jiǎn)單的BP網(wǎng)絡(luò)，實(shí)現(xiàn)對(duì)非線性函數(shù)的逼近。通過(guò)改變?cè)摵瘮?shù)的參數(shù)以及BP網(wǎng)絡(luò)隱層神經(jīng)元的數(shù)目，來(lái)觀察訓(xùn)練時(shí)間以及訓(xùn)練誤差的變化時(shí)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(shí)設(shè)為n=10，輸出層有一個(gè)神經(jīng)元。網(wǎng)絡(luò)訓(xùn)練采用Levenberg-Marquardt算法trainlm。

分析：因?yàn)榻⒕W(wǎng)絡(luò)時(shí)，權(quán)值和閾值的初始化是隨機(jī)的，所以網(wǎng)絡(luò)輸出結(jié)果很差，根本達(dá)不到函數(shù)逼近的目的，并且每次運(yùn)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(duì)網(wǎng)絡(luò)進(jìn)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(shí)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(rèn)值。

（3）網(wǎng)絡(luò)測(cè)試：對(duì)于訓(xùn)練好的網(wǎng)絡(luò)進(jìn)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(shuō)明經(jīng)過(guò)訓(xùn)練后，BP網(wǎng)絡(luò)對(duì)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(duì)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(duì)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(duì)于網(wǎng)絡(luò)逼近效果也有一定的影響，一般來(lái)說(shuō)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(qiáng)，同時(shí)網(wǎng)絡(luò)訓(xùn)練所用的時(shí)間相對(duì)來(lái)說(shuō)也要長(zhǎng)一些。

參考文獻(xiàn)

[1] 閆志忠.BP神經(jīng)網(wǎng)絡(luò)模型的改進(jìn)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(jìn)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(xiàng)目工期風(fēng)險(xiǎn)；預(yù)測(cè)

0.引言

在工程項(xiàng)目的施工過(guò)程中，工期是三大控制中重要的控制目標(biāo)之一，工期的拖延或者壓縮，都會(huì)直接影響到成本和質(zhì)量[1]。如果項(xiàng)目工期得不到有效控制，必然導(dǎo)致人力、物力、財(cái)力的浪費(fèi)，甚至?xí)绊懙焦こ痰馁|(zhì)量、安全乃至項(xiàng)目總體目標(biāo)的實(shí)現(xiàn)。工程項(xiàng)目工期風(fēng)險(xiǎn)管理已成為工程項(xiàng)目管理的核心問(wèn)題。工程項(xiàng)目的不確定因素處于動(dòng)態(tài)變化之中，由于信息的滯后性，作好工期風(fēng)險(xiǎn)管理需要對(duì)工期計(jì)劃中未來(lái)可能發(fā)生的風(fēng)險(xiǎn)作出準(zhǔn)確的識(shí)別和預(yù)測(cè)，因此，對(duì)工期風(fēng)險(xiǎn)進(jìn)行預(yù)測(cè)具有重要意義。

目前，對(duì)于工程項(xiàng)目工期風(fēng)險(xiǎn)預(yù)測(cè)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(píng)價(jià)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(jì)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(qiáng)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(xiàng)目風(fēng)險(xiǎn)分析與預(yù)測(cè)領(lǐng)域，它可以充分利用專家經(jīng)驗(yàn)和有限的歷史數(shù)據(jù)，能夠大大提高工程項(xiàng)目風(fēng)險(xiǎn)預(yù)測(cè)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(diǎn)和我國(guó)工程項(xiàng)目風(fēng)險(xiǎn)預(yù)測(cè)的需要，國(guó)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(xiàng)目的風(fēng)險(xiǎn)評(píng)價(jià)之中，但卻尚未應(yīng)用于工期風(fēng)險(xiǎn)的預(yù)測(cè)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(guó)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(shí)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(guó)著名的信息科學(xué)研究機(jī)構(gòu)IR ISA 的Q inghua Zhang 等于1992 年提出的， Y C Pat i等對(duì)離散仿射小波神經(jīng)網(wǎng)絡(luò)進(jìn)行了研究.小波神經(jīng)網(wǎng)絡(luò)是通過(guò)小波分解進(jìn)行平移和伸縮變化后而得到的級(jí)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(gè)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(qiáng)的模式識(shí)別能力和容錯(cuò)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(hào)的表達(dá)式通過(guò)將所選取得小波基疊加來(lái)實(shí)現(xiàn)的等。在信號(hào)分類中，子波空間可作為模式識(shí)別的特征空間，通過(guò)將小波基與信號(hào)向量的內(nèi)積進(jìn)行加權(quán)和來(lái)實(shí)現(xiàn)信號(hào)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(shí)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(cuò)能力[4]。

2.基于小波神經(jīng)網(wǎng)絡(luò)的建筑建筑工程項(xiàng)目工期風(fēng)險(xiǎn)預(yù)測(cè)

2.1數(shù)據(jù)的選取

本文引用文獻(xiàn)[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(cè)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(yàn)的現(xiàn)場(chǎng)管理人員對(duì)各工程項(xiàng)目的風(fēng)險(xiǎn)因素進(jìn)行評(píng)價(jià)得出的風(fēng)險(xiǎn)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(cè)模型預(yù)測(cè)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(huì)風(fēng)險(xiǎn)4 個(gè)風(fēng)險(xiǎn)指標(biāo)作為BP 網(wǎng)絡(luò)的輸入節(jié)點(diǎn)；將預(yù)測(cè)得出的工程項(xiàng)目工期風(fēng)險(xiǎn)分?jǐn)?shù)作為網(wǎng)絡(luò)的輸出，即設(shè)置1 個(gè)輸出節(jié)點(diǎn)；隱層單元數(shù)取12（經(jīng)驗(yàn)證，當(dāng)隱層節(jié)點(diǎn)數(shù)為12 時(shí)網(wǎng)絡(luò)預(yù)測(cè)的相對(duì)誤差最低），構(gòu)建三層BP 神經(jīng)網(wǎng)絡(luò)。在設(shè)計(jì)網(wǎng)絡(luò)時(shí)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(duì)上面歸一化的中房指數(shù)數(shù)據(jù)進(jìn)行預(yù)測(cè)。并將整個(gè)過(guò)程運(yùn)用Matlab進(jìn)行編程實(shí)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(yàn)。用小波神經(jīng)網(wǎng)絡(luò)（WNN）預(yù)測(cè)模型進(jìn)行預(yù)測(cè)，并將結(jié)果與BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果進(jìn)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(cè)結(jié)果比較

3.實(shí)例分析

選取紹興市某擬建工程項(xiàng)目，運(yùn)用本模型對(duì)其工期風(fēng)險(xiǎn)進(jìn)行預(yù)測(cè)，以便在該項(xiàng)目決策前期準(zhǔn)確地預(yù)測(cè)出工期風(fēng)險(xiǎn)大小，為項(xiàng)目管理人員提供可靠依據(jù)，更加科學(xué)合理地對(duì)工期風(fēng)險(xiǎn)進(jìn)行應(yīng)對(duì)，有效控制項(xiàng)目工期。針對(duì)該工程項(xiàng)目，首先邀請(qǐng)10 位相關(guān)領(lǐng)域?qū)＜覍?duì)該工程項(xiàng)目的主成分風(fēng)險(xiǎn)指標(biāo)進(jìn)行打分，對(duì)專家的打分結(jié)果按照本文前述方法進(jìn)行處理并整理得到表4。

表4 實(shí)例數(shù)據(jù)

工期風(fēng)險(xiǎn)預(yù)測(cè)模型對(duì)該項(xiàng)目的工期風(fēng)險(xiǎn)進(jìn)行預(yù)測(cè)，計(jì)算出該工程項(xiàng)目的工期風(fēng)險(xiǎn)分?jǐn)?shù)為0.3200，說(shuō)明該工程項(xiàng)目存在的工期風(fēng)險(xiǎn)屬中等風(fēng)險(xiǎn)。項(xiàng)目管理人員應(yīng)根據(jù)項(xiàng)目實(shí)際情況，合理安排人力、物力、財(cái)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(xiàng)目宏觀角度出發(fā)，統(tǒng)籌考慮質(zhì)量、費(fèi)用和工期之間的關(guān)系，制定合理的工期風(fēng)險(xiǎn)應(yīng)對(duì)計(jì)劃，以較高的效率保證項(xiàng)目總體目標(biāo)的實(shí)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(shí)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(gè)領(lǐng)域。本文在介紹小波神經(jīng)網(wǎng)絡(luò)的同時(shí)，建立起了一種小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，并將其應(yīng)用于建筑工程工期風(fēng)險(xiǎn)的預(yù)測(cè)當(dāng)中。

【參考文獻(xiàn)】

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

[2]張俊玲，陳立文，尹志軍等.工程項(xiàng)目投資風(fēng)險(xiǎn)評(píng)價(jià)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.