導(dǎo)語：如何才能寫好一篇神經(jīng)網(wǎng)絡(luò)隱含層的作用，這就需要搜集整理更多的資料和文獻，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:神經(jīng)網(wǎng)絡(luò)；故障診斷；RBF神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)隨著計算機技術(shù)和智能控制技術(shù)的發(fā)展,使得各種系統(tǒng)的復(fù)雜程度和智能化程度越來越高,因此整個系統(tǒng)的安全性問題和可靠性問題日益受到關(guān)注,一旦系統(tǒng)中出現(xiàn)某些細小的故障,如果不能及時檢測和排除,就可能造成整個系統(tǒng)的癱瘓,甚至造成災(zāi)難性的后果。因此,故障預(yù)測與診斷就顯得尤為重要。現(xiàn)有的故障診斷方法有很多,其中一種很有生命力的方法就是以知識為基礎(chǔ)的診斷辦法,因為它是以不需要對象的精確數(shù)學(xué)模型為前提的,而神經(jīng)網(wǎng)絡(luò)故障診斷方法是這類方法中的一個重要分支。筆者曾利用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建智能故障診斷系統(tǒng),通過實驗仿真結(jié)果的分析,證明BP神經(jīng)網(wǎng)絡(luò)能夠有效地完成故障診斷任務(wù),但是BP神經(jīng)網(wǎng)絡(luò)在應(yīng)用中也存在一定的局限性,近幾年提出的徑向基函數(shù)RBF在某些方面可以彌補BP神經(jīng)網(wǎng)絡(luò)存在的局限性,理論上認為RBF更適用于故障診斷,但缺乏實證。因此,筆者建立了RBF網(wǎng)絡(luò)模型,利用在文獻[2]使用過的相同數(shù)據(jù)進行仿真訓(xùn)練,確定其在故障診斷中的實際作用。

1RBF神經(jīng)網(wǎng)絡(luò)知識的相關(guān)知識

1.1RBF神經(jīng)網(wǎng)絡(luò)原理RBF神經(jīng)網(wǎng)絡(luò)采用徑向基函數(shù)作為隱含層單元形成的隱層空間的“基地”,可以直接映射到隱層的輸入向量空間。非線性映射關(guān)系的確定是以徑向基函數(shù)的中心點的確定為前提的。網(wǎng)絡(luò)的輸出是線性加權(quán)隱層單元的輸出,對神經(jīng)網(wǎng)絡(luò)的權(quán)值可以通過線性方程或LMS直接獲得(MMSE)的方法,這樣可以避免局部極小問題還可以加快學(xué)習(xí)速度。1.2RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)RBF神經(jīng)網(wǎng)絡(luò)的拓撲結(jié)構(gòu)是一種三層前饋網(wǎng)絡(luò),與它相似的還有多層前饋網(wǎng)絡(luò)。RBF網(wǎng)絡(luò)的隱層節(jié)點組成一個輻射狀的功能,這里可以利用高斯函數(shù)。輸入層節(jié)點只將輸入信號傳輸?shù)诫[含層,輸出層節(jié)點通常是簡單的線性函數(shù)。隱含層節(jié)點中的函數(shù)(核函數(shù))產(chǎn)生對輸入信號的回聲,即當輸入信號接近核函數(shù)的中心范圍時,隱含層節(jié)點將產(chǎn)生大的輸出。X、Y、Z分別為輸入節(jié)點、隱含層節(jié)點和輸出節(jié)點。隱含層單元的作用相當于在輸入模式的變化,低維模型的輸入數(shù)據(jù)被轉(zhuǎn)換到高維空間,輸出層的分類和識別也由它完成。高斯函數(shù)作為RBF網(wǎng)絡(luò)的隱含層單元的變換函數(shù),在輸入數(shù)據(jù)中進行特征提取是由隱含層單元的變換作用完成的。1.3RBF神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法方差σi、基函數(shù)的中心Ci以及隱含層與輸出層間的權(quán)值ωi,是RBF網(wǎng)絡(luò)學(xué)習(xí)需要的3個參數(shù)。正交最小二乘法、自組織選取中心法是RBF網(wǎng)絡(luò)學(xué)習(xí)用得比較多的兩種算法。聚類方法通常用來確定Ci和σi。而LMS方法通常用來確定權(quán)值ωi,當然也可以使用偽逆法或最小二乘法求解。其中LMS權(quán)值ωi的調(diào)整規(guī)則為:nnnXd()()()(eTn）n()1(;n）nnX)(e)(,這里η為學(xué)習(xí)速率;n為迭代次數(shù);nX)(為隱含層輸出;nd)(為期望輸出;ω(n)為權(quán)值向量。RBF網(wǎng)絡(luò)的設(shè)計比普通前饋網(wǎng)絡(luò)的訓(xùn)練要簡單和節(jié)約時間,因為它的結(jié)構(gòu)相對簡單。只要滿足權(quán)值和閾值都正確以及隱含層的神經(jīng)元數(shù)目足夠多的前提,那么此種網(wǎng)絡(luò)就能達到精確逼近任意函數(shù)的目的。

2診斷系統(tǒng)的結(jié)構(gòu)

圖1為利用RBF神經(jīng)網(wǎng)絡(luò)構(gòu)建的診斷系統(tǒng)結(jié)構(gòu)圖。

3應(yīng)用實例與仿真

該文以某裝備電源模塊故障診斷為例,構(gòu)建RBF神經(jīng)網(wǎng)絡(luò)故障診斷系統(tǒng),并進行故障診斷與仿真。故障類型對應(yīng)的神經(jīng)元輸出如表1所示。RBF模型是由一層隱含層來構(gòu)成的,在模型中最關(guān)鍵的是隱含層的中心及隱含層節(jié)點數(shù)的確定,在該例中確定為利用K均值聚類法來實現(xiàn),當然在此過程中還必須考慮實際輸出樣本數(shù)據(jù)的影響。筆者主要關(guān)注網(wǎng)絡(luò)的學(xué)習(xí)精度以及網(wǎng)絡(luò)的泛化能力,因為從這兩點可以看出網(wǎng)絡(luò)是否能實現(xiàn)預(yù)定目標。校正參數(shù)σi、Ci和ωi是網(wǎng)絡(luò)訓(xùn)練的主要任務(wù),這樣才能使性能指標趨于最優(yōu),以滿足誤差及精度要求。該文采用正交最小二乘法OSL訓(xùn)練RBF網(wǎng)絡(luò)。我們不斷訓(xùn)練網(wǎng)絡(luò),以達到確定最佳隱含層神經(jīng)元個數(shù)的目的,最終我們確定其個數(shù)為120。對RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練我們通過MATLAB工具來實現(xiàn),對于一個隱含層為120的RBF神經(jīng)網(wǎng)絡(luò)模型來說,高斯函數(shù)作為其輸入層與隱含層之間的作用函數(shù)。表2為此網(wǎng)絡(luò)模型的實際仿真結(jié)果數(shù)據(jù),根據(jù)對表2中數(shù)據(jù)的分析比較,可以得出結(jié)論,即通過RBF神經(jīng)網(wǎng)絡(luò)進行故障診斷其準確率可達92.9%。

4結(jié)語

該文在對徑向基函數(shù)RBF神經(jīng)網(wǎng)絡(luò)研究的基礎(chǔ)上,提出了基于RBF神經(jīng)網(wǎng)絡(luò)知識的故障診斷專家系統(tǒng)模型,在對具體實例的研究過程中通過實驗仿真,證明此種方法具有方法容易,結(jié)構(gòu)簡單,訓(xùn)練花費時間短,診斷結(jié)果準確率高的優(yōu)點,而且克服了BP神經(jīng)網(wǎng)絡(luò)容易陷入局部最小的缺點,尤其適用于專家知識難以整理和表示的故障診斷。但是,RBF在處理多故障方面同樣存在著不足,今后若能將RBF神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)等其他故障診斷方法結(jié)合使用,必將提高系統(tǒng)的綜合診斷能力,這將是筆者下一步的研究方向。

參考文獻

[1]霍一峰,王亞慧.基于Spiking的RBF神經(jīng)網(wǎng)絡(luò)故障診斷算法[J].北京建筑工程學(xué)院學(xué)報,2011,27(4):57-61.

[2]方莉俐,張兵臨,禹建麗,等.用人工神經(jīng)網(wǎng)絡(luò)預(yù)測電鑄自支撐金剛石-鎳復(fù)合膜沉積結(jié)果[J].稀有金屬材料與工程,2006,35(4):638-641.

篇2

【關(guān)鍵詞】傅里葉變換；BP神經(jīng)網(wǎng)絡(luò)；自適應(yīng)濾波

1.引言

BP神經(jīng)網(wǎng)絡(luò)具有很強的非線性函數(shù)逼近、自適應(yīng)學(xué)習(xí)和并行信息處理能力，為解決未知不確定非線性信息處理和自適應(yīng)濾波提供了一條新途徑[1]。但隨著BP神經(jīng)網(wǎng)絡(luò)輸入向量維數(shù)增加，其隱含層層數(shù)和學(xué)習(xí)次數(shù)也會相應(yīng)增加，降低了網(wǎng)絡(luò)的自適應(yīng)性且延長了學(xué)習(xí)時間。傅里葉變換是數(shù)字信號處理領(lǐng)域一種很重要的算法，其思想是將原始信號從時域變換到頻域，通過對頻譜圖的分析，去除高頻處的頻率分量，再將頻域變換回時域，達到信號去噪濾波的功能[2]。利用傅里葉變換與神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法，對信息進行預(yù)處理，減少信息處理量，再利用神經(jīng)網(wǎng)絡(luò)強大的非線性函數(shù)逼近能力，從而實現(xiàn)信號的自適應(yīng)濾波，減少網(wǎng)絡(luò)的待處理信息，增強網(wǎng)絡(luò)的自適應(yīng)能力，其工作過程如圖1所示。

2.BP神經(jīng)網(wǎng)絡(luò)模型

2.1 神經(jīng)元結(jié)構(gòu)模型

人工神經(jīng)網(wǎng)絡(luò)是人腦的某種抽象、簡化或模擬，它由大量的神經(jīng)元廣泛互聯(lián)而成。網(wǎng)絡(luò)的信息處理由神經(jīng)元之間的相互作用來實現(xiàn)，網(wǎng)絡(luò)的學(xué)習(xí)和識別取決于神經(jīng)元間連接權(quán)系數(shù)的動態(tài)演化過程[3]，其模型可以用圖2來表示。

輸入向量與輸出y之間的關(guān)系式；

其中權(quán)值向量，輸入向量，閾值，活化函數(shù)。

2.2 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)（Back-Propagation Neural Network）是一種無反饋的前向網(wǎng)絡(luò)，網(wǎng)絡(luò)中的神經(jīng)元分層排列，除了有輸入層、輸出層之外，還至少有一層隱含層，BP學(xué)習(xí)算法是調(diào)整權(quán)值使網(wǎng)絡(luò)總誤差最小。具有隱含層BP網(wǎng)絡(luò)的結(jié)構(gòu)如圖3所示，圖中設(shè)有M個輸入節(jié)點，L個輸出節(jié)點，隱含層含有n個神經(jīng)元。其中為網(wǎng)絡(luò)輸入向量，為實際輸出向量，為網(wǎng)絡(luò)的目標輸出，為網(wǎng)絡(luò)的輸出誤差。BP網(wǎng)絡(luò)學(xué)習(xí)流程：

（1）網(wǎng)絡(luò)初始化，確定輸入向量與輸出向量的維數(shù)、目標向量、學(xué)習(xí)次數(shù)以及允許的誤差值。

（2）輸入學(xué)習(xí)規(guī)則，初始化權(quán)值W。

（3）計算輸出層的輸出與目標向量的誤差。

（4）判斷誤差精度是否達到預(yù)定值，沒有則調(diào)整權(quán)值W并改變學(xué)習(xí)規(guī)則。

（5）誤差精度達到預(yù)定值，學(xué)習(xí)結(jié)束。

3.數(shù)值仿真與分析

在MATLAB神經(jīng)網(wǎng)絡(luò)工具箱中提供了實現(xiàn)BP神經(jīng)網(wǎng)絡(luò)的創(chuàng)建，仿真環(huán)境以單輸入單輸出的非線性函數(shù)，分別作為輸入函數(shù)和目標函數(shù)。本文同時采取傅里葉變換、BP神經(jīng)網(wǎng)絡(luò)以及基于傅里葉變換的BP神經(jīng)網(wǎng)絡(luò)分別進行仿真濾波[5][6]，表1給出了三種算法在MATLAB軟件中的仿真主要步驟。圖4為y（t）與x（t）函數(shù)的波形圖，圖5是經(jīng)傅里葉變換處理后的x（t）波形，圖6是BP網(wǎng)絡(luò)自適應(yīng)濾波后的x（t）波形，圖7是基于傅里葉變換的BP網(wǎng)絡(luò)作用后的x（t）自適應(yīng)濾波后的波形。通過比較圖5、6、7可以明顯看出傅里葉變換的濾波效果出現(xiàn)高頻振蕩，BP網(wǎng)絡(luò)自適應(yīng)濾波在形狀上幾乎與元波形一致，但是在某些點位置出現(xiàn)疵點，而基于傅里葉變換的BP神經(jīng)網(wǎng)絡(luò)自適應(yīng)濾波后波形幾乎和目標函數(shù)y（t）波形完全一致。

4.結(jié)束語

本文通過三種算法在MATLAB中的仿真分析，可以得出在輸入向量維數(shù)比較大時，可以采用基于傅里葉變換的BP神經(jīng)網(wǎng)絡(luò)的方法對含噪信息進行處理，不僅可以降低隱含層的層數(shù)，增加自適應(yīng)能力和減少學(xué)習(xí)時間，而且在波形擬合上可以達到更好的效果。

參考文獻

[1]華，李雷，趙力.基于BP神經(jīng)網(wǎng)絡(luò)的自適應(yīng)補償控制方法[J].計算仿真，2012，29（7）：202-205.

[2]張德豐.MATLAB小波分析[M].北京：機械工業(yè)出版社，2009，39-48.

[3]楊芳，馬建偉.基于神經(jīng)網(wǎng)絡(luò)自適應(yīng)濾波的低頻Prony分析[J].中國水能及電氣化，2012，86（4），32-37.

[4]李國勇，楊麗娟.神經(jīng)模糊預(yù)測控制及其MATLAB實現(xiàn)[M].北京：電子工業(yè)出版社，2013：17-22.

篇3

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)；虛擬測溫；加熱爐

中圖分類號：TP27 文獻標識碼：A

概述

在大型連軋生產(chǎn)線中，加熱爐給鋼坯加熱是第一道工藝，加熱的效果直接影響到后步軋制工序，對軋制品質(zhì)有著重要的影響。傳統(tǒng)的測溫方式是在加熱爐各個區(qū)段放置熱電偶測量各個加熱爐段的爐體溫度，由于加熱爐高溫、粉塵等各種的復(fù)雜環(huán)境，熱電偶的測溫品質(zhì)不能完全得到保證，尤其在重要工藝溫度點上的熱電偶，一旦損壞則影響到軋線的正常生產(chǎn)。因此設(shè)計一套虛擬測溫系統(tǒng)對控制系統(tǒng)的穩(wěn)定、順行有著重要作用。BP神經(jīng)網(wǎng)絡(luò)能夠模擬非線性、時變性的復(fù)雜控制系統(tǒng)?；诖?，我們利用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建一套虛擬測溫系統(tǒng)，通過煤氣流量，空氣流量，煤氣熱值等關(guān)鍵溫控參數(shù)作為輸入，通過神經(jīng)網(wǎng)絡(luò)的積算、反饋學(xué)習(xí)，得到一個虛擬測量值，該測量值跟熱電偶測量值進行比對，檢驗熱電偶的工作狀態(tài)；同時在確定熱電偶損壞的情況下，以虛擬測量值來代替熱電偶測量值，以保證軋線生產(chǎn)的順利進行。虛擬測溫系統(tǒng)對加熱爐溫度控制系統(tǒng)具有重要意義，能夠給企業(yè)帶來很大的經(jīng)濟效益。

1系統(tǒng)設(shè)計

BP神經(jīng)網(wǎng)絡(luò)是一種前向映射網(wǎng)絡(luò)，包含輸入層、隱含層、輸出層。通過對加熱爐的工藝參數(shù)進行分析，對于特定的一個加熱爐，影響加熱爐溫度的因素主要是煤氣熱值、煤氣流量、空氣流量，把該3個測值作為BP神經(jīng)網(wǎng)絡(luò)的輸入層，隱含層的個數(shù)通過Matlab進行訓(xùn)練后確定，把虛擬測溫值作為輸出層，從而構(gòu)建出一個完整的BP神經(jīng)網(wǎng)絡(luò)構(gòu)架，具體的網(wǎng)絡(luò)圖如圖1所示：

圖1BP神經(jīng)網(wǎng)絡(luò)圖

2系統(tǒng)實現(xiàn)

BP神經(jīng)網(wǎng)絡(luò)是一種有導(dǎo)師學(xué)習(xí)的算法，通過從現(xiàn)場采集訓(xùn)練樣本，利用Matlab訓(xùn)練學(xué)習(xí)后得到最佳的隱含層個數(shù)，并得出各層的權(quán)值及閾值，然后利用C#構(gòu)建的OPC平臺進行系統(tǒng)編程，最后投入現(xiàn)場進行測試應(yīng)用，具體步驟如下：

(1)本系統(tǒng)從WINCC存儲的歷史數(shù)據(jù)庫中采集了3000組的煤氣熱值、煤氣流量、空氣流量、熱電偶測點值的歷史數(shù)據(jù)值作為訓(xùn)練樣本。煤氣熱值、煤氣流量、空氣流量數(shù)據(jù)作為輸入訓(xùn)練樣本，熱電偶測值作為輸出訓(xùn)練樣本，經(jīng)過歸一化處理后，導(dǎo)入Matlab環(huán)境中。

fid1=fopen('輸入樣本.txt’,‘r’);

[Input,count1]=fscanf(fid1,’%f’,[3,3000])

fid2=fopen('輸出樣本.txt’,’r’);

[Output,count2]=fscanf(fid2,’%f’,[1，3000])

(2)在Matlab環(huán)境下的命令窗口中輸入“nntool”命令，打開神經(jīng)網(wǎng)絡(luò)工具箱的圖形用戶界面，網(wǎng)絡(luò)類型選擇“Feed-forward backprop”前向反饋類型；訓(xùn)練函數(shù)選擇“TRAINLM”函數(shù)；性能函數(shù)選擇“MSE（均方誤差）”函數(shù)；網(wǎng)絡(luò)的層數(shù)首先選用兩層；點擊“Create”按鈕，就建好了該神經(jīng)網(wǎng)絡(luò)，該神經(jīng)網(wǎng)絡(luò)如圖2所示：

圖2神經(jīng)網(wǎng)絡(luò)設(shè)置圖

(3)對神經(jīng)網(wǎng)絡(luò)的權(quán)值、閾值進行初始化后，對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，選取不同的隱含層個數(shù)分別對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，然后觀察誤差曲線及均方誤差。經(jīng)過測驗，本系統(tǒng)中效果最好的隱含層個數(shù)為2個，最終得到的效果曲線如圖3所示：

圖3神經(jīng)網(wǎng)絡(luò)效果圖

(4)得到BP神經(jīng)網(wǎng)絡(luò)的權(quán)值閾值后，對該神經(jīng)網(wǎng)絡(luò)進行高級語言編程，在本系統(tǒng)中選擇了C#語言，通過構(gòu)建OPC系統(tǒng)平臺，將該虛擬測溫系統(tǒng)作為二級系統(tǒng)投入現(xiàn)場進行系統(tǒng)測試。

3系統(tǒng)效果

該虛擬測溫系統(tǒng)已投入現(xiàn)場運行一年，運行穩(wěn)定，能夠很好的反應(yīng)溫度變化趨勢，正常情況下跟熱電偶測值誤差保持在3%以內(nèi)，期間有效診斷熱電偶故障2次，未出現(xiàn)誤報現(xiàn)象，有效的實現(xiàn)了系統(tǒng)目的，為軋鋼的生產(chǎn)順行提供了有力的技術(shù)保證，運行效果如圖4所示：

圖4系統(tǒng)運行效果圖（黃線為熱電偶測值，綠線為虛擬值）

結(jié)語

該虛擬測溫系統(tǒng)有效的利用了BP神經(jīng)網(wǎng)絡(luò)解決非線性、時變系統(tǒng)的能力，構(gòu)建了一套行之有效的虛擬測溫系統(tǒng)，無論是對于加熱爐的穩(wěn)定還是軋線的穩(wěn)產(chǎn)順行都起了重要作用，為企業(yè)帶來了可觀的經(jīng)濟價值。

篇4

1.1混合神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)本文提出的混合神經(jīng)網(wǎng)絡(luò)是在CC神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，在隱含層的生成中增加了乘算子的部分以提高神經(jīng)網(wǎng)絡(luò)非線性辨識能力。乘算子和加算子結(jié)構(gòu)上的自增長基本相互獨立，既保留了原CC神經(jīng)網(wǎng)絡(luò)的優(yōu)點，同時也使得乘算子的特點得到發(fā)揮?；旌仙窠?jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖3所示，網(wǎng)絡(luò)的隱含層由兩種不同類型的算子(乘算子和加算子)共同構(gòu)成。這種混合隱含層根據(jù)構(gòu)成的算子類型分為加法部分和乘法部分。通過相關(guān)性s來確定其中一個隱含層部分增加節(jié)點，加法部分采用級聯(lián)結(jié)構(gòu)與原CC神經(jīng)網(wǎng)絡(luò)相同，乘法部分采用單層結(jié)構(gòu)避免其階數(shù)過高，最后兩個隱含層的輸出同時作為輸出節(jié)點的輸入進行輸出。

1.2引導(dǎo)型粒子群算法針對混合隱含層的結(jié)構(gòu)、權(quán)值和閾值的求取,本文提出了一種新的引導(dǎo)型粒子群算法（GQPSOI）。GQPSOI通過控制粒子i和j之間的距離來保證粒子不會收斂得太快從而陷入局部極小值，同時根據(jù)各粒子p(i,:)和p(j,:)之間的距離D(i,j)以及粒子間平均距離D來計算淘汰度Ew決定淘汰粒子并對其進行量子化更新。

1.3混合神經(jīng)網(wǎng)絡(luò)算法流程混合神經(jīng)網(wǎng)絡(luò)的自增長過程如圖4所示。網(wǎng)絡(luò)增長的具體步驟如下。（1）網(wǎng)絡(luò)結(jié)構(gòu)初始化。網(wǎng)絡(luò)中只有輸入層和輸出層，無隱含層，如圖4(a)所示。（2）使用GQPSOI算法訓(xùn)練輸出權(quán)值。（3）對網(wǎng)絡(luò)性能進行判斷，如滿足要求，則算法結(jié)束，網(wǎng)絡(luò)停止增長，如圖4(d)所示，否則轉(zhuǎn)到下一步。（4）建立隱含層節(jié)點候選池(內(nèi)含一個乘算子和一個加算子)，分別將候選隱含層節(jié)點代入網(wǎng)絡(luò)結(jié)構(gòu)并使用GQPSOI算法以最大相關(guān)性原理訓(xùn)練兩個候選節(jié)點，分別計算兩個候選節(jié)點與現(xiàn)有殘差Ep,o的相關(guān)性s。（5）選擇相關(guān)性s最大的候選節(jié)點，作為新的隱節(jié)點加入網(wǎng)絡(luò)結(jié)構(gòu)，如圖4(b)、(c)所示，并固定新隱節(jié)點的輸入權(quán)值。轉(zhuǎn)移到步驟（2），對整個網(wǎng)絡(luò)的輸出權(quán)值進行調(diào)整。

2混合神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)性能測試

2.1GQPSOI算法性能測試首先應(yīng)用幾個經(jīng)典函數(shù)[9]對GQPSOI算法的性能進行了評價，并將實驗結(jié)果與幾種常見的算法進行了對比。這些函數(shù)包括：F1（Sphere函數(shù)）、F2(Rosenbrock函數(shù))、F3(Rastrigin函數(shù))、F4(Griewank函數(shù))、F5(Ackley函數(shù))，評價函數(shù)的維數(shù)為10。經(jīng)過30次獨立運行實驗，每次的函數(shù)評價次數(shù)（FEs）[12]為100000。表1給出了GQPSOI算法與離子群算法（PSO），遺傳算法（GA）以及差分進化法（DE）在30次獨立運行評價試驗中得到最優(yōu)值的平均值和標準差。從表1中可以看出，在F2的實驗中GQPSOI算法在30次獨立運行中的平均值為7.746×10−12，這一結(jié)果明顯優(yōu)于PSO算法的29.55和GA算法的97.19，略優(yōu)于DE的2.541×10−11。從F1、F3、F4、F5的實驗結(jié)果也都可以看出GQPSOI算法明顯優(yōu)于其他算法。實驗證明了GQPSOI算法的有效性和適用性，能夠應(yīng)用于神經(jīng)網(wǎng)絡(luò)的參數(shù)和結(jié)構(gòu)調(diào)整。

2.2燃料電池的建模實驗

2.2.1基于燃料電池輸出電壓的模型質(zhì)子交換膜燃料電池[13-15]作為一種高效的清潔能源，在過去的幾十年里取得了巨大的進展。在正常操作條件下，一片單電池可以輸出大約0.5～0.9V電壓。為了應(yīng)用于實際能源供應(yīng)，有可能需要將多片單電池串聯(lián)在一起。具有級聯(lián)結(jié)構(gòu)的質(zhì)子交換膜燃料電池實驗裝置如圖5所示。從圖5可以看出，電池引出電流I，電池溫度T，H2和O2壓力PH2和PO2會影響電池電壓。將混合神經(jīng)網(wǎng)絡(luò)用于質(zhì)子交換膜燃料電池的軟測量建模，選用電池引出電流I，電池溫度T，H2和O2壓力PH2和PO2會影響電池電壓的變量作為輸入變量。將56片單電池的串聯(lián)輸出電壓作為其輸出，模型的目標函數(shù)取實際輸出值與模型輸出值得均方根誤差(使其最小)。混合神經(jīng)網(wǎng)絡(luò)中加法部分以及輸出層的神經(jīng)元傳遞函數(shù)采用S型函數(shù)，GQPSOI算法中設(shè)置種群數(shù)30，最大迭代步長為1000，引導(dǎo)粒子起作用的概率設(shè)置為2%。圖6為5kW質(zhì)子交換膜燃料電池堆的實驗裝置。該實驗系統(tǒng)采用增濕器與電池堆分體設(shè)置，參數(shù)檢測采用傳感器-直讀式儀表方式，氣體和水的流量測量采用轉(zhuǎn)子流量計，電堆采用電阻負載，可直接測量電堆的輸出電流、電壓或功率。電池堆參數(shù)見表2。

2.2.2結(jié)果與分析實驗條件如表3所示。取燃料電池裝置輸出的前100個值作為訓(xùn)練樣本，后100個值作為測試樣本。分別用CC神經(jīng)網(wǎng)絡(luò)，CC-GQPSOI和混合神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，當訓(xùn)練目標函數(shù)小于0.1或最大隱含層節(jié)點數(shù)達到30時網(wǎng)絡(luò)停止增長，訓(xùn)練結(jié)束。表4給出了其最大相對誤差和均方根誤差的對比。圖7顯示了最終訓(xùn)練預(yù)測數(shù)據(jù)與輸出數(shù)據(jù)之間的對比。從表4可以看出CC-GQPSOI和混合神經(jīng)網(wǎng)絡(luò)分別在隱含層節(jié)點數(shù)為4和6時達到訓(xùn)練要求，相較于CC神經(jīng)網(wǎng)絡(luò)的30個隱含層節(jié)點具有較小的網(wǎng)絡(luò)結(jié)構(gòu)。同時CC-GQPSOI和混合神經(jīng)網(wǎng)絡(luò)的均方根誤差(3.0723×10−2和3.8606×10−2)也相較于CC神經(jīng)網(wǎng)絡(luò)的均方根誤差(1.0354)具有更高的精度。從圖8和圖9的泛化結(jié)果來看，混合神經(jīng)網(wǎng)絡(luò)的預(yù)測誤差保持在0.7以內(nèi)，相對誤差(絕對誤差與被測量真值之比)保持在1.25%以內(nèi)。CC-GQPSOI的誤差在1以內(nèi)。相對誤差保持在3%以內(nèi)。從實驗結(jié)果可以看出，混合神經(jīng)網(wǎng)絡(luò)可以精確地預(yù)測出燃料電池裝置的輸出，反映了實際工況，具有良好的應(yīng)用前景。

3結(jié)論

篇5

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

二、神經(jīng)網(wǎng)絡(luò)技術(shù)基本原理

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

三、神經(jīng)網(wǎng)絡(luò)模型在電梯故障診斷中的應(yīng)用分類

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

（一）BP網(wǎng)絡(luò)模型

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

（二）遺傳小波神經(jīng)網(wǎng)絡(luò)模型

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

（三）模糊神經(jīng)網(wǎng)絡(luò)模型

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

四、結(jié)語

篇6

摘要：選擇9個化學(xué)參數(shù)和合適的擴展系數(shù)，對一批26個拮抗藥化合物的活性建立了廣義回歸神經(jīng)網(wǎng)絡(luò)識別模式。選擇21個樣本為訓(xùn)練集，5個樣本為預(yù)測集。結(jié)果表明，該種網(wǎng)絡(luò)具有設(shè)計簡單與收斂快的優(yōu)點，可用于小樣本問題的學(xué)習(xí)，獲得滿意的預(yù)測結(jié)果。

關(guān)鍵詞：廣義回歸神經(jīng)網(wǎng)絡(luò)；模式識別；活性有機分子的結(jié)構(gòu)

活性關(guān)系研究是藥物分子設(shè)計的重要手段。一般用線性回歸方法總結(jié)各種量子化學(xué)、結(jié)構(gòu)化學(xué)參數(shù)與分子生物活性的關(guān)系，但當訓(xùn)練集各分子的結(jié)構(gòu)相差較大時，上述關(guān)系有時呈現(xiàn)強非線性。不少作者采用BP網(wǎng)絡(luò)進行藥物活性的模式識別研究，都取得相當?shù)某晒Ｈ欢?，由于BP神經(jīng)網(wǎng)絡(luò)是基于梯度下降的誤差反向傳播算法進行學(xué)習(xí)的，所以網(wǎng)絡(luò)訓(xùn)練速度通常很慢，而且很容易陷入局部極小點，盡管采用一些改進的快速學(xué)習(xí)算法可以較好地解決某些實際問題，但是在設(shè)計過程中往往都要經(jīng)過反復(fù)的試湊和訓(xùn)練過程，無法嚴格保證每次訓(xùn)練時BP算法的收斂性和全局最優(yōu)性。此外，BP網(wǎng)絡(luò)隱層神經(jīng)元的作用機理及其個數(shù)選擇已成為BP網(wǎng)絡(luò)研究中的一個難點問題［1，2］。為此，本研究采用廣義回歸神經(jīng)網(wǎng)絡(luò)用于拮抗藥化合物活性的模式識別研究，結(jié)果滿意。

1廣義回歸神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)與算法［3~6］

廣義回歸神經(jīng)網(wǎng)絡(luò)（GRNN）是Donald F.Specht在1991年提出的一種新型神經(jīng)網(wǎng)絡(luò)，其具體公式推導(dǎo)和理論可參見文獻。該種網(wǎng)絡(luò)建立在數(shù)理統(tǒng)計的基礎(chǔ)上，能夠根據(jù)樣本數(shù)據(jù)逼近其中隱含的映射關(guān)系，即使樣本數(shù)據(jù)稀少，網(wǎng)絡(luò)的輸出結(jié)果也能收斂于最優(yōu)回歸平面。目前，該神經(jīng)網(wǎng)絡(luò)在在系統(tǒng)辯識和預(yù)測控制等方面得到了應(yīng)用。

GRNN由一個徑向基網(wǎng)絡(luò)層和一個線性網(wǎng)絡(luò)層組成，網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1廣義回歸神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

a1i表示第一層輸出a1的第i個元素，W1表示第一層權(quán)值矩陣，P表示輸入向量，R表示輸入向量的維數(shù)。Q=K=輸入/目標矢量對的個數(shù)。網(wǎng)絡(luò)的第一層為徑向基隱含層，單元個數(shù)等于訓(xùn)練樣本數(shù)Q，該層的權(quán)值函數(shù)為歐幾里德距離度量函數(shù)（用dist表示），其作用是計算網(wǎng)絡(luò)輸入與第一層的權(quán)值之間的距離，b1為隱含層閾值。符號“.”表示dist的輸出與閾值b1的元素與元素之間的乘積關(guān)系，并將結(jié)果形成凈輸入n1，傳送到傳遞函數(shù)。隱含層的傳遞函數(shù)為徑向基函數(shù)，常用高斯函數(shù)Ri(x)=exp(-x-ci 2σ2i)，式中， σi決定第i個隱含層位置處基函數(shù)的形狀。網(wǎng)絡(luò)的第二層為線性輸出層，其權(quán)函數(shù)為規(guī)范化點積函數(shù)（用nprod）表示，計算出網(wǎng)絡(luò)的向量n2，它的每個元素就是向量a1與權(quán)值矩陣W2每行元素的點積再除以向量a1各元素之和的值，并將結(jié)果n2送入線性傳遞函數(shù)，計算網(wǎng)絡(luò)輸出。

GRNN連接權(quán)值的學(xué)習(xí)修正仍然使用BP算法，由于網(wǎng)絡(luò)隱含層節(jié)點中的作用函數(shù)（基函數(shù)）采用高斯函數(shù)，高斯函數(shù)為一種局部分布對中心徑向?qū)ΨQ衰減的非負非線性函數(shù)，對輸入信號將在局部產(chǎn)生響應(yīng)，即當輸入信號靠近基函數(shù)的中央范圍時，隱含層節(jié)點將產(chǎn)生較大的輸出，由此看出這種網(wǎng)絡(luò)具有局部逼近能力，這也是該網(wǎng)絡(luò)之所以學(xué)習(xí)速度更快的原因。此外，GRNN人為調(diào)節(jié)的參數(shù)少，網(wǎng)絡(luò)的學(xué)習(xí)全部依賴數(shù)據(jù)樣本，這個特點決定了網(wǎng)絡(luò)得以最大限度地避免人為主觀假定對預(yù)測結(jié)果的影響。

2拮抗藥化合物活性的預(yù)測

取文獻［7］所列的26個化合物為本工作的樣本集，數(shù)據(jù)見表1。表1文獻所列的26個化合物樣本列表將上述原始數(shù)據(jù)作歸一化處理，調(diào)用MATLAB語言工具箱中的函數(shù)newgrnn（P，T，SPREAD）進行廣義回歸神經(jīng)網(wǎng)絡(luò)設(shè)計，計算結(jié)果如表2。

表2的計算結(jié)果表明，廣義回歸神經(jīng)網(wǎng)絡(luò)對訓(xùn)練樣本有很好的預(yù)測結(jié)果。在此基礎(chǔ)之上，嘗試從26個樣本中取出5個（表1中的5、10、15、20、25號樣本）作為預(yù)測集，其余21個樣本作為訓(xùn)練集，訓(xùn)練結(jié)果和預(yù)測結(jié)果分別列于表3和表4。表226個訓(xùn)練樣本的計算結(jié)果 表45個預(yù)測樣本的計算結(jié)果

在調(diào)用net=newgrnn(P，T，SPREAD)函數(shù)進行網(wǎng)絡(luò)設(shè)計中，對上述計算當擴展系數(shù)SPREAD取0.1，0.2或0.3時，網(wǎng)絡(luò)預(yù)測效果好；當SPREAD大于0.3時，網(wǎng)絡(luò)預(yù)測效果開始變差。

3結(jié)論

上述結(jié)果表明，廣義回歸神經(jīng)網(wǎng)絡(luò)具有設(shè)計簡單與收斂快的優(yōu)點，具有較好的預(yù)測和泛化能力，為復(fù)雜的、高度非線性問題的模式識別提供了可選手段。傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)在確定網(wǎng)絡(luò)連接權(quán)值時具有隨機性，其預(yù)測結(jié)果存在差異，不利于實際應(yīng)用［8］。而廣義回歸神經(jīng)網(wǎng)絡(luò)在選取輸入神經(jīng)元數(shù)目之后，網(wǎng)絡(luò)的結(jié)構(gòu)和連接權(quán)值也隨之確定，在訓(xùn)練過程中不涉及隨機數(shù)，而且需要的樣本量少。因此，廣義回歸神經(jīng)網(wǎng)絡(luò)可作為藥物構(gòu)效關(guān)系研究的有效手段。

參考文獻

1陳念貽，欽佩，陳瑞亮，等.模式識別方法在化學(xué)化工中的應(yīng)用. 北京：科學(xué)出版社，2000，88~90.

2陳錦言，姚芳蓮，孫經(jīng)武，等.人工神經(jīng)網(wǎng)絡(luò)及其在化學(xué)領(lǐng)域中的應(yīng)用. 計算機與應(yīng)用化學(xué)，1999，16(2)：111~114.

3Sprecht D F.A General Regression Neural Network.IEEE Trans Neural Network，1991，2：568~576.

4Sprecht D F. The General Regression Neural Network Rediscove

red. Neural Networks，1993，6：1033~1034.

5周昊，鄭立剛，樊建人，等. 廣義回歸神經(jīng)網(wǎng)絡(luò)在煤灰熔點預(yù)測中的應(yīng)用. 浙江大學(xué)學(xué)報（工學(xué)版），2004，38(11)：1479~1482.

6趙闖，劉凱，李電生，等.基于廣義回歸神經(jīng)網(wǎng)絡(luò)的貨運量預(yù)測. 鐵道學(xué)報，2004，26(1)：12~15.

7Livinstone D J.Multivariate Data Display Using Neural Networks，Chapter 7 in "Neural Networks in QSAR and Drug Design"，Edited by J Devillars，London：Academic Press，1996，157~176.

篇7

關(guān)鍵詞：再生混凝土 廣義神經(jīng)網(wǎng)絡(luò) bp神經(jīng)網(wǎng)絡(luò) 強度預(yù)測

abstract：presents a new method by introducing grnn. using the actual data as the forecasting analytic stylebook，and comparing the forecasting result to the bp neural network.the results of the study show that the grnn has greater accuracy than the bp neural network，which is more effective to forecast the strength of concrete

key words：recycled concrete grnn bp neural network forecasting prediction of strength

引言

再生混凝土是通過對廢棄混凝土進行一系列的回收利用等過程而形成的新混凝土。再生混凝土技術(shù)可以實現(xiàn)廢棄混凝土的有效回收利用，對于保護環(huán)境、節(jié)約資源、發(fā)展生態(tài)建筑具有重要的意義，通常被認為是發(fā)展綠色生態(tài)混凝土的主要措施之一。近些年來，眾多學(xué)者對再生混凝土進行了一系列研究，取得了許多成果。對于普通混凝土而言，灰水比是進行混凝土強度預(yù)測的重要影響因素；但是對再生混凝土來說，其影響因素眾多，這些因素與強度之間的關(guān)系非常復(fù)雜，采用傳統(tǒng)的線性模型無法準確描述它們之間的關(guān)系。在實際應(yīng)用中，確定再生混凝土的抗壓強度較復(fù)雜，往往需要進行許多復(fù)雜的實驗，從而測定其抗壓強度。廣義神經(jīng)網(wǎng)絡(luò)（gnn）在函數(shù)逼近能力和學(xué)習(xí)速度上有較強的優(yōu)勢，調(diào)整的參數(shù)較少，只有一個分布常數(shù)，可以更快的找到合適的預(yù)測網(wǎng)絡(luò)。鑒于此，本文利用grnn對再生混凝土28d的抗壓強度建立了預(yù)測模型，并利用此模型對不同配比條件下的再生混凝土的抗壓強度進行了預(yù)測。

1、廣義神經(jīng)網(wǎng)絡(luò)的基本原理

廣義回歸神經(jīng)網(wǎng)絡(luò)是徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的一個分支，是一種基于非線性回歸理論的前饋式神經(jīng)網(wǎng)絡(luò)模型。網(wǎng)絡(luò)的第1層為徑向基隱含層，神經(jīng)元個數(shù)等于訓(xùn)練樣本數(shù)，該層的權(quán)值函數(shù)為歐式距離函數(shù)（ 用表示），其作用為計算網(wǎng)絡(luò)輸入與第1層的權(quán)值■之間的距離，■為隱含層閾值。隱含層的傳遞函數(shù)為徑向基函數(shù)，常用高斯函數(shù) 作為網(wǎng)絡(luò)的傳遞函數(shù)，■稱為光滑因子，■越大，則基函數(shù)越平滑。

網(wǎng)絡(luò)的第2層為線性輸出層，其權(quán)函數(shù)為規(guī)范化點積權(quán)函數(shù)，計算網(wǎng)絡(luò)的向網(wǎng)絡(luò)的第2層為線性輸出層，其權(quán)函數(shù)為規(guī)范化點積權(quán)函數(shù)，計算網(wǎng)絡(luò)的向量■，它的每個是由向量■和權(quán)值矩陣■中每行元素的點積再除以向量■的各元素之和得到的，提供給線性傳遞函數(shù)■，計算網(wǎng)絡(luò)輸出。

廣義回歸神經(jīng)網(wǎng)絡(luò)連接權(quán)值的學(xué)習(xí)修正使用bp算法，由于網(wǎng)絡(luò)隱含層結(jié)點中的作用函數(shù)采用高斯函數(shù)，高斯函數(shù)作為一種局部分布對中心徑向?qū)ΨQ衰減的非負非線性函數(shù)，對輸入將在局部產(chǎn)生響應(yīng)，即當輸入信號靠近基函數(shù)的中央范圍時，隱含層結(jié)點將產(chǎn)生較大的輸出，由此可以看出這種網(wǎng)絡(luò)具有局部逼近能力，這也是該網(wǎng)絡(luò)學(xué)習(xí)速度快的原因.此外，grnn中人為調(diào)節(jié)的參數(shù)少，只有一個閾值，網(wǎng)絡(luò)的學(xué)習(xí)全部依賴數(shù)據(jù)樣本，這個特點決定了網(wǎng)絡(luò)能最大限度地避免人為主觀假定對預(yù)測結(jié)果的影響。

2、基于grnn的再生混凝土抗壓強度預(yù)測建模

2.1模型變量的選取

影響再生混凝土抗壓強度的因素眾多，本文參照文獻[8]提取與再生混凝土強度相關(guān)的變量，把水泥、粉煤灰、水、砂、石、再生骨料、減水劑等7個參數(shù)作為輸入變量，輸出為抗壓強度。

2.2 數(shù)據(jù)處理

本文以文獻[8]中的24個數(shù)據(jù)作為數(shù)據(jù)樣本。其中前9個數(shù)據(jù)作為測試數(shù)據(jù)，后15個數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，實驗數(shù)據(jù)如表1所示。為了預(yù)測的準確性，對原始數(shù)據(jù)在[0，1]范圍內(nèi)進行歸一化處理。

3、實例分析

篇8

[關(guān)鍵詞] 旅游 公共服務(wù) 神經(jīng)網(wǎng)絡(luò)

一、旅游公共服務(wù)體系的內(nèi)容

旅游公共服務(wù)體系應(yīng)包括旅游城市服務(wù)系統(tǒng)、旅游信息服務(wù)系統(tǒng)、旅游救助服務(wù)系統(tǒng)，消費者權(quán)益保護系統(tǒng)，突發(fā)事件應(yīng)急系統(tǒng)，旅游志愿者服務(wù)系統(tǒng)等子系統(tǒng)。

公共服務(wù)體系是由政府主導(dǎo)系統(tǒng)和市場導(dǎo)向系統(tǒng)相結(jié)合共同構(gòu)建，是區(qū)域提供旅游公共服務(wù)產(chǎn)品或信息滿足游客物質(zhì)和精神需求的系統(tǒng)。

1.政府主導(dǎo)系統(tǒng)以政府提供服務(wù)為主導(dǎo)，包括咨詢、投訴處理、交通、信息化服務(wù)、救助、志愿者等服務(wù)。旅游咨詢服務(wù)、旅游信息提示、旅游緊急救援等公共服務(wù)項目，旅游集散中心、旅游廁所、標志標牌等公共服務(wù)設(shè)施，城市旅游交通、通訊、金融、衛(wèi)生等相關(guān)配套服務(wù)等。上述服務(wù)設(shè)施、服務(wù)項目和服務(wù)內(nèi)容，既是連接各服務(wù)環(huán)節(jié)的重要鏈條，也是提升旅游產(chǎn)品質(zhì)量的基礎(chǔ)性因素，由于其公益性特征或很低的投資回報，決定了必須充分依靠政府部門加以建設(shè)。

2.市場導(dǎo)向系統(tǒng)以市場化運作為主，包括文化、商業(yè)、住宿餐飲、娛樂等服務(wù)。旅游公共服務(wù)一方面是對既有的、城市正常的公共服務(wù)適應(yīng)旅游所提出的特殊要求而開展的提升和整合；另一方面是為應(yīng)對旅游，所特別提供的、有針對性的公共服務(wù)產(chǎn)品，使游客感到安全、舒適、便捷。一個城市旅游公共服務(wù)能力代表了整個城市的公共服務(wù)水平，具有指標性的作用。旅游公共服務(wù)體系應(yīng)體現(xiàn)旅游的專業(yè)服務(wù)，符合規(guī)劃，以人為本，協(xié)調(diào)配合，可持續(xù)發(fā)展。

二、人工神經(jīng)網(wǎng)絡(luò)簡介

人工神經(jīng)網(wǎng)絡(luò)是由大量的簡單元件(神經(jīng)元、模擬電子電路、光學(xué)元件等)廣泛相互聯(lián)結(jié)而成的非線性的、動態(tài)的復(fù)雜網(wǎng)絡(luò)系統(tǒng)。

在理論上輸入層有n個神經(jīng)元，則隱含層有2n+1個神經(jīng)元，輸出層有 m個神經(jīng)元的網(wǎng)絡(luò)拓撲結(jié)構(gòu)可以實現(xiàn)任意的連續(xù)映射。

人工神經(jīng)網(wǎng)絡(luò)模型一般由處理單元、激活狀態(tài)、單元輸出、連接模式、連接規(guī)則、激活規(guī)則、學(xué)習(xí)規(guī)則等六個部分組成。

目前應(yīng)用最為廣泛的ANN模型是BP神經(jīng)網(wǎng)絡(luò)，BP神經(jīng)網(wǎng)絡(luò)是一種單向傳播的多層前向神經(jīng)網(wǎng)絡(luò)，分為輸入層、隱含層和輸出層，層與層之間采用全聯(lián)結(jié)方式，同一層單元之間不存在相互聯(lián)結(jié)。一個三層的BP網(wǎng)絡(luò)模型就能夠?qū)崿F(xiàn)任意的連續(xù)映射。現(xiàn)在以一個簡單的三層人工神經(jīng)網(wǎng)絡(luò)模型來介紹BP網(wǎng)絡(luò)的學(xué)習(xí)算法。輸入層有2個節(jié)點：X1和X2，隱含層有3個結(jié)點Y1，Y2，Y3。最后輸出Y。Wij代表輸入層各結(jié)點和隱含層各結(jié)點間的連接權(quán)重。則隱含層結(jié)點Yj的輸入值可以用（1）式來求得

而Yj(j=1,2,3)的輸出記為Yij(i=1,2;j=1,2,3)，則其輸出為下列的Sigmoid函數(shù)：

出最后所要求的最終的輸出值Y可表示為：

三、通過建立人工神經(jīng)網(wǎng)絡(luò)研究旅游地公共服務(wù)體系與游客的滿意度

1.模型參數(shù)的確立：游城市服務(wù)系統(tǒng)（S1）、旅游信息服務(wù)系統(tǒng)（S2）、旅游救助服務(wù)系統(tǒng)（S3），消費者權(quán)益保護系統(tǒng)（S4），突發(fā)事件應(yīng)急系統(tǒng)（S5），旅游志愿者服務(wù)系統(tǒng)等子系統(tǒng)（S6）。為了研究方便假定這六個因子間是相互獨立的。

2.用這六個因子作為人工神經(jīng)網(wǎng)絡(luò)模型輸入層的神經(jīng)元。

3.建立模型。

4.用三層BP網(wǎng)絡(luò)模型對公共服務(wù)體系進行模擬，根據(jù)BP網(wǎng)絡(luò)模型的映射原理，對于樣本集合X和輸出Y，可以假設(shè)其存在一映射F，即Yi=F（Xi）(i=1,2,3…n)，為了尋求F的最佳映射值，BP網(wǎng)絡(luò)模型將樣本集合的輸入、輸出轉(zhuǎn)化為非線性優(yōu)化，通過對簡單非線性函數(shù)的復(fù)合，建立一個高度的非線性映射關(guān)系，實現(xiàn)F值的最優(yōu)逼近。對于公共服務(wù)體系的仿真模擬，其輸入層節(jié)點為（6個神經(jīng)元）：確立游城市服務(wù)系統(tǒng)(S1)、旅游信息服務(wù)系統(tǒng)(S2)、旅游救助服務(wù)系統(tǒng)(S3)，消費者權(quán)益保護系統(tǒng)(S4)，突發(fā)事件應(yīng)急系統(tǒng)(S5)，旅游志愿者服務(wù)系統(tǒng)等子系統(tǒng)(S6)。游客滿意度為輸出點。記為Y。隱含層節(jié)點數(shù)為10，得出三層前饋反向傳播神經(jīng)網(wǎng)絡(luò)模型。

篇9

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)；風(fēng)險；政府投資項目

中圖分類號：F121　文獻標識碼：A　文章編號：1008-4428（2012）10-107　-02

一、BP神經(jīng)網(wǎng)絡(luò)的研究

神經(jīng)網(wǎng)絡(luò)工具箱是在MATLAB環(huán)境下開發(fā)出來的許多工具箱之一。它以人工神經(jīng)網(wǎng)絡(luò)理論為基礎(chǔ)，利用MATLAB編程語言構(gòu)造出許多典型神經(jīng)網(wǎng)絡(luò)的激活函數(shù)，如S型、線性、競爭層、飽和線性等激活函數(shù)，使設(shè)計者對選定網(wǎng)絡(luò)輸出的計算，轉(zhuǎn)變?yōu)閷せ詈瘮?shù)的調(diào)用。另外，可以根據(jù)各種典型的修正網(wǎng)絡(luò)權(quán)值的規(guī)則，加上網(wǎng)絡(luò)的訓(xùn)練過程，利用MATLAB語言編寫各種網(wǎng)絡(luò)權(quán)值訓(xùn)練的子程序。這樣一來，網(wǎng)絡(luò)的設(shè)計者可以根據(jù)自己的需要調(diào)用工具箱中有關(guān)神經(jīng)網(wǎng)絡(luò)的設(shè)計與訓(xùn)練的程序，使自己能夠從繁瑣的編程中解脫出來，集中精力思考和解決問題，從而提高效率和質(zhì)量[1]。

二、BP神經(jīng)網(wǎng)絡(luò)的創(chuàng)建及其初始化

MATLAB　7.1神經(jīng)網(wǎng)絡(luò)工具箱中包含了許多用于BP網(wǎng)絡(luò)分析與設(shè)計的函數(shù)，其常用函數(shù)如表2-1。

創(chuàng)建一個BP神經(jīng)網(wǎng)絡(luò)，調(diào)用格式：

net=newff

net=newff（PR，[S1　S2...SN1]，{TF1　TF2…TFN1　}，BTF，BLF，PF）

其中net=newff：用于在對話框中創(chuàng)建一個BP網(wǎng)絡(luò)；

PR：由每組輸入（共有R組輸入）元素的最大值和最小值組成的R×2維的矩陣；

Si：第i層的長度，共計N1層；

TFi：第i層的傳遞函數(shù)，默認為“tansig”；

BTF：BP網(wǎng)絡(luò)的訓(xùn)練函數(shù)，默認為“trainlm”；

BLF：權(quán)值和閾值的BP學(xué)習(xí)算法，默認為“l(fā)earngdm”；

PF：網(wǎng)絡(luò)的性能函數(shù)，默認為“mse”

執(zhí)行結(jié)果：創(chuàng)建一個N1層的BP神經(jīng)網(wǎng)絡(luò)。

TFi的值可以是任意的可微函數(shù)，如logsig、purelin等。BTF的值還可以選擇trainbfg、trainrp、trainbr等。PF的值可以是任何可微性能函數(shù)，例如mse、msereg。在訓(xùn)練前饋神經(jīng)網(wǎng)絡(luò)之前，必須設(shè)置權(quán)值和閾值的初始值。但當使用newff創(chuàng)建前饋神經(jīng)網(wǎng)絡(luò)之后，網(wǎng)絡(luò)會自動初始化權(quán)值和閾值，缺省值都為0。如果要設(shè)置這些初始值，可以使用函數(shù)init（），命令格式為：net=init（net）。

函數(shù)init（）會根據(jù)網(wǎng)絡(luò)的初始化函數(shù)以及它的參數(shù)值來設(shè)置網(wǎng)絡(luò)權(quán)值和閾值的初始值，它們分別由參數(shù)net.initFcn和net.initParam表示。對BP神經(jīng)網(wǎng)絡(luò)來說，參數(shù)net.initFcn的值是initwb，它使網(wǎng)絡(luò)的初始化采用了Nguyen-Widrow算法。

三、BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練及其結(jié)果分析

一旦網(wǎng)絡(luò)加權(quán)和偏差被初始化，網(wǎng)絡(luò)就可以開始訓(xùn)練了?？梢酝ㄟ^訓(xùn)練網(wǎng)絡(luò)來做函數(shù)近似，模式結(jié)合，或者模式分類。訓(xùn)練處理需要一套適當?shù)木W(wǎng)絡(luò)操作的例子——網(wǎng)絡(luò)輸入p和目標輸出t。在訓(xùn)練期間網(wǎng)絡(luò)的加權(quán)和偏差不斷地把網(wǎng)絡(luò)性能函數(shù)net.performFcn減少到最小。前饋網(wǎng)絡(luò)的缺省性能函數(shù)是均方誤差mse——網(wǎng)絡(luò)輸出和目標輸出t之間的均方誤差。

BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練使用函數(shù)train（）和adapt（），在BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練算法中，都是通過計算性能函數(shù)的梯度，再沿負梯度方向調(diào)整權(quán)值和閾值，從而使性能函數(shù)達到最小。梯度下降算法有兩種模式，遞增模式和批處理模式。在遞增模式中，當每個樣本輸入應(yīng)用于網(wǎng)絡(luò)之后，就對網(wǎng)絡(luò)的權(quán)值和閾值進行調(diào)整。而在批處理模式中，只有當所有的樣本輸入都應(yīng)用于網(wǎng)絡(luò)之后，網(wǎng)絡(luò)的權(quán)值和閾值才會得到調(diào)整。MATLAB神經(jīng)網(wǎng)絡(luò)工具箱提供了多種訓(xùn)練函數(shù)，它們都是屬于批處理模式的訓(xùn)練函數(shù)，主要可分為普通訓(xùn)練函數(shù)和快速訓(xùn)練函數(shù)。

當網(wǎng)絡(luò)訓(xùn)練結(jié)束后，可以用激活函數(shù)（sim）仿真網(wǎng)絡(luò)的輸出，從而與目標輸出進行比較，來檢驗網(wǎng)絡(luò)性能。對于高維的多個輸入，可以方便的用該函數(shù)得到網(wǎng)絡(luò)的仿真結(jié)果。MATLAB還提供了函數(shù)postreg用于對網(wǎng)絡(luò)訓(xùn)練結(jié)果的進一步分析，該函數(shù)利用了線性回歸的方法分析了網(wǎng)絡(luò)輸出和目標輸出的關(guān)系，即網(wǎng)絡(luò)輸出變化相對于目標輸出變化的變化率，從而評估了網(wǎng)絡(luò)的訓(xùn)練結(jié)果。

四、BP神經(jīng)網(wǎng)絡(luò)的模型構(gòu)建分析

在建立BP神經(jīng)網(wǎng)絡(luò)時，必將會遇到確定網(wǎng)絡(luò)最佳結(jié)構(gòu)的問題，具體說就是給定了某個應(yīng)用任務(wù)，如何選擇網(wǎng)絡(luò)的層數(shù)和每層應(yīng)選多少個單元（節(jié)點）。

（一）輸入和輸出層的設(shè)計

輸入層起緩沖存儲器的作用，把數(shù)據(jù)源加到網(wǎng)絡(luò)上，其節(jié)點數(shù)目取決于數(shù)據(jù)源的維數(shù)，即這些節(jié)點能夠代表每個數(shù)據(jù)源[2]。所以保證數(shù)據(jù)的正確性、有用性、相關(guān)性就顯得尤其重要。人工神經(jīng)元網(wǎng)絡(luò)只能處理表示成數(shù)值的輸入數(shù)據(jù)，一般將輸入數(shù)據(jù)標度到限定范圍[0，1]。輸入和輸出層的維數(shù)完全根據(jù)使用者的要求來設(shè)計，輸出神經(jīng)元還可以根據(jù)類別進行編碼。

（二）隱含層的設(shè)計

隱含層起抽象的作用，即它能從輸入提取特征。1988年Cybenko指出，當各節(jié)點均采用S型函數(shù)時，一個隱含層就足以實現(xiàn)任意判決分類問題，兩個隱含層則足以表示輸入圖形的任意輸出函數(shù)。隱層單元數(shù)與問題的要求，輸入輸出單元的多少都有直接的關(guān)系[3]。隱層節(jié)點數(shù)過少時，學(xué)習(xí)的容量有限，不足以存儲訓(xùn)練樣本中蘊涵的所有規(guī)律；隱層節(jié)點過多不僅會增加網(wǎng)絡(luò)訓(xùn)練時間，而且會將樣本中非規(guī)律性的內(nèi)容存儲進去，反而降低泛化能力。一般方法是湊試法：

1、先由經(jīng)驗公式確定

2、改變m，用同一樣本集訓(xùn)練，從中確定網(wǎng)絡(luò)誤差最小時對應(yīng)的隱層節(jié)點數(shù)。

理論證明：具有單隱層的前饋網(wǎng)絡(luò)可以映射所有連續(xù)函數(shù)，只有當學(xué)習(xí)不連續(xù)函數(shù)時才需要兩個隱層。最常用的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)是3層結(jié)構(gòu)，即輸入層、輸出層和1個隱層，這也是本文將要采用的網(wǎng)絡(luò)結(jié)構(gòu)。

參考文獻：

[1]飛思科技產(chǎn)品研發(fā)中心.神經(jīng)網(wǎng)絡(luò)理論與MATLAB7實現(xiàn)[M].電子工業(yè)出版社，2005.

[2]袁曾仁.人工神經(jīng)元網(wǎng)絡(luò)及其應(yīng)用[M].清華大學(xué)出版社、廣西科技大學(xué)出版社，1999.

[3]袁曾仁.人工神經(jīng)元網(wǎng)絡(luò)及其應(yīng)用[M].清華大學(xué)出版社、廣西科技大學(xué)出版社，1999.

[4]孫星.風(fēng)險管理[M].經(jīng)濟管理出版社，2007.

[5]肖先波.基于BP神經(jīng)網(wǎng)絡(luò)的公路建設(shè)項目風(fēng)險分析[D].浙江大學(xué)碩士學(xué)位論文，2006.

作者簡介：

篇10

水工隧洞一般都有過水要求，加上其復(fù)雜的地質(zhì)條件，因此正確的進行圍巖分類后采取相應(yīng)的支護措施將對保證隧洞穩(wěn)定性起決定性的作用。圍巖分類是一類非線性的綜合判定問題，用人工神經(jīng)網(wǎng)絡(luò)方法來判別水工隧洞圍巖類別是一種新的嘗試和新的方法。

1．圍巖分類的判定依據(jù)

水工隧洞圍巖工程地質(zhì)分類應(yīng)以控制圍巖穩(wěn)定的巖石強度、巖體完整程度、張開度、地下水力狀態(tài)和主要結(jié)構(gòu)面產(chǎn)狀等五項因素綜合評分為依據(jù)，圍巖強度應(yīng)力比為限定依據(jù)，見表1。

表1圍巖工程地質(zhì)分類依據(jù)

指標名稱評價因素

巖石強度（A1）采用巖塊的單軸抗壓強度（MPa）

巖體完整程度（A2）采用完整性系數(shù)Kv

張開度（A3）考慮結(jié)構(gòu)面的連續(xù)性、粗糙度和充填物

地下水狀態(tài)（A4）考慮地下水的發(fā)育程度，用單位洞長單位時間的涌水量

主要結(jié)構(gòu)面產(chǎn)狀（A5）采用結(jié)構(gòu)面走向與洞軸線的夾角

以上五個因素是控制圍巖穩(wěn)定性的主要因素，圍巖的分類標準見表2。

表2圍巖工程地質(zhì)分類標準

評價因素圍巖類別

Ⅰ（穩(wěn)定）Ⅱ（基本穩(wěn)定）Ⅲ（局部穩(wěn)定性差）Ⅳ（不穩(wěn)定）Ⅴ（極不穩(wěn)定）

A1（MPa）>200100~20050~10025~50<25

A20.9~1.00.75~0.90.5~0.750.25~0.5<0.25

A3（mm）<0.50.5~11~33~5>5

A4(L/min·10m)<2525~5050~100100~125>125

A5(o)90~7575~6060~4545~30<30

2.水工隧洞圍巖分類的人工神經(jīng)網(wǎng)絡(luò)模型

神經(jīng)網(wǎng)絡(luò)系統(tǒng)是由大量的、簡單的處理單元廣泛的互相連接而形成的復(fù)雜的網(wǎng)絡(luò)系統(tǒng)。人工神經(jīng)網(wǎng)絡(luò)模型最基本的有兩大類：一類是以Hopfield網(wǎng)絡(luò)模型為代表的反饋型模型，它具有非線性和動態(tài)性；另一類是以多層感知器為基礎(chǔ)的前饋模型。其中BP(BackPropagation)網(wǎng)絡(luò)是目前應(yīng)用最廣泛的多層前饋神經(jīng)網(wǎng)絡(luò)模型。本文采用BP網(wǎng)絡(luò)模型。

2．1BP神經(jīng)網(wǎng)絡(luò)模型及其算法

BP神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層和輸出層三層感知器組成，每層由若干個神經(jīng)元組成。輸入層接受信息，傳入到隱含層，經(jīng)過作用函數(shù)后，再把隱結(jié)點的輸出信號傳到輸出層輸出結(jié)果。節(jié)點的作用函數(shù)選用Sigmoid函數(shù)，即：

（1）

BP神經(jīng)網(wǎng)絡(luò)采用誤差逆?zhèn)鞑シ磳W(xué)習(xí)算法。學(xué)習(xí)過程由正向傳播和反向傳播組成。在正向傳播過程中，輸入信號由輸入層經(jīng)隱含層處理后傳向輸出層，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一個期望的輸出，則轉(zhuǎn)向反傳播，將輸出信號的誤差按原來的連接通路返回，通過修改各層神經(jīng)元的權(quán)值，使得誤差信號最小，得到合適的網(wǎng)絡(luò)連接權(quán)后，便可對新的樣本進行識別。BP網(wǎng)絡(luò)學(xué)習(xí)過程具體步驟如下：

（1）初始化，設(shè)置網(wǎng)絡(luò)結(jié)構(gòu)，賦初始權(quán)值；

（2）為網(wǎng)絡(luò)提供一組學(xué)習(xí)樣本，包括M個樣本對（），輸入向量，輸出向量，n、m分別為輸入層和輸出層神經(jīng)元個數(shù)，；

（3）對每個學(xué)習(xí)樣本P進行（4）~（8）；

（4）逐層正向計算網(wǎng)絡(luò)各節(jié)點的實際輸出：

(2)

其中，為神經(jīng)元i、j之間的權(quán)值；為前層第i個神經(jīng)元的實際輸出，為式（1）給出的函數(shù)；

（5）計算網(wǎng)絡(luò)輸出誤差：

第P個樣本的輸出誤差為(3)

其中，，分別為輸出層第j個神經(jīng)元的期望輸出和實際輸出。

網(wǎng)絡(luò)總誤差為；(4)

（6）當E小于允許誤差或達到指定迭代次數(shù)時，學(xué)習(xí)過程結(jié)束，否則進行誤差逆向傳播，轉(zhuǎn)向（7）；

（7）逆向逐層計算網(wǎng)絡(luò)各節(jié)點誤差：

對于輸出層，(5)

對于隱含層，(6)

其中代表后層第個神經(jīng)元。

（8）修正網(wǎng)絡(luò)連接權(quán)：，其中為學(xué)習(xí)次數(shù)，為學(xué)習(xí)因子，值越大，產(chǎn)生的振蕩越大。通常在權(quán)值修正公式中加入一個勢態(tài)項，變成：

(7)

其中，a稱為勢態(tài)因子，它決定上次學(xué)習(xí)的權(quán)值變化對本次權(quán)值更新的影響程度。

2．2圍巖分類的BP模型

在以表2中數(shù)據(jù)為基礎(chǔ)進行網(wǎng)絡(luò)訓(xùn)練前，須對表中指標作如下處理：Ⅰ、Ⅴ類對應(yīng)的指標取其界限值或平均值；Ⅱ、Ⅲ、Ⅳ類對應(yīng)的指標取其平均值。作上述處理后，可以得到網(wǎng)絡(luò)訓(xùn)練模型的5個學(xué)習(xí)樣本，如表3。

表3圍巖類別識別模型的學(xué)習(xí)樣本

類別樣本類別A1A2A3A4A5

P1Ⅰ2000.950.52582.5

P2Ⅱ1500.8250.7537.567.5

P3Ⅲ750.62527552.5

P4Ⅳ37.50.3754112.537.5

P5Ⅴ250.25512530

以上表中5個類別樣本作為神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)樣本，在輸入層和隱含層各設(shè)置一個特殊單元作為閾值單元，其值設(shè)為1。模型結(jié)構(gòu)如下圖1所示。

圖1圍巖類別分類的BP網(wǎng)絡(luò)模型

設(shè)圍巖類別為P1、P2、P3、P4、P5這5個類別樣本的預(yù)期輸出矢量，各分量定義為

網(wǎng)絡(luò)訓(xùn)練時，當所有樣本在網(wǎng)絡(luò)輸出節(jié)點的實際輸出與網(wǎng)絡(luò)期望輸出之間的最大誤差小于預(yù)先給定的常數(shù)，即時學(xué)習(xí)結(jié)束。

網(wǎng)絡(luò)經(jīng)過15000次訓(xùn)練，每個樣本的網(wǎng)絡(luò)輸出與期望輸出最大誤差為0.2，絕大部分在0.1之內(nèi)。應(yīng)用訓(xùn)練后的BP模型劃分新的圍巖類別樣本，等判定圍巖類別樣本W(wǎng)經(jīng)網(wǎng)絡(luò)變換后輸出O與各期望輸出比較，設(shè)，。

如果，則，，即隧洞圍巖類別樣本屬于級。

3．沙灣隧洞的圍巖分類應(yīng)用實例

東深供水改造工程沙灣隧洞位于深圳市北東面內(nèi)15公理處，區(qū)域地勢東高西低。工程區(qū)域周圍沉積巖、巖漿巖和變質(zhì)巖三大巖類均有出露。隧洞線路地帶分布的地層，除洞口溝谷部位為第四系松散堆積層外，其余均為侏羅系中統(tǒng)塘夏群碎屑巖，基本為單斜構(gòu)造，但末端因受深圳斷裂帶影響，巖層產(chǎn)狀較為紊亂，地質(zhì)條件復(fù)雜多變。

隧洞開挖后，測得三種圍巖地段的力學(xué)性質(zhì)和環(huán)境條件，取三個樣本為a、b、c。用BP人工神經(jīng)網(wǎng)絡(luò)判定該工程隧洞圍巖類別。

根據(jù)水利水電工程地質(zhì)勘察規(guī)范，隧洞圍巖類別分為5級：Ⅰ（穩(wěn)定）、Ⅱ（基本穩(wěn)定）、Ⅲ（局部穩(wěn)定性差）、Ⅳ（不穩(wěn)定）、Ⅴ（極不穩(wěn)定）。對照學(xué)習(xí)樣本各特征變量，用訓(xùn)練好的BP模型對a、b、c三個樣本進行判定，其結(jié)果見表4。

表4沙灣隧洞三組樣本實測指標與圍巖類別判定結(jié)果

指標名稱實測指標值

abc

巖石強度（A1）2845100

巖體完整程度（A2）0.220.50.55

張開度（A3）341

地下水狀態(tài)（A4）1208025

主要結(jié)構(gòu)面產(chǎn)狀（A5）305060

圍巖類別判定結(jié)果ⅤⅣⅢ

4．結(jié)論

水工隧洞圍巖類別判定，不僅影響因素多，而且具有很大的模糊性和不確定性。人工神經(jīng)網(wǎng)絡(luò)是一門新興的交叉學(xué)科，它具有聯(lián)想、記憶功能和判別識別的模糊性等優(yōu)點，用它來進行圍巖類別分類，不需對輸入輸出指標的關(guān)系作任何假設(shè)，這種關(guān)系是神經(jīng)網(wǎng)絡(luò)從實例中自適應(yīng)學(xué)習(xí)而獲得的，大大減少了人為因素的影響，省去了事后的經(jīng)驗判斷。實踐證明，它在理論和應(yīng)用上都是可行的和有實際意義的。

參考文獻