導語：如何才能寫好一篇人工神經網(wǎng)絡，這就需要搜集整理更多的資料和文獻，歡迎閱讀由公務員之家整理的十篇范文，供你借鑒。

篇1

人工神經網(wǎng)絡是近年來迅猛發(fā)展的前沿課題，它對突破現(xiàn)有科學技術的瓶頸起到重大的作用。本文剖析了人工神經網(wǎng)絡的特征、模型結構以及未來的發(fā)展趨勢。

【關鍵詞】人工神經網(wǎng)絡 神經元 矩陣

1 人工神經網(wǎng)絡概述

人工神經網(wǎng)絡（ANN）是一種用計算機網(wǎng)絡系統(tǒng)模擬生物神經網(wǎng)絡的智能神經系統(tǒng)，它是在現(xiàn)代神經生物學研究成果的基礎上發(fā)展起來的，模擬人腦信息處理機制的一種網(wǎng)絡系統(tǒng)，它不但具有處理數(shù)值數(shù)據(jù)的計算能力，而且還具有處理知識的學習、聯(lián)想和記憶能力。

人工神經網(wǎng)絡模擬了大腦神經元的組織方式，反映了人腦的一些基本功能，為研究人工智能開辟了新的途徑。它具有以下基本特征：

1.1 并行分布性

因為人工神經網(wǎng)絡中的神經元排列并不是雜亂無章的，往往是以一種有規(guī)律的序列排列，這種結構非常適合并行計算。同時如果將每一個神經元看作是一個基本的處理單元，則整個系統(tǒng)可以是一個分布式處理系統(tǒng)，使得計算快速。

1.2 可學習性和自適應性

一個相對很小的人工神經網(wǎng)絡可存儲大量的專家知識，并能根據(jù)學習算法，或利用指導系統(tǒng)模擬現(xiàn)實環(huán)境（稱為有教師學習），或對輸入進行自適應學習（稱為無教師學習），可以處理不確定或不知道的事情，不斷主動學習，不斷完善知識的存儲。

（3）魯棒性和容錯性

由于采用大量的神經元及其相互連接，具有聯(lián)想映射與聯(lián)想記憶能力，容錯性保證網(wǎng)絡將不完整的、畸變的輸入樣本恢復成完整的原型，魯棒性使得網(wǎng)絡中的神經元或突觸遭到破壞時網(wǎng)絡仍然具有學習和記憶能力，不會對整體系統(tǒng)帶來嚴重的影響。

1.3 泛化能力

人工神經網(wǎng)絡是大規(guī)模的非線性系統(tǒng)，提供了系統(tǒng)協(xié)同和自組織的潛力，它能充分逼近任意復雜的非線性關系。如果輸入發(fā)生較小變化，則輸出能夠保持相當小的差距。

1.4 信息綜合能力

任何知識規(guī)則都可以通過對范例的學習存儲于同一個神經網(wǎng)絡的各連接權值中，能同時處理定量和定性的信息，適用于處理復雜非線性和不確定對象。

2 人工神經網(wǎng)絡模型

神經網(wǎng)絡是在對人腦思維方式研究的基礎上，將其抽象模擬反映人腦基本功能的一種并行處理連接網(wǎng)絡。神經元是神經網(wǎng)絡的基本處理單元。

在神經網(wǎng)絡的發(fā)展過程中，從不同角度對神經網(wǎng)絡進行了不同層次的描述和模擬，提出了各種各樣的神經網(wǎng)絡模型，其中最具有代表性的神經網(wǎng)絡模型有：感知器、線性神經網(wǎng)絡、BP網(wǎng)絡、自組織網(wǎng)絡、徑向基函數(shù)網(wǎng)絡、反饋神經網(wǎng)絡等等。

3 神經元矩陣

神經元矩陣是神經網(wǎng)絡模型的一種新構想，是專門為神經網(wǎng)絡打造的一個矩陣，它符合神經元的一切特征。

神經元矩陣采用矩陣形式，它可為n維向量組成。引入向量觸頭和信使粒的概念，向量觸頭可生長，即長度可變，方向可變，信使?？伞坝问帯痹诰仃囍?，建立各種聯(lián)系。如圖1即是神經元矩陣模型

（1）容器可產生一種無形的約束力，使系統(tǒng)得以形成，容器不是全封閉的，從而保證系統(tǒng)與外界的溝通和交互；各向量間可用相互作用的力來聯(lián)系，而各個信使粒則受控于容器、中空向量以及其它的信使粒。各神經元之間自主交互，神經元矩陣是一種多層次的管理，即一層管理一層。系統(tǒng)具有明顯的層級制和分塊制，每層每塊均獨立且協(xié)同工作，即每層每塊均含組織和自組織因素。

（2）向量觸頭是中空的，信使粒可以通過向量或存儲于向量中，所以又稱為中空向量。向量存儲了信使粒后，可以吸引更多的信使粒在附近，或使鄰近向量轉向、伸長，進而形成相對穩(wěn)定的信息通路。

（3）當兩條或更多的信息通路匯集時，可能伴隨著通路的增強、合并，以及信使粒的聚集、交換，這是神經元矩陣運算的一種主要形式。通路的形成過程，也就是是神經元矩陣分塊、分層、形成聯(lián)接的過程，也為矩陣系統(tǒng)宏觀管理、層級控制的實現(xiàn)奠定了基礎。

神經元矩陣亦是一種具有生物網(wǎng)絡特征的數(shù)學模型，綜合了數(shù)學上矩陣和向量等重要概念，是一種立體的矩陣結構。尤其是將矩陣的分塊特性和向量的指向特征結合起來，更好的體現(xiàn)了神經網(wǎng)絡的整體性和單元獨立性，系統(tǒng)的組織和自組織特征也更為凸顯。信使粒以“點”的數(shù)學概念，增強了系統(tǒng)的信息特征，尤其是增強了矩陣的存儲和運算功能。

4 人工神經網(wǎng)絡的發(fā)展趨勢

人工神經網(wǎng)絡是邊緣叉科學，它涉及計算機、人工智能、自動化、生理學等多個學科領域，研究它的發(fā)展具有非常重要意義。針對神經網(wǎng)絡的社會需求以及存在的問題，今后神經網(wǎng)絡的研究趨勢主要側重以下幾個方面。

4.1 增強對智能和機器關系問題的認識

人腦是一個結構異常復雜的信息系統(tǒng)，我們所知道的唯一智能系統(tǒng)，隨著信息論、控制論、計算機科學、生命科學的發(fā)展，人們越來越驚異于大腦的奇妙。對人腦智能化實現(xiàn)的研究，是神經網(wǎng)絡研究今后的需要增強的地發(fā)展方向。

4.2 發(fā)展神經計算和進化計算的理論及應用

利用神經科學理論的研究成果，用數(shù)理方法探索智能水平更高的人工神經網(wǎng)絡模型，深入研究網(wǎng)絡的算法和性能，使離散符號計算、神經計算和進化計算相互促進，開發(fā)新的網(wǎng)絡數(shù)理理論。

4.3 擴大神經元芯片和神經網(wǎng)絡結構的作用

神經網(wǎng)絡結構體現(xiàn)了結構和算法的統(tǒng)一，是硬件和軟件的混合體，神經元矩陣即是如此。人工神經網(wǎng)絡既可以用傳統(tǒng)計算機來模擬，也可以用集成電路芯片組成神經計算機，甚至還可以生物芯片方式實現(xiàn)，因此研制電子神經網(wǎng)絡計算機潛力巨大。如何讓傳統(tǒng)的計算機、人工智能技術和神經網(wǎng)絡計算機相融合也是前沿課題，具有十分誘人的前景。

4.4 促進信息科學和生命科學的相互融合

信息科學與生命科學的相互交叉、相互促進、相互滲透是現(xiàn)代科學的一個顯著特點。神經網(wǎng)絡與各種智能處理方法有機結合具有很大的發(fā)展前景，如與專家系統(tǒng)、模糊邏輯、遺傳算法、小波分析等相結合，取長補短，可以獲得更好的應用效果。

參考文獻

[1]鐘珞.饒文碧.鄒承明著.人工神經網(wǎng)絡及其融合應用技術.科學出版社.

篇2

隨著計算機網(wǎng)絡、信息技術、自動化技術的進步，極大的改變了我們的生活。人工神經網(wǎng)絡技術是一種全新的控制技術，通過互聯(lián)網(wǎng)進行動態(tài)模擬，從而建立一種新的控制互聯(lián)網(wǎng)的系統(tǒng)。經過十幾年的發(fā)展，人工神經網(wǎng)絡技術研究取得了巨大的進步，已經廣泛應用在社會各個領域，使現(xiàn)代計算機中的難題得到了解決。本文主要從人工神經網(wǎng)絡技術的概念出發(fā)，探討了它在現(xiàn)代社會領域的具體應用。

【關鍵詞】人工神經網(wǎng)絡 信息技術 發(fā)展趨勢

人工神經網(wǎng)絡技術在處理實際問題主要包括兩個過程，一個是學習訓練過程，另外一個是記憶聯(lián)想過程。近年來隨著人工網(wǎng)絡技術的發(fā)展，人工神經網(wǎng)絡技術在信號處理、圖像處理、智能識別等領域已經取得了巨大的改變，為人們研究各類科學問題提供了一種新的方法和手段，使人們在交通運輸、人工智能、軍事、信息領域的工作更加便捷，近年來隨著AI的l展，人工神經網(wǎng)絡技術得到了快速的發(fā)展階段。

1 人工神經網(wǎng)絡技術

人工神經網(wǎng)絡技術也稱ANN，是隨著上個世紀八十年代人工智能發(fā)展興起的一個研究熱點，它的主要工作原理對人腦神經網(wǎng)絡進行抽象處理，并仿造人腦神經網(wǎng)絡建立簡單的模型，按照不同的連接方式組成一個完整的網(wǎng)絡，因此學術界也直接將它成為神經網(wǎng)絡。神經網(wǎng)絡其實就是一種運算模型，它是通過大量的節(jié)點――神經元連接起來的，其中不同的節(jié)點所代表的輸出函數(shù)也不同，也就是所謂的激勵函數(shù)；當有兩個節(jié)點連接起來時稱之為通過該連接信號的加權值，也稱為權重，這就相當人腦神經網(wǎng)絡記憶。人工神經網(wǎng)絡技術是采用并行分布式系統(tǒng)，這種工作機理與傳統(tǒng)的信息處理技術和人工智能技術完全不同，是一種全新的技術，它克服了傳統(tǒng)基于邏輯符號的人工智能處理非結構信息化和直覺方面的缺陷，具有實時學習、自適應性和自組織性等特點。

2 人工神經網(wǎng)絡技術應用分析

隨著人工神經網(wǎng)絡技術的發(fā)展，它在模式識別、知識工程、信號處理、專家系統(tǒng)、機器人控制等方面的應用較廣。

2.1 生物信號的檢測分析

目前大部分醫(yī)學檢測設備都是通過連續(xù)波形得到相關數(shù)據(jù)，從而根據(jù)所得數(shù)據(jù)對病情進行診斷。人工神經網(wǎng)絡技術就是應用了這樣的方式將多個神經元組合起來構成，解決了生物醫(yī)學信號檢測方面的難題，其適應性和獨立性強，分布貯藏功能多。在生物醫(yī)學領域該技術主要應用于對心電信號、聽覺誘發(fā)電位信號、醫(yī)學圖像、肌電荷胃腸等信號的處理、識別和分析。

2.2 醫(yī)學專家系統(tǒng)

傳統(tǒng)的醫(yī)院專家系統(tǒng)是直接將專家的經驗、學歷、臨床診斷方面取得的成績等存儲在計算機中，構建獨立的醫(yī)學知識庫，通過邏輯推理進行診斷的一種方式。進入到二十一世紀，醫(yī)院需要存儲的醫(yī)學知識越來越多，每天產生新的病況和知識，過去的一些專家系統(tǒng)顯然已經無法適應醫(yī)院的發(fā)展需求，因此醫(yī)院的效率很低。而人工神經網(wǎng)絡技術的出現(xiàn)為醫(yī)院專家系統(tǒng)的構建提出了新的發(fā)展方向，通過人工神經網(wǎng)絡技術，系統(tǒng)能夠自主學習、自己組織、自行推理。因此在醫(yī)學專家系統(tǒng)中該網(wǎng)絡技術應用面較廣。麻醉醫(yī)學、重癥醫(yī)學中生理變量分析和評估較多，目前臨床上一些還沒有確切證據(jù)或者尚未發(fā)現(xiàn)的關系與現(xiàn)象，通過人工神經網(wǎng)絡便能有效地解決。

2.3 市場價格預測

在經濟活動中，傳統(tǒng)統(tǒng)計方法受到一些因素的制約，無法對價格變動做出準確的預測，因此難免在預測的時候出現(xiàn)失誤的現(xiàn)象。人工神經網(wǎng)絡技術能夠處理那些不完整的、規(guī)律不明顯、模糊不確定的數(shù)據(jù)，并作出有效地預測，因此人工神經網(wǎng)絡技術具有傳統(tǒng)統(tǒng)計方法無法比擬的優(yōu)勢。例如人工神經網(wǎng)絡技術可以通過分析居民人均收入、貸款利率和城市化發(fā)展水平，從而組建一個完整的預測模型，準確預測出商品的價格變動情況。

2.4 風險評價

在從事某一項特定的活動時，由于社會上一些不確定因素，可能造成當事人經濟上或者其他方面的損失。因此在進行某一項活動時，對活動進行有效的預測和評估，避免風險。人工神經網(wǎng)絡技術可以根據(jù)風險的實際來源，構筑一套信用風險模型結構和風險評估系數(shù)，從而提出有效地解決方案。通過信用風險模型分析彌補主觀預測方面的不足，從而達到避免風險的目的。

3 人工神經網(wǎng)絡技術未來發(fā)展

人工神經網(wǎng)絡克服了傳統(tǒng)人工智能對語言識別、模式、非結構化信息處理的缺陷，因此在模式識別、神經專家系統(tǒng)、智能控制、信息處理和天氣預測等領域廣泛應用。隨著科學技術的進步，AI的快速發(fā)展，AI與遺傳算法、模糊系統(tǒng)等方面結合，形成了計算智能，很多企業(yè)和國家開始大規(guī)模研發(fā)AI，人工神經網(wǎng)絡正在模擬人類認知的方向發(fā)展，目前市場已經有很多不少人工智能產品面世。

4 結語

通過上述研究分析，人工神經網(wǎng)絡技術已經取得了相應的發(fā)展，但還存在很多不足：應用范圍狹窄、預測精度低、通用模型缺乏創(chuàng)新等，因此需要我們在此基礎上不斷尋找新的突破點，加強對生物神經元系統(tǒng)的研究和探索，進一步挖掘其潛在的價值，將人工神經網(wǎng)絡技術應用在更多領域中，為社會創(chuàng)造更大的財富。

參考文獻

[1]周文婷，孟琪.運動員賽前心理調控的新策略――基于人工神經網(wǎng)絡技術的比賽場地聲景預測（綜述）[J].哈爾濱體育學院學報，2015，33（03）：15-21.

[2]張紅蘭.人工神經網(wǎng)絡技術的應用現(xiàn)狀分析[J].中國新通信，2014（02）：76-76.

[3]張廣軍.人工神經網(wǎng)絡技術在光電檢測中的應用[J].北京航空航天大學學報，2001，27（05）：564-568.

篇3

【關鍵詞】人工神經網(wǎng)絡；故障診斷；模式識別；Matlab軟件

一、人工神經網(wǎng)絡綜述

BP神經網(wǎng)絡是目前應用最為廣泛和成功的神經網(wǎng)絡之一，它是由一個輸入層，一個或多個隱層以及一個輸出層組成，上下層之間實現(xiàn)全連接，而每層神經元之間沒有連接。網(wǎng)絡的學習過程包括信號正向傳播和誤差反向傳播。在正向傳播進程中，輸入信息從輸入層經隱層加權處理傳向輸出層，經功能函數(shù)運算后得到的輸出值與期望值進行比較，若有誤差，則誤差反向傳播，沿原先的連接通道返回，通過逐層修改各層的權重系數(shù)，減小誤差。隨著這種誤差逆向傳播修正的不斷進行，網(wǎng)絡對輸入模式響應的正確率也不斷上升。

二、人工神經網(wǎng)絡的識別、診斷過程

滾動軸承在設備中是比較典型的，本文以滾動軸承的故障識別、診斷為例。進行模式識別的大體步驟為：首先對經過零均值化后的振動信號數(shù)據(jù)進行時域、頻域分析，將篩選后的有效時域、頻域特征值作為人工神經網(wǎng)絡輸入層的輸入，經Matlab軟件進行神經網(wǎng)絡的訓練，最后可得出一個可以識別軸承工作狀態(tài)的神經網(wǎng)絡，進而可以對滾動軸承進行模式識別?？梢姴捎谜駝有盘枡z測法對機器設備進行故障診斷的過程包含信號采集、特征提取、狀態(tài)識別、故障分析和決策干預等五個基本環(huán)節(jié)，在滾動軸承故障診斷中，振動信號的采集是關鍵，保證信號采集的準確性、合理性和實時性是正確實現(xiàn)故障診斷的前提。（1）信號采集。每臺機器設備都有自身的固有頻率，若設備發(fā)生故障，其頻率變化，其振動信號也會發(fā)生變化。因此，振動信號可以作為故障診斷的一個重要標準。在信號采集中主要用到加速度傳感器、電荷放大器、帶濾波的A/D轉換器。先通過壓電式加速度傳感器對振動信號進行拾取，然后經過電荷放大器及通過帶濾波的A/D轉換電路得到微機可以識別的數(shù)字信號，從而實現(xiàn)振動信號的采集。（2）特征值提取。為了便于觀察，要把采樣點的值分布在0附近，故先對采集的采樣點值進行零均值化。用matlab對零均值化后的的采樣點進行時域、頻域分析。時域分析是計算振動信號的在時域范圍內的特征參數(shù)，包括：平均值、方差、均方根、峰值峰值因子、峭度系數(shù)等參數(shù)。頻域分析是對零均值化后數(shù)據(jù)進行傅里葉變換，繪制頻譜圖，對不同樣本故障軸承和正常軸承的頻譜圖進行對比，找出幅值差別比較明顯的幾組，作為頻域分析的特征值。由于各個特征值的幅值大小不一致，不便于比較同一特征值在不同樣本之間的差異，所以對所有有效特征值進行歸一化，歸一化后的結果可以作為神經網(wǎng)絡的輸入值。（3）模式識別和故障分析。在狀態(tài)檢測過程中，樣本數(shù)據(jù)來源于實驗數(shù)據(jù)分析后提取的有效特征值，這些有效的特征值作為神經網(wǎng)絡的輸入。神經網(wǎng)絡的輸出為軸承狀態(tài)，分為正常軸承和故障軸承（也可以把故障具體分，比如內圈、外圈、滾動體故障等），可以用（0 1）表示正常軸承，（1 1）表示故障軸承，因此網(wǎng)絡中設計2個輸出神經元表示這2個狀態(tài)。對軸承的不同狀態(tài)進行識別，建立神經網(wǎng)絡對它進行訓練，可以用公式（其中是輸入層神經元數(shù)，是隱層神經元數(shù)）大體的計算出隱層神經元層數(shù)。我們設計一個隱層可以隨意改變的BP神經網(wǎng)絡，通過誤差對比確定隱層數(shù)目。設定神經網(wǎng)絡的隱含層神經元的傳遞函數(shù)為tansig，輸出層神經元的傳遞函數(shù)為logsig，目標誤差為0.001，最大訓練步數(shù)為1000。由以上設計寫出網(wǎng)絡訓練代碼，經Matlab運行，找出網(wǎng)絡誤差最小所對應層數(shù)，該層數(shù)作為神經網(wǎng)絡的隱層。

確定神經網(wǎng)絡的隱層后便可確定神經網(wǎng)絡的最終結構，下一步就要對網(wǎng)絡進行訓練，使人工神經網(wǎng)絡所產生的網(wǎng)絡誤差小于目標誤差，對神經網(wǎng)絡訓練好以后，接下來就是對軸承的測試，神經網(wǎng)絡測試代碼為：y=sim（net，測試數(shù)據(jù)）。把正常軸承和故障軸承的測試數(shù)據(jù)導入Matlab程序中，結果整理后可得（以實驗室中的一組實驗數(shù)據(jù)為例）：

用均值表示結果為：

把預先設定好的狀態(tài)值和測試后的結果進行比較，很清楚的可以辨別出正常軸承和故障軸承。可見，對機器設備或者系統(tǒng)的故障診斷實質是一個模式識別過程。利用神經網(wǎng)絡的模式識別能力，直接識別系統(tǒng)的當前模式，實現(xiàn)正常模式和故障模式之間、以及不同故障模式或不同故障程度之間的區(qū)分。

參 考 文 獻

篇4

關鍵詞：人工神經網(wǎng)絡；前饋神經網(wǎng)絡；遞歸神經網(wǎng)絡

中圖分類號： TP183 文獻標識碼： A 文章編號： 1673-1069（2017）06-165-2

1 緒論

人工神經網(wǎng)絡（Artificial Neural Network， ANN）是由大量處理單元互聯(lián)組成的非線性、自適應信息處理系統(tǒng)。它是在現(xiàn)代神經科學研究成果的基礎上提出的，試圖通過模擬大腦神經網(wǎng)絡處理、記憶信息的方式進行信息處理。ANN通過模仿人類大腦的結構和功能，并借鑒生物神經科學的研究成果，實現(xiàn)對信息的處理，是一種新興的交叉學科，不但推動了智能化計算的應用和發(fā)展，同時也為信息科學和神經生物學的研究方法帶來革命性的變化，現(xiàn)已成功應用于腦科學，認知科學，模式識別，智能控制，計算機科學等多個領域。

在實際應用中，人工神經網(wǎng)絡的選取通常包括適當?shù)纳窠浘W(wǎng)絡模型，合理的網(wǎng)絡結構及快速有效的網(wǎng)絡參數(shù)訓練算法[1]。而針對某一特定網(wǎng)絡模型，ANN的研究主要集中在結構的調整和訓練算法的改進兩個方面。所謂神經網(wǎng)絡訓練，也就是網(wǎng)絡參數(shù)的學習和調整，是一個反復調節(jié)節(jié)點之間權值和閾值的過程，其學習可以分成三類，即有監(jiān)督學習（Supervised learning），無監(jiān)督學習（Unsupervised learning）和強化學習（Reinforcement learning），本文基于有監(jiān)督和無監(jiān)督學習進行分類，分別分析了前饋神經網(wǎng)絡的特點及研究現(xiàn)狀、遞歸神經網(wǎng)絡的特點及研究現(xiàn)狀。

2 前饋神經網(wǎng)絡

2.1 前饋神經網(wǎng)絡的特點

前饋神經網(wǎng)絡的主要種類包括：感知器，線性神經網(wǎng)絡，BP網(wǎng)絡，徑向基網(wǎng)絡（RBF）等。其訓練算法主要采用梯度下降法（Gradient descent），包括：誤差反向傳播算法（Back Propagation， BP），改進的BP算法，Levenberg-Marquardt法（LM）等。前饋神經網(wǎng)絡具有學習簡單，收斂較快等優(yōu)點，因此在實際應用中，一般選取三層或以上的網(wǎng)絡結構，神經網(wǎng)絡的任意逼近定理指出，訓練合適的多層前饋神經網(wǎng)絡能夠以任意精度逼近任意連續(xù)函數(shù)[2]。當網(wǎng)絡結構已知的情況下，訓練前饋神經網(wǎng)絡的本質就是確定最優(yōu)權值和閾值的方法，前饋神經網(wǎng)絡的訓練方式一般采用網(wǎng)絡理想輸出和實際輸出的誤差作為權值調整信號，解空間一般是多峰函數(shù)，由于訓練過程中很容易陷入局部極小，因此網(wǎng)絡的訓練目標就是求解一組最優(yōu)的權值，使誤差達到最小。

傳統(tǒng)的誤差反向傳播算法由于為網(wǎng)絡的訓練提供了簡單而有效的實現(xiàn)途徑，目前已成為研究和應用最廣泛的有監(jiān)督學習算法。但BP算法存在許多問題，例如在多層網(wǎng)絡中收斂較慢且容易陷入局部極小，而且不能對多個網(wǎng)絡進行同時訓練[3]。改進的BP算法有多種形式，主要有通過附加動量和學習率的引入改進BP網(wǎng)絡的自適應能力等方法，附加動量方法雖然在一定程度上改善了易陷入局部極小的問題，仍然存在收斂速度較慢的問題。調整學習率方法通過將學習率限制在一定范圍內自動調整，雖然能夠提高網(wǎng)絡收斂速率，但對權值的改變和影響并不大，仍然導致誤差較大問題。LM法具有訓練時間段，收斂速度快的優(yōu)點，但由于LM法需要計算誤差的Jacobian矩陣，這是一個復雜的高維運算問題，需要占用大量系統(tǒng)存儲空間，同時，LM也存在易陷入局部極小的問題[4、5]。

2.2 前饋神經網(wǎng)絡的研究現(xiàn)狀

在傳統(tǒng)的神經網(wǎng)絡訓練過程中，預估校正法或者經驗選擇是最常被使用的網(wǎng)絡結構選取方式[6]。在訓練和優(yōu)化網(wǎng)絡權值和閾值過程中，訓練算法在上述分析中已知，存在著容易陷入局部最優(yōu)并且難以跳出的缺點，因此誤差函數(shù)要求必須是連續(xù)可求導的函怠R虼耍這些權值訓練方法常和進化算法等全局搜索算法相結合。使用全局搜索算法的全局搜索能力幫助網(wǎng)絡跳出局部極小。在編碼時采用實數(shù)編碼，克服二進制編碼受到編碼串長度和精度的限制。例如，Sexton等人用一種改進的遺傳算法優(yōu)化前饋神經網(wǎng)路權值，結果表明改進的算法使網(wǎng)路訓練精度得到顯著提高[3]。Abbass通過將傳統(tǒng)BP算法和差分進化算法相結合，提出了一種的新的權值訓練方法并用于乳腺癌的預測實驗，取得較好結果[7]。Iionen等人使用差分進化算法對前饋網(wǎng)絡的權值進行訓練和優(yōu)化，將優(yōu)化結果與其他幾種基于梯度下降的網(wǎng)絡訓練方法比較，結果表明該方法具有較好的精度[8]。更多研究成果表明，將DE、PSO應用于網(wǎng)絡權值在線訓練和優(yōu)化具有明顯優(yōu)勢，這些改進方法也成功應用在了醫(yī)學和工程技術等領域[9、10]。

此外，多種優(yōu)化算法相結合也被證明是有效的。例如，在文獻[11]中，作者提出了一種DE和LM相結合的神經網(wǎng)絡快速訓練方法。Liu等人提出一種粒子群算法（Particle Swarm Optimization， PSO）和共軛梯度算法相結合的混合算法，并將其應用于神經網(wǎng)絡的權值優(yōu)化[12]。在優(yōu)化過程中，首先確定網(wǎng)絡結構，然后使用PSO的全局搜索能力獲得最后權值組合，最后使用傳統(tǒng)方法進行權值微調，取得較好結果。在文獻[13]中，作者采用相反方式將基本PSO和傳統(tǒng)BP算法相結合使用，首先用BP算法對網(wǎng)絡權值進行計算，然后使用PSO對網(wǎng)絡結構固定的權值進行優(yōu)化和改進。有學者提出一種具有控制參數(shù)自適應選擇能力的差分進化算法，用于訓練前饋網(wǎng)絡，并將該方法用于奇偶分類實驗中，將實驗結果與幾種其他方法進行比較得知，提出的方法具有更好的準確性。Epitropakis等人在訓練離散Pi-Sigma神經網(wǎng)絡實驗中，采用一種分布式離散差分進化算法和分布式離散PSO算法相結合的方式。該離散網(wǎng)絡仍然是一種多層前饋網(wǎng)絡，在輸出層，通過將神經元求積的方式獲得輸出，作者認為這種整數(shù)權值的離散方式更適合用于硬件實現(xiàn)[14]。在離散化權值方面，Bao等人的工作表明，通過采用一種可重建的動態(tài)差分進化算法，可以有效用于訓練固定結構的網(wǎng)絡權值。

在不同領域中，任務往往各不相同，因此針對不同的動態(tài)系統(tǒng)，不同類型的遞歸網(wǎng)絡的也相繼被提出并得到研究，使之成為人工智能界的研究熱點之一。因其具有獨特的優(yōu)化能力，聯(lián)想記憶功能，遞歸神經網(wǎng)絡已引起AI界極大的研究和關注，并成功應用于多種模式識別問題，例如圖像處理，聲音辨識，信號處理等。

4 結論

本章分析和研究了神經網(wǎng)絡的兩種主要類型，前饋型和遞歸型，并對其特點進行了分析。前饋網(wǎng)絡的主要特點是計算簡單，運算方便，缺點是耗時較長，容易陷入局部極?。贿f歸網(wǎng)絡的特點是具有動力學特性和聯(lián)想記憶特性，但使用時需要注意穩(wěn)定性和收斂性，且對初始狀態(tài)具有高度敏感特性。針對兩類神經網(wǎng)絡的特點，可通過多種優(yōu)化相結合的方法解決收斂較慢且容易陷入局部極小問題，應用參數(shù)學習訓練算法和網(wǎng)絡結構優(yōu)化算法對遞歸網(wǎng)絡進行適當?shù)恼{整，以應用于具體問題。

參 考 文 獻

[1] N. Garcia-Pedrajas， C. Hervas-Martinez， J. Munoz-Perez. COVNET： a cooperative coevolutionary model for evolving artificial neural networks [J]. IEEE Transaction on Neural Networks， 2003， 14（3）： 575-596.

[2] K. Hornick， M. Stinchcombe， H. White. Multilayer feedforward networks are universal approximators [J]. Neural Networks， 1989， 2： 359-366.

[3] R.S. Sexton， R.S. Sriram， H. Etheridge. Improving decision effectiveness of artificial neural networks： a modified genetic algorithm approach [J]. Decis Sci， 2003， 34（3）：421-442.

[4] 商琳， 王金根， 姚望舒，等. 一N基于多進化神經網(wǎng)絡的分類方法[J]. 軟件學報， 2005， 16（9）： 1577-1583.

[5] S.U. Ahmed， M. Shahjahan， K. Murase. Injecting chaos in feedforward neural networks [J]. Neural Process Lett， 2011， 34（1）： 87-100.

[6] Serkan Kiranyaz， Turker Ince， Alper Yildirim， et al. Evolutionary artificial neural networks by multi-dimensional particle swarm optimization [J]. Neural Networks， 2009， 22： 1448-1462.

[7] H.A. Abbass. An evolutionary artificial neural networks approach for breast cancer diagnosis [J]. Artificial Intelligence in Medicine， 2002 ， 25 （3） ： 265-281.

[8] J. Iionen， J.K. Kamarainen， J. Lampinen. Differential Evolution Training Algorithm for Feed-forward Neural Networks [J]. Neural Processing Letters， 2003， 17（1） ： 93-105.

[9] D.M. George， P.P. Vassilis， N.V. Michael. Neural network-based colonoscopic diagnosis using on-line learning and differential evolution [J]. Applied Soft Computing， 2004， （4） ： 369-379.

[10] B. Liu， L. Wang， Y.H. Jin， et al. Designing neural networks using hybrid particle swarm optimization [C]. Lecture Notes in Computer Science. Berlin ： Springer ， 2005 ： 391-397.

[11] 王剛， 高陽， 夏潔. 基于差異進化算法的人工神經網(wǎng)絡快速訓練研究 [J]. 管理學報， 2005， 2 （4） ： 450-454.

[12] L. B. Liu， Y. J. Wang， D. Huang. Designing neural networks using PSO-based memetic algorithm [C]. in： Proceedings of the Fourth International Symposium on Neural Networks （ISNN’07）， 2007， pp. 219-224.

篇5

關鍵詞：神經網(wǎng)絡；非線性回歸網(wǎng)絡；ARIMA模型

中圖分類號：TP393 文獻標識碼：A 文章編號；1009-3044（2017）07-0162-03

1介紹

預測股市指數(shù)及其趨勢已被認為是時間序列預測中最具挑戰(zhàn)性的應用之一。根據(jù)現(xiàn)有提出的有效市場理論，股價遵循隨機路徑，實際上不可能根據(jù)歷史數(shù)據(jù)制定特定的長期預測模型。ARIMA和ANN技術已經成功地用于建模和預測金融時間序列。與作為復雜預測系統(tǒng)的ANN模型相比，ARIMA模型被認為是更容易的訓練和預測技術。神經網(wǎng)絡的一個重要特征是能夠從他們的環(huán)境中學習，并通過學習在某種意義上提高性能。其中一個新的趨勢是專門的神經結構與學習算法的發(fā)展，提供替代工具用來解決特征提取，信號處理和數(shù)據(jù)預測等問題。近年來，在使用ARIMA模型進行金融時間序列預測的金融數(shù)據(jù)分析領域中進行了一系列研究。Meyler等人使用ARIMA模型來預測愛爾蘭通貨膨脹。Contreras等人使用ARIMA方法預測第二天的電價。FxJiger等人用于ARIMA模型來預測在土耳其通過燃料一次能源的需求。Datta使用相同的Box和Jenkins方法預測孟加拉國的通貨膨脹率。A1-Zeaud已經使用ARIMA模型來建模和預測銀行部門的波動率。

本文的結構如下。在本文的第二部分，我們簡要介紹ARIMA模型進行預測。接下來，給出了旨在預測特定股票收盤價的外部輸入的非線性自回歸網(wǎng)絡。應用于數(shù)據(jù)預測的基于ANN的策略是針對ARIMA模型進行分析的，并且在文章的第四部分中描述了這些模型的比較分析。關于報告的研究的結論在本文的最后部分提出。

2RIM模型

自回歸積分移動平均（ARIMA）模型和Box-Jenkins方法是一種統(tǒng)計分析模型。它主要用于時間序列分析的計量經濟學和統(tǒng)計學。ARIMA模型使用時間序列數(shù)據(jù)來預測系列中的未來點。非季節(jié)性ARIMA模型由ARIMA（p，d，q）表示，其中p，d，q是非負整數(shù)，它們分別是自回歸（AR），集成（I）和移動平均（MA）的參數(shù)。

（1）

（2）

（3）

可以使用ARMA過程開發(fā)的預測技術的擴展來解決預測ARIMA過程的問題。預測ARMA（p，q）過程中最常用的方法之一是用于計算最佳線性預測變量（Durbin-Levison算法，創(chuàng)新算法等）的遞歸技術類。在下面我們描述使用創(chuàng)新算法的遞歸預測方法。

3用于預測股票收盤價的基于ANN的模型

具有旨在預測特定股票的收盤價的外部輸入的非線性自回歸網(wǎng)絡的過程如下所示；

我們假設Yt是時間z時刻的股票收盤價。對于每個時刻t，我們用Xt=（Xt（1），Xt（2），…，Xt（n）表示與Yt顯著相關的指標的值的向量，即在Xt（i）和Yt之間的相關系數(shù)大于某一閾值。

我們研究中使用的神經模型是一個動態(tài)網(wǎng)絡。直接法用于建立股票平倉值的預測模型，具體描述如下。

（4）

（5）

（6）

所考慮的延遲對訓練集和預測過程具有顯著影響。我們使用相關圖為我們的神經網(wǎng)絡選擇適當?shù)拇翱诖笮?。我們需要消除部分自相關函數(shù)（PACF）在統(tǒng)計上不相關的滯后。

具有外部輸入的非線性自回歸網(wǎng)絡（NARX）是一個遞歸動態(tài)網(wǎng)絡，反饋連接包含網(wǎng)絡的多個層。NARX網(wǎng)絡的輸出可以被認為是某個非線性動態(tài)系統(tǒng)的輸出估計。由于在網(wǎng)絡訓練期間實際輸出是可用的，所以產生串并聯(lián)架構，其中估計輸出被實際輸出替代。這個模型的優(yōu)點有兩個方面；一方面，在訓練階段中使用的輸入更精確，另一方面，由于所得到的網(wǎng)絡具有前饋結構，因此可以使用靜態(tài)反向傳播類型的學習。

NARX網(wǎng)絡在這里用作預測器，預測公式如下：

（7）

在圖1中描述了該串并聯(lián)神經網(wǎng)絡的示例，其中d=2，n=10并且隱層中的神經元的數(shù)量是24。

隱藏層和輸出層中的神經元的激活函數(shù)可以以多種方式定義。在我們的測試中，我們采用邏輯函數(shù)（8）來模擬屬于隱藏層的神經元的激活函數(shù)，并且單位函數(shù)對屬于輸出層的神經元的輸出進行建模。

（8）

在訓練步驟之后，串并聯(lián)架構被轉換為并行配置，以便執(zhí)行多級提前預測任務。相應的神經網(wǎng)絡架構如圖2所示。我們使用標準性能函數(shù)，由網(wǎng)絡誤差的平均和確定。取消數(shù)據(jù)分割過程以避免提前停止。

用于更新權重和偏差參數(shù)的網(wǎng)絡訓練函數(shù)對應于具有反向傳播算法的自適應學習速率變體的梯度下降。在下面，我們考慮基于梯度的學習算法的類，其一般更新規(guī)則由下式所以：

（9）

在本文中我們用E來表示誤差函數(shù)，該誤差函數(shù)根據(jù)訓練集合上的平方差誤差函數(shù)的和來定義。具有自適應學習速率的基于反向傳播梯度的算法通過使誤差函數(shù)最小化而產生。

為了提供基于準牛頓法的正割方程的兩點近似，在每個時期定義的學習速率為；

（10）

在這種情況下，基于梯度的學習方法可能超過最佳點或者甚至發(fā)散。

4實驗結果

我們用樣本數(shù)據(jù)集測試了模型。樣本是在2009和2014之間的每周觀察量的一組變量S。集合S包含來自證券交易所的SNP股票的開盤價，收盤價，最高價和最低價，以及從股票市場的技術和基礎分析獲得的七個指標。

相關圖顯示，對于所有變量，PACF函數(shù)在第二滯后之后立即下降。這意味著所有變量的窗口大小可以設置為2。在我們的測試中，我們使用200個樣本用于訓練目的和100個樣本用于數(shù)據(jù)預測。

神經網(wǎng)絡參數(shù)基于以下過程確定：

1.初始化NN的參數(shù)。

2.使用6000個時期中的訓練樣本集訓練NN。

對于已經訓練的數(shù)據(jù)，根據(jù)MSE測量計算的總體預測誤差小于某個閾值。

在我們的測試中，閾值設置為0J 001。如果我們用T=（T（1），T（2），…，T（nr）表示目標值的向量，并用（P（1），P（2），…，P（nr））表示其條目對應于預測值的向量，則MSE誤差測量由：

（11）

使用上述技術獲得的結果報告如下。對已經訓練的數(shù)據(jù)預測計算的總體預測誤差為0.000 35。在已訓練的數(shù)據(jù)上計算的回歸系數(shù)和數(shù)據(jù)擬合在圖3中示出。在已經訓練樣本的情況下的網(wǎng)絡預測與實際數(shù)據(jù)在圖4中示出。在新數(shù)據(jù)預測上計算的總預測誤差為0.001 2。在圖5中示出了在新穎鏡那榭魷碌耐絡預測與實際數(shù)據(jù)。

我們用基于神經網(wǎng)絡的方法和ARIMA預測方法進行比較分析。首先，我們使用自相關函數(shù)（ACF）和部分自相關函數(shù)（PACF）來確定時間序列是否穩(wěn)定。在平穩(wěn)時間序列的情況下，ACF迅速衰減。由于ACF的計算值表明函數(shù)衰減非常緩慢，我們認為考慮的時間序列是非穩(wěn)定的。為了調整ARIMA模型的差分參數(shù)，分別計算了一階和二階差分序列。由于在使用一階差分系列的情況下，ACF的值非常小，我們得出結論，ARIMA模型的差分參數(shù)應設置為1。

基于以下標準調整與AR（p）和MA（g）過程相關的ARIMA模型的參數(shù)：BIC（貝葉斯信息準則）的相對小的值，調整的R2（確定系數(shù)）的相對高的值和相對小回歸標準誤差（SER）。根據(jù)這些結果，從上述標準的角度來看，最佳模型是ARIMA（1，1，1）模型。我們得出結論，最佳擬合模型是ARIMA（1，1，0）和ARMA（1，1，1）。

在使用ARIMA（1，1，0）模型的情況下，對新數(shù)據(jù)預測計算的總體預測誤差為0.007 7，而在使用ARIMA（1，1，1）模型的情況下為0.009 6。預測的結果如圖6所示。

篇6

【關鍵詞】人工神經網(wǎng)絡 BP神經網(wǎng)絡 圖像識別 識別技術

通常而言，所謂圖像處理與識別，便是對實際圖像進行轉換與變換，進而達到識別的目的。圖像往往具有相當龐大的信息量，在進行處理圖像的時候要進行降維、 數(shù)字化、濾波等程序，以往人們進行圖像識別時采用投影法、不變矩法等方法，隨著計算機技術的飛速發(fā)展，人工神經網(wǎng)絡的圖像識別技術將逐漸取代傳統(tǒng)的圖像識別方法，獲得愈來愈廣泛的應用。

1 人工神經網(wǎng)絡圖像識別技術概述

近年來，人工智能理論方面相關的理論越來越豐富，基于人工神經網(wǎng)絡的圖像識別技術也獲得了非常廣泛的應用，將圖像識別技術與人工神經網(wǎng)絡技術結合起來的優(yōu)點是非常顯著的，比如說：

（1）由于神經網(wǎng)絡具有自學習功能，可以使得系統(tǒng)能夠適應識別圖像信息的不確定性以及識別環(huán)境的不斷變化。

（2）在一般情況下，神經網(wǎng)絡的信息都是存儲在網(wǎng)絡的連接結構以及連接權值之上，從而使圖像信息表示是統(tǒng)一的形式，如此便使得知識庫的建立與管理變得簡便起來。

（3）由于神經網(wǎng)絡所具有的并行處理機制，在處理圖像時可以達到比較快的速度，如此便可以使圖像識別的實時處理要求得以滿足。

（4）由于神經網(wǎng)絡可增加圖像信息處理的容錯性，識別系統(tǒng)在圖像遭到干擾的時候仍然能正常工作，輸出較準確的信息。

2 圖像識別技術探析

2.1 簡介

廣義來講，圖像技術是各種與圖像有關的技術的總稱。根據(jù)研究方法以及抽象程度的不同可以將圖像技術分為三個層次，分為：圖像處理、圖像分析以及圖像理解，該技術與計算機視覺、模式識別以及計算機圖形學等學科互相交叉，與生物學、數(shù)學、物理學、電子學計算機科學等學科互相借鑒。此外，隨著計算機技術的發(fā)展，對圖像技術的進一步研究離不開神經網(wǎng)絡、人工智能等理論。

2.2 圖像處理、圖像識別與圖像理解的關系

圖像處理包括圖像壓縮、圖像編碼以及圖像分割等等，對圖像進行處理的目的是判斷圖像里是否具有所需的信息并濾出噪聲，并對這些信息進行確定。常用方法有灰度，二值化，銳化，去噪等；圖像識別則是將經過處理的圖像予以匹配，并且對類別名稱進行確定，圖像識別可以在分割的基礎之上對所需提取的特征進行篩選，然后再對這些特征進行提取，最終根據(jù)測量結果進行識別；所謂圖像理解，指的是在圖像處理與圖像識別的基礎上，根據(jù)分類作結構句法分析，對圖像進行描述與解釋。所以，圖像理解包括圖像處理、圖像識別和結構分析。就圖像理解部分而言，輸入是圖像，輸出是對圖像的描述解釋 。

3 人工神經網(wǎng)絡結構和算法

在上個世紀八十年代，McClelland與Rumelhant提出了一種人工神經網(wǎng)絡，截止現(xiàn)在，BP神經網(wǎng)絡已經發(fā)展成為應用最為廣泛的神經網(wǎng)絡之一，它是一種多層前饋神經網(wǎng)絡，包括輸入層、輸出層和輸入層輸出層之間隱藏層，如圖1所示，便是一種典型的BP神經網(wǎng)絡結構。

BP神經網(wǎng)絡是通過不斷迭代更新權值使實際輸入與輸出關系達到期望，由輸出向輸入層反向計算誤差，從而通過梯度下降方法不斷修正各層權值的網(wǎng)絡。

BP神經網(wǎng)絡結構算法如下所述：

（1）對權值矩陣，學習速率，最大學習次數(shù)，閾值等變量和參數(shù)進行初始化設置；

（2）在黑色節(jié)點處對樣本進行輸入；

（3）對輸入樣本，前向計算人工神經網(wǎng)絡隱層及輸出層各層神經元的輸出；

（4）使用梯度下降方法不斷修正各層權值及閥值，由梯度算子得到的權值為

（6）判斷，判斷是否大于最大迭代次數(shù)或者是否誤差已經達到要求。如果大于最大迭代次數(shù)或誤差達到要求，那么便直接轉到第（7）步，否則，轉到第（4）步對各個矩陣的權值繼續(xù)修正，反復訓練；

（7）看是否遍歷所有樣本，是則結束，否則跳回第（3）步繼續(xù)。

BP神經網(wǎng)絡操作簡單而有效，可通過Opencv的CvANN_MLP類， Matlab的模式識別工具箱Nprtool等實現(xiàn)，經驗得出在如下情況中人工神經網(wǎng)絡尤為適用：

（1）大量數(shù)據(jù)可用，卻不知道與輸出之間關系；

（2）問題的解決方案隨時間變化而變化；

（3）輸出是模糊的函數(shù)關系，而非精確數(shù)字。

4 人工神經網(wǎng)絡圖像識別

傳感器或攝像儀輸入圖像識別系統(tǒng)以后，其目標圖像不能夠與系統(tǒng)全部的參考圖像完全一樣， 這是由于對應噪聲干擾，光線不足和放縮旋轉等問題。 基于人工神經網(wǎng)絡對畸變圖像識別進行深層分析，并且利用 CCD 攝像頭對圖像信息進行采集，在此過程之中通過對攝像頭方位進行更改對易出現(xiàn)畸變的圖像進行采集，從而使得畸變圖像所帶信息組成樣本庫。在電腦里面輸入樣本庫中的圖像信息，并且進行模數(shù)的轉化，變成數(shù)字圖像，利用數(shù)字濾波來對數(shù)字圖像信息進行處理。在神經網(wǎng)絡之中輸入樣本圖像數(shù)字信息來進行訓練，一方面可以基于數(shù)字圖像的像素點集合組成輸入矩陣，用高維數(shù)據(jù)作為訓練樣本，通過主成分分析（PCA）的方法進行降維，大大簡化計算量；一方面可以基于數(shù)字圖像的特征空間進行聚類分割，提取幾何特征或者統(tǒng)計特征，輸入到SOFM神經網(wǎng)絡或者Hopfield神經網(wǎng)絡，從而使其生成圖像識別神經網(wǎng)絡系統(tǒng)。在進行圖像識別的時候使用CCD 攝像頭來采集識別圖像，并且把其模型轉化為數(shù)字圖像，預處理后，將其輸入到訓練好的神經網(wǎng)絡識別系統(tǒng)里面，就其可以開展快速的計算，并進行識別。把圖像識別技術與人工神經網(wǎng)絡理論有機結合起來，可以非常有效地實現(xiàn)神經網(wǎng)絡信息系統(tǒng)的一致性， 此外，還可以將其對網(wǎng)絡連接結果與權值進行存儲，促進管理效率的提高，并對于知識庫的構建也具有積極的作用。

5 結論

本文就基于人工神經網(wǎng)絡的圖像識別技術進行了詳細地闡述，由綜上研究可以基于人工神經網(wǎng)絡的圖像識別技術具有比較多的優(yōu)點以及比較高的可行性，然而，我們對該技術存在的網(wǎng)絡規(guī)模及復雜圖像識別準確度上還應繼續(xù)進行深入研究，以求技術突破。在將來，圖像識別技術隨著科技的不斷發(fā)展將會獲得更多的應用，其勢必會發(fā)展為一門獨立且具備強大生命力的學科

參考文獻

[1]王強，張小溪，韓一紅.基于神經網(wǎng)絡的圖像識別[J].電子設計工程，2012.

[2]雷建鋒，孫俊逸.基于人工神經網(wǎng)絡下的圖像識別的研究[J].現(xiàn)代電子技術，2008.

篇7

關鍵詞：項目管理 風險分析 BP 神經網(wǎng)絡 模型

中圖分類號：F282 文獻標識碼：A 文章編號：1674-098X（2015）10（c）-0062-02

1 工程項目中的風險

風險在任何工程項目中都存在，按照風險種類分類有自然風險、政治風險、經濟風險、技術風險、責任風險和決策風險等。工程項目實施過程中，可能遇到暴雨、洪水、泥石流、不良的地質條件等自然風險;工程所在國政局動蕩等政治風險;通貨膨脹、資金籌措困難等經濟風險;設計不完善、施工工藝很落后等技術風險;合約方違約等責任風險;信息失真和經驗缺失等帶來的決策風險。諸如此類風險都會造成工程項目的不確定性，如工期延長、成本超支、工程質量未達要求等，導致工程項目無法正常交付使用。

2 傳統(tǒng)風險分析的方法

傳統(tǒng)的風險分析方法可分為定性和定量兩種。

2.1 定性風險分析方法

定性風險分析的方法一般是憑經驗界定風險源，如列舉法、專家經驗法（Delphi法）及決策樹方法等。以專家經驗法為例，風險分析的過程為專家憑借在工程項目中的大量經驗識別出工程項目可能存在的風險源，并給出對每一類風險源的綜合印象，判明各種風險源可能對工程項目造成的破壞，是一種定性對風險的嚴重程度進行分析的方法。

2.2 定量風險分析方法

傳統(tǒng)的定量的風險分析方法是在定性分析的基礎上進行數(shù)學處理而實現(xiàn)的。如PRA（概率風險評估），DPRA（動態(tài)風險概率評估）及仿真通用軟件VERT（風險評審技術）等。在定性分析的基礎上，定量風險分析對工程項目中各個風險源發(fā)生的概率，給出各個風險源的風險量化指標，通過進行數(shù)學處理，得到工程項目中各類風險的量化值。

3 BP神經網(wǎng)絡模型

3.1 人工神經網(wǎng)絡模型

神經網(wǎng)絡的研究始于20世紀40年代，人工神經網(wǎng)絡，是指模擬人類神經細胞群學習特性的結構和功能而構成的一種信息處理系統(tǒng)或計算機系統(tǒng)，由于人工神經網(wǎng)絡模型適用于復雜環(huán)境，可實現(xiàn)多目標控制要求，并具有以任意精度逼近任意非線性連續(xù)數(shù)的特性，已應用于許多復雜控制系統(tǒng)的領域。

3.2 BP神經網(wǎng)絡

1986年D.E.Runelhart和J.L.McCelland及其研究小組提出PDP（Parallel Dis2t ributed Processing）網(wǎng)絡思想，他們還提出了一種網(wǎng)絡學習算法――BP算法（誤差反向傳播算法），至今在人工神經網(wǎng)絡中，影響最大、使用最廣泛的一類就是BP神經網(wǎng)絡。BP網(wǎng)絡在結構上分為輸入層、隱層和輸出層，是典型的多層網(wǎng)絡結構，層與層之間多采用全互連方式，同一層單元之間不存在相互連接。3層的BP神經網(wǎng)絡結構見圖1。

除輸入層單元外，BP神經網(wǎng)絡的其他基本處理單元均為非線性輸入輸出關系，層與層之間的的連接權值也是可以調節(jié)的，一般選用以下函數(shù)計算公式。

4 基于BP神經網(wǎng)絡的風險分析模型

在BP神經網(wǎng)絡的基礎上，我們建立模型對工程項目中的風險進行分析，可分為3個階段：風險辨識、BP神經網(wǎng)絡處理和風險評估。

4.1 風險辨識

辨識工程項目所面臨的風險為工程項目風險分析的第一階段，我們將工程項目所面臨的風險進行分類，分為6種：自然風險、政治風險、經濟風險、技術風險、責任風險和決策風險，也可根據(jù)具體工程項目實際情況確定風險分類;然后，根據(jù)已做出的工程項目風險分類，列出每一類風險可能會造成工程項目的無法正常完成的不確定因素。

4.2 BP神經網(wǎng)絡處理

根據(jù)風險辨識得到的工程項目風險因素清單，我們首先要對各種風險因素的歷史數(shù)據(jù)進行格式化處理，以便完成輸入層信息的輸入。還需提供歷史的項目風險系數(shù)，然后進行BP神經網(wǎng)絡中連接權值的訓練，得到輸入層、隱層及輸出層的之間權值。完成訓練后，在具體的某一工程項目中，即可根據(jù)現(xiàn)有的專家風險評估數(shù)據(jù)作為輸入，得到風險評價系數(shù)。

項目風險系數(shù)是一種評價項目的風險程度的指標，工期、費用和效益投入比是用于評價工程項目的3個客觀指標，工程項目的風險系數(shù)可以用下式表述。

式中：r為風險系數(shù);

、分別為實際工期和計劃工期;

、分別為實際費用和計劃費用;

、分別為實際效能和預計效能;

分別是時間、費用和效能的加權系數(shù)，結合工程項目對各種資源的要求確定3個指標的值，且滿足=1的條件。

4.3 風險評估

風險評價系數(shù)的取值越小，說明風險越小，取值越大，說明風險越大，風險狀況的分區(qū)需要根據(jù)工程項目的具體情況進行劃分。以下列出了5個區(qū)間的劃分方法。

（1）r<0.2，工程項目的風險很低，即使損失發(fā)生，對工期、費用和效益投入比的影響很小;

（2）0.2r<0.4，工程項目的風險較低，如果損失發(fā)生，對工期、費用和效益投入比有一定的影響;

（3）0.4r<0.6，工程項目的風險處于中等水平，如果損失發(fā)生，有出現(xiàn)重大損失的可能;

（4）0.6r<0.8，工程項目的風險較大，必須采取避險措施，杜絕損失發(fā)生;

（5）0.8r<1，工程項目的風險極大，建議重新進行對該工程項目決策論證。

5 結語

將人工神經網(wǎng)絡方法應用于工程項目風險分析之中，在大量的歷史數(shù)據(jù)的基礎上，采用BP神經網(wǎng)絡模型對風險進行定量分析，大大提高了對風險評價系數(shù)預測的準確性，為工程項目的投資決策提供可信度較高的風險評價方案，特別適用于有著豐富的同類項目實施經驗和資料的企業(yè)。

參考文獻

[1] 成虎.工程項目管理[M].北京：中國建筑工業(yè)出版社，2001.

[2] 雷勝強.國際工程風險管理與保險[M].北京：中國建筑工業(yè)出版社，1996.

[3] 聞新.Matlab神經網(wǎng)絡應用設計[M].北京：科學出版社，2001.

[4] 焦李成.神經網(wǎng)絡系統(tǒng)理論[M].西安：西安電子科技大學出版社，1991.

篇8

關鍵詞：新疆；棉花產量；神經網(wǎng)絡；預測

中圖分類號：F32 文獻標識碼：A

收錄日期：2012年9月5日

我國是紡織服裝業(yè)大國，棉花的穩(wěn)定供給對我國棉紡業(yè)意義重大。2011年新疆棉花種植面積2，393.9萬畝，產量289.8萬噸，連續(xù)19年保持面積、單產、總產、調出量全國第一。棉花產業(yè)發(fā)展的穩(wěn)定與否，不僅關系到國家棉花安全和棉紡工業(yè)穩(wěn)定發(fā)展，也關系到新疆農村經濟發(fā)展和社會的穩(wěn)定。而棉花產業(yè)的穩(wěn)定發(fā)展，離不開棉花產量的預測。分析與預測新疆棉花產量，不僅可以了解新疆棉花產量的走勢，而且有助于統(tǒng)籌安排新疆棉花的種植、消費、出口等相關事宜，從而穩(wěn)定棉花市場的供求，同時兼顧棉農的利益。

棉花屬于純經濟作物，受市場價格變化影響很大，因此棉花種植面積具有很大波動性，同時氣候變化對于棉花產量的影響至關重要。因此，相比糧食作物來說，棉花產量的預測具有較大難度。

時間序列預測和灰色系統(tǒng)GM（1，1） 等模型均是假設所有的影響因素都蘊含在單一歷史序列中，主要依靠總產量數(shù)據(jù)建立預測模型，需要的數(shù)據(jù)較少，比較容易操作；適合于具有長期趨勢的序列，對于波動比較劇烈的序列預測效果較差。目前，對新疆棉花產量預測的研究大部分都是此類。

回歸分析預測和神經網(wǎng)絡預測屬于因果關系預測，假定一個因素的變動是由另一個或幾個變量引起的，通過掌握自變量的變動可以知道因變量的變動趨勢。要求占有盡可能多的資料，而對數(shù)列的波動趨勢沒有特別要求?；貧w分析需要假設關系的數(shù)量模型形式，然后用最小二乘法擬合，而神經網(wǎng)絡則不需要假設數(shù)量關系的形式，通過反復多次的學習和訓練達到模擬變量關系的目的。本文擬選用BP神經網(wǎng)絡對棉花總產量進行預測。

一、建立人工神經網(wǎng)絡模型的方法

篇9

關鍵詞：BP神經網(wǎng)絡、圖像分割、特征提取

Abstract: the image recognition process including the image preprocessing, feature extraction, image understanding and analysis. Which BP artificial neural network in the image segmentation using better; In the feature extraction phase BP neural network is also very good find application, and obtain the better feature extraction results; In the image understanding and the analysis phase using neural network classifier design, can get accurate classification results.

Keywords: BP neural network, image segmentation, feature extraction

中圖分類號：TP183 文獻標識碼：A文章編號：

引言

BP人工神經網(wǎng)絡算法是現(xiàn)今應用較為廣泛的多層前向反饋式神經網(wǎng)絡算法，BP人工神經網(wǎng)絡有較好的容錯能力、魯棒性、并行協(xié)同處理能力和自適應能力，受到了國內外眾多領域學者的關注。由于神經網(wǎng)絡高效率的集體計算能力和較強的魯棒性，它在圖像分割方面的應用已經很廣泛，Jain和Karu采用了多通道濾波與前向神經網(wǎng)絡相結合的方法實現(xiàn)圖像紋理分割算法。神經網(wǎng)絡算法在特征提取階段，壓縮特征數(shù)量，以提高分類速度和精度。在圖像識別領域中神經網(wǎng)絡作為分類器的研究也得到了很大的進展，尤其是其學習能力和容錯性對于模式識別是非常有利的，在一定程度上提高了訓練速度和識別率。Le Cun等人提出了多層特征選擇(Multilayer Selection Procedure)方法用于字符識別，每一層神經網(wǎng)絡處理較低層次的特征，獲取該層特征信息并傳給上一層。

BP神經網(wǎng)絡的基本原理

人工神經網(wǎng)絡的研究起源于對生物神經系統(tǒng)的研究，它將若干處理單元（即神經元）通過一定的互連模型連結成一個網(wǎng)絡，這個網(wǎng)絡通過一定的機制可以模仿人的神經系統(tǒng)的動作過程，以達到識別分類的目的。人工神經網(wǎng)絡區(qū)別于其他識別方法的最大特點是它對待識別的對象不要求有太多的分析與了解，具有一定的智能化處理的特點。神經網(wǎng)絡的學習過程實際上就是不斷地調整權值和閾值的過程。根據(jù)有無訓練樣本的指導可以將神經網(wǎng)絡的學習方式分為兩種：監(jiān)督學習方式和非監(jiān)督學習方式，也稱為有導師指導學習方式和無導師指導學習方式。監(jiān)督學習方式，是在給定固定的輸入輸出樣本集的情況下，由網(wǎng)絡根據(jù)一定的學習規(guī)則進行訓練學習，每一次學習完成后，通過對比實際的輸出和期望的輸出，以此決定網(wǎng)絡是否需要再學習，如果還沒有達到期望的誤差，則將實際誤差反饋到網(wǎng)絡，進行權值和閾值的調整，使實際的誤差隨著學習的反復進行而逐步減小，直至達到所要求的性能指標為止。非監(jiān)督學習方式，是在沒有外界的指導下進行的學習方式，在學習過程中，調整網(wǎng)絡的權重不受外來教師的影響，但在網(wǎng)絡內部會對其性能進行自適應調節(jié)。

BP神經網(wǎng)絡分類器的設計

BP神經網(wǎng)絡是基于誤差反向傳播算法(Back Propagation Algorithm，BPA)的多層前向神經網(wǎng)絡，由輸入層、輸出層、一個或多個隱含層所組成。BP神經網(wǎng)絡結構確定之后，通過對輸出和輸入樣本集進行訓練，反復修正網(wǎng)絡的權值和閾值，達到學習訓練的期望誤差，以使網(wǎng)絡能夠實現(xiàn)給定的輸入輸出映射關系。BP人工神經網(wǎng)絡的學習過程分為兩個階段，第一階段是輸入己知的學習樣本數(shù)據(jù)，給定網(wǎng)絡的結構和初始連接權值和閾值，從輸入層逐層向后計算各神經元的輸出；第二階段是對權值和閾值進行修改，即根據(jù)網(wǎng)絡誤差從最后一層向前反饋計算各層權值和閾值的增減量，來逐層修正各層權值和閾值。以上正反兩個階段反復交替，直到網(wǎng)絡收斂。具體實現(xiàn)步驟如下：

(1) 網(wǎng)絡的初始化：首先對輸入的學習訓練樣本進行歸一化處理，對權值矩陣W和閾值向量賦初值，將網(wǎng)絡計數(shù)器和訓練次數(shù)計數(shù)器置為1，網(wǎng)絡誤差置為0。

(2) 輸入訓練樣本，計算輸入層，隱含層以及輸出層的實際輸出。

(3) 計算網(wǎng)絡輸出誤差。將實際的輸出和期望的輸出值進行對比，采用均方根誤差指標作為網(wǎng)絡的誤差性能函數(shù)。

(4) 若誤差還沒達到期望標準，則根據(jù)誤差信號，逐層調整權值矩陣和閾值向量。

(5) 若最終調整之后的網(wǎng)絡輸出達到了誤差范圍之內，則進行下一組訓練樣本繼續(xù)訓練網(wǎng)絡。

(6) 若全部的訓練樣本訓練完畢，并且達到了期望的誤差，則訓練結束，輸出最終的網(wǎng)絡聯(lián)接權值和閾值。

BP神經網(wǎng)絡可以逼近任意連續(xù)函數(shù)，具有很強的非線性映射能力，而且BP神經網(wǎng)絡中間層數(shù)、各層神經元數(shù)及網(wǎng)絡學習速率等參數(shù)均可以根據(jù)具體情況設定，靈活性較強，所以BP神經網(wǎng)絡在許多領域中廣泛應用。一般來說，神經網(wǎng)絡方法應同傳統(tǒng)的人工智能方法相聯(lián)系的。神經網(wǎng)絡本身結構及性能上的特點使其對問題的處理更富有彈性，更加穩(wěn)健。神經網(wǎng)絡的基本特點是采用自下而上的設計思路，使其容易確定具體的目標分割或識別算法，在增加了不確定因素的同時也產生了網(wǎng)絡最優(yōu)化的問題，這就是所謂的偽狀態(tài)(pseudo-trap)。盡管在實踐中并非所有的偽狀態(tài)對應完全失敗的結果，但是畢竟這不符合對之完美的或者說合理的期望。人工智能則一般采用自上而下的方法，偏重于邏輯推理建立系統(tǒng)模型。因此將神經網(wǎng)絡同人工智能結合起來，相當于賦予神經網(wǎng)絡高層指導的知識及邏輯推理的能力，具有潛在的優(yōu)勢。

輸入層中間層 輸出層

圖1 BP人工神經網(wǎng)絡結構

BP神經網(wǎng)絡的訓練

4.1 BP神經網(wǎng)絡的設計

BP神經網(wǎng)絡的設計主要包括兩方面內容：一是神經網(wǎng)絡結構的確定，特別是隱含層層數(shù)及隱含層單元數(shù)目的確定；二是高精度收斂問題，隱含層和隱含層單元數(shù)過多，將導致訓練時間過長并出現(xiàn)過度擬和的問題，隱含層單元數(shù)過少又導致網(wǎng)絡收斂速度慢甚至不收斂，達不到誤差精度要求。在確定隱含層層數(shù)以及隱含層單元數(shù)目時，沒有一個嚴格的理論依據(jù)指導，需要根據(jù)特定的問題，結合經驗公式確定大致范圍來進行逐步試算比較得到。

4.2 數(shù)據(jù)預處理

為了加快網(wǎng)絡的訓練速度，通常在網(wǎng)絡訓練前進行神經網(wǎng)絡輸入和輸出數(shù)據(jù)預處理，即將每組數(shù)據(jù)都歸一化變?yōu)閇-1,1]之間的數(shù)值的處理過程。

4.3 神經網(wǎng)絡的訓練

%當前輸入層權值和閾值

inputWeights=net.IW{1,1}

inputbias=net.b{1}

%當前網(wǎng)絡層權值和閾值

layerWeights=net.LW{2,1}

layerbias=net.b{2}

%設置訓練參數(shù)

net.trainParam.show = 1000;%限時訓練迭代過程

net.trainParam.lr = 0.1; %學習率，缺省為0.01

net.trainParam.epochs = 100000; %最大訓練次數(shù)，缺省為100

net.trainParam.goal = 0.001; %訓練要求精度，缺省為0

[net,tr]=train(net,P,T);%調用 TRAINGDM 算法訓練 BP 網(wǎng)絡

A = sim(net,P) %對 BP 網(wǎng)絡進行仿真

E = T - A;%計算仿真誤差

MSE=mse(E)

結束語

BP網(wǎng)絡因為具有較強的學習性、自適應型和容錯性，在很多領域均已經大量運用。本文將BP人工神經網(wǎng)絡運用于圖像的識別，探索人工神經網(wǎng)絡在圖像識別領域中的重要的現(xiàn)實意義。研究表明，BP人工神經網(wǎng)絡應用于圖像識別在一定程度上提高了識別的效率和準確率。但是，BP神經網(wǎng)絡算法還存在以下幾點不足之處：（1）權的調整方法存在局限性，容易陷入局部最優(yōu)；（2）網(wǎng)絡的結構需要提前指定或者在訓練過程中不斷的修正；（3）過分依賴學習樣本，由于學習樣本是有限的或者學習樣本質量不高，那么會導致訓練達不到效果；（4）對于規(guī)模較大的模式映射問題，存在收斂速度慢、容易陷入局部極小點、判斷不準確等缺陷?？傊?，如何解決以上問題，如何進一步提高識別精度，擴大識別范圍，使之更具有更好的工程實用性，是有待進一步研究的內容。

參考文獻：

[1] WE Blanz，S L Gish．A Connectionist Classifier Architecture Applied to Image Segmentation．Proc．10th ICPR，1990，272-277．

[2] Y Le Cun，L D Jackel，B Boser，J S Denker，H P Graf，I Guyon，D Henderson，R E Howard，and W Hubbard，Handwriten Digit Recognition：Applications of Neural Network Chips and Automatic Learning，IEEE Comm．Magazine．Nov．1989．

[3] A K Jain and K Karu，Automatic Filter Design for Texture Discrimination，Proc．12th Int’l Conf．NeuralNetworks，Orlando，Oct．1994，454-458．

[4] 邊肇其，張學工．模式識別（第二版）[M]．清華大學出版社，北京．1999，12．

[5] 陳書海，傅錄祥．實用數(shù)字圖像處理[M]．科學出版社，北京．2005．

[6] 萬來毅，陳建勛．基于BP神經網(wǎng)絡的圖像識別研究[J]．武漢科技大學學報（自然科學版）．2006，6．

[7] 叢爽．面向MATLAB工具箱的神經網(wǎng)絡理論與應用（第2版）[M]．北京：中國科學技術出版社，2003．

[8] 王娟，慈林林等．特征方法綜述[J]．計算機工程與科學．2005．27（12）．68-71．

[9] 賈花萍．基于神經網(wǎng)絡的特征選擇與提取方法研究[J]．網(wǎng)絡安全．2008，7．33-35．

[10] 龔聲榮，劉純平等編著．數(shù)字圖像處理與分析[M]．清華大學出版社，北京．2006．7．

篇10

關鍵詞：人工神經網(wǎng)絡；電力變壓器；故障診斷

中圖分類號：TP393 文獻標識碼：A 文章編號：1009-3044（2016）32-0174-03

1引言

電力變壓器在長期的運行中，故障是不可避免的。變壓器一旦損壞會造成大面積停電且故障修復耗時長，因此變壓器故障的及早發(fā)現(xiàn)和處理具有非常重要的意義。

電力變壓器的故障一般有機械故障、熱性故障和電性故障，由于機械故障一般都以熱性故障和電性故障的形式體現(xiàn)，因此主要以熱性故障和電性故障為主。熱性故障一般為中低溫過熱和高溫過熱，電性故障一般為低能放電和高能放電。傳統(tǒng)的變壓器故障診斷方法存在著效率偏低以及診斷準確率不高的問題，因此我們可以利用人工神經網(wǎng)絡的方法對電力變壓器的故障進行自動診斷。

2人工神經網(wǎng)絡

2.1 人工神經網(wǎng)絡概述

人工神經網(wǎng)絡（ANNs）是對人腦或生物神經網(wǎng)絡若干基本特性的抽象和模擬。

依靠系統(tǒng)的復雜程度，ANNs可通過調整內部大量節(jié)點之間相互連接的關系，進而對有效信息進行可靠處理。而BP神經網(wǎng)絡通常是指基于誤差反向傳播（Back Propagation）算法的多層前向神經網(wǎng)絡， 不僅能對輸入-輸出模式映射關系進行學習和存儲，而且對描述此種映射關系的數(shù)學方程不需要事前揭示。最速下降法為BP神經網(wǎng)絡的學習規(guī)則，通過反向傳播來持續(xù)調整網(wǎng)絡的權值和閾值，使其誤差平方和最小。

本文采用BP神經網(wǎng)絡的三層前饋結構，分別為（input）、隱含層（hide layer）和輸出層（output layer）。輸入層的節(jié)點數(shù)為5（對應電力變壓器油中氣體H2、CH4、C2H4、C2H2、C2H6），輸出層則有5個節(jié)點（對應無故障，中低溫過熱，高溫過熱，低能放電，高能放電），隱含層的節(jié)點數(shù)根據(jù)經驗公式確定：

其中，r為隱層的節(jié)點數(shù)，n為輸入的節(jié)點數(shù)，m為輸出的節(jié)點數(shù)，a則為1～10之間的常數(shù)。經試驗，本文r取13。各層間神經元相互連接，且各層內沒有連接。如圖1所示：

BP神經網(wǎng)絡的訓練首先對每一層的權值和偏差進行初始化（用小的隨機數(shù)），以免被大的加權輸入飽和，并且需對一些參數(shù)進行設定及初始化（期望的誤差最小值、最大循環(huán)次數(shù)、修正權值的學習效率）；第二步需要對網(wǎng)絡各層輸出矢量及網(wǎng)絡誤差進行計算；第三步需要對各層反向傳播的誤差變化、各層權層的修正值及新的權值進行計算，最后需要對權值修正后的誤差平方和進行計算，若符合要求則訓練完成，若不符合要求則繼續(xù)。

2.2電力變壓器故障診斷的BP神經網(wǎng)絡設計

2.2.1樣本數(shù)據(jù)的定義

電力變壓器的故障主要體現(xiàn)為中低溫過熱、高溫過熱、低能放電和高能放電。電力變壓器的故障數(shù)據(jù)一共為70組，其中樣本集數(shù)據(jù)為50組，測試集數(shù)據(jù)為20組，且分別定義樣本數(shù)據(jù)如下：

無故障，記為10000；

中低溫過熱，記為01000；

高溫過熱，記為00100；

低能放電，記為00010；

高能放電，記為00001。

2.2.2樣本數(shù)據(jù)的預處理

為提高神經網(wǎng)絡的訓練效率，本論文對數(shù)據(jù)進行了標準化處理，使其落入[-1，1]區(qū)間；并且對輸入樣本集數(shù)據(jù)進行了主元分析，以減小各樣本矢量的相關性，從而達到降維的目的。

2.2.3 BP神經網(wǎng)絡設計參數(shù)設置

MATLAB中，BP神經網(wǎng)絡設計需要定義有關參數(shù)：訓練步數(shù)、顯示訓練結果的間隔步數(shù)、訓練目標誤差、訓練允許時間和訓練中最小允許梯度值等，最終可返回訓練后的權值、循環(huán)訓練的總數(shù)和最終誤差。神經網(wǎng)絡對象的一些主要訓練參數(shù)及含義如表1所示。

2.2.4 BP神經網(wǎng)絡驗證

表2列出了20組測試集數(shù)據(jù)，最后一列為網(wǎng)絡期望輸出，對應變壓器的實際故障類型。

由電力變壓器故障診斷的誤差變化曲線可知：在使用BP神經網(wǎng)絡法對網(wǎng)絡進行訓練時，網(wǎng)絡只訓練了112步，速度非常的快。網(wǎng)絡的訓練均方誤差此時已經達到目標誤差0.01的數(shù)量級，因此該網(wǎng)絡可用。對樣本集數(shù)據(jù)進行訓練后，我們可得到一個相關的BP神經網(wǎng)絡模型，再用測試集數(shù)據(jù)對改模型進行驗證，驗證結果如表3所示。（注：圖中*號表示該BP神經網(wǎng)絡模型診斷錯誤的數(shù)據(jù)組）

由以上BP神經網(wǎng)絡自動診斷結果可以得知：電力變壓器故障診斷正確的個數(shù)為18個，故診斷正確率為90%左右。

3 結論

本文應用人工神經網(wǎng)絡的方法對電力變壓器的故障進行了自動診斷，診斷正確率可達90%。隨著計算機技術和人工智能技術的發(fā)展，利用人工神經網(wǎng)絡進行變壓器的故障診斷有利于有效地實現(xiàn)對故障的綜合診斷，從而提高故障診斷的準確性，可靠性和診斷效率，為變壓器故障診斷技術的發(fā)展拓展新的途徑。

參考文獻：

[1] 張錚，徐超，任淑霞，等.數(shù)字圖像處理與機器視覺――Visual C++與Matlab實現(xiàn)[M].北京：人民郵電出版社，2014.

[2] 馬銳.人工神經網(wǎng)絡原理[M].北京：機械工業(yè)出版社，2010.

[3] 郭磊，董秀成.BP神經網(wǎng)絡在變壓器故障診斷中的應用[J] .西華大學學報，2008（5）：10-13.

[4] 殷躍.基于BP神經網(wǎng)絡的電力變壓器故障診斷的研究[D].吉林：吉林大學通信工程學院，2007.

[5] 王連成.基于神經網(wǎng)絡的DGA法在變壓器故障診斷中的應用研究[D].黑龍江：哈爾濱工業(yè)大學電氣工程及自動化學院，2009.

[6] 李霖.基于BP神經網(wǎng)絡的變壓器故障診斷方法研究[D].湖南：長沙理工大學電氣與信息工程學院，2013.

[7] 曾成碧，蒲維，曾先鋒.BP神經網(wǎng)絡在油浸式變壓器過熱性故障診斷中的應用[J]. 四川電力技術，2012（4）：60-63.

[8] 陳小玉.改進的神經網(wǎng)絡在變壓器故障診斷中的應用[J].計算機仿真，2012（8）：318-321.

[9] 宋彩利， 吳宏岐.神經網(wǎng)絡在變壓器故障診斷中的應用研究[J].微計算機信息，2008（34）：155-157.