神经网络基本原理范文

前言：我们精心挑选了数篇优质神经网络基本原理文章，供您阅读参考。期待这些文章能为您带来启发，助您在写作的道路上更上一层楼。

第1篇

【关键词】BP神经网络；预测；误差

1.引言

许多金融学家和计量学家对发达国家成熟市场的波动性进行了广泛的研究，但是在对股市的预测上，由于人们在知识、能力、经验上存在着较大的差异，加之问题本身又具有很大的随机性和高度的非线性，即使是一些金融专家、炒股高手对出现的同一复杂行情进行分析，往往也会得出不同的结论。此外，传统方法还要事先知道各种参数，以及这些参数在什么情况下应作怎样的修正。这都给预测股市带来一定的困难。

基于以上股市预测的困难性，本文提出了人工神经网络的预测方法。随着计算机、人工智能尤其是专家系统的发展，人工神经网络技术逐渐成熟并开始应用于各个领域。人工神经网络（ANN，简称神经网络）作为一种由大量简单神经元广泛相互联接而成的非线性映射或自适应动力系统，恰好能有效解决股市预测处理中常见的困难，因此它很快在股市预测分析与处理领域得到了广泛的应用。

2.BP神经网络介绍

2.1 BP 网络算法的基本原理

2.1.1 标准的BP 网络算法的基本原理

BP(Back Propagation)网络是反向传播的多层前馈式网络，是目前使用最为广泛的一种人工神经网络。它的核心是BP算法，一种对于多基本子系统构成的大系统进行微商计算的严格而有效的方法，采用最小均方差学习方式。BP 神经网络的原理说到底就是给它一些输入变量，然后就有一个输出，输出值的情况与实际的情况进行比较，差多少，然后再进行网络的内部调整，属于有导师的学习规则，使得网络输出与实际逼近。

神经网络能学习和存贮大量的输入―输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。人工神经网络由非线性函数组成，而由一系列不同权重的线性过滤器组合而成：

2.1.2 BP网络算法的优化

由于常用的BP算法主要缺点为收敛速度慢，局部极值，难以确定隐含层和隐含层的个数，使得在实际应用中BP算法很难应用，因此，出现了许多改进算法。BP算法的改进主要有两种途径，一种是采用启发式学习方法；另一种则是采用更有效的优化算法，本文采用了动量法和学习率自适应调整的策略，从而提高了学习速度并增加了算法的可靠性。动量法降低了网络对于误差曲面局部极值的敏感性，有效地抑制了网络陷于局部极小。

2.2 BP神经网络的模型识别及步骤

模式通常指对事物的一种定量描述或结构描述，“识别”是指对客观事物按其物理特征进行分类。模式识别的基本原理就是从待识别对象和理想标本之间若干特征的相似性推断它们之间总体的相似性。BP神经网络模式识别过程分为训练阶段和模式分类阶段，分为初始化、数据与处理、网络训练以及模式分类四个步骤。以下利用实证分析来进行着四个步骤。

3.实例分析

下面以上证的某股600个交易日的股票价格收盘指数作为原始样本数据，对上述神经网络模型进行求解，预测20天的收盘价，与实际收盘价进行比较，并求出其误差：

式中，表示第日的实际收盘指数，表示第日的预测值，表示误差。主要按照如下几部分来处理：（1）准备600个数据的时间序列，进行归一化。BP神经网络中每个神经元的输出值由传递函数Sigmoid函数来计算，其输出值的范围是（0，1）；（2）留出最后20个数据，作为预测检验使用；（3）绘制图像，包括实际值和预测值，能量函数；（4）分析实际和预测两曲线的趋势。

采用I-J-K学习模型，该模型是输入层I个神经元，隐层J 个神经元，输出层K个神经元。利用BP神经网络模型训练500次、800次、1000次的输出值和期望值以及能量函数（或者叫误差函数）E，结果见图1到图3。

通过上面的图示，可以看到用BP神经网络预测的效果比较明显，这说明该模型适用于短期预测吗，股市的波动在很多地区都是非常剧烈的，各种因素的综合作用也使得长期股指的变动具有极大的不确定性，使得预测变得很困难。而BP网络的算法原理和自学习的特点使其能够充分挖掘出隐含在样本数据中的规律性，实现从输入空间到输出空间的非线性映射，对样本数据进行精确的拟合。从而BP神经网络的方法对于股市上的一些很难看出规律的数据列的预测而言，无疑是一个比较精确的预测方法。

4.结论

本文介绍了股市的特点以及股市预测的困难性，提出了利用BP神经网络的方法来解决股市预测问题。文章介绍了BP神经网络算法的基本原理，BP神经网络算法的优化，BP神经网络模型识别及步骤，最后后以上海证券交易所每日股票价格收盘指数为分析对象，把原理应用于实际，利用BP神经网络对股票价格收盘指数进行了短期预测，并计算出预测值和实际值的误差。通过实验发现该模型收敛速度快，预测精度非常高，对预测短周期内股指波动具有较强的适用性。

参考文献

[1]高琴.人工神经网络在股市预测模型中的应用[J].微电子学与计算机,2007年第24卷第11期.

[2]周翠红,路迈西.线性回归与人工神经网络预测煤炭发热量[J].煤炭科学技术,第37卷第12期.

[3]尹庆双,奉莹.人工神经网络在第三产业就业分析中的应用[J].人口与经济,2009年第6期.

[4]邹文安,刘宝,姜波,杨春生.基于Excel 技术平台人工神经网络BP模型及应用[J].水文,第30卷第1期.

[5]康进,刘敬伟.非参数回归估计与人工神经网络方法的预测效果比较[J].统计与决策,2009年第23 期.

[6]杨本昭,田耕.基于人工神经网络的客户价值分类研究[J].科技管理研究,2007年第12期.

第2篇

关键词：建筑电气设备故障；模糊理论与神经网络；设备故障诊断专家系统

中图分类号：TP207 文献标识码：A DOI：10.11974/nyyjs.20160132074

随着当今社会经济的不断发展，人们对生活品质的追求越来越高，电气设备变得多样化和先进化，不同区域间联系更加紧密，而在给人们的生活带来便利的同时，简单的人工故障诊断方法已经无法满足结构日益复杂、功能日益完善的电气系统，建立电气设备控制系统智能故障诊断专家系统已经成为目前能满足社会需求的选择。近年来，模糊理论被广泛的应用于建立故障诊断神经网络，将模糊系统与神经网络技术结合而形成的故障诊断技术也正在发展和应用。

1 建筑电气设备常见故障类型及危害

1.1 电气设备常见故障类型

1.1.1 电源故障

1.1.2 线路故障

1.1.3 元器件故障

1.1.4 防雷接地处理故障

1.2 电气设备故障危害

电气设备的运行需要很多电器元件的相互配合，产生故障通常是因为电能或控制信息在传递、分配、转换过程中失去控制。断路、短路、异常接地、漏电、电气设备或电器元件损坏、电子设备受电磁干扰而发生错误动作、控制系统元件的偶然失效都属于电气设备故障[1]，而这些故障也很有可能造成大范围的人员伤亡以及造成严重的财产损失，一旦发生，也会造成其他相关领域不同程度的瘫痪。由此可见，电气设备出现故障的概率较高，危害范围也比较大。

2 神经网络与模糊理论

神经网络是一种模仿动物神经网络行为的特征，进行分布式并行信息处理的算法数学模型[2]。这个模型可以根据不同系统自己的特征来选择处理不同信息的方式，在很多不同领域都有比较广泛的应用，当然，它本身也有一些缺陷，比如它不能求解不确定性问题、不能处理符号性信息等，因此，它需要结合其它相关理论和方法来弥补自身的不足，以便更好地解决特定领域中的问题。

模糊理论是指用到了模糊集合的基本概念或连续隶属度函数的理论[3]。模糊控制是一种基于规则的控制，它可以直接采用语言型控制规则，在设计过程中不需要建立被控对象的精确数学模型，控制原理和策略通俗易懂，便于人们接受与理解，控制效果好，具有一定的智能水平，应用起来很方便，适用于对那些数学模型难以获取、动态特性不易掌握或变化非常显著的对象。模糊控制器是一种比较容易控制、掌握起来比较理想的非线性控制器，具有一定的适应能力和强健性。

将模糊系统与神经网络技术相结合而形成的模糊神经网络可以作为对电气设备进行故障诊断的模型，这一技术的提出为电气设备故障的诊断带来发展和进步，模糊理论被广泛的应用于建立故障诊断神经网络，这2种理论的结合将会给故障诊断研究提供解决思路，值得推广应用[4]。

3 建立电气设备故障诊断系统

由于电气设备故障机理的复杂性，系统在实际运用过程中，可能会发生随机故障模式，故障征兆信息的正确与否直接关系到故障诊断的正确性，因此利用现有的电气设备系统控制平台，对电气设备控制系统的信号进行实时采集和及时与PC 机进行通信，建立电气设备控制系统故障诊断系统便显得特别重要。

3.1 BP神经网络模型

BP（Back Propagation）模型是一种最常用的人工神经网络模型，它的基本原理为利用误差反向传播算法，从而得到多层前向神经网络模型。在故障诊断方面使用BP模型在一定条件下能够加强工作效率，使得故障诊断问题变得更加直观。利用模糊理论与神经网络相结合的模糊神经网络解决建筑电气设备故障的诊断，是一种智能化控制的手段，也将逐渐发展成为未来的趋势[5]。其模型原理图如图1。

要建立模糊神经网络系统，要根据相关理论或实际工作中的经验，将故障现象和故障原因相对应，作为系统的学习样本。按照输入与输出相对应的关系输入学习样本，系统经过内部的算法不断提高精度，当精度达到设定的要求时，模糊神经网络系统的学习过程结束。此时，将测试样本的输入数据放入系统输入端，如果输出数据与测试样本基本相同，那么模糊神经网络系统建立成功。

在模糊神经网络系统的实际使用时，必然会遇到输入数据与样本不同的状况。根据内部算法，系统将会找到与学习样本最相似的一组数据作为参考，自主得到输出数据。与此同时，如果系统自主算出的结果得到采纳，那么这组数据将会做为新的样本存入数据库，成为参考数据。

3.2 BP学习算法

目前，BP算法是应用很广泛、完善性比较高的神经网络训练算法，方便、容易实现、计算量小、并行性强是这个方法领先其他算法的优势。BP算法的基本原理[6]为先求解误差函数的最小值，根据梯度下降法，按误差对权值做负反馈。

BP算法需要依次根据输入对输出进行矫正，也就是对每组数据都要计算比对。然而，全局误差的梯度下降算法，要求连接权和阈值的矫正是在批量进行学习样本的输入之后再进行的，所以要修改各个连接权值。利用梯度下降法来修改各个连接权值，以便达到近似全局误差的算法效果。全局误差梯度下降算法流程如图2所示。

4 结 语

电气设备的故障诊断已经成为值得重视的问题，为保证运行系统能够正常运行，因此需要建立起更加科学完善的电气设备管理系统，逐渐减少电气设备运行出现故障的可能性，保障电力系统的稳定能力，本文简单介绍将模糊理论与神经网络结合，更好的解决电气设备故障问题，结合传感器检测技术、自动控制技术、通信与网络技术等方法，建立电气设备控制故障诊断系统，希望可以早日应用到生活中的建筑电气设备故障诊断中去。

参考文献

[1]电气设备及控制电路常见故障分析[EB]. 电工学习网.

[2]田景文.人工神经网络算法研究与应用[M]. 北京理工大学出版社，2006.

[3]诸静.模糊控制原理与应用[M].机械工业出版社，1995.

[4]龙祥，钱志博.模糊理论在设备故障诊断神经网络中的典型应用[J].广东工业大学学报，2006.

[5]陈流豪.神经网络BP算法研究综述[J].电脑知识与技术，2010.

第3篇

【关键词】BP神经网络；函数逼近

1.绪论

人工神经网络（artificial neural network，ANN）是模仿生物神经网络功能的一种经验模型。生物神经元受到传入的刺激，其反应又从输出端传到相联的其它神经元，输入和输出之间的变换关系一般是非线性的。

1.1 BP神经网络定义

BP （Back Propagation）神经网络是一种神经网络学习算法。相邻层之间各神经元进行全连接，而每层各神经元之间无连接，网络按有教师示教的方式进行学习，当一对学习模式提供给网络后，各神经元获得网络的输入响应产生连接权值（Weight）。此过程反复交替进行，直至网络的全局误差趋向给定的极小值，即完成学习的过程。

1.2 BP神经网络模型及其基本原理

网络的输入层模拟的是神经系统中的感觉神经元，它接收输入样本信号。输入信号经输入层输入， 通过隐含层的复杂计算由输出层输出，输出信号与期望输出相比较，若有误差，再将误差信号反向由输出层通过隐含层处理后向输入层传播。在这个过程中，误差通过梯度下降算法，分摊给各层的所有单元，从而获得各单元的误差信号，以此误差信号为依据修正各单元权值，网络权值因此被重新分布。此过程完成后， 输入信号再次由输入层输入网络，重复上述过程。这种信号正向传播与误差反向传播的各层权值调整过程周而复始地进行着，直到网络输出的误差减少到可以接受的程度，或进行到预先设定的学习次数为止。权值不断调整的过程就是网络的学习训练过程。

2.BP网络在函数逼近中的应用

2.1 基于BP神经网络逼近函数

步骤1：假设频率参数k=1，绘制要逼近的非线性函数的曲线。

步骤2：网络的建立

应用newff（）函数建立BP网络结构。隐层神经元数目n可以改变，暂设为n=3，输出层有一个神经元。选择隐层和输出层神经元传递函数分别为tansig函数和purelin函数，网络训练的算法采用Levenberg Marquardt算法trainlm。

同时绘制网络输出曲线，并与原函数相比较，结果如图3.3所示。

其中 “――” 代表要逼近的非线性函数曲线；

“……” 代表未经训练的函数曲线；

因为使用newff（ ）函数建立函数网络时，权值和阈值的初始化是随机的，所以网络输出结构很差，根本达不到函数逼近的目的，每次运行的结果也有时不同。

步骤3：网络训练

应用train（）函数对网络进行训练之前，需要预先设置网络训练参数。训练后得到的误差变化过程如图2.1所示。

步骤4： 网络测试

对于训练好的网络进行仿真：

其中 “――” 代表要逼近的非线性函数曲线；

“” 代表未经训练的函数曲线；

“” 代表经过训练的函数曲线；

从图中可以看出，得到的曲线和原始的非线性函数曲线很接近。这说明经过训练后，BP网络对非线性函数的逼近效果比较好。

3.结束语

神经网络在近几年的不断发展，在人工智能、自动控制、计算机科学、信息处理、机器人、模式识别等众多方面都取得了不错的成绩，给人们带来了很多应用上的方便，和一些解决问题的方法，期待神经网络可以应在在更多的领域，为人类做出更大的贡献。

参考文献：

[1] 刘焕海，汪禹.《计算机光盘软件与应用》. 北京： 高等教育出版社，2011.10：15-30.

第4篇

【关键词】故障诊断;基本原理;神经网络;实际应用

引言

电梯在实际生活中出现不正常运行、停运等故障是在所难免的，而作为高层建筑中主要的垂直交通工具如果不能及时准确的查明故障原因并维修往往会给乘客带来巨大的生命威胁。只有保证电梯的安全运行，及时的发现故障并解决故障，才能够为乘坐电梯的乘客提供合格的安全保证。目前，国内在用的电梯缺乏完善的故障诊断系统，仅仅依靠维修技术人员的经验以及简单的诊断仪器已经不能够及时的解决复杂的电梯故障问题。神经网络技术可以应用于复杂多模式的故障诊断并且既可以用于实时监测也可以进行离线诊断，在系统模式非常复杂或者根本不知道系统模式的情况都可以应用，这些特点恰恰解决了传统方法中最最难以解决的问题。因此必须加快神经网络技术应用于诊断电梯故障的步伐，形成完善的故障诊断系统，才能更及时准确的查明故障原因进一步及时的解决问题，保证乘客的人身安全。

一、电梯的运行原理和电梯故障的特点

只有清楚地了解电梯控制系统的运行原理才能够及时准确的诊断出电梯故障原因，因此清楚的了解电梯运行原理，每一个电梯维修人员必须要做到。电梯运行过程总体上可分为以下几个阶段：第一、登记层外召唤信号和登记内选指令阶段;第二、电梯门关闭或者电梯按照系统指令停运阶段;第三、启动阶段;第四、在到达信号记录的楼层前进行减速制动;第五、平层开门阶段。在整个过程中电梯需要从外界接收信号并处理，然后完成相应的指令或者输出信号，由此可以将电梯看作是一个完整的独立的系统，只需要外界给予相应的信号就可以自动的做出动作。电梯系统内部复杂的构件紧密的结合在一起，正是如此才使得电梯系统故障具有了复杂性、层次性、相关性以及不确定性的特点。

二、神经网络技术基本原理

生物学上的神经是由一个个简单的神经元相互连接进而形成了复杂的庞大的神经系统，同理，神经网络就是由大量简单的处理单元相互连接形成的复杂的智能系统。单独的处理单元类似于一个神经元，是一个可以接受不同信息但是只输出一种信息的结构单位。神经网络系统与生物学神经系统相似的是具有自我修改能力，它可以同时接收大量的数据并进行统一的分析处理，进而输出相应的处理结果。这就使得神经网络系统具有了高度容错性、高度并行性、自我修改性、学习性以及高度复杂性，也正是由于这些特性才使的利用神经网络技术能够及时准确的查明电梯故障原因并得出故障解决方案。电梯故障诊断中应用的神经网络模型分为三个层次：输入层、接收外部信号或者是电梯自我检测信息（如载重信息）;隐含层、对接收到了大量数据进行相应的分析处理;输出层、将记录着动作命令的数据传送出来。在电梯出现故障时，首先可以通过神经网络模型快速确定故障发生在哪一层达到节约时间的目的。但是神经网络也会因为收敛速度过于慢、训练强度太大或者是选择的网络模型不好等问题导致诊断结果受到影响。

三、神经网络模型在电梯故障诊断中的应用分类

神经网络模型已经成为了如今电梯故障诊断中应用最广泛的技术模型，相比于传统方式它具有诊断速度快、故障原因命中率高的优点，因此引起了各方面专业人士的强烈关注，并在他们的不懈努力下得到了发展与创新。它跨越多个专业领域、通过对各种复杂的高难度工作的不断的发展与改进出现了越来越多的应用模型，下面主要介绍了当前应用最普遍的BP网络模型，并且简单的引入并介绍了近年来新兴的模糊神经网络模型和遗传小波神经网络模型。

（一）BP网络模型

BP神经网络作为神经网络应用最广泛的一种，它多应用的误差反向传播算法使其在模式识别、诊断故障、图像识别以及管理系统方面具有相对先进性。基于BP网络的电梯故障诊断技术就是通过学习故障信息、诊断经验并不断训练，并将所学到的知识利用各层次之间节点上的权值从而表达出来。BP网络系统的主要诊断步骤主要可以分为三步。第一步：对输入输出的数据进行归一化处理，将数据映射到特定的区间。第二步：建立BP网络模型，训练BP网络模型。第三：通过已经训练好的网络模型对原来的样本进行全面的检测。算法步骤：a、在一定的取值范围内对数据进行初始化;b、确定输入值数值大小，计算出预期输出量;c、用实际输出的值减去上一步得到的数值;d、将上一步得到的误差分配到隐含层，从而计算出隐含层的误差;e、修正输出层的权值和阈值，修正隐含层的权值;f、修正隐含层的阈值，修正隐含层和输入层的权值。

（二）遗传小波神经网络模型

遗传算法运用了生物界的优胜劣汰、适者生存的思想对复杂问题进行优化，适用于复杂的故障，起到了优化简化问题的作用。对局部数据进行详细的分析是小波法最大的特点，所以它被誉为“数字显微镜”。遗传算法小波神经网络就是运用小波进行分解的方法分解模拟故障信号，将得到的数据进行归一化，将归一化后的数值输入到神经网络模型中。它融合了神经网络、小波分析和遗传算法三者所有的优点。基于遗传小波神经网络的电梯故障诊断的一般步骤为：测试节点信号采样、小波分解、故障特征量提取、归一化得到训练样本集、遗传算法优化、得到故障类型。遗传小波神经网络模型在故障原因复杂、数据信息量巨大的电梯系统的应用中能够发挥更大的作用。

（三）模糊神经网络模型

模糊神经网络模型就是创新性的将神经网络与模糊理论结合到一起。它采用了广义的方向推理和广义的前向推理两种推理方式。与其它两种模型不同的是，它的语言逻辑、判断依据和结论都是模糊的。但是它的数据处理能力还有自我学习能力并没有因此而变差，反而更加丰富了它的定性知识的内容。在处理实际问题的过程中，首先要建立所有可能发生的故障的完整集合，其次将所有的故障发生原因归入到同一个集合中去，最后就是建立故障和原因的关系矩阵。分别叫做模糊故障集、模糊原因集、模糊关系矩阵。相较于BP网络模型，这种模型更加的简单易行，充分发挥了神经网络和模糊逻辑的优点，不会因为故障原因过于复杂而失去诊断的准确性，在原本丰富定性知识和强大数据处理能力的基础上具有了很大的自我训练能力。

结语

综上所述，神经网络技术可以应用于复杂多模式的故障诊断并且既可以用于实时监测也可以进行离线诊断，在系统模式非常复杂或者根本不知道系统模式的情况都可以应用，这些特点恰恰解决了传统方法中最最难以解决的问题，它的应用提高了电梯故障的诊断速度和准确度，保证了电梯运行的安全性。虽然神经网络技术的优点很多，但是在实际生活中的应用还很少，因此还需要不断的进行改进完善。同时还要注意将集中诊断方法融合到一起，例如稳重提到的模糊神经网络模型和遗传小波神经网络模型都是集成应用的典型代表。

第5篇

【关键词】GPS；高程异常；BP神经网络；拟合模型

Research on the Models of GPS Height Fitting Based on BP Neural Network

Li Yongquan

【Abstract】International and domestic multifarious control nets in use of GPS’s positioning techniques are only to solve the horizontal coordinates, but the height still follow to use the geometric leveling.Therefore, The basic theory of neural network and algorithm of BP are described, Discuss the problem of GPS height fitting based on BP neural network by trials. BP neural network is a kind of nonlinear mapping for its inputs and outputs，BP neural network is a high precise method for translating height.

【Key words】GPS；height anomaly；back propagation neural networks； fitting models

1. 引言

GPS平面定位的精度目前已经可以达到毫米级，但相对于平面定位精度，GPS在高程方面的定位精度较低。 神经网络是一种高度自适应的非线性动力系统，神经网络的数学理论本质上是非线性数学理论，通过BP神经网络学习可以得到输入和输出之间的高度非线性映射，因此，使用神经网络可以建立起输入和输出之间的非线性关系。BP神经网络本身也是一种高精度的高程转换方法。

2. 神经网络的模型及BP算法

2.1 神经网络的模型

（1）生物神经元模型。神经元模型是基于生物神经元的特点提出的，人脑由大量的生物神经元组成，神经元之间互相有连接，从而构成一个庞大而复杂的神经元网络。神经元是大脑处理信息的基本单元，结构如图1。神经元由细胞体、树突和轴突三部分组成，其中突触是神经元之间的连接。细胞体是由很多分子形成的综合体，内部含有细胞核、细胞质和细胞膜。细胞体的作用是接受和处理信息。树突是细胞体向外延伸的纤维体，是接受从其他神经元传入信息的入口。轴突是神经元的信息通道，是细胞体向外延伸最长、最粗的树枝纤维体，也叫神经纤维。（2）神经元模型。神经元一般表现为一个多输入（多个树突和细胞体与其他多个神经元轴突末梢突触连接）、单输出（每个神经元只有一个轴突作为输出通道）的非线性器件，通用的结构模型如图2所示。

(3）神经网络模型。神经网络的神经元之间的互连模式有前向网络、有反馈的前向网络、层内有相互结合的前向网络和相互结合型网络四种。

前向网络神经元分层排列，组成输入层、中间层（隐含层）和输出层。每一层的神经元只接受来自前一层神经元的输入，后面的层对前面的层没有信号反馈。输入模式经过各层次的顺序传播，最后在输出层上得到输出。目前对前向网络得出的一致的结论是：甚至是单中间层网络，只要隐节点数目足够多，前向网络就可以通过训练学习样本，以任意精度逼近(或表达)期望目标。

2.2 神经网络BP算法

(1）BP（Back Propagation）网络模型结构。BP网络的结构如图4所示，BP网络具有三层或三层以上神经元的神经网络，包括输入层、中间层（隐层）和输出层。上下层之间实现全连接，而每层神经元之间没有连接。当一对学习样本提供给网络后，神经元的激活值从输入层经各中间层向输出层传播，在输出层的各神经元获得网络的输入响应。接下来，按照减少目标输出和实际输出之间的方向，从输出层反向经过各中间层回到输入层，从而逐层修正各连接权值，这种算法称为“误差反向传播算法”，即BP算法。

（2）BP算法的数学描述。BP算法基本原理是利用输出后的误差来估计输出层的直接前导层的误差，再用这个误差估计更前一层的误差，如此一层一层的反传下去，就获得了所有其他各层的误差估计。

BP网络学习规则的指导思想是：对网络权值和阈值的修正要沿着表现函数下降最快的方向――负梯度方向。

xk+1=xk-akgk(1)

其中xk是当前的权值和阈值矩阵，gk是当前表现函数的梯度，ak是学习速率。

三层BP网络，输入节点xi，中间层节点yi，输出节点zl。输入节点与中间层节点间的网络权值为wji，中间层节点与输出节点间的网络权值为vlj。当输出节点的期望值为tl时，模型计算公式如下。

中间层节点的输出：

yi=f(∑iwjixi-θj)=f(netj)(2)

输出节点的计算输出：

zl=f(∑jvljyj-θl)=f(netl)(3)

3. BP神经网络用于GPS高程拟合

3.1 山区高程异常拟合实例:以本溪GPS和水准资料作为样本来源，进行BP高程异常拟合。

通过山区高程异常拟合实例，对数据分析可以得到如下结论，学习样本数与测试样本数之比在1/4之间时网络稳定性较好。高程拟合的精度与学习样本数量有关，学习样本数越多，拟合精度就越高。

3.2 平原地区高程异常拟合实例:以某市D级GPS部分数据进行实验研究

通过平原地区高程异常拟合实例，对数据分析可以得到如下结论，学习样本数与测试样本数之比在 1/3 之间时网络稳定性较好。学习样本数对测试对象的精度也有着重要的影响，一般随着学习样本数的增多，中误差会有所改善。这主要是更多的学习样本就更能表述出所研究问题的一些基本特征，进而仿真的效果就能更好。

4. 结束语

重点研究基于BP神经网络的GPS高程异常拟合算法，详细介绍了人工神经网络基本理论，重点讨论了基于BP神经网络的GPS高程拟合，包括BP神经网络的基本原理、主要特点。分析了神经网络的BP算法，包括其数学模型、网络结构。构造了基于BP神经网络的GPS高程拟合模型，结合具体工程数据进行了神经网络性能分析。

参考文献

[1] 国家测绘局测绘发展研究中心.测绘发展研究动态[R].北京：国家测绘局，2008，8：1-7

[2] 李征航、黄劲松.GPS测量与数据处理[M].武汉：武汉大学出版社，2005，277-278

[3] 曹先革.基于人工神经网络的GPS高程异常拟合方法研究[D]，北京：中国地质大学，2008

[4] 徐绍铨．GPS高程拟合系统的研究[J]，武汉：武汉测绘科技大学学报，1999，24(4),11-15

[5] 阎平凡.人工神经网络与模拟进化计算[M]，北京:清华大学出版社，2000，5-6

[6] 徐丽娜.神经网络控制[M].哈尔滨：哈尔滨工业大学出版社，1999，1-40

第6篇

关键词：生物发酵 BP神经网络 算法研究

1 概述

现代意义上的微生物发酵工程是指在一定条件下使微生物增殖，从而产生对人类有价值的生物成份的过程[1]。发酵过程是一个基于微生物生长繁殖和控制的生物化学反应过程，和普通意义上的上的工业控制不同，具有非线性、时变性和时滞性等特点，内部机理非常复杂。因此对于发酵过程的控制一直都是发酵工业生产中的难点。随着科技进步，新的非线性控制技术的发展为控制发酵过程提供了有力的工具。

当前对于发酵过程的控制，其基本原理是将发酵过程中的主要控制因素采用一定的人工手段进行干预，以发酵过程中所产生的发酵液温度、PH值等关键因素为控制指标，并将其进行动态监测，从而将发酵过程控制在人们所期望的的范围内。由于发酵过程具有实时性，因此对于发酵过程的控制按时间特性可分为离线控制和在线控制两大类[2]。随着研究的深入，在线控制已经成为研究的重点。在线控制是一种基于反馈信息的过程控制方法。其原理是实时监测发酵系统的输出值期望值之间的误差，按照一定的过程控制算法进行调整，将发酵过程中关键的发酵指标控制在期望范围之内。本文将就发酵过程的在线控制方法和实践展开讨论。

2 发酵过程控制的硬件系统简介

对发酵过程的控制是建立在必要的硬件条件基础上的。发酵系统的组成主要由两部分构成：即发酵装置和控制器。对于发酵过程的控制关键是控制温度、溶氧、pH值等。这些因素都可以通过实时监测发酵装置传感器信息来实现。

本文中以大肠杆菌发酵产生类人胶原蛋白为例，需要监测的主要内容有四项：pH值、温度、溶氧量和尾气。监测设备分别为：pH电极、铂电极、溶氧电极和尾气分析仪。

对于发酵过程的智能控制，重点是实现对控制器的智能化，在下一节中将进行具体的讨论。在本文中所涉及的控制器软件的智能化设计基于silicoulab公司的片上系统芯片（SoC），发酵装置型号为NLF22机械搅拌式发酵罐，发酵罐罐体上装配有监测温度、溶氧、pH值等参数的传感器和尾气分析仪。这类实时数据的监测和控制在LabVIEW图形化编程软件设计的人机交互界面上进行。

3 BP人工神经网络控制原理

发酵过程具有高度的非线性特点，因此在本文中采用适合于给类问题的基于BP神经网络控制算法。该算法不依赖精确数学模型，具有非线性的映射能力，可以从大量实时监测数据中寻找输入和输出之间的非线性关系，计算出最优的控制量，从而实现对发酵过程的有效控制。

人工神经网络控制算法是建立在现代神经生物学和仿生学对人类大脑活动的认识模式研究的基础上，通过构造人工神经元形成的网络来模拟神经活动，是当前人工智能研究的热点和智能化控制的研究方向。

人工神经元是神经网络算法的基本信息处理单元，其输入输出关系可由式（1）和式（2）来描述：

Ii=■wijxj-θi （1）

yi=f(Ii) （2）

上式中，xj为来自于其他与本神经元相连接的神经元所传递的输入信息，wij为神经元I，j之间的信息权重；θi为阈值；函数f称为作用函数或转移函数。

目前在人工神经网络研究中已经有很多种网络模型，本文中所采用的是前馈式神经网络模型。BP算法（(Error Back Propagation)即属于这类前馈式网络模型，该模型以神经网络的误差平方和为目标函数，以某种优化算法（如梯度法）计算使得目标函数最小的控制值[3]。其拓扑结构可参考相关文献。

4 BP神经网络的应用

本文中以大肠杆菌发酵生产类人胶原蛋白过程为例，简介BP神经网络智能控制在其发酵过程控制中的应用。

4.1 输入层和输出层节点数分析 依据工神经网络运行的基本原理，输入层的节点数是由训练样本数据的维数来决定，输出层的节点数则取决于控制者的实际控制目标。在本文算例中，发酵过程的关键控制因素主要有4个，即酸碱度（pH值）、温度、溶氧度、搅拌速度和时间。这五类数据通过传感器数据可以方便的得到，因此将其作为训练样本，并得到样本数据的维数为5，输入层的单列节点数为4。对输出层而言，依据生产经验，在胶原蛋白的发酵过程中的关键因素为溶氧量，因此将其作为关键控制因素和最终控制目标，由此可得到输出层的节点数为1个。

4.2 隐含层层数和隐含层节点数分析 本文中设定隐含层的层数为1（原因可参照单隐含层对非线性函数的逼近特性[4]）。隐含层的节点数可由式（3）进行计算：

m=■+■ （3）

其中，m为隐含层的节点数，N表示输入层的节点数，L表示输出层的节点数，P表示新样本数据，α为1-10之间的常数。依据实测数据（此处从略），可计算得到隐含层的节点数为18。

4.3 程序实现 本文中采用Matlab编程实现上述BP神经网络控制，其基本步骤概述如下。

首先利用newff()函数来生成上述指定结构的神经网络，其参数设定如式（4）所示：

NET=newff(minmax(p)，[4]，18，1）{‘tansig'，'purelin'，}，'traingd

m) （4）

其次设定基于上述网络NET的训练参数，该步骤涉及到的函数的参数设定结果为：NET.trainParam.epochs=500、NET.train Param.goal=0.02、NET.trainParam.show=25、NET.trainParam.Ir=0.05。

最后采用命令[NET，tr]=train(NET，Fd，T) 训练上述神经网络。

5 结果分析

表1中对比了采用BP神经网络控制前后的利用大肠杆菌发酵产生类人胶原蛋白的产物湿重产量（g）。有表1可见，通过对发酵过程的BP神经网络控制后，胶原蛋白的产物湿重总体有明显的提高，表明该方法在这类发酵过程控制中是有效的。

6 结语

生物发酵过程是一个复杂的过程，具有高度非线性和难于用精确数学模型描述的特点。本文利用BP神经网络控制方法来综合控制发酵过程中的关键因素，以氧容量作为控制要点，经过网络训练后可提高对发酵过程中关键因素的控制效果，实践表明可大幅度的提高类人教员蛋白的产物湿重产量。上述结果表明利用智能算法控制这类高度非线性的生物发酵过程较之于传统方法具有明显的优势，是今后生物发酵过程控制中重要的研究方向。

参考文献：

[1]陶兴无.生物工程概论[M].北京:化学工业出版社，2011.

[2]谢玉龙.FF现场总线在泰乐霉素发酵控制系统中的应用[D].济南:山东大学，2009.

第7篇

关键词：城区土壤；重金属污染；遗传算法；BP神经网络

中图分类号：X53 文献标识码：A 文章编号：0439-8114（2013）03-0685-03

重金属污染是全球环境污染的突出问题，随着社会和经济的发展，重金属污染危害日益加重。研究重金属污染的分布，并根据分布情况实现对污染源的定位对于有关部门进行及时的环境预防与整治具有重要意义[1]。

近年来兴起的人工神经网络能通过学习实例集自动提取“合理的”求解规则，且具有容错和容差能力以及一定的推广能力。本研究建立基于并行遗传算法的BP神经网络系统，该模型可以实现对污染源位置的定位，从而为相关部门及时进行环境整治提供了理论依据。

1 构建基于遗传算法的BP神经网络模型

1.1 BP神经网络基本原理

BP神经网络是在对复杂的生物BP神经网络研究和理解的基础上发展起来的，因此具有较强的信息处理能力，对复杂的问题具有适应和自学的能力，可以很好地协调多种输入信息的关系[2]。BP神经网络通常由输入层、若干隐含层和输出层组成，每层都包含若干神经元，通过神经元之间的相互作用来完成整个网络的信息处理。其网络拓扑结构如图1。同一层各神经元相互没有连接，相邻层的神经元通过权实现全连接。

1.2 BPANN算法改进

普通的BP神经网络有自身的缺陷，包括易陷入局部最小点、收敛速度慢、学习过程容易出现震荡等。为了改进普通的BP神经网络，引入遗传算法（Genetic algorithm，GA）。遗传算法是一种基于自然选择和基因遗传学原理的优化搜索算法，它将“优胜劣汰，适者生存”的生物进化原理引入待优化参数形成的编码串群体中，按照一定的适配值函数及一系列的遗传操作对个体进行了筛选，从而使适配值高的个体被保留下来，组成新的群体，新群体中包含上一代的大量信息，并且引入新的优于上一代的个体。这样的周而复始，群体中的适应度不断提高，直到满足一定的条件为止，其基本原理如图2[3]。

遗传算法与神经网络算法的结合就是利用GA优化网络的拓扑结构，如网络层数和每层的节点数，以及各层节点间的连接关系。根据某些性能评价准则（如学习速度、泛化能力或结构复杂程度等）搜索结构空间中满足问题要求的最佳BP神经网络。基于遗传算法的神经网络流程如图3。

2 模型应用实例——以青岛市城区土壤重金属污染源的定位为例

青岛是中国重要的经济中心城市和港口城市，是中国重要的外贸口岸之一、国家历史文化名城和风景旅游胜地，作为体现青岛面貌的首要因素——环境，已成为青岛、中国乃至世界大众关注的问题。因此，对青岛的城市环境地球化学研究势在必行。

现以青岛市城区为例，根据从城区采样得到的土壤重金属含量数据建立神经网络模型，对污染源进行定位。对青岛市南区、市北区、四方区、李沧区、崂山区5个城区进行了广泛的土壤地质调查，将所考察的城区按照每平方公里1个采样点对表层土进行取样，共得到319个采样点，并分别检测每个采样点的8种重金属Cd、Cr、Cu、Hg、Ni、Pb、Zn和As的含量[4]。

对每种金属元素进行多次基于遗传算法的BP神经网络模拟后，在所得的数据矩阵中随机选取200个点对应的坐标进行绘图，绘图结果如图4。从图4中可以看出，每种重金属元素在城区中的空间分布，对数据中每种金属元素的空间坐标进行K-means聚类，所得的聚类中心即为污染源预测位置。

3 小结

通过建立基于遗传算法的BP神经网络模型，并将该模型运用于青岛市城区内各种重金属污染源的定位。使得环境管理部门可以在目标地区的土壤进行采样分析的基础上，利用该算法得出目标地区内重金属元素的分布图，根据极大值点可以定位污染源，并由此采取相应的管理措施。该算法的优越性在于可利用部分测量数据估计整体地区的分布情况，但同时也存在不足之处，一是数据获取困难，一般需要依靠卫星测量获取样本数据，二是算法虽然有较高的收敛速度，但缺少动态性，无法进行金属元素的动态分析和分布变化预测。

参考文献：

[1] 马旺海，曹 斌，杨进峰，等.城市重金属污染特征[J]. 中央民族大学学报（自然科学版），2008，17（1）：66-73.

[2] 卢文喜，杨忠平，李 平，等.基于改进BP算法的地下水动态预测模型[J].水资源保护，2007，23（3）：5-8，59.

第8篇

关键词:公路工程 造价估算 模糊数学 神经网络 模糊神经网络

中图分类号:F540.34 文献标识码:A 文章编号:1672-3791(2012)04(c)-0053-01

1 公路工程造价估算概述

1.1 公路工程造价估算的重要性

公路工程造价估算作为公路工程管理的重要组成部分其重要性主要体现在如下几个方面。

第一,公路工程造价的估算是实现工程成本控制的基础。其中工程施工前期造价估算、施工前的编制预算以及施工图设计阶段的编制预算等环节作为工程造价估算的核心,同样是公路工程施工成本控制的起点,因此,实现公路工程造价的合理估算是实现工程成本控制的重要前提条件。第二,公路工程造价的估算可以为施工企业成本控制计划方案的制定提供重要的参考依据。施工企业通过工程造价的估算可以寻找到降低工程成本的有效途径,从而为工程施工过程中施工成本的控制提供正确的方向。第三,公路工程造价的估算可以帮助施工企业在进行设计招标前可以确定工程的大致造价。这样一来,施工企业在招标的过程中就可以有效避免中间商的欺诈以及保标等恶意行为的发生。

1.2 传统公路工程造价估算中存在的问题

尽管工程造价估算在公路工程建设中越来越受到人们的重视,但是由于受各方面因素的影响,在传统公路工程造价估算中还存在一系列的问题,其中我国传统公路造价估算中主要存在如下几个方面的问题:一是相关规章制度的限制,造价估算结果往往与投标报价相差悬殊;二是预算结果与概算结果差距较大,不利于工程实际造价的控制和确定;三是缺少对工程造价估算的有效监督机制,从而使最终的造价结果变的十分不确定;四是由于各参与方利益的问题,在进行工程造价估算时很难早到平衡点,以至于造价估算精度不能得到有效的保证。

2 认识模糊神经网络

2.1 模糊数学概述

(1)模糊数学的概念,我们通常说的模糊就是指一些模棱两可的、即可能又不可能、即是又不是的概念。而模糊数学就是要用数学的方法来表示那些模糊概念发生的可能性的大小,换句话讲就是明确那些模糊概念所处的状态,从而利用数学的思想来解决那些模棱两可的、不确定的实际问题。(2)模糊数学的数学描述,一般模糊数学的数学描述,多采用的是类似与集合的数学表示方法。与集合的区别就在于模糊数学在表示集合元素时需要附带一个称为隶属函数值的参数,其中该参数的值是隶属函数与元素的值进行运算的结果。

2.2 神经网络概述

(1)神经网络的概念,所谓的神经网络是一个借鉴物理和生物技术来实现的用来模仿人类大脑神经细胞结构和功能的系统,与人类的大脑结构相似,它也由大量的模拟神经元所组成的,而且这些神经元之间相互连接,并行工作,作为一个系统协同完成一系列复杂的信息处理活动。(2)神经网络的基本原理,神经网络在结构和功能上都是模拟人脑的神经系统来进行设计和实现的,它同时作为模拟生物神经元的一种计算方法,其基本原理是这样的,与生物神经元的基本原理相似,用那些具有突的网络结点来接受信息,并不断的将接受到的信息累加起来,这些信息有些是抑制神经元,有些则是激发神经元,对于那些激发神经元,一旦积累到一定的阈值后,相应的神经元便会被激活,被激活的神经元就会沿其称为轴突的部件向其它神经元传递信息,并完成信息的处理。

2.3 模糊神经网络概述

模糊神经网络是模糊数学和神经网络有效结合的应用研究成果。其中在模糊神经网络中模糊数学的应用体现在它可以根据那些假定的隶属函数以及相应的规律,用逻辑推理的方法去处理各种模糊的信息。

3 模糊神经网络在公路工程造价估算中的应用

3.1 基于模糊神经网络的公路工程造价估算方法的实现

基于模糊神经网络的公路工程造价估算方法的实现过程如下。

第一,构建已施工公路工程的造价信息库,其中包括应经施工的公路工程的各种特征因素以及工程造价等其他各方面的材料。

第二,结合拟建工程的施工需求来确定其包括评价指标等在内的各种特征因素的数据取值。

第三,按照模糊数学的思想法在已施工公路工程的造价信息库中选取若干个(至少三个)与拟建工程最相似的已施工的工程,将其作为神经网络进行学习和训练的基础数据。其中,将信息库中公路工程的各种特征因素值的隶属度作为神经网络的输入向量,信息库中公路工程的造价值作为神经网络的输出向量。

第四,将拟建公路工程的各种特征因素值的隶属度作为神经网络的输入向量,通过神经网络的学习后所得到的输出向量即为拟建公路工程的造价估算值。

第五,建立公路施工工程造价信息数据,编制神经网络学习的算法通用程序。将学习训练的基础数据输入神经网络,然后合理设计学习率,经过一定次数的迭代运算,有效提高公路工程造价估算结果的精度。

3.2 基于模糊神经网络的公路工程造价估算方法的优点

该方法的优点可以概括为如下几点。

第一,模糊神经网络中所采用的模糊数学可以对公路工程造价估算中的模糊信息进行有效的处理,通过对已竣工的公路工程和计划施工的公路工程的相似度进行定量化描述,从而使模糊的公路工程造价问题得以模型化。

第二,基于模糊神经网络的公路工程造价估算方法的估算结果科学合理,因为该方法采用的是基于数学模型的数学计算分析,所以其结果受人为因素的影响较小。

第三,模糊神经网络中所采用的神经网络模型对公路工程造价的估算具有很好的适应性,与传统的造价估算方法相比,该方法能更好的适应公路工程造价的动态变化。

第四,基于模糊神经网络的公路工程造价估算方法是借助计算机来完成的,所以还具有运算速度快和运算精度高的优点。

4 结语

由于影响公路工程造价的因素比较多,而且各因素的构成比较复杂,计算相对繁琐,所以公路工程的造价估算具有很大的模糊性。对于使用传统的工程造价估算方法而言,公路工程造价的估算将是一项非常复杂的工作。然而结合模糊数学和神经网络的理论思想,利用工程之间所存在的相似性,使用基于模糊神经网络的公路工程造价估算方法可以迅速的得出精确的工程造价估算结果。

第9篇

论文摘要：网络思想政治教育管理的原则，是在网络思想政治教育管理实践中形成的、体现了网络思想政治教育管理客观规律的、思想政治教育管理活动必须遵循的准则。数字化技术是支撑网络思想政治教育改革发展的关键网络思想政治教育应包含人文精神教育。网络思想政治教育管理要坚持数字化技术与人文精神相结合的原则。

本文所说的网络是指以计算机和信息技术为基础，以实现便捷通讯和资源共享为目的，发展人的本质的虚拟世界。它主要是指互联网。网络思想政治教育是指以认清网络本质和影响为前提，利用网络促使网民形成符合一定社会发展所需要的思想政治品德和信息素养的虚拟实践活动。in原则是指人们在既定目标和特定条件下，观察和处理问题时必须遵循的准则和标准。网络思想政治教育管理的原则，是在网络思想政治教育管理实践中形成的、体现了网络思想政治教育管理客观规律的、思想政治教育管理活动必须遵循的准则。网络思想政治教育管理要坚持数字化技术与人文精神有机统一的原则。

一、网络思想政治教育具有使科学精神与人文精神在网上和谐发展的可能性

由计算机和信息技术构成的互联网诱发的数字化及其运用已渗透到经济、政治、军事和文化教育等领域，涌现出数字经济、数字农业、数字军事、数字教育等。数字化是网络的一个主要特征。网络可以集文字、图片、音频、视频于一体，是地地道道的多媒体。虽然目前仍存在如电视、广播等远距离教学的模拟教学手段，但这些都将迅速被数字化电视、广播等所取代。

数字化技术是支撑网络思想政治教育改革发展的关键。数字化思想政治教育技术是由数字化思想政治教育资源库、思想政治教育资源传输网络、思想政治教育资源检索浏览前端平台组成的用于人们教学的现代思想政治教育技术。数字化将是一切思想政治教育技术的核心。离开了数字化，现代与未来的思想政治教育技术将成为无本之木。数字化思想政治教育技术无论是在课堂教学还是在课外网络教学或其他教学活动中都起着重要作用。当然，数字化思想政治教育不纯粹是数字化技术在教育领域的简单应用，它是建立在数字化技术基础之上的现代思想政治教育思想、思想政治教育理论、思想政治教育方法、思想政治教育模式等一整套思想政治教育体系。丰富的数字化教学资源与传输快速的通讯网络和效果良好、操作方便的前端平台是数字化教育技术发展的核心，而数字化思想政治教育体系的确立，则是数字化思想政治教育技术得以广泛应用的可靠保证

网络思想政治教育运用网络技术使得其外延有了无限扩展的可能，如果从网络思想政治教育内涵角度思考，我们就会发现忽略了人文精神的培养。高科技飞速发展与人文科学被冷落，正是我们当前思想政治教育的二律背反。这些问题的原因在于我们没有处理好网络思想政治教育与人文精神的关系。

第一，网络思想政治教育信息的多元化并由此带来人文精神的散乱化。客观事物形态多样化带来人们主观思维模式的多样化，这是现实世界网络信息多元化的必然结果。网络世界是一个广裹的虚拟世界，是一个无视国界、无视种族、无视地域、无视权威、无视等级的世界。网络文化新观念诱导着人们多角度、多层次、多方位、多侧面地审视社会，审视周围一切环境，而行为方式也表现为千变万化。网络新观念的特点是:非线性的网络思维、信息传递的多感觉通道、时空无限放大或缩小、中心消解的边缘化、信息无终极的流动、将抽象变为现实的虚拟手段等。在这种观念支配下，人们的精神世界多了一些散乱，少了一些凝聚，行为就缺少人文精神。

第二，知识资本、数字化技术产业化显得红红火火，人文精神却变得异常冷落。网络思想政治教育最根本的价值在于培养特定网民的品格和精神，唤醒他们的心灵良知来支撑自己的一切行动。网络思想政治教育的数字化技术水平的迅速提高，使它的知识传播和知识应用功能加大加强，但人文精神欠缺所造成的社会不良后果是不堪设想的。数字化技术竞争式的网络思想政治教育发展越快，往往越是不能很有效地培育人的真善美，反而把人性中好的因素压抑了或是扼杀了。我们应该认识到:在充分发挥和利用数字化技术为人类造福的优势的前提下，必须注意抑制数字化技术发展给人们带来的负面效应，认真处理好信息技术发展与人文思想教育的矛盾，克服网络思想政治教育的形式大于内容的劣势，积极培育网络思想政治教育中的人文精神，努力创建网络思想政治教育与人文教育的协调发展模式，把人文精神作为网络思想政治教育的重要组成部分。

二、网络思想政治教育管理要坚持数字化技术与人文精神相结合的原则

1.网络的双刃剑作用要求网络思想政治教育管理坚持数字化技术与人文精神相结合的原则。数字化技术突飞猛进的发展是柄双刃剑，它在给人类带来福音的同时，也带来了诸如网络信息污染等危害人类的不利因素。网络信息中的黄色信息和黑色信息对沉溺其中的青少年的思想观念和道德行为会产生极大的影响。至于那些利用网络从事数字破坏、盗窃、诈骗和洗钱的行为，则会引发更为严重的社会问题。由此观之，数字化技术必须与人文精神相结合，在提高产品的数字化技术含量的同时必须与高度的人文精神结合起来，即现代社会所追求的人才，不仅仅具有高度的科学素质，而且还必须具备高度的人文素质，是一种科学素质与人文素质的整合类型。

2.网络人文精神所具有的独特时代意蕴要求网络思想政治教育坚持数字化技术与人文精神相结合的原则。人文精神，是人文文化的核心。人文文化一般而言是在一定时代一个民族认识人、对待人的思想观念、文化艺术、伦理道德，以及关于人的学说，这使人文精神带有时代的印记、民族的特色。但在网络时代，人文精神具有了不同于以往时代的意蕴、普遍的价值。网络技术第一次使人文精神的传播获得了超越时空的普遍意义。网络的开放性、互动性，为不同民族的文化、不同民族的人文精神的交流，奠定了广泛的基础。网络的即时性和共享性，为人文科学的研究，为共享人类思想文化成果提供了普遍现实的条件。但是，我们站在网络时代，发掘网络人文精神的时代意蕴，并不否认网络给人文精神带来的消极影响。问题的关键是我们在看到网络给人文精神弘扬造成消极影响的同时，要采取各种手段和方法，弘扬人文精神，提升人文精神的境界。网络为人的主体性的发展、科学人文精神的弘扬提供了史无前例的广阔舞台。我们要在“网络世界”的新舞台上，清扫各种思想垃圾，清除各种不利于人的全面发展的因素，以技术与知识的创新促进网络人文精神，以网络道德与网络法的建设保障网络人文精神，从一个境界走向一个更高的境界。IZl网络给我们带来了全新的虚拟空间，没有人文精神支持的网络虚拟空间恐怕要变成虚无空间。思想政治教育要沉重地思考这些问题，如果思想政治教育能够在协调发展科学技术精神与人文精神方面迈出一步，哪怕是一小步，我们的思想政治教育就会显示出不可估量的价值。[3]

我们要立足于数字化技术时代，倡导人文精神。如果只在网络上生活，人就会被工具化、数字化，网络思想政治教育必须引导上网者提高自己的人文素质。但如果只讲人文精神，就会忽视隐含在网络里的科学精神，忽视教育手段的进步。因此，网络思想政治教育要把人文精神融人到网络里面去。f41 3.网络思想政治教育坚持数字化技术与人文精神相结合的原则是全面建设小康社会的要求。全面建设小康社会的关键是走新型工业化的道路。所谓新型工业化的道路，就是把发展信息技术及其集中表现的数字化，作为加快我国实现工业化和现代化的重大抉择，坚持以信息化带动工业化，以工业化促进信息化，走出一条科技含量高，经济效益好，资源消耗低，环境污染少，人力资源优势得到充分发挥，与其他国家相区别的具有中国特色的工业化的新路子。走新型工业化道路的核心是实现数字化，其中的关键是要把数字化与人文精神结合起来。全面建设小康社会既是一个经济目标，也是一个政治、文化和可持续发展的目标，包括人文精神及其指导下的各项制度。在我国全面建设小康社会的目标中，民主更加健全，文化更加繁荣，社会更加和谐，以及生活更加殷实，无不包含着人文精神，即使是经济更加发展，科技更加进步等，也包含着丰富的人文内容，所以关键是要把人文精神与数字化结合起来。!习因此网络思想政治教育要发挥人文精神在数字化中的作用，在现代化中实现人文精神与数字化的结合，也就是说，网络思想政治教育在时间上要把时代性和传统性结合起来;在空间上要把引进世界各国特别是发达国家先进的东西与本土化结合起来;在时间和空间的关系上要把现代化和社会主义初级阶段结合起来。

三、网络思想政治教育坚持科学素质教育与人文素质教育的有机统一的主要途径

第一，对学生网民实现人文关怀。在现实物理空间，思想政治教育是直观的，它的有效性几乎全依赖于热情的思想政治教育氛围和思想政治教育者的关怀情结。到了陌生的网络虚拟空间，网络思想政治教育能否保持有效性的关键在于能否使受教育者在冷冰冰的网络空间感受到彼端传来的温暖和人文的关怀。在许多网络交流比较发达的高校中，流传一种网友现象，其重要程度超过了10年以前人们津津乐道的笔友。在网友圈中形成的相互关怀要比许多现实生活中的朋友关系还要凝重得多。许多网络爱好者认为纯粹的网友之间交流并没有特殊之处，其交往形式和程度几乎雷同物理空间的知己好友。不少网友认为在网络空间得到的关怀和帮助并不亚于在现实空间得到的一切，两者之间没有什么差异。如果说有的话，那就是他们认为在网友圈中更容易得到关怀和帮助。网络思想政治教育者要敏锐地抓住这些细枝末节，构筑网络思想政治教育的氛围。I61

网络生活并不是生活的全部。在网络时代到来的时候，遨游在“虚拟化”的网络空间中又生活在真实的物理空间的上网学生，既需要网络技术给他们带来物的福扯，同时也需要获得一种人文的关怀，让他们寻找到一个精神上的家园。在网络时代，对上网学生进行人文关怀的方式多种多样，其内容主要着眼于提高上网学生的网络素质，使上网学生在思想、技术、道德、法制和心理上有承受、控制网络的能力，能适应虚拟社会并能安全地回到真实社会中来。要教育他们用一种非常健康的心态来进行网络活动，教育他们既能上网也能下网。阴网络思想政治教育者要清醒地认识到自然的浩大和精妙，看到网络领域人类太多的空白和无知，要教育网民学会谦虚，学会自律。

第二，构建具有人文精神的网络思想政治教育人才培养模式。首先，人文精神应作为检测网络思想政治教育过程是否有效的准则。网络思想政治教育中的人文教育目的就是运用信息多媒体传播人文知识，通过学习者的解读、领悟、思考，培养学习者的人文精神。比如电脑网络传播出来的精美画面、音乐、文字、语言、图表等都是代表着一定思想意识观念的物质载体，能使学习者的情感熏陶和体验锻炼得到有效升华，唤醒他们的善意心理良知，变为他们追求美好生活的精神动力。

第10篇

关键词：变压器；故障诊断；蚁群算法；神经网络

作者简介：彭宇（1979-），女，北京人，华北电力大学经济与管理学院硕士研究生，北京市电力公司顺义供电公司，工程师。（北京

102206）

中图分类号：TM407 文献标识码：A 文章编号：1007-0079（2013）23-0225-02

电力变压器作为电力系统中最重要和最贵重的设备，其运行的安全性与电网供电可靠性有直接关系。所以，电力变压器的故障诊断技术一直都是研究的焦点，传统的故障诊断方法主要是根据变压器油中溶解气体的组成、含量与故障类型和故障严重程度之间有密切关系的原理而得出的，俗称油中溶解气体分析法（DGA法）。基于DGA法得出的实用性算法中应用最为广泛的是三比值法。该方法通过计算C2H2/C2H4，CH4/H2，C2H4/C2H6三种比值，根据已知的编码规则和故障类别，查表确定故障类别。但此方法存在“编码盲区”问题，即有时会出现“无编码”问题的情况。由于上述缺陷，有学者在此方法基础上发展出了专家系统、模糊数学、人工神经网络等方法来判别变压器故障，取得了一些成效，但都有或多或少的不足之处。专家系统在辨别变压器故障时往往具有复杂性、不完全性、模糊性；模糊数学在处理故障诊断时隶属函数确定困难，容易过多引入人的主观臆断；人工神经网络在学习过程中收敛慢，对初始设置较敏感且容易陷入局部最优。

本文基于DGA法知识，提出蚁群神经网络作为诊断变压器故障的新方法。该方法利用了人工神经网络映射非线性能力和泛化能力强等优点，同时利用蚁群优化（ACO）算法来改善其存在的缺点，使变压器的故障诊断准确率和快速性都得到了提高，通过算例仿真验证了方法的高效性和正确性。

一、蚁群优化（ACO）算法基本原理

ACO算法是一种模拟蚂蚁群体在寻找食物时能找到距食物最短路径的仿生随机搜索算法。蚁群中每个蚂蚁个体间不直接通信，而是通过在其经过的路径上留下一种叫“信息素”的分泌物来引导其他个体的行为，某条路径上经过的蚂蚁越多，留下的信息素也越多，后来的蚂蚁被吸引到该条路径上的概率也就越大。这样，通过先行者的先验知识传递给后来者，将最终导致最优路径选择成功。

二、神经网络中ACO算法的模型

本文针对BP神经网络在训练中存在的对初值设置较敏感、收敛速度慢和容易陷入局部最优等缺点，利用ACO算法的全局优化和启发式寻优特征来寻找BP神经网络的最优权值，使得神经网络能够具有更加优越的智能寻优能力。

1.基本原理

神经网络的训练过程可以看作是一个找到一组最优的权值组合的优化问题。这组最优的权值组合可使得BP神经网络的输出结果与期望结果间的误差最小。

因为TSP问题是蚁群算法成功解决了的经典问题，所以此处采用神经网络权值的寻优问题与TSP问题同比对照来说明权值组合的寻优过程。

假设网络中有n个参数，包括所有权值和阈值。首先，按一定顺序对这些参数进行排列，记为h1，h2，…hn，对于参数hi（1≤i≤n），将其设置为N个随机非零值，形成集合Shi（1≤i≤n）。此时，让蚁群从蚁巢出发去寻找食物，也就是每只蚂蚁在集合Shi中选择一个权值，在全部集合中选择一组神经网络权值。这里的一个权值就相当于TSP问题中的一座城市（下文称其为“虚拟城市”）。当蚂蚁对所有虚拟城市完成了一次拜访，就是在全部集合中选择了一组权值，就算找到了食物。由各只蚂蚁找到的这组权值作为神经网络的计算用权值得到的结果与真实值相比较，得出计算误差，这个误差值就相当于TSP问题中路径的路程。路径的选择目标是要求得的路径路程为所有路径之中的最小值，神经网络权值的选择目标也就是要求得到的误差值是所有神经网络权值组合中使计算误差为最小的一组。用得到的误差值对蚂蚁在选择虚拟城市（权值）时的信息素进行反馈调整。将这个过程反复进行，直至全部蚂蚁收敛到同一组权值，或达到给定的迭代数上限时停止搜索。

2.算法基本步骤

对于一个有n个参数的神经网络训练问题，设定蚂蚁数量为m。基本步骤如下：

（1）初始化。

确定备选权值：将神经网络所有权值的取值区间 [Wmin，Wmax]均匀地划分为μ个子区域，将每个子区域边界上的点作为一个备选权值。

令时间t=0、循环次数NC=0，设每个点都具有相同的信息素量τ0和信息素挥发系数ρ，设置最大循环次数NCmax。

（2）启动所有m只蚂蚁，让每只蚂蚁从集合Shi（1≤i≤n）中选择一个元素，按下式计算蚂蚁选择其他虚拟城市（权值）的概率：

（1）

式中： pj（k）为蚂蚁k选择权值j的概率；τj（t）为t时刻权值j上的信息素浓度；ηj（t）为t时刻权值j的启发信息；α和β为常数。T（k）为第k只蚂蚁的禁忌表，用于存放蚂蚁k所选择候选权值的集合。蚂蚁k从概率最大的权值中随机选择一个权值i存入T（k）。当蚂蚁为所有的权值参数选择了值之后，就完成了一次遍历，它选择的所有值构成该神经网络的参数。

启发信息ηj（t）的计算公式。启发信息是ACO中一个与问题相关的用来引导蚂蚁搜索的量，它与信息素一起确定优化选择。基于启发信息是使蚂蚁在选择城市时，尽量选取当前候选集中路程短路径的基本思想，这里采用如下公式来计算启发信息：

（2）

式中：Aj（t）表示前面所有迭代中第k只蚂蚁选择备选集中权值j的次数和；Bj（t）表示前面所有迭代中所有蚂蚁选择备选集中权值j的次数和。

（3）重复步骤（2），直至蚂蚁全部完成一次遍历，即全部到达食物源为止。

（4）令t=t+n；NC=NC+1；利用各只蚂蚁选择的权值参数组计算出神经网络的计算输出结果，并以此获取误差E。记录误差较小的ω组权值和最优解Emin，比较Emin与给定的误差最小E0的大小，若Emin≤E0则转到步骤（8），否则进行步骤（5）。

（5）调节信息素。为防止信息素的聚集，要对先前留下的信息素随时间进行挥发处理。信息素挥发系数ρ表示信息素的持久性。经过时间n，蚂蚁从蚁巢到达食物源，各个路径上的信息素要按下式进行挥发调整：

（3）

（4）

式中：Δτjk（Shi）表示第k只蚂蚁在本次循环中留在集合Shi第j个元素上的信息素，可用下式计算：

（5）

式中：Q为常数，表示蚂蚁完成一次遍历后所释放的信息素总量，用于调节信息素的调整速度；ek是用第k只蚂蚁选出的一组权值作为神经网络计算权值的输出误差，定义为ek=|os-oq|。其中os和oq分别是神经网络的实际输出和期望输出。显然，误差越小相应的信息素的增量就越大。这即是蚁群算法正反馈机制的体现。

（6）重复步骤（2）到步骤（4），直至满足最大迭代次数。

（7）采用BP算法进一步训练神经网络。

（8）采用验证样本对训练好的神经网络进行泛化能力检验，若验证误差满足要求就退出程序；否则转到步骤（1）重新开始训练。

三、基于蚁群算法的故障诊断

由于人工神经网络具有强大的自适应功能、联想记忆和分布式存储功能和复杂的非线性映射能力等优点，已广泛应用于自动控制、组合优化、模式识别和图像处理等领域。BP网络是目前应用最广泛的神经网络模型之一，已在电力变压器的故障诊断中成功得到应用。但由于BP网络采用的是误差反向传播算法，是按误差函数梯度下降的方向进行收敛，所以就不可避免地出现了学习收敛速度慢和容易陷入局部最优点的问题。利用蚁群算法具有全局优化和启发式寻优的特点，将其运用到BP网络的权值和阈值组合寻优上，进行变压器的故障诊断，可大大提高诊断特性。

1.BP网络建立

由于油浸式电力变压器内部发生潜伏性绝缘故障后，反映故障信息的特征很多，因此，选取具有代表性的特征就成为故障识别的关键。大量相关文献显示，采用H2、CH4、C2H6、C2H4、C2H2这五种特征气体的体积含量作为变压器绝缘故障的诊断特征量效果良好。

（1）输入特征量的归一化处理。经过归一化处理的数据对于神经网络的训练和学习会更容易，所以这里对五种气体的体积含量在进入网络训练前进行计算体积含量相对比例的归一化处理，使其变换到0～1之间。设故障特征量为A，A的元素ai（i=1，2，…，5）分别表示H2、CH4、C2H6、C2H4、C2H2五种特征气体占气体总体积含量的相对比例，计算式如下：

（6）

式中：

（2）网络结构设计。理论分析证明，具有单隐含层的前馈网可以映射所有的连续函数。增加隐含层数目可以提高BP网络的非线性映射能力，但隐含层的数目超过了一定值，反而会使网络性能下降。本文采用含一个隐含层的三层BP网络。隐含层节点数使用经验公式：

（7）

式中：m为隐含层节点数，n为输入层节点数，l为输出节点数，α为1～10之间的整数。本实验中输入节点数为5，输出节点数为4，故隐含层节点数应在4～13之间。用MATLAB软件设计了隐含层数目可变的BP网络，通过对比确定最佳隐含层数目为7。

最终设计出的BP网络结构为三层：输入层节点数为5，分别对应五种特征气体占气体总体积含量的相对比例；隐含层节点数为7；输出层节点数为4，分别对应变压器绝缘故障的4种故障类型。

2.算例仿真比较

为了对该网络模型进行验证，收集290条经过剔除、筛选的变压器油中气体浓度数据，选取其中150条为训练样本，另外的140条为测试样本。这两类数据中都包含了正常状况和4类不同绝缘故障运行工况下的量。设置最大迭代次数NCmax为1000次，误差收敛因子为0.0001，隐含层和输出层的激励函数采用非线性Sigmoid函数；权值区间取[-2，2]，将区间分成50份，即μ=50，蚂蚁群数目m=40，蚂蚁选择概率中启发信息的α=0.7、β=2.3。残余信息量ρ=0.6，信息素总量Q=100。

由表1实验结果可知，本文给出的基于ACO算法的三层BP网络与单纯的BP网络相比具有更快的收敛速度，能够达到更小的均方差值。因此，此算法收敛过程具有明显的优势。

由表2中的诊断结果表明，本文提出的基于ACO-BP神经网络算法在变压器绝缘故障诊断上具有比单纯的BP网络更高的诊断准确度。

四、结论

本文利用ACO算法在解决离散问题时优良的启发式学习和全局寻优能力，试图将其运用到BP神经网络的训练中来弥补BP神经网络学习、收敛慢的缺点，充分发挥了两种方法的优点。实验结果表明，将该方法运用到电力变压器绝缘故障诊断中，与单纯的BP神经网络法相比，其在提高收敛速度和降低误判率方面有更优良的特性。

参考文献：

[1]杨海马，刘瑾，等.BP神经网络在变压器故障诊断中的应用[J].变压器，2009，46（1）：67-70.

[2]丁晓群，林钟云.神经网络应用于电力变压器故障诊断[J].电力系统自动化，1996，20（2）：32-35.

[3]基于蚁群算法的最短路径问题的研究和应用[J].计算机工程与应用，2007，43（13）：233-235.

第11篇

关键词： 神经网络； 气测录井； 油气层识别； BP算法

中图分类号： TN911?34 文献标识码： A 文章编号： 1004?373X（2014）04?0021?04

Application of neural network technology in interpretation of well logging parameters

SHAN Yuan?wei1，2

（1. Xi’an Resesrch Institute Co.， Ltd of China Coal Technology & Engineering Group Corp， Xi’an 710054， China；

2.Xi’an University of Science and Technology， Xi’an 710054， China）

Abstract：Artificial neural network technology is one of the new methods and technologies springing up along with the rapid development of computer technology in recent years. Valuable application and progress of neural network model have been achieved in the fields of speech reorganization and image processing. Its research findings have been introduced to the oil and gas field exploration and development， including the processing and interpretation of documents. It has become a new direction of domestic investigation in well logging to apply the artificial neural network technology to the logging of well. It is capable of processing and explaining well logging documents collected from the wells which are greatly influenced by the condition of well drilling， located in complicated geological conditions， and are difficult in oil?gas?water layers identification.

Keywords： neural network； gas well logging； oil layer identification； BP algorithm

0 引 言

在对气测录井检测评价油气储层技术的研究中，录井作为一种直接手段，在我国石油勘探中发挥着重要的作用，为油田的发现和发展做出了重要贡献。随着录井技术的不断发展，录井解释评价方法也在不断进步，如三角图版法和3H比值法改变了早期的定性解释评价方法[1]、由于定性解释评价受人为因素影响很大，虽然这些方法是不错的有效方法，但在使用过程中并非完美。比如在同一油气区使用这两种解释方法总结出的数据不一定复合[2]。因此，为了进一步发现新油层，扩大地质储量，要求用更先进的录井解释配套技术来提高油气层发现率，满足油田勘探开发的需要。

基于神经网络的信号滤波、谱估计、信号检测、系统识别等技术[3]，在自动控制、石油勘探、机器人、通信、雷达等领域有着广泛的应用。神经网络主要有以下四种基本模型，即Hopfield神经网络、多层感知器、自组织神经网络和概率神经网络[4]。本文章涉及的神经网络是多层感知器。应用该技术进行油气层识别，目前已有成功的范例。

1 神经网络基本原理

多层感知器是最常用的一种神经网络。它由一个输入层、几个隐含层和一个输出层组成，每个层都由多个神经元组成，神经元的输入通过传递函数输出，各个层上的神经元用权值相互连接，构成网络系统[5]，如图1所示。

多层感知器属于映射型神经网络。它的信息处理功能实际上是把N0维欧几里德空间中的子空间A映射成Nm维欧几里德空间中的子空间f（A），如图2所示。比如，把输入样本（录井、测井数据）通过复杂的数学变换关系变换成输出样本[6]。

三层感知器是目前应用较多的一种，是一种典型的前神经馈网络，理论上也较为成熟[7]。它由输出层、隐含层、输出层组成，第k层的神经元Y（k）应具有下列输入/输出关系：

[Y（k）=f（W（k-1））×Y（k-1）-θ（k））] （1）

第12篇

1.1人工神经网络基本原理

人工神经网络是一个并行的分布式数据处理与决策系统，将人工神经网络理论应用到故障诊断当中，不仅能够提高诊断的数据处理速度和诊断精度，而且还能够按照人们的设定对特定工作环境进行学习，具有良好的环境适应能力。人工神经网络的模型时模拟人类的大脑结构和工作原理进行信息处理的，其基本单元是神经元其中，wi表示每个输入xi所占的权重，当wi为正数时表示该输入xi对神经元产生激励，为负数时代表该输入对神经元产生抑制。其中f(x)是一个非线性函数，可以是阈值函数或者Sigmoid函数中的一种，标准的BP神经网络由输入层、隐含层和输出层三层神经元结构构成，其结构如图3所示。BP神经网络通过输出层神经元的逐层向前传播，以将输出误差“分摊”隐含层和输入层的每个神经元，进而得到各个层单元的参考误差和相应的权值，最终使误差加权值能够满足系统的误差要求。

1.2决策树

决策树是从一些杂乱无章的数据中通过层层归纳总结，得到最终决策结果的过程，它的结构是自上而下的，在每一个节点处都要进行属性判断，每一个分支表示数据流的通路，每个分支的终点表示决策的一类属性。决策树的基本结构如图4所示。

2故障诊断系统设计

故障诊断系统将人工神经网络技术应用到专家系统，使系统具有了良好的学习功能，能够很好的适应矿井下复杂的工作环境，实现对采矿机械系统故障准确诊断的目的。

2.1建立训练样本

实验以河南平顶山煤矿的一款煤炭采掘机作为实验对象，首先对其正常的工作状态进行监测分析，然后分别对机头和电机底座的螺丝进行人为的松动，对系统的主轴和各个齿轮进行人为不同程度的破坏，建立训练集，对系统进行训练。

2.2预测模型的建立

该系统采用CC55号测振动点和振动强度分别为150dB、160dB、170dB、180dB、190dB、200dB、210dB、220dB作为人工神经网络的输入层，输出层包含一个神经单元，用于表示CC55号振动点的故障位置，中间层选择16个神经元对输出误差进行平摊，尽可能减小输出层的输出误差，最后利用判决树的结构对预测结果进行定性判决，最终输出故障原因预测结果。

2.3预测结果与分析

试验中通过多次实验对比，选定人工神经网络的最大迭代次数为2万次，学习精度为0.005，在WIN7系统上运行MATLAB2011建立煤矿采掘机的BP人工神经网络预测模型，并首先利用150～220dB的振动强度对模型进行训练，然后分别对各个部位的小故障进行预测分析。以采煤机的常见故障主轴轴承损坏为例进行说明，主轴轴承损坏会加大一部分波段的振动强度，如图5所示，该振动强度区域比较密集地分布在一个区域中，采用BP人工网络3级处理的方法能够高效且尽可能多地将该区域覆盖，具有良好的效果。BP神经网络预测误差与训练迭代次数的关系曲线如图6所示，由图6中可以看出，当训练次数达到6000次时，模型的预测误差远远小于0.005，达到了预期迭代20000次。

3结果与讨论

1)由于人工神经网络具有很好的自组织和广泛的学习能力，在得到充分的学习和训练后，网络能够达到很高的精度，且具有很好的收敛性，因此在煤矿井下机械设备故障诊断中可以通过建立BP－人工神经网络预测模型对机械设备的故障进行监测。

第13篇

（天津理工大学管理学院，天津 300384）

（School of Management，Tianjin University of Technology，Tianjin 300384，China）

摘要： 本文采用了一种将证据理论与BP神经网络相结合的信息融合算法，该方法集中了两种算法的优势使得计算结果更加准确，为众多商业银行带来切实的利益。

Abstract: This paper uses the information fusion algorithm by the combination of evidence theory and BP neural network, this approach focuses the advantages of the two algorithms to make the results more accurate and bring tangible benefits for many commercial banks.

关键词 ： 物流金融；信用风险；BP网络；证据理论

Key words: logistic finance；credit risk；BP network；evidence theory

中图分类号：F252 文献标识码：A

文章编号：1006-4311（2015）06-0016-02

0 引言

中小企业作为中国经济快速发展的生力军，贷款难一直是制约其快速进步的最主要的因素。近年来物流业大发展也使得以运输、仓储为主的传统经营不再能满足其对利益的追逐。另外，物流金融作为商业银行的重要创新，成为其在激烈的同行业竞争中取胜的必然选择。综上，物流金融势必成为中小企业、物流企业、商业银行多方关注，谋求共赢的一种发展趋势。

最早的物流金融概念是由浙江大学的邹小芃和唐元琦于2004年提出。他们认为物流金融就是面向物流运营的全过程，应用各种金融产品，实施物流、资金流、信息流的有效整合，有效地组织和调剂供应链运作过程中的货币资金的运动[1]。作为一种委托关系，信用是其健康运作的基础，信用风险则成为商业银行所面临的首要风险。由于物流金融业务的特殊性，其表现出与传统信贷相比更为复杂的信用风险，传统意义的信用风险评价指标体系和评价模型将会失灵，建立一整套科学进步、基于物流金融融资模式的信用风险评价体系就显得尤为重要。

本文通过将信用风险的输入数据按物流金融业务特征进行重新开发分类，建立BP网络组。根据网络组的输出，得出对于各类信用度的基本概率分配函数，最后利用DS证据理论融合。将其应用于商业银行对物流金融的信用评估中，从而实现风险的最终决策，提高了风险度量的准确度，使得商业银行在新兴的物流金融业务下的操作风险有效监控得到提升。

1 商业银行物流金融信用风险体系指标

根据物流金融的运作特点，可将其风险来源归纳为来自融资企业、抵押物以及第三方物流企业三大方面。借鉴Altman，Haldeman和Narayanan（1977）提出的第二代“ZETA计分模型”中企业信用评价指标体系[3]，将来自融资企业的风险细化为中小企业营运能力w1、盈利能力w2、偿债能力w3、及信用记录w4四大方面的十个具体指标，分别为w11持续经营、w12资产回报率、w13存货周转率、w21连续盈利、w22税后利润率、w23销售利润率、w31稳定存货、w32资产负债率、w33速冻比率、w41履约率。我国现阶段的物流金融业务主要集中于基于权利质押以及基于存货质押两种，因此质押物本身的质量也直接关系其风险大小。指标包括：所有权w51、市场性质w61、保险率w71三方面。作为重要参与方的物流企业为实现其对质押物的有效监管，企业规模w81及企业信誉w91也即成为影响物流金融风险的重要指标。

2 基于BP神经网络和证据理论的评价方法

2.1 BP 神经网络的基本原理

BP神经网络，是由Rumelhart 和 McCelland 等人（1986）提出的。其基本思想是，学习过程由信号的正向传播与误差的反向传播两个过程组成。正向传播时，输入样本从输入层通过隐含层传向输出层。若输出层的实际输出与期望输出不符，则转入误差的反向传播阶段，并将误差分摊给各层的所有单元。正向传播与误差反向传播周而复始，一直到网络输出的误差减少到可接受的程度，或预先设定的次数为止。

2.2 证据理论的基本原理

2.3 信用风险评估算法

为了保证神经网络的收敛和稳定性，本论文中将15个指标分为四组，建立4个神经网络NN1，NN2，NN3和NN4。神经网络的输出设计为（0.1，0.1，0.9）T、（0.1，0.9，0.1）T、（0.9，0.1，0.1）T，表示的信用风险级别分别为高风险、中度风险、低风险，记为A1，A2，A3。将输出归一化，得到向量（a′i1，a′i2，a′i3）T，记作V′i。令mi（Ai）=a′il，i∈{1，2，3，4}，l∈{1，2，3}，表示由NNi 得到的对信用风险级别Ai的基本信任度，即针对事件Ai的证据。之后，再将4个证据利用DS证据理论融合。就可以对信用风险进行评估，最初最终决策。

3 应用实例

本次数据采集共发出问卷200份，收回135份，有效问卷92份。将前91组数据分别训练神经网络。再将余下1个样本输入训练好的神经网络，归一化处理输出结果即得该证据对该命题的基本概率分配，而后利用DS证据理论将其融合得到最终优化结果。

由表2可知，中度风险类型O2的概率随着融合次数增多逐渐趋向于1，而其余两种风险类型则趋近于0，与表1中结果相比大大地提高了结果的准确性。

4 结论

本文所提出的基于神经网络和DS证据理论的物流金融信用风险评价模型，其优势表现为：此两种算法的结合，不仅克服了单一神经网络达到高精度需要迭代次数过多而造成实时性差的缺点，而且通过大量标准样本对神经网络的训练，使得DS证据理论对系统的决策更加准确。

参考文献：

[1]邹小芃，唐元琦.物流金融浅析[J].浙江金融，2004（5）：80-83.

第14篇

【关键词】PID控制 神经网络 系统辨识 模型构建

1 神经元基础模型分析

单神经元是一种被称为MoCulloch-Pitts（1943年）模型的人工神经元。它是模仿生物神经元的结构和功能、并从数学角度进行描述的一个基本单位，由人脑神经元进行抽象简化后得到。人工神经元是神经网络的最基本的组成部分。

2 基于神经网络的辨识

系统辨识（System Identification）是现代控制理论中一个很重要的组成部分。在现代的控制过程中，由于系统越来越复杂，被控对象的实际数学模型已经无法进行精确的给定与描述，故需要一门控制理论，在掌握被控对象的变化规律下，由另一种方法确定一个近似的、易于描述与控制的数学模型来近似代替这个不可知的复杂模型。

根据L.A.Zadel的系统辨识的定义（1962），辨识就是在分析输入和输出数据的基础上，从一组给定的模型类（Model Set）中，按照一定的规则，确定一个与所测系统等价的模型，如果所测系统模型未知，那么这个等价的模型就可以来近似代替系统模型。从定义中可以得到辨识的三要素：输入输出数据、模型类、等价准则。

神经网络对非线性函数的逼近能力非常好，当神经网络满足一定条件时，可以以任意精度逼近任意非线性连续的函数或者分段连续的函数。因此，用神经网络来完成非线性系统辨识功能是一个很好的选择。

神经网络系统辨识一般有并联型和串-并联型两种辨识结构。并联模型由待辨识系统、神经网络、误差反馈实现。串―并联型模型由待辨识系统、时延网络、误差反馈与神经网络实现，这两种系统都可以实现通过误差对系统进行在线调整，但是后者用待辨识系统的输入输出数据作为辨识信息，并用误差进行校正，能使系统更收敛、稳定，因此，串―并联型模型应用较多。

这两种模型均属于正向模型，是利用多层前馈神经网络（指BP网络类型的神经网络），通过训练与学习，建立一个模型，使其能表达系统的正向动力学特性。另外还有一种逆模型，前提是其拟辨识的非线性系统可逆，因为并不是所有的系统都满足这一点，故其应用没有正向模型广泛。

基本结构的的Elman神经网络是阶层结构，类似于一般的多层前馈神经网络，也有输入层，隐含层和输出层。但除此之外，Elman神经网络还有一层特殊的结构单元―衔接层，衔接层中的节点一一对应于隐含层中的节点，隐含层的输出经过一步延迟后反馈到衔接层，将隐含层过去的状态与神经网络下一时刻的输入一起作为隐含层单元的输入，从而使得Elman神经网络具有了动态记忆能力。

3 基于神经网络的非线性自整定PID控制

PID控制是发展最早的经典控制算法之一，而且PID控制器一直是控制领域的基本控制方式，其算法简单，可靠性高，利用系统的偏差，基于比例（P）、积分（I）、微分（D）来进行控制。

3.1 PID控制基本原理

经典PID控制器系统如图1所示。

经典的PID控制器是一种线性控制器，该系统由PID控制系统与被控对象组成。它将输入值rin（t）与实际输出值yout（t）的偏差e（t）作为控制量输入，将偏差的比例（P）、积分（I）和微分（D）进行线性组合，作为被控对象的控制量u（t），对其进行控制。其控制器的输入输出关系可用式3来描述。

在计算机技术日益普及的现代工业生产过程中，将PID控制算法等控制方法应用于计算机中，组成计算机控制系统，能够完成更多更复杂的计算与控制。由于计算机处理的是数字量，故需将PID控制算法数字化。

3.2 基于神经网络的非线性PID自整定原理及设计

将神经网络应用于PID参数的自整定方案设计如图2所示。

其中NNC与NNI神经网络均采用递归神经网络，经过上面的研究我们知道Elman神经网络具有很好的跟踪特性，故在这里应用Elman神经网络，并用梯度下降法进行修正。NNI是神经网络系统辨识过程，在上面已经介绍过，所以在下面只介绍神经网络控制器NNC的学习算法。

我们知道，u（k）的求出需要u（k-1），e（k），e（k-1），e（k-2）四个数据，神经网络的作用在于在线调整Kp、KI、KD三个系数，故神经网络的输出为这三个数。给定神经网络的输入为u（k-1），y（k-1），隐含层个数为hc个（可以改变）。其学习算法如下：

3.2.1 前向计算

基于递归神经网络的非线性自整定PID控制器算法过程归纳如下：

（1）设定初始状态与参数初始值，包括NNC系统的连接权值wc、vc，学习速率，和一些中间变量的初始化。

（2）进行离线辨识过程，在训练有限步数后，使得y（k）与充分逼近，取此时的连接权值，用于在线过程。

（3）用上一步得到的连接权值用NNI进行在线辨识，求出系统输出y（k），并进行修正，

记录下修正后的的值。

（4）给定系统的输入yr（k），求出y（k）与yr（k）的误差E（k）。

（5）用u（k）、y（k）作为NNC的输入，求出PID控制器的三个参数，并用式3-9求出下一步的输入u（k+1），前两步时e（k-1）、e（k-2）未知，默认初始值为0。并用梯度下降法进行连接权值的修正，也即NNC网络的输出的修正，完成PID控制器的参数在线自调整。

（6）使k=k+1，返回第三步重新计算，直到完成设定的训练步数上限。

4 结论

通过以上分析可以看出本论文提出Elman神经网络进行非线性自整定PID控制器的设计，并加入神经网络的非线性系统辨识过程，用辨识过程中的中间值参与参数自整定环节，可以使自整定环节更加精确，从而提高系统的工作性能。

参考文献

[1]陶永华.新型PID控制及其应用[M].北京：机械工业出版社，2002，17-49.

[2]朱庆A.BP多层神经网络在控制中的应用[D].广西：广西大学，2004（05）.

第15篇

【关键词】PID控制;BP神经网络;模糊PID控制

Abstruct：PID control are widely used in industrial process control，but the traditional PID control because of its control parameters are fixed，and it is difficult to adjust its parameters online.So this paper studies a new adaptive fuzzy PID control method，to solve problem without the ability to learn，and put forward a kind of adaptive fuzzy control method based on BP neural network in this paper.It is the effective combination of fuzzy control，neural network and PID control.Simulation results show that this fuzzy PID control method based on BP neural network has good control effect.

Keywords：PID control;BP neural network;Fuzzy PID control

1.引言

常规PID在控制领域被广泛应用，利用数学算法来整定参数。而且随着控制系统的复杂，被控对象很难建立数学模型，人们开始探索新的控制方式。模糊控制不要求掌握被控对象的精确的数学模型，根据人工控制规则组织控制决策表，然后由该表决定控制量的大小。在一般的模糊系统设计中，规则是由经验丰富的专业人员以语言的方式表达出来的。但对于某些问题即使是很有经验的专业人员也很难将他们的经验总结、归纳为一些比较明确而简化的规则。在这种情况下，就可以应用神经网络的方法，依靠BP神经网络的自学习功能，实现模糊控制的神经、模糊融合技术，并借助其并行分布的结构来估计输入到输出的映射关系，直接从原始的工作数据中归纳出若干控制规则。从而为模糊系统建立起行之有效的决策规则。

2.PID控制器原理

2.1 PID控制的微分方程

PID控制器是一种线性控制器，它将给定值r（t）与实际输出值c（t）的偏差的比例（p）、积分（I）、微分（D）通过线性组合构成控制量，对控制对象进行控制。

式中：

2.2 PID控制器各环节的作用

（1）比例环节：及时成比例地反应控制系统的偏差信号e（t），偏差一旦产生，控制器立即产生控制作用以减小偏差。

（2）积分环节：积分作用会使系统稳定性下降，Kd大会使系统不稳定，但能消除静态误差。

（3）微分环节：能反应偏差信号的变化趋势，并能在偏差信号值变得太大之前，在系统中引入一个早期修正信号，从而加快系统的动作速度，减小调节时间。Kd偏大时，超调较大，调节时间短;Kd偏小时，超调量也较大，调节时间长;只有Kd合适时才能超调小，时间短。

3.BP神经网络与模糊控制

模糊控制是运用语言归纳操作人员的控制策略，运用变量和模糊集合理论形成控制算法的一种控制。如何让机器像人一样识别、理解模糊规则并进行模糊逻辑推理，最终得出新的结论并实现自动控制是模糊控制研究的主要内容。模糊控制器的基本结构如图1所示。

图1 模糊控制结构

人工神经网络是由大量人工神经元经广泛互连二组成的，它可用来模拟脑神经系统的结构和功能。人工神经网络可以看成是以人工神经元为节点，用有向加权弧连接起来的有向图。BP网络是一种利用误差反向传播训练算法的神经网络，是一种有隐含层的多层前馈网络，系统地解决了多层网络中隐含单元连接权的学习问题。BP学习算法的基本原理是梯度最速下降法，它的中心思想是调整权值使网络总误差最小。也就是采用梯度搜索技术，以期使网络的实际输出值与期望输出值的误差均方值为最小。网络学习过程是一种误差边向后传播边修正权系数的过程。其结构如图2所示。

图2中隐含层第一层神经元为7个，分别对应7个模糊子集：NB、NM、NS、ZO、PS、PM、PB。第二层49个神经元代表49条规则。第三层7个神经元代表输出的7个模糊子集。模糊控制不依靠对象的数学模型，但模糊规则的建立需要人工经验。采用BP算法对工程经验和专家经验的模糊规则进行训练，其实就是把模糊规则用神经网络来表示，即经过神经网络的学习，将模糊规则以加权系数的形式表现出来，规则的生成就转化为加权系数的确定和修改。

神经网络是大规模并行运算，但由于网络结构复杂，训练和学习需要大量的时间，所以目前还无法实现实时控制。在具体应用中，我们是先离线将神经网络的各层权值和阈值训练出来，将其参数固定下来，然后将有系统检测、计算得到的误差变化直接代入非线性映射关系中，由计算机算出控制量，再用作被控对象。在matlab下以、、为输出的BP网络仿真训练如图3、图4、图5所示。

4.模糊PID控制器的原理与仿真

对于某一BP神经网络控制系统，其中内部变化及被控对象的数学模型为：

利用模糊控制对PID参数实现在线调节，原理如图6。

图6 模糊PID控制原理图

采用Z-N法和试凑法相结合，借助MATLAB的SIMULINK平台，对被控对象进行常规PID仿真。参数值：kp=15，ki=6，kd=0.05。如图7。作为比较，建立模糊PID控制器的仿真模型如图8。

图9、图10分别为被控对象G（s）在阶跃输入下常规PID和模糊PID仿真结果的比较。

经过仿真发现，常规PID控制缺点是超调量大，调节时间长，动态性能差。优点是控制精度高，稳定性能好。模糊控制动态性能很好，上升速度快，基本无超调。但由于模糊化所造成的稳态误差，在没有积分环节的情况下很难消除，故稳态性能差。模糊PID继承了二者的优点，摒弃二者缺点，具有更全面优良的控制性能。

5.结论

针对大滞后、慢时变、非线性的复杂系统，提出了一种基于BP神经网络的模糊PID控制算法，该算法不依赖被控对象的精确数学模型，可实现在线自调整模糊规则，从而增强了模糊控制器的自学习能力。通过算法的仿真研究，验证了算法的可行性。

参考文献

[1]李华.计算机控制系统[M].北京：机械工业出版社，2007.

[2]高隽.人工神经网络原理及仿真实例[M].北京：机械工业出版社，2007.

[3]蔡自兴.智能控制[M].北京：电子工业出版社，2003.

[4]李国勇.智能控制及其MATLAB实现[M].北京：电子工业出版社，2005.

[5]张德丰.MATLAB神经网络应用设计[M].北京：机械工业出版社，2009.

[6]刘金琨.先进PID控制及其MATLAB仿真[M].北京：电子工业出版社，2003.

[7]刘玲.三容水箱的单神经元自适应PID控制研究[J].信息技术，2005，3（8）：32-137.