前言：想要寫出一篇令人眼前一亮的文章嗎？我們特意為您整理了5篇人工神經網絡的實際應用范文，相信會為您的寫作帶來幫助，發現更多的寫作思路和靈感。

人工神經網絡的實際應用范文第1篇

【關鍵詞】氣體識別;自組織神經網絡

1.引言

氣體識別在環境保護、化工控制、家用報警、食品保鮮、溫室環境控制、航空航天等領域有著廣泛的應用。應用氣體傳感器進行多組份氣體的定性定量研究，可以極大的降低測量成本，減小測量周期，并可實現在線的實時測量。但由于當前氣體傳感器普遍存在著交叉敏感和選擇性差等缺點，使用單一傳感器很難實現多組份氣體的檢測分析。為解決以上問題，一方面可以采用新材料、新工藝來改善傳感器本身的性能;另一方面可以將現有的氣體傳感器構成陣列，并與自組織神經網絡技術相結合。本文采用后者的原理，即通過多個敏感程度不同的氣體傳感器組成傳感器陣列，結合神經網絡模式識別算法進行氣體識別分析。

人工神經網絡（Artificial Neuron Networks，ANN）人工神經網絡（Artificial Neutral Networks，ANN）是一個由大量簡單處理單元廣泛連

接而成的復合網絡系統。神經元結構是受到生物神經元的啟發而得來的。目前應用的神經網絡類型有很多，其中應用最廣的是BP神經網絡，神經網絡需要學習的過程，即利用外部條件作用于神經網絡，使其能重新對外界做出反應。將氣體傳感器陣列與采用BP算法進行訓練的人工神經網絡模式識別技術相結合形成的氣體識別系統，是利用傳感器陣列對混合氣體的高維響應模式來實現對混合氣體的定量檢測。其中傳感器陣列的選取、傳感器信號的預處理方法、BP神經網絡的結構和參數以及測量環境是影響系統性能的可能因素。

2.人工嗅覺系統

人工嗅覺系統是一種化學分析系統，它由一個具有部分專一性的電子化學傳感器陣列和一個合適的模式識別系統組成。由于人工嗅覺系統主要模仿的是生物的嗅覺系統，所以人工嗅覺系統也可被稱為“電子鼻”或者電子嗅覺系統。

2.1 電子鼻簡介

電子鼻這個術語開始出現于二十世紀八十年代晚期，當時它被用于1987年的一個學術會議。較為科學的電子鼻的概念出現于1994年英國Warwick大學的J.W.Gardner發表的文章中，并且J.W.Gardner綜述了世界各國人工嗅覺系統的發展概況。

電子鼻模仿人的鼻子的功能，以電訊號的方式予以表達，可以工作在惡劣或有毒的環境下，在食品、化工、環保、醫療診斷、檢驗等方面有很重要的應用，其關鍵技術就是氣體傳感器陣列。

2.2 人工嗅覺系統的原理及基本組成部分

人工嗅覺系統主要是受生物的嗅覺系統啟發和影響，以下是該系統中的關鍵因素：

（1）對微量、痕量氣體分子瞬時敏感的監測器，以得到與氣體化學成分相對應的信號;

（2）對檢測到的信號進行識別與分類的數據處理器，將有用的信號與噪聲加以分離;

（3）將測量數據轉換為感官評定指標的智能解釋器，得到合理的感官結果。

2.3 氣體傳感器

氣體傳感器是一種將氣體的成分、濃度等信息轉換為可以被人員、儀器儀表、計算機等利用的信息的裝置。

2.3.1 半導體氣體傳感器

半導體氣體傳感器在氣體傳感器中約占60%，根據其機理分為電導型和非電導型，電導型中又分為表面型和容積控制性。

2.3.2 表面敏感型傳感器元件

表面敏感型傳感器元件SnO2-Pd、ZnO-PT、AgO、Pt-SnO2，可檢測氣體為CO、NO2和氟利昂等，傳感材料Pt-SnO2的氣體傳感器可檢測氣體為可燃性氣體如H2、CO、CH4等。

2.3.3 容積控制型傳感材料

容積控制型傳感材料有TiO2、CoO-MgO-SnO2等，其半導體氣體傳感器可檢測氣體為液化石油氣、酒精和燃燒爐氣尾氣等。

3.神經網絡

人工神經網絡（Artificial Neuron Networks，ANN）是近年來人工智能的一個重要科學分支。二十世紀五十年代末人工神經網絡系統開始作為人工智能的一種重要計算工具逐漸受到重視。進入二十世紀八十年代后期，人工神經網絡的研究進入了一個新的。主要原因是：一方面經過幾十年迅速發展起來的以邏輯符號處理為主的人工智能理論和馮-諾依曼計算機在處理諸如視覺、聽覺、形象思維和聯想記憶等智能信息問題時遇到挫折;另一方面，具有并行分布處理模式的人工神經網絡本身的研究取得了巨大的進展。

神經網絡具有一些不同于其它計算方法的性質和特點以及它自身是基于人類大腦結構和功能而建立起來的，因此具有很多和人類智能類似的特點。首先，神經網絡將信息存儲在大量的神經元中，具有內在的知識索引功能。信息在網絡中使用兩種方式被保留：一種是神經元之間的連接，另一種是連接權重因子。其次，人工神經網絡具有對周圍環境自學習、自適應功能，也可用于處理帶噪聲的、不完整的數據集。在人工神經網絡中，輸入與輸出的關系不是由單獨的神經元直接負責的，相反是與神經元的輸入輸出有關。最后，人工神經網絡模擬人類的學習過程。人類大多數的學習和求解過程都是采用嘗試法，而人工神經網絡可以以相同的方式運行。

神經元（neuron）即神經網絡中的基本處理單元，也就是節點。一般節點由輸入與輸出、權重因子、內部閥值和函數形式四部分組成。

圖1 神經元模型

圖1給出了一個基本的神經元模型，它具有R個輸入，每個輸入都通過一個適當的權值wli和下一層相連，網絡輸出可表示為：

式中，n為該神經元（序號l）的總輸入;

f（n）為神經元輸入輸出關系的函數，稱為作用函數、響應函數或傳遞函數。

人工神經網絡的拓撲結構是指它的處理單元是如何相互連接的，主要由輸入層、隱含層和輸出層組成。每一節點的輸出被送到下一層的所有節點。通過將這些處理單元組成層，將其相互連接起來，并對連接進行加權，從而形成神經網絡的拓撲結構，將若干個人工神經元作為有向圖的節點，可連接成人工神經網絡。其中每一層對于人工神經網絡的成功都非常關鍵。可以將人工神經網絡輸入層、隱含層和輸出層看成為一個通過輸入層的所有節點輸入特定信息的黑箱。人工神經網絡通過節點之間的相互連接關系來處理這些信息，最后從輸出層的節點給出最終結果。

4.誤差反向傳播網絡（BP網絡）

1985年，以Rumelhart和McClelland為首提出了至今仍廣泛接受和使用的誤差反向傳播學習算法。按照這一算法進行訓練的多層神經網絡被直接稱為BP神經網絡。BP網絡是一種多層前饋型神經網絡，其神經元的傳遞函數是S型函數，輸出量為0到1之間的連續量，它可以實現從輸入到輸出的任意非線性映射。其權值的調整采用反饋傳播學習算法。

目前，在人工神經網絡的實際應用中，絕大部分的神經網絡模型都采用BP網絡及其變化形式。BP網絡主要用于以下四方面：

（1）函數逼近：用輸入矢量和相應的輸出矢量訓練一個網絡以逼近一個函數;

（2）模式識別：用一個特定的輸出矢量將它與輸入矢量聯系起來;

（3）分類：把輸入矢量所定義的合適方式進行分類;

（4）數據壓縮：減少輸出矢量維數以便于傳輸和存儲。

對于神經網絡算法，使用基于誤差反向傳遞的神經網絡算法設第p個模式XP=（X1P，X1P，…XNP，）T，p=1，2，…，N（N為模式個數），將其視為BP網絡的輸入，yip為其實際輸出，隱含層和輸出層各單元的激活函數采用sigmoid函數，即：

一般基于BP的神經網絡算法具體步驟如下：

Step1、構造網絡，初始化網絡的權矩陣，設置學習因子，動態因子，跌代次數和允許誤差;

Step2、從一個網絡開始，提供訓練模式;

Step3、開始訓練第k個網絡;

Step4、前向傳播過程，對所有訓練模式，計算網絡的實際輸出并與目標輸出相比較，如果誤差超過運行誤差，則進行下一步，否則訓練第k+1個網絡;

Step5、反向傳播過程：計算隱含層和輸出層各單元的誤差精度，修正權值和閥值：

式中，為學習效率;

di為教師信號或希望輸出;

為實際輸出yi與希望輸出di之差，其中yi和xj是取1或0的離散值。

Step6、繼續訓練第k個網絡。

BP網絡的訓練函數有traingd、traingdm、traingdx、trainrp、traincgf、traincgp等。由于BP網絡的簡單性，在人工嗅覺系統的模式識別部分占有很大的比例，許多以前和現在的一些成熟人工嗅覺系統的產品仍然使用BP神經網絡進行模式識別。

BP網絡的學習是通過求解一個優化問題完成的，從數學的角度看，它是通過函數逼近擬合曲面（線）的想法，并且將其轉化為一個非線性優化問題而求解。BP網絡是對簡單的非線性函數進行復合，經過多次復合后，則可以實現復雜的函數，但存在BP學習算法收斂速度慢、不完備性和隱節點數只能憑經驗選取。

由于存在上述問題，科學家們從利用線性的自適應步長加速BP算法和增加動量項來去除收斂過程中的局部最小點。模擬退火（Simulated Annealing，簡稱SA）思想是由Metopolis等人提出的，它可以很好的避免局部最小點的出現，把它用在優化中是由Kirkpatrick等人提出的。組合優化問題的解空間中的每一個點都代表一個解。不同的解有著不同的目標函數值。優化過程就是在解空間中尋找目標函數的最小解。

SA算法的特點是通用性強、可達到全局最小。傳統的啟發式搜索算法如快速下降法，每次都是向改進解的方向搜索，往往只能找到一個局部最優解，而不是全局最優解。而SA算法在系統朝能量減少這個總趨勢的過程中，允許解的搜索以一定的概率向較差的方向走，以避開局部最小，而最終穩定到全局能量最小的狀態。

5.利用自組織神經網絡進行氣體識別

將被測氣體按所需測量精度和濃度范圍按成份分成不同的濃度等級，采用標準氣體配置這些等級的不同成份氣體的所有組合作為標準模態來訓練神經網絡。通過識別某一未知氣體樣本的模式，即可以得到未知氣體的成份濃度。例如，選用N種互相參比配制混合氣體樣本。根據傳感器的靈敏范圍，將配制的氣體濃度限制在a1到am以內，濃度變化間隔為l。這樣每種氣體有m種濃度模式，共計可得到mN個樣本。采用這些樣本作為原始數據訓練自組織神經網絡，就可以實現在這一濃度范圍內的最大誤差為l的氣體定量測量。

人工神經網絡的實際應用范文第2篇

論文關鍵詞：人工神經網絡(ANN)，船舶與海洋工程，海洋預報與預測，海洋資源評估，海洋環境監測

 

人工神經網絡是對人類大腦特性的一種描述。它是一個數學模型，可以用電子線路實現，也可以用計算機程序來模擬。是人工智能研究的一種方法。主要功能有：聯想記憶、分類識別、優化計算、非線性映射。由于其具有好的容錯性、并行處理信息、自學習性及非線性映射逼近能力等特點,因此被廣泛的應用于各個領域。

ANN在海洋領域的應用起步較晚。20世紀90年代以來，國內外掀起了應用ANN研究海洋問題的熱潮。相比傳統方法，由于ANN提高了預測的準確性，減少了對數據的要求并且便于應用，到目前為止，ANN模型的應用已經遍布海洋工程（包括港口、沿海、近海和深海工程）海洋環境監測，海洋預報與預測，海洋資源與環境等各方面，并且應用前景不斷擴大。本文通過梳理相關文獻，分析和總結了ANN在海洋領域的研究進展和主要成果，以期為相關研究提供參考。

1 船舶與海洋工程

鋼材腐蝕問題是海洋工程的重大課題。國內許多學者通過建立ANN模型考察海水環境相關參數與鋼材腐蝕速度的相關性。劉學慶等根據四層BP神經網絡分析了3C鋼腐蝕速度與海水環境參數的相關性,建立了3C鋼在海洋環境中腐蝕速度的人工神經網絡模型，證明該方法在監測與評價區域海洋環境腐蝕性方面具有實際應用價值[1]。鄧春龍等研究建立了海洋環境材料腐蝕與防護數據庫，收集和整理了大量的材料腐蝕數據。并在此基礎上建立了誤差反傳（BP）人工神經網絡預測模型和灰色GM（1,1）腐蝕預測模型。從而形成一套較完整的數據采集、處理和分析網絡系統[2]。王佳等采用電化學、人工神經網絡和數據庫方法研究了5種海洋工程鋼材在深海環境中非現場腐蝕行為評價技術。結果表明,結合采用多種非現場方法可以可靠評價深海環境鋼材的腐蝕行為[3]。劉艷俠等同樣利用三層BP神經網絡,根據已有的3C鋼在不同海水環境參數下的腐蝕速度數據,建立了3C鋼在海洋環境中腐蝕速度的人工神經網絡模型;并分析預測了海水環境參數與腐蝕速度之間的關系 [4]。

ANN在海洋工程中的應用主要是海洋平臺的抗擊性和穩定性的模擬。許亮斌等針對海洋平臺樁基模擬中存在的問題，將神經網絡應用于樁基分析 [5]。淙在引進遺傳算法的基礎上構造了工程結構優化的神經網絡模型,計算結果表明這一方法具有很好的穩定性和全局收斂性[6]。周亞軍等將經典最優控制算法與人工神經網絡相結合，采用BP神經網絡模型，實現了受隨機波浪力作用下的海洋平臺的振動主動控制[7]。由于神經網絡的優越性能，克服了傳統算法本身的時滯問題，為海洋平臺的振動控制提供了一條新的思路。

以上學者都對神經網絡進行了一定程度的改進和完善，達到了良好的模擬和預測效果，推進了海洋工程中ANN理論的發展。除此以外，針對波浪數據的完備性對于海岸海洋工程設計的關鍵作用, 人工神經網絡作為一個具有高度非線性映射能力的計算模型，在工程中具有廣泛的應用前景。在數值預測方面，它不需要預選確定樣本的數學模型海洋環境監測，僅通過學習樣本數據即可以進行預測論文格式范文。

2 海洋預報與預測

赤潮作為海洋災害的一種，對海洋經濟造成巨大影響。蔡如鈺利用人工神經網絡BP算法,建立了赤潮預報模型 。楊建強通過比較發現人工神經網絡方法在模擬和預測方面優于傳統的統計回歸模型,具有較強的模擬預測能力及實用性 。在此基礎上，為克服BP網絡訓練易陷入局部最優的缺點，王晶采用遺傳算法改進網絡訓練方法，建立赤潮生物密度與環境因子的人工神經網絡的預報模型，保證網絡達到全局最優。此外，還有部分學者將改進的人工神經網絡模型用于赤潮預報，經過實證研究，取得良好的預測效果。

潮汐預報對人類活動和降低海洋環境建筑成本是非常重要的。為了解決潮位預測中存在的時滯問題,提高預測精度，不少學者進行了初步探索，并且普遍認為BP模型應用于潮汐預報具有較高的預測精度和良好的泛化能力,它為海洋潮汐預報工作提供了一種全新的思路和方法。張韌利用人工神經網絡BP模型及其優化算法，建立起了赤道太平洋緯向風和滯后的東太平洋海溫之間的映射關系和預報模型，結果表明，這種方法可有效用于辯識和反演復雜的大氣、海洋動力系統及其預報模型.馮利華針對海洋預報問題，初步建立了基于神經網絡的預報分析系統，給出了應用實例。以我國東南沿海地區一次登陸臺風所造成的最大24小時暴雨量為例來說明ANN在海洋預報中的應用問題。羅忠輝采用人工神經網絡智能方法，建立了多參數聲速預報神經網絡模型海洋環境監測，克服了回歸擬合方法在獲得海底沉積物聲速預報中存在的不足，為海底沉積物的聲速預報提供了一條新途徑。

3 海洋資源評估

張富元等利用東太平洋CC區多波束海底地形測量、結核覆蓋率深拖系統探測、結核豐度地質采樣和地球物理地震勘探資料,運用板塊構造和沉積動力學理論,并與豐度趨勢面和神經網絡分析結果對比,對東太平洋CC區構造與多金屬結核資源效應關系進行了探討。李少波等討論了如何利用神經網絡預測天然氣水合物的合成和分解。利用了聲速、幅度、頻率來反映天然氣水合物的合成，建立了一個3層前向型網絡,通過實驗,人工神經網絡的引用取得了良好的效果。近年來人工神經網絡還越來越多地被用來預測水資源。在水資源應用中,前饋神經網絡建模技術是使用最廣泛的類型。

4 海洋環境監測

非法排放油污和海上漏油事件對海洋生態系統造成的嚴重危害，人工神經網絡可以有效的用于海水石油污染診斷。李偉認為海中懸移質是決定海洋光學性質、海洋水質,河口海岸帶演變動力過程的重要環境參數。利用模擬遙感反射比數據集建立人工神經網絡反演懸移質濃度,并利用東中國海現場同步數據對該算法進行驗證，神經網絡技術對于反演大洋水和沿岸海域中的組分濃度有一個很好的前景。劉輝等采用BP神經網絡和廣義回歸神經網絡2種方法進行訓練,建立了南海南部海區的上混合層深度人工神經網絡計算模型 。結果顯示,人工神經網絡方法精度較高,是一種切實可行的上混合層深度估算方法。

5 結語

人工神經網絡在海洋領域的應用遍布海洋工程、海洋科學技術、海洋環境資源等各個方面。國內外學者根據研究的需要設立了不同的ANN模型，隨著時間的發展，這些模型的預測和分析能力逐步完善。大量實證結果表明，很多ANN模型都取得了良好的模擬和預測效果。大部分的人工神經網絡模型對傳統的統計回歸計算、時間序列分析、模型匹配和數值方法等產生了替代或補充作用。在某些情況下，神經網絡的應用減少了對數據的要求。在未來，隨著現有模型的不斷完善和ANN模型缺陷的不斷糾正，先進和混合神經網絡結構很可能會在海洋領域更多方面得到廣泛應用。

參考文獻

[1]劉學慶,唐曉,王佳.3C鋼腐蝕速度與海水環境參數關系的人工神經網絡分析[J].中國腐蝕與防護學報, 2005,(1):11-14.

[2]鄧春龍,孫明先,李文軍等.海洋環境中材料腐蝕數據采集處理網絡系統的研究[J].裝備環境工程,2006,(3):58-62.

[3]王佳,孟潔,唐曉等.深海環境鋼材腐蝕行為評價技術[J].中國腐蝕與防護學報. 2007,(1):1-7.

[4]劉艷俠,高新琛,張國英等.BP神經網絡對3C鋼腐蝕性能的預測分析[J].材料科學與工程學報,2008,(1):94-97.

[5]許亮斌,陳國明.神經網絡在平臺樁基分析中的應用[J].中國海上油氣(工程),2001,(1):7-10.

[6]淙.海洋工程結構優化的遺傳Hopfield神經網絡算法研究[J].中國海洋平臺,2001,(5-6):58-61.

[7]周亞軍,趙德有,馬駿.基于人工神經網絡的海洋平臺振動主動控制[J].船舶力學, 2003,(5):65-69.

人工神經網絡的實際應用范文第3篇

關鍵詞：BAM神經網絡；平衡點；時滯；穩定性

中圖分類號：TP 183 文獻標識碼：A

1引言人工神經網絡是人們利用機器模仿人類智能的一種嘗試性質的科學，它通過電路來模仿人腦神經細胞的結構和功能的，也即通過選取一些自適應單元，去組成一種廣泛互聯的網絡 [1]。

1982 年，人工神經網絡- Hopfield網絡模型的提出[2]，首次引入了網絡能量函數的概念（Lyapunov函數），并且給出了網絡穩定性的判定依據，這一研究成果，對人工神經網絡的應用研究提供了重要的理論依據，特別是在仿照人腦進行聯想記憶等方面具有極其重要的意義。

1987年，Kosko [3] 提出了一系列的雙向聯想記憶神經網絡，其完全將單層的自相聯Hebbian學習器推廣成兩層的模型匹配異相聯網絡，即雙向聯想記憶（BAM，Bidirectional Associative Memory）神經網絡。雙層雙向結構的BAM神經網絡一經提出，就在求解優化問題以及聯想記憶等問題等方面被證明是很有用的數學模型。雙向聯想記憶神經網絡模型是一種常用的神經網絡，具有信息記憶和信息聯想的特點，他是聯想記憶神經網絡模型的一種。由于聯想特性，所以被廣泛地應用于模式識別、信號、圖形處理等方面[4-5]，成為了人工神經網絡研究的熱點。

但由于在神經網絡的實際應用中，神經元間的傳輸過程中必然存在的時間延遲現象的存在[6]，對于一個動力系統來說，其信號在傳遞過程中總是存在著信號的傳輸時間滯后問題，時滯問題的存在會導致應用系統的不穩定。因此，對于神經網絡系統的研究來說，首要的任務就是系統的穩定性研究，而穩定性就是尋找神經網絡的平衡點。給定一個激勵函數和常輸入向量，該神經網絡系統的平衡點是一定存在的[7]，而且平衡點的相鄰域的任意狀態都會收斂到該平衡點，這樣系統就達到了狀態穩定和輸出收斂。可以看出，神經網絡系統的穩定基礎就是系統平衡點的存在性，隨著時間的增加，神經網絡所有狀態都會趨近于該平衡點。更重要的是該平衡點還具有唯一性，即平衡點對應于唯一一個求解的目標。平衡點的存在性和唯一性實際上就是數學上的全局穩定性（漸近穩定、指數穩定）。

因此，對雙向聯想記憶神經網絡的穩定性研究，首要的任務也是找出該網絡系統的平衡點的存在性和唯一性，即平衡點的漸進穩定條件，進而去確定平衡態的吸引域以及其收斂速度，從而得到系統穩定性的條件。本文就針對一種具有時滯性的BAM神經網絡的平衡點的存在性和唯一性進行證明，從而得到該系統平衡點的唯一性的充分條件，為進一步尋找系統平衡點的漸進穩定條件奠定基礎。

2BAM神經網絡工作方式

BAM神經網絡是聯想記憶神經網絡模型的一種。對于聯想記憶其又可以劃分為自聯想記憶和異聯想記憶（又稱為雙向聯想記憶）[8]。自聯想記憶的自聯想也就是一種可以由受損的輸入模式，經過訓練運算，進而能夠恢復到完整的模式本身；異聯想記憶神經網絡模型在存儲方式不同于傳統的數字計算機按地址存儲信息的方式，其存儲方式是根據內容去存儲信息，也就是說在找到信息的地址后便能找到這個信息。異聯想記憶神經網絡模型他就要求對于不同的存儲信息必須有不同的地址存儲。

5結論

在人工神經網絡的研究中，穩定性是最為人關注廣泛的一個問題，而系統穩定的前提就是給定一個輸入常量和激勵函數時，神經網絡平衡點是存在的，而且對于其所在鄰域內的任何狀態都是收斂平衡的。因此平衡點的存在和唯一性十分重要，本文利用BAM神經網絡的模糊模型，證明了BAM神經網絡的平衡點問題，得出了系統平衡點的存在性和唯一性的結論。后期的研究將進一步尋找系統平衡點的漸進穩定條件，確定平衡態的吸引域以及其收斂速度，從而達到系統的穩定狀態，為實際應用的實現奠定基礎。

參考文獻

[1]T. Takagi， M. Sugeno， Fuzzy identification of systems and its application to modeling and control[J]. Trans， Systems Man Cybernet ，1985，15（1）：116-132.

[2]李秀玲. 具時滯的神經網絡模型的非平凡周期解的全局存在性[J]. 應用數學學報， 2010，33（02）： 363-373.

[3]黃元清， 許金快， 鐘守銘. 具有離散和分布時滯的中立型細胞神經網絡的全局漸近穩定性[J]. 四川理工學院學報：自然科學版，2010，23（02）： 163-167.

[4]Y. Li， C. Yang， Global exponential stability analysis on impulsive BAM neural networks with distributed delays[J]. Math. Analy. Appl，2006，324（5）： 1125-1139.

[5]張麗娟，時寶.變時滯BAM神經網絡的全局指數穩定性[J].數學的實踐與認識，2008，38（5）：148-153.

[6]Zhang C，Wei J. Bifurcation Analysis of a Class of Neural Networks with Delays [J]. Nonlinear Analysis： Real World Applications， 2008， （9） ：2234-2252 .

[7]時寶，袁建，潘特鐵，等. 帶脈沖的BAM神經網絡的全局指數穩定性[J]. 生物數學學報，2012，27（2）：241-250.

人工神經網絡的實際應用范文第4篇

關鍵詞：山區高速公路；填石路堤；人工神經網絡；沉降

中圖分類號：U412.36+6文獻標識碼： A

1 引言

在山區高速公路修筑中，存在大量的石質挖方路段和隧道路段，怎樣利用大量的石質填料填筑路堤，使其不出現工程質量事故，同時避免一方面大量借石填筑路堤，另一方面又造成大量的石質棄方占用農田耕地的不合理現象，成為山區高速公路建設中迫切需要解決的問題。在高等級公路逐漸進入山區的今天，在云南省乃至全國范圍內還將遇到更多的填石路堤修筑技術問題。填石路堤的壓實工藝和檢測手段及檢測標準，粗粒料的壓實特性，填石路堤的沉降、穩定性評價是填石路堤面臨的主要難題[1]。

2 沉降分析方法

本文采用神經網絡方法對某山區高速公路填石路堤沉降進行分析計算，以便科學合理的評價公路填石路堤穩定性與沉降規律。

2.1神經網絡模型

BP神經網絡通常是指基于誤差反向傳播算法（BP算法）的多層前向神經網絡，它是目前應用最廣泛也是發展最成熟的一種神經網絡模型，它是按層次結構構造的，包括一個輸入層、一個輸出層和一個或多個隱藏層（圖中只畫出一層），一層內的節點（神經元）只和與該層緊鄰的下一層各節點相連。這個網絡學習過程由正向傳播和反向傳播兩個過程組成。在正向傳播過程中，輸入信息從輸入層經隱藏層逐層處理，然后傳向輸出層，每一層神經元的狀態只影響下一層神經元的狀態。如果在輸出層不能得到希望的輸出，則轉向反向傳播過程，將誤差信號沿原來的連接通路返回，通過修改各層神經元的權值，使得誤差信號最小[2]。

網絡學習的過程首先從給出一組隨機的權值開始，然后選取學習樣本集中的一個模式（輸入和期望輸出對）作為輸入，接著按前饋方式計算輸出值。這時的輸出值和期望值之間的誤差一般比較大，這就迫使權值必須改變。利用反向傳播過程，計算所有的權值的改變量。對所有的模式和所有的權值重復計算，修正權值后又以前饋方式重新計算輸出值。實際輸出和目標輸出之間的偏差和權值改變量又一次在計算中產生。在學習樣本中的所有模式進行計算后得到一組新的權值，在接下來的前饋過程中便得到一組新的輸出值，如此循環下去。在一次成功的學習中，系統誤差或單個輸入模式的誤差將隨著迭代次數的增加而減小，而過程將收斂到一組穩定的權值。

實際上，BP模型把一組樣本的輸入輸出問題變為一個非線性優化問題。我們可以把這種模型看成一個從輸入到輸出的映射，這個映射是高度非線性的。如果輸入節點數為n，輸出節點數為m，則神經網絡表示的是從n維歐式空間到m維歐式空間的映射。

2.2 神經網絡模型的改進

BP算法的主要缺點是：收斂速度慢、局部極值、難以確定隱層和隱層節點的個數。在實際應用中，BP算法很難勝任，因此出現了許多改進算法。BP算法的改進主要有兩種途徑：一種是采用啟發式學習算法，另一種則是采用更有效的優化算法。

啟發式學習算法，就是對于表現函數梯度加以分析，從而改進算法，其中包括：有動量的梯度下降法（traingdm）、有自適應lr的梯度下降法（traingda）、有動量和自適應lr的梯度下降法（traingdx）和能復位的BP訓練法（trainrp）等。另一種是基于數值最優化理論的訓練算法，其中包括共軛梯度法、高斯－牛頓法和Levenberg-Marquardt方法等。

本文采用共軛梯度法進行改進。共軛梯度法是梯度法的一種改進方法，可以改進梯度法振蕩和收斂性差的缺陷。其基本思路是尋找與負梯度方向和上一次搜索方向共軛的方向作為新的搜索方向，從而加快訓練速度，并提高訓練精度。所有的共軛梯度法，都采用負梯度方向作為初始搜索方向：

然后沿著該方向作一維搜索：

接下來，就利用共軛方向作為新一輪的搜索方向，通常在當前負梯度上附加上一次搜索方向：

共軛梯度法通常比自適應lr的梯度下降法速度快，有時候也優于彈性梯度下降法。同時由于共軛梯度法占有較少的存儲空間，因此在訓練復雜網絡的時候，通常選用共軛梯度法[3]。

2.3程序的實現

本文采用Matlab，進行程序的編制，算法如下：

%%神經網絡預測_BP神經網絡模型

% n：原始數據個數 x：填石路堤沉降實測值 y：填石路堤沉降預測值

clc;clear all;

clf;

%%讀數據；

load x1.txt;load x2.txt;

P=x2;x=x1;

%%NEWFF——生成新的線性神經網絡

%%TRIAN——對線性神經網絡進行訓練

%%SIM——對線性神經網絡進行仿真

%P——為輸入矢量；

%x——為目標矢量；

%創建網絡

net=newff(minmax(P),[1,1],{'tansig','purelin'},'traingdm');

%當前網絡層的權值與閾值

layerWights=net.LW{2,1};

layerbias=net.b{2};

%設置訓練參數

net.trainParam.show=50;

net.trainParam.lr=0.05;

net.trainParam.mc=0.9;

net.trainParam.epochs=100;

net.trainParam.goal=0.1;

%%對BP神經網絡進行訓練

[net,tr]=train(net,P,x);

%對線性網絡進行仿真

y=sim(net,P);

y

x

3 填石路堤沉降計算分析結果

以現場監測數據與網絡預測值進行比較如表1所示。應用該模型進行預測精度很高，這進一步證明了該BP神經網絡擬合效果好，泛化能力強，收斂快。所以，該法在填石路堤最終沉降預測中十分有效和可行。

表1 網絡預測與實際值比較

4 結輪

本文將人工神經網絡引入到填石路堤的沉降計算，利用實測資料，直接建模，更好的反映了填石路堤的沉降規律，工程實例研究表明，網絡預測值與實測值吻合較好，可信度較高，并且隨著學習樣本的不斷補充，網絡的預測精度將進一步提高。

（1）一個良好的神經網絡模型，可以不斷學習，使求解的范圍不斷擴大，同時人工神經網絡的抗干擾能力較強，個別測點的誤差將不會對結果產生大的影響。

（2）工程實例研究表明，實測值與神經網絡預測值吻合較好，但也有個別點偏差較大，主要原因是訓練的數據太少，隨著訓練數據的增加，網絡的預測精度還會進一步提高。

（3）人工神經網絡方法避免了傳統方法的許多弊病，具有自組織、自適應、容錯性等特點，計算精度高，操作簡便，適應性強，因而具有廣闊的工程應用前景。

參考文獻：

人工神經網絡的實際應用范文第5篇

摘要：旅游需求的預測預報研究一直是旅游學研究的一個重要課題。本文在對到訪澳門地區中國內地游客量分析的基礎上,運用人工神經網絡(ANN)的理論和方法,構建了ANN模型分析中的3層BP模型,以澳門近10年（1996-20__）入境來訪的中國內地旅游人數為例進行模型驗證，模擬結果表明,BP神經網絡預測的結果能夠高程度的吻合原始數據，在旅游市場預測中，BP神經網絡預測是一種有效的預測方法。一．問題的提出與分析近年來，對澳門地區的旅游業來說，中國內地旅客是旅游收入的主要來源。目前旅游業已成為澳門地區經濟發展特別是第二產業發展的支柱。建立科學的可操作的旅游預測模型是實現澳門地區旅游業持續健康穩定發展的理論基石和前提。由于影響某地旅游人數的因素各異，還不存在普遍適用的神經網絡模型。基于此，本文擬用3層BP神經網絡模型來仿真模擬分析和預測澳門地區旅游需求,以此為旅游需求預測提供一種新的方法。二．模型的假設與符號說明1．基本假設1）交通在旅游中通常不是重要的，為了研究的方便（主要是無法獲得交通數據），把交通這個影響忽略。2）假設澳門的接待能力都滿足需求。3）在本例旅游需求預測模型中，我們考慮的主要因素有：客源地的人口，客源地的總收入，客源地的消費水平，旅游目的地的生活水平。4）為了研究的方便，假定以上四因子之間相互獨立，本例旅游需求即為上述四因子的函數，即y=f(GDI,POP,GDE,M-GP)。就用這四個因素作為人工神經網絡模型輸入層的神經元。2．符號說明T澳門內地游客量GDI中國內地國民總收入POP中國內地人口總數GDE中國內地國民消費水平M-GP澳門生產總值三．模型的建立與求解1．人工神經網絡模型理論原理

人工神經網絡（ArtificialNeuralNetwork）是由大量的、簡單元件（神經元）廣泛相互聯結而成的非線性的、動態的復雜網絡信息處理系統，它是在現代神經學研究成果基礎上提出的，能模擬人腦的若干基本功能[1]。它具有并行分布的信息處理結構，可以通過“自學習”或“訓練”的方式完成某一特定的工作。它可以從積累的工作案例中學習知識，盡可能多地把各種定性或定量的因素作為變量加以輸入，從而建立各種影響因素與結論之間的高度非線性映射，采用自適應模式識別方法來完成預測工作[2]。人工神經網絡模型尤其是對處理內部規律不甚了解、不能用一組規則或方程進行描述的復雜的、開放的非線性系統顯得較為優越。人工神經網絡模型一般由處理單元、激活狀態、單元輸出、連接模式、激活規則、學習規則等6個部分組成。一個多層神經網絡中包含有很多個信息處理單元,分布于不同的層次中。根據每項輸入和相應的權重獲取一個綜合信號，當信號超過閾值則激活神經元而產生輸出。各類影響因素和最終輸出結果之間可以假定存在一種映射,即輸出結果＝F（影響因素）。為了尋求最佳的映射關系F，將訓練樣本集合和輸入、輸出轉化為一種非線性關系，通過對簡單非線性函數的復合，從而建立一個高度的非線性映射關系F,最終實現輸出值的最優逼近［3］。在人工神經網絡的實際應用中，80~90的人工神經網絡是采用前饋反向傳播網絡（back-propagation-network,簡稱BP網絡）或它的變化形式。BP神經網絡（如圖一）是一種單項傳播的多層前向神經網絡，分為輸入層、隱含層和輸出層，層與層之間采用全連接方式，同一層單元之間不存在相互連接。它是前向網絡的核心部分，體現了人工神經網絡最精華的部分[4]。標準的BP網絡是根據W-H學習規則，采用梯度下降算法，對非線性可微函數進行權值訓練的多層網絡。圖一：BP神經網絡的每一層的權值通過學習來調節，其基本處理單元為非線性輸入－輸出關系，選用S型作用函數：其中：xj為該神經元第i個輸入；wij為前一層第i個神經元至該神經元j的連接權值，i＝0時的權值為閾值。其計算步驟如下：（1）給定一組隨機的權值和閾值初始值及步長系數η與勢態因子α；（2）取學習樣本數據，根據學習樣本、權值及閥值計算輸出，并與學習期望輸出比較，當誤差滿足要求時結束訓練，否則將誤差向后逐層傳播，并修正各層連接權值，調整公式為：其中：k取j結點所在層的前一層所有結點。5）澳門內地旅客人數神經網絡模型的建立(一)BP網絡設計網絡設計是一個綜合性問題，它應滿足多種不同要求，例如，希望所涉及的網絡有較好的推理能力，易于硬件實現，訓練速度快等，其中有較好的推理能力是最主要的。一般來說，推廣能力決定于3個主要因素，即問題本身的復雜程度、網絡結構以及樣本量大小。在一般情況下，旅游需求預測研究中樣本的數量是一定的，因此可歸結為在樣本量一定的情況下，如何選擇網絡規模的問題。在進行BP網絡預測模型設計中，我們主要考慮以下因素：網絡的層數、每層中的神經元個數、初始值的選擇、學習速率和期望誤差。i)網絡的層數已證明：具有偏差和至少一個S型隱含層加上一個線性輸出層的網絡，能夠逼近任何有理函數。所以，本文選擇一個3層的BP網絡。ii)每層中神經元的個數輸入層和輸出層神經元的個數根據解決具體問題的復雜程度而定。為了提高網絡訓練的精度，可以通過采用一個隱含層，再加上1到2個神經元以加快誤差的下降速度即可。因此，本文輸入層神經元個數選擇為4個，隱含層神經元個數分別選擇了9、12、15個，輸出層神經元個數選擇為1個。iii)初始值的選擇由于人工神經網絡是一個非線性系統，初始值的選擇對于網絡學習是否達到局部最小、是否能夠收斂以及訓練時間的長短都有較大影響。在初始值的選擇上一般是使經過初始值加權后的每個神經元的輸出值都接近零，這樣可以保證每一個神經元的連接權值都能夠在它們的S型激活函數變化最大處進行調解。所以，初始值一般選擇在（-1,1）之間的隨機數。本文的初始值為默認值。iv)學習速率對于任何一個網絡都對應一個合適的學習速率。學習速率決定每一次循環訓練中所產生的權值的變化量。大的學習速率可以導致網絡的不穩定，但是小的學習速率又會導致訓練時間延長，收斂速度較慢，不能保證網絡的誤差能最終趨于最小。綜合上述考慮，在學習速率的選擇上傾向于選擇較小的學習速率以保證網絡的穩定性，本文選擇的學習速率為0.01。v)期望誤差值期望誤差值的確定也是通過網絡對不同誤差值分別進行訓練比較后確定的最適合值。所謂的最適合值是相對于所需要的隱含層的節點數來確定的，一個較小的誤差值的獲得需要增加隱含層的節點以及訓練時間。本文經過不斷測試，選擇0.0001為期望誤差值。（二）1．網絡訓練模式的選擇訓練網絡有兩類模式：逐變模式和批變模式。在逐變模式中，每一個輸入被作用于網絡后，權重和偏置量被更新一次。在批變模式中，所有的輸入被應用于網絡后，權重和偏置量才被更新 一次。使用批變模式不需要為每一層的權重和偏置量設定訓練函數，而只需為整個網絡制定一個訓練函數，使用起來相對方便，因此，本文在進行網絡訓練時采用批變模式。表格一：年度

澳門的內地游客量(T)（千人）中國內地國民總收入(GDI)（億元）中國內地人口數(POP)（萬人）中國內地居民消費水平（GDE）（元）澳門生產總值（M-GP）(億美元)1996604．270142.5122389278966.31997529．877653.1123626300266.71998816．883024.3124761315961.919991645．288189.0125786334659.220__2274．798000.5126743363261.020__3005．7108068.2127627386961.920__4240．4119095.7128453410668.220__5742．0135174.0129227441179.220__9529．7159586.71299884925103.320__10463183956.11307565439115.62．數據和模型的建立神經網絡模型要求數據具有：A、易獲得性B、可靠性C、可測度性。本項研究采用很可靠的官方發表的數據作為分析的數據源（見表1），主要來自于中國統計局網。用3層BP網絡模型對本例旅游需求進行模擬，根據BP網絡的映射原理，對于樣本集合X和輸出Y，可以假設存在一映射F。為了尋求F的最佳映射值，BP網絡模型將樣本集合的輸入、輸出轉化為非線性優化，通過對簡單的非線性函數的復合，建立一個高度的非線性映射關系，實現F值的最優逼近。對于本例旅游需求模型的模擬：其輸入層結點數（4個神經元）：中國內地國民總收入（GDI）、中國內地人口總數（POP）、中國內地國民消費水平（GDE）、澳門生產總值（M-GP）。把澳門內地游客量（T）作為輸出結點。從而得出3層前饋反向傳播神經網絡模型。四．模型結果及分析1網絡訓練性能的檢查。不同個數的隱層單元組成的BP網絡訓練曲線如圖1，2，3所示。通過比較發現，中間層神經元個數為9和12時，網絡的收斂速度比較快。2網絡預測性能的考查。在數據列表中選取1996年到20__年的數據作為網絡的測試數據。20__、20__年的(文秘站:)游客量檢驗誤差曲線如圖4。其仿真結果令人滿意，達到預期的效果。圖1圖2圖3圖4五．模型的應用與評價（優缺點與改進）從上面的分析可以看出，3層BP神經網絡模型的仿真模擬效果是鄰人滿意的。可以看出，人工神經網絡的擬合精度比較高，主要是基于人工神經網絡抗干擾能力強，穩定性好，能自動準確地找出各種輸入和輸出之間的線性或非線性關系，具有較強的模擬適應能力等特點。在本例對于澳門的內地游客量的旅游預測中BP神經網絡模型是一種有效的預測方法。這一研究方法為旅游學的定量預測研究提供了一種新的思路，也為工程實踐問題中的一些研究工作提供了一種非常好的指導方法。雖然BP網絡得到了廣泛應用，但其自身也存在一些缺陷和不足，主要包括幾個方面的問題。首先，由于學習速率是固定的，因此，網絡的收斂速度慢，需要較強的訓練時間。再次，網絡隱含層的層數和單元數的選擇尚無理論上的指導，一般是根據應驗或者通過反復試驗確定的。因此，網絡往往存在很大的冗余性，在一定上也增加了網絡學習的負擔。六．原題附帶問題簡析通過對本例旅游需求模型的分析，我們認為在利用數學建模的方法對旅游需求進行預測預報時，對于數據的采集和整理工作需要認真做好。對于數據的分析有助于我們尋求變量間的關系，以形成初步的想法。如何獲得數據以及如何獲得準確的數據對于我們研究實際問題具有相當重大的意義。收集數據并非多多益善，而是要弄清究竟需要哪些數據，剔除不必要的數據，從而減少冗余的工作。同時，需要什么形式的數據也是我們應該思考的一個問題，這與建立模型的目的和所選擇的模型的特點有關。[參考文獻][1]王士同，等．問題求解的人工智能：神經網絡方法[M].北京：氣象出版社，1995.[2]HillT,MarquezO’connorM,RemusW.ArtificialNeuralNetworkMedelsfor

ForecastingandDecisionMaking[J].InternationalJournalofForecasting,1993,