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篇神經網絡原理范文，相信會為您的寫作帶來幫助，發現更多的寫作思路和靈感。

神經網絡原理范文第1篇

關鍵詞：板凸度；板形預測控制；ANSYS/LS-DYNA；BP神經網絡；預測精度

DOI：10.16640/ki.37-1222/t.2016.21.124

0 引言

板帶材是汽車、船舶、建筑、機電、化工和食品等工業的重要原材料[1-3]。隨著我國經濟的高速發展，鋼材板帶比不斷提高。板帶的軋制過程是指靠旋轉的軋輥與軋件之間的摩擦力將軋件拖進輥縫之間，并使之受到壓縮產生塑性變形的過程[4]。板形是衡量板帶軋制的重要質量指標之一[5]。軋制生產過程中，板形的影響因素涉及幾何非線性、材料非線性的高度復雜非線性問題以及存在時變性等特點。傳統的數學模型難以建立起相對準確的，能夠準確表達各參量間的靜態關系以及能夠準確描述動態關系的表達式[6]。因此本文建立了有限元與BP神經網絡[7]結合的板形預測模型。該模型不僅保證了計算精度，還滿足了板形在線預測的要求。

1 基于BP神經網絡與有限元原理的板形控制模型的建立

本論文所用的模型所采用的各個工藝參數的數據來源于某企業2800四輥可逆式冷軋機實際生產中獲取的數據。其中軋件材質為Q195鋼，軋輥材質為70Cr3NiMo。

（1）模型的基礎分析。結合有限元仿真，板帶寬度，工作輥直徑，支撐輥直徑，工作輥彎輥力，支撐輥彎輥力，工作輥凸度，支撐輥凸度，工作輥竄輥，支撐輥竄輥對板形的影響比較大，因此BP神經網絡預測模型選擇的輸入參數為。利用有限元分析建立樣本時，根據實際情況在一定范圍內變化，其它軋制參數則設為固定值，所以，網絡的輸入變量是9維的。輸出參數為板凸度，所以輸出變量是1維的。本模型采用三層的BP神經網絡模型，即只含有一個隱含層。確定最佳隱層節點數的一個常用方法是試湊法，可先設置較少的隱層節點訓練網絡，然后逐漸增加節點數，用同一樣本集進行訓練，從而確定網絡誤差最小時對應的隱層節點數。隱含層節點數的確定還可借鑒以下公式：

（2）BP神經網絡結構模型。結合以上公式，經過反復測試，中間層節點數設為9個。因此，本文確定的BP網絡結構為9-9-1。由此確定的板形預測模型的網絡計算模型如圖1所示。

2 模型的訓練及檢驗

（1）模型的相關參數及分析。網絡的訓練利用Matlab軟件進行，選擇收斂速度快并且預測精度高的L-M法。利用有限元的計算結果作為訓練樣本庫，對BP神經網絡進行訓練。在給定精度要求條件下，對BP神經網絡模型進行訓練。

（2）誤差及模型結果分析。所得到的BP神經網絡誤差進行分析得到BP神經網絡的訓練結果并進行分析。BP神經網絡訓練結束后，為了檢驗該BP神經網絡的識別能力，將訓練得到的網絡權值以及各神經元的閥值存入權值文件，任選幾組有限元仿真得到的結果作為測試樣本集對BP神經網絡進行檢驗，得到BP神經網絡測試與訓練數據關系。最后選取了有代表性的板凸度參數的BP神經網絡預測值與有限元仿真值進行比較。綜合分析可知本文建立的BP神經網絡模型來預報板凸度參數，其誤差最大值不超過3%，精度還是比較高的。

3 結論

（1）基于人工神經網絡建立了BP神經網絡模型，并以此提高板凸度參數的預報精度。結合工作輥竄輥量以及支撐輥竄輥量等因素與板凸度的關系，進行分析計算得到相應的關系。（2）利用有限元仿真計算結果作為訓練樣本對神經網絡進行訓練，得到了訓練結果圖。（3）利用有限元測試樣本對BP神經網絡模型進行檢驗，可以得出BP神經網絡的輸出值與有限元的仿真計算值的分布規律一致，存在的誤差比較小。這表明本文建立的板形預測模型是合理的，其計算結果是可信的并且具有參考價值。

參考文獻：

[1]彭艷，孫建亮，劉宏民.基于板形板厚控制的軋機系統動態建模及仿真研究進展[J].燕山大學學報，2010，34（01）：6-12.

[2]蘇亞紅.我國冷軋板帶生產狀況及展望[J].冶金信息導刊， 2007（05）：44-48.

[3]王延溥，齊克敏.金屬塑性加工學――軋制理論與工藝[M].北京： 冶金工業出版社，2006.

[4]SUN Jianliang，PENG Yan，LIU Hongmin.Non-linear vibration and stability of moving strip with time-dependent tension in rolling process[J].Journal of Iron and Steel Research，2010， 17（06）：11-15.

[5]薛濤，杜鳳山，孫靜娜.基于有限元與神經網絡的板形調控功效[J].鋼鐵，2012，47（03）：56-60.

[6]徐樂江.板帶冷軋機板形控制與機型選擇[M].北京：冶金工業出版社，2007.

神經網絡原理范文第2篇

［關鍵詞］人工神經網絡;遠程教育;知識管理;綜合評價模型

［中圖分類號］G64［文獻標識碼］A［文章編號］1005-6432（2014）21-0048-04

1人工神經網絡評價遠程教育知識管理績效的原理遠程教育知識管理績效評價是一項復雜的多層次、多目標評價活動。由于影響評價有效性的相關因素很多,這些因素一般難以量化,而且遠程教育知識管理績效評價決定力量與管理質量之間映射關系是非常復雜的,很難明顯地表述。因此,評價是一件非常復雜的事情。如何才能做到既充分考慮評價專家的經驗和直覺思維的模式又能降低評價過程中人為的不確定性因素,既具備綜合評價方法的規范性又能體現出較高的問題求解效率。這是正確評價的關鍵所在。

把ANN應用于遠程教育知識管理的綜合評價,意在建立更加接近于人類思維模式的定性與定量相結合的綜合評價模型。ANN用于遠程教育知識管理綜合評價的基本原理是：將描述遠程教育知識管理的基礎指標的屬性值作為ANN的輸入向量,將代表綜合評價目標的結果作為ANN的輸出。然后用足夠多樣本向量訓練這個網絡,使不同的輸入向量得到不同的輸出值,這樣ANN所具有的那組權系數值便是網絡經過自適應學習所得到的正確內部表示。人工神經網絡通過信息樣本對神經網絡的訓練,使其具有人的大腦的記憶、辨識能力,完成各種信息處理功能,利用其良好的自學習、自適應、聯想記憶、并行處理和非線性轉換的能力,模擬并記憶出遠程教育知識管理評價指標和知識管理績效向量之間的關系,以此作為評價遠程教育知識管理績效的標準。同時,通過大量的試訓樣本使得模型向著理想狀態逼近。然后利用測試樣本對模型進行測試,直到感覺滿意為止。訓練好的ANN便可作為一種定性與定量相結合的有效工具,對不同機構的教育知識管理進行綜合評價。

2基于人工神經網絡的遠程教育知識管理評價模型

21遠程教育知識管理評價指標

設計評價指標是教育知識管理績效評估中的首要問題。從教育知識管理的內容、目標及職能出發,借鑒國內外學者對知識管理評價指標體系的研究成果,結合遠程教育知識管理活動規律,并力求遵循科學性、系統性、層次性、可比性、可操作性原則,本文從知識管理重視度、基礎設施建設水平、人力資源管理知識化水平、知識檢測、評價和利用水平、綜合管理水平等方面確定遠程教育知識管理績效評價指標體系（見表1）。

表1遠程教育知識管理績效評價指標體系一級指標二級指標知識管理重視

程度X1知識管理戰略和預算的制定情況X11

CKO的職位與級別X12

激勵人員創造性的花費占總投入的比重X13基礎設施建設

水平X2人均計算機臺數X21

知識管理基礎設施投入占固定資產投資比重X22

網絡覆蓋率X23

基本信息數據庫建設水平X24人力資源管理

知識化水平X3職位技能和評價標準的設立X31

知識人員比例X32

年均人員培訓和教育成本X33

人員周轉率X34知識檢測、評價

和利用水平X4知識分類與標準化水平X41

多媒體軟件或課件開發水平X42

經驗與新方法數據庫建設水平X43

電子圖書的建設及利用水平X44

知識地圖的建設及利用水平X45

網絡教學資源的便利性X46

網上教學資源所占比重X47綜合管理水平X5安全防范措施X51

信息資源管理措施X52

規章制度完善程度X53對遠程教育知識管理進行評價時,從輸入層輸入教育知識管理指標評價體系。為使模型既有理論價值又有可操作性,本文在案例研究并結合有關文獻的基礎上選取7個較為典型的指標作為輸入神經元(χij),依次分別是：知識管理基礎設施投入占固定資產投資比重；人均計算機臺數；網絡教學資源的便利性；網上教學資源所占比重；知識人員比例；年均人員培訓和教育成本；激勵人員創造性的花費占總投入的比重。這7種因素的設置,考慮了概括性和動態性,力求全面反映遠程教育知識管理的主要因素。

22評價指標屬性值的量化

多目標評價中各目標間具有不可共度性,即各指標沒有統一的度量標準,難以進行比較,因此,在綜合評價前必須把這些分指標按某種隸屬度函數將其歸一化到某一無量綱區間。

指標屬性值的量化步驟：

（1）計算第j個分指標Zj的平均值j：

j=(∑mi=1χij)/m,j=1,2,…,n(11)

（2）分別按不同類型的指標計算中間變量:

①對效益型指標,記中間變量

Mij=xij-jj(12)

②對成本型指標,記中間變量

Mij=j-xijj(13)

③對區間型指標,記中間變量

當χij≤A,則Mij=xij-ΑΑ(14)

當χij≥B,則Mij=B-xijΒ(15)

當B≥χij≥A,則Mij=6(16)

式中A,B分別為區間型指標的最佳上下界

（3）原始指標按下式轉化到［-1,1］區間上的隸屬度函數值Yij:

Yij=1-e-Μij1+e-Μij(17)

顯然,Yij=f(Mij)是一條S形曲線,其曲線形狀如圖1所示。Mij反映了原始數據χij偏離平均值j的程度。當χij=j,則Mij=0；當χij＞j,則Mij＞0且Yij隨Mij的增長非線性遞增。

圖1S形轉換曲線

從上述轉換可以看出,對于效益型指標來說,當原始值χij大于平均值時，轉換后其隸屬度函數值大于0,原始值越大,隸屬度函數值越大,當原始值是4倍以上平均值時,隸屬度函數值接近“飽和”。這樣處理的好處是為了防止某一分指標隸屬度函數值過大,從而左右整個綜合指標。對于成本型指標,當χij越大時,其隸屬度函數值反而越小,取負值,當χij越小時,其隸屬度函數越大,取正值。

23綜合評價BP網絡的結構設計

遠程教育知識管理評價模型采用具有多輸入單元、單隱層單元和單輸出單元的三層BP神經網絡,其結構如圖2所示：

圖2遠程教育知識管理綜合評價BP網絡結構

圖2中,n,m分別表示輸入節點和隱含結點個數；

χi1,χi2，…，χin為論域U={u1,u2,…，un}上第i個樣本模式的評價指標屬性值,Yi1,Yi2,…，Yin為論域U上χi經相應隸屬函數量化后的評價值；

ωij(i=1,2，…，n;j=1,2，…，m)為輸入層第i個單元到第j個單元的連接權值；

ωj(j=1,2，…，m)為隱層第j個單元到輸出層的連接權值；Oi為樣本模式i的輸出。

綜合評價BP網絡模型的輸入結點數等于各個被評對象的分指標數目。對于各個輸入結點,分別輸入經隸屬度函數轉化后的第i個被評對象的各指標隸屬度函數值Yij(i=1,2，…，n;j=1,2，…，m)。隱層結點數的確定采用實驗湊試法。輸出層只有一個結點,代表第i個被評對象的總評價指標Oi。轉移函數選用f(x)=11+e-x

24學習樣本的確定與網絡訓練

一個學習樣本由輸入樣本和輸出樣本兩部分構成。輸入樣本為Y(i)={Yi1,Yi2,…，Yin}即被評對象各分指標的隸屬度函數值。輸出樣本Oi為綜合評價總指標,由下式確定：

Oi=∑nj=1ωj×Yij(18)

其中Yij是χij經上述轉換后的隸屬度函數值,ωj為綜合評價中各分指標的權重。顯然∑nj=1ωj=1,權重通常是依據公式(18),由專家組反復斟酌而定的。

把訓練樣本輸入網絡,利用該樣本對BP網絡的連接權系數進行學習和調整,以使網絡實現給定的輸入輸出關系。本文采用BP算法訓練網絡。

25綜合評價神經網絡的實現算法

通過樣本模式的訓練學習后,BP網絡就具有了樣本模式所包含的專家的知識,分布地存貯在BP網絡的權值之中,這樣,這個訓練好的BP網絡就可以用來對評價的對象系統做出綜合評價,再現評價專家的經驗和知識。

由此,得到評價的算法如下：

Step1指標屬性值的量化。即得出各分指標的隸屬度函數值；

Step2確定BP網絡結構,定義這些結構參數；

Step3把知識庫中的權重和閾值,給BP網絡的權重和閾值(ωij,ωjk,θj,θk)賦值；

Step4輸入待考核對象的隸屬度函數值,作為BP網絡的輸入值Yij；

Step5求出隱結點的輸出值：

Sj=∑ni=1ωijxi+θj(i=1,2,…，n;j=1,2,…，m)(19)

yj=1/［1+exp(-Sj)］(110)

求出輸出層的輸出值：

Sk=∑mj=1ωjkyj+θk(111)

Oi=1/［1+exp(-Sk)］(112)

Step6輸出考核結果Oi；

Step7是否還有待考核單位？

是：轉Step3繼續考核。

否：考核結束。

3仿真實例

本文運用基于神經網絡的遠程教育知識管理綜合評價模型對中國20家遠程教育機構的知識管理進行綜合評估,并與專家評估相比較以驗證模型的有效性。在實驗中,采用了MATLAB下神經網絡工具箱進行仿真模擬。實驗原始數據來源于《中國教育統計年鑒》。樣本的選取考慮了概括性和典型性,力求全面反映不同類型機構知識管理的水平,同時兼顧地區間的差異,盡量分布于不同省市地區,體現地區的廣泛性。

依據本文所述方法,得到各分指標量化后的隸屬度函數值和綜合評價總指標的期望值。其中權重是由專家評判組反復斟酌而定。如表2所示。

表2各機構分指標量化后的隸屬度函數值及綜合評估指標Ji機構代號指標Yi1Yi2Yi3Yi4Yi5Yi6Yi7Jiω0201501501020150051048100940275-0289-02020169-009901032-0086-02540330-0185-0006-03320083-00713033403630215006009050652012604454-0537-0330-00670179-0786-0410-0213-037850075-0097-0179-0069010601170060000860684-01820455067500070322001102967-0680-0210-05330048-0499-0229-0008-03778-0565-0446-0555-0339-0834-0441-0256-05439057601700339018703770157006703131002960195-02700321-02770203-0021005411-0006025804510556-0085-013600710127120732069904600330091904670133061413-03390106-0235-03420313-03640005-011314-0672-0439-0223-0387-0715-0428-0135-048615012503050436-0149004904090014020316-0221-041002900179015901100091000917-0073-02570135-0305-0436-02370030-0185180574057201410004053300480056 03391902630129-031801070289-02280031006120-0195-0472-0466-0208-0217-0412-0057-0309

應用本文所述的方法,本例的輸入層共有7個節點,輸出節點1個,為綜合評價總指標。根據經驗和反復試驗,本實驗隱層節點數選取10。

將表2中的數據分為兩部分,前10組數據用作學習樣本,作為訓練神經元連接權值用,學習精度ε=10-4,后10組數據作為檢驗用。經過5200次的學習,其學習結果見表3。

表3學習結果機構代號12345678910訓練結果0102-00710447-038100080295-0376-054403150054期望輸出0103-00710445-037800080296-0377-054303130054相對誤差（%）097004507900340270180640

訓練結束后,給訓練好的BP網絡分別輸入校驗數據,得到高校教育信息資源管理綜合評價排序結果。見表4。

表4結果驗證及遠程教育知識管理評價排序高校代號11121314151617181920測試結果01260616-0114-048702020009-018403410061-0311期望輸出01270614-0113-048602030009-018503390061-0309相對誤差（%）07903408802104900540590065仿真排序41710368259專家排序41710368259

從表4中可以看出,利用神經網絡得到的輸出值與期望值之間的最大誤差為088%,遠程教育知識管理綜合評價排序與專家排序一致。由此可見,用神經網絡學習知識管理綜合評價專家知識,并用學習后的網絡對其他遠程教育機構的知識管理進行綜合評價能夠獲得滿意的結果。

基于神經網絡的遠程教育知識管理評價網絡不僅可以模擬專家對知識管理進行評價,而且還能夠很好地避免評價過程中的不確定性,實驗證明該模型能有效評價教育知識管理績效水平。既可用于某一地區、某一類機構教育知識管理系統的總體分析評價,也可用于某一機構或有關機構之間教育知識管理系統的前后對比或橫向對比,為比較遠程教育機構間知識管理水平、差距及其改進空間提供了一種可供借鑒的方法。本研究應用神經網絡進行遠程教育知識管理評價是一個新的嘗試,在教育知識管理評價指標和學習樣本的選取上還有待進一步完善。

參考文獻：

［1］焦李成神經網絡系統理論［M］西安:西安電子科技大學出版社,1990:92-114.

［2］JWang,BMalakootiA Feedforward Neural Networks for Multiple Criteria Decision-Making ［J］ Computers & OpsRes. 2009,23(2): 151-167.

［3］戴文戰基于三層BP網絡的多指標綜合評估方法［J］系統工程理論與實踐2010,19(5):33-40.

［4］FSWang Fuzzy Neural Systems for Decision-Making［J］ Procof IEEE IntConfon NNs 2010,10(11):1425-1634.

神經網絡原理范文第3篇

關鍵詞：網絡經濟環境；醫院審計；管理；HIS系統

HIS系統（Hospital Information System）是現代醫院集診療、行政信息、決策、數據交換等為一體的現代醫院管理系統，所以作為醫院審計管理人員，必須利用HIS系統中管理財務的子系統的功能，結合醫院的審計信息來源信息，對網絡經濟環境下的醫院審計工作進行不斷的創新和發展。

一、網絡經濟下加強醫院財務審計的必要性

首先，有利于加快醫院審計信息化建設。信息化技術的推廣和應用是企業創造效益的基礎，醫院也一樣，信息化技術在醫院審計管理中的應用，通過可靠數據庫的支持，既有利于降低重復勞動率，又提高可數據利用率，推進了醫院有序化管理。

其次，有利于審計目標的實現。醫院審計的工作目標是在有效管理和加強內控監督的基礎上，維護國有財產不受侵犯。因此借助網絡經濟的影響力和計算機網絡技術，采用有效可行的方法處理審計材料和信息，確保了審計結果的準確性和科學性，對實現最終審計目標以及醫院領導做出相關決策提供了可靠的依據。

最后，有利于提升醫院內部審計質量。網絡信息技術輔助醫院審計的目的是在審計活動中利用以計算機技術為代表的現代信息技術作為輔助手段與工具對信息數據的真實性、完整性、合法性，以及與財政、財務收支有關的計算機信息系統的可靠程度進行相應的監督與評價，以便確定醫院經濟活動是否真實、準確，是否遵守相關的法律和規章制度，是否經濟有效和達到預期效果。

二、網絡經濟下加強醫院審計管理的工作要點分析

鑒于HIS系統在整個醫院財務審計管理中的重要作用，尤其是在網絡經濟時代的到來，作為醫院的財務審計管理人員，必須切實掌握工作要點，才能更好地促進醫院內部審計管理成效的提升，在優化傳統審計管理模式的同時更好地促進醫院審計管理水平的提升，這就需要切實做好以下幾個方面的工作。

一是在醫院財務審計管理工作中切實加強計算機技術的應用。由于部分醫院從事財務審計管理的人員自身的專業技術水平有限，加上難以正確認識內部審計管理的重要性和業務能力有限，導致醫院內部審計效率不高，審計結果差強人意。因此醫院應加大力度強化審計人員的培訓，不斷提高其專業技術知識水平，尤其是應加強計算機技術的應用，為整個審計工作的開展奠定堅實的技術基礎嗎，并強化審計人員考察和評價，從而使其掌握審計工作中所需的計算機技術。而在此基礎上，醫院就應加強審計軟件的研發，尤其是應加強技術人才和先進設備的引進，才能確保醫院的財務審計效率得到有效的提升，不僅能將審計的流程簡化，而且還能節約審計的時間，而作為審計人員，在整個過程中，必須利用會計電算化知識對信息進行查詢和過濾，同時對數據進行審核和分析，從而得出審計結果，提高審計工作效率。

二是切實加強風險防范。隨著網絡經濟時代的到來，HIS系統的應用為醫院審計管理工作的開展提供了極大的便利。但是網絡具有較強的開放性，所以其面臨的網絡風險也較大，尤其是在醫院加大HIS系統運行的今天，而網絡又是確保HIS系統運行的關鍵，加上資料的存儲模式從傳統的紙質化正逐步轉移到磁盤儲存上來，而磁盤在運行過程中就有可能面臨來自網絡黑客的攻擊，里面儲存的數據資料將面臨被盜的風險，這就會對醫院的財務審計管理工作帶來影響。因而為了確保整個審計工作高效的開展，為審計系統的安全運行奠定堅實的基礎，作為醫院必須加強對磁盤的保護，避免其在高溫高濕的環境中工作，對于系統，則應切實加強對其的維護，及時的更新系統的防火墻，通過安全防護軟件，最大化的預防黑客和網絡病毒對其帶來工具，從而在確保數據安全的同時為審計管理工作的開展奠定堅實的基礎。

三、醫院信息管理系統審計案例分析

（一）被審計單位信息化基本情況

某市醫院信息管理系統是覆蓋HIS、LIS、PACS、UIS、0A、經濟管理、物資、人事財務信息管理等的綜合性計算機網絡系統，信息化管理廣泛應用于醫院每個層面的各項日常工作。其中，HIS系統主要包括門診收費管理系統，門診藥房管理系統，出入院管理系統，住院護士、住院醫生、住院藥房管理系統，材料管理系統，固定資產綜合處理系統，藥庫管理系統和醫技管理系統等模塊。PACS系統即醫學影像存檔與傳輸系統，該系統實現了全院所有影像設備的交互、存儲和通信。LIS系統即醫院檢驗信息管理系統，LIS系統是HIS系統的一個重要組成部分，其主要功能是將檢驗的實驗儀器傳出的檢驗數據經分析后，生成檢驗報告，通過網絡存儲在數據庫中，使醫生能夠方便、及時地看到患者的檢驗結果。UIS系統即特檢科信息管理系統，特檢科各類設備檢查的病人的基本數據、圖像文件、診斷資料將由特檢科信息管理系統統一管理。

（二）審計目標

該審計項目的目標是對醫院信息系統安全性、可靠性和有效性進行審查和評價，重點關注被審單位的HIS系統是否有完善的安全管理制度與技術防范措施，重點關注HIS系統中門診收費、住院收費、藥品管理等模塊是否存在漏洞或缺陷。

（三）選用恰當審計技術方法

1. 實地考察法：對住房公積金信息系統基本信息、軟硬件設施和運行環境、業務流程及其對信息化的依賴程度、操作人員的操作過程進行觀察，掌握和發現系統操作過程中存在的問題。

2. 測試用例法：審計人員通過編寫相應的用戶測試用例，對門診收費、住院收費等模塊的輸入、處理、輸出控制進行實質性測試，測試信息系統處理數據的正確性和真實性。

3. 平行模擬法：審計人員對信息系統的后臺數據編寫SQL語句，模擬系統的業務處理邏輯進行分析處理，將計算的結果與實際結果比較，提取疑點，進行延伸，發現系統處理邏輯方面的問題以及利用系統進行違法違規業務操作的問題。

4. 計算機輔助工具檢測法：利用專門的安全檢測軟件對操作系統、數據庫、系統平臺進行安全掃描，做模擬攻擊和入侵測試，檢測是否存在漏洞。

（四）處理控制審計

醫院HIS系統處理控制審計目標是：審查醫療服務項目的規范性，審計醫療服務項目價格的合規性。

醫院HIS系統處理控制審計的步驟如下：

1. 根據《××省醫療服務項目價格標準》、《衛生部藥品管理法》、《衛生部處方管理法》等建立醫院HIS系統應用控制矩陣，如表1所示。

2. 使用數據驗證法和測試數據法，對表1中各控制點進行測試，并記錄測試結果。

3. 提出該事項的審計結論：存在自立項目收費情況和項目超標準收費等。

四、結語

綜上所述，網絡經濟時代下，作為醫院必須注重審計管理工作的開展，在利用HIS系統強化財務審計的同時，還應切實加強網絡病毒的防范，才能最大化的規避風險，從而為審計管理工作的質量的提升奠定堅實的基礎。

參考文獻：

[1]張暢玲.網絡經濟下醫院審計的管理策略分析[J].企業改革與管理，2015（12）.

[2]吉宏圖.網絡經濟對醫院審計的管理策略探討[J].計算機光盤軟件與應用，2012（04）.

神經網絡原理范文第4篇

關鍵詞： 神經網絡；工程造價；Vague集貼近度

0 引言

對建筑工程造價進行科學有效的測算和控制，會使工程造價的組成比較合理，進而節約工程開銷成本。現在，經典的建筑工程造價測算方法主要有下面幾種：定額法、類比工程法、回歸分析法和模糊數學法[1]。其中，定額法必須對定額成本、定額差異和定額變動差異進行單獨核算，任務較重，現實中很難實施；類比工程法是通過類比工程的相似性實現工程造價的測算，該方法估算準確度不夠高；回歸分析法的估算準確度同樣不高，該方法將很多重要因素忽略了；模糊數學法是通過模糊數學的思想對工程造價進行估算，該方法的不足主要是特征隸屬度不好準確確定。由于人工神經網絡可以自學并進行推理，本文通過人工神經網絡和Vague集貼近度理論對住宅樓的工程造價進行估算和控制，可以為建筑工程造價估算提供很好的服務。

1 BP神經網絡

BP神經網絡是一種前饋型神經網絡，包含三種層次或者多層次，各種層次之間相互連接，同一層次可以自由結合，BP神經網絡的構成見圖1。所屬模型的神經元數量決定了BP神經網絡的層數，各個層次之間通過相互的權值實現聯接[2]。

人工神經元（Artificial Neuron）模型：

人工神經元是神經網絡的基本元素，其原理可以用圖2表示。

圖中x1～xn是從其他神經元傳來的輸入信號，wij表示表示從神經元j到神經元i的連接權值，θ表示一個閾值（threshold），或稱為偏置（bias）。則神經元i的輸出與輸入的關系表示為：

BP神經網絡的結構非常簡潔，包括正向傳播和逆向傳播。下面分別對BP神經網絡信息的正向傳播和誤差信息的反向傳播原理進行介紹。

1.1 信息的正向傳播

式（1）中，n為信息的總個數。

1）輸入向量為

多層神經元網絡（BP網絡圖3）。

BP（Back Propagation）神經網絡，即誤差反傳誤差反向傳播算法的學習過程，由信息的正向傳播和誤差的反向傳播兩個過程組成。由圖3可知，BP神經網絡是一個三層的網絡：

輸入層（Input Layer）：輸入層各神經元負責接收來自外界的輸入信息，并傳遞給中間層各神經元；

隱藏層（Hidden Layer）：中間層是內部信息處理層，負責信息變換，根據信息變化能力的需求，中間層可以設計為單隱層或者多隱層結構；最后一個隱層傳遞到輸出層各神經元的信息，經進一步處理后，完成一次學習的正向傳播處理過程；

輸出層（Output Layer）：顧名思義，輸出層向外界輸出信息處理結果。

2 建筑工程造價估算模型

2.1 BP神經網絡訓練 建立BP神經網絡模型，對工程特征向量進行歸一化處理，可以開始神經網絡訓練，目標是使網絡性能函數極小化，實現非線性映射的目的。本文利用Nguyen-Widrow方法[5]對權值和閾值的初值進行確定。Nguyen-Widrow方法具體原理為

上式中，W是數值矩陣，θ是權值矩陣，S、N是節點的個數。rand（S，N）為s行n列的平均自由分布任意矩陣，I（S，N）為s行n列標準矩陣。

2.2 BP神經網絡訓練調整與測試 BP神經網絡訓練調整與測試連接強度加權值調整方法，具體公式為：

BP算法在按步驟經行的收斂過程中，每一步的學習率都將發生變化，而不是固定不變。此時BP神經網絡不應用連接強度加權值的調整方法，同時也不使用誤差函數對梯度調整和η調整方法；最終應用相對權重增加量Δwij進行網絡調整與測試，權值wij的修正值Δwij，如下所示：

以上的分析表明，運用BP神經網絡進行建筑工程單方造價估算是可行的，然而該方法對建筑工程項目總造價的估算還不夠精確。當前建筑工程項目需要考慮的影響因素非常多，雖然可以引入大量的特征因素，然而里面有很多因素都非常模糊化；即使可以對特征因素進行具體說明，提高輸入點的數量，這時樣本數據會隨著增加，此時神經網絡將會復雜化，求解效率會降低。所以，本文通過以上運用BP神經網絡對建筑工程項目單方造價的估算，采用Vague集貼近度對BP神經網絡進行改進，對建筑工程總造價進行估算[3]。

2.3 加入Vague集貼近度改進BP神經網絡 文獻[4]采用普通模糊集理論來對工程隸屬度進行確定。本文中建筑工程特征因素隸屬度是指建筑工程特征值隸屬于準備建設的項目特征值的大小程度：

3 實例分析

選取2013年西安市某工程項目數據進行實例分析，工程造價指數以2013年為基準，通過加權平均法求解造價年綜合指數。通過選擇，最后選取了二十個樣本，前面十八個樣本為訓練樣本，剩余的兩個當作檢測樣本。神經網絡訓練數據見表1。

3.1 BP神經網絡訓練 采用BP神經網絡對模型進行構建，對建筑工程特征向量數據處理結束后，可以開展神經網絡訓練。神經網絡訓練基本的訓練公式為

net，tr=train（NET，P，T）

訓練公式中net為最終的網絡，tr為數值統計， P是輸入矩陣，T是輸出矩陣。

3.2 BP神經網絡與Vague集貼近度預測 采用Vague集貼近度的數據，基于BP神經網絡訓練樣本進行預測，通過訓練好的網絡對與本文樣本數據相類似工程項目的單方造價進行預估，求得單方造價均值為1800元/m2。緊接著可以對建筑工程的總造價進行預估，通過對10項樣本進行造價估算預測，采用BP神經網絡和Vague集貼近度相結合的方法進行造價預估，估計誤差在±10%范圍內（見表2），造價估算結果非常準確。

4 結論

本文應用BP神經網絡造價預測和Vague集貼近度理論，從理論和實際應用兩方面對建筑工程造價估算進行了研究。文中的方法能更準確地反應工程造價的不確定性，為建筑工程項目造價估算方法研究提供了一種新的視角和方法。

參考文獻：

[1]史峰.BP神經網絡在工程量清單中快速估價的應用研究[M].北京航空航天大學出版社，2010.4.

[2]張風文.基于MATLAB神經網絡的工程實例分析[J].華東交通大學學報，2010，8（3）：26-33.

[3]郭一斌，王紅革，王翔.基于Vague集貼近度的工程項目投資快速估算方法[J].現代經濟信息，2011，12（2）：50-55.

神經網絡原理范文第5篇

【關鍵詞】BP神經網絡；PID控制；直流電機調速系統

1.引言

PID控制以其算法簡單，魯棒性好和可靠性高等優點，廣泛地應用于工業生產當中，成為衡量各行各業現代化水平的一個重要標志。隨著科學技術的發展，生產工藝的日益復雜化，生產系統具有非線性，時變不確定性，在實際生產中，常規PID控制器參數往往整定不良、性能欠佳，對運行工況的適應性很差[1]。

BP神經網絡具有良好的自學習、自適應能力和魯棒性，可以用來處理高維、非線性、強耦合和不確定性的復雜控制系統。本文結合BP神經網絡的優點和傳統PID控制的優勢，對PID控制器進行優化，使其具有很強的自適應性和魯棒性。通過對直流電機調速系統仿真，結果表明，這種方法是有效的。

2.PID控制原理

PID是工業生產中最常用的一種控制方式，PID調節器是一種線性調節器，它將給定值r（t）與實際輸出值c（t）的偏差的比例（P）、積分（I）、微（D）通過線性組合構成控制量，對控制對象進行控制。傳統的PID控制系統原理框圖如圖2.1所示，系統主要由PID控制器和被控對象組成。它根據給定值rin（t）與實際輸出值yout（t）構成控制偏差額e（t）：

圖2.1為PID控制系統原理框圖。

3.基于BP神經網絡的PID整定原理

PID控制要取得好的控制效果，就必須通過調整好比例、積分和微分三種控制作用在形成控制量中相互配合又相互制約的關系，這種關系不一定是簡單的“線性組合”，而是從變化無窮的非線性組合中找出最佳的關系[2]。BP神經網絡具有良好的自學習、自適應能力和魯棒性，將PID和BP神經網絡結合起來，建立參數自學習的PID控制器。其結構如圖3.1所示。

經典增量式數字PID的控制算式為：

式中，是與、、、u（k-1）、y（k）等有關的非線性函數，可以用BP神經網絡通過訓練和學習找到這樣一個最佳控制規律。

假設BP神經網絡NN是一個三層BP網絡，其結構如圖3.4所示，有M個輸入節點、Q個隱層節點、三個輸出節點。輸出節點分別對應控制器的三個可調參數，，。其激發函數為非負的Sigmoid函數。而隱含層的激發函數可取正負對稱的Sigmoid函數。

神經網絡的前向算法如下：設PID神經網絡有M個輸入，3個輸出（，，），上標（1）（2）（3）分別代表輸入層、隱含層和輸出層，該PID神經網絡在任意采樣時刻k的前向計算公式（3-3）如下所述：

基于BP神經網絡PID控制算法可以歸納為：①選定BPNN的結構，即選定輸入層節點數M和隱含層節點數Q，并給出各層加權系數的初值，選定學習速率和慣性系數；②采樣得到和，計算；③對進行歸一化處理，作為BPNN的輸入；④計算BPNN的各層神經元的輸入和輸出，輸出層的輸出即為PID控制器的3個參數，，；⑤計算PID控制器的輸出，參與控制和計算；⑥計算修正輸出層的加權系數；⑦計算修正隱含層的加權系數：⑧置，返回②[3]。

4.仿真實例

仿真試驗中所用的直流電機參數Pnom =10kw，nom=1000r/min，Unom=220V，I=55A，電樞電阻Ra=0.5Ω，V-M系統主電路總電阻R=1Ω，額定磁通下的電機電動勢轉速比=0.1925V.min/r，電樞回路電磁時間常數Ta=0.017s，系統運動部分飛輪距相應的機電時間常數Tm=0.075，整流觸發裝置的放大系數=44，三相橋平均失控時間Ts=0.00167s，拖動系統測速反饋系數=0.001178V.min/r，比例積分調節器的兩個系數T1=0.049s，T2=0.088s。BP神經網絡的結構采用4-5-3，學習速率和慣性系數，加權系數初始值取區間[-0.5，0.5]上的隨機數。利用simulink模塊建立模型如圖4.1所示。

從上面的仿真結果中，進行比較分析后，可以得出常規PID控制系統BP神經網絡PID控制系統兩者對于在零時刻加幅度為1的階躍信號，它們有著不同響應曲線。為了便于比較，可以將兩者的響應結果列表，見表4.1。

5.結論

由仿真結果可知，BP神經網絡控制系統的最大超調量和調整時間均比常規PID控制系統的最大超調量要小。這說明利用BP神經網絡對PID控制器進行優化具有有良好的自學習、自適應能力和魯棒性，在工業生產中，具有更高的價值。

參考文獻

[1]王敬志，任開春，胡斌.基于BP神經網絡整定的PID控制[J].工業控制計算機，2011（3）：72-75.