神经网络论文十篇

神经网络论文篇1

人工神经网络（AartificialNeuralNetwork，下简称ANN）是模拟生物神经元的结构而提出的一种信息处理方法。早在1943年，已由心理学家WarrenS.Mcculloch和数学家WalthH.Pitts提出神经元数学模型，后被冷落了一段时间，80年代又迅猛兴起［1］。ANN之所以受到人们的普遍关注，是由于它具有本质的非线形特征、并行处理能力、强鲁棒性以及自组织自学习的能力。其中研究得最为成熟的是误差的反传模型算法（BP算法，BackPropagation），它的网络结构及算法直观、简单，在工业领域中应用较多。

经训练的ANN适用于利用分析振动数据对机器进行监控和故障检测，预测某些部件的疲劳寿命［2］。非线形神经网络补偿和鲁棒控制综合方法的应用（其鲁棒控制利用了变结构控制或滑动模控制），在实时工业控制执行程序中较为有效［3］。人工神经网络（ANN）和模糊逻辑（FuzzyLogic）的综合，实现了电动机故障检测的启发式推理。对非线形问题，可通过ANN的BP算法学习正常运行例子调整内部权值来准确求解［4］。

因此，对于电力系统这个存在着大量非线性的复杂大系统来讲，ANN理论在电力系统中的应用具有很大的潜力，目前已涉及到如暂态，动稳分析，负荷预报，机组最优组合，警报处理与故障诊断，配电网线损计算，发电规划，经济运行及电力系统控制等方面［5］。

本文介绍了一种基于人工神经网络（ANN）理论的保护原理。

1、人工神经网络理论概述

BP算法是一种监控学习技巧，它通过比较输出单元的真实输出和希望值之间的差别，调整网络路径的权值，以使下一次在相同的输入下，网络的输出接近于希望值。

在神经网络投运前，就应用大量的数据，包括正常运行的、不正常运行的，作为其训练内容，以一定的输入和期望的输出通过BP算法去不断修改网络的权值。在投运后，还可根据现场的特定情况进行现场学习，以扩充ANN内存知识量。从算法原理看，并行处理能力和非线是BP算法的一大优点。

2、神经网络型继电保护

神经网络理论的保护装置，可判别更复杂的模式，其因果关系是更复杂的、非线性的、模糊的、动态的和非平稳随机的。它是神经网络（ANN）与专家系统（ES）融为一体的神经网络专家系统，其中，ANN是数值的、联想的、自组织的、仿生的方式，ES是认知的和启发式的。

文献［1］认为全波数据窗建立的神经网络在准确性方面优于利用半波数据窗建立的神经网络，因此保护应选用全波数据窗。

ANN保护装置出厂后，还可以在投运单位如网调、省调实验室内进行学习，学习内容针对该省的保护的特别要求进行（如反措）。到现场，还可根据该站的干扰情况进行反误动、反拒动学习，特别是一些常出现波形间断的变电站内的高频保护。

3、结论

本文基于现代控制技术提出了人工神经网络理论的保护构想。神经网络软件的反应速度比纯数字计算软件快几十倍以上，这样，在相同的动作时间下，可以大大提高保护运算次数，以实现在时间上即次数上提高冗余度。

一套完整的ANN保护是需要有很多输入量的，如果对某套保护来说，区内、区外故障时其输入信号几乎相同，则很难以此作为训练样本训练保护，而每套保护都增多输入量，必然会使保护、二次接线复杂化。变电站综合自动化也许是解决该问题的一个较好方法，各套保护通过总线联网，交换信息，充分利用ANN的并行处理功能，每套保护均对其它线路信息进行加工，以此综合得出动作判据。每套保护可把每次录得的数据文件，加上对其动作正确性与否的判断，作为本身的训练内容，因为即使有时人工分析也不能区分哪些数据特征能使保护不正确动作，特别是高频模拟量。

神经网络的硬件芯片现在仍很昂贵，但技术成熟时，应利用硬件实现现在的软件功能。另外，神经网络的并行处理和信息分布存储机制还不十分清楚，如何选择的网络结构还没有充分的理论依据。所有这些都有待于对神经网络基本理论进行深入的研究，以形成完善的理论体系，创造出更适合于实际应用的新型网络及学习算法［5］。

参考文献

1、陈炳华。采用模式识别（智能型）的保护装置的设想。中国电机工程学会第五届全国继电保护学术会议，［会址不详］，1993

2、RobertE.Uhrig.ApplicationofArtificialNeuralNetworksinIndustrialTechnology.IEEETrans，1994，10（3）。（1）：371～377

3、LeeTH，WangQC，TanWK.AFrameworkforRobustNeuralNetwork-BasedControlofNonlinearServomechannisms.IEEETrans，1993，3（2）。（3）：190～197

神经网络论文篇2

1.1概率性神经网络（PNN）

地震属性和测井数据的关系，并不一定是线性的，利用概率性神经网络的方法弥补井和地震间的非线性关系。概率性神经网络（PNN）类似于多维属性空间上的克里金，采用了局部化的作用函数，具有最佳逼近特性，且没有局部极小值。每个输出点把新点处的新属性组与已知的培训例子中的属性进行比较来确定的，得到的预测值是培训目标值的加权组合。概率神经网络方法具有高度的容错性，即使某个井旁道地震参数或某个网络连接有缺陷，也可以通过联想得到全部或大部分信息。因此，用概率神经网络建立地震属性和测井特征属性之间的映射关系可靠性高。概率神经网络方法还具有动态适应性，当地质岩性类别变化或地震参数修改时，网络可自动适应新的变量，调整权系数，直到收敛。对于受岩性控制的储层，概率神经网络是描述其地震属性参数与岩性参数关系的有效方法。概率神经网络是由多测井和多地震属性参数组成的网络。首先,将由测井曲线和井旁地震道提取的特征参数按照地质岩性参数分成若干类;然后,通过非线性数学模型的神经网络学习系统,由输入矢量产生输出矢量,并把这个输出矢量与目标矢量进行平方意义下的误差对比;再以共轭迭代梯度下降法作权的调整,以减少输出矢量与目标矢量的差异,直到两者没有差异训练才结束。对于给定的培训数据，PNN程序假设测井值和每一输出端的新测井值为线性组合，新数据样点值用属性值X表示可写。这里σ是PNN使用的高斯权重函数的关键参数，来控制高斯函数的宽度。式（2）和式（3）是概率神经网络预测的基本原理，训练神经网络的过程实际上就是求解最优平滑因子的过程。

1.2交互验证增加属性类似于多项式拟合增加高阶项，增加多项式高阶将会使预测误差总是变小，但属性的个数绝不是越多越好。随着属性个数的增多，对预测的结果的影响越来越小，会明显削弱未参与神经网络训练的那些点的预测能力，甚至造成预测误差反而增大,这种现象称为过度匹配。而且参与运算的属性过多，也会影响到运算速度，因此通过计算验证误差来确定最佳的属性个数，防止过度匹配，该过程就称为交叉验证。通过蕴藏井误差分析的方法，验证出现拟合过度的情况。求取递归系数时，选取一口井作为验证井，不参与运算。利用拟合出的关系，得到验证井的误差值。以此类推，得到每一口井的误差值，以参与运算井的平均误差作为参考标准，来检验属性组合个数是否出现拟合过度的情况。

2应用实例分析

研究区内油气富集区主要为岩性控制，目的层段厚度70m左右，地震剖面上大约50ms，含油砂体主要发育在wellA，wellC附近，向周围变化较快。针对目标层T41-T43之间进行井曲线交汇和岩性统计。wellA，wellC主要是含油砂岩，wellB、D、F主要是泥质砂岩、煤层，岩性差别很大。但从速度、密度曲线交汇图版（图1）来看，曲线交汇统计重叠较大，很难区分含油砂岩和泥质砂岩。wellA、wellB对应层位岩性明显不同，在地震剖面也体现同样的反射特征。因此基于测井和地震模型为基础的常规叠后波阻抗反演很难准确识别这套含油砂岩。而更能反映岩性特征的GR曲线，则对这套砂体较为敏感，明显地区分出了这套含油砂岩（如图3所示）。因此我们采用本文介绍的神经网络技术，在常规波阻抗反演的基础上，预测GR曲线特征体。经过分析，把GR值65~75区间岩性赋值为含油砂岩，从而把这套储层有效的区分出来，在此基础上进一步计算砂岩厚度（图4）。

3结论

神经网络论文篇3

[关键词]软件项目风险管理神经网络粗集

本篇论文的中心是基于粗集的人工神经网络(ANN)技术的高风险识别，这样在制定开发计划中，最大的减少风险发生的概率，形成对高风险的管理。

一、模型结构的建立

本文基于粗集的BP神经网络的风险分析模型,对项目的风险进行评估,为项目进行中的风险管理提供决策支持。在这个模型中主要是粗糙集预处理神经网络系统，即用RS理论对ANN输入端的样本约简，寻找属性间关系，约简掉与决策无关的属性。简化输入信息的表达空间维数，简化ANN结构。本论文在此理论基础上，建立一种风险评估的模型结构。这个模型由三部分组成即：风险辨识单元库、神经网络单元、风险预警单元。

1.风险辨识单元库。由三个部分功能组成：历史数据的输入，属性约简和初始化数据.这里用户需提供历史的项目风险系数。所谓项目风险系数,是在项目评价中根据各种客观定量指标加权推算出的一种评价项目风险程度的客观指标。计算的方法:根据项目完成时间、项目费用和效益投入比三个客观指标,结合项目对各种资源的要求,确定三个指标的权值。项目风险系数可以表述成:r=f(w1,w2,w3,T,T/T0,S/S0,U/U0),R<1；式中:r为风险系数;T、T0分别为实际时间和计划时间;S、S0分别为实际费用和计划费用;U、U0分别为实际效能和预计效能;w1、w2、w3分别是时间、费用和效能的加权系数,而且应满足w1+w2+w3=1的条件。

2.神经网络单元。完成风险辨识单元的输入后,神经网络单元需要先载入经初始化的核心风险因素的历史数据,进行网络中权值的训练,可以得到输入层与隐含层、隐含层与输出层之间的权值和阀值。

(1)选取核心特征数据作为输入，模式对xp=[xp1,xp2,.,xpn]T,dp(网络期望输出)提供给网络。用输入模式xp,连接权系数wij及阈值hj计算各隐含单元的输出。

m

Ypj=1/{1+exp[-(∑wijxpi-hj)]},i=1,2,.,m;j=1,2,Λ,n,

i=1

(2)用隐含层输出ypj,连接权系数wij及阈值h计算输出单元的输出

m

Yp=1/{1+exp[-(∑wjxpi-hj)]},i=1,2,.,m;j=1,2,Λ,n,

i=1

Yp=[y1,y2,……,yn]T

(3)比较已知输出与计算输出,计算下一次的隐含各层和输出层之间新的连接权值及输出神经元阈值。

wj(k+1)=wj(k)+η(k)σpσpj+α[wj(k)-wj(k-1)]

h(k+1)=h(k)+η(k)σp+α[h(k)-h(k-1)]

η(k)=η0(1-t/(T+M))

η0是初始步长;t是学习次数;T是总的迭代次数;M是一个正数,α∈(0,1)是动量系数。σp是一个与偏差有关的值,对输出结点来说；σp=yp(1-yp)(dp-yp)；对隐结点来说,因其输出无法比较,所以经过反向推算；σpj=ypj(1-ypj)(ypwj)

(4)用σpj、xpj、wij和h计算下一次的输入层和隐含层之间新的连接权值及隐含神经元阈值。wij(k+1)=wij(k)+η(t)σpjxpi+α[wij(k)-wij(k-1)]

3.风险预警单元

根据风险评价系数的取值,可以将项目的风险状况分为若干个区间。本文提出的划分方法是按照5个区间来划分的:

r<0.2项目的风险很低,损失发生的概率或者额度很小;

0.2≤r<0.4项目的风险较低,但仍存在一定风险;

0.4≤r<0.6项目的风险处于中等水平,有出现重大损失的可能;

0.6≤r<0.8项目的风险较大,必须加强风险管理,采取避险措施;

0.8≤r<1项目的风险极大,重大损失出现的概率很高,建议重新考虑对于项目的投资决策。

总之，有许多因素影响着项目风险的各个对象，我们使用了用户评级的方式，从风险评估单元中获得评价系数五个等级。给出各风险指标的评价系数，衡量相关风险的大小。系数越低，项目风险越低；反之，系数越高，项目风险越高。

二、实证：以软件开发风险因素为主要依据

这里我们从影响项目风险诸多因素中，经项目风险系数计算，作出决策表，利用粗集约简，抽取出最核心的特征属性(中间大量复杂的计算过程省略)。总共抽取出六个主要的指标(PersonnelManagement/Training，Schedule，ProductControl，Safety，ProjectOrganization，Communication)确定了6个输入神经元，根据需求网络隐含层神经元选为13个，一个取值在0到1的输出三层神经元的BP网络结构。将前十个季度的指标数据作为训练样本数据，对这些训练样本进行数值化和归一化处理，给定学习率η=0.0001，动量因子α=0.01，非线性函数参数β=1.05，误差闭值ε=0.01，经过多次迭代学习后训练次数N＝1800网络趋于收敛，以确定神经网络的权值。最后将后二个季度的指标数据作为测试数据，输入到训练好的神经网络中，利用神经网络系统进行识别和分类，以判断软件是否会发生危机。实验结果表明，使用神经网络方法进行风险预警工作是有效的，运用神经网络方法对后二个季度的指标数据进行处理和计算，最后神经网络的实际输出值为r=0.57和r=0.77，该软件开发风险处于中等和较大状态，与用专家效绩评价方法评价出的结果基本吻合。

参考文献：

[1]王国胤“Rough:集理论与知识获取”[M].西安交通大学出版社，2001

神经网络论文篇4

现通过对时用水量变化规律的研究，提出以神经网络法预测城市短期用水量。

1城市供水管网用水量变化规律

在我国城市供水系统中，用水量一般包括居民生活用水、工矿企业生产用水和公共事业用水等。同一城市在一天内的不同时段，用水量会发生显著变化。

虽然城市用水量的变化受气候、生活习惯、生产和生活条件等诸多因素的影响，变化情况也较为复杂，但通过分析不难发现：城市用水量曲线呈现三个周期性的变化，即：一天(24h)为一个周期、一星期(7d)为一个周期、一年(365d)为一个周期，并受增长因素(人口增长，生产发展)的影响。若将预测时段取为1h，则季节因素和增长因素的影响就显得十分缓慢，因此管网时用水量的变化具有两个重要特征：随机性和周期性。

2人工神经网络模型

采用目前应用最广泛的多层前馈神经网络模型(BP模型)来预测用水量。BP网络由输入层、输出层及隐含层组成，隐含层可有一个或多个，每层由若干个神经元组成。最基本的三层BP神经网络的结构如图1所示。隐含单元与输入单元之间、输出单元与隐含单元之间通过相应的传递强度逐个相互联结，用来模拟神经细胞之间的相互联结［1～4］。

BP神经网络采用误差反馈学习算法，其学习过程由正向传播(网络正算)和反向传播(误差反馈)两部分组成。在正向传播过程中，输入信息经隐含单元逐层处理并传向输出层，如果输出层不能得到期望的输出，则转入反向传播过程，将实际值与网络输出之间的误差沿原来的联结通路返回，通过修改各层神经元的联系权值而使误差减小，然后再转入正向传播过程，反复迭代，直到误差小于给定的值为止。

假设BP网络每层有N个处理单元，训练集包括M个样本模式对(Xk，Yk)。对第p个训练样本p，单元j的输入总和记为netpj,输出记为Opj，则：

如果任意设置网络初始权值，那么对每个输入模式p，网络输出与期望输出一般总有误差，定义网络误差EP：

式中dPj——对第p个输入模式输出单元j的期望输出

可改变网络的各个权重Wij以使EP尽可能减小，从而使实际输出值尽量逼近期望输出值，这实际上是求误差函数的极小值问题，可采用梯度最速下降法以使权值沿误差函数的负梯度方向改变。

BP算法权值修正公式可以表示为：

式中δpj——训练误差

t——学习次数

η——学习因子

f′——激发函数的导数

η取值越大则每次权值的改变越剧烈，这可能导致学习过程发生振荡，因此为了使学习因子的取值足够大而又不致产生振荡，通常在权值修正公式中加入一个势态项［5］，得：

式中α——常数，势态因子

α决定上一次学习的权值变化对本次权值新的影响程度。

3时用水量预测

3.1方法

利用BP神经网络预测时用水量分为三大步骤：第一步为训练样本的准备和归一化，第二步为神经网络的训练，第三步是利用训练后的神经网络对用水量进行预测［6］。

由于用水量的数值较大，应对其进行一定的预处理，一般可采用初值化、极值化或等比变换。通过这些变换可有效地缩短神经网络训练时间，从而加快网络收敛速度。

3.2实例

采用华北某市2000年24h用水量的实测数据进行预测。在应用神经网络预测模型预测时用水量时，建立了时用水量数据库，共收集了240个样本，每个样本包括24h的时用水量资料。

通过选取不同的输入样本数及不同的隐层单元个数来比较其训练与预测结果的最大相对误差、均方差、程序运行时间以决定网络的结构。经过比较，最后决定采用一个隐层、12个隐层单元、24个输出单元的BP网进行训练,训练过程中均采用24h的时用水量作为输入与输出节点(即Opi与Opj)。

由于时用水量变化具有趋势性、周期性及随机扰动性的特点，故预测样本的变化规律将直接影响预测结果的变化趋势，所以在预测时应根据预测对象的情况，选择适当的样本进行预测。

①预测次日24h的时用水量(或某一时刻的用水量)

a.如果这一天处于工作日则选取上一工作日的用水量作为输入样本进行训练，然后预测次日的时用水量。预测结果见图2，与实际用水量的相对误差为-0.02%～0.01%。

b.如果预测日为周末(即周六或周日)则选取前一周(包括上周周末)的实测数据进行训练以使预测更加准确，预测结果见图3。与实际用水量的相对误差为-2%～1%。

②预测一个月的时用水量

可以选取上个月的数据进行训练，也可以选取去年或连续几年同月的时用水量进行预测，不过训练样本数越大、训练时间越长则预测精度越高。预测结果见图4，与实际用水量的相对误差在±1%以内。

3.3预测效果比较

为了考察神经网络模型对城市时用水量的预测效果，同时采用时间序列三角函数分析法、灰色系统理论预测法、小波分析法对上述实例进行了预测，结果表明：时间序列三角函数分析法的预测误差一般为±5%～±7%；灰色系统理论预测法的预测误差大一些，为±5%～±50%；小波分析法误差范围为0%～±25%；而神经网络的最大误差不超过±1%。

可见，神经网络方法对城市时用水量的预测效果明显好于其他方法。

4结语

人工神经网络是一门新兴的交叉学科，利用BP网络进行预测能拟合任意的非线性函数并且具有准确、简单等特点，实际应用结果表明，用它来预测时用水量是可行的。

参考文献：

［1］HaganMT,MenhajMB.TrainingfeedforwardnetworkswithMarquartalgorithm［J］.IEEETransonNeuralNetworks,1994,5(6):989-993.

［2］KanadChakraborty,ChilukuriKMohan.Forecastingthebehaviorofmultivariatetimeseriesusingneuralnetworks［J］.NeuralNetworks,1992，(5)：961-970.

［3］SietsmaJ，DowRJF.Backpropagationnetworksthatgeneralize［J］.NeuralNetworks,1999，(12)：65-69.

［4］邵良彬，高树林.基于人工神经网络的投资预测［J］.系统工程理论与实践，1997，17(2)：67-71.

神经网络论文篇5

关键词：立井井筒非采动破裂反向传播网络神经网络预测数值模拟

一、煤矿立井发生破坏问题的提出

徐淮地区是中国东部主要的煤炭开采基地，其煤炭的生产直接影响着我国煤炭的总产量，在国民经济建设中占有重要的地位。然而自20世纪80年代以来，在我国徐淮地区（徐州、淮北、淮南）地区，出现了一种新的矿井破裂灾害——井筒的非采动破裂，即煤矿立井在不受地下采动影响的条件下（井筒及其附近的工业广场都留有足够的保护煤柱），井壁发生严重变形和破裂，致使提升运输困难。90年代以来，在我国特大型煤炭企业'''');">企业兖州矿业集团的9对井筒也先后发生了破坏(有关兖州矿区井筒破裂的基本情况如表1所示)。煤矿竖井是矿山生产运输的咽喉要道，因此竖井的破坏严重影响了矿山生产，给各煤矿造成了巨大的经济损失。

为了尽量减少立井的非采动破裂所造成的经济损失，现在各大矿山都对井筒的变形进行了预报和治理，到目前对井筒破裂的预报方法主要有两种：

1）第一种方法是通过加强对井筒变形的监测，以监测数据为依据，对井筒的变形进行分析，对其破裂进行预报。

2）第二种方法是新近发展起来的预报方法［1，2，3］，即系统科学、智能技术方法，特别是研究非线性复杂系统的一些方法。其主要内容使用系统科学原理或智能技术来建立模型的框架，用观测的实测资料填充以实现建模。

本文采用实际与智能技术相结合的预报方法，建立井筒破裂的人工神经网络模型，模仿人脑的运行机制，通过对井筒破坏规律的学习，使网络具有根据特征值对井筒破坏进行预报的能力，并据此来推测相关煤矿的井筒破坏规律。

表1兖州矿区井筒破裂的基本情况

Table1BasicsituationofshaftliningfractureinYanzhouCoalMine

矿区

序号

井筒名称

竣工时间

破裂时间

净径/m

外径/m

施工方法

井壁类型

表土厚度/m

破裂深度/m

破裂情况

兖州

1

鲍店副井

1979.11.26

1995.6.5

8.0

10.2

冻结法

双层井壁

148.6

126.9

罐道缝压实,罐道,管路压缩弯曲,混凝土表层剥落出现水平裂缝,竖筋弯曲外露

2

鲍店主井

1979.5.14

1995.7.12

6.5

8.5

冻结法

双层井壁

148.69

136—144

3

鲍店北风井

1979.10.21

1996.8.2

5.0

6.6

冻结法

双层井壁

202.56

168.4,180,204

4

鲍店南风井

1979.8.1

1996.8.9

冻结法

双层井壁

157.92

158.1—159.3

5

兴隆庄西风井

1976.8

1995.10

5.5

7.4

冻结法

双层井壁

183.9

165.5—171.6

6

兴隆庄东风井

1977.5.31

1997.6.7

5.0

6.4

冻结法

双层井壁

176.45

157—180

7

兴隆庄主井

1977.8.13

1997.6.23

冻结法

双层井壁

189.31

150,184

在未出现严重破裂时进行了治理

8

兴隆庄副井

1978.9

1997.6.26

冻结法

双层井壁

190.41

154,200

罐道缝压实,罐道,管路压缩弯曲,混凝土表层剥落出现水平裂缝,竖筋弯曲外露

9

杨村主井

1984.12

1997.2.29

5.0

6.6

冻结法

双层井壁

185.42

176.5,196

10

杨村副井

1985.1.23

1997.12.2

冻结法

双层井壁

184.45

160,176,212

在未出现严重破裂时进行了治理

11

杨村北风井

1984.10.31

1997.2.4

4.5

5.9

冻结法

双层井壁

173.40

179.6,150,156.6

罐道缝压实,罐道,管路压缩弯曲,混凝土表层剥落出现水平裂缝,竖筋弯曲外露

二、人工神经网络的预报原理

人工神经网络实现井筒破裂的智能预报，是通过机器学习的方法［4］对破裂井筒的特征值进行抽取，并对已知的井筒破裂规律进行学习掌握规律性，然后运用训练好的神经网络对其他井筒进行推理预测，并据此对其他井筒的破裂进行预报（其流程见图1）。

三、立井井筒破裂影响因素的选取

经调查表明立井井壁破裂的主要原因为：在煤矿开采过程中新生界底部第四系含水层（底含）的水头的大幅疏降，使该含水层及上覆土层产生压缩和变形，且引起地表沉降，在地层发生变形的过程中对井壁产生垂直向下的附加力，使得立井井壁发生破裂。

立井井筒破裂矿区的水文地质与工程地质条件都具有如下的特点：井筒都穿过第四系深厚表土，其厚度大都在200m左右。土层结构复杂，但大体上都可分为四个含水层和三个隔水层共七个工程岩组，即由上至下常简称为一含、一隔、二含、二隔、三含、三隔和底含（四含）。

通过对立井井筒非采动破裂机理及破裂矿区的水文地质与工程地质特点分析选取以下几个因素作为影响立井井筒破裂的特征因素：

1、表土层厚度

由于立井井筒非采动破裂只发生在厚冲积层中建成的立井井筒，因此表土层厚度是立井井筒非采动破裂现象发生的必要因素。表土层厚度越大，土层对立井井筒的侧压力越大，且土层与井筒的相互作用的面积增大，底含沉降时产生的立井井筒附加力加大，立井井筒发生破裂的可能性越大。

2、底含厚度

底含厚度决定了立井井筒周围土层的变形量，且土层变形量直接关系到立井井筒附加应力的大小，因此底含厚度越大，井筒破裂的可能性增大，所以确定底含厚度为立井井筒破裂的主要影响因素。

3、底含水位降速

底含水位降速决定了立井井筒周围土层变形的速率，从而决定了立井井壁破裂的时间。底含水头降速直接决定了立井井筒破裂时间的大小。

4、井筒外径

由于在确定的工程地质条件下立井井筒外表面积与立井井筒附加力的大小成正比，则确定立井井筒外径大小为立井井筒破裂的主要因素。

5、井壁厚度

井壁厚度越大，立井井筒的净截面积越大，立井井壁内壁应力降低，有利于立井井筒的稳定。

四、神经网络的设计与实现

根据以上对影响井筒变形的特征因素的选取，选择反向传播（backpropagation,BP）神经网络算法对井筒的破裂规律进行训练，其网络为包含两层隐含层的神经网络，输入层、隐含层、输出层的神经元的个数分别为5、20、10、1，

表2神经网络的输入矢量p及目标矢量t

Table2Inputvectorpandtargetvectortoftheneuralnetwork

输入矢量p

输出矢量t

表土层厚度(m)

井筒外径(m)

井壁厚度(m)

底含水位降速（米/年）

底含厚度(m)

井壁破裂时间（月）

189.31

8.92

1.21

3.764

34.1

192

190.41

10.1

1.3

3.212

30

225

190.41

6.4

0.7

2.988

32.85

241

189.5

7.4

0.95

3.652

29.9

230

148.69

8.5

1

5.196

56.29

194

148.6

10

1

5.262

55.0

187

202.56

6.6

0.8

5.053

59.0

190

185.5

6.4

0.7

7.192

57.72

146

其训练函数分别采用双曲正切函数tansig及线性激活函数purelin［5］，网络学习采用的输入矢量及目标矢量如表2所示。

网络训练后，其输出值与期望值之及目标误差如表3所示。

表3BP网络对井筒破坏规律的学习

Table3BPnetworklearningofshaftliningfractureregularity

输入矢量p

目标矢量t

目标误差

输出矢量

a

189.31

8.92

1.21

3.764

34.1

192

0.0001

199.5

190.41

10.1

1.3

3.212

30

225

0.0001

222.3

190.41

6.4

0.7

2.988

32.85

241

0.0001

243.8

189.5

7.4

0.95

3.652

29.9

230

0.0001

221.3

148.69

8.5

1

5.196

56.29

194

0.0001

193.06

148.6

10

1

5.262

55.0

187

0.0001

185.6

202.56

6.6

0.8

5.053

59.0

190

0.0001

188.9

185.5

6.4

0.7

7.192

57.72

146

0.0001

147.23

五、实例应用及与数值模拟结果的比较

兖州矿区杨村煤矿北风井井筒表土段厚173.4m，采用冻结法施工，于1984年竣工，在1997年的检查中发现井壁已发生了破裂，现在用学习后的神经网络对杨村北风井的井筒破裂时间进行预测，预测结果如所表4示。

据上表可以得出有神经网络预报得出的预测值与实际的目标矢量之间的误差仅为0.015，该误差在现场的实际工作中是可以接受的，这说明由BP网来预测竖井的非采动破坏在实际工作中是可行的，且行之有效。

表4神经网络对杨村北风井破裂的预测

Table4NeuralnetworkforecasttothefracturetimeofYangcunnorthshaft

输入矢量p

目标矢量t

输出矢量

a

误差

表土层厚度(m)

井筒直径(m)

井壁厚度(m)

底含水位降速（米/年）

底含厚度(m)

井壁破裂时间（月）

173.4

5.9

0.7

7.5

65.3

136

138

0.015

根据兖州矿区的工程地质资料和及杨村立井井筒施工资料建立了立井井筒破裂的几何计算模型，采用Flac3D进行数值模拟计算，模型共19008个六面体、21600个结点。数值模拟计算后立井井壁最大z方向应力随底含水头降变化如图2所示，底含失水沉降情况下立井井壁发生破裂时的底含水头降为0.8MPa左右，换算为水头高度等于80m，此时井壁内部的最大应力为30MPa，达到了立井井筒的破裂强度。则立井井筒的破裂时间T为：

T＝底含水头高度损失量/底含水位降速

＝(80÷7.5)×12

＝128月

根据底含水头降速可得立井井筒破裂的时间为128月，与神经网络预测值相比，相差10月左右，因此可以认为神经网络预测基本可以用于立井井筒破裂时间的预测。

图2立井井壁最大z方向应力随底含水头降变化

Fig.2Waterheadvariationinbottomaquifervs.maximumz-directionalstressinshaftlining

神经网络论文篇6

论文关键词：咸潮，东江，神经网络

 

东江为珠江三大干流之一，发源于江西省寻乌县，由东向西流经龙川、惠州等地，于东莞桥头镇进入东莞市，流经约20公里至石龙分为南、北二大干流进入河网区，经东莞虎门出海。整个东江下游近入河口处，受径流和潮汐共同影响,海水随着海洋潮汐涨潮流沿着东江河口的主要潮汐通道向上推进,成为感潮河段。东江下游分布了东莞市主力水厂，咸水上溯将影响当地的供水水质。当水体含氯化物浓度超过250mg/L时数学建模论文，就不能满足供水水质标准,影响城镇生活供水。自2004年开始，每年的11月至次年2月易遭受咸潮的侵袭。2004年底东江径流量比多年同期减少约五成，咸潮持续了近六个月，东莞部分水厂因为氯化物超标停止取水，对当地居民生活和工农业用水造成极大的影响。

咸潮发生的机制十分复杂,受径流、潮汐、河口等多个因素共同影响，且各个因素之间有着复杂的联系，同时所需的观测资料不完整，因此难以用数学模型准确地描述咸潮的发生规律，而采用数理统计方法只能确定“点”到“点”的关系,不能描述咸潮空间变化的连续过程,具有一定的局限性。真正意义上的咸潮预报模型方面的研究与应用不多见，以基于偏最小二乘回归与支持向量耦合建立的咸潮预报需要有较高的编程程序【1】，在实际应用中具有一定难度。人工神经网络是近年来发展起来的一种受到人脑和神经系统启发而创建的计算方法，根据以往的数据找到一种比较精确的方法使得预测结果与实际情况相符合，预测的结果具有很高的信任度【2】论文下载。因此，本文以东江下游2009年10月~12月的实测统计资料为基础，建立通过人工神经网络的耦合潮位、上游径流量、咸度等因子建立咸潮预测模型，能为合理分配现有水资源、水厂抗咸提供可靠的依据。

1 BP神经网络原理

统计模型中,常采用回归分析方法,对事先拟定的因子进行筛选和系数求解,但当拟定的因子样本数较少且因子之间存在严重的相关性时,会导致分析失效[2]。人工神经网络能够通过大量简单的神经元广泛互连形成的复杂的非线性系统。它不需要任何先验公示，就能从环境变量和待预测水质指标的历史数据之间中自动地归纳规则数学建模论文，获得这些数据的内在规律，具有很强的非线性映射能力，特别适合于因果关系的非确定性推理、判断、识别和分类等问题。其中的BP网络算法使用反向传播算法对网络的权值和偏差进行反复的调整训练，使输出的向量与期望向量尽可能地接近，当网络输出层的误差平方和小于指定的误差时训练完成，保存网络的权值和偏差，是目前运用最广泛、最为成功的一种算法【3】。

BP 算法“训练”的过程可以分为向前传输和向后传输两个阶段：

1、向前传输阶段

（1）从样本集中取一个样本,,将输入网络。

（2）运算过程中，对数据的取值采集的各数据单位不一致，可对数据采用归一化方法处理。

（3）计算出误差测度和实际输出

（4）对权重值各做一次调整，重复这个循环，直到。

2、向后传播阶段――误差传播阶段

（1）计算实际输出O与理想输出地差

（2）用输出层的误差调整输出层权矩阵

（3）

（4）用此误差估计输出层的直接前到层的误差，再输出层前导层误差估计更前一层的误差。如此获得所有其他各层的误差估计。

（5）并用这些估计实现对矩阵的修改。形成讲输出端表现出的误差沿着与输出信号相反的方向逐级向输出端传递的过程。

网络关

于整个样本集的误差测度：

2 东江下游河道咸潮预测模型的建立

根据多年的历史观测资料，东江下游咸度一方面受上游径流量大小的影响(上游来水量越小,咸度值偏高的可能性越大,反之亦然),另一方面还与涨落潮的潮位紧密相关[4-5]。因此,本文选取博罗水文站记录的上游径流量、东江河口潮位、东江下游大王洲桥的咸度作为本模型的自变量和因变量（见图1）。根据2009年10月~12月的实测资料，首先选用2009年10月共60日的数据，对模型进行训练和模拟，建立东江下游月时段水量预测模型。

在应用BP网络运算过程中，输入向量有2个元素数学建模论文，输出向量有1个元素，所以网络的输入层有5个结点，输出结点1个，采用3层BP网络结构，即网络只有1个隐含层，当隐含层节点为4个时，所建模型具有相对较小的模拟误差，因而，隐含层节点设置为4个。网络的训练目标为0.001，最大训练次数为20000次。为了防止网络发生过度拟合，训练方法采用泛化能力较强的贝叶斯正则化方法论文下载。整个过程通过大量的试验计算获得，这无形增加了研究工作量和编程计算工作量，Matlab软件提供了一个现成的神经网络工具箱，为解决这个矛盾提供了便利条件。

图1 东江下游地理位置图

3讨论

为检验模型的预测效果，运用前面已训练过的用2009年12月共18日的咸潮情况进行预测，预测值和实测值见表2，结果显示数学建模论文，通过bp人工神经网络模型，以径流及潮差变化预测咸潮的方法是可行的,对咸潮的预测基本符合实际情况。

二十世纪九十年代，东江100m3/s的流量可以将咸潮压制在东江万江――中堂入海口处。2004年东江剑潭枢纽工程建设竣工后，上游径流流速减慢，对东江河道输砂量的拦截作用增大，下游河道的水位呈下降趋势并降到海平面以下，水力坡降的压咸作用消失【6】，海水入侵由原来的主要受流量影响转变为受潮汐和流量共同影响。从实测数据来看,由于潮差的半月变化直接影响到潮流的强弱,大潮（为农历十五至十八）时,咸潮强度大,上溯距离长，上游径流量要增加。整个东江下游作为感潮河段，一般情况下，上游径流量只要维持在270m3/s就能将咸潮线控制在万江至中堂一线以下。但是，在初一、十五大潮时段，如果上游压咸的需水量无法维持到360m3/s，咸潮有可能越过第二水厂，上溯到石龙段。2009年12月1-9日,大潮前后，潮位超过了1.00m，上游径流量最大仅为348m3/s数学建模论文，东莞市第二水厂的取水口氯化物浓度出现峰值，曾一度停产，影响正常生产；2009年12月16日-20日，小潮前后，由于上游径流量大幅度增加至370m3/s，咸潮无法达到第二水厂，保障了生产水厂的正常取水。

表1 2009年12月东江上游流量、河口潮位的实测值

 

日期

1日

2日

3日

4日

5日

6日

7日

8日

9日

东江河口最大潮位m

1.08

1.21

1.28

1.27

1.28

1.19

1.02

0.76

0.45

博罗水文站流量m3/s

279

271

302

317

312

348

340

299

258

日期

16日

17日

18日

19日

20日

21日

22日

23日

24日

东江河口最大潮位m

1.06

1.07

1.06

1.04

0.97

0.86

0.71

0.50

0.25

博罗水文站流量m3/s

370

370

330

342

338

284

285

神经网络论文篇7

BP神经网络模型的建立

卧虎山水库位于济南市历城区南部仲宫镇境内，处于泰山北麓的锦绣川、锦阳川和锦云川3川汇流的玉符河上游河口，是全国321座大型水库之一，是南部山区水系的重要汇聚地，济南地表水和泉水的重要补给区和供水水源地，主要供给济南市经十路以南约40万居民的饮用水。卧虎山水库集防洪、城市供水、农田灌溉为一体，水库水质直接影响到济南市的城市饮用水安全及其他生态环境。因此，选取具有典型代表性的卧虎山水库水质污染指标为实例进行水库水质评价，使该评价模型具有一定的通用性和泛化能力。

卧虎山水库水量主要来源于区域内降雨形成的地表径流补给，根据卧虎山水库水源特点，于2010年8月至2011年12月在水库设置监测断面进行采样检测。根据本地区的污染情况和水库功能，选择水质分析监测指标主要有：溶解氧、高锰酸钾指数、氨氮、总磷、总氮和六价铬。采样及样品保存和运输的过程均执行国家《水和废水监测分析方法﹙第3版﹚》的规程，具体的监测结果见表1。利用监测的6项水质指标建立适用于卧虎山水库水质评价的BP神经网络模型，并利用这一模型对22个样品的水质进行评价。

1输入层、隐含层和输出层的确定

此次评价选用溶解氧、高锰酸盐指数、氨氮、总磷、总氮、六价铬6项评价指标，作为BP神经网络的输入层神经元，以GB3838—2002《中华人民共和国地表水环境质量标准》中的标准水质分界值作为模型的评价依据。模型中输入层的神经元个数为6，分别为6项水质评价指标，地表水环境的质量标准水质分为5个等级C类—Ⅴ类。因而，BP网络模型输出层有5个神经元，隐含层神经元数目由下面公式确定：隐含层神经元数目=√m+n+α。其中，m为输入层神经元数，n为输出层神经元数，α为1~10的常数。根据此公式及试错法确定隐含层神经元数为11，从而得到一个结构为6115的BP神经网络，如图2所示。

2数据的预处理

为了加快网络训练的收敛速度，需要对输入的水质数据信息做标准化处理。数据处理时不仅要求对网络输入数据进行合理的压缩，而且能够体现出原始输入数据之间的区别，因此选取采用压缩系数法对输入数据做预处理。其公式如下：式中，X为原始数据；α为压缩系数，其取值范围为﹙0，1﹚，需根据具体的对象选取；T为预处理后的数据。

3样本训练

国家地表水环境质量标准﹙GB3838—2002﹚给出了对应于各类水质指标的污染物质量浓度的边界值，当所取某些样品的检测数据信息都在某一类标准水质指标范围内时，则其必定属于该类水。因此可参照文献的方法，生成C类—Ⅴ类这5类水质样本各100个，共500个样本，作为BP神经网络用于卧虎山水库水质评价的训练、检验和测试样本。其中，在这5类水质样本中各抽取80个，共400个作为训练样本，剩余100个作为检验和测试样本。

鉴于已对输入数据做了标准化处理，因此，为了方便识别训练结果，可以将BP神经网络模型对输入样本的输出模式设定为：优﹙1，0，0，0，0﹚，良﹙0，1，0，0，0﹚，较好﹙0，0，1，0，0﹚，较差﹙0，0，0，1，0﹚，极差﹙0，0，0，0，1﹚；则相对应的水质为C、Ⅱ、Ⅲ、Ⅳ和Ⅴ类水质标准。程序实现基于MATLAB环境，采用MAT-LAB神经网络工具箱中的函数编程求解计算。学习速率和冲量系数是在BP神经网络调试过程中最重要的2个参数。我们经过不断地试取，最后确定BP神经网络模型的学习速率为0.6，冲量系数为0.9，学习误差为0.0001。当学习次数为324次时，网络模型的训练样本和检测样本的拟合度最高，模型收敛并达到所需精度，能较好地评价未知水质样本。训练结果如表2所示，训练、检测曲线如图3所示。由此，可利用该模型对卧虎山水库的水质进行评价。

卧虎山水库的水质评价

利用已建立好的BP神经网络模型，将2010年8月到2011年12月在卧虎山水库监测断面取得的22个样品中，每个样品的6项水质指标输入到模型中，按照其输出值与评价级别的贴近度来判断确定卧虎山水库的水质归属等级。BP神经网络的输出结果见表3，因Ⅴ类的输出结果均为0，故未列出。

评价结果分析

从表3可以看出，卧虎山水库作为生活饮用水水源，在2010年8月至2011年6月，水库水质整体属于Ⅱ类水，Ⅲ类水出现的次数较少，且持续的时间较短。这主要是由于该时间段内处于丰水期，降雨量较多，入库流量大，水体的稀释与自净能力强，水质较好；2011年6月至2011年12月，水库水质为Ⅲ类水，水体受到轻度的污染，水质较差。主要原因是该时间段内7月到9月处于平水期，10月到12月处于枯水期，降雨较少，从源流区汇入到水库的地表径流较少，水库水得不到及时的补充，致使水体的自净能力减弱。

另外，近年来随着水库周边与源流区内生态旅游业的发展、人口的增多以及生活污水排放的增多，生活垃圾得不到及时回收，导致源流区水体中的污染物逐年累积。从水库水质评价结果看，水库3个时段水质都存在大于0.5的数值，表明水库水质存在潜在的风险源。

同时，从评价结果的区域极大值和极小值来看，枯水期时的值最大，都接近于1，水库水质为Ⅲ类。从整体来看，卧虎山水库水质的年际变化与同期洪湖水位的动态变化存在着较好的相关性。丰水期的高水位，提高了水体的稀释与自净能力，水库水质状态最好。

2010年和2011年，先后有济南市环保局、市公用事业局、水利局和市供排水监测中心这4家水质检测单位，对卧虎山水库水样进行化验检测，化验结果显示2010和2011年卧虎山水库水质稳定为Ⅱ—Ⅲ类水之间，与我们利用BP神经网络评价的水库水质结果比对可知，BP神经网络对卧虎山水库水质的评价准确，符合客观实际。

结语

神经网络论文篇8

1、加强网络文化建设有利于满足人民精神文化需求。在新的历史时期，中国的经济已经飞速发展，人们物质生活已经非常丰富。此时，人们对物质的要求已经不是特别强烈，而对精神生活提出了更高的要求，期望得到更多的精神上的满足。而互联网的出现，使人们的精神生活更加丰富多彩。网络上的东西琳琅满目，应有尽有，而且形式多样，内容丰富，无论是成年人还是青少年都能在网络中寻找到乐趣。人们通过网络游戏、网络影视、网络学习等形式使自己的精神生活更加充实，让人们感到更加快乐。网络的快速发展正在不断的满足人民日益增长的精神文化需要。

2、加强网络文化建设有利于提升国家文化软实力。当前网络已经与人们的日常生活紧密联系在一起，而互联网这个虚拟世界在真实地折射着现实世界。一个国家只有在软实力和硬实力同等强大的情况下才是一个真正的强国。网络文化建设是中国文化建设的重要组成部分。因此，一定要搞好网络文化建设和管理，使网络发挥正确的舆论导向引导作用，传播党的理论方针政策，使健康、积极、向上、文明的精神得到发扬；使低级、庸俗、有害的东西受到遏制，让互联网成为一个健康的精神载体，以利于提升国家文化软实力，助力文化建设。

3、加强网络文化建设有利于保护青少年的身心健康。青少年的身心发展还未成熟，其自我防护意识和自我控制能力都相对薄弱，面对形形色色的网络世界，加之不良的网络环境，青少年容易沉迷于网络，分辨不出什么是对的，什么是不对的。因此，一定要加强网络文化建设，让青少年有一个良好的网络环境。通过建立一些专门针对青少年的网站，传播有利于青少年健康成长的信息。让孩子利用互联网进行网上学习、网上培训、网上设计、网上参赛、网上研究等，引导让孩子文明上网，杜绝不良网站。所以，加强网络文化建设有利于青少年有一个干净的网络环境，保护青少年的身心健康。

二、网络文化建设的特点

1、网络文化具有补偿性

在现实生活中人们往往顾及自己的形象或顾及别人的情感，不能把自己的真实情感表达出来。或者怕打击报复，不敢发表真实想法。而互联网给人们提供了发表自己观点的场所。在网络上，人们可以大胆发表自己的意见，贡献自己的聪明才智，充分展现自己的闪光点。并相互交流、相互帮助，获得尊重、使友情和自我价值得以实现。在网络中也不用顾及自己的观点是否正确，更不用考虑自己的观点是否被认可。在网络中人们也可以采取匿名的方式进行讨论和交流，表达自己的想法，甚至可以进行发泄。对于很多人来说，现实生活中难有这样的机会。因此，网络文化具有补偿性特点。

2、网络文化具有大众性

网络文化可以说是草根文化，有着很强的大众性。无论是上班族还是打工族、无论是富豪还是屌丝、也无论是领导还是员工，不分高低贵贱，都可以从网络上获取所需要的大量信息，任何人都无法阻止，使得少数人对信息和知识的垄断难以为继。通过互联网人们可以了解专家学者的观点，不再对他们仰视，而是将他们的观点与自己掌握的知识进行比较、进行分析，从新的角度提出自己的看法。在传统媒介上，普通民众的话语权很少，甚至没有机会表达自己的观点。只有在网络上，他们才能畅叙胸怀、指点江山，表现自己的真情实感。

3、网络文化具有极端性

由于互联网的虚拟性，无论是什么层次的人、什么身份的都可以在网上发表自己的看法。通过在网络上进行群众讨论，无论最初的哪一种观点，都有可能被强化，也就是群众极化效应。人们普遍有从众的倾向，并且希望自己的观点被尊重，把自己表现的更加突出，这就在不知不觉中把原有的观点推向了极端。而网络的发展速度特别快，很容易在短时间内使得大量的人群加入讨论之中，从而产生强大的群众极化效应，导致网络上的一些观点具有极端性。当然恶性的观点所占的比例比较小，而网络的极端性可以把善放大到最大化，有利于提高社会公德意识。

4、网络文化具有多元性

任何一种文化都有积极和消极的影响，同样文化状态的网络也是一把双刃剑。网络使人们获取大量的信息，丰富人们的精神文化生活。但是由于不同国家，不同制度等原因导致网络上出现各种各样的文化形态，高雅文化与低俗文化并存，精英文化与大众文化并存。在网络中还时常出现谣言、暴力、色情、迷信负能量的文章和视频，这种多元的网络文化对给道德造成了污染，所以，对于网络上的信息要进行甄别，不能全盘接受。

三、加强网络文化建设的举措

1、完善相关法律法规

由于网络文化产业兴起时间不长，致使网络上的信息真假难辨，这就要求政府部门必须对网络文化产品和文化服务特别是网络视频技术实行严格监管，其中重要的一点就是完善相关法律法规。虽然相关部门已经在法律法规上对网络文化进行了监管，也出台了一些相关政策法规。但是当前相关法律法规还不健全，甚至有些领域还存在法律空白，导致一些违法分子打擦边球，钻法律的空子，使一些不健康的东西在网络上大肆宣传。因此，法律法规建设要跟得上网络文化产业快速发展的步伐，让违法经营者无空子可钻。

2、加强网络文化阵地建设

网络已经成为当今社会发展进步的标志。网络已经渗透到政治、经济、文化、社会等各个领域，各行各业也都离不开网络，网络文化建设至关重要。中国特色社会主义网络文化必须坚持为人民服务、为社会主义服务的正确方向，把保障人民文化权益、满足人民精神文化需求作为工作的出发点和落脚点。我们要牢牢掌握网站舆论宣传阵地的主动权，利用网络媒体不断巩固壮大主流思想舆论，更好地传播党和人民的声音，培育健康向上的网络舆论生态，要唱响网上思想文化主旋律，大力传播社会主义核心价值体系，弘扬中华文化和中华民族传统美德，营造团结奋进、积极向上的网络良好舆论氛围，从而增强我国文化建设的竞争力。

3、加强网络文化人才培养

神经网络论文篇9

关键词:模糊神经网络;股票预测

一、引言

中国股市经过十余年的发展,应该说已经取得十分巨大的成就,但是与国外成熟股市相比仍然是一个新兴市场。事实上,探索和研究股票价格波动的复杂性和规律性,是许多经济工作者,尤其是证券研究者一直追求的目标。

股票交易数据预测是一种时间序列预测方法。时间序列预测法是依据预测对象过去的统计数据,找到其随时间变化的规律,建立时序模型,以判断未来数值的预测方法。其基本思想是:过去的变化规律会持续到未来,即未来是过去的延伸。一般一维时间序列预测方法有移动平均与分解方法、指数平滑方法、状态空间模型等。这些预测方法经过长期的发展,在定量预测模型和定性预测模型等方面都有长足的进步。但是,当系统具有较强的非线性时,这些方法的适应性却是有限的,在实际的预测环境中常常失去效用,因此用这些传统的预测方法解决这类问题十分困难。

二、神经网络和模糊逻辑结合的可能性

神经网络的兴趣在于人脑的微观结构。并通过有自学习、自组识、自适应功能的神经网络上的非线性并行分散动力学,对无法语言化的模式信息进行处理。模糊逻辑根据人为定义的隶属函数和一系列并串行的规则,用逻辑推理去处理各种模糊性的信息,是通过模仿人的思维方式来表示和分析不确定、不精确信息的方法和工具。尽管“模糊”这个词在这里容易使人产生误解,实际上在模糊逻辑控制中的每一个特定的输入都对应着一个实际的输出。所以模糊逻辑本身并不模糊,模糊逻辑并不是“模糊的”逻辑,而是用来对“模糊”进行处理以达到消除模糊的逻辑,它是一种精确解决不精确、不完全信息的方法,其最大特点就是用它可以比较自然地处理人的概念,是一种更人性化的方法。在处理数据时,模糊逻辑更能容忍噪音干扰和元器件的变化,使系统适应性更好模。糊逻辑还对使产品开发周期缩短而编程更容易。通过模糊化样本,提高了样本集中各样本的质量,进而改进能量函数。用神经网络去预测股票,在对信息的推理上还存在相当大的困难;而在信息的获取方面,模糊技术也显得十分软弱。

因此本文根据模糊逻辑和神经网络的各自长处把它们结合起来,利用这种方法对股票预测进行研究。模糊系统提供了一种推论式语句用来逼近人的推理能力和并且应用到基于知识的系统中。模糊逻辑理论是用一种数学工具来获取人们认知过程。然而,模糊逻辑中有个共同的瓶颈是它们都依赖于由领域专家给出的规则,而且,不存在正式的框架来选择模糊系统的各种参数,因此,调整参数的方法是模糊系统的一个重要研究课题。另一方面,神经网络所具有一些重要的有点,比如学习能力、自适应能力、容错能力等,所以神经网络能够处理复杂的、非线性的以及不确定性问题。正是因为如此,可以相信它们具有构建与人们人之有关的各种行为的潜能。但是神经网络的主要问题是它没有明确的物理意义,使用者不知道这些网络是如何运转的。这就是为何神经网络总是被称为“黑箱”的原因。对以一个训练好的神经网络,其连接权值不能清楚地说明网络是如何处理数据的,其含义是什么。特别是,现在的神经网络理论还没有提供一种方法来预测训练好了的网络的输出。因此,在实际应用中造成了一些不确定性。

把模糊系统和神经网络的结合成为模糊神经网络,该网络致力于获得两种系统的优点而克服各自的缺点。正如前文提到的,神经网络的优点在于,第一个是能够生成不需要明确表现知识的规则;第二个是其强大的自学能力。模糊系统的优点在于,第一个是能用模糊性的语言表达知识;第二个是能用简单的预算来实现知识的模糊推理。两者的结合可以解决模糊系统中的只是抽取问题以及专家知识也能很容易融合到神经网络中,避免了初值选择的任意性。

三、模糊神经网络的模型设计

1、模型的结构

模糊神经网络与一般的神经网络相类似,通常分为前向型模糊神经网络和反馈型模糊神经网络两类。本文采用的就是前向型模糊神经网络。该网络是可以实现模糊映射关系的模糊神经网络。一个前向型模糊神经网络可分为五层组成,分别为输入层、模糊化层、模糊推理层、去模糊化层和输出层。图1-1为含有两个输入层节点、一个输出节点的一个基本前向模糊神经网络结构。

输入层指的是接受外部输入信号的一层,并将输入值传送给模糊化层的模糊单元;模糊化层的作用是按模糊规则将输入值转换为一定的模糊度,是对模糊信息进行预处理的网层。模糊推理层是前向型模糊神经网络的核心,其网络参数是由具体问题所确定的;去模糊化层接受经中间层处理的数据,并按照模糊度函数将数据进行非模糊化处理;最后输出层给出确定性求解结果。

本文采用的是TS模糊神经网络。该神经网络分为输入层、模糊化层、模糊规则计算层和输出层(包括去模糊化)。输入层与输入向量xi连接,节点数与输入向量的维数相同。模糊化层采用隶属度函数(公式1-1)对输入值进行模糊化得到模糊隶属度值μ。模糊规则计算层采用模糊连乘(公式1-2)计算得到φ。输出层采用(公式1-3)计算模糊神经网络的输出。下面给出各公式:

1-1

式中,分别为隶属度函数的中心和宽度;k为输入参数;n为模糊子集数。

1-2

1-3

式中为模糊系统参数。

2、模糊神经网络的学习算法

(1)误差计算

式中,yd为网络期望输出;yc是网络实际输出,e为期望输出和实际输出的误差。

(2)系数修正

式中,为神经网络系数;α为网络学习率;xj为网络输入参数;φi为输入参数隶属度连乘积。

(3)参数修正

式中,、分别为隶属度函数的中心和宽度。

3、预测模型的结构设计和参数的设定

网络结构的选择需要考虑以下因素:软硬件实现的难易程度、训练速度和网络的推广能力等,其中网络的推广能力是最主要的,网络结构设计至今还没有确定的方法可循。14世纪的法国修道士 提出过一个最简单原则:“与己知事实满意符合(一致)的理论中最简单者就是最好的理论”,后人称此原则为“奥克姆剃刀”。由此产生了一个公认的指导原则:“在没有其他经验知识时,能与给定样本满意符合(一致)的最简单(规模最小的网络就是最好的选择”。这相当于在样本点的误差在允许范围条件下用参数最少的模型去逼近一个未知的非线性映射。

从总体上来说,网络结构设计并没有固定可循的步骤,有许多参数要靠经验选择,并通过试验加以比较。规模小的网络的泛化能力强,同时也易于理解和抽取规则、知识,便于软硬件实现。通常情况下,由于训练样本有限,所以把泛化能力作为主要要求,强调选择能达到要求的最小网络。理论证明,一个三层网络可以任意逼近一个非线性连续函数。

基于T-S模糊神经网络的算法流程如图1-2所示。其中模糊神经网络构建根据训练样本维数确定模糊神经网络的输入和输出的节点以及模糊隶属度函数个数。由于输入数据为开盘价,最高价,最低价,收盘价这四组数据,所以为n=4维的,输出的是次日的开盘价格即输出数据为1维的。在模糊化层中,该层有nm个节点,利用K-means法对样本进行聚类分析得到模糊规则数以确定m。在聚类分析得出m=2所以得到节点数为8,该模糊神经网络的结构为4-8-1。在根据T-S的模型,所以选择5组系数ρi。

虽然权值随迭代而更新,一般都是收敛的,但是如果初始值设置的太大的话会影响该网络,会使网络饱和的很快。初始的权值对收敛速度也会造成影响。实验表明,初始权值只要不是过大,对网络整体的性能的影响并不大,一般可选在(-0.5,0.5),本文取权值为0。由于本文的隶属度函数利用的是高斯函数,所以高斯函数中的中心和宽度随机得到。

在学习率和网络参数的选择上,若选择的太小,会使网络参数修改量过小,收敛的速度缓慢;若选择的太大,虽然可以加快了学习的速度,但是有可能导致在稳定点附近进行持续的振荡,难以收敛,目前在理论上还没有明确的确定学习率的方法,对于具体问题需要进行试验,通过实验比较出适合的学习率,本文在通过实验选取学习率为0.025,网络参数选取0.001,最大迭代次数选取为100。

四、实证分析

1、预测的效果

选取绿景地产(000502)2010年1月20日连续120个交易日的数据作为训练和预测样本。其中使用前100个交易日的指标作为训练样本训练网络,用后20个数据进行样本预测。

如图1-3为训练网络的效果图,该结果是用归一化后的数据。

表 1-1列出真实值和预测值以及预测的相对误差((真实值-预测值)/真实值):

2、网络性能的评价

对神经网络常用的预测性能的评价指标常用的有RRMS,MPE,mpe,PC。选取绿景地产(000502)2010年1月20日连续120个交易日的数据作为训练和预测样本。其中使用前100个交易日的指标作为训练样本训练网络,用后20个数据进行样本预测。本系统的各项性能指标如下:

相对均方根误差:RRMS=0.63%最大误差:MPE=0.19元 正确趋势率:PCD=65%

从以上指标看出用该模糊神经网络进行预测是有效的,预测系统式成功的。

五、总结

股票市场是反映经济的“晴雨表”,其作用不但被政府重视,而且受投资大众的普遍关注,股票市场中的收益伴随着风险,以最小风险获得最大收益是每个投资者的目标,所以研究股票市场内在规律及其预测具有重大的意义和应用的价值。股票交易数据预测是时间序列预测。在股票市场这个极其复杂的系统中,它所具有的非线性和高噪声等因素决定了股票预测的过程的复杂与困难,传统预测方法很难应用于此,难以建立有效的数学模型。

神经网络是一种很好的时间序列预测方法。神经网络具有逼近任意复杂连续函数关系的能力,而这些能力正是传统方法所不具有的。本文把模糊逻辑和神经网络相结合起来,首先介绍了模糊系统和神经网络的基本知识以及二者结合的可能性。然后建立模糊神经网络模型并用于股票价格的预测,运用相关分析在剔除了与预测指标相关性较小的指标,简化了模糊神经网络的结构,并在实际的试验中确定了相关网络系数的初始值,简要的介绍了建模的工具,并用设立模糊等级对模糊神经网络的有效性进行了评价,在通过实证分析证实了网络系统基本上达到了预想的要求。

参考文献:

[1]胡守仁,神经网络应用技术[M],国防科技大学出版社,1993

[2]赵振宇,模糊理论和神经网络的基础与应用[M],清华大学出版社,1996

[3]刘增良,模糊逻辑与神经网络[M],北京航空航天大学出版社,1996

[4]吴华星,基于神经网络的股票价格预测,中国科学院计算技术研究所,1998

[5]姚培福,人工神经网络在股票预测中的应用与研究,昆明理工大学硕士学位论文,2007

神经网络论文篇10

【关键词】混合时滞 神经网络 稳定性分析

【中图分类号】G642 【文献标识码】A 【文章编号】2095-3089（2016）04-0237-02

人工神经网络是基于人脑的功能，通过建构与生物神经元类似的电路结构，从而在微观的层次上实现对人类智能的仿真。神经网络是由神经元的相互连接而形成的，反映在数学中，神经元实质上就是适当的函数，也被称为激活函数。神经网络在模式识别、优化计算、智能控制以及联想记忆等领域得到了广泛的应用，发展前景非常的广阔[1]。

一、混合时滞神经网络发展的脉络

稳定性研究的开始可以追溯到十九世纪末期的Lyapunov理论和Poincare理论，在我国对稳定性进行充分研究的是著名物理学家钱学森，钱学森在其著名的《工程控制论》中，明确指出，稳定性是系统控制的第一要求。美国的著名数学家LsSalle也说过，吸引全世界的数学家注意的点就是稳定性。由此可见，稳定性在数学研究中具有极其重要的作用[2]。

大部分的动力系统都会随着时间的演化不仅依赖于系统的当前状态，并且还会依赖于系统过去的某个时刻，这就是被科学家们称作的时滞动力系统。在工程系统中，时滞一般是指对测控过程中的测量时滞、形成控制决策所需要的时滞以及信号传输中的时滞等，这也是为什么大部分的动力学系统都需要时滞动力系统来进行描述的主要原因。事实上，时滞系统的初始状态空间是一个无限维的空间，而且没有特殊的性质，因此对其进行理论分析非常困难 [3]。

二、混合时滞神经网络稳定性的发展研究分析

系统的稳定性在神经网络的应用中非常的广泛，如最优化的问题研究、模式识别研究以及图像处理研究等，都需要运用系统的稳定性。在上个世纪，有很多文献都给出了不同类型神经网络的稳定性判据，最著名的当属Hopfield神经网络。神经网络规模的应用范围也在不断的扩大，人们对时滞神经网络模型的研究也越来越深入。时滞通常是由定时的时滞发展到连续分布的时滞。当前神经网络稳定性的研究领域运用的主要方法就是Lyapunov泛函，然后再利用不同的不等式来对不等式进行分析，从而得到具有稳定性的数据[4]。

在优化问题的应用中，需要根据问题的基本特征，对设计所要求的神经网络达到唯一的、全局的渐进稳定的平衡点。当神经网络应用于实时的计算时，为了有效的提高收敛的速度，就需要神经网络必须具有非常高的指数收敛度。这也是时滞神经网络的全局渐近稳定性与全局指数稳定性研究如此吸引人的最为主要的原因。时滞反馈网络的应用和研究需要大量的具有稳定性的数据作为基础，因此，人们需要在不断扩展的网络模型的条件下放宽对网络中所有参数和激励函数的限制。只有这样，才能更好的促进神经网络研究的快速发展[5]。

目前，对时滞反馈神经网络解的稳定性进行判别和分析的主要方法是Lyapunov方法，在进行判别和分析时，需要同时结合泛函数的分不等式稳定性理论来推导网络解的稳定性，通过这一方法能够将稳定性的研究放到某个适当的定义系统的轨迹上，而且通过对这些泛函数的研究分析，能够得到稳定性的相应条件。这些稳定性条件的最常用的表述形式就是我们经常用的线矩不等式、系数矩阵的范数不等式以及Hanalay微分不等式。在这一研究领域，由于线矩不等式方法对系统的参数的限制比其它方法要少，而且比较容易验证，因此，这种方法在稳定性理论的研究中应用的非常的广泛[6]。

三、混合时滞神经网络的稳定性分析研究

最近几年，随着人们对稳定性研究的进一步发展，人们对于驱动-响应系统的同步问题更加的重视，而且经过大量的实践和理论分析，人们发现驱动-响应系统是包含同样的激活函数的。但是，在实际的模型中，驱动-响应系统却含有不同的激活函数，需要对非恒同的情况进行分析研究，也就是说驱动-响应系统的激活函数含有不相匹配的参数，致使对混沌系统的同步控制变得更加的复杂。由此可知，研究混合时滞神经网络的稳定性是非常有必要的[7]。

如下混合时滞神经网络

其中，是神经元的状态，

。在（1）中，是定义在上的实值内部函数。代表离散时滞，表示分布时滞；代表外部输入；；，，，分别代表连接权矩阵，离散时滞连接权矩阵和分布时滞连接权矩阵。

对于如下两种情形的时滞，

第一种情形是，如果所有的和给定的标量 、h>0和，

是一个可微函数，且满足以下条件：，，

是一个连续函数且满足以下条件

。 。

第二种情形是，如果所有的和给定的标量 、h>0和，且和都是连续的函数，且函数和函数满足以下条件：

。

假设是系统（1）的平衡点，那么会得到如下系统

根据上面的条件我们可以得出对于混合时滞神经网络系统（2）， 在满足一定条件的第一种情况和第二种情况下，它的平衡点是全局指数稳定的 [8]。

时滞神经网络的稳定性在理论和实践方面都得到了广泛的研究，但是对混合时滞的神经网络模型稳定性的研究并不是很多。除此之外，在神经网络稳定性的研究领域，虽然有很多大量的判别条件，不过由于大部分的条件都需要采用计算矩阵范数的方法来进行，在进行验证的时候也比较的困难，而且限制条件也非常的严格，在实际中的应用比较少。通过利用线性矩阵不等式研究神经网络的稳定性能够在很大程度上克服以上提及的缺点，所得到的条件更少保守，并且更容易得到充分的验证[9]。

线性矩阵不等式的研究在最近几年受到人们的广泛关注的原因，既有理论方面的原因，也有实践方面的原因。从理论上来说，人们可以利用很多的矩形运算技巧来对线性矩阵不等式问题进行研究和推理；但是，从实际的观点来说，线性矩阵不等式问题也可以凭借数值算法并借助电脑的强大的运算能力从而快速、有效的求出数值解，最终使得线性矩阵不等式的求解变得更加的容易控制，从而使问题的解决更加可行。假设可以将一个复杂的问题转换成线性矩阵不等式问题，那么就能够利用Matab的LMI Toolbox进行求解了。

运用线性矩阵的不等式对混合时滞条件下的神经网络的稳定性进行研究分析，可以充分掌握神经网络的全局指数的稳定性。通过建构新的Lyapunov-Krasovkii泛函，利用随机微分与矩阵变换技巧导出线性矩阵不等式的稳定性数据。由于线性矩阵不等式的稳定性数据比利用矩阵范数进行估计的判据更为保守，因此，人们可以利用MATLAB提供的线性矩阵不等式工具箱进行求解验证，从而真正应用于实践[10]。

人们按照Lyapunov的稳定性理论，建构了新型的Lyapunov-Krasovskii泛函。从而对混合时滞条件下神经网络的稳定性进行了科学、合理的分析。在对混合时滞条件下的神经网络的稳定性进行分析时，线性矩阵不等式的应用为对时滞稳定性的进一步研究提供了有利的条件。同时，对网络中所包含的随机扰动采用了随机微分公式的讨论模式，从而使得混合时滞条件下的神经网络能够应用Lyapunov的稳定性讨论技巧与方法。在模型中对激活函数或者连接权矩阵的限制对混合时滞条件下的神经网络的研究深有帮助，而且采用线性矩阵不等式的表示方式，比之前的矩阵范数的判别条件要更加的有利。

四、结语

综上所述，混合时滞条件下的神经网络的稳定性分析是以Lyapunov的稳定性理论与线性矩阵不等式技术为基础，同时利用积分不等式的方法，对混合时滞条件下的神经网络的稳定性进行了科学、合理的分析，并给出了时滞依赖指数稳定性的基本准则，从而将对混合时滞条件下的神经网络的稳定性的研究又向前推进了一大步。

参考文献：

[1]武志鹏.带有混合时滞的神经网络的稳定性分析[D].山西大学，2008.

[2]刘晓琳.混合变时滞神经网指数稳定性分析[D].曲阜师范大学，2009.

[3]王宁，孙晓玲.基于LMI的混合时滞随机神经网络指数稳定性[J].计算机仿真，2010，07：125-129.

[4]张金.具混合时滞的随机神经网络的稳定性分析[J].苏州大学学报（自然科学版），2011，02：16-22.

[5]吴文娟，刘德友，张静文，刘海涛.具有混合时滞的随机Hopfield神经网络的稳定性分析[J].兰州理工大学学报，2011，03：89-93.

[6]陈一鸣，徐增辉，赵所所，周志全.具有混合时滞随机离散神经网络的渐近稳定性分析[J].郑州大学学报（理学版），2011，04：33-38.

[7]耿立杰，李海颖，张晓静，苏广.具有混合时滞的随机反应扩散神经网络指数稳定性[J].工程数学学报，2014，05：687-696.

[8]龙述君，张永新，向丽.具有混合时滞的随机细胞神经网络的稳定性分析[J].四川师范大学学报（自然科学版），2012，06：796-801.