神經網絡的實現精選(九篇)

前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的神經網絡的實現主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：神經網絡的實現范文

關鍵詞：Web；神經網絡；主成分分析；雅克比；BP

中圖分類號：TP311.52 文獻標識碼：A文章編號：1007-9599 (2011) 17-0000-02

Web-based Indicators of Neural Network Forecasting System Implementation

Tan Weijuan

(Beiqu Informatization Service Center,Shanghai200072,China)

Abstract:In this paper,the status indicators and predict trends in software development,describes the use of neural networks and principal component analysis of indicators forecasting system,based on network technology development and focuses on Web-based indicators of neural network prediction system solutions.Construction of indicators to forecast the establishment of the basic model.System uses the actual project as a learning content information,the results show that this method of construction projects to establish indicators of prediction model is correct and feasible.

Keywords:Web;Neural network;Main component analysis;

Jacobi;BP

一、引言

指標預測系統是一類在實際工作中有非常重要的應用價值的軟件，它可以應用在社會生產的各個領域，例如工程造價預測，國民經濟發展方向評估和預測等。目前預測軟件常用的方法主要是統計方法，采用這種方法進行指標預測所需的周期比較長，而且由于不具有智能性，因此可靠性較低。另外傳統的統計預測軟件一般都是單機版，不能適應信息系統網絡化發展的實際需要，應用范圍比較狹窄。筆者結合建筑管理軟件的現狀在預測方法方面做了一些研究，采用基于web的神經網絡指標預測方法，這種方法也傳承了傳統統計預測方法的基本思想。預測結果表明，采用這種方法進行指標預測，和傳統的預測方法相比不但縮短了預測周期，而且擴大了應用范圍。

二、神經網絡指標預測系統基本原理

BP（Back Propagation反向傳播）網絡是人工神經網絡的一個經典模型[4]，它的拓撲結構如上頁圖所示：

BP網絡分為三層，輸入層對應于預測系統的各輸入指標，輸出層對應于各輸出指標，另外為了避免網絡節點值為零可能引起的振蕩，在輸入層設置了Threshold節點，對應輸入值為1。

BP網絡對一些非線性模式有很好的識別能力，適合于解決一些計算方法異常復雜的非線性問題，指標預測就是這類問題。

在進行指標預測時，首先要確定BP網絡的輸入輸出指標體系。輸入指標即已知條件，輸出指標即要預測的內容。

三、指標預測系統在互聯網環境中的實現－基于Web的指標預測系統

隨著Internet的不斷發展，軟件系統的網絡化稱為一個必然的趨勢，預測軟件當然也不例外。預測系統的網絡化有兩種方式。一種是基于客戶/服務器模型的實現；另一種是基于B/S模型的網絡預測軟件。

基于客戶/服務器模型的預測軟件由客戶端和服務器組成。服務器程序具有主成分分析、訓練神經網絡、處理客戶端請求等功能，運行在服務器端。客戶端是客戶使用指標預測服務的終端，主要具有接受用戶的輸入指令，將輸入指令轉換成指標預測請求，然后通過網絡發送給服務器，服務器端的服務程序響應這個請求，將預測的結果返回給客戶端，再由客戶端將結果提供給用戶。服務器和客戶端的通信可以由多種方式完成，例如使用TCP或者UDP協議，這樣基于客戶/服務器的預測模型可以擴展到Internet環境下，而不僅僅局限于局域網的環境。這種方式的優點在于支持圖形化的輸出結果，并且可以集成大量的應用邏輯，可以滿足復雜的應用需求。但是，由于應用程序集成了大量應用邏輯，當服務器端數據的邏輯視圖改變之后，應用程序的應用邏輯也要有相應的改變，帶來了程序維護和更新的不便。

基于B/S模型的預測軟件，客戶端將基于Microsoft Internet Explorer通用瀏覽器。服務器則由指標服務程序和Web服務程序組成。指標服務程序完成主成分分析、神經網絡訓練等功能，它作為標準的應用程序運行在服務器的后臺。Web服務程序則完成接受客戶的指標預測請求，并且調用指標服務程序訓練結果，并把預測結果返回給用戶的功能。

服務器端所有的業務應用采用常用的三層架構：表現層、業務邏輯層、數據層。

系統總體應用結構設計圖

Web服務程序可以由多種手段來實現，不同的實現手段要求的系統平臺也不同。主要有以下三種方法：

（一）基于ASP或JSP的指標服務程序。ASP和JSP都是目前較為成熟的技術，它們可以實現動態的、交互式的網頁，執行效率比較高。但是它們只能滿足一般的應用，而不能滿足需要大量圖形輸出的要求。因此在指標預測的實現方面有一定的局限性。

（二）基于ActiveX技術的指標服務程序。這種方式主要應用在有大量圖形類輸出結果的情況，例如預測軟件要向用戶提供圖形化的報表和對比圖等，而這樣的功能要求對于基于ASP，JSP的方案來說，實現起來有很大的難度。而ActiveX技術在實現基于Web的圖形化輸出結果方面，就有很大的優勢。用戶在使用服務器的預測服務時，可以先下載一個ActiveX的插件，然后直接通過瀏覽器調用ActiveX程序，使用預測服務。

（三）基于技術的指標服務程序。是把基于通用語言的程序在服務器IIS上運行。這種方式主要應用在有大量圖形類輸出結果的情況，ASP即時解釋程序，是是將程序在服務器端首次運行時進行編譯，這樣的執行效果，比一條一條的解釋強很多。

四、Web神經網絡指標預測主成分分析方法

在實際工作中，人們經常需要對客觀事物從不同的側面進行客觀評價，例如對一個國家和地區的社會經濟發展水平做出評價，經濟效益狀況的綜合考核，建設工程各指標綜合對整體影響度的評測等等，解決這類問題的方法就是統計學當中的多指標綜合評價方法。

在多指標綜合評價中，人們往往會遇到這樣的問題：選取的評價指標越多，則對事物的描述越準確，但是也帶來了數據量異常大、處理異常復雜的問題。而且評價信息可能相互重疊和干擾，從而難以正確的反映出被評價對象的相對地位。實際上，并不是所選取的每個指標都是人們所關心的，人們可能只關心指標體系中的部分指標。因此人們希望使用少數幾個沒有線性關系的新指標來代替原來的為數較多并且彼此有相互聯系的指標，同時這些新的指標又能夠盡可能的反映原來被評價對象的相對地位。解決這個問題的一種有力工具就是主成分分析方法[1]。建設工程指標預測的方法和步驟：

（一）確定輸入和輸出指標體系。根據實際需要確定系統的輸入和輸出指標。例如在本系統中，要求根據已知建設項目的建筑面積、層高、檐高、層數、建筑結構等信息，來確定工程的總造價、單方造價、土建造價、衛生造價等。在系統中，已知的建筑面積、層高、檐高、層數、建筑結構等即為系統的輸入指標，而未知的工程的總造價、單方造價、土建造價、衛生造價即為系統的輸出。

（二）主成分分析。根據用戶所確定的基本輸入輸出指標，由系統自動完成主成分分析工作。主成分分析是統計科學中的一種重要方法，目的是分析出給定指標體系中各指標對總體的影響程度，主要通過一些矩陣的運算來實現。在實際應用中，我們為了提高系統的工作效率、通用性、可擴展性，可以分析出用戶所給定的指標體系中那些比較重要的指標，即“主成分”。主成分分析大體包括下列步驟：（1）對原始資料進行標準化處理，這樣可以提高訓練結果的收斂性。（2）計算標準化后各指標的協方差矩陣，即為相關系數矩陣。假設有p個指標（輸入指標與輸出指標的個數和），則得到的相關系數矩陣是p×p的方陣。（3）計算相關矩陣的特征根。通過雅克比方法（Jacobi）[3]可以計算出協方差矩陣的p個特征根λ1Rλ2R•••RλpR0。此處λi即為第I個主成分的方差，它反映了第I個主成分在描述被評價對象上所起的作用的大小。（4）計算各主成分的方差貢獻率及累積方差貢獻率。（5）選擇主成分的個數。根據實際需要，使前k個主成分的累積方差貢獻率達到一定的要求，通常取85％即可。

（三）根據所確定的主成分指標和系統的輸入輸出要求確定網絡的拓撲結構。輸入、輸出值的個數決定了網絡拓撲結構的選擇。在本系統的模型中，系統根據用戶主成分分析完畢后的指標體系確定網絡的輸入、輸出和隱藏節點數，并且在訓練的過程中根據實際需要動態進行調整，這些工作都由系統自動完成，不需要用戶的介入。

（四）確定網絡的傳遞規則、輸出規則和學習規則。即確定如何將各層的輸入輸出值與權值矩陣結合起來，根據系統的輸入得到系統輸出。并且如何在系統訓練過程中根據訓練數據對權值矩陣進行修改，使系統擁有對確定性輸入有正確的輸出的能力。

（五）網絡訓練及指標預測。根據上述各步驟的結果以及所確定的訓練算法，結合大量的具體工程實例，對神經網絡進行訓練，并且將誤差控制在用戶限定的范圍之內。訓練結束后，用戶就可以使用訓練的結果結合工程項目已知數據對未知數據指標進行預測。

五、實例

本例中選取了7條訓練資料，用其中6條進行訓練，另外一條資料進行自測試。選取的指標分別是：

輸入指標：建筑面積、層高、檐高、外墻面積、內墻面積、門窗面積、樓板面積、底層面積。

輸出指標：工程總造價、土建造價、采暖造價、照明造價、衛生造價和單方造價。

原始資料矩陣為：

3313.45 2750.00 11.55 3539.00 4776.02 855.720 641.88 3152.88 397.77 342.93 15.78 39.05 15.78 1200.4

2926.00 2700.00 16.20 1458.00 2901.00 3023.00 498.00 2882.00 263.53 222.62 11.52 14.57 10.87 900.67

6218.00 2700.00 16.95 3544.55 6386.43 7364.52 1055.6 6399.82 596.36 483.81 25.10 45.66 29.87 959.10

3680.00 2700.00 10.80 1900.59 3731.31 4097.55 560.71 3749.23 379.38 311.59 15.23 27.03 18.66 1030.9

7205.00 2700.00 16.20 3717.00 7286.00 7516.00 1175.0 7113.00 618.94 498.49 28.20 49.94 31.31 859.05

4485.00 2700.00 11.55 2469.00 5496.00 4687.00 772.00 4157.00 492.77 407.14 21.93 37.70 18.50 1098.7

（其中矩陣的前8列為輸入指標，后6列為輸出指標，每行為一條工程資料）

在閾值為0.001的條件下訓練完畢后，使用最后一條資料進行自測試，最后一條資料為：

輸入：5684.00 2700.00 11.55 2847.00 6056.00 5872.00 953.00 5665.00

輸出（實際值）：547.34 445.66 24.94 40.99 25.87 962.96

得到的測試結果為（系統預測輸出值）：

541.55 441.77 23.23 43.39 24.29 959.66

比較工程實際值和系統預測輸出值，可以發現兩者是非常接近的。如果要求誤差控制在5％之內的話，則上述模型已經滿足了要求。

六、結論

基于人工神經網絡的指標預測系統有較強的通用性，并且能夠適合多種指標預測的需求。從上述訓練的過程和測試結果的正確性可以看出，采用基于人工神經網絡和主成分分析方法進行建設工程指標預測是可行的。上述過程使用了7條工程數據，要進一步確定此方法的正確性，還要在大量工程數據的環境下進行進一步的訓練以及算法的調整。這也是筆者下一步的工作內容Web新技術的應用，將指標預測服務擴展到了Internet環境下，進一步提高了其應用范圍。

參考文獻：

[1]張崇甫,陳述云,胡希鈴.統計分析方法及其應用[M].重慶大學出版社,1995

[2]吳國富,安萬福,劉景海.實用數據分析方法[M].中國統計出版社,1992

第2篇：神經網絡的實現范文

關鍵詞： 離散； Hopfield神經網絡； 聯想記憶； 數字識別

中圖法分類號：TP301.6 文獻標識碼：A 文章編號：1006-8228（2012）03-01-03

On numerical recognition using discrete Hopfield neural network

Jin Can1,2

（1. School of Information Science and Engineering, Central South University, Changsha, Hunan 410083, China

2. Modern Education Technology Center, Hunan University of Arts and Science）

Abstract: The author introduces in this paper the basic concept of discrete Hopfield neural network (DHNN), and then designs a discrete Hopfield neural network model with associative memory function using MATLAB according to the related knowledge of DHNN. Specifically, the author presents the idea of designing, designing procedure and the testing results. The simulation shows that DHNN can correctly recognize the numerical dot matrices with noises. When noise intensity is less than 0.1, the recognition ability is satisfactory.

Key words: Discrete； Hopfield neural network； Associative memory； Numeral recognition

1 離散Hopfield神經網絡概述

Hopfield網絡作為一種全連接型的神經網絡，曾經為人工神經網絡的發展開辟了新的研究途徑。它利用與階層性神經網絡不同的結構特征和學習方法，模擬生物神經網絡的記憶機理，獲得了令人滿意的結果。這一網絡及學習算法最初是由美國物理學家J.J Hopfield于1982年首先提出的，故稱為Hopfield神經網絡[1]。

Hopfield最早提出的網絡是二值神經網絡，神經元的輸出值只取1或-1，所以，也稱離散Hopfield神經網絡(DHNN, Discrete Hopfield Neural Network)。在離散Hopfield網絡中，所采用的神經元是二值神經元，因此，所輸出的離散值1和-1分別表示神經元處于激活和抑制狀態[2]。

DHNN是一種單層、輸出為二值的反饋網絡。假設有一個由三個神經元組成的離散Hopfield神經網絡[3]，其結構如圖1所示[4]。

在圖1中，第0層僅僅作為網絡的輸入，它不是實際神經元，所以無計算功能；第1層是神經元，執行對輸入信息與權系數的乘積求累加和，并經非線性函數f 處理后產生輸出信息。f是一個簡單的閾值函數，如果神經元的輸出信息大于閾值θ，那么，神經元的輸出取值為1；小于閾值θ，則神經元的輸出取值為-1。

圖1 離散Hopfield神經網絡結構

對于二值神經元，它的計算公式如下：

⑴

式中，xj為外部輸入，并且有

⑵

一個DHNN的網絡狀態是輸出神經元信息的集合。對于一個輸出層是n個神經元的網絡，其t時刻的狀態為一個n維變量：

⑶

因為yi（t）(i=1,2，…，n)可以取值為1或-1，故n維向量Y(t)有2n種狀態，即網絡有2n種狀態。

我們考慮DHNN的一般節點狀態。用yj(t)表示第j個神經元，即節點j在時刻t的狀態，則節點的下一個時刻(t+1)的狀態可以求得：

⑷

⑸

如果wij在i-j時等于0，說明一個神經元的輸出并不會反饋到其輸入，這時，DHNN稱為無自反饋的網絡。如果wij在i=j時不等于0，說明一個神經元的輸出會反饋到其輸入端，這時，DHNN稱為有自反饋的網絡[4]。

2 聯想記憶網絡

聯想記憶是神經網絡理論的一個重要組成部分，也是神經網絡用于模式識別與人工智能等領域的一個重要功能。Hopfield網絡模擬了生物神經網絡的記憶功能，也常常被稱為聯想記憶網絡。所謂的聯想記憶也成為了一種基于內容的存取方法，信息被分布于生物記憶的內容之中，而不是某個確定的地址。聯想記憶可分為自聯想與異聯想兩種。Hopfield網絡屬于自聯想網絡。自聯想能將網絡中輸入模式映射到存貯在網絡中一種模式。聯想記憶網絡不僅能將輸入模式映射為自己所存貯的模式，而且還能對具有缺省噪音的輸入模式有一定的容錯能力。

設在學習過程中給聯想記憶網絡存入M個樣本：{Xi}i=1,2，……M。若給聯想記憶網絡加以輸入X'=Xm+V，其中Xm是M個學習樣本之一，V是偏差項，則通過自聯想聯想記憶網絡的輸出為Xm，即使之復原。

Hopfield聯想記憶網絡運行步驟為：

第一步：設定記憶模式。將欲存儲的模式進行編碼，得到取值為1和-1的記憶模式(m

。

第二步：設計網絡的權值。

，

其中wij一旦計算完畢，將保持不變。

第三步：初始化網絡狀態。將欲識別模式設為網絡狀態的初始狀態，為網絡中任意神經元i在t=0時刻的狀態。

第四步：迭代收斂。隨機地更新某一神經元的狀態，反復迭代直至網絡中所有神經元的狀態不變為止。

第五步：網絡輸出。這時的網絡狀態(穩定狀態)即為網絡的輸出y=vi(T)。

3 基于Hopfield神經網絡的數字識別

根據Hopfield神經網絡相關知識，下面設計一個具有聯想記憶功能的離散型Hopfield神經網絡，要求該網絡可以正確識別0~9這10個數字，并且當數字被一定的噪聲干擾后，仍具有較好的識別效果。

3.1 設計思路

假設網絡由0~9共10個穩態構成，每個穩態用10*10的矩陣表示。該矩陣可直觀地描述阿拉伯數字，即把矩陣規分成10*10個單元，有數字軌跡的單元用1表示，空白部分用-1表示，如圖2所示。網絡對這10個穩態即10個數字（點陣）具有聯想記憶的功能，當有帶噪聲的數字點陣輸入到該網絡時，網絡的輸出便可以得到最接近的目標向量(即10個穩態)，從而達到正確識別的效果。

圖2 數字1和2的點陣圖

3.2 設計步驟

按照上述思路，設計Hopfield網絡需要經過以下幾個步驟，如圖3所示。

[設計數字點陣

（0-9）][創建Hopfield

網絡][產生帶

噪聲的

數字點陣] [數字識

別測試][結果

分析]

圖3 Hopfield網絡設計流程圖

3.3 MATLAB實現

利用MATLAB神經網絡工具箱提供的函數，可以按照Hopfield網絡設計流程圖將設計步驟一一在MATLAB環境下實現。

3.3.1 輸入輸出設計

如圖2所示，有數字的部分用1表示，空白部分用-1表示，即可得到0~9的點陣。將數字點陣以圖形的形式呈現出來，如圖4所示。

圖4 數字點陣0~9的實現結果

以數字1、2、3、4為例，利用這四個數字點陣構成訓練樣本T：

T=[array_one; array_two; array_three; array_four]’

3.3.2 網絡建立

利用newhop( )函數可以方便地創建一個離散型Hopfield神經網絡。

3.3.3 產生帶噪聲的數字點陣

常見的模擬產生帶噪聲數字的方法有兩種：固定噪聲法和隨機噪聲法。

固定噪聲法指的是人工修改的方法改變數字點陣某些位置的值，從而模擬產生帶噪聲的數字點陣。如果希望產生不同的帶噪聲的數字矩陣，需要人工做多次的修改，這無疑是比較麻煩的。

相比較而言，隨機噪聲產生法可以方便地產生各種類型的帶噪聲的數字矩陣。

隨機噪聲產生法是利用產生隨機數的方法來確定需要修改的點陣位置，進而對數字點陣進行修改。由于數字點陣中的值只有1和-1兩種，所以這里的修改就是將1換成-1，-1換成1。

3.3.4 網絡仿真

利用sim()函數可對神經網絡進行仿真，其調用格式為：

4 實驗結果與分析

將帶噪聲的數字點陣輸入已創建好的Hopfield網絡，便可對帶噪聲的數字點陣進行識別，識別結果仍為數字點陣形式。考慮到仿真結果的直觀性和可讀性，程序中的數字點陣將以圖形的形式呈現，如圖5所示。

圖5 噪聲強度為0.1時數字識別結果

圖5所示的是噪聲強度為0.1(即10%的數字點陣位置值發生變化)時的識別效果。從圖中可以看出，識別效果較好。進一步的研究發現，隨著噪聲強度的增加識別效果逐漸下降。噪聲強度為0.2和0.3時的識別結果分別如圖6和圖7所示。從圖中不難看出，當噪聲強度為0.3時，Hopfield已經很難對數字進行識別了。

圖6 噪聲強度為0.2時的識別結果

圖7 噪聲強度為0.3時的識別結果

5 結束語

通過對實驗結果的分析，可以得出結論：對于帶一定噪聲的數字點陣，Hopfield網絡可以正確地進行數字識別。下一步的工作可以將一些優化算法與離散Hopfield神經網絡相結合，使神經網絡的聯想記憶能力更強，應用效果更為突出。

例如，由于一般離散Hopfield神經網絡存在很多偽穩定點[1]，網絡很難得到真正的穩態，為此可以將遺傳算法應用到離散Hopfield神經網絡中，利用遺傳算法的全局搜索能力，對Hopfield聯想記憶穩態進行優化，使待聯想的模式跳出偽穩定點，從而使Hopfield網絡在較高信噪比的情況下保持較高的聯想成功率。

參考文獻：

[1] 飛思科產品研發中心.神經網絡與MATLAB 7實現[M] .電子工業出版社,2005.

[2] MATLAB神經網絡與應用(2版)[M].國防工業出版社,2007.

[3] 張良均,曹晶,蔣世忠.神經網絡適用教程[M].機械工業出版社,2008.

[4] 史峰,王小川等.MATLAB神經網絡30個案例分析[M].北京航空航天大學出版社,2010.

[5] 邊肇祺,張學工等.模式識別[M].清華大學出版社,1999.

[6] 張宏林.數字圖像模式識別技術及工程實踐[M].人民郵電出版社,2004.

[7] 鄧麗華,崔志強,張靜.基于人工神經網絡的手寫體數字識別[J].三峽大學學報,2005.6:255~256

[8] 孫兆林.MATLAB6.x 圖像處理[M].清華大學出版社,2002.

[9] 付德勝,張學勇.基于Hopfield神經網絡噪聲數字的識別[J].通信技術,Vol.43,No. 01,2010:126~129

[10] 孟祥武,程虎.基于任意給定訓練集的離散型Hopfield網學習算法[J].軟件學報,1998.9(03):213~216

[11] 陳文宇,吳躍.Hopfield神經網絡參數設置[J].計算機工程與應用,

2006.31.

[12] TALAVAN.YANEZ P M.Parameter setting of the Hopfield network applied to TSP[J].2002

第3篇：神經網絡的實現范文

關鍵詞：前饋神經網絡；材質識別；羊毛；粘膠；MIV；圖像處理

中圖分類號：TP391；TS137

文獻標志碼：A

Identifying the Materials of Wool/Viscose Blended Yarns Based on Feed-forward Neural Network

Abstract： In order to identify the materials of blended yarns， the article first selected the indicators that can reflect the morphological characteristics of wool and viscose fibers in the cross-section images of blended yarn by using MIV-BP method. Then it used probabilistic neural network/support vector machine/extreme learning machine to identify wool and viscose materials. The identification results show that by using suitable feed-forward neural network， the materials can be quickly identified with accuracy up to about 90% and the method has the potential for practical use.

Key words： feed-forward neural network； material identification； wool； viscose； MIV； image processing

傳統的混紡紗線檢測多由人工完成，工作量大，易于出錯。隨著數字圖像技術的發展和神經網絡的不斷完善，通過圖像技術提取纖維特征，利用神經網絡進行識別，是現今最主要的自動檢測方式。但是纖維特征的篩選多由主觀確定，且大多利用BP神經網絡來構造材質識別的分類器。由于BP神經網絡的學習速度慢，難以滿足纖維檢測的實時性，所以本文嘗試將前饋神經網絡的多種典型形式結合圖像處理技術，進行羊毛/粘膠混紡紗線的特征選取，訓練計算機更為客觀、準確、迅速的實現毛粘混紡紗線中的材質識別。

1羊毛和粘膠的形態特征

1.1基于圖像處理的羊毛/粘膠特征提取

通過配套PC圖像采集接口的CU-Ⅱ型纖維細度儀，顯微拍攝利用哈氏切片法獲取的羊毛/粘膠混紡紗線橫截面圖片（圖1）。其中羊毛和粘膠為待識別目標，需要保留；而火棉膠溶液的作用是固化紗線，可看作為背景，需要去除。經圖像灰度化、去噪、增強、二值化、形態學處理之后得到的羊毛和粘膠個體示意圖如圖2和圖3所示。通過觀察可以發現，羊毛和粘膠從圖像的角度來看，最大的差異在于羊毛個體的形態較飽滿，外廓參差較少；粘膠個體形態較干癟，外廓參差較多。

通過Matlab中用來度量圖像區域屬性的函數regionprops，獲取第一至第六個特征指標，分別為Area、Eccentricity、EquivDiameter、Solidity、Extent、Perimeter；如圖4所示，第七個特征指標定義為Bc，即從水平與垂直兩個方向獲取的目標個體長度，然后將以較小長度Lmin作為直徑的圓的面積與以較大長度Lmax作為直徑的圓的面積相除（式（1））；如圖5所示，第八個特征指標定義為SMr，Sh和Sv分別是目標個體從水平方向逐行和垂直方向逐列掃描得到的缺口面積總和，S是目標個體的橫截面面積（式（2））。

Bc=L2min/L2max（1）

SMr=1-（Sh+Sv）/S（2）

在本文的研究中總共提取了215個羊毛個體和152個粘膠個體的特征值，部分羊毛和粘膠個體特征值的原始數據見表1。

第4篇：神經網絡的實現范文

Abstract： The paper puts forward the optimization method of fractional linear neural network based on genetic algorithm. It firstly optimizes the weight of fractional linear network by using genetic algorithm， and then， on the basis of genetic improved result， trains fractional linear network by fractional linear network back propagation （BP） algorithm， and gets the optimal weights of network. It is applied to build the fractional linear neural network model based on genetic algorithm for predicting the gas-oil ratio of original oil. The Comparative experiments show that the fractional linear neural network optimization method based on genetic algorithm is a kind of new modeling method.

關鍵詞： 遺傳算法；分式線性神經網絡；預測模型；原油氣油比

Key words： genetic algorithm；fractional linear neural network；prediction model；gas-oil ratio of original oil

中圖分類號：TP183 文獻標識碼：A 文章編號：1006-4311（2013）28-0221-02

0 引言

BP網絡是一種應用最為廣泛的前饋神經網絡。但是BP網絡收斂速度慢，易陷入局部極小。遺傳算法是一種自適應全局優化概率搜索算法，具有較強的魯棒性，可以與BP網絡結合避免其陷入局部最小。一些學者對BP網絡進行了優化和改進，如吳清佳等[1]采用VC維方法確定網絡結構，再用BP算法和基本遺傳算法對暴雨量進行預測分析；張少文等[2]嘗試用GA-BP算法建立了黃河上游降雨-徑流神經網絡預測模型。

由相關數學概念可知，線性函數的倒數是分式線性函數。文獻[3]證明了分式線性神經網絡具有比常見BP網絡更強、更廣泛的逼近能力。但是，分式線性網絡反向傳播（BP）學習算法也有不收斂或易陷入局部極小的可能。本文結合GA和分式線性網絡BP算法的特點構建了基于遺傳算法的分式線性神經網絡模型并用于原油溶解氣油比預測。仿真結果表明，這一模型可以用來預測原油氣油比，因而基于遺傳算法的分式線性網絡可行有效。

1 分式線性網絡神經網絡模型拓撲結構

分式線性網絡是具有m（m？叟3）層的前向神經網絡，包括1個輸入層，1個或1個以上的隱含層和1個輸出層。

本文神經網絡優化模型采用3層分式線性網絡，即1個輸入層，1個隱含層和1個輸出層，其中隱含層神經元的輸入函數是分式線性函數。

根據有關文獻和溶解氣油比實驗結果，壓力、溫度、氣體相對密度、原油重度與原油溶解氣油比之間存在一定的非線性函數關系。本文把壓力、溫度、氣體相對密度以及原油重度這4個參量作為網絡的輸入節點，氣油比這個參量作為輸出節點。因此，輸入層節點個數為4，輸出層節點個數為1。決定隱含層的神經元數量的選取多是通過實驗不斷調整數量和經驗公式選取。根據本文設計思想和實驗反復計算測試，設計輸入層神經元數目為n，輸出層神經元數目為1，隱含層神經元數目為（2n+1）=2×4+1=9。

2 基于遺傳算法的模型初始權值優化設計

2.1 基本思想 為加快分式線性網絡BP算法收斂速度，避免陷入局部極小，本文先對模型初始的權值、閾值編碼，構成初始種群，然后借助遺傳算子生成下一代種群，對種群中的最優個體解碼后得到的權值做出評價，如果滿足遺傳算法性能指標，則輸出此最優權值，否則繼續遺傳算法操作，直至某一代的種群最優個體滿足性能指標，并輸出對應的權值、閾值。此時得到的權值閾值是遺傳算法優化后的分式網絡初始解，再把得到的優化權值再傳賦給分式線性網絡再做進一步的優化。

2.2 設計方法

2.2.1 編碼方法 本文遺傳算法采用實數編碼方法。將分式線性神經網絡的權值和閾值按先后順序級聯為一個長串，串上的每一個位置對應著網絡的一個權值和閾值，并用一個向量？孜表示：？孜=[W1，W2，B1，B2]（1）

其中，W1為輸入層神經元與隱含層神經元連接權值，W2為隱含層神經元與輸出層神經元連接權值，B1為隱含層神經元閾值，B2為輸出層神經元閾值，

取隱含層傳遞函數？椎（t）=■，設輸入學習樣本共有M個，記為Xp=（x■，x■，…，x■），p=1，2，…，M，對應的樣本輸出為Y■=（y■，y■，…，y■），p=1，2，…M，W■■，是對應第p個樣本的輸入層與隱含層神經元連接權值，W■■是對應第p個樣本的隱含層與輸出層神經元連接權值，B■■對應第p個樣本的隱含層神經元閾值，B■■對應第p個樣本的輸出層神經元閾值。網絡在學習樣本下的實際輸出為

■■=W■■■+B■■，p=1，2，…M

（2）

定義適應度函數的形式為：f=■=

1/■Y■-W■■■+B■■（3）

2.2.2 遺傳操作 ①選擇算子：采用基于正態分布序列選擇的選擇算子。②交叉算子：采用算術交叉算子。③變異算子：采用基于非均勻變異的變異算子。④進化代數：T=300。

3 模型構建

以東營市利津油田34口油井建立神經網絡預報模型，對這些油井的溶解氣油比作為分析對象，分別通過遺傳算法進化分式線性網絡模型和采用L-M訓練算法的BP網絡模型對比進行訓練學習，對34口油井中的28個樣本作訓練樣本建模，訓練后的網絡預測剩余6口油井的氣油比，進而實現從輸入段到輸出端的非線性形式下的映射，預測6個測試樣本的原油溶解氣油比。（表1）

4 仿真實驗

本文提出結合遺傳算法的分式線性網絡BP算法模型對濱南采油廠利津油田34個數據進行仿真實驗。為構建分式線性函數，固定點取（a1，a2，a3，a4）=-1，由于設定輸入層神經元個數為4，則隱含層神經元輸入函數（分式線性函數）為I=■W1■（4）

其中W1為輸入層神經元與隱含層神經元連接權值，xi為輸入變量。

分式線性網絡隱含層傳遞函數為Sigmoid函數？椎（t）=1/（1+e-t），輸出層傳遞函數為線性函數L（t）=t，最終訓練目標e=0.001，樣本數目M=28，訓練次數為1000。遺傳算法的初始種群規模N=50，最大進化代數T=300。為對比仿真結果，同時對采用L-M訓練算法的三層BP網絡做仿真，輸入層節點數為4，輸出層節點數為1，隱含層節點數為10，訓練函數為trainlm，訓練目標？著=0.001，訓練次數為1000，其余均取默認值。

GA優化結果：最大適應度f=26.2544，得到的權值閾值是矩陣形式：？孜=[W9×4，W4×9，W9×1，W4×1]其中，各個變量的定義同前述。

從表2可以看出，本文優化算法需要213步達到訓練誤差要求，而改進BP算法需要24步就達到要求，本文算法訓練步數較長。

由表3可見，基于本文優化算法的模型可以預測原油氣油比，其整體預測氣油比的精度與基于改進BP算法的模型效果接近，因而本文優化算法預測數據是可行有效的。

5 結束語

本文將遺傳算法和分式線性神經網絡相結合用于原油氣油比的預測，這對原油物性分析提供了一個借鑒和參考。下一步需要充分考慮其他因素的影響并不斷改進模型，同時調整好GA算子和分式線性網絡的參數以便提高預測的精確度和時效。

參考文獻：

[1]吳清佳，張慶平，萬健.遺傳神經的智能天氣預報系統[J].計算機工程，2005，31（14）：176-177，189.

第5篇：神經網絡的實現范文

【關鍵詞】靜態路由 網絡互聯 路由器 交換機

隨著計算機科學技術的發展和互聯網應用的普及，21世紀初互聯網逐漸由高校、科研機構普及到了各行各業的各大中小型企業及家庭。互聯網在人們的生活、學習、工作各方面都扮演著必不可少的角色，其權重在人們的各項活動中的比重越來越大。因此，互聯網的安全建設至關重要。因此，互聯網中網絡設備的互聯工程越來越多，參與此工作的人員也相對增多。本文提出基于神州數碼網絡互聯設備的靜態路由實現進行研究。可為一些初學者提供一些參考學習。

一、神州數碼網絡互聯設備實驗室

神州數碼網絡有限公司（簡稱：DCN）是國內領先的網絡設備制造商和解決方案提供商，是神州數碼控股旗下擁有自主網絡品牌和知識產權的專業公司。DCN是神州數碼自有品牌，也是神州數碼主品牌下的子品牌之一。DCN將繼續專注數據通信市場，為客戶提供業界領先的以太網交換機、路由器、網絡安全、應用交付、無線網絡、IP融合通信、網絡管理等產品，致力打造成為全球領先的數據通信設備制造商和服務提供商。我校建立的網絡實驗室就是以該公司的網絡設備布置并建設的。目前我校網絡實驗室條件如下：三臺路由器DCR-2655，三臺三層交換機DCRS-5658，三臺二層交換機DCS-2111，一個24口集線架，9臺臺式機，布線簡單。每臺臺式機電腦固定，分別有1-24號編有號碼的網線從布線板預留口伸出2米的長度，掩埋網線的另一端分別對應集線架的24口。所有這些網絡互聯設備都集成固定在一個機架上。對于學生做網絡實驗來說，我們充分利用現有實驗條件進行相關實驗，本文是針對學生在網絡實驗室進行的靜態路由實驗進行的研究。

二、靜態路由

靜態路由是指由用戶或網絡管理員手工配置的路由信息。當網絡的拓撲結構或鏈路的狀態發生變化時，網絡管理員需要手工去修改路由表中相關的靜態路由信息。靜態路由信息在缺省情況下是私有的，不會傳遞給其他的路由器。當然，網管員也可以通過對路由器進行設置使之成為共享的。靜態路由一般適用于比較簡單的網絡環境，在這樣的環境中，網絡管理員易于清楚地了解網絡的拓撲結構，便于設置正確的路由信息[3]。

使用靜態路由的另一個好處是網絡安全保密性高。動態路由因為需要路由器之間頻繁地交換各自的路由表，而對路由表的分析可以揭示網絡的拓撲結構和網絡地址等信息。因此，網絡出于安全方面的考慮也可以采用靜態路由。不占用網絡帶寬，因為靜態路由不會產生更新流量。

三、靜態路由實現實例

實例基于終端PC操作系統WIN7，通過超級終端程序Hypertrm.exe運行配置路由器。

（1）路由器-路由器配置靜態路由實例。通過兩臺路由器實現靜態路由實例，首先用路由器配置線將路由器的console口與臺式機的COM1端口相連接，進行路由器A的配置。路由器A的配置代碼如下：

Router（config） Hostname RA RA（config）interface f0/0 RA（config-if）ip add 192.168.40.1 255.255.255.0 RA（config-if）no shut RA（config-if）exit RA（config）interface g0/3

RA（config-if）ip add 192.168.30.1 255.255.255.0 RA（config-if）no shut RA（config）exit

路由器B的配置代碼如下：

Router（config） Hostname RB RB（config）interface f0/0 RB（config-if）ip add 192.168.40.2 255.255.255.0 RB（config-if）no shut RB（config-if）exit RB（config）interface g0/3

RB（config-if）ip add 192.168.50.1 255.255.255.0 RB（config-if）no shut RB（config）exit

然后，配置兩臺路由器的靜態路由，配置代碼如：

RA# ip route 192.168.50.0 255.255.255.0 192.168.40.2

RB# ip route 192.168.30.0 255.255.255.0 192.168.40.1

這樣，兩臺路由器之間的靜態路由就配置好了。用網線分別連接兩臺路由器的f0/0接口，接口g0/3分別接兩臺終端PC，并分別配置兩臺PC的IP地址為192.168.30.8/24和192.168.50.8/

24，網關分別配置為192.168.30.1/24和192.168.50.1/24。配置完成以后，兩臺PC互相ping對方，一共四個數據包都沒有丟失，說明兩臺主機是互通的。這就是說兩臺路由器f0/0端口相連，另一端口g0/3分別連接兩臺主機的網絡拓撲配置相關的端口ip及主機ip以后，在兩臺路由器上分別正確的配置靜態路由協議以后，兩臺主機互相能ping通，說明該靜態路由協議實驗配置成功。

（2）路由器-三層交換機配置靜態路由實例。三層交換機就是具有部分路由器功能的交換機，三層交換機的最重要目的是加快大型局域網內部的數據交換，所具有的路由功能也是為這目的服務的，能夠做到一次路由，多次轉發。對于數據包轉發等規律性的過程由硬件高速實現，而像路由信息更新、路由表維護、路由計算、路由確定等功能，由軟件實現。三層交換技術就是二層交換技術+三層轉發技術。出于安全和管理方便的考慮，主要是為了減小廣播風暴的危害，必須把大型局域網按功能或地域等因素劃成一個個小的局域網，這就使VLAN技術在網絡中得以大量應用，而各個不同VLAN間的通信都要經過路由器來完成轉發，隨著網間互訪的不斷增加。單純使用路由器來實現網間訪問，不但由于端口數量有限，而且路由速度較慢，從而限制了網絡的規模和訪問速度。基于這種情況三層交換機便應運而生，三層交換機是為IP設計的，接口類型簡單，擁有很強二層包處理能力，非常適用于大型局域網內的數據路由與交換，它既可以工作在協議第三層替代或部分完成傳統路由器的功能，同時又具有幾乎第二層交換的速度，且價格相對便宜些。

因為實驗室條件限制，兩臺路由器已經被部分同學占用進行上述靜態路由協議配置的實驗，另一部學生，利用一臺路由器和一臺三層交換機進行靜態路由協議的配置實驗。依據是三層交換機具有簡單的路由功能，其中，支撐靜態路由協議。基于此，接下來，實驗路由器-三層交換機的配置實驗，檢驗其是否能配置成功？

首先用路由器配置線將路由器的console口與臺式機的COM1端口相連接，進行路由器A的配置。路由器A的配置代碼如下：

Router（config） Hostname RA RA（config）interface f0/0 RA（config-if）ip add 192.168.40.1 255.255.255.0 RA（config-if）no shut RA（config-if）exit RA（config）interface g0/3

RA（config-if）ip add 192.168.30.1 255.255.255.0 RA（config-if）no shut

然后用交換機配置線將交換機的console口與臺式機的COM1端口相連接，進行三層交換機的配置。三層交換機Sw的配置代碼如下：

DCRS-2655（config）hostname Sw Sw（config）ip option enable Sw（config）vlan 10

Sw（config-vlan）ex Sw（config）vlan 20 Sw（config-vlan）ex Sw（config）int e1/0/2

Sw（config-if）switchport mode access Sw（config-if）swichport access vlan 10 Sw（config-if）ex

Sw（config）int e1/0/6 Sw（config-if）switchport mode access Sw（config-if）swichport access vlan 20 Sw（config）ex Sw（config）int vlan 10 Sw（config-if）ip add 192.168.40.2 255.255.255.0

Sw（config-if）no shut Sw（config-if）ex Sw（config）int vlan 20

Sw（config-if）ip add 192.168.50.1 255.255.255.0 Sw（config-if）no shut

接下來配置靜態路由

路由器：ip route 192.168.50.0 255.255.255.0 192.168.

40.2

交換機：ip route 192.168.30.0 255.255.255.0 192.168.

40.1

這樣，路由器和三層交換機之間的靜態路由就配置好了。用網線分別連接路由器的f0/0接口和三層交換機的 e1/0/2端口，路由器接口g0/3連接一臺終端PC1，三層交換機的端口e1/0/6連接另一臺終端PC2，并分別配置兩臺PC的IP地址為192.168.30.

8/24和192.168.50.8/24，網關分別配置為192.168.30.1/24和192.168.50.1/24。配置完成以后，兩臺PC互相ping對方，結果都是通的。說明該靜態路由協議配置成功。異種網絡互聯設備可以成功配置靜態路由協議，并能正確路由，以此在建立的數據鏈路中傳輸數據。

四、總結

通過以上配置實例知道，靜態路由協議不僅在路由器-路由器配置實驗中能夠成功配置，并且在具有路由功能的工作于ISO模型第二層數據鏈路層的網絡設備，同樣也能配置靜態路由協議，與配置靜態路由協議的路由器互聯，能實現網絡的路由。靜態路由表在開始選擇路由之前就被網絡管理員建立，并且只能由網絡管理員更改，所以只適于網絡傳輸狀態比較簡單的環境。靜態路由具有更高的安全性。在使用靜態路由的網絡中，所有要連到網絡上的路由器都需在鄰接路由器上設置其相應的路由。因此，在某種程度上提高了網絡的安全性。但是，大型和復雜的網絡環境通常不宜采用靜態路由。一方面，網絡管理員難以全面地了解整個網絡的拓撲結構；另一方面，當網絡的拓撲結構和鏈路狀態發生變化時，路由器中的靜態路由信息需要大范圍地調整，這一工作的難度和復雜程度非常高。當網絡發生變化或網絡發生故障時，不能重選路由，很可能使路由失敗。

參考文獻：

第6篇：神經網絡的實現范文

本文主要介紹了人工神經網絡的概念，并對幾種具體的神經網絡進行介紹，從它們的提出時間、網絡結構和適用范圍幾個方面來深入講解。

【關鍵詞】神經網絡 感知器網絡 徑向基網絡 反饋神經網絡

1 引言

人工神經網絡是基于對人腦組織結構、活動機制的初步認識提出的一種新型信息處理體系。它實際上是一個由大量簡單元件相互連接而成的復雜網絡，具有高度的非線性，能夠進行復雜的邏輯操作和非線性關系實現的系統，通過模仿腦神經系統的組織結構以及某些活動機理，人工神經網絡可呈現出人腦的許多特征，并具有人腦的一些基本功能，利用這一特性，可以設計處具有類似大腦某些功能的智能系統來處理各種信息，解決不同問題。下面對幾種具體的神經網絡進行介紹。

2 感知器網絡

感知器是由美國學者Rosenblatt在1957年首次提出的，感知器可謂是最早的人工神經網絡。感知器具有分層結構，信息從輸入層進入網絡，逐層向前傳遞到輸出層。感知器是神經網絡用來進行模式識別的一種最簡單模型，屬于前向神經網絡類型。

2.1 單層感知器

單層感知器是指只有一層處理單元的感知器，它的結構與功能都非常簡單，通過讀網絡權值的訓練，可以使感知器對一組輸入矢量的響應達到元素為0或1的目標輸出，從而實現對輸入矢量分類的目的，目前在解決實際問題時很少被采用，但由于它在神經網絡研究中具有重要意義，是研究其他網絡的基礎，而且較易學習和理解，適合于作為學習神經網絡的起點。

2.2 多層感知器

多層感知器是對單層感知器的推廣，它能夠成功解決單層感知器所不能解決的非線性可分問題，在輸入層與輸出層之間引入隱層作為輸入模式的“內部表示”，即可將單層感知器變成多層感知器。

3 線性神經網絡

線性神經網絡類似于感知器，但是線性

神經網絡的激活函數是線性的，而不是硬限轉移函數。因此線性神經網絡的輸出可以使任意值，而感知器的輸出不是0就是1。線性神經網絡最早的典型代表就是在1963年由美國斯坦福大學教授Berhard Windrow提出的自適應線性元件網絡，它是一個由輸入層和輸出層構成的單層前饋性網絡。自適應線性神經網絡的學習算法比感知器的學習算法的收斂速度和精度都有較大的提高，自適應線性神經網絡主要用于函數逼近、信號預測、系統辨識、模式識別和控制等領域。

4 BP神經網絡

BP神經網絡是1986年由以Rumelhart和McCelland為首的科學家小組提出的，是一種按誤差逆傳播算法訓練的多層前饋網絡，在人工神經網絡的實際應用中，80%～90%的人工神經網絡模型采用BP網絡或者它的變化形式，它也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，BP神經網絡由信息的正向傳播和誤差的反向傳播兩個過程組成。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；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，經過一步處理后完成一次學習的正向傳播處理過程，由輸出層向外界輸出信息處理結果。當實際輸出與期望輸出不符時，進入誤差的反向傳播階段。誤差通過輸出層，按誤差梯度下降的方式修正各層權值，向隱層、輸入層逐層反傳。周而復始的信息正向傳播和誤差反向傳播過程，是各層權值不斷調整的過程，也是神經網絡學習訓練過程，此過程一直進行到網絡輸出的誤差減少到可以接受的程度，或者達到預先設定的學習次數為止。

BP網絡主要應用于以下方面：

（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：對輸入矢量以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或存儲。

5 反饋神經網絡

美國加州理工學院物理學家J.J.Hopfield教授于1982年發表了對神經網絡發展頗具影響的論文，提出一種單層反饋神經網絡，后來人們將這種反饋網絡稱作Hopfield網。在多輸入/多輸出的動態系統中，控制對象特性復雜，傳統方法難以描述復雜的系統。為控制對象建立模型可以減少直接進行實驗帶來的負面影響，所以模型顯得尤為重要。但是，前饋神經網絡從結構上說屬于一種靜態網絡，其輸入、輸出向量之間是簡單的非線性函數映射關系。實際應用中系統過程大多是動態的，前饋神經網絡辨識就暴露出明顯的不足，用前饋神經網絡只是非線性對應網絡，無反饋記憶環節，因此，利用反饋神經網絡的動態特性就可以克服前饋神經網絡的缺點，使神經網絡更加接近系統的實際過程。

Hopfield神經網絡的應用：

（1）在數字識別方面。

（2）高校科研能力評價。

（3）應用于聯想記憶的MATLAB程序。

6 徑向基神經網絡

徑向基RBF網絡是一個3層的網絡，除了輸入、輸出層之間外僅有一個隱層。隱層中的轉換函數是局部響應的高斯函數，而其他前向網絡，轉換函數一般都是全局響應函數。由于這樣的差異，要實現同樣的功能，RBF需要更多的神經元，這就是RBF網絡不能取代標準前向型絡的原因。但是RBF網絡的訓練時間更短，它對函數的逼近時最優的，可以以任意精度逼近任意連續函數。隱層中的神經元越多，逼近越精確。

徑向基網絡的應用：

（1）用于曲線擬合的RBF網絡。

（2）徑向基網絡實現非線性函數回歸。

7 自組織神經網絡

自組織競爭型神經網絡是一種無教師監督學習，具有自組織功能的神經網絡，網絡通過自身的訓練。能自動對輸入模式進行分類，一般由輸入層和競爭層夠曾。兩層之間各神經元實現雙向連接，而且網絡沒有隱含層。有時競爭層之間還存在著橫向連接。

常用自組織網絡有一下幾種：

（1）自組織特征映射網絡。

（2）學習矢量量化網絡。

（3）自適應共振理論模型。

（4）對偶傳播網絡。

參考文獻

[1]韓力群.人工神經網絡教程[M].北京：北京郵電大學出版社，2006.

[2]周品.神經網絡設計與應用[M].北京：清華大學出版社，2013.

作者簡介

孔令文（1989-），男，黑龍江省齊齊哈爾市人。現為西南林業大學機械與交通學院在讀研究生。研究方向為計算機仿真。

第7篇：神經網絡的實現范文

[摘要]該文介紹了神經網絡的發展、優點及其應用和發展動向，著重論述了神經網絡目前的幾個研究熱點，即神經網絡與遺傳算法、灰色系統、專家系統、模糊控制、小波分析的結合。

[關鍵詞]遺傳算法灰色系統專家系統模糊控制小波分析

一、前言

神經網絡最早的研究20世紀40年代心理學家Mcculloch和數學家Pitts合作提出的，他們提出的MP模型拉開了神經網絡研究的序幕。神經網絡的發展大致經過三個階段：1947~1969年為初期，在這期間科學家們提出了許多神經元模型和學習規則，如MP模型、HEBB學習規則和感知器等；1970~1986年為過渡期，這個期間神經網絡研究經過了一個低潮，繼續發展。在此期間，科學家們做了大量的工作，如Hopfield教授對網絡引入能量函數的概念，給出了網絡的穩定性判據，提出了用于聯想記憶和優化計算的途徑。1984年，Hiton教授提出Boltzman機模型。1986年Kumelhart等人提出誤差反向傳播神經網絡，簡稱BP網絡。目前，BP網絡已成為廣泛使用的網絡；1987年至今為發展期，在此期間，神經網絡受到國際重視，各個國家都展開研究，形成神經網絡發展的另一個。神經網絡具有以下優點：

(1)具有很強的魯棒性和容錯性，因為信息是分布貯于網絡內的神經元中。

(2)并行處理方法，使得計算快速。

(3)自學習、自組織、自適應性，使得網絡可以處理不確定或不知道的系統。

(4)可以充分逼近任意復雜的非線性關系。

(5)具有很強的信息綜合能力，能同時處理定量和定性的信息，能很好地協調多種輸入信息關系，適用于多信息融合和多媒體技術。

二、神經網絡應用現狀

神經網絡以其獨特的結構和處理信息的方法，在許多實際應用領域中取得了顯著的成效，主要應用如下：

(1)圖像處理。對圖像進行邊緣監測、圖像分割、圖像壓縮和圖像恢復。

(2)信號處理。能分別對通訊、語音、心電和腦電信號進行處理分類；可用于海底聲納信號的檢測與分類，在反潛、掃雷等方面得到應用。

(3)模式識別。已成功應用于手寫字符、汽車牌照、指紋和聲音識別，還可用于目標的自動識別和定位、機器人傳感器的圖像識別以及地震信號的鑒別等。

(4)機器人控制。對機器人眼手系統位置進行協調控制，用于機械手的故障診斷及排除、智能自適應移動機器人的導航。

(5)衛生保健、醫療。比如通過訓練自主組合的多層感知器可以區分正常心跳和非正常心跳、基于BP網絡的波形分類和特征提取在計算機臨床診斷中的應用。

(6)焊接領域。國內外在參數選擇、質量檢驗、質量預測和實時控制方面都有研究，部分成果已得到應用。

(7)經濟。能對商品價格、股票價格和企業的可信度等進行短期預測。

(8)另外，在數據挖掘、電力系統、交通、軍事、礦業、農業和氣象等方面亦有應用。

三、神經網絡發展趨勢及研究熱點

1.神經網絡研究動向

神經網絡雖已在許多領域應用中取得了廣泛的成功，但其發展還不十分成熟，還有一些問題需進一步研究。

(1)神經計算的基礎理論框架以及生理層面的研究仍需深入。這方面的工作雖然很困難，但為了神經計算的進一步發展卻是非做不可的。

(2)除了傳統的多層感知機、徑向基函數網絡、自組織特征映射網絡、自適應諧振理論網絡、模糊神經網絡、循環神經網絡之外，一些新的模型和結構很值得關注，例如最近興起的脈沖神經網絡(spikingneuralnetwork)和支持向量機(supportvectormachine)。

(3)神經計算技術與其他技術尤其是進化計算技術的結合以及由此而來的混合方法和混合系統，正成為一大研究熱點。

(4)增強神經網絡的可理解性是神經網絡界需要解決的一個重要問題。這方面的工作在今后若干年中仍然會是神經計算和機器學習界的一個研究熱點。

(5)神經網絡的應用領域將不斷擴大，在未來的幾年中有望在一些領域取得更大的成功，特別是多媒體技術、醫療、金融、電力系統等領域。

2.研究熱點

(1)神經網絡與遺傳算法的結合。遺傳算法與神經網絡的結合主要體現在以下幾個方面：網絡連接權重的進化訓練；網絡結構的進化計算；網絡結構和連接權重的同時進化；訓練算法的進化設計。基于進化計算的神經網絡設計和實現已在眾多領域得到應用，如模式識別、機器人控制、財政等，并取得了較傳統神經網絡更好的性能和結果。但從總體上看，這方面研究還處于初期階段，理論方法有待于完善規范，應用研究有待于加強提高。神經網絡與進化算法相結合的其他方式也有待于進一步研究和挖掘。

(2)神經網絡與灰色系統的結合。灰色系統理論是一門極有生命力的系統科學理論，自1982年華中理工大學的鄧聚龍教授提出灰色系統后迅速發展，以初步形成以灰色關聯空間為基礎的分析體系，以灰色模型為主體的模型體系，以灰色過程及其生存空間為基礎與內的方法體系，以系統分析、建模、預測、決策、控制、評估為綱的技術體系。目前，國內外對灰色系統的理論和應用研究已經廣泛開展，受到學者的普遍關注。灰色系統理論在在處理不確定性問題上有其獨到之處，并能以系統的離散時序建立連續的時間模型，適合于解決無法用傳統數字精確描述的復雜系統問題。

神經網絡與灰色系統的結合方式有：(1)神經網絡與灰色系統簡單結合；(2)串聯型結合；(3)用神經網絡增強灰色系統；(4)用灰色網絡輔助構造神經網絡；(5)神經網絡與灰色系統的完全融合。

(3)神經網絡與專家系統的結合。基于神經網絡與專家系統的混合系統的基本出發點立足于將復雜系統分解成各種功能子系統模塊，各功能子系統模塊分別由神經網絡或專家系統實現。其研究的主要問題包括：混合專家系統的結構框架和選擇實現功能子系統方式的準則兩方面。由于該混合系統從根本上拋開了神經網絡和專家系統的技術限制，是當前研究的熱點。把粗集神經網絡專家系統用于醫學診斷，表明其相對于傳統方法的優越性。

(4)神經網絡與模糊邏輯的結合

模糊邏輯是一種處理不確定性、非線性問題的有力工具。它比較適合于表達那些模糊或定性的知識，其推理方式比較類似于人的思維方式，這都是模糊邏輯的優點。但它缺乏有效的自學習和自適應能力。

而將模糊邏輯與神經網絡結合，則網絡中的各個結點及所有參數均有明顯的物理意義，因此這些參數的初值可以根據系統的模糊或定性的知識來加以確定，然后利用學習算法可以很快收斂到要求的輸入輸出關系，這是模糊神經網絡比單純的神經網絡的優點所在。同時，由于它具有神經網絡的結構，因而參數的學習和調整比較容易，這是它比單純的模糊邏輯系統的優點所在。模糊神經網絡控制已成為一種趨勢，它能夠提供更加有效的智能行為、學習能力、自適應特點、并行機制和高度靈活性，使其能夠更成功地處理各種不確定的、復雜的、不精確的和近似的控制問題。

模糊神經控制的未來研究應集中于以下幾個方面：

(1)研究模糊邏輯與神經網絡的對應關系，將對模糊

控制器的調整轉化為等價的神經網絡的學習過程，用等價的模糊邏輯來初始化神經網絡；

(2)完善模糊神經控制的學習算法，以提高控制算法的速度與性能，可引入遺傳算法、BC算法中的模擬退火算法等，以提高控制性能；

(3)模糊控制規則的在線優化，可提高控制器的實時性與動態性能；(4)需深入研究系統的穩定性、能控性、能觀性以及平衡吸引子、混沌現象等非線性動力學特性。

關于神經網絡與模糊邏輯相結合的研究已有很多，比如，用于氬弧焊、機器人控制等。

(5)神經網絡與小波分析的結合

小波變換是對Fourier分析方法的突破。它不但在時域和頻域同時具有良好的局部化性質，而且對低頻信號在頻域和對高頻信號在時域里都有很好的分辨率，從而可以聚集到對象的任意細節。

利用小波變換的思想初始化小波網絡，并對學習參數加以有效約束，采用通常的隨機梯度法分別對一維分段函數、二維分段函數和實際系統中汽輪機壓縮機的數據做了仿真試驗，并與神經網絡、小波分解的建模做了比較，說明了小波網絡在非線性系統黑箱建模中的優越性。小波神經網絡用于機器人的控制，表明其具有更快的收斂速度和更好的非線性逼近能力。

四、結論

經過半個多世紀的發展，神經網絡理論在模式識別、自動控制、信號處理、輔助決策、人工智能等眾多研究領域取得了廣泛的成功，但其理論分析方法和設計方法還有待于進一步發展。相信隨著神經網絡的進一步發展，其將在工程應用中發揮越來越大的作用。

參考文獻：

[1]張曾科.模糊數學在自動化技術中的應用[M].清華大學出版社，1997.

[2]李士勇.模糊控制·神經控制和智能控制論[M].哈爾濱工業大學出版，1996.250-387.

[3]謝聯峻.模糊控制在列車自動駕駛中的應用[J].自動化與儀器儀表，1999，(4).

[4]CollierWC，Weiland，RJSmartCarts，SmartHighways[J].IEEESpec-trum，1994，31(4)：27-33.

[5]HatwalH，MikulcikEC.someInverseSolutionstoanAutomobilePathTrackingProblemwithInputControlofSteeringandBreaks，Ve-hiclesystemDynamics，1986，(15)：61-71.

[6]KosugeK，FukudaT，AsadaH.AcquisitionifHumanSkillsforRoboticSystem[C].In：ProcIEEEIntSympOnIntelligenControl，1991.469-489.

[7]王小平，曹立明.遺傳算法—理論、應用與軟件實現.西安交通大學出版社，2002.

[8]ManiezzoV.Geneticevolutionofthetopologhandweightdistribution

ofneuralnetwork[J].IEEETransonNeuralNetwork，1994，5(1)35-67.

[9]HarraldPG，KamstraM.Evolvingartificialneuralnetworkstocombinefinancialforecase[J].IEEETransonEvolComputer，1997，1(1)：39-54.

[10]鄧聚龍.灰色系統理論教程.華中理工大學出版社，1990.

[11]呂宏輝，鐘珞，夏紅霞.灰色系統與神經網絡融合技術探索.微機發展，2000，23(4)：67-109.

第8篇：神經網絡的實現范文

關鍵詞：人工神經網絡；金屬切削刀具；磨損檢測

1.前言：

隨著我國的工業飛速發展，對于工件的要求也愈發嚴格，但是從工廠中制造出的工件或多或少都有些不盡人意，所以必須依靠金屬切削技術對工件進行二次加工。但隨著時間流逝，金屬刀具的磨損逐漸成為了一個問題。而且隨著機器的柔性化與機械化愈發提高，人工觀測刀具磨損狀況的方法也愈發得不可取。無數科學家為此進行了大量研究，討論出了是數種方法，而人工神經網絡運用于金屬切削機的技術也應運而生。人工神經網絡是一種以模擬動物神經網絡而創造的數學模型，人工神經網絡有大量簡單的處理單元組成，它最大的作用處理信息，并且擁有學習和記憶、歸納的能力。目前，人工神經網絡在智能控制、優化計算與信息處理中都有很大的進展，人工神經網絡的前景不可估量。

2.人工神經網絡在金屬切削刀具中的應用

2.1人工神經網絡的基礎知識

人工神經網絡是一種建立在現代醫學對于人腦的研究上的一種模擬人腦的數學模型。它是由大量簡單的處理單元組成的復雜網絡，用以模仿人類大腦的神經活動與規律。所以，人工神經網絡擁有人類大腦的基本特征，即：學習、記憶與歸納功能。雖然人工神經網絡與人類大腦相比略有不足，但是由于其獨特的結構，人工神經網絡可以對己輸入信息進行分析與歸納，并且擁有簡單的決斷能力與簡單的判斷能力，所以人工神經網絡在邏輯學推理演算中，比起人類大腦更加有優勢。故，人工神經網絡在一些比較簡單同時需要大量計算的工作上比起人腦更有優勢。于是，人工神經網絡被廣泛用于金屬切削技術，并獲得了大量的好評。

2.2人工神經網絡使金屬切削的過程更加智能化

人工神經網絡具有自學習、聯想存儲與優化計算的能力，在金屬切削中被大量運用。人工神經網絡在金屬切削中起著多傳感器多信息融合與模式聯想器的作用。在對選定的人工神經網絡進行訓練，通過人工神經網絡的學習與記錄作用，將人工神經網絡訓練為模型，并將這個模型運用于金屬切削中，使金屬切削過程智能化。1992年王衛平博士使用人工神經網絡令金屬切削機在金屬切削的過程中智能化。李旭東利用BP網絡與人工神經網絡的學習性，實現了金屬切削加工的智能化選擇。實際上，國內有許許多多的人用人工神經網絡實現了金屬切削過程的智能化，而隨著他們的成功，越來越多的人也將加入金屬切削智能化的隊伍中來。

并且隨著我國技術的逐漸加強，人工神經網絡技術的逐漸完善，金屬切削智能化的程度只會越來越強。

2.3人工神經網絡對于刀具磨損的檢測

人工神經系統被運用于金屬切削領域的初衷，就是希望借助它的智能化與信息處理的優越性，代替人工來檢驗刀具的磨損程度。

通過人工神經網絡的學習性，可以輕易在網絡中建模，使人工神經網絡可以輕易地檢測出刀具的正常狀態與非正常狀態――即刀具是否磨損。當刀具處于磨損狀態時，人工神經網絡可以發出警告。實際上，在刀具磨損狀態下發出警報已經不再是現在的研究重點了，在無人參與定情況下，對整個金屬切削過程進行識別，當刀具發生磨損，人工神經網絡可以進行自主替換，這，才是理想中的智能刀具檢驗系統，同時也是研究熱點。如果要實現上述內容，應該具備這些特點：對于來自多個傳感器的信息可以快速處理；在擁有樣本數據的情況下可以快速學習；可以根據外界數據的變化，快速調整自身，以適應周遭環境。

2.4通過人工神經網絡的計算，預測金屬切削加工中的狀態.

在人工神經網絡運用于金屬切削中的一個重要研究，便是通過人工神經網絡的計算來預測金屬切削加工中的狀態。可惜這項技術現在還只是處于理論研究與建模模擬的狀態下，跟可以正式使用還有一定的距離。如果這項技術可以得到突破，那么，毋庸置疑得，不止在金屬切削領域是一大進步，更加可以推動工廠全智能化、C械化，這無疑是一場重工業的一場大地震與大革命。

第9篇：神經網絡的實現范文

1　引言

神經網絡是近年來得到廣泛關注的一種非線性建模預報技術。它具有自組織、自學習、自適應和非線性處理、并行處理、信息分布存儲、容錯能力強等特性，對傳統方法效果欠佳的預報領域有很強的吸引力。基于神經網絡的非線性信息處理方法已應用于軍事信息處理及現代武器裝備系統的各個方面，并有可能成為未來集成智能化的軍事電子信息處理系統的支撐技術。該技術在一些先進國家已部分形成了現實的戰斗力。

    船舶在波浪中航行，會受到風、浪和流的影響，因而將不可避免地發生搖蕩運動。嚴重的搖蕩會使船員工作效率下降、物品損壞、軍艦的戰斗力下降。如果能夠預知未來一段時間船舶的運動情況，不僅有利于盡早采用先進控制算法控制艦載武器平臺隔離船舶運動的影響，使其始終穩定瞄準目標，而且還可獲得未來一個海浪周期內的船舶運動情況，以研究船載武器上層的控制策略，從而提高火力密度，因此，有必要研究在海浪中具有一定精度的海浪中船舶運動的短期預報。此外，如能有效準確地預報船舶的橫搖運動，對于提高船舶的耐波性和適航性也有重要意義。

國內外學者也將神經網絡用于船舶運動預報研究，但往往沒有考慮實時性等實現問題，因而不能實用化。神經網絡實現技術是神經網絡研究的一個重要方面。神經網絡實現可分為全硬件實現和軟件實現兩種。目前神經網絡的實現還主要以軟件模擬為主，由于現行的馮諾曼計算機體系結構不能實現并行計算，因而神經網絡軟件的實時應用還受到一定限制。

目前，一些著名集成電路制造公司如Intel、Mo-torola、松下、日立、富士通等均已推出自己的模擬或數字神經網絡芯片，這些芯片無論在網絡規模還是運行速度上都已接近實用化的程度，因而給神經網絡應用的發展以極大的推動。由于艦載武器系統，需選用具有在片學習功能的神經網絡芯片，即將網絡訓練所需的反饋電路及權值存儲、計算和修正電路都集成在了一個芯片，因而可實現全硬件的、具有自學習能力的神經網絡系統，也可以說，這是一種具有自適應能力的神經網絡。

2 ZISC78的功能及工作原理

ZISC78是由IBM公司和Sillicon聯合研制的一種低成本、在線學習、33MHz主頻、CMOS型100腳LQFP封裝的VLSI芯片，圖1所示是ZISC78的引腳排列圖。ZISC78的特點如下：

內含78個神經元；

采用并行結構，運行速度與神經元數量無關；

支持RBF／KNN算法；

內部可分為若干獨立子網絡；

采用鏈連接，擴展不受限制；

具有64字節寬度向量；

L1或LSUP范數可用于距離計算；

具有同步／異步工作模式。

2．1 ZISC78神經元結構

ZISC78采用的神經元結構如圖2所示，該神經元有以下幾種狀態：

(1)休眠狀態：神經網絡初始化時，通常處于這種狀態。

(2)準備學習狀態：任何時侯，神經網絡中的神經元都處于這種狀態。

(3)委托狀態：一個包含有原型和類型的神經元處于委托狀態。

(4)激活狀態：一個處于委托狀態的神經元，通過評估，其輸入矢量處于其影響域時，神經元就被激活而處于激活狀態。

(5)退化狀態：當一個神經元的原型處于其它神經元類型空間內，而大部分被其他神經元類型空間重疊時，這個神經元被宣布處于退化狀態。

    2．2 ZISC78神經網絡結構

從圖3所示的ZISC78神經網絡結構可以看出，所有神經元均通過“片內通信總線”進行通信，以實現網絡內所有神經元的“真正” 并行操作。“片內通信總線”允許若干個ZISC78芯片進行連接以擴大神經網絡的規模，而這種操作不影響網絡性能。

ZISC78片內有6 bit地址總線和16 bit數據總線，其中數據總線用于傳輸矢量數據、矢量類型、距離值和其它數據。

2．3 ZISC78的寄存器組

ZISC78使用兩種寄存器：全局寄存器和神經元寄存器。全局寄存器用于存儲與所有神經元有關的信息，每片僅有一組全局寄存器。全局寄存器組中的信息可被傳送到所有處于準備學習狀態和委托狀態的神經元。神經元寄存器用于存儲所屬神經元的信息，該信息在訓練學習操作中寫入，在識別操作中讀出。

2．4 ZISC78的操作

ZISC78的操作包括初始化、矢量數據傳播、識別和分類等三部分。

初始化包括復位過程和清除過程。

矢量數據傳播包括矢量數據輸入過程和神經元距離計算過程。神經元距離就是輸入矢量和神經元中存儲的原型之間的范數。通常可選L1范數或Lsup范數：

其中，Xi為輸入矢量數據，Xs為存貯的原型數據。

對于識別和分類，ZISC78提供有兩種可選擇的學習算法RBF和KNN。其中RBF是典型的徑向基函數神經網絡。在該RBF模式下，可輸出識別、不確定或不認識的狀態；KNN模式是RBF模式的限制形式，即在KNN模式下，新原型的影響域總被設為1，輸出的是輸入向量和存儲原型之間的距離。需要指出的是，ZISC78具有自動增加或減小神經元個數以適應輸入信號的分類和識別功能，神經元個數的最大值和最小值在全局寄存器組中設定。

2．5 ZISC78的組網

一個ZISC78芯片內可以通過寄存器操作定義若干個獨立的網絡。若干個ZISC78芯片通過層疊可以組成一個更大的神經網絡，組網芯片數量沒有限制，小于10個ZISC78組網時，甚至連電源中繼器件也不需要。所以，ZISC78具有最大的靈活性，能夠滿足不同的需要。

3　仿真實例

為了驗證ZISC78用于船舶運動實時預報的精度，本文對徑向基函數神經網絡預報進行了仿真，圖4給出了基于徑向基函數神經網絡和船舶運動慣導實測信號預報的0．3秒（15步）誤差曲線圖。

通過以慣導實測數據ZHX＿lg．dat為例預報0．3秒（15步）以后的船舶運動，作者運用相空間重構理論已經判斷出本數據為非線性信號。

該仿真的最大預報誤差方差為6．4666e－004，該數據可以滿足戰技指標。

4　結束語