人工神經網絡的意義

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篇人工神經網絡的意義范文，相信會為您的寫作帶來幫助，發現更多的寫作思路和靈感。

人工神經網絡的意義范文第1篇

由于人體與疾病的復雜性，不可預測性，非常適合人工神經網絡的應用。目前的研究幾乎涉及從基礎醫學到臨床醫學的所有方面，主要應用于生物信號的檢測與自動分析，醫學專家系統等。

在麻醉與危重醫學相關領域的研究涉及到多生理變量的分析與預測，從臨床數據中發現一些尚未發現或尚無確切證據的關系與現象，信號處理，干擾信號的自動區分檢測，各種臨床狀況的預測，單獨或結合其他人工智能技術進行麻醉閉環控制等。

在圍術期和重癥監護與治療階段，需要獲取大量的信息，將可能在信號處理、基于動態數據驅動的輔助決策專家系統、數據挖掘、各種臨床狀況的預測、智能化床旁監護、遠程醫療與教學、醫療機器人等各方面廣泛運用到人工神經網絡技術和其他人工智能技術。

一、概述

人工神經網絡（artificial neural network, ann）是人工智能(artificial intelligence, ai)學科的重要分支。經過50多年的發展，已成為一門應用廣泛，涉及神經生理學、認識科學、數理科學、心理學、信息科學、計算機科學、微電子學等多學科交叉、綜合的前沿學科。WWw.133229.CoM

現代計算機的計算構成單元的速度為納秒級，人腦中單個神經細胞的反應時間為毫秒級，計算機的運算能力為人腦的幾百萬倍。可是，迄今為止，計算機在解決一些人可以輕而易舉完成的簡單任務時，例如視覺、聽覺、嗅覺，或如人臉識別、騎自行車、打球等涉及聯想或經驗的問題時卻十分遲鈍。也不具備人腦的記憶與聯想能力，學習與認知能力，信息的邏輯和非邏輯加工能力，信息綜合判斷能力，快速的高度復雜信息處理速度等。

造成這種問題的根本原因在于，計算機與人腦采取的信息處理機制完全不同。迄今為止的各代計算機都是基于馮*紐曼工作原理：其信息存儲與處理是分開的；處理的信息必須是形式化信息，即用二進制編碼定義；而信息處理的方式必須是串行的。這就決定了它只擅長于數值和邏輯運算。而構成腦組織的基本單元是神經元，每個神經元有數以千計的通道同其他神經元廣泛相互連接,形成復雜的生物神經網絡。生物神經網絡以神經元為基本信息處理單元, 對信息進行分布式存儲與加工, 這種信息加工與存儲相結合的群體協同工作方式使得人腦呈現出目前計算機無法模擬的神奇智能。

人工神經網絡就是在對人腦神經網絡的基本研究的基礎上，采用數理方法和信息處理的角度對人腦神經網絡進行抽象，并建立的某種簡化模型。一個人工神經網絡是由大量神經元節點互連而成的復雜網絡,用以模擬人類進行知識的表示與存儲以及利用知識進行推理的行為。一個基于人工神經網絡的智能系統是通過學習獲取知識后建立的,它通過對大量實例的反復學習,由內部自適應機制使神經網絡的互連結構及各連接權值穩定分布，這就表示了經過學習獲得的知識。

人工神經網絡是一種非線性的處理單元。只有當神經元對所有的輸入信號的綜合處理結果超過某一門限值后才輸出一個信號。因此神經網絡是一種具有高度非線性的超大規模連續時間動力學系統。它突破了傳統的以線性處理為基礎的數字電子計算機的局限，標志著人們智能信息處理能力和模擬人腦智能行為能力的一大飛躍。

近20年來，神經網絡的軟件模擬得到了廣泛研究和應用，發展速度驚人。1987年在圣地亞哥召開了首屆國際神經網絡大會，國際神經網絡聯合會(inns)宣告成立。這標志著世界范圍內掀起神經網絡開發研究熱潮的開始。

二、醫學領域應用現狀與前景

由于人體與疾病的復雜性，不可預測性，在生物信號與信息的表現形式、變化規律（自身變化與醫學干預后變化），對其檢測與信號表達，獲取的數據及信息的分析、決策等諸多方面均存在大量復雜的非線性關系，非常適合人工神經網絡的應用。目前的研究幾乎涉及從基礎醫學到臨床醫學的所有方面，主要應用于生物信號的檢測與自動分析，醫學專家系統等。

1、信號處理：

在生物醫學信號的檢測和分析處理中主要集中對心電、腦電、肌電、胃腸電等信號的識別，腦電信號的分析，聽覺誘發電位信號的提取，醫學圖像的識別和數據壓縮處理等。

2、醫學專家系統

醫學專家系統就是運用專家系統的設計原理與方法, 模擬醫學專家診斷、治療疾病的思維過程編制的計算機程序, 它可以幫助醫生解決復雜的醫學問題, 作為醫生診斷、治療的輔助工具。 “傳統”的專家系統，通過把專家的經驗和知識以規則的形式存入計算機中，建立知識庫，用邏輯推理的方式進行醫療診斷。但一些疑難病癥的復雜形式使其很難用一些規則來描述，甚至難以用簡單的語言來表達；專家們常常難以精確分析自己的智能診斷過程。另一方面，基于規則的專家系統，隨著數據庫規模的增大，可能導致組合爆炸，推理效率很低。由于人工神經網絡能夠解決知識獲取途徑中出現的“瓶頸”現象、知識“組合爆炸”問題以及提高知識的推理能力和自組織、自學習能力等等, 從而加速了神經網絡在醫學專家系統中的應用和發展。

sordo比較了采用不同網絡結構和學習算法的神經網絡在診斷胎兒唐氏綜合征(down’s syndrome) 上的成績。正確分類率為84 %, 超過了現今所用的統計方法的60 %～70 % 的分類率。

臺灣deu科技（德亞科技）開發的計算機輔助檢測系統rapid screentm rs-2000為全世界最先通過美國fda認證的早期肺癌輔助診測系統。該產品采用人工智能神經網絡ann，自動標識數字胸片中可疑結節區。經臺灣和美國的臨床實驗，可使放射專家檢測t1期肺癌的能力明顯提高(潛在提升約15 %以上)。

degroff等使用電子聽診器和人工神經網絡制造了一種儀器，它可正確地區分兒童生理性和病理性雜音。用電子聽診器記錄的兒童心音，輸入能識別復雜參數的ann，分析的敏感性和特異性均達100%。

3、其他：

生物信息學中的研究中可應用于基因組序列分析、蛋白質的結構預測和分類、網絡智能查詢等方面。

藥學領域廣泛應用于定量藥物設計、藥物分析、藥動/藥效學等方面。例如：用于預測藥物效應。veng-pederson用神經網絡預測阿芬太尼對兔心率的影響，對用藥后180-300分鐘的藥物效應取得了較好的預測結果（平均相對預測準確度達78%）。分析群體藥動學數據，以獲知群體藥動學特征和不同人口統計因子對藥物行為的影響，對臨床用藥具有指導意義。

4、麻醉與危重醫學相關領域的研究

手術室和icu內是病人信息富集的地方，而且大量的信息處在動態變化中，隨著醫學技術的飛速進步，所能獲取的信息越來越多，醫護人員面臨著“信息轟炸”。神經網絡技術可以很好地幫助我們應對這些問題。例如：

1）可以用于分析多個生理變量之間的關系，幫助研究其內在的關系，或預測一些變量之間的關系：perchiazzi在肺損傷和正常的豬容量控制機械通氣中，用ann估計肺順應性的變化，不需要中斷呼吸，與標準方法相比誤差很小。

2）結合數據挖掘技術，可能從海量數據庫例如電子病歷系統中，發現一些尚未發現或尚無確切證據的關系與現象：buchman 研究了神經網絡和多元線形回歸兩種方法，用病人的基本資料、藥物治療差異和生理指標的變化預測在icu延遲（>7天）。

3）信號處理：ortolani等利用eeg的13個參數輸入ann，自行設計的麻醉深度指數ned0-100作為輸出，比較ned與bis之間有很好的相關性；

4）干擾信號的自動區分檢測：jeleazcov c等利用bp神經網絡區分麻醉中和后檢測到的eeg信號中的假信號，是傳統eeg噪音檢測方法的1.39-1.89倍。

5）各種臨床狀況的預測：laffey用ann預測肌肉松弛藥的殘留，發現明顯優于醫生的評估，還有用于預測propfol劑量個體差異的，預測術后惡心、嘔吐，預測全麻后pacu停留時間，預測icu死亡率等較多的研究。

人工神經網絡的意義范文第2篇

在上世紀九十年代初期，利用數學知識將感知器模型的弊病全面提出，致使社會各界對于人工神經網絡的探究非常少。另一方面，針對邏輯運算的人工神經網絡研究存在一定的弊端，一直沒有被大家發現，因此，致使人工神經網絡探究工程進入嚴重的低谷期。

關于人工神經網絡技術飛速發展時期，九十年代初期，對于人工神經網絡技術的弊端予以充分解決，尤其是Hopefield的人工神經網絡技術模型的提出，致使對于互聯網的穩定性以及收斂性的探究有了充分的理論依據。而且將人工神經網絡模型全面應用到具體的實踐中，并且得到全面推廣，同時，將科學技術和人工神經網絡進行有機結合，使人工神經網絡技術更加具有可研究性。

2關于人工神經技術的構造以及典型模型

互聯網人工神經技術的構造的組成包括以神經元件為主，同時，這項包含多種神經元結構的互聯網信息處理技術是可以并行存在的。每一個具體的人工神經元件可以單一輸出，還可以和其他的神經元件相結合，并且具有非常多的連接輸出方法，每一種連接措施都會有相應的權系數。具體的人工神經網絡技術的特點有：（1）針對每一個節點i，都會有相應的狀態變量Xi存在；（2）節點j到節點i之間，是相應的權系數Wij存在；（3）在每一個節點i的后面，具體存在相應的閾值θi；（4）在每一個節點i的后面，存在變換函數fi（Xi，Wijθi），但是，通常情況來說，這個函數取fi(∑，WijXi-θi)的情況。

3將人工神經網絡技術進行全面使用

互聯網的人工神經網絡技術具有獨特的結構和處理措施，具體包括在：自動控制處理和網絡技術模式識別、模型圖像處理和相應的傳感器信號處理技術。信號處理技術和機器人控制處理技術、地理領域和焊接、在電力系統應用和相關數據挖掘、軍事和交通行業、農業和氣象行業等多個領域紛紛體現出其卓越的貢獻。

ART人工神經網絡技術的運用。人工神經網絡技術ART在網絡語音和網絡圖像、文字處理和具體識別等方面，得到廣泛的應用；同時，在工業處理系統中也有相應的應用，例如，在工業系統中的故障診斷和故障檢測以及事故警報等情況的控制；人工神經網絡ART技術還應用在數據挖掘方面，在相關數據中挖掘最穩定和最有意義的模式。具體的神經網絡技術ART的優勢為：網絡技術處理能力高、穩定性強以及聚類效果非常好。

4結束語

人工神經網絡的意義范文第3篇

關鍵詞：人工神經網絡；電力變壓器；故障診斷

中圖分類號：TP393 文獻標識碼：A 文章編號：1009-3044（2016）32-0174-03

1引言

電力變壓器在長期的運行中，故障是不可避免的。變壓器一旦損壞會造成大面積停電且故障修復耗時長，因此變壓器故障的及早發現和處理具有非常重要的意義。

電力變壓器的故障一般有機械故障、熱性故障和電性故障，由于機械故障一般都以熱性故障和電性故障的形式體現，因此主要以熱性故障和電性故障為主。熱性故障一般為中低溫過熱和高溫過熱，電性故障一般為低能放電和高能放電。傳統的變壓器故障診斷方法存在著效率偏低以及診斷準確率不高的問題，因此我們可以利用人工神經網絡的方法對電力變壓器的故障進行自動診斷。

2人工神經網絡

2.1 人工神經網絡概述

人工神經網絡（ANNs）是對人腦或生物神經網絡若干基本特性的抽象和模擬。

依靠系統的復雜程度，ANNs可通過調整內部大量節點之間相互連接的關系，進而對有效信息進行可靠處理。而BP神經網絡通常是指基于誤差反向傳播（Back Propagation）算法的多層前向神經網絡， 不僅能對輸入-輸出模式映射關系進行學習和存儲，而且對描述此種映射關系的數學方程不需要事前揭示。最速下降法為BP神經網絡的學習規則，通過反向傳播來持續調整網絡的權值和閾值，使其誤差平方和最小。

本文采用BP神經網絡的三層前饋結構，分別為（input）、隱含層（hide layer）和輸出層（output layer）。輸入層的節點數為5（對應電力變壓器油中氣體H2、CH4、C2H4、C2H2、C2H6），輸出層則有5個節點（對應無故障，中低溫過熱，高溫過熱，低能放電，高能放電），隱含層的節點數根據經驗公式確定：

其中，r為隱層的節點數，n為輸入的節點數，m為輸出的節點數，a則為1～10之間的常數。經試驗，本文r取13。各層間神經元相互連接，且各層內沒有連接。如圖1所示：

BP神經網絡的訓練首先對每一層的權值和偏差進行初始化（用小的隨機數），以免被大的加權輸入飽和，并且需對一些參數進行設定及初始化（期望的誤差最小值、最大循環次數、修正權值的學習效率）；第二步需要對網絡各層輸出矢量及網絡誤差進行計算；第三步需要對各層反向傳播的誤差變化、各層權層的修正值及新的權值進行計算，最后需要對權值修正后的誤差平方和進行計算，若符合要求則訓練完成，若不符合要求則繼續。

2.2電力變壓器故障診斷的BP神經網絡設計

2.2.1樣本數據的定義

電力變壓器的故障主要體現為中低溫過熱、高溫過熱、低能放電和高能放電。電力變壓器的故障數據一共為70組，其中樣本集數據為50組，測試集數據為20組，且分別定義樣本數據如下：

無故障，記為10000；

中低溫過熱，記為01000；

高溫過熱，記為00100；

低能放電，記為00010；

高能放電，記為00001。

2.2.2樣本數據的預處理

為提高神經網絡的訓練效率，本論文對數據進行了標準化處理，使其落入[-1，1]區間；并且對輸入樣本集數據進行了主元分析，以減小各樣本矢量的相關性，從而達到降維的目的。

2.2.3 BP神經網絡設計參數設置

MATLAB中，BP神經網絡設計需要定義有關參數：訓練步數、顯示訓練結果的間隔步數、訓練目標誤差、訓練允許時間和訓練中最小允許梯度值等，最終可返回訓練后的權值、循環訓練的總數和最終誤差。神經網絡對象的一些主要訓練參數及含義如表1所示。

2.2.4 BP神經網絡驗證

表2列出了20組測試集數據，最后一列為網絡期望輸出，對應變壓器的實際故障類型。

由電力變壓器故障診斷的誤差變化曲線可知：在使用BP神經網絡法對網絡進行訓練時，網絡只訓練了112步，速度非常的快。網絡的訓練均方誤差此時已經達到目標誤差0.01的數量級，因此該網絡可用。對樣本集數據進行訓練后，我們可得到一個相關的BP神經網絡模型，再用測試集數據對改模型進行驗證，驗證結果如表3所示。（注：圖中*號表示該BP神經網絡模型診斷錯誤的數據組）

由以上BP神經網絡自動診斷結果可以得知：電力變壓器故障診斷正確的個數為18個，故診斷正確率為90%左右。

3 結論

本文應用人工神經網絡的方法對電力變壓器的故障進行了自動診斷，診斷正確率可達90%。隨著計算機技術和人工智能技術的發展，利用人工神經網絡進行變壓器的故障診斷有利于有效地實現對故障的綜合診斷，從而提高故障診斷的準確性，可靠性和診斷效率，為變壓器故障診斷技術的發展拓展新的途徑。

參考文獻：

[1] 張錚，徐超，任淑霞，等.數字圖像處理與機器視覺――Visual C++與Matlab實現[M].北京：人民郵電出版社，2014.

[2] 馬銳.人工神經網絡原理[M].北京：機械工業出版社，2010.

[3] 郭磊，董秀成.BP神經網絡在變壓器故障診斷中的應用[J] .西華大學學報，2008（5）：10-13.

[4] 殷躍.基于BP神經網絡的電力變壓器故障診斷的研究[D].吉林：吉林大學通信工程學院，2007.

[5] 王連成.基于神經網絡的DGA法在變壓器故障診斷中的應用研究[D].黑龍江：哈爾濱工業大學電氣工程及自動化學院，2009.

[6] 李霖.基于BP神經網絡的變壓器故障診斷方法研究[D].湖南：長沙理工大學電氣與信息工程學院，2013.

[7] 曾成碧，蒲維，曾先鋒.BP神經網絡在油浸式變壓器過熱性故障診斷中的應用[J]. 四川電力技術，2012（4）：60-63.

[8] 陳小玉.改進的神經網絡在變壓器故障診斷中的應用[J].計算機仿真，2012（8）：318-321.

[9] 宋彩利， 吳宏岐.神經網絡在變壓器故障診斷中的應用研究[J].微計算機信息，2008（34）：155-157.

人工神經網絡的意義范文第4篇

摘要:

針對水文時間序列的非平穩性特征，以長江三峽宜昌站1904～2003年年平均流量為例，分別建立了小波分析(WA)與BP神經網絡和徑向基函數神經網絡(RBF)耦合的預測模型，探究了兩種組合模型的預測效果，并與傳統的單一人工神經網絡模型對比;并采用5種常見的預測性能評價指標分析預測效果。結果表明:組合模型預測成果的精度較單一模型顯著提高;組合和單一模型中RBF網絡模型均優于BP網絡模型;小波徑向基函數神經網絡組合模型具有較優的預測精度和泛化能力，是提高預測精度的有效方法，在徑流預測中具有可行性。

關鍵詞:

ATrous小波分析;BP神經網絡;徑向基函數神經網絡;預測模型;水文預報

中長期水文預報是根據已知水文與氣象要素信息對未來一定時期內的水文狀態作出定性和定量的預測。目前，通常預報的水文要素有流量、水位、冰情和旱情等［1］。水文時間序列預測對防汛、抗旱、水資源開發利用等具有重大的實用意義，然而水文系統是一個高度復雜的非線性系統，在由降雨經過蒸散發、下滲、截留、填洼形成徑流的過程中，還受到流域地形地貌、氣候變化、人類活動等因子的干預，因此，水文時間序列表現出極大的復雜性，給預測帶來一定困難。傳統的中長期水文預報大多采用回歸分析法和時間序列分析方法［2］。常用的回歸分析法主要有一元線性回歸分析法、多元線性回歸分析法、逐步回歸分析法、最小二乘回歸分析法、聚類分析法和主成分分析法等［2］，其因建模簡單、易于實現的優點成為了徑流中長期預報應用最早也是最廣的方法［3］，但回歸分析法中存在因子個數合理性的選擇、預報成果取均值而忽略了極大與極小值情況等問題;時間序列分析法常用自回歸序列(AR)模型、滑動平均序列(MA)模型、自回歸滑動平均序列(ARMA)模型、求和自回歸滑動平均序列(ARIMA)混合模型、門限自回歸序列(TAR)模型等［4］。

該方法能夠很好地分析和處理具有季節性、趨勢性的水文預報問題，但在建模過程中存在模型參數估計和合理定階等問題［2］。隨著計算機技術的發展，一些智能新方法被廣泛應用于中長期水文預測中，主要包括模糊分析、人工神經網絡、灰色系統分析、混沌理論、投影尋蹤、小波分析等方法［5］，然而目前還沒有一種水文預報模型能夠對所有水文序列具有完全適應性。近年來，小波分析和人工神經網絡組合模型成為中長期徑流預測的研究熱點［6－7］。利用小波變換可將徑流序列的趨勢項、周期項和隨機項成分較好地分離，為克服水文時間序列成因復雜、難以詳盡表述其變化規律等困難提供了一種便利的分析技術［8］，再將不同頻率下的小波變換成分輸入神經網絡進行預測，能夠較好地提高預測精度。只有選擇合適的小波神經網絡組合模型的結構，才能得到精度更高的預報結果。本文提出將小波分析與不同類型的神經網絡組合，分別建立小波分析與加動量的BP神經網絡相結合、小波與RBF網絡相結合的徑流預報模型，對兩種組合模型及傳統單一的神經網絡模型的模擬效果進行對比分析。

1模型結構及原理

1．1小波分析對水文時間序列進行小波分析時，使用連續小波變換或離散小波變換得到的小波變換系數冗余，因此常用快速的小波變換算法計算，不涉及具體的小波函數，主要有Mallat算法和ATrous算法。相比原始時間序列，Mallat算法重構后的時間序列因其二進抽取、插值處理，容易出現相位失真［9－11］，并會發生一定的偏移，而ATrous算法為無抽取離散小波變換，具備平移時不變性的特性，它只是對濾波器組進行內插補零，其每級分解系數和原始時間序列的長度保持一致，因此本文小波分析采用ATrous算法。

1．2BP神經網絡BP神經網絡的拓撲結構圖如圖1所示［12］。BP神經網絡預測模型，運用了神經網絡可以任意逼近非線性函數的特性，輸入與輸出間的復雜關系表示具有非線式的特點，其適用性明顯高于一般顯式線性預測模型［12］。水文時間序列是受多因子復雜影響的一種非穩定性的時間序列，并非可用單一的線性或非線性函數計算所得。BP神經網絡相當于一個“黑箱”模式，不需要知道輸入與輸出數據間的函數關系，僅通過對輸入輸出數據進行訓練學習，獲得誤差達到最優的一種映射關系，就可將訓練好的模型用于預測，它具有自學習、計算簡單、容錯性較好、泛化能力較強的特點。

1．3徑向基函數神經網絡徑向基函數神經網絡(RBF，RadialBasisFunc-tion)是一種能夠以任意精度逼近任意非線性函數的神經網絡結構，具有單隱層的3層向前網絡［12］，其中隱層函數為徑向基函數。RBF神經網絡僅對輸入空間的某一局部區域存在少數的神經元，用來決定網絡的輸出，且RBF網絡中的重要參數中心向量和寬度向量是根據樣本集中的訓練模式來試算確定或者初始化的，因此，RBF神經網絡具有避免陷入局部極小值的解域中的優點。RBF神經網絡的拓撲結構圖如圖2所示［12］。

2預測性能評價指標

為了對預測模型的適應性進行分析，需用預測成果的精度來度量。本文采用常用的3種誤差評定方法和預測值的相對誤差小于10%和20%的合格率，來評價模型的預測精度［13－14］。NMSE和MRE反映出實測值和預測值之間的偏差，NMSE和MAE越小，表明預測值越接近于實測值，即預測的效果越好。DVS以百分比形式表示正確預測目標值變化方向，其值越大，表明預測效果越好。以預測值相對誤差滿足小于10%和小于20%的合格率來反映預測值與實測值之間的逼近程度，其值越大，預測效果越好。

3模型仿真

長江宜昌水文站是長江上游出口的唯一控制站，且三峽工程位于其上游約44km處，對宜昌站年徑流量的預測具有重要的實踐意義。本文利用宜昌站1904～2003年為期100a的實測年均流量資料，采用MATLAB編程，利用小波神經網絡組合模型對其預測，選取兩種不同神經網絡模型對比分析。

3．1小波變換本文選取宜昌站100a年均徑流量，利用ATrous算法進行分解尺度為3的小波變換，求取徑流序列的細節系數W1、W2、W3和近似系數C3，用作神經網絡輸入。小波分析成果見圖3。

3．2基于小波變換的BP模型構建一個3層雙隱層的BP神經網絡模型，可以以任意精度逼近給定的非線性函數，而雙隱層可以提高模型的逼近精度。小波BP網絡模型即將BP神經網絡模型中對徑流量直接輸入預測替換為對小波變換系數的預測。小波分析將具有復雜非穩定性特征的徑流量分解成不同頻率的高頻細節序列和低頻概貌序列，因此可以更好地利用神經網絡模擬成因復雜、具有時－頻特征的徑流量序列的形態變化特征和趨勢。構建一個4－10－8－1結構的3層雙隱層BP模型，隱含層函數選用transig，輸出層函數選用purelin，采用有動量加自適應lr梯度下降法選擇參數，設置最大訓練次數為5000、訓練要求精度0．00001、學習速率0．01。利用Matlab軟件進行網絡訓練，對預測結果進行反歸一化處理，得到最終預測結果，成果見表1。

3．3基于小波變換的RBF模型與小波BP網絡模型類似，將歸一化后的前90a的年均徑流量小波變換系數作為RBF網絡模型訓練樣本的輸入，Q(t+T)作為訓練樣本輸出，預見期為2a，后10a的資料作為測試。不同于BP神經網絡的初始權值選取對于網絡訓練的精度影響很大這一特點，RBF神經網絡只需用試錯法調整參數SPREAD。在Matlab平臺上，調用RBF模型，調用方式為net=newrb(P，T，GOAL，SPREAD，MN，DF)，SPREAD為徑向基層的擴展速度常數，其取值會影響神經網絡的運算速度和精度［10］。通過試算得SPREAD的最優解為67．3。將訓練好的模型用來預測后10a的年均徑流量，成果見表1。

3．4單一人工神經網絡模型直接將實測的年均徑流量作為模型的輸入，預見期為2a。因徑流的成因復雜及形成過程具有較多干擾因素，單一的人工神經網絡模型不一定能較好地模擬其內部的變化特征，本文分別采用單一的BP神經網絡和RBF網絡對后10a的年均徑流量進行預測，預測成果見表1。

4模型適用性分析

根據三峽宜昌站100a徑流量資料，建立不同組合的小波神經網絡模型，利用Matlab軟件平臺對模型進行網絡學習，分別調試不同模型得到最優預測徑流量，成果見表1。為了判斷4種預測模型的預測結果是否保持實測序列的主要統計特性和變化特征，采用以下5種常見的預測性能評價指標驗證模型的適用性，成果詳見表2。(1)由宜昌站1994～2003年年均流量的預測值與實測值比較計算得NMSE、MRE、DVS、合格率e＜10%和合格率e＜20%的5種誤差評定參數。從預測整體NMSE和MRE上看，小波人工神經網絡組合模型預測精度明顯高于傳統單一的人工神經網絡模型，而組合模型中，小波RBF網絡模型預測效果更優，單一神經網絡模型中RBF網絡預測精度也高于BP網絡。這表明，組合模型用于長江徑流預測是合理可行的，具有較好的預測精度和泛化能力，是提高模型預測精度的有效方法。但BP神經網絡存在收斂速度較慢、易陷入局部極值、易發生“過擬合”或“欠擬合”情形等缺陷［15］，而RBF神經網絡以對點徑向對稱且衰減的非負非線性函數為傳遞函數［16］，能夠避免BP網絡產生的缺點，具有更好的逼近能力。(2)小波RBF神經網絡DVS表明，預測目標值方向的正確率高達88．89%，單一的BP網絡的DVS指標卻只有33．33%。這表明，小波神經網絡組合模型較單一神經網絡模型能更準確地預測目標值變化方向，RBF神經網絡在模式識別能力方面也優于BP神經網絡。(3)多數小波神經網絡組合模型成果的預測相對誤差小于10%，而單一神經網絡合格率則只接近半數，其中無論組合模型還是單一模型，RBF模型預測值的合格率都要高于BP神經網絡模型。由表2可知，4種模型預測精度基本達到(合格率e＜20%)，即人工神經網絡由于其較強的非線性映射能力、魯棒性、容錯性和自適應、自組織、自學習等特性［17］，對于水文徑流量預測具有可行性，而進行小波分析處理后再建立神經網絡模型能提高預測的精度，選擇合適的神經網絡模型則能優化預測成果。

5結語

筆者提出小波分析與不同人工神經網絡耦合的預測模型。組合模型可將高度復雜的非穩定年徑流序列分頻率提取的成分輸入人工神經網絡進行預測，巧妙地避開了單一預測模型預測精度不高的問題;而不同的小波神經網絡組合模型則進一步探討了小波分析和不同人工神經網絡耦合的密切程度，得到預測精度較高的小波神經網絡模型的組合結構。本文以宜昌水文站100a實測年均徑流量序列為例，進行實例對比驗證。對比分析模型模擬成果表明，小波神經網絡組合模型對徑流預測的適應性強于人工神經網絡模型，而小波RBF網絡模型比小波BP網絡模型具有更優適應性，小波RBF網絡模型能更好地揭示水文隨機序列的變化特性且提高了預測精度和速率，為水文工作提供了有效可行的預報方法，對水文資料的預測和插補延長具有實際意義。

參考文獻:

［1］包為民．水文預報［M］．北京:中國水利水電出版社，2009．

［2］宋一凡，郭中小，盧亞靜．基于遺傳算法優化的小波神經網絡在中長期水文預報中的應用———以三門峽為例［J］．中國水利水電科學研究院學報，2014，12(4):337－343．

［3］宋荷花，胡國華，李正最．湘江流域中長期水文預報［D］．長沙:長沙理工大學，2008．

［4］鐘登華，王仁超，皮鈞．水文預報時間序列神經網絡模型［J］．水利學報，1995，(2):69－74．

［5］王麗學，楊軍，孫靚，等．基于灰色系統與RBF神經網絡的中長期水文預報［J］．人民長江，2015，46(17):15－17．

［6］BatesJM，GrangerCWJ．Thecombinationofforecasts［J］．Opera-tionalResearchQuarterly，1969，20(1):451－468．

［7］王文圣，丁晶，李躍清．水文小波分析［M］．北京:化學工業出版社，2005．

［8］LiZuoyong．Progressofstudyonhydrologywaterresourceandwaterenvironment［J］．JournalofSichuanUniversity:EngineeringScienceEdition，2002，34(2):1－4．

［9］孫延奎．小波分析及其應用［M］．北京:機械工業出版社，2005．

［10］李賢彬，丁晶，李后強．基于子波變換序列的人工神經網絡組合預測［J］．水利學報，1999，(2):1－4．

［11］MATLAB中文論壇．MATLAB神經網絡30個案例分析［M］．北京:北京航空航天大學出版社，2010．

［12］楊淑瑩．模式識別與智能計算:Matlab技術實現［M］．北京:電子工業出版社，2008．

［13］汪麗娜，陳曉宏，李艷．不同徑流尺度的小波神經網絡預測［J］．華南師范大學學報:自然科學版，2013，45(2):104－106．

［14］SL250－2000水文情報預報規范［S］．

［15］崔東文，金波．改進BP神經網絡模型在小康水利綜合評價中的應用［J］．河海大學學報:自然科學版，2014，42(4):306－313．

［16］黃劍竹．改進RBF－Adadoost模型及其在年徑流預測中的應用［J］．人江，2015，45(1):32－36．

人工神經網絡的意義范文第5篇

【關鍵詞】壓電方程；BP神經網絡；預測

0 研究背景

材料從使用性能上可以分為結構材料和功能材料兩大類[1]，其中結構材料以其強度、韌性、硬度、彈性等力學特性為 應用依據，功能材料以其電、磁、光、聲、熱等物理性能為基礎，用以制作有特殊功能的器件。壓電材料是實現機械能與電能相互轉換的功能材料[2]，是一類對機、電、聲、光、熱敏感的電子材料，外力和電場之間的耦合為壓電材料提供了一種機制，用于感測力學載荷所誘發電位變化，并通過外部電場改變結構應。壓電材料的結構可靠性已引起越來越多的關注，因為它們大多是被應用在微機電系統中，而微機電系統的大量應用也決定了研究壓電材料的重要意義。

1 壓電材料的本構方程

2 神經網絡

人工神經網絡（簡稱神經網絡）是由人工神經元互連組成 的網絡，是一種非線性動力學系統，它采用類似于“黑箱”的方法，通過學習和記憶而不是假設，找出輸入、輸出變量之間的非線性關系（映射），在執行問題和求解的時候，將所獲取的數據輸入給訓練好的網絡，依據網絡學習的知識進行網絡推理，得出合理的答案與結果。其中BP神經網絡是目前發展比較成熟的一種人工神經網絡，約有80%的神經網絡系統采用BP網絡。它是一種反饋式全連接多層神經網絡，具有結構簡單，工作狀態穩定等優點，并且具有較強的聯想、記憶和推廣能力，可以以任意精度逼近任何非線性連接函數[4]。

3 壓電陶瓷平面方程驗證

本文將針對PZT-4壓電陶瓷的本構方程進行研究。對于此種壓電材料，本構方程里面的常系數c與ζ均為已知常數。此壓電材料屬于線性壓電材料的范疇，為減少數據量的運算，方便神經網絡的預測，本文將著重針對該材料的二維平面方程進行驗證。對于平面問題，不妨設坐標x2方向上的應力大小為0，則根據彈性力學中平面應力基本模型，此時可知坐標系x2方向上的電位移D2=0，且凡是下標帶有x2的應力與應變大小均為0。故可以得出以下關系式（3）。

4 結論

平面壓電本構方程中的線性常數已經給出，通過輸入多組輸入數據根據本構方程得到準確的輸出數據作為神經網絡的樣本訓練數據，借由神經網絡極強的模擬映射關系，訓練好的網絡可以預測出任意數據關系模型，包括此處的線性關系模型。本文通過神經網絡驗證壓電方程中數據之間的線性關系，是一種很好的驗證方法，具有一定的使用意義。

【參考文獻】

[1]蓋學周.壓電材料的研究發展方向和現狀[J].中國陶瓷，2008，5（44）：9-13.

[2]裴先茹，高海榮.壓電材料的研究和應用現狀[D].鄭州：鄭州師范學院.