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(jīng)網(wǎng)絡(luò)的流程范文，相信會為您的寫作帶來幫助，發(fā)現(xiàn)更多的寫作思路和靈感。

神經(jīng)網(wǎng)絡(luò)的流程范文第1篇

關(guān)鍵詞：公交客流 數(shù)據(jù)修正 徑向基神經(jīng)網(wǎng)絡(luò)

中圖分類號：TP311.13 文獻(xiàn)標(biāo)識碼：A 文章編號：1007-9416(2012)02-0117-01

1、引言

公交優(yōu)化調(diào)度是智能公交系統(tǒng)的重要組成部分，也是提高城市公共交通運(yùn)行效率的重要手段。近些年來，我國在公交調(diào)度方面進(jìn)行了大量的研究，提 出各種各樣的優(yōu)化調(diào)度模型。而這些模型都是建立在公交客流數(shù)據(jù)的基礎(chǔ)上的，公交客流數(shù)據(jù)的準(zhǔn)確性直接影響到公交調(diào)度優(yōu)化結(jié)果。因此，為了提高公交客流數(shù)據(jù)準(zhǔn)確性，本文提出基于RBF神經(jīng)網(wǎng)絡(luò)的公交客流修正方法，以便為公交優(yōu)化調(diào)模型提供科學(xué)的數(shù)據(jù)基礎(chǔ)。

2、徑向基神經(jīng)網(wǎng)絡(luò)理論

2.1 徑向基神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(Radial Basic Function,RBF)是多維空間插值的傳統(tǒng)技術(shù)，由Powell 于1985年提出，并于1989年論證了RBF神經(jīng)網(wǎng)絡(luò)對非線性連續(xù)函數(shù)的一致逼近性能。RBF神經(jīng)網(wǎng)絡(luò)屬于前向神經(jīng)網(wǎng)絡(luò)類型，由三層結(jié)構(gòu)組成。第一層為輸入層，由信號源點(diǎn)結(jié)點(diǎn)組成；第二層為隱藏層，隱臧結(jié)點(diǎn)由所描述的問題決定；第三層為輸入層，主要功能為響應(yīng)輸入模式。

2.2 徑向基神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法

RBF神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的主要問題是求解3個有效參數(shù)，分別為基函數(shù)中心，方差和隱含層到輸出層的權(quán)值。因?yàn)镽BF基函數(shù)中心選取方法不同，RBF網(wǎng)絡(luò)有多種學(xué)習(xí)方法。本文根據(jù)所要解決的問題，選用自組織選取中心的RBF神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法。該方法分別由無導(dǎo)師學(xué)習(xí)過程和有導(dǎo)師學(xué)習(xí)階段兩部分組成。具體學(xué)習(xí)算法這里不再贅述。

3、基于徑向基神經(jīng)網(wǎng)絡(luò)客流連續(xù)化方法

公交客流數(shù)據(jù)包括乘客到達(dá)率，下車率，斷面通過率等。本文以乘客到達(dá)率作為公交客流數(shù)據(jù)的具體例子，對其進(jìn)行基于徑向基神經(jīng)網(wǎng)絡(luò)修正。其它客流數(shù)據(jù)連續(xù)化處理方法相同。單位時(shí)間內(nèi)到達(dá)的乘客人數(shù)定義為乘客到達(dá)率，但按照定義方法求得的到達(dá)率為離散點(diǎn)，不能反映出其隨時(shí)間連續(xù)變化的規(guī)律。為了得到更滿意的結(jié)果，故本文采用以上介紹的徑向量神經(jīng)網(wǎng)絡(luò)進(jìn)行連續(xù)化處理。

具體的處理步驟如下：

(1)首先把統(tǒng)計(jì)時(shí)段的中間點(diǎn)取值為該時(shí)段的平均值。

(2)如果計(jì)算時(shí)，初始時(shí)刻到達(dá)率出現(xiàn)負(fù)值，則將初始時(shí)刻的平均值取半作為實(shí)際計(jì)算值。因?yàn)槭装l(fā)和末發(fā)時(shí)段一般呈現(xiàn)上升和下降的趨勢，如果變化率較大，采用徑向基神經(jīng)網(wǎng)絡(luò)進(jìn)行處理時(shí)，有可能使初始時(shí)刻和最后時(shí)刻的到達(dá)率出現(xiàn)負(fù)值。

(3)運(yùn)用matlab神經(jīng)網(wǎng)絡(luò)工具箱中newrb()函數(shù)構(gòu)建徑向基神經(jīng)網(wǎng)絡(luò)，sim()進(jìn)行預(yù)測仿真，得出具體的曲線。

4、實(shí)例應(yīng)用

如表1所示，為江蘇省鎮(zhèn)江市19路車某個工作日江蘇大學(xué)中門站7：00～8：00的上車人數(shù)。

由表1計(jì)算結(jié)果可知江蘇大學(xué)中門站7：10～7：20的乘客到達(dá)率為2.9人/min，而7：00～7：10到達(dá)率卻是1人/min，7∶20～7∶30的A1站到達(dá)率為2.4人/min。因此，該站在7∶10～7∶20到達(dá)率應(yīng)為單調(diào)遞升，主要表現(xiàn)為7∶10附近的到達(dá)率要小于2.9人/min，7∶20附近的到達(dá)率要大于2.9人/min。所以如果7∶10～7∶15時(shí)段到達(dá)率選用2.9人/min，則必將降低公交調(diào)度優(yōu)化結(jié)果的準(zhǔn)確度。因此，為了克服上述問題的不足，得到更佳理想的結(jié)果，本文采用以上所述方法對其修正，結(jié)果如圖1所示。

5、結(jié)語

本文根據(jù)城市公交客流數(shù)據(jù)所存在的問題，采用RBF神經(jīng)網(wǎng)絡(luò)對其進(jìn)行科學(xué)修正，以便為公交調(diào)度優(yōu)化模型提供更加準(zhǔn)確的數(shù)據(jù)源。并以鎮(zhèn)江市19 路公交車江蘇大學(xué)中門站某個工作日的客流量數(shù)據(jù)計(jì)算實(shí)例，結(jié)果表明該方法科學(xué)可行，具有更加廣闊的適用面。

參考文獻(xiàn)

[1]楊慶芳,魏領(lǐng)紅,揚(yáng)兆升.公交線路調(diào)度優(yōu)化模型研究[J].合肥工業(yè)大學(xué)學(xué)報(bào),2009,32(11):1643～1645.

神經(jīng)網(wǎng)絡(luò)的流程范文第2篇

[關(guān)鍵詞]：貝葉斯BP神經(jīng)網(wǎng)絡(luò) 預(yù)測流程 預(yù)測模型 仿真分析

一、貝葉斯正則化BP神經(jīng)網(wǎng)絡(luò)算法

為了解決在工程中遇到的一些基于BP神經(jīng)網(wǎng)絡(luò)的問題，可通過減少神經(jīng)網(wǎng)絡(luò)的參數(shù)數(shù)量，降低網(wǎng)絡(luò)規(guī)模，這樣就不會出現(xiàn)過擬合的現(xiàn)象，這就是正則化（regularization）方法。為保證用此方法設(shè)置的參數(shù)能夠自適應(yīng)神經(jīng)網(wǎng)絡(luò)并且能夠優(yōu)化，通常采用貝葉斯理論，即通過LevenbergMarquardt（LM）算法實(shí)現(xiàn)這一目的，這也就是我們熟知的貝葉斯正則化BP神經(jīng)網(wǎng)絡(luò)（Bayesian Regularization BP neural network， BRBPNN ）。

二、基于貝葉斯正則化BP神經(jīng)網(wǎng)絡(luò)的性能預(yù)測流程

在利用貝葉斯正則化BP神經(jīng)網(wǎng)絡(luò)算法來實(shí)現(xiàn)對離心泵性能預(yù)測時(shí)。可按照圖所示的流程圖進(jìn)行：

三、構(gòu)建基于貝葉斯正則化BP神經(jīng)網(wǎng)絡(luò)性能預(yù)測模型

在貝葉斯正則化BP神經(jīng)網(wǎng)絡(luò)中，輸入模式對于離心泵性能預(yù)測預(yù)測結(jié)果有比較大影響，選取對離心泵能量性能影響較大的離心泵幾何參數(shù)（葉輪出口直徑（ ）、葉片出口寬度（ ）、葉片出口安放角（ ）、渦殼的基圓直徑（ ）、渦殼進(jìn)口寬度（ ）、蝸殼第八斷面面積（ ）、葉片包角（ ）以及葉片數(shù)（ ））和設(shè)計(jì)流量（ ）作為貝葉斯正則化BP神經(jīng)網(wǎng)絡(luò)的輸入變量。根據(jù)輸入模式可以確定輸入層神經(jīng)元數(shù)目為9?？紤]到BF神經(jīng)網(wǎng)絡(luò)的隱含層神經(jīng)元是徑向基函數(shù)，該特性使BF神經(jīng)網(wǎng)絡(luò)的擬合特性為局部性，于是本文將泵的揚(yáng)程和效率預(yù)測設(shè)計(jì)為2個相類似結(jié)構(gòu)的貝葉斯正則化BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型，即離心泵揚(yáng)程和效率貝葉斯正則化BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型，如圖2所示。

四、仿真實(shí)驗(yàn)

為了考察建立的離心泵性能貝葉斯正則化BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的有效性，我們采用從沈陽水泵研究所編撰的《全國優(yōu)秀水力模型匯編》和江蘇大學(xué)關(guān)醒凡教授編撰的《現(xiàn)代泵技術(shù)手冊》選取57組單級單吸離心泵的設(shè)計(jì)參數(shù)和試驗(yàn)參數(shù)作為訓(xùn)練樣本數(shù)據(jù)和目標(biāo)數(shù)據(jù)。得到訓(xùn)練樣本數(shù)據(jù)和目標(biāo)數(shù)據(jù)輸入的離心泵性能貝葉斯正則化BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型進(jìn)行訓(xùn)練學(xué)習(xí)曲線如圖3所示：

為了考察建立的離心泵性能的貝葉斯正則化BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的效果，我們從沈陽水泵研究所編撰的《全國優(yōu)秀水力模型匯編》和江蘇大學(xué)關(guān)醒凡教授編撰的《現(xiàn)代泵技術(shù)手冊》選取6組單級單吸離心泵的設(shè)計(jì)參數(shù)和試驗(yàn)參數(shù)數(shù)據(jù)作為檢驗(yàn)樣本，其具體數(shù)據(jù)如表1所示。

采用表1的數(shù)據(jù)和利用已經(jīng)建立的離心泵性能的貝葉斯正則化BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型進(jìn)行預(yù)測離心泵的揚(yáng)程、效率等性能指標(biāo)，與譚明高、劉厚林、袁壽其等人所做實(shí)驗(yàn)和撰寫的文獻(xiàn)參數(shù)進(jìn)行對比，其結(jié)果如表2所示。

分析表2的離心泵性能的2種改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型檢驗(yàn)樣本預(yù)測結(jié)果發(fā)現(xiàn)：BRBP神經(jīng)網(wǎng)絡(luò)預(yù)測的揚(yáng)程 最大相對誤差的絕對值為6.98% 、最小相對誤差的絕對值為0.41%、均方根相對誤差為5.20%； 效率誤差最大相對誤差的絕對值為5.30% 、最小相對誤差的絕對值為1.67%、均方根誤差為2.98% 。LMBP神經(jīng)網(wǎng)絡(luò)預(yù)測的揚(yáng)程 最大相對誤差的絕對值為14.0% 、最小相對誤差的絕對值為0.06%、均方根相對誤差為7.81%；效率誤差 最大相對誤差的絕對值為3.21% 、最小相對誤差的絕對值為0.17%、均方根誤差為1.85%。

通過對上面的結(jié)構(gòu)分析，效率預(yù)測精度高一些，揚(yáng)程預(yù)測精度低一些，我們可以推斷，這可能與離心泵的影響因素有關(guān)。BRBP神經(jīng)網(wǎng)絡(luò)預(yù)測離心泵揚(yáng)程精度最高，LMBP神經(jīng)網(wǎng)絡(luò)預(yù)測離心泵效率精度最高。

需指出的是，雖然貝葉斯正則化BP神經(jīng)網(wǎng)絡(luò)預(yù)測離心泵效率精度比LMBP神經(jīng)網(wǎng)絡(luò)差一些，但在預(yù)測離心泵揚(yáng)程方面BRBP神經(jīng)網(wǎng)絡(luò)預(yù)測模型比LMBP神經(jīng)網(wǎng)絡(luò)預(yù)測模型明顯精度更好一些。這是因?yàn)樨惾~斯正則化BP神經(jīng)網(wǎng)絡(luò)靠貝葉斯統(tǒng)計(jì)理論進(jìn)行確定和訓(xùn)練，由程序自動確定，相對而言更穩(wěn)定。

五、總結(jié)

本章采用貝葉斯正則化BP神經(jīng)網(wǎng)絡(luò)算法，建立了離心泵性能預(yù)測模型，最后在沈陽水泵研究所編撰的《全國優(yōu)秀水力模型匯編》和江蘇大學(xué)關(guān)醒凡教授編撰的《現(xiàn)代泵技術(shù)手冊》選取57組單級單吸離心泵的設(shè)計(jì)參數(shù)和試驗(yàn)參數(shù)進(jìn)行建模和驗(yàn)證，結(jié)果表明離心泵性能貝葉斯正則化BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型與原有的離心泵性能LMBP神經(jīng)網(wǎng)絡(luò)預(yù)測模型一樣有效，并且設(shè)置參數(shù)更簡單、更方便，是一種比較有前途的離心泵性能預(yù)測方法。

參考文獻(xiàn)：

[1]關(guān)醒凡.現(xiàn)代泵技術(shù)手冊[M].宇航出版社，1995.

神經(jīng)網(wǎng)絡(luò)的流程范文第3篇

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò) 建筑管理 數(shù)據(jù)倉庫

中圖分類號：F274 文獻(xiàn)標(biāo)識碼：A 文章編號：1007-9416（2015）09-0000-00

1神經(jīng)網(wǎng)絡(luò)系統(tǒng)理論的研究目標(biāo)

是以研究以模擬人體神經(jīng)系統(tǒng)的運(yùn)動行為， 建立神經(jīng)網(wǎng)絡(luò)基本特征的一種神經(jīng)網(wǎng)絡(luò)系統(tǒng)運(yùn)算算法。這種算法可在計(jì)算機(jī)上，通過硬件與軟件的相互配合來實(shí)現(xiàn)， 也可以在神經(jīng)網(wǎng)絡(luò)計(jì)算機(jī)上更加快捷的實(shí)現(xiàn)，最終可以實(shí)現(xiàn)智能計(jì)算機(jī)終端智能運(yùn)算的目標(biāo)。神經(jīng)網(wǎng)絡(luò)系統(tǒng)是由大量的神經(jīng)元--簡單的信息處理單元，按特定的配對方式相互構(gòu)成， 神經(jīng)元之間的信息傳遞和儲存，依照一定的規(guī)則進(jìn)行， 網(wǎng)絡(luò)連接規(guī)則以及數(shù)據(jù)存儲方式有一定的穩(wěn)定性與匹配性， 即具有學(xué)習(xí)和訓(xùn)練的特定效果。

1.1神經(jīng)網(wǎng)絡(luò)系統(tǒng)模型與應(yīng)用范圍

有反饋網(wǎng)絡(luò)模型。有反饋網(wǎng)絡(luò)也稱回（遞）歸網(wǎng)絡(luò)， 在這這當(dāng)中， 多個神經(jīng)元互聯(lián)以組成一個互連神經(jīng)網(wǎng)絡(luò)。有些神經(jīng)元的輸出被反饋至同層或前層神經(jīng)元， 因此， 信號能夠從正向和反向流通。

1.2 神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)

在決定采用神經(jīng)網(wǎng)絡(luò)技術(shù)之前， 應(yīng)首先考慮是否有必要采用神經(jīng)網(wǎng)絡(luò)來解決問題。一般地， 神經(jīng)網(wǎng)絡(luò)與經(jīng)典計(jì)算方法相比并非優(yōu)越。只有當(dāng)常規(guī)方法無法解決或效果不佳時(shí)神經(jīng)網(wǎng)絡(luò)才能顯示出其優(yōu)越性。尤其是當(dāng)問題的機(jī)理等規(guī)律不甚了解， 或不能用數(shù)學(xué)模型表示的系統(tǒng)， 神經(jīng)網(wǎng)絡(luò)往往是最有力的工具。另一方面， 神經(jīng)網(wǎng)絡(luò)對處理大量原始數(shù)據(jù)而不能用規(guī)劃或公式描述的問題， 表現(xiàn)出極大的靈活性和自適應(yīng)性。

2 建筑管理模式

建筑管理模式是在TFV理論基礎(chǔ)上構(gòu)筑的。建筑管理模式在國外，對精益建造的理論和應(yīng)用研究已取得了很多成果， 但國內(nèi)對于精益建造，未能給予足夠重視。

數(shù)據(jù)處理技術(shù)在企業(yè)的逐步成功應(yīng)用，企業(yè)積累了大量的生產(chǎn)"科研相關(guān)和業(yè)務(wù)數(shù)據(jù)，但面對浩如煙海的企業(yè)數(shù)據(jù)，決策人員常常難以及時(shí)獲得足夠信息，提出決策的現(xiàn)狀，許多企業(yè)已經(jīng)構(gòu)建了完善的數(shù)據(jù)庫.并且通過聯(lián)機(jī)分析處理的方式技術(shù)，可以使決策人員更快捷的從數(shù)據(jù)倉庫中提取精良信息。

3 建筑管理模式

3.1 任務(wù)制度管理

任務(wù)制度管理是從生產(chǎn)管理轉(zhuǎn)換的角度管理生產(chǎn)制造， 雖然本質(zhì)依然是硬性管理， 但管理的內(nèi)容為與適應(yīng)建造相關(guān)用戶的合理配合安排， 主要依據(jù)顧客需求設(shè)計(jì)來配編生產(chǎn)系統(tǒng)， 最后一招合同流程來實(shí)現(xiàn)。

3.2 流程過程管理

流程過程管理是從流程的角度管理數(shù)據(jù)模型， 其本質(zhì)為軟性數(shù)據(jù)管理。流程管理的目標(biāo)是不但要有高效率可預(yù)測數(shù)據(jù)目標(biāo)的綜合流程， 而且要做好建設(shè)項(xiàng)目的相關(guān)單位，現(xiàn)場數(shù)據(jù)工作人員之間的相互協(xié)調(diào)工作。

3.3 價(jià)值趨向管理

價(jià)值趨向管理是從數(shù)據(jù)價(jià)值的角度管理生產(chǎn)， 它是以一種更加柔性的方式來體現(xiàn)顧客消費(fèi)價(jià)值和一種硬性的方式完成生產(chǎn)預(yù)訂目標(biāo)的的趨向性管理。

4 數(shù)據(jù)倉庫概論

數(shù)據(jù)倉庫，就是一個更完全面支持企業(yè)組織的決策分析處理數(shù)據(jù)的面向主題的總成的，不可隨時(shí)間不斷變化持續(xù)更新的數(shù)據(jù)倉庫體系結(jié)構(gòu)，美國哈佛大學(xué)計(jì)算機(jī)科學(xué)系的專門小組，通過長期對數(shù)據(jù)技術(shù)的研究，提出了數(shù)據(jù)倉庫技術(shù)的完善概念，該概念是在體系結(jié)構(gòu)整體上對數(shù)據(jù)倉庫進(jìn)行了描述，從各個數(shù)據(jù)源收集所需數(shù)據(jù)，并與其他數(shù)據(jù)源的數(shù)據(jù)銜接，將集成的總體數(shù)據(jù)存入數(shù)據(jù)倉庫終端，用于用戶直接從數(shù)據(jù)倉庫中訪問相關(guān)數(shù)據(jù)，用于理論和實(shí)踐應(yīng)用的案例.運(yùn)用這種建筑管理模式， 可以提高生產(chǎn)率， 降低成本和增加顧客滿意度， 在建筑業(yè)中有廣闊的應(yīng)用前景。

5 結(jié)語

在當(dāng)今日益激烈的競爭環(huán)境下決策人員能否及時(shí)地從大量原始數(shù)據(jù)中提取更多更好的信息是一個企業(yè)生存發(fā)展的關(guān)鍵，傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)系統(tǒng)的建筑管理數(shù)據(jù)倉庫的設(shè)計(jì)已不能適應(yīng)行業(yè)的發(fā)展精益建造這種體系應(yīng)運(yùn)而生。他是由精益生產(chǎn)延伸而來，將神經(jīng)網(wǎng)絡(luò)系統(tǒng)的建筑管理數(shù)據(jù)倉庫的設(shè)計(jì)以及實(shí)踐應(yīng)用到行業(yè)之中。

參考文獻(xiàn)

[1]趙璐.基于精益建造的成本管理[J].華中科技大學(xué)學(xué)報(bào)，2005.

[2]肖智軍，黨新民.精益生產(chǎn)方式JIT[M].廣州： 廣東經(jīng)濟(jì)出版社，2004.

[3]Glenn Bllard3 劉來紅， 王世宏.空氣過濾器的發(fā)展與應(yīng)用.過濾與分離，2000，10

[4]Lauri Koskela. We Need A Theory Of Construction

[C]， Berkeley - Stanford CE&M Workshop： Defining a Research

Agenda for AEC Process/Product Development in2000 and Beyond Stanford， Berkeley， 1999.

神經(jīng)網(wǎng)絡(luò)的流程范文第4篇

用PCA-BP神經(jīng)網(wǎng)絡(luò)模型對公路客運(yùn)量進(jìn)行預(yù)測，預(yù)測精度與收斂速度都不是很理想，為克服PCA-BP神經(jīng)網(wǎng)絡(luò)算法存在的非線性逼近、迭代次數(shù)過多，易陷入局部極值等不足，提出將PCA-BP神經(jīng)網(wǎng)絡(luò)模型與動態(tài)陡度因子、附加動量因子和動態(tài)調(diào)整學(xué)習(xí)率算法結(jié)合的方法，給出具體的網(wǎng)絡(luò)學(xué)習(xí)方法，并結(jié)合實(shí)際調(diào)查數(shù)據(jù)進(jìn)行對比測試，分析結(jié)果證明了改進(jìn)型PCA-BP神經(jīng)網(wǎng)絡(luò)模型對公路客運(yùn)量預(yù)測有效性．

關(guān)鍵詞:

PCA-BP神經(jīng)網(wǎng)絡(luò);動態(tài)陡度因子;動態(tài)調(diào)整學(xué)習(xí)率算法;客運(yùn)量;預(yù)測

公路客運(yùn)量預(yù)測屬于復(fù)雜非線性系統(tǒng)問題，早期的預(yù)測方法主要有多元線性回歸預(yù)測模型、自回歸模型、自回歸滑動平均模型、指數(shù)平滑預(yù)測模型等．SherifIshak等［1］應(yīng)用實(shí)時(shí)數(shù)據(jù)分析和評價(jià)了幾種交通客運(yùn)量預(yù)測模型的效果;孫煦、陸化普［2］等對公路客運(yùn)量預(yù)測難以建立精確預(yù)測模型的問題，引入基于蟻群優(yōu)化的支持向量機(jī)算法對公路客運(yùn)量進(jìn)行預(yù)測．這些方法可以實(shí)現(xiàn)交通客運(yùn)量的預(yù)測工作，但缺點(diǎn)是沒有擺脫建立精確數(shù)學(xué)模型的困擾，其預(yù)測效果很大程度上取決于參數(shù)的選取，并且非線性擬合能力不突出．Tung、Chrobok、Quek［3-5］等人采用神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測，證明神經(jīng)網(wǎng)絡(luò)得到的結(jié)果的精確性較傳統(tǒng)預(yù)測模型高．董春嬌［6］等在傳統(tǒng)的BP(BackPropa-gation)神經(jīng)絡(luò)算法中有所改進(jìn)，采用Elman神經(jīng)網(wǎng)絡(luò)的交通流短時(shí)預(yù)測，通過在前饋網(wǎng)絡(luò)的隱含層中增加一個承接層，作為延時(shí)算子使系統(tǒng)具有適應(yīng)時(shí)變特性的能力．在公路客運(yùn)量的預(yù)測方面，神經(jīng)網(wǎng)絡(luò)應(yīng)用較多，但傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)存在的非線性逼近、迭代次數(shù)過多，易陷入局部極值等不足，而且預(yù)測結(jié)果影響因素分析較少，對預(yù)測指標(biāo)的選取沒有進(jìn)行全面充分的系統(tǒng)考慮．本文在PCA(PrincipleComponentAnalysis)與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合構(gòu)成PCA-BP網(wǎng)絡(luò)模型的基礎(chǔ)上，將動態(tài)陡度因子、附加動量因子和動態(tài)調(diào)整學(xué)習(xí)率等方法融入模型的運(yùn)作過程，進(jìn)一步完善算法，提出改進(jìn)PCA-BP神經(jīng)網(wǎng)絡(luò)模型，并將其運(yùn)用到公路客運(yùn)量的預(yù)測．

1PCA-BP模型的基本原理

公路客運(yùn)量受人口總數(shù)、區(qū)域經(jīng)濟(jì)發(fā)展水平、居民消費(fèi)水平等多種因素影響．在用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行模擬預(yù)測時(shí)，首先要確定對預(yù)測指標(biāo)有影響的主要因素(即系統(tǒng)輸入)．運(yùn)用PCA-BP神經(jīng)網(wǎng)絡(luò)模型可以實(shí)現(xiàn)減少輸入變量個數(shù)，達(dá)到降維目的，并使其包含原輸入變量群的絕大部分信息，從而提高神經(jīng)網(wǎng)絡(luò)的運(yùn)行效率和預(yù)測精度．PCA-BP神經(jīng)網(wǎng)絡(luò)模型流程見圖1．

1．1PCA原理［7］在所有的線性組合中選取方差最大的p1為第一主成分．若p1不足以代表原來的m個指標(biāo)的信息，則選取p2即第二個線性組合．

1．2BP神經(jīng)網(wǎng)絡(luò)原理模型拓?fù)浣Y(jié)構(gòu)有三層，即輸入層、隱含層和輸出層，同一層的節(jié)點(diǎn)之間相互不關(guān)聯(lián)，異層的神經(jīng)元間前向連接．當(dāng)一對樣本學(xué)習(xí)模式提供網(wǎng)絡(luò)后，神經(jīng)元的激活值從輸入層經(jīng)中間層向輸出層傳播，在輸出層各神經(jīng)元獲得網(wǎng)絡(luò)的輸入響應(yīng)．之后，按減少希望輸出與實(shí)際輸出誤差的方向，從輸出層經(jīng)各中間層逐層修正各連接權(quán)，最后到輸入層．

2改進(jìn)PCA-BP神經(jīng)網(wǎng)絡(luò)模型的思想

本文基于PCA-BP神經(jīng)網(wǎng)絡(luò)模型，采用動態(tài)陡度因子、附加動量因子和動態(tài)調(diào)整學(xué)習(xí)率算法，將網(wǎng)絡(luò)模型進(jìn)行優(yōu)化，最后將降維的樣本集合和優(yōu)化的權(quán)值代入網(wǎng)絡(luò)，在經(jīng)過PCA-BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練之后，用檢驗(yàn)樣本集合對其進(jìn)行檢驗(yàn)．

2．1附加動量法傳統(tǒng)BP算法在調(diào)整權(quán)值時(shí)，只按照當(dāng)前時(shí)刻的負(fù)梯度方向調(diào)整，沒有考慮到以前各次運(yùn)算中的梯度方向，導(dǎo)致新樣本對迭代過程的影響太大，會導(dǎo)致數(shù)據(jù)訓(xùn)練過程中調(diào)整方向發(fā)生振蕩，導(dǎo)致不穩(wěn)定和收斂速度慢．附加動量的BP算法［10］考慮了以前時(shí)刻的貢獻(xiàn)，其權(quán)值迭代公式如下所示。

2．2動態(tài)調(diào)整學(xué)習(xí)率［8］傳統(tǒng)BP模型中，學(xué)習(xí)率是固定的．學(xué)習(xí)率對模型運(yùn)算性能影響較大，動態(tài)的學(xué)習(xí)率可以改善訓(xùn)練算法的性能．學(xué)習(xí)率η與誤差函數(shù)相關(guān)聯(lián)，在網(wǎng)絡(luò)的每一步學(xué)習(xí)過程中動態(tài)調(diào)整η的值，對不同的誤差質(zhì)的變化，每一步學(xué)習(xí)后學(xué)習(xí)率都進(jìn)行相應(yīng)的調(diào)整．

3改進(jìn)PCA-BP模型的預(yù)測流程

3．1網(wǎng)絡(luò)初始化對所得的社會經(jīng)濟(jì)指標(biāo)進(jìn)行主成分分析，得出輸入節(jié)點(diǎn)數(shù)與輸出節(jié)點(diǎn)數(shù)m，n;采用經(jīng)驗(yàn)公式確定節(jié)點(diǎn)數(shù)的上下限，隱節(jié)點(diǎn)數(shù)的上限作為初始隱節(jié)點(diǎn)數(shù)l．初始化輸入層、隱含層和輸出層各神經(jīng)元間權(quán)值wij，wjk．隱含層閾值a，輸出層閾值b;給定初始化的學(xué)習(xí)速率η;網(wǎng)絡(luò)輸入和輸出為(X，Y)．

3．2計(jì)算隱含層輸出根據(jù)給定的輸入向量X，輸入層和隱含層間連接權(quán)值wij以及隱含層閥值a，計(jì)算隱含層輸出H.

4改進(jìn)PCA-BP模型在城市交通流預(yù)測中的實(shí)際應(yīng)用

為驗(yàn)證模型預(yù)測效果，選取山東濰坊市1996年至2005年10個樣本為學(xué)習(xí)樣本，將2006至2012年7個樣本作為檢驗(yàn)樣本，數(shù)據(jù)見表1．利用SPSS統(tǒng)計(jì)工具，對數(shù)據(jù)進(jìn)行因子分析，根據(jù)實(shí)驗(yàn)和經(jīng)驗(yàn)［11］，公式中的參數(shù)可以設(shè)定為a=1．05，b=0．7，ηmin=0．025;tmax=5000;q=0．85．選取特征值大于1的作為主成分，可以發(fā)現(xiàn)當(dāng)取到3個主成分，其累積貢獻(xiàn)率達(dá)86．26%＞80%，滿足要求，即神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點(diǎn)為3個．將各個參數(shù)代入模型之后可以得出:P0=90，Pmin=0．1．結(jié)果如表2、表3所示．經(jīng)主成分分析，可以確定出神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點(diǎn)為3個，即:第一個主成分分?jǐn)?shù)=0.208×總?cè)丝跀?shù)－0.102×人均旅行次數(shù)－0.112×居民消費(fèi)指數(shù)+0.202×居民消費(fèi)水平+0.162×機(jī)動車保有量+0.212×地區(qū)生產(chǎn)總值+0.119×人口密度+0.217×消費(fèi)總額;第二個主成分分?jǐn)?shù)=0.241×總?cè)丝跀?shù)+0.305×人均旅行次數(shù)+0.219×居民消費(fèi)指數(shù)－0.210×居民消費(fèi)水平－0.253×機(jī)動車保有量+0.249×地區(qū)生產(chǎn)總值－0.075×人口密度+0.253×消費(fèi)總額;第三個主成分分?jǐn)?shù)=－0．160×總?cè)丝跀?shù)－0．090×人均旅行次數(shù)+0．840×居民消費(fèi)指數(shù)+0．222×居民消費(fèi)水平－0．097×機(jī)動車保有量－0．114×地區(qū)生產(chǎn)總值+0．651×人口密度－0.077×消費(fèi)總額;運(yùn)用MATLAB等軟件分別對傳統(tǒng)PCA－BP神經(jīng)網(wǎng)絡(luò)以及改進(jìn)型PCA-BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行運(yùn)算．后七年的公路客運(yùn)量實(shí)際值與預(yù)測值數(shù)據(jù)比較見圖3．從上述表格數(shù)據(jù)可知，改進(jìn)型PCA-BP模型的迭代次數(shù)2361次，準(zhǔn)確率為88．91%比傳統(tǒng)的PCA-BP模型更為理想，預(yù)測效果較好．

5結(jié)論

神經(jīng)網(wǎng)絡(luò)的流程范文第5篇

關(guān)鍵詞 小波神經(jīng)網(wǎng)絡(luò)；BP神經(jīng)網(wǎng)絡(luò)；COD含量；預(yù)測

中圖分類號 TN710 文獻(xiàn)標(biāo)識碼 A 文章編號 1673-9671-(2012)071-0108-03

高郵市海潮污水處理廠采用的是德國馮·諾頓西公司的“百樂克”工藝，是由德國馮.諾頓西公司于七十年代研究成功的一種新型污水處理技術(shù)。COD，是表示水質(zhì)污染度的指標(biāo)。污水處理工藝復(fù)雜，水質(zhì)變化大，各參數(shù)關(guān)系復(fù)雜，出水水質(zhì)難以預(yù)測。神經(jīng)網(wǎng)絡(luò)方法具有一定的魯棒性和自適應(yīng)性，故使用神經(jīng)網(wǎng)絡(luò)進(jìn)行建模，進(jìn)行預(yù)測、控制。

BP神經(jīng)網(wǎng)絡(luò)是一種典型的多層前饋神經(jīng)網(wǎng)絡(luò)，主要特點(diǎn)是信號前向傳遞，誤差反向傳遞，分為輸入層，隱藏層，輸出層。研究表明，足夠多的隱含層神經(jīng)元可以使得三層神經(jīng)網(wǎng)絡(luò)可以無限地逼近任何復(fù)雜函數(shù)。但BP網(wǎng)絡(luò)也有一些缺陷，限制了它在工程中的進(jìn)一步應(yīng)用。

小波神經(jīng)網(wǎng)絡(luò)是近年來新興的一種人工神經(jīng)網(wǎng)絡(luò)，集小波分析和人工神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)于一體。該網(wǎng)絡(luò)引入伸縮因子和平移因子，具有更多的自由度和更強(qiáng)的靈活性，能有效克服傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型的不足。本文采用小波神經(jīng)網(wǎng)絡(luò)對污水出水COD含量進(jìn)行建模，進(jìn)行實(shí)證分析，證明了該模型的有效性和可行性。

1 小波神經(jīng)網(wǎng)絡(luò)模型

1.1 小波的基本概念

小波分析是當(dāng)前數(shù)學(xué)中一個迅速發(fā)展的新領(lǐng)域，是針對傅里葉變換的不足發(fā)展而來的，它解決了傅里葉變換不能解決的問題。有關(guān)概念簡要復(fù)述如下：

定義1：設(shè)φ(t)∈L2(R)，如果

（1.1）

則稱φ(t)為一個小波，也常稱為母小波或基本小波。

定義2：對小波φ(t)進(jìn)行伸縮和平移，可得到一族函數(shù)

（1.2）

則稱φu,s(t)為小波φ(t)的小波基函數(shù)。式（2）中，s稱為尺度參數(shù)，u稱為平移參數(shù)。

本文使用的小波基函數(shù)是Morlet小波，其表達(dá)式為：

（1.3）

1.2 小波神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和學(xué)習(xí)算法

小波神經(jīng)網(wǎng)絡(luò)以BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)為基礎(chǔ)，隱含層節(jié)點(diǎn)的傳遞函數(shù)為小波基函數(shù)，信號向前傳播，同時(shí)誤差反向傳播，是一種三層的前向網(wǎng)絡(luò)；其拓?fù)浣Y(jié)構(gòu)如圖1所示。

圖1中，X1，X2，…，Xk是小波神經(jīng)網(wǎng)絡(luò)的輸入變量，Y1，Y2，…，Ym是小波神經(jīng)網(wǎng)絡(luò)的預(yù)測輸出，ωij和ωjk為小波神經(jīng)網(wǎng)絡(luò)權(quán)值。

在輸入信號序列為xi(i=1,2,…,k)時(shí)，隱含層輸出計(jì)算公式為：

（2.1）

式（2.1）中，h( j )是隱含層第j個節(jié)點(diǎn)輸出值；ωij為輸入層和隱含層的連接權(quán)值；bj為小波基函數(shù)hj的平移因子；aj為小波基函數(shù)hj的伸縮因子；hj為小波基函數(shù)。

圖1 小波神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

小波神經(jīng)網(wǎng)絡(luò)輸出層計(jì)算公式為：

（2.2）

式（2.2）中，ωik為隱含層到輸出層權(quán)值；h(i)為第i個節(jié)點(diǎn)的輸出；l為隱含層節(jié)點(diǎn)數(shù)；m為輸出層節(jié)點(diǎn)數(shù)。

小波神經(jīng)網(wǎng)絡(luò)采用梯度修正法修正各權(quán)值和參數(shù)，進(jìn)而不斷逼近期望輸出，過程如下：

1）計(jì)算網(wǎng)絡(luò)預(yù)測誤差

（2.3）

式（2.3）中，yn(k)為期望輸出，y(k)為小波神經(jīng)網(wǎng)絡(luò)預(yù)測輸出。

2）根據(jù)誤差修正小波神經(jīng)網(wǎng)絡(luò)權(quán)值和小波基函數(shù)系數(shù)

（2.4）

式（2.4）中，Δωn,k(i+1)、Δa k(i+1)、Δb k(i+1)是由網(wǎng)絡(luò)預(yù)測誤差計(jì)算求得：

式（2.5）中，η為學(xué)習(xí)速率。

（2.5）

2 污水出水COD預(yù)測模型

研究表明，污水出水COD含量與污水前幾個時(shí)段的COD含量有關(guān)，據(jù)此設(shè)計(jì)小波神經(jīng)網(wǎng)絡(luò)。輸入層為當(dāng)前時(shí)間點(diǎn)前n個時(shí)間點(diǎn)的COD含量；輸出層為當(dāng)前COD含量預(yù)測值。其中，1至5月的污水出水COD含量為訓(xùn)練數(shù)據(jù)，6月份（1到30日）為測試數(shù)據(jù)，算法流程如下：

圖2 小波神經(jīng)網(wǎng)絡(luò)算法流程

本文采用的小波神經(jīng)網(wǎng)絡(luò)有4個輸入節(jié)點(diǎn)，表示預(yù)測時(shí)間節(jié)點(diǎn)前4個時(shí)間點(diǎn)的污水出水COD含量，隱含層有6個節(jié)點(diǎn)，輸出層有1個節(jié)點(diǎn)，為網(wǎng)絡(luò)預(yù)測的污水出水COD含量。

3 模型仿真結(jié)果分析

3.1 數(shù)據(jù)預(yù)處理

神經(jīng)網(wǎng)絡(luò)訓(xùn)練的數(shù)據(jù)預(yù)處理對網(wǎng)絡(luò)有著很重要的影響，故要對數(shù)據(jù)進(jìn)行歸一化處理：

（4.1）

3.2 模型仿真與分析

構(gòu)建BP網(wǎng)絡(luò)模型和小波神經(jīng)網(wǎng)絡(luò)模型，輸入向量為待預(yù)測時(shí)間點(diǎn)前4個時(shí)間點(diǎn)的污水出水COD的歸一化數(shù)據(jù)，輸出數(shù)據(jù)為預(yù)測時(shí)間點(diǎn)處的污水出水COD待歸一化數(shù)據(jù)。訓(xùn)練網(wǎng)絡(luò)，得到預(yù)測值和預(yù)測誤差。表1給出了2012年6月1至30日的COD實(shí)測值、BP網(wǎng)絡(luò)模型預(yù)測值以及小波網(wǎng)絡(luò)模型預(yù)測值。

利用MATLAB軟件進(jìn)行仿真，圖3是BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測曲線，圖4是小波神經(jīng)網(wǎng)絡(luò)模型仿真預(yù)測曲線。

圖3 基于BP神經(jīng)網(wǎng)絡(luò)構(gòu)建的污水出水COD預(yù)測模型

（1～5月訓(xùn)練，6月測試）

設(shè)xt為實(shí)際值，xt為模型預(yù)測值，n為模型預(yù)測檢驗(yàn)個數(shù)。定義平均絕對誤差MAE為：

（4.2）

由仿真結(jié)果知，兩種網(wǎng)絡(luò)預(yù)測趨勢相同， BP網(wǎng)絡(luò)模型預(yù)測平均誤差MAE為1.24（mg/L），平均相對誤差為5.3193%，小波神經(jīng)網(wǎng)絡(luò)模型預(yù)測平均誤差MAE為1.13（mg/L），平均相對誤差

圖4 基于小波神經(jīng)網(wǎng)絡(luò)構(gòu)建的污水出水COD預(yù)測模型（1～5月訓(xùn)練，6月測試）

為4.7877%；訓(xùn)練過程中，同等精度條件下，BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練次數(shù)要遠(yuǎn)多于小波神經(jīng)網(wǎng)絡(luò)訓(xùn)練次數(shù)；表明BP網(wǎng)絡(luò)和小波神經(jīng)網(wǎng)絡(luò)模型均可以較好地模擬污水出水COD含量變化過程，但小波神經(jīng)網(wǎng)絡(luò)模型在收斂速度和預(yù)測精度方面要優(yōu)于傳統(tǒng)的BP網(wǎng)絡(luò)模型。

4 結(jié)論

小波神經(jīng)網(wǎng)絡(luò)是基于小波分析理論的一種新型神經(jīng)網(wǎng)絡(luò)模型，具有時(shí)頻局域化分析和自適應(yīng)能力。本文將小波神經(jīng)網(wǎng)絡(luò)模型應(yīng)用到污水出水COD含量預(yù)測中，為污水出水COD含量預(yù)測提供了一種新方法。使用MATLAB軟件實(shí)證分析了模型的可行性和有效性，結(jié)果表明，小波神經(jīng)網(wǎng)網(wǎng)絡(luò)模型在收斂速度和預(yù)測精度方面均優(yōu)于傳統(tǒng)的BP網(wǎng)絡(luò)模型，故最終使用小波神經(jīng)網(wǎng)絡(luò)建立模型。最后，本文的模型具有一定普遍意義，在高度非線性的時(shí)間序列預(yù)測問題中，可以采用小波神經(jīng)網(wǎng)絡(luò)建模的方法對時(shí)間序列未來的變化進(jìn)行預(yù)測和控制。

參考文獻(xiàn)

[1]謝立春.BP神經(jīng)網(wǎng)絡(luò)算法的改進(jìn)及收斂性分析[J].計(jì)算技術(shù)與自動化,2007,26(3):52-56.

[2]賀清碧,周建麗.BP神經(jīng)網(wǎng)絡(luò)收斂性問題的改進(jìn)措施[J].重慶交通學(xué)院學(xué)報(bào),2005,24(1):143-145.

[3]陳哲,馮天瑾.小波神經(jīng)網(wǎng)絡(luò)研究進(jìn)展及展望[J].青島海洋大學(xué)學(xué)報(bào),1999,29(4):66-667.

[4]朱四超.基于小波神經(jīng)網(wǎng)絡(luò)的工程變形量預(yù)測模型[J].2010,8(2):103-105

[5]李元松,李新平,代翼飛,田昌貴,陳清運(yùn).小波神經(jīng)網(wǎng)絡(luò)在高陡邊坡位移預(yù)測中的應(yīng)用[J].2010,32(9):39-43.

[6]潘國榮,谷川.變形監(jiān)測數(shù)據(jù)的小波神經(jīng)網(wǎng)絡(luò)預(yù)測方法[J].大地測量與地球動學(xué),2007,27(4):47-50.

[7]聶勛科.基于神經(jīng)網(wǎng)絡(luò)的污水出水COD預(yù)測模型重慶工學(xué)院學(xué)報(bào)[J].22(8):156-161.